1. 서 론
전 세계적으로 발생하는 대규모 복합재난을 통해 재해 간의 상호관계, 복잡성이 점점 더 중요해지고 있다. 복합재난의 정의는 학문분야별 연구자에 따라 다소 차이가 있으나 다수의 연구자에게 통용되는 개념으로 ‘두 가지 이상의 재난이 동일 장소에 동시 또는 순차적으로 발생하여 그 피해가 복합적으로 나타나 기관 간의 협력이 필요한 재난’이라 할 수 있다(Kim and Jung, 2018; Kim and Youn, 2018; Yun et al., 2018). 최근 급격한 기후변화 및 도시화로 인하여 복합재난의 발생 빈도가 잦아지고 피해 강도는 점차 증가하여 복합화, 대형화, 다양화됨에 따라 전통적인 재난별 관리체계에서 복합재난 대응을 위한 통합적 관리체계로의 전환이 요구되는 시점이다.
단일재난의 피해가 다른 재난과 연계되어 기존의 재난 유형 분류에 따라 정의할 수 없는 사례가 증가함에 따라 단순 재난 발생 예측 가능성에 대한 신뢰도가 저하되고 있다(Oh et al., 2018). 재난을 단일재난으로 단편 대응할 경우 하나의 재난이 다른 재난에 주는 영향을 고려하지 못해 재난의 강도가 달라질 수 있고, 두 가지 이상의 재난이 상호작용하면서 발생하는 피해 사각지대에 대응하지 못하는 문제가 발생할 수도 있다(Tobin and Montz, 1997; ARMONIA, 2007; Kappes et al., 2010; Budimir et al., 2014; Mignan et al., 2014; as cited in Gill and Malamud, 2014). 이로 인해 재난대응의 우선순위, 재난의 위험성⋅취약성 등이 왜곡될 수 있다.
복합재난에 대한 기본 접근 방식은 “정의된 영역에서 관련 위험의 총체”로 구성되어야 한다(Kappes et al., 2012). 특정 장소 및 재난의 범주를 한정하지 않고 연구 대상지에서 발생된 모든 재난을 고려한 연구가 필요하다. 그러나 복합재난의 발생형태가 다양하고 예측불가능하여 모든 경우의 수를 헤아려 준비하고 대응할 수는 없는 실정이다. 따라서 빅데이터 분석에 특화된 체계적인 방법을 활용하여 대상지 내에서 발생된 모든 범주의 자연재난과 사회재난을 전체적으로 파악하여 우선적 대책마련이 필요한 시나리오의 확인이 매우 필요한 시점이다.
본 연구는 동일 시기, 동일 장소에서 발생한 개별재난들을 기반으로 권역별 복합재난 시나리오를 제시하고자 한다. 이를 위해 연구대상지 내에서 발생한 모든 자연재난과 사회재난의 발생 데이터를 통합 구축하고, 복합재난 시공간 클러스터 탐색 후 소셜 네트워크 분석을 실시하여 기존의 단일재난 예측 시스템에서 확인할 수 없었던 권역별 복합재난 대응 시나리오를 설정하고자 한다.
2. 이론적 고찰
복합재난 대응의 필요성이 점차 높아지면서 관련 연구들이 국내외적으로 꾸준히 증가하고 있다. 이에 따라 복합재난의 위험성 평가, 관리지도의 개발, 대응지역 및 시기의 탐색, 피해추정 등 다양한 목적의 연구들이 발표되었다.
세부적으로 Nam (2014)은 자연재난을 기반으로한 복합재난 베이지안 네트워크 모형을 구축하여 위험성 평가 연구를 진행하였다. Han et al. (2019)은 대응단계별 주요 취약 및 지원시설의 중요도를 도출하여 관리지도를 개발하고 이를 활용한 도시계획 대책을 제시한 바 있다. 복합재난의 대응지역 및 시기, 기간을 도출하기 위한 목적으로 Na et al. (2019)는 온라인 뉴스 데이터를 수집하여 분석하는 도구를 개발하였으며 Kim and Lee (2021)은 시공간 클러스터 분석을 활용하여 복합재난 핫스팟을 분석하였다. Na and Choi (2020)는 호우로 인하여 산사태가 발생하는 복합재난을 대상으로 피해액을 추정하는 방법을 제안하였다. Won and Lee (2021)은 재난 유형과 주요취약요소의 관계성을 분석하기 위하여 소셜 네트워크 분석을 활용하여 재난유형별 취약요소들의 중첩을 통해 재난 간 연계성을 규명하였고, Kim et al. (2022)는 네트워크 분석을 통해 국내외 시기별 복합재난 연구 동향 비교분석을 수행하였다.
