1. 서 론
도시공간에서 발생하는 다양한 위험요인 중 가장 큰 위험은 기후변화에 의한 위험일 것이다. 다보스 세계경제포럼(World Economic Forum)은 극한 기상 현상, 기후변화 대응 실패 및 주요 자연재해 등을 환경 분야 최상위 리스크로 발표하였으며(WEF, 2017), 극한기상 및 자연재해는 기후변화 심화와 함께 그 강도가 증가할 것으로 예측된다(Kang and Lee, 2012; Lee and Kang, 2018; Ha and Kang, 2020).
기후변화로 인한 위험에 대응하기 위한 정책적 수단으로는 재난정책이 있을 것이다. 과거 재난정책 패러다임은 ‘취약성’ 개념을 바탕으로 재난에 대한 사전 예측 가능성과 통제 가능성을 가정하고 예방 및 대비하는 것을 목적으로 한다면 최근 재난재해는 인간이 위험을 통제하는 것이 아니라 위험을 극복하고 효율적으로 대응할 수 있으며, 그에 대한 역량을 기르는 것으로 그 패러다임이 변화하게 되었다. 이러한 변화에 따라 재난정책은 자연재해로부터의 지역사회 회복력을 어떻게 이해할 것인지로 그 관심이 이동하였다(Mayunga, 2013).
기존의 재난대응에 의한 접근방식이 재해 그 자체에 초점을 두고 그로 인한 피해를 최소화하는 것에 목표를 두었다면, 최근의 재난대응에서 재난은 필연적인 결과가 아니라 사회⋅경제적 조건에 따라 그 결과가 바뀔 수 있는 것으로 변화하면서 재난 및 방재 분야에서 회복력의 중요성이 강조되고 있다. 이러한 변화에 따라 최근 재난대응은 지역사회의 범주 안에서 재해를 이해하고 사전 조치적인 대응방식을 통하여 극복하기 위해 노력하는 것과 지역사회역량을 향상시키고자 한다. 즉 사회, 경제적 조건 등에 따라 재난의 피해의 정도가 달라질 수 있으므로 지역사회의 역량으로서 회복력 및 적응력이라는 개념을 강조하게 되었다.
이렇듯 재난대응에 있어 회복력의 중요성이 증대됨에 따라, 도시 및 특정 시스템이 가지고 있는 회복력 수준을 진단하고 평가할 수 있는 다양한 방법론이 제기되고 있다. 이때 지표를 활용한 측정방법의 경우, 대부분 국가 혹은 지역, 커뮤니티, 시스템 등이 가지고 있는 사회적, 경제적, 물리적, 제도적 요소를 기반으로 구축되고 있었다. 이때, 회복력을 역량의 측면 또는 자본의 측면으로 이해하고, 하위 회복력을 구성하기도 하였다. 용어상의 차이는 존재하지만, 대체로 사회적(social), 경제적(economic), 물리적(physical), 제도적(institutional) 영역을 회복력의 하위차원으로 구성하고 있었다. 또한, 하위 회복력을 반영할 수 있는 대리변수를 활용하여 회복력을 측정하고 있다는 공통점을 갖는다. 그러나, 대부분의 선행연구가 고려하는 회복력의 하위차원은 회복력이라는 개념이 가지는 본질적 속성이나 특성을 반영하기보다 부문을 기준으로 구분되는 한계를 가지고 있었다.
이에 본 연구는 기존의 회복력 개념을 기반으로 회복력의 속성과 구성요소를 모두 반영할 수 있는 지역사회 재난회복력지수를 개발하고 이를 바탕으로 실제 자연재난 피해액 간의 관계를 분석하는 것을 목적으로 한다.
2. 선행연구 고찰
2.1 재난 회복력
회복력은 물리학에서 탄성과 외생적 충격에 대한 저항 및 물질의 안정성을 기술하는 데 처음으로 활용된 개념이었다(Davoudi, 2012). 물리학에서는 본래 성질에 가해진 부분적 손상을 대체하는데 소요되는 복구시간으로 회복력을 정의한다(McManus and Polsenberg, 2004). 이후, 생태학, 재난관리 등 다양한 분야에서 사용되면서 그 의미가 확장되고 있다. 기존의 회복력에 대한 관점이 최적성, 효율성, 안정성, 위험관리 및 통제와 같은 전통적인 사회경제적 관리규범 등에 대응하여 유연성, 다양성, 적응적 학습 등의 가치를 강조한다(Leach, 2008).
회복력의 개념이 학문적으로 논의되기 시작한 것은 생태학 분야이다. Holling (1973)은 물리적 개념인 회복력에 대하여 최초로 학문적 정의를 내렸다. 생태적인 시스템 중심의 회복력에 대한 논의를 통해 환경적이고 생태적인 체계의 능력을 회복력으로 정의하였으며, 초기 생태학자들은 회복력을 균형상태에 있던 시스템이 외부교란에 의해 균형이 일시적으로 깨질 때 이에 대한 회복 시간으로 정의하였다. 이후 Holling et al. (1995)는 회복력을 재정의하여 공학적 회복력을 생태학적 회복력의 개념으로 확장하였다. 이때, 회복력은 혼란을 흡수하는 체제의 완충장치 혹은 능력, 체제가 구조를 변화하기 전에 흡수할 수 있는 혼란의 크기로 정의된다(Holling et al., 1995).
기후변화로 인해 자연재해의 위험이 커지고, 그 불확실성이 증가하게 되면서 이에 대한 대응책으로서 회복력에 관한 관심이 증가하고 있다. 회복력은 그 자체가 개념적인 모호함을 지니고 있어 개념을 정의하는 것은 쉽지 않다. 그러나 회복력에 관한 합의된 개념 및 정의가 존재하지 않음에도 불구하고 다양한 분야에서 개념적⋅이론적으로 논의되고 있다. 이러한 용어들이 공통적으로 충격을 받는 과정에서의 능력과 충격으로부터 회복하는 과정에서의 능력을 기반으로 개념화되고 있다.
