1. 서 론
해양 사고는 인명과 재산의 손실뿐만 아니라 해양환경의 훼손을 초래하고 재난으로 확대될 수 있다는 점에서 지속적인 예방과 관리가 요구된다(Yun, 2022: 1177). 특히 해양 사고는 해안선에 인접한 연안해역에 집중되는 경향이 있으며, 연안해역에서는 일반선박과 어선, 수상레저기구 등 다양한 해양 교통수단의 활동이 이루어지고 있다(Choe et al., 2021). 따라서 해양 사고의 예방과 대응을 위해서는 전체 사고 건수와 유형에 더하여 사고의 시기별·해역별 분포를 함께 살펴볼 필요가 있다.
해양경찰 직무상 관점에서 살펴보면, 해양 사고의 시·공간적 집중 양상을 파악하는 것은 단순히 사고 다발 해역을 확인하는 것에 그치지 않는다. 광범위한 해역에서 발생하는 모든 위험에 동일한 수준으로 대응하기는 어렵기 때문에, 사고 발생 가능성이 상대적으로 높은 시기와 해역을 식별하여 경비·구조 역량을 우선적으로 배치할 필요가 있다. 특히 사고의 집중 양상은 계절, 기상 및 선박 활동의 변화에 따라 이동하거나 일시적으로 형성될 수 있으므로, 장기간 누적된 사고 건수만으로는 이러한 변화를 충분히 반영하기 어렵다. 따라서 해양 사고 핫스팟의 위치와 형성 시기, 지속 기간을 함께 파악하는 것은 경비함정과 구조인력의 탄력적 배치, 순찰 구역과 시기의 조정 및 사고유형별 예방 활동을 설계하기 위한 실무적 기초가 될 수 있다.
실무상 해양 사고의 시·공간적 패턴에 대한 탐색이 중요해짐에 따라, 국내·외 선행연구는 해양 사고의 지리적 분포와 사고 다발 해역을 파악하기 위한 공간적 연구를 수행하였다. 대표적으로, Huang et al.(2013)은 국제통합해운정보시스템(Global Integrated Shipping Information System, GISIS)의 ‘Marine Casualties and Incidents’ 모듈에서 2002년부터 2011년까지의 해양 사고 4,092건 중 위치정보가 확인되는 1,697건을 대상으로 GIS 기반 공간 분석을 실시하였다. 분석 결과, 영국 주변 해역과 중국·일본·대한민국 등 동아시아 연안 및 지중해가 주요 사고 집중지역으로 나타났으며, 전체 사고의 51.1%가 해안선으로부터 25마일 이내, 62.2%가 50마일 이내에서 발생하였다(Huang et al., 2013). 또한, Wang et al.(2022)은 GISIS에서 2010년부터 2019년까지의 해양 사고 중 위치정보가 확인되는 2,513건을 대상으로 공간 분석을 시도하였다. 그 결과 해양 사고의 60% 이상이 해안선으로부터 30해리 이내에서 발생하였으며, 중국·일본·대한민국 연안과 싱가포르·말라카 해협 등에서는 중대 사고가 공간적으로 집중되는 경향을 확인하였다(Wang et al., 2022).
나아가 한국 관할 해역을 분석 공간으로 선정하여 해양 사고의 시·공간적 패턴을 검증한 선행연구도 일부 수행되었다. Acharya et al.(2017)은 2007년부터 2014년까지 해양경찰이 수집한 우리나라 연안의 해양 사고자료를 활용하였다. GIS를 통해 연도·월·요일·시간대별 사고 발생 양상을 탐색하였으며, 인천·평택 및 통영·부산 일대가 사고집중 해역으로 나타났다(Acharya et al., 2017). 또한, Yoo et al.(2021)은 2015년부터 2019년까지 발생한 선박 부유물 감김사고를 대상으로 공간적 밀도분포와 시간대·주야간·계절별 발생 특성을 분석하였다. 그 결과 사고 밀도는 거제도·통영 해상과 서해 전곡항 및 제주도 북부 해상에서 높게 나타났으며, 주간과 가을철에 사고가 상대적으로 많이 발생하였음을 확인하였다(Yoo et al., 2021). 반면에, Yang et al.(2021)은 2019년 연안해역의 해양 기상환경 자료와 해양 사고자료를 결합하여 유사한 기상 조건을 가진 해역을 군집화하여 군집별 사고유형·계절·시간대의 특성을 비교하였다. 분석 결과, 두 군집 모두 단독사고와 기관손상 사고가 주로 가을철 오전 시간대에 발생하는 것으로 나타났다(Yang et al., 2021).
