해석가능한 기계학습을 활용한 보행목적별 보행만족도 영향요인 분석

1. 보행만족도 영향요인 연구

보행 활동과 도시의 물리적 환경에 대한 다양한 연구에 비교했을 때 보행만족도에 관한 연구는 국내외적으로 많지 않다(이수기 외, 2016). 보행만족도에 관한 분석을 진행한 연구 중 서울 서베이 2013 자료를 중심으로 근린환경 특성이 보행만족도에 미치는 영향을 분석한 이수기 외(2016)의 연구에서는 보행만족도에 부정적인 영향을 미치는 물리적 환경으로 Jacobs의 경계 공백변수인 철도와 고속화 도로의 통과 여부를 제시하였으며, 경계 공백으로 작용하는 물리적 환경이 도시민의 보행만족도에 부정적인 영향을 가지고 있음을 보였다.

다중 선형회귀모형을 활용하여 Jacobs가 강조한 물리적 환경과 보행 활동 데이터 간의 관계를 분석한 Sung et al.(2015)의 연구에서는 Jacobs가 주장하였던 도시 활력에 영향을 미치는 요소 중 일부는 시간에 따라 영향을 미치는 정도가 다름을 주장하였다. 또한, 분석 결과를 바탕으로 주로 서구 국가에서 연구되고 적용되어왔던 Jacobs의 이론이 우리나라에서도 적용될 수 있음을 주장하였다.

보행목적별 보행만족도에 영향을 미치는 근린 건조환경에 대해 분석한 김창국 외(2016)는 통근 통학 목적의 보행만족도가 그 외 목적의 보행만족도보다 높다는 결과를 도출하였으며, 도시민이 만족하는 보행환경의 특성이 보행의 목적에 따라 다르다는 것을 확인하였다. 이와 비슷한 맥락에서 보행자의 지점 방문목적별 보행만족도에 영향을 미치는 가로환경 구성요소에 대해 분석한 김창국(2015)은 보행만족도에 영향을 미치는 요인이 보행의 목적에 따라 통계적으로 유의한 차이가 있다고 주장하였다. 추가적으로, 보행의 목적이 명확한 모형이 통합적인 목적의 모형보다 설명력이 높게 나타나므로 보행의 성격이 공통될수록 보행만족도에 영향을 미치는 변수들이 더 명확하게 나타난다고 주장하였다.

또한, 딥러닝과 구글 Street View API를 활용하여 가로 이미지의 보행만족도를 분석한 박근덕 외(2021)의 연구에서는 의미론적 분할 분석을 활용하여 가로 이미지에서 나타난 구성요소를 도출하고, 각 요소들이 보행만족도와 어떠한 상관관계를 보이는지 분석하였다. 분석 결과로는 가로 이미지에서 하늘, 나무, 식물 등의 비율은 보행만족도와 양(+)의 상관관계가 나타났으며, 반대로 건물, 벽, 차양 등은 보행만족도와 음(-)의 상관관계가 나타났다.

마지막으로, 머신러닝 및 컴퓨터 비전 기법을 활용하여 보행만족도에 영향을 미치는 가로의 물리적 특성을 분석한 이지윤(2021)의 연구에서는 보행만족도에 영향을 많이 미치는 가로경관의 시각적 요소로는 도로 면적 비율, 보도 면적 비율, 가로시설물 면적 비율 등이 나타났다. 따라서 보행만족도가 높은 가로를 조성하기 위해서는 보행자의 눈높이에서 경험하는 시각적 물리적 환경의 중요성을 알 수 있다.

2. 기계학습 방법론

기계학습은 머신러닝(machine learning)이라고도 불리며, 인공지능의 한 분야로 데이터의 패턴을 분석하여 알고리즘의 예측 오류를 최소화하는 수학 기법을 적용하여. 신뢰도 있게 결과를 예측하는 기법이다(권철민, 2019).

머신러닝에서는 전통적인 통계학으로 분석하기 힘든 특정 의도 없이 수집되거나 다양한 형태를 가진 자료를 분석할 수 있으며, 비선형을 보이는 변수 사이의 복잡한 상호작용을 분석할 수 있다는 장점이 있다(유진은, 2017). 따라서 최근 들어 빅데이터 시대를 맞이해 비정형 데이터를 포함한 데이터 분석을 위해 많은 연구자들이 머신러닝 알고리즘을 활용한 데이터 해석을 진행하고 있다(이지윤, 2021).

