공간적 자기상관을 활용한 지역안전지수의 공간패턴 분석 - 기초지방자치단체를 중심으로
An Analysis on the Spatial Pattern of Local Safety Level Index Using Spatial Autocorrelation
- Focused on Basic Local Governments, Korea
이미숙1) · 여관현2) Yi, Mi Sook ·Yeo, Kwan Hyun
Abstract
Risk factors that threaten public safety such as crime, fire, and traffic accidents have spatial characteristics.
Since each region has different dangerous environments, it is necessary to analyze the spatial pattern of risk factors for each sector such as traffic accident, fire, crime, and living safety. The purpose of this study is to analyze the spatial distribution pattern of local safety level index, which act as an index that rates the safety level of each sector (traffic accident, fire, crime, living safety, suicide, and infectious disease) for basic local governments across the nation. The following analysis tools were used to analyze the spatial autocorrelation of local safety level index : Global Moran's I, Local Moran's I, and Getis-Ord's G*i. The result of the analysis shows that the distribution of safety level on traffic accidents, fire, and suicide tends to be more clustered spatially compared to the safety level on crime, living safety, and infectious disease. As a result of analyzing significant spatial correlations between different regions, it was found that the Seoul metropolitan areas are relatively safe compared to other cities based on the integrated index of local safety. In addition, hot spot analysis using statistical values from Getis-Ord's G*i derived three hot spots(Samchuck, Cheongsong-gun, and Gimje) in which safety-vulnerable areas are clustered and 15 cold spots which are clusters of areas with high safety levels. These research findings can be used as basic data when the government is making policies to improve the safety level by identifying the spatial distribution and the spatial pattern in areas with vulnerable safety levels.
Keywords : Local Safety Level Index, Spatial Autocorrelation, Hot Spot, Spatial Pattern
초 록
범죄, 화재, 교통사고 등 국민의 안전을 위협하는 위험인자들은 지역적 맥락과 공간적 특성을 가지고 있다. 지역 마다 서로 다른 위험환경을 가지고 있으므로 교통사고, 화재, 범죄, 생활안전 분야별로 위험요소의 공간적 패턴을 분석할 필요가 있다. 본 연구는 전국 기초자치단체를 대상으로 분야(교통사고, 화재, 범죄, 생활안전, 자살, 감염병) 별 안전등급을 측정한 지표인 지역안전지수의 공간적 분포 패턴을 분석하는데 연구의 목적이 있다. 지역안전지수 의 공간적 자기상관성 분석을 위해 전역적 공간자기상관분석(Global Moran’s I)과 Local Moran’s I를 활용한 LISA (Local Indicators of Spatial Association) 분석, Getis-Ord’s G*i 분석을 실시하였다. 분석결과 교통사고, 화재, 자살 의 안전지수 분포는 범죄, 생활안전, 감염병의 안전지수보다 공간적으로 집중(clustered) 경향을 보였다. 지역간 유 의미한 공간적 연관성을 분석한 LISA 분석결과에 따르면, 수도권 지역이 다른 도시에 비하여 지역안전통합지수를 기준으로 비교적 안전한 지역인 것으로 나타났다. 또한 Getis-Ord’s G*i 통계값을 활용한 핫스팟분석 결과 안전 취약 지역의 군집인 3개의 핫스팟(강원도 삼척시, 경상북도 청송군, 전라북도 김제시)과 전반적인 안전 수준이 높은 군집 인 15개의 콜드스팟이 도출되었다. 이러한 연구 결과는 안전 수준 취약지역의 공간적 분포와 패턴을 파악하여 안전 지수 개선을 위한 정책 수립시 기초자료로 활용될 수 있다.
핵심어 : 지역안전지수, 공간 자기상관, 핫스팟, 공간패턴 Received 2021. 01. 25, Revised 2021 .02. 10, Accepted 2021. 02. 23
1) Member, Professor, Dept. of Urban Information Engineering, Anyang University (E-mail: [email protected]) 2) Corresponding Author, Dept. of Public Administration, Professor, Anyang University (E-mail: [email protected])
https://doi.org/10.7848/ksgpc.2021.39.1.29 Original article
This is an Open Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://
creativecommons.org/licenses/by-nc/3.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium,
1. 서 론
우리나라는 지속적인 경제 수준의 향상에도 불구하고 안 전사고 사망률은 경제협력개발기구(OECD) 국가의 2배에 이 르고 있어 후진국형 안전 수준으로 인한 국가적 위상이 크게 훼손되고 있다(Lim et al., 2017). 안전에 대한 국민들의 불안 감을 해소하고 사회 전반의 안전 수준을 높이기 위해서는 범 정부적인 노력이 반드시 필요하다. 이에 관계부처 및 지자체는 안전에 초점을 맞춘 다양한 정책을 수립하여 집행하고 있다.
이와 관련하여 대표적인 정책으로 행정안전부에서 2015년부 터 공표하고 있는 지역안전지수를 들 수 있다. 지역안전지수는 안전에 관한 각종 통계를 활용하여 자치단체별 안전 수준을 교통사고, 화재, 범죄, 생활안전, 자살, 감염병이라는 6개 분야 로 계량화하여 나타낸 수치이며, 이를 통해 지역의 안전 수준 에 대한 객관적 정보를 알 수 있다(Lee and Ko, 2018).
지역안전지수는 각 지역의 안전 수준을 측정하고 공개함으 로써 자치단체의 지역안전에 대한 노력과 책임성을 부여하고 (Lim et al., 2017), 안전지수를 국민에게 공개함으로써 안전 에 대한 사회적 관심과 지역 주민들의 자발적 참여를 이끌어 내는 데 그 목적이 있다(Lee, 2017). 그동안 지자체의 지역안 전지수를 향상시키기 위한 연구는 일부 이루어져 왔으나 지 역안전지수의 공간적 특성에 대한 분석 및 연구는 매우 미흡 한 실정이다.
범죄, 화재, 교통사고와 같이 국민의 안전을 위협하는 위험 인자들은 공간적 특성을 가지고 있다(Lim, 2017). 예를 들어 화재의 경우 강원 산간지역이나 각종 위험물을 취급하는 공 장이 밀집한 공단지역, 노후한 주택가 등지에서 많이 발생한 다. 교통사고의 경우에는 한적한 교외지역보다는 통행량이 많 은 도심지역에서 빈번히 발생한다. 이와 같이 지역마다 각기 다른 위험환경을 가지고 있으므로 교통사고, 화재, 범죄, 생활 안전 분야별로 위험요소의 공간적 패턴을 분석할 필요가 있 다. 특히 국민의 안전을 보장하기 위해서는 중앙부처에 의한 통합적 안전관리 뿐 아니라 지자체 수준의 다원적인 위험관리 가 반드시 필요하다(Lim, 2017). 따라서 시·군·구 단위로 지 역안전 수준의 공간적 특성을 분석하고 지역안전등급을 향상 시키기 위한 정책적 시사점을 도출하고 정책 방향을 제시하 는 연구가 이루어져야 한다.
