상수도 시설공사 산업안전보건관리비 예측 모델 개발 및 평가 Development of a model to predict occupational safety and health management expenses in water supply facilities projects.원문보기
사회적 인식의 개선에 따라 건설업의 재해 예방이 더욱 중요하게 여겨지고 있으나, 국내 건설업의 재해율은 타 산업에 비해 높은 것이 현실이다. 건설업은 유사 규모의 프로젝트라도 공사의 종류에 따라 재해 발생의 양상이 다르게 나타난다. 따라서 공사의 종류별 재해 예방활동 또한 프로젝트의 특성이 반영되어야 하므로, 재해 예방활동에 소요되는 비용인 산업안전보건관리비가 공사의 특성을 반영하여 적절히 책정되는 것이 중요하다. 산업안전보건관리비는 현행법상 5가지 공사종류와 4개의 공사비 구간으로 프로젝트를 구분하여 요율에 따른 계상기준을 적용하고 있어, 각 건설프로젝트의 공사특성을 반영하지 못하고 있다는 한계가 있다. 이러한 건설사업의 특성을 반영하지 못한 일률적 산업안전보건관리비 산정방식이 건설업 재해율이 타 산업에 비해 높은 주요 원인 중 하나라고 보는 시각도 있다. 따라서 공사의 특성을 반영한 산업안전보건관리비의 예측을 위한 연구를 수행할 필요성이 제기된다. 따라서 본 연구에서는 상수도시설공사의 특성이 반영된 ...
사회적 인식의 개선에 따라 건설업의 재해 예방이 더욱 중요하게 여겨지고 있으나, 국내 건설업의 재해율은 타 산업에 비해 높은 것이 현실이다. 건설업은 유사 규모의 프로젝트라도 공사의 종류에 따라 재해 발생의 양상이 다르게 나타난다. 따라서 공사의 종류별 재해 예방활동 또한 프로젝트의 특성이 반영되어야 하므로, 재해 예방활동에 소요되는 비용인 산업안전보건관리비가 공사의 특성을 반영하여 적절히 책정되는 것이 중요하다. 산업안전보건관리비는 현행법상 5가지 공사종류와 4개의 공사비 구간으로 프로젝트를 구분하여 요율에 따른 계상기준을 적용하고 있어, 각 건설프로젝트의 공사특성을 반영하지 못하고 있다는 한계가 있다. 이러한 건설사업의 특성을 반영하지 못한 일률적 산업안전보건관리비 산정방식이 건설업 재해율이 타 산업에 비해 높은 주요 원인 중 하나라고 보는 시각도 있다. 따라서 공사의 특성을 반영한 산업안전보건관리비의 예측을 위한 연구를 수행할 필요성이 제기된다. 따라서 본 연구에서는 상수도시설공사의 특성이 반영된 예측모델 개발로 범위를 한정하고, 산업안전보건관리비 대상금액 기준 50억 이상의 상수도시설공사 52건의 사례를 대상으로 데이터를 수집하여 예측모델을 구축하는데 활용하였다. 분석방법으로는 머신러닝(Machine Learning) 중 최근 다수의 연구에 사용되고 있는 LSTM(Long Short Team Memory), SVR(Support Vector Regression), XGBoost(eXtreme Gradient Boosting)를 통해 예측모델을 구축하고, 선행연구에서 산업안전보건관리비 예측모델 분석방법으로 다수 사용된 다중회귀분석 예측모델과의 비교분석을 통해 최적 모델을 선정하였다. 선행연구고찰을 통해 주요 영향요인으로 공사금액 요인(총 공사비, 재료비, 노무비), 프로젝트 요인(공사기간) 및 공사특성 요인(관로연장, 최대관경)으로 선정하였다. 분석방법별 구축된 각 모델의 예측력을 평가하였으며, 최종분석결과 SVR 모델이 MAE 0.32605, RMSE 0.49854, MAPE 0.01824로 평가방법 세 가지 모두에서 최소치를 가지는 것으로 확인되어 최적의 모델로 선정되었다. 향후, 다른 공사 종류에도 공사특성을 대표할 수 있는 주요 영향요인을 분석하여 각각의 공사특성을 반영한 예측모델을 구축할 수 있을 것으로 기대된다.
