• 한국식품위생안전성학회지
• /
• 제37권6호
• /
• pp.373-384
• /
• 2022

플루옥사스트로빈은 Strobilurus 속의 버섯에서 추출한 천연물을 기반으로 개발된 살균제로서 곰팡이성 질병 방제에 효과적이다. 잔류물의 정의는 유럽(EU), 미국(EPA), 일본(JFCRF)에서는 플루옥사스트로빈과 플루옥사스트로빈 Z 이성질체의 합으로 정의하고 있으며, 감자, 대두 등 90품목에 대하여 0.01-60 mg/kg으로 잔류허용기준이 설정되어 있다. 코덱스(CODEX)와 국내에는 잔류허용기준이 설정되어 있지 않음에 따라 본 연구에서는 추후 국내·외 수입 및 재배 농산물 중 플루옥사스트로빈에 대한 잔류허용기준 준수 여부 확인을 위한 시험법을 개발하고자 하였다. 전처리 과정은 플루옥사스트로빈의 물리·화학적 특성을 고려하여 QuEChERS법을 이용한 추출 및 정제방법으로 최적화하였으며, LC-MS/MS를 이용하여 시험법을 개발하였다. 추출 용매는 아세토니트릴로 하고, MgSO₄ 및 PSA를 이용하여 정제과정을 확립하였다. 대표 농산물 5종에 대해 0.01, 0.1 및 0.5 mg/kg의 처리농도로 실험을 진행한 결과, 플루옥사스트로빈 및 플루옥사스트로빈 Z 이성질체의 결정계수(R²)는 0.998 이상이고 플루옥사스트로빈의 평균 회수율(n=5)은 75.5-100.3%, 플루옥사스트로빈 Z 이성질체는 75.0-103.9%이었다. 상대표준편차는 플루옥사스트로빈이 5.5% 이하, 플루옥사스트로빈 Z 이성질체가 4.3% 이하로 확인되었다. 또한 시험법의 유효성을 확인하기 위해 외부 실험기관인 광주지방식품의약품안전청과의 실험실간 검증을 진행하였으며, 검증 결과 두 실험실간의 회수율은 플루옥사스트로빈의 경우 80.3-101.4%, 플루옥사스트로빈 Z 이성질체는 80.2-105.0%이었고, 상대표준편차는 모두 18.1% 이하로 정확성 및 재현성이 우수함을 확인할 수 있었다. 따라서 본 연구 결과는 CODEX 가이드라인(CAC/GL 40-1993, 2003) 및 식품의약품안전평가원의 가이드라인(MFDS, 2016)에 만족함에 따라 공정시험법으로 활용 가능할 것이다.

• 한국산림과학회지
• /
• 제70권1호
• /
• pp.7-16
• /
• 1985

임목(林木)의 주체성인(主體成因)인 수간(樹幹)에 대한 각종(各種) 성장인자간(成長因子間)의 정준상관(正準相關)과 그의 관계적(關係的) 배경(背景) 및 수간(樹幹)의 총합적(總合的)인 변동분석(變動分析)에 의(依)한 수간적(樹幹的) 특징(特徵)을 파악(把握)함에 있어, 그의 최적기법(最適技法)을 탐색(探索)하기 위한 시도(試圖)로서 일본(日本)잎갈나무(Larix leptolepis)에 주성분(主成分) 및 정준상관분석법(正準相關分析法)을 도입적용(導入適用)하고, 얻어진 결과(結果)를 다음과 같이 요약(要約)한다. 1) 정형수(正形數)($x_8$)를 제외(除外)한 모든 성장인자(成長因子) 즉(卽), 수고(樹高)($x_1$), 지하고(枝下高)($x_2$), 망고(望高)($x_3$), 흉고직경(胸高直徑)($x_4$), 중앙직경(中央直徑)($x_5$), 수관폭(樹冠幅)($x_6$) 및 간재적(幹材積)($x_7$) 등(等)의 각(各) 인자간(因子間)에 강약간(強弱間)의 상관(相關)이 있으며, 특(特)히 흉고직경(胸高直徑), 수고(樹高) 및 중앙직경(中央直徑) 등(等)은 간재적(幹材積)과 고도(高度)의 상관(相關)이 있다(표(表) l 참조(參照)). 