서울 지역사회의 재가 및 의료 노인복지시설의 공간적 분포 및 결정 변인의 공간분석: GWR과 MGWR의 비교

Spatial Variations and Contextual Determinants of Elderly Care Facilities for Home-based Services and Medical Services in Seoul

Article information

J Health Info Stat. 2026;51(1):40-53

Publication date (electronic) : 2026 February 28

doi : https://doi.org/10.21032/jhis.2026.51.1.40

Juna Yang ¹

, Hyunjeong Lee^,²

¹Graduate Student, Department of Housing & Interior Design (with Age Tech-Service Convergence), Kyung Hee University, Seoul, Korea

²Professor, Department of Housing & Interior Design (with Age Tech-Service Convergence), Kyung Hee University, Seoul, Korea

양주나¹

, 이현정^,²

¹경희대학교 주거환경학과 고령서비스-테크 융합전공 석사과정생

²경희대학교 주거환경학과 고령서비스-테크 융합전공 교수

Corresponding author: Hyunjeong Lee. 26 Kyungheedae-ro, Dongdaemun-gu, Seoul 02447, Korea Tel: +82-2-961-9192, E-mail: ecohousing@khu.ac.kr

* This research was supported by the National Research Foundation of Korea (NRF) funded by the Korea Ministry of Science and ICT (MSIT) (Grant No. RS-2023-NR076755), and also supported by the BK21 plus “AgeTech-Service Convergence” program through the National Research Foundation (NRF) funded by the Korea Ministry of Education (5120200313836).

No potential conflict of interest relevant to this article was reported.

Received 2025 August 29; Accepted 2026 January 19.

Trans Abstract

Objectives

As South Korea formally transitioned into a super-aged society at the close of 2024, with approximately one-fifth of its elderly population residing in Seoul, the agenda of both healthy aging and aging-in-place (AIP) at the local level has become a crucial policy priority. This challenge is particularly significant given the uneven distribution of public resources across communities within Seoul. Addressing this spatial inequality, the present study investigates the spatial patterns and determinants of elderly care facilities, specifically those providing in-home supportive and medical services, across 426 administrative districts in Seoul.

Methods

This empirical research utilizes secondary spatial datasets, employing multiple regression methodologies: a global non-spatial regression model (ordinary least squares, OLS), a regional spatial regression model (geographically weighted regression, GWR), and a local spatial regression model (multiscale geographically weighted regression, MGWR), which were comparatively assessed to enhance methodological robustness.

Results

Results from these spatial regression models consistently indicated that the densities of both types of elderly care facilities are significantly and positively associated with two primary predictors—high-density, low-rise housing configurations and population density. Importantly, the spatial analyses demonstrated that the MGWR model provided the most accurate and reliable insights by effectively capturing local variations across multiple spatial scales.

Conclusions

These findings underscore the importance of context-sensitive policy interventions. Consequently, jurisdictions are encouraged to adopt spatially targeted strategies to adequately allocate social services and community resources, supporting elderly populations in successfully aging-in-place within the evolving demographic landscape of a super-aged era.

Keywords: Elderly care facilities for home-based supportive services; Elderly care facilities for medical services; Aging in place (AIP); Spatial analysis; Multiscale geographically weighted regression (MGWR)

서 론

21세기 들어 초고속으로 진행된 인구 고령화는 2020년부터 세계 최저출산국 지위를 획득한 이후 더욱 가속화되었고 2024년 7월 10일 노인인구 1천만 명 돌파에 이어 동년 12월 23일 공식적으로 초고령 국가에 진입하였다[1,2]. 초고령 사회를 대비하고자 2007년 「노인장기요양보험법」 제정, 2008년 노인장기요양보험제도 시행, 2018년 지역사회 통합돌봄(커뮤니티케어) 정책 도입, 2024년 「의료·요양 등 지역 돌봄의 통합지원에 관한 법률」(약칭: 돌봄통합지원법) 제정, 동년 시니어 레지던스 도입, 유니트케어 시범사업 시행 등으로 노인의 건강 노화와 친숙한 지역사회 내 자립적인 재가생활을 유지하도록(aging in place, AIP) 포괄적인 접근에서 주거, 건강·의료, 요양·돌봄 서비스를 아우르는 공공 인프라를 구축하여 지원책을 마련해 오고 있다(Figure 1) [3-8].

Figure 1.

The Seoul model of community integrated care model modified from Seoul Metropolitan Government [8].

한편 초고령 시대는 급격한 인구구조 변형과 함께 노인인구의 구조도 크게 변모시키고 있다. 베이비부머(baby boomer)가 노인 코호트에 합류하기 시작하면서 사회경제적 수준(교육수준, 소득, 자산 등)의 향상과 함께 1인 가구, 초고령 노인, 만성질환 보유 노인의 증가세로 돌봄의 사회적 의존도가 높아지고 있는 실정이다[9,10]. 최근 발표된 2023년 노인실태조사에 의하면, 노인 중 절반 이상(55.2%)이 부부가구로 주류를 형성하는 가운데 1인 가구는 지속적으로 증가하여 1/3 (32.8%)에 달하였고 노인 1인 가구의 생활 건강은 부부가구보다 더 열악하였다[11]. 동 조사에서 노인의 만성질환 수는 평균 2.2개이었으며 3개 이상의 만성질환 보유 노인이 1/3 이상(35.9%)을 차지하였고, 노인의 약 1/5 (18.6%)이 신체적 기능의 제한을 경험하고 있었다[9,11]. 또한 노인의 절반가량(47.2%)이 돌봄 서비스를 이용 중이었고, 돌봄제공자로 장기요양보험서비스라고 응답한 비율이 1/3 (30.7%)에 육박하였으며, 일상생활에서 도움을 받을 사람이 없는 노인은 연령대가 높아질수록 증가하였다(65-69세 4.6%→85세 이상 12.9%). 같은 조사에서 노인의 절반(48.9%)은 건강이 악화되어 일상생활 영위가 어려워도 현재 집에서 계속 거주하길 희망하였고, 노인요양시설에 입소하려는 비율은 1/4 (27.7%)을 웃도는 수준이었다. 이처럼 노인인구의 다양성, AIP의 강한 선호, 전통적 가족 기능이나 역할의 약화 등은 공적 돌봄체계에 대한 의존도를 높이고 그에 따른 통합적인 보건·의료· 복지 서비스의 연계와 시설(자원) 접근성이 요구된다. 이미 일부 선행연구에서 지역사회 거주 노인의 노후 건강과 독립된 일상생활에 필요한 노인복지시설의 종류별, 지역별 수급 편중을 지적해 왔으나[12-18], 이러한 격차를 지역사회 단위의 최신 공간회귀분석(국지적 공간회귀모형)으로 접근한 연구는 거의 없었다. 노인인구와 서비스 요구도의 증가로 노인복지자원의 수요 상승이 가속화되면서 지역 간 편차는 더욱 심화될 수 있으므로 지역사회 실태를 보다 면밀히 파악할 필요가 있으며, 이는 지역사회의 통합돌봄 체계 확립과 보건·의료 영역 간 연계에 긴요하다. 이에 본 연구는 인구 초고령 시대가 본격화된 시점에서 서울특별시(이하 서울시, 서울) 지역사회에 위치한 두 가지 종류의 노인복지시설에 대한 공간적 분포와 그 특성을 살펴보고, 그 공간적 차이의 영향 요인을 파악하고자 한다. 구체적으로 서울시 자치구(25곳)의 행정동(426곳)을 대상으로 「노인복지법」에 의한 대표적인 노인복지시설 종류인 재가 및 의료 노인복지시설을 지역사회 단위 면적당(km²) 수로 파악하며, 그 분포 특성을 지역사회별 공간 데이터, 공간정보도구(지리정보시스템), 공간회귀 모형(예, 지역적 및 국지적 공간회귀모형 등)으로 분석하여 종류별 노인복지시설의 지역사회 간 공간적 편향에 영향을 주는 변인을 도출한다. 이를 통해 향후 지역사회를 중심으로 한 통합적인 돌봄서비스의 연속성·효율성·접근성·지속성 확보, 지역별 적정 수준의 보건·의료· 복지 자원 수급 관리, 의료·요양 연계 체계의 확립에 기초자료로 제공하고자 한다.

