폭염 및 인구변화에 따른 그린인프라 수요·공급 분석

Ⅰ. 서 론

기후변화로 인한 도시의 폭염 위험은 갈수록 심화되고 있으며, 이는 도시지역의 건강, 생태계, 기반시설 전반에 걸쳐 다차원적인 영향을 미치고 있다. 특히 아시아와 유럽의 주요 도시에서는 폭염일수와 강도의 증가가 국지적인 열섬현상과 결합되어 고온 위험이 집중되는 양상이 뚜렷하게 나타나고 있다(Zha et al., 2024; Lopes et al., 2025). 도시지역은 에너지, 건물, 교통, 산림 등 다양한 부문이 상호작용하며 복합적으로 기후변화의 영향을 받고, 이로 인해 열섬현상 등 극심한 기후위험이 여러 규모와 위치에서 발생한다. 그렇기에, 도시 내 각 지역의 기후위험 노출 수준과 대응 역량의 공간적 격차를 정밀하게 진단하고, 이를 바탕으로 맞춤형 환경계획을 수립할 필요성이 강조되고 있다(홍나은, 2024).

한편, 이러한 기후위험과 동시에 도시에서는 인구 구조의 급격한 변화도 나타나고 있다. 일부 도시에서는 인구 증가와 고밀화, 인구 감소와 고령화가 서로 다른 공간에서 병존하는 복합적 양상이 관찰된다. 대도시권의 중심부나 재개발 지역에서는 청장년층 인구의 유입으로 인해 인구 밀도가 급격히 상승하는 반면, 주변부 또는 저밀 주거지에서는 고령화와 함께 인구 감소가 동시에 진행되는 양상이 나타난다(Haase et al., 2008; Martinez-Fernandez et al., 2012). 이러한 인구 구조의 공간적 이질성은 도시 전역에 걸쳐 인프라의 수요 밀도와 유형을 다양하게 만들며, 통합적인 분석이나 계획 수립을 어렵게 만드는 주요 요인 중 하나로 지적되고 있다(Kabisch and Haase, 2011).

UN-Habitat(2020)은 아시아·아프리카 대도시권을 중심으로 도시 팽창과 기후재난 위험이 결합된 ‘이중적 압력 지대(double exposure zones)’가 확산되고 있음을 지적하였으며, OECD(Burgalassi and Matsumoto, 2024) 역시 기후변화와 인구 구조 변화가 도시 기반시설의 수요를 함께 증대시키는 구조로 작용하고 있다고 분석하였다. 이처럼 도시가 직면한 복합적인 변화에 대응하기 위해서는, 인구변화와 기후위험에 모두 효과적으로 작동할 수 있는 도시계획 수단이 요구된다. 그린인프라(Green Infrastructure, GI)는 이러한 맥락에서 대응가능한 도시계획적 수단으로 평가된다. 이는 사회적 과제를 적응적으로 해결하는 데 필요한 자연 및 인공생태계에 대한 조치로 알려진 자연 기반 해법(Nature-based Solutions) 중에서도 인프라 서비스를 제공하도록 설계된 전략으로 알려져 있다(Browder et al. 2019).

특히, 인구 감소와 고령화가 진행되는 지역에서는 지방재정 축소와 도시 인프라 유지관리의 어려움이 존재한다(Burgalassi and Matsumoto, 2024; Jarzebski et al., 2021). 그린인프라는 접근성이 높고 유지비용이 비교적 낮아 이러한 문제를 완화할 수 있는 대안으로 주목받고 있다(Jarzebski et al., 2021; Hanna and Comín, 2021). 또한, 인구 밀도가 높은 지역에서는 열섬, 대기오염, 환경 스트레스 완화를 위해 생태계서비스의 수요가 동시적으로 증가한다(Wang et al., 2022a). 즉, 인구 감소, 고령화, 인구 증가라는 다양한 인구변화 방향성이 공통적으로 그린인프라 수요 증가로 이어지며, 이에 따라 도시계획에서는 더욱 세분된 수요 진단과 대응이 필요할 것으로 보여진다.

아울러 그린인프라는 도시 내 온도를 저감시키고 생태계서비스를 제공함으로써, 폭염과 같은 기후위험에 대한 도시의 대응력을 높이는 핵심 수단으로 간주되며(Das et al., 2024; Graça et al., 2022), 최근에는 기후정의(climate justice)와 형평성 관점에서도 강조되고 있다.

그러나 기존 연구들은 주로 국가 또는 도시 수준의 거시적 단위에서 그린인프라의 평균적 변화를 분석하거나, 기후 또는 인구 중 하나의 요인만을 독립적으로 고려하는 경향을 보여왔다(Zhu et al., 2022; Kim and Kim, 2024). 이러한 접근은 도시 내부에서 발생하는 미시적 공간 단위의 수요·공급 불균형이나, 기후·인구 요인의 복합 작용으로 인한 공간적 이질성을 충분히 포착하지 못한다는 한계를 가진다.

이에 본 연구는 서울특별시를 대상으로, 격자 단위의 미시적 공간분석을 수행함으로써, 거시 단위의 행정구역 기반 분석이 간과할 수 있는 국지적 수요·공급 불균형을 보다 정밀하게 진단하고자 한다. 그린인프라 수요가 높으나 충분히 공급되지 않을 경우, 기후위험 대응 역량의 지역 간 격차와 도시 내 환경형평성 문제가 심화될 수 있기 때문이다. 따라서 본 연구는 기후변화와 인구변화가 복합적으로 작용하는 그린인프라 수요 유형을 정의하고, 그 수요 유형별 공급수준의 차이를 파악함으로써, 도시 내 수요·공급 불균형 문제를 진단하고 맞춤형 전략을 제안하여 효율적이고 형평성 있는 도시계획 수립의 기초 자료를 마련하고자 한다.

Ⅱ. 이론 및 선행연구 검토

Ⅲ. 분석의 틀

3. 변수 설정 및 분석 자료

1) 기후변화 변수

기후변화에 따른 폭염 위험을 나타내는 지표를 선정하고자 폭염 발생을 판단하는 기준을 검토하였다. 첫째로 31℃ 또는 33℃ 이상과 같은 절대 기온 값으로 폭염을 정의하는 방식은 국가 정책 수립 측면에서 유효할 수 있으나, 인체에 직접 닿는 태양복사열과 습도 등의 요소를 반영하지 못해 실제 체감하는 온도와 거리가 멀다는 한계점 존재한다(홍윤철, 2022). 둘째, 폭염으로 인한 인체 생리학적 요인을 반영한 지수로 폭염 발생을 진단할 수도 있다. 열지수(Rothfusz, 1990)는 기온과 상대습도에 따라 사람이 실제로 느끼는 더위를 지수화한 것으로 널리 활용되지만, 이는 바람이 약하고 그늘진 조건을 전제로 개발되었기 때문에 태양 빛에 직접 노출 시 지숫값이 높아질 가능성이 있고, 미국 기후 조건을 기반으로 개발되어 국내 적용에 실효성이 낮다는 한계가 존재한다(김동현 외, 2023). 마지막으로, 체감온도는 기온 외에도 습도, 풍속, 복사열 등 다양한 기상 요소를 통합적으로 반영하여 인체가 실제로 느끼는 열 스트레스 수준을 더 정밀하게 표현할 수 있다는 점에서 폭염 기준 지표로서의 타당성이 크다. Yin et al.(2023)은 체감온도를 활용한 폭염 분석이 기존의 기온 기반 지표보다 열파의 빈도, 강도, 지속 기간을 실질적으로 더 잘 반영하며, 지역별 기후 특성과 인체 반응을 고려한 ‘인간 지각 기반(climate perception-based)’ 기후위험 평가에 효과적임을 입증하였다. 유럽환경청(European Environment Agency, 2024) 역시 체감온도 기반 폭염일수 지표를 활용하여 공중 보건 대응 및 기후 적응 정책 수립에 활용하고 있으며, 현재 우리나라 기상청에서도 일최고 체감온도 31°C 이상을 폭염특보 발효 기준으로 삼고 있다. 이에 따라 본 연구에서도 5~9월 사이 일최고 체감온도 31°C 이상인 날의 수를 ‘폭염일수’로 정의하고 이를 주요 변수로 활용하였다.

이와 더불어 폭염일수의 증가는 누적 폭염 강도의 주요 원인으로 작용하며, 이는 기후위험 평가에서 중요한 요소가 될 수 있다(Perkins-Kirkpatrick and Lewis, 2020). 또한, IPCC AR6 보고서(Seneviratne et al., 2021)에서는 극한 기상현상에 대한 지역별 위험을 보다 정밀하게 평가하기 위해 절댓값뿐만 아니라 변화율 등의 상대지표를 병행 사용할 것을 제시하였다. 그렇기에 정규화 과정에 있어 폭염일수 변화율의 경우에는 데이터에서 증가와 감소를 각각 분리하여 Z-score 정규화를 수행하였다.

