주제

[문제 상황]
강원은 대학 졸업 이후 청년 인구가 빠르게 빠져나간다. 그런데 '왜 떠나는가'는 대부분 설문과 인상에 의존해 설명돼 왔다. 일자리·주거·교통·문화 인프라 중 무엇이 실제로 청년의 잔류와 연결되는지를 데이터로 확인하면, 예산을 어디에 먼저 쓸지 판단할 수 있다.

[핵심 질문]
강원 시군 중 청년이 '남는 곳'과 '떠나는 곳'을 가르는 조건은 무엇이며, 어떤 인프라를 먼저 보강해야 하는가?

[필요한 데이터]
- KOSIS 연령별 주민등록인구 (청년 인구 비중)
- KOSIS 국내인구 이동자수 (시군별 전입·전출)
- 소상공인시장진흥공단 상가(상권)정보 (생활·문화 업종 밀도)
- 전국버스정류소표준데이터 (대중교통 접근성)
- 전국도서관·체육시설·공연행사 표준데이터 (여가 인프라)

[추천 API]
- 국토교통부 (TAGO) 버스정류소·노선정보 API
- 소상공인시장진흥공단 상가(상권)정보 API
- 공공데이터포털 강원특별자치도 데이터 목록

[분석 방법]
1. 시군별 20~34세 순이동률을 종속변수로 두고 인프라 변수와 상관·회귀 분석
2. 인프라 변수를 표준화해 가중합한 '청년 정주지수(Youth Settlement Index)' 설계
3. K-means 군집분석으로 시군을 '유출형 / 정체형 / 유입형'으로 유형화
4. 읍면동 단위 격자 집계로 시군 내부 편차까지 드러내기

[AI 활용]
- 생성형 AI로 청년 정책 문서를 요약해 지표 후보군 도출
- 회귀·트리 기반 모델의 변수 중요도로 '어떤 인프라가 가장 강하게 연결되는가' 확인
- SHAP 등 설명가능 기법으로 시군별 유출 원인을 개별 해석
- 정책 시나리오별 정주지수 변화 시뮬레이션

[예상 결과물]
1. 청년 정주지수 (시군별 점수·순위)
2. 지역별 비교 지도 (코로플레스)
3. 우선 투자 인프라 정책 추천안

난이도: 중급 · 데이터 접근: 쉬움 (바로 다운로드) · 연결 데이터 10건
상세: https://knu-datathon-hub.vercel.app/topics/gangwon-01

[문제 상황]
강원 관광은 강릉·속초 등 일부 지역에 집중돼 있다. 혼잡은 그 지역의 주민 불편으로, 나머지 지역은 관광 소외로 이어진다. 관광자원은 충분한데 방문이 적은 지역을 데이터로 찾아내면, 분산형 관광 전략의 근거가 된다.

[핵심 질문]
관광 잠재력은 높지만 아직 방문이 적은 지역은 어디이며, 무엇을 보완하면 실제 방문으로 이어지는가?

[필요한 데이터]
- 한국관광공사 TourAPI 관광 POI (관광지·숙박·음식점)
- 한국관광공사 지역별 방문자수 (관광빅데이터)
- 한국관광 데이터랩 (방문·소비·체류 분석)
- 전국관광지정보·관광안내소 표준데이터
- 소상공인시장진흥공단 상가(상권)정보 (수용 인프라)

[추천 API]
- 한국관광공사 국문 관광정보 서비스 (TourAPI)
- 한국관광공사 관광빅데이터 정보서비스
- 소상공인시장진흥공단 상가(상권)정보 API (반경 조회)

[분석 방법]
1. 관광자원 밀도 · 수용 인프라 · 접근성을 결합한 '관광 잠재력 지수' 설계
2. 잠재력 대비 실제 방문자 수의 잔차(residual)가 큰 지역 = 저평가 지역으로 정의
3. 관광지 좌표 기반 DBSCAN 군집으로 신규 관광 클러스터 후보 도출
4. 계절성 분해로 비수기 방문 유도가 가능한 지역 선별

[AI 활용]
- 방문자 수 예측 모델을 만들고 예측치보다 실제가 낮은 지역을 '성장 여지'로 해석
- 생성형 AI로 후보 지역별 관광 콘셉트·코스 초안 작성 (근거는 데이터로 검증)
- 관광지 설명 텍스트 임베딩으로 유사 관광지 추천

