Journal Search Engine

to

Search Advanced Search Adode Reader(link)
Download PDF Export Citation Korean Bibliography PMC Previewer
ISSN : 2288-9167(Print)
ISSN : 2288-923X(Online)
Journal of Odor and Indoor Environment Vol.25 No.1 pp.1-14
DOI : https://doi.org/10.15250/joie.2026.25.1.1

Assessment of indoor air pollution levels in multi-use facilities in seoul to safeguard the health of vulnerable populations

Jinhyo Lee, Hyojin Youn, Jiyoun Kim, Myungkru Park, Jihui Kim, Juhee Hong, Hyunju Ha, Jina Kim, Seungmi Kwon*
Living Environment Research Division, Seoul Metropolitan Government Research Institute of Public Health and Environment
* Corresponding Author: Tel: +82-2-570-3300 E-mail: dotcom@seoul.go.kr
15/01/2026 11/02/2026 11/02/2026

Abstract


This study investigated indoor air quality (IAQ) in 302 facilities (consisting of 638 monitoring points) across five types of multi-use facilities for the health of vulnerable populations in Seoul. The facility types consisted of the following: ICPs (indoor children’s playgrounds), PCCs (postnatal care centers), ECFs (elderly care facilities), HCFs (health care facilities), and CCCs (child care centers). The investigation was carried out over a 1-year period, from January to December 2024. The objective of this research was to provide a scientific basis for IAQ management by identifying characteristics specific to facility types and potential risk levels for vulnerable populations in Seoul. Five indoor air pollutants (PM10, PM2.5, CO2, HCHO, and TAB) were continuously measured, and their concentration distributions, temporal variability, and multi-pollutant patterns were analyzed using data visualization and statistical methods. Boxplots and ridgeline plots characterized distributions and seasonality by facility type, while star plots and K-means clustering were used to examine multi-pollutant combinations and inter-facility pattern differences. Most measurements were within national IAQ standards. However, HCFs and PCCs exhibited relatively higher mean levels and variability of HCHO and TAB, indicating a greater need to control chemical and microbiological sources. CO2 concentrations approached or temporarily exceeded the national standard, particularly in HCFs, reflecting differences in occupant density, occupancy time, and ventilation management. Kruskal-Wallis and pairwise Wilcoxon rank-sum tests revealed statistically significant differences among facility types, particularly for CO2 and HCHO, consistent with the visualized multi-pollutant profiles. K-means clustering identified three IAQ patterns-multi-pollutant-elevated, activity/ventilation-influenced, and low-pollutionindicating that management needs may vary across facilities despite uniform national standards. These findings provide a methodological basis for IAQ big data analysis, policy making, and supporting future research integrating multi-year, outdoor, building, activity, and health data.


Indoor air quality , Multi-use facilities , Health sensitive populations , Data visualization

건강민감군 보호를 위한 서울시 다중이용시설 실내 공기질 오염도 평가 연구

이진효, 윤효진, 김지윤, 박명규, 김지희, 홍주희, 하현주, 김진아, 권승미*
서울특별시보건환경연구원 생활환경연구부

초록

    © Korean Society of Odor Research and Engineering & Korean Society for Indoor Environment. All rights reserved.

    1. 서 론

    현대 사회에서 대부분의 사람들은 주거, 교육, 근로, 여가 등 다양한 활동을 수행하는 과정에서 하루 80% 이상의 시간을 실내환경(IE, indoor environment)에서 보내고 있으며, 이에 따라 쾌적하고 건강한 실내환경에 대한 사회적 기대가 높아지고 있다(Yang, 2024). 2000년대 이후에는 도시화 가속, 에너지 효율 중심의 건축 트렌드, 팬데믹(pandemic)을 경험한 생활 양식의 변화 등의 영향으로 실내환경이 인간의 건강과 생산성에 미치는 영향은 과거 어느 때보다 중요한 이슈가 되고 있다(Seppänen et al., 1999;Sundell, 2004;Bluyssen, 2010;Allen and Marr, 2020;Morawska and Cao, 2020). 특히 일상적 쾌적성을 좌우하는 냉·난방 온도, 습도, 조도 등 물리적 환경조건뿐만 아니라, 호흡기 건강과 직결되는 실내공기질(IAQ, indoor air quality) 관리 필요성이 크게 부각되고 있는데, 이는 단순히 청결한 공간을 확보하는 차원을 넘어, 장시간의 오염된 공기 노출이 호흡기 질환, 알레르기 증가, 만성질환 악화 등 다양한 건강 문제를 야기할 수 있기 때문이다(Yang, 2024). 세계보건기구(WHO, World Health Organization)는 이러한 문제를 인식하고 실내공기질을 인간의 건강과 복지에 영향을 미치는 핵심 요인으로 규정하였다. 특히 WHO의 보고에 따르면 2020년 한 해 동안 실내 대기오염이 약 320만 명의 사망을 유발했으며, 그 중 5세 미만 어린이는 약 23만 7천 명에 달하는 것으로 나타났다(WHO, 2024). 이는 실내환경의 안전성 확보가 전 세계적인 공공보건의 핵심 과제임을 보여 주는 대표적 사례다.

