KIEAE Journal

쇠퇴지역은 일반적으로 물리적인 노후화, 인구감소, 고령화로 인해 침체 현상이 나타나며 쇠퇴지표를 통해 도시의 쇠퇴 정도를 파악할 수 있다. 우리나라는 2013년「도시재생 활성화 및 지원에 관한 특별법」(이하 ‘도시재생 특별법’)이 제정됨에 따라 도시재생사업을 지속해서 추진하고 있으며, 인구‧사회, 산업‧경제, 물리‧환경 여건에 따라 쇠퇴기준에 부합된 지역을 대상으로 한다. 최근 국토교통부 자료(‘19.12기준)에 따르면 우리나라의 쇠퇴도시는 전국 읍‧면‧동 총 3, 512개동 중 2,403개동으로 약 68.4%에 해당한다. 이러한 쇠퇴도시는 ‘깨진 유리창 이론’에 따라 지역사회의 응집력 해체로 연결되어 범죄발생의 원인이 될 수 있고 기반시설이 열악하여 범죄에 대한 두려움을 가중시킬 수 있으며, 공·폐가 발생으로 우범지역이 되기 쉽다[1].

그간 우리나라의 도시재생 정책은 빈곤이나 실업과 같은 경제적 쇠퇴는 심각하게 다뤄왔으나, 범죄 및 마약 등과 같은 사회적 문제는 해외 도시에 국한된 것으로 여겨왔다[2]. 그러나 도시 범죄는 환경범죄학(Environmental Criminology) 관점에서 인구, 사회, 문화 등 다양한 요인에 의해 발생하는 것으로 알려져 있으며, 우리나라와 같이 도시 쇠퇴가 가속화되고 있는 여건에서의 범죄 문제는 도시재생사업과 함께 해결이 시급한 과제로 부각되고 있다[3]. 최근, 우리나라도 시민안전에 관한 관심이 높아지면서 범죄예방 환경디자인사업(CPTED)이 활발히 추진되고 있으며, 2014년 ‘건축물 등에 대한 안전‧범죄예방 기준이 의무화되어 도시재생사업에도 안전을 고려한 사업 수행이 요구되고 있다[4].

이러한 여건변화에 따라 도시재생사업과 범죄 및 안전에 관한 다수의 연구가 진행되고 있다. 그러나 대부분 범죄예방을 위한 시설물 디자인이나 프로그램 등 주거공간의 안정성 확보를 위한 설계 연구중심으로 이루어지고 있으며, 해외 쇠퇴도시와의 지표 비교 및 사례연구로 진행되고 있어, 도시쇠퇴와 범죄발생의 관계에 관한 실증연구는 미흡한 실정이다. 이에 본 연구는 범죄발생 위험지역에 미치는 도시쇠퇴 특성을 분석하고자 하며, 도시재생사업지 선정을 위한 현재의 법정 도시쇠퇴 지표가 범죄발생과 같은 도시문제를 반영하고 있는지를 실증 분석하고자 한다.

범죄와 환경과의 관계에 관한 연구는 1980년대 생태학적 수법을 사용한 시카고 학파가 환경범죄학의 원류로 전해지며, 사회해체이론은 도시의 지역별 범죄율 분석을 통해서 도출된 이론이다[5]. 시카고 지역의 도심으로부터 거리에 따른 동심원을 그려 범죄율을 비교한 결과, 중심부 지역의 범죄율이 다른 지역에 비해 높게 나타났고, 이를 바탕으로 사회해체이론이 제시되었다[6]. 1970년대 중반 이후 건축 및 건축학과 도시계획 전문가로부터 환경범죄학이 재조명되어 미국을 중심으로 환경설계를 통한 범죄예방(Crime Prevention Through Environmental Design)이 활발히 연구되었고, 영국에서는 상황적 범죄예방(Situational Crime Prevention)에 관한 연구가 진행되었다. 1980년대에는 범죄의 지리적 특성에 관한 이론들이 종합되어 환경범죄학(Environmental Criminology)이라는 이론체계가 형성되었다[7].

