환경정의 관점에서 본 폭염 취약 지역과 사회⋅취약계층 간의 공간적 패턴 분석

Analysis of Spatial Patterns Among Vulnerable Groups in the Community Vulnerable to Heat Waves from the Perspective of Environmental Justice

Article information

J. Korean Soc. Hazard Mitig. 2023;23(4):31-41

Publication date (electronic) : 2023 August 28

doi : https://doi.org/10.9798/KOSHAM.2023.23.4.31

Sangwon Oh ^*, Dongoh Ha ^**, Juchul Jung ^***

오상원^*, 하동오^**, 정주철^***

* 정회원, 부산대학교 도시공학과 박사과정(E-mail: ohssang1006@naver.com)

* Member, Ph.D. Candidate, Department of Urban Planning and Engineering, Pusan National University

** 부산대학교 도시공학과 박사과정(E-mail: gkehddh@naver.com)

** Ph.D. Candidate, Department of Urban Planning and Engineering, Pusan National University

*** 정회원, 부산대학교 도시공학과 교수(E-mail: jcjung@pusan.ac.kr)

*** Member, Professor, Department of Urban Planning and Engineering, Pusan National University

^*** 교신저자, 정회원, 부산대학교 도시공학과 교수(Tel: +82-51-513-3521, Fax: +82-51-513-9108, E-mail: jcjung@pusan.ac.kr)

*** Corresponding Author, Member, Professor, Department of Urban Planning and Engineering, Pusan National University

Received 2023 April 10; Revised 2023 April 10; Accepted 2023 July 25.

Abstract

오늘날 전 세계는 기후변화로 인한 일 최고기온 증가, 폭염일수의 증대 등으로 인해 인명피해 및 피해액이 지속적으로 상승하는 추세이다. 이에 따라 폭염으로 인한 취약계층에 대한 고려가 필수적이며, 실질적으로 큰 피해가 예상되는 취약계층에 대한 기준이 필요하다. 그러므로 본 연구는 시간 및 공간적 범위로는 2010년부터 2018년까지의 전국 시군구들을 대상으로 폭염 취약성 지수에 따른 폭염 취약지역을 선정하고, moran’s I 공간자기상관 분석 및 LISA군집지도 분석을 통한 공간적 분석을 진행하였다. 본 연구는 사회적 취약계층 거주 및 활동 지역과 폭염 위험지역과의 공간적 상관관계를 확인하고 이에 무더위쉼터 정책의 적용에 대하여 환경 부정의 지역을 도출하였다.

Trans Abstract

Currently, the number of human casualties and damages is continuously increasing owing to increases in the daily maximum temperature and number of heat wave days caused by climate change. Therefore, considering the class vulnerable to heat waves and setting standards for the vulnerable class expected to suffer substantial damage are essential. Therefore, in terms of time and space, this study selected heatwave-vulnerable areas according to the heatwave vulnerability index, targeting cities, counties, and districts nationwide from 2010 to 2018, and performed spatial analysis using Moran’s I spatial autocorrelation analysis and LISA cluster map analysis. proceeded. The spatial correlation between socially vulnerable living and activity areas and the heat wave risk area was confirmed, and the area of environmental negativity for applying an extreme heat shelter policy was derived.

Keywords: 환경정의; 폭염 취약지역; 사회⋅경제적 취약계층; 중첩분석

Keywords: Environmental Justice; Areas Vulnerable to Heatwaves; Social and Economically Vulnerable Classes; Overlapping Analysis

1. 서 론

최근 기후변화에 따라 전 세계적으로 폭염피해가 증가하는 추세로 세계기상기구(WMO)가 발표한 ‘2019년 지구 기후 현황 보고서’에 따르면, 2019년 지구 평균기온은 산업화 이전 시기인 1850~1900년 평균보다 1.1 ± 0.1 °C 높은 것으로 나타났다(WMO, 2020).

또한, 한국 경우에도 기후변화에 따른 폭염으로 기상청에 따르면 2020년 6월 평균 일 최고기온은 28.0 °C, 일 평균기온은 22.8 °C로, 1973년 이후 최고 기록을 달성했으며, 폭염일수는 2.0일로, 이 역시 그 동안의 6월 평균 폭염일수보다 1.4일이나 늘어남에 따라 작년 해 보다 더욱 더워질 것이라 예상된다고 보고되었다.

UNDP (2015)는 장기적으로 기후변화가 큰 영향을 주며, 기후변화로 인한 피해는 빈곤 계층의 취약성을 더 악화시키므로 사회 각층의 소외계층에 특별한 관심을 가져야 한다고 주장하였다(UNDP, 2015).

국내외 선행연구에서도 재난에 있어서 경제적 취약계층은 저소득, 노후한 주거환경 등으로 재난에 취약하며, 피해 복구에 능력이 없다(Kim et al., 2014; Lee and Byun, 2020).

자연재해의 피해는 모든 계층이나 지역에 동일한 피해가 발생하는 것이 아니라 물리적⋅사회적⋅환경적 불평등 간의 상호작용으로 인해 기후변화 취약계층에 피해가 집중되는(Park et al., 2013) 결과를 보였다.

현재 인구구조의 급격한 변화로 안전 및 재난 취약계층의 점점 증가하는 추세이며, 이는 재난 발생 시 효과적으로 대응하기로 한 정책 목표에서 상반된 결과가 나타날 가능성(Kim and Yang, 2020)이 커질 수 있다는 것이다.

