제
1
장
제
2
장
닌 프로세스로 본다. 또한 지금까지 근대과학이 세계를 거대한 기계로 파악 했다면, 복잡계적인 관점에서는 세계를 웅대한 생명체로 바라보는 입장이 다. 따라서 복잡계에서는 구조자체보다는 구조의 하층에 존재하는 운동의 다이내믹한 프로세스에 관심을 갖는다. 어떤 시스템을 복잡계라고 부를 수 있는 경우는 다음 두 가지 현상이 관찰 될 때이다. 첫째, 상호 작용하는 수많은 요소로 구성되어 있어야 한다. 이는 시스템에 피드백 메커니즘이 존재함을 말한다2). 둘째, 무언가 기존과는 전 혀 다른 새로운 현상이 나타난다는 창발적 특성(emergent properties)을 갖는 다는 것이다. 여기서 창발적 특성이란 뚜렷이 관찰될 수 있고 실증적으로 규명할 수 있는 전체적 패턴을 말한다. 따라서 이 세계를 복잡하지만 상호작용적 적응(공진화)3)의 과정을 통해 무언가 새로운 질서를 만들어 낼 수 있는 세상으로 보는 관점에서 ‘복잡적응 계’라고 칭한다. 이러한 복잡 적응계는 다수의 행위자가 자율성을 갖고 상호 작용하고 학습하고 진화함으로써 특정한 구조와 규칙을 만들어갈 뿐 아니라 외부환경이나 다른 복잡계와 상호작용을 하며 진화해 가는 시스템을 의미하 며, 일반적으로 인체의 신경계, 경제시스템, 도시나 지역사회와 같은 시스템 들이 대표적인 예가 될 것이다. 복잡적응시스템은 혼돈에서 새로운 질서형성의 전이지대(edge of chaos)4) 로 진화하며, 여기서 선택적 이익의 제공을 통한 크고 작은 공진화적 변화는 승자독식 함수(power law)5)의 형태로 진화된다.특히 인터넷의 활용은 정보 생태계를 복잡적응계의 조건 환경으로 더욱 그럴 듯하게 만들어 가고 있는 데, 예를 들면 Web 1.0(네트워크의 연계)에서 Web 2.0( 수요자 참여형 네트워 2) 피드백은 시스템의 동학에 비선형성을 만드는 기제이다. 3) 서로 대응하며 진화한다는 의미로 '공진화(co-evolution)'라고 한다. 4) 혼돈의 가장자리(edge of chaos)는 변화하는 환경에 적응하며 진화해가는 생명체들의 원리를 탐구 해보니 이들은 안정된 균형상태도 아니고 무질서한 혼돈상태도 아닌 중간상태에 있을 때 보다 잘 적응한다는 것이다.
융합을 통한 기술개발 전략 수립이 절실히 필요한 실정이다.
야 할 것이다. 즉 기존의 정보유통의 개념이 정보공유의 개념이었다면, 향후의 정보유통 은 어떤 식으로 정보공명이 가능해 질 것인가에 초점이 맞추어져야 할 것이다. 현재 전 세계의 대부분의 정보센터에서는 정보공유의 개념에서 상담 및 자문 혹은 컨설팅의 영역으로 새로운 역할 정립을 시도하고 있으며, 시스템을 이용 한 연구협업체제의 구축도 중요한 이슈를 이루고 있는 것이 사실이다7). 이를 복잡계 개념으로 기술하면 정보공유는 무질서 단계로 정보공명은 끌개의 개념으로 표현 가능할 것 같다. 따라서 새로운 Web 3.0은 이러한 정 보공명이 가능한 상태 즉 피드백이 가능한 맞춤형 분석 정보 지원체제의 개념으로 이해된다8). 즉 향후 과학기술 정보인프라 구축의 방향은 경쟁력있 는 전문정보를, 문제가 발생한 다양한 현장 맥락에 따라 적용가능하도록 변 형하여 문제 해결이 가능하도록 지원해야 할 것이며, 개개인이 갖고 있는 지식, 자기 조직화된-노하우를 공유함으로써 서로 간에 공진화(co-evolution) 가 발생하여 국가차원의 새로운 자산 (capital)으로 만들어 가야 할 것이다 <그림2-10 참조>. <그림 2-10> 일본사회기술연구개발센터의 연구개념도
7) 영국의 무역산업부(DTI) 과학혁신청(OSI)의 e-Infrastructure 실무 그룹은 『과학 혁신을 위한 영국 의 e-Infrastructure 개발』보고서를 발간(‘07. 2. 8)하고 e-Science 중심의 과학기술협업인프라 구축에 박차를 가하고 있으며, 미국의 경우는 Cyber Infrastructure 구축이라는 개념으로 추진되고 있다.
