GIS 활용 사례 – 하수 처리장 원격 모니터링 클라우드 플랫폼

하수 처리장 클라우드 플랫폼은 SuperMap 제품을 기반으로 하수 처리장의 데이터를 모니터링하고 장비를 유지 관리하기 위해 SuperMap 및 파트너 회사에서 설계 및 개발했습니다. 이 플랫폼에는 주로 다음 기능이 있습니다.

(1) 관제실

제어실은 시스템에 저장된 다양한 유형의 운영 데이터를 호출하여 생산 공정, 장비, 에너지 소비 등을 분석하고 모니터링 할 수 있습니다. 곡선과 히스토그램을 비교하여 단일 수역의 데이터 항목을 분석 할 수 있습니다. 여러 사이트 간의 여러 데이터 항목에 대한 비교 분석도 가능합니다.

 

(2) GIS 맵 표시

플랫폼에는 지도의 모든 하수 처리장 위치와 장비 상태가 표시됩니다. 지도의 포인터는 해당 장치로 표시되며 마우스를 포인터로 이동하면 장치의 데이터를 볼 수 있으므로 장치를 열 수 있습니다.

(3) 장치 목록 표시

플랫폼에 로그인 한 후 사용자는 모든 사이트 목록 상태 정보, 사이트 위치 및 이름 및 사이트 경보 정보를 표시 할 수 있는 장치 목록 페이지로 들어갑니다.

 

 

(4) 실시간 프로세스 표시

장비 작동 상태 및 주요 규제 변수를 포함하여 각 하수 처리장의 실시간 프로세스를 표시 할 수 있습니다.

(5) 이력 곡선

작업자는 이력 곡선을보기 위해 필요한 공정 매개 변수를 선택할 수 있습니다. 이력 곡선은 특정 기간 동안 다양한 매개 변수의 연속적인 변화를 표시 할 수 있으며 이력 곡선 매개 변수 및 시간은 사용자가 선택할 수 있습니다.

 

(6) 장비 모니터링 및 제어

플랫폼은 특정 시간에 사이트와 통신하고 획득한 데이터를 작업자가 원격으로 모니터링 할 수 있도록 모니터링 인터페이스에 애니메이션 및 표 형식으로 표시 할 수 있습니다.

(7) 이력 자료

플랫폼은 각 하수 처리장의 데이터를 함께 저장하고 관리 할 수 ​​있습니다. 관리 담당자는 플랫폼을 통해 각 하수 처리장의 해당 매개 변수에 대한 기록 데이터를 쿼리하고 기록 데이터를 로컬 컴퓨터로 내보낼 수 있습니다.

(8) 실시간 및 이력 알람

하수 펌핑 스테이션에서 장비 고장 또는 통신 중단과 같은 비정상적인 상황이 발생하면 플랫폼은 실시간 알람을 즉각적으로 팝업하여 알람 시간, 알람 장치 이름, 알람 상태 등과 같은 정보를 표시 할 수 있습니다. 이는 작업자에게 실시간 및 이력을 상기시킵니다.

(9) 장비 관리

플랫폼은 장비 조달, 장비 유지 보수, 장비 구성 요소, 화학 물질 목록, 장비 라이브러리 정보, 모든 네트워크 처리 장비에 대한 정보 관리 및 완전한 장비 유지 보수 기록을 포함하여 스테이션 장비를 관리 할 수 ​​있습니다.

 

SPH는 CARTO, Google Maps, SuperMap 등 다양한 케이스에 적용될 수 있는 다채로운 제품군을 보유하고 있으며 고객의 사례에 꼭 맞는 무료 세미나 및 개별 컨설팅을 제공하고 있습니다. 각 케이스에 맞춰 더욱 자세한 이야기를 나누고 싶으시다면 여기에서 문의 주시길 바라며, SPH에서 발행하는 GIS/로케이션 인텔리전스 관련 최신 소식을 받아보고 싶으신 분들은 페이스북 페이지 또는 뉴스레터를 구독해 주시길 바랍니다. 감사합니다.

 

[CARTO] SKT-통계청, 빅데이터 활용 ‘유동인구 지도’ 서비스 시작

전국 시군구별 유동인구 분석으로 인력·예산 절감에 기여
서비스 고도화 통해 정책 수립 활용·국가통계 정밀도 확보

대다수 시민들이 휴대폰을 상시 소지하고 있다는 점에 착안, 휴대폰 기지국 빅데이터를 활용해 전국 시군구 유동인구 현황을 파악하는 지도 서비스가 시범 실시된다.

9일 SK텔레콤과 통계청은 인구·가구 데이터 등 공공 빅데이터에 휴대폰 위치정보 등 ‘모바일 빅데이터’를 결합하고, 이를 SK텔레콤의 인공지능 빅데이터 분석기술로 도식화 한 ‘유동인구 지도 시범 서비스’를 시작한다고 밝혔다.

유동인구 지도는 전국 시·군·구별 유동인구를 파악하기 위해 마련됐다. SK텔레콤의 이동통신 기지국 모바일 빅데이터를 기반으로 지도에서 선택한 지역의 인구 유입·유출 현황을 시각적으로 확인할 수 있다. 또 간단한 조작만으로 주중·주말 또는 월 단위 데이터 분석이 가능하다.

SK텔레콤은 “모바일 빅데이터를 활용한 인구분석은 기존 설문조사 방식과 비교해 인력과 예산을 크게 절감할 것”이라며 “톨게이트 통행량이나 대중교통 이용자수 등을 활용하는 것보다 데이터를 더 빠르게 수집할 수 있다”고 설명했다.

이번 유동인구 지도는 통계청 빅데이터센터 홈페이지에 접속하면 누구나 이용 할 수 있다.

SK텔레콤과 통계청은 “향후 유동인구 지도를 고도화해 교통, 관광 등 인구 이동과 관련된 정책을 수립하거나 사업 모델을 개발하는데도 폭넓게 활용하는 한편, 국가통계 수준으로 분석의 정밀도를 높여 나갈 계획”이라고 말했다.

한편 이번 서비스는 지난 5월 양 기관이 체결한 빅데이터 기반의 통계 개발 및 품질 향상을 위한 업무협약의 첫 성과다. 통계청이 보유한 인구·가구 관련 공공 빅데이터와 SK텔레콤의 모바일 빅데이터 분석 기술을 결합했다.

 

출처: http://news1.kr/articles/?3788263, 한유주 기자

 

SPH는 CARTO, Google Maps, SuperMap 등 다양한 케이스에 적용될 수 있는 다채로운 제품군을 보유하고 있으며 고객의 사례에 꼭 맞는 무료 세미나 및 개별 컨설팅을 제공하고 있습니다. 각 케이스에 맞춰 더욱 자세한 이야기를 나누고 싶으시다면 여기에서 문의 주시길 바라며, SPH에서 발행하는 GIS/로케이션 인텔리전스 관련 최신 소식을 받아보고 싶으신 분들은 페이스북 페이지 또는 뉴스레터를 구독해 주시길 바랍니다. 감사합니다.

내 연소득으로 살 수 있는 아파트, 어디에 있을까? (+중소기업 신입이 서울에 아파트를 사려면 몇년이 걸릴까?)

이번 포스팅은 많은 사람들이 관심을 가질 분야인 부동산에 대해 국내 최고의 GIS분야 연구실인 서울대 GIS/LBS 랩과 함께 협업을 한 포스팅입니다. 전국을 대상으로 내 집(아파트)을 사기 위해 벌어야 하는 최소 연소득을 지역별로 보여주는 지도를 만들어 보았습니다.

 

연구실 소개 –  서울대학교 GIS/LBS 연구그룹은 다양한 위치결정 기법, 지도를 기반으로 한 도시 정보 시각화 기술, 공간 분석 및 의사결정 방법론, 시스템 설계 등에 대해서 연구하고 있습니다.

