I. 서론

어디에 사는가는 얼마나 우울한가에 영향을 미친다. 이러한 우울은 삶의 질을 떨어뜨리고 일상생활과 사회적 관계를 위축시키며 자살로 이어질 수 있어, 전 세계적으로 건강 손실이 가장 큰 질환 가운데 하나로 꼽힌다(Malhi and Mann, 2018). 그럼에도 각국 정부의 정신건강 예산은 보건예산의 평균 약 2%에 머물러 있다(WHO, 2022). 코로나19 팬데믹은 이 부담을 한층 키워, 첫해에만 전 세계 불안･우울 유병률이 25% 증가하였고 그 충격은 청년과 여성에게 집중되었다(WHO, 2022). 이렇게 벌어진 부담과 대응 사이의 간극을 개인들의 의료 대응으로 메울 수는 없다. 우울에 대한 대응을 지역사회 수준의 예방과 환경 개선으로 확장해야 한다는 요구가 커지는 이유다. 그리고 그 출발점은 우울의 부담이 언제, 어디에서 커지는지를 아는 일에서 시작한다.

팬데믹의 충격은 한국에서 특히 가팔랐다. 보건복지부의 코로나19 국민 정신건강 실태조사에 따르면 성인 우울위험군은 2019년 3.2%에서 코로나 발병 이후인 2021년 3월 22.8%로 약 7배 급증하였고, 2022년 6월 16.9%로 낮아진 뒤에도 팬데믹 이전의 5배 수준을 유지하였다(보건복지부, 2022). 경제협력개발기구(OECD)의 국가 간 비교에서도 2020년 한국의 우울 유병률은 36.8%로 조사 대상국 가운데 가장 높았다(OECD, 2021). 사회적 거리두기가 본격화된 2020년 봄에 실시된 조사에서 이미 성인의 29.7%가 우울을, 48.8%가 불안을 경험한 것으로 보고되어, '코로나 블루'가 일시적 유행어가 아니라 실체를 갖는 인구집단 수준의 현상임이 확인되었다(이동훈 등, 2020).

더 주목할 것은 회복 과정이다. 질병관리청 지역사회건강조사의 우울감경험률은 2016년 5.5%에서 지속적으로 상승하여 팬데믹이 사실상 종식된 2023년에 7.3%로 역대 최고치를 기록하였고, 2024년에야 6.2%로 처음 하락하였다(질병관리청, 2024). 세계적으로는 팬데믹 초기의 정신건강 악화가 비교적 빠르게 회복되었다는 보고가 많다(Robinson et al., 2022). 정점이 2023년에야 나타난 한국의 경과는 회복이 지연된 사례에 해당한다. 이 기간 시군구 간 우울감경험률의 최대 격차는 10%p를 상회하였다. 우울감 급등과 지연 회복, 그리고 그 사이에서 벌어진 지역 간 격차는 우울 문제를 단일 시점의 전국 평균으로는 파악할 수 없음을 보여주며, 시간과 공간을 함께 고려한 분석이 필요하다는 것을 요구한다.

실제로 우울 문제의 심각성은 지역에 따라 차이가 크다. 국내에서는 우울감경험률을 포함한 정신건강 지표가 시군구 사이에서 뚜렷한 차이를 보이며, 그 차이가 지역박탈 등 지역 특성과 연관되어 있음이 확인되었다(정진영 등, 2017). 공간적 측면에서도 우울감경험률이 시군구 단위에서 군집을 이루고(Choi and Kim, 2017), 스트레스 인지율의 핫스팟이 수도권에 집중되며(김예은 등, 2022), 자살 위험의 지역 간 서열이 시간이 지나도 고착되어 있다는(노법래, 2017) 보고가 이어져 왔다. 해외에서도 잉글랜드의 소지역 자료를 12년에 걸쳐 분석하여 우울 유병률의 공간적 군집이 강해지고 지역 간 격차가 커졌음을 보인 연구가 있다(Tsimpida et al., 2024). 여기에 코로나19의 확산 자체가 수도권을 중심으로 공간적으로 불균등하게 전개되었다는 점을 겹쳐 보면(이진희 등, 2021; 차성은 등, 2021; Im and Kim, 2021b), 팬데믹의 정신건강 여파 역시 지역에 따라 다르게 나타났다는 가설이 자연스럽게 도출된다. 팬데믹은 이동･접촉･경제활동을 동시에 바꾼 외생적 충격으로, 우울의 공간 구조가 외부 충격에 어떻게 반응하는지를 관찰할 수 있는 드문 기회이기도 하다. 그 여파가 2023년 정점을 지나 회복 국면에 접어든 지금은, 어느 지역이 회복에서 뒤처지는지를 확인하고 자원을 배분해야 할 시점이다.

우울의 지역 간 차이를 파악하는 일은 학술적 과제인 동시에 정책 집행의 기초가 된다. 제2차 정신건강복지기본계획은 지역사회 기반 정신응급 대응체계와 정신건강복지센터 연계를 핵심 축으로 하여, 정신건강 정책의 무게중심을 이미 지역 단위 전달체계로 옮겨 놓았다(보건복지부, 2021). 그러나 어느 지역에 자원을 우선 배분하고 어떤 환경 요인에 개입할 것인지를 뒷받침할 시군구 수준의 정량적 근거는 여전히 부족하다. 우울감의 지역 차이가 녹지, 주거, 의료 접근성과 같은 도시환경과 사회경제적 조건에 따라 다르게 만들어진다면, 효과적인 정책을 위해서는 “어느 지역에서, 어떤 요인이, 어느 방향으로” 작동하는지를 국지적으로 파악해야 한다.

그러나 기존 연구는 세 가지 측면에서 한계를 보인다. 첫째, 국내 우울 연구의 다수는 개인 수준 조사자료에 대한 비공간적 회귀나 다층모형에 의존하여, 지역 간 공간적 의존성과 이질성을 명시적으로 다루지 못하였다. 둘째, 공간을 고려한 연구들도 지리가중회귀(geographically weighted regression, GWR) 등 선형 관계를 가정하는 모형이 중심이어서, 일정 수준을 넘어야 나타나거나 다른 조건과 결합할 때에만 나타나는 도시환경 요인의 복잡한 효과를 포착하기 어려웠다(Li, 2024). 셋째, 전역 평균 효과 중심의 분석은 지역 맞춤형 정책 수립에 필요한 국지적 근거를 제공하지 못한다. 실제로 지역사회건강조사 우울감경험률을 시군구 단위 종속변수로 삼아 공간적 자기상관과 공간회귀를 함께 적용한 국내 연구는 Choi and Kim(2017) 이후 사실상 공백 상태다.

