Modeling Functional Urban Centrality via Graph Attention Networks and Multi-Source Spatial Data Fusion

도시는 오랫동안 그 물리적 형태를 통해 이해되어 왔습니다. 계획가들과 지리학자들은 전통적으로 한 동네에 얼마나 많은 사람이 사는지, 건물의 높이는 얼마인지, 그리고 지도의 도로망이 어떻게 배치되어 있는지를 살펴보았습니다. 그들은 어떤 장소가 밀집되어 있고 북적거리면 그곳이 활동의 중심지라고 가정했습니다. 하지만 현대 사회에서 이러한 방식으로 도시를 바라보는 것은 종-종 본질을 놓치기 쉽습니다. 어떤 동네는 집과 사람들이 가득 차 있음에도 불구하고, 도로가 그곳으로 이어지지 않거나 일자리와 상점이 다른 곳에 있기 때문에 도시의 나머지 부분으로부터 단절되어 텅 빈 것처럼 느껴질 수 있습니다. 반대로, 거주자 수는 적더라도 교통 경로와 서비스의 완벽한 교차점에 위치하여 활기가 넘치는 곳도 있습니다. 도시가 어떻게 보이는가와 실제로 어떻게 기능하는가 사이의 이러한 간극은 연구자들이 해결하고자 하는 수수께끼입니다. 그들은 정적인 지도에서 벗어나, 단순히 물리적 외형이 아니라 사람, 물자, 서비스의 실제 흐름을 바탕으로 한 장소의 중요성을 측정하는 '기능적 중심성(functional centrality)'을 이해하려 노력하고 있습니다.

이 과제를 해결하기 위해 모로코와 스위스 출신의 연구진은 새로운 종류의 디지털 도구에 주목했습니다. 그들은 약 300만 명의 인구가 거주하는 광활한 대도시 회랑인 라바트-살레-케니트라(Rabat–Salé–Kénitra) 지역에 집중했습니다. 이 지역은 역사적 중심지, 계획된 비즈니스 지구, 밀집된 노동자 계층의 동네가 복잡하게 섞여 있어 완벽한 테스트 베드가 되었습니다. 연구진은 도시를 고립된 블록의 집합체가 아니라, 사람들이 실제로 운전하고 걷는 도로에 의해 모든 부분이 서로 연결된 살아있는 네트워크로 보는 모델을 구축하고자 했습니다.

표준적인 지도 대신, 연구팀은 전체 지역을 벌집과 유사한 아주 작은 육각형 격자로 나누었습니다. 각 육각형은 하나의 데이터 포인트가 되어, 해당 지면에 대한 풍부한 정보를 담게 되었습니다. 그들은 컴퓨터에 방대한 양의 다양한 데이터를 입력했습니다: 지면의 열기와 녹지 면적을 보여주는 위성 이미지, 상점과 사무실의 위치 기록, 인구수, 그리고 경제 활동의 대리 지표 역할을 하는 밤의 도시 불빛까지 포함되었습니다. 결정적으로, 그들은 실제 도로망을 매핑하여 단순히 직선거리를 측정하는 것이 아니라 두 지점 사이를 이동하는 데 걸리는 시간을 계산했습니다.

그들 작업의 핵심은 '그래프 어텐션 네트워크 오토인코더(Graph Attention Network Autoencoder)'라는 특수 컴퓨터 프로그램이었습니다. 이 이름은 기술적으로 들리지만, 그 기능은 간단합니다. 어떤 동네를 보고 "당신의 이웃은 누구이며, 그들은 얼마나 중요한가?"라고 묻는 시스템을 상상해 보십시오. 모든 동네를 독립된 섬처럼 취급했던 기존 방식과 달리, 이 시스템은 도로를 통해 얼마나 잘 연결되어 있는지에 따라 주변 지역의 영향력을 가중하여 학습했습니다. 이 프로그램은 물리적으로는 가깝지만 교통 상황이나 도로 구조 때문에 접근하기 어려운 지역에 특별히 주의를 기울였으며, 건물이 적더라도 중요한 교통 경로에 위치해 있다면 주요 허브가 될 수 있음을 인식했습니다. 프로그램은 이 모든 정보를 처리하여, 도시의 단순한 물리적 밀도가 아닌 도시의 진정한 '기능적 심박수'를 보여주는 새로운 종류의 지도를 만들어냈습니다 속.

