[논문]건설 현장에서 발생한 업무상 재해가 근로손실일수 심각도에 미치는 특징 중요도 분석

강경수; 최재현; 류한국

doi:10.5345/jkibc.2021.21.2.165

건설 현장에서 발생한 업무상 재해가 근로손실일수 심각도에 미치는 특징 중요도 분석
Analysis of the Feature Importance of Occupational Accidents Occurring at Construction Sites on the Severity of Lost Workdays 원문보기

한국건축시공학회지 = Journal of the Korea Institute of Building Construction, v.21 no.2, 2021년, pp.165 - 174

강경수 (Construction Engineering and Management Institute, Sahmyook University) , 최재현 (School of Architecturral Engineering, Korea University of Technology and Education (Koreatech)) , 류한국 (Department of Architectural, Sahmyook University)

초록
AI-Helper

건설업은 전체 산업 분야 중에서 가장 많은 재해와 사망자를 발생시키는 산업 분야이다. 건설안전 재해를 줄이기 위한 큰 노력이 진행되어왔지만, 사망사고를 제외한 근로자의 업무복귀시간까지 회복되는 근로손실일수에 관한 연구는 매우 적은 편이다. 따라서 본 연구는 근로손실일수를 심각도로 정의하여 이를 분류하는 모형을 제안하고 학습된 모형을 통해 특징 중요도를 도출하고 중요한 특징을 분석하고자 하였다. 블랙박스 모형인 랜덤 포레스트의 학습 과정을 해석하고 추출된 특징 중요도를 통해 근로손실일수 심각도에 영향력을 행사하는 중요 변수를 추출하였다. 추출된 특징을 통해 내부에 존재하는 요인들을 분석하였다. 본 연구의 목적은 건설 현장에서 발생한 사고 사례 데이터를 랜덤 포레스트 모형을 통해 분석하고자 하였다. 근로손실일수의 심각도에 미치는 중요한 특징을 도출해 체계적으로 관리한다면 건설 재해를 예방할 수 있다.

Abstract ▼ AI-Helper

The construction industry causes the most accidents and fatalities among all industries. Although many efforts have been made to reduce safety accidents in construction, the study on the lost workdays that return to work place is insufficient. Therefore, this study proposes a model that classifies the lost workdays lost into moderate and severity, and derives the importance of variable and analyzes important factors through the trained random forest model. We analyze the learning process of the random forest which is a black box model, and extracted important variables that impact on the severity of the lost workdays through the extracted feature importance. The factors existing inside were analyzed through the extracted variables. The purpose of this study is to analyze the accident case data at the construction site through a random forest model and to review variables that have a high impact on the lost workdays. In the future, this sutdy can apply to improve construction safety management and reduce the accident of industrial accidents.

주제어

표/그림 (6)

그림 Figure 1. Process of the study
표 Table 1. Summary of dataset on occupational accident/injures in construction sites
그림 Figure 2. Frequent lost workdays based on the occupational accidents
그림 Figure 3. Occupational accident types based on the lost workdays
그림 Figure 4. Example of variation based on hyper-parmeter of max depth
그림 Figure 5. Comparison of feature importances between MDI and MDA

