[논문]지역주택조합사업 기획단계의 공사비 예측에 관한 연구

이진규

doi:10.5762/kais.2018.19.12.653

[국내논문] 지역주택조합사업 기획단계의 공사비 예측에 관한 연구
A Study on the Prediction of the Construction Cost in Planning Stage of Local Housing Union Project 원문보기

한국산학기술학회논문지 = Journal of the Korea Academia-Industrial cooperation Society, v.19 no.12, 2018년, pp.653 - 659

이진규 (대진대학교 대학원 토목환경공학과)

초록
AI-Helper

공사비의 정확한 예측은 프로젝트 성공의 핵심 요소이다. 그러나 도면, 시방서, 공사비 산출내역서 등이 아직 불완전한 기획단계의 경우 신속하고 정확하게 공사비를 산출하기가 용이하지 않다. 또한 프로젝트의 기획단계에서 정확한 공사비 예측은 프로젝트의 타당성 조사 및 성공적인 완료에 중요하다. 따라서 프로젝트 정보가 제한적 일 때 사업 초기에 공사비를 정확하게 예측하기 위해 다양한 기법(회귀분석, 인공신경망, 사례기반추론, 유전자알고리즘, 몬테카를로시뮬레이션, 빌딩정보모델링)이 적용되고 있다. 공사비 예측에 영향을 미치는 많은 요소가 있다. 본 논문에서는 7개(대지면적, 연면적, 지하층수, 지상층수, 주동수, 전체세대수, 공사기간)의 건축개요를 독립변수로 사용하는 다중회귀모델(후진제거법)로 공사비 예측치를 제시한다. 다중회귀모델을 이용한 지역주택조합사업 공사비의 예측 결과 오차율은 4.87%로 나타났다. 이는 지역주택조합사업의 기획단계에서 공사비 예측에 관한 연구가 없어 비교가 불가능하나, 기존에 사용하던 단위면적에 대한 단가산정방식에 비하여 높은 예측 정확도를 가짐으로써, 향후 지역주택조합사업의 기획단계에서 공사비 산출업무에 적용 가능성이 높고, 지역주택조합사업의 사업예산 수립에 기여할 수 있을 것으로 판단된다.

Abstract ▼ AI-Helper

The accurate prediction of construction cost is a key factor in a project's success. However, it is hard to predict the construction costs in the planning stages rapidly and precisely when drawings, specifications, construction cost calculation statements are incomplete, among other factors. Accurate construction-cost prediction in the planning stage of a project is also important for project feasibility studies and successful completion. Therefore, various techniques have been applied to accurately predict construction costs at an early stage when project information is limited. There are many factors that affect the construction cost prediction. This paper presents a construction-cost prediction method as multiple regression model with seven construction factors as independent variables. The method was used to predict the construction cost of a local housing union project, and the error rate was 4.87%. It is not possible to compare the cost of the project at the planning stage of the local housing union project, but it has high prediction accuracy compared to the unit price of an existing unit area. It is likely to be applied in construction-cost calculation work and to contribute to the establishment of the budget for the local housing union project.

Keyword

표/그림 (8)

표 Table 1. Fluctuation of construction cost index(Housing)
표 Table 2. Literature review
표 Table 3. Analysis of location and cases
표 Table 4. The configuration of variables
표 Table 5. Statistics of variables
표 Table 6. The result of pearson correlation analysis
표 Table 7. Results of regression analysis
표 Table 8. Verification results of regression model

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

특히, 최근 사회적으로 주목받고 있는 지역주택조합 사업과 같이 다양한 종류의 건축물, 시설물이 같이 계획 되는 경우 공사비 예측의 어려움이 크다. 본 연구는 이러한 문제점에 착안하여 지역주택조합사업의 기획단계에서 공사비 예측의 신뢰성을 높이고, 지역주택조합사업 발주자, 시공자, 설계자, 건설사업관리자의 합리적이고 정확한 예산 수립을 위해 다중회귀모델을 이용한 지역주택조합사업 공사비 예측모델을 개발하였다.