도시환경 요인의 복잡한 비선형 효과는 머신러닝으로 포착할 수 있다. 그러나 머신러닝은 예측의 근거를 설명하지 못한다는 블랙박스 문제를 안고 있다. 이에 게임이론의 Shapley 값으로 예측을 변수별 기여로 분해하는 SHAP이 제안되었고(Lundberg and Lee, 2017), 이 연구는 이를 공간분석으로 확장하는 GeoShapley를 적용하였다(Li, 2024). GeoShapley는 위치를 하나의 결합 플레이어(joint player)로 취급하여, 위치 고유의 효과와 위치-변수 상호작용까지 예측값에서 분해해 낸다. 이 분해는 GWR 계열 공간가변계수 모형의 국지 계수와 직접 대응하면서도 비선형 관계를 수용할 수 있어, 공간통계와 머신러닝을 잇는 가교로 평가된다(Li, 2022; 2024). GeoShapley는 주택가격, 도시열섬, 재해 위험 등 여러 분야로 빠르게 확산되고 있으나, 우울을 비롯한 정신건강에 적용한 연구는 아직 확인되지 않았다.

본 연구의 목적은 다음과 같다. 첫째, 2012년부터 2025년까지 수도권 66개 시군구 우울감경험률의 시공간 분포와 공간 군집의 변화를 코로나19 팬데믹 전후로 구분하여 파악한다. 둘째, XGBoost와 GeoShapley를 결합하여 우울감에 영향을 미치는 도시환경･사회경제 요인의 전역적 중요도와 비선형 관계를 확인한다. 셋째, 요인별 기여의 공간적 이질성과 시기 간 구조 변화를 분석하여 지역 맞춤형 정신건강 정책의 근거를 제시한다. 이를 통해 본 연구는 정신건강의 공간적 이해와 근거 기반 지역 정책 수립에 기여할 것으로 기대한다.

II. 선행연구

1. 우울의 사회적 결정요인과 근린효과

근린 환경과 우울의 관계는 건강의 사회적 결정요인 연구의 오랜 주제다. 근린 요인을 체계적으로 정리한 Kim(2008)의 문헌고찰은 이를 사회경제적 수준, 물리적 환경, 서비스･어메니티, 사회자본, 사회적 무질서의 다섯 영역으로 구분하고 28편의 실증 연구를 평가하였다. 그 결과 개인의 연령, 성별, 소득, 교육을 통제한 후에도 범죄나 가족 해체로 대표되는 사회적 무질서가 우울과 가장 일관되게 연관되는 반면, 근린의 사회경제적 수준이 갖는 보호 효과는 상대적으로 비일관적이었다. 이후의 고찰 연구들은 근린이 우울에 영향을 미치는 인과 경로, 곧 스트레스 과정, 사회적 지지, 물리적 환경 노출의 검증이 여전히 부족함을 지적하면서도(Blair et al., 2014), GIS 기반 근린 속성의 계량화가 정신건강 연구의 핵심 도구로 자리 잡았음을 확인한다(Park et al., 2021).

국내 연구들도 같은 방향을 가리킨다. 다층모형을 적용한 연구들은 개인 요인을 통제한 후에도 지역 수준의 영향이 남아 있음을 일관되게 보고한다. 고정은･이민홍(2015)은 부산 거주 노인의 우울감 경험 변이 가운데 6.3%가 기초자치단체 수준에서 발생하며, 지역의 기초생활수급자 비율과 노인복지예산이 유의함을 보였다. 김명일 등(2019)은 노년기 우울이 거주 지역에 따라 유의한 차이를 보이며 지역의 사회적 신뢰가 보호요인으로, 지역 빈곤율이 위험요인으로 작동함을 확인하였고, 염지혜(2022)는 노인 우울증상의 도농 간 차이를 보고하였다. 이진희(2016)는 지역사회건강조사 약 19만 명을 시군구와 결합한 분석에서, 지역 간 건강 격차의 상당 부분이 연령 구성과 같은 인구 구성의 차이에서 비롯되지만 근린환경과 지방자치단체 역량 등 지역 고유의 맥락 요인 역시 일정한 영향을 미침을 보였다.

인구집단별 연구는 우울 취약성의 구조를 더 구체적으로 보여준다. 1인가구는 사회경제적 박탈과 사회적 고립을 통해 우울과 연결되는 대표적 취약 가구 형태로, 중년 1인가구에서 주거･식생활 박탈이 우울을 높이고(임유진･박미현, 2018), 서울시 1인가구의 62.1%가 외로움을, 7.6%가 우울증을 경험한다는 보고가 있다(박민진･김성아, 2022). 청년층에서는 사회적 자본의 결핍이 우울과 연관되며(김지훈 등, 2024), 미래 전망에 대한 격차 인식이 우울을 높이는 정도가 수도권과 비수도권에서 다르게 나타나(최윤희 등, 2025) 청년 정신건강에도 지역적 맥락이 개입함이 확인된다.

2. 도시환경과 정신건강

개별 도시환경 요인의 효과도 국내외 연구에서 비교적 구체적으로 확인되어 있다. 녹지 노출은 메타분석들에서 우울 위험을 소폭이지만 일관되게 낮추는 요인으로 보고된다. 녹지 비율이 10% 늘어날 때 우울 위험이 약 4% 낮아진다는 병합 추정이 제시되었고(Liu et al., 2023), 정신질환 전반에 대한 별도의 메타분석에서도 같은 방향의 결과가 확인되었다(Zhang et al., 2024). 국내에서도 7대 도시 성인 6만여 명을 분석하여 거주지 주변 식생지수가 높은 집단의 우울증상 위험이 유의하게 낮음을 보인 연구가 있다(Song et al., 2019). 이어 가로 경관의 녹지와 열린 하늘이 우울감을 완화하고 차량･쓰레기 등의 경관 요소가 우울감을 높인다는 미시적 분석(김연우 등, 2025), 도로 중심 근린환경이 우울을 높이고 녹지가 이를 낮춤을 보인 분석(남예인 등, 2023)이 이어지고 있다.

주거는 정신건강의 물리적 기반이다. 여러 나라의 종단 연구를 종합한 체계적 문헌고찰은 점유 형태, 주거비 부담, 주택의 물리적 상태가 이후의 정신건강 악화와 연관됨을 보고한다(Singh et al., 2019). 국내에서도 최저주거기준 미달과 주거비 과부담이 우울에 부정적 영향을 미치고(박정민 등, 2015), 주거환경 만족이 신체활동을 매개로 노인 우울을 낮춘다는 근거가 있다(구본미･채철균, 2019). 교통･이동성 영역에서는 고령자의 운전 중단이 우울 위험을 두 배 가까이 높인다는 메타분석과 함께(Chihuri et al., 2016), 국내에서 의료시설･대중교통 접근성이 농촌 노인의 주관적 건강을 개선하되 도시 노인에게는 유의하지 않아 접근성 효과에 지역 이질성이 존재함을 보인 연구가 보고되었다(이유진･김의준, 2015). 야간의 인공 빛 환경도 주목되는 요인이다. 한국 성인 전국 표본과 위성 야간조도 자료를 결합한 분석에서 빛공해 최고 노출 지역 거주자는 우울증상 교차비가 1.29에 달했고(Min and Min, 2018), 야간 조명 노출이 수면 건강과 연관된다는 국내 코호트 근거도 있다(Koo et al., 2016). 한편 도시와 농촌의 차이는 국가 소득수준에 따라 방향이 달라, 선진국에서는 도시 거주가 우울 위험 증가와 연관되는 경향이 확인되며(Xu et al., 2023), 국내에서는 도시환경이 자살에 미치는 영향이 인구집단에 따라 상이하다는 보고가 도시환경-정신건강 관계의 집단별･지역별 이질성을 뒷받침한다(이진희 등, 2024).

