[국내논문]네트워크 분석을 활용한 유통농산물 잔류농약 부적합 현황 분석 Evaluation of Results in Pesticide Residues on Incongruity Commercial Agricultural Commodities using Network Analysis Method원문보기
본 논문에서는 유통 농산물 잔류농약 부적합 현황 분석을 위하여 네트워크 분석 기법을 적용하였다. 분석용 데이터는 "2017년도 식품안전관리지침"내 "유통농산물별 잔류농약 부적합 현황"을 참고하였으며, 주요 분석 기법으로는 중심성 분석(연결정도 중심성, 근접 중심성, 매개 중심성)을 적용하였다. 연결정도 중심성 분석결과 chlorpyrifos와 diazinon에서 "연결된 노드"가 가장 많은 것으로 확인되었다. 근접 중심성에서는 19종을 제외한 농약성분들 사이에서 유사한 정도를 보여주고 있었다. 매개 중심성 분석 결과에서는 fluioxonil과 chlorpyrifos가 가장 높은 경향을 보여주어 이들이 농약성분 네트워크에서 "가교" 역할을 수행 하는 것으로 파악되었다. 네트워크 분석 결과, 기존의 통계분석을 통해서는 분석 할 수 없었던 농약성분들 사이의 "관계" 데이터를 확인 할 수 있었다. 향후 이러한 분석기법은 최적화/정교화 과정을 통해서 보다 정밀하게 농약성분 부적합 현황 분석을 위한 도구로서 적용되리라 기대한다.
본 논문에서는 유통 농산물 잔류농약 부적합 현황 분석을 위하여 네트워크 분석 기법을 적용하였다. 분석용 데이터는 "2017년도 식품안전관리지침"내 "유통농산물별 잔류농약 부적합 현황"을 참고하였으며, 주요 분석 기법으로는 중심성 분석(연결정도 중심성, 근접 중심성, 매개 중심성)을 적용하였다. 연결정도 중심성 분석결과 chlorpyrifos와 diazinon에서 "연결된 노드"가 가장 많은 것으로 확인되었다. 근접 중심성에서는 19종을 제외한 농약성분들 사이에서 유사한 정도를 보여주고 있었다. 매개 중심성 분석 결과에서는 fluioxonil과 chlorpyrifos가 가장 높은 경향을 보여주어 이들이 농약성분 네트워크에서 "가교" 역할을 수행 하는 것으로 파악되었다. 네트워크 분석 결과, 기존의 통계분석을 통해서는 분석 할 수 없었던 농약성분들 사이의 "관계" 데이터를 확인 할 수 있었다. 향후 이러한 분석기법은 최적화/정교화 과정을 통해서 보다 정밀하게 농약성분 부적합 현황 분석을 위한 도구로서 적용되리라 기대한다.
The purpose of this research was to introduce network analysis method for analyzing pesticide residues in incongruity commercial agricultural commodities. Based on the "results in pesticide residues on incongruity commercial agricultural commodities" on "Guidelines for food safety management 2017", ...
The purpose of this research was to introduce network analysis method for analyzing pesticide residues in incongruity commercial agricultural commodities. Based on the "results in pesticide residues on incongruity commercial agricultural commodities" on "Guidelines for food safety management 2017", we used centrality analysis for pesticide residues via degree, closeness and betweenness centrality measurement. In case of degree centrality result, chlorpyrifos and diazinon were the most highly "connected node" in pesticide network. For the closeness centrality result, the most pesticides showed the similar closeness trend except for 19 species of pesticides. Fludioxonil and chlorpyrifos are recognized as the "bridge" of pesticides network with their high betweenness centrality. The results of network analysis show the "relation" data, which could not represent through out the conventional statistical analysis, among the pesticide residues. We hope that the network analysis method will be appropriate and precise tool for analyzing pesticide residues via elaboration and optimization.