재난관리 분야에서는 Timmerman (1981)에 의해 최초로 회복력의 개념이 활용되었으며 이후 회복력을 정의하는 것에 있어서 행위자의 역량, 학습을 통한 역량, 상호연계성, 포괄성 등 학자들마다 다른 강조점을 활용하여 다양한 정의가 제시되고 있다. Timmerman (1981)은 재난회복력을 재해의 영향을 흡수 및 복구할 수 있는 시스템의 능력으로 정의하는 등 다양한 학자들은 재난회복력을 재난으로 인한 영향을 줄이고, 이에 대응하고 복구할 수 있는 사회의 능력으로 정의하고 있다(Mileti, 1999; Bruneau et al., 2003; Berke and Campanella, 2006; Foster, 2006).
재난관리에서 회복력이 핵심적인 개념으로 자리 잡은 것은 2005년 International Strategy for disaster risk reduction 회의 이후부터로, 허리케인 카트리나와 같은 극단적인 재난들이 발생하면서 재난 분야에 대한 새로운 접근방식이 필요하다는 인식이 생기게 되었다. 이후 회복력의 개념은 새로운 관리 프레임워크로 적용되게 되었으며, 특히 불확실한 위험에 대한 대응 전략으로서 대두되었다. 자연재해 분야의 관심은 ‘취약성’에서 ‘자연재해로부터의 지역사회의 회복력을 이해하는 것’으로 이동되었으며, 회복력의 개념이 자연재해 분야에서 중요한 개념으로 부각되고 있다(Mayunga, 2013).
2.2 지수를 활용한 재난회복력 측정
회복력의 중요성이 증대됨에 따라, 도시 및 특정 시스템이 가지고 있는 회복력 수준을 진단하고 평가할 수 있는 다양한 방법론이 제기되고 있다. 회복력 측정을 통해 회복력의 개념적 복잡성을 단순화하고, 이해를 높이며, 회복력의 수준 변화에 대한 계량적 확인이 가능하게 된다. 이러한 측면에서 회복력을 측정하는 것은 재난관리의 측면에서 효율성 향상시키고 정책의 효과성을 증진시켜 의사결정을 지원할 수 있다.
지수를 활용한 회복력 측정방법론은 회복력의 영역과 특성을 나타내는 모형을 설정하고, 그에 맞는 대리변수를 설정하여 회복력을 측정하는 방법론이다. 취약성, 노출, 대응역량 등 재난회복력에 영향을 미칠 수 있는 지표를 활용하여 단일의 재난회복력 지수를 도출하여 회복력을 측정한다. 주로 Cutter et al. (2008)의 모델에 이론적 기반을 두고 진행되고 있다. Cutter et al. (2008)의 지역 재난회복력 모델(Disaster Resilience of Place, DROP model)에 따르면 선행조건과 사건, 대응에 따라 재난의 영향이 결정되고, 적응적 회복력에 따라 복구의 시간 및 정도가 달라지며, 이러한 결과가 지역사회의 선행조건이 된다는 순환구조를 주장한다. DROP 모델은 회복력이 사회적 과정의 영향을 받으며, 지역사회의 사회, 자연, 환경적 회복력이 상호연계되어 있음을 가정하고 있다. 지역사회가 가지고 있는 현재의 특성이 선행조건으로 영향을 미치며, 재난 대응 역량 등이 재난 발생 이후 동적 과정에서도 영향을 미친다. 또한, 국가 및 지자체의 정책이 재난의 전 과정에 걸쳐 지역사회의 회복력에 큰 영향을 미친다는 것을 강조하고 있다.
DROP모형에 이론적 기반을 둔 다양한 연구들이 사회적, 경제적, 제도적, 기반시설 및 주택, 커뮤니티 자본, 환경적 지표를 활용하여 지수를 측정하고 표준화된 지수값을 통해 지역의 회복력을 측정한다(Scherzer et al., 2019). DROP 모형에 근거하여 지역사회 재난회복력 프레임워크(Community Disaster Resilience Framework, CDRF)가 제시되었으며, 재난관리 단계별 사회, 경제, 물리, 인적 지표를 활용하여 재난회복력 지수를 측정할 수 있다. 이론 및 선행연구 고찰 결과를 토대로 재난회복력의 영향요인을 결정하고, 영향 요인별 가중치를 결정하여 지수를 산출하여 측정하며 대부분의 회복력 프레임워크에 관한 연구가 지표 중심 접근(indicator approach)을 통해 회복력을 양적, 질적으로 평가하고 있다(Manyena et al., 2019).
지수를 이용하는 방법론은 다양한 장점을 가지고 있다. 먼저, 정책결정자를 지원한다는 의미에서 복잡하고, 다차원적인 현상을 정량적으로 표현해주기 때문에 현실을 요약하여 제안한다는 장점을 가진다. 또한, 지수는 다양한 지표를 하나로 통합하여 제시하기 때문에 많은 정보를 포함하고 있는 수많은 개별지표보다 쉽게 해석하는 것이 가능하다. 즉, 추상적인 개념을 구체적인 통계수치로 전환하기 때문에 그 상태와 현황을 파악하고, 변화추이를 가시적으로 살펴볼 수 있다는 장점을 가지고 있어 다양한 연구에서 활용되고 있다.
해외 연구들의 경우, 종합적인 회복력 지표를 도출하여 회복력을 측정하는 연구들은 다양한 통계자료를 활용하고 있으며, 선행연구들을 바탕으로 지표를 구축하고 있었다. Bruneau et al. (2003)은 지역사회의 지진회복력을 측정하기위하여 기술, 조직, 사회적, 경제적 차원과 강건성, 신속성, 자원활용, 중복성의 측면을 통합하여 지표체계를 개발하였다. Burton (2012)은 커뮤니티의 회복력을 사회, 경제, 제도, 인프라, 커뮤니티, 환경으로 구분하고 이에 대한 개별 지표들을 제안하였다. Keating et al. (2017)은 지역사회의 홍수회복력 측정을 위해 재정적 자본, 인적자본, 자역적 자본, 물적 자본, 사회적 자본으로 부문을 구분하고 88개의 측정지표를 제안하였다. 재난회복력을 측정하기 위한 연구는 국가 혹은 기관에서 개발되기도 한다. 미국의 BRIC (Baseline Resilience Indicators for Community; Scherzer et al., 2019)는 DROP 모델의 이론적 프레임워크를 기반으로 하고 있으며, 지역사회의 재난회복력을 사회, 경제, 지역사회자본, 제도, 인프라, 환경의 6가지 범주로 구성하였다. 회복역량지수(Resilience Capacity Index, RCI; d’Errico, 2017)는 버클리 대학 내 Institute of Government Studies와 버팔로 대학 내 Regional Institute가 함께 개발한 지수로 경제적 역량, 인적⋅사회적 역량, 지역사회의 역량으로 구분하였으며, 12개의 지표로 구성된다.
