Home

지역 특성이 온실가스 배출량에 미치는 영향에 대한 선행연구를 통하여 본 연구는 시군구 단위의 지역특성에 따른 1인당 온실가스 배출량에 차이가 있는가? 연구질문으로 설정하였으며, 선행연구의 이론을 바탕으로 지역특성 및 발전소입지에 따른 1인당 온실가스 배출량과의 관계를 실증하기 위해 “지역특성이 1인당 온실가스 배출량에 유의미한 영향을 줄 것이다.를 연구가설로 설정하였다.

연구자들마다 상이한 내용을 제시하고 있으나, 본 연구진은 선행연구를 통해 조사항목(변수)들을 도출하는 과정에서 온실가스 배출량에 영향 주는 유의미한 도시 특성 변수들 중 높은 빈도로 제시된 변수들을 중심으로 도출하여 조사항목을 구성하였으며, 이에 따라 7가지 도시 특성을 분류화하였으며, 총 24개의 변수 중 높은 빈도의 14개 변수를 도출하고 온실가스 관련 특성, 사회적 특성, 경제적 특성, 토지이용 특성, 교통환경 특성, 산업 특성, 자연환경 특성으로 분류하였다. 이에 대한 내용은 다음 <표 3>와 같다. 또한, 추가적으로 발전소의 입지에 따른 영향도 알아보기 위하여 이와 관련한 변수를 추가하여 연구를 진행하였다.

본 연구의 공간적 범위를 설정하기 위하여 온실가스 종합정보센터에서 제공하는 2021년 지역별 온실가스 인벤토리(1990-2019) 자료를 기반으로 높은 배출량의 추세를 보이고 있는 충청남도, 경기도, 전라남도 지역의 시군구 단위로 범위를 설정하였다.

또한, 시간적 범위의 경우 산림면적 변수, 1인당 지방세 부담액, 용도지역 데이터 등의 시계열 데이터의 한계가 있음에 따라 연구의 시간적 범위를 2015년 단일 연도로 설정하였다. 선행연구에서는 다루지 않았던 발전소 데이터의 경우 해당 지역 내 발전소 존재 유, 무로 인한 영향도 알아보기 위하여 변수로 구성하였다.

신재생 에너지 발전 관련 변수의 경우 한국전력통계 기준 2016년부터 집계되어 있으므로 연구의 범위에 맞지 않아 제외하였다. 온실가스 및 에너지 특성변수는 1인당 직･간접 및 전력사용량, 석유사용량을 특성변수로 사용하였으며, 추가적으로 군집지역의 발전소 입지여부도 알아보기 위하여 더미데이터를 구축하였다.

온실가스 특성변수의 중 1인당 직･간접 온실가스 배출량에 대한 자료는 한국환경연구원 내부자료를 활용하였으며, 석유사용량은 한국 석유공사(www.petronet.co.kr)의 시군구별 산업별소비 데이터를 활용하였다. 또한, 전력사용량 및 발전소 입지 데이터는 전력통계정보시스템(EPSIS)의 발전설비현황 자료와 한국전력공사(KEPCO) 자료를 기반으로 구성하였다.

사회인구 특성 변수는 인구밀도가 여러 연구에서 높은 빈도로 유의한 변수로 나타남에 따라서 본 연구에서도 변수로 채택하였다. 경제 특성 변수에는 1인당 지방세 납부액과 재정자립도가 유의한 변수로 활용되었으나 지방세가 재정자립도에 포함되므로 빈도수가 높은 1인당 지방세 납부액만 채택하였다. 토지이용 특성의 경우 시가화면적율, 주거지역비율, 상업지역비율, 공업지역비율이 유의미한 변수로 빈도수가 높았으나 시가화면적율이 주거, 상업, 공업지역 면적비율을 합산한 값이므로 좀더 구체적인 유형화를 위하여 시가화면적율을 제외한 주거지역비율, 상업지역비율을 채택하였다.

교통 특성의 경우 1인당 차량등록 대수가 유의미한 높은 빈도수의 변수로 나타났으며, 산업 특성의 경우 높은 빈도로 분석된 유의미한 변수가 없었으나 선행연구에서 사용된 1차, 2차 산업 비율, 종사자 비율변수, 에너지 다소비 산업체 수 변수를 채택하였다. 1차산업의 경우 농업, 임업 및 어업, 2차산업의 경우 광업, 제조업, 전기, 가스, 증기 및 수도사업, 건설업, 에너지 다소비 산업의 경우 여러 선행연구에서와 같이 2차 산업 중 화학물질 및 화학제품 제조업, 의약품 제외, 비금속 광물제품 제조업, 1차 금속 제조업을 대상으로 하였다(김태헌･임덕오･김윤, 2014; 양혜미･송재민, 2017; 오형나, 2011).

