D-P-S-I-R 기법을 이용한 대한민국 폭염 취약성 분석
Heat Wave Vulnerability in Korea: An Analysis Using D-P-S-I-R Techniques
Article information
Abstract
최근 지구온난화로 인해 여름철 폭염일수의 빈도가 증가함에 따라 온열질환자의 수도 증가하는 추세이다. 질병관리청의 온열질환자 신고현황 연보에 따르면 2011~2023년 온열질환자의 수는 약 21,000명으로 나타났고, 2018년을 기준으로 ‘재난 및 안전관리 기본법’을 개정해 폭염을 자연재난에 포함 시키며 인해 폭염 예방에 관심이 대두되고 있다. 이에 본 연구에는 폭염 취약성 분석을 위해 D-P-S-I-R (Driver force–Pressure–State–Impact–Response)기법을 활용하였다. 2011년부터 2020년까지 10년 단위 대한민국 행정구역 별 기온, 습도, 온열질환자, 무더위 쉼터 등 데이터를 수집하여 D-P-S-I-R 기법을 이용해 취약성 분석을 실시하였고, 최종적으로 전국 폭염 취약성 지수를 도출했다. 폭염 취약성 결과를 통해 취약한 지역에 대해 선제적인 대비가 가능하고, 효과적으로 폭염에 대응할 수 있는 시스템을 구축 할 수 있을 것으로 기대된다.
Trans Abstract
The increasing frequency of summer heat waves due to global warming has led to a rise in the number of patients with heat-related illnesses. According to the annual report on heat patients by the Korea Centers for Disease Control and Prevention, about 21,000 cases were reported between 2011 and 2023. In 2018, the “Framework Act on Disaster and Safety Management” was revised to classify heat waves as natural disasters, highlighting the need for preventing measures. Therefore, this study employed the driver force–pressure–state–impact–response (D-P-S-I-R) technique to analyze heat wave vulnerability from 2011 to 2020. Using data on temperature, humidity, heat-related patients, and heat shelters, a national heat wave vulnerability index was developed. The results aim to facilitate preemptive preparation for vulnerable areas and establish an effective response system for managing heat waves.
1. 서 론
전 세계적으로 기후변화로 인한 지구온난화로 여름철 홍수, 태풍, 폭염 등 다양한 자연재해가 발생하고 있다. KIER (2023)에 따르면 최근 기후변화로 대한민국의 평균 기온은 1908년 10.4 °C에서 2022년 13.2 °C로 2.8 °C가 상승하여 여름철 폭염일수의 빈도가 증가하였고, 이로 인해 온열질환자의 수도 증가하는 추세이다. MOIS (2018)에 따르면 기존 관리되고 있는 호우, 태풍, 강풍 등 다른 자연재해에 폭염 재해가 포함되어 관리되고 있으며, 자연재해로 인해 발생한 인명피해는 2018년~2022년까지 총 207명이며, 이중 폭염으로 인한 인명피해는 180명으로 약 86.9%를 차지하고 있다. KDCA (2023)는 2011년부터 2023년까지 13년간 발생한 온열질환자의 수는 총 31,130명이고 사망자의 수는 204명으로 집계하였다. 현재 폭염 피해에 대한 관심이 급증하고 있는 상황이며, 폭염 피해를 줄이기 위해 현재 폭염 취약성 분석에 많은 연구가 진행 중이다.
Kim et al. (2021)은 UNDP (2005)에서 제시한 취약성 개념의 민감도와 적응능력 항목을 중심으로, 주성분 분석과 객관적인 가중치 산정 방법인 엔트로피 기법을 활용하여 우리나라의 폭염 취약성 분석하였다. Kim et al. (2020)은 IPCC (2001)에서 정의한 Exposure (노출), Sensitivity (민감도), Adaptation Capacity (적응능력)을 이용하여 부산지역 행, 정, 동 별 폭염 취약성 분석을 하였고, 기후변화 시나리오의 적용을 통해 기후변화에 따른 미래 폭염 취약성 변화를 검토하였다. Lee and Cha (2019)은 충청남도 읍, 면, 동에 AHP 분석 결과를 이용하여 폭염 취약지역에 ArcGIS10.0 Natural Breaks 분석(도시⋅군 기본 계획 수립 재해취약성분석 시 사용되는 기법)을 이용하여 총 7등급으로 나누어 취약지역을 도출하였다. Kwon et al. (2021)은 폭염피해의 발생원인 차이를 규명하기 위해, 폭염 피해가 극심했던 2018년 여름 일반적으로 인구와 지리적 환경이 비슷한 전남 구례군과 전남 순창군을 대조지역으로 선정하였다. Koo et al. (2015)은 취약성 지수를 기후 노출, 민담도, 적응 능력의 세 요인으로 구분하고 각 요인별 대응 변수 표준화(Dimension Index) 및 AHP를 통한 가중치 반영 후 취약성 지수를 부산광역시, 행, 정, 동 단위로 표출하였다.
