해양사고 예방을 위해서는 사고의 원인과 결과에 대한 분석 및 진단뿐만 아니라, 사고의 발생 패턴과 변화 추이를 예측함으로 써 정량적 위험도를 제시할 필요성이 있다. 선박교통과 관련된 해양사고 예측은 선박의 충돌위험도 분석 및 항해 경로 탐색 등 선박교통 의 흐름에 관한 연구가 주로 수행되었으며, 해양사고의 발생 패턴에 대한 분석은 전통적인 통계 분석에 따라 제시되었다. 본 연구에서는 해양사고 통계 자료 중 선박교통관련 사고의 월별, 시간대별 발생 현황 데이터를 활용하여 해양사고 발생 예측 모델을 제시하고자 한다. 국내 해양사고 발생 현황 중 월별, 시간대별 데이터 집계가 가능한 1998년부터 2021년까지의 통계자료 중 선박교통 관련 데이터를 분류하 여 정형 시계열 데이터로 변환하였으며, 대표적인 인공지능 모델인 순환 신경망 기반 장단기 기억 신경망을 통하여 예측 모델을 구축하 였다. 검증데이터를 통하여 모델의 성능을 검증한 결과 RMSE는 초기 신경망 모델에서 월별 52.5471, 시간대별 126.5893으로 나타났으며, 관측값으로 신경망 모델을 업데이트한 결과 RMSE는 월별 31.3680, 시간대별 36.3967로 개선되었다. 본 연구에서 제안한 신경망 모델을 기 반으로 다양한 해양사고의 특징 데이터를 학습하여 해양사고 발생 패턴을 예측할 수 있을 것이다. 향후 해양사고 발생 위험의 정량적 제 시와 지역기반의 위험지도 개발 등에 관한 추가 연구가 필요하다.

지난 22년 동안의 선박 통항자료와 2015년부터 2017년까지 3년 동안 매년 72시간씩 실시간 선박 통항량 조사를 통해 여수광양항의 해상교통량의 장기변동과 출입항로에 대한 통항특성을 분석하였다. 2017년도 기준으로, 여수광양항의 선박 통항척수는 약 66,000척이며, 선복 량은 약 804,564천톤으로 1996년도 189,906천톤에 비해 400 % 이상 증가하였고 위험화물 물동량은 140,000천톤으로 1996년에 비해 250 % 이상 증가한 것으로 나타났다. 실시간 선박 통항량 조사결과, 1일 평균 통항 선박은 357척이며 통항로 이용율은 낙포해역이 28.1 %, 특정해역이 43.8 %, 연안통항로와 돌산연안 및 금오도 수역이 6.8 %로 동일하였다. 다수의 항로가 만나는 낙포해역은 선박간의 병항 및 교차항행이 가장 빈번했으며, 특정해역도 주변의 연안통항로에서 소형 작업선들이 다수 진출입하여 대형 선박과 교차되는 경우가 자주 발생하였다. 화물선박 의 묘박지 투묘 대기율은 약 24 % 정도였으며, 케미컬선, 유조선 등의 위험화물 선박의 야간 통항율은 약 20 %에 달하였다. 여수광양항의 선 박 통항량은 매년 증가하지만 선박 통항로는 과거와 큰 차이가 없기에 사고의 위험이 상존한다고 볼 수 있다. 따라서 다수의 항로가 중첩되어 통항 선박간의 사고 위험이 높은 제1항로 ~ 제4항로의 준설 및 항로 확장, 항로 부근 암초 제거, 항로표지 보강 등 항로 여건을 우선적으로 개선할 필요가 있다. 또한 위험성이 높은 항만의 진출입 시간과 위험화물 선박의 통항시간을 일부 제한할 수 있도록 항행규칙을 개정할 필요가 있으며, 연안통항로를 이용하는 소형 선박들의 통항관리를 적극적으로 시행할 수 있도록 VTS체계의 고도화가 요구된다.

