AHP의 계층구조도에 따라 최종목표를 도로함몰로 설정하고 제1수준에는 발생월일, 행정구역, 관로, 매설년도와 관로손상, 지하수위 변동 5가지로 구분 하여 계층을 나누어 계층 구조도를 도식화 해보았다.

도식화한 그림은 <그림 1>과 같다.

통상적으로 AHP(Jungho Lee, Joong Hoon Kim and Hungsoo Kim, Eung Seok Kim, Deok Jun Jo, 2004)분석을 진행할 때 제1수준은 3~7개의 계층을 형성한다. 하지만 1수준의 계층 수가 많아지면 식이 복잡해지고 분석하는데 많은 시간이 소요되기 때문에 이번 연구에서는 발생월일, 행정구역(지질), 하수관로 매설(설치)년도 3개 수준을 선정하여 AHP 조사를 통해 데이터 분석을 진행하였다.(Dong Hwan Jeong, Yang seok Cho, Kyung hee Ahn, In Cheol Choi, Hyen Mi Chung, Jae kwan Lee, 2016)

1차 데이터는 서울시가 보유한 데이터를 이용하였다. 보유 데이터는 첫 번째 행정구역별 하수관로로 인한 도로함몰 발생건수, 두 번째는 월 별 도로 함몰 발생건수, 세 번째는 관 설치년도 별 도로함몰 발생 건수로 데이터가 의미하는 바는 <표 1>과 같다.

1차적으로는 각각의 데이터의 빈도수를 이용하여 도로함몰 가중치를 부여하였다.

첫 번째 행정구역 별 도로함몰 발생건수를 이용하여 1차 가중치를 부여하였다.

각 행정구역 별 가중치 점수산정은 각 지역구별 도로함몰 발생건수에서 하수관로로 인한 도로함몰 발생건수인 3,897건을 나누어 각각의 점수를 산정 하였다. 사용한 식은 <식 1>와 같다.

두 번째 월 별 도로함몰 발생건수는 각 행정구역별로 특성이 다르기 때문에 25개의 행정구역 별로 12월의 가중치 점수를 각각 산정했다. 따라서 각 구별로 상이한 가중치 점수 값을 가진다. 월별 가중치 점수 산정에 사용한 식은 <식 2>와 같다.

세 번째 관 설치년도 별 도로함몰 발생건수 역시 각 지역구 별로 특성이 다르기 때문에 25개의 행정구역으로 먼저 나눈 뒤, 5년 단위로 가중치 점수를 산정했다.

관 설치년도의 범위는 1970년대 이전, 1971-1975년, 1976-1980년, 1981-1985년, 1986-1990년, 1991-1995년, 1996-2000년, 2001-2005년, 2006-2010년,2011-2016년이다. 마찬가지로 지역구별로 상이한 가중치가 나왔다. 가중치 값을 얻는데 사용한 식은 <식 3>과 같다.

1차 데이터를 분석할 때에는 각 주제 별 도로함몰 발생건수가 있기 때문에 발생빈도에 따른 가중치 분석을 했지만, 3가지 인자 중 어떤 인자가 더 중요한지 판단할 수 없기 때문에 AHP기법을 이용하였다.

설문지에서 평가기준의 중요도를 평가하고 하나의 계층을 구성하는 각 평가요소들을 둘씩 짝을 지어 상위 평가기준의 관점에서 상대적 중요도를 평가자의 주관적 판단이나 설문을 통해 쌍대비교 평가를 실시한다.

쌍대비교 도식화 모형은 <그림 2>와 같다.

평가기준의 중요도 서술적 평가와 정량화 점수는 매우 중요 3점, 약간 중요 2점, 동일에는 1점, 약간 덜 중요는 12점, 매우 덜 중요는 13점으로 선정했다 <표 2>.

쌍대비교 전 설문조사를 통해 얻은 172개의 AHP검사 결과를 정리한 후 중요도 평가에 따라 정량화 점수를 산정했고, 지역구와 발생연월을 비교한 정량화 점수는 1.897점, 발생연월과 관 설치년도를 비교한 정량화 점수는 0.679점, 관 설치년도와 지역구를 비교한 정량화 점수는 1.987점을 얻을 수 있었다.

이를 토대로 상대적 중요성 비교를 했고, <표 3>과 같은 표를 얻을 수 있었다.

위 <표 3>에서 얻은 값으로 열의 합으로 지역구에서는 3.514, 발생연월에서는 4.370, 관 설치년도에서는 2.182라는 값을 얻었다. 이를 각 지점에서의 값에서 열의 합으로 나눈 뒤 행의 합을 평균내면 가중치 값을 얻을 수 있다 <표 4>.

