공간자기상관을 통한 화재오인신고의 공간군집패턴 분석: 경상북도를 중심으로
Analysis of Spatial Clustering Patterns of Fire Misidentification Through Spatial Autocorrelation Analysis: Focusing on Gyeongsangbuk-do
Article information
Abstract
화재오인출동 건수가 많은 소방관서의 경우 출동업무 과다로 인해 소방대원의 업무스트레스가 높을 것으로 예상됨에 따라, 연구대상 지역에 대한 공간적 군집 패턴을 분석한 후 해당지역 내 소방관서의 개소 및 배치현황의 효율성과 적정성을 살펴보았다. 전역적 모란지수분석을 통해 경상북도 지역 간에 공간적 자기상관성이 있음을 확인하였다. 국지적 모란지수와 핫스팟(Getis Ord’s Gi*) 분석을 통해 오인신고 빈도가 높은 지역과 낮은 지역을 도출하였다. 해당 지역의 소방관서 개소 및 배치 상황을 살펴본 결과, 119 안전센터의 평균 출동건수가 높은 지역은 소방관서를 충원할 필요가 있으며, 119 안전센터가 집중 배치된 지역은 주변 지역으로의 소방력 분산 대책을 마련할 것을 제언하였다.
Trans Abstract
In fire departments with a high number of false fire dispatches, firefighters’ work stress is expected to be high because of excessive dispatch work. Therefore, after analyzing the spatial clustering pattern of the study area, we examined whether the opening and deployment of fire departments in the area was efficient and appropriate. Global Moran’s I analysis confirmed that there was spatial autocorrelation between the Gyeongsangbuk-do regions. Through local Moran’s I and hotspot (Getis-Ord’s Gi*) analysis, regions with high and low frequencies of fire misreporting were derived. Examination of the opening and deployment of firefighters in the region suggested that regions with a high average number of dispatches to the 119 Safety Center need to increase the number of firefighters, and that regions where the 119 Safety Center is concentrated should prepare measures to disperse firefighting forces to the surrounding regions.
1. 서 론
경상북도 지역에서 화재 오인 신고로 인한 소방 출동 건수는 매년 꾸준히 늘어나고 있는 추세이다. 오인출동은 119상황실에서 화재신고를 접수하여 정상적으로 화재 출동대를 편성하고 출동하였으나 화재 상황이 아닌 것으로 확인된 경우이거나, 화재로 확대될 가능성이 없어 조치가 불필요한 경우를 의미한다. 화재 오인 출동으로 소방 행정력이 낭비되어 실제 위급한 상황이 발생했을 때 도움을 제때 받지 못하는 일이 발생할 수 있기 때문에 오인출동은 부정적 요인으로 인식이 되어 대책 마련이 시급한 실정이다. 하지만, 한편으로는 오인신고 건수가 많다는 것은 주민들의 화재예방 의식이 낮지 않다는 것을 반증한다. 오인출동으로 위험을 사전에 인지하여 화재를 예방하거나 출동대의 안전조치로 인해 피해를 경감시킨 경우들도 많기 때문에 오인신고를 무조건 줄이는 데에 집중하기 보다는 경상북도 지역 내 빈도가 높거나 낮은 지역의 공간군집 패턴을 분석하여 해당 지역별 소방관서 배치의 효율성과 적정성을 평가하는 것이 실효성 있는 방안 마련에 도움이 될 것으로 판단된다. 화재출동이 많은 소방관서일수록 화재오인출동도 많음을 감안해 보았을 때 화재출동 횟수에 비례하여 임계 수준 이상의 화재오인출동도 발생할 가능성이 높기 때문에 이 화재오인출동을 소방력을 구성하는 주요한 한 축으로 인식하여, 각 지역별 화재출동 건수와 화재오인출동 건수를 합산한 전체 소방대 출동 건수를 소요 소방력으로 규정하였다. 이 소방력 대비 실제 배치된 소방관서의 개소 및 배치현황을 비교하여 그 효율성과 적정성을 평가하는 것이 화재오인출동에 따른 해당 지역 소방관서의 출동업무 과중 문제를 해결할 수 있는 좋은 실마리를 제공할 수 있을 것이라 판단한다.
