[청년주거(2)] 문제정의

2023.07.30 - [Project] - [청년주거(1)] 현상의 파악

[청년주거(1)] 현상의 파악

앞선 글에서 청년주거문제라는 현상에 대해 파악해보았다. 

서울시에 거주하는 청년 1인 가구들의 주거 수요는 꾸준히 증가하고 있다. 이에 정부에서도 청년 가구의 주거를 저렴하게 공급할 수 있는 해결책으로 <2030 역세권 청년주택>과 같은 정책을 내놓았다. 해당 사업을 위한 주택을 건설하는 일이 수급 시기에 맞게 이뤄져야 하는데, 넓은 서울 땅에서 적합한 부지를 찾는 일이란 쉽지 않은 일일 것이라고 예상된다. 

 

무엇을 해결하고 싶은가?

• 양질의 주택 조건에 무엇이 있을지 생각해본다. (지표 선정)
• 공급자와 수요자 (청년 1인 가구)의 입장을 모두 고려한 입지를 데이터의 공간적 분석을 기반으로 선별해내고 싶다. 
• 선정한 양적/질적 지표에 대한 각 부지의 점수를 책정하고 싶다.  (어떻게?)
• 부지의 점수를 책정한 후, 어떤 부지가 새로운 주택의 건설에 적합할지 비교할 수 있는, 모든 사람이 알아보기 쉬운 하나의 지도로 시각화하고 싶다. 

문제해결방법

(1) 지표선정

 

공간빅데이터 경진대회 발표 자료

 

현재 우리나라에서 주택은 어떤 수단으로 사용되고 있을까? 1. 거주 공간의 수단으로써 주택 / 2. 자산 증식의 수단으로써 주택 , 크게 2가지로 나뉠 수 있다. 특히 최근 한국 사회에서 집은 소유를 통한 자산증식의 도구로 인식되는 경우가 매우 많다. 하지만 서울연구원에서 조사한 결과 이행기 청년에게 집은 그 이상의 의미를 갖는 경우가 많다고 한다. "서울시 청년이 생각하는 집의 의미"  1순위는 휴식의 공간,  2순위는 안전하게 보호받는 공간이었다. 

 

한편 "서울시 청년들이 이사를 하는 주된 이유"에 대한 설문조사에서는 청년들이 실제로 집을 구하고 살아본 후, 새로운 집을 탐색하는 과정에서 중요하게 생각하는 주거의 의미에 대하여 알아볼 수 있었다. 1순위는 학교/직장과 가까운 곳 또는 교통편이 좋은 곳에 살기 위해서(30%)이었고, 복수응답을 고려한 1순위는 시설/구조 등이 더 좋은 곳으로 옮기기 위해서(58%)이었다. 특히 삶의 질, 워라벨에 대한 인식이 높은 청년층에게 직주, 학주근접은 주거지 선정에 있어서 손꼽는 요소였다. 

 

서울시에 거주하는 1인 청년 가구들을 대상으로 한 위의 설문조사 결과들을 통해서 나는 수요자 (1인 청년 가구) 측면에서 본인이 거주할 공간에 대해 중요하게 생각하는 요소들과 관련한 키워드(지표)들로 "휴식", "안전", "직주/학주근접 및 교통편의", "좋은 시설과 구조"를 선정했다.

