1. 서 론

중앙해양안전심판원 해양사고 통계에 따르면, 2024년 발생한 해양사고는 총 3,255건으로 전년 대비 5.3% 증가했다. 이 중 100톤 미만 소형선박 사고는 3,116척으로 전체의 87.5%를 차지했다. 사고 유형별로는 기관손상과 부유물 감김 순으로 높은 비율을 보였으나, 인명피해 관점에서 보면 전복·침몰 사고는 다른 사고 유형에 비해 사고 심각도가 높은 것으로 나타났다(KMST, 2025; KOMSA, 2026). 즉, 발생 빈도는 상대적으로 낮더라도 인명 피해와 직결되는 전복·침몰 사고는 해상 안전관리에서 우선적으로 다루어야 할 대상이다.

전복·침몰 사고는 기상 조건의 영향을 크게 받는 것으로 알려져 있다. 특히 2~3월은 풍랑특보 발효가 잦은 시기로, 기상 악화가 사고로 이어질 가능성이 높다(KOMSA, 2026). 「해상교통안전법 시행규칙」 별표 10은 선박 규모에 따른 출항 통제 기준을 제시하고 있으며, 선박 규모가 작을수록 보다 엄격한 기준을 적용하고 있다. 이는 선박 규모와 사고 가능성이 일정 부분 연관되어 있음을 전제로 한 제도라 할 수 있다. 그러나 실제 사고는 통제 기준 이하의 조건에서도 발생하고 있어(Toffoli et al., 2005; Jeong and Im, 2023), 단일 지표는 사고 발생 구조를 충분히 설명할 수 없는 것으로 판단된다.

소형선박 전복·침몰 사고에 대한 연구는 선박 복원성, 적재 상태, 인적 요인 등 내부 요인을 중심으로 수행되어 왔으며(Jung et al., 2012), 최근에는 외부 환경 요인에 대한 분석도 수행되고 있다. Niclasen et al.(2010)은 유의파고 자체보다 파형 경사, 파향, 국지적 지형 증폭 효과가 안전성에 더 직접적으로 작용한다고 지적하였다. Toffoli et al.(2005)는 평균 파고 수준이 낮은 조건에서도 사고가 발생하며, 파랑의 단기 급변이나 교차파와 같은 복합 조건이 위험을 증폭시킨다고 분석한 바 있다. 국내 연구에서도 Jeong and Im(2023)은 전복 사고가 현행 출항 통제 기준 이하의 파고 조건에서 다수 발생함을 제시하며, 파고 단독 기준의 한계를 지적하였다. 이러한 연구들은 기상·해양 조건이 사고와 밀접하게 연결됨을 보여주지만, 대체로 개별 변수의 독립적 효과를 중심으로 분석되었다는 공통된 한계를 지닌다.

한편, 지리적 특성도 사고 발생과 밀접한 연관이 있다. 연안 거리, 수심, 암초 분포 등 공간적 제약 요인은 사고 확률을 증가시키는 요소로 제시되어 왔다(Jin and Thunberg, 2005). 그러나 기상 조건과 공간 요인을 통합적으로 고려하여 사고 발생 확률을 구조적으로 설명한 연구는 많지 않다.

교통 안전 분야에서는 환경 조건과 노출의 관계를 함께 고려하는 접근이 있었다. Eisenberg(2004)는 강수 효과가 단순히 사고 수를 증가시키는 것이 아니라, 특정 조건과 결합될 때 위험이 증폭됨을 보였다. 이는 위험이 단일 환경 변수의 결과라기보다, 다양한 조건이 결합되어 나타남을 시사한다. 반면 해양 분야에서는 기상, 공간, 활동 노출을 동시에 고려하여 사고 발생 구조를 확률적으로 모델링한 연구가 제한적이다.

소형선박 전복·침몰 사고는 특정 해역에서의 활동, 기상 조건, 공간적 제약이 복합적으로 작용하는 구조 속에서 발생한다. 따라서 사고 발생은 개별 요인의 단순 합이 아니라, 변수 간 조건부 의존 관계를 반영한 확률 체계로 접근할 필요가 있다.

