[논문]RFM 모형을 활용한 지역별 재해 위험도 분석 방법론 제안

김태진; 김성수; 전다희; 박상현

doi:10.15683/kosdi.2020.09.30.493

RFM 모형을 활용한 지역별 재해 위험도 분석 방법론 제안
Proposal Methodology for Disaster Risk Analysis by Region Using RFM Model 원문보기

한국재난정보학회논문집 = Journal of the Society of Disaster Information, v.16 no.3 = no.49, 2020년, pp.493 - 504

김태진 (Safety Research Division, National Disaster Management Research Institute) , 김성수 (Safety Research Division, National Disaster Management Research Institute) , 전다희 (Safety Research Division, National Disaster Management Research Institute) , 박상현 (Safety Research Division, National Disaster Management Research Institute)

초록
AI-Helper

연구목적: 본 연구는 재해위험지역을 개선하는 재해예방사업을 실시하는 과정에서 예방사업의 우선순위를 선정하기 위한 분석 방법론 제안을 목적으로 한다. 연구방법:최근성(Recency), 빈도성(Frequency), 화폐성(Monetary)을 기준으로 데이터의 등급을 나누고 타겟 마케팅을 수행할 수 있는 RFM 모형을 활용하여 데이터 분석을 수행하였다. 연구결과: RFM 값이 높은 상위 10% 지역이 동해와 남해 연안을 중심으로 나타났으며, 피해 유형을 살펴보면 사유시설의 피해 건수가 크게 나타났다. 결론: 본 연구에서는 RFM 모형을 활용하여 재해위험의 우선순위를 선정하고 GIS를 활용한 지역재해위험도를 구현하였다. 이러한 결과는 재해예방사업의 우선 사업대상지를 선정할 수 있는 기초자료와 재해예방사업의 의사결정 과정에서 기초자료로 활용되기를 기대한다.

Abstract ▼ AI-Helper

Purpose: The purpose of this study is to propose an analytical methodology for selecting the priority of preventive projects in the course of carrying out disaster prevention projects that improve disaster-hazardous areas. Method: Data analysis was performed using RFM model which can divide data grade and perform target marketing based on Recency, Frequency, and Monetary. Result: The top 10% of the area with high RFM value was mainly in the East Sea and the South Sea coast, and the number of damage in private facilities was high. Conclusion: In this study, we used the RFM model to select the priority of disaster risk and to implement the regional disaster risk using GIS. These results are expected to be used as basic data for selecting priority project sites for disaster prevention projects and as basic data in the decision-making process for disaster prevention projects.

주제어

표/그림 (13)

표 Table 1. The Present Status of Disaster
그림 Fig. 1. 3D matrix plotting in data
표 Table 2. RFM Index Definition and Content
그림 Fig. 2. Elbow method(Data clustering)
표 Table 3. RFM Class Standard
표 Table 4. RFM class ration and impact value of damage amount
표 Table 5. Summary of RFM analysis results
표 Table 6. RFM Analysis Result by City
그림 Fig. 3. RFM Average Value
표 Table 6. RFM Analysis Result by City (Continue)
그림 Fig. 4. RFM value (Top 10%)
표 Table 7. RFM region(Top 10%)
표 Table 8. RFM damage type (Top 10%)

AI 본문요약
AI-Helper

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

문제 정의

이러한 이유로 주요 평가항목을 구성하여 예방사업의 우선 대상지역 순위를 선정하고 있지만 비용 편익을 중심으로 시설과 지구 단위를 선정하고 개선의 기대효과만을 고려하면서 지역별 자연재해의 특성을 반영하기엔 한계가 있다. 본 연구에서는 이러한 문제점과 한계를 보완하기 위한 방안으로 재해예방사업의 우선 사업대상지를 고려하는 과정에서 지역별 취약 요소와 재해 유형별 위험도를 정량적인 수치로 비교하고 분석할 수 있는 방법론을 제안하고자 한다.

