Current Issue

도시활력(Urban Vitality)은 도시의 질을 평가하는 중요한 요소 중 하나이다. 활력이 있는 도시 공간은 사회적 교류와 지속가능한 도시를 만드는 데 도움이 된다(Sulis et al., 2018). 도시 이론가인 Jacobs(1961)에 따르면, 도시활력은 사람의 활동과 근린환경의 상호작용을 통해서 일어난다고 설명하였다. Lynch(1981)는 주민의 다양한 수요를 충족시킬 수 있는 안전한 도시환경과 형태가 도시활력에 영향을 미칠 수 있다고 하였다. 또한, Long and Zhou(2016)는 가로의 활력은 사회적 활력을 의미하며, 가로의 물리적 공간 자체는 활력을 만들어내지 못하지만, 사람들이 활동하는 사회적 공간이 될 때 가로활력이 생긴다고 하였다.

이에 따라, 물리적 환경과 도시활력과의 관계에 관한 연구는 그동안 여러 연구자에 의해 진행되었다. 그러나 대부분의 연구에서 분석자료의 한계로 도시활력과 관련된 연구는 소규모 관찰연구로 진행된 한계점이 있다. 특히, 현장조사와 관찰조사는 샘플 수도 제한적이고 많은 시간이 소요되기 때문에 도시 빅데이터를 적극적으로 활용하여 도시활력을 정량화하는 연구가 증가하고 있다(He et al., 2018; Yue et al., 2019; Liu et al., 2020).

또한, 기존연구는 도시 근린환경 특성을 정량화하여 도시활력에 대한 근린환경 특성의 상대적 중요성을 평가하고 있다(Sung and Lee, 2015; Sung et al., 2015; Ye et al., 2018). 그러나 대부분의 연구는 도시활력에 영향을 미치는 요인과의 선형관계 분석에 초점을 맞추고 있어 비선형관계를 설명하는 데 한계를 가지고 있다. 최근 비선형관계 분석에 대한 전통적인 회귀분석의 한계를 극복하기 위해 기계학습(Machine Learning) 방법론이 활용되고 있다(Scepanovic et al., 2021; Yang et al., 2021).

따라서 본 연구는 도시 공간 빅데이터와 설명 가능한 인공지능(eXplainable Artificial Intelligence, XAI) 기법을 활용하여 도시활력에 영향을 미치는 근린환경 특성을 도출하고자 한다. 특히, 도시활력에 영향을 미치는 환경 요인의 비선형적 임곗값을 규명함으로써, 특정 임곗값을 기준으로 도시활력 증진을 위한 정책적 시사점을 제시할 수 있다. 이를 통해 본 연구는 도시활력 제고를 위한 실효성 있는 도시계획 및 정책 수립을 위한 과학적 근거를 제공하고, 도시활력 증진과 사회적 교류 활성화를 위한 공간적 전략을 도출하는 데 기여하고자 한다.

도시활력은 사회적인 개념으로 다양한 의미를 가지고 있다. 도시활력은 “사회, 경제활동을 충족시킬 수 있는 도시의 중요한 요소”(Jacobs, 1961), “상업, 유흥시설이 많고 보행인구가 밀접한 지역의 특성”(Maas, 1984), “다양한 만남과 활동이 일어나는 장소의 특성”(Montgomery, 1998) 등으로 다양하게 정의되고 있다. 대부분의 도시활력 관련 연구를 살펴보면 유동인구나 생활인구의 집중으로 사람들의 활동이 활발하게 일어나는 정도를 도시활력으로 정의하고 있음을 알 수 있다.

이와 같은 다양한 도시활력의 개념을 정량적으로 측정하기 위해서 다양한 요인들이 활용되고 있다. 구체적으로 도시활력을 측정하기 위한 지표로 음식점 리뷰 개수(Yue et al., 2019), 카드매출(Kim, 2018), 야간 조명(Zhou et al., 2023) 등이 활용되었다.

그리고 최근 스마트폰 기반 빅데이터를 가지고 도시활력을 대표하는 논문들이 증가하였다(Jacobs-Crisioni et al., 2014; Long and Zhou, 2016; Tang et al., 2018; Li et al., 2020). Jacobs-Crisioni et al.(2014)의 연구는 스마트폰 데이터를 기반으로 토지이용의 혼합 정도가 도시활력에 미치는 영향을 분석하였고, Long and Zhou(2016)의 연구는 스마트폰 데이터를 가지고 가로의 활력에 영향을 미치는 요인을 분석하였다. 특히, Tang et al.(2018)의 연구는 스마트폰 기반 빅데이터가 도시활력에 있어 두 가지 장점을 가지고 있다고 언급하였다. 첫 번째 장점은 지리 위치로 통계된 스마트폰 데이터는 미시적인 시간 및 다양한 공간 척도에서 인구의 분포를 반영할 수 있다는 것이다. 두 번째 장점은 스마트폰 데이터가 전체 사용자를 포함하기 때문에 넓은 공간을 고려할 수 있고 도시활력의 시간적, 공간적 변화를 반영할 수 있다고 하였다.