사회적 인식의 개선에 따라 건설업의 재해 예방이 더욱 중요하게 여겨지고 있으나, 국내 건설업의 재해율은 타 산업에 비해 높은 것이 현실이다. 건설업은 유사 규모의 프로젝트라도 공사의 종류에 따라 재해 발생의 양상이 다르게 나타난다. 따라서 공사의 종류별 재해 예방활동 또한 프로젝트의 특성이 반영되어야 하므로, 재해 예방활동에 소요되는 비용인 산업안전보건관리비가 공사의 특성을 반영하여 적절히 책정되는 것이 중요하다. 산업안전보건관리비는 현행법상 5가지 공사종류와 4개의 공사비 구간으로 프로젝트를 구분하여 요율에 따른 계상기준을 적용하고 있어, 각 건설프로젝트의 공사특성을 반영하지 못하고 있다는 한계가 있다. 이러한 건설사업의 특성을 반영하지 못한 일률적 산업안전보건관리비 산정방식이 건설업 재해율이 타 산업에 비해 높은 주요 원인 중 하나라고 보는 시각도 있다. 따라서 공사의 특성을 반영한 산업안전보건관리비의 예측을 위한 연구를 수행할 필요성이 제기된다. 따라서 본 연구에서는 상수도시설공사의 특성이 반영된 예측모델 개발로 범위를 한정하고, 산업안전보건관리비 대상금액 기준 50억 이상의 상수도시설공사 52건의 사례를 대상으로 데이터를 수집하여 예측모델을 구축하는데 활용하였다. 분석방법으로는 머신러닝(Machine Learning) 중 최근 다수의 연구에 사용되고 있는 LSTM(Long Short Team Memory), SVR(Support Vector Regression), XGBoost(eXtreme Gradient Boosting)를 통해 예측모델을 구축하고, 선행연구에서 산업안전보건관리비 예측모델 분석방법으로 다수 사용된 다중회귀분석 예측모델과의 비교분석을 통해 최적 모델을 선정하였다. 선행연구고찰을 통해 주요 영향요인으로 공사금액 요인(총 공사비, 재료비, 노무비), 프로젝트 요인(공사기간) 및 공사특성 요인(관로연장, 최대관경)으로 선정하였다. 분석방법별 구축된 각 모델의 예측력을 평가하였으며, 최종분석결과 SVR 모델이 MAE 0.32605, RMSE 0.49854, MAPE 0.01824로 평가방법 세 가지 모두에서 최소치를 가지는 것으로 확인되어 최적의 모델로 선정되었다. 향후, 다른 공사 종류에도 공사특성을 대표할 수 있는 주요 영향요인을 분석하여 각각의 공사특성을 반영한 예측모델을 구축할 수 있을 것으로 기대된다.
As societal awareness increases, the prevention of accidents within the construction industry is being recognized as increasingly crucial. However, the reality persists that the accident rate within the domestic construction sector remains high compared to other industries. The nature of accidents v...
As societal awareness increases, the prevention of accidents within the construction industry is being recognized as increasingly crucial. However, the reality persists that the accident rate within the domestic construction sector remains high compared to other industries. The nature of accidents varies depending on the type of construction, even within projects of similar scale. Consequently, preventive activities against accidents need to be tailored to the specific nature of each construction type. It is crucial that Occupational Safety and Health Management Expenses are appropriately calculated, reflecting the nature of the construction, as these costs are associated with accident prevention activities. The current method of calculating these expenses, which categorizes projects into five types and four cost ranges, fails to adequately reflect the unique characteristics of each construction project. Some perceive this standardized method as a significant reason for the higher accident rates in the construction industry compared to other sectors. Therefore, there is a recognized need for research to predict these expenses while considering the specific characteristics of construction projects. This study focuses on developing a predictive model that incorporates the characteristics of waterworks construction. It specifically targets waterworks construction projects with a budget exceeding 5 billion KRW. Data from 52 such projects were collected and utilized to construct the predictive model. Machine learning techniques, including Long Short-Term Memory (LSTM), Support Vector Regression (SVR), and eXtreme Gradient Boosting (XGBoost), were employed for analysis. Comparative analysis with multiple regression analysis, commonly used in prior studies, was conducted to identify the optimal model. Key factors influencing the cost were identified as construction cost elements (total construction cost, material cost, labor cost), project factors (construction period), and construction-specific factors (pipeline length, maximum pipe diameter) through a review of prior research. The predictive capabilities of different analysis models were evaluated. The SVR model emerged as the optimal model, exhibiting the lowest values across three evaluation criteria: MAE 0.32605, RMSE 0.49854, MAPE 0.01824. It is anticipated that analyzing major influencing factors representing the characteristics of different construction types will aid in constructing predictive models reflecting each type's unique features in the future.
As societal awareness increases, the prevention of accidents within the construction industry is being recognized as increasingly crucial. However, the reality persists that the accident rate within the domestic construction sector remains high compared to other industries. The nature of accidents varies depending on the type of construction, even within projects of similar scale. Consequently, preventive activities against accidents need to be tailored to the specific nature of each construction type. It is crucial that Occupational Safety and Health Management Expenses are appropriately calculated, reflecting the nature of the construction, as these costs are associated with accident prevention activities. The current method of calculating these expenses, which categorizes projects into five types and four cost ranges, fails to adequately reflect the unique characteristics of each construction project. Some perceive this standardized method as a significant reason for the higher accident rates in the construction industry compared to other sectors. Therefore, there is a recognized need for research to predict these expenses while considering the specific characteristics of construction projects. This study focuses on developing a predictive model that incorporates the characteristics of waterworks construction. It specifically targets waterworks construction projects with a budget exceeding 5 billion KRW. Data from 52 such projects were collected and utilized to construct the predictive model. Machine learning techniques, including Long Short-Term Memory (LSTM), Support Vector Regression (SVR), and eXtreme Gradient Boosting (XGBoost), were employed for analysis. Comparative analysis with multiple regression analysis, commonly used in prior studies, was conducted to identify the optimal model. Key factors influencing the cost were identified as construction cost elements (total construction cost, material cost, labor cost), project factors (construction period), and construction-specific factors (pipeline length, maximum pipe diameter) through a review of prior research. The predictive capabilities of different analysis models were evaluated. The SVR model emerged as the optimal model, exhibiting the lowest values across three evaluation criteria: MAE 0.32605, RMSE 0.49854, MAPE 0.01824. It is anticipated that analyzing major influencing factors representing the characteristics of different construction types will aid in constructing predictive models reflecting each type's unique features in the future.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.