전술한 선행연구는 해양 사고의 공간적 분포와 시간대·계절별 발생 빈도를 파악할 수 있다는 점에 의의가 존재한다. 연구 방법론적으로는 ① 공간적 패턴만 살펴보거나(Huang et al., 2013;Wang et al., 2022), ② 먼저 시간적 분포를 확인하고, 이후 GIS를 통해 발생 위치를 시각화하거나(Acharya et al., 2017), ③ 시간을 계절 또는 시간대로 분절하여 각 시간 단위의 군집 또는 발생 유의확률을 도출하는 방법(Yang et al., 2021;Yoo et al., 2021)을 활용하였다. 그러나 시·공간적 분포를 분석함에 있어, 두 번째 방법은 해양 사고의 시간적 특성과 공간적 특성을 각각 분석하였기 때문에 시간에 따른 공간적 변화를 고려하지 못한다는 한계가 존재한다. 또한, 세 번째 방법은 시간 단위를 일종의 독립변수로 고려(투입)하여 시간의 변화에 따른 공간적 군집의 차이 또는 사고 발생 가능성의 차이를 확인할 수 있으나, 시간적 분석과 공간적 분석이 통합되지 못하고 분리되어 시공간적 상호작용을 고려하지 못하는 한계가 남아있다(Jeong et al., 2010).
따라서, 본 연구에서는 선행연구의 방법론적 한계를 보완하기 위해 Kullodrff가 제안한 시공간 스캔 통계량을 활용하여 한국 영해 및 주변 해역에서 발생한 해양 사고의 시공간적 분포를 탐색하고자 한다. 시공간 스캔 통계량은 기존의 핫스팟 분석과 달리 관심 사건의 공간적 패턴을 시간영역으로까지 확장하여 동시적 분석이 가능한 방법이다(Jeong et al., 2010: 15). 이를 통해 해양 사고가 집중적으로 발생하는 클러스터를 파악하는 것을 넘어, 각 클러스터의 형성 시점과 지속 시간을 도출하는 것이 가능하다. 즉, 장기간 누적된 자료에 의한 고정적인 사고집중 해역을 확인하는 것이 아닌, 특정 기간에 일시적으로 형성되는 해양 사고의 공간적 패턴을 식별할 수 있다는 점에서 기존 연구와 차별성을 갖는다.
2. 연구방법
2.1 분석자료
본 연구는 2021년 1월 1일부터 2025년 12월 31일까지 한국 영해에서 발생한 해양 사고 15,389건 중 중복 사건 1,463건1)을 제외한 13,926건을 분석에 활용하였다. 이는 하나의 사고가 여러 건의 사고로 계산되는 것을 방지하여 핫스팟 결과의 왜곡을 줄이기 위함이다. 해당 데이터는 공식적으로 해양수산부 중앙해양안전심판원에서 관리하며, 공공데이터포털(www.data.go.kr)에서 해양 사고의 발생 시간 및 발생 위치가 포함된 원자료를 확인할 수 있다.
다음으로, 본 연구의 분석 공간은 해안선으로부터 바깥쪽 12해리(22.224km)의 선까지의 영해2)와 주변 해역으로 정의한다. 특히, 한국의 경우 해양공간의 관리, 정책 설정, 해역 이용계획 수립을 위하여 해양공간을 격자(grid)로 구분하며, 이를 ‘해양공간특성평가’(MSP)로 지칭한다. 영해에 해당하는 공간은 기본적으로 3'×3'(5km) 크기의 격자(grid)로 구분한다. 다만, 해안선이 복잡하게 형성되어 있거나, 섬이 많은 공간의 경우 1'30''×1'30''(2.5km) 크기의 좀 더 세분화된 보완 격자를 활용한다. 본 연구의 분석 대상인 해양 사고 발생 위치와 분석 공간 격자를 GIS로 시각화한 것은 아래의 Fig. 1과 같다.