화재오인출동에 관한 선행연구에는, Eom et al. (2013)이 2001년~2011년 사이에 발생한 화재진압 및 오인출동 횟수의 각 평균을 신뢰수준 95%에서 구간추정하고 오인출동원인을 기술 분석한 후 대책을 제시하였고, Baek (2020)는 119안전센터 출동 중 소방시설 오작동관련 출동 빈도수 상관관계를 빅데이터 분석 시스템을 통해 분석해 봄으로써 소방력 출동 빈도수 경감을 위한 개선 방안을 도출하고, 한정된 소방력으로 화재 등 각종 재난현장에서 우세한 소방력 확보를 위한 정책적인 제언을 하였다. Hwang et al. (2020)은 비화재보 오인출동과 관련된 통계 및 실태조사와 비화재보에 관한 소방공무원의 인식에 대한 설문조사를 통해 오인출동 저감 방안을 연구하였고, Byun (2022)은 경남소방본부에서 2018~2020년에 접수된 오인출동의 통계적 데이터를 바탕으로 빅데이터 분석기법을 통해 오인출동의 원인을 다각적으로 분석⋅파악하고 향후 발생추이를 예측하여 오인출동을 저감할 수 있는 예방대책을 연구하였다.
선행 연구와 비교하여 이 연구에서는 경상북도 내 327개 행정동을 기초로 하여 지역별 오인신고 자료를 확보하고 공간통계 분석방법인 공간자기상관분석을 수행하였다는 측면에서 기존 선행연구들과 차별성을 띈다. 전체 연구지역에 대한 공간자기상관의 유무를 알아보기 위해 전역적 Global Moran’s I 분석을 수행한 후 국지적 수준에서 공간적 상관구조를 분석할 수 있는 LISA 분석을 수행하였다. 분석 결과를 토대로 오인신고의 핫스팟과 콜드스팟 지역을 도출한 후 이들 지역 내 화재출동건수를 포함한 전체 소방대 출동건수를 산출하고 해당 지역 내 소방관서의 개소와 배치현황을 비교하여 현행 경상북도 소방관서 배치에 있어서의 문제점과 효율적 배치를 위한 향후 개선점을 도출하였다.
2. 이론 고찰
2.1 공간자기상관
공간통계에서 공간적 자기상관을 측정하는 가장 대표적인 방법으로 활용되는 전역모란지수(Global Moran’s I)는 연구지역 전체에 대한 지역 분포 패턴이 군집되어 있는지 또는 무작위인지 분석하는데 유용한 도구이다(Lim and Park, 2017). 전역모란지수의 결과값은 -1에서 1까지 범위를 갖는데, -1에 가까울수록 강한 공간적 분산이 있음을 뜻하며 1에 가까울수록 강한 공간적 군집이 있음을 뜻한다. 결과값이 0에 가깝고 통계적으로 유의미하지 않은 경우는 공간적 상관성이 존재하지 않음을 의미한다. 전역모란지수는 Eq. (1)을 통해 산출된다(Cheong et al., 2012).
여기서, N은 표본수이고, Xi 와 xj 는 i와 j지역 특성값이며, X ̅는 X의 평균을 의미한다. ωij 는 공간가중행렬이다.
이러한 전역모란지수는 전반적인 공간적 상관성을 파악하는데 유용하지만 명확한 한계가 존재한다. 단위지역의 규모가 매우 크거나 공간적 구조가 안정적이지 않은 지역의 공간자기상관지수는 통계적 추론과 통계적 모형의 유효성에 대한 판단의 오류를 초래할 위험이 크다(Yi and Yeo, 2021). 이와 같은 통계적 분석기법의 추론적 오류를 최소화하고 국지적 수준에서의 공간적 상관구조를 분석할 수 있는 분석기법으로 LISA (Local Indicator of Spatial Association) 분석기법이 제시되었다(Anselin, 1995).