또한, Korea Meteorological Administration (2020)의 보고서에 따르면 한국에서 기후변화의 영향은 날씨 상황, 생태, 환경, 수자원 등 여러 부문에 걸쳐 나타나며 지역에 따라 그 정도도 달라지며, 미래에도 한국의 기후변화 영향은 지역에 따라 다르게 나타날 것으로 예상되고 있다.

기후변화가 가속화되고 있는 현재의 상황에서 기후변화를 고려한 미래지향적인 폭염대책이 요구되고 있으며(Kim et al., 2020), 요구에 따른 국가 기후변화 정책수립 및 연구를 위해서는 한 국가 내 기후변화 취약성에 대한 이해가 이루어져야하며 그 지역 및 국가 내 취약계층(vulnerable group)에 대한 파악과 이들에 대한 고려가 함께 진행되어야 한다(Hong, 2016).

이에 따라 폭염으로 인한 취약계층에 대한 고려가 필수적이며, 실질적으로 큰 피해가 예상되는 취약계층에 대한 기준이 필요하다.

그리고 실질적인 취약계층이 어디에 거주하며, 밀집되어 있는지에 대한 파악이 이루어져야 한다.

그러므로 이와 같이 폭염이 취약한 곳에 폭염취약계층(폭염 피해에 취약한 사회⋅취약계층)의 거주 및 활동지역과의 환경 부정의가 나타나고 있는지 알아보고 또 이런 배경의 환경 부정의 지역이 무더위 쉼터 정책 적용이 환경 부정의 하게 나타나는지를 알아보고자 하였다.

본 연구는 환경정의를 위한 폭염과 사회적 취약계층에 주목하여 폭염 취약지역 및 사회적 취약계층의 거주 및 활동지역 도출하였다.

또한 공간적 관계 및 공간회귀를 통하여 폭염에 대한 적응능력이 상대적으로 낮은 지역을 파악하고 환경정책 적용에 대한 결과들을 도출하여 향후 폭염 적응능력 향상 및 도시의 지속적인 방재방안을 모색하기 위한 기초연구를 실시하는데 목적을 두고 연구를 진행하였다.

2. 선행연구 및 이론적 고찰

2.1 폭염과 취약계층

폭염에 대한 적응 능력은 사회경제적 지위가 높은 지역일수록 개인과 지역사회의 가용자원이 풍부하여 적응능력이 상대적으로 큰 것으로 나타나며, 기후변화로 인한 피해는 저소득계층과 같은 사회경제적 취약계층에 집중되어 발생하였다(Chu et al., 2010).

또한, 폭염으로 인한 사망률은 기초생활수급대상자 비율이 높은 지역, 가구 소득이 낮은 지역에서 높게 나타났으며(Chan et al., 2012; Lee et al., 2014), Park et al. (2013)은 취약계층을 연령, 소득수준, 사회적 지위에 따라 구분하면서 환경유해인자로 인한 건강영향이 우려되는 지역 및 주민들도 취약계층으로 정의하였다.

Yang and Yoon (2019)은 서울시를 대상으로 폭염대응정책의 성과효율성을 분석한 결과, 저소득 거주자 비율이 높은 지역에서 온열질환저감효과가 크게 나타났다.

이는 폭염에 취약한 계층의 거주비율이 높은 지역에 지속적인 보건사업 및 재정투자가 필요하다는 것이다.

취약계층은 크게 신체적 취약계층, 경제적 취약계층, 정보적 취약계층으로 구분되나 우리나라의 경우에는 취약계층에 대한 정의 및 접근방식이 다르더라도 신체적 취약계층, 정보적 취약계층, 경제적 취약계층이 결국 중첩되는 결과를 보였다(Yoo and Kim, 2008; Park and Song, 2014). 이에 따라 취약계층의 거주비율이 높은 지역에 폭염 대응을 위한 정책 및 전략이 이루어져야 함을 시사한다.

한국 기후변화 평가보고서 2014에서는 폭염에 의한 건강피해는 나이, 기저질환, 소득, 교육수준, 지역에 따라 차이가 나타남에(Hong et al., 2015) 따라 폭염에 의한 취약계층 체계적인 파악이 필요하다. 선행연구에서 제시된 취약계층에 관련된 변수는 Table 1과 같다.

Table 1

Significant Variables for Vulnerable Groups Related to Heat Waves Presented in Previous Studies

2.2 환경정의 분석방법에 대한 고찰

환경정의를 진단하기 위해 채택하고 있는 선행된 연구 방법으로는 기후변화로 인한 이상기후가 나타날 수 있는 지역들을 식별하고, 해당 지역 사회의 인종, 소득수준 등 사회경제적 특성을 집계하여 기후변화로 인한 이상기후가 요인이 되는 물리적 취약성과 사회경제적 특성을 공동체 또는 지역 간을 서로 비교하고 있다.

Florida의 Pinellas County 사례로 높은 수준의 지표면 온도(land surface temperature, LST)가 인종, 민족성, 연령 및 사회 경제적 상태와 관련하여 불공평하게 분배되고 있는지에 대한 여부를 분석함으로써 환경정의를 진단했다(Mitchell and Chakraborty, 2014).

