1. 서 론

국내 기후변화는 전 지구 기온상승폭보다 크게 예측되고 있고, 극심한 폭염 등의 기후 이벤트의 강도도 더 강해질 것으로 예상되고 있다. 올해 전국 여름 평균기온은 평년보다 1.9°C 높은 25.6°C로 관측을 시작한 1973년 이후 가장 높았으며, 평년보다 각각 3.1배, 2.3배가 많은 가장 긴 열대야 일수(20.2일)와 폭염일수(24일)를 기록하였다(Korea Meteorological Administration 2024). 최근 5년(2019 ~ 2023)간 발생한 온열질환자는 8,677명으로 이중 81명이 사망하였고, 열 스트레스로 인한 피해는 점점 늘고 있는 추세다. 열 스트레스로 인한 피해는 전 세계적인 기후변화와 맞물려 증가하고 있고, 극한 폭염 상황에서 기록적인 온열질환자 발생이 보고되고 있다. 질병관리청에서 보고한 온열질환자수는 조사가 시작된 2011년 이후 2018년이 가장 많은 4,526명이 발생하였는데, 이때 가장 많은 31일의 폭염일수를 기록했다. 폭염일수는 열 스트레스와 관련이 높다고 알려져 있으나(Korea Disease Control and Prevention Agency 2020), 폭염일수가 약 14일, 14.2일로 유사했던 2012년과 2023년의 온열질환자수는 각각 984명, 2818명으로 약 3배 차이(Korea Disease Control and Prevention Agency 2023)를 보여 폭염일수만으로 온열질환자 발생수를 예측하는데 한계가 있다.

열 스트레스의 피해를 예방하기 위해 사용되는 지표로 과거에는 평균기온, 최고기온 등 기온만이 사용되었으나, 최근에는 체온 유지에 중요한 영향을 미치는 상대습도와 바람 등을 함께 고려한 열지수들이 사용되고 있다. WBGT (Wet Bulb Globe Temperature: 습구흑구온도)와 HI (Heat index: 열지수)는 미국에서 개발되어 20세기 후반부터 사용되고 있다. WBGT는 실외작업자(US department of health and human services 1972)를 대상으로 적용하기위해 개발되었고, HI는 일상생활을 기준 지수가 개발되었다(Koppe 2004). 온열질환자 예측 기준으로 사용하는 지수는 서로 다른데, 미국 캘리포니아주에서는 기온을 기준으로 삼고 있고(Cal/OSHA 2015), 미국 기상청은 HI 지수를 사용하여 열스트레스 관리를 하고 있다(Steadman 1979). 일본에서는 최근 대기온도에서 WBGT를 열사병 경보 기준으로 사용하고 있는데, 열사병 예측을 위해 다른 기상지표를 선택하는 것이 적합하다고 보고하였다(Guo et al. 2024, Oka et al. 2024). 열 스트레스와 관련된 중증 질환 발생은 지표온도와 관련도가 높으며, 특히 이벤트성 고온보다 고온의 지속성이 사망 위험을 높인다(Uejio et al. 2024).

직종별로 살펴보면 농업, 임업, 어업 등에 종사자의 비율이 높은 지역의 열 질환 발생이 높았고, 소득이 높은 지역이 열 스트레스로 인한 온열질환자 발생자수가 낮았다(Morris et al. 2019). 미국 버지니아주에서 MMHI (Maximum Mortality Heat Index: 일최대열지수)가 25.7°C에서 질환자가 증가하며, 농촌과 비농촌의 임계온도는 서로 달랐다(Mendrinos et al. 2024). 온열질환자 발생을 예방을 위해 교육, 수분공급 등 다양한 예방 전략과 정책이 도입되고 있고, 녹색 인프라, 도로 표면반사율, 투수면적 증가 등 표면온도를 낮추기 위해 지역 공공재를 강화하는 적극적 노력들이 진행되고 있다(Gibb et al. 2024). 성별과 업무 적응도 등 인구사회적 특징에 따라 온열질환자 발생율이 최대 12배 이상 차이가 발생하며, 교육을 통한 열사병 증상 별 높아진 조기 인식률은 연간 발생율을 15% 이상 감소시켰고, 특히 중증질환 예방에 효과가 높았다(Maule et al. 2024).

중년 남성과 청소년이 중증 질환을 포함한 열 관련 질환에 취약하였고 야외근로자 또는 중노동자 중 남성의 비율이 높은 것을 가장 유력한 원인으로 추정하고 있다(Wu et al. 2020). 취약계층인 0~5세 어린이의 국내 열 질환 발생은 최근 2일의 열파 노출과 연관이 높았고, 온도는 폭염기준보다 낮았다(Oh et al. 2024). 개인의 열 스트레스에 대한 적응력은 성별, 연령, 열 노출 경험에 따라 다르기 때문에 열 위험도와 그에 맞춘 사회적인 시스템이 구축되는 기준에 대해 차별화가 필요하다. 개인의 대처에는 사회심리학적 고정관념이 영향(Yokoi 2023)을 미치므로 온열질환자 발생을 예방하기 위해 인식전환이 필요한 영역을 찾고 이에 대한 사회적인 개입이 필요하다. 온열질환자 발생 위험이 증가하는 상황에서 사회적 인식개선이 필요한 점은 없는지에 대한 검토가 요구된다.

