2.1. 연구 접근절차

Fig. 1은 연구 접근절차를 나타낸다. Step 1에서는 주제어 (key word, KW)를 수집하여 KW의 특징을 분석하고 체계적 인 KW 작성을 위한 프레임(frame)을 검토한다. Step 2에서는 수집한 KW를 정리하여 단어 축소 연구에 적용할 통일된 공 통단어(common word, CW)를 식별한다. 그리고 Step 3에서 는 CW에서 해양사고 원인분류에 적용할 단어를 식별하고, Step 4에서 파레토(Pareto) 분포함수를 이용한 단어 축소 방 법을 개발한다. Step 5에서는 원인분류단어의 축소 작업을 실 시하고, Step 6에서 최소의 단어 수를 추정한 후, Step 7에서 추정한 최소 단어를 분석하여 최종적으로 Step 8에서 최적의 원인분류단어를 획득한다.

Fig. 1

Study approaching procedures to obtain optimum causation classification words in the establishment of systematic key word frame

2.2. 해양사고의 원인분류단어 식별 방법

Fig. 2는 선행연구(KMST, 2016; Jang et al., 2016)에서 제 안한 체계적인 KW 구축 프레임을 하나의 예로 나타냈다. 이 프레임은 A부터 F까지의 6개의 변수로 구성되어 있는데, A는 상황을 나타내고, B는 환경, C는 대상, D는 임무, E는 원인, F 는 사고종류를 나타낸다. E의 원인은 E-1(인적 원인)과 E-2 (물리적 원인)로 세분되고, 변수는 다양한 종속변수를 갖는다.

Fig. 2

An example to establish the systematic key word frame

Fig. 2에 점선의 원과 선으로 표시한 예는, ^「항해(A에서 3 번) 중, 안개(B에서 3번)가 발생하고 당직(C에서 6번) 근무(D 에서 5번) 소홀(E-1에서 5번)로 충돌(F에서 1번)이 발생한 사 고_」의 경우를 나타낸 것으로, 그림과 같이 해당하는 단어를 선택하면 자동으로 KW가 당직근무소홀로 작성됨을 나타낸 다. 이와 같은 방법을 적용하면, 심판관 모두가 일관된 방법으 로 KW을 작성할 수 있을 뿐만 아니라 변수의 조합을 이용하 여 통계기반의 해양사고 원인도 분석할 수 있을 것으로 고려 된다.

여기서, 원인 변수에 해당하는 종속변수는 해양사고의 원인 을 파악하는데 가장 중요한데, 선행연구결과, 종속변수의 종류 가 대단히 다양하고 방대한 것으로 나타났다. 따라서 Fig. 2의 프레임을 구축하기 위해서는 원인에 해당하는 종속변수를 소 수의 종속변수로 축소하는 것이 우선 필요하다.

그래서 본 연구에서는 기존에 해심에서 사용하고 있는 방 대한 주제어 데이터를 이용하여 E의 원인에 해당하는 최적의 종속변수를 식별하였다.

2.3. 해양사고의 원인분류 단어 선정 방법

^「해양안전심판원 재결판례분석 연구용역 최종보고서 (KMST, 2007)_」에는 현재 해심에서 사용하고 있는 KW 작성 원칙과 주제어의 특징이 기술되어 있는데, 그 내용을 요약하 면 다음과 같다. (a) KW는 재결서 내용을 토대로 작성하고, (b) 한 건의 해양사고에 대해서 3∼4개의 KW를 도출한다. (c) 원인판단의 비중이 높은 것을 제1 KW로 선정하고, 그 다음으 로 비중이 높은 것을 제2, 제3 등의 KW로 정한다.

이러한 원칙에 의거하여 작성된 KW의 한 가지 예를 들면 다음과 같다. 2003년에 발생한 ^「어선 제OOO호 기관손상사 건_」의 경우, 주기관 정비점검소홀, 클러치 손상, 윤활유 공급 차단, 기관손상 등 네 가지 KW로 작성되어 있다(KMST, 2003). 이러한 KW는 명사 또는 명사와 형용사의 조합으로 구 분할 수 있는 것이 특징인데, 예를 들면 다음과 같다. 주기관 정비점검소홀의 경우는 주기관과 정비점검 그리고 소홀로 구 분할 수 있고, 클러치 손상의 경우는 클러치와 손상으로 구분 할 수 있다. 이러한 예는 기관손상사건에 관한 것인데, 항해와 관련된 KW의 예를 들면 다음과 같다. 제한시계 경계소홀의 경우는 제한시계와 경계 그리고 소홀로 구분할 수 있고, 협수 로 무중항법위반의 경우는 협수로와 무중항법 그리고 위반으 로 구분할 수 있다.

