1. 서 론
환경노출에 의한 건강영향의 정량화는 환경보건 계획과 정책의 수립을 위한 과학적 근거자료이며, 보건자원을 체계적으로 할당하기 위한 필요조건이다(Laaksonen et al., 2010). 건강과 웰빙에 크게 기여하는 환경 조건은 물리적, 생물학적, 화학적, 사회적으로 균등하게 분포되지 않고 지역별로 현저한 차이가 발생한다(Zhuang et al., 2022). 건강영향의 지역적 분포와 특성을 파악하는 것은 환경보건 분야에서 중요하며, 질병의 지리적 분포를 이해하고 위험이 더 크거나 낮은 지역을 파악하는 것은 환경보건 정책 계획 및 상태 모니터링에 기여할 수 있기 때문이다(Souza et al., 2019). 환경요인에 의한 건강영향은 공간적 노출을 전제로 하므로 공간분석의 주요 적용 대상이 되며, 환경요인과 건강영향사이의 공간적 특성을 파악할 필요가 있다.
특히 주요 환경성 질환의 하나인 천식의 경우 산업화된 국가에서 대기오염물질이 천식을 악화시키고, 천식 유병률을 지속적으로 증가시킨다고 보고되었다(National Health Insurance Corporation, 2008). 천식은 만성 염증성 기도 질환으로 전 세계적으로 천식 질환은 약 2억 6,200만 명 정도로 추산하였다(Vos et al., 2020). 천식 발생은 대기오염, 기후변화, 환경위해시설, 영유아 면역체계 악화 등 포괄적인 환경요인에 의한 것으로 천식 입원의 증가는 주요한 환경보건 문제이다(Kim et al., 2013).
대기오염에 의한 천식의 발생과 악화와 관련한 다수의 연구가 이루어졌으며 통계적(stochastic) 관점에서 분석하는 공간통계학적 접근방식은 환경오염과 건강영향 모니터링을 위한 효과적인 분석수단으로 대두되고 있다. 공간통계학적 접근방법은 지리학(geography), 생태학(ecology), 공간역학(spatial epidemiology), 범죄학(criminology) 등 다양한 제반 분야에서 관심 현상의 공간패턴 및 동적 변화추이를 통계적으로 이해하기 위한 분석 수단으로 많이 활용하고 있다(Rogerson and Sun, 2001; Rogerson and Yamada, 2004).
천식의 공간 패턴을 파악하는 연구 중 독일에서 수행한 연구에서는 2009년부터 2016년까지 GIS를 활용하여 천식의 시공간적 분포를 평가하였으며, 결과를 바탕으로 천식 발생률이 높은 지역에 대하여 구체적인 관리 및 예방 프로그램을 개발하는데 활용할 수 있다고 제시하였다(Akmatov et al., 2019). 스페인 아스투리아스 중부 지역을 대상으로 2016년부터 2018년까지 천식 입원에 대하여 공간적 추세를 분석하고 공간적자기상관지수(Morans I)를 계산했으며, Anselin Local Morans I을 수행하여 공간적 클러스터를 분석하였다(González-Iglesias et al., 2023). 천식 및 대기오염과 관련하여 핫스팟 지역을 탐색한 연구로 Corburn et al. (2006)은 뉴욕시를 대상으로 1997년부터 2000년까지 미국 인구조사에서 어린이 천식입원이 집중적으로 발생한 지역을 파악하기 위하여 시공간을 고려한 공간통계기법을 이용한 천식 핫스팟지역을 분석하고, 이들 지역의 경제적수준, 토지이용, 주택특성, 대기오염과의 관련성을 분석하였다. Das et al. (2024) 연구에서는 인도 콜카타를 대상으로 PM, NO2, SO2의 연평균 농도와 어린이 천식 입원에 대한 핫스팟 지역을 탐색하는데 GIS의 공간 분석을 활용하였다.
국내에서도 공간통계기법을 활용하여 미세먼지가 천식에 미치는 영향을 파악한 연구가 진행되었는데 Lee et al. (2024)은 공간통계기법 중 일반화 선형혼합모형을 활용하여 천식과 미세먼지의 패턴 분석을 실시하고 공간적 상관성을 파악하였다. 생태학적 연구로 Kim et al. (2013)은 전국 기초자치단체 247개 지역을 대상으로 국민건강보험공단의 건강보험청구 자료를 이용하여 천식환자 발생과 인구⋅사회학적 요인, 보건학적 요인, 환경적 요인, 기상학적 요인의 회귀분석을 실시하여 요인들과 천식 발생의 관련성을 파악하기도 하였다.