2.2 분석방법
공간 핫스팟 분석 공간적 종속성은 특정 공간 위에 발생하는 사건이 서로 독립적으로 분포되는 것이 아니라, 공간적인 연관성을 가지고 각 사건이 서로 영향을 준다는 것을 의미한다. 이는 Tobler(1970)의 지리학 제1법칙인 ‘모든 것은 서로 연관성이 있으나, 가까운 것은 더 멀리 떨어져 있는 것보다 더 강한 연관성을 갖는다.’에서 출발한 개념이다(Jang, 2022, Hong et al., 2024: 40). 공간적 종속성은 전역적인 공간적 종속성(global statistics)과 국지적인 공간적 종속성(local statistics)으로 구분할 수 있다(Unwin, 1996). global statistics는 연구 지역 전체에 대한 패턴이 군집되어 있는지 또는 무작위적으로 분포되어 있는지를 파악하며. 주로 Moran’s I 지수를 활용한다(Mathur, 2014;2015). 반면에, local statistics는 지역 전체에 대한 패턴이 아닌 특정 공간 및 그와 인접한 지역의 패턴을 탐색하며, LISA(local indicator of spatial association) 또는 Getis Ord’s G* 등이 존재한다(Anselin, 1995;Getis and Ord, 1992).
본 연구에서는 공간적 핫스팟을 탐색하기 위해 Getis Ord’s G*을 활용하였다. 이 분석 방법은 지역 전체의 공간 자기상관을 정량화하는 General G-statistic(Getis and Ord, 1992)의 변형으로, 특정 공간마다의 공간 자기상관에 대한 개별 통계값을 계산하여 제시한다(Peeters et al., 2015). 구체적으로, G*을 추정하는 공식은 식(1)과 같다. 여기에서 S는 표준편차를, 는 공간 가중 행렬의 요소값을, n은 전체 케이스 수를 의미한다. i와 j는 개별 공간 단위(혹은 위치)로 두 공간 단위가 이웃으로 정의되면 이, 그렇지 않으면 으로 처리된다. 여기에서 자기 자신은 주변 이웃 집합에 포함되어 계산되기에 0이 아닌 값()이 주어진다(Aldstadt and Getis, 2006;Ord and Getis, 1995).
결과적으로, G* 통계량은 기댓값이 0이며, 분산은 거의 1인 분포를 보이기 때문에, 이에 대한 유의성 검정은 정규분포를 상정한 표준화 점수에 대한 것과 거의 동일하게 이루어진다(Lee et al., 2010). 따라서 G* 통계량이 양수이면 높은 속성값을 지닌 공간단위들의 군집인 핫스팟을 얻을 수 있다. 반면에, G* 통계량이 음수이면 낮은 속성값을 가진 공간단위들의 군집인 콜드스팟을 나타낸다. 그리고 0에 가까우면 G* 통계량은 대상이 되는 공간단위 주변에 높거나 낮은 값들이 집중되지 않음을 의미한다(Peeters et al., 2015). 즉, Getis Ord’s G*은 LISA와 달리 계산된 G* 통계량으로부터 직관적으로 핫스팟(hot spot)과 콜드스팟(cold spot)을 구분하여 지도상에 표현할 수 있다는 장점이 존재한다.