이제승·이현희(2019)의 연구는 기계학습모형을 활용하여 보행만족도 예측 모형을 제시하였다. 로지스틱 회귀모형, 인공신경망 모형, Random Forest 모형 세 개를 비교·분석한 결과 Random Forest의 예측력이 가장 좋은 것으로 제시하였다. 나아가 Random Forest 모형 변수 중요도 분석 결과를 통해 경사도, 보도 폭, 차선 수 등이 보행만족도에 중요한 요인임을 제시하였다. Parsa et al.(2020)은 머신러닝 모형을 활용하여 교통사고의 발생을 예측하고, SHapley Additive exPlanation(SHAP) 지수로 해석을 하였으며, 99%의 모형 정확도를 달성하였다. 분석 결과로는 교통 특성, 인구통계학적 특성, 토지이용 특성 등의 순으로 사고 발생확률에 영향을 미친다는 것이 도출되었다. 또한, Yang et al.(2021)의 연구에서는 머신러닝 모형 중 하나인 Gradient Boosting Decision Tree(GBDT)를 활용하여 도시 활력과 건축환경 사이의 비선형 관계를 분석하였다. 분석 결과로는 도시 활력과 지하철역까지의 거리는 비선형적인 관계가 있으며, 약 460m를 기준으로 그보다 적은 경우에는 도시 활력이 높아지지만, 이후에는 도시 활력에 영향력이 없다는 결과가 도출되었다.

이처럼 머신러닝 방법론은 비선형 관계에 대한 데이터를 효과적으로 해석하는 것이 가능하다. 또한, 최근 들어 해석 가능한 기계학습 방법론의 활용을 통해 기계학습의 블랙박스를 해석하는 것으로 연구의 영역이 넓어지고 있다. 전통 회귀 모형과 다양한 종류의 머신러닝 모형을 비교하고, R-Squared 값과 표준절대오차(MAE), 표준제곱오차(MSE)를 비교하여 가장 우수한 머신러닝 모형을 선정하여 분석에 활용하고 있다. 나아가, 해석 가능한 기계학습을 활용하여 최종적으로 선정된 모형의 블랙박스를 해석함으로써 모형의 예측력에 영향을 미치는 요소들을 도출하고 있다. 따라서 해석 가능한 기계학습 방법론은 도시의 물리적 환경을 분석하는 데 있어 활용 가능성이 높다는 것을 알 수 있다.

3. 연구의 차별성

선행연구 고찰 결과에 따른 한계점은 다음과 같다. 먼저, 기존의 전통적인 분석 방법은 기계학습에 비해 설명력이 낮음에도 불구하고 모형의 블랙박스를 해석할 수 없다는 한계점으로 인해 설명력이 낮은 전통적인 회귀분석을 활용한 연구가 주를 이루었다. 둘째, 보행 활동은 물리적 환경과 선형의 관계를 가정하기에는 더욱 복잡한 비선형 관계가 있음에도 불구하고 선행연구의 대부분은 보행만족도에 미치는 영향요인을 다중 회귀분석을 활용하여 선형관계를 전제한 상태에서 분석이 진행되었다. 셋째, 보행만족도에 영향을 미치는 요인을 보행목적을 구분하지 않고 통합적인 보행만족도에 미치는 연구가 주를 이루었으며, 보행목적을 구분하여 진행한 연구는 부족한 실정이다. 마지막으로 대부분의 선행연구에서는 하나의 독립변수가 보행만족도에 미치는 영향을 분석한 연구가 대부분이며, 독립변수의 상호작용 효과를 고려하여 분석한 연구는 부족한 실정이다.

이에 따른 본 연구의 차별성은 다음과 같다. 첫째, 기존의 전통적인 분석 방법에 비해 설명력이 높은 해석 가능한 기계학습을 활용하여 분석을 진행하였다. 둘째, 선형 관계에 국한되어 있는 대부분 선행연구의 한계점을 해결하기 위해 기계학습 모형의 블랙박스를 해석하여 설명변수와 보행만족도 간의 비선형적인 관계를 분석하였다. 셋째, 보행의 목적에 따라 도시의 물리적 환경이 미치는 영향력이 다르기 때문에 보행목적을 일상보행과 운동보행으로 구분하여 보행만족도에 영향을 미치는 물리적 환경변수를 분석하였다. 마지막으로 독립변수 간의 상호작용 효과가 보행만족도에 미치는 영향을 분석하여 보행목적별 보행만족도에 미치는 시사점을 도출하였다.

1. 분석자료

본 연구의 공간적 범위는 서울특별시이며 종속변수를 포함한 주요 변수는 2016년 9월 조혜민·이수기(2017)의 연구에서 조사한 “서울시민 사회적 자본과 보행활동 설문조사” 자료를 2차 가공하여 활용하였다. 설문조사는 서울특별시에 2년 이상 거주한 만 19세 이상 65세 미만의 성인 남녀를 대상으로 전문적인 설문조사 기관을 통해 온라인 설문조사 방식으로 실행되었다. <그림 1>은 연구의 공간적 범위인 서울특별시와 설문조사 응답자의 거주지를 분포를 나타낸다. 설문조사 응답자는 일상보행만족도의 경우 “귀하께서는 주거지역 인근에서 일상으로 걷기가 얼마나 만족스러우십니까?”라는 질문에서 1점의 경우 “매우 불만족”, 7점의 경우 “매우 만족”으로 구분하여 응답하였고, 운동보행만족도의 경우에는 “귀하께서는 주거지역 인근에서 운동으로 걷기가 얼마나 만족스러우십니까?”라는 질문의 7점 척도로 응답을 하였다.

Figure 1.