국지적인 공간군집 현상을 알아보는 분석방법인 LISA로는 국지적 모란지수(Local Moran’s I)와 Getis-Ord’s Gi* 분석이 대표적이다.
국지적 모란지수는 관측 값의 높고 낮음에 관계없이 유사한 값의 공간적 군집을 찾는 데에 매우 탁월하지만, 전체적인 핫스팟과 콜드스팟을 구분하지 못하는 한계가 있다(Bae, 2018). 이에 반해, Getis-Ord’s Gi*는 공간적으로 유사한 값을 찾아내는 것에는 다소 한계가 있으나, 핫스팟과 콜드스팟을 구분하는 것에는 탁월한 장점이 있다.
국지적 모란지수(Local Moran’s I)를 활용하면 지역을 다섯 유형으로 범주화할 수 있다. 무의미한(Significant) 유형은 의미 그대로 통계학적으로 무의미하고, HH 유형(high-high)과 LL유형(low-low)은 한 대상지역이 국지적으로 주변 지역들과 유사하게 높은 연관성을 갖는 현상을 나타내며, LH 유형(low-high) 및 HL 유형(high-low)은 한 대상지역의 변수가 주변 지역과는 다른 방향성을 갖는 현상을 나타낸다(Yeom and Choi, 2023). 국지적 모란지수는 Eq. (2)를 통해 산출된다(Anselin, 1995; Kim et al., 2014).
여기서, Zi 와Zj 는 변수값과 평균값의 편차이고, ωij 는 공간가중행렬이다.
또 다른 LISA 분석방법인 Getis Ord’s Gi*는 국지적 모란지수(Local Moran’s I)와는 다르게 평균보다 주변지역의 변수값이 클 경우에는 양의 값을 갖고 반대일 경우에는 음의 값을 갖는 일종의 공간군집분석이다. Gi*통계값은 핫스팟과 콜드스팟을 확실하게 구별해 주므로 지도 위에 시각화하기가 용이하다는 장점이 있다. Gi*통계값은 Eq. (3)에 의해 산출된다.
여기서, Xj 는 j지역 특성값, X̅ 는 X의 평균이고, ωij 는 공간가중행렬이며 n은 표본수이다.
3. 분석 방법 및 분석 자료
3.1 분석 방법
이 연구는 경상북도 내 각 시군을 행정동(327개) 단위로 구획하여 오인신고의 공간적 분포 특성을 알아보기 위하여 공간자기상관 분석을 수행하였다. 먼저, 경상북도 내 327개 행정동에서 접수된 오인신고 지역을 QGIS (version 3.30.2)를 이용해 맵핑(mapping)하여 시각화하였고, Geoda (version 1.20.0.20)를 활용하여 전역적 모란지수 및 국지적 모란지수 그리고 Getis-Ord’s Gi*를 분석하였다.
공간가중행렬(Spatial Weight Matrix)은 특정한 지역과 인접한 지역 간의 관계를 정의하는 것으로써 일반적으로 많이 사용되는 공간가중행렬은 지역 사이의 인접성으로 가중치를 부여하는 Queen방식(모서리 또는 면을 공유하면 이웃지역으로 간주)과 Rook (면만을 공유하면 이웃지역으로 간주) 방식이 있으며, 지역 간의 거리로 가중치를 부여하는 방식에는 K-nearest방식(지역과 가장 가까운 거리에 있는 n개의 지역을 이웃으로 간주)이 있다(Lim and Park, 2017). 본 연구에서는 Queen방식을 사용하여 해당지역과 가장 가까운 8개 지역을 이웃지역으로 설정하였다.