Lindley et al. (2011)은 사회적 취약성과 기후변화로 인한 위험이 선행연구 분석을 통해 공간과 관련이 있다고 가정하고 사회 및 환경적 요인을 공간적으로 표출하여 기후변화로 인한 취약성을 이해하기 위해서는 주성분 분석을 통해 사회적 취약집단을 나타내는 지표 집단이 공간패턴을 결정하는 주요 요인임을 밝혀내었으며, 사회적 취약성과 공간적 취약성을 통합하여 하나의 프레임워크로 살펴볼 필요가 있다고 주장하였다.

이에 본 연구에서도 폭염에 대한 피해를 위험지역을 식별하고 사회경제적 특성에 따른 폭염 취약계층 거주 및 활동지역을 도출하여 비교 및 중첩을 알아보고자 하였다.

3. 연구방법

3.1 연구설계 및 방법

본 연구의 시간적 범위는 기상청 기상연보에 따르면 최근 10년간(2012~2021년) 중 2018년의 여름 기온이 가장 높은 결과가 나타남에 따라 2018년을 설정하였다.

공간적 범위는 공간적 자기상관성 등을 확인하기 위하여 섬지역 특성상 군집성을 보여주기 힘드므로 지역의 특성에 따라 영도구, 강화군, 옹진군, 남해군, 울릉군, 거제시, 완도군, 진도군, 제주, 서귀포 10개 섬지역을 삭제하였다. 이에 따라 위 지역을 제외한 219개 지역을 분석하였다.

연구의 방법은 Fig. 1과 같은 순서로 진행하였다. 첫번째, 선행연구를 통해 폭염위험과 관련된 폭염영향에 대한 인자들과 취약계층에 대한 인자들을 기반으로 유의미한 변수를 도출하였다.

Fig. 1

Method and Flow Chart of the Study

두 번째, 세부 데이터 지표들의 단위가 제각기 다르기 때문에 표준화 하였다. 대표적으로 활용되는 방법으로는 Z-Score 방법과 Min-Max 방법이 있다(Kim et al., 2021).

본 연구에서는 세부지표 자료의 표준화를 위해 스케일 재조정법을 이용한 표준화 방법을 적용하여 0에서 1 사이의 값을 갖게 하는 Min-Max 방법을 활용하였다.

세 번째, 선행연구에서 도출된 변수들을 다중회귀분석을 통해 종속변수의 독립성과 변수들 간의영향관계를 파악하여 유의한 변수를 추출하기 위해 다중회귀분석을 진행하였다.

네 번째, 공간회귀분석 및 LISA분석을 통해 공간적 자기상관성을 우선 확인하고 지역의 군집의 특성을 확인하여 환경 부정의 지역들을 도출하였다.

이는 폭염에 따른 취약계층 수가 많은 지역들을 도출한 것으로 환경정의 관점에서 폭염위험에 따라 지역이 공평하게 분배되고 있는지를 확인하는 것이다.

마지막으로, 폭염이라는 위험이 특정되어 있을 때 취약계층 간의 환경 부정의 지역이 환경정의 관점에서 무더위쉼터정책이 공간적 공간적으로 이에 비례하여 설치되었는지를 확인함으로써 환경 부정의 지역을 도출함으로써 실증적으로 분석을 진행하였다.

‘환경정의(Environmental Justice)’는 환경 관련 법령을 제정⋅개정하거나 정책을 수립⋅시행함에 있어 모든 사람들이 실질적인 참여를 보장 받고, 환경적 혜택과 부담의 배분에 있어 공평하게 대우받으며, 환경오염 도는 환경훼손으로 인한 피해를 공정하게 구제받는 것 이라고 볼 수 있다(Chu et al., 2017).

무더위쉼터는 지역별 특성과 인프라에 따라 100배 이상 격차가 발생하고 있으며 100명당 무더위쉼터 수는 경상남도 내 행정동 간 최대 43.6배 차이(Lee et al., 2018)가 나타나고 있는 현실이다. 대부분의 폭염 취약계층 관련 연구에서는 폭염을 중심으로 한 취약계층에 대한 세분화된 구분이 이루어지지 않았다.

취약계층의 집단이 공간적 분포와 폭염에 취약한 지역의 분포와의 하나의 프레임으로 실증분석하는 연구가 부족한 실정이며, 취약계층에 대한 정책이 환경정의 관점으로 취약계층에 대한 공간적 분포로써 비교하는 연구까지 분석이 필요하다고 판단된다. 이러한 하나의 프레임으로 환경정의 분석을 취약계층을 중심으로 평등 및 불평등을 평가한다는 것에 차이점이 있다.

이에 본 연구는 연구의 차별성으로 사회⋅경제적 취약계층에 대하여 온열에 취약한 질병코드에 맞는 온열환자를 구분하고 경제적 취약계층도 계층을 구분하여 기초생활수급자와 차상위계층 간의 구분을 통하여 취약계층을 세분화하여 지켜보았다.

또한 폭염 관련 변수와 취약계층 관련 변수가 중첩되는 지역들에 대하여 취약계층을 위한 방안으로 폭염 무더위 쉼터의 환경정의의 고려에 대한 현황을 검정하므로써 환경정의 유무를 평가하였다.

3.2 변수설정

본 연구의 변수는 선행연구에서 제시된 변수들을 기반으로 Table 2와 같이 사용 변수가 설정되었다.

