노인 친화 가로 네트워크 진단 — 전체 정리

🚶‍♀️ 노인 친화 가로 네트워크 진단 — 전체 정리

★ 핵심 실증: 노인 보행사고는 거주 공간이 아니라 활동·간선 가로 공간에 정렬된다 → 거주 기준 실버존 지정은 사고 분포와 체계적으로 불일치(spatial mismatch). 이 연구의 차별점은 예측 모델 성능이 아니라, ① 정책 타겟팅 불일치를 다중 추정량으로 반증한 점과 ② 우리 AI 도구(거리뷰 VLM·GNN·우선순위 모델)를 모두 자기 손으로 반증·검증해 무엇이 신호이고 무엇이 교란·정보누출인지 규명한 연구 진실성(research integrity)입니다.

중앙대 C.O.R.E. 학술제 / 소주제: 고령화시대, 도시 인프라의 재설계
이 문서는 지금까지 준비한 것, 튜터 교수님 논문, 참고한 최신 AI 논문을 전문용어는 그대로 두고 괄호에 쉬운 설명을 붙여 정리한 자료입니다. 큰 틀은 가로 네트워크 진단 시스템 L0~L5이며, 각 층에 구현완료 검증완료 설계안 태그로 구현 범위를 명시합니다.

① 핵심 실증 — 거주-활동 노출의 공간적 불일치
② 우리가 준비한 것 — 연구 여정과 진단 시스템 L0~L5
③ 튜터 교수님 논문 (이정우·김승남)
④ 참고한 최신 AI 논문과 우리 도구의 자기검증 (음성 3종)
⑤ 핵심 용어 사전

① 핵심 실증 — 거주-활동 노출의 공간적 불일치

거주 기준 실버존은 노인이 실제로 다니는 활동·간선 공간을 비껴간다

무엇을 비교했나: 서울 사고 다발지역에서, 거주 기반 노출 (residence-based exposure = 노인이 사는 곳 기준 지표)과 활동 기반 노출 (activity-based exposure = 노인이 활동하며 지나는 보행량·간선 가로 기준 지표) 중 어느 쪽이 사고 다발 위치와 더 잘 정렬(align)되는지 봤습니다.

정렬력(AUC)	값	해석
거주 기반 노출	0.35 (95%CI 0.305–0.398)	0.5보다 작음 = 사고 위치와 음(陰)으로 정렬
활동 기반 노출	0.602 (95%CI 0.559–0.646)	더 잘 정렬되나 절대 약함 — '예측'으로 제시하지 않음
활동−거주 차이 (주력)	0.252 (bootstrap p<0.0001, 차 95%CI 0.191–0.311)	0을 포함하지 않음 = 차이의 방향·유의성이 견고

이 연구의 힘 = 차이의 유의성. 활동 노출의 절대 정렬력(0.602)은 우연 상회 수준이라 "예측"으로 내세우지 않습니다(객관 정보만 쓰면 objective_only 0.501 = 우연). 헤드라인은 오직 거주(음정렬)와 활동(양정렬)의 판별력 차이 0.252가 유의하다는 서술적 사실입니다. "거주는 안전하다 / 활동에서 다친다" 같은 인과 어휘는 쓰지 않습니다(단면 관측이라 인과 식별 불가).

세 독립 추정량이 같은 방향으로 수렴:

① 판별 AUC 차이(주력 검정): 활동−거주 0.252, p<0.0001.
② 스피어만 상관 부호반전: 거주 −0.138 / 활동(person) +0.286.
③ 다발지역 구성(보조 증거, 정식 검정 아님): 저거주 다발 70.1%, 간선 비중 다발 59.3% vs 전체 49.3%.

→ 따라서 거주 기준 실버존 지정은 노인이 실제로 다치는 활동·간선 공간과 공간적으로 불일치합니다(정책 타겟팅 불일치).

메커니즘 — 노출을 보정해도 활동·간선 신호만 남는다

노출량을 분모로 보정한 포아송 GLM (offset=log노출. 노출이 많으면 사고도 많은 자명함을 빼고, 그 이상으로 사고가 집적되는지 보는 회귀) 결과:

변수	계수	유의성
person (보행 활동량)	+0.391	p<0.0001 (유의)
road_px (도로 폭/간선성)	+0.333	p=0.042 (유의)
obstacle (장애물)	+0.200	p=0.0025 (유의)
enclosure (위요감)	+0.309	p=0.0001 (유의)
no_signal (신호등 결핍, 미시 설계신호)	+0.025	p=0.82 (비유의)
no_tactile (점자블록 결핍, 미시 설계신호)	+0.029	p=0.72 (비유의)

보수적 재서술: 미시 설계변수는 복수 명세에서 일관되게 비유의이거나 부호가 불안정합니다 → "단면 데이터로 설계효과를 식별할 수 없다"는 한계로 적습니다(s27 인과효과 신뢰구간이 0을 포함하는 것과 정합). "설계신호가 소멸했다"는 단일 서사로 단정하지 않습니다.

