지진 옥외대피장소의 대피수요 산출에 관한 사례연구: 인구데이터 활용을 중심으로

A Case Study on the Calculation of Evacuation Demand for Outdoor Evacuation Sites: Focusing on the Use of Population Data

Article information

J. Korean Soc. Hazard Mitig. 2022;22(2):81-89
Publication date (electronic) : 2022 April 30
doi : https://doi.org/10.9798/KOSHAM.2022.22.2.81
이윤하*, 서현철**
* 정회원, 창신대학교 소방방재공학과 조교수(E-mail: yhlee@cs.ac.kr)
* Member, Assistant Professor, Dept. of Fire & Disaster Prevention Engineering, Changshin University
** 정회원, 경북대학교 건설환경에너지융합기술원 연구초빙교수
** Member, Contract Professor, Convergence Institute of Construction, Environmental and Energy Engineering, Kyungpook National University
** 교신저자, 정회원, 경북대학교 건설환경에너지융합기술원 연구초빙교수(Tel: +82-53-950-7651, Fax: +82-53-950-6590, E-mail: charles@knu.ac.kr)
** Corresponding Author, Member, Contract Professor, Convergence Institute of Construction, Environmental and Energy Engineering, Kyungpook National University
Received 2022 January 16; Revised 2022 January 17; Accepted 2022 February 03.

Abstract

국내의 경우 경주지진을 계기로 옥외대피장소와 실내구호소를 구분하여 선정기준이 마련되었고 다수의 지진대피소를 지정하여 운영하고 있다. 그러나 지진대피소의 물리적 특성과 입지의 적정성에 대한 일정의 평가요소와 지표가 존재하지만 대피수요 산출에 있어 명확한 기준이 없는 실정이다. 따라서 본 연구에서는 집계구 인구데이터와 모바일 위치기반 유동인구데이터를 활용하여 대피수요를 산출하고 시사점을 도출함으로써 향후 대피계획 수립시 기준 확립에 기여하고자 하였다. 연구의 결과는 모바일 위치기반 유동인구데이터가 정확한 값이라고 가정한다면 대피수요를 산출할 때 집계구 인구데이터를 활용하는 것은 상당한 수준의 오차가 발생할 수 있음을 보여준다. 지진과 같이 시공간적으로 언제 어느 정도의 규모로 발생하는지 정확하게 예측하기 어려운 재난의 경우 불확실성을 줄이기 위한 노력이 필요하며, 특히 대피수요 산출을 위해 시공간적으로 세밀하고 정확한 유동인구데이터 확보가 필요하다고 판단된다.

Trans Abstract

In Korea, following the Gyeongju earthquake, the selection criteria were prepared by dividing outdoor and indoor relief centers. A number of earthquake shelters have been designated and operated. However, although certain evaluation factors and indicators exist to assess the physical characteristics of earthquake shelters and the adequacy of their location, there is still no clear standard to be used for the calculation of evacuation demand. Therefore, in this study, the evacuation demand was calculated using the census population data and mobile location-based floating population data. The implications were then drawn to contribute to the establishment of standards for future evacuation plans. The results reveal that, assuming that mobile location-based floating population data are accurate, using census population data in calculating evacuation demand can cause a significant level of error. In the case of disasters such as earthquakes, where it is difficult to accurately predict when they will occur and on what scale, in both time and space, efforts are needed to reduce any uncertainty.

1. 서 론

지진 발생 직후 생존자는 구조물 파손, 낙하로부터 안전한 외부장소로 대피해야 하며 운동장과 공원, 공터 등이 외부장소로 활용될 수 있다. 이러한 외부장소는 옥외대피장소(Outdoor evacuation site 또는 Immediate shelter)로 지정되어 1차적인 대피장소로 활용되고 있다. 대피시설의 논리적 배치 전략은 실제 대피의 효율성을 촉진하는데 중요하기 때문에 지진 대피시설의 공간 분포 및 구성은 대피 계획 수립의 중요한 요소로 간주된다(Chen et al., 2013). 따라서 지진 대피소 위치선정과 관련된 많은 선행연구는 대피시설로서의 물리적 조건(Liu et al., 2011; Anhorn and Khazai, 2015; Soltani et al., 2015; Nappi and Souza, 2015; Xu et al., 2016; Yu and Wen, 2016)과 대피과정에서의 효율성(Alçada-Almeida et al., 2009; Bayram and Yaman, 2018; Wang et al., 2020)에 포커스를 두고 있다. 그러나 지진의 발생은 여전히 예측(위치, 강도, 시점 등)이 매우 어렵고(Chen et al., 2013; Sabbaghtorkan et al., 2020), 지진 발생시 피해범위가 광범위하기 때문에 지진 발생 직후 생존자가 어디에 있든 옥외대피장소로 신속하게 대피할 수 있어야 한다.

