It is not always greener on the other side: Greenery perception across demographics and personalities in multiple cities

이 논문은 전 세계 5 개국 1,000 명의 설문과 거리 영상 데이터를 분석하여 도시 녹지에 대한 주관적 인식과 객관적 측정치 간의 불일치를 규명하고, 인구통계학적·성격적 요인보다 거주 지역의 문화적·환경적 배경이 인식 차이를 설명하는 가장 중요한 요인임을 밝혔습니다.

핵심

이 논문은 **"다른 쪽의 풀이 더 푸르다고 생각하지만, 실제로는 그렇지 않을 수 있다"**는 속담을 도시의 녹지 (나무, 공원, 잔디 등) 에 대해 과학적으로 분석한 연구입니다.

연구진은 "사람들이 눈으로 보고 느끼는 '푸름'과, 컴퓨터가 계산한 '실제 나무의 양'이 얼마나 다를까?"를 5 개 나라, 1,000 명의 사람들을 대상으로 조사했습니다.

이 복잡한 연구 내용을 일상적인 언어와 비유로 쉽게 설명해 드릴게요.

---

🌳 핵심 주제: "눈에 보이는 푸름" vs "컴퓨터가 측정한 푸름"

상상해 보세요. 여러분이 거리를 걷고 있습니다.

• 컴퓨터 (객관적 측정): 카메라로 찍은 사진 속 초록색 픽셀을 세어 "여기 나무가 30% 있네"라고 계산합니다. (이를 녹색 뷰 지수, GVI라고 합니다.)
• 사람 (주관적 느낌): "와, 여기 정말 푸르네!"라고 감탄하거나, "나무는 있는데 왜 좀 삭막하지?"라고 느낍니다.

이 연구는 이 두 가지가 왜, 그리고 어떻게 다른지를 찾아낸 것입니다.

🔍 주요 발견 3 가지

1. "내 동네 기준"이 가장 중요해요 (가장 큰 변수)

연구에서 가장 놀라운 사실은 사람의 나이, 성별, 성격, 소득 수준은 푸름을 느끼는 데 거의 영향을 주지 않았다는 것입니다.

• 비유: 20 대나 60 대, 부자나 가난한 사람이나, 혹은 내성적인 사람이나 외향적인 사람이나, 같은 풍경을 보면 "푸름"을 느끼는 기준은 비슷합니다.
• 하지만! 어디에 사느냐가 가장 중요했습니다.
  • 비유: 싱가포르에 사는 사람은 "조금만 나무가 있어도" "아, 정말 푸르네!"라고 생각할 수 있지만, 미국 샌프란시스코에 사는 사람은 같은 풍경을 보고 "아직도 나무가 부족해"라고 생각할 수 있습니다.
  • 이유: 사람들은 자신이 사는 도시의 '평범한 풍경'을 기준으로 삼기 때문입니다. (예: 사막에 사는 사람은 작은 선인장도 보며 "푸르다"고 느끼지만, 숲에 사는 사람은 같은 선인장을 보고 "초록이 별로 없네"라고 느낄 수 있습니다.)

2. "나무가 얼마나 가까운가"보다 "어떻게 퍼져있는가"가 중요해요

많은 사람은 나무가 내 바로 옆에 있어야 푸르다고 생각할 것 같지만, 연구 결과는 달랐습니다.

• 비유: 나무가 내 바로 앞에만 쏠려 있는 것 (집중형) 보다는, 거리 전체에 골고루 퍼져 있는 것 (분산형) 이 훨씬 더 "푸르다"고 느껴집니다.
• 결론: 나무가 멀리 있어도 거리 전체에 골고루 퍼져 있으면, 사람들은 그 풍경을 훨씬 더 아름답고 푸르게 느낍니다. 즉, 나무의 '배치'가 '거리'보다 더 중요합니다.

3. 우리는 실제보다 더 푸르게 느낍니다 (과대평가 경향)

컴퓨터가 계산한 나무의 양보다, 사람들이 느끼는 푸름이 더 많았습니다.

• 비유: 컴퓨터는 "이곳은 초록색이 20% 야"라고 하지만, 사람은 "아, 여기는 정말 초록이 많네!"라고 느낍니다.
• 이유: 사람들은 단순히 나무만 보는 게 아니라, 하늘의 색깔, 건물의 느낌, 전체적인 분위기까지 합쳐서 "푸름"을 판단하기 때문입니다.

---

💡 이 연구가 우리에게 주는 교훈

이 연구는 도시 계획가들과 우리 모두에게 중요한 메시지를 줍니다.

