좌초사고의 지형학적 영향요인과 민감성분석 : 통영해역을 중심으로
신정훈*·성효현**
Analysis of Geomorphological Factor and Susceptibility of Ship Grounding Accident: a case study of Tongyeong sea area
Jeonghoon Shin* · Hyo Hyun Sung**
이 논문은 2016년 정부(국토교통부)의 재원으로 공간정보 융복합 핵심인재 양성사업의 지원을 받아 수행된 연구임(2016-07- 02). 또한 본 논문의 내용은 신정훈의 석사학위논문을 재구성한 것이며 2018년 제13차 해양지구물리 자료의 적용과 해저지명 에 관한 국제심포지엄 & 2018년 한국수로학회 추계 학술대회(The13th International Symposium on Application of Marine Geophysical Data and Undersea Feature Names & 2018 Annual Conference of the Hydrographic Society of Korea)에서 발표되었음.
* 이화여자대학교 사회과교육과 석사(Master, Department of Social Studies Education, Ewha Womans University), jeong hoonshin_ewha@naver.com.
** 이화여자대학교 사회과교육과 교수(Professor, Department of Social Studies Education, Ewha Womans University), hhsung@ewha.ac.kr.
?
?
?
?
참고문헌
?
대한지리학회지
?
?
?
?
?
?
?
?
?
?
요약 :국내 해양사고는 증가하는 추세이며 해양사고의 발생에는 인적요인과 환경적 요인이 복합적으로 작용한 다. 본 연구의 목적은 좌초사고가 지속적으로 발생하는 핫스팟을 시공간큐브 분석을 통해 찾고 연구지역 내 좌초 사고의 주요요인과 좌초사고로 이어지는 특정 조건을 규칙으로 정리한 의사결정규칙을 도출하는 것이다. 더불 어 좌초사고와 요인 간 상관관계 및 요인 내 등급별 중요도를 빈도비모델을 통해 분석하고 민감성을 산출하여 이 를 시각화하는 것을 목적으로 한다. 분석결과, 좌초사고의 핫스팟은 통영해역에 가장 넓게 분포하였다. 의사결 정나무기법을 통해 좌초사고의 주요요인을 분석한 결과 노간출암, 초, 선박유형, 해상지형 등의 상대적 중요도 가 높았다. 구체적으로 사고지점 반경 1km 이내 노간출암이 1개 이상 존재하고 선박유형이 어선이며 반경 1km 이내 초가 6개 이상 존재할 때 사고유형이 충돌, 접촉 등 11개 유형 중 좌초일 가능성이 52.8%로 비교적 높았다.
빈도비 분석 결과 수심이 8.68m보다 얕으며, 속성지형이 수로지형이고, 1km2 그리드당 노간출암과 초가 6개 이 상 존재하고, 사주, 장애물과 침선이 1개 이상 분포하는 곳에서 좌초사고가 주로 발생하였다. 연구지역의 좌초사 고 민감성을 시각화한 결과 견내량해협과 인근의 수로지형, 사량해협, 자란만, 고성만 부근, 공룡초 서쪽 만입지 형에서 높은 민감성이 확인되었다. 이곳은 수심이 상대적으로 얕고 수로지형 또는 만입지형에 속하며 항해위험 요소가 분포하고 있다. 더불어 통영시 동쪽에 여객터미널이 있어 해상교통량이 집중되는 것도 높은 좌초사고 민 감성에 영향을 주었을 것으로 유추된다.
주요어 : 좌초사고, 시공간 큐브 분석, 의사결정나무, 빈도비, 민감성
Abstract : The number of marine accidents in Korea has been increased over decades. The purpose of this study is to find consecutive hotspot of ship grounding accidents, to discover the main geomorphological factor of the ship grounding accidents and create a ship grounding susceptibility map of the Tongyeong sea area. In order to achieve this goal, the consecutive hotspot was found by space time cube analysis by using
1. 연구배경 및 연구목적
해양사고란 해상에서 발생하는 모든 사고를 총괄 하는 개념이다. 국내 해양사고에 대한 정의는 「해 양사고의 조사 및 심판에 관한 법률」 제2조(정의)에 규정되어 있으며 이는 국제해사기구(International Maritime Organization, IMO)기준과 유사하다(김동 진·곽수용, 2011). 본 해양사고 정의에는 선박의 구 조·설비 또는 운용과 관련하여 사람이 사망 또는 실 종되거나 부상을 입은 사고, 선박의 운용과 관련하여 선박이나 육상시설·해상시설이 손상된 사고, 선박 이 멸실·유기되거나 행방불명된 사고, 선박이 충돌·
좌초·전복·침몰되거나 선박을 조종할 수 없게 된 사 고, 선박의 운용과 관련하여 해양오염 피해가 발생한 사고가 포함된다. 해양안전심판원 통계연보에서는 해양사고의 종류를 충돌, 접촉, 좌초, 전복, 화재·폭 발, 침몰, 기관손상, 인명사상, 부유물감김, 운항저해, 기타(속구손상, 시설물손상, 추진축계손상, 조타장치 손상, 해양오염 등)로 분류하고 있다.
해양사고의 원인에 대한 연구는 지속적으로 이루 어지고 있으며 대부분 인적요인을 중심으로 수행되 고 있다(김홍태 등, 2011; 나송진 등, 2003; Baker and McCafferty, 2005; Celik and Cebi, 2009;
Wiegmann and Shappell, 2017). 양원재 등(2013) 는 선원의 피로도와 해양사고의 인과관계를 살펴보 았으며, 나성 등(2012)는 IMO의 해양사고 조사코드 를 활용하여 충돌사고에 적용한 사례연구를 수행하 였고 이때 해양사고를 유발하는 인적요소와 관련된 요인을 인적요소, 소프트웨어요소, 하드웨어 요소, 환
경요소로 분류하였다. 또한 김준우(2015)는 해양안전 심판원의 재결서를 통해 유조선 충돌사고의 초기요 인을 분석하였고 5가지 주요요인으로 시계상태제한, 경계소홀, 판단오류, 조선 부적절, 부적절한 피항동작 을 지목하였다.
해양사고는 인적 요인이 단독으로 영향을 미칠 뿐 만 아니라 기후, 해양환경 등 자연환경요인과 결합하 였을 때 발생하는 경우가 많다(이홍훈 등, 2011; 정대 율 등, 2013). 이에 따라 간출암, 노출암, 인공해양구 조물 등 항해위험요소에 대한 공간적 분석 및 관리의 필요성이 대두되고 있다(최진무, 2011). 해양사고 저 감을 위한 사고 위험 평가 모델 개발 연구에서도 수 심, 항로 폭과 같은 지형학적 요소가 중요 요소로 고 려되고 있다(김도연 등, 2010; 송재욱 등, 2013). 노 르웨이 NTNU Social Research의 해양사고 위험요 인에 대한 보고서(Risk influencing factors in mari- time accidents: An exploratory statistical analysis of the Norwegian Maritime Authority incident database)에서는 해양사고의 각 유형에 대한 독립변 수의 영향력이 로지스틱 회귀분석을 통해 연구되었 고 좁은 수로 등의 지형적 요인 및 풍속, 풍향과 같은 기상요인 등이 해양사고 위험요인에 포함되었다. 좌 초 발생 시 충격과 선박안정성에 대한 연구(Simon- sen 1997; Santos and Soares, 2009)에서 좌초의 요 인은 크게 인적요인, 선박제원, 항로특색, 날씨 조건, 상황요인 5가지로 나뉘었다. 자연환경적 요소는 아니 지만 어장과 같은 인공구조물이 항해위험요소임에도 해도에 정확하게 표기되지 않아 관리의 필요성이 지 적되기도 하였다(정대율·김대훈, 2013).
the marine accidents data. Then, the factors of the ship grounding accidents were analyzed by decision tree method and the ship grounding susceptibility map was created based on the frequency ratio between the ship grounding data and the factors. The result of the study is that firstly, the Tongyeong sea area has been identi- fied as consecutive hotspot. Secondly, a probability of ship grounding accident was 52.8% when there are rock and reef; the vessel type is fishing boat. Finally, the high susceptible area was where the water depth was shallower than 8.68m; sea surface feature was a channel; the number of rock and reef was more than 5; the sand ridge, wreck and obstacle existed.
