Journal Search Engine
Search Advanced Search Adode Reader(link)
Download PDF Export Citaion korean bibliography PMC previewer
ISSN : 1229-1153(Print)
ISSN : 2465-9223(Online)
Journal of Food Hygiene and Safety Vol.33 No.1 pp.23-30
DOI : https://doi.org/10.13103/JFHS.2018.33.1.23

Evaluation of Results in Pesticide Residues on Incongruity Commercial Agricultural Commodities using Network Analysis Method

Jae Woo Park*, Jun Ho Seo, Dong Hun Lee1, Kang In Na, Sung Yong Cho, Man Jae Bae
Forces Support Systems Research Center, Defense Agency for Technology and Quality (DTaQ), Seoul, Korea
1Quality Management Operation Department, Defense Agency for Technology and Quality (DTaQ), Jinju, Korea
Correspondence to: Jae Woo Park, Forces Support Systems Research Center, Defense Agency for Technology and Quality (DTaQ), 37, Hoegi-ro, Dongdaemun-gu, Seoul 02455, Korea 82-2-961-150382-2-960-7464nickpjw@dtaq.re.kr
20170915 20171018 20171121

Abstract

The purpose of this research was to introduce network analysis method for analyzing pesticide residues in incongruity commercial agricultural commodities. Based on the “results in pesticide residues on incongruity commercial agricultural commodities” on 「Guidelines for food safety management 2017」, we used centrality analysis for pesticide residues via degree, closeness and betweenness centrality measurement. In case of degree centrality result, chlorpyrifos and diazinon were the most highly “connected node” in pesticide network. For the closeness centrality result, the most pesticides showed the similar closeness trend except for 19 species of pesticides. Fludioxonil and chlorpyrifos are recognized as the “bridge” of pesticides network with their high betweenness centrality. The results of network analysis show the “relation” data, which could not represent through out the conventional statistical analysis, among the pesticide residues. We hope that the network analysis method will be appropriate and precise tool for analyzing pesticide residues via elaboration and optimization.


네트워크 분석을 활용한 유통농산물 잔류농약 부적합 현황 분석

박 재우*, 서 준호, 이 동헌1, 나 강인, 조 성용, 배 만재
국방기술품질원 전력지원체계연구센터
1국방기술품질원 품질경영운영실

초록


    Defense Agency for Technology and Quality, DTaQ

    최근 급증하고 있는 식품안전사고는 국민의 건강을 위 협할 뿐만 아니라 사회적 불안감을 높여 안전에 대한 불 신이 사회 전반에 만연하는 부작용을 나타낸다1). 따라서 식품안전사고는 소비자의 건강 및 생명에 직결되는 사항 이므로, 우리나라에서는 식품위생법 및 세부 시행령, 시행 규칙 등에 의해서 철저하게 관리되어지고 있다. 식품위생 법 제2조(정의)에 의하면, “위해(危害)”란 식품, 식품첨가 물, 기구 또는 용기·포장에 존재하는 위험요소로서 인체의 건강을 해치거나 해칠 우려가 있는 것을 의미한다. 이러 한 식품위해를 평가하기 위한 대상은 식품위생법 시행령 제4조(위해평가의 대상 등) ②항에서 크게 3가지로 분류 하고 있으며, 이는 화학적, 물리적, 미생물적 요인으로 구 분되어 진다(Table 1).

    정부에서는 각 위해요소 별로 안전관리를 위해서 노력 하고 있으며, 특히 화학적 요인에 대해서는 유통단계에서 국민 다소비 54개 품목을 대상으로 관리하고, 이중 29개 는 중점관리 항목으로 지정하여 매년 조사를 실시하고 있 다. 나머지 25개 품목에 대해서는 순환관리 품목으로 지 정하여 3년마다 1회 조사하는 방향으로 유해물질 잔류오 염 실태를 조사하고 있다. 이때 중점관리/순환관리 분류 기준은 2009년부터 2015년 기준으로 부적합률이 0.5% 이 상/미만인지 여부를 가지고 판단하고 있다2).

