1. 서론
최근 우리나라 뿐 만 아니라 세계적으로 지구온난화와 기후변화에 따른 자연재해로 인한 피해규모가 점점 더 커지고 가속화되어 많은 피해를 야기하고 있다. 그러므로 최근에는 자연재해의 대응에 대한 관심이 매우 높은 상황이다. 대부분의 자연재해가 홍수에 의한 것으로 총 피해액의 90% 이상을 차지하고 있지만(NEMA, 2014), 국민안전처(구, 소방방재청)에서 발행하는 재해연보의 자료에 따르면, 1993년부터 2002년까지 10년간의 재산피해 중 7.6%가 대설에 의한 것으로 보고되고 있다. 특히, 2004년 3월 충청지역의 대설과 2005년 3월 영동·영남지역의 대설은 교통체증 및 막대한 재산피해를 가져오는 등 앞으로의 피해규모가 커질 것이 예상되고 있다(Kim, 2015).
자연재해에 의한 피해액을 추정하는 연구도 또한 대부분 강우와 태풍에 의한 홍수 피해에 그 초점이 맞추어져 있으며, 그 동안 대설 관련된 피해에 관한 연구는 대부분 지점별 최심적설량이나 최심신적설량 등 극치 통계분석을 통한 피해액을 산정하여 제시하고 있다(Jeong and Heo, 2014). Cavallo and Noy (2010)은 기후요인과 사회·경제적 요인을 고려하여 대설에 대한 경제적 피해액을 추정하여 제시하고 있다.
Jeong and Lee (2014)에서는 폭설에 의한 인명피해와 이재민수를 예측하기 위해 기후변수(신적설량, 대설일수)와 사회·경제적인 변수(인구, GRDP, 면적)를 사용한 다중회귀모형을 구축하였다. 이는 Toya and Skidmore (2007)의 연구와 맥을 같이한다. Toya and Skidmore (2007)는 자연재해에 대한 인명피해와 GDP당 피해액을 예측하기 위한 사회·경제적인 요소(학교 수업일수, 정부예산규모 등)를 이용하여 모형을 회귀모형을 구축하고, OECD국가와 개발도상국을 대상으로 분석을 수행하였다. 교육수준과 경제규모가 증가함에 따라 자연재해에 따른 피해가 줄어드는 경향이 있음을 밝혔으나 구축된 모형의 수정된 결정계수(adjusted R2)가 0.09~0.35로 그 효율이 높지 않았다. 이는 사회·경제적인 요소를 고려하여 구축한 회귀모형이 가지는 한계로 보여진다.
국내에서는 현재 대부분의 연구를 차지하고 있는 강우와 태풍에 따른 피해액추정 모형개발 사례를 살펴보면, Lee(2013)은 회귀분석을 활용하여 강우에 따른 피해규모 예측모델을 개발했다. 예측모델은 9개의 권역(강원도, 수도권, 충북, 충남, 경북, 경남, 전북, 전남, 제주도)에 대하여 강우와 태풍에 대한상관성을 분석하고, 복합특성에 따른 각각 최적의 상관계수를 도출하였다. Kim(2013)은 3-second gust에 따른 한국형 위험도 평가 모형(Risk Assessment Model)을 활용하여 행정구역별 강우에 따른 주택 한 채의 피해액을 예측하였다. 위험도평가 모형에서는 미국의 FDFS(Florida Department of Financial Services)에서 개발하여 사용하고 있는 FPHLM(Florida Public Hurricane Loss Model)을 참고로 국내 상황에 맞도록 모델의 초기 입력 자료를 이용하여 피해액을 예측하였다. Lee(1998)은 자연 태풍재해의 공간적 분포를 분석하였다. 해외에서 대설에 대한 피해액 예측에 대한 연구가 지금까지도 진행되고 있으나, 국내에는 대설관련 피해액을 예측하는 연구는 찾아보기 쉽지 않다. 그러므로 현재 대설에 대한 피해액 예측모델 개발을 위한 연구가 필요한 실정이다.
본 연구에서는 회귀분석을 이용해 대설에 따른 피해액 예측모델 개발을 위해 강원지역을 중심으로 18개 시·군·구별 지역을 구분하였다. 또한, 각 지역별 여러 가지 특징을 반영한 대설피해의 영향인자를 도출하여 대설에 영향을 미치는 인자를 규명하고, 대설에 따른 시·군·구별 피해액 예측모델을 개발하였다.
