저작자표시-비영리-변경금지 2.0 대한민국 이용자는 ... - S-Space

(1)

저작자표시-비영리-변경금지 2.0 대한민국 이용자는 아래의 조건을 따르는 경우에 한하여 자유롭게

l 이 저작물을 복제, 배포, 전송, 전시, 공연 및 방송할 수 있습니다. 다음과 같은 조건을 따라야 합니다:

l 귀하는, 이 저작물의 재이용이나 배포의 경우, 이 저작물에 적용된 이용허락조건 을 명확하게 나타내어야 합니다.

저작권법에 따른 이용자의 권리는 위의 내용에 의하여 영향을 받지 않습니다. 이것은 이용허락규약(Legal Code)을 이해하기 쉽게 요약한 것입니다.

Disclaimer

저작자표시. 귀하는 원저작자를 표시하여야 합니다.

비영리. 귀하는 이 저작물을 영리 목적으로 이용할 수 없습니다.

변경금지. 귀하는 이 저작물을 개작, 변형 또는 가공할 수 없습니다.

(2)

(3)

(4)

초록

지역 특성에 따른 죄종별 범죄 발생율의 차이에 관한 연구는 지속적으로 이루어져 왔다. 하지만 지역 특성에 따른 특정 죄종 사건의 범죄 유형을 심 층 분석하는 연구는상대적으로 덜진행되었다.본 논문에서는침입절도를 주 분석 대상으로하여 도시지역인지 여부에따라 그범죄 유형이 유의미하게차 이가 있는지를 확인했다.침입절도의범죄 유형은 과거사건기록상의 피해품, 침입대상, 침입대상 성질, 침입수단 등의 수법 항목으로 파악했다. 도시지역 및 비도시지역 침입절도 범죄 유형의 분포를 강명종 외(2019)의 유사도 정의 알고리즘을 이용하여 피의자의 특성을 고려한 범죄 유형 간 의미적 구조를 나타내는 비유사도 행렬의 형태로 요약하고, 몬테카를로 시뮬레이션을 이용 하여 이 두 지역의 범죄 유형간 비유사도 행렬이 유의미하게 다르다는 것을 통계적으로 확인했다.

주제어 : 침입절도, 범죄 유형 분석, 유사도, 몬테카를로 시뮬레이션, 범죄 분 석 방법론

Student Number : 2017-22173

(5)

Chapter 1 서론

지역 특성에 따라 죄종별 범죄 발생률을 비교하는 연구는 다양한 논문에 서 찾을 수 있다. 예를 들어 허준·이유나(2012)에서는 광역도시의 종류 및 인구밀도, 실업률과 같은 지역 특성에 따라 범죄율이 유의미하게 다른지 통 계학적으로 검증한 바 있다. 또, 이현희(1994)에서는 폭력범죄 및 절도범죄의 서울특별시 각 구 별 발생 건수 분포를 살펴봄으로써 유흥업소수, 5년 이상 거주 가구수 등과 같은 지역 특성이 범죄 발생률에 미치는 영향을 조사한 바 있다. 하지만 단순한 범죄의 양이 아닌 범죄의 성격과 지역 특성간의 관계를 심층적으로 살펴본 연구는드물다. 여기서범죄의성격이란 각사건을 특징짓 는 피의자, 시간, 장소, 피해대상,수법등의 핵심 요소를 말한다. 이런 연구의 일례로 고준호(2001)에서는 도심 지역 내의 범죄 발생장소에 따라 피의자의 연령대가 달라짐을 확인한 바 있다.

본연구에서는지역특성에따라각죄종별 범죄의발생량이아닌특정 죄종 범죄의 성격이 질적으로 달라지는지를 확인하고자 한다. 좀 더 구체적으로는 침입절도 범죄의 성격이 도시지역인지 비도시지역인지에 따라 달라지는지를

(7)

살펴볼 것이다.

도시 지역에서 일어나는 소위 도시 범죄를 중점적으로 분석하는 연구는 비교적 많이 이루어진 편이다. 이러한 배경에는 급격한 도시화 및 도시 규 모의 성장에 따라 도시 범죄의 발생량도 증가한 점이 있을 것이라 추측된다.