제안 방법

본 연구에서는 지역별 재해 특성을 고려하고 위험의 우선순위를 선정하고자 RFM 모형을 활용하였으며, 재해연보를 바탕으로 발생일자, 피해빈도, 피해금액을 회귀식으로 구성하여 시도별, 시군구별, 시군구의 피해유형별 정량적인 값을 도출하였다. RFM 분석 결과 제주 서귀포시의 사유시설 피해가 가장 큰값으로 나타나 재해예방사업 과정에 우선적으로 고려되어야 할 지역으로 판단된다.
Oppermann(2000)은 뉴질랜드 거주자의 여행기록 데이터를 바탕으로 관광지의 충성도를 분석하기 위하여 RFM 모형을 활용하였으며, 기존의 관광지 수요 예측보다 타당성이 높은 결론을 제시하였다. 이처럼 RFM 모형은 분석 데이터를 기준으로 타겟을 선별적으로 추출할 수 있다는 점과 데이터 테이블을 구성하여 등급을 나누고 관리할 수 있다는 장점을 착안하여, 본 연구에서는 RFM 모형을 활용한 자연재해의 위험 우선순위를 선정하고자 한다.

대상 데이터

지역별 재해 위험도 분석을 수행하기 위해서는 먼저 RFM의 각 지표에 입력 데이터를 정리하고 정의하는 과정이 필요하다. 본 연구에서는 매년 자연재난 피해 및 복구현황에 대한 주요 통계를 수록하여 체계적으로 관리되고 있는 재해연보를 활용하였다. 재해연보는 재해의 원인별, 지역별, 수계별, 기간별 등으로 분류하고 피해의 범위는 공공시설(도로, 소하천, 상하수도, 학교 등), 사유시설(건물, 축사, 농경지 등)로 구분되어 있어 RFM 지표로 활용하기 용이하다.
본 연구에서는 재해연보의 5개년(MOIS, 2014-2018)의 자료를 바탕으로 피해금액이 산정된 1,368건의 데이터를 대상으로 하였으며, 취합된 데이터를 시각적으로 확인하고자 Fig. 1와 같이 발생일자, 피해금액, 피해빈도를 3D Matrix를 구성하였다.

이론/모형

이러한 과정은 결과를 해석하거나 비교함에 있어서 용이하기 때문에 일반적으로 사용되는 방법이다. 본 연구에서는 적정한 Class 수를 산정하기 위하여 Elbow Method를 활용하였다. Elbow Method는 K-means 알고리즘을 활용하여 Clustering을 수행하는 과정에서 군집의 개수를 순차적으로 증가시키면서 오차제곱합(Sum of Squared Error)이 크게 변하지 않는 수준에 도달하게 되면 최적의 Cluster 개수로 판단하는 방법론이다.