한편, 국내에서도 스마트폰 기반 생활인구를 활용하여 도시활력을 측정하는 연구가 증가하고 있는 추세이다(이지혜·김형중, 2019; 조월 외, 2021). 구체적으로 조월 외(2021)는 가로활력 대리변수로 생활인구를 사용하여 토지이용 현황과 건조환경 요인이 가로활력에 미치는 영향을 서울시 집계구 단위에서 분석하였다. 또한, 정재훈·남진(2019)은 서울시 2017년 생활인구 빅데이터를 활용하여 서울시 행정동 단위를 기준으로 도시공간 내 생활인구의 시계열적 패턴을 유형화하고, 각 유형의 지역 특성을 파악하였다. 분석 결과, 서울의 생활인구는 공간 범위와 시간대에 따라 다른 패턴을 갖고 있으며, 이를 바탕으로 인구의 활동을 측정하기 위해 생활인구 빅데이터가 유용하게 활용될 수 있다는 시사점을 제시하였다. 이처럼, 생활인구 데이터는 도시활력을 측정하는 데 있어 적합한 자료인 것을 알 수 있다.

도시활력 영향요인에 대한 대표적인 이론은 Jacobs(1961)에 의해 제시되었다. Jacobs는 가로활력을 제고하기 위한 네 가지 조건으로 적절한 밀도, 작은 블록 구조, 토지이용의 혼합 정도, 오래된 건물의 중요성 등을 제시하였다. 이러한 관점은 이후 많은 연구에서 도시활력에 미치는 물리적 환경 특성의 중요성을 강조하는 근거가 되었다(Montgomery, 1998).

최근에 이루어진 도시활력 관련 실증연구도 물리적 환경에 초점을 두고 있으며, 주로 토지이용 특성(임하나 외, 2016; Wu et al., 2018b), 교통환경 특성(Wu et al., 2018a; 곽호찬 외, 2018), 가로형태(Yue et al., 2019), 도시형태 특성(Buchanan, 1988), 공공시설의 접근성 등 다양한 관점에서 연구가 이루어졌다. 특히, 토지이용 특성변수는 대부분의 연구에서 도시활력과 밀접한 관련이 있음을 보이고 있다. 그러나 넓은 범위에서 주거, 상업, 업무 등의 토지이용 연면적 지표에 집중하고 있어 구체적으로 어떤 토지이용 시설이 도시활력과 밀접한 관련이 있는지 제시하는데 한계가 있다. 이러한 맥락에서 최근 구체적인 토지이용 유형을 대변하는 Point-of-Interest(POI) 자료를 분석에 활용하고 있다(He et al., 2018; Liu et al., 2020).

나아가 최근 가로경관 이미지 빅데이터와 기계학습 딥러닝(Deep Learning) 기술의 발전으로 정량화된 가로경관 이미지 자료가 보행환경 관련 실증연구에 활용되고 있다(Wang and Vermeulen, 2020; Ma et al., 2021). 예를 들면, Wang and Vermeulen(2020)은 가로경관 이미지를 활용하여 도로 비율, 표지판 비율이 높은 곳이 보행보다는 자동차 통행이 많기 때문에 도시 활력이 낮게 나타나는 것으로 설명하였다.