한편, 전체 인구와 지역 내 인구 이동 및 위험 강도에 의해 결정되는 대피자 수의 동적 변화의 예측은 정확한 대피 모델의 구현을 위해 중요하다. 특히 일, 주간과 야간 사이의 대피수요 인구수의 상당한 차이를 고려해야 한다(Kaveh et al., 2020). 그러나 정적인 인구데이터를 활용할 경우 유동인구(floating population과 random population)를 고려하지 못한다는 단점이 있다(Yu and Wen, 2016).

따라서 본 연구는 예측하기 어려운 지진발생시 1차적인 대피공간인 옥외대피장소를 대상으로 대피수요 산출시 집계구 인구데이터와 모바일기반 유동인구데이터를 활용하여 오차율을 분석하고자 하였다.

이를 위해 Arc GIS의 네트워크 분석기능을 활용하여 최단거리 대피거리를 분석하고, 집계구 인구데이터 및 모바일기반 유동인구데이터를 활용하여 대피수요와 총 대피수요 가중거리를 산출하였다. 또한 모바일 기반 유동인구데이터를 정확한 값으로 가정하고 집계구 인구데이터와의 오차율을 분석하였다.

2. 선행연구 고찰

2.1 재난발생과 재난관리의 불확실성

재난의 발생과 그에 따른 피해의 양상을 예측하는 것은 많은 연구자들의 관심을 받아왔고, 다양한 기법과 프로세스가 예측결과의 정확도를 높이는데 유효한 것으로 밝혀졌다. 그러나 여전히 지진과 같은 재난의 예측은 시공간적으로 불확실성과 복잡성을 가지고 있으며, 언제 어느 정도의 규모로 발생하는지 정확히 예측하기 매우 어렵다(Jho et al., 2019). 또한 지진의 경우 진동, 산사태, 쓰나미 등과 관련된 복잡한 재해의 양상을 띤다(Tabata et al., 2019). 따라서 지진재난에 대한 관리계획 수립은 불확실성이 높은 동적 프로세스일 수 밖 에 없다(Kaveh et al., 2020).

특히 대피수요 인구 및 사상자의 위치와 수를 예측하는 것은 불확실성이 높다. 그럼에도 불구하고 대피수요의 발생장소와 대피수요 인구를 예측하기 위해 많은 선행연구(Chen et al., 2013; Kim et al., 2016; Xu et al., 2016; Yu and Wen, 2016)에서 집계구 인구데이터를 활용하여 발생분포와 발생정도를 예측하였다.

반면, 연구자들은 이러한 불확실성을 줄이기 위해 공간의 범위를 줄이거나(Shang et al., 2021) 주간과 야간의 시나리오를 구분하였다(Ye et al., 2012; Yu and Wen, 2016). 또한 Nara et al. (2017)은 소셜미디어, 인구조사데이터, 원격감지 데이터 등을 포함한 다양한 데이터소스를 통합하여 동적 인구를 예측하여 대피 의사결정 지원시스템을 개발하였다. 최근에는 모바일위치데이터 기반의 유동인구데이터가 활용되었으며(Deville et al., 2014; Lee et al., 2018; Wu et al., 2018; Yun et al., 2020), 세분화된 결과를 제공할 수 있음이 확인되었고 그 신뢰성이 입증되었다. 이 개념은 지역의 상주인구와 해당지역을 일시적으로 방문하는 인구를 모두 포함하는 것으로 행정수요 예측에 활용할 수 있다. 즉 모바일 기기의 위치데이터 기반의 유동인구데이터는 대피수요 인구 및 사상자 예측 분석에서 주민등록 인구조사데이터의 대안이 될 수 있다. Fig. 1은 대구광역시 서비스인구 분석정보 시스템에서 제공하는 모바일 위치기반 유동인구 산출 개념도이다.