제
3
장
1.2 보타이 모델 구성 상기한 분석결과를 보타이 모델의 형태로 재구성하면 다음 <그림 7>과 같다. 일반적으로 보타이 모델은 각 요소간의 관계 흐름에 주목한다. 즉 구성요소(노드)간에 지식을 주고받는 관계를 나타낸 네트워크인데, 나가는 방향의 링크는 지식을 주었다는 의미이고, 들어오는 방향의 링크는 지식을 받았다는 의미이다. 각 요소그룹간의 기능적인 의미를 살펴보면 크게는 6개의 부분으로 나눌 수 있다.
- SCC(Giant Strongly Connected Component) : 가장 강하게 서로 얽혀 있는 컴포넌트로, 지식관계에서는 지식이 순환하는 지점으로 Exchange Zone 이다.
- IN : SCC 그룹으로 들어가는 링크이며, 지식의 근원지인 Source Zone이다. - OUT: SCC에서 나오는 링크이며, 지식의 도착점으로 Target Zone이다. - Tube: 순환하는 중간지점을 거치지 않고 직접적으로 Source 그룹과
Target그룹을 연결하고 있는 그룹이다.
- Tendril : Source그룹 또는 Target 그룹에 의존적으로 관계하고 있는 Dependent 그룹이다.
- Disonnected Components: 어떤 그룹과도 관계를 주고받지 않고 동떨어져 있는 그룹이다.
2.2 우리나라 조류인플루엔자 전파특성
장거리 전파는 주로 야생철새의 이동에 따라 일어나는 것으로 보고된 바 있으며, 또한 중국, 동남아 등 HPAI 발생국으로부터 오염된 냉동 닭고기나 오리고기, 생계란 등에 의해서 유입될 수도 있으며, 해외방문자 등 사람에 의하여 유입될 위험성도 간과할 수 없는 중요한 요인 중 하나이다. 닭에서의 HPAI 잠복기는 수 시간에서 3일 정도이며, OIE에서는 최대잠복 기를 21일로 정하고 있다.닭이나 칠면조는 HPAI에 감염되면 70 - 80% 이상 폐사할 정도로 감수성이 높으며, 메추리, 타조 등도 AI 바이러스 종류에 따 라 증상이 다양하게 나타날 수 있으며, 특히 오리, 거위, 메추리 등은 야외 AI 바이러스의 변이나 가금류에 대한 감염에 있어 중요한 역할을 하는 것으 로 알려져 있다. 우리나라의 경우 AI바이러스 유입은 철새에 의한 가능성이 가장 크며, 발 생 농장으로의 질병 유입은 오염된 철새 분변 등이 사람, 차량을 통한 전파 가능성이 높다. 하지만 현재의 방역체계는 각 지역의 예찰요원에 의한 철새 와 텃새, 오리 등 야생조류에 대한 예찰활동에 의한 수동적 방역활동에 의존 하고 있는 실정이다. 2.3 AI 방역예찰모형 기존의 국가 차원의 가축질병 역학모델시스템으로는 뉴질랜드의 역학정 보관리시스템(EpiMAN)이 대표적이다12). EpiMAN은 악성전염병을 관리하 기 위해 개발된 종합적 질병관리 시스템으로 처음에는 뉴질랜드에서의 구제 역 발생조치에 대한 도움을 주기 위해 개발하였으나 지금은 주요가축전염병 의 국가관리를 위한 정책결정지원시스템(Decision support system)으로 이용 되고 있다.