한편, 도시활력을 분석하기 위해 다양한 연구방법론이 이루어졌다. 도시의 근린환경 요소가 도시활력에 미치는 영향에 대해 수행된 대부분의 기존 연구방법은 보편적인 방법으로 최소제곱법(Ordinary Least Square: OLS) 회귀모형을 사용하고 있다. 그러나 실제 근린환경과 도시활력과의 관계는 비선형관계(Non-linear Relationship)가 많이 도출되고 있다(Ding et al., 2018; Tao et al., 2020; Yang et al., 2021). 전통적인 회귀 분석 방법론은 이차 함수 이상의 비선형적 관계를 분석하는 데 한계를 가지고 있다. 도시활력에 영향을 미치는 독립변수의 비선형 관계를 고려하지 못하면 도시활력 증진을 위한 구체적인 정책개발 방향을 제시하는 데 한계가 있을 수 있다(Wu et al., 2019). 최근, 도시활력을 분석한 Yang et al.(2021)의 연구는 도시활력에 영향을 미치는 근린환경 요소가 비선형적인 임곗값을 가지고 있다고 주장하였다. 이는 일부 변수의 경우 임곗값을 초과할 때만 도시활력과 연관이 있고, 특정 변수는 임곗값 범위 내에 있을 때만 연관성을 가질 수 있음을 의미한다. 이러한 측면에서 도시활력에 영향을 미치는 요인을 분석하는 데 있어 선형관계보다 변수간의 비선형관계 분석이 중요하다고 볼 수 있다.

도시활력과 설명변수 간의 비선형관계를 반영하기 위하여 인공지능의 주요 분야 중 하나로 기계학습(Machine Learning) 방법이 유용하게 활용될 수 있다. 최근 기계학습으로 독립변수와 종속변수 간의 비선형관계를 분석하고자 하는 연구는 다양한 분야에서 진행되었다(Wang et al., 2014; Gan et al., 2020; Yan et al., 2020; Yang et al., 2021). 전통적인 OLS 회귀분석 방법론은 분석 변수나 오차항의 분포, 변수 간의 다중공선성 등과 관련하여 엄격한 가정을 전제로 하고 있다. 반면, 기계학습 방법론은 이러한 가정을 전제로 하고 있지 않아 다양한 변수를 모형에 고려할 수 있으며 비선형관계 분석에도 장점을 가지고 있다.

선행연구 고찰을 통해 기존 도시활력에 대해 연구의 한계점은 다음과 같이 정리할 수 있다. 첫째, 도시활력의 연구 방법에 있어 대다수의 선행연구는 전통적인 선형회귀 모형을 사용했다. 선형 회귀 모형은 종속변수와 독립변수의 선형적인 관계를 가질 것으로 가정한다. 하지만, 실제 도시활력에 영향을 미치는 도시환경 요인은 선형적으로 설명하는 데 한계가 있을 수 있으며, 선형적 관계를 가정할 때 분석 결과가 왜곡될 수 있다. 따라서 본 연구는 기계학습을 활용하여 도시활력과 근린 환경 요인 간의 비선형 관계를 분석하고, 특정 변수의 임곗값을 규명함으로써 도시활력 증진을 위한 도시계획적 시사점을 도출하고자 한다.

둘째, 기존에 기계학습으로 도시활력에 영향을 미치는 요인을 분석한 연구는 기계학습의 블랙박스(Black Box) 구조 때문에 어떤 근린환경 요인이 영향을 미쳤는지 확인할 수 없는 한계가 있다. 따라서 본 연구는 다양한 모형과 비교뿐만 아니라 기계학습 모형을 해석할 수 있는 SHapley Additive exPlanations(SHAP)로 기계학습 모형의 결과를 해석하고자 한다. 이를 통해 도시활력에 영향을 미치는 요인의 상대적 중요도를 평가하고, 그 영향이 어떻게 변화하는지에 대한 설명 가능성을 높이고자 한다. 이런 방법은 근린 환경 설계 및 정책 수립에 대한 실질적 가이드라인을 제시할 수 있을 것으로 기대된다.

마지막으로 비선형 관계를 고려한 기존 연구들도 존재하지만, 대부분은 변수 간 관계를 확인하는 데 초점을 맞췄으며, 특정 요인의 임곗값을 규명하는 데 구체적 분석이 부족했다. 그러나 정확한 임곗값을 도출하는 것은 도시활력 증진을 위한 정책개발 측면에서 매우 중요하다. 따라서 본 연구는 SHAP 기법을 활용하여 도시의 근린환경이 도시활력에 미치는 영향을 분석하고 비선형적 변화 패턴을 분석하고, 특정 임곗값을 규명함으로써 정책적인 시사점을 제시하고자 한다.

본 연구는 서울 열린데이터광장에서 제공하는 서울시 생활인구 데이터를 도시활력 지표로 활용하였다. 도시활력 분석모형은 전통적인 회귀분석 모형과 기계학습 모형으로 구축하고 모형 간의 비교를 통해 가장 설명력이 높은 모형을 도출하였다. 도시활력 설명변수의 중요도와 비선형 관계를 파악하기 위해, 최종 모형에 SHAP 방법론을 활용하여 분석하였다.

