1. 서론
2. 도시계획에서 빅데이터의 활용
1) 국내 정책동향 분석
2) 국외 정책동향 분석
3) 소결
3. 연구 방법 및 분석 모형
1) 산업연관 계수 가중치 시계열 예측모형
2) 미래시점의 산업연관 모형 구축 과정
4. 분석 결과
1) 전국 분석 결과
2) 지역 분석 결과
3) 산업 분석 결과
5. 결론
1. 서론
우리나라는 산업화와 경제 고도화로 점차 사회가 복잡해지면서 국토관리의 체계도 다양하게 변화되고 있다. 더불어 변화에 대응하기 위한 계획의 수요도 점차 증가하고 복잡해지면서 다양한 개별 분야에 대해 체계적인 관리의 요구도 증가하고 있다. 그러나 현재의 국토 및 도시계획은 기존의 도시계획 이론에 입각하여 일률적인 기초조사 자료와 지표에 의존한 장기 계획과 대안을 제시하고 있어 정태적 도시계획이라는 한계를 가지고 있다.
특히, 기존의 도시‧군 기본계획에서 토지이용계획, 기반시설계획 등 부분별 계획의 지표로 활용하고 있는 계획인구의 예측은 정확도가 너무 낮은 수준이다. 수요예측의 낮은 정확도로 인한 미집행 도시계획시설, 미분양 건물들이 지속적으로 발생하여 도시관리 측면에서 많은 문제점을 야기하고 있다. 정확한 예측을 통한 도시계획 및 체계적인 관리의 실패로 해마다 각 지역에서 난개발이 난무하였고, 이로 인한 재산권, 건강권 등의 침해와 교통난, 환경문제 등의 증가로 일상 생활의 불평등이 날로 증가하고 있다. 2021년 국토부 자료에 따르면, 2008년부터 2020년까지 개별 입지 공장 증가율이 전국 4.3배, 계획관리지역 23배 등의 수준으로 증가한 것으로 나타났다(국토교통부, 2021).
5년 단위 기초 조사정보 활용체계로는 빠르게 변화하는 사회･문화를 반영하고 수요를 충족하기 어려운 실정으로 대책 수립이 필요하다. 급변하는 도시 환경의 시간적･공간적 특성을 분석하기 위해서는 빅데이터의 활용이 필요하다 할 수 있다. 수요 기반의 최적 계획･관리･운영을 위해 국토･도시계획 예측 기술의 대변화가 필요한 시점이다. 더불어 도시계획 수립과정에서 도시변화를 정확하게 예측하기 위해 최근 4차 산업혁명 기술 기반의 인공지능 기술 등을 활용한 전략들이 필요한 상황이다.
이에 국토교통부는 2023년 ｢국토의 계획 및 이용에 관한 법률｣ 개정을 통해 데이터 기반의 국토･도시계획 체계로 전환하기 위한 노력들을 보이고 있다. 빅데이터 기반의 계획수립 체계를 구축하고, 국토･도시계획 체계의 전면적인 개편과 안정적인 정착을 위해서는 관련 기술개발 필요하다. 관련 기술개발을 위해서는 연구개발 투자가 필요하며 연구개발 투자의 정당성을 확보하기 위해서는 기술 투자의 경제성 확보 여부를 판단할 필요가 있다. 본 논문에서는 이를 위해 빅데이터 기반의 국토･도시계획 수립 절차를 위한 공간계획 기술 개발과 도입이 산업과 경제에 미치는 파급효과를 시공간적 측면에서 분석하고자 한다.
2. 도시계획에서 빅데이터의 활용
1) 국내 정책동향 분석
최근 중앙정부 차원에서 공공 빅데이터를 구축하고 이를 활용할 수 있는 플랫폼을 운영하고 있고 민간부문에서도 국민들의 일상 활동과 관련된 실용적인 항목의 빅데이터를 제공하고 있다.