저자 소개

이영민 – 서울대학교 GIS/LBS 연구그룹 박사과정

이지원 – 서울대학교 GIS/LBS 연구그룹 박사과정

박슬아 – 서울대학교 GIS/LBS 연구그룹 박사과정

 

 

 

중소형 아파트 매매가 평균값이 가장 높은 시도 top 2는 서울과 경기

평균값이 낮은 지역은 경북, 전남, 전북, 강원 지역

중소기업 신입사원 초봉으로 강남의 중소형 아파트를 구매하기 위해서는 49.6년 소요

 

1. Intro


작년 주거실태조사 결과에 의하면 우리나라 사람 82.5%는 내 집 마련이 필수라고 생각하고 있습니다. 그러나 같은 해에 한국보건사회연구원에서 조사한 내용을 보면, 우리나라 미혼남녀 절반 가량이 내 집 마련이 필요하다고 생각하지만 현실적으로는 불가능하다고 생각하는 것으로 나타났습니다. 최근에는 주택 구입을 포기한 사람을 의미하는 ‘주포자’라는 신조어가 생길 정도로 한국에서 내 집 마련의 꿈은 요원하기만 합니다. 각종 언론에서는 매년 내 집 마련을 위해 얼마나 오랜 시간이 걸리는지 분석한 내용을 앞다퉈 보도하고 있는데요, 분석 기준, 방법, 대상 등에 따라 그 결과가 천차만별입니다. 가령, 최근에는 서울에서 내 집 마련을 위해서는 연봉을 한 푼도 안 쓰고 모아도 14년 이상 소요된다는 보도가 있었고, 작년에는 소득에서 소비지출과 비소비지출은 제외한 가계 흑자액을 모았을 때 서울 내 집 마련에 25년 걸린다는 보도가 있었습니다. 2016년 기사에서는 2030세대가 부모 도움 없이 정상적인 소비 생활을 하면서 내 집 마련을 하려면 40년 이상 걸린다는 분석 결과가 보도되기도 했습니다. 한편 작년 주거실태조사 결과에 따르면 우리나라 국민의 생애 최초 주택 마련 소요 기간은 7.1년입니다.

이렇게 저마다 다른 결과를 발표하는 이유는 대상 주택의 종류, 면적, 위치, 소득 기준, 대출 여부 등 내 집 마련 이슈와 관련된 변수가 많고, 분석 목적에 따라 다양한 기준의 변수를 적용할 수 있기 때문입니다. 이 글에서는 기존 분석들과는 다르게, 시간(내 집 마련에 얼마나 걸리는지)이 아니라 위치(내 집 마련을 어디에 할 수 있는지)에 집중해 보고자 합니다. 그래서 전국을 대상으로 내 집(아파트)을 사기 위해 벌어야 하는 최소 연소득을 지역별로 보여주는 지도를 만들어 보았습니다. 이 지도를 통해 각자 자신의 연소득으로 살 수 있는 아파트가 어디에 있는지 찾아볼 수 있습니다.

 

2. 분석 개요


‘내 연소득으로 살 수 있는 아파트, 어디에 있을까?’라는 질문에 답하기 위해서는 고려해야 할 것들이 많습니다. 예컨대 어느 지역의 몇 평짜리 아파트를 말하는 것인지, 아파트 마련에 소요되는 기간은 얼마로 할 것인지, 연소득의 몇 퍼센트를 아파트 사는데 투자할 수 있는지 등을 알아야 합니다. 이에 대한 기준을 어떻게 세우는지에 따라 답은 천차만별로 달라질 수 있습니다. 따라서 분석 결과를 설명하기에 앞서 우리가 질문에 대한 답을 찾기 위해 사용한 분석 범위 및 기준을 밝히고자 합니다.

 

1) 분석 범위

#공간 범위 및 단위

아파트를 사기 위해 필요한 연소득을 분석하기 위한 공간적 범위는 전국이며, 분석의 최소 공간 단위는 시군구입니다. 우리나라는 현재 17개 시도 아래 250개 시군구로 이루어져 있으며, 시도별 시군구 개수 현황은 표 1과 같습니다.

표 1. 시도별 시군구 개수

 

# 아파트 전용면적 범위

매매 거래가 빈번한 규모의 아파트를 분석 대상으로 하기 위해 국토교통부 실거래가 공개시스템에서 제공하는 2018년 아파트 매매 데이터를 시도별로 분석해 봤습니다. 그 결과, 전북 지역을 제외한 16개 시도에서 전용면적 84m² 이상 85m² 미만인 아파트의 거래 빈도수가 가장 높았고, 59m² 이상 60m² 미만인 아파트 거래 빈도수가 그 다음으로 높았습니다. 전북의 경우 59m² 이상 60m² 미만 아파트 거래 빈도수가 가장 높고, 84m² 이상 85m² 미만 아파트의 거래 빈도수가 다음으로 높았습니다. 이를 근거로 전용면적 59m² 이상 85m² 미만인 아파트를 분석 대상으로 선정했으며 이 글에서, 해당 전용면적 범위에 속하는 아파트를 ‘중소형 아파트’로 명명합니다. 2018년 기준 시도별 중소형 아파트 매매 거래 건수 및 비율(시도별 전체 거래 건수 대비 해당 전용면적 범위 거래 건수 비율)은 표 2와 같은데, 이를 보면 중소형 아파트 매매 거래 비율이 가장 높은 지역은 울산광역시(74.89%)이고, 반대로 거래 비율이 가장 낮은 지역은 인천광역시(57.59%)인 것을 알 수 있습니다.

표 2. 2018년 시도별 중소형 아파트 매매 거래 건수 및 비율

 

# 시간 범위

분석 시점은 2008, 2013, 2018년으로, 가장 최근인 2018년을 기준으로 5년 간격의 데이터를 분석함으로써 시간의 흐름에 따른 필요 연소득의 변화를 알아 보고자 했습니다.

 

2) 분석 기준

중소형 아파트를 사기 위해 전국 시군구별로 필요한 **연소득(Annual Income, AI)**을 계산하기 위한 방법은 수식 1로 설명할 수 있습니다.

AI = APT x (1-LTV) / YEAR / AIR

수식 1

 

수식 1의 변수별 의미는 다음과 같습니다.

  • APT: 시군구별 중소형 아파트 매매가 평균
  • LTV: Loan To Value ratio, 주택담보대출비율
    • LTV 값이 0.7(70%)이라는 것은 대출이 집 값의 최대 70% 가능하므로 내 돈이 최소 집 값의 30% 이상 있어야 한다는 것을 의미함
    • LTV 값은 부동산 규제 기준에 따라 지역별로 상이한데, 이 글에서는 무주택세대가 실거주 목적으로 주택담보대출을 최대로 받는 상황을 가정하고 LTV 값을 시군구별로 적용함(표 3, 표 4, 지도 1 참고)
    • 참고로, 표 4를 보면 과천시는 ‘조정대상지역’이면서 ‘투기과열지구’에 속하는데, 이런 경우 더욱 강한 기준인 투기과열지구 기준 LTV 값이 적용됨

 

표 3. 부동산 규제 지역별 LTV 기준(일부)

 

표 4. 부동산 규제 지역 현황

 

 

  • 지도 1은 표 3 및 표 4 내용을 지도상에 표현한 것으로, Carto를 이용해 시각화함

지도 1. 부동산 규제 지역 현황 지도

 

  • YEAR: 아파트 구매 소요 연수
    • YEAR는 2018년 기준, 생애 최초 주택 마련 소요 연수 전국 평균값인 7.1년(2018년도 주거실태조사 일반가구 조사 결과, 국토교통부)을 적용함
  • AIR: Available Income Ratio, 가용 소득 비율
    • AIR은 평균 가구소득 대비 아파트 구매를 위해 사용 가능한 비용의 비율로, 가계금융·복지조사의 최근 7년(2012 ~2018) 평균값인 0.4254를 적용함(가계금융·복지조사, 통계청, 한국은행, 금융감독원)(표 5)
    • 이때 아파트 구매를 위해 사용 가능한 비용은 평균 가구소득(경상소득)에서 가계지출(소비지출 + 비소비지출) 중 주거 관련 항목(주거비, 이자비용)을 제외하고 뺀 금액을 말함. 주거 관련 항목은 아파트 구매를 위해 투자 가능한 비용이라는 판단 하에 제외함

표 5. 최근 7년 간 가용 소득 비율

 

따라서 수식 1에서 AI 값의 의미는 **’주택담보대출을 최대로 받고, 내 연소득의 42.54%를 투자한다고 가정했을 때 7.1년 내 중소형 아파트를 구매하기 위해 필요한 최소 세후 연소득’**이라고 할 수 있습니다. 이 값을 전국 250개 시군구별로 계산했습니다.

