[논문]텍스트 마이닝 기법을 이용한 경찰청 업무 트렌드 분석

선현석; 임창원

doi:10.5351/kjas.2019.32.2.301

텍스트 마이닝 기법을 이용한 경찰청 업무 트렌드 분석
Analysis of the National Police Agency business trends using text mining 원문보기

응용통계연구 = The Korean journal of applied statistics, v.32 no.2, 2019년, pp.301 - 317

초록
AI-Helper

최근 통계적인 기법을 이용하여 대량으로 생산되고 있는 텍스트 데이터를 통해 다양한 인사이트 발굴을 하기 위한 연구가 활발히 진행되고 있다. 본 연구는 경찰청에서 생산하는 텍스트 데이터를 통해 연도별 경찰청의 업무 트렌드를 파악하고, 각 지방청별로 생산되는 문서에서 주요 키워드를 파악하여 지방청 간의 업무 특성을 비교하고자 하였다. 의미 있는 결론을 도출하기 위해 각 자료 특성에 맞는 전처리 과정을 시행하고 문서별 단어 빈도수를 계산하였다. 문서에 나타난 키워드의 단순 출현 빈도로는 해당 키워드가 문서에서 갖는 중요도를 설명하기 힘들기 때문에 단어-역문서 가중치를 이용하여 각 단어에 대한 빈도수를 새롭게 계산하였고 단어의 문서별 및 연도별 빈도 비교를 위해 L2 정규화 기법을 이용하였다. 이러한 분석은 향후 경찰청 업무 개선 정책에 새롭게 활용될 수 있는 기초 자료로 사용될 수 있으며, 경찰청 업무 효율성 향상 및 청내 업무 개선 수요 파악을 위한 방법으로 활용될 수 있다.

Abstract ▼ AI-Helper

There has been significant research conducted on how to discover various insights through text data using statistical techniques. In this study we analyzed text data produced by the Korean National Police Agency to identify trends in the work by year and compare work characteristics among local authorities by identifying distinctive keywords in documents produced by each local authority. A preprocessing according to the characteristics of each data was conducted and the frequency of words for each document was calculated in order to draw a meaningful conclusion. The simple term frequency shown in the document is difficult to describe the characteristics of the keywords; therefore, the frequency for each term was newly calculated using the term frequency-inverse document frequency weights. The L2 norm normalization technique was used to compare the frequency of words. The analysis can be used as basic data that can be newly for future police work improvement policies and as a method to improve the efficiency of the police service that also help identify a demand for improvements in indoor work.

주제어

표/그림 (15)

표 Table 2.1. Conﬁguration of text data used for National Police Agency business analysis
그림 Figure 2.1. Text mining procedure for National Police Agency business analysis.
그림 Figure 2.2. Example of Bag-of-words vector representation on text.
그림 Figure 2.3. Histogram of the top 300 words in the National Police Agency’s business report texts.
그림 Figure 3.1. Word clouds about each topic from National Police Agency White Paper.
표 Table 3.1. 7 topics from National Police Agency White Paper and top keywords in each topic
그림 Figure 3.2. Time series plot of words with (a) upward and (b) downward trend in Topic2-“Background and result of Police business”.
그림 Figure 3.3. Time series plot of words with (a) upward and (b) downward trend in Topic3-“Traﬃc safety and Police business”.
그림 Figure 3.4. Time series plot of words with upward trend in Topic4-“Public safety and Police business”.
그림 Figure 3.5. Time series plot of words with (a) upward and (b) downward trend in Topic6-“Social security and Police business”.
그림 Figure 3.6. Time series plot of words with (a) upward and (b) downward trend in Topic7-“Police business in globalization”.
그림 Figure 3.7. Word clouds for each Metropolitan Police Agency.
표 Table 3.2. Top 10 words by freqeuncy for each Metropolitan Police Agency
표 Table 3.3. Top 10 keywords by TF-IDF for each Metropolitan Police Agency
표 Table 3.4. Top 10 business-related keywords by TF-IDF for each Metropolitan Police Agency

