1. 서 론

가뭄은 시각적으로 드러나는 재해가 아님에도 불구하고, 그 영향은 가장 광범위하고 지속적인 형태로 농업 시스템 전반에 작용한다(Yun, 2014). 특히, 농업 부문에서 가뭄은 작물 생육의 불안정화, 생산량 감소, 수자원 공급 체계, 정책 대응의 한계 등 다중적인 문제를 동시다발적으로 유발하는 특징이 있다(Sung et al., 2012; Jun et al., 2013; Jeon et al., 2021). 이러한 복합성에도 불구하고, 가뭄은 여전히 단순한 기후 현상으로 해석되는 경우가 많으며, 피해 발생 구조와 대응의 실효성은 분석 대상에서 배제되는 경우도 적지 않다(Pulwarty and Sivakumar, 2014). 농업 부문에서의 가뭄은 고정된 상태가 아니라, 시간적·공간적으로 전개되는 일련의 과정으로 발현된다(Alemu and Zimale, 2025). 초기에는 강수량 및 토양수분의 감소, 온도 및 증발산량 증가와 같은 기후학적 요인이 영향을 미치며, 이후 작물의 생육에 물리적 이상이 발생하고, 일정 수준 이상의 피해가 누적되면 지역 사회와 행정체계의 대응이 개입된다. 즉, 농업가뭄은 농업가뭄 상황, 농업가뭄 영향, 농업적 물부족 피해 및 대응이라는 일련의 과정으로 기후적·사회적 요인이 상호작용하는 복합재해로 작용하게 된다(Lee et al., 2017).

기존의 농업가뭄 관련 연구들은 표준강수지수(Standardized Precipitation Index, SPI), 표준강수증발산지수(Standardized Precipitation Evapotranspiration Index, SPEI), 증발스트레스지수(Evaporative Stress Index, ESI) 및 토양수분 자료가 사용되었다(Nam and Choi, 2014; Jeon et al., 2022). 하지만, 이러한 지수들은 가뭄에 따른 실제 피해나 행정적 대응 수준을 반영하는데 한계가 있으며, 이러한 한계를 극복하고자 선행연구에서는 가뭄의 다차원성을 분석하고자 연구를 수행하였다(Mun et al., 2023). 국외의 경우, Wilhelmi and Wilhite (2002)는 미국 네브라스카 주를 대상으로 농업가뭄에 대한 공간기반 취약성 평가 프레임워크를 제안하였으며, 기후, 토양, 토지 이용, 관개 접근성 등 사회·환경적 요인들을 종합적으로 반영하였다. Vicente-Serrano et al. (2010)은 기온과 증발산량을 고려한 다중 시간 척도 가뭄지수 SPEI를 제안하였으며, 기존의 SPI에 비해 기후변화 조건에서의 민감도가 높고, 전 세계 기후대별 적용 가능성과 다층적 분석 유연성을 갖춘 지수로 평가되었다. Geng et al. (2016)은 1980년부터 2008년까지의 전 세계 데이터를 활용하여 농업가뭄 위험도를 국가별, 지역별로 분석하였다. 가뭄에 취약한 지역의 분포를 파악하기 위하여 농업 생산 기반, 기후 데이터, 토지 이용 정보를 종합적으로 활용하였으며, 지속적, 반복적 가뭄에 노출된 지역의 구조적 위험성을 강조하였다. Lee and Yoo (2021)은 한국의 160개 지방자치단체를 대상으로, 행정적 대응역량과 지역 특성을 반영한 가뭄 회복력 지수를 개발하였다. 또한 정책적 자원 동원력, 지역 인프라, 과거 대응 실적 등을 종합 분석하여 지역별 복원력 수준을 비교하였다. 그러나 이러한 가뭄의 전개 과정을 정량적으로 구조화하고 평가하는 연구 및 피해 양상과 행정적 대응을 통합적으로 반영한 분석 체계는 부족한 실정이다(Nam et al., 2012; Lee et al., 2021; Yoon et al., 2022).

최근에는 가뭄과 관련된 연구뿐만 아니라 물부족에 초점을 둔 연구가 진행되고 있다. Lee et al. (2023)은 국가물관리기본계획에서 제시한 2030년의 한강 유역 물 부족 전망 자료를 활용하여 공간 군집분석 기법을 적용해 물 부족 핫스팟 (hotspot) 지역을 도출하고, 공간적 특성을 분석하였다. Hwang et al. (2024)는 사회경제적 특성을 기반으로 물부족 위험도를 평가하는 방법론을 개발하고, 광주와 전남지역에 적용하여 결과를 분석하였다. 또한, 위해성(hazard), 노출성(exposure), 취약성(vulnerability) 항목에 대한 20개의 영향 지표를 선정하였다. Odongo et al. (2025)는 2020년부터 2023년까지 동아프리카에서 발생한 극심한 가뭄의 영향과 지역 사회의 적응 방법을 분석하였으며, 2016년부터 2018년 가뭄과 비교하여 가뭄 피해의 변화, 지역 주민들의 대응방법에 대하여 조사하였다. 이처럼 물부족 문제에 대한 정량적인 분석과 공간적 특성 규명에 관한 연구는 확대되고 있으나, 농업 부문에서의 물부족 피해를 정의하고, 이에 대한 대응 수준을 통합적으로 반영한 체계적인 연구는 미비한 실정이다(Mun et al., 2020). 특히, 가뭄 발생 이후 실제 대응을 평가하는 정량지표의 부재는 지역 간 대응 수준을 비교하거나 정책 우선순위를 설정하는 데 있어 한계점으로 작용하고 있다(Jung et al., 2016).