그 예로, 국토교통부는 공간, 행정, 민간, 비정형 데이터 등 각종 데이터를 가공하고 분석하여 다양한 형태로 결과를 확인할 수 있는 빅데이터 및 공간정보 기반 ｢공간빅데이터 분석플랫폼｣을 운영하고 있다. 해당 플랫폼에서는 데이터 저장 및 처리, 공간분석, 분석결과 시각화 등 다양한 서비스를 제공하고 있다. 전주시의 교통카드를 활용한 대중교통 현황 분석, 부산광역시 역세권 토지이용 구상을 위한 빅데이터 활용, 빅데이터를 활용한 소방청의 화재 대응 취약지역 분석 등 빅데이터는 이미 다양한 과제에 활용되고 있다(국토교통부, 2018).
행정안전부는 2020년 ｢데이터기반행정 활성화에 관한 법률｣제정 및 시행으로 데이터 기반의 과학적인 행정으로 공공기관의 책임성, 대응성, 신뢰성을 높이고자 하였으며, 동법 제18조에 데이터 관리체계를 구축하고 데이터 기반 행정을 종합적으로 지원하기 위한 ｢데이터통합관리 플랫폼｣을 구축하고 운영하도록 명시하였다. 이를 기반으로 다부처 합동으로 민･관 협력기반 데이터 플랫폼 발전을 위한 정책전략이 제시되면서 관련 연구가 수행되고 있다. 그러나 데이터 축적 및 공유, 플랫폼 구축에 중점을 두고 있어, 각 분야에 맞는 데이터 활용과 분석체계는 미흡한 현실이다.
다만, 매년 정기적으로 생산되는 통계자료를 수집‧분석하여 그 결과(기초조사)를 바탕으로 국토‧도시계획을 수립하는 현행 방식을 탈피하여 빅데이터를 활용한 수요자 중심의 유연한 국토‧도시계획을 수립하기 위해서는 국토‧도시계획 수립에 필요한 빅데이터 항목을 규정하고 사용 빈도가 높은 항목에 대해서는 빅데이터 플랫폼을 통해 공공이 직접 가공하여 제공하여 사용이 쉽게 시스템을 구축할 필요가 있다.
한편, 카드사, 통신사, 신용사 등의 일상생활 중에 발생하는 거래데이터, 신호데이터 등을 이용하여 다양한 유형의 민간부문 빅데이터가 생산되고 있다. 민간부문이 구축한 빅데이터의 최신 성과들의 구체성으로 인해 이를 사용하여 국토‧도시계획을 수립하려는 수요가 계속해서 늘고 있으나, 자료 구입비용 및 데이터 처리 방법 등과 관련하여 사용에 제약이 발생하고 있어 민간이 구축한 빅데이터를 보다 적극적으로 활용하여 국토‧도시계획을 수립하기 위해서는 공공과 민간의 전략적 협력도 필요한 실정이다(장윤종･김석관, 2019).
2) 국외 정책동향 분석
미국, 영국, 일본 등의 선진국에서는 일찌감치 공간 빅데이터의 중요성을 인식하고 중앙정부 차원의 빅데이터 구축 및 활용방안을 모색해 오고 있다. 미국의 경우 연방정부 차원에서 과학기술정책실(Office of Science and Technology Policy: OSTP)이 주도하고 다양한 부처가 참여하는 ‘빅데이터 연구개발 이니셔티브(Big Data R&D Initiative)’를 발표하고 ‘빅데이터 고위운영그룹(Big Data Senior Steering Group: BDSSG)’을 구성하여 빅데이터 핵심 기술 확보, 사회 각 영역에 활용, 인력 양성을 중점적으로 추진하고 있다(윤미영, 2013). 최근 연방정부는 수집된 행정데이터의 일상 업무보고 및 법규준수 파악 목적에서 더 나아가 데이터 기반지침에 따라 검증된 의사결정을 위해 행정 빅데이터를 효과적으로 이용하는 방안을 연구하고 있다. 주정부 차원에서도 정부기관 내 데이터를 통합하고 공유하여 주민 서비스를 개선하고 예산의 효율적 배분과 같은 정책업무 지원에 활용하고 있는 실정이다(윤건, 2019).
영국은 빅데이터 활용의 기반이 되는 공공부문 데이터의 공유 및 활용을 활성화하고 정책을 투명성 있게 추진하기 위해 내각부(Cabinet Office)가 정부의 데이터 공개를 장려하고 있으며, 공공데이터그룹(Public Data Group)과 데이터전략위원회(Data Strategy Board)가 빅데이터의 수요와 공급을 담당하고 있다(임은선 등, 2017). ESRC(Economic and Social Research Council)는 공공 데이터의 정책 활용을 위해 데이터 관리를 주도하고, 공인된 연구자에게 공공 데이터 연계 및 공유를 통해 관련 연구의 수행을 지원하고 있다(윤건, 2019).
