I. 서 론

농촌 공간은 우리 국토의 대부분을 차지하고 있으나 단순히 도시 이외의 지역, 비도시지역으로 인식되었고, 「국토기본법」에 의한 국토종합계획에서조차 농촌을 무거주지역의 개념으로 접근하는 등 도시에 대한 잔여적 공간으로 취급되어왔다(심재헌 등, 2017; 심재헌 등, 2019). 최근에서야 농촌 공간 인식에 대한 비판과 더불어 지방분권 시대에 농촌 공간 관리체계의 필요성과 제도 개선에 대한 논의가 진행되었다(이유직, 2019; 박윤호, 2019; 엄수원 등, 2020). 특히 농촌 공간계획 제도화의 첫걸음으로 「농촌 공간 재구조화 및 재생지원에 관한 법률」(이하 농촌공간재구조화법)¹⁾이 제정되어 2024년 3월부터 본격 시행될 예정이다(법제처, 2023).

실제로 농촌은 도시와 달리 공간에 대한 계획수립이 부재하고 난개발에 노출되어 있어 정주 여건의 악화, 인구 유출 및 소멸 위기로 이어지고 있다. 이에 대응하기 위해 농식품부는 농촌 지역도 공간을 체계적으로 관리할 수 있도록 제도 마련에 노력을 기울여 왔다(농림축산식품부, 2023). 이제 농촌 지역도 도시계획과 같이 장기계획 수립을 통해 공간을 체계적으로 관리･지원할 수 있는 「농촌공간재구조화법」이 마련됨에 따라 연관 분야 및 학계의 후속 연구가 이어지고 있다.

한편, 국내의 인구감소 추세는 지역별로 상이한 양상을 보이지만, 공통으로 지방 중소도시 및 농산어촌의 소멸 위험이 더욱 심각한 것으로 나타났다(부혜진, 2015; 임석회, 2019; 장문현･이민석, 2019; 최재헌･박판기, 2020). 이제 농촌 지역의 인구감소와 지방소멸은 현실이 되었으며, 그 위기감은 지방의 사회구조 전반에 지대한 영향을 미치고 있다. 이에 농촌의 잠재력을 살려서 도시와 농촌이 처한 문제에 동시에 대응하는 농촌 재생의 필요성이 제기되었다(한국농촌경제연구원, 2021). 하지만 도시와 농촌을 막론하고 해당 지역에 대한 정확한 이해와 진단이 없는 전략과 대안은 그 유효성이 낮아 성과를 담보하기 어렵다. 따라서 효과적이고 지속성 있는 지역발전을 도모하기 위해서는 대상지의 현황 및 특성 파악, 정확한 진단 체계에 기초하여 객관적이고 과학적인 접근이 필요하다(장문현, 2021). 지역 특성과 여건을 고려하되, 주변 배후지 및 인접 지자체, 생활권역의 연계가 요구되며, 시기적으로 농촌의 다원적 재생을 위한 지역진단체계 활용이 필요한 시점이라고 할 수 있다.

이와 같은 맥락에서 본 연구는 인구감소 및 지방소멸의 위기에 처한 농촌 지역에 주목하였고, 한국 농촌 공간의 권역별 특성을 비교 분석하는 데 궁극적인 목적을 두었다. 지역재생진단체계를 기반으로 실효성 있는 재생지원 방안을 마련한다는 부가적인 측면도 반영하였다. 방법론적으로는 4개 부문(인구사회･생활편의･산업경제･환경안전)에 걸쳐 9개 권역으로 구분하였고, 공간 빅데이터 및 공간통계 분석, 공간클러스터 기법 등을 활용하여 산출 결과의 신뢰도를 증진했다.

본 연구의 공간적 범위는 전국을 대상으로 하되, 행정구역 위계에서 동 지역을 제외한 읍‧면 지역으로 한정하고, 시간적 범위는 최근 5년 이내의 공공데이터를 대상으로 하였다. 부문별 진단 및 비교 분석을 위한 지표 설정은 공간 빅데이터 구득성과 활용성을 전제로 수행하였다. 농촌의 다원적 재생을 지원하기 위해서는 기존 행정구역 경계의 한계를 극복할 수 있는 마이크로 데이터 분석이 요구된다. 따라서 지역진단의 정밀도를 담보할 수 있도록 분야별･지표별 공간정보를 격자형으로 정제 및 구조화하였으며, 격자 기반의 지역재생진단체계를 분석 과정에 도입하였다. 진단의 결과는 진단지수에 따라 등급별로 분류하고, 거주지 중심의 재생지원이 필요한 공간분포 양상 및 권역별 특성을 비교하였다. 전국을 대상으로 하는 농촌 공간의 재생 진단 및 권역별 비교 결과는 미래 농촌의 다원적 재생과 정책 수립 지원에 기여할 수 있을 것으로 기대된다.

II. 이론적 고찰

1. 인구 위기와 진단 지표

지속적인 저출산 및 고령화, 양질의 일자리 부족 등으로 지역의 인구 감소와 지방소멸이 사회적 문제로 대두되고 있다. 지역사회 및 국가적으로 당면한 위기에 대응하기 위해서는 관련된 요소에 대해 면밀하게 분석하고 검토하는 일련의 진단 과정이 필요하다. 국내의 경우 지역인구 감소 현상을 파악하기 위한 진단지수가 주기적으로 발표되고 있는데 행정안전부의 인구감소지역 선정지수, 산업연구원의 K-지방소멸지수, 고용정보원의 지방소멸위험지수 등이 대표적이다.