지역 간 가뭄의 특성과 물부족 피해 및 대응 수준을 비교하거나 유형화하기 어려우며, 정책 설계 시에도 실질적인 피해 구획 및 대응 자원의 적정성 평가가 제한적이다(Yoo et al., 2008). 농업가뭄은 기후와 사회, 공급과 수요, 경보와 대응이 동시에 작동하는 현상이며, 이를 분석하기 위해서는 하나의 지표나 지수만으로 설명이 어렵기 때문이다(Nam et al., 2016; Kim et al., 2021). 따라서, 농업가뭄 상황과 영향, 물부족 피해 및 대응을 구분하여 평가하고, 각각을 독립된 분석지표로 모니터링할 수 있는 체계가 필요하다(Kim et al., 2020). 본 연구는 농업적 물부족 피해 및 대응을 중심으로 가뭄 피해 발생 이후 지자체와 행정기관의 대응 수준을 다양한 정량자료를 기반으로 지수화하였으며, 지역 간 대응능력의 구조적 차이를 분석하고자 하였다. 가뭄 발생 현상을 분석하거나 평가하기보다는 피해 이후의 대응 실적과 정책 개입 수준을 중심으로 시군단위 농업가뭄 대응체계의 현황을 진단하고, 정책 자원 배분의 객관적 기준으로 활용 가능한 지표를 개발하고자 한다.

2. 연구 방법

2.1 연구 설계 및 분석 절차

본 연구는 농업 부문에서의 물부족 피해 및 대응 수준을 정량적으로 평가하고, 이를 지수화하여 지역 간 대응 특성을 유형화하는 데 목적이 있다. 농업가뭄 발생 이후의 피해와 대응 실적을 반영한 지표를 구성하고, 단계별 분석 절차를 통해 지역 간 차이를 구조적으로 파악하고자 하였다. 농업적 물부족 피해와 관련된 정량자료를 수집하고, 대응 실적을 포함한 다양한 항목을 분석 변수로 설정하였다. 각 변수의 상대적 중요도를 산정하기 위해 엔트로피(entropy) 가중치 기법을 적용하였다. 엔트로피 가중치 산정 기법은 각 변수의 정보량을 바탕으로 가중치를 도출하며, 분석의 객관성과 재현 가능성을 확보할 수 있다. 특히, 전문가의 의견을 수렴하여 나타내는 AHP (Analytic Hierarchy Process), 단순 평균 방식과 다르게 엔트로피 기법은 주관적 개입을 최소화하고, 데이터 분포에 기반하여 가중치를 산정하기 때문에 정량 실적 자료에 적합한 방법론으로 판단된다. Lee et al. (2015)는 엔트로피 가중치 방법 적용하여 지표별 대기오염 영향에 대한 가중치를 산정하고, 대기오염 취약성을 평가하였으며, Kim et al. (2019)는 엔트로피 기법을 적용하여 객관적인 사회·경제적 가뭄 취약성 지수를 산정하고 평가하였다.

산정된 가중치를 기반으로 변수들을 종합하여 농업적 물부족 대응지수(Agricultural Water Deficit Response Index, AWDRI)를 도출하였다. 본 지수는 각 지역의 피해 및 대응 수준을 통합적으로 반영한 단일 지표로 구성되며, 지역 간 상대적 수준을 비교할 수 있는 기준으로 활용된다. 농업적 물부족 대응지수를 바탕으로 주성분 분석(Principal Component Analysis, PCA)을 수행하였다. 주성분 분석은 각 변수의 상관성을 고려하여 데이터 내 내재된 구조적 패턴 요약하고, 지역 간 피해 특성의 차이를 설명하는 주요 축을 도출하는 데 목적이 있다. PCA를 통해 도출된 주성분 점수를 입력자료로 활용하여 군집분석(cluster analysis)을 수행하였다. 군집분석을 통해 유사한 피해 및 대응 특성을 가진 지역들을 하나의 유형으로 분류하고, 시군구 단위의 지역별 특성을 구조적으로 파악하고자 한다(Fig. 1).

Fig. 1.

Framework for estimating and analyzing the Agricultural Water Deficit Response Index (AWDRI)

2.2 변수 구성 및 지표 체계

국내에서는 시군단위로 농업 정책이 집행되고, 가뭄 대응 예산과 자원이 투입되는 기본 행정 단위이기 때문에 본 연구에서는 시군단위로 분석하였다. 또한, 시군단위는 지역별 농업 환경과 행정대응 능력의 상대적 차이를 명확히 보여줄 수 있는 수준으로, 지역 간 비교와 정책 설계에 적합하다고 판단된다. 농업적 물부족 대응지수를 산정하기 위해, 농업가뭄 발생 이후 행정기관, 지자체의 대응 실적 및 관련 지표들을 중심으로 정량적 변수 체계를 구성하였다. 변수의 구성은 농업적 물부족 피해에 대응하기 위한 재정 투입, 규모, 행정적 개입 등을 포괄하며, 전국 시군구 단위 및 연 단위로 구축 가능한 자료를 기준으로 설정하였다. 농업적 물부족 대응지수는 피해 규모를 직접 산정하는 것이 아닌, 대응 실적을 바탕으로 피해 가능성과 대응 강도를 간접적으로 추정하는 정량지표이다. 즉, 피해 이후의 대응 수준을 수치화함으로써, 피해 수준의 대리 지표로 기능하며, 지역 간 상대적 차이를 구조적으로 비교할 수 있도록 설계하였다.