 

 

3. 분석 결과


분석 과정에서 활용한 툴은 Carto, ArcMap, Python입니다.

1) 시도별 분석

# 시도별 중소형 아파트 거래 현황

그림 1을 보면 모든 지역의 중소형 아파트 매매가 평균값이 시간의 흐름에 따라 증가한 것을 알 수 있습니다. 특히 시점에 따른 평균의 증가 폭이 눈에 띄는 지역이 있는데요, 서울, 세종, 제주, 경기, 인천이 그렇습니다. 이들은 2013년 대비 2018년 증가 폭이 다른 지역에 비해 큰 편입니다.

 

그림 1. 시도별 중소형 아파트 매매가 평균값 변화 그래프

 

모든 시점(2008, 2013, 2018)에서 중소형 아파트 매매가 평균값이 가장 높은 시도 top 2는 서울과 경기입니다. 3위 이하부터는 시점에 따라 순위 변동이 치열한데, 인천의 경우 2008년과 2013년에는 3위 자리를 고수하다가 2018년에는 세종에게 자리를 내어주고 6위로 물러났습니다. 세종시는 2008년 14위, 2013년 12위에서 2018년 3위까지 치고 올라왔는데요, 세종시는 2012년 7월에 출범했기 때문에 2013년까지의 세종시는 현재 세종시의 위상과 차이가 있을 것으로 예상됩니다. 이렇게 갑자기 등장한 세종시가 2018년에 서울, 경기에 이어 3위로 올라선 것은, 세종시가 비수도권 지역 중 유일하게 8·2 부동산 대책에서 초강력 규제인 투기과열지구와 투기지역을 동시에 적용(표 4 참고) 받은 이유를 알 수 있는 대목이기도 합니다. 또 하나 눈에 띄는 지역은 제주도인데요, 2008년 9위, 2013년 8위에서 2018년에는 4위까지 순위가 상승했습니다. 반면에 경북, 전남, 전북, 강원 지역은 모든 시점에서 평균값이 가장 낮은 하위권을 유지하고 있습니다(표 6 ~ 표 8).

표 6 ~ 표 8을 보면, 평균이 클수록 표준편차도 큰 편인데, 표준편차는 전체 평균보다 상위 1% 평균값에 더 많은 영향을 받습니다. 즉, 상위 1% 평균 값이 높을수록 전체 표준편차 값도 높습니다. 2008년에는 매매가 평균 top 3 지역과 매매가 상위 1% 평균 및 표준편차 top 3 지역이 일치하는 반면에, 2013년에는 매매가 평균 3위인 인천에 비해 9위인 경남 지역의 매매가 상위 1% 평균 및 표준편차 값이 더 높았습니다. 또한 2018년에는 매매가 평균 3위인 세종에 비해 5위인 대구 지역의 매매가 상위 1% 평균 및 표준편차 값이 더 높은 것을 알 수 있습니다.

한편 시도별로 매매가 상위 1% 및 하위 1% 평균값을 비교해 보면 지역별 격차를 실감할 수 있는데요, 일례로 2018년 서울의 중소형 아파트 매매가 상위 1% 평균은 약 20억이고, 전북의 매매가 상위 1% 평균은 약 3억 4천으로, 약 16억 6천만 원의 차이가 납니다. 그리고 하위 1% 평균값을 보면, 서울(약 2억 2천)과 경북(약 3천) 지역의 매매가 차이는 약 1억 9천만 원입니다.

또한 매매가 최고 및 최소 금액의 지역별 격차도 큰데, 예를 들어 2018년 매매가 최고 금액 중 최고액은 31억(서울 서초구 반포동 아크로리버파크)이고, 최소액은 3억 9천 8백만 원(청주 흥덕구 복대동 두산위브지웰시티2차)으로, 차액이 무려 27억 2백만 원입니다. 최소 금액의 경우, 최고액(서울, 1억)이 최소액(전남, 1천)에 비해 10배 더 큽니다. 다만 최고 및 최소 금액은 해당 년도에 거래되는 특정 매물에 따라 값이 민감하게 변화할 수 있다는 사실을 인지해야 합니다.

 

표 6. 2008년 시도별 중소형 아파트 매매가 통계

 

표 7. 2013년 시도별 중소형 아파트 매매가 통계

 

표 8. 2018년 시도별 중소형 아파트 매매가 통계

 

표 6 ~ 표 8에서 전반적으로 평균에 비해 중간값(median)이 작은 편인데, 이는 값의 분포가 오른쪽으로 치우친(right-skewed) 양의 왜도(positive skewness) 형태를 보인다는 것을 의미합니다. 정말 그런지 시도별로 히스토그램 그려 확인해 보았습니다.

 

# 히스토그램 및 KDE

그림 2, 그림 3, 그림 4는 각각 서울, 경기, 인천의 시점별(2008, 2013, 2018) 중소형 아파트 매매가 히스토그램 및 KDE(Kernel Density Estimation, 커널 밀도 추정) 그래프입니다. 9개의 시도별 시점별 분포 모두 왜도(skewness) 값이 0보다 큰, 양의 왜도 형태를 보이고 있습니다. 특히, 모든 시점에서 전체 17개 시도 중 서울, 경기 순으로 왜도와 첨도(kurtosis) 값이 가장 높았습니다. 이는 수도권 지역이 다른 시도에 비해 중소형 아파트 매매가격의 불균형 정도가 심하다는 뜻으로 해석할 수 있습니다.

 

 

그림 2 ~ 그림 4와 그림 5~그림 7의 KDE 곡선을 비교해서 보면, 비수도권 지역이 수도권 지역에 비해 양 옆으로 넓게 퍼진 형태(왜도가 0에 가까운)를 보이는 경향이 있다는 것을 알 수 있습니다. 특히 세종시의 경우(그림 5), 2018년 분포를 보면 평균과 중간값이 유사하고, 이를 중심으로 거의 대칭에 가까운 분포(왜도: -0.05)를 보이고 있습니다. 세종시가 출범하기 전인 2008년에 비교적 저렴한 가격의 중소형 아파트 거래가 많았던 것과 비교해 보면, 출범 후에 중소형 아파트 매매가가 전반적으로 상승했고, 특히 2013년에서 2018년 사이에 대폭 상승한 것을 알 수 있습니다.

 

 

2) 시군구별 분석

앞서 설명한 수식 1을 이용해 **’주택담보대출을 최대로 받고, 내 연소득의 42.54%를 투자한다고 가정했을 때 7.1년 내 중소형 아파트를 구매하기 위해 필요한 최소 세후 연소득’**을 시군구별로 계산하고, 그 결과를 Carto를 이용해 시각화해 봤습니다(지도 2). 참고로, 전국 250개 시군구 중, 2008년에는 경상북도 울릉군과 인천광역시 옹진군에서 중소형 아파트 매매 거래가 발생하지 않았고, 2013년과 2018년에는 경상북도 울릉군, 인천광역시 옹진군, 그리고 전라남도 신안군에서 중소형 아파트 매매 거래가 발생하지 않았기 때문에 해당 시군구 폴리곤은 지도 2의 각 시점별 레이어에서 제외됐습니다.

지도 2. 중소형 아파트 구매 위해 필요한 시군구별 연소득 지도

 

# 세후 연소득 1억 원 이상 필요한 시군구

시점별로 중소형 아파트를 구매하기 위해 세후 연소득이 1억 원 이상 필요한 시군구를 추출해 봤습니다. 모든 시점에서 필요 연소득이 가장 높은 지역은 서울시 강남구입니다. 2008년과 2013년에는 약 1억 4천 수준을 유지하다가 2018년에는 약 2억 7천 수준으로 올랐습니다. 서초구가 그 뒤를 바짝 쫓고 있는데, 2008년 약 1억 3천, 2013년 약 1억 4천에서 2018년에는 약 2억 6천까지 올랐습니다(그림 8, 그림 9).

