I. 서론

Brown et al.(2015)는 의료기관의 공간 분포가 공공계획이나 제도적 배분의 결과라기보다 시장 기반의 입지 선택 요인에 의해 형성된다고 지적한다. 이러한 관점은 우리나라 의료기관 공급 구조에도 그대로 적용된다. 한국의 의료기관 공급은 민간 중심으로 확충되어 왔으며, 의료서비스의 수요와 공급 역시 제도적 통제보다는 시장 메커니즘에 의해 작동하는 측면이 강하다(한국보건사회연구원, 2018).

한국의 의료전달체계에서 1차 의료기관은 의원, 치과의원, 한의원, 보건소 등 지역사회 기반 의료기관으로 구성되어 환자의 접근성이 높은 반면, 2차 의료기관은 병원과 종합병원, 3차 의료기관은 상급종합병원으로 구분된다. 그러나 이러한 구분은 법적으로 엄격하게 작동하는 체계는 아니다. 1989년 전국민 의료보험 도입과 함께 1･2･3차 의료전달체계가 법적으로 도입되었으나, 1998년 권역 진료 의뢰 제도의 폐지 이후 의료전달체계는 사실상 약화되었다. 그 결과 환자는 상급종합병원을 제외한 대부분의 의료기관을 자유롭게 선택할 수 있게 되었고, 이에 따라 1차 및 2차 의료기관 간 경쟁이 구조적으로 심화되었다.

이와 같은 제도적 환경에서 의료기관은 환자 유입을 확보하기 위해 입지와 경쟁 환경에 크게 의존할 수밖에 없으며, 이는 의료기관의 과밀 경쟁과 특정 지역으로의 집중, 나아가 지역 간 의료 공급 불균형으로 이어질 가능성을 내포한다. 실제로 2023년 기준 전국 의료기관 101,762개소 중 23.94%가 서울에, 22.61%가 경기도에 위치하여 의료기관의 수도권 집중 현상이 뚜렷하게 나타난다. 또한 전체 의료기관의 94.12%가 개인에 의해 운영되고 있다는 점을 고려할 때, 의료서비스 공급자에게 입지는 의료기관의 생존과 직결되는 핵심 요인이라 할 수 있다. 이러한 입지 편중 현상은 지역사회 및 국가 차원의 효율적인 의료체계 운영 측면에서도 정책적으로 중요한 과제로 다루어질 필요가 있다.

그럼에도 불구하고 국내에서 의료기관의 생존 기간과 그 결정요인을 실증적으로 분석한 연구는 제한적이며, 특히 의원급 의료기관을 대상으로 한 연구는 매우 드물다. Noh et al.(2006)은 HGLM과 프레일티 모형을 활용하여 전국 병원을 대상으로 생존 및 폐업 요인을 분석하였고, 옥현민 등(2022) 역시 병원급 의료기관을 중심으로 생존 요인을 규명하였다. 그러나 이러한 선행 연구들은 주로 병원급 의료기관을 대상으로 내부 요인이나 사회･경제적 요인에 초점을 두고 있으며, 민간 중심으로 공급되는 의원급 의료기관의 입지 요인과 경쟁 환경이 생존에 미치는 영향을 체계적으로 분석하지는 못하였다.

이에 본 연구는 2014년부터 2023년까지 서울에서 개원한 의원급 의료기관 8,616개소를 대상으로 생존 기간과 그 결정요인을 분석한다. 의원급 의료기관은 의료법 제3조(의료기관)에서 정의한 의원, 치과의원, 한의원으로 한다. 분석 방법으로는 생존분석 기법인 카플란-마이어 생존함수와 콕스 비례위험모형, 프레일티 모형을 적용하며, 종속변수는 의료기관의 생존 기간으로 설정한다. 독립변수는 의료기관의 생존에 영향을 미칠 수 있는 요인을 내부 요인, 경쟁 요인, 입지 요인, 사회･경제적 요인으로 구분하여 구성한다. 또한 의료기관 간 관측되지 않는 이질성과 군집 효과를 고려하기 위해 프레일티 모형을 적용하여 기존 콕스 비례위험모형을 보정한다. 이 과정에서 진료과 유형과 개원 연도 및 폐업 연도를 프레일티 집단으로 설정함으로써, 의료기관 생존에 영향을 미치는 외부 환경과 구조적 요인의 효과를 더 정교하게 반영하고자 한다.

II. 선행 연구

1. 선행 연구 검토

본 연구는 의원급 의료기관의 생존 기간과 그 결정요인을 분석하기에 앞서, 의료기관 및 상업용 부동산 분야에서 생존분석 기법을 적용한 선행연구를 검토하고, 기존 연구의 분석 대상과 접근 방식, 그리고 한계를 종합적으로 살펴본다.

의료기관의 생존 기간을 분석한 국내외 연구는 주로 병원급 의료기관을 대상으로 수행되었다. Noh et al. (2006)는 1996년 이전에 개원한 전국 805개 병원을 대상으로 생존 여부와 폐업 결정요인을 분석한 결과, 인구 1천 명당 병상 수가 10% 증가할 경우 폐업 위험이 18.3% 증가하는 반면, 65세 이상 인구 증가율은 폐업과 유의한 관계가 없음을 보고하였다. 옥현민 등(2022)는 2010년부터 2019년까지 개원한 병원급 의료기관을 대상으로 생존 요인을 분석하였으며, 의료인 수와 입원실 수는 생존확률을 증가시키는 반면 병상 수와 진료과목 수는 생존확률을 감소시키는 요인으로 나타났다.

Nyhan et al.(2002)는 미국 플로리다주의 급성기 병원을 대상으로 병원 규모와 경쟁 환경이 폐업 위험에 미치는 영향을 분석하였으며, 병원 밀도가 높은 지역에 위치할수록 폐업 위험이 높고 병상 규모에 따라 폐업 위험이 상이하게 나타남을 확인하였다. 또한 신규 병원이 기존 병원보다 폐업 위험이 높고, 인접 병원과의 거리가 가까울수록 폐업 가능성이 증가하는 것으로 분석되었다. Tung et al.(2024)은 미국 병원 폐업이 지역의 사회･경제적 취약성과 밀접하게 연관됨을 보고하였으며, Rhoades et al.(2023) 역시 소득 수준이나 고령인구 비중보다 실업률과 보험 미가입 비율이 병원 폐업 위험을 설명하는 핵심 요인임을 제시하였다. 이는 의료기관 폐업이 지역의 사회･경제적 환경과 밀접하게 연관된다는 점에서 기존 연구들과 맥을 같이한다. 다만 이러한 결과들은 병원급 의료기관을 대상으로 한 미국 의료체계의 제도적 특성에 기초한 것으로 해석할 필요가 있다.