[예상 결과물]
1. 관광 잠재력 지수 (시군·읍면동)
2. Next Hot Place 후보 지도
3. 분산형 관광 활성화 전략

난이도: 중급 · 데이터 접근: 보통 (인증키 발급 필요) · 연결 데이터 11건
상세: https://knu-datathon-hub.vercel.app/topics/gangwon-02

[문제 상황]
지역 상권이 침체됐다는 말은 흔하지만, '무엇이 부족한가'는 좀처럼 구체적으로 말해지지 않는다. 인구 규모가 비슷한 지역끼리 업종 구성을 비교하면, 어떤 동네에 어떤 업종이 유독 없는지가 숫자로 드러난다. 그 빈틈이 창업 기회이자 생활 불편의 원인이다.

[핵심 질문]
인구·생활여건이 비슷한 지역과 비교했을 때 우리 동네에 부족한 업종은 무엇이며, 어떤 상권부터 보강해야 하는가?

[필요한 데이터]
- 소상공인시장진흥공단 상가(상권)정보 (업종·위치·좌표)
- 상가(상권)정보 업종코드 (대·중·소분류 체계)
- 전국일반음식점표준데이터 · 인허가 상세 (영업/폐업 반영)
- KOSIS 연령별 주민등록인구 (수요 규모)
- 전국전통시장표준데이터 (기존 상권 거점)

[추천 API]
- 소상공인시장진흥공단 상가(상권)정보 API (반경·행정동 조회)
- 전국일반음식점표준데이터 OpenAPI
- 공공데이터포털 강원특별자치도 데이터 목록

[분석 방법]
1. 읍면동별 인구 1천 명당 업종별 점포 수를 계산해 '업종 밀도' 지표 구성
2. 인구 규모·연령구조가 유사한 지역을 짝지어 업종 구성 차이(gap) 분석
3. 인허가 데이터의 개업·폐업 일자로 업종별 생존율과 상권 활력 추이 산출
4. 점포 좌표 기반 밀도 추정(KDE)으로 상권 경계를 직접 그려보기

[AI 활용]
- 군집분석으로 상권 유형 분류 (관광의존형 / 주거밀착형 / 공동화형)
- 업종별 점포 수 예측 모델을 만들고 예측 대비 부족한 업종을 기회로 해석
- 생성형 AI로 상권별 활성화 기획안 초안 작성 후 데이터로 타당성 검증

[예상 결과물]
1. 업종 밀도·부족 업종 리스트 (읍면동별)
2. 상권 유형 지도
3. 상권별 활성화 전략 제안

난이도: 중급 · 데이터 접근: 쉬움 (바로 다운로드) · 연결 데이터 8건
상세: https://knu-datathon-hub.vercel.app/topics/gangwon-03

[문제 상황]
강원은 면적이 넓고 마을이 흩어져 있어, 같은 시군 안에서도 대중교통 여건 차이가 크다. 정류장이 '있다'는 사실만으로는 이동이 보장되지 않는다. 정류장까지의 거리, 경유 노선 수, 그리고 그곳에 사는 사람의 연령까지 함께 봐야 실제 이동 제약이 보인다.

[핵심 질문]
대중교통으로 병원·시장·행정시설에 닿기 어려운 지역은 어디이며, 노선·수요응답형 교통을 어디에 먼저 투입해야 하는가?

[필요한 데이터]
- 전국버스정류소표준데이터 (정류소 위치·좌표)
- KOSIS 연령별 주민등록인구 (고령인구 비중)
- 건강보험심사평가원 전국 병의원 및 약국 현황 (목적지)
- 전국전통시장표준데이터 (생활 목적지)
- 브이월드 행정경계 · 연속지적도 (공간 단위)

[추천 API]
- 국토교통부 (TAGO) 버스정류소정보 API
- 국토교통부 (TAGO) 버스노선정보 API
- 국가교통DB · 국토교통부 국가교통DB데이터

[분석 방법]
1. 격자 중심에서 최근접 정류소까지 거리 계산 → 도보 접근 한계(예: 500m) 초과 구역 추출
2. 정류소별 경유 노선 수를 세어 '정류장은 있으나 노선이 희박한' 지역 구분
3. 주거지 → 병원·시장까지의 환승 횟수와 소요시간 추정
4. 고령인구 비율과 교차해 '이동 제약 위험 지역' 우선순위화