AI 본문요약
AI-Helper

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

문제 정의

“교통문화”, “선진”, “운전면허”, “제도” 등을 통해 선진교통문화 정착을 위한 경찰활동을 살펴볼 수 있는 주제이다.
또한 지방청마다 고유한 업무 특징을 비교 분석하여 최종적으로는 경찰청의 업무 향상 및 청내 업무 수요 파악에 활용될 수 있도록 하였다. 또한 본 연구와 유사한 연구를 바탕으로 앞으로 경찰청 내에서도 텍스트 관련 연구가 활발하게 이루어질 수 있도록 하고자 하는 것이 본 논문의 목표이다.
물론 이에 대한 성과로 주민들의 체감안전도, 범죄 재범률 등의 정량적인 지표가 기본적으로 활용되고 이에 추가적으로 텍스트 데이터 기반의 정량적인 지표를 활용하여 더 나은 의사결정의 도구로서의 기능을 고려할 수 있다. 또한 지방청별 업무 보고에 나타난 단어들에 대한 비교를 통해 전반적인 지방청별 업무가 어떻게 이루어지고 있는지 살펴보았다. 공통적으로 나타난 주요 업무는 교통, 교육, 수사, 현장점검 등의 업무가 주를 이루었다.
분석결과를 종합해보면, 각각의 주제에서 증가하는 경향이 있는 단어와 감소하는 경향이 있는 대표적인단어들을 살펴보고, 이러한 추세를 통해 어떠한 정책이 반영된 결과인지 살펴보았다. 경찰백서의 자료특성을 생각해보면, 업무를 담당한 부서에서 한 해 동안의 성과를 정리하고, 새로운 목표를 이루기 위한 정책을 제시하고 있다.
광주 지방청에서는 “무등”, “광산”, “조선대”가 상위를 차지하였고, 대구지방청에서는 “성서”, “무학”, “수성” 순으로 나타났다. 이처럼 각 지방청 별로 지역에 대한 언급량을 통해 어느 관할지역에 업무가 중점적으로 이루어지고 있는지 분석 결과를 통해 알 수 있다.
Song 등 (2013)은 경제 분야에서의 텍스트 자료를 통해 한국 경제학에 대한 시각과 연구 동향을 파악하였다. 이처럼 분야를 막론하고 다양한 곳에서 텍스트 자료를 활용한 연구가 나타나고 있으며, 본 논문에서는 경찰청 업무 향상 및 개선에 활용하기 위한 인사이트 발굴을 목표로 경찰청에서 생산한 문서들에 텍스트 마이닝 기법을 적용하는 방법론과 분석 결과를 설명한다.