한편 상업용 부동산 분야에서는 점포나 사업체의 생존 기간 또는 보유기간을 종속변수로 설정하고, 입지 특성과 시장 환경이 생존에 미치는 영향을 분석한 연구들이 있다. 이들 연구는 주로 카플란-마이어 방법과 콕스 비례위험모형을 활용하여 상권 유형이나 사업체 특성에 따른 생존 차이를 실증적으로 검증하는 데 초점을 둔다. 이정란･도나영(2019)은 음식점을 대상으로 브랜드 유무에 따른 생존율 차이를 분석한 결과, 개점 초기에는 브랜드 점포와 비브랜드 점포 간 생존율 차이가 크지 않으나, 개점 후 약 500일 이후부터 비브랜드 점포의 생존율이 상대적으로 빠르게 감소하는 것으로 나타났다. 콕스 비례위험모형 분석에서는 브랜드 점포의 폐업 위험이 비브랜드 점포보다 낮은 것으로 확인되었으며, 휴게음식점은 일반음식점보다 폐업 위험이 높고, 점포 규모가 클수록, 지하철 접근성이 높을수록 생존에 유리한 것으로 분석되었다. 또한 음식점 점포 비율이 높을수록 폐점 위험은 감소한 반면, 상권 규모가 클수록 생존에 부정적인 영향을 미치는 것으로 나타났다.

정동규･윤희연(2017)은 이태원 지역을 대상으로 발달상권과 골목상권에 위치한 음식점의 생존 특성을 비교 분석하였다. 카플란-마이어 분석에서는 골목상권의 생존 기간이 발달상권보다 짧게 나타났으나, 콕스 비례위험모형 분석에서는 골목상권에 위치한 음식점의 폐업 위험이 오히려 낮은 것으로 나타나 골목상권이 상대적으로 생존에 유리한 조건을 가질 수 있음을 제시하였다. 이새롬･양희진(2019)은 서울의 문화지구를 대상으로 업체의 생존 기간과 폐업 위험을 생존분석 기법으로 분석하였으며, 업종 특성, 점포 규모, 입지 여건에 따라 생존과 폐업 위험이 유의하게 달라짐을 확인하였다. 특히 동일 지역 내에서도 입지 특성과 업종별 경쟁 구조에 따라 생존 패턴이 상이하게 나타난다는 점을 강조하였다.

2. 연구의 차별성

기존 의료기관 생존 연구는 주로 병원급 의료기관을 대상으로 내부 요인과 경쟁 요인을 중심으로 분석해 왔으며, 입지 특성은 행정구역 단위 변수로 대체되는 경우가 많아 의료기관 간 공간적 근접성과 실제 경쟁구조를 충분히 반영하지 못하였다. 반면 상업용 부동산 분야에서는 생존분석 기법을 활용하여 점포의 입지와 상권 특성이 생존에 미치는 영향을 미시적 수준에서 분석한 연구가 다수다. 이러한 연구들은 입지와 공간적 경쟁 환경이 사업체의 생존에 중요한 역할을 한다는 점을 실증적으로 제시하였으나, 해당 분석 틀은 의료기관을 대상으로 한 연구에는 제한적으로만 적용됐다.

이에 본 연구는 의료기관의 생존 요인을 내부 요인, 경쟁 요인, 부동산 입지 요인, 사회･경제적 요인 등으로 나누어 체계적으로 구분하고, 의료기관 간 거리와 반경 내 경쟁 의료기관 밀도 등 공간적 특성을 GIS 활용하여 직접 산출함으로써 기존 연구와 차별화된 입지 측정 방식을 적용한다. 이러한 접근은 행정구역 평균값에 의존하던 기존 연구의 한계를 보완하고, 의원급 의료기관의 생존을 결정하는 공간적 메커니즘을 더 정교하게 규명할 수 있도록 한다.

III. 분석자료와 모형

1. 분석자료 구축

본 연구는 의원급 의료기관의 생존기간에 영향을 미치는 요인을 분석하기 위해 연구 대상 의료기관의 생존 기간과 관련된 특성 변수를 구축하였다. 분석 대상은 행정안전부 지방행정인허가데이터를 기반으로, 2014년 1월 1일부터 2023년 12월 31일까지 서울시 내에서 개원한 의원급 의료기관으로 한정하였다. 서울시는 인구 밀도와 의료기관 밀집도가 높아 의원급 의료기관 간 경쟁이 가장 치열하게 나타나는 지역으로, 입지와 경쟁 요인이 의료기관의 생존에 미치는 영향을 분석하기에 적합한 공간적 범위를 제공한다. 또한 행정구역 전반에 걸쳐 공간 및 사회･경제적 자료의 구축 수준이 높아 GIS 기반 분석을 수행하기에 유리하다는 점에서 연구 대상 지역으로 선정하였다.

분석의 관측 종료 시점은 2024년 12월 31일로 설정하였다. 연구의 시작 시점을 2014년으로 설정한 것은 국토 정보 플랫폼에서 제공하는 65세 이상 인구의 공간자료 가용성에 따른 제약 때문이다. 개업일, 폐업일, 또는 주요 변수에 결측치가 존재하는 의료기관은 분석에서 제외하였으며, 휴업신고를 한 의료기관은 생존 상태로 정의하였다. 반면 보건소에 폐업 신고를 한 의료기관만을 폐업으로 정의하였다.

연구 대상의 동질성을 확보하기 위해 학교법인(6개소), 의료법인(8개소), 재단법인(14개소), 사단법인(14개소)이 운영하는 의료기관은 분석에서 제외하였다. 이는 의료기관 간 경쟁 요인을 분석함에 있어 개인이 운영하는 의료기관과 법인 운영 의료기관이 동일한 경쟁 조건에 놓여 있다고 보기 어렵다는 판단에 따른 것이다.