종합적으로, 본 연구에서는 도시 내 폭염 위험의 강도 및 변화 규모를 반영하고자 2023년 ‘폭염일수 최신값’과 2019년 대비 2023년 ‘폭염일수 변화율을 기후변화 변수로 선정하였다. 본 연구에 활용된 기후 데이터는 기상청 API에서 제공하는 500m 해상도 격자 기반의 특정지점 다중요소 자료 중 ‘체감온도’이며, 이는 2025년 기준 체감온도에 있어 500m보다 높은 해상도의 국내 공공 API 제공 자료가 부재하기에 본 연구는 공공에서 제공하는 해당 데이터의 직접적 활용 범위 내에서 수행되었다. 또한, 기상청에서는 기상관측자료와 지형자료를 활용해 해당 격자 데이터 세트를 매 정시 기준 5분 간격으로 제공하고 있으며, 이는 관측망이 없는 곳에 대해서도 기상현상을 분석할 수 있는 장점을 가진다(기상청, 2025).

구체적으로는 ‘체감온도’ 데이터를 서울시 영역 전체에 해당하는 500m 격자 단위로 수집하였으며, 수집한 데이터에서 5~9월 사이 일최고 체감온도 31°C 이상인 날의 수를 추출하여 폭염일수로 분석에 적용하였다(<Table 1> 참고).

Table 1.

Description of variables and data sources

2) 인구변화 변수

도시 내 인구변화와 고령화를 변수화하는 기준을 검토하였다. Burgalassi and Matsumoto(2024)는 OECD 보고서에서 인구 감소와 고령화가 도시의 재정적 부담을 증대시키며, 인구 규모 변화가 자원 할당과 정책 우선순위 설정에 직접적 영향을 미치기 때문에 특히 절대적 인구 감소량이 인프라 유지관리 비용과 공공 서비스 공급의 경제성을 평가하는 데 중요함을 강조하였다.

한편 Knape(2025)는 대규모 지역을 대상으로 한 개체수 모니터링에서 변화의 추세를 평가할 때, 단일 지점 또는 절대 변화량만을 사용하는 것은 지역 간 인구(개체군) 변화의 공간적 차이를 과소평가할 수 있음을 지적하고, 공간적으로 다양한 추세를 반영할 수 있는 상대적 변화율 기반 지표의 필요성을 제안하였다. 이와 유사하게 OECD(2023) 또한 인구 증가율, 감소율, 고령화율 등 상대적 변화율을 사용해 국가·도시·지역 간 인구 구조 변동을 비교 분석하였다.

본 연구에서는 인구변화를 그린인프라 수요 변수로 활용함에 있어, 총인구수나 인구 밀도와 같은 절대적 인구 수준은 도시의 구조적 특성이나 서비스 배치의 기준으로 유용하나, 수요의 변화 방향성과 강도와 같은 동적 특성을 설명하는 데에는 한계가 있다고 판단하였다(Jang and Song, 2020; Kopczewska et al., 2024).

따라서, 본 연구는 기후변화와 인구변화에 따라 도시 내 그린인프라 수요가 지역별로 어떤 특성을 보이는지를 분석하는 데 목적을 두고 있으며, 이러한 수요의 변화 방향성과 강도와 같은 동적 특성을 보다 명확히 반영할 수 있는 변수로서 인구변화량과 변화율을 활용하는 것이 적절하다고 판단하였다. 이와 같은 접근은 최근의 실증 연구들에서도 확인된 바 있다(Wang et al., 2023; van Ruijven et al., 2019).

본 연구는 도시 내 인구변화와 고령화의 강도 및 규모를 반영하고자 2019년 대비 2023년 총인구수와 65세 이상 인구수의 절대적 변화량과 상대적 변화율을 인구변화 변수로 선정하였다. 그리고 정규화 과정에 있어 각 변수의 데이터에서 증가와 감소를 별도 분리하여 Z-score 정규화를 수행하였다.

해당 데이터는 국토지리정보원 국토통계지도에서 제공하는 2019년과 2023년의 전국 100m 격자 단위 인구수 데이터에서 서울특별시를 추출하여 적용하였다(<Table 1> 참고).

3) 그린인프라 공급 변수

도시 내 그린인프라의 공급능력을 평가하기 위해 그린인프라 공급 변수를 선정하고자 관련 기준을 검토하였다. Greater London Authority(2023)와 Zhao et al.(2024)는 그린인프라 공급 수준을 주로 면적 지표를 통해 정량화하였다. 구체적으로, Greater London Authority(2023)는 그린인프라의 면적과 함께 그에 대한 질적 점수를 결합해 공급수준을 산출하는 방식을 사용하였으며, Zhao et al.(2024)는 이와 더불어 그린인프라 공급의 질적 차이와 공간적 형평성 문제를 함께 논의하였다. Herreros-Cantis and McPhearson(2021)은 공간적 분포, 생태적 특성과 같은 질적 요소에 따라 그린인프라 서비스의 공급능력이 달라진다고 강조하였다. 그리고 Meerow and Newell(2017)은 도시 내 그린인프라 공급의 실효성을 확보하기 위해 면적뿐 아니라 실제 접근성과 수요 분포를 반영한 공급 전략이 수반되어야 한다고 주장하였다. 이에 따라 본 연구는 그린인프라의 양, 질, 형평성 측면을 반영한 그린인프라 공급 변수들을 구성하였다. 단순히 확보된 녹지 면적 물량 외에도, 그린인프라를 구성하는 식생의 상태, 그리고 그린인프라를 이용하는 주민들의 공간적 접근 편차를 고려하고자 하였다.

첫째, 녹지 면적(Green Area)을 그린인프라의 양적 공급을 직접적으로 반영하는 변수로써 선정하였다. 이는 단순하면서도 객관적으로 녹지의 존재 여부를 정량화 가능하다는 장점이 있다. London Greening Factor(Greater London Authority, 2023)의 그린인프라 기준을 참고하여 그린인프라에 해당하는 세분류를 채택하고 그 면적의 합을 녹지 면적으로 하였다. London Greening Factor의 Surface-cover types and factor scores에서 제시하고 있는 그린인프라 구성요소의 기준은 인공적으로 관리되더라도 자연적 기능을 유지하는 반자연적(semi-natural) 상태이고, 염소 처리되지 않았으며, 유지·관리 또는 새로 조성된 지역이다(Greater London Authority, 2023). 이를 기반으로 채택한 세분류는 농업지역에 해당하는 경지정리가 된 논, 경지정리가 안 된 논, 경지정리가 된 밭, 경지정리가 안 된 밭, 과수원, 기타 재배지, 산림지역에 해당하는 활엽수림, 침엽수림, 혼효림, 초지에 해당하는 자연초지, 골프장, 묘지, 기타 초지, 습지에 해당하는 내륙 습지(수변식생), 수역에 해당하는 하천, 호소이다. 환경부(2022)에서 식생 피복이 없는 지역으로 정의된 세분류는 배제하였다. 반면, 일부 논이나 밭 등의 농경지는 인공적으로 관리됨에도 자연적 기능을 가지기에 채택하였고, 하천, 호소의 경우 자연적 또는 반자연적 수체로써 London Greening Factor의 기준에 부합한다. 인공초지에 해당하는 묘지와 골프장의 경우, London Greening Factor에서는 인공지역이라도 자연식생이 풍부한 경우를 그린인프라로 다루고 있기에 이를 배제할 수 없어 채택하였으나, 생태적 가치가 낮거나 콘크리트 구조물이 우세한 경우를 별도 구분할 수 없기에 이는 데이터의 한계로 남는다. 해당 데이터는 환경공간정보서비스(환경부, 2025)에서 제공하는 2023년 토지피복 세분류 1m 해상도 자료를 활용하여 토지피복도 세분류 기반으로 격자 내 면적을 산정하였다.

둘째, 정규식생지수(Normalized Difference Vegetation Index, NDVI)는 그린인프라의 질적 공급을 평가하는 변수로 선정하였다. 정규식생지수는 흔히 원격탐사자료를 활용하여 촬영한 대상의 살아있는 녹색 식생 포함 여부를 평가하는 데 사용할 수 있는 지표로써 그린인프라의 질적 공급을 평가하는 데 활용된다(한국지질자원연구원, 2024; Dunnett et al., 2018). 해당 데이터는 한국지질자원연구원 환경빅데이터플랫폼에서 제공하는 2023년 Landsat 위성영상의 정규식생지수 30m 해상도 자료를 활용하였으며, 100m 격자 내 NDVI 지수를 면적별 평균으로 계산하여 적용하였다. 평균값은 극단값에 비해 안정적이며 전체 공간적 패턴을 비교·분석하는 데 적합한 통계량으로(Marceau et al., 1994), 해당 격자의 전반적인 그린인프라 공급수준을 나타냄에 적합하다고 판단하였다. 또한 NDVI와 같은 식생 지표에 대하여 30m 해상도 데이터를 100m 격자 내 평균값으로 산정하는 방식은 공간분석 분야에서 채택하는 대표적 처리 방법의 하나로 활용되고 있다(Nelson et al., 2009).