시공간 핫스팟 분석 본 연구에서는 시공간 핫스팟을 탐색하기 위하여 SatScanTM의 space-time permutation scan statistics [STPSS](Kulldorff, 2022)를 활용하였다. 이 분석 방법은 특정 지역의 중심을 기준점 위에 수천 또는 수백만 개의 겹치는 가상의 원통(cylinder)을 사용하여 특정 현상이 시공간적으로 집중된 공간(cluster)을 탐색한다. 여기에서 원의 반지름은 공간거리로, 0에서부터 사용자가 정의한 최대값까지 조정할 수 있으며, 원통의 높이는 시간거리로, 일(day)수 또는 월(mouth)수를 지정할 수 있다(Kulldorff et al., 2005). 일반적인 접근 방법은 원통의 면적과 높이를 변화시켜 가면서 특정 지역과 이웃한 지역의 중심점으로 이동해 가면서 관찰된 사건 수와 기대 사건 수를 비교한 최대우도비(log likelihood)를 찾는 것이며, 최대우도비가 관측된 공간과 시간이 바로 시공간 집중이 발생한 지역과 시간대 구간(시공간 핫스팟)으로 결정된다(Jones and Kulldorff, 2012;Kulldorff, 2001;Jeong et al., 2010). 특히, STPSS는 확률 모델로 인구 위험(population-at-risk) 자료가 존재하지 않기 때문에, 기대값은 사례(case) 데이터만으로 계산되어 클러스터를 도출한다(Kulldorff et al., 2005).
구체적으로, 각 공간 격자 단위 z와 날짜 d에서 관찰된 사건 수를 라고 할때, 전체 사건 수 C는 식(2)와 같이 정의할 수 있다.
이 경우, 특정 시공간 원통 A 내 기대 사건 수 는 원통에 포함된 모든 공간과 시간 조합의 예상 사건 수 를 합산하여 계산한다. 여기에서 각 공간-시간 조합의 기대 사건 수 는 해당 날짜의 전체 사건 수()와 해당 공간 격자 단위의 전체 사건 수()를 곱한 뒤, 전체 사건 수로 나눈 값으로 산출된다.
다음으로, 원통 A 내에서 실제 관찰된 사건 수를 라고 하면, 원통이 사건 클러스터를 포함하고 있는지를 평가하기 위해 식(4)와 같은 Generalized Likelihood Ratio(GLR)를 사용한다. GLR은 원통 안에서 관찰된 사건 수가 기대치보다 얼마나 많은지를 정량적으로 보여주는 지표로, 값이 클수록 해당 원통이 실제 클러스터일 가능성이 높다는 것을 의미한다. 다만, 해당 분석 방법은 인구 위험 자료를 활용하지 않기 때문에 다중 검정 문제가 발생할 수 있다. 따라서, 순열 기반 몬테카를로 시뮬레이션을 통해 통계적 유의성을 계산한다.
추가적으로, 식(5)와 같이 각 클러스터의 상대 위험도(RR)를 계산하여 클러스터 내 사건 발생 위험이 주변 대비 얼마나 높은지를 정량화하여 지도에 표현할 수 있다. 여기에서 RR이 1보다 크다는 것은 클러스터 내 사건 발생 위험이 주변 지역보다 높다는 것을 의미한다.
전술한 바와 같이 STPSS는 계산량이 많기에, 시간거리와 공간거리의 적정한 설정이 필요하다. 본 연구는 극단적으로 거대한 클러스터가 형성되는 것을 방지하고(Desjardins et al., 2020), 해양 사고가 항만의 입출항로, 암초 지대와 같은 좁은 공간에 집중되는 경향이 강하므로, 실무에 적용할 수 있는 범위의 핫스팟을 도출하기 위해 전체 사건의 5% (Perecnt of total case=5)를 공간거리의 최대치로 설정하였다. 또한, 시간거리는 전체 연구 기간의 50%를 원통의 최대 높이 한계로 설정하였다. 각 클러스터의 시간 표집 단위(time aggregation length)는 연구 기간이 2021년부터 2025년까지 총 5년임을 고려하여 7일로 설정하였고, 각 클러스터는 최소 10건의 사고 발생을 포함하도록 제한하였다3)4). 마지막으로, 발견된 클러스터의 통계적 유의성을 검증하기 위하여 999회의 몬테카를로 시뮬레이션을 수행하였다.