이처럼 범죄발생은 장소가 매우 중요한 역할임을 나타내고 있으며, 국내외의 많은 연구에서 범죄발생의 위치 및 장소적 특성을 다루고 있다. 거시적 관점에서 범죄에 영향을 미치는 도시특성을 분석한 정경석 외 3인(2009)은 마산시 26개 행정동을 대상으로 범죄율에 미치는 영향 요인을 분석하였으며, 노인비율, 재산세, 도소매업 수, 숙박음식업종 수가 유의한 변수임을 분석하였다[8]. 김형준, 최열(2016)은 부산시 210개 행정동 대상으로 5대 범죄발생이 미치는 영향을 분석하였으며 가로망구조, 여성인구비율, 노인비율, 상업면적비가 범죄발생에 영향을 미치는 변수임을 분석하였다[9]. 장현석 외 3인(2021)은 서울시 424개 행정동 단위로 범죄유형별로 상관분석을 실시하였으며, 범죄유형 중 폭력 및 마약범죄가 기초생활수급자및 민족분화지수¹⁾와 상관관계가 있음을 분석하였다[5]. 또한, 김현중, 이성우(2011)는 수도권 63개 시군구 단위로 5대 범죄율에 미치는 영향 요인에 대해 공간회귀분석을 실시하였으며, 상주인구, 인당 지방세, 경찰 수가 통계적으로 유의한 변수임을 분석하였다[10]. 이외에도 미시적 관점에서는 가로망 구조[8][10][11][13] 막다른 골목[14], 담장의 유무[15], 건물의 노후도[11][16][17] 빈집 또는 공지[11], 비상벨의 유무[11], 쓰레기 및 소음 신고[17]등이 범죄발생에 영향을 미치는 요인들로 설명되고 있다. 범죄발생에 미치는 영향요인 중 공간특성을 나타내는 공통적인 변수는 상업지역으로 호텔이나 소매점, 술집, 식당 등이 밀집한 곳에서 범죄 발생이 높게 나타나는 경향이 있으며[11][16][17][18], 일반 대중이 많이 이용하는 지하철역 등 대중교통 접근성이 높은 지역도 범죄의 발생에 밀접한 관련 있는 것으로 설명하고 있다[17][19].

반면, 빈곤율이 높은 지역일수록 범죄발생이 높을 수 있다는 사회해체이론에 근거하여 인구‧사회학적 범주에 해당되는 요인이면서 사회‧경제적 취약계층을 대표하는 노인인구와 기초생활수급자를 변수로 사용한 연구의 경우, 다소 상이한 결과가 나타났다. 정경석 외 3인(2009)의 연구에서는 범죄에 영향을 미치는 노인인구 비율이 정(+)의 영향으로 나타났으며[8], 김형준, 최열(2016)연구에서는 부(-)의 영향관계로 나타났다[9]. 또한 기초생활수급자의 경우, 장현석 외 3인(2021) 연구에서는 범죄발생과 부(-)의 영향관계로 나타났고, 김현중, 이성우(2011)연구에서는 부(–)의 영향관계로 나타났지만, 통계적으로 유의하지 않은 변수인 것으로 나타났다[5][10]. 이와 같은 결과는 지방도시 및 대도시에 따른 차이가 있을 수 있으며, 변수 간 단순 상관관계 분석에 의한 결과를 포함하고 있어 범죄발생 요인으로 해석하기에는 다소 무리가 있다.

범죄발생에 관한 연구는 주로 범죄학을 중심으로 공간구문론²⁾과 관련되어 도시공간의 물리적인 형태에 의한 요인이 중점적으로 다뤄졌다. 또한, 민감한 정보 특성으로 데이터 협조가 가능한 특정 지역이나 소규모 지방도시를 대상으로 이루어졌다. 최근 공공데이터를 활용하여 서울시를 대상으로 범죄발생 분포에 관한 연구가 진행되었으나, 일부 변수와의 단순 상관관계 분석으로 범죄발생에 미치는 요인으로 보기엔 한계가 있다. 또한, 기존 연구에서 범죄발생에 미치는 영향 관계를 분석한 요인 중 일부 변수는 도시쇠퇴 특성을 나타내고 있지만, 이를 종합적으로 반영하지 못한 한계가 있다. 이에 본 연구에서는 도시쇠퇴 특성을 나타내는 종합적인 지표들을 중심으로 범죄발생 위험지역에 미치는 요인을 분석하고자 한다. 특히, 도시재생활성화지역의 선정 근거가 되는 도시쇠퇴 지표의 법정기준³⁾에 부합된 지역과 범죄발생 위험지역과 관계를 통해 현재의 쇠퇴지표가 범죄발생 위험지역과 같은 도시문제를 고려하고 있는지 검증하고자 한다.