아울러 의원급 의료기관의 진료과 중 영상의학과(12개소), 흉부외과(7개소), 진단의학과(2개소), 신경과(21개소)는 표본 수가 부족하여 안정적인 추정이 곤란하다고 판단되어 분석 대상에서 제외하였다. 이러한 자료 정제 과정을 거쳐, 2014년부터 2023년까지 서울시에서 개원한 의원급 의료기관 총 8,616개소를 최종 분석자료로 확정하였다.

2. 변수 정의 및 설정

본 연구의 종속변수는 의료기관의 생존 기간으로, 개원일부터 폐업일까지의 기간을 월(month) 단위로 측정하였다. 독립변수는 선행 연구(옥현민 등, 2022; Noh et al., 2006; Tung et al., 2024)를 토대로 내부 요인, 경쟁 요인, 입지 요인, 사회･경제적 요인의 네 가지 범주로 구분하였다. 세부 변수의 구성과 자료 출처는 <표 1>에 제시하였다.

내부 요인 중 진료과는 일반의원과 전문의원¹⁾을 구분하지 않고 의원으로 통합했다. 이에 따라 진료과는 의원, 치과의원, 한의원으로 구분된다. 의사 수는 1인 운영 여부를 기준으로 1인 의원은 ‘0’, 2인 이상 의원은 ‘1’로 더미 변수화하였다. 의료기관의 물리적 규모를 반영하는 의료기관 면적에는 자연로그 변환을 적용하였다.

경쟁 요인으로는 대상 의료기관을 중심으로 반경 500m 내 의원급²⁾ 의료기관 수, 종합병원³⁾에서 거리, 반경 500m 내 병원 수, 가장 가까운 병원까지의 거리, 반경 500m 내 동일 진료과 의원 수⁴⁾를 변수로 설정하였다(Mullner, 1989). 분석 단위를 반경 500m로 설정한 것은 의원급 의료기관이 지역사회 기반 의료기관이라는 점과, 서울시 지하철역 간 평균 거리가 약 1km임을 고려하여 일상적인 보행 접근권을 반영하기 위함이다.

입지 요인으로는 강남･강북 입지 여부⁵⁾, 종합소득액⁶⁾ 기준 지역 특성, 대지면적(log), 공시지가(log)를 독립변수로 선정하였다. 의료기관 이용에 영향을 미칠 수 있는 지역 주민의 경제적 수준을 직접적으로 측정하기 어려운 현실적 제약을 고려하여, 대리변수로 종합소득액을 활용하였다. 분석 가능 자료의 최신 시점인 2024년 지자체별 평균 종합소득액을 기준으로, 소득 수준이 높은 지역은 ‘0’, 낮은 지역은 ‘1’로 더미 변수화하여 지역의 경제적 수준을 측정하였다. 사회･경제적 요인으로는 반경 500m 내 65세 이상 인구수와 의료기관 개원 연도의 중소기업 대출금리를 독립변수로 채택하였다.

의료기관의 인허가 일자, 폐업일, 생존 여부, 의사 수, 의료기관 면적, 주소, 진료과, 의료기관 명 등 기본 정보는 행정안전부의 지방행정 인허가 데이터에서 추출하였다. 의료기관 주소는 좌표 정보(경도･위도)로 변환(geocoding)하여 위치 데이터를 구축하였다. 이후 국토 정보 플랫폼에서 제공하는 65세 이상 인구의 공간 분포 자료를 수집하여 의료기관 위치 데이터와 공간 결합하였다. 이 과정에서 QGIS를 활용하여 각 의료기관을 중심으로 반경 500m 버퍼를 생성하고, 버퍼 영역 내 65세 이상 인구수를 버퍼링 분석을 통해 산출하였다. 이는 의료기관을 중심으로 설정한 원형 완충 영역 내 인구 통계치를 추출하는 표준적인 공간 분석 절차에 해당한다.

동일한 방식으로 의료기관 주소를 활용하여 반경 500m 내 의원급 의료기관 수, 반경 500m 내 병원 수, 종합병원과의 거리, 가장 가까운 병원과의 거리 등 경쟁 요인을 산출하였다. 또한 국토교통부 국가공간정보포털에서 제공하는 공시지가와 대지면적 자료를 공간 데이터 형식으로 구축한 후, QGIS를 활용하여 의료기관 좌표 데이터와 공간 결합함으로써 입지 요인을 병합하였다. 이러한 일련의 공간자료 구축 절차를 통해 의료기관의 위치를 중심으로 한 공간 변수를 정량화하여 분석에 활용하였다.

3. 분석모형

본 연구는 의원급 의료기관의 생존 기간에 영향을 미치는 요인을 규명하기 위해 생존분석 방법을 적용하였다. 생존분석은 특정 사건이 발생하기까지의 시간을 종속변수로 분석하는 기법으로, 연구 기간 종료 시점까지 사건이 발생하지 않은 관측치를 중도절단 자료로 포함할 수 있다는 점에서 일반적인 회귀분석과 구별된다(김양진, 2017). 이러한 특성으로 인해 생존분석은 의학 분야의 환자 생존시간 분석을 비롯해 범죄학의 재범 발생 시점, 산업 분야의 기계 고장 시점, 사회과학 분야의 점포 폐업 시점 분석 등 다양한 분야에서 활용되어 왔으며, 최근에는 부동산 및 도시 연구에서도 상권과 점포의 지속기간을 분석하는 데 적용되고 있다(민인식, 2023).

이러한 방법론적 특성을 고려하여 본 연구는 의원급 의료기관 자료를 활용해 생존함수를 추정하기 위해 카플란-마이어(Kaplan-Meier) 방법을 적용하고, 폐업 위험에 영향을 미치는 요인을 분석하기 위한 기본 모형으로 콕스 비례위험모형(Cox proportional hazards model)을 사용하였다. 또한 의료기관 집단 간 관측되지 않은 이질성을 고려하기 위해 프레일티(frailty) 모형을 추가로 적용하였다.