이에 본 연구에서는 전국 기초자치단체를 대상으로 분야 (교통사고, 화재, 범죄, 생활안전, 자살, 감염병)별 안전등급
을 측정한 지표인 지역안전지수의 공간적 분포 패턴을 분석 하고 시사점을 도출하고자 한다. 이를 위하여 전역모란지수 (Global Moran’s I)를 활용하여 지역안전지수의 공간적 자 기상관성의 존재 여부를 확인하고, 국지적 차원에서 LISA (Local Indicators of Spatial Association) 분석 기법을 적용하 여 군집-특이 지역의 분포를 분석하고, Getis-Ord’s 값을 활용하여 핫스팟(hot spot)과 콜드스팟(cold spot)의 공간적 분포를 파악하고자 한다.
2. 이론적 배경
2.1 공간적 자기상관
공간통계에서 공간적 자기상관을 측정하는 가장 대표적인 방법으로 활용되는 전역모란지수는 연구지역 전체에 대한 지 역적 분포 패턴이 군집되어 있는지 또는 무작위인지 분석하는 데 유용한 도구이다(Lim et al., 2017).
전역모란지수의 결과값은 -1에서 1까지의 범위를 갖는데, -1 에 가까워질수록 강한 공간적 분산이 있음을 의미하며 1에 가 까워질수록 강한 공간적 군집이 있음을 의미한다(Lim et al., 2015) 결과값이 0에 가깝고 통계적으로 유의미하지 않은 경 우는 공간적 상관성이 존재하지 않음을 의미한다. 전역모란지 수는 Eq. (1)을 통해 산출된다.
(1)
where N: the number of observation, , : the variable values at and , : the mean of the variables, : weight matrix between location and
이러한 전역모란지수는 전반적인 공간적 상관성을 파악하 는데 유용하지만 명확한 한계가 존재한다. 단위지역의 규모가 매우 크거나 공간적 구조가 안정적이지 않은 지역의 공간적 자기상관지수는 통계적 추론과 통계적 모형의 유효성에 대한 판단의 오류를 초래할 위험이 크다(Lee et al., 2015). 이와 같 은 통계적 분석기법의 추론적 오류를 최소화하고 국지적 수 준에서의 공간적 상관구조를 분석할 수 있는 분석기법으로 LISA 분석기법이 제시되었다(Anselin, 1995).
LISA 분석은 국지적 모란지수3)를 활용하여 지역을 네가지 3) 국지적 모란지수는 어떤 특정한 지역이 가지고 있는 값이 인접지역들이 갖고 있는 값의 가중평균치와 유사하게 도출되면 정(+)적인 공간적 자기상관성으로
나타나고, 인접지역들의 값의 가중평균치가 상반되거나 차이가 크게 도출되면 부(-)적인 공간적 자기상관성으로 나타난다(Yu et al., 2019).
유형으로 구분한다. HH 유형(high-high)은 특정 지역의 값이 평균값보다 높은 값을 가질 때 주변 지역 역시 높은 값을 갖는 경우이며, LL유형(low-low)은 해당지역과 주변 지역 모두 낮 은 값을 보이는 것을 의미한다. HL 유형(high-low)은 공간적 이례지역이고 LH 유형(low-high)은 유의미한 군집이 나타나 지 않는 지역으로 구분된다(Lee et al., 2016). 이를 통해 평균 값보다 높은 지역끼리 인접하여 공간적 군집을 보이는 핫스팟 과 평균값보다 낮은 지역끼리 인접하여 공간적 군집을 보이는 콜드스팟으로 구분할 수 있다(Jung, 2020).
또 다른 핫스팟 분석방법으로는 Getis Ord’s 통계값이 있다. 이는 국지적 모란지수와 달리 평균보다 주변지역의 변수 값이 높을 경우 양의 값을 갖고 반대일 경우 음의 값을 갖는 일종의 공간군집분석이다.
통계값은 핫스팟과 콜드스팟 을 확실히 구별해 주므로 공간메트릭스 값이 크게 증가하거 나 감소한 지역을 바로 확인할 수 있고 지도상에 시각화하는 데 용이하다는 장점이 있다(Yu et al., 2019). 통계값을 Eq.
(2)에 의해 산출된다.
(2)
where : the variable values at , : the mean of the variables, : spatial weight matrix between location and ,
: the number of observation
2.2 지역안전지수
지역안전지수는 행정안전부가 2015년부터 안전에 관한 국 가 주요 통계를 이용하여 6개 분야(교통사고, 화재, 범죄, 생 활안전, 자살, 감염병)별로 지자체 안전 수준을 계량화한 수 치이다(Song, 2020).
지역안전지수 산출식은 Eq. (3)과 같다. 산출식에서 위해 (harm) 지표는 분야별 사망자수 및 발생건수 등 결과지표이 며, 취약(cause) 지표는 사망자 발생 등의 원인이 될 수 있는 지 표(재난약자, 자동차 등록대수 등)이며, 경감(mitigation) 지표 는 위해 발생을 사전에 방지하고 사고 발생시 대응하기 위한 지표(구조구급대원수, 의료기관수 등)이다(Lim et al., 2017).
모든 지표는 인구 또는 행정구역 면적 등으로 표준화하여 활 용되고 있다.
Local safety level index = 100 - (harm index + cause index – mitigation index)
×
×
×
(3)
: the weight of harm index : harm index values
: the weight of cause index : cause index values
: the weight of mitigation index
: mitigation index values
지역안전지수는 매년 전년도 안전 관련 주요통계를 이용하 여 산출식에 따라 계산하며 지역별, 분야별로 최고 1에서 최 저 5까지 등급을 부여한다(Lim et al., 2017; Song, 2020). 여 기에서 등급은 해당 그룹 내에서 상대평가로 결정되며, 1등 급 10%, 2등급 25%, 3등급 30%, 4등급 25%, 5등급 10% 비 율로 안전등급이 부여된다. 이와 같이 지역안전지수 등급은 시/도, 시/군/구 5개 비교 그룹 내에서 해당연도에 상대적으 로 안전한 수준을 의미하며, 1등급에 가까울수록 안전하다 고 할 수 있다.
2.3 선행연구 검토
지역안전지수에 대한 연구는 분야별 지역안전지수 등급 의 지역별 특징을 분석한 연구와 지역안전통합지수의 공간적 분포에 대한 연구로 구분된다. 분야별 연구로는 지역안전지 수 중 교통이나 범죄 분야 등에 한정된 연구가 있다. Shin et al.(2016)은 지역안전지수 중 교통 분야의 안전등급을 기준으 로 시·군·구 특성을 분석하였다. Lee(2017)는 지역안전지수의 범죄 분야에 국한해서 현행 지역안전지수 산출모형의 문제점 을 분석하고 개선방안을 제시하였다.
