의료시설의 접근성이 노인 인구 증가에 미치는 영향 연구: 회귀분석과 머신러닝기법을 활용한 실증분석

2.1 고령자와 의료 서비스에 관한 연구

고령자와 의료 서비스에 관한 연구로서, 이윤경(2018)은 노인들의 건강과 기능상태 등을 파악하여 노인 건강 증진과 적절한 정책적 방안 제언을 하였다[8]. 연구 데이터로는 2017년에 실시한 노인실태조사를 기반으로 하였다. 연구 결과, 2017년 우리나라의 기대 수명은 82.4세이나 건강수명은 64.9세로 노후에 약 17.5년을 의료적 돌봄을 받고 생활하는 것으로 나타났다.

정연 외(2018)는 노인의 노쇠 수준에 따른 의료서비스의 이용에 영향을 미치는 요인에 대하여 연구하였다[9]. 연구 데이터로는 대전광역시에 거주하고 있는 만 65-84세 노인 516명을 대상으로 대면 설문조사를 실시한 결과이다. 노쇠 수준을 판단하는 방법론으로는 K-frail을 활용하였으며, 의료 서비스의 영향도를 판단하는 방법론으로는 로지스틱 회귀분석을 활용하였다. 연구결과, 노쇠 수준은 의료 서비스 이용에 유의한 영향을 미쳐 노쇠할수록 응급 서비스 이용확률과 외래방문횟수가 유의하기 증가하였다.

2.1 고령자 주거 이동 결정 요인에 관한 연구

고령자 주거 이동 결정 요인에 관한 연구로서, 고진수 외(2014)는 노년 가구가 연령의 증가, 건강의 악화, 독거 상황 등으로 인해 발생할 수 있는 주거 이동과 주택 선택에 관련된 영향을 연구하였다[10]. 연구 데이터로는 2007년 주거실태조사이며, 연구 방법론으로는 이항 로짓모형이었다. 분석 결과 중 주거 이동의 요인으로 의료 서비스의 접근성이 유의한 영향을 미쳤음을 알 수 있었다.

김홍배 외(2012)는 우리나라 수도권 내 고령자의 지역 간 이동을 연구하였다[6]. 연구 데이터로는 수도권 고령자 18명을 통해 도출된 고령자 이동 요인을 기반으로 설문조사 결과를 활용하였다. 이 데이터를 통해 AHP(Analytic Hierarchy Process) 기법을 활용하여 지역별 효용을 분석하였다. 분석결과 중 고령자의 지역효용 항목과 가중치를 살펴보면, 종합병원 수를 비롯한 의료 환경, 주택 가격, 교통 시설 등의 생활 환경, 고령자 취업 관련 업체 수 등의 경제 환경 그리고 경로당 수 등의 복지 환경 순으로 가중치를 부여하였음을 알 수 있었다.

2.3 본 연구의 차별성

본 연구는 기존 연구 대비 다음과 같은 차별성이 존재한다.

첫째, 본 연구는 실증적 분석 연구이다. 기존의 노인 인구 증감과 관련된 생활 환경적 요인, 경제적 환경 요인 등 여러가지 요인들 중 의료 환경적 요인에 주안점을 두고 실증적으로 분석한 연구이다.

둘째, 기존 연구들과는 다르게 수도권이나 특정 지역에 국한되지 않고 제주 지역을 제외한 전국 227개 지역구를 대상으로 한 연구이다. 요인으로는 상급종합병원의 수, SRT나 KTX 등의 고속철도 등의 접근성 등을 모두 포함하였다.

셋째, 본 연구는 같은 연구 모형을 전통적인 다중 선형 회귀 분석과 ANN 기반의 머신러닝에 동시 수행한 연구이다. 다중 선형 회귀 분석을 통해 독립 변수들이 종속 변수에 미치는 영향도를 정량적으로 판단해 볼 수 있었으며, ANN 기반의 머신러닝을 통해 다양한 데이터를 모형에 반영하고, 선형회귀분석 및 머신러닝의 모형간 비교가 가능한 연구로서 의미를 갖는다.

종합하면 본 연구는 고령화 시대에 지역별 노인 인구 증감에 영향을 미치는 요인에 대하여 실증적으로 분석하여 추후 국토 및 도시계획 및 보건‧의료시설 계획, 사회복지 분야 등에 도움이 될 기초 자료로 활용 하고자 한다.

3.1 연구 데이터

표 1은 연구 데이터의 변수와 시간적, 공간적 범위에 대한 내용이다.

Table 1.

Variables and ranges

모든 데이터에 공통적으로 해당하는 시간적 범위는 2010년부터 2020년까지 11년간의 연간 데이터이며, 공간적 범위는 제주도를 제외한 전국 227개의 지역구이다.

종속변수인 INE(Increase Number of Elderly population)는 지역구의 연도별 고령자 증가 인구수를 나타낸 것이다. 독립변수는 교육적 요인, 의료적 요인, 환경적 요인, 경제적 요인으로 나뉜다.