삶의 공간이 안전하게 휴식할 수 있는 공간이 되기 위해서는 어떤 데이터를 반영하면 좋을까? 1인가구는 일반가구 대비 사회안전과 범죄 관련 사회 안전에 대한 불안감이 높다. 통계청에 따르면 범죄 관련 사회 안전에 대한 인식에서 ‘불안’이라고 응답한 1인가구의 비율은 42.8%로, 전체 가구(39.9%)보다 높게 나타났다. 현재 우리나라의 치안안전정책은 범죄자의 주거침입을 어렵게 만드는 각종 시설(방범벨, 방법창, 인터폰 등) 설치인 타깃 하드닝을 구사하지만, 범죄 두려움을 해소하기 위해서는 거주지 환경과 경찰에 대한 신뢰가 더 많은 영향이 줄 수 있다고 한다. (출처 : 데일리팝 기사, ‘1인가구 동향에 대한 형사정책적 대응’ - 형사법무정책연구소식)  우리나라 법무부는 범죄예방환경개선협의회를 거쳐 범죄예방 환경개선 기본계획을 발표하며 관계기관, 지방자치단체와의 협업을 통해 효율적인 CPTED 사업을 추진함에 초점을 맞춘 바 있다. CPTED(Crime Prevention Through Environmental Design)는 다양한 안전시설 미 수단을 적용한 도시계획 및 건축 설계를 말한다. 따라서 CPTED 전략에 대해 조사를 해보니, 특정 주거 단지에서 건축물의 노후 정도는 해당 전략에서 주요한 고려사항이며, 서울시의 각 동별로 건출물의 준공년도에 대한 데이터를 구할 수 있다는 점을 모두 고려하여 동별 노후 건축물 비율 (준공년도 기준)의 데이터를 안전 지표에 반영하기로 결정했다. 
이 외에 가장 대표적인 방법 지표이자 서울시가 시작한 안전 귀가 지원 '안심이 앱' 서비스 정책과도 밀접한 관련이 있는 CCTV 설치 대수도 동별로 비교하기로 했다. 마지막으로 같은 동 내에서도 위치에 따른 경찰관서와의 거리 또한 지표에 포함하여 거리가 가까울수록 범죄 두려움을 낮출 수 있어 청년 1인 가구에서 더욱 매력적인 거주지가 될 것이라고 생각했다. 

 

 

청년을 위한 거주지를 새롭게 건설할 때 수요자가 원하는 요소를 모두 만족하는 것도 중요하지만, 사업 특성상 사업자(공급자)의 측면 또한 고려해야 함을 피할 수 없다. 우리나라 도시에서 (서울시에서) 건물을 지을 때 사업자가 살펴볼 매우 중요한 요소 중 하나는 법적으로 정해져 있는 "용도지역"임이 틀림없다. 용도지역에 따라 토지의 이용, 건축물 용도, 건폐율, 용적률, 높이 등 다양한 요소가 제한되기 때문이다. 2022년 기준 서울시 청년 역세권 사업 대상지의 입지 조건은 역세권의 정의와 용도지역 분류에 따라 결정됐다. 역세권의 범위는 지하철역 등 승강장 경계로부터 350m 이내였고, 사업지로 적합한 용도지역은 제2종 일반주거, 제3종 일반주거, 준주거지역에 해당하고, 일부는 일반 및 근린상업지역 준공업지역을 포함하기도 했다.

 

이를 참고하여 내가 정할 청년 1인가구를 위한 주택 사업지로 준주거지역, 제3종 일반주거지역, 제2종 일반주거지역을 선정하였다. 역세권의 범위는 차용하지 않았다. 그 이유는 2가지가 있다. 첫번째, 위에서 수요자 측면과 관련하여 생각한 지표로 "직주/학주근접"이 있었기 때문이다. 직장인 청년 뿐만 아니라 학교 근처에 거주하고자 하는 청년들의 수요 또한 고려하고자 단순히 역에서 가까운 위치가 매력적인 위치는 아니라고 생각했다. 주변에 대학교가 있는 입지는 해당 학교와의 거리를 고려하고 싶었다. 두번째, 직장 출퇴근이 편리하려면 무조건 역에서 350m이내 라는 조건으로 제한하는 것은 한계가 있다고 생각했다. '350m가 넘으면 사업 대상지에서 제외한다' 보다는 '역에서 멀수록 사업지로 적합성이 떨어진다'로 조건을 반영하고 싶었다. 350m보다 멀더라도 다른 주거조건에 만족하여 입주하고자 하는 수요가 있을 것이라고 예상했으며, 최근 퍼스트/라스트 마일의 수단으로 전동킥보드 등을 활용하는 청년들의 비율이 매우 높음 또한 위의 조건이 더 합리적임을 뒷받침할 수 있다. 

 

(2) 여러 지표들을 어떻게 하나의 공간에 담을 수 있을까? 