2.2 대피장소 위치선정과 대피접근성

대피장소는 지진 피해자들이 빨리 도착할 수 있도록 고르게 배치되어야 한다(Soltani et al., 2015). 또한 지역의 인구를 고려하여 충분한 수용능력을 갖추어야 한다. 즉 대피에 영향을 미치는 주요 요인으로서 대피소의 공간 접근성과 수용 능력은 도시의 탄력성을 보장하는데 중요한 요소로 평가된다(L. Zhao et al., 2017). 따라서 많은 선행연구에서 대피거리와 대피수요를 활용하여 지진 대피장소의 대피접근성을 평가하거나 적합한 위치를 선정하였다.

X. Zhao et al. (2017)에 따르면 지진대피소의 위치할당문제를 해결하기 위한 부지선택 모델은 1909년 Weber에 의해 처음 제안되었다. 이후 P-median model (Hakimi, 1964), P-center model (Hakimi, 1965), Set-covering model (Toregas et al., 1971), Maximal covering model (Church and Velle, 1974) 등이 대피장소의 부지선택 모델로 개발되었다.

여기서 P-median model은 수요와 시설 간의 총 수요 가중 이동거리(total demand-weighted travel distance)를 최소화할 목적으로 가능한 위치 범위 중에서 최상의 장소를 선택하는 것이다(Chang and Liao, 2015). P-center model은 수요와 시설 간의 최대거리를 최소화하는 것을 목적으로 한다(Chang and Liao, 2015). Set-covering model은 수요와 시설 간에 최대 허용 거리를 미리 정해놓고, 그 조건을 만족시키는 범위 내에서 시설의 개수를 최소로 하는 것이 목적이다(Lee et al., 2017). Maximal covering model은 시설이 커버하는 수요의 양을 극대화할 수 있도록 정해진 수의 시설의 입지를 결정한다(Kim, 2021).

3. 지진 옥외대피장소와 지역인구의 공간적 분포 현황

3.1 대상지의 지진옥외대피장소 및 지역인구 현황

대피소의 입지는 일반적으로 예산배정, 시설관리 등의 이유로 개별의 행정구역을 단위로 입지를 계획하고 결정한다. 따라서 본 연구에서는 한 개의 광역도시를 대상으로 분석하였다. 본 연구의 대상지인 대구광역시 내 준공 이후 30년 이상 경과된 노후 건축물은 전체 건축물 중 37.87% (95,360동)를 차지하고 있어 지진 대응에 대한 필요성이 요구되는 도시이다(MLIT, 2016).

지진 옥외대피장소는 706개가 배치되어 있고(2020년 5월 기준), 상주인구 대비 수용능력은 3.3 m2/인 기준 93.60% (1.0 m2/인 기준 308.90%)로 나타났다. 대상지 내 지진 옥외대피장소의 분포는 Fig. 2와 같다. 대상지 중심부에 상대적으로 많은 대피소가 입지하고 있고, 공간적 편중현상이 있음을 확인할 수 있다.

Fig. 2

Distribution of Buildings and Outdoor Evacuation Sites in Daegu City, Korea

대구광역시는 139개의 행정동(4,929개의 집계구)으로 구성되어 있으며, 총 2,406,296명(KOSIS, 2021년 4월 주민등록인구현황 기준)의 인구가 거주하고 있다. 행정동과 집계구별 인구분포는 Fig. 3과 같다.

Fig. 3

Distribution of Static Population Based of Administrative Boundary and Census Boundary (Lee et al., 2020)

3.2 최단거리 기반 대피거리 및 대피수요 분석

지진발생시 개인은 대피 목적지에 대해 제한적인 선택권을 가질 수 밖에 없기 때문에(Lu et al., 2012; Yabe et al., 2019), 대피수요 인구가 최단거리에 위치한 대피장소로 대피한다고 가정하였다. 본 연구는 대피수요 산출시 인구데이터의 특성에 따른 시사점을 도출하기 위하여 대피소별 대피수요와 총 수요 가중 이동거리를 기준으로 분석하였다.