농업적 물부족 대응지수 산정을 위한 분석 변수는 5개 항목으로 구성하였으며, 농업가뭄 발생 이후 실제 대응 활동의 양적 수준을 반영하고자 하였다. 변수는 긴급 용수개발 실적, 양수저류 실적, 장비 지원, 인력 지원, 가뭄대책비 집행액으로 구성하였으며, 물리적 대응역량과 행정적 개입 정도를 고려할 수 있도록 나타내었다. 긴급 용수개발 실적은 가뭄 발생 시 용수확보를 위한 가뭄대비용수개발사업 실적을 나타내며, 물부족 피해가 심각했거나, 행정적 대응이 적극적으로 이루어졌음을 보여주는 정량적 실적을 나타낸다. 양수저류 실적은 가뭄 시 기간 중 실제 양수된 물의 양으로 현장 중심의 물 확보 실적을 통해 물리적 공급능력을 반영한다. 장비지원과 인력 지원의 경우 대응 장비 보유 및 동원 능력과 대응인력 동원 수준을 정량화한 지표이다. 가뭄대책비의 경우 행정기관에서 실제 투입한 예산 규모를 의미하며, 정책적 개입 수준 및 재정 자원 활용 능력을 나타낸다. 각 변수는 정량지표 형태로 수집하였으며, 통계 자료의 가용성 및 비교 가능성을 확보하기 위해 2023년을 기준으로 한국농어촌공사, 각 지자체의 재해대응 보고서 및 관계부처 합동 국가가뭄정보통계집을 기반으로 자료를 구축하였다. 자료는 167개 시군구 단위로 정제되어 공간적 일관성을 확보하였으며, 동일한 시간 단위(연 단위)에 맞게 구축하였다. 또한, 변수 간 중복성을 최소화하고, 다차원적 대응 양상을 반영할 수 있도록 구성하였으며, 각각의 항목은 실제 가뭄 발생 이후의 대응 실적을 반영하고 있다. 한편, 양수저류 실적 항목의 경우 다른 항목과 달리, 확보된 수자원의 양이 많을수록 물 부족 상황이 해결되었을 가능성이 크다. 따라서, 본 연구에서는 해당 항목은 역수를 통해 나타냈으며, 이를 물을 충분히 확보한 지역은 물부족 수준이 낮았다고 판단하고, 지수 해석 방향에 맞춰 일관성을 유지하기 위한 조정이다. Table 1은 농업적 물부족 대응지수를 산정하기 위한 변수이며, 엔트로피 가중치 산정을 통해 상대적 중요도를 계산하고, 농업적 물부족 대응지수로 통합하였다.

2.3 농업적 물부족 대응지수 산정

2.3.1 엔트로피 가중치(Entropy Weight Method, EWM) 산정

농업적 물부족 대응지수 산정을 위해 엔트로피 가중치 기법을 적용하여 변수의 중요도를 산정하였다. 엔트로피 가중치 산정방법은 변수 간의 상대적 정보량을 반영하여 종합지수의 객관성을 확보할 수 있고, 각 변수의 분포 특성을 바탕으로 정보량을 계산하여, 각 변수의 중요도를 산정하는 방법이다. 변수 간 정규화(normalization)를 통해 값을 0부터 1 범위로 변환 후, 변수의 분산과 정보 효용(information utility)을 활용하여 가중치를 산정한다. 엔트로피 값은 변수의 불확실성 정도를 의미하며, 값이 작을수록 특정 변수의 정보량이 크고, 가중치가 높게 부여된다. 반면, 엔트로피 값이 크다는 것은 변수의 분포가 고르게 분포하고 있어 정보로서의 차별성이 적음을 의미한다. 본 연구에서는 이와 같은 방법을 활용하여 긴급용수개발, 양수저류 실적, 장비 지원, 인력 지원, 가뭄대책비 5개 변수의 가중치를 산정하였다. 산정된 가중치는 각 변수의 표준화 된 값에 적용되어, 최종적으로 농업적 물부족 대응지수 산정에 활용된다.

Fig. 2는 엔트로피 가중치 산정 과정을 단계별로 도식화한 것으로, 각 수식의 요소는 다음과 같은 의미를 가진다. 먼저, X는 자료의 원시 값을 의미하며, 이는 정규화 과정을 통해 xij로 변환된다. 정규화된 값은 0과 1 사이의 범위를 가지며, 변수 간 단위를 통합하는 데 사용된다. 다음으로, 각 변수의 엔트로피 값 ej는 정규화된 비율 값 rij을 활용하여 계산되며, k=1lnm 정규화 상수, m은 대안의 개수를 의미한다. 이후, 변수의 정보 효용도를 나타내는 dj는 변수의 차별성과 정보 편차를 반영한다. 마지막으로 wj는 각 변수의 최종 가중치를 나타내며, 정규화된 변수 값에 적용하여 Ij를 산정하였다.

Fig. 2.

Analytical workflow of the entropy weight methodology

2.3.2 농업적 물부족 대응지수(AWDRI)

엔트로피 가중치를 바탕으로, 전국 시군구 단위의 농업적 물부족 대응지수를 산정하였다. 해당 지수는 가뭄 발생 이후 행정기관 및 지자체의 대응 실적을 반영하는 5개 정량 변수를 기반으로 구성되며, 지역별 물부족 피해 정도와 대응 수준의 상대적 비교가 가능하도록 지표를 활용하였다. 농업적 물부족 대응지수 산정은 각 변수의 정규화된 값에 엔트로피 기반 가중치를 적용하는 방식으로 이루어진다(Eq. (1)).

여기서, AWDRI는 농업적 물부족 대응지수를 의미하며, wj는 항목의 가중치, xij는 정규화된 변수 값, m은 변수의 수를 의미한다.