연구진이 자신들의 새로운 지도와 더 단순한 기존 방식들을 비교했을 때, 그 차이는 놀라웠습니다. 기본적인 통계에 의존하는 전통적인 방식은 가장 명백하고 밀집된 도시 중심지만을 보는 경향이 있었습니다. 그들은 교통 노선이나 특정 서비스를 따라 형성된 미묘한 이차적 허브들을 놓쳤습니다. 그러나 새로운 모델은 훨씬 더 미묘한 그림을 드러냈습니다. 모델은 물리적으로는 밀집되어 있지만 기능적으로는 고립된 지역, 예를 들어 도로가 도시 전체와 잘 연결되지 않는 미로 같은 길을 가진 오래된 노동자 계층 지역을 성공적으로 식별해 냈습니다. 또한, 지도상으로는 조용해 보이지만 교통과 서비스를 받기에 완벽한 위치에 있어 실제로 중요한 경제 엔진 역할을 하는 지역들도 찾아냈습니다.

결과가 단순히 컴퓨터가 만들어낸 허상이 아님을 확인하기 위해, 연구팀은 실제 현실의 증거와 결과를 대조했습니다. 그들은 모델이 생성한 각 동네의 '기능 점수'를 해당 지역의 실제 토지 및 부동산 가격과 비교했습니다. 결과는 명확한 연관성을 보여주었습니다: 모델이 기능성이 높고 연결성이 좋다고 식별한 장소들은 더 높은 지가를 형성하고 있었습니다. 이는 모델이 도시의 경제적 활력에 관한 실질적인 무언가를 포착하고 있음을 확인시켜 주었습니다. 즉, 한 장소의 가치는 그곳에 얼마나 많은 사람이 사는가보다, 사람들이 그곳에 얼마나 쉽게 도달할 수 있고 도착해서 무엇을 할 수 있는가에 의해 결정된다는 것을 입증했습니다.

이 연구는 또한 도시 자체의 역사에 대한 더 깊은 통찰을 제공했습니다. 연구진은 새로운 지도를 지역의 알려진 도시 계획 역사와 겹쳐 봄으로써, 과거의 결정들이 현재를 어떻게 형성했는지 볼 수 있었습니다. 그들은 가장 활기차고 연결된 지역들이 주로 새로운 트램 노선이나 고속철도역과 같은 주요 인프라 프로젝트의 혜택을 받은 곳들이라는 점을 발견했습니다. 반면, 가장 인구 밀도가 높은 지역 중 일부는 사람들이 밀집해 살면서도 도로 부족으로 인해 도시의 주요 흐름으로부터 차단된 '엔클레이브(enclaves, 고립된 구역)'임이 드러났습니다. 통합보다는 속도에 치중했던 중세의 주택 프로그램의 결과인 이러한 지역들은 모델의 지도에서 고립된 섬처럼 나타났으며, 이는 기존 방식이 감지하지 못했던 구조적 불평등을 부각했습니다.

궁극적으로, 이 연구는 도시를 이해하기 위해서는 단순히 건물을 세거나 거리를 측정하는 것 이상의 것이 필요하다는 점을 보여줍니다. 그것은 한 장소를 하나로 묶어주는 보이지 않는 연결의 웹을 이해하는 것을 요구합니다. 위성 데이터, 거리 네트워크, 인간의 활동을 융합하기 위해 고급 컴퓨터 학습을 사용함으로써, 연구진은 전례 없는 명확성으로 도시의 건강 상태를 진단할 수 있는 도구를 만들었습니다. 이는 도시의 진정한 중심이 항상 가장 높은 건물이 서 있는 곳이 아니라, 삶의 흐름이 모이는 곳임을 보여줍니다. 이 접근 방식은 계획가들이 도시가 어디에서 주민들을 실망시키고 있는지, 그리고 도로와 교통에 대한 새로운 투자가 소외된 지역의 잠재력을 어떻게 끌어올릴 수 있는지를 파악할 수 있는 강력한 방법을 제시합니다.