    화학적 위해요소 중 농약은 사용목적에 따라서 크게 살 균제, 살충제, 제초제, 생장조정제 등으로 분류하고 있으 며 잔류농약 허용기준을 마련하여 철저하게 관리하고 있다3).

    식품의약품안전처에서 작성한 2017년도 식품안전관리 지침에 의하면, 농산물의 안정성조사를 위해서 생산단 계, 유통·판매단계 별로 세부 지침을 마련하여 관리하도록 명시하고 있다2). 이때 농산물의 수거·검사는 2014년 1월 부터 2016년 9월까지의 유통농산물별 잔류농약 부적합 현 황을 참고하여 각 시·도에서 추진계획을 수립하여 시행하 고 있다.

    이에 본 연구에서는 2017년도 식품안전관리지침내 참고자료인 “유통농산물별 잔류농약 부적합 현황(2014년 1월 ~ 2016년 9월)”에 대해 네트워크 분석을 통하여 데이 터 해석을 위한 새로운 방향성을 제시하고자 하였다.

    네트워크 분석은 최근 과학계의 큰 흐름으로 대두되고 있는 빅데이터 처리를 위한 방법론으로서, 인문·사회·과학 전 분야에 걸쳐서 새로운 연구 방법으로서 적용되고 있다. 기존의 통계분석은 개체의 데이터에 내재된 양적/질적 속 성에만 관심을 갖고 있었지만, 네트워크 분석은 개체사이 에 존재하는 관계의 데이터를 분석하는 방법론으로서 기 존의 통계분석을 보완해준다4).

    따라서 본 연구에서는 “유통농산물별 잔류농약 부적합 현황(2014년 1월 ~ 2016년 9월)”을 대상으로 네트워크 분 석을 통해서 기존의 통계분석 결과뿐 만 아니라 농약 사 이의 연관관계를 파악하고, 이를 토대로 농산물 부적합 현 황 분석을 위한 네트워크 분석의 적용 가능여부를 확인 하였다.

    Materials and Methods

    데이터 출처

    본 연구에서 사용한 데이터는 2017년도 식품안전관리 지침내 참고자료인 “유통농산물별 잔류농약 부적합 현 황(2014년 1월 ~ 2016년 9월)”을 활용하였다2). 농약성분 이 검출된 88종의 농산물에 대한 정보는 Table 2와 같다.

    네트워크 분석을 위한 데이터 처리 방법

    데이터에 대한 핵심어 및 키워드 분석은 가장 대표적으로 사용되는 소프트웨어인 Krkwic 분석툴을 사용하였으며5), 분석 및 시각화 도구로서는 범용소프트웨어인 Ucinet을 사 용하였다6).

    중심성 분석 방법

    연결정도 중심성(degree centrality)은 네트워크의 노드들 이 얼마나 많은 연결을 가지고 있는지를 정량화한 것으로 서, 식 (1)을 이용하여 산출하였다.

    C i = d i n 1
    (1)

    여기에서 di는 특정 노드에서의 연결정도, n은 네트워크 내 전체 노드 수이다.

    근접 중심성(closeness centrality)은 네트워크 내의 다른 노드들과 얼마나 근접하게 연결되어 있는 지를 정량화 한 것으로, 식 (2)를 이용하여 산출하였다.

    C i = 1 j = 1 n d i j ( n 1 )
    (2)

    여기에서 dij는 특정노드(j)에 대한 연결거리를 의미하며, n은 네트워크 내 전체 노드 수이다.

    매개 중심성(betweenness centrality)은 하나의 노드가 네 트워크를 구축함에 있어서 중개자 역할의 정도를 정량화 한 것으로, 식 (3)을 이용하여 산출하였다.

    C i = j , k g j k ( i ) g j k ( n 1 ) ( n 2 ) / 2 ( 단, j k i , j , k , i N )
    (3)

    여기에서 gjk는 노드 j와 노드 k 사이에 존재하는 최단거 리경로의 수이며, gjk(i)는 노드 j와 노드 k 사이에 존재하는 최단거리경로 중에서 노드 i를 통과하는 경우의 수이다. n 은 네트워크 내 전체 노드 수이다.

