Nonlinear Relationship Between Urban Form and Residential Energy Consumption in Seoul: An Explainable Machine Learning Approach = 서울시 도시 형태와 주거 에너지 소비 간의 비선형적 상관관계: 설명 가능한 기계학습 접근법

국문 초록 (Abstract)

급속한 도시화는 특히 서울과 같은 고밀도 대도시에서 국가 에너지 안보를 확보하는 데 있어 중요한 과제를 제기하고 있다. 기존의 선형 회귀 모델은 도시 형태와 주거 에너지 소비 간의 복잡한 관계를 단순화하는 경향이 있어, 실질적인 정책 수립에 한계가 있다. 이에 본 연구는 설명 가능한 머신러닝(Explainable Machine Learning) 기법을 활용하여 이러한 비선형적 상호작용을 보다 정밀하게 분석하고자 하였다. 구체적으로, 특성 중요도(Feature Importance)와 부분의존도(PDP) 분석을 통해 도시 형태가 주거 에너지 수요에 미치는 영향을 탐색하였다.
연구에는 필지 단위의 건축 특성, 인근 환경 요소, 사회경제적 지표, 인구통계 변수 등을 포함한 통합 데이터셋이 활용되었으며, 공간적 종속성과 계절적 요인을 함께 고려함으로써 맥락에 부합하는 정교한 분석을 수행하였다. 결과적으로, OLS(Ordinary Least Squares)는 유의미한 기준선 역할을 하지만 잔차에서 이분산성과 비정규성, 공간 자기상관 등 여러 통계적 한계를 드러냈다. SLM(Spatial Lag Model)은 겨울철 가스 사용량에 대해 일부 개선된 설명력을 보였으나, 여전히 한계가 존재했다. 반면, 좌표 정보를 추가한 XGBoost-LL 모델은 공간성과 비선형성이 결합된 복잡한 패턴을 효과적으로 포착했으며, 예측 정확도와 설명 가능성 모두에서 우수한 성능을 보였다.
SHAP 분석을 통해 용적률(FAR), 거주 밀도(Occupant Density), 건축 연한(Building Age)이 주요 영향 변수로 나타났고, PDP 분석은 이러한 변수들이 에너지 소비에 미치는 영향이 단선적이지 않으며 임계점을 중심으로 급격한 변화가 나타남을 보여주었다.
본 연구는 도시 형태와 에너지 수요 간의 관계를 이해함에 있어 비선형 모델링 접근의 필요성을 강조하며, 이를 통해 보다 실효성 있는 도시계획 및 에너지 정책 수립에 기여할 수 있음을 시사한다.

다국어 초록 (Multilingual Abstract)

Rapid urbanization presents significant challenges to safeguarding national energy security, particularly within dense metropolitan areas like Seoul, South Korea. Traditional linear models frequently oversimplify the complex relationships between urban form and residential energy consumption, leading to inadequate policy strategies. This study investigates these nonlinear interactions using advanced, explainable ML techniques, specifically Feature Importance and PDPs, to explore how urban form shapes residential energy demand. Utilizing comprehensive parcel-level data encompassing building characteristics, neighborhood environmental features, socioeconomic factors, and demographic variables, this research explicitly integrates spatial dependencies and seasonal variations to provide robust, context-sensitive insights.
Results indicate that while OLS provides a useful benchmark, it suffers from heteroscedastic, non-normal, and spatially autocorrelated residuals. Incorporating spatial dependence via a SLM modestly improves winter gas predictions, yet its explanatory power remains limited. In contrast, the coordinate-augmented XGBoost-LL model successfully captures the complex nonlinear and spatial interactions that shape household energy demand. Explainability analyses corroborate these gains: SHAP values identify FAR, Occupant Density, and Building Age as the principal drivers of energy use, while PDPs expose sharp nonlinearities.
This research highlights the necessity of adopting nonlinear modeling frameworks to precisely capture urban form-energy dynamics, enabling informed urban planning and policy formulation aimed at sustainable and resilient urban growth.

목차 (Table of Contents)

• Table of Contents
• Chapter 1. Introduction 1
• Chapter 2. Literature Review 4
• Chapter 3. Methodology 14
• Chapter 4. Results 34
• Chapter 5. Interpretability Analysis 42
• Chapter 6. Discussion 60
• Chapter 7. Conclusion 63
• Bibliography 65
• Acknowledgement 72
• Abstract in Korean 73
• Appendix 74