기존 연구에서는 천식 발생과 환경요인의 공간적 관련성을 파악하는데 중점을 두었으며, 체계적으로 천식과 환경요인의 공간과 시공간적 특성을 고려하여 분포 특성을 파악한 연구 사례는 미흡한 부분이 있다. 환경보건 분야에서 계획과 정책 수립에 있어 환경과 건강을 균형있게 고려하여 포용적이고 지속가능한 지역사회를 이루기 위한 중요한 역량으로 건강영향과 대기오염의 지역적 분포 특성을 파악할 수 있는 방안을 제시할 필요가 있다. 또한 환경보건 문제로 대두되고 있는 천식과 관련하여 환경보건 분야에서 정책 수립에 있어 한정된 자원과 시간을 효율적으로 배분하기 위해서는 과학적 근거 자료로서 건강과 환경요인의 지역별 분포 특성을 파악하고 핫스팟 지역에 대하여 체계적인 관리가 이루어질 필요가 있다.
이를 위하여 본 연구에서는 전국 시군구를 대상으로 공간 특성을 고려하여 환경요인으로 대기오염물질배출량과 건강요인으로 천식 유병률간의 핫스팟 지역을 파악하고, 시공간 특성을 고려하여 대기오염물질배출량 구간별 천식 핫스팟 지역을 탐색하고자 한다. 또한 시공간 핫스팟 지역으로 탐색된 지역에 대하여 대기오염물질배출량 특성을 파악하여 관리 방향에 대하여 제시하고자 한다.
2. 연구방법
2.1 연구 대상지역 및 분석자료
본 연구는 5년간(2015~2019년) 전국을 대상으로 대기오염물질배출량과 천식의 시공간 특성을 고려한 핫스팟 지역을 탐색하고 핫스팟 지역에 대한 대기오염물질배출량 특성을 분석하는 것을 목표로 하고 있으며 공간적 범위는 시군구(250개, 2019년 기준)를 대상으로 하였다.
대기오염물질배출량은 국가미세먼지정보센터에서 운영하는 대기정책지원시스템(Clean Air Policy Support System, CAPSS)의 연도별, 지역별 대기오염물질배출량을 활용하였다. CPASS는 대기오염물질 배출목록(Air Pollutants Emission Inventory)에 근거한 배출 정보 종합시스템으로, 체계적인 기초 자료 수집⋅관리를 통해 대기환경 정책 수행에 필요한 배출량 통계 정보를 산정⋅제공하는 시스템으로 점⋅면⋅이동오염원에서 배출되는 9가지 대기오염물질(TSP, PM2.5, PM10, SOx, NOx, VOCs, NH3, CO, BC) 배출량을 매년 산정한다(National Air Emission Inventory and Research Center, 2025). 산정한 배출량은 국가 대기오염물질 배출량 서비스를 통해 오염물질별, 13개 배출원별, 지역별 등 다양한 유형의 통계 자료로 제공한다. 본 연구에서는 배출원별, 시군구별 대기오염물질배출량을 합산하여 2015년부터 2019년까지 자료를 구축하였다(Table 1).
Table 1
Input Variables
건강영향으로 천식과 관련한 자료는 국민건강보험공단의 건강보험 청구자료를 이용하였다. 진료개시일자를 기준으로 2015년부터 2019년까지 건강보험 청구자료 중 주상병명과 부상병명이 국제질병분류코드(International Classification of Diseases, ICD-10)가 J45~46 (천식)이며 진료형태가 입원 또는 외래인 건강영향을 분석대상으로 하였다. 천식 입원 또는 외래자료는 성별과 연령별로 표준화한 인구 10만명당 천식 유병률을 산정하였다. 표준화된 인구분포(2005년 연앙인구 활용)에 적용해 표준화된 율(rate)을 직접 산출하는 직접 표준화(Direct standardization)법을 이용하여, 시군구별 연간 천식으로 인한 유병률을 성별과 연령 표준화된 율(age and sex standardized rate)의 형태로 산출하였다.
2.2 연구방법
본 연구에서는 시공간 특성을 고려한 대기오염물질과 천식의 핫스팟 분석에 있어서 크게 공간 탐색과 시공간 탐색 두가지 단계로 나누어 분석하였다. 시군구 차원에서 공간 탐색을 통한 대기오염물질배출량과 천식의 핫스팟 지역의 공간 일치성에 대한 비교는 GIS의 Hotspot Analysis Comparison을 이용하였고 시공간 탐색을 통한 대기오염물질배출량과 천식의 핫스팟 지역 분석은 SaTScan를 적용하였다. 두 분석은 공간과 시공간 특성이 고려된 지역 단위 탐색을 위하여 고안된 면분석(area analysis) 기법 중 하나이다.