마지막으로, 공원 접근성 지수는 그린인프라의 형평성을 반영할 수 있는 변수이기에 선정하였다. 그린인프라의 형평성 실현은 누구나 실질적으로 이용할 수 있도록 일상적 접근이 보장된 그린인프라의 공급이 뒷받침될 때 유의미하다고 보았다(Jang and Doyon, 2023). 또한, 국내에서도 환경형평성 관점에서 실제 시민들이 이용하는 공원 범위를 고려하여 생활권공원과 주제공원을 대상으로 접근성 개선을 제시한 바 있다(김미현 외, 2015). 이에 따라 해당 변수의 데이터는 국토정보플랫폼 국토정보맵의 국토지표에서 제공하는 2023년 생활권공원과 주제공원 접근성 500m 격자 데이터를 각각 활용하였다(<Table 1> 참고). 이는 격자 중심점으로부터 가장 가까운 공원까지의 도로 이동거리를 의미하며, 해당 500m 격자의 값을 해당하는 100m 격자마다 동일 값으로 부여하였다. 이러한 방식은, 공간분석 분야에서 널리 활용되는 최근린 할당법(Nearest-centroid Allocation)에 기반한 처리로, 특히 접근성과 같은 연속적 공간지표의 특성상 정당성이 확보되는 방법론이다. 이러한 방식은 면적 보간법(Areal Interpolation)의 대표적 절차로서, 소스 격자의 대푯값을 타깃 격자에 부여하는 고전적 공간 처리 기법 중 하나로 간주된다(Goodchild and Lam, 1980).

Ⅳ. 분석결과

1. 분석 과정

1) 데이터 정제 및 변수 검토

분석에 활용된 주요 변수들의 원자료 기술통계량은 <Table 2>와 같으며, 일부 변수의 결측값(-999.00)은 통계 산출에서 제외하였다. 기후변화 변수와 인구변화 변수를 대상으로 피어슨 상관계수를 확인한 결과, ‘폭염일수 최신값’과 ‘폭염일수 변화율’이 0.508의 양의 상관관계를, ‘총인구수 변화율’과 ‘65세 인구수 변화율’이 0.483의 양의 상관관계를, ‘총인구수 변화량’과 ‘65세 인구수 변화량’이 0.424의 양의 상관관계를 보였다. 나머지 변수 쌍의 상관계수는 모두 0.04 미만으로 낮은 수준이었다. 이후 각 변수 간의 다중공선성 문제를 평가하고자 VIF를 확인한 결과, 모든 변수의 VIF가 1.6 미만으로 나타나 다중공선성에 큰 영향을 주지 않는 것으로 확인되었다. 따라서, 모든 변수를 클러스터링에 활용하였다.

Table 2.

Summary statistics for raw variables(N=61,654)

2) 최적의 군집 수 도출

분석 결과, 전역 Moran’s I는 0.8391, 기댓값은 0, Z-score는 412.0653, p-value는 0.001 미만(p<0.01)으로, 통계적으로 유의미한 양(+)의 공간자기상관성이 확인되었다. 이는 서울시 내에서 폭염일수 및 인구변화 변수는 공간적으로 유사한 값끼리 응집된 분포를 보이며, 이는 무작위한 공간 분포가 아니라 통계적으로 유의미한 공간적 자기상관 구조를 갖는다는 것을 의미한다(<Figure 1> 참고).

Figure 1.

Moran’s I

또한, LISA 분석 결과는 K=4로 군집화된 구역 간 공간적 불균형의 국지적 패턴을 시각적으로 확인하였다(<Figure 2> 참고). LISA 클러스터 맵에서는 강남·강북 주요 지역을 중심으로 HH(High-High), LL(Low-Low) 등의 집락 패턴이 명확히 분포하고 있었으며, 이는 수요 유형 간 공간적 연속성이 높고, 클러스터 간 이질성이 공간적으로도 구분된다는 것을 뒷받침하였다. 이러한 결과는 K=4로 도출된 군집 구조가 단순한 수치상의 구분을 넘어 실제 공간적 패턴을 효과적으로 반영하고 있음을 뒷받침하며, K-means 군집 수 결정의 공간적 정당성을 확보하는 근거가 된다. 따라서, K=4로 설정하여 군집분석을 진행하였다.

Figure 2.

LISA cluster map

2. 분석 결과

최적의 군집 수 4개로 K-means 군집분석을 진행한 결과, 반복 42회에서 최적의 수렴이 이루어졌다. 그린인프라 수요를 대변하는 ‘유형1(중간 수준 수요)’에 속하는 격자는 50,311개, ‘유형2(매우 높은 수준 수요)’에 속하는 격자는 32개, ‘유형3(높은 수준 수요)’에 속하는 격자는 2,307개, ‘유형4(낮은 수준 수요)’에 속하는 격자는 9,004개로 분류되었다(<Table 3> 참고). 그린인프라 수요 유형별 인구변화와 기후변화 특성에 대한 해석을 진행하였다(<Figure 3>과 <Table 4> 참고).

Table 3.

Summary statistics of Z-score variables by green infrastructure (GI) demand clusters

Figure 3.

K-means cluster map

Table 4.

Analysis of differences in green infrastructure supply levels by demand clusters(N=61,654 )

첫째, ‘유형1’ 지역은 타 군집에 비해 상대적으로 폭염 위험이 높은 수준인 지역으로 나타났다. 총인구수에 있어서는 일부 격자에서 급격한 총인구수의 증가를 보이는 사례가 포함되었으나, 대부분은 약한 인구 감소 경향을 보이는 지역으로 나타났다. 65세 이상 인구수의 경우, 타 군집에 비해 약간의 증가를 보인 지역으로 나타났다. 앞서 폭염 위험이 높을수록, 총인구수의 증가 및 감소가 심화될수록, 65세 이상 인구수의 증가가 심화될수록 그린인프라의 수요가 증대된다는 Ⅱ장의 선행연구 검토 결과를 바탕으로 해당 유형은 타 유형 대비 그린인프라 수요 정도가 중간 수준임으로 해석하였다.

둘째, ‘유형2’ 지역은 폭염일수와 변화율이 모두 가장 높은 평균값을 보임에 따라 타 군집에 비해 폭염 위험이 매우 높은 지역으로 나타났다. 인구수에서도 타 군집에 비해 총인구수와 65세 이상 인구수의 변화량이 급격하게 증가한 지역으로 나타났다. 해당 유형도 Ⅱ장의 선행연구 검토 결과를 바탕으로 타 유형 대비 그린인프라 수요 정도가 매우 높은 수준임으로 해석하였다.

셋째, ‘유형3’ 지역은 타 군집에 비해 상대적으로 폭염 위험이 높은 수준인 지역으로 나타났다. 인구수에 있어서는 타 군집에 비해 절대적인 인구 감소가 매우 크게 나타난 지역이다. 또한 65세 이상 인구도 마찬가지로 타 군집에 비해 감소량이 크게 나타난 지역이다. 해당 유형은 앞서 Ⅱ장의 선행연구 검토 결과를 바탕으로 타 유형 대비 그린인프라 수요 정도가 높은 수준임으로 해석하였다.

넷째, ‘유형4’ 지역은 폭염일수와 변화율이 모두 가장 낮은 평균값을 보임에 따라 타 군집에 비해 폭염 위험이 가장 낮은 지역으로 나타났다. 총인구수에 있어서는 유형3에 비해 상대적으로 약한 인구 감소가 나타난 지역이다. 65세 이상 인구수의 경우, 변화율과 변화량이 타 군집에 비해 상대적으로 매우 작은 폭이지만 모두 감소를 보인 지역으로 나타났다. 해당 유형은 앞서 Ⅱ장의 선행연구 검토 결과를 바탕으로 타 유형 대비 그린인프라 수요 정도가 낮은 수준임으로 해석하였다.

분산분석 결과, 모든 그린인프라 공급 변수에 대하여 p<0.001로 그린인프라 수요 유형 간 평균 차이가 통계적으로 매우 유의미하게 나타났다(F=4023.47~7007.26)(<Table 4> 참고). 특히, 녹지 면적과 NDVI의 F-통계량이 각각 7007.26과 4023.47로 높아, 이 두 변수는 그린인프라 수요 유형 구분에 있어서 강한 차별성을 보였다. 반면, 생활권공원 접근성(F=23.50)과 주제공원 접근성(F=34.72)도 유의미한 차이를 보이나, 효과 크기는 상대적으로 낮은 편이었다.

사후검증 결과, 유형4가 모든 비교에서 유의미한 우위를 보였다. 반면, 녹지 면적과 NDVI에서 유형2와 유형3은 통계적으로 유의미한 차이를 보이지 않았고, 생활권공원 접근성에서는 유형1, 유형2, 유형3 간에 유의한 차이가 나타나지 않았으며, 그리고 주제공원 접근성에서는 유형1과 유형2, 그리고 유형2와 유형3 간에 유의미한 차이가 나타나지 않았다(<Table 4> 참고).

3. 서울시 그린인프라 수요 유형별 그린인프라 공급수준 종합

1) 유형1의 그린인프라 공급수준

‘높은 폭염 위험, 약한 인구 감소, 약한 고령인구 증가지역’이기에 그린인프라의 수요가 중간 수준으로 해석된 유형1은 다음과 같은 분석결과 해석을 통해 그린인프라 공급수준이 양적, 질적 측면에서는 평균 대비 다소 부족하고, 형평성 측면에서는 생활권공원 접근성 편차가 크고, 주제공원의 접근성이 가장 부족함을 확인하였다. 즉, 해당 유형은 타 유형에 비해 그린인프라 공급수준이 중간임으로 해석하였다.

