1. 서 론

군 피복류(전투복 등)와 개인 보호장비의 신체 적합성(fit)은 단순한 착용 편의의 문제가 아니다. 부적합한 사이즈는 기동성과 작업 능률을 저하시키고, 방탄장비의 경우 보호 면적과 무게중심을 변화시켜 생존성에 영향을 미치며, 장기적으로는 마찰․압박에 의한 근골격계 부상과 피로를 유발한다. 군은 수만 명 규모의 인원에게 주기적으로 피복을 보급하므로, 사이즈 부적합은 과잉 재고, 교환․반품, 긴급 조달과 같은 군수(logistics) 비효율로 이어진다. 따라서 다양한 체형을 효과적으로 수용(accommodate)하면서도 사이즈 종류 수(stock keeping units, SKU)를 합리적으로 유지하는 사이즈 시스템(sizing system) 설계는 품질․신뢰성과 운영․물류를 아우르는 산업공학적 의사결정 문제이다. 특히 징병제를 운영하여 매년 대규모 신병에게 피복을 보급하는 한국군의 경우, 사이즈 배정의 신속성․정확성과 사이즈 종류 관리의 효율성이 갖는 실무적 중요성이 더욱 크다.

전통적인 사이즈 시스템은 한두 개의 통제 치수(control dimension; 예: 키, 가슴둘레)에 대해 백분위(percentile) 구간을 설정하고 이를 격자(grid)로 분할하는 방식에 기반한다[1]. 이 방식은 단순하고 해석이 용이하나, 통제 치수 이외 부위의 다변량적 변동을 반영하지 못한다. 동일한 키․가슴둘레를 갖더라도 어깨․소매․넓적다리 등 다른 부위가 상이한 인원은 동일 사이즈로 적절히 수용되지 못한다. 또한 사이즈 배정과 설계를 위해 다수 부위를 직접 측정해야 하므로, 신병 입영․대량 보급처럼 단기간 대규모 측정이 필요한 상황에서 비용과 시간 부담이 크다.

한편 데이터 기반 사이징에 관한 선행연구는 대부분 사이즈 집합을 ‘생성’하는 군집․최적화 기법 자체에 집중해 왔으며[9, 10, 13, 16], (i) 어떤 인체 측정 항목이 사이즈 결정에 본질적으로 필요한지를 규명하는 ‘측정 설계’, (ii) 소수의 저비용 측정만으로 전체 적합공간을 복원하여 사이즈를 신속히 배정하는 ‘측정 최소화’, (iii) 이를 순환논리 없이 검증하는 평가 절차를 통합적으로 다루지 못하였다. 또한 인체치수와 사이즈의 관계에 관한 기존 논의는 키․가슴둘레와 같은 한두 개의 통제 치수를 경험적․관행적으로 선택하는 데 머물러[1, 7], 다변량 체형 전체를 고려한 핵심 측정 항목의 객관적 선별은 충분히 연구되지 않았다. 대규모 인원에게 주기적으로 피복을 보급해야 하는 군 환경에서는 사이즈 종류 수의 합리화뿐 아니라 측정 부담의 최소화가 동시에 요구되므로, 사이즈 생성․측정 설계․측정 최소화를 하나의 틀에서 다루는 연구가 필요하다. 본 연구는 이러한 공백을 메우기 위해 수행되었다.

본 연구는 사이즈 시스템 설계를 다변량 시설입지(facility-location) 문제로 정식화한다. 즉, 각 사이즈를 다변량 적합공간 상의 ‘프로토타입(시설)’으로, 각 인원을 ‘수요’로, 부적합을 ‘거리’로 간주하면, 사이즈 시스템 설계는 정해진 수의 프로토타입으로 전체 인원의 총 부적합을 최소화하는 p-중앙값(p-median) 최적화로 일반화된다[8, 11]. 이 관점 위에서 본 연구는 머신러닝과 설명가능 인공지능(explainable artificial intelligence, XAI)을 결합하여 다음 네 가지 연구 질문을 다룬다.