2.2.1 Hotspot Analysis Comparison
환경 분야에서 지역별 분포 특성을 파악하기 위하여 환경유해인자나 건강요인이 공간적으로 높은 값을 띄며 군집해 있는 핫스팟 지역을 탐색할 수 있다.
핫스팟 지역 탐색을 위해서는 전통적으로 핫스팟 분석(Getis-Ord-Gi*) 방법이 가장 많이 활용되고 있다. Hotspot Analysis Comparison 방법론은 다른 두 변수의 핫스팟 군집 분포를 비교하기 위한 방법으로, 각 변수의 핫스팟 분석(Getis-Ord-Gi*) 결과를 투입하여 분석을 진행한다. Getis-Ord-Gi* 방법은 각 변수의 z-score에 해당하는 Gi* 통계량을 반환하며, 이 Gi* 통계량이 높거나 낮은 특징이 공간적으로 군집하는 위치를 탐색하게 된다. Getis-Ord-Gi* 통계량은 Eq. (1)과 같이 계산한다(Lee and Kim, 2024).
여기서, xj 는j 지역의 속성자료이며 x ¯
Hotspot Analysis Comparison에서는 각 변수의 핫스팟 분석 결과에서 나타나는 핫스팟, 콜드스팟의 유의수준 범주(99%, 95%, 90%)와 군집 간 거리를 고려하여 그들의 유사성과 연관성을 측정한다. 유의수준 범주의 조합을 시각화하여 지도로 나타내며 이는 각 변수의 공간 군집 분석 결과 나타난 핫스팟과 콜드스팟의 공간 위치상 나타나는 중첩 결과를 보여준다(ESRI Arc Gis Pro, 2025).
Hotspot Analysis Comparison 분석을 통해 두 변수의 핫스팟 군집분석 결과의 공간적 일치성을 유형화할 수 있으며, 단순 중첩과는 달리, 군집 간 중첩 유형을 명확히 확인하여 분류할 수 있다는 점에서 의미가 있다. 군집 중첩 결과는 ‘A to B’로 나타나며 A (대기오염물질 배출량)와 B (천식 유병률)는 각각의 변수를 의미하고, 중첩 결과로 나타나는 유형은 핫스팟(Hot), 콜드스팟(Cold), 핫스팟과 콜드스팟에 해당안되는(Not sig)의 조합인 총 9가지로 나타난다. 예를 들어 ‘Hot to Hot’은 두 변수 모두 핫스팟인 지역을 의미하고 ‘Hot to Cold’는 A 변수는 핫스팟, B 변수는 콜드스팟인 지역을 의미한다. ‘Not sig to Hot’은 A 변수는 Not significant, B 변수는 핫스팟인 지역을 의미한다. 본 연구에서는 ArcGIS Pro 3.1의 Hotspot Analysis Comparison를 사용하여 대기오염물질배출량과 천식 유병률의 핫스팟과 콜드스팟 군집의 공간분포 특성을 비교하고자 한다.
2.2.2 시공간 고려 핫스팟 분석
시군구의 천식과 대기오염물질배출량 구간별 천식 핫스팟(Hotspot) 지역을 탐색하기 위하여 시공간스캔통계량(spatiotemporal scan statistics, SaTScan)을 활용하였다. SaTScan은 Kulldorff가 미국 국립암연구소(National Cancer Institute)와 함께 개발한 공간통계 분석 프로그램으로 원형과 타원형 등의 정의된 모양의 윈도우(window) 크기와 위치를 바꾸며 대상지역 전체를 훑어 우도비에 로그를 취한 로그 우도비(log likelihood ratio, LLR)에 기초하여 통계적 군집(cluster)을 탐색하여 클러스터를 찾아낸다(Kulldorff, 2018). 핫스팟 지역은 클러스터 지역을 의미한다. 연구대상지의 모든 탐색모형에 대한 우도비를 계산하고, LLR의 최대값을 구하면 그때의 탐색모형이 가장 유의한 클러스터(primary cluster)가 되며 다음으로 유의한 클러스터들(secondary clusters)을 비슷한 방법으로 찾을 수 있다(Han and Lee, 2016). 우도비의 크기로 클러스터가 결정되며 클러스터로 탐색된 지역과 시기가 바로 시공간 집중적으로 발생한 핫스팟 지역이 된다(Kang, 2007). SaTScan은 자료 형태에 따라 베르누이 모델, 포아송 모델, 다항 모델, 지수 모델, 정규 모델 등 다양한 확률 모델에 대하여 개발되었다.
대상지역의 변수인 환자수와 인구수를 토대로 원형 윈도우의 25% 크기를 설정해 천식에 대한 핫스팟 분석을 위해서 SaTScan의 포아송 모델(Possion model)을 활용하였으며, 포아송 모델에 대한 우도비λ는 Eq. (2)와 같다(Kulldorff, 2018).