위의 예와 같이 구분한 단어 중에서, 첫 번째 단어는 주로 주어진 상황 또는 장비 명칭 등으로 구성되고, 두 번째 단어는 첫 번째 단어에 대한 행위 또는 상황의 적용 등으로 구성되며, 세 번째 단어는 사고의 원인을 나타낸 것으로, 주로 해기사의 인적원인 또는 장비와 기기의 물리적인 원인 등으로 구성되어 있다.

여기서, 첫 번째와 두 번째 단어는 선박에서 일반적으로 사 용하는 단어들이 나타나는데 반하여, 세 번째 단어는 심판관 들의 주관적인 견해가 반영된 방대한 종류의 단어가 등장한 다. 그래서 본 연구에서는 방대한 종류의 세 번째 단어를 원인 분류 단어로 선정하였다.

3.1. 주제어 데이터 수집과 분류

해심의 정보포털(KMST, 2015)에서 아홉 가지 사고종류(충 돌, 좌초, 접촉, 전복, 화재/폭발, 침몰, 기관고장, 인명사상, 여객사상)에 대한 KW 총 2,982개를 수집한 후, 중복되거나 KW로 부적절한 것 등을 제외하고 총 2,642개의 KW을 선정 하였다. 선정한 KW는 액셀파일(Excel file)에 다음과 같은 형 태로 분류하였다(Yim et al., 2014).

〈Ak, KWk, jk〉

여기서 〈〉는 데이터 세트(data sets)를 의미하고, A_k 는 사고종류의 단어를 나타낸다. KWk, jk 는 k의 사고종류에 대한 j_k의 KW을 나타내고, k (k = 1,2,3,⋯, K; K = 10)는 사고종 류를 식별하기 위한 인덱스(index)를 나타내며, j_k (j = 1,2,3,⋯,J_k) 는 k 에 따라서 결정되는 KW의 수를 나타 낸다.

한편, KWk, jk∈{ω1k, jk, ω2k, jk, ω3k, jk} 는 3가지 단어로 구성하 였는데, 여기서 ω1k, jk, ω2k, jk, ω3k, jk 는 위의 2.3절의 예에서 설명한 첫 번째, 두 번째, 세 번째 단어를 각각 나타낸 것으로, ω3k, jk 에 본 연구대상인 원인분류단어가 포함되어 있다. 예를 들어 위의 2.3절에 나타낸 제한시계 경계소홀의 경우, ω1은 제한시계, ω2는 경계, ω3는 소홀로 구분하는 것이다.

위와 같이 수집하고 분류한 KW의 수를 다음 식(1)으로 계 산하여 Table 1에 나타냈다.

Table 1

Compiled key words according to the type of accidents A_k . NKW1_k and NKW2_k denotes the acquired number and the used number of key words in this work, respectively

여기서 NKWk, jk 는 KWk, jk 에서 k 에 해당하는 KW의 수를 나타내고, O 는 영(0) 데이터를 나타낸다.

Table 1에서, NKW1_k 와 NKW2_k 은 처음에 수집한 KW와 본 연구에 적용한 KW의 수를 나타낸다. 앞에서 설명한 바와 같이 k = 1부터 k = 9까지는 아홉 가지 사고종류를 나타내고, k = 10는 아홉 가지 사고종류 전체의 합을 나타낸다.

여기서, KWk, jk∈{ω1k, jk, ω2k, jk, ω3k, jk} 에 분류한 ω3k, jk 의 수 는 NKW2_k 와 같이 방대하고, ω3k, jk 에는 동일한 단어가 포함 되어 있다. 예를 들면, 소홀이라는 단어는 ω3k, jk 에 중복하여 나타난다. 단어 축소를 위해서는 전체 사고종류에서 출현 빈 도가 높게 나타나는 공통된 단어를 우선 식별해야 한다.

3.2. 공통단어 식별

공통단어(CW)는 다음과 같이 식별하였다. 우선, KWk, jk 에 서 아홉 가지 사고종류 전체에 대한 ω3k, jk(k=10)을 다음과 같이 Wt∪ (∪는 합집합을 의미)로 둔다.

여기서 t=1, 2, 3, ⋯, T 이고 T=Jk(k=10) 이며 Jk(k=10) 는 Table 2에서 NKW2k(k=10)=2,642 이다.

Table 2

Identified common words CW_m and their frequencies ℵ_m

Wt∪ 에 중복되어 나타나는 단어를 식별하여 Wt∩로 둔다.

여기서 ∩는 단어의 교집합을 의미한다.

