본문 바로가기
KERD
논문KCI 등재

머신러닝을 활용한 도시쇠퇴 예측모형 개발 - 인구변화율을 중심으로 -

Developing a Model to Predict Urban Decline Using Machine Learning - Focusing on Population Change Rate -

김용선|윤현식|강명진
지역개발연구소 (The Center for Regional Development)|2024.12|지역개발연구 (The Studies in Regional Development) (The Studies in Regional Development)|제56권 제3호|pp. 21-54|DOI 10.35526/srd.2024.56.3.002

3

조회

0

다운로드

0

인용

0

참고문헌

키워드

도시재생머신러닝제조업Machine LearningUrban RegenerationManufacturing Industry도시쇠퇴Urban Decline증거기반 정책결정Evidence-Based Policy Decision Making

초록

도시쇠퇴는 인구유출, 사업체 감소, 건물 노후 등으로 인해 지역 슬럼화가 진행되는 현상이다. 이를 막기 위해 정부는 막대한 예산을 투입하고 있으나 효과적인 해결책을 마련하지 못하고 있다. 본 연구는 도시쇠퇴 문제의 효과적인 해결을 위해 도시쇠퇴 예측모형을 구축하고, 도시쇠퇴의 주요 원인을 규명함으로써 근거기반 정책 수립에 기여하는 것을 목표로 한다. 이에 본 연구는 증거기반 정책 결정을 위한 도구로 머신러닝 기법을 활용하였다. 분석 결과, Gradient Boosting 모형의 Recall 값이 0.92로 최고의 예측 성능을 보였다. 그리고 해당 모형에서 판별된 변수의 중요도를 추가 분석하여 도시쇠퇴에 영향을 미치는 핵심 변수를 도출하였다. 첫째, 제조업 종사자 비율 등 고용 및 사업체 관련 변수, 둘째, 주거 및 거주 환경 관련 변수, 셋째, 주민 사회복지 관련 변수이다. 특히 제조업은 도시쇠퇴 여부를 예측하는 데 중요한 변수로 확인되었으나, 선행연구에서는 제조업 관련 변수에 대한 논의가 부족하였다. 이는 출산율 중심의 인구정책을 넘어 산업구조 조정, 주거환경 개선, 주민 복지 증진을 통해 도시재생을 촉진해야 함을 시사한다. 이를 통해 정부 및 지자체가 자원을 효율적으로 활용하여 도시재생을 촉진하기 위한 정책적 대안을 마련하는데 기여할 수 있을 것이다.

Abstract

Urban decline refers to the stagnation of a region caused by population outflow, reduced business activity, and aging infrastructure. Despite substantial investments by the South Korean government, effective solutions remain elusive. This study employs machine learning techniques to develop an urban decline prediction model centered on population change rates, a critical indicator of urban decline. Among the models tested, Gradient Boosting achieved the highest performance with a Recall value of 0.92. The analysis identified three primary drivers of population loss and urban decline: employment and industry-related factors such as the proportion of manufacturing employment, housing and residential environment conditions, and social welfare-related variables. Manufacturing was found to play a pivotal role in predicting urban decline, yet its influence has been underexplored in prior research. Rather than solely focusing on fertility rates and birth incentives, this study highlights the importance of industrial restructuring, improved housing conditions, and raising social awareness to promote urban regeneration. The findings provide actionable insights for policymakers to efficiently allocate resources and implement effective urban revitalization initiatives.

참고문헌 (72)