3.2 분석 자료
연구 자료는 경상북도의 각 행정구역(10개 시와 13개 군)에서 2016년 1월부터 2021년 3월까지 접수된 오인신고 52,028건 중 울릉군(157건)을 제외한 51,871건을 대상으로 하였다. 울릉군의 경우에는 육지와 격리되어 있는 특이성을 고려하여 연구 대상에서 제외하였다. 오인신고가 접수된 주소를 지오코딩을 이용하여 공간정보 데이터로 변환하여 오인신고 지역을 점(point) 객체의 GIS 데이터로 전부 구축하였다. 다음으로, 국가공간정보포털에서 전국의 행정동 경계 Shp화일을 다운로드 받은 후 QGIS를 활용하여 연구 대상 지역인 경상북도 지역만 추출한 후 이 경상북도 행정동 경계 Shp화일에 전 단계에서 생성한 경상북도 내 오인신고 지역을 점(point) 객체로 결합하여 공간자기상관 분석을 위한 자료를 구축하였다.
4. 결과 분석
4.1 전역적 공간자기상관 분석(Global Moran’s I)
경상북도의 각 행정구역(10개 시와 12개 군)을 행정동 단위로 구획하면 327개의 행정동으로 나뉘며 각 지역에서 2016년~2021년 사이에 접수된 오인신고 지역의 공간자기상관 유무와 그 정도를 알아보기 위해 Global Moran’s I 분석을 수행하였다.
Fig. 1에 따르면, 전역적 모란지수 분석 결과 유의도(p-value)값이 0.001 수준에서 16년에는 0.2769, 17년에는 0.3391로 비교적 높은 양의 공간자기상관 값을 나타내었으며 21년 0.2456에 이르기까지 통계적으로 유의미함을 확인할 수 있었다.
Z-score 값은 16년 8.2558, 17년 9.9797, 18년 8.3245, 19년 8.3621, 20년 8.2211, 21년 7.2139로서 공간상의 집중도가 있음을 의미한다.
Global Moran’s I의 귀무가설은 공간적 자기상관성이 없다는 것인데 이것이 0.001의 유의수준으로 통계적 의미를 가지면서 귀무가설이 기각되어 공간적 자기상관성이 있음을 확인하였다. 다만, Global Moran’s I는 전체 지역에서 공간적 자기상관성의 유무만을 판단할 뿐이므로 다음 단계로 공간적 분포 패턴을 살펴보고 핫스팟(Hot spot)과 콜드스팟(Cold spot)의 위치를 알기 위해서 Local Moran’s I 분석과 Getis-Ord’s Gi* 통계량 분석을 실행하였다.
4.2 국지적 공간군집 분석(Local Moran’s I)
오인신고 지역의 공간적 분포패턴을 살펴보기 위해 327개소 행정동의 폴리곤(polygon) 영역을 중심으로 하여 Local Moran’s I 분석을 실행하였다. 국지적 측면의 Local Moran’s I 분석을 위한 공간가중행렬은 특정 점에서 양옆, 위아래, 대각선까지 총 8개의 방향을 이웃으로 정의하는 QUEEN형을 적용하여 공간가중행렬을 구축하였다. 공간가중행렬의 정확성을 평가하기 위해 Fig. 2와 같이 Connectivity Histogram을 검토한 결과 327개의 행정동 모두가 2개 이상의 인접한 행정동을 갖는 것으로 나타났다.
Local Moran’s I 분석의 결과는 H-H (높은 값이 높은 값에 의해 둘러싸여 있음), L-L (낮은 값이 낮은 값에 의해 둘러싸여 있음), H-L (높은 값이 낮은 값에 의해 둘러싸여 있음), L-H (낮은 값이 높은 값에 의해 둘러싸여 있음), Not significant (무의미한)의 다섯 가지 유형으로 범주화 된다(Yeom and Choi, 2023). 그리고 Getis-Ord’s Gi*의 분석 결과는 핫스팟(Hot spot)과 콜드스팟(Cold spot)으로 범주화된다. Local Moran’s I에서 HH 범주이면서 동시에 Getis-Ord’s Gi*에서 핫스팟(Hot spot)에 속하는 지역은 주요한 관심이 필요하다.