농업적 물부족 대응지수 산정을 위한 변수는 긴급용수개발 실적, 양수저류 실적, 장비 지원, 인력 지원, 가뭄대책비로 구성하였다. 행정적 대응과 물리적 지원을 통해 농업적 물부족 피해를 정량적으로 반영할 수 있도록 구성되었다. 긴급용수개발, 장비 지원, 인력 지원, 가뭄대책비의 경우 항목의 값이 클수록 해당 지역의 심각한 가뭄 피해 발생을 추정하였다. 또한 양수저류 실적의 경우 가뭄에 대응할 수 있는 지역 내 용수확보 능력을 의미하므로, 값이 클수록 상대적으로 피해가 적다고 판단하였다. 이에 따라 양수저류 실적은 역수 처리(inverse transformation)를 통해 방향성을 통일하여 나타냈다.

2.4 주성분 분석 및 군집분석 방법론

2.4.1 주성분 분석(PCA)

본 연구는 시군구 단위로 산정된 농업적 물부족 대응지수를 기반으로 지역 간 피해 및 대응 특성을 비교하고, 데이터 내 잠재된 패턴을 추출하기 위해 주성분 분석을 수행하였다. 주성분 분석은 다변량 통계기법 중 하나로, 관측된 변수 간의 상관관계를 이용하여 고차원의 자료를 몇 개의 주성분(Principal Components, PC)로 환원시키는 방법이다(Yoo et al., 2010). 주성분은 기존 변수들의 선형결합으로 도출되며, 이들은 데이터의 총 분산 중 최대한 많은 비율을 설명할 수 있도록 구성된다. 주성분 분석은 변수 간 정보를 줄이고, 변수의 차원을 축소하여 해석의 효율성을 높이는 데 목적이 있다(Gour et al., 2017). 또한, 데이터 구조 내의 주요 분산 방향을 파악함으로써, 분석 대상의 본질적인 속성을 요약하고, 변수 간 상관관계를 바탕으로 축을 재정의함으로써, 통계 분석의 입력자료로 활용 가능한 독립적 차원을 도출한다(Pei et al., 2019).

본 연구에서는 농업적 물부족 대응지수를 구성하는 5개 변수를 Z-score 표준화하여 단위와 범위를 통합하였다. 표준화된 변수들 사이의 상관행렬(Correlation Matrix, CM)을 구성하고, 고유값(eigenvalues)과 고유벡터(eigenvectors)를 계산하여 주성분을 도출하였다. 주성분 선택 기준으로는 일반적으로 고유값이 1 이상인 성분만 채택하는 카이저 기준(kaiser’s rule)을 통해 나타냈으며, 도출된 주성분 각각은 전체 데이터의 분산 중 일정 비율을 설명하게 된다(Kaiser, 1960).

주성분 분석을 통해 대응항목 간의 구조적 관계를 요약하고, 주성분 공간상에서 시군간 위치를 비교하기 위한 입력자료로 활용하였다. PCA를 활용하여 농업적 물부족 대응지수의 절대적인 수치 분석 및 지역 간 유사한 분포 특성을 분석하였다. 특히, AWDRI가 다양한 대응 지표를 통합한 복합 지수인 만큼, 주성분 분석은 각 변수의 기여도를 독립적으로 해석하는 데 유용하며, 단일 지표가 간과할 수 있는 변수 간 다차원적 차이를 보완적으로 설명할 수 있다.

2.4.2 군집분석

군집분석은 관측 대상들을 유상성 또는 거리 기반 기준에 따라 여러 개의 하위 그룹(cluster)로 분류하는 학습 기반 통계기법이다. 본 연구에서는 PCA를 통해 도출된 주요 주성분 값 PC1과 PC2를 기반으로 유사한 농업적 물부족 피해 및 대응 특성을 보이는 지역들을 유형화하고자 K-means 군집분석을 수행하였다(MacQueen, 1967). 이 분석은 관측치를 사전에 설정된 K개의 군집 중심 주위로 반복적으로 할당 및 재조정하며, 군집 내 제곱 오차 합(Sum of Squared Errors, SSE)을 최소화하는 방식으로 수행된다(Ketchen and Shook, 1996).

K-means 군집분석을 효과적으로 수행하기 위해서는 적절한 군집 수 (K)를 결정하는 과정이 선행되어야 하며, 엘보우 (elbow) 방법을 적용하였다. 이 방법은 군집 수를 K=2에서 K=10까지 점차 증가시키며 각 경우의 SSE 값을 계산한 뒤 SSE 감소 폭이 급격히 줄어드는 지점, 즉 그래프 상에서 팔꿈치 모양을 보이는 지점을 최적 군집 수로 판단하는 방식이다 (Liem and Wakhidah, 2025). 도출된 K개의 군집 기반으로 군집 별 중심값과 각 변수의 분포 특성을 분석하였으며, 농업적 물부족 피해 및 대응 수준이 유사한 지역들을 그룹화하였다. 특히, K-means 분석은 단순히 대응지수의 절대적인 크기만을 기준으로 군집화하는 것이 아니라, 피해 규모가 유사하더라도 대응 방식이 다른 지역들을 구분하는 데에 효과적이다(Zhu et al., 2025). 물리적 대응은 활발하나 재정 투입이 부족한 지역과 행정적 개입은 활발하나 실제 지원 실적은 낮은 지역이 서로 다른 군집으로 분류될 수 있다.