<Figure 4>에 따라 녹지 면적의 경우, 유형2와 3에 비해 높은 값을 보였으나 평균 대비 낮은 값을 보임에 따라 그린인프라 공급의 양적 수준이 다소 부족하였다. NDVI도 마찬가지로, 유형2와 유형3에 비해 높은 값을 보였으나 평균 대비 낮은 값을 보임에 따라 그린인프라 공급의 질적 수준이 다소 부족하였다. 생활권공원 접근성의 경우, 유형1, 유형2, 유형3 간 공급수준이 유사하였으나, 평균보다 낮은 값이었고, 특히 유형1은 최댓값(1.578)과 최솟값(-49.418)의 편차가 극심하였다. 주제공원 접근성의 경우, 타 유형에 비해 평균 대비 가장 낮은 값을 보임에 따라 그린인프라 공급의 형평성 수준이 가장 부족하였으며 극단적인 최솟값(-49.328)을 가지는 격자 또한 존재하였다.

Figure 4.

Comparison of green infrastructure supply statistics by clusters

유형1의 지리적 분포를 살펴보면(<Figure 3> 참고), 서울시 내에서 가장 광범위한 공간적 분포를 보이며, 100m 격자 단위 기준으로 서울시 전체 면적의 약 81.6%를 차지하는 것으로 나타났다. 이 지배적 군집은 서울시 대부분의 행정구역에 걸쳐 넓게 분포하고 있다. 구체적으로 유형1은 신촌·홍대 일대(서대문구·마포구), 신림·봉천동(관악구), 중랑구 면목동 등 서울의 전형적인 주거지역 및 혼합 시가지 지역과 공간적으로 높은 일치성을 보였다. 그러나 이러한 유형별 지리적 분포 사례는 군집분석 결과에서 도출된 특성값이 높은 격자를 기반으로 예시적으로 제시된 것이며, 해당 공간이 군집 전체의 대표성을 지닌다고 단정할 수는 없음을 밝힌다.

2) 유형2의 그린인프라 공급수준

‘매우 높은 폭염 위험, 강한 인구 증가, 매우 강한 고령인구 증가지역’이기에 그린인프라의 수요가 매우 높은 수준으로 해석된 유형2는 다음과 같은 분석결과 해석을 통해 그린인프라 공급수준이 양적, 질적 측면에서 평균 대비 매우 부족하고, 형평성 측면도 평균 정도이나 상대적으로 높은 수준은 아님을 확인하였다. 즉, 해당 유형은 타 유형에 비해 그린인프라 공급수준이 매우 낮음으로 해석하였다.

녹지 면적의 경우, 타 유형에 비해 평균 대비 가장 낮은 값을 보임에 따라 그린인프라 공급의 양적 수준이 상대적으로 가장 부족하였다. NDVI도 마찬가지로, 타 유형에 비해 평균 대비 가장 낮은 값을 보임에 따라 그린인프라 공급의 질적 수준이 상대적으로 가장 부족하였다. 생활권공원 접근성의 경우, 유형1, 유형2, 유형3 간 공급수준이 유사하였으나, 평균보다 낮은 값이었다. 주제공원 접근성의 경우, 평균보다 높았지만, 평균에 가까운 수치를 보였으며 이는 유형3과 유사한 수준이었다(<Figure 4> 참고).

유형2의 서울시 내 지리적 분포를 살펴보면(<Figure 3> 참고), 모든 유형 중 가장 제한적인 공간적 분포를 나타내며, 100m 격자 단위 기준으로 서울시 전체 면적의 약 0.05%만을 차지한다. 이 유형은 종로구, 중구, 용산구, 강남구, 영등포구 여의도 일대 등 특정 지역에 국지적으로 분포하고 있다. 그 공간적 규모는 작지만 뚜렷한 분포 패턴을 보이는 것으로 보아 고밀도의 특수 기능 지역일 가능성이 높다.

다만, 인구변화 변수는 상주인구 통계를 기준으로 분석되었으며, 해당 유형에 속하는 격의 격자들에서 모두 총인구수와 65세 이상의 인구수가 증가하는 경향을 보였다. 그러나 이러한 결과는 유동인구가 많은 업무지역의 실제 특성과는 차이가 있을 수 있다. 따라서, 유형2에 해당하는 격자 중 일부가 강남 테헤란로 및 여의도 금융지구 등과 공간적으로 일치하는 점은 확인되었으나, 이들 공간을 해당 유형의 대표 지역으로 일반화되기에는 한계가 존재한다.

3) 유형3의 그린인프라 공급수준

‘높은 폭염 위험, 매우 강한 인구 감소, 매우 강한 고령인구 감소지역’이기에 그린인프라의 수요가 높은 수준으로 해석된 유형3은 다음과 같은 분석결과 해석을 통해 그린인프라 공급수준이 양적, 질적 측면에서 평균 대비 매우 부족하고, 형평성 측면도 평균 정도이나 상대적으로 높은 수준은 아님을 확인하였다. 이는 본페로니 사후 검정 결과에 따라 유형2와 모두 유사한 공급수준이었다. 즉, 해당 유형은 타 유형에 비해 그린인프라 공급수준이 낮음으로 해석하였다(<Figure 4> 참고).

유형3의 서울시 내 지리적 분포를 살펴보면(<Figure 3> 참고), 100m 격자 단위 기준으로 서울시 전체 면적의 약 3.74%를 차지하며, 주로 유형1 내 불규칙한 점 형태가 산재하는 분포 패턴을 보인다. 특정 행정구역에 집중되기보다는 상당한 군집을 형성하지 않고 독립적으로 분산되어 있다는 특징을 가진다. 일부 격자는 성북구 정릉동 성신여대입구역 일대 등에 공간적으로 일치하는 경향을 보였으나, 이러한 사례가 해당 유형 전체의 공간적 특성을 대표한다고 일반화할 수는 없음을 밝힌다.

4) 유형4의 그린인프라 공급수준

‘낮은 폭염 위험, 약한 인구 감소, 약한 고령인구 감소지역’이기에 그린인프라의 수요가 낮은 수준으로 해석된 유형4는 다음과 같은 분석결과 해석을 통해 그린인프라 공급수준이 양적, 질적, 형평성 측면에서 모두 평균 대비 우수함을 확인하였다.

<Figure 4>에 따라 녹지 면적의 경우, 타 유형에 비해 유일하게 평균 대비 높은 값을 보임에 따라 그린인프라 공급의 양적 수준이 상대적으로 가장 우수하였다. NDVI도 마찬가지로, 타 유형에 비해 유일하게 평균 대비 높은 값을 보임에 따라 그린인프라 공급의 질적 수준이 상대적으로 가장 우수하였다. 특히, 해당 유형에서 NDVI의 25%~75% 사분위 범위(1.119~1.624)가 모두 양수 영역에 분포하여 전반적으로 식생 상태가 일관된 우수성을 보임을 확인하였다. 생활권공원 접근성과 주제공원 접근성에서도 모두 타 유형에 비해 유일하게 평균 대비 높은 값을 보임에 따라 그린인프라 공급의 형평성 수준이 상대적으로 가장 우수하였다. 즉, 해당 유형은 타 유형에 비해 그린인프라 공급수준이 높음으로 해석하였다.

유형4의 서울시 내 지리적 분포를 살펴보면(<Figure 3> 참고), 100m 격자 단위 기준으로 서울시 전체 면적의 약 14.6%를 차지하며, 주로 서울의 지리적 경계부와 외곽지역에 집중적으로 분포하고 있다. 이 유형은 북한산·도봉산 인근, 관악산 주변(관악구·서초구), 강서구 개화산, 송파구 위례신도시 일대, 한강 주변 일부 지역 등에 집중되어 있다. 이러한 분포 패턴은 저밀도 개발 및 자연환경 보전 특성이 강한 지역일 가능성을 보인다. 실제로 도봉구 도봉산역 인근 북한산국립공원 등 서울 외곽의 자연녹지 또는 개발제한구역과 공간적으로 일치하는 경향을 확인하였다. 그러나 이러한 사례가 해당 유형 전체의 공간적 특성을 대표한다고 일반화할 수는 없음을 밝힌다.

4. 소결

그린인프라 수요를 대변하는 기후변화와 인구변화 데이터를 바탕으로 K-means 군집분석을 수행한 결과, 서울시의 그린인프라 수요 유형은 크게 4가지로 구분되었으며, 각 유형은 선행연구를 바탕으로 구축된 4가지 그린인프라 공급 변수 모두에서 통계적으로 유의미한 차이를 보였다(p<0.001).

구체적으로, 유형1은 ‘중간 수준의 수요-중간 수준의 공급’ 특성을 보인다. 이는 서울시 전체 면적의 81.6%를 차지하며 전역에 광범위하게 분포하며, 주로 서울의 대표적인 시가지 유형에 해당한다.

유형2는 ‘매우 높은 수요-매우 낮은 공급’ 특성을 가짐에 따라 그린인프라 수요·공급 간 심각한 불균형을 보인다. 이는 서울시 전체 면적의 0.05%로 매우 제한적이나, 총인구와 65세 이상 인구수가 모두 증가하는 지역으로 종로구, 중구, 용산구, 강남구, 영등포구 여의도 일대 등 특정 지역에 국지적으로 분포한다.