AI 본문요약
AI-Helper

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

문제 정의

건설안전 재해를 줄이기 위한 큰 노력이 진행되어왔지만, 사망사고를 제외한 근로자의 업무 복귀시간까지 회복되는 근로손실일수에 관한 연구는 매우 적 은 편이다. 따라서 본 연구는 근로손실일수를 심각도로 정의 하여 이를 분류하는 모형을 제안하고 학습된 모형을 통해 특 징 중요도를 도출하고 중요한 특징을 분석하고자 하였다. 블 랙박스 모형인 랜덤 포레스트의 학습 과정을 해석하고 추출된 특징 중요도를 통해 근로손실일수 심각도에 영향력을 행사하 는 중요 변수를 추출하였다.
이와 반대로 MDA 기법으로 추출한 중요도의 편차가 MDI보다 상대적으로 적다. 따라서 본 연구는 특징 중요도를 추출하는 연구에서 기본적인 MDI보다 MDA 방법을 제안한다. MDA는 매번 새로운 모형을 학습할 때 변수를 하나씩 제거하면서 해당 변수가 학습에 영향이 없다고 판단하는 과정을 통해 중요도를 추출하기 때문에 좀 더 높은 신뢰성을 가진다.
기존 의사결정 나무와 다르게 확률모형인 랜덤 포레스트는 블랙박스 모형이지만, 모형을 해석할 수 있는 다양한 기법들이 연구되고 있다. 랜덤 포레스트 모형 해석에 사용되는 기본적인 MDI(mean-decrease impurity)와 확장된 개념인 MDA(mean-decrease accuracy) 두 가지를 통해 근로손실일수 심각도에 영향을 미치는 잠재된 특징을 발견하고자 한다.
본 연구는 건설 현장에서 업무상 재해로 인한 부상자를 대상으로 근로손실일수를 결정짓는 중요 특징을 발견하고자 한다. 수집한 데이터를 기반으로 근로손실일수에서 심각도를 정의하고 이에 영향을 미치는 특징을 데이터마이닝으로 접근하여 모형을 학습하고, 특징 중요도 추출 기법으로 결과를 분석한다.
본 연구는 데이터 마이닝을 통해 건설 현장에서 발생한 업무상 재해가 근로손실일수 심각도에 미치는 영향을 분석했다. 심각도에 미치는 영향 변수를 추출하기 위해 특징 중요도 기법으로 수치화하였고, 기존 연구들과 차이점을 발견했다.
불균형 클래스를 가진 데이터를 모형에 학습용으로 사용하게 되면 한쪽 클래스로 편향될 수 있어 새로운 데이터를 예측하지 못하는 부정확한 모형이 만들어진다. 본 연구는 데이터가 가진 근로손실일수를 불균형 클래스 문제를 해소하기 위해 네 개의 클래스를 균형을 맞추기 위해 이진 클래스(binary class)로 정의하였다. 이는 국내에서 중대 재해를 기준으로 하는 일수와 같아 근로손실일수 심각도(injury severity)는 180일 이하는 보통 (moderate), 181일 이상은 심각(severe)으로 구분하였다.
추출된 특징을 통해 내부에 존재 하는 요인들을 분석하였다. 본 연구의 목적은 건설 현장에서 발생한 사고 사례 데이터를 랜덤 포레스트 모형을 통해 분석하 고자 하였다. 근로손실일수의 심각도에 미치는 중요한 특징을 도출해 체계적으로 관리한다면 건설 재해를 예방할 수 있다.
기계학습 모형들이 좋은 대안이 될 수 있다. 특히, 정형데이터 학습에 활발히 사용되고 있는 랜덤 포레스트 모형을 선택해서 데이터의 잠재된 특징을 발견해보고자 하였다. 기존 의사결정 나무와 다르게 확률모형인 랜덤 포레스트는 블랙박스 모형이지만, 모형을 해석할 수 있는 다양한 기법들이 연구되고 있다.