2) (1) 상장성장인자(上長成長因子)인 수고(樹高), 지하고(枝下高) 및 망고(望高) 등(等)의 합성변량(合成變量)과 간재적간(幹材積間), (2) 비대성장인자(肥大成長因子)인 흉고직경(胸高直徑), 중앙직경(中央直徑) 및 수관폭(樹冠幅) 등(等)의 합성변량(合成變量)과 간재적간(幹材積間), (3) 상장(上長) 및 비대성장인자(肥大成長因子)를 총망라(總網羅)한 6개인자(個因子)의 합성변량(合成變量)과 간재적간(幹材積間)의 정준상관계수(正準相關係數)와 정준변량(正準變量)이 각각(各各) $${(1)\;{\gamma}_{u1,v1}=0.82980^{**},\;\{u_1=1.00000x_7\\v_1=1.08323x_1-0.04299x_2-0.07080x_3}\\{(2)\;{\gamma}_{u1,v1}=0.98198^{**},\;\{u_1=1.00000x_7\\v_1=0.86433x_4+0.11996x_5+0.02917x_6}\\{(3)\;{\gamma}_{u1,v1}=0.98700^{**},\;\{u_1=1.00000x_7\\v1=0.12948x_1+0.00291x_2+0.03076x_3+0.76707x_4+0.09107x_5+0.02576x_6}$$ 등(等)과 같이 되어, 어느 경우(境遇)에서도 고도(高度)의 정준상관(正準相關)을 가지며, (1)의 경우(境遇)에는 수고(樹高)가, (2)의 경우(境遇)에는 흉고직경(胸高直徑)이, (3)의 경우(境遇)에는 흉고직경(胸高直徑)과 수고(樹高)가 각각(各各)의 정준상관(正準相關)에 절대적인 기여(寄與)를 하는 것으로서, 각종(各種) 질적성장(質的成長)의 총합특성(總合特性)은 이들 인자(因子)의 막강한 영향력(影響力)에 의해서 형성(形成)되며, 특(特)히 (3)의 경우에서 간재적(幹材積)과의 정준상관(正準相關)에 미치는 흉고직경(胸高直徑)의 영향력(影響力)은 기타(其他)의 인자(因子)에 비(比)하여 판이(判異)하게 큰 것으로 밝혀지고 있다(표(表) 2 참조(參照)). 3) 상장성장인자(上長成長因子)인 수고(樹高), 지하고(枝下高) 및 망고(望高) 등(等)의 합성변량(合成變量)과 비대성장인자(肥大成長因子)인 흉고직경(胸高直徑), 중앙직경(中央直徑) 및 수관폭(樹冠幅) 등(等)의 합성변량간(合成變量間)의 정준상관계수(正準相關係數)와 정준변량(正準變量)이 $${\gamma}_{u1,v1}=0.78556^{**},\;\{u_1=1.20569x_1-0.04444x_2-0.21696x_3\\v_1=1.09571x_4-0.14076z_5+0.05285z_6$$와 같이 됨에 따라, 각종 상장성장인자(上長成長因子)와 비대성장인자간(肥大成長因子間)의 고도(高度)의 정준상관(正準相關)에 있어 수고(樹高)와 흉고직경(胸高直徑)만의 기여도(寄與度)가 극(極)히 현저한 것으로서, 상장성장(上長成長)의 총합특성(總合特性)은 수고(樹高)에 의해서, 비대성장(肥大成長)의 총합특성(總合特性)은 흉고직경(胸高直徑)에 의해서 각각(各各) 형성(形成)된다는 사실(事實)이 확인(確認)된 것이다. 따라서 양인자(兩因子)에 대한 간재적계측(幹材積計測)에 있어서의 필수유력인(必須有力因子)로서의 과학성(科學性)이 입증(立證)된 것이라 생각한다(표(表) 2 참조(參照)). 4) 수간(樹幹)의 8개성장인자(個成長因子) 즉(卽), 8차원(次元)의 정보(情報)(특성치(特性値))를 설정(設定)된 유효목표(有效目標) 85%에 따라 3차원(次元)으로 간략화(簡約化)된 총합특성치(總合特性値) 즉(卽), 제(第) 1 ~ 제(第) 3 주성분(主成分)은 다음과 같다. 제(第) 1 주성분(主成分)($Z_1$); $Z_1=0.40192x_1+0.23693x_2+0.37047x_3+0.41745x_4+0.41629x_5+0.33454x_60.42798x_7+0.04923x_8$ 제(第) 2 주성분(主成分)($Z_2$) ; $z_2=-0.09306x_1-0.34707x_2+0.08372x_3-0.03239x_4+0.11152x_5+0.00012x_6+0.02407x_7+0.92185x_8$ 제(第) 3 