기존의 연구는 도시 열섬 현상의 위험성을 도시 지역에 국한하거나, 취약집단인 노령층 및 어린이를 대상으로 인구집단을 한정한 경우가 많았고 지역인구집단을 연계해 온열질환 발생 취약지역을 도출하는 연구는 거의 없었다. 이에 따라 관심 계층에 대한 확대와 지역별 상황을 고려한 지역 맞춤형 사회복지 인프라 보완 방안 수립이 필요하다. 또한, 온열질환 발생과 관련이 있는 기상 조건에 대한 검토가 중요하지만 대부분 단순한 평균기온, 최고기온만을 사용하여 다양한 기상변수에 대한 검토가 진행되지 않았다. 따라서 본 연구에서는 인구, 사회, 경제, 생태, 기후 분야와 연계된 종합적인 분석을 통해 온열질환자 발생과 관련이 높은 인자 특성을 파악하고, 예측 모델을 구축하여 취약지역별 구체적인 관리 방안을 마련할 수 있는 과학적 기반을 제공하고자 한다.

2. 연구 방법

2.1 자료 생성

2.1.1 온열질환자 및 사망자

온열질환자 및 온열질환 사망자의 통계자료는 질병관리청에서 자발적으로 참여하는 온열질환 응급실 감시체계에서 집계된 자료가 수록되어 있는 감시체계연보를 이용하였다. 질병관리청에서는 2011년부터 정보수집 참여 응급실을 대상으로 온열질환자 발생정보를 집계하고 있으며, 2020년까지 시도 단위로 집계하는 시스템에서 2021년부터 시군구 단위로 질환발생자수와 추정사망자수를 집계하여 공개하고 있다. 본 연구에서는 보다 정밀한 분석을 위해 시군구 단위로 온열질환자 일별 발생자수 자료를 공개하고 있는 2021년부터 2023년까지의 자료를 활용하여 분석에 활용하였다. 시군구별 인구 차이를 반영하기 위해 발생자수를 시군구별 10만명당 발생자수로 환산하여 분석하였다. 건강보험공단의 진료내역정보 자료는 시도단위의 자료이나 질환발생자의 인구정보가 성별, 연령에 따라 자세히 공개하고 있어 취약 인구집단을 도출을 위해 사용하였다. 건강보험공단 자료에서 연령구간별 발생자가 높은 45 ~ 49세 남성과 65세 이상 인구집단을 별도 집단으로 구분하여 분석에 사용하였다.

2.1.2 기상인자

기존의 국내 온열질환자 발생 예측 시 기상인자 중 최고기온 또는 평균기온만을 사용하여 분석하였으나 온열질환은 대표적인 기상적 질환으로 기온, 상대습도, 풍속(Baek and Lee 2024) 과 같은 복합적인 기상학적 요소들의 영향 분석이 매우 중요하기 때문에 본 연구에서는 평균기온, 최저기온, 최고기온, 평균상대습도, 평균풍속과 이를 활용해 생성하는 다양한 열 관련지수를 사용하여 분석을 진행하였다. 기상자료는 기상청 국가기후테이터센터에서 운영하는 기상정보개방포털(https://data.kma.go.kr)의 104개 종관기상(ASOS), 547개 방재기상(AWS) 자료를 일단위로 제공받아 이용하였다. 시군구별 기상자료는 주민들이 거주 및 생활하는 곳의 기상이 중요하므로 산악기상은 제외되도록 대관령을 제외한 노장 해발고도가 800 m 미만인 관측지점만 분석에 활용하였다. 기상자료의 결측 값은 내삽처리 또는 최근린거리를 계산하여 값을 대체하여 이용하였다. 각 기상자료는 각 관측지점에서 수집된 값을 기준으로 일자료의 평균값, 최고값(max), 최저값(min)을 각각 생성하고, 해당 시군구 내 한 개 이상의 관측지점에서 다시 평균값(Average), 최고값(Maximun), 최저값(Minimun)을 도출하여 시군구별 값을 도출하였다. 예를 들면 minmum Tmax로 표기한 변수는 해당 시군구의 일최고기온 중 가장 낮은 값을 의미한다. 열지수는 사람이 느끼는 실제온도를 계산한 지수로 더 정확하게 체감온도를 추정하는 지수이다. 평균복사온도는 복사열을 고려한 체감온도 측정 지표이다. 열 관련지수는 HI (Steadman 1979), KWBGT, AT (Apparent Temperature: 체감온도), DI (Discomfort Index: 불쾌지수)를 생산하여 사용하였다. 다양한 직업 및 실외 환경에서 열 스트레스를 평가하는데 널리 사용되는 WBGT는 공기의 실제 온도인 흑구온도와 온도계 끝을 물에 적셔 증발로 낮아지는 온도의 영향을 평가할 수 있는 습구온도를 사용하여 계산한다(Liljegren et al. 2008). 국내에서는 WBGT를 계산할 때 실측한 습구온도 대신 기온과 상대습도를 이용해 계산한 습구온도를 사용하고 있다(KMA National Climate Data Center 2024). 호주 기상청에서 열 관련 예경보에 사용되고 있는 AT는 사람이 습도나 바람에 따라 실제 느끼는 열 스트레스를 평가하는 지표이다(Krstić 2011, Steadman 1994). 체감온도와 관련된 지표 중 기온와 습도를 결합해 사람이 느끼는 불쾌한 온도를 정량적으로 측정한 지수는 DI로(Thom 1959), 일본, 미국, 호주 증 다양한 지역에서 열 스트레스와 건강 위험을 평가하는데 많이 사용된다. 열 관련 지수는 Eq. 1, 2, 3, 4에 따라서 계산하였다.