제안 방법

(2) 개의 결정 트리를 훈련한다. (3) 훈련된 결정 트리들을 하나의 모형으로 결합하여 평균(average) 또는 투표(vote) 방식을 사용하여 결괏값을 예측한다.
나눴다. 그리고 구축할 모형에 사용될 하이퍼 파라미터를 설정하고 k-교차 검증(k-cross validation)을 5겹으로 사용하여 학습한 뒤 결과를 평가하고 일반화(generalization) 성능이 높을 때까지 반복한다.
2%로 심각(181일 이상) 클래스의 분류 성능이 매우 높다. 둘째, 두 가지 특징 중요도 적용하여 신뢰성 높은 MDA 방법을 제안하고 근로손실일수 심각도에 영향을 미치는 특징을 추출하였다. 추출된 중요한 특징은 질병명, 부상 부위, 불안전 상태, 안전 보호구 착용 여부이다.
둘째, 모형이 데이터를 학습할 수 있도록 원본 데이터를 정제하고 데이터를 모형이 학습하는 과정과 새로 정의된 근로손실일수를 분류하는 모형의 성능을 평가한다.
가장 좋은 접근 방법은 모든 경우의 수를 고려하여 최적의 파라미터를 찾는 것이 가장 좋겠지만 현실적으로 시간적·물리적 제약으로 불가능하다. 따라서 랜덤 포레스트 모형의 대표적인 하이퍼 파라미터 다섯 가지를 선택하고 해당 값의 구간을 지정한 뒤 무작위 탐색을 통해 랜덤 포레스트를 최적화하였다. Figure 5는 최적화 가정에서 모형의 성능이 수렴해가는 과정을 시각화한 것이다.
수 있다는 것을 확인하였다. 또한 본 연구는 기존의 업무상 재해 유형이 아닌 근로손실일수를 다시 심각도로 정의하여 이에 영향을 미치는 중요한 특징을 도출하고 분석하였다. 건설 현장의 안전 관리자는 건설 현장에서 기록된 데이터를 모형에 적용하여 건설안전사고로 인해 발생한 근로손실일수를 최소화하기 위한 영향 요인들을 파악함으로써 건설안전사고를 예방하고 개인, 기업, 사회적 비용을 최소화할 수 있다.
이를 배깅 (bagging)이라고 한다. 또한, 훈련 단계에서 임의 노드 최적화를 통해 목적 함수를 최대로 만드는 노드 분할 함수의 최적화된 매개변숫값을 구한다. 배깅[29]을 통해 모형을 훈련하는 과정은: (1) 부트스트랩으로 개의 훈련 데이터를 생성한다.
하였다. 본 데이터는 총 55개 변수가 있으나, 연구목적에 맞게 20개를 선택하였고 변수들의 특징으로는 순위형(ordinal) 또는 명목형(nominal)으로 전부 범주형 변수들이다. 변수 중 결측값을 가진 것은 공사금액(construction fund) 18개, 고용 형태 (employment type) 49개, 경력(career period) 463개, 안전 보호구 종류(personal protective equipment) 7, 751 개, 작업내용(work content) 2개, 떨어진 높이(heights) 6, 911개이다.
본 연구는 설명한 데이터를 기반으로 근로손실일수를 분석하였다. 연구설계는 다음 Figure 1과 같다.
따라서 본 연구는 근로손실일수를 심각도로 정의 하여 이를 분류하는 모형을 제안하고 학습된 모형을 통해 특 징 중요도를 도출하고 중요한 특징을 분석하고자 하였다. 블 랙박스 모형인 랜덤 포레스트의 학습 과정을 해석하고 추출된 특징 중요도를 통해 근로손실일수 심각도에 영향력을 행사하 는 중요 변수를 추출하였다. 추출된 특징을 통해 내부에 존재 하는 요인들을 분석하였다.
결측치가 많은 안전 보호구 종류와 떨어진 높이는 다음과 같이 전처리하였다. 사고가 발생한 후 조사하였을 때 안전 보호구를 착용하지 않은 상태로 결측치는 착용 안 함으로, 떨어진 높이는 업무상 재해 유형과 비교하여 떨어짐 재하가 아닌 대상자는 0으로 처리하였다. 산업 재해 데이터의 변수명과 세부 요인은 다음 Table 1과 같다.
추출된 중요한 특징은 질병명, 부상 부위, 불안전 상태, 안전 보호구 착용 여부이다. 셋째, 데이터 학습 기반 모형에서 가장 중요한 부분 데이터로, 기존 연구의 데이터와 비교하여 특징 중요도가 바뀌는 패턴을 분석하였다.
수집한 데이터를 기반으로 근로손실일수에서 심각도를 정의하고 이에 영향을 미치는 특징을 데이터마이닝으로 접근하여 모형을 학습하고, 특징 중요도 추출 기법으로 결과를 분석한다.
분석했다. 심각도에 미치는 영향 변수를 추출하기 위해 특징 중요도 기법으로 수치화하였고, 기존 연구들과 차이점을 발견했다. 연구의 결과는 다음과 같다.
이 장에서는 학습된 데이터에서 근로손실일수에 관한 탐색적 자료 분석, 랜덤 포레스트 모형을 학습 방법 및 성능 평가, 그리고 두 가지 특징 중요도를 도출하여 각 특징을 분석하고 논의한다. 근로손실일수 심각도를 분석하기 위해 Ubuntu 20.
첫째, 산업 재해 데이터를 가공하여 분류 문제로 접근하기 위해 근로손실일수 심각도를 탐색적 자료 분석하고 심각도 기준을 정의한다.
Figure 5는 최적화 가정에서 모형의 성능이 수렴해가는 과정을 시각화한 것이다. 최적화 과정은 50회 반복하였으며 반복 횟수 20회 중반 구간부터 성능의 변화가 없으며 이 구간에 나타난 하이퍼 파라미터가 최적해는 아니지만, 근사해로 받아들이고 모형의 학습을 종료하였다.
특징은 통계학에서 독립변수를 뜻한다. 추출된 특징을 분석하여 근로손실일수의 심각도에 따른 관계를 파악하고 해석한다.
블 랙박스 모형인 랜덤 포레스트의 학습 과정을 해석하고 추출된 특징 중요도를 통해 근로손실일수 심각도에 영향력을 행사하 는 중요 변수를 추출하였다. 추출된 특징을 통해 내부에 존재 하는 요인들을 분석하였다. 본 연구의 목적은 건설 현장에서 발생한 사고 사례 데이터를 랜덤 포레스트 모형을 통해 분석하 고자 하였다.