표본 투명화: 분석 단위는 노드 1,054개(그중 사고 다발 양성 194 = 18.4%)이며, 간선 59.3% / 49.3%는 정식 검정이 아닌 보조 증거입니다. 분석 다발지역은 서울 666곳(2016~2020, 도로교통공단 API).

② 우리가 준비한 것 — 연구 여정과 진단 시스템 L0~L5

2-1. 연구 주제가 진화해온 과정

처음 주제에서 두 번 "결과가 자명하다/약하다"는 피드백을 받아 방향을 바꿔, 지금의 가로 네트워크 진단 주제에 도달했습니다.

반려 도시 열섬(폭염) 지도 — "결과가 자명하다(녹지 심으면 시원하다)"

반려 인과추론 + 최적화 — "우열 못 가린다 식의 결론은 약하다"

현재 노인 친화 가로 네트워크 진단 — 거주-활동 노출의 공간적 불일치 + 거리뷰 AI 진단 타당도 검정. 건축/도시 난제 + AI 핵심 + 두 튜터 교수 연구 연결

2-2. 큰 틀 — 가로 네트워크 진단 시스템 (구현 태그 필수)

점(횡단보도) 진단을 가로 네트워크(도로망 전체) 노출 진단으로 올리는 시스템입니다. 윗단계 결과가 아랫단계의 입력이 되며, 각 층에 구현 범위를 태그로 표시합니다(설계안을 구현으로 과장하지 않기 위함).

L0 데이터 구현완료 — 도로망(OSM)·스트리트뷰·횡단보도·노인인구·사고 다발지역

▼

L1 미시 진단 구현·검증완료(결과=음성) — 거리뷰 AI 위험점수 + 객관 노출. 점수의 동시타당도가 입증되기 전까지 정비 권고에 직접 쓰지 않음(정직성 게이트). 노인 측면은 미검증 VLM 페르소나가 아니라 객관 보행속도 규칙(한음2020, 0.73~0.85m/s)으로 다룸

▼ (검증 통과 시에만 점수를 가중치로 전달)

L2 네트워크 노출 구현완료 — 거주/활동 노출을 가로망·도로계층(간선 520 / 이면 463 / 중간 71)으로 분해 → 핵심 실증 산출. '단순 노드 회귀'가 아니라 도로계층 네트워크 분석

▼

L3 외부효과 설계안 — 링크 절단 시 통행시간 증가(NRI: 링크 하나 끊었을 때 전체 통행시간 증가량)

▼

L4 최적화 설계안 — 신호 위치 조합최적화 + 타이밍 강화학습. 보행속도 0.73~0.85m/s를 하드 제약으로(미검증 점수가 아닌 객관 규칙)

▼

L5 의사결정 설계안 — 감사·정비 우선순위. 단순 노출 결합만으로는 운영 우선순위가 무작위에 미달(s30) → 추가 모델링이 필요한 설계안

★ L0·L1·L2는 구현됐고 L3~L5는 설계안입니다. "시스템"이라는 큰 틀이 실제 구현보다 거창해 보이지 않도록 항상 구현(L0~L2)과 설계안(L3~L5)을 구분합니다.

2-3. 두 방법적 뿌리 + 골목 사각지대 동기

뿌리 1 — 이정우 2025 (거리뷰 + SHAP, 횡단보도 36,750): L1의 출발점. 우리는 그 위험점수의 동시타당도(concurrent validity) (점수가 외부 객관 기준과 같은 방향을 가리키는지)를 반증 검정으로 비판적 계승합니다.

뿌리 2 — 김승남 (가로 네트워크·보행안전·VR): L2~L5의 토대. 활동 노출의 간선 링크 집적을 도로계층(간선 520 / 이면 463 / 중간 71) 네트워크 속성으로 분석해, '노드 회귀'가 아닌 가로망 노출 분석임을 보입니다.