    Results and Discussion

    기초 데이터 분석 - 농약성분 검출횟수

    2017년도 식품안전관리지침내 참고자료인 “유통농 산물별 잔류농약 부적합 현황(2014년 ~ 2016년 9월)”을 분석한 결과 총 101종의 농약성분이 1,821회 검출되었다. 이를 농약 종류 별 성분 수와 검출횟수로 분류한 결과 Fig. 1과 같았다.

    검출 농약 성분 수와 횟수에 있어서 가장 많은 비율을 차지하고 있는 종류는 살충제였다. 총 50종의 성분(49.5%) 이 1,046회 검출(57.4%)되어 각각 절반 또는 절반이상의 비율을 차지하고 있었다. 그 다음으로는 살균제가 뒤를 이 었다. 총 46종의 성분(45.5%)이 728회 검출(40.0%)되었다. 성분 수의 경우에는 살충제와 큰 차이를 보이고 있지는 않았으나, 검출횟수에서 살충제의 약 69.6% 수준을 보이 고 있었다. 제초제와 생장조정제의 경우, 각각의 성분수와 검출횟수는 전체의 약 1% 수준으로서, 살충제와 제초제 대비 현저히 낮은 수준을 보이고 있었다.

    이를 다시 세부적으로 분석하기 위하여 전체 검출 성분 중 상위 10종을 대상으로 세부 현황을 정리해 보면 Table 3과 같았다.

    전체 검출 성분 중 다빈도 검출 상위 10종을 대상으로 현황을 분석한 결과 전체 검출 횟수 중 919회(50.5%)를 차지하고 있었다. 상위 3종인 chlorpyrifos, diazinon, procymidone의 경우 각각 약 11%, 10%, 7%의 비율을 차지 하고 있어 전체 101종 가운데 해당 3종이 다빈도로 검출 되고 있음을 확인 할 수 있었다.

    잔류농약 부적합현황에 대한 분석결과, 종류로서는 살충 제와 살균제가 대부분(총 95.0%)을 차지하고 있었으며, 이 들의 검출 횟수는 총 97.4%를 차지하고 있었다. 특히 상 위 10종에 대해서는 검출 횟수가 전체의 절반을 차지함을 알 수 있었다.

    기초 데이터 분석 - 농산물별 농약 검출빈도

    Table 3의 분석결과는 농산물과는 상관없이 전체 농작 물 88종을 대상으로 한 농약성분 검출 횟수 기반의 분석 결과를 보여주고 있다. 하지만 이러한 결과로는 농산물별 특정 농약성분 검출 분포에 대한 사항을 확인하는데 어려 움이 존재한다. 예를 들면, 가장 많은 검출 횟수를 보였던 chlorpyrifos의 경우에는 전체 88종의 농산물 가운데 35종 의 농산물에서만 검출되기에, 각 농산물 별로 다 빈도로 검출되는 농약성분에 대한 세부적인 분석이 필요하였다.

    먼저 농약성분 중에서 다종의 농산물에 대한 검출 빈도 가 높은 순으로 상위 10종을 정리해 보면 Table 4와 같았다.

    가장 많은 종에서 검출된 상위 4개종의 농약성분(chlorpyrifos, diazinon, procymidone, diniconazole)의 경우 앞서 Table 3에서 제시한 농약성분 다빈도 검출 상위 10종의 순 서와 같은 경향을 보였으나, 이후의 경향은 서로 다른 모 습을 보여 주었다.

    좀 더 세부적인 분석을 위하여 Table 3과 Table 4의 데 이터를 종합하여 Fig. 2와 같이 각 농약성분을 대상으로 하여 가로축은 검출횟수, 세로축은 검출 농산물 수로 도 시화하였다.

