리스크 평가 기반 지역특성변수와 온열질환 발생률 간 관계 분석 : 머신러닝과 SHAP을 중심으로 = Analyzing the Relationship Between Risk-Based Regional Characteristics and Heat-Related Illness Rates: Focusing on Machine Learning and SHAP

국문 초록 (Abstract)

기후변화로 인한 폭염의 증가로 온열질환도 함께 늘어날 것으로 예상되고 있다. 이 연구의 목적은 지역특성 변수들과 온열질환 발생 간 관계를 분석하여 정책 개발 시 활용할 수 있는 자료를 마련하는 것이다. 특히 본 연구에서는 기존 통계적 방법으로 판단하기 어려웠던 비선형적 관계를 파악하기 위해 머신러닝 알고리즘과 SHAP value를 활용하였다. 지역특성변수들을 리스크 평가 구성요소인 위해·노출·취약성의 세 가지 요소를 바탕으로 구축하고 2013년부터 2019년의 7개년 데이터를 사용하여 학습을 진행했다. 학습결과 Light Gradient Boosting Machine(LGBM) 알고리즘이 성능지표 기준으로 다른 알고리즘보다 우수한 성능을 보였다. 해당 알고리즘 훈련 결과에 대해 SHAP value를 산출하여 변수의 중요도를 살펴보았다. 체감온도, 시가화면적 비율, 고령인구 비율, 장애인인구 비율, 실외근로자 수, 병·의원 접근성, 무더위쉼터 접근성, 수역 접근성 등이 높은 중요도를 보여주었다. 변수별 영향의 방향을 확인한 결과 체감온도, 고령인구 비율, 수역 접근성은 값이 커질수록 행정동 인구 대비 온열질환자수에 양의 영향을 주었으며 시가화면적 비율, 장애인인구 비율은 값이 커질수록 행정동 인구 대비 온열질환자수에 음의 영향을 주는 것으로 파악되었다. 실외근로자 수와 무더위쉼터 접근성은 방향성이 불분명하여 Dependence Plot을 확인해야 했다. Dependence Plot에서 체감온도는 36도에서 급격한 양의 영향을 주는 것으로 나타났고 실외근로자 수는 값이 큰 특정 구간에서 큰 양의 영향을 주었으며 무더위쉼터 접근성은 값이 250m 부근인 행정동에서 온열질환 발생에 양의 영향을 주는 것으로 나타났다. 이 연구의 의의는 지역의 물리사회적 조건을 고려하여 변수에 대한 비선형적 관계에 대한 해석을 제공하고, 이를 통해 효과적인 정책 개발을 지원할 수 있다는 점에 있다.

목차 (Table of Contents)

• Ⅰ. 서론 1
• 1. 연구의 배경 및 목적 1
• 2. 연구의 구성 3
• Ⅱ. 이론 및 선행연구 고찰 5
• 1. 온열질환 영향요인 분석 연구 5
• 2. 기후변화 맥락에서의 리스크 및 리스크 평가 개념 8
• 3. 폭염 리스크 10
• 4. 연구의 차별성 14
• Ⅲ. 연구 방법론 16
• 1. 연구 설계 16
• 2. 연구 방법 18
• 가. 리스크 평가 요소 기반 데이터셋 구축 18
• 나. 머신러닝을 활용한 모델 구축 22
• 1) 회귀를 위한 머신러닝 알고리즘 22
• 2) 회귀 알고리즘의 성능지표 23
• 다. XAI와 SHAP 25
• 1) XAI(설명가능한 인공지능) 25
• 2) SHAP 26
• Ⅳ. 연구 결과 28
• 1. 데이터 탐색 28
• 가. 지역특성변수 탐색 28
• 1) 지역특성변수의 기술통계량 28
• 2) 지역특성변수의 지역별 분포 34
• 나. 온열질환 발생률 탐색 52
• 1) 온열질환자 수 및 발생률의 기술통계량 52
• 2) 온열질환 발생률의 지역별 분포 53
• 2. 지역특성변수와 온열질환 발생률 관계 분석 55
• 가. 머신러닝 훈련 결과와 최적 알고리즘 선정 55
• 나. 지역특성변수의 전역적 경향 56
• 다. 지역특성변수의 변수별 세부 관계 분석 61
• Ⅴ. 결론 및 시사점 67