★ 골목 사각지대 동기: 상용 로드뷰는 간선은 전수 촬영하지만 차량이 못 들어가는 골목(서울 S-Map 14,699개·53,715장)은 공백입니다. 즉 미시 사진 진단의 사각지대(골목)와 사고 집중지(간선)가 어긋납니다. 이는 진단을 점(사진)이 아니라 네트워크 노출로 올려야 하는 추가 근거이며, GNN 능동학습은 "사진 없는 골목을 어디부터 현장감사할지" 정하는 원래 동기와 재연결됩니다.

2-4. 구축한 분석 파이프라인 (수집·전처리 → 노출 평가)

1단계횡단보도 수집
OSM 19,437개

→

2단계스트리트뷰
거리 사진 4,216장(과금0)

→

3단계세그멘테이션
GPU로 가로 특징 추출

→

4단계노출 평가·타당도 검정
거주-활동 정렬 + VLM 순환성

단계	한 일	전문용어 설명
1	OSM (OpenStreetMap)에서 서울 횡단보도 위치 수집	OpenStreetMap = 누구나 쓰는 무료 세계지도 데이터
2	각 횡단보도의 스트리트뷰 (거리 사진) 수집	무료 한도 안에서 4,216장 → 비용 0원
3	시맨틱 세그멘테이션 (이미지의 모든 픽셀을 보도/하늘/차량/나무 등으로 분류)으로 가로 특징 추출	Mask2Former 딥러닝 모델을 GPU로 실행
4	거주/활동 노출의 사고 정렬력 비교 + 거리뷰 VLM 점수의 정보누출/순환성 통제 평가	핵심 실증(거주-활동 공간적 불일치) 산출 + 음성 3종(아래 ④) 규명

③ 튜터 교수님 논문 (쉽게 풀이)

이정우 교수 — 튜터 1순위 (스마트도시설계연구실) · L1 거리뷰 진단

한 줄 요약: "거리 사진을 AI로 분석해 보행환경·대기오염·안전을 진단"하는 분. 우리 L1의 방법적 뿌리.

횡단보도 보행안전 위험 진단 — 스트리트뷰 + SHAP 머신러닝 (2025, IEEE)

서울 횡단보도 36,750개를 거리 사진으로 분석. SHAP (AI 예측에서 '어느 요인이 얼마나 영향을 줬는지' 설명하는 기법)으로 위험 요인(하늘 개방도·건물 가림·보도 비율)을 규명.

⭐ 우리 연구와 직결: 이 거리뷰 위험점수가 외부 객관 기준과 동시타당도를 갖는지를 반증 검정으로 비판적 계승하는 것이 L1입니다.

도시형태와 미세먼지 — 해석가능 머신러닝 + IoT 센서 (2024)

서울 IoT 센서로 도시 모양이 계절별 초미세먼지에 미치는 영향 분석. 해석가능 ML (왜 그렇게 예측했는지 사람이 이해할 수 있는 AI).

그린웨이(고가 녹지길) 설계와 대기오염 노출 (2021) / 고속도로 캡핑(상부 덮개)의 대기·소음 저감 (2024)

보행자가 실제 마시는 공기를 미시 단위로 측정. "도시설계가 건강에 미치는 영향"이 핵심 관심.

김승남 교수 — 튜터 2순위 (Urban DNA Lab) · L2 도로계층 네트워크

한 줄 요약: "도시 공간구조·네트워크·보행안전을 데이터와 VR로 분석"하는 분. 우리 L2 네트워크 노출 분석과 연결.

압축도시(컴팩트시티) 공간구조와 교통에너지·대기오염 (2009)

컴팩트시티 (도시를 조밀하게 모아 차량 이동·에너지를 줄이는 도시 형태)가 정말 친환경인지 검증.

어린이 횡단보도 안전 — VR 실험 (2025) / 야간 조도와 범죄두려움 — VR (2023)

VR (가상현실. 사람을 가상 거리에 넣고 위험 지각을 측정) + 시선추적 (눈동자가 어디를 보는지 측정)으로 보행안전을 실험. 우리 L3 외부효과·VR 검증은 설계안/향후로 둡니다.

스트리트뷰 + Mask2Former로 가로경관·보행성 측정

우리가 3단계에서 쓴 바로 그 세그멘테이션 모델을 김 교수도 사용. 방법 공유.

