1. 서론

범죄 불안감은 특정 장소에서 범죄가 발생할 것이라는 주관적 불안 심리를 의미한다(Ferraro and LaGrange, 1987; Rader, 2017). 특히 폭력 범죄에 대한 불안은 주민 삶의 질과 도시의 지속 가능성에까지 영향을 미친다는 점에서 사회적 관심이 높다(Anderson et al., 2013; Wang et al., 2019).　Kelling and Wilson(1982)이 제안한 깨진 유리창 이론은 무질서한 환경이 범죄 가능성을 높이는 요소임을 강조했으며, 실제로 건조 환경의 무질서와 범죄 간 상관관계를 입증한 연구도 다수 존재한다(Lee et al., 2019; Zhou et al., 2021). 이러한 도시환경의 중요성이 인식되면서 최근에는 지역의 환경을 범죄기회를 제거하거나 최소화하는 방향으로 계획, 변경함으로써 범죄 및 불안감을 저감시키자는 범죄예방 환경설계(Crime Prevention Through Environmental Design: CPTED, Jeffery, 1971) 개념이 주요 선진국을 비롯해 우리나라에서도 도입되고 있다.

CPTED는 “환경 설계를 통한 범죄 예방 (Crime Prevention Through Environmental Design)”의 약자로, 도시 및 건축 환경 설계를 통해 범죄를 예방하려는 개념이며, 도시 생활 공간의 설계 단계부터 범죄를 예방할 수 있도록 안전 시설 및 수단을 적용하는 도시 계획 및 건축 설계를 의미한다. 국가적차원에서 국토교통부(2013)는 건축물의 범죄예방 설계 가이드라인을 제시하였고, 서울시에서도 이 가이드라인에 맞춰 범죄불안감이 높은 지역을 지도화하고, 범죄 예방 환경설계 가이드라인에 맞춰 현장조사를 하도록 안내하고 있다 (서울특별시, 2013). 하지만 기존의 범죄불안감 지도화나 셉티드기반 범죄예방 환경설계는 소수의 지역주민을 대상으로 설문조사를 하거나 일부 전문가의 현장조사를 통해 이뤄짐으로써 일반화가 어렵고, 평가자의 주관이 개입되며, 공간적 확장성에 한계가 있다는 문제가 있다.

본 연구는 서울시 영등포구를 사례로, 거리 영상 기반 딥러닝 기술을 활용해 가로 단위 상세 수준에서 범죄 불안감과 CPTED 기반 범죄 안전 설계 수준을 시각화하고 비교･평가하는 것을 목적으로 한다. 특히 범죄 불안감이 높은 지역과 CPTED 설계가 열악한 지역을 파악하여 도시환경 개선의 우선순위를 제안하고자 한다. 이를 위해 2장에서는 관련 선행 연구를 분석하였다. 3장은 거리 영상 수집, 범죄 불안감 정성평가를 위한 데이터셋 구축, 딥러닝 모델 개발과 훈련, CPTED 기반 평가 지표 개발 및 DB 구축 과정을 설명하였다. 4장에서는 인지된 범죄 불안감과 CPTED 범죄 안전 설계 수준을 시각화하고, 두 결과를 비교 분석하였다. 5에서는 연구 결과를 요약하고 의의와 향후 과제를 제시하였다.

2. 연구 동향

1) 딥러닝을 활용한 범죄 불안감 매핑

범죄 불안감은 범죄의 위협이나 잠재적 피해에 대한 부정적인 반응으로, 무질서한 환경과 같은 특정한 상황에서 더욱 강하게 나타난다(Jeffery, 1971; Kelling and Wilson, 1982; Pain, 2000). 범죄 불안감이 거주민의 삶의 질을 저하시키는 것으로 밝혀지면서 도시 연구에서는 범죄 불안감이 높은 지역을 파악하기 위한 다수의 연구가 이루어졌다. Doran and Lees(2005)는 호주 Wollongong시의 CBD에 근무하는 234명을 대상으로, 두려움으로 인해 피하는 지역을 지도에 표시하게 하였는데, 그래비티나 버려진 건물 등과 같은 물리적으로 무질서한 환경이 범죄 공포를 증가시키고 특정 지역을 회피하게 만든다는 결과를 밝혔다. Kohm (2009)은 범죄가 많이 발생하는 지역의 주민 394명을 인터뷰하여, 두려움을 느끼는 장소를 표시하도록 하였는데, 거리 매춘, 약물 거래, 음주 등과 같은 사회적 무질서한 환경이 범죄 불안감을 증대시킨다는 사실을 밝혔으며, 이러한 지역은 어둡고 폐쇄적인 뒷골목, 노숙자나 음주자들이 자주 모이는 대중교통 정류소 등이었음을 밝혔다. 아울러, 시야가 제한되고 은폐 가능한 장소, 도망 가능성이 낮은 환경, 낙서, 쓰레기, 방치된 건물, 약물 남용 흔적, 조명 부족, 막다른 골목, 조용하고 고립된 장소는 모두 범죄 불안감을 높이는 주요 환경 요인으로 나타났다(Fisher and Nasar, 1992; Vrij and Winkel, 1991; Jackson, 2005). 앞선 연구가 블록 또는 근린 단위에서 조사한 연구인 반면 Lederer(2012)의 경우 1500명 이상의 시민들을 대상으로 도시 전체 수준에서 범죄 불안감에 대한 설문조사를 진행하고, 도심 및 도시의 서부 지역에서 범죄 불안감이 높게 나타남을 확인하였다.