[AI 활용]
- 군집분석으로 사각지대 유형 분류 (거리형 / 배차형 / 환승형)
- 노선 신설·수요응답형(DRT) 도입 시나리오별 접근성 개선량 시뮬레이션
- 최적입지 알고리즘으로 정류장 추가 지점 도출

[예상 결과물]
1. 대중교통 접근성 지수
2. 교통 사각지대 지도
3. 노선·DRT 우선 투입 지역 제안

난이도: 중급 · 데이터 접근: 보통 (인증키 발급 필요) · 연결 데이터 9건
상세: https://knu-datathon-hub.vercel.app/topics/gangwon-04

[문제 상황]
강원은 겨울이 길고 추워 난방 수요가 크며, 관광 성수기에는 숙박·요식업의 소비가 몰린다. 하지만 에너지 절감 정책은 대체로 전국 단위 캠페인으로 진행돼 지역 특성을 반영하지 못한다. 어디서, 어떤 업종이, 언제 많이 쓰는지를 알면 개입 지점이 분명해진다.

[핵심 질문]
지역과 업종에 따라 에너지 소비 패턴은 어떻게 다르며, 어디에 절감 정책을 먼저 적용해야 효과가 큰가?

[필요한 데이터]
- 한국전력공사 지역별용도별 전력사용량 현황 (행정구역·용도별 소비)
- 한국전력공사 사업소별 연도별 전력사용량 (장기 추세)
- 기상청 ASOS 기온 관측자료 (난방도일·냉방도일 산출)
- 소상공인시장진흥공단 상가(상권)정보 (업종 구성)
- KOSIS 연령별 주민등록인구 (가구·인구 규모 보정)

[추천 API]
- 한국전력공사 계약종별 전력사용량 API (주택용/산업용 분리)
- 한국전력공사 산업분류별 전력사용량 API
- 기상청 지상(종관, ASOS) 일자료 조회서비스
- 한국전력 전력데이터 개방 포털 (인증키·명세 확인)

[분석 방법]
1. 기온으로 난방도일(HDD)·냉방도일(CDD)을 계산해 소비량과의 상관 확인
2. 인구·가구 수로 정규화한 1인당 소비량을 시군별로 비교
3. 업종 구성비와 소비량의 관계를 회귀분석으로 분해
4. 월별 시계열 분해로 관광 성수기·혹한기의 소비 급증 구간 식별

[AI 활용]
- 기온·인구·업종 변수로 지역별 소비량 예측 모델 구축
- 예측 대비 과다 소비 지역을 이상탐지로 선별해 절감 우선지역 도출
- 생성형 AI로 업종 맞춤형 절감 캠페인 문구·가이드 초안 작성

[예상 결과물]
1. 지역·업종별 에너지 소비 프로파일
2. 절감 우선지역 지도
3. 맞춤형 에너지 절감 정책 제안

난이도: 심화 · 데이터 접근: 어려움 (신청·승인 필요) · 연결 데이터 12건
상세: https://knu-datathon-hub.vercel.app/topics/gangwon-05

[문제 상황]
폭염 피해는 기온이 높은 곳이 아니라 '더운데 피할 곳이 없는 곳'에 집중된다. 고령자 비율이 높고 쉼터까지의 거리가 먼 지역은 같은 기온에서도 위험이 훨씬 크다. 기온·인구·시설 데이터를 겹쳐 보면 이 불균형이 지도 위에 그대로 드러난다.

[핵심 질문]
우리 지역에서 폭염에 가장 취약한 곳은 어디이며, 무더위쉼터·그늘막을 어디에 추가해야 위험을 가장 많이 줄일 수 있는가?

[필요한 데이터]
- 기상청 ASOS/AWS 기온 관측자료 (폭염일수·열대야일수)
- KOSIS 연령별 인구 (고령인구 비율)
- 전국무더위쉼터표준데이터 (위치·수용인원·냉방기)
- 전국사회복지시설·노인복지시설 현황
- 전국도시공원정보 표준데이터 (녹지·그늘)

[추천 API]
- 기상청 지상(종관, ASOS) 일자료 조회서비스
- 기상청 단기예보 조회서비스 (실시간 알림 서비스용)
- 기상청 기상특보 조회서비스
- 재난안전데이터 공유플랫폼