이에 본 연구는 연안 해역을 격자 단위로 구분하여 사고 발생 공간 패턴을 정량화하고, 유의파고, 교통량, 계절 등 외생 요인을 중심으로 조건부 확률 구조를 구성하였다. 특히 베이지안 네트워크를 활용하여 기상·공간·활동 변수 간 의존 관계를 구조적으로 표현하고, 전복·침몰 사고 발생 확률을 시나리오 기반으로 추정하고자 한다. 이를 통해 소형선박 사고 위험을 공간적으로 해석 가능한 형태로 제시하고, 해역 단위 안전관리의 정량적 근거를 마련하고자 한다.

2. 방법론

본 연구는 연안 해역에서 발생하는 소형선박의 전복·침몰 사고에 영향을 미치는 복합적 위험 요인을 규명하기 위해 데이터 기반 베이지안 네트워크 모델을 구축하였다. 연구의 수행 절차는 크게 세 단계로 구성된다. 첫째, 전복·침몰 사고 발생 데이터, 해상 기상 데이터, 그리고 공간 격자별 선박 교통 데이터를 수집하고 병합하여 분석용 데이터셋을 구축하였다. 둘째, K-Means 군집화 알고리즘을 적용하여 연속형 변수를 이산화했다. 셋째, 전처리 데이터를 활용하여 베이지안 네트워크의 구조를 학습하고 민감도 분석을 통해 시나리오를 추론하였다.

2.1 분석 데이터 및 변수 정의

본 연구에서 사용된 변수는 사고 발생 여부를 종속 변수로 설정하고, 교통량, 소형선박 비율, 해역 구분, 파고 및 계절 등 공간·기상·활동 요인을 독립 변수로 구성하였다. 각 변수는 베이지안 네트워크 구조에서 조건부 의존 관계를 형성하도록 설정되었으며, 이를 통해 소형선박 전복·침몰 사고의 발생 확률을 시나리오 기반으로 추정하였다. Table 1은 각 변수의 정의를 나타낸다.

2.2 데이터 전처리

베이지안 네트워크 모델은 이산형 변수 간 조건부 확률을 계산하는 데 특화되어 있으므로, 연속형 데이터의 이산화 과정이 필수적이다. 본 연구는 비지도 학습 알고리즘인 K-Means 군집화를 활용했다. K-Means는 데이터 간의 거리를 기반으로 군집 내 분산을 최소화하고 군집 간 분산을 최대화하는 최적의 경계값을 수학적으로 도출하며, (식 1)과 같다(MacQueen, 1967).

여기서 K는 군집의 개수(교통량의 경우 K=4, 소형선박 비율의 경우 K=3), C j는 j번째 군집, x i는 개별 관측 데이터(격자별 교통량 및 소형선박 비율), 그리고 μ j는 해당 군집 C j의 중심점을 의미한다. 본 연구는 목적 함수 J가 최소화되는 지점을 수학적으로 도출하여, 연속형 변수를 이산화 했다.

이에 따라 ‘교통량’ 변수는 실질적인 통항 밀집 특성을 가장 잘 반영할 수 있도록 4개의 군집(Low, Normal, High, Very high)으로 분류하였으며, ‘소형선박 비율’ 변수는 3개의 군집(Low, Medium, High)으로 범주화했다.

2.3 베이지안 네트워크

2.3.1 개요

베이지안 네트워크는 변수 간의 복합적인 상호의존 관계를 방향성 비순환 그래프 형태로 표현하는 확률론적 그래픽 모델이다. 이 모델에서는 각 노드가 하나의 확률 변수를 나타내며, 노드 간 연결된 엣지는 변수 간의 조건부 의존 관계를 의미한다.

베이지안 네트워크는 시스템 내 모든 변수의 결합 확률 분포를 조건부 독립성 가정을 활용하여 분해할 수 있으며, 그 기본 원리는 식 (2)와 같이 표현된다(Heckerman, 1995).

여기서 X 1 , X 2 , … , X n은 모델을 구성하는 확률 변수 집합을 의미하며, P a ( X i )는 그래프 상에서 변수 X i에 직접적인 영향을 미치는 부모 노드의 집합을 의미한다. 이러한 구조를 통해 복잡한 확률 분포를 지역적 조건부 확률의 곱으로 표현할 수 있으며, 변수 간 확률적 의존 관계를 직관적으로 해석할 수 있다.