제안 방법

일반적으로 사업 초기의 기획단계에서는 프로젝트 정보가 개략적이고 제한적인 까닭에 건축개요 수준의 개략 정보를 활용하여 유사사례를 축적하고, 이를 기반으로 하여 공사비 예측모델을 개발하여 공사비를 예측한다. 즉, 프로젝트의 건축개요(대지면적, 연면적, 지하층수, 지상층수, 주동수, 전체세대수, 공사기간 등)의 개략정보를 이용하여, 과거의 유사한 사례의 프로젝트를 수집하며, 이를 기반으로 하여 프로젝트의 단위 면적당 공사비를 사용하거나, 건축개요가 유사한 프로젝트들의 공사비 산출내역을 변형, 조합, 수정하여 프로젝트의 공사비를 예측한다. 최근에는 컴퓨터를 이용하여 다양한 형태의 예측모델(Regression Analysis(회귀분석), Neural Networks(인공신경망), Case Based Reasoning(사례기 반추론), Genetic Algorithm(유전자알고리즘), Monte Carlo Simulation(몬테카를로시뮬레이션), Building Information Modeling(빌딩정보모델링))을 사용하여 공사비를 예측한다.
첫째, 지역주택조합사업 기획단계에서의 공사비 예측 모델을 개발하기 위해서 2013년 1월 1일에서 2018년 3월 31일까지 나라장터(국가종합전자조달시스템)[1]에 주택법 제43조 제1항에 의하여 공동주택 감리자 지정을 위해 공고된 지역주택조합사업 공사비 자료를 수집 한다. 수집된 공사비 자료는 지역과 시기가 각기 다르므로 2018년 3월 기준으로 공사비 산출시점을 통일시키기 위해, 115개 사례의 공사비 자료에 건설공사비지수를 적용 하였다. Table 1[2]은 2013년에서 2018년 7월까지의 월별 건설공사비지수(주거용건물)를 정리한 것이다.
둘째, 선행연구의 예측기법과 연구내용을 분석하고, 검토하여 기존 연구와 차별성을 제시한다. 셋째, 수집된 공사비 자료에서 추출한 독립변수 중 다중회귀분석에 사용될 독립변수를 선정한다.
다섯째, 다중회귀분석을 실시한 지역주택조합사업 공사비 예측모델의 적용 가능성을 확인하기 위해 2018년 4월 11일에서 2018년 7월 11일까지 나라장터(국가종합 전자조달시스템)에 공고된 총 12개의 지역주택조합사업의 공사비를 사용하여 예측모델을 통해 도출한 예측공사 비와의 오차를 비교하여 예측모델을 검증한다.
지역주택조합사업 공사비 예측에 관한선행연구가 없으므로 공동주택 공사비 예측에 관한 연구를 연구자 별로 정리하고, 예측기법을 분석하고 비교해 보았다. 공동 주택 공사비 예측기법은 Regression Analysis, Neural Networks, Case Based Reasoning, Genetic Algorithm, Monte Carlo Simulation, Building Information Modeling 등의 다양한 종류가 사용되고 있다.
박문서 외 4인(2010)의 연구는 기존 연구의 문제점을 보완하여 유전자 알고리즘에 의한 사례기반추론(CBR) 공사비 예측 모델을 제안하였다. Model은 근래에 이웃 조회 방법의 과정에 의해 산출한 사례의 공사비 정보를 사용하여 예측 대상의 공사비를 산정하였다. 예측모델을 검증한 결과, AACE에서 정한 견적시기별 예측 정확도와 회귀계수, 동일가중치를 사용한 방법보다 예측정확도가 낮았다[4].
으로 선정하여, 회귀분석을 통해서 추정된 모형을 도출하였다. 이를 근거로 신규공사에 적용하여 검증함으로써 합리적인 건축공사비 예측모형을 제시하였다[7].
그러나 CM at Risk 특성상 완성되지 않은 도서를 기준으로 GMP를 산정하기 때문에 불확실성이 내재되어 있다. 공동주택을 대상으로 한 CM at Risk 발주방식에서 CBR과 MCS기법을 활용하여 확률론적 초기 GMP 산정방안을 도출하고 발주자와 협의를 통하여 GMP을 확정하는 방안을 제시하였다. 제시된 확률론적 초기 GMP 산정방안의 실무 적용성을 검증하기위해 10건의 실제 프로젝트를 활용하여, 검증한 결과 초기 GMP의 평균 오차율은 7.
공동주택 공사비에 영향을 미치는 독립변수에 관해서는 그동안 많은 연구가 이루어졌지만 지역주택조합사업의 공사비에 영향을 미치는 독립변수에 관해서는 연구된 적이 없다. 이에 지역주택조합사업의 공사비에 영향을 미치는 독립변수를 채택하기 위해서 종래의 공동주택 공사비에 관련된 선행연구결과를 분석 하고, Table 4와 같이 독립변수 7개(대지면적, 연면적, 지하층수, 지상층수, 주동수, 전체세대수, 공사기간)를선정하였다.
본 연구에서는 위의 5가지 방법 중 모든 독립변수를 회귀분석에 사용한 후, 단계적으로 가장 영향력이 낮은 독립변수부터 하나씩 제거하면서 예측모델을 만들어내는 후진제거법을 사용하여 공사비 자료의 7개(X1, X2, X3, X4, X5, X6, X7) 독립변수에 대한 회귀분석을 실시 하였다[10].
그러나 공사비의 결정 과정이 사업장별로 상이하고, 체계적이고 구체화된 정보의 형태로 공개되지 않고 정형화된 형태의 공사비 예측 모델이 없는 실정이다. 이에 본 연구에서는 이러한 여러 가지 한계점을 극복하고 보다 정형화되고 구체화된 공사비 예측모형을 연구하기 위해 2013년 1월 1일부터 2018 년 3월 31일까지 나라장터(국가종합전자조달시스템)에공고된 115개의 지역주택조합사업 공사비 자료를 수집하고, 다중회귀분석의 후진제거법에 의한 공사비 예측모형을 구축하였다. 다중회귀분석 결과 지역주택조합사업 공사비에 영향을 주는 요인은 대지면적, 연면적, 지하층수로 나타났다.