[분석 방법]
1. 노출(기온)·민감도(고령인구)·대응능력(쉼터 접근성) 3축으로 폭염 취약지수(HVI) 구성
2. 격자(예: 500m) 단위로 최근접 쉼터까지 거리 계산 → 도보 10분 초과 구역 추출
3. 취약지수 상위 격자에 대해 P-median / MCLP 기반 최적입지 선정
4. 기존 개방 공공시설을 후보지로 넣어 '신설 없이 지정만으로' 개선되는 효과 측정

[AI 활용]
- 기상 변수로 폭염특보 발효 여부를 예측하는 분류 모델
- 군집분석으로 취약 유형(고령밀집형 / 시설부족형 / 고온형) 구분
- 생성형 AI로 지자체 제출용 정책 브리프 초안 작성
- 단기예보 API를 붙인 '오늘의 폭염 위험 알림' 프로토타입

[예상 결과물]
1. 폭염 취약지수 (격자·읍면동)
2. 폭염 위험지도
3. 쉼터·그늘막 최적입지 추천 목록

난이도: 중급 · 데이터 접근: 쉬움 (바로 다운로드) · 연결 데이터 12건
상세: https://knu-datathon-hub.vercel.app/topics/climate-01

[문제 상황]
강원은 산불 피해가 가장 큰 지역 중 하나다. 산불은 기온·습도·풍속·강수 등 기상 조건과 강하게 연결되며, 과거 발생 이력에는 반복되는 패턴이 남아 있다. 이를 학습하면 '어느 지역이, 어떤 날에 위험한가'를 사전에 좁힐 수 있다.

[핵심 질문]
기상 조건과 과거 발생 이력으로 지역별·일자별 산불 위험도를 예측할 수 있는가? 대응 자원은 어디에 먼저 배치해야 하는가?

[필요한 데이터]
- 기상청 ASOS/AWS 일자료 (기온·습도·강수량·풍속)
- 산림청 산불발생통계 (발생 건수·피해면적·원인)
- 행정안전부 생활안전지도 산불발생이력
- 국토정보플랫폼 DEM (고도·경사)
- 국토교통부 산불위험예측지도 (검증용)

[추천 API]
- 산림청 산불발생통계 OpenAPI
- 기상청 지상(종관, ASOS) 일자료 조회서비스
- 행정안전부 생활안전지도 산불발생이력 API
- 국토교통부 산불위험예측지도 API

[분석 방법]
1. 발생일 기준으로 기상 데이터를 조인해 발생/미발생 이진 데이터셋 구성
2. 실효습도·연속 무강수일수 등 파생변수 생성
3. 계절·시간대·원인별 발생 패턴 EDA 및 시각화
4. 클래스 불균형(발생일이 희소함) 처리 — 언더샘플링·가중치·PR-AUC 평가

[AI 활용]
- RandomForest / XGBoost / LightGBM 기반 위험도 분류 모델
- 변수 중요도·SHAP으로 '무엇이 위험을 만드는가' 설명
- 시계열 모델로 향후 7일 위험도 예측
- 예측 위험도를 지도에 올린 대응 우선순위 대시보드

[예상 결과물]
1. 산불 위험도 예측 모델 (성능 지표 포함)
2. 지역별 위험지역 지도
3. 대응 자원 우선 배치 지역 목록

난이도: 심화 · 데이터 접근: 보통 (인증키 발급 필요) · 연결 데이터 11건
상세: https://knu-datathon-hub.vercel.app/topics/climate-02

[문제 상황]
같은 비가 내려도 피해는 특정 지역에 반복해서 발생한다. 저지대이면서 하천에 가깝고, 지대가 급하게 낮아지는 곳에 물이 모이기 때문이다. 여기에 사람과 시설이 밀집해 있으면 같은 강수량도 전혀 다른 피해로 이어진다.

[핵심 질문]
집중호우 시 침수 위험이 높은 지역은 어디이며, 그중 인명·시설 피해가 클 곳은 어디인가?