  1. 강대성, "사회적기업 생태계 조성을 위한 모범적 상생모델 –행복나래(주)의 성과분석 및 발전방안", 인적자원관리연구, 22(4), pp.247~260 (2015)
  2. 강영준, "빅데이터를 이용한 제주관광산업생산지수 개발 연구", 지역개발연구, 55(3), pp.45~71 (2023)
  3. 곽희종, "도시특성별 법적 쇠퇴기준에 따른 도시쇠퇴 특징과 효과적인 도시재생정책을 위한 시사점", 한국지역개발학회지, 34(5), pp.19~33 (2022)
  4. 권윤구, "A Comparative Study on Preference Factors of Urban Parks by Cultural Area Based on Big Data Analysis", 지역개발연구, 56(1), pp.29~50 (2024)
  5. 김선영, "증거기반 정책에서의 빅데이터에 관한 연구", 한국정책학회보, 29(1), pp.69~90 (2020)
  6. 김준용, "복합쇠퇴지수를 활용한 지방도시 분석", 한국지역개발학회지, 21(4), pp.83~100 (2009)
  7. 김한나, "지방인구정책의 문제점과 대안", 한국인구학, 43(4), pp.115~138 (2020)
  8. 김화환, "공폐가 분포분석을 통한 도시쇠퇴의 공간적 구조연구:광주광역시 주거 지역을 중심으로", 한국지역지리학회지, 23(1), pp.118~135 (2017)
  9. 김혜진, "인구구조 변화에 따른 산업별 고용인력 변화와 정책대안별 효과추정: 여성, 고령자, 외국인 고용확대를 중심으로", Bank of Korea WP, 23(8), pp.1~42 (2023)
  10. 남국현, "대기업 지방 이전과 지역균형발전에 관한 연구 - 노동생산성을 중심으로", 지역개발연구, 54(2), pp.33~57 (2022)
  11. 문영만, "비정규직 여성과 가구주의 고용불안정성이 자녀 출산에 미치는 영향 -사업체 규모와 지역을 중심으로", 지역개발연구, 55(3), pp.21~44 (2023)
  12. 박나영, "도시쇠퇴 지표에 근거한 시･군･구별 교통사고 모형", 국토계획, 52(4), pp.89~98 (2017)
  13. 박병호, "우리나라 대도시 도심쇠퇴의 패턴에 관한 비교분석", 한국도시지리학회지, 11(3), pp.101~111 (2008)
  14. 배정현, "한국, 미국, 일본의 도시재생 모델 비교: 쇠퇴지역 활성화를 중심으로", 한국지방자치연구, 24(1), pp.23~48 (2022)
  15. 양승규, "도시쇠퇴와 전력사용량과의 상관관계에 관한 연구", 국토계획, 56(5), pp.97~121 (2021)
  16. 엄현태, "도시쇠퇴의 공간적 확산현상과 쇠퇴확산 요인에 대한 실증분석", 국토계획, 51(2), pp.5~18 (2016)
  17. 지역쇠퇴 분석 및 재생방안(2012-09), "이소영", 한국지방행정연구원, ~ (2012)
  18. 이종수, "미국 초광역권 사례를 통한 한국 초광역권 발전 함의 모색", 지역개발연구, 56(1), pp.51~90 (2024)
  19. 장문현, "GIS와 공간통계기법을 활용한 도시쇠퇴 특성 분석", 한국지역지리학회지, 22(2), pp.424~438 (2016)
  20. 허주성, "그래디언트 부스팅을 활용한 암호화폐가격동향 예측", 정보처리학회논문지: 소프트웨어 및 데이터공학, 7(10), pp.387~396 (2018)
  21. 국토교통부, "도시재생 뉴딜 로드맵(2018-03)", 국토교통부 도시재생사업기획단, ~ (2018)
  22. 서울대학교 산학협력단, "한국 도시쇠퇴의 실태 및 유형화(2010-05)" (2010), 도시재생사업단
  23. 경제통계국 경제총조사과, "2020년 기준 경제총조사 결과(2021-12)", 통계청, ~ (2021)
  24. 2020년 기준 소상공인 실태조사(2022), "중소벤처기업부", 통계청, ~ (2022)
  25. 주요국 제조업 디지털화 정책 추진 현황(2022-8), "한국산업기술진흥원", 한국산업기술진흥원, ~ (2022)
  26. "수조 쏟아붓고도 슬럼화 못 막은 도시재생" (2021)[URL]
  27. "더불어 사는 초고령사회의 실현을 위하여" (2024)[URL]
  28. "바이든 '미국 제조업 재기 시작됐다'…삼성 투자도 언급" (2022)[URL]
  29. "도시재생종합정보체계"[URL]
  30. "도시재생종합정보체계 쇠퇴지역 지도"[URL]
  31. Anttiroiko, A. V., "City branding as a response to global intercity competition", Growth and Change, 46(2), pp.233~252 (2015)
  32. Beauregard, R. A., "Representing urban decline : Postwar cities as narrative objects", Urban Affairs Quarterly, 29(2), pp.187~202 (1993)
  33. Burch, M., "The English Regions and the European Union", Regional Studies, 36(7), pp.767~778 (2002)
  35. Chen, Y., "A review of the artificial neural network models for water quality prediction", Applied Sciences, 10(17), pp.5776~ (2020)
  36. Cheshire, P. C., "Urban Problems in Western Europe: an economic analysis" (2017), Routledge
  37. Coglianese, C., "Regulating by robot : Administrative decision making in the machine-learning era", The Georgetown Law Journal, 105, pp.1147~ (2016)
  38. Cristea, M., "The impact of population aging and public health support on EU labor markets", International Journal of Environmental Research and Public Health, 17(4), pp.1439~ (2020)
  39. Dong, X., "A survey on ensemble learning", Frontiers of Computer Science, 14, pp.241~258 (2020)
  40. Elavarasi, M., "Big data analytics and machine learning techniques to manage the smart grid", 2023 International Conference on Computer Communication and Informatics (ICCCI), pp.1~6 (2023)
  41. Fukuda, S. I., "Regional convergence under declining population: The case of Japan", Japan and the World Economy, 55, pp.101023~ (2020)
  42. "Understand 3 Key Types of Machine Learning" (2022)[URL]
  43. Hosmer Jr, D. W., "Applied Logistic Regression. Vol. 398" (2013), John Wiley & Sons
  44. Huynh, X. P., "Detection of driver drowsiness using 3D deep neural network and semi-supervised gradient boosting machine", Computer Vision–ACCV 2016 Workshops: ACCV 2016 International Workshops, Revised Selected Papers, Part III, pp.134~145 (2016), Springer International Publishing
  45. Kononenko, I., "European conference on machine learning", pp.171~182 (1994), Springer