행정안전부는 2021년 인구감소지역 89곳을 지정하기 위한 기준을 마련하고, 세부 지표로 연평균인구증감률, 인구밀도, 청년순이동률, 주간인구, 고령화비율, 유소년 비율, 조출생률, 재정자립도를 제시하였다. 다만, 종합지수 등 상세 결과는 아직 공개하지 않았다(행정안전부, 2021). 산업연구원에서는 2022년 지방소멸 위기 지역을 도출하고, 대안 마련을 위해 1인당 경상연구개발비, 전 산업 다양성지수, 지식산업 사업체 비율, 1,000명당 종사자수, 1인당 GRDP, 인구증감률을 지표로 구성한 K-지방소멸지수를 제안하였다. 그중에 일부 지표는 산업연구원 내부 자료로 구성했다(허문구, 2022). 세 번째로 고용정보원에서 제시한 지방소멸위험지수는 2016년 ‘마스다 히로야’의 지방소멸에서 착안한 것으로 ‘65세 이상 인구 대비 20~39세 여성인구 비율’이라는 단일 지수로 이루어진 것이 특징이다. 여기서 위험지수 0.5 이하인 시･군･구는 장래에 소멸 위험성이 높은 지역으로 정의하였으며, 이후로도 업데이트를 통해 분석 결과를 발표하고 있다(이상호, 2016; 이상호, 2018).

이미 도시권에서는 다양한 사회지표를 표본으로 AHP(Analytic Hierarchy Process) 기법 등 전문가 집단의 의견을 수렴한 도시재생진단지표가 도시재생활성화지역 지정 등의 기초자료로 널리 활용되고 있다. 한편으로는 도시재생에서 소외된 농촌 지역 현실을 반영하여 인구사회, 생활편의, 산업경제, 환경안전 부문으로 진단하는 지역재생진단체계가 제시되었다(장문현, 2022). 이러한 진단모델에 기초한 생활권별 농촌 공간 재구조화 및 재생에 관한 연구 성과가 공유되고 있다. 본 연구에서는 전술한 지역재생진단체계를 도입하여 전국 농촌 지역의 권역별 특성을 비교 분석하였다.

2. 공간적 자기상관 및 군집분석

기존 통계 기법은 공간 단위와 현상이 불일치 하는 문제점을 지녔고, 이에 대한 의문은 공간자기상관(spatial autocorrelation) 연구로 이어졌다(Anselin et al,, 1993; Zhang and Griffith 1997; Lee and Wong, 2001). Anselin and Bera(1998)는 “공간상에 분포하는 객체들은 위치의 유사성이 높아짐에 따라 그 객체가 갖는 값의 유사성도 높아지는 현상”이라고 공간자기상관을 정의했다. 여기서 ‘정적(positive) 공간자기상관’은 유사한 값을 가지며 군집적으로 분포하는 경우이고, 반대로 ‘부적(negative) 공간자기상관’은 서로 상이한 값들을 가지며 군집하는 경우이다(Lee and Wong, 2001). 이렇게 공간 객체들은 상호의존성을 갖기도 하지만 이질성을 보이기도 한다. 예를 들자면, 중심지와 배후지, 선도 및 낙후지역 등이 대표적 사례이다(김광구, 2003).

일반적으로 전체 지역의 군집성은 전역적 방법인 Getis-Ord’s G와 Global Moran’s I 통계량을 통해 파악할 수 있다. 두 측정 방법 모두 높은 값 혹은 낮은 값을 가진 공간 단위들의 군집성을 전역적으로 측정하는 기법이다. 위의 두 가지의 기법은 공간군집 패턴의 통계적 유의성 검정에 주로 사용된다. 만일 전역적 측정이 어렵다면, 이를 보완하는 측면에서 국지적 공간연관성 지표(local indicators of spatial association, LISA)를 주로 이용한다(Anselin, 1995). 국지적 공간자기상관 정도를 측정하는 방법은 Local Moran’s I가 대표적이다. 한 변수의 공간자기상관이 특정 지역에서 매우 높게 나타나는 지점을 찾을 수 있으며, 그 계산식은 다음과 같다.

위의 수식에서 w는 가중치, Z는 표준화 점수를 의미한다. 그 크기는 인접 지역과 해당 지역의 유사성 또는 차이성을 나타낸다. 군집의 유형을 지수가 높은 지역끼리 인접한 경우 H-H(high-high), 낮은 값끼리 인접한 경우 L-L(low-low), 높은 값과 낮은 값이 인접한 경우 H-L(high-low), 낮은 값과 높은 값이 인접한 경우 L-H(low-high)의 네 가지로 구분한다(이희연･심재헌, 2011).

공간군집을 식별하고 가시화하기 위한 다른 기법으로 Getis-Ord’s Gi*를 고려할 수 있다. 상용화된 GIS 소프트웨어에서는 주로 핫스팟 분석(hot spot analysis)으로 불리며, 계산식은 다음과 같다.

이 식에서 s는 표준편차, wij는 공간 가중 행렬의 요소값, n은 전체 공간 단위의 수를 의미한다(김감영･박지혜, 2012). Getis-Ord’s Gi*를 이용하면 핫스팟(hot spot)과 콜드스팟(cold spot)을 직관적으로 구분할 수 있다(Mitchell, 2005).