국내의 경우 마찬가지로 커뮤니티 혹은 지역의 회복력을 측정하기위해 지표를 활용하고 있었다. Shim and Kim (2015)은 자연재해에 대한 회복력을 측정하기 위해 3가지 범주인 생물학적, 건조환경, 사회경제적 회복력으로 구분하였다. Park (2016)은 자연재난회복력을 측정하기위해 Cutter et al. (2008), Manyena et al. (2019) 등의 연구를 기반으로 인구, 토지이용, 주택 및 인프라, 경제, 사회 및 행정, 기후, 지역특성으로 분야를 구분하였다. Hung et al. (2016)은 기후재난 회복력 지표를 도출하고 이를 측정하였다. 이때, 회복력을 4가지 범주로 구분하였는데, 이는 내재된 생물물리학적 조건, 사회경제적 조건, 제도적이고, 대응적이며, 기반시설이 지니고 있는 역량, 적응적 역량과 학습이다. 이 연구는 4가지 범주와 25개 하위지표를 활용하여 회복력을 도출하였다. Heo (2016)은 예방중심의 재난관리 측면에서 재난회복력의 개념에 주목하고, 기초지방자치단체의 재난회복력을 향상시킬 수 있는 방안을 모색하기 위하여 기초지방자치단체의 재난회복력 수준을 미리 파악할 수 있는 예측지표를 제안하는 것을 목적으로 연구를 수행하였다. Park (2017)은 기후변화로 인한 자연재난에 안전하고 지속가능한 도시를 구축하기 위해 복원탄력성의 개념을 도입하여 인천광역시의 환경 및 특성에 맞는 복원탄력성 지표를 구성하고자 하였다. 이 연구에서는 복원탄력성의 차원을 사회환경, 경제차원, 생활환경으로 구분하였으며 32개 지표로 구성하였다. Lee and Lee (2022)는 지자체 회복력 수준을 진단하고 이를 증진하기위한 전략을 마련하기 위해 회복력 지수를 구축하였으며, 사회적, 경제적, 도시기반영역으로 이를 구분하고 총 9개의 지표를 활용하였다.
2.3 연구 차별성
이론적 연구 및 선행고찰을 통해 다음과 같은 시사점을 도출할 수 있다.
먼저 본 연구에서 수행하고자 하는 재난회복력 프레임워크 구축과 관련한 시사점을 도출하였다. 회복력 측정연구는 대부분 국가 혹은 지역, 커뮤니티, 시스템 등이 가지고 있는 사회적, 경제적, 물리적, 제도적 요소를 기반으로 구축되고 있었다. 그러나 대부분의 선행연구가 고려하는 회복력의 하위차원은 회복력이라는 개념이 가지는 본질적 속성이나 특성을 반영하기보다 부문을 기준으로 구분되는 한계를 가지고 있었다. 본 연구는 회복력의 속성과 구성요소를 모두 반영할 수 있는 재난회복력 프레임워크를 구축하고자 한다. 재난회복력의 속성을 저항, 복구, 전환으로 보고, 재난회복력의 구성요소를 사회회복력, 경제회복력, 인프라회복력, 제도회복력으로 구분하고자 하며, 이를 기반으로 재난회복력 측정지표를 도출하였다.
다음으로 측정방법론이다. 자연재난의 피해 영향을 미치는 다양한 연구들은 자연재난의 피해액에 영향을 미치는 요인과 그 사이의 관계를 파악하고자 하고 있으며, 상관분석, 회귀분석, 패널모형 등을 활용하고 있다(Kellenberg and Mobarak, 2008; Kaźmierczak and Cavan, 2011; Ha and Kang, 2020). 이러한 연구방법론은 공간적 자기상관성을 고려하지 못하고 있다. 이를 간과할 경우 측정오류, 모델설정오류 등이 발생되어 잘못된 통계적 추론에 도달할 가능성이 높다. 본 연구에서는 구축한 재난회복력지수와 재난 피해액 간의 관계를 분석하기 위해 공간회귀분석을 활용하여 자기상관성의 문제를 해결하고자 하였다.
3. 연구 방법
3.1 연구 범위
본 연구는 공간적 범위는 다음과 같다. 전국을 대상으로 지역의 재난회복력 지수를 개발하기 위해 전국 250개 시군구를 공간적 범위로 설정한다.
연구의 시간적 범위는 재난회복력 지수는 개발지수는 데이터 구득 가능성에 따라 2020년을 연구의 시간적 범위로 설정하였다. 재난피해액의 경우 2020년부터 2022년을 시간적 범위로 설정하였다(Table 1).
Table 1
Study Scope and Methodology for Disaster Resilience Index Analysis
연구의 내용적 범위는 다음과 같다. 먼저. 재난회복력 지수를 선정하기 위해 이론 및 선행연구 고찰을 통해 재난회복력의 구성요소 및 측정변수를 선정하였다. 본 연구에서 재난회복력은 저항, 복구, 전환으로 구성되며, 회복력은 사회적 회복력, 경제적 회복력, 인프라 회복력, 제도회복력으로 구분하였다. 각각의 구성요소에 따른 5개의 측정변수를 설정하고 가중치 부여 및 표준화 과정을 거쳐 재난회복력 지수를 도출하였다.
3.2 연구 흐름
본 연구의 연구 질문은 지역사회의 회복력과 재난피해 간의 관계에 대하여 규명하기 위해 “지역사회의 재난회복력이 재난피해에 어떤 영향을 미치는가?”를 연구 질문으로 설정하였다. 이와 관련한 연구가설은 “지역사회의 재난회복력은 지역의 재난피해를 줄이는 데 영향을 미쳐, 지역사회의 재난회복력이 높을수록 해당 지역의 재난피해액은 낮다”이다.