Table 2

Variables Derived from Previous Studies

폭염위험에 관련된 변수로는 2020 폭염영향보고서에서 최고기온 및 폭염일수에 따라 폭염피해 및 온열질환자의 사망수가 증가하였다(Chae and Park, 2020)는 결과와 폭염 특보 발령기준으로써 구분함에 따라 최고온도, 폭염일수(일 최고기온이 33 °C 이상인 날의 수) 변수를 폭염위험 변수로 설정하였다.

경제적 취약변수의 차상위 계층 변수의 경우 중위소득 50% 이하의 저소득층이지만 고정재산 또는 부양 가능한 가구원이 있어 ‘기초생활수급자’ 대상에서 제외된 가구이므로 기초생활수급자보다 더욱 경제적으로 취약한 계층이므로 변수를 구분하여 적용하였다.

취약계층변수로는 기초생활수급자, 차상위계층, 1인가구, 65세 인구, 독거노인가구, 저학력자, 폭염환자, 노후주택가구, 옥외근로자수가 유의한 변수로 도출되었다.

폭염환자의 경우 질병관리청이 발표한 온열질환 응급실감시체계에서 제시된 온열질환 질병코드를 기반으로 열사병(T67.0), 열실신(T67.1), 열경련(T67.2), 열탈진(T67.3~T67.5), 열부종(T67.7), 기타(T67.8~T67.9)에 데이터를 도출하여 적용하였다.

옥외노동자의 경우 2019년에 안전보건공단에서 발표한 우리나라의 폭염과 관련된 피해 종사자 발생 현황을 살펴보면 건설업, 서비스업, 농업, 운수 창고 및 통신업, 임업, 제조업에 종사자들이 사망자수를 기록하였다(Lee, 2019).

이에 따라 농업, 임업 및 어업, 광업, 제조업, 전기, 가스, 증기 및 수도사업, 하수⋅폐기물처리, 원료재생 및 환경복원업, 건설업, 운수업 종사자를 옥외종사자수 데이터로 적용하였다.

저학력계층의 경우 건강취약집단에 집중된(Subramanian et al., 2002) 선행연구들의 결과로 초등학교 졸업 이하의 학력을 가진 이들을 건강취약집단으로 대졸이상 학력자에 비하여 초졸자의 사망위험은 2.36배, 무학은 4.49배에 달한다는(Kang and Kim, 2006) 결과에 따라 초등학교 졸업 이하 인구를 합산하여 데이터를 적용하였다.

본 데이터의 경우 인구총조사 데이터 제공 특성상 5년 단위로 작성되므로 2015년 기준으로 적용하였다.

또한 환경정의 인프라 관련 변수로는 행정안전부에서 취약계층을 위한 폭염피해 방지대책으로 무더위 쉼터를 제시함에 따라 데이터를 구성하였다.

4. 분석결과

4.1 다중회귀분석 분석 결과

선행연구에서 도출된 폭염위험 관련변수, 취약계층과 관련 변수, 환경정의 인프라 관련 변수들을 폭염위험 변수를 각각 종속변수로 설정하여 변수들과의 선형관계, 데이터의 다중공선성을 확인하기 위하여 다중회귀분석을 진행하였다. 이에 따른 결과는 Table 3과 같이 도출되었다.

Table 3

Multiple Regression Analysis Results

Durbin-watson값으로 회귀모델의 종속변수의 잔차에 대한 독립성을 확인함에 따라 자기상관이 없음을 확인하였다.

선행연구에서 도출된 변수들을 다중공선성의 문제와 유의확률 기준이 벗어난 변수들을 제외하였다. 이에 따라 최고온도(THT)와 관련된 유의한 변수로 1인가구(SP), 65세 이상 인구(OP), 독거노인인구(EA), 옥외근로자수(OW)가 도출되었다.

폭염일수(HD, 일 최고기온이 33 °C 이상인 날의 수)와 관련된 유의변수로는 65세 이상 인구(OP), 독거노인인구(EA)가 도출되었다.

4.2 공간회귀 분석(Spatial regression analysis) 결과

공간회귀모형(spatial regression model)을 활용한 추정은 공간의 특정 현상이나 원인의 이해가 가능하다(Anselin, 2005).

일반 회귀 분석은 모든 공간에 상관없이 데이터에 회귀 계수를 추정하게 되는데 실제 공간 데이터에서 공간에 따라 변수들의 영향이 달라질 수 있으므로 공간회귀 분석을 통한 변수의 공간적 영향을 분석하였다. 분석결과로는 공간적 자기상관성 및 Table 4와 같이 나타났으며, 최고온도(THT)와 관련된 유의한 변수로 1인가구(SP), 65세 이상 인구(OP), 독거노인인구(EA), 옥외근로자수(OW)가 도출되었다. 폭염일수(HD, 일 최고기온이 33 °C 이상인 날의 수)와 관련된 유의변수로는 독거노인인구(EA)가 도출되었다.

Table 4

Spatial Regression Analysis Results

최고온도(THT)와의 1인가구(SP), 65세 이상 인구(OP), 독거노인인구(EA)변수들은 양의 상관관계를 보여 최고온도가 증가하는 지역에 같이 증가하는 지역적 영향관계를 보이며, 옥외근로자수(OW)의 경우 음의 영향 관계를 보여 최고온도가 증가하는 지역에 옥외근로자수(OW)가 감소하는 영향이 나타났다.

