본선 포스터 (A0 세로) — 노인 친화 가로 네트워크 진단: 거주-활동 노출의 공간적 불일치

팀 안심걸음 · 김채영(공과대학 건축학부) · 2026 중앙대 C.O.R.E. 학술제 · 고령화시대, 도시 인프라의 재설계 · 지도 이정우(거리뷰 진단)·김승남(가로 네트워크)

노인은 '사는 곳'이 아니라, 활동하며 지나는 간선 가로에 사고가 정렬된다

거주 기준 노인보호구역(실버존)은 그 분포를 비껴간다. 거주 기반 노출은 사고 위치와 음(陰)으로, 활동·간선 기반 노출은 더 잘 정렬되며 — 두 정렬력의 차이 0.252 (bootstrap p<0.0001, 95%CI 0.191–0.311)가 본 연구의 힘이다. 우리는 예측 성능을 자랑하지 않는다. 정책 타겟팅의 공간적 불일치를 다중 추정량으로 반증하고, 우리 AI 도구를 우리 손으로 전부 반증·검증한 연구 진실성이 차별점이다.

① 문제 — 거주 기준 지정의 맹점

서울 노인 보행사고 다발지역 666곳: 노인이 '사는 곳'(거주 노출, 좌)과 사고가 '집적되는 곳'(활동·간선, 우)이 공간적으로 어긋난다 (거주-사고 스피어만 −0.138, 반경 50/100/150m 일관)

노인 보행안전은 사상자 규모가 큰 핵심 난제. 현행 실버존은 노인 거주지 기준 지정이나 효과가 준실험적으로 미입증이고, 사고 지점과의 공간적 불일치가 이미 보고됨(Choi, Yoon & Jung 2018).
최신 연구도 노인 인구비율을 관행적 위험요인으로 투입(Kim, Choi & Kim 2025) — 거주 전제가 검증 없이 답습된다.

세 연구질문
Q1 가로 네트워크 수준의 타당한 진단이 가능한가 · Q2 거주 vs 활동 노출 중 무엇이 사고 위치와 정렬되는가 · Q3 거리뷰 AI 미시 진단은 동시타당도를 갖는가

② 시스템 — 가로 네트워크 진단 L0–L5

L0 데이터	도로망(OSM)·거리뷰·횡단보도·노인인구·사고 다발지역 구현완료
L1 미시 진단	거리뷰 AI 위험 + 객관 노출. 타당도 입증 전 권고에 직접 미사용(정직성 게이트) 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(NRI) 설계안
L4 신호 배치	위치 조합 + 타이밍, 보행속도 0.73–0.85 m/s 제약 설계안
L5 의사결정	감사·정비 우선순위 설계안

두 방법적 뿌리. 이정우(IEEE 거리뷰+SHAP, 횡단보도 36,750) = L1의 출발점 — 그 점수의 동시타당도를 반증 검정으로 비판적 계승. 김승남(가로 네트워크·보행안전) = L2–L5의 토대.
실증화: 활동 노출의 간선 링크 집적을 도로계층(arterial 520 / local 463 / mid 71) 네트워크 속성으로 분석 — '단순 노드 회귀'가 아닌 네트워크 분석.
골목 사각지대 동기. 상용 로드뷰는 간선 전수·차량 미진입 골목(서울 S-Map 14,699개·53,715장)이 공백 → 미시 사진 진단의 사각지대(골목)와 사고 집중지(간선)가 어긋난다 → 진단을 점(사진)이 아니라 네트워크 노출로 올려야 하는 근거.

★ 각 층에 구현 태그를 명시: 구현·검증(L0–L2)과 설계안(L3–L5)을 항상 구분한다(과대주장 방지).

③ 핵심 실증 — 거주 vs 활동 노출의 공간적 불일치

0.35

거주 노출 정렬 AUC
(역정렬, <0.5)

0.602

활동·간선 노출
정렬 AUC

차이 0.252 bootstrap p<0.0001, 차 95%CI 0.191–0.311 (0 미포함)
→ 두 정렬력 차이의 방향·유의성이 헤드라인의 힘. 활동 0.602는 '예측'이 아니다(objective_only 0.501=우연).