  46. The development of urban regeneration policy in the United Kingdom, "Kyung, S.", Centre for Urban and Regional Studies, University of Birmingham, ~ (2009)
  47. Liu, Y. D., "Cultural events and cultural tourism development: Lessons from the European Capitals of Culture", European Planning Studies, 22(3), pp.498~514 (2014)
  48. Mahesh, B., "Machine learning algorithms-a review", International Journal of Science and Research (IJSR), 9(1), pp.381~386 (2020)
  49. Manville, M., "The social and fiscal consequences of urban decline: Evidence from large American cities, 1980–2010", Urban Affairs Review, 54(3), pp.451~489 (2018)
  50. Mohamad, T. H., "Gear fault detection using recurrence quantification analysis and support vector machine", Journal of Software Engineering and Applications, 11(5), pp.181~203 (2018)
  51. Park, S. K., "An analysis of regional economic growth effects of population change", Journal of The Korean Regional Development Association, 31(3), pp.253~278 (2019)
  52. Polikar, R., "Ensemble-based systems in decision making", IEEE Circuits and Systems Magazine, 6(3), pp.21~45 (2006)
  54. Raftery, A. E., "Probabilistic population forecasting: Short to very long-term", International Journal of Forecasting, 39(1), pp.73~97 (2023)
  55. Ramakrishna, M. T., "Homogeneous Adaboost Ensemble Machine Learning Algorithms with Reduced Entropy on Balanced Data", Entropy, 25(2), pp.245~ (2023)
  56. Raschka, S., "About feature scaling and normalization and the effect of standardization for machine learning algorithms", Political Legal Anthropology Review, 30, pp.67~89 (2014)
  57. Roberts, P., "Urban Regeneration: A Handbook" (1999), Sage
  58. Robnik-Šikonja, M., "Theoretical and empirical analysis of ReliefF and RReliefF", Machine Learning, 53, pp.23~69 (2003)
  59. Rokach, L., "Ensemble-based classifiers", Artificial Intelligence Review, 33, pp.1~39 (2010)
  60. Ryu, J. Y., "The Way to Local Regeneration using Cultural Contents: Reviewing Cases of Rural Community Projects", Social Integration Research, 3(1), pp.121~149 (2022)
  61. Sahin, E. K., "Assessing the predictive capability of ensemble tree methods for landslide susceptibility mapping using XGBoost, gradient boosting machine, and random forest", SN Applied Sciences, 2(7), pp.1308~ (2020)
  62. Sassite, F., "A machine learning and multi-agent model to automate big data analytics in smart cities", International Journal of Advanced Computer Science and Applications, 13(7), pp.441~451 (2022)
  63. Savage, M., "Urban sociology, capitalism and modernity" (2020), Bloomsbury Publishing
  64. Shahraki, A., "Boosting algorithms for network intrusion detection : A comparative evaluation of Real AdaBoost, Gentle AdaBoost and Modest AdaBoost", Engineering Applications of Artificial Intelligence, 94, pp.103770~ (2020)
  65. Sharifani, K., "Machine Learning and Deep Learning: A Review of Methods and Applications", World Information Technology and Engineering Journal, 10(07), pp.3897~3904 (2023)
  66. Sheykhmousa, M., "Support vector machine versus random forest for remote sensing image classification : A meta-analysis and systematic review", IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13, pp.6308~6325 (2020)
  67. Solow, R. M., "A contribution to the theory of economic growth", The Quarterly Journal of Economics, 70(1), pp.65~94 (1956)
  68. Trach, R., "A study of assessment and prediction of water quality index using fuzzy logic and ANN models", Sustainability, 14(9), pp.5656~ (2022)
  69. Wardhani, N. W. S., "Cross-validation metrics for evaluating classification performance on imbalanced data", 2019 International Conference on Computer, Control, Informatics and Its Applications (IC3INA), pp.14~18 (2019)
  70. Wise, D. A., "Inquiries in the Economics of Aging", pp.1~15 (1998), University of Chicago Press
  71. Wong, T. T., "Reliable accuracy estimates from k-fold cross validation", IEEE Transactions on Knowledge and Data Engineering, 32(8), pp.1586~1594 (2019)
  72. Yoo, J. Y., "Primer on Korean Planning and Policy PKPP: Urban Regeneration. (r20191231)", Korea Research Institute for Human Settlements (KRIHS), ~ (2019)