본 연구에서는 Local Moran’s I를 활용해 진단 결과를 시각화하고, 권역별 공간통계분석을 수행하였다. 인접한 단위공간들의 값을 비교하여 계수를 산출하는 방식으로, 특정 지역이 전체의 공간적 자기상관성에 얼마나 영향을 미치고 있는지를 효과적으로 측정할 수 있기 때문이다. 또한, 군집분석 결과를 클러스터 맵(cluster map)을 통해 수월하게 시각화할 수 있다는 점도 반영했다.

3. 선행연구 고찰

도시와 달리 농촌의 재생에 관한 논의는 상대적으로 외면되어 온 것이 사실이다. 이러한 경향은 선행연구에서도 찾아볼 수 있다. 농촌 지역 진단과 재생에 관련된 초기의 연구는 포괄적인 지역 차원의 분석과 진단이 주류를 이루었고(Wong, 2002; 송미령 등, 2007; 김홍배･문동주･박준화, 2008; 송미령 등, 2011; 강인호 등 2014), 정부 차원의 도시재생뉴딜(2013)이 본격화되면서 그간 소외되었던 농촌 활성화 및 재생에 관한 연구도 다수 나타났다(김영화, 2003; Wang, 2010; 모혜란 등, 2014; 송길호, 2014). 그 후로 획일적인 도시환경과는 차별화된 가치를 지닌 농촌지역의 실질적 재생을 모색한 연구가 성과를 보였다(구민아･엄붕훈, 2017; 이태겸･정남식, 2019; 장문현･이민석, 20119; 조은정 등, 2021; 심재헌, 2021).

최근에는 농촌 공간계획이 제도권에 들어오게 되면서 농촌 공간의 재구조화 및 재생지원에 관한 연구가 활발한 것으로 나타났다(엄성준 등 2022; 김용진 등, 2023; 도지윤･정명철, 2023; 성중탁, 2023; 송미령, 2023). 이들은 공통으로 사회문제에 대비할 수 있는 농촌 지역 보전과 관리의 필요성을 강조하였고, 특화지역 지정의 효과 및 활성화 방안 고찰에 중점을 두고 있었다. 하지만, 전국 규모로 농촌 공간을 비교 연구하거나 상세한 재생 공간을 도출하는 접근은 부족한 것으로 나타났다.

방법론적 측면에 공간 빅데이터를 활용한 군집분석의 사례를 고찰해 보면, 공간정보를 기반으로 국토 균형발전과 삶의 질 향상을 지향하는 다양한 분야의 접근이 시도되었다(김한국 등, 2014; Deville et al., 2014; 김근한 등, 2016; 전상은 등, 2018). 대량으로 축적된 공공데이터 기반의 학술적･정책적 계획과 탐색이 수행된 것으로 파악된다. 또한 기존의 단순 데이터 집성을 넘어서, 사회적 문제해결 및 의사결정 지원을 목적으로 하는 연구로 확대되고 있다(유승환 등, 2017; 정규수･성홍기, 2020; 정시윤･전병운, 2020; 최준영 등, 2020; Yi et al., 2020).

농촌 공간의 군집분석과 관련해서는 농촌관광 행태(윤유식 등, 2009; 이상훈･류시영, 2016; 김기현 등, 2017) 및 공간 유형화(김화환 등, 2015; 조진희 등, 2015; 이다예･이희연, 2016; 고아랑 등, 2020; 김광익･이은하, 2020) 등의 연구가 활발하였다. 이와 함께 인구감소지역 및 지방소멸을 주제로 다룬 연구(제현정, 2019; 이형석, 2023; 박성남 등, 2023; 장문현, 2023)가 성과를 보였다. 반면에 군집분석을 통한 재생 지역의 공간적 분포 및 유형 분류 등은 상대적으로 미흡하였다.

위의 내용을 종합해 보면, 점차 농업･농촌에 대한 인식 변화와 다원적 기능을 활용한 발전적 재생을 모색하는 경향이 뚜렷했다. 하지만 체계를 갖춘 진단모델의 활용이나 공간정보의 융합을 통한 농촌 공간 재구성에 관한 시도는 미진한 것으로 나타났다. 이에 본 연구는 농촌의 다원적 재생에 주목하고 농촌 공간의 활성화와 합리적 의사결정을 지원할 수 있도록 전국 규모의 지역진단을 수행했다. 더 나아가 진단 결과의 군집분석을 통해 권역별 특성을 비교 분석했다는 점에서 기존의 연구와 차별된다.

III. 분석의 틀

1. 대상지 설정 및 권역 구분

농촌의 정의는 사전적으로 ‘주민의 대부분이 농업을 생업으로 삼는 지역이나 마을, 농가가 모여있는 마을’로 설명하고 있다(농촌진흥청, 2023). 법률적으로는 「농업･농촌 및 식품산업 기본법」에서 농촌을 읍･면의 지역과 그 외 지역 중 농업, 농업과 관련 산업, 농업인구 및 생활 여건 등을 고려하여 농림축산식품부장관이 고시하는 지역으로 정의하였다(법제처, 2022). 여기에 행정구역 관련 법률인 「지방자치법」을 접목하자면, 읍의 경우 도시의 형태를 갖추고 인구 2만 이상이 되어야 한다고 정의되어 농촌으로 볼 수 있을지는 명확하지 않다(이지민, 2020). 하지만, 본 연구에서는 의미를 확장하여 읍 지역도 농촌의 범주에 포함하였다.

