서론
1. 연구의 배경 및 목적
2. 연구의 내용 및 절차
선행연구 검토
현황 및 자료분석
1. 현황분석
2. 주요단어 선정
3. 모집단 선정
해양안전 영향도 분석결과
1. 키워드 분석
2. 그룹핑 분석
3. 영향도 분석
월별 사고특성 통계분석 결과
1. 빈도수 분석
2. 통계 분석
결론 및 향후연구
1. 결론 및 시사점
2. 향후연구
서론
1. 연구의 배경 및 목적
정부는 세월호 참사를 계기로 해양사고의 방지를 위해 범국가적인 차원에서 다양한 안전대책을 수립하고 시행하여 왔으나 해양사고는 꾸준히 증가된 것으로 나타났다. 해양교통관련 통계지표에 따르면 낚싯배 이용자는 2007년 199만 명에서 2017년 415만 명으로 늘었고, 여객선 이용객은 2007년 1,263만 명에서 2017년 1,690만 명으로 늘었다. 이러한 수치를 반영하듯 해양사고 발생건수는 2007년 566건에서 2017년 2,582건으로, 인명피해 현황은 2007년 214명에서 2017년 523명으로 각각 늘어났다(Ministry of Oceans and Fisheries, 2018).
이렇게 해양 안전사고가 증가하는 원인은 여러 가지가 있겠지만, 국민의 소득수준 향상 및 근로시간 단축 등으로 관광수요와 취미(낚시)활동 등이 증가되면서 해상을 이용하는 국민들이 점점 늘고 있다는 점에도 주목할 필요가 있다. 해양교통인구 증가에 따라, 해양안전사고로 인한 인명 피해가 지속적으로 증가하고, 특히, 세월호 사고 이후로 시민들의 해양교통 안전에 대한 우려가 극도에 달하면서, 체계적인 해양교통 안전관리의 필요성도 제기되어 왔다.
정부는 해양 교통사고를 줄이기 위한 해양수산부에서 수립한 해사안전시행계획을 통해 사고특성을 인적요인, 물적요인, 환경적 요인 등으로 나누어 개선책을 제안하고 있다(Ministry of Oceans and Fisheries, 2017). Maritime Safety Law(2017)에도 인적요인에 관하여는 선원 ‧ 선박소유자 등, 물적요인은 선박 ‧ 화물 등, 환경적 요인은 항행보조시설 ‧ 안전제도 등의 환경요인에 대하여 종합적 ‧ 체계적으로 관리함으로써 선박의 운용과 관련된 모든 일에서 발생할 수 있는 사고로부터 사람의 생명 ‧ 신체 및 재산의 안전을 확보하기 위한 모든 활동에 대해 제시하고 있다
이외에도 해양안전관리를 담당하는 조직적 측면에 있어서도, 육상교통안전의 예를 들면서 육상교통의 경우, 1981년 한국교통안전공단을 설립하여 교통안전 교육 ‧ 연구 및 관련 검사를 전담함에 따라 설립 이후 도로 교통사고 사망자가 크게 감소하는 등 그 효과성이 드러난 만큼 해상교통 역시 교통안전 업무를 전담하는 전문기관이 필요함을 밝히고 있다(Ministry of Oceans and Fisheries, 2018).
이렇게 해양교통 이용자 증가라는 환경의 변화, 그리고 최근의 사건 ‧ 사고 등을 통해 나타난 국민들의 안전에 대한 향상된 요구에 직면하여, 정부는 해상교통안전의 개선책을 다각도로 제시하고 있지만 사고발생 건수가 지속적으로 증가하는 점을 통해 볼 때, 현재로서는 아직 부족해 보인다. 시대가 변화는 만큼 신종 교통사고도 증가되며, 특히 해양사고는 다양한 요소들과 결합을 통한 사고발생 비중이 높은 만큼 이러한 특성을 반영할 수 있는 개선방안이 요구된다.
본 연구는 시대적 측면이 잘 반영되며 연관검색어로 다양한 요인과 결합시킬 수 있는 온라인 Social Data를 활용하여 해양안전의 영향도 분석을 시행하였다. 그리고 이러한 분석결과를 기반으로 해양교통사고로 인한 피해를 줄일 수 있는 정책 수립에 적용할 수 있는 정책적 시사점을 제시하고자 하였다.
2. 연구의 내용 및 절차
본 연구는 소셜 데이터(Social Data)를 기반으로 해상안전의 영향도 분석을 시행한 뒤 활용방안을 제시하였다. 영향도 분석을 위한 데이터 분석 범위는 2015년 1월부터 12월까지의 1년간 자료를 사용하였고, 수집채널은 온라인 뉴스 사이트 257개, 카페(네이버, 다음), 트위터, 블로그(네이버, 다음, 티스토리, 이글루스), 게시판(아고라, 뽐뿌 외 15개)등을 통해 뉴스 800만 건, 트위터 등 9,500만 건 자료인 총 1억 건의 자료를 활용하였다. 모집단을 선정하기 위한 주요 단어는 해양안전사고와 관련된 자료가 수집될 수 있도록 정리하였고, 모집단을 기반으로 키워드 분석 및 영향도 분석을 통해 시사점을 제시하였다. 이외 월별 사고특성의 영향도를 분석하기 위해 월별로 도출되는 주요 단어의 빈도수를 기반으로 SPSS의 다항회귀분석 통해 영향변수를 도출하였다.
연구의 순서는 선행연구를 검토한 뒤 해양교통사고에 대한 이해도를 높이기 위해 전반적인 현황분석 및 기초통계 분석을 시행하였고, 특성변수에 대한 검증은 SPSS를 사용하여 통계적인 신뢰성을 확보하였다. 이에 따라 결과를 해석한 뒤 활용방안 및 향후 연구 과제를 제시하였다.
선행연구 검토
세계 각 나라는 IT시대에 접어들었고, 각 분야의 네트워크 연구에 대한 관심은 급격히 증가하고 있다. 특히 사회 및 자연 과학자들에게도 네트워크 이론은 사회학, 심리학, 경제학, 경영학 등 다양한 학문분야의 사회특성을 설명해주는 도구로 작용하고 있다(Borgatti et al., 2009). 소셜 네트워크 분석은 네트워크 이론이라는 관점에서 노드와 링크를 기반으로 사회관계의 구조적 특성과 조직행동 등을 보여줄 수 있음을 암시하고 있다(Akhtar, 2014; Luo and Zhong, 2015).
소셜 네트워크를 활용한 교통분야의 기존 사례연구를 살펴보면 다음과 같다.
Kim et al.(2016)은 기존 4단계 교통수요추정방법의 한계점이 존재하는 만큼 활동기반교통모형(Activity-Based Model)을 이용한 수요 추정 방법을 분석하였다. 이는 공간정보를 포함한 SNS를 대상으로 공간정보를 추출한 뒤, 이를 기반으로 현재의 통행기반 교통모형(Trip-Based Model)과 비교 분석을 통해 시사점을 제시하고 있다. 분석결과 최근 이슈인 도심 내에서의 국지적 교통 혼잡을 대응하기에는 통행기반 교통모형은 한계가 있으며, 단거리 통행특성까지 섬세히 파악할 수 있는 활동기반 모형의 필요함을 보이고 있다. 향후 소셜 빅 데이터를 활용한다면 교통분야 빅데이터의 기술적 한계를 극복할 수 있음을 시사하고 있다.
Lee et al.(2014)는 2013년 1-12월의 부산지역지인 국제신문과 부산일보의 기사들 중 ‘부산’과 ‘교통’을 동시에 포함한 2889건의 기사 내용을 기준으로 네트워크 분석을 적용하였다. 분석방법은 데이터마이닝의 일부인 텍스트마이닝(textmining)의 기법을 사용하여 사회네트워크분석(social network analysis, SNA)을 실시하였다. 분석결과 부산 프리미엄 아울렛 개장과 이로 인한 인근교통체증 증가 및 해운대 해수욕장이 큰 이슈가 되었고, 이외 교통체증이 가장 심각한 만덕교차로, 전국 호환교통카드가 선보인 것이 주요 이슈로 나타났다. 빅 데이터에 의한 분석방법은 다양한 분야와 연계해석이 가능함을 시사하고 있다.