이와 같이 다양한 방법의 폭염 취약성 분석이 실행되었지만 특정 지역 및 연도에 한정한 취약성 분석을 하여 우리나라 전체 행정구역의 폭염 취약성을 확인하기에는 어렵다.
이에 본 연구에서는 우리나라 행정구역을 분석 대상 지역으로 선정하여, 과거 10년(2011~2020) 기준 폭염 피해에 영향을 미치는 요소로 기온, 상대습도, 온열질환자, 무더위 쉼터 등 18개의 세부 지표를 선정하여 우리나라 전국 폭염 취약성을 분석하였다.
2. 방법론
2.1 D-P-S-I-R 구조체계
D-P-S-I-R (Driving force-Pressure-State-Impact-Response)모형은 OECD (1991)에서 제시한 P-S-R (Pressures-State- Response)구조를 개선하여 유럽환경청 EEA (European Environmental Agency)에서 사회와 환경간의 상호 작용을 설명하기 위한 프레임워크이다. P-S-R 구조는 복잡한 생태학적 과정과 인간 환경의 인과관계를 설명하지 못하는 단점을 가지고 있고, 반응이 시스템에 영향을 미치는 상황을 반영하지 못한다. 즉, P-S-R 구조는 인간의 활동(Pressure)이 환경(State)에 영향을 미치고 환경은 인간으로 압력을 줄이기 위한 활용(Response)을 촉진 시키는 개념이며 D-P-S-I-R 구조는 이러한 P-S-R 구조에서 추진력(driving force)과 영향(impact) 개념이 추가되었다. D-P-S-I-R 방법은 사회의 원동력이 인간사회에 압력을 발생시킴으로써 그 압력이 상태에 영향을 미치며, 상태가 반응을 야기하는 영향을 유발한다. 그리고 다시 반응은 추진력, 압력, 상태, 영향 4가지 요소에 각각 영향을 다시 준다는 인과관계에 착안한 개념이다. 추진력 지수(Driving Force)는 환경 상태에 직간접적으로 압력을 가하는 사회, 경제적 시스템의 변화이고, EEA는 이를 ‘인구통계학적, 경제적 발전과 이에 따른 생활 방식의 변화’로 정의한다. 압력 지수(Pressure)는 환경 변화를 유발하는 인위적인 요인이다. EEA에서는 이를 ‘배출’, 물리적 및 생물학적 작용제, ‘자원 사용 및 인간 활용에 의한 토지 사용의 개발’로 정의한다. 상태 지수(State)는 자연계만을 지칭할 수 있고, 자연계와 사회경제적 체계를 모두 지칭할 수 있다. 초점에 따라 지표의 성격이 다르게 나타날 수 있다. 영향 지수(Impact) 시스템 상태의 변화로 인해 발생하는 사회적, 경제적, 환경적 측면에 영향을 미치는 환경 기능의 변화이다. 대책 지수(Response)는 영향 지수에 대한 신식에 의해 직간접적으로 촉발되고 그 결과를 예방, 제거, 보상 또는 감소시키려는 조치이다. D-P-S-I-R 모형의 구조체계의 이해를 돕기 위해 Fig. 1로 나타내었다.