대상 데이터

본 연구는 지역주택조합사업 기획단계에서 합리적이고, 정확하게 공사비를 예측하는 것이 본 연구의 목적 이므로 연구의 범위를 지역주택조합사업의 공동주택 사업 승인 시점까지의 초기단계에서 산정되는 예정공사비로 연구의 범위를 한정한다. 지역주택조합사업 공사비에 영향을 미치는 건축개요의 정보 중에서 핵심요인을 추출하고, 다중회귀모델을 구축하기 위한 실적자료는 전국의 지역주택조합사업을 대상으로 하여 자료를 수집하였다.
본 연구는 지역주택조합사업 기획단계에서 합리적이고, 정확하게 공사비를 예측하는 것이 본 연구의 목적 이므로 연구의 범위를 지역주택조합사업의 공동주택 사업 승인 시점까지의 초기단계에서 산정되는 예정공사비로 연구의 범위를 한정한다. 지역주택조합사업 공사비에 영향을 미치는 건축개요의 정보 중에서 핵심요인을 추출하고, 다중회귀모델을 구축하기 위한 실적자료는 전국의 지역주택조합사업을 대상으로 하여 자료를 수집하였다.
첫째, 지역주택조합사업 기획단계에서의 공사비 예측 모델을 개발하기 위해서 2013년 1월 1일에서 2018년 3월 31일까지 나라장터(국가종합전자조달시스템)[1]에 주택법 제43조 제1항에 의하여 공동주택 감리자 지정을 위해 공고된 지역주택조합사업 공사비 자료를 수집 한다. 수집된 공사비 자료는 지역과 시기가 각기 다르므로 2018년 3월 기준으로 공사비 산출시점을 통일시키기 위해, 115개 사례의 공사비 자료에 건설공사비지수를 적용 하였다.
지역주택조합사업의 공사비 예측모델을 개발하기 위하여 2013년 1월 1일에서 2018년 3월 31일까지 나라장터(국가종합전자조달시스템)에 등록된 총 115개의 지역 주택조합사업 공사비 자료를 Table 3과 같이 수집하였다.

