DOI QR코드

DOI QR Code

Methodology of Extraction of Crime Vulnerable Areas Through Grid-based Analysis

격자망분석을 통한 범죄발생 취약지역 추출 기법

  • Received : 2015.02.11
  • Accepted : 2015.08.03
  • Published : 2015.08.31

Abstract

The urban crimes that threat individual's safety are parts of the serious social problems. However. the information of crime in Korea has only been provided by forms of hot spots around place of crime, or forms of crime statistics without positional information. Those could not provide enough information to users in identifying the vulnerable areas for substantive crimes. Therefore, this study suggested a methodology of extraction in criminal vulnerable areas by using the spatial information, the statistical information and the public sector information. The crime vulnerable areas were extracted through the grid-based spatial analysis and the overlapping analysis from each of the information. In fact, the extracted areas were able to provide detailed vulnerability information than the traditional hot spot-based crime information. Following the study, the extracted results in crime vulnerable areas have displayed highly coincide with Korea safety map, provided by national disaster management institute, which regards to be able to provide crime risk rating in terms of administrative business in future.

개인의 안전에 직접적인 위협을 끼치는 도심 속의 범죄는 심각한 사회문제 중의 하나이다. 국내에서 범죄에 관한 정보는 주로 범죄 발생지점 주변의 핫스팟 형태로 제공되거나 위치정보가 없는 범죄 통계 형태로 제공되고 있다. 이로 인해 사용자가 실질적인 범죄발생에 취약한 지역을 파악하기가 쉽지 않은 실정이다. 본 연구에서는 공간정보, 통계정보, 공공정보를 이용하여 범죄발생 취약지역을 추출하는 기법을 제안하였다. 범죄발생 취약지역은 각각의 정보를 격자망 기반의 공간분석과 중첩분석을 통하여 추출하였으며 기존의 핫스팟 기반의 범죄관련 정보보다 상세한 범죄 취약정보를 제공하고자 하였다. 본 연구를 통해 추출한 범죄발생취약지역 결과는 국민생활안전지도와 비교하였으며 이를 통해 범죄발생 취약지역의 정확도가 높은 것으로 확인되었다. 본 연구의 결과는 향후 행정업무 차원에서 등급별 범죄 발생위험도 제공에 활용할 수 있을 것으로 사료된다.

Keywords

1. 서 론

도심 속 범죄는 개개인의 생활공간에 대한 직접적인 위협 및 불안감을 조성할 수 있는 심각한 사회문제 중 하나이다. 범죄는 인적 혹은 물적으로 피해를 일으키며 범죄 발생 후의 조치보다 범죄 예방 측면에서의 조치가 중요하다(Heo, 2013).

범죄와 관련된 연구동향을 살펴보면 범죄를 유발시킬 수 있는 환경적 요인을 분석한 연구(Park et al., 2014)와 행정구역별 범죄 발생 건수를 이용하여 범죄 취약지도를 생성한 연구가 수행되었다(Kim and Park, 2009). 또한 범죄 발생 지역에 대한 현장조사를 통한 CCTV 시스템 구축 모델을 제안한 연구가 수행되었다(Do and Pyo, 2010). 도심 속 범죄에 대한 시공간적 특성과의 연관성에 대한 연구(Kim et al., 2012)와 범죄 발생의 도시 공간 구조 특성에 대한 연구가 수행되었다(Jeong, 2010). 공간회귀모형을 이용한 범죄와의 연관성을 분석한 연구(Oh, 2011)와 도심 속 가로경관에 따른 여성의 성범죄불안감 조성에 따른 요인분석을 하는 연구(Lee, 2014)가 수행되었다.

기존의 범죄관련 연구는 주로 구체적인 위치를 확인하기 어려운 통계자료에 나타난 범죄발생장소 및 지역 등의 정보를 이용하여 범죄에 취약한 지역을 분석한 연구가 대부분이다. 또한 국내에서 제공되는 범죄 관련 통계정보로는 범죄 예방적인 측면에서 위치정보에 기반한 실질적인 공간분석에 활용하기에는 어려움이 따른다.

이에 본 연구에서는 도심 속에서 발생하는 다양한 범죄 중 사회적 약자에게 많이 일어나는 성범죄 혹은 강간, 강도에 대한 범죄발생 취약지역을 추출하는 기법을 구축하고자 하였다. Lee(2014)의 연구에서 성범죄에 대한 불안감을 조성하는 요소 중 가로 분위기, 가로 형태, 가로 폭 및 건물 위치 등에 대한 도심 속 지형지물의 물리적인 요소가 높은 영향력을 가진다는 연구결과에 근거해서 도로와 건물 위치정보를 가지고 있는 연속수치지도와 공공기관에서 제공하고 있는 통계자료, 그리고 각 지자체별로 구축되어 있는 CCTV 위치정보를 활용하였다.