EpiMAN은 모델링 및 모의실험 (Modelling and Simulation)이 가능하며, 확 률론적 방법과 인공지능의 기술을 조합하는 모델링 방식을 채택하고 있으며,
일반적인 가축 질병의 전염확산은 발생단계, 전파단계, 대응단계로 구분 할 수 있으며, 이에 따른 방역활동은 크게 질병예측활동, 초동방역, 사후관리 로 구분할 수 있다. 즉 기존의 수동적 예찰 활동대신에 예측모형 등을 활용 하여 적극적으로 예찰활동에 집중하는 능동적 예찰활동을 강화해야하며, AI 로 최종 판정된 후에는 AI의 전파 경로에 대한 시뮬레이션을 통한 방역대책 을 수립해야 한다. 최종적으로는 방역대 설치 및 살처분에 대한 비용분석을 통해서 적정 방역대 및 살처분 수를 설정해 낼 수 있는 모델구성이 필요하다. 전통적인 전염병학(Epidemiology)은 주로 의학이나 생물학 쪽에서 연구가 되어오던 주제이다. 이것을 시뮬레이션 하기 위해서는 각 노드가 다음의 상 태들을 가질 수 있다고 가정한다. 가능한 상태로 크게 전염병에 걸릴 수 있 는 상태(S: Susceptible), 전염병에 걸린 상태(I: Infected)13), 전염병에 걸려서
2.4 전파모형 2.4.1 농장내 전파모델 예찰 활동 및 AI 의심 사례로 접수된 후 최종 AI로 판정된 해당 농장을 정점으로 하여 AI 전파 경로에 대한 시뮬레이션을 통한 방역 대책을 수립토 록 하는 모델을 행위자 기반모델(ABM)로 구성하였다. 기본적인 모형개념은 S-I-R 모형개념을 활용하였으며, (식1)에서 각 모형 계수는 실험자의 관점에 따라 변동이 가능토록 하였다18). (식1) μ : 출생률(사망률), β : 접촉비율, σ : 회복율 2.4.1.1 일반전염 모델 백신을 투여하지 않는 상태의 일반전염모델로서 예찰활동 및 AI 의심 사 례로 접수된 후 최종 AI로 판정된 해당 농장을 정점으로 하는 AI 전파 경로 에 대한 시뮬레이션 이다. 18) SIR모델 방정식의 개별 방정식은 다음과 같으며, 이는 ABM모델의 각각의 에이전트 행태를 구성할 때 활용하였다. = μ -βIS - μS,
= βIS - σI - μI,
<그림 3-23> 경제적 손실모델개념도 2.6 모형 시뮬레이션 결과 2008년 4월 3일 전북 김제에서 처음으로 확인된 고병원성 AI는 37일 만에 제주를 제외한 전국에서 나타난 AI 발생에 대한 최초 유입경로와 발생지역 전파속도, 손실비용 산정 등을 본 연구에서 개발한 복잡계 모형을 통해 시 뮬레이션 해보고자 한다. 2.6.1 예찰클러스터링 모델적용 시뮬레이션 2008년 이전의 AI 발생데이터를 활용하여 시공간 AI발생 위험도를 평가 해보는 시뮬레이션을 실시하였다. 시공간 통계분석을 위해 SatScan 프로그 램을 활용하였다. SatScan 프로그램에 들어가는 입력데이터 파일의 필드구 성은 다음과 같다.
