1. 서 론
2. 연구 대상 및 데이터
2.1 연구 대상 지역
2.2 지반함몰 데이터
2.3 지하 건축물 데이터
3. 연구 방법
3.1 연구 방법
3.2 공간 자기상관 분석
3.3 Negative Binomial 모델 구성
4. 연구 결과
4.1 공간 자기상관 분석 결과
4.2 지하 건축물 분포와 지반함몰 발생 간의 관계
4.3 지하 건축물 노후 특성과 지반함몰 발생 간의 관계
4.4 공간 자기상관 특성을 고려한 모델 분석 결과
5. 논 의
6. 결론 및 제언
1. 서 론
지반함몰 사고는 주로 대도시 중심에서 발생하며, 사고발생 시 인명 및 재산피해를 야기하기 때문에 사고원인을 규명하고, 위험구간을 집중적으로 관리할 필요가 있다. 지반함몰은 지하수 변동에 의한 토립자의 유실로 인한 공동의 형성 및 확장에 의해 지반상부가 붕괴되는 메커니즘을 가지는 것으로 보고되었다. 이러한 지반함몰은 지하매설물의 손상, 굴착공사, 시공 시 다짐불량 등에 의해서 발생하는 것으로 알려져있다. 따라서 사고 원인을 바탕으로 지반함몰이 발생할 가능성이 높은 지역을 예측하고 대응하기 위한 연구가 지속적으로 수행되고 있는 추세이다.
Kuwano et al.(2006)과 Kim et al.(2017)은 지반함몰 발생 메커니즘을 규명하기 위해, 실내모형실험을 통해 지반함몰 사고를 모사한 연구를 수행하였다. Lee et al.(2017)은 지반 조건에 따른 지반함몰 발생 영향을 규명하기 위한 수치해석 연구를 수행한 바 있다. Jin(2018)은 AHP(Analytic Hierarchy Process) 분석을 통한 지반함몰 영향인자를 도출하고 가중치를 산정하는 연구를 발표하였다. 또한, 지반함몰 위험지역을 예측하기 위해 통계분석 및 AI 기법을 활용한 연구도 꾸준히 수행되고 있다. Takeuchi et al.(2017)는 ML 알고리즘 중 하나인 Decision Tree를 이용하여 지반함몰 발생 위험도를 평가하였으며, Kim(2018)은 하수관로 주변에서 발생하는 지반함몰 사고 위험 예측을 위해 로지스틱 회귀분석을 활용하였다. Lee(2022)는 ML 알고리즘을 활용하여 하수관로 주변에서 발생하는 지반함몰 사고 위험도 평가 방법을 제안하였으며, Lee et al.(2023)은 지하매설물 속성정보를 활용하여 도심지 지반함몰 위험도 예측 모델 개발 방안을 제시하였다. 최근에는 SHAP(SHapley Additive exPlanations) 분석을 통해 지반함몰 위험도가 어떠한 인자의 영향으로 산정되었는지 해석하고, 우선중점관리방안을 제시하는 연구가 수행된 바 있다(Lee et al., 2026).
이와 같이, 지반함몰 사고에 영향을 미치는 인자와 영향도를 규명하고, 상대적 위험도를 예측하는 연구가 주로 수행되었다. 하지만 대부분의 선행 연구들은 지하매설물 정보를 중심으로 분석되어 왔으며, 도시의 복잡한 지하공간 구조를 반영할 수 있는 인자의 활용은 제한적인 실정이다.
도심지 지하 건축물은 건설과정에서 굴착공사가 수반되고, 이로 인해 지반 교란이 발생할 수 있는 가능성이 존재한다. 또한, 노후된 지하 건축물은 구조적 결함에 따른 방수 및 배수 등의 문제로 지하수위 변동이 발생할 가능성이 존재한다. 이러한 지하공간 개발 및 유지관리 특성은 지반함몰 발생과 간접적으로 관련될 가능성이 있다. 따라서 본 연구에서는 지하 건축물 인자를 활용하여, 지하 건축물의 분포 및 노후 특성과 지반함몰 발생 간의 통계적 관계를 정량적으로 분석하고자 한다. 이를 위하여 대한민국 도심지를 대상으로 지반함몰 사고이력과 지하공간이 포함된 건축물 데이터를 공간 데이터로 수집하였으며, 500 m × 500 m 크기의 격자를 기반으로 구분하여 공간 매칭하였다. 해당 격자 내에 포함되어 있는 지하 건축물의 개수, 노후 건축물의 비율, 지반함몰 발생횟수를 추출하고, Negative Binomial 회귀모형을 통해 분석하였다. 또한, Moran’s I를 산정하여 공간적 의존성을 검토하였다.