    실내공기질은 단일 요인이 아닌 다양한 환경적·건축적·행태적 요인의 복합적인 영향을 받는다(Jones, 1999). 조리, 흡연, 난방기구 사용, 건축자재 및 가구에서 방출되는 화학물질, 청소용품 사용 등은 포름알데 하이드(HCHO), 휘발성유기화합물(VOCs), 라돈, 이산화질소(NO2), 이산화탄소(CO2), 일산화탄소(CO)와 같은 가스상 오염물질뿐 아니라 미세먼지(PM10, PM2.5), 총부유세균, 곰팡이 등 입자상 오염물질을 발생시켜 실내공기질을 저하시키는 주요 요인이 된다(Nazaroff and Weschler, 2004;Wallace, 2006;Salthammer et al., 2010). 특히 이중에서도 다중이용시설은 불특정 다수가 이용하는 시설로써 재실자의 수가 많고 활동 유형이 다양하여 일반 가정보다 더 많은 실내 오염원에 노출될 우려가 있다(Kim, 2006;Won et al., 2021). 이러한 특성으로 인해 다중이용시설에서는 오염물질 농도의 급격한 변동이나 공기 순환의 비효율성이 발생하기 쉬우며, 이는 빌딩증후군(SBS, sick building syndrome), 새집증후군(SHS, sick house syndrome) 등 다양한 비특이적 증상을 유발할 수 있다(Yang, 2024). 특히 일반인들뿐만 아니라 면역력이 약한 어린이, 노약자, 만성질환자 등 건강민감군(health sensitive populations)에게는 단기간의 오염된 공기 노출로 인해서도 호흡기 질환 및 알레르기 증상 등 건강 문제가 유발되거나 악화될 수도 있어 더욱 세심한 관리과 요구된다(KECO, 2024).

    실내공기질 관리는 국민의 삶의 질을 향상시키고 도시 보건정책의 기반을 강화하는 핵심 요소로 자리 잡고 있다(Jones, 1999;Fisk and Seppänen, 2007;WHO, 2010). 최근에는 학교, 어린이집, 지하역사, 실내 체육 시설 등 전통적인 다중이용시설뿐 아니라, 신축 공동주택과 같이 일상생활에서 접촉 빈도가 높은 다양한 공간까지 관리대상이 확대되는 추세이다(Sundell, 2004;WHO, 2009). 또한 과학적 데이터 기반의 행정과 효율적인 정책결정을 위한 실증자료의 필요성이 증가함에 따라, 실내공기질 데이터를 체계적으로 수집·분석하고, 그 결과를 직관적으로 이해할 수 있는 형태로 시각화하여 활용하는 연구의 중요성 또한 한층 더 커지고 있다. 국내에서도 이미 어린이집, 학교 등 건강민감군이 주로 이용하는 교육시설(Yang et al., 2015;Park et al., 2017;Kim et al., 2020)과 노인요양시설 및 의료기관과 같은 취약계층 이용시설을 대상으로 한 실내공기질 실측 연구가 다수 수행되어 왔으며(Park, 2014;Lee et al., 2018;Choi et al., 2020), 실내 및 도시 환경에서 측정된 공기질 데이터를 시각화하고, 공간적 분포 특성을 분석하려는 시도도 확대되고 있다(Jeon et al., 2022;Lee et al., 2022). 그럼에도 불구하고, 다중이용시설 중에서 건강민감군이 주로 이용하는 시설을 명확히 연구 대상으로 설정하고, 이들 시설의 실내공기질 농도 및 오염수준을 다양한 데이터 시각화 기법을 통해 입체적으로 비교·분석한 연구는 여전히 부족한 실정이다. 특히 건강민감군 다중이용시설을 유형별로 구분하여 오염물질 농도 분포, 상대적 오염수준, 시설 유형별 농도 차이 등을 종합적으로 제시하고, 이를 정책 및 관리전략 수립에 활용 가능한 형태로 시각화한 사례는 아직까지 국내에서 제한적으로 보고되고 있다.

    이에 본 연구에서는 다양한 데이터 시각화(data visualization) 기법을 활용하여 어린이집, 노인요양시설, 의료기관 등 서울지역의 건강민감군 다중이용시설을 대상으로 유형별 실내공기질 수준과 오염 특성을 종합적으로 분석·평가하였다. 이를 통해 실내공기질 관리체계의 과학적 기반을 강화하고, 건강취약계층이 실제로 직면할 수 있는 잠재적 위험 수준과 시설 유형별 특성을 반영한 맞춤형 관리전략을 도출하는 등 향후 서울시 실내공기질의 적정 관리방안을 마련하기 위한 기초자료를 제공하고자 하였다.

    2. 연구 방법

    2.1 연구대상 및 분석방법

    본 연구에서는 2024년 1년 동안 서울지역의 다중이용시설 중 대표적 건강민감군 다중이용시설인 실내어린이놀이시설(ICP, indoor children’s playground) 14개소(28지점), 산후조리원(PCC, postnatal care center) 38개소(76지점), 노인요양시설(ECF, elderly care facility) 37개소(74지점), 의료기관(HCF, health care facility) 144개소(322지점), 어린이집(CCC, child care center) 69개소(138지점) 등 총 5개 시설 유형, 302개소(638지점)를 연구대상으로 선정하였다. 시료채취는 ⸢실내공기 질공정시험기준(NIER, 2024)⸥에 따라 연면적 1만m2 이 하는 2지점, 이후 1만m2마다 1지점씩 추가하여 최대 4지점을 채취하고, 측정지점 평균값으로 평가하였다. 검사항목은 ⸢실내공기질 관리법⸥에서 정한 다중이용시설 실내공기질 유지기준(관리항목)에 해당하는 미세먼지(PM10, 75 μg/m3 이하), 초미세먼지(PM2.5, 35 μg/ m3 이하), 이산화탄소(CO2, 1,000 ppm 이하), 폼알데하이드(HCHO, 80 μg/m3 이하), 총부유세균(TAB, Total Airbone Bacteria, 800 CFU/m3 이하) 등 총 5항목을 선정하여 실내공기오염물질 농도를 조사하였다. 이들 항목은 각각 입자상 오염, 환기(혼잡) 수준, 화학적 오염 및 생물학적 오염을 대표하는 지표로서 시설 유형별 오염 특성의 비교·해석에 적절하다.