본 연구의 공간적인 범위는 <그림 1>과 같다. 구체적으로는 서울특별시 25개 자치구에 분포된 17,196개¹⁾ 집계구를 기본적인 공간분석 단위로 사용하였다. 또한, 연구의 시간적 범위는 COVID-19가 발생하기 이전인 2019년 1월 1일 9시부터 2019년 12월 31일 18시까지 1년간의 생활인구 데이터를 사용하였다.²⁾ 이에 따라, 집계구 수준의 설명변수에 관한 자료의 시점은 대부분 2019년 자료를 활용하였지만, 일부 물리적 환경변수는 1년 사이 큰 변화가 없었다는 전제하에 2020년 자료를 분석에 활용하였다.

Figure 1. 
The boundaries of administrative ‘gu’ and ‘jipgyegu’

본 연구에서 사용한 분석변수의 구체적인 설명과 데이터 출처는 <표 1>과 같다. 연구의 종속변수는 서울 열린데이터광장에서 제공되는 생활인구 데이터를 이용하여 집계구별 낮 시간대의 일평균 생활인구 수를 산출하였다. 독립변수로는 서울 열린데이터광장, 도로명주소 DB, 카카오맵과 Naver Street View(NSV) 자료를 활용하여 토지이용 특성, POI시설 특성, 교통 특성 그리고 시각적으로 보이는 보행환경 특성을 선정하였다.

도시활력은 사람들의 다양한 활동으로 생겨나는 개념이기 때문에, 이러한 개념적 특성을 바탕으로 실시간 스마트폰 기반으로 집계된 생활인구 수를 도시활력 대리변수로 사용하였다. 종속변수인 ‘도시활력’의 조작적 정의는 서울시 생활시간조사 데이터와 낮 시간대의 활동 인구를 고려하여 집계구 단위로 낮 시간대(9시-18시)의 주중, 주말 생활인구의 시간대별 평균으로 정의하였다. 구체적으로 서울시 열린데이터광장에서 제공하고 있는 2019년 1월 1일부터 2019년 12월 31일까지 1년간 서울시 생활인구 데이터 자료를 활용하였다. 서울시의 생활인구 추계 매뉴얼에 따르면, 생활인구는 “조사 시점 현재 서울에 머무르고 있는 현재인구로 서울에 주소지를 둔 사람은 물론 업무, 관광, 의료 및 교육 등 일시적으로 서울을 찾아 행정수요를 유발하는 인구를 총칭하는 인구를 말한다”로 정의되고 있다(서울특별시, 2018, p.6).

본 연구에서 활용한 독립변수는 크게 토지이용 특성, POI시설 특성, 교통 특성, 그리고 보행환경 특성으로 나누어 구성하였다(<표 2> 참조). 독립변수 중 토지이용 특성 변수의 경우 인구 분포와 보행활동에 영향을 미칠 수 있는 중요한 변수이다(Jacobs, 1961). 토지이용 특성 변수는 도로명주소 DB에서 제공되고 있는 건축물 데이터를 활용하여 구축하였다. 선행연구를 참조하여 집계구별 주거시설 연면적 밀도, 상업시설 연면적 밀도, 업무시설 연면적 밀도로 계산하여 구축하였다(이수기 외, 2016; 임하나 외, 2016; 조월 외, 2021). 또한, 토지이용 혼합도는 엔트로피 지표의 개념을 활용하였다. 토지이용 혼합도는 0에서 1 사이의 값을 가지며, 1에 가까울수록 해당 집계구에서 토지이용의 혼합 정도가 높음을 의미하고, 서울의 경우 평균 0.30의 수치로 나타났다.

다음으로 POI 데이터를 활용하여 POI시설 변수를 구축하였다. POI시설 변수는 선행연구에서 주로 사용했던 주거, 상업, 업무 등 대분류 토지이용 변수의 한계를 보완할 수 있다. 특히 사람들의 활동과 밀접한 관련을 가지는 토지이용시설의 공간적인 집중을 대변할 수 있는 장점이 있다. POI시설 변수는 카카오맵을 통해 구득하였으며, 서울시 전체 약 428,668개의 POI시설 데이터를 분석에 활용하였다. POI시설 데이터는 지도에 미시적으로 표시하는 지점 단위의 공간 데이터로, 시설물, 지하철, 호텔, 음식점 등의 종류를 확인할 수 있고, 시설의 경위도, 시설 종류, 시설 명칭 등 정보를 포함하고 있다. 한편, POI시설 데이터는 한 건물에 하나의 주 용도를 대표하는 전통적인 토지이용 데이터보다 건물 단위에서 다양한 용도의 시설을 더 세분화하여 측정할 수 있는 장점을 가지고 있다(Wu et al., 2018b).