지역안전지수 등급을 활용하지는 않았지만 분야별로 공간 적 분포와 특성을 연구한 사례는 다수 존재한다. 교통사고와 관련하여 Sung and Yoo(2014)는 진주시를 대상으로 2013년 발생한 교통사고 데이터를 위치정보와 연계하여 시공간적 분 포특성을 분석하고 토지이용계획에 따른 도시공간개발 특성 과 교통사고와의 공간적 상관성을 분석하였다. Lee(2007)는 국지적 공간자기상관의 지표인 G 통계량을 활용하여 2000년
~ 2005년 일본 관동지방의 교통사고 발생 자료 분석을 통해 통 계적으로 유의미한 수준에서 일정 정도의 자기상관 경향이 있 는 핫스팟을 도출하였다. 화재 분야에서는 Bae(2018)는 강원 도 읍·면·동 단위에서 지난 40년 동안 발생한 화재 자료를 대상 으로 화재의 공간적인 군집 특성을 파악하기 위해 국지적 공간 상관성 분석을 실시하였다. Kim(2014)은 전국 산불의 공간적 분석을 위해 1991년부터 2010년까지 20년간 자료를 구축하여 화재의 발생과 지역의 공간적인 상관성을 분석하였다.
범죄의 공간적 특성과 분포 패턴에 대한 연구도 활발히 이 루어지고 있다. Hwang and Hwang(2003)은 1995년 성북구 데이터를 대상으로 주거침입절도의 공간분포 패턴과 영향요 인을 분석하였다. Jeon et al.(2007)은 2002년 서울시 Y구 데이 터를 대상으로 핫스팟 기법을 이용하여 범죄의 분포 형태를 분석하였으며 버퍼 분석을 하여 범죄 요인과 범죄 사이의 상 관관계를 도출하였다. Lee et al.(2015)는 부산시의 2010년 범 죄발생건수 데이터를 활용하여 범죄다발지역에서의 공간분 포 특성을 파악하고 5대 범죄(살인, 강도, 강간, 절도, 폭력)의 개별 범죄발생에 영향을 미치는 변수간의 관계를 분석하였다.
교통사고, 화재, 범죄 분야의 공간적 특성에 대한 연구에 비 해 생활안전, 자살, 감염병 분야의 공간 분석은 다소 미흡한 편이다. 생활안전 분야의 공간적 분포 특성에 대한 선행연구 는 거의 찾아볼 수 없었다. 자살 분야에서는 1998년부터 2013 년까지의 자살 사망자를 시·군·구 단위로 취합하여 자살 발 생의 공간적 집적성과 연령별 자살 발생 위험의 지역분포를 실증적으로 검증한 Roh(2017)의 연구가 대표적이다. 감염병 분야에는 2009년부터 2014년까지의 결핵 환자수를 이용하여 결핵환자의 공간적 분포와 생활패턴을 분석하고 결핵 예방 및 관리방안을 제안한 Park et al.(2015)의 연구가 있다.
이러한 분야별 공간적 분포패턴 분석에 관한 연구를 종합적 으로 살펴보면 Lee(2007), Bae(2018), Kim(2014), Roh(2017), Park et al.(2015)은 시계열적 데이터를 활용하고 있다. 그러나 본 연구에서는 2015년부터 해마다 공표된 지역안전지수가 매 해 등급의 변동이 크지 않음을 감안하여 가장 최신 지역안전 지수 등급인 2019년 데이터를 활용한다. 또한 선행연구의 공 간적 범위가 주로 특정 자치단체에 한정되어 있는데 비해 본 연구에서는 전국의 기초자치단체를 대상으로 공간적 분포 특 성을 분석하고자 한다. 무엇보다도 본 연구에서는 특정 분야 에 한정하지 않고 지역안전지수를 구성하는 6개 분야(교통사 고, 화재, 범죄, 생활안전, 자살, 감염병)를 모두 반영하여 분석 을 한다는 점에서 기존 연구와 차별성이 있다.
Lim et al.(2017)의 연구는 재난관리에 초점을 맞춰서 전국 단위의 위험요소를 5개 분야(화재, 교통사고, 안전사고, 범죄, 자연재해)로 나누고 이를 통합한 지역안전통합지수를 도출하 여 전국의 지역안전도를 측정 및 분석하였다. 이러한 연구는 지역안전을 전국에 걸쳐 시·군·구 단위로 측정하여 공간적 분
포를 보여준 최초의 연구라는 점에서 의의가 있지만(Lim et al., 2017), 재난 위험도 산출을 위하여 재난의 발생 건수 또는 재난에 의한 사망자수와 같은 단순지표만 사용하였기 때문에 안전 수준을 정확히 측정하였다고 보기에는 한계가 있다. 따 라서 본 연구에서는 위해지표, 취약지표, 경감지표 등이 종합 적으로 반영된 행정안전부의 지역안전지수 등급을 활용하고 자 한다. 또한 기존에는 지역안전통합지수를 등간척도나 비율 척도로 측정하여 분석에 활용하였으나 본 연구에서는 순위척 도인 1~5등급 데이터를 이용하여 공간적 자기상관을 분석한 다는 점에서 차이가 있다.
한편 지역안전지수의 향상방안이나 취약요인의 개선방안 에 대한 연구도 활발히 이루어지고 있다. Song(2020)은 ‘G’ 기 초지자체의 지역안전지수 향상을 위하여 재난안전 마스터플 랜 가이드라인을 제시하였다. Lim et al.(2017)은 전라북도 14 개 시·군을 대상으로 지역안전지수 취약요인을 도출하고 개 선 대책을 제안하였다. 그러나 이러한 연구는 기초자치단체의 지역안전지수 등급 향상을 위한 정책대안을 제시하였다는 점 에서 의의가 있지만, 공간적 분포나 공간적 패턴 분석이 미흡 하고 특정 지자체만으로 범위를 한정하였다는데 한계가 있다.
이에 본 연구에서는 전국 기초지방자치단체를 대상으로 지역 안전등급의 공간적 의존성과 분포 패턴을 분석한다는 점에서 연구의 차별성이 있다.
3. 분석의 설계
본 연구에서는 기초자치단체 226개소(시 75개소, 군 82개 소, 구 69개소)4)의 지역안전 수준을 확인하기 위하여 행정안 전부에서 2019년 12월에 공표한 2019년 전국 지역안전지수 등 급을 활용하였다. 지역안전지수 등급 산출을 위한 분야별 핵 심지표는 위해지표, 취약지표, 경감지표로 구분되며 2019년 지역안전지수의 구체적인 지표는 Table 1과 같다. 지역안전지 수 산출을 위한 분야별 핵심지표는 해마다 추가·수정되고 있 으므로, 본 연구에서는 2019년 12월 10일자 행정안전부 보도 자료를 기준으로 2019년 지역안전지수의 핵심지표를 확인하 였고 이를 바탕으로 산출된 지역안전지수 등급을 분석에 활 용하였다.