The purpose of this research was to introduce network analysis method for analyzing pesticide residues in incongruity commercial agricultural commodities. Based on the "results in pesticide residues on incongruity commercial agricultural commodities" on "Guidelines for food safety management 2017", we used centrality analysis for pesticide residues via degree, closeness and betweenness centrality measurement. In case of degree centrality result, chlorpyrifos and diazinon were the most highly "connected node" in pesticide network. For the closeness centrality result, the most pesticides showed the similar closeness trend except for 19 species of pesticides. Fludioxonil and chlorpyrifos are recognized as the "bridge" of pesticides network with their high betweenness centrality. The results of network analysis show the "relation" data, which could not represent through out the conventional statistical analysis, among the pesticide residues. We hope that the network analysis method will be appropriate and precise tool for analyzing pesticide residues via elaboration and optimization.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 본 연구에서는 “유통농산물별 잔류농약 부적합현황(2014년 1월 ~ 2016년 9월)”을 대상으로 네트워크 분석을 통해서 기존의 통계분석 결과뿐 만 아니라 농약 사이의 연관관계를 파악하고, 이를 토대로 농산물 부적합 현황 분석을 위한 네트워크 분석의 적용 가능여부를 확인하였다.
본 연구는 『2017년도 식품안전관리지침』 내 참고자료인 “유통농산물별 잔류농약 부적합 현황(2014년 1월 ~2016년 9월)”을 바탕으로 농약성분에 대한 네트워크 분석을 통해서 개별 농약성분 사이에 존재하는 관계의 데이터를 확인 하는 방법론에 대하여 고찰하였다.
이에 본 연구에서는 『2017년도 식품안전관리지침』내 참고자료인 “유통농산물별 잔류농약 부적합 현황(2014년 1월 ~ 2016년 9월)”에 대해 네트워크 분석을 통하여 데이터 해석을 위한 새로운 방향성을 제시하고자 하였다.
제안 방법
네트워크 분석(중심성 분석) 결과를 종합하여, 각 농약 성분 간의 네트워크를 NetDraw를 통해서 구조화 해보았다. 총 101종에 대한 농약성분들의 네트워크는 Fig.
따라서 이를 좀 더 간결하게 표현하기 위하여 연결정도 중심성, 근접 중심성, 매개 중심성 분석 결과의 각 상위 20종을 선별하여 그 중에서 중복된 농약성분을 제외한 총 28종을 대상으로 그들 사이의 연관관계를 분석해 보았다. Fig.
본 연구에서 시도한 방법은 네트워크 분석 방법론에서 가장 널리 사용되는 중심성 기반의 분석을 수행하였다. 하지만 네트워크 분석 방법은 노드 수준 분석, 하위집단 분석, 에고 네트워크 수준 분석 등의 다양한 분석수준 및 분석지표가 존재하기 때문에, 이러한 모든 분석 방법 중에서 농약성분 네트워크에 맞는 분석기법을 최적화 하는 후속 연구가 진행되어야 할 것으로 판단한다.
잔류농약에 대하여 네트워크 분석을 적용한 사례는 농약 성분이 농업환경에 미치는 영향을 분석한 것이 유일하며, 환경 요인, 질병, 농약성분 간의 관계를 분석하여 생태계에 미치는 영향도를 평가하였다13). 하지만 네트워크 분석을 활용한 잔류농약에 대한 부적합 현황 연구는 이전까지 시도된 적은 없는 실정이다.
좀 더 세부적인 분석을 위하여 Table 3과 Table 4의 데이터를 종합하여 Fig. 2와 같이 각 농약성분을 대상으로 하여 가로축은 검출횟수, 세로축은 검출 농산물 수로 도시화하였다.
하지만 서론에서 언급하였듯이, 이러한 데이터 들은 개개의 농약성분에 대한 양적인 속성까지 밖에 확인 할 수가 없으므로, 전체 농약 부적합 현황 데이터에서 각 성분 별 관계의 데이터를 네트워크 분석을 통해서 확인하였다.
대상 데이터
본 연구에서 사용한 데이터는 『2017년도 식품안전관리지침』 내 참고자료인 “유통농산물별 잔류농약 부적합 현황(2014년 1월 ~ 2016년 9월)”을 활용하였다2).
이론/모형
데이터에 대한 핵심어 및 키워드 분석은 가장 대표적으로 사용되는 소프트웨어인 Krkwic 분석툴을 사용하였으며5), 분석 및 시각화 도구로서는 범용소프트웨어인 Ucinet을 사용하였다6).