이런 연구의 예로, 김동근 외(2007)에서는 서울 내 각 구의 용적률 및 용도

(주거지역, 상업지역, 공업지역 등의 분류)와 각 범죄의 죄종별 발생률을 연

관 지어 분석하였으며, 조창희(2000)에서는 대한민국 전체 및 청주시의 도 시화, 인구변화와 범죄의 죄종별 발생율의 연도별 추이를 분석하였다. 한편 Wells&Weisheit(2004)에서는 미국의 각 군(county)을 포함하는 최대 지방자 치체 인구수를 기준으로 분류하고 각 분류별로 범죄 발생률과 도시의 특성을 나타내는 지표의 연관관계를분석했다. 이와같이도시 범죄와비도시 범죄의 경향을 비교하는 연구도이루어졌다. 그러나이러한연구들은 도시및 도시화 를 나타내는변수들과특정 죄종혹은 포괄적인범주의 범죄의발생률을분석

대상으로 삼고 있고, 특정 죄종의 범죄의 특성을 심층적으로 비교 분석하는 것이 목적이아니므로본 연구에서다루게 될내용과 직접적으로연관 짓기는 어렵다.

Wirth(1938)에서는 사회학적인 측면에서 도시가 근본적이고 보편적으로

가지는 특징으로써 전구성원들이 서로알고 지내기어려울 정도로많은구성 원 수,심한경쟁과 분화가 요구될정도로높은 밀도,다양한특성의 구성원이 한 장소에서 살아가면서 생기는 이질성 등을 들었다. 기존 연구에서 도시의 환경적 요소와범죄 발생률을 연관지었듯 도시의많은 구성원수와높은 인구 밀도는 범죄 발생 기회를 양적으로 높일 가능성이 있으나, 도시의 모든 구성 원이 서로 알고 지내지 못한다는 점 및 구성원의 높은 이질성과 같은 비도시 지역과 차별화 되는 특성은 범죄 발생에 취약한 조건을 질적으로도 변화시킬 여지가 있다.본 연구는 이런현상이 실질적으로 존재하는지여부를 데이터를

(8)

통해 검증하고 있다고 할 수 있다.

본 연구에서는 피의자의 특성을 동시에 고려하여 분석을 진행하고자, 각 수법 항목들의 빈도를 직접 비교하지 않고 강명종 등(2019)에서 새로 제안된 유사도 정의 알고리즘을 도입하여 사건의 특성을 나타내는 수법 항목들 간의 비유사도 행렬을 비교하는 방식을 사용했다.

이 유사도 측정 알고리즘은 사건 별로 시간, 장소, 각 수법 이용 여부 등의 수법항목을전처리를통해미리결정한뒤,각수법항목분류 범주내의수법 항목 간 유사도를 각 피의자 그룹별 해당 수법 항목의 발생 빈도를 이용하여 정의한다.이후두사건의수법항목간유사도에범주별가중치를적용한가중 합으로두사건 간유사도를정의한다.이알고리즘은각수법항목의문서내의 발생 빈도 대신 유사한 특성을 가진 각 피의자 그룹 내 수법 항목의 발생 빈 도를 정보로 이용함으로써 피의자의 특성을 유사도에 반영함과 동시에 중요 단어가 반복되지 않는 간결한 범죄 보고서의 형식에 잘 부합하는 방법이다.

이 알고리즘의 부산물로써 수법 항목 간 비유사도 행렬을 얻게 되는데, 이 행렬은 사건전체 자료를 이용하여정의된 각수법 항목의 유사성을 나타내므 로 사건 전체의 수법 항목 분포의 경향과 그 의미를 반영하여 요약하는 통계 량으로 해석할 수 있다. 본 연구에서는 이 해석을 기반으로 비유사도 행렬을 비교함으로써 수법 항목의 단순 빈도 비교보다 유의미한 비교를 시도하였다.