먼저 재난회복력지수를 개발하기위하여 선행연구를 토대로 지표를 선정한다. 연구자에 따라 다양한 재난회복력의 정의 및 측정방법이 존재하므로, 회복역량에 초점을 맞춰 지역의 다양한 특성을 고려하고, 다양하고 폭넓은 선행연구 검토를 통해 새로운 구성요소 및 지표를 생성한 후 지표를 개발한다. 이를 위해 재난회복력과 관련한 문헌고찰을 실시하여 재난회복력의 정의, 구성요소, 지표를 선정하였다.
다음으로 재난회복력과 재난피해액 간의 관계를 분석하기위해 공간회귀분석을 실시하였다. 개발한 재난회복력이 재난피해액에 어떤 영향을 미치는지 살펴보고 이를 통해 설정한 연구가설을 규명하고자 하였다.
3.3 Z-score 표준화
본 연구에서는 재난회복력에 관한 기초 지표에서 도출한 전국평균 및 표준편차를 이용한 표준화 방법론을 활용하여 지역별로 객관적인 현황을 파악하기 위해, Z-score 표준화 방법을 활용하고자 한다. Z-score 방법론은 평균과 비교하였을 때, 얼마나 해당 값이 차이가 나는지 한눈에 확인하는 것이 가능하므로 국내에서 수행되고 있는 기후변화 취약성 평가 연구에서 가장 많이 활용되고 있는 방법론이다(Kim and Nam, 2013). 구체적으로, 지표의 평균이 μ이고 표준편차가 σ일 때, 원래의 지표값(X)을 Z-score ( Z = X − μ σ )
3.4 엔트로피 가중치
본 연구에서 개별 변수에 대한 가중치는 엔트로피 가중치를 활용하여 부여하였다. 엔트로피 가중치는 섀넌(Shannon)의 정보이론을 바탕으로 지표의 속성정보를 활용하여 가중치를 선정하는 방법이다. 이때, 엔트로피는 정보 속성의 다양성을 기반으로 결정되며, 지표값의 응집도가 클수록 엔트로피 가중치가 크게 결정된다. 각 지자체 별 재난회복력을 산정하기 위해서는 지역특성을 고려할 수 있는 가중치를 부여하는 것이 필요하다. 일반적으로 자료를 바탕으로 가중치 산정하기위해서 델파이, AHP 등의 방법론이 활용될 수 있으나, 이러한 방법론은 정량적 자료의 속성을 반영하기보다는 연구자의 주관성을 배제할 수 없다는 한계점이 존재한다(Lee et al., 2022). 엔트로피 가중치는 가중치를 산정하는 과정에서 수학적으로 가중치를 산정하게 되므로, 객관적으로 가중치를 설정할 수 있다는 장점을 가지고 있다(Lee et al., 2015).
엔트로피 가중치 산정 절차는 먼저, 지표의 변수를 각 열이 지표의 값을 대표하는 형태로 자료들을 구성하고 정규화하는 과정을 거친 후, 정규화된 지표의 엔트로피 값을 산정한 후 최종적으로 엔트로피 가중치를 산정하게 되며 그 과정은 다음과 같다.
먼저, 자료를 행렬(D)로 구성한다. 세부지표 개수는 n이며, 분석하고자 하는 지역의 개수는 m이다.
다음으로, 구축한 자료의 단위가 모두 다르기 때문에 자료 의 정규화과정을 거친다.
다음으로, 데이터를 정규화한 후, 세부지표별 엔트로피를 산정하며, 이때, 지표값은 분산이 클수록 크게 산정된다.
마지막으로, 산정된 엔트로피값을 활용하여 지표 속성값의 다양성정도(dj)를 산정한 후, 지표별 가중치(wj)를 산정한다.
3.5 공간회귀분석
공간패턴분석(Spatial pattern analysis)은 특정한 현상이 공간상에 분산 혹은 집중되어있는지를 파악하는 것으로, 공간패턴을 밝힘으로써, 공간패턴을 형성하는데 영향을 미친 공간과정을 밝히는데 기초가 되는 정보를 제공할 수 있다.
일반적으로 공간패턴을 분석하기위한 데이터는 집합적인 공간 단위이며, 공간상의 특정 위치에서 발생하는 사건과 그 인근에서 발생하는 사건과는 밀접한 관계, 즉 높은 상관관계를 가진다. 이는 자료의 집계과정에서 발생하거나, 공간상의 인접으로 인해 나타나는 파급효과이다. 이렇듯 공간상에서 나타나는 현상에 대한 자료가 행정구역으로 단위로 집계되기 때문에 공간패턴을 분석하는 것에 있어 공간적 자기상관성을 고려하는 것이 필요하다.
공간적 자기상관성이 존재하는 특정현상을 OLS 회귀모델을 이용하여 추정하는 경우, OLS회귀분석이 준수해야하는 가정에서 위배되고, 오차의 공간적 자기상관성이 심각하게 나타날 수 있다. 종속변수에 공간적 자기상관성이 있다면 OLS 회귀모델의 모수추정량(parameter estimator)이 편향(biased)되는 오류가 발생한다. 오차항에 공간적 자기상관성이 있다면, 모수 추정량은 편향되지 않지만, 분산에서 편향이 발생하게 된다. 즉, 공간적 자기상관성을 가지고 있는 공간데이터로 인해 발생할 수 있는 문제들을 해결하여 모델을 더욱 정확하게 추정하기위한 모델을 공간회귀모델이라 할 수 있다. 이는 공간래그모델(spatial lag model)과 공간오차모델(spatial error model)로 구분할 수 있다.
공간래그모델이란 종속변수가 공간적 자기상관을 가지고 있는 경우, OLS회귀모델의 대안적 모델로 활용할 수 있다. 만약 통계적으로 공간적 자기상관이 존재하는 경우, 공간패턴이 만들어지는 공간구조 혹은 공간과정을 분석하기위해 통계모델에 공간적 의존성을 투입할 필요가 있다. 이때, 공간적 레그변수를 통계모델이 공간적 의존성변수로 투입하여 공간적 자기상관을 통제하며, 일반적으로 종속변수에서 공간적 종속성이 존재하는 경우, 공간래그모델을 이용하는 것이 바람직하다(Anselin, 1988).