이에 본 연구에서는, 잔류농약 부적합 현황에 대하여 최초로 네트워크 분석 방법론을 적용하였다. 기존의 단순 정량화 방식으로 전체 101종의 농약성분 가운데 다빈도로 검출된 농약 3종을 식별한 결과 chlorpyrifos, diazinon, procymidone 순으로 식별되었으나, 중심성 분석결과는 이들이 부적합 현황 네트워크에서 차지하는 위상이 다르다는 것을 확인 할 수 있었다.
성능/효과
“근접 중심성” 분석결과는 대부분 유사한 경향을 보여주고 있었으나, 특정 19종에 대해서는 근접 중심성이 없는 것을 확인 할 수 있었다.
“매개 중심성” 분석결과는 fludioxonil과 chlorpyrifos가 네트워크 구축에 있어서 강한 중계역할을 수행하는 것으로 확인되었다.
『2017년도 식품안전관리지침』 내 참고자료인 “유통농산물별 잔류농약 부적합 현황(2014년 ~ 2016년 9월)”을 분석한 결과 총 101종의 농약성분이 1,821회 검출되었다.
검출횟수 대비 농산물 검출 종수에서 우세한 경향을 보였던 carbofuran의 경우 연결정도 중심성은 낮았으나, 근접 중심성은 상당히 높은(2번째) 결과를 보여주고 있었다. 이외에도 phenthoate, kresoxim-methyl, fluquinconazole(각각 8, 12, 17번째)이 상위 20종에 포함되었다.
이에 본 연구에서는, 잔류농약 부적합 현황에 대하여 최초로 네트워크 분석 방법론을 적용하였다. 기존의 단순 정량화 방식으로 전체 101종의 농약성분 가운데 다빈도로 검출된 농약 3종을 식별한 결과 chlorpyrifos, diazinon, procymidone 순으로 식별되었으나, 중심성 분석결과는 이들이 부적합 현황 네트워크에서 차지하는 위상이 다르다는 것을 확인 할 수 있었다. 실제로 네트워크 상에서 가장 많은 연결을 확인하는 “연결정도 중심성” 분석 결과에서는 chlorpyrifos와 diazinon이 농약 성분들 사이에서 강한 영향력을 미치는 인자임임을 확인 할 수 있었으며, 반면에 procymidone은 flufenoxuron, lufenuron, flubendiamide와 유사한 영향력을 미치고 있었는데, 이는 chlorpyrifos와 diazinon은 다양한 품종의 농산물에서 각 농산물 별로 비슷한 수준으로 잔류농약이 검출이 되는 반면에, procymidone(총 22종의 농산물에서 133회 검출)은 특정 1종의 농산물에 편중되어 다수 검출(64회)이 되었기 때문에 네트워크에서 차지하는 영향력이 낮은 것으로 파악된다.
네트워크 분석결과, 특히 중심성 분석을 통해서 확인할 수 있었던 점은, 기존의 통계분석에서는 동일한 빈도와 경향을 보여주었던 농약성분들이, 전체 네트워크 상에서 노드로서 차지하고 있는 위치와 위상이 모두 다르기 때문에 각각의 성분에 대한 네트워크 내 “중심”과 “영향력”을 파악 할 수 있었으며, 이를 토대로 농약성분 간의 관계에 대한 데이터를 유추 할 수 있었다.
농약검출 네트워크에서 가장 높은 연결정도 중심성을 갖는 농약성분 3종은 검출횟수와 검출 농산물 종수가 높았던 chlorpyrifos, diazinon, procymidone의 순으로 나타났다.
본 연구의 방법론은 기존의 통계분석 방식으로는 농약 성분 개개의 정량화된 데이터를 기반으로 양적인 속성만을 확인 할 수가 있었으나, 네트워크 분석을 통해서는 각성분별 관계의 데이터 까지도 확인 할 수 있었다. 이를 통해서 우리는 기존 통계분석을 보완하는 여러 가지 정보를 확인 할 수 있었다.
분석결과 상위 4개종의 농약성분은 다른 97개의 성분들보다 검출수와 검출 농산물 종수에서 월등하게 많은 비율을 보여주고 있었다. 상위 4개 성분을 제외하고 나머지 97개 성분을 대상으로 회귀분석을 통해서 상관관계를 분석한 결과 농약성분 검출수와 검출 농산물 종수 사이에서 선형관계를 보여주고 있었다.