[필요한 데이터]
- 기상청 ASOS/AWS 강수량 관측자료 (일최대·시간최대 강수량)
- 국토정보플랫폼 수치표고모델(DEM) — 고도·경사
- 행정안전부 지역재해위험지구 (기존 지정 구역)
- KOSIS 연령별 주민등록인구 (노출 인구)
- 전국사회복지시설·병의원 현황 (대피가 어려운 시설)

[추천 API]
- 기상청 지상(종관, ASOS) 일자료 조회서비스
- 기상청 기상특보 조회서비스 (호우주의보·경보)
- 행정안전부 공유플랫폼 지역재해위험지구 API
- 재난안전데이터 공유플랫폼

[분석 방법]
1. 관측 이력에서 재현기간별 극한 강수량(예: 30년 빈도) 산정
2. DEM으로 저지대·와지(움푹한 지형)를 추출해 물이 모이는 후보지 도출
3. 강수 강도 × 지형 위험도 × 노출 인구를 결합한 '침수 취약지수' 설계
4. 기존 재해위험지구와 비교해 아직 지정되지 않은 위험 후보지 선별

[AI 활용]
- 강수량·지형 변수로 침수 발생 여부를 예측하는 분류 모델
- 군집분석으로 침수 위험 유형 구분 (저지대형 / 하천인접형 / 도심불투수형)
- 대피소·배수시설 추가 시나리오별 위험 감소량 시뮬레이션
- 생성형 AI로 주민 대상 침수 대비 안내문 초안 작성

[예상 결과물]
1. 침수 취약지수 (격자·읍면동)
2. 침수 위험지도
3. 우선 정비·대피 안내 지역 제안

난이도: 심화 · 데이터 접근: 보통 (인증키 발급 필요) · 연결 데이터 11건
상세: https://knu-datathon-hub.vercel.app/topics/climate-03

[문제 상황]
재배 적지는 이미 북상하고 있다. 사과 주산지가 옮겨간 것처럼, 지금 잘 되는 작물이 10년 뒤에도 잘 된다는 보장이 없다. 지역의 기온·강수 추세를 읽고 작물별 생육 조건과 맞춰 보면, 무엇을 준비해야 하는지 미리 판단할 수 있다.

[핵심 질문]
우리 지역의 기후는 어떻게 변하고 있으며, 앞으로 어떤 작물이 유리해지고 어떤 작물이 불리해지는가?

[필요한 데이터]
- 기상청 ASOS 장기 관측자료 (연·월 평균기온, 강수량, 일조)
- 농림축산식품부 농작물 재배 지역별 품목별 현황 (시도·품목별 재배면적)
- 농림축산식품부 농작물 재배 지역별 시설별 면적현황 (노지·시설 비율)
- 농림축산식품부 농림축산식품 통계연보 (장기 생산량 시계열)
- 브이월드 행정경계 (시군 단위 집계)

[추천 API]
- 기상청 지상(종관, ASOS) 일자료 조회서비스
- 기상청 API 허브 (장기 관측·격자 자료)
- 공공데이터포털 (농업 관련 파일데이터 다운로드)

[분석 방법]
1. 지점별 연평균기온·적산온도·무상일수의 장기 추세 분석 (선형회귀·Mann-Kendall)
2. 작물별 생육 적합 온도 범위를 기준으로 지역별 적합도 점수 산출
3. 기온과 생산량의 상관을 확인해 기후 민감 작물 식별
4. 시나리오(+1℃, +2℃)별 적합 재배지 이동 범위 추정

[AI 활용]
- 시계열 모델(ARIMA·Prophet)로 향후 기온·강수 추세 예측
- 회귀 모델로 기후 변수 기반 작물 생산량 예측
- 군집분석으로 기후가 유사한 지역을 묶어 재배 전략 그룹화
- 생성형 AI로 농가 대상 전환 작물 안내 자료 초안 작성

[예상 결과물]
1. 지역별 기후 변화 추세 분석
2. 미래 적합작물 지도
3. 작물 전환·대응 전략 제안

난이도: 심화 · 데이터 접근: 어려움 (신청·승인 필요) · 연결 데이터 11건
상세: https://knu-datathon-hub.vercel.app/topics/climate-04

[문제 상황]
강원 관광은 계절 자원에 크게 기댄다. 겨울 스키와 눈 축제, 여름 해수욕이 대표적이다. 그런데 적설과 결빙 기간은 줄고, 폭염일수는 늘고 있다. 기상 조건과 실제 방문 데이터를 함께 보면 시즌이 어떻게 이동하고 있는지, 무엇으로 대체할 수 있는지가 보인다.

[핵심 질문]
기상 변화가 관광 방문 시기와 규모를 어떻게 바꾸고 있으며, 시즌별 관광 전략을 어떻게 다시 짜야 하는가?