 

2. 방법론

본 연구에서 제안하는 범죄발생 취약지역 추출 기법은 Fig. 1과 같이 총 3단계로 구성하였다. 1단계는 범죄에 취약한 지역을 공간적인 해석을 통해 추출하고자 공간정보인 1/5,000 연속수치지도를 이용하였다. 2단계는 통계정보를 이용하여 공간적인 해석뿐만 아니라 개인의 특성을 고려한 범죄발생 취약지역을 추출하고자 소득 정보와 범죄에 취약한 인구 분류인 사회적 약자의 거주현황 정보를 이용하였다. 3단계는 범죄 예방의 대표적인 수단이며, 각 지자체별로 구축되어 있는 공공정보인 CCTV 위치정보를 이용하여 CCTV가 감시하지 못하는 감시 외 지역을 추출하여 범죄발생에 취약한 지역을 추출하였다. 각 단계별로 수행하는 공간분석은 ESRI사의 ArcMap 10.1 프로그램을 이용하여 수행하였으며, 각 단계별 결과물은 격자망 분석을 수행한 다음 중첩분석을 수행하여 최종 범죄발생 취약지역을 추출하였다.

Fig. 1.Study flow

일반적으로 취약지역의 표현은 핫스팟(hot spot) 형태, 폴리곤 형태, 등급화된 형태 등 다양한 방법으로 나타낼 수 있으나 본 연구에서는 격자기반의 자료처리를 수행함으로 인해 등급화된 형태로 표현하였다.

또한, 등급의 단계는 3단계, 5단계 등 다양하게 나눌 수 있으나 위험지도를 보통 5단계로 구분(Korea Forest Service, 2015)하는 것에 근거하여 본 연구의 최종 범죄발생취약 지역은 Table 1과 같이 안전, 불안, 주의, 경고, 위험지역의 5단계로 구분하여 표현하였다.

Table 1.Class of crime vulnerable areas

2.1 공간정보를 이용한 범죄발생 취약지역 추출

범죄발생 취약지역 추출의 1단계인 공간정보를 이용한 범죄발생 취약지역 추출은 연속수치지도의 도로중심선 레이어와 건물 레이어를 이용하였으며 연구 흐름도는 Fig. 2와 같이 위험도로 추출, 건물 용도별 밀집 지역 분석, 건물 종류별 핫스팟분석, 격자망 통계분석 순으로 수행하였다.

Fig. 2.Flow of first stage

1) 위험도로 추출

위험도로는 Kim(2014)에 의해 수행된 선행연구에서의 위험도로 추출 방법을 적용하였다.

Kim (2014)의 위험도로 추출기법은 도로의 포장재질, 도로폭과 교차각에 대한 특성과 도로중심선에서 일정 범위에 속하는 건물 정보를 이용하여 범죄에 취약한 도로를 추출하는 기법이다. 위험도로의 선정기준은 도로폭이 좁을수록, 도로포장 재질은 비포장도로일수록 위험하며 도로 주변에 인접한 건물이 무벽 건물일 때 위험하다라는 기존 연구를 바탕으로 1단계 공간정보를 이용한 범죄발생취약지역 추출의 위험도로를 수행하였다.

2) 건물 용도별 밀집지역 분석

건물 용도별 밀집 지역 분석은 건물 레이어의 용도 속성정보를 건축법 제 19조 4항, 건축법 시행령 제 14조 제 5항에 의거하여 9개의 시설군으로 분류하여 위험 건물이 어느 지역에 밀집되어 있는 지에 대한 공간분석을 수행하였다(MLIT, 2012a; MLIT, 2012b). 건물 밀집 지역을 추출하기 위한 기준은 Ku(2012)의 연구결과를 참고하여 건물 간의 거리가 6.4m 이내에 속하는 건물은 범죄 발생에 대한 두려움을 느끼는 정도가 높다는 이론을 바탕으로 6.4m의 범위를 설정한 다음 커널밀도(kernel density) 분석을 수행하여 건물 용도별 밀집지역을 추출하였다.