이러한 초기 범죄 불안감 지도화 연구들은 주로 설문조사를 통해 불안감을 느끼는 지역을 매핑하는 방식으로 시작되었다. 이후 웹 맵과 크라우드소싱 방식을 활용하여 보다 넓은 지역에서 범죄 불안감을 수집하고, 이를 기반으로 핫스팟을 분석하는 방향으로 발전해 왔다. 이러한 방식은 설문과 기억에 의존해야 하며, 참여자가 제한적이고, 노동집약적이며 시간이 많이 소요된다는 한계를 갖는다(Kang, 2025). 또한 해당 지역 거주민이 아니라면 응답하기 어렵기 때문에 응답 데이터의 확장성이라는 측면에서 한계를 보인다.

한편, 구글을 비롯한 인터넷 포털 기업의 거리 영상 서비스와 딥러닝 기술의 발전은 사람들이 도시에서 느끼는 인지적 감성에 대한 분석도 기존과는 다른 방식으로의 접근을 가능하게 했다. 거리 영상은 항공사진이나 위성영상과는 달리 도로 네크워크를 따라 촬영되는 영상으로 인간의 시각과 비슷한 관점에서 도시 거리의 프로파일을 보여주며, 도시의 물리적 환경을 상세히 나타내고 있어, 도시 건조 환경에 대한 사람들의 인식을 평가하는 연구에서 새로운 자료원으로 활용되고 있다(강영옥, 2023; Biljecki and Ito, 2021). MIT 미디어랩의 Place Pulse 2.0은 거리 영상에 대해 안전성, 활기참, 아름다움, 부유함, 우울함, 지루함 등 6가지 감성을 수집한 대표적 데이타 셋으로, 28개국 56개 도시에서 110,988장의 이미지와 117만 건의 쌍별 비교 데이터를 포함한다(Dubey et al., 2016). Dubey et al.(2016)은 Places Pulse 2.0을 활용하여 거리에 대한 감성을 평가하는 CNN 기반 RSS-CNN 모델을 제안하였다. 이후 다수의 연구가 Places Pulse 2.0 데이터셋을 활용하여 도시의 감성을 예측하는 모델을 제안하거나(Min et al., 2019; Xu et al., 2019; Guan et al., 2021), 도시의 감성을 평가하는 연구를 수행하였다(Blečić et al., 2018; Santani et al., 2018; Min et al., 2019; Xu et al., 2019; Guan et al., 2021).

PlacePulse2.0 데이터가 전 세계 도시를 대상으로 데이터가 구축되었지만 더 이상 서비스가 되지 않고 있다. 도시 건조 환경에 대한 감성 평가를 위해서는 사람들이 느끼는 감성 평가 훈련데이타 셋이 필수적으로 필요하다. 국내에서는 전주시를 대상으로 거리 영상에 보행환경을 쌍별 비교하는 데이터를 구축한 후 정성적 보행환경을 평가한 연구(김지연･강영옥, 2022; Kang et al., 2023)와 안양시와 영등포구의 인지적 보행환경 및 범죄 불안감을 쌍별 비교하도록 한 데이터를 기반으로 안양시에서 인지적 보행환경 평가(최재연 등, 2024a; 2024b)와 영등포구를 대상으로 범죄 불안감에 대한 매핑 연구가 이루어졌다(김소망 등, 2024). 국내 연구에서 쌍별 비교를 위한 딥러닝 모델은 2022년에 Global-Patch-RSS-CNN 모델(김지연･강영옥, 2022)이 제안되어 지금까지 활용되어 왔다(김소망 등, 2024; 최재연 등, 2024a, 2024b; Kang et al., 2023).

선행 연구에서 쌍별 비교 데이터를 활용한 예측 정확도는 57.47%~75.01% 범위로, Dubey et al.(2016)은 62.8%~ 73.5%, Xu et al.(2019)은 57.47%~69.20%, Guan et al.(2021)은 61.09%~65.45%, Kang et al.(2023)은 75.01%의 정확도를 보였다. 대부분 VGGNet, ResNet 등 CNN 기반 백본을 활용하였는데, CNN 기반의 이미지 특징 학습은 전역적 특징 및 지역적 특징을 동시 학습하는 데 한계가 있어 최근에는 전역 및 지역 특징을 동시에 학습할 수 있는 트랜스포머 계열 모델로 딥러닝 모델을 변환할 필요성이 있다.

2) 거리 영상을 활용한 범죄 안전 설계 평가

범죄 안전과 관련하여 깨진 유리창 이론(Kelling and　Wilson, 1982)에서 무질서한 환경은 범죄 가능성의 척도이자, 범죄와 일탈 행동을 촉진하는 요인이 될 수 있다고 설명하고 있으며, 무질서한 건조 환경을 나타내는 지역은 그렇지 않은 지역에 비해 폭력 범죄 발생이 높음을 입증하는 다수의 연구가 있었다 (He et al., 2017; Lee et al., 2019; Zhou et al., 2021). 이러한 도시환경의 중요성이 인식되면서 최근에는 지역의 환경을 범죄 기회를 제거하거나 최소화하는 방향으로 계획, 변경함으로써 범죄 및 불안감을 저감시키자는 CPTED 개념이 주요 선진국을 비롯해 우리나라에서도 지방자치단체의 실천 전략으로 연결되고 있다(경찰청, 2013; 서울특별시, 2013).