하지만 이러한 선행연구에서는 복합재난 대응의 필요성을 공감하면서도 복합재난의 범주를 개별 재난 2~3개로 특정하거나 자연재난과 자연재난이 연계된 복합재난으로 한정하여 대응 방안을 제시하는 등의 한계가 있다. 시공간 클러스터 분석, 소셜 네트워크 분석 등 본 연구에서 활용한 동일 기법을 활용하여 복합재난 대응방안 마련을 위한 연구가 다 각도로 시도되었으나 대응지역 및 시기를 탐색하거나 재난 유형과 취약요소간의 관계성 규명, 연구동향분석을 목적으로 진행된 연구로 전체 재난을 대상으로 시나리오 개발을 진행한 연구는 전무하다.
재난관리에 있어 시나리오의 개발은 재난의 유형별 취약성과 미래예측을 통해 자체적 재난대응 역량을 진단하고 개선해 나가는 재난 대응의 첫 시작이라 할 수 있다(Choi et al., 2016). 나아가 Kim and Youn (2018)은 다양한 시나리오를 기반으로 통합 지휘체계를 구축하여 반복훈련의 중요성을 강조하였다. 이를 위하여 Gill and Malamud (2014)는 21개의 자연 위험 간의 상호 작용관계에 대한 특성을 시각화하여 매트릭스 형태로 시나리오를 제시하였으며, Appelquist and Halsnæs (2015)는 세계 해안 지역의 다중 위험 평가 및 다중 위험 관리를 위해 해안 위험 휠 시스템 시나리오를 개발⋅제시하였다. 국내에서는 Chung et al. (2022)는 디지털트윈 시스템을 적용하여 공동구에서 발생가능한 복합재난 시나리오를 구축하는 연구를 발표하였으며, Kim and Jung (2018)은 시나리오 개발을 위한 국내 자연재난 및 사회재난 사례 인벤토리를 구축하였다. Oh et al. (2018)은 예측단계에서 활용할 수 있는 시나리오 기반의 자연재난 및 사회재난 통합 모델링 시스템을 개발하여 연쇄적으로 발생하는 재난에 대한 피해를 예측할 수 있는 시스템을 구현하였다.
이처럼 국내외 많은 연구에서 복합재난 시나리오를 살펴보고자 하는 연구들이 수행되어 왔다. 그러나 앞선 선행연구들과 동일하게 재난의 범주를 한정하여 연구가 이루어졌다. 전체 재난을 대상으로 연구하더라도 사용자가 설정한 재난 시나리오에 대한 결과를 보여주는 시스템으로 개별재난들이 연계되어 발생한 빈도를 고려하여 네트워크화한 시나리오 분석이 이뤄지지 못한 한계점이 있다.
3. 연구의 흐름 및 범위
3.1 연구흐름
본 연구의 흐름은 Fig. 1과 같이 구성된다. 우선 복합재난 대응 시나리오를 제시하기 위하여 자연재난과 사회재난 시공간 데이터를 통합하여 구축하였다. 재해연보와 재난연감을 활용하였으며 이때 시간은 월 단위, 공간은 시⋅군⋅구 단위로 구축하였으며, 가축재난의 경우 시⋅군⋅구 단위의 데이터를 획득하지 못하여 시⋅도 단위로 구축하였다.
재난 피해의 기준은 이재민 발생, 인명피해, 재산피해 등이 있으며 자연재난의 경우 이재민 발생이 많고, 사회재난의 경우 인명피해, 재산피해가 많아 공통의 기준을 설정하기 어려워 피해 규모에 따라 등급화하여 시공간 클러스터를 분석을 시행하였다.