오인신고 지역에 대한 Local Moran’s I 분석결과는 Fig. 3 그리고 Table 2와 같다. 2016년 1월부터 2021년 3월까지 약 6년 동안 공통적으로 HH 지역으로 표시된 지역은 경산시(압량읍, 와촌면, 자인면, 진량읍, 하양읍), 경주시(강동면, 내남면, 불국동, 현곡면), 구미시(진미동), 성주군(선남면), 영천시(고경면), 칠곡군(석적읍, 약목면, 지천면), 포항시(연일읍)이었으며, 4~5년 동안 HH 지역으로 표시된 지역은 경주시(문무대왕면, 안강읍, 양남면, 천북면), 김천시(아포읍), 영천시(금호읍), 칠곡군(왜관읍), 포항시(대이동)였다. 대체적으로 경산시, 경주시, 칠곡군 그리고, 구미시, 영천시, 포항시에서 오인신고가 많아 잦은 소방출동으로 인한 소방력의 소모가 심했음을 알 수가 있었다.
다음으로 LL로 공간적 군집이 형성된 지역을 살펴보면, 6년 동안 공통적으로 LL로 표시된 지역은 군위군(삼국유사면), 김천시(대덕면, 조마면, 증산면, 지례면), 봉화군(명호면, 법전면, 소천면, 상운면, 석포면, 춘양면, 재산면), 성주군(금수면, 가천면), 안동시(도산면, 북후면), 영덕군(영해면), 영양군(수비면, 영양읍), 울진군(매화면, 온정면), 청송군(주왕산면, 현서면), 포항시(죽장면)이었으며, 4~5년 동안 LL 지역으로 표시된 지역은 군위군(의흥면), 김천시(구성면, 부항면), 봉화군(상운면), 상주시(화서면), 성주군(수륜면), 안동시(길안면, 북후면, 예안면), 영덕군(달산면, 영해면), 영양군(청기면), 영주시(문수면, 평은면), 영천시(화북면), 울진군(금강송면, 기성면, 온정면), 의성군(옥산면), 청송군(부남면, 안덕면, 현동면)였다. 대체적으로 봉화군, 안동시, 김천시, 울진군, 청송군, 군위군, 성주군, 영덕군, 영양군, 의성군, 상주시, 영주시에서는 오인신고 건수가 작았던 것으로 확인이 되었으며, HH지역은 시지역에서 그리고 LL 지역은 군지역에서 조금 더 많이 분포되어 있음을 알 수 있었다.
4.3 핫스팟 분석(Getis-Ord’s Gi*)
경상북도 22개 시⋅군의 327개 행정동에서의 오인신고 자료를 활용하여 공간군집을 판별하고 해당 영역을 보다 가시적으로 제시하기 위해 Getis Ord’s Gi* 통계량 분석기법을 적용한 핫스팟 분석을 실행하였다. 핫스팟 분석에서는 Gi*통계량 값이 양수이면 높은 속성값을 가지는 공간 단위들의 군집인 Hot spot을 형성하고, 반면에 음수이면 낮은 속성값을 가지는 공간 단위들의 군집인 Cold spot을 형성한다.
오인신고 지역에 대한 Getis Ord’s Gi* 분석 결과는 Fig. 4 그리고 Table 3과 같다. 2016년 1월부터 2021년 3월까지 약 6년 동안 공통적으로 Hot spot (High) 지역으로 표시된 지역은 경산시(압량읍, 와촌면, 자인면, 진량읍, 하양읍), 경주시(강동면, 내남면, 문무대왕면, 불국동, 양남면, 현곡면), 구미시(진미동), 성주군(선남면), 영천시(고경면, 대창면), 칠곡군(기산면, 석적읍, 약목면, 지천면), 포항시(대이동, 연일읍, 양학동, 우창동, 환여동)이었으며, 4~5년 동안 Hot spot (High) 지역으로 표시된 지역은 경산시(남천면, 용성면), 경주시(보덕동, 안강읍, 천북면), 구미시(장천면), 김천시(아포읍), 성주군(월항면), 영천시(금호읍), 칠곡군(왜관읍), 포항시(대송면, 장기면, 시노강면, 용흥동)였다. 대체적으로 포항시, 경주시, 경산시, 칠곡군, 구미시, 영천시, 성주군이 오인신고가 잦은 지역이었음을 확인할 수 있었다.