The case study area and respondents’ address locations

분석단위는 보행만족도에 미치는 도시의 물리적 환경요인이라는 본 연구의 목적에 따라 도시 물리적 환경 분석을 위한 반경은 500m 이내 보행거리 또는 보행으로 10분 정도라는 선행연구를 참고하였다(Leslie et al., 2010; 최창규 외, 2013). 따라서 설문조사 응답자의 거주지 위치로부터 반경 500m를 기준으로 한 면적과 설문조사 지점으로부터 해당 시설물까지의 최단 거리를 기반으로 설정하였다. <표 1>은 분석에 활용된 변수에 대한 정의이며, 독립 변수로는 개인 특성변수, 가로환경 특성변수, 토지이용 특성변수, 접근성 변수, 경계 공백 지대 변수로 구분하여 구축하였다. 먼저 개인 특성 변수는 설문 응답자의 성별, 나이, 일상생활 보행시간, 운동보행시간으로 구축하였다.

Table 1.

Description of variables

가로환경 특성변수는 가로환경 요소의 시각적 특성과 보행만족도와의 관계를 분석한 박근덕 외(2021)의 연구를 참고하여 보행만족도와 밀접한 관련이 있는 것으로 도출된 몇 가지 요인 중 가로환경의 건물 비율과 녹지 비율을 구축하여 활용하였다. 또한, 하늘의 비율이 보행만족도에 영향을 미칠 수 있을 것이라고 판단하여 분석 변수에 추가하였다. 가로환경의 요소별 비율을 산출하기 위해 서울시 가로경관 빅데이터 세트인 2016년 Naver Street View(NSV) 파노라마 이미지(Panorama Image) 41,140개를 구득하였다. NSV 이미지 구득은 설문조사 년도인 서울시의 2016년 도로망을 기준으로 50m 간격으로 지점을 생성하고, 각 지점별 파노라마 이미지를 구득하여 분석에 활용하였다.

이후, 이미지 내의 가로환경 요소를 추출하기 위해 컴퓨터 비전 기법의 하나인 딥러닝 의미론적 분할 기법을 활용하였다. 의미론적 분할 기법은 건물, 녹지, 하늘, 차량 등 이미지 내에 존재하는 요소를 픽셀 단위로 구분해주는 기법이다. 이러한 의미론적 분할의 모형으로는 Deeplabv3+, U-Net, PSPNet, ReSeg, FCN8s 등이 있으며, 본 연구에서는 2015년 구글의 개발 이후로 현재까지 지속적인 발전을 통해 우수한 성능을 나타내는 Deeplabv3+ 모형을 활용하였다(Chen et al., 2018). Deeplabv3+ 모형을 활용하여 의미론적 분할을 진행한 예시는 <그림 2>와 같다.

Figure 2.

An example of the 2016 NSV image semantic segmentation results

해당 모형에서는 차량, 보행자, 하늘, 녹지, 펜스, 벽, 빌딩, 보행로 도로 등 19개의 항목을 분류하였지만, 최종적으로는 앞서 설명한 바와 같이 건물, 녹지, 하늘의 비율을 분석에 활용하였다. 분할이 진행된 이미지를 대상으로 이미지 전체 픽셀 수 대비 해당 가로환경요인 이미지 픽셀 수로 계산하여 변수를 구축하였으며, 활용된 수식은 다음과 같다.

즉, 해당 가로환경요인 비율은 분류된 픽셀이 존재하지 않을 경우 0, 모든 픽셀이 해당 가로환경요인으로 분류될 경우 최대 100의 값을 가지며, 값이 클수록 해당하는 지점에서 시각적으로 보이는 요인의 비율이 높다는 것으로 해석할 수 있다(기동환 외, 2021).

토지이용 특성변수로는 주거시설 연면적, 상업시설 연면적, 업무시설 연면적을 포함하였다. 이와 더불어 주거시설, 상업시설, 업무시설의 혼합도 또한, 보행만족도에 영향을 미칠 수 있기 때문에 세 용도의 혼합도를 엔트로피 지수로 계산하여 토지이용 혼합도 변수를 구축하였다. 추가적으로 Jacobs가 도시 활력에 영향을 주는 필수적인 요소로 제시한 블록 크기도 보행만족도에 영향을 미칠 수 있기 때문에 블록의 크기를 나타낼 수 있는 교차로의 개수를 변수로 구축하여 추가하였다. 마찬가지로 다양한 연령의 건물 또한, Jane Jacobs가 언급한 도시 활력에 영향을 주는 필수적인 요소 중 하나였기 때문에 건물 연령의 표준편차와 평균값을 계산하여 변수에 추가하였다.

다음으로 일상 및 운동보행만족도에 있어 대중교통과의 접근성도 영향을 미칠 수 있다. 이수기 외(2014)의 연구는 설문조사자의 거주 지점으로부터 근거리에 위치한 다양한 활동 공간은 보행만족도에 영향을 미칠 수 있음을 시사하였다. 따라서 대표적인 대중교통인 버스정류장과 지하철역 접근성 변수를 분석에 포함하였다. 이때 접근성은 설문조사자의 거주 지점으로부터 가장 근접한 해당 교통시설과의 거리(m)를 측정하였다. 대표적인 대중교통수단인 버스정류장, 지하철 변수를 통해 도시 공간 내 주요 교통시설과의 접근성을 분석하는 데 목적이 있다.