PCA와 군집분석의 연계적 활용은 농업가뭄 이후의 대응체계를 보다 체계적으로 해석할 수 있는 분석 틀을 제공하며, 지역 간 피해 대응 구조의 다차원적 차이를 효과적으로 규명할 수 있게 한다. 특히, 지역별로 상이한 대응 패턴을 시각적으로 드러냄으로써, 정책적 자원 배분 및 맞춤형 대응전략 수립에 유용한 실증 기반을 마련해 줄 수 있다(Facendola et al., 2023). 본 연구에서는 피해 이후의 대응 양상과 지역별 대응역량의 구조적 특성을 동시에 고려한 분석으로써, 지역 간 차별화된 대응전략을 제시할 수 있다.

3. 결과 및 고찰

3.1 농업적 물부족 대응지수 산정

시군구 단위의 농업적 물부족 대응 실적 자료를 바탕으로, 농업적 물부족 피해의 간접 정량화를 위해 농업적 물부족 대응지수를 산정하였다. AWDRI는 긴급용수개발, 장비 지원, 인력 지원, 가뭄대책비 지원, 양수저류 실적 5개의 항목을 기반으로 구성되었으며, 이는 행정적·물리적 대응의 실적이 피해 정도와 일정 수준의 상관관계를 갖는다는 전제하에 피해의 간접 추정치로 활용하였다. 이 지수는 대응 실적이 많을수록 대응을 잘한 지역이라는 의미보다는 오히려 피해가 심각해 더 많은 대응이 필요했던 지역으로 해석할 수 있다. 즉, AWDRI 값이 클수록 실제 물부족 피해가 크거나 피해에 따라 대응이 많이 이루어진 지역으로 판단할 수 있다.

농업적 물부족 대응지수 산정을 위해 각 항목의 상대적 중요도는 엔트로피 가중치 산정방법을 적용하여 산출하였다. 인력 지원(0.384), 장비 지원(0.241), 양수저류 실적(0.167), 가뭄대책비(0.105), 긴급용수개발(0.102)의 순서로 가중치가 부여되었으며, 그 중 양수저류 항목의 경우 대응 실적이 클수록 피해 완화 효과가 크다고 판단되어, 타 항목과 달리 역수를 적용하였다. 산출된 가중치를 바탕으로, 각 시군구 항목을 정규화한 후, 각 항목에 대응하는 가중치를 곱하여 가중합(weighted sum) 형태로 농업적 물부족 대응지수를 산정하였다.

농업적 물부족 대응지수는 167개 시군구를 대상으로 산정하였으며, 전체적인 통계적 분포 특성을 통해 지역 간 피해 대응 실적 차이를 정량적으로 파악할 수 있다(Fig. 3). 농업적 물부족 대응지수의 기본 통계량을 분석한 결과, 평균은 0.186, 중앙값은 0.175, 표준편차는 0.062로 나타났다. 이는 전체 시군구가 비교적 유사한 대응 실적 범위 내에 분포하고 있음을 시사하나, 정규분포와의 차이를 분석한 왜도(skewness)와 첨도(kurtosis) 지표는 각각 6.95와 67.76으로 정상적인 분포 특성에서 크게 벗어나 비대칭적이고 중앙에 밀집된 분포 형태를 나타내고 있다. 히스토그램을 통해 시각적으로 분석한 결과 AWDRI의 분포는 뚜렷한 우측 비대칭(right skewed) 형태를 나타내고 있으며, 이러한 형태는 대다수 시군구가 비교적 낮은 수준의 대응 실적을 가진다. 결과적으로, AWDRI는 피해 및 대응 실적이 전체적으로 고르게 분포되어 있지 않으며, 일부 지역은 극단적으로 높은 대응 실적을 기록하여 지역 간 대응 강도 편차가 큰 구조임을 시사한다.

Fig. 3.

Distribution of the Agricultural Water Deficit Response Index (AWDRI) with mean and median values

농업적 물부족 대응지수 기준 상위 10개 지역과 하위 10개 지역을 도출하여 각 지역의 항목별 실적을 시각화하여 나타내었다(Fig. 4). 진안군, 무안군, 인천광역시, 서귀포 순서로 10개 상위 지역의 경우 전반적으로 인력 지원과 장비 지원, 가뭄대책비 지원에서 높은 실적을 나타냈으며, 이는 해당 지역들이 물부족 피해가 심각했고, 다각적인 대응 수단이 집중적으로 투입된 지역으로 판단된다. 지형적으로는 간척지 기반으로 용수확보가 어려운 조건을 가진 지역이 다수 포함되어 있으며, 상대적으로 관개 기반 시설이 취약하거나, 수자원 확보가 어려운 농업 환경을 가진다. 양수저류 항목의 경우 대응지수가 낮은 하위 10개 지역은 고창군, 상주시, 예산군, 군산시 등을 포함하고 있으며, 모든 항목에서 정규화 값이 낮은 분포를 나타냈다. 단순히 대응이 부족했던 것이 아니라, 물부족 피해가 크지 않았거나, 피해 발생 가능성 자체가 낮아 대응 필요성이 낮았던 지역으로 해석된다. 이러한 지역들은 평야 중심의 논 지역이 많이 분포하고, 상대적으로 농업용수 인프라와 행정대응 체계가 안정적으로 구축된 지역이 다수 차지한다고 판단된다.

Fig. 4.

Comparative analysis of response indicators in the top and bottom decile regions by AWDRI

피해 수준에 따라 대응항목의 실적이 달라지고, 농업적 물부족 대응지수에 영향을 미치는 항목을 확인할 수 있다. 하지만, 대응항목 간에는 서로 영향을 주고받는 관계가 존재하며, 지역에 따라 비슷한 대응 구조를 가지는 경우도 많기 때문에 단순한 비교만으로는 지역 특성을 명확히 구분하기 어렵다. 따라서, 여러 대응항목 간의 관계를 동시에 고려할 수 있는 다변량 분석 방법인 주성분 분석을 통해 데이터 내 잠재된 구조를 파악하고, 지역 간 피해 대응 특성을 종합적으로 해석하고자 한다.

