노인 친화 가로 네트워크 진단 — 거주-활동 노출의 공간적 불일치와 거리뷰 AI 타당도 검정

노인 친화 가로 네트워크 진단: 거주 기반과 활동 기반 노출의 공간적 불일치로 본 노인보호구역(실버존) 재타겟팅, 그리고 거리뷰 AI 진단의 타당도 검정

Diagnosing an Elderly-Friendly Street Network: A Spatial Mismatch between Residence- and Activity-Based Exposure for Re-Targeting Silver Zones, and a Falsification Test of Street-View AI Diagnosis

초록. 한국의 노인 보행자 사망 부담은 OECD 최악 수준이나, 노인보호구역(실버존)은 여전히 노인의 거주지를 기준으로 지정된다. 본 연구는 거리뷰 AI 미시 진단(L1)과 가로망 노출 분석(L2)을 큰 틀(가로 네트워크 진단 시스템 L0~L5)로 묶어, 거주 기반 노출과 활동·간선 기반 노출 중 무엇이 사고 다발 위치와 공간적으로 정렬되는지를 직접 검정한다. 서울 사고 다발지역 666곳(도로교통공단, 2016~2020)을 분석 단위로, 거주 노출은 사고와 음(陰)으로 정렬되고(판별 AUC 0.35, 95% CI 0.305~0.398, 우연 0.5 미만), 활동·간선 노출이 더 잘 정렬되었다(AUC 0.602, CI 0.559~0.646). 두 정렬력의 차이 0.252는 부트스트랩 검정에서 유의했다(p<0.0001, 차이 95% CI 0.191~0.311, 0 미포함). 동일 방향이 세 독립 추정량(판별 AUC 차이·스피어만 부호반전 −0.138/+0.286·다발지역 구성)에서 수렴했다. 다만 우리는 예측 성능을 주장하지 않는다. 활동 노출의 절대 판별력은 약하고(객관 정보만 쓴 모형은 0.501로 우연 수준), 본 연구의 차별점은 (1) 정책 타겟팅 불일치를 다중 추정량으로 반증한 점과 (2) 우리가 만든 세 AI 도구(거리뷰 VLM·GNN·운영 우선순위 모델)를 모두 우리 손으로 반증·검정해 무엇이 신호이고 무엇이 교란·정보누출인지 규명한 연구 진실성이다. 거리뷰 VLM 위험점수는 같은-이미지 정보누출/순환성으로 외견 신호가 설명되었고(객관전용 0.427 vs 시각전용 0.679), GNN의 외견상 분류 우위는 도로규모 노출의 대리로 판명되었으며, 노출 기반 운영 우선순위는 무작위에 미달했다. 단면 관측이므로 인과는 주장하지 않으며, 결론은 거주에서 활동·간선 노출 기준으로의 재타겟팅이라는 서술적·정책적 명제로 한정한다.

1. 서론

한국은 노인 보행안전의 역설을 안고 있다. 보행자 교통사고 사망률이 OECD에서 가장 높은 축에 속하고, 보행 중 사망자의 상당 비중이 65세 이상 고령자에 집중된다. 이에 대한 대표적 공간 처방이 노인보호구역, 곧 실버존이다. 그러나 실버존의 사고 저감 효과는 준실험적으로 입증되지 못했다. 서울을 대상으로 한 이중차분(DiD) 분석은 실버존 지정이 노인 보행사고를 유의하게 줄였다고 보기 어렵다고 보고하며, 보호구역 입지와 사고 분포의 공간적 불일치를 함께 시사한다(Choi·Yoon·Jung 2018). 최신 연구조차 노인 인구비율을 관행적 위험요인으로 투입하는 데 머문다(Kim·Choi·Kim 2025).

실버존은 양로시설·노인복지관·노인이 많이 거주하는 지역을 기준으로 지정된다. 즉 노인의 거주지를 보호한다. 그러나 노인이 사고를 당하는 위치는 야간에 머무는 거주지가 아니라 주간에 활동하며 지나는 공간—전통시장, 병원, 간선도로 횡단—에 더 가까울 수 있다. 거주 기반 노출과 활동 기반 노출 사이의 이 공간적 불일치(spatial mismatch)가 사실이라면, 거주 기반 지정은 단지 비효율적인 것이 아니라 사고 분포와 체계적으로 어긋난다.