폭염일수(HD, 일 최고기온이 33 °C 이상인 날의 수) 변수와 독거노인인구(EA)수는 양의 영향을 보였으며, 폭염일수가 증가하는 지역에 같이 독거노인인구(EA)가 많은 양상을 보였다.

4.3 Bivariate local Moran’s I 통계 및 LISA 분석을 통한 폭염위험에 대한 환경부정의 지역 도출 결과

폭염위험에 대한 환경부정의 지역의 도출을 위해 Anselin (2005)이 제시한 HH (High-High), LL (Low-Low) LH (Low-High) HL (High-Low)로 4분위로 분류하는 기준을 적용하였으며, HH (High-High) 지역의 경우 최고온도가 높은 지역이면서 취약계층변수가 높은 지역이므로 HH (High-High) 지역을 환경부정의 지역으로 설정하여 해석하였다. 도출한 결과로 Figs. 2~6과 같이 나타났다.

Fig. 2

Moran’s I Value and Lisa Analysis Results for THT and SP Variables

Fig. 6

Moran’s I Value and Lisa Analysis Results for HD and EA Variables

Fig. 3

Moran’s I Value and Lisa Analysis Results for THT and OP Variables

Fig. 4

Moran’s I Value and Lisa Analysis Results for THT and EA Variables

Fig. 5

Moran’s I Value and Lisa Analysis Results for THT and OW Variables

먼저, 최고온도(THT)가 높은 지역이면서 취약계층변수가 높은 지역인 HH (High-High) 지역은 대부분 비슷한 지역이 도출되었으며, 1인가구(SP), 65세 이상 인구(OP), 독거노인인구(EA) 변수가 대부분 비슷하거나 똑같은 지역이 도출되었다. 옥외근로자수(OW)의 경우에는 시도지역의 공통점을 보였다.

서울지역의 경우 25개의 시군구 중에서 용산구, 성동구, 광진구, 동대문구, 중랑구, 성북구 등 19개 지역이 도출되었다.

대구지역은 8개 시군구 중 동구, 남구, 북구, 수성구, 달서구 등 5개 지역이 도출되었다. 경기도 지역은 의정부시, 남양주시, 화성시, 광주시, 성남시, 용인시 등 6개지역, 강원도는 춘천시, 원주시 등2개 지역, 충청북도는 충추시, 청주시, 경상북도의 경우 경산시가 도출되었다.

또한, 최고온도(THT)가 높은 지역이면서 옥외근로자수(OW)가 많은 지역은 서울은 종로구, 중구, 성동구, 마포구, 영등포구, 서초구, 강남구, 송파구 지역, 대구는 북구, 달서구, 달성군, 대전은 대덕구가 도출되었다.

경기지역은 남양주시, 이천시, 화성시, 광주시, 포천시, 성남시, 용인시, 충청북도지역의 경우 충주시, 청주시, 음성군, 경상북도는 경산시가 도출되었다.

또한 폭염일수(HD) 지속성이 높으면서 독거노인인구(EA)가 많은 지역의 경우 서울에는 성동구, 대구는 동구, 서구, 남구, 북구, 수성구, 달서구, 경상북도는 경주시, 구미시, 영천시, 경산시, 경상남도의 경우 창원시가 도출되었다.

위에서 제시된 지역들은 폭염위험이 높으면서 취약계층의 비율이 높은 지역이므로 환경 부정의 지역으로 도출되었다.

4.4 중첩분석을 통한 정책적 환경부정의 지역 도출 결과

폭염위험지역과 취약계층 간의 환경 부정의 지역에 대해서 1인당 무더위쉼터시설 설치비중이 낮은 지역을 중첩분석을 통해서 이에 대해 환경 부정의 지역을 도출하고자 하였으며, 결과는 Table 5와 같이 나타났다.

Table 5

Overlapping Analysis Results

5. 결 론

본 연구는 폭염의 피해에 있어서 환경정의를 위해 사회⋅경제적 취약계층에 주목하여 전국 시군구단위로 폭염 취약지역과 사회⋅경제적취약계층의 거주 및 활동지역을 도출하고 폭염위험과 폭염취약계층, 환경정의 인프라변수 간의 영향분석과 공간적 관계 및 공간회귀를 통하여 폭염에 대한 적응능력이 상대적으로 낮은 지역을 파악함으로써 향후 폭염 적응능력 향상을 통해 도시의 지속적인 방재방안을 모색하기 위한 목적으로 수행하였다.

다중회귀 결과로 최고온도(THT)와 관련된 유의한 변수로 1인가구(SP), 65세 이상 인구(OP), 독거노인인구(EA), 옥외근로자수(OW)가 도출되었다.

폭염일수(HD, 일 최고기온이 33 °C 이상인 날의 수)와 관련된 유의변수로는 65세 이상 인구(OP), 독거노인인구(EA)가 도출되었다.

그러나 폭염위험과 폭염취약계층과 무더위쉼터변수와의 선형관계가 보이지 않으므로 환경정의 관점에서의 폭염대응 부문에서 환경적 부정의가 나타나는 것으로 보인다.

공간회귀 분석을 통한 변수의 공간적 영향을 분석하였다.

분석결과로는 공간적 자기상관성 및 Table 4와 같이 나타났으며, 최고온도(THT)와 관련된 유의한 변수로 1인가구(SP), 65세 이상 인구(OP), 독거노인인구(EA), 옥외근로자수(OW)가 도출되었다.