Han(2016)은 소셜데이터를 교통안전과 연결시켜 현재 교통안전의 분석결과 및 정책제안의 연구를 시행하였다. 교통안전이라는 검색어로 2014-2015년 2년간의 13억 건의 소셜데이터를 수집하였다. 분석결과 교통안전의 10대 단어는 어린, 어린이, 교통사고, 운전자, 자동차, 경찰청, 보행자, 안전교육, 도로교통공단, 횡단보도로 나타났고, 국내의 교통안전의 활동은 특히 어린이에 집중되어 있는 것을 볼 수 있다(Figure 1).
Figure 1.
Application of big data in web-social
Oh(2017)는 웹-소셜의 빅데이터 기반으로 부산교통의 영향도를 분석하였다. 분석자료는 약 1년간(2015.07-2016.10)을 대상으로 전체 소셜데이터 544,526,131건을 활용하였다. 적용사례는 시내교통현황, 자동차 및 대중교통 관련 이슈, 교통시스템 개선 등을 분석하였고, 각 주제에 따라 네트워크 분석 및 이슈에 대한 소셜 반응과 연계분석을 통해 연구를 시행하였다(Figure 2).
Figure 2.
Application of big data in web-social
소셜 네트워크를 기반으로 교통분야 이외의 기존 사례연구는 다음과 같다.
Park et al.(2016)은 전주시를 사례로 국제영화제 개최, 전주영상위원회 및 전주영화종합촬영소 설립 등 촬영유치를 위해 풍부한 기반 환경을 갖췄음에도 불구하고, 촬영 이후 활용 방안이 미흡한 만큼 개선방안을 찾기 위해 네트워크 분석을 적용하였다. 본 연구는 대표적인 SNS (Social Network Service)인 트위터(twitter)를 대상으로 특정 구문을 포함한 트윗을 수집한 뒤 그 추이를 분석하였다. 분석결과 해당 지역이 영화 촬영지임을 알리는 표시 또는 홍보가 필요하고, 지리적으로 근접한 촬영지끼리 묶어 관광 루트화 시키며, 지역 이벤트와 연관된 홍보가 이뤄져야 함을 시사하고 있다.
Choi and Kwon(2017)은 최근 사회적 화두가 되고 있는 빅 데이터 관련 신문기사를 분석, 새로운 기술과 현상인 빅 데이터에 대해 언론이 어떻게 보도하고 있는지를 파악하고자 하였다. 2011-2013년까지 경향신문, 동아일보, 조선일보, 한겨레신문 등 4개 전국종합일간지에 보도된 관련 기사를 수집하여 의미연결망 분석을 실시했다. 분석결과, 빅 데이터 관련 신문보도의 의미구조는 2011년 중립적 성격에서 2012년부터 긍정적 방향으로 변화됨을 알 수 있었고 대부분의 보도가 실용적 차원의 활용가치에 집중되어 있어 미래사회를 향한 경쟁을 촉구하고 그 결과로서 예측되는 장밋빛 정보사회를 기술하고 있다고 추하였다. 소셜 빅 데이터 분석은 감성단어의 의미를 재해석함으로 정량데이터가 설명할 수 없는 부분을 설명하고 있다.
Lee(2018)는 최근 이슈가 되고 있는 가족여행과 나홀로 여행을 중심으로 소셜 데이터를 수집한 뒤 네트워크 분석을 기반으로 한국인의 여행트렌드를 분석하였다. 분석사이트는 네이버와 다음에서 각 검색 키워드를 이용하여 인터넷 사용자들이 생성한 텍스트 데이터를 수집하였다. 주요연관 단어와 빈도 분석, 주요연관 단어와의 중심성 분석, 구조적 등위성 탐색을 위한 CONCOR분석을 시행하여 결과를 도출하였다. 분석결과 가족여행과 나홀로 여행의 주요 연관 단어 빈도분석결과 여행목적지, 숙박형태, 여행시기, 여행기간 등이 주요단어로 도출되었고, 네트워크 및 CONCOR분석은 Figure 3과 같은 결과가 도출되었다.
Figure 3.
Case study (network & CONCOR analysis)
기존 사례연구를 살펴본 결과 빅 데이터에 대한 관심은 다양한 분야에서 확대되고 있으며 특히 소셜 빅 데이터는 정량적 데이터에서 설명할 수 없는 부분을 제시하는 등 활용범위는 보다 넓어지고 있다. 하지만 교통영역에서 소셜 데이터 사용은 상대적으로 적고, 정량적 데이터 위주의 연구가 다수 존재한다. 소셜 데이터는 시대적 트렌드를 잘 반영할 수 있는 장점이 있으며 타 분야와의 영역을 넘나들며 다양한 요소들과 결합시킬 수 있는 기술적 방법으로 사용될 수 있음을 보이고 있다.
교통 분야의 사고는 시간이 흐를수록 고령화시대에 따른 고령자 사고 증가, IT시대에 따른 스몸비 사고증가 등 신종사고가 늘어나고 있지만 이에 대한 대비는 부족한 실정이다. 최근 특히, 해상교통안전의 중요성이 큰 사회적 이슈가 되어 국민들의 우려가 집중된 된 만큼 정부는 국민의 입장에서 공감될 수 있는 해상교통안전정책을 수립시켜야 되며, 나아가 시대적 환경이 급속히 변화는 만큼 국민의 요구를 지속적으로 반영할 필요가 있다.
본 연구는 시대적 측면이 잘 반영되어 있고, 다양한 요인과 결합 시킬 수 있는 온라인 Social Data를 기반으로 해양교통사고의 특성을 분석하였다. 해양교통사고는 특히 가용자료가 적고, 원인이 복잡한 만큼 Social Data를 활용하여 사고특성 및 활용방안을 마련하였다.
현황 및 자료분석
1. 현황분석
해양안전의 영향도를 분석하기 위해 해양조난사고 통계연보(2015년 기준)를 기준으로 사고특성을 살펴보았다. 통계연보의 사고특성은 선박규모별, 선정별, 기상별, 월별, 구조기관별, 사고유형별, 사고원일별, 발생해역별, 선질별로 나누어 사망/실종 사고의 수치를 중심으로 비교하였다. 선박규모별 사고특성의 경우 사망/실종 비중은 5톤 미만에서 가장 높게 나타났고, 선종별 사고현황은 어선 및 낚시어선에서 가장 높게 나타났다(Table 1).
Table 1. Accident characteristics by ship size and type (unit: ships/people)
Ship size
|
All
|
Less than
5 tons
|
5 to 20 tons
|
20 to 100 tons
|
100 to 500 tons
|
More than
500 tons
|
Death and missing
|
101/112
|
58/36
|
12/27
|
18/25
|
5/15
|
8/9
|
Total
|
2,740/18,835
|
1,211/2,897
|
605/3,675
|
540/4,256
|
149/3,778
|
235/4,229
|
|
Ship type
|
All
|
Fishing vessel
|
Fishing boat
|
Cargo ship
|
bargemarine
|
Etc.
|
Death and missing
|
101/112
|
51/73
|
2/20
|
2/7
|
11/5
|
33/7
|
Total
|
2,740/18,835
|
1,467/6,275
|
207/2,343
|
124/1,329
|
145/317
|
797/8,571
|
기상별 사고현황의 경우 황천급에서 사고율이 높으며, 월별 사고의 경우 9월에서 가장 높은 사망/실종자수를 보이고 있다(Table 2).