여기서, C는 전체 수를 의미하며, c는 관찰된 값을 의미한다. E[c]는 관찰된 값에 의한 기대값을 의미하며, I()는 지표 함수를 의미한다.
환경요인과 건강영향의 시공간을 고려한 지역적 분포 특성을 파악하기 위하여 본 연구에서는 SaTScan의 다항 모델(Multinomial model)을 적용하여 대기오염물질배출량의 구간(4분위)에 대한 범주를 설정하고 이에 따른 천식 핫스팟 분석을 실시하였다. 다항 모델은 통계적으로 범주에 따라 다른 질병 유형 분포를 갖는 질병 클러스터를 탐색하는데 사용된다.
다항 모델에서 탐색 창에 주어진 우도비 통계량은 Eq. (3)과 같다(Moon et al., 2023).
여기서, cik는 i지역 내의 k범주에 속하는 사례 수를 의미하며, z는 탐색 창을, 범주에 속하는 총 사례수는 Ck이며 C는 연구 지역 전체의 총 사례 수 이다.
또한, SaTScan은 시간의 고려에 따라 과거에 시공간집중이 발생했던 공간과 시간적 범위를 찾는 후향적 분석(retrospective analysis)과 최근 상황을 근거로 시공간집중이 발생하고 있는 지역을 찾는 전향적 분석(prospective analysis)의 두가지 형태로 구분된다(Aturinde and Mansourian, 2022). 후향적 분석은 과거에 발생한 클러스터를 연구하는 데 도움이 되며, 전향적 분석은 최신의 클러스터를 스캔하는 데 도움이 된다. 전향적 분석은 질병의 확산을 체계적으로 모니터링하고, 새로운 발병 지역을 예측하고, 클러스터를 분석할 때 적용된다(Agrawal, 2022).
본 연구에서는 특정 시점에 대기오염물질배출량과 천식이 집중되었던 지역을 탐색하기 위한 후향적 분석과 현재 진행형의 시공간 집중의 범위를 파악할 수 있는 전향적 분석을 실시하였다. 우도비와 핫스팟 분석은 SaTScan v10.2.5를 사용하였으며 ArcGIS Pro 3.1을 이용하여 지도화하였다.
3. 연구결과
3.1 대기오염물질배출량과 천식 기본통계량 및 Hotspot Analysis Comparison
2015년부터 2019년까지의 대기오염물질배출량과 전체연령의 천식 유병률에 대한 추세를 파악한 결과는 Fig. 1과 같다. 전국의 전체 대기오염물질배출량은 2015년 연간 4,375,876톤에서 2019년 4,073,599톤으로 약 7% 감소하였으며 5년간 지속적으로 감소하는 추세를 보였다. 성별-연령 표준화된 천식 유병률은 2015년 인구 10만명 당 2,851명에서 2019년 2,283명으로 감소하였으며 2015년을 제외하고 4년간 지속적으로 전국의 천식 유병률이 감소하는 추세를 보였다.
2015년부터 2019년까지 전국 시군구의 대기오염물질배출량과 천식 유병률의 기본통계량은 Table 2와 같다. 2015년 시군구의 평균 대기오염물질배출량은 평균은 17,504톤으로 2019년 평균 16,294톤 보다 높았으며 이는 전국 대기오염물질배출량 추세와 유사하게 나타났다. 천식 유병률 역시 2015년 평균 인구 10만명당 2,851명에서 2019년 2,283명으로 전국 천식 유병률과 마찬가지로 감소하는 추세를 보였다. 대기오염물질배출량과 천식 유병률의 변동계수(sd/mean)를 계산하면 대기오염물질배출량은 2015년 1.29에서 2019년 1.30으로 지역별 차이가 연도별로 크게 나타나지는 않았다. 천식 유병률의 변동계수도 2015년 0.30에서 2019년 0.35로 지역별 차이가 크지 않았다.
