Analysis Methodology of Industrial Integration by Spatial Unit: Based on Root Industry

공간단위별 산업집적 분석 방법 연구: 뿌리산업을 중심으로

Abstract

Spatial distribution analysis of industrial locations plays a very important role in the establishment of relevant spatial policies and plans. The first thing to consider in this analysis is what analysis indicators and spatial units are used, because the interpretation of the analysis results may vary depending on the analysis indicators and the spatial units. Therefore, this study first examines various industrial integration indicators considering spatial autocorrelation and suggests the classification of regional types of industrial aggregation through the combination of related indicators. And then, this paper aims to empirically analyze the root industry by presenting a methodology for analyzing industrial integration by various spatial units such as individual locations, grids, and administrative districts. The results of the empirical analysis show that the grid in the spatial unit can be analyzed in more detail than the administrative unit. In addition, it is expected to overcome the limitations such as differences in interpretation that may occur due to the setting of spatial units. In the classification of regional types, the south-eastern region of Ulsan, Busan, and Changwon, and the western region of the SMA of Incheon, Hwaseong, and Ansan were analyzed as the industrial cluster type.

산업의 공간적 입지에 대한 분포 패턴 분석은 관련된 공간정책 및 계획의 수립에 있어 매우 중요한 역할을 한다. 이러한 분석에 있어 먼저 고려되어야 하는 것은 어떠한 분석지표와 공간단위를 활용하는가에 있는데, 이는 지표와 공간단위에 따라 그 해석이 달라질 수 있기 때문이다. 이에 본 연구는 먼저 공간적 자기상관을 고려한 다양한 산업집적 지표들을 고찰하고 관련 지표에 따른 산업집적의 지역유형을 구분하며, 다음으로 개별입지, 그리드, 행정구역 등의 다양한 공간단위별 산업집적을 분석하는 방법론을 제시하여 뿌리산업에 대해 실증분석 하는 것을 목표로 한다. 실증분석 결과를 보면 공간단위에 있어서 그리드 단위가 행정구역 단위보다 세밀한 미시적 분석이 가능함을 알 수 있었고, 공간단위의 설정에 따라 발생할 수 있는 해석상의 차이와 같은 한계를 극복할 수 있는 것으로 기대된다. 지역유형 구분에 있어서는 울산광역시, 부산광역시, 창원시를 축으로 하는 동남권과 인천광역시, 화성시, 안산시를 축으로 하는 수도권 서부축이 뿌리산업의 산업집적 클러스터 지역유형으로 분석되었다.

I. 서론

1. 연구의 배경 및 목적

국내외 경제 환경의 변화, 국내 산업정책 및 산업구조의 변화, 국토 및 지역개발 패러다임의 변화 등 다양한 여건 변화 속에서 장기적이고 지속적인 경제성장을 위한 산업입지정책이 다양하게 추진되어오고 있다. 산업입지정책을 포함한 국토종합계획 등의 공간계획을 수립하는 경우와 산업단지와 같은 개발 사업을 추진하는 경우에도 관련 산업의 공간입지 분포를 분석하여 지역의 미래 산업수요를 담아낼 수 있는 산업입지 공급방안을 마련해오고 있다.

또한 지역의 혁신클러스터 형성을 위한 연구개발 기반의 효율적 입지 선정을 위해서도 관련 산업의 집적지에 대한 분석은 필수적이라 할 수 있다. 연구개발 기반 구축의 입지를 해당 산업과의 클러스터와 네트워크 관점에서 산업집적지에 위치시켜 효율성을 강화하는 전략과 정책을 추진하는 경우에도 우선적으로 산업별 공간집적에 대한 분석이 요구된다.

이렇듯 산업의 공간적 입지에 대한 분포 패턴 분석은 관련된 공간계획들에 있어 매우 중요한 역할을 하고 있다. 하지만 전통적으로 주로 활용되어온 입지계수(LQ) 와 같은 산업특화 지표는 비공간적 요소만을 반영하는 것이어서 공간적 자기상관성이 매우 높은 우리나라의 산업분포 특성을 나타내기에 한계가 있다. 이에 추가적으로 공간적 자기상관을 고려한 지표의 활용과 분석이 필요하며, 이러한 지표들을 통해 산업집적의 지역유형을 구분함으로써 산업과 관련한 공간계획의 적절성을 평가하기 위한 기초자료로 활용할 필요가 있다.

산업집적 관련 지표뿐 아니라 산업집적 분석의 공간 단위에 대해서도 고려해야 할 사항이 있다. 실질적인 산업의 공간분포는 행정구역과 유리되어 있는 특성이 있으나, 기존에는 집계데이터의 활용 측면에서 행정구 역단위로만 분석하는데 머무르고 있는 한계가 있어 왔다. 하지만 이 경우 가변적 공간단위의 문제(MAUP)가 발생할 수 있으며, 이를 극복하기 위하여 사업체 각각의 개별입지에 기초한 미시적 산업집적 분석이 요구되며 이를 위한 방법론 마련이 필요하다.