    분석결과 상위 4개종의 농약성분은 다른 97개의 성분들 보다 검출수와 검출 농산물 종수에서 월등하게 많은 비율 을 보여주고 있었다. 상위 4개 성분을 제외하고 나머지 97 개 성분을 대상으로 회귀분석을 통해서 상관관계를 분석 한 결과 농약성분 검출수와 검출 농산물 종수 사이에서 선형관계를 보여주고 있었다. 일부 5개 성분(fludioxonil, lufenuron, flubendiamine, flufenoxuron, iprodione, Fig. 2 내 적색 영역)에서는 검출 농산물 종수 대비 검출횟수가 더 우세한 경향을 보였으며, 다른 5개 성분(carbofuran, kresoxim-methyl, flutolanil, phenthoate, fluquinconazole, Fig. 2 내 녹색 영역)에서는 검출 농산물 종수가 더 우세 한 경향을 보여주고 있었다.

    하지만 서론에서 언급하였듯이, 이러한 데이터 들은 개 개의 농약성분에 대한 양적인 속성까지 밖에 확인 할 수 가 없으므로, 전체 농약 부적합 현황 데이터에서 각 성분 별 관계의 데이터를 네트워크 분석을 통해서 확인하였다.

    네트워크 분석 - 연결정도 중심성

    네트워크란 개체들이 상호 연결된 모양을 의미하며, 각 개체는 노드(node)로 표현하고, 노드 간 연결 관계를 링크 (link)로 표현한 것이다4). 이러한 네트워크를 분석하기 위 한 주요 방법으로서는 노드 수준분석, 중심성 분석, 하위 집단 분석 등이 있으며, 이중에서도 중심성 분석은 네트 워크 분석 중에서도 가장 많이 사용되는 기법이다4).

    중심성(centrality)이란 특정 개체가 전체 네트워크 중심 에서 위치하는 정도를 표현한 것으로 정의되며, 주요 중 심성 측정 지표는 연결정도 중심성(degree centrality), 근접 중심성(closeness centrality) 그리고 매개 중심성(betweenness centrality)이다7).

    연결정도 중심성(degree centrality)은 네트워크의 노드들 이 얼마나 많은 연결을 가지고 있는지를 정량화한 것으로 서, 연결 중심성이 높을수록 네트워크 내에서 영향력이 크 며, 통상적으로 중심성 분석에 가장 많이 사용되고 있는 방법이다.

    연결정도 중심성은 식 (1)을 통해서 산출하여 농약성분 들을 연결정도 중심성이 높은 순으로 정리하면 Table 5와 같았다.

    농약검출 네트워크에서 가장 높은 연결정도 중심성을 갖 는 농약성분 3종은 검출횟수와 검출 농산물 종수가 높았 던 chlorpyrifos, diazinon, procymidone의 순으로 나타났다.

    하지만 diniconazole의 경우에는 연결정도 중심성은 상 위 3종과 비교하였을 때, 현저히 낮음(상위 13번째)을 확 인 할 수 있었으며, Fig. 2에서 상대적으로 농약성분 검출 횟수가 우세하였던 flufenoxuron, lufenuron, flubendiamine, fludioxonil(각각 4, 5, 6, 7번째)이 강한 연결정도를 갖는 것 으로 나타났다.

    상대적으로 농산물 검출 총수에서 우세한 경향을 보였 던 성분 중에서는 carbofuran(16번째)를 제외하고는 상위 20종 내에 포함되지는 않았다.

    정규화한 연결정도 중심성(normalized degree centrality) 을 비교하였을 때, chlorpyrifos와 diazinon이 가장 높은 연 결을 형성하는 노드임을 확인 할 수 있었으며, 두 성분들 은 네트워크에서 가장 강력한 영향을 미치는 인자임을 확 인 할 수 있었다.

    네트워크 분석 - 근접 중심성

    근접 중심성(closeness centrality)은 네트워크 내의 다른 노드들과 얼마나 근접하게 연결되어 있는 지를 정량화 한 것으로, 이를 통해서 네트워크 전체에서 가장 일반적인 영 향력을 가지는 노드가 무엇인지를 파악할 수 있다. 따라 서 근접 중심성이 높다는 것은 해당노드가 전 네트워크 수준에서의 중심임을 의미한다.

    근접 중심성은 식 (2)를 통해서 산출하여 농약성분들을 근접 중심성이 높은 순으로 정리하면 Table 6과 같았다.