본 연구는 도시 지하공간 구조를 간접적으로 반영할 수 있는 지하 건축물 인자를 활용하여, 지하 건축물의 분포 및 노후 특성과 지반함몰 발생 간의 관계를 정량적으로 분석하였다. 또한 공간 자기상관 특성을 함께 고려함으로써 공간적 조건에 따른 지반함몰 발생 특성을 확인하고자 하였다. 이를 통해 향후 지반함몰 위험도 예측 모델의 고도화 및 관리 전략 수립을 위한 기초자료로 활용될 수 있을 것으로 기대된다.
2. 연구 대상 및 데이터
2.1 연구 대상 지역
지하 건축물의 분포 및 노후 특성과 지반함몰 발생 간의 통계적 관계를 확인하기 위하여, 본 연구에서는 대한민국 대도시를 대상으로 지반함몰 사고 이력과 지하 건축물 데이터를 활용한 Negative Binomial 회귀분석을 수행하였다. 연구 대상 지역은 지반함몰 사고 이력과 지하 건축물 데이터가 체계적으로 관리되고 있다. 또한, 도심지에 대규모 하천이 포함되어 있어, 퇴적 작용에 의해 형성된 충적층이 광범위하게 분포한다. 이와 같은 하상충적층은 지하수 흐름이 활발한 특성을 보인다. 따라서, 지하수의 반복적인 유입과 유출로 지반 내 토립자 유실이 발생할 수 있으며, 이로 인해 공동이 형성되고 시간에 따라 점진적으로 확장될 수 있다. 이러한 지역에서는 반복적인 굴착공사와 지하공간 개발 및 유지관리 이력이 누적되어 있을 가능성이 있으며, 이러한 특성은 지반함몰 발생과 간접적으로 관련될 수 있다. 따라서 본 연구에서는 지하공간 구조를 간접적으로 평가할 수 있는 지하 건축물이 지반함몰에 미치는 영향을 정량적으로 분석하고자 한다.
이를 위하여, 연구 대상 지역을 500 m × 500 m 크기의 격자로 분할하여 총 2,213개의 grid를 구분하였다. 선행 연구에 따르면, 지반함몰 사고의 공간적 불균형성과 관리 효율성을 고려하였을 때, 500 m × 500 m 격자 단위가 공간적 특성과 사고 분포를 안정적으로 반영할 수 있는 것으로 보고되었다(Lee et al., 2023). 이에 본 연구에서는 해당 격자 크기를 기본 공간 단위로 채택하여, 지반함몰과 같이 점 단위로 발생하는 재난 현상과 지하 건축물의 분포를 공간적으로 집계하여 분석을 수행하였다.
2.2 지반함몰 데이터
지반함몰 사고 이력 데이터는 2008년부터 2016년까지 대상 지역에서 발생한 데이터로, 분석 기간 동안 총 3,468건의 지반함몰 사고 데이터를 확보하였다. 수집된 데이터는 공간정보 기반으로 구축되어 있으며, QGIS 프로그램을 활용하여 500 m × 500 m 격자와 매칭하였다. 이를 기반으로 격자 내 포함된 지반함몰 사고 이력을 집계하였으며, 기술 통계량은 Table 1과 같다.
Table 1.