식(3)의 Wt∩을 이용하여 동일한 단어가 나타나는 빈도 ℵt∩ 을 다음과 같이 계산한다.

그리고 식(3)의 Wt∩ 와 식(4)의 ℵt∩ 로 구성된 데이터 세 트 〈Wt∩, ℵt∩〉 을 구축하고, 조건 H 을 다음과 같이 정한 후, H 을 만족하는 ℵt∩ 의 인덱스 IW_t 을 다음 식(5)으로 식 별한다.

위의 〈Wt∩, ℵt∩〉 에서 IW_t = 1 일 때의 〈W′m, ℵ′m〉 을 다 음과 같이 분리한다.

여기서 m = 1,2,3,⋯,M 이고, M=∑t=1TIWt 이다.

식(6)의 〈W′m, ℵ′m〉 에서 W′m 가 CW에 해당하는 단어가 된다. 다시 W′m 에 대한 ℵ′m 을 가장 큰 것부터 작은 순서대로 정렬하여 CW에 대한 단어 CW_m 와 빈도 ℵ_m 의 데이터 세트 를 식(7)로 구축하였다.

Table 2에 식(7)으로 구축한 CW_m 와 ℵ_m 을 나타냈다. 총 56개의 CW가 도출되었는데, m = 1 의 소홀의 CW_m 가 ℵ_m = 287 로 가장 크고, m = 56 의 폭발의 CW_m 가 ℵ_m = 7 로 가장 작게 나타났다.

3.3. 사고종류별 공통단어 식별

Table 2의 CW를 이용하여 사고종류에 각각에 포함된 공통 단어를 식별하면 다음과 같다. 먼저, ω3k, jk 에서 k 에 해당하는 CW의 수 NCW_k을 다음과 같이 계산한다.

여기서 M(M=56) 은 Table 2에 나타낸 CW의 수를 나타 내고, J_k 는 Table 1의 NKW2_k와 같다.

다음에는 ω3k, jk 에 해당하는 CCW_m 의 인덱스 m 을 갖는 ICWk, nk 을 다음과 같이 식별한다.

ICWk, nk 에 해당하는 CW_m 과 ℵ_m 을 다음과 같이 도출하 여 사고종류별 공통단어 C′Wk, nk 과 이에 대한 빈도 C′Fk, nk 로 둔다.

그리고 데이터 세트 〈C′Wk, nk, C′Fk, nk〉 을 구성한 후, 다음 식(12)과 같이 C′Fk, nk 가 큰 것부터 작은 순서대로 정렬하여 사고종류별 공통단어 CWk, nk 와 빈도 CFk, nk 의 데이터 세트 를 구축하였다.

Appendix A에 식(9)의 ICWk, nk 과 식(12)의 CFk, nk 을 나타 냈다.

Appendix

A Identified causation classification words in common words CW_m . In this table, ICW and CF denotes the index m in CW_m and cumulative frequencies according to m , respectively

4.1. 파레토 분포함수와 지수

파레토(Pareto) 법칙은 ^「20%(q)의 인구가 80%(p)의 수입 을 갖고 있다_」는 것으로, p + q = 1 규칙으로 불린다 (Wikipedia, 2016). 본 연구에서는 20%에 해당 단어가 전체단 어의 80%를 설명할 수 있는 최소의 단어 수를 구하기 위하여 파레토 함수를 적용하였다.

파레토 함수는 X 가 형식 1의 파레토 분포를 갖는 랜덤 (random) 변수인 경우 X 가 임의의 수 x 보다 클 때의 확률 Pr(X > x) 로 정의할 수 있고(Brynjolfsson et al., 2007; Fialova et al., 2004), Pr(X > x) 에 대한 누적분포함수는 F (x) = 1 - Pr(X > x)로 정의된다(Rytgaard, 1990; Sousa and Michailidis, 2004; Vilar-Zanon and Lozano-Colomer, 2007). 그리고 파레토 지수(index)는 α=log(q)/log(q/p), (p>q) 으로 계산할 수 있다(Wikipedia, 2016).

4.2. 단어 축소 절차

다음과 같은 4단계 절차를 적용하여 단어를 축소하였다.

여기서 Fpk(nk) 는 p 을 구하기 위한 것으로, k에 대한 nk(nk=1,2,3, ⋯, Nk; Nk=NCWk) 의 누적분포가 된다.

다음에는 공통단어의 수 NCW_k 에서 축소하려는 단어의 수 Nq_k 을 계산한다.

여기서 q 는 축소하려는 단어의 비율을 의미하는 것으로, 설계조건에서 q = 0.2이다.

Fpk(nk) 에서 Nq_k 에 해당하는 누적빈도 pk을 구한 후, qk 와 α_k을 계산한다.

