0:00

밤길을 걷다가 저 멀리 환하게 불이 켜진 24시간 편의점을 발견하면 여러분은 보통 어떤 기분이 드시나요? 음, 아무래도 조금 안심이 되죠. 그렇죠. 늦은 시간에도 환하고 사람의 온기가 있으니까요. 언제든 도움을 청할 수 있는 밤거리의 지킴이라고 생각하기 쉬우니까, 대부분은 긴장이 좀 풀리면서 안도감을 느끼실 겁니다. 네, 맞아요. 저도 골목길 걷다가 편의점 간판 보이면 일단 마음이 좀 편안해지거든요. 그런데 만약에 방대한 도시 데이터를 분석한 결과 우리가 안식처라고 굳게 믿었던 그 밝은 상업시설 주변이 오히려 경찰의 긴급 출동 사이렌이 가장 자주 울리는 곳이라면 어떨까요? 사실 직관이랑은 많이 다른 결과라서 꽤 의외라고 생각하실 분들이 많을 것 같아요. 네, 오늘 우리가 깊이 파헤쳐볼 주제가 바로 이겁니다. 우리의 직관과 실제 데이터 사이에 그 아주 흥미로운 간극에 대한 이야기죠. 우리가 평소에 안도감을 느끼는 공간이 데이터상으로는 오히려 가장 많은 마찰이 집중되는 지점이라는 사실은 도시를 이해하는 데 아주 중요한 시사점을 던져주거든요. 맞습니다. 그래서 오늘 우리가 함께 살펴볼 자료는 건축공간연구원, 즉 AURI에서 발행한 <물리환경이 112신고 발생에 미치는 영향연구>라는 보고서입니다. 네, 아주 치밀하게 기록된 분석자료죠. 네, 우리가 매일 걷는 도로, 골목길, 건물, 가로수 같은 일상적인 도시의 물리적 환경이 과연 우리의 안전체감도랑 어떤 연관을 맺고 있는지 그 구조를 추적한 내용입니다. 자, 이제 본격적으로 이 내용을 하나씩 풀어가 볼까요? 좋습니다. 이 분석의 기초부터 좀 탄탄하게 다지고 넘어가야 할 것 같은데요. 이 연구의 출발점은 112신고 데이터를 바라보는 관점 자체를 새롭게 정의하는 데 있습니다. 관점을 새롭게 정의한다고요? 네, 우리는 보통 112신고 건수를 단순히 범죄가 발생한 횟수라고 생각하기 쉽잖아요. 보통은 그렇게 생각하죠. 경찰이 출동한 거니까요. 하지만 이 연구에서는 데이터를 조금 다르게 봅니다. 시민들이 느끼는 범죄에 대한 두려움, 그러니까 심리적인 불안감이 긴급 출동을 요청하는 실제 행동으로 이어진 결과물, 이렇게 해석하고 있거든요. 아, 잠깐만요. 범죄에 대한 두려움이랑 실제 범죄는 엄연히 다른 영역 아닌가요? 그렇죠. 다르죠. 내가 이 골목이 무섭다고 느낀다고 해서 꼭 그곳이 범죄율이 높은 위험 지역이라고 단정 지을 수는 없잖아요. 단순히 사람들이 무서워한다는 심리적 지표를 가지고 도시의 치안 환경을 분석하는 게 충분히 객관적일 수 있을지 약간 헷갈리는데요. 음, 아주 예리한 지적이십니다. 당연히 심리적인 두려움이랑 실제 강력 사건 발생 빈도가 항상 100% 일치하진 않거든요. 네, 아무래도 오인 신고도 있을 테고요. 맞아요. 하지만 환경 설계나 도시공학 관점에서는 이 두려움이라는 지표가 실제 범죄율만큼이나 핵심적인 역할을 합니다. 어떤 이유 때문일까요? 왜냐하면 특정 공간에서 사람들이 지속적으로 두려움을 느끼게 되면 야간 외출 자체를 피하게 되잖아요. 그러면 보행자가 줄어들고 거리는 자연스럽게 활기를 잃게 되거든요. 아, 사람들이 거리를 걷지 않게 되면 주변을 지켜보는 눈, 그러니까 일종의 자연적 감시 기능을 떨어지게 되니까요. 