Key Words : ship grounding accident, space-time cube, decision tree, frequency ratio, susceptibility
기존 해양사고 연구는 통계연보를 활용한 경우가 많아 개별 사고의 공간적 특징이 충분히 고려되지 않 았으며 사고의 원인이 기상/기후학적 요인, 지형학적 요인과 복합적으로 작용한 경우에도 대부분 인적요 인으로 분류된 경향이 있다. 해양사고의 민감성 혹은 취약성을 분석한 연구 중 선박특성 또는 수심 등을 고 려한 연구가 있으나(유진욱, 2015; 송재욱, 2013) 민 감성 분석 결과의 시각화로 이어지지는 않았다. 한편, 이홍훈 등(2011)의 남해안해양사고 연구에 따르면 충 돌은 교통환경적 영향을, 침몰과 전복은 풍랑에 영향 을 우세하게 받은 반면, 좌초사고는 기상학적, 교통환 경적 요인과의 뚜렷한 연관성이 규명 되지 않았다.
본 연구의 목적은 좌초사고가 지속적으로 발생하 는 곳을 찾고 좌초사고의 주요요인과 발생하는 특정 조건을 파악하며 좌초사고 민감성지수를 산출해 시 각화하는 것이다. 구체적인 세부 연구목표는 첫째, 좌 초사고가 지속적으로 발생하는 핫스팟(Hot Spot)의 위치를 파악하는 것이다. 둘째, 도출된 핫스팟 내 좌 초사고와 그 요인을 분석하여 좌초사고의 주요요인 과 발생하는 조건을 의사결정규칙으로 파악한다. 마 지막으로 연구지역의 좌초사고 영향요인 내 등급별 중요도를 분석하고 좌초사고 민감성지수를 산출해 지도로 시각화한다.
2. 연구데이터 및 분석방법
1) 연구데이터
연구에 사용된 데이터는 해양사고 데이터, 해양속 성지형데이터, 수심데이터, 전자해도 추출 항해위험 요소 데이터이다. 먼저 해양안전심판원의 해양사고 데이터는 1996년부터 2017까지 발생한 국내 해양사 고 총 25,236건으로 구성되어있으며 세부 속성으로 는 사고명, 사고유형, 선박유형, 사고발생위치, 사고 발생 일시, 사고해역, 선박톤수, 인명사상피해 현황 이 있다. 해양속성지형 데이터는 본 연구에서 좌초사 고의 지형학적 요인 중 해상지형 데이터를 구축할 때
사용되었다. 해양속성지형 중 『우리바다 우리해양지 명(국립해양조사원, 2015)』에 범위가 명시된 것은 그 범위를 따라 데이터를 구축하였고 그렇지 않은 지형 의 경우 각 속성지형의 정의를 참조하여 범위를 설정 하였다.
수심데이터는 GEBCO(General Bathymetric Chart of the Oceans)에서 제공하는 전 세계 수심데 이터 중 우리나라 해역 부분을 추출하여 수집하였다.
최진무(2011)는 GEBCO의 수심데이터를 국내 종합 해양정보시스템(TOIS)의 동해안, 서해안, 남해안 수 심측량 데이터와 비교하였고 상대적으로 수심이 낮 은 서해안과 남해안에서 오차가 적음으로 GEBCO 수 심데이터의 활용이 가능함을 설명하였다. GEBCO 수 심 데이터는 30초 그리드의 NetCDF 파일형태로 연 구지역의 xyz데이터를 추출하고 ArcGIS Pro 프로그 램의 보간기능을 통해 래스터 형태로 변환하였다. 이 때 사용한 보간법은 선행연구(김가야, 2006)에서 수 심데이터를 통한 해저지형분석 시 정확도가 높은 것 으로 확인된 크리깅(Krigging)기법 중 일반적으로 많 이 사용하는 정규 크리깅 기법이다. 크리깅 보간법 은 미지수인 값이 공간적 상호관계를 가지는 확률변 수의 가중치 선형조합으로 유추될 수 있다는 확률함 수모델에 기반을 두었으며 정규 크리깅 식은 다음과 같다. λαOK(u)는 정규 크리깅 가중치로 불편향 조건 과 추정 분산을 최소화함으로 결정된다(Goovaerts, 1997).
z⁎OK(u)=α=1n(u)∑λαOK(u)z(uα), α=1n(u)∑λαOK(u)=1
z⁎OK(u)=크리깅 추정치
n= 수심데이터 표본 {z(uα), α=1, … n}의 총 데이터 개수
λαOK(u)=정규 크리깅 가중치
좌초사고의 지형학적 요인을 분석하기 위해 행 정용 전자해도에서 추출된 지형데이터는 노간출 암(Rocks), 침선(Wrecks), 장애물(Obstacles), 초 (Reefs), 사주(Sand Ridge)이다.1) 전자해도는 1:
1,500,000부터 1:5,000까지 6단계의 축척을 가진 여 러 개의 해도들로 구성되어 있으며 해도검증 프로그
램을 이용하여 연구지역을 포함하는 총 31개의 해도 에서 각 지형의 데이터를 수집하였다. 전자해도에서 추출된 지형 데이터의 기본 형식은 txt파일로 중복값 을 제거한 후 이를 shape 파일 형태의 공간데이터베 이스로 구축하였다. 노간출암과 침선, 장애물 데이터 는 전자해도 상에 개별 레이어로 구축되어있지만 초 와 사주 데이터는 저질(Seabed)레이어에 포함되어있 다. 따라서 저질레이어의 세부 속성이 ‘바위’인 것은 초 레이어로 분류하고 세부속성이 ‘모래(Sand)’, ‘점 토(Clay)’, ‘뻘(Mud)’, ‘자갈(Gravel)’, ‘어패류의 껍데 기(Shells)’이거나 이 세부속성들이 혼합되어 있는 경 우에는 사주(Sand Ridge) 레이어로 분류하여 개별적 으로 분석하였다.
2) 분석방법
(1) 시공간큐브 및 발생핫스팟 분석
좌초사고가 지속적으로 발생하는 핫스팟을 파악하 기 위해 시공간큐브(Space Time Cube) 및 발생핫스 팟(Emerging Hot Spot Analysis)분석을 수행하였다.
시공간큐브 분석은 시공간 데이터를 큐브에 지도화 하여 표현하는 것으로 이를 통해 시간, 공간차원을 함 께 고려한 패턴 발견이 용이하다(Kristensson et al., 2009). 시공간큐브를 생성하면 시간속성이 내포된 점 데이터가 설정된 시간간격을 기준으로 각 시공간 빈 (bin)에 합산된다.