5%)를 차지하고 있었다. 상위 3종인 chlorpyrifos, diazinon, procymidone의 경우 각각 약 11%, 10%, 7%의 비율을 차지하고 있어 전체 101종 가운데 해당 3종이 다빈도로 검출 되고 있음을 확인 할 수 있었다.
분석결과 상위 4개종의 농약성분은 다른 97개의 성분들보다 검출수와 검출 농산물 종수에서 월등하게 많은 비율을 보여주고 있었다. 상위 4개 성분을 제외하고 나머지 97개 성분을 대상으로 회귀분석을 통해서 상관관계를 분석한 결과 농약성분 검출수와 검출 농산물 종수 사이에서 선형관계를 보여주고 있었다. 일부 5개 성분(fludioxonil, lufenuron, flubendiamine, flufenoxuron, iprodione, Fig.
0%)되었다. 성분 수의 경우에는 살충제와 큰 차이를 보이고 있지는 않았으나, 검출횟수에서 살충제의 약 69.6% 수준을 보이고 있었다. 제초제와 생장조정제의 경우, 각각의 성분수와 검출횟수는 전체의 약 1% 수준으로서, 살충제와 제초제대비 현저히 낮은 수준을 보이고 있었다.
특히, 가장 매개 중심성이 높은 농약성분은 검출 농산물 종수 대비 검출횟수가 더 우세한 경향을 보였던 fludioxonil이 계산 되었으며, chlorpyrifos가 그 다음을 이었다. 세 번째는 pendimethalin으로서, 매개 중심성이 다른 중심성 결과와는 다르게 상위권에 속해 있음을 확인 할 수 있었다.
실제로 네트워크 상에서 가장 많은 연결을 확인하는 “연결정도 중심성” 분석 결과에서는 chlorpyrifos와 diazinon이 농약 성분들 사이에서 강한 영향력을 미치는 인자임임을 확인 할 수 있었으며, 반면에 procymidone은 flufenoxuron, lufenuron, flubendiamide와 유사한 영향력을 미치고 있었는데, 이는 chlorpyrifos와 diazinon은 다양한 품종의 농산물에서 각 농산물 별로 비슷한 수준으로 잔류농약이 검출이 되는 반면에, procymidone(총 22종의 농산물에서 133회 검출)은 특정 1종의 농산물에 편중되어 다수 검출(64회)이 되었기 때문에 네트워크에서 차지하는 영향력이 낮은 것으로 파악된다.
상위 4개 성분을 제외하고 나머지 97개 성분을 대상으로 회귀분석을 통해서 상관관계를 분석한 결과 농약성분 검출수와 검출 농산물 종수 사이에서 선형관계를 보여주고 있었다. 일부 5개 성분(fludioxonil, lufenuron, flubendiamine, flufenoxuron, iprodione, Fig. 2 내 적색 영역)에서는 검출 농산물 종수 대비 검출횟수가 더 우세한 경향을 보였으며, 다른 5개 성분(carbofuran, kresoxim-methyl, flutolanil, phenthoate, fluquinconazole, Fig. 2 내 녹색 영역)에서는 검출 농산물 종수가 더 우세한 경향을 보여주고 있었다.
잔류농약 부적합현황에 대한 분석결과, 종류로서는 살충제와 살균제가 대부분(총 95.0%)을 차지하고 있었으며, 이들의 검출 횟수는 총 97.4%를 차지하고 있었다. 특히 상위 10종에 대해서는 검출 횟수가 전체의 절반을 차지함을 알 수 있었다.
전체 검출 성분 중 다빈도 검출 상위 10종을 대상으로 현황을 분석한 결과 전체 검출 횟수 중 919회(50.5%)를 차지하고 있었다. 상위 3종인 chlorpyrifos, diazinon, procymidone의 경우 각각 약 11%, 10%, 7%의 비율을 차지하고 있어 전체 101종 가운데 해당 3종이 다빈도로 검출 되고 있음을 확인 할 수 있었다.
정규화한 매개 중심성(normalized betweenness centrality)을 비교하였을 때, fludioxonil과 chlorpyrifos가 다른 성분들에 비해서 월등히 높은 매개 중심성을 보였으며, 이는 네트워크를 구축함에 있어서 이 두 성분이 가장 높은 중계역할을 하는 노드임을 확인 할 수 있었다.