대피수요의 위치는 집계구의 중심점으로 설정하였고, 목적지는 대상지에 지정된 옥외대피장소로 설정하였다. Arc GIS의 Closest facility tool을 활용한 분석결과는 Table 1과 같다. 본 연구에서 활용한 유동인구데이터는 대구광역시 서비스인구 분석정보 시스템에서 공개 및 제공하는 것으로 2017년도를 대상으로 월별, 시간대별 지역의 인구현황을 나타낸 것이다. 따라서 이 데이터를 활용하면 월별, 시간대별 대피수요를 예측가능하다. 그러나 이 데이터는 행정동 별 유동인구자료이기 때문에 집계구 인구데이터와 공간적 범위의 통일이 필요하다. 따라서 각 집계구 내 유동인구를 산정하기 위해 건축물의 연면적에 따라 인구가 분포한다고 가정하였다. 즉 Fig. 4와 같이 행정동 경계 내 총인구를 집계구 내 건축물의 연면적에 따라 각 집계구에 배분하였다.

Analysis Results of Shortest Distance-Based Evacuation Distance and Evacuation Demand (Lee et al., 2020)

Fig. 4

Schematic Diagram of Floating Population Allocation for the Census Boundary (Lee et al., 2020)

배분된 집계구별 유동인구데이터를 활용한 옥외대피장소별 대피수요를 분석한 결과, 최대 대피수요는 7월 07시경 #311 옥외대피장소에 63,140명이 발생하는 것으로 분석되었다. 최단거리 기준 월-시간대별 평균 대피수요는 Fig. 5와 같다. 월-시간대 평균 대피수요는 3,910명, 최대 4,240명, 최소 3,210명으로 분석되었다. 유동인구데이터를 정확한 값이라고 가정할 경우 집계구 인구데이터와의 오차율은 Fig. 6과 같이 0.17~20.82%로 분석되었다.

Fig. 5

Results of Average Evacuation Demand Based on the Shortest Distance

Fig. 6

Error Rate Results for Average Evacuation Demand

옥외대피장소별 대피수요 평균값의 빈도를 분석한 결과, Fig. 7과 같이 나타났다. 앞서 설명한대로 집계구 인구데이터를 활용할 경우 평균 대피수요는 3,357명으로 분석되었으며 706개소 중 61%가 평균보다 적은 대피수요가 발생할 것으로 나타났다. 반면 유동인구데이터를 활용할 경우 옥외대피장소별 평균 대피수요는 3,895명으로 분석되었다. 또한 집계구 인구데이터 기준 평균 대피수요보다 적은 대피수요가 발생할 것으로 예측되는 옥외대피장소의 비율은 58%로 감소하는 것으로 분석되었다.

Fig. 7

Frequency Distribution of Evacuation Demands

3.3 최단거리 기반 총 대피수요 가중거리 분석

대피수요 가중거리는 대피수요와 대피거리의 곱으로 산출된다. 대피장소별 총 대피수요 가중거리는 대피수요와 대피거리를 동시에 반영하여 대피장소별 대피효율을 가늠할 수 있는 지표이다. 유동인구데이터를 활용할 경우 총 대피수요 가중거리 또한 대피수요의 동적 변화에 따라 Fig. 8과 같이 월별-시간대에 따라 변화하게 된다. 최대 총 대피수요 가중거리는 7월 07시경 #272 옥외대피장소에 1,105백만 명⋅m가 발생하는 것으로 분석되었다. 월-시간대 평균 총 대피수요 가중거리는 21백만 명⋅m, 최대 23백만 명⋅m, 최소 18백만 명⋅m으로 분석되었다. 반면, 집계구 인구데이터를 활용할 경우 평균 총 대피수요 가중거리는 1.3백만 명⋅m로 분석되어 집계구 인구데이터와 유동인구데이터를 활용했을 때 오차율은 Fig. 9와 같이 92.39~94.16%로 분석되었다.