T: 기온(°C), RH: 상대습도(%)

Tw: 습구온도(°C), T: 기온(°C), RH: 상대습도(%)

T: 기온(°C), e: 증기압(Pa), WS: 풍속(m s^-1)

T: 기온(°C), RH: 상대습도(%)

온열질환 발생은 치명적인 고온에 노출되어 발생하기도 하지만 치명적인 고온이 아니더라도 고온에 지속적으로 노출되어 발생할 수도 있다. 열 스트레스로 인한 질병발생을 고온의 강도와 연속성 측면으로 나눠서 평가하기 위해 질병발생일 기준으로 온도기준으로 일최저기온, 일평균기온, 일최고기온이 각각 25°C, 27°C, 29°C, 31°C, 33°C, 35°C 이상인 날의 수, 해당 기온이상의 연속일수를 계산하여 변수로 이용하였다. 질환 발생자가 노출 직후 병원에 방문하지 않는 상황이 있다는 점을 고려해 응급실 방문일을 포함하여 최근 3일의 기온의 이동평균 값을 계산하여 변수로 이용하였다. 기온변화의 급진성에 대한 영향을 반영하기 위해 최근 10일, 30일간 평균기온과 3일의 이동평균간 차이를 계산하였다. 또한 기상청 열대야, 폭염주의보, 폭염경보 기준에 따라 밤최저기온 25°C 이상일 날과 2일 이상 최고 체감온도가 33°C, 35°C 인 날을 각각 계산하였다.

2.1.3 인구사회학적 인자

인구에 대한 취약성을 분석하기 위해 65세 이상 노령층과 건강보험공단 열 질환 관련 코드상 온열질환자 발생수가 높은 30 ~ 39세, 45 ~ 49세 인구, 25 ~ 64세 청장년 인구의 총 수와 남, 여 인구의 수, 1인 세대수를 해당 시군구의 총 인구 대비 비율로 계산하여 성별과 연령에 따른 분석에 이용하였다. 또한 농촌과 도시의 인구적 특성은 한국도시통계의 농어가 및 농어가 인구수와 한국국토정보공사의 도시계획현황 자료의 도시지역 인구현황 자료, 통계청 농림어업조사의 농가인구, 지역별고용조사의 직업별 취업자 자료를 이용하였다. 그 외 지역의 의료인프라와 네트워크와 관련해 이용한 자료는 Table 1과 같다. 관련자료는 국가통계포털(https://kosis.kr)과 공공데이터포털(https://www.data.go.kr)을 이용하여 수집하였다.

지표가 열을 잘 흡수하는 도로의 경우 가로수 아래와 달리 여름철 한낮에 기온이 수 도씩 높게 측정된다. 도시는 불투수 표면이 많고, 높은 건물들도 열을 잘 흡수하며 공기의 흐름을 방해하여 도시의 열섬현상을 유발시킬 뿐만 아니라 온도상승에 따른 상대습도의 반응도농촌과 차이가 있다. 지표가 어떤 물질로 덮여 있는지는 지표의 열지수에 큰 영향을 미친다(Kim et al. 2024). 지표의 피복율은 환경부 환경공간정보 세분류토지피복통계를 활용하였다. 토지피복도 자료는 2023년 자료를 활용하였다. 그 외 공원수, 녹지시설수, 사회복지시설수, 공원면적, 도로면적, 녹지면적, 비도시지역면적, 논밭면적, 면적총계 등을 변수로 이용하였다.

국가 및 지역사회의 온열질환 발생 예방을 위한 시설 및 관리시스템의 영향을 알아보기 위해 의료인프라, 복지 및 네트워크 측면에서의 인자를 분석에 이용하였다. 의료인력 현황자료와 연간 인플루엔자 예방접종률, 연간 보건기관 이용률, 주관적 건강인지율, 사회복지시설수, 건강생활실천율, 방문관리등록가구수, 방문횟수를 변수로 사용하였다.