Table 2. Table 2. Accident characteristics by weather and monthly (unit: ships/people)
Weather
|
Sum
|
Typhoon/
wind alarm
|
Typhoon/
wind storm warning
|
Hwangcheon* 1-4 grade
|
Hwangcheon 5 grade
|
Low
visibility
|
Favorable
|
Death and missing
|
101/112
|
1/0
|
8/8
|
1/2
|
4/32
|
4/2
|
83/68
|
Total
|
2,740/18,835
|
91/581
|
100/807
|
97/678
|
2452/16,769
|
|
Monthly
|
Sum
|
3M
|
4M
|
5M
|
6M
|
7M
|
8M
|
9M
|
10M
|
11M
|
12M
|
1M
|
2M
|
Death and missing
|
101/112
|
16/4
|
10/8
|
8/5
|
9/7
|
16/1
|
6/8
|
6/32
|
8/6
|
5/4
|
4/12
|
11/22
|
2/3
|
Total
|
2,740/18,835
|
873/6,302
|
834/4,683
|
1,033/7,850
|
*Hwangcheon: stormy weather.
구조기관별 사고현황의 경우 해양경찰의 사고대처방안이 가장 높으며, 사고유형별 사고현황의 경우 전복이 가장 높은 사망/실종자수를 보이고 있다(Table 3).
Table 3. Accident characteristics by rescue organization and type of accident (unit: ships/people)
Rescue organization
|
Sum
|
Marine police
|
Private structure
|
Solve yourself
|
Fishing boat
|
Etc.
|
Death and missing
|
101/112
|
83/100
|
1/1
|
2/3
|
10/3
|
5/5
|
Total
|
2,740/18835
|
2,073/13377
|
167/826
|
234/3122
|
167/924
|
20/586
|
|
Type of accident
|
Sum
|
Crash
|
Strand
|
Overturn
|
Fire
|
Sink
|
Casualty accident
|
Etc.
|
Death and missing
|
101/112
|
13/15
|
2/1
|
5/27
|
12/4
|
23/17
|
3/41
|
43/7
|
Total
|
2,740/18835
|
298/2361
|
83/618
|
45/88
|
128/533
|
38/93
|
144/567
|
2,004/14575
|
사고원인별 사고현황의 경우 운항부주의 및 기상악화에 따른 사고율이 높고, 발생해역별 사고현황은 영해에서 사고율이 높으며, 선질별 사고현황의 경우 강선 및 FRP에서 사망/실종자수는 높게 나타났다(Table 4).
Table 4. Accident characteristics by cause of accident, occurrence area and ship’s material (unit: ships/people)
Cause of accident
|
Sum
|
Flight carelessness
|
Loading defect
|
Weather deterioration
|
Etc.
|
Death and missing
|
101/112
|
16/27
|
3/3
|
6/23
|
76/59
|
Total
|
2,740/18835
|
853/5996
|
12/56
|
66/357
|
1809/12426
|
|
Occurrence area
|
Sum
|
Within the boundaries
|
Narrow waters
|
Territorial waters
|
Territorial waters-EEZ* |
Within EEZ30 miles
|
Foreign waters and Etc.
|
Death and missing
|
101/112
|
45/19
|
8/2
|
38/65
|
5/11
|
3/11
|
2/3
|
Total
|
2,740/18,835
|
650/3,354
|
139/778
|
1,640/11,510
|
255/2,648
|
19/187
|
37/358
|
;
|
Ship's material
|
Sum
|
Iron
|
FRP** |
Aluminum
|
Wooden boat
|
Etc.
|
Death and missing
|
101/112
|
21/36
|
51/74
|
0/0
|
5/1
|
24/1
|
Total
|
2,740/18,835
|
581/8,103
|
1,837/8,726
|
15/1,095
|
35/84
|
272/827
|
*EEZ: exclusive economic zone,
**FRP: fiber reinforced plastics.
2. 주요단어 선정
해양안전의 영향도를 분석하기 위해 사망자/실종자의 주요 특성을 설명할 수 있는 지표를 선정하였다. 전체사고자수 대비 사망 실종자수가 높은 사고(=사망실종 비중(%)) 및 사고 건수당 사망실종자수가 높은 사고(=사망실종 규모(명/척))를 타켓으로 지표를 선정하였다(Table 5).
Table 5. Evaluation index based on reduction targets
Evaluation index 1 (death and missing weight)
|
Evaluation index 2 (death and missing scale)
|
Death and missing weight (%) = Deaths and missing persons (people) / Total number of casualties (people)
|
Death and Missing scale (people/ships) = Deaths and missing persons (people) / Total number of accident (ships)
|
해양교통사고 통계현황을 통해 사망실종 비중(지표 1) 및 사망실종 규모(지표 2)를 계산한 뒤 수치가 가장 높은 사고유형을 선정하였다(Table 6). 선박규모는 사망실종 비중은 5톤 미만, 사망실종 규모는 100-500톤 미만에서 높게 나타났다. 이는 규모가 적은 선박에서 사망자 관련 영향도가 높은 만큼 5톤 및 소형을 온라인상의 용어1)로 선정한 뒤 이를 기준으로 키워드 분석을 시행하였다. 선종은 낚시어선, 날씨는 황천급, 월별은 7-12월, 1월, 2월, 구조기관은 해양경찰, 사고종류는 전목, 사고원인은 기상악화, 발생기역은 EEZ 30마일 이내, 선박제질은 FRP 및 철 종류에서 사망자 관련 통계수치가 높게 나타났다. 이 가운데 월별분석은 단어의 빈도수를 기반으로 SPSS 활용한 통계분석을 시행하였다.
Table 6. Selection of key words to measure evaluation index
Division
|
Ship size
|
Ship type
|
Weather
|
Monthly
|
Rescue organization
|
Type of accident
|
Cause of accident
|
Occurrence area
|
Ship's material
|
Death and missing weight (%)
|
Less than 5 tons
|
Fishing vessel
|
Hwang cheon
|
7-10 month
|
Marine police
|
Overturn
|
Weather deterio ration
|
Within EEZ30 miles
|
FRP
|
1.2
|
1.2
|
4.2
|
1.0
|
0.7
|
30.7
|
6.4
|
5.9
|
0.85
|
Death and missing scale
(people/ships)
|
100 to
500 tons
|
Fishing boat
|
Hwang cheon
|
11-2 month
|
Marine police
|
Overturn
|
Weather deterio ration
|
Within EEZ30 miles
|
ship of iron
|
3.0
|
10
|
6.8
|
1.9
|
1.2
|
5.4
|
3.8
|
3.7
|
1.7
|
Main key word (online terms)
|
Small type, 5 tons
|
Fishing vessel and boat
|
Typhoon warning
|
SPSS
(Statistical analysis)
|
Marine police
|
Overturn
|
Weather deterio ration
|
EEZ
|
Technical terms (drop)
|
3. 모집단 선정
키워드 분석을 시행하기 위한 모집단 선정은 Table 7과 같다. 데이터 분석범위는 소셜 빅데이터인 트위터, 블로그, 커뮤니티, 뉴스채널 등을 기준으로 분석하였고, 분석날짜는 2015년 1-12월 자료를 사용하였다.
Table 7. Selection of key words to make up a population
Subject term
|
Key word
|
Basic words
|
(Ocean or sea - 2),
(Ship or Fishing boat/vessel or Passenger ship - 3),
(Marine police or Marine policy or Marine safety or Marine management organization or Ship safety - 6)
|
and
|
(Problem or Measure or Accident or Fire - 4)
|
Meaning similar to the word 'Accident'
|
(+) Marine pollution, Marine fire, Maritime burglary, Maritime terrorism, Marine leisure accidents
|
Meaning similar to the word 'Marine police'
|
(+) Marine security, Marine rescue team, Marine guards
|
Meaning similar to 'Marine management organization'
|
(+) Navy, National oceanographic research institute, Ocean policy department and office, Marine environmental policy, Marine environment management corporation
|
Exclusion of idioms
(Unused language)
|
(-) Recruitment, Academy, Examination, Notice, Passing, Expo, Experience, Cultural center, Program, Fair, Competition, Anual salary
|
모집단 선정을 위한 주제어는 해양안전사고와 관련된 내용을 취득하기 위해 기본단어의 조합(명사(2/3/6) and 명사(4)의 조합)을 선정하였고, 이외 해양사고와 연관된 내용을 유추할 수 있는 명사를 추가하였으며, 마지막으로 불용어를 선정하여 불용어가 삽입된 데이터는 제외한 뒤 모집단을 선정하였다.