제안 방법

2)의 TF-IDF 식을 사용하였다. TF-IDF를 사용하기 전 상위 단어를 통해서는 해당 지방청의 업무 보고 내용을 비교하기 어렵기 때문에 [Table 3.3]에서와 같이 TF-IDF 가중치를 이용해 단어 빈도를 변환하여 상위 단어를 비교하였다.
1]과 같다. 경찰백서 텍스트 자료는 7개의 주제로 구분하여 분석을 진행하였고, 지방청 업무보고 텍스트 자료는 각 데이터를 생산한 16개의 지방청별로 구분하여 분석을 진행하였다.
범죄추세 및 주요 범죄 검거 주제와 경찰행정 주제에서는 추세가 나타나진 않았지만, 추후 연구에서 형태별 범죄수 데이터 또는 부서별 인력 배치와 같은 정형화된 데이터와 비정형 텍스트 데이터에서 나온 결과와의 연관성을 파악하여 인사이트를 도출하는 연구로 이루어 질 수 있다. 그리고 지방경찰청 업무 보고 자료를 이용하여 지방청 특징 키워드 추출을 위한 방법을 살펴보았고, 이 결과를 토대로 지방청 간 업무특성 차이를 갖는 단어들을 비교하였다. 이를 통해 전체적인 지방청의 업무 중점 사항과 각 지방청만의 특징을 갖는 업무들을 파악하여 전반적인 지방청 업무의 중요도를 확인할 수 있었다.
네 번째 주제인 국민생활과 경찰활동에 대한 분석에서는 해당 주제에서 연도별 변화가 뚜렷하게 나타난 단어들을 파악하였다. [Figure 3.
두 번째로는 각 지방청에서 생산하는 일일업무보고, 주간업무보고 등의 업무 보고 문서를 이용하여 분석에 진행하였다. 16개의 지방청(인천지방청 제외)에서 생산하는 문서로 자료 기간은 2016년 5월부터 2017년 5월까지 약 1년간의 업무 활동을 기록해놓았다.
문서의 의미를 파악하는데 있어 문서의 길이가 서로 다른 경우 단순 출현빈도를 통해서는 한 단어에 대한 문서별 비교가 불가능하다. 따라서 단어에 대한 문서별 빈도 비교를 위해 TF-IDF로 계산된 값에 L2 정규화를 적용하여 분석을 수행하였다. L2 정규화는 벡터의 유클리디안 크기(Euclidean norm)가 1이 되도록 스케일을 조정하는 방법이다 (Kothe, 1983).
따라서 직책을 나타나는 단어를 분석에서 제외하기 위해 “∼계장”, “∼팀장”, “∼관리관” 등의 단어를 뽑아내고 원자료에서 이 단어들을 삭제한 후 업무 내용에서 나온 단어만 분석에 반영될 수 있도록 전처리를 수행하였다.
변환된 데이터를 통해 해당 문서를 특징짓는 키워드를 추출하였다. 또한 연도별 또는 월별 자료의 경우 단순선형회귀분석을 통해 증가추세나 감소추세가 나타난 단어들을 추출하여 경찰청 업무 트렌드를 분석하였다. 이때, 데이터마다 문서의 길이, 즉 전체 단어의 수가 다르기 때문에 문서별 단어 출현 정도를 비교하기 위하여 L2 정규화(L2 normalization)를 적용하였다.
지방청별 업무 보고 문서에서 문서 단위는 지방청이고 전체 문서 집합 크기는 16에 불과하기 때문에 역문서빈도인 idf(t, D)에 로그를 취하지 않았다. 문서별 특징 단어를 추출하기 위해 상위 단어들의 출현빈도의 분포를 살펴보았다. [Figure 2.
반복적으로 나타나거나 텍스트에 대한 분석 내용을 방해할 수 있는 단어들의 패턴을 파악하고 원자료에서 제외하는 과정을 거친 뒤 형태소 분석된 결과를 통해 불용어(stopword)를 선정하였다. 트위터 형태소 분석기를 이용하여 조사를 제외하고 명사, 동사, 형용사로 태깅된 단어를 추출하였고 이때 명사로 잘못 추출된 조사들을 불용어 처리하였다.
형태소 분석 과정 후, Scikit-learn 라이브러리에 내장된 함수들을 통해 Bag-of-words 표현 방식을 기반으로 문서용어 행렬을 구축하고 단어빈도-역문서빈도(term frequency-inverse document frequency; TF-IDF) 가중치를 계산하여 데이터를 변환하였다. 변환된 데이터를 통해 해당 문서를 특징짓는 키워드를 추출하였다. 또한 연도별 또는 월별 자료의 경우 단순선형회귀분석을 통해 증가추세나 감소추세가 나타난 단어들을 추출하여 경찰청 업무 트렌드를 분석하였다.
본 논문에서 사용한 경찰백서 자료를 통해 이용하여 7가지 주제에 대한 워드클라우드를 그려봄으로써 경찰청 업무에 대한 전반적인 구성을 살펴볼 수 있었다. 또한 단어들의 트렌드를 분석하여 이슈가 되었던 정책들을 파악할 수 있었다.
또한 L2 정규화를 사용하는 대표적인 이유로는 문서 벡터의 코사인 유사도 비교 시, 정규화된 벡터는 이미 크기가 1로 표준화되어있기 때문에 두 벡터의 내적만으로도 유사도를 측정할 수 있다는 장점이 있기 때문이다 (Leopold와 Kindermann, 2002). 본 논문에서는 문서 간 유사도 분석을 수행하지 않았지만 추후 연구에 사용될 수 있는 측면을 고려하여 L2 정규화를 수행하였다. 문서 벡터에 대한 정규화 과정을 자세히 살펴보면, 정규화 전의 문서 벡터는 전체 단어 개수에 의해 정의되고 각 원소의 값은 Bag-of-words 방식에 따라 단어의 TF-IDF 값으로 표현된다.
여기에 문서 수가 많아지게되면 되면 전체문서 집합 D의 크기가 커짐에 따라 idf(t, D)의 값이 기하급수적으로 커지는 것을 방지하기 위해 로그를 취한 형태가 일반적이다. 본 연구에서는 데이터 형태에 맞는 TF-IDF 가중치를 구하기 위에 일반적인 형태에서 변형된 식을 이용하였다. 지방청별 업무 보고 문서에서 문서 단위는 지방청이고 전체 문서 집합 크기는 16에 불과하기 때문에 역문서빈도인 idf(t, D)에 로그를 취하지 않았다.