사고 발생 사건을 A, 관측된 조건을 E라 할 때 사후 확률은 베이즈 정리에 따라 식 (3)과 같이 계산된다.

본 연구에서는 GeNIe 5.0 소프트웨어를 활용하여 기상 조건, 교통 밀집도, 선박 활동 특성, 공간적 요인 등 다양한 요인 간의 확률적 의존 구조를 모델링하고, 소형선박 전복·침몰 사고의 발생 확률을 정량적으로 추론하였다(BayesFusion, 2023).

2.3.2 그래프 구조 설계

베이지안 네트워크의 구조 학습은 데이터의 패턴을 가장 잘 설명하는 최적의 그래프 구조를 탐색하는 과정이다. 본 연구에서는 점수 기반 구조 학습 방법을 적용하였다(Koller and Friedman, 2009).

점수 기반 구조 학습은 가능한 그래프 구조 후보들에 대해 점수를 계산하고, 해당 점수를 최대화하는 구조를 선택하는 방식으로 이루어진다. 본 연구에서는 모델의 적합도와 복잡도를 동시에 고려하기 위해 베이지안 정보 기준(Bayesian Information Criterion, BIC)을 점수 함수로 사용하였다. BIC 점수는 식 (4)와 같다(Schwarz, 1978).

여기서 log P ( D θ ^ , G )는 주어진 구조 G에서 데이터 D가 나타날 로그 우도(log-likelihood)를 의미하며, d는 모델의 자유 매개변수 수, N은 표본의 개수를 의미한다. 두 번째 항은 모델이 과도하게 복잡해지는 것을 방지하기 위한 항이다.

본 연구에서는 BIC 점수를 최대화하는 방향으로 네트워크 구조를 탐색하여 변수 간 의존 관계를 결정하였다. 이를 통해 데이터에 기반한 확률적 관계 구조를 도출하였다.

2.3.3 조건부확률표 산출

네트워크 구조가 확정된 이후, 각 노드의 조건부 확률표를 산출했다. 조건부확률표는 부모 노드 상태가 주어졌을 때, 해당 변수의 상태가 나타날 조건부 확률을 의미한다. 본 연구에서는 실제 관측 데이터를 기반으로 계산했다. 다만 데이터가 없어서 발생할 수 있는 ‘0의 확률(zero probability)’ 문제를 방지하기 위해 디리클레 사전 분포(Dirichlet prior)를 이용한 베이지안 추정 방법을 적용했으며, 식 (5)와 같다(Heckerman, 1995).

여기서 N i j k는 부모 노드 상태 j가 주어졌을 때 변수 X i가 상태 k를 나타낸 실제 관측 빈도를 의미하며, α i j k는 디리클레 사전 분포에 따른 가상 관측값(pseudo-count)을 의미한다. 이러한 베이지안 추정 방법은 관측 데이터가 제한적인 상황에서도 안정적인 확률 추정을 가능하게 한다.

여기서 K는 군집의 개수(교통량의 경우 K=4, 소형선박 비율의 경우 K=3), C j는 j번째 군집, x i는 개별 관측 데이터(격자별 교통량 및 소형선박 비율), 그리고 μ j는 해당 군집 C j의 중심점을 의미한다. 본 연구는 목적 함수 J가 최소화되는 지점을 수학적으로 도출하여, 연속형 변수를 이산화 했다.

이에 따라 ‘교통량’ 변수는 실질적인 통항 밀집 특성을 가장 잘 반영할 수 있도록 4개의 군집(Low, Normal, High, Very high)으로 분류하였으며, ‘소형선박 비율’ 변수는 3개의 군집(Low, Medium, High)으로 범주화했다.

3. 분석결과

3.1 데이터 전처리 결과

Fig. 1은 본 연구에서 사용된 사고 자료와 주요 설명 변수의 공간적 분포를 나타낸 것이다. 격자는 우리나라 연안해역을 대상으로 3′×3′ (5km × 5km) 크기로 설정했으며, 항만구역을 제외한 총 6,014개의 격자를 활용했다(KHOA, 2026).