1. 단순히 나무를 심는 것만으로는 부족합니다: 컴퓨터가 "나무가 많다"고 계산하더라도, 사람들이 "푸르다"고 느끼지 않으면 소용이 없습니다. 나무를 골고루 배치하는 것이 중요합니다.
2. 현지 주민의 목소리를 들어야 합니다: 전 세계의 데이터를 하나로 합쳐서 "이 도시는 푸르다"고 판단하면 안 됩니다. 그곳에 사는 주민들이 어떻게 느끼는지를 알아야 진정한 도시의 푸름을 평가할 수 있습니다.
3. 사람의 눈이 기준입니다: 도시를 설계할 때는 컴퓨터 수치 (GVI) 만 믿지 말고, 사람이 걷고 느낄 때의 경험을 더 중요하게 생각해야 합니다.

📝 한 줄 요약

"도시의 푸름은 컴퓨터가 계산한 나무의 양보다, 사람들이 사는 곳의 문화와 나무가 어떻게 퍼져 있는지에 따라 달라집니다. 그리고 우리는 실제보다 조금 더 푸르게 느끼는 경향이 있어요!"

이 연구는 우리가 더 행복하고 살기 좋은 도시를 만들기 위해, '숫자'보다 '사람의 느낌'에 더 귀 기울여야 함을 알려줍니다.

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

도시 녹지 (Greenery) 의 정량화와 평가는 기후 완화, 신체적/정신적 웰빙, 경제 발전에 필수적입니다. 기존 연구는 녹지를 평가하는 두 가지 주요 접근법을 사용합니다.

• 객관적 접근 (Objective): 위성 이미지, 항공 사진, 스트리트 뷰 이미지 (SVI) 를 기반으로 한 식생량 측정 (예: NDVI, GVI).
• 주관적 접근 (Subjective): 사람들의 인식을 설문조사 등을 통해 측정.

핵심 문제:
사람들이 느끼는 '녹지의 정도'와 실제 측정된 '식생량' 사이에는 종종 불일치가 존재합니다. 기존 연구들은 주로 단일 도시나 특정 인구집단에 국한되어 있었으며, 다양한 인구통계학적 배경 (인종, 성별, 성격 등) 과 지리적 위치가 녹지 인식에 미치는 영향을 포괄적으로 분석한 연구는 부족했습니다. 또한, 객관적 지표 (GVI) 와 주관적 인식 간의 관계를 설명하는 요인이 무엇인지에 대한 깊은 이해가 필요했습니다.

2. 연구 방법론 (Methodology)

이 연구는 SPECS (Street Perception Evaluation Considering Socioeconomics) 데이터셋을 활용하여 다중 도시 및 다인구집단 실험을 수행했습니다.

2.1. 데이터 수집

• 이미지: 칠레 (산티아고), 네덜란드 (암스테르담), 나이지리아 (아부자), 싱가포르, 미국 (샌프란시스코) 등 5 개 도시의 스트리트 뷰 이미지 400 장 (도시당 80 장).
• 참가자: 5 개 국가 (각국 200 명, 총 1,000 명) 의 참가자가 이미지 쌍 (Pairwise comparison) 을 평가.
• 정보: 참가자의 인구통계학적 정보 (성별, 연령, 소득, 거주지 등) 및 'Big Five' 성격 특성 (외향성, 친화성, 성실성, 신경증, 개방성) 수집.
• 평가 지표: "어느 곳이 더 푸르러 보이는가?"라는 질문에 대한 쌍별 비교 평가 (Pairwise ratings) 를 통해 녹지 인식 점수 (Q-score) 산출.

2.2. 객관적 지표 측정 (Objective Metrics)

• 녹지 뷰 인덱스 (GVI, Green View Index): 스트리트 뷰 이미지 내 식생 픽셀의 비율을 계산. 시맨틱 세그멘테이션 (Semantic Segmentation) 모델을 사용하여 식생과 지형 (잔디 등) 을 포함하여 정밀하게 측정.
• 녹지 분포 (Spatial Entropy): 이미지 내 식생이 얼마나 균일하게 분포되어 있는지를 샤논 엔트로피 (Shannon Entropy) 를 통해 정량화. (균일한 분포 vs 특정 지역 집중)
• 녹지 근접성 (Proximity): Depth Anything V2 모델을 활용하여 식생이 관찰자 (카메라) 에서 얼마나 떨어져 있는지 (깊이) 를 추정.

2.3. 분석 기법

• 상관관계 및 편향 분석: 피어슨 상관관계 (Pearson correlation) 와 Bland-Altman 플롯을 사용하여 객관적 GVI 값과 주관적 Q-score 간의 선형 관계 및 체계적 편향을 분석.
• 통계적 검정: 윌콕슨 부호 순위 검정 (Wilcoxon signed-rank test) 을 통해 두 측정치 간의 유의미한 차이를 확인.
• 예측 모델링: 녹지 인식 점수를 예측하기 위해 Random Forest 모델을 학습. 입력 변수로는 이미지 기반 특징 (GVI, 엔트로피, 하늘 뷰 인덱스 등) 과 참가자 특성 (인구통계, 성격, 거주지) 을 포함.
• 특성 중요도 분석: 다중공선성 (Multicollinearity) 을 고려한 조건부 순열 특성 중요도 (Conditional permutation feature importance) 분석을 수행.