4) 행정안전부의 지역안전지수는 시· 군 · 구 단위의 226개소 지방자치단체를 단위로 조사하여 공시되기 때문에 제주특별자치도는 본 연구의 공간자기상관 분 석에서 제외되었음을 밝힌다.
Table 1. Key indicators of local safety level index in 2019 (MOIS, 2019)
Sector Harm index Cause index Mitigation index
Traffic accident
• Traffic accident deaths per 10,000 population
① Number of disaster underdogs per 10,000 population
② Number of health care workplaces per 10,000 population
③ Number of registered vehicles per 10,000 population
① Number of emergency medical facilities per area of administrative district
② Traffic control CCTV number per road area
③ Seat belt wear rate when driving
Fire
•Number of fire deaths per 10,000 population
•Number of fire occurrences
① Number of disaster underdogs per 10,000 population
② Number of employees in the restaurant and pub per 10,000 population
③ Number of service providers related warehouse and transportation per 10,000 population
① Medical manpower per 10,000 population
② Fire rescue performance per occurrence
③ Number of fire station workers per area of administrative district
④ Firefighting policy budget amount ratio
Crime
• Number of crime(murder, robbery, rape, violence, theft) occurrences per 10,000 population
① Population density
② Stress awareness rate
③ High risk drinking rate
① Number of security companies per 10,000 population
② Number of CCTVs for crime prevention per 10,000 population
Living safety
• Number of rescues related to living safety per 10,000 population
① Number of workers in the construction industry per 10,000 population
② Number of manufacturing workers per 10,000 population
③ Number of disaster underdogs per 10,000 population
① Total transfers per emergency center
② Number of medical institutions per 10,000 population
③ Number of AEDs installed per administrative area
Suicide • Number of suicide deaths per 10,000 population
① Number of elderly living alone per 10,000 population
② Drinking rate
③ Number of basic recipients per 10,000 population
① Number of workers in health and social welfare services per 10,000 population
② Number of organizations related to suicide prevention per 10,000 population
③ Ratio of settled accounts of social welfare budget
④ Number of leisure welfare facilities for the elderly per 1,000 elderly people
Infectious diseases
• The number of deaths from legal infectious diseases per 10,000 population
① Number of elderly population
② Population number of 1 type of medical benefit per 10,000 people
③ Days of outpatient health insurance benefits per 10,000 population
① Influenza vaccination rate
② Ratio of settled accounts of support for the vulnerable
③ Number of local health institutions per area of administrative district
이러한 지역안전지수에 있어 공간적 특성이 존재하는지 확 인하기 위하여 공간적 자기상관성 분석을 실시하였으며, 이를 위해 본 연구에서는 ArcGIS(version 10.8)를 이용하여 전국 226개소 기초자치단체의 안전 수준을 맵핑(mapping)하여 제 시하고 지역안전의 공간적 패턴을 분석하였다.
연구수행 절차는 Fig. 1과 같다. 먼저 226개소 기초자치단 체의 안전 수준을 공간 분석하기 위해 2019년 지역안전지수 등급을 바탕으로 6개 분야(교통사고, 화재, 범죄, 생활안전, 자살, 감염병)의 안전 수준 데이터를 수집한다. 분야별로 산정 된 지역안전등급의 산술평균값을 지역안전통합지수로 설정 하고 시·군·구별 지역안전통합지수 데이터를 구축한다.
다음으로 공간패턴 분석을 실시한다. 지역안전에 대한 전 역적 공간자기상관지수를 활용하여, 지역안전통합지수와 분 야별 안전지수의 지역적 분포패턴이 군집되어 있는지 무작위 인지 공간적 의존성을 파악한다. 지역간 유의미한 공간적 연 관성을 분석하기 위하여 LISA 분석기법을 활용하여 군집-특 이의 공간적 분포패턴을 살펴본다. Getis Ord’s
값을 활용 해서 핫스팟과 콜드스팟을 시각화하여 제시한다. 마지막으로 이러한 공간패턴 분석결과를 바탕으로 지역별 안전 수준을 향상하기 위한 정책적 시사점과 활용 방향을 도출한다.
Fig. 1. Analytical framework
4. 지역안전지수 공간분석 결과
4.1 전역적 공간자기상관 분석
여기서는 전국 시·군·구 단위의 2019년도 지역안전지수를
적용하여 안전부문별로 전국 226개소의 시·군·구 지방자치 단체에서 조사된 지역안전지수의 등급이 공간적으로 무작 위적인 분포패턴을 형성하는지, 아니면 특정한 공간이나 지 역에 밀집되어 나타나는지 공간적 분포패턴을 살펴보았다.
전국의 지방자치단체에서 지역안전지수의 안전부문별 공간 분포 패턴을 분석하기 위해 전역적 공간분석 기법인 Global Moran’s I 통계량을 분석하였다. Global Moran’s I 통계량을 분석한 이유는 지역안전지수의 공간적 분포가 공간상에 내 재 된 특정한 공간 질서를 유지한다거나 형성하고 있는지 분 석하는 데 유용한 분석방법이기 때문이다. Global Moran’s I 통계량 분석결과, 통합안전지수의 데이터 분포는 정규분포를 따르고 있었다. 그리고 유의도(p-value) 값이 0.01 수준에서 2019년도 통합안전지수는 0.095782로 양의 공간적 분포패 턴을 이루며, Z-score 값이 8.003092로 나타났다. 또한, 안전 부문별 안전지수는 각각 교통사고 0.096114, 화재 0.100752, 범죄 0.022926, 생활안전 0.053133, 자살 0.117970, 감염병 0.037086으로 양의 공간적 분포패턴을 보이며, Z-score 값 은 교통사고 8.029343, 화재 8.399178, 범죄 2.183465, 생활안 전 4.596936, 자살 9.780252, 감염병 3.314086으로 나타났다 (Table 2). 이는 교통사고, 화재, 자살의 안전지수 Z-score 값 이 범죄, 생활안전, 감염병의 안전지수 Z-score 값보다는 상대 적으로 높게 나타나고 있으며, 이는 공간상의 집중도가 상대 적인 차이가 발생하고 있음을 의미한다.
