Estimating Residential Displacement in the Central Puget Sound Region using Household Survey Data

이 논문은 3 가지 가구 조사 데이터를 활용하여 베이즈 시공간 모델과 포스트스트라티피케이션 기법을 적용해 센트럴 푸지트 사운드 지역의 하위 군 단위 주거 이주 추정치를 산출하고, 이를 통해 지역별 이주율 차이와 2020-2021 년 cohort 의 일시적 완화 경향을 규명했습니다.

핵심

1. 문제: "어두운 방에서 그림자 찾기"

상황:
시애틀과 인근 지역에서는 집값이 너무 비싸져서 많은 사람들이 집을 떠나야 했습니다. 하지만 정책 입안자들은 "정확히 어느 동네에서, 얼마나 많은 사람이 쫓겨났는지"를 알 수 없었습니다.

• 왜 어려웠을까요?
  • 국세청 (ACS) 데이터: 인구 통계는 잘 알려주지만, "왜 집을 떠났나요?"라는 질문은 없습니다. (누가 떠났는지는 알지만, 이유를 모름)
  • 주택 조사 (AHS): "왜 떠났나요?"를 물어보지만, 지역별 상세 데이터는 없습니다. (이유는 알지만, 구체적인 동네별 숫자는 모름)
  • 교통 조사 (HTS): 지역별 상세 데이터는 있지만, 조사에 참여한 사람이 너무 적어 통계적으로 믿을 만한 숫자를 내기엔 부족했습니다. (데이터는 많지만 샘플이 너무 적음)

비유:
마치 어두운 방에서 그림자를 보고 사물을 추측하는 것과 같습니다. 우리는 사물의 전체적인 윤곽 (전체 인구) 은 알지만, 어떤 사물이 왜 그 자리에 있는지 (이유) 는 모르고, 또 어떤 사물은 너무 작아서 (샘플 부족) 잘 보이지도 않습니다.

---

2. 해결책: "세 개의 다리가 있는 의자" (MRP 방법론)

저자들은 이 세 가지 서로 다른 데이터를 하나로 합쳐서 완벽한 그림을 그렸습니다. 이를 위해 **'다층 회귀와 사후 층화 (MRP)'**라는 통계 기법을 사용했는데, 이를 쉽게 비유하자면 다음과 같습니다.

비유: "완벽한 의자 만들기"
이 연구는 세 개의 다리가 있는 의자를 만드는 과정과 같습니다.

1. 첫 번째 다리 (HTS - 교통 조사): "왜 집을 떠났나요?"라는 질문을 던진 유일한 자료입니다. 하지만 다리가 너무 가늘고 짧습니다 (샘플 부족).
2. 두 번째 다리 (ACS - 인구 조사): 이 지역의 사람들이 어떻게 살고 있는지에 대한 방대한 데이터입니다. 다리는 튼튼하지만, "왜 떠났는지"에 대한 질문은 없습니다.
3. 세 번째 다리 (AHS - 주택 조사): "왜 떠났는지"에 대한 정확한 기준을 제공합니다. 하지만 지역별 세부 사항은 부족합니다.

작동 원리:
저자들은 이 세 다리를 하나로 묶어 튼튼한 의자를 만들었습니다.

• 먼저, HTS 의 작은 데이터를 바탕으로 "어떤 특징 (저소득, 세입자 등) 을 가진 사람이 집을 떠날 확률이 높은가"를 계산합니다. (Bayesian 모델)
• 그 다음, ACS 의 거대한 인구 데이터를 이용해 "실제로 이 동네에 그런 특징을 가진 사람이 얼마나 사는가"를 계산합니다.
• 마지막으로, AHS 의 전체적인 기준을 맞춰서 "우리 계산이 너무 빗나가지 않았는지"를 교정합니다. (Benchmarking)

이 과정을 통해 각 작은 동네 (PUMA) 마다 "거기서 집을 쫓겨난 사람이 몇 % 인가"를 추정해 낼 수 있게 되었습니다.

---

3. 발견한 사실: "지도 위의 색깔과 숨겨진 이야기"

이 방법으로 만든 지도를 보니 흥미로운 점들이 드러났습니다.