    2.2 데이터 시각화

    데이터 시각화란 데이터에 내재된 통계적 정보를 다양한 형태의 그림으로 표현하는 것을 의미하며, 최근에는 센서를 포함한 스마트 기기의 확산, 네트워크 고도화, 하드웨어 및 소프트웨어 기술 발전 등으로 빅데이터 시대가 도래하면서, 데이터를 직관적으로 이해할 수 있을 뿐만 아니라 내재된 인사이트(insight)를 발견할 수 있는 도구로서 그 필요성이 더욱 강조되고 있다(Lee et al., 2015). 본 연구에서는 그래픽 기능에 강점을 지닌 오픈소스 언어인 R-4.4.3 통계 소프트웨어를 활용하여 다양한 시각화를 수행하였다. 우선 각 실내공기오염물 질 농도의 분포 형태를 파악하기 위해 일반적으로 데이터 분포 전체 형태를 정밀하게 평가하는 Shapiro-Wilk, Anderson-Darling, Lilliefors 검정을 활용하여 정규성 검정(p < 0.05)을 실시하였다(Razali and Wah, 2011). 동시에 해당 데이터가 어떤 확률분포에 가까운지 시각적으로 평가하기 위하여 분포밀도 함수 및 Cullen and Frey 그래프를 제시하였다. Cullen and Frey 그래프는 데이터의 왜도(skewness)와 첨도(kurtosis) 값을 기반으로 생성되며, 주로 확률분포 적합도 평가나 모형 선택 과정 등에서 사용된다(Delignette-Muller and Dutang, 2015).

    시설 유형 및 측정항목별 특성을 보다 직관적으로 비교하기 위해 상자그림(boxplot), 융기선 도표(ridgeline plot), 별그림(star plot) 등 다양한 형태의 시각화 기법을 적용하였다(Friendly, 2002;Wike, 2018). 상자그림은 데이터의 중앙값(median), 사분위수 범위(IQR, interquartile range), 이상치(outlier) 등 주요 기술통계 량을 시각적으로 요약하여 그룹 간 분포의 대칭성, 변동성 및 이질성을 직관적으로 평가하는데 활용되는 대표적인 시각화 방법 중 하나이다. 융기선 도표는 시설 유형 및 측정항목별 확률밀도함수(probability density function)를 동일한 수평축 위에 수직으로 적층하여 제시함으로써, 분포의 위치, 형태 및 분산 차이를 한눈에 비교할 수 있도록 하는 기법이다. 단순 평균 비교가 아니라 분포 전체의 형태(비대칭성, 꼬리, 다봉성 등)를 보여주므로 같은 평균이라도 일시적 고농도 발생 가능성을 구분해서 해석할 수 있다. 본 연구에서는 커널밀도추정(KDE, kernel density estimation, R-4.4.3 ggridges 패키지 활용)을 통해 시설 유형별 농도 분포를 식 (1)과 같이 추정하고, 이를 융기선 도표로 시각화하여 다중이용시설 간 실내 공기질 오염도 분포의 차이와 겹침 정도를 비교하였다.

    f g ( x ) = 1 n g h ∑ i = 1 n g K ( x − x g i h )
    (1)

    • xg : concentration of target pollutants in group g (facility type)

    • ng : the number of observations in group g

    • K : kernel function (Gaussian kernel was used in this study)

    • h : bandwidth parameter controlling the smoothness of the estimated density

    별그림은 각 관측 단위(시설 유형)에 대해 여러 오염물질 농도를 방사형 축(radial axis)으로 배치하고, 각 축의 길이를 정규화된 값으로 표현한 후 선으로 연결하여 다각형 형태를 구성하는 다변량 시각화 기법 중 하나이다. 측정항목 간 단위 차이를 제거하고 상대적인 패턴을 강조하기 위하여 각 오염물질 농도는 식 (2)와 같이 항목별 최소-최대값을 이용한 정규화(minmax normalization)를 수행한 후 다각형을 구성하였다. 이를 통해 시설 유형 간 오염물질 조합 특성과 특정 오염물질의 상대적 중요도를 시각적으로 비교할 수 있었다.

    Z i j = x i j − min i ( x i j ) max ( x i j ) − min ( x i j )
    (2)

    • xij : value of target pollutants(j) for facility type(i) (where i = 1, ...., n and j = 1, ...., p)

    • zij : normalized value of target pollutants(j) for facility type(i)

    2.3 통계분석

    본 연구에서는 실내공기오염물질 평균농도를 벡터로 하고, 그 패턴(조합 특성)을 기준으로 하는 K-평균 군집분석(K-means clustering)을 수행하였다. K-평균 군집분석은 벡터들의 유사도(거리)에 따라 K개의 그룹으로 나누는 대표적인 비지독학습(unsupervised learning) 알고리즘이다. 또한 K-최근접 이웃(KNN, K nearest neighbors), K-평균 군집분석, 계층적 군집분석(hierarchical clustering), 밀도기반 군집화(DBSCAN, Density‑based spatial clustering of applications with noise) 등 거리 기반의 모델인 경우 변수 간 척도 차이로 인한 왜곡을 사전에 방지하기 위해 스케일링(scaling) 전처리가 필요하다(Jain, 2010). 이에 본 연구 에서는 이상치에 대한 강건성(robustness)을 확보하기 위하여 식 (3)과 같이 로버스터 스케일러(robust scaler)를 적용하였다(Hampel et al., 2005). 일반적으로 데이터 스케일링 기법으로 Z-점수(Z-score) 표준화나 사분위수 범위를 활용한 단순 정규화가 널리 사용되나, 이러한 방법들은 이상치를 사전에 제거하지 않는 한 이상치의 영향을 직접적으로 줄여주지 못하며, 오히려 이상치가 포함된 상태에서 평균 또는 표준편차 등이 계산됨에 따라 스케일링 결과가 왜곡될 수 있다. 따라서 본 연구에서는 이상치를 완전히 제거하지 않고 데이터에 남겨 두되, 중앙값과 IQR을 이용하여 이상치의 영향을 완화하는 로버스트 스케일링(robust scaling) 방법을 사용하였다. 이를 통해 일부 극단값이 존재하더라도 데이터 대부분이 적절한 범위로 변환되고, 이상치 또한 극단적인 값에서 상대적으로 덜 극단적인 값으로 변환되는 효과를 얻을 수 있었다.

    x j ( r o b u s t ) = x j − x ˜ j I Q R j
    (3)