3. 주요 기여 및 결과 (Key Contributions & Results)

3.1. 객관적 vs 주관적 녹지 측정의 불일치

• 중등도의 상관관계: 전 세계적으로 GVI 와 주관적 인식 점수 (Q-score) 사이에는 유의미하지만 중등도 (R ≈ 0.64) 의 상관관계가 존재함.
• 과대평가 경향: 사람들은 객관적으로 측정된 GVI 값보다 녹지를 더 많이 인식하는 경향이 있음 (주관적 점수가 GVI 보다 일관되게 높음). 이는 GVI 가 인간의 지각적 경험을 완전히 포착하지 못함을 시사.
• 지역별 차이: 싱가포르 이미지와 미국 참가자 간의 상관관계가 가장 낮았으며, 암스테르담 이미지와 칠레 참가자 간의 상관관계가 가장 높았음. 이는 문화적, 환경적 배경이 인식에 영향을 미침을 보여줌.

3.2. 인구통계 및 성격의 영향 (Demographics & Personalities)

• 인구통계학적 요인의 부재: 성별, 연령, 소득, 교육 수준, 인종/민족 등 대부분의 인구통계학적 요인은 녹지 인식에 유의미한 영향을 미치지 않음. 이는 녹지 인식 연구 결과가 전 세계적으로 일반화 (Generalizable) 될 수 있음을 시사.
• 성격의 영향: 'Big Five' 성격 특성 중 대부분은 영향이 없었으며, 친화성 (Agreeableness) 이 일부 특정 조합에서만 미미한 영향을 미쳤음.
• 가장 중요한 요인 - 거주지: 인구통계학적 요인 중 거주지 (City of residence) 만이 녹지 인식 차이를 설명하는 데 가장 중요한 변수로 작용함. 이는 사람들이 자신이 거주하는 도시의 녹지 기준 (Norm) 에 익숙해져 있어, 다른 도시의 녹지를 평가할 때 그 기준이 적용됨을 의미.

3.3. 공간적 배치의 중요성 (Spatial Arrangement)

• 분포 (Entropy) vs 근접성 (Proximity):
  • 분포: 녹지가 이미지 전체에 균일하게 분포되어 있을 때 (높은 공간 엔트로피), 사람들이 더 푸르다고 인식함. 특정 지역에 녹지가 집중된 경우보다 전반적인 분포가 인식에 더 큰 영향을 미침.
  • 근접성: 식생이 관찰자에게 얼마나 가까운지 (거리) 는 인식에 일관된 영향을 미치지 않음. 즉, 멀리 있더라도 잘 분포된 녹지는 가까이 있는 집중된 녹지보다 더 '푸르게' 인식될 수 있음.

3.4. 예측 모델 결과

• Random Forest 모델 분석 결과, 녹지 인식 점수를 예측하는 가장 강력한 변수는 GVI였으며, 그다음으로 **이미지 기반의 공간적 특징 (공간 엔트로피, 하늘 뷰 인덱스 등)**이 중요했습니다.
• 반면, 참가자의 인구통계학적 정보나 성격은 예측 모델에서 거의 기여도가 없었습니다.

4. 의의 및 결론 (Significance & Conclusion)

1. 인간 중심적 도시 설계의 필요성: 단순히 식생량 (GVI) 을 늘리는 것만으로는 인간의 녹지 인식을 최적화할 수 없습니다. **녹지의 공간적 배치 (분포)**가 양만큼이나 중요합니다.
2. 지역적 맥락의 중요성: 녹지 인식은 전 세계적으로 유사한 인구통계적 패턴을 보이지만, **거주지 (문화적, 환경적 경험)**에 따라 평가 기준이 달라집니다. 따라서 도시 계획 시 해당 지역 주민의 인식을 반영한 주관적 평가가 필수적이며, 글로벌 모델만으로는 부족합니다.
3. 방법론적 발전: 객관적 데이터 (SVI 기반 GVI) 와 대규모 주관적 설문 데이터를 결합하여, 인구통계학적 편견 없이 녹지 인식의 본질을 규명한 최초의 다도시 연구 중 하나입니다.
4. 실무적 시사점: 도시 계획자는 녹지 공간을 설계할 때 '양 (Quantity)'보다 '배치 (Arrangement)'와 '분포 (Distribution)'에 더 중점을 두어야 하며, 지역 주민의 경험적 기준을 고려한 맞춤형 녹지 전략이 필요함을 강조합니다.

이 연구는 "녹지가 많은 곳이 항상 더 푸르게 느껴지는 것은 아니다"라는 제목처럼, 객관적 측정치와 인간의 지각 사이의 간극을 다양한 차원에서 규명하고, 보다 인간 중심적인 도시 녹지 설계 방향을 제시했다는 점에서 의의가 큽니다.