본 연구는 범죄발생 위험지역의 공간특성을 파악하기 위해 공간자기상관분석을 통해 공간적 집중 정도를 진단하고자 하다. 측정하는 방법은 Moran(1950)이 고안한 Moran’s I 지수를 이용한다. Moran’s I는 지역 간 인접성을 나타내는 공간가중행렬에 따라 데이터의 유사성(similarity)을 측정하며, 인접지역과 비슷한 특성이 있을 때는 (+)값을, 다른 특성이 있으면 (-)값을 가지게 된다 [20,21]. 수식은 Eq.1과 같다.

• N : 지역단위 수, Y_i : i지역의 속성 Y_j : j지역의 속성, Y¯ : 평균 값, ω_ij : 가중치

Moran’s I 지수는 해당 지역 내 단일의 지수로 공간적 집중 정도는 파악할 수 있으나, 지역 내의 공간적 분포패턴은 확인할 수 없다. 이에 공간적 분포패턴을 파악하기 위해 Anselin(1995)이 제시한 국지적 공간자기상관(Local Indicator of Spatial Association, LISA)분석을 실시하고자 한다[22]. 이는 공간적 연관성을 네 가지로 구분하여 공간적 군집의 유의성과 온열지점을 시각화하여 나타낼 수 있다. 먼저, HH(High-High)지역은 높은 값이 높은 값과 인접해 있음을 의미하며, LL(Low-Low)지역은 낮은 값이 낮은 값과 인접해 있음을 의미한다. LH(Low-High)지역은 낮은 값이 높은 값과 인접해 있음을 나타내고 HL(High-Low)지역은 높은 값이 낮은 값과 인접해 있음을 나타낸다. 국지적인 차원에서 공간적 군집은 주로 HH, LL유형을 말하며, LH, HL은 공간적 이례지역이라고 볼 수 있다[21]. 본 연구에서는 Moran's I 지수를 통해 서울시 범죄발생 위험지역의 공간자기상관성을 측정하고, Local Moran’s I 범죄발생의 온열지점의 공간적 분포를 분석하고자 한다.

도시쇠퇴 특성과 범죄발생 위험지역과의 영향관계는 공간회귀모델을 통해 분석한다. 일반적으로 회귀분석(Ordinary Least Squares)은 각각의 변수가 독립적인 것을 전제로 하기 때문에 데이터에 공간적 자기상관성이 존재하는 경우에는 OLS 모델의 독립성 가정을 충족할 수 없다. 이때, 공간 그 자체를 설명변수로 반영한 공간회귀모델(spatial regression model)을 활용하여 신뢰도를 높일 수 있으며, 공간회귀모델은 공간시차모델(spatial lag model;SLM)과 공간오차모델(spatial error model;SEM)로 구분된다[21]. SLM 분석은 인접한 지역의 영향력을 통제하기 위해 종속변수에 미치는 주변 지역의 영향력을 변수화하여 새로운 설명변수로 추가하는 방식이며, 표현식은 식(2)과 같다[21]. SEM 분석은 오차에서 공간적 자기상관성이 존재하는 경우 활용되며, 공간적 자기상관성이 일어나는 변수를 관측할 수 없거나, 집계되는 공간적 범위 간의 불일치로 인해 발생하는 경우를 반영하며 식(3)과 같이 나타낼 수 있다[21]. 이처럼 공간 데이터의 경우, 공간회귀분석을 통해 각 모델의 결과를 비교하여 더욱 적합한 모델을 선택할 수 있으며, 공간특성이 반영된 유의미한 변수를 파악할 수 있다.