1)지표의 단어가 특수용어인 경우 일반용어로 변화
해양안전 영향도 분석결과
해양안전의 영향도를 파악하기 위한 분석순서는 Figure 4와 같다. 우선 해양사고 주요통계 7항목을 기준으로 키워드 분석을 시행하였다. 키워드 분석은 설정된 모집단 속에서 Table 6에서 지정된 온라인 용어를 입력하였을 경우 빈도수가 높은 단어를 추출하였다(Step 1). 추출된 단어를 통해 유사한 의미를 지니고 있는 단어를 한 데 묶어서 그룹핑 작업을 시행하였다(Step 2). 이후 그룹핑 된 단어를 기준으로 해양안전 영향도를 추정하였다(Step 3). 영향도 분석은 주요통계 항목별 내용 및 특성이 상이한 만큼 영향 받는 대상 및 지역, 사고원인 및 해결방안, 관련기관으로 기준을 선정하였다.
Figure 4.
Analysis procedure of marine safety impacts
1. 키워드 분석
각 주요통계의 7개항목별 기준 키워드 분석을 시행한 결과 Figure 5와 같다. 주요 키워드인 소형/ 5톤(선박규모)의 경우 유조선, 5톤 미만, 태풍경보(기상관련)는 바람, 파도, 어선/낚시어선(선종관련)은 인근, 통신 등이 높게 나타났다. 해양경찰(구조기관)은 연안, 전복(사고유형)은 인근, 기상악화(사고원인)는 회항, 배타적 경제수역(발생해역)은 불법조업 등의 단어가 높은 빈도수를 보이고 있다. 유조선의 경우 소형선과 충돌 비중이 높은 것으로 예측된다.
Figure 5.
Keyword analysis results based on population
2. 그룹핑 분석
주요통계 가운데 선박 규모와 연관된 키워드 분석을 통해 그룹핑 작업을 시행한 결과 Figure 6과 같다. 선박규모에 따라 기계 및 통신, 선박규모, 기관 및 대원, 사고원인, 사고위치, 대처방안, 기타 등을 기준으로 유사의미를 지닌 단어로 그룹화 작업을 시행하였다.
Figure 6.
Grouping result related to ship size
선박의 종류에 따라 기계 및 통신, 선박규모, 기관 및 인원, 사고원인, 사고위치, 대처방안, 현재상태, 기타등을 기준으로 유사의미를 지닌 단어로 그룹화 작업을 시행하였다(Figure 7).
Figure 7.
Grouping result related to ship type
기상별 사고에 따라 선박종류, 사고시간, 사고위치, 현재상태, 기관 및 대원, 날씨 및 강도, 대처방안 등을 기준으로 유사의미를 지닌 단어로 그룹화 작업을 시행하였다(Figure 8).
Figure 8.
Grouping result related to weather
사고유형별 사고에 따라 선박종류, 사망자수, 사고위치, 현재상태, 기계 및 통신, 기관 및 대원, 대처방안 등을 기준으로 유사의미를 지닌 단어로 그룹화 작업을 시행하였다(Figure 9).
Figure 9.
Grouping result related to type of accident
구조기관별 사고에 따라 인사사고 형태, 기관 및 대원, 사고위치, 대처방안 등을 기준으로 유사의미를 지닌 단어로 그룹화 작업을 시행하였다(Figure 10).
Figure 10.
Grouping result related to rescue organization
사고원인별 사고에 따라 기계 및 통신, 사고위치, 사고원인, 기관 및 대원, 대처방안 등을 기준으로 유사의미를 지닌 단어로 그룹화 작업을 시행하였다(Figure 11).
Figure 11.
Grouping result related to cause of accident
발생해역별 사고를 기준으로 사고원인, 대처방안, 협상안, 사고위치, 현재상태, 기관 및 대원 등을 기준으로 유사의미를 지닌 단어로 그룹화 작업을 시행하였다(Figure 12).
Figure 12.
Grouping result related to occurrence area
3. 영향도 분석
그룹핑 분석을 기반으로 해상교통안전의 영향도 분석을 시행하였다, 영향도 분석은 주요통계 항목별 내용 및 특성이 상이한 만큼 영향 받는 대상 및 지역, 사고원인 및 해결방안, 관련기관으로 영향도를 추정하였다.
선박규모별 사고특성(소형 및 5톤 미만) 결과 사고원인은 기계관련 엔진, 통신장비, 안전체크, 날씨와 연관성이 높으며 해결방안은 예방활동, 안전장비, 및 인근병원의 위치 등이 영향을 받는 것으로 해석된다(Table 8).
Table 8. Scenario analysis for improvement of accident by ship size
Target (reference value)
|
Cause
|
Solution plan
|
Within 2 tons, Fishing boat and Fishing vessel
|
Machine related: Engine check, communication equipment, remodeling
|
Prevention activities,
Safety equipment,
Hospital accessibility
|
Other related: Safety check, weather
|
선종별 사고특성(어선 및 낚시배)의 경우 사고지역은 남쪽(전남, 해남), 사고원인은 충돌, 화재 또는 자연재해(파도, 바람)로 인한 사고발생이 높고, 해결방안은 V-Pass장착, 경비정 및 헬기 등과 연관성이 높은 것을 추측할 수 있다. 관련기관은 해양수산부, 해양경찰, 해양경비안전본부 등의 영향도가 높게 나타났다(Table 9).
Table 9. Scenario analysis for improvement of accident by ship type
Target (reference value)
|
Location
|
Cause
|
Solution plan
|
(→ Related organization)
|
Ship, Fishing boat
|
Jeonnam, Haenam,
South
|
Human factors: Crash, Fire
|
Communication,
Fishing location, V-PASS
|
Ministry of oceans and fisheries, Marine police,
Maritime safety and security division
|
Natural factors: Waves, Wind
|
Patrol boat, Helicopter
|
기상별 사고특성의 경우 대상은 선박, 어선으로 지역은 남쪽(제주, 남해안)에서 사고발생이 높고, 해결방안은 주의 및 대피 훈련 등의 교육과 연관성이 높은 것을 추측할 수 있다. 관련기관은 기상청, 교통관제센터, 안전대책 본부 등의 영향도가 높게 나타났다(Table 10).
Table 10. Scenario analysis for improvement of accident by weather
Target
|
Location
|
Cause (reference value)
|
Solution plan
|
(→ Related organization)
|
Ship, Fishing boat
|
Jeju, South coast,
South, Coast road
|
Waves, Wind, Rainfall
|
Attention, Evacuation
|
The meteorological administration, Traffic control center, Safety division
|
사고유형별 사고특성(전복사고 기준)의 경우 대상은 선박, 낚시어선으로 지역은 남쪽(제주, 전남, 해남), 사고원인 정원초과, 날씨, 선장으로 인한 사고발생이 높고, 해결방안은 항공기, 경비함정, 수색작업(조명탄)등과 연관성이 높은 것을 추측할 수 있다. 관련기관은 해양수산부, 해양경찰, 해양경비안전본부 등의 영향도가 높게 나타났다(Table 11).
Table 11. Scenario analysis for improvement of accident by type of accident
Target
|
Location
|
Cause
|
Solution plan
|
(→ Related organization)
|
Ship, Fishing boat,
Fishing
|
Jeonnam, Haenam, Shinyang port, Namsung port, South, Jeju
|
Boarding garden, Captain, Waves
|
Aircraft, security traps, Star shell,
Search operations, Communications,
|
Ministry of oceans and fisheries, Marine police,
Marine safety and security division
|
사고원인별 사고특성(기상악화 기준)의 경우 사고원인은 증편, 운항횟수, 초과승선 등 무리한 운영 및 불법조업 등이 높고, 해결방안은 강제회항, 운항통제, 문자서비스, 대피요령 훈련 및 구명설비, 기관설비 점검 등과 연관성이 높은 것을 추측할 수 있다. 관련기관은 해양경찰, 민간잠수사, 해사안전감독관, 운항관리자 등의 영향도가 높게 나타났다(Table 12).