    • xj : median concentration of target pollutants

    • IQRj : Q3,j–Q1,j, interquartile range of variable j (where Q3,j (third quartile), Q1,j (first quartile))

    시설 유형별 평균농도 간 유의한 차이를 검정하기 위해 데이터의 분포 형태(비정규성, 이분산 가능성)를 고려하여 비모수적(non-parametric) 다집단 비교 방법인 크루스칼-월리스 검정(Kruskal-Wallis test)을 수행하였다(Hollander et al., 2015). 크루스칼-월리스 검정은 순위에 기반하여 3개 이상 집단의 위치 차이를 평가하는 대표적인 비모수 검정방법으로 검정통계량 H는 식 (4)와 같이 정의되고, 충분히 큰 표본의 경우 H 는 자유도 G-1인 카이제곱 분포를 따른다고 가정한다. 이를 바탕으로 시설 유형별 실내오염물질 농도 분포가 동일하다는 귀무가설을 기각할지 여부를 판단함으로써, 시설 유형에 따른 농도 차이가 통계적으로 유의한지 평가하였다.

    H = 12 N ( N + 1 ) ∑ g = 1 G R g 2 n g − 3 ( N + 1 )
    (4)

    • g : facility type group index (where g = 1, ...., G)

    • N : total sample size

    • Rg : rank-sum of group g after assigning ranks to all observations

    • ng : sample size of group g

    동시에 크루스칼-월리스 검정 결과, 시설 유형 간 통계적으로 유의한 전체 차이가 확인된 경우, 어느 그룹 (시설 유형) 간 차이가 나타나는지를 구체적으로 파악하기 위해 추가 분석을 수행하였다. 이를 위해 각 시설 유형을 대상으로 윌콕슨 순위합 검정(pairwise Wilcoxon rank-sum test)을 적용하였으며, 시설 유형 간 분포 차이가 통계적으로 유의한지 여부를 평가하였다. 이를 통해 실내공기오염물질 농도 분포의 시설 유형별 차이를 평가하고, 군집결과와의 일관성을 검토하였다.

    3. 결과 및 고찰

    3.1 건강민감군 다중이용시설 실내공기질 오염도 현황 및 데이터 시각화

    총 302개소 대상 시설 중 실내공기질 유지기준(1,000 ppm)을 초과한 시설은 의료기관 3개소(약 1.0%)에서 CO2 1개 항목만이 소폭 초과하였다(평균 1,051~1,079 ppm). 이에 따라 청소, 환기 및 공기정화 시설 정비, 공조시스템 추가 가동 등 해당 시설 개선조치를 실시하였으며, 이후 재검사 결과 3개소 모두 기준 이내(467~873 ppm)로 나타나는 등 전 지점이 관련 유지기준 이내로 개선되었다. 이를 통해 적절한 환기 및 공기정화 설비 운전 관리 등이 고농도 CO2 문제를 효과적으로 개선할 수 있음을 확인하였다.

    CO2를 제외한 다른 검사항목들은 모든 시설에서 법적 유지기준을 충족하여 전 항목에 대해 ‘적합’ 판정을 받았다. 전체 638개 지점을 기준으로 산출한 시설 유형별 실내공기오염물질 농도는 Fig. 1, Table 1과 같다.

    평균값의 정밀도를 나타내는 신뢰구간(CI)을 살펴보면, CO2, TAB 항목의 신뢰구간이 다른 항목에 비해 상대적으로 넓게 나타났다. 이는 두 항목이 시설별 이용 인원 및 이용 패턴, 환기·밀폐 상태, 청소 관리 수준 등 각 시설의 환경적·운영상 특성 차이에 보다 민감하게 반응하기 때문인 것으로 판단된다. 측정 자료의 산포도를 평가하는 상대표준편차(RSD)를 비교한 결과, TAB, HCHO 항목이 상대적으로 높게 나타났으며, 이는 두 항목 모두 온·습도, 시설 노후도, 실내 마감재 및 가구의 특성 등 실내 환경조건에 민감하게 반응하는 특성이 있기 때문이다. 특히 TAB의 경우 환경조건 변화에 따라 단기간에도 농도가 크게 변동할 수 있는 생물학적 오염원이기 때문에 이러한 특성으로 인해 시설 간·시간대 간 농도 차이가 크게 나타나고, 그 결과 상대표준편차가 높게 산정된 것으로 판단된다.

    Fig. 1을 살펴보면, PM10과 PM2.5 최대값은 모두 관련 기준 이내에 분포하여, 입자상 물질에 따른 직접적인 건강 위해 가능성은 전반적으로 낮은 것으로 판단된다. 시설별로는 의료기관의 PM10 및 PM2.5 평균농도 가 각각 17.6 μg/m3, 10.8 μg/m3로 가장 높고 산포도도 넓어 변동성이 컸던 반면, 실내어린이놀이시설은 12.0 μg/m3, 8.1 μg/m3로 가장 낮게 나타났다. 다만, 의료기관 등 일부 시설 유형에서는 PM2.5 농도 이상치가 기준을 초과하고 변동성도 커, 이들 시설에 대해서는 지속적인 모니터링과 미세먼지 관리 강화가 요구된다. CO2 의 경우, 5개 시설 유형의 평균 및 중앙값은 모두 기준 선(1,000 ppm) 이내로 대체로 양호한 수준이었으나, 실 내어린이놀이시설을 제외한 4개 시설 유형에서 최대값이 기준을 초과하여 일시적 고농도 노출 가능성이 확 인되었다. 특히 의료기관과 산후조리원의 중앙값이 각각 674.1 ppm, 690.8 ppm으로 높고, 최대값도 기준을 초과하여 단기적 고농도 노출 가능성을 확인하였다. 이는 환기 관리가 상대적으로 취약한 시설 유형으로, 이들 시설에서는 기계·자연환기를 포함한 환기 강화 및 설비 점검 주기 준수 등 CO2 저감을 위한 효율적인 환기·관리 방안이 매우 중요할 것으로 판단된다. 어린이집은 CO2 농도가 비교적 높고 측정값 범위도 넓었는데, 이는 공간 규모, 이용 아동 수와 활동량, 환기 부족 등이 복합적으로 작용한 결과로 판단된다.