[필요한 데이터]
- 기상청 ASOS 관측자료 (기온·강수량·적설)
- 한국관광공사 지역별 방문자수 (월별 방문 추이)
- 한국관광 데이터랩 (체류·소비 패턴)
- TourAPI 관광 POI (계절형 관광자원 분류)
- 전국관광지정보표준데이터 (관광지 좌표)

[추천 API]
- 기상청 지상(종관, ASOS) 일자료 조회서비스
- 기상청 단기예보 조회서비스 (실시간 관광 날씨 서비스용)
- 한국관광공사 관광빅데이터 정보서비스
- 한국관광공사 국문 관광정보 서비스 (TourAPI)

[분석 방법]
1. 적설일수·결빙일수·폭염일수의 연도별 추세 분석
2. 월별 기상 지표와 방문자 수의 상관·시차 분석
3. 시계열 분해로 관광 성수기 구간이 실제로 이동했는지 검증
4. 기상 조건별 관광지 유형(실내/실외, 계절형/사계절형) 방문 반응 비교

[AI 활용]
- 기상 변수로 월별 방문자 수를 예측하는 회귀 모델
- 군집분석으로 관광지를 기상 민감도에 따라 분류
- 기후 시나리오별 관광 수요 변화 시뮬레이션
- 생성형 AI로 비수기 대체 관광 콘텐츠 기획안 초안 작성

[예상 결과물]
1. 기상-관광 수요 연관 분석
2. 관광 시즌 이동 시각화
3. 사계절형 관광 전환 전략

난이도: 중급 · 데이터 접근: 보통 (인증키 발급 필요) · 연결 데이터 8건
상세: https://knu-datathon-hub.vercel.app/topics/climate-05

[문제 상황]
통학과 출퇴근은 매일 반복되기 때문에, 몇 분의 불편도 1년이면 큰 부담이 된다. 그런데 이동 편의는 대개 '노선이 있다/없다'로만 논의된다. 출발지와 도착지, 그 사이의 환승과 대기까지 데이터로 이으면 어디가 실제 병목인지 드러난다.

[핵심 질문]
통학·출퇴근 이동에서 시간이 가장 많이 새는 구간은 어디이며, 무엇을 바꾸면 가장 많은 사람의 이동이 편해지는가?

[필요한 데이터]
- 전국버스정류소표준데이터 (정류소 위치)
- 국토교통부 (TAGO) 버스노선정보 (경유·환승 구조)
- 전국초중등학교위치·학교학구도연계정보 표준데이터 (통학 목적지·배정 구역)
- KOSIS 연령별 주민등록인구 (통학·통근 연령층 분포)
- 국가교통DB (지역 간 통행량) · 브이월드 행정경계

[추천 API]
- 국토교통부 (TAGO) 버스정류소정보 API
- 국토교통부 (TAGO) 버스노선정보 API
- 공공데이터포털 (교통 관련 OpenAPI 검색·활용신청)

[분석 방법]
1. 주요 출발지-도착지 쌍에 대해 환승 횟수와 예상 소요시간 산출
2. 정류소별 경유 노선 수 분포로 노선 집중·희소 구간 식별
3. 인구 분포와 노선망을 겹쳐 '수요는 많은데 노선이 얇은' 구간 도출
4. 도보 접근 거리와 대기시간을 합친 '체감 이동비용' 지표 설계

[AI 활용]
- 그래프 분석으로 환승 네트워크의 병목 노드 탐지
- 노선 조정 시나리오별 총 이동시간 감소량 시뮬레이션
- 군집분석으로 이동 불편 유형 분류
- 생성형 AI로 개선안 제안서 초안 작성

[예상 결과물]
1. 체감 이동비용 지표
2. 통학·통근 병목 구간 지도
3. 노선·배차 개선 제안

난이도: 중급 · 데이터 접근: 보통 (인증키 발급 필요) · 연결 데이터 10건
상세: https://knu-datathon-hub.vercel.app/topics/life-01

[문제 상황]
사고는 무작위로 일어나지 않는다. 조명이 어둡거나, 보행로가 끊기거나, 차량과 보행자가 뒤엉키는 지점에서 반복된다. 그런데 개선은 대개 사고가 크게 난 뒤에야 이뤄진다. 위험 조건을 미리 지도에 그리면 사고 이전에 손을 쓸 수 있다.

[핵심 질문]
우리 지역에서 안전이 가장 취약한 지점은 어디이며, 어떤 시설을 보강해야 위험을 가장 많이 줄일 수 있는가?