네, 정확합니다. 자연적 감시가 떨어지면 결국 작은 무질서가 방치되고 이게 장기적으로는 실제 범죄율 상승으로 이어질 수 있는 연쇄작용을 일으키거든요. 아하, 그렇군요. 그래서 112신고 데이터는 단순히 치안 상태의 결과물만을 보여주는 숫자가 아니라 이 도시공간이 현재 얼마나 편안하고 안정적으로 작동하고 있는지를 실시간으로 진단할 수 있는 척도가 되는 거죠. 듣고 보니까 그 112신고망이 마치 도시 전체에 깔려있는 거대한 신경망 같다는 생각이 드네요. 오, 신경망이요? 네, 시민 한 명 한 명이 일종의 통증 수용체가 되어서 거리를 걷다가 위험 요소나 불안감을 감지하면 즉각적으로 112라는 신경망을 통해서 중앙으로 신호를 보내는 거죠. 아주 적절한 비유네요. 그래서 연구진은 이 신경망의 반응을 정확히 측정하기 위해 서울이라는 거대한 도시를 가로, 세로 500m 크기의 격자로 나누어서 분석을 진행했습니다. 500m 격자면 우리가 걸어서 대략 한 5분에서 7분 정도 걸리는 거리네요. 딱 내 집 주변, 그냥 우리 동네라고 부를 수 있는 일상적인 생활권 단위군요. 네, 맞습니다. 딱 그 정도 규모죠. 이 생활권 단위 안에서 어느 구역에 신고가 집중되는지, 그리고 그 격자 안에는 어떤 물리적 환경이 존재하는지를 교차해서 들여다본 겁니다. 그런데 112신고라는 게 스펙트럼이 워낙 방대하잖아요. 그렇죠. 엄청 다양하죠. 누군가는 정말 긴급한 물리적 위협을 받아서 다급하게 전화를 걸지만, 주차 문제나 이웃 간의 층간 소음 때문에 신고하는 경우도 상당히 많을 텐데요. 이걸 다 합쳐서 분석하면 데이터의 방향성이 좀 흐려지지 않나요? 그래서 연구진도 그 부분을 아주 정밀하게 통제했습니다. 경찰의 신고 시스템은 긴급성에 따라서 제일 다급한 코드 0부터 비긴급 민원인 코드 4까지 분류되어 있거든요. 아, 코드별로 나뉘어 있군요. 네. 코드 0은 당장 범죄가 진행 중이라서 최단 시간 내에 출동해야 하는 상황을 뜻하죠. 이 연구에서는 단순 민원이나 상담에 해당하는 코드 3와 4는 과감하게 분석 대상에서 제외했습니다. 아, 다 빼버렸군요. 네. 오직 긴급 출동이 반드시 필요한 코드 0, 1, 2 신고에만 딱 초점을 맞춘 거죠. 진짜 위험을 감지한, 말 그대로 방금 말씀드린 신경망에 아주 강한 경고등이 켜진 순간의 데이터만 추출했다는 거네요? 네, 그렇습니다. 이렇게 걸러낸 데이터가 실제 강력 범죄 발생 패턴이랑은 어느 정도 연관성을 보였나요? 이렇게 추려낸 코드 0에서 2까지의 신고 데이터를 서울시 주요 구역의 실제 5대 강력 범죄 발생 패턴이랑 겹쳐보았더니 상관계수가 0.854로 나타났습니다. 와, 0.854면 통계적으로 볼 때 두 지표가 공간적으로 거의 똑같이 움직인다고 봐도 무방할 정도로 높은 수치네요. 네, 상당히 높은 일치율이죠. 결국 시민들의 긴급 신고가 모인 핫스팟이 곧 실제 범죄 위험이 높은 지역과 거의 일치한다는 뜻이군요. 그렇다면 본격적으로 파고들어 볼까요? 이 도시의 신경망을 자극해서 경고등을 켜게 만드는 물리적 환경의 정체는 정확히 무엇입니까? 네, 특정 동네에 어떤 시설이 있을 때 신고가 늘어나고 줄어드는지 그 해답을 찾기 위해 이 연구에서는 단순히 변수 몇 개를 1대 1로 비교한 게 아닙니다. 