This is an Open-Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/
†
*
**
This paper is developed and modified from the Jang et al[10] that was announced in Autumn Conference Urban Design Institute of Korea. And this paper is involved with the patent(10-1517898) that registered at Korea Intellectual Property Office. This research was supported by a grant(11 High-tech Urban G06) from High-tech Urban Development Program funded by Ministry of Land, Infrastructure & Transport and Mid-career Researcher Program (NRF-2015R1A2A2A04005886) funded by Ministry of Science, ICT and Future Planning.
Seongman Jang, Ph.D. candidate, Dept. of Urban Planning and Design, University of Seoul. [email protected]
Changhyo Yi, Research Professor, Dept. of Urban Planning and Design, University of Seoul. [email protected] (Corresponding Author)
도시특성지표 기반 공간개발 패턴 추정에 관한 연구
– 강남지역을 대상으로 –
An Estimation of the Spatial Development Patterns based on the Characteristic City Indicators
- The Case of Gangnam District -
장성만*․ 이창효**Seongman Jang ․ Changhyo Yi
요 약 현재 계획단계에서 구득하여 활용할 수 있는 토지이용 관련 정보는 시도, 시군구, 그리고 읍면동과 같은 집계된 단위의 자료가 주를 이루고 있어, 미시적 공간단위에서의 변화 양상을 파악하기에는 근본적인 한계가 존재한다. 본 연 구의 목적은 존 내 물리적 도시특성지표를 바탕으로 공간 개발패턴을 추정하는 방법론을 개발하는데 있다. 본 연구에서 는 강남지역을 육각형 픽셀로 분할하고 각 공간분석단위별로 판매 및 업무의 건축물 개발강도를 단계별로 구분하여 도 시의 공간적 특성이 판매 및 업무에 어떠한 영향을 미치는가를 다항 로지스틱 회귀분석을 통해 수행하였다. 분석결과 도로와 버스정류장과의 거리가 증가하면 밀도 개발 확률이 감소하며, 수계와의 거리가 증가하면 밀도 개발 확률이 높아 짐을 확인하였다. 본 연구의 방법론과 결과물은 도시계획분야에서 집계된 자료를 미시적 공간으로 세분하는 방법론으 로 활용될 것으로 판단된다.
키워드 : 토지이용, 접근성, 도시특성지표, 건축물 밀도 추정
Abstract Most data used for urban planning is aggregated by administrative district. Thus, a fundamental limit to analysing the changes of micro-geographical units exists. The object of this study is to estimate spatial development patterns based on characteristic city indicators. Gangnam, an area that was analysed, was divided into hexagon polygons. The development density and characteristic city indicators were input into each polygon. Moreover, this study analysed the influence of characteristic city indicators on development density using multinomial regression analysis. According to the results, distance between a polygon and both a road and a bus stop led to a decrease of development density in the polygon. However, distance between a polygon and a river led to an increase of development intensity. The method of this analysis and the results can be used to disaggregate the zonal data in the urban planing area.
Keywords : Landuse, Accessibility, Indicators of the city Characteristic, Estimation of the Spatial Development
1. 서 론
1.1 연구의 배경
도시조사는 도시의 미래의 변화를 예측하고 대비하 기 위한 현황, 자료 및 관련내용을 수집하여 수집된 내용을 자세히 살펴보고, 그 도시의 실상을 이해하는 일이다. 따라서 도시조사는 도시계획을 위한 가장 기
본적인 사항이며 동시에 필수적인 요소이기도 하다.
현실에 대한 정확한 인식과 분석이 없이는 올바른 대 안이 나올 수 없듯이, 도시계획 역시 도시조사를 통한 정확한 진단과 이해를 전제로 하고 있다[17].
현재 도시조사를 위한 데이터 수집은 주로 통계청
또는 공공·민간의 연구소에서 배포 및 판매하는 자료
를 활용하고 있다. 그러나 계획단계에서 구득하여 활
용할 수 있는 토지이용 관련 정보는 시도, 시군구, 그 리고 읍면동과 같이 집계된 단위의 자료(aggregated data) 가 주를 이루고 있어, 미시적 공간단위에서의 변화 양상을 파악하기에는 근본적인 한계가 존재 한다[21].
또한 개인정보 보호 문제가 사회적인 이슈로 대두하고 있는 현실에서 미시적 단위의 원자료를 계획 및 설계 에 활용하는 것은 더욱 어려워질 것으로 예측된다.
그럼에도 불구하고 미시적 단위의 데이터를 구축하 는 대안을 제시하는 연구는 많지 않다. 그와 더불어 최근 도시 분야에서는 타 여러 분야와의 학제간 연계 를 진행하면서 건물단위의 상세한 공간정보의 요구 ( 소음확산모델, 대기오염확산모델 등)가 늘고 있다.
또한, 2차원의 평면적 계획으로부터 벗어나 3차원의 입체적 계획을 요구하고 있는 현실은 집계된 자료를 미시적 공간으로 세분(disaggregation)하는 방법론 개 발의 필요성이 증대되고 있다[16,20,22].