본 연구의 기여는 다음과 같다. 첫째, 사이즈 시스템 설계를 시설입지 최적화로 정식화하고, 전통적 격자 대비 데이터 기반 방식의 우월성을 트레이드오프 곡선으로 정량 입증한다. 둘째, 머신러닝 복원에 기반한 측정 최소화 신속 사이징(rapid sizing) 절차를 제안하고, 복원 신체로 설계하되 실제 치수로 평가하여 순환성 없이 효용을 검증한다. 셋째, 설명가능 인공지능으로 핵심 측정 항목을 선별하여 측정 설계의 근거를 제시한다. 넷째, 성별 통합/분리를 부트스트랩으로 비교하여 운영 정책적 함의를 도출한다.

2. 이론적 배경 및 선행연구

2.1 사이즈 시스템 설계와 시설입지 최적화

사이즈 시스템 설계의 핵심은 집단의 체형 분포를 소수의 이산적 사이즈로 구분하되 가능한 한 많은 인원을 허용 오차 내에서 수용하는 것이다[1, 7]. 전통적 백분위 격자 방식의 한계를 보완하기 위해 McCulloch et al.[13]은 적합 손실을 최소화하는 최적화 기반 사이징을 제안하였다. 이 문제는 본질적으로 시설입지 분야의 p-중앙값 문제[8]와 동형이며, 군집 분석의 k-평균․k-중앙점(k-medoids, PAM)[11] 기법으로 근사할 수 있다. 데이터마이닝․군집 기반 사이징 연구로 Hsu and Wang[10]은 의사결정나무 기반 사이즈 시스템을, Hsu[9]는 군집 기반 산업표준 개선을, Chung et al.[4]은 학생용 사이즈 시스템을 제시하였다. Vinué et al.[16]은 군집을 통해 실제 인원을 대표 적합 모델(representative fit model)로 선정하는 방법을 제안하였는데, 이는 본 연구의 p-median 프로토타입(실제 병사)과 직접 연결된다. 그러나 이들 연구는 사이징 생성에 집중하였을 뿐, 측정 최소화나 설명가능 측정 설계를 통합적으로 다루지 않았다.

2.2 인체치수와 사이즈의 관계 및 통제 치수 선정

사이즈 시스템은 본질적으로 다수의 인체치수를 소수의 통제 치수(control dimension)로 요약하여 사이즈를 구분하는 작업이며, 따라서 “어떤 치수가 사이즈를 결정하는가”는 사이징 연구의 핵심 질문이다. 전통적으로 상의는 키․가슴둘레를, 하의는 허리둘레․엉덩이둘레 또는 키를 통제 치수로 사용해 왔으며[1, 7], 이는 둘레․길이 치수 간의 높은 상관에 근거한다. ISO 8559 등 각국 의류 치수 표준 또한 소수의 1차 치수(primary dimension)와 이에 종속되는 2차 치수(secondary dimension)의 회귀관계를 전제로 한다. 그러나 이러한 통제 치수 선정은 대체로 경험․관행과 이변량 상관에 의존해 왔으며, 다변량 체형 분포 전체에 대한 각 측정의 한계 기여(marginal contribution)를 정량적으로 비교하여 핵심 측정 항목을 선별한 연구는 드물다. 인체치수 간 상관구조를 이용해 일부 치수로 나머지를 추정하려는 시도(회귀․주성분 기반 치수 예측 등)는 있었으나[7, 16], 이를 사이즈 배정의 적합률 회복 관점에서 평가하거나 설명가능 인공지능으로 측정 기여도를 분해한 연구는 보고된 바 없다. 본 연구는 바로 이 지점에서 기존 인체치수–사이즈 관계 연구를 확장한다.

2.3 인체측정 데이터 자원

데이터 기반 사이징은 대규모 인체측정 공개 데이터로 가속화되었다. 미 육군 ANSUR II[6]는 6,000명 이상에 대한 93개 직접 측정 치수를 제공하며, CAESAR[15]는 3차원 표면 인체측정 데이터를 제공한다. 국내에서는 국가기술표준원의 Size Korea 사업이 한국인 인체치수를 축적해 왔다. 본 연구는 재현성이 보장되는 공개 데이터 ANSUR II를 사용하되, 제안 방법론은 Size Korea나 군 자체 측정 자료에도 동일하게 적용 가능하도록 설계하였다.