Descriptive statistics of ground subsidence
| Statistic | Ground subsidence |
| Count | 3,468 |
| Mean | 1.567 |
| Std. | 3.217 |
| Variance | 10.350 |
| Min | 0 |
| Median | 0 |
| Max | 41 |
| Zero ratio (%) | 55.22 |
격자로 구분된 지반함몰 사고 이력의 평균은 1.567, 분산은 10.350으로 나타나 평균 대비 분산이 크게 나타나는 과분산 특성이 확인되었다. 또한 전체 격자의 약 55.22 %가 사고가 발생하지 않은 0값으로 구성되어 있어 공간적 불균형성이 존재하는 것으로 나타났다. 따라서 본 연구에서는 과분산 특성을 고려할 수 있는 Negative Binomial 회귀모형을 적용하였다.
2.3 지하 건축물 데이터
지하 건축물 데이터는 브이월드에서 제공하는 건축물대장에서 데이터를 수집하였으며, 2016년을 기준으로 구축된 건축물대장에서 지하층이 존재하는 건축물을 대상으로 추출하였다. 총 312,355개의 지하 건축물 데이터를 수집하였으며, 지반함몰 데이터와 마찬가지로 QGIS 프로그램을 활용하여 격자와 매칭하였다. 지하 건축물 개수를 밀집도 인자로 활용하였으며, 사용승인일을 기준으로 5년 단위로 구분하여 활용년수 데이터를 추출하였다. 지하 건축물 밀집도와 활용년수의 기술통계량은 Table 2, Table 3과 같다. 지하 건축물의 활용연수 분포를 분석한 결과, 25~35년 구간 건축물이 상대적으로 높은 비중을 차지하는 것으로 나타났다. 특히 30~35년 구간 건축물은 총 90,132개로 가장 높은 분포를 보였으며, 일부 격자에서는 최대 403개의 건축물이 분포하는 것으로 확인되었다. 또한 45년 이상의 노후 건축물 역시 일정 수준 이상 분포하는 것으로 나타나, 장기간 도시 개발 및 지하공간 개발, 유지보수 이력이 누적된 지역이 존재하는 것을 확인할 수 있다.
Table 2.
Descriptive statistics of underground buildings
| Statistic | Underground Building |
| Count | 312,355 |
| Mean | 141.146 |
| Std. | 166.731 |
| Min | 0 |
| Median | 70 |
| Max | 974 |
Table 3.
Descriptive statistics by building age group
3. 연구 방법
3.1 연구 방법
본 연구에서는 지하 건축물의 분포 및 노후 특성과 지반함몰 발생 간의 관계를 분석하기 위하여 Negative Binomial 회귀분석을 수행하였다. 지반함몰 발생 횟수는 Count data의 특성을 가지며, 기술통계 분석 결과 평균 대비 분산이 크게 나타나는 과분산 특성을 나타냈다. 따라서 본 연구에서는 Count data의 과분산 특성을 반영할 수 있는 Negative Binomial 회귀모형을 적용하였다(Cameron & Trivedi, 1986). 지반함몰 사고는 공간적으로 인접한 지역 간 유사한 발생 특성을 나타낼 가능성이 존재한다. 따라서 지반함몰 발생의 공간적 자기상관 특성을 검토하기 위하여 Moran’s I 분석을 수행하였다. Moran’s I는 공간적으로 인접한 지역 간 변수값의 유사성을 정량적으로 평가할 수 있는 대표적인 공간통계 지표이며, 본 연구에서는 Queen contiguity 기반 공간가중행렬을 활용하여 산정하였다(Anselin, 1995). 공간가중행렬은 인접 격자 간 경계 또는 꼭짓점을 공유하는 경우를 기준으로 구축하였으며, 각 격자의 영향도를 정규화하기 위하여 Row-standardization을 적용하였다. 또한 공간적으로 인접한 격자의 지반함몰 발생 특성을 반영하기 위하여 공간 자기상관 변수를 구축하였으며, 이는 공간가중행렬과 인접 격자의 지반함몰 발생횟수를 활용한 공간 lag 변수로 구성하였다. 본 연구의 흐름도는 Fig. 1과 같다.