Ha et al.(2015)은 CPTED 적용 지역과 비-CPTED 지역을 시각적 감시와 설문조사를 통해 비교하여 CPTED 적용이 범죄 발생률을 낮추고, 주민들의 안전감을 높이는 데 기여했음을 실증적으로 확인했다. Iqbal and Ceccato(2016)는 스웨덴 도시공원에서 CPTED 원칙의 적용 가능성과 효과를 확인하였다. 연구 결과, 복잡한 지형, 다수의 출입구, 시야 차단 구역과 같은 물리적 제약은 범죄예방을 어렵게 만드는 요인으로 작용하는 것으로 나타났다. 특히, 잘 관리된 조명, 수목 정비, 명확한 경계 설정은 범죄 억제에 중요한 역할을 하지만, 감시가 제한되고 접근통제가 어려운 구역에서는 여전히 범죄 위험이 큰 것으로 평가되었다. Peeters and Vander Beken(2017)은 가시성이 침입 범죄 억제에 중요한 요소이며, 도심에서는 접근통제가 더 효과적일 수 있다고 보았다.

국내 연구에서는 저층 주거지를 중심으로 자연감시, 시야 차단 요소 등의 CPTED 기반 요소가 범죄에 미치는 영향을 정량 분석하였으며(Lee et al., 2019), 캠퍼스(윤소진 등, 2012) 및 골목길(강부성 등, 2012; 강승영 등, 2014)의 물리적 취약 요소를 파악하여 조도 개선, CCTV 사각지대 해소 등의 필요성이 제기되었다. 또한, 정책적으로는 설계 가이드라인 마련 및 사전 범죄 위험 평가 도입이 강조되었다(유광흠･진현영, 2012; 경찰청, 2013; 서울특별시, 2013). 변기동･하미경(2019)은 공공공간 안전 평가에서 자연 감시가 핵심 요소이며, 사각지대 방지가 중요한 과제로 도출되었음을 보여주었다. 그러나 기존 연구들은 주로 현장 조사나 설문조사를 통해 CPTED 기반 범죄 안전 설계 가이드라인을 수립하는 데 중점을 두었다.

한편, 최근 도시 건조 환경에 대한 정량적 평가는 거리영상과 딥러닝 기술을 활용하는 방향으로 빠르게 발전되고 있다. 거리 영상을 활용한 평가는 보행자의 시점에서 촬영된 거리 영상을 대규모로 수집하고, 시맨틱 세그먼테이션을 활용하여 거리 영상으로부터 도로, 하늘, 건물 등 다양한 물리적 요소를 인식하고, 이를 도시공간 분석에 활용하고 있다. 이러한 접근은 토지 관리, 재해 관리, 녹지 지수, 도시민의 건강과 웰빙, 도시 교통, 젠트리피케이션, 보행환경 등 다양한 분야에서 폭넓게 적용되고 있다(강영옥, 2023).

범죄 안전 정량평가 연구에서도 시맨틱 세그멘테이션을 통해 추출한 거시환경 요소와 범죄 안전을 평가하는 연구가 이루어졌다(He et al., 2017; Amiruzzaman et al., 2021; Hipp et al., 2021; Deng et al., 2022; Xie et al., 2022; Zhanjun et al., 2022; Chen et al., 2023; Yue et al., 2024). Zhanjun et al.(2022)는 거리 영상을 활용하여 영역성(territoriality), 감시(surveillance), 활동성(activity support), 이미지 유지(image maintenance) 등의 CPTED 핵심 요소를 정량화하고, 이들이 범죄 발생에 미치는 영향을 실증적으로 검증하였다. 국내에서도 거리영상과 시맨틱 세그멘테이션을 활용한 물리적 보행환경을 평가하는 연구가 이루어진 바 있지만 (박지영 등, 2022; 최재연 등, 2024b, 2024c; Kang et al., 2023)가로단위 상세 수준에서 CPTED기반 범죄 안전 설계 기반의 평가틀을 제시하고 평가를 수행한 연구는 없는 실정이다.

3. 연구 방법

본 연구의 연구흐름도는 그림 1과 같다. 딥러닝을 활용한 범죄 관련 평가는 2가지 축으로 이루어졌다. 하나는 인지적으로 느끼는 범죄 불안감을 매핑하는 것으로 왼쪽의 흐름이며, 범죄 안전 설계 관점에서 해당 지역을 평가하는 것은 오른쪽 흐름이다. 범죄 불안감 매핑을 위해 도로 중심선을 따라 30m 간격으로 거리 영상을 수집하였으며, 거리 영상은 동일지점에서 4방향으로 영상을 수집하였다. 이후 수집된 영상의 30%를 층화추출하여 크라우드소싱 설문을 통해 범죄 불안감 예측을 위한 딥러닝 모델 훈련용 데이터셋을 구축하였다. 해당 데이터로 범죄 불안감 점수를 예측하는 모델을 개발하고 최종 훈련된 모델에 전체 영상을 입력하여 거리 영상별 범죄 불안감 점수를 예측하고, 이를 시각화하였다. 범죄 안전 설계 차원에서 지역을 평가하기 위해 CPTED 이론에 기반한 정량적 범죄 안전 설계 평가 지표를 개발하고, 거리 영상의 시맨틱 세그멘테이션 결과와 GIS 데이터를 활용하여 지표별 평가점수를 산출한 후 이를 지도화하였다. 마지막 단계에서 범죄 불안감 점수 지도와 범죄 안전 설계 평가제도에 대해 이변량 지도를 구축하고 결과를 비교하였다.