발생핫스팟 분석은 시공간큐브를 기반으로 각 시
공간 빈속 데이터의 밀도에 따라 핫스팟을 도출하는 기법이다. 이는 점 데이터의 밀도와 시간패턴을 동시 에 고려하는 것으로 시공간경향성을 파악할 수 있으 며 이때 핫스팟은 새로운 핫스팟(New Hot Spot), 지 속적으로 많이 발생하는 핫스팟(Consecutive Hot Spot), 산발적인 핫스팟(Sporadic Hot Spot), 심화 되는 핫스팟(Intensifying Hot Spot) 등 총 16개 유 형으로 나뉠 수 있다(손세린·강영옥, 2017). 핫스 팟 판별에는 Getis and Ord(1992)가 개발한 아래의 Getis-Ord Gi*공식이 사용되었다.
∑n j=1
∑n j=1
∑n j=1
∑n j=1
wi,jxj-X-
n-1 w2i,j- 2
wi,j
wi,j
n S Gi*=
⎡⎣ ⎛⎝ ⎛
⎝ ⎤
⎦
∑n
X-=j=1n xj
∑n
S= j=1n -(X-)2 x2j
Gi*= Getis-Ord G* 함수i
xi= j에 대한 속성값
wi= j와 j 사이의 공간 가중치 n= 공간데이터의 총수 s= 표준편차
(2) 의사결정나무
지형학적 항해위험요인들의 좌초사고 발생에 대한 예측력을 분석하여 주요요인 및 좌초사고로 이어지 는 구체적인 조건을 파악하기 위해 의사결정나무 분 석을 수행하였다. 의사결정나무(Decision Tree)는 데 이터마이닝 분석 기법 중 하나로 데이터를 특정기준 에 따라 분류하거나 예측하는 방법이다(박희창·조광 현, 2005). 의사결정나무 분석 기법의 특징은 데이터 를 최초로 분리시키는 변수가 가장 설명력이 높은 변 수라는 점, 결과의 시각화가 용이해 직관적 이해가 가 능하다는 점, 분류작업에 유용한 점, 연속형 변수와 범주형 변수를 모두 분석할 수 있는 점, 모형에 대한 가정이 필요 없는 비모수적 방법이라는 점 등이다(박 그림 1. 시공간큐브와 발생핫스팟 분석 모식도
출처: ArcGIS Pro
창이 등, 2011).
의사결정 분석 알고리즘는 크게 CHAID, QUEST, CART가 있다(최종후 등, 1998). 이중 CART 알고리 즘은 Brieman et al.(1984)이 발표한 것으로 전체 데 이터셋에서 시작하여 모든 예측 변수를 이용해 데이 터셋을 두 개의 하위집단으로 나누며 의사결정나무 를 형성하는 것이다. 이때 동질성이 비슷한 집단끼리 묶고 판별하기 위하여 불순도 함수를 이용해 이지분 리를 수행한다. 종속변수가 이산형일 경우 지니지수 (Gini Index) 등을 분리기준으로 사용하며 종속변수 가 연속형인 경우 분리기준으로 분산의 감소량을 사 용한다(강영옥 등, 2017). 지니지수는 불순도 측정을 위해 아래 식을 이용하며 불순도가 작은 것을 기준으 로 분리가 이루어진다. 지니지수값을 가장 많이 감소 시키는 변수가 종속변수에 대한 영향력이 큰 변수이 며 이 변수를 기준으로 모형이 만들어진다(강병서·
김계수, 2013).
Gini(T)=1-j=1∑kPi2
T= 데이터셋
k= 목표변수 범주의 개수 Pi= 목표변수 범주의 비율
본 연구에서 종속변수는 ‘사고유형’이며 변수가 좌 초사고와 그 외 사고유형으로 분류되는 명목형 변수 이기 때문에 이지분리가 가능한 CART 알고리즘을 채 택하였다.
(3) 빈도비모델과 민감성지수
좌초사고와 영향요인 간 상관관계 및 요인 내 등급 별 상대적 중요도를 파악하기 위해 빈도비 분석을 수 행하였다. 빈도비(Frequency Ratio, FR) 모델이란 기 존에 발생한 사건과 이에 영향을 주는 요인들 간 상관 관계를 정량적으로 분석하고 향후 그 사건의 발생을 예측하는 분석방법이다. 이때 과거에 사건이 발생했 을 때와 유사한 환경에서 미래의 사건이 발생한다는 가정을 기반으로 한다(Lee and Talib, 2005).
본 연구에서는 좌초사고와 지형학적 요인들 간의 빈도비를 계산하였고 요인별 빈도비 값을 합산하여
연구지역의 좌초사고 민감성을 도출하였다. 좌초사 고는 점 데이터 형태임으로 Ivan et al.(2015)의 교통 사고 빈도비 모델 연구를 응용하여 좌초사고 빈도비 값을 계산하였고 식은 아래와 같다.
FR = CP/TPCW/TW FR =빈도비 값
CW =각 요인의 등급에서 발생한 좌초사고 건수 TW =연구지역의 좌초사고 총 건수
CP =각 요인 등급의 그리드 면적 TP =연구지역의 전체 그리드 면적
빈도비 값이 1보다 크면 좌초사고와 해당요인이 양 의 상관관계를 보이며 값이 증가할수록 향후 좌초사 고 발생확률이 높다. 반면, 빈도비 값이 1보다 작다면 좌초사고의 해당요인은 음의 상관관계를 가지며 좌 초사고 발생확률 또한 낮다. 빈도비 모델의 장점은 각 요인의 어떤 등급에서 좌초사고가 많이 일어나는지 계산할 수 있어 요인 내 등급 간 상대적 중요도를 파 악할 수 있다는 점이다(Kim et al., 2014). 그러나 빈 도비 모델로 요인 간의 상대적 중요도는 설명할 수 없 다는 제한점이 있다.
연구지역 내 좌초사고 발생가능성이 높은 지역을 파악하기 위하여 민감성 지수를 산출하였다. 본 연구 의 좌초사고의 민감성 지수(Grounding Susceptibil- ity Index, GSI)는 각 지형학적 요인들의 빈도비 값의 합으로 계산되며 식은 다음과 같다. 좌초사고 민감성 지수는 해당 지역에서 좌초사고의 발생 위험성을 의 미하며 민감성 지수가 높으면 미래에 좌초사고가 일 어날 확률이 높다.
GSI =∑FRn
GSI =좌초사고 민감성 지수
FRn =n번째 그리드의 요인별 빈도비 값
3. 분석결과
1) 좌초사고 발생의 시공간적 경향성과 핫스팟
좌초사고의 시공간적 경향성을 파악하기 위하여 시공간큐브 및 발생핫스팟 분석을 수행하였다. 본 연 구는 변화의 속도가 인문적 요소에 비하여 느린 지형 적 요소와 좌초사고와의 관련성을 파악하기 때문에 지속적인(consecutive) 핫스팟을 추출하였다. 지속적 인 핫스팟은 해당 사건이 연속적으로 많이 발생하는 지역임을 뜻하며(강영옥 등, 2017) 본 분석에서는 좌 초사고 발생을 1년 단위로 나누었을 때 마지막시간단 계를 중심으로 통계적으로 유의미한 핫스팟이 중단 되지 않고 나타남을 의미한다.
