홍수와 전염병 발발 연계 분석 사건 동시성 방법론

본 논문은 복잡계와 기후·보건 분야에서 점점 더 중요해지고 있는 ‘사건 시계열(event time series)’ 분석을 위한 새로운 통계적 프레임워크인 사건 동시성 분석(event coincidence analysis, 이하 ECA)을 제시한다. 전통적인 연속형 시계열 분석이 평균·분산 등 통계량을 기반으로 상관관계를 탐색하는 반면, ECA는 사건 자체가 이산적인 점으로 나타나는 경우에 초점을 맞추어, 두 사건 시계열 간의 동시 발생 빈도와 그 방향성, 시간 지연을 정량화한다. ECA의 핵심은 ‘전구 사건(pre‑cursor)’과 ‘촉발 사건(trigger)’이라는 두 가지 동시성 비율을 정의하는 데 있다. 전구 동시성 비율 r_p(ΔT,τ)는 A 사건(예: 홍수)이 발생했을 때, τ만큼 시차를 두고 ΔT 시간 창 안에 최소 하나의 B 사건(예: 전염병)이 존재할 확률을 측정한다. 이는 Heaviside 함수와 구간 지시 함수를 이용해 수식화되며, 동일 창에 여러 B 사건이 포함되더라도 중복을 방지한다. 반대로 촉발 동시성 비율 r_t(ΔT,τ)는 B 사건이 A 사건을 앞선 경우를 측정한다. 이러한 정의는 사건 간 인과 관계의 방향성을 명시적으로 구분할 수 있게 해준다. 통계적 유의성 검정을 위해 저자들은 두 단계의 귀무 가설을 설정한다. 첫 번째는 독립적인 포아송 과정 가정으로, 사건이 시간에 대해 균등하고 무상관임을 전제한다. 이 경우, 단일 A 사건에 대해 B 사건이 ΔT 구간에 존재할 확률 p = ΔT/(T−τ)이며, N_B개의 B 사건 중 최소 하나와 겹칠 확률은 1−(1−p)^{N_B} 로 계산된다. 두 번째는 지정된 사건 간 간격 분포 P(Δt)를 갖는 비포아송 점 과정으로, 특히 장기 기억이나 버스트 현상을 반영한다. 여기서는 Monte Carlo 시뮬레이션을 통해 경험적 분포를 구축하고, 관측된 동시성 비율이 해당 분포의 상위 5%를 초과하는지를 검정한다. 다중 지역·국가 데이터를 다룰 때는 ‘집계 동시성 비율’ r_G^p, r_G^t 를 도입한다. 이는 각 국가별 사건 쌍을 개별적으로 분석한 뒤, 가능한 최대 동시성 수로 정규화해 전체적인 전 세계적 연관성을 정량화한다. 이 방식은 국가별 사건 수 차이에 의해 결과가 왜곡되는 것을 방지한다. 실증 분석에서는 1950년대 이후 전 세계 150개 이상 국가의 홍수 기록과 WHO·UN 데이터베이스에 기반한 전염병 발생 시점을 사용하였다. ΔT를 30일, τ를 0~90일 범위로 설정해 다양한 지연 효과를 탐색했으며, 대부분의 경우 τ≈30~60일에서 집계 전구 동시성 비율 r_G^p가 유의하게 상승함을 확인했다. 이는 홍수 발생 후 약 한 달 이내에 전염병 발발 위험이 증가한다는 실질적 의미를 갖는다. 포아송 기반 검정에서도 p‑값이 0.01 이하였으며, 비포아송(버스트) 모델을 적용했을 때도 유의성이 유지돼, 결과가 모델 선택에 민감하지 않음을 확인했다. 논문의 주요 기여는 다음과 같다. 첫째, 사건 시계열 간 인과 관계를 정량화할 수 있는 통계적 도구인 ECA를 체계적으로 정의하고, R 패키지 CoinCalc을 공개함으로써 재현 가능성을 높였다. 둘째, 기존 연구가 주로 개별 사례에 머물렀던 홍수‑전염병 연계성을 전 세계 규모와 장기 시계열에 걸쳐 검증함으로써, 기후 극단 현상이 공중보건에 미치는 구조적 영향을 정량화했다. 셋째, 포아송 및 비포아송 점 과정 기반의 다중 귀무 가설 검정을 제시해, 데이터 특성(사건 수 적음, 시간 불확실성 등)에 맞는 유연한 통계적 판단을 가능하게 했다. 마지막으로, 향후 기후 변화 시나리오에서 극단 강수 사건 빈도가 증가함에 따라 예상되는 전염병 위험 상승을 사전 예측하고 정책 설계에 활용할 수 있는 방법론적 토대를 제공한다.