이에 본 연구의 구체적인 목적은 다음과 같다.

첫째, 다양한 공간적․비공간적 산업집적 지표들을 고찰하고 지표들 간의 조합을 통하여 산업직접의 지역유형 구분을 제안한다. 둘째, 산업의 개별입지 단위, 그리드 단위, 행정구역 단위 등의 다양한 공간단위별 미시적 산업집적의 분석 방법을 제시한다. 셋째, 뿌리산업을 사례연구 대상으로 하여 공간단위별로 산업집적의 분포를 실증적으로 비교 분석한다.

2. 연구의 범위 및 방법

산업집적의 지역유형의 구분 방법을 제안하기 위하여 공간적 지표와 비공간적 지표를 관련 문헌을 통하여 이론적으로 검토하고 대표적 지표를 조합한 사분면 접근 방법을 활용하였다.

또한 공간데이터의 특성으로 인해, 데이터가 `집계되는 공간단위(spatial unit)가 실제 나타나는 특정 현상의 공간패턴에서 불일치하는 가변적 공간단위의 문제가 발생하므로 다양한 공간단위별로 산업의 공간집적 패턴의 분석 방법을 제시하고 실증적으로 비교 분석 하였다. 이에 행정구역에 따른 집계자료 분석 뿐 아니라 개별 사업체 각각의 위치로 포인트 데이터를 구축하였다. 사업체 주소 정보가 있는 KISValue 자료를 활용하여 좌표변환으로 공간맵핑을 실시하였으며, 커널밀도 (kernel density)의 GIS 기법을 활용하여 산업 입지의 공간분포 패턴을 분석하였다. 또한 구축된 포인트 데이터를 토대로 공간단위의 크기가 서로 다른 행정구역 대신 기본 공간단위인 그리드(grid)로 데이터를 집계하는 방법을 고안하여 분석함으로써 공간단위의 가변성으로 인한 영향력을 배제코자 하였다. 포인트 및 그리드 기반 데이터를 바탕으로 특정산업에 대한 미시적 공간집적 현상을 행정구역 단위의 결과와 실증적으로 비교 분석하였다.

실증적 사례분석을 위한 산업 분야는 뿌리산업으로 한정하였다. 뿌리산업은 ‘뿌리산업 진흥과 첨단화에 관한 법률’에 따르면 제품의 형상 제조공정과 소재에 특수기능 부여공정으로 구분된다. 이는 기초 공정산업으로 제조업 경쟁력의 근간을 형성하는 중요한 기반산업 으로서 국가주력산업인 자동차, 조선 등 전방산업의 제조과정에서 공정기술로 이용되며 최종 제품 품질에 영향을 미치게 되는 또 다른 첨단기술로 이해될 수 있다. 또한 뿌리산업은 첨단화와 융복합화를 통해 신성장동력산업의 탄생을 견인하는 핵심 공정기술로서의 역할을 수행함으로써 AI 등 최근 4차 산업혁명의 첨단산업 과 더불어 매우 중요한 산업 분야라 할 수 있다.

이에 이러한 뿌리산업의 공간분포패턴을 분석함으로 써 향후 연관 산업의 입지 및 연구개발 입지 등의 산업 입지정책 수립의 기초자료로 활용될 수 있다. 본 연구에서는 주조, 금형, 소성가공, 용접, 표면처리, 열처리의 뿌리기술 6대 분야를 통합하여 뿌리산업 전체에 대한 분석결과를 제시하였다.

3. 선행연구 고찰 및 차별성

박헌수 등[1]은 지역경제 분석에 있어 공간집적 개념을 도입하기 시작한 초기 단계의 연구를 수행하였다. 지역성장의 원인을 규명하기 위해 산업간 연관성뿐 아니라 지역간 연관성을 반영하는 변수로서 지역 간 거리 조락함수의 공간수요변수(SIDV)를 활용하여 분석하였다.

지식경제부[2]의 ‘산업집적활성화 기본계획’은 산업의 공간집적을 실제 중앙정부부처가 정책입안에 활용한 사례라 할 수 있다. 이 계획은 산업의 지역별 특화와 경제권역별 연계 강화, 지역·산업 경쟁력 제고를 목표로 하며, 이를 위해 광역경제권 선도산업을 육성하고, 광역형 클러스터를 구축하며, 지역특화산업을 육성하고 투자를 촉진하는 것을 정책수단으로 하는 등 지역산업발전과 관련된 정책 가이드라인이다. 동 계획은 시군구의 공간단위별 집계데이터를 활용하였으며, LQ를 활용한 특화도 분석과 Moran’s I를 활용한 공간자기상관 분석을 통해 분석대상 지역을 핵심-주변-낙후-고립지역으로 구분하였다.