위 지표들을 '하나의 공간'에 담아내기 위한 과정은 쉽지 않았다. 지표들을 반영하기 위한 데이터를 수집하는데, 데이터마다 제공하는 공간적 단위가 모두 달랐기 때문이다. 예를 들어, 선정된 지표들 중 'cctv 구축 대 수', '노후 건축물 수' 등은 동 단위로 데이터가 제공된다. 따라서 동 단위로만 비교가 가능하다. 하지만 '지하철역 및 대학교와의 거리', '경찰관서와의 거리', '용도지역의 적합성'은 동별로 제공되는 데이터가 아니다. '지하철역, 대학교, 경찰관서'는 모두 공간상 '점'에 해당하는 데이터이다. 그 점과의 거리에 따라 동심원 단위로 주거환경의 적합성이 달라질 것이다. 마지막으로 용도지역 데이터는 도시관리계획 상 이미 정해진 도시의 필지 단위로 데이터가 제공된다. 만약 새롭게 청년을 위한 주택을 건설하게 된다면 모든 지표를 '필지' 단위로 담아내는 것이 best일 것이다. 하지만, 동 단위로 제공되는 데이터는 필지단위로 그 범위를 좁힐 방법이 없었다. 좁은 단위(필지)의 데이터를 넓은 단위(동)의 데이터로 변환은 대표값을 이용하여 가능하지만 그 반대는 세부데이터가 없기 때문에 불가능하다. (동 단위의 데이터 값을 그 동에 포함되어 있는 모든 필지의 데이터 값으로 이용하는 것은 과한 일반화의 오류이다.) 

 

머신러닝/딥러닝을 위한 데이터의 전처리 과정에서 feature에 대한 차원 축소와 scaling 과정이 수반된다. scaling이 반드시 수반되어야 하는 이유는 feature별로 데이터의 범위가 다르기 때문이다. 데이터의 범위가 지나치게 큰 feature와 작은 feature이 섞여 있으면 train data의 학습에 문제가 생긴다. 내가 해결하려는 문제의 경우는 예측문제는 아니었지만 위와 마찬가지로 "어떤 단위"로의 scaling이 필요했다. 그래야 최종적으로 그 "단위"에 대하여 거주지 적합성 점수를 부여하고, 비교를 할 수 있기 때문이다. 

 

내가 생각해 낼 수 있었던 최선의 해결방안은 먼저 동 단위로 주어진 데이터인 '청년 1인 가구 수', 'cctv 설치 대수', '건축물의 준공년도'로 서울시 426개의 행정동 중 더 좁은 단위로 분석할 최적의 행정동을 뽑는 것이다. 그 다음, 대상 행정동에 대해서 필지 단위 지도를 다운 받아 각 필지별 '용도지역'에 따른 점수, 그리고 '지하철역 및 대학교', '경찰관서'와의 거리에 따른 점수를 부여한다. 부여된 점수에 따라 최종으로 모든 지표들을 고려한 최적합 입지를 선정한다. 첫번째 행정동을 선별하는 단계를 1단계, 두번째 필지 단위로 적합성 점수를 부여하는 것을 2단계라고 해보자. 만약 서울시에서 추후 사업 진행 시 사업을 진행할 행정동을 사전에 정했다거나, 행정동 별로 선정할 사업지의 수를 골고루 분배하고자 한다면 위의 분석 방법에서 2단계부터 진행할 수 있을 것이다. 아쉽게도 이 경우에는 cctv 설치대수와 건축물의 노후도를 체크할 수 없다는 단점이 존재한다. 

 

(3) 그래서 각 필지에 거주공간 적합성 점수를 책정할 수 있는 방법은?

(2)에서 언급한 (바로 윗 문단) 2단계에서 어떻게 필지 단위로 점수를 부여할 수 있을까에 대한 고민이다. 지도 상 필지가 나누어져 있고, 다양한 필지들은 모두 그 크기와 모양이 다르다. 때문에, 특정 시설과의 거리를 따져 점수를 부여하다보면 하나의 필지 범위 내에서더라도 거리 범위가 달라질 수 있다. 거리 범위의 경계에 있는 경우 ! 이 문제를 해결하기 위해 픽셀 단위로 점수를 부여하기 위해 래스터 변환을 결정했다. (한 픽셀의 크기는 30m * 30m)

1. 제일 쉬운 용도지역부터:

 

용도지역이 이미 필지별로 부여된 개념이기 때문에 어떤 용도의 필지에 높은 점수를 부여할지만 고려하면 된다. 준주거지역, 제3종 일반주거지역, 제2종 일반주거지역에 대해서 당연히 사업자의 입장에서는 허용 용적률이 높은 순서대로 주택 건설을 선호할 것이다. (해당 필지 매입 가격까지 고려하지 않을 때) 3 종류의 필지에 대하여 용적률은 순서대로 400%, 250%, 200%이기 때문에 순서대로 사업지 적합성 점수를 높게 부여한다. 각 지표별로 부여하는 점수를 10점 만점으로 할 것이기 때문에 준주거지역에 10점, 제3종 일반주거지역에 7점(6.25점의 올림), 제2종 일반주거지역에 5점을 부여한다. 
(벡터 데이터인 필지를 30m * 30m의 픽셀로 래스터 변환하고, 위의 용도대로 점수를 부여한다. 래스터 변환을 한 이유는 2. 특정 시설과의 거리에 따른 점수와 함께 점수를 합산하기 위하여 적용하는 데이터 유닛 통일 방식이다. )

 

2. 지하철역 및 대학교와의 거리, 경찰관서와의 거리 :

모든 시설마다 수많은 필지와의 거리를 모두 측정하여 일일히 점수를 매기는 것은 수작업으로 하기에 너무 방대한 양의 데이터이기 때문에 ArcGIS 프로그램을 이용하여 각 시설부터의 거리에 따라 동심원 범위로 최대 10점에서 최소 1점까지를 부여하기로 했다.
(프로그램상 Rasterize - Reclassify 기능을 이용하여 점수를 부여하기로 결정. 방법은 다음과 같다. 대상지와 접근한 지하철역, 대학교, 경찰관서를 특정하기 위해 대상지 경계로부터 350m 범위까지 구역으로 설정한 후 벡터 형식의 구역을 래스터 형식으로 변환한다. 래스터 변환 후 1pixel의 넓이는 30m * 30m이다. 래스터 형식으로 변환된 픽셀들을 "Proximity (raster distance)" 기능을 통해 Equal interval 11개의 class로 시각화한다. 이후 "Reclassify values" 기능으로 시설로부터 가까운 순으로 10점, 9점, 8점, ... , 1점으로 재분류한다. )

 

3. 가중치 부여 :

3가지 지표별 만점이 10점이므로 세 지표를 반영한 최종 점수가 10점이 되기 위해서는 가중치를 주어야 한다. 가중치를 정하기 위한 다양한 방법 중 주관적인 의견에 따른 쌍대비교를 통해 여러 요소들의 가중치를 산정하는 방법인 AHP방법을 택하였다. 

 

용도지역보다 각 시설과의 거리에 대한 지표를 더 중요하게 생각했다. 수요자의 needs를 고려한 지표이기 때문이다. 이미 분석 대상이 될 행정동을 선정할 때 cctv 설치 밀도를 고려한 바 있기 때문에, '지하철역 및 대학교와의 거리' 지표가 '용도지역' 지표보다 상대적으로 더 중요 (x3), '경찰관서와의 거리' 지표는 '용도지역' 지표보다 조금 더 중요(x2)하다고 생각했다. 마찬가지 이유로 '지하철역 및 대학교와의 거리' 지표를 '경찰관서와의 거리' 지표보다 조금 더 중요(x2)하다고 생각했다. 

이 3x3 matrix에 따라 AHP를 구한 결과 순서대로 53.9%, 29.7%, 16.4%로 계산되었고 consistency(일관성지수)는 1%가 나왔다. 

 

 

위의 방식대로 한다면 각 픽셀별로 점수가 0점에서 최대 10점까지 산정될 것이고, 점수가 높은 픽셀들은 붉은색으로, 낮은 픽셀들은 파란색으로 시각화하여 나타난다면 붉은색 픽셀들이 모여있는 필지가 나타날 것이다. 해당 필지를 실제 네이버 지도의 거리보기 기능을 통해 관찰하고 나의 목표였던 새로운 청년주택 건설로 과연 적절할지 검토해보는 과정을 거친다.