3.2 주성분 구조를 통한 변수 관계 해석

농업적 물부족 대응지수는 대응항목의 실적을 통합한 지표이지만, 같은 지수 값을 가지는 지역이라고 하더라도 어떤 항목이 더 크게 작용했는지 서로 다를 수 있다. 따라서, 대응지수를 구성하는 항목 간의 관계와 패턴을 보다 명확하게 파악하기 위해 주성분 분석을 수행하였다. 분석에는 긴급용수개발, 장비 지원, 인력 지원, 가뭄대책비 지원, 양수저류 실적 5개 항목을 사용하였으며, 단위 차이를 제거하고, 상호 비교 가능성을 확보하기 위해 각 항목은 Z-score 방법을 통해 표준화하였다. 표준화된 변수 간의 상관행렬을 기반으로 고유값 분해를 수행하였고, 고유값이 1 이상인 성분만 채택하는 카이저 기준을 적용하여 고유 주성분을 추출하였다.

주성분 분석 결과, 첫 번째 주성분(PC1)은 전체 데이터 분산의 33.55%, 두 번째 주성분(PC2)는 23.13%를 각각 설명하며, 두 축만으로도 전체 데이터의 약 56.7%를 설명할 수 있었다. 이는 대응지수를 구성하는 항목 간의 주요한 변동 구조를 효과적으로 축소하여 설명할 수 있다는 것을 의미한다. PC1에서는 장비지원과 인력 지원 항목이 각각 0.70. 0.69의 높은 양의 로딩 값을 나타내었으며, 해당 축은 주로 물리적 대응 자원의 투입 수준을 반영한 것으로 해석된다. 반면, PC2에서는 긴급용수개발과 가뭄대책비 지원이 0.70으로 주요한 기여 항목으로 나타났으며, 이는 행정적 및 재정적 대응 수준을 나타내는 성분으로 볼 수 있다. 양수저류 항목의 경우 두 성분 모두에서 로딩 값이 낮게 나타나면서, 해당 축에서는 상대적으로 설명력이 부족한 것으로 판단되었다. 이는 양수저류 실적이 다른 항목들과 구조적으로 독립적인 특성을 가질 수 있음을 의미한다.

Fig. 5는 각 항목이 두 개의 주성분(PC1, PC2) 공간상에서 어떻게 분포하지를 나타내었다. X축은 PC1(33.55%)이며, 장비 지원 및 인력 지원 항목이 높은 로딩 값을 가지는 물리적 대응 중심의 축이다. Y축은 PC2(23.13%)이며, 긴급용수개발과 가뭄대책비 지원이 높은 로딩 값을 가지는 행정 및 재정적 대응을 반영하는 축이다. 각 점은 각각의 항목을 나타내며, 점의 위치는 해당 항목이 주성분 상에서 어떤 방향과 크기로 기여하고 있는지를 나타낸다. 양수저류 항목은 두 주성분에서 모두 낮은 기여도를 보여, 중심에 가까운 위치를 나타내며, 다른 항목들과는 상관성이 적은 독립적인 특성을 나타낸다. 주성분 분석을 통해 농업적 물부족 대응지수를 구성하는 항목 간의 구조적 기여도를 파악한 뒤, 이러한 주성분 공간상에서 지역 간의 유사성과 차이를 분석하고, 유형화하기 위한 군집분석을 수행하였다. 이때, 각 시군은 주성분 분석 결과로 도출된 고유의 PC1과 PC2 점수를 바탕으로 2차원 주성분 공간상에 위치하게 되며, 이는 지역별 피해 대응 구조를 정량적으로 비교하고 군집화하는 데 활용되었다. 두 개의 주성분이 전체 분산의 약 56.7%를 설명하고 있어, 일부 정보가 반영되지 못할 수 있는 한계가 존재하지만, 본 연구는 변수 전체를 설명하는 것보다, 대응 특성의 구조적 차이를 요약하고, 이를 바탕으로 시군 간 특성을 비교·해석하는 것에 주된 목적이 있다. 주성분 분석을 통해 도출된 주요 축을 기반으로 수행된 군집분석은 이러한 목적에 적합하며, 지역 간 대응 양상의 유형화를 효과적으로 도출할 수 있는 결과를 제공할 수 있을 것으로 판단된다.

Fig. 5.

Contribution of each response indicator to principal components

3.3 군집 유형화를 통한 지역 특성의 구조화

3.3.1 최적의 군집 수(K) 도출

최적의 군집 수를 도출하기 위해 엘보우 방법을 활용하였다. 이 방법은 군집 수의 증가에 따라 군집 내 제곱합 오차의 감소 폭을 확인하여, 오차 감소가 급격하게 완화되는 지점을 기준으로 최적의 군집 수를 도출하는 기법이다. 본 분석에서는 주성분 분석을 통해 각 시군별로 도출된 PC1과 PC2 값을 기반으로 군집화를 수행하였으며, 해당 점수들은 피해 대응항목의 구조적 특징을 요약한 2차원 주성분 공간상의 좌표로 해석된다. 엘보우 분석 결과, K=3에서 WSS 감소 폭이 완화되는 형태가 뚜렷하게 나타났으며, 본 연구에서는 K=3을 최적의 군집 수로 도출하여 K-means 군집분석을 수행하였다(Fig. 6).

Fig. 6.