3.2 공간 자기상관 분석
지반함몰 사고가 공간적으로 인접한 지역에서 유사한 발생 특성을 나타내는지 확인하기 위하여 공간 자기상관 분석을 수행하였다. 공간 자기상관 분석은 공간적으로 인접한 지역 간 변수의 유사성을 정량적으로 평가할 수 있도록 Queen contiguity 기반의 공간가중행렬을 활용하여 Moran’s I 분석을 수행하였다. Moran’s I는 –1에서 1 사이의 값을 가지며, 1에 가까울수록 공간적으로 군집되어 있음을 의미한다(Cliff & Ord, 1981). 또한 공간적으로 인접한 격자의 지반함몰 발생 특성을 반영하기 위하여 spatial_lag_accident 변수를 구축하였다. spatial_lag_accident 변수는 Queen contiguity 기반 공간가중행렬과 인접한 격자들의 지반함몰 발생횟수를 가중평균한 값으로 산정하였으며, 이를 Negative Binomial 회귀모형에 추가하여 공간적 특성을 분석하였다.
3.3 Negative Binomial 모델 구성
본 연구에서는 지하 건축물의 분포 및 노후 특성이 지반함몰 발생과의 유의한 관계를 가지는지 분석하기 위하여 Negative Binomial 회귀모형을 구성하였다. 종속변수는 격자 내 지반함몰 발생 횟수이며, 독립변수는 지하 건축물 개수와 활용연수 구간별 건축물로 구성하였다.
지하 건축물의 분포 특성을 확인하기 위하여 지하 건축물 개수를 활용한 기본 모델(Model 1)을 구성하였다. 이후 건축물의 노후 특성을 반영하기 위하여 지하 건축물 평균 활용년수 변수를 추가한 모델(Model 2)을 구성하여 분석하였다. 또한 노후 건축물 비율과 지반함몰 발생횟수 간의 관계를 확인하기 위하여 20년 이상, 30년 이상 및 40년 이상 노후 건축물 비율 변수를 각각 적용한 Model 3-1, Model 3-2 및 Model 3-3을 구성하였다. 추가적으로 지반함몰 사고의 공간적 군집성을 반영하기 위하여 Model 3-1에 spatial_lag_accident를 보조 변수로 추가한 Model 4를 구성하였다. 각 모델의 활용된 변수는 Table 4에 나타냈다. log_building은 지하 건축물 개수 변수이며, building_age_mean는 각 격자의 지하 건축물 활용연수의 평균 변수, old_building_20_ratio은 20년 이상된 지하 건축물 비율, old_building_30_ratio은 30년 이상된 지하 건축물 비율, old_building_40_ratio은 40년 이상된 지하 건축물 비율을 의미한다. spatial_lag_accident는 공간 자기상관 변수를 의미한다. spatial_lag_accident는 Queen contiguity 기반 공간가중행렬과 인접 격자의 지반함몰 발생횟수를 이용하여 산정하였으며, 지반함몰 사고의 공간적 군집성을 반영하기 위한 보조 변수로 활용하였다.
Table 4.
Variables used in each negative binomial model
이를 통해 지하 건축물의 단순 분포뿐만 아니라 장기간 도시 개발 및 지하공간 이용 구조가 지반함몰 발생과 가지는 관계를 정량적으로 확인하고자 하였다.
본 연구에서는 회귀계수의 통계적 유의성을 검토하기 위하여 p-value를 활용하였으며, 모델 간 적합도 비교를 위하여 Akaike Information Criterion(AIC)를 활용하였다(Akaike, 1974). AIC는 값이 작을수록 상대적으로 높은 적합도를 가지는 것으로 해석하였다. 또한, Incidence Rate Ratio(IRR)을 활용하여 각 변수의 변화가 지반함몰 발생횟수에 미치는 영향을 배수효과로 정량화하여 비교하였다.
4. 연구 결과
4.1 공간 자기상관 분석 결과
지반함몰 사고의 공간적 군집 특성을 확인하기 위하여 Moran’s I 분석을 수행하였다. 분석 결과, 지반함몰 발생횟수에 대한 Moran’s I는 0.441(p < 0.001)로 나타났다. 이는 지반함몰 사고가 공간적으로 인접한 지역 간 유사한 발생 특성을 가지는 것을 의미한다. 즉, 지반함몰 사고는 특정 지역에 군집되어 발생하는 공간적 자기상관 특성이 존재한다는 것을 확인할 수 있다.