1996년부터 2017년까지 발생한 좌초사고 1,611건 중 위경도와 발생일시 속성이 있는 1,462건을 대상으 로 시공간큐브 및 발생핫스팟 분석을 수행하였다. 좌
초사고와 기타 유형의 해양사고 및 지속적인 핫스팟 의 분포는 그림 2와 같다.
분석 결과, 통영해역에서 지속적인 핫스팟이 가장 넓게 나타났고 목포 해역, 여수, 군산, 포항 해역 일부 에서도 확인되었다.
서만석·배석제(2002)는 해양사고가 선박통행빈 도가 높은 곳, 항만 내 좁은 수로 등에서 많이 발생함 을 설명하며 국내 연안 해양사고 밀집해역으로 부산, 인천, 울산, 군산, 통영 해역을 지목하였다. 통영해 역은 국내에서 굴, 어류 양식장 등 수산업 관련 시설 이 가장 밀집되어 있는 해역 중 하나이다(이영식 등, 2011). 통영해역 내 해양사고에 대한 구체적인 연구 는 미비하나 선행연구에 의하면 어장이 항해위험요 소가 될 수 있음으로(정대율·김대훈, 2013) 통영해 역이 해양사고 핫스팟으로 도출된 것에 어장 등 시설 의 분포가 영향을 주었을 가능성이 있다. 목포해역은 선행연구에서 좁은 수로가 많고 항로가 교차하여 해 양사고 위험이 높은 지역으로 지적되었다(박정호 등, 2003).
본 연구결과를 토대로 좌초사고의 지속적인 핫스 팟이 가장 크게 분포하는 통영해역을 연구지역으로 선정하였다.
2) 좌초사고에 영향을 주는 주요요인과 의사결 정규칙
연구지역인 통영해역의 수심분포는 그림 3과 같다.
평균수심은 18.3m으로 깊지 않은 편이며 표준편차는 11.4m이다. 특히 자란만, 고성만, 동도만, 사량해협, 견내량해협 인근해역에서 수심이 매우 얕은 특징을 보인다. 반면, 조도수도 남쪽의 해안선에서 멀리 떨어 진 해역은 연구지역 내에서 가장 수심이 깊은 구역이 다.
좌초사고 발생에 어떤 요인이 큰 영향력을 미치는 지 분석하기 위해 의사결정나무 분석을 수행하여 분 석결과와 정확도를 살펴보았다. 이를 통해 어떠한 조 건에서 즉, 어떤 특정한 독립변수 값에서 좌초사고가 주로 발생하는지 파악할 수 있다.2) 의사결정나무분석 은 SPSS Statistics 19를 이용하여 진행되었다.
그림 2. 좌초사고와 기타 유형 해양사고 및 지속적인 핫스팟 분포도
해양사고 데이터 출처: 해양안전심판원
연구지역인 통영해역에서 1996년부터 2017년까지 발생한 1,080건의 모든 해양사고 중 결측값이 있는
112건을 제외한 968건이 분석에 사용되었다. 최종 분 석에 사용된 데이터 속성항목 및 분류코드는 표 1, 구 축된 의사결정나무는 그림 4, 의사결정나무의 분류정 확도는 표 2, 독립변수 중요도는 표 3과 같다.
종속변수는 사고유형으로 어떤 조건에서 좌초사고 가 발생하는지 파악하기 위해 사고유형을 좌초사고 (121건)와 기타 사고유형(847건)으로 나누었다. 또한 독립변수들은 해양안전심판원의 해양사고 데이터에 포함되어있는 속성과 선행연구에서 해양사고 위험요 소로 고려되었던 요인 중 지형학적 요인들을 종합하 여 선정하였다. 최종 선정된 독립변수들은 선박특성 을 나타내는 선박유형, 사고 발생의 시간적 특성인 계 절과 시간대, 지형학적 요인인 사고 발생지점의 수 심, 사고지점 1km 버퍼 내 노간출암 개수, 사고지점 1km 버퍼 내 침선 유무, 사고 지점 1km 버퍼 내 장 애물 유무, 1km 버퍼 내 초 개수, 1km 내 사주 유무, 그림 3. 통영해역의 수심분포
해양지형 출처: 국립해양조사원, 수심출처: GEBCO
표 1. 의사결정나무 분석에 사용된 데이터의 세부항목 및 분류 코드
변수 속성 항목 분류코드 사고건수(비율)
1 사고유형
(Accident Type)
좌초 기타 사고유형
- -
121(12.5%) 847(87.5%)
2 선박유형
(Vessel Type)
어선 비어선(유조선, 화물선 등)
1 2
744(76.9%) 224(23.1%)
3 계절
(Season)
봄(3~5월) 여름(6~8월) 가을(9~11월) 겨울(12~2월)
1 2 3 4
220(22.7%) 256(26.4%) 289(29.9%) 203(21%)
4 시간대
(Time Zone)
0~8시 8~16시 16~24 시
1 2 3
136(14%) 659(68.1%) 173(17.9%)
5 수심
(Depth)
0~10m 10~20m 20~30m 30m 이상
1 2 3 4
430(44.4%) 311(32.1%) 166(17.1%) 61(6.3%)
6
사고지점 1km 버퍼내 노간출암 개수
(Rock)
0개 1~5개 6개 이상
1 2 3
679(70.1%) 249(25.7%) 40(4.1%) 7 사고지점 1km 버퍼내 침선 유무
(Wreck)
0개 1개 이상
1 2
778(80.4%) 190(19.6%) 8 사고지점 1km 버퍼내 장애물 유무
(Obstacle)
0개 1개 이상
1 2
576(59.5%) 392(40.5%)
그림 4. CART알고리즘에 기반한 의사결정나무 구축결과 9 사고지점 1km 버퍼내 초 개수
(Reef)
0개 1~5개 6개 이상
1 2 3
445(46%) 401(41.4%) 122(12.6%) 10 사고지점 1km 버퍼내 사주 유무
(Ridge)
0개 1개 이상
1 2
393(40.6%) 575(59.4%)
11 해상지형
(Sea Surface Feature)
기타 바다 만입지형 수로지형
1 2 3
455(47%) 261(27%) 252(26%)
- 사고건수 합계 - - 968(100%)
<표 1 계속>
해상지형이다.
선박유형은 기존 데이터에서 어선, 화물선, 유조선 등으로 분류되나 어선이 약 76.9%로 대다수를 차지 하기 때문에 어선과 비어선으로 재분류하였다. 기존 데이터에 있는 연-월-일-시간 형태의 사고발생 시 간은 3개월 간격의 계절로, 4시간 간격의 시간대는 8 시간 간격으로 그룹화하였다. 사고해역은 기존 데이 터의 분류가 남해영해, 항만 및 진입수로로 제한적이 기 때문에 만과 포 등의 만입지형, 수도와 해협 등의 수로지형, 기타 바다로 분류된 해상지형 데이터로 대 체하였다.
표 2의 분류정확도를 살펴보면 통영해역 사고유형 의 의사결정나무 모형 전체에 대한 정확도는 87.7%
이며 좌초사고에 대한 정확도는 23.1%, 기타 사고유 형에 대한 정확도는 96.9%이다. 상대적으로 좌초사 고에 대한 정확도가 낮은 이유는 분석된 데이터셋 중 좌초사고의 비율이 12.5%로 적기 때문인 것으로 판 단된다.
표 3은 통영해역 사고유형의 독립변수 중요도이다.
중요도가 가장 높은 독립변수는 노간출암이며 그 외 초, 선박유형, 해상지형 등도 주요요인으로 판별되었 다.