그림 1.

연구흐름도

1) 거리 영상 수집

본 연구의 대상지는 서울시 25개 자치구 중 범죄 발생률이 상대적으로 높은 영등포구이다(서울특별시, 2021). 영등포구는 북부는 문래동 공업지역, 남부는 노후 주거지가 밀집된 주거지역, 북동부 여의도는 금융･공공기관이 집중된 업무지구로 다양한 특성이 혼재되어 나타나는 지역이다 (그림 2). 특히 문래동은 철공소 밀집지에서 예술공간으로 전환 중이며, 남부 지역은 신길뉴타운 등 재개발지와 저층 주거지가 혼재되어 도시환경의 이질성이 두드러진다.

그림 2.

연구지역

거리 영상은 국가공간정보포털의 도로망 데이터를 기반으로 약 30m 간격으로 좌표를 설정하고 카카오 거리 영상을 수집하였다. 거리 영상은 360도 파노라마로 촬영되기 때문에 한 지점에서 각 방향별 특성을 반영하기 위해 0°, 90°, 180°, 270° 4방향 거리 영상을 수집하였다. 거리 영상은 2023년 크롤링하였으며, 실제 영상이 촬영된 시기는 2022년 7~9월이 80% 이상을 차지한다. 연구의 일반화 가능성을 높이기 위해 신도시와 구도시의 특성을 모두 포함하고 있는 안양시 거리 영상도 수집하였으며, 영등포구 41,648장, 안양시 45,420장 등 총 87,068장의 영상을 수집하였다.

2) 범죄 불안감 평가를 위한 훈련 데이터셋 구축

범죄 불안감 점수 예측을 위한 딥러닝 모델에 활용될 훈련 데이터셋은 거리 영상을 쌍별 비교하는 방식으로 구축하였다. 수집된 거리 영상의 30%를 표본으로 하며, 거리 영상의 다양성을 확보하기 위해 도로 유형(대로･로･길)과 토지이용 유형(상업, 주거, 공업 등)을 기준으로 거리 영상에 대해 층화추출(stratified sampling)을 하였다. 층화추출을 하는 목적은 범죄불안감을 느끼는 도시 건조환경은 도로유형, 토지유형에 따라 다를 수 있는데 훈련 데이터 구축 시 다양한 특성이 고르게 학습되도록 하기 위함이다. 서울 영등포구와 경기 안양시에서 각각 2,371개, 3,107개의 샘플 지점을 선정하였고, 각 지점에서 4방향(0°, 90°, 180°, 270°) 이미지가 수집되어 최종 20,886장의 거리 영상이 훈련 데이터 구축에 사용되었다(표 1).

범죄 불안감에 대한 평가는 두 이미지를 비교하여 범죄로부터 더 안전하게 느끼는 쪽을 선택하는 쌍별 비교 방식을 채택하였다. 이는 절대평가보다 효율성과 일관성이 높은 것으로 알려져 있다(Bijmolt and Wedel, 1995; Stewart et al., 2005). 설문을 위해 온라인 설문 플랫폼을 구축하고 설문을 진행하였으며(그림 3), 쌍체비교 데이터 셋 구축 시 안정적인 선호도 평가결과가 생성될 수 있도록 알고리즘(유기현 등, 2022)을 구현하여 설문 데이터 셋을 구축하고 설문을 진행하였다. 설문 참여자는 표 2와 같이 성별과 연령대를 고려해 20대 25명, 30~40대 20명, 50대 이상 20명 총 65명으로 구성하였으며, 참여자에 대해서는 이화여대 생명윤리위원회(IRB)의 승인을 받았다(승인일: 2023.10.17.). 응답의 신뢰성을 확보하기 위해 정답이 명확한 지뢰 문항 5쌍을 포함하여 불성실 응답자를 검출하였다. 조사는 2023년 11월 6일부터 27일까지 진행되었고, 총 178,750건의 응답 중 ‘같음(=)’으로 응답한 6,808건을 제외한 171,942건이 분석에 활용되었다. 최종적으로 20,886장의 거리 영상에 대해 평균 약 16회씩 쌍별 비교가 이루어져, 안정적인 평가가 이루어질 수 있도록 하였다.

그림 3.

설문을 위해 구축된 웹사이트(왼쪽 : 랜딩페이지, 오른쪽 : 응답하면)

3) 범죄 불안감 평가를 위한 딥러닝 모델 개발: RSS-Swin

범죄 불안감 평가를 위한 딥러닝 모델은 Siamese Network와 RankNet 구조에 Swin Transformer를 백본으로 활용하는 RSS-Swin 모델 아키텍처를 개발하였다(그림 4). Siamese Network(Koch et al., 2015)는 두 이미지 간 특징 벡터 차이를 학습하고, RankNet(Burges et al., 2005)는 쌍별 비교 데이터를 기반으로 상대적 안전 점수를 예측하는 랭킹 함수를 학습하며, Swin Transformer(Liu et al., 2021)를 통해 shifted window 기반 self-attention과 계층적 구조를 통해 지역성과 전역성을 효과적으로 학습할 수 있도록 하였다.