기계학습 모델 중 하나인 XGBoost 알고리즘을 활용했거든요. XGBoost요? 저는 데이터과학 전문가는 아니지만 굳이 복잡한 기계학습까지 동원한 특별한 이유가 있나요? 그냥 엑셀 같은 프로그램으로 ‘어느 동네에 상업시설 몇 개 있고, 신고가 몇 건 들어왔다.’ 이렇게 통계를 내면 훨씬 직관적이지 않을까 하는 생각도 드는데요. 음, 우리가 살아가는 도시는 그렇게 1차원적인 공간이 아니기 때문입니다. 예를 들어서 어떤 골목에 소매점이 하나 있다고 가정해 보죠. 네, 소매점이요? 이 소매점이 4차선 대로변에 있는지 아니면 좁고 구불구불한 주택가 안쪽 깊숙한 곳에 있는지 혹은 근처에 지하철역이 있는지에 따라서 그 상점이 주변 치안에 미치는 영향은 완전히 달라지거든요. 아, 상황에 따라 다를 수밖에 없겠네요. 맞아요. 그래서 XGBoost는 수많은 의사결정 트리를 생성해서 이런 다차원적인 환경요소들이 서로 어떻게 상호작용하며 최종적으로 신고를 유발하는지 정교하게 잡아내는데 아주 탁월한 모델입니다. 아하, 단순히 별수 하나가 독립적으로 작용하는 게 아니라 주변 인프라와 얽히고설킨 복잡한 맥락까지 함께 읽어낸다는 거군요? 네, 바로 그겁니다. 그럼, 이 알고리즘이 분석해 낸 신고를 유발하는 주요 요인들은 전체적으로 어떤 흐름을 보였나요? 여기부터가 정말 흥미로운 지점일 것 같은데요. 네, 분석 결과를 보면 신고를 증가시키는, 즉 신경망을 자극하는 주요 변수들로 상업 지역의 면적, 술집, 편의점, 소매점, 대중교통시설, 그리고 전체 건물의 밀도 등이 상위권에 꼽혔습니다. 음, 그렇군요. 반대로 신고를 줄여주는 요인으로는 동네의 녹지 비율과 교육시설, 공공시설 등이 나타났고요. 여기서 제가 아까 오프닝에서 던졌던 그 의문이 다시 고개를 드네요. 술집 주변이나 상업 지역 면적이 넓은 곳은 아무래도 야간 활동이나 음주문화가 얽혀 있으니까 여러 마찰이 생길 수 있다고 봅니다. 충분히 공감해요. 네, 그건 직관적으로 이해가 가죠. 하지만 편의점이나 버스정류장은 우리가 매일 같이 가장 많이 의존하는 기반 시설이잖아요. 오히려 이런 시설들이 있어서 늦은 밤에도 거리가 좀 밝게 유지되고 사람들이 오가니까 시야도 확보돼서 더 안전해야 하는 것 아닌가요? 네, 충분히 가질 수 있는 합리적인 의문입니다. 그런데 데이터가 편의점이나 대중교통시설을 신고 증가 요인으로 지목했다는 게 선뜻 와 닿지가 않거든요. 왜 그런 걸까요? 여기서 우리가 반드시 주의해야 할 점이 하나 있습니다. 편의점이나 버스정류장이라는 시설 그 자체가 부정적인 공간이라거나 범죄를 유발한다는 의미가 결코 아니라는 사실이죠. 아, 시설 자체가 원인이 아니라고요? 그럼 어떤 뜻으로 해석해야 할까요? 핵심은 그 시설들이 위치함으로써 주변에 형성되는 공간의 구조적 특성이 있습니다. 편의점이나 소매점, 대중교통시설 주변은 필연적으로 24시간 내내 수많은 사람이 끊임없이 모이고 흩어지는 결절점, 즉 허브 역할을 하거든요. 그렇죠. 항상 사람들이 북적이잖아요. 특히 야간에는 인근 주택가나 골목은 어두워지는 데 반해 이런 상업시설이나 교통시설 주변으로만 조명과 사람들의 활동반경에 집중됩니다. 