SaTScan 10.1.1 소프트웨어를 활용하여 전체 데이터를 대상으로 시공간 클러스터 분석 후, 복합재난의 재발 여부, 권역별 복합재난 발생 기초 특성 파악을 위하여 연도별 시공간 클러스터 분석을 시행하였다. 분석된 클러스터 중 재난의 종류가 2가지 이상인 복합적 형태를 띠는 클러스터를 대상으로 권역별 재난 발생 시나리오를 작성하고 이를 Gephi 0.10 소프트웨어를 활용하여 소셜 네트워크 분석 후 시각화하였다.
3.2 연구범위
본 연구에서 복합재난 대응 시나리오 분석을 위하여 사용한 데이터의 시간적 범위는 2005년~2021년까지이며 공간적 범위는 대한민국 전역이다. 내용적 범위는 태풍, 호우, 대설, 풍랑, 강풍, 폭염, 지진, 낙뢰, 기타 등의 재해연보 상의 자연재난과 산불, 유해화학물질 유출사고, 대규모 해양오염, 지하철 대형사고, 고속철도 대형사고, 다중밀집시설 대형화재, 해양선박사고, 사업장 대규모 인적사고, 다중밀집건축물 붕괴대형사고, 감염병, 가축질병, 전력, 보건의료분야 파업, 육상화물운송분야 파업, 미세먼지, 기타 등의 재난연감 상의 사회재난을 모두 포함하고 있다.
권역별 복합재난 시나리오 제시를 위하여 대한민국을 수도권(서울, 인천, 경기), 충청권(대전, 세종, 충북, 충남), 강원권(강원), 경상권(부산, 대구, 울산, 경북, 경남), 제주권(제주), 전라권(광주, 전북, 전남) 6개의 권역으로 구분하여 분석하였으며 도출된 클러스터의 전체 면적 중 10% 이상 차지하는 지역에 적용하여 분석하였다.
4. 연구 방법
4.1. 데이터 등급화
본 연구의 연구범위에 포함된 재난의 피해 종류가 다양하여 자연재난의 경우 이재민 발생 피해가 많은 반면, 사회재난의 경우 인명피해 및 재산피해가 많이 발생하여 한가지 기준으로 분석이 어렵다. 이에 따라 본 연구범위의 모든 재난을 대상으로 Natural Breaks (Jenks)를 활용하여 피해 정도를 10단계로 등급화하여 분류하였다. 본 알고리즘은 각 등급 내의 편차를 최소화하는 동시에 등급 간의 편차를 최대화하는 방법으로, 각 등급이 의미하는 수준을 보다 합리적으로 구분할 수 있는 장점이 있다(Fariza et al., 2016). Eqs. (1), (2)를 통해 산출되는 이 알고리즘은 전체 자료집단의 평균값(x¯)을 산출하고 각 관측치의 평균으로부터 분산 정도를 계산하여 등급구간을 설정한다. 그 후 데이터의 이동을 반복하며 등급 간의 편차 제곱합(SDBC)과 등급 내 편차의 제곱 합(SDAM)을 계산하여 가장 높은 분산적합도(GVF)를 산출한다. 고르지 않은 데이터를 분류할 경우 분기점 구분이 쉬워 자연재난, 가축질병 등 재난 분야에서도 활용하는 방법이다(Jeong et al., 2023; Lee et al., 2021).
sd: squared of deviation value
n: total value, x: data value
이재민발생, 인명피해, 재산피해금액을 각각 Table 1의 기준에 따라 10단계로 나눈 뒤 각 피해 유형별 등급을 합산하여 데이터를 구축하였다. 이때 인명피해의 경우 실종 혹은 사망의 경우 1, 부상과 감염은 0.5로 적용하였다.
Table 1
Reclassification of Damage Scale
4.2. 시공간순열모델
동일시간, 동일공간에서 발생하여 큰 피해를 준 복합재난 확인을 위하여 시공간 클러스터 분석을 시행하였다. Kulldorff (1997)가 제안한 시공간 스캔 통계량 분석은 공간적 x, y 좌표에 시간적 z 좌표를 추가하여 실린더를 투영하고 원의 크기와 높이를 최대치까지 증가시켜 나가면서 시⋅공간적으로 밀집되어 있는 군집을 분석하는 방법으로, 연구범위 내 z 공간에서 d시간에 발생된 총사례(C), 평균발생수(μzd)는 Eqs. (3), (4)와 같이 나타낼 수 있다(Kulldorff, 2001).