특정 죄종의 범죄의 특성을 심층적으로 분석하는 것은 범죄 발생률을 줄 이는 큰규모의정책을 수립하는입장에서는직접적으로 도움이 되지않으나, 자주 일어나는 범죄를 유형화해서 새로운 범죄에 대처하는 상황에서는 기여 할 수 있다. 예를 들어 도시지역 침입절도 범죄와 비도시지역 침입절도 범죄 의 특성이 유의미하게 다르다는 것이 밝혀지면, 도시지역의 침입절도 사건과 비도시지역의 침입절도 사건은 그 단서의 유사점이 있더라도 다른 유형으로 분류해야 한다는 것을 의미한다. 이러한 점이 범죄발생률을 중점적으로 분석

(9)

하는 기존 연구들과의 차별점이라 할 수 있다.

(10)

Chapter 2 시뮬레이션 설계

도시 지역에서 일어난침입절도 사건과 비도시지역에서일어난 침입절도 사건 간에유의미한 범죄유형 차이가있는지 확인하기위해 여러가지 척도와 통계적 방법이 고려되었다. 실제 설계에는 사용할 침입절도 범죄사건 자료, 도시 지역과 비도시 지역의 정의, 비유사도 행렬 계산 알고리즘, 비유사도 행 렬의 차이를 재는 척도, 비유사도 행렬 간 차이 척도의 몬테카를로 검정 등이 고려되었다.

2.1 자료 설명

본연구에서는2011∼2015년에발생한과거침입절도의수사결과보고서를 전처리한 자료를 분석에 사용하였다. 이 자료는 강명종 등(2019)에서 유사도 방법론을 적용했던 자료와동일한 방식으로 처리된자료이다. 이 자료는 치안 과학기술연구개발과제에서사용하던경찰청내부의 자료이며,연구목적으로 허가를받아분석에사용되었다.단,사회적인민감성등을고려하여그내용이

(11)

나구체적인분류항목,분류기준등을공개할수없도록자료사용이제한되어 있다. 그러므로 이 논문에서는 이런 구체적인 내용의 공개를 제한하고, 학술 적인 결과까지만 공개한다.

각 침입절도 사건은 전처리를 통해 수법 항목이라는 분류 기준으로 완전 히 분류되며, 이를 각 사건의 특성을 나타내는 요인으로 간주하게 된다. 각 수법 항목은 상위의 수법 항목 분류 중 하나에 속한다. 본 연구에서는 침입절 도 사건에 대해 정의된 모든 수법 항목 분류 중 피해품, 침입대상, 침입대상 성질, 침입수단을 침입절도를 나타내는 중요한 수법 항목 분류로 보고, 상대

적으로 연관성이 높은 (피해품-침입대상), (침입수단-침입대상 성질)을 수법

항목 분류의 쌍으로 간주하여 각각 유사도 알고리즘을 적용했다. 이를 통해

(피해품-침입대상) 및 (침입수단-침입대상 성질)에 해당하는 수법 항목 쌍 간

비유사도 행렬을 각각 하나씩 계산하게 된다. 피해품은 총 26개 종류, 침입대 상은 총18개종류, 침입대상성질은 총12개종류가 있으며침입수단은총 72 개의 종류로 분류되었다.

도시지역과 비도시지역의 침입절도 사건을 비교하기 위해서, 우선 침입 절도 사건자료를 발생 위치(위경도 좌표)가 도시 지역에서 속하는지 여부를 기준으로 도시지역 사건과 비도시지역 사건으로 분류하였다. 도시지역과 비 도시지역을 나누는 기준은 국토교통부 국가공간정보포털에서 제공하는 2015 년기준 용도지역분류가도시지역이었는지 여부로정하였다.국토계획법제2 조에서 정의하는 용도지역이란 ‘토지의 이용 및 건축물의 용도, 건폐율, 용적 률, 높이 등을제한함으로써 토지를 경제적,효율적으로 이용하고 공공복리의 증진을 도모하기 위하여 서로 중복되지 아니하게 도시계획으로 결정하는 지 역’을 말한다.

용도지역 구분의 도시지역은 인구와 산업이 밀집되어 체계적으로 개발이 필요하다고 판단된 지역이라 할 수 있다. 국토교통부에서 제공하는 2015년

(12)

기준 용도지역 관련 통계(p 2015 도시계획현황 y)에 의하면, 도시 지역의 면

적은 17614m²로 국토 전체의 16.6%를 차지하였으며, 도시 지역의 인구수는

약 4730만 명으로 전체 인구의 91.8%를 차지하였다. 도시지역과 비도시지역

에서의1인당면적을비교하면,도시지역기준1인당면적은105m² (녹지지역 제외 시), 372.4m² (녹지지역 포함 시)이며 비도시 지역 기분 1인당 면적인 20905m²과 비교하여 현저히낮다.