한국산업단지공단[3]은 FEMIS 데이터에 기초하여 산업별 LQ와 Moran’s I 산점도에 의거한 공간집적현황을 분석하기 시작하였다.

최열[4]의 연구에서는 폐수발생 및 방류에 대한 지역산업의 유형과 도시계획적 특성이 미치는 영향을 공간적으로 실증분석하면서 공간적 자기상관성의 방법론을 도입하였다. 국지적 공간자기상관 분석을 위해 Moran’s I 산점도가 아닌 LISA 군집도를 추가로 도출하였다.

장재홍 외[5]의 연구는 국내 창조산업의 집적 형성 요인을 실증적으로 분석함으로써 지역별, 유형별 창조 산업 클러스터 형성 방안의 정책 제언을 하였다. 공간 집적을 주된 연구방법론으로 제시하면서 Moran’s I를 산출하고 LISA 클러스터 맵 분석을 수행하였다.

본 연구는 이론적인 다양한 산업집적 지표들을 고찰하여 각각의 지표가 가지는 의미와 그 한계를 살펴보고, 각각의 지표가 산업집적의 대표성을 갖기 어려운 점에 착안하여 이러한 지표를 조합하여 특정 산업의 산업집적 클러스터 여부를 파악하는 지역유형을 구분하고 있다. 또한 공간분석에서 한계로 지적되고 있는 공간단위의 문제를 해결하기 위해 개별입지 기반과 그리드의 공간단위로 확대 적용하는 방법론을 제시하고, 사례 연구대상으로 뿌리산업에 대하여 실증분석을 하고 있다는 점이 차이점이라 할 수 있다. 마지막으로 다양한 공간단위별 산업집적지표의 분석결과를 비교 분석함으로써 결과해석의 오류를 줄이고 지표와 공간단위 상호간에 보완적으로 활용될 수 있음을 제시하고 있다.

II. 산업집적 지표의 도출 및 지역유형 구분

1. 비공간적 산업집적 지표

특정 산업의 지리적 집중도 또는 특화도를 측정하는 가장 대표적인 통계치는 LQ(Location Quotient)로서 경제구조와 분화를 평가하기 위한 목적으로 지역경제 및 경제학 관점에서 고안되었다[6]. LQ는 기본적으로 어떤 산업이 당해 지역 내에서 차지하는 비중을 전국에서 차지하는 비중과 비교함으로써 해당 산업의 지역 간 상대적 특화도를 계량화하는 지표이다.

LQ는 매우 직관적인 특화도 지표로서 널리 활용되고 있으나, 산업의 수요패턴이 전국적으로 동일하다고 가정하고 산업 집중의 상대적 지수를 계산한 것으로 공간적 속성을 보여주지 못하는 비공간적 지표라 할 수 있다. 또한 LQ는 전국 평균에 대비하여 해당 지역의 평균이 어떠한지를 통해 산업특화도를 측정하는 경우로서 1.0 보다 얼마나 커야 산업이 특화되었는가에 대한 자의적인 시각이 존재하는 것이 사실이고, 해당 지역의 경제규모가 전국에서 차지하는 비중에 대한 고려가 되어 있지 않아 경제활동현상을 정확히 설명하는데 한계가 있어 계량경제에서의 응용은 제한적인 경우도 있다 [7].

전통적인 LQ가 지역의 고용 크기를 실질적으로 고려하지 않는 한계점을 해결하기 위해 지역의 고용 크기를 고려한 산업특화 지표로 FLQ(Flegg’s Location Quotient)[8]가 있다. FLQ는 다음의 수식과 같이 정의 된다. 이때 λ^*은 전국 총산업 규모에서 해당지역의 비중(ni/N)을 가중치화한 것으로 0과 1사이의 범위값을 지니는 로그값으로 정의된다. 여기서 N은 전체 지역의 총규모이고 ni는 i지역의 총규모이며, 0≤δ≤1, 0≤λ^* ≤1이다.

FLQ = λ* · LQ       (1)

\(\lambda^{*}=\left[\log _{2}\left(1+\frac{n_{i}}{N}\right)\right]^{\delta}\)       (2)

따라서 FLQ에서는 LQ의 1.0 기준점은 없어지게 되고, 값이 높아질수록 특정 산업의 특화도가 높아지는 것으로 해석될 수 있다.

하지만 이러한 LQ, FLQ와 같은 산업의 특화도를 나타내는 통계량들은 산업의 공간분포에 대한 공간적 상호의존성을 보여주지 못하고 지역 내의 산업구조 특성만을 나타내는 한계가 있다.