정규화한 연결정도 중심성(normalized degree centrality)을 비교하였을 때, chlorpyrifos와 diazinon이 가장 높은 연결을 형성하는 노드임을 확인 할 수 있었으며, 두 성분들은 네트워크에서 가장 강력한 영향을 미치는 인자임을 확인 할 수 있었다.
6% 수준을 보이고 있었다. 제초제와 생장조정제의 경우, 각각의 성분수와 검출횟수는 전체의 약 1% 수준으로서, 살충제와 제초제대비 현저히 낮은 수준을 보이고 있었다.
검출 농약 성분 수와 횟수에 있어서 가장 많은 비율을 차지하고 있는 종류는 살충제였다. 총 50종의 성분(49.5%)이 1,046회 검출(57.4%)되어 각각 절반 또는 절반이상의 비율을 차지하고 있었다. 그 다음으로는 살균제가 뒤를 이었다.
4%를 차지하고 있었다. 특히 상위 10종에 대해서는 검출 횟수가 전체의 절반을 차지함을 알 수 있었다.
매개 중심성의 경우 연결정도 중심성과 근접 중심성과는 다른 경향을 보여주었다. 특히, 가장 매개 중심성이 높은 농약성분은 검출 농산물 종수 대비 검출횟수가 더 우세한 경향을 보였던 fludioxonil이 계산 되었으며, chlorpyrifos가 그 다음을 이었다. 세 번째는 pendimethalin으로서, 매개 중심성이 다른 중심성 결과와는 다르게 상위권에 속해 있음을 확인 할 수 있었다.
하지만 diniconazole의 경우에는 연결정도 중심성은 상위 3종과 비교하였을 때, 현저히 낮음(상위 13번째)을 확인 할 수 있었으며, Fig. 2에서 상대적으로 농약성분 검출 횟수가 우세하였던 flufenoxuron, lufenuron, flubendiamine, fludioxonil(각각 4, 5, 6, 7번째)이 강한 연결정도를 갖는 것으로 나타났다.
하지만 대부분의 농약성분들의 근접중심성은 대부분 유사한 값을 보이고 있었으므로, 근접 중심성을 보이지 않은 19개 농약성분(Anilofos, Hexaconazole, Malathion, Pyrimethanil, Dimethoate, Cyazofamid, Diflubenzuron, Chlorfluazuron, Methomyl, Fenarimol, Myclobutanil, Ferimzone, Thiram, Cymoxanil, Tolylfluanid, Tricyclazole, Thiamethoxam, Triflumizole, Phthalide)을 제외하고는 큰 차이가 없는 것으로 파악 할 수 있었다.
후속연구
실제로 네트워크 상에서 가장 많은 연결을 확인하는 “연결정도 중심성” 분석 결과에서는 chlorpyrifos와 diazinon이 농약 성분들 사이에서 강한 영향력을 미치는 인자임임을 확인 할 수 있었으며, 반면에 procymidone은 flufenoxuron, lufenuron, flubendiamide와 유사한 영향력을 미치고 있었는데, 이는 chlorpyrifos와 diazinon은 다양한 품종의 농산물에서 각 농산물 별로 비슷한 수준으로 잔류농약이 검출이 되는 반면에, procymidone(총 22종의 농산물에서 133회 검출)은 특정 1종의 농산물에 편중되어 다수 검출(64회)이 되었기 때문에 네트워크에서 차지하는 영향력이 낮은 것으로 파악된다. 따라서 검출 다빈도 상위 성분과 비교하여 현저히 낮은 순위를 보이고 있는 성분은 특정 농산물에 편중하여 검출되는 정도를 확인 할 수 있는 지표로 사용 할 수 있다고 판단된다.
본 연구에서 시도한 방법은 네트워크 분석 방법론에서 가장 널리 사용되는 중심성 기반의 분석을 수행하였다. 하지만 네트워크 분석 방법은 노드 수준 분석, 하위집단 분석, 에고 네트워크 수준 분석 등의 다양한 분석수준 및 분석지표가 존재하기 때문에, 이러한 모든 분석 방법 중에서 농약성분 네트워크에 맞는 분석기법을 최적화 하는 후속 연구가 진행되어야 할 것으로 판단한다.