1.2 연구의 목적 및 방법
본 연구의 목적은 물리적 도시특성지표를 바탕으로 집계된 공간단위 내 공간 개발패턴을 추정하는 방법 론을 개발하는데 있다. 공간 개발패턴 추정 방법론의 적용 결과물은 건축물 기반의 환경평가모델과 공간단 위를 기준으로 연계시키는 것이 가능하여지므로 기존 의 모델들을 이용하여 도시계획 및 도시정책으로 인 한 장래의 환경영향을 추정할 수 있게 되는 장점이 있다.
공간개발 패턴 추정모델을 개발하기 위하여 본 연 구에서는 다음과 같은 세부적 연구를 수행한다. 첫째, 문헌조사를 바탕으로 건축물 개발을 결정하는 물리적 도시특성지표에 대해 살피고 본 연구에 적합한 지표 를 선정한다. 둘째, 건물의 위치뿐 아니라 평면과 형태 를 단순화시키고 토지이용간의 공간적 상호작용을 고 려하기 위한 공간적 틀(framework)로서 래스터(raster) 를 적용시키는 방안을 모색한다. 셋째, 정해진 구역의 개발패턴을 추정하는 방법론을 도출하고, 래스터 기 반의 공간개발 패턴 추정모델을 개발한다. 넷째, 사례 지역을 선정하여 물리적 도시특성지표를 산출하고, 건물의 개발패턴을 산출한다. 다섯째, 공간개발 패턴 추정모델을 적용하여 사례지역의 건물패턴을 추정하 고, 이를 실제 건물배치와 비교하여 도시 개발밀도 모 델의 모수를 정산(calibration)한다.
연구의 내용적 범위는 공간 내 개발 패턴이 타 용도 에 비해 수요와 공급에 민감하게 영향을 받는 요소인 판매 및 업무 용도로 설정하였다. 공간적 범위는 판매
와 업무가 활발히 일어나고 있는 강남지역으로 하였 고, 시간적 범위는 2008년으로 하였다. 본 연구에서는 강남지역을 Hexagon polygon으로 분할하고 각 Polygon 별로 판매·업무의 건축물 개발강도를 단계별로 구분 하여 도시의 공간적 특성이 판매·업무에 어떠한 영향 을 미치는가를 다항 로지스틱 회귀분석을 통해 수행 하고, 이를 통하여 공간 개발패턴 추정 방법론을 제시 하였다.
2. 관련 선행연구 검토
2.1 도시 개발밀도에 영향을 미치는 요인
본 연구에서는 도시의 공간 개발 패턴을 추정하는 방법론을 개발하기 위해 도시 개발 밀도에 영향을 미치 는 도시특성지표를 분석한 선행 연구를 검토하였다.
Kaiser et al.[21] 는 지방정부의 개발관리 프로그램 에서 사용되는 여러 가지 수단을 도시개발에 직·간접 적으로 미치는 요인들로 나열하였다. 그 중 개발 밀도 에 영향을 미치는 개발관리 수단은 지역의 용도지역 등 도시계획수단과 기반시설을 제시하였다. Suzuki et al.[24] 는 도시철도 역 접근성의 차이가 토지이용의 용 도와 강도, 특히 개별 필지단위의 건축물 용도와 개발 밀도에 영향을 미침을 밝혔다.
이와 관련된 국내 선행연구들도 다수 존재한다. Choi and Kim[7] 의 연구에서 개발밀도는 도로 조건에 의해 큰 영향을 받는 것으로 나타났다. 그러나 서울 도심에 서 도로용량의 증가에는 한계를 고려하여 지하철 분 담률을 증가시켜야 함을 강조하였다. Lee and Kim[18]
의 연구에서는 건축 밀도는 지형 등 입지적인 특성과
계획에 따른 시가지 패턴에 따라 지역별로 다르게 개
발되며, 동일 지역 내에서도 도로 등 기반시설과의 관
계에 의해 영향을 받는다고 밝혔다. Lee[19]는 법적
용적률이 증가할 때 실현용적률은 기반시설 정비가
양호한 지역에서 보다 크게 증가함을 밝혔다. 따라서
실현 용적률을 증가시키기 위해서는 기반시설이 양호
한 지구를 선별하여 법적 용적률을 증가시키거나, 기
반시설 정비사업을 함께 추진하는 방법이 효과적임을
제시하였다. Lee[19]는 개별 용적은 법정 건폐율과 용
적률 범위 규제에 의해 영향을 받으며 이 범위 내에서
대지의 폭과 깊이 그리고 도로 너비 등 대지조건에
의해 영향을 받는 것으로 밝혔다. 이에 본 연구는 앞선
선행연구를 토대로 개발밀도에 미치는 물리적 도시특
성지표로 지형과 용도지역 그리고 교통시설과의 접근
성을 확인하였다.
2.2 도시 개발밀도 추정
도시 개발밀도를 추정하기 위해서 이와 관련된 선 행 연구를 검토하였다. 과거 서구에서는 도시성장이 급속히 빨라지면서, 향후 도시의 물리적 구조와 도시 권역의 형태, 도시성장의 패턴에 대한 예측이 교통계 획이나 도시계획, 환경을 연구하는 사람들에게 매우 중대한 문제로 부각되었다. 이러한 이유로 도시성장 에 대한 시뮬레이션 모델은 1950년대 이후 많은 관심 을 받아왔다[8].