연구 방법

자료수집 및 처리

본 연구는 지역사회별 노인복지시설의 공간적 분포와 특성을 살펴보고, 시설의 공간적 차이와 그 영향 변인을 파악하고자 지역사회 특성을 나타내는 공간정보학적 접근(공간데이터, 공간분석도구, 공간분석기법)을 활용하였다. 「노인복지법」에 의한 노인복지시설 종류 6가지 중 주요 노인복지시설인 재가노인복지시설과 노인의료복지시설을 분석대상으로 선정하였다. 재가노인복지시설은 방문요양서비스, 주 ·야간보호서비스, 단기보호서비스, 방문목욕서비스 등을 제공하는 기관이고 노인의료복지시설은 노인요양시설과 노인요양공동생활가정으로 구성된다[19]. 서울시[20]가 2024년 공개한 노인복지시설 목록을 활용하여 본 연구의 공간적 범위인 서울시 자치구(25곳) 소재 행정동(426곳)에 위치한 재가 및 의료 노인복지시설 개소 수의 총합을 파악하였다. 지역사회별 시설 종류의 개소 수를 행정동의 총면적으로 나누어 단위 면적(km²)당 재가노인복지시설 수와 노인의료복지시설 수를 계산하였고, 시간적 범위는 2023년 단년도로 설정하였다.

독립변수는 선행연구[12-18,21-26]에 근거하여 지역사회 특성 요소를 구성하였고, 지역사회(행정동) 단위의 데이터가 구득 및 수집 측면에서 매우 제한적인 점을 고려하여 가용 데이터를 중심으로 선별하였다. 그 결과 지역사회의 사회인구학적 특성을 나타내는 노인 1인 가구 비율, 저소득 노인인구 비율, 그리고 지역사회의 공간적 특성을 반영하는 인구밀도, 저밀도 주택 비율, 공시지가가 선별되었다. 각 독립변수를 구체적으로 살펴보면 노인 1인 가구 비율은 각 행정동의 전체 가구 수 대비 독거 노인 가구 수를 백분비로 산출하였고, 저소득 노인인구 비율은 가구 소득이 중위소득 50% 이하인 차상위계층과 기초생활수급(권)자의 노인 수를 합한 후 지역사회의 총 노인 수에서 차지하는 비율로 계산하였다. 인구밀도(만 명/km²)는 각 지역사회의 총 인구 수(만 명)를 해당 지역의 총 면적(km²)으로 나눈 값이며, 저밀도 주택 비율은 각 행정동의 총 주택 수에서 아파트 이외의 주택이 차지하는 비율을 나타낸다. 공시지가(백만 원/m²)는 매년 국토교통부에서 공시하는 표준지의 단위 면적당(m²) 가격(백만 원)이다. 이들 변수의 데이터는 국토교통부[26,27]의 통계누리와 한국부동산원의 부동산공시가격알리미[28], 국가데이터처[29,30]의 국가통계포털과 통계지리정보서비스, 행정안전부[31-33]의 주민등록인구통계와 행정안전통계 등에서 추출하여 사용하였다. 각 변수별 원시 데이터를 취합하여 일련의 데이터 전처리 과정을 거쳐 행정동 코드와 매칭시켰고, 분석 도구는 지리정보시스템(geographic information system, GIS) 프로그램인 ArcGIS Pro (3.4.0), Geo-Da (1.22), QGIS (3.42.0)를 이용하여 순차적으로 분석하였다.

분석방법

전역적 비공간회귀모형 분석

공간데이터와 공간분석도구를 사용하는 본 연구의 공간분석 기법은 탐색적 공간데이터 분석(exploratory spatial data analysis, ESDA)과 회귀분석을 포함하였다. 공간적 분포, 공간적 자기상관성 및 군집성 등 공간분석의 과학적 시각화 기법으로 가장 널리 사용하는 ESDA [34]에 따라 먼저 종속변수와 독립변수의 공간 구조 특성을 파악하는 단계구분도를 도식화하였으며, 공간적 자기상관성을 통해 각 변수별 공간통계량을 추출하여 이상치를 확인하였다. 이어 변수 간의 공간적 관계를 분석할 모형으로 전역적 비공간회귀모형(global non-spatial regression model)인 최소자승법을 이용한 일반선형회귀모형(ordinary least squares, OLS) 분석을 실시하였고 다중공선성의 존재 여부와 함께 검토하였다. OLS 모형의 적합성을 살펴보고자 종속변수의 오차항에 대한 공간적 자기상관성 존재 유무를 파악하였다. 이어 변수 간 공간적 분포에서 특정 지역과 주변 지역 간의 관계를 살펴보는 기법으로, 전역적 모란아이(global Moran's index)를 산출하여 통계적 유의성을 확인하였다[33-39]. 전역적 모란아이는 −1 (음의 자기 상관성)부터 +1 (양의 자기상관성) 사이의 값을 지니며, −1은 높은 값과 낮은 값의 지역들이 규칙적으로 혼재되어 분포한 경우, 0은 높은 값과 낮은 값의 지역들이 불규칙 또는 임의적으로 분포된 경우, +1은 유사한 값의 지역들이 공간적으로 인접하는 경우를 의미한다. 아울러 오차항의 정규성을 판정하는 Jarque-Be-ra 검정, 오차의 이분산성을 진단하는 Koenker-Bassett 검정과 Breusch-Pagan 검정, 국지적 다중공선성(local condition number, LCN)의 통계량을 통해 비전역적 공간회귀모형의 적합성을 다시 한 번 확인하였다[40-42]. OLS의 함수식은 아래와 같으며, Y_i는 i행정동의 면적당 재가 또는 의료 노인복지시설 수, β₀는 i행정동의 상수항, β_k는 i행정동의 회귀계수, X_ki는 공간적 위치 k번째 관계의 i번째 독립변수, ε_i는 오차항을 나타낸다.

Yi=β0+∑k=1mβkXki+ϵi Ordinary least squares (OLS)

비전역적 공간회귀모형 분석

OLS 모형은 종속변수에 대한 독립변수들의 영향력들이 모든 공간 내에서 동일하게 적용되는 공간적 정상성을 가정하므로 단일 회귀계수 추정에 의존하여 정확성이 현저히 떨어진다. 그러나 공간 데이터는 일반적으로 지역별로 다양한 요인들에 영향을 받는 공간적 비정상성인 공간적 의존성이 존재하므로, 이러한 특성을 반영하는 공간분석 기법의 적용이 요구된다. 즉 변수에 내재된 공간적 비정상성을 고려하여 지역별로 각기 다른 회귀계수의 추정을 제시하고 공간적 이질성을 시각화할 수 있는 비전역적 공간회귀모형의 적용을 고려하여야 한다[43,44]. 구체적으로 지역적 공간회귀모형인 지리가중회귀모형(geographically weighted regression, GWR)과 국지적 공간회귀모형인 다중범위 지리가중회귀모형(multiscale geographically weighted regression, MGWR)의 분석을 진행하였으며, 각 모형의 함수식은 아래와 같다. Y_i는 i행정동의 면적당 재가 또는 의료 노인복지시설 수,β_0i는 i행정동의 상수항,X_ki는 공간적 위치 k번째 관계의 변수 i번째 독립변수, β_ki는 i행정동의 회귀계수, bw_k는 상수항과 독립변수 간 공간적 위치 k번째 관계의 조정을 위한 대역폭, ε_i는 오차항을 나타낸다.

Yi=β0i+∑k=1mβkiXki+ϵiGeographically weighted regression (GWR)Yi=(bw0)β0i+∑k=1m(bwk)βkiXki+ϵiMultiscale geographically weighted regression (MGWR)

GWR과 MGWR의 차이는 GWR 모형은 하나 이상의 독립변수에 대한 회귀계수를 추정하는 OLS 모형과 유사하게 일정한 공간 단위에서 지역별 변수 간 관계를 파악하는 반면 MGWR 모형은 GWR 모형을 개선하여 각각의 개별 독립변수에 대한 회귀계수를 추정하여 보다 다양한 공간적 변동성을 감지할 수 있다. 이로 인해 GWR 모형에서 변수의 공간적 영향 범위를 나타내는 대역폭이 고정적이지만, MGWR 모형에서 최적화된 대역폭을 제시한다[40-46]. MGWR 모형에서 공간 가중치 행렬인 커널(kernel) 함수를 사용하였고, 대역폭 탐색은 황금분할법(golden section searching)을 활용하여 정보유실량의 기준인 AICc (corrected Akaike's information criterion) 값이 가장 낮은 최적의 대역폭을 선정하였다[41,42,44-48]. 이와 함께 종류별 회귀모형(OLS, GWR, MGWR)의 각 모형 설명력인 결정계수(R²)와 수정 결정계수(R_adj²)를 비교하여 공간 데이터에 가장 적합한 모형을 판정하였다.