첫째, NPA(Number of Private Academies)는 해당 지역구의 인구 천명당 사설학원수를 나타낸다. 둘째, NTH(Number of Tertiary Hospital)는 해당 지역구의 상급종합병원 수를 나타낸다. 셋째, NMF(Number of Medical Facilities)는 해당 지역구의 종합병원, 병원, 의원, 치과병(의)원, 한의원 등의 의료기관 전체의 수를 나타낸다. 넷째, UR(Urbanized Ratio)는 도시화율을 의미하며, 식 (1)과 같이 해당 지역구의 도시 지역의 면적을 전체 면적으로 나눈 값이다. 다섯째, DAH(District including A High-speed railway)는 해당 지역구에 KTX 또는 SRT 역의 존재 여부를 나타내는 더미변수이다. 여섯째, DDH(District including Dual High-speed railways)는 해당 지역구에 KTX와 SRT 역이 중복으로 존재하는지 여부를 나타내는 더미변수이다. 일곱째, SMA(Seoul Metropolitan Area)는 수도권 여부 더미변수로서 서울특별시, 경기도, 인천광역시에 해당한다. 여덟째, EER(Elderly Employment Rate)는 해당 연도의 전국 고령 인구의 취업률을 나타낸다. 마지막으로, RSI(Real estate Sales price Index)는 부동산 매매가 지수로서 특별시, 광역시와 도를 기준으로 구분된다.

3.2 연구 방법론

본 연구는 그림 1과 같은 흐름으로 진행한다. 연구의 시작으로서 지역구별 노인 인구 증감과 관련된 선행 연구들을 고찰하며, 이 연구들을 기반으로 본 연구에서 활용할 연구 모형을 수립한다. 그리고 이 연구 모형에 활용될 연구 데이터들을 수집한다.

Fig. 1.

Research flow

이렇게 수집된 연구 데이터를 기반으로 총 3가지의 분석을 수행하여 결과를 얻는다. 첫째, 각 데이터 변수들의 기술통계량을 얻는다. 둘째, 선형 회귀 분석으로 통해 각 변수들이 노인 인구 증감에 영향을 미치는 영향도를 측정한다. 마지막으로는, ANN 기반의 머신러닝 모델을 활용하여 ANN 모델을 통한 분석을 수행하여 정확도를 검증한다.

본 연구에서 수행하는 선형 회귀 분석과 ANN 기반의 머신러닝 분석을 위한 연구 모형은 식 (2)와 같다. 또한 머신러닝을 수행한 후 정확도를 수치를 검증하기 위하여 식 (3)과 같이 절대 평균 오차율인 MAPE(Mean Absolute Percentage Error)를 활용한다.

• A_i : Actual Value
• P_i : Predicted Value

ANN 기반의 인공지능 모형에 설정할 데이터 학습 단위인 Batch size와 학습 횟수인 Epochs의 값은 표 2와 같다.

Table 2.

Setting values for ANN model

Batch size는 1부터 1씩 증가하여 10까지이며, Epochs는 1부터 10배씩 증가하여 10,000까지이다. 따라서 총 50가지의 테스트 케이스가 존재한다. 학습 데이터와 검증 데이터는 7:3의 비율로 랜덤 함수를 통해 나눈다. 또한, 추가적인 설정 없이 기본값을 통해 신경망을 구성한다.

이렇게 50가지의 테스트 케이스를 수행 후, MAPE 값의 패턴을 파악하고 가장 적절한 Batch size와 Epochs 값을 기반으로 10회 반복수행하여 본 모형의 최종 MAPE 값을 산출한다.

4.1 기술 통계 결과

표 3은 연구 데이터의 기술 통계량이다. 전체 데이터의 샘플 수는 277개의 지역구의 11년치로 총 2,497개이다. 종속변수에 해당하는 지역구별 노인 인구(INE)는 평균 1,277.10명, 최소 -23,776명, 최대 34,486명임을 알 수 있었다.

Table 3.

Descriptive statistics by variable(n = 2,497)

독립변수 중 교육적 요인인 지역구별 인구 천명당 사설 학원 수(NPA)는 평균 0.26개, 최소 0개, 최대 7.4개임을 알 수 있었다. 의료적 요인인 상급종합병원(NTH)은 전국에 총 45개가 존재하며, 지역구별 평균 0.26개, 지역구별 의료기관 수(NMF)는 평균 385.57개임을 알 수 있었다. 환경적 요인인 지역구별 도시화 비율(UR)은 평균 0.52, 지역구별 KTX 또는 SRT 고속철도 역이 있는 지역(DAH)는 0.13으로 전체 지역구의 13%이며 둘 다 있는 지역(DDH)는 0.02로 전체 지역구의 2%임을 알 수 있었다. 또한, 전체 지역구 중 수도권이 차지하는 비중(SMA)은 29%임을 알 수 있었다. 마지막으로 경제적 요인인 연도별 노인 평균 취업률은 30.9%, 시도별 부동산 매매가 지수는 89.71%임을 알 수 있었다.