    연결정도 중심성과 마찬가지로 높은 근접 중심성을 갖 는 농약성분 3종은 검출횟수와 검출 농산물 종수가 높았 던 chlorpyrifos, diazinon, procymidone(각각 1, 3, 4번째) 였으나, 역시 diniconazole의 경우에는 연결정도 중심성과 마찬가지로 낮은 경향(17번째)을 보여주었다.

    검출횟수 대비 농산물 검출 종수에서 우세한 경향을 보 였던 carbofuran의 경우 연결정도 중심성은 낮았으나, 근접 중심성은 상당히 높은(2번째) 결과를 보여주고 있었다. 이 외에도 phenthoate, kresoxim-methyl, fluquinconazole(각각 8, 12, 17번째)이 상위 20종에 포함되었다.

    검출횟수가 우세하였던 lufenuron 및 fludioxonil, flubendiamine의 경우에는 각각 6, 12번째로 상위 20종에 포함 되었다.

    하지만 대부분의 농약성분들의 근접중심성은 대부분 유 사한 값을 보이고 있었으므로, 근접 중심성을 보이지 않 은 19개 농약성분(Anilofos, Hexaconazole, Malathion, Pyrimethanil, Dimethoate, Cyazofamid, Diflubenzuron, Chlorfluazuron, Methomyl, Fenarimol, Myclobutanil, Ferimzone, Thiram, Cymoxanil, Tolylfluanid, Tricyclazole, Thiamethoxam, Triflumizole, Phthalide)을 제외하고는 큰 차이가 없는 것으로 파악 할 수 있었다.

    네트워크 분석 - 매개 중심성

    매개 중심성(betweenness centrality)은 하나의 노드가 네 트워크를 구축함에 있어서 중개자 역할의 정도를 정량화 한 것으로, 이를 통해서 네트워크 내 중개 중심을 수행하 는 노드를 파악하는데 주로 사용된다.

    매개 중심성은 식 (3)을 통해서 산출하여 농약성분들을 근접 중심성이 높은 순으로 정리하면 Table 7과 같았다.

    매개 중심성의 경우 연결정도 중심성과 근접 중심성과 는 다른 경향을 보여주었다. 특히, 가장 매개 중심성이 높 은 농약성분은 검출 농산물 종수 대비 검출횟수가 더 우 세한 경향을 보였던 fludioxonil이 계산 되었으며, chlorpyrifos 가 그 다음을 이었다. 세 번째는 pendimethalin으로서, 매 개 중심성이 다른 중심성 결과와는 다르게 상위권에 속해 있음을 확인 할 수 있었다.

    정규화한 매개 중심성(normalized betweenness centrality) 을 비교하였을 때, fludioxonil과 chlorpyrifos가 다른 성분 들에 비해서 월등히 높은 매개 중심성을 보였으며, 이는 네트워크를 구축함에 있어서 이 두 성분이 가장 높은 중 계역할을 하는 노드임을 확인 할 수 있었다.

    네트워크 분석결과, 특히 중심성 분석을 통해서 확인할 수 있었던 점은, 기존의 통계분석에서는 동일한 빈도와 경 향을 보여주었던 농약성분들이, 전체 네트워크 상에서 노 드로서 차지하고 있는 위치와 위상이 모두 다르기 때문에 각각의 성분에 대한 네트워크 내 “중심”과 “영향력”을 파 악 할 수 있었으며, 이를 토대로 농약성분 간의 관계에 대 한 데이터를 유추 할 수 있었다.

    네트워크 분석결과 종합

    네트워크 분석(중심성 분석) 결과를 종합하여, 각 농약 성분 간의 네트워크를 NetDraw를 통해서 구조화 해보았 다. 총 101종에 대한 농약성분들의 네트워크는 Fig. 3과 같이 표현되었다. 그림에서 볼 수 있듯이, 각 농약성분 간 의 네트워크는 복잡한 속성을 보여주고 있었다.