Fig. 8

Results of Total Evacuation Demand-Weighted Distances Based on the Closest Distance

Fig. 9

Error Rate Results for Total Evacuation Demand-Weighted Distances

옥외대피장소별 총 대피수요 가중거리 평균값의 빈도를 분석한 결과, Fig. 10과 같이 나타났다. 유동인구데이터를 활용할 경우 옥외대피장소별 총 대피수요 가중거리 평균값은 21백만 명⋅m으로 분석되었다. 또한 집계구 인구데이터 기준 평균 총 대피수요 가중거리보다 적은 양이 발생할 것으로 예측되는 옥외대피장소의 비율은 33%로 분석되어 집계구 인구데이터를 활용할 경우 69%보다 크게 감소하는 것으로 분석되었다.

Fig. 10

Frequency Distribution of Total Evacuation Demand-Weighted Distances

4. 시사점 및 연구의 한계

본 연구는 국내 대도시 중 하나인 대구광역시를 대상으로 지진 옥외대피장소의 대피수요 산출시 인구데이터에 따른 시사점에 대해 분석하고자 하였다. 대피소의 분포에 따른 대피수요의 예측은 재난 이 후 이재민에게 필수서비스(응급의료, 에너지, 구호물품 등) 제공을 위한 대응계획 수립에 영향을 줄 수 있기 때문에 정확성이 필요하며, 대피수요예측 프로세스에 대한 유연성 또한 필요하다. 연구의 결과는 모바일 위치에 기반한 유동인구데이터를 정확한 값이라고 가정한다면 대피수요를 산출할 때 집계구 인구데이터를 활용하는 것은 상당한 수준의 오차가 발생할 수 있음을 보여준다. 일반적으로 대피접근성은 대피거리 또는 대피소요시간을 기준으로 판단하지만 대피접근성을 보다 큰 의미로 고려할 경우 공간적 균등성을 포함한다고 볼 수 있다. 공공시설물의 위치선정 문제에서 공간적 균등성은 물리적 조건과 효율성에 비해 주목 받지 못했지만 공공서비스의 불평등을 최소화하고 공간적 균등성을 확보하는 것은 중요하다. 특히 지진과 같이 언제 어디에서 대피수요가 발생할지 예측하기 어려운 상황에 대비하여 사람들의 긴급한 대피를 위해 지정되고 있는 옥외 대피장소의 공간적 균등성을 확보하는 것은 공공행정 측면에서 매우 중요하다. 본 연구의 결과를 고려할 때 대피장소의 공간적 균등성을 분석할 경우에도 집계구 인구데이터를 사용하는 것은 상당한 오차율이 발생할 것으로 판단된다. Yun et al. (2020)과 마찬가지로 이 연구의 결과는 대피수요 산출을 위해 집계구 인구데이터 만을 사용하면 특정 오류가 발생할 수 있으며 모바일 위치 기반 유동인구데이터를 활용함으로써 실제 상황을 반영할 수 있음을 의미한다. 또한 모바일 빅데이터에 기반한 유동인구데이터는 인구의 연령, 성별 구분 가능하기 때문에 실제 대피자의 보행피난을 모의하기에 용이하다. IT와 빅데이터 관련 기술의 발전을 통해 좀 더 세밀하고 정확한 데이터 확보가 가능해 질 것으로 기대된다. 이러한 발전은 정확한 대피모델의 구현으로 이어져 지진과 같이 예측하기 어려운 재난상황에서도 지역의 안전과 공공행정에 기여할 수 있을 것이다(Lee et al., 2020).