3) 건물 종류별 핫스팟 분석

연속수치지도의 건물 레이어에서 제공하고 있는 건물의 속성 중 종류는 주택외건물, 아파트, 일반주택, 연립주택, 무벽건물, 가건물 등으로써 각 건물 종류별 등급을 Table 2와 같이 산정하여 1등급이 안전한 건물, 4등급이 위험한 건물로 분류하여 총 4등급으로 건물의 등급을 산정하였다.

Table 2.Class of building types for hot spot analysis

건물 종류별 핫스팟 분석은 ArcMap에서 모델 빌더(model builder)를 생성하여 각 등급별로 핫스팟 분석을 수행한 후 각 등급별 결과 값을 중첩하여 최종 건물 종류별 핫스팟 지역을 생성하였다.

2.2 통계정보를 이용한 범죄발생 취약지역 추출

범죄발생 취약지역 추출의 2단계인 통계정보를 이용한 범죄발생 취약지역 추출은 Fig. 3과 같이 소득별 밀집지역 분석, 인구별 밀집 지역 분석을 각각 수행한 후 이를 중첩하여 격자망 통계분석을 수행하였다.

Fig. 3.Flow of second stage

1) 소득별 밀집지역 분석

소득별 밀집지역 분석은 국가공간정보유통시스템(MLIT, 2015)의 민간 공간정보 분야에서 제공하는 소득정보를 이용하여 포인트(point) 형태의 자료를 크리깅 보간법을 적용하여 소득이 높은 지역과 낮은 지역에 대한 분석을 수행하였다.

2) 인구별 밀집 지역 분석

인구별 밀집 지역 분석은 범죄에 취약한 사회적 약자에 속하는 여성, 어린이, 노약자의 거주 현황을 중심으로 래스터 연산(raster calculator)을 이용하여 사회적 약자가 밀집되어 있는 지역을 추출하였다.

2.3 공공정보를 이용한 범죄발생 취약지역 추출

범죄발생 취약지역 추출의 3단계인 공공정보를 이용한 범죄발생 취약지역 추출은 CCTV 위치정보를 이용하여 Fig. 4와 같이 CCTV 감시 외 지역 분석을 분석한 후 격자망 통계 분석을 수행하였다.

Fig. 4.Flow of third stage

범죄 예방적인 측면에서 CCTV는 범죄자의 감시 역할을 수행하나 CCTV가 설치되지 않은 지역의 경우 CCTV 감시지역보다 범죄발생에 취약할 수 있다. CCTV가 설치된 지점에서 약 150m까지의 범위를 감시지역으로 설정한 기존 연구를 바탕으로 150m를 벗어나는 지역에 대한 버퍼(buffer) 분석을 수행하여 CCTV 감시 외 지역을 추출하였다(Park et al., 2012).

2.4 각 단계별 격자망 통계분석 및 중첩분석

격자망 통계분석은 각 단계별 입력 자료에 대해 격자 생성 및 격자별 구역통계(zonal statistics) 분석을 수행하였다. 5등급으로 분류한 각 단계별 결과 값의 중첩분석은 Table 3과 같이 가중치를 적용하였다. 1단계와 3단계는 범죄불안감을 조성하는 물리적인 요소로서 2단계보다 높게 가중치를 산정하였고, 1단계중 도로중심선 레이어와 건물 레이어의 가중치는 도로에 대한 범죄불안감이 건물에 비해 높아 도로중심선 레이어에 가중치를 건물레이어보다 높게 설정하였다(Lee, 2014).

Table 3.Weights for crime vulnerable area

 

3. 실 험

3.1 실험대상 지역선정

범죄발생 취약지역 추출 방법론을 이용하여 실험할 대상지역은 인구 이동이 많으며 주거지역과 상업지역이 분포되어 있는 지역을 선정하였다. 이러한 지역의 특성은 범죄발생 가능성이 높다는 기존연구 결과가 있다(Lee and Cho, 2006). 본 연구에서도 이러한 특성을 고려하여 중소도시 중 인구 이동이 많은 지역으로써 시가지 지역 중 2곳을 실험지역 A와 실험지역 B로 선정하였다.

3.2 범죄발생 취약지역 추출

1) 공간정보를 이용한 범죄발생지역 추출

공간정보를 이용한 범죄발생지역은 위험도로, 건물용도별 밀집지역, 건물 종류별 핫스팟 분석 결과를 토대로 추출하였다.