그림 4.

RSS-Swin 모델 구조

제안한 딥러닝 모델 아키텍처는 Feature block과 Score block으로 구성된다. Feature block에서는 입력 이미지를 고정 크기 패치로 분할한 후, Swin Transformer를 통해 지역적･전역적 정보를 학습한다. Score block은 RankNet을 활용하여 두 이미지 간 상대적 우열을 예측하고, 이를 바탕으로 각 이미지의 범죄 불안감 점수를 산출한다. 학습 데이터는 y∈{0,1}로 구성된 쌍별 비교 형식이며, 𝑦=1은 xj가 범죄로부터 더 안전하다고 응답한 것을 의미한다. 모델은 각 이미지의 점수 f(x)를 기반으로, S_ij = f(x_i) - f(x_j)를 계산하고, 이를 로지스틱 함수로 확률화한 뒤 실제 응답과의 교차 엔트로피 손실을 최소화하도록 학습하였다.

성능 검증을 위해 기존 쌍별 비교 기반 정성 평가 모델들을 비교 대상으로 설정하였다. 첫 번째 비교 모델은 쌍별 비교 데이터셋을 활용하여 정성평가를 한 모델 가운데 가장 성능이 좋은 Global-Patch-RSS-CNN(Kang et al., 2023) 모델을 베이스라인으로 하였다. 두 번째 비교 모델은 RSS-ViT모델로, Vision Transformer (‘vit_base_patch16_224’)를 백본으로 사용하는 모델이며, 세 번째 모델은 RSS-Swin 모델로 Swin Transformer (‘swin_base_patch4_window7_224’)를 백본으로 사용하는 구조이며, 본 연구에서 제안하는 모델이다.

모델 훈련은 AWS g4dn.12xlarge 인스턴스(Ubuntu 18. 04.1, NVIDIA T4 GPU 4개) 환경에서 진행하였으며, 전체 171,942건의 응답 중 80%는 학습용, 20%는 테스트용으로 사용하였다. 모델의 성능은 사용자의 응답과 예측 점수의 우열 비교 결과가 일치하는 비율(accuracy)로 평가하였으며, 그 결과 RSS-Swin 모델이 82.03%로 가장 높은 정확도를 기록하였다(표 3). RSS-Swin은 단순히 정확도에서 우위를 보였을 뿐만 아니라, Swin Transformer 기반 구조를 통해 지역적(local)･전역적(global) 시각 정보를 계층적으로 통합 학습할 수 있어, 다방향 거리 영상의 구조적 특성을 효과적으로 반영할 수 있다는 점에서도 본 연구의 목적에 가장 적합하다고 판단하였다. 모델은 최대 30 epoch까지 학습되도록 설정하였으며, 검증 손실(validation loss)이 5 epoch 이상 개선되지 않을 경우 학습을 조기 종료(early stopping)하도록 하였다. 실제 학습은 8번째 epoch에서 종료되었으며, 검증 손실이 가장 낮았던 3번째 epoch의 모델 가중치를 최종 모델로 저장하여 이후 분석에 활용하였다(그림 5).

그림 5.

훈련 및 검증 손실 추이

4) CPTED 기반 범죄 안전 설계 평가 지표 개발

CPTED기반 범죄 안전 예방설계 평가는 CPTED 적용을 위한 초기 단계에서 취약지역이 어디인지를 빠르게 평가하고, 개선 우선 대상 지역을 자동화하여 매핑할 수 있도록 하기 위함이다. 이를 위해서는 CPTED 기반으로 지역을 평가할 수 있는 평가 지표 개발이 우선되어야 한다. 본 연구에서는 선행 연구와 서울시의 CPTED 가이드라인을 참고하여 영역성, 감시, 접근통제, 활동성, 유지관리의 다섯 개를 평가 카테고리로 선정하였다(서울특별시, 2013; Cozens et al., 2005; Cozens and Love, 2015). 영역성은 공간에 대한 소유감을 통해 부적절한 이용을 억제하며, 감시는 시야 확보를 통해 범죄 기회를 줄이는 것을 나타낸다. 접근통제는 구조나 시설로 출입을 제한하고, 활동성은 공간의 합법적 사용을 유도하며, 유지관리는 환경을 지속적으로 관리하는 전략이다. 본 연구에서는 CPTED 원칙에 입각한 5개 카테고리외에 사회 해체이론과 일상활동이론에 따른 인구･사회경제적 변수를 함께 고려하였으며, 선행 연구에서 각 카테고리에 활용된 지표들을 종합적으로 검토하였다(표 4).

기존 연구를 토대로 CPTED 기반 범죄 안전 설계 평가 지표는 세 가지 기준에 따라 도출하였다. 우선, 국내외 CPTED 관련 연구를 검토한 후 2회 이상 언급된 요소만 추출하고, 유사･중복 항목은 통합 또는 제외함으로써 지표 간의 배타성과 독립성을 확보하였다. 이를 통해 영역성, 감시, 접근통제, 활동성, 유지관리, 거시환경, 인구･사회경제 특성 등 7개 상위 카테고리와 다수의 하위 지표 후보를 도출하였다.