삼각검증 — 세 독립 추정량이 같은 방향으로 수렴

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

표본 = 노드 1,054 (사고 다발 양성 194 = 18.4%). 거주 0.35(역정렬) vs 활동·간선 0.602 — 차이 0.252, p<0.0001

④ 메커니즘 — 노출 보정 GLM

노출 보정 포아송 GLM(offset=log 노출): 노출을 통제한 후 활동·맥락 변수만 유의하고, 미시 안전설계 신호는 비유의(자기검증)

유의 (활동·맥락):
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)

비유의 (미시 설계신호):
no_signal +0.025 (p=0.82) · no_tactile +0.029 (p=0.72)

보수적 재서술: 복수 명세에서 설계변수는 일관되게 비유의이거나 부호가 불안정 → 단면 데이터로 설계효과 식별 불가('소멸' 단일서사 금지).
강건성: person +0.39는 offset/단순 모델에서 동일(인공물 아님). person 노출은 사고의 분모일 수 있어 '활동 공간에 사고가 집적'으로 한정.

⑤ 정직한 음성 = 신뢰 자산 — 우리 AI를 우리가 반증했다

(1) 거리뷰 VLM — 순환성·정보누출

객관 정보만 쓴 분류기는 VLM 라벨을 AUROC 0.427(<0.5)로밖에 못 맞히는데, 같은-이미지 시각특징만 쓰면 0.679 → 외견 신호는 같은-이미지 누출이지 위험이 아님(s14 E1b).
근거 편향: 점자블록·보행섬 recall 0.0 vs 신호등 0.943 — 단일 현저 단서에 강하게 편향.
페르소나 특화 미성립(3B 한계) · VLM 모델 우열 보류(n=41 소표본=시사적, 단정 아님).

★ 0.427(순환성)과 0.523(VLM-실제다발, 우연)은 별개 — 혼동 금지.

(2) GNN — 회귀 실패 + 분류우위는 도로규모 교란

회귀(라벨채우기) 구조적 실패: MAE GCN 3.53 / label_prop 5.13 vs knn 0.81 (400라벨에서도 동일).
분류 AUC 0.666/0.671은 외견상 최고이나, s21 자기검증에서 도로규모(노출) 교란으로 판명(design_only 0.412=역방향, scale_only 0.693) → '능가'로 부활시키지 않음 · 헤드라인 미사용.
능동학습은 future work로 강등(효율 미입증 −2.8%).

(3) 운영 우선순위 — 무작위 미달

노출 기반 우선순위 lift@top20% 0.72 · 노출only 0.49 < random 1.16(s30) → 검증된 노출 변수조차 단순 결합으로는 무작위를 못 이김 → L4/L5는 추가 모델링이 필요한 설계안임을 선제 공개.

(4) 보행섬 거짓양성 — 자기 폐기

no_island는 불안정 변수로 분리: 노출 GLM −0.067(입지 내생성) / 심각도 +0.066 / BH 보정 후 p_BH=0.268, survive=false → 거짓양성으로 폐기.

★ 음성을 은폐하지 않고 드러내는 것이 엄밀성 자산이다.

⑥ 함의 — 거주에서 활동·간선으로 재타겟팅

거주·시설 기반 실버존→활동·간선 노출 기반 재타겟팅

913명 = 77.8%
저거주 다발지역에서 발생한 노인 사상자(분모 ≈1,173 사상자) — 거주 기준 정책이 비껴간 정책 미포착 영역(policy coverage gap)의 규모. (사고건수 1,065와 구분)

왜 실버존이 안 들었나(Choi 외 2018, 준실험 효과 미입증): 사고 나는 곳에 보호구역이 없어서 — 본 연구가 그 분포 불일치를 정량화.
입법 통로: 도로교통법 제12조의2 조례 지정 → 서울시 2021 전통시장 실버존을 '간선 회랑'으로 일반화.
정직한 경계: 서술적 공간적 불일치(인과 아님)·단면 교란 분리엔 준실험 필요. 화폐가치 ~442.8억원(추정)은 임의상수·CI 없음 → 각주 처리, 정책 근거는 913명/77.8%만 전면.

데이터: 도로교통공단 보행노인 사고 다발지역 666(공공데이터포털 무료 인증키 API)·거주 노출·OSM 간선/횡단보도 19,437·거리뷰 4,216장. 한계: 서술적·단면·서울; 활동 노출 절대 예측력 약함; VLM 라벨 41; L3–L5 미구현. 선행 수렴: Choi 2018 · Kim 2025 · Dong 2020 · Burford 2026.

논문 전문·코드·데이터
htmlbook.io/d/e6ftwgxZ