전술한 농촌의 사전적･법률적 정의를 수용하고 연구의 합목적성을 반영하여 농촌공간을 행정구역 위계에 따른 읍･면 지역으로 한정하였다. 따라서 행정구역 기준에 의한 동 지역은 분석 대상지에서 제외했다. 이는 기존 도시재생사업의 지원 대상지와 구분한다는 측면과 농촌 공간에 대한 보편적인 인식을 반영한 것이다.

농촌 공간의 권역별 비교를 위해서는 적정한 권역 구분이 필요하다. 국토종합계획에서는 국토 공간의 합리적 이동, 수도권과 지방 간의 불균형 해소 등을 위해 행정구역을 초월한 경제권 또는 생활권을 설정해 왔다. 그 규모 및 구성은 시대별 상황과 정부의 정책 기조에 따라 차이가 있으며, 많게는 28개 생활권(제2차 국토종합개발계획: 1982~1991), 적게는 7개 광역경제권(제4차 국토종합계획 수정계획: 2011~2020) 등으로 구분된다. 최근에는 연대와 협력을 통한 유연한 공간 형성을 위해 행정구역에 얽매이지 않고 다양한 분야의 협력체계 구축을 지향하는 추세이다(윤영모, 2022). 이에 연구 대상지의 권역 설정은 농촌의 공간적 분포를 고려하고, 기존 광역지자체 구분에 기초하여 전국을 9개 권역으로 구분하였다(그림 1).

그림 1.

연구 대상지 및 권역 구분

2. 지역재생진단체계 도입

그동안 도시에 비해 상대적으로 소외된 농촌 지역은 발전적 재생과 회복을 위한 지원이 시급한 상황이다. 그동안 귀농･귀촌으로 도시민의 유입이 증가하고 있으나, 농촌 공동화 현상을 근본적으로 해결하기에는 역부족인 것이 현실이다(장문현, 2021).

이에 장문현(2022)은 인구감소와 지방소멸에 대응할 수 있도록 농촌 지역의 재생 진단을 위한 공간 빅데이터 활용과 단계적 분석 과정을 일련의 모델로 제시하였다. 이렇게 도출된 진단모델을 광역지자체 규모인 전라남도에 적용하는 탐색적 연구를 수행했다. 그 결과, 소멸 위험과 생태적 가치가 공존하는 농촌의 다원적 재생을 위한 진단 체계 마련에 토대를 제공했다는 평가를 받았다. 또한, 농촌 지역의 재생 대상지 선정은 물론이거니와 공간적 특성 분포 및 변화 양상 등의 분석을 통해 지역 정책 결정을 지원하는 도구로 활용될 수 있음을 피력하였다(그림 2).

그림 2.

지역재생진단 모델(자료: 장문현, 2022. 내용을 재구성함.)

지역재생진단 모델의 지표 및 가중치 적용 등 세부적인 내용을 살펴보자면, 기존 지표의 성격과 유사성을 검토하여 객관성을 지닌 지역진단 지표를 선정하고, 격자형 분석이 가능하도록 진단 지표의 추가･보완 과정을 거쳐서 농촌진단 예비지표(36개)를 제시했다. 또한, 전문가 집단을 대상으로 델파이 조사를 통해 농촌 지역에 적합한 부문별(인구사회･생활편의･산업경제･환경안전) 최종지표(12개)를 선정하였다. 이처럼 선정된 지표의 측정값을 동일한 기준으로 지수화하기 위해 선형변형 방법을 적용해 표준화하고, 지표별 상대적 중요도를 보완하도록 AHP 기법으로 가중치를 반영하였다(장문현, 2021). 지역재생진단 모델의 진단부문 및 지표, 가중치를 정리하면 표 1과 같다.

본 연구에서는 효율적인 진단 수행과 객관적인 비교 분석을 위해 전술한 지역재생진단체계를 적극 도입하였다. 다만, 연구 범위와 내용을 대폭 확장하여 전국 읍･면 지역을 대상으로 하는 농촌 공간에 대한 권역별 군집분석 및 특성 비교에 중점을 두었다.

3. 공간분석 단위 및 기초통계

일반적으로 행정구역 경계에 의한 공간분석은 미시적인 공간 현상에 대해 정확한 진단과 유의미한 정보 제공에 미흡한 단점이 있다(장문현･이정록, 2022). 실제로 필요한 위치나 장소의 필수 정보가 누락될 가능성이 크기 때문에 격자 단위의 분석기법 적용이 본 연구의 목적에 타당한 것으로 판단했다. 격자의 스케일은 전국 읍･면을 대상으로 한다는 점과 재생 진단지수의 등급화를 비롯한 공간 조인 및 매핑, 공간통계분석, 결과물의 시각화 등을 종합적으로 고려하여 중간 규모의 격자(500m×500m)로 설정하였다. 이를 통해 부문별 진단지수를 산정하고, 권역별 공간 특성을 상호 비교함으로써 농촌 공간의 재생과 활성화 정책 수립을 지원하는 과학적 근거를 마련하고자 하였다.