본 연구는 다음 세 연구질문을 제기한다. Q1. 가로 네트워크 수준에서 타당한 노인 보행안전 진단이 가능한가. Q2. 거주 노출과 활동·간선 노출 중 무엇이 사고 다발 위치와 정렬되는가. Q3. 거리뷰 AI 미시 진단은 동시타당도(concurrent validity)를 갖는가. 우리는 이 질문들을 하나의 진단 프레임 안에서 다루되, 절대 예측력을 자랑하는 대신 정렬의 방향·유의성과 도구의 타당도를 엄밀히 규명하는 데 초점을 둔다. 이 작업은 연구 주제의 진화—열섬 지도(자명)에서 인과·최적화(약결론)를 거쳐 현재의 가로 네트워크 진단으로의 수렴—의 한 매듭이기도 하다.

2. 관련 연구와 진단 시스템

거주-활동 공간적 불일치 자체는 본 연구가 처음 제기하는 개념이 아니다. 활동 기반 노출의 중요성은 노인 보행 이동이 활동 목적지를 중심으로 군집한다는 보고(Dong et al. 2020; Burford et al. 2026)와 함께 누적되어 왔으며, 서울시는 2021년 전통시장 주변을 실버존으로 지정할 수 있도록 조례를 개정했다. 본 연구의 기여는 새 개념의 제안이 아니라, 거주 노출과 활동·간선 노출을 같은 자료·같은 척도로 직접 대비해 그 차이를 다중 추정량으로 반증 검정하고, 동시에 우리가 동원한 AI 도구의 타당도를 함께 규명한 점에 있다.

방법적 뿌리는 두 지도교수의 연구에 닿는다. 첫째, 이정우(2025, IEEE)의 거리뷰+SHAP 기반 보행안전 진단(서울 횡단보도 36,750개 규모)은 L1 미시 진단의 출발점이다. 우리는 그 위험점수를 무비판적으로 채택하지 않고, 점수의 동시타당도를 반증 검정으로 비판적으로 계승한다(§5.1). 둘째, 김승남(Urban DNA Lab)의 가로 네트워크·보행안전 연구는 L2~L5의 토대다. 우리는 활동 노출의 간선 링크 집적을 도로계층(arterial 520 / local 463 / mid 71) 네트워크 속성으로 분해해, 단순 노드 회귀가 아니라 가로망 노출 분석임을 보인다.

골목 사각지대 동기. 상용 로드뷰는 간선을 전수에 가깝게 담지만 차량이 진입하지 못하는 골목은 비운다(서울 S-Map 14,699개 골목·53,715장). 미시 사진 진단의 사각지대(골목)와 사고 집중지(간선)가 어긋난다는 사실은, 진단을 점(사진)이 아니라 네트워크 노출 수준으로 올려야 하는 추가 근거가 된다. GNN 능동학습(active learning)은 "사진 없는 골목을 어디부터 현장감사할지"라는 본래 동기와 재연결되지만, 본 연구에서는 효율이 입증되지 않아 향후 과제로 둔다(§5.2).

이상을 하나의 우산 아래 정리하면 가로 네트워크 진단 시스템 L0~L5가 된다. 구현 범위를 분명히 하기 위해 각 층에 구현/검증/설계안 태그를 명시한다.

표 1. 가로 네트워크 진단 시스템 L0~L5 (구현 태그)
층	내용	상태
L0 데이터	도로망(OSM)·스트리트뷰·횡단보도·노인인구·사고 다발지역	구현완료
L1 미시 진단	거리뷰 AI 위험 + 객관 노출. 점수 타당도 입증 전 권고에 직접 사용하지 않음(정직성 게이트)	구현·검증완료(결과=음성)
L2 네트워크 노출	거주/활동 노출을 가로망·도로계층(간선/이면)으로 분해 → 핵심 실증 산출	구현완료
L3 외부효과	링크 절단 시 통행시간 증가(네트워크 강건성 지표)	설계안
L4 최적화	신호 위치·타이밍 최적화, 보행속도 0.73~0.85 m/s 하드제약	설계안
L5 의사결정	감사·정비 우선순위	설계안(단순 노출결합은 무작위 미달, 추가 모델링 필요)

구현(L0·L1·L2)과 설계안(L3~L5)을 항상 구분한다. 본 논문의 핵심 실증은 L2에서, 도구 타당도 규명은 L1에서 나온다. L4의 "최적화"는 미구현이므로 제목과 헤드라인에 사용하지 않으며 본문에서 설계안 태그로만 등장한다.