공간오차모델은 오차에서 공간적 자기상관을 가지고 있는 경우 활용될 수 있다. 이때, 오차에서 공간적 자기상관이 발생하는 원인은 여러 가지로 나타날 수 있다. 먼저, 어떤 현상이 공간에서 데이터의 집계가 이루어지는 행정단위와 특정 현상이 공간상에서 나타나고 있는 범위 간의 불일치로 인해 발생할 수 있다. 두 번째로는 공간적 자기상관이 발생하는 변수를 관측할 수 없어 회귀모델에 투입하지 못하는 경우, 모델에 고려되지 못한 변수의 파급효과로 인해 발생할 수 있다. 공간오차모델은 오차들 사이에 존재하는 공간 종속성을 통제하기 위해 개별 오차 공분산을 만들어 회귀모델 안에서 공간적인 상호작용의 영향을 고려하고자 한다. 이를 위해 오차에 공간가중행렬을 적용하게 되고, 공간과정에서 내재되어 있는 오차의 공분산 구조를 활용하여 OLS 모델보다 효율적이라고 할 수 있다.
공간회귀모델에서 종속변수 및 오차의 공간적 자기상관성에 대한 가설을 검증하기 위해 라그랑지 승수테스트(Lagrange Multipiler, LM Test)를 사용한다. 이때, 라그랑지 승수테스트는 OLS 회귀모델에서 나타난 공간 종속성의 검정 혹은 공간오차를 검정하기위해 사용되며, 종속변수, 오차에서 공간적 상관이 존재하지 않는다는 귀무가설을 검정한다.
4. 분석결과
4.1 재난회복력 지수 도출 및 결과
먼저 재난회복력 지수를 개발하기위해 앞선 선행연구를 기반으로 재난회복력 프레임워크를 구성하였다. Adger (2000)은 변화에 저항하거나 적응하는 역량으로 회복력을 정의하였다. 또한, Walker et al. (2004)은 변화에 저항하거나 적응하는 역량으로 회복력을 정의하는 등 회복력의 개념을 적응과 연관시켰다. Folke (2006)은 회복력을 3가지 능력으로 보았는데, 각각 기존의 상태로 빠르게 복구되는 능력, 외부 충격이나 완만한 변화에 대한 저항능력, 변화하는 조건에 적응하는 능력으로 구분하였다. Maguire and Hagan (2007)은 회복력의 속성을 저항력, 복구능력, 창조력으로 구성하였다. 공학적 회복력과 생태학적 회복력의 통합적 관점이라는 맥락에서 Folke et al. (2010)은 통합된 회복력의 개념을 제안하고 있으며, 사회생태학적 시스템의 역동성 및 진화를 가정하고, 회복력의 개념에 혼란에 대한 저항, 적응, 전환을 포함시키고 있으며, OECD 보고서에서도 이러한 정의와 유사하게 변화의 정도에 따라 회복력을 흡수, 적응, 전환으로 구성하여 정의하였다. 본 연구에서는 이러한 선행연구에 따라 공학적 회복력과 생태학적 회복력의 개념을 함께 고려하기위해 재난회복력의 속성을 저항, 복구, 전환을 활용하고자 하였다. 재난회복력의 속성을 저항(resistance), 복구(recovery), 전환(transformation)으로 구분하였으며, 이러한 속성이 발현될 수 있는 재난회복력의 분야를 사회회복력, 경제회복력, 인프라회복력, 제도회복력으로 구분하였다.
개발한 재난회복력 프레임워크를 바탕으로 각 부문을 측정할 수 있는 변수(114개)를 선정하였다. 이후 구득가능성(91개)에 따라 1차로 정리한 후, 통계분석(상관분석)을 활용하여 최종 지표(60개)를 선정하였으며, 개발한 재난회복력지수의 프레임워크 및 개별 지표는 Table 2와 같다.
Table 2
Disaster Resilience Index: Components and Measurement Variables
지수의 산출은 다양한 차원의 이질적인 지표들을 결합하는 과정이므로, 이러한 지표들을 결합하기에 앞서 해당 지표들을 표준화하는 과정 및 가중치를 부여하는 과정이 필요하다. 본 연구에서 수집한 세부 지표들은 지표별로 그 척도가 다르므로 이를 통일시켜 하나의 재난회복력 지수로 만들기 위해서 표준화, 가중치 부여와 같은 과정을 거쳐야 한다. 본 연구에서는 선정된 지표들에 대하여 Z-score 표준화와 엔트로피 가중치(entropy weight) 산정을 거쳐 최종 지수를 도출하였다.
다음으로 도출한 재난회복력 지수를 지도를 표출하였으며, 그 결과는 Fig. 1과 같다. 도출한 재난회복력지수에 대하여 Natural Breaks를 활용하여 등급화하였다. Natural Breaks 등급화는 통계적으로 각각의 그룹 내 분산을 최소화하고, 그룹 간 분산을 최대화하여 데이터 간 가장 유사한 값을 기반으로 그룹화하고 등급 별 차이를 최대화하는 등급화 방법이다(Dong and Kang, 2023). 도출된 전체 지자체의 회복력 값을 5개의 등급으로 분류하여 지도로 표출하였다. 이때 Level 1은 회복력지수 값이 가장 작은 등급이며 Level 5는 회복력지수의 값이 가장 큰 등급이다. 즉, Level 이 커질수록 회복력이 더 좋은 지역으로 해석할 수 있다. 저항지수의 지역별 현황은 다음과 같다. 저항지수가 가장 낮은 곳, 즉 저항에 대한 값이 큰 지역은 250개 시군구 중 129개 시군구로 나타나 가장 많은 것으로 나타났다. 다음으로 저항값이 큰 Level 2 지역 역시 88개 시군구로 나타나 지역의 저항지수의 값이 낮아 취약성이 높은 지역이 많은 것으로 타나났다. 반면, 저항지수값이 커 취약성이 낮은 지역은 33개 시군구인 것으로 나타났으며, 저항지수 값이 가장 커 취약성이 가장 낮은 지역은 경기도 성남시 분당구와 경북 양양군인 것으로 나타났다.