2.2 유사도 알고리즘

유사도 알고리즘은 강명종 등(2019)에서 제안된 알고리즘의 일부인 주요 수법 항목 간 유사도를 사용한다. 원래 알고리즘은 최종적으로 임의의 두 사 건간의 유사성 척도를 계산하는 것이 목적이나, 본 연구에서 사용할 때에는 그 중간 산물인 비유사도 행렬을 얻는 것이 목적이 된다. 또, 원래 제안된 알 고리즘은 전체문서자료로부터 하나의비유사도 행렬을계산하도록정의되어 있는데, 본연구에서는이를 조금변형하여 비유사도 행렬을사건의 부분집합 별로 따로 계산하는 방식을 사용하였다. 이는 두 사건 집합의 특성을 개별적 으로 얻어내어 대조하기 위함이다.

한사건 집합으로부터 비유사도 행렬을얻기까지의 전체알고리즘은다음 과 같이 기술할 수 있다.

비유사도 행렬 계산 알고리즘

유사도를 정의할 주요 수법 항목 분류 및 주요 수법 항목 분류의 쌍(예 : 피해품-침입대상 쌍)을 X, 해당 분류에 해당하는 수법 항목(쌍)의 값(예 : 아 파트-금품)을X_j(j = 1,· · · , M)로표기.비유사도행렬은주요수법항목분류 (쌍) 내의 각 수법 항목(쌍) 간 비유사도 D(X_j, X_k)를 정의한 뒤 이를 모아서

(13)

M ×M 행렬 형태로 표기한 것을 말함.

Step 1.피의자의 특성을 이용하여 미리 피의자그룹 i= 1,· · · , n을결정.

피의자 그룹을 구분하는 특성으로는 연령대 등의 인구학적 특성 외에도 각 피의자가 일으킨 사건의 경향 등이 포함되었음.

Step 2. 각 수법 항목(쌍)의 피의자 그룹 분포를 이용하여 수법 항목(쌍) 간의 비유사도를 다음과 같이 계산

D(X_j, X_k) = 1 2

n

X

i=1

n_i(X_j)

n(X_j) − n_i(X_k) n(X_k)

, ∀j, k ∈ {1,2,· · · , M} (2.1) 여기서,n_i(X_j),n(X_j)는각각사건집합내의피의자그룹i가일으킨사건 중수법항목(쌍)X_j에해당하는사건수,사건집합내전체사건중수법항목 (쌍) X_j에 해당하는 사건 수를 나타낸다.

비유사도 D(X_j, X_k)는 사건 집합 내 피의자 그룹 분포의 입장에서 수법 항목X_j와X_k가다른정도를0과1사이의숫자로나타낸다.예를들어, 0은피 의자그룹분포비율의완전일치, 1은피의자그룹분포가전혀겹치지않음을 의미한다. 비유사도 D(X_j, X_k)가 클수록 수법 항목 X_j와 X_k의 피의자 그룹 분포의 차이가크므로두 수법항목이 의미적으로유사하지 않은것으로이해 할 수 있다. 이런 맥락에서 비유사도 D(X_j, X_k)를 X_j와 X_k의 의미적 거리로 해석하면, 비유사도 행렬 전체는 그 행렬을 계산하는데 사용되는 사건 집합 전체의 피의자 그룹 분포를 이용하여 수법 항목들 간의 의미적 연관 관계를 나타내는 것으로 이해할 수 있다.

한편,수법항목X_k와X_l 중수법항목X_j와의비유사도가더작은것이X_j 와의미적으로더비슷한것으로해석된다.이를통해비유사도행렬을계산하 는데이용된 사건집합의맥락에서특정수법항목X_j와의미적으로유사성이

(14)

2.3 비유사도 행렬 간 차이의 척도

도시지역, 비도시지역에서 발생한 것으로 분류된 침입절도 사건 집합에 각각 유사도 알고리즘을 적용하여 얻은 비유사도 행렬들은 각 사건 집합을 분석하여 얻은 수법 항목간의 관계이다. 이 두 비유사도 행렬이 유의미하게 다르다면, 사건이 일어난것이 도시지역인지여부에따라 유사한수법 항목이 달라진다고 할 수 있을 것이다. 그러나 두 비유사도 행렬의 차이가 유의미한 지 논의하려면 먼저 두 행렬의 차이를 어떤 척도로 수치화 할지 정해야한다.