D-P-S-I-R Structural Scheme
2.2 엔트로피 가중치 산정 기법
엔트로피 방법은 Shannon (1948)의 정보를 수량적으로 다루는 방법으로 ‘정보량’의 개념을 만들고 이 개념을 이용하여 통신의 효율화와 정보전달에 대해 이론적인 해결책을 제시하였고, 다기준 의사결정 행렬로부터 가중치 벡터를 추정해 내는데 하나의 평가 기준 벡터를 대안 간의 차이가 큰 기준은 중요한 기준이고 대안들의 차이가 작은 기준은 덜 중요한 기준이라는 것이다. 이러한 면에서 주어진 평가 값들 간의 차이를 확인, 검토 및 평가할 때 매우 유용하여 주어진 모든 대안의 어느 속성이 동일한 평가 값을 가지는 경우 해당 속성은 대안이 선정에 있어 특별한 작용을 하지 못해 작은 가중치를 적용 시킬 수 있다. 엔트로피 가중치를 산정하는 절차는 Fig. 2와 같다. 여기서 xij는 j평가 기준에서의 i에 대한 평가 값이다. 단위가 다른 각 평가 기준을 정규화 시키기 위한 비중 정규화 방법이다. 정규화한 다음 j의 엔트로피를 계산하고, k는 Ej를 0~1 사이의 값으로 만들기 위한 상수이다. 각 평가 기준에 포함된 다양성의 정도를 나타내는 척도는dj = 1-Ej으로 계산한다. 즉, 엔트로피가 작은 평가 기준은 가중치가 크게 되고 엔트로피가 작다는 것은 데이터의 불확실성이 큰 것이고, 대안 간 차이가 큰 기준을 더 중요한 기준으로 삼는 것이다.
Entropy Weighting Techniques
3. 데이터 구축 및 분석
3.1 폭염 피해 위험 지표 선정
본 연구에서는 2011년부터 2020년까지 폭염 피해에 직접적으로 영향을 줄 것으로 판단되는 지수 14개를 국가통계포털, 기상자료개방포털, 국민건강보험공단에서 자료를 수집하였고, 이에 폭염 피해를 감소 시켜줄 대책 지수에는 국가통계포털, 국민재난안전포털, 공공데이터포털에서 4개의 자료를 수집하였다. 추진력 지수, 압력 지수, 상태 지수, 영향 지수는 폭염 발생 시 피해를 증가시키거나 피해 현황을 파악하고, 지표의 값이 높으면 해당 지역에 폭염 피해가 높을 것으로 판단된다. 추진력 지수(Driving force)에는 폭염 피해가 발생하였을 때 해당 인자들의 값이 클 경우 피해가 더 커질 것으로 판단되는 인자를 65세 이상 인구(명), 65세 이상 농가인구(명), 농가 면적(km2), 도로 면적(km2), 지수로 선정하였다. 압력 지수(Pressure)에는 폭염 피해가 발생하였을 때 피해를 가속화 시킨다고 판단되는 지수로 일 최고기온 33 °C 이상인 폭염 일수(수), 일 최고기온 25 °C 이상인 열대야 일수(수), 인구밀도(명/km2), 상대습도(%rh) 지수로 선정하였다. 상태 지수(State)에는 폭염 피해가 발생하였을 때 값이 클 경우 각 지역마다 폭염 피해를 가속화 시킨다고 판단되는 인자를 재정자립도, 도시화율, GRDP를 지수로 선정하였다. 영향 지수(Impact)에는 폭염 피해가 발생하였을 때 폭염 피해에 피해 현황을 파악할 수 있는 인자와 취약한 인자를 온열질환자(명), 기초생활수급자(명), 독거노인 비율(%)을 지수로 선정하였다. 마지막으로 대책 지수(Response)에는 폭염 발생 시 피해를 저감 시키거나 대응할 수 있다고 판단되는 인자를 인구 1,000명당 의사 비율(%), 무더위 쉼터(수), 녹지 비율(%), 하부행정기관현황(수)를 선정하였다. 앞에 언급한 추진력 지수, 압력 지수, 상태 지수, 영향 지수, 대책 지수를 Table 1과 같이 요약하였다.