Table 12. Scenario analysis for improvement of accident by cause of accident
Cause
|
Solution plan
|
(→ Related organization)
|
Increase, Overboard, Number of flights,
Illegal operation, Neglect
|
Control: Sail back, Flight control, Text service
|
Marine police, Private diver,
Marine safety supervisor,
Flight manager
|
Rescue equipment: Evacuation tips, Life-saving equipment, Machinery equipment, Special inspection
|
발생해역별 사고특성(배타적 경제수역 기준)의 경우 대상은 중국어선, 지역은 남중국, 북서쪽, 사고원인은 불법조업 및 침범 등이 높고, 해결방안은 협상, 타결, 협력등과 연관성이 높은 것을 추측할 수 있다. 관련기관은 해양경찰, 자유무역협정, 어업공동위원회 등의 영향도가 높게 나타났다(Table 13).
Table 13. Scenario analysis for improvement of accident by occurrence area
Target
|
Location
|
Cause
|
Solution plan
|
(→ Related organization)
|
Chinese fishing boat
|
South China Sea, Northwest,
Bering Sea
|
Illegal fishing work, Unauthorized, Invasion
|
Negotiation, Settlement, Cooperation
|
Marine police,
Free trade agreement,
Fishing joint committee
|
구조기관별 사고특성의(해양경찰 기준)의 경우 구조인은 어린이, 부모님, 임산부 등의 교통약자, 느낌은 해경의 희생 및 감사, 노고 등이 높게 나타났다. 해결방안은 쾌속선, 헬기, 부족한 장비시설(의료진 포함)의 보완 및 합동훈련 등과 연관성이 높은 것을 추측할 수 있다. 관련기관은 119구조단, 해양경비안전 등의 영향도가 높게 나타났다(Table 14).
Table 14. Scenario analysis for improvement of accident by rescue organization
Rescuer
|
Feelings
|
Solution plan
|
(→ Related organization)
|
Children, Parents, Pregnant
|
Thanks, Hurt, Pain, Sacrifice
|
Equipment improvement, Rapid ship, Joint training, Medical staff, Helicopter
|
119 rescue team,
Marine security safety
|
월별 사고특성 통계분석 결과
1. 빈도수 분석
모집단을 기반으로 월별로 빈도수가 높은 단어를 나열한 결과 Figure 13과 같다. 2014년은 세월호 사고가 발생된 해인만큼 2015년 월별기준 주요단어 역시 해양사고 및 세월호와 관련된 비중이 높게 나타났다. 이러한 단어를 살펴보면 월별로 지속적으로 도출되는 단어들이 존재하다. 지속적으로 도출되는 단어는 중요도가 높은 의미로 해석되고, 본 연구는 9개월 이상(80%기준) 지속적으로 도출되는 단어를 주요단어로 선정하였으며 이를 정리한 결과 Table 15와 같다.
Figure 13.
Monthly frequency analysis of marine accidents
Table 15. Monthly frequency analysis of marine accidents
Monthly frequency
|
Main words
|
2015
|
Total
|
Ave rage
|
SD
|
SD/
Avg.
|
01
|
02
|
03
|
04
|
05
|
06
|
07
|
08
|
09
|
10
|
11
|
12
|
12 months continuous
|
Travel
|
101
|
96
|
88
|
94
|
56
|
125
|
113
|
80
|
104
|
65
|
90
|
74
|
1086
|
91
|
19
|
21%
|
Law
|
534
|
283
|
378
|
333
|
429
|
512
|
478
|
367
|
322
|
297
|
306
|
377
|
4616
|
385
|
82
|
21%
|
Environment
|
207
|
89
|
180
|
157
|
191
|
183
|
222
|
172
|
127
|
152
|
192
|
131
|
2003
|
167
|
36
|
22%
|
Minister
|
513
|
371
|
485
|
612
|
441
|
395
|
330
|
237
|
530
|
342
|
502
|
465
|
5223
|
435
|
100
|
23%
|
MOF
|
1116
|
878
|
1006
|
1838
|
1055
|
796
|
1011
|
1010
|
1198
|
904
|
1001
|
1198
|
13011
|
1,084
|
255
|
23%
|
Japan
|
310
|
237
|
403
|
442
|
358
|
344
|
567
|
311
|
272
|
266
|
325
|
394
|
4229
|
352
|
87
|
25%
|
damage
|
666
|
259
|
434
|
609
|
267
|
429
|
535
|
460
|
515
|
439
|
426
|
363
|
5402
|
450
|
116
|
26%
|
NIS
|
141
|
111
|
93
|
114
|
91
|
63
|
129
|
138
|
69
|
58
|
113
|
123
|
1243
|
104
|
27
|
27%
|
Safety
|
750
|
487
|
543
|
946
|
558
|
885
|
832
|
504
|
927
|
504
|
532
|
454
|
7922
|
660
|
183
|
28%
|
MOF (abb.)
|
538
|
572
|
725
|
1285
|
676
|
490
|
719
|
652
|
809
|
568
|
700
|
793
|
8527
|
711
|
198
|
28%
|
⋮
|
⋮
|
11 months continuous
|
Departure
|
389
|
111
|
228
| |
143
|
249
|
305
|
158
|
1558
|
329
|
227
|
289
|
3986
|
362
|
386
|
107%
|
Salvation
|
396
|
237
|
835
|
1917
|
224
|
676
|
261
|
416
|
621
|
191
|
180
| |
5954
|
541
|
483
|
89%
|
Jindo
|
750
|
174
|
165
|
709
|
193
|
160
|
197
|
196
| |
121
|
172
|
163
|
3000
|
273
|
216
|
79%
|
NSA
| |
177
|
430
|
781
|
332
|
216
|
251
|
199
|
914
|
177
|
209
|
395
|
4081
|
371
|
241
|
65%
|
Students
|
493
|
264
|
282
|
477
| |
170
|
127
|
104
|
113
|
103
|
110
|
300
|
2543
|
231
|
139
|
60%
|
Diver
|
123
|
64
|
238
| |
115
|
96
|
131
|
247
|
334
|
66
|
75
|
196
|
1685
|
153
|
84
|
55%
|
Park Geun-hye
|
200
|
108
|
102
|
262
|
84
|
140
|
86
|
57
|
111
| |
123
|
170
|
1443
|
131
|
56
|
43%
|
President
|
361
|
258
|
263
|
563
|
218
|
260
|
238
| |
207
|
110
|
419
|
243
|
3140
|
285
|
116
|
41%
|
Saenuri Party
|
627
|
422
|
338
|
414
|
234
|
220
|
297
| |
278
|
187
|
576
|
298
|
3891
|
354
|
136
|
39%
|
Suspicion
|
340
|
185
|
301
|
242
|
126
| |
144
|
88
|
155
|
144
|
277
|
265
|
2267
|
206
|
79
|
38%
|
⋮
|
⋮
|
10 months continuous
|
Ferry Sewol accident
|
558
|
270
|
351
|
842
|
275
|
289
|
213
| |
296
| |
311
|
243
|
3648
|
365
|
183
|
50%
|
Special Sewol Act
|
239
|
116
|
255
|
1099
|
560
|
288
|
312
|
61
| | |
253
|
191
|
3374
|
337
|
283
|
84%
|
Wave
|
367
|
114
| | |
95
|
137
|
437
|
329
|
818
|
204
|
246
|
172
|
2919
|
292
|
206
|
70%
|
Fire
|
476
|
141
|
180
|
425
|
178
| | |
210
|
267
|
120
|
352
|
335
|
2684
|
268
|
117
|
44%
|
Hospital
|
330
| |
309
|
297
|
123
|
256
|
194
|
236
|
298
|
208
|
260
| |
2511
|
251
|
60
|
24%
|
Boating accident
|
88
|
119
|
120
|
416
|
157
|
531
|
418
|
111
|
319
| |
119
| |
2398
|
240
|
156
|
65%
|
Equipment
|
191
| | |
288
|
149
|
236
|
220
|
231
|
408
|
198
|
205
|
191
|
2317
|
232
|
68
|
29%
|
Service
|
205
|
155
|
265
|
214
|
171
| | |
144
|
255
|
167
|
231
|
211
|
2018
|
202
|
40
|
20%
|
Marine pollution
| | |
145
|
248
|
105
|
137
|
162
|
135
|
184
|
160
|
148
|
319
|
1743
|
174
|
60
|
34%
|
Naval accident
| |
153
|
96
|
217
|
64
|
175
|
308
|
86
|
202
| |
96
|
187
|
1584
|
158
|
71