비유사도 행렬의 각 성분 D(Xj, Xk)는 특정 수법 항목(쌍) 간의 의미적 거 리를 나타내므로, 대응되는 성분끼리 차이를 집계하는 것이 자연스러운 것은

분명하다.단,적절한척도를고려하려면추가로비유사도행렬의다음특성을 이해할 필요가 있다.

앞에서 정의한 비유사도 행렬 계산 알고리즘에서 특정 수법 항목(쌍) Xl

이 사건 집합에서 한 번도 나타나지 않은경우를고려하면, Step2에서 수식에 나타나는 분모 n(Xl)이 0이 되어 Xl과 다른 수법 항목(쌍) 간의 비유사도를 정의할 수없게됨을확인할 수있다.즉,여러사건집합으로부터각각비유사 도 행렬을 계산하는 경우 나타나는 수법 항목(쌍)의 전체 목록이 달라지면서 비유사도 행렬을 정의할수 있는 범위에차이가 생길 수있는 것이다.실제 도 시/비도시지역 침입절도 사건자료로부터 각각 얻은 비유사도 행렬들도 값이 정의되는 범위가 다르게 나타났다.

이 특징을 고려할 때, 비유사도 행렬 간 차이의 척도는 두 행렬로부터 대 응되는 성분 중 한 쪽이 정의되지 않은 경우도 계산할 수 있도록 정의되어야 한다. 한 쪽 비유사도 행렬에서 특정 성분이 정의되지 않은 상황은 그 성분에 대응되는 두 수법 항목(쌍) 사이의 관계를 알 수 없는 경우이며, 이는 해당지 역에서 어느한수법 항목(쌍)을 가지는사건이 단한번도 발생하지않았음을

(15)

의미한다. 따라서 두 비유사도 행렬에서 어느 한 쪽이 정의되지 않은 성분을 비교하는 경우에는 양쪽 비유사도 행렬에서 성분이 정의되어 비유사도 값을 비교할 수 있는 경우보다 더 큰 차이가 나는 것으로 해석해야 한다. 그러므로 각 대응 성분 간 차이를 계산하는 척도는 두 성분 중 하나가 정의되지 않은 경우값이모두유효하게정의되었을때보다큰차이가나는것으로정의하는 것이 타당하다.

이점을고려하여본연구에서는두비유사도행렬D₁,D₂간차이의척도로 다음 두 척도 M₁,M₂를 정의했다.

M₁(D₁, D₂) =

M

X

j=1 M

X

k=1

d(D₁(X_j, X_k), D₂(X_j, X_k)) (2.2)

M₂(D₁, D₂) = v u u t

M

X

j=1 M

X

k=1

d(D₁(X_j, X_k), D₂(X_j, X_k))² (2.3)

d(a, b) = 1 (a, b 중 하나 이상이 정의되지 않은 경우) d(a, b) =|a−b| (두 값이 모두 정의된 경우)

X₁,· · · , X_M :전체자료기준유사도를정의한수법항목 분류(쌍)내에서한

번이라도 관측된 수법 항목(쌍)의 목록

두 차이 척도는 d(D₁(X_k, X_l), D₂(X_k, X_l))라는 비유사도 행렬의 각 대응 성분의 차이를 계산하여 이를 모아 요약하는 방식으로 정의되어있다. 비유사

도 행렬의 성분 D(X_j, X_k)은 유사도 알고리즘의 정의상그 값이 0과 1사이의

값으로 나타나므로 두 비유사도 행렬에서 모두 정의된 성분으로부터 차이를 구하면 그 크기가 항상 1 이하이다. 따라서 위의 정의에서는 값이 정의되지 않은 경우의 차이를값이정의된 경우보다 항상크게 계산한다. 한편,두 차이 척도 M ,M 는 성분별 차이를 모아서 요약하는 방식에서 차이가 나는데, M

(16)

은 차이를 그대로 합치고, M₂는 차이의 제곱을 합친다. M₁에 비해서 M₂는 큰 차이 값에 더 민감하게 반응하는 특징이 있다. 두 척도를 모두 도입한 것

은 이 방법들이 모두 성분 간 차이를 모아놓은 벡터의 길이를 재는 보편적인 방식들이기 때문이다.