일본은 빅데이터를 활용하여 각 지자체가 객관적인 데이터를 기반으로 해당 지역의 현황과 과제를 파악하고, 특성에 맞는 지역과제를 도출하기 위해 ‘지역경제분석시스템(Regional Economy Society Analyzing system: RESAS)’을 구축하여 운영하고 있다(장윤종･김석관, 2019). 또한 노후된 기반시설의 유지･관리와 관련된 정보를 효율적으로 운영 및 통합하기 위한 ‘사회자본정보 플랫폼’을 구축･운영하고 있다(国土交通省. 2014; 김익회 등, 2019).
3) 소결
전 세계적으로 중앙정부 차원의 공공 빅데이터 플랫폼 구축 활발한 상황이다. 공공･민간 차원에서도 공공 빅데이터 플랫폼 구축 및 운영이 활발하고 관련 R&D 투자도 확대되고 있는 실정이다. 특히, 일본의 경우 전국 인프라 유지･관리에 빅데이터를 활용한 플랫폼을 구축하고 있고 지방정부에서는 수요자 중심의 도시행정활용이 증가하고 있다.
빅데이터의 국토･도시계획분야 활용을 위해서는 다양한 노력들이 필요하며, 국토･도시계획 활용을 위한 빅데이터의 구축 및 가공이 절실하다. 더불어 전문 인력 양성, 관련 교육 마련, 법제도 기반 마련 등 기술개발 외에 사회･경제･법적 제도 기반을 위한 정책이 함께 추진되어야 한다. 추가적으로 국토･도시계획분야 빅데이터 표준 포맷, 데이터에 대한 접근성, 데이터 신뢰도와 보안 등 다양한 데이터 이슈에 관한 문제 해결도 필요하다. 이와 같은 문제해결을 위해 빅데이터 기반 공간계획 기술 개발이 필요하고 관련 연구개발 투입의 타당성 확보를 위해 경제적 효과를 검토할 필요가 있다.
3. 연구 방법 및 분석 모형
전통적인 산업연관분석은 고정계수를 바탕으로 수요 혹은 공급 측면 중에서 분석 대상에 따라 한 가지 특성에 맞춰서 경제적 파급효과를 분석한다. 고정된 계수를 활용하는 전통적인 산업연관분석에서는 미래의 산업적 변화에 대한 새로운 효과를 분석하는 것에 한계점을 가지고 있다.
연구개발 투자의 경제적 파급효과를 분석한 최근의 연구(김상우‧최세중, 2020; 엄익천‧황인영, 2020; 이윤숙 등, 2014)를 살펴보면, 과거의 산업연관모형을 적용하거나 당해 연도 투자의 파급효과를 분석하는 수준이 대부분이었다. 하지만 본 연구에서는 산업연관 계수를 최신으로 갱신하였으며, 공간계획 기술 투자의 파급효과를 당해 연도뿐만 아니라 총 5년 동안 지속되는 상황으로 분석하여 분석 결과의 현실성과 타당성을 높였다.
공간계획에 활용하기 위한 토지이용 변화의 예측은 인구변화를 반영하는 것과 함께 비주거지역에 대한 이해가 선행되어야 한다. 따라서 경제구조의 변화에 의한 고용구조의 변화와 같은 사회･경제적 요인의 추이 예측이 필수적이다. 최근 사회･경제구조의 변화를 예측하는 방법론으로 탄력적 산업연관(Flexible input-output: Flex-IO) 방법론이 활용되고 있다. 탄력적 산업연관 방법론은 산업구조 변화를 분석할 수 있는 미래시점의 산업연관 모형을 업데이트하는 방법론으로 전통적인 산업연관 분석에 내재하는 고정계수 문제점을 상당 부분 극복했다고 평가를 받고 있다(뮤레파코리아, 2022; Park and Park, 2020; Tan et al., 2022).
