1. 서 론

각종 안전보건 대책(산재 예방 5개년 계획, 중대 재해 예방대책 등)의 마련․시행으로 재해율 지표는 꾸준히 개 선되고 있지만, 사망사고만인 비율은 여전히 선진국보다 2~4배 가량 높다. 그리고 산업재해로 인한 경제적 손실액 도 지속적으로 증가하여 자연재해 손실액의 110배에 해당 하는 19조 원에 달하고 있다. 단기적 성과중심의 경영 확 산으로 사업장의 안전보건체제가 안착되지 못하고, 사업 주와 근로자의 안전의식이 여전히 낮은 상황이다. 현장과 괴리된 법제, 공급자 중심의 지원 사업 추진 등으로 안전 보건 환경 변화에 주도적 대응이 곤란한 실정이다[16].

우리나라는 1970년대 이후 성장 위주의 경제성장 전 략을 선택하면서 근로현장에서 발생하는 산업재해를 산 업발전에 수반하여 어쩔 수 없이 발생하는 것으로 인식 해왔다. 더욱이 사회와 기업이 산업재해가 단순히 근로 자 개인의 부주의에 기인한다는 점만을 강조함에 따라 산업재해 발생의 본질을 왜곡하여 산업재해의 문제해결 을 더욱 어렵게 만들어왔다. 산업구조 생산방식의 변화, 안전보건 취약계측의 증가, 재해요인의 다양화는 안전정 책의 초점과 접근방식의 변화를 요구하고 있다[14].

’90년대부터 서비스업의 비중이 지속적으로 증가하고 제조업의 비중은 계속해서 감소하는 산업구조의 변화가 진행 중이다. 또한, 유해․위험 작업을 직접 수행하지 않고 도급을 하는 아웃소싱의 일반화, 저출산․고령화와 외국 인 근로자의 증가, 50인 미만 소규모 사업장이 지속적으 로 증가 추세이다. 그러므로 노동력의 양적․질적인 변 화에 맞추어 안전점검 및 교육정책을 재구성할 필요가 있다. 다양한 환경, 위험요인에 맞는 정책을 위해서는 산 업의 특성에 따른 선제적이고 효과적인 산업 안전정책 대응체계의 구축이 필요하다[16].

본 연구의 목적은 산업단지에서 일어나는 사고를 중 심으로 사고에 영향을 끼치는 데이터를 수집하여 공간분 석 및 데이터마이닝을 수행하여 산업단지의 취약지를 도 출하는데 있다. 이 분석결과를 위험등급별, 지역별 맞춤 형 산업안전사고 예방 및 감소를 위한 산업재해 예방정 책 수립에 활용할 수 있다. 본 연구를 위해 대규모 화학 처리 시설과 노후화된 산업단지가 밀집된 울주군을 대상 지로 선정하여 사고의 발생 위치, 사고유형, 사고 발생시 간 및 사고 발생업체의 업종․노후연수․근로자 수․외 국인노동자 수, 건축물 정보 등의 데이터를 활용하여 산 업단지 내에 업종별, 사고유형별 사고특징을 탐색하고, 사고 요인을 도출한다. 사고 발생예측 분석을 통해 위험 지수를 개발하여 위험도에 따른 “위험, 경계, 주의, 관심” 4가지로 등급화 하였다. 또한, 분석결과를 지도로 시각화 하였다[13]. 기존에 여러 공간분석을 이용한 연구가 있었 는데 공간정보기반의 화산재해대응시스템 개발 및 활용 [11], 상황인지모델을 이용한 GIS 기반의 대기오염 정보 시스템 연구[12], 침수지도 관리를 위한 벡터형 공간정보 표준 기반의 메타데이터 설계연구[17] 등이 있었으나 이 들 연구는 공간분석 방법론만을 이용한 연구라는 점에서 차이가 있다. 또한 본 연구에서 공간분석과 융합되는 데 이터마이닝은 많은 데이터에서 숨겨져 있던 새롭고 의미 있는 정보를 찾는데 사용되는 기술로써 많은 연구가 있 었다. 예를 들어 기계적 모터 고장진단을 위한 머신러닝 기법 연구[7], SVM과 인공신경망을 이용한 침입탐지 연 구[6], 데이터 유출 참지를 위한 이상 행위 탐지 방법 연 구[15], 효과적인 에너지 관리를 위한 데이터마이닝 모델 연구[8] 등 이 있다. 이러한 공간분석과 데이터마이닝 융 합방법론을 적용한 예측 모델을 활용해서 앞으로 발생할 산업단지 내 사고에 선제적인 대응을 하는데 목적이 있다.