폭염일수(HD, 일 최고기온이 33 °C 이상인 날의 수)와 관련된 유의변수로는 독거노인인구(EA)가 도출되었다. 최고온도(THT)와의 1인가구(SP), 65세 이상 인구(OP), 독거노인인구(EA) 변수들은 양의 상관관계를 보여 최고온도가 증가하는 지역에 같이 증가하는 지역적 영향관계를 보이며, 옥외근로자수(OW)의 경우 음의 영향 관계를 보여 최고온도가 증가하는 지역에 옥외근로자수(OW)가 감소하는 영향이 나타났다.

폭염일수(HD, 일 최고기온이 33 °C 이상인 날의 수) 변수와 독거노인인구(EA)수는 양의 영향을 보였으며, 폭염일수가 증가하는 지역에 같이 독거노인인구(EA)가 많이 존재하는 지역 양상을 보였다.

LISA 분석 결과로 최고온도가 높은 지역이면서 취약계층변수가 높은 지역이므로 HH (High-High) 지역을 환경부정의 지역으로 확인하였다.

취약계층 변수와의 관계가 공간적으로 지역들이 대부분 비슷한 지역이 도출되었으며, 서울, 대구, 경기도, 강원도, 충청북도, 충청북도, 경상북도 지역들이 도출되었다.

폭염일수(HD) 지속성이 높으면서 독거노인인구(EA)가 많은 지역의 경우 서울에는 성동구, 대구는 동구, 서구, 남구, 북구, 수성구, 달서구, 경상북도는 경주시, 구미시, 영천시, 경산시, 경상남도의 경우 창원시가 도출되었다.

위에서 제시된 지역들은 폭염위험이 높으면서 취약계층의 비율이 높은 지역이므로 환경 부정의 지역으로 도출되었다.

중첩분석의 경우 LISA분석에서 진행한 폭염위험으로부터 환경 부정의 지역들을 환경정의 정책이 환경정의 관점으로 설치비중을 통해서 확인하였으며, LISA분석에서 나타난 핫스팟 지역인 대부분의 HH (High-High) 지역에서 중첩되는 결과를 도출하였다.

이는 폭염위험이 높은 지역이면서 취약계층 거주 및 활동이 높은 지역인데도 불구하고 무더위쉼터의 개수가 부족하다는 결과로 해석할 수 있다.

기존 선행연구의 설문조사 결과로 대체적으로 무더위 쉼터가 실효성이 낮은 결과를 보이며(Chu et al., 2011; Chae et al., 2016; Kim et al., 2020), 기초생활수급자 등 경제적으로 넉넉하지 않은 취약계층 특성상 폭염 시 이동이 일반인과 비교할 때 매우 제한적인 결과를 보였다.

폭염 피해는 집 안에 머무르는 취약계층에 집중되어 나타나며, 현재 특정 장소에 지정되어 여름철 상시 운영되고 있는 무더위 쉼터의 정책 개선의 필요성을 시사할 수 있으며, 취약계층 인구들을 고려한 무더위 쉼터 설치수와 무더위 쉼터 셔틀버스 운행 확대 방안, 폭염 도우미 서비스 확대 운영 방안, 심야 무더위 쉼터 확대 방안 등의 개선방안이 필요할 것이다.

감사의 글

본 연구는 2021 한국방재학회 학술발표대회에서 발표한 ‘환경정의 관점에서 본 폭염 취약지역의 적응역량과 취약계층 분포에 관한 연구’를 수정⋅보완한 논문임.

본 연구는 국토교통부 연구사업의 연구비지원(스마트시티 혁신인재육성사업)에 의해 수행되었습니다.

References

1. Anselin L. 2005;Exploring spatial data with GeoDATM:A workbook. Center for Spatially Integrated Social Science

2. Chae Y.R, Ahn Y.J, Kim D.S. 2016;Measures to enhance the effectiveness of the heat shelter in preparation for the heat wave. Korea Environment Institute (KEI Focus) 4(1):4–19.

3. Chae Y.R, Park J.C. 2020;2020 heat wave impact report. Korea Institute for Environmental Policy Evaluation

4. Chan E.Y.Y, Goggins W.B, Kim J.J.K, Griffiths S.M. 2012;A study of intracity variation of temperature-related mortality and socioeconomic status among the chinese population in Hong Kong. Journal of Epidemiology and Community Health 66(4):322–327.

5. Chu J.M, Kim T.H, Lee S.Y, Lee J.Y, Ban Y.W, Kim M.S, et al. 2017;A study on the preparation of policy measures for the realization of environmental justice Sejong: Korea Institute for Environmental Policy and Evaluation;

6. Chu J.M, Gong S.Y, Paik S.A. 2010;Policies to enhance the capacity of climate change adaptation on the low-income people (I). Korea Environment Institute Research Report :1–167.

7. Chu J.M, Gong S.Y, Paik S.A. 2011;Policies to enhance the capacity of climate change adaptation on the low-income people (II). Korea Environment Institute Research Report :1–200.

8. Hong E.K. 2016;Discussion of the climate change vulnerable groups in developing countries. Journal of International Development Cooperation 11(4):73–96.

9. Hong J.H, Jung H.C, Choi Y.E, Kim S.K, Kim D.G, Hong S.C, et al. 2015;Korean climate change assessment report 2014. Ministry of Environment, Republic of Korea⋅National Institute of Environmental Research :1–326.