한편 Kim·Choi·Kim(2025)은 노인 인구 비율을 보행사고의 양(+)의 위험요인으로 사용한다. 본 연구의 미시 단위 음의 정렬과 대비되지만, 이는 모순이 아니라 분석 단위의 차이에서 비롯된다. 그들의 단위가 행정구역 집계(노인이 많은 구가 사고도 많다는 노출의 집계 효과)인 반면, 본 연구의 단위는 미시적 사고 다발지점이다. 거시적으로 노인이 많은 구가 사고가 많을 수 있어도, 미시적으로 사고 다발지점은 노인 저거주지에 놓인다. 같은 현상의 두 척도를 분리한 것이며, 본 연구의 미시 결과가 거주 기반 '지점' 지정의 타겟팅 불일치를 직접 겨눈다.

3. 데이터와 방법

3.1 데이터

사고 자료는 도로교통공단의 보행노인 사고 다발지역 666개소다(공공데이터포털 무료 인증키 기반 API, 서울 siDo=11, 2016~2020). 가로망 노출 분석은 노드 1,054개를 단위로 하며, 이 가운데 사고 다발 양성 노드는 194개(18.4%)다. 거주 노출은 WorldPop 격자 인구를, 활동·간선 노출(상업·시설 POI 및 도로 위계)은 OpenStreetMap을 사용했다. 거리뷰 분석 대상은 서울 1,054개 횡단보도의 거리뷰 4,216장이며, 객관 노출 프록시 검증에는 OSM 횡단보도 19,437건을 사용했다. 모든 자료는 인증·과금 없는 공개 데이터로 재현 가능하다.

3.2 정렬력의 판별 정식화

핵심 방법은 종분포모델에서 표준인 presence/target-group-background(존재/대조군-배경) 대비다. 사고 다발지점을 '존재'로, 노인 보행이 가능한 지점 집합을 배경으로 두고, 거주 노출과 활동·간선 노출 각각이 사고 다발 위치와 얼마나 정렬되는지를 ROC-AUC로 측정한다. 두 노출의 판별 AUC 차이는 부트스트랩으로 유의성을 검정하고, 스피어만 상관의 부호와 다발지역 구성으로 삼각검증한다. 활동 노출의 절대 판별력이 약한지를 진단하기 위해 객관 정보만 사용한 모형(objective_only)도 함께 보고한다.

3.3 메커니즘과 도구 타당도 검정

메커니즘은 65세 이상 보행 노출을 offset(log노출)으로 둔 포아송 GLM으로 분해해, 활동·규모 변수와 미시 설계신호 변수의 연관을 분리한다. 거리뷰 VLM 위험점수에 대해서는 두 층위를 분리해 타당도를 검정한다. (1) 순환성/정보누출: 객관 정보만으로 VLM 라벨을 맞히는 모형과 같은-이미지 시각특징만 쓰는 모형을 대비한다. (2) 동시타당도: 외부 프록시(OSM 시설태그)와의 일치를 본다. GNN은 회귀(라벨 채우기)와 분류(다발 판별)로 나누어 평가하되, 분류 우위가 도로규모(노출) 교란인지 자기검증(design_only·scale_only·location_only)으로 가린다. 다중비교는 Benjamini-Hochberg(BH)로 보정하고, 운영 우선순위는 무작위 기준선과 lift로 비교한다. 모든 발견은 단면 자료에 기반한 서술적 결과로 한정하며 인과를 주장하지 않는다(공간 단위 임의성 MAUP에 대해서는 반경 50/100/150m 다중스케일로 강건성을 확인했다).

4. 결과: 사고는 거주가 아니라 활동·간선에 정렬된다

한 장의 지도가 핵심을 담는다. 거주 히트맵과 실제 사고 분포를 겹치면, 사고는 거주 핫스팟이 아니라 그 사이의 간선·활동 회랑을 따라 정렬된다.