3. 정신건강과 코로나19의 공간적 불균등

정신건강 지표에 공간통계를 적용한 국내 연구는 GWR과 핫스팟 분석을 중심으로 전개되어 왔다. 건강 지표에 대한 GWR의 적용 가능성은 장수 인구 분포 연구에서 일찍이 확인되었고(최돈정･서용철, 2012), Choi and Kim(2017)은 지역사회건강조사 우울감경험률의 시군구 단위 Moran's I가 0.34로 유의한 공간적 군집을 이룸을 확인한 뒤 GWR로 지역별 계수의 차이를 탐색하였다. Hwang and Kim(2023)은 노인 우울의 읍면동 단위 핫스팟 313곳을 식별하였으며, 최현석 등(2022)은 정신건강 진료기관이 수도권에 편중되어 있어 정신건강 문제에 지역 단위의 접근이 필요함을 보였다. 김예은 등(2022)은 시군구 스트레스 인지율의 공간적 의존성이 10년간 지속되고 그 핫스팟이 수도권에 집중됨을 보였다. 자살 연구에서도 지역 간 위험의 서열이 시공간적으로 고착되어 있다는 분석(노법래, 2017)과 서울시 자치구 자살사망률의 군집 변화 분석(최민재･이요한, 2025)이 정신건강 지표의 공간 구조를 보고한다. 정신건강 밖으로 넓히면, 말라리아와 결핵 같은 감염병의 공간 구조와 지역 요인을 다룬 국내 연구들(김세형･김영호, 2017; 임창민･김영호, 2016; 2021; Im and Kim, 2021a)까지 더해져 보건 지표의 공간분석은 국내 지리학의 주요 주제로 자리 잡았다.

코로나19는 이러한 공간적 관점의 필요성을 한층 부각시켰다. 국내 확산 과정은 수도권을 중심으로 지리적 인접성과 연결성을 따라 전개되었고(이진희 등, 2021), 비수도권 대도시에서도 고령인구 비율과 토지이용 복합도 같은 도시 특성이 확산과 연관되었으며(조성민 등, 2022), 시군구 확진자 분포는 전통적 환경 요인보다 공간적 자기상관에 크게 좌우되었으며(정보경 등, 2022), 유행 초기부터 서울･경기가 최고위험지역으로 부상하였다(차성은 등, 2021). 감염의 공간적 확산이 이처럼 불균등했다면 그 정신건강 여파 역시 불균등했을 것으로 예상할 수 있으나, 팬데믹 전후 우울의 공간 구조 변화를 시군구 단위에서 직접 추적한 국내 연구는 찾아보기 어렵다.

4. GeoShapley와 설명가능한 공간 인공지능

방법론적으로는 GWR에서 다중스케일 GWR로, 다시 머신러닝과 설명가능한 인공지능의 결합으로 이어지는 흐름이 뚜렷하다. SHAP으로 해석한 XGBoost가 공간시차모형이나 다중스케일 GWR과 유사한 공간효과를 재현함이 확인되면서(Li, 2022), 공간효과를 본질적으로 상호작용효과, 곧 위치와 변수가 결합하여 나타나는 효과로 이해하는 관점이 제시되었다. 이를 정식화한 것이 GeoShapley다(Li, 2024). GeoShapley는 위치변수를 Shapley 게임의 단일 결합 플레이어로 취급하고, 예측값을 φ₀(전역 절편), φ_GEO(내재적 위치효과), φ_j(비공간 주효과), φ_(GEO,j)(위치-변수 상호작용)로 분해한다. Li(2024)는 공간효과의 참값을 알도록 설계한 모의자료 실험에서 GeoShapley 설명값이 설정된 공간효과를 정확히 회복하고, 다중스케일 GWR이 선형 가정 때문에 놓치는 U자형 비선형 효과까지 재현함을 보였다. 이후 베이징 주택가격(Chen et al., 2025), 가뭄 위험(Yan et al., 2026), 도시열섬(Yang et al., 2025), 고령 보행자 교통사고(Putra et al., 2026), 지역사회 만족도(Zhang et al., 2025) 등으로 응용이 확산되고 있으며, 이들 응용 연구의 다수가 XGBoost와 GeoShapley의 결합을 채택하고 있다. 국내에서도 공간 머신러닝을 사회 현상의 분석에 적용한 실증이 나타나고 있다(Im and Kim, 2025). 다만 GeoShapley의 응용은 주택가격, 재해, 도시기후, 교통안전 등 물리･경제 영역에 머물러 있어, 도시환경 요인의 비선형성과 공간 이질성을 동시에 다룰 수 있는 이 방법론이 정신건강 영역에 적용된 사례는 아직 없다. 본 연구는 이 지점에서 출발하여, 팬데믹을 관통하는 14개년 시계열에서 수도권 우울감의 공간 구조 변화를 추적하고 GeoShapley로 그 요인 구조를 전역과 국지 수준에서 분해한다.

III. 연구 자료 및 방법

1. 연구 지역과 공간 단위

본 연구의 공간적 범위는 서울특별시 25개 자치구, 인천광역시 10개 구･군, 경기도 31개 시군을 포함한 수도권 66개 시군구다(그림 1). 수도권은 국내 인구의 절반이 거주하는 최대 도시권이자 코로나19 확진자가 집중된 지역이며(차성은 등, 2021), 고밀 도심과 신도시, 원도심, 교외 농촌이 공존하여 도시환경의 공간적 대비가 뚜렷한 지역이다. 구가 설치된 경기도 7개 시(수원･성남･안양･부천･안산･고양･용인)는 지역사회건강조사 공표 단위에 맞추어 시 단위로 통합하였다. 시간적 범위는 탐색적 공간 분석의 경우 종속변수가 확보되는 2012년부터 2025년까지 14개년이며, 요인 분석은 독립변수가 함께 확보되는 2015년부터 2024년까지 10개년이다. 코로나19 팬데믹 전후 비교를 위해 분석 기간을 팬데믹 이전(2012~2019년), 팬데믹 시기(2020~2022년), 팬데믹 이후(2023~2025년)로 구분하였다.

그림 1.

연구 지역

공간가중행렬은 Queen 인접 기준으로 구축하되, 인접한 육지가 없는 도서 지역의 고립 문제를 실제 교통 연결에 근거하여 보정하였다. 강화군은 강화대교와 초지대교로 연결된 김포시와, 옹진군은 영흥대교･선재대교로 연결된 안산시 및 정기 여객선 항로로 연결된 인천 중구와 이웃으로 정의하였고, 영종대교와 인천대교로 연결된 인천 중구-서구, 중구-연수구도 이웃에 포함하였다. 그 결과 고립 지역이 없는 단일 연결 구조가 확보되었다(평균 이웃 수 5.3).

