1. 서 론
1.1 연구의 배경 및 목적
1.2 연구의 범위 및 방법
2. 문헌 고찰
2.1 철근콘크리트 공사
2.2 작업자의 부상 부위
2.3 의사결정나무모델
3. 부상 부위 예측 모델
3.1 분석 데이터
3.2 분석 방법
4. 결과 및 고찰
4.1 분석결과
4.2 고찰
5. 결 론
1. 서 론
1.1 연구의 배경 및 목적
건설업은 가장 위험한 산업 분야 중 하나로 사고의 빈도와 강도가 다른 산업에 비해 높다. 고용노동부가 발표한 2021년 산업재해 보고서에 따르면 건설업의 재해자는 26,888명으로 모든 산업재해자 중 26.3%를 차지하고 있고, 사망자는 전체 828명 중 417명(50.4%)으로 전 산업 중 가장 많다(Ministry of Employment and Labor, 2022).
건설 재해는 다양한 인적 요인 및 환경적 요인 등이 복합적으로 작용하여 발생한다. 따라서 건설 재해를 예측하고 분류하는 것은 매우 어려운 문제이다. 여러 요인에 의해 발생하는 건설재해의 특성을 고려하여 사고원인을 규명하거나 사고예측 모형을 구축하기 위한 많은 연구가 진행되었다(Choi et al., 2020; Lee et al., 2020; Mistikoglu et al., 2015; Cho et al., 2017; Ayhan et al., 2020). 특히 철근콘크리트 공사는 공사 프로세스 중 가장 높은 비중을 차지하고 있는 만큼 재해가 많이 발생하고 위험성이 높은 공종이다(Shim et al., 2010; Kim et al., 2008; Lee et al., 2019). 그러나 이들 연구 대부분은 사망, 부상 또는 재해 형태를 예측하는 데 중점을 두고 있다. 공종별 세부작업을 활용하거나, 재해자의 부상 부위를 예측한 연구는 거의 찾아볼 수 없다. 본 연구는 건설현장의 사고원인과 함께 재해자의 부상 부위를 예측할 수 있는 분류모형을 개발하는 것을 목적으로 한다. 건설재해의 여러 요인을 통해 부상 부위를 예측할 수 있다면, 안전관리자는 작업자에 적합한 안전관리 대책을 수립할 수 있고, 이를 바탕으로 관리업무를 수행하여 건설현장에서의 재해 발생을 줄이는 데 기여할 것으로 기대한다.
1.2 연구의 범위 및 방법
본 연구는 데이터마이닝 기법 중 하나인 분류나무 모델(Classification Tree Model)의 CHAID 알고리즘을 이용하여 건설현장에서 일어날 수 있는 재해자의 부상 부위를 예측하는 모델을 구축하고자 한다. 이를 위해 건설현장에서 발생한 재해사례를 조사하고, 분류나무 모델에 관한 이론과 건설업의 재해 예방을 위해 이루어진 기존 문헌을 고찰하였다. 분류나무 모델을 통해 재해자의 부상 부위를 예측하는 모델을 구축하기 위해 국토교통부에서 운영하는 건설공사 안전관리 종합정보망(Construction Safety Management Integrated Information, CSI)에서 제공하는 건설재해 사례를 수집하고 분석에 사용할 수 있도록 사전 처리하였다. 분류나무 모델은 데이터 분석 프로그램인 ‘IBM SPSS Statistics 26’을 이용하여 구축하였다.
2. 문헌 고찰
2.1 철근콘크리트 공사
내구성과 내화성이 우수한 철근콘크리트는 시설물의 구조체를 구성하는 필수 요소로 거의 모든 인프라 건설에 사용되고 있다. 이렇게 큰 규모로 거의 모든 건설사업에 사용되고 있는 만큼 철근콘크리트 공사는 산업재해도 빈번하게 발생하고 있다. CSI에서 제공하고 있는 공종별 위험요소 도출현황을 살펴보면, 2021년 철근콘크리트 공사는 건축, 토목 분야에서 가설공사 다음으로 많은 위험요소를 가지고 있는 것을 확인할 수 있다.