마지막으로 경계 공백 지대(border vacuums) 특성을 설명하고자 사용된 4가지 변수는 다음과 같은 이유로 선정하였다. 우선 대규모 건물(건물 면적 상위 15%) 유무와 대규모 공원(공원 면적 상위 15%) 유무 변수는 Jacobs가 지적한 도시 내 대규모 단일용도 토지이용을 측정하는 데 목적이 있다. Jacobs에 따르면 대규모 단일용도 건물, 대규모 공원 등은 해당 지역뿐만 아니라 인접한 공간들의 보행 목적을 단일로 획일화시킬 가능성이 높기 때문에 대도시에서 이 같은 경계 공백 지대를 지양해야 함을 주장했다.

경계 공백 지대가 소매업 매출에 미치는 영향에 대해 분석한 이동엽·성현곤(2020)의 연구를 참고하여 서울시 전체 건축물들의 연면적 중 상위 15% 건축물들이 설문조사 지점으로부터 500m 반경에 있는지, 서울시 전체 공원 중 상위 15% 공원들이 설문조사 지점으로부터 500m 반경에 있는지 여부를 더미 변수로 구축하여 활용하였다.

또한, 경계 공백 지대 특성을 분석하는 데 있어 하천 또는 강은 보행자의 통행이 어려운 편도 4차선 이상의 도로, 고속도로, 지상 철도와 함께 보행을 단절시키는 요인으로 작용할 수 있다(이동엽·성현곤, 2020). 따라서 설문조사 지점 반경 500m 이내 하천이 존재하는지의 여부를 더미 변수로 구축하여 분석에 활용하였다. 이와 마찬가지로 고속도로 접근성의 경우에도 보행의 단절시키는 요인으로 작용할 수 있어, 2016년 도로망을 기준으로 고속도로, 도시 고속화도로, 고속도로 연결 램프 도로를 추출하여 설문조사 지점으로부터 반경 500m 내 유무를 더미 변수로 구축하여 활용하였다.

2. 분석 방법론

도시의 물리적 환경이 도시민의 보행만족도에 미치는 영향에 대한 대부분의 기존 선행연구 방법은 가장 보편적인 방법으로써 최소제곱법(OLS) 회귀모형을 사용하였다(이수기 외, 2016). 하지만 앞서 언급했듯이 도시의 물리적 환경은 선형의 관계로써 진단하기에는 간단하지 않다(Riggs, 2014). 따라서 보행만족도와 도시 물리적 환경과의 비선형 관계를 분석하기 위하여 인공지능의 주요 분야 중 하나인 기계학습(machine learning) 방법론이 유용하게 활용될 수 있다.

본 연구에서는 머신러닝의 여러 모형 중 보행만족도를 가장 잘 예측하는 모형을 선정하기 위해 현재 가장 많이 사용되고 있는 몇 가지 모형을 선정해 각각의 성능을 전통 회귀모형과 비교하였다. 선정된 모형은 Random Forest, Light Gradient Boost, CAT-Boost, Extreme Gradient Boost(XGBoost), Gradient Boost 모형이다. 선정된 모형들을 평가하기 위한 방법으로서 선행연구를 참고하여 주로 사용하고 있는 평가지표인 결정계수(R²), 평균제곱오차(Mean Squared Error), 평균절대오차(Mean Absolute Error)의 3가지를 활용하여 모형을 평가하였다(Chen et al., 2020; 조월 외, 2021).

이후, 각 변수의 중요성을 확인하기 위해 SHAP 방법론을 활용하여 Shapley Value(기여도)를 도출하였다. 변수의 기여도는 Global Shapley Value와 Local Shapely Value로 나누어진다. 먼저, Global Shapely Value의 경우 변수의 절댓값 크기가 큰 순서대로 차례로 배치되어 있다. 각 변수별로 Shapley 값이 양수인 경우에는 붉은색, 음수일 경우에는 푸른색으로 표현된다.

Local Shapley Value의 경우에는 Global Shapley Value를 보완하여 모형의 예측력에 대해 변수의 영향 정도를 방향 및 크기로써 표현한다(Lundberg et al., 2018). 변수의 순서는 Global Shapley Value와 마찬가지로 모형에 영향을 미치는 크기순으로 배열되며, 변수의 값이 높을수록 붉은색, 변수의 값이 낮을수록 푸른색의 점으로 나타난다. 이후 X축의 0 값을 기준으로 오른쪽은 양(+)의 관계, 왼쪽은 음(-)의 관계 방향으로 모형의 성능 평가에 기여한다.

하지만 SHAP 방법론만으로는 물리적 환경변수가 가지는 복잡한 비선형 관계는 구체적으로 설명할 수 없다는 한계가 존재한다. 따라서 PDP를 활용하여 각각의 독립변수가 보행만족도와 어떠한 연관성을 가지고 있는지 분석하였다. 따라서 기계학습모형을 기반으로 변수의 PDP 그래프를 생성하고 해당 독립변수와 보행만족도 사이의 관계를 분석하였다.