2.2 변수선택 및 표준화

열 스트레스로 인한 지역사회적 관리 방안을 마련할 때 인위적인 요인에 의한 영향과 자연적 요인에 의한 영향을 모두 고려하는 것이 필요하여, 이를 위해 229개 시군구별로 인구사회학적 특성 변수와 기상 변수를 사용하여 기계학습 모델을 생성하였다. 인구사회학적 변수는 총 35개, 기상변수는 총 70개를 전국 229개 시군구별로 생성하였다. 생성한 변수에 대해 다중공선성(multicollinearity)으로 인한 영향을 없애기 위해 상관분석을 진행하여 변수간 상관도가 0.8 미만인 변수들을 선정한 후, 각 독립변수와 다른 독립변수들간 상관관계를 평가하는 VIF (Variance Inflation Factor, 분산 팽창 계수) 분석을 진행하여 점수가 10 이하인 변수만을 최종적으로 선정해 분석에 이용하였다(Fig. 1). 최종적으로 인구사회경제학적 변수는 24개, 기상변수는 32개가 최종 분석변수로 선정되었다. 모델 생성에 사용된 모든 변수는 표준화처리를 진행한 후 분석에 이용하였다.

Fig. 1.

Correlation heatmap of sociodemographic and meteorological variables. All selected independent variables have correlation coefficients less than 0.8.

2.3 모형구축 및 시각화

전국 229개 시군구의 온열질환자 수 예측 모형의 생성은 인구 10만명당 사망자포함 온열질환 발생자 수를 예측 모델로, Ridge, Support Vector Regression, DecisionTreeRegressor, Gradient Boosting, RandomForestRegressor, XGBoost, LightGBM 기계학습 알고리즘을 사용하여 생성하였다. 예측 모형은 크게 데이터를 여러 구간으로 분할하여 예측하는 트리, 부스팅 기반의 모델, 데이터의 패턴을 예측하는 회귀 기반 모델로 구분된다. 트리 기반 모델 중 DecisionTreeRegressor는 데이터를 비슷한 특성을 가진 여러 그룹으로 분할하여 예측하며 이상값에 민감하지 않고, 해석이 용이한 장점이 있고, RandomForestRegressor는 데이터를 랜덤하게 독립적으로 선택하여 모델을 생성하기 때문에 이상값에 민감하지 않고, 일반화 성능이 높은 장점이 있다. 이 두 모델은 서로 독립적으로 생성된 여러 개의 모델을 앙상블하여 최종 모델을 생성하는 공통점이 있다. 부스팅 기반 모델은 이전 구축된 모델의 결과를 다음 모델 생성에 반영하는 특징을 가지며, Gradient Boosting, XGBoost, LightGBM가 대표적이다. Gradient Boosting는 비선형관계 예측이 장점이나 과적합에 취약하고 학습시간이 긴 단점이 있는데, 병렬처리와 정규화 기법을 사용하여 처리속도를 높인 모델이 XGBoost이다. LightGBM 모델은 XGBoost의 매개변수 튜닝이 어려운 단점을 보완하여 개발되었으나 데이터셋이 작을 경우 성능이 낮아질 수 있는 단점이 있다. 회귀 기반 모델은 선형 회귀 모델 중 Ridge는 회귀 계수의 크기를 제한하여 모델의 복잡도를 제어하는 특징이 있고, Support Vector Regression은 비선형 데이터에 강한 특징이 있다. 온열질환자 발생자수 예측을 위한 모델 구축을 위해, 전체 데이터를 훈련용(50%), 검증용(20%), 테스트용(30%)으로 랜덤하게 분할한 후, 각 데이터셋을 활용하여 모델을 학습하고 검증하였다. 최적모델을 찾기 위해 하이퍼파라미터를 순차적으로 학습하고 측정하면서 최적의 설정값 찾는 GridSearchCV를 진행하였고, 최종 모델을 이용하여 전국 229개 시군구별 인구 10만명당 온열질환자수 예측을 진행하였다. 최적모델로 선택된 XGBoost 모델의 각 변수가 예측 성능 향상에 얼마나 기여했는지는 변수 중요도를 평가하는 지표로 SHAP (SHapley Additive exPlanations) 값을 사용하여 모델의 예측에 대한 각 특성의 기여도를 평가하였다. 각 특성의 중요도는 SHAP 값의 절댓값 평균을 통해 계산되었으며, 이를 바탕으로 모델의 해석 가능성을 높이고, 주요 특성들의 영향을 시각적으로 분석하였다. 본 연구에서는 통계 분석과 모델 생성은 Python 3.8 (Python Software Foundation)을 이용하여 진행되었으며, pandas, numpy, scikit-learn, matplotlib, seaborn 라이브러리를 사용하였다. 지도화 작업은 QGIS 3.28 (QGIS Development Team)을 이용하여 수행하였고, 예측결과를 시각화 하였다.

3. 결과 및 고찰

3.1 예측 모델

모델 생성을 위해 다중공선성이 낮은 변수 간 상관관계 분석 결과 전국 시군구별 인구 10만명당 온열질환자 발생수와 예방접종률, 건강이용율, 비도시인구(%), 상대습도(%), 농림지역 등 면적 및 종사자 관련변수, 최고기온 27°C 이상누적일수와 양의 상관관계가 나타났다. 반면 건강생활실천율, 병원수 등 의료시설수, 단순노무취업자수, 30~39세 여성인구, 최저 평균기온, 최저 최고기온, 평균 최저기온과는 음의 상관관계가 나타났다(Fig. 1).