2. 분석기법
2.1 대설
대설은 짧은 시간에 많은 양의 눈이 오는 기상현상으로, 기상학적 측면에서 보면 대설은 12시간에 10 cm이상의 신적설 또는 24시간에 15 cm이상의 신적설이 발생하는 것을 말한다(KMA, 2015).
대설 발생 시 신적설량에 따라 대설특보 (대설주의보, 대설경보)가 발령되는데, 우리나라의 경우 대설주의보는 24시간에 신적설이 5 cm이상 예상될 때 발령되고, 대설경보는 24시간에 신적설이 20 cm이상, 산지의 경우에는 25시간에 신적설이 30 cm이상이 예상될 때 발령된다 (KMA, 2015).
대설에 의한 피해유형은 ①눈이 많이 쌓여서 발생하는 적설피해, ②눈압력에 의해서 발생하는 설압 피해, ③쌓인 눈이 가파른 경사면에서 미끄러져 발생하는 눈사태 피해, ④젖은 눈이 송전선이나 기타 가설물에 부착되어서 발생하는 착설 피해, ⑤도로 빙판화에 따른 교통사고 피해, ⑥대설발생 후 관리소홀에 의한 피해 등 크게 6가지로 구분된다(NEMA, 2012).
2.2 회귀분석
회귀분석은 관찰되거나 주어진 각각의 변수들에 대해 관련성을 밝히고 평가하는 방법이다. 통계학적으로 독립변수(independent variable)와 종속변수(dependent variable) 사이의 상관관계를 나타내는 선형 관계식을 구하는 기법 및 이렇게 얻은 모형의 적합도를 측정하는 분석 방법이다(Park, 2007). 관계식에서 독립변수는 원인의 역할을 하는 변수이고 종속변수는 변화에 따른 결과로 관측되는 변수이다. 이를 통하여 독립변수의 영향력을 예측하는 것이 회귀분석의 일반적인 방법이다. 회귀분석은 시간에 따라 변화하는 데이터나 어떤 영향은 가설적 실험, 인과 관계의 모델링 등의 통계적 예측에 이용될 수 있다(Park, 2007).
하나의 독립변수만을 고려하여 종속변수와의 관계를 분석하는 방법을 단순회귀분석(simple regression analysis)라고 하고, 두 개 이상의 독립변수들을 고려하는 방법을 다중회귀분석(multiple regression analysis)이라고 한다. 또한 명목척도나 서열척도로 측정된 변수를 독립변수로 사용하고자 하는 경우에는 이항변수(binary variable)로 표시된 몇 개의 더비변수(dummy variable regression)라 한다. 이외에도 독립변수와 종속변수 간의 관계에 따라 선형회귀분석과 비선형회귀분석으로 나누어진다(Park, 2007). 본 연구에서는 두 개 이상의 독립변수들을 고려하여 다중회귀분석을 사용하고자 한다.
다중회귀분석의 기본적인 개념은 단순회귀분석과 같지만, 독립변수가 2개 이상 사용된다는 점이 다르다. 여러 개의 독립변수를 사용함으로서 예측 능력을 높일 수 있다. 이 모형은 정량적인 종속변수 Y와 독립변수군인 X1, X2, X3,…,Xi 사이의 관계를 적합 시키기 위해 사용된다. 독립변수가 i개인 다중회귀분석의 기본 모형은 식 (1)과 같다.
식 (1)에서 β0, β1, β2,…, βi은 회귀계수(coefficient)이고, ε는 종속변수 Y를 측정할 때 발생하는 오차이다. 회귀모형의 추정은 회귀계수 β0, β1, β2,…, βi를 찾는 것을 말한다. 이를 위해 최소자승법(ordinary least square: OLS)을 이용하여 추정한다. 회귀분석에서 결정계수(R2) 의 값은 종속변수의 총 변동에 대한 독립변수들의 설명력의 크기를 나타내는 척도로서 0≤R2≤1의 범위를 갖고, R2의 값이 1에 가까울수록 독립변수의 설명력이 크고, 추정된 회귀식의 적합도가 높다는 것을 의미한다(Park, 2007).
하지만, 다중회귀분석에서는 독립변수의 수가 증가하면 결정계수(R2)의 값이 높아진다. 이러한 결정계수의 단점을 보완하기 위해, 다중회귀분석에서는 수정된 결정계수(R*2)를 이용해야 한다. 여기서, 수정된 결정계수(R*2)는 값이 1에 가까울수록 독립변수가 투입되었을 때 회귀식의 설명력이 매우 크다는 것을 의미한다. 또한, 많은 독립변수 중 종속변수에 가장 큰 영향을 주는 변수만을 선택하여 회귀모형에 포함시키거나, 회귀식의 설명력을 높이기 위해 종속변수에게 가장 영향이 없는 변수는 제거할 필요가 있다.