4.2 지하 건축물 분포와 지반함몰 발생 간의 관계
지하 건축물의 분포와 지반함몰 발생횟수 간의 관계를 확인하기 위하여 지하 건축물 개수를 활용한 NB 모델(Model 1)을 구축하였다. 지하 건축물 개수는 로그 변환하여 인자로 활용하였다. 분석 결과, 지하 건축물 개수의 회귀계수는 0.714(p < 0.001), IRR은 약 2.043으로 나타났다. 이는 다른 조건이 동일하다고 가정할 때 지하 건축물 개수가 많은 격자에서 지반함몰 발생횟수가 통계적으로 증가하는 경향이 있음을 의미한다. 이러한 결과는 지하 건축물 분포와 지반함몰 발생 간에 통계적 관련성이 존재함을 나타낸다. 모델 적합도 분석 결과, AIC는 약 6213으로 나타났으며, R2는 0.183으로 나타났다. 또한, 지하 건축물 개수와 지반함몰 발생횟수 간 상관분석을 수행한 결과, 상관계수는 0.595로 나타났다. 따라서 지하 건축물 개수와 지반함몰 발생횟수 간에는 통계적으로 유의한 양(+)의 관계가 존재하는 것으로 해석할 수 있다.
4.3 지하 건축물 노후 특성과 지반함몰 발생 간의 관계
지하 건축물의 노후 특성과 지반함몰 발생횟수 간의 관계를 확인하기 위하여 건축물 평균 활용연수와 노후 건축물 비율 변수를 활용한 NB 회귀분석을 수행하였다. 건축물 평균 활용년수를 반영한 모델(Model 2) 결과, 지하 건축물 변수의 회귀계수는 0.625(p < 0.001), IRR은 1.867로 나타났으며, 건축물 평균 활용연수의 회귀계수는 0.044(p < 0.001), IRR은 약 1.045로 나타났다. 이는 다른 조건이 동일할 때 건축물 평균 활용연수가 1년 증가함에 따라 지반함몰 기대 발생률이 약 4.5 % 증가하는 통계적 관계가 있음을 의미한다. 다만 평균 활용연수는 지하 건축물의 구조적 상태를 직접적으로 나타내는 변수가 아니므로, 장기간 누적된 지하공간 개발 및 이용 특성을 간접적으로 반영하는 지표로 해석할 필요가 있다. 모델 적합도 분석 결과, Model 2의 AIC는 6172로 나타났으며, 이는 Model 1의 AIC 대비 감소한 결과를 나타냈다. 또한, R2는 0.188으로 나타났다.
지하 노후 건축물 비율 변수를 활용하여 분석을 수행한 결과, 20년 이상 노후 건축물 비율(Model 3-1)의 회귀계수는 1.398(p < 0.001)로 나타났으며, IRR은 4.048로 나타났다. 또한 30년 이상 노후 건축물 비율(Model 3-2)의 회귀계수는 0.954(p < 0.001)로 나타났으며, IRR은 2.595로 나타났으며, 40년 이상 노후 건축물 비율(Model 3-3)의 회귀계수는 0.695(p < 0.001), IRR은 약 2.004로 나타났다. 모델 적합도 분석 결과, Model 3-1의 AIC는 약 6186, Model 3-2는 약 6191, Model 3-3은 약 6197로 나타났으며, 모두 기본 모델(Model 1)의 AIC 대비 감소한 결과를 나타냈다. 또한 R2는 각각 약 0.186, 0.186, 0.185 수준으로 나타났다. 이를 통해 지하 건축물의 단순 분포 특성뿐만 아니라 노후 건축물 비율 역시 지반함몰 발생 특성을 설명하는데 영향을 미치는 것으로 판단된다.
