본문 바로가기

다핵 상권 젠트리피케이션 위험도 및 결정요인 분석: 머신러닝 기반 예측 모델과 공간분석 기법을 적용하여

Analysis of Gentrification Risk and Determinants in Polycentric Commercial Districts: Application of Machine Learning-Based Prediction Models and Spatial Analysis Techniques

문서 유형
연구출판물 · 학술지 논문
등재
KCI
저널 순위
KCI Q4
저널
주택금융연구9(1) · pp.159 · 2025
피인용
KCI 0
ISSN
2586-4629

저자

  1. 이동영제1저자동의대학교 경영학과
  2. 강상훈교신저자부산대학교

초록

본 연구는 부산광역시의 214개 상권을 대상으로 머신러닝 기법과 공간계량경제학적 방법론을 적용하여 젠트리피케이션 위험도를 분석하고 그 결정요인을 규명하였다. 분석 결과, 상권 유형별로는 발달상권 (0.454)이 가장 높은 위험도를 보였으며, 전통시장(0.449)과 골목상권(0.433) 순으로 나타났다. Light gradient boosting machine 모델 기반 특성 중요도 분석 결과, 관광특성(tourism), 인구수(pop_sum), 업종다양성 변화(diversity)가 젠트리피케이션 위험도 예측에 가장 중요한 변수로 도출되었으며, 교통 중심지와의 거리가 가까울수록 위험도가 증가하는 것으로 확인되었다. 공간시차모형 분석을 통해 젠트리 피케이션의 공간적 군집성(Moran's I=+0.16, p <0.01)과 인접 상권 간 확산 효과(ρ=0.28, p <0.05)가 통계적으로 유의미하게 검증되었으며, 이는 젠트리피케이션이 공간적으로 전파되는 특성을 실증적으로 확인해준다. 젠트리피케이션 잠재 고위험 지역으로는 온천장역(0.825), 동래역(0.783), 부산역(0.732), 센텀시티역(0.679) 상권이 식별되었다. 본 연구는 상권 유형별 맞춤형 정책 방향과 젠트리피케이션 조기경 보시스템 구축 방안을 제시하였으며, 다핵 상권 구조 내에서 젠트리피케이션의 공간적 역학을 입체적으로 규명했다는 학술적 의의를 갖는다.

키워드

GentrificationMachine LearningLight Gradient Boosting Machine (LGBM)Spatial Lag ModelPolycentric Commercial Structure젠트리피케이션머신러닝LGBM(Light Gradient Boosting Machine)공간시차모형다핵상권구조

식별자

KCI
ART003222004