2.4 머신러닝과 설명가능 인공지능

랜덤 포레스트[2], 그래디언트 부스팅[5], XGBoost[3]와 같은 트리 기반 앙상블은 회귀․분류에서 비선형 관계를 효과적으로 포착한다. 예측 근거 해석을 위해 치환 중요도(permutation importance)[2]와 SHAP(SHapley Additive exPlanations)[12]가 널리 활용되며, SHAP는 Shapley 값에 기반해 변수 기여도를 가법적으로 분해한다. 본 연구는 이러한 기법을 사이징의 ‘측정 설계’에 활용하여, 어떤 측정이 적합공간 복원에 본질적으로 필요한지를 규명한다. 모든 모델은 표준 오픈소스 라이브러리[14]로 구현하여 재현성을 확보하였다.

2.5 연구의 차별성

선행연구가 사이징 생성의 개별 요소에 집중한 데 비해, 본 연구는 (i) 사이징을 시설입지 최적화로 정식화하여 전통적 격자와 정량 비교하고, (ii) 머신러닝 복원 기반 측정 최소화 신속 사이징을 순환성 없이 검증하며, (iii) 설명가능 인공지능으로 측정 항목을 설계하고, (iv) 성별 통합을 통계적으로 검정한다는 점에서 차별성을 갖는다. 또한, 다변량 적합공간 전체를 기준으로 각 측정의 한계 기여를 정량화하여 통제 치수를 객관적으로 선별한다는 점에서, 경험적 통제 치수 선정에 의존해 온 기존 인체치수–사이즈 관계 연구와 차별된다.

3. 연구 방법

3.1 데이터

미 육군이 2010–2012년 수행․공개한 ANSUR II 데이터를 사용한다[6]. 표본은 남성 4,082명, 여성 1,986명으로 총 6,068명이며, 직접 측정된 93개 인체치수(길이 mm, 체중 kg)를 포함한다. 데이터는 공개되어 무료 수집․재현이 가능하다. 체중은 원자료의 0.1 kg 단위를 kg으로 변환하였고, 분석의 재현성을 위해 모든 무작위 절차의 난수 시드를 42로 고정하였다. 구체적으로 본 연구의 무작위성은 scikit-learn[14] 구현에서 (i) k-means 및 k-medoids(p-중앙값) 군집의 k-means++ 초기 중심 선택, (ii) 학습:검증(70:30) 데이터 분할, (iii) 성별 통합․분리 비교를 위한 부트스트랩 복원추출(B = 300)에서 발생하며, 각 함수의 난수 인자(random_state)를 42로 통일하여 동일한 결과가 재현되도록 하였다. 시드 값 42 자체에는 특별한 의미가 없으며 관례적으로 채택한 고정값이다.

3.2 적합공간과 적합도 지표

적합공간과 적합도 지표에 사용되는 기호는 다음과 같다. n은 전체 인원 수, D는 적합공간을 구성하는 치수의 수(본 연구에서 D = 10), i ∈ { 1 , … , n }는 개인(인원) 인덱스, d ∈ { 1 , … , D }는 치수 인덱스이다. x i d는 인원 i의 치수 d 측정값, τ d는 치수 d의 허용 오차(tolerance), z i d는 허용 오차로 정규화한 치수값이다. P는 프로토타입(사이즈) 집합이고 그 원소 수 | P | = k는 사이즈 수, z p d는 프로토타입 p의 치수 d 정규화값, c ( i )는 인원 i에게 배정된 프로토타입의 인덱스, r i d는 인원 i의 치수 d 부적합 비율이다. 1 [ · ]은 지시함수(indicator function)로, 조건이 참이면 1, 거짓이면 0의 값을 갖는다. (적합공간 정의 치수: 가슴둘레, 허리둘레, 엉덩이둘레, 엉덩이너비, 목둘레, 어깨둘레, 소매길이(척추-손목), 샅높이, 넓적다리둘레, 키의 10개)

각 치수를 허용 오차로 정규화하면 식 (1)과 같고,

인원 i는 정규화 공간에서 가장 가까운 프로토타입에 배정된다.