관련 논문AI추천

머신러닝기반 쇠퇴도시 예측 연구: 그래디언트 부스팅(Gradient Boosting) 모형을 중심으로정지은(사) 한국도시재생학회 · 도시재생2022 · 제8권 제1호A.I-머신러닝 모형을 활용한 빈집발생에 관한 연구임미화한국감정평가학회 · 감정평가학논집2025 · 제24권 제3호기성시가지 필지별 토지이용 변화 예측을 위한 기계학습 모델 개발에 관한 연구: 서울시 신축 발생 예측을 중심으로고진수, 김태현, 노승철, 이석준, 임재욱한국감정평가학회 · 감정평가학논집2020 · 제19권 제1호도시차원의 쇠퇴실태와 경향김예지, 김용욱, 이영성한국도시지리학회 · 한국도시지리학회지2010 · 제13권 제2호수도권과 비수도권 기초지방자치단체의 도시쇠퇴 영향 요인 비교분석김호철, 장종우(사) 한국도시재생학회 · 도시재생2024 · 제10권 제1호다핵 상권 젠트리피케이션 위험도 및 결정요인 분석: 머신러닝 기반 예측 모델과 공간분석 기법을 적용하여강상훈, 이동영한국주택금융공사 · 주택금융연구2025 · 제9권 제1호

이 간행물의 다른 논문 (4건)

통화정책이 주택 미분양에 미치는 영향의 지역별 이질성 분석임현준pp. 1-20신･재생에너지원과 온실가스 배출 간의 관계 분석정주원, 김하정pp. 55-76한국의 불안정고용 노동자를 위한 공제 발전과정 - 한국의 노동공제 조직 사례연구 -장승권, 장지연pp. 77-110Impact of Travel Experiences on Quality of Life - A Study of Domestic and Inbound Visitors in Pokhara -Vishal Paudel, Laxmi Kanta Sharmapp. 111-146
원문 보기