성능/효과

RFM 모형을 활용한 분석 결과 시군구 단위별 재해의 유형별 RFM Class와 RFM 값을 확인할 수 있으며, Table 5는 그 결과 일부를 요약하여 구성하였다. RFM 점수를 기준으로 상위 10%의 경우에는 RFM 점수는 평균 9.
본 연구에서는 지역별 재해 특성을 고려하고 위험의 우선순위를 선정하고자 RFM 모형을 활용하였으며, 재해연보를 바탕으로 발생일자, 피해빈도, 피해금액을 회귀식으로 구성하여 시도별, 시군구별, 시군구의 피해유형별 정량적인 값을 도출하였다. RFM 분석 결과 제주 서귀포시의 사유시설 피해가 가장 큰값으로 나타나 재해예방사업 과정에 우선적으로 고려되어야 할 지역으로 판단된다. 또한, RFM 결과를 토대로 지역별 재해 위험의 특성을 확인하고자 GIS Tool을 활용한 결과 연안을 중심으로 RFM 값이 높게 형성된 것을 확인할 수 있었다.
RFM 상위 10% 지역을 Fig. 4와 같이 시각적으로 살펴보면 총 52개 시군구 중에서 32개 시군구가 연안을 중심으로 분포되어 있다는 것을 확인할 수 있었으며, 연안지역의 특성을 살펴보면 서해와 비교하여 동해와 남해 지역에서 RFM 값이 높게 형성되었다.
RFM 모형을 활용한 분석 결과 시군구 단위별 재해의 유형별 RFM Class와 RFM 값을 확인할 수 있으며, Table 5는 그 결과 일부를 요약하여 구성하였다. RFM 점수를 기준으로 상위 10%의 경우에는 RFM 점수는 평균 9.68점으로 평균 피해금액 2,224,460천원, 피해빈도 3.75건으로 나타났으며, 하위 10%의 경우에는 RFM 점수는 평균 1.86점으로 평균 피해금액 11,534천원, 피해빈도 1.19건으로 분석 되었다.
1와 같이 발생일자, 피해금액, 피해빈도를 3D Matrix를 구성하였다. 데이터를 살펴보면 매년 피해금액과 피해빈도가 증가하고 있는 추세로 2017년 이후 피해금액이 크게 증가한 것으로 나타났으며, 2018년의 경우에는 장마 기간의 집중호우와 태풍콩레이의 영향으로 자연재해 피해금액과 건수가 크게 증가된 것으로 확인되었다.
RFM 분석 결과 제주 서귀포시의 사유시설 피해가 가장 큰값으로 나타나 재해예방사업 과정에 우선적으로 고려되어야 할 지역으로 판단된다. 또한, RFM 결과를 토대로 지역별 재해 위험의 특성을 확인하고자 GIS Tool을 활용한 결과 연안을 중심으로 RFM 값이 높게 형성된 것을 확인할 수 있었다. 지역별 피해 유형을 살펴보면 공통적으로 사유시설에 대한 피해금액이 높은 것으로 나타났으며, 이는 연안지역의 여가 및 휴양시설 등 관광거점 개발과 토지 이용의 효율성을 강조하면서 비교적 재해가 취약한 연안지역의 사유시설이 재해의 피해를 증가시킨 주요 요인이라고 해석할 수 있다.
이처럼 고온의 현상만 나타나는 것은 아니었다. 사막지대인 사우디아라비아 북서부 타부크 지역에서는 최근 폭설이 내리는 이례적인 현상이 발생하였으며, 사하라 사막에서도 폭설이 내린 기록이 있다. 매년 크고 작은 산불이 발생한 호주는 최근 1100만 헥타르(ha) 이상의 산림이 소실되는 최악의 산불로 총 80조 원(추산)의 피해를 입었다.
47mm/yr) 순으로 매년 해수면이 상승하는 것으로 나타났다. 이러한 결과를 바탕으로 내륙과 비교하여 연안지역은 해수면 상승으로 인한 자연재해가 크게 증가될 것이며, 특히 해수면 상승률이 높은 동해와 남해 연안지역이 재해취약성이 크다고 판단할 수 있다. 때문에 재해예방사업 과정에서 동해와 남해 연안 취약지역에 더 많은 사업을 실시하여 위험요소를 사전에 제거할 필요성이 있다고 판단된다.
이러한 결과를 바탕으로 재해예방사업 과정에서 고려할 위험지역을 확인하고자 Table 7와 같이 RFM 상위 10% 지역을 추출하였으며, 상위 10% 지역은 총 11개 시도와 52개 시군구가 해당되는 것을 확인하였다. 지역별로 살펴보면 경상북도와 경상남도가 14개의 시군구로 가장 많이 포함되는 것으로 나타났으며, 다음으로는 전라남도의 12개의 시군구가 해당되었다.
이를 시도별로 구성하여 RFM 위험순위를 비교하면 Table 6와 같이 확인할 수 있으며, 기존 재해연보를 바탕으로 일반적인 집계 방법과 비교하여 해석에 큰 차이가 있음을 확인할 수 있다. 피해빈도의 경우에는 1순위 경상남도, 2순위 경상북도, 3순위 경기도로 나타났으며, 피해금액의 경우에는 1순위 경상북도, 2순위 부산광역시, 3순위 충청북도로 나타났다.
3와 같이 구현하였다. 재해 위험도는 시군구별로 RFM 점수를 평균화한 것으로 지리적 특성을 살펴보면 내륙의 경우에는 수도권을 중심으로 자연재해의 피해가 밀집되는 경향을 확인하였으며, 연안의 경우에는 RFM 값이 내륙과 비교하여 값이 크게 형성되고 골고루 분포되어 있는 경향을 확인하였다.
또한, RFM 결과를 토대로 지역별 재해 위험의 특성을 확인하고자 GIS Tool을 활용한 결과 연안을 중심으로 RFM 값이 높게 형성된 것을 확인할 수 있었다. 지역별 피해 유형을 살펴보면 공통적으로 사유시설에 대한 피해금액이 높은 것으로 나타났으며, 이는 연안지역의 여가 및 휴양시설 등 관광거점 개발과 토지 이용의 효율성을 강조하면서 비교적 재해가 취약한 연안지역의 사유시설이 재해의 피해를 증가시킨 주요 요인이라고 해석할 수 있다. 이러한 근거를 바탕으로 연안지역의 개발 과정에서 자연재해 피해를 최소화하기 위한 시설 안전기준 강화, 방재지구 설정 등의 다양한 대비책을 강구해야 할 것으로 보인다.
이러한 결과를 바탕으로 재해예방사업 과정에서 고려할 위험지역을 확인하고자 Table 7와 같이 RFM 상위 10% 지역을 추출하였으며, 상위 10% 지역은 총 11개 시도와 52개 시군구가 해당되는 것을 확인하였다. 지역별로 살펴보면 경상북도와 경상남도가 14개의 시군구로 가장 많이 포함되는 것으로 나타났으며, 다음으로는 전라남도의 12개의 시군구가 해당되었다.
이를 시도별로 구성하여 RFM 위험순위를 비교하면 Table 6와 같이 확인할 수 있으며, 기존 재해연보를 바탕으로 일반적인 집계 방법과 비교하여 해석에 큰 차이가 있음을 확인할 수 있다. 피해빈도의 경우에는 1순위 경상남도, 2순위 경상북도, 3순위 경기도로 나타났으며, 피해금액의 경우에는 1순위 경상북도, 2순위 부산광역시, 3순위 충청북도로 나타났다. 이처럼 피해빈도와 금액의 순위가 시도별로 상이하면서 일반적으로 시도별로 종합적인 위험 우선순위를 평가하기 어렵지만, RFM 모형의 경우에는 분석 결과를 정량적인 값으로 도출되면서 위험 우선순위를 값으로 비교할 수 있는 장점이 있다.