4.2 LISA 분석
여기서는 전국 시·군·구 단위의 2019년도 지역안전지수 자 료를 활용하여 군집-특이의 공간적 분포패턴을 살펴보기 위 해 각 226개소의 지방자치단체의 폴리곤(polygon) 영역을 중 심으로 하여 LISA 분석을 실행하였다. 국지적 측면의 Anselin Local Moran’s I 분석을 위해 역거리(inverse distance) 행렬을 기반으로 표준점수가 최대치로 이르는 거리(distance)를 거리 임계치(threshold distance)로 설정하였다. 그리고 거리측정 방 식은 기하학적 거리(euclidean distance)를 ROW 열을 기준으 로 표준화하여 측정하여 분석하였다. 또한, 공간가중행렬은 횡단표준화(row standardization)로 설정하여 군집-특이의 공 간적 분포패턴을 분석하였다.
Statistics Traffic
accident Fire Crime Living
safety Suicide Infectious
diseases Integration index Moran’s I 0.096114 0.100752 0.022926 0.053133 0.117970 0.037086 0.095782
Z-score 8.029343 8.399178 2.183465 4.596936 9.780252 3.314086 8.003092 p-value 0.000000 0.000000 0.029002 0.000004 0.000000 0.000919 0.000000
Table 2. Result of spatial autocorrelation analysis
Fig. 2. Result of LISA analysis on integration index
전국의 2019년도 지역안전통합지수에 대한 LISA 분석결 과, HH 지역이 각 지방자치단체 별로 광역적인 공간상의 군 집을 형성하고 있었다(Fig. 2). 특히, 강원도(강릉시, 동해시, 태백시, 속초시, 삼척시, 정선군, 양양군)와 경상북도(안동시, 영주시, 영천시, 의성군, 청송군, 영덕군), 전라북도(군산시, 익 산시, 무주군, 부안군) 등을 중심으로 집중적인 군집이 형성되 었다. 따라서 지역안전지수의 LISA 분석이 HH로 나타나는 강원도와 경상북도, 전라북도 일부 지역은 안전에 취약한 환 경에 처해 있으며, 안전지수를 개선하기 위한 지방정부의 노 력이 필요해 보인다. 또한, 서울특별시(성동구, 광진구, 동대문
Type The name of city/county/district
High-High
Gangwon-do(Gangneung, Donghae, Taebaek, Sokcho, Samcheok, Jeongseon-gun, Yangyang-gun), Chungcheongnam-do(Geumsan-gun, Seocheon-gun), Jeollabuk-do(Gunsan-si, Iksan-si, Muju-gun, Buan-gun), Gyeongsangbuk-do(Andong-si, Yeongju-si, Yeongcheon-si, Uiseong-gun, Cheongsong-gun,
Yeongdeok-gun), Gyeongsangnam-do(Hapcheon-gun) High-Low
Seoul (Jongno-gu, Jung-gu, Yongsan-gu, Jungnang-gu, Gangbuk-gu, Gangseo-gu, Yeongdeungpo-gu), Incheon (Jung-gu, Dong-gu), Gyeonggi-do (Uijeongbu, Pyeongtaek, Dongducheon, Icheon, Anseong, Yangju, Pocheon, Yeoju, Yeoncheon-gun, Gapyeong-gun, Yangpyeong-gun), Gangwon-do (Chuncheon-
si), Chungcheongnam-do (Dangjin-si)
Low-High Busan(Seo-gu), Jeollabuk-do(Jeonju, Imsil-gun, Gochang-gun), Gyeongsangbuk-do(Pohang, Gumi, Yeongyang-gun, Yecheon-gun, Bonghwa-gun, Uljin-gun), Gyeongsangnam-do(Geochang-gun)
Low-Low
Seoul(Seongdong-gu, Gwangjin-gu, Dongdaemun-gu, Seongbuk-gu, Dobong-gu, Nowon-gu, Eunpyeong- gu, Seodaemun-gu, Mapo-gu, Yangcheon-gu, Guro-gu, Geumcheon-gu, Dongjak-gu, Gwanak-gu, Seocho-gu, Gangnam-gu, Songpa-gu, Gangdong-gu), Incheon(Nam-gu, Yeonsu-gu, Namdong-gu, Bupyeong-gu, Gyeyang-gu, Seo-gu, Ganghwa-gun, Ongjin-gun), Gyeonggi-do(Suwon-si, Seongnam-
si, Anyang-si, Bucheon-si, Gwangmyeong-si, Ansan-si, Goyang-si, Gwacheon-si, Guri-si, Namyang- si, Osan-si, Siheung-si, Gunpo-si, Uiwang-si, Hanam-si, Yongin-si, Paju-si, Gimpo-si, Hwaseong-si, Gwangju City, Cheorwon County, Hwacheon County), Chungcheongnam-do(Cheonan City, Asan City)
Table 3. Result of LISA analysis
구, 성북구, 도봉구, 노원구, 은평구, 서대문구, 마포구, 양천구, 구로구, 금천구, 동작구, 관악구, 서초구, 강남구, 송파구, 강동 구)와 경기도(수원시, 성남시, 안양시, 부천시, 광명시, 안산시, 고양시, 과천시, 구리시, 남양주시, 오산시, 시흥시, 군포시, 의 왕시, 하남시, 용인시, 파주시, 김포시, 화성시, 광주시, 철원군, 화천군), 인천광역시(남구, 연수구, 남동구, 부평구, 계양구, 서 구, 강화군, 옹진군) 등 수도권 지역을 중심으로 국지적인 LL 의 분포패턴이 군집을 이루고 있다(Table 3). 이는 수도권 지 역이 다른 도시와 비교하여 지역안전통합지수를 통해 보았을 때 비교적 안전한 지역인 것으로 해석된다.
한편, 안전부문별 지역안전지수의 LISA 분석결과는 다음 의 Fig. 3과 같다. HH로 공간적 군집이 형성된 지역을 살펴보 면, 생활안전, 자살, 감염병의 분야에서 지역안전통합지수의 공간분포와 대체로 유사하게 나타났다. 즉, 생활안전의 지역 안전지수 값은 강원도, 전라북도 지역에서 주로 군집이 형성 되고 있으며, 자살의 지역안전지수는 강원도와 전라북도의 지 역에서 주로 집중적인 군집을 형성하였다. 또한, 감염병의 경 우는 경상북도, 강원도, 전라북도 지역에서 집중적인 군집을 형성하였다. 반면에 교통사고, 화재, 범죄 분야의 분야에서는 지역안전통합지수의 공간적 분포와는 다른 형태의 군집이 형 성됨을 알 수 있다.