3. 분석결과
3.1 해양 사고의 시간적 패턴
2021년부터 2025년까지 발생한 해양 사고의 월별 발생 건수를 살펴보면 다음과 같다. Fig. 2에서 확인할 수 있듯이 9월이 상대적으로 해양 사고가 가장 높게 발생한 시점으로 나타났다(11.9%). 그 뒤로, 10월(11.6%), 8월(9.7%), 7월(9.4%), 11월(9.2%) 순이었다. 반면에, 2월은 687건(4.9%)으로 해양 사고가 가장 적게 발생한 시점이었다. 1월(Jan.)을 기준으로 2월에는 발생 비율이 감소하였으나(5.9%→4.9%), 이후 9월까지 꾸준히 증가하는 추세를 보였다(4.9%.→11.9%). 그러나 10월부터 다시 감소하는 경향이 확인되었다(11.9%→7.4%).
계절별 해양 사고 발생 건수를 비교한 결과는 Table 1과 같다. 해양 사고 발생 비율이 가장 높은 계절은 가을이었으며(32.7%), 그 뒤로 여름(27.2%), 봄(21.9%), 겨울(18.3%) 순이었다. 카이제곱 적합도 검정 결과, 계절에 따른 해양 사고 발생 건수의 차이가 통계적으로 유의미한 것으로 나타났다(). 이러한 결과는 해양 사고가 시간상으로 균일하게 발생하는 것이 아니라 특정 시간에 집중적으로 발생하는 경향(패턴)이 존재한다는 것을 보여준다.
3.2 해양 사고의 공간적 패턴
본 연구는 해양 사고의 공간적 패턴을 파악하기 위해, 먼저 분석 대상의 전역적 공간 종속성을 확인할 수 있는 Moran’s I 검정을 진행하였다. 분석 결과, Moran’s I 지수는 0.463이었으며, 99% 신뢰 수준에서 통계적으로 유의미한 것으로 나타났다. 이는 해양 사고가 공간상 균일(무작위)하게 분포하기보다 특정 해역에 집중적으로 나타난다는 것을 의미한다.
다음으로, Getis-Ord’s G*을 활용하여 2021년부터 2025년까지 발생한 모든 해양 사고가 어떤 공간과 그 인접 지역에 집중적으로 발생하는지를 도출하였으며, 이를 시각화한 결과는 Fig. 3과 같다. 분석 공간을 구분한 12,109개의 격자(grid) 중 해당 공간과 그 인접 지역에서 해양 사고가 밀집된 영역(high) 즉, 핫스팟으로 추정된 영역은 1,160개였다. 전반적으로, 핫스팟은 ① 서해중부 일대 인천항, 대산항, 보령항, 대천항 주변과 서해남부 일대 군산항, 목포항 주변, ② 남해 서부 일대 여수항 주변과 남해 동부 통영항, 마산항, 부산항, 울산항 주변, ③ 동해안 전역의 연안, ④ 제주도 주변 해역 등 주요 항만 인근에 집중적으로 나타났다. 그러나 서남해 외곽의 도서 주변과 울릉도 및 독도 주변은 해양 사고가 상대적으로 낮거나(Low) 통계적으로 유의미하지 않은 것(Non.sig)으로 확인되었다.
추가로, 앞서 살펴보았던 시간적 패턴을 고려하여 전체 해양 사고를 계절별로 절단하여 Getis-Ord’s G*를 실시한 결과는 Fig. 4와 같다. 전반적으로, 겨울에 핫스팟으로 추정되는 격자의 수가 가장 적게 나타났으나(n=984), 반대로 여름에는 핫스팟으로 추정되는 격자의 수가 가장 많았다(n=1,094). 또한, 계절에 따라 일부 해역의 핫스팟 위치 역시 변화하였다. 가을은 상대적으로 서해 중부와 남부 일대에 핫스팟이 다수 분포하였으나, 동해 남부의 핫스팟은 감소하는 것으로 나타났다. 반면에, 겨울은 서해 중부와 남부 일대의 핫스팟이 감소하는 대신 동해 중부와 제주 연안에서 핫스팟이 다수 관측되었다. 봄과 여름의 경우에는 핫스팟의 위치가 극적으로 변화하지는 않지만 울릉도 인근(봄)과 흑산도 인근(여름)에서 다른 계절에는 존재하지 않는 새로운 핫스팟이 발견되었다.