세 번째 주제로 교통안전과 경찰활동에 관한 분석 결과로 [Figure 3.3]에서 나타난 것과 같이 증가 추세를 가진 단어와 감소 추세를 띄는 단어를 파악하였다. “교통사고”와 “단속”에 대한 언급은 감소추세를 보이는 반면, 2011년을 기점으로 “확대”, “전국”, “도입”, “시행”, “구축”은 증가하는 경향이 있는 것으로 나타났다.
본 논문에서 사용한 자료는 경찰청이 발행한 경찰백서와 우리나라 16개의 지방경찰청에서 약 1년 동안 생산된 업무 보고 문서이다. 우리는 이 문서자료에 텍스트 마이닝 기법을 적용하여 각 자료에 나타난 키워드를 파악하고 키워드의 연도별 변화를 파악하는 분석을 수행하였다. 또한 지방청마다 고유한 업무 특징을 비교 분석하여 최종적으로는 경찰청의 업무 향상 및 청내 업무 수요 파악에 활용될 수 있도록 하였다.
워드클라우드를 통해 상위 단어들과 전체적인 출현 단어를 시각적으로 확인하여 각 주제에 대한 전반적인 탐색을 거친 후, 각 주제별로 나타난 단어들의 변화를 파악하는 분석을 수행하였다. 각 주제별로 분석 결과에 기술된 내용은 해당 자료에서 발굴한 인사이트를 위주로 제시하였다.
따라서 단어의 출현 빈도인 에 로그를 취하여 가중치를 계산하였다. 위와 같은 문제를 해결하고자 본 논문에서는 해당 자료에서 문서별 특징 키워드 추출을 위한 기존 형태의 식을 변형하여 다음과 같은 새로운 식 (2.2)를 제안하였다:
2]는 Bag-of-words 표현 방식의 예로, 형태소 분석후 각 단어의 고유 인덱스를 기반으로 문장에서 단어가 나타나면 해당 인덱스에 +1을 하여 각각의 문장을 전체 단어 수 길이만큼의 벡터로 표현하는 과정이다. 이 표현 방법을 기반으로 용어-문서 행렬(term-document matrix)를 구축하여 각 문서의 벡터 값이 그 문서에 출현한 단어의 빈도로 구성되게 데이터를 정형화 하였다.
연도마다 목차의 이름은 조금씩 다르지만 매년 총 7가지의 반복되는 주제를 기반으로 작성되어있다. 이를 통해 각 주제별로 나타나는 단어들을 파악하고 연도별로 각 주제에서 나타나는 단어 트렌드를 파악하였다.
이외에도 텍스트 자료에 나타난 상위 단어들을 한눈에 파악할 수 있는 방법인 워드클라우드를 그려 전체적인 문서의 특징을 살펴보고, 회귀분석을 통해 파악한 증가추세와 감소추세 단어의 연도별 그래프를 통해 시각적인 분석을 수행하였다. [Figure 2.
이처럼 분석 결과를 통해 전체적인 지방청의 주요 업무를 살펴보고, 단어의 중요도를 고려하여 해당 지방청의 특징적인 키워드를 살펴보았다. 이러한 결과를 통해 지방청의 업무 방향성을 파악할 수 있는 기초 자료로 활용하고 정책 의사 결정시 전반적인 업무 요약과 지방청 특색을 파악할 수 있는 자료로 활용되어 경찰청 업무 향상에 기여할 수 있을 것으로 기대된다.
이후 각 지방청의 업무적 특성을 띄는 단어를 찾기 위해 지역을 제외하고 상위 키워드를 살펴보았다. [Table 3.
데이터베이스화된 자료를 파이썬 프로그램 (Python Softwoare Foundation, 2017)의 내장 함수들을 바탕으로 한글 형태소 분석에 사용되는 라이브러리인 KoNLPy (Park과 Cho, 2014), 기계 학습 오픈 소스 라이브러리인 Scikit-learn (Pedregosa 등, 2011) 등을 사용하여 분석을 수행하였다. 텍스트 마이닝에서 의미 있는 결론을 도출하고자 각각의 데이터에 대해 전처리 과정을 수행하였고, KoNLPy 라이브러리에 내장된 트위터 형태소 분석기를 사용하여 문서에 나타난 단어들을 추출하였다. 트위터 형태소 분석기는 다른 오픈 소스로 제공되는 한글 형태소 분석기에 비해 처리 속도가 빠르고 분석된 결과를 살펴보았을 때 비교적 정확하고 일관된 형태로 단어가 추출되었기 때문에 분석에 사용되었다.
반복적으로 나타나거나 텍스트에 대한 분석 내용을 방해할 수 있는 단어들의 패턴을 파악하고 원자료에서 제외하는 과정을 거친 뒤 형태소 분석된 결과를 통해 불용어(stopword)를 선정하였다. 트위터 형태소 분석기를 이용하여 조사를 제외하고 명사, 동사, 형용사로 태깅된 단어를 추출하였고 이때 명사로 잘못 추출된 조사들을 불용어 처리하였다. 예를 들어, “도록”, “하기에” 등 잘못 추출된 단어들을 파악하고 이와 같은 단어들은 텍스트의 의미를 파악하는데 도움이 되지 않기 때문에 분석에서 제외시켰다.
기록된 업무 내용은 지방청 중요일정, 당면추진업무, 근무현황 및 부서별 활동 내용 등이 있다. 해당 자료를 통해 지방청별로 생산한 문서에서 나타나는 특징 키워드를 추출하였다.
트위터 형태소 분석기는 다른 오픈 소스로 제공되는 한글 형태소 분석기에 비해 처리 속도가 빠르고 분석된 결과를 살펴보았을 때 비교적 정확하고 일관된 형태로 단어가 추출되었기 때문에 분석에 사용되었다. 형태소 분석 과정 후, Scikit-learn 라이브러리에 내장된 함수들을 통해 Bag-of-words 표현 방식을 기반으로 문서용어 행렬을 구축하고 단어빈도-역문서빈도(term frequency-inverse document frequency; TF-IDF) 가중치를 계산하여 데이터를 변환하였다. 변환된 데이터를 통해 해당 문서를 특징짓는 키워드를 추출하였다.

