All Issue

2026 Vol.60, Issue 3 Preview Page
Spatiotemporal Analysis of Urban Environmental Factors Associated with Depressive Symptoms in the Seoul Metropolitan Area Using Explainable GeoAI: Focusing on the Pre- and Post-COVID-19 Comparison

설명가능한 GeoAI를 활용한 수도권 우울감의 도시환경 요인 시공간 분석: 코로나19 팬데믹 전후 비교를 중심으로

Changmin Ima
,
Jaeeun Leeb
,
Youngho Kimc*
임 창민a
,
이 재은b
,
김 영호c*
aAssistant Professor, Department of Geography, Kongju National University
bMaster's Student, Department of Geography, Kongju National University
cProfessor, Department of Geography Education, KoreaUniversity
a국립공주대학교 지리학과 조교수
b국립공주대학교 지리학과 석사과정
c교신저자, 고려대학교 지리교육과 교수
*younghokim@korea.ac.kr
30 September 2026. pp. 305-324
PDF XML Citation
Abstract

Once regarded as a matter of individual health, depression is increasingly recognized as an urban problem. This study identified the spatiotemporal patterns of depressive symptom prevalence across the 66 districts of the Seoul Metropolitan Area from 2012 to 2025. The study then analyzed the urban environmental determinants of depressive symptoms before and after the COVID-19 pandemic using XGBoost and GeoShapley. GeoShapley, an explainable geospatial AI method, decomposes model predictions into an intrinsic location effect, variable main effects, and location-variable interaction effects. Exploratory spatiotemporal analysis showed that positive spatial autocorrelation peaked just before the pandemic (three-year moving-average Moran's I = 0.172, 2018–2020) and turned significantly negative by 2022–2024 (-0.144). A high-risk cluster appeared in western Incheon during the pandemic and dissolved afterwards. In northern Gyeonggi-do, by contrast, prevalence remained above pre-pandemic levels. In the XGBoost model (five-fold cross-validated R2 = 0.61), the location effect was the largest contributor, followed by COVID-19 incidence, aging housing, and fiscal independence. The share of National Basic Livelihood Security recipients was the only variable whose interaction with location exceeded its main effect, implying that mental health risks differ across places even at the same level of poverty. Before the pandemic, the strongest correlate of depressive symptoms was youth out-migration. Afterwards, urban activity, poverty, aging housing, and social isolation moved to the fore. The findings argue for regionally differentiated mental health policy. The local contribution maps produced in this study offer a quantitative basis for spatial targeting.

Keywords
depressive symptoms
spatial heterogeneity
GeoShapley
explainable AI
COVID-19

우울은 개인의 질환을 넘어 지역사회의 문제가 되었다. 코로나19 팬데믹을 거치며 한국의 우울 수준은 급격히 상승하였는데, 그 폭은 지역에 따라 달랐다. 본 연구는 2012년부터 2025년까지 수도권 66개 시･군･구 우울감경험률의 시공간 분포 변화를 탐색하였다. 이어 설명가능한 인공지능(eXplainable Artificial Intelligence, XAI) 기법인 GeoShapley로 우울감에 영향을 미치는 도시환경 요인의 기여도와 공간적 이질성을 분석하였다. 탐색적 공간 분석 결과, 수도권 우울감의 공간적 자기상관은 팬데믹 직전 강화되었다가(2018~2020년 이동평균 Moran's I=0.172) 팬데믹을 거치며 약화되어 2022~2024년에는 유의한 음의 자기상관(-0.144)으로 반전되었다. 팬데믹 시기(2020~2022년) 인천 원도심과 서부에 형성된 고위험 군집은 팬데믹 이후 소멸하였다. XGBoost와 GeoShapley를 결합한 요인 분석에서는 위치효과의 기여도가 가장 컸고, 코로나19 확진율, 노후주택비율, 재정자립도가 그 뒤를 이었다. 특히 기초생활수급자비율은 주효과보다 위치-변수 상호작용효과가 큰 변수로 나타나, 빈곤이 정신건강과 결합하는 정도가 지역 맥락에 따라 달라짐을 확인하였다. 시기별 분리 모형에서는 팬데믹 이전 청년 인구 유출 중심의 요인 구조가 팬데믹 발생 이후 도시 활동성･빈곤･주거 노후･사회적 고립 중심으로 재편되었다. 우울 대응 정책은 지역별 요인 구성에 맞추어 차별화될 필요가 있다. 본 연구가 제시한 변수별 국지 기여도 지도는 우선 지역 선정과 개입 수단 선택의 정량적 근거가 될 수 있다.