Elbow method for determining optimal number of clusters (K)

3.3.2 K-means 군집분석

최적의 군집 수를 바탕으로 군집분석을 수행하였으며, 전체 167개 시군을 3개 군집으로 유형화하였다(Fig. 7). 각 시군은 PCA 결과로 도출된 PC1과 PC2 값을 기반으로 주성분 공간상에 위치하며, 이를 바탕으로 유사한 피해 대응 구조를 보이는 지역들이 하나의 군집으로 분류하였다. 3개의 군집은 균형 대응형, 예외 사례형, 물리적 대응 중심형으로 구분하였으며, K-means 군집분석을 통해 결과를 도출하였다. 전체 167개 시군 중 152개 시군이 균형 대응형에 포함되었으며, 예외 사례형과 물리적 대응 중심형을 각각 1개와 14개 시군으로 구성되었다. 균형 대응형은 구조가 비교적 평균적인 수준으로 분포되어 있으며, 전체 지역의 대다수를 포괄하는 주요 군집으로 해석된다. 물리적 대응 중심형은 주로 대응지수가 높고, 장비지원과 인력 지원 항목에서 실적이 두드러진 시군으로 구성되었다. 반면, 예외 사례형은 단일 시군만 포함하고 있어 통계적 일반화는 어렵지만, 해당 지역은 다른 시군들과 구조적으로 뚜렷이 구분되는 특이 대응 구조를 가진 사례로 판단된다. 비록 군집 간 시군 수에 불균형이 존재하나, 대응 지수를 구성하는 항목 간 구조적 조합을 기준으로 지역을 유형화했다는 점에서, 단순한 피해 수준 비교와는 차별화된 분석 결과를 제시할 수 있었으며, 물리적 대응 중심형은 정책적 대응 방식을 분류하는데, 중요한 기준점으로 활용될 수 있고, 예외 사례형은 연구 대상으로 의미가 있다. 분석 결과에서 다수의 시군이 균형 대응형 군집에 포함되고, 일부 군집이 소수의 시군으로 구성된 불균형한 분포가 나타났지만, 이는 군집분석 과정의 왜곡이 아닌 실제 자료를 바탕으로 나타난 구조적 결과로 해석된다. 대부분 지역이 유사한 대응 실적 구조를 보인 반면, 물리적 대응이 과도하거나 특정 대응항목에 편중된 지역은 제한적이나, 해당 군집은 특정 대응 구조를 대표하는 유형으로 해석될 수 있으며, 분석적 해석뿐만 아니라 정책적 판단의 기준으로써 의미를 가진다.

Fig. 7.

K-means clustering result (K=3)

3.3.3 농업적 물부족 대응지수 및 군집분석 비교

농업적 물부족 대응지수와 군집분석 결과를 각각 지도화하여 나타내었다(Fig. 8). 지도화를 통해 시각적으로 비교한 결과, 피해 수준이 단순히 높은 지역과 구조적으로 대응이 취약한 지역은 반드시 일치하지 않는다고 판단되었다. 전라북도 진안군의 경우 대응지수가 0.818로 전국 최고 수준이며, 군집분석에서는 유일하게 예외 사례형으로 분류되었다. 이는 해당 지역이 구조적으로 다른 시군과 뚜렷하게 구분되는 대응체계의 불균형을 나타내며, 고립형 고위험 사례로 우선 관리가 필요하다. 반면, 균형 대응형으로 분류된 전라남도 무안군은 전반적으로 균형 잡힌 대응 실적을 보였음에도 불구하고, 대응지수는 0.467로 높은 등급에 해당하였다. 이는 균형 대응이라고 하더라도 기후 조건, 농업 환경, 지형적 특성 등 외적인 요인에 따라 피해가 확대될 수 있다. 물리 대응형으로 분류된 경기도 이천시, 제주 서귀포시, 전라북도 남원시 등 모두 대응지수가 보통 등급에 해당하며, 이들은 장비 지원 및 인력 중심의 물리적 투입이 뚜렷한 구조를 나타낸다. 그러나 이러한 투입이 피해 억제에 완전한 효과를 발휘하지 못했음을 나타내며, 물리적 대응만으로는 한계가 있을 수 있다.

Fig. 8.

Spatial comparison of AWDRI and cluster analysis of regional response types

Table 2와 같이 군집 별 피해등급 간 분포를 정량적으로 비교한 결과에서도 유의미한 결과를 도출하였다. 전체 152개 시군이 포함되어 있는 균형 대응형은 139개(83.2%)가 피해등급 낮음에 해당하며, 구조적 대응 안정성이 실제 피해 낮은 지역과 연결되어 있었음을 의미한다. 반면, 물리 대응형은 전체 14개 시군 중 13개가 보통 등급에 해당하였으며, 이는 장비, 인력 중심의 투입 구조가 일정 수준의 대응 효과는 있지만, 피해 완화의 한계도 가지고 있음을 나타낸다. 특히 예외 사례형은 1개 시군(진안군)으로 구성되며, 피해등급 높음에 해당하여 구조적 불균형과 피해 집중이 동시에 나타났다. 진안군은 단일 군집으로 분류되었으며, 이는 일부 대응항목에서의 과도한 실적 편차로 인해 다른 시군들과 구조적으로 뚜렷한 차이 보였기 때문으로 해석된다. 이러한 결과는 단순히 통계적 이상값으로 판단하기보다, 특정 시기의 피해 집중이나 지역별 대응전략의 차이로부터 나타났을 가능성이 있다. 이러한 군집 별 대응 등급의 차이는 AWDRI가 단순한 대응 실적의 합산 지표가 아닌, 피해 이후 행정 개입 구조를 반영하여 피해 수준을 간접적으로 추정할 수 있는 정량적 대리 지표로서 기능할 수 있음을 시사한다.