3.3 해양 사고의 시·공간적 패턴
본 연구는 STPSS를 통해 해양 사고의 시공간 클러스터를 탐색하였으며, 이를 통해 도출된 클러스터는 총 52개였다. 이 중 5개의 클러스터가 95% 신뢰 수준에서, 3개의 클러스터가 90% 신뢰 수준에서 통계적으로 유의미한 것으로 나타났다(Table 2). 8개의 클러스터를 지도상에 시각화한 것은 Fig. 5와 같다.
먼저, 가장 통계적 유의성이 높은 (1순위) 클러스터 1은 동해 속초항과 주문진항을 포함하는 52개의 격자로 이루어져 있으며, 2021년 12월 23일부터 2021년 12월 29일까지 약 7일간 유지되었다. 해당 클러스터의 기대 건수(expected cases)는 0.42건에 불과하나, 실제로는 11건의 해양 사고가 발생하였다. 상대 위험도(relative risk) 역시 26.32로 다른 클러스터 대비 가장 높은 것으로 나타났다.
클러스터 2는 서해 중부의 보령항, 대천항 그리고 비연항 주변 44개의 격자를 포함하고 있다. 2021년 9월 2일부터 2021년 10월 13일까지 약 42일 동안 유지되었으며, 상대 위험도는 3.02로 확인되었다. 클러스터 3은 2023년 12월부터 2024년 1월까지 약 40일간 남해 서부와 제주도 사이에 형성되었다(grid n=271). 해당 클러스터의 반경은 42.31km로 다른 클러스터 대비 가장 넓은 범위를 가지며, 상대 위험도는 3.24이었다. 클러스터 4는 제주 서부 연안의 165개 격자를 포함하며, 2025년 2월 27일부터 2025년 8월 27일까지 형성되어 있음을 확인하였다. 클러스터 유지 기간은 182일(약 6개월)로 타 클러스터 대비 가장 길었으나, 상대 위험도는 1.84로 가장 낮은 것으로 나타났다. 클러스터 5는 서해 중부 대산항과 태안항 인근 128개의 격자를 포함하고 있다. 해당 클러스터는 2025년 9월 4일부터 2025년 12월 17일까지 약 105일 동안 지속되었으며, 상대 위험도는 2.08이었다. 클러스터 6, 7, 8은 서해 중부에 밀집하여 있고, 상대 위험도가 2.67에서 4.46까지 나타났다. 다만, 유의확률(p-value)이 0.05 이상으로 95% 신뢰 수준에서 통계적으로 유의미하지 않았다.
다음으로, 상위 5개 클러스터를 확대하여, 각 클러스터에 포함된 격자의 위치와 핫스팟 유지 기간 중 발생한 해양 사고의 위치를 시각화한 자료(Fig. 6)를 살펴보면 다음과 같다. 클러스터 1은 7일간의 유지 기간 중 11건의 해양 사고가 발생하였다. 해양 사고의 유형을 살펴보면 다른 클러스터와 달리 11건 모두 침수·복원성에 해당하는 침수와 전복 그리고 침몰과 관련된 사고였다. 발생 위치 역시 모든 사고가 해안선에 인접한 것으로 나타났다. 클러스터 2는 42일 동안 50건이 발생하였으며, 이 중 기관·선체 고장 관련 사고가 30건(60%)으로 유형 가운데 가장 높은 비율을 보였다. 그 뒤로, 운항 사고(24%), 침수·복원성(12%) 순이었고, 인명 사고와 기타는 각각 1건(2%)씩 발생하였다. 사고 대부분은 항구(만) 인근에서 발생하였으나, 기관·선체 고장 관련 사고와 인명 사고는 상대적으로 해안선으로부터 거리가 먼 위치에 존재하였다. 클러스터 3은 49일간의 유지 기간 중 40건의 사고가 발생하였으며, 기관·선체 고장 관련 사고가 27건(67.5%)으로 가장 많이 발생한 유형으로 나타났다. 클러스터 2와 마찬가지로 다수의 사고는 항구(만) 인근 해안선에서 발생하였으나, 기관·선체 고장 관련 사고 일부는 해안선과 멀리 떨어진 곳에 있었다. 클러스터 4는 182일 동안 117건의 해양 사고가 발생하였으며, 기관·선체 고장 관련 사고가 72건(61.5%)으로 사고 유형 중 가장 높은 비율을 차지하였다. 발생 위치의 경우 항구(만) 인근을 포함하여 제주도 서부 해안선 주변에 골고루 분포된 것으로 나타났다. 클러스터 5는 105일간의 유지 기간 중 85건의 사고가 발생하였고, 기관·선체 고장 관련 사고가 전체의 52.9%를 차지하였다. 다른 클러스터에 비해 운항 사고의 비율(22.3%)과 기타 사고의 비율(12.9%)이 다소 높은 것으로 나타났다. 다만, 발생 위치의 경우 다른 클러스터와 유사하게 항구(만) 및 해안선 인근에 다수 분포되어 있었다.