다음으로 LL로 공간적 군집이 형성된 지역을 살펴보면, 교 통사고, 생활안전, 자살, 감염병 분야에서 지역안전통합지수 의 공간분포와 대체로 유사하게 나타났다. 즉, 교통사고의 지
역안전지수 값은 지역안전통합지수의 군집분포 지역과 유사 한 경기도, 서울특별시, 인천광역시 지역에서 주로 군집하고 있으며, 생활안전의 지역안전지수도 마찬가지로 경기도, 서울 특별시, 인천광역시 지역에서 주로 집중적인 군집을 형성하였 다. 또한, 자살의 지역안전지수도 마찬가지로 서울특별시, 경 기도, 인천광역시 지역에서 주로 집중적인 군집을 형성하였으 며, 감염병의 경우는 경기도, 인천광역시, 서울특별시를 비롯 하여 충남지역에서도 집중적 군집 현상을 보였다. 반면에 화 재와 범죄 분야에서는 지역안전통합지수의 공간적 분포와는 다른 형태의 군집 분포패턴이 나타나고 있다.
4.3 핫스팟 분석
여기서는 전국 시·군·구 단위의 2019년도 지역안전지수 자 료를 활용하여 공간군집을 식별하고 그 해당 영역을 보다 가 시적인 지역으로 제시하기 위해 Getis Ord’s 통계값 분석 기법을 적용한 핫스팟 분석을 실행하였다. 핫스팟 분석에서
Traffic accident Fire Crime
Living safety Suicide Infectious diseases
Fig. 3. Results of LISA analysis per each sector
는 통계량 값이 양수이면 높은 속성값들을 가지는 공간 단 위들의 군집인 핫스팟(hot spot)을 형성한다. 반면에 통계 량 값이 음수이면 낮은 속성값들을 가지는 공간 단위들의 군 집인 콜드스팟(cold spot)을 형성한다. 그리고 분석결과인
통계량이 0에 가까울수록 표현대상이 되는 공간 단위의 주변 지역에 높거나 낮은 값들이 집중되어 있지 않음을 의미한다.
이러한 핫스팟 분석을 실행하기 위해 거리 임계치(threshold distance)를 이용한 핫스팟 분석을 시도하였다. 이렇게 분석 된 핫스팟의 분석결과 값이 통계적으로 유의미한지를 검증 하기 위해 본 연구에서는 Z 검정을 실행하여 적용하였다. 또 한, 이러한 과정으로 핫스팟 분석을 시도한 후 점 형태의 핫 스팟 지역들을 조금 더 명확하게 나타내기 위해 역거리가중 법(IDW)을 적용한 결과 값을 공간적 분포패턴으로 표현하였 다. 다음의 Fig. 4는 Getis Ord’s 의 Z값으로 전국의 2019 년도 지역안전통합지수의 핫스팟 지역을 도출한 결과를 나타
낸 것이며, 핫스팟 지점의 명확한 표현을 위해 역거리가중법 을 적용하였다.
Fig. 4. Result of hot spot analysis on integration index 지역안전통합지수의 핫스팟 분석결과, Table 4와 같이 강원 도 삼척시, 경상북도 청송군, 전라북도 김제시 등 총 3곳의 핫 스팟 지역이 표출되었다. 이는 앞에서 분석되어진 LISA 분석 의 결과 중 HH(높은 값이 높은 값에 의해 군집되어 있음)로 나타나 지역안전이 취약한 것으로 나타난 지역인 강원도 삼척 시, 경상북도 청송군 2곳에서 동일하게 유의수준 90%에서 핫 스팟 지역으로 관찰되었다. 반면 전라북도 김제시는 LISA 분 석의 결과에서는 HH로 나타나지 않았으나, 핫스팟 지역으로 표출되었다. LISA 분석의 Local Moran’s I 통계값은 해당지역 과 인접지역을 엄격히 구분하여 유사도를 측정하는데 비해서 Getis Ord’s 통계값은 해당지역과 인접지역을 결합하여 하 나의 국지 세트로 상정하고 공간적 자기상관을 측정한다(Lee et al., 2016). 따라서 국지적 모란지수를 활용한 LISA 분석은 공간 특이점(spatial outlier) 즉, 높은 값을 가진 지역이 낮은 값
Type Confidence
level The name of city/county/district
Hot spot 90% Gangwon-do (Samcheok-si), Gyeongsangbuk-do (Cheongsong-gun), Jeollabuk-do (Gimje-si)
Cold spot
99% Gyeonggi-do (Uiwang-si, Yongin-si), Seoul (Yangcheon-gu)
95% Daegu (Dalseong-gun), Busan (Gijang-gun), Chungcheongnam-do (Gyeryong-si) 90% Gyeonggi-do (Anyang-si, Gwangmyeong-si, Suwon-si, Hanam-si, Hwaseong-si), Seoul
(Songpa-gu), Incheon (Yeonsu-gu), Gyeongsangbuk-do (Yeongyang-gun), Ulsan (Ulju- gun), Gyeongsangbuk-do (Chilgok-gun)
Table 4. Result of hot spot analysis
을 가진 지역에 둘러싸이거나 낮은 값을 가진 지역이 높은 값 을 가진 지역에 둘러싸인 경우를 찾아내는데 유리한 반면에,
통계값은 핫스팟과 콜드스팟 탐지에 우수하다. 이러한 통 계값 산출방식의 차이로 인해서 김제시와 인접지역을 구분하 여 Local Moran’s I 통계값으로 LISA 분석하면 김제시는 군 집이나 이례적인 특성이 나타나지 않지만, 김제시와 인접지역 을 하나의 공간단위로 상정하면 통계값에 따라 김제시가 핫스팟으로 분류된다.
그리고 신뢰수준 99%에서 경기도 의왕시와 용인시, 서울 특별시 양천구 등 총 2곳의 콜드스팟 지역이 관찰되었다. 이 는 앞서 분석한 LISA 분석의 결과 중 LL(낮은 값이 낮은 값 에 의해 군집되어 있음) 지역과 동일한 형태를 보이며, 상대적 으로 지역적 안전성이 높은 지역으로 드러났다. 반면 신뢰수 준 95%에서는 대구광역시 달성군, 부산광역시 기장군, 충청 남도 계룡시 등 총 3곳의 콜드스팟 지역이 표출되었다. 이 지 역에서는 앞서 분석한 LISA 분석의 결과 중 LL 지역과 상이 한 형태를 보였다. 그리고 신뢰수준 90%에서는 경기도 안양 시, 광명시, 수원시, 하남시, 화성시, 서울특별시 송파구, 인천 광역시 연수구, 경상북도 영양군 등 8곳에서 콜드스팟 지역이 관찰되었다. 이는 앞서 분석한 LISA 분석의 결과 중 LL 지역 과 동일한 형태를 보이며, 상대적으로 지역적 안전성이 높은 지역으로 나타났다.