공간분석을 위한 기본단위의 크기는 원천자료의 정확도, 분석 데이터의 특성에 의해 선택하는 것이 바람직하다. 하지만 실제 공간의 적용은 자료 정밀도, 편리성, 시공간적 제약성, 처리시간 및 비용 등에 따라 달라질 수 있음을 고려해야 한다(정승현 등, 1997). 이에 본 연구는 전술한 고려 사항 및 지역진단의 효율성 증진을 위해 국가격자체계²⁾ 표준사양을 공간분석 기본단위로 준용하였다.

지역재생진단체계를 기반으로 농촌 공간을 진단하는 과정에는 대용량의 공간 빅데이터 구조화를 비롯한 속성정보의 수집, 분류, 정제 등이 필요하며, 후속적으로 권역별 특성 및 군집분석, 공간통계처리 등의 절차가 요구된다. 여기에는 상용 프로그램인 ArcGIS Desktop과 그 기능을 확장한 Geostatistical Analyst를 주로 사용하였으며, 개방형 툴인 QGIS를 보완적으로 활용했다. 이를 통해 전국 읍･면 지역의 행정 경계와 격자 체계를 중첩하여 단위격자 중심의 거주지와 비거주지를 구분하였고, 농촌 공간의 재생 진단을 위한 기본골격을 구축하였다. 연구 대상지를 세부적으로 살펴보면, 전국 3,529개 읍･면･동 중에서 2,121동을 제외한 1,408개 읍･면이 실질적인 공간적 범위에 해당한다. 여기서 면 지역이 1,174개소(83.1%)로 읍 지역인 234개소(16.9%)보다 상대적 우위를 점하는 것으로 나타났다(표 2).

이를 다시 공간분석 기본단위인 격자구조(500m×500m)로 전환한 결과, 전체 격자 수는 총 376,654개이며, 그중에서 거주지역이 117,050개(31.1%), 비거주지역은 259,604개(68.9%)로 나타났다. 특히 공간분석과 재생 진단의 핵심 공간인 거주지 격자 중에서 읍 지역이 24,729개(21.1%), 면 지역은 92,321개(78.9%)로 각각 분류되었다(표 3).

4. 진단등급 기준 및 분류

진단지수의 산출 과정에서 부문별 지표 특성에 따라 정(+)과 부(-)의 효과가 상충할 수 있다. 따라서 진단 지표의 지수를 양수화하여 산술 합계에 따른 종합지수가 산출될 수 있도록 보정하였다. 그 결과에 대한 해석은 진단지수가 클수록 열악한 수준을 의미하며, 재생이 시급한 지역으로 풀이된다. 반면에 진단지수가 작을수록 생활 여건이 상대적으로 양호하여 대내외 경쟁력이 높은 곳으로 평가할 수 있다.

진단 등급은 앞서 제시한 4개 부문에서 산출된 진단지수를 합산하여 등간격의 5단계, 즉 우수(A등급)-양호(B등급)-보통(C등급)-지원(D등급)-재생(E등급) 순으로 계층화하였다. 이는 농촌 공간의 진단 체계와 공간분석의 용이성을 고려한 것으로, A~B등급은 현재 양호한 진단 수준을 지닌 지역, C등급은 중간 수준으로 재생 대상지에 포함될 개연성 있는 지역, 그리고 D~E등급은 농촌 재생을 위한 다각적인 지원이 시급한 지역으로 각각 해석할 수 있다.

IV. 지역진단 및 권역별 특성 비교

1. 부문별 진단 및 지수산출

연구 수행 절차에 따라 지역재생진단체계에 기반하여 부문별 진단 지표를 공간정보로 구축하고, 각 지표의 속성값에 해당하는 진단지수는 스케일 조정 과정을 거쳐 표준화하였다. 이 방법은 통계적으로 계산이 복잡한 단점이 있으나, 구간 단위 데이터를 유지하여 이상치의 영향을 줄여주는 장점이 있다. 실제로 선정된 지표들의 측정 기준이 서로 다르고, 다양한 방법으로 산정하기 때문에 지표의 속성값을 적절한 방식으로 조정한 것이다. 대상지 전역에 대한 부문별 진단은 인구사회, 생활편의, 산업경제, 환경안전으로 구분되며, 각 부문의 진단 및 전체를 통합하여 나타낸 종합진단 결과는 그림 3과 같이 시각화하였다.

그림 3.

부문별 진단 결과(비거주지 포함)

상세한 분석을 위해 비거주지를 포함한 대상지 전역에 대한 통계와 거주지로 한정한 공간의 진단지수를 기술통계로 집계하였다. 여기서 부문별 진단지수의 최솟값 및 최댓값의 범위는 0.046~0.919로 같았으나, 평균 지수는 차이가 드러났다. 먼저 읍･면 전역을 대상으로 진단하는 경우 환경안전(0.279) 부문의 지수가 가장 높은 것으로 나타났으며, 생활편의(0.244), 인구사회(0.027), 산업경제(0.026)의 순서를 보였다. 읍･면의 거주지만을 고려한 진단 결과에서는 우선순위 변화는 없었으나 평균 지수에서 일부 변화가 나타났다. 대표적으로 인구사회(0.016)는 평균 지수가 감소했고, 산업경제(0.043)는 그 지수가 증가해 대조적인 양상을 보였다. 반면에 생활편의(0.243) 및 환경안전(0.274) 부문은 대동소이한 것으로 파악되었다. 각 부문을 종합한 전체지수에서도 비거주지를 포함하는 전역(0.577) 기준과 거주지(0.576) 기준에서 둘은 유사한 결과를 나타냈다(표 4).