2.4 시뮬레이션에 의한 검정

앞의 차이 척도들을 이용하여 도시지역 침입절도 사건집합과 비도시지역 침입절도사건집합으로부터의비유사도행렬간의차이를수치화할수있다.

이후 아래의몬테카를로검정을 사용하여이 척도값들이 유의미하게 큰것인 지를 통계적으로 확인하고자 했다.

비유사도 행렬 간 차이 척도에 대한 몬테카를로 검정

Step1. 도시지역침입절도 사건 집합과 비도시지역침입절도사건 집합으 로부터 비유사도 행렬을 계산해서 두 행렬의 차이 척도를 구한다.

Step2 전체 침입절도 사건을 실제 도시지역 침입절도 사건 수와 비도시 지역 침입절도 사건 수와 일치하도록 무작위로 두 집합으로 분할한다. 이 두 침입절도사건집합으로부터비유사도행렬을계산해서두행렬의차이척도를

구한다. 이를 m= 1000번 반복해서 차이 척도 값 m개의 목록을 만든다.

Step3.실제자료로부터의차이척도와시뮬레이션을통해얻은차이척도

값들의 목록을 비교하여 P-value를다음과 같이 구한다.

P-value = h

m (2.4)

h=(시뮬레이션 차이 척도 값들 중 실제자료차이 척도보다 큰 것의 개수)

(17)

만약도시지역과비도시지역간의침입절도범죄유형차이가없다면,도시 지역과 비도시지역의 사건으로부터 각각 계산한 비유사도 행렬은 거의 같은 형태로 나타날 것이다. 단, 침입절도 사건이 각 범죄 유형별로 일어날 이론적 확률이도시지역과비도시지역에대해완전히동일한상황을고려하더라도침

입절도사건의발생에는무작위적인요소가있으므로비유사도행렬은완전히 같은형태로나타나지않고어느정도의차이가나타나게된다.이러한우연으 로 인해 나타날 수 있는 비유사도 행렬의 차이의 정도를 사건을 무작위로 두 사건집합으로분류하고이로부터비유사도행렬의차이척도를계산함으로써 가늠해볼수있다.실제도시지역침입절도사건과비도시지역침입절도사건 으로부터 계산된비유사도행렬의 차이척도 값이 이우연적차이로 보기에는 지나치게 크다면실제 자료로부터의비유사도 행렬들이 유의미하게다르다고 이야기할수있을것이다.위시뮬레이션은 이러한점을고려하여설계되었다.

두 가지 척도 M₁, M₂에 대해 위의 시뮬레이션이 적용되었다. 한편, 두 비 유사도 행렬에서 모두 정의된 성분(이하 공통성분)의 개수는 차이 척도에서 상대적으로 큰 비중을 차지하며 두 행렬을 비교한다는 의미에서도 중요하다.

두비유사도행렬에서모두정의된성분개수는도시및비도시사건집합에서 공통적으로 나타난 수법항목 쌍의수를 의미한다. 따라서실제 자료로부터의 비유사도 행렬들의 공통성분의 개수가 유의미하게 적은지에 대해서도 위와 유사한 방법을 이용하여 검정하였다. 각 검정의 신뢰수준으로 95%를 사용하

였으며 P-value가 0.05 이하이면 통계적으로 유의미한 결과인 것으로 해석할

수 있다.