대상 데이터

두 번째로는 각 지방청에서 생산하는 일일업무보고, 주간업무보고 등의 업무 보고 문서를 이용하여 분석에 진행하였다. 16개의 지방청(인천지방청 제외)에서 생산하는 문서로 자료 기간은 2016년 5월부터 2017년 5월까지 약 1년간의 업무 활동을 기록해놓았다. 기록된 업무 내용은 지방청 중요일정, 당면추진업무, 근무현황 및 부서별 활동 내용 등이 있다.
경찰청에서 생산한 문서들 중에서 본 연구에서 사용된 자료는 경찰백서와 지방청 업무보고 자료이다. 우선 경찰백서 자료는 2010년부터 2016년까지 총 7개년의 경찰청 업무 활동을 기록한 텍스트 자료이다.
본 논문에서 사용한 자료는 경찰청이 발행한 경찰백서와 우리나라 16개의 지방경찰청에서 약 1년 동안 생산된 업무 보고 문서이다. 우리는 이 문서자료에 텍스트 마이닝 기법을 적용하여 각 자료에 나타난 키워드를 파악하고 키워드의 연도별 변화를 파악하는 분석을 수행하였다.
경찰청에서 생산한 문서들 중에서 본 연구에서 사용된 자료는 경찰백서와 지방청 업무보고 자료이다. 우선 경찰백서 자료는 2010년부터 2016년까지 총 7개년의 경찰청 업무 활동을 기록한 텍스트 자료이다. 경찰백서는 경찰청에서 역점을 두고 추진해 온 업무와 활동 상황을 충실히 기술하여 각 분야별로 변화되어 가는 경찰의 활동을 기록해 놓은 연간 문서이다.

이론/모형

데이터베이스화된 자료를 파이썬 프로그램 (Python Softwoare Foundation, 2017)의 내장 함수들을 바탕으로 한글 형태소 분석에 사용되는 라이브러리인 KoNLPy (Park과 Cho, 2014), 기계 학습 오픈 소스 라이브러리인 Scikit-learn (Pedregosa 등, 2011) 등을 사용하여 분석을 수행하였다. 텍스트 마이닝에서 의미 있는 결론을 도출하고자 각각의 데이터에 대해 전처리 과정을 수행하였고, KoNLPy 라이브러리에 내장된 트위터 형태소 분석기를 사용하여 문서에 나타난 단어들을 추출하였다.
추후 연구에서는 경찰 업무 관련신문기사와 같이 경찰백서나 업무보고 자료 외의 경찰 관련 텍스트 자료를 이용하여 문서에 나타난 핵심단어들을 살펴보고 자료에 맞는 분석 기법을 적용하는 분석으로 수행함으로써 경찰청 자료 사용자들의 요구나 전반적인 흐름을 파악하고 향후 정책 마련 시 기초 자료로 활용될 수 있도록 할 계획이다. 본 논문에서는 키워드의 출현 빈도에 따른 현상 분석을 중점으로 다루었기 때문에 해석 가능성이 높은 Bag-of-words 방식으로 연구를 진행하였다. Bag-of-words 방식 외에 Word2Vec (Mikolov 등, 2013)나 Glove (Pennington 등, 2014) 등의 임베딩 모형을 통한 단어와 문서에 대한 축소된 벡터의 분산 표현방식 등이 있고, 최근 단어의 임베딩을 이용하여 문서 분류와 감성 분석 등 다양한 분야에서 활용이 시도되고 있다.
본 연구에서는 분석에 사용되는 텍스트 데이터를 수치화하는 방법으로 Bag-of-words 방식을 이용하여 분석을 진행하였다. Bag-of-words 개념은 문서나 문장에 나타난 단어들의 출현빈도를 기반으로 단어에 대한 고유한 인덱스를 통해 해당 문서를 전체 단어 크기의 벡터 표현하는 방식이다 (Turney와 Pantel, 2010).
또한 연도별 또는 월별 자료의 경우 단순선형회귀분석을 통해 증가추세나 감소추세가 나타난 단어들을 추출하여 경찰청 업무 트렌드를 분석하였다. 이때, 데이터마다 문서의 길이, 즉 전체 단어의 수가 다르기 때문에 문서별 단어 출현 정도를 비교하기 위하여 L2 정규화(L2 normalization)를 적용하였다.
데이터 탐색을 통해 전체적으로 대부분의 지방청에서 수사, 검거, 치안, 교육, 홍보, 교통 업무 등이 중점적으로 이루어지는 것을 알 수 있다. 전반적인 업무 내용 파악과 더불어 지방청별로 문서를 통해 업무의 차이를 파악하기 위해서 해당 지방청 문서를 특징짓는 키워드를 추출하는 과정이 필요하여 식 (2.2)의 TF-IDF 식을 사용하였다. TF-IDF를 사용하기 전 상위 단어를 통해서는 해당 지방청의 업무 보고 내용을 비교하기 어렵기 때문에 [Table 3.