• W : 공간가중행렬, ρ : 공간적으로 시차된 공간자기회귀계수
• ϵ : 오차

• W : 공간가중행렬, λ: 오차의 공간적 자기회귀계수
• μ: IID (Independent and Identically tributed)오차

범죄 유형은 크게 강력범죄와 폭력범죄로 구분된다. 강력범죄에는 살인, 강도, 방화, 성폭력이 해당되며, 폭력범죄에는 폭행, 상해, 협박 등이 포함된다. 우리나라의 범죄 관련 정보는 매우 민감한 데이터로 경찰과 검찰에서 관리되고 있으며, 위치별 범죄 발생 자료는 취득하기 어렵다. 이와 같은 범죄발생 정보는 최근 행정안전부에서 GIS를 활용한 생활안전지도 서비스를 통해 공개하고 있다. 해당 서비스는 범죄현황을 분석하여 도로 상에 10등급으로 표현하여 제공하고 있다. 생활안전지도의 범죄 데이터는 가공된 2차 자료지만, 서울뿐만 아니라 국내 모든 지역의 범죄 정보를 미시적인 단위까지 확인할 수 있고, 범죄발생 정보를 공간 데이터로 활용할 수 있는 거의 유일한 데이터라는 점에서 최근 많은 연구에서 활용하고 있다[5], [17], [23]. 범죄발생 정보는 폭력, 절도, 성폭력, 강도로 구분하여 제공하고 있으나, 각 범죄 간의 공간적 분포의 차이가 크지 않고, 본 연구는 범죄의 세부 유형에 따른 영향 분석이 목적이 아니므로 전체 범죄를 나타내는 수치를 행정동 단위로 합산하여 범죄발생 위험지표로 설정하였다.

도시의 쇠퇴 정도를 진단하기 위해 많은 연구에서 다양한 지표를 활용하고 있으나, 도시재생특별법에 의한 도시 쇠퇴지표는 인구감소(2개), 사업체 수 감소(2개), 생활환경 악화(1개)로 총 3개 분야 5개 지표로 구분된다. 도시재생활성화지역으로 지정되기 위해서는 도시쇠퇴 지표 중 2개 이상의 분야에 부합되어야 한다. 인구감소는 ➀ 지난 30년 중 가장 많았던 시기에서 20% 이상 감소한 지역, ➁ 최근 5년간 3년 연속 감소한 지역으로 산정하며, 사업체 수 감소는 ➀ 지난 10년 중 가장 많았던 시기에서 5% 이상 감소한 지역, ➁최근 5년간 3년 연속 감소한 지역이다. 생활환경 악화는 20년 이상 노후건축물이 50% 이상 지역이 해당된다. 서울의 경우 차별화된 특성 반영하기 위해 ‘서울 복합쇠퇴지수’를 별도로 개발하였으며, 인구사회, 산업경제, 물리환경 부문별 가중치를 적용하여 도시경제기반형과 근린재생형으로 구분하고 각각 15개의 지표를 적용하였다. 하지만 2018년 활성화지역 선정기준이 변경되어 서울시의 복합쇠퇴기준은 더는 적용되지 않으며 법정쇠퇴 기준만을 적용하고 있다.

본 연구에서는 기존 선행연구 결과를 통해 범죄발생과 유의한 변수를 통제변수로 반영하되, 법정 도시쇠퇴 기준을 포함하여 도시쇠퇴 특성을 나타낼 수 있는 변수들을 종합하였다. 활용된 변수는 인구‧사회 특성, 경제‧산업 특성, 물리‧환경 특성으로 구분하였으며, 산출 식은 Table 1.과 같다. 먼저, 인구‧사회적 특성을 나타내는 변수로 인구감소율을 선정하였다. 이는 앞서 언급한 도시쇠퇴 지표의 법정기준에 해당되는 변수이다. 인구밀도는 인구의 과밀 정도 및 활성화 정도를 나타내는 지표로 도시의 인구특성을 나타내는 기본 지표이다. 인구구조를 나타나는 지표로는 65세 이상 인구비율을 적용하였으며, 쇠퇴 특성을 반영할 수 있도록 노령화 지수를 추가하였다. 노령화지수는 0~14세 인구대비 65세 이상 인구 비율로 노인인구 증가로 인한 지역의 출산력 하락, 저축률 감소, 생산성 하락을 예상할 수 있는 지표이다[24]. 사회·경제적으로 취약한 인구 특성을 반영하는 지표로 기초생활수급가구 비율을 포함하였다. 이 밖에도 범죄와의 영향관계를 분석한 선행연구에서 불이익이 집중된 지표를 나타내는 변수로 외국인 비율[5][9]을 고려한 것을 감안하여, 사회적 취약계층으로 평가받는 외국인 노동자 비율을 변수로 포함하였다.