1. 기술 통계 분석

본 연구에서 사용된 변수들의 기술 통계량은 <표 2>와 같다. 종속변수는 일상보행만족도, 운동보행만족도이며 독립변수는 개인 특성, 가로환경 특성, 토지이용 특성, 접근성 특성이 해당한다. 기초통계량은 각 변수에 대한 평균, 표준편차, 최솟값, 최댓값으로 구성되어 있다. 종속변수는 일상보행만족도와 운동보행만족도이며 설문조사 항목의 1점부터 7점까지의 척도를 의미한다. 일상보행만족도의 평균은 4.71점, 운동보행만족도는 4.78점으로 두 변수 간 평균점수는 차이는 크지 않은 것으로 나타났다.

Table 2.

Descriptive statistical analysis

개인 특성 중 일상보행시간과 운동 시 보행시간은 보행목적별로 일주일 동안 보행한 시간(분)을 의미하며 일상생활 시 보행에 소요하는 평균 시간은 약 260분으로 운동 시 평균적으로 소요하는 평균 시간인 약 181분보다 높은 것으로 나타났다. 이는 운동 시 보행하는 시간보다 일상생활에서 보행하는 시간이 평균적으로 높다는 것으로 해석된다. 가로환경 특성 중 가로 빌딩의 비율이 평균적으로 가장 높게 나타났으며 녹지 비율이 가장 낮은 것으로 나타났다. 이는 본 연구의 공간적 범위가 대도시인 서울이라는 점이 반영된 것으로 보인다.

토지이용 특성 중 토지이용 혼합도는 주거, 상업, 업무지역의 토지이용 혼합도를 측정한 것으로 기술통계 분석표에 따르면 토지이용 혼합도의 평균값은 약 0.49로 나타났으며 주거건물 연면적의 평균값이 상업과 업무건물의 연면적보다 높은 것으로 나타났다. 접근성 특성은 설문조사 지점으로부터 가장 근접한 교통시설과의 거리(m)를 의미한다. 분석 결과로는 도시 내 주요 대중교통 시설인 버스정류장의 접근성의 평균거리는 120.44m로 나타났는데, 이는 지하철 접근성 평균 거리인 577.66m보다 짧아 버스정류장으로의 접근성이 더 좋은 것으로 해석된다.

마지막으로, 경계 공백 지대 변수는 고속도로의 경우에는 약 3:7의 비율로 반경 500m 내 고속도로가 존재하지 않은 경우가 훨씬 많은 것으로 나타났다. 이와 마찬가지로 대규모 공원의 경우에도 약 2:8 정도의 비율로 반경 500m 내 대규모 공원이 존재하지 않는 경우가 훨씬 많은 것으로 나타났다. 하지만 하천의 경우에는 하천이 있을 경우 45.62%, 없을 경우 54.38%로 하천의 유무가 보행만족도에 미치는 영향을 잘 설명할 수 있을 것으로 판단된다. 마지막으로 대규모 건물 연면적의 경우에는 반경 500m 이내 평균 약 0.9km²의 대규모 건물이 존재하는 것으로 나타났다.

2. 기계학습 모형

기계학습 모형 간의 설명력을 객관적으로 평가하기 위해 수집된 데이터 2,510개 중 이상치에 해당하는 일주일 평균 보행시간이 6,000분을 초과하는 데이터 6개와 가로 건물 비율이 약 94.5%인 데이터 3개를 제거한 2,501개의 데이터를 학습 데이터와 평가 데이터로 분할하였다. 이때, 학습 표본은 전체의 80%인 2,001개, 평가 데이터는 20%인 500개로 할당되었다. 이후, 과적합을 방지하기 위해 각각 모형의 학습에 영향을 미치는 주요 매개변수를 조정하였다. 최종적으로 학습 데이터를 통해 각 모형을 추정하도록 하였으며, 측정된 모형들에 대한 평가 데이터의 독립변수를 관찰한 후 종속변수인 보행만족도를 예측하도록 하였다. <표 3>은 앞서 언급한 5가지 기계학습 모형과 전통회귀모형을 평가한 결과이다.

Table 3.