• 동서/남북의 차이:

  • 서쪽 (도시 중심부): 집값이 비싸고 고소득 직종이 많아, 쫓겨나는 사람이 훨씬 많습니다. (녹색이 진한 지역)
  • 동쪽 (교외/시골): 상대적으로 쫓겨나는 비율이 낮습니다.
  • 시애틀 남쪽: 시애틀市中心에서 밀려난 사람들이 남쪽으로 이동하며 쫓겨나는 현상이 계속되고 있습니다.

• 팬데믹의 역설 (2020-2021 년):

  • 코로나 팬데믹 기간에는 쫓겨나는 비율이 잠시 줄었습니다.
  • 이유는 무엇일까요?
    1. 정부의 퇴거 금지 명령과 소득 지원 정책이 효과를 봤을 수도 있습니다.
    2. 혹은, 부유한 사람들이 집값이 떨어지거나 시장이 약해진 틈을 타서 더 좋은 집으로 이동하면서, 상대적으로 쫓겨나는 비율이 낮아 보였을 수도 있습니다.
    3. 아니면, 사람들이 혼란스러운 시기에 이사를 미루거나 피하려 했을 수도 있습니다.

• 누가 가장 위험한가?

  • 세입자: 집을 소유한 사람보다 쫓겨날 확률이 약 2 배 이상 높습니다.
  • 저소득층: 소득이 낮을수록 쫓겨날 위험이 커집니다.
  • 대가족: 1 인 가구나 부부보다 자녀가 많은 가족이 더 위험합니다.
  • 차량: 차가 2 대 이상 있는 가구는 오히려 쫓겨날 확률이 낮습니다 (경제적 여유의 지표).

---

결론: "나침반을 만든다"

이 연구의 가장 큰 성과는 **"우리가 어디에 문제가 있는지 정확히 볼 수 있는 나침반"**을 만들었다는 점입니다.

과거에는 "어느 동네가 gentrification(부유화) 을 겪고 있나?"만 추측할 수 있었지만, 이제는 **"어느 동네의 어떤 사람이, 왜, 얼마나 집을 잃었는지"**를 구체적인 숫자로 보여줍니다.

이 나침반을 통해 시와 주 정부는:

• 가장 도움이 필요한 동네를 찾아낼 수 있고,
• 정책 (예: 임대료 통제, 주거 지원) 이 실제로 효과가 있는지 모니터링할 수 있게 되었습니다.

한 줄 요약:

"서로 다른 세 가지 데이터를 하나로 섞어, 어떤 동네에서 누가 집을 잃고 쫓겨나는지를 정확히 보여주는 지도를 만들었으며, 이를 통해 정책 입안자들이 더 나은 집을 위한 도움을 줄 수 있게 되었습니다."

기술 요약

이 논문은 2016 년부터 2023 년까지 워싱턴주 센트럴 푸지트 사운드 (Central Puget Sound) 지역의 주거 이주 (displacement) 비율을 공공 사용 마이크로데이터 지역 (PUMA) 단위로 추정하기 위한 새로운 통계적 방법론을 제안하고 있습니다. 저자들은 세 가지 서로 다른 가구 조사 데이터를 통합하여, 기존 데이터의 한계를 극복하고 고해상도의 이주 위험 지도를 생성했습니다.

다음은 논문의 기술적 요약입니다.

1. 문제 정의 (Problem)

• 주거 불안정성: 미국 전역에서 주거 불안정성이 심각한 문제로 대두되고 있으며, 특히 저소득층은 임대료 상승, 강제 퇴거, 재개발 등으로 인해 거주지에서 쫓겨나는 '주거 이주 (Residential Displacement)'를 경험합니다.
• 측정의 어려움: 주거 이주는 정의를 내리는 것부터 측정에 이르기까지 복잡합니다. 미국 인구조사국 (Census Bureau) 의 주요 데이터인 미국 지역사회 조사 (ACS) 는 거주 이동 여부를 알 수 있지만, 이동의 '이유' (강제성 여부) 에 대한 직접적인 정보를 제공하지 않습니다.
• 데이터의 한계:
  • 미국 주택 조사 (AHS): 이주 이유를 묻지만, 지역별 (시/군 단위) 세부 데이터가 부족하여 광역 통계만 제공합니다.
  • 지역별 조사 (HTS): 푸지트 사운드 지역 주택 이동 조사 (Household Travel Survey) 는 상세한 이동 이유와 지리적 위치 (PUMA 단위) 를 포함하지만, 표본 크기가 작아 PUMA 단위에서 직접적인 추정을 수행하기에는 통계적 신뢰도가 낮습니다.
• 목표: 지역 정책 입안자들이 구체적인 개입이 필요한 지역을 파악할 수 있도록, PUMA 단위별 주거 이주 비율을 추정하고 불확실성을 정량화하는 것입니다.