복구지수의 지역별 현황은 다음과 같다. 복구지수의 값이 가장 낮은 Level 1인 지역은 47개 시군구로 나타났다. 다음으로 복구지수 값이 낮은 Level 2인 지역은 84개 시군구로 나타나, 가장 많은 빈도수를 보이고 있다. 즉, 회복력지수에 있어 복구의 능력이 떨어지는 지역이 다수 존재하는 것으로 판단되며, 해당 지역에서는 재난이후 이에 대응하고 빠르게 이전으로 돌아갈 수 있는 능력이 다소 미흡한 것으로 판단된다. 복구지수의 값이 Level 3인 지역은 66개 시군구로 나타났다. 복구지수의 값이 Level 4인 지역은 39개 시군구로 나타났다. 복구지수의 값이 가장 커 재난 이후, 대응력이 상대적으로 좋은 Level 5인 지역은 14개 시군구로 가장 적은 것으로 나타났다.
전환지수의 지역별 현황은 다음과 같다. 전환지수가 가장 낮아, 재난 이후 새로운 체계로 변환할 수 있는 능력이 가장 낮은 Level 1 지역은 133개 시군구로 나타나 가장 많은 지역이 해당되고 있다. 다음으로 전환지수가 낮은 Level 2 지역은 75개 시군구로 나타나 상대적으로 많은 지역이 재난회복력 중 전환능력이 미흡한 것으로 판단된다. 다음으로 Level 3 지역은 29개 시군구로 나타났다. Level 4 지역은 11개 시군구로 나타났으며, 전환지수가 높아 재난 이후, 새로운 체계로 변환하거나 더 나은 체계로 전환할 수 있는 능력을 가진 지역은 2개 시군구에 해당하여 매우 적은 것으로 판단된다.
전체 재난회복력지수의 지역별 현황은 다음과 같다. 재난회복력지수가 가장 낮아, 재난에 올바르게 대처하고, 전환할 수 있는 능력이 가장 낮은 Level 1 지역은 79개 시군구로 나타났다. 다음으로 재난회복력지수가 낮은 Level 2 지역은 80개 시군구로 나타나 가장 많은 지역이 해당 등급에 해당하고 있었다. Level 1과 Level 2 등급이 대부분을 차지하고 있어 현재 전국의 재난회복력 수준은 다소 미흡한 것으로 판단된다. 다음으로 Level 3 지역은 44개 시군구로 나타났다. Level 4 지역은 39개 시군구로 나타났으며, 재난회복력지수가 높아 재난에 저항하고, 빠르게 복구하며, 새로운 체계로 변환하거나 더 나은 체계로 전환할 수 있는 능력을 가진 지역은 8개 시군구에 해당하여 매우 적은 것으로 판단된다.
4.2 재난회복력이 재난 피해에 미치는 영향분석
공간회귀분석을 실시하기에 앞서 재난피해액의 공간적 패턴을 살펴보았으며 그 결과는 Fig. 2와 같다. 공간적 패턴의 자기상관성을 분석하기 위해 전역적 Moran’s I 지수를 산출한 결과, 0.474로 나타나 통계적 유의성을 가지는 것으로 판단된다. 특히 해당 값은 99.9% 수준에서 통계적 유의성을 가지는 것으로 나타나 재난피해액이 강한 공간적 자기상관성을 가지고 있기 때문에, Ordinary Least Square (OLS) 모형이 적합하지 않음을 판단할 수 있다.
재난피해액에 대한 오차의 비정규성과 공간의 종속성 분석 결과는 다음과 같다. 오차의 비정규성을 진단하는 Jarque-Bera 통계량이 500.2554 (p < 0.000)으로 유의하게 나타나 강한 비정규성을 가지고 있음을 확인할 수 있다. 또한, Breusch-Pagan 통계량은 3.7633 (p = 0.028)로 유의하게 나타나 이분산성이 존재함을 확인할 수 있다. 종속변수와 오차항의 공간적 종속성의 여부를 판단하기위해 LM-Lag와 LM-error 통계치를 살펴본 결과, LM-Lag는 0.00732으로, 1% 유의수준에서 종속변수와 오차항의 공간적 독립성에 관한 귀무가설이 기각되었으며, LM-error 0.0000로 1% 유의수준에서 종속변수와 오차항의 공간적 독립성에 관한 귀무가설이 기각되었다.
재난피해액이 공간적 종속성에 대한 귀무가설이 모두 기각되어 공간회귀모델을 사용하는 것이 적합함을 확인하였으나, 공간회귀모델은 공간래그모델과 공간오차모델이 존재하므로 전반적으로 어떤 모델이 적합한지를 판정하기 위해 R2, Log Likelihood, Akaike info criterion (AIC), Schwarz criterion (SC) 등을 살펴보았다.
먼저, 재난피해액과 재난회복력 개별 지수 간 공간회귀분석 결과는 Table 2와 같다. OLS 회귀모형에서 -478.144이었던 Log Likelihood가 공간시차모형에서는 -453.779으로 감소하였으며, 공간오차모형에서는 -423.338442로 감소하였다. OLS회귀모형에서 964.288이었던 AIC 값은 공간시차모형에서는 917.558으로 감소하였으며, 공간오차모형에서는 854.677으로 감소하였다. SC의 경우도 마찬가지로 공간시차모형과 공간오차모형에서 그 값이 줄어드는 경향을 보이고 있으며, OLS회귀모형에서는 978.374이었던 값이 공간시차모형에서는 935.166으로 줄어들었으며, 공간오차모형에서는 868.763으로 줄어들었다. 즉, 모델의 적합성의 측면에서 Log Likelihood, AIC, SC 모두 공간회귀모델이 OLS모델에 비해 적합도가 향상되었으므로, 공간회귀모델을 쓰는 것이 적합하다고 판단된다.
다음으로 공간시차모형과 공간오차 모형 중, LM (lag)와 LM (error)이 모두 0.001% 확률에서 통계적으로 유의한 것으로 나타나 공간시차모형과 공간오차모형 모두 활용이 가능한 것으로 판단된다.