다음으로 Cold spot (Low)으로 공간적 군집이 형성된 지역을 살펴보면, 6년 동안 공통적으로 Cold spot (Low) 지역으로 표시된 지역은 군위군(삼국유사면), 김천시(대덕면, 조마면, 증산면, 지례면), 봉화군(명호면, 법전면, 소천면, 상운면, 석포면, 춘양면, 재산면), 성주군(가천면, 금수면), 안동시(도산면, 북후면), 영덕군(영해면), 영양군(수비면, 영양읍), 울진군(매화면, 온정면), 의성군(춘산면), 청송군(주왕산면, 현서면), 포항시(죽장면)이었으며, 4~5년 동안 Cold spot (Low) 지역으로 표시된 지역은 군위군(의흥면), 김천시(구성면, 부항면), 봉화군(봉화읍), 상주시(화서면), 성주군(수륜면), 안동시(길안면, 예안면), 영덕군(달산면), 영양군(청기면), 영주시(문수면, 평은면, 하망동, 화북면), 울진군(금강송면, 기성면, 후포면), 의성군(옥산면), 청송군(부남면, 안덕면, 진보면, 현동면)이었다. 대체적으로 봉화군, 안동시, 김천시, 청송군, 울진군, 상주시, 성주군, 영덕군, 영양군이 오인신고가 드문 지역임을 확인할 수 있었다.
Local Moran’s I의 범주와 Getis-Ord’s Gi*의 범주를 서로 비교해 보았을 때, Local Moran’s I의 HH 지역과 LH 지역이 Getis-Ord’s Gi*의 Hot Spot 범주로, LL 지역과 HL 지역이 Cold Spot 범주로 지정이 되는 특징을 확인할 수 있었다.
4.4 분석 결과
경상북도 327개 행정동에서 접수받은 2016년 1월에서 2021년 3월까지의 오인신고를 합산한 건수를 대상으로 Getis-Ord’s Gi* 분석한 결과, Hot Spot 지역은 Table 4와 같이 포항시(10개), 경주시(9개), 경산시(8개), 칠곡군(5개), 영천시(3개)의 순으로 많았으며 주로 군지역보다는 시지역에서 많았다. 그리고, Cold Spot 지역은 봉화군(9개), 청송군(7개), 안동시(7개), 김천시(7개), 울진군(5개), 상주시(5개), 영주시(5개), 의성군(4개), 성주군(3개), 영양군(3개)의 순으로 많으며 주로 군지역과 산간이나 전답비율이 높은 시지역에서 많이 나타났다 .
Hot Spot 지역은 오인신고건수가 높은 지역의 공간적 군집을 의미하므로 Cold Spot 지역에 비해 소방대의 잦은 출동으로 인한 업무 부담이 높은 지역이라 할 수 있으며, 이러한 Getis-Ord’s Gi* 분석 결과를 토대로 경상북도 각 시군의 소방관서가 얼마나 효율적으로 배치되어 있는지 여부를 평가해 보기 위해서 화재오인출동건수와 더불어 화재출동건수를 합산한 소방대의 총 출동건수 대비 보유 소방관서(소방서/119안전센터/119지역대)의 개소 및 배치 상황을 살펴보았다.
경상북도 각 시군의 6개년 동안의 화재출동건수와 오인출동건수 그리고 이들을 합한 전체 출동건수를 조사한 결과, Table 4와 같이 포항시의 출동건수가 7,857회로 가장 많았으며 영양군이 629회로 가장 작았다. 화재출동 건수가 많았던 지역은 화재오인출동 건수도 많아서 출동으로 인한 소방대원의 업무 부담이 가중됨을 알 수 있었는데 이런 이유로 소방출동의 거점이 되는 119 안전센터와 이를 지원하는 119 지역대의 배치현황은 자연스럽게 소방출동이 잦은 지역에 집중 배치되는 형태를 보이고 있었다. 포항시의 경우 119 안전센터 13개소와 119 지역대 2개소를 두고 있었으며 이에 반해 영양군은 119 안전센터 2개소와 119 지역대 2개소를 두고 있었다.