데이터처리

넷째, 독립변수와 종속변수의 변화를 연구하기 위해 회귀분석 통계프로그램인 SPSS 21.0 소프트웨어에서 상관관계분석, 다중회귀분석을 실시하여 지역주택조합사업 공사비 예측모델을 제시한다.
다중회귀분석에 이용되는 종속변수와 독립변수의 인과관계를 알아보기 위해 상관관계분석을 실시하였다. 상관관계분석은 2개의 변수 사이의 관계가 선형적 의미의 관계가 얼마나 있는지 파악하는 분석이다.

이론/모형

상관관계분석은 2개의 변수 사이의 관계가 선형적 의미의 관계가 얼마나 있는지 파악하는 분석이다. 본 연구에서는 피어슨 상관계수를 사용하였다. 피어슨 상관계수를 사용한 분석결과는 Table 6과 같다.

성능/효과

여섯째, 지역주택조합사업 기획단계의 공사비 예측모델의 실무에 대한 활용 가능성과 유용성을 제시한다.
Model은 근래에 이웃 조회 방법의 과정에 의해 산출한 사례의 공사비 정보를 사용하여 예측 대상의 공사비를 산정하였다. 예측모델을 검증한 결과, AACE에서 정한 견적시기별 예측 정확도와 회귀계수, 동일가중치를 사용한 방법보다 예측정확도가 낮았다[4].
남군 외 3인(2014)의 연구는 기존의 서포트벡터 모형과 인공신경망 모형을 비교하여 제안하는 모형의 예측정확도와 실효성을 검증한다. 같은 데이터를 대상으로 제안하는 서포트벡터 모형과 인공신경망 모형으로 각각 공사비를 예측하였을 때의 실험결과를 보면 제안하는 모형의 예측오차율이 8.06%로 인공신경망 모형의 10.89%보다 예측정확도가 더 정확하게 나타났다. 그리고 일정한 시간 내에 서포트벡터 회귀에 대한 전문지식이 없는 사용자가 기존의 서포트벡터 회귀모형으로 공사비를 예측할 경우 오차율이 9.
89%보다 예측정확도가 더 정확하게 나타났다. 그리고 일정한 시간 내에 서포트벡터 회귀에 대한 전문지식이 없는 사용자가 기존의 서포트벡터 회귀모형으로 공사비를 예측할 경우 오차율이 9.54% 나타났는데, 제안하는 서포트벡터 회귀모형을 사용했을 때에는 8.27%의 오차율을 나타냈다. 이를 통해 제안한 매개변수 표본추출 자동화 과정을 도입한 서포트벡터 회귀모형은 시행착오적인 과정을 거치지 않고서도 효율적이고도 정확하게 공사비예측을 할 수 있다는 것을 검증하였다[6].
27%의 오차율을 나타냈다. 이를 통해 제안한 매개변수 표본추출 자동화 과정을 도입한 서포트벡터 회귀모형은 시행착오적인 과정을 거치지 않고서도 효율적이고도 정확하게 공사비예측을 할 수 있다는 것을 검증하였다[6].