연구 결과

재가 및 의료 노인복지시설의 지역사회 분포

조사년도(2023년)를 기준으로 서울시 전체 인구의 1/5 (19.0%)은 노인이었고, 자치구별로 강북구(23.8%)와 도봉구(22.9%)가 노인인구 비율이 가장 높았으며 마포구(15.8%)와 강남구(15.9%)가 가장 낮아 모든 자치구가 고령 단계에 진입하였다[22,29,31]. 지역사회별 인구 고령화 속도는 더욱 다양하게 나타나 초고령 지역사회는 전체 행정동의 약 2/5 (165곳, 38.7%) 정도를 차지하였으며, 주로 한강 이북(강북구·도봉구 각각 12곳, 중랑구 11곳, 은평구· 종로구 각각 10곳)에 위치한 지역사회에 집중되었다(Figure 2). 서울 지역사회 절반 이상(218곳, 51.2%)은 고령 단계로, 전역(송파구 20곳, 성동구 15곳, 강동구 14곳, 서초구 13곳, 마포구 ·성북구 12곳, 관악구 ·광진구 각각 11곳, 강남구 10곳 등)에 걸쳐 다양하게 분포하였다. 불과 1/10곳(10.1%, 43곳)의 지역사회에서만 고령화 단계에 있었다. 노인인구 비율이 가장 높은 지역사회는 강남구 수서동(36.7%)이었고 이는 가장 낮은 송파구 위례동(8.6%)과 상당한 차이(28.1%p)를 나타냈다. 이처럼 공간적 분석 단위가 지역(자치구)보다 지역사회(행정동)에서 보다 더 큰 공간적 편차가 크게 나타나므로 지역사회에서 종류별 노인복지시설의 분포를 살펴볼 필요가 있다.

Figure 2.

Population aging and the spatial distribution of elderly care facilities across Seoul's local jurisdiction (dongs). Source: Seoul Metropolitan Government [20], Korea Ministry of Data & Statistics [28,29], Korea Ministry of the Interior and Safety [31-33].

서울 전역의 지역사회(행정동 426곳)에 분포한 노인복지시설의 두 가지 종류를 살펴본 결과, 재가노인복지시설(이하 재가복지시설)이 위치한 행정동 수(364곳, 전체 행정동의 85.4%)가 노인의료복지시설(이하 의료복지시설) (249곳, 58.5%)보다 훨씬 더 많았다(115곳, 26.9%p) (Figure 2, Table 1). 두 종류의 시설 모두 위치한 지역사회는 전체의 절반(230곳, 54.0%)으로 자치구 전역에 걸쳐 넓게 분산되었다. 양 종류의 시설이 모두 위치한 지역사회가 가장 많은 자치구는 중랑구(16곳)로 각 행정동에 종류별 시설들이 각각 1개소 이상 분포하였고, 가장 적은 자치구인 종로구(17곳)는 단 2곳(청운효자동, 평창동)에서만 두 종류의 시설이 관측되었다. 한편 한 종류의 시설도 전혀 없는 행정동은 50곳(11.7%)으로, 주로 도심권(중구와 용산구 각각 8곳, 종로구 5곳)과 강북구(5곳)에 밀집하였다. 특히 강북구(13곳)는 두 종류의 시설이 동시에 위치한 지역사회(7곳)와 시설이 전혀 없는 곳 간의 극명한 대조를 보인 자치구였다.

Table 1.

Descriptive statistics of variables and results of exploratory spatial data analysis (ESDA)

종속변수와 각 독립변수의 공간통계량으로 그 분포와 경향성을 살펴본 결과, 평균, 표준편차, 최솟값, 최댓값에서 이상치가 없었으며, 종속변수 중 단위 면적당 재가복지시설 수(3.7개/km²)의 평균이 의료복지시설(2.3개/km²)보다 더 높았고, 편차도 조금 더 컸다(Table 1). 재가복지시설 수가 가장 많은 행정동은 관악구 신림동(35.2개/km²)이었으며 가장 적은 지역사회는 서초구 내곡동(0.08개/km²)으로 두 지역 간 격차는 446배로 매우 컸다. 의료복지시설 수가 가장 많은 강북구 수유2동(14.0개/km²)과 가장 적은 서초구 내곡동(0.08개/km²) 간 차이는 178배에 달하였고, 서초구 내곡동은 두 종류의 시설이 모두 위치한 지역사회인 동시에 면적당 시설 수가 가장 적은 곳으로 나타났다. 한편 독립변수 중 전체 가구에서 노인 1인 가구가 차지하는 비율은 행정동 전체 평균 10.0%였고, 그 비율이 가장 높은 지역사회(강남구 수서동 28.7%)와 가장 낮은 곳(강서구 가양제1동 2.8%)의 간극은 10배였다. 전체 노인 중 저소득층 노인이 차지하는 비율은 평균 9.8%이었으며, 그 비율이 가장 높은 지역사회(강서구 가양제2동 43.0%)와 가장 낮은 곳(서초구 반포2동 0.1%) 간의 격차는 363배에 달하였다. 인구밀도는 제곱킬로미터(km²)당 평균 2.2만 명이었고, 인구밀도가 가장 높은 행정동은 성동구 행당제2동(5.4만 명/km²)으로 가장 낮은 서초구 내곡동(0.1만 명/ km²)과는 40배 차이였다. 전체 주택에서 아파트 이외의 밀도가 낮은 주택유형이 차지하는 비중을 나타내는 저밀도 주택 비율은 평균 46.1%이었고 저밀도 주택 비율이 가장 높은 종로구 가회동(99.1%)과 가장 낮은 서초구 반포3동(0.08%)은 극단적인 대조를 보였다. 매년 공시하는 표준지 단위 면적(m²)당 가격인 공시지가는 평균 5.8백만 원이었고, 최고지가의 강남구 압구정동(33.3백만 원/m²)과 최저지가의 강서구 방화제2동(2.4백만 원/m²) 간 차이는 14배였다.

일반회귀모형 및 공간회귀모형의 적합성

전역적 비공간회귀모형 분석

공간통계모형을 적용하는 첫 단계로 전역적 비공간회귀모형인 최소자승법을 이용한 OLS 분석을 실시하였다. 먼저 종속변수와 독립변수들 간의 다중공선성을 확인하고자 분산팽창계수(variance inflation factor, VIF)를 살펴본 결과, 모든 변수의 VIF 값(최대 2.9)은 다중공선성의 우려가 되는 기준치(5.0)를 훨씬 밑돌았다(Table 2). OLS 분석 결과, 저밀도 주택 비율과 인구밀도가 신뢰수준 99% (각각 p <0.01, p <0.001)에서 양(+)의 관계로 두 종속변수의 공통 영향 변인으로 나타났다. 의료복지시설 수는 추가로 노인 1인 가구 비율(+)과 공시지가(-)가 유의수준 95% (각각 p <0.05, p <0.001)에서 통계적으로 유의미한 변수였다. 즉 지역사회별 재가 및 의료 복지시설 모두 저밀도 주택 비율과 인구밀도가 높을수록 그 수가 증가하였으며, 단위 면적당 의료복지시설 수는 추가로 노인 1인 가구 비율이 높아질수록, 공시지가가 낮아질수록 상승하였다.

Table 2.

Results of linear and spatial regression models

공간회귀모형의 적합성

공간 데이터는 일반적으로 공간적 비정상성(spatial non-stationarity)이 나타나므로, 이를 확인하고 OLS의 모형 적합성을 검증하고자 공간적 자기상관성, 오차의 정규성, 이분산성을 살펴보았다. 공간적 자기상관성을 확인하고자 전역적 모란아이(재가복지시설 0.159, 의료복지시설 0.337)를 산출하였고, 신뢰수준 99% (p <0.001)에서 통계적 유의성이 나타나 공간적으로 근접할수록 변수들 간의 상호 영향력이 증가하는 공간적 의존성이 존재함을 확인하였다(Table 1). 즉 공간적 정상성을 전제로 하는 OLS는 공간 데이터의 특성을 반영하지 않고 계수를 추정하므로 (모형의) 신뢰성을 저해시켜 모형 적합도의 문제점을 야기하므로 공간회귀모형의 사용이 요구된다. 또한 오차의 정규성을 판단하는 Jarque-Bera 값과 이분산성을 측정하는 Koenker-Bassett과 Breusch-Pagan 값 모두 신뢰수준 99% (p <0.001)에서 유의미하여 공간적 이질성을 확증하였다. 즉 이는 OLS가 오차의 정규성과 이분산성을 따르지 않으므로 종속변수와 독립변수 간의 공간적 관계가 달라지고 그 지역별 위치에 따른 회귀계수를 추정하여 공간 데이터의 공간적 효과를 적절히 반영하는 비전역적 공간회귀모형(예, GWR, MGWR)의 적용이 적합하였다.