다중회귀분석에서 적용되는 중요한 전제조건 중 하나는 독립변수들의 상호 밀접한 연관이 있지 않다는 것이다. 독립변수들 사이에 가장 강한 상관관계가 존재할 경우, 회귀계수의 일반적인 해석은 심각한 문제를 발생할 수 있다(Park, 2007). 이에 따라 다중공선성(Multicollinearity) 진단을 통해 분석변수를 조정해야 한다. 다중공선성을 검증할 수 있는 방법으로는 변량의 팽창정도를 의미하는 VIF(Variance Inflation Factor)가 10 이상이 되거나 공차한계(Tolerance)가 0.1 이하이면 다중공선성에 문제가 있다고 판단하여 변수를 삭제해야 한다.
3. 피해액 예측을 위한 데이터 구축
3.1 데이터 수집
본 연구에서는 첫째, 적설량이 상대적으로 많은 강원도 지역의 18개 시·군·구별 지역특성을 반영하여 대설에 대한 피해액(공공시설, 사유시설, 기타 등) 에 영향을 주는 인자를 도출하였다. 둘째, 도출된 영향을 주는 인자를 토대로 다중회귀분석을 이용한 대설에 따른 지역별 피해액 예측모델을 개발한다.
이를 위하여 국민안전처(구 소방방재청)에서 발간하는 재해연보를 기준으로 1994년부터 2013년까지의 강원도 지역의 18개 시·군·구에 대한 대설에 따른 피해액과 각 지역의 적설정보 및 지역특성 정보를 수집하였다. 독립변수는 기후관련변수와 사회·경제적인 변수로 구분하였으며, 기상청(http://sts.kma.go.kr) 및 국가통계포털(http://kosis.kr/) 등을 통해 조사하였다. Table 1은 종속변수와 독립변수의 정의 및 자료의 출처를 정리하였다.
Table 1
Definitions of the Variables applied in This Study
| Variables | Definitions(Unit) | Data Source | ||
|---|---|---|---|---|
| Dependent variable | Snow Damages | Total property damages caused by snow(million won) | http://www.safekorea.go.kr | |
| Independent variables | Climate variables | Daily Maximum Snow depth | Cumulative snowfall depth for 24 hours (cm) | http://sts.kma.go.kr |
| Socio-economic variables | Population | Estimated population (persons) | http://www.kosis.kr | |
| Area | Administrative area (km2) | http://www.kosis.kr | ||
| GRDP | Growth Regional Domestic Product (million won) | http://www.kosis.kr | ||
3.2 변수선정
3.2.1 종속변수
강원도 지역의 18개 시·군·구별 대설관련 피해액 추정이 목적이므로, 종속변수는 국민안전처(구 소방방재청)의 재해연보를 기준으로 한 지역별·시설별 피해액이다. 강원도 지역의 시·군·구별 대설관련 피해액(1994~2013년)을 공공시설과 사유시설로 구분하여 정리하였다. 재해연보에는 건물, 선박, 농경지, 농작물과 12개의 공공시설(도로, 하천, 소하천, 수도, 항만, 어항, 학교, 철도, 수리, 사방, 군시설, 소규모 등), 6개의 사유시설(축대 및 담장, 가축, 축사 및 잠사, 수산증양식, 어망 및어구, 비닐하우스 등)로 구분하여 피해액이 기록되어 있다. 이 중 대설 관련 피해는 주로 공공시설로 구분되는 건물, 농작물, 학교, 군시설과 사유시설인 축사·잠사, 수산증양식, 비닐하우스에서 가장 많은 피해가 발생했다. 분석기간은 1994년에서 2013년으로 총 20년이며, 분석기간 동안 총 피해액은 약 8,500억 원 정도이고, 연 평균 피해액은 약 425억 원으로 조사되었다. 이중 대설피해가 가장 많았던 지자체는 강릉시, 삼척시 등이며, 속초시, 인제군, 태백시 등은 피해가 다른 지역에 비해 낮았다. 대설 관련 피해액은 재해연보에 매년 당해연도의 물가를 기준으로 발표된다. 그러므로 각 연도별 물가상승률을 고려하여 피해액을 분석해야 한다. 본 연구에서는 생산자 물가지수를 기준으로, 모든 피해액을 2014년 물가로 환산하여 분석하였다. MPSS(2014)에 따르면 Table 2는 시설물을 공공시설과 사유시설로 구분하고, 생산자 물가지수를 고려하여 그 피해액을 제시하고 있다.