대상 데이터

근로손실일수 심각도를 분석하기 위해 Ubuntu 20.04 환경에서 Python 3.8 그리고 pandas 1.2, scikitlearn 0.24 버전의 라이브러리를 사용하였다.
본 연구는 2008년부터 2014년까지 전체 산업 분야 중 건설 현장에서 발생한 8, 921명의 재해자를 대상으로 하였다. 본 데이터는 총 55개 변수가 있으나, 연구목적에 맞게 20개를 선택하였고 변수들의 특징으로는 순위형(ordinal) 또는 명목형(nominal)으로 전부 범주형 변수들이다.
본 연구는 한국산업안전보건공단에서 수집한 데이터로 모든 산업 분야에서 산재 보상보험 처리된 사망자와 부상자에 대한 사고 당시와 이후의 상세한 정보를 기록한 산업 재해 데이터이다. 본 연구는 설명한 데이터를 기반으로 근로손실일수를 분석하였다.
이는 국내에서 중대 재해를 기준으로 하는 일수와 같아 근로손실일수 심각도(injury severity)는 180일 이하는 보통 (moderate), 181일 이상은 심각(severe)으로 구분하였다. 학습에 사용될 각 클래스의 개수는 보통 6, 064개이며 심각은 5, 161개이다. 심각도에 따른 영향 요인들을 분석하기 위한 기계학습 기법과 중요도 추출을 위한 방법은 다음과 같다.

이론/모형

랜덤 포레스트는 CART(classification and regression tree)를 사용한다[28]. CART는 다른 알고리즘과 다르게 이진 트리(binary tree)만 생성하며 리프 노드(leaf node)를제외한 나머지 노드는 자식 노드를 두 개씩 가진다.
그러나 평균 감소 불순도를 사용한 특징 중요도는 연속된 값이나 범주형 데이터에서 편향이 발생하여 매 결과가 달라질 수 있어서 신뢰성이 낮다[31, 32]. 이를 극복하기 위해 순열(permutation) 방법을 적용한 평균 감소정확도(mean decrease accuracy)를 사용하였다.