항로에서의 위험도 평가 모델은 해상 교통량을 기초로 다양한 형태의 수학적 분석 방법 등이 응용되고 있다. 국내 해상교통안 전진단에서는 항로를 통항하는 선박 규모를 표준화시킨 해상교통혼잡도 모델을 활용하고 있으며, 해상교통혼잡도가 높으면 충돌과 같은 위험상황이 발생할 개연성이 높다고 해석하고 있다. 그러나 항로의 특정 지점에서 관측된 해상 교통량의 밀도 변화가 항로의 위험도를 표현할 수 있는지 보다 면밀한 과학적 검토가 필요하다고 판단된다. 본 연구에서는 항로에서의 충돌 및 좌초 등의 위험도를 확률적 기법으로 평가하는 IWRAP Mk2(IALA 공식 추천 평가모델) 모델로 항로 위험도를 체계적으로 평가하고, 동일 해역에서 해상교통혼잡도 모델로 해상교통혼잡도를 평가하여 항로 위험도와 해상교통혼잡도의 연관성을 분석하였다. 분석 결과, R2이 0.943인 선형함수가 도출되었으며, 유의수준에서도 유의성이 있는 것으로 분석되었다. 또한 Pearson 상관계수가 0.971로 높게 나타나 강한 정적 상관관계를 보였다. 이처럼 각각의 수학모델의 공통적인 입력 변수의 영향으로 항로 위험도와 해상교통혼잡도는 강한 연관성을 가지는 것으로 확인되었다. 이러한 연구 결과를 기반으로 항로 위험도를 예측할 수 있는 평가 기법이 고도화될 수 있는 모델 개발을 위한 응용 자료로 활용되기를 기대한다.

In recent year, marine safety has been one of top concerns in Korea. In this paper, general statistics of ship in 159 waterways in Korea from 2007 to 2017 were considered. Main objective of this research is to investigate the relationship between the number of marine accidents and traffic conditions in narrow waterways by multiple regression analysis method. The result shows that the number of vessels, the width, the length and the depth of narrow waterway have an influence on the number of maritime accidents in corresponding area. Additionally, the number of vessels sailing has the most significant impact on the number of accidents in narrow waterway area.

본 연구에서는 해상교통혼잡도에 영향을 미치는 요소인 선박점용영역크기, 선박의 속력, 항로폭에 대한 민감도 분석을 실시하였으며, 가장 민감한 요소로 선박점용영역을 도출하였다. 선박점용영역에 대해 일본, 덴마크 해협, 중국 상하이항에서의 점용영역에 대한 기존 연구사례를 조사하고, 우리나라 진해만 피항시의 해상교통관측조사를 통한 선박점용영역을 도출하여 비교 분석하였다. 민감도 분석 결과, 선박속력 1노트 변화시 10 %, 항로폭 100미터 변화시 18 %, 점용영역 장직경 1L 변화시 34 %∼43 %의 영향이 미치는 것으로 분석되었다. 그 결과, 현행 진단제도에서 사용하는 8L×3.2L, 6L×1.6L은 일본의 3.5L×1.5L, 중국 상하이항 5.9L×2.2L, 덴마크 해협 4L×5B 및 진해만 피항시의 선박점용영역 3L×2L과 큰 차이가 있음을 확인하였다.

본 연구는 기존의 회귀분석과는 달리 시계열 분석과 인공신경망 모형을 이용하여 장래 해상교통량을 예측하였다. 특히, 시계열 분석을 통한 예측값을 인공신경망 모형에 추가 입력변수로 적용하여 장래 해상교통량 예측을 제고하고자 하였다. 본 연구는 인천항의 1996년부터 2013년까지 월별 관측값을 대상으로 하였다. 모형의 예측력 검증을 위해 1996년부터 2012년까지 관측값을 대상으로 구축한 모형으로부터 2013년을 예측하여 실제 관측값과의 비교로 적합한 모형을 판별하였다. 인천항의 2015년 장래 해상교통량은 매월 평균 교통량보다 5월과 11월에 각 5.9 %, 4.5 % 많았으며, 1월과 8월은 매월 평균 교통량보다 각 8.6 %, 4.7 % 적은 것으로 예측되었다. 따라서 인천항은 계절에 따른 월별 교통량의 차이를 확인할 수 있다. 본 연구는 해상교통 현장관측 조사시 계절에 따른 교통량의 특성을 반영할 수 있는 기초 자료로 활용될 수 있다.

본 연구는 기존의 회귀분석과는 달리 금융, 경제, 무역 등 다양한 분야의 수요 예측에 널리 적용되고 있는 시계열 분석 방법을 시도하였다. 인천항의 1996년 1월부터 2013년 6월까지 입항 척수 자료를 바탕으로 정상성 검증, 모형의 식별, 모수의 추정, 진단 과정을 거쳐 장래 해상교통량을 예측하였다. 2014년 1월부터 2015년 12월까지 예측한 결과 2월달의 교통량이 다른 달 보다 적게 예측된 반면, 1월달의 교통량은 다른 달 보다 많을 것으로 나타났다. 또한 인천항은 지수평활법 보다 ARIMA 모형이 적합하며, 계절에 따라 월별 교통량의 차이를 보이는 것을 알 수 있다. 본 연구는 시계열 분석으로 장래 교통량을 월별로 예측하였다는 점에서 의의가 있다. 또한 기존의 회귀분석으로 예측한 장래 해상교통량보다 시계열 분석으로 예측한 장래 해상교통량이 더 적합한 모형인 것으로 판단된다.