[논문]빅데이터 표준분석모델을 활용한 초등돌봄 수요예측 사례연구

윤충식; 정승렬

doi:10.7472/jksii.2022.23.6.87

빅데이터 표준분석모델을 활용한 초등돌봄 수요예측 사례연구
The Case Study for Childcare Service Demand Forecasting Using Bigdata Reference Analysis Model 원문보기

Journal of Internet Computing and Services = 인터넷정보학회논문지, v.23 no.6, 2022년, pp.87 - 96

윤충식 (Graduate School of Business IT, Kookmin University) , 정승렬 (Graduate School of Business IT, Kookmin University)

초록
AI-Helper

행정이 고도의 전문성과 설득력을 갖추기 위해서는 행정 영역에서 '빅데이터'를 활용하고 이러한 과학적 근거에 기반하여 정책의 수립·집행·평가가 이뤄져야 한다는 관점에서 데이터기반 행정에 대한 시대적 요구가 높아지고 있다. 본 연구는 신규 공동주택단지의 초등돌봄 수요예측을 위해 지역의 특성을 기계학습 기반으로 분석·예측하였다. 이를 위해 전용면적, 세대당 주차대수, 건폐율 등 아파트의 구조와 관련된 데이터, 초등학교까지의 거리 등 아파트 주변의 환경 데이터 및 행정구역의 인구 데이터 등 총 292종의 변수가 활용되었다. 다양한 변수의 활용에 큰 의의가 있으며 복합적인 분석에도 의미가 있다. 또한 실제 기초 지방자치단체의 실제값과 비교를 통해서 모델의 신뢰성을 높인 실증기반 사례연구이다.

Abstract ▼ AI-Helper

This paper is an empirical analysis as a reference model that can predict up to the maximum number of elementary school student care needs in local governments across the country. This study analyzed and predicted the characteristics of the region based on machine learning to predict the demand for elementary care in a new apartment complex. For this purpose, a total of 292 variables were used, including data related to apartment structure, such as number of parking spaces per household, and building-to-land ratio, environmental data around apartments such as distance to elementary schools, and population data of administrative districts. The use of various variables is of great significance, and it is meaningful in complex analysis. It is also an empirical case study that increased the reliability of the model through comparison with the actual value of the basic local government.

주제어

표/그림 (15)

그림 (Figure 1) Scatter plot of the number of elementary school students and apartment area 84.84 households
그림 (Figure 2) Scatter plot of the number of elementary school students and the number of cars parked per household
표 (Table 1) Collection Data List and Key Attribute
표 (Table 2) Correlation Analysis Results Table
표 (Table 3) Regression Results Table
표 (Table 5) Variable group List
표 (Table 4) Master data set for analysis
그림 (Figure 3) Evaluate the importance of variables
표 (Table 6) Feature Set List by Combination by Variable Group
표 (Table 7) Result of SVM Model
표 (Table 8) Random Forest Model's Parameter
표 (Table 9) Result of RF Model
그림 (Figure 4) Example of comparing predicted and actual values
그림 (Figure 5) Examples of reference model deployment and utilization procedures
그림 (Figure 6) Macro File Execution Example

AI 본문요약
AI-Helper

문제 정의

본 연구는 데이터 기반 지능형 행정 업무 수행을 위한 융합형 연구과제로 실제 공공데이터를 활용하여 머신러닝 기반 초등돌봄 수요인 초등학생 수를 예측한 것이다. 그리고 실제 해당 지역의 실제 값과 비교를 통해서 모델의 신뢰성을 높인 실증기반 사례연구이다.
본 연구에서는 C시 신규 공동주택단지의 초등돌봄 수요예측을 위해 해당 아파트가 위치한 지역의 특성을 활용하고 관련 데이터에 기반한 알고리즘으로 분석하여 돌봄이 필요한 초등학생 수를 예측하고자 하였다. 이를 위해 전용면적, 세대당 주차대수, 건폐율 등 아파트의 구조와 관련된 데이터, 초등학교까지의 거리 등 아파트 주변의 환경 데이터 및 행정구역의 인구 데이터 등 총 292종의 변수가 활용되었다.
본 연구에서는 공공시설물 중의 하나인 초등돌봄센터의 규모 산정과 관련된 돌봄수요를 예측하는 데 인구, 공동주택, 공공시설물과 관련된 지역의 특성을 공동주택단지를 중심으로 분석하고자 하는 것이다. 선행연구를 통해 분석에 필요한 내용에 대해서 살펴보면 다음과 같다.