다음 단계로는 평가자의 평가나 설문응답의 일관성을 측정하고 일관성비율(C.R.)로 나타내는 과정이다. 평가나 판단이 완벽하면 일관성 비율은 0으로 나타낼 수 있으나, 인간의 판단력에는 한계가 있으므로 대체적으로 0 ＜ C.R ≤ 0.1일 경우 일관성이 있다(Safety)고 판단한다.

일관성 비율, 지수와 최대 스칼라 값은 <식 4>, <식 5>, <식 6>을 통해서 구할 수 있다.

일관성 비율, 일관성 지수, 최대 스칼라값 식

Random Index값은 본 연구에서 n의 값이 3이기 때문에 0.58을 사용했다 <표 5>.

계산결과 최대 스칼라 값은 3.099값이 나왔으며, 일관성 지수(C.I.)값은 0.049값이 나왔다. 일관성 비율 (C.R.)값은 0.085값이 나왔으며, 0 ＜ C.R ≤ 0.1 기준에 만족하여 전체적인 AHP 검사결과가 일관성 있는 검사라고 할 수 있으며, 이는 곧 의사결정이 타당한 것이라 할 수 있다.

검사 전 172개의 AHP 검사에 대해서도 일관성 검사를 실시했으며, 그 중 15개에서 0.1점 이상의 점수가 나왔다.

이 15개 자료는 일관성이 없는 자료이므로 그 검사는 제외하고 AHP를 실시했다.

1차 데이터 분석과 2차 데이터 분석을 토대로 가중치를 산정했으며, QGIS 프로그램의 지도에 도로함몰 데이터 위치를 표현하기 위하여 각 지점의 위도·경도를 추가하였다. QGIS는 CSV파일 형식을 지원하고 있으므로(Shafranovich, Y, 2017)

엑셀파일로 정리되어 있는 도로함몰 가중치와 위치 데이터를 CSV파일로 변환하고, QGIS상에 벡터 레이어 형식으로 추가하였다. 벡터 레이어의 위치 좌표계는 추후 예측지도의 확장성을 고려하여 WGS 84(Decker, B. L, 1986)를 사용하였다. 그 후, 가중치에 대한 범위와 해당 범위의 색상을 설정하여 서울시 지도에 벡터 레이어의 각 지점을 표시하였다 <그림 3>.

이 때 사용한 가중치 범위는 <그림 4>이다.

벡터 레이어는 점 형태로만 나타낼 수 있는데, 본 연구에서 생성하고자 하는 예측지도는 점 형태가 아닌 각 위치들 사이의 값을 결정하는 IDW 보간기법(Yo Min Jung, hyung Il Umm, 2015)을 사용하여 면 형태로 변경하였다.

벡터 레이어의 각 위치와 가중치 값을 QGIS의 IDW 보간 프로세스에 입력하고 IDW 보간기법의 (Eui Ho Hwang, Kwan sue Jung, 2012)참조 값 개수를 결정하는 거리계수(Distance Coefficient)는 4로 설정 하여 서울시 도로함몰 위험 예측지도를 아래와 같이 생성하였다. 또한 해당 도로함몰 예측지도의 행정구역 구분을 위해 안전행정부에서 제공 하는 대한민국 행정구역 레이어를 추가하였다 <그림 5>.

가중치를 토대로 4단계의 등급으로 나누어 각 구간별로 1등급, 2등급, 3등급, 4등급으로 나누었다. 등급의 분류는 도로함몰의 가중치를 오름차순을 정리하여 그래프로 표현하였고 기울기가 달라지는 변곡점을 찾아서 등급을 분류하였다.(Myoung Soo Ham, 2019.)

1등급에 차지하는 비율은 6.4%, 2등급에서 차지하는 비율은 8.6%, 3등급의 차지 비율은 34.9%, 4등급의 차지 비율은 50.2%로 결정하였다 <그림 6> <표 6>.

25개구 지역의 가중치 등급을 건수로 나타내었고, 가중치 등급을 퍼센트로 나타내어 서울시 전체 퍼센트와 비교하였다.

서울시 전체의 표와 비교했을 때 서울시 등급보다 누적으로 높은 퍼센트를 차지하는 것에 대해 등급을 차등 부과하였다 <표 7>.

