Twelve months of service requests: daily, weekly and monthly ask different questions

Raw data 원자료_민원접수_2025-09_2026-08.csv · 12 rows

Synthetic demonstration data — not real service requests and not any municipality’s data (the city is written as a placeholder). The twelve-month file comes from a seeded generator in the repository, and every table and sentence was produced by running the repository’s own engines. Those values were then checked cell by cell against an answer sheet computed without the engines: 47 cells, 0 mismatches. Control charts and binomial tests have no engine yet, so those cells are held in an explicit “no engine” layer with the reason written beside them.

The study, step by step — what was actually produced

1. ① Intake structure — does deadline compliance differ by department

   The data is cleaned first: duplicate record numbers removed, blank districts marked unknown, elapsed days recomputed from the dates, and rows whose completion date precedes their intake date pulled out for review. Then department is crossed with deadline compliance — this table is where the three cycles start.

   담당부서와 기한내 간의 관계를 알아보기 위해 카이제곱 검정을 실시하였다(N = 16385). 유의수준 .05에서 두 변수 간 유의한 관계가 있다(χ²(7, N = 16385) = 934.32, p < .001). 연관의 크기는 Cramér's V = .24이었다. 특히 유의한 셀: 도로교통과×N(낮음), 도로교통과×Y(높음), 문화체육과×N(낮음), 문화체육과×Y(높음), 복지정책과×N(낮음), 복지정책과×Y(높음).

2. ② Daily — how are things right now

   A single day does not ask whether something changed. It counts what arrived, what is still open, and what is past its deadline. Comparing with yesterday swings wildly by day of week, so the comparison is with the same weekday a week earlier. No hypothesis test runs here — one day is not enough data for one.

   개통전후에 따른 일별접수의 차이를 검정하기 위해 독립표본 t검정을 실시하였다(N = 365). 일별접수에 대한 Welch의 t-검정 결과, 전(M = 40.55, SD = 17.50)과 후(M = 54.15, SD = 26.32) 간에 유의한 차이가 있었다(t(319.0) = -5.82, p < .001, Cohen's d = -0.61, 평균차 = -13.60, 95% CI [-18.21, -8.99]). 등분산 가정이 충족되지 않아 Welch 보정을 적용하였다(Levene F = 17.43, p < .001).

3. ③ Weekly — is something moving

   A week asks whether anything spiked. Compare eight request types against last week and one of them will move sharply by chance alone, so looking at all eight at once has to be accounted for. How large the day-of-week effect is, ANOVA answers with a number.

   요일에 따른 일별접수의 차이를 검정하기 위해 일원배치 분산분석을 실시하였다(N = 365). 일별접수에 대한 일원배치 분산분석 결과, 집단 간 유의한 차이가 있었다(F(6, 358) = 124.09, p < .001, η² = .68). 집단별 기술통계는 금(M = 56.88, SD = 14.96), 목(M = 52.25, SD = 13.68), 수(M = 54.85, SD = 17.31), 월(M = 71.92, SD = 17.25), 일(M = 16.44, SD = 4.77), 토(M = 20.58, SD = 5.03), 화(M = 58.42, SD = 14.26)이었다. 등분산 가정은 충족되지 않았다(Levene p < .001). 사후검정(Tukey HSD): 금↔월(p < .001), 금↔일(p < .001), 금↔토(p < .001), 목↔월(p < .001), 목↔일(p < .001).

4. ④ Monthly — why is it that way

   Only a month of data supports tests that ask about causes. ANOVA checks whether elapsed days differ by district, and the post-hoc test names which district pair separated. Whether intake volume shifted when app submission opened is also examined here.

   권역에 따른 처리소요일의 차이를 검정하기 위해 일원배치 분산분석을 실시하였다(N = 16385). 처리소요일에 대한 일원배치 분산분석 결과, 집단 간 유의한 차이가 있었다(F(3, 16381) = 114.00, p < .001, η² = .02). 집단별 기술통계는 동부권(M = 4.20, SD = 3.80), 서부권(M = 5.20, SD = 4.53), 신도시권(M = 3.74, SD = 3.30), 중앙권(M = 3.95, SD = 3.63)이었다. 등분산 가정은 충족되지 않았다(Levene p < .001). 사후검정(Tukey HSD): 동부권↔서부권(p < .001), 동부권↔신도시권(p < .001), 동부권↔중앙권(p = .014), 서부권↔신도시권(p < .001), 서부권↔중앙권(p < .001).

5. ⑤ Explanation — the department or the deadline design

   Department and district together explain elapsed days. Then compliance is split again — not by department but by the length of the statutory deadline. Where the same numbers reverse their answer under a different split is the heart of this report.

   처리소요일에 대한 다중회귀분석을 실시하였다. 회귀모형은 통계적으로 유의하였다(R² = .28, 수정 R² = .28, F(10, 16374) = 640.53, p < .001). 모형의 설명력은 28.1%였다. 이는 투입된 10개 독립변수가 처리소요일 분산의 약 28%를 설명함을 의미한다. 각 독립변수의 영향력을 살펴보면, 담당부서_주택정비과는 처리소요일에 유의한 정적(+) 영향을 미쳤다(B = 5.30, SE = 0.09, β = .43, t(16374) = 57.68, p < .001). 다음으로 담당부서_복지정책과는 처리소요일에 유의한 정적(+) 영향을 미쳤다(B = 2.05, SE = 0.09, β = .16, t(16374) = 21.63, p < .001). 다음으로 담당부서_민원여권과는 처리소요일에 유의한 부적(-) 영향을 미쳤다(B = -1.61, SE = 0.09, β = -.13, t(16374) = -17.00, p < .001). 다음으로 권역_서부권은 처리소요일에 유의한 정적(+) 영향을 미쳤다(B = 0.83, SE = 0.07, β = .09, t(16374) = 11.44, p < .001). 다음으로 담당부서_안전총괄과는 처리소요일에 유의한 부적(-) 영향을 미쳤다(B = -1.11, SE = 0.10, β = -.08, t(16374) = -11.12, p < .001). 다음으로 담당부서_환경관리과는 처리소요일에 유의한 부적(-) 영향을 미쳤다(B = -0.72, SE = 0.07, β = -.08, t(16374) = -9.65, p < .001). 다음으로 권역_중앙권은 처리소요일에 유의한 부적(-) 영향을 미쳤다(B = -0.35, SE = 0.07, β = -.04, t(16374) = -4.85, p < .001). 다음으로 권역_신도시권은 처리소요일에 유의한 부적(-) 영향을 미쳤다(B = -0.30, SE = 0.07, β = -.03, t(16374) = -4.09, p < .001). 마지막으로 담당부서_세무과는 처리소요일에 유의한 부적(-) 영향을 미쳤다(B = -0.52, SE = 0.12, β = -.03, t(16374) = -4.33, p < .001). 즉, 담당부서_주택정비과, 담당부서_복지정책과, 권역_서부권이 높을수록 처리소요일이 높아지는 것으로, 담당부서_민원여권과, 담당부서_안전총괄과, 담당부서_환경관리과, 권역_중앙권, 권역_신도시권, 담당부서_세무과가 높을수록 처리소요일이 낮아지는 것으로 해석할 수 있다. 한편, 담당부서_문화체육과은(는) 통계적으로 유의한 영향을 미치지 않는 것으로 나타났다(p > .05). 다중공선성 진단 결과 최대 VIF는 1.46(권역_중앙권)로, 문제없음이었다.

Key results

Representative quotes

Every quote is a sentence that exists in the raw data (excerpt-existence check passed).

Paper-ready tables