    따라서 이를 좀 더 간결하게 표현하기 위하여 연결정도 중심성, 근접 중심성, 매개 중심성 분석 결과의 각 상위 20종을 선별하여 그 중에서 중복된 농약성분을 제외한 총 28종을 대상으로 그들 사이의 연관관계를 분석해 보았다. Fig. 4는 연결정도 중심성이 강한 순으로 노드(농약성분) 의 크기를 설정하여 연결강도 90이상으로 네트워크를 구 성하였다.

    분석결과를 통해서 우리가 확인 할 수 있는 정보는 다 음과 같았다. 예를 들면 chlorothalonil의 경우에는 각 농 산물에서 lufenuron과 동시에 출현할 수 있는 가능성이 있 으며, 실제로도 chlorothalonil이 검출된 19개의 농작물에 서 lufenuron과 동시에 검출된 경우는 10종으로 확인된다. 반면에 chlorothalonil이 chlorpyrifos와 동시에 검출된 농산 물은 13종으로서, lufenuron의 경우 보다 더 높았는데, 이 는 chlorpyrifos의 높은 연결정도 중심성 때문임을 판단 할 수 있다. 이러한 방식으로 네트워크 분석결과를 기반으로 농약 성분들 사이의 관계를 확인 할 수 있는 자료를 도출 할 수 있었다.

    Conclusion

    본 연구는 2017년도 식품안전관리지침내 참고자료 인 “유통농산물별 잔류농약 부적합 현황(2014년 1월 ~ 2016년 9월)”을 바탕으로 농약성분에 대한 네트워크 분석 을 통해서 개별 농약성분 사이에 존재하는 관계의 데이터 를 확인 하는 방법론에 대하여 고찰하였다.

    네트워크 분석 방법론은 본래 사회연결망 분석(SNA, Social Network Analysis)에 활용되는 방식으로서 인문, 사 회, 경제 등의 분야에서 널리 적용되고 있었다8). 하지만 그 중요성이 날로 더해가면서 물리학, 의학, 생명과학 등 의 자연과학 분야는 물론 스포츠, 예술 등의 학문분야 전 반으로 점차 활용 영역을 넓혀가고 있다9). 이러한 내용들 은 사람(점, 노드)들이 사회 관계망(선, 링크)을 형성하며 상호 작용을 통해서 네트워크를 구성하고 있다는 개념에 서 출발하여, 사회적 현상 뿐 만 아니라 IT분야와 과학기 술 동향 등의 연결망 분석을 통해서 구성요소 간의 상호 의존성을 이해하고 네트워크 내 경향과 이를 토대로 각 구성요소간의 행위를 예측 할 수 있도록 도움을 준다.

    유통농산물의 잔류농약 부적합 현황을 분석하였던 대부 분의 기존 연구결과들은 주로 잔류농약 검출 빈도가 높은 성분을 식별하여 중점검사 품목 선정 및 위해도 평가 등 의 대책을 수립하는데 중점을 두고 있다10-12). 특히 부적합 현황 분석에 있어서 생산지별, 농산물 별, 연도별 추세 등 의 사항으로 분류하여 농산물 안전성 관리의 기초자료로 사용하기도 하였다10). 하지만 이러한 연구결과들은 대부분 단순히 다빈도 검출에 대한 정량적 분석을 토대로 도출되 었기 때문에, 검출 농약 성분들 사이의 “관계”의 데이터 는 확인 할 수가 없었다.

    잔류농약에 대하여 네트워크 분석을 적용한 사례는 농 약 성분이 농업환경에 미치는 영향을 분석한 것이 유일하 며, 환경 요인, 질병, 농약성분 간의 관계를 분석하여 생 태계에 미치는 영향도를 평가하였다13). 하지만 네트워크 분석을 활용한 잔류농약에 대한 부적합 현황 연구는 이전 까지 시도된 적은 없는 실정이다.