구체적으로 어떠한 조건에서 좌초사고가 많이 발 생하는 지 파악하는 것이 목적임으로 그림 4의 터미 널노드 중 좌초사고 비율이 높은 노드 10을 기준으로 의사결정 규칙을 도출하였다. 특정 조건에서 좌초사 고가 일어난다는 원칙을 적용하기 위해 선행연구(강 영옥 등, 2017)를 참조하여 노드 10의 S(Support), Po(Population), P(Probability)값을 계산하고 좌초 사고에 대한 의사결정 규칙을 도출하였다(표 4). 만약 A조건에서 B라는 원칙을 적용한다고 가정할 때 S는 전체 데이터에서 A조건과 B가 함께 나타나는 비율, Po는 전체 데이터에서 A조건이 나타나는 비율이며 P 는 S/Po로 계산되고 규칙이 정확할 확률을 나타낸다 (강영옥 등, 2017).
도출된 좌초사고의 의사결정규칙에 따르면 사고지 점 반경 1km 이내 노간출암이 1개 이상 존재하고 선 박유형이 어선이며 사고지점 반경 1km 이내 초가 6 개 이상 존재할 때 사고유형이 좌초사고일 가능성은 52.8%이다.
어선은 선체가 화물선이나 유조선에 비하여 소형 이고 어획물의 갑판 적재 및 기상악화에 따라 복원력 이 감소할 가능성이 있어 사고에 취약한 것으로 지목 된 바 있다(김상곤·강종필, 2011).
단, 수심, 해상지형, 사주, 장애물 등 요인들이 좌초 사고를 예측하는 요인으로 판별되지 않았다. 그 이유 표 2. 통영해역 사고유형의 의사결정나무 분류정확도
관찰됨 예측
좌초 기타 사고유형 정확도(%) 좌초
기타 사고유형 비율
28 26 5.6%
93 821 94.4%
23.1%
96.9%
87.7%
표 3. 통영해역 사고유형의 독립변수 중요도
독립변수 중요도
노간출암 초 선박유형 해상지형 장애물
계절 침선 수심 사주 시간대
0.015 0.014 0.013 0.007 0.001 0.001 0.001 0.001 0.000 0.000
표 4. 좌초사고를 예측하는 의사결정 규칙
조건 사고
유형 S (%)
Po (%)
P (%) 1 사고지점 반경 1km 이내 노
간출암이 1개 이상 존재함
좌초 2.9 5.6 52.8
2 선박유형이 어선
3 사고지점 반경 1km 이내 초가 6개 이상 존재함
* 본 분석에서 S의 최솟값은 0.5%, Po의 최솟값은 1%, P의 최솟값은 50%를 전제하고 의사결정규칙을 도출하였다.
는 의사결정나무 분석방법이 비슷한 조건을 가진 사 례들을 그룹화하는 것인데 연구지역 내 해양사고 중 좌초사고의 비율이 약 12%이며 기타 유형의 사고가 절대적으로 많아 노드 10처럼 좌초사고 비율이 과반 이상인 그룹이 여러 개 도출되기에 적은 수치이기 때 문인 것으로 판단된다. 예를 들어 노드 15와 노드 16 을 살펴보면 해상지형이 만입지형과 수로지형일 경 우 기타바다일 때보다 그룹 내 좌초사고의 비율이 3.5%에서 12.6%로 높아지지만 그룹 내 좌초사고 비 율이 과반 이하이기 때문에 본 분석에서 좌초사고 예 측요인으로 판별되지 않았다. 수심의 경우 본 연구가 통영해역만을 대상으로 하여 연구지역 내 수심 편차 가 비교적 크지 않고 사고가 발생하지 않은 지점은 분 석대상에 포함되지 않았기 때문에 실제 좌초사고에 대한 예측력이 낮게 추정되었을 가능성이 있다.
3) 좌초사고와 영향요인 간 빈도비 분석과 민감 성 분포
좌초사고와 이에 영향을 미치는 요인 간 상관관계 를 분석하고 좌초사고가 주로 일어나는 변수 내 특정 등급이나 범주를 파악하기 위하여 빈도비 분석을 수 행하였다. 빈도비모델을 선택한 이유는 좌초사고와 그 요인 간 상관관계를 분석할 때 모든 요인의 등급 간 빈도비를 파악할 수 있으며 의사결정나무분석과 달리 좌초사고가 발생한 지점과 발생하지 않은 지점
을 비교할 수 있기 때문이다. 빈도비 분석을 위해 수 심, 해상지형, 사주, 초, 장애물, 침선, 노간출암 데이 터를 1km×1km 크기 그리드로 이루어진 래스터 형 태의 공간데이터베이스로 구축하였다. 그리드의 간 격을 1km 설정한 이유는 요인 중 수심데이터의 해상 도가 약 900m이기 때문이다.
빈도비 분석을 위해서는 구축된 공간데이터베이스 의 요인을 등급으로 분류해야하는데 범주형 값을 가 지는 해상지형은 데이터의 속성지형을 따라서 분류 하였다. 연속형 값을 가지는 수심데이터는 등간격 방 법을 이용하여 10개 등급으로 분류하였다. 선행연구 에서 빈도비 분석 시 연속형 데이터의 분류는 주로 5 개에서 10개의 등급으로 이루어진다(Yilmaz, 2007;
Kim et al., 2014). 이외 사주, 초, 장애물, 침선, 노간 출암은 1km2 그리드 내 해당 요인의 개수가 3~14개 인 정수형(Integer type)값을 가지며 해당 값들을 재 분류하여 빈도비 값을 계산하였다. 7개 요인에 대한 래스터 형태 공간데이터베이스 구축결과는 그림 5와 같다.
빈도비 모델은 각 요인의 등급별 빈도비 값을 살펴 봄으로 좌초사고가 요인 내 어떤 등급에서 주로 발생 하는지 파악할 수 있다. 좌초사고와 관련 요인 간 등 급별 빈도비 값을 분석하여 상관관계를 살펴본 결과 는 표 5와 같다.
수심은 8.68m보다 얕은 경우 빈도비값이 2.75로 가장 좌초사고 발생과의 상관성이 높았다. 수심이
(A) 수심 (B) 해상지형
(C) 사주 (D) 장애물
(E) 침선 (F) 노간출암
(G) 초
그림 5. 좌초사고의 요인별 1km×1km 그리드의 래스터 공간데이터베이스
13.72m에서 8.68m 사이인 경우 빈도비값이 1.49로 수심이 얕을수록 좌초사고가 더 많이 발생하는 것으 로 확인되었다. 이는 항행통보에서 저수심지역이 항 해위험요소로 지목되거나 좌초사고 위험 모델 계산 에 수심을 중요요인으로 고려하는 선행연구(송재욱, 2013)의 맥락과 일치하는 결과이다.
해상지형의 경우 수로지형의 빈도비값이 4.48로 좌초사고의 발생이 가장 두드러졌다. 수로지형에 속 하는 면적의 비율은 9.52%이지만 수로지형의 범위에 서 발생한 좌초사고 건수는 총 136건 중 58건으로 해 상지형의 세 등급 중 가장 많은 수치이다. 만입지형의 빈도비값은 1.57로 좌초사고와의 상관이 두 번째로
높았고 기타지형의 빈도비값은 1 이하였다. 이는 연 구지역 내 수로지형에서는 섬과 섬 사이를 항해해야 하고 항로폭이 좁아져 항해의 어려움이 증가하기 때 문인 것으로 판단된다. 또한 만입지형은 해안선에 가 까이 분포하기 때문에 상대적으로 수심이 낮아 좌초 사고의 발생 위험이 높은 것으로 해석된다.