10. Kang Y.-H, Kim H.R. 2006;Socioeconomic mortality inequality in Korea:Mortality follow-up of the 1998 national health and nutrition examination survey (NHANES) data. J Peve Med Public Health 39(2):115–122.

11. Kim C.-J, Yang G.G. 2020;Impact of disaster-vulnerable population on disaster resilience:Focused on disaster management budget of local autonomies in South Korea. Crisisonomy 16(3):19–44.

12. Kim D.W, Kim J.E, Jang C.R, Jang M.Y. 2021;Assessment of heatwave vulnerability in Korea considering socio-economic indices. J. Korean Soc. Hazard Mitig 21(5):39–47.

13. Kim K.W, Park B.C, Heo J.B, Kang J.Y, Lee I.J. 2020;Assessment of heat wave vulnerability in busan using the IPCC climate change vulnerability assessment framework. Korea Planning Association 104:23–38.

14. Kim M.G, Yang G.G, Jeong G.S. 2014;Improvement directions for disaster-safety welfare of the vulnerable groups from natural disaster. Crisisonomy 10(9):113–135.

15. Korea Meteorological Administration. 2020;Korean climate change assessment report 2020

16. Lee D.B. 2017;A study on spatial and social equity of fire service in Seoul. J. Korean Soc. Hazard Mitig 17(1):145–154.

17. Lee E.-S, Ha K.-J, Choo S.H. 2018;The current status of heat wave damage in Gyeongsangnam-do and countermeasures. Gyeongnam Development Institute 11:1–40.

18. Lee G.-E, Byun B.S. 2020;Analysis of the impact of local government capacity on disaster resilience:Focusing on 17 metropolitan local governments. Korea Envionment Policy and Administration Society 28(4):37–56.

19. Lee H.-Y, An E.K. 2016;A study on the methodology of extracting the poor deprived districts by using geospatial information. JCLI 46(2):5–25. doi:10.22640/lxsiri.2016.46.2.5.

20. Lee N.Y, Lim J.Y, Cho Y.S. 2014;Effect of climate change on mortality rate analysis of vulnerable populations. Health and Social Welfare Review 34(1):456–484.

21. Lee S.-H, Kang J.E, Bae H.J, Yoon D.K. 2015;Vulnerability assessment of the air pollution using entropy weights:Focused on ozone. J. Korean Assoc. Reg. Geogr 21(4):751–763.

22. Lee W.-H. 2019;Study on the preparation of comprehensive measures for health protection of outdoor workers due to climate change. Research Report, Institute of Occupational Safety and Health :1–280.

23. Lindley S, O'neill J, Kandeh J, Lawson N, Christian R, O'neill M. 2011;Climate change, justice and vulnerability. Joseph Rowntree Foundation

24. Mitchell B.C, Chakraborty J. 2014;Urban heat and climate justice:A landscape of thermal inequity in pinellas county, Florida. Wiley-Blackwell 104:459–480.

25. National Environmental Justice Advisory Council (NEJAC). 2004. Ensuring risk reduction in communities with multiple stressors:Environmental justice and cumulative risks/impact Washington, DC: U.S. Environmental Protection Agency.

26. Park H.-N, Song J.M. 2014;Empirical study on environmental justice through correlation analysis of the flood vulnerability indicator and the ratio of the poor population. Korea Planning Association 49(7):169–186.

27. Park J.K, Bae H.J, Seo Y.W. 2013;A study on the environmental welfare policy of the vulnerable group of climate environment (I). Korea Environment Institute :4–136.

28. Shin H.S, Lee S.H. 2014;Development of a climate change vulnerability index on the health care sector. Korea Environmental Policy and Administration Society 13(1):69–93. doi:10.17330/joep.13.1.201403.69.

29. Steel R. 2004;Involving marginalised and vulnerable people in research:A consultation document. London:Involve

30. Subramanian S.V, Kim D.J, Kawachi I. 2002;Social trust and self-rated health in US communities:A multilevel analysis. Journal of Urban Health 79(4):21–34.

31. United Nations Development Programme (UNDP). 2015;Human development report 2015:Work for human development

32. WMO. 2020. WMO statement on the state of the global climate in 2019 Retrieved July 20, 2023, from https://library.wmo.int/.

33. Yang H.J, Yoon H.Y. 2019;Measuring the efficiency of heat-wave action programs in urban environments:Using heat-related illness data in Seoul, South Korea. Journal of The Korean Urban Management Association 32(1):31–45.

34. Yoo G.Y, Kim I.-A. 2008;Development and application of a climate change vulnerability index. Korea Environment Institute Research Report

35. Yoo H.-J. 2008;A study on securing public safety rights:Focusing on acceptable risk acceptance criteria for the vulnerable. Crisisonomy 4(2):17–31.