인구사회학적 요인과 기상적 요인을 동시에 고려하여 생성한 시군구별 인구 10만명당 온열질환자수 예측 모델은 XGBoost (learning_rate: 0.5, n_estimators: 100, cv=3, verbose=1)가 설명력(R² = 0.76)이 가장 높았다(Table 2 and Fig. 2). XGBoost 모델은 Gradient Boosting 알고리즘을 기반으로 한 매우 강력한 기계학습 모델로 회귀분류문제에서 뛰어난 성능을 보이는 알고리즘이다. 정규화(L1, L2) 기법과 가지치기 기법을 사용해 과적합을 방지하고 모델의 일반화 능력을 높이는 장점이 있다. 실제 229개 시군구별 온열질환 발생자수와 모델을 통해 예측한 질환 발생자수의 분포도는 Fig. 3와 같다. 과거 질병관리청 응급실관리체계 자료에서 서울특별시 외 3대 특별자치도, 6대 광역시, 세종특별자치시 들보다 그 외 지역에서 인구 10만명당 발생자수가 더 많았는데(Fig. 3(a)), 예측결과 역시 동일한 경향을 나타내 온열질환자수의 차이와 지역별 분포가 유사하게 나타났다(Fig. 2 and Fig. 3(b)).

Fig. 2.

Residuals plots (a) Zero Residual Line, (b) Residuals vs. Predicted Values and (c) Distribution of Residuals in the optimal XGBoost model.

Fig. 3.

(a) Actual distribution of heat-related illness cases per 100,000 people by district from 2021 to 2023. (b) Predicted distribution of heat-related illnesses cases per 100,000 people by district, based on the XGBoost heat-related illness prediction model. The red color indicates a higher number of cases, while shades closer to blue represent a lower number of cases.

3.1.1 기상적 주요 변수

예측 모델의 변수 중요도는 비도시인구(%)가 가장 높았고, 공동주거시설면적(%)과 녹지시설수가 그 다음으로 중요도가 높게 나타났다(Fig. 4). 기상변수 중에는 일 최저기온 25°C 이상 연속일수, 최고기온 29°C 이상 누적일수, WBGT 최대값, 일 최고기온 29°C, 31°C 이상 누적일수의 영향이 높았다. 상대습도와 온열질환자수간 양의 관계가 나타났는데(Fig. 5), 상대습도가 높아지면 피부에서 땀으로 열을 조절하는 과정에서 땀의 증발이 어려워져 열을 낮추는 것이 어려워지기 때문이다(Zhang et al. 2023). 일반적으로 높은 기온에 신체가 노출되면 땀을 배출하여 열을 식히는데, 지속적인 노출 시 과도한 땀 분비로 수분과 나트륨, 칼륨, 마그네슘 등 전해질의 손실이 발생하고 탈수, 전해질 불균형이 발생할 수 있다(Cramer et al. 2022). 또한 체온을 낮추기 위해 혈관의 확장이 과도할 경우 혈압이 낮아져 심혈관계, 순환기에 문제가 발생할 수 있다(Kjellstrom et al. 2018). 이와 같이 고온 현상이 장기적이고 반복적으로 지속되면 인체의 열 조절 시스템에 과한 부담을 주고 심장질환, 호흡기 질환, 전해질 불균형, 열사병 등 온열질환 발생 및 피해 증가로 이어지게 된다.

Fig. 4.

Feature importance values of the top 20 variables in the optimal XGBoost model for predicting number of heat-related illnesses per 100,000 people in south Korea.

Fig. 5.

SHAP values of the top 20 variables in the optimal XGBoost model for predicting Number of heat-related illnesses per 100,000 people in south Korea. Features with positive contributions increase the prediction, while features with negative contributions decrease the prediction. The length of each bar represents the magnitude of the impact that a feature has on the predicted value. The longer the bar, the greater the influence of that feature on the prediction.

온열질환자수와 밤최저기온이 25°C 이상인 날의 연속일수 중요도가 높게 나타났다(Fig. 4). 열대야가 지속되고 반복되어 밤에도 기온이 낮아지지 않으면 고온으로 올라간 체온을 낮추기 어려워지며, 주거지를 포함한 거주공간에서 낮 동안 흡수한 열을 낮추기 어렵기 때문에 온열질환 발생 위험이 증가한다. 그러나 본 연구에서 온열질환자발생과 밤최저기온이 높은 날의 연속일수간의 상관관계를 보면 음의 상관을 보이는데(Fig. 1), 야간 실내 냉방 등 예방의 효과의 영향일 수 있다. 인구기후변화로 인해 열대야 발생일수와 연속발생일수가 남부해안과 대도시를 중심으로 급격하게 증가하고 있어(Choi and Lee 2019, Park and Suh 2011), 위도, 도시규모, 운량 등 열대야 발생에 영향을 주는 인자에 대한 차별화된 고려가 필요하다.