도시 성장 모형 중 셀룰러 오토마타(CA)의 이론과 기법은 GIS의 래스터 이론과 개념적으로 유사하며 이 를 활용한 연구가 현재 활발히 연구되고 있다. CA에 기반을 둔 도시성장 및 관련 연구들은 70년대 후반 Waldo Tobler 에 의해 CA가 지리학계에 소개되면서부 터 연구되기 시작하였으며, 1980년대 후반부터 현재 까지 다양한 연구결과가 발표되고 있다[13].
셀룰러 오토마타를 활용한 국외 선행연구로 Batty et al.[3] 은 CA이론을 기초로 한 DLA(diffusion- limi- eted aggregation) 을 적용하여 도시성장을 모델링 하였 으며, White and Engelen[25]은 토지이용패턴을 고려 한 도시성장 시뮬레이션을 실행하였다. Barredo et al.[2] 는 토지이용요소들을 활용하여 CA접근방식을 통해 장래 도시이용 시나리오를 분석하였다. 한편 국 내에서 Kang and Park[13]과 Jeong et al.[11]은 CA를 활용하여 도시의 성장과 시가지의 확장에 관해 분석 하였다. 또한, Cho[5]는 도시 토지이용과 밀도의 변화 를 예측하는 모델을 개발하고 타당성을 평가하는 연 구를 수행하였다. 그러나 셀룰러 오토마타는 어느 한 지점(셀)의 값이 다음 시기에 어떻게 변화할지를 추정 하는 모델링 방법이다. 즉, 셀 단위로 공간의 변화를 모델링하기 위한 방법론으로써 현재 분석대상지의 연 속적 또는 비연속적인 물리적 도시특성이 개발밀도에 미치는 영향을 추정하고자 하는 본 연구와는 근본적 인 차이점이 존재한다.
도시공간상의 개발밀도를 추정하는 시도는 국내에 서의 2000년도에 접어들면서 많이 시도되었다. Kim[14]
은 도시 기반 시설의 수용가능 용량에 따른 개발 가능 용량을 추정하는 분석을 수행하였다. 특히 도로, 주거 지 시설용지 증 사회적 공간정보와 표고, 경사, 수계 등 지형적 공간정보를 기준으로 수용 가능 용량을 분 석하였다. Yeo and Kin[26]은 도시 기반시설의 용량과 도시개발의 용량을 서로 비교함으로써, 행정동별 기 반시설 사용의 과밀 여부를 분석한 연구를 수행하였 다. 특히, 기반시설들과의 공간적 거리(접근성)에 따
른 유·불리함을 개발 영향요인으로 삼고 해당 지점에 대한 미래 시점의 개발가능용량을 추정하는 연구이 다. 그러나 상기 두 연구 모두 기반시설의 수용 가능 용량을 분석한 연구로써, 개발밀도를 추정하는 도구 로 활용하는데 한계가 존재한다.
도시 특성을 기반으로 개발 밀도를 추정하는 연구 로 An et al.[1]은 도시철도 이용자수 변화를 가정하고, 역 주변지역의 미시적인 상업시설에 대한 입지 분포 패턴 변화를 추정하는 함수식을 도출하였다. 해당 연 구는 도시철도 접근성과 지형에 따른 건축물 분포 패 턴을 분석하고 추정 함수식을 도출한 연구로써, 건축 물 밀도를 추정하는데 한계가 존재한다. 도시 특성이 개발밀도 차이에 미치는 영향을 분석한 연구로는 Sung and Choi[23] 연구와 Jang et al.[9]의 연구가 있 다. Sung and Choi[23]는 도시철도 접근성과 건축물 개발밀도와의 연관성을 개별 건축물 단위 자료에 기 초하여 실증분석 하였고, Jang et al.[9]은 거리 조락함 수를 활용하여 도시철도 역의 네트워크 거리에 따른 상업과 업무 용도의 건축물 개발 밀도 함수를 추정하 였다. 그러나 위 두 연구 모두 도시철도 역 접근성을 중심으로 건축물 밀도에 미치는 영향을 분석하고 이 를 추정하는 함수식을 도출한 연구로써, 지역의 용도 와 지형 등 도시특성지표에 따른 밀도 변화를 분석하 는데 있어서는 한계가 존재한다. 이에 본 연구는 앞서 도출한 도시특성지표를 기준으로 해당 지역의 개발밀 도 차이를 추정하는 연구를 수행하였다.
3. 변수설정과 모형구축
3.1 분석방법론 설정
3.1.1 래스터 분석
본 연구에서는 토지이용정보에서 제공되는 물리적 도시특성지표를 바탕으로 ‘제한적인’ 공간개발패턴 을 추정하고자 한다. 여기서 제한적이라고 함은 건축 및 단지의 설계적인 특성을 반영할 수 없기 때문에 건물의 정확한 위치뿐 아니라 설계와 관련된 평면과 형태를 단순화시키는 것을 의미한다. 즉, 본 연구에서 는 건물의 위치, 평면, 형태를 단순화시키고 토지이용 간의 공간적 상호작용을 고려하기 위한 공간적 틀 (framework) 로서 래스터(raster)를 적용시키는 방안을 도입하고자 한다(Figure 1 참조).