배정된 프로토타입에 대한 치수 d의 부적합 비율은 식 (3)으로 정의된다.

사이즈 시스템 설계는 k개의 프로토타입으로 전체 인원의 총 부적합을 최소화하는 p-중앙값(p-median) 문제로 정식화된다.

여기서 p-중앙값(k-medoids)에서는 z p d가 실제 인원의 정규화 치수로 제약되고, k-means에서는 군집 중심으로 결정된다.

평가지표인 평균 차원 적합률 A와 적합손실 L은 각각 식 (5), 식 (6)과 같다.

A는 사람별 허용오차 이내 치수 비율의 전체 평균이고, L은 평균 부적합 비율로 1.0이면 허용오차 경계 수준을 의미한다.

3.3 사이징 생성기

세 가지 방식으로 동일한 사이즈 수 k의 프로토타입 집합을 생성하고, 각 인원을 정규화 공간에서 가장 가까운 프로토타입에 배정한다. (1) 백분위 격자: 전통적 군 사이징(길이×둘레)을 모사하여 (키, 가슴둘레)에 대한 분위 격자를 a × b로 구성하고 셀 평균을 프로토타입으로 한다. (2) k-means: 정규화 적합공간에서 k-평균 군집 중심을 프로토타입으로 한다. (3) p-median(k-medoids): 총 부적합 거리를 최소화하는 실제 인원(medoid)을 프로토타입으로 선정한다(k-means++ 초기화 후 Lloyd 방식 medoid 갱신). 프로토타입이 실제 병사이므로 대표 적합 모델로 직접 활용 가능하다[16]. 사이즈 수를 k ∈ { 6 , 8 , 12 , 15 , 20 , 25 , 30 }로 변화시키며 트레이드오프 곡선을 비교한다.

3.4 측정 최소화 신속 사이징

저비용 측정 후보는 키, 체중, 가슴둘레, 허리둘레, 목둘레, 소매 바깥길이의 6개이다. 저비용 측정 후보 집합에서 선택한 측정 부분집합 M의 원소 수(cardinality) | M |을 1부터 4까지 변화시키며, 해당 측정값을 입력으로 그래디언트 부스팅 다중출력 회귀가 10개 적합치수를 복원한다. 표본을 학습:검증=70:30으로 분할하고, 학습부의 복원 신체로 사이즈를 설계한 뒤 검증부의 복원 신체로 사이즈를 배정하되, 적합률은 검증부의 실제 치수로 평가한다. 이로써 사이즈 라벨을 정의한 변수로 다시 예측하는 순환성을 제거한다. 전체 10개 실제 치수로 설계․평가한 결과를 상한으로 하여 측정 수에 따른 적합률 회수율을 산출한다(k = 12).

3.5 측정 항목 선택(설명가능 측정 설계)

6개 후보 측정치가 적합공간 복원에 기여하는 정도를 다중출력 회귀의 평균 R 2 기준 치환 중요도로 평가하고, 대표 치수(가슴둘레) 복원에 대한 SHAP 분석으로 보완한다. 중요도 순위는 신속 사이징의 측정 선택 순서로 사용된다.

3.6 성별 통합 분석

총 사이즈 수를 12로 고정하고, 통합(남+여) 체계와 분리(남 6, 여 6) 체계의 적합률을 비교한다. 인원을 성별로 복원추출(bootstrap, B = 300)하여 차이의 95% 신뢰구간을 추정한다.