기존의 산업연관 분석이 가진 고정계수의 한계를 개선하기 위해 베이지안 기반의 유사 동태모형인 탄력적 산업연관(Flex-IO) 모형이 Park (2007)에 의해 처음으로 이론적으로 제시되었으며, 여러 재난 상황과 기후변화 관련 경제성 평가에 실증되고 있다(뮤레파코리아 2021; 뮤레파코리아, 2022; Gordon et al., 2009, Park and Richardson, 2015; Park et al., 2017).
전통적인 산업연관 분석은 고정계수를 바탕으로 수요 혹은 공급 측면 중에서 분석 대상에 따라 한 가지 특성에 맞춰서 경제적 파급효과를 분석하였다면, 탄력적 산업연관 방법론은 두 특성을 동시에 활용하여 산업연관 계수의 고정성을 동태적으로 변하게 만들어 준다. 탄력적 산업연관 방법론을 통해 기준 시점의 산업연관 계수를 목표 시점으로 갱신하는 과정은 다음의 [그림 1]과 같다. 목표 시점의 산업연관 계수를 도출하기 위해서는 목표 시점에서의 수요와 공급 측면 투입자료가 필요하며, 이를 위해서 산업연관 계수를 가중치로 적용한 새로운 시계열 예측모형을 다음과 같이 구축했다.
1) 산업연관 계수 가중치 시계열 예측모형
수요 및 공급 측면 투입자료의 예측모형을 구축하기 위해서 16개 시도, 30개 산업으로 구성된 지역내총생산 자료와 1992년부터 2016년까지의 민간최종지출자료를 수집하였다. 기존의 공간자기회귀(Spatial Autoregression) 방법을 응용한 새로운 시계열 방법론을 적용하여 지역별, 산업별로 세분화된 지역내총생산과 민간최종지출 자료의 예측모형을 구축하고 목표 시점까지의 예측자료를 도출했다.
종속변수(GRDP)의 지역별, 산업별 연관성을 가중치 행렬(weighting matrix)로 반영하여 자기회귀 모형(Autoregression model)을 구축하여 시계열 예측모형을 완성한다. 이는 기존의 공간자기회귀 방법론이 시계열 자료를 활용한 미래 예측모형 구축이 불가능한 점을 극복한 새로운 시계열 예측 방법론이라 할 수 있다. 산업연관모형의 투입산출 계수를 가중치 행렬(weighting matrix)로 활용하여 전기의 종속변수에 적용하여 모형을 구성했다. 산업연관표를 활용한 새로운 시계열 예측모형을 “산업연관 가중치 시계열 예측모형(IO-weighted time series forecasting model)”이라고 명명하고 다음과 같이 표현한다.
여기서, y는 종속변수(지역내총생산, 민간최종지출), x는 독립변수, ln은 자연로그 변환, r은 16개 시도, n은 30개 산업 구분, t는 시점(1992년~2016년), W는 산업연관 계수로 이루어진 가중치 행렬(weighting matrix)
지역내총생산과 민간최종지출 예측모형에 적용된 종속변수와 독립변수를 정리하면 다음 [표 1]과 같이 나타낼 수 있으며, 통계청에서 해당 자료를 수집해서 모형에 맞게 가공했다.
표 1.
예측모형 적용변수 목록
| 공급측면 | 수요측면 | 단위 | |
| 종속변수 | 지역내총생산 | 민간최종지출 | 십억 원 |
| 공통 독립변수 | 경기선행지수 | - | |
| 경기동행지수 | - | ||
| 경기후행지수 | - | ||
| 단기 금리 | % | ||
| 주가지수 | - | ||
| 지역별 인구수 | 천 명 | ||
| 지역별 실업률 | % | ||
| 설비투자지수 | - | ||
| 경상수지 | 백만 달러 | ||
| 개별 독립변수 | 생산자 물가지수 | 소비자 물가지수 | - |
| 소비동향지수 | - | ||
| 소비심리지수 | - | ||
| 지역별 가처분소득 | 십억 원 | ||
연구대상 지역은 전국 16개 시도를 선정했으며, 산업 구성은 분류상 대분류에 해당하는 30개 산업을 대상으로 한다. 민간지출의 경우, 산업 구분과 연결되지 않는 산업을 제외하고 20개 산업을 대상으로 하였다. 경기 동향을 나타내는 독립변수들을 활용하여 지역내총생산과 민간최종지출의 연간 변화를 가장 잘 설명할 수 있는 모형을 선정하였다. 최적의 모형을 찾아내기 위해 반복적으로 변수를 하나씩 바꾸어 가며 비교 선택을 하였으며, 인구변화의 효과를 반영하기 위해 인구수 변수를 다른 독립변수와 동시에 적용하여 비교했다.
