부분최소제곱 구조방정식모형을 활용한 폭염 영향 요인이 온열질환에 미치는 영향 분석
Evaluating the Impacts of Heatwave Influencing Factors on Heat-related Illness Using Partial Least Squares Structural Equation Modeling
Article information
Abstract
폭염은 자연재해 중 가장 많은 인명피해를 발생시키는 재난이다. 기후변화의 영향으로 폭염 발생 빈도와 강도가 증가하며 우리나라에서도 많은 피해가 발생하고 있다. 폭염은 같은 기온이더라도 환경적, 사회⋅경제적 요인에 따라 다른 피해 양상을 보일 수 있다. 따라서 효과적인 폭염 대비 및 대응을 위해 영향 요인에 대한 분석은 필수적이다. 본 연구에서는 폭염과 관련된 여러 변수들이 온열질환에 미치는 직⋅간접적인 영향을 정량적으로 분석하기 위해 부분최소제곱 구조방정식모형을 활용하였다. 분석 결과 반영적 측정모형과 구조모형 모두 평가기준에 부합하였다. 또한 경제규모와 도시화가 취약계층에 각각 -0.385와 -0.623, 취약계층이 온열질환에 0.534의 영향 요인으로 작용하는 것을 확인하였다. 본 연구를 통해 폭염 영향 요인과 온열질환 간의 관계를 통합적으로 파악할 수 있었으며, 향후 본 연구 방법이 폭염 피해를 대비⋅대응하는 측면에서 다양한 요인들 간의 인과관계를 규명하는데 활용될 수 있을 것이다.
Trans Abstract
Heatwaves are natural disasters that cause most human casualties. Owing to the influence of climate change, the frequency and intensity of heatwaves have increased, causing considerable damage in Korea. Even at the same temperature, the heatwave can exhibit different damage patterns depending on environmental and socioeconomic factors. Therefore, it is essential to analyze the influencing factors of heatwaves for effective preparation and response. In this study, partial least squares structural equation modeling was used to quantitatively analyze the direct and indirect effects of heat-related variables on heat-related illnesses. Both the reflective measurement and structural models met the evaluation criteria. In addition, it was confirmed that the economy and urbanization acted as influencing factors of -0.385 and -0.623 on the vulnerable group, respectively, and the vulnerable group had a value of 0.534 for heat-related illness. This study helped comprehensively understand the relationship between heatwave-influencing factors and heat-related illnesses. This study method can be used to investigate the causal relationships among various factors in terms of preparing for and responding to heatwave damage.
1. 서 론
최근 기후변화의 영향으로 우리나라의 폭염 발생 빈도 및 강도가 증가 추세에 있다(KEI, 2020). 폭염은 농⋅축⋅수산업, 전력 수급, 하천 환경 등 사회⋅경제 전반에 걸쳐 영향을 미치기도 한다. 하지만 폭염으로 인한 피해 중 가장 심각한 부분은 인명 피해로 자연재해 중 가장 많은 인명피해를 발생시킨다(Kim et al., 2019; Chae et al., 2021).
질병관리청의 온열질환 감시체계에 따르면 우리나라에서는 2011년부터 2021년까지 매년 온열질환으로 인한 사망자가 발생하고 있다. 폭염이 극심했던 2016년과 2018년에는 2,125명과 4,526명의 온열질환자가 발생하였고 이로 인한 추정 사망자는 각각 17명과 48명으로 집계되었다(KDCA, 2020). 2019년부터 2021년까지 최근 3년간에도 매년 천 명 이상(2019년 1,841명, 2020년 1,078명, 2021년 1,376명)의 온열질환자가 발생하였고 40명이 사망하였다(Park et al., 2021). 폭염 영향이 증가하여 많은 피해자가 발생함에 따라 우리나라에서는 2018년 ‘재난 및 안전관리 기본법’을 일부 개정하였고, 이를 바탕으로 폭염 피해에 대한 지원 방안과 위기관리 체계를 확립하였다.