한편, 비전역적 공간회귀모형은 지역적 공간회귀모형인 GWR 모형과 국지적 공간회귀모형인 MGWR 모형으로 나뉘어 지역적 및 국지적 지리가중회귀모형의 적합성을 살펴보았다. 구체적으로 모형의 설명력을 측정하는 수정 결정계수(R_adj²)와 모형의 정보유실량(AICc)을 각각 비교한 결과, 모형 설명력(R_adj²)에서 OLS (재가복지시설 수 23.7%, 의료복지시설 수 19.9%)와 GWR (각각 24.0%, 32.0%)보다 MGWR 모형(각각 31.2%, 49.9%)에서 현저히 증가하였고(각각 0.3%p와 7.2%p, 11.1%p와 17.9%p), AICc 값은 OLS와 GWR보다 MGWR에서 확연히 감소하였다(Table 2). 따라서, 지역사회의 재가복지시설과 의료복지시설은 공간적 이질성과 다중범위 특성을 동시에 반영하는 MGWR 모형을 활용하여 설명하는 편이 가장 바람직하고, 특히 의료복지시설에서 모형 적합도가 훨씬 더 뚜렷하였다.

비전역적 공간회귀모형 분석

지역적 공간회귀모형 분석

지역적 공간회귀모형인 지리가중회귀모형 분석에 앞서 지역적 다중공선성을 검토한 결과, 지역적 조건수(location condition number, LCN)는 모든 시군구(재가복지시설 0.446-0.753, 의료복지시설 0.723-8.741)에서 다중공선성의 문제가 발생하지 않았다(Table 1). 지역사회별 GWR 모형 설명력(Local R²)을 시각화한 결과, 재가복지시설보다 의료복지시설 수에서 지역사회 간 차이가 두드러졌다. 재가복지시설에 대한 행정동별 GWR 모형의 설명력(산술 평균 23.8%)은 서울 도심권으로부터 외곽으로 갈수록 점점 커지는 동심원을 그리며 점차 미세하게 증가하였다(Table 3). 즉, 동남권(송파구 27곳, 강동구 19곳, 강남구 남부 일대 10곳 등 62곳)의 지역사회(26% 이상)가 도심권(종로구 15곳, 중구 13곳, 용산구 12곳 등 50곳)의 행정동(22% 미만)보다 설명력이 상대적으로 약간 더 낮았다. 설명력이 가장 높은 지역사회(송파구 위례동, 마천1동, 장지동 등 28% 이상)와 가장 낮은 곳(중구 을지로동, 필동, 장충동 등 20% 미만) 간의 차이는 매우 크지 않았다(8.4%p).

Table 3.

Results of geographically weighted regression (GWR) and statistically significant variables

의료복지시설에 대한 지역사회별 GWR 모형 설명력(평균 25.4%)은 도심권에서 다소 떨어진 서남권(강서구 20곳, 양천구 18곳, 관악구 15곳, 구로구 10곳, 동작구 9곳, 영등포구 일부 5곳 등 77곳)과 동북권 북부(노원구 15곳, 도봉구 14곳, 강북구 9곳 등 38곳)의 행정동(120곳)에서 다소 높은(34% 이상) 반면 설명력이 낮은(14% 이하) 지역사회는 도심부(용산구 4곳에서 서초구 8곳을 잇는 행정동)로부터 비스듬한 띠(12곳)를 형성하며 위치하였다(Table 3). 동일한 방향성을 나타내는 지역사회를 기준으로 설명력(절대치 기준)이 가장 높은 곳(강북구 우이동, 도봉구 도봉제1동 41% 이상)과 가장 낮은 지역사회(서초구 서초3동 0.7%) 간 차이(40%p)는 상당하였다. 이어 종속변수 2가지의 표준화된 잔차 분포도를 통한 GWR 결과에서 잔차의 공간 패턴에 군집성이 관측되지 않아 GWR 모형 분석이 모두 적합한 것으로 나타났다.

한편 GWR 분석 결과에서 종속변수인 재가 및 의료 노인복지시설의 유의미한 독립변수는 인구밀도, 저밀도 주택 비율이 공통 변인이었고, 의료복지시설은 추가 변인으로 노인 1인 가구 비율, 저소득 노인인구 비율, 공시지가가 포함되었다(Table 3). 재가복지시설 수의 영향 변수인 인구밀도(+)는 모든 행정동(426곳)이 신뢰수준 95% (p <0.05)에서 유의미하였으며, 지역사회 간 영향력 차이는 극히 미미하였다. 인구밀도는 주로 한강 남쪽의 외곽(강동구로부터 강서구에 이르는 자치구 9곳)을 중심으로 한 지역사회(114곳)의 추정계수가 도심권 지역사회(35곳)보다 상대적으로 더 높았다. 저밀도 주택 비율(+)은 18개의 자치구에 걸쳐 295곳의 지역사회에서 통계적 유의성(p <0.05)이 포착되었고, 동부 외곽 지역(강동구, 광진구, 노원구, 송파구, 중랑구, 동대문구와 성동구 일부 등 110곳)이 한강에 인접한 용산구와 마포구 일대의 지역사회(27곳)보다 추정계수가 약간 더 높았다. 반면 의료복지시설의 GWR 결과에서 노인 1인 가구 비율(+)은 동북권 북부 일대(강북구, 노원구, 도봉구) 지역사회(34곳), 저소득 노인인구 비율(-)의 회귀계수는 동북권 북서부 일부(노원구, 도봉구 19곳)에서만 통계적 유의성을 보였다(p <0.05). 인구밀도(+)는 19개 자치구 208곳의 지역사회에서 통계적으로 유의미하였고(p <0.05), 인구밀도의 회귀계수는 동북권 북부(강북구, 노원구, 도봉구 40곳) 지역사회가 서남권 일대(강서구, 구로구, 금천구, 양천구, 영등포구 일부), 동북권 일부(광진구, 동대문구, 중랑구), 강동구 일대의 지역사회(112곳)보다 조금 더 컸다. 저밀도 주택 비율(+)은 동북권 일대(강북구, 노원구, 도봉구, 성북구 ·동대문구 ·중랑구 일부) 지역사회(74곳)에서 통계적 유의성(p <0.05)을 나타냈다. 공시지가(-)는 북부권 일부(강북구, 노원구, 도봉구, 은평구 북부)와 서부권 일부(강서구 북부, 마포구 서부) 등에 걸친 지역사회(83곳)에서 통계적으로 유의미하게(p <0.05) 관측되었고, 특히 북부권 일부(도봉구, 강북구, 노원구 등 22곳)의 추정계수가 서남권 일부(관악구, 금천구, 동작구) 지역사회(7곳)보다 훨씬 더 큰 영향력을 보였다.

이처럼 OLS 모형 적합성 검증을 통해 종속변수와 독립변수 간 비전역적 공간적 분포와 공간적 이질성이 포착되면서 GWR 분석을 실시하였고 종속변수와 독립변수 간 지역적 영향력을 확인하는 GWR 모형은 OLS와 마찬가지로 모든 변수에 일정한 범위를 설정하는 대역폭(재가복지시설 418곳, 의료복지시설 164곳)을 적용하는 한계가 있었다. 따라서 다양한 공간적 범위에서 변수별 관계를 감지하여 각 변수에 최적화된 대역폭을 파악할 수 있는 국지적 공간회귀모형인 다중범위 MGWR 의 검토가 요구되었다. 최적화된 대역폭(변수의 영향력이 미치는 지역사회의 수)을 도출하는 MGWR을 분석한 결과, 재가 및 의료복지시설의 공통 영향 변인은 인구밀도(각각 45곳, 48곳)와 저밀도 주택 비율(426곳, 239곳) 2가지 변수에서 통계적으로 유의미하게(p <0.05) 나타났다(Table 4). 이처럼 지역사회에 따라 종류별 노인복지시설의 영향력은 다르므로 공간적 관계의 다양성을 고려하여 차별화되고 상세한 분석 결과를 제시하는 MGWR 분석을 수행할 필요가 있었다.

Table 4.

Results of multiscale geographically weighted regression (MGWR)

국지적 공간회귀모형 분석

국지적 공간회귀모형인 다중범위 MGWR 분석에서 국지적 다중공선성을 검토하였으며, 모든 시군구(재가복지시설 2.895-4.138, 의료복지시설 2.883-5.115)에서 국지적 조건수가 기준치(30 미만)에 훨씬 미치지 못하여 다중공선성의 우려가 제거되었다. 지역사회별 국지적 설명력(Local R²)을 시각화한 결과, 재가복지시설의 모형 설명력(산술 평균 36.5%)이 높은 지역사회(39% 이상)는 주로 동남권(송파구, 강동구 44곳)과 동북권(노원구, 중랑구, 광진구와 도봉구 일부 등 43곳)을 아우르는 동부 지역에 위치하였고(87곳), 설명력이 낮은 행정동(35% 이하)은 서남권(구로구, 금천구, 동작구, 영등포구), 도심권(용산구, 종로구와 중구 일부)과 그 인접 지역사회 일부(마포구와 서대문구 일부)로 나타났다(100곳) (Table 4). MGWR 모형 설명력이 가장 높은 곳(강동구 강일동과 상일제2동, 41%)과 가장 낮은 지역사회(용산구 용산2가동, 33%) 간 차이는 매우 크지 않았으나(7.6%p) GWR 결과(0.9%p)보다 컸다. 이어 의료복지시설에 대한 지역사회별 MGWR 설명력(Local R²)은 평균 44.9%로, 설명력이 높은 곳(57% 이상)은 북부 외곽지역(강북구, 노원구, 도봉구, 은평구 북부 40곳)과 서남권 일대(관악구, 동작구, 금천구 등 47곳)에 분포하였고(95곳), 모형 설명력이 낮은 지역사회(29% 이하)는 도심권(종로구, 중구, 용산구)과 인접한 서대문구 일대(58곳)로 나타났다(Table 4). MGWR 모형 설명력이 가장 높은 곳(서초구 방배2동 70%)과 가장 낮은 곳(용산구 남영동과 청파동 16%)의 간극은 매우 컸으며(53%p), 이는 GWR 분석에서의 차이보다 훨씬 더 두드러졌다(14%p). 또한 두 종속변수 모두 MGWR의 표준화된 잔차 분포도에서 잔차 공간의 집락된 패턴이 포착되지 않아 모형 적용의 적합성이 재확인되었다.