2. 공간적 산업집적 지표

Tobler의 지리 제1법칙[9]에 따르면, 모든 것은 이외의 모든 것과 연관성이 있으나 가까운 것이 먼 것보다 연관성이 높다. 즉 공간적 상호의존성 및 상호작용과 같은 공간효과가 존재한다는 것은 공간상의 사건이나 현상이 무작위적으로 분포하지 않고 서로가 영향을 주고받아 독립적이지 않으며, 그 상호작용은 거리가 인접할수록 크다는 것을 의미한다[10].

산업집적의 공간구조를 반영하는 통계량의 사용은 공간적 근접성과 상호의존성이 클러스터의 개념에 핵심적 토대를 구성한다는 점에서 산업집적 분석에서 유의미하다 할 수 있다. 구체적으로는 공간상에 나타나는 인문·사회·자연현상의 상호의존성 및 상호작용을 광의적으로 일컫는 공간적 자기상관(spatialautocorrelation)을 고려하는 산업집적의 분석이 필요하다 할 수 있다.

공간적 자기상관은 공간상에 분포하고 있는 변수의 값의 유사성과 그 값의 위치의 유사성간의 일치’라고 개념 정립 할 수 있는데[11], 공간적 자기상관이 존재하는 경우 공간패턴은 군집적인 경향을 보이거나 체계적인 공간적 변이로 나타난다[12].

공간적 자기상관을 탐색하는데 유용한 지표로는 Moran's I, Local Moran's I, Getis-Ord's local Gi* 등이 사용된다.

Moran’s Ⅰ 통계량은 +1^～-1의 값을 가지며 +1에 가까울수록 유사한 값을 가지는 지역들이 공간적으로 인접해 있는 상태이고, -1에 가까울수록 높은 값 및 낮은 값을 가지는 지역들이 규칙적으로 분포해있는 상태이다[4]. 만약 임의적이고 독립적인 분포가 나타나면 통계량이 0에 가까워지고 무작위 패턴을 보인다고 할 수 있다.

하지만 Moran’s Ⅰ 통계량은 전체 지역의 공간적 자기상관을 하나의 값으로 나타내는 글로벌 지수(global index)이기 때문에 이것만으로는 공간적 자기상관의 지역 구조를 파악할 수 없어, 개별지역의 공간적 자기 상관을 측정할 수 있는 지표와 방법으로 LISA(Local Indicator of Spatial Association)를 사용할 수 있다 [10]. LISA분석의 Local Moran’s I를 이용하는 경우 공간적 연관정도를 측정하는 모란 산포도를 통해 HH 유형, LL유형, HL유형, LH유형 등으로 공간적 연관성 유형을 네 가지 유형으로 구분할 수 있다[13].

그 외에도 Getis-Ord's local Gi* 지표는 기준 공간 단위와 주변 공간 단위가 전체에서 차지하는 비중에 대해 통계량을 산출하고 그 통계적인 유의성 검증을 통해 핫스팟(Hot spot)과 콜드스팟(Cold spot)을 구분하는 방법으로 Local Moran’s I와 유사하지만 군집의 공간적 패턴을 더욱더 잘 조명할 수 있는 것으로 알려져 있다[7]. 즉 Gi*는 지역 간 연관성을 고려하여 특정 지역과 이웃한 타 지역들 간의 유사성을 측정하는 통계량이므로, Gi*값이 높다는 것은 높은 값을 가진 지역들이 서로 군집하여 있다는 것을 의미하게 된다.

3. 산업집적 지표의 조합에 따른 지역유형 구분

비공간적 산업집적 지표인 LQ, FLQ와 공간적 자기 상관을 고려한 Moran’s I, LISA Local Moran’s I, Getis-Ord's local Gi* 등과 같은 공간적 지표를 조합하여 사분면 접근 방법(Quadrant Approach)으로 산업집적의 지역유형을 구분함으로써 산업집적 클러스터 지역 등을 판별하고자 하였다.

비공간적 산업집적 지표인 FLQ의 경우 지역의 경제 규모를 고려한 지표라는 장점은 있으나 분석된 수치에 대한 기준점이 부재하므로, 지역유형의 구분에 있어서 다소 한계가 있으나 1.0 이라는 기준점을 가지는 LQ 지표를 활용하였다. 공간적 산업집적 지표의 경우 Getis-Ord's local Gi*를 지역유형 구분의 주요 지표로 활용하였는데, Local Moran’s I에 비해 군집의 공간적 패턴을 통계적 유의성 검증을 통해 보다 명확히 보여주는 통계량(Z-score)을 도출할 수 있다. 이에 유의수준 1%에 해당하는 Z-score 2.575를 기준으로 하였다.