공급 측면은 16개 시도별 30개 산업(총 480개 산업)에 대해 최적의 모형을 구성하였다([표 2] 참조). 수요 측면의 경우 16개 시도별 20개 산업(총 320개 산업)에 대해 최적의 모형을 구성하였다. 지금까지 설명한 산업연관 가중치 시계열 예측모형의 구성과정을 [그림 2]에 표시했다.
표 2.
수요/공급 측면의 적용 산업분류
해당 모형을 활용하여 2021년과 2022년 한국 경제성장률 전망치를 추정한 결과는 [표 3]과 [그림 3]에 나타나 있다.
[그림 3]에서 2019년부터 2021년까지의 회색 그래프는 기획재정부에서 발표한 한국의 경제성장률이고 2022년 그래프는 기획재정부의 전망치를 나타내는 것이며, 점으로 표시한 그래프는 본 모형의 추정 결과를 시나리오별로 나타내어 기획재정부의 결과와 비교할 수 있도록 했다.
[표 3]에서 확인할 수 있듯이 2021년과 2022년 전국의 전체 국내총생산(GDP) 전망치는 각각 3.63%~3.90%와 2.74%~ 3.42%의 구간으로 전망되었으며, 이는 [그림 3]의 기획재정부가 발표한 2021년 경제성장률 결과와 비교해보면 낙관시나리오가 0.1% 차이가 남을 알 수 있다. 다만 기획재정부의 결과는 연말 최종 수정치이나 본 연구 결과는 2021년 상반기에 도출한 것이다(뮤레파코리아, 2021). 2022년의 경우, 기준 시나리오 결과와 기획재정부의 전망치가 유사하나 2022년 6월 현재 러시아의 우크라이나 침공에 따른 또 다른 경제위기 요소로 인해 비관시나리오의 결과로 귀결될 가능성이 높아 보인다.
2) 미래시점의 산업연관 모형 구축 과정
먼저 미래시점 산업연관모형 도출에 필요한 투입자료의 예측 결과를 산업연관 계수 가중치 시계열 예측모형을 활용하여 도출했다. 수요(민간지출)와 공급(지역내총생산) 측면의 예측 자료를 탄력적 산업연관 방법론에 적용하여 목표 시점의 지역산업연관 모형을 다음과 같이 도출했다. 기준(시점 t) 시점의 수요와 공급 측면 예측자료로 기준(t 시점) 시점 지역산업연관표를 도출하고 기준(t 시점) 시점 지역산업연관 계수를 다시 시계열 예측모형에 가중치로 적용하여 다음(t+1 시점) 시점의 예측자료를 도출한다. 이와 같은 순환과정을 거쳐 목표 시점의 지역산업연관표를 도출했다. 목표 시점의 지역산업연관표를 도출하는 과정을 그림으로 나타내면 [그림 4]와 같다.
그림에서 볼 수 있듯이 독립변수를 바꾸어 가며 지역내총생산과 민간지출의 연간 변화를 가장 잘 설명할 수 있는 산업별 최적모형을 찾아 예측 자료를 추정하는 과정을 거쳤다. 30개 산업으로 구성된 산업구조에서 본 사업과 연관된 산업을 선정하여 [표 4]에 나타난 연간 연구비를 해당 산업의 GDP 비율로 배분해서 파급효과 분석의 투입자료로 적용했다.
4. 분석 결과
1) 전국 분석 결과
[표 4]에 나타난 각 년도 연간 연구비 투입자료를 탄력적 산업연관 방법론을 적용하여 도출한 해당 년도 산업연관표를 활용하여 파급효과를 분석하였다. 각 년도에 투입되는 연구비의 파급효과는 5년 동안 지속되는 것을 가정하고 분석을 하였다.