    이에 본 연구에서는, 잔류농약 부적합 현황에 대하여 최 초로 네트워크 분석 방법론을 적용하였다. 기존의 단순 정 량화 방식으로 전체 101종의 농약성분 가운데 다빈도로 검출된 농약 3종을 식별한 결과 chlorpyrifos, diazinon, procymidone 순으로 식별되었으나, 중심성 분석결과는 이 들이 부적합 현황 네트워크에서 차지하는 위상이 다르다 는 것을 확인 할 수 있었다. 실제로 네트워크 상에서 가 장 많은 연결을 확인하는 “연결정도 중심성” 분석 결과에 서는 chlorpyrifos와 diazinon이 농약 성분들 사이에서 강 한 영향력을 미치는 인자임임을 확인 할 수 있었으며, 반 면에 procymidone은 flufenoxuron, lufenuron, flubendiamide 와 유사한 영향력을 미치고 있었는데, 이는 chlorpyrifos와 diazinon은 다양한 품종의 농산물에서 각 농산물 별로 비 슷한 수준으로 잔류농약이 검출이 되는 반면에, procymidone( 총 22종의 농산물에서 133회 검출)은 특정 1종 의 농산물에 편중되어 다수 검출(64회)이 되었기 때문에 네트워크에서 차지하는 영향력이 낮은 것으로 파악된다. 따라서 검출 다빈도 상위 성분과 비교하여 현저히 낮은 순위를 보이고 있는 성분은 특정 농산물에 편중하여 검출 되는 정도를 확인 할 수 있는 지표로 사용 할 수 있다고 판단된다.

    “근접 중심성” 분석결과는 대부분 유사한 경향을 보여 주고 있었으나, 특정 19종에 대해서는 근접 중심성이 없 는 것을 확인 할 수 있었다. 이러한 경우는 특정품종의 농 산물에서 오직 특정 농약성분만이 검출되었을 때를 의미 하는 것으로, 근접중심성의 유무를 통해서 중점검사 품목 으로의 선정 지표로 사용 할 수 있다고 판단된다.

    “매개 중심성” 분석결과는 fludioxonil과 chlorpyrifos가 네트워크 구축에 있어서 강한 중계역할을 수행하는 것으 로 확인되었다. 이러한 의미는 서로 다른 두 종의 성분이 동시에 검출될 때 이 두 성분을 매개로 하여 검출되고 있 음을 의미한다.

    본 연구의 방법론은 기존의 통계분석 방식으로는 농약 성분 개개의 정량화된 데이터를 기반으로 양적인 속성만 을 확인 할 수가 있었으나, 네트워크 분석을 통해서는 각 성분별 관계의 데이터 까지도 확인 할 수 있었다. 이를 통 해서 우리는 기존 통계분석을 보완하는 여러 가지 정보를 확인 할 수 있었다.

    본 연구에서 시도한 방법은 네트워크 분석 방법론에서 가장 널리 사용되는 중심성 기반의 분석을 수행하였다. 하 지만 네트워크 분석 방법은 노드 수준 분석, 하위집단 분 석, 에고 네트워크 수준 분석 등의 다양한 분석수준 및 분 석지표가 존재하기 때문에, 이러한 모든 분석 방법 중에 서 농약성분 네트워크에 맞는 분석기법을 최적화 하는 후 속 연구가 진행되어야 할 것으로 판단한다.

    향후 본 연구를 기초자료로 하여 후속 연구를 수행하게 된다면, 네트워크 분석 개념이 앞으로의 농약검출 부적합 현황 분석을 위한 새로운 패러다임으로 다양하게 적용 될 수 있으리라 생각한다.

    국문요약

    본 논문에서는 유통 농산물 잔류농약 부적합 현황 분석 을 위하여 네트워크 분석 기법을 적용하였다. 분석용 데 이터는 2017년도 식품안전관리지침내 “유통농산물별 잔류농약 부적합 현황”을 참고하였으며, 주요 분석 기법 으로는 중심성 분석(연결정도 중심성, 근접 중심성, 매개 중심성)을 적용하였다. 연결정도 중심성 분석결과 chlorpyrifos와 diazinon에서 “연결된 노드”가 가장 많은 것으로 확인되었다. 근접 중심성에서는 19종을 제외한 농약성분 들 사이에서 유사한 정도를 보여주고 있었다. 매개 중심 성 분석 결과에서는 fluioxonil과 chlorpyrifos가 가장 높은 경향을 보여주어 이들이 농약성분 네트워크에서 “가교” 역 할을 수행 하는 것으로 파악되었다. 네트워크 분석 결과, 기존의 통계분석을 통해서는 분석 할 수 없었던 농약성분 들 사이의 “관계” 데이터를 확인 할 수 있었다. 향후 이 러한 분석기법은 최적화/정교화 과정을 통해서 보다 정밀 하게 농약성분 부적합 현황 분석을 위한 도구로서 적용되 리라 기대한다.