유형3은 ‘높은 수요-낮은 공급’ 특성을 가짐에 따라 수요·공급 간 심각한 불균형을 보인다. 가지며, 주로 유형1 내에서 점적으로 산재한 형태로 나타난다. 이는 서울시 전체 면적의 3.74%를 차지하며, 주로 유형1 내부에 점 형태로 산재하여 분포하는 특징적 패턴을 보인다.

유형4는 ‘낮은 수요-높은 공급’ 특성을 가지며, 서울 외곽의 자연녹지 등에서 나타난다. 모든 공급 변수에서 타 유형에 비해 평균보다 높은 수치를 보였다.

이러한 서울시 그린인프라 수요 유형별 그린인프라 공급수준 결과를 바탕으로 기후변화와 인구변화에 대응할 수 있는 그린인프라 수요·공급 균형 전략을 다음과 같이 제시한다(<Table 5> 참고).

Table 5.

Required strategies by cluster

첫째, 유형1은 서울의 전형적 시가지로서 그린인프라 수요와 공급이 모두 중간 수준으로 서로 비슷한 균형을 이루는 것처럼 보이지만, 그린인프라 공급에 있어 유형1 지역 간 공원 접근성 편차가 커 형평성 문제가 내재하여 있다. 특히 주제공원 접근성의 극단적 최솟값과 생활권공원 접근성의 격차로 인해, 공급의 공간적 불균형 해소를 위하여 공원 접근성 사각지대를 선별해 우선적으로 이에 대한 형평성을 해결하는 그린인프라 전략이 요구된다. 그리고 이러한 전략은 「2030 서울시 공원녹지기본계획」(서울특별시, 2015)에서 제시하고 있는 ‘공원서비스 소외지역에 적극적 도시녹화’, ‘시민생활 주변의 동네공원의 확충’, ‘근접한 거리에서 이용이 가능한 공원녹지 연결체계 확보’, ‘공원 확충 우선순위를 정하여 연차별 확충’과 「2040 서울도시기본계획」(서울특별시, 2023)에서 제시하고 있는 ‘생활권 내에서 시민의 공원·녹지 접근성을 강화’ 등의 방안들과 연계할 필요가 있다.

둘째, 유형2는 그린인프라 수요와 공급의 불균형이 극심하다. 이는 급격한 인구변화를 겪으면서 폭염 위험이 높은 지역에서 그린인프라 공급수준의 부족이 나타나고 있음을 보여준다. 특히, 그린인프라 공급의 양적 그리고 질적 측면에서 모두 최저 수준을 보이므로 양질의 그린인프라 확대가 시급히 요구되는 지역으로 판단된다. 특히, 해당 유형은 폭염 위험이 매우 높고, 총인구 및 65세 이상 인구가 모두 증가하는 특징을 보인다. 이에 따라 해당 유형의 그린인프라 전략은 「2030 서울시 공원녹지기본계획」에서 제시하고 있는 ‘기후변화에 적응하고 열섬완화를 돕는 친수, 녹지공간 관리’, ‘집중적인 가로녹화로 풍부한 녹지 확보’, ‘수요자 중심의 공원이용 프로그램 확대’, ‘기존공원의 정비사업을 문화와 건강에 맞추어 질적으로 향상’ 그리고 「2040 서울도시기본계획」에서 제시하고 있는 ‘고령자 등을 배려한 생활권 내 이동 네트워크를 녹지 등과 연계하여 무장애 보행환경 보장’, ‘고령인구 증가 변화 추세를 반영하여 기존 도시계획시설의 효율적 활용으로 공공자산 활용을 극대화’, ‘기후변화 대응 측면에서 다양한 입체 녹화 기법 도입 권장’, ‘기후변화에 따른 자연재난 발생 시 대피공간 등의 역할을 하는 공원·녹지를 지속적으로 확보’ 등에 초점을 둘 필요가 있다.

셋째, 유형3도 마찬가지로 그린인프라 수요와 공급의 불균형이 존재한다. 그러나 공간적인 분포 측면에서 유형1의 대다수 공간이 중간 수준의 수요와 공급을 보이는 공간적 연속성 속에서 높은 수준의 수요와 낮은 수준의 공급을 보이는 유형3이 점적으로 산재한 패턴은 동일 생활권 내 공간적 이질성이 내재되어 있다는 특징을 보인다(<Figure 3> 참고). 다시 말해 서울시의 일반 시가지 내에 그린인프라 수요가 높으나 공급이 현저히 부족한 ‘미시적 불균형 지점’이 있음을 시사한다. 또한, 해당 유형은 폭염 위험이 높으나, 총인구 및 65세 이상 인구가 모두 감소하는 특징을 보임에 따라 인구 감소지역 내 공원 기능 재조정과 특히 폭염에 대응할 수 있는 양질의 그린인프라 확대 전략이 필요하다. 그렇기에 해당 유형의 그린인프라 전략은 「2030 서울시 공원녹지기본계획」에서 제시하고 있는 ‘기후변화에 적응하고 열섬완화를 돕는 친수, 녹지공간 관리’, 그리고 「2040 서울도시기본계획」에서 제시하고 있는 ‘인구 감소에 따른 여건 변화 추세를 반영하여 기존 도시계획시설의 효율적 활용으로 공공자산 활용을 극대화’, ‘기후변화 대응 측면에서 다양한 입체 녹화 기법 도입 권장’, ‘기후변화에 따른 자연재난 발생 시 대피공간 등의 역할을 하는 공원·녹지를 지속적으로 확보’, ‘공원의 수요 및 도시여건 변화를 살펴 기존 공원의 기능 조정 검토’ 등에 초점을 둘 필요가 있다.

마지막으로, 유형4는 그린인프라 수요가 낮은 수준임에도 높은 공급수준을 보여 수요와 공급이 균형을 이루는 안정적인 지역으로 보여진다. 따라서 현재 수준을 유지하며 지속적으로 모니터링할 필요가 있다. 분산분석 결과에서 NDVI의 F값이 매우 높게 나타난 점을 고려할 때, 특히 그린인프라의 질적 측면 모니터링이 중요함을 보여준다. 그렇기에 해당 유형의 그린인프라 전략은 「2030 서울시 공원녹지기본계획」에서 제시하고 있는 ‘현존 식생이 양호하고 비오톱 등급이 높은 공원녹지 보전’, ‘보전에 있어 관리 및 운영을 시민 참여형 체계적인 모니터링으로 운영’과 「2040 서울도시기본계획」에서 제시하고 있는 ‘보존관리대상지는 훼손을 최소화하고 보존·복구하여 양호한 자연환경·경관을 시민과 공유’ 등과 연계할 필요가 있다.

Ⅴ. 결 론

본 연구는 기후변화(폭염 위험)와 인구변화(인구 증가·감소 및 고령화)를 도시 내 그린인프라 수요로 가정하고, 수요 유형별 공급수준의 공간적 불균형을 실증적으로 검토하고자 하였다. 이를 위하여 서울특별시를 대상으로 100m×100m 격자 단위의 미시적 공간분석을 수행하였으며, 2019년과 2023년의 폭염과 인구변화 변수를 바탕으로 그린인프라 수요 유형을 구분하고, 유형별로 양적, 질적 형평성 측면에서의 공급 변수에 대한 차이를 분석하고 검증하였다. 연구의 주요 결론은 다음과 같다.

첫째, 기후변화(폭염 위험)와 인구변화(인구 증가·감소 및 고령화)를 반영한 K-means 클러스터링 분석을 통해, 서울시의 그린인프라 수요-공급 관계를 ‘중간 수요-중간 공급(유형1)’, ‘매우 높은 수요-매우 낮은 공급(유형2)’, ‘높은 수요-낮은 공급(유형3)’, ‘낮은 수요-높은 공급(유형4)’의 네 가지 유형으로 분류하였으며, 각 유형 간 그린인프라 공급수준은 통계적으로 유의미한 차이를 보였다.

둘째, 유형2와 유형3은 각각 인구 급증과 인구 급감이라는 상반된 인구변화 특성을 보임에도 불구하고, 공통적으로 폭염 위험이 높고, 그린인프라의 양·질적 공급수준이 가장 낮은 지역으로 나타났다. 이는 폭염 등 기후위험이 크고 인구변화로 인한 부담도 심한 지역인데, 정작 그린인프라는 거의 갖춰지지 않아 위험이 큼에도 대응 수단은 부족한 가장 우려되는 지역으로 해석되며, 수요·공급의 구조적 불균형 해소를 위한 우선적 개입 대상임을 시사한다.

셋째, 유형1은 서울시 면적의 약 81.6%를 차지하는 광범위한 일반 시가지로 수요와 공급수준이 모두 중간 수준을 보이나, 내부적으로는 생활권공원과 주제공원 접근성의 편차가 매우 커, 형평성 관점에서의 공간적 불균형이 내재되어 있음이 확인되었다. 따라서 유형1은 그린인프라 공급에 있어 공원 접근성 사각지대를 중심으로 미시적 조정 전략이 요구된다.

넷째, 유형4는 수요 수준이 낮은 반면, 모든 공급 변수에서 평균보다 높은 값을 보여 상대적으로 안정적인 수요-공급 균형 지역으로 나타났다. 특히 NDVI 등 질적 공급 변수에서 일관된 우수성을 보였다는 점은, 향후 해당 지역의 유지관리 전략 수립 시 식생 건강성에 대한 정기적 모니터링이 핵심 관리 요소로 고려되어야 함을 시사한다. 이러한 유형은 서울 외곽의 자연녹지나 저밀도 개발지역에 위치해 있으며, 주로 그린인프라의 질적 안정성 확보를 위한 관리 전략을 마련하는 것이 적절할 것으로 판단된다.