둘째, 경제‧산업 특성을 나타내는 사업체 감소율은 도시쇠퇴의 산업‧경제 여건 변화를 나타내는 법정기준에 해당되는 변수이다. 사업체당 종사자수 지표는 지역경제에 참여하는 노동력의 정도와 고용 기회 반영하는 변수[24]이며, 간접적으로 지역 사업의 사업규모를 파악할 수 있다. 선행연구에서 범죄발생에 영향을 미치는 대표적인 변수로 나타난 상업용도 비율, 음식숙박업 비율, 대중교통 접근성은 통제변수의 성격으로 포함하였으며, 용도지역상 상업용도와 준주거 용도를 포함하였다. 지역의 경제적 수준을 나타내는 변수로 개별공시지가를 포함하였으며, 이때, 상업지역의 개별공시지가가 주거지역에 비해 높게 나타나는 경향이 있기 때문에 주거지역의 경제적 수준을 반영하기 위해 개별주택공시지가를 추가하였다.

셋째, 물리환경 여건을 나타내는 대표적인 변수로 노후건축물 비율을 선정하였다. 법정 도시쇠퇴 지표에서 건축물의 노후 기준은 20년 이상이지만, 서울시 복합쇠퇴지표에서는 30년 이상이었기 때문에 서울시의 특성에 맞게 건축물의 노후도 기준을 30년 이상으로 설정하고 건물용도를 상업용과 주거용으로 구분하여 변수로 적용하였다. 물리적 노후여건을 반영하는 지표로 차량통행 불가능 필지 비율을 포함하였고, 쇠퇴도시와 더불어 범죄발생과 관계가 있는 지표로서 빈집비율을 포함하였다. 또한, 지역의 물리적인 개선 정도와 지역 활성화를 반영할 수 있는 지표로 신규건물 비율을 포함하였다.

마지막으로 도시재생활성화지역의 선정기준이 범죄발생 위험지역에도 부합하는지를 검증하기 위해 법정 도시쇠퇴 지표에 따른 선정 여부를 더미 변수로 포함하였다. 변수들은 행정동 단위의 통계 데이터로 가장 최근 시점인 2020년을 기준으로 하였으며, 법정 도시쇠퇴 지표는 공식데이터를 사용하기 위해 공개된 데이터 중 최신 데이터인 2019년 기준 데이터를 사용하였다.

범죄발생 위험지역에 미치는 도시쇠퇴 요인을 분석하기 위해 서울시 425개 행정동 단위로 선정된 20개의 변수에 대한 기초통계량을 분석하였으며, 결과는 Table 1. 과 같다. 먼저 범죄발생 위험성이 가장 높은 곳은 3.68이며, 가장 낮은 곳은 1.00으로 편차가 크게 나타나지 않았다. 때문에 전체적인 분포와 극단치의 존재를 확인하기 위해 Box plot 기준으로 시각화 하였으며, 결과는 Fig. 1.과 같다. 분포 결과, 범죄발생 위험성이 가장 높은 outlier를 포함한 지역은 성북구, 금천구, 중랑구, 도봉구 등 일대로 나타났다. 반면, 부암동, 서빙고동, 항동, 난항동, 평창동 등은 하위 25%로 해당되며 범죄발생 위험성이 가장 낮은 지역으로 나타났다. 이러한 서울시 행정동 단위의 범죄발생 위험성에 대한 공간분포 특성은 위험성이 가장 높은 outlier 지역이 산발적으로 분포하는 반면, 그 주변 일대로 상위 50%~75% 지역이 분포하는 특성을 나타낸다.