한편 MGWR 분석에서 두 종속변수의 유의미한(p <0.05) 영향 변수는 GWR 분석 결과와 유사하게 공통적으로 인구밀도와 저밀도 주택 비율로 나타났다(Table 4). 구체적으로 살펴보면, 재가복지시설에서 인구밀도(+)는 도심부에서 강남권에 이르는 지역사회(70곳)를 제외한 대부분의 행정동(356곳)에서 회귀계수의 통계적 유의성(p <0.05)이 감지되어 대부분의 지역사회에서 영향을 주었다. 서울 동북권 북부 일대(노원구, 도봉구, 강북구 52곳)의 회귀계수가 비교적 낮은 곳(강남구, 마포구, 성북구 등 69곳)보다 약간 더 높았다. 저밀도 주택 비율(+)은 동부 지역(동북권 122곳, 동남권 61곳)에 집중된 가운데 도심권(40곳)과 서북권(36곳) 일대를 포함하는 지역사회(259곳)에서 통계적으로 유의미하였다(p <0.05). 특히 동북권 지역사회의 추정계수가 상대적으로 더 낮은 도심권이나 서북권보다 높았다. 의료복지시설의 MGWR 분석 결과에 의하면, 인구밀도(+)는 동북권(강북구, 광진구, 노원구, 도봉구, 동대문구, 중랑구)과 서남권(강서구, 금천구, 양천구, 구로구 일부)의 지역사회(160곳)에서 통계적 유의성(p <0.05)이 나타났다. 추정계수가 높은 지역사회는 북부지역(강북구, 도봉구, 노원구 서북부 일대 등 20곳)에 분포하였고, 추정계수가 상대적으로 낮은 행정동(강서구, 강북구, 성북구 등 9곳)에 극소수로 분산되었다. 저밀도 주택 비율(+)은 동북권 일대(강북구, 노원구, 도봉구, 성북구, 동대문구와 중랑구 일부 60곳) 지역사회에서 통계적 유의성(p <0.05)이 나타났고, 회귀계수가 높은 곳은 주로 동북권의 북부 지역(노원구, 도봉구, 강북구 32곳)에 위치한 반면 이들 지역과 동남쪽으로 인접한 동대문구(2곳)와 중랑구(9곳) 일부 지역사회(11곳)에서 추정계수가 약간 낮았다.

이상에서 살펴본 바와 같이 지역사회별 재가노인복지시설과 노인의료복지시설은 전역적(OLS), 지역적(GWR), 국지적(MGWR) 회귀모형을 통해 독립변수의 공간적 영향력 차이를 명확하게 확인할 수 있었다. 종속변수를 설명하는 독립변수별로 단일 회귀계수를 도출하는 OLS 모형에서 모든 공간 단위에서 종속변수에 대한 독립변수의 영향력이 동일한 전역성을 지닌 하나의 계수가 도출된다. 공간 단위의 위치에 따라 종속변수에 대한 독립변수의 영향력이 달라지고 그 차이에 따라 공간적 가중치를 부여하는 GWR 모형은 지역성을 반영하여 회귀계수를 산출한다. 그러나 일정한 공간적 범위를 설정하는 대역폭(영향력의 범위)으로 전역성이 존재하는 GWR 모형에서 추정계수는 과소 또는 과대 추정될 수 있다. 이를 보정하여 변수 간 공간적 관계에 따라 최적화된 대역폭을 제시하는 MGWR 모형은 다수의 계수를 추정함으로써 보다 정교한 공간적 변동성을 감지할 수 있다. 따라서 본 연구에서도 공간적 이질성을 확인하고, 동일한 공간적 범위 내 지역사회별 종속변수에 대한 독립변수의 영향력이 다름을 확증할 수 있었다. 즉 종류별 회귀모형에서 모형 설명력, 영향 변인과 영향 범위가 다르게 나타나므로 공간 데이터를 사용하는 연구에서 공간적 다양성을 반영하는 공간회귀모형의 활용이 요구된다.

고 찰

본 연구는 서울 소재 지역사회(행정동 426곳)에 분포한 주요 노인복지시설인 재가(노인)복지시설과 (노인)의료복지시설의 공간적 분포와 그 지역 특성을 살펴보고, 공간 데이터의 공간회귀모형 적용을 통해 지역 간 격차의 영향 변인을 파악하였다. 전역적 비공간회귀모형(OLS), 지역적 및 국지적 공간회귀모형(GWR, MGWR)의 분석 결과를 요약하면 다음과 같다. 첫째, 재가복지시설과 의료복지시설이 모두 위치한 지역사회는 230곳으로 전체 행정동의 절반 이상(54%)을 차지한 반면 동일 행정구역 내(시설이 전무한 지역사회 50곳을 포함하여) 양 시설의 접근성이 모두 보장되지 않는 지역사회가 상당히 많았다. 면적당 평균 재가복지시설 수(3.7개/km²)는 의료복지시설(2.3개/km²)보다 조금 더 많았고, 두 종류의 시설 모두 분포한 지역사회를 가장 많이 보유한 자치구는 중랑구(16곳)인 반면 시설이 전혀 없는 곳은 주로 도심권과 강북구 일부에서 나타났다.

둘째, 지역사회별 면적당 시설 수에 영향을 주는 독립변수를 파악하고자 OLS와 공간적 자기상관성을 검정하는 모란아이를 살펴보았다. 변수 간 공간적 의존성과 공간적 이질성이 포착됨에 따라 지역사회별 특성을 고려한 공간회귀모형의 활용이 요구되었다. 이에 공간적 위치에 따라 하나 이상의 회귀계수를 추정하는 GWR 및 MGWR을 적용하였고, 복잡 다양한 공간적 단위에서 변수별 관계를 최적화하여 대역폭을 제공하는 MGWR 모형이 지역사회 간 변동성을 훨씬 더 잘 감지하여 적합하였다. 이어 일련의 회귀모형 분석 결과에서 면적당 재가복지시설 수와 의료복지시설 수에 대한 독립변수들의 수정 설명력(R_adj²)은 OLS, GWR, MGWR을 거치며 크게 개선되었고, 특히 의료복지시설 수에 대한 공간회귀모형의 적용 효과가 월등히 더 컸다.

셋째, OLS 분석에서 통계적으로 유의미한(p <0.05) 변수는 두 가지 종류의 시설 모두 공통적으로 양(+)적 관계의 저밀도 주택 비율과 인구밀도로 나타났고, 의료복지시설은 추가 변인으로 노인 1인 가구 비율(+)과 공시지가(-)가 포함되었다. 이어 실시한 공간회귀분석에서 지역사회별 영향 변인과 영향력의 유효 지역 수에 차이가 있었다.

GWR 분석 결과에서 재가 및 의료 노인복지시설의 공통 영향 변수는 인구밀도(+)와 저밀도 주택 비율(+)로 OLS와 유사한 변수로 영향력 방향도 동일하였으나 영향력이 미치는 유효 지역사회 수에서 재가복지시설(인구밀도 426곳 전지역, 저밀도 주택 비율 295곳)과 의료복지시설 (인구밀도 208곳, 저밀도 주택 비율 74곳)으로 다르게 나타났다. 의료복지시설은 공시지가(-, 83곳), 노인 1인 가구 비율(+, 34곳), 저소득 노인인구 비율(-, 19곳)이 추가되어 OLS 결과와 유사하였다. 또한 공간적 관계의 상호작용이 배제되는 OLS와 달리 종류별 노인복지시설의 GWR 모형 설명력은 지역사회별 다소 차이가 있었다. 즉 재가복지시설은 동남권(송파구, 강동구, 강남구 남부 등 62곳), 의료복지시설은 서남권(강서구, 양천구, 관악구, 구로구, 동작구 등 77곳)과 동북권 북부(노원구, 도봉구, 강북구 등 38곳)의 지역사회(120곳)에서 GWR 모형 설명력이 상대적으로 더 높았다.