키워드
우울감
공간적 이질성
GeoShapley
설명가능한 인공지능
코로나19
References
1

고정은･이민홍, 2015, “노인의 우울감 경험에 영향을 미치는 개인 및 가족요인과 지역사회 요인 분석,” 가족과 가족치료 23(2): 363-380.

10.21479/kaft.2015.23.2.363
2

구본미･채철균, 2019, “주거환경만족도가 노년기 우울에 미치는 영향: 신체활동의 매개효과를 중심으로,” 한국노년학 39(4): 781-800.

3

김명일･어유경･김순은, 2019, “노년기 우울에 관한 연구: 다층모형 적용을 통한 개인 및 지역자원 효과 검증,” 보건사회연구 39(2):192-221.

4

김민호, 2021, “코로나바이러스감염증-19 대유행에 따른 광역시도별 야간 인공조명 강도의 시공간 변화,” 국토지리학회지 55(2):183-192.

10.22905/kaopqj.2021.55.2.4
5

김세형･김영호, 2017, “한국 말라리아 발생의 공간 분포 변화 및 인문･환경 요인 분석,” 한국지도학회지 17(1): 71-85.

10.16879/jkca.2017.17.1.071
6

김연우･구본유･이종현･윤희연, 2025, “보행 가로 경관 요소가 도시민의 우울감에 미치는 영향 분석: 거시적 및 미시적 경관 요소와 도보 이용률을 고려하여,” 한국조경학회지 53(1): 77-93.

10.9715/KILA.2025.53.1.077
7

김예은･이희원･박종호, 2022, “최근 10년 간 우리나라 시군구 단위 스트레스 인지율의 공간 의존성 변화 및 핫스팟 분석,” 인문사회 21 13(5): 3877-3892.

10.22143/HSS21.13.5.269
8

김지훈･최경숙･이진영･유정아･윤지애, 2024, “20대 젊은 성인의 우울과 사회적 자본의 관련성: 2019년 지역사회 건강조사 자료 연구,” 신경정신의학 63(1): 57-67.

9

남예인･이수기･이은영･김유미, 2023, “거주민의 우울에 영향을 미치는 근린환경 특성 분석: 2019년 경기도 지역사회건강조사 자료와 가로경관 이미지를 활용하여,” 도시설계 24(6): 165-182.

10.38195/judik.2023.12.24.6.165
10

노법래, 2017, “한국 자살 위험의 지역적 격차와 그 시공간적 고착 구조에 관한 연구,” 보건사회연구 37(4): 213-237.

10.15709/hswr.2017.37.4.213
11

박민진･김성아, 2022, “1인가구의 외로움과 사회적 고립 및 정신건강 문제의 특성과 유형: 서울시 1인가구를 중심으로,” 보건사회연구 42(4):127-141.

12

박정민･허용창･오욱찬･윤수경, 2015, “주거빈곤이 건강에 미치는 영향에 관한 종단연구,” 한국사회복지학 67(2):137-159.

10.20970/kasw.2015.67.2.006
13

보건복지부, 2021, 제2차 정신건강복지기본계획(2021~2025), 세종.

14

보건복지부, 2022, 2022년 2분기 코로나19 국민 정신건강 실태조사 결과 발표, 세종.

15

염지혜, 2022, “한국노인의 우울증상에 관한 연구: 거주지역 차이를 중심으로,” 지역사회학 23(3): 37-64.

10.35175/KRS.2022.23.3.37
16

이동훈･김예진･이덕희･황희훈･남슬기･김지윤, 2020, “코로나바이러스(COVID-19) 감염에 대한 일반대중의 두려움과 심리, 사회적 경험이 우울, 불안에 미치는 영향,” 한국심리학회지: 상담 및 심리치료 32(4): 2119-2156.

10.23844/kjcp.2020.11.32.4.2119
17

이유진･김의준, 2015, “의료시설 접근성과 대중교통 접근성이 농촌 및 도시 지역 거주 노인의 주관적 건강상태에 미치는 영향 분석,” 한국지역개발학회지 27(1): 65-88.

18

이진희, 2016, “지역적 건강불평등과 개인 및 지역수준의 건강결정요인,” 보건사회연구 36(2): 345-384.

10.15709/hswr.2016.36.2.345
19

이진희･김동준･구지영･백희은, 2024, “도시환경이 인구집단별 자살에 미치는 영향: 경제활동가능인구와 노인인구의 비교,” 국토연구 122: 139-161.