다음으로 재난피해액과 재난회복력 지수 간 공간회귀분석 분석결과는 Table 3과 같다. OLS 회귀모형에서 -478.885이었던 Log Likelihood이 공간시차모형에서는 -454.007으로 감소하였으며, 공간오차모형에서는 -424.900로 감소하였다. OLS 회귀모형에서 961.77이었던 AIC 값은 공간시차모형에서는 914.014으로 감소하였으며, 공간오차모형에서는 853.800으로 감소하였다. SC의 경우도 마찬가지로 공간시차모형과 공간오차모형에서 그 값이 줄어드는 경향을 보이고 있으며, OLS 회귀모형에서는 968.813이었던 값이 공간시차모형에서는 924.578으로 줄어들었으며, 공간오차모형에서는 860.843으로 줄어들었다. 즉, 모델의 적합성의 측면에서 Log Likelihood, AIC, SC 모두 공간회귀모델이 OLS 모델에 비해 적합도가 향상되었으므로, 공간회귀모델을 쓰는 것이 적합하다고 판단된다.
Table 3
Results of Spatial Regression Analysis : Each Disaster Resilience Index
| Variables | OLS | Spatial Lag Model (SLM) | Spatial Error Model (SEM) | |
|---|---|---|---|---|
| Spatial Effects | Rho | 0.407*** | ||
| Lamda | 15.1797*** | |||
| Constant | 56.821*** | 10.141*** | 4.465** | |
| Resistance Index | -0.687* | -0.9665* | -0.730* | |
| Recovery Index | -1.694** | -1.0768* | -1.609* | |
| Transformation Index | -0.104* | -0.1387* | -0.741* | |
| Explanatory Power | R2 (AdjustR2) | 0.332 (0.128) | 0.217 | 0.449 |
| Model Fit | Log Likelihood | -478.144 | -453.779 | -423.338 |
| Akaike info criterion | 964.288 | 917.558 | 854.677 | |
| Schwarz criterion | 978.374 | 935.166 | 868.763 | |
| Homoskedasticity | Breusch-Pagan | 3.763* | 6.091* | 13.250** |
| Koenker-Bassett | 1.017* | |||
| Spatial Dependence | Likelihood Ratio | 48.730*** | 109.611*** | |
| LM (lag) | 56.236*** | |||
| Robust LM (lag) | 0.073 | |||
| LM (error) | 117.354*** | |||
| Robust LM (error) | 61.191*** | |||
| Lagrange Multiplier (SARMA) | 117.427*** | |||
다음으로 공간시차모형과 공간오차 모형 중, LM (lag)와 LM (error)이 모두 0.001% 확률에서 통계적으로 유의한 것으로 나타나 공간시차모형과 공간오차모형 모두 활용이 가능 한 것으로 판단되나, 모델의 설명력인 R2값이 공간오차모형이 가장 높기 때문에, 공간오차모형(SEM)을 기반으로 분석결과를 해석하고자 한다.
먼저, 재난회복력지수를 구성하는 저항, 복구, 전환지수와 재난피해액 간의 공간회귀분석을 수행한 결과(Table 3), 재난회복력과 재난피해액이 음의 상관관계를 가지고 있다. 저항지수, 복구지수, 전환지수가 모두 0.01%유의 확률에서 음의 상관관계를 가지고 있는 것으로 나타났으며 구체적으로 해석하자면 다음과 같다. 먼저, 저항지수가 0.7% 감소할 때, 재난피해액이 1% 증가하는 것으로 나타났으며, 공동체 및 시스템이 기능의 쇠퇴나 손실에 견딜 수 있는 역량이 낮은 곳에서 재난에 대한 피해가 더 크게 발생할 수 있음을 암시한다. 다음으로 복구지수가 1.6% 감소할 때, 재난피해액은 1% 증가하는 것으로 나타났으며, 재해 발생 이후, 신속한 복구활동을 통해 재해 이전으로 돌아가기 위한 역량이 낮은 곳에서 재난에 대한 피해가 더 크게 발생할 수 있음을 암시한다. 마지막으로 전환지수가 0.7% 감소할 때, 재난피해액은 1% 증가하는 것으로 나타났으며, 새로운 환경에 적응하고, 더 높은 수준의 기능을 수행하여 사회가 더 나은 행태로 전환할 수 있는 역량이 낮은 곳에서 재난에 대한 피해가 더 크게 발생할 수 있음을 암시한다.
다음으로, 재난회복력지수에 대한 공간회귀분석을 실시한 결과(Table 4), 재난회복력지수와 재난피해액이 음의 상관관계를 가지고 있다. 재난회복력지수는 0.01% 유의확률에서 음의 상관관계를 가지고 있는 것으로 나타났으며 구체적으로 해석하자면 다음과 같다. 재난회복력지수가 0.8% 감소할 때, 재난피해액은 1% 증가하는 것으로 나타났으며, 자연재해의 영향에 저항하고, 피해 발생 시 빠르게 복구하며, 향후 더 나은 시스템으로 전환될 수 있는 능력이 부족한 지역일수록, 자연재해의 피해가 더 크게 발생할 수 있음을 암시한다.
Table 4
Results of Spatial Regression Analysis : Disaster Resilience Index
| Variables | OLS | Spatial Lag Model (SLM) | Spatial Error Model (SEM) | |
|---|---|---|---|---|
| Spatial Effects | Rho | 0.410*** | ||
| Lamda | 14.322*** | |||
| Constant | 56.883*** | 10.097*** | 24.753*** | |
| Resilience Index | -1.365* | -1.297* | -0.801* | |
| Explanatory Power | R2 (AdjustR2) | 0.175 (0.134) | 0.216 | 0.437 |
| Model Fit | Log Likelihood | -478.885 | -454.007 | -424.900 |
| Akaike info criterion | 961.77 | 914.014 | 853.800 | |
| Schwarz criterion | 968.813 | 924.578 | 860.843 | |
| Homoskedasticity | Breusch-Pagan | 0.425** | 2.325* | 12.664** |
| Koenker-Bassett | 0.114* | |||
| Spatial Dependence | Likelihood Ratio | 49.756*** | 107.971*** | |
| LM (lag) | 58.251*** | |||
| Robust LM (lag) | 0.179 | |||
| LM (error) | 123.676*** | |||
| Robust LM (error) | 65.603 | |||
| Lagrange Multiplier (SARMA) | 123.855** | |||
즉, 재난회복력지수가 감소할 때, 재난피해액은 증가하는 것으로 나타나 재난회복력이 재난피해액을 줄이는 것에 영향을 미치는 것으로 판단되어 본 연구의 연구가설인 “지역사회의 재난회복력은 지역의 재난피해를 줄이는 데 영향을 미쳐, 지역사회의 재난회복력이 높을수록 해당 지역의 재난피해액은 낮다”를 채택할 수 있다.