가장 먼저 수행할 위험도로 추출은 Fig. 5와 같이 연속수치 지도에서 도로중심선 레이어에서 도로간의 교차점을 찾은 후 교차점에 대한 도로교차각을 계산하였다. 도로교차점의 위험점수는 도로교차각, 도로포장재질, 도로폭을 고려하였으며 도로중심선의 위험점수는 도로포장재질, 도로폭, 건물종류를 고려하였다(Kim, 2014).

Fig. 5.Extraction of dangerous road

건물 용도별 밀집 지역 분석을 위하여 실험지역 A, B에 대해 각 건물의 중심점을 생성하여 커널밀도 분석을 수행하였다. 실험지역 A와 실험지역 B에서 건물 간의 거리가 6.4m 이내의 밀집지역의 건물 용도는 대체적으로 주거업무시설군과 근린생활시설군의 건물이 밀집되어 있는 것으로 분석되었다. Fig. 6은 실험지역에 대한 건물용도별 밀집지역 분석결과를 나타낸 것이다.

Fig. 6.Density analysis by usage of building

실험지역 A, B에 대한 건물 종류별 핫스팟 분석결과는 Fig. 7과 같으며, 각 건물 종류별 위험 건물의 밀집도가 가장 높은 지역이 진하게 표현된 지역으로 추출되었다.

Fig. 7.Hot spot analysis by type of building

위험도로, 건물용도별 밀집지역, 건물 종류별 핫스팟 분석결과를 기반으로 공간정보를 이용한 범죄발생 취약지역을 추출하기 위해서 격자망 기반의 구역통계 분석을 수행하였으며 그 결과는 Fig. 8과 같다.

Fig. 8.Result of step 1

2) 통계정보를 이용한 범죄발생지역 추출

통계정보를 이용한 범죄발생지역은 소득별 밀집지역, 인구별 밀집지역 결과를 토대로 추출하였다. 소득별 밀집지역 분석 결과는 Fig. 9와 같으며 옅은 색으로 표시된 지역은 소득이 낮은 지역이며, 짙은 색으로 표시된 지역은 소득이 높은 지역으로 분석되었다.

Fig. 9.Density analysis by income

인구별 밀집지역은 통계청(Statistics Korea, 2015)에서 제공하는 거주현황정보를 이용하였으며 그 중 범죄에 취약한 여성, 어린이, 노약자를 대상으로 한 사회적 약자를 고려하였다. 실험지역 A, B에 대한 사회적 약자의 거주현황은 Table 4와 같다. 실험지역 A에서는 인구대비 노약자가 가장 많이 거주하고 있었으며, 실험지역 B는 인구대비 여성이 가장 많이 거주하고 있는 것으로 분석되었다.

Table 4.Population information

Table 4의 인구별 밀집지역 통계를 기초로 래스터 연산을 수행한 결과는 Fig. 10과 같으며 범죄 발생에 취약한 인구의 밀집도가 높을수록 짙은 색으로 표시하였다.

Fig. 10.Density analysis by population

소득과 인구에 결과를 기반으로 격자망을 구성하여 통계정보를 이용한 범죄발생가능 지역을 추출한 결과는 Fig. 11과 같다.

Fig. 11.Result of step 2

3) 공공정보를 이용한 범죄발생지역 추출

실험지역 A, B에 대해 반경 150m이내에 CCTV가 설치되지 않은 지역을 CCTV 감시 외 지역으로 추출한 후 격자망을 구성하여 범죄발생 취약지역을 추출한 결과는 Fig. 12와 같다.

Fig. 12.Result of step 3

4) 최종 범죄발생지역 추출

최종 범죄발생 취약지역은 1단계, 2단계, 3단계의 결과물을 중첩하여 추출을 수행하였으며 그 결과는 Fig. 13과 같다. Table 3의 가중치를 기반으로 래스터 연산(raster calculator)의 합(sum)을 수행한 결과는 Table 5와 같으며, 최종 범죄발생지역의 등급은 등간격(equal interval) 분류기법을 이용하여 총 5단계로 표현하였다.

Fig. 13.Final crime vulnerable areas

Table 5.Classified crime vulnerable area

실험지역 A에 대한 각 등급별 비율은 1단계 안전지역 약 12.66%, 2단계 불안지역 약 50.36%, 3단계 주의지역 약 26.94%, 4단계 경고지역 약 8.97%, 5단계 위험지역 약 1.07%로 절반 이상의 지역이 불안지역에 속하는 것으로 분석되었다.

실험지역 B에 대한 각 등급별 비율은 1단계 안전지역 약 15.67%, 2단계 불안지역 약 31.92%, 3단계 주의지역 약 38.67%, 4단계 경고지역 약 11.42%, 5단계 위험지역 약 2.32%로 주의지역의 비율이 가장 높았으며, 실험지역 A에 비해 위험지역 비율도 높아 좀 더 범죄발생에 취약한 지역이라 판단된다.