주성분(主成分)($Z_3$) ; $Z_3=0.19832x_1+0.68210x_2+0.35824x_3-0.22522x_4-0.20876x_5-0.42373x_6-0.15055x_7+0.26562x_8$ 제(第) 1 주성분(主成分)($Z_1$)은 기여율(寄與率)이 63.26%나 되는 매우 높은 정보흡수력(情報吸收力)을 가진 "크기의 인자(因子)(size factor)"로서, 그의 주성분득점(主成分得點)(principal component score)은 인자부하량(因子負荷量)이 매우 높은 간재적(幹材積), 흉고직경(胸高直徑), 중앙직경(中央直徑) 및 수고(樹高) 등(等)에 의해써 결정(決定)되며, 제(第) 2 주성분(主成分)($Z_2$)은 입체적(立體的) 형상(形狀)의 지표(指標) 즉(卽), 수간(樹幹)의 입체적(立體的) 상사성(相似性)과 완구도(完溝度)를 나타내주는 "형상(形狀)의 인자(因子)(shape factor)"로서, 그의 score는 정형수(正形數)의 절대적(絶對的)인 영향력(影響力)에 의(依)해서 형성(形成)되며, 제(第) 3 주성분(主成分)($Z_3$)은 상장성장(上長成長)과 비대성장(肥大成長)과의 역관계(逆關係)의 현상(現象) 즉(卽), 수간(樹幹)의 세장(細長)(또는 굵고 짧음)의 정도를 표시(表示)하는 성장형상(成長形狀)의 지표(指標)로서, 이는 제(第) 2의 "형상(形狀)의 인자(因子)"가 된다. 이상(以上) 3개주성분(個主成分)은 그의 누적기여율(累積寄與率)이 88.36%로서 만족스러운 정보흡수역량(情報吸收力量)을 지니고 있다(표(表) 3 참조(參照)). 5) 본(本) 연구(硏究)에 적용(適用)된 주성분(主成分) 및 정준(正準) 상관분석법(相關分析法)은 적극적(積極的)인 이용개발(利用開發)에 따라서는 삼림계측(森林計測)(임목성장(林木成長)), 지위판정분류(地位判定分類), 삼림(森林) 및 임산업(林産業)의 경영진단(經營診斷), 임산가공(林産加工)(품(品))의 생산관리(生産管理) 및 기지(其地) 총합특성치(總合特性値)의 산정(算定)을 필요(必要)로 하는 분야(分野)에 많은 기여(寄與)가 있을 것으로 사료(思料)된다.

• 지능정보연구
• /
• 제18권4호
• /
• pp.19-42
• /
• 2012

고객이 상품을 구매하는 패턴이 빠르게 변화하고 있다. 오프라인에서 고객이 직접 상품을 보고, 체험한 후 구매하던 패턴이 TV홈쇼핑, 인터넷 쇼핑 등 고객이 편리한 장소에서 자유롭게 구매하는 방법으로 확산되었다. 이처럼 구매 가능한 상품의 범위는 점점 더 다양해지고 있지만 이로 인하여 고객이 상품을 구매할 때 생기는 번거로움은 더욱 커지고 있다. 오프라인에서는 물건을 직접보고 구매하기 때문에 반품율이 낮은 반면에 온라인 구매 물품은 배송과 환불 등에서 복잡한 일들이 많이 발생한다. 온라인을 통해서 물건을 구매할 때 상품에 대한 사전 정보는 매우 한정적이며 실제로 물건을 구매했을 경우 고객이 생각했던 것과 다를 수 있다. 이러한 결과는 결국 고객의 불만족 및 구매취소로 이어진다. 또한 TV홈쇼핑이나 인터넷 쇼핑 등을 통해서 물건을 구매할 때 고객들은 이미 상품을 구매한 고객의 리뷰에도 관심을 기울이고 있다. 좋은 평가를 받은 상품은 더 많은 매출로 이어질 수 있기 때문에 기업은 이에 관심을 기울일 필요가 있다. 고객의 욕구를 만족시킬 수 있는 적절한 상품을 추천해 주고 이를 구매로 연결시키는 것은 기업의 이윤 창출과 직결되기 때문에 그 중요성이 강조된다. 고객을 위한 추천방법은 베스트셀러기반 추천방법, 인구통계 정보기반 추천방법, 최소질의대상 상품결정방법, 내용필터링기법, 협력필터링기법 등이 존재하며, 이에 대한 많은 연구가 활발하게 진행되고 있다. 그러나 위의 방법들을 신규고객에게 적용하는 것에는 문제가 발생할 수 있다. 신규고객은 상품에 대한 과거 구매이력이 존재하지 않기 때문이다. 이를 해결하기 위한 방안으로 가입 시, 고객의 인구통계적 정보나 선호도에 대한 응답을 유도하는 방법을 활용할 수 있다. 