[필요한 데이터]
- 행정안전부 지역재해위험지구 (기존 지정 위험구역)
- 재난안전데이터 공유플랫폼 (재난 대응기관·시설자원)
- 전국버스정류소표준데이터 (보행 유동 발생 지점)
- KOSIS 연령별 주민등록인구 (어린이·고령자 등 취약계층)
- 전국도시공원·공공시설개방정보 표준데이터 (야간 이용 시설)

[추천 API]
- 재난안전데이터 공유플랫폼 OpenAPI
- 행정안전부 공유플랫폼 지역재해위험지구 API
- 행정안전부 생활안전지도 관련 OpenAPI

[분석 방법]
1. 격자 단위로 위험 요인(위험지구·유동 지점·취약계층 밀도)을 합산한 안전 취약지수 설계
2. 학교·복지시설 주변 반경 내 위험 요소 중첩 분석
3. 야간 이용 시설과 정류장 사이 보행 경로의 연결성 점검
4. 취약계층 밀집도와 위험지수를 교차해 우선 개선 지점 선별

[AI 활용]
- 군집분석으로 위험 유형 분류 (보행형 / 교통형 / 시설노후형)
- 위험 요인 변수로 사고 위험도를 예측하는 분류 모델
- 시설 보강 시나리오별 위험 감소량 시뮬레이션
- 생성형 AI로 지자체 제출용 안전 개선 제안서 초안 작성

[예상 결과물]
1. 안전 취약지수
2. 안전 취약지역 지도
3. 우선 개선 지점·시설 제안

난이도: 중급 · 데이터 접근: 보통 (인증키 발급 필요) · 연결 데이터 8건
상세: https://knu-datathon-hub.vercel.app/topics/life-02

[문제 상황]
복지시설은 '있느냐'보다 '필요한 사람에게 얼마나 가까우냐'가 중요하다. 행정구역 단위 평균 통계는 구역 안의 편차를 감춰버려, 실제로 서비스에 닿지 못하는 마을이 통계상 문제없어 보이게 만든다. 수요와 공급을 같은 지도 위에 올려야 사각지대가 보인다.

[핵심 질문]
복지서비스 접근성이 낮은 지역은 구체적으로 어디이며, 어떤 시설을 어디에 두면 가장 많은 사람의 접근성이 개선되는가?

[필요한 데이터]
- 전국사회복지시설표준데이터 (시설 종류·위치·정원)
- 보건복지부 노인복지 시설현황 (수요 대비 수용력)
- 건강보험심사평가원 전국 병의원 및 약국 현황 (의료 접근성)
- KOSIS 연령별 인구 (고령·아동 등 수요 측면)
- 전국버스정류소표준데이터 (시설까지의 이동 수단)

[추천 API]
- 한국사회보장정보원 사회복지시설정보서비스 API
- 건강보험심사평가원 병원정보서비스 API
- 국토교통부 (TAGO) 버스정류소·노선정보 API
- 브이월드 행정경계 · 연속지적도

[분석 방법]
1. 시설 유형별 최근접 거리 / 반경 내 시설 수를 격자 단위로 계산
2. 고령인구·아동인구 대비 시설 정원 비율로 공급 부족 지역 도출
3. 대중교통으로 시설까지 도달 가능한지까지 반영한 실질 접근성 산출
4. 접근성 하위 + 수요 인구 상위 = 우선 개선 지역으로 교차 선별

[AI 활용]
- 군집분석으로 사각지대 유형 분류 (거리형 / 수용력형 / 교통형)
- 시설 신설 시나리오별 접근성 개선량 시뮬레이션
- 최적입지 알고리즘으로 '한 곳을 놓는다면 어디' 답 도출
- 생성형 AI로 주민 안내문·정책 제안서 초안 작성

[예상 결과물]
1. 복지 접근성 지수
2. 복지 사각지대 지도
3. 시설 입지 추천안 (개선 효과 추정 포함)

난이도: 중급 · 데이터 접근: 쉬움 (바로 다운로드) · 연결 데이터 10건
상세: https://knu-datathon-hub.vercel.app/topics/life-03

[문제 상황]
교육격차는 성적표에 나타나기 전에 환경에서 먼저 벌어진다. 도서관까지 걸어갈 수 있는지, 방과 후에 갈 곳이 있는지, 학원과 평생교육 시설이 근처에 있는지가 지역마다 크게 다르다. 이 차이는 개인의 노력으로 메우기 어렵다.