C(A)는 실린더 A내의 사례 수로 시공간 상호작용이 없을 경우 Eq. (5)와 같이 평균μA확률에 따라 분포하게되며, 실린더 A에서 실제로 발생한 사례 확률변수P(CA)는 Eq. (6)과 같다.
만약 총 사례수 C에 비하여 ∑ d ∈ A c z d ∑ z ∈ A c z d
본 연구에서 시공간 스캔 통계량 분석을 위한 통계 모델로 시공간순열모델을 활용하여 복합재난 발생 실린더를 추론하였다. 이때 분석 옵션으로 시간범위 및 공간범위의 최대 분석반경을 연구자가 설정할 수 있으며 기본값으로는 입력한 데이터의 시⋅공간의 각각 50%까지 확장되며 스캔하도록 되어있다. 본 연구에서의 공간적 최대분석 반경은 ｢재난 및 안전관리 기본법｣에 근거하여 시⋅도 혹은 시⋅군⋅구 단위로 하되 입력한 재난 데이터의 영향범위를 모두 포함할 수 있도록 가장 큰 규모의 시⋅도의 반경을 기준으로 적용하여 분석하였다. 시간적 최대분석 반경은 ｢재해구호법｣ 시행령 제3조의 구호기간 및 ｢중앙재난안전대책본부 구성 및 운영 등에 관한 규정｣의 운영기간 등에 근거하면 6개월까지 설정할 수 있다. 그러나 실질적으로 재난연감 상 재난안전대책본부의 운영기간을 참고하면 짧게는 하루부터 길게는 6개월까지 다양한 것으로 알 수 있다. 따라서 관련 법 및 재난안전대책운영본부 실제 운영기간을 종합적으로 고려하여 복합재난의 동시성 및 연속성의 특징을 담아낼 수 있도록 최대 3개월까지 확장하여 탐색할 수 있도록 설정하였다.
4.3. 소셜 네트워크 분석
소셜 네트워크 분석은 ‘대상이 되는 시스템 내의 개체를 그래프 이론, 선형대수, 통계확률, 시뮬레이션 등을 이용하여 관계의 함수로 네트워크 구조를 분석하는 방법’으로 사회 현상을 연구하여 사회 이론을 설명하기 위한 훌륭한 도구이다(Wasserman and Faust, 1994; Scott, 2011; Galaskiewicz and Wasserman, 1993). 개체의 독립된 특성이 아니라 개체와 집단들 간의 관계를 노드(node)와 엣지(edge)로 모형화하여 관계형 변수를 분석하고 파악하기 어려운 관계를 시각화 그래프로 생성하여 네트워크 형태로 나타낼 수 있다(Newman, 2006). 이는 다시 관계행렬 형태로 전환하여 수학적 계산을 통해 거리의 계산, 중심성 경향 등에 대한 정보를 제공할 뿐 아니라 하위그룹 분석, 양자 간 혹은 삼자 간의 관계 등을 분석할 수 있어 연결망 형태의 특징과 각 개체가 가지고 있는 위치, 역할, 영향력 등의 관계성으로 시스템의 특성을 설명하거나 시스템을 구성하는 개체의 행위를 설명할 수 있다는 장점이 있다(Ko, 2007).
이러한 특징을 설명하기 위하여 연결중심성, 매개중심성, 모듈성 등을 분석하게 된다. 우선 연결중심성(degree centrality)의 경우 Eq. (8)에 의해 산정할 수 있으며 전체 네트워크 구조상에서 해당 노드의 활동성과 영향력에 대해 파악이 가능하다. 즉 연결중심성이 높다면 다른 노드들과 많은 관계를 가지고 있다는 것을 의미하며, 이는 네트워크상에서 상대적으로 높은 영향력을 반증한다.
n : 네트워크를 구성하는 전체노드의 수
di = i 번째 노드의 연결 수
매개중심성(betweenness centrality)은 어떤 노드가 두 노드 사이를 매개하는 역할을 하는 정도로 어떤 노드가 두 노드 사이의 최단경로 위에 위치하는 빈도를 통해 측정하는 값으로 Eq. (9)에 의해 산정한다(Kim and Kim, 2016). 한 노드가 얼마나 다른 노드들과의 연결망을 구축하는데 중개자 혹은 매개 역할을 하는지의 기준이 된다(Bae et al., 2010).