둘째, 각 카테고리에 포함되는 도시 건조 환경 객체 추출을 자동화하기 위해 ADE20K로 학습된 SegFormer-B5 모델(Xie et al., 2021)을 활용하여, 탐지가 가능한 객체는 유지하고, 객체 탐지가 어렵거나 오탐지가 높은 항목들 예를 들면 안내표지판, 사각지대, 출입문, 보안장치, 그래비티, 휴지통 등은 제외하였다.

셋째, 거리 영상으로 탐지하기 어려운 항목은 GIS 데이터로 보완하였다. 예를 들어, CCTV는 안심이 데이터를, 경찰서･경비실은 공공안전 시설 접근성으로 대체하였으며, 인구밀도와 교통 지표는 생활 인구 데이터를 활용하였다. 이혼율, 빈곤율, 학력, 실업률 등 일부 인구･사회경제 지표는 데이터가 행정동 단위로 제공되어 공간적 해상도 한계로 제외되었고, 외국인 비율은 체류 인구수로 간접 측정하였다. 거리 영상의 80%가 2022년 촬영분이므로, GIS 데이터도 동일 기준 연도로 통일하였다. 최종적으로 7개 상위 카테고리와 15개 하위 지표가 선정되었으며, 각 지표의 계산식은 표 5에 제시된 바와 같다.

5) CPTED 기반 범죄 안전 설계 평가 지표 DB 구축

CPTED 기반 범죄 안전 설계 평가 지표별 데이터 구축을 위해 네 단계에 걸쳐 데이터를 구축하였다(표 6). 먼저, 기초 데이터 수집 단계에서는 거리 영상을 원천자료로 사용하는 지표에 대해서는 ADE20K로 훈련된 SegFormer-B5 모델을 활용해 영등포구 41,648장의 거리 영상을 의미론적으로 분할하고, 펜스, 담장, 건물, 나무, 도로, 보도, 하늘 등에 대해 거리 영상에서 차지하는 비율 값을 계산하였다. GIS로 표기된 자료들의 구축 방법은 자료에 따라 다른데, CCTV와 공공기관 POI(point of interest), 안심 택배함, 지킴이 집, 안심 귀갓길 등의 시설물 포인트 데이터는 공공데이터 포털에서 제공하는 자료를 다운로드 받아 처리하였으며, 생활 인구, 주택 유형, 외국인 비율 등은 집계구 단위로 데이터를 처리하였다.

두 번째 단계에서, 15개 지표별 점수 산출은 거리 영상을 활용하는 지표의 경우, 각 지점의 4방향 거리 영상 값을 평균하여 계산하였다. 이때 분모가 0인데 분자가 존재하는 경우는 무한 값 발생을 방지하기 위해 최댓값으로 대체하고, 분자･분모 모두 0인 경우는 결측값으로 처리하였다. GIS 기반 지표는 지점을 중심으로 반경 500m 내 CCTV와 공공안전 시설 수를 계산하였고, 생활 인구 및 외국인 인구는 공간 조인하였다.

세 번째 단계에서는 카테고리별 점수를 산출하기 위해 각 지표 간 스케일 차이를 보정하는 작업을 수행하였다. 15개 개별 지표의 점수를 1~5점의 범주형 값으로 정규화하였다. 대부분의 지표는 내추럴 브레이크(natural breaks) 방식으로 범주화하였으며, 분포가 치우친 지표는 등분위수(quantile) 방식으로 점수를 부여하였다. 15개 지표를 7개 상위 카테고리로 통합하고, 카테고리별로 1~5점 사이의 점수가 부여될 수 있도록 설정하였다. 각 카테고리내 지표에 대해서는 동일 가중치를 부여하였는데, 이는 평가의 객관성과 재현 가능성을 확보하기 위한 초기 균등 가중치 접근이라 할 수 있다. 점수는 범죄 안전 설계 수준이 높을수록 높은 점수가 부여되도록 하였으며, 인종적 이질성 지표는 이질성이 낮을수록 높은 점수를 부여하였다. 마지막 단계에서는 카테고리별 점수를 종합하여 범죄 안전 설계 평가점수를 산출하였다.

4. 연구 결과

1) 범죄 불안감 시각화

영등포구 전역에서 수집한 거리 영상 41,648장 중 중복을 제거한 39,412장에 대해 RSS-Swin 모델을 적용하여 범죄 불안감 점수를 예측한 결과를 시각화한 것은 그림 6과 같다. 예측 점수는 -7.0358에서 3.8459 사이에 분포하였으며, 평균 -0.3806을 중심으로 대체로 대칭적 분포를 보였다. 그림 7은 거리 영상의 범죄 불안감 예측 점수를 범죄 불안감이 낮은 그룹, 중간그룹, 범죄 불안감이 높은 그룹으로 나누어 나타낸 것이다. 범죄 불안감 점수를 시각화한 결과는 그림 8과 같다. 점수는 내추럴 브레이크 방식으로 5단계로 구분하였으며, 점수가 낮을수록 범죄 불안감이 높으며, 점수가 높은 것은 범죄 불안감이 낮음을 나타낸다. 지도에서는 파란색에 가까울수록 범죄 불안감이 높으며, 빨간색은 불안감이 낮은 지역이다. 파란색으로 나타나는 지역, 즉 범죄 불안감이 높은 지역은 영등포구의 남쪽에 밀집되어 있었으며, 여의도 및 영등포구 북부는 범죄 불안감이 상대적으로 낮음을 알 수 있다.