|
45%
|
⋮
|
⋮
|
9 months continuous
|
Missing
|
498
|
434
|
926
|
387
| |
477
| |
246
|
1288
|
238
|
141
| |
4635
|
515
|
346
|
67%
|
Cheongwadae
|
466
|
615
|
286
|
486
|
203
|
265
|
266
| | | |
403
|
243
|
3233
|
359
|
132
|
37%
|
Lllegality
| | |
157
|
297
|
189
|
299
| |
153
|
403
|
252
|
190
|
175
|
2115
|
235
|
80
|
34%
|
Ppatrol boat
|
534
|
86
|
248
|
175
|
124
|
137
| | |
298
|
163
|
187
| |
1952
|
217
|
127
|
59%
|
System
| |
123
|
192
|
219
|
132
|
114
|
131
|
72
|
277
| |
126
| |
1386
|
154
|
60
|
39%
|
National tax
|
45
|
35
| |
126
| | |
113
|
46
|
51
|
28
|
99
|
82
|
625
|
69
|
34
|
49%
|
Search
|
457
|
145
|
1165
|
347
| |
443
| |
232
|
2261
|
161
| |
221
|
5432
|
604
|
655
|
109%
|
Body of a ship
|
310
| |
139
|
833
| |
440
|
303
|
302
|
723
| |
199
|
459
|
3708
|
412
|
219
|
53%
|
Assumption
| |
218
|
506
|
556
| |
284
|
156
|
153
|
1208
|
240
| |
277
|
3598
|
400
|
316
|
79%
|
Details
|
706
| |
748
| |
134
|
187
| |
262
|
477
|
211
|
245
|
245
|
3215
|
357
|
217
|
61%
|
⋮
|
⋮
|
MOF: Ministry of Oceans and Fisheries, NIS: National Intelligence Service, NSA: National Security Agency.
9개월 이상 도출된 단어를 기준으로 의미를 살펴보니 유사단어가 다수 존재한다. 유사 의미를 지닌 단어들을 한데 묶어 1차 그룹핑을 시도 하였으며 이는 Table 16과 같다.
Table 16. 1st grouping result based on key words
Table 16. 1st grouping result based on key words
|
Word derived from more than 9 months (similar meaning)
|
Group (1)
|
Wind, Weather, Wave
|
Weather influence
|
South, Jeonnam, Jeju
|
South
|
President, Park Geun-hye, Park Geun-hye president, Park president
|
president
|
Saenuri Party, Opposition party, Minister, Government, Politics, Cheongwadae
|
Minister
|
Mobile, Service, System
|
Information
|
Accident occurring, Boating accident, Safety accident, Marine accident, naval accident, Marine traffic accident
|
Accident occurring
|
Dead, Children, Missing, Missing person, Damage, Victim, Students
|
Victim
|
Ship, Vessel, Fishing boat, Fishing vessel
|
Small sized ship
|
Passenger ship, Cruise ship, Travel
|
Sightseeing boat
|
Ferry Sewol, Ferry Sewol incident, Sewol disaster, Sewol accident, Ferry Sewol sunk, Special Sewol act
|
Ferry Sewol
|
Sinking, Sinking accident
|
Sinking
|
MOF (Abbreviation), MOF, NSA NIS, Police, Maritime police, Navy
|
Government agency
|
Helicopter, Patrol boat, Diver
|
Security investigation
|
Japan, China
|
foreign country
|
Safety, Equipment, Hospotal
|
Safety equipment
|
Overturn, Crash, Fire, Illegality
|
Cause of accident
|
1차 그룹핑 결과를 기반으로 사고특성별(사고발생, 원인자, 위치, 사고종류, 사고원인, 대처방안 등)로 2차 그룹핑한 결과 Table 17과 같다.
Table 17. 2st grouping result based on 1st grouping result
Group (2)
|
Group (1)
|
2015
|
Total
|
Ave rage
|
SD
|
SD/
Avg.
|
01
|
02
|
03
|
04
|
05
|
06
|
07
|
08
|
09
|
10
|
11
|
12
|
Accident
|
Accident occurring
|
1488
|
940
|
1300
|
2381
|
963
|
1999
|
2119
|
1039
|
2237
|
541
|
857
|
1310
|
17174
|
1,431
|
586
|
41%
|
Victim
|
3303
|
1847
|
3552
|
4421
|
489
|
2423
|
1572
|
1192
|
5152
|
1164
|
1099
|
1565
|
27779
|
2,315
|
1,406
|
61%
|
Sightseeing boat
|
707
|
895
|
546
|
822
|
299
|
2033
|
696
|
272
|
499
|
434
|
387
|
367
|
7957
|
663
|
457
|
69%
|
Ferry Sewol
|
5597
|
3216
|
4103
|
1126 0
|
3785
|
3693
|
3859
|
1978
|
3174
|
1551
|
3490
|
4059
|
49765
|
4,147
|
2,360
|
57%
|
Small sized ship
|
2204
|
964
|
1402
|
2011
|
1136
|
1940
|
1504
|
1437
|
4890
|
1618
|
1553
|
1634
|
22293
|
1,858
|
974
|
52%
|
Local situation
|
Foreign country
|
792
|
512
|
795
|
753
|
796
|
2956
|
1023
|
893
|
597
|
698
|
860
|
845
|
11520
|
960
|
615
|
64%
|
South
|
1395
|
461
|
2127
|
920
|
521
|
630
|
1022
|
607
|
4264
|
755
|
590
|
623
|
13915
|
1,160
|
1,039
|
90%
|
Accident type
|
Overturn
|
348
|
308
|
232
|
393
|
-
|
237
|
-
|
-
|
1998
|
243
|
-
|
-
|
3759
|
537
|
599
|
112%
|
Crash
|
320
|
474
|
257
|
524
|
205
|
169
|
306
|
234
|
459
|
196
|
219
|
153
|
3516
|
293
|
121
|
41%
|
Sinking
|
2204
|
1643
|
1212
|
2273
|
679
|
2947
|
872
|
526
|
958
|
674
|
610
|
976
|
15574
|
1,298
|
756
|
58%
|
Fire
|
476
|
141
|
180
|
425
|
178
|
-
|
-
|
210
|
267
|
120
|
352
|
335
|
2684
|
268
|
117
|
44%
|
Illegality
|
-
|
-
|
157
|
297
|
189
|
299
|
-
|
153
|
403
|
252
|
190
|
175
|
2115
|
235
|
80
|
34%
|
Accident cause
|
Government agency
|
5146
|
3113
|
6593
|
7292
|
3896
|
3416
|
4051
|
3346
|
9486
|
3347
|
3764
|
4756
|
58206
|
4,851
|
1,891
|
39%
|
president
|
1138
|
907
|
793
|
2490
|
772
|
1205
|
848
|
189
|
587
|
377
|
1557
|
959
|
11822
|
985
|
573
|
58%
|
Minister
|
3211
|
2451
|
2699
|
4966
|
2434
|
2427
|
2699
|
965
|
2073
|
1420
|
3532
|
2241
|
31118
|
2,593
|
975
|
38%
|
Weather influence
|
1011
|
387
|
420
|
630
|
343
|
699
|
1117
|
967
|
1850
|
641
|
690
|
646
|
9401
|
783
|
398
|
51%
|
Reform Measures
|
Security investigation
|
1193
|
150
|
2159
|
364
|
462
|
233
|
131
|
388
|
1581
|
501
|
379
|
623
|
8164
|
680
|
606
|
89%
|
Safety equipment
|
1271
|
487
|
852
|
1531
|
830
|
1377
|
1246
|
971
|
1633
|
910
|
997
|
645
|
12750
|
1,063
|
337
|
32%
|
Information
|
381
|
409
|
644
|
650
|
481
|
267
|
271
|
302
|
666
|
228
|
428
|
329
|
5056
|
421
|
151
|
36%
|
2. 통계 분석
월별 사고특성 별 영향변수를 도출하기 위해 SPSS를 활용한 다항회귀분석을 사용하였다. 종속변수는 일반사고로 사고발생건수 및 피해자로 선정하였고, 특정사고로 소형선박, 관광어선, 세월호를 선정하였다. 독립변수는 월별 지속적으로 도출되는 단어를 기준으로 선정하였으며 가용변수는 Table 18, Table 19와 같다.