Fig. 1(a)는 분석 기간 동안 발생한 소형선박 전복·침몰 사고의 계절별 분포를 나타낸다. 사고는 사계절로 구분하여 표시하였으며, 연안 해역을 중심으로 높은 발생 밀도를 보였다(KMST, 2025). Fig. 1(b)는 해양교통안전정보시스템 자료를 활용하여 산출한 격자별 교통량을 나타낸 자료다. 교통량은 K-means 군집화를 통해 Low(0~68척/일), Normal(68~239척/일), High(239~579척/일), Very high(570~1254척/일)로 분류하였다(KOMSA, 2025). 분석 결과 주요 항로와 연안 항만 인근 해역에서 높은 밀집도가 나타났다. Fig. 1(c)는 격자 내 통항 선박 중 소형선박 비율을 나타낸다. 비율은 K-means 군집화를 통해 Low(0~25%), Medium(25~68%), High(68~100%)로 구분했다. 소형선박 비율이 높은 해역은 주로 연안 어업 활동이 활발한 지역에서 나타났다(KOMSA, 2025). Fig. 1(d)는 해역의 공간적 특성을 반영하기 위해 기상청 예보업무규정에 따라 앞바다(Coastal), 안쪽 먼바다(Inner offshore), 바깥 먼바다(Outer offshore)로 구분한 결과를 나타낸다(KMA, 2025a).

Fig. 1(e)와 (f)는 각각 최대 유의파고와 평균 유의파고의 공간 분포를 나타낸 것이다. 파고 자료는 최근 5년간(2020-2024) 지점별 월평균 파고 자료를 활용했으며, 1등급(0.5m이하), 2등급(0.5~1.0m), 3등급(1.0~2.0m), 4등급(2.0~3.0m), 5등급(3.0m초과)으로 구분했다(KMA, 2025b).

3.2 네트워크 구조 도출 결과

Fig. 2는 베이지안 네트워크 구조 학습을 통해 도출된 변수 간 네트워크 구조를 나타낸다. 구조 학습은 점수 기반 알고리즘을 적용하여 수행하였으며, 베이지안 정보 기준(BIC)을 최대화하는 방향성 비순환 그래프(DAG)를 최종 네트워크 구조로 채택했다.

격자 내 전복·침몰 사고 발생은 교통 변수와 공간 변수로부터 직접적인 영향을 받는 것으로 나타났다. 이는 대상 해역의 교통량과 육지로부터의 거리가 소형선박의 전복·침몰 사고에 가장 큰 연관관계가 있는 핵심 변수임을 의미한다.

해역(Zone)은 네트워크 내에서 상위 구조 변수로서 중요한 역할을 하며, 교통량(Traffic), 소형선박 비율(Rate), 평균 유의파고(Wave) 및 최대 유의파고(Max wave)에 동시에 영향을 미치는 구조를 형성하였다. 이는 연안 해역과 외해 해역 간의 해양 환경 차이가 항행 선박의 종류 및 교통량과 상호 연관되어 있음을 의미한다. 특히 연안 해역에서는 선박 활동이 집중되고 가항 수역이 제한되는 특성이 두드러지며, 이러한 공간적 특성이 교통 환경을 매개로 사고 발생과 연결될 수 있음을 보여준다.

해양 기상 변수인 평균 유의파고(Wave)와 최대 유의파고(Max wave)는 상호 연관된 구조를 형성하는 것으로 나타났다. 두 변수는 모두 해역(Zone)과 계절(Season)의 영향을 받는 것으로 분석되었으며, 이는 계절 및 육지와의 거리에 따라 기상 조건이 달라질 수 있음을 반영한다.

네트워크 구조에서 소형선박 비율(Rate)은 기상, 계절 및 해역의 영향을 받는 동시에 교통량(Traffic)에도 영향을 미치는 것으로 나타났다. 이는 소형선박의 활동이 기상 조건 및 해역 특성에 따라 달라지며, 소형선박 활동 비율이 교통량 변화와도 밀접하게 연관되어 있음을 의미한다.