이러한 결과는 국내 연안 해양 사고에 관한 기존 연구와도 일부 유사한 양상을 보인다. Yang et al.(2021: 66-70)은 분석된 군집에서 기관손상 사고가 가장 높은 비중을 차지하고 가을철 사고가 가장 많이 발생하였으며, 기관손상 사고 역시 주로 가을에 많이 발생한 것으로 확인하였다. 또한 가을철 사고 증가의 배경으로 성어기에 따른 어선 조업량 증가를 제시하였다. Choe et al.(2021: 551-552)은 서해·남해에서 기관손상 사고의 발생확률이 높고, 연안 어업선과 근해 어업선 등 어선의 용도에 따라서도 기관손상 위험에 차이가 있음을 확인하였다. 또한 가을철인 9~11월을 성어기로 지적하면서 조업 활동 증가가 일부 사고유형의 발생과 관련될 가능성을 제시하였다. 또한 Yoo et al.(2021: 1006-1008)은 낚시어선의 부유물 감김 사고가 서해 대천항 앞 해상에서 상대적으로 많이 발생하였으며, 가을철에는 어선과 낚시어선의 부유물 감김 사고 발생 가능성이 상대적으로 높게 나타났음을 확인하였다. 이러한 선행연구를 고려할 때, 본 연구에서 나타난 가을철 사고 집중과 서해 중부를 포함한 일부 시공간 클러스터는 해당 시기와 해역의 어업활동 및 선박 운항 특성과 일정한 관련성이 있을 것으로 해석할 여지가 있다. 다만 본 연구에서는 어업 활동량이나 선박 통항량을 직접 분석하지 않았으므로, 이러한 요인과 클러스터 형성 간의 관계는 후속 연구를 통해 검증할 필요가 있다.
4. 결론 및 제언
본 연구는 시간을 분절하여 각각의 공간적 패턴을 분석한 기존 선행연구의 방법론에서 나아가 시간과 공간의 상호작용을 동시에 고려하는 시공간 스캔 통계량을 통해 해양 사고의 시·공간적 패턴을 탐색하였다. 2021년부터 2025년까지 약 5년간 우리나라 영해에서 발생한 해양 사고를 분석한 결과 95% 신뢰 수준에서 통계적으로 유의미한 5개의 시공간 클러스터를 도출하였다. 짧게는 7일 길게는 약 6개월간 지속되는 클러스터는 동해 중부(n=1)와 서해 중부(n=2), 남해 서부와 제주도(n=2)에 위치하였으며, 각 클러스터에 따라 형성 시기와 발생한 해양 사고 유형에 차이가 존재함을 확인할 수 있었다.
본 연구의 Getis-Ord’s G* 분석은 연구 기간 전체 자료와 계절별 자료에서 사고가 공간적으로 집중된 해역을 식별한 반면, STPSS를 통해서는 특정 해역에서 클러스터가 형성된 시점과 지속 기간을 도출하고 각 클러스터의 상대위험도를 산출하였다. 이에 따라 사고집중 해역의 위치에 더하여 집중 현상의 시간적 범위와 상대적 위험 수준을 통한 개입 우선순위를 구체적으로 파악할 수 있다는 점에서 기존 공간 핫스팟 분석을 보완하는 추가적인 정보를 제공한다.
