CPTED 기반 GIS를 활용한 범죄 위험 분석 및 안전 시설물 위치 선정

2.1 머신러닝 기반 범죄 발생 위험 구역 예측

범죄 발생 위험 구역을 예측하는 연구에서는 나이브 베이즈 모델, 로지스틱 회귀 모델, 서포트 벡터 머신(SVM, Support Vector Machine), 신경망 모델 등 다양한 머신러닝 알고리즘이 활용된다. S. Y. Heo et al.[6]은 절도 및 폭력 범죄 발생 위험 구역을 예측하기 위해 의사결정트리, 랜덤포레스트, 서포트 벡터 머신을 활용하여 범죄 예측 모델을 구축하고 성능을 비교·분석하였다. 분석 결과, 의사결정트리가 가장 높은 예측력을 보인 것으로 나타났다.

D. Y. Kim[7]은 분석 대상지인 서울시 동작구를 GIS를 활용해 100m×100m 크기의 그리드로 분할한 후, 각 셀에 이전에 발생한 범죄와 물리적 환경에 관한 데이터를 삽입하였다. 이어서, 물리적 환경 데이터를 기준으로 공간적 유사도에 따라 대상지를 클러스터링하였다. 이를 통해 공간적 유사성을 분석하는 것이 모델의 예측 성능을 향상시키는 데 중요하다는 점을 도출하였으며, 변수 간 중요도를 분석하여 특정 시·공간에서 범죄가 집중되는 장소가 있음을 실증적으로 확인하였다.

J. W. Kim et al.[8]은 범죄가 과거 발생 지역을 중심으로 군집하는 특징을 보이며, 이러한 범죄들 간의 강한 상호 연관성이 있음을 확인했다. 약 2년간의 범죄 자료를 Geo-coding한 후, 18개의 변수를 사회경제, 도시공간, 범죄 방어기재 시설물, 범죄 발생 지표로 구분하여 군집 분석과 공간 통계 분석을 수행했다. 또한, Nearest Neighbor Hierarchical Spatial Clustering 기법을 활용하여 5대 범죄, 절도 범죄, 폭력 범죄, 성폭력 범죄의 위험 지역을 선정하고, 중첩 분석을 통해 연구 지역 내 총 105개의 군집을 도출하였다.

2.2 입지 선정을 위한 점수 기반 분석 기법

요인평정법(Factor rating method)은 입지 요인별 가중치를 고려하여 각 요인의 점수를 평가한 결과를 바탕으로 최적의 입지를 선택하는 방법이다. 해당 방법은 요인의 점수를 체계적으로 반영할 수 있어 객관적인 입지 선정 도구로 널리 활용되고 있다.

S. H. Yun et al.[9]은 전동휠체어 충전소의 최적 위치를 선정하기 위해 요인평정법을 적용하여 각 후보지의 총점을 계산하고, 이를 전동휠체어 예상 이용 인구로 나눠 최적 입지를 도출하였다.

Y. J. Hwang et al.[10]은 공공 와이파이 배치를 최적화하기 위해, 최적 위치 조건을 만족하는 격자를 선정한 후 예측 점수를 기반으로 목표별 격자를 평가하고, 가중치를 부여하여 최적 위치를 도출하였다. 이후 와이파이 반경이 중복되는 경우, 격자 위치를 재조정하였다.

D. Y. Kim[11]은 인천시 대형 할인점의 최적 입지를 선정하기 위해 인구적 요인, 경제적 요인, 교통 및 토지 이용 요인, 경쟁 요인을 분석하고, 각 요인에 가중치를 부여하여 현실성 있는 최적 입지를 도출하였다.

본 연구에서는 범죄에 영향을 미치는 변수들을 GIS를 활용하여 분석하고, 요인평정법을 통해 요인별 가중치를 도출한 뒤, 이를 기반으로 총점을 산출하였다. 이후 HDBSCAN 클러스터링 기법을 활용하여 이상치 격자를 제거하고, 최종적으로 CCTV, 화분, 그림자 조명의 설치 위치를 선정하였다.

3.1 데이터 수집

본 연구에 사용된 데이터세트는 표 2에 제시되어 있다. 이 중 진주시 가로등 정보, 보안등 정보, CCTV 정보, 버스정류장 데이터, 건축물 연령 정보, 경남 GIS 건물 통합 정보, 그리고 한국 도로 및 읍면동 경계 데이터는 공공데이터포털에서 수집하였다. 가좌동 112 신고 데이터와 사건 발생 데이터는 지역 경찰서에서 제공받았으며, 진주시 유동인구 데이터는 통신사로부터 제공받았다. 또한, 가호동 의류수거함 위치 데이터는 직접 현장 조사로 수집하였다.

Table 2.

Datasets used for the research

3.2 설문조사

범죄 예방을 위한 안전 시설물 설치 위치와 필요한 대책을 조사하기 위해 경상국립대학교 가좌캠퍼스와 연암공과대학교 인근 가호동 주민을 대상으로 설문조사를 실시하였다. 해당 설문조사에는 총 33명이 참여하였으며, 결과는 그림 1에 제시되어 있다.