변수들 중 표준편차의 값이 평균 수준을 크게 벗어나는 NPA, NTH, DDA, SSH, SMA는 그 값의 지역구별 편차가 크다는 것을 의미한다. 다시 말하면, 지역구별 인구 천명당 사설 학원 수는 0개에서 7.4개, 평균 0.26개이지만 지역구별 그 분포가 고르지 않다는 것이다. 또한, 지역구별 상급종합병원의 수도 0개에서 3개, 평균 0.19개이지만 지역구별 편차가 크다는 것을 의미한다.

반대로, 변수들의 표준편차의 값이 평균과 비슷하거나 월등히 크지 않은 INE, NMF, UR, EER, RSI는 그 값의 지역구별 편차가 크지 않음을 의미한다. 다시 말하면, 앞에서 언급한 지역구별 상급종합병원의 수의 편차는 크지만, 지역구별 의료기관의 수는 최소 10개에서 최대 3,160개이지만 표준편차는 399.45로 평균 385.57보다 월등히 크지는 않으므로 그 편차가 상대적으로 적음을 의미한다.

표 4와 표 5는 수도권 지역과 비수도권 지역을 나눠서 수행한 기술 통계의 결과이며, 그림 2는 전국, 수도권, 비수도권으로 지역을 나눠 변수별 평균값을 그래프로 나타낸 것이다. 종속변수인 INE의 값은 수도권이 1,464.71, 비수도권이 885.15로 수도권 지역의 연도별/지역구별 노인 인구 증가의 수가 비수도권 지역보다 65.48% 더 큼을 알 수 있었다.

Table 4.

Descriptive statistics by variable in Seoul metropolitan area(n = 2,497)

Table 5.

Descriptive statistics by variable in non Seoul metropolitan area(n = 1,771)

Fig. 2.

Values comparison by variable and region

전체 변수들 중 DDH와 RSI를 제외하고는 평균값의 크기가 수도권 지역이 더 컸음을 알 수 있었다. 그러나 RSI는 해당 지역의 2021년 6월의 지수를 100.0으로 기준한 것으로 수도권, 비수도권 지역간의 비교는 불가하다.

4.2 선형 회귀 분석 결과

표 6은 연구 데이터를 활용하여 식 (2) 모형을 기반으로 선형 회귀 분석을 수행한 결과이다. 독립변수들 중 결과에 영향을 유의하게 미치는 변수는 NTH, NMF, UR, DAH, SMA, EER로 6개이다.

Table 6.

Results of linear regression analysis(n = 2,497)

각 변수들의 계수를 포함하여 해석하면, 노인 인구의 증가에 영향을 미치는 변수는 NMF, UR, DAH, SMA, EER이며, 감소에 영향을 미치는 변수는 NTH였다. 풀어서 해석하면, 의료기관의 수, 도시화 비율, KTX 또는 SRT 고속철도 역의 존재 여부, 수도권 여부, 노인 취업률 증가는 해당 지역구 노인 인구 증가를 이끌었다.

그러나 상급종합병원의 존재 여부는 노인 인구와 음의 상관관계를 보이는 것으로 나타났다. 이는 상급종합병원들이 대부분 도심에 위치하고 있기 때문에, 상대적으로 노인인구가 많은 비수도권지역과 음(-)의 관계를 보이지만, 이러한 상급종합병원을 이용할 수 있는 KTX 또는 SRT가 위치한 지역에 노인인구의 증가를 가져온 것으로 해석할 수 있다.

즉, 수도권의 지역구이면서 의료기관의 수가 많고, 도시화 비율이 높으면서 KTX나 SRT 고속철도 역이 존재하는 지역이면 노인 인구의 증가가 상대적으로 크다는 것을 알 수 있다.

4.3 ANN 머신러닝 분석 결과

표 7은 연구 데이터를 활용하여 식 (2)의 모형과 표 2의 설정을 기반으로 ANN 머신러닝을 각 1회씩 총 50회 수행하였다. 각 설정별 MAPE의 값은 표 7과 같았으며, Epoch가 1이었을 때는 그 값이 매우 컸음을 알 수 있었고, 10이상이었을 때는 30 ~ 40대 사이를 유지했음을 알 수 있었다. 그 중에서도 MAPE가 가장 우수하게 나온 Batchsize가 5이면서 Epoch가 10,000때를 최적값으로 판단하여 이를 10회 수행하였다.

Table 7.

Results from ANN analysis

표 8은 Batch size가 5이면서, Epoch가 10,000일 때 ANN 모형을 10회 반복수행하여 얻은 MAPE의 값이다. MAPE 값은 최소 27.50%에서 최대 56.40%이었으며, 평균은 42.26, 표준편차는 9.14였다.

Table 8.

Results from ANN analysis(Batch size 5, Epoch 10,000)