3.3 실험결과와의 비교분석

본 연구를 통해서 도출된 범죄발생 취약지역 결과에 대한 검증을 위하여 국민안전처에서 제공하고 있는 국민생활안전지도(MPSS, 2015)와 정량적인 비교를 수행하였다. 국민생활안전지도는 국민 개개인의 안전에 대한 정보를 핫스팟 형태로 제공하고 있다. 국민생활안전지도에서 제공하고 있는 안전정보 중 치안사고 발생현황의 강도, 성폭력에 대한 발생현황정보를 ArcMap 10.1 프로그램을 이용하여 범죄가 발생한 지역과 발생하지 않은 지역으로 분류하여 디지타이징을 수행한 후 본 연구의 결과 값과 같이 격자망을 생성하였다. 정량적 비교 분석은 Fig. 14와 같이 격자별로 값을 가지고 있는 점을 이용하여 공간분석인 뺄셈(minus) 분석을 통해 본 연구의 결과 값과 국민생활안전지도의 범죄발생현황정보와의 일치되는 격자에 대한 비율을 계산하여 비교분석을 수행하였다.

Fig. 14.Process of verification analysis

뺄셈 분석을 통해 추출된 본 연구의 결과 값과 국민생활안전지도의 범죄발생현황정보의 일치율은 Eq. (1)을 이용하여 백분율로 표현하였다. Eq. (1)의 분모 값은 범죄발생 취약지역 추출 기법으로 추출된 4단계 경고지역과 5단계 위험지역으로 표현된 격자의 면적 값을 활용하였으며, Eq. (1)의 분자값은 국민생활안전지도의 범죄발생현황지역으로 표현된 격자의 면적 값을 활용하여 계산을 수행하였다. Fig. 15와 같이 범죄발생 취약지역 추출 결과 값과 생활안전지도에서 범죄 발생현황이 높을수록 진한색(붉은색)으로 표현되며, 각 실험지역별로 각각 약 80.74%, 약 73.05% 일치하는 것으로 나타났다.

Fig. 15.Result of verification analysis

실험지역 A, B에서 추출한 경고지역과 위험지역과 국민생활안전지도와 일치된 지역에 대해 공간정보, 통계정보, 공공정보 측면에서 그 특성을 좀 더 자세히 살펴보면 다음과 같다.

첫째, 공간정보에 대해 살펴보면 각 실험지역별로 위험도로가 비교적 많이 분포해 있었으며, 건물 용도별 밀집도는 주거업무시설군에 대한 밀집도가 상당히 높은 편이었다. 또한 건물종류별 4등급으로 위험 건물에 대한 밀집도는 무벽건물과 가건물에 대한 밀집도가 높았으며, 그 주변 지역에는 아파트와 일반주택이 주로 분포되어 있는 것으로 분석되었다.

둘째, 통계정보에 대해 살펴보면 소득수준은 높은 지역에 속하였으며 여성, 어린이, 노약자의 밀집도 또한 상당히 높은 것으로 분석되었다.

셋째, 공공정보로 사용된 CCTV를 살펴보면 실험지역을 통해 추출된 경고지역과 위험지역은 모두 CCTV 감시 외 지역으로 분석되었다.

 

4. 결 론

본 연구에서는 공간정보, 통계정보 및 공공정보를 이용하여 격자망 기반의 범죄발생 취약지역을 추출하는 기법을 제안하였으며 다음과 같은 결론을 도출하였다.

공간정보, 통계정보, 공공정보를 이용하여 기존의 범죄관련 정보와는 달리 격자망 기반의 지도를 제공함으로써 좁은 지역에 대해 범죄발생 등급별로 상세한 정보를 제공할 수 있었다.

실험을 통하여 본 연구를 통해 추출된 범죄발생 취약지역과 국민생활안전지도를 비교한 결과 약 76.89%의 일치율을 나타내었다. 이를 통해 자료취득이 다소 용이한 정보를 이용하여 범죄발생 취약지역을 효율적으로 추출할 수 있었다.

본 연구에서 제안한 격자망 통계분석을 이용하여 범죄발생 취약지역 추출결과는 기존의 핫스팟 형태로 제공되고 있는 범죄관련 정보보다 등급별로 상세한 정보를 제공할 수 있으며, 행정업무 차원에서 등급별 통계자료를 용이하게 제공할 수 있을 것으로 판단된다.

