• 제목/요약/키워드: Benchmark Shares

검색결과 2건 처리시간 0.014초

컨텍스트의존 모형 및 측정특유 모형을 이용한 아시아항만들의 클러스터링 측정 및 추세분석에 관한 실증적 연구 (An Empirical Study on the Clustering Measurement and Trend Analysis among the Asian Ports Using the Context-dependent and Measure-specific Models)

  • 박노경
    • 한국항만경제학회지
    • /
    • 제28권1호
    • /
    • pp.53-82
    • /
    • 2012
  • 본 논문에서는 아시아 항만들 간의 클러스터링 추세를 분석하기 위해서 첫째, 기존연구에서는 다루지 못한 새로운 방법인 컨텍스트의존모형과 측정특유모형에 대해서 이론적으로 설명하였으며, 둘째, 컨텍스트의존모형에 의한 항만들의 매력도와 진전도 측정방법 및 실제적용, 셋째, 아시아 38개 항만들의 10년간 자료를 4개의 투입요소(선석길이, 수심, 총면적, 크레인수), 1개의 산출요소(컨테이너화물처리량)를 이용하여 효율성의 단계별로 효율적인 항만들을 대상으로 클러스터링하는 방법을 실증적으로 보여 주고 분석하였다. 또한 매력도, 진전도, 벤치마킹쉐어의 측정방법도 보여 주었다. 실증분석의 주요한 결과는 다음과 같다. 첫째, 2009년도 자료를 이용한 매력도측정결과는 Degree 1부터 Degree 7까지의 각 Degree별 랭킹을 살펴보면, 광저우항, 두바이항, 홍콩항, 닝보항, 상하이항의 순서였다. 둘째, 2009년도 단계1에 속한 항만들의 등급별 진전도를 측정한 결과를 보면, 베이루트항, 포트술탄항, 아덴항과 같이 낮은 등급의 점수에 해당하는 항만들은 그 전 등급의 항만을 벤치마킹해야만 한다. 셋째, 효율적인 항만들의 벤치마킹 쉐어에 대한 측정결과를 보면, 두바이항(선석길이), 홍콩항(수심, 총면적, 크레인수)이 다른 비효율적인 항만들의 효율성에 미친 영향이 큰 것으로 나타났다. 넷째, 컨텍스트의존모형과 측정특유모형에 의한 클러스터링 결과는 동일하게 나타났다. 그 가장 큰 이유는 투입-산출 자료의 특성 때문이라고 판단된다. 다섯째, 10년동안의 클러스터링 추세를 분석결과는 다음과 같다. (1) 가장 효율적인 단계(1단계, 2단계)의 클러스터링은 홍콩항, 상하이항, 싱가포르항. 닝보항, 광저우항, 카오슝항으로 나타났다. (2) 효율적인 단계(2단계, 3단계)의 클러스터링은 두바이항, 크호르 파칸항, 첸나이항, 부산항, 콜롬보항, 키롱항, 탄중펠프스항으로 나타났다. (3) 중정도의 효율적인 단계(4단계, 5단계, 6단계)의 클러스터링은 사히드 라자이항, 탄중프리옥항, 하이파항, 탄중퍼락항, 토쿄항, 요코하마항, 코베항, 나고야항, 오사카항, 인천항, 카라치항, 마닐라항, 방콕항, 담만항으로 나타났다. (4) 하위의 효율적인 단계(7단계, 8단계)의 클러스터링은 포트술탄카부스항, 제다항, 아덴항으로 나타났다. (5) 효율적인 단계로 진전되어 클러스터링된 항은 닝보항, 첸나이항, 탄중펠프스항으로 나타났다. 본 논문이 갖는 정책적인 함의는 항만정책입안자들은 컨텍스트의존모형과 측정특유모형을 항만의 클러스터링에 도입하여 해당항만이 발전할 수 있는 전략을 수립하고 이행해 나가야만 한다는 점이다.

블록체인을 활용한 양질의 기계학습용 데이터 수집 방안 연구 (High-quality data collection for machine learning using block chain)

  • 김영랑;우정훈;이재환;신지선
    • 한국정보통신학회논문지
    • /
    • 제23권1호
    • /
    • pp.13-19
    • /
    • 2019
  • 기계학습의 정확도는 학습용 데이터의 양과 데이터의 품질에 많은 영향을 받는다. 기존의 웹을 기반으로 학습용 데이터를 수집하는 것은 실제 학습과 무관한 데이터가 수집 될 수 있는 위험성이 있으며 데이터의 투명성을 보장할 수가 없다. 본 논문에서는 블록체인구조에서 블록들이 직접 병렬적으로 데이터를 수집하게 하고 각 블록들이 수집한 데이터를 타 블록의 데이터와 비교하여 양질의 데이터만을 선별하는 방안을 제안한다. 제안하는 시스템은 각 블록들은 데이터를 서로 블록체인을 통해 공유하며 All-reduce 구조의 Parallel-SGD를 활용하여 다른 블록들의 데이터와 비교를 통해 양질의 데이터만을 선별하여 학습용 데이터셋을 구성할 수가 있다. 또한 본 논문에서는 제안한 구조의 성능을 확인하기 위해 실험을 통해 기존의 벤치마크용 데이터셋의 이미지를 활용하여 변조된 이미지 사이에서 원본 이미지만을 양질의 데이터로 판별함을 확인하였다.