Fig. 1.

Results of a survey of residents in Gaho-dong, Jinju-si, Korea

설문 결과, 안전 시설물이 필요한 지역으로는 원룸 지역이 18명으로 가장 많은 응답을 받았으며, 그 뒤를 이어 어두운 산책로 및 공원(13명), 상가 및 기타 장소(2명) 순으로 나타났다.

범죄 예방을 위한 방안으로 위험 구역 감시를 위한 CCTV 설치가 12명으로 가장 높은 응답을 받았고, 어두운 곳을 밝히는 그림자 조명 설치(10명), 노후 건물 외벽 단장을 위한 벽화 조성(6명), 거리 미화를 위한 화분 설치(5명)가 뒤를 이었다. 이 중 CCTV 설치가 가장 시급한 대책으로, 그림자 조명 설치가 다음으로 중요한 대책으로 평가되었다.

3.3 분석 계획 수립 및 QGIS 시각화

범죄 위험 구역 분석 및 안전 시설물 최적 위치 선정을 위한 로드맵은 그림 2에 제시되어 있다.

Fig. 2.

Roadmap for analyzing crime hotspots and optimizing locations for safety features

CPTED 관점에서 보면, 노후 건축물은 거리의 분위기를 저하시키고 범죄 위험을 높이는 요인 중 하나로 간주된다.

노후 건축물은 도시 및 주거환경정비법 제2조 제3항에 따라 “준공된 후 20년 이상 30년 이하의 범위에서 조례로 정한 기간이 지난 건축물”로 정의된다. 따라서 범죄 위험 구역 요인을 분석하기 위해 건축물 연령 데이터를 활용하였으며, 25년 이상 된 건축물을 추출한 뒤, 실제로 외관이 낡은 건물만을 선별하여 분석에 포함하였다.

터미널, 음식점, 유흥주점 등 유동 인구가 많은 지역은 범죄 발생 위험이 높은 것으로 알려져 있다[6]. 이를 반영하여, 본 연구에서는 버스 정류장 데이터를 활용하여, 각 버스 정류장을 기준으로 반경 100m 내 지역을 후보군 점수 산정에 포함하였다.

의류 수거함, 가로등, 보안등, CCTV 정보 등을 가호동 범위만 추출하여 그림 3과 같이 시각화하였다. 범죄 현황을 분석하기 위해서 19년~23년까지 주요 범죄 종류(폭력, 절도, 성범죄)에 따른 시간대별 112 신고 데이터를 분석했다.

Fig. 3.

QGIS visualization by factor

가호동의 평균 유동인구 분석을 위해 좌표 데이터를 GeoPandas를 활용하여 WGS84 좌표계로 변환하였다. 이후, 4월과 5월 두 달간의 데이터를 기반으로 위경도에 따른 시간대별 평균 유동인구 수를 추출하고, 이를 그림 4와 같이 시각화하였다.

Fig. 4.

Visualize the flow of people in Gaho-dong, Jinju-si, Korea

범죄 취약 구역 분석을 위해 시간대별 112 신고 데이터에 z-score를 적용하여 가중치로 사용하였다. 평균 유동인구 데이터에 가중치를 적용한 후 정규화를 거쳐 주요 범죄 취약 구역을 선정하였다.

생활안전지도는 국민이 주변의 위험, 사고 이력, 안전 정보를 지도 형태로 제공하여 스스로 안전을 지킬 수 있도록 돕는 서비스이다. 이 지도는 범죄 주의 구간을 1에서 10등급으로 나누어 표시하며, 10등급일수록 범죄 위험이 높은 구간을 나타낸다. 특히, 빨간색이 진할수록 10등급에 가까운 위험 구간임을 의미한다.

GIS 분석을 위해 진주시 가호동을 250m×250m 격자로 나누고, 그림 5와 같이 해당 데이터를 크롤링하여 진주시 가호동의 범죄 위험 구간을 시각화하였다.

Fig. 5.

Visualization of life safety guidance (police) in Gaho-dong, Jinju-si

4.1 범죄 취약 구역 분석

스피어만 상관계수는 두 변수 간 순위의 일관성을 측정하는 통계적 방법이다. 본 연구에서는 생활안전지도(치안) 점수와 다른 변수들간의 상관관계를 분석하였으며, 결과는 그림 6에 나타나 있다.

Fig. 6.

Spearman correlation heatmap by factor

가로등은 0.68로 가장 높은 상관관계를 보였으며, 그다음으로 CCTV가 0.6으로 높은 상관관계를 나타냈다. 표 3에 제시된 각 요인별 스피어만 상관계수를 기반으로 가중치(Weight)를 계산하였으며, 이를 사용하여 총점을 산출하였다. 스피어만 상관계수는 각 요인의 상대적 중요도를 평가하는 데 활용되었으며, 이를 통해 계산된 가중치는 최종 점수에 반영했다.

Table 3.