그러다 보니 수많은 보행자가 오가지만 서로가 누구인지는 전혀 알지 못하는 높은 익명성의 공간 밀도가 형성되는 거죠. 아, 단순히 사람이 많아서가 아니라 그 익명성이 결합 된 밀도가 형성된다는 거군요? 네, 맞습니다. 이렇게 유동 인구의 밀도와 익명성이 동시에 높아지면 거리에 활력이 도는 긍정적인 측면도 분명히 존재하죠. 네, 거리가 살아나니까요. 하지만 구조적으로 사람들 간의 다양한 마찰이나 잠재적인 범죄 기회가 발생할 확률 역시 통계적으로 함께 올라갈 수밖에 없는 원리입니다. 확실히 정리가 되네요. 편의점의 밝은 불빛 자체가 위험한 게 아니라 그 불빛을 중심으로 모여드는 익명성을 띤 사람들의 활동반경이 겹치면서 크고 작은 갈등이나 사건이 벌어질 수 있는 복합적인 무대가 형성된다는 뜻이네요? 네, 정확히 이해하셨습니다. 그렇게 들으니, 고개가 끄덕여집니다. 그런데 자료를 계속 읽다 보니까 이 환경 요인들이 작동하는 방식이 상당히 흥미롭더라고요. 단순히 ‘편의점이 많으면 무조건 신고가 늘어난다.’, 혹은 ‘공원이 넓으면 무조건 안전해진다.’ 식의 1차원적인 정비례나 반비례 관계가 아니라는 점 말이죠. 네, 이 대목에서 아주 중요한 질문이 하나 떠오릅니다. 그 부분이 이번 연구가 기계학습을 활용해 도출해 낸 가장 핵심적인 발견 중 하나거든요. 어떤 발견인가요? 환경 변수들이 신고에 미치는 영향력이 단순한 직선 형태가 아니라 곡선이나 계단 형태를 띠는 비선형적 관계를 보인다는 점입니다. 비선형적 관계요? 그러니까 어떤 환경요소가 일정 수준까지는 별다른 영향을 안 미치다가 특정 임계점을 넘어가면 갑자기 큰 영향을 미친다거나 반대로 처음엔 긍정적으로 작용하다가 나중엔 부정적으로 변할 수도 있다는 뜻인가요? 네, 맞습니다. 가장 대표적인 변수로 방금 언급하신 녹지 비율을 예로 들어보겠습니다. 녹지요? 나무나 공원 같은 거 말씀이시죠? 네, 우리는 보통 동네에 나무가 많고 공원 면적이 넓을수록 무조건 쾌적하고 안전한 환경이 될 거라고 기대하잖아요. 그렇죠. 공원이 많으면 왠지 살기 좋은 동네 같고요. 실제로 알고리즘 분석 결과에서도 격자 내에 녹지 비율이 늘어날수록 112신고가 뚜렷하게 감소하는 긍정적인 효과가 나타납니다. 하지만, 이 감소세가 무한정 이어지는 것은 아니라는 게 중요하죠. 아, 어느 정도 선에서 멈추거나 변화가 생기나요? 데이터에 따르면 500m 격자 내의 녹지 비율이 전체 면적의 약 40%에 달할 때까지는 신고가 줄어드는 효과가 확실히 지속됩니다. 40%요? 네. 그런데 그 40%를 넘어서는 순간부터는 오히려 효과가 둔화되거나 전혀 다른 복합적인 양상을 띠기 시작하거든요. 40%라는 수치가 일종의 티핑 포인트가 되는 거네요. 이걸 어떻게 직관적으로 이해하면 좋을까요? 비유하자면 요리를 할 때 조미료를 적당히 넣어야 맛이 살아나는데 너무 많이 넣으면 오히려 음식 맛을 망치는 거랑 비슷할까요? 오, 그것도 좋은 비유네요. 아니면 방에 방음재를 붙이는 상황도 떠오르는데요. 처음에 벽에 방음재를 조금씩 붙여나갈 때는 시끄러운 외부 소음이 차단되면서 공간이 아주 아늑하고 평화로워지잖아요. 네네, 그렇죠. 그런데 방 전체를 100% 방음재로 꽉 채워버리면 어떻게 될까요? 