그림 1. 산업집적의 지역유형 구분

여기서 I 사분면에 해당하는 지역의 경우 LQ가 1.0 보다 커서 산업의 비중이 전국 평균 이상이며, Gi*의 z-score가 2.575보다 커서 해당 지역에서 관련 산업의 고도집적화가 일어나 이웃한 지역과 군집을 나타내는 ‘산업집적 클러스터’ 지역이라 할 수 있다. II 사분면에 해당하는 지역의 경우 LQ가 1.0보다 커서 산업의 특화 수준은 높으나, Gi*의 z-score가 2.575보다 작아서 공간적 자기상관이 미흡한 지역으로써 해당지역 주변에 는 해당 산업의 기반이 취약한 지리적인 고립지역이라 할 수 있으며 이에 해당지역은 해당 산업의 ‘특화지역’ 이라 할 수 있다. III 사분면의 경우 산업의 집적도가 낮고 공간적 자기상관이 미흡한 해당 산업의 ‘낙후지역’이라 할 수 있다. IV 사분면에 해당하는 지역의 경우 해당 지역의 산업 비중은 평균 이하이나 주변의 인근 지역은 어느 정도 높은 산업집적의 공간적 자기상관을 가지고 있는 지역으로 해당 산업의 ‘주변지역’이라 할 수 있다.

III. 공간단위별 산업집적 실증분석

1. 개별입지 기반 미시적 산업집적 분석

해당 산업의 산업집적 정도를 분석하는 방법으로 우선 사업체 각각의 개별입지를 기반으로 직접적인 공간 데이터를 구축하여 활용하는 것을 검토할 수 있다. 이 경우 사업체의 주소정보를 활용하여야 하는데, 본 연구 에서는 2만여 개에 달하는 외부감사 대상 법인 데이터 베이스인 NICE평가정보의 KISValue를 이용하여 2,800여 개의 뿌리산업 사업체의 주소지를 추출한 후 위경도 좌표데이터로 변환하는 공간맵핑 방법[14]으로 분석하였다.

뿌리산업 사업체 개별입지의 공간맵핑 결과를 살펴보면, 전체적으로 수도권 남서부, 인천광역시, 수도권과 인접한 충청권, 대구광역시 주변, 울산-부산-경남의 동남권 일대에 집중되어 분포되어 있음을 볼 수 있다. 하지만 공간매핑 만으로는 사업체의 공간밀도를 정확히 파악하여 해석하는데 어려움이 있다.

그림 2. 뿌리산업 사업체의 개별입지 공간맵핑

이에 사업체 개별입지의 산업집적 정도를 시각적으로 파악하기 위하여 커널밀도 추정법을 활용하였다. 커널밀도 추정은 대상지역의 점 개체의 분포를 토대로 하여 대상 지역 전체에 걸친 공간밀도를 추정하는 방법이 다[15]. 사업체들이 입지하는 장소와의 거리에 따른 가중치가 고려되기 때문에 거리에 따른 조락현상이 나타나며, 사업체들 간의 거리가 증가할수록 공간적 연관성은 감소하게 된다.

뿌리산업 사업체 입지에 대한 커널밀도 분석결과를 살펴보면 인천광역시, 경기도 남서부 지역, 동남권의 울 산-부산-창원지역, 대구시 일부, 포항시 일부가 뿌리산업 사업체의 밀도가 높은 것으로 분석되었다.

그림 3. 뿌리산업 사업체의 커널밀도 결과

2. 그리드 기반 미시적 산업집적 분석

2.1 그리드 공간단위의 설정

통계정보의 종류에 따라서는 원천데이터를 그대로 맵핑하는 경우 개인정보나 보안이 요구되는 정보들을 그대로 노출 할 수도 있기 때문에 이를 보완하기 위해 일정한 기준으로 통계정보를 집계하여 표현하기도 하며, 집계를 위해 활용되는 단위를 통계공간단위라고 한다[16]. 대표적인 통계공간단위는 행정구역, 집계구, 그리드 등이 있으며, 현재 통계자료의 활용성 측면에서 행정구역이 가장 많이 활용되고 있다.

그러나 행정구역이나 집계구의 경우 모양과 크기가 불규칙하며, 시간의 변화에 따라 경계가 조정되어 통계 공간단위의 모양과 크기가 바뀔 수 있고, 집계구의 경우 지도의 축척과는 무관하게 고정된 모양과 크기를 갖기 때문에 축척에 따른 유기적인 통계공간단위를 제공하지 못하는 한계점이 있다[16].