gij : 노드i 에서 j ≠ i로 가는 최단경로의 수
gijk : 노드j 에서k (≠ j, ≠ i)로 가는 최단경로 가운데 노드i (≠ j)를 거치는 경로의 수
모듈성(modularity) 지표는 네트워크가 얼마나 잘 세분화된 하위그룹으로 나눠질 수 있는가를 표현하는 유용한 지표이다. 각 개체의 유사성을 측정하여 유사도가 높은 대상집단을 소그룹으로 분류하고 분류된 그룹 속 개체들의 유사성과 타 소그룹 속 개체 간의 상이성을 규명하는 분석방법으로, Eq. (10)에 의하여 산정한 값이 크면 모듈구조가 강하다는 것을 시사한다(Newman, 2004). 같은 소그룹 안의 노드 사이에는 연결이 강하고 다른 소그룹 사이에 속한 노드와는 연결성이 희박해지기 때문에 모듈성 지표에 따른 네트워크 세분화는 네트워크의 성격을 파악하는데 유용하다(Kim and Lee, 2020).
Ai,j : 노드 i와 j간 연결강도
ci,j : 노드 i, j가 속한 소집단
δ (u, v) : u와 v가같으면 1, 아니면 0
복합재난 대응에 있어 시나리오 기반 재난 네트워크 개발, 재난 간의 상호작용 관계파악을 강조하면서도 분석수준과 범위, 방법이 불분명한 것이 현실이다. 소셜 네트워크 분석을 활용하면 클러스터 내 개별적 관계를 분석하기 어렵거나 서술적으로 기술하기 어려운 복합한 구조의 유사성을 찾아낼 수 있는 장점이 있다. 이를 통해 연구대상지에서 발생 된 재난 중 복합재난 대응 측면에서 어느 재난이 연결성이 높은 재난인지, 다른 재난과 매개 역할을 하는 재난은 어떤 재난인지 등의 재난 간의 관계를 파악할 수 있으며 분석결과를 시각화하여 재난의 관계특성을 직관적으로 빠르게 파악할 수 있다. 소셜 네트워크 분석을 시행할 때 개별 노드(재난)간의 방향성을 설정할 수 있는데 본 연구 대상인 재난의 전개 양상이 연속형보다는 서로 연관성이 없는 재난이 동시에 발생하는 다발형이 많고 감염병, 가축질병과 같이 특정 재난이 지속하여 이어지는 상황을 반영하기에는 방향성 없는 네트워크가 적합하다고 판단되어 방향성 없이 소셜 네트워크 분석을 실시하였다.
5. 연구 결과
5.1. 전국 복합재난 시나리오
권역별 재난 시나리오를 확인하기에 앞서 대한민국 전역을 대상으로 복합재난 시나리오를 분석하였다. 본 연구의 시공간 전체 범위를 대상으로 시공간 복합재난 클러스터를 탐색한 결과 Table 2와 같이 5개의 클러스터가 도출되었다. 재난으로는 호우, 다중밀집시설 대형화재, 태풍, 폭설, 강풍, 지진, 풍랑이 도출되었다. 그 후 도출된 개별 재난을 대상으로 재난 간의 관계를 파악하기 위하여 소셜 네트워크 분석을 실시하였으며 Table 3과 Fig. 2와 같이 도출되었다. 재난별로 살펴보면 호우 및 다중밀집시설 대형화재가 다른 재난들과 연계되어 복합적 형태의 재난이 될 가능성이 크다고 볼 수 있는 연결중심성이 높게 나타났다. 서로 다른 재난을 이어주는 역할을 할 가능성이 크다고 볼 수 있는 매개중심성이 높은 재난은 폭설로 나타났으며 개체들의 유사성 기반의 소그룹을 확인할 수 있는 모듈성 분석 결과 2개의 소그룹으로 세분화되었다. 군집 내의 노드 간 연결 강도가 높을수록 연결두께가 두꺼우며 호우와 태풍이 동일 시공간에 발생할 확률이 가장 높은 것으로 나타났다. 본 분석결과를 바탕으로 호우와 다중밀집시설 대형화재, 태풍, 지진이 동시에 혹은 순차적으로 발생하였을 경우 등의 구체화된 시나리오 작성이 가능하며 이를 기반으로 한 재해 예방⋅대응이 필요할 것으로 고려된다.