Shim et al.(2010)은 인력의존도가 높은 철근콘크리트 공사의 작업을 8개의 단위작업으로 분류하고 설문을 통한 중요도 분석과 주체별 요인 분석을 실시하여 8개의 작업별 효율적인 안전관리 방안을 위한 체크리스트를 제안하였다. Kim et al.(2008)은 리스크 발생률이 높은 철근콘크리트 공사의 프로세스를 실질적이고 명확하게 파악하기 위해 선행연구와 현장 전문가 면담을 실시하여 3개의 작업(철근 작업, 거푸집 작업, 콘크리트 작업)으로 나누고 각 작업의 리스크 요소가 공사비 상승과 공기 지연에 미치는 영향을 분석하였다. Lee et al.(2019)은 지난 10년간 8,500여 건의 건설재해 사례를 분석하여 업종별 위험요인을 도출하였다. 그 결과 분석한 변수와 업종 간에 상호 연관성이 있음을 확인하였고, 특히 철근콘크리트 공사업은 재해 발생 빈도가 높을 뿐만 아니라 위험성도 높은 업종임을 확인하였다.
2.2 작업자의 부상 부위
건설재해를 대상으로 한 기존의 연구에서 부상 부위는 여러 사고 요인과 관련이 있는 것을 찾아볼 수 있으며, 해당 연구의 내용은 다음과 같다. Kang et al.(2021)은 근로자의 부상 부위가 근로자의 근로손실일수를 결정하는 주요 변수 중 하나임을 확인하였다. Choi(2015)는 미국 중서부 고속도로 건설 프로젝트에서 보고된 143건의 산업재해 보고를 분석한 결과 부상 부위가 연령 및 부상 유형에 따라 다르다는 것을 확인하였다. Amiri et al.(2016)은 2007년부터 2011년까지 이란의 건설재해 데이터를 추락 및 낙하물 관련 사고는 1그룹으로 차량에 치이는 사고, 감전, 굴착에서의 함몰 그리고 화재 및 폭발 사고를 2그룹으로 나누어 분석하였다. 그 결과 1그룹은 사고 시간, 사고 장소, 부상 부위, 근무손실일수와 연관이 있었고, 2그룹은 발생 시각, 부상 부위와 연관성이 높게 나타났다. Halvani et al.(2012)은 직업 유형과 신체 부상 부위 간의 관계가 이란의 건설산업에서 통계적으로 유의하다는 것을 보여주었다.
그러나 아직 국내에서는 건설재해 및 부상 부위와 관련한 연구가 활발히 이루어지지 않았다. 본 연구는 국내에서 발생하는 건설재해 사례를 분석하여 어떤 요인이 작업자의 부상 부위에 영향을 끼치는가를 파악하고, 이를 바탕으로 예측 모델을 구축한다.
2.3 의사결정나무모델
분류나무 모델은 의사결정 규칙을 나무 구조로 도식화하여 전체 자료를 몇 개의 소집단으로 분류(classification)하거나 예측(prediction)하는 분석 방법이다. 이 방법은 분류 또는 예측의 과정이 나무 구조에 의한 추론규칙에 의해 표현되기 때문에 데이터로부터 모델을 만드는 여러 기법 중에서 가장 명료하고 이해하기 쉽다(Song et al., 2009).
분류나무는 하향식(top-down) 구조로 하나의 나무구조를 이루고 있으며, 마디(node)라고 불리는 구성요소들로 이루어져 있다. 마디는 그 기능에 따라 나무가 시작되는 뿌리마디(root node), 각 나무줄기의 끝에 위치하고 있는 끝마디(terminal node, reaf, 잎), 뿌리마디와 끝마디 중간에 있는 중간마디(internal node)로 분류할 수 있다. 나무의 시작인 뿌리마디에서 분리 기준(splitting criterion), 정지 규칙(stopping rule), 가지치기(pruning) 등에 의해 자식마디(child node)를 형성해 가며 나무 구조를 형성한다.
의사결정나무를 형성하기 위해 CHAID, C4.5, CART, QUEST 등과 같은 다양한 알고리즘이 제안되었다. 본 연구에서는 CHAID(Chi-squared Automatic Interaction Detection) 알고리즘을 적용하였다(Kass, 1980). 이 알고리즘은 분류나무 모델의 대표적인 알고리즘으로 명목형, 순서형, 연속형 등 모든 종류의 종속변수와 독립변수에 적용이 가능하고, 카이제곱-검정(이산형 목표변수)과 F-검정(연속형 목표변수)을 이용하여 셋 이상의 변수로 다지 분리(Multiple Split)를 수행할 수 있다(Leem et al., 2005).