2. 연구방법

본 연구의 과정은 <Figure 1>에 도식화 한 바와 같이 크게 데이터 전처리, 공간분석, 데이터 분석, 결론 도출 순서 로 진행하였다. 데이터 전처리에서는 데이터의 정제, 융합하 여 분석 데이터셋을 구축하였다. 공간분석에서는 산업안전 사고 유형별 분포, 공장 특징별 분포를 시각화하고, 커널밀도 분석을 수행했다. 데이터 분석에서는 수많은 변수 중에서 종속변수에 영향을 끼치는 주요 요인을 추출하는 주성분 분석을 통해 사고 주요 요인을 도출하였고, 도출된 요인을 활용하여 공간적 이질성, 공간적 영향력을 고려한 지리적 가중회귀분석(GWR : Graphically Weighted Regression)을 통해 공간 단위별 예측값을 도출하였다. 그리고 GWR의 예측값과 관심 있는 지점에서의 특성치를 알기 위해 이미 그 값을 알고 있는 주위의 값들의 선형 조합으로 그 값을 예측하는 기법인 크리깅을 통한 확률추정값을 비교하여 검 증하였다. GWR의 분석결과인 예측값을 데이터마이닝의 분석 가중치로 추가하여 CART 분석에 부스팅기법이 결합된 분석모델을 통해 지역별 위험도를 점수화하고 등급화하였 다. 등급화한 결과를 공간적으로 시각화하였고, 분석결과를 통해 울주군 산업단지 내 화재사고 취약지를 도출하였다.

3. 공간분석 및 데이터마이닝

3.1. 데이터목록

원시데이터는 다음 <Table 1>과 같이 사고데이터인 119 구조출동 정보, 공장특성 데이터, 매출액, 자본금 등의 기업 정보, 건축물 정보, 기상정보, 공시지가 등으로 구성하였다.

공간정보는 “지리적인 위치 및 위상 관계를 나타내는 도형정보와 공간상의 사물에 대한 특징을 나타내는 속성 정보의 집합체”로 정의할 수 있다. 도형정보는 지도학상의 좌표체계에 따라 좌표값을 기준으로 점, 선, 면 등의 형태 로 표현되고, 속성정보는 아라비아 숫자나 텍스트 기호 등 으로 표현된다. 특히, 공간정보를 입력할 때는 정보의 형 상을 입력해야 하며 그 표현방법으로 벡터 데이터와 래스 터 데이터의 형태가 있다. 공간정보의 가장 큰 특징은 도 형정보와 속성정보가 1:1로 연결되어 관리된다는 것이다.

3.2. 데이터 전처리 및 융합

수집된 일반 속성정보 5종, 공간정보 5종의 데이터를 융합하기 위해 일반 속성정보를 공간화, 즉 지오코딩 과 정을 거쳐서 모두 공간정보로 변환하고, 공간조인과정을 거쳐서 모든 수집된 데이터를 격자 단위로 융합하였다.

2011년 1월~2015년 9월까지 울주군의 119 출동데이터 를 활용하여 결측치 제거 및 정제 등 전처리 후 411건 사 고데이터를 만들고, 위치와 사고일자를 기준으로 기상데 이터와 조인(Join)하였다. 울주군 내 운영 중인 1,353건의 공장 속성데이터를 지오코딩 과정을 거쳐 공간화 하였다. 공장 속성 중 주소정보를 공간상의 x, y좌표로 변환해주 는 지오코딩 툴을 활용하여 공장의 좌표 정보를 획득하고 공간화 및 시각화는 ArcGIS라는 공간정보를 편집, 가공, 분석할 수 있는 툴을 활용하였다.