규칙적인 공간 배열로 표현되는 래스터 자료는 전
체 면을 일정 크기의 단위 셀로 분할하고, 각 셀에 속
성값을 입력하고 저장하여 연산하는 구조이다. 주로
Figure 1. Rasterization in Land use
Figure 2. Spatial Partitioning of Gangman District
사용되는 공간 분할 방식에는 사각형(rectangular), 육 각형(hexagonal), 삼각형(triangular) 등이 있으며, 이 중 사각형의 공간 분할이 가장 보편적으로 사용되고 있다. 이는 그리드 방식의 사각형 구조의 경우, 자료의 저장형태가 행렬 방식이므로 좌표체계를 정의하기 쉽 고, 각 픽셀을 세분할 경우 동일한 형태와 크기로 나눌 수 있기 때문이다. 그러나 사각형 구조의 경우 이웃하 는 픽셀과의 거리가 대각선 방향과 가로, 세로 방향과 차이가 난다는 문제점을 안고 있다[15]. 본 연구에서
는 모서리 부분의 정합성을 높이기 위해 직경(width:
100m) 으로 이루어진 8,617개의 육각형 구조로 분석대 상지를 구획하였다(Figure 2 참조). 구축된 픽셀의 형 태와 중심점을 이용하여 각 픽셀별 종속변수와 독립 변수 지표를 부여하였다.
ln
⋯
ln
⋯
(1)
단,
: 종속변수가 선택 될 수 있는 집단
: 종속변수가 집단(A, B, C)가 될 확률
: 집단(A, B)의 로지스틱 회귀분석 상수항
: 집단(A, B)의 로지스 틱 회귀분석 계수 값 (독립변수의 종류가 k개일 경우)
: 집단(A, B)의 로지 스틱 회귀분석 독립변수 (독립변수의 종류가 k개 일 경우)
3.1.2 다항 로지스틱 회귀분석
본 연구는 래스터 형태로 분할된 공간을 대상으로, 개별 픽셀에 속하는 물리적 도시특성지표를 통해 향 후 해당지역의 개발형태를 개략적으로 등급화 하여 예측하는 공간패턴추정모델을 개발하는데 목적이 있 다. 즉, 연속적 또는 비연속적인 물리적 도시특성을 통해 비연속적인 개발의 강도를 도출할 수 있는 분석 방법론이 요구된다. 이와 같이 종속변수가 비연속 변 수일 때 로지스틱 회귀분석이 사용된다. 특히, 종속변 수의 범주가 2가지(이항형)일 때는 로지스틱 회귀분 석(logistic regression)을 사용하며, 3가지 이상(다항 형)일 때는 다항 로지스틱 회귀분석(multinomial logistic regression) 을 사용한다.
다항 로지스틱 회귀분석을 사용하기 위해서는 종속 변수가 비연속적 변수이면서 세 집단 이상이어야 하 며, 독립변수는 연속적 변수와 비연속적 변수 모두 사 용할 수 있다. 다항 로지스틱 회귀분석식의 구조는 식 (1) 과 같다.
다항 로지스틱 회귀분석에서는 종속변수의 종류가
항상 3가지 이상이므로 승산을 정할 때 각 사건이 일
어날 확률을 특정 사건과 대비시킨다. 이 특정사건을
기준(reference)사건이라고 한다. 기준이 C라면 A와
C, B 와 C를 각각 대비시키는 것이 필요하며, 이를 나
Table 1. Indicators of City Characteristic Charac
teristic Subsection Analysis data preceding research
Topo- graphy
Distance from River
Digital map (2008)
Kang Y. ; Park S. (2000)
Kim, A. J.
(2001) Lee, H. C. ; Kim, K. H. (2001)
Barredo et al.
(2004) Distance
from Green area
Digital map (2008)
Distance from Park
Digital map (2008)
Accessi bility
to transport
facility
Distance from Road
New Address
Project (2009) Choi, M. J. ; Kim, J. Y. (1999.)
Barredo et al. (2004)
Cho D. (2008) Distance
from subway
station
New Address Project (2009) Distance
from Bus stop
Bus route data of Seoul (2008)
Use
district Zoning
Seoul Zoning data(2006)
(1st/2nd residential
area:1) (3rd/quasi residential area, general commercial
area:0)
Cho D. (2008) 타낸 것이 위의 식이다. 따라서 종속변수의 범주가 ‘k’
이면 회귀식은 ‘k-1’개가 된다[15]. 본 연구는 분석대 상지의 개발밀도를 미개발과 저개발 그리고 고개발, 총 세 가지로 분류하여 다항 로지스틱 회귀분석 모형 을 설정하였다.
3.2 변수설정 및 모형구축
본 연구에서는 물리적 도시특성지표를 바탕으로 공 간 개발패턴을 추정하는 것을 목표로 하고 있다. 이러 한 방법론은 정부의 공급정책 및 계획적인 요소에 의 해 공급량이 결정되는 주거 및 공공용도 건축물의 개 발패턴을 예측하는 데에는 적합하지 않은 것으로 판 단된다. 그러나 물리적 도시특성에 따라 발생하는 개 발 수요와 공급에 민감할 것으로 판단되는 판매·업무 시설을 분석의 범위로 삼았다. 이러한 점을 고려하여 분석 대상지는 국내에서 판매와 업무의 활동이 가장 활발한 강남권역 일대로 선정하였다.