즉, 2022년 투입 연구비의 파급효과는 2026년까지 지속되고 2023년 연구비의 파급효과는 2027년까지 지속하며, 최종적으로 2026년 연구비의 파급효과는 2030년까지 지속되는 것으로 설정하였다.
5개년 총 효과를 합계한 결과와 고용효과를 다음 [그림 5]에 요약하여 표현하였다. 전국의 전산업에 대한 경제적 파급효과 중 총생산유발의 합계는 약 740억 원(승수효과는 2.22)이며 총 고용유발효과는 약 1,220명으로 분석되었다.
파급효과 산업별 결과를 살펴보면, 부동산 및 임대업, 공공행정 및 국방, 도매 및 소매업, 전기 및 전자기기 제조업, 교육 서비스업의 순으로 높은 것으로 나타났고, 고용계수에 큰 영향을 받는 고용효과는 문화 및 기타 서비스업, 공공행정 및 국방, 도매 및 소매업의 순으로 높게 나타나는 것으로 분석되었다. 이러한 전국 총생산유발효과의 결과를 16개 시도별로 나타낸 연도별 결과 요약은 [그림 6]에 제시되어 있으며 4가지 카테고리를 통해 지역별 파급효과의 상대적 차이에 대한 비교를 보여주고 있다. 지역별 결과를 비교하면 서울, 경기, 충남, 부산, 경북의 순으로 파급효과가 높은 것으로 나타났다.
2) 지역 분석 결과
전국 결과를 바탕으로 나타난 상위 5개 지역(서울, 경기, 충남, 부산, 경북)의 30개 산업별 파급효과를 연도별로 분석하면 부록 1과 같다.
고용효과가 가장 높게 나타난 서울특별시의 결과를 살펴보면 2026년을 제외한 모든 연도에서 도매 및 소매업(산업 코드 19)이 가장 높은 파급효과를 보인다. 그 뒤로 부동산 및 임대업(산업 코드 24), 정보통신 및 방송업(산업 코드 22)이 높은 파급효과를 보이는 것으로 분석되었다. 서울특별시에서 가장 높은 파급효과를 보이는 연도는 2025년으로 나타났다.
경기도의 경우 2022년 첫 연구비 투입에 가장 높은 파급효과를 보이는 산업은 전문 과학 및 기술 서비스업(산업 코드 25)이지만 이후 전기 및 전자기기(산업 코드 12) 산업이 높은 파급효과를 보이는 것으로 나타났다. 그 뒤로 부동산 및 임대업(산업 코드 24), 도매 및 소매업(산업 코드 19)이 높은 파급효과를 보이는 것으로 분석되었다. 경기도에서 가장 높은 파급효과를 보여주는 연도는 2024년으로 나타났다.
충청남도의 연도별 산업별 파급효과는 전기 및 전자기기 제조업(산업 코드 12), 공공행정 및 국방(산업 코드 27), 건설업(산업 코드 18) 순으로 나타났다. 충청남도에서 가장 높은 파급효과를 보여주는 연도는 2024년으로 분석되었다.
부산광역시는 도매 및 소매업(산업 코드 19), 공공행정 및 국방(산업 코드 27), 운수업(산업 코드 20)의 순서로 나타났고 2025년이 가장 높은 파급효과를 보여주었다.
경상북도의 경우에는 전기 및 전자기기 제조업(산업 코드 12), 공공행정 및 국방(산업 코드 27), 건설업(산업 코드 18) 순으로 나타났으며 가장 높은 파급효과를 보여주는 연도는 2024년으로 분석되었다.
3) 산업 분석 결과
전국 결과를 바탕으로 분석된 상위 5개 산업(부동산 및 임대업, 공공행정 및 국방, 도매 및 소매업, 전기 및 전자기기 제조업, 교육 서비스업)의 지역별 파급효과의 연도별 분석 결과는 [표 5], [표 6], [표 7], [표 8], [표 9]와 같다.
표 5.
부동산 및 임대업 파급효과 결과(단위: 백만 원)
표 6.
공공행정 및 국방 파급효과 결과(단위: 백만 원)
표 7.
도매 및 소매업 파급효과 결과(단위: 백만 원)
표 8.
전기 및 전자기기 제조업 파급효과 결과(단위: 백만 원)
표 9.