Table 18. Dependent variables and independent variables
Dependent variable
|
Independent variable
|
General accident: Accident occurring, Victim
Specific accident: Sightseeing boat, Ferry Sewol, Small sized ship
|
Foreign country, South, Overturn, Crash, Sinking, Fire,
Illegality (Renovation), Government agency, President, Minister, Weather influence, Security investigation, Safety equipment, Information
|
Table 19. Monthly frequency of available variables
Variable
|
2015
01
|
2015
02
|
2015
03
|
2015
04
|
2015
05
|
2015
06
|
2015
07
|
2015
08
|
2015
09
|
2015
10
|
2015
11
|
2015
12
|
Dependent variable
|
Accident occurring
|
1488
|
940
|
1300
|
2381
|
963
|
1999
|
2119
|
1039
|
2237
|
541
|
857
|
1310
|
Victim
|
3303
|
1847
|
3552
|
4421
|
489
|
2423
|
1572
|
1192
|
5152
|
1164
|
1099
|
1565
|
Sightseeing boat
|
707
|
895
|
546
|
822
|
299
|
2033
|
696
|
272
|
499
|
434
|
387
|
367
|
Ferry Sewol
|
5597
|
3216
|
4103
|
11260
|
3785
|
3693
|
3859
|
1978
|
3174
|
1551
|
3490
|
4059
|
Small sized ship
|
2204
|
964
|
1402
|
2011
|
1136
|
1940
|
1504
|
1437
|
4890
|
1618
|
1553
|
1634
|
Independent variable
|
Foreign country
|
792
|
512
|
795
|
753
|
796
|
2956
|
1023
|
893
|
597
|
698
|
860
|
845
|
South
|
1395
|
461
|
2127
|
920
|
521
|
630
|
1022
|
607
|
4264
|
755
|
590
|
623
|
Overturn
|
348
|
308
|
232
|
393
|
0
|
237
|
0
|
0
|
1998
|
243
|
0
|
0
|
Crash
|
320
|
474
|
257
|
524
|
205
|
169
|
306
|
234
|
459
|
196
|
219
|
153
|
Sinking
|
2204
|
1643
|
1212
|
2273
|
679
|
2947
|
872
|
526
|
958
|
674
|
610
|
976
|
Fire
|
476
|
141
|
180
|
425
|
178
|
0
|
0
|
210
|
267
|
120
|
352
|
335
|
Illegality
|
0
|
0
|
157
|
297
|
189
|
299
|
0
|
153
|
403
|
252
|
190
|
175
|
Government agency
|
5146
|
3113
|
6593
|
7292
|
3896
|
3416
|
4051
|
3346
|
9486
|
3347
|
3764
|
4756
|
president
|
1138
|
907
|
793
|
2490
|
772
|
1205
|
848
|
189
|
587
|
377
|
1557
|
959
|
Minister
|
3211
|
2451
|
2699
|
4966
|
2434
|
2427
|
2699
|
965
|
2073
|
1420
|
3532
|
2241
|
Weather influence
|
1011
|
387
|
420
|
630
|
343
|
699
|
1117
|
967
|
1850
|
641
|
690
|
646
|
Security investigation
|
1193
|
150
|
2159
|
364
|
462
|
233
|
131
|
388
|
1581
|
501
|
379
|
623
|
Safety equipment
|
1271
|
487
|
852
|
1531
|
830
|
1377
|
1246
|
971
|
1633
|
910
|
997
|
645
|
Information
|
381
|
409
|
644
|
650
|
481
|
267
|
271
|
302
|
666
|
228
|
428
|
329
|
분석결과 일반사고 및 특종사고에 영향을 미치는 영향변수는 Table 20, Table 21과 같다. R 제곱은 0.6 이상으로 나타났고, Durbin-Watson는 2 내외를 보이면서 모델은 적합한 것으로 나타났다.
Table 20. Model summary
Model
|
R
|
R2 |
Adjusted R2 |
Std. error of the estimate
|
Statistic variation
|
Durbin-
Watson
|
R2 variation
|
F variation
|
df1
|
df2
|
Significance level F variation
|
General accident
|
Accident occurring
|
.803
|
.644
|
.609
|
382.71979
|
.644
|
18.118
|
1
|
10
|
.002
|
1.815
|
Victim
|
.972
|
.945
|
.933
|
381.09286
|
.145
|
23.660
|
1
|
9
|
.001
|
1.141
|
Specific accident
|
Small sized ship
|
.985
|
.970
|
.959
|
205.38016
|
.025
|
6.649
|
1
|
8
|
.033
|
1.691
|
Sightseeing boat
|
.957
|
.916
|
.897
|
152.73611
|
.185
|
19.860
|
1
|
9
|
.002
|
2.401
|
Ferry Sewol
|
.887
|
.787
|
.766
|
1191.90735
|
.787
|
37.032
|
1
|
10
|
.000
|
2.323
|
Table 21. Coefficients
Model
|
Unstandardized coefficients
|
Standardized coefficients
|
t
|
Sig.
|
Collinearity statistics
|
B
|
Std. Error
|
Beta
|
Tolerance
|
VIF
|
General accident
|
Accident occurring
|
(Constant)
|
-52.584
|
365.676
| |
-.144
|
.889
| | |
Safety equipment
|
1.396
|
.328
|
.803
|
4.256
|
.002
|
1.000
|
1.000
|
Victim
|
(Constant)
|
-1693.238
|
342.832
| |
-4.939
|
.001
| | |
Government agency
|
.636
|
.058
|
.855
|
10.874
|
.000
|
.989
|
1.011
|
Sinking
|
.712
|
.146
|
.383
|
4.864
|
.001
|
.989
|
1.011
|
Specific accident
|
Small sized ship
|
(Constant)
|
485.913
|
189.447
| |
2.565
|
.033
| | |
Overturn
|
.965
|
.199
|
.524
|
4.853
|
.001
|
.318
|
3.143
|
Weather influence
|
1.022
|
.231
|
.417
|
4.427
|
.002
|
.417
|
2.396
|
Illegality (Renovation)
|
1.526
|
.592
|
.193
|
2.579
|
.033
|
.665
|
1.505
|
Sightseeing boat
|
(Constant)
|
-138.935
|
92.468
| |
-1.503
|
.167
| | |
Sinking
|
.324
|
.072
|
.537
|
4.473
|
.002
|
.647
|
1.545
|
Foreign country
|
.397
|
.089
|
.535
|
4.456
|
.002
|
.647
|
1.545
|
Ferry Sewol
|
(Constant)
|
-1420.970
|
977.539
| |
-1.454
|
.177
| | |
Minister
|
2.147
|
.353
|
.887
|
6.085
|
.000
|
1.000
|
1.000
|
일반사고인 사고발생건수에 영향을 미치는 변수는 안전장비로 나타났고, 피해자수는 관련 기관 및 침몰사고와 영향이 높은 것으로 나타났다.