그림 1. 노인 거주밀도(좌) vs 실제 노인 사고(우) — 사는 곳과 다치는 곳의 공간적 불일치

정렬력은 이 시각을 수치로 확증한다. 거주 노출은 사고와 음(陰)으로 정렬된다: AUC 0.35 [95% CI 0.305~0.398]. 우연(0.5) 미만이라는 것은 거주 노출이 높을수록 사고 다발지점일 확률이 낮다는 역정렬을 뜻한다. 같은 자료에서 활동·간선 노출은 AUC 0.602 [0.559~0.646]였다. 다만 활동 노출의 절대 판별력은 약하며, 객관 정보만 사용한 모형(objective_only)은 0.501로 우연 수준이었다. 따라서 본 논문의 힘은 활동 노출의 '예측력'이 아니라, 두 정렬력의 차이 0.252에 있다. 이 차이는 부트스트랩 검정에서 p<0.0001, 차이의 95% CI [0.191, 0.311]로 0을 포함하지 않는다. 즉 거주 기반 지정이 사고 분포와 정렬되지 않는다는 방향과 유의성이 주력 증거이며, 우리는 "활동이 사고를 예측한다"고 주장하지 않는다.

그림 2. 거주밀도(AUC 0.35, 역정렬) vs 활동·간선(AUC 0.60) — 측정단위를 바꾸자 부호가 뒤집힌다

표 2. 거주-활동 노출의 공간적 불일치 핵심 수치(서울, 2016~2020, 사고 다발지역 666곳; 가로망 노드 1,054, 양성 194=18.4%)
지표	거주 노출	활동·간선 노출
판별 ROC-AUC [95% CI]	0.35 [0.305~0.398] (역정렬)	0.602 [0.559~0.646]
객관전용 모형(절대력 약함)	objective_only 0.501 (우연 수준)
AUC 차이(활동−거주, 주력 검정)	0.252, 부트스트랩 p<0.0001, 차이 CI [0.191, 0.311] (0 미포함)
사고와의 스피어만 상관(부호반전)	−0.138 (음)	+0.286 (양)
다발지역의 노인 저거주지(하위 50%) 비중	70.1%
다발지역 간선 인접 비율(보조 증거·검정 아님)	59.3% (전체 49.3%)

동일 방향이 세 독립 추정량에서 수렴한다. ① 판별 AUC 차이(주력 검정, 0.252, p<0.0001), ② 스피어만 상관의 부호반전(거주 −0.138 / 활동 +0.286), ③ 다발지역 구성(저거주 하위 50% 70.1%, 간선 인접 59.3% vs 전체 49.3%). 단, 셋째의 간선 비율 차이는 정식 검정이 아니라 보조 증거로만 제시한다. 세 추정량이 같은 방향을 가리키므로, 거주 기반 실버존 지정은 노인이 실제로 다치는 활동·간선 공간을 체계적으로 비껴간다는 타겟팅 불일치로 해석할 수 있다.

4.1 정책 미포착 영역의 규모

공간적 불일치는 추상이 아니라 정책망 바깥에 남는 인명이다. 노인 사상자의 77.8%(913명)가 노인 저거주지에 있는 사고 다발지역에서 발생했다(분모 약 1,173 사상자 기준이며, 사고 건수 1,065와는 구분된다). 거주를 기준으로 보호구역을 그리는 한 이 사고들은 정책의 미포착 영역(policy coverage gap)에 구조적으로 남는다. 정책 근거는 이 913명·77.8%를 전면에 둔다.^[1]

5. 방법 타당도: 정직한 음성과 신뢰 자산

우리는 같은 엄밀성을 우리 자신의 AI 도구에도 적용했다. 그 결과의 상당수는 음성이지만, 이 음성을 은폐하지 않고 규명한 것이 본 연구의 방법 기여이자 신뢰 자산이다. 이 절은 거리뷰 VLM, GNN, 운영 우선순위 모델을 차례로 반증한다.

5.1 거리뷰 VLM의 순환성과 동시타당도 한계

매력적인 대안 가설은 "거리뷰 영상에서 AI가 위험을 직접 본다"이다. 본 연구는 이를 두 층위로 나누어 검정했다. 첫째, 순환성/정보누출(강한 증거): 객관 정보만 쓴 분류기는 VLM 라벨을 AUROC 0.427(우연 미만)로밖에 맞히지 못하는데, 같은-이미지 시각특징만 쓰면 0.679로 뛴다(s14 E1b). 이는 VLM 점수의 외견 신호가 보행안전이라는 외부 위험이 아니라 같은-이미지 정보누출/순환성임을 가리킨다. 다만 n=41 소표본·무신뢰구간이므로 "시사적이며 단정은 아님"으로 병기한다. 둘째, 동시타당도(신중): 외부 프록시(OSM 시설태그)와의 일치를 보면 프록시 자체가 약하다(obj_facility AUC 0.558, 태그 부재가 시설 부재를 뜻하지 않음). 현 프록시로는 VLM 점수의 타당도를 입증할 수도, 기각할 수도 없다(VLM의 실패인지 기준의 실패인지 식별 불가).