한편, 2019년도 전국의 지역안전지수의 핫스팟 분석결과를 안전부문별로 구분하여 살펴보면, 교통부문은 HH(높은 값 이 높은 값에 의해 군집되어 있음) 지역이 전남(11개소), 전 북(6개소), 광주(4개소), 경남(2개소), 충남(1개소)으로 전남과 전북 지역에서 교통부문의 안전이 집중적으로 취약하게 드러 났다. 또한, LL(낮은 값이 낮은 값에 의해 군집되어 있음) 지역 은 경기(30개소), 서울(18개소), 인천(7개소), 강원(4개소), 충 북(2개소), 충남(1개소) 으로 경기와 서울지역에서 상대적으 로 교통부문의 안전성이 높은 지역으로 드러났다.
화재부문은 HH 지역이 전북(9개소), 전남(7개소), 광주(4 개소), 경북(3개소), 강원(2개소), 경남(2개소), 부산(1개소), 충 남(1개소)으로 교통부문과 유사하게 전남과 전북 지역에서 화 재부문의 안전성이 취약하게 나타났다. 또한, LL은 경북(6개 소), 경남(5개소), 전남(5개소), 전북(5개소), 부산(4개소), 강원 (2개소), 충남(1개소)으로 교통부문과 다르게 경상도와 전라 지역에서 상대적으로 화재부문의 안전성이 높게 나타났다.
그리고 생활안전부문의 HH 지역은 강원도(4개소), 전북(3 개소), 충남(1개소) 등으로 강원도와 전북을 중심으로 취약하 게 나타났으며, LL 지역은 경기(24개소), 서울(20개소), 인천(5 개소), 강원도(3개소), 전남(1개소)으로 교통부문과 유사하게 경기와 서울지역에서 상대적으로 생활안전부문의 안전성이 높게 나타났다(Fig. 5).
Traffic accident Fire Crime
Living safety Suicide Infectious diseases
Fig. 5. Results of hot spot analysis per each sector
4.4 분석결과의 정책적 함의
지역안전지수가 우리 사회의 안전을 완벽하게 설명할 수 있 는 것은 아니며 지역안전을 평가하기 위한 최고의 방법이 아 닐 수도 있지만, 지자체장이 안전에 관심을 갖게 하고 지자체 가 안전 관련 정책을 수립·집행하는데 기여한 긍정적 측면도 분명히 존재한다(Shin et al., 2016). 따라서 본 연구에서는 지 역안전지수를 활용하여 전국의 안전 수준을 향상시킬 수 있 는 정책 방향을 제시하기 위하여 공간패턴 분석을 실시하였 다. 분석결과의 정책적 시사점은 다음과 같다.
첫째, 교통사고, 화재, 자살 등은 범죄, 생활안전, 감염병에 비해 지역간 공간적 의존성이 더 높은 것으로 나타났으며, 이 는 교통사고, 화재, 자살 부문은 다른 안전 부문에 비해 군집 경향을 보인다는 의미이다. 따라서 교통사고, 화재, 자살 분
야는 기초자치단체 수준 보다는 광역적인 접근이 필요하여 인접한 지자체간 연계·협력을 통해 안전 수준을 향상시킬 필 요가 있다.
둘째, 지역안전통합지수의 LISA 분석결과에 의하면 해당 지역과 주변지역 모두 지역안전 수준이 취약하게 나타나는 HH 유형에 속한 강원도, 경상북도, 전라북도 일부 지역은 광 역자치단체 차원에서 안전 수준 개선을 위한 예산 및 정책 지 원이 이루어져야 한다.
셋째, 수도권을 기준으로 LISA 분석 결과를 보면, 종합적 으로 수도권이 비교적 안전한 지역으로 나타나지만 범죄 분야 에서는 해당지역과 인접지역이 모두 안전한 LL 유형에 해당 되는 기초자치단체를 전혀 찾아볼 수 없다. 반면에 해당지역 과 인접지역 모두 범죄 안전 수준이 낮은 HH 유형에 해당되는 시·군·구는 다수 존재한다. 이는 수도권은 6대 안전 분야 중에 서 범죄 부문의 안전 지수 개선이 가장 시급함을 의미한다. 특 히 범죄 분야의 지역안전지수를 산출하는 위해지표, 취약지 표, 경감지표를 적극적으로 개선해 나가야 한다.
넷째, 핫스팟 분석 결과 취약지역으로 나타난 3개의 핫스 팟 지역(강원도 삼척시, 경상북도 청송군, 전라북도 김제시) 에 대한 지역안전지수 개선이 우선적으로 이루어져야 할 것 이다. 물론 현행 지역안전지수 산출방식에서 지수점수를 하 락시키는 일부 핵심지표(고령자수, 기초수급자수, 도시지역면 적 등)는 농촌지역이 많은 강원도, 전라북도에 절대적으로 불 리하며, 현재 취할 수 있는 정책적 수단으로는 해결이 어려운 지표이기는 하다. 그러나 전반적인 지역안전지수 개선을 위한 효율적인 정책과 사업을 추진하기 위해서는 공간적으로 취약 한 지역을 추출하여 특정함으로서 지역 실정에 부합하는 맞 춤형 대책을 수립·시행할 필요가 있다(Lim et al., 2017). 따라 서 본 연구의 지역안전지수 핫스팟 분석결과는 취약지역을 추 출하여 맞춤형 정책을 수립하거나 예산배분의 우선순위 결정 에 활용될 수 있다. 취약지역에 우선적으로 예산을 배분하는 방식도 있지만, 안전 수준의 개선 정도가 높거나 안전 등급이 높은 콜드스팟 지역에 인센티브를 제공하는 방식도 고려하여 실효성 있는 정책이 수립되어야 한다.
5. 결 론
우리나라의 안전 사고 발생은 OECD 선진국에 비해 상당 히 높은 편이다. 정부의 적극적인 안전 관련 정책에도 불구하 고 국민의 안전을 위협하는 각종 사건·사고는 계속해서 증가 추세에 있다(Lim, 2016). 국가의 안전 수준을 제고하기 위한 효과적인 정책 방향 수립이 무엇보다 필요한 시점이다.
특히 교통사고와 범죄 등 안전 사고는 지역적 맥락과 공간 적 특성을 내포하고 있다. 이에 본 연구에서는 전국 지방자치 단체의 안전 수준을 진단하고 상호 비교할 수 있는 지역안전 지수를 기반으로 시·군·구의 교통사고, 화재, 범죄, 생활안전, 자살, 감염병 안전등급과 통합안전지수의 공간적 패턴을 분 석하였다.
지역안전지수의 공간적 패턴 분석을 위해 전역적 공간자 기상관분석(Global Moran’s I)과 Local Moran’s I를 활용한 LISA 분석, Getis-Ord’s 분석을 실시하였다. 분석결과 6개 분야 중 교통사고, 화재, 자살의 안전지수 분포는 범죄, 생활 안전, 감염병의 안전지수보다 공간적으로 집중 경향을 보였다.