그러나 이 연구는 하나의 도시를 대상으로 대피수요 산출에서 집계구 인구데이터의 한계에 대해 분석하였기 때문에 도시의 인구⋅사회⋅문화적 특성이 고려되지 않았다. 즉 도시의 특성에 따른 유동인구의 분포를 고려하지 않았기 때문에 하나의 사례연구에 불과하다. 따라서 도시의 특성에 따른 월별, 계절별, 시간대별 분석을 통한 실증적 연구가 추가적으로 필요하다. 또한 공간적 분석범위를 통일하기 위하여 건축물 연면적에 기반하여 인구를 배분하였기 때문에 실제 인구분포 예측의 정확성을 담보할 수 없다. 마지막으로 지진 시나리오에 대한 분석을 포함하고 있지 않기 때문에 도로네트워크의 활용가능성을 고려하지 않았다. 지진상황을 고려한 대피계획 수립 시에는 건축물 붕괴로 인한 도로폐색 가능성, 도로의 파괴가능성 등을 고려하여 대피경로를 분석해야 한다(Hirokawa and Osaragi, 2016; No et al., 2020). 이 연구는 대피수요 예측에 초점을 두고 있지만 대피소요 시간예측에도 유동인구데이터 활용이 적절하다고 판단된다.

5. 결 론

지진 옥외대피장소는 지진발생시 1차적으로 긴급하게 피신하는 장소로 지역의 인명피해를 줄이기 위한 중요한 시설이지만, 지진에 따른 대피과정은 끊임없이 변화하는 환경에 의한 불확실성을 가진다. 국내의 경우 지진대피소의 물리적 특성과 입지의 적정성에 대한 일정의 평가요소와 지표가 존재하지만 대피수요 산출에 있어 명확한 기준이 없는 실정이다. 따라서 본 연구에서는 집계구 인구데이터와 모바일 위치기반 유동인구데이터를 활용하여 대피수요를 산출하고 시사점을 도출함으로써 향후 대피계획 수립시 기준 확립에 기여하고자 하였다. 연구의 결과는 모바일 위치기반 유동인구데이터가 정확한 값이라고 가정한다면 대피수요를 산출할 때 집계구 인구데이터를 활용하는 것은 상당한 수준의 오차가 발생할 수 있음을 보여준다. 지진과 같이 시공간적으로 언제 어느 정도의 규모로 발생할 것인지 정확하게 예측하기 어려운 재난의 경우 불확실성을 줄이기 위한 노력이 필요하며, 적절한 대응방안 마련을 위해 시공간적으로 세밀하고 정확한 유동인구데이터 확보가 필요하다고 판단된다.

감사의 글

본 연구는 정부(교육부)의 재원으로 한국연구재단의 지원을 받아 수행된 연구임(과제번호: NRF-2020R1I1A1A01075037).