직관적으로 보더라도 특정 지역의 공간단위가 전 지역에 균일하게 산포되어 있는 가정은 현실성이 없는데, 이를 보통 공간단위들이 지닌 고유한 지리적 특성으로 지칭하는 경우가 많다. 이로 인해 공간자료의 분석에서 공간자표의 공간적 이질성과 공간적 의존성은 불가결 하다[17]. 공간적 이질성은 공간단위별 변수의 분포에 불균일성이 존재하는 양상을 의미하고, 공간적 의존성은 변수값이 공간단위와 연관성이 있음을 지칭한다. 특히 공간적 의존성은 공간데이터 수집 과정에서 계량화 된 자료의 공간단위 일원성이 미흡함으로 인해 발생한다.

이러한 연구결과의 공간단위에의 의존성의 문제점은 연구에 사용되는 공간단위 선택은 기본적으로 작위적이며, 연구의 결과는 사용된 공간단위에 의존적임을 지적하는 것이다. 즉 분석의 결과로 도출된 통계치들은 선택된 공간단위에 따라 실질적으로 상이할 수 있다는 것이다. 만일 변수들의 공간관계에 대한 통계적 결론이 채택된 공간단위에 대해 상대적이라면, MAUP은 공간 분석이 직면하고 있는 가장 중요한 과제 중의 하나임에 틀림없다[18].

이에 본 연구에서는 전술한 뿌리산업 사업체의 개별 입지 정보를 ArcMap을 활용하여 균일한 그리드의 공간단위로 통계정보를 집계하여 재생성함으로써 공간 분석에 있어서 공간단위의 문제를 해소하고자 하였다. 즉 그리드 기반 공간정보 생성을 위해 주소형태의 통계 정보를 지오코딩하여 좌표데이터로 변환하고, 변환된 좌표데이터를 통해 개별입지 각각의 정보들을 연산하여 그리드 기반의 통계정보로 집계하는 방법을 활용한 것이다.

그리드는 기존 공간통계에서 많이 활용되고 있는 통계공간단위인 행정구역과 비교하였을 때, 모양과 크기가 일정하고 지도 스케일의 변화에 유연하게 적용될 수 있으며 행정구역이 가지고 있는 공간통계 방식의 문제점인 공간단위의 가변성과 연구에서의 공간단위 의존성을 배제할 수 있다.

본 연구에서는 그리드의 크기를 10㎞×10㎞로 설정하여 분석하였는데, 이는 도시기본계획이 수립된 광역시의 대생활권 평균 면적인 84.39㎢를 고려하여 단순화 하였다. 생활권의 사전적 개념은 ‘행정 구역과는 관계없이 통학이나 통근, 쇼핑, 오락 따위의 일상생활을 하느라고 활동하는 범위’라 할 수 있다.

2.2 뿌리산업의 비공간적 산업집적 분석 결과

산업집적 지표 중에서 가장 많이 활용되고 있는 LQ 와 지역의 고용 규모를 반영한 FLQ를 살펴보면 시군구의 행정구역 단위와 그리드 단위에서 그 결과값은 대체로 유사한 공간패턴을 보이고 있다. 하지만 부분적으로 공간패턴이 다른 곳도 있으며, 그리드 단위에서 보다 정밀한 공간단위로 관측할 수 있음을 알 수 있다. 특히 행정구역단위에서 관찰하지 못했던 뿌리산업 특화지역을 분석의 공간단위를 달리 적용함으로써 확인할 수 있었고, 이는 관련된 공간계획의 수립에 있어 매우 유용한 기초정보를 제공할 수 있을 것으로 판단된다.

그림 4. 공간단위별 뿌리산업 LQ ((좌)그리드, (우)행정구역)

그림 5. 공간단위별 뿌리산업 FLQ ((좌)그리드, (우)행정구역)

행정구역단위에서 뿌리산업의 전체적인 특화도는 울산광역시와 경남 사천시 등의 동남권, 경기도 안산시와 광명시 등의 수도권이 역시 지배적으로 높은 것으로 나타났다. 또한 FLQ를 살펴보면 충청권의 경우 어느 정도 집적화가 타나는 경향을 볼 수 있으며, 그리드 단위 분석에서 볼 때 수도권과 인접한 충청권 지역에서 산업 집적이 많이 일어나고 있음을 보다 구체적으로 살펴볼 수 있다.

2.3 뿌리산업의 공간적 산업집적 분석 결과

뿌리산업의 공간적 자기상관을 고려한 산업집적 지표인 Moran’s I와 LISA에 대해 그리드와 행정구역의 공간단위별로 살펴보았다.

대표적인 공간패턴 분석기법으로 알려져 있는 공간적 자기상관분석은 연구지역의 공간 구조에 대해 정적 특성과 구조적 안정성을 가정하는데, 이러한 가정에 위배되는 행정구역과 같이 단위지역의 규모가 매우 크거나 공간적 구조가 안정적이지 않은 지역에 대한 공간적 자기상관 지수는 통계적 추론과 통계적 모형의 유효성에 대한 판단의 오류를 초래할 위험이 매우 크다 [19][20].