Table 2
Statistics of Air Pollution Emissions and Asthma Rate for Metropolitan and Basic Local Governments in Korea (2015~2019)
연구 기간 동안 환경요인 중 대기오염물질배출량과 전체연령의 천식 성⋅연령표준화 유병률(인구 10만명당)의 공간적 일치성을 보이는 핫스팟 지역을 탐색하였다. 분석 결과 유형을 구분하는 ‘A to B’에서 A는 대기오염물질배출량을, B는 천식 유병률을 나타내며, 핫스팟 분석 결과를 중첩하면 Fig. 2와 같다. 대기오염물질배출량-천식 유병률 핫스팟 비교 결과 충남 일부 시군구와 포항시는 5년간 지속적으로 대기오염물질배출량과 천식 유병률이 공간적으로 높은 값을 띄며 군집해 있는 ‘Hot to Hot’ 핫스팟 지역으로 탐색되었다. 전국의 평균 대기오염물질배출량과 천식 유병률이 감소추세더라도 일부 지역은 대기오염물질배출량과 천식 유병률이 다른 지역보다 지속적으로 높은 핫스팟 지역으로 나타났다. 두 변수 중 하나만 높은 Hot to Not Sig 또는 Not Sig to Hot 유형으로, 대기오염물질배출량만 높은 군집을 이루는 Hot to Not sig 유형은 충청 일부 지역에서 높게 나타났으며, Not Sig to Hot 유형으로 천식 유병률이 높은 값의 군집 지역은 지속적으로 전라남도 일부 지역으로 나타났다. 강원도 일부 지역은 대기오염물질배출량은 핫스팟과 콜드스팟에 해당되지 않으나 천식은 낮은 군집을 이루는 Not sig to Cold 유형에 지속적으로 포함되었다. 5년간 대기오염물질배출량과 천식 유병률이 모두 낮은 Cold to Cold 유형에 속하는 지역은 없는 것으로 나타났다.
3.2 시공간을 고려한 대기오염물질배출량과 천식의 핫스팟 분석
공간적 일치성에서 특정 패턴을 보였던 대기오염물질배출량과 천식에 대하여 시공간집중이 발생하는 지역을 탐색하였다. 우선 천식에 대한 핫스팟 지역을 탐색하기 위하여 SaTScan의 포아송 모델을 이용하여 후향적 분석과 전향적 분석을 실시하였다.
2015년부터 2019년까지 전국 250개 시군구를 대상으로 건강보험 청구자료의 천식에 대한 입원 또는 외래 환자수를 활용하여 핫스팟을 분석한 결과, 분석 모형에 따라 클러스터 범위와 위치에 차이가 나타났다. 과거에서부터 시공간집중이 발생한 지역을 탐색하는 후향적 분석결과 모두 2015~ 2016년에 천식이 집중적으로 발생하였으며, 클러스터 1에 해당하는 지역은 광주광역시와 전라남도, 경상남도 일부 지역으로 나타났다(Fig. 3(a)). 이들 지역은 현재 진행형으로 천식이 집중적으로 발생하는 지역을 탐색하는 전향적 분석에서도 대부분 클러스터 1에 해당하였다(Fig. 3(b)). 클러스터 2 지역의 경우 후향적 분석에서는 경상북도와 경상남도 일부 지역으로 나타났으며, 전향적 분석에서는 충청남도 일부 지역으로 나타났다. 전향적 분석과 후향적 분석 결과를 중첩하여 과거와 현재 모두 천식이 집중적으로 발생한 핫스팟 지역으로 보라색에 포함된 지역은 45개 시군구로 인천광역시(4개), 광주광역시(5개), 충청남도(7개), 전라북도(4개), 전라남도(18개), 경상북도(2개)와 경상남도(5개) 일부 지역으로 나타났다(Fig. 3(c)).
천식 입원 또는 외래 환자수의 시공간 집중이 발생한 핫스팟 분석 결과 우도비의 차이로 가장 유의한 지역인 클러스터 1 (primary cluster)은 후향적 분석과 전향적 분석 모두 광주광역시와 전라남도에 속한 지역으로 탐색되었다. 후향적 분석은 2015~2016년 천식이 집중적으로 발생하였으며, 클러스터 1에 속한 39개 지역의 상대위험비(RR)는 1.36으로 나타났다(Table 3). 이들 지역 중 특히 전라남도 영광군이 RR 2.00으로 다른 지역보다 천식 상대위험비가 높게 나타났다. 후향적 분석(2015~2016년)의 클러스터 2는 경상도에 속한 27개 지역으로 천식 RR은 1.29로 나타났으며, 전향적 분석(2018~2019년)에서는 충청남도에 속한 7개 지역으로 천식 RR은 1.27로 나타났다. 충청남도 당진시의 경우 후향적 분석과 전향적 분석 모두 클러스터5에 해당하였으며, 2015~2016년(후향적 분석)의 RR은 1.56에서 2018~2019년(전향적 분석) RR은 1.33으로 천식 상대위험비는 감소하였으나, 과거와 현재 지속적으로 천식 발생이 높은 지역에 해당하였다. 천식의 핫스팟 분석 결과는 P값이 0.001 이하로 통계적으로 유의하였다(Table 3).