본 연구는 다음과 같은 한계를 지닌다. 첫째, 데이터 구득의 한계로 인해 일부 변수는 최대 500m 격자 해상도의 자료를 사용할 수밖에 없었으며, 이는 세부 공간의 변이 포착에 한계를 줄 수 있다. 특히, 기후 데이터의 경우 2025년 현시점에서 공공적으로 구득 가능한 최고 해상도의 체감온도 자료를 활용하였으나, 500m라는 격자 크기로 인해 일부 미세 공간의 체감온도 이질성이 완전히 반영되지 못했을 가능성이 존재한다는 한계를 밝힌다. 이에 따라 향후 추가적인 업데이트를 통해 제공되는 미시 기후자료의 활용 혹은 현장관측 보완 연구가 필요하다. 이러한 측면에서 공원 접근성 지수 또한 500m 격자값을 100m 격자에 동일하게 부여함에 따라, 격자 내부의 미세한 공간적 변이를 충분히 반영하는데 제약이 있었으며, 이는 국지적 접근성 격차를 과소 추정할 가능성을 내포한다는 점을 밝힌다.

둘째, 격자별 값의 최댓값과 최솟값 편차가 매우 클 경우, 극단값이 전체 유형 해석을 왜곡할 가능성이 있으므로, 향후 분석에서는 이상값 식별 및 보정에 대한 추가 검토가 필요하다. 유형 해석뿐만 아니라 NDVI의 경우에도, 개별 격자 내에 하천, 자연공원 등 식생이 집중된 공간이 포함될 때 평균값이 해당 격자의 전반적인 식생 수준을 과대평가할 가능성이 존재한다. 이에 따라 후속 연구에서는 중앙값(Median), 사분위범위(Interquartile Range) 등 극단값 영향을 보정할 수 있는 보조 통계량의 병행 활용을 고려할 수 있을 것이다.

셋째, 유형2에 해당하는 격자의 수가 32개로 현저히 적은 수준이므로, 해석 시 표본 수에 따른 통계적 편향 가능성을 고려해야 한다.

넷째, 유형별 면적 분포가 서울시 실제 산림이나 시가지 조성 면적과 다소 차이를 보일 수 있다. 이는 본 연구의 군집 유형이 단순한 토지이용 특성이 아니라 인구 및 기후변화의 다중 변수의 결합 구조를 기반으로 도출되었기 때문이다. 예를 들어, 유형4는 서울 외곽의 자연녹지 또는 개발제한구역과 공간적으로 일부 일치하는 경향을 보이지만, 폭염 위험이 높은 경우 일부 산림지역도 유형1에 포함되기도 한다. 이는 본 연구의 군집 유형이 실제 토지이용 경계를 완전히 반영하기보다는, 복합적인 수요 특성을 중심으로 유형을 구성하고 있음을 밝힌다. 따라서 유형별 공간 분포 및 특성은 행정구역 경계나 토지이용 현황과 반드시 일치하지 않을 수 있으며, 일부 유형의 특성이 실제 현황과 부분적으로 불일치하는 한계가 존재한다.

마지막으로, 그린인프라 공급 변수를 구성함에 있어 수공간인 하천, 호소 등이 그린인프라의 양적 변수인 ‘녹지 면적’ 산정 시 포함되었으나, 그린인프라의 질적 변수인 ‘NDVI’와 그린인프라의 형평성 변수인 ‘공원 접근성 지수’에서는 수공간이 가지는 생태·사회적 기능이 충분히 반영되지 못하는 한계가 있다.

한편, 본 연구는 인구변화 변수에 대해 증가(양수)와 감소(음수)를 분리하여 정규화하고 해석함으로써, 단일 지표로는 포착하기 어려운 인구 구조 변화의 양방향적 특성을 정밀하게 반영하고자 하였다. 도시 내 인구변화는 단일한 축이 아니라 인구 증가와 감소라는 상반된 과제를 동시에 제기하는 복합적 현상으로, 이 둘은 각각 서로 다른 그린인프라 수요 유형을 유발한다. 따라서 인구변화의 방향성을 고려한 해석은 분석 결과에 대한 직관성을 높이고, 정책적으로도 보다 구체적이고 타당한 대응 전략 수립에 기여할 수 있다는 점에서 방법론적 강점으로 보여진다.

향후 연구에서는 기후변화와 인구변화가 그린인프라 수요와 공급에 어떤 방식으로 영향을 주고받는지 그 구조와 흐름을 명확히 파악할 수 있도록 체계적인 인과관계 분석이 필요하다. 이를 통해 변화하는 도시 환경 속에서 그린인프라 수요와 공급의 균형을 보다 논리적이고 종합적으로 해석할 수 있을 것이다. 본 연구에서 활용한 인구변화 변수는 상주인구 통계에 근거한 결과임을 명확히 하며, 향후 유동인구 데이터 등 다양한 인구 지표와의 교차 검증이 그 구조와 흐름을 더욱 정밀하게 파악하는 데 필요할 것으로 판단된다. 아울러, 수요 유형별로 어떤 지역에 먼저 그린인프라를 공급해야 할지를 판단하고, 이에 따라 자원을 어떻게 공정하고 효과적으로 분배할 것인지 함께 고려하는 다차원적인 정책 의사결정 접근 방식의 검토가 요구된다.

그럼에도 본 연구는 기존의 이론 및 선행연구 검토를 바탕으로 폭염 위험의 증대라는 기후변화와 인구 증가 및 감소의 심화, 그리고 고령화라는 인구변화를 그린인프라 수요 증대로 해석하였다. 그리고 이러한 도시 내 그린인프라 수요를 기존의 행정 경계 공간 단위보다 미시적인 100m 격자 단위에서 유형화하고, 그 유형별로 나타나는 그린인프라 공급수준의 차이를 정량적으로 분석하였다. 이를 통해 서울특별시 내 그린인프라 수요와 공급 간의 불균형 지역 및 특성을 파악하고, 그에 따른 맞춤형 그린인프라 전략을 제안한 데에 의의가 있다.

Acknowledgments

이 논문은 환경부의 재원을 지원받아 한국환경산업기술원 “신기후체제 대응 환경기술개발사업”의 연구개발을 통해 창출되었습니다(2022003570002).