Weights for each factor derived through spearman correlation coefficient

후보군 j의 총점(TS_j, Total Score)은 각 요인(i)의 가중치 W_i와 해당 요인(i)에 대한 후보군 j의 점수(S_j, Score)의 가중합으로 계산된다. 이를 수식으로 표현하면 식 (1)과 같다.

Jenks 7분위 중 최고 분위에 해당하는 후보군을 선택했으며, 최종적으로 후보군은 그림 7(a)과 같이 총 3개를 선택하였다.

Fig. 7.

Crime vulnerable area analysis process (a) Mapping into 250m×250m grids, assigning polygon center points to each grid, and selecting the three best candidates that correspond to the highest Jenks quartile. (b) Subdividing the selected grid into 50m×50m grids and reassigning polygon center points (c) Grid with outliers removed by applying HDBSCAN

4.2 격자 세부 분석

그림 7(b)과 같이 선택된 3개의 후보군을 50m×50m 크기로 추가 분할한 뒤, 각 폴리곤의 중심점을 재할당하였다. 이후, 추가로 분할된 격자별로 폭력, 절도, 성폭행 범죄에 따른 범죄 취약 점수를 계산하기 위해 유동 인구 데이터와 시간대별 각 범죄 건수를 활용하여 점수를 산출하였다. 폭력(v), 절도(b), 성폭행(s)을 범죄(X; v, b, s∈X)라고 했을 때, 범죄 취약 점수(CS_Xj)는 후보군 j에 대한 범죄(X)의 취약 점수를 뜻한다.

주요 범죄에 해당하는 시간대별 범죄 건수 데이터에 Z-score를 적용해 가중치를 생성한 뒤, 이를 시간대별 유동 인구 데이터에 반영하였다. 이후 Min-Max 정규화를 수행하여 격자별로 주요 범죄에 대한 범죄 취약 점수를 계산하였다. 범죄(X)에 대한 특정 시간 t의 가중치(W_Xt)와 후보군 j에 대한 특정 시간 t의 유동인구(F_jt)의 곱의 합으로 범죄 취약 점수를 구한다. 후보군 j에 대한 각 범죄별 취약 점수는 식(2)(3)(4)으로 나타낼 수 있다.

HDBSCAN(Hierarchical Density-Based Spatial Clustering of Applications With Noise)은 데이터의 밀도 기반 계층적 클러스터링 기법으로, 클러스터 개수를 자동으로 결정하고 노이즈를 식별할 수 있는 모델이다. 후보군 j의 각 격자에 대한 범죄별 취약 점수를 구한 뒤 이상치를 제거하기 위해 HDBSCAN을 사용하였다.

실루엣 검증은 클러스터 간의 거리를 측정하는 지표로, 값은 -1에서 1 사이를 가진다. 실루엣 값이 1에 가까울수록 클러스터 간 거리가 멀고 성능이 우수함을 의미한다.

본 연구에서는 최적의 클러스터 개수를 결정하기 위해 실루엣 검증을 활용하였으며, 각 범죄 유형별 실루엣 검증 결과는 그림 8에 제시되어 있다. 분석 결과, 모든 범죄 유형에서 클러스터 개수가 3일 때 가장 우수한 성능을 보였다.

Fig. 8.

Silhouette score by crime

4.3 안전 시설물 최적 위치 선정

현장 조사 결과, 대부분의 의류 수거함은 제대로 관리되지 않아 낡은 외관을 가지고 있으며, 주변에 많은 쓰레기가 쌓여 있는 상태였다. CPTED에 따르면, 낡고 지저분한 지역은 범죄에 취약하기 때문에 범죄 예방을 위해 환경 개선이 필요하다. 이를 위해 CCTV를 설치하여 쓰레기 무단 투기를 예방하고, 화분을 설치해 주변 분위기를 개선할 수 있다.

CCTV와 화분 위치 선정을 위해 유동인구 취약 점수 상위 20%에 해당하는 격자 내에 위치한 의류 수거함을 선정하였으며, 그 결과 총 6개의 의류 수거함이 선정되었다. 이후, 선정된 의류 수거함 중 반경 50m 내에 이미 CCTV가 설치된 의류 수거함은 제외하여 최종적으로 4개의 위치를 선정하였다. 최종 선정된 CCTV와 화분 설치 위치는 그림 9에 나타나 있다.

Fig. 9.

CCTV and flower pot locations finally selected from among the three candidate groups

그림자 조명을 설치하여 그림자 조명 위치를 선정하기 위해 각 범죄(폭력, 절도, 성범죄)의 취약 점수가 가장 높은 격자를 선택했다. 선택된 격자에서 실제 거리 분석을 통해 분위기 개선이 필요한 위치를 선정했다. 3개의 후보군에서 선정된 범죄 유형에 따른 그림자 조명 설치 위치는 그림 10과 같다.

Fig. 10.

After analyzing the grid with the highest vulnerability score for each crime within the three candidate groups, the shadow lighting installation location was selected considering the actual street environment