성능/효과

181일 이상 근로손실일수가 나타나는 업무상 재해 유형은 감전, 붕괴, 화재, 추락으로 심각한 사고로 나타났으며, 이와 반대는 부딪힘, 물체에 맞음, 넘어짐, 깔림-뒤집힘, 끼임과 같은 사고는 근로손실일수가 대부분 29 – 90 사이로 나타났다.
KOSHA의 산업재해 데이터에는 총 4개의 범주형 값으로 구성되어 있다. 28 일 이하의 근로손실일수가 가장 적으며 91일에서 180일, 29 일에서 90일 그리고 181일 이상 근로손실일수 순으로 빈도가 높게 나타났다. 직접적인 비교는 어렵지만, 미국 Department of Labor의 보고서에 따르면, 2019년 건설에서 발생한 근로손실일수는 평균 79일이다[33].
근로손실일수의 심각은 잘 구분되지만, 보통은 상대적으로 낮은 성능을 나타낸다. 그러나 심각한 건설 재해의 관리가 보통의 건설 재해보다 더 중점적으로 관리되어야 한다는 측면에서 분석할 가치가 높다고 판단하였다.
나머지 끼임, 물체에 맞음, 전복, 등은 중대 재해가 상대적으로 낮으며 28일 이하의 비율도 다른 사고들에 비해 높은 것으로 나타났다. 3대 다발 재해는 감김 끼임과 같은 안전사고이기 때문에 생명에 지장을 주는 정도의 재해는 아닌 것으로 판단된다.
떨어짐 사고는 떨어진 높이에 따라 심각한 신체적 손상이나 사망으로 이어지며 부상이라고 해도 근로손실일수가 매우 길다. 떨어짐으로 인해 발생하는 근로손실일수는 평균 44일로 나타났으며, 이로 인한 근로자 보상 및 입원비용이 가장 높은 재해로 연구되었다. 영국에서는 일과 관련된 건강 악화, 업무상 재해로 인하여 근로자 1인당 근로손실일수에 영향을 미치는 중요 질병들은 1, 540만 건 중 660만 건이 스트레스, 우울증, 근골격계 질환에 영향을 주는 것으로 나타났다.
모형의 전체적인 성능은 검증 데이터 정확도 80.01%, ROC-AUC 84.2%로 도출되었다. 근로손실일수의 심각은 잘 구분되지만, 보통은 상대적으로 낮은 성능을 나타낸다.
산업 재해를 예방하기 위해서는 안전 교육, 안전 불감증, 안전 보호구 착용을 잘하며 감시·관리가 중요하다. 본 데이터에서 재해의 절반 이상이 안전 보호구를 착용하지 않은 상태였기 때문에 안전 보호구의 착용 상태를 확인하는 것이 매우 중요하다고 분석되었다.
이러한 이유는 학습에 사용된 데이터의 설계와 건설안전에서 이론적인 불안전 행동이나 불안전 상태와 행동 등과 같이 상세한 정보를 수집하지 못했기에 나타난 경향으로 파악된다. 본 연구는 이런 것들과 불안전 행동, 기존 이론에서 나타난 불안전 행동상태 등과 같은 수치를 정량적으로 증명되었고, 특징의 중요도로 유의미하다고 판단된다.
본 연구에서는 기존의 건설안전 연구에서 제시한 특징 중요도 추출 기법과 제안한 방법에 따라 추출한 특징의 차이와 모형이 학습한 데이터에 따라 유의미한 분석 결과에 영향을 미칠 수 있다는 것을 확인하였다. 또한 본 연구는 기존의 업무상 재해 유형이 아닌 근로손실일수를 다시 심각도로 정의하여 이에 영향을 미치는 중요한 특징을 도출하고 분석하였다.
분석 결과, MDI의 특징 중요도의 순위는 질병명, 부상 부위, 안전 보호구 종류, 불안전 상태, 떨어진 높이, 불안전 행동, 기인물, 업무상 재해 유형 순으로 나타났으며, MDA의 중요도 순위는 질병명, 부상 부위, 불안전 상태, 불안전 행동, 떨어진 높이 등의 순서로 도출되었다. 업무상 재해 유형을 예측하는 기존 연구와 비교하면 업무상 재해 유형별 판별에 영향이 높은 변수는 발생 계절, 프로젝트 형태로 나타났으며[12], 인공신경망을 적용한 연구에서는 발생 계절, 프로젝트 유형, 고용 형태 등으로 중요도가 높다고 밝혔다.
연구의 결과는 다음과 같다. 첫째, 사고 데이터를 학습한 랜덤 포레스트 모형의 분류 성능은 84.2%로 심각(181일 이상) 클래스의 분류 성능이 매우 높다. 둘째, 두 가지 특징 중요도 적용하여 신뢰성 높은 MDA 방법을 제안하고 근로손실일수 심각도에 영향을 미치는 특징을 추출하였다.