교육 서비스업 파급효과 결과(단위: 백만 원)
전 산업에서 가장 높은 파급효과를 보인 부동산 및 임대업(산업 코드 24)은 서울(약 2,576 백만 원) 지역에서 가장 높은 파급효과를 보였고 경기도(약 1,910 백만 원), 부산(약 484 백만 원) 순으로 높은 효과를 보여주는 것으로 분석되었고 가장 높은 파급효과를 나타내는 연도는 2025년, 2,144 백만 원으로 분석되었다.
공공행정 및 국방(산업 코드 27) 산업은 경기도(약 1,247 백만 원) 지역에서 가장 높은 파급효과를 나타냈고 서울(약 1,162 백만 원), 강원도(약 639 백만 원) 순으로 높은 효과를 보여주는 것으로 분석되었고 가장 높은 파급효과를 보여주는 연도는 2025년, 약 2,055 백만 원으로 나타났다.
도매 및 소매업(산업 코드 19) 산업은 서울(약 3,125 백만 원) 지역에서 가장 높은 파급효과를 나타내었고 경기도(약 1,507 백만 원), 부산광역시(약 494 백만 원) 순으로 높은 효과를 나타내었다. 가장 높은 파급효과를 보여주는 연도는 2025년, 약 1978 백만 원으로 나타났다.
전기 및 전자기기 제조업(산업 코드 12)에서는 경기도(약 2,991 백만 원) 지역이 가장 높은 생산유발효과를 나타내는 것으로 분석되었다. 그 뒤로 충청남도(약 1,257 백만 원), 경상북도(약 852 백만 원)에서 순서대로 높은 파급효과를 보여주었고 2024년에 약 1,753 백만 원으로 가장 높은 파급효과가 나타났다.
교육 서비스업(산업 코드 28) 산업에서는 경기도(약 1,042 백만 원) 지역에서 가장 높은 파급효과를 보여주는 것으로 분석되었고, 서울(약 983 백만 원), 부산(약 307 백만 원) 순으로 효과가 높게 나타나는 것으로 분석되었다. 파급효과가 가장 높게 나타나는 연도는 2025년에 약 1,327 백만 원으로 분석되었다.
5. 결론
본 논문은 산업연관 계수 가중치 시계열 예측모형을 이용하여 빅데이터 기반의 도시계획 수립 절차를 위한 공간계획 기술개발과 도입이 경제에 미치는 파급효과를 시공간적 측면에서 분석하여 기술 도입의 경제적 타당성을 분석하였다. 분석된 결과를 요약하고 정책적 시사점을 도출하면 다음과 같다.
첫째, 연구 모형으로 사용된 산업연관 계수 가중치 시계열 예측모형은 고정 계수를 활용하여 미래의 산업 변화에 대한 파급효과를 분석하지 못하는 기존 산업연관모형의 한계점을 보완한 모형으로, 미래의 GRDP와 민간지출의 연간 변화를 산업별로 최적화할 수 있도록 모형을 구축하였다.
둘째, 기초 자료로 사용된 ‘기술개발을 위한 연구비’ 투입의 파급효과는 5년 동안 지속되는 상황을 가정하고 분석을 진행하였다. 연도별 연구비 투입은 [표 4]와 같이 2024년에 가장 많이 투입되었지만, 지역과 산업에서 생산유발효과가 가장 높게 나타나는 연도는 2025년으로 분석된다. 연구개발을 위한 투자가 2025년에는 2024년 대비 약 76% 수준인 상황에서 2025년의 생산유발효과가 2024년과 비슷하거나 더 높은 모습을 보이며, 투입 연구비가 가장 많은 2024년 대비 약 48% 수준의 연구비가 투입된 2026년의 경우에도 일부 산업 및 지역에서 2024년을 웃도는 생산유발효과를 보이는 것은 단기적이고 일시적인 연구비 투입보다 장기적인 관점에서 지속적인 투입이 이루어지는 것이 전체 파급효과에 있어서 긍정적 영향을 극대화하는 방향이라고 풀이된다.