울주군에 건축물 속성데이터(159,425건)를 조인(Join)을 통해서 공장 속성데이터 및 사고 데이터와 융합하였다.

울주군 전역을 대상으로 500m×500m 격자를 생성하고 사고 데이터와 기상 데이터의 융합 데이터를 격자를 기준 으로 공간조인(Spatial Join)하여 사고 융합 데이터셋을 만 들었다. 건축물대장, 공장특성 데이터를 PNU(Parcel Number Unit)로 테이블 조인(Join) 한 후 사고 융합데이터셋(격자) 에 건축물대장과 공장특성데이터를 융합하여 통합 데이 터셋을 구성하였다. 최종 분석 데이터셋은 울주군이라는 공간적 범위를 격자 단위로 나눠 산지, 주거지역을 제외 한 공장이 존재하는 지역의 119개의 격자(records)로 만들 었다. 속성정보는 <Table 2>와 같이 사고건수의 합, 건축 노후연수의 합, 공장면적의 합, 종사자 수의 합, 건물 높 이의 합, 건물 면적의 합, 공시지가의 합, 자본금의 합, 매 출액의 합 등의 45개 속성으로 구성했다[18].

3.3. 탐색적 분석 및 공간 시각화

산업안전사고 분포를 공간시각화 해보면, 전체사고와 화재사고 모두 온산 국가산업단지, 와지 일반산업단지에 집중적으로 발생하고 있는 것으로 나타났다. 사고유형별 발생빈도를 분석해보면, <Figure 2>와 같이 화재사고, 기계 (깔림끼임)사고, 추락사고, 누수누출사고, 기타사고의 5가 지 유형으로 사고 분류할 수 있고, 화재사고가 전체사고 중 65%를 차지하여 상대적으로 가장 많이 발생하는 것을 볼 수 있다.

사고 유형별 각기 다른 요인들이 사고에 영향을 끼치기 때문에 전체사고 중 가장 많은 비중을 차지하는 화재사고 에 대하여 분석을 하였다. 사고유형별 분포를 <Figure 3> 과 같이 살펴보면 화재사고는 울주군 전체에 넓게 분포하 고, 특징적으로 와지 산업단지와 온산 국가산업단지의 오 른쪽에 집중 분포하고 있고, 추락 및 누수․누출사고는 온산 국가산업단지에 집중적으로 분포하고 있는 것을 알 수 있다.

공장을 업종별로 나누어 보면, 기계, 석유화학, 운송장 비, 전기․전자, 목재 종이출판, 음식료, 비금속 소재, 철 강, 섬유․의복, 기타의 10가지 업종으로 분류할 수 있고, 이 중 전체공장의 30%를 차지하는 기계업종이 가장 큰 비중을 차지하고 있다. 전체 공장 중 가장 많은 비중을 차 지하는 기계업종에 대하여 분석 수행하였다.

3.4. 주성분 분석

사고 주요인자로 <Table 3>과 같이 자본금, 매출, 종사 자 수, 건물 높이, 노후연수, 지가의 요인이 도출되었다.

3.5. 지리적 가중회귀분석

Moran’s I 공간 자기 상관성 계수는 공간 자기 상관을 파악하기 위한 유용한 측정 척도로, 인접해있는 공간 단위 들이 갖는 값을 비교하여 계수를 산출하게 된다. 인접한 공간 단위들이 전체 연구 지역에 걸쳐 유사한 값을 갖는 경우 Moran’s I 계수는 높은 ‘정적(+) 공간상관’을 갖게 되고 그 반대의 경우 ‘부적(-) 공간상관을’ 갖게 된다. Moran’s I 계수는 다음의 식 (1)으로 표현될 수 있다[1].