전체적으로 볼 때 시군구의 행정구역 공간단위에서 Moran’s I = 0.066596으로 분석되어 공간적 연계가 비교적 약한 것으로 해석할 수 있으나, 그리드의 공간 단위에서 Moran’s I = 0.348234로 나타나 비교적 뿌리산업이 군집을 이루어 형성되고 있는 것으로 해석될수 있다. 이는 상대적으로 조밀한 그리드 단위에서 산업의 공간집적 현상이 잘 관찰되고 있는 것으로 해석될 수 있으므로, 공간단위에 따른 판단의 오류를 범하지 않기 위해 행정구역 뿐 아니라 그리드 단위에서의 분석이 요구되는 것이라 할 수 있다.

표 1. 공간단위별 뿌리산업 Moran’s I

공간적 자기상관의 지역 구조를 살펴보기 위한 LISA 분석의 Local Moran’s I에서 HH유형 공간분포는 그리드와 행정구역 공간단위에서 비교적 유사한 형태를 보이나, 동남권에서의 지역 구조는 다소 차이가 나타나 는 것으로 분석되었다. [그림 6]의 HH유형의 경우 통계적으로 유의한 P-value < 0.01 에 해당하며, 그 외에는 P_value > 0.01 이상에 해당하여 HL, LH, LL의 유형이 구분되지 못하였다. 다만, 행정구역단위에서 광주광역시는 통계적으로 유의한 범위 내에서 HL유형으로 분석되었다.

그림 6. 공간단위별 Local Moran’s I

((좌)그리드, (우)행정구역)

Local Moran’s I 외에 Getis-Ord's local Gi* 분석 결과에서도 뿌리산업의 핫스팟 공간분포는 대체로 유사하게 나타났으며 그리드 단위에서 보다 구체적인 공간 분포를 확인할 수 있다.

그림 7. 공간단위별 Getis-Ord's local Gi*

((좌)그리드, (우)행정구역)

행정구역 단위에서는 수도권의 인천광역시- 안산시-화성시-시흥시-평택시 축 및 동남권의 부산광역시-울산광역시-창원시 축이 두 지표 모두 뿌리산업의 공간적 자기상관이 높은 산업 집적지로 분석되었다. 다만 Local Moran’s I에서 광주광역시는 HL유형의 고립지역으로 나타났다.

그리드 단위에서는 행정구역단위에서의 뿌리산업 공간분포와 대체로 유사하나 서울특별시의 서남부 일부가 산업집적지로 포함되었고, 부산광역시는 서측 일부만 산업집적지로 포함되었음을 확인할 수 있다. 또한 주축을 제외한 타 지역에서의 뿌리산업 집적지 분포는 그리드 단위에서 신뢰수준에 따라 Gi*의 핫스팟이 보다 세부적으로 분석되었음을 알 수 있다. 즉, 다음의 그림에서 보는 바와 같이 그리드 단위가 보다 세밀한 국지적 세부내역을 제공한다는 측면에서 분석적 유용성이 크다고 할 수 있다. 다만 본 연구의 행정구역단위 분석의 경우 집계자료의 한계로 인해 시(市) 이하의 구 (區) 단위는 반영하지 않고 시(市)를 단일지역으로 통합 하여 접근하였으므로 발생하는 공간접근상의 한계가 있을 수 있다. 하지만 개별입지에 기반을 둔 그리드 단위의 분석은 이러한 한계를 극복하는 좋은 대안이 될 수 있다.

2.4 뿌리산업의 산업집적 지역유형 구분 결과

뿌리산업의 공간집적을 살펴보기 위하여 앞에서 여러 가지 다앙한 지표를 살펴보았다. 각각의 개별 지표는 뿌리산업의 집적도를 대표하기 어려우며 해석상의 논란이 존재할 수 있다. 이에 비공간적 지표인 LQ와 공간적 지표인 Getis-Ord's local Gi*를 종합하여 뿌리 산업의 공간집적 유형을 구분하였다.

산업집적 지표의 조합에 따른 지역유형을 구분하여 보면, LQ가 1보다 크고, Getis-Ord's local Gi*가 2.575를 초과하는 지역을 잠재적인 산업집적 클러스터로 판단할 수 있다. 분석결과 행정구역 단위에서 울산광역시, 안산시, 창원시, 인천광역시, 부산광역시, 화성시가 뿌리산업의 클러스터로 분석되었다. 그리드 단위에서는 행정구역 단위의 클러스터 판별지역 중에서 보다 구체적인 입지를 살펴볼 수 있으며, 대구광역시 일부지역과 울산광역시 일부지역 충남 북부지역 일부에서도 산업집적 클러스터의 공간분포가 나타남을 확인 할 수 있다. 또한 행정구역 단위에서는 광범위한 공간에서 특화지역이 도출되는 것으로 나타나지만, 그리드 단위에서는 수도권의 일부지역에서만 특화지역이 나타나고 있는 것으로 분석되었다.