본 연구에서는 의원급 의료기관의 폐업을 사건(event)으로 정의하고, 생존 기간은 개원일부터 폐업일까지의 개월 수로 측정하였다. 분석 기간 종료 시점인 2024년 12월 31일까지 폐업하지 않은 의료기관은 사건이 발생하지 않은 관측치로 간주하여 중도 절단 자료로 처리하였다.

1) 카플란-마이어 생존모형

의원급 의료기관의 생존율 변화를 파악하기 위해 카플란-마이어(Kaplan-Meier) 생존함수를 적용하였다. 카플란-마이어 방법은 사건 발생 시점의 누적 분포를 이용하여 생존함수를 비모수적으로 추정하는 기법으로, 중도절단 자료를 포함한 생존확률 추정이 가능하다는 장점이 있다.

카플란-마이어 생존함수 S(ti)는 식(1)과 식(2) 같이 정의할 수 있다. S(ti)는 의원 i가 폐업이 일어나는 t시점까지 생존할 확률이며, 생존 시간 T가 폐업이 일어난 특정 시점 i보다 크거나 같을 확률이다.

hsi는 의원 i가 t 시점까지의 폐업(위험) 확률로서 h=dini에서 ni는 사건이 발행할 위험에 노출된 총수이고, di는 t시점에 사건이 발생한 수다.

카플란-마이어 분석 결과는 개원 이후 경과 시간(월)을 X축, 생존확률을 Y축으로 하는 생존곡선으로 제시되며, 이를 통해 의료기관의 전반적인 생존 패턴과 시간 경과에 따른 생존율 변화를 시각적으로 확인할 수 있다. 집단 간 생존함수의 차이는 로그-순위(log-rank) 검정을 통해 검정하였으며, 유의수준은 p<0.05로 설정하였다. 이 모형은 집단별 생존율 비교에 유용하나, 다수의 설명변수를 동시에 고려하기에는 한계가 있다.

2) 콕스 비례위험모형

카플란-마이어 방법의 한계를 보완하기 위해, 본 연구에서는 다수의 공변량이 의료기관의 폐업 위험에 미치는 영향을 분석할 수 있는 콕스 비례위험모형(Cox proportional hazards model)을 적용하였다. 콕스 비례위험모형은 생존시간에 영향을 미치는 요인을 위험함수(hazard function)를 통해 분석하는 대표적인 준모수적 생존분석 기법이다(Jenkins, 2005).

이 모형에서 위험함수는 기저 위험함수와 공변량의 지수함수적 결합으로 표현되며, 특정 공변량의 효과는 위험비(hazard ratio)로 해석된다. 콕스 비례위험모형의 핵심 가정은 공변량의 상대적 효과가 시간에 따라 일정하다는 비례위험 가정이다.

본 연구에서는 이 모형을 통해 내부 요인, 경쟁 요인, 입지 요인, 사회･경제적 요인이 의료기관의 폐업 위험에 미치는 영향을 다변량 구조에서 추정하였다.

3) 프레일티 모형

본 연구에서는 콕스 비례위험모형의 확장으로서, 의료기관 간 군집 효과와 관찰되지 않은 개체 간 이질성(unobserved heterogeneity)을 반영하기 위해 프레일티(frailty) 모형을 추가적으로 적용하였다. 프레일티 모형은 동일한 군집에 속한 개체들이 유사한 생존 패턴을 보이는 현상을 확률적 요인으로 설명하는 방법으로, 콕스 비례위험모형에 무작위효과를 도입한 형태이다. 프레일티를 포함한 위험함수는 다음과 같이 표현된다.

여기서 u_i는 집단 i에 공통적으로 작용하는 프레일티 항으로, 0보다 크며 감마(Gamma) 분포를 따른다고 가정한다(Jenkins, 2005). 프레일티 분산은 집단 간 이질성의 크기를 나타내며, 분산이 0일 경우 프레일티 효과가 존재하지 않아 표준 콕스 비례위험모형과 동일해진다.

본 연구에서는 진료과 유형, 개원 연도, 폐업 연도를 프레일티 집단으로 설정하여, 동일 집단에 속한 의료기관들이 공유하는 거시경제적･정책적 환경의 영향을 통제하였다.

본 연구는 카플란-마이어 생존분석, 콕스 비례위험모형, 그리고 프레일티 모형을 단계적으로 적용함으로써 의원급 의료기관의 생존함수 추정, 집단 간 생존율 비교, 폐업 위험 요인 분석, 그리고 군집 간 이질성 보정을 포괄적으로 수행하고자 한다. 이러한 분석 절차를 통해 의원급 의료기관의 생존 기간에 영향을 미치는 구조적 요인을 실증적으로 규명하고자 한다.

IV. 분석 결과

1. 기초 통계량

<표 2>는 분석에 사용된 생존기간과 연속형 독립변수들의 기초 통계량을 제시한 것이다. 분석 대상은 총 8,616개 의원급 의료기관으로, 생존기간은 개원일부터 폐업 또는 관찰종료 시점까지의 기간을 개월 단위로 측정하였다. 전체 표본의 평균 생존기간은 62.94개월이며, 최소 1개월, 최대 132개월로 나타나 의료기관 간 생존기간의 편차가 비교적 큰 편임을 확인할 수 있다.

내부 요인 중 의료기관 면적(log)의 평균은 5.15, 표준편차는 0.67로 나타났으며, 이는 의료기관 규모가 로그 변환 후에도 일정 수준의 분산을 보이고 있음을 의미한다. 경쟁 요인에서는 종합병원과의 거리가 평균 1,366.78m, 병원과의 거리가 평균 932.84m로 나타나, 의원급 의료기관이 병원급 의료기관과 비교적 다양한 거리 분포를 보이는 것으로 확인된다. 특히 최대 거리가 각각 5,469.22m, 8,273.55m에 이르는 점은 공간적 입지 여건의 이질성을 반영한다. 입지 요인으로 포함된 대지면적(log)과 공시지가(log)의 평균은 각각 6.746, 9.295로 나타났으며, 두 변수 모두 로그 변환을 통해 극단값의 영향을 완화한 것이다. 이는 입지 규모 및 토지가격이 의료기관 간에 상당한 차이를 보이나, 분석에 적합한 형태로 정규화되었음을 시사한다. 사회･경제적 요인으로는 개원년도 대출이율을 포함하였으며, 평균 3.68%, 표준편차 0.64로 나타나 연구기간 동안 금융환경의 변동성이 존재했음을 확인할 수 있다.