20

이진희･박민숙･이상원, 2021, “코로나바이러스감염증-19의 시공간적 확산 패턴 및 지역 간 감염 네트워크 분석,” 국토연구 110: 43-62.

21

임유진･박미현, 2018, “1인가구 중년의 사회경제적 박탈이 우울에 미치는 영향,” 사회과학연구 34(1): 187-206.

10.18859/ssrr.2018.02.34.1.187
22

임창민･김영호, 2016, “아이겐벡터 공간필터링 모형을 활용한 국내 결핵발생의 사회･환경적 결정 요인 분석,” 한국지도학회지 16(3): 89-101.

10.16879/jkca.2016.16.3.089
23

임창민･김영호, 2021, “결핵 발병의 공간불평등 다층모형분석: 경상북도를 대상으로,” 보건정보통계학회지 46(1): 88-99.

24

정보경･김동현･홍성빈･박소정･양성준, 2022, “코로나-19 감염증의 확산과 공간적 특성: 숙주, 환경적 요인, 기존 신규 감염병과의 관계,” 한국지리정보학회지 25(2): 18-29.

25

정진영･김춘배･신민호･류소연･홍지영･김남희･윤태호･황태윤･김형수･김건엽･이화경･김명희･김동현, 2017, “지역 간 건강수준 및 건강행태 변이요인 연구: 지역사회건강조사와 지역 특성 연계자료를 기반으로,” 대한보건연구 43(3): 91-108.

26

조성민･박진우･이지호･이상은･조항훈･김흥순, 2022, “도시특성과 COVID-19 확산 간의 관련성 분석: 비수도권 광역시 및 특별자치시를 중심으로,” 국토지리학회지 56(4): 315-332.

10.22905/kaopqj.2022.56.4.2
27

질병관리청, 2024, 2024년 지역사회건강조사 주요 결과 발표(보도자료, 2024년 12월 23일), 청주.

28

질병관리청, 2026, 지역사회건강조사 우울 심층분석 결과 발표(보도자료, 2026년 4월 15일), 청주.

29

차성은･조정선･조정은･이우균･김대철, 2021, “국내 COVID-19의 공간분포특성 분석,” 대한공간정보학회지 29(2): 17-25.

10.7319/kogsis.2021.29.2.017
30

최돈정･서용철, 2012, “장수의 환경생태학적 요인에 관한 지리가중회귀분석,” 한국지형공간정보학회지 20(3): 57-63.

10.7319/kogsis.2012.20.3.057
31

최민재･이요한, 2025, “서울시 자살사망률의 시계열 및 공간적 분포 변화, 2000-2023,” 보건사회연구 45(4): 235-258.

32

최윤희･김선미･임은효, 2025, “청년이 인식하는 미래 실현 조건 격차가 우울에 미치는 영향: 수도권과 비수도권 사회적 관계망의 조절효과 차이를 중심으로,” 보건사회연구 45(3): 448-474.

33

최현석･소태우･박수경, 2022, “뉴스빅데이터와 의료기관 입지를 통해 본 우리나라 정신건강의 시공간적 특징에 관한 연구,” 국토지리학회지 56(3): 219-233.

10.22905/kaopqj.2022.56.3.6
34

Anselin, L., 1995, Local indicators of spatial association—LISA, Geographical Analysis 27(2): 93-115.

10.1111/j.1538-4632.1995.tb00338.x
35

Blair, A., N. A. Ross, G. Gariépy, and N. Schmitz, 2014, How do neighborhoods affect depression outcomes? A realist review and a call for the examination of causal pathways, Social Psychiatry and Psychiatric Epidemiology 49(6): 873-887.

10.1007/s00127-013-0810-z
36

Breiman, L., 2001, Random forests, Machine Learning 45(1): 5-32.

10.1023/A:1010933404324
37

Chen, T., and C. Guestrin, 2016, XGBoost: A scalable tree boosting system, Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785-794.

10.1145/2939672.2939785
38

Chen, Y., Y. Ye, X. Liu, C. Yin, and C. A. Jones, 2025, Examining the nonlinear and spatial heterogeneity of housing prices in urban Beijing: An application of GeoShapley, Habitat International 162: 103439.