<표 3>은 POI시설의 종류와 종류별 차지하는 POI 현황을 포함하였다. 기본적으로 카카오맵에서 제공하는 분류를 활용하였으며 이 중에 도시활력과 관련이 없는 POI는 분석에서 제외하였다. 분석대상 지역의 POI시설 현황을 살펴보면 편의, 산업, 음식점과 교육 시설이 차지하는 비율이 상대적으로 높게 나타났다. 또한, 데이터를 구득한 시점은 2020년 6월부터 8월까지이며, 각 시설은 집계구별 밀도로 계산하였다. <그림 2>는 서울시 성동구 왕십리 지역을 예시로 카카오맵에서 POI시설의 종류와 공간적 분포를 나타낸 그림이다. 그림을 보면 한 건물에서 다양한 시설을 확인할 수 있고, 이를 통해 POI시설 데이터는 건물의 세부적인 이용을 대표할 수 있음을 알 수 있다.

Figure 2. 
POI types and spatial distribution (Example of Wangsimni area in Seoul)

교통 특성 변수는 집계구별 지하철역까지의 거리, 교차로 수와 버스정류장 수를 고려하였다. 우선 서울열린데이터광장에서 제공되는 교차로 데이터와 지하철역 위치자료 그리고 버스정류소 위치 데이터를 활용하였다. 각 집계구 중심점에서 가장 가까운 지하철역까지의 거리를 계산하였고, 집계구의 면적을 고려해 교차로 수의 밀도와 버스정류장 수의 밀도를 계산하였다.

마지막으로 본 연구에서는 보행환경 요소를 산출하기 위해 가로경관 빅데이터인 NSV 파노라마 이미지를 네이버 지도에서 API를 이용하여 구득하였다. 우선, NSV 파노라마 이미지를 구득하기 위해 Open Street Map(OSM) 도로망 데이터를 따라 10m 간격으로 지점(Point)을 생성하였으며, 해당 지점들을 대상으로 경위도 좌표(WGS84)를 산출하였다. 이후 산출된 경위도 좌표와 API를 활용하여 개별 지점들에 대한 629,467장 NSV 파노라마 이미지를 구득하였다. 또한, 본 연구가 활용하고자 하는 NSV 이미지의 경우, 계절 요인과 다른 변수와의 구축 시점을 고려해 2020년 4, 5, 6월 이미지를 사용하였다.

구득한 NSV 이미지를 가지고 딥러닝 의미론적 분할 기법(Semantic Segmentation)을 통해 보행환경의 경관 요소를 도출하였다. 의미론적 분할은 픽셀 단위로 각 픽셀의 이미지 구성요소가 어떤 요소인지 구별할 수 있는 기법이다. 의미론적 분할 기법은 다양한 모형이 존재하지만 본 논문은 벤치마크(Benchmark)에서 높게 나타나는 모형(OCRNet+HRNet48)과 ADE20K 데이터 세트를 사전 학습한 모형을 활용하여 분석하였다. 의미론적 분할 기법으로 도출된 NSV 파노라마 이미지의 예시 사진은 <그림 3>과 같다. 본 논문에 사용되는 녹시율(Green View Index: GVI) 변수는 식 (1)과 식 (2)와 같이 이미지 전체 픽셀 수 대비 녹지로 분류된 이미지 픽셀 수로 나타낼 수 있으며, 3차원 공간에서 인지되는 녹지의 양을 의미한다(Li et al., 2015). 본 분석에서 사용한 ADE20K 데이터 세트의 Tree, Grass, Plant 비율의 합계를 활용하여 녹시율로 구축하였다. 즉, 이미지 내 녹시율로 분류된 픽셀은 0에서 100 사이의 값을 가지며, 그 값이 클수록 해당 지점에서 시각적으로 보이는 녹지의 비율은 높다는 것을 의미한다(Ki and Lee, 2021). 또한, 동일한 방법으로 가로경관 이미지에 포함된 보행로 비율을 측정하여 분석에 활용하였다.