계절 변수(Season)는 네트워크 상에서 상위 노드로 위치하여 해양 기상 변수와 소형선박 비율에 영향을 미치는 것으로 나타났다. 이는 계절 변화가 기상 조건뿐만 아니라 해상 활동 패턴에도 유의미한 영향을 미칠 수 있음을 시사한다. 예를 들어, 특정 계절에는 기상 조건의 변화와 함께 어업 및 레저 활동이 증가할 수 있으며, 이러한 활동의 변화가 해양 환경 및 교통 환경을 매개로 사고 위험과 간접적으로 연결될 가능성이 있음을 보여준다.

본 연구에서 도출된 네트워크 구조는 소형선박의 전복·침몰 사고가 교통 환경, 해양 환경, 공간적 특성, 계절적 요인의 복합적 상호작용에 의해 발생함을 보여준다. 특히 교통 변수와 공간 변수는 사고 발생과 직접적으로 연결되는 핵심 요인으로 확인되었으며, 계절 변수와 해양 환경 변수는 이러한 관계를 매개하는 간접적 요인으로 작용하는 것으로 분석되었다.

3.3 사전분포 분석

Fig. 3은 베이지안 네트워크 모형에서 산출된 각 변수의 사전 확률 분포를 나타낸다. 전복·침몰 사고 발생 확률은 4%로 나타났으며, 사고가 발생하지 않을 확률은 96%로 나타났다. 이는 연구 대상 격자에서 전복·침몰 사고가 비교적 낮은 빈도로 발생하는 사건임을 의미한다.

해양 기상 및 공간 변수를 살펴보면, 평균 유의파고(Wave)는 1등급 31%, 2등급 52%로 1~2등급의 평온한 기상임을 알 수 있다. 해역(Zone)은 안쪽 먼바다(Inner offshore)가 58%로 가장 넓은 비중을 차지했다. 앞바다(Coastal) 39%, 바깥 먼바다(Outer offshore) 2%로 대상해역은 대부분 연안 및 근해수역에 집중되어 있다.

교통 변수를 살펴보면, 교통량(Traffic)은 Low 상태가 82%로 가장 많았으며, Very high 수준이 1%로 가장 적었다. 대상 해역 교통량 분포가 고르지 않은 것은 선박은 주로 항행하는 구역을 항해하기 때문인 것으로 판단된다. 한편 소형선박 비율은 High 수준부터 각각 38%, 28%, 34%로 비교적 고르게 분포하고 있다. 특히 교통량과 비율이 모두 높은 구간이 결합되면, 소형선박 운항이 많아져 해역이 더욱 복잡할 것으로 예상된다.

마지막으로 계절 변수는 봄, 여름, 가을, 겨울이 각각 약 25% 수준으로 나타나 계절별 데이터 분포가 비교적 균형을 이루고 있음을 확인할 수 있었다.

3.4 심각도 분석 결과

베이지안 네트워크 모형에서 각 변수 상태와 사고 발생 확률의 연관성을 평가하기 위해 민감도 분석을 수행하였다. 민감도 분석은 특정 변수의 상태가 변화할 때 사고 발생 확률 P(Accident)이 얼마나 변화하는지를 정량적으로 평가하는 방법으로, 분석 결과는 Fig. 4에 제시하였다.

분석 결과, 기본 사고 발생 확률은 약 0.04309(약 4%)로 나타났으며, 이는 전체 격자에서 전복·침몰 사고가 상대적으로 낮은 빈도로 발생하는 사건임을 나타낸다. 사고 발생 확률 변화에 가장 연관이 있는 변수는 해역(Zone)과 교통량(Traffic)으로 확인되었다.

해역 변수의 경우, 대상 해역이 앞바다(Coastal)에 해당하는 경우 사고 발생 확률이 9.73%까지 증가하는 것으로 나타난 반면, 바깥 먼바다(Outer offshore)에 해당하는 경우에는 3.8%로 감소하였다. 이는 소형선박의 전복·침몰 사고가 육지와 인접한 연안 해역에서 주로 발생하는 특성을 반영하는 결과로 판단된다.