Table 3
Spatial Scan Statistics Applied to Asthma in Korea (2015~2019)
SaTScan의 다항 모델을 적용하여 대기오염물질배출량의 구간(4분위)에 대한 범주를 설정하고 이에 따른 천식 핫스팟 분석을 실시하였다. 포아송 모델의 후향적, 전향적 분석과 마찬가지로 다항 모델의 후향적 분석도 2015~2016년에 천식이 집중적으로 발생하는 지역이 탐색되었으며, 전향적 분석은 2018~2019년에 천식이 집중적으로 발생하는 지역이 탐색되었다.
천식이 집중적으로 발생한 지역과 대기오염물질배출량 4구간에 따른 분석 지도화 결과는 Fig. 4와 같다. 후향적 분석 결과에서는 2015~2016년 평균 대기오염물질배출량을 4구간(25% 이하, 25~50%, 50~75%, 75% 이상)으로 구분하여 지도화하였으며(Fig. 4(a)), 전향적 분석에서는 2018~2019년 평균 대기오염물질배출량을 4구간으로 구분하여 지도화하였다(Fig. 4(b)). 후향적 분석과 전향적 분석 모두 클러스터 1 속하여 천식이 집중적으로 발생하며 4구간별 천식 상대위험비에 차이가 발생한 지역은 세종시, 경기도(2개), 충청남도(13개), 충청북도(1개)에 속한 16개 지역으로 나타났다. 현재 진행 중인 천식 핫스팟 지역으로 클러스터 2에 속한 지역은 전라남도(2개), 경상남도(6개)에 속한 8개 지역으로 나타났다.
다항 모델을 사용하여 시공간적 클러스터를 탐색한 결과, 연구 기간 동안 천식에 대해 유의미한 클러스터가 나타났다(Table 4). 구체적으로, 후향적 분석에서는 한 개의 통계적으로 유의미한 클러스터를 보였다(P = 0.001). 대기오염물질배출량 구간에 따라 배출량 하위 25%보다 상위 25%의 천식 상대위험비(2.79)가 가장 높게 나타났다. 전향적 분석에서는 두 개의 통계적으로 유의미한 클러스터를 보였다(P = 0.001). 클러스터 1에 속한 지역은 후향적 분석과 동일한 지역으로 배출량 하위 25%보다 상위 25%의 천식 상대위험비(2.92)가 가장 높게 나타났다. 클러스터 2의 경우도 배출량 하위 25%보다 상위 25%의 천식 상대위험비(2.23)가 가장 높게 나타났다. 두 분석 모두 대기오염배출량이 낮은 지역보다 높은 지역에서 천식의 유의미한 클러스터가 포함되었다.
Table 4
Retrospective Space-Time & Prospective Space-Time Analysis Cluster Statistics by Multinomial Model of Asthma in Korea (2015-2019)
| Category | Observed | Expected | Observed/Expected | RR |
|---|---|---|---|---|
| Retrospective Space-Time analysis | ||||
| Cluster 1, form 2015 to 2016* | ||||
| 1 (Emisson Lower 25%) | 0 | 36,406 | 0.00 | 0.00 |
| 2 | 6,307 | 45,657 | 0.14 | 0.13 |
| 3 | 22,384 | 58,014 | 0.39 | 0.38 |
| 4 (Emisson Upper 25%) | 179,331 | 67,945 | 2.64 | 2.79 |
| Prospective Space-Time analysis | ||||
| Cluster 1, form 2018 to 2019* | ||||
| 1 (Emisson Lower 25%) | 0 | 33,400 | 0.00 | 0.00 |
| 2 | 5,086 | 41,888 | 0.12 | 0.12 |
| 3 | 13,330 | 53,224 | 0.25 | 0.24 |
| 4 (Emisson Upper 25%) | 172,431 | 62,335 | 2.77 | 2.92 |
| Cluster 2, form 2018 to 2019* | ||||
| 1 (Emisson Lower 25%) | 2,487 | 10,872 | 0.23 | 0.23 |
| 2 | 6,954 | 13,635 | 0.51 | 0.51 |
| 3 | 7,996 | 17,325 | 0.46 | 0.46 |
| 4 (Emisson Upper 25%) | 44,686 | 20,291 | 2.20 | 2.23 |
3.3 핫스팟 지역의 대기오염물질배출 특성
공간 특성을 고려하여 대기오염물질배출량과 천식 유병률에 대하여 높은 값의 군집을 보이며 SaTScan 다항 모델에서 현재 대기오염물질배출량 구간별 천식 상대위험비의 유의미한 값의 차이를 보인 클러스터 1과 클러스터 2 핫스팟 지역에 대한 대기오염물질 배출원 부문별 특성을 살펴보았다(Fig. 5).