성능/효과

“가정폭력”, “성폭력” 등의 단어를 통해 국민의 안전을 위협하는 일상생활 범죄 예방에 힘쓰고 있으며, “보호”, “실종” 등을 통해 실종 아동 찾기 캠페인과 아동 보호 활동에 노력을 기울이고 있는 것을 확인 할 수 있다.
16개의 지방청 업무 보고 문서를 분석한 결과, 단순히 단어의 단순 출현 빈도를 통해서 각 지방청별 주요 업무는 파악할 수 있었지만, 각 지방청마다의 업무적 특징을 나타내는 키워드를 찾기에는 부족하였다. 텍스트 데이터 탐색을 목적으로 각 지방청별 워드클라우드를 그린 결과는 [Figure 3.
2013년을 기준으로 ‘4대 사회악 근절 전략’ 관련 단어들이 증가한 것과 2012년을 기준으로 도시교통정보시스템이 도입되어 교통 정책에서 이슈가 되었음을 확인할 수 있었다.
7가지 주제에 대해 워드클라우드를 살펴본 결과, 각 주제마다 추출된 상위 단어들이 뚜렷하게 구분됨을 알 수 있다. 경찰행정 부분에서는 “치안”, “인프라”, “확충”, “역량”, “강화” 등이 나타났다.
각 연도별로 “범죄”, “수사”, “검거”, “사이버” 등의 단어가 상위 단어로 나타났고 각 연도별로 기술된 내용 전개가 비슷하게 이루어진 것을 확인하였다.
네 번째 주제인 국민생활과 경찰활동의 워드클라우드를 살펴보면, “사회근절”, “아동”, “안전활동”, “운영”, “지킴이집” 등이 크게 나타났다.
다섯 번째 주제인 범죄 추세 및 주요 범죄 검거에서는 추세를 가진 단어를 파악할 수 없었다. 각 연도별로 “범죄”, “수사”, “검거”, “사이버” 등의 단어가 상위 단어로 나타났고 각 연도별로 기술된 내용 전개가 비슷하게 이루어진 것을 확인하였다.
다섯 번째 주제인 범죄 추세 및 주요 범죄 검거의 주요 키워드로는 “검거”, “금융”, “과학수사”, “범죄”, “사이버” 등이 나타났다.
7]에서 나타난 결과를 통해 대략적인 지방청별 업무 내용을 알 수 있다. 데이터 탐색을 통해 전체적으로 대부분의 지방청에서 수사, 검거, 치안, 교육, 홍보, 교통 업무 등이 중점적으로 이루어지는 것을 알 수 있다. 전반적인 업무 내용 파악과 더불어 지방청별로 문서를 통해 업무의 차이를 파악하기 위해서 해당 지방청 문서를 특징짓는 키워드를 추출하는 과정이 필요하여 식 (2.
두 번째 주제로 경찰활동 추진배경 및 성과에 대한 분석 결과를 살펴보면 2010년에 나타난 상위 단어들은 2011–2016년에는 나타나지 않고 반대로 2011–2016년에 나타난 상위 단어들은 2010년에는 하위권에서 나타났다 (해당 연도별 키워드 빈도표는 본문에 싣지 않았다).
두 번째 주제인 경찰활동 추진배경 및 성과에 해당하는 워드클라우드를 살펴보면, 눈에 띄는 단어는 “국민”, “개선”, “수사”, “추진”, “현장”이다.
마지막으로 세계화 시대 속의 경찰활동 분석 결과를 살펴보면 “범죄”, “검거”, “증가”, “세계”, “현황”은 감소하는 경향을 나타낸 반면, “치안”, “한류”, “협력”, “파견”은 증가하는 형태로 나타났다.
마지막으로 세계화 시대 속의 경찰활동에서는 “국제”, “기술유출”, “범죄”, “외국인” 등이 나타났다.
세 번째 주제인 교통안전과 경찰활동 주제에서는 “교통사고”, “문화정착”, “선진교통”, “운전면허” 등이 나타났다.
여섯 번째 주제인 사회안보와 경찰활동 부분에서는 “집회”, “시위”, “테러”, “북한”, “이탈” 등의 단어가 나타났다.
여섯 번째 주제인 사회안보와 경찰활동 주제에서 나타난 추세로는 2011년을 기점으로 “집회”, “시위”, “발생”, “불법”은 감소하는 경향을 보였고, “북한”, “안보”는 증가하는 추세로 나타났다.
우선 TF-IDF 가중치를 적용한 결과인 [Table 3.3]을 통해 각 지방청별로 특징적인 상위 키워드를 살펴보면 각 지방청마다 상위를 차지하고 있는 키워드는 해당 지방청에서 관리하는 행정지역 명으로 나타났다. 이를 통해 각 지방청마다 어느 지역에 관심이 집중되어 있는지를 알 수 있다.
우선 경찰백서에 나타난 7가지의 주제에 대해 연도를 구분하지 않고 워드클라우드를 통해 탐색한 결과, 각 주제를 대표하는 키워드들이 뚜렷하게 구분되어 나타났다. [Figure 3.
그리고 지방경찰청 업무 보고 자료를 이용하여 지방청 특징 키워드 추출을 위한 방법을 살펴보았고, 이 결과를 토대로 지방청 간 업무특성 차이를 갖는 단어들을 비교하였다. 이를 통해 전체적인 지방청의 업무 중점 사항과 각 지방청만의 특징을 갖는 업무들을 파악하여 전반적인 지방청 업무의 중요도를 확인할 수 있었다.