<표 3>은 범주형 독립변수에 따른 의원급 의료기관의 생존기간 분포 특성을 제시한 것이다. 진료과별로 평균 생존기간을 비교하면, 치과의원이 70.46개월로 가장 길게 나타났으며, 한의원은 64.83개월, 의원은 60.04개월 순으로 확인되었다. 이는 진료과 유형에 따라 의료기관의 평균 생존기간에 차이가 존재함을 보여준다. 의사 수에 따라서는 1인 운영 의료기관의 평균 생존기간이 63.82개월로, 2인 이상이 운영하는 의료기관(61.04개월)보다 다소 길게 나타났다. 이는 의료기관 운영 형태에 따라 생존기간의 분포가 상이함을 시사한다.

입지 요인별로는 강북 지역에 위치한 의료기관의 평균 생존기간이 64.90개월로 강남 지역(61.88개월)보다 상대적으로 길게 나타났다. 소득 수준에 따른 구분에서는 종합소득액이 낮은 지역의 의료기관 평균 생존기간이 65.35개월로, 종합소득액이 높은 지역(61.62개월)에 비해 더 길게 나타났다.

경쟁 및 사회･경제적 요인과 관련된 범주형 변수에서도 생존기간의 분포 차이가 확인된다. 반경 500m 내 의료기관 수, 동종의원 수, 병원 수, 그리고 65세 이상 인구 규모 등은 범주별로 생존기간의 평균과 분산이 다르게 나타나, 지역별 경쟁 환경과 인구 구조가 의료기관 생존 특성과 밀접하게 연관되어 있음을 보여준다.

집단 간 생존곡선의 차이를 통계적으로 검정하기 위해 로그-순위(log-rank) 검정을 실시한 결과, 진료과별 생존곡선은 유의한 차이를 보였으며(χ²=55.05, p<0.001), 의사 수(1인 vs. 2인 이상)에 따른 생존곡선 역시 통계적으로 유의하게 다른 것으로 나타났다(χ²=14.40, p< 0.001). 반면 강남･강북 입지에 따른 생존곡선의 차이는 통계적으로 유의하지 않았으며, 종합소득액 수준에 따른 생존곡선은 유의한 차이를 보였다(χ²=53.79, p<0.001). 이는 진료과 유형, 의사 수, 그리고 종합소득액 수준에 따른 입지 차이가 의원급 의료기관의 생존에 중요한 영향을 미치는 요인임을 시사한다.

생존기간의 평균 차이를 보다 구체적으로 확인하기 위해 일원분산분석(ANOVA)과 독립표본 t-검정을 추가로 실시하였다. 진료과별 평균 생존기간에 대한 ANOVA 결과, 진료과 유형에 따른 평균 생존기간의 차이는 통계적으로 유의하였으며(F(2, 8613)=54.79, p< 0.001), 이는 진료과에 따라 의료기관의 폐업 시점 또는 생존기간이 상이함을 의미한다. 독립표본 t-검정 결과, 1인 운영 의료기관의 평균 생존기간은 63.82개월로 2인 이상 운영 의료기관(61.04개월)보다 유의하게 길게 나타났다(t=3.32, p<0.001). 또한 강북 지역 의료기관의 평균 생존기간은 64.90개월로 강남 지역(61.88개월)보다 약 3개월 길었으며(t=-3.70, p<0.001), 종합소득액이 낮은 지역의 의료기관 평균 생존기간(65.35개월)은 높은 지역(61.62개월)에 비해 약 3.7개월 길게 나타나 그 차이가 통계적으로 유의하였다(t=-4.59, p<0.001).

<표 4는 주요 독립 변수별 생존률을 비교해 보여주고 있다. 전체 생존률은 78.09%이며, 진료과별로는 치과의원이 83.46%로 가장 높고, 의원(78.09%), 한의원(73.04%) 순으로 나타난다. 의사 수 기준으로는 2인 이상 의료기관의 생존률이 81.30%로, 1인 의료기관(76.59 %)보다 높다. 입지 요인별로는 강북 지역의 생존률이 78.39 %로 강남 지역(77.92%)보다 소폭 높게 나타났으며, 종합소득액이 낮은 지역의 생존률(82.40%)은 높은 지역(75.73%)보다 뚜렷하게 높은 수준을 보인다.

2. 분석 결과

1) 내부 및 입지 요인에 따른 생존함수 및 생존 기간 비교

내부 요인과 입지 요인에 따른 의원급 의료기관의 생존 특성을 비교하기 위해 카플란-마이어(Kaplan- Meier) 생존곡선을 추정하였다. (그림 1)은 진료과 유형, 의사 수, 그리고 입지 특성에 따른 의원급 의료기관의 생존곡선을 제시한다.

그림 1.

내부와 입지 요인별 생존곡선

진료과별 생존곡선을 비교한 결과, 치과의원은 개원 초기부터 의원 및 한의원에 비해 전반적으로 높은 생존율을 유지하는 것으로 나타났다. 반면 한 의원은 개원 초기부터 상대적으로 낮은 생존율을 보이며, 시간 경과에 따라 생존곡선의 격차가 지속되는 양상을 보였다. 의사 수에 따른 비교에서는 2인 이상이 운영하는 의료기관의 생존곡선이 전 기간에 걸쳐 1인 운영 의료기관보다 상위에 위치하여, 다인 운영 의료기관의 생존율이 상대적으로 높음을 시사한다.

입지 요인별로는 강북 지역에 위치한 의료기관의 생존곡선이 강남 지역보다 전반적으로 높게 나타났으나, 두 집단 간 시각적 차이는 크지 않다. 반면 종합소득액 기준으로 구분한 입지에서는 개원 초기부터 종합소득액이 낮은 지역의 의료기관이 높은 지역에 비해 일관되게 높은 생존율을 보였으며, 이는 지역의 소득 수준이 의료기관 생존과 역의 관계가 있을 가능성을 시사한다.