현재 행정안전부의 폭염 위기관리 표준 매뉴얼에서는 일 최고기온(33 °C, 35 °C, 38 °C)을 폭염에 대한 위기경보 판단 기준으로 활용하고 있다. 하지만 폭염의 영향은 기온 뿐 아니라 환경적 요소, 사회⋅경제적 요소, 기후 적응 관련 요소, 토지 이용 관련 요소 등에 의해 복합적으로 나타나며, 같은 기온이라도 지역별로 다른 피해 양상을 보일 수 있다(Chae et al., 2017). 따라서 폭염 피해에 대해 효과적으로 대비⋅대응하기 위해서는 물리적 위해와 더불어 폭염 영향 요인을 고려해야 한다.
우리나라에서는 지금껏 폭염 영향 요인에 대한 다양한 연구들이 진행되어 왔다. 예를 들어, Lee et al. (2016)은 회귀모형을 활용하여 서울지역의 연령, 학력, 소득에 따른 폭염 영향을 분석하였다. Chae et al. (2021)은 보건 측면에서 연령, 소득, 질환, 직업, 주거형태에 대한 지표를 폭염에 대한 사회⋅경제적 요인으로 정의하였고, 대응표본 t검정을 통해 고령자, 야외노동자, 만성질환자, 1인 가구가 그렇지 않은 경우보다 폭염으로 인한 사망 위험이 높다는 것을 제시하였다. Kim, Kim et al. (2021)은 재해 취약계층, 도시환경, 경제 및 보건복지 관련 인자를 활용하여 주성분분석을 수행하였고, 이를 통해 산정한 시⋅군⋅구 단위 폭염 취약성 지수와 온열질환자 통계를 비교분석하여 폭염 취약성 지수가 높은 지역이 전반적으로 온열질환 피해가 크다는 것을 입증하였다.
일반적으로 변수들 간의 영향을 파악하기 위해 상관분석, 요인분석, 주성분분석, 회귀분석 등의 방법이 활용된다(Kim, Yoo et al., 2021). 하지만 본 연구에서는 다수의 복잡한 변수들 간의 영향을 동시에 분석할 수 있고 이들 사이의 직⋅간접적인 인과관계를 정량적으로 해석할 수 있도록 하는 부분최소제곱 구조방정식모형(Partial Least Squares Structural Equation Modeling, PLS-SEM)을 활용하여 폭염 영향 요인이 폭염 피해인 온열질환에 미치는 영향을 파악하고자 하였다.
2. 연구 데이터 및 분석 방법
2.1 연구 데이터
본 연구에서는 전국 229개 시⋅군⋅구 단위로 집계된 데이터를 활용하여 분석을 수행하였다(Table 1).
먼저 온열질환 데이터는 2019년부터 2022년까지 폭염대책기간(5월 20일~9월 30일)동안 수집된 연 단위 데이터로 질병관리청의 온열질환 감시체계를 참고하였다. 온열질환 데이터는 지역별 인구 차이를 고려해 온열질환율(인구 당 온열질환자수)로 변환하여 활용하였다.
폭염 영향 요인과 관련된 환경 및 사회⋅경제적 요인 데이터는 선행 연구를 바탕으로 수집하였다(Lee et al., 2016; Chae et al., 2017; Kim et al., 2020; Chae et al., 2021; Kim, Kim et al., 2021). 환경 및 사회⋅경제적 요인 데이터의 경우 데이터 수집 가능 여부를 고려하여 2020년을 대상연도로 통일하였고, GRDP와 저학력 인구 비율의 경우 각각 공개된 데이터 중 최신 데이터인 2017년, 2015년 데이터를 활용하였다.