공간이 너무 쥐 죽은 듯 고요해져서 오히려 내 숨소리나 심장 소리까지 크게 들리고 작은 마찰음 하나에도 예민하게 반응하게 되는 묘하게 불안한 공간이 되어버리죠. 녹지도 마찬가지로 동네 면적의 40%를 넘어서 과도하게 우거지기 시작하면 오히려 사람들의 시야를 완전히 차단해 버리는 부작용이 생기는 것 아닐까요? 와, 아주 적절하게 상황을 묘사하는 비유입니다. 정확히 그 현상입니다. 녹지가 과도하게 넓어지고 수목이 너무 밀집되면 자연스럽게 인적이 드물어지거든요. 네, 숲이 너무 깊으면 무서우니까요. 나무와 숲이 무성해지면서 가로등 불빛이나 주변 상가, 건물 창문을 통해 거리를 지켜볼 수 있는 시야가 차단되죠. 즉, 아까 말씀하셨던 자연적 감시가 미치지 못하는 사각지대가 형성되는 겁니다. 아하, 그렇군요. 이렇게 되면 보행자의 불안감이 오히려 커질 수 있고 잠재적인 위험 요소가 은폐되기 쉬운 환경이 조성될 수 있습니다. 결국, 자연 친화적인 공간이라고 해서 무작정 나무를 많이 심고 규모만 키운다고 해결되는 게 아니었군요. 공간의 성격에 맞는 적정 비율과 관리가 핵심이네요. 그렇습니다. 이런 비선형적 특성은 녹지뿐만 아니라 카페나 교통시설 같은 상업시설에서도 비슷하게 관찰됩니다. 이런 시설들이 동네에 한두 개 있을 때는 주민들의 생활 편의를 높이고 거리에 적당한 활기를 불어넣어 주지만요. 네, 적당히 있으면 좋죠. 특정 임계점을 넘어서 과도하게 밀집되면 그때부터는 활기를 넘어서 혼잡과 마찰을 유발하는 구조적 요인으로 영향의 방향이 달라지게 되는 것입니다. 야, 모든 환경요소에는 공간의 성격에 맞는 세밀한 균형이 존재한다는 아주 중요한 진리를 데이터가 다시 한번 증명해 주네요. 자, 이렇게 112신고 데이터와 물리적 환경 간의 복잡한 관계를 치밀하게 파헤쳐보았습니다. 그렇다면 이 모든 것이 우리에게 어떤 의미를 가질까요? 이런 심층적인 분석 결과가 청취자 여러분의 실제 생활 공간을 변화시키는 데 어떻게 적용될 수 있을지 궁금합니다. 여기서 주목할 만한 흥미로운 부분은요. 과거에는 치안을 위한 순찰이나 환경 개선이 주로 경찰의 경험이나 감에 의존했다면, 이제는 이런 실증적 데이터를 바탕으로 범죄예방 환경설계, 즉 CPTED가 이루어질 수 있다는 점입니다. CPTED요? 예전에는 CPTED라고 하면 주로 낡은 골목 담벼락에 밝게 벽화를 그리거나 가로등 조도를 높이는 정도의 정비 사업으로만 알고 있었는데요. 과거에는 환경 개선이 다소 일괄적으로 적용되는 경향이 좀 있었죠. 민원이 들어오거나 경험적으로 어둡다고 판단되는 곳에 일률적으로 조명을 달았으니까요. 하지만 이제는 오늘 살펴본 AURI 연구처럼 다차원적인 데이터를 통해 공간마다 아주 세밀한 맞춤형 처방을 내릴 수 있습니다. 맞춤형 처방이라면 구체적으로 어떤 식일까요? 예를 들어, 어떤 지역의 상업시설이 특정 임계점을 넘어서 과도하게 밀집되어 신고가 잦은 핫스팟으로 분류되었다고 가정해 보죠. 편의점이나 소매점이 한 블록에 여러 개 몰려 있어서 아까 말씀하신 그 익명성의 밀도가 극도로 높아진 구역이겠군요. 네, 과거에는 단순히 순찰 인력을 늘리는 선에서 대응했다면, 이제는 공간 구조 자체를 데이터에 맞게 재설계합니다. 