공공데이터 API로 분석하는 지속가능 발전과 대한민국의 소멸 도시

1. 활용 가능한 공공데이터

2. 분석 절차

3. 파이썬 전체 코드

# ============================================================
# 공공데이터 API 인증키 활용 프로젝트
# 주제: 지속가능 발전과 대한민국의 소멸 도시
# 분석: 지난 30년 + 앞으로 10년 추세선, 인사이트, 정책 개발
# ============================================================

import requests
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

# ------------------------------------------------------------
# 1. 공공데이터 API 인증키 입력
# ------------------------------------------------------------
SERVICE_KEY = "여기에_공공데이터_API_인증키를_입력하세요"

# 예시 URL입니다.
# 실제 수업에서는 공공데이터포털 또는 KOSIS API 활용가이드의 URL로 바꾸세요.
# 예: 행정안전부 주민등록 인구통계, KOSIS 공유서비스, 지역별 주민등록인구 API 등
API_URL = "https://apis.data.go.kr/1741000/admmPpltnHhStus/selectAdmmPpltnHhStus"

# 분석할 도시명 예시
TARGET_CITY = "전라북도 임실군"

# ------------------------------------------------------------
# 2. 샘플 데이터 생성
#    실제 API 연동 전에도 수업 실습이 가능하도록 구성
# ------------------------------------------------------------
def make_sample_data():
    years = np.arange(1996, 2026)

    # 총인구: 30년 동안 점진적 감소를 가정한 예시
    total_population = [
        42000, 41200, 40500, 39800, 39100,
        38400, 37700, 36900, 36100, 35200,
        34300, 33500, 32700, 31900, 31200,
        30500, 29800, 29100, 28500, 27900,
        27300, 26800, 26300, 25800, 25300,
        24800, 24400, 24000, 23600, 23200
    ]

    # 20~39세 여성 인구: 청년층 유출로 감소
    women_20_39 = [
        4200, 4050, 3920, 3780, 3650,
        3500, 3360, 3210, 3070, 2930,
        2790, 2660, 2530, 2410, 2300,
        2190, 2080, 1980, 1890, 1800,
        1710, 1630, 1560, 1490, 1420,
        1360, 1300, 1240, 1180, 1130
    ]

    # 65세 이상 인구: 고령화로 증가
    elderly_65 = [
        6200, 6400, 6650, 6900, 7150,
        7420, 7700, 7980, 8260, 8550,
        8840, 9130, 9430, 9730, 10020,
        10300, 10580, 10850, 11100, 11350,
        11600, 11820, 12020, 12200, 12370,
        12520, 12650, 12770, 12880, 12980
    ]

    df = pd.DataFrame({
        "year": years,
        "city": TARGET_CITY,
        "total_population": total_population,
        "women_20_39": women_20_39,
        "elderly_65": elderly_65
    })
    return df

# ------------------------------------------------------------
# 3. 공공데이터 API 호출 함수
# ------------------------------------------------------------
def fetch_public_data():
    params = {
        "serviceKey": SERVICE_KEY,
        "pageNo": 1,
        "numOfRows": 1000,
        "type": "json"
    }

    try:
        response = requests.get(API_URL, params=params, timeout=10)
        response.raise_for_status()
        data = response.json()

        # 실제 API마다 JSON 구조가 다르므로 아래 부분은 활용가이드에 맞추어 수정합니다.
        # 필요한 컬럼: year, city, total_population, women_20_39, elderly_65
        rows = []

        # 예시 파싱 구조
        items = data.get("items", []) or data.get("response", {}).get("body", {}).get("items", [])
        for item in items:
            year = item.get("year") or item.get("stdYear") or item.get("baseYear")
            city = item.get("city") or item.get("sggNm") or item.get("region")
            total = item.get("total_population") or item.get("totPop") or item.get("population")
            women = item.get("women_20_39") or item.get("female20to39")
            elderly = item.get("elderly_65") or item.get("over65")

            if year and city and total and women and elderly:
                rows.append({
                    "year": int(year),
                    "city": str(city),
                    "total_population": int(str(total).replace(",", "")),
                    "women_20_39": int(str(women).replace(",", "")),
                    "elderly_65": int(str(elderly).replace(",", ""))
                })

        df = pd.DataFrame(rows)
        if df.empty:
            print("API 데이터 구조가 예시와 달라 샘플 데이터를 사용합니다.")
            return make_sample_data()
        return df

    except Exception as e:
        print("API 호출 실패 또는 파싱 실패:", e)
        print("수업용 샘플 데이터를 사용합니다.")
        return make_sample_data()

# ------------------------------------------------------------
# 4. 데이터 준비
# ------------------------------------------------------------
df = fetch_public_data()
df = df[df["city"].str.contains(TARGET_CITY.split()[-1], na=False) | (df["city"] == TARGET_CITY)]

if df.empty:
    df = make_sample_data()

df = df.dropna().sort_values("year")

# 최근 30년 선택
current_year = df["year"].max()
df_30 = df[df["year"] >= current_year - 29].copy()

# 지방소멸위험지수 = 20~39세 여성 인구 / 65세 이상 인구
df_30["extinction_risk_index"] = df_30["women_20_39"] / df_30["elderly_65"]

# ------------------------------------------------------------
# 5. 소멸위험 단계 판정 함수
# ------------------------------------------------------------
def risk_level(index):
    if index >= 1.5:
        return "소멸위험 매우 낮음"
    elif index >= 1.0:
        return "소멸위험 보통"
    elif index >= 0.5:
        return "주의 단계"
    elif index >= 0.2:
        return "소멸위험 진입"
    else:
        return "소멸고위험"

df_30["risk_level"] = df_30["extinction_risk_index"].apply(risk_level)

print("최근 30년 분석 데이터")
print(df_30.tail())