요약하면, 생존곡선의 시각적 비교에 대한 분석 결과는 진료과 유형, 의사 수, 종합소득액 수준이 의원급 의료기관의 생존에 의미 있는 영향을 미친다는 점을 일관되게 보여준다.

2) 생존 요인에 대한 분석

(1) 콕스-비례위험모형 결과

의원급 의료기관 8,616개소를 대상으로 콕스 비례위험모형을 추정하였으며, 분석 결과는 <표 5>에 제시하였다. 분석에 앞서 다중공선성을 검토하기 위해 분산팽창계수(VIF)를 산출한 결과, 모든 변수의 VIF 값은 10 미만으로 나타나 다중공선성 문제는 없는 것으로 확인되었다. 반경 500m 내 의원급 의료기관 수와 진료과 변수의 VIF 값이 약 7 수준이었으나, 대부분의 변수는 2 미만으로 비교적 양호한 수준을 보였다. 또한 Schoenfeld 잔차 기반 비례위험 가정 검정 결과, 모든 변수에서 p값이 0.05를 초과하여 비례위험 가정이 충족되는 것으로 확인되었다.

내부 요인 중 진료과를 살펴보면, 치과의원의 위험비(HR)는 0.740으로 의원에 비해 폐업 위험이 약 26% 낮았으며, 한의원의 위험비는 1.325로 의원에 비해 폐업 위험이 약 32.5% 높았다. 이는 치과의원이 상대적으로 높은 생존 안정성을 보이는 반면, 한의원은 폐업 위험이 더 크다는 점을 의미하며, 앞선 카플란-마이어 생존곡선 분석 결과와도 일치한다. 기초통계량에서 한의원의 평균 생존기간이 의원보다 길게 나타난 결과는, 개원 초기의 상대적으로 높은 폐업 위험 이후 장기 생존하는 의료기관이 존재하는 분포 특성에 기인한 것으로 해석할 수 있다. 의사 수의 경우, 1인 운영을 기준으로 할 때 2인 이상 운영 의료기관의 위험비는 0.856으로 나타나, 다인 운영 의료기관일수록 폐업 위험이 유의하게 낮은 것으로 확인되었다. 의료기관 면적(log)은 위험비 0.967로 면적이 넓을수록 폐업 위험이 감소하는 방향성을 보였으나, 통계적으로 유의하지는 않았다.

경쟁 요인 중에서는 반경 500m 내 의원급 의료기관 수가 많을수록 폐업 위험이 유의하게 증가하였다. 이는 의원급 의료기관이 밀집한 지역일수록 경쟁 강도가 높아져 폐업 가능성이 커진다는 점을 의미한다. 종합병원에서 거리가 가까울수록 폐업 위험이 높고, 멀수록 낮아지는 경향을 보였으며, 이는 3차 의료기관으로의 환자 쏠림 현상이 1･2차 의료기관의 생존에 부정적 영향을 미친다는 기존 연구(옥현민 등, 2022)와 정합적인 결과이다. 반경 500m 내 병원 수 역시 폐업 위험을 유의하게 증가시키는 요인으로 나타났다. 이는 한국 의료체계에서 의원급 의료기관이 병원급 의료기관에 비해 규모, 자본, 의료 인력, 의료 장비 측면에서 경쟁상 불리한 위치에 놓여 있으며, 진료비 차이가 크지 않은 상황에서 환자가 상대적으로 자원이 풍부한 병원을 선호할 가능성이 높기 때문으로 해석할 수 있다. 반면 가장 가까운 병원까지의 거리와 반경 500m 내 동종 진료과 의원 수는 폐업 위험과 통계적으로 유의한 관련성을 보이지 않았다.

입지 요인 중 강남･강북 구분에 따른 폐업 위험 차이는 통계적으로 유의하지 않았다. 반면 종합소득액 기준 입지에서는 종합소득액이 낮은 지역에 위치한 의원급 의료기관의 폐업 위험이 높은 지역에 비해 유의하게 낮은 것으로 나타났다. 이는 전체 표본의 약 65%가 종합소득액이 높은 지역에 집중되어 있어, 해당 지역 내 의료기관 밀집도와 경쟁 강도가 상대적으로 높기 때문으로 해석할 수 있다. 실제로 반경 500m 내 인구 수를 의료기관 수로 나눈 1기관당 평균 인구는 종합소득액이 높은 지역이 30,966명으로, 낮은 지역(31,835명)에 비해 더 낮아 의료기관 밀도가 높은 것으로 확인되었다. 또한 대지면적(log)과 공시지가(log)는 모두 값이 클수록 폐업 위험이 유의하게 감소하는 것으로 나타나, 물리적 규모와 토지 가치가 높은 입지가 장기적인 생존 안정성에 긍정적으로 작용함을 시사한다. 공시지가의 효과를 소득 수준별로 분리하여 살펴본 결과, 종합소득액 수준과 무관하게 공시지가가 높을수록 폐업 위험은 감소하는 것으로 나타났으며, 상호작용항은 유의하지 않아 공시지가 효과의 소득 수준별 차이는 통계적으로 확인되지 않았다.

사회･경제적 요인에서는 반경 500m 내 65세 이상 인구 수가 많을수록 폐업 위험이 유의하게 감소하였다. 이는 고령 인구 비중이 높은 지역일수록 의료 수요가 비교적 안정적으로 유지된다는 기존 연구(den Hartog et al., 2013)와 일관된 결과이다. 반면 개원 연도의 중소기업 대출금리는 금리가 높을수록 폐업 위험이 유의하게 증가하는 것으로 나타났다. 이는 개원 초기 의료기관이 시설, 인테리어, 마케팅 비용을 대출에 의존하는 구조에서, 높은 이자 부담이 장기적인 재무 압박으로 작용하여 생존에 부정적 영향을 미친 결과로 해석할 수 있다.