Heatwave Vulnerability Index
위의 표에서 폭염 취약성 산정에 중요하다고 판단되는 18개의 세부 지표를 QGIS (지리정보시스템)을 통해 대한민국 행정구열별로 Fig. 3과 같이 나타내었다. Fig. 3(a)는 경상남도 창원시, 경기도 및 서울특별시 지역에 65세 이상 인구가 많이 분포하고 있고, Fig. 3(b)는 경상북도 경주시, 상주시, 안동시 전라남도 고흥군, 제주특별자치도 제주시에 65세 이상 농가인구가 많이 분포하고 있다. Fig. 3(c)는 전라남도 해남군, 제주특별자치도 제주시, 서귀포시, 전라북도 김제시, 충청남도 서산시에 농가 면적이 넓은 지역으로 나타났고, Fig. 3(d)는 경상남도 창원시, 경기도 화성시, 충청북도 청주시, 경기도 용인시, 경상북도 포항시에 도로 면적이 넓은 지역으로 나타났다. Fig. 3(e)는 전라북도 고창군, 광주광역시, 대구광역시, 경상남도에 폭염일수가 많은 지역으로 나타났고, Fig. 3(f)는 제주특별자치도, 경상북도 포항시, 전라남도, 부산광역시 광주광역시에 폭염일수가 많은 지역으로 나타났다. Fig. 3(g)는 서울특별시, 부산광역시, 대구광역시, 경기도에 인구밀도가 높은 지역으로 나타났고, Fig. 3(h)는 전라남도 신안군, 경기도 가평군 강원특별자치도 고성군, 경기도 고양시, 강원특별자치도 속초시에 상대습도가 높은 지역으로 나타났다. Fig. 3(i)는 서울특별시, 대구광역시, 경기도, 대전광역시, 부산광역시에 재정자립도가 높은 지역으로 나타났다. Fig. 3(j)는 서울특별시, 경기도, 부산광역시, 광주광역시, 대구광역시에 도시화율이 높은 지역으로 나타났다. Fig. 3(k)는 서울특별시, 경기도 충청북도 단양군, 아산시, 천안시에 GRDP가 높은 지역으로 나타났다. Fig. 3(l)은 경상남도 김해시, 충청북도 청주시, 서울특별시 서대문구, 은평구, 서초구에 온열질환자의 수가 많은 지역으로 나타났다. Fig. 3(m)은 전라북도 전주시, 경상남도 창원시, 서울특별시 도봉구, 대구광역시 중구, 광주광역시 북구에서 기초생활수급자의 수가 많은 지역으로 나타났다. Fig. 3(n)은 경상남도, 전라남도, 충청북도에 독거노인의 비율이 높은 지역으로 나타났다. Fig. 3(o)는 전라남도 화순군, 대구광역시 중구, 광주광역시 동구, 서구, 전라남도 나주시에 인구 1000명당 의사 비율이 높은 지역으로 나타났다. Fig. 3(p)는 충청북도 청주시, 충청남도 천안시, 전라남도 순천시, 전라북도 익산시, 전라북도 고창시에 무더위 쉼터의 수가 많은 지역으로 나타났다. Fig. 3(q)는 경기도 양평군, 광주시, 가평군, 강원특별자치도 강릉시, 전라남도 담양군에 녹지 비율이 높은 지역으로 나타났다. Fig. 3(r)은 경상남도 창원시, 경기도 성남시, 수원시, 고양시, 충청북도 청주시에 하부행정기관이 많은 지역으로 나타났다.
Heatwave Quarantine Distribution Chart
3.2 엔트로피 가중치 분석 결과
본 연구에서는 폭염 취약성 지수를 도출하기 위해 엔트로피 가중치 분석을 수행하였다. 계산된 가중치는 Table 2와 같다.
Entropy Weight Calculation Results
실제 폭염 피해사례와 산정한 가중치를 비교하기 위해 질병관리청의 온열질환자 신고 현황 연보의 정보를 바탕으로 분석하였다. 추진력 지수는 가중치 계산 결과 2번째로 폭염에 취약한 지수로 계산되었다. 각 인자별 비교를 해보면 65세 이상 인구, 65세 이상 농가인구 도로 면적, 농가 면적을 Table 3에서 65세 이상 인구는 4,155명으로 나타나는데 이 인구수는 전체 온열질환자의 27%에 해당하고 이들은 면역력이 약하기 때문에 회복력이 낮아서 취약하다고 판단하였다. Table 3은 2011년부터 2020년까지 발생한 0세부터 80세 이상의 온열질환자의 수이다. 65세 이상 농가인구와 농가 면적은 Table 4에서 논밭에서 나타난 온열질환자는 2,316명이고 전체 온열질환자의 15%이고 위에서 언급한 바와 같이 폭염에 취약하다고 판단하였고, 도로 면적은 길가에서 발생한 온열질환자는 1,822명이고 이는 전체 온열질환자의 12%이고 길가에서 온열질환이 발생하면 위험하다고 판단되었다. 그리고 Table 4에서 실외 작업장에서 발생한 온열질환자는 4,476으로 가장 높지만 실외 작업장의 면적 및 데이터를 구함에 있어 한계가 있어 제외하였다. Table 4는 2011년부터 2020년까지 온열질환이 발생환 장소이다. 계산된 가중치는 65세 이상 농가인구, 농가 면적이 65세 이상 인구, 도로 면적보다 가중치가 높게 나타난 것을 볼 수 있다. 즉, 농업종사자에 해당하는 고령인구가 폭염 취약성에 더 큰 영향을 미친다고 판단할 수 있다.