Article information Continued

This is an open access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/4.0), which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

Classification	Variable
The Physically Vulnerable	Disabled Person (Yoo, 2008; Shin and Lee, 2014), Elderly People Living Alone (Lee and An, 2016)
The Physically Vulnerable	Infants (Park et al., 2013), Children Under the Age of 14 (Yoo, 2008; Park et al., 2013; Shin and Lee, 2014; Chu et al., 2017; Lee, 2017), Population Aged 65 or Older (Chu et al., 2017; Lee, 2017)
The Economically Vulnerable	The Bottom 10% of Average Income (Lee et al., 2015), Basic Living Recipients (Yoo, 2008; Lee and An, 2016), Low-Income (NEJAC, 2004; Park et al., 2013), Irregular Workers (Park and Song, 2014), Single-Person Households (Lee and An, 2016), Old House (Lee and An, 2016)
The Information- Vulnerable Class	Low-Educated People (Park et al., 2013; Park and Song, 2014), Minorities (Steel, 2004), Foreigners (Shin and Lee, 2014)

Classification	Variables	Acronym	Unit notation
Risk of heat wave	The Highest Temperature	THT	°C
Risk of heat wave	Heat wave days	HD	Days
The vulnerable	Basic recipient Population Ratio	BP	Person
	Percentage of population in the next Lowest Class	LC	Person
	A Single-Person household	SP	Household
	Percentage of population aged 65 or older	OP	Person
	Elderly Households living alone	EA	Household
	Percentage of heat wave patients	HP	Person
	Number of Outdoor Workers	OW	Person
Environmental justice-related infrastructure	Percentage of shelter per person in hot weather	HS	Selter

Dependent Variable	Significant Variable	Probability	Variable Impact
THT	SP	0.00760	(+)
	OP	0.02359	(+)
	EA	0.00525	(+)
	OW	0.04984	(-)
HD	EA	0.00673	(+)

Division	SIDO	SIGUNGU
THT↑ SP↑ HS↓	Seoul	Yongsan-gu, Seongdong-gu, Gwangjin-gu, Dongdaemun-gu, Jungnang-gu, Seongbuk-gu, Gangbuk-gu, Dobong-gu, Nowon-gu, Eunpyeong-gu, Seodaemun-gu, Mapo-gu, Yeongdeungpo-gu, Dongjak-gu, Gwanak-gu, Seocho-gu, Gangnam-gu, Songpa-gu, Gangdong-gu
	Daegu	Dong-gu, Nam-gu, Buk-gu, Suseong-gu, Dalseo-gu
	Daejeon	Seo-gu
	Gyeonggi-do	Seongnam-si, Uijeongbu-si, Namyangju-si, Yongin-si, Hwaseong-si, Gwangju-si
	Gangwon-do	Chuncheon-si, Wonju-si
	Chungbuk-do	Cheongju-si
	Gyeongbuk-do	Gyeongsan-si
THT↑ OP↑ HS↓	Seoul	Yongsan-gu, Seongdong-gu, Gwangjin-gu, Dongdaemun-gu, Jungnang-gu, Seongbuk-gu, Gangbuk-gu, Dobong-gu, Nowon-gu, Eunpyeong-gu, Seodaemun-gu, Mapo-gu, Yeongdeungpo-gu, Dongjak-gu, Gwanak-gu, Seocho-gu, Gangnam-gu, Songpa-gu, Gangdong-gu
	Daegu	Dong-gu, Seo-gu, Buk-gu, Suseong-gu, Dalseo-gu
	Daejeon	Seo-gu
	Gyeonggi-do	Seongnam-si, Uijeongbu-si, Namyangju-si, Yongin-si, Hwaseong-si, Gwangju-si
	Gangwon-do	Chuncheon-si, Wonju-si
	Chungbuk-do	Cheongju-si
	Gyeongbuk-do	Gyeongsan-si
THT↑ EA↑ HS↓	Seoul	Seongdong-gu, Gwangjin-gu, Dongdaemun-gu, Jungnang-gu, Seongbuk-gu, Gangbuk-gu, Dobong-gu, Nowon-gu, Eunpyeong-gu, Seodaemun-gu, Mapo-gu, Yeongdeungpo-gu, Dongjak-gu, Gwanak-gu, Gangnam-gu, Songpa-gu, Gangdong-gu
	Daegu	Dong-gu, Seo-gu, Nam-gu, Buk-gu, Suseong-gu, Dalseo-gu
	Daejeon	Seo-gu
	Gyeonggi-do	Seongnam-si, Uijeongbu-si, Namyangju-si, Yongin-si, Hwaseong-si
	Gangwon-do	Chuncheon-si, Wonju-si
	Chungbuk-do	Cheongju-si
	Gyeongbuk-do	Gyeongsan-si
THT↑ OW↑ HS↓	Seoul	Jongno-gu, Jung-gu, Seongdong-gu, Mapo-gu, Yeongdeungpo-gu, Seocho-gu, Gangnam-gu, Songpa-gu
	Daegu	Buk-gu, Dalseo-gu, Dalseong-gun
	Daejeon	Daedeok-gu
	Gyeonggi-do	Seongnam-si, Namyangju-si, Yongin-si, Hwaseong-si, Gwangju-si, Pocheon-si
	Gangwon-do	Wonju-si
	Chungbuk-do	Cheongju-si, Eumseong-gun
	Gyeongbuk-do	Gyeongsan-si
HD↑ EA↑ HS↓	Seoul	Seongdong-gu
	Daegu	Dong-gu, Seo-gu, Nam-gu, Buk-gu, Suseong-gu, Dalseo-gu
	Gyeongbuk-do	Gyeongju-si, Gumi-si, Gyeongsan-si
	Gyeongnam-do	Changwon-si

Dependent Variable	Significant Variable	Probability
THT	SP	0.010
	OP	0.043
	EA	0.002
	OW	0.041
HD	OP	0.001
HD	EA	0.000