종속변수를 산출하기 위하여 본 연구는 건물코드를 활용하여 건축물 형상정보에 2008년 서울시 과세대장 의 정보를 입력하였다(Figure 3 참조). 이를 통해 각 건축물 형상정보 내 용도별 연면적 데이터를 구축하 였다. 그중 건물의 용도가 판매와 업무시설(근린생활 시설, 대규모점포시설, 사무실, 생산시설, 시장(재래시 장), 오피스텔(사무용))인 건축물만 추출하였다(Figure 4 참조). 이 후 각 건축물 형상정보는 앞서 구축한 픽셀 단위로 잘라 여러 개의 건축물 조각 형태로 분류하였 다. 하나의 건축물 조각형상의 연면적은 기존 건축물 의 평면면적 대비 조각의 평면면적의 비율을 연면적 속성에 곱하여 산출하였다. 그리고 하나의 셀 내에 포 함된 건축물 조각의 연면적을 더함으로서 각 셀별 판 매와 업무시설 연면적을 산출하였다. 총 8,617개의 셀 중 판매·업무시설의 최소 연면적은 0m
2, 이고, 최대 연 면적은 442,661m
2이며 평균 연면적은 1,954m
2이다.
개발 연면적이 없는(0m
2) 셀은 미개발로 정의하였고 2 분위 수(1,840m
2) 로 구분하여 개발강도를 저개발 (0.1m
2-1,840m
2) 과 고개발(1,841m
2-442,661m
2) 로 구 분하였다(Figure 5 참조).
공간개발패턴에 영향을 미치는 물리적 도시특성지 표인 독립변수는 기존의 관련 선행연구를 참고하여 공간개발 가능성에 영향을 미치는 자연지형과의 거리 (Figure 6 참조), 사람들 활동과 관련된 개발수요에 영 향을 미치는 교통시설과의 접근성(Figure 7 참조), 건 축물 개발 밀도에 영향을 미치는 요소인 용도지역 (Figure 8 참조)으로 선정하였다(Table 1 참조). 픽셀과
물리적 도시특성간의 거리는 픽셀의 중심점을 기준으 로 각 세부항목별 가장 가까운 객체와의 직선거리를 m 단위로 산출하였다.
로지스틱 회귀분석모형에 앞서 산출한 종속변수와 독립변수를 입력하여 식 (2)와 같은 다항 로지스틱 회 귀분석 모델을 구축하였다.
ln
ln
(2)
단,
: 개별 셀이 미개발 될 확률
: 개별 셀이 저개발 될 확률
: 개별 셀이 고개발 될 확률
: 저개발(L), 고개발(H) 로지스틱 회귀분석
상수항
Figure 3. Shape information in accordance with usage Figure 4. Buildings of sales and business
Figure 5. Degree of development density Figure 6. Natural and green terrain
Figure 7. Transport facility Figure 8. Use district
Table 2. Summary of the Analysis Result
Model -2 Log Likelihood Chi-square df Sig.
Intercept
Only 18,415.2 - - -
Final 14,714.5 3,700.71 14 .000
Table 3. The Result of Goodness of Fit Test
Model Chi-Square df Sig.
Pearson 28,428.4 17,218 .000
Deviation 14,714.6 17,218 1.000
Table 4. Explanation Power of the Analysis Result Cox and Snell Nagelkerke McFadden
.349 .396 .201
: 저개발(L), 고개발(H) 로지스틱 회귀분석 계수 값
: 저개발(L), 고개발(H) 로지스틱 회귀분 석의 지형적 특성관련 독립변수군
: 저개발(L), 고개발(H) 로지스틱 회귀분
석의 교통시설 관련 독립변수군
: 저개발(L), 고개발(H) 로지스틱 회귀분
석의 용도지역 독립변수 (더미)
4. 분석결과
4.1 모형의 적합도와 유사검정
Table 2 는 모형의 적합도를 나타낸다. 첫 번째 줄은 독립변수가 추가되지 않은 기저모형(Intercept Only) 의 값이며, 두 번째 줄은 물리적 도시특성 지표가 사용 된 분석모형 값(Final)이다. 분석결과 최종모형의 카이 제곱 값(18,415.2-14,714.5=3,700.71)이 자유도 14에 서 유의미(p=.000)하게 나타났다. 이는 분석모형이 기 저모형에 비해 적합도가 유의미하게 좋아졌음을 의미 한다.
Table 3 은 분석모형의 적합도를 나타낸다. Deviation 카이제곱값은 분석모형과 포화모형과의 -2 로그우도 의 차이를 나타내는 값으로써, 포화모형과 분석모형 간의 Deviation 카이제곱값의 차이가 통계적으로 유 의미하지 않아야 분석모형이 적합하다고 할 수 있다.
본 분석모형의 경우 Deviation 카이제곱값이 14,714로 자유도 17,218에서 통계적으로 유의미하지 않게 나타 나(1.000), 분석모형과 포화모형이 같다는 영가설을 기각할 수 없으므로 분석모델의 적합도가 좋다고 할 수 있다.
Table 4 는 유사(pseudo)
가 나타나 있다. 유사
는 회귀분석의
와 유사하게 분석모형의 종속변수에
대한 설명력을 나타내는 값이다. Cox 및 Snell은 .349, Nagelkerke 는 .396, McFadden은 .201로 나타나 있다.