Heat Patients by Age by Year
Patients with Heat-related Diseases by Place of Year
압력 지수는 가중치 계산 결과 폭염에 가장 취약한 지수로 나타났다. 각 인자별 비교를 해보면 일 최고기온 일 최고기온 33 °C 이상인 폭염일수, 일 최고기온 25 °C 이상인 열대야 일수, 인구밀도, 상대습도는 Fig. 4에서 연도별 일 최고기온 33 °C 이상인 폭염 일수, 일 최고기온 25 °C 이상인 열대야 일수와 온열질환자 수를 나타낸 그래프이다. 그래프에서 나타난 바와 같이 폭염 일수와 열대야 일수가 온열질환자의 수보다 높거나 비슷하다. 이는 폭염이나 열대야 일수가 많으면 온열질환자의 수도 같이 많아지는 것을 확인할 수 있다. 인구밀도는 Fig. 5에서 서울특별시, 부산, 광주, 인천 순으로 높지만 온열질환자의 수는 경기도, 전라남도, 경상남도 순으로 많다. 이는 인구밀도가 적은 지역이 온열질환자의 수가 많다는 것이다. 상대습도는 실제 피해사례와 연관 지을 수 있는 정보가 적지만 폭염 피해와 관련 있다고 판단하였다. Fig. 5는 행정구역별 온열질환자와 인구밀도를 나타낸 그래프이다. 계산된 가중치는 일 최고기온 33 °C 이상인 폭염일수, 일 최고기온 25 °C 이상인 열대야 일수가 인구밀도, 상대습도보다 가중치가 높게 나타나는 것을 볼 수 있다. 이는 폭염 및 열대야 일수가 많은 지역이 폭염에 취약하다고 판단할 수 있다.
The Number of Heat-related Patients by Year, Tropical Night Days, and Heat Wave Days
Population Density and Heat-related Patients by Administrative District
상태 지수는 가중치 계산 결과 3번째로 취약한 지수로 취약한 지수로 계산되었다. 각 인자별 비교를 해보면 재정자립도, GRDP, 도시화율은 Tables 5 및 6에서 서울특별시, 경기도 등이 높은 수치를 나타내면서 많은 수의 온열질환자를 나타내고, 전라남도, 경상남도, 경상북도 등 Table 5에서 낮은 값을 보여주고 있다. 이해를 돕기 위해 재정자립도, GRDP, Table 5와 같이 나타냈다. 도시화율을 Table 6에서는 많은 수의 온열질환자를 나타내고 있다. 이는 폭염에 나타나는 온열질환자는 재정자립도, GRDP, 도시화율의 높고 낮음에 비례하지 않고 다른 지수들과 다르게 영향을 덜 미치는 것을 확인할 수 있다. Table 6은 2011년부터 2020년까지 행정구역별 온열질환자 수를 나타냈다. 계산된 가중치는 재정자립도, GRDP보다 도시화율의 가중치가 높은 것을 확인할 수 있다. 즉, 도시화율이 많이 진행된 지역에서 폭염에 취약하다고 판단할 수 있다.