Table 2
Result of Space-time Complex Disaster Clusters in Korea
Table 3
Social Network Analysis of Disasters in Korea
5.2. 권역별 복합재난 시나리오
연도별 시공간 재난 데이터를 대상으로 복합재난 클러스터 분석한 결과 총 62개의 클러스터가 도출되었다. 권역별로 살펴보면 각각 수도권 19개, 충청권 19개, 강원권 16개, 경상권 22개, 제주권 4개, 전라권 15개며 2개 이상의 권역에 걸쳐서 생성된 클러스터도 다수 있었다. 권역별 노드를 살펴보면 수도권, 강원권 권역의 노드가 가장 많이 도출됨에 따라 다른 지역보다 복합재난 시나리오가 더 복잡성을 띠고 더 다양할 것으로 예측된다.
권역별 클러스터 내 개별재난들을 대상으로 소셜네트워트분석 결과 Table 4와 같이 분석되었으며 이를 시각화하여 표현하면 Fig. 3과 같다. 노드 간의 연결 강도가 높을수록 연결두께가 두꺼우며 모듈화 분석 후 권역별 재난 중 유사도가 높은 소그룹끼리는 동일 색상으로 표현하였다. 권역별 연결중심성이 높은 재난을 살펴보면 대부분 호우가 가장 높이 나왔지만 전라권의 경우 대설과 유해화학물질 유출사고, 제주권은 풍랑이 각각 가장 높게 도출되었다. 매개중심성이 높은 재난 역시 수도권, 충청권, 강원권에서는 호우가 높게 나타났지만 경상권은 가축질병, 전라권은 대설, 호우와 유해화학물질 유출사고, 제주권은 풍랑이 높게 도출되는 등 권역별 재난의 발생빈도 및 피해규모에 따라 차이가 있었다. 사회재난 중에서 연결중심성이 높은 재난으로는 수도권, 충청권, 강원권 다중밀집시설대형화재, 경상권 가축질병, 전라권 유해화학물질 유출사고, 제주권 해양선박사고, 매개중심성이 높은 재난은 대부분 연결중심성이 높은 재난과 일치하였지만 충청권의 경우는 유해화학물질 유출사고로 다르게 나타났다.
Table 4
Social Network Analysis of Disasters by Region
분석결과를 토대로 각 권역별 연결중심성, 매개중심성, 모듈성 등을 고려하여 같은 소그룹에서 연결중심성 및 매개중심성이 높은 재난으로 복합재난 시나리오를 구성하면 다음과 같다. 수도권의 경우 호우-다중밀집시설 대형화재-기타사회재난-태풍, 강풍-풍랑-가축질병, 대설-한파 등 세 그룹의 시나리오가 확인된다. 충청권의 경우 호우-다중밀집시설 대형화재-유해화학물질 유출사고, 강풍-풍랑-가축질병의 시나리오, 강원권은 호우-다중밀집시설 대형화재-강풍-풍랑-가축질병-산불-감염병, 대설-기타사회재난의 시나리오를 파악할 수 있다. 경상권은 호우-태풍-다중밀집시설 대형화재-지진, 대설-가축질병-강풍-다중밀집건축물 붕괴대형사고, 감염병-산불의 시나리오, 제주권은 풍랑-호우-강풍, 대설-해양선박사고 등 두 그룹의 시나리오가 도출되었다. 마지막 전라권은 타 권역에 비하여 가장 많은 소그룹으로 구분되며 대설-강풍-풍랑-다중밀집시설 대형화재, 유해화학물질유출사고-한파-미세먼지, 호우-태풍-기타사회재난-다중밀집건축물 붕괴대형사고, 가축질병-해양선박사고-감염병-대규모 해양오염이 결합된 시나리오 등을 확인할 수 있다. 권역별로 지리적 특징, 기후적 특징 및 도시의 구성형태, 산업현황 등의 차이로 인하여 과거 발생된 자연재난 및 사회재난의 종류가 다르고, 재난이 발생하여 피해를 입히는 시점과 강도가 달라 권역별 복합재난 시나리오에 차이가 발생한 것으로 고려된다.