4. 분석 결과

4.1 기술통계

<Table 1>은 적합공간 주요 치수의 성별 기술통계이다. 상체 치수(어깨둘레, 목둘레)는 남성이 크게 우세한 반면, 엉덩이너비는 여성(353.8 mm)이 남성(345.7 mm)보다 컸고 엉덩이둘레․넓적다리둘레는 성별 차이가 작았다. 이러한 상․하체 비대칭적 성차는 통합 사이징의 타당성과 한계를 동시에 시사한다. <Figure 1>의 상관 히트맵에서 둘레․길이 치수 간 강한 양의 상관이 확인되어, 소수 치수에 의한 적합공간 복원의 근거가 된다.

4.2 RQ1: 사이징 방식 비교 (시설입지 최적화 vs 백분위 격자)

<Table 2>와 <Figure 2>는 세 사이징 방식의 “사이즈 수–적합도” 곡선이다. 모든 사이즈 수에서 데이터 기반 방식(k-means, p-median)이 전통적 백분위 격자를 명확히 능가하였다. k-means는 15개 사이즈만으로 평균 차원 적합률 0.522를 달성하여 격자가 30개 사이즈로 달성한 0.518을 초과하였다. 즉 데이터 기반 다변량 사이징은 절반의 사이즈 종류로 전통적 격자와 동등 이상의 적합도를 제공한다. 동일 사이즈 수 기준으로도 k-means의 적합손실은 격자보다 약 9～14% 낮았다(예: 30개 사이즈에서 격자 1.221 vs k-means 1.052, 13.8% 감소). p-median은 k-means보다 손실이 다소 높았는데, 이는 프로토타입이 실제 인원(medoid)으로 제약되기 때문이며, 대신 각 사이즈가 실재하는 대표 병사에 대응하여 시착 기준(fit model)으로 활용 가능하다는 실무적 이점을 갖는다.

4.3 RQ2-1: 적합공간 복원 성능

<Table 3>은 6개 저비용 측정치로 10개 적합치수를 복원한 5-겹 교차검증 성능이다. 가슴둘레․허리둘레․목둘레․키는 측정 입력에 포함되어 자명하게 R 2 ≈ 1.0이며, 실제 예측 대상인 나머지 6개 치수의 복원 성능은 평균 R 2 = 0.854였다. 소매길이(R 2 = 0.911)와 어깨둘레(0.899)는 높은 정확도로, 엉덩이너비(0.723)는 상대적으로 낮게 복원되었다. 이는 소수의 둘레․길이․체중 정보만으로도 다변량 적합공간을 상당 부분 복원할 수 있음을 보여준다.

4.4 RQ3: 측정 항목 선택

<Table 4>의 치환 중요도에서 체중(0.787)이 적합공간 복원에 가장 크게 기여하였고, 목둘레(0.443), 키(0.305)가 뒤를 이었다. 가슴둘레․허리둘레․소매길이의 한계 기여는 상대적으로 작았는데, 이는 체중․목둘레․키가 이미 둘레 정보를 상당 부분 담고 있어 상호 중복되기 때문이다. <Figure 3>의 SHAP 분석도 체중과 목둘레의 지배적 역할을 뒷받침한다. 이 결과는 신속 사이징에서 어떤 측정을 우선 확보해야 하는지에 대한 설계 지침을 제공한다.

4.5 RQ2-2: 측정 최소화 신속 사이징

<Table 5>와 <Figure 4>는 복원 신체로 사이즈를 설계․배정하되 실제 치수로 평가한 신속 사이징 결과이다(k = 12). 전체 측정 기반 상한 적합률은 0.495였다. 측정 1개(체중)만으로 0.390(상한의 78.8%), 2개(체중․목둘레)로 0.468(94.5%), 3개(체중․목둘레․키)로 0.480(97.0%)에 도달하였으며, 4개째 측정의 추가 이득은 없었다(0.477, 96.4%). 이는 변수 간 다중공선성(Multicollinearity)이나 추가된 변수가 유발하는 노이즈로 인해 모델의 예측 성능이 소폭 저하되었기 때문으로 해석된다. 즉 세 개의 저비용 측정만으로 전체 측정에 근접한 적합도를 달성할 수 있어, 대규모 인원의 신속 사이징에 실질적 효용을 제공한다.