Fig. 5
Composition Ratio of Air Pollutant Emissions by Emissions by Source Category (2018-2019 Cumulative)
다항 모델에서 시공간 집중이 발생한 2018년과 2019년의 누적 대기오염물질배출량 값을 이용하여 배출원별 구성비율을 파악하였는데 대부분의 충청남도가 속한 클러스터 1의 경우 제조업 연소(17.09%) > 생산 공정(13.73%) > 에너지산업 연소(11.45%) > 도로이동오염원(10.66%) > 비도로이동오염원(10.14%) 순으로 배출원 비율이 나타났다(Fig. 5(a)). Hwang et al. (2023) 연구에서 제시하였듯이 충청남도의 경우 석탄화력발전, 제철소, 석유화학단지 등 대형배출시설에 의한 영향이 크기 때문에 제조업 연소, 생산 공정, 에너지 산업의 비율이 높게 나타난다. 클러스터 2에 속한 지역은 전라남도 여수시, 광양시, 경상남도 통영시, 사천시, 고성군, 하동군 역시 대규모 석탄화력발전소나 석유화학단지 등이 위치하고 있어 생산 공정(32.81%), 제조업 연소(19.35%), 에너지산업 연소(18.37%)의 대기오염물질배출량 비율이 높게 나타났다(Fig. 5(a)). 제조업 연소에서는 기타 과정에서 연료 연소로 인한 배출량 비율이 가장 높았으며, 사업유형 중 클러스터 1과 2 모두 제1차 금속산업에 의한 비율이 가장 높았다. 생산 공정의 경우 클러스터 1의 경우 제철제강업(43.4%)이 가장 높은 비율을 보였으며 석유제품산업(34.5%)이 다음으로 높은 비율을 보였다. 클러스터 2의 경우는 석유제품산업(37.4%)의 배출량 비율이 가장 높고 제철제강업(36.7%)의 배출량 비율이 높게 나타났다. 에너지산업 연소에서는 클러스터 1, 2지역 모두 공공발전시설이 배출량의 가장 높은 비율을 차지하였으며, 이는 클러스터 1과 2 지역에 대규모의 석탄화력발전소가 위치하고 있기 때문이다. 핫스팟 지역 모두 비도로 이동 오염원의 경우 선박의 배출량이 차지하는 비율이 높으며 도로 이동오염원은 트럭이 차지하는 비율이 높은데 이는 대규모 사업장 운영의 연쇄작용으로 인한 물류 이동과 연결된 것으로 보인다.
대기오염물질배출량과 천식 발생 핫스팟 지역은 대규모 사업장이 위치하고 있다는 특성을 가지고 있으며, 이들 사업과 연계되어 비도로, 도로오염원에도 영향이 있다. 개별 지역 단위 또는 대기오염배출원의 관리뿐만 아니라 사업과정과 지역간의 연계성을 고려한 관리가 필요한 부분이다.
4. 결 론
본 연구에서는 전국 시군구의 전체 대기오염물질배출량과 천식의 공간적, 시공간적 특성을 고려한 핫스팟 지역을 탐색한 결과 전국의 평균 대기오염물질배출량과 천식 유병률이 감소추세이지만, 일부 지역은 대기오염물질배출량과 천식 발생이 다른 지역보다 지속적으로 높은 핫스팟 지역으로 나타났다. 또한 핫스팟 지역 대기오염물질배출량의 배출원 부문별 특성을 파악한 결과 지역의 대규모 사업장이 위치한 특징을 보였다. 공간통계기법을 활용하여 대기오염물질배출량과 천식의 핫스팟 지역을 탐색한 본 연구의 주요 연구성과는 다음과 같다.
첫째, 환경요인과 건강요인이 고려된 지역 특성을 반영한 정책 개입을 위한 지역 진단의 근거 자료로서 본 연구 결과를 활용하여 대기오염물질배출량과 천식 발생이 높은 핫스팟 지역에 대한 우선적인 관리가 이루어질 수 있다. 이는 환경오염 취약지역을 벗어난 직접적인 규제나 관리 등의 정책 투입으로 인한 정책의 효율성을 낮추는 일이 발생하지 않도록 할 수 있다. 공장의 대기오염물질 배출 제한 등의 규제가 천식 환자수 감소에 유의미한 결과를 보인 사례가 있다(Li et al., 2010). 핫스팟 지역의 대기오염물질 배출원 특성 자료를 활용하여 사업장 규제 등의 관리가 필요한 부분을 파악할 수 있는 정보로 활용할 수 있다. 국내에서는 사업장 규제에 있어 배출량을 통한 발생규제와 관련한 내용이 대부분으로 사업장의 배출량만을 고려하여 규제하는 것뿐만 아니라 건강영향, 지역특성을 반영하여 지역의 배출량 관리가 이루어질 수 있다.