    HCHO는 모든 시설에서 최대값이 기준 이내에 있어 기준치 초과에 따른 직접적인 건강 위해 가능성은 낮은 것으로 평가된다. 의료기관에서 일부 이상치가 관찰되었으나 대부분은 기준치 이내에 분포하였다. 시설 유형 별로는 산후조리원과 실내어린이놀이시설의 평균(중앙값) 농도가 각각 28.2 (24.4) μg/m3, 24.9 (22.7) μg/m3 로 상대적으로 높았고, 어린이집은 8.9 (6.5) μg/m3로 가장 낮고 안정적인 수준을 보였다. 이는 건축·마감 재, 실내 집기 특성 및 환기·온습도 관리 수준 등 시설별 구조적·운영상 차이가 HCHO 농도에 반영된 결과로 해석된다. TAB의 경우에도 모든 시설에서 최대값이 기준 이내에 분포하여, 위생학적 관리 수준이 전반적으로 양호한 것으로 판단된다. 다만, 시설 유형별 농도 수준과 변동성에는 차이가 존재하였는데, 산후조리원과 의료기관의 평균농도(중앙값)는 각각 245.3 (176.6) CFU/m3, 219.3 (174.2) CFU/m3로 가장 높게 나타났고, 산포도 역시 상대적으로 넓어 변동성이 큰 양상을 보였다. 반면 노인요양시설은 평균 166.5 CFU/m3, 중앙값 133.6 CFU/m3로 가장 낮은 수준을 보였으며, 산포도 또한 좁아 측정값이 비교적 안정적으로 분포하였다. 이는 시설별 밀폐도, 환기 상태, 이용자 특성(연령, 건강 상태, 체류시간 등), 위생·청소 관리 수준 등 복합적인 요인이 미생물 오염도에 영향을 미친 결과로 볼 수 있다. 특히 산후조리원과 의료기관에서는 최대값이 기준치 이내임에도 불구하고 상대적으로 이상치가 빈번하게 관찰되는 등 미생물 오염 관리의 체계적 관리 강화가 중요할 것으로 사료된다.

    건강민감군 다중이용시설 실내공기오염물질 계절별 농도는 Table 2와 같다. 전반적으로 PM10, PM2.5 평균농도는 봄과 겨울에 높고, 여름에 낮은 경향을 보였다. 이는 봄과 겨울에 외기(실외)의 미세먼지 농도가 상대적으로 높아 실내로의 유입을 통해 실내농도에도 어느 정도 영향을 미친 결과로 해석된다. 실제로 최근 3년 (2022~2024년) 서울지역 계절별 대기질 자료에 따르면 봄철 평균농도는 PM10 46.3 μg/m3, PM2.5 20.9 μg/m3, 겨울철은 PM10 39.3 μg/m3, PM2.5 24.1 μg/m3로 나타나 다른 계절(여름 PM10 24.1 μg/m3, PM2.5 14.7 μg/m3, 가을 PM10 25.8 μg/m3, PM2.5 14.3 μg/m3)에 비해 현저히 높은 수준을 보였다. 이러한 결과는 봄철 황사, 겨울철 고농도 (초)미세먼지 발생 등 계절적 외기 오염 특성이 건강민감군 시설의 실내 미세먼지 농도에도 직접적인 영향을 미칠 수 있다는 점을 시사한다. 따라서 봄과 겨울에는 단순히 실내 발생오염원 저감에만 초점을 둘 것이 아니라, 외기 오염도에 따른 환기 전략 조정, 출입구 및 필터 관리 강화, 실내 표면 청소 등 외기 유입을 고려한 계절별 실내환경 관리가 필요하다.

    CO2 평균농도는 전반적으로 실내공기질 유지기준 (1,000 ppm) 이하 수준을 유지하였으나, 계절별로는 여름에 가장 높고 봄에 가장 낮은 경향을 보였다. 특히 여름철 평균 CO2 농도는 봄철 대비 약 98.5 ppm 상승 (봄 616.3 → 여름 714.8 ppm)한 것으로 나타났는데, 이는 냉방기 사용 증가에 따른 창문 개방 감소 및 환기 부족의 영향으로 판단된다. 따라서 여름철에는 적정 환기량 확보를 위한 기계환기 운영, 주기적 창문 개방 등 냉방·환기 병행 관리가 중요하다. HCHO, TAB 농도 역시 여름에 가장 높고 겨울에 낮은 경향을 보였다. HCHO의 경우, 봄(9.0 μg/m3)과 겨울(9.0 μg/m3)에 비해 여름(19.7 mg/m3)과 가을(18.9 mg/m3)에는 약 2배 이상 증가하였으며, 이는 고온다습한 환경에서 건축자재 및 가구류에서의 방출량 증가 영향과 일치한다(Yoo, 2010). TAB 농도 또한 겨울(124.8 CFU/m3)에 비해 여름(246.7 CFU/m3)과 가을(266.3 CFU/m3)에 크게 증가 하는 양상을 보이는 등 생물학적 오염원의 계절적 증가 특성과 부합하였다. 이에 따라 여름~가을 시기에는 냉방·제습, 충분한 환기, 강화된 위생관리 등 계절 집중형 실내환경 관리 전략이 필요할 것으로 판단된다.

    3.2 건강민감군 다중이용시설 실내공기질 데이터 시각화

    통계분석을 위한 사전검토 수단으로서 실내공기오염 물질(5개 검사항목) 농도 분포의 형태를 평가하기 위해 정규성 검정을 실시였다. Shapiro-Wilk, Anderson- Darling, Lilliefors 검정 등 3가지 방법으로 정규성 검정(p < 0.05)을 실시한 결과, 3가지 방법에서 5개 항목 모두 비정규분포(p-value < 2.2E-16)를 보였다. 각 실내공기오염물질 항목별 확률분포는 Table 3에서 보듯이 PM10, CO2, HCHO, TAB의 경우 로그-정규(lognormal) 분포를, PM2.5는 감마(gamma) 분포에 가까운 형태를 보이는 등 시각적으로도 비정규분포를 확인할 수 있었다.