사주의 경우 연구지역 내 1km2 단위면적에 사주가 1개 이상 존재하는 경우 빈도비값이 2.65로 1 이상이 며 사주가 존재하지 않을 경우 빈도비값이 0.62로 1 이하이다. 즉, 사주가 존재하는 곳에서 좌초사고가 주 로 발생한다고 해석할 수 있으며 실제로 사주는 저수 심구간이 되어 항해위험요소로 작용할 수 있다.
표 5. 좌초사고 요인별 빈도비 분석 결과
요인 등급 등급별 면적
(1km2)
등급별 면적 /전체 면적(%)
등급별 좌초 사고 건수(건)
등급별 좌초사고건수/
전체 좌초사고건(%) 빈도비 값
수심(m)
54.13~49.13 21 1.14 0 0.00 0.00
49.13~44.08 47 2.54 1 0.74 0.29
44.08~39.02 62 3.35 2 1.47 0.44
39.02~33.96 105 5.68 1 0.74 0.13
33.96~28.91 121 6.54 3 2.21 0.34
28.91~23.85 258 13.95 6 4.41 0.32
23.85~18.79 305 16.50 11 8.09 0.49
18.79~13.72 330 17.85 16 11.76 0.66
13.72~8.68 274 14.82 30 22.06 1.49
8.68~0 326 17.63 66 48.53 2.75
해상지형 (속성지형)
기타바다 1240 67.06 28 20.59 0.31
만입지형 433 23.42 50 36.76 1.57
수로지형 176 9.52 58 42.65 4.48
사주(개) 0 1505 81.40 69 50.74 0.62
1개 이상 344 18.60 67 49.26 2.65
장애물 (개)
0 1576 85.24 80 58.82 0.69
1개 이상 273 14.76 56 41.18 2.79
침선(개) 0 1809 97.84 125 91.91 0.94
1개 이상 40 2.16 11 8.09 3.74
노간출암 (개)
0 1722 93.13 93 68.38 0.73
1~5 115 6.22 35 25.74 4.14
6개 이상 12 0.65 8 5.88 9.06
초(개)
0 1636 88.48 79 58.09 0.66
1~5 200 10.82 45 33.09 3.06
6개 이상 13 0.70 12 8.82 12.55
장애물의 경우 단위면적 내 장애물이 1개 이상 존 재할 경우 빈도비값이 2.79로 1 이상이며 존재하지 않는 경우 빈도비값이 0.69로 1 이하이다. 이는 장애 물이 존재하는 구역에서 좌초사고가 많이 발생하는 것으로 해석할 수 있다. 장애물 개수가 초나 노간출암 에 비해 적은 이유는 장애물의 경우 폴리곤 형태로 개 체 하나의 크기가 포인트 형태의 지형보다 큼으로 단 위면적 내 포함될 수 있는 총 개수가 포인트 형태의 지형보다 적기 때문이다. 장애물은 그 항해위험성 때 문에 정확한 공간데이터베이스 구축 및 관리의 필요 성이 선행연구(최진무, 2011)에서 제기된 바 있다.
침선은 단위면적 내 침선이 1개 이상인 경우 빈도 비 값이 3.74로 1 이상이며 존재하지 않을 때 빈도비 값이 0.94로 1 이하이다. 침선이 존재하는 경우 좌초 사고가 발생할 위험이 높은 것으로 확인된다. 해양안 전심판원의 좌초사고 정의에는 침선이 좌초사고에 위험한 대상임이 명시되어 있으며 본 연구 결과의 맥 락과 일치한다.
노간출암의 경우 단위면적 내 노간출암이 6개인 경 우 빈도비값이 9.06으로 가장 높았고 1개에서 5개인 경우 4.14, 존재하지 않을 경우 0.73의 빈도비값을 보 여 노간출암이 많이 분포할수록 좌초사고의 위험이 높은 것으로 확인되었다. 노간출암은 국립해양조사 원의 정의에서 항해에 위험요소가 되는 바위로 명시 되어 있는 대표적 항해위험요소 중 하나이다.
초의 경우 단위면적 내 초가 6개 이상인 경우 빈도 비값이 12.55, 1개에서 5개인 경우 3.06, 존재하지 않 을 경우 0.66으로 초가 많이 존재할수록 그 지역의 좌 초사고 발생위험이 높았다. 초는 국립해양조사원의 정의에 따르면 경화된 물질로 구성된 얕은 고지로 항 해에 장애가 될 가능성이 있는 해저지형임으로 정의 에 항해위험성이 내포되어있다.
좌초사고와 요인 간 빈도비 분석 결과를 바탕으로 연구지역의 좌초사고 민감성 지수를 계산한 뒤 지도 로 시각화하였다. 좌초사고 민감성 지도를 통해 연구 지역 내 특히 좌초사고의 위험성이 높은 지역을 파악 할 수 있다. 빈도비 모델에서 각 단위면적에 부여되 는 민감성 지수는 표 5의 요인별 빈도비값의 합으로 도출된다. 민감성 지수는 ArcGIS Pro의 Raster Cal-
culator를 사용하여 산출하였다. 합산된 민감성 지수 는 등분위 분류 방법을 통해 7단계로 구분하였다(그 림 6). 등분위 방법은 특정등급에 가중치를 주지 않기 위해 각 등급별 면적을 균등하게 분류하는 방법이다 (Garcia et al., 2016). 각 그리드에 부여된 민감성 지 수의 최댓값은 30.30, 최솟값은 3.95, 평균은 11.60, 표준편차는 4.78이다.
빈도비 모델을 이용하여 도출된 좌초사고 민감성 지수가 좌초사고의 발생을 얼마나 정확하게 예측하 는지 검증하였다. 검증작업은 예측비율곡선을 작성 하고 Area Under Curve 기법을 이용하여 정량적 인 예측정확도를 계산하였다. 좌초사고 민감성 지수 의 예측비율곡선은 그림 7과 같으며 예측정확도는 약
그림 6. 통영해역의 좌초사고 민감성 지도
그림 7. 좌초사고의 예측비율곡선과 예측정확도
84%로 확인되었다.
좌초사고 민감성 지수 중 ‘매우 높음’과 ‘높음’ 등급 은 견내량해협과 그 남쪽해역의 수로지형, 사량해협, 자란만, 고성만 부근 등에 분포하였다. 반면, 좌초사 고 민감성 지수의 ‘매우 낮음’과 ‘낮음’ 등급은 사량해 협 남쪽해역 중 해안선에서 멀리 떨어진 해역, 조도수 도와 장강수도 남쪽 해역, 당동만 동쪽해역 등에서 확 인되었다. 그 외 등급의 좌초사고 민감성지수는 사량 해협 북쪽, 견내량해협 북쪽 해역, 공룡초 남쪽 해역 등에 분포하였다.
수로지형에서는 선박이 항로폭이 좁은 곳을 항해 해야 하기 때문에 높은 민감성지수가 나타나는 것으 로 판단된다. 만입지형은 선착장이 되는 경우가 많아 선박 통행이 잦고 수심이 얕기 때문에 사고 위험이 높 은 것으로 추측된다. 또한 좌초사고 민감성이 높은 곳 은 항해에 위험한 사주, 초, 장애물, 침선, 노간출암이 다수 분포하는 경향이 있어 좌초사고 위험이 높은 것 으로 판단된다.