향후 본 연구를 기초자료로 하여 후속 연구를 수행하게 된다면, 네트워크 분석 개념이 앞으로의 농약검출 부적합현황 분석을 위한 새로운 패러다임으로 다양하게 적용 될 수 있으리라 생각한다.
질의응답
핵심어
질문
논문에서 추출한 답변
연결정도 중심성은 무엇인가?
연결정도 중심성(degree centrality)은 네트워크의 노드들이 얼마나 많은 연결을 가지고 있는지를 정량화한 것으로서, 식 (1)을 이용하여 산출하였다.
네트워크 분석 방법론을 잔류농약 부적합 현황 분석에 적용했을 때 어떤 결과를 얻을 수 있는가?
본 연구의 방법론은 기존의 통계분석 방식으로는 농약 성분 개개의 정량화된 데이터를 기반으로 양적인 속성만을 확인 할 수가 있었으나, 네트워크 분석을 통해서는 각성분별 관계의 데이터 까지도 확인 할 수 있었다. 이를 통해서 우리는 기존 통계분석을 보완하는 여러 가지 정보를 확인 할 수 있었다.
네트워크 분석이 인문·사회·과학전 분야에 걸쳐서 새로운 연구 방법에 적용되고 있는 이유는 무엇인가?
네트워크 분석은 최근 과학계의 큰 흐름으로 대두되고 있는 빅데이터 처리를 위한 방법론으로서, 인문·사회·과학전 분야에 걸쳐서 새로운 연구 방법으로서 적용되고 있다. 기존의 통계분석은 개체의 데이터에 내재된 양적/질적 속성에만 관심을 갖고 있었지만, 네트워크 분석은 개체사이에 존재하는 관계의 데이터를 분석하는 방법론으로서 기존의 통계분석을 보완해준다4).
참고문헌 (13)
Lee, S.H.: Proposal for a direction of safety management policy, food safety management policy and consumer food safety, Sungshin Women's University (2017).
Ministry of Food and Drug Safety: Food Safety Management Guidelines for 2017 (2017).
National Institute of Agricultural Sciences: Pesticide Information Service (http://pis.rda.go.kr)
Lee, S.S.: Network Analysis Methods, Non Hyung Press (2016).
Park, H.W. and Leydesdorff, L.: Understanding the KrKwic: A computer program for the analysis of Korean text, J. Korean Data Anal. Soc., 6, 1377-1387 (2004).
Borgatti, S.P., Everett, M.G., Freeman, L.C,: Ucinet for windows: Software for Social Network Analysis, Analytic Technologies (Harvard, MA) (http://www.analytictech.com)
Freeman, L.C.: Centrality in social networks conceptual classification, Social Networks, 1, 215-239 (1979).
Scott, J.: Social network analysis, SAGE Publications Ltd. (2017).
Jung, H.W., Kim, D.S., Lee, H.W.: Google god knows everything, Science books (2013).
Kim, H.Y., Lee, S.Y., Kim, C.G., Choi, E.J., Lee, E.J., Jo, N.G., Lee, J.M., Kim Y.H.: A survey on the pesticide residues and risk assessment for agricultural products on the markets in Incheon area from 2010 to 2012, Korean J. Environ. Agric., 32, 61-69 (2013).
Kim, O. H., Park S. K., Choi Y. H., Seoung H. J., Han S. H., Lee Y. J., Jang J. I., Kim Y. H., Jo H. B., Park G. Y., Yu I. S., Han K. Y.: Survey on the pesticides suspected as an endocrime disrupter in agricultural products distributed in Seoul, Korean J. Pest. Sci., 15, 36-47 (2011)
Do, J.A., Lee, H.J., Shin, Y.W., Choe, W.J., Chae, K.R., Soon, K.C., Kim, W.S.: Monitoring of pesticide residues in domestic agricultural products, J. Korean Soc. Food Sci. Nutr., 39, 902-908 (2010).
Andras, P., Gwyther, R., Madalinski, A.A., Lynden, S.J., Andras, A., Young, M.P.: Ecological network analysis: and application to the evaluation of effects of pesticide use in an agricultural environment, Pest. Manag. Sci., 63, 943-953 (2007).
※ AI-Helper는 부적절한 답변을 할 수 있습니다.