제안 방법

C시 사례분석 결과, 전용면적이 크고 세대당 주차대수가 많을수록, 주변 종합병원 등 인프라가 갖추어진 환경일수록 아파트 거주 초등학생 수가 증가하며, 초등학교가 멀거나 아파트의 건폐율이 클수록 초등학생 수가 감소하는 것으로 나타났다. 또한, 초등학생 수 예측에 유의미한 변수를 활용하여 머신러닝 알고리즘을 적용하고 초등학교와의 거리 등 초등학생 아이의 보육환경에 중요한 특성을 자동으로 파악하여 아파트단지의 초등돌봄 수요를 예측하기 위한 참조모델인 표준분석모델에 대해 살펴보았다.
수요예측 모델 생성은 ①수집된 데이터에 대한 탐색적 분석, ② 독립변수와 종속변수 간의 상관관계 분석, 선형 회귀분석 그리고 ③ 랜덤포레스트 분석과 서포트벡터머신 분석 ④알고리즘 성능 비교의 순서로 진행하였다.
신규 공동주택 단지에 필요한 초등돌봄 수요를 예측하기 위하여 선행연구에서 파악한 요인과 수집 가능한 공공데이터를 수집하여 전처리 후 입주 시점의 초등학생 수를 예측하기 위한 모델을 생성하였다. 해당 단지의 초등돌봄 수요는 예측한 초등학생 수에 통계청에서 생산한 해당 지역 맞벌이 비율을 곱하여 산정하였다.
행정안전부는 초등돌봄 수요예측 표준분석모델은 표준화 과정을 통해서 참조모델로 구축한 후 매뉴얼, 분석코드, 샘플 데이터 등을 지자체에서 쉽게 활용할 수 있는 형태로 패키징하여 빅데이터 공통기반인 혜안을 통해서 배포하였다.

대상 데이터

모델에 필요한 데이터는 통계청, 행정안전부, K-APT 공동주택관리 시스템, 교육통계 및 국가도서관 통계 등에서 공공데이터 수집하였다. 공간적 범위는 기초단체인 C시, 시간적 범위는 2019년 12월 말을 기준으로 과거 10년간 그리고 공동주택 관련 데이터는 준공년도를 기준으로 준공 전 과거 3년간 자료를 수집하였다. 수집 데이터의 목록 및 주요 속성은 Table 1과 같다.
모델에 필요한 데이터는 통계청, 행정안전부, K-APT 공동주택관리 시스템, 교육통계 및 국가도서관 통계 등에서 공공데이터 수집하였다. 공간적 범위는 기초단체인 C시, 시간적 범위는 2019년 12월 말을 기준으로 과거 10년간 그리고 공동주택 관련 데이터는 준공년도를 기준으로 준공 전 과거 3년간 자료를 수집하였다.
행정안전부는 2020년 신규 공동주택의 초등돌봄 수요를 예측하기 위한 분석모델을 개발하기 위해 우선 시범지역을 대상으로 연구를 수행한 후, 표준분석모델 정립 사업을 통해 기초단체에서 활용하기 위한 모델의 정립 및 확산을 추진하였다. 본 논문은 시범지역인 기초단체 C시에 적용된 예측모델의 실증사례이며 그 구성은 다음과 같다. 2장에서는 관련 연구를 살펴보고, 3장에서는 초등돌봄 수요예측 모델의 개발 및 검증과정을 기술하였다.
서포트벡터머신(Support Vector Machine) 분석을 위해 먼저 준공년도를 기준으로 2019년 이전 데이터(74건)를 모델생성을 위한 데이터로 2019년 이후 데이터(5건)를 테스트용 데이터 분리하였다. 그리고 모델 생성용 데이터는 8:2의 비율로 학습용과 검증용으로 분리하였다.
초등돌봄 수요 예측분석은 해당 아파트가 위치한 지역의 특성을 활용하고 관련 데이터에 기반한 알고리즘으로 분석하여 돌봄이 필요한 초등학생 수를 예측하는 것이다. 이를 위해 전용면적, 세대당 주차대수, 건폐율 등 아파트의 구조와 관련된 데이터, 초등학교까지의 거리 등 아파트 주변의 환경 데이터 및 행정구역의 인구 데이터 등 총 292개의 변수가 활용되었다.
본 연구에서는 C시 신규 공동주택단지의 초등돌봄 수요예측을 위해 해당 아파트가 위치한 지역의 특성을 활용하고 관련 데이터에 기반한 알고리즘으로 분석하여 돌봄이 필요한 초등학생 수를 예측하고자 하였다. 이를 위해 전용면적, 세대당 주차대수, 건폐율 등 아파트의 구조와 관련된 데이터, 초등학교까지의 거리 등 아파트 주변의 환경 데이터 및 행정구역의 인구 데이터 등 총 292종의 변수가 활용되었다.
동별 평균 인구는 18,745명, 동별 평균 초등학생수는 1,266명이다. 준공년도를 기준으로 2010년부터 2020년 12월 말까지 수집된 공동주택 단지는 총 79개로 매년 평균 8.8개가 준공되었다.
최종적으로, Table 4와 같이 초등학생 수를 종속변수로 ① 행정동별 시내·외 전체 전출입 세대수 및 초등학생 나이별 전출입 학생 수, ② 행정동별 인구정보, ③ 공동주택(아파트단지)의 아파트 정보(79개 아파트단지) 등 292개 변수를 독립변수로 하는 분석용 데이터셋을 생성하였다.