모형이 제시한 근거 텍스트는 단일 단서에 강하게 편향되어 있었다. 점자블록과 보행섬 결핍은 거의 모든 장면에 존재하는데 근거 recall이 각각 0.0이었던 반면, 신호등은 recall 0.943(언급 0.951)에 달했다. 즉 모형의 근거는 보행안전 전반이 아니라 신호등이라는 단일 현저 단서에 편향되어 있어, 전체 진단 템플릿으로 일반화할 수 없다. 노인/청년 페르소나 주입 효과도 성립하지 않았다(노인-청년 Δ+0.771, wilcoxon p=0.0625, n=8이나 다른 실행 n=12에서 0.0으로 모순). 이는 '발견'이 아니라 3B 규모 모형의 한계로 보고하며, 페르소나는 선행연구(Dai 2026)에서 이미 다뤄진 만큼 신규성으로 주장하지 않는다. VLM 라벨이 n=41에 불과하므로 변형 간 모델 우열은 보류한다. (별개로, VLM 점수-실제 다발의 약한 방향성도 관찰되나—AUC 0.523(우연), Mann-Whitney p=0.041, Spearman 0.226—운용 예측력은 없으며 순환성 진단의 0.427과 혼동하지 않는다.)

5.2 GNN: 회귀의 구조적 실패와 분류 우위의 도로규모 교란

GNN을 하나의 깨끗한 음성 서사로 통일한다. 회귀(라벨 채우기)에서는 그래프 모형이 단순 기준선에 크게 못 미쳤다(label_prop MAE 5.13 / GCN 3.53 / gcn_selftrain 3.08 ≫ knn_feat 0.81, global_mean 1.06; 낮을수록 좋음). 400라벨에서도 GCN 0.929 vs knn 0.49로, 표본이 아닌 구조적 한계다. 분류(다발 판별)에서는 GCN이 외견상 최고로 보였으나(s19 0.671, s21 all_GCN 0.666), s21 자기검증에서 이 우위가 안전설계가 아니라 도로규모(노출)의 대리임이 드러났다(design_only 0.412(역방향), scale_only 0.693, location_only 0.379, Moran's I 0.6). 따라서 GCN의 분류 우위는 헤드라인 근거로 사용하지 않으며 "능가"로 부활시키지 않는다. GNN은 라벨 채우기 위험지도가 아니라, 사진 없는 골목의 현장감사 우선순위를 산출하는 능동학습 획득함수로만 재정조준하되, 그 효율은 입증되지 않았다(uncertainty −2.8% MAE, graph_influence +4.8% 악화, 오라클=프록시)—따라서 향후 과제로 강등한다.

5.3 운영 우선순위의 무작위 미달(선제 공개)

검증된 노출 변수조차 단순 결합으로는 운영 우선순위에서 무작위를 이기지 못했다. 상위 20% lift는 priority 0.72·노출only 0.49로 무작위 1.16(위험only 1.19)에 미달한다(s30). 우리는 이 음성을 은폐하지 않고 선제 공개한다. 이는 L4/L5(최적화·의사결정)가 추가 모델링이 필요한 설계안임을 뜻하며, 이 정직한 한계 공개 자체가 본 연구의 엄밀성 자산이다.

5.4 거짓양성의 정직한 폐기(보행섬)

검증 과정에서 "보행섬이 사고 심각도를 높인다"는 흥미로운 재프레이밍이 나타났다. 그러나 이 연관은 반경에 따라 부호가 뒤집혔고 다중비교(BH) 보정을 통과하지 못했다(BH 후 p_BH=0.268, survive=false). 따라서 거짓양성으로 판단해 정직하게 폐기한다. 강결론으로 포장할 유혹이 있었으나 채택하지 않았다.

5.5 메커니즘: 노출 보정 후 활동·규모만 유의

그렇다면 거리뷰 요소와 사고의 단면 연관은 무엇인가? 65세 이상 보행 노출을 offset으로 둔 포아송 GLM(s22)에서, 유의한 변수는 활동·규모 계열이었다: person +0.391(p<0.0001), road_px +0.333(p=0.042), obstacle +0.200(p=0.0025), enclosure +0.309(p=0.0001). 반면 미시 설계신호로 기대되는 no_signal +0.025(p=0.82)와 no_tactile +0.029(p=0.72)는 비유의했다. person +0.39는 offset/단순 모형에서 동일해 인공물이 아님을 확인했다.