자연환경 특성변수의 경우 산림면적이 매우 높은 빈도의 유의미한 변수로 나타났다. 또한 지역 간 용도지역에 따른 해당 면적, 차량보유대수 등을 표준화하기 위하여 1인당 비율로 설정하였으며, 1차산업, 2차산업의 비율은 해당지역에 소재하고 있는 사업체 중 차지하는 비율을 설정하였다. 이에 대한 내용은 다음 <표 4>와 같다.

지역 유형화와 관련한 대부분 선행연구에서는 주성분분석, 요인분석, 군집분석 등을 활용하고 있었다. 특히, 지역의 다면적인 특성을 반영하기 위해 다양한 지표를 설정하여 요인분석을 진행하고 요인점수에 대해 군집화하여 분석함으로써 지역을 구분하는 방법이 많이 이용되고 있다(남궁근 등 2010; 송민경･장훈 2010; 양혜미･송재민, 2017; 이건원 2017; 이종상 2002). 요인분석 특징으로 요인분석은 여러 개의 변수들을 몇 개의 공통된 요인으로 묶어줌으로써 자료의 복잡성을 줄이고 주성분 분석을 통해 몇 개의 요인은 정보를 요약하는데 이용하며, 불필요한 변수를 제거할 수 있어 신뢰도가 낮은 변수들을 선별하여 제거할 수 있다. 또한, 변수들 간의 상관관계를 확인하고 동일한 요인으로 묶이는지의 여부를 확인함으로써 타당성을 검정해보는데 이용이 가능하며, 회귀분석, 군집분석, 판별분석 등에 요인점수를 저장하여 적용이 가능하다(노경섭, 2016).

요인분석의 종류로는 요인분석은 여러 변수들 간 상관성을 이용하여 적은 수의 요인으로 축소시키는 방법으로 탐색적 요인분석(Exploratory Factor Analysis)과 확인적 요인분석(Confirmative Factor Analysis)로 나눌 수 있는데 본 연구에서는 변수들 간의 구조를 발견하기 위하여 탐색적 요인분석을 진행하였다(와이즈리서치, 2016). 요인분석 결과를 이용하여 군집분석을 하는 것은 지역유형 해석에 용이하고 요인간에 상관관계가 0이기 때문에 지역유형구분을 명료하게 할 수 있는 장점을 가지고 있다(이종상, 2002). 요인분석 방법으로는 두가지 종류의 방법이 존재하며, R-type 요인분석과 Q-type으로 R-type 요인분석으로 변인들을 기준으로 요인들을 구분하고, Q-type 요인분석은 개별 표본들의 케이스별로 상이한 특성을 가지는 표본들을 상호 동질적인 몇 개의 집단으로 구분하는 것으로 일반적으로 군집분석을 대체하여 진행하므로 본 연구에서 군집 분석 시 대안으로 사용하였다(노경섭, 2016). 군집분석은 각 개체의 유사성을 측정하여 높은 대상 집단을 분류하고, 군집에 속한 개체들의 유사성과 서로 다른 군집에 속한 개체 간의 상이성을 규명하는 통계분석 방법이며, 비슷한 특성을 가진 개체를 합쳐가면서 최종적으로 유사 특성의 그룹을 발굴하는데 사용하고 개별 군집의 특성은 각 군집에 속한 구성원의 평균값으로 나타낼 수 있으며, 따라서 군집 분석의 알고리즘은 군집 내 구성원의 동질성과 군집 간 구성원의 이질성을 최대화하는 방법으로 등간척도 또는 비율척도로 측정한 두 개 이상 여러 개의 분류 변인을 이용하여 서로 유사한 또는 상이한 특징을 가진 대상의 집단을 찾아내는 방법이 군집분석이다(최현철, 2013). 또한 군집분석은 기법에 따라서 계층적 군집분석과 비계층적 군집분석으로 크게 두가지로 분류되며, 군집수가 자동으로 결정되므로 군집수를 확정하기 위해 탐색적 분석으로 사용되며, 대규모 데이터처리에는 적합하지 않다. 비계층적 군집분석의 경우 군집을 설정하여 분석하여야 하므로 계층적 분석 이후 대략적 군집수를 파악하고 비계층적 군집분석을 진행하는 것이 효과적이라고 볼 수 있다(와이즈리서치, 2016). 따라서 본 연구에서는 계층적 분석을 통해 대략적 군집수를 파악하고 비계층적 군집분석을 진행하여 군집화하는 방향으로 연구를 진행하였다.