셋째, 2022년부터 2026년까지 총 연구비 334억원 투입에 따른 전국 생산유발효과를 분석하였다. 간접효과로 생산유발효과 약 406억 원, 부가가치 유발효과 약 392억 원, 고용유발효과 약 677명으로 나타났으며, 직접 효과와 간접효과를 합친 총 생산유발효과는 약 740억 원, 총 부가가치 유발효과는 약 719억 원, 총 고용유발효과는 약 1,223명으로, 5년 간 투입 예산 대비 승수효과는 2.22로 분석되었다. 연구비의 투입으로 연구개발에 대한 고용이 증가하고 수요를 상승시키는 요인으로 작용하여 새로운 수요를 창출하며, 연구 분야에 대한 투자는 새로운 투자로 이어지는 선순환적인 구조를 보이므로 지속적인 투입을 통하여 총 수요에 미치는 승수효과가 더욱 커지는 방안을 고려하는 것이 바람직하다고 판단된다.
넷째, 중앙정부 차원의 공공 빅데이터 플랫폼 구축 및 운영 관련 연구 투자에 대하여 경제적 효과를 분석하였다. 이와 같은 결과는 지속적인 연구 분야에 대한 투자로 확보할 수 있는 경제적 파급효과를 확인하고, 목표 시점을 바탕으로 분야별 재원투입의 효율적인 계획 수립에 기초 자료로 활용 가능하며, 관련 전문 인력 양성, 교육 분야의 투자, 법제도 기반 마련의 자료로도 이용가능하다. 또한, 빅데이터 플랫폼을 국토 및 도시계획 분야와 도시 행정 분야에 활용하기 위하여 필요한 다양한 정책적 전략 수립의 근거로 활용할 수 있다.
본 연구의 한계는 산업연관표의 지역 구분에서 세종특별자치시를 포함하지 못 한 점이다. 세종특별자치시는 우리나라 행정수도로 지리적･행정적으로 주요한 역할을 하는 도시이지만 시간과 비용의 한계로 충분한 데이터 수집이 어려웠다. 향후 세종특별자치시를 포함하는 전국 산업연관표를 적용하면 더욱 현실과 부합하는 결과를 얻을 수 있을 것으로 기대된다. 또한 산업의 분류를 더욱 세분화하여 현재의 대분류 산업분류를 기준으로 중분류, 소분류로 나누어지는 모형을 구축한다면 각 세분화된 산업의 개별 전망치를 바탕으로 세밀한 정책적 전략 및 투입 계획을 수립할 수 있을 것이다. 그리고 보다 세밀한 시나리오 구성과 이를 지원하는 시스템이 필요하다. 정책은 하나의 시나리오로 구성될 수 없기에 주어진 예산 하에 다양한 예산 시나리오를 구성하여 이를 시뮬레이션 처리한 후 결과값을 평균과 분산으로 제공하는 등, 보다 다양한 형태의 정량적 결과가 하나의 플랫폼에서 제공할 수 있도록 모델링 결과를 처리할 필요가 있다. 이를 지원하기 위해서는 머신러닝 기법 등을 결합하여 데이터 처리 및 결과처리를 실행하는 시나리오 실행 공간계획 의사결정 플랫폼이 요구된다.
따라서 본 연구를 토대로 시나리오 실행을 위한 빅데이터 기반 도시계획 수립을 지원하는 공공정책 플랫폼을 구성할 필요가 있다. 본 연구의 목적이 빅데이터 기반의 국토･도시계획 수립 절차를 위한 공간계획 기술개발과 도입이 경제에 미치는 파급효과를 시공간적 측면에서 분석하여 공간계획 기술도입의 경제적 타당성을 확보하기 위한 연구이긴 하나, 본 연구의 결과는 향후 빅데이터 공공 플랫폼이 구축되어야 다양하고 폭넓은 정보 생산을 지원할 수 있음을 시사하고 있다. 이러한 플랫폼 구축을 통해 미래 공간계획 집행에 요구되는 활발한 정보 교류와 수요자 중심의 지방정부 데이터의 유지･관리･활용이 이루어질 수 있으며, 보다 정교해진 데이터 처리 과정을 통해 예측 가능하고 정확한 가치평가 및 파급효과에 관한 결과를 기대할 수 있다. 이는 정부정책의 신뢰성을 담보하는 과정이 되는 것이다. 앞으로 본 연구를 바탕으로 다양한 후속 연구가 이루어지기를 기대한다.
부 록