국지적 수준의 공간적 상관구조 분석을 위한 LISA 분석결 과, 수도권 지역이 다른 도시와 비교하여 지역안전통합지수 를 기준으로 비교적 안전한 지역인 것으로 나타났다. 분야별 LISA 분석결과에서는 특히 범죄 분야가 지역안전통합지수 의 공간적 분포와는 다른 형태의 군집 분포 패턴이 나타났다.
또한 Getis-Ord’s 통계값을 활용한 핫스팟분석 결과, 안 전 취약지역에 해당되는 3개의 핫스팟(강원도 삼척시, 경상북 도 청송군, 전라북도 김제시)과 전반적인 안전 수준이 높은 군 집인 15개의 콜드스팟이 도출되었다. 이러한 공간 패턴 분석 결과를 바탕으로 기초자치단체의 지역안전지수 개선을 위한 정책적 시사점을 제시하였다.
본 연구는 전국 시·군·구의 지역안전지수 등급이 지역간 연 관성이 있는지와 지역적으로 공간적 상관관계가 있는지 살펴 보고 정책적 시사점을 제시하였다는 데 연구의 의의가 있다.
본 연구에서는 지수값이 1~5등급인 순위척도를 이용하여 공 간적 자기상관성을 분석하였으나, 비율척도에 해당되는 지역 안전지수의 원래 값을 사용하여 분석하는 것이 수량화나 평 균값을 활용하는데 있어서 더 유용하다. 하지만 행정안전부 에서는 지역안전지수의 원점수는 공개하지 않고 지역별 등급 만을 공표하고 있어 데이터 수집의 어려움으로 인해 지역안 전지수 등급을 사용하여 분석하였다는데 연구의 한계가 있 다. 또한 본 연구의 분석결과와 같은 공간적 패턴이 나타나 는 근본적인 원인을 파악하기 위해서는 다양한 영향요인에 대한 인과관계 연구가 필요하다. 향후 후속연구에서는 지역 안전에 영향을 미치는 요인에 대한 보다 심층적 연구가 이루 어져야 할 것이다.
References
Anselin, L. (1995), Local indicators of spatial association — LISA, Geographical Analysis, Vol. 27, No. 2, pp. 93-115.
Bae, S.H. (2018), Spatial clustering analysis of fire in Gangwon-Do, Journal of the Korean Association of Geographic Information Studies, vol. 21, No. 3, pp. 93-103.
(in Korean with English abstract)
Hwang, S.Y. and Hwang C.S. (2003), The spatial pattern analysis of urban crimes using GIS: the case of residential burglary, Journal of Korea Planning Association, Vol. 38, No. 1, pp. 53-66. (in Korean with English abstract) Jeon, J.H., Kwon, J.H., and Yang, H.J. (2007), Spatial crime
analysis using GIS, Journal of the Korean Society for Geospatial Information Science, Vol.15, No.1, pp. 3-7. (in Korean with English abstract)
Jung, J.Y. (2020), An analysis of local community youth policy infrastructure using geographic information system(GIS), Studies on Korean Youth, Vol. 31, No. 2, pp.
235-261. (in Korean with English abstract)
Kim, D.Y. (2014), Spatial analysis for forest fire using GIS, The Geographical Journal of Korea, vol. 48, No. 3, pp. 325- 336. (in Korean with English abstract)
Lee, B.K. and Ko, K.H. (2018), 2017 Sejong City Local Safety Level Index Analysis and Improvement Plan, 2018-28, Korea Research Institute for Local Administration, Seoul, Korea, 125p.
Lee, C.H. (2017), Methods to Calculation of Criminal Investigation Field Local Safety Level Index, Master’s thesis, Korea University, Seoul, Korea, 41p.
Lee, D.H., Yoon, S.B., and Kim, J.S. (2015), Analysis of the crime pattern and influencing factors by the spatial autocorrelation in Busan, Journal of the Korean Regional Development Association, Vol. 27, No. 2, pp. 259-275. (in Korean with English abstract)
Lee, S.I., Cho, D.H., and Lee, M.P. (2016), Comparing univariate spatial association statistics(Ⅱ): focusing on local Lee’s Si statistics, Journal of the Association of Korean Geographers, Vol. 5, No. 3, pp. 375-396. (in Korean with English abstract)
Lee, Y.W. (2007), Spatiotemporal hotspot detection using G statistics: a case of traffic accidents in East Japan, Seoul Studies, Vol. 8, No. 3, pp. 71-83. (in Korean with English abstract)
Lim, D.P. and Jeong, H.Y. (2015), An Analysis on characteristics of spatial distribution of the atopic
dermatitis patients : with an application of the Moran indices, Journal of the Korean Association of Regional Geographers, Vol. 21, No. 3, pp. 583-592. (in Korean with English abstract)
Lim, H.C. and Park, Y.H. (2017), A study on the spatial pattern of regional safety in Korea, The Korean Journal of Local Government Studies, Vol. 21, No. 3, pp. 385-407. (in Korean with English abstract)
Lim, S.H., Kim, S.Y., and Kim, S.Y. (2017), Improvement Method and Vulnerable Factor Analysis of the Local Safety Level Index, Jthink 2017-PR-02, Jeonbuk Institute, Jeonju, Korea, 278p.
MOIS. (2019), 2019 Local safety level index, Ministry of the Interior and Safety Website, https://www.mois.go.kr/ (last date accessed: 11 February 2021).
Park, W.P., Na, Y.G., and Choi, J.M. (2015), Spatial distribution and management of tuberculosis patients in South Korea, The Geographical Journal of Korea, Vol. 49, No. 3, pp. 371-382. (in Korean with English abstract) Roh, B.R. (2017), The regional gap of suicide risk and the
spatio-temporally persistence structures in South Korea, Health and Social Welfare Review, Vol. 37, No. 4, pp. 213- 237. (in Korean with English abstract)
Shin, J.D., Won, J.Y., Kim, M.S., Kim, H.J., Lee, B.J., and Lee, J.S. (2016), Analyzing the urban characteristics for regional safety index classes - focused on the transportation sector, Journal of Korea Planning Association, Vol. 51, No.
5, pp. 215-231. (in Korean with English abstract)
Song, C.Y. (2020), A study on the improvement method of the local safety level index in basic local governments, Journal of the Korean Society of Disaster Information, Vol. 16, No.
2, pp. 211-222. (in Korean with English abstract)
Sung, B.J. and Yoo, H.H. (2014), Pattern analysis for urban spatial distribution of traffic accidents in Jinju, Journal of Korean Society for Geospatial Information System, Vol. 22, No. 3, pp. 99–105. (in Korean with English abstract) Yu, S.C., Shin, D.B., and Ahn, J.W. (2019), A study on spatial
analysis of greenhouse gas emissions in building sector used by the spatial big data in case of Seoul, Journal of Korean Society for Geospatial Information Science, Vol.
27, No. 4, pp. 11-19. (in Korean with English abstract)