(18)

Chapter 3 결과 및 해석

시뮬레이션 결과 표

수법항목(쌍) M₁^∗ M₂^∗ 공통성분개수^∗∗

(피해품-침입대상) 0.056 0.000 0.010

(침입수단-침입대상 성질) 0.007 0.006 0.007

Table 3.1: *검정하는 명제: 실제 자료로부터의 비유사도 행렬간 차이 척도가

유의미하게 크다

**검정하는 명제: 실제 자료로부터의 비유사도 행렬의 공통성분 수가 유의미

하게 적다

시뮬레이션 결과를 살펴보면 95% 신뢰수준에서 (피해품-침입대상)의 경우) 비유사도 행렬간 차이 척도 M₁, M₂가 둘 다 유의미하게 크며, 공통성 분 개수는 유의미하게 적음을 확인할 수 있었고, (침입수단-침입대상 성질)의

(19)

경우에는 차이 척도 M₂만 유의미하게 크고, 공통 성분 개수가 유의미하게 적 은 것으로 나타났다. (침입수단-침입대상 성질)의 경우 비유사도 행렬간 차이 척도가M₁을기준으로는유의미하게크지않았는데 M₂를기준으로는유의미 하게 크다는 것은 각 차이 척도의 특징을 고려할 때 행렬 성분 단위의 거리인 d(D₁(X_j, X_k), D₂(X_j, X_k))값 중에서 일부 큰 값이 차이 척도 값에 대부분 기 여함으로써 일어났을 것이라 추측 할 수 있다.

각 지역 침입절도 사건의 비유사도 행렬은 수법 항목들의 의미적 관계를 피의자의 특성을 고려해서 나타낸 것이다. 따라서 이 비유사도 행렬이 유의 미하게 다르다는 것은 수법 항목의 의미적 관계가 달라진다는 것으로 해석할 수 있다. 곧, M₁, M₂의 검정을 통해 도시지역과 비도시지역의 침입절도 범죄 유형이 분석에 이용된 각 4가지 수법 항목 분류의 입장에서 유의미하게 다르 다고 해석할 수 있다.

도시지역과 비도시지역의 비유사도 행렬 간 공통성분개수가 유의미하게 작다는 것은한 쪽지역에서만일어난 범죄유형들이 유의미하게많다는 것을 의미한다. 따라서 공통성분개수의 검정 결과 또한 도시지역과 비도시지역의 침입절도 범죄 유형이다르다는것을 지지하는 근거이다.한편, 공통성분개수 가 적을수록 차이 척도가 커지는 현상이 M₁, M₂의 검정에도 영향을 미쳤을 것이라 예상해 볼 수 있다.

(20)

Chapter 4 결론

본 연구는 죄종별 범죄발생률에 비해 분석이 덜 이루어진 특정 죄종의 범 죄 특성과 지역특성 간의 연관관계에 초점을 맞춰, 침입절도의 범죄 유형이 도시지역/비도시지역 간차이가있는지확인했다.단순한 빈도분석에서벗어 나 피의자 관점에서 범죄 유형이 유의미하게 다른지를 확인하고자 강명종 등

(2018)에서 제안한 유사도 정의 방법론으로부터 비유사도 행렬의 개념을 도

입했다. 비유사도 행렬은 수법 항목 분포와 피의자의 분포를 반영하여 수법 항목간의 의미적 관계를 표현하는 통계량으로 해석되었으며, 각 지역의 침 입절도 경향을나타내는통계량으로써 사용되었다.몬테카를로 시뮬레이션을 통해도시지역/비도시지역의침입절도사건집합으로부터각각얻은비유사도 행렬 간 유의미한 차이가 있는지를 통계적으로 검정했다.

검정 결과도시지역과비도시지역의침입절도사건자료로부터계산된 4가 지 수법 항목 분류의 비유사도 행렬이 95% 신뢰수준에서 유의미하게 다름이 확인되었다.이는도시지역과비도시지역의침입절도범죄유형사이에유의미 한차이가존재함을 의미한다.비유사도행렬의차이는직접적으로는도시지역

(21)

침입절도 사건과 비도시지역 침입절도 사건이 각각 그 지역 침입절도 사건의

맥락에서 해석해야 됨을 의미한다. 예를 들어 도시지역에서 일어났다면 유사 한 것처럼 해석할 수 있는 두 침입절도 사건이 비도시지역에서는 유사하지 않았을 수 있는 것이다. 이는 같은 유형의 사건이 발생하더라도 지역 특성에 따라 해당 사건에 접근하는 방식이 달라져야 함을 의미한다.