4.6 RQ4: 성별 통합 vs 분리 사이징

총 12개 사이즈 기준으로 통합 체계의 평균 차원 적합률은 0.500, 분리 체계는 0.496으로, 차이는 +0.004(95% 부트스트랩 신뢰구간 [0.001, 0.012])였다(<Table 6>). 통합이 통계적으로 유의하게 높았으나 그 크기는 실무적으로 미미하다. 이는 상체 치수의 성차에도 불구하고 하체 둘레(엉덩이․넓적다리)의 성차가 작아, 통합 군집이 사이즈 자원을 효율적으로 배분할 수 있기 때문으로 해석된다. 따라서 SKU 단순화․재고 효율 측면에서 성별 통합 사이징이 정당화된다.

5. 결론 및 토의

5.1 결과 요약

본 연구는 ANSUR II 공개 인체측정 데이터를 활용하여, 사이즈 시스템 설계를 다변량 시설입지 문제로 정식화하고 머신러닝․설명가능 인공지능을 결합한 통합 프레임워크를 제안․실증하였다. 첫째, 데이터 기반 다변량 사이징(k-means)은 전통적 백분위 격자 대비 절반의 사이즈 종류로 동등 이상의 적합도를 달성하고, 동일 사이즈 수에서 적합손실을 약 14% 낮추었다. 둘째, 머신러닝으로 적합공간을 복원하는 측정 최소화 신속 사이징은 단 3개의 저비용 측정(체중․목둘레․키)만으로 전체 측정 대비 97%의 적합률을 회복하였다. 셋째, 설명가능 인공지능 분석은 체중과 목둘레가 가장 정보가치 높은 측정임을 규명하였다. 넷째, 성별 통합 사이징이 분리 대비 통계적으로 유의하나 실무적으로는 미미하게 우수하여, SKU 단순화 관점에서 통합이 정당화됨을 보였다.

5.2 한국군 적용 함의

본 연구의 학술적 의의는 다음 세 가지로 정리된다. 첫째, 사이즈 시스템 설계를 시설입지 분야의 p-중앙값 문제와 동형으로 정식화함으로써, 그동안 의류공학․인간공학 영역에서 개별적으로 다루어지던 사이징 문제를 산업공학․경영과학의 이산 최적화 틀 안에서 일반화하고, 전통적 백분위 격자와 정량적으로 비교 가능한 공통 척도(사이즈 수–적합도 곡선)를 제시하였다. 둘째, ‘복원 신체로 설계하되 실제 치수로 평가’하는 순환성 제거 검증 절차를 제안하여, 사이즈 라벨을 정의한 변수로 다시 적합률을 평가하는 방법론적 오류를 피하면서 측정 최소화의 효용을 엄밀히 측정하는 평가 프로토콜을 정립하였다. 셋째, 설명가능 인공지능(치환 중요도․SHAP)을 사이징의 ‘측정 설계’에 적용하여, 어떤 인체 측정이 다변량 적합공간 복원에 본질적으로 기여하는지를 정량적으로 분해하였다.

이와 관련하여 본 연구의 기여가 이미 알려진 상식, 즉 체중․키가 피복 사이즈와 직결된다는 사실을 재확인한 데 그치는 것은 아닌지 검토할 필요가 있다. 체중․키가 사이즈와 강한 종속관계를 가진다는 점은 분명히 기존 지식이다. 그러나 본 연구의 기여는 ‘어떤 변수가 중요한가’를 정성적으로 진술하는 데 있지 않다. 본 연구는 (i) 다변량 적합공간 전체를 기준으로 각 측정의 한계 기여를 정량화하여, 단 3개의 저비용 측정(체중․목둘레․키)만으로 전체 측정 대비 97%의 적합률을 회복할 수 있음을 ‘얼마나 적은 측정으로 충분한가’의 관점에서 처음으로 수치화하였고, (ii) 통상 통제 치수로 쓰이지 않는 목둘레가 가슴둘레․허리둘레보다 한계 기여가 큰 핵심 측정임을 설명가능 인공지능으로 규명하여 관행적 통제 치수 선택을 보완하는 비자명한 결과를 제시하였으며, (iii) 이러한 측정 최소화를 순환성 없는 평가로 검증하였다. 즉 본 연구는 알려진 종속관계를 단순히 재확인한 것이 아니라, 그 관계를 측정 설계․측정 최소화라는 운영 의사결정으로 전환하고 정량적 근거를 제공한 점에서 기여를 갖는다.