그림 8. 뿌리산업의 산업집적 클러스터 지역 공간분포

표 2. 행정구역단위의 뿌리산업 산업집적 클러스터 지역

공간단위에 따라 분석결과에 대한 해석의 차이가 존재할 수 있으므로 다양한 공간단위별 분석은 산업별 지역의 이해와 관련 정책의 마련을 위한 기초자료로 매우 중요함을 엿볼 수 있다.

IV. 결론 및 연구의 한계

산업의 공간적 입지에 대한 분포 패턴 분석은 관련된 공간계획의 수립 및 실행에 있어 매우 중요한 역할을 한다. 이러한 특정 산업의 공간집적 분석에 있어 먼저 고려되어야 하는 것은 어떠한 분석지표를 활용하는가에 있고, 또한 어떠한 공간단위에서 분석이 이루어지는 가에 따라 그 해석이 달라질 수 있다.

본 연구에서는 전통적인 산업특화 지표인 LQ 외에도, 이의 한계를 극복하기 위한 FLQ, 공간적 자기상관을 고려한 Moran’s I, Local Moran’s I, Getis- Ord's local Gi* 등과 같은 공간적 지표를 검토하여 뿌리산업에 대하여 실증적으로 분석하였다. 또한 각각의 개별 지표는 산업집적의 측정에 있어 대표성을 가지기 어려운 한계가 있으므로 이를 조합한 지역유형을 구분하는 방법론을 제시하였다. 뿌리산업의 경우 울산광역시, 부산광역시, 창원시를 축으로 하는 동남권과 인천광역시, 화성시, 안산시를 축으로 하는 수도권 서부축이 산업집적 클러스터의 지역유형으로 분석되었다.

이러한 산업집적의 분석에 있어서 데이터가 집계되는 공간단위가 실제 현상의 공간패턴과 불일치하는 가변적 공간단위의 문제가 발생할 수 있다. 이에 본 연구에서는 사업체 각각의 개별입지, 개별입지를 기반으로 하는 그리드 단위, 기존 행정구역 단위의 세 가지 공간 단위에 대하여 분석방법을 제시하고, 뿌리산업의 공간집적을 실증적으로 비교 분석하였다. 개별입지의 미시적 산업집적 분석을 위해 사업체 주소정보를 바탕으로 공간맵핑하였으며, 커널밀도 추정법으로 사업체의 공간 밀도를 시각적으로 분석하였다.

또한 이러한 개별입지 공간맵핑 자료를 활용하여 그리드의 균일한 공간단위로 정보를 재집계하여 기존 행정구역단위와 비교 분석하였다. 분석결과 공간단위에 따라 분석의 결과가 일부 상이하게 나타나는 것을 확인 할 수 있었으며, 분석공간의 크기가 작은 그리드 단위에서 보다 구체적인 산업집적의 분포 양상을 살펴 볼 수 있었다. 이는 관련된 공간계획의 수립에 있어서 유용한 정보를 제공할 수 있을 것으로 판단된다. 그리고 이와 같은 분석 결과는 공간단위의 설정에 따라 발생할 수 있는 해석상의 차이와 같은 한계를 극복할 수 있는 것으로 기대된다. 행정구역 단위에서는 발견하지 못했 던 충청도 북부지역, 대구광역시 서남부 지역 등이 추가적으로 산업집적 클러스터로 분석되는 것을 볼 때, 다양한 공간단위별 분석은 산업별 지역의 이해와 관련 정책의 마련을 위해 유용한 것으로 판단된다.

뿌리산업 외에 사회적으로 요구되는 다양한 산업별 분석에서 이와 같은 다양한 분석지표와 지역유형의 구분 및 미시적 공간단위로의 적용이 가능하며, 이러한 분석결과는 향후 산업생태계 형성을 위한 산업입지 공간정책 측면에서 유용하게 활용될 수 있을 것으로 보인다. 다만, 사업체 개별입지에 기반하는 공간단위의 분석에 있어서 일부 상용 데이터베이스에서 제한적으로 제공하는 정보에 의존해야 하므로 데이터의 대표성이 지니는 근본적인 한계를 배제하기 어려운 점은 연구의 한계로 남는다. 뿐만 아니라 그리드의 크기 설정에 따라 분석결과가 부분적으로 상이해질 수 있는 한계도 있으므로, 분석 공간의 크기에 적합한 합리적인 그리드의 크기 설정이 필요하다.

* 본 연구는 한국과학기술기획평가원에서 위탁받아 수행한 연구인 ‘R&D 입지 적절성 조사방법론 고도화’의 내용 일부를 수정․보완한 것임.