10.1016/j.habitatint.2025.103439
39

Chen, Z., B. Yu, C. Yang, Y. Zhou, S. Yao, X. Qian, C. Wang, B. Wu, and J. Wu, 2021, An extended time series (2000-2018) of global NPP-VIIRS-like nighttime light data from a cross-sensor calibration, Earth System Science Data 13(3): 889-906.

10.5194/essd-13-889-2021
40

Chihuri, S., T. J. Mielenz, C. J. DiMaggio, M. E. Betz, C. DiGuiseppi, V. C. Jones, and G. Li, 2016, Driving cessation and health outcomes in older adults, Journal of the American Geriatrics Society 64(2): 332-341.

10.1111/jgs.1393126780879PMC5021147
41

Choi, H., and H. Kim, 2017, Analysis of the relationship between community characteristics and depression using geographically weighted regression, Epidemiology and Health 39: e2017025.

10.4178/epih.e201702528728351PMC5668667
42

Getis, A., and J. K. Ord, 1992, The analysis of spatial association by use of distance statistics, Geographical Analysis 24(3): 189-206.

10.1111/j.1538-4632.1992.tb00261.x
43

Hwang, J.-H., and Y.-J. Kim, 2023, Neighborhood effect on elderly depression in Republic of Korea, International Journal of Environmental Research and Public Health 20(6): 5200.

10.3390/ijerph2006520036982109PMC10048868
44

Im, C., and Y. Kim, 2021a, Spatial pattern of tuberculosis (TB) and related socio-environmental factors in South Korea, 2008-2016, PLOS ONE 16(8): e0255727.

10.1371/journal.pone.025572734352032PMC8341643
45

Im, C., and Y. Kim, 2021b, Local characteristics related to SARS-CoV-2 transmissions in the Seoul Metropolitan Area, South Korea, International Journal of Environmental Research and Public Health 18(23): 12595.

10.3390/ijerph18231259534886318PMC8656497
46

Im, C., and Y. Kim, 2025, Methamphetamine spread in the Seoul metropolitan area: Geographical random forest modeling approach, Applied Geography 174: 103470.

10.1016/j.apgeog.2024.103470
47

Kim, D., 2008, Blues from the neighborhood? Neighborhood characteristics and depression, Epidemiologic Reviews 30(1): 101-117.

10.1093/epirev/mxn009
48

Koo, Y. S., J.-Y. Song, E.-Y. Joo, H.-J. Lee, E. Lee, S.-K. Lee, and K.-Y. Jung, 2016, Outdoor artificial light at night, obesity, and sleep health: Cross-sectional analysis in the KoGES study, Chronobiology International 33(3): 301-314.

10.3109/07420528.2016.1143480
49

Li, Z., 2022, Extracting spatial effects from machine learning model using local interpretation method: An example of SHAP and XGBoost, Computers, Environment and Urban Systems 96: 101845.

10.1016/j.compenvurbsys.2022.101845
50

Li, Z., 2024, GeoShapley: A game theory approach to measuring spatial effects in machine learning models, Annals of the American Association of Geographers 114(7): 1365-1385.

10.1080/24694452.2024.2350982
51

Liu, Z., X. Chen, H. Cui, Y. Ma, N. Gao, X. Li, X. Meng, H. Lin, H. Abudou, L. Guo, and Q. Liu, 2023, Green space exposure on depression and anxiety outcomes: A meta-analysis, Environmental Research 231: 116303.

10.1016/j.envres.2023.116303
52

Lundberg, S. M., and S.-I. Lee, 2017, A unified approach to interpreting model predictions, Advances in Neural Information Processing Systems 30: 4765-4774.

53

Malhi, G. S., and J. J. Mann, 2018, Depression, The Lancet 392(10161): 2299-2312.

10.1016/S0140-6736(18)31948-2
54

Min, J.-Y., and K.-B. Min, 2018, Outdoor light at night and the prevalence of depressive symptoms and suicidal behaviors: A cross-sectional study in a nationally representative sample of Korean adults, Journal of Affective Disorders 227: 199-205.

10.1016/j.jad.2017.10.039
55

Moran, P. A. P., 1950, Notes on continuous stochastic phenomena, Biometrika 37(1/2): 17-23.

10.1093/biomet/37.1-2.17
56

OECD, 2021, Tackling the mental health impact of the COVID-19 crisis: An integrated, whole-of-society response, Paris: OECD Publishing.

57

Ord, J. K., and A. Getis, 1995, Local spatial autocorrelation statistics: Distributional issues and an application, Geographical Analysis 27(4): 286-306.