State Index Factors by Administrative Region
Patients with Heat-related Diseases by Year and Administrative District
영향 지수는 가중치 계산 결과 4번째로 폭염에 취약한 지수로 계산되었다. 각 인자별 비교를 해보면 온열질환자는 실제 피해와 같고, 기초생활수급자, 독거노인 비율의 실제 폭염 피해사례와 연관 지을 수 있는 정보가 적지만 폭염 피해에 취약하다고 판단하였다. 계산된 가중치는 기초생활수급자, 독거노인 비율이 온열질환자보다 가중치가 높은 것을 확인 할 수 있다. 이는 사회적, 금전적으로 취약한 인구가 폭염에도 취약하다고 판단할 수 있다. 대책 지수는 가중치 계산 결과 2번째로 높은 값을 보여 폭염 피해 저감에 많은 도움을 준다고 판단된다. 각 인자별 비교를 해보면 인구 1,000명당 의사 비율, 무더위 쉼터 녹지 비율, 하부행정기관 현황의 실제 폭염 피해사례와 연관 지을 수 있는 정보가 적지만 폭염 피해와 관련 있다고 판단하였다. 계산된 가중치는 인구 1,000명당 의사 비율, 무더위 쉼터, 녹지 비율, 하부행정기관 현황 중 녹지 비율의 가중치가 가장 높은 것으로 나타났다. 녹지 비율이 폭염 취약성을 저감 시키는 요인으로 판단된다. Fig. 6은 각 지수별로 가중치를 자세히 비교하고자 그래프로 나타낸 것이다.
D-P-S-I-R Calculated Weight
따라서 본 연구에서는 추진력 지수값을 확인한 결과 경상남도 창원시, 제주특별자치도 제주시, 경기도 화성시, 경상북도 경주시, 경상북도 포항시 순으로 높은 값을 보였고, 경상북도 울릉군, 충청남도 계룡시, 경기도 과천시, 강원특별자치도 태백시, 부산광역시 중구 순으로 낮은 지역으로 나왔다. 농업종사자의 작업 환경은 직업 특성상 고온에 노출되어 있고, 고령의 인구는 상대적으로 열악한 환경에 노출되어 있다. 압력 지수에서는 전라북도 고창군, 제주특별자치도 서귀포시, 제주시, 경기도 고양시, 대구광역시 중구 순으로 높은 값을 보였고, 충청북도 단양군, 경상북도 영주시, 충청남도 공주시, 세종특별자치시, 경기도 김포시 순으로 낮은 값을 보였다. 우리나라 도시지역이 높은 값을 보였고 특히 서울특별시의 지역 특성상 좁고 높은 인구밀도로 인하여 상위에 위치하였다. 상태 지수에서는 서울특별시 강남구, 경기도 화성시, 서울특별시 중구, 경기도 성남시, 서울특별시 서초구 순으로 높은 값을 보였고, 경상북도 영양군, 봉화군, 청송군, 경상남도 함양군, 전라북도 순창군 순으로 낮은 값으로 나왔다. 도시화가 많이 진행된 지역은 상위에 위치하는 모습이고 도시화가 더딘 지역은 늦은 곳에 위치 하는 모습을 보인다. 영향 지수에서는 경상남도 김해시, 충청북도 청주시, 부산광역시 영도구, 전라북도 전주시, 경상남도 창원시 순으로 높은 값을 보였고, 인천광역시 미추홀구, 충청남도 계룡시, 경기도 과천시, 경기도 의왕시, 울산광역시 북구 순으로 낮은 값으로 나왔다. 사회 및 경제적으로 취약한 인구가 많은 지역과 온열질환자 수가 많은 지역이 폭염으로 인한 회복력이 부족하다고 판단된다. 대책지수에서는 충청남도 청주시, 전라남도 화순군, 광주광역시 동구, 전라남도 순천시, 나주시 순으로 높은 값을 보였고, 인천광역시 옹진군, 충청남도 당진시, 서울특별시 금천구, 서울특별시 중구, 인천광역시 동구, 순으로 낮은 값을 보였다. 폭염 피해에 효과적으로 대응하기 위해 무더위 쉼터, 녹지 비율이 높은 지역이 피해를 완화 시킨다. 앞서 언급한 내용들을 Fig. 7에 나타내었다.