- CAS화일 : 지역 / 사육수 / 발생일자 / case / deaths - POP화일 : 지역 / 발생일자 / 사육수 / case/ deaths - GEO화일 : 지역명 / 경도 / 위도
AI예찰 시뮬레이션 결과 AI 발생 위험지역은 아래와 같이 예상되며 이는 2008년 AI 실제 발생 지역과 일치하고 있다.
- 2순위 : 이천, 안성, 양주 - 3순위 : 경주, 양산, 울주, 음성, 아산, 진천, 천안 <표 3-2> 과거 국내 AI 발생자료 (입력데이터) 번호 발생지역 발생일 (poultry)축종 좌표 사육두수 도 시/군/구 위도 (latitude) 경도
<표 3-3> AI 예찰 SatScan 시뮬레이션 결과
MOST LIKELY CLUSTER
1. Location IDs included.: 나주, 김제, 익산
Coordinates / radius..: (35.000000 N, 126.000000 E) / 0.00 km Time frame...: 2006/10/12 - 2009/12/31 Population...: 49845 Number of cases...: 307000 Expected cases...: 36025.37 Annual cases / 100000.: 1910506.4 Observed / expected...: 8.522 Relative risk...: 12.378
Log likelihood ratio..: 434249.526148 Monte Carlo rank...: 1/1000 P-value...: 0.001
Recurrence interval...: 2 years 269 days
SECONDARY CLUSTERS
2. Location IDs included.: 이천, 안성, 양주
Coordinates / radius..: (37.000000 N, 127.000000 E) / 0.00 km Time frame...: 2007/2/9 - 2009/12/31 Population...: 2504 Number of cases...: 133000 Expected cases...: 76404.26 Annual cases / 100000.: 390258.7 Observed / expected...: 1.741 Relative risk...: 1.868
P-value...: 0.001
Recurrence interval...: 2 years 269 days
3. Location IDs included.: 경주, 양산, 울주, 음성, 아산, 진천, 천안 Coordinates / radius..: (35.000000 N, 129.000000 E) / 212.33 km Time frame...: 2007/1/19 - 2009/12/31 Population...: 5363 Number of cases...: 43560 Expected cases...: 24560.00 Annual cases / 100000.: 397629.0 Observed / expected...: 1.774 Relative risk...: 1.813
Log likelihood ratio..: 6167.071883 Monte Carlo rank...: 1/1000 P-value...: 0.001
Recurrence interval...: 2 years 269 days
<표 3-4> 2008년도 AI발생 실제 현황자료 발생지역
발생일 축종 (poultry)
좌표 사육두수
발생지역 발생일 (poultry)축종 좌표 사육두수 도 시/군/구 위도 (latitude) 경도
제
4
장
참 고 문 헌
국립수의과학검역원, ‘06/’07고병원성 조류인플루엔자 역학조사보고서, 농림부,(2007) 국립수의과학검역원, ‘07/’08고병원성 조류인플루엔자 역학조사보고서, 농림부,(2008) 국립환경과학원, 겨울철 조류 동시 센서스, 환경부,(2007) 송주호, 우병준, 허덕, 박선일, 가축질병의 경제적 영향 분석, 한국농촌경 제연구원,(2006. 11) 오유경, Natech재난관리방안연구, 한국행정연구원, (2013) 우병준, 이형우, 황윤재, 김진년, “고병원성 조류인플루엔자 발생의 경제 적 피해 계측”, KREI 농정연구속보, 제50권, pp. 1-19, (2008. 6. 27) 윤영수‧채승병, 복잡계 개론,삼성경제연구소, (2005) 윤하정, 구제역 확산 모델 구축을 위한 역학자료 관리 및 시뮬레이션 기 법 연수결과 보고, 국립수의과학검역원 개인 훈련보고서, (2004) 원동규 외, 조류인플루엔자(AI) 방역을 위한 복잡계 모형구축, 제 4회 복 잡계네트워크 컨퍼런스, (2009.9) 원동규 외, 세월호 사건을 사례로 본 적응적 복잡계 관점에서의 재난관리 방안고찰, 2014복잡계학회추계학술대회, (2014.11) 정지범, 국가종합위기관리 이론과 실제, 법문사,(2009) 정지범･이재열, 재난에 강한 사회시스템 구축-복원력과 사회적 자본, 법 문사,(2009) 정지범･김근세, 위기관리의 협력적 거버넌스 구축,법문사,(2009) 최희갑, 불확실성을 경영하라, 삼성경제연구소, (2006)policy practices through the use of indicators (URBANGUARD), Nicosia, Cyprus, (8-9 August 2005)
Allen Consulting Group, Climate Change Risk and Vulnerability, (March 2005)