그러나 회귀분석과 달리 엄밀하게 분석모형의 설명력 을 나타낸다고 할 수 없기 때문에, 이 수치만으로 모형 의 정확성을 분명하게 평가를 할 수는 없다.
4.2 우도비 검정
Table 5 는 7개의 독립변수에 대한 영향력을 나타내 고 있다. 각 독립변수의 종속변수에 대한 영향력을 평 가하기 위해서는 특정변수를 제거한 -2로그우도 값이 최종의 -2 로그우도 값보다 얼마나 증가했는가가 사용 된다. Table 5의 축소모형의 -2로그우도 값은 최종모 형에서 개별 변수가 기여하는 정도를 나타내는 값이 다. 분석결과 모든 변수의 카이제곱 값이 자유도 2에 서 통계적으로 유의미한 것으로 나타나(p=.000) 최종 모형에 유의미하게 공헌함을 알 수 있다.
Table 5. The Goodness of Fit of Each Explanation Variable
Model
-2Log Likelihood of Reduced
Model
Chi-
Square df Sig.
- Intercept 14714.6 .000 0 .
Topo- graphy
Distance
from River 14936.7 222.2 2 .000 Distance
from
Green area 14806.0 91.4 2 .000 Distance
from Park 14734.7 20.1 2 .000
Accessi- bility
to transport
facility
Distance
from Road 16122.1 1407.5 2 .000 Distance
from subway
station
14745.8 31.2 2 .000
Distance from Bus stop
15319.2 604.7 2 .000 Use
district Zoning 14760.1 45.5 2 .000
4.3 모수 추정값 검정과 모델 예측력 검정
Table 6 은 두 개의 회귀식에서 각 변수의 영향력이
Table 6. Detailed Result of the Analysis Model
Model Variable B Std. Error Wald Sig. Exp(B)
Possibility for low density development
- Intercept .007 .149 .002 .960
Topography
Distance from River .068 .005 160.568 .000 *** 1.071 Distance from green area .157 .018 79.477 .000 *** 1.170
Distance from Park .046 .015 9.158 .002 *** 1.047
Accessibility to transport
facility
Distance from Road -5.978 .240 622.067 .000 *** .003 Distance from subway station .077 .014 30.412 .000 *** 1.080
Distance from Bus stop -.529 .041 169.689 .000 *** .589 Use
district
Zoning (Dummy:1) -.368 .066 30.858 .000 *** .692
Zoning (Dummy:0) 0 . . . .
Possibility for high density development
- Intercept .129 .145 .795 .373
Topography
Distance from River .069 .005 167.882 .000 *** 1.072 Distance from green area .133 .018 56.000 .000 *** 1.142 Distance from Park .064 .015 19.163 .000 *** 1.067 Accessibility
to transport facility
Distance from Road -3.184 .167 361.328 .000 *** .041 Distance from subway station .049 .013 12.932 .000 *** 1.050
Distance from Bus stop -.990 .045 490.778 .000 *** .371 Use
district
Zoning (Dummy:1) .032 .067 .232 .630 1.033
Zoning (Dummy:0) . . . . .
***: p-value <0.01
*Base on the undevelopment area
Table 7. Predictive Performance of the Analysis Model Predicted
Observed 1 2 3 Percent Correct(%)
1 2,874 515 503 73.8%
2 568 1,140 655 48.2%
3 677 717 968 41.0%
Overall Percentage 47.8% 27.5% 24.7% 57.8%
나타나 있다. 첫 번째 표는 ‘미개발에 비해 저개발로 개발될 가능성’(이하 저개발로 개발 될 가능성)에 미 치는 물리적 도시특성지표의 효과를 검증한 표이다.
분석결과 모든 독립변수가 유의미한 영향(p<.01)을 미치 는 것으로 나타났다. 각 변수의 영향력은 도로와의 거리 (Wald=622.067), 버스정류장과의 거리(Wald=169.689), 그리고 수계와의 거리(Wald=160.568) 순으로 나타났 다. 이는 도로와의 거리가 1m 증가하면 저개발로 개발 될 확률이 0.003(Exp(B)=.003)배로 감소하며, 수계와의 거리가 1m 증가하면 저개발로 개발될 확률이 1.071 (Exp(B)=1.071) 배 증가함을 알 수 있다. 특히, 용도지 역(더미변수)분석 결과 용도지역이 3종/준주거용도
및 일반상업용도일 경우 저개발로 개발될 확률이 유 의미하게 높다.