Fig. 1. 
Map of Crime-prone Areas in Seoul

인구 감소율이 높은 지역은 가락1동으로 나타났으나, 이는 문정 도시개발사업구역으로 대부분 업무용도 개발됨에 따라 나타난 현상으로 도시쇠퇴에 의한 인구감소 지역이라 보기 어렵다. 이외 인구감소율이 높은 지역은 남가좌 1동, 을지로동, 삼청동, 종로5‧6가 동 등으로 상위 10%에 해당되며, 대부분 도심에 위치하는 것으로 나타났다. 노령화지수가 가장 높은 지역은 을지로동으로 709.5으로 나타났으며, 이 외에도 가양2동, 종로 5‧6가동 등이 노령화지수가 500이상이고, 65세 인구비율도 25% 이상으로 높은 것으로 나타났다. 반면, 잠실 7동이나 월계 2동, 중계 2‧3 동 등은 65세 이상 인구 비율이 20% 이상인 지역으로 노인비율이 비교적 높은 편에 속하지만, 노령화지수는 200 내외로 상대적으로 높지 않게 나타났다. 이는 1980년대 대규모 아파트가 공급된 지역으로 30년 이상이 경과하여 거주민 또한 함께 고령화되었을 가능성이 있으나, 아파트 특성상 거주민이 가족단위로 구성되어 다양한 계층이 함께 거주하는 인구특성이 반영된 것으로 이해할 수 있다. 기초생활수급자 비율이 높은 지역은 수서동, 가양2동, 등촌 3동 등으로 대규모 임대주택이 입지한 지역으로 나타난 반면, 반포 2동, 잠실7동, 대치 1동, 오륜동 등 대부분 강남구 및 송파구 일대는 기초생활수급자 비율이 낮은 것으로 나타났다. 외국인 노동자 비율이 가장 높은 지역은 가리봉동으로 종사자 1,000명당 24.97명으로 나타났으며, 대림 2동은 22.2명으로 나타났다. 이외 구로4동, 신대방 1동, 독산 3동 등이 10.5명 이상으로 외국인 노동자 비율이 비교적 높은 곳으로 나타났다.

지역의 경제‧산업 여건을 나타내며, 도시쇠퇴의 법정 기준인 사업체 감소율이 가장 높은 지역은 둔촌 1동으로 –94.6%를 나타냈다. 하지만, 이는 행정동 전체가 재개발로 인해 기존 용도가 모두 소멸됨에 따른 것으로 도시 쇠퇴에 의한 사업체 감소로 보기 어렵다. 이외 사업체 감소율이 높은 지역은 장위 3동(-58.4%)과 교남동(–50.61%)으로 나타났다. 음식숙박업 비율이 가장 높은 지역은 사근동으로 약 43.0%를 자치하는 것으로 나타났으며 회귀동, 대학동, 신촌동, 이태원동 일대 등도 음식숙박업종이 약 40% 이상을 차지하는 지역으로 나타났다. 사업체 수 대비 종사자 비율이 가장 높은 지역은 여의도동으로 대규모 사업체가 많은 특성이 나타났다. 개별공시지가가 가장 높은 지역은 명동, 서초4동, 소공동, 압구정동 일대로 도심 및 강남의 업무용도 지역을 중심으로 나타난 반면, 개별주택공시가격이 높은 지역은 삼성1동, 반포3동, 역삼2동 순으로 강남구에 집중적으로 나타났다. 상업용 건물 중 30년 이상 노후 비율이 가장 높은 지역은 반포본동, 상계8동, 9동, 남가좌1동 등으로 80% 이상으로 나타났으며, 주거용 건물의 경우, 이촌 1동, 중계 1동이 노후 비율이 높은 지역으로 나타났다. 차량통행 불가능 필지 비율이 높은 지역은 보광동, 천연동, 창신 1동 등으로 나타났으며, 빈집 비율이 가장 높은 지역은 성북동이며 이외 삼양동, 도봉 2동, 정릉 2동 등 강북일대가 빈집 비율이 높은 것으로 나타났다. 신규 건물 비율이 높은 지역은 항동, 위례동, 강일동 등으로 최근 신규 주택공급 및 대규모 개발사업이 발생한 지역으로 나타났다.