한편 MGWR의 분석 결과에서 재가복지시설과 의료복지시설의 영향 변인은 공통적으로 인구밀도(+)와 저밀도 주택 비율(+)로 밝혀졌고, 그 영향 변수는 OLS와 GWR에서 나타난 바와 같으나 변수 영향을 받는 지역사회 수에 관한 보다 다양하고 구체적인 정보가 제시되었다. 즉 재가복지시설(인구밀도 356곳, 저밀도 주택 비율 259곳)과 의료복지시설(인구밀도 160곳, 저밀도 주택 비율 60곳)의 지역사회 수에 차이가 있었고, 특히 의료복지시설의 영향 변인과 영향 지역사회 수 모두에서 OLS, GWR, MGWR 분석 결과가 모두 다르게 나타났다.

MGWR 모형 설명력은 재가복지시설에서 동남권(송파구, 강동구 44곳)과 동북권(노원구, 중랑구 등 43곳)을 아우르는 동부 지역(87곳), 의료복지시설에서 북부 외곽지역(노원구, 도봉구, 강북구, 은평구 일부 등 40곳)과 서남권 일부(관악구, 동작구, 금천구 등 47곳) 지역사회(95곳)가 상대적으로 더 높았다. 이처럼 공간적 상호작용을 고려하지 않는 OLS와 달리 공간적 관계에 따른 다양성과 변동성은 지역적 및 국지적 공간회귀모형에서 관측되었고, 지역사회의 재가 및 의료 노인복지시설 영향 변인에 대한 자세한 정보를 제공하여 공간데이터에 기반한 공간회귀분석의 유용성이 확인되었다. 지역사회별 단위 면적당 재가 및 의료 노인복지시설의 공간적 분포의 영향 요인을 다양한 회귀모형을 통해 실증 분석한 결과, 공통적으로 인구밀도와 저밀도 주택 비율이 유의미하게 나타났다. 이는 노인이 지역사회에 정착하던 당시 보편적인 주택 유형에서 장기간 거주해 오면서, 노인의 고령화와 함께 주택연수의 증가가 자연스럽게 지역사회 노후화로 이어졌고 서비스가 요구되는 공간환경으로 변모된 결과이다. 따라서 지역사회의 고령화 속도가 다르고 환경적 특성의 차이가 뚜렷하므로 노인· 주택·지역사회를 고려한 통합적 보건·의료· 복지 서비스의 공급이 요구된다. 비록 노인장기요양보험제도의 시행 초기부터 재가서비스를 우선시 해 온 결과로 재가복지시설이 의료복지시설보다 여전히 수적으로 우세하나 향후 초고령(85세 이상) 노인인구가 급증함에 따라 지역사회 내 의료복지시설을 확충하여 돌봄의 연속성과 지속가능성을 확보해야 한다[22,23,49]. 고령 노인과 저밀도 주택이 밀집한 지역사회에서 필요로 하는 서비스 종류와 범위는 연소 노인(65-74세)과 고밀도 주택이 집중된 지역사회와 확연한 차이가 존재한다. 특히 전자의 지역사회에서 서비스 접근성은 노후 건강 수준과 직결되므로 건강권 보장 차원에서 지역사회는 적정 수준의 서비스 공급을 제고하여야 할 것이다.

결 론

초고령 시대의 개막으로 노인인구의 가파른 상승세와 함께 노인을 위한 보건의료 및 복지서비스 수요가 급증함에 따라 지역사회 내 독립적인 재가 생활을 계속 영위하기 위하여 서비스 공급기관의 접근성은 건강 노화를 위한 필요조건으로써 그 중요성이 더욱 커진다. 이에 본 연구에서는 노인복지서비스의 대표적인 공급기관인 두 가지 종류의 노인복지시설 분포와 지역사회 간 차이를 살펴보았다. 실증 분석을 통해 노인복지시설의 공급과 입지는 동일한 공간 범위(서울 자치구)일지라도 지역사회별 변수 영향력의 강도와 방향이 다르게 나타난 점을 관측하였고 그 지역 간 격차를 보다 자세하게 탐색할 수 있었다. 즉 공간적 다양성을 고려한 공간회귀모형의 활용이 유용하고, 특히 보건 분야에서 공간정보학적 접근의 실효성을 확인한 점에서 본 연구의 의의가 있다. 공간분석 결과에서 나타난 바와 같이 지역사회 특성에 따라 노인복지시설 종류별 분포가 다르고 그 편차도 매우 컸다. 또한 지역사회의 영향 변수(인구밀도와 저밀도 주택 비율)가 유사할지라도 그 영향 범위는 상이하였다. 따라서 분석 대상의 공간적 범위를 하위 행정구역으로 세밀할수록 노인복지시설의 분포에 미치는 영향 요인은 다르게 나타나므로 지역사회의 요구에 부합하는 보건의료 자원의 확보와 함께 적정 수준의 시설 수급 계획 및 관리에 색다른 접근(예, 지역사회의 공간 정보 구축 및 활용)이 요구된다. 특정 시설이나 서비스 제공기관의 부재 또는 과소 공급은 서비스 수급 불안과 불일치를 야기하고 지역사회에 거주하는 노인의 접근성을 저하시켜 지역사회 내 계속 거주(AIP)와 건강 노화의 보장을 어렵게 하고 건강 유지의 장애요인이 될 수 있다. 나아가 노인으로 하여금 필요한 보건의료 서비스와 자원을 이용하고자 불필요한 비자발적 거주지 이동을 촉발시킨다. 따라서 지역 간 보건의료 서비스 공급 격차를 완화시킬 필요가 있으며 이는 건강권으로서 보건의료 서비스의 접근성 확보로 이해해야 할 것이다. 특히 지역사회의 초고령화에 대응하고자 지역사회 통합돌봄과 유니트 케어(unit care) 사업이 본격적으로 시행되면서 지역사회 내 노인복지시설의 큰 변화가 예고되는 만큼 지역사회 내 노인 보건의료 서비스 인프라의 구축과 지역사회 간 시설과 자원의 유기적 연계와 협력이 절실히 요구된다. 향후 연구에서는 지역사회의 특성을 반영하고자 보다 세부적인 공간 단위에서 거주 노인의 욕구와 평가를 파악하고, 이러한 수요 조사를 기반으로 연속적인 통합 돌봄체계 운영과 포괄적인 보건·의료· 복지 자원 계획을 수립하여 노인친화적인 공간-보건 시책을 뒷받침해야 할 것이다.

References

1. . Korea Ministry of the Interior & Safety. More than ten thousand elderly population in South Korea. Press release (2024.07.11.) Available at https://www.mois.go.kr/frt/bbs/type010/commonSelectBoardArticle.do?bbsId=BBSMSTR_000000000008&nttId=110835 [accessed on December 29, 2025].

2. . Korea Ministry of the Interior & Safety. Super-aged Korea: A record of 20% elderly people. Press release (2024.12.24.) Available at https://www.mois.go.kr/frt/bbs/type010/commonSelectBoardArticle.do?bbsId=BBSMSTR_000000000008&nttId=114622 [accessed on December 29, 2025].

3. . Korea Ministry of Economy & Finance. New housing supply for older adults. Press release (2024.07.23.) Available at https://www.moef.go.kr/nw/nes/detailNesDtaView.do?searchBbsId1=MOSFBBS_000000000028&searchNttId1=MOSF_000000000069863&menuNo=4010100 [accessed on December 29, 2025].

4. . Korea Ministry of Health & Welfare. Public guideline for community integrated care Sejong: Korea Ministry of Health & Welfare; 2020. (Korean).

5. . Korea Ministry of Health & Welfare. The third basic long-term care plan (2023–2027) Sejong: Korea Ministry of Health & Welfare; 2023. (Korean).

6. . Korea Ministry of Health & Welfare. 2024 unit care pilot program. Press release (2024.04.30.) Available at https://www.mohw.go.kr/board.es?mid=a10503000000&bid=0027&act=view&list_no=1481212 [accessed on. December 29, 2025.

7. . Korea Ministry of Land, Infrastructure & Transport. The third comprehensive plan for long-term housing supply. Press release (2024.08.30.) Available at https://www.molit.go.kr/USR/NEWS/m_71/dtl.jsp?lcmspage=1&id=95090134 [accessed on December 29, 2025].

8. . Seoul Metropolitan Government. Seoul to launch new one-stop system for community integrated service. Press release (2025.02.21.) Available at https://www.seoul.go.kr/news/news_report.do#view/429052 [accessed on December 29, 2025].