위와 같은 특징을 가진 곳 중에서도 견내량해협과 그 남쪽해역의 수로지형은 ‘매우 높음’ 등급에 속하며 이는 지형학적 요인의 영향뿐만 아니라 이 지역에 여 객터미널이 위치하기 때문으로 해석할 수 있다. 이 터 미널을 중심으로 여객항로가 설정되어 있으며 그 결 과 이 구역의 해상교통량은 밀집되고 사고위험성이 높아질 수 있다. 반면, 항로가 밀집되어 분포하지 않 음에도 높은 민감성 지수가 나타나는 곳은 사량해협, 자란만, 고성만 부근, 공룡초 서쪽 만입지형 등이다.
이 해역의 높은 민감성에 여객항로의 영향은 적은 것 으로 판단되며 얕은 수심, 만입지형과 수로지형, 사 주, 초, 장애물, 침선, 노간출암의 분포가 더 큰 영향 을 주는 것으로 해석할 수 있다.
4. 결론
본 연구의 목적은 좌초사고가 지속적으로 발생하 는 핫스팟을 찾고 연구지역 내 좌초사고에 영향을 주 는 주요요인 및 좌초사고로 이어지는 의사결정규칙
을 도출하는 것이며 좌초사고와 요인 간 상관관계 및 등급별 중요도를 파악하여 좌초사고 민감성을 산출 해 시각화하는 것이다. 연구결과는 다음과 같다.
첫째, 시공간큐브 및 발생핫스팟 분석 결과 좌초사 고의 지속적인 핫스팟은 통영해역에 가장 넓게 분포 하였고 목표해역, 여수해역 등에서도 일부 나타났다.
따라서 통영해역을 좌초사고 영향요인과 민감성 분 석을 위한 연구지역으로 선정하였다.
둘째, 의사결정나무 분석 결과 노간출암, 초, 선박 유형, 해상지형 등이 사고유형에 영향을 주는 주요 요인이었으며 사고지점 반경 1km 내 노간출암이 1 개 이상 존재하고 선박유형이 어선이며 사고지점 반 경 1km 내 초가 6개 이상 존재하는 조건에서 사고 유형이 충돌, 접촉 등 11개 유형 중 좌초일 가능성이 52.8%로 상대적으로 높았다.
셋째, 빈도비 분석 결과 수심이 8.68m보다 얕고, 해상지형이 수로지형이며, 1km2 내 노간출암이나 초 가 6개 이상 분포하고 사주, 침선, 장애물이 1개 이상 존재하는 곳에서 좌초사고가 주로 발생하였다. 만입 지형보다 수로지형에서 더욱 좌초사고가 많이 발생 하였고 특히 초와 노간출암은 단위면적 내 지형의 개 수가 증가할수록 좌초사고가 더욱 집중적으로 발생 하였다.
넷째, 연구지역 중 좌초사고 민감성이 높은 곳은 견 내량해협과 그 남쪽해역의 수로지형, 사량해협, 자란 만, 고성만 부근, 공룡초 서쪽 만입지형으로 이 지역 은 수심이 얕으며 수로지형 또는 만입지형에 포함되 고 사주, 초, 장애물, 침선, 노간출암이 상대적으로 많 이 분포하는 특징이 있다. 견내량해협과 그 남쪽 수로 지형의 높은 민감성에는 통영시 동쪽 여객터미널이 위치함에 따라 여객항로가 집중되는 것이 영향을 주 었을 가능성이 있다.
본 연구는 해양사고에 영향을 미치는 노간출암, 수 심 등 지형학적 요인에 대한 분석 및 관리의 필요성이 대두되는 시점에서 해양사고의 지형학적 요인 데이 터를 구축하고 좌초사고의 주요요인을 도출한 것에 의의가 있다. 기존 연구는 해양사고가 많이 일어나는 지역을 선정하여 그 곳의 지형학적 특징을 기술하는 경우가 일반적이었지만 본 연구는 사고에 미치는 각
요인의 영향력을 파악하였다. 더불어 기존 연구는 지 형학적 요인의 범주를 암초 또는 장애물로 제한하였 지만 본 연구는 사주, 초, 노간출암, 장애물, 침선으로 세분화하였고 각 요인 내 등급 간 중요도 분석을 포함 하였다.
국내 해양사고에 대한 선행연구는 주로 해양안전 심판원의 재결서나 통계연보를 활용한 경우가 많았 으나 본 연구는 개별 해양사고로 이루어진 공간데이 터셋을 이용하여 통영해역 내 해양사고를 세부적으 로 연구할 수 있었다. 해양사고의 민감성이 시각화되 지 않았던 선행연구에 비해 본 연구에서는 좌초사고 민감성을 산출하고 지도화함으로 연구지역 내 좌초 사고 발생위험이 높은 지역을 시각적으로 파악할 수 있었다.
해양사고에 영향을 미치는 지형들에 대한 정밀한 분석 및 연구는 선박안전모델 개발의 기초자료가 될 수 있고 나아가 경계소홀 등의 해양사고 인적 요인 저 감에 도움이 될 수 있다.
다만, 본 연구는 통영해역을 대상으로 하였다는 점 에서 공간적 범위의 한계가 있어 분석결과를 연구지 역의 특성으로 해석하여야한다. 연구 데이터 중 사주 는 실제로 폴리곤 또는 라인 형태이나 원 데이터의 한 계로 인해 점데이터로 데이터베이스 구축이 진행되 었다는 한계점이 있다. 또한 본 연구는 지형학적 요인 들을 중심적으로 분석하였으며 추후 기상 또는 인적 요인과 본 연구 결과를 함께 고찰 한다면 더욱 종합적 인 결론이 도출될 수 있다.
사사
이 논문은 2016년 정부(국토교통부)의 재원으로 공 간정보 융복합 핵심인재 양성사업의 지원을 받아 수 행된 연구임(2016-07-02).
주
1) 침선은 인공구조물이며 장애물에는 자연환경적 요소뿐만 아니라 인공적 요소가 포함되어있다. 그러나 침선과 장애 물은 초, 사주 등과 유사하게 항해위험요소로 작용함으로 본 데이터에 포함하였다. 이하 본문에서 ‘지형학적 요인’은 장애물과 침선을 포함한다.
2) 의사결정나무기법은 종속변수에 대한 독립변수들의 상대 적중요도뿐만 아니라 종속변수의 특정 값으로 이어지는 독 립변수들의 조건을 파악할 수 있다. 한편, 빈도비모델에서 도 독립변수 내 어떤 특정 등급이나 범주가 종속변수와 관 련이 있는지 파악할 수 있다. 본 연구에서 의사결정나무의 연구데이터는 이미 발생한 개별사고들이며 빈도비분석의 연구데이터는 통영해역을 1km2 그리드로 나눈 것으로 사 고가 일어나지 않은 지역 또한 포함하고 있다. 따라서 좌초 사고가 일어나는 특정 조건을 파악하기 위해 의사결정나무 와 빈도비모델 두 가지 분석방법을 사용하였다.
참고문헌
강병서·김계수, 2013, 사회과학통계분석. 한나래아카데 미.
강영옥·손세린·조나혜, 2017, “의사결정나무와 시공간 시각화를 통한 서울시 교통사고 심각도 요인 분 석,” 지적과 국토정보, 47(2), 233-254.