두 교수가 만나는 지점: 이정우(L1 거리뷰 AI 진단) + 김승남(L2 도로계층 네트워크·보행안전)이 "가로 보행안전 × AI"에서 만납니다. 우리 작업은 그 교집합 위에서 활동 노출의 간선 링크 집적을 도로계층으로 실증화(간선 다발 59.3% vs 전체 49.3%)하고, 거리뷰 위험점수의 동시타당도를 반증 검정합니다. 노인 측면은 미검증 VLM 페르소나가 아니라 객관 보행속도 규칙(한음2020, 0.73~0.85m/s)으로 다룹니다.

④ 참고한 최신 AI 논문과 우리 도구의 자기검증 (음성 3종)

2023~2026년 최신 논문을 조사해 도구를 구상했고, 그 도구를 전부 우리 손으로 반증·검증했습니다. '최신 AI가 전통 방법보다 낫다'는 결론은 주장하지 않습니다. 아래 음성 3종을 선제 공개하는 것 자체가 이 연구의 연구 진실성 기여입니다.

4-1. 정직한 음성 ① — 거리뷰 VLM의 순환성/정보누출

VLM (Vision-Language Model = 이미지와 글을 함께 이해하는 AI) 거리뷰 위험점수가 진짜 안전 신호를 담는지, 아니면 같은 이미지 안의 정보를 되읽는 순환성(circularity) (점수의 근거가 외부 위험이 아니라 같은 사진 안의 특징에서 새어 들어온 것)인지 검정했습니다.

분류기 입력	VLM 라벨 맞히는 AUROC	해석
객관 정보만 (objective-only)	0.427 (<0.5)	객관 정보로는 VLM 라벨을 못 맞힘
같은-이미지 시각특징만 (visual-only)	0.679	같은 이미지 특징으로는 잘 맞힘 → 정보누출/순환성

결론(s14 E1b): VLM 점수의 외견 신호는 외부 위험이 아니라 같은-이미지 누출입니다. 단 n=41·신뢰구간 없음 → "소표본이라 시사적, 단정 아님"으로 병기합니다. 근거 텍스트도 편향됐습니다 — 점자블록·보행섬 결핍은 거의 항상 존재하는데 근거 recall 0.0(언급 0%), 신호등은 recall 0.943으로, 근거가 신호등이라는 단일 현저 단서에 강하게 편향됐습니다. 페르소나 특화는 미성립(노인-청년 Δ+0.771, p=0.0625, n=8 / 다른 실행 n=12에서 0.0 = 모순)이며, VLM 모델 우열은 라벨 41개라 보류합니다.

★ 수치 혼동 금지: 0.427은 순환성 진단(객관전용 vs 시각전용 0.679)이고, 별개로 0.523은 VLM-실제다발 정렬(우연 수준, MW p=0.041·Spearman 0.226로 방향만 약하게 일치)입니다. 두 수치를 섞지 않습니다.

4-2. 정직한 음성 ② — GNN의 구조적 실패와 분류 우위의 교란

GNN (Graph Neural Network = 점·선으로 연결된 망 위에서 이웃끼리 정보를 퍼뜨리며 학습하는 AI)를 두 과제로 검증했습니다.

회귀(라벨채우기) — 구조적 실패: 사진 없는 곳의 위험을 채우는 회귀에서 GNN은 단순 기준선에 패배(MAE 낮을수록 좋음): label_prop 5.13 / GCN 3.53 / gcn_selftrain 3.08 ≫ knn_feat 0.81 / global_mean 1.06. 400라벨에서도 GCN 0.929 vs knn 0.49 → 표본이 아닌 구조적 한계.
분류(hotspot) — 외견상 우위는 도로규모 교란: GCN 분류 AUC가 s19 0.671·s21 all_GCN 0.666으로 외견상 최고로 보이나, s21 자기검증에서 도로규모(노출) 교란으로 판명됐습니다(design_only 0.412 = 역방향, scale_only 0.693, location_only 0.379, Moran's I 0.6). 즉 GCN의 우위는 안전설계가 아니라 도로규모 노출의 대리입니다. → 헤드라인 근거로 쓰지 않으며 "능가"로 부활시키지 않습니다.

재정조준: GNN은 '라벨채우기 위험지도'로 쓰지 않고, 능동학습(active learning)·획득함수(acquisition function) (현장감사 우선순위를 정하는 방법 — 다음에 어디를 직접 점검할지 고르기)로만 재조준합니다. 다만 능동학습은 효율이 미입증이라 narrative 축이 아니라 future work 1~2문장으로 강등합니다(uncertainty −2.8% / graph_influence +4.8% 악화 / 오라클=프록시).