위 식에서 공간가중치 매트릭스(spatial weigths matrix) W의 구성인자인 w i j는 공간 단위 i와 j가 서로 이웃하고 있으면 1, 그렇지 않으면 0의 값을 갖는다[2]. 공간 단위 i의 값은 x i이며, x ¯ 는 변수 x의 평균값이고, n은 관측개체 의 수이다. Moran’s I 계수는 -1에서부터 +1까지의 값을 갖는다.

사고(종속변수)에 영향을 미치는 요인별(독립변수)로 지리적 가중 회귀분석을 수행 위한 논리적 당위성을 확 보하였다.

<Table 4>에서 Moran’s I 계수로 주요 요인이 공간적 자기 상관이 있음을 확인하고 지리적 가중회귀분석(GWR) 을 수행하였다. GWR의 경우 회귀모델을 사용한다는 점 에서 기존 모형들의 장점이 적용됨과 동시에 지역별로 각 각 다른 계수의 추정이 가능하여 기존 모형들로는 파악하 기 어려운 공간적 이질성을 확인할 수 있다[5, 9]. GWR 결과를 GIS맵을 통해 제시함으로써 보다 시각적으로 데 이터들의 공간적 상호작용을 파악할 수 있다[3].

전체 업종과 전체 사고로 분석을 해 본 결과보다 업종 별, 사고유형별로 분류하여 분석하는 것이 정확도가 높게 나타나 가장 많이 분포하고 있는 업종인 기계업종과 화재 사고에 대한 분석 범위를 결정하였다. 다시 말해, 기계업종 에 대한 화재사고데이터만을 학습데이터로 사용하였다.

자본금, 종사자 수, 노후연수, 지가, 건물 높이를 독립 변수로 설정하고 종속변수는 화재사고 건수로 설정한 후 지리적 가중 회귀분석을 수행하였다. <Table 5>는 그 결 과이다.

GWR은 지리적 이질성을 고려한 회귀식으로 지역마다 회귀식이 도출되었고, 대표적인 회귀식을 살펴보면, “화재 사고건수(y) = 건물높이×0.047825+자본금×2.913595+종사자 수×0.350813+지가×0.070182+노후연수×0.120898+0.470544” 로 나타났다. GWR 분석결과의 RMSE(Root Mean Square Error)는 1.10(건)으로 나타났다.

모델의 설명력을 나타내는 Adjusted R²가 0.64를 나타 내고 공간적으로 표현하면 0.52~0.68 사이에 분포함을 알 수 있다.

3.6. CART-부스팅 분석

GWR의 예측값을 분석가중치로 활용하여 의사결정트리 기법 중 하나인 CART(Classification and Regression Trees) 분석에 예측력을 개선하기 위한 앙상블(부스팅) 학습이 병합된 분석을 수행했다[10]. 종속변수가 화재사고 건수 의 합으로 연속형 변수이고, 독립변수는 매출액, 용적률, 면적, 평균기온, 강수량으로 설정하고 부스팅과 CART 분 석이 결합한 분석 모델을 통해 부모 노드로부터 자식 노 드를 2개만 형성하여 분석해 나가며 화재사고 위험도를 스코어링했다. 데이터를 훈련데이터, 테스트데이터의 비 율을 80:20으로 나눠 훈련데이터로 모델을 만들고 테스트 데이터를 통해서 검증을 수행했다.

CART 분석결과 <Figure 4>와 같이 Tree의 깊이도 얕 고 정확도가 49%로 낮아 분석결과로 채택할 수 없어서 가장 보편적인 부스팅 알고리즘인 Adaboost 기법 활용하 여 91.2% 정확도의 모델을 개발하였다.

테스트 결과 평균절대오차 0.92(건), 예측값과 실제값 의 상관계수는 0.67로 나타났다.