후속연구

산업재해통계 업무처리 규정에 따르면 강도율은 근로시간 합계 1,000시간당 요양으로 인한 근로손실일수로 8단계를 정의한다[26]. 이를 통해 근로손실일수를 특정 기준으로 심각도로 정의하고 이에 영향을 미치는 특징을 분석한다면 건설업에서 발생하는 업무상 재해를 좀 더 객관적으로 평가할 수 있을 것이다.
건설 현장의 안전 관리자는 건설 현장에서 기록된 데이터를 모형에 적용하여 건설안전사고로 인해 발생한 근로손실일수를 최소화하기 위한 영향 요인들을 파악함으로써 건설안전사고를 예방하고 개인, 기업, 사회적 비용을 최소화할 수 있다. 차후 특징 중요도로 추출한 특징을 기반으로 특징 내 요인들이 근로손실일수에 영향을 미치는 연관관계와 같은 구체적인 연구가 필요하다.

참고문헌 (33)

Occupational Safety & Health Research Institute. Analysis of Industrial Accidents in 2019. Ulsan (Korea): Korea Occupational Safety and Health Agency; 2020. p. 7-640.
Kang KS, Ryu HG. Predicting types of occupational accidents at construction sites in Korea using random forest model. Safety Science. 2019 Dec;120:226-36. https://doi.org/10.1016/j.ssci.2019.06.034

상세보기
Ale BJM, Bellamy LJ, Baksteen H, Damen M, Goossens LHJ, Hale AR, Mud M, Papazoglou IA, Whiston JY. Accidents in the construction industry in the netherlands: An analysis of accident reports using storybuilder. Reliability Engineering & System Safety. 2008 Oct;93(10):1523-33. https://doi.org/10.1016/j.ress.2007.09.004

상세보기
Swuste P, Frijters A, Guldenmund F. Is it possible to influence safety in the building sector?: A literature review extending fro m 1980 until the present. Safety science. 2012 Jun;50(5):1333-43. https://doi.org/10.1016/j.ssci.2011.12.036

상세보기
Liao CW, Perng YH. Data mining for occupational injuries in the Taiwan construction industry. Safety science. 2008 Aug;46(7):1091-102. https://doi.org/10.1016/j.ssci.2007.04.007

상세보기
Winge S, Albrechtsen E. Accident types and barrier failures in the construction industry. Safety science. 2018 Jun;105:158-66. https://doi.org/10.1016/j.ssci.2018.02.006

상세보기
Hosseinian SS, Torghabeh ZJ. Major theories of construction accident causation models: A literature review. International Journal of Advances in Engineering & Technology. 2012 Sep;4(2):53-66.
Lopez-Alonso M, Ibarrondo-Davila MP, Rubio-Gamez MC, Munoz TG. The impact of health and safety investment on construction company costs. Safety science. 2013 Dec;60:151-9. https://doi.org/10.1016/j.ssci.2013.06.013

상세보기
Santana VS, Villaveces A, Bangdiwala SI, Runyan CW, Albuquerque-Oliveira PR. Workdays lost due to occupational injuries among young workers in Brazil. American journal of industrial medicine. 2012 Oct;55(10):917-25. https://doi.org/10.1002/ajim.22099. Epub 2012 Jul 27

상세보기
Manu P, Ankrah N, Proverbs D, Suresh S. An approach for deter mining the extent of contribution of construction project features to accident causation. Safety Science. 2010 Jul;48(6):687-92. https://doi.org/10.1016/j.ssci.2010.03.001

상세보기
Boden LI, Biddle EA, Spieler EA. Social and economic impacts of workplace illness and injury: current and future directions for research. American Journal of Industrial Medicine. 2001 Oct;40(4):398-402. https://doi.org/10.1002/ajim.10013

상세보기
Cho YR, Kim YC, Shin YS. Prediction model of construction safety accidents using decision tree technique. Journal of the Korea Institute of Building Construction. 2017 Jun;17(3):295-303. https://doi.org/10.5345/JKIBC.2017.17.3.295

원문보기 상세보기
Kim YC, Yoo WS, Shin YS. Application of artificial neural networks to prediction of construction safety accidents. The Journal of the Korean Society of Hazard Mitigation. 2017 Fed;17(1):7-14. https://doi.org/10.9798/KOSHAM.2017.17.1.7