편의점 주변의 사각지대를 물리적으로 없애고, 보행자들이 심리적으로 공간이 환하게 개방되어 있다고 느끼도록 동선을 재배치하는 등 환경 디자인을 정교하게 다듬는 것이죠. 아, 디자인으로 구조를 바꾸는 거군요. 건물의 유리창에 시야를 가리는 짙은 시트지나 불필요한 적치물이 있다면, 이를 정비해서 거리 안팎의 자연스러운 시야각을 넓혀주는 것도 훌륭한 맞춤형 처방이 될 수 있습니다. 아까 비선형적 관계를 보였던 녹지 비율 같은 경우도 적용 방식이 많이 달라지겠네요. 맞습니다. 40%라는 기준점을 데이터로 확인했으니, 앞으로 도시계획 단계에서 녹지를 조성할 때 무작정 면적만 넓히는데 집중하지는 않겠죠. 네, 나무만 잔뜩 심지는 않겠네요. 사람들이 지속적으로 서로를 인식할 수 있도록 산책로의 밀도나 수목의 배치 방식을 고민하게 될 겁니다. 나무의 높이나 가로수의 간격 하나하나까지도 데이터에 기반하여 정밀하게 설계되는 시대가 온 것입니다. 들을수록 정말 인상 깊습니다. 결국 우리가 무심코 지나치는 길가의 가로수 한 그루, 가로등 하나의 위치, 또 편의점 앞 공간의 개방감 하나하나가 그냥 우연히 그 자리에 있는 게 아니라는 뜻이네요. 네, 보이지 않는 설계가 들어가 있는 셈이죠. 도시라는 거대한 유기체가 시민들이 매일 같이 보내는 112라는 신경망의 신호를 데이터로 받아들여서 스스로 공간의 상태를 진단하고 더 편안한 방향으로 환경을 진화시켜 나가는 과정이라고 생각하니 왠지 안심이 됩니다. 우리가 매일 걷는 출퇴근길이나 아이들이 다니는 통학로가 단순한 콘크리트와 가로수의 조합이 아니라 우리의 행동과 심리를 세밀하게 반영해 안전을 높이도록 설계된 데이터 기반의 공간으로 진화하고 있다는 거니까요. 그렇죠. 112신고 데이터는 단순히 지나간 사후 처리 기록이나 치안 출동의 누적 기록이 아닙니다. 이 데이터는 우리가 매일 호흡하고 살아가는 이 공간의 건강 상태를 가감 없이 보여주며 앞으로 이 도시를 어떤 형태로 다듬어 나가야 할지 아주 구체적이고 훌륭한 나침반 역할을, 즉 미래를 예측하는 길잡이 역할을 하게 될 것입니다. 오늘 우리가 함께 다룬 도시 데이터와 환경에 대한 이야기 어떠셨나요? 이 깊이 있는 탐구를 마치기 전에 여러분께 한 가지 생각거리를 던져드리고 싶습니다. 네. 오늘 밤 집으로 돌아가시는 길에 평소 걷던 주변 공간을 찬찬히 한번 둘러보시기 바랍니다. 여러분이 늘 지나치는 그 골목, 늦게까지 불을 밝힌 상가 앞에서 느끼는 묘한 편안함이나 활기는 어쩌면 누군가가 수백만 건의 데이터를 분석하고 수많은 환경 변수의 균형을 세밀하게 맞춰놓은 보이지 않는 안전선 덕분일지도 모릅니다. 참 의미 있는 관점이네요. 그렇다면 이런 기계학습 알고리즘과 데이터 분석 기술이 지금보다 훨씬 더 고도화된 앞으로의 10년 뒤 도시는 과연 어떤 모습일까요? 건물과 가로수, 상점과 도로가 우리의 행동 패턴을 실시간으로 읽어내며 최적의 균형을 찾아가는 진정한 의미의 데이터 기반 공간이 우리 일상의 또 어떤 새로운 형태의 공간으로 우리를 맞이하게 될지 한 번쯤 상상해보시길 바랍니다. 일상 속 당연한 풍경을 다르게 보게 만드는 오늘의 탐구는 여기서 마치겠습니다. 함께 해주신 여러분 고맙습니다.