2. 종속변수

종속변수는 질병관리청 지역사회건강조사의 시군구별 우울감경험률이다. 지역사회건강조사는 2008년부터 매년 전국 보건소가 시군구당 약 900명의 성인을 방문 면접하는 국내 유일의 시군구 단위 전국 건강조사로, 우울감경험률은 최근 1년 동안 연속 2주 이상 일상생활에 지장이 있을 정도의 우울감을 경험한 사람의 분율로 정의된다(질병관리청, 2024). 연령 구조가 다른 지역과 연도를 비교할 수 있도록, 질병관리청이 국내 건강통계의 공통 표준인구로 사용하는 2005년 추계인구 기준 연령표준화율 공표값을 그대로 사용하였다(질병관리청, 2024).

시군구 단위 분석에서는 표본 크기에 따른 추정치의 변동에 유의할 필요가 있다. 시군구당 표본이 약 900명이어서 한 해 값이 표본추출에 따른 우연한 변동의 영향을 크게 받으며, 질병관리청 역시 시군구 간 비교에는 3개년 평균치를 사용한다(질병관리청, 2026). 실제로 본 자료에서 우울감경험률의 연속된 두 해 사이 상관계수는 0.40에 그쳐, 단년도 값에는 지역의 실질적 차이 못지않게 조사 변동이 섞여 있음을 확인할 수 있었다. 이에 본 연구의 요인 분석에서는 3개년 이동평균 우울감경험률을 종속변수로 사용하였다.

3. 독립변수

독립변수는 선행연구의 영역 구분을 준거로(Kim, 2008) 위성 기반 도시환경, 주거, 사회경제, 인구 구성, 서비스 접근, 사회해체, 팬데믹 노출의 일곱 범주 15개 변수로 구성하였다(표 1). 사회경제･인구･서비스 변수는 국가통계포털의 시군구 통계를 사용하였으며, 변수별 정의와 출처는 표 1에 정리하였다. 변수별 선정 근거는 다음과 같다.

1) 위성 기반 도시환경 변수

• 정규식생지수(Normalized Difference Vegetation Index, NDVI): 녹지는 스트레스 회복과 신체활동, 사회적 접촉을 매개로 우울을 완화하는 대표적 도시환경 요인이다. 메타분석에서 녹지 노출 증가는 우울 위험 감소와 일관되게 연관되었고(Liu et al., 2023), 국내 대도시에서도 거주지 주변 식생지수가 높을수록 우울증상이 적었다(Song et al., 2019). 본 연구는 MODIS 250m 16일 합성영상에서 식생이 왕성한 생장기(6~9월)의 시군구 평균 NDVI를 산출하였다.

• 정규시가화지수(Normalized Difference Built-up Index, NDBI): 시가화된 물리 환경의 밀도는 소음, 열, 혼잡 등 만성 스트레스 요인에 대한 노출을 반영한다. 국내에서도 도로 중심의 근린환경이 우울과 연관됨이 확인되었다(남예인 등, 2023). 본 연구는 Landsat 지표반사도 30m 영상으로부터 생장기 시군구 평균 NDBI를 산출하여 건조환경의 강도를 측정하였다.

• 야간광: 야간 위성영상에 포착되는 불빛의 밝기는 도시 활동과 상업･경제 활동의 밀도를 종합적으로 반영하는 지표로 널리 쓰인다. 팬데믹 시기 수도권의 야간광이 다른 지역보다 크게 감소한 사실은 야간광이 도시 활동성의 변화를 민감하게 반영함을 보여준다(김민호, 2021). 동시에 야간의 인공 빛 노출 자체가 우울증상(Min and Min, 2018) 및 수면 건강(Koo et al., 2016)과 연관된다는 국내 근거가 있어, 야간광은 도시 활동성과 빛 환경 노출을 함께 담는 변수다. 본 연구는 서로 다른 위성 센서를 보정하여 연결한 NPP-VIIRS-like 야간광 자료에서 시군구 평균 복사휘도를 구하고 로그를 취해 사용하였다(Chen et al., 2021).

2) 주거 변수

• 아파트비율: 아파트 중심의 주거는 한국 도시의 고유한 특징으로, 주거 안정성과 생활 기반 시설에 대한 접근을 반영한다. 주거환경에 대한 만족이 우울을 낮추고(구본미･채철균, 2019) 주거의 질 저하가 정신건강을 해친다는 근거(박정민 등, 2015; Singh et al., 2019)에 비추어, 아파트비율은 지역 주거 여건의 대리 지표로 채택하였다. 총 주택 중 아파트의 비율로 측정하였다.

• 노후주택비율: 노후한 주택은 냉난방, 습기, 소음 등 주거의 질 저하를 통해 거주자의 정신건강에 부담을 준다. 주택의 물리적 상태가 이후의 정신건강 악화와 연관된다는 국제 근거(Singh et al., 2019)와 함께, 국내에서도 최저주거기준 미달 가구의 우울 위험이 높음이 확인되었다(박정민 등, 2015). 건축 후 30년 이상 주택의 비율로 측정하였다.

3) 사회경제 변수

• 재정자립도: 지방자치단체의 재정 여력은 복지･보건 서비스의 공급 능력을 결정한다. 이진희(2016)는 지자체 역량이 주민 건강수준에 미치는 맥락효과를 보고하였다. 자체 수입이 전체 예산에서 차지하는 비율로 측정하였다.

• 기초생활수급자비율: 지역의 빈곤 수준은 근린 사회경제 영역의 핵심 지표로, 국내 다층 연구들에서 노인 우울의 지역 요인으로 반복 확인되었다(고정은･이민홍, 2015; 김명일 등, 2019). 국민기초생활보장 수급자 수를 주민등록인구로 나누어 산출하였다.

4) 인구 구성 변수

• 고령인구비율: 연령 구성은 지역 간 건강 지표 차이의 가장 큰 구성적 원천이므로(이진희, 2016), 이를 통제하지 않으면 도시환경 변수의 효과가 연령 효과와 뒤섞인다. 65세 이상 인구의 비율로 측정하였다.

• 1인가구비율: 1인가구는 사회경제적 박탈과 사회적 고립을 통해 우울 취약성과 연결되는 가구 형태로, 국내 실증이 축적되어 있다(임유진･박미현, 2018; 박민진･김성아, 2022). 일반가구 중 1인가구의 비율로 측정하였다.

5) 서비스 접근 변수

• 의사수: 의료 서비스에 대한 전반적 접근성을 나타낸다. 의료 접근성은 특히 취약 인구집단의 건강과 연관됨이 국내에서 확인되었다(이유진･김의준, 2015). 인구 1천 명당 의료기관 종사 의사수로 측정하였다.

• 정신과의원수: 우울의 조기 발견과 치료로 이어지는 정신의료의 물리적 접근성을 직접 측정한다. 건강보험심사평가원의 시군구별 표시과목별 의원 현황에서 정신건강의학과 의원 수를 추출하여 인구 10만 명당으로 환산하였다.

• 문화기반시설수: 도서관, 박물관 등 문화기반시설은 여가와 사회적 교류의 장을 제공하는 어메니티 영역의 지표다(Kim, 2008). 인구 10만 명당 시설 수로 측정하였다.