Figure 3. 
Naver panorama image and deep learning semantic segmentation result

(1)

(2)

도시활력을 대표하는 생활인구의 분석모형은 Python 기계학습 관련 라이브러리(Library)인 Scikit-learn을 활용하였다. 모형간의 예측력을 객관적으로 비교하기 위해 수집된 전체 표본 17,196개는 학습 표본과 평가 표본으로 분할하였다. 이때 학습 표본은 전체의 80%인 13,756개, 평가 표본은 20%인 3,440개로 할당하였다. 구체적인 분석 순서는 먼저 학습 표본을 통해 각 모형을 학습하였으며 학습한 모형들에 대해 평가 표본들의 속성값(독립변수)을 통해서 생활인구 수를 예측하여 정확도를 평가하였다.

일반 OLS 모형과 4가지 기계학습 모형을 비교 분석하기 위해 선행연구에서 주로 사용하고 있는 결정계수(R²), 평균 제곱근 오차(RMSE), 그리고 평균 절대 오차(MAE)를 평가지표를 활용하였다(Chen et al., 2020). <표 4>의 결과에 따르면 주중 생활인구의 결정계수(R²) 값은 0.120~0.565로 나타났고, RMSE는 6.375~8.362, MAE는 2.025~3.082로 나타났다. 한편, 주말 생활인구의 결정계수(R²) 값은 0.226~0.564이고, RMSE는 1.811~2.424, MAE는 0.726~1.060의 값으로 주중 생활인구보다 오차가 적은 것으로 나타났다. 분석결과 네 가지 기계학습 모형의 평가결과는 모두 일반 선형회귀 모형에 비해 좋은 성능을 보여주는 것으로 나타났다. 특히 다섯 가지 모형 중 가장 설명력이 높은 모형은 LightGBM으로 나타났다. LightGBM 모형은 균형 트리 분할(Leaf Wise Tree) 방식으로 오차가 큰 노드를 중심으로 나누면서 예측에 대한 오차를 최소화하는 방법으로 학습시간이 빠른 장점을 가지고 있다. 따라서 LightGBM 모형을 최종모형으로 활용하였으며, 해석가능한 기계학습 방법론을 활용하여 도시활력에 영향을 미치는 설명변수의 비선형관계를 분석하였다.

본 연구는 각 변수의 중요성을 확인하기 위해 훈련된 LightGBM 모형을 기반으로 학습하고, 기계학습을 해석할 수 있는 SHAP 방법론으로 Shapley Value(기여도)를 도출하였다. Shapley Value는 전체 데이터에서 각 변수에 대한 절대적인 기여도를 설명할 수 있으며, 각 변수의 중요도를 나타낸 지표이다. 이에 따라 각 변수의 기여도를 확인하면 <그림 4>와 같다.

Figure 4. 
Contribution of each variable derived by SHAP (Global value)

<그림 4(a)>는 주중 생활인구에 미치는 변수 기여도이고, <그림 4(b)>는 주말 생활인구에 미치는 변수 기여도를 의미한다. X축은 각 변수의 Shapley Value로 볼 수 있고, Y축은 집계구의 단위로 해당 변수의 기여도를 표시하였다. 변수의 순서는 총기여도의 값에 따라 정렬하였다. 그리고 특정 변수의 색상이 빨간색의 막대그래프일 때 생활인구와 양(+)의 관계를 의미하고, 파랑의 경우 생활인구와 음(-)의 관계를 의미한다.

구체적으로 주중 생활인구(그림 4(a))의 경우 금융시설 밀도, 주거시설 밀도, 토지이용 혼합도, 교차로 밀도, 버스정류장 밀도 순으로 기여도가 높은 것으로 나타났다. 이는 금융시설 밀도가 높고, 토지이용이 혼합되거나, 교차로의 밀도가 높을수록 도시활력과 양(+)의 관계를 보이는 것을 확인할 수 있다. 그리고 음(-)의 관계를 보이는 변수로 주거시설 밀도가 높고, 지하철역까지의 거리가 길수록 주중활력이 낮아지는 관계로 나타났다.

한편, 주말의 경우 토지이용 혼합도가 가장 중요한 요인이고, 버스정류장 밀도, 주거시설 밀도, 금융시설 밀도, 교차로 밀도 순으로 도시활력에 미치는 영향력이 크게 나타났다. 음(-)의 관계 변수는 주중과 같은 주거시설 밀도, 지하철역까지의 거리로 나타났다. 주중과 주말의 생활인구를 비교했을 때, 주중은 사람들이 금융시설과 같은 업무공간에서 근무하기 때문에 주로 금융시설이 높은 집계구에서 도시활력이 높은 것으로 나타났다. 반면에 주말은 주로 주거, 업무, 상업의 토지이용이 혼합된 집계구일수록 도시활력이 높은 것으로 나타났다. 이는 선행연구에서 토지이용이 혼합된 도시일수록 도시의 활력과 양(+)의 관계를 보인다는 연구와 동일한 결과로 볼 수 있다(조월 외, 2021).