Arjan Stegeman, Annemarie Bouma, Armin R.W., Elbers, Mart C.M. de Jong, Gonnie Nodelijk, Fred de Klerk, Guus Koch, Michiel van Boven, "Avian Influenza A Virus (H7N7) Epidemic in The Netherlands in 2003: Course of the Epidemic and Effectiveness of Control Measures", The Journal of Infectious Diseases(JID), 190, pp.2088-2095, (2004). Borsboom, D., Psychometric perspectives on diagnostic systems. Journal of
Clinical Psychology, 64, 1089-1108,(2008)
Burak Turkgulu, Burak Eskici, Yaman Barlas, "Medeling the Dynamics of Avian Influenza Epidemics and Possible Pandemics", spring, pp.1-53, (2006)
Comfort, K. L., Dunn, M., Johnson, D., Skertich, R., & Zagorecki, A.. Coordination in Complex Systems: Increasing Efficiency in Disaster Mitigation and Response. International Journal of Emergency Management. 2(1-2): 62-80, (2004)
Comfort, K. L., Self-Organization in Complex Systems. Journal of Research and Theory, 4(3): 393-410, (1994)
Comfort, K. L., Sungu, Y., Johnson, D., & Dunn, M. . Complex Systems in Crisis: Anticipation and Resilience in Dynamic Environments. Journal of Contingencies and Crisis Management. 9(3): 144-158, (2001) Considine, M. BP,‘ Demonstration in COMAH Safey Reports’, 26th FABIG
Technical Meeting, (2002)
Sciences, 33, 137-193, (2010)
Developing the UK's e-Infrastructure for Science and Innovation, Feb. 2007.(http://www.nesc.ac.uk/)
Dorogovtsev, S.N., Mendes, J.F.F., Evolution of networks. Adv. in Phys. 51, 1079–187, (2002)
Edouard Amouroux, Stéphanie Desvaux, and Alexis Drogoul, "Towards Virtual Epidemiology: An Agent-Based Approach to the Modeling of H5N1 Propagation and Persistence in North-Vietnam", PRIMA 2008, LNAI 5357, (2008)
Edquist, C., 1997, " Systems of Innovation Approach: Their Emergence and Characteristics", in Charles Edquist (ed.), Systems of Innovation- Technologies, Institutions and Organizations, London: Cassell Academic.
http://cyram.tistory.com (Bow-Tie모델 분석)
Jannadi OComfort, K. L., Self-Organization in Complex Systems. Journal of Research and Theory, 4(3): 393-410, (1994)
Kaffman, S.A, and Macrendy, W. , " Technological Evolution and Adaptive Organization", Compexity, Vol.1,No.2, pp.26-43,(1995)
Longstaff, P. H. , Security, Resilience, and Communication in Unpredictable Environments such as Terrorism, Natural Disasters, and Complex Technology, Harvard University Program an Information Resources Policy,(2005)
Morens, D. M., and Taubenberger, J. K., 1918 Influenza: the Mother of All Pandemics, Emerging Infectious Diseases Vol. 12, No. 1, January, (2006).
November, (2005).
Patrick Hudson, Rob Lee, ‘Risk Management: The Bow Tie Methodology’, (2007).
Sheryl Hurst, Steve Lewis , ‘Lessons Learned from Real World Application of the Bow-tie Method’, Risktec Solutions Limite, (2005)