6) 사회해체 변수

• 조이혼율: 가족 구조 해체의 정도를 반영하는 지표로, Kim(2008)의 고찰에서 우울과 가장 일관되게 연관된 사회적 무질서 영역을 대리한다. 인구 1천 명당 이혼 건수로 측정하였다.

• 청년순이동률: 청년층의 순유출은 지역 활력의 저하와 남는 인구의 취약화를 동시에 반영하는 지역 쇠퇴의 신호다. 청년 정신건강의 지역 간 차이에 관한 최근 근거(최윤희 등, 2025)도 청년 인구 동태의 중요성을 뒷받침한다. 청년기본법이 정한 청년 연령(19~34세) 인구의 순이동률로 측정하였다.

7) 팬데믹 노출 변수

• 코로나19 확진율: 감염병의 확산은 격리와 관계 단절, 건강 불안을 통해 우울과 연결되며(WHO, 2022; 이동훈 등, 2020), 국내 확산은 공간적으로 불균등하였다(이진희 등, 2021). 질병관리청의 시군구별 월별 확진자 자료를 연도별로 합산하고 주민등록인구로 나눈 인구 100명당 확진자 수에 로그를 취해 사용하였다. 팬데믹 이전 연도는 0이며, 법정 감시체계 전환으로 전수 집계가 종료된 2023년 9월 이후의 연도도 0으로 정의하였다.

한편 다중공선성 진단을 거쳐 다른 변수와 상관이 매우 높은 독거노인가구비율, 청년인구비율, 인구밀도를 제외하였다. 최종 변수 세트의 분산팽창계수(VIF)는 모두 10 미만이었으며(최대 8.0), 변수 구성을 달리한 강건성 확인에서도 주요 결과의 순위는 안정적이었다.

4. 분석 방법

1) 탐색적 시공간 분석

우울감경험률의 공간적 의존성은 전역 Moran's I로 확인하였다(Moran, 1950). Moran's I는 유사한 값이 이웃하여 분포하는 정도를 -1에서 1 사이로 요약하는 지표로, 전역적 군집의 존재는 알려주지만 군집이 어디에 있는지는 알려주지 못한다. 이에 국지적 군집의 식별에는 국지 모란지수(Local Indicators of Spatial Association, LISA)와 Getis-Ord G_i^*를 함께 사용하였다(Anselin, 1995; Getis and Ord, 1992; Ord and Getis, 1995). 두 지표는 서로 다른 정보를 제공하기 때문이다. LISA는 각 지역과 이웃의 관계를 고-고(HH)･저-저(LL) 군집과 고-저(HL)･저-고(LH) 지역으로 유형화하여 군집의 성격을 구분해 준다. 반면 G_i^*는 자기 지역을 포함한 주변의 값을 합산하여 국지적 강도를 평가하므로, 높은 값이 집중된 핫스팟과 낮은 값이 집중된 콜드스팟의 탐지에 적합하다(Getis and Ord, 1992). 이에 본 연구는 시기별 우울감 수준의 군집 유형은 LISA로 판별하고, 시기 간 변화량이 공간적으로 집중된 지역은 G_i^*로 탐지하는 방식으로 두 지표의 역할을 구분하였다.

2) XGBoost 예측 모형

요인 분석의 예측 모형으로는 그래디언트 부스팅 계열의 XGBoost를 사용하였다(Chen and Guestrin, 2016). XGBoost는 얕은 결정트리를 순차적으로 쌓아 앞선 트리의 오차를 보완하는 방식으로 학습하며, 변수와 결과의 비선형 관계와 변수 간 상호작용을 별도의 지정 없이 포착한다. 과적합은 트리 깊이 제한, 표본･변수 부분추출, 정칙화로 제어된다. 모형 선택의 타당성을 확인하기 위해 선형회귀와 랜덤포레스트를 비교 모형으로 두고(Breiman, 2001) 5겹 교차검증의 결정계수(R²)와 평균제곱근오차로 성능을 비교하였으며, XGBoost의 하이퍼파라미터는 격자 탐색으로 조율하였다. 적합된 모형이 공간 구조를 충분히 흡수하였는지는 잔차의 Moran's I로 진단하였다. 모형에는 15개 독립변수와 함께 위치변수(경도, 위도)와 연도를 투입하였으며, 연도는 분석 기간의 공통 추세를 통제하는 역할을 한다.

3) GeoShapley 기여 분해

적합된 모형의 해석에는 GeoShapley를 적용하였다(Li, 2024). GeoShapley는 협력 게임에서 각 참가자의 공헌도만큼 보상을 나누는 Shapley 값의 원리를 모형 해석에 적용한 SHAP의 확장으로(Lundberg and Lee, 2017), 위치변수(경도, 위도)를 하나의 결합 플레이어로 취급한다. 관측 i의 예측값은 다음과 같이 분해된다.

이때 φ₀는 배경표본의 평균 예측값(전역 절편), φ_GEO는 측정된 변수들로 설명되지 않는 내재적 위치효과, φ_j는 위치와 무관하게 나타나는 변수 j의 주효과, φ_(GEO,j)는 변수 j의 효과가 위치에 따라 달라지는 상호작용효과다. φ_(GEO,j)는 공간가변계수 모형의 국지 계수에, φ_GEO는 다중스케일 GWR의 국지 절편에 대응한다(Li, 2024). 배경표본은 관측치에서 무작위 추출한 40개로 하였다. 위치를 결합하여 다루는 특성상 인과관계의 해석은 제한되며, 본 연구는 GeoShapley를 기여 분해와 관계의 형태 탐색을 위한 도구로 사용한다. GeoShapley 기여값은 검정통계량이 아니므로 회귀계수의 p-value에 해당하는 유의성 판정은 없다(Lundberg and Lee, 2017; Li, 2024). 기여도는 변수 사이의 상대적 크기로 해석한다. 따라서 어떤 변수의 기여가 실질적인지는 기여도가 특정 값을 넘는지가 아니라, 분석 설정을 바꾸어도 그 변수의 순위가 유지되는지로 판단한다.

본 연구의 데이터 처리와 분석에는 Python을 사용하였으며, 공간통계는 PySAL, 머신러닝은 xgboost와 scikit-learn, 기여 분해는 geoshapley 패키지로 구현하였다.

IV. 연구 결과

1. 우울감의 시공간 분포와 공간 군집 변화

그림 2는 2012년부터 2025년까지 수도권 우울감경험률의 전역 Moran's I 추이를 나타낸 것이다. 연도별 Moran's I는 대부분 유의하지 않았으나, 조사 변동을 완화한 3개년 이동평균 기준으로 보면 뚜렷한 흐름이 드러난다. 팬데믹 직전인 2018~2020년 창에서 유의한 양의 자기상관(Moran's I=0.172, p-value=0.010)이 형성되었다가, 팬데믹을 거치며 군집이 약화되어 2022~2024년 창에서는 유의한 음의 자기상관(Moran's I=-0.144, p-value=0.040)으로 반전되었다. 음의 전역 자기상관은 높은 지역과 낮은 지역이 서로 이웃하는 모자이크형 분포를 뜻한다. 다만 0.172는 전국 단위에서 보고된 값(0.34; Choi and Kim, 2017)의 절반 수준으로, 수도권 내부에서 강한 공간적 자기상관이 나타났다고 보기는 어렵다. 시도 간 격차가 제거된 수도권 내부에서는 국지적 이질성이 우세하며, 팬데믹을 거치며 자기상관의 방향 자체가 반전되었다는 점이 중요하다.