References

1. Alçada-Almeida L, Tralhao L, Santos L, Coutinho- Rodrigues J. 2009;A multiobjective approach to locate emergency shelters and identify evacuation routes in urban areas. Geographical Analysis 41(1):9–29. doi.org/10.1111/j.1538-4632.2009.00745.x.
2. Anhorn J, Khazai B. 2015;Open space suitability analysis for emergency shelter after an earthquake. Natural Hazards &Earth System Sciences 15(4):789–803. doi.org/10.5194/nhess-15-789-2015.
3. Bayram V, Yaman H. 2018;A stochastic programming approach for shelter location and evacuation planning. RAIRO-Operations Research 52(3):779–805. doi.org/10.1051/ro/2017046.
4. Chang H.S, Liao C.H. 2015;Planning emergency shelter locations based on evacuation behavior. Nat Hazards 76:1551–1571. doi.org/10.1007/s11069-014-1557-x.
5. Chen Z, Chen X, Li Q, Chen J. 2013;The temporal hierarchy of shelters:A hierarchical location model for earthquake-shelter planning. International Journal of Geographical Information Science 27(8):1612–1630. doi.org/10.1080/13658816.2013.763944.
6. Church R, Velle C.R. 1974;The maximal covering location problem. Papers in Regional Science 32(1):101–118.
7. Daegu Metropolitan City Service Population Analysis Information System. 2021. Introduction of service Retrieved August 14, 2021, from https://s4u.daegu.go.kr.
8. Deville P, Linard C, Martin S, Gilbert M, Stevens F.R, Gaughan A.E, et al. 2014;Dynamic population mapping using mobile phone data. Proceedings of the National Academy of Sciences 111(45):15888–15893. doi.org/10.1073/pnas.1408439111.
9. Hakimi S.L. 1964;Optimum locations of switching centers and the absolute centers and medians of a graph. Operations Research 12(3):450–459.
10. Hakimi S.L. 1965;Optimum distribution of switching centers in a communication network and some related graph theoretic problems. Operations Research 13(3):462–475.
11. Hirokawa N, Osaragi T. 2016;Earthquake disaster simulation system:Integration of models for building collapse, road blockage, and fire spread. Journal of Disaster Research 11(2):175–187. doi.org/10.20965/jdr.2016.p0175.
12. Jho M.H, Kim G.H, Yoon S.B. 2019;Construction of logic trees and hazard curves for probabilistic tsunami hazard analysis. Journal of Korean Society of Coastal and Ocean Engineers 31(2):62–72. doi.org/10.9765/KSCOE.2019.31.2.62.
13. Kaveh A, Javadi S.M, Moghanni R.M. 2020;Emergency management systems after disastrous earthquakes using optimization methods:A comprehensive review. Advances in Engineering Software 149:102885. doi.org/10.1016/j.advengsoft.2020.102885.
14. Kim K.Y. 2021;Evaluating coverage of automated external defibrillator (AED) using a spatial optimization model:The case of Gangnam-Gu. Journal of the Association of Korean Geographers 10(1):153–166. doi.org/10.25202/JAKG.10.1.10.
15. Kim M.K, Kang S, Kim S.P, Sohn H.G. 2016;A spatial analysis of shelter capacity using floating population. Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography 34(1):1–10.
16. Lee H.S, Chen M.W, Choo S.H. 2017;Developing an optimal location selection methodology of unmanned parcel service box. J. Korea Inst. Intell. Transp. Syst 16(4):13–24. doi.org/10.12815/kits.
17. Lee W.K, Sohn S.Y, Heo J. 2018;Utilizing mobile phone-based floating population data to measure the spatial accessibility to public transit. Applied geography 92:123–130. doi.org/10.1016/j.apgeog.2018.02.003.
18. Lee Y.H, Lee J.S, Baek S.C, Hong W.H. 2020;Spatial equity with census population data vs. Floating population data:The distribution of earthquake evacuation shelters in daegu, South Korea. Sustainability 12:8046. doi.org/10.3390/su12198046.
19. Liu Q, Ruan X, Shi P. 2011;Selection of emergency shelter sites for seismic disasters in mountainous regions:Lessons from the 2008 Wenchuan Ms 8.0 Earthquake, China. Journal of Asian Earth Sciences 40(4):926–934. doi.org/10.1016/j.jseaes.2010.07.014.
20. Lu X, Bengtsson L, Holme P. 2012;Predictability of population displacement after the 2010 Haiti earthquake. Proceedings of the National Academy of Sciences 109(29):11576–11581. doi.org/10.1073/pnas.1203882109/-/DCSupplemental.
21. Ministry of Land Infrastructure and Transport (MLIT). 2016;Real-time safety diagnosis and smart remote response system development planning research report
22. Nappi M.M.L, Souza J.C. 2015;Disaster management:Hierarchical structuring criteria for selection and location of temporary shelters. Natural Hazards 75(3):2421–2436. doi.org/10.1007/s1106901414374.
23. Nara A, Yang X, Machiani S.G, Tsou M.H. 2017;An integrated evacuation decision support system framework with social perception analysis and dynamic population estimation. International Journal of Disaster Risk Reduction 25:190–201.