앞서 사용한 SHAP로 도출한 전역적 변수 기여도(Global Feature Importance)는 도시 환경변수와 도시활력 간의 복잡한 비선형 관계를 구체적으로 설명할 수 없으므로 추가적으로 국지적 변수 기여도(Local Feature Importance)를 통해서 독립변수가 도시활력과 어떤 연관성이 있는지 분석하였다. 구체적으로 본 논문은 LightGBM 모형을 기반으로 독립변수와 주중, 주말 도시활력 사이의 관계를 설명하고자 하였다. X축은 해당 독립변수의 값이고, Y축의 각 독립변수는 도시활력을 예측할 때 상대적인 낮 시간대의 일평균 생활인구 수에 미치는 변화량을 나타낸다. <그림 5>는 SHAP의 기여도를 바탕으로 도시환경 변수들이 주중 낮 시간대 일평균 생활인구와의 관계를 나타내며, <그림 6>은 도시환경 변수와 주말 낮 시간대 일평균 생활인구 관계를 설명한다. 특히, 변수의 변화가 도시활력에 미치는 영향이 어떻게 변화하는지 확인하기 위해서 Cleveland(1979)의 Locally Weighted Scatterplot Smoothing(LOWESS) 기법을 활용하여, 전체적인 경향을 확인하고, 이러한 추이를 통해서 비선형 임곗값을 확인하였다.

Figure 5. 
Nonlinear relationship between weekday urban vitality and neighborhood variables

Figure 6. 
Nonlinear relationship between weekend urban vitality and neighborhood variables

대부분의 근린환경 변수와 도시활력 사이에는 비선형적인 관계가 나타났다. 우선 <그림 5(a)>와 <그림 6(a)>에서 주거용도 건물의 연면적 밀도는 주거 연면적 밀도가 약 3(m²/m²)까지는 도시활력이 증가하고, 이후 증가폭은 감소하는 것으로 나타났다. 주거용도 건물 연면적은 거주지에 있는 건물 연면적이 증가할수록 사람이 거주할 가능성은 커지지만, 일정 수준을 초과하면 도시활력에 미치는 상관관계는 크지 않다는 것을 의미한다.

한편, 토지이용 혼합도(그림 5(b), 그림 6(b))에서 도시활력 간의 관계는 약 0.4를 기점으로 도시의 활력이 증가하는 경향을 보였다. 특히, 주말에서 증가폭은 더 크게 나타났다. 이러한 결과는 높은 토지이용 혼합 정도를 가지고 있는 지역은 사람들이 서로 다른 시간대에 활동할 수 있으며(Jacobs, 1961), 토지이용이 혼합될 때 사람들이 다양한 사회활동과 경제활동을 할 수 있다. 결과적으로 토지이용 혼합도가 지역의 도시활력에 긍정적인 영향을 미친다는 선행연구와 맥락을 같이한다(조월 외, 2021). 또한, 임곗값을 중점적으로 보면 서울시의 토지이용 혼합 구간이 0.4전까지 사람들의 일상 수요를 충분히 충족시키지 못하고 있으며, 토지이용 혼합 엔트로피 지수가 0.4를 넘어야 더 많은 사람이 해당 공간에서 다양한 활동이 가능해진다고 볼 수 있다. 따라서 도시활력을 높이기 위해서는 단일 용도보다는 다른 용도의 시설과 적절한 토지이용 혼합이 필요함을 시사한다.

다음으로, <그림 5(c)>와 <그림 6(c)>에서 도시활력과 음식점시설을 비선형 관계를 비교했을 때 음식점시설의 밀도가 높을수록 도시활력의 기여도가 증가하는 것으로 나타났다. 이는 음식점시설의 밀도가 높을수록 주중 낮 시간대의 생활인구 밀도가 높아지는 것으로 나타났다. 특히, 주중에서는 음식점 밀도가 100을 중심으로 증가하고, 800 이상인 지역에서 증가폭은 커지는 경향으로 나타났다. 음식점과 같은 업체의 생존은 보행자가 밀집된 도시 활동에 달려 있고(Ye et al., 2018), 음식점시설의 밀도가 높을수록 집중 효과를 일으키기 때문에 다른 지역의 사람들을 끌어올 수 있는 시설로 해석할 수 있다. 이러한 결과는 서울시 대상으로 가로활력에 영향을 미치는 상업업종 중 음식업이 가장 중요하다고 했던 연구의 결과와 맥락을 같이한다(임하나 외, 2017).