Table 2
Snow Damages in Gangwon Province (Year 1994~2013)
3.2.2 독립변수
본 연구에서는 Table 1과 같이 대설에 따른 피해액에 영향을 줄 것으로 예측되는 기후관련 변수, 사회·경제적 변수를 독립변수로 선정하였다. Table 3에 조사한 것과 같이, 대설에 따른 피해액과 가장 직접적으로 연관이 있는 기후 관련 변수로는 적설의 강도를 나타내는 24시간 최심적설량을 선정하였다. 적용 기간 동안 최심적설량이 가장 큰 지자체는 평창군, 속초시, 동해시 등이며, 정선군, 인제군, 홍천군 등의 최심적설량이 다른 지역에 비해 낮았다. Fig. 1은 매년 발생한 대설관련 피해 건수를 그래프로 나타난 것이다. 1994년부터 2013년까지 총 163개의 대설 관련 피해를 야기한 사상이 존재하였으며, 강원도 지역에 큰 대설 피해가 발생했던 2001년과 2011년에 피해 사상 역시 많았던 것으로 나타났다. Fig. 2에 나타낸 연도별 피해액 역시 2001년과 2011년에 매우 컸다.
Table 3
Independent Variables for Regression Analysis in Gangwon Province
대설에 따른 피해에 영향을 미칠만한 사회경제 요인으로 인구, 면적, GRDP(지역 내 총 생산액)를 독립변수로 선정하였다. 인구는 강원도 지역 내 등록된 주민등록 인구수를 의미하고, 면적은 행정구역의 면적, GRDP(지역 내 총 생산액)은 1년 동안 일정 강원도지역 내에서 새로이 창출된 부가가치의합을 뜻한다. 1994~1999년 강원도지역의 GRDP 자료가 없기 때문에 2000~2013년 동안의 강원도지역 시·군·구별 GRDP의 자료로 추정하여 사용하였다. GRDP 역시, 통계청에서 당해연도 물가기준으로 발표된다. 이 때문에 각 연도별 물가 상승률을 생산자 물가지수를 기준으로 2014년 물가로 환산하여 데이터를 구축하고 분석하였다.
4. 피해액의 예측을 위한 데이터 분석
4.1 상관관계 분석
다중회귀분석에 사용하는 독립변수들 간의 상관관계는 모형의 효율을 매우 떨어뜨리게 된다. 그러므로 다중회귀모형개발에 앞서, SPSS의 통계모형을 이용하여 강원지역의 18개 시·군·구별 피해액과 모든 독립변수의 상관관계 분석을 실시하였다. 독립변수들 간의 상관분석을 실시한 결과, 독립변수 4개(최심적설량, 주민등록된 인구, 행정구역별 면적, GRDP)의 상관계수를 나타내었다. 분석결과는 Table 4와 같으며, 절대값 1.00에 가까울수록 상관관계가 매우 높음을 의미한다. +는 양의 상관관계, −는 음의 상관관계를 의미한다. GRDP와 인구의 상관관계가 큰 것을 제외하면, 독립변수들 간의 상관계수가 크지 않음을 알 수 있다.
Table 4
Correlations between Independent Variables
| Daily Maximum Snow Depth | Population | Area | GRDP | |
|---|---|---|---|---|
| Daily Maximum Snow Depth | 1 | |||
| Population | -0.11 | 1 | ||
| Area | -0.14 | -0.03 | 1 | |
| GRDP | -0.14 | 0.92 | -0.01 | 1 |
독립변수들 사이에 상관관계인 다중공선성의 정보를 알아볼 수 있는 척도로 분산팽창계수(VIF; variance inflation factor)를 확인해본 분석결과는 Table 5와 같이 확인할 수 있었다. 그 결과, 가장 높은 VIF가 6.709이고, 공차한계가 0.1이하이므로, 다중공선성에 따른 문제는 없는 것으로 판단하였다.
4.2 회귀분석 결과
대설에 따른 피해액을 추정하기 위한 다중회귀모형을 개발하였다. 종속변수는 대설에 따른 피해액이고, 독립변수는 앞서 설명한 바와 같이 최심적설량, 시·군·구별 면적, 주민등록된 인구수, 강원지역의 GRDP이다. 전체 모집단에서 피해액이 산정된 표본들로만 회귀분석을 실시하기 위해 피해액이 0원인 표본들을 제외한 나머지 163개의 표본들을 이용하여 회귀분석을 실시하였다. 분석결과에 따라 개발된 회귀모형은 식(2)와 같다.