후속연구

경찰청 업무에서 새로운 정책을 제안하는 경우 또는 지방청 별로 다른 지방청과의 업무 비교를 통해 개선점을 제안하는 경우, 새로운 정책에 대한 근거로 이러한 분석 결과를 활용할 수 있을 것이다. 4대 사회악 근절 캠페인에 대한 성과를 검토하는 경우, 텍스트에 나온 언급량을 통해 해당 업무에 얼마나 집중했는지를 알 수 있는 자료로 활용될 수 있을 것이다. 물론 이에 대한 성과로 주민들의 체감안전도, 범죄 재범률 등의 정량적인 지표가 기본적으로 활용되고 이에 추가적으로 텍스트 데이터 기반의 정량적인 지표를 활용하여 더 나은 의사결정의 도구로서의 기능을 고려할 수 있다.
경찰청 업무에서 새로운 정책을 제안하는 경우 또는 지방청 별로 다른 지방청과의 업무 비교를 통해 개선점을 제안하는 경우, 새로운 정책에 대한 근거로 이러한 분석 결과를 활용할 수 있을 것이다. 4대 사회악 근절 캠페인에 대한 성과를 검토하는 경우, 텍스트에 나온 언급량을 통해 해당 업무에 얼마나 집중했는지를 알 수 있는 자료로 활용될 수 있을 것이다.
행정 부분에서 중요한 키워드인 치안 인프라 확충과 역량 강화를 통한 신뢰 구현을 비전으로 경찰청에서의 행정업무가 이루어지고 있는 것으로 보인다. 경찰청의 목표와 비전을 세우고 이를 이루기 위해 노력하는 경찰의 모습을 반영하기 위한 부분으로 경찰청의 정책 홍보 등에 활용하여 더 발전적인 경찰 행정이 이루어질 수 있을 것이다.
이처럼 두 가지 자료에 대해 단어의 증가 및 감소 추세를 파악하거나 특징 단어의 중요도 판별을 수행함으로써 경찰청 업무에서 어떤 정책이 반영되었는지 확인할 수 있었고, 연구 결과를 통해 앞으로 어떤 흐름의 정책이 필요한지에 대한 자료로 활용할 수 있을 것이다. 더불어 지방청 업무 보고 자료에 대한 분석 결과를 통해 지방청의 업무가 해당 지역에 알맞게 이루어지고 있는지에 대한 평가의 기초 자료로 활용되어 각 지방청의 업무 개선에 도움이 될 수 있을 것으로 기대한다. 추후 연구에서는 경찰 업무 관련신문기사와 같이 경찰백서나 업무보고 자료 외의 경찰 관련 텍스트 자료를 이용하여 문서에 나타난 핵심단어들을 살펴보고 자료에 맞는 분석 기법을 적용하는 분석으로 수행함으로써 경찰청 자료 사용자들의 요구나 전반적인 흐름을 파악하고 향후 정책 마련 시 기초 자료로 활용될 수 있도록 할 계획이다.
또한 ‘한국형 선진 치안 시스템’이 2015년에 실시되어 관련 단어들이 증가하였음을 확인하였다. 범죄추세 및 주요 범죄 검거 주제와 경찰행정 주제에서는 추세가 나타나진 않았지만, 추후 연구에서 형태별 범죄수 데이터 또는 부서별 인력 배치와 같은 정형화된 데이터와 비정형 텍스트 데이터에서 나온 결과와의 연관성을 파악하여 인사이트를 도출하는 연구로 이루어 질 수 있다. 그리고 지방경찰청 업무 보고 자료를 이용하여 지방청 특징 키워드 추출을 위한 방법을 살펴보았고, 이 결과를 토대로 지방청 간 업무특성 차이를 갖는 단어들을 비교하였다.
이처럼 분석 결과를 통해 전체적인 지방청의 주요 업무를 살펴보고, 단어의 중요도를 고려하여 해당 지방청의 특징적인 키워드를 살펴보았다. 이러한 결과를 통해 지방청의 업무 방향성을 파악할 수 있는 기초 자료로 활용하고 정책 의사 결정시 전반적인 업무 요약과 지방청 특색을 파악할 수 있는 자료로 활용되어 경찰청 업무 향상에 기여할 수 있을 것으로 기대된다.
이는 2012년을 기점으로 도시교통정보시스템(Urban Traffic Information System; UTIS)의 구축과 2014년에 정식 도입 이후, 2015년부터 확대 시행중인 것을 통해 관련 단어들의 언급이 증가한 것으로 추정된다. 이러한 추세를 갖는 단어를 통해 경찰청의 사고를 줄이고 원활한 도시 교통 체계를 구축하기 위한 교통 관리 업무에 활용될 수 있을 것이다. 키워드들의 연도별 상대적인 언급량과 교통사고 수, 부상자 수 및 출퇴근 도로 혼잡도 등의 수치 데이터와의 연관성을 비교해보고 어떤 교통 관련 정책이 효과적으로 이루어 졌는지에 대한 평가지표로써 활용될 수 있을 것이다.