이상의 분석 결과를 바탕으로 다음과 같은 제언을 제시할 수 있다. 첫째, 해양 사고 예방과 대응 업무는 사고의 계절별·공간별 변화에 따라 탄력적으로 운영될 수 있어야 한다. 분석 결과에 따르면, 해양 사고의 절댓값은 가을에 가장 많은 숫자가 발생한 것으로 기록되었으나, 시·공간에 따라 확대 또는 감소하는 양상을 보인다. 선행연구에서는 VTS 관제선박의 교통관련사고가 일평균 교통량의 영향을 크게 받는 것으로 나타났으며, 이에 따라 교통량이 많은 VTS 관제구역에 우선적인 지원이 필요하다는 점이 제시되었다(Lee et al., 2009: 523). 본 연구의 결과는 이에 더하여 사고의 공간적 집중이 시기에 따라 변화할 수 있음을 보여주므로, 해양 사고 예방 및 대응 자원의 우선순위를 설정할 때에는 공간적 사고집중도뿐만 아니라 그 시간적 변화도 함께 고려할 필요가 있음을 시사한다.
둘째, 사고집중해역에서는 사고유형의 특성을 반영한 차별화된 대책이 필요하다. 예컨대, 클러스터 1(속초항, 주문진항 일대)은 침수·전복·침몰 사고가 중심으로 나타났다. 해당 공간에서는 기상악화 시 출항통제, 복원성·배수 설비 점검, 구조 세력의 신속 배치를 중점으로 두고 대응하는 것이 유효할 것이다. 한편, 서남해권의 클러스터 2~4의 경우 기관·선체 고장 사고가 전체사고의 60%를 상회하는 바, 출항 전 기관점검, 노후선 안전관리, 예인 또는 구난 자원의 배치를 강화하는 방식으로 대응의 중점을 달리할 수 있다.
셋째, 장기적인 안전관리 측면에서, 특정 시기에 한정적으로 형성되는 시공간 클러스터를 지속적으로 탐지하는 체계를 마련할 필요가 있다. 이상의 연구에서 확인된 클러스터의 유지 기간은 길게는 약 6개월, 짧게는 7일간 유지되었으며, 사고유형이나 발생 시기 및 발생 공간에 차이가 존재하였다. 이에 최근 사고 발생 위치와 시기를 주기적으로 분석하여 새로이 발생하는 사고집중 구역을 조기에 파악하고 해양 사고 예방 및 대응에 활용할 필요가 있다.
넷째, 이러한 시공간 분석 결과는 해양영역인식(Maritime Domain Awareness: MDA) 체계와 연계하여 활용할 수 있을 것이다. 해양영역인식은 각종 해양 상황을 실시간으로 파악하여 안보·안전·경제·환경 등에 미치는 영향을 분석하고 선제적 대응을 가능하게 하는 AI를 활용한 미래형 경비체계이다(Korea Coast Guard, 2025). 본 연구에서 도출된 계절별 핫스팟과 시·공간 클러스터 정보를 MDA 체계에 반영한다면, 사고집중 현상을 조기에 식별하고 예방 활동과 구조자원 배치의 우선순위를 설정하는 데 활용할 수 있을 것이다.
본 연구의 결과는 해양 사고의 시·공간적 집중도를 확인할 수 있으나, 각 클러스터의 위험 수준이 높은 원인을 직접 설명하기에는 한계가 있다. 또한, 해양 사고는 유형에 따른 그 원인에 차이가 있어(Cho et al., 2017), 사고유형별 시공간 클러스터가 상이할 수 있다. 그러나 연구 결과는 사고 전체에 한정되어 있기에 유형별 클러스터의 차이를 확인하지 못하였다. 이에 후속 연구에서는 사고유형 및 당시 기상을 포함한 해상상태를 종합하여 사고유형별 시공간 클러스터 분석과 함께 발생원인 및 위험 수준의 차이를 정밀하게 도출할 필요가 있다.