출동건수로 비교해 보았을 때, 포항시는 영양군의 약 12.5배에 달하므로 한정된 소방자원의 효율적 활용을 위해 출동건수가 작은 지역의 소방관서를 많은 지역으로 재배치할 것을 주장할 수도 있으나 한편으로 출동건수가 작은 지역이라도 불의의 대형 화재를 대비한 최소한의 소방관서를 확보할 필요가 있다는 점에서 단순한 숫자로 효율적인 소방관서의 배치를 논하기엔 어려움이 있다.
위에서 살펴본 바와 같이 현재의 경상북도 각 시군의 소방관서의 배치는 화재출동과 화재오인출동 건수를 감당하기 위해서 이들 전체 출동건수에 비례하여 비교적 적절하게 배치되어 있는 것으로 판단이 되었다. 다만, 다음 2가지 측면에서 개선의 필요가 있어 보인다.
첫째, 119 안전센터의 평균 출동건수가 높은 지역의 소방관서를 충원할 필요가 있다. Table 4에는 각 시군의 소방출동 건수를 119 안전센터 수로 나누어 한 개의 119 안전센터에서 평균적으로 출동한 건수를 산정하였는데, 영천시 947건, 상주시 891건, 경산시 841건, 고령군 841건으로 평균 출동건수 686건 보다 높은 출동 건수를 보였다. 이것을 하루 출동건수로 환산해 보면 영천시 0.49회, 상주시 0.47회, 경산시 0.44회, 고령군 0.44회로서 약 2일에 한번 소방출동을 한 것으로써 이들 소방대원의 업무스트레스가 높다는 것을 알 수 있었다. 따라서, 이들 지역은 119 안전센터를 추가로 신설하거나 주변 지역의 소방력을 적재적소에 지원받을 수 있는 비상지원체계를 구축할 필요가 있겠다. 둘째, 119 안전센터가 집중 배치된 지역의 경우 주변 지역으로의 소방력 분산 대책을 마련한 필요가 있다. Fig. 5는 6개년 동안의 화재출동현황과 Getis-Ord’s Gi*의 Hot Spot & Cold Spot을 지도로 표현한 것이며, 더불어 소방관서(소방서/119안전센터/119지역대)의 위치도 함께 표현하였다.
화재출동은 포항시와 경주시 그리고 대구광역시 주변의 도시화 율이 높은 구미시, 경산시, 영천시, 김천시, 상주시, 칠곡군 등에서 채색이 짙게 나타났는데, 이에 따라 소방관서의 배치도 짙은 채색 지역에 집중 배치되어 있음을 확인할 수 있다. 특히, 포항시 남구와 북구 그리고 구미시의 경우 시내동 지역에 다수의 119 안전센터가 밀집되어 있어 소방관서가 중첩되는 문제점과 주변 지역으로의 지연출동 문제점이 제기될 우려가 있다. 물론, 도시의 구조상 주변이 산간지역과 전답으로 둘러싸여 있어 시내 지역에 119 안전센터를 배치할 수 밖에 없는 부득이한 상황이 있음을 감안하고서라도 3~4 km 간격으로 5~7개소를 집중 배치하게 되었을 때 발생할 수 있는 비효율을 무시할 수는 없다. 이들 지역에 대해서는 추후에 소방출동건수 및 지역 인구 증감을 비롯한 주변 환경의 변화추이를 면밀히 고려하여 소방력의 효율적 재배치를 고려할 필요가 있어 보인다.