    Fig. 2는 시설 유형별 융기선 도표이다. 융기선 도표 분석 결과, 우선 PM10, PM2.5 분포는 모든 시설 유형에서 대체로 낮은 농도 범위에 집중되어 있었으며, 실내 어린이놀이시설에서만 다봉성 경향을 보이는 등 일시적 고농도 발생 가능성을 시사하였다. CO2의 경우 대부분의 분포가 기준치 이내에 위치하였으나, 의료기관과 산후조리원 등 일부 시설 유형에서는 분포 중심이 상대적으로 높은 값에 치우치고 상위 꼬리가 기준선 인근까지 확장되는 등 환기 관리 등이 필요함을 확인할 수 있었다. 또한 의료기관과 산후조리원에서는 HCHO 농도 분포의 중심이 다른 시설 유형에 비해 상대적으로 높은 농도 영역에 위치하고 분포 폭도 넓어, 평균농도뿐 아니라 변동성 측면에서도 노출 수준이 높은 시설로 나타났다. 반면, 어린이집과 노인요양시설은 HCHO가 낮은 농도 영역에 밀집된 좁은 분포를 보여 전반적인 관리 상태가 비교적 안정적인 것으로 평가된다. 한편, TAB는 산후조리원과 의료기관에서 분포 폭이 넓고 오른쪽 꼬리가 두드러져 미생물 농도의 변동성이 크고 간헐적 고농도 노출 가능성이 높은 반면, 노인요양시설 등 일부 시설 유형은 낮은 농도에 밀집된 비교적 안정적인 분포를 보였다.

    Fig. 3에서 보듯이, 동일 축에서 항목별 농도를 정규화하여 제시하는 별그림 분석결과, 시설 유형별로 실내 공기오염물질 농도의 상대적 크기와 조합 양상이 뚜렷하게 구분되어, 각 시설이 가지는 특유의 오염 특성을 시각적으로 확인할 수 있었다. 의료기관과 산후조리원은 HCHO와 TAB 축 방향의 변이가 상대적으로 두드러져 화학적 오염물질과 미생물학적 오염원의 중요도가 높게 나타난 반면, 일부 시설에서는 CO2 또는 입자 상 물질(PM, particulate matter)의 축이 상대적으로 길게 표현되어 인체 활동·환기 조건 또는 재부유에 더 큰 영향을 받는 유형으로 구분되었다. 이러한 결과는 단일 항목의 절대 농도 비교를 넘어, 시설 유형별 오염 물질 조합 특성과 특정 오염인자의 상대적 중요도를 한 눈에 파악하게 해주며, 향후 시설 특성에 기반한 맞춤형 실내공기질 관리 전략 수립에 유용한 기초자료를 제공할 수 있을 것으로 기대된다.

    3.3 통계분석 결과

    비모수 분산분석 방법인 크루스칼-월리스 검정 (Kruskal-Wallis test)결과, Table 4와 같이 유의한 수준으로 모든 항목에서 시설 유형별 평균농도 간 유의한 차이를 확인하였다.

    Table 5에서 보듯이 같이 윌콕슨 순위합 검정(pairwise Wilcoxon rank-sum test)을 통해 항목별로 어떠한 시설 유형 간 차이가 나타나고 있는지 확인할 수 있었다. PM10, PM2.5 등 입자상 물질의 경우, PM10은 의 료기관과 어린이집 등 일부 시설 유형 간 유의한 차이를 보일 뿐 전반적으로 시설 유형 간 큰 차이가 없는 것으로 나타났다. 이를 통해 실내환경에서는 입자상 물질 농도가 비교적 균질하거나, 단기간 측정으로는 시설 간 차이가 뚜렷하게 분리되지 않았을 것으로 판단된다. CO2의 경우, 의료기관과 노인요양시설에서, 산후조 리원과 노인요양시설에서, 의료기관과 실내어린이놀이 시설에서 통계적으로 유의한 차이를 보였으며, 이는 일부 인원이 밀집되거나 환기 조건이 상대적으로 불리한 시설(어린이·특정 의료·요양 시설 등)이 다른 시설 유형에 비해 유의하게 평균농도가 높기 때문인 것으로 판단된다(p < 0.05). HCHO는 어린이집과 노인요양시설, 의료기관, 산후조리원 등 시설 유형 간에 통계적으로 유의한 차이를 보였다. 일반적으로 의료기관과 산후 조리원은 신생아 및 환자 보호를 위해 상대적으로 밀폐된 공간에서 운영되며 소독제·세정제 사용이 많은 특성을 보인다. 이러한 환경적 요인으로 인해 해당 시설의 HCHO 평균농도가 어린이집보다 높게 나타났으며, 그 차이가 통계적으로 유의하게 검증된 것으로 해석된다. 반면 TAB는 PM2.5와 같이 시설 간 차이가 제한적으로 나타나는 등 전반적으로 시설 유형 간 통계적으로 유의한 차이가 없는 것으로 나타났다.

