[Training : Analyzing violent crime, workflow]

☞ 데이터 불러오기

먼저 Broken Bottle 패키지 파일을 불러옵니다. Violent Crime 2014 데이터의 속성 테이블을 열어 범죄 발생 지역의 분포, 범죄 유형, 일자를 확인합니다.  

☞ 시공간 큐브 및 핫스팟 생성

범죄 발생 지역을 확인하고 패턴을 파악하기 위해 시공간 큐브 생성 및 핫스팟 분석을 수행합니다.

[포인트를 집계하여 시공간 큐브 생성(Create Space Time Cube By Aggregating Points)]

• 입력 피처(Input Feature): Violent Crime 2014
• 결과 시공간 큐브(Output Space Time Cube): 사용자 지정 ex)ViolentCrimeCube.nc
• 시간 필드(Time Field): Date
• 시간 단계 간격(Time Step Interval): 4주
• 시간 단계 정렬(Time Step Alignment): 종료 시간
• 거리 간격(Distance Interval): 1375 피트

[발생 핫스팟 분석(Emerging Hot Spot Analysis)]

• 입력 시공간 큐브(Input Space Time Cube): ViolentCrimeCube.nc
• 분석 변수(Analysis Variable): COUNT
• 결과 피처(Output Feature): 사용자 지정 ex)ViolentCrimeTrends
• 네이버후드 거리(Neighborhood Distance): 0.5 마일
• 네이버후드 시간 단계(Neighborhood Time Step): 1
• 폴리곤 분석 마스크(Polygon Analysis Mask):
• 분석 경계(Analysis Boundary)

범죄 트랜드의 결과를 확인해보세요.

콜드스팟은 존재하지 않고 핫스팟만 존재하는 것을 알 수 있습니다. 이는 특정 지역의 범죄 밀도가 높은 것을 의미합니다. 또한 핫스팟 분석 결과를 통해 연속적이고 심각한 범죄가 발생한 지역을 파악할 수 있어 추가 범죄가 발생할 가능성이 있는 지역을 예측할 수 있습니다.

☞ 3D 시공간 큐브 시각화

범죄 심각성 및 발생 지역을 시간대별로 파악하기 위해 시공간 큐브를 생성하여 3D로 시각화합니다.

[새 씬 생성(Create New Scene)]

• 삽입(Insert) → 새 맵(New Map) 드롭다운 → 새 씬(New Scene) 클릭

[3D에서 시공간 큐브 시각화(Visualize the Space Time Cube in 3D)]

• 입력 시공간 큐브(Input Space Time Cube): Violent Crime Cube.nc
• 큐브 변수(Cube Variable): COUNT
• 디스플레이 테마(Display Theme): 핫스팟/콜드스팟 결과(Hot and cold spot results)
• 결과 피처(Output Features): CrimeTrends3D

[최적화된 핫스팟 분석(Optimized Hot Spot Analysis)]

베이스 맵과 작성한 데이터의 기준점이 다르므로 3D 큐브를 시각화하기 전 기존에 설정된 고도 원본을 삭제합니다.

• 씬 등록정보(Scene Properties) → 고도 표면(Elevation Surface) → 고도 원본(Ground) → 삭제(X) 아이콘 클릭

고도 원본을 삭제한 후 3D 시공간 큐브 결과를 탐색해보세요.

해당 결과는 시공간에 따른 범죄를 핫스팟, 콜드스팟, 90%, 96%, 99% 신뢰수준을 기반으로 3D 시공간 큐브를 나타냅니다.

☞ 범죄율 데이터, 주류 판매점 위치 데이터, 빈곤율 데이터를 이용한 핫스팟 생성

[최적화된 핫스팟 분석(Optimized Hot Spot Analysis)]

▶ 범죄율 데이터 이용

• 입력 피처(Input Features): Violent Crime 2014
• 결과 피처(Output Feature): 사용자 지정 ex) ViolentCrimeHotSpots
• 사건 데이터 집약 방법(Incident Data Aggregation Method): 그물망 그리드 내의 사건 계산(Count incidents within fishnet polygons)
• 사건 발생 가능 지역을 정의하는 경계 폴리곤(Bounding Polygons Defining Where Incidents Are Possible): 분석 경계(Analysis Boundary)

범죄 밀도에 따른 핫스팟을 생성하기 위해 Violent Crime 2014 데이터를 이용하며, 데이터 집계 방법 및 경계 폴리곤 등 매개변수를 설정합니다. 해당 도구에서 선정한 방법은 적절한 폴리곤의 셀 사이즈를 이용하는 ‘그물망 그리드 내 사건 계산’입니다. 연구 영역 내에 모든 핫스팟 데이터를 생성했으며, 결과 메시지를 통해 폴리곤의 셀 사이즈는 1375피트임을 알 수 있습니다.

▶ 주류 판매점 데이터 이용

• 입력 피처(Input Features): Liquor Vendors
• 결과 피처(Output Feature): 사용자 지정 ex) LiquorVendorHotspots
• 사건 데이터 집약 방법(Incident Data Aggregation Method): 집약 폴리곤 내 사건 계산(Count incidents within aggregation polygons)
• 사건 발생 가능 지역을 정의하는 경계 폴리곤(Bounding Polygons Defining Where Incidents Are Possible): ViolentCrimeHotSpots

빈곤 데이터를 이용한 핫스팟을 생성하기 전에 Poverty.lpk 파일을 맵에 불러와 핫스팟 데이터를 생성합니다.