경기도, 충청남도, 전라남도 68개 시군구 도시특성 변수들 데이터의 상관성 확인, 요인분석 모델의 적절성 확인, 변수 분산이 추출된 요인들에 의한 설명도 값을 확인하기 위하여 주성분 분석을 실시하였다. 요인분석을 통하여 요인들의 특성에 따른 재분류를 진행하였고, 도시특성에 맞는 요인과 지역을 군집화하기 위하여 추출된 요인들의 분류와 요인점수를 군집분석에 적용하여 각 군집을 유형화하였다.

이후 교차분석 및 카이스퀘어 검정을 통해 군집별로 발전소 입지와 온실가스 배출량 간의 관계가 군집에 연관성이 있는지 확인하였다. 분석절차에 대한 흐름은 <그림 1>과 같다.

<그림 1> 
연구 흐름도

요인분석의 요인추출 방식으로 선행연구들의 도시 및 지역 특성 변수들을 도출하여 변수들의 요인의 선형 결합을 가정하여 자료의 총분산을 이용해 주성분 요인을 추출하였다. 도시 및 지역 특성을 보여주는 요인들 간의 전체적인 상관관계를 알아보고 주성분 요인을 추출하기 위해 하나의 요인에만 높게 적재하는 변수들을 줄일 수 있고 다중공선성 문제를 완화하기 위해 Varimax 회전방법을 적용하여 연구를 진행하였다.

또한 군집분석의 경우 연구의 특성상 데이터양이 많으며, 군집내의 지역이 중첩되는 현상이 발생됨에 따라 계층적 군집분석이 적합하지 않아비계층적 군집분석(K-means)을 진행하여 군집의 유의성 확인 및 군집이 개별화되지 않는 적합한 군집 개수를 설정하는 방향으로 연구를 진행하였다.

주성분 요인분석 결과로 사용한 모델의 표본인 68개 시군구 데이터와 변수 간 상관성이 결측값 없이 적절하였다. KMO는 변수들 간의 편상관을 확인하는 것으로 변수의 숫자와 케이스의 숫자의 적절성을 나타내는 표본 적합도를 의미하며, Barrtlett은 요인분석을 할 때 사용되는 상관계수의 행렬이 적절한지 이에 따른 모델의 요인분석 진행이 적절한지를 나타내는 값이다(노경섭, 2016). 아래 <표 5>과 같이 KMO와 Bartlett 검정 결과가 나타났으며, 기준(KMO>0.5)을 만족하여 표본의 적절성을 확인하였으며, Bartlett검정의 유의 확률 기준(p<0.05)을 만족하므로 요인분석모델은 적절한 것으로 판단된다.

공통성은 변수의 분산이 추출된 요인들에 의해 설명되는 정도를 나타내는 공통성 0과 1 사이의 값을 가지며, <표 6>과 같이 공통성 기준 (공통성>0.5) 이상의 값을 가져 각 변수의 설명이 적절함에 따라 요인 분석 적합도가 적절하다고 판단이 가능하며, 전체 변수들은 기준보다 높은 값을 가지므로 전체변수가 요인분석 적합도가 적절하다고 판단된다.

이에 따라 요인분석의 결과로 <표 7>과 같이 총 6가지의 요인이 추출되었다. 요인1의 경우 주택용, 일반용, 기타용의 전력사용량, 가정･상업부문, 수송부문의 석유배출량, 차량보유대수, 1인당 지방세, 인구수가 요인의 특성변수로 묶임에 따라 대도시의 특성을 보이는 요인의 특성이라 볼 수 있다.

요인2는 인구밀도, 주거면적비율, 상업면적비율이 요인 특성변수가 포함됨에 따라 밀집화된 중심도시의 특성요인으로 볼 수 있다.

요인3은 1인당 온실가스 배출량, 공업 면적비율, 산업용 전력사용량이 묶였으며, 이는 공업면적 비율이 넓고 산업용 전력사용량이 높음에 따라 1인당 온실가스 배출량이 높은 지역의 요인이라고 볼 수 있다.

요인4는 2차산업비율, 에너지다소비산업비율, 녹지지역 면적비율이 요인특성 변수로 묶여 2차산업과 에너지다소비산업을 보이는 지역 특성을 보였다.