본 연구에서는 사회적 약자를 대상으로 한 범죄 발생취약지역을 추출하기 위해서 공간정보, 통계정보, 공공정보를 이용하였으며 이에 대한 가중치들은 기존의 연구사례를 참고하여 수행하였으나 향후, 범죄유형별, 적용대상 지역별 특성을 고려하여 적합한 가중치를 산정하는 연구가 추가적으로 필요할 것으로 사료된다.

References

  1. Do, I. and Pyo, C. (2010), The developmental research for a model of CCTV system for city crime prevention with CPTED principle and GIS application, Korea CPTED Association, Vol. 1, No.1, pp. 85-102. (in Korean)
  2. Heo, S. (2013), A Study on Making Safe City Based on Spatial Analysis of Crime Occurrence and Fear of Crime, Ph. D. Dissertation, Gyeongsang National University, Jinju, Korea, 129p. (in Korean with English abstract)
  3. Jeong, K. (2010), The Spatio-temporal Patterns of Urban Crime and Its Influencing Factors Using Integrated Model of Spatial Crime Analysis, Ph. D. Dissertation, Gyeongsang National University, Jinju, Korea, 393p. (in Korean with English abstract)
  4. Kim, D. and Park, K. (2009), A probability modeling of the crime occurrence and risk probability map generation based on the urban spatial information, The Korea Society of Computer and Information, pp. 207-215. (in Korean with English abstract)
  5. Kim, E. (2014), Methodology of identifying crime vulnerable road and intersection using digital map version 2.0, Journal of The Korean Society for Geospatial Information System, Vol. 22, No. 4, pp. 135-142. (in Korean with English abstract) https://doi.org/10.7319/kogsis.2014.22.4.135
  6. Kim, G., Kang, H., and Lee, J. (2012), A Study on Safe City Management Strategy Based on Spatial and Temporal Simulation Analyses of Crime, Publication No. 2012-61, Korea Research Institute for Human Settlements, pp. 61-150. (in Korean)
  7. Korea Forest Service (2015), http://www.forest.go.kr (last date accessed: 3 March 2015).
  8. Ku, J. (2012), The Effect of the Urban Environmental Characteristics on the Fear of Crime, Master's thesis, University of Seoul, Seoul, Korea, 83p. (in Korean with English abstract)
  9. Lee, H. (2014), Analysis of the Effects of Streetscape in Urban Underdevelopment Region on the Female's Fear of Sexual Crimes, Master's thesis, Hanyang University, Seoul, Korea, 146p. (in Korean with English abstract)
  10. Lee, S. and Cho, J. (2006), The effects of spatial and environmental factors on crime victimization, The Seoul Institute, Vol. 7, No. 2, pp. 57-76. (in Korean with English abstract)
  11. Ministry of Land, Infrastructure, and Transport(MLIT) (2012a), Infrastructure and transport, Building Act, Article 19 (4).
  12. Ministry of Land, Infrastructure, and Transport(MLIT) (2012b), Infrastructure and transport, Building Act, Enforcement Decree, Article 14 (5).
  13. Ministry of Land, Infrastructure, and Transport(MLIT) (2015), National Spatial Information Clearinghouse, http://www.nsic.go.kr (last date accessed: 22 July 2015).
  14. Ministry of Public Safety and Security(MPSS) (2015), Korea Safety Map, http://www.safemap.go.kr (last date accessed: 22 July 2015).
  15. Oh, M. (2011), A Study on the Characteristics of Urban Environment Influencing Crimes, Master's thesis, Hongik University, Seoul, Korea, 67p. (in Korean with English abstract)
  16. Park, J., Choi, I., Kim, J., Kim, D., Jang, J., Park, H., Son, W., and Sin, Y. (2014), The development of crime risk assessment tool and its application in South Korea(II), Korean Institute of Criminology. (in Korean with English abstract)
  17. Park, Y., Lee, J., and Cho, M. (2012), Development of the Medium and Long-term Road Map for Smart Disaster Management Based on Intelligent CCTV, Report No. NDMI-ER-2012-03-01, National Disaster Management Institute, pp. 78-84. (in Korean)
  18. Statistics Korea (2015), http://kostat.go.kr (last date accessed: 19 July 2015).

Cited by

  1. Crime Mapping Based on Experts' and Residents' Assessments of Neighborhood Environment vol.35, pp.4, 2015, https://doi.org/10.7848/ksgpc.2017.35.4.213