두 번째 표는 ‘미개발에 비해 고개발로 개발될 가능
성’(이하 고개발로 개발 될 가능성)에 미치는 물리적
도시특성지표의 효과를 검증한 표이다. 분석결과 용
도지역변수 외에 모든 독립변수가 유의미한 영향
(p<.01) 을 미치는 것으로 나타났다. 각 변수의 영향력
은 버스정류장과의 거리(Wald=490.778), 도로와의 거
리(Wald=361.328) 순으로 나타났다. 즉, 버스정류장
과의 거리가 1m 증가하면 고개발로 개발될 확률이
0.371(Exp(B)=.371) 배 감소하며, 도로와의 거리가 1m
증가하면 고개발로 개발될 확률이 0.041(Exp(B)=.041)
Table 8. Characteristics Among the Models
Analysis
Method Object Theory Analysis unit Statistic test Adjust measure
Utilization in field of spatial
information
Level of output This analysis
methodology
Estimation of the present
Probabilistic
choice model Cell(pixel) Possibility Possibility Provide
base data 3 dimensions
Urban Model Future prediction
Land-use Transport Interaction
Administrative
district Impossibility Impossibility Provide
base data 3 dimensions Cellular
automata
Future prediction
Probabilistic
choice model Cell(pixel) Impossibility Possibility Frequent use 2 dimensions
배 감소하는 것을 알 수 있다. Table 7은 물리적 도시 특성지표를 바탕으로 공간개발정도를 추정한 결과를 나타낸 결과이다. 분석결과 미개발(1)에 대한 추정확 률은 73.8%, 저개발(2)에 대한 추정확률은 48.2%, 고 개발(3)에 대한 추정확률은 41.0%로 전체 추정확률은 57.8% 로 나타났다.
본 분석모형을 기존의 전통적인 방식과 비교 분석 하면 Table 8과 같이 정리할 수 있다. 본 연구 방법론 은 현상태를 추정하기 위한 모델로써, 확률석택모형 의 이론적 배경을 삼고 있다. 분석 단위는 셀단위로 구분된다. 또한 통계적인 검정이 가능하고 분석단위 조정이 가능하다. 본 연구 방법론은 공간정보분야에 서 기초자료 제공으로 활용이 가능하며 제공의 정보 수준은 3차원으로 제공된다.
5. 결 론
본 연구는 물리적 도시특성지표를 바탕으로 공간 개발패턴과 개발강도를 추정하는 방법론을 개발하였 다. 본 연구에서는 물리적 도시특성으로 인해 발생하 는 수요와 공급에 민감한 판매 및 업무시설을 분석의 대상으로 삼았고, 분석의 대상지는 국내에서 판매와 업무 활동이 활발한 강남권역 일대로 선정하였다. 공 간개발패턴에 영향을 미치는 물리적 도시특성 지표는 자연지형과의 거리, 교통시설과의 접근성, 용도지역 으로 정의하였다. 강남권역 일대를 래스터 형태의 공 간으로 분할하고 각 픽셀 내 물리적 도시공간특성 지 표를 독립변수로, 개발강도(1단계 : 미개발, 2단계 : 저개발, 3단계 : 고개발)를 종속변수로 하는 다항 로지 스틱 회귀분석 모델을 구축하여 분석한 결과 다음의 결과를 도출하였다.
첫째, 본 연구에서 설정한 물리적 도시특성지표 중 공간개발패턴을 결정하는데 중요한 영향요인으로 도
출된 변수는 도로와의 거리, 버스정류장과의 거리, 하 천과의 거리이다. 그 중 도로와의 거리와 버스정류장 과의 거리는 저개발 또는 고개발로 개발될 확률을 낮 추는 중요한 요소로 밝혀졌다. 반면 수계와의 거리는 저개발 또는 고개발로 개발될 확률을 높이는 요인임 이 확인되었다. 즉, 수계와 멀어질수록 개발될 확률이 높아짐을 알 수 있다.
둘째, 지하철역과 자연지형(수계, 녹지, 공원)과의 거리는 저개발 또는 고개발로 개발될 확률을 높이는 요소로 밝혀졌다. 앞서 살펴본 도로 및 버스정류장과 의 거리적 요소에 비해 변수의 영향력이 크지 않으나 개별 변수는 유의미하게 도출되었음을 알 수 있다. 특 히 지하철역은 타 교통수단(도로, 버스정류장)과 달리 거리값이 커질수록 저개발, 고개발이 유의미하게 높 아짐을 알 수 있다. 이는 타 교통수단과 달리 지하철 역이 교통수요와 공급에 의해 형성되기보다, 지역의 균형 발전 및 이동권에 대한 형평성의 원칙 등 보다 복잡한 이해관계들로 인해 건설되기 때문으로 여겨진다.
셋째, 3종/준주거용도 및 일반상업용도로 결정된 지 역은 저개발로 개발될 확률이 높음을 확인하였다. 그 러나 고개발로 개발될 확률에서는 용도지역이 유의미 한 변수로 채택되지 않았다. 이는 고개발은 용도지역 과는 별개로 버스정류장의 거리 및 도로와의 거리등 에 크게 영향을 받는 반면, 저개발은 용도지역 규제안 에서 진행되기 때문이다.
본 연구를 통하여 제시한 공간개발패턴 추정모형은
집계된 분석데이터내에 존재하는 미시적 공간단위의
개발밀도형태를 분석하고 추정하는데 유용한 방법론
이다. 이를 거시적 단위의 결과물을 도출하는 도시계
획지원시스템과 접목시킨다면 도시계획 및 도시정책
의 입안 과정에서 매우 유용하게 활용될 수 있을 것으
로 판단된다. 뿐만 아니라 본 방법론을 통해 구축한
미시적 공간단위의 개발 밀도분포는 타 연구 분야와
의 학제 간 연계를 통해 대기오염, 소음과 같은 환경문 제를 검토하는 것이 가능할 것으로 판단한다. 반면, 본 연구는 특정 시점을 기준으로 대상지를 분석함으 로 인해 개발의 변화량을 분석하는 데 한계가 있다.