5. 결론 및 정책함의
본 연구는 선행연구를 바탕으로 지역사회의 자연재난 회복력을 측정할 수 있는 지수를 만들었다. 또한 개발한 재난회복력 지수와 실제 자연재난 피해 간 관계를 살펴보기 위하여 전국 250개 시군구를 대상으로 2020년부터 2022년까지의 재난피해액 간의 관계를 통계적 기법으로 실증분석하였다.
개발한 회복력지수를 지도로 표출하고 등급화 한 결과, 모든 회복력지수에서 그 수준이 가장 낮은 Level 1 혹은 Level 2 등급인 지역이 가장 많은 것으로 나타났다. 즉 개발한 재난회복력 지표를 바탕으로 해석하면 우리나라의 전반적인 재난회복력 수준이 매우 낮은 것으로 판단된다. 개발한 재난회복력 지수로 측정한 회복력 수준이 매우 낮은 것으로 판단되므로, 재난회복력을 구축하기위한 재난회복력을 구축하기위한 재난관리 정책이 필수적인 것으로 판단된다.
구체적으로 저항지수의 경우 수도권에서 재난에 대한 취약성이 낮은 지역이 밀집되어 있었다. 복구의 경우, 마찬가지로 수도권 일대에서 밀집되어 있는 것으로 파악된다. 즉, 수도권 일대에서 재난이 발생하였을 때, 이에 대응하고 빠르게 전으로 돌아갈 수 있는 역량이 높은 지역이 밀집되어 있는 것으로 파악된다. 전환의 경우, 부산광역시 일대에 밀집하고 있는 것으로 파악된다. 즉, 부산광역시 일대에서 재난 이후, 더 나은 체계로 전환할 수 있는 가능성이 높은 것으로 판단된다. 이를 종합한 재난회복력지수는 수도권 일대, 경기도 일대에서 높은 순위가 밀집되어 있는 것으로 나타났다. 즉, 해당 지역에서 재난회복력이 잘 구축되어 있어 저항의 수준이 낮고, 재난이후에도 빠르게 전으로 돌아갈 수 있으며, 더 좋은 체계로 전환할 수 있는 가능성이 높은 것으로 판단되어 지역 간 회복력의 격차가 존재하는 것으로 파악되므로 향후 재난에 대한 회복력을 향상시킬 수 있는 방안을 모색해야한다.
다음으로 개발한 재난회복력과 재난피해액 간의 관계를 살펴보았다. 재난피해액의 공간적 자기상관성을 통계적으로 확인하였으며, 이에 개발한 재난회복력지수와 재난피해액 간의 공간회귀분석을 실시한 결과, 저항지수, 복구지수, 전환지수가 모두 재난피해액과 유의한 음(-)의 상관관계를 가지고 있는 것으로 나타났다. 즉 재난회복력지수가 높을 때, 실제 재난피해가 적게 나타나는 것으로 판단되었다. 또한, 저항지수와 복구지수, 전환지수를 결합한 재난회복력 지수 역시 재난피해액과 유의한 음(-)의 상관관계를 가지고 있는 것으로 나타났다. 이러한 결과는 지역의 재난회복력 수준이 높을수록 지역사회의 재난피해액이 줄어들 것을 시사한다.
이를 종합하면 다음과 같다. 전국의 재난회복력에 격차가 존재하고 있으며, 재난회복력이 실제 재난피해를 줄이는 것에 긍정적인 영향을 미칠 수 있으므로 향후 재난에 대한 회복력을 증가시키기 위해 개발한 지표를 고려할 수 있을 것으로 파악된다.
본 연구는 다음과 같은 함의를 지닌다.
먼저 재난회복력의 개념을 구체화하고, 구체적으로 제안하고 있다. 재난회복력 측정과 관련한 선행연구들을 살펴보았을 때, 기존의 연구들이 회복력에 있어 다양한 측면을 고려하고 있음을 확인할 수 있었다. 그러나, 재난회복력의 성격을 모두 반영하지는 못하고 있었다. 즉, 재난회복력의 구성요소를 단순히 사회, 경제등으로 구분하여 살펴보는 경우가 대다수였다. 본 연구에서는 재난회복력의 개념화를 통해 재난회복력의 구성요소를 명확히 정의하고자 하였다. 이에, 재난회복력을 저항, 복구, 전환으로 구분하고 각 특징에 대한 사회회복력, 경제회복력, 인프라회복력, 제도회복력으로 구체화하여 회복력의 개념을 제안하고 있다는 점에서 향후 재난관리 연구분야에 있어 재난회복력을 도출하는 것에 도움을 줄 수 있을 것이라 기대한다.
또한 본 연구를 통해 개발한 재난회복력 지수를 통해 재난회복력을 명확하게 규명하고, 전국의 현황, 재난회복력 변화등을 정확하고 효율적인 통계적 수치로 파악하는 것이 가능할 것이다. 이를 통해 재난대비 및 대응 역량 강화에 있어 활용할 수 있다. 즉 개발한 지수를 통해 특정 지역 혹은 부문의 취약성을 파악하여 맞춤형 대응전략을 수립하고, 정책 우선순위를 설정하는 것에 활용하여 정책적 효율성 및 효과성을 증진시킬 수 있을 것으로 예상된다.
마지막으로 개발한 재난회복력지수는 구득 가능한 통계자료를 기반으로 하고 있으므로, 과학적 데이터와 정량적 지표를 기반으로 하고 있으므로 이를 정책 수립에 활용할 경우, 정책의 신뢰성 및 실효성을 증진시킬 수 있을 것으로 판단된다.
PDF Links
PubReader
ePub Link
Full text via DOI
Download Citation
Print