금융시설밀도와 도시활력과의 관계(그림 5(d), 그림 6(d))를 보면 금융시설의 밀도가 변화하는 임곗값은 그래프에서 확인할 수 없으나, 금융시설 밀도가 높을수록 생활인구가 많은 것으로 나타났다. 특히 금융시설 밀도가 주중 생활인구에 미치는 기여도가 15인 반면, 주말 생활인구는 3.8로 나타났다. 이는 금융시설의 경우 주로 업무 용도이기 때문에 주말과 비교했을 때, 주중 도시활력에 미치는 영향력이 큰 것을 의미한다.

한편, <그림 5(e)>와 <그림 6(e)>에서 대중교통의 접근성은 모두 비선형적인 관계이고, 임곗값을 가지는 것으로 나타났다. 구체적으로 버스정류장 밀도는 2개/km² 정도까지 주중 도시활력이 급격하게 증가하고, 17개/km² 정도부터 증가폭이 감소하다가 60개/km² 정도부터는 증가폭이 일정해지는 경향이 있는 것으로 나타났다. 이는 대중교통의 밀도가 60개/km²을 넘어선 이후 주중 도시활력의 변화가 일정한 것은 사람들의 이동 수요가 보편적으로 충족되면 활력을 촉진하기 위해 대중교통의 밀도를 더 높이는 것이 효과가 크지 않은 것을 볼 수 있다.

그리고 지하철역까지의 거리와 도시활력 간의 관계가 음(-)의 방향으로 나타났다(그림 5(f), 그림 6(f)). 이는 지하철역과 거리가 멀어질수록 도시활력이 감소한다는 것을 의미한다. 특히 지하철역까지의 거리가 650~700m 이내일 경우 지속적으로 도시활력에 긍정적인 영향을 미칠 수 있으며, 이는 해당 지역이 지하철역과 가까워지면서 더 큰 교통 편의를 제공함으로써 시민들이 해당 지역에 방문 및 다양한 일상활동을 장려할 수 있다. 이러한 결과는 Yang et al.(2021)의 연구와 비슷한 맥락으로 나타났고, 서울시는 도시활력에 있어 역세권 범위는 650~700m로 볼 수 있음을 시사한다.

보행환경의 경관요소의 녹시율(그림 5(g), 그림 6(g))은 도시활력과 양(+)의 관계를 가지는 것으로 나타났으며, 녹시율은 10%를 기점으로 도시활력에 긍정적인 영향을 주며, 23% 이상이면 도시활력에 미치는 영향력이 일정해지는 경향이 나타났다. 이에 대한 이유로, 가로변에 존재하는 녹지가 잘 갖춰진 지역의 경우, 쾌적한 걷기 환경으로 다양한 목적의 일상활동이 보행을 통해 이루어질 수 있고 공원의 이용도를 증진시킴으로써(Ki and Lee, 2021) 도시활력의 증가에 영향을 미치는 데 도움이 될 수 있는 것으로 해석할 수 있다. 하지만 녹지의 비율이 23% 정도 넘어선 이후 도시활력에 미치는 영향력의 증가폭이 일정하게 나타났다. 이러한 결과는 Yang et al.(2021)의 연구에서 도출된 녹시율이 24%보다 작아야 보행경향(Walking Propensity)과 양(+)의 관계가 있으며, 녹시율이 24%를 초과하면 보행경향에 미치는 영향은 제한적이라는 결과와 같은 맥락이다. 가로 녹지의 비율이 높은 지역의 경우 자연상태의 숲이나 사람들이 접근할 수 없는 녹지이기 때문에 가로활력과 유의미한 관계가 나오지 않은 것으로 판단된다.

마지막으로, 보행로 비율(그림 5(h), 그림 6(h))은 4% 정도 이상에서 도시활력이 증가하고 이후 영향력의 변동이 크지 않게 나타났다. 가로활력과 관계가 있는 보행로 비율이 일정수준 이상으로 증가할 경우 보행로의 비율을 더 높이는 것은 가로활력과는 큰 관계가 없다는 것을 확인할 수 있다. 녹지와 보행로 변수의 결과를 종합해 보면 도시공간에서 시각적으로 볼 수 있는 녹지와 보행로의 비율이 높을수록 도시활력이 높을 수 있지만, 일정 비율 이상이 되면 낮 시간대의 생활인구 수와 유의미한 관계가 없다는 것을 알 수 있다.