    실내공기오염물질의 패턴(조합 특성)을 파악하기 위하여, 전체 시설들에 대해 5개 항목의 평균농도를 입력 변수로 하여 K-평균 군집분석을 수행하였다. 오차제곱합(SSE, sum of squares for error)의 변화 양상을 고려한 결과, K = 3에서 오차제곱합이 최소가 되어 3개 군집이 최적 군집 개수로 선정되었으며, 그 결과 각 군집의 평균농도 패턴은 Fig. 4와 같이 로버스트 스케일로 표준화하여 시각화하였다. 군집별 평균농도 패턴을 살펴보면, Cluster 1은 HCHO와 TAB 등 일부 화학적· 미생물학적 오염물질의 평균농도가 상대적으로 높게 나타나 다수의 오염인자가 동시에 관찰되는 ‘복합 오염형’ 군집으로 분류되었다. 반면, Cluster 2는 입자상 물질(PM10, PM2.5)과 CO2의 상대적 수준이 다른 군집에 비해 높게 나타나 인원 밀집도 및 환기 조건에 민감한 ‘활동·환기 영향형’ 군집의 특성을 보였다. Cluster 3은 모든 항목에서 표준화된 농도가 전반적으로 낮게 나타나 ‘저오염형’ 군집으로 해석되었다. 아울러, 각 군집에 포함된 시설 유형을 확인한 결과, Cluster 1(복합 오염형)에는 의료기관과 산후조리원의 비율이 상대적으로 높게 나타났으며, 이는 앞서 제시된 개별 실내공기오염물질 항목 분석에서 해당 시설들이 HCHO 및 TAB 등 여러 오염물질에서 높은 농도 분포를 보인 결과와도 일관된다. 반면, 어린이집과 노인요양시설은 주로 Cluster 3(저오염형)에 분포하는 양상을 보여, 전반 적인 실내공기질 수준이 상대적으로 양호한 시설 유형으로 분류되었다.

    군집분석 결과는 Fig. 3의 별그림에서 관찰된 시설 유형별 실내공기오염물질 조합 특성과 유사하였으며, 특히 복합 오염형 군집에 의료기관과 산후조리원이 집중되고, 저오염형 군집에 어린이집, 노인요양시설이 주로 분포하는 경향이 별그림에서의 패턴과 일치하였다. 이는 시설별 평균 농도 벡터를 이용한 K-평균 군집화가 시설 유형에 따른 오염 특성 차이를 일관되게 반영하고 있음을 보여준다.

    4. 결 론

    본 연구는 서울지역 건강민감군 다중이용시설인 어린이집, 실내어린이놀이시설, 산후조리원, 노인요양시설, 의료기관 등 5개 시설 유형 302개소(총 638개 지점)를 대상으로 2024년 동안 실내공기질을 실측하고, 데이터 시각화 및 통계분석 기법을 활용하여 시설 유형별 오염 특성과 다중 오염물질 조합 패턴을 종합적으로 분석하였다. PM10, PM2.5, CO2, HCHO, TAB 등 5개 오염 물질을 대상으로 농도 분포와 변동성을 평가하고, 시설 유형 및 계절별 특성과 오염물질 조합 차이를 다양한 시각화와 군집분석을 통해 비교하였다.

    분석 결과, 대부분의 오염물질 농도는 현행 실내공기질 유지기준 이내에 분포하였으나, 시설 유형과 오염물질 항목에 따라 상대적 수준과 변동성에는 차이가 확인되었다. 특히 일부 의료기관과 산후조리원에서 HCHO 와 TAB 농도가 상대적으로 높게 나타나 화학적·미생물학적 오염 관리의 중요성이 두드러졌으며, CO2는 이용자 밀집도와 환기 관리 수준에 따라 기준에 근접하거나 일시적으로 초과하는 사례가 관찰되었다. 반면, PM10과 PM2.5는 시설 유형 간 차이가 비교적 제한적이었으나, 계절적·외기 영향에 따라 관리 필요성이 제기되었다.

    본 연구는 단일 오염물질 기준 충족 중심의 관리에서 나아가, 시설 유형별 오염물질 조합 특성을 고려한 맞춤형 실내공기질 관리전략의 필요성을 제시하였다. 또한 다양한 시각화 기법과 통계분석을 연계한 접근을 통해 향후 실내공기질 빅데이터 분석과 정책 의사결정 지원에 활용 가능한 방법론적 근거를 제공한다. 다만 서울지역 단일 연도(2024년) 자료와 제한적인 활동·건물 정보라는 한계를 가지므로, 향후에는 다년간 자료와 외기질·건물 특성 및 건강영향 지표를 통합한 분석을 통해 건강민감군 보호를 위한 보다 정밀한 실내공기질 관리정책 수립에 핵심적인 기초자료를 제공할 수 있을 것으로 기대된다.

    <저자정보>

    이진효(연구사), 윤효진(연구사), 김지윤(연구사), 박명규(환경직), 김지희(연구사), 홍주희(연구사), 하현주(연구관), 김진아(팀장), 권승미(부장)

    Figure

    JOIE-25-1-1_F1.jpg

    Comparison of mean indoor air pollutant concentrations by facility category.

    JOIE-25-1-1_F2.jpg

    Ridgeline plot by facility category.

    JOIE-25-1-1_F3.jpg

    Star plot by facility category.

    JOIE-25-1-1_F4.jpg

    K-means clustering of indoor air pollutants: average concentration profiles.

    Table

    Indoor air pollutant concentrations by facility category: analysis of 638 monitoring sites

    1RSD (%): relative standard deviation
    2CI: confidence interval

    Seasonal indoor air pollutant concentrations: analysis of 638 monitoring sites

    Cullen and frey graph, histogram and probability density distribution by indoor air pollutants