2. 방법론 (Methodology)

저자들은 다층 회귀 및 사후 층화 (Multilevel Regression with Poststratification, MRP) 기법을 기반으로 한 3 단계 Bayesian 접근법을 제안했습니다.

A. 데이터 소스 통합

세 가지 상보적인 데이터를 활용합니다:

1. HTS (Household Travel Survey): 이주 이유 (임대료, 강제 퇴거 등) 와 인구통계학적 변수를 제공하지만 표본이 적음.
2. ACS (American Community Survey): PUMA 단위별 인구 구성 (소득, 인종, 가구 크기 등) 의 정확한 분포를 제공하여 사후 층화 (Poststratification) 에 사용.
3. AHS (American Housing Survey): 센트럴 푸지트 사운드 지역 전체의 이주 비율에 대한 고품질 벤치마크 데이터로 사용.

B. 3 단계 추정 프로세스

1. 시공간 로지스틱 회귀 모델링 (Bayesian Spatiotemporal Model):

   • HTS 데이터를 기반으로 이주자의 이주 확률 ($p_i$) 을 모델링합니다.
   • 고정 효과 (Fixed Effects): 가구 크기, 소득, 차량 수, 자녀 유무, 소유 여부, 인종 등 6 가지 변수.
   • 무작위 효과 (Random Effects):
     • 시간적 효과 (Temporal): 이동 코호트 (2 년 단위) 간의 연속성을 위해 1 차 랜덤 워크 (RW1) 사용.
     • 공간적 효과 (Spatial): PUMA 간의 공간적 상관관계를 포착하기 위해 BYM2 (Besag, York and Mollié) 모델을 사용 (인접 지역 간 정보 공유 및 PUMA 고유의 비구조적 이질성 포함).
     • 조사 효과 (Survey): HTS 조사 파동별 편향을 보정.
   • 수식: $\text{logit}(p_i) = \beta_0 + X_i^\top \beta + \alpha_{t[i]} + \omega_{s[i], t[i]} + \gamma_{w[i]}$

2. 사후 층화 (Poststratification):

   • 모델에서 추정된 각 하위 집단 (Cell) 의 이주 확률을 ACS 의 PUMA 단위 인구 가중치와 결합합니다.
   • 이를 통해 HTS 의 표본 편향을 보정하고, 각 PUMA 의 실제 인구 구성에 부합하는 이주 비율을 추정합니다.

3. 벤치마킹 (Benchmarking):

   • MRP 로 추정된 PUMA 단위 합계가 AHS 에서 제공하는 지역 전체 이주 비율과 일치하도록 조정합니다.
   • Zhang and Bryant (2020) 및 Okonek and Wakefield (2024) 의 베이지안 벤치마킹 기법을 적용하여, AHS 추정치와 크게 편차하는 MRP 표본을 필터링 (Rejection Sampling) 하여 일관성을 확보합니다.

C. 모델 검증

• Leave-one-area-out 교차 검증: 각 PUMA 를 하나씩 제외하고 모델을 재적합하여 예측 오차 (MSE) 와 신뢰구간 커버리지 (Coverage) 를 평가했습니다.
• 제안된 모델 (시공간 무작위 효과 포함) 이 다른 단순 모델 (공변량만, 시간 효과만 등) 보다 가장 낮은 MSE 와 잘 보정된 커버리지를 보였습니다.