그림 2.

수도권 우울감경험률의 전역 Moran's I 추이(2012~2025년)

그림 3은 시기별 평균 우울감경험률의 분포와 LISA 군집을 나타낸 것이다. 군집 구조의 변화가 뚜렷하다. 팬데믹 이전에는 인천 서구가 유일한 HH 군집이었고 남양주시(HL), 파주시(LL) 등 산발적 군집만 존재하였다. 그러나 팬데믹 시기에는 인천 동구･연수구･남동구･부평구･서구･미추홀구의 6개 구가 일제히 HH 군집으로 나타나, 인천 원도심에서 서부까지 이어지는 고위험 군집이 형성되었다. 이 군집은 팬데믹 이후 완전히 해체되어, 성동구와 부천시의 LL 등 소수의 산발적 군집만 남았다. 팬데믹이 우울의 공간 구조를 일시적으로 재편하였고, 그 중심이 인천이었음을 보여준다.

그림 3.

시기별 우울감경험률 분포와 국지적 공간 군집

그림 4는 시기 간 우울감경험률의 변화폭과 변화의 공간 군집을 나타낸 것이다. 팬데믹 이전에서 팬데믹 시기로의 변화(그림 4(a))는 수도권 평균 +0.24%p였으나 지역 간 편차가 컸다. 금천구는 3.9%p 상승한 반면 광명시는 3.4%p 하락하여, 인접한 두 지역이 정반대 방향으로 움직였다. 팬데믹 시기에서 팬데믹 이후로의 변화(그림 4(b))에서는 인천 7개 구와 부천시가 나란히 하락 군집으로 확인되어(계양구 -4.6%p, 부평구･미추홀구 -2.8%p), 팬데믹 시기에 형성된 인천 군집이 집단적으로 해소되는 과정을 변화량의 관점에서 재확인하였다. 그러나 전 기간의 순변화(그림 4(c))는 수도권 평균 +0.47%p로 팬데믹 이전 수준을 회복하지 못하였으며, 특히 연천군(+2.8%p)과 양주시(+1.1%p)는 유의한 상승 군집으로 나타났고 이에 인접한 동두천시는 +4.4%p로 수도권에서 가장 큰 순증가를 보였다. 회복은 지역적으로 불균등하게 진행되고 있다.

그림 4.

시기 간 우울감경험률의 변화

2. 우울감의 도시환경 요인 분석

1) 모형 성능과 강건성

표 2는 세 모형의 5겹 교차검증 성능을 비교한 것이다. 3개년 이동평균 종속변수 기준으로 선형회귀의 결정계수가 0.161에 그친 반면 랜덤포레스트는 0.459, 조율된 XGBoost는 0.614로 나타났다. 선형 모형과의 네 배에 가까운 성능 차이는 우울감과 도시환경 요인의 관계에 선형 가정으로는 포착되지 않는 비선형성과 상호작용이 존재함을 보여주며, GeoShapley와 같은 비선형 해석 도구를 채택하는 실증적 근거가 된다. 선택된 XGBoost 모형의 잔차 Moran's I는 -0.132(p-value = 0.068)로, 잔차에 5% 수준에서 유의한 공간적 자기상관이 남지 않았다.

변수 구성과 분석 설정의 강건성도 확인하였다. NDBI를 제외한 구성(교차검증 결정계수 0.603)과 인구밀도를 추가한 구성(0.615)의 성능은 본 구성(0.614)과 유사하였고, 구성 간 GeoShapley 중요도 순위의 Spearman 상관은 각각 0.89와 0.94였다. 배경표본 수와 트리 수를 절반으로 줄인 설정에서는 전체 순위 상관이 0.74로 다소 낮아졌으나 위치효과와 코로나19 확진율이 1, 2위를 유지하는 등 상위 변수의 서열은 변하지 않았다. 종속변수가 3개년 이동평균이므로 이웃한 연도의 관측은 서로 겹치는 정보를 담는다. 이 겹침이 성능을 부풀렸는지 확인하기 위해, 학습에 쓰지 않은 연도를 맞히게 하는 연도 단위 교차검증을 추가로 수행하였다. 결정계수는 0.646으로 무작위 교차검증과 비슷하여, 성능이 연도 간 정보 겹침 때문에 높게 나온 것은 아니었다. 반면 일부 시군구를 학습에서 완전히 제외하면 결정계수는 음수(-0.249)로 떨어졌다. 위치변수를 포함한 본 모형은 처음 보는 지역을 예측하는 도구가 아니라, 분석에 포함된 지역 안에서 요인의 기여를 분해하는 도구이기 때문이다.

2) 전역 중요도와 기여의 방향

그림 5는 GeoShapley 전역 중요도를 나타낸 것이다. GeoShapley 기여값은 종속변수와 같은 우울감경험률의 퍼센트포인트 단위를 가지며, 이하에서는 단위 표기를 생략한다. 위치효과의 평균 절대 기여도가 0.323으로 가장 커, 측정된 변수들로 설명되지 않는 공간적 이질성이 우울감 형성의 가장 큰 원천임을 보여준다. 위치효과가 크다고 해서 위치 자체가 우울감을 높인다는 뜻은 아니다. 지역에는 통근권이나 산업 구조처럼 우울감에 영향을 주지만 자료로 측정하지 못한 조건이 있다. 위치효과는 그런 조건들의 영향을 한데 모아 보여주는 값이다(Li, 2024). 그만큼 측정된 변수만으로는 설명되지 않는 지역 차이가 크다는 뜻이다. 변수 가운데에서는 코로나19 확진율(0.243)의 기여도가 가장 컸고, 노후주택비율(0.178), 재정자립도(0.141), 의사수(0.140), 청년순이동률과 조이혼율(각 0.136)이 뒤를 이었다. 주목할 점은 연도 변수의 기여도(0.089)가 코로나19 확진율의 절반에도 미치지 못한다는 것이다. 분석 기간의 시간적 변동 가운데 상당 부분이 단순한 추세가 아니라 팬데믹 노출로 설명된다는 뜻이다. 또한 기초생활수급자비율(주효과 0.118, 위치-변수 상호작용 0.135)은 주효과보다 위치-변수 상호작용효과가 큰 유일한 변수로 나타나, 빈곤의 영향이 지역 맥락에 따라 크게 달라짐을 보여준다.

그림 5.