공동주택을 대상으로 한 CM at Risk 발주방식에서 CBR과 MCS기법을 활용하여 확률론적 초기 GMP 산정방안을 도출하고 발주자와 협의를 통하여 GMP을 확정하는 방안을 제시하였다. 제시된 확률론적 초기 GMP 산정방안의 실무 적용성을 검증하기위해 10건의 실제 프로젝트를 활용하여, 검증한 결과 초기 GMP의 평균 오차율은 7.6%, 2차 GMP의 평균 오차율은 3.9%로 도출되었으며, 정확도가 비교적 높은 것으로 나타났다[8].
후진제거법에 의한 회귀분석 결과, 5개의 모형이 도출되었고, 이중에서 유의수준(p<0.1), 공선성(VIF<10) 등이 분석기준을 충족하고, R-Square(R2) 값이 가장 높은 모형 5를 예측모델로 채택하였다.
피어슨 상관계수를 사용한 분석결과는 Table 6과 같다. 독립변수들 중에서는 연면적ㆍX2(0.990), 전체세대수ㆍX6(0.977), 대지면적ㆍX1(0.883), 주동수ㆍX5(0.820)등의 순으로 종속변수(공사비ㆍY)와의 상관관계가 높은 것으로 나타났다.
1 이하의 통계학적으로 유의하게 도출된 독립변 수는 대지면적(X1), 연면적(X2), 지하층수(X3)이다. 공선성 진단 결과 공차한계 값이 0.1 이하의 값이 없고, 분산팽창계수(VIF) 값은 10이하로 나타나 다중공선성은 없는 것으로 분석되었다.
2018년 4월 11일에서 2018년 7월 11일까지 나라장터 (국가종합전자조달시스템)에 등록된 총 12개의 예측모델 구축에 포함되지 않은 지역주택조합사업을 검증 대상으로 하여 등록된 실제공사비와 예측모델에 의해 산출된 예측공사비를 비교한 Table 8의 결과 평균 오차율은 4.87%로 나타났다. 이는 지역주택조합사업의 기획단계 에서 공사비 예측에 관한 연구가 없어 비교가 불가능하나, 기존에 사용하던 단위면적에 대한 단가산정방식에 비하여 높은 예측 정확도를 가짐으로써, 향후 지역주택 조합사업의 기획단계에서 공사비 산출업무에 적용 가능성이 높고, 지역주택조합사업의 사업예산 수립에 기여할 수 있을 것으로 판단된다.
이에 본 연구에서는 이러한 여러 가지 한계점을 극복하고 보다 정형화되고 구체화된 공사비 예측모형을 연구하기 위해 2013년 1월 1일부터 2018 년 3월 31일까지 나라장터(국가종합전자조달시스템)에공고된 115개의 지역주택조합사업 공사비 자료를 수집하고, 다중회귀분석의 후진제거법에 의한 공사비 예측모형을 구축하였다. 다중회귀분석 결과 지역주택조합사업 공사비에 영향을 주는 요인은 대지면적, 연면적, 지하층수로 나타났다. 예측 모형의 수정된 R-Square값은 0.
다중회귀분석 결과 지역주택조합사업 공사비에 영향을 주는 요인은 대지면적, 연면적, 지하층수로 나타났다. 예측 모형의 수정된 R-Square값은 0.982로 높은 설명력으로 나타났으며, 유의확률 및 공선성이 통계학적으로 타당하다고 입증되었다.