다음으로 면밀한 부문별 비교를 위해서 산출된 진단지수를 5단계(매우 낮음-낮음-보통-높음-매우 높음) 등급으로 분류한 후 등급별 격자 수와 비율을 집계하였다. 그 내용을 전체 종합지수를 중심으로 살펴보면, 전역 진단의 경우 E등급(58.2%) 격자가 전체의 절반 이상을 차지하고, 나머지는 D등급(20.4%), C등급(12.0%), B등급(8.1%), A등급(7.1%) 순으로 분포하였다. 이처럼 E등급이 과도하게 집중되어 나타난 원인은 거주지에 역점을 두고 생성한 진단 지표의 특성을 고려하지 않고, 상대적으로 규모가 넓은 비거주지까지 진단에 포함하여 나타난 오류로 판단되었다. 따라서 이후의 분석 과정에서는 비거주지를 배제하고 거주지 중심으로 후속적인 진단을 수행하였다.

이어서 거주지를 대상으로 적용한 진단 결과를 고찰해 보면, D등급(42.2%)이 월등한 우위를 점하였고, 그다음으로 C등급(24.6%), E등급(18.6%), B등급(7.9%), A등급(6.7%)의 순서로 변화된 결과를 보였다. 이 중에서 가장 취약한 E등급 분포를 부문별로 비교해 보면, 인구사회 부문의 격자가 20,952개(17.9%)로 가장 넓게 분포하였고, 다음은 환경안전 15,638개(13.4%), 생활편의 13,648개(11.7%), 그리고 산업경제 10,780개(9.2%)의 순서로 나타났다. 또한 전체 부문을 종합한 결과에서는 E등급이 21,771개(18.6%)로 D등급을 제외한 나머지의 부문별 등급에 비해 상대적으로 높은 비율을 차지했다(표 5).

2. 거주지역 진단 및 등급 분석

전국 읍･면 단위 농촌 공간에 대한 재생 진단을 효율적으로 수행하기 위해 비거주지역을 제외한 후 거주지역에 해당하는 격자만을 재추출하였다. 하지만 이들 공간의 진단지수는 원래 전역을 대상으로 산출한 것이므로 거주지역의 권역별 상세 비교를 위해 재표준화하는 과정을 거쳤다. 바꾸어 말하면, 전역을 대상으로 산출된 지수 범위를 거주지역에 한정하여 0~1의 구간으로 변환시켜 재구성하였다. 앞서 제시한 등급 분류 기준에 따라 우수(A등급)-양호(B등급)-보통(C등급)-지원(D등급)-재생(E등급)의 다섯 단계로 계층화한 다음, 이를 등급별로 시각화한 결과는 그림 4와 같다.

그림 4.

거주지역 진단 등급 분포(거주지)

거주지역에 대한 종합진단지수를 전국 9개 권역으로 구분하여 산출한 기술통계를 비교하면, 전국 농촌 공간의 거주지역 평균 지수는 0.445 수준인 것으로 나타났다. 권역별 순위에서는 전남권(0.481)이 가장 높아 다른 권역에 비해 열악한 것으로 분석되었다. 그 뒤를 이어 경북권(0.453), 경남권(0.447), 전북권(0.446), 충남권 및 강원권(0.440), 충북권(0.439) 순이었다. 대상지 규모가 좁은 제주권(0.429)과 서울 대도시에 인접한 수도권(0.415)의 진단지수는 상대적으로 낮아 양호하게 나타났다(표 6).

위의 권역별 진단지수를 다섯 등급으로 계층화한 결과, 전국의 총 117,050개(100%) 거주지 격자 중 지원수준인 D등급이 33,087개(28.3%)로 우위를 점하였다. 다음으로 보통수준인 C등급 31,379개(26.8%), 양호수준인 B등급 21,811개(18.6%), 우수수준의 A등급 15,896개(13.6%) 순이며, 재생수준으로 평가되는 E등급은 14,877개(12.7%)로 분석되었다.

이를 권역별로 가장 높은 비율과 낮은 비율을 차지하는 등급으로 분류해 보면, 수도권에서는 B등급(36.7%)의 비율이 가장 높고 E등급(7.5%)이 가장 낮은 것으로 나타났다. 반면에 강원권 및 경북권, 전남권, 전북권은 정도의 차이는 있으나, D등급(30.4%~35.3%)이 가장 높은 비율을 차지하였으며, A등급(7.2%~10.4%)이 가장 낮은 비율로 파악되었다. 또 다른 양상으로 충남권과 충북권에서 가장 높은 비율은 D등급(28.9%, 32.5%), 가장 낮은 진단 비율은 E등급(11.6%, 10.3%)으로 각각 집계되었다. 경남권에서는 C등급(31.5%) 비율이 가장 높았고, E등급(12.2%) 비율이 가장 낮았다. 제주권은 유일하게 A등급(25.6%) 비율이 가장 높고, E등급(9.7%) 비율이 가장 낮게 분류되었다(표 7).