3. 주요 결과 (Key Results)

• 지리적 패턴:
  • 동 - 서 경사 (East-West Gradient): 도시화된 서부 (시애틀 중심부) 에서 이주율이 높고, 교외/농촌인 동부로 갈수록 낮아지는 명확한 패턴이 관찰되었습니다.
  • 킹 카운티 (King County): 시애틀 남부에서 카운티 남쪽 국경까지 이주율이 특히 높게 나타났으며, 이는 도심에서 남부 지역으로의 이주 흐름과 일치합니다.
• 시간적 변화 (2020-2021 코호트):
  • 팬데믹 기간 (2020-2021 년) 에는 이주율이 일시적으로 감소하거나 평탄화되었습니다. 이는 임대차 금지령 (eviction moratorium) 과 소득 지원 정책의 효과, 혹은 팬데믹 불확실성으로 인한 이동 위축 때문으로 추정됩니다.
• 위험 요인 (Covariate Estimates):
  • 소유권: 임대인 (Renters) 은 소유자 (Owners) 에 비해 이주 위험이 약 2.17 배 높습니다.
  • 소득: 소득이 낮을수록 이주 위험이 증가합니다.
  • 가구 크기: 3 인 이상 가구는 1 인 또는 2 인 가구보다 위험이 높습니다.
  • 차량: 차량이 2 대 이상인 가구는 이주 위험이 상대적으로 낮습니다.
  • 인종: 다른 변수를 통제한 후 인종 변수의 영향력은 제한적이었으나, '기타 (Other)' 범주는 유의미한 위험을 보였습니다.
• 불확실성: 2018-2019 년과 2022-2023 년 코호트에서 신뢰구간이 넓어 불확실성이 높았으며, 이는 표본 수 부족과 팬데믹 이후의 이동 패턴 변화 때문으로 분석되었습니다.

4. 주요 기여 (Key Contributions)

1. 데이터 통합의 혁신: 주거 이주 연구에 세 가지 서로 다른 데이터 소스 (HTS, ACS, AHS) 를 통합한 최초의 시도 중 하나로, 지역별 정밀도와 전체적 일관성을 동시에 확보했습니다.
2. 고해상도 추정: 기존 AHS 의 광역 통계 한계를 극복하고, PUMA 단위 (약 10 만 명 기준) 로 세분화된 이주 지도를 제공했습니다.
3. 방법론의 확장성: 이 방법론은 센트럴 푸지트 사운드 지역뿐만 아니라, 유사한 데이터 구조 (지역 조사 + ACS + AHS) 를 가진 다른 대도시 지역 (예: 디트로이트 등) 으로도 적용 가능합니다.
4. 공공 데이터 접근성: 모든 분석 코드와 추정 결과는 GitHub 을 통해 공개되어 정책 입안자와 연구자들이 재현 및 추가 분석을 할 수 있도록 했습니다.

5. 의의 및 의의 (Significance)

• 정책적 함의: 이 연구는 단순한 위험 지수 (Risk Index) 가 아닌, 실제 이주 경험을 기반으로 한 직접적인 측정을 제공합니다. 이를 통해 정책 입안자들은 gentrification(젠트리피케이션) 이 일어나지 않는 지역에서도 발생할 수 있는 주거 이주를 식별하고, 취약 계층을 위한 맞춤형 지원 (임대료 보조, 퇴거 방지 프로그램 등) 을 설계할 수 있습니다.
• 지속 가능한 모니터링: 이 방법론은 향후 정기적인 조사를 통해 주거 이주 추이를 지속적으로 모니터링하는 체계의 기초를 마련했습니다.
• 한계와 향후 과제: 표본 크기의 한계로 인해 더 작은 단위 (Census Tract) 로의 확장은 불확실성이 커질 수 있으며, '이주 이유'에 대한 정의 (예: 사회적 압력에 의한 이주 등) 를 더 세분화할 필요가 있음을 지적했습니다.

결론적으로, 이 논문은 데이터 부족과 표본 크기 제한이라는 통계적 난제를 Bayesian MRP 와 벤치마킹 기법으로 해결하여, 주거 이주라는 복잡한 사회 문제를 정량화하고 정책적 개입을 위한 과학적 근거를 제시한 중요한 연구입니다.