3. 부상 부위 예측 모델
3.1 분석 데이터
본 연구에서는 건설공사 안전관리 종합정보망에서 공개하고 있는 건설재해 사례를 수집하여 활용하였다. 사고사례 데이터에는 사고발생 일자, 시설물 종류, 사고유형, 사고분류(공종, 사고객체, 작업프로세스), 사고위치, 사고경위, 사고원인, 피해상황, 신고사유 등의 사고에 관한 정보가 포함되어 있다. 해당 데이터 수집을 위해 Python 프로그램을 활용하여 공종 대분류 ‘토목’, ‘건축’의 2018년 6월부터 2022년 3월까지 발생한 재해사례 8,287건을 수집하였다. 그러나 수집된 데이터는 분석에 적합한 형태로 구성되어 있지 않고, 본 연구에서 활용하고자 하는 변수인 ‘부상 부위’와 철근콘크리트 공사의 ‘세부작업’에 대해 변수가 따로 구분되어있지 않기 때문에 비정형데이터의 형태인 ‘사고경위’, ‘구체적 사고원인’, ‘피해내용’에서 해당 정보를 도출하는 과정을 진행하였다.
작업자의 부상 부위를 구분하는 절대적인 기준이 없다. 일반적으로 신체를 골격을 기준으로 체간과 체지로 나누는데 체간은 두부(눈, 코, 입, 머리 등)와 척추(경추, 흉추, 요추, 선추, 미추)와 흉곽(늑골, 흉골)이 포함된다. 체지는 상지부와 하지부를 말하며, 상지부는 쇄골, 견갑골, 팔, 손을 포함하고, 하지부는 관골(좌골, 엉덩뼈, 치골), 다리, 발을 포함한다. 원데이터(raw data)에는 비정형 형태로 정보가 제공되고 있었다. 그러나 이러한 데이터에서는 비슷한 부상 부위일지라도 작성자에 따라 다른 용어로 작성된 것을 확인할 수 있었다. 이에 본 연구에서는 부상 부위를 골격계를 기준으로 4개의 신체 부위(1. 머리·얼굴, 2. 상지, 3. 하지, 4. 몸통)로 구분하여 새로운 필드를 생성하였다.
건설공사 안전관리 종합정보망의 재해사례는 공종과 작업 프로세스를 분류하고 있다. 그러나 CSI 원 데이터에서 ‘사고 경위’, ‘구체적 사고원인’, ‘피해 내용’을 보았을 때 동일한 거푸집 철거작업이라 할지라도 사고 기록자에 따라 공종을 철근콘크리트 공사, 해체 및 철거공사, 철골 공사 등과 같이 다르게 작성하였다는 것을 확인하였다. 따라서 본 연구에서는 선행연구와 기존 프로세스 분류를 통해 철근콘크리트 공사의 작업을 크게 철근 작업, 거푸집ㆍ동바리 작업, 콘크리트 작업으로 나누고, 하위 세부작업으로 나누는 과정을 진행하였다.
철근 작업을 3개의 세부작업(1. 철근을 구부리고 절단하는 등의 가공 작업, 2. 가공·절단된 철근을 운반 또는 인양하는 작업, 3. 운반된 철근을 조립·배근하는 작업)으로 구분하고, 거푸집·동바리 작업은 4개의 세부작업(1. 거푸집·동바리 설치 시 필요한 자재를 가공하는 작업, 2. 가공된 자재를 운반하는 작업, 3. 거푸집·동바리를 조립·설치하는 작업, 4. 사용이 끝난 거푸집·동바리를 해체하고 사용된 자재를 정리하는 작업)으로 나누었다. 마지막으로 콘크리트 작업은 3개의 세부작업(1. 콘크리트를 타설하기 위해 장비를 통해 운반하고, 타설하고 다지는 작업, 2. 타설된 콘크리트를 양생하는 작업, 3. 양생된 콘크리트 면을 마무리·할석하는 작업)으로 구분하였다.