2.2 분석 방법
2.2.1 구조방정식모형
구조방정식모형(Structural Equation Modeling, SEM)은 경로분석, 회귀분석, 요인분석의 개념을 기반으로 변수들 간의 구조적인 관계를 선형 방정식 형태로 나타낸 통계분석 기법이다(Kim et al., 2022). SEM은 여러 변수 간의 관계 집합을 확인하여 개념적 이론을 검증하는데 주로 활용되는 공분산 기반 구조방정식모형(Covariance-Based Structural Equation Modeling, CB-SEM)과 특정한 인과관계의 발견을 목표로 탐색적 연구에서 주로 활용되는 PLS-SEM으로 구분된다(Yoo et al., 2021).
본 연구에서는 폭염 영향 요인과 온열질환 간의 영향 및 인과관계를 해석하기 위해 PLS-SEM을 활용하였으며 PLS-SEM은 Fig. 1과 같은 구조로 구성된다. SEM은 측정모형(Measurement Model)과 구조모형(Structural Model)의 결합으로 구성되며, 모형 내 변수들 간의 인과관계는 화살표로 표현된다. 먼저 측정모형은 직접 관측되는 변수인 측정변수(Observed Variable)와 측정변수를 통해 추정되는 잠재변수(Latent Variable)의 연결로 표현되며, 측정변수와 잠재변수의 인과관계 방향 설정에 따라 반영적(Reflective) 측정모형과 형성적(Formative) 측정모형으로 구분된다. 구조모형은 독립변수와 같이 다른 잠재변수에 영향을 주는 외생잠재변수(Exogenous Latent Variable)와 종속변수와 같이 영향을 받는 내생잠재변수(Endogenous Latent Variable)의 연결로 표현된다.
Concept of PLS-SEM
2.2.2 반영적 측정모형의 평가 기준
PLS-SEM에서는 측정모형이 반영적 지표로 구성되었는지 혹은 형성적 지표로 구성되었는지에 따라 다른 평가기준을 적용한다. 본 연구에서 적용한 반영적 측정모형의 평가를 위해서는 내적 일관성 신뢰도(Internal Consistency Reliability), 집중타당도(Convergent Validity), 판별타당도(Discriminant Validity)를 확인해야 한다.
내적 일관성 신뢰도의 평가는 여러 측정변수로 잠재변수를 측정할 때의 일관성이나 동질성의 정도를 판단하는 것이다(Kwahk, 2019). 내적 일관성 신뢰도의 평가를 위해서는 크론바흐 알파(Cronbach’s alpha, αc), Dijkstra-Henseler’s rho (ρa) 합성신뢰도(Composite Reliability, ρc) 값을 확인해야 한다. 내적 일관성 신뢰도 확보를 위한 기준치는 0.7 이상이며, 합성신뢰도 값이 0.95 이상인 경우 바람직하지 않은 것으로 평가한다(Hair et al., 2016).
집중타당도의 평가는 잠재변수에 속한 측정변수들이 해당 잠재변수와 관련된 정도를 판단하는 것이다. 먼저, 측정변수들의 표준화된 외부적재치(Outer Loading, λ)가 0.7 이상(탐색적인 연구의 경우 0.6)이고 통계적으로 유의한 수준(p-value < 0.05)이면 집중타당도가 확보된 것으로 판단한다(Yoon and Kim, 2014). 또한 모든 잠재변수의 평균분산추출(Average Variance Extracted, AVE) 값이 0.5 이상인 경우 집중타당도가 확보된 것으로 판단한다.
판별타당도는 측정변수가 다른 잠재변수와 관련성을 가지고 있지 않은 정도에 대한 것으로 Heterotrait-Monotrait (HTMT) 상관관계 값을 통해 평가하는 것이 바람직하다(Hair et al., 2016). HTMT 임계값에 대해 명확한 기준은 없으나, 보수적인 기준의 경우 0.85 이상의 값은 판별타당성이 없음을 의미한다(Shin, 2018).
2.2.3 구조모형의 평가 기준
구조모형에 대한 평가 기준으로는 다중공선성(Multicollinearity), 경로계수(Path Coefficient), 수정결정계수(Adjusted Coefficient of Determination, R2adj), 효과크기(Effect Size, f2), 예측적합도(Predictive Relevance, Q2)가 있다.