데이터처리

1.10. 100의 5가지 경우를 각각 적용하되 임의 복원추출을 100번 반복한 후 평균 제곱근의 오차(RMSE*) 평균을 바탕으로 총 300개의 RMSE 값을 비교하였다. 비교 결과, Table 7에서 보는 바와 같이 동별 인구변수(15개)와 공동주택 단지 정보 변수(37개)를 독립변수로 하고 Epsilon = 0.
모델은 Table 8에서와 같이 mtree는 5가지, ntree는 10가지 옵션을 각각 적용하여 랜덤포레스트 모델을 생성하였다. 임의 복원추출을 100번 반복한 후 평균 제곱근의 오차(RMSE) 평균을 바탕으로 총 750개의 RMSE 값을 비교하였다.

성능/효과

C시 사례분석 결과, 전용면적이 크고 세대당 주차대수가 많을수록, 주변 종합병원 등 인프라가 갖추어진 환경일수록 아파트 거주 초등학생 수가 증가하며, 초등학교가 멀거나 아파트의 건폐율이 클수록 초등학생 수가 감소하는 것으로 나타났다. 또한, 초등학생 수 예측에 유의미한 변수를 활용하여 머신러닝 알고리즘을 적용하고 초등학교와의 거리 등 초등학생 아이의 보육환경에 중요한 특성을 자동으로 파악하여 아파트단지의 초등돌봄 수요를 예측하기 위한 참조모델인 표준분석모델에 대해 살펴보았다.
Random Forest, SVM(Support Vector Machine) 등의 알고리즘을 적용하고 분석한 결과, 알고리즘은 초등학교와의 거리 등 초등학생 아이의 보육환경에 중요한 특성을 자동으로 파악하여 아파트단지의 초등돌봄 수요를 예측할 수 있었으며, SVM이 Random Forest보다 우수한 성능을 보였다.
첫째, C시 지역의 입주 전 아파트·주변 환경 데이터, 인구 데이터를 통해서 예측한 초등학생 수와 입주 후 실제 초등학생 수와 상당 부분 일치성을 나타내서 표준분석모델의 정확성을 확인하였다. 둘째, 신속한 의사 결정이 가능해졌다. 지자체 공무원의 경우 표준분석모델을 활용함으로써 필요데이터 수집 후 입주 전 신규 공동주택단지의 초등학생 수를 신속하게 예측할 수 있게 됨으로써 신규 주택단지 내 돌봄센터 규모 산정이라든지 돌봄수요에 따른 돌봄 사각지대 파악이 쉬워졌다.
상관관계 분석 결과, 전용면적이 크고, 세대당 주차대수가 많을수록 초등학생 수가 증가하며, 아파트 건폐율이 클수록 초등학생 수가 감소하는 것으로 나타났다.
지자체 공무원의 경우 표준분석모델을 활용함으로써 필요데이터 수집 후 입주 전 신규 공동주택단지의 초등학생 수를 신속하게 예측할 수 있게 됨으로써 신규 주택단지 내 돌봄센터 규모 산정이라든지 돌봄수요에 따른 돌봄 사각지대 파악이 쉬워졌다. 셋째, 빅데이터 표준분석모델을 활용함으로써 지자체는 데이터 획득 및 빅데이터 분석 도구와 분석과정에서 발생하는 인력, 재정, 시간 등의 기회비용을 대폭 절감할 수 있게 되었다.
첫째, C시 지역의 입주 전 아파트·주변 환경 데이터, 인구 데이터를 통해서 예측한 초등학생 수와 입주 후 실제 초등학생 수와 상당 부분 일치성을 나타내서 표준분석모델의 정확성을 확인하였다
초등돌봄 수요예측 표준분석모델은 분석 도구인 R을 기본으로 활용하되 매크로를 통해서 자동으로 결과물이 엑셀 파일로 생성되게 함으로써 사용자는 R의 분석환경에 대한 이해 없이도 결과물을 활용할 수 있게 되었다.

