Marine Protected Area in the Kunming-Montreal Global Biodiversity Framework and Considerations for Its Domestic Implementation
Bibliographic record
Abstract
이 글은 2022년 12월 채택된 쿤밍-몬트리올 글로벌 생물다양성 프레임워크(KM-GBF)에 담긴 해양보호지역에 관한 주요내용을 살펴보고, 우리나라가 이를 국내적으로 이행함에 있어서 고려하여야 할 과제를 제시하고 있다.<br/> KM-GBF Target 3은 2030년까지 육지와 해양 각각 30% 이상을 보호지역으로 지정할 것을 요구하고 있다. 생물다양성협약이 국가생물다양성전략의 수립, 현지 내 보전, 국가보고서 제출 등을 당사국의 의무로 명시하고 있고, KM-GBF는 당사국총회 결정의 형식으로 국가생물다양성전략이나 국가보고서의 내용으로 보호지역 관련 목표 달성을 위한 조치와 그 이행에 관한 사항을 포함시켜 일정한 기한 내에 제출하도록 함으로써 생물다양성협약에 따른 당사국의 의무를 구체화하고 있는 것이기 때문에, 우리나라 역시 당사국으로서 KM-GBF Target 3에 따른 목표를 이행하지 않을 수 없다.<br/> 2024년 9월 현재, 해양보호지역은 2.46%에 불과한 상황으로, 2030년까지 30% 이상을 달성하려면 가야 할 길이 너무 멀다. 해양보호지역 신규 지정 등 확대를 위한 더욱 실천적인 노력이 요구된다. 더욱 어려운 과제는 KM-GBF가 ‘30 by 30’이라는 정량적 목표만을 제시하고 있는 것이 아니라 “효과적으로 보전되고 관리될 것(effectively conserved and managed)” 등과 같은 정성적 목표까지 제시하고 있다는 점이다. 우리나라 해양보호지역의 가장 큰 문제점은 No-fishing zone, 즉 해양생물 포획 등의 행위가 금지되는 지역 자체가 존재하지 않는다는 점이다. 이와 같이 느슨한 행위제한이 해양보호지역 지정에 대한 지역주민 등의 수용성을 제고하는 데는 도움이 될지 모르겠지만, 효과적 보전·관리라는 정성적 목표 달성을 저해하는 요소임에는 틀림이 없다. 나아가 아무리 법령 규정상으로 엄격한 행위제한과 제재가 규정되어 있다 하더라도, 그 집행이 제대로 이루어지지 않는다면 이 역시 KM-GBF가 요구하는 효과적 보전․관리와는 거리가 멀다는 점을 인식하여야 할 것이다. OECM이 해양보호지역의 신규 지정이나 확대 등에 따른 사회적 저항을 피할 수 있는 매력적인 대안이 될 수 있음은 틀림없다. 그러나 OECM은 그 용어에서부터 확인할 수 있듯이, 효과적인 보전․관리 등 정성적인 요건을 충족하는 것이어야만 WD-OECM에 보고․ 등록될 수 있는 것이고, 30% 이상이라는 정량적 목표 달성에도 반영될 수 있는 것이다.<br/> 자칫 해양보호지역의 정량적인 확대에만 중점을 두게 될 경우, 정성적인 기준 달성에 실패할 수 있음을 유의할 필요가 있다. 지정기준의 완화, 지정절차의 간소화, 임기응변식 지정, 행위제한 완화 등이 정량적 목표 달성에는 기여할 수 있을지 몰라도, 생물다양성에 관하여 특별한 중요성이 인정되는 지역의 중점적 지정, 효과적인 보전·관리, 형평적 관리, 지정절차상 형평성과 수용성 보장, 생태적 연결성의 계획적 고려 등 정성적인 요건에는 배치되는 것임을 명심하여야 할 것이다.<br/> 이렇듯 KM-GBF Target 3에 담긴 해양보호지역에 관한 정량적 목표와 정성적 목표를 하나하나 파헤쳐 보면, 우리 앞에 놓인 숙제가 결코 만만해 보이지 않는다. 입법적으로는 현행 해양보호지역 관련 법령상 지정요건이나 절차의 정비, 행위제한의 강화 등이 요구될 것이고, 해양공간계획과의 연계성 강화를 위하여 「해양공간계획 및 관리에 관한 법률」개정을 검토할 필요도 있을 것이다. 나아가 해양보호지역의 통합 관리를 위한 단일법을 제정하는 방안도 모색할 필요가 있다. 또한, 애써 지정한 보호지역을 제대로 관리하기 위한 인적 자원과 재원 등 제도적 기반 확보에도 노력을 기울여야 할 것이며, 해양보호지역 지정 및 관리에 있어서 지역주민, 지역사회, 관계 전문가 등과의 협력과 거버넌스 체계 구축에도 힘써야 할 것이다.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".