세후 연소득이 1억 원 이상 필요한 시군구는 2008년과 2013년에는 5개였는데, 2018년이 되니 19개로 늘었습니다. 이 19개 시군구는 모두 투기과열지구(표 4 참고)에 해당하는 지역입니다. 따라서 LTV가 가장 세게 적용(40%)되다 보니(표 3 참고) 아파트를 구매하기 위해서는 보유 자산이 그만큼 많아야 하기(매매가의 60% 이상) 때문에, 악순환처럼(아파트 가격은 높은데 대출은 많이 안 되니까) 이러한 결과가 나온 것으로 보입니다. 19개 시군구 중 서울 외 지역은 경기도 과천시, 분당시, 하남시가 유일한데요, 그중에서도 과천시는 서울의 우세에도 밀리지 않고 꿋꿋하게 높은 필요 연소득 수준을 꾸준히 유지하다가, 2018년에는 필요 연소득이 가장 높은 강남구, 서초구에 이어 3위로 올라섰습니다.

 

그림 8. 2008, 2013년 기준 중소형 아파트 구매 위해 세후 연소득 1억 이상 필요한 지역

 

그림 9. 2018년 기준 중소형 아파트 구매 위해 세후 연소득 1억 이상 필요한 지역

 

 

# 세후 연소득 5천만 원 미만 필요한 시군구

다음으로, 시점별로 중소형 아파트를 구매하기 위해 세후 연소득이 5천만 원 미만으로 필요한 시군구를 추출해 봤습니다(지도 3). 지도 3은 해당 조건을 만족하는 시군구 폴리곤만 남기고 나머지는 제거해, 그 부분에 배경 지도가 보이는 형태로 시각화한 결과입니다. 2018년 지도가 재밌는데요, 해당 조건을 만족하지 못해(즉, 세후 연소득 5천만 원 이상 필요해서) 제거된 시군구가 총 31개인데, 이것들은 앞에서 언급한 투기과열지구 31개 지역(표 4 참고)과 정확히 일치합니다.

2008년과 2013년의 세후 연소득 5천만 원 미만으로 필요한 시군구 결과는 동일합니다. 각 시점에서 서울 25개 구와 경기도 4개 지역(과천시, 광명시, 하남시, 성남시 분당구)을 제외한 나머지 시군구는 연소득 5천만 원 미만으로 아파트 구매가 가능합니다. 이를 다시 말하면 주택담보대출을 최대로 받고, 매년 2,127만 원(소득의 42.54%)을 투자한다고 했을 때 7.1년 내 중소형 아파트를 살 수 있다는 뜻입니다.

지도 3. 세후 연소득 5천 미만 필요한 시군구 지도

 

# 세후 연소득 2천만 원 미만 필요한 시군구

이어서 세후 연소득이 2천만 원 미만으로 필요한 시군구를 추출해 봤습니다(지도 4). 마찬가지로 조건을 만족하는 시군구 폴리곤만 남기고 나머지는 제거한 형태로 시각화했습니다. 2018년 결과를 보면, 수도권 대부분 지역과 주요 광역시의 전체(대구, 부산, 울산) 또는 일부(대전, 광주) 시군구가 제거된 것을 알 수 있습니다. 비수도권 지역 중에서는 광역시의 아파트 가격이 비교적 높다는 것을 확인할 수 있는 대목입니다.

지도 4. 세후 연소득 2천 미만 필요한 시군구 지도

 

마지막으로 세후 연소득이 1천만 원 미만으로 필요한 시군구를 추출해 봤습니다(지도 5). 시점별 결과를 차례로 보면 2008년 115개, 2013년 35개, 2018년 4개로, 1천만 원 미만 연소득으로 구매할 수 있는 아파트가 점점 줄어들고 있는 추세라는 것을 알 수 있습니다.

지도 5. 세후 연소득 1천 미만 필요한 시군구 지도

 

 

# 중소기업 신입사원 초봉으로 서울의 중소형 아파트 구매하려면 몇 년 걸릴까?(feat. PIR)

집값을 이야기할 때 자주 등장하는 지표 중에 PIR(Price to Income Ratio, 소득 대비 주택 가격 비율)이라는 것이 있습니다. PIR은 주택 가격을 가구당 연소득으로 나눈 값으로, 연소득을 한 푼도 쓰지 않고 모았을 때 주택을 구입하는 데 얼마나 걸리는지를 측정하는 지표입니다. 가령 PIR이 10이라면 10년 동안 연소득을 모두 모아야 집을 살 수 있다는 의미입니다.

2018년 중소기업 신입사원 초봉을 기준으로 서울에 위치한 중소형 아파트에 대해 PIR을 계산해 보았습니다. 다시 말하면 중소기업 신입사원 초봉으로 서울에 위치한 중소형 아파트를 구매하려면 몇 년이 걸리는지를 산출한 것입니다. 잡코리아가 조사, 발표한 결과에 의하면 2018년 기준 중소기업 신입사원 초봉은 2,730만 원입니다. 따라서 중소형 아파트 구매에 몇 년이 걸리는지, 구매 가능 연수를 구하기 위해 서울시의 구별 중소형 아파트 매매 평균가를 2,730만 원으로 나눠 주었습니다.

그 결과, 강남구가 49.6년으로 가장 길었고, 서초구(47.42년), 송파구(35.4년), 용산구(31.9년), 성동구(28.89년)가 그 뒤를 잇고 있습니다. 반대로 구매 가능 연수가 가장 짧은 하위 5개 지역은 도봉구(13.79년), 금천구(14.27년), 중랑구(14.7년), 강북구(15.59년), 노원구(15.61년)입니다(그림 10).

 

그림 10. 중소형 아파트 구매 소요 연수 지도

 

UN HABITAT에서 적정 수준으로 제시한 PIR은 3~5년인데요, 그에 비하면 서울시 25개구 모두 상당히 높은 수준입니다. 또한 글로벌 통계 사이트 넘베오(Numbeo)에서 조사, 발표한 세계 주요 도시의 PIR(그림 11) 수치와 비교해 보면, 서초구는 세계 최고 수준인 홍콩(47.14년)보다도 높은 값을 보이는 것을 알 수 있습니다.

 

그림 11 . 2018년 10월 기준 세계 주요 도시 PIR 현황 (출처: https://news.kbs.co.kr/news/view.do?ncd=4047557)

 

 

# 시점 간 비교

이 글에서는 5년 간격의 3개 시점(2008, 2013, 2018)을 기준으로 데이터 분석을 실시했는데, 시점 간의 비교를 통해 2008년 대비 2013년의 변화 양상과 2013년 대비 2018년의 변화 양상이 상당히 다르다는 것을 알 수 있습니다. 먼저, 이전 시점 대비 증가율이 높은 상위 10개 지역을 각각 살펴보겠습니다. 표 9를 보면, 2008년 대비 2013년 증가율이 높은 상위 10개 지역은 모두 비수도권 지역으로, 시점별 필요 연소득이 제주도 서귀포시를 제외하고 모두 2천만 원 이하인 지역입니다. 이와는 다르게 표 10을 보면, 2013년 대비 2018년 증가율 높은 상위 10개 지역에는 2018년 기준 필요 연소득이 1억 5천만 원 이상인 서울 3개 구(성동, 강남, 서초)가 포함됐습니다. 표 9와 표 10에서 모두 등장한 시군구는 전라북도 장수군이 유일한데요, 2013년에는 2008년 대비 약 179%, 2018년에는 2013년 대비 약 132% 증가했습니다.

 

표 9. 2008년 대비 2013년 증가율 상위 10개 시군구 현황

 

표 10. 2013년 대비 2018년 증가율 상위 10개 시군구 현황

 

앞서 살펴본 그림 1의 통계에서 시도별 중소형 아파트 매매가 평균값이 시간의 흐름에 따라 증가한 것을 알 수 있는데요, 이를 필요 연소득의 관점에서 시군구별로 뜯어 보면 꼭 그렇지만은 않습니다. 표 11을 보면, 2008년 대비 2013년에 필요 연소득이 감소한 시군구는 전체 247개 중 28개(약 11.3%)이고, 표 12를 보면, 2013년 대비 2018년에 필요 연소득이 감소한 시군구는 19개(약 7.7%)가 있습니다. 역시나 표 11과 표 12를 비교해 보면, 추출된 시군구의 양상이 다르다는 것을 알 수 있습니다. 표 11에서는 전체 28개 중 3개 구를 제외하고는 모두 수도권 소속(서울 11개 구, 경기 10개 시구, 인천 4개 구) 시군구인데요, 이와 대조적으로 표 12를 보면, 경기 2개 구를 제외하고는 모두 비수도권 소속 시군구입니다. 2008년 대비 2013년에 필요 연소득이 감소했던 서울 11개 구는 2018년으로 오면서 모두 최소 35% 최대 89% 증가했습니다.