후속연구

제안된 RFM 모형을 활용한 재해 위험도 분석 방법은 재해예방사업과 위험지역 선정 과정에서 참고할 수 있는 기초 자료로 활용 가능할 것이라고 판단된다. 나아가 매년 발행되는 재해연보를 바탕으로 재해예방사업 이후 모니터링 과정에서 그 효과를 간접적으로 비교할 수 있는 근거자료로 활용할 수 있는 등 활용처가 있을 것으로 예상된다.
다만 본 연구에서 제시된 방법론은 공개된 데이터의 수와 세부적인 내용이 포함되지 않은 데이터를 활용하고 있어 분석의 한계성을 가지고 있다. 활용도를 높이기 위해서는 다음과 같은 추가적인 연구가 필요할 것으로 판단된다.
다만 이러한 과정은 예측 가능한 변수를 추출해야 하는 어려움이 있어 여러 가지 시나리오가 필요할 것으로 판단된다. 마지막으로는 가중치를 산정하는 과정에서 일반적인 기술통계 방법을 적용하였는데, 신뢰성 높은 가중치를 산정하기 위해서는 재해연보 데이터의 수를 비롯하여 재해의 유형을 세분화한 데이터가 추가적으로 필요할 것으로 판단된다.
지역별 피해 유형을 살펴보면 공통적으로 사유시설에 대한 피해금액이 높은 것으로 나타났으며, 이는 연안지역의 여가 및 휴양시설 등 관광거점 개발과 토지 이용의 효율성을 강조하면서 비교적 재해가 취약한 연안지역의 사유시설이 재해의 피해를 증가시킨 주요 요인이라고 해석할 수 있다. 이러한 근거를 바탕으로 연안지역의 개발 과정에서 자연재해 피해를 최소화하기 위한 시설 안전기준 강화, 방재지구 설정 등의 다양한 대비책을 강구해야 할 것으로 보인다.
본 연구는 재해예방사업의 우선순위를 선정하기 위한 방법으로 마케팅에서 활용되는 분석 방법을 제안하는 점에 그 의의가 있다. 제안된 RFM 모형을 활용한 재해 위험도 분석 방법은 재해예방사업과 위험지역 선정 과정에서 참고할 수 있는 기초 자료로 활용 가능할 것이라고 판단된다. 나아가 매년 발행되는 재해연보를 바탕으로 재해예방사업 이후 모니터링 과정에서 그 효과를 간접적으로 비교할 수 있는 근거자료로 활용할 수 있는 등 활용처가 있을 것으로 예상된다.
첫 번째로는 인명피해에 대한 위험도를 반영할 필요성이 있다. 현재 재해연보 데이터의 경우 재해 유형별 인명피해 데이터를 확인하기 어려움이 있기 때문에 재해 유형별 인명피해 자료와 인명피해에 대한 비용적인 추가 자료(재해 보험금)가 필요할 것으로 판단된다. 두 번째로는 과거의 데이터를 바탕으로 분석하였기 때문에 신규 위험지역을 발굴하기 어려운 문제점이 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	Elbow Method란?	본 연구에서는 적정한 Class 수를 산정하기 위하여 Elbow Method를 활용하였다. Elbow Method는 K-means 알고리즘을 활용하여 Clustering을 수행하는 과정에서 군집의 개수를 순차적으로 증가시키면서 오차제곱합(Sum of Squared Error)이 크게 변하지 않는 수준에 도달하게 되면 최적의 Cluster 개수로 판단하는 방법론이다. 1,368건의 데이터를 바탕으로 Elbow Method를 수행한 결과 Fig.
	과거의 데이터를 바탕으로 분석하여 신규 위험을 발굴하기 어려운 문제점을 해결하기 위해서는 무엇이 요구되는가?	두 번째로는 과거의 데이터를 바탕으로 분석하였기 때문에 신규 위험지역을 발굴하기 어려운 문제점이 있다. 이러한 문제를 해결하기 위해서는 시계열적인 패턴학습이나 빅데이터를 활용한 분석이 요구된다. 다만 이러한 과정은 예측 가능한 변수를 추출해야 하는 어려움이 있어 여러 가지 시나리오가 필요할 것으로 판단된다.
	현재 재해예방사업의 실정은?	기후변화로 인해 자연재해의 사회·경제적 피해 금액이 점진적으로 증가하면서 재해예방사업의 중요성이 대두되고 있다. 현재 재해예방사업은 취약시설을 중심으로 위험요인을 제거하며 개선의 효과를 확인하고 있지만, 평가방법과 우선순위를 고려하는 과정에서 취약시설과 지구 단위의 위험성만을 고려하는 실정이다. 이는 지역별 재해 특성을 고려한 예방사업을 할 수 없을뿐더러 재정자립도가 낮은 지자체의 경우, 반드시 필요한 재해예방사업이 우선순위에 밀려 지원을 받지 못하는 상황이 발생 할 수 있다.