9. . Korea Ministry of Data & Statistics. 2024 Statistics for elderly people. Press release (2024.09.26.) Available at https://mods.go.kr/board.es?mid=a10301010000&bid=10820&act=view&list_no=432917 [accessed on December 29, 2025].

10. . Korea Ministry of Data & Statistics. 2023 Elderly people survey results. Press release (2024.10.16.) Available at https://www.mohw.go.kr/board.es?mid=a10411010200&bid=0019&act=view&list_no=1483359 [accessed on December 29, 2025].

11. . Kang EN, Kim HS, Jung CW, Kim SJ, Lee SH, Zoo BH, et al. 2023 Elderly people survey results Sejong: Korea Institute for Health and Social Affairs; 2024. (Korean).

12. . Choi EH, Cho TH. A study on regional equity of the elderly welfare facilities. GRI Review 2020;22(1):187–210. (Korean). DOI: 10.23286/gri.2020.22.1.008.

13. . Jung EY, Bang HJ, Moon KJ, Lee KS. A study on the geographical distribution for geriatric hospitals and long-term care facilities in Korea. Korean Public Health Res 2014;40(4):17–28. (Korean). DOI: 10.22900/kphr.2014.40.4.002.

14. . Kim JH. A time series analysis for regional equity of social welfare facilities for the old (from 2008 to 2015). Korean J Gerontol Soc Welf 2016;71(3):91–108. (Korean). DOI: 10.21194/kjgsw.71.3.201609.91.

15. . Kim SJ, Kim HS. A study on the adequacy of supply and demand for long-term care facilities: Focusing on the municipal level. GRI Review 2021;23(4):77–104. (Korean). DOI: 10.23286/gri.2021.23.4.004.

16. . Lim JB, Hong GS, Moon SY. A study on the disparities in long-term care facilities across regions: Focusing on the case of Hwaseong-si. J Local Gov Stud 2024;36(2):57–82. (Korean). DOI: 10.21026/jlgs.2024.36.2.57.

17. . Min YK, Lee MS. A study on the equity and the degree of specialization of the in-home care facilities for the elderly in Seoul. J Korean Urban Manag Assoc 2012;25(3):177–203. (Korean).

18. . Park YS, Choi YJ. A study on the calculation of the optimal number of beds for elderly nursing facilities and nursing hospital for the elderly in the region: Focused on Gangbuk district. Korean J Saf Cult 2022;16:209–222. (Korean). DOI: 10.52902/kjsc.2022.16.209.

19. . Korea Ministry of Government Legislation. Welfare of Senior Citizens Act (Act No. 11513, Oct. 22, 2012) Available at https://www.law.go.kr/lsInfoP.do?lsiSeq=259093&ancYnChk=0#0000 [accessed on December 29, 2025].

20. . Seoul Metropolitan Government. Open data platform Available at https://data.seoul.go.kr/[accessed on December 29, 2025].

21. . Hong JS, Moon JS. A study on supply and location characteristics of elderly welfare facilities in Seoul using gis network analysis: Focusing on pedestrian accessibility and facility vehicle accessibility. Korean J Urban Stud 2023;23:317–365. (Korean). DOI: 10.34165/urbanr.2023.23.317.

22. . Lee H. Uneven distribution and spatial dispersion of senior care facilities for medical services in Seoul. Korean Public Health Res 2025;51(1):67–80. (Korean). DOI: 10.22900/kphr.2025.51.1.006.

23. . Lee H, Yang J. Unequal uptake and spatial analysis of long-term care services for older adults: Evidence from multiscale geographically weighted regression. Korean Public Health Res 2025;51(2):27–41. (Korean). DOI: 10.22900/kphr.2025.51.2.003.

24. . Park HB, Park HY. A study on the overcrowding distribution and location influence factors of elderly care facilities in Seoul Metropolitan Area. J Korean Urban Manag Assoc 2019;32(3):21–43. (Korean). DOI: 10.36700/KRUMA.2019.09.32.3.21.

25. . Seo JG, Nam CM, Kim TH, Park S. Keyword network analysis on long term care insurance using text mining. J Health Info Stat 2021;46(3):257–266. (Korean). DOI: 10.21032/jhis.2021.46.3.257.

26. . Son JH, Ryu W. Regional factors affecting liver cancer mortality using GWR. J Health Info Stat 2024;49(4):404–411. (Korean). DOI: 10.21032/jhis.2024.49.4.404.

27. . Korea Ministry of Land, Infrastructure & Transport. MOLIT Statistics system Available at https://stat.molit.go.kr/portal/ [accessed on December 29, 2025].

28. . Korea Ministry of Land, Infrastructure & Transport. Taxable land value system Available at https://www.realtyprice.kr/ [accessed on December 29, 2025].

29. . Korea Ministry of Data & Statistics. KOSIS Statistical database Available at https://kosis.kr/ [accessed on December 29, 2025].

30. . Korea Ministry of Data & Statistics. Statistical geographic information service (SGIS) Available at https://sgis.kostat.go.kr [accessed on December 29, 2025].

31. . Korea Ministry of the Interior & Safety. KMOIS Statistics Available at https://data.mois.go.kr/ [accessed on December 29, 2025].

32. . Korea Ministry of the Interior & Safety. Open data portal Available at https://www.data.go.kr/ [accessed on December 29, 2025].

33. . Korea Ministry of the Interior & Safety. Registered population statistics Available at https://jumin.mois.go.kr/ [accessed on December 29, 2025].

34. . Anselin L. Local indicators of spatial association-LISA. Geogr Anal 1995;27(2):93–115. DOI: 10.1111/j.1538-4632.1995.tb00338.x.

35. . Anselin L. Spatial econometrics. In. In : Baltagi BH, ed. (ed.). A Companion to theoretical econometrics Oxford: Wiley-Blackwell; 2001. p. 310–330.

36. . ESRI. Spatial autocorrelation (spatial statistics) Available at https://www.esri.com/ [accessed on December 29, 2025].

37. . Lee SI, Sohn HG, Chae MO, Cho DH. A GIS-based method for delineating spatial clusters: A modified AMOEBA technique. J Korean Geogr Soc 2010;45(4):502–520. (Korean).

38. . Tobler WR. A computer movie simulating urban growth in the Detroit region. Econ Geogr 1970;46:234–240. DOI: 10.2307/143141.

39. . Yeom YH, Choi JH. QGIS and geospatial analysis in social sciences Seoul: Yoonsungsa Publishing; 2024. (Korean).

40. . Capellan JA, Porter JR. Spaces of terror: Modeling spatial non-stationarity in state-level repression. Appl Spat Anal Policy 2014;7:245–258. DOI: 10.1007/s12061-014-9106-2.

41. . Fotheringham AS, Yang W, Kang W. Multiscale geographically weighted regression (MGWR). Ann Am Assoc Geogr 2017;107(6):1247–1265. DOI: 10.1080/24694452.2017.1352480.

42. . Fotheringham AS, Oshan TM, Li Z. Multiscale geographically weighted regression: Theory and practice Boca Raton: CRC Press; 2023.

43. . ESRI. Geographically weighted regression (GWR) (spatial statistics) Available at https://www.esri.com/ [accessed on December 29, 2025].

44. . ESRI. Multiscale geographically weighted regression (MGWR) (spatial statistics) Available at https://www.esri.com/ [accessed on December 29, 2025].

45. . Brunsdon C, Fotheringham AS, Charlton ME. Geographically weighted summary statistics. Comput Environ Urban 2002;26(6):501–524. DOI: 10.1016/S0198-9715(01)00009-6.

46. . Oshan TM, Li Z, Kang W, Wolf LJ, Fotheringham AS. Mgwr: A Python implementation of multiscale geographically weighted regression for investigating process spatial heterogeneity and scale. ISPRS Int J Geo-Inf 2019;8(6):269. DOI: 10.3390/ijgi8060269.

47. . Oshan TM, Smith JP, Fotheringham AS. Targeting the spatial context of obesity determinants via multiscale geographically weighted regression. Int J Health Geogr 2020;19(1):11. DOI: 10.1186/s12942-020-00204-6.

48. . Yu H, Fotheringham AS, Li Z, Oshan T, Kang W, Wolf LJ. Inference in multiscale geographically weighted regression. Geogr Anal 2020;52(1):87–106. DOI: 10.1111/gean.12189.

49. . Lee H. Unveiling spatial dynamics and determinants of home-based and institutional long-term care services for the elderly: Insights from MGWR. J Health Info Stat 2025;50(4):323–336. (Korean). DOI: 10.21032/jhis.2025.50.4.323.