 

 

표 13을 보면, 2018년 기준 필요 연소득을 내림차순으로 정렬했을 때 필요 연소득이 높을수록 2013년 대비 2018년 증가율이 높은 경향이 있다는 것을 알 수 있습니다. 다만 성동구의 경우, 강남구나 서초구보다 증가율이 높은데요, 이는 서울숲 및 성수동 등이 개발되면서 영향을 미쳤을 것으로 예상됩니다.

 

표 13. 2018년 기준 필요 연소득 높은 상위 10개 시군구 현황

 

3) 공간 분석

지도 2에서 시점별 필요 연소득 값의 분포를 보면 수도권 및 광역시 지역에 높은 값들이 몰려 있는 것을 볼 수 있습니다. 따라서 필요 연소득의 공간적 자기상관성(spatial autocorrelation)이 강할 것이 예상됩니다. 공간상의 객체들은 공간상에서 서로 간에 영향을 주고 받으며 존재하는데, 이와 같은 공간 객체 간의 상호 의존성을 공간적 자기상관성이라고 합니다. Moran’s Index는 공간적 자기상관성을 측정하는 대표 도구로, -1에서 1 사이의 값을 가지며, -1에 가까울수록 분산된(dispersed) 분포, 1에 가까울수록 군집된(clustered) 분포, 그리고 0은 랜덤(rondom)분포를 의미합니다. Moran’s I는 전역적(global)으로 계산하는 방법(Global Moran’s I)과 국지적(local)으로 계산하는 방법(Local Moran’s I)이 있는데, 국지적으로 계산한 Local Moran’s I 값들의 평균이 Global Moran’s I 값이 됩니다. 이 글에서는 두 가지 인덱스 모두 계산해 봤습니다.

먼저 Global Moran’s I를 통해 전역적인 공간적 자기상관성을 분석한 결과, 모든 시점에서 필요 연소득의 공간적 분포가 99%의 확률로 군집돼(clustered) 있는 것을 확인할 수 있습니다(표 14).

 

 

Local Moran’s I 결과는 그림 10의 지도를 통해 확인 가능한데, H-H(High-High, 나도 높고-주변도 높은) 군집(cluster)이 서울을 중심으로 한 수도권 지역에 몰려 있는 것을 알 수 있습니다. 이는 해당 지역의 필요 연소득 값이 다른 지역에 비해 훨씬 높다는 의미입니다. 또한 시간의 흐름에 따라 H-H 군집에 포함되는 시군구 개수가 줄어들고 있는 것이 보입니다. 2008년 41개(서울 25개 구 + 경기 16개 시구)에서 2013년에 35개(서울 25개 구 + 경기 10개 시구)로, 그리고 2018년에는 33개(서울 25개 구 + 경기 8개 시구)로 H-H 군집에 속하는 시군구가 점차 줄어들었습니다. 이때 제외되는 시군구는 모두 경기도 소속으로, 서울 25개 구는 계속해서 굳건한 군집을 유지하고 있는데, 이는 다시 말하면 서울의 아파트 가격이 주변 지역에 비해 점점 더 비싸지고 있다는 것을 뜻합니다. 시간이 흐름에 따라 H-H 군집에 포함되는 시군구 개수가 줄어들고 있기 때문에 표 14에서 Global Moran’s I의 값이 점차 감소한 것입니다.

그리고 그림 12에서 2013년과 2018년 지도를 보면 L-H(Low-High, 나는 낮은데-주변은 높은) 군집이 하나 있는데, 해당 지역은 경기도 양주시입니다. 공간 통계 분야에서 L-H 또는 H-L(High-Low, 나는 높은데-주변은 낮은) 군집을 공간적 아웃라이어(spatial outlier)라고 부르는데요, 주변과 다른 특이한 값이라는 의미입니다. 양주시의 경우, 필요 연소득 값이 주변 지역에 비해 낮은 편인데(2013년: 1,559만원, 2018년: 1,777만 원), 값이 높은 서울 2개 구(강북구, 도봉구)와 접하고 있기 때문에 L-H 아웃라이어로 추출된 것입니다.

 

그림 12. 시점별 Local Moran’s I 결과

 

4. Outro


‘내 연소득으로 살 수 있는 아파트, 어디에 있을까?’라는 질문의 답을 찾기 위한 긴 여정이 끝났습니다. 해당 질문에 대한 답은 수 십에서 수 백 가지도 있을 수 있는데요, 이 글에서는 여러 가능성 중 다음과 같은 상황을 가정했습니다.

  1. 7.1년 내로 중소형 아파트 구매
  2. 내 연소득의 42.54% 투자
  3. 주택담보대출 최대로 받음

위와 같은 조건 하에서 중소형 아파트를 구매하기 위해 필요한 최소 연소득을 전국 시군구별로 계산했습니다. 마지막으로 정리하는 차원에서 분석 결과를 4가지 point로 추려 보았습니다.

 

# point 1 – 전국 17개 시도별 분석 결과

  • 모든 시도의 중소형 아파트 매매가 평균값은 시간의 흐름(2008, 2013, 2018)에 따라 증가함
  • 특히 서울, 세종, 제주, 경기, 인천의 중소형 아파트 매매가 평균값의 증가 폭이 큰 편임
  • 반면에 경북, 전남, 전북, 강원 지역은 모든 시점에서 평균값이 가장 낮은 하위권을 유지하고 있음
  • 시도별 중소형 아파트 매매가의 지역별 격차가 심함
    • 예 1) 2018년 서울의 중소형 아파트 매매가 상위 1% 평균은 약 20억인데 반해, 전북 지역의 매매가 상위 1% 평균은 약 3억 4천으로, 약 16억 6천만 원의 차이 발생
    • 예 2) 2018년 중소형 아파트 매매가 최고 금액 중 최고액은 31억, 최소액은 3억 9천 8백만 원으로, 약 27억 2백만 원의 차이 발생

 

# point 2 – 전국 250개 시군구별 분석 결과

1) 1억 이상 필요한 지역

  • 모든 시점에서 필요 연소득이 가장 높은 지역은 서울시 강남구 – 2008년과 2013년에는 약 1억 4천 수준을 유지하다가 2018년에는 약 2억 7천 수준임
  • 세후 연소득이 1억 원 이상 필요한 시군구는 2008년과 2013년에는 5개였으나 2018년에 19개로 늘어남 – 이 19개 시군구는 모두 투기과열지구에 해당하는 지역임
  • 19개 시군구 중 서울 외 지역은 경기도 과천시, 분당시, 하남시가 유일함. 그중에서도 과천시는 서울의 우세에도 밀리지 않고 꿋꿋하게 높은 필요 연소득 수준을 꾸준히 유지하다가, 2018년에는 필요 연소득이 가장 높은 강남구, 서초구에 이어 3위를 차지함

2) 5천만 원 미만 필요한 지역

  • 2018년 데이터 기준, 세후 연소득 5천만 원 이상 필요해서 제외된 시군구가 총 31개인데, 이것들은 투기과열지구 31개 지역과 정확히 일치함

3) 2천만 원 미만 필요한 지역

  • 2018년 데이터 기준, 수도권 대부분 지역과 주요 광역시의 전체(대구, 부산, 울산) 또는 일부(대전, 광주) 시군구가 제외됨 – 비수도권 지역 중에서는 광역시의 아파트 가격이 비교적 높다는 것을 확인
  1. 1천만 원 미만 필요한 지역
  • 시점별 결과를 차례로 보면 2008년 115개, 2013년 35개, 2018년 4개로, 1천만 원 미만 연소득으로 구매할 수 있는 아파트가 점점 줄어들고 있는 추세임