Model evaluation results

<표 3>의 결과에 따르면 기계학습 모형의 평가 결과는 일반 전통적인 선형회귀 모형에 비해 좋은 성능을 보여주고 있는 것으로 나타났다. 또한, 5가지 기계학습 모형 중 Gradient Boost 모형은 일반 회귀 모형의 예측력인 10%, 15%에 비해 43%, 52%로 모형 설명력이 향상된 것을 알 수 있다. 따라서 Gradient Boost 모형이 도시 물리적 환경으로 도시민의 보행만족도를 예측할 때 가장 적절한 것으로 나타났다. Gradient Boost 모형은 경사 하강법을 활용한 모형으로서 손실함수를 정량화해주는 역할을 한다. 이러한 손실함수를 파라미터로 미분하여 기울기 값을 산출하고, 이 손실(loss) 값이 작아지는 방향으로 파라미터를 움직이게 하는 방법이다. 즉, Gradient Boost 모형은 전 단계에서 학습된 모형의 잔차를 다음 모형에서 학습하여 보완을 하는 방식의 모형이다(Friedman, 2001). 따라서 본 연구에서는 Gradient Boost 모형이 가장 적합한 모형이라고 판단하고 최종 분석에 활용하였다. Gradient Boost 모형의 주요 매개변수로는 모형의 최대 깊이를 설정하는 max_depth, weak learner의 개수를 조정하는 n_estimators, 모형이 학습을 진행할 때마다 학습률 조정을 위해 적용하는 learning_rate, weak learner가 학습에 사용하는 데이터 샘플링의 비율을 조정하는 subsample 등이 있다. 본 연구에서 최적화된 매개변수의 값을 찾기 위해 Grid Search의 방식을 활용하였다. 조정한 매개변수의 값은 일상 및 운동보행만족도 모두 max_depth=15, n_estimators=1000, learning_rate=0.01, subsample=0.6으로 설정하였다.

3. 변수의 기여도 분석

<그림 3>과 <그림 4>는 본 연구에서 활용한 Gradient Boost 모형에 대한 Global Shapley Value와 Local Shapley Value에 대한 결과이다. Global Shapley Value에서 붉은색으로 표현된 변수일 경우에는 보행만족도와 양(+)의 관계를 가지고 있음을 뜻하며, 반대로 푸른색으로 표현된 변수의 경우에는 보행만족도와 음(-)의 관계를 가지고 있음을 뜻한다(그림 3, 4). 본 연구에서 활용된 기계학습 모형인 Gradient Boost 모형을 기반으로 모형을 학습시키고, 플롯을 구성하는 점들은 각각 하나의 설문조사 응답 데이터 및 독립변수 데이터, 즉 입력 데이터 샘플 값이며, 여러 개의 점들이 모여 오른쪽이나 왼쪽으로 만드는 긴 꼬리 모양은 특정 개인에게 극단적인 측정값이 중요할 수 있음을 뜻한다(Lundberg et al., 2018; 이지윤, 2021).

Figure 3.

Importance of each variable derived by ‘SHAP’ on the daily walking satisfaction

Figure 4.

Importance of each variable derived by ‘SHAP’ on exercise walking satisfaction

분석 결과 일상보행만족도와 운동보행만족도 두 경우 모두에서 보행시간 및 도시의 물리적 환경이 모형의 예측력에 큰 영향을 미치고 있음을 알 수 있었다. 이후, 물리적 환경의 경우에는 일상보행만족도의 경우 교차로 개수, 건물 연령 다양성, 토지이용 혼합도 등의 순으로 영향을 미치고 있었으며, 운동보행만족도의 경우에는 교차로 개수, 지하철 접근성, 건물 연령 다양성 등의 순으로 모형의 설명력에 영향을 미치고 있었다.

특히 교차로 개수의 경우에는 Local Shapley Value 값을 보았을 때 높은 값을 가지는 붉은색의 점들이 음(-)의 방향으로 길게 나타났다. 이는 교차로의 개수가 많을수록 즉, 블록의 크기가 작을수록 보행만족도에 매우 부정적인 영향을 미친다는 것을 알 수 있다. 이는 가로활력과 관련하여 Jacobs(1961)가 언급했던 작은 크기의 블록과는 반대의 결과이며, 블록의 크기가 작을수록 교차로의 횡단 등으로 인한 보행의 연속성을 저해하기 때문이라고 판단된다. 또한, 건물 연령 평균과 건물 연령 다양성 변수도 일상보행만족도와 운동보행만족도 두 경우 모두에서 음(-)의 관계가 나타났다. 건물 연령의 다양성이 낮을수록, 건물 연령 평균이 낮을수록 보행만족도가 높아지며, 건물 연령의 영향력이 보행만족도에 미치는 정도가 크게 나타났다.

토지이용 혼합도를 살펴보면 Global Shapley Value의 경우에 일상보행만족도와 운동보행만족도 두 가지 경우 모두에서 음(-)의 관계가 있는 것으로 도출되었다. 그러나 Local Shapley Value의 경우에는 붉은색 점과 푸른색 점이 혼합된 정도가 높은 것으로 보아 비선형 관계가 있음을 시사한다. 이와 관련하여 상업시설 연면적과 업무시설 연면적의 경우에도 운동보행만족도와 일상보행만족도 모두에 음(-)의 관계를 가지는 것으로 나타났다. 특히, 상업시설 연면적의 경우에도 Local Shapley Value의 붉은색 점과 푸른색 점이 혼합되어 나타나는 것으로 보아 비선형 관계가 있음을 알 수 있다.