국립해양조사원, 2015, 우리바다 우리해양지명, 국립해양 조사원.
김가야·서동주·문두열, 2006, “보간기법에 따른 해저지 형의 정확도 분석,” 한국해양공학회지, 20(3), 67 -76.
김도연·이미라·박계각, 2010, “퍼지를 이용한 항행 선박 주변 환경의 위험도 평가 개념 모델,” 한국지능시 스템학회 학술발표 논문집, 20(1), 276-280.
김동진·곽수용, 2011, “국내 해양선박사고의 인적 오류의 요인 평가,” 대한인간공학회지, 30(1), 87-98.
김상곤·강종필, 2011, “어선 해양사고와 기상요소의 관 계에 관한 연구,” 수산해양교육연구, 23(3), 351- 360.
김준우, 2015, “국내유조선 해양사고의 리스크 분석과 대 응방안,” 성균관대학교 대학원 석사학위논문.
김홍태·나성·하욱현, 2011, “해양사고조사를 위한 인적 오류 분석사례,” 대한인간공학회지, 30(1), 137-
150.
나성·김홍태·염철웅·박재홍, 2012, “해양사고 인적요인 조사분석 모델 적용사례 연구,” 한국항해항만학 회 학술대회논문집, 466-468.
나송진·김상수·박진수·정재용, 2003, “한국의 해양사고 조사모델의 개선에 관한 연구,” Journal of Ko- rean Navigation and Port Reserch, 27(4), 367- 373.
박정호·금종수·노창균·윤명오·신철호·정재용·박계 각, 2003, “목포 인근해역 항행 위험요소에 관한 분석,” 해양환경안전학회 학술발표대회 논문집, 75-83.
박창이·김용대·김진석·송종우·최호식, 2011, R을 이용 한 데이터마이닝. 교우사.
박희창·조광현, 2005, “의사결정나무 기법을 이용한 사 회지표조사 자료 분석,” Journal of the Korean Data Analysis Society, 7(3), 773-783.
서만석·배석제, 2002, “해양사고의 분석과 방지대책에 관 한 연구,” 수산해양교육연구, 14(2), 149-160.
손세린·강영옥, 2017, “서울시 여성운전자 교통사고의 시 공간 특성 분석,” 한국지도학회지, 17(2), 89-98.
송재욱·이정진·이진석·박수지, 2013, “실시간 위치기반 선박 좌초 위험도 모델 개발에 관한 연구,” 한국 항해항만학회 학술대회논문집, 53-55.
양원재·임정빈, 2013, “선원피로도와 해양사고와의 인과 관계 연구동향 분석,” 한국항해항만학회 학술대 회논문집, 477-479.
유진욱, 2015, “인천항 인근해역 선박 사고 취약성에 관한 연구,” 성균관대학교 대학원 석사학위논문.
이영식·임월애·정창수·박종수, 2011, “통영 주변 해역 수질의 공간분포 및 월 변화 특성,” 한국해양환경
·에너지학회지, 14(3), 154-162.
이홍훈·김철승·정재용·정중식, 2011, “남해동부해역 해 양사고의 해양환경적 영향에 대한 고찰,”해양환 경안전학회 학술발표대회 논문집, 45-48.
정대율·김대훈, 2013, “어장이 해양사고에 영향을 준 사 례 고찰,” 한국항해항만학회 학술대회논문집, 346-348.
최종후·한상태·강현철, 김은석, 1998, 데이터마이닝 의 사결정나무분석. SPSS 아카데미.
최진무, 2011, “글로벌 수심, GEBCO) 데이터의 활용 가 능성에 관한 연구,” 국토지리학회지, 45(4), 581-
590.
Baker, C. C., and McCafferty, D. B., 2005, Accident da- tabase review of human element concerns: What do the results mean for classification?. In Proc. Int Conf. ‘Human Factors in Ship Design and Opera- tion, RINA Feb. ABSTECHICALPAPERS, 1-8.
Breiman, L., Friedman J. H., Olshen R. A., and Stone C. J., 1984, ClassicationandRegressionTree,Wadsworth and Brooks/Cole, Monterey.
Celik, M., and Cebi, S., 2009, Analytical HFACS for inves- tigating human errors in shipping accidents. Acci- dentAnalysisPrevention, 41(1), 66-75.
Garcia, R. A., Oliveira, S. C., and Zêzere, J. L., 2016, Assess- ing population exposure for landslide risk analysis using dasymetric cartography. NaturalHazardsand
EarthSystemSciences, 16(12), 2769-2782.
Getis, A. and Ord, J. K., 1992, The analysis of spatial as- sociation by use of distance statistics. Geographical
analysis,24(3), 189-206.
Goovaerts, P., 1997, GeostatisticsforNaturalResourcesEvalu- ation. Oxford University Press, Oxford.
Ivan, K., Haidu, I., Benedek, J., and Ciobanu, S. M., 2015, Identification of traffic accident risk-prone areas under low-light conditions. NaturalHazardsand
EarthSystemSciences, 15(9), 2059-2068.
Kim, S. J., Lee, J. C., Kim, J. S., and Roh, T. H., 2014, A Comparative Analysis of Landslide Susceptibility Using Airborne LiDAR and Digital Map. Journalof
theKoreanSocietyofSurveying,Geodesy,Photogram- metryandCartography, 32(4_1), 281-292.
Kristensson, P. O., Dahlback, N., Anundi, D., Bjornstad, M., Gillberg, H., Haraldsson, J., and Stahl, J., 2009, An evaluation of space time cube representa- tion of spatio-temporal patterns. IEEETransactions
onVisualizationandComputerGraphics.15(4), 696- 702.
Lee, S., and Talib, J. A., 2005, Probabilistic landslide sus- ceptibility and factor effect analysis. Environmental
Geology, 47(7), 982-990.
Santos, T.A. and Soares, C.G., 2009, Numerical assessment of factors affecting the survivability of damaged ro–
ro ships in waves. OceanEngineering, 36(11), 797-
809.
Simonsen, B.C., 1997, Ship grounding on rock—I. Theory.
MarineStructures, 10(7), 519-562.
Stornes, P, 2015, Risk influencing factors in maritime ac- cidents: an exploratory statistical analysis of the Norwegian Maritime Authority incident database, NTNU Social Research Studio Apertura.
Wiegmann, D. A., and Shappell, S. A., 2017, Ahumanerror
approachtoaviationaccidentanalysis:Thehuman
factorsanalysisandclassificationsystem. Routledge.
Yilmaz, I., 2007, GIS based susceptibility mapping of karst depression in gypsum: a case study from Sivas ba- sin, Turkey), EngineeringGeology,90(1), 89-103.
해양안전심판원 https://www.kmst.go.kr
ArcGIS Pro http://pro.arcgis.com GEBCO https://www.gebco.net
교신: 성효현, 03760, 서울특별시 서대문구 이화여대길 52, 이화여자대학교 사범대학 사회과교육과(이메일: hh sung@ewha.ac.kr, 전화: 02-3277-2668)
Correspondence: Hyo Hyun Sung, 03760, 52, Ewhayeodae- gil, Seodaemun-gu, Seoul, Korea (e-mail: hhsung@ewha.
ac.kr, phone: +82-2-3277-2668)
최초투고일 2018. 10. 11 수정일 2018. 11. 5 최종접수일 2018. 12. 3