 

# point 3 – 중소기업 신입사원 초봉으로 서울의 중소형 아파트 구매하려면 몇 년 걸릴까?

  • 2018년 중소기업 신입사원 초봉으로 서울에 위치한 중소형 아파트를 구매하려면 몇 년이 걸리는지(PIR) 산출함
  • 강남구가 49.6년으로 가장 길고, 서초구(47.42년), 송파구(35.4년), 용산구(31.9년), 성동구(28.89년)가 그 뒤를 이음
  • 반대로 구매 가능 연수가 가장 짧은 하위 5개 지역은 도봉구(13.79년), 금천구(14.27년), 중랑구(14.7년), 강북구(15.59년), 노원구(15.61년)임
  • UN HABITAT에서 적정 수준으로 제시한 PIR은 3~5년인데, 그에 비하면 서울시 25개구 모두 상당히 높은 수준임

 

# point 4- 공간 분석 결과

  • Global Moran’s I를 통해 전역적인 공간적 자기상관성을 분석한 결과, 모든 시점에서 필요 연소득의 공간적 분포가 99%의 확률로 군집돼 있는 것을 확인함
  • Local Moran’s I 분석 결과, H-H(High-High, 나도 높고-주변도 높은) 군집이 서울을 중심으로 한 수도권 지역에 몰려 있음 – 이는 해당 지역의 필요 연소득 값이 다른 지역에 비해 훨씬 높다는 의미함

이 글에서 내 집 마련을 위한 필요 연소득을 분석하는 과정과 그 결과를 보면 지역 간 격차를 얘기하지 않을 수 없습니다. 그러나 이 글이 지역 간 불균형 사실을 공고히 하는데 기여하는 것으로만 끝나지는 않았으면 합니다. 개인의 선택이 중요해진 현대 사회에서, 내 집 마련 이슈와 관련된 현황을 파악하고 미래를 계획하는데 참고가 되기를 바랍니다.

References


 

SPH는 CARTO, Google Maps, SuperMap 등 다양한 케이스에 적용될 수 있는 다채로운 제품군을 보유하고 있으며 고객의 사례에 꼭 맞는 무료 세미나 및 개별 컨설팅을 제공하고 있습니다. 각 케이스에 맞춰 더욱 자세한 이야기를 나누고 싶으시다면 여기에서 문의 주시길 바라며, SPH에서 발행하는 GIS/로케이션 인텔리전스 관련 최신 소식을 받아보고 싶으신 분들은 페이스북 페이지 또는 뉴스레터를 구독해 주시길 바랍니다. 감사합니다.

라스트 마일 딜리버리와 네트워크 데이터 분석

라스트 마일 딜리버리와 네트워크 데이터 분석

아마존은 2004년부터 ‘아마존 프라임’ 서비스를 시작하였습니다. 이 서비스는 빠른 배송을 전면에 내세웠고 빠른 배송을 경험한 소비자는 계속해서 서비스를 이용하는 추세를 보였습니다. 아마존의 성공을 본 국내 기업들도 빠른 배송 서비스를 시작하였습니다. 쿠팡의 ‘로켓와우클럽’은 ‘아마존 프라임’ 서비스와 같이 일정 금액을 지불해 가입하면 빠른 배송, 새벽 배송 서비스를 제공하고 있습니다.

이와 함께 소비자들도 당일 배송을 위해 최고 30% 이상의 프리미엄을 지불할 의향이 있다는 것을 미국의 McKinsey & Company 에서 보고했으며, 대부분의 소비자가 빠른 배송 보장을 위해 추가 비용을 지불할 의사가 있다고 합니다. (7 Top Trends in Last Mile Logistics – The Revolution is Coming)

이에 따라 유통업에서는 ‘라스트마일 딜리버리’를 단축하기 위한 노력을 기울이고 있습니다. ‘라스트 마일(last mile)’은 사형 집행 장소까지 죄수가 걸어가는 거리이나, 유통업에 있어서의 라스트 마일은 고객과의 마지막 접점까지의 거리를 의미합니다.

이렇듯 현재 물류 업계가 주목하고 있는 키워드는 ‘배송(delivery)’입니다. 각 기업에는 ‘어떻게 하면 더 효율적으로 물품을 고객에게 잘 전달할 수 있을까’ 수많은 고민이 있을 것입니다. 효율적인 배송을 위한 분석을 필요로 합니다. 그렇다면 이러한 분석에 사용되는 데이터는 무엇일까요? 다양한 데이터가 사용가능하겠지만 무엇보다 중요한 것은 배송 경로 설정, 주변 시설물의 검색, 서비스 센터의 입지 선정 등에 사용되는 교통 정보 데이터인 네트워크 데이터입니다.

서울시 도로 네트워크 데이터

 

네트워크 데이터는 차량이 운행할 수 있는 도로를 기반으로 생성됩니다. 아래 이미지는 SuperMap을 이용하여 생성한 서울시 도로 네트워크 데이터입니다.

그리고 도로는 도로와 도로가 만나는 지점, 즉 교차로(node)에서 차량이 진행할 수 있는 도로와 진행할 수 없는 도로로 구분됩니다. 그러한 정보를 네트워크 데이터에서는 회전정보(turn table)라고 표현합니다.

도로 네트워크 회전정보 예시

 

이처럼 도로와 회전 정보와 같은 데이터를 활용하여 네트워크 데이터를 생성할 수 있고 이를 바탕으로 분석하여 효율적인 배송과 같은 서비스를 제공 할 수 있습니다.

이번 포스팅에서는 SuperMap을 통해 네트워크 데이터를 생성하고, 생성된 네트워크 데이터를 이용하여 다중 길 찾기, 최근접 시설물 찾기, 서비스 지역 분석 등에 대한 분석작업을 진행하였습니다.

 

TSP(Travelling Salesman Problem) Analysis – 다중 길찾기

TSP Analysis, 다중 길찾기란 출발점과 종료점을 지정하고 다수의 지점을 방문하는 최적의 경로를 분석하는 방법입니다. 최적의 경로를 선정하는데에는 최단 거리와 같은 정보를 반영하게 됩니다. 다중 길찾기는 아래 이미지처럼 서비스 센터 직원이 사무실을 출발하여 제품을 수거 후, 수리 공장으로 가는 최적의 경로를 생성하는데 사용됩니다. 이 분석방법은 주로 택배 업체, 서비스 업체 등에서 사용하고 있으며 이외에도 다양한 분야에 응용될 수 있습니다.

여의도 사무실을 출발하여 최종 도착지인 서울역 공장까지 가는 최적경로

 

 

Services Area – 서비스 영역

서비스 영역 분석이란 분석 지역에서 해당 지점에 일정 비용(거리, 시간) 이하로 접근 가능한 지역을 분석하는 방법입니다. 서비스 영역이 겹치지 않도록하는 서비스 센터의 위치 선정이나, 상점을 개업할 때 경쟁 업체의 상권을 파악하고자 사용할 수 있습니다. 또한 주거지를 선정하는 과정에서 많이 접하는 역세권도 서비스 영역 분석을 통해 파악할 수 있습니다. 그 중 부동산 사이트에 많이 표시되는 역세권은 지하철역 반경 500m 를 의미하는데, 직선거리 500m 와 실제 500m 상의 거리는 많은 차이가 발생합니다.

아래의 이미지는 지하철 2호선 역주변  거리 기반 500m 지역과 반경 500m 지역을 분석하여 지도에 표시한 것입니다. 거리 기반으로 500m를 측정했을 때 반경 500m에 비해 영역이 축소되는 것을 알 수 있습니다.

파란색 원으로 표시된 부분이 반경 500m인 지역

 

지하철역 역세권이 중첩된 지역

 

서비스 영역 분석에 있어서도 거리를 기반으로 분석할 것인지 시간을 기반으로 분석할 것인지 선택에 따라 다른 결과가 나타날 수 있습니다.

 

Find Closest – 근접 시설물 찾기

근접 시설물 찾기란 특정 위치에서 가장 가까운 시설물을 찾는 방법으로 우리집에서 가장 가까운 마트, 주유소, 학교 등을 찾는데 사용되는 분석 방법입니다.