6. 결론
재난이 다른 재난과 연계되어 발생하는 빈도가 증가하면서 재해 간의 관계 파악 필요성이 두드러지고 있다. 보다 나은 재난대응방안 논의를 위하여 우선적 대응이 필요한 복합재난 시나리오 확인이 요구되는 시점이다. 본 연구는 과거 발생했던 재해⋅재난 데이터를 기반으로 동일시기, 동일공간에서 발생하였던 재난들을 확인하고 소셜네트워크분석을 통하여 재난들간의 관계를 정량화하여 시나리오를 제시하였다. 연결중심성 및 매개중심성 확인을 통하여 재난 간의 관계와 강도를 수치화하여 파악할 수 있었으며 모듈성 분석을 통하여 관련성이 높은 재난을 다시 소그룹화하였다.
분석된 결과를 살펴보면 다수의 권역에서 공통적으로 호우와 사회재난이 높은 연결중심성을 나타내었다. 실례로, 2020년 여름 전남권을 비롯한 전국에서 호우와 코로나-19 감염병이 복합적으로 발생하였으며, 2023년 여름 강원권에서 호우와 가축질병이 발생하기도 하였다. 그러나 복합재난에 대한 준비가 미흡하여 호우 이재민 대피소를 마련했다가 감염병 확산을 막기 위하여 긴급하게 폐쇄하는 등 원활한 대응이 이루어지지 않았으며(Cheon, 2020), 가축질병 오염원이 호우피해에 따라 더 확산되는 등의 문제가 있었다. 나아가 가축질병 대응 방법인 살처분⋅매립 등의 방법이 집중호우와 연계되었을 때 매립지의 오염확산 등도 종합적으로 고려가 필요한 부분이다. 분석결과를 보면 위와 같은 형태의 시나리오는 처음 발생한 재난이 아님을 알 수 있었으며 추후 반복적으로 발생할 가능성이 있으므로 미리 대비하여야 한다. 그밖에도 분석된 재난의 형태를 보면 바람(강풍, 풍랑)-화재(다중밀집시설 대형화재, 산불)가 결합된 시나리오, 지진과 태풍⋅호우-사회재난 연계의 시나리오, 유해화학물질 유출사고-미세먼지-한파 시나리오 등 복합적 위험요인으로 인하여 재난이 대형화될 가능성이 큰 시나리오를 확인할 수 있었다.
이러한 시나리오 관련 접근 방식은 시나리오 중심의 비상 대비 및 대응 연습으로 복합재난 발생에 대한 신속한 의사결정을 지원한다. 재해와 재해 간의 복합성, 피해 지역의 고유특성 등 관련된 여러 요소의 상호 작용을 체계적으로 고려하여 사전에 유리한 재난관리의 전략을 설정하여 피해를 축소할 수 있다.
본 연구는 복합재난 대응을 위한 정책적⋅제도적 기반이 미흡하고 불확실한 상황에서 재난의 관계특성을 직관적으로 빠르게 파악하여 지역기반의 효율적 복합재난 대응계획안 구축의 기초자료로 활용할 수 있을 것으로 기대된다. 재난이나 공간의 범주를 한정하여 분석되었던 기존의 연구와는 달리 동일 시공간에서 개별재난의 연계 발생빈도를 기반으로 재난 간의 관계를 규명하였다는 점에서 다른 연구들과 차별성이 있다. 또 이를 통해 개별 재난으로 관리되어 오던 재난이 복합재난이 될 가능성에 대하여 분석했다 점에 의의가 있다.
그러나 과거 재난 발생 이력 통계를 기반으로 하였으므로 과거에 발생하지 않았던 새로운 유형의 재난이 발생하였을 때 이를 설명하지 못하는 한계점이 있다. 나아가 향후 더 좁은 대상지의 현장에서 지역수준의 이해가 필요할 경우 읍⋅면⋅동 단위 이하의 세분화 수준의 분석이 필요할 것으로 고려된다.
PDF Links
PubReader
Full text via DOI
Download Citation
Print