그러나 고객이 이에 대한 번거로움을 느낄 수도 있으며, 불완전한 답변을 하게 되면 추천의 정확도는 감소한다. 최근 이미 상품을 구매한 고객의 리뷰 및 기업에서 추천하는 제품에 의존하는 고객들이 증가하면서 이를 악용하는 사례도 자주 등장한다. 결국 추천에 대한 고객들의 신뢰는 감소하게 될 것이다. 따라서 좀 더 명확한 방식의 추천시스템이 절실하며, 이것이 개선된다면 는 곧 고객들의 신뢰 증가로 이어질 것이다. 본 연구에서는 협력필터링기법과 사회연결망기법의 중심성을 결합한 분석을 시도하였다. 중심성은 신규고객의 선호도를 기존고객들의 데이터를 통하여 유추하기 위하여 활용되는 정보이다. 기존 연구들에서는 기존고객들의 구매 가운데 구매성향이 유사한 고객들의 정보에 초점을 맞추고 있으며 구매성향이 다른 고객들의 정보에 대한 분석은 이루어지고 있지 않다. 그러나 이처럼 구매성향이 서로 다른 고객들의 정보를 활용한다면 추천의 정확성이 더 향상되지 않을까 하는 점을 기반으로 데이터들을 다양한 방식으로 분석하였다. 연구에 사용된 데이터는 미네소타대학의 GroupLens Research Project팀이 협력필터링기법을 통하여 영화를 추천하기 위해 만든 MovieLens의 데이터이다. 이는 1,684편의 영화에 대한 선호도를 943명이 응답한 정보로 총 100,000개의 데이터가 있다. 이를 시간 순으로 구분하여 초기 50,000개의 데이터를 기존고객의 데이터로, 후기 50,000개의 데이터를 신규고객의 데이터로 사용하였다. 이 때, 신규고객과 기존고객은 연구자가 임의로 구분한 것이다. 따라서 신규고객이라고 표현되는 고객의 데이터는 실제로 추천시스템을 통해 정보를 제공받은 고객이라고는 볼 수 없다. 그러나 현실적으로 실제 신규고객의 데이터를 수집하는 것이 쉽지 않기 때문에 전체 고객의 정보를 시간 순으로 구분하고 신규고객으로 분류한 것임을 밝혀둔다. 제시된 추천시스템은 [+]집단 추천시스템, [-]집단 추천시스템, 통합 추천시스템으로 총 3가지이다. [+]집단 추천시스템은 기존의 연구들과 유사한 방식으로 유사도가 높은 고객들을 신규고객의 이웃고객으로 분석하였다. 유사도가 높다는 것은 다른 고객들과 상품 구매에 대한 성향이 유사한 것을 의미한다. 또한 [-]집단 추천시스템은 유사도가 낮고 다른 고객들과 상품의 구매패턴이 반대에 가까운 고객들의 데이터를 활용하였으며, 통합 추천시스템은 [+]집단 추천시스템과 [-]집단 추천시스템을 결합한 방식이다. [+]집단 추천시스템과 [-]집단 추천시스템에서 각각 추천된 영화 가운데 중복되는 영화만을 신규고객에게 추천하는 방식이다. 다양한 방법의 시도를 통하여 적절한 추천시스템을 찾고, 추천시스템의 정확도를 향상시키는데 그 목적이 있다. 활용된 데이터의 분석 결과는 통합 추천시스템이 정확도가 가장 높았으며 [-]집단 추천시스템, [+]집단 추천시스템의 순인 것으로 나타났다. 이는 통합 추천시스템이 가장 효율적일 것이라는 연구자의 추측과 일치하는 결과이다. 각각의 추천시스템은 정확도의 변화를 쉽게 비교할 수 있도록 등고선지도 및 그래프를 이용하여 나타냈다. 연구의 한계점으로는 연구자가 제시한 통합 추천시스템과 [-]집단 추천시스템에 대한 정확도는 향상되었지만 이는 임의로 구분한 기준을 바탕으로 분석하였다는 점이다. 실제 추천된 영화를 바탕으로 신규고객이 영화를 선택 한 것이 아니라 기존고객의 데이터를 임의로 분류하였기 때문이다. 따라서 이는 추천 영화가 실제 고객에 미친 영향이 아니라는 한계가 존재한다. 또한 영화가 아닌 다른 상품에 대해서 이 추천시스템을 적용하였을 경우 추천 정확도에는 차이가 있을 수 있다. 따라서 추천시스템을 적용할 때에는 각 상품 및 고객집단의 특성에 적합한 적용이 필요하다.