특종사고인 소형선박에 영향을 미치는 변수는 전복, 날씨영향, 불법(개조)에 영향력이 높았고, 관광배(세월호도 관광배에 포함)의 경우 외국 및 침몰관련 변수의 영향이 높았으며, 세월호를 별도로의 종속변수로 분석한 결과 Minister인 정치, 정부, 정당 등에 영향력이 높게 나타났다. 단, 해석에 유의할 점은 다중회귀분석 결과의 내용에서 종속변수에 대한 설명(연관성)이 부족한 부분을 반영한 것으로 판단된다.
결론 및 향후연구
1. 결론 및 시사점
교통사고의 특성은 시간이 흐를수록 신종사고 및 복합 형태로 발생되는 사고가 늘어나고 있다. 국내 사회 전체적 상황은 고령화시대 및 IT시대를 맞이하여 고령자사고, 스몸비 사고 등 신종사고가 발생률이 높아지고 있으나 이에 대한 정책적 대비는 부족한 실정이다. 또한, 세월호 사건 이후 특히 해양안전사고에 대한 경각심이 높아지고 국민적 안전에 대한 요구는 크게 증가한 만큼, 정부는 국민의 입장에서 공감될 수 있는 해양교통안전정책을 수립할 필요가 있다. 나아가 인구, 기술, 경제적 변화 등 시대적 환경변화에 따른 국민적 요구도 빠르게 변화되고 있는 만큼, 정책수용도를 높이기 위하여는 이러한 국민적 요구사항이 계속적으로 정책에 반영되어질 필요가 있다.
본 연구는 시대적 측면이 잘 반영되어 있고, 다양한 요인과 결합이 가능한 온라인 Social Data를 기반으로 해양안전의 영향도를 분석하였다. 해양안전사고에 대한 가용자료가 한정되어 있고, 그 발생원인도 상대적으로 복잡하므로, Social Data를 활용하여 사고특성 및 활용방안을 도출하였다.
분석방법은 모집단을 구성하기 위해 Social Data를 기반으로 해양안전과 관련된 내용을 수집하였으며 key word 분석을 통해 그룹핑 분석 및 영향도 분석을 시행하였다. 월별분석은 월별로 지속적으로 도출되는 단어의 빈도를 기반으로 SPSS를 활용한 영향변수를 도출하였고 분석결과를 통해 해양안전의 영향도 및 활용방안을 제시하였다.
분석결과 소형선박(선박규모별)의 사고특성은 기계관련 및 날씨관련 사고율이 높고, 이는 예방활동 및 안전장비가 필요하며 인근병원의 접근성 역시 중요한 것으로 나타났다.
어선 및 낚시어선(선종별)의 사고특성은 전남지역에서 충돌, 화재, 바람에 의한 사고율이 높고, 이는 신속한 어선위치(통신관련)파악이 중요하며 해양수산부의 역할도 중요한 것으로 나타났다.
태풍경보(기상별)의 사고특성은 선박 및 어선을 중심으로 남해안 지역에서 날씨에 의한 사고율이 높고, 이는 신속한 대피 및 주의를 요구하며, 기상청 및 안전대책 본부의 역할도 중요한 것으로 나타났다.
전복(사고유형별)의 사고특성은 선박 및 어선을 중심으로 전남 및 남해안 지역에서 정원초과 및 선장 등에 의한 사고율이 높고, 이는 야간사고에 대비책을 요구하며, 해양수산부 및 해양경찰 등의 역할이 중요한 것으로 나타났다.
기상악화(사고원인별)의 사고특성은 증편, 운항횟수 등 무리한 운항을 통한 사고율이 높고 이는 운항통제 및 구조장비의 개선 등이 요구되는 것으로 나타났다.
이처럼 각 주요통계의 7개 항목을 기준 값으로 선정한 뒤 사고특성을 분석하였다. 각 통계항목별 안전사고 개선방안을 위해 본 연구에서 분석한 사고특성 분석결과를 기반으로 대책 마련이 필요하다. 이외에도 현재 국가에서 수립 중인 교통안전 기본계회 등이 본 연구에서 분석된 주요단어 및 사고특성 분석 내용이 충분히 담겨 있는지 점검도 필요할 것이다.
분석 결과를 보면, 해양안전은 전문영역이며 일반시민이 접근하기 상대적으로 어려운 만큼 소셜 데이터에서 일반시민 입장의 단어비중은 적게 나타났다. 이러한 사실은 역으로 해양안전에 대해 일반시민 사이에게 충분히 논의되고 있지 않는 것은 아닌지, 또는 일반시민에게 해양안전에 대해 잘 알려지지 않고 있는 것은 아닌지를 생각해 볼 필요가 있다는 반성적 기회를 제공한다. 세월호 사고 이후로 일반시민도 해양안전에 대한 관심과 집중이 강화되고 있지만 안전의식의 생활화, 안전문화의 확산 등을 위하여는 해양안전에 대한 다양하고 구체적인 논의가 대중적으로 확산되어질 필요가 있을 것이다.
이외 월별에 따른 사고특성 분석을 위해 월별로 지속적으로 도출되는 단어의 빈도수를 기준으로 통계분석을 시행하였다.
분석결과 일반사고인 사고발생건수에 영향을 미치는 변수는 안전장비로 나타났으며 피해자수의 영향변수는 관련 기관 및 침몰사고가 상관성이 높게 나타났다. 사고발생건수를 줄이기 위해 안정장비에 대한 철저한 준비 및 점검이 필요하며, 피해자 수를 줄이기 위해 침몰사고에 대한 대비책 강화, 관련기관의 점검 및 훈련 등을 통해 사고발생 건수 및 피해자수를 줄일 필요가 있겠다.
특종사고인 소형선박에 영향을 미치는 변수는 전복, 날씨영향, 불법(개조)에 영향력이 높았고, 관광배의 경우 외국 및 침몰관련 변수의 영향이 높았으며, 세월호의 경우 정부에 영향력이 높게 나타났다. 세월호는 관광배인 만큼 관광배의 특성도 반영되어 있으며 특히 정치, 정부, 정당과 관련성이 높게 나타났다. 이는 온라인상의 연관 검색어를 기반으로 영향변수가 도출된 만큼 직접적인 대안책으로 다소 무리가 존재하나 추후 정량적 데이터와 융합을 통해 사용된다면 보다 적용가능성이 높아질 것으로 판단된다.
2. 향후연구
본 연구는 해양안전의 영향도를 분석하기 위해 Social Data를 기반으로 키워드 분석 및 영향도 분석을 시행하였다. 하지만 해양안전은 일반시민들에게 접근하기 어렵고, 전문분야인 만큼 다양한 Social Data를 확보하기에는 어려움이 있었다. 일부 변수에서 R제곱이 높게 나타난 것 역시 해양사고와 관련된 Social Data는 전문적 단어가 상대적으로 높은 만큼 단어의 선택이 일부 집중됨을 보이고 있다.
텍스트 마이닝은 키워드 분석이외 구문분석, 형태소 분석 등의 분석이 필요하나 본 연구는 단어(명사 기준)로 이루어진 키워드 분석만을 시행한 만큼 영향도 분석에서 연구의 한계가 도출되었다. 명사만을 기준으로 영향도 분석을 시행한 만큼 유사단어가 원인 및 결과 등의 해석에 혼란을 가져올 수 있었다.
하지만 Social Data를 사용한다는 것은 정량적 데이터에서 설명할 수 없는 부분을 가능케 함으로 보다 강력한 분석방법을 제시하고 있다. 특히 시대적 트렌드에 영향이 높은 분야일수록 적용가능성이 높은 분석방법이다.
추후에는 이러한 한계점 이외 일반시민에게 보다 알려진 주제를 선정(교통안전, 환경문제 등) 및 구문/구절 분석 등이 추가 분석된다면 국가정책수립에 보다 나은 정책적 시사점을 제시할 수 있을 것으로 판단된다.