중요 변수로 선정된 기상 변수들의 계산 방식에 차이가 있으나 선정된 중요 변수가 모두 현재 사용하고 있는 예보기준보다 낮은 25°C, 29°C, 31°C 로 선정되었다. 열사병 환자가 급증하는 임계값이 일본에서 일 최고 WBGT 28°C ~ 29°C로(Yamamoto et al. 2018) 국내 예보기준보다 낮았다. 폭염으로 인한 피해 예방을 위해 체감기온을 고려한 위험성 평가는 여러 국가에서 사용되고 있다. 예보 기준에 직사광선 또는 운동 등 업무상 노출도가 반영되지 않았으나 신체활동 강도가 높아질수록 더 낮은 임계온도에서 열 관련 질환이 발생하기 때문에 실제 업무상 열 노출로 인한 사망의 72%가 폭염 경보 시행 전에 발생하였고(Roelofs 2018), 관련 질환자도 국가 지침보다 낮은 온도에서 발생하였다(Morris et al. 2019, Wu et al. 2020). 온열질환자 예측에 적절한 기상변수와 기준은 인구특성과 사회경제적 시스템에 따라 다르기 때문에(Oka et al. 2024) 지역별 인구사회적 특성을 고려한 온열질환자 발생 예방관리상 최적 기상인자 선정 및 임계값 도출에 대한 추가적인 연구가 필요하다.

WBGT는 열 스트레스가 인체에 미치는 영향 평가를 위해 기온, 습도, 바람, 복사열 등을 종합적으로 고려해 생성한 대표적인 지표로 주로 노동 환경에서 열 스트레스를 평가할 때 사용된다. 국내 기상청의 열사병 위험 등급 분류, 폭염 경보 및 주의보 발령 기준으로 사용되고 있다. 고용노동부에서도 KWBGT에 따라 단계별 대응요령을 추가로 제시한 폭염 대응 가이드라인을 발표하여, KWBGT가 31°C 이상일 때부터 폭염 경보 단계에 따라 적절한 휴식 시간 제공, 작업 시간 조정, 냉방 장비 제공 등의 조치를 취하도록 하고 있다. 본 연구에서는 사용한 기상적 주요변수들은 국내 정부부처의 열질환 주요지수인 KWBGT로 산출된 파생변수들과 질병관리청에서 관리하는 폭염일수와 관련된 변수들을 산출하여 적용하였다. 이 변수 중 고온의 연속성과 다중공선성이 높고 온열질환자수와 상관관계가 낮은 변수들은 변수 선택단계에서 제외하였다.

3.1.2 사회경제적 중요 변수

온열질환자 발생자수는 거주특성과 인프라와 관계된 인구사회학적 요인의 중요도가 높게 나타났다(Fig. 4 and Fig. 5). 이는 열 스트레스로 인한 온열질환자가 환경적, 사회적, 경제적 요인들의 밀접한 결합으로 발생한다는 것을 의미한다. 특히 열대야 누적일수를 포함한 6개의 주요 기상변수 모두 히스토그램의 구간 경계를 기준으로, 비도시 인구 비율이 20% 미만인 그룹과 20% 이상인 그룹으로 나눈 그룹간의 비교에서 유사한 고온환경에서 비도시 인구 비율이 높은 곳이 도시화가 많이 된 시군구보다 온열질환자 발생자수가 높게 나타났다(Fig. 6). 일반적으로 대도시는 열섬현상으로 고온에 취약하기 때문에 온열질환 연구가 대도시에 집중되었으나, 본 연구에서는 동일한 열 환경에서 비도시지역이 도시지역보다 더 취약한 것으로 나타났다. 아파트 등 공동주거시설면적(%)은 온열질환발생과 음의 관계를 보였고, 비도시지역 인구(%)와는 강한 양의관계를 보였다(Fig. 5). 히스토그램의 구간 경계를 이용해 공동주거시설 면적을 기준으로 2% 미만과 2% 이상 그룹으로 구분할 때, 비도시인구 비율이 증가할수록 65세 이상 인구의 비율이 증가하였고, 이때 65세 이상 인구는 아파트와 같은 공동주거시설면적 비율이 낮은 곳에서 높았다(Fig. 7). 비도시지역은 도시지역에 비해 의료인프라나 건강관리 서비스가 상대적으로 부족하고 교통의 불편함 때문에 병원 또는 건강관련 교육에 대한 접근성이 낮다(Joo et al. 1996, Yi and Kim 2015). 비도시지역은 주거지 특성상 단열과 냉방장치 설치가 미비한 독립적인 주택이 많아 열 조절이 어려운 경우 많아 더 큰 열 스트레스에 노출된다(Eisenman et al. 2016, Leigh and Won 2004, Park and Kim 2015, Shin and Lee 2018). 비도시지역인구 비율이 높더라도 아파트와 같은 공동주거시설면적이 높은 곳은 65세이상 인구의 비율이 낮아(Fig. 7) 열 조절이 어려운 주택에 고연령의 인구가 많이 거주하는 것을 확인할 수 있었다. 온열질환자 발생 예방을 위해 중앙 냉방 시스템을 갖추고 있거나 열 쉼터 등 피난을 위한 공간조성, 이웃 또는 자원봉자사들의 사회적 돌봄망 등 대응시스템이 중요한데(Bobb et al. 2014, Kovats and Hajat 2008, Lee et al. 2015, Lee 2016), 교통서비스 및 근린생활시설 밀도가 낮은 비도시지역이 도시지역보다 사회적 교류가 낮아 지역사회관계망이 약하다(Lee and Park 2020). 비도시지역은 노령인구나 취약계층(신체적, 생활여건, 경제적 취약)의 거주비율이 높은데, 체온조절 능력이 떨어지는 고령자나 만성질환자는 온열질환에 더 취약한 것으로 알려져있다(Bouchama and Knochel 2002, Hansen and Saniotis 2013). 또한 비도시지역은 농림어업에 종사하는 비율이 높아 야외 작업으로 오랜시간 고온에 노출되고, 특히 농업종자사는 여름 고온에서 작업하는 시간이 더 길어져 온열질환에 노출될 가능성이 높아 적절한 휴식, 수분 섭취, 보호장비 사용, 조기 온열질환 인식이 매우 중요하다(Coco et al. 2016). 하지만 소규모 작업장이 많아 안전에 대한 점검 전문 인력을 확보하지 못해 작업 중 보호장비나 온열질환 예방을 위한 시설이 부족할 수 있고, 온열질환에 대한 경각심이 떨어져 조기 인식이 어려울 수 있어 주의가 필요하다. 따라서 비도시지역의 인식 교육과 보건시스템 개선 및 보호망 확보가 요구된다.