요약하면, 콕스 비례위험모형 분석 결과 진료과 유형과 의사 수와 같은 내부 요인뿐 아니라, 주변 경쟁 강도, 종합소득액 수준, 대지면적과 공시지가, 고령인구 규모, 개원 시점의 금리 등 입지 및 사회･경제적 요인이 의원급 의료기관의 생존에 유의한 영향을 미치는 것으로 확인되었다. 이는 의원급 의료기관의 생존이 개별 기관의 내부 자원에 국한되지 않고, 경쟁구조와 입지 특성, 거시적 경제 환경이 복합적으로 작용한 결과임을 보여준다.

(2) 프레일티 모형 결과

콕스 비례위험모형에서 충분히 반영하지 못한 군집 효과와 비관측 이질성을 보정하기 위해, 본 연구는 감마 분포를 가정한 공유 프레일티(shared frailty) 모형을 추가적으로 추정하였다. 프레일티 군집 변수는 개원 연도, 폐업 연도, 진료과로 구분하여 각각 모형을 추정하였다.

먼저 개원 연도를 군집 변수로 설정한 프레일티 모형의 추정 결과<표 6>, 프레일티 분산(θ)은 0.1660으로 나타났으며, 우도비 검정 결과 chibar²=135.86(p<0.001)로 통계적으로 유의하였 다. 이는 의원급 의료기관의 생존 위험이 개원 연도별로 유의한 이질성을 보인다는 것을 의미하며, 개원 시점의 의료정책 환경, 경기 상황, 부동산 및 금융 여건과 같은 거시적 조건이 의료기관의 생존 위험에 구조적으로 영향을 미친다는 점을 시사한다. 해당 모형에서 유의하게 나타난 변수는 콕스 비례위험모형의 결과와 대체로 유사하며, 진료과 유형, 의사 수, 반경 500m 내 의원급 의료기관 수, 종합병원에서 거리, 종합소득액이 낮은 지역 여부, 65세 이상 인구 수가 주요 결정요인으로 확인되었다. 반면 의료기관 면적, 강남･강북 입지, 반경 500m 내 병원 수, 병원에서의 거리, 반경 500m 내 동종 의원 수, 대지면적, 공시지가, 대출금리는 통계적으로 유의하지 않았다.

다음으로 폐업 연도를 군집 변수로 설정한 프레일티 모형의 추정 결과는 <표 7>에 제시하였다. 프레일티 분산(θ)은 4.275로 크게 추정되었으며, 우도비 검정 결과 또한 통계적으로 유의하였다(chibar²=9,389.85 p<0.001). 이는 의원급 의료기관의 폐업 위험이 폐업 연도별로 강한 군집 효과를 보이며, 특정 연도에 폐업이 집중되는 구조적 특성이 존재함을 의미한다. 이러한 결과는 분석 기간 동안의 경기 변동, 보건의료 정책 변화, 코로나19 팬데믹과 같은 외생적 충격이 특정 시기에 의원급 의료기관의 폐업 위험을 집단적으로 증폭시켰을 가능성을 시사한다. 내부 요인 중 진료과 유형과 의사 수는 폐업 위험과 통계적으로 유의한 관련성을 보이지 않았다. 반면 의료기관 면적(log)은 위험비가 1.082로 나타나, 면적이 클수록 폐업 위험이 유의하게 증가하는 것으로 분석되었다. 이는 콕스 모형에서는 유의하지 않았으나, 프레일티 분석에서는 폐업이 특정 연도에 집중되는 환경에서 규모가 큰 의료기관일수록 임대료, 인건비 등 고정비 부담이 상대적으로 커져 외부 충격에 취약해질 가능성을 시사한다.

경쟁 요인 중에서는 반경 500m 내 병원 수가 폐업 위험을 유의하게 감소시키는 요인으로 나타났다. 반면 의원 수, 종합병원과의 거리, 병원과의 거리, 반경 500m 내 동종 의원 수는 폐업 위험과 통계적으로 유의한 관련성을 보이지 않았다.

입지 요인에서는 강남･강북 구분과 종합소득액 기준 입지가 폐업 위험에 유의한 영향을 미치지 않았으나, 대지면적(log)과 공시지가(log)는 모두 위험비가 1보다 크게 나타나, 값이 증가할수록 폐업 위험이 유의하게 증가하는 것으로 분석되었다. 이는 특정 연도에 폐업이 집중되는 국면에서는 의료기관의 면적(log)과 마찬가지로 토지 규모나 지가 수준이 높은 입지가 오히려 비용 부담 요인으로 작용할 수 있음을 시사한다.

사회･경제적 요인에서는 65세 이상 인구 수가 많을수록 폐업 위험이 증가하는 것으로 나타났으나, 위험비가 HR=1.0001로 추정되어 효과의 크기는 매우 제한적인 수준에 그쳤다. 대출이율은 위험비가 0.180으로 나타나 금리가 높을수록 폐업 위험이 유의하게 낮은 것으로 분석되었다. 앞의 분석 결과와 달리, 대출이율의 위험비가 매우 낮게 추정된 결과는, 금리 자체가 폐업 위험을 직접적으로 낮춘다는 인과관계로 해석하기보다는 개원 코호트가 직면한 거시적 금융환경의 선별 효과로 이해하는 것이 타당하다.

본 연구에서 사용한 대출이율은 개별 의료기관의 실제 차입금리가 아니라 개원연도별 중소기업대출금리를 대리변수로 활용한 것으로, 이는 해당 시점의 금융 여건과 진입 환경을 반영한다. 금융 여건이 상대적으로 타이트했던 시기에 개원한 의료기관은 초기 투자 부담을 감내할 수 있는 자본력, 담보 여력, 입지 조건 또는 경영 역량을 갖춘 집단일 가능성이 높으며, 이러한 선별된 특성이 장기 생존으로 이어졌을 가능성이 있다. 따라서 폐업연도 기준 프레일티 모형에서 관찰된 낮은 위험비는 금리 부담의 효과라기보다는 진입 장벽과 동시기의 거시･제도적 환경이 결합된 코호트 효과를 반영한 결과로 해석할 수 있을 것이다.