5. 결 론
경상북도 지역에서 오인신고로 인한 소방 출동 건수는 매년 꾸준히 늘어나고 있는 추세이며화재오인출동 건수가 많은 소방관서의 경우 화재출동 건수도 많아 전체적인 출동업무 과다로 인해 소방대원의 업무스트레스가 높을 것으로 예상된다(Hwang et al., 2020). 이에 연구지역 전체에 대한 공간적 군집 패턴을 분석한 후 해당지역 내 소방관서의 개소 및 배치현황의 효율성과 적정성을 살펴보았다.
먼저, 전역적 모란지수 분석 결과, 유의도(p-value) 값이 0.001 수준에서 16년에는 0.2769, 17년에는 0.3391로 비교적 높은 양의 공간자기상관 값을 나타내어 경상북도 지역 간에 공간적 자기상관성이 있음을 확인하였다.
국지적 모란지수 분석 결과, HH 범주로 표시된 지역은 경산시, 경주시, 칠곡군, 구미시, 영천시, 포항시이며 오인신고가 많아 잦은 소방출동으로 인한 소방력의 소모가 심했음을 알 수가 있었다. 그리고, LL 범주로 표시된 지역은 봉화군, 안동시, 김천시, 울진군, 청송군, 군위군, 성주군, 영덕군, 영양군, 의성군, 상주시, 영주시이며 이 지역은 다른 지역에 비해 오인신고 건수가 작았던 것으로 확인이 되었다. 이들 지역을 비교해 보았을 때, HH지역은 시지역에서 그리고 LL 지역은 군지역에서 조금 더 많이 분포되어 있는 것을 파악하였다.
핫스팟(Getis Ord’s Gi*) 분석 결과, 포항시, 경주시, 경산시, 칠곡군, 구미시, 영천시, 성주군이 오인신고가 잦은 Hot spot (High)지역으로 표시되었다. 이에 반해 봉화군, 안동시, 김천시, 청송군, 울진군, 상주시, 성주군, 영덕군, 영양군은 오인신고가 드문 Cold spot (Low)지역으로 표시되었다.
해당 지역에 대해 보유 소방관서(소방서/119안전센터/119지역대)의 개소 및 배치 상황을 살펴본 결과, 현재의 경상북도 각 시군의 소방관서의 배치는 화재출동과 화재오인출동 건수를 감당하기 위해서 이들 전체 출동건수에 비례하여 비교적 적절하게 배치되어 있는 것으로 판단이 되었다. 다만, 다음 2가지 측면에서 개선의 필요가 있어 보인다.
첫째, 119 안전센터의 평균 출동건수가 높은 지역의 소방관서를 충원할 필요가 있다. 영천시, 상주시, 경산시, 고령군의 경우 평균적으로 2일에 한번 소방출동을 하고 있어 타 지역에 비해 소방대원의 업무스트레스가 높다는 것을 알 수 있었다. 따라서, 이들 지역은 119안전센터를 추가로 신설하거나 주변 지역의 소방력을 적재적소에 지원받을 수 있는 비상지원체계를 구축할 필요가 있다.
둘째, 119 안전센터가 집중 배치된 지역의 경우 주변 지역으로의 소방력 분산 대책을 마련한 필요가 있다. 포항시 남구와 북구 그리고 구미시의 경우 시내동 지역에 다수의 119 안전센터가 밀집되어 있어 소방관서가 중첩되는 문제점과 주변 지역으로의 지연출동 문제점이 제기될 우려가 있다. 도시의 구조상 주변이 산간지역과 전답으로 둘러싸여 있어 시내 지역에 119 안전센터를 배치할 수 밖에 없는 부득이한 상황이 있음을 감안하고서라도 3~4 km 간격으로 5~7개소를 집중 배치하게 되었을 때 발생할 수 있는 비효율을 무시할 수는 없다. 따라서, 이들 지역에 대해서는 추후에 소방출동건수 및 지역 인구 증감을 비롯한 주변 환경의 변화추이를 면밀히 고려하여 소방력의 효율적 재배치를 고려할 필요가 있다.