법정쇠퇴 기준에 따라 인구감소, 사업체 감소, 노후건물 비율 중 2개 이상의 항목에 해당되어 쇠퇴기준에 부합하는 지역은 서울시 행정동 425개 중 356개로 약 83.8%에 해당되며, 대부분의 지역이 쇠퇴기준에 부합하는 것으로 나타났다.

범죄발생 위험지역의 공간적 특성을 분석하기 위해 전체 범죄발생 위험지표에 대한 공간자기상관분석을 실시하였으며, 분석 결과는 Fig. 2.와 같다. 공간자기상관성을 나타내는 Moran’s I 지수는 0.309로 통계적으로 유의한 것으로 나타났다(p<0.001). 이는 선행연구에서 범죄 항목별 Moran’s I 지수가 0.272~0.499를 나타낸 것과 유사한 값이며[5], 기존 연구와 마찬가지로 범죄발생은 공간적인 영향이 크다는 것과 더불어 범죄발생 지역의 분포가 밀집되어 나타나는 현상을 설명하고 있다. Moran’s I 지수가 밀집도를 나타내는 절대적인 크기라고 볼 순 없으나, 타 분야에서 분석한 Moran’s I 값을 통해 해당 수치의 양적 의미를 유추해 볼 수 있다. 서울시 사회, 경제, 물리적 쇠퇴 지표를 분석한 기존 연구의 Moran’s I 값은 0.030~0.16 로 나타났고[25], 서울시 산업 분야별 Moran’s I 값은 0.057~0.435인 것으로 나타났다[26]. 이와 같이 기존 연구에서는 Moran’s I 값의 수치가 작더라도 통계적으로 유의하다면, 의미가 있다고 해석하였다. 이러한 경우와 비교했을 때 본 연구에서의 Moran’s I 지수 값은 절대적 수치가 높은 편이며, 통계적인 유의수준도 매우 높다고 볼 수 있다.

Fig. 2. 
Moran’s I statistics of Crime-prone areas

범죄발생 위험지역의 공간적 자기상관성의 분포특성을 파악하기 위해 국지적 자기상관분석을 실시하였으며, 분석결과는 Fig. 3.과 같다. 분포 결과, 해당지역의 범죄발생 위험지수가 높고, 주변도 높은 HH유형은 성북구와 동대문구의 경계부에 입지한 지역으로 나타났으며, 이외 도봉구, 금천구, 양천구 일부 지역이 해당되는 것으로 나타났다. 범죄발생 위험지수가 낮고, 주변도 낮은 LL유형은 용산구 일대와 마포구 상암동, 강남‧서초‧송파구의 외곽에 위치한 지역이 해당되는 것으로 나타났다. HH유형은 대체로 중소규모의 상권이 발달하여 경제활동이 많이 발생하는 지역인 것으로 파악되며, LL유형은 상암 도시개발사업, 세곡‧내곡동 일대의 보금자리주택으로 대규모 개발사업에 의해 도시환경이 전면적으로 정비된 지역적 특성을 나타내고 있다.

Fig. 3. 
LISA map of Crime-prone areas in Seoul

종속변수에 공간자기상관성이 존재할 경우 변수 간의 독립성을 가정할 수 없기 때문에 이를 보완하기 위해 공간회귀모델을 활용한다. 본 연구의 종속변수인 범죄발생 위험지수가 4.2 결과에 따라 공간자기상관성이 존재하는 것으로 나타났으므로 공간회귀분석을 실행하였으며, 독립변수는 다중공선성 문제로 65세 이상 인구비율이 제외되어 총 19개의 변수를 대상으로 분석하였다.

공간회귀모델의 적합성은 일반회귀모델(OLS), 공간시차모델(SLM), 공간오차모델(SEM)간의 Lagrange Multiplier(LM)검증과 Robust 검증을 통해 비교할 수 있으며, 결과는 Table 2.와 같다. SLM 모델과 SEM 모델 모두 LM검증에서는 적합한 것으로 나타났으나, Robust 검증에서는 SEM모델만 적합한 대상으로 나타났다. 각 모델간의 설명력은 Log likelihood, AIC, SC⁴⁾ 값을 비교하여 판단할 수 있으며, 결과는 Table 3.과 같다. SLM모델의 공간 영향력이 56.1%이며, SEM모델은 70.5%로 SLM모델의 설명력이 더 높은 것으로 나타났다. OLS모델과 공간회귀모델에서의 변수 간의 비교를 통해 주변지역 확산에 영향을 주는 변수 및 과대 또는 과소평가된 변수를 살펴볼 수 있다. 변수 간의 분석결과는 OLS모델과 설명력이 더 높은 SEM모델을 중심으로 해석하고자 한다.