References

• 김미현·안민우·조남욱, 2015. “환경형평성을 고려한 서울시 공원입지 분석: ArcGIS의 중첩분석 및 접근성분석기법의 응용”, 「지방행정연구」, 29(2):77-105.
  Kim, M.H., Ahn, M.W., and Cho, N.W., 2015. “An Access to Park of Socioeconomic Minority in the City of Seoul in Terms of Environmental Equity”, The Korea Local Administration Review, 29(2): 77-105.
• 서울특별시, 2015. 「2030 서울시 공원녹지 기본계획」, 서울특별시.
  Seoul Metropolitan Government, 2015. 2030 Seoul Parks and Green Spaces Master Plan, Seoul Metropolitan Government.
• 서울특별시, 2023. 「2040 서울도시기본계획」, 서울특별시.
  Seoul Metropolitan Government, 2023. 2040 Seoul Plan, Seoul Metropolitan Government.
• 서울특별시, 2024. 「서울특별시 탄소중립 녹색성장 기본계획(2024~2033)」, 서울특별시.
  Seoul Metropolitan Government, 2024. Seoul Metropolitan Governmental Framework Plan for Carbon Neutrality and Green Growth (2024~2033), Seoul Metropolitan Government.
• 양재섭·성수연, 2021. 「서울시 고령인구 밀집지역의 사회공간적 특성과 근린환경 개선방향」, 서울연구원.
  Yang, J.S. and Seong, S.Y., 2021. Socio-Spatial Characteristics and Neighborhood Environment Improvement Directions of Densely Populated Areas in Seoul, The Seoul Institute.
• 김동현·윤은주·정주철·강정은 외, 2023. 「도시단위 기후탄력성 진단평가 및 모의기술 개발 1단계 2차년도 연차보고서」, 한국환경산업기술원
  Kim, D.H., Yoon, E.J., Jung, J.C., and Kang, J.E., 2023. Annual Report on Urban Climate Resilience Assessment and Simulation Technology Development (Step1 Year 2), KEITI.
• 장은미·홍선희·김지원·김태곤·이경도, 2022. “농업환경 공간정보 국가 격자체계 적용 방안: 자동 변환 툴 개발 및 표준화 전략 마련”, 「한국지도학회지」, 22(3): 73-87.
  Jang E.M., Hong S.H., Kim J.W., Kim T.G., and Lee K.D., 2022. “The Plans of Adaptation of National Grid Standards for Geospatial data on Agricultural Environment: Development of Automatic Conversion Tool and Strategic Plans”, Journal of the Korean Cartographic Society, 22(3): 73-87. [https://doi.org/10.16879/jkca.2022.22.3.073]
• 홍나은, 2024. “기후변화 대응을 위한 공간 의사결정 지원 모델 기초연구: 선행연구 분석을 중심으로”, 「Journal of Climate Change Research」, 15(3): 385-399.
  Hong, N.E., 2024. “A Spatial Decision Support Model for Response to Climate Change Based on a Literature Review”, Journal of Climate Change Research, 15(3): 385-399. [https://doi.org/10.15531/KSCCR.2024.15.3.385]
• 홍윤철, 2022. “폭염과 건강영향 그리고 대응정책”, 「기상기술정책」, 15(1): 21-29.
  Hong, Y.C., 2022. “Heat Waves, Health Effects, and Response Policies”, Meteorological Technology & Plocy, 15(1): 21-29.
• 환경부, 2025. “토지피복지도 작성 지침”, 기후에너지환경부훈령 제4호.
  Ministry of Environment, 2022. “Guidelines for the Preparation of Land Cover Maps”, Ministry of Climate, Energy, and Environment Instruction No. 4.
• Browder, G., Ozment, S., Bescos, I.R., Gartner, T., and Lange, G.M., 2019. Integrating Green and Gray: Creating Next Generation Infrastructure, World Bank and World Resources Institute. [https://doi.org/10.46830/wrirpt.18.00028]
• Burgalassi, D. and Matsumoto, T., 2024. Demographic Change in Cities: Trends, Challenges and Insights from G7 Economies, OECD.
• Chen, J., Kinoshita, T., Li, H., Luo, S., Su, D., Yang, X., and Hu, Y., 2023. “Toward Green Equity: An Extensive Study on Urban Form and Green Space Equity for Shrinking Cities”, Sustainable Cities and Society, 90: 104395. [https://doi.org/10.1016/j.scs.2023.104395]
• Dai, X., Wang, L., Tao, M., Huang, C., Sun, J., and Wang, S., 2021. “Assessing the Ecological Balance Between Supply and Demand of Blue-Green Infrastructure”, Journal of Environmental Management, 288: 112454. [https://doi.org/10.1016/j.jenvman.2021.112454]
• Das, S., Choudhury, M.R., Chatterjee, B., Das, P., Bagri, S., Paul, D., Bera, M., and Dutta, S., 2024. “Unraveling the Urban Climate Crisis: Exploring the Nexus of Urbanization, Climate Change, and Their Impacts on the Environment and Human Well-Being –A Global Perspective”, AIMS Public Health, 11(3): 963-1001. [https://doi.org/10.3934/publichealth.2024050]
• Demuzere, M., Orru, K., Heidrich, O., Olazabal, E., Geneletti, D., Orru, H., Bhave, A.G., Mittal, N., Feliu, E., and Faehnle, M., 2014. “Mitigating and Adapting to Climate Change: Multi-functional and Multi-scale Assessment of Green Urban Infrastructure,” Journal of Environmental Management, 146: 107-115. [https://doi.org/10.1016/j.jenvman.2014.07.025]
• Dong, X., Yang, R., Ye, Y., Yi, S., Haase, D., and Lausch, A., 2024. “Planning for Green Infrastructure by Integrating Multi-Driver: Ranking Priority Based on Accessibility Equity”, Sustainable Cities and Society, 114: 105767. [https://doi.org/10.1016/j.scs.2024.105767]
• Dunnett, A., Shirsath, P.B., Aggarwal, P.K., Thornton, P., Joshi, P.K., Pal, B.D., Khatri-Chhetri, A., and Ghosh, J., 2018. “Multi-Objective Land Use Allocation Modelling for Prioritizing Climate-Smart Agricultural Interventions”, Ecological Modelling, 381: 23-35. [https://doi.org/10.1016/j.ecolmodel.2018.04.008]
• Gelman, A., 2007. “Scaling Regression Inputs by Dividing by Two Standard Deviations”, Statistics in Medicine, 27(15): 2865-2873. [https://doi.org/10.1002/sim.3107]
• Goodchild, M.F. and Siu-Ngan Lam, N., 1980. “Areal Interpolation: A Variant of the Traditional Spatial Problem”, Geo-Processing, 1(3): 297-312.
• Graça, M., Cruz, S., Monteiro, A., and Neset, T.S., 2022. “Designing Urban Green Spaces for Climate Adaptation: A Critical Review of Research Outputs”, Urban Climate, 42: 101126. [https://doi.org/10.1016/j.uclim.2022.101126]
• Greater London Authority, 2023. London Plan Guidance – Urban Greening Factor, Greater London Authority City Hall.
• Grădinaru, S.R. and Hersperger, A.M., 2019. “Green Infrastructure in Strategic Spatial Plans: Evidence from European Urban Regions”, Urban Forestry & Urban Greening, 40: 17-28. [https://doi.org/10.1016/j.ufug.2018.04.018]
• Haase, D., Seppelt, R., and Haase, A., 2008. “Land Use Impacts of Demographic Change–Lessons from Eastern German Urban Regions”, In Use of Landscape Sciences for the Assessment of Environmental Security, 329-344, Dordrecht: Springer. [https://doi.org/10.1007/978-1-4020-6594-1_19]
• Hanna, E. and Comín, F.A., 2021. “Urban Green Infrastructure and Sustainable Development: A Review”, Sustainability, 13(20): 11498. [https://doi.org/10.3390/su132011498]
• Herreros-Cantis, P. and McPhearson, T., 2021. “Mapping Supply of and Demand for Ecosystem Services to Assess Environmental Justice in New York City”, Ecological Applications, 31(6): e02390. [https://doi.org/10.1002/eap.2390]
• Jang, C.H. and Song, J.M., 2020. “Do High-Density Cities Have Better Proximity?: Global Comparative Study on Urban Compactness Using Nighttime Light Data and POI BIG Data”, Journal of Korea Planning Association, 55(6): 5-20. [https://doi.org/10.17208/jkpa.2020.11.55.6.5]
• Jang, N. and Doyon, A., 2023. “Equitable Implementation of Green Infrastructure: An Analysis of City of Vancouver”, Canadian Planning and Policy, 2023(1): 110-132. [https://doi.org/10.24908/cpp-apc.v2023i1.15552]
• Jarzebski, M.P., Elmqvist, T., Gasparatos, A., Fukushi, K., Eckersten, S., Haase, D., Goodness, J., Khoshkar, S., Saito, O., Takeuchi, K., Theorell, T., Dong, N., Kasuga, F., Watanabe, R., Sioen, G.B., Yokohari M., and Pu, J., 2021. “Ageing and Population Shrinking: Implications for Sustainability in the Urban Century”, NPJ Urban Sustainability, 2021: 17. [https://doi.org/10.1038/s42949-021-00023-z]
• Johnson, R.A. and Wichern, D.W., 2007. Applied Multivariate Statistical Analysis, 6th ed., N.J.: Pearson Prentice Hall.
• Kabisch, N. and Haase, D., 2011. “Diversifying European Agglomerations: Evidence of Urban Population Trends for the 21st Century”, Population, Space and Place, 17(3): 236-253. [https://doi.org/10.1002/psp.600]
• Kim, J.S. and Kim, S.K., 2024. “Ageing Population and Green Space Dynamics for Climate Change Adaptation in Southeast Asia”, Nature Climate Change, 14: 490-495. [https://doi.org/10.1038/s41558-024-01980-w]
• Knape, J., 2025. “Spatially Varying Population Indices”, Ecological Indicators, 174: 113435. [https://doi.org/10.1016/j.ecolind.2025.113435]
• Kopczewska, K., Kubara, M., and Kopyt, M., 2024. “Population Density as the Attractor of Business to the Place”, Scientific Reports, 14(1): 22234. [https://doi.org/10.1038/s41598-024-73341-8]
• Kwak, Y. and Deal, B., 2024. “Multi-Scaled Green Infrastructure Optimization: Spatial Projections and Assessment for Dynamic Planning and Design”, Landscape and Urban Planning, 249: 105128. [https://doi.org/10.1016/j.landurbplan.2024.105128]