24. No W, Choi J, Park S, Lee D. 2020;Balancing hazard exposure and walking distance in evacuation route planning during earthquake disasters. ISPRS International Journal of Geo-Information 9(7):432. doi.org/10.3390/ijgi9070432.
25. Sabbaghtorkan M, Batta R, He Q. 2020;Prepositioning of assets and supplies in disaster operations management:Review and research gap identification. European Journal of Operational Research 284(1):1–19. doi.org/10.1016/j.ejor.2019.06.029.
26. Shang S, Du S, Du S, Zhu S. 2021;Estimating building-scale population using multi-source spatial data. Cities 111:103002. doi.org/10.1016/j.cities.2020.103002.
27. Soltani A, Ardalan A, Boloorani A.D, Haghdoost A, Hosseinzadeh-Attar M.J. 2015;Criteria for site selection of temporary shelters after earthquakes:A delphi panel. PLOS Currents Disasters 231st ed. doi.org/10.1371/currents.dis.07ae4415115b4b3d71f99ba8b304b807.
28. Tabata T, Onishi A, Saeki T, Tsai P. 2019;Earthquake disaster waste management reviews:Prediction, treatment, recycling, and prevention. International Journal of Disaster Risk Reduction 36:101119. doi.org/10.1016/j.ijdrr.2019.101119.
29. Toregas C, Swain R, ReVelle C, Bergman L. 1971;The location of emergency service facilities. Operations Research 19(6):1363–1373.
30. Wang D, Xi M, Chen Y. 2020;A dynamic shelter location and victim resettlement model considering equitable waiting costs. International Journal of Environmental Research and Public Health 17(2):471. doi.org/10.3390/ijerph17020471.
31. Wu H, Liu L, Yu Y, Peng Z. 2018;Evaluation and planning of urban green space distribution based on mobile phone data and two-step floating catchment area method. Sustainability 10(1):214. doi.org/10.3390/su10010214.
32. Xu J, Yin X, Chen D, An J, Nie G. 2016;Multi-criteria location model of earthquake evacuation shelters to aid in urban planning. International Journal of Disaster Risk Reduction 20:51–62. doi.org/10.1016/j.ijdrr.2016.10.009.
33. Yabe T, Sekimoto Y, Tsubouchi K, Ikemoto S. 2019;Cross-comparative analysis of evacuation behavior after earthquakes using mobile phone data. PLoS one 14(2):e0211375. doi.org/10.1371/journal.pone.0211375.
34. Ye M, Wang J, Huang J, Xu S, Chen Z. 2012;Methodology and its application for community-scale evacuation planning against earthquake disaster. Natural hazards 61(3):881–892. doi.org/10.1007/s11069-011-9803-y.
35. Yu J, Wen J. 2016;Multi-criteria satisfaction assessment of the spatial distribution of urban emergency shelters based on high-precision population estimation. International Journal of Disaster Risk Science 7(4):413–429. doi.org/10.1007/s13753-016-0111-8.
36. Yun S.B, Kim S, Ju S, Noh J, Kim C, Wong M.S, Heo J. 2020;Analysis of accessibility to emergency rooms by dynamic population from mobile phone data:Geography of social inequity in South Korea. Plos one 15(4):e0231079. doi.org/10.1371/journal.pone.0231079.
37. Zhao L, Li H, Sun Y, Huang R, Hu Q, Wang J, Gao F. 2017;Planning emergency shelters for urban disaster resilience:An integrated location- allocation modeling approach. Sustainability 9(11):2098. doi.org/10.3390/su9112098.
38. Zhao X, Xu W, Ma Y, Qin L, Zhang J, Wang Y. 2017;Relationships between evacuation population size, earthquake emergency shelter capacity, and evacuation time. International Journal of Disaster Risk Science 8(4):457–470. doi.org/10.1007/s13753-017-0157-2.

Article information Continued

Fig. 2

Distribution of Buildings and Outdoor Evacuation Sites in Daegu City, Korea

Fig. 3

Distribution of Static Population Based of Administrative Boundary and Census Boundary (Lee et al., 2020)

Table 1

Analysis Results of Shortest Distance-Based Evacuation Distance and Evacuation Demand (Lee et al., 2020)

Classification Evacuation distance
Count 4,872
Minimum 0.00 m
Maximum 10,195.07 m
Mean 413.34 m
Classification Evacuation demand
Census Pop Floating Pop
Minimum 0 0
Maximum 19,602 63,193.89
Mean 3,357 3,900.61

Fig. 4

Schematic Diagram of Floating Population Allocation for the Census Boundary (Lee et al., 2020)

Fig. 5

Results of Average Evacuation Demand Based on the Shortest Distance

Fig. 6

Error Rate Results for Average Evacuation Demand

Fig. 7

Frequency Distribution of Evacuation Demands

Fig. 8

Results of Total Evacuation Demand-Weighted Distances Based on the Closest Distance

Fig. 9

Error Rate Results for Total Evacuation Demand-Weighted Distances

Fig. 10

Frequency Distribution of Total Evacuation Demand-Weighted Distances