수집된 데이터에서 비정형 데이터 속 부상 부위와 철근콘크리트 세부작업을 분류하고 변수의 데이터 수가 너무 적은 경우 예측 모델의 성능이 낮아질 수 있기에 데이터 전처리 과정을 진행하였다. 본 연구에서 최종적으로 사용한 사례는 총 2,273개이고, 종속변수는 부상 부위, 독립변수는 재해 발생형태, 철근콘크리트의 세부작업, 사고객체, 시설물 종류, 사고원인, 계절 변수로 구성하였다. 종속변수는 상지(975), 하지 (626), 몸통(411), 얼굴/머리(261)로 구성하였다(Table 1).
Table 1.
Variable description
3.2 분석 방법
분류나무 모델을 구축하기에 앞서 ‘IBM SPSS Statistics 26’을 이용하여 변수에 대한 기술통계 분석을 실시하고 데이터를 탐색하였다. 이후 사고 요인에 의한 작업자의 부상 부위에 관한 예측모델을 개발하기 위해 분류나무 모델을 적용하였다. 이때, 도출된 모형이 임의의 모형보다 예측력이 우수한지, 고려된 다른 모형과 비교하여 어느 것이 우수한 예측력을 보유하고 있는지 비교 분석하는 모형의 평가과정이 필요하다. 종속변수가 범주형인 경우 오분류표 평가 방법을 적용할 수 있다. 통계모형의 평가분석을 위해 사후 확률(posterior probability)을 비교할 수 있다. 일반적으로 분류의 기준으로 삼는 사후 확률의 경계는 “1/(종속변수의 범주 개수)”로, 본 연구의 4개의 종속변수를 가지고 있어 사후 확률의 경계는 0.25이다(Song et al., 2009).
또한 구축된 모형의 예측과 분류의 성능이 얼마나 뛰어난지, 얼마나 안정적인지 확인하기 위해 학습 데이터세트(training dataset)와 검증 데이터세트(validation dataset)를 60대 40의 비율로 나눠 평균 정확도를 산출하였다. 도출된 분류나무 모델은 예측값의 1순위, 2순위, 3순위 및 각각의 발생 확률을 확인할 수 있고 결과 도출 과정을 직관적으로 파악할 수 있다(Cho et al., 2017).
4. 결과 및 고찰
4.1 분석결과
건설 재해가 발생하였을 때 작업자가 다친 부상 부위를 예측하기 위한 모델을 개발하기 위해 건설재해 사례 데이터(n=2,273)를 이용하여 분류나무 모델을 구축하였다. 모델 학습과 검증을 위하여 데이터를 학습 데이터세트: 검증 데이터세트=60:40의 비율로 하는 나무모형을 10회 도출하였다. 그 결과, 평균 분류 정확도는 47.8%로 나타났다.
구축된 모델인 Fig. 1을 예로 들어 부상 부위를 예측해보면, 부상 부위를 분류하는 1순위는 재해 발생형태이다. 재해 발생형태가 ‘물체의 맞음’과 ‘찔림’일 경우 1 노드로 이동하고, 그 노드에서 사고 원인이 ‘복장·개인보호구 부적절’인 경우 ‘얼굴·머리’ 부상으로 예측하고, 그렇지 않은 경우 35.8%의 확률로 ‘상지’의 부상으로 예측한다. 원인이 ‘복장·개인보호구 부적절’이 아닌 노드의 경우 사고객체에 의해 노드가 분리되었다. 사고객체가 ‘건설공구’, ‘부재’, ‘가시설’의 경우 ‘상지’로 분류하고, ‘건설자재’의 경우 ‘얼굴·머리’, ‘건설기계’, ‘토사 및 암반’의 경우 ‘하지’로 분류하였다. 재해 발생형태가 ‘넘어짐’의 경우 42.8%의 비율로 하지로 분류하였다. 이후 해당 노드에서 사고원인이 ‘불안전한 작업자세’인 경우 31.8%의 확률로 부상 부위를 ‘몸통’으로 분류하였다.