4.4 공간 자기상관 특성을 고려한 모델 분석 결과
지반함몰 사고의 공간적 자기상관 특성을 고려하기 위하여, 공간 자기상관 변수를 추가한 모델(Model 4)을 구축하였다. 분석 결과, 지하 건축물 변수의 회귀계수는 0.508(p < 0.001), IRR은 1.662로 나타났으며, 공간 자기상관 변수의 회귀계수는 0.295(p < 0.001)로 나타났고, IRR은 약 1.343으로 나타났다. 또한, 20년 이상된 지하 건축물 노후 비율 변수의 회귀계수는 1.191(p < 0.001), IRR은 3.290으로 나타났다. 모델 적합도 분석 결과, Model 4의 AIC는 5669로 상대적으로 가장 낮은 값이 도출되었으며, R2는 0.255로 증가하였다. 잔차 Moran’s I를 분석한 결과, 공간 자기상관 변수를 반영하지 않은 모델의 잔차 Moran’s I는 0.423이며, 공간 자기상관 변수를 반영한 모델의 잔차 Moran’s I는 0.13으로 감소한 것으로 나타났다. Fig. 2는 모델에 따른 잔차 Moran’s I를 비교하였으며, Fig. 3은 모델의 AIC를 비교한 그래프이다.
Table 5.
Negative binomial regression results of underground building variables and spatial effects
5. 논 의
본 연구에서는 지하 건축물의 분포 및 노후 특성과 지반함몰 발생횟수 간의 통계적 관계를 정량적으로 분석하기 위하여 NB 회귀분석과 공간 자기상관 분석을 수행하였다. 그 결과, 지하 건축물 개수는 지반함몰 발생과 통계적으로 유의하며, 양(+)의 관계를 나타냈다. 이는 지하 건축물이 밀집된 지역에서 지반함몰 발생횟수가 상대적으로 증가하는 경향이 있음을 의미한다. 지하 건축물의 밀집은 지하 건축물 자체의 영향과 지하공간 개발 밀도, 과거 굴착공사 이력 및 도시화 특성을 간접적으로 반영한 결과일 가능성이 있다.
지하 건축물 평균 활용년수와 노후 건축물 비율 변수도 지반함몰 발생횟수와 통계적으로 유의한 관계를 나타내는 것으로 확인되었다. 특히 20년 이상 노후 건축물 비율 변수는 공간 자기상관 특성을 고려하여도 지반함몰 발생횟수와 통계적으로 유의한 결과를 유지하였다. 이는 장기간 지하공간 개발이 지반함몰 발생과 관련될 가능성이 있음을 의미한다. 또한, Moran’s I 분석 결과, 지반함몰 사고는 공간적으로 군집된 특성을 나타내며, 공간 자기상관 변수를 추가한 모델에서 잔차 Moran’s I가 감소하는 것으로 나타났다. 공간 자기상관 변수를 반영하지 않은 모델의 잔차 Moran’s I는 약 0.423 수준이며, 공간 자기상관 변수를 추가한 모델에서는 약 0.130으로 감소한 것으로 나타났다. 또한, Model 1의 AIC는 6213인 반면, Model 4의 AIC는 5669로 감소하였다. 이는 공간 자기상관 특성을 고려할 경우 모델 적합도가 향상될 수 있음을 의미한다. 따라서 지반함몰 사고는 개별 지역에 독립적으로 분포하기보다 공간적으로 인접한 지역에서 유사한 발생 특성을 나타내는 것으로 해석할 수 있다. 본 연구에서 활용한 spatial_lag_accident는 인접 격자의 사고 발생 특성을 반영한 변수이므로, 공간적 군집성을 설명하기 위한 보조 변수로 해석할 필요가 있다.
본 연구는 지하매설물을 중심으로 지반함몰 발생 특성을 분석하는 기존연구(Lee et al., 2023)와는 다르게 도시 지하공간 구조를 간접적으로 반영할 수 있는 지하 건축물 인자를 활용하였다. 지하 건축물은 굴착공사 여부, 지하수위의 변화, 지하공간 유지관리 등의 지하공간 개발 특성을 일부 간접적으로 반영 가능한 인자이기 때문에, 향후 지반함몰 위험도 분석을 위한 예측 모델 구축 시 공간적 자기상관과 함께 고려할 필요가 있을 것이다. 하지만 지하 건축물 인자는 간접적으로 지하공간 개발을 반영하는 인자이기 때문에, 향후 연구에서는 직접적으로 지하공간 개발(구조적 상태, 유지관리 횟수, 지하수위 변화 등)을 평가할 수 있는 인자를 활용할 필요가 있다. 또한, 본 연구에서는 대상지역을 500 m × 500 m 크기의 격자로 구분하였기 때문에 다양한 격자 크기로 적용하여 인자의 상관성을 확인할 필요가 있다.