교통량 변수의 경우, 교통량이 매우 많음(Very high) 또는 많음(High)인 조건에서 사고 발생 확률이 최소 6.5% 이상으로 증가함을 확인하였다. 특히 소형선박 비율이 낮고, 평균 유의파고 수준이 2이며, 안쪽 먼바다(Inner offshore)에 해당하는 조건에서는 사고 발생 확률이 13.3%까지 증가하여, 기본 사고 발생 확률 대비 약 3.3배 높은 것으로 분석되었다. 또한 교통량은 많으나 소형선박 비율이 낮은 경우, 파고 수준이 높을 때에는 선박 규모에 따른 출항 통제로 인해 사고 발생 확률이 8.15%까지 상승할 수 있음도 확인되었다.

해양 기상 변수의 경우, 파랑 수준 4 및 5 상태가 특정 계절 및 해역 조건과 결합될 때 사고 발생 확률에 민감하게 작용하는 것으로 나타났다. 특히 봄 또는 가을에 안쪽 먼바다(Inner offshore) 조건이 결합될 경우, 사고 발생 확률이 6.9%까지 증가할 수 있음을 확인하였다. 이는 높은 파랑 조건이 특정 계절과 결합될 때 사고 위험 증가와 연관될 수 있음을 시사하며, 교통량 변수에 비해 상대적으로 낮은 수준의 연관성이 있는 것으로 나타났다.

종합하면, 소형선박의 전복·침몰 사고 발생에 가장 큰 영향을 미치는 변수는 교통량과 해역 위치로 확인되었다. 해역 변수는 연안 해역에서 사고 발생 확률을 유의미하게 증가시키며, 교통량 변수는 소형선박 비율 및 파랑 조건과 복합적으로 결합될 때 사고 발생 확률 변화와 더 큰 연관성이 있는 것으로 분석되었다.

3.5 전방추론을 통한 사고확률 예측

민감도 분석을 통해 식별된 핵심 위험 요인들이 단독 혹은 복합적으로 발생했을 때 사고 발생 확률이 어떻게 변화하는지 확인하기 위해 전방 추론을 수행하였다. Fig. 5는 각 조건별 전복·침몰 사고 발생 확률을 나타내는 그래프이다.

추론을 위한 기준점인 사전확률은 4.3%로 산출되었으며, 이를 바탕으로 다음과 같이 4단계의 조건을 구성하여 사고 발생 확률을 비교하였다. 지형적 제약 요인만을 통제하기 위해 대상 해역을 앞바다(Zone=Coastal)로 고정한 결과, 사고 발생 확률은 9.7%로 상승하였다. 이는 수심이 얕고 지형이 복잡한 앞바다 수역이 기본 상태(4.3%) 대비 약 2.2배 높은 내재적 위험성을 지니고 있음을 나타낸다.

기상 악화 요인을 검증하기 위해, 유의파고 4등급(Wave=Level_4)을 증거로 고정하였다. 그 결과 사고 확률은 19.3%로, 기본 확률 대비 약 4.5배 상승하였다. 이는 거센 파랑이 선박의 복원성에 심각한 위협이 됨을 재확인하는 결과이다.

민감도 분석에서 가장 크게 변동했던 교통량을 매우 높음(Very high)으로 고정하였다. 분석 결과, 사고 발생 확률은 55.2%로 증가하였다. 이는 기상 악화 시나리오(19.3%)보다 약 2.8배 높은 수치로 교통량이 가장 큰 영향을 미치는 변수임을 확인했다. 앞선 모든 위험 조건(앞바다, 파고 4등급, 매우 많은 교통량)이 동시에 발생하는 경우를 가정한 결과, 사고 발생 확률은 55.3%로 산출되었다. 단독 교통량 매우 많음 조건(55.2%)과 복합 조건(55.3%)의 사후 확률 차이가 0.1%였다. 본 연구에서 활용하는 네트워크 구조는 사고에 직접 영향을 미치는 요인이 교통량과 지역으로 기상 조건은 직접적인 영향 변수로 나타나지 않았다.

시나리오 분석 결과, 소형선박 전복·침몰 사고는 단독 요인도 사고 확률 증가에 영향을 끼쳤지만 복합요인이 가장 높게 사고 확률을 높였다. 즉 사고 위험 관리는 특정요인에 대한 단독 대응보다는 다양한 조건을 고려한 위험 전략이 필요함을 확인할 수 있었다.