그림 6.

영등포구 전체 데이터셋의 범죄 불안감 점수 분포: x축은 범죄 불안감 점수, y축은 거리 영상 이미지의 개수.

그림 7.

영등포구 거리 영상 및 범죄 불안감 점수 예시(숫자가 낮을수록 범죄 불안감 높음)

그림 8.

범죄불안감 점수 시각화

범죄 불안감이 높게 나타난 A와 B지역을 상세히 살펴보면, 전반적으로 범죄 불안감이 높지만, 대로변을 따라서는 범죄 불안감이 낮음을 알 수 있다. A 지역은 노후 공장 건물이 밀집된 공업지역으로, 좁고 폐쇄적인 골목길 구조가 심리적 불안을 유발한 것으로 보인다. B 지역은 노후 단독주택 및 다세대 주택이 밀집된 지역으로, 시야 확보가 어려운 밀폐된 환경이 범죄 불안감을 상승시키는 요인으로 작용한 것으로 보인다. 또한 자동차 전용 도로, 지하차도, 공사 현장 등 보행자 접근성이 낮고 인적이 드문 장소에서도 불안감이 높게 나타났다.

반면, 범죄 불안감이 낮은 C 지역과 D 지역은 각각 상업 및 업무지구, 대단위 아파트 단지로, 개방감이 좋고 도로 정비 상태가 양호한 지역이다. 이들 지역은 시야 확보가 용이하고 보행환경이 쾌적하여 시각적으로 안정감을 주는 특성이 있다.

2) 범죄 안전 설계 평가 시각화

CPTED 기반 범죄 안전 설계 평가를 위해 지표별로 데이터를 구축하고 시각화한 결과는 그림 9와 같다. 그림 10은 이들 지표를 종합하여 범죄 안전 설계 기준으로 영등포구를 시각화한 결과이다. 지도는 내추럴 브레이크 방식으로 5단계로 구분하였으며, 색상은 파란색은 범죄예방 설계가 열악한 지역, 빨간색은 양호한 지역을 의미한다. 영등포구의 CPTED 기반 범죄 안전 설계 평가점수를 살펴보면 문래동 이면도로, 대림3동 골목길, 도림동 남부 및 신길3동 북부의 저층 주거지, 여의도 일대 주요 간선도로에서 범죄 안전설계가 취약한 것으로 나타났다. 반면, 당산1･2동, 신길7동, 대림2동 남부의 고층 주거지 인근 도로는 상대적으로 범죄예방 설계가 우수한 것으로 나타났다.

그림 9.

범죄안전설계 관련 15개 지표 지도화 (파란색에 가까울수록 열악)

그림 10.

범죄 안전 설계 점수 시각화

A 지역(문래창작촌 및 공업지대)은 펜스와 담장 비율이 낮고, 녹색과 공공안전 접근성이 부족해 영역성, 유지관리, 접근통제 전반에서 취약한 것으로 분석되었다. B 지역(대림역 및 대림3동 골목)은 가로등, 개방감, 녹색지수 등 주요 감시･관리 요소가 미흡하며, 인종적 이질성 지표에서도 낮은 평가를 받아 전반적인 취약성이 확인되었다. C 지역(당산역 인근 아파트 단지 주변)은 영역성, 주택 유형, 녹색지수에서 우수하였으나, 감시(가로등, 개방감)와 활동성(건물 비율, 생활 인구) 지표가 낮게 나타났다. D 지역(신길7동 아파트 단지)은 전반적으로 우수한 평가를 보였으며, 특히 녹색지수, 보행환경, 공공안전 접근성이 높았다. 다만, 활동성과 관련된 일부 지표는 보완이 필요한 수준이었다.

종합하면, A･B 지역은 영역성, 감시, 접근통제, 유지관리, 활동성 측면에서 전반적으로 취약하여 범죄예방 환경의 개선이 시급하며, C･D 지역은 안정적인 환경을 보이지만 감시와 활동성 측면의 보완이 요구된다. 이는 정기적인 환경 정비와 조명 개선 등을 통한 방범 설계 고도화의 필요성을 시사하는 것이라 할 수 있다.

3) 범죄 불안감 및 범죄 안전 설계 평가 결과 비교

범죄 불안감과 CPTED 기반 범죄 안전 설계 평가 결과를 비교하기 위해 이변량 시각화(bivariate mapping)한 결과는 그림 11과 같으며, 4개의 유형으로 나누어 살펴보았다. 첫째, 범죄 불안감이 높고 범죄 안전설계가 열악한 것으로 나타나는 유형(짙은 남색, A 지역) 으로 지역적으로는 문래창작촌, 경인 공업지대, 대림역 주변, 신길5동 일대로, 노후 건축물과 폐쇄적인 골목 구조가 공통적으로 나타났다. 이들 지역은 감시, 접근통제, 유지관리 항목에서 낮은 평가를 받아 물리적 환경이 취약하고, 범죄 불안감도 높게 나타나는 지역이다.