본 연구에서는 지하 건축물의 분포 및 노후 특성과 지반함몰 발생 간의 통계적 관계를 정량적으로 분석하였다. 지하 건축물 관련 인자는 도시 지하공간의 개발 및 이용 특성을 간접적으로 반영하는 보조지표로서, 지반함몰 위험지역을 선별하고 관리하기 위한 기초자료로 활용될 수 있을 것으로 판단된다.
6. 결론 및 제언
본 연구는 대한민국 대도시를 대상으로 지하 건축물 데이터와 지반함몰 사고이력 데이터를 수집하고, 500 m × 500 m 격자 기반으로 공간 매칭하여 DB를 구축하였다. 구축된 DB를 활용하여 Moran’s I 분석을 통해 지반함몰 사고의 공간 자기상관 특성을 확인하였으며, Negative Binomial 회귀분석을 통해 지하 건축물의 분포 및 노후 특성과 지반함몰 발생횟수 간의 통계적 관계를 분석하였다. 또한 공간 자기상관 변수를 추가하여 공간적 특성을 고려한 모델을 구축하고 모델 적합도를 비교하였다. 본 연구의 요약 및 결론은 다음과 같다.
(1) Moran’s I 분석 결과, 지반함몰 사고는 공간적으로 군집된 특성을 나타내는 것으로 확인되었다. 지반함몰 발생횟수에 대한 Moran’s I는 0.441(p < 0.001)로 나타났으며, 이는 공간적으로 인접한 지역 간 유사한 발생 특성이 존재할 가능성이 있음을 의미한다.
(2) Negative Binomial 회귀분석 결과, 지하 건축물 개수, 지하 건축물 평균 활용연수 및 20년 이상 노후 건축물 비율은 지반함몰 발생횟수와 통계적으로 유의한 양(+)의 관계를 나타냈다. 다만 이러한 결과는 지하 건축물 자체의 직접적인 인과적 영향을 의미하는 것이 아니라, 지하공간 개발 및 이용 특성과 연계된 통계적 관련성을 의미한다.
(3) 지반함몰 사고의 공간적 군집성을 반영하기 위하여 spatial_lag_accident를 보조 변수로 추가한 결과, 잔차 Moran’s I는 약 0.42에서 약 0.13으로 감소하였으며, AIC는 6213에서 5669로 감소하였다. 이는 spatial_lag_accident를 지하 건축물의 영향인자가 아닌 공간적 군집성 보정 변수로 반영한 Model 4에서 상대적으로 모델 적합도가 향상되었음을 의미한다.
본 연구에서는 도시 지하공간 구조를 간접적으로 반영할 수 있는 지하 건축물 인자를 활용하여 지반함몰 발생 특성을 분석하였다. 분석 결과, 지하 건축물의 분포 및 노후 특성은 지반함몰 발생횟수와 통계적으로 유의한 관계를 나타내는 것으로 확인되었으며, 공간 자기상관 특성을 고려한 모델에서 상대적으로 높은 모델 적합도를 나타내는 것으로 확인되었다. 이는 지하 건축물의 분포 및 노후 특성이 지반함몰 발생 특성과 통계적으로 관련될 가능성이 있음을 의미한다.
본 연구에서는 지하공간의 개발을 간접적으로 평가할 수 있는 지하건축물 데이터를 활용하여 분석을 수행하였다. 따라서 향후 연구에서는 직접적으로 지하공간의 상태를 반영할 수 있는 직접적인 인자를 추가하여 지반함몰 발생과의 관계를 발생하는 연구가 필요하다. 또한, 본 연구에서는 대상지역을 500 m × 500 m 크기의 격자로 구분하였기 때문에 다양한 격자 크기로 적용하여 인자의 상관성을 확인할 필요가 있다. 본 연구를 통하여 향후 지반함몰 위험도 분석 시 지하 건축물의 분포 특성과 공간 자기상관 특성을 함께 반영함으로써 보다 효과적인 위험지역 분석 및 관리가 가능할 것으로 기대된다.