• Leal Filho, W., Wolf, F., Castro-Díaz, R., Li, C., Ojeh, V.N., Gutiérrez, N., Nagy, G.J., Savić, S., Natenzon, C.E., Quasem Al-Amin, A., Maruna, M., and Bönecke, Juliane, 2021. “Addressing the Urban Heat Islands Effect: A Cross-Country Assessment of the Role of Green Infrastructure”, Sustainability, 13(2): 753. [https://doi.org/10.3390/su13020753]
• Lim, J. and Kang, M., 2023. “Finding Sprawl Factors and Pirate Development: Based on Spatial Analysis of Population Grid Changes from 2014 to 2022 in SMA, South Korea”, Land, 12(11): 1983. [https://doi.org/10.3390/land12111983]
• Lopes, H.S., Vidal, D.G., Cherif, N., Lígia, S., and Remoaldo, P.C., 2025. “Green Infrastructure and Its Influence on Urban Heat Island, Heat Risk, and Air Pollution: A Case Study of Porto (Portugal)”, Journal of Environmental Management, 376: 124446. [https://doi.org/10.1016/j.jenvman.2025.124446]
• Lüthi, S., Fairless, C., Fischer, Scovronick, E.M., Armstrong, N., Coelho, B., de Sousa Zanotti Stagliorio, M., Guo, L.Y., Guo, Y., Honda, Y., Huber, V., Kyselý, J., Lavigne, E. Royé, D., Ryti, N., Silva, S., Urban, A., Gasparrini, A., Bresch, D.N., and Vicedo-Cabrera, A.M., 2023. “Rapid Increase in the Risk of Heat-Related Mortality”, Nature Communications, 14(1): 4894. [https://doi.org/10.1038/s41467-023-40599-x]
• Marceau, D.J., Howarth, P.J., and Gratton, D.J., 1994. “Remote Sensing and the Measurement of Geographical Entities in a Forested Environment. 1. The Scale and Spatial Aggregation Problem”, Remote Sensing of Environment, 49(2): 93-104. [https://doi.org/10.1016/0034-4257(94)90046-9]
• Martinez-Fernandez, C., Kubo, N., Noya, A., and Weyman, T., 2012. Demographic Change and Local Development: Shrinkage, Regeneration and Social Dynamics, OECD. [https://doi.org/10.1787/9789264180468-en]
• Meerow, S., 2020. “The Politics of Multifunctional Green Infrastructure Planning in New York City”, Cities, 100: 102621. [https://doi.org/10.1016/j.cities.2020.102621]
• Meerow, S. and Newell, J.P., 2017. “Spatial Planning for Multifunctional Green Infrastructure: Growing Resilience in Detroit”, Landscape and Urban Planning, 159: 62-75. [https://doi.org/10.1016/j.landurbplan.2016.10.005]
• Meng, S., Huang, Q., Zhang, L., He, C., Inostroza, L., Bai, Y., and Yin, D., 2020. “Matches and Mismatches Between the Supply of and Demand for Cultural Ecosystem Services in Rapidly Urbanizing Watersheds: A Case Study in the Guanting Reservoir Basin, China”, Ecosystem Services, 45: 101156. [https://doi.org/10.1016/j.ecoser.2020.101156]
• Mora, C., Dousset, B., Caldwell, I.R., Powell, F., Geronimo, R.C., Bielecki, C., Counsell, C.W.W.. Dietrich, B.S., Johnston, E.T., Louis, L.V., Lucas, M.P., McKenzie, M.M., Shea, A.G., Tseng, H., Giambelluca, T.W., Leon, L.R., Hawkins, E., and Trauernicht, C., 2017. “Global Risk of Deadly Heat”, Nature Climate Change, 7(7): 501-506. [https://doi.org/10.1038/nclimate3322]
• Nelson, M.D., McRoberts, R.E., Holden, G.R., and Bauer, M.E., 2009. “Effects of Satellite Image Spatial Aggregation and Resolution on Estimates of Forest Land Area”, International Journal of Remote Sensing, 30(8): 1913-1940. [https://doi.org/10.1080/01431160802545631]
• OECD, 2023. OECD Regional Outlook 2023: The Longstanding Geography of Inequalities, OECD Publishing, Paris.
• Perkins-Kirkpatrick, S.E. and Lewis, S.C., 2020. “Increasing Trends in Regional Heatwaves”, Nature Communications, 11(1): 3357. [https://doi.org/10.1038/s41467-020-16970-7]
• Rothfusz, L.P., 1990. The Heat Index "Equation"(or, More Than You Ever Wanted to Know About Heat Index), National Weather Service Technical Attachment, SR 90-23.
• Seneviratne, S.I., Zhang, X., Adnan, M., Badi, W., Dereczynski, C., Di Luca, A., Ghosh, S., Iskandar, I., Kossin, J., Lewis, S., Otto, F., Pinto, I., Satoh, M., Vicente-Serrano, S.M., Wehner, M., and Zhou, B., 2021. “Weather and Climate Extreme Events in a Changing Climate”, In Climate Change 2021: The Physical Science Basis, 1513-1766, Cambridge University Press.
• UN-Habitat, 2020. World Cities Report 2020: The Value of Sustainable Urbanization, UN-Habitat.
• van Ruijven, B.J., De Cian, E., and Sue Wing, I., 2019. “Amplification of Future Energy Demand Growth Due to Climate Change”, Nature Communications, 10(1): 2762. [https://doi.org/10.1038/s41467-019-10399-3]
• Wang, D., Hu, Y., Tang, P., Liu, C., Kong, W., Jiao, J., Kovács, K.F., Kong, D., Lei, Y., and Liu, Y., 2022a. “Identification of Priority Implementation Areas and Configuration Types for Green Infrastructure Based on Ecosystem Service Demands in Metropolitan City”, International Journal of Environmental Research and Public Health, 19(13): 8191. [https://doi.org/10.3390/ijerph19138191]
• Wang, M., Chen, F., Zhang, D., Rao, Q., Li, J., and Tan, Soon K., 2022b. “Supply–Demand Evaluation of Green Stormwater Infrastructure (GSI) Based on the Model of Coupling Coordination”, International Journal of Environmental Research and Public Health, 19(22): 14742. [https://doi.org/10.3390/ijerph192214742]
• Wang, C., Song, J., Shi, D., Reyna, J.L., Horsey, H., Feron, S., Zhou, Y., Ouyang, Z., Li, Y., and Jackson, R.B., 2023. “Impacts of Climate Change, Population Growth, and Power Sector Decarbonization on Urban Building Energy Use”, Nature Communications, 14(1): 1-16. [https://doi.org/10.1038/s41467-023-41458-5]
• Yin, C., Yang, Y., Chen, X., Yue, X., Liu, Y., and Xin, Y., 2023. “Global Near Real-Time Daily Apparent Temperature and Heat Wave Dataset”, Geoscience Data Journal, 10(2): 231-245. [https://doi.org/10.1002/gdj3.155]
• Yuan, D., Du, M., Yan, C., Wang, J., Wang, C., Zhu, Y., Wang, H., and Kou, Y., 2024. “Coupling Coordination Degree Analysis and Spatiotemporal Heterogeneity Between Water Ecosystem Service Value and Water System in Yellow River Basin Cities”, Ecological Informatics, 79: 102440. [https://doi.org/10.1016/j.ecoinf.2023.102440]
• Yun, J., Kim, J., Choi, M., Choi, H.W., Kim, Y.H., and Lee, S.S., 2023. “Improvement of Korea Meteorological Administration Solar Energy Resources Map Using Fine-Scale Terrain Data”, Asia-Pacific Journal of Atmospheric Sciences, 59: 297-309. [https://doi.org/10.1007/s13143-022-00312-2]
• Zha, F., Lu, L., Wang, R., Zhang, S., Cao, S., Baqa, M.F., Li, Q., and Chen, F., 2024. “Understanding Fine-Scale Heat Health Risks and the Role of Green Infrastructure Based on Remote Sensing and Socioeconomic Data in the Megacity of Beijing, China”, Ecological Indicators, 160: 111847. [https://doi.org/10.1016/j.ecolind.2024.111847]
• Zhao, K., Chen, C., Wang, J., Liu, K., Wu, F., and Cao, X., 2024. “Examining the Spatial Mode, Supply–Demand Relationship, and Driving Mechanism of Urban Park Green Space: A Case Study from China”, Forests, 15(1): 131. [https://doi.org/10.3390/f15010131]
• Zhu, X.X., Qiu, C., Hu, J., Shi, Y., Wang, Y., Schmitt, M., and Taubenböck, H., 2022. “The Urban Morphology on Our Planet–Global Perspectives from Space”, Remote Sensing of Environment, 269: 112794. [https://doi.org/10.1016/j.rse.2021.112794]
• 국토지리정보원, 2025. “국토통계지도”, 국토정보플랫폼, https://map.ngii.go.kr/mn/mainPage.do
  The National Geographic Information Institute, 2025. “National Land Statistics Map”, National Land Information Platform, https://map.ngii.go.kr/mn/mainPage.do
• 기상청, 2025. “고해상도 격자자료”, 기상청 API허브, https://apihub.kma.go.kr/
  Korea Meteorological Administration, 2025. “High Resolution Grid Data”, Korea Meteorological Administration API Hub, https://apihub.kma.go.kr/
• 서울특별시, 2023.11.02. “기후 위기 대응 폭염 대책… 도시 기온 낮추고 취약계층 지원”, https://news.seoul.go.kr/env/archives/518869, .
  Seoul Metropolitan Government, 2023.11.02. “Climate Crisis Response Heatwave Measures… Lowering Urban Temperatures and Supporting Vulnerable Groups”, https://news.seoul.go.kr/env/archives/518869, .
• 한국지질자원연구원, 2024.12.26. “Landsat 위성영상의 정규식 생지수”, 환경빅데이터플랫폼, https://www.bigdata-environment.kr/user/data_market/detail.do?id=fb66b1d0-3144-11ea-adf5-336b13359c97
  Korea Institute of Geoscience and Mineral Resources, 2024.12.26. “Normalized Vegetation Index of Landsat Satellite Images”, envbigdata, https://www.bigdata-environment.kr/user/data_market/detail.do?id=fb66b1d0-3144-11ea-adf5-336b13359c97
• 환경부, 2025. “토지피복지도”, 환경공간정보서비스, https://egis.me.go.kr/map/map.do
  Ministry of Environment, 2025. “The Detailed Land Cover Map”, Environmental Geographic Information Service (EGIS), https://egis.me.go.kr/map/map.do
• European Environment Agency, “Apparent Temperature Heatwave Days”, Climate-ADAPT, Accessed December 23, 2024, https://climate-adapt.eea.europa.eu/en/metadata/indicators/apparent-temperature-heatwave-days