경계 공백 지대 변수의 경우에는 대부분 변수가 보행만족도에 미치는 영향이 적은 것으로 나타났다. 먼저 일상보행만족도의 경우 대규모 건물 연면적, 고속도로 유무, 하천 유무, 대규모 공원 유무의 순으로 변수의 영향력이 큰 것으로 도출되었다. 대규모 공원 유무를 제외한 대규모 건물 연면적, 고속도로 유무, 하천 유무의 경우에는 일상보행만족도와 양(+)의 관계를 가지는 것으로 나타났다. 이는 고속도로, 대규모 공원, 하천이 있을 경우 보행만족도가 높다는 것을 뜻한다. 이러한 결과는, 가로활력과 관련된 Jacobs의 주장과 상충하는 부분이 있지만, 그래프에서 붉은색 점과 푸른색 점의 혼합도가 높은 것을 보아 비선형 관계를 가지고 있는 것으로 판단된다.

운동보행만족도의 경우에는 대규모 건물 연면적, 하천 유무, 고속도로 유무, 대규모 공원 유무 순으로 변수의 영향력이 높은 것으로 도출되었다. 하천 유무와 고속도로 유무의 경우에는 양(+)의 관계를 가지는 것으로 나타났으며, 대규모 건물 연면적과 대규모 공원 유무의 경우에는 음(-)의 관계를 가지는 것으로 나타났다. 하천과 고속도로가 있을 경우 보행만족도가 높아지며, 대규모 건물 연면적이 작을수록, 대규모 공원이 없을 경우 보행만족도가 높아짐을 의미한다. 대규모 건물 연면적의 경우 운동보행만족도에서 변수 기여도 상위를 차지하고 있어 우선적인 제어가 필요할 것으로 판단된다. 하지만, 나머지 경계 공백 지대 변수의 경우에도 일상보행만족도와 마찬가지로 변수의 중요도가 낮아 향후 추가적인 연구가 필요할 것으로 예상된다.

4. PDP를 활용한 비선형 관계 분석

<그림 5>는 Gradient Boost 모형을 기반으로 변수의 Partial Dependence Plot(PDP) 그래프를 생성한 결과이다. X축은 해당 독립변수의 값이며, Y축은 보행만족도를 나타낸다. 전체적으로 대부분의 물리적 환경변수와 보행만족도 사이에는 비선형적인 연관성이 있는 것으로 도출되었다. 먼저, 교차로 개수와 토지이용 혼합도의 경우에는 일상보행만족도와 운동보행만족도에서 비슷한 형태의 결과가 도출되었다. PDP 그래프는 앞서 분석한 Local Shapley Value에서 붉은 점과 푸른 점의 혼합도가 높아 비선형적 관계가 있을 것으로 판단되는 변수를 중심으로 결과를 도출하였다.

Figure 5.

Partial Dependence Plot (PDP) analysis results of walking satisfaction

앞선 Shapley Value 해석에서 언급했던 것처럼 교차로의 개수가 많을수록 보행만족도는 낮아지는 것으로 나타났다. 토지이용 혼합도의 경우에는 일정한 수준을 유지하다가, 약 0.4~0.6 정도의 값에서 최댓값을 나타낸 후 점점 보행만족도가 감소하는 비선형 관계가 나타났다. 이러한 패턴은 일상보행만족도와 운동보행만족도에서 유사하게 나타났다. 이는 적당한 수준의 토지이용 혼합도가 일상 및 운동보행만족도에 긍정적인 영향을 미치고 있음을 시사한다. 건물 연령 다양성의 경우에는 다양성이 높을수록 보행만족도는 감소하는 결과가 도출되어 노후 건물의 재정비 및 외관 개선은 도시민의 보행만족도에 긍정적인 효과가 있을 것으로 판단된다.

대규모 건물 연면적의 경우에는 일상보행만족도에 유의한 영향을 미치지 않았지만, 운동보행만족도의 경우에는 500미터 반경안에 대규모 건물 연면적이 0.6km² 이하일 때 보행만족도가 가장 높게 나타났다. 주거시설 연면적의 경우 보행목적에 따라 차이가 있는 것으로 나타났다. 주거시설 연면적이 약 0.6km² 이상일 때 일상보행만족도는 높게 나타났지만 운동보행만족도는 꾸준히 감소하는 형태로 나타났다. 이는 운동 목적의 보행은 주거시설의 연면적이 적을수록 보행만족도가 높다는 것을 의미한다. 상업시설 연면적의 경우에는 일상보행만족도와 운동보행만족도 사이에 반대의 결과가 도출되었다. 먼저 일상보행만족도의 경우에는 상업시설 연면적이 높을수록 보행만족도가 높아지는 형태를 나타내다 약 0.2km²를 기점으로 서서히 낮아지는 결과가 도출되었다. 반면, 운동보행만족도의 경우에는 상업시설 연면적이 높아질수록 보행만족도는 점점 감소하는 형태를 보여 운동 시에는 상업시설의 연면적이 보행만족도에 부정적인 영향을 미친다는 점을 시사한다.