GeoShapley 전역 중요도

그림 6의 요약도는 각 관측의 기여값을 변수값의 크기와 함께 보여줌으로써 기여의 방향을 드러낸다. 코로나19 확진율은 값이 높을수록 우울감을 높이는 방향의 일관된 기여를 보였고, 조이혼율도 같은 방향이었다. 반대로 재정자립도, 아파트비율, 고령인구비율은 값이 높을수록 우울감을 낮추는 방향으로 작용하였다. 아파트비율이 높은 지역에서 우울감이 낮게 나타나는 경향은 수도권 아파트 단지가 제공하는 주거 안정성과 생활 기반을 반영하는 것으로 판단된다. 고령인구비율의 음의 방향은 개인 수준에서 노년기 우울 위험이 높다는 통념과 상반되어 보인다. 그러나 본 분석의 종속변수는 지역 단위 연령표준화율이다. 이 결과는 고령 비율이 높은 교외 지역의 생활 환경 특성이 반영된 것으로 해석되며, 개인 수준의 관계로 환원할 수 없다. 한편 NDVI는 값이 높은 관측에서 우울감을 높이는 방향의 기여가 관찰되었는데, 이는 녹지의 보호 효과를 보고한 선행연구(Liu et al., 2023; Song et al., 2019)와 상반된다. 수도권 안에서 NDVI가 높은 지역이 대체로 고령화된 외곽 농촌이라는 점을 고려하면 이를 녹지 자체의 효과로 해석하기는 무리가 있으며, 도시-농촌의 종합적 차이가 녹지 변수에 겹쳐 나타난 결과로 판단된다.

그림 6.

GeoShapley 요약도

그림 7은 주요 변수의 값과 GeoShapley 기여값의 관계를 나타낸 것으로, 앞서 모형 성능 비교에서 시사된 비선형성의 구체적 형태를 보여준다. 코로나19 확진율은 확진 이력이 없는 관측에서 우울감을 낮추는 기여(-0.17)를 보이다가 확진율이 높아질수록 기여가 단조 증가하여 최상위 구간에서 +0.44에 이르는, 노출-반응에 가까운 형태를 보였다. 반면 재정자립도의 보호 기여는 대략 34%를 넘는 구간에서야 뚜렷해지고 그 이하에서는 오히려 우울감을 높이는 방향에 머물러, 재정 여력의 효과에 임계 구간이 존재함을 시사한다. 기초생활수급자비율도 약 3.6%를 넘는 구간에서 위험 기여로 전환되는 유사한 형태를 보였다. 노후주택비율은 중간 수준(8~14%)에서 기여도가 가장 크고 매우 높은 구간에서는 오히려 줄어드는 비단조 패턴인데, 노후주택비율이 매우 높은 지역이 대체로 외곽 농촌 지역이라는 구성 효과가 겹친 결과로 해석된다. 정신과의원수는 인구 10만 명당 1곳에 미치지 못하는 공급 공백 구간에서만 우울감을 높이는 기여(+0.12)가 나타나고 그 이상에서는 평탄하여, 정신의료 공급 확충의 효과가 공백 지역에 집중되어 있을 가능성을 보여준다. 이러한 임계･비단조 형태는 선형 모형이 이 자료에서 낮은 설명력을 보인 이유이며, 동시에 평균 효과에 기반한 일률적 정책보다 구간을 고려한 표적화가 필요함을 시사한다.

그림 7.

주요 변수의 GeoShapley 의존도

3) 국지 기여도의 공간적 이질성

그림 8은 위치효과와 주요 변수의 국지 기여도(주효과와 위치-변수 상호작용효과의 합)를 전 기간, 팬데믹 이전, 팬데믹 시기･이후의 세 구간으로 나누어 지도화한 것이다. 위치효과의 지리는 시기에 따라 이동하였다. 팬데믹 이전에는 연천군(+0.55)･강화군(+0.53)･가평군(+0.38) 등 접경･농촌 지역에서 양의 위치효과가 가장 컸다. 그러나 팬데믹 발생 이후에는 여주시(+0.68)･이천시･광주시 등 경기 동남부 외곽과 시흥시(+0.60)･안산시･화성시 등 서남 해안의 제조업 도시, 그리고 인천 원도심으로 그 중심이 옮겨 갔고, 서울 동북부(성북구･중랑구)와 동두천시･남양주시에서는 음의 값이 나타났다. 특히 인천 동구는 위치효과가 팬데믹 이전 -0.52에서 이후 +0.56으로 반전되어, 측정된 변수로 설명되지 않는 지역 고유의 위험이 팬데믹을 거치며 인천 원도심에 새로 자리 잡았음을 보여준다.

그림 8.

주요 변수의 GeoShapley 국지 기여도 지도

변수별 국지 기여도의 시기 간 변화는 더 뚜렷하다. 기초생활수급자비율의 국지 기여도는 팬데믹 이전에는 수도권 전역에서 -0.2에서 +0.1 사이에 머물렀으나, 팬데믹 발생 이후에는 인천 원도심의 남동구(+0.66)･동구(+0.65)･부평구･미추홀구와 서울 서남부의 금천구(+0.87)에서 우울감을 높이는 방향으로 크게 커졌고, 용인시(-0.56)･광명시 등 경기 남부에서는 오히려 반대 방향으로 나타났다. 같은 빈곤율이라도 팬데믹이라는 충격 아래에서, 그리고 원도심이라는 맥락에서 정신건강과 훨씬 강하게 결합하게 되었음을 의미한다. 코로나19 확진율의 국지 기여도는 팬데믹 시기･이후 구간에서 마포구･송파구 등 서울 도심권에서 상대적으로 크게 나타나, 감염 확산의 정신건강 여파에도 공간적 경사가 존재하였다. 이러한 국지 기여도의 구도는 탐색적 분석에서 확인된 인천 군집의 형성을 이해하는 실마리를 제공한다. 인천 원도심은 항만･공업 기반의 약화와 인구 유출 속에 빈곤이 누적되어 온 곳으로, 팬데믹 발생 이후 양의 위치효과와 기초생활수급자비율의 위험 기여가 여러 구에 걸쳐 연속적으로 중첩된 유일한 지역이다. 팬데믹이라는 공통 충격이 가해졌을 때 고위험 군집이 다른 곳이 아닌 인천에서 발현된 것은, 이처럼 취약 요인이 공간적으로 중첩된 조건 위에 충격이 얹힌 결과로 해석된다.

4) 팬데믹 전후 요인 구조의 재편

그림 9는 팬데믹 이전(2015~2019년)과 팬데믹 시기･이후(2020~2024년)를 분리하여 적합한 모형의 전역 중요도를 비교한 것이다. 팬데믹 이전에는 청년순이동률(0.322)의 기여도가 위치효과(0.310)를 상회하며 가장 컸고, NDBI(0.262), 기초생활수급자비율(0.256), 조이혼율(0.220), 노후주택비율(0.212)이 뒤를 이었다. 청년 인구의 유출입이 지역 우울 수준과 가장 강하게 연관된 변수였다는 점은, 팬데믹 이전 수도권 우울의 지역 차가 지역 활력의 차이와 결부되어 있었음을 보여준다. 팬데믹 발생 이후에는 구조가 재편되었다. 청년순이동률의 기여도가 0.157로 급락한 자리에 야간광(0.335)이 위치효과(0.346)에 육박하는 최대 기여 변수로 올라섰고, 기초생활수급자비율(0.293), 노후주택비율(0.206), 코로나19 확진율(0.200), 1인가구비율(0.199)이 뒤를 이었다. 요인 구조가 청년 유출 중심에서 도시 활동성, 빈곤, 주거 노후, 사회적 고립 중심으로 이동하였다. 기초생활수급자비율의 위치-변수 상호작용효과도 0.110에서 0.180으로 커져, 빈곤이 지역 맥락에 따라 다르게 작동하는 경향이 팬데믹을 거치며 오히려 강해졌다. 정신과의원수의 기여도 역시 팬데믹 이전(0.148)보다 커졌는데(0.180), 급증한 정신의료 수요와 공급의 지역 편중이 맞물린 결과로 유추해 볼 수 있으나, 수요가 많은 지역에 의원이 개설되는 반대 방향의 관계도 배제할 수 없으므로 해석에는 주의가 필요하다.