Fig. 6.

Scatter plots of key meteorological variables and heat-related illness incidence by non-urban population percentage (Korea Disease Control and Prevention Agency, 2021, 2022, 2023). The points are differentiated by color, representing two groups: Non-urban population (%) less than 20% and 20% or greater.

Fig. 7.

This scatter plot shows the relationship between Non-urban Population (%) and Population over 65 years old (%), grouped by Apartment Housing Area (%). The points are differentiated by color and shape, representing two groups: Apartment Housing Area (%) less than 2% (<2) and 2% or greater (>=2). The regression lines, along with their slopes and R² values, are displayed for each group.

3.1.3 인구사회학적 취약집단

인구집단과 관련된 변수는 만성질환자와 관련이 높은 방문관리등록가구수와 65세이상인구수(%)의 중요성이 높았다(Fig. 4). 실제 국내 온열질환 발생자 중 70% 이상이 남성이고, 발생장소는 실외 작업장이 30% 이상으로 가장 높았다고 보고하고 있다(KDCA 2021 and 2022 and 2023). 노동 시장에서 가장 활동적인 연령대가 45 ~ 49세 남성으로 격렬한 야외업무를 포함한 업무에 종사하는 비율이 높기 때문에 노동특성상 온열질환 위험이 높은 것으로 예상되었으나 본 연구에서 전국을 대상으로 온열질환자 발생 중요 집단으로 선정되지 않았다. 가장 잘 알려진 연령집단인 65세이상 노령인구는 본 연구에서도 취약집단으로 평가되었다. 고령자는 미세혈관 구조 변화로 피부 혈관 확장 능력이 낮은데, 이로 인해 체온 조절을 위한 혈류와 땀 배출이 감소해 열조절에 취약하다(Cramer et al. 2022). 또한 심혈관계, 호흡기 등에 만성질환을 가지고 있는 경우가 많아(Bouchama and Knochel 2002, Nam 2024) 동일한 서울 지역 내에서도 고령자와 생산직 간에 기온이 1°C 상승 시 사망위험이 서로 달랐다(Ha and Kim 2013). 또한 향후 국내 노령인구가 빠르게 증가하고 있는 점을 감안하면 열 스트레스 취약집단인 노령인구 집단은 그 위험이 더 가중될 수 있다는 점을 고려해야한다.

3.2 대응방안

변수중요도가 높은 상위 7개 변수(비도시인구(%), 공동주거시설면적(%), 요양의료기관현황, 65세이상인구수(%), 농가인구(남), 녹지시설수, 문화체육휴양시설(%))가 모두 인구사회학적 변수이면서 인구사회학적 집단과 사회시스템에 관한 내용을 담고 있다는 점은 환경적 시스템 뿐만 아니라 취약집단와 취약지역을 구분하는데 인구와 시스템에 대한 고려가 필수적이라는 것을 시사한다(Fig. 4). 사회적 불평등은 기후변화의 취약성을 높이기 때문에 해소가 필요하며(IPCC 2014 and 2022), 사회적 시스템이 부족한 지역이 기후로 인한 피해가 가중된다(McGregor 2024). 개인의 취약성은 한가지 요인에 의해 결정되지 않고 성별, 연령, 계층, 경험 등이 서로 얽혀 결정된다는 교차성 이론(Critical Race Theory)과 우리의 연구결과는 맥락을 같이 한다. 교차성 이론에 따르면 소득수준이 낮을수록 보건 접근성이 낮아질 수 있고, 인구집단 내 적응 취약성을 가진 집단(성별, 연령, 기저질환 유무 등) 등이 결합되어 기후변화로 인한 폭염 등 재난의 취약성을 더 높이게 된다고 보고하고 있다(Crenshaw 2013). 이와 같은 사회경제적 불평등을 해소하고 취약집단과 지역을 보호하기 위해서 단순히 특정 취약집단 또는 취약지역과 같은 단일 변수를 대상으로 경제적 지원 등 정책을 개발하기보다 다양한 사회적 요인을 고려해 복합적으로 고려한 맞춤 지원 정책을 개발하고 설계해야 한다(Crenshaw 1991).