[핵심 질문]
학습·교육 인프라 접근성은 지역에 따라 얼마나 다르며, 어디에 무엇을 두면 격차가 가장 크게 줄어드는가?

[필요한 데이터]
- 전국초중등학교위치표준데이터 (학교 위치·학교급·설립형태)
- 전국학교학구도연계정보표준데이터 (통학구역 배정 정보)
- 전국평생교육시설정보표준데이터 · 학원 및 교습소 현황
- 교육부 교육통계서비스 유초중등 데이터셋 (학생수·학급수)
- 전국도서관표준데이터 · KOSIS 연령별 인구 (학습공간·학령인구)

[추천 API]
- 전국초중등학교위치표준데이터 OpenAPI
- 전국학교학구도연계정보표준데이터 OpenAPI
- 전국평생교육시설정보표준데이터 OpenAPI
- 국토교통부 (TAGO) 버스정류소정보 API

[분석 방법]
1. 학령인구 1천 명당 도서관 좌석수·장서수를 시군·읍면동별로 비교
2. 격자 중심에서 도서관·학습공간까지의 최근접 거리 계산
3. 대중교통으로 도달 가능한 교육시설 수를 세어 실질 접근성 산출
4. 학령인구는 많은데 인프라가 얇은 지역을 격차 우선지역으로 선별

[AI 활용]
- 군집분석으로 교육 인프라 유형 분류 (충분형 / 거리형 / 시간형)
- 시설 확충 시나리오별 접근 가능 학령인구 증가량 시뮬레이션
- 최적입지 알고리즘으로 학습공간 추가 지점 도출
- 생성형 AI로 지역 맞춤 교육 프로그램 기획안 초안 작성

[예상 결과물]
1. 교육 인프라 접근성 지수
2. 교육격차 지도
3. 학습공간 확충·프로그램 제안

난이도: 중급 · 데이터 접근: 보통 (인증키 발급 필요) · 연결 데이터 11건
상세: https://knu-datathon-hub.vercel.app/topics/life-04

[문제 상황]
'살기 좋다'는 말은 흔히 쓰이지만 측정되지는 않는다. 병원, 공원, 마트, 도서관, 체육시설이 걸어갈 만한 거리에 있는지를 하나의 지표로 묶으면 동네의 생활 여건을 비교할 수 있고, 무엇이 부족한지도 구체적으로 말할 수 있다.

[핵심 질문]
우리 동네의 생활 여건은 다른 지역과 비교해 어느 수준이며, 무엇을 더하면 가장 크게 좋아지는가?

[필요한 데이터]
- 전국도시공원정보표준데이터 (녹지·휴식 공간)
- 전국도서관·체육시설 표준데이터 (문화·여가)
- 소상공인시장진흥공단 상가(상권)정보 (생활편의 업종)
- 건강보험심사평가원 전국 병의원 및 약국 현황 (의료)
- 전국버스정류소표준데이터 · KOSIS 인구 (이동·수요)

[추천 API]
- 전국도시공원정보표준데이터 OpenAPI
- 소상공인시장진흥공단 상가(상권)정보 API
- 건강보험심사평가원 병원정보서비스 API
- 브이월드 행정경계 · 연속지적도

[분석 방법]
1. 의료·녹지·문화·편의·교통 5개 축을 표준화·가중합한 '생활환경 지수' 설계
2. 격자 중심에서 각 시설 유형까지 도보 15분 내 도달 가능 여부 판정
3. 축별 점수를 레이더 차트로 그려 동네별 강점·약점 시각화
4. 인구 규모가 비슷한 지역끼리 묶어 상대 비교

[AI 활용]
- 군집분석으로 동네 유형 분류 (균형형 / 편의부족형 / 녹지부족형)
- 시설 추가 시나리오별 생활환경 지수 변화 시뮬레이션
- 최적입지 알고리즘으로 가장 효과 큰 시설·위치 도출
- 생성형 AI로 동네별 생활환경 개선 기획안 초안 작성

[예상 결과물]
1. 생활환경 지수 (동네별 점수·레이더 차트)
2. 생활 인프라 격차 지도
3. 동네별 생활환경 개선 설계안

난이도: 중급 · 데이터 접근: 쉬움 (바로 다운로드) · 연결 데이터 11건
상세: https://knu-datathon-hub.vercel.app/topics/life-05