다른 방식으로 단계 구분을 통합 및 축소하여 3단계 등급으로 재구성한 결과, 전국 읍･면 단위 거주지역 중 현재 양호한 진단 수준으로 평가되는 A~B등급지는 32.2%로 나타났고, 재생 대상지에 포함될 개연성 있는 중간수준의 C등급지는 26.8%로 분석되었다. 또한, 재생을 위한 다각적인 지원이 시급한 공간에 해당하는 D~E등급지의 경우, 전체 거주지의 41.0%로 다른 등급지에 비해 매우 높은 비율을 보였다.

이를 통해 전국의 읍･면 단위 거주지역을 대상으로 하여 재생이 필요한 공간의 격자 수와 비율을 산출할 수 있었다. 하지만, 넓은 진단 대상지에서 유의미한 특정 공간을 도출하거나, 선택적으로 지원할 영역을 설정하는 데는 한계점이 존재한다. 따라서 이를 해결하기 위한 후속적인 공간분석 방식을 모색하였다. 그 대안으로 본 연구에서는 앞서 고찰한 공간자기상관 및 군집분석 방법 중에서 보편적으로 활용되는 Hot spot(Getis-Ord Gi*)과 LISA(Local Moran’s I) 분석기법을 적용하였다.

3. 권역별 군집분석 특성 비교

일정 공간에서 제반 현상은 무작위로 분포하는 것이 아니라, 특정 지역을 중심으로 집중되어 발생한다. 지역쇠퇴 현상도 인접한 지역과 깊은 연관성을 지닌다고 유추할 수 있다. 본 연구에서는 농촌 지역의 공간적 자기상관성 존재 여부와 공간데이터의 유의성 검증을 위해 전역적 공간자기상관 지표인 Getis-Ord General G와 Global Moran’s I를 검토하였다. 먼저 General G 값은 0.002, z-score는 6.05(p<0.05)로 99% 신뢰구간에서 유의한 것으로 나타났다. 또한, Global Moran’s I를 측정한 결과 0.26으로 0보다 크며, z-score가 13.22(p<0.05)로 산출되어 신뢰구간 99% 범위에서 유의한 결과를 보였다. 이를 통해 정(positive)의 공간자기상관이 높은 군집 패턴을 보였고, 대상지의 진단지수는 유의성이 있다고 판단했다. 전역적 공간자기상관 탐색으로 군집 패턴의 유의성이 확인됨에 따라 국지적 공간자기상관을 통해 유형화하고 특성을 분석하였다.

전국 읍･면의 거주지를 대상으로 지역재생진단체계를 활용하여 진단지수를 산출하고, Hot Spot과 LISA 분석을 통해 군집분석을 수행하였다. 이렇게 두 가지로 군집분석을 시각화한 결과는 매우 유사한 공간적 분포를 보였다. 다만, 농촌 지역에서 우선적인 재생지원이 필요한 공간의 선정과 권역별 특성 비교에는 후자가 더 적합한 것으로 판단되었다. 따라서 LISA 방식으로 군집분석을 진행한 다음, 권역별 공간통계 및 비교 분석을 수행하였다. 기능적으로 LISA 분석은 Local Moran’s I 통계량으로 공간자기상관 정도를 측정하고, 클러스터 맵(cluster map)을 생성한다. 일종의 군집과 이상치(cluster and outlier)를 판별하여 통계적으로 유의한 값을 지닌 지역에 대한 공간통계분석을 진행하였다. 여기서 Moran’s I 통계치가 클수록 양의 상관관계에 있음을 의미한다. 이와 같은 군집분석 결과를 시각화하면 그림 5와 같다.

그림 5.

군집분석 결과

LISA 분석을 통해 단위공간과 그 주변이 모두 지역쇠퇴가 심한 H-H(high-high) 유형의 군집 격자는 16,449개(14.1%)로 나타났고, 전국 읍･면 거주지역에 폭넓게 분포하였다. 지역 쇠퇴가 약한 L-L(low-low) 유형의 군집 격자는 24,642개(21.1%)로 서울을 비롯한 광역 대도시 및 동 지역의 외곽경계를 따라 다수 분포하는 특징이 나타났다. 이에 반해 단위공간의 쇠퇴 수준은 높지만, 주변은 약한 H-L(high-low) 유형과 그 반대인 L-H(low-high) 유형의 군집 격자는 6,388개(5.5%)와 4,228개(3.6%)로 각각 분석되었다. 한편으로 군집의 유의성이 부족하여 분석 대상에서 제외된 격자 수는 65,434개(55.8%)로 높은 비율을 보였다.

여기서 지역재생진단의 기능성을 고려하자면 H-H(high-high) 유형에 집중할 필요가 있다. 전국 대비 각 권역을 대상으로 비교한 결과, 경북권이 19,512개(25.3%)로 가장 높은 비율을 나타냈고, 그다음으로 전남권 16,505개(18.3%), 수도권 16,511개(17.8%), 충남권 17,275개(12.0%), 충북권 9,035개(10.4%), 강원권 11,289개(7.3%), 전북권 10,349개(4.4%), 경남권 14,564개(3.7%) 순이며, 상대적으로 좁은 제주권에서는 2,010개(0.9%)가 분포하는 특성이 나타났다.