이와 같이 피해 수준이 단순히 대응의 양과 비례하지 않으며, 구성 항목 간의 구조적 조합과 지역 특성이 복합적으로 작용한다는 점에서 군집분석은 단일 지표로는 파악하기 어려운 대응전략의 구조적 약점과 패턴을 드러내는 데 유효한 분석 도구로 기능한다. 따라서, 대응지수 뿐만 아니라 대응항목 간 상호작용과 구조적 특성을 고려한 유형화는 지역 맞춤형 농업가뭄 대응정책 수립의 기초자료로 활용될 수 있다.

4. 결 론

본 연구는 농업가뭄 발생 이후 상황에서 각 시군의 행정적·물리적 대응 실적을 통합하여, 농업적 물부족에 따른 피해 수준을 정량적으로 산정하고, 지역 간 구조적 차이를 분석하였다. 긴급용수개발, 장비 지원, 인력 지원, 가뭄대책비 지원, 양수저류 실적 5가지 항목을 활용하였으며, 각 항목은 167개 시군 및 연 단위로 구축 가능한 항목으로 구성하였다. 5가지 항목은 정규화를 수행한 후 엔트로피 기반 가중치를 적용하여 농업적 물부족 대응지수를 산정하였다. 이를 통해 대응 실적의 항목 간 기여도의 상이성을 반영한 종합 대응지수를 도출하였다. 도출된 대응지수는 평균 0.18, 최대 0.82, 최소 0.11의 범위 내에 분포하였으며, 지역 간 편차가 존재하였다. 하지만 대응지수가 같거나, 유사한 시군이더라도, 대응지수를 구성하는 세부 항목의 조합은 서로 상이할 수 있으며, 이는 피해 수준만으로는 파악하기 어려운 대응 구조상의 차이를 나타낸다. 또한 주성분 분석을 통해 대응항목 사이에 포함되어있는 구조적 상관관계를 분석하였다. PCA 결과, PC1은 전체 분산의 약 33.6%, PC2는 23.1%를 설명하며, 두 주성분만으로 전체 변동의 56.7%를 포괄할 수 있는 정도를 나타냈다. PC1은 장비지원과 인력 지원 항목의 기여도가 높게 나타나 물리적 대응 성향을 반영하는 축으로 해석되었고, PC2는 긴급용수개발과 가뭄대책비 지원의 기여도가 높아 행정 및 재정적 대응 성향을 나타내는 축으로 해석되었다.

주성분 분석 결과를 바탕으로 각 시군을 2차원 공간에 위치시킨 뒤 K-means 군집분석을 수행하였다. Elbow 방법을 활용하여 최적 군집 수를 K=3으로 설정하고, 그 결과 전체 167개 시군을 균형 대응형, 물리 대응형, 예외 사례형 3가지로 유형화하였다. 균형 대응형은 대응 실적이 전반적으로 고르게 나타나는 시군들이며, 전체의 91%에 해당하는 152개 시군이 포함되었다. 물리 대응형은 인력 지원과 장비 지원 항목의 실적이 뚜렷하게 높지만, 다른 항목의 기여도는 낮은 시군으로 14개 시군이 포함되었다. 예외 사례형은 1개 시군(전북 진안군)으로 구성되었으며, 분석 공간상에도 다른 군집과 명확히 분리되는 위치에 나타났다. 대응지수와 군집 유형 간의 관계를 분석한 결과, 균형 대응형은 대부분의 시군이 대응지수 낮음에 해당하였으며, 물리 대응형은 보통 등급의 대응지수가 다수 차지하였다. 예외 사례형은 대응지수 높음 등급에 해당하여 대응 실적과 피해 수준이 동시에 특이하게 나타나는 사례로 해석되었다. 이러한 결과는 대응지수가 단순히 대응 실적의 양적 합산이 아닌, 항목 간 구조적 조합에 따라 영향을 받을 수 있음을 의미하며, 같은 대응지수를 가진 시군이더라도 대응 방식의 구조적 차이에 따라 서로 다른 유형으로 분류될 수 있다.

본 연구는 대응지수 산출이라는 정량적인 접근과 이를 구성하는 항목 간 특성을 반영한 주성분 분석과 군집분석을 통해 시군별 대응 특성을 유형화하였다. 특히, 대응지수와 구조 간의 상관관계를 지도화하여 비교함으로써, 피해 수준이 높은 지역이 반드시 구조적으로 취약한 지역과 일치하지 않다는 점을 시각적으로 확인할 수 있었다. AWDRI는 단순한 대응 실적의 합산을 넘어서, 각 항목의 상대적 중요도와 다차원적 구조를 반영한 지수로써, 기존의 강수량, 토양수분 등 기후 기반 지표나 행정 기반 정성 지표들과는 차별성을 가진다. SPI나 SPEI는 가뭄 발생의 조기 경보 및 기후 동향 모니터링에 유용하지만, 실제 피해 이후의 대응 구조적 특성을 반영하지 못한다. 또한, 회복력 평가나 정책 자원 평가 등의 기존 대응 지표들도 정성적 접근에 머무는 경우가 많았던 반면, AWDRI는 시군구 단위의 실제 대응 실적을 정량화하고 통계적으로 군집화함으로써, 실질적인 지역 맞춤형 정책 수립에 기초자료로 활용될 수 있다. AWDRI를 통해 피해 간접 추정치와 대응 양상을 통합적으로 반영하는 분석 체계를 제안함으로써, 향후 농업가뭄 대응정책 수립 시 지역별 맞춤형 전략 설계의 실증 기반을 제공할 수 있을 것으로 판단된다.