• 한국환경생태학회지
• /
• 제26권2호
• /
• pp.273-282
• /
• 2012

본 연구는 사적지형 경주국립공원의 자연환경 가치와 문화유적의 가치를 동일한 방식으로 추정하여 그 크기를 비교해 보고자 수행 되었다. 각각의 가치 추정방식은 환경재의 가치추정방법으로 널리 알려진 CVM 기법을 이용하였다. 투입된 변수와 추정모형은 동일하며 응답자에게 자연환경을 보존하는데 지불할 금액과 문화유적을 보존하는데 지불할 의사액을 구분하여 질문하였다. 그 결과 경주국립공원의 자연환경을 보전하는데 지불할 의사액 WTP는 1인당 17,838원으로 추정되었으며 문화유적을 보전하는데 지불할 의사액 WTP는 1인당 316,248원으로 나타났다. 이를 바탕으로 경주국립공원이 연간 방문객에게 제공하는 자연환경의 가치는 470억원, 문화유적의 연간 가치는 8,457억 원으로 추정되었다. 두 가지 가치요소를 합하면 경주국립공원 1회 방문 시 얻는 자연환경과 문화유적의 가치는 334,086원, 연간 가치는 8,934억 원으로 추산 할 수 있으며 문화유적의 가치가 자연환경의 가치보다 18배가량 높게 추정되었다. 이러한 이유는 경주국립공원에 분포하고 있는 국보 11점, 보물 23점, 사적 13개소, 사적 및 명승 1개소, 지방문화재 18개소 등 총 66건으로 보유한 문화재가 자연환경의 가치보다 월등히 높다고 응답자들은 판단하였기 때문이다. 본 연구의 결과를 바탕으로 한 경주국립공원의 운영관리계획은 물리적 구성요소의 특성을 감안하여 관련전문가들과의 협의를 통하여 차별화된 운영전략을 마련해야할 것으로 판단한다.

• 지능정보연구
• /
• 제25권1호
• /
• pp.127-137
• /
• 2019

재범예측은 70년대 이전부터 전문가들에 의해서 꾸준히 연구되어온 분야지만, 최근 재범에 의한 범죄가 꾸준히 증가하면서 재범예측의 중요성이 커지고 있다. 특히 미국과 캐나다에서 재판이나 가석방심사 시 재범 위험 평가 보고서를 결정적인 기준으로 채택하게 된 90년대를 기점으로 재범예측에 관한 연구가 활발해졌으며, 비슷한 시기에 국내에서도 재범요인에 관한 실증적인 연구가 시작되었다. 지금까지 대부분의 재범예측 연구는 재범요인 분석이나 재범예측의 정확성을 높이는 연구에 집중된 경향을 보이고 있다. 그러나 재범 예측에는 비대칭 오류 비용 구조가 있기 때문에 경우에 따라 예측 정확도를 최대화함과 동시에 예측 오분류 비용을 최소화하는 연구도 중요한 의미를 가진다. 일반적으로 재범을 저지르지 않을 사람을 재범을 저지를 것으로 오분류하는 비용은 재범을 저지를 사람을 재범을 저지르지 않을 것으로 오분류하는 비용보다 낮다. 전자는 추가적인 감시 비용만 증가되는 반면, 후자는 범죄 발생에 따른 막대한 사회적, 경제적 비용을 야기하기 때문이다. 이러한 비대칭비용에 따른 비용 경제성을 반영하여, 본 연구에서 비대칭 오류 비용을 고려한 XGBoost 기반 재범 예측모델을 제안한다. 모델의 첫 단계에서 최근 데이터 마이닝 분야에서 높은 성능으로 각광받고 있는 앙상블 기법, XGBoost를 적용하였고, XGBoost의 결과를 로지스틱 회귀 분석(Logistic Regression Analysis), 의사결정나무(Decision Trees), 인공신경망(Artificial Neural Networks), 서포트 벡터 머신(Support Vector Machine)과 같은 다양한 예측 기법과 비교하였다. 다음 단계에서 임계치의 최적화를 통해 FNE(False Negative Error)와 FPE(False Positive Error)의 가중 평균인 전체 오분류 비용을 최소화한다. 이후 모델의 유용성을 검증하기 위해 모델을 실제 재범예측 데이터셋에 적용하여 XGBoost 모델이 다른 비교 모델 보다 우수한 예측 정확도를 보일 뿐 아니라 오분류 비용도 가장 효과적으로 낮춘다는 점을 확인하였다.