그림 11.

범죄 불안감 및 범죄 안전 설계 평가 이변량 지도

둘째, 범죄 불안감은 높지만, 범죄 안전 설계는 우수한 유형(진한 핑크색, B 지역) 으로 영등포동, 문래동 철강 골목, 신길1동 등에서 나타났는데, 노후화된 주거 밀집지이지만 CCTV, 접근성, 활동성 등의 CPTED 지표에서 양호한 점수를 보여 이러한 결과가 나타난 것으로 보인다. 셋째, 범죄 불안감은 낮지만, 범죄 안전설계가 미흡한 유형(하늘색, C 지역)으로 대로변과 여의도 일대에서 이런 유형이 나타났다. 이들 지역은 도로 폭이 넓고 시야가 확보되어 범죄 불안감은 낮지만, 녹색지수, 보행환경, 영역성 등에서 낮은 점수를 보여 외형적 개방성과 물리적 안전 설계 간의 괴리를 나타냈다.

넷째, 범죄 불안감이 낮고, 범죄 안전 설계는 양호한 유형(밝은색, D 지역)으로 신길뉴타운, 당산동, 양평동의 아파트 단지로, 정비된 보행환경과 방범 설계가 체계적으로 잘 구축된 곳이다. 영역성, 유지관리, 주택 유형, 인종적 이질성 항목에서 고르게 우수한 점수를 보여, CPTED 설계가 인지적 안정감 형성에도 긍정적으로 작용함을 나타내었다.

5. 결론

본 연구는 거리영상과 딥러닝 기술을 활용하여 가로 단위의 상세한 수준에서 범죄 불안감과 범죄예방 안전 설계 관점에서 취약한 지역과 우수한 지역을 분석하고자 하였다. 이를 위해 영등포구를 사례로 거리 영상을 수집하고, 수집된 거리 영상의 30%를 활용해 쌍별 비교 방식의 171,942건 응답 데이터를 구축한 후, Swin Transformer 기반 RSS-Swin 모델로 거리 영상별 범죄 불안감 점수를 예측하고, 예측 점수를 지도화하였다. 동시에 CPTED 이론에 따라 지역을 평가할 수 있는 지표체계를 개발하고, 15개 평가 지표별 데이터를 구축한 후 종합 점수를 시각화하고, 결과를 분석하였다.

분석 결과, 범죄 불안감은 노후 주거지와 이면도로가 밀집한 남부 지역에서 높았으며, 대로변과 업무･상업지구, 고층 아파트 단지에서는 낮게 나타났다. CPTED 기반 범죄 안전 설계 점수 역시 남부 주거지와 일부 공업지역에서 낮았으며, 감시･접근통제･영역성 등 핵심 요소의 부족이 원인으로 파악되었다. 두 지표를 비교한 결과, 범죄 불안감과 설계 수준이 모두 취약한 지역, 불안감은 높으나 설계 수준은 양호한 지역, 불안감은 낮으나 설계 수준이 미흡한 지역, 그리고 두 지표 모두 양호한 지역의 네 유형으로 구분할 수 있었다. 이는 공간 유형별 맞춤형 범죄예방 전략 수립의 기초자료로 활용될 수 있을것으로 판단된다.

본 연구의 의의는 첫째, 쌍별 비교 데이터셋을 기반으로 범죄 불안감을 예측하는 딥러닝 모델 가운데 가장 높은 성능(accuracy 82.03%)을 보인 RSS-Swin 모델을 구현하여, 거리영상의 지역적･전역적 특성을 효과적으로 학습한 점이다. 둘째, CPTED 평가를 현장조사 없이도 신속하고 대규모로 수행할 수 있는 정량적 지표체계를 개발하여, 취약지역 선별의 효율성을 높인 점이다. 셋째, 인지적 불안감과 물리적 설계 수준을 통합 분석함으로써, 두 차원이 상호 보완적으로 활용될 수 있는 가능성을 제시한 점이다.

정책적으로는 범죄 불안감과 설계 수준이 모두 취약한 지역에 대한 우선 정비, 설계 수준은 양호하나 불안감이 높은 지역에 대한 심리･환경 개선, 설계가 미흡한 대로변과 개방공간의 보행환경 개선 등 유형별 대응이 필요하다. 이러한 분석틀은 지자체의 CPTED 사업, 도시재생 계획, 생활안전 정책 수립에 활용될 수 있으며, 범죄 예방과 주민 체감 안전성 제고를 동시에 지원할 수 있을것으로 기대된다.

향후 연구에서는 첫째, 낮 시간대 영상에 국한된 분석을 보완하기 위해 야간 거리영상 기반 평가를 포함하고, 둘째, CPTED 지표 가중치 산정과 전문가 검증을 거쳐 평가의 정밀도를 높이며, 셋째, 한국적 도시환경 특성을 반영한 시맨틱 세그멘테이션 학습데이터를 구축하여 모델 성능을 고도화할 필요가 있다고 사료된다. 또한 실제 범죄 통계와 정책 효과 분석을 연계함으로써, 제안한 평가체계가 공공안전 행정과 도시계획에 실질적으로 적용될 수 있는 방안을 모색해야 할 것이다.