그림 9.

시기별 GeoShapley 중요도 비교

V. 결론 및 논의

본 연구는 수도권 66개 시군구의 우울감경험률을 대상으로 팬데믹을 관통하는 (2012년부터 2025년까지) 14개년의 시공간 분포 변화를 추적하고, XGBoost와 GeoShapley를 결합하여 도시환경 요인이 우울감에 기여하는 구조를 전역적 수준과 국지적 수준 모두에서 분석하였다. 탐색적 공간 분석은 팬데믹 직전 형성되던 우울감의 공간적 군집이 팬데믹을 거치며 해체･반전되고, 팬데믹 시기에 인천에서 연속된 고위험 군집이 나타났다가 이후 사라지는 동적 재편 과정을 보여준다. GeoShapley 분해를 통해 위치효과가 최대 기여 요인이며, 코로나19 확진율･노후주택비율･재정자립도가 주요 변수임을 파악하였다.

주요 발견은 세 가지로 요약된다. 첫째, 수도권 내부의 우울감 공간 구조는 지속적으로 변화하고 있다. 팬데믹은 진행 중이던 우울감의 공간적 군집을 해체하고 회복의 지역 격차를 남겼다. 특히 경기 북부는 팬데믹 이전보다 우울감이 오히려 높아진 채 남아 있다. 둘째, 우울감 원인의 구조는 시기에 따라 재편되었다. 팬데믹 이전에는 청년인구 유출이 우울감 원인의 중심이었으나, 팬데믹 이후 주요 원인은 도시 활동성 저하･빈곤･주거지 노후･사회적 고립 중심으로 이동하였다. 셋째, 빈곤이 정신건강과 결합하는 정도는 공간적 이질성이 큰 것으로 나타났다. 기초생활수급자비율은 주효과보다 큰 위치-변수 상호작용효과를 보였고 그 크기는 팬데믹 발생 이후 더 커져, 동일한 빈곤 지표라도 지역 맥락에 따라 다르게 작동하고 팬데믹을 거치며 더 취약한 것으로 나타났다.

이러한 결과는 지역 맞춤형 정신건강 정책의 필요성을 요구한다. 코로나19 확진율은 주요 기여 요인으로 나타났지만, 팬데믹은 이미 지나간 충격이므로 이를 직접 줄이는 정책은 의미가 없다. 남는 것은 두 가지다. 하나는 팬데믹 시기에 드러난 취약 지역이고, 다른 하나는 팬데믹 이후 기여도가 커진 빈곤･주거 노후･사회적 고립이다. 정책은 이 둘을 향해야 한다. 팬데믹 시기 고위험 군집이 형성되었던 인천 원도심과 서부 지역에는 노후주택 정비와 연계한 정신건강 지원이 필요하다. 이 지역은 빈곤의 국지 기여도가 팬데믹 발생 이후 커진 곳이기도 하므로, 기초생활수급 가구를 대상으로 한 찾아가는 정신건강 서비스가 우선 배치되어야 한다. 회복이 정체된 동두천･양주･연천 등 경기 북부에는 정신건강 자원의 우선적 배분이 요구된다. 정신의료 접근성의 경우, 의존도 분석(그림 7)에서 정신과의원수의 위험 기여는 공급 공백 구간에 집중되었다. 따라서 공급 정책은 전면적 확대보다 공백 시군구의 해소에 우선순위를 두고, 정신건강복지센터가 그 공백을 한시적으로 보완하는 방식이 효과적일 것이다. 지역 단위 전달체계를 축으로 하는 정신건강 정책의 집행에서, 본 연구가 제시한 변수별 국지 기여도 지도는 우선 지역 선정과 개입 수단 선택의 정량적 근거로 활용될 수 있다. 이때 변수의 국지 기여도와 위치효과는 서로 다른 정보를 준다. 변수의 기여도가 큰 지역은 개입할 수단이 정해진 지역이다. 위치효과가 큰 지역은 측정된 요인으로 설명되지 않는 위험이 남아 있는 지역이므로, 개입에 앞서 원인을 밝히는 조사가 먼저 필요하다.

본 연구는 다음과 같은 점에서 의미가 있다. 첫째, 방법론적으로 GeoShapley를 정신건강 영역에 적용한 첫 시도로서, 위치효과･주효과･위치-변수 상호작용의 분해를 통해 기존 GWR 계열 분석이 제공하지 못하는 비선형･국지 해석을 가능하게 하였다. 둘째, 실증적으로 시군구 우울감경험률의 장기 공간 구조와 그 팬데믹 전후 재편을 국내에서 처음으로 추적하여, 우울 대응 정책의 공간적 표적화에 필요한 근거를 제시하였다.

한편 본 연구는 다음과 같은 한계를 가지고 있다. 첫째, 본 연구는 시군구 단위의 집계 자료를 사용하여 개인 수준의 차이를 반영하지 못하였으며, 지역 수준의 연관을 개인 수준의 인과로 해석할 수 없다. 시군구당 약 900명의 표본에서 비롯되는 조사 변동은 3개년 이동평균으로 완화하였으나, 읍면동과 같이 더 세밀한 공간 단위의 분석은 소지역 추정 기법의 결합을 요구하는 후속 과제다. 둘째, 본 연구의 모형은 표본 안에서의 기여 분해를 목적으로 하며, 관측되지 않은 지역에 대한 예측을 보장하지 않는다. 또한 공원 접근성, 범죄율 같은 도시환경 변수와 주택가격, 실업률 같은 경제 변수는 시군구･연도 단위의 일관된 자료를 구할 수 없어 반영하지 못하였다. 시군구 실업률은 지역별고용조사가 2021년부터 특별･광역시의 구 단위로 확대되어 분석 기간 전체를 포괄하지 못한다. 재정자립도와 야간광이 지역 경제 여건을 부분적으로 대리하지만, 팬데믹 시기의 주택시장과 고용 충격이 우울감에 미친 영향은 후속 연구에서 검토할 필요가 있다. 언급한 한계들은 일차적으로 자료 구득의 문제에 기인하는 만큼, 시군구보다 세밀한 단위의 정신건강 지표의 생산･공개를 뒷받침할 제도적 지원이 필요하다.