근접 시설물 찾기를 통해 특정 지역에 화재 발생 시에 화재 지역에서 가장 가까운 소방서를 찾아 출동을 지시할 수 있고, 치킨, 햄버거 등 프랜차이즈 업체에서 배달 전화를 받고 주변에 가장 가까운 매장을 연결하는 서비스에도 사용이 가능합니다.

아래 이미지는 특정 위치에서 가장 가까운 초등학교 5개를 검색하여 지도에 경로 및 리스트를 표시하고 하단에 분석 거리 즉 Cost 값을 표시한 것입니다.

만리동 주민센터에서 가장 가까운 초등학교 리스트 및 경로

 

SPH 사무실에서 가장 가까운 초등학교 리스트 및 경로

 

MTSP(Multiple Traveling Salesman Problem) – 다중 세일즈맨 최적경로 산정

다중 세일즈맨 최적경로 산정이란 다수의 서비스 요청 지점에 대해 다수의 서비스 센터에서 최적의 서비스 처리 경로를 분석하는 방법입니다.

예를 들어 서울에 5개의 서비스 센터가 있다고 할 때, 방문 서비스를 신청한 고객들을 방문하는 최적의 경로를 분석하는 방법으로 모든 센터의 비용(거리)을 최소화하는 분석과 모든 센터의 비용을 동일하게 분석하는 방법이 있습니다.

아래 이미지는 서비스 센터에서 서울시 모든 초등학교에 서비스 점검을 위한 방문시 최적의 경로를 분석한 결과입니다.

 

Least Total Cost : 총 비용을 최소로 하는 경우

 

Overall Average Cost : 각 센터의 비용을 동일하게 하는 경우

 

 

Location- Allocation  – 시설물 입지 분석

시설물 입지 분석은 입지 선정에 고려할 변수들을 반영하여 시설물의 최적입지를 선정하는 방법입니다. 예를 들어 특정 지역에 신규 서비스 센터를 오픈하고자 할 때 기존의 서비스 센터를 고려하여 다수의 입지 예정지로부터 최적의 위치를 찾을 수 있도록 분석할 때 사용됩니다.

Fixed Center(기존 설치 지점), Center(신규 설치 예정 지점) 같은 옵션값으로 기존에 있는 지점과 신규 지점에 대한 입지 분석이 수행됩니다. 아래의 이미지는 서울시에 입지 예정지 30개 지점을 대상으로 15개 지점을 선정한 결과입니다.

 

선정 지점 및 선정 주변정보

 

 

지금까지 네트워크 데이터를 활용한 여러가지 분석 방법에 대해 알아 보았습니다. 네트워크 데이터에 다양한 데이터를 추가로 활용한다면 보다 유용한 결과를 얻을 수 있습니다. 예를 들어 부동산 사이트에서 주변 학교나 상권 정보를 이용하여 교육, 쇼핑 환경에 대한 분석이 가능하고, 서비스 센터 및 배달 업체에서는 최적 경로 및 지점을 찾을 때 네트워크 데이터 분석을 적용하여 사용할 수 있습니다.

그리고 이러한 네트워크 데이터를 활용한 분석은 비용절감의 효과를 가질 수 있습니다. 기업의 경우 유류비 절감 및 각종 소요 시간 단축이 가능해지고 사회적으로는 배달 차량으로 인한 대기오염도 최소화 할 수 있습니다.

이미 아마존, 알리바바와 같은 거대한 전자 상거래 기업들은 데이터 분석을 통해 비용을 관리하고 더 많은 소비자가 당일 배송 및 빠른 배송을 경험 할 수 있도록 하고 있습니다. 네트워크 데이터 분석은 이제 선택이 아닌 필수로 나아가고 있습니다.

 

데이터 출처

– 도로 네트워크 데이터 : 도로명 새주소데이터 도로중심선(2018.07)

– 초등학교 위치정보 : 도로명 새주소데이터 민원행정기관 전자지도 (2018.07)

– 지하철역 정보 : 서울 열린데이터 광장

– 배경지도 : vWorld WMTS 서비스

 

Network Analysis 분석도구

– SuperMap iDesktop 9.1.1

 

SPH는 CARTO, Google Maps, SuperMap 등 다양한 케이스에 적용될 수 있는 다채로운 제품군을 보유하고 있으며 고객의 사례에 꼭 맞는 무료 세미나 및 개별 컨설팅을 제공하고 있습니다. 각 케이스에 맞춰 더욱 자세한 이야기를 나누고 싶으시다면 여기에서 문의 주시길 바라며, SPH에서 발행하는 GIS/로케이션 인텔리전스 관련 최신 소식을 받아보고 싶으신 분들은 페이스북 페이지 또는 뉴스레터를 구독해 주시길 바랍니다. 감사합니다.

뉴발란스와 스트라바의 만남, MyNB를 알아보아요!

어느덧 가을이 지나 초겨울이 성큼 다가왔네요. SPH 마케팅팀에서는 Google Maps API를 활용하고 있는 뉴발란스 회사를 방문해서 다양한 이야기를 나눠보는 시간을 가졌습니다. 뉴발란스에서 CRM 및 온라인 마케팅을 담당하고 계시는 임동민 대리님을 이랜드 월드 사옥에서 만나 뵈었습니다.

Q1. 안녕하세요? 자기소개 부탁드립니다.

뉴발란스에서 CRM 및 온라인 마케팅을 담당하고 있는 임동민이라고 합니다. 구글지도(Google Maps)를 활용하고 있는 MyNB라는 앱을 담당하고 있습니다. MyNB라는 앱은 뉴발란스의 다양한 컨텐츠들을 경험하며 포인트를 쌓고 그 포인트로 다시 새로운 컨텐츠들을 즐길 수 있는 뉴발란스 회원들을 위한 커뮤니티앱이랍니다. 스트라바 (Strava)라는 운동기록 어플과 연계해서 포인트를 적립할 수 있고 그 포인트를 가지고 기부, 상품 구매, 다양한 활동 참여 등을 할 수 있습니다.

임동민 대리님이 실제 어플을 활용하고있는 모습

 

Q2. 구글지도(Google Maps)를 활용하고 있는 MyNB에 대해서 좀 더 자세히 알려주세요.

저희 MyNB앱이 자전거 주행이나 러닝 시 활용 기록을 측정하는 스트라바 (Strava) 앱과 연동해서 운동한 거리를 포인트로 전환해 사용 가능하게 하고 있습니다. 매달 전체 러닝 거리 1위부터 3위까지 선정해서 특별 리워드도 지급해드리고 있구요. 요즘 러너들은 지도를 보며 새로운 코스를 발굴하고 러닝 코스 개척용으로도 이런 앱을 많이 활용하고 있어요. 그래서 지도의 정확성이 매우 중요하지요. 2016년에 글로벌 마켓에서 공식적으로 런칭을 하고 한국에서 세컨 마켓으로 MyNB 앱을 런칭했는데, 그때부터 유저들이 계속해서 증가해서 구글지도(Google Maps)를 활용하는 범위도 늘어나게 되었어요. 월에 거의 7만명에서 10만명이 사용을하고 있고 앱 다운로드 수도 토탈 70만명정도 됩니다.

 

Q3. 다양한 지도 서비스 중에서 특별히 구글지도(Google Maps)를 이용하게 된 이유가 있나요?

스트라바 (Strava)는 달리기 및 사이클링 앱으로 굉장히 유명합니다. 사용자가 운동할 때 모바일에 있는 GPS를 추적하여 언제 어디서든 사용자가 운동을 하였는지 트래킹이 가능합니다. 그 스트라바 앱 인프라를 연계해서 MyNB가 활용되고 있고, 유저들사이에서는 구글지도(Google Maps)가 가장 튕기지 않고 정확한 맵이라고 알려져있기 때문에 구글지도(Google Maps)를 이용하게 되었습니다. 고객들에게 가장 정확도가 높고 인지도가 있는 서비스를 제공해야된다고 생각하기 때문에 구글지도(Google Maps)를 선택하였고 그 부분에 대한 비용이 큰 걸림돌은 아니었습니다. 실제로 앱을 활용하는 유저들의 피드백이 중요하기 때문입니다.