후속연구

선행연구를 통한 시사점으로 공공시설물 수요는 지역의 인구요인이 무엇보다 중요한 요소라는 것과 과거 시설물 이용자 수, 이용률 기반의 시계열 데이터가 필요하다는 것을 알 수 있었다. 다만, 공공시설물 수요자 관련 거주지역의 인구 특성, 생활편의 특성, 교육 특성 등을 분석하여 미래 수요를 예측한 사례가 부족하여 이에 관한 연구의 필요성도 인식할 수 있었다.
향후 공공행정 분야에서 행정서비스와 관련된 불확실한 미래 수요를 예측하는 등 주요 정책 의사 결정 과정에 참조모델로 활용된다면 정책 의사결정과정의 투명성을 높일 수 있을 것으로 보인다.

참고문헌 (12)

JW Seon, "Legal issues of Data-driven Administration", Korea Administrative Law and Practice Association Administrative Law Journal Vol. 66, pp.107, 2021. https://doi.org/10.35979/alj.2021.11.65.107

상세보기
Ministry of the interior and safety, "2019 White Paper", pp.522, 2020. https://www.mois.go.kr/
Ministry of the Interior and Safety, "Solving people's life and local administration challenges with Big data.",Korea Policy Briefing, 2018. https://www.korea.kr
Ministry of the Interior and Safety "Data supports forest fire prevention and revitalization of the local economy", Korea Policy Briefing, 2019. https://www.korea.kr
Ministry of the Interior and Safety, "Selection of public facility locations through big data analysis", Korea Policy Briefing, 2022. https://www.korea.kr
Ministry of Health and Welfare, "Partial revision of childcare business guide", Korea Policy Briefing, 2022. https://www.korea.kr
DS Jun, "Public service forecasting based on Public Data", The Korean Association for Regional Information Society's conference paper 2018, pp.89~100, 2018. https://snu.ac.kr
SA Min, YS Jung, "Comparative study of prediction models for public bicycle demand in Seoul, Korean Data and Information Science Society", Journal of the Korean Data & Information Science Society 2021, Vol.32, pp.585-592, 2021. https://doi.org/10.7465/jkdi.2021.32.3.585

상세보기
JA Park, CH Park, JW Eum, "Mid-to-Long Term Forecasts of the Demand and Fiscal Spending for Early Childhood Education and Childcare", Korea Institute of Child Care and Education, pp.51~56, 2015. https://kicce.re.kr
YR Kim, SJ Cho, BY Bae, JS Kim, YM Jung, "A Study on the Actual Condition of Elementary School Care and Demand Analysis", Korean Women's Development Institute, pp121~122, 2018 https://kicce.re.kr
JW Lee, JY Kim, KW Yoo, SC Yang, "Optimal Location Modeling for Elementary Student's Care facility using Public Data", Journal of Cadastre & Land InformatiX 2019 Vol.49, pp109~122, 2019. https://doi.org/10.22640/lxsiri.2019.49.2.109

원문보기 상세보기
CS Sung, JY Park, HK Ka, "The Case Study of CCTV Priority Installation Using BigData Standard Analysis Model", Journal of Digital Convergence 2017 May, pp.62, 2017. https://doi.org/10.14400/JDC.2017.15.5.61

원문보기 상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증