그림 3. 65+ 노출 통제 후 사고 연관 계수 — 활동·규모만 유의, 안전설계는 비유의(자기검증)

설계신호의 소멸은 보수적으로 재서술한다. 복수 명세에서 설계변수는 일관되게 비유의이거나 부호가 불안정했고, 이는 단면 데이터로 설계효과를 식별할 수 없음을 뜻한다(s27 평균처치효과 CI가 0을 포함하는 결과와 정합). 특히 보행섬(no_island)은 불안정 변수로 분리해 다룬다: 노출 GLM에서 −0.067은 위험한 곳일수록 보행섬을 설치하는 입지 내생성으로 해석되고, 심각도 모형에서의 +0.066(반경 50m −1.80·100m +0.07은 심각도 모형 계수)은 BH 보정 후 생존하지 못한다(p_BH=0.268). 즉 "안전설계가 사고를 줄인다/늘린다"는 단일 서사는 단면 자료로 성립하지 않으며, 우리는 이를 음성으로 명확히 보고한다.

요약하면, 세 도구를 같은 엄밀성으로 시험했고 결과는 비대칭적이었다. 거주-활동 공간적 불일치는 다중스케일·부트스트랩·삼각검증 강건성을 통과한 반면, 거리뷰 VLM은 순환성으로, GNN 분류 우위는 도로규모 교란으로, 운영 우선순위는 무작위 미달로 각각 음성이 규명되었다. 채택한 것만 채택한 이유가 여기에 있다. 외부 독립 증거도 충돌하지 않는다: 실버존 효과 미입증(Choi 2018)과 집계 단위의 노인비율 효과(Kim 2025)는, 거주-활동 불일치가 미시 단위에서 거주 기반 지정의 타겟팅을 비껴간다는 본 연구의 그림과 양립한다.

6. 논의와 정책

6.1 정책 함의: 거주에서 활동·간선으로 재타겟팅

결론은 단순하고 강하다. 실버존 지정 기준을 거주에서 활동·간선 노출로 재타겟팅한다. 도로교통법 제12조의2와 지자체 조례(특히 통로 규정)는 이미 활동 기반 지정의 법적 통로를 제공한다. 서울시가 2021년 전통시장 주변을 실버존으로 지정할 수 있게 한 조례는 옳은 방향이며, 이를 시장에 국한하지 말고 노인 활동이 간선과 교차하는 회랑 전반으로 일반화해야 한다. 재타겟팅이 도달하는 미포착 영역의 규모는 저거주 다발지역 노인 사상자 913명, 전체 다발 사상자의 77.8%로 요약된다. 본 진단 프레임은 SHAP 기반 우선순위 도구(이정우 2025 계열)와도 협력 가능하다—거주를 빼고 활동·노출을 넣은 모형 위에서 지점 우선순위를 매기되, 단순 노출결합만으로는 무작위를 못 이기므로(§5.3) 추가 모델링이 전제된다.

6.2 한계

가장 큰 한계는 단면 설계다. 공간적 불일치는 서술적 발견이며 인과가 아니다. 활동 노출(person_px)은 사고의 분모이자 예측변수일 수 있어, "활동이 위험을 만든다"가 아니라 "활동 공간에 사고가 집적된다"로 한정한다. 거리뷰 요소와 사고의 단면 관계에서 교란 분리가 불완전하다는 것은 이 분야의 공통 난제이며(Dong 2020), 인과 확정에는 준실험(실버존 신규 지정 전후 비교 등)이 필요하다. 그 밖의 한계로는 활동 노출의 절대 판별력이 약한 점, 외부 프록시가 약한 점, VLM 라벨이 n=41인 점, 운영 우선순위의 미입증(s30), L3~L5 미구현이 있다.

반증 가능성도 검토했다. 일부 연구는 노인 사고가 거주지 근처에서 발생한다고 보고한다(Haule 2019; Kang 2018). 그러나 이들이 말하는 것은 '개인의 집까지의 거리'(활동의 근거리성)이며, 본 연구의 '구역 거주 노출'과는 직교한다. 노인이 집 근처에서 활동한다는 사실과, 사고 다발 '구역'이 고밀 거주지가 아니라는 사실은 양립하며 오히려 본 발견을 정밀화한다.

