천안시 청년 코워킹 스페이스 프로젝트는 제가 처음으로 공공 데이터를 모아 입지 최적화 문제를 풀어 본 대회 작업입니다. 수상으로 이어지지는 않았지만, 저는 이 작업에서 데이터로 "좋아 보이는 위치"와 "정책적으로 필요한 위치"를 구분해야 한다는 점을 배웠습니다.
문제를 공간으로 바꾼 과정
저희는 청년 코워킹 스페이스가 어디에 있어야 더 많은 청년에게 닿을 수 있는지 물었습니다. 이를 위해 행정동, 교차로, 상권, 대중교통, 경쟁 시설, 대학, 청년 인구 데이터를 한데 모았습니다. 전체 노드에서 천안시 대상 교차로를 추리고, 접근성 점수와 수요 가중치를 만들었습니다.
이 과정에서 제가 가장 조심한 것은 사람이 많은 곳과 필요한 곳을 구분하는 일이었습니다. 단순 유동인구만 보면 이미 상권이 강한 곳이 유리해집니다. 하지만 청년 코워킹 스페이스는 정책 시설이기 때문에, 청년 인구와 기존 시설 부족도 함께 봐야 했습니다. 그래서 청년 인구를 경쟁 시설 수와 함께 고려하는 수요 가중치를 사용했습니다.
MCLP로 만든 후보지
모형은 최대 커버링 입지 문제, MCLP로 구성했습니다. 700m를 커버리지 반경으로 두고, 후보 시설 간 최소 거리는 350m로 잡았습니다. 기존 청년센터는 고정 시설로 넣었습니다. 수요 가중치는 청년 인구를 경쟁 시설 수로 나누는 방식으로 만들었습니다. p값을 바꾸며 추가 시설 수에 따른 커버리지 변화를 확인했습니다.
예를 들어 p=3에서는 32.21%, p=5에서는 42.12%, p=13에서는 60.61%까지 커버리지가 올라갔습니다. 이 숫자는 "몇 개를 지으면 충분합니다"라는 답이 아니라, 추가 시설 수가 늘어날 때 접근성이 어떻게 개선되는지 보는 기준이었습니다. 저는 결과를 지도와 수치로 함께 보여 주어 정책 제안처럼 읽히게 하려 했습니다.
제가 배운 현실성
계산 결과만 보면 어디에 몇 개를 놓으면 좋은지 말할 수 있습니다. 하지만 실제 정책은 그렇게 단순하지 않았습니다. 임대 가능성, 예산, 건물 상태, 운영 주체, 기존 시설과의 관계 같은 조건이 빠지면 최적 위치도 실행 가능한 위치가 아닐 수 있습니다. 이 프로젝트를 하면서 저는 공간 최적화가 숫자 문제이면서 동시에 행정 문제라는 것을 처음 느꼈습니다.
공공 데이터도 깔끔하게 주어지지 않습니다. 좌표계를 맞추고, 행정동 단위를 정리하고, 교차로와 시설 데이터를 결합하는 데도 많은 시간이 들어갑니다. 모델링보다 전처리와 정의가 더 오래 걸린다는 사실도 저는 이때 처음 강하게 배웠습니다.
남은 의미
수상하지 못한 프로젝트였지만, 제 데이터 분석의 출발점으로는 중요했습니다. 데이터를 수집하고, 좌표를 정리하고, 모델을 돌리고, 결과를 정책 언어로 바꾸는 전 과정을 경험했기 때문입니다. 이후 최적화나 공공 데이터 프로젝트를 할 때도 이 경험은 기준이 됐습니다. 모델이 좋은 위치를 말해도, 사람과 제도가 그 위치를 받아들일 수 있는지는 따로 검증해야 합니다.