• 한국환경생태학회지
• /
• 제36권6호
• /
• pp.676-683
• /
• 2022

2000년 이후 급격한 생활환경의 변화와 근래에 발생한 예측 불가능한 전염병 등의 영향으로 국내·외의 여행과 이동을 자제하고 건강을 위한 야외활동은 기존에 조성되어 온 유명한 둘레길, 숲길 등의 공익적 가치가 더욱 중요하게 부각되고 있다. 본 연구는 CVM을 활용하여 충청도와 경상도를 가로지르는 숲길을 연결하는 가칭 '동서트레일'에 대한 환경적 가치를 추정하였다. 연구는 동서트레일을 방문한 탐방객을 대상으로 하였으며, 723부를 분석에 이용하였다. 조사대상지를 방문한 응답자의 기본적인 이용행태는 주 2-3회 정도 운동하는 건강에 관심이 많은 사람들이며, 거주지에서 멀지 않은 곳의 숲길을 친구나 가족들과 방문하고, 1회 방문 시 약 5만원 이상을 소비하는 경향을 보이고 있다. 둘레길을 방문할 때 숲길코스에 대한 안내판이 부족하다는 것을 느끼고 있으며, 적절한 장소에 쉼터를 설치해 주기를 원하는 것으로 나타났다. 동서트레일의 보존가치를 추정하기 위한 방법은 Hanemann식 이중경계 로짓모형을 이용하였다. 동서트레일 방문자가 1회 방문 시 얻을 수 있는 환경적 가치는 30,087원으로 추정할 수 있었다. 추정된 금액을 동서트레일 인근 직접이용권에 속한 인구로 환산하면 동서트레일의 연간 환경가치는 약 940억원으로 추정할 수 있다. CVM을 이용한 숲길에 대한 환경의 가치추정에 대한 연구는 현재까지 진행된 적이 없으며, 추정된 연구 결과는 국가 숲길 정책에 대한 타당성을 제시해 줄 수 있을 것이다.

• 지능정보연구
• /
• 제18권2호
• /
• pp.29-45
• /
• 2012

회사채 신용등급은 투자자의 입장에서는 수익률 결정의 중요한 요소이며 기업의 입장에서는 자본비용 및 기업 가치와 관련된 중요한 재무의사결정사항으로 정교한 신용등급 예측 모형의 개발은 재무 및 회계 분야에서 오랫동안 전통적인 연구 주제가 되어왔다. 그러나, 회사채 신용등급 예측 모형의 성과와 관련된 가장 중요한 문제는 등급별 데이터의 불균형 문제이다. 예측 문제에 있어서 데이터 불균형(Data imbalance) 은 사용되는 표본이 특정 범주에 편중되었을 때 나타난다. 데이터 불균형이 심화됨에 따라 범주 사이의 분류경계영역이 왜곡되므로 분류자의 학습성과가 저하되게 된다. 본 연구에서는 데이터 불균형 문제가 존재하는 다분류 문제를 효과적으로 해결하기 위한 다분류 기하평균 부스팅 기법 (Multiclass Geometric Mean-based Boosting MGM-Boost)을 제안하고자 한다. MGM-Boost 알고리즘은 부스팅 알고리즘에 기하평균 개념을 도입한 것으로 오분류된 표본에 대한 학습을 강화할 수 있으며 불균형 분포를 보이는 각 범주의 예측정확도를 동시에 고려한 학습이 가능하다는 장점이 있다. 회사채 신용등급 예측문제를 활용하여 MGM-Boost의 성과를 검증한 결과 SVM 및 AdaBoost 기법과 비교하여 통계적으로 유의적인 성과개선 효과를 보여주었으며 데이터 불균형 하에서도 벤치마킹 모형과 비교하여 견고한 학습성과를 나타냈다.