# ------------------------------------------------------------
# 6. 10년 후 추세선 예측
# ------------------------------------------------------------
future_years = np.arange(df_30["year"].min(), current_year + 11)
future_X = pd.DataFrame({"year": future_years})

models = {}
predictions = {}

for col in ["total_population", "women_20_39", "elderly_65", "extinction_risk_index"]:
    X = df_30[["year"]]
    y = df_30[col]
    model = LinearRegression()
    model.fit(X, y)
    models[col] = model
    predictions[col] = model.predict(future_X)

future_index = predictions["extinction_risk_index"][-1]
future_total = predictions["total_population"][-1]
future_level = risk_level(future_index)

# ------------------------------------------------------------
# 7. 핵심 인사이트 출력
# ------------------------------------------------------------
first_pop = df_30.iloc[0]["total_population"]
last_pop = df_30.iloc[-1]["total_population"]
pop_change = (last_pop - first_pop) / first_pop * 100

first_index = df_30.iloc[0]["extinction_risk_index"]
last_index = df_30.iloc[-1]["extinction_risk_index"]
index_change = (last_index - first_index) / first_index * 100

print("\n[핵심 인사이트]")
print(f"분석 지역: {TARGET_CITY}")
print(f"지난 30년 총인구 변화율: {pop_change:.2f}%")
print(f"지난 30년 소멸위험지수 변화율: {index_change:.2f}%")
print(f"현재 소멸위험지수: {last_index:.3f} / 단계: {risk_level(last_index)}")
print(f"10년 후 예측 총인구: {future_total:,.0f}명")
print(f"10년 후 예측 소멸위험지수: {future_index:.3f} / 단계: {future_level}")

if future_index < 0.2:
    print("판단: 10년 후 소멸고위험 단계가 예상되어 강력한 인구·일자리·생활SOC 정책이 필요합니다.")
elif future_index < 0.5:
    print("판단: 소멸위험 진입 단계가 지속될 가능성이 있어 청년 정착 정책이 시급합니다.")
else:
    print("판단: 아직 회복 가능성이 있으므로 선제 정책으로 위험을 낮출 수 있습니다.")

# ------------------------------------------------------------
# 8. 시각화
# ------------------------------------------------------------
plt.rcParams["font.family"] = "Malgun Gothic"
plt.rcParams["axes.unicode_minus"] = False

plt.figure(figsize=(12, 7))
plt.plot(df_30["year"], df_30["total_population"], marker="o", label="실제 총인구")
plt.plot(future_years, predictions["total_population"], linestyle="--", label="총인구 추세선 및 10년 예측")
plt.axvline(current_year, linestyle=":", label="현재 기준 연도")
plt.title(f"{TARGET_CITY} 총인구 30년 추세와 10년 전망")
plt.xlabel("연도")
plt.ylabel("총인구")
plt.legend()
plt.grid(True)
plt.tight_layout()
plt.savefig("population_30years_10future.png", dpi=200)
plt.show()

plt.figure(figsize=(12, 7))
plt.plot(df_30["year"], df_30["extinction_risk_index"], marker="o", label="실제 소멸위험지수")
plt.plot(future_years, predictions["extinction_risk_index"], linestyle="--", label="소멸위험지수 추세선 및 10년 예측")
plt.axhline(0.5, linestyle=":", label="소멸위험 진입 기준 0.5")
plt.axhline(0.2, linestyle=":", label="소멸고위험 기준 0.2")
plt.axvline(current_year, linestyle=":", label="현재 기준 연도")
plt.title(f"{TARGET_CITY} 지방소멸위험지수 30년 추세와 10년 전망")
plt.xlabel("연도")
plt.ylabel("소멸위험지수")
plt.legend()
plt.grid(True)
plt.tight_layout()
plt.savefig("extinction_risk_index_trend.png", dpi=200)
plt.show()

# ------------------------------------------------------------
# 9. 정책 개발안
# ------------------------------------------------------------
policies = [
    "청년 정착 패키지: 주거비, 지역 일자리, 창업 공간, 교통비를 묶어 지원",
    "생활인구 확대: 워케이션, 체류형 관광, 관계인구 등록제를 통한 정기 방문 유도",
    "교육 지속가능성: 작은 학교 특성화, 온라인 공동교육과정, 지역 대학 연계 강화",
    "돌봄·의료 접근성 개선: 고령층 방문진료, 응급교통, 스마트 건강관리 확대",
    "지역 산업 전환: 농생명, 재생에너지, 기후테크, 로컬푸드 산업 육성",
    "공공데이터 대시보드: 인구, 일자리, 빈집, 교통, 의료 지표를 매년 공개"
]

print("\n[정책 개발안]")
for i, p in enumerate(policies, start=1):
    print(f"{i}. {p}")

4. 인사이트 도출

5. 관련 정책 개발안

6. 수업 활동 문항

1. 지방소멸위험지수가 총인구보다 더 민감한 지표가 될 수 있는 이유를 설명하시오.
2. 공공데이터 API 인증키가 필요한 이유와 API 활용의 장점을 쓰시오.
3. 지난 30년 추세선과 앞으로 10년 예측선을 비교해야 하는 이유를 설명하시오.
4. 소멸위험 도시를 살리기 위해 가장 효과적인 정책 1가지를 선택하고 근거를 제시하시오.
5. 생활인구, 관계인구, 정주인구의 차이를 조사하고 지역 정책과 연결해 설명하시오.