둘째, 핫스팟 지역은 개별 시군구를 중심으로 탐색되는 것이 아닌 여러 시군구가 핫스팟 지역으로 탐색된다. 전술하였듯이 개별 지역 단위가 아닌 권역별 관리에 있어서 본 연구의 결과가 활용될 수 있다. 미세먼지에 대한 국민적 관심과 우려가 증가하면서 2019년에 “미세먼지 관리 종합계획(2020~2024)”이 수립되었고 “미세먼지 저감 및 관리에 관한 특별법”과 “대기관리권역의 대기환경개선에 관한 특별법(이하 대기관리권역법)”이 수립되었다(Hwang et al., 2023). 대기관리권역법은 크게 4개 권역으로 구분되는데 수도권(서울, 인천, 경기), 중부권(대전, 세종, 충북, 충남), 남부권(광주, 전남), 동남권(부산, 대구, 울산, 경북, 경남)으로 나뉜다. 본 연구의 핫스팟 분석에서 탐색된 지역 중 경남 통영시, 사천시를 제외하고 모두 대기관리권역에 속해있다. 이들 지역에 대한 관리에 있어 대기오염물질배출량과 천식 발생의 정량적인 분석이 이루어진 핫스팟 결과를 활용하여 시공간적으로 다른 지역보다 천식 발생이 높은 지역 등 대기오염이 큰 피해를 미칠 수 있는 지역에 대해서 집중 관리가 이루어질 수 있다.
셋째, 공간통계기법 중 하나로 공간 특성을 고려한 Hotspot Analysis Comparison와 시공간 특성을 고려한 SaTScan의 핫스팟 분석에 대하여 환경보건 분야의 적용성을 확인 할 수 있었다. 지역 특성을 고려한 환경보건 분야에서 취약지역을 탐색할 수 있는 방법으로 핫스팟 분석을 활용할 수 있다. 환경에서는 환경, 사회, 경제 등 다양한 분야를 고려하여 환경의 불균형 노출위험과 사회경제적 수준에 따른 지역 차이를 파악할 필요가 있다. 본 연구에서 활용한 핫스팟 분석은 단일 요인에 대한 지역별 핫스팟을 탐색하는 것 뿐만 아니라 관련성 있는 요인을 고려하여 핫스팟 지역을 탐색할 수 있는 기법을 적용하였다. 향후 건강영향과 관련한 다양한 요인을 대상으로 핫스팟 분석을 적용하여 시간에 따른 변화양상을 파악할 수 있으며 분석 자료와의 연계분석이 가능하다.
본 연구에서 시공간적 특성을 고려한 대기오염물질배출량과 천식 핫스팟을 탐색하고 대기오염물질 배출원 특성을 파악하여 성과를 제시하였으나 몇 가지 제한점이 있다. 첫째, 본 연구는 전체 대기오염물질배출량을 대상으로 핫스팟 지역을 분석하였으며, 개별 오염물질에 의한 건강영향과의 공간적 상관성을 파악하지 못한 한계점이 있다. 전체 대기오염물질배출량과 천식의 시공간적 핫스팟 분석은 단편적인 부분에서 환경요인과 건강영향의 지역 특성을 파악한 것으로 향후 배출원 특성을 고려하여 개별 오염물질과의 핫스팟 분석이 필요하다. 둘째, 천식 발생 등 건강 불균형에 기여하거나 기여할 것으로 예상되는 요소는 대기오염물질배출량 이외에도 기상 요인, 사회경제적 요인, 지역적 요인, 인구 요인 등 다양한 요인에 의한 영향을 받는다. 습도, 기온 등의 기상 요소는 그 자체로 천식 환자의 경과에 영향을 주지만, 대기오염물질과의 상호작용을 통해 천식 환자의 경과에 대한 악영향은 증강되기도 한다(Park, 2018). 하지만 본 연구에서는 핫스팟 지역의 특성을 파악하는데 있어 대기오염물질배출량의 단편적인 요인만을 살펴보았다. 환경보건 분야에서 지역단위의 취약지역이나 위험지역에 대한 탐색과 취약요인을 파악하기 위해서는 향후 다양한 요인을 파악할 필요가 있다.
환경유해인자와 건강영향 인자를 고려하여 핫스팟 지역을 파악하고 관리하는 것은 한정된 재원과 인력을 효율적으로 활용할 수 있는 방법 중 하나이다. 또한 지역 단위의 환경보건 모니터링과 집중 관리가 필요한 지역에서 본 연구결과가 과학적인 근거로 활용될 수 있다.
PDF Links
PubReader
ePub Link
Full text via DOI
Download Citation
Print