6.3 향후 과제

활동 노출 지표를 정교화하고, 능동학습으로 골목 현장감사 라벨을 확장한 뒤 L1 거리뷰 진단의 타당도를 재검정한다. 검증을 통과하는 경우에 한해 L4 신호 위치·타이밍 최적화를 설계안에서 구현으로 승격할 수 있다. 능동학습은 본 연구의 서사 축이 아니라 향후 과제 1~2문장으로 둔다(현 단계에서는 효율 미입증).

7. 결론

본 연구는 세 축으로 기여한다. ① 양성 1(거주-활동 타겟팅 불일치): 거주 노출은 사고와 음으로 정렬되고(AUC 0.35), 활동·간선 노출이 더 잘 정렬되며(0.602), 두 정렬력 차이 0.252가 유의하다(p<0.0001, CI 0.191~0.311). 동일 방향이 세 독립 추정량에서 수렴하므로 거주 기반 실버존 지정은 사고 분포와 체계적으로 불일치한다. ② 음성 2(도구 자기검증): 거리뷰 VLM의 외견 신호는 순환성/정보누출이었고(0.427 vs 0.679), GNN의 분류 우위는 도로규모 교란이었으며, 노출 기반 운영 우선순위는 무작위에 미달했다(s30). 이 음성을 은폐하지 않고 규명한 연구 진실성이 방법 기여다. ③ 시스템 프레임워크(L0~L5): 미시 거리뷰 진단(L1)과 가로망 노출 분석(L2)을 큰 틀로 묶고, 구현(L0·L1·L2)과 설계안(L3~L5)을 구현 태그로 구분했다. 우리는 예측 모델의 성능이 아니라, 정책 타겟팅 불일치를 다중 추정량으로 반증하고 우리 도구를 끝까지 검정한 진실성으로 기여한다.

참고문헌

Choi, J., Yoon, H., & Jung, S. (2018). Effectiveness of Silver Zone on elderly pedestrian safety: A difference-in-differences study in Seoul. Accident Analysis & Prevention, 119, 104–113.
Kim, S., Choi, J., & Kim, Y. (2025). Spatial modeling of elderly pedestrian crash risk with population structure. Accident Analysis & Prevention, 211.
Dong, N., et al. (2020). Confounding and exposure in pedestrian crash models. Accident Analysis & Prevention, 148, 105777.
Burford, K., et al. (2026). Activity-destination clustering of older adults' pedestrian travel. Journal of the American Geriatrics Society.
Dai, X. (2026). Persona prompting in vision-language risk assessment. arXiv:2601.03534.
이정우 (2025). 거리뷰 기반 보행안전 진단과 SHAP 설명(서울 횡단보도 36,750). IEEE.
김승남. 가로 네트워크와 보행안전(Urban DNA Lab).
Haule, H., et al. (2019). Distance-to-home and elderly pedestrian crash exposure. Accident Analysis & Prevention, 122, 215.
Kang, B. (2018). Built environment and elderly pedestrian–vehicle crashes.
Cornwell, E. Y., & Cagney, K. A. (2017). Aging in activity space: Residential and non-residential exposure.
행정안전부 (2019). 노인 보행교통사고 실태조사.
서울특별시 (2021). 전통시장 주변 노인보호구역 지정 조례 개정.
도로교통법 제12조의2(노인 및 장애인 보호구역의 지정).
한국교통연구원(KOTI) (2024). 교통사고 비용 추정.
Openshaw, S. (1984). The Modifiable Areal Unit Problem. Geo Books.
Kapoor, S., & Narayanan, A. (2023). Leakage and the reproducibility crisis in ML-based science.

[1] 화폐가치 추정에 관한 주석. 일부 보도·정책 문헌은 거주 기반 지정이 놓치는 사회적 비용을 약 442.8억원(추정)으로 환산하기도 한다. 그러나 이 값은 감소율 가정 0.05와 단위 가정 9.7억원 등 임의 상수에 의존하고 신뢰구간이 없다. 따라서 본문 핵심 근거에서 제외하고 여기 각주로만 (추정)으로 표기하며, 정책 근거는 913명·77.8%만을 전면에 둔다.

중앙대 C.O.R.E. 학술제 · 노인 친화 가로 네트워크 진단: 거주-활동 노출의 공간적 불일치와 거리뷰 AI 타당도 검정 (v7)