3.7. 위험도 등급화 및 공간조인

개발된 모델을 활용하여 사고 위험도를 점수화하였고, 위험도 데이터를 Jenks Natural Breaks Classification을 활 용하여 지역별 위험도를 4가지 등급(위험, 경계, 주의, 관 심)으로 분류하고 공간조인을 통해 <Figure 5>와 같이 시 각화하였다. 그 결과 전체 119개 지역 중 위험등급이 10개 지역, 경계지역이 18개 지역, 주의등급이 31개 지역, 관 심지역이 60개 지역으로 나타났고, 대부분의 위험지역이 온산지역과 와지지역에 분포하고 있었다. Jenks Natural Breaks Classification는 같은 등급 내 전체 값들의 평균을 기준으로 평균편차는 최소화되고, 각 등급 간의 분산은 극대화하는 것이다. 즉, 등급 내의 분산은 줄이고 등급 간의 분산을 최대화하는 방법이다[4].

위험등급의 지역 특성을 살펴보면, 총 업체 수는 61개 (산업단지 내 49%, 산업단지 외 51%)이고, 총 근로자 수 는 4710명, 공장 노후도는 평균 13.6년(20년 이상 노후공 장 21%)이었다.

사고에 영향을 끼치는 요인으로 노후도가 가장 큰 영 향을 끼치고, 다음으로 자본, 지가, 종사자 수, 건물 높이 순으로 나타났다. 즉, 위험등급 지역은 공장이 노후화되 고 영세업체가 많은 것으로 이해할 수 있다.

특히 국가산업단지인 온산국가산업단지의 특성을 살펴 보면 공장 노후도는 15.4년이며 그중 20년 이상 노후공장 의 비중은 36%로 평균 이상이며 소규모 사업장의 경우 위험지역 내에서 65%를 차지하여 평균 이하로 대기업이 많이 밀집된 것으로 확인이 되었다. 이 지역에서는 소규 모 사업장보다 노후 공장에 대한 집중 관리가 필요하다고 볼 수 있다.

와지산업단지의 위험지역의 특징을 살펴보면 공장 노 후도는 13.5년이며 그중 20년 이상 된 노후공장의 비중은 23%로 평균적으로 보이며 소규모 사업장의 경우 위험지 역 내에서 85%를 차지하고 있어 평균 이상으로 소규모 영세업체가 많이 밀집해 있는 것으로 보인다. 또한, 위험 지역의 경우 공단 내부보다는 공단 주변에 많이 나타나고 있어 이 지역의 경우 공단 외부의 소규모 영세 사업장에 대한 집중 관리가 필요하다고 볼 수 있다.

4. 결 론

본 연구에서는 고용노동부, 지자체를 비롯한 기관과 산 업통상자원부(산업단지 공장정보), 건축물통합정보시스템 등 여러 곳에서 분산 관리되고 있는 산업재해, 공장정보 및 건물정보 등을 일정 공간단위로 융․복합하여 데이터 베이스 구축하였다. 산업안전사고 및 공장 특성별 분포패 턴을 시각화하고, 가장 많이 발생하는 산업단지 내 화재 사고에 대해서 사고 주요 요인 분석, 공간적 요인과 화재 사고와 상관관계 분석 및 앙상블기법 중 하나인 부스팅과 CART 분석이 결합한 분석 모델을 활용하여 지역별 위험 도 도출하였다. 도출된 위험지수를 Jenks Natural Breaks Classification을 활용하여 “위험, 경계, 주의, 관심” 4가지 등급으로 분류하였다. 또한, 분석결과를 지도로 시각화하 여 위험지역을 직관적으로 확인할 수 있다. 공간적 이질 성, 공간적 의존성을 고려한 공간분석과 데이터마이닝의 융합 방법론을 통해 공간적 성질을 고려한 분석결과를 도 출하였다.

본 연구의 한계는 산업재해데이터를 보유하고 있는 기관에서 관련 데이터 제공이 불가능하다는 방침에 따라 119 긴급출동데이터를 활용하여 분석하였다는 점이다. 향후 공공데이터 개방 및 활용이 활성화되면, 풍부한 데 이터를 활용하여 화재사고뿐만 아니라 다양한 산업단지 내 사고에 대한 요인을 도출하고 사고유형별 사고위험도 를 예측하는 추가 분석이 필요할 것이다.