다중공선성은 내부 분산팽창인자(Variance Inflation Factor, VIF) 값을 확인하여 평가한다. 내부 분산팽창인자 값이 0.2 이상 5.0 미만인 경우 잠재변수들 간에 다중공선성이 존재하지 않아 적합한 것으로 판단한다.
잠재변수 간 경로계수는 -1에서 1사이의 값으로 1에 가까울수록 정(+)의 관계를, -1에 가까울수록 음(-)의 관계를 의미한다. 경로계수의 절대값이 1에 가까울수록 잠재변수들 간에 강한 관계를 가진다. 경로계수가 통계적으로 유의한 수준(p-value < 0.05)이면 적합한 것으로 평가한다.
수정결정계수는 구조모형의 설명력을 나타내는 척도이다. 수정결정계수에 대한 절대적인 평가 기준은 없으나, 수정결정계수 값이 0.26 이상인 경우 높은 설명력, 0.13에서 0.26 사이인 경우 중간 정도의 설명력, 0.02에서 0.13 사이인 경우 낮은 설명력을 의미한다(Cohen, 1988).
효과크기는 외생잠재변수들이 내생잠재변수의 결정계수에 실질적인 영향을 미치는 정도를 의미한다(Hair et al., 2016). 일반적으로 효과크기 값이 0.35 이상인 경우 큰 효과크기, 0.15에서 0.35 사이인 경우 중간 정도의 효과크기, 0.02에서 0.15 사이인 경우 작은 효과크기를 의미한다(Cohen, 1988).
예측적합도는 모형의 예측적합성을 판단하는 기준으로 0보다 크다면 예측적합도가 있는 것으로 판단한다(Geisser, 1974; Stone, 1974).
3. 연구 결과
3.1 연구 모형
본 연구에서 분석에 활용한 모형은 Fig. 2와 같다. Fig. 2에서 실선은 모형 평가 결과 적합하다고 판단된 변수들 간의 관계를, 점선은 평가 기준을 통과하지 못해 제외된 변수들 간의 관계를 나타낸다.
Model Structure for Evaluating Impacts on Heat-related Illness Using PLS-SEM
3.2 반영적 측정모형 평가 결과
본 연구 모형의 반영적 측정모형 평가를 위해 내적 일관성 신뢰도와 집중타당도, 판별타당도를 확인하였다. 내적 일관성 신뢰도와 집중타당도의 평가 결과는 Table 2에, 판별타당도의 평가 결과는 Table 3에 나타냈다.
Results of Internal Consistency Reliability and Convergent Validity Assessment
Results of Discriminant Validity Assessment Using HTMT Ratio of Correlations
먼저 크론바흐 알파, Dijkstra-Henseler’s rho, 합성신뢰도 값을 확인한 결과 각각 0.815~0.907, 0.853~0.944, 0.862~0.937로 기준치인 0.7 이상의 값을 가지는 것으로 나타났고, 합성신뢰도의 경우 0.95 미만의 값을 가지는 것으로 나타나 내적 일관성이 확보된 것으로 판단된다.
측정변수의 표준화된 외부적재치는 대부분의 경우 기준치인 0.6 이상의 값을 가져 적합한 것으로 나타났으며, 모든 측정변수가 0.05 미만의 p-value를 가져 통계적으로 유의한 것으로 나타났다. 평균분산추출 값은 0.560~0.801로 모든 잠재변수가 기준치인 0.5 이상의 값을 가져 집중타당도가 확보된 것으로 판단된다.
판별타당도를 확인하기 위해 Table 3에 나타난 HTMT 상관관계 값을 확인한 결과 모든 값이 기준치인 0.85 미만으로 나타났다. 따라서 본 연구 데이터의 모든 잠재변수 간 판별타당도는 확보된 것으로 판단된다.