참고문헌 (14)

Asian Disaster Reduction Center (ADR Center) (2005). Total Disaster Risk Management, ADRC, Japan.
Bult, J.R., Wansbeek, T. (1995). "Optimal selection for direct mail." Marketing Science, Vol. 14, No. 4, pp. 378-394.

상세보기
Gornitz, V. (1991). "Global coastal hazards from future sea level rise." Global and Planetary Change, Vol. 3, No. 4, pp. 379-398.

상세보기
Hu, Y.h., Kao, Y.h. (2011). "Mining sequential patterns with consideration to recency, frequency, and monetary." Pacific Asia Conference on Information System (PACIS), pp. 78.
Korea Hydrographic and Oceanographic Agency (KHOA) (2017). Retrieved from http://www.khoa.go.kr/user/bbs/detailBbsList.do?bbsMasterSeqBOARD_MST_0000000003&bbsSeqBBS_00000004664.
Lee, C.Y., Kim, T.H. (2016). "A study of the international disaster risk reduction framework." Journal of the Korean Society of Disaster Information, Vol. 12, No. 4, pp. 412-421.
Lee, S.J. (2019). "A framework for climate change risk management." Journal of the Korea Society of Disaster Information, Vol. 15, No. 3, pp. 367-379.
Ministry of the Interior and Safety (MOIS) (2014-2018) Statistical Yearbook of Natural Disaster.
Multihazard Mitigation Council (MMC) (2017). Natural Hazard Mitigation Saves: 2017 Interim Report, National Institute of Building Sciences (NIBS)
National Oceanic and Atmospheric Administraion (NOAA) (2020). Retrieved from https://www.ncdc.noaa.gov/sotc/national/202002.
Oppermann, M. (2000). "Tourism destination loyalty." Journal of travel research, Vol. 39, No. 1, pp. 78-84.

상세보기
Tatano, H., Takagi, A. (2005). A Economic Analysis of Disaster Precention: Policy and Evaluation of Risk Management, Keisoshobo Press, Tokyo, Japan.
Venton C,, Venton P. (2004). Disaster Preparedness Programmes in Inda: A Cost Benefit Analysis. Humani-tarian Practice Network. ODI, London.
Zhao, D. (2008). "Integrating RFM model and cluster for students loan subsidy valuation." In 2008 International Seminar on Business and Information Management, IEEE, Wuhan, China, Vol. 2, pp. 461-464.

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