4. 고 찰

100톤 미만 소형선박 사고는 2024년 해양사고 통계를 기준으로 3,116척 발생하여 전체 87.5%를 차지했으며, 그 중 인명피해 관점에서 전복·침몰 사고는 심각도가 높은 편이다. 선행연구에 따르면 이러한 소형선박 전복·침몰 사고는 다양한 요인에 의해 발생하고 있다. 본 연구는 선박 통항, 기상, 해역 데이터를 융합하여 소형선박 전복·침몰 사고의 복합적인 인과관계를 베이지안 네트워크를 활용하여 정량적으로 분석하였다.

전복·침몰 사고 발생 확률에 영향을 미치는 요소를 도출하기 위해 민감도 분석을 수행했으며, 교통량, 해역 특성 및 파고가 영향을 미쳤다. 교통량이 많고, 육지에서 가까운 해역이며, 파고가 높은 조건일수록 사고확률이 증가하였다. 이는 선행연구(Jin and Thunberg, 2005; KOMSA, 2026)의 결과와 일관된 경향을 보인다. 또한 선행연구(Jeong and Im, 2023)에서 지적한 바와 같이 기상조건이 양호 할 때에도 교통량이 많다면 사고 발생확률이 높아짐을 확인했다. 특히 교통량이 매우 높은 육상과 가까운 앞바다의 경우 사고 발생확률은 55%로 기존 대비 약 12.8배 증가하는 것을 확인했다.

현행 소형선박 출항 통제는 풍랑주의보 등 ‘기상특보’에 주로 의존하고 있다. 그러나 본 연구의 결과는 파고가 보통 수준의 평온한 날에도 교통량이나 해역에 전복·침몰 사고 발생확률이 높은 것을 확인했다. 이는 선행연구에서 지적한 선박 복원성, 인적요인 등 내부요인(Jung et al., 2012)의 영향이나 Niclasen et al.(2010)가 지적한바와 같이 국지적인 해양환경의 영향이 교통량과 결합한 결과일 수도 있다. 그러나 본 연구는 해역의 공간 데이터를 기반으로 활용할 수 있는 데이터를 연계하여 각 개별 선박의 내부 요인이나 국지적인 해양환경은 반영하지 못한 것이 한계점이다. 향후 연구에서는 선박자동식별장치(AIS) 항적 데이터와 기상 데이터를 결합한 동적 베이지안 네트워크로 모델을 고도화할 필요가 있다. 이런 접근은 향후 해양사고 위험 평가와 예방 정책 수립에 활용할 수 있는 정교한 해양사고 예측 모델을 구축에 기여할 수 있을 것으로 기대된다.

5. 결 론

본 연구는 대한민국 연안 해역에서 발생하는 100톤 미만 소형선박 전복·침몰 사고 발생 구조를 분석하기 위해 선박 통항 데이터, 기상 정보, 해역 공간 데이터를 통합하여 베이지안 네트워크 기반 위험 분석을 수행하였다. 기존 연구들이 개별 요인을 중심으로 사고 특성을 분석한 것과 달리, 본 연구는 교통 환경, 해역 특성, 기상 조건 간 인과관계를 동시에 고려하여 사고 발생 확률 변화를 정량적으로 분석했으며, 주요 결과는 다음과 같다.

본 연구는 해양사고 분석에 베이지안 네트워크를 적용하여 위험 요인 간 인과 구조를 정량적으로 도출하고, 특정 조건 변화에 따른 사고 발생 확률을 시나리오 기반으로 평가할 수 있음을 제시하였다. 이러한 접근은 해양사고 위험 평가 및 해상교통 안전 관리 정책 수립에 활용 가능한 분석 방법을 제공한다는 점에서 의의가 있다.

다만 본 연구는 해역 공간 데이터 기반 거시적 분석을 수행함에 따라 선박의 운항 특성, 인적 요인, 선박 복원성 등 개별 선박의 내부 요인을 충분히 반영하지 못한 한계가 있다. 또한 항적 데이터의 시간적 변화까지 고려하지 못한 정적 분석이라는 점에서도 제한이 존재한다. 향후 연구에서는 AIS 기반 고해상도 항적 데이터와 기상 정보를 결합한 동적 베이지안 네트워크 모델을 적용하여 시간 변화에 따른 해양사고 위험도를 보다 정밀하게 분석할 필요가 있다.