4.2 고찰
본 연구는 다음과 같은 측면에서 의미가 있다. 첫째, 본 연구는 건설재해 사례를 바탕으로 작업자의 부상 부위 예측에 초점을 맞춘 최초의 연구이다. 기존에는 부상의 정도(사망, 중상, 경상)와 사고 유형(떨어짐, 넘어짐, 끼임 등)을 예측하는 연구가 있었다(Choi et al., 2020; Lee et al., 2020; Mistikoglu et al., 2015; Cho et al., 2017; Ayhan et al., 2020). 둘째, 환경적 위험요인별로 부상 부위를 예측하는 분류모형은 건설현장의 안전대책 수립에 도움이 될 수 있다. 본 연구의 결과를 토대로 구체적인 건설 안전관리 지침을 제공할 수 있다. 재해 발생형태, 철근콘크리트 공사의 세부작업, 시설물 종류, 사고객체, 사고원인, 계절에 따라 빈번하게 부상당하는 신체 부위 정보를 통해 시공관리자가 보다 상세한 작업계획을 수립할 수 있다.
분류나무 모델의 장점은 다른 분류 또는 예측 모델에 비해 연구의 결과를 쉽게 이해하고 설명할 수 있는 것이다. 이러한 기계 학습에서 분류 성능을 향상시키기 위해서는 변수에 대비한 충분한 양의 데이터가 필수적이다. 본 연구에 활용된 데이터는 2,273건으로 적은 수는 아니지만, 연구에 활용된 범주형 변수를 고려하면 충분하다고 할 수는 없다. 또한, 분석에 사용된 데이터는 인적 요인인 부상자에 대한 정보는 포함하지 않고 있다. 수집된 데이터에서는 사고 당사자의 인적 정보는 확인할 수 없었다. 따라서 본 연구는 인적 위험요인보다는 환경적 위험요인에 초점을 맞추었다. 추후 본 연구에 연령, 성별, 직업, 경험, 전문성 등 부상자의 인적 정보를 독립변수에 포함하면 보다 정확한 분류모형을 구축할 수 있을 것으로 예상한다. 아울러 향후 연구에서는 다른 데이터 마이닝 기법으로 예측 모델을 구축하고 성능을 비교할 필요가 있다.
5. 결 론
건설산업은 타 산업에 비해 비정형의 환경에서 작업이 이루어지다 보니 작업의 위험성이 높고 재해의 강도와 빈도가 높다. 이러한 건설업의 산업재해를 예방하기 위한 많은 연구와 노력이 이루어졌다. 그러나 이러한 연구 중에 작업자의 부상 부위에 대한 연구는 많이 이루어지지 않았다. 따라서 본 연구에서는 건설재해 데이터를 활용하여 철근콘크리트 공사에서 환경 리스크 요인에 따른 작업자의 부상 부위 예측모델을 제안하였다. 이때 모양의 해석이 쉽고 기계학습 알고리즘 중 우수한 성능을 보이는 분류나무 모델의 CHAID 알고리즘을 이용하여 모델을 구축했다. 결과 변수인 부상 부위는 1) 몸통, 2) 상지, 3) 얼굴·머리, 4) 하지로 나뉜다. 예측 변수는 재해 발생형태, 철근콘크리트의 세부작업, 시설물 종류, 사고객체, 사고원인, 계절을 포함한다. 분류나무 모델의 검증을 위해 데이터를 학습 표본과 검증 표본으로 나누어 분석하였다. 10번의 나무모형을 도출하여 분석한 결과, 분류나무 모델의 예측 정확도는 평균 47.8%로 나타났다. 벤치마킹 확률이 25%임을 감안하면 약 2배의 정확도 향상을 보였지만, 만족스러운 결과로 보기에는 어렵다. 본 연구에서는 약 2,273건의 사례를 사용하였으나 사례와 변수의 범주가 많은 편이어서 분류 정확도가 상대적으로 낮은 것으로 판단된다. 또한, 분석에 사용된 자료는 인적 요인을 포함하지 않은 것도 낮은 정확도의 원인으로 생각된다.
본 연구는 건설현장의 환경적 요인을 기반으로 건설사고의 부상 부위를 예측할 수 있는 분류모형을 제공한다는 점에서 의의가 있다. 연구 결과는 사고유형별, 작업유형별, 부상 원인별, 시설유형별, 활동유형별 부상 부위에 대한 보다 세부적인 지침을 제공함으로써 건설현장의 안전대책 수립에 도움이 될 수 있다.