여기서 X1은 최심적설량, X2은 주민등록된 인구수, X3은 행정구역의 면적, X4은 강원지역의 GRDP
다중회귀분석의 결과, Table 6과 같은 회귀식의 결과를 얻을 수 있었다. 예측된 회귀방정식의 유효성 및 주어진 자료들에 대한 회귀방정식의 대표성, 또한 예측된 회귀방정식 예측력의 정확도를 검토할 수 있는 지표로는 결정계수(R2)가 사용된다. 일반적으로 예측된 회귀방정식의 결정계수는 고려되는 독립변수의 수가 증가할수록 독립변수의 유용성과 무관하게 증가하는 경향을 보일 수 있다. 본 연구에서는 이러한 단점을 보완하기 위해 무의미한 변수를 독립변수로 사용할 경우 결정계수가 감소하도록 자유도를 조정한 수정된 결정계수(R*2)를 사용하여 회귀방정식의 정확도를 예측하였다. 따라서 본 연구의 수정된 결정계수(R*2)는 0.112이며, 모델에 대한 분산분석(Table 7)의 유의수준 또한 0.05이하인 것으로 나타났으므로 구축된 모형은 해당 설명력에 대하여 의미가 있는 것으로 나타냈다. 즉, 모형의 설명력이 11.2%로 매우 작지만, Toya and Skidmore (2007)에서 알 수 있는 것과 같이 사회·경제적인 독립변수들을 고려하였을 경우에는 모형의 설명력이 30%이하로 작게 계산되는 경향이 있으므로, 본 연구에서 제시된 모형도 의미가 있다고 보여진다.
Table 6
Results of Multivariate Regression Analysis
5. 결론
본 연구에서는 대설에 따른 강원지역의 18개 시·군·구별 피해액을 예측하기 위한 다중회귀모형을 개발하였다. 재해연보를 기준으로 1994년~2013년도에 포함되는 데이터를 활용하고, 대설에 따른 피해액을 예측하기 위한 독립변수로 최심적설량, 시·군·구별 면적, 인구수, GRDP를 사용하였다. 모형 개발에 앞서 사용된 독립변수들 간의 상관관계 분석을 통해 각 변수들 간의 관계를 조사하였으며, 독립변수들 간의 다중공선성이 존재하지 않는 것도 확인하였다.
강원도에 대설관련 피해를 피해 유발 사상별로 정리하여 총 163개의 사상을 고려한 모형을 개발하였으며, 제안된 다중회귀모형은 모형의 효율이 유의한 수준에서 나타났으므로, 강원지역의 대설에 따른 피해액을 예측하기 위한 기본정보로 활용될 수 있을 것이나, 향후 추가적인 자료의 보완이나 모형의 고도화가 필요하다. 이는 재해연보에 조사된 피해액 자체가 실제 발생한 모든 피해를 포함한다고 보기 어려운 부분도 있다. 이는 사유시설의 경우 신고 된 자료를 바탕으로 피해액을 산정하고, 공공시설의 경우 별도의 단가기준을 설정하여 반영하기 때문이다(NDMI, 2013). 즉, 현재 재해연보에 수록된 피해액은 조사 당시 조사자의 주관에 많이 의존하고 있기 때문에, 향후 피해액 산정의 객관성 확보를 위한 노력이 필요하다는 판단이다. 또한, 재해에 따른 피해의 발생 원인은 최심적설량이 많은 이유일 수도 있으나, 시설물의 노후화, 시공의 불량 등의 외부적인 요인에 의해 야기될 수도 있으며, 재해에 대한대비에 따라 피해가 줄어들 수도 있다. 예를 들어, 1994~2013년의 기간 동안에 복구사업 및 예방사업으로 인해 재해대처능력이 커진 경우 동일한 최심적설량으로도 큰 피해가 발생할 확률이 낮아질 수 있다는 점이다. 이러한 문제점들은 원초적으로 해결하기 힘든 부분이 있으나, 향후 이와 같은 문제점을 보완해 나간다면 보다 향상된 피해액 예측모델 개발이 가능할 수 있을 것이라 판단된다.
PDF Links
PubReader
ePub Link
Full text via DOI
Download Citation
Print