다른 측면으로 각 권역에서 가장 큰 비중을 차지한 군집유형으로는 모든 권역에서 L-L(13.7%~24.7%) 유형으로 나타났으며, 차순위인 H-H(4.2%~18.9%) 유형도 이와 유사한 것으로 도출되었다. 종합하자면, 이와 같은 LISA 분석 결과를 통해 농촌 공간에서 지역쇠퇴가 심각하여 우선적인 재생지원이 요구되는 곳, 그 반대인 성격의 공간에 대한 군집성을 확인할 수 있었다(표 8).

이처럼 군집분석(LISA) 결과를 바탕으로 군집성이 강한 H-H 및 L-L 유형의 격자가 집중분포하여 선제적 지원 또는 후속적 관리가 요구되는 권역별 공간을 도출할 수 있다. 결과적으로 공간자기상관이 높은 지역은 향후 「농촌공간재구조화법」에 의해서 체계적･효율적인 토지이용이 이루어져야 할 것이다. 즉 일정 지역을 용도에 따라 구획화(zoning)하는 ‘농촌특화지구’ 등의 도입 과정에 우선적 고려가 필요한 곳으로 해석할 수 있겠다.

V. 결론

본 연구는 농촌공간의 다원적 재생지원을 목표로 지역재생진단체계를 도입하여 격자 기반의 공간분석을 수행하였다. 초기 단계부터 격자구조의 기초자료 구축과 진단지수의 등급화, 공간자기상관 및 군집성 등을 고찰하였다. 절차적으로 부문별 진단 지표 선정 및 표준화, 종합지수 산출 등을 수행하였으며, 이 과정에는 공간데이터의 구득 가능성과 활용성 등을 고려하였다. 이를 기반으로 전국의 농촌 지역을 대상으로 재생지원이 요구되는 공간의 부문별 분포 및 권역별 특성 등을 다각적으로 비교 분석하였다.

특히 부문별 진단지수는 행정 경계의 한계를 보완할 수 있도록 격자 단위로 산출하였으며, 재분류와 매핑을 통해 도면으로 시각화하였다. 격자구조는 셀의 크기 및 축척 변화에 따른 호환성을 유지하도록 국가격자체계 표준을 적용하여 후속적인 활용성도 고려하였다. 그 결과 다음과 같은 특성 및 시사점이 도출되었다.

첫째, 국내 농촌의 거주지를 중심으로 진단지수를 종합한 결과, 인구사회 부문이 가장 취약한 것으로 드러났고, 다음으로 환경안전, 생활편의, 산업경제 부문의 순으로 나타났다. 따라서 인구감소에 대한 선제적인 대응책 마련이 필요한 것으로 진단되었다.

둘째, 표준화 과정을 거쳐 A등급(우수)~E등급(재생)으로 구분한 결과, 재생수준인 E등급(12.7%)과 지원수준인 D등급(28.3%)을 합한 비율(41.0%)이 양호수준인 B등급(18.6%) 및 우수수준인 A등급(13.6%)을 합산한 비율(32.2%)보다 높게 나타났다. 이는 열악한 농촌사회의 현실을 방증하는 셈이다.

셋째, 전국 9개 권역(15,896개) 중에서 E등급이 가장 많은 곳은 전남권(3,004개)으로 E등급(14,877개)이 전체 대비 20.2%를 차지했다. 그다음 경북권(2,556개), 충남권(2,004개) 순으로, 그 비율은 각각 17.2%와 13.5%로 파악되었다.

넷째, 공간 군집분석 방법 중 대표적인 LISA 기법을 적용한 결과, 단위공간과 주변의 쇠퇴가 심한 곳으로 분류된 H-H 유형의 격자는 16,449개(14.1%)로 전국 읍･면 거주지에 넓게 분포하였다. 권역별 군집성은 경북권이 19,512개(25.3%)로 가장 많았고, 다음으로 전남권 16,505개(18.3%), 수도권 16,511개(17.8%), 충남권 17,275개(12.0%) 등의 순으로 집계되었다.

이와 같은 분포 특성은 진단된 격자 수를 단순 집계한 것으로 진단 의도 및 분석 목적에 따라 다르게 인식될 수 있다. 따라서 상세한 공간 해석은 향후 경험적 분석과 평가를 통해 보완이 이루어져야 할 것이다. 국내의 현실을 고려하면, 인구 과소화 및 고령화, 정주 환경의 노후화, 농업 수익성 감소 등의 제반 문제를 일시에 해소하기는 어려운 일이다. 그럼에도 농업･농촌의 잠재적 가치를 제대로 인식하고, 재도약을 위한 방안 마련 및 정책 집행은 지속되어야 한다.

같은 맥락에서 본 연구는 위기에 처한 농촌 공간의 재생과 활성화를 위한 토대 구축에 중점을 두고, 과학적 지식을 활용한 증거 기반의 객관적 현상 파악에 노력하였다. 결과적으로 전국 농촌 공간을 대상으로 지역진단 및 권역별 특성을 고찰한 성과는 우리 농촌의 다원적 재생과 효율적 정책 지원에 기여할 것으로 기대된다. 그럼에도 생활인구 및 관계인구, 지역사회자본 등의 영향력 있는 지표의 반영이 부족했고, 도시지역을 제외함에 따라 주요 시설의 접근성에 일부 오차가 내재 될 수 있는 점은 한계로 나타났다. 향후 후속적 연구를 지속하여 새로운 지표의 도입 및 진단 절차의 체계화 등을 통해 질적 수준을 증진할 계획이다.