요인5의 경우 1차산업비율, 산림면적, 농사용 전력사용량이 묶여 1차 산업이 발달한 농촌지역의 특성을 보였다.

요인6의 경우 산업과 공공부문의 석유배출량이 특성변수로 나타났다.

먼저 지역유형을 분류하기 위해 요인점수를 이용해 먼저 계층적 군집분석을 시행한 결과 집단 간 연결법에서 일반적인 군집화가 이루어졌으나 군집이 되지 않고 개별적･독립적으로 흩어지는 도시 및 지역들이 많이 존재하였다. 이 경우 군집이 되지 않는 도시들을 제외하고 다시 계층적 군집분석을 실시하는 방법과 군집 추출방식이 다른 비계층적 군집분석을 이용하는 방법이 존재한다(남궁근 등, 2010, p.244). 본 연구에서는 비계층적 군집분석을 통해 68개 시군구 모두를 군집화하는 방향으로, K-평균법(K-means)을 활용한 군집화를 진행하였으며, 5군집화, 7군집화, 8군집화가 유의확률 기준 (p<0.05)을 만족하는 유의한 군집 확인하였다. 8군집화 이상의 군집화의 경우 도시의 파편화가 심각하여 제외하였다. 다음 아래 <표 8>와 같이 군집분석 ANOVA 분석의 결과로 요인점수와 군집화 간의 유의확률의 차이를 볼 수 있으며, 유의확률이 가장 기준치에 적합한 군집은 8군집화이므로 군집의 케이스를 8군집화로 설정하였으며, 군집에 포함된 지역들은 다음 <표 9>과 같다.

요인점수는 각 변수의 원 데이터 값의 평균이 아니므로 크기를 나타내는 기준이 필요하다(조용준･김영화, 2007). 군집별 요인점수의 특성을 요인점수가 가장 높은 값을 가지는 군집을 1로 표현하고 낮을수록 커지는 방식으로 다음 <표 10>과 같이 표현하였으며, 1은 ‘가장 높음’, 2는 ‘높음’, 3은 ‘조금 높음’, 4~5는 ‘보통’, 6은 ‘조금 낮음’, 7은‘낮음’, 8은‘가장 낮음으로 군집의 특성을 나타냈다. 또한 더욱 자세한 비교를 위해 요인점수를 평균화하여 군집별 요인점수를 그래프화하여 <그림 2>과 같이 비교하였다.

<그림 2> 
요인점수 평균화를 통한 군집특성 분석

군집의 특성을 해석하기 위하여 각 군집별 요인점수를 순위화 하였다. 군집의 가장 강한 특성을 보인 군집으로 요인점수가‘가장 높음’ 군집 특성의 경우 군집1은 요인6, 군집2는 요인4, 군집 5는 요인2, 요인5, 군집6은 요인1, 군집7은 요인3으로 나타났으며, ‘가장 낮음’의 군집 특성의 경우 군집3은 요인2, 군집5는 요인6, 군집6은 요인3, 군집8이 요인1, 요인4, 요인5가 낮은 특성을 보였다.

군집별 특성요인에 따른 특성변수들을 정리하였으며, 다음 <표 11>, <표 12>과 같다.

발전소 입지유무에 따른 군집 간의 연관성을 알아보기 위해서 교차분석을 실시하였으며, 교차분석의 분석결과로 x²=20.477, p=0.005로 나타났다. 유의수준 0.01기준으로 통계적으로 유의하게 나타났다.

<표 13>, <표 14>와 같이 군집별 발전소 입지 유무에 따른 특성을 확인하였을 때, 군집 내 지역의 발전소가 존재하는 지역이 많은 군집은 군집1, 군집7이며, 군집5의 경우 발전소가 존재하는 지역 50%, 존재하지 않는 지역 50%였다. 이외 나머지 군집은 발전소가 존재하지 않는 지역으로 나타났다.

또한, 발전소 입지 유무에 따라 1인당 온실가스 배출량에 차이가 있는지 알아보기 위해 독립표본 t검정을 실시하였다.

그 결과로 <표 15>와 같이 t=-4.051, p=0.000으로 유의수준 0.001을 기준으로 통계적으로 유의하게 나타났다. 따라서 발전소 입지 유무에 따라 1인당 온실가스 배출량에 차이가 있다고 할 수 있으며, 발전소가 입지하지 않은 지역들의 평균은 0.01276, 발전소가 입지해 있는 지역들의 평균은 0.10121으로 발전소가 입지해 있는 지역이 없는 지역보다 상대적으로 높은 평균을 나타냈다.