먼저, 인구사회여건을 나타내는 변수 중 기초생활수급자 비율과 외국인 노동자 비율이 유의한 변수로 나타났다. 사회‧경제적인 취약계층을 나타내는 이러한 인구특성은 범죄발생 위험지역과의 유의한 관계가 있음을 나타낸다. 이때, 외국인 노동자 비율은 OLS모델에서는 정(+)을 나타내었으나 SEM모델에서는 부(-)로 변화되며 영향 계수 또한 감소하였는데, 이는 일반적인 통계 분석으로는 정(+)의 영향을 주는 유의한 변수일 수 있으나, 주변에 미치는 공간 확산 효과는 없는 것으로 해석할 수 있다.

지역의 경제·산업특성을 반영하는 변수의 경우, OLS모델과 SEM모델 모두에서 상업지역 비율과 음식숙박업 비율이 정(+)의 방향으로 유의한 변수로 나타났으며, SEM 모델에서 대중교통 접근성이 정(+)의 방향으로 나타났다. 사업체대비 종사자수 비율은 모두 부(-)방향으로 유의한 변수로 나타났으며, 개별공시지가와 개별주택공시지가는 OLS모델에서 영향력은 작지만 모두 부(-)의 방향으로 유의하게 나타났으며, SEM모델에서는 유의성이 나타나지 않았다. 이러한 변수의 특성은 대체로 기존 연구결과와 같은 방향성을 나타내며, 소규모 음식숙박업 위주로 지가가 저렴한 상업지역이 범죄위험지역과 관계가 있음을 의미한다. 이와 더불어 통계적 유의성이 나타나지 않았으나 사업체 감소율이 부(-)의 방향으로 나타난 것을 감안하면 소규모의 영세한 상업지역이 범죄위험성과 관련이 있는 것으로 해석할 수 있다.

물리적 노후특성을 반영한 변수에서는 상업용 노후건물 비율과 공가비율이 OLS모델에서 정(+)의 방향으로 유의한 변수로 나타났으며, 주거용 노후건물 비율과, 차량통행 불가능 필지비율, 신규 건물 비율이 부(-)의 방향으로 나타났다. 이러한 결과는 대체로 주거지역의 노후도 보다는 상업지역의 노후도가 범죄발생과의 관계가 있음을 의미하여 공가가 많고 신규 건축행위가 잘 일어나지 않는 쇠퇴한 상권 특성이 범죄발생 위험지역과 관련이 있음을 나타내고 있다. 차량통행 불가능 필지비율의 경우, 본 연구에서는 기반시설의 물리적 노후를 반영하는 변수로 설정되었으나, 예상과는 달리 부(-)방향으로 나타났다. 이는 해당 변수가 물리적 노후를 나타내는 지표일 뿐만 아니라 가로망 구조상 통과도를 나타내는 지표이기 때문인 것으로 해석된다. 이론적으로 사람들이 많이 지나다니는 곳은 범죄로부터의 노출될 가능성이 커지고 범죄자들은 익명성을 지닌 공간을 확보할 수 있기 때문에 토지이용상의 통과도가 높은 지역일수록 범죄발생과 높은 상관성이 있을 수 있다[17]. 이에 차량 통행 불가능 필지비율은 통과도를 반영한 변수로 이해된다.

마지막으로 본 연구의 주된 관심변수인 도시재생활성화지역의 선정여부를 나타내는 더미변수는 모든 모델에서 부(-)의 방향으로 유의한 것으로 나타났다. 이는 법정 도시쇠퇴 기준에 부합하지 못한 지역이 오히려 범죄발생 위험지역과 관계가 있음을 의미하고 있다.