10.1111/j.1538-4632.1995.tb00912.x
58

Park, Y.-S., B. J. McMorris, L. Pruinelli, Y. Song, M. J. Kaas, and J. F. Wyman, 2021, Use of geographic information systems to explore associations between neighborhood attributes and mental health outcomes in adults: A systematic review, International Journal of Environmental Research and Public Health 18(16): 8597.

10.3390/ijerph1816859734444345PMC8393279
59

Putra, I. G. B., P.-F. Kuo, F. F. Susanta, B. H. Tedjo, and D. Lord, 2026, GeoShapley-based interpretation of older adult pedestrian fatal vs injury crash frequency in dense urban environments, Accident Analysis and Prevention 230: 108450.

10.1016/j.aap.2026.108450
60

Robinson, E., A. R. Sutin, M. Daly, and A. Jones, 2022, A systematic review and meta-analysis of longitudinal cohort studies comparing mental health before versus during the COVID-19 pandemic in 2020, Journal of Affective Disorders 296: 567-576.

10.1016/j.jad.2021.09.09834600966PMC8578001
61

Singh, A., L. Daniel, E. Baker, and R. Bentley, 2019, Housing disadvantage and poor mental health: A systematic review, American Journal of Preventive Medicine 57(2): 262-272.

10.1016/j.amepre.2019.03.018
62

Song, H., K. J. Lane, H. Kim, H. Kim, G. Byun, M. Le, Y. Choi, C. R. Park, and J.-T. Lee, 2019, Association between urban greenness and depressive symptoms: Evaluation of greenness using various indicators, International Journal of Environmental Research and Public Health 16(2): 173.

10.3390/ijerph1602017330634488PMC6352234
63

Tsimpida, D., A. Tsakiridi, K. Daras, R. Corcoran, and M. Gabbay, 2024, Unravelling the dynamics of mental health inequalities in England: A 12-year nationwide longitudinal spatial analysis of recorded depression prevalence, SSM - Population Health 26: 101669.

10.1016/j.ssmph.2024.10166938708408PMC11066558
64

WHO, 2022, Mental health and COVID-19: Early evidence of the pandemic's impact (Scientific brief, 2 March 2022), Geneva: World Health Organization.

65

Xu, C., L. Miao, D. Turner, and R. DeRubeis, 2023, Urbanicity and depression: A global meta-analysis, Journal of Affective Disorders 340: 299-311.

10.1016/j.jad.2023.08.030
66

Yan, H., H. Wu, X. Su, J. Chu, and K. Askari, 2026, A new weighted framework for regional drought risk assessment and geographic explainable insights based on GeoShapley, Journal of Hydrology 664: 134460.

10.1016/j.jhydrol.2025.134460
67

Yang, J.-T., X.-W. Zhou, X. Chen, X. Yao, M. Li, M.-H. Yin, F. Dong, S.-H. Yan, and J.-L. Zhao, 2025, Exploring the main and interactive effects of urban morphology on land surface temperature across different functional zones: A local GeoShapley analysis based on XAI, Sustainable Cities and Society 134: 106913.

10.1016/j.scs.2025.106913
68

Zhang, W., L. Zhang, J. Li, S. Guo, Q. Hu, and R. Zhou, 2025, GeoShapley-based explainable GeoAI for sustainable community satisfaction assessment: Evidence from Chengdu, China, Sustainability 17(22): 10261.

10.3390/su172210261
69

Zhang, Y., T. Wu, H. Yu, J. Fu, J. Xu, L. Liu, C. Tang, and Z. Li, 2024, Green spaces exposure and the risk of common psychiatric disorders: A meta-analysis, SSM – Population Health 25: 101630.

10.1016/j.ssmph.2024.10163038405164PMC10885792
Information
  • Publisher :The Korean Association of Professional Geographers
  • Publisher(Ko) :국토지리학회
  • Journal Title :국토지리학회지
  • Journal Title(Ko) :THE GEOGRAPHICAL JOURNAL OF KOREA
  • Volume : 60
  • No :3
  • Pages :305-324
  • Received Date : 2026-08-19
  • Revised Date : 2026-09-16
  • Accepted Date : 2026-09-16
  • DOI :https://doi.org/10.22905/kaopqj.2026.60.3.9
Journal Informaiton 국토지리학회지 국토지리학회지
Online Submission
  • NRF
  • KISTI Current Status
  • KISTI Cited-by
  • KCI 문헌 유사도 검사
  • orcid
  • open access
  • ccl
Journal Informaiton Journal Informaiton - close