뉴발란스에서 실제로 사용하고 있는 Google Maps API 

  • Maps Static API
  • Maps and Street View API
  • Geocoding API
  • Maps JavaScript API

출처: 실제 MyNB 유저 인스타그램 사진

 

Q4. MyNB 앱을 운영하시면서 어려운 점은 있으신가요?

MyNB가 주는 혜택이 사실은 무궁무진하답니다. 스트라바와 연동해서 달린 거리를 포인트로 전환하는 것(1km당 100원)이 유저들에게 가장 매력적일텐데요. 그 외에도 출석하면 포인트를 준다거나 다양한 혜택들이 있었어요. 그러다보니 이것을 악용하는 사레들도 늘게 되었답니다. 그래서 저희가 신빙성이 떨어지는 러닝데이터는 포인트 전환이 안되도록 필터링을 하기도 합니다. 예를 들면 스트라바 기록 중 기록 당 평균 속도 20km/h 이상 또는 최대거리 22km 이상 데이터는 모두 필터링이 되고 있습니다. 그리고 포인트 전환 또한 월별 최대 100km, 해당 거리내에서 4회까지만 가능하도록 제한을 두고 있답니다. 러닝거리나 GPS 조작을 하는 악용사례들이 발견되면서 이런 것들은 계정 정지, 부정 포인트 환수, 부정 마일리지 환수 등의 패널티를 부과하고 있어요.

MyNB 앱을 통해서 운동을 하고 그것에 대한 리워드도 받고 하니까 유저들의 반응이 매우 좋은 것을 저도 곳곳의 후기 글들을 통해서 보았는데요~ 이처럼 운동 트래킹 어플에서도 구글지도(Google Maps) API를 활발하게 이용하고 있답니다. Google Maps API를 통해서 유저들에게 좀 더 정확하고 러닝에 몰입할 수 있는 환경을 구축할 수 있다는 점을 잘 설명해주신 임동민 대리님께 다시한번 시간을 내주셔서 감사하다는 말씀을 드립니다.

 

SPH는 CARTO, Google Maps, SuperMap 등 다양한 케이스에 적용될 수 있는 다채로운 제품군을 보유하고 있으며 고객의 사례에 꼭 맞는 무료 세미나 및 개별 컨설팅을 제공하고 있습니다. 각 케이스에 맞춰 더욱 자세한 이야기를 나누고 싶으시다면 여기에서 문의 주시길 바라며, SPH에서 발행하는 GIS/로케이션 인텔리전스 관련 최신 소식을 받아보고 싶으신 분들은 페이스북 페이지 또는 뉴스레터를 구독해 주시길 바랍니다. 감사합니다.

6.13 지방선거와 함께한 ‘유세차량 관제 서비스’

 

지난주 제7회 지방선거가 있었습니다. 이번 지방선거는 95년 이래 처음으로 투표율 60%를 넘어섰다고 합니다! 선거에 대한 많은 관심과 함께, 선거유세도 점점 다양화되는 모습을 보이고 있습니다.

효과적인 유세 전략을 세우기 위해, 시간대/요일/성별 별로 유동인구를 확인하고자 하는 후보자들의 니즈가 있었습니다. 이에 SPH는 선거 유세차량 브랜드 ‘창인’과 함께 KAGOS와 CARTO를 기반으로 ‘유세차량 관제 서비스’를 구축하였습니다.  

창인은 소통미디어 센터(SMC)를 통해  IT기술을 도입하여 기존 선거 거리 유세 방법을 보완했습니다. 유세 차량을 디자인, 기구 설계 및 제작하여 임대하고 지원하는 본업에 소프트웨어 기술을 도입하여 효과적인 유세전략 수립, 유세 중 선거차량의 관리 강화, 선거 지원비 자료 지원 업무를 스마트한 방법으로 수행 하였습니다.

그럼 그 기능들을 함께 자세히 살펴봅시다!

 

첫째, 유세전략을 수립하기 위해 과거 선거 결과 정보와 이동 통신사 SK Telecom의 성별,연령별,시간대별 유동인구 데이터를 도입했습니다.

 

 

서울,경기권의 유동 인구가 많은 상위 10% 지역을 시간대별로 사진과 같이 지도에 시각화하여, 시간대별, 요일별 유세 지역을 결정할 수 있습니다. 해당 시간대의 유동인구 연령과 성별까지 함께 고려하면 더욱 효과적인 유세 전략을 짤 수 있겠죠.

 

또한, 역대선거결과 데이터를 이용하여 지역별로 보다 더 효과적인 선거 전략을 세울 수 있습니다.

 

위의 사진과 같이, 2017년 대선에서 더불어민주당의 지지율이 높았던 지역과 비교적 낮았던 지역을 비교하여 서로 다른 유세 전략을 세웠다고 합니다

 

 

 

스마트패드 화면

둘째, 유세 활동 중 선거차량의 관리 강화를 위해 차량에 스마트패드를 부착하여 차량의 위치를 실시간으로  소통미디어 센터에서 받고 관리 할 수 있도록 만들었습니다.

스마트패드는 현장에서 운전자가 조작을 하고, 선거캠프에서는 소통미디어 센터의 위치 관제 서비스를 사용합니다. 현장에서 위치 수집을 할 수 있도록 별도의 모바일 페이지를 제작했는데요, 운행 시작 버튼을 누르면 위치가 수집되고, 운행 종료 버튼을 누르면 수집이 종료됩니다. 현장에서도 한눈에 볼 수 있는 편리한 UI도 관제 서비스의 특징 중 하나입니다.

 

 

 

 

 

선거캠프에서는 유세 차량이 어디 정차했고, 어떤 선거 홍보영상이 플레이 되고 있는지, 유세 차량이 약속된 시간에 이동 중인지 여부 등을 모니터링하여 선거 유세의 효과를 극대화했습니다.

지도 상에 현재 차량 위치를 표시하는 데 바로 KAGOS의 위치 관제 솔루션이 이용되었습니다. 유세 차량 아이콘 색상은 당 혹은 후보마다 다르게 지정하여 현장 정보를 한 눈에 조회할 수 있습니다.

 

후보자별 차량 위치정보

 

 

셋째, 선거 및 개표가 마무리 된 후에 후보별로 선거 지원비를 국가에 요청하게 되는데요, 여기에 선거 유세 차량 지원비도 포함 됩니다. 유세차량의 운행 결과 보고서를 첨부함으로써 보다 명확한 근거자료를 제출하고, 투명한 운영을 할 수 있습니다.

 

 

 

부가 기능으로 유세 정보 SNS 전달 기능도 추가되었는데요, 이 기능을 이용하면 손쉽게 유세 정보를 페이스북, 트위터, 블로그 등에 공유할 수 있습니다.

 

위 화면 주소창의 SNS 공유 URL을 이용하면 페이스북, 트위터, 블로그 등에 해당 선거구에 대한 유세 행사 정보를 홍보할 수 있습니다. 온오프라인 모두에서 활력있는 유세가 가능하겠네요!

 

실제 관제서비스 이용 화면

 

유세차량 관제 서비스를 이용한 후보자들이 대부분 좋은 결과를 얻을 수 있었습니다. 이는 해당 서비스를 통해 특정 지역의 유동인구 연령대/성별 등을 파악함으로써 해당 층의 유권자들을 겨냥한 유세활동을 미리 계획할 수 있었기 때문이라고 생각합니다.

현재는 수도권에서만 이용 가능한 서비스이지만, 적용 범위를 더 넓혀 전국적으로 이용할 수 있다면 더 큰 효과가 있을 것으로 기대해 봅니다.

 

SPH는 CARTO, Google Maps, SuperMap 등 다양한 케이스에 적용될 수 있는 다채로운 제품군을 보유하고 있으며 고객의 사례에 꼭 맞는 무료 세미나 및 개별 컨설팅을 제공하고 있습니다. 각 케이스에 맞춰 더욱 자세한 이야기를 나누고 싶으시다면 여기에서 문의 주시길 바라며, SPH에서 발행하는 GIS/로케이션 인텔리전스 관련 최신 소식을 받아보고 싶으신 분들은 페이스북 페이지 또는 뉴스레터를 구독해 주시길 바랍니다. 감사합니다.