▶ 빈곤률 데이터 이용

집약 폴리곤 내 사건 계산 방법은 제공된 각각의 폴리곤 내에서 인시던트 포인트 데이터를 집계하여 결과를 도출합니다.

• 입력 피처(Input Features): Poverty
• 결과 피처(Output Feature): 사용자 지정 ex) PovertyHotspots
• 분석 필드(Analysis Field): 2009-2013 ACS Households with Income Below Poverty Level

☞ 핫스팟 데이터 중첩을 이용한 영역 결정

이번 단계는 범죄 데이터, 주류 판매점 데이터, 빈곤 데이터에 대해 사건의 발생율이 높은 영역을 선별합니다.

[속성에 의한 레이어 선택(Select Layer By Attribute)]

• 레이어 이름 또는 테이블 뷰(Layer Name or Table View): ViolentCrimeHotSpots
• 선택 유형(Selection Type): 새 선택(New Selection)
• 식(Expression): Gi_Bin fixed 4554_FDR이 3과 같음(Gi_Bin fixed 4554_FDR is equal to 3)

Gi_bin 필드가 3인 레코드는 99% 신뢰구간을 의미하며 이는 사건의 발생율이 높은 지역을 나타냅니다. LiquorVendorHotspots, PovertyHotspots 데이터에 동일한 작업을 수행하면 아래와 같이 결과가 나타납니다.

[교차(Intersect)]

• 입력 피처(Input Feature):
  – ViolentCrimeHotspots
  – LiquorVendorHotspots
  – PovertyHotspots
• 결과 피처 클래스(Output Feature Class): 사용자 지정 ex) ICrimeLiquorPoverty

세 가지 데이터에서 선택된 구간을 교차하면 서로 중첩하는 영역만 남게 되는데, 결과 영역이 다소 좁은 것을 확인할 수 있습니다. 즉 범죄, 주류 판매점, 빈곤 데이터 간의 공간적 상관관계가 낮음을 유추할 수 있습니다.

☞ 실업률 데이터 핫스팟 분석 및 사건 발생률 높은 영역 선정

범죄와 실업률의 상관관계를 분석하기 위해 실업률 데이터(Unemployment.lpk)를 불러옵니다.

범죄 데이터와 실업률 데이터의 상관관계를 분석하기 위해 이전과 같은 단계를 반복합니다.

[최적화된 핫스팟 분석(Optimized Hot Spot Analysis)]

• 입력 피처(Input Features): Unemployment
• 결과 피처(Output Feature): 사용자 지정 ex) UnemploymentRateHotSpots
• 분석 필드(Analysis Field): 2015 Unemployment Rate

[속성에 의한 레이어 선택(Select Layer By Attribute)]

• 레이어 이름 또는 테이블 뷰(Layer Name or Table View): ViolentCrimeTrends
• 선택 유형(Selection Type): 새 선택(New Selection)
• 식(Expression):
  – Pattern Type COUNT는 Consecutive Hot Spot과 같음
  – Or Pattern Type COUNT는 Intensifying Hot Spot과 같음
  – Or Pattern Type COUNT는 Persistent Hot Spot과 같음
• 레이어 이름 또는 테이블 뷰(Layer Name or Table View): UnemploymentRateHotspots
• 선택 유형(Selection Type): 새 선택(New Selection)
• 식(Expression): Gi_Bin fixed 4554_FDR이 3과 같음

[교차(Intersect)]

• 입력 피처(Input Feature):
  – ViolentCrimeHotspots
  – UnemploymentRateHotspots
• 결과 피처 클래스(Output Feature Class): 사용자 지정 ex) ICrimeUnemp

범죄 데이터와 실업률 데이터의 교차 결과는 주류 판매점, 빈곤율에 비해 공간적 상관관계가 높음을 확인할 수 있습니다.

데이터 분석가는 실업률과 범죄의 공간적 상관관계가 가장 유의한다는 결과를 경찰서장에게 전달했습니다. A 지역은 범죄 발생률을 감소시키기 위해 위험 지역 대상으로 여름 직업 프로그램을 시작하였으며, 이는 폭력범죄를 줄이는 데 엄청난 효과가 있음을 증명했다고 합니다.

이 사례에서는 실업률과 범죄의 상관관계가 높은 것으로 분석됐지만, 그렇다고 반드시 실업률이 범죄에 영향을 미친다고 볼 수는 없습니다. 범죄가 발생하는 이유는 다양하고 복잡하기 때문에, 여러 데이터를 이용한 공간분석을 통해 다양한 요소들과의 상관관계를 파악하여 해당 지역만의 주요 이유를 찾아내고 이를 예측, 예방할 수 있습니다.

ArcGIS Pro 완전 정복에서는 총 10개의 콘텐츠를 통해 공간 데이터의 기본 정보부터 공간 분석 사이클을 알아보고 그에 알맞은 실습을 수행해왔습니다. 이제 ArcGIS Pro를 완전히 정복하셨나요? 이 밖에도 ArcGIS Pro는 유틸리티 네트워크 분석, 공간 통계 분석, 시공간 패턴 마이닝 분석 등 다양한 분석을 수행할 수 있습니다. 이번 테크스토리는 ArcGIS Pro 완전정복의 마지막 시리즈로 다음에는 더 유익하고 흥미로운 콘텐츠를 가지고 찾아뵙겠습니다 🙂