추가적으로 해당 지방청에서 특징적으로 나타나는 키워드를 비교해보았을 때, 해당 지방청의 지역적 특징이 뚜렷하게 구분되었다. 이를 활용하여 지역별 범죄건수 또는 사고 발생수 같은 정형화된 데이터와 지역 언급량과의 상관관계를 통해 지방청별로 관할지역에 대한 지역 집중도가 효율적으로 이루어지고 있는지 평가할 수 있는 자료로 활용할 수 있다. 지역적 특징을 제외하고 업무적인 특징을 비교하였을 때, 지방청별로 상호보완적인 정책 결정 구조를 확립할 수 있을 것이다.
이처럼 두 가지 자료에 대해 단어의 증가 및 감소 추세를 파악하거나 특징 단어의 중요도 판별을 수행함으로써 경찰청 업무에서 어떤 정책이 반영되었는지 확인할 수 있었고, 연구 결과를 통해 앞으로 어떤 흐름의 정책이 필요한지에 대한 자료로 활용할 수 있을 것이다. 더불어 지방청 업무 보고 자료에 대한 분석 결과를 통해 지방청의 업무가 해당 지역에 알맞게 이루어지고 있는지에 대한 평가의 기초 자료로 활용되어 각 지방청의 업무 개선에 도움이 될 수 있을 것으로 기대한다.
이를 활용하여 지역별 범죄건수 또는 사고 발생수 같은 정형화된 데이터와 지역 언급량과의 상관관계를 통해 지방청별로 관할지역에 대한 지역 집중도가 효율적으로 이루어지고 있는지 평가할 수 있는 자료로 활용할 수 있다. 지역적 특징을 제외하고 업무적인 특징을 비교하였을 때, 지방청별로 상호보완적인 정책 결정 구조를 확립할 수 있을 것이다. 예를 들어, 전남지방청의 경우 ‘유투브’를 통한 지방청 홍보 업무를 수행하여 해당 지방청에서 TF-IDF값이 높게 나타났고, 이에 대한 긍정적인 효과를 살펴봄으로써 다른 지방청에서도 시도해 볼 수 있을 것이고, 새로운 정책 아이디어를 수립하는데 활용될 수 있을 것이다.
이러한 특성 상 경찰백서 분석 결과는 과거의 각 주제마다 업무를 요약적으로 제시하고 있다. 추후 경찰백서의 발간이나 정책을 제안하는데 있어 본 분석 결과를 활용하여 과거의 트렌드를 살펴봄으로써, 더 효율적인 업무가 진행될 수 있을 것으로 보인다.
더불어 지방청 업무 보고 자료에 대한 분석 결과를 통해 지방청의 업무가 해당 지역에 알맞게 이루어지고 있는지에 대한 평가의 기초 자료로 활용되어 각 지방청의 업무 개선에 도움이 될 수 있을 것으로 기대한다. 추후 연구에서는 경찰 업무 관련신문기사와 같이 경찰백서나 업무보고 자료 외의 경찰 관련 텍스트 자료를 이용하여 문서에 나타난 핵심단어들을 살펴보고 자료에 맞는 분석 기법을 적용하는 분석으로 수행함으로써 경찰청 자료 사용자들의 요구나 전반적인 흐름을 파악하고 향후 정책 마련 시 기초 자료로 활용될 수 있도록 할 계획이다. 본 논문에서는 키워드의 출현 빈도에 따른 현상 분석을 중점으로 다루었기 때문에 해석 가능성이 높은 Bag-of-words 방식으로 연구를 진행하였다.
Bag-of-words 방식 외에 Word2Vec (Mikolov 등, 2013)나 Glove (Pennington 등, 2014) 등의 임베딩 모형을 통한 단어와 문서에 대한 축소된 벡터의 분산 표현방식 등이 있고, 최근 단어의 임베딩을 이용하여 문서 분류와 감성 분석 등 다양한 분야에서 활용이 시도되고 있다. 추후에는 본 연구에서 나타난 분석 결과를 기초 자료로 활용하고 다양한 기계학습 알고리즘들과 함께 더 수준 높은 인사이트 발굴을 목표로 후속 연구를 진행할 계획이다.
이러한 추세를 갖는 단어를 통해 경찰청의 사고를 줄이고 원활한 도시 교통 체계를 구축하기 위한 교통 관리 업무에 활용될 수 있을 것이다. 키워드들의 연도별 상대적인 언급량과 교통사고 수, 부상자 수 및 출퇴근 도로 혼잡도 등의 수치 데이터와의 연관성을 비교해보고 어떤 교통 관련 정책이 효과적으로 이루어 졌는지에 대한 평가지표로써 활용될 수 있을 것이다.

저자의 다른 논문 :

LOADING...

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