    Acknowledgements

    본 논문은 국방기술품질원 품질경영본부 주관품질경 영 선진화정책 연구과제에 의해서 수행되었습니다.

    Figure

    JFHS-33-23_F1.gif

    Detection numbers of pesticide species and residues from Jan. 2014 to Sep. 2016.

    JFHS-33-23_F2.gif

    All pesticides were plotted the correlation between number of pesticide residues and detected agricultural commodities. Inset shows the regression result except top 4 pesticides (chlorpyrifos, diazinon, procymidone, diniconazole).

    JFHS-33-23_F3.gif

    Network diagram for all pesticides residues via NetDraw.Network diagram for all pesticides residues via NetDraw.

    JFHS-33-23_F4.gif

    Network diagram for 28 pesticides residues via NetDraw.

    Table

    Food Hazard Category on Enforcement Decree of the Food Sanitation Act. of Korea

    Status of incongruity agricultural commodities in Korea from Jan. 2014 to Sep. 2016

    Top 10 of highly detected pesticide residues

    Top 10 of highly detected pesticide residues for agricultural commodities

    Top 20 of pesticide residues for degree centrality analysis

    Top 20 of pesticide residues for closeness centrality analysis

    Top 20 of pesticide residues for betweenness centrality analysis

    Reference

    1. LeeS.H. (2017) Proposal for a direction of safety management policy, food safety management policy and consumer food safety., Sungshin Women's University,
    2. Ministry of Food and Drug Safety (2017) Food Safety Management Guidelines for 2017,
    3. National Institute of Agricultural SciencesPesticide Information Service, http://pis.rda.go.kr
    4. LeeS.S. (2016) Network Analysis Methods., Non Hyung Press,
    5. ParkH.W. LeydesdorffL. (2004) Understanding the KrKwic: A computer program for the analysis of Korean text. , J. Korean Data Anal. Soc., Vol.6 ; pp.1377-1387
    6. BorgattiS.P. EverettM.G. FreemanL.C. http://www.analytictech.com
    7. FreemanL.C. (1979) Centrality in social networks conceptual classification. , Soc. Networks, Vol.1 ; pp.215-239
    8. ScottJ. (2017) Social network analysis., SAGE Publications Ltd.,
    9. JungH.W. KimD.S. LeeH.W. (2013) Google god knows everything, Science books,
    10. KimH.Y. LeeS.Y. KimC.G. ChoiE.J. LeeE.J. JoN.G. LeeJ.M. KimY.H. (2013) A survey on the pesticide residues and risk assessment for agricultural products on the markets in Incheon area from 2010 to 2012. , Korean J. Environ. Agric., Vol.32 ; pp.61-69
    11. KimO.H. ParkS.K. ChoiY.H. SeoungH.J. HanS.H. LeeY.J. JangJ.I. KimY.H. JoH.B. ParkG.Y. YuI.S. HanK.Y. (2011) Survey on the pesticides suspected as an endocrime disrupter in agricultural products distributed in Seoul, Korean. , J. Pest Sci., Vol.15 ; pp.36-47
    12. DoJ.A. LeeH.J. ShinY.W. ChoeW.J. ChaeK.R. SoonK.C. KimW.S. (2010) Monitoring of pesticide residues in domestic agricultural products. , J. Korean Soc. Food Sci. Nutr., Vol.39 ; pp.902-908
    13. AndrasP. GwytherR. MadalinskiA.A. LyndenS.J. AndrasA. YoungM.P. (2007) Ecological network analysis: and application to the evaluation of effects of pesticide use in an agricultural environment. , Pest Manag. Sci., Vol.63 ; pp.943-953