가로 건물 비율의 경우에는 일상보행만족도의 경우 일정한 수준을 보이다 약 30%를 넘어서면서부터 보행만족도가 급격하게 증가하는 형태를 보이고 있다. 하지만 운동보행만족도의 경우에는 건물의 비율이 약 30% 정도일 때 보행만족도가 가장 높다는 결과가 나타났으며, 적당한 정도의 건물 비율이 운동 시 보행만족도에 긍정적인 영향을 미칠 수 있음을 시사한다. 마지막으로 녹지 비율의 경우에는 일상보행만족도의 경우 어느 정도 일정한 수준을 유지하다가 녹지 비율이 약 15%일 때 보행만족도가 가장 높음을 알 수 있다. 하지만 운동보행만족도의 경우에는 녹지 비율이 높을수록 보행만족도는 높아지는 경향을 보이다가, 녹지 비율이 약 7.5%를 넘어서면서부터는 보행만족도가 급격하게 감소하고 있음을 알 수 있다. 따라서 이는 일상생활의 경우에는 녹지의 비율이 높을수록 보행만족도는 높아지지만, 운동 시에는 약 7.5% 정도의 적당한 녹지 비율이 보행만족도에 긍정적인 영향을 미치고 있음을 시사한다. 이는 건물 비율이 높을수록 보행만족도가 감소하며, 녹지 비율이 높을수록 보행만족도는 높아진다는 박근덕 외(2021)의 연구와는 달리 건물과 녹지의 비율은 보행의 목적에 따라 보행만족도와 비선형적인 관계가 있음을 시사한다.

5. 상호작용 효과 분석

다음 <그림 6>은 독립변수의 상호작용 효과에 대한 보행만족도와의 관계를 그래프로 나타낸 결과이다. 상호작용 효과는 토지이용 혼합도와 상업시설 연면적, 대규모 건물 연면적과 주거시설 연면적, 가로 녹지 비율과 가로 건물 비율의 세 가지 조합에 집중하여 분석하였다. 우선 토지이용 혼합도와 상업시설 연면적 조합의 경우 상업시설의 연면적에 따른 토지이용 혼합도가 일상 및 운동보행만족도에 미치는 영향을 분석하기 위해서 선정하였다. 두 번째, 대규모 건물 연면적과 주거시설 연면적 조합의 경우 주거 연면적 수준에 따른 대규모 건물 연면적이 경계 공백의 역할을 하여 일상 및 운동보행만족도에 미치는 영향을 분석하기 위해 선정하였다. 마지막으로 가로 건물 비율과 녹지 비율의 상호작용은 일상보행만족도와 운동보행만족도에 서로 다른 영향을 미칠 것으로 판단되어 선정하였다.

Figure 6.

Interaction effect of built environmental variables on walking satisfaction by purpose

먼저, <그림 6>의 (a)와 (a’)는 토지이용 혼합도와 상업시설 연면적과의 관계가 보행만족도에 미치는 영향을 나타낸 결과이다. 토지이용 혼합도의 경우에는 앞선 PDP 결과와 같이 일상보행만족도와 운동보행만족도 모두 약 0.4~0.6 범위의 토지이용혼합도 수준일 때 보행만족도가 높게 나타났다. 하지만 비슷한 수준의 토지이용혼합도에서도 상업시설 연면적이 클수록 일상보행만족도는 높아지는 형태였으며, 이와 반대로 운동보행만족도는 상업시설 연면적이 작을수록 높아지는 형태를 나타내고 있다. 이는 일상보행 시에는 상업시설 연면적이 높은 수준의 적당한 토지이용 혼합도에서 보행만족도가 높으며, 운동 시에는 그 반대의 경우일 때 보행만족도가 높아 같은 토지이용 혼합일지라도 보행목적에 따라 혼합되는 비율을 다르게 해야 함을 시사한다.

두 번째, <그림 6>의 (b)와 (b’)는 주거시설 연면적과 대규모 건물 연면적이 보행만족도에 미치는 영향에 대한 그래프이다. 먼저, 일상보행만족도의 경우에는 대규모 건물과 주거시설 연면적이 높을수록 보행만족도는 높다는 결과가 도출되었다. 이와는 반대로, 운동보행만족도에서는 대규모 건물과 주거시설 연면적 모두 작을수록 보행만족도는 높다는 결과가 도출되었다. 이는 일상생활에서는 대규모의 주거시설이 많이 분포할수록 보행만족도는 높아지며, 반대로 운동 시에는 주거시설 연면적이 높은 지역일수록 보행만족도가 감소하는 것을 의미한다.

마지막으로, <그림 6>의 (c)와 (c’)는 가로 녹지 비율과 가로 건물 비율이 보행만족도에 미치는 영향에 대한 그래프이다. 먼저 일상보행만족도의 경우에는 가로녹지 비율이 약 15%, 가로 건물 비율이 높을수록 보행만족도는 높다는 결과가 도출되었다. 이는 일상보행 시 적절한 수준의 녹지와 보행목적의 다양성을 높일 수 있는 건물의 비율이 높을수록 만족도가 높음을 시사한다. 운동보행만족도의 경우에는 가로녹지 비율이 약 7.5%, 가로 건물 비율이 약 30%의 적당한 비율일 때 보행만족도가 가장 높다는 결과가 도출되었다. 이는 무조건적으로 많은 양의 녹지 또는 건물의 비율을 높이는 것은 보행의 목적에 따라 오히려 부정적인 역할을 할 수 있으며, 적정 수준의 비율이 보행만족도에 긍정적인 영향을 미친다는 것을 시사한다.