위협상황에 대한 대비는 위험에 대한 심각성과 취약성에 대한 인지와 개인의 대처능력과 조직의 효과성, 비용에 대한 인식에 따라 달라진다. 따라서 지역별 열스트레스에 대한 위협상황에 대한 대비 역시 각 지역 열스트레스에 대한 인식과 취약성에 따른 질환자 및 중증질환자 발생 정도를 감안하여 이루어져야 한다. 열사병 등 중증 열질환은 사망까지 이르게하는데, 열사병 등 중증질환 발생의 빠른 인식과 체온을 낮추는 조치는 열사병 발병과 사망률을 낮추는데 매우 효과적이다(Hosokawa and Casa 2024, Maule et al. 2024). 이를 위한 위험지역 및 위험직업군별 온열질환 질병 유형별 증상에 대한 집중 인식 교육이 필요하다. 특히 도시외지역 및 농업종사자를 대상으로 질병 유형별 조기 인식을 도울 수 있는 교육의 집중이 효과적일 수 있다. 또한 본 연구에서는 고온지속성의 영향이 크게 나타났는데, 열 스트레스에 관한 보다 다양한 기상인자에 대한 세밀한 평가가 필요하다. 또한 본 연구에서 밝힌 바와 같이 지역단위 온열질환 경보 기준과 임계값을 적극적으로 조정하고 사회적 관리 프로그램이 조기 실행시 노인 열 질환이 감소(Benmarhnia et al. 2019)와 같은 취약계층의 보호에 대해서도 고려할 수 있다. 최근 중국 도시지역 열스트레스 분석 연구에서도 취약계층을 대상으로 기준온도 조정에 대한 건의가 있었다(Zheng et al. 2024).

인구‧사회학적으로 질환발생과 관련도가 높은 기상변수에 차이가 있고, 세계 여러 국가에서 지역단위 인구사회학적 특성을 고려해 온열질환 위험 예보를 위해 사용하는 기상변수와 기준을 다양하게 적용하고 있다. 국내 온열질환자와 이로 인한 사망자 예측 및 관리를 위해 전국을 대상으로 일관된 기준인 체감기온을 적용하고 있는데, 국내 지역별 인구사회적 구조별 차이와 취약성을 고려한 최적 예측 기상변수의 선정이 필요하다. 녹지시설수와 온열질환자간 음의상관관계(Fig. 1)를 고려할 때, 모두를 위한 전반의 녹색 인프라를 확장하는 생태적 방법도 고려할 수 있는데 나무심기(Morrissey-Basler et al. 2024), 투수층 확대, 통행로, 보도 등 자재에 대한 검토 등은 야외근로자를 포함한 모두에게 도움을 줄 수 있다(Elliott et al. 2020, Ramakreshnan and Aghamohammadi 2024). 또한 온열질환 취약 인구집단 또는 산업에서 상대습도와 풍속을 함께 고려한 대책을 수립하는 것이 필요하다. 예를 들면 온열질환 위험지역인 경우 여름철 주 농산물을 여름철 야외작업이 적은 작물, 품종으로 대체할 수 있는 방안을 모색할 수 있다.

4. 결론 및 제언

열 스트레스로 인한 전국 온열질환자 발생 예측 모형에서 거주 유형과 인프라 등 인구사회학적 요인들의 중요성을 확인할 수 있었다. 도시와 도시외 지역의 인구 및 주거 특성과 인프라, 사회망 형성 차이로 도시외지역이 고온에 더 취약했다. 취약 인구 집단으로 65세 이상 노령집단과 방문관리를 받는 기저질환자가 도출되었다. 온열질환자 발생에 고온의 강도보다 지속성의 영향이 더 크게 나타났는데, 현재 국내 열질환 예방 관리 차원에서 사용되는 최고기온의 기준온도와 지속성에 대해 지역별 인구사회학적 구조와 각 인자간 상호관계를 고려한 적절성에 대한 평가가 필요할 것으로 보인다. 다양한 인구사회학적 인자와 기상인자들간의 종합적인 분석으로 지역과 취약집단 맞춤형 예방 관리 방안의 방향을 제시하는 기초자료로 중요한 의의가 있을 것으로 판단된다. 노령화의 가속화와 기후변화로 인한 극심한 열스트레스 위험 증가로 추후 일단위 온열질환 발생자 발생이력에 대한 공개되지 않은 질병보유이력 등을 포함한 세부정보와 응급실 관리시스템 외 전 온열질환 발생 이력 정보를 활용한 세부적인 취약집단 및 위험 환경 임계점을 도출하여 선제적으로 인명 피해를 줄일 수 있는 연구가 필요하다.