    The results of Kruskal-Wallis rank-sum test by indoor air pollutants

    The results of Pairwise Wilcoxon test heatmap by indoor air pollutants

    Reference

    1. Allen, J. G., Marr, L. C., 2020. Recognizing and controlling airborne transmission of SARS-CoV-2 in indoor environments. Indoor Air 30(4), 557-558.
    2. Bluyssen, P. M., 2010. Towards new methods and ways to create healthy and comfortable buildings. Building and Environment 45(4), 808-818.
    3. Choi, H. J., Kim, Y. M., Lee, B. K., 2020. Suggestions for management of indoor air quality in public facilities - Focusing on national policy and current status -. Journal of Odor and Indoor Environment 19(2), 101-110.
    4. Delignette-Muller, M. L., Dutang, C., 2015. fitdistrplus: An R package for fitting distributions. Journal of Statistical Software 64(4), 1-34.
    5. Fisk, W. J., Seppänen, O., 2007. Providing better indoor environmental quality brings economic benefits. In Clima 2007.
    6. Friendly, M., 2002. Corrgrams: Exploratory displays for correlation matrices. The American Statistician 56(4), 316- 324.
    7. Hampel, F. R., Ronchetti, E. M., Rousseeuw, P. J., Stahel, W. A., 2005. Robust statistics: the approach based on influence functions. John Wiley & Sons, New Jersey, 1-77.
    8. Hollander, M., Wolfe, D. A., Chicken, E., 2015. Nonparametric statistical methods. John Wiley & Sons, New Jersey, 1-10.
    9. Jain, A. K., 2010. Data clustering: 50 years beyond K-means. Pattern Recognition Letters 31(8), 651-666.
    10. Jeon, S. W., Lim, H. K., Park, S. M., Jung, H. K., 2022. Indoor air data meter and monitoring system. Journal of the Korea Institute of Information and Communication Engineering 26(1), 140-145.
    11. Jones, A. P., 1999. Indoor air quality and health. Atmospheric Environment 33(28), 4535-4564.
    12. Kim, D. H., Son, Y. S., Lee, T. J., Jo, Y. M., 2020. A comparative study on concentrations of indoor and outdoor particulate matters in elementary schools. Korean Society of Remote Sensing 36(6), 1721-1732.
    13. Kim, Y. D., 2006. Measurements of indoor air quality in crowd facilities. Journal of the Architectural Institute of Korea 22(11), 289-296.
    14. Korea Environment Corporation (KECO), 2024. 2023~2024 Sustainability report, 49.
    15. Lee, T. R., Heo, M. H., Lee, J. J., Lee, G. H., 2015. Data visualization, Korea National Open University Publishing Culture Center, Seoul, 195-197. Available from: URL: https://press.knou.ac.kr/goods/textBookView.do?condCmdtCode=9788920044588&condLscValue=001
    16. Lee, J. H., Lee, K. H., Yoon, J. C., Bae, I. S., Oh, S. R., Choi, Y. S., Shin, Y. S., 2022. A study on air quality characteristics of Seoul urban area through data visualization, 65th Regular Academic Conference of the Korean Society of Atmospheric Environment, Korean Society for Atmospheric Environment, Songdo, PB17 299-299.
    17. Lee, K., Choi, J. H., Lee, S. K., Park, H. J., Oh, Y. J., Kim, G. B., Lee, W. S., Son, B. S., 2018. Indoor levels of volatile organic compounds and formaldehyde from emission sources at elderly care centers in Korea. Plos One 13(6), e0197495.
    18. Morawska, L., Cao, J., 2020. Airborne transmission of SARS-CoV-2: The world should face the reality. Environment International 139, 105730.
    19. Nazaroff, W. W., Weschler, C. J., 2004. Cleaning products and air fresheners: exposure to primary and secondary air pollutants. Atmospheric Environment 38(18), 2841-2865.
    20. National Institute of Environmental Research (NIER), 2024. Indoor air quality testing standards. NIER Notification No. 2024-70, December 30.
    21. Park, M. J., 2014. A Study on hospital architecture of indoor air quality improvement and harmful factors management plan. Journal of The Residential Environment Institute of Korea 12(2), 43-53.
    22. Park, S. M., Lee, H. S., Yang, Y. K., Lee, S. Y., Park, J. C., 2017. A survey of the indoor air quality in the child care center. Journal of Korean Living Environment System 24(6), 733-743.
    23. Razali, N. M., Wah, Y. B., 2011. Power comparisons of Shapiro-Wilk, Kolmogorov-Smirnov, Lilliefors and Anderson-Darling tests. Journal of Statistical Modeling and Analytics 2(1), 21-33.
    24. Salthammer, T., Mentese, S., Marutzky, R., 2010. Formaldehyde in the indoor environment. Chemical Reviews 110(4), 2536-2572.
    25. Seppänen, O., Fisk, W. J., Mendell, M. J., 1999. Association of ventilation rates and CO2 concentrations with health and other responses in commercial and institutional buildings. Indoor Air 9(4), 226-252.
    26. Sundell, J., 2004. On the history of indoor air quality and health. Indoor Air 14(s7), 51-58.
    27. Wallace, L., 2006. Indoor sources of ultrafine and accumulation mode particles: size distributions, size-resolved concentrations, and source strengths. Aerosol Science and Technology 40(5), 348-360.
    28. Wike, C. O., 2018. ggridges: ridgelilne plots in ‘ggplot2’. [cited 2025 Nov 10]; Available from: URL: https://cran.r-project.org/web/packages/ggridges/index.html
    29. Won, S. R., Shim, L. K., Kim, J., Ji, H. A., Lee, Y., Lee, J., Ghim, Y. S., 2021. PM2.5 and trace elements in underground shopping districts in the Seoul metropolitan area, Korea. International Journal of Environmental Research and Public Health 18(1), 297.
    30. World Health Organization (WHO), 2009. WHO guidelines for indoor air quality: dampness and mould. 1-6.
    31. World Health Organization (WHO Regional Office for Europe), 2010. WHO guidelines for indoor air quality: selected pollutants. 1-13.
    32. World Health Organization (WHO), 2024. Household air pollution. [cited 2025 Dec 6]; Available from: URL: https://www.who.int/news-room/fact-sheets/detail/household-air-pollution-and-healthl
    33. Yang, J. H., Nam, I. S., Yun, H. J., Kim, J. M., Oh, H. J., Lee, D. H., Jeon, S. M., Yoo, S. H., Sohn, J. R., 2015. Characteristics of indoor air quality at urban elementary schools in Seoul, Korea: Assessment of effect of surrounding environments. Atmospheric Pollution Research 6(6), 1113- 1122.
    34. Yang, W. H., 2024. Indoor Air Quality and Harm Management. Jipmoon Publishers, Seoul, 21-22.
    35. Yoo, B. H., 2010. The effect of temperature and humidity on formaldehyde emission from building materials. Journal of the Architectural Institute of Korea 26(7), 249-256.