4-3. 정직한 음성 ③ — 운영 우선순위가 무작위에 미달

검증된 노출 변수를 단순 결합해 운영 우선순위(상위 20% 먼저 정비)를 매겼을 때, 무작위보다 나았는지 검정했습니다.

우선순위 방식	lift @top20%	해석
random (무작위)	1.16	기준선
priority (노출 결합)	0.72	무작위에 미달
노출 only	0.49	무작위에 미달

선제 공개(s30): "검증된 노출 변수조차 단순 결합으로는 운영 우선순위에서 무작위를 못 이깁니다 → L4/L5는 추가 모델링이 필요한 설계안"임을 먼저 밝힙니다. 이 음성을 숨기지 않는 것이 엄밀성 자산입니다.

4-4. 우리 도구의 구상과 정직한 기여 (음성 3종 종합)

VLM 거리뷰 진단 → GNN 능동학습 획득함수 (2단 구상)

1단: VLM 진단거리 사진 위험점수
순환성/정보누출 검정 → 음성
(객관전용 0.427 vs 시각전용 0.679)

→

2단: GNN 능동학습(future work)다음에 어디를 직접 점검할지
효율 미입증 → 강등
(audit prioritization)

신규성에 대한 정직한 입장: 페르소나 평가는 우리 신규 기여가 아닙니다(Dai 2026, arXiv 2601.03534 선행). 우리 기여는 (1) 거주-활동 노출의 공간적 불일치(다중 추정량 삼각검증), (2) 거리뷰 VLM 순환성·동시타당도 한계와 GNN 분류 우위의 도로규모 교란을 자기검증으로 규명, (3) 운영 우선순위 무작위 미달 선제 공개 — 즉 연구 진실성입니다.

4-5. 모듈별 참고한 최신 AI 논문

① 진단 AI (거리 사진 → 위험)

"Is it safe to cross?" — GPT-4V로 횡단보도 위험 추론 (2024)

AI가 "차량 움직임이 횡단방향이라 위험"처럼 이유를 글로 설명. 점수만 매기던 기존을 넘음.

페르소나 기반 자전거 적합성 VLM 평가 (Dai 2026, arXiv 2601.03534)

AI에게 '안전 걱정 통근자' 역할을 줘서 같은 길도 다르게 평가. 페르소나 자체는 이 선행연구의 것이라 우리 신규성이 아니며, 우리는 이 경계효과를 동시타당도/순환성 검정으로 측정.

MLLM으로 도로안전 요인 자동 발견 (2025)

MLLM (Multimodal LLM, 이미지도 보는 챗봇형 AI)이 사람 대신 "무엇이 사고와 연결되나"를 가설로 발견.

② 사고 네트워크 외부효과 AI (사고의 파급) — L3 설계안

DG-Trans / RoadFormer — 그래프 트랜스포머로 사고 영향 전파 (2023)

그래프 트랜스포머 (망 구조에서 '어디가 중요한지' 스스로 집중하는 AI)로 사고가 도로망에 퍼지는 범위·시간을 분석.

엣지 GNN으로 도로 임계도 학습 (2023, PLOS ONE)

전통 방식(링크 하나씩 끊어 재계산)을 GNN으로 빠르게 근사. "어느 도로가 끊기면 치명적인가"를 추정. 우리 L3 설계안의 참고.

③ 신호 최적화 AI (노인 보행 우선 신호) — L4 설계안

CoLight — 그래프 어텐션 다중에이전트 강화학습 신호제어 (2019~)

다중에이전트 강화학습 (MARL, 교차로마다 AI를 두고 서로 협조하게 학습)으로 이웃 신호와 연동(green wave).

보행자-차량 공동 최적화 강화학습 (2025)

보행자 대기를 1순위로. 노인 보행속도(객관 규칙 0.73~0.85m/s)를 하드 제약으로. 우리 L4 설계안의 참고.