Heatwave Vulnerability Index by City, County and District Using D-P-S-I-R
3.3 폭염 취약성 분석 결과
제주특별자치도 제주시, 경기도 고양시, 경상남도 창원시, 경기도 수원시, 화성시 순으로 높게 나타났다. 폭염 취약성이 높은 지역들은 대체로 폭염 취약성을 저감시키는 대책 지수에서 높은 값을 보였으나 폭염 취약성을 증가시키는 추진력 지수, 압력 지수, 상태 지수, 영향 지수에서도 높은 값을 보여 폭염에 취약한 지역으로 확인되었다. 이 지역들의 폭염 취약성을 낮추기 위해서는 각 지자체에서 폭염 취약성을 저감 시키는 요인들은 충분하기 때문에 폭염 취약성을 증가시키는 요인들을 줄일 필요가 있다. 경상북도 울릉군, 강원특별자치도 양구군, 경기도 동두천시, 전라남도 구례군, 광주광역시 동구가 낮게 나타났다. 폭염 취약성이 낮은 지역들은 폭염 취약성을 저감시키는 대책 지수에서 낮은 값을 보였고 폭염 취약성을 증가시키는 추진력 지수, 압력 지수, 상태 지수, 영향 지수에서도 낮은 값을 보여 폭염에 덜 취약한 지역으로 확인되었다. 이에 대책 지수(무더위 쉼터, 인구 1,000명 당 의사 비율)의 수를 높이면 폭염 피해에 대비할 수 있을 것으로 판단된다. 전국 폭염 취약성 평가한 결과를 Fig. 8에 요약하였다.
Results of Heat Wave Vulnerability by City, County and District
4. 결 론
본 연구에서는 10년간(2011~2020) 대한민국 229개의 시군구를 대상으로 폭염 피해와 관련 있는 인자들을 도출하였다. 도출된 인자는 총 18가지로 그 중 14가지는 추진력 지수(65세 이상 인구, 65세 이상 농가인구, 농가면적, 도로면적), 압력 지수(일 최고기온 33 °C 이상인 폭염일수, 일 최고 기온25 °C 이상인 열대야 일수, 인구밀도, 상대습도), 상태 지수(재정자립도, 도시화율, GRDP), 영향 지수(온열질환자, 기초생활수급자, 독거노인 비율)가 채택되었고, 대책 지수(인구 1,000명당 의사 비율, 무더위 쉼터. 녹지 비율, 하부행정기관현황)에서 4가지가 채택되어 분석에 이용되었다. 엔트로피 가중치 산정 방법을 활용하여 폭염 취약성을 산정하였고, 우리나라에 영향을 미치는 폭염 위험요소를 D-P-S-I-R구조로 분류하여, 5개의 지수로 추진력 지수(Driving force), 압력 지수(Pressure), 상태 지수(State) 영향 지수(Impact), 대책 지수(Response)로 18개의 세부지표를 선정하였다. 각 지수별 높은 가중치를 보여준 지표는 추진력 지수에서는 65세이상 농가인구의 가중치가 0.057, 압력 지수에서는 일 최고기온 25 °C 이상인 열대야 일수의 가중치가 0.059, 상태 지수에서는 도시화율이 0.062, 영향 지수에서는 기초생활수급자의 가중치가 0.055으로 폭염에 취약한 요소로 나타났으며, 대책지수에서는 녹지 비율의 가중치가 0.064으로 폭염 취약성을 저감 시키는 요소로 나타났다. 대한민국 행정구역 별 폭염 취약성 분석 결과 경기도, 부산광역시 서울특별시, 제주특별자치도, 등의 도시지역이 전반적으로 높은 폭염 취약성 값을 가졌고, 강원특별자치도, 전라북도, 충청남도, 충청북도등 낮은 폭염 취약성 값을 가졌다. 이는 높은 인구밀도 및 도시화율이 많이 진행되어 열대야 및 폭염이 지속되어 65세 이상 농가인구 및 기초생활수급자 등 폭염에 취약한 인구에 대한 대책 즉, 녹지 비율, 높은 인구에 비해 부족한 의사 비율로 인하여 오히려 도시지역이 폭염에 취약하다.
본 연구에서는 폭염 취약성 저감을 위해 폭염 취약성이 높은 지역에서 취약한 인구를 파악하여 복지 우선순위를 결정하고 정부 및 지자체에서 폭염 피해 대책을 위한 효과적인 도움을 줄 것으로 기대된다.
감사의 글
이 성과는 정부(과학기술정보통신부)의 재원으로 한국연구재단의 지원을 받아 수행된 연구임(2022R1A2C1006632).