후속연구

87%로 나타났다. 이는 지역주택조합사업의 기획단계 에서 공사비 예측에 관한 연구가 없어 비교가 불가능하나, 기존에 사용하던 단위면적에 대한 단가산정방식에 비하여 높은 예측 정확도를 가짐으로써, 향후 지역주택 조합사업의 기획단계에서 공사비 산출업무에 적용 가능성이 높고, 지역주택조합사업의 사업예산 수립에 기여할 수 있을 것으로 판단된다.
본 연구의 시사점은 지역주택조합사업 공사비 예측모델을 객관적이고 합리적인 자료를 통해서 증명했다는 점에서 기존 연구자들의 연구와 차별성을 가진다고 볼 수 있다. 공사비 실증분석을 통하여 건축개요의 공사요소 중 각각의 개별 요인의 영향을 비교분석할 수 있어 연구의 실무 적용 가능성도 높다고 판단된다. 본 연구결과를 통해 지역주택 조합사업 조합원들은 공사비의 적정성을 합리적으로 추정할 수 있고, 시공자, 설계자, 건설사업관리자 등 사업 참여자 들은 사업 참여를 위한 공사비의 범위를 예측할때 실질적으로 도움을 줄 수 있을 것으로 예상된다.
공사비 실증분석을 통하여 건축개요의 공사요소 중 각각의 개별 요인의 영향을 비교분석할 수 있어 연구의 실무 적용 가능성도 높다고 판단된다. 본 연구결과를 통해 지역주택 조합사업 조합원들은 공사비의 적정성을 합리적으로 추정할 수 있고, 시공자, 설계자, 건설사업관리자 등 사업 참여자 들은 사업 참여를 위한 공사비의 범위를 예측할때 실질적으로 도움을 줄 수 있을 것으로 예상된다.
본 연구에서 사용된 공사비 자료는 모두 115개로 공사비 예측모형을 구축하기에는 충분하지만 시간적 범위가 2013년 1월 1일부터 2018년 3월 31일까지로 범위가 너무 넓다는 점은 건설공사비지수(주거용건물)로 시간적 범위에 대한 공사비 보정을 하였지만 연구의 한계점으로 남는다. 실제 공동주택시장은 정부의 부동산정책과 경제 정책, 개별지역의 개발요인으로 인하여 상당한 변동 폭을 가지고 있으며, 특히 공사비 자료의 시간적 범위가 너무 넓을 경우 해당지역의 공동주택 착공물량, 준공물량, 미분양물량과 미시경제변수, 거시경제변수 등에 공사비가 영향을 받기 때문이다.
실제 공동주택시장은 정부의 부동산정책과 경제 정책, 개별지역의 개발요인으로 인하여 상당한 변동 폭을 가지고 있으며, 특히 공사비 자료의 시간적 범위가 너무 넓을 경우 해당지역의 공동주택 착공물량, 준공물량, 미분양물량과 미시경제변수, 거시경제변수 등에 공사비가 영향을 받기 때문이다. 향후 연구에서는 이러한 한계점들을 극복하고, 보다 정교하고 합리적인 분석이 이루 어지길 기대한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	공동주택사업의 기획단계란?	공동주택사업의 기획단계는 프로젝트의 성격 및 영역 등을 설정하는 단계로서, 발주자는 프로젝트의 예산을 정확하게 수립하기 위하여 공사비와 사업비를 예측하게 된다. 이렇게 예측된 공사비와 사업비는 프로젝트의 사업진행단계에 따라 지속적인 수정을 거치면서 구체화 되고 최종적으로 공동주택사업이 완료되면서 확정된다.
	컴퓨터를 이용한 공사비 예측모델은 전통적인 공사비 예측방법과 무엇이 다른가?	최근에는 컴퓨터를 이용하여 다양한 형태의 예측모델(Regression Analysis(회귀분석), Neural Networks(인공신경망), Case Based Reasoning(사례기 반추론), Genetic Algorithm(유전자알고리즘), Monte Carlo Simulation(몬테카를로시뮬레이션), Building Information Modeling(빌딩정보모델링))을 사용하여 공사비를 예측한다. 이는 전통적인 공사비 예측방법인 설계도면으로부터 내역을 산출하고 이에 따라 공사비를 산출하는 상향식 공사비 예측방법과 대비되는 하향식 공사비 예측방법으로 사업초기의 기획단계에서 신속한 공사비 예측에 적용된다. 공동주택사업은 최근 지속적으로 차별성 있는 외관과 다양한 평면의 개발로 인하여 다양화, 복합화, 대형화되고 있다.
	컴퓨터를 이용한 공사비 예측방법은 어떤 것들이 있는가?	즉, 프로젝트의 건축개요(대지면적, 연면적, 지하층수, 지상층수, 주동수, 전체세대수, 공사기간 등)의 개략정보를 이용하여, 과거의 유사한 사례의 프로젝트를 수집하며, 이를 기반으로 하여 프로젝트의 단위 면적당 공사비를 사용하거나, 건축개요가 유사한 프로젝트들의 공사비 산출내역을 변형, 조합, 수정하여 프로젝트의 공사비를 예측한다. 최근에는 컴퓨터를 이용하여 다양한 형태의 예측모델(Regression Analysis(회귀분석), Neural Networks(인공신경망), Case Based Reasoning(사례기 반추론), Genetic Algorithm(유전자알고리즘), Monte Carlo Simulation(몬테카를로시뮬레이션), Building Information Modeling(빌딩정보모델링))을 사용하여 공사비를 예측한다. 이는 전통적인 공사비 예측방법인 설계도면으로부터 내역을 산출하고 이에 따라 공사비를 산출하는 상향식 공사비 예측방법과 대비되는 하향식 공사비 예측방법으로 사업초기의 기획단계에서 신속한 공사비 예측에 적용된다.

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증