3.3 구조모형 평가 결과
본 연구 모형의 구조모형 평가를 위해 다중공선성, 경로계수, 수정결정계수, 효과크기, 예측적합도를 확인하였다. 다중공선성과 경로계수의 평가 결과는 Table 4에, 수정결정계수, 효과크기, 예측적합도의 평가 결과는 Fig. 3에 나타냈다.
Results of Multicollinearity and Path Coefficient Assessment
Results of Structural Model Assessment
구조모형의 다중공선성을 확인하기 위해 Table 4의 내부 분산팽창인자 값을 확인한 결과 1.000~1.372로 다중공선성의 문제가 없는 것으로 나타났다.
Table 4에서 경로계수의 통계적 유의성을 확인한 결과 모든 경로계수가 0.05 미만의 p-value를 가져 적합한 것으로 나타났다. 경로계수를 확인한 결과 경제규모가 취약계층에 -0.385, 도시화가 취약계층에 -0.623, 취약계층이 온열질환에 0.534의 영향을 미치는 것으로 확인되었다. 또한 경제규모가 취약계층을 통해 온열질환에 -0.206, 도시화가 취약계층을 통해 온열질환에 -0.333의 간접 영향을 미치는 것으로 확인되었다.
Fig. 3에 나타난 바와 같이, 구조모형의 수정결정계수는 취약계층과 온열질환에 각각 0.784, 0.282가 산정되어 높은 설명력을 가졌음을 확인하였다. 효과크기 값은 경제규모가 취약계층에 0.505, 도시화가 취약계층에 1.319, 취약계층이 온열질환에 0.400으로 모두 기준치 0.35 이상의 큰 효과크기를 가지는 것으로 나타났다. 예측적합도 또한 취약계층과 온열질환 모두 0 이상의 값을 가져 적합한 것으로 나타났다.
4. 결 론
본 연구에서는 우리나라의 시⋅군⋅구별 폭염 영향 요인이 온열질환에 미치는 영향을 분석하기 위해 PLS-SEM을 활용한 분석을 수행하였고 이에 대한 결과는 다음과 같다.
반영적 측정모형의 평가 결과 내적 일관성 신뢰도, 집중타당도, 판별타당도가 모두 확보되어 모형의 구성이 적합한 것으로 나타났다. 다만, 경제규모와 취약계층 잠재변수의 측정변수 중 실업률(e4)과 5세 미만 인구 비율(v1), 저학력 인구 비율(v3), 외국인 인구 비율(v5), 장애인 인구 비율(v7)은 제외되었는데 이는 각 잠재변수 구성 시 해당 측정변수들과 나머지 측정변수들 간의 단일차원성이 확보되지 못하였기 때문이다.
구조모형의 경우 다중공선성 문제가 발생하지 않았고 수정결정계수, 효과크기, 예측적합도 모두 기준치 대비 높은 값을 가져 적합한 것으로 나타났다. 경로계수를 확인한 결과 경제규모와 도시화는 취약계층에 부(-)의 영향을 미쳤으며 이로 인해 취약계층은 온열질환에 0.534의 정(+)의 영향을 주는 것으로 나타났다. 즉, 경제규모가 크고 도시화가 많이 진행된 지역일수록 취약계층이 적고 이에 따라 온열질환율이 낮은 경향을 보이는 것으로 해석될 수 있다.
본 연구는 PLS-SEM을 활용하여 기존의 연구들에 비해 경제규모, 도시화, 취약계층이 온열질환에 미치는 직⋅간접적인 영향 및 인과관계를 통합적으로 파악할 수 있었다는 데 의의가 있다. 향후 폭염 피해 저감을 위해 다양한 원인들 간의 인과관계를 규명하는데 있어 본 연구 방법 및 결과가 참고될 수 있을 것으로 판단된다.
감사의 글
본 연구는 행정안전부 재난안전 취약핵심역량 도약기술 개발 사업(2020-MOIS33-006)의 지원을 받아 수행되었습니다.