요약하면, 프레일티 모형 분석 결과는 개원 연도와 폐업 연도에 따른 거시적 환경, 예를 들면, 경제 상황, 정책 변화, 의료･부동산 시장 여건, 금융 환경 등이 의원급 의료기관의 생존 위험에 구조적인 영향을 미친다는 점을 명확히 보여준다. 이는 의원급 의료기관의 생존이 개별 기관의 내부 특성에 국한되지 않고, 어느 시점에 개원하였는지, 그리고 어떠한 외부 충격 국면을 경험하였는지와 같은 시간적･환경적 요인에 의해 강하게 좌우됨을 의미한다.

<표 8>은 콕스 비례위험모형과 개원 연도별 및 폐업 연도별 프레일티 모형의 추정 결과를 비교한 것이다. 콕스 비례위험모형에서는 내부 요인과 입지 요인이 전반적으로 폐업 위험에 유의한 영향을 미친 반면, 폐업 연도를 군집 변수로 설정한 프레일티 모형에서는 다수의 변수 효과가 약화되거나 통계적으로 유의하지 않게 나타났다. 반면 프레일티 분산(θ)은 폐업 연도 모형에서 크게 추정되어, 의원급 의료기관의 폐업이 개별 의료기관의 특성보다는 특정 연도에 공통적으로 작용한 거시적 충격에 집단적으로 영향을 받았음을 시사한다. 이는 외부 환경 변화가 의료기관 생존 결정 구조를 근본적으로 재편할 수 있음을 보여주는 결과로 해석할 수 있다.

V. 결론

1. 요약 및 결론

본 연구는 2014년부터 2023년까지 서울에서 개원한 의원급 의료기관 8,616개소를 대상으로 생존 기간과 폐업 위험의 결정요인을 실증적으로 분석하였다. 분석 결과, 진료과 유형과 의사 수는 의료기관 생존에 중요한 내부 요인으로 확인되었으며, 의원을 기준으로 치과의원은 폐업 위험이 낮고 한의원은 상대적으로 높게 나타났다. 또한 의사 수가 2인 이상인 의료기관은 1인 운영 기관에 비해 폐업 위험이 유의하게 낮았다. 경쟁 및 입지 요인 분석에서는 반경 500m 내 의료기관 밀도가 높을수록, 종합병원 및 병원급 의료기관과의 근접성이 클수록 폐업 위험이 증가하여, 동일 생활권 내 경쟁 구조가 의원급 의료기관의 생존에 불리하게 작용함을 확인하였다. 반면 종합소득액이 낮은 지역, 대지면적이 넓고 공시지가가 높은 입지에 위치한 의료기관은 상대적으로 낮은 폐업 위험과 긴 생존기간을 보였다. 사회･경제적 요인 중에서는 고령 인구 비중이 높은 지역에서 생존 가능성이 높았으며, 개원 시점의 대출금리가 높을수록 폐업 위험이 증가하는 것으로 나타났다.

프레일티 모형 분석 결과, 개원 연도와 폐업 연도 모두에서 유의한 군집 효과가 확인되어, 의료기관의 생존과 폐업이 개별 기관의 특성뿐 아니라 시기별 거시적 환경의 영향을 크게 받는다는 점이 실증적으로 확인되었다. 특히 폐업 연도를 기준으로 한 프레일티 분산이 크게 추정된 점은 경기 침체, 코로나19 팬데믹, 보건의료 정책 변화와 같은 외생적 충격이 특정 연도에 의원급 의료기관의 폐업 위험을 집단적으로 증폭시킬 수 있음을 시사한다.

본 연구의 의의는 의원급 의료기관의 생존을 입지와 경쟁 환경이라는 공간적 맥락에서 분석하고, GIS 기반 공간 데이터를 활용하여 의료기관 간 거리와 경쟁 밀도를 미시적으로 측정함으로써 기존 의료기관 생존 연구의 분석 범위를 확장하였다는 데 있다. 또한 프레일티 모형을 적용하여 연도별 이질성을 통제함으로써, 의료기관 생존이 시기적･구조적 환경과 밀접하게 연관되어 있음을 보여주었다.

정책 측면에서 보면, 본 연구의 결과는 의원급 의료기관의 개설과 관리 과정에서 입지 요인이 핵심적인 결정요인임을 시사한다. 의료기관 밀집도가 높거나 병원급 의료기관과의 근접성이 큰 지역에서는 구조적으로 생존 위험이 높아질 수 있으므로, 의료서비스 공급자는 경쟁 환경을 고려한 전략적 입지 선택이 요구된다. 동시에 정책 입안자는 지역별 의료 공급의 과밀과 불균형을 완화하기 위해 공간적 경쟁구조를 고려한 의료자원 관리 및 조정 정책을 검토할 필요가 있다. 더 나아가 시기별 거시적 충격이 의원급 의료기관의 생존에 미치는 영향을 고려하여, 위기 국면에서 선제적이고 시기 대응적인 지원 체계를 마련할 필요성이 제기된다.

2. 분석 한계

본 연구는 서울시 의원급 의료기관의 생존 요인을 실증적으로 분석하였으나, 다음과 같은 한계를 지닌다.

첫째, 본 연구는 행정 데이터에 기반한 정량적 분석에 초점을 두었기 때문에 의료기관 운영자의 개인적 특성이나 의료기관 내부의 경영 요인을 충분히 반영하지 못하였다. 의사의 연령, 임상 경험, 진료역량, 경영 능력, 환자와의 관계 등은 의료기관의 성과와 생존에 중요한 영향을 미칠 수 있으나, 자료의 제약으로 인해 분석에 포함하지 못하였다.

둘째, 진료비 구조, 환자 수, 진료 효율성, 서비스 품질, 부동산 소유 여부 등 의료기관의 내부 경영 성과를 직접적으로 반영하는 비가시적 요인 역시 고려하지 못하였다. 향후 연구에서는 건강보험 청구자료나 재무 자료와 같은 미시자료를 결합함으로써 의료기관의 운영 성과와 생존 간의 관계를 종합적으로 분석할 필요가 있다.

셋째, 분석 대상을 서울 지역으로 한정함으로써 본 연구의 결과는 대도시 의료 환경을 전제로 해석될 필요가 있다. 향후 연구에서는 광역시 및 중소도시를 포함한 지역 간 비교 분석을 통해 의료 공급 구조와 입지 요인의 지역적 차이를 더 정밀하게 검증할 필요가 있다.