상세보기
Kim EJ. Prediction model for construction safety accidents using random forest. Journal of The Regional Association of Architectural Institute of Korea. 2020 Oct;22(5):81-7.
Weil D. Valuing the economic consequences of work injury and illness: a comparison of methods and findings. American Journal of Industrial Medicine. 2001 Oct;40(4):418-37. https://doi.org/10.1002/ajim.1114

상세보기
Jeong WI, Lee KS, Jeon YI. Occupational accidents and foregone working days. Journal of Korean Economics Studies. 2011 Jun;29(2):139-74.
Choi JW, Kim TW, Lee CS. Effects of weather factors on the work loss days of the elderly workers. Korean Journal of Construction Engineering and Management. 2019 Jan;20(1):41-51. https://doi.org/10.6106/KJCEM.2019.20.1.041

원문보기 상세보기
Lee DB, Lee TY, Jo YC, Lee YS, Sim UT. Analysis of absenteeism factors of workers in manufacturing industries. Industrial Health. 1995 May;85:2-9.
Yoon JH, Jang SR, Im HK. Occupational accident prevention policy for middle-aged and old workers according to the trend of occupational accident. Ergonomics Society of Korea 2008 Conference; 2008 May 23; Gumi-si, Korea. Seoul (Korea): Ergonomics Society of Korea; 2008. p. 8-11.
Korea Health Industry Development Institute. Hospital management status survey - The average number of hospital stays for inpatients by type of salary [Internet]. Cheongju (Korea): Korea Health Industry Development Institute; 2015 Set 30. Available from: https://kosis.kr/statHtml/statHtml.do?orgId358&tblIdDT_358N_H409101
Jeong WM, Park CY, Koo JW, Roh YM. Predictors of return to work in occupational injured workers. Annals of Occupational and Environmental Medicine 2003;15(2):119-31.
Jo JH. A study on the Causes Analysis and Preventive Measures by Disaster types in Construction Fields. Conference of Korea Safety Management and Science; 2011 Nov; Cheonan-si, South Korea. Incheon (Korea): Korea Safety Management and Science; 2011. p. 23-34.
Ruser JW. The changing composition of lost-workday injuries. Monthly Labor Review. 1999 Jun;122(6):11-9.
Health and Safety Executive. Working days lost in Great Britain [Internet]. Merseyside (England): Health and Safety Executive; 2017. Available from: http://www.hse.gov.uk/statistics/dayslost.htm
Yang YS, Park JH, Lee CS. Accident risk analysis of construction workers by occupation. Journal of the Architectural Institue of Korea Structure & Construction. 2009;25(10):149-56.
Kim SG, An HY, Lee EH. A comparative study on the changes in indicators of occupational accidents and social and economic activities in OECD countries. Ulsan-si (Korea): Occupational Safety and Health Research Institute. 2009 Dec. Report No.: 2009-72-1264.
Kotsiantis SB. Supervised machine learning: A review of classification techniques. Emerging artificial intelligence applications in computer engineering. 2007 Jun;160:3-24.
Breiman L, Friedman J, Olshen R, Stone C. Classification and regression trees. CRC press. 1984. p. 237-51.
Geron A. Hands-on machine learning with Scikit-Learn and TensorFlow: concepts, tools, and techniques to build intelligent systems. 1st ed. Sebastopol (CA): O'Reilly Media. 2017. p. 189-211.
David D. Summing feature importance in Scikit-learn for a set of features [Internet]. StackExchange; 2017 [updated 2020 Sep 11; cited 2021 Feb 12]. Available from: http://bit.ly/2TYUjnu
Breiman L. Random forests. Machine learning. 2001 Oct;45(1):5-32.
Parr T, Turgutlu K, Csiszar C, Howard J. Beware Default Random Forest Importances. explained.ai [Preprint]. 2018 [cited 2021 Feb 12]. Available from: https://explained.ai/rf-importance/
U.S. Bureau of Labor Statistics. Employer-Reported Workplace Injuries and Illnesses (Annual) News Release [Internet]. U.S. Department of Labor, Washington (DC): U.S. Bureau of Labor Statistics; 2020 Apr 11 [updated 2020 Nov 4; cited 2021 Feb 28]. Available from: https://www.bls.gov/news.release/osh.htm

저자의 다른 논문 :

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