5.3 실무적 함의 및 한국군 적용

본 연구의 결과는 한국군 피복․장비 군수에 구체적인 함의를 제공한다. 먼저 신속 사이징의 측면에서, 징병제 하의 한국군은 매년 대규모 인원이 신병교육대에 동시 입영하므로 체중․목둘레․키 세 개의 측정만으로 전체 측정의 97% 수준 적합도를 달성하는 본 결과는 입영 측정 행정을 간소화하고 측정 인력․시간을 절감할 수 있다. 사이즈 종류 관리의 측면에서는 동일한 적합도를 더 적은 사이즈 종류로 달성하므로(전통적 격자 30종에 상응하는 적합도를 데이터 기반 15종으로 달성), 피복류 SKU 축소를 통해 재고․조달․보관․폐기 비용을 줄이고 보급 적시성을 높일 수 있다. 또한 성별 통합 사이징이 분리 대비 적합도를 유지하면서 사이즈 종류를 늘리지 않음을 통계적으로 확인하였으므로, 여군 비중 확대 상황에서 남녀 공용 피복 설계와 통합 보급의 근거가 된다. 아울러 p-중앙값이 산출하는 실제 대표 병사 프로토타입은 전투복․방탄복․방탄헬멧 등 개인장비의 국방규격 시착․품평 기준 체형으로 활용될 수 있고, 핵심 측정 항목은 군 인체측정 표준의 합리적 축소 근거가 된다.

다만 본 연구의 분석은 미 육군 ANSUR II 자료에 기반하므로, 한국군에 직접 적용하기 위해서는 한국인․한국군 체형 자료를 활용한 재보정이 필요하다. 구체적인 확장 방안은 다음과 같다. 우선 국가기술표준원의 Size Korea 데이터와 병무청 신체검사․신병교육대 측정 자료를 입력으로 동일한 p-중앙값 사이징 및 측정 최소화 절차를 재실행하여, 한국군 체형 분포에 맞는 사이즈 집합과 핵심 측정 항목을 재산출할 수 있다. 다음으로 허용 오차 τ d를 한국 군 피복 국방규격의 등급 간격에 맞추어 재설정하고, 미군 자료로 학습한 적합공간 복원 모형을 Size Korea 자료로 전이학습(transfer learning)․미세조정하여 상대적으로 적은 한국군 표본으로도 복원 성능을 확보할 수 있다. 끝으로 재산출된 사이즈 체계를 실제 한국군 피복 착의 평가․시착 결과와 대조하여 적합률 지표의 외적 타당성을 검증할 수 있다. 이러한 절차를 통해 본 방법론은 한국군 특화 사이즈 체계 구축과 스마트 국방 군수 정보화에 직접 기여할 수 있다.

5.4 한계 및 향후 과제

본 연구는 다음과 같은 한계를 가지며, 이는 향후 과제로 이어진다. 분석에 사용한 데이터가 미 육군 단일 조사이므로 한국군 체형과 차이가 있을 수 있어 일반화에 주의가 필요하며, 앞서 제시한 한국군 데이터 기반 재보정이 선행되어야 한다. 적합도 지표와 허용 오차는 등급 간격에 근거한 합리적 가정이나, 실제 착의 평가와 동작 적합성(dynamic fit), 장비 통합 착용(layering)을 반영한 정교화가 필요하다. 또한 p-중앙값 해는 휴리스틱으로 구하였으므로 엄밀한 최적해와의 간극을 검토할 여지가 있다. 끝으로 본 연구는 상․하의를 통합한 적합공간을 다루었으며, 품목별(상의․하의․전투화) 사이징과 3차원 형상 적합성으로의 확장이 향후 과제로 남는다.