만약 식(15)의 계산 결과가 αk≤α¯ 이면 식(14)의 Nq_k을 축소하려는 단어의 수로 정하고, αk>α¯ 인 경우에는 다음과 같은 절차에 따라서 Nq_k 을 추정한다.

여기서 N^qi 는 주어진 조건을 만족하는 n_k의 최솟값 식별 결과를 나타낸 것으로, 축소한 단어의 수가 되고, p 는 원하는 누적빈도를 의미하는 것으로 설계조건에서 p = 0.8 이다.

다음과 같이 N^qk 을 이용하여 p^k 와 q^k 을 계산한 후, α^k 을 이용하여 축소한 단어가 파레토 법칙을 따르는지 평가한다.

5.1. 파레토 분석 결과

Table 3에 단어 축소 과정에서의 계산결과들을 나타냈다. 설계조건(Design conditions)에서, α= 1.161는 설계조건으로 설정한 파레토 지수를 나타내고, NCW_k 는 k 에 해당하는 CW의 수를 나타내고, Nq_k 는 설계조건 q = 0.2에 대해서 결정 된 단어의 수를 나타낸다. 설계결과(Design results)에서, pk , qk , α_k 등은 주어진 설계조건에 대해서 계산한 결과를 나타낸 다. 모든 k에 대해서 αk=α¯(α¯=1.161) 가 되어 설계조건을 만족하지 못하고 있다. 그래서 p = 0.8 을 주고 N^qk 을 계산한 결과(Estimation results), 모든 k에 대해서 p^k≥0.8, q^k≤0.2 로 계산되어 α^k≤α¯ 의 조건을 만족하였다.

Table 3

Calculation results to k for the word reduction procedures

이상의 결과를 예로 설명하면, k = 1 (충돌사고)의 경우 해 당하는 단어의 수 NCW_k = 34 이고, 설계조건을 만족하는 단 어의 수 Nq_k = 6 인데, 평가결과 설계조건을 만족하지 못하였 다. 그래서 추정한 결과 N^qk=12 가 최적 단어의 수로 나타났 고, 그 결과 α^k>α¯ 의 조건을 만족하였다. 그래서 본 연구에 서는 N^qk 에 해당하는 단어를 파레토 법칙을 따르는 사고종류 별 최적의 최소 단어의 수로 결정하였다.

5.2. 파레토 차트를 이용한 검증

Fig. 3은 Table 3의 계산결과에 대한 유용성을 확인하기 위 한 파레토 차트(chart)를 나타낸다. 파레토 차트는 해당 객체 의 누적분포(%)를 값이 큰 순서부터 작은 순서로 나타낸 도 표이다. Fig. 3은 k = 10 (아홉 가지 사고종류 전체)에 대한 파 레토 차트에 Fpk(nk)=80% 에 대한 객체의 수(그림에 NC로 표시)를 나타낸 것이다. Table 3의 N^qk(k=10) (k = 10 )와 Fig. 3의 NC가 24로 일치하여 추정한 N^qk 가 유용함을 알 수 있다.

Fig. 3

Pareto chart to verify the number of estimated words N^qk (k = 10 ) as shown in Table 3

5.3. 축소한 원인분류단어

Table 3의 N^qk 에 해당하는 CWk, nk(nk=Nq^k) 에 대한 CW_m 의 인덱스 m 을 Appendix A의 ICWk, nk(nk=Nq^k) 에서 구한 결과를 Table 4에 나타냈다. Table 4에 나타낸 m 에 해당하 는 원인분류단어는 위의 Table 2에서 확인할 수 있고, 이 단 어들이 체계적인 주제어 구축에 적용하기 위한 최소의 단어가 된다. 그리고 Table 5에 식(18)으로 계산한 γ_i (%)을 나타냈 다.

Table 4

List of estimated the index k of CWk, nk(nk=Nq^k) corresponding to N^qk in Table 3

Table 5

Calculation results for the reduction rates γ_k(%) , where NCW_k and N^qk shows the number of target word and estimated word, respectively

Table 5에서 k = 1 이 γ_k = 64.7% 로 최댓값을 나타내고, k = 9에서 γ_k = 45.5% 로 최솟값을 나타냈다. 특히, 사고종류 전체에 대한 k = 10 의 경우 γ_k = 57.1% 로 나타났는데, 이 의 미는 56개의 공통단어 중에서 파레토 법칙에 의거하여 추정한 24개의 단어만을 이용하더라도 공통단어의 80%를 설명할 수 있음을 나타낸다. 그리고 평균 축소율은 58.5%로 나타났다.