본 연구는 범죄발생률에 초점을 맞추고 있는 기존의 연구들과는 다르게 범죄의 성격을 지역특성에 따라 살펴보았다는 점에서 차별화를 가진다. 이와 같은연구는범죄발생률을줄이는큰규모의정책을수립하는입장에서는직접 적으로 도움이 되지않으나, 자주일어나는 범죄를 유형화하고새로운 범죄에 대처하는 상황에서 기여할 수 있다는 점에서 의미가 결코 작지 않다.

본연구에서는 지역특성에 따라 침입절도의범죄 유형의차이가 존재함은 통계적으로 확인을 하였지만 정확히 어떤 수법 항목이 이러한 결과에 기여하 고있는가에대해서는 다루고있지않다.이는구체적인비유사도행렬의값을 공개할수없기때문이다.다만,비유사도행렬을직접확인해볼수있는경우, 각 지역에서 해당 행렬의 성분의 크기를 비교함으로써 범죄 유형을 나타내는 수법항목간의관계를파악할수있고,이를통해구체적으로어떤수법항목에 의해 이런 차이가 나타나는지 분석해 볼 수 있을 것이다.

본연구에서사용한연구 방법론은수법항목,수법항목 분류,대조할기준 등이각사건별로잘정의되어있다면다른범죄자료에도적용가능하다.예를 들어 이 연구에서는 수법 항목 분류로 피해품, 침입대상, 침입수단, 침입대상 성질을, 대조 기준으로는 도시지역에서 일어났는지 여부를 이용하여 침입절 도 범죄 자료를 분석했다. 이 방법론을 다른 범죄 자료 및 다른 대조 기준에 적용함으로써 대조 기준별로 다른 전략으로 범죄를 접근해야 하는지에 대한 판단 기준으로 사용해 볼 수 있을 것이다.

(22)

Reference

2015「도시계획현황」. (2016). 국토교통부·한국토지주택공사.

강명종 외5인, (2018). ”침입절도 범죄 간 유사도측정알고리즘의 개발 및

응용에 관한 연구”.「한국경찰학회보」, 20(6): pp.57-81.

김동근·윤영진·안건혁, (2007). ”토지이용에 따른 도시범죄에 대한연구”.

「국토계획」, 42(7): pp.155-168.

고준호, (2001). ”청주시 도심의 범죄 특성”. 「대한지리학회지」, 36(3):

pp.329-341.

이현희, (1994). ”범죄발생율의 지역별 차이에 관한 연구”. 이화여자대학교 대학원 사회학과 박사과정 학위논문.

조창희, (2000). ”중소도시지역의 범죄유형변화 :청주시를중심으로”.「도 시·지역개발연구」, 8(2): pp.145-168.

허준·이유나, (2012). ”광역도시의지역특성과범죄율에 관한연구”.「사회 과학논총」, 27(2): pp.191-219.

Wells, L. E. & Weisheit, R. A. (2004). Patterns of Rural and Urban Crime:

A County-Level Comparison. Criminal Justice Review, 29(1): pp.1-22.

(23)

Wirth, L. (1938). Urbanism as a Way of Life. American Journal of Sociol- ogy, 44(1): pp.1-24.

(24)

Abstract

Comparison of intrusion theft crime patterns by local characteristics, using similarity methodology and

Monte-Carlo simulations

HYUNHO LEE The Department of Statistics The Graduate School Seoul National University The study of the difference in crime incidence by type of crime considering local characteristics has been conducted continuously. However, analysis of crime patterns of specific type of crime according to regional characteristics have been rarely conducted. The purpose of this paper is to find significant difference in intrusion theft crime patterns according to whether it occurs in urban area or not. The intrusion theft patterns are described by the stolen goods, intrusion target, characteristics of intrusion target, intrusion method from past case records. The crime patterns in urban and non-urban areas is summarized in the form of dissimilarity matrices that show the semantic structure between crime patterns considering the characteristics of suspects using the algorithm from Kang et al(2018). Monte-Carlo simulation confirms significant difference between the dissimilarity matrices which summarize crime patterns of the two regions.

Key words : Intrusion theft, crime analysis methodology, crime pattern analysis, similarity, Monte-Carlo simulation