Article information Continued

This is an Open Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/4.0/) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

Variables	Unit	n	Mean	SD	Min	Median	Max
Independent variables
Proportion of single-person elderly HH	%	424	0.100	0.037	0.028	0.097	0.287
Proportion of low-income elderly people	%	424	0.098	0.061	0.001	0.093	0.430
Population density	10,000/km²	426	2.230	1.088	0.136	2.251	5.441
Low-rise high density housing ratio	%	401	0.461	0.282	0.001	0.436	0.991
Land value	1,000,000 won	424	5.861	3.324	2.398	4.886	33.285
Elderly care facilities for home-based services	%	364	3.675	3.380	0.079	2.941	35.185
Elderly care facilities for medical services	%	249	2.282	2.071	0.079	1.667	14.035

Elderly care facilities for home-based services				Elderly care facilities for medical services
Rank	Local jurisdictions (dong)		Number of facilities/km²	Rank	Local jurisdictions (dong)		Number of facilities/km²
1	(Gwanak-gu) Sillim		35.185	1	(Gangbuk-gu) Suyu 2		14.035
2	(Gwangjin-gu) Guui 1		21.429	2	(Dobong-gu) Banghak 1		11.594
3	(Gangbuk-gu) Mia		18.280	3	(Gangbuk-gu) Suyu 3		9.722
4	(Jung-gu) Sindang		18.182	4	(Dobong-gu) Banghak 2		9.459
5	(Gangbuk-gu) Suyu 2		15.789	5	(Dongdaemun-gu) Jegi		9.322
360	(Gangseo-gu) Gonghang		0.276	245	(Gangseo-gu) Gayang 1		0.213
361	(Seocho-gu) Yangjae 2		0.264	246	(Seocho-gu) Yangjae 1		0.174
362	(Mapo-gu) Sangam		0.119	247	(Seocho-gu) Yangjae 2		0.132
363	(Jongno-gu) Pyeongchang		0.113	248	(Eunpyeong-gu) Jingwan		0.087
364	(Seocho-gu) Naegok		0.079	249	(Seocho-gu) Naegok		0.079

Variables	OLS		GWR		MGWR
Variables	Coefficient	VIF	Coefficient (mean±SD)	Bandwidth (%)	Coefficient (mean±SD)	Bandwidth (%)
Elderly care facilities for home-based services
Proportion of single person elderly HH	5.725	2.848	2.516±6.667	418 (98.1)	0.034±0.020	426 (100.0)
Proportion of low-income elderly people	1.330	2.884	3.818±3.249	418 (98.1)	0.063±0.006	426 (100.0)
Population density	1.354***	1.058	1.242±0.067	418 (98.1)	0.467±0.282	45 (10.6)
Low-rise high density housing ratio	1.430**	1.057	1.464±0.185	418 (98.1)	0.070±0.021	426 (100.0)
Land value	-0.086	1.232	-0.079±0.012	418 (98.1)	-0.090±0.008	426 (100.0)
(Intercept)	-0.683	-	-0.507±0.319	418 (98.1)	-0.064±0.070	368 (86.4)
Elderly care facilities for medical services
Proportion of single person elderly HH	8.947*	2.848	4.545±8.568	164 (38.5)	0.027±0.020	426 (100.0)
Proportion of low-income elderly people	-2.650	2.884	-0.448±4.392	164 (38.5)	0.011±0.011	426 (100.0)
Population density	0.566***	1.058	0.493±0.316	164 (38.5)	0.279±0.276	48 (11.3)
Low-rise high density housing ratio	1.025***	1.057	1.072±0.714	164 (38.5)	0.132±0.063	239 (56.1)
Land value	-0.103***	1.232	-0.149±0.111	164 (38.5)	-0.040±0.005	426 (100.0)
(Intercept)	-0.398	-	-0.028±0.907	164 (38.5)	-0.032±0.416	34 (8.0)
Statistics	Elderly care facilities for home-based services			Elderly care facilities for medical services
Statistics	OLS	GWR	MGWR	OLS	GWR	MGWR
R²	0.246	0.266	0.368	0.209	0.396	0.572
R_adj²	0.237	0.240	0.312	0.199	0.320	0.499
AICc	2,141.189	1,102.754	1,091.219	1,689.067	1,075.374	996.329

GWR

Statistically significant variables and local districts in GWR
Elderly care	Population density (426)	∙ All dongs
Facilities for home-based services	Low-rise high density housing ratio (295)	∙ Gangnam-gu (all 22), Gangdong-gu (all 19), Gangbuk-gu (all 13), Gwangjin-gu (all 15), Nowon-gu (all 19), Dobong-gu (all 14), Dongdaemun-gu (all 14), Seodaemun-gu (all 14), Seongdong-gu (all 17), Seongbuk-gu (all 20), Songpa-gu (all 27), Eunpyeong-gu (all 16), Jongno-gu (all 17), Jung-gu (all 15), Jungnang-gu (all 16)
Facilities for home-based services	Low-rise high density housing ratio (295)	∙ Mapo-gu (15), Seocho-gu (12), Yongsan-gu (10)
Elderly care facilities for medical services	Proportion of single person elderly HH (34)	∙ Gangbuk-gu (5), Nowon-gu (15)
	Proportion of single person elderly HH (34)	∙ Dobong-gu (all 14)
	Proportion of low-income elderly people (19)	∙ Gangbuk-gu (1), Nowon-gu (8), Dobong-gu (10)
	Population density (208)	∙ Gangbuk-gu (all 13), Gangseo-gu (all 20), Guro-gu (all 16), Geumcheon-gu (all 10), Nowon-gu (all 19), Dobong-gu (all 14), Yangcheon-gu (all 18), Jungnang-gu (all 16)
	Population density (208)	∙ Gangdong-gu (9), Gwanak-gu (5), Gwangjin-gu (14), Dongdaemun-gu (12), Dongjak-gu (2), Seongdong-gu (2), Seongbuk-gu (16), Songpa-gu (3), Yeongdeungpo-gu (17), Eunpyeong-gu (1), Jongno-gu (1)
	Low-rise high density housing ratio (74)	∙ Gangbuk-gu (all 13), Nowon-gu (all 19), Dobong-gu (all 14)
	Low-rise high density housing ratio (74)	∙ Dongdaemun-gu (5), Seongbuk-gu (14), Jungnang-gu (9)
	Land value (83)	∙ Gangbuk-gu (7), Gangseo-gu (17), Gwanak-gu (12), Guro-gu (4), Geumcheon-gu (8), Nowon-gu (5), Dobong-gu (10), Dongjak-gu (6), Mapo-gu (1), Seongbuk-gu (1), Yangcheon-gu (4), Yeongdeungpo-gu (7), Eunpyeong-gu (1)

MGWR

Statistically significant variables and local districts in MGWR
Elderly care facilities for home-based services	Population density (356)	∙ Gangseo-gu (all 20), Gwanak-gu (all 21), Gwangjin-gu (all 15), Guro-gu (all 16 dongs), Geumcheon-gu (all 10), Nowon-gu (all 19), Dobong-gu (all 14), Dongdaemun-gu (all 14), Dongjak-gu (15), Mapo-gu (all 16), Songpa-gu (all 27), Yangcheon-gu (all 18), Eunpyeong-gu (all 16), Jungnang-gu (all 16)
		∙ Gangnam-gu (15), Gangdong-gu (17), Gangbuk-gu (12), Seodaemun-gu (11)
		∙ Seocho-gu (11), Seongdong-gu (7), Seongbuk-gu (13), Yeongdeungpo-gu (17), Yongsan-gu (3), Jongno-gu (9), Jung-gu (4)
	Low-rise high density housing ratio (259)	∙ Gangbuk-gu (all 13), Gwangjin-gu (all 15), Dobong-gu (all 14), Dongdaemun-gu (all 14), Seodaemun-gu (all 14), Seongdong-gu (all 17), Seongbuk-gu (all 20), Eunpyeong-gu (all 16), Jongno-gu (all 17), Jung-gu (all 15), Jungnang-gu (all 16)
	Low-rise high density housing ratio (259)	∙ Gangnam-gu (21), Gangdong-gu (17), Nowon-gu (13), Mapo-gu (6), Seocho-gu (5), Songpa-gu (18), Yongsan-gu (8)
Elderly care facilities for medical services	Population density (160)	∙ Geumcheon-gu (all 10), Dobong-gu (all 14), Jungnang-gu (all 16)
	Population density (160)	∙ Gangbuk-gu (12), Gangseo-gu (16), Gwanak-gu (10), Gwangjin-gu (14), Guro-gu (7), Nowon-gu (17), Dongdaemun-gu (12), Dongjak-gu (3), Seongdong-gu (2), Seongbuk-gu (4), Yangcheon-gu (14), Yeongdeungpo-gu (9)
	Low-rise high density housing ratio (60)	∙ Gangbuk-gu (all 13), Dobong-gu (all 14)
	Low-rise high density housing ratio (60)	∙ Nowon-gu (13), Dongdaemun-gu (2), Seongbuk-gu (9), Jungnang-gu (9)