4-6. 무엇을 시도했고, 무엇이 검증됐나 (한눈에)

모듈	전통 (흔함)	우리 시도	검증 상태(정직)
진단 (L1)	XGBoost+SHAP — 사람이 만든 면적비 숫자, 상관만	VLM — 거리뷰 위험점수·근거 텍스트	음성: 순환성/정보누출(객관전용 0.427 vs 시각전용 0.679), 근거 신호등 단서 편향(recall 0.943 vs 점자블록 0.0) → 권고 직접사용 보류, 모델 우열 보류(n=41)
외부효과 (GNN)	NRI — 링크마다 재계산(느림)	GNN — 능동학습 획득함수(다음 점검지 선정)	음성: 회귀는 기준선에 구조적 패배(GCN MAE 3.53 vs knn 0.81), 분류 0.666/0.671 우위는 도로규모 교란(design_only 0.412 역방향) → 헤드라인 미사용. 능동학습은 효율 미입증 → future work
운영 우선순위 (L5)	전문가 직관 정비 순서	노출 결합 우선순위	음성: lift 0.72 < random 1.16 → 무작위 미달(s30), 추가 모델링 필요한 설계안
핵심 실증 (L2)	거주 인구비 기준 지정	활동·간선 노출 정렬 비교	양성: 활동−거주 차이 0.252(bootstrap p<0.0001, CI 0.191–0.311), 3추정량 수렴 → 거주-활동 공간적 불일치

⑤ 핵심 용어 사전

용어	쉬운 설명
공간적 불일치 (spatial mismatch)	거주 기반 노출과 활동 기반 노출이 가리키는 위험 위치가 어긋나는 것. 거주 기준 지정이 활동·간선 사고 분포를 비껴감
거주 기반 노출 / 활동 기반 노출	residence-based / activity-based exposure. 사는 곳 기준 vs 활동하며 지나는 보행량·간선 기준 위험 지표
동시타당도 (concurrent validity)	한 점수(예: VLM 위험점수)가 외부 객관 기준과 같은 방향을 가리키는지
정보누출 / 순환성 (data leakage / circularity)	점수의 근거가 외부 위험이 아니라 같은 사진 안의 특징에서 새어 들어온 것
반증 검정 / 민감도 분석	주장을 깨려고 일부러 검정·교란 통제·역설계를 시도해 결론의 견고함을 확인하는 것
능동학습 / 획득함수 (active learning / acquisition)	한정된 점검 예산 안에서 다음에 어디를 직접 실측·감사할지 고르는 방법
노출 평가 / 현장감사 우선순위	위험지도 산출이 아니라, 노출량을 평가하고 감사할 지점의 순서를 정하는 것
스트리트뷰	구글·카카오의 거리 사진. 길에서 찍은 360도 사진
시맨틱 세그멘테이션	사진의 모든 점을 '보도/하늘/차/나무'로 구분하는 AI
VLM (Vision-Language Model)	이미지와 글을 함께 이해하는 AI (사진 보고 설명하는 챗봇)
GNN (Graph Neural Network)	점·선으로 연결된 망 위에서 이웃끼리 정보를 퍼뜨려 학습하는 AI
그래프	교차로=점(노드), 도로=선(엣지)으로 도시를 망으로 표현한 것
SHAP	AI 예측에서 어느 요인이 얼마나 기여했는지 설명하는 기법
NRI (Network Robustness Index)	도로 하나가 끊겼을 때 전체 통행시간이 얼마나 늘어나는지
도로계층	간선(arterial) / 이면(local) / 중간(mid)으로 나눈 도로 위계. 활동 노출은 간선에 집적

정직성 안전장치 요약: 본 문서의 모든 수치는 단일 진실원천(SSOT) LOCKED 표에서만 인용했습니다. ① 화폐가치(약 442.8억원, 추정)는 감소율·단위 가정의 임의상수에 의존하고 신뢰구간이 없어 본문 핵심에서 제외하고 각주로만 둡니다 — 정책 근거는 저거주 다발지역 노인 사상자 913명 = 전체 다발 사상자의 77.8%(분모 ≈1,173 사상자)입니다.^※ ② no_island(보행섬)는 불안정 변수로 분리합니다(노출 GLM −0.067은 입지 내생성, 심각도 +0.066은 BH 보정 후 비생존) — 거짓양성으로 자기폐기. ③ L3~L5는 설계안이며, L1 점수의 타당도가 입증되기 전에는 정비 권고에 직접 쓰지 않습니다.

^※ 화폐가치(약 442.8억원)는 사고감소율 0.05·단위환산 9.7의 임의상수를 곱한 (추정)값으로, 신뢰구간이 없어 정책 근거의 핵심에서 제외합니다.

중앙대 C.O.R.E. 학술제 준비 자료 · 노인 친화 가로 네트워크 진단 시스템 (L0~L5, 구현 태그)