이는 향후 시계열적 분석을 수행하여 한계점을 보완 하고자 한다.
References
[1] An, Y; Jang, S; Lee, S. 2012, A Study on the Distribution Pattern of Commercial Facilities around a Subway Station Using GIS Network Analysis - Focused on Sillim Station of Seoul Subway Line 2 -, Journal of Korea Planners Association, 47(1):199-213.
[2] Barredo, J. I; Demicheli, L; Lavalle, C; Kasanko, M; McCormick, N. 2004, Modelling future urban scenarios in developing countries: an application case study in Lagos, Nigeria, Environment and Planning B, 31(1):65-84.
[3] Batty, M; Longley P; Fotheringham S. 1989, Urban growth and form: scaling, fractal geometry, and diffusion-limited aggregation. Environment and Planning A, 21:1447-1472.
[4] Chae, G. 2010, Social Science Statistical analysis (vol.3), Yangseowon, Paju.
[5] Cho D. 2008, Cellular Automata Based Urban Landuse Change Modeling Considering Develop- ment Density, Journal of Korean Geographical Society, 43(1):117-133.
[6] Choi, C. G. 2004, An Analysis on the Physical Control Factors Affecting Building Envelope by Modeling Simplified Permissible Bulk Formation, Journal of the Korea Real Estate Analysts Association, 10(2):95-106.
[7] Choi, M. J; Kim, J. Y. 1999, Urban Development Density with Infrastructure Constrains, Journal of Korea Planners Association, 34(3):61-73.
[8] Harris, B. 1985, Urban simulation models in regional science, Journal of Regional Science, 25(4):545-567.
[9] Jang, S; An, Y; Lee S. 2014, Empirical Study on The Effect of The Building Density Change in Station Influence Area on Pedestrian Network Distance -Using Distance Decay Function-, Paper
presented at the Korea planning association Fall Conference 2014, October 25.
[10] Jang, S; Yu, Y. Z; Yi, C. 2012, Estimation of the spatial development patterns based on determination factors of the city form - Focused on Gangnam, Paper presented at the Urban Design Institute of Korea Fall Conference 2012, October 20.
[11] Jeong, J; Lee, C; Kim, Y. 2002, Developments of Cellular Automata Model for the Urban Growth, Journal of Korea Planners Association, 37(1):27-43.
[12] Kaiser, E. J; David, R. G; Chapin, F. S. 1995, Urban land use planning (vol.4), University of Illinois Press, Urbana.
[13] Kang Y; Park S. 2000, A Study on the Urban Growth Forecasting for the Seoul Metropolitan Area, Journal of Korean Geographical Society, 35(4):621-639.
[14] Kim, A. J. 2001, An Urban Design Method Based upon Development Capacity under Infrastructure Constraints -the Case of Suji-Eup, Yongin City, Korea, Master degree dissertation. Department of Urban Engineering, The Graduate School of Chung-Ang University.
[15] Kim, M. Y. 2005, Urban and GIS - Urban Information System, Sungandang, Paju.
[16] Kim, N. Y; Kim, K. H; Park, Y. G. 2011, Develop- ment of GIS-based Integrated DB Management System for the Analysis of Climate Environment Change, Journal of Korea Spatial Information Society, 19(6):89-99.
[17] Korea Planners Association. 2008, Introduction to URBAN PLANNING, Bosungkag, Seoul.
[18] Lee, H. C; Kim, K. H. 2001, A Study on the Factor Analysis of Development Density in Residential Zone for the Purpose of Classified Zoning Control in Seoul, Journal of Korea Planners Association, 36(5):73-88.
[19] Lee, M. 2000, Adaptability of Land Use Control as Settlement Policy in CBD, Journal of Korea Planners Association, 35(5):29-38.
[20] Lee, S. 2001, Umweltverträgliche Stadtentwicklung
für Kwangju: alternative Strukturen der Nachhaltigkeit
für eine Stadtregion in Südkorea, Inst. f. Raumplanung,
Univ.
[21] Lee, S; Lee, S. W; Hong, B. Y; Eom, H; Shin, H. S; Kim, K. 2014, Representation of Population Distribution based on Residential Building Types by using the Dasymetric Mapping in Seoul, Journal of Korea Spatial Information Society, 22(3):89-99.
[22] Spiekermann, K; Wegener, M. 1999, Freedom from the tyranny of zones: towards new GIS-based spatial models, Spatial Models and GIS: New Potential and New Models.
[23] Sung, H; Choi, M. J. 2014, An Effect of Rail Station Accessibility on Building Development Density, Journal of Korea Planners Association, 49(3):63-77.
[24] Suzuki, H; Cervero, R; Iuchi, K. 2013, Transforming cities with transit: Transit and land-use integration for sustainable urban develop- ment, World Bank Publications.
[25] White, R; Engelen, G. 1993, Cellular automata and fractal urban form: a cellular modelling approach to the evolution of urban land-use patterns, Environment and planning A, 25(8):1175-1199.
[26] Yeo, C. H; Kim, J. I. 2007, Linking Urban Development Density with Infrastructure Capacity, Journal of the Korean Association of Geographic Information Studies, 10(4):46-59.
Received：2014.11.18 Revised ：2015.05.04 Accepted：2015.06.10