구축된 도로함몰 위험 예측지도를 적용하여 2017년 이후 발생된 도로함몰 데이터를 활용하여 위험도 예측지도에 대한 검증결과 신뢰성(41%) 있는 예측도 확보 및 4등급을 제외하고는 높은 신뢰성(58%)을 확보 할 수 있었다.

그동안 발생했던 서울시의 도로함몰 원인 분석 결과 서울시 도로함몰 발생 중 하수관로로 인한 원인 중 구조적 파손과 이음부, 연결관 파손 등 하수관로의 원인으로 인한 전체 도로함몰 건수는 전체에서 77%인 것으로 확인되었고, 이를 토대로 도로함몰 방지를 위해서는 하수관로에 대한 유지 관리가 매우 중요하다는 것을 인식할 수 있었으며, 도로함몰은 매설년도가 오래된 하수관로 일수록 가장 높게 나타났으며, 지질에 따른 도로함몰은 충적층과 비충적층 지역에서는 비슷하게 발생되었고, 도로함몰 발생 시기는 7월과 8월에 가장 높게 발생 하는 것으로 나타났다. 따라서 매설년도가 오래된 하수관로를 중심으로 지속적인 예산투자와 관리가 필요하다는 것을 파악할 수 있었다.

금번 연구를 통해 구축한 도로함몰 위험 예측지도의 활용성 높은 시스템 구축 및 고도화하기 위해서는 하수관로에 영향을 줄 수 있는 대형 공사장 및 지하 굴착공사장 등의 영향분석과 가중치 적용이 필요하며, 도로함몰 위험 예측지도에 대한 자동화 프로그램 개발을 해야 한다.

이를 통해 하수관로로 인한 도로함몰 영향에 대한 관리를 강화할 수 있을 것으로 기대된다.

또한 신규 발생되고 있는 도로함몰 데이터에 대해서는 정확한 자료(위치, 경도)입력을 위해 세부지침 제정이 필요하며, 하수관로 유지관리부서(자치구)에 지침 시달과 함께 프로그램 구축을 시행하여 향후 하수관로 빅데이터로 활용 될 수 있도록 체계적인 도로함몰 데이터 관리가 절실하다.

금회 연구를 통해 3가지 인자를 중심으로 AHP 분석을 통하여 조사대상 하수관로에 위험도 가중치를 적용하여 하수관로로 인한 도로함몰 위험 지역을 4단계로 구분하여 예측지도를 만들었고, 노후하수관로 정비 사업조사 구간 선정 및 정비 사업에 대한 우선순위를 판단할 수 있는 방안을 연구하였다.

노후하수관로 정비사업 우선순위는 하수관로의 안전도와 잔존수명, 경제성과 함께 도로함몰 위험 예측지도 결과를 종합 검토 및 평가를 통하여 최종 정비 우선순위를 결정하는 것이 합리적이라고 판단된다.

하수관로의 정확한 실태조사를 통한 DB구축을 통하여 하수관로 종류별(원형, 사각형 등) 등급을 나누어 평가하여 전체보수, 부분보수 등 하수관로 의 개량, 보수·보강 우선순위가 결정되어 개량, 보수·보강, 교체 등 우선순위 및 예산 적용 원칙에 따라 적절한 예산투자를 위한 프로그램 개발도 절실하다.

마지막으로 AHP분석을 통한 도로함몰 원인분석과 사업 우선순위의 신뢰도를 향상하기 위해 금회 연구 방법에서 활용한 다양한 요인을 반영한 계층 분류와 기술적인 항목에 대하여 지속적인 연구도 필요하다.

“도로함몰 위험 예측지도“를 바탕으로 서울시에서 운영 중인 하수도관리 시스템(GIS) 공간정보를 활용한 서울시 지반함몰 예측지도에 대한 호환 등 업그레이드가 필요하며 향후 SAR 등 레이어를 통한 도로함몰 예측 및 IoT와 센서를 개발·연구하여 노후화된 상·하수도 도로함몰 안전관리 예측 시스템을 구축하여 폭염, 한파, 지진 등 자연재해로 인한 도로함몰 예방대책 수립 및 효율적인 자산관리(Mun Seong Oh, Seong Hwan Kim, 2015)수립이 요구된다.

“서울시 노후기반시설 성능개선 및 장수명화 촉진 조례”에 따라 하수관로 성능개선과 보수, 교체 등 종합정비 계획과 통합관리 매뉴얼 확보도 필요하다.

서울시의 도로함몰 방지를 위해 지속적으로 노후화되어 가고 있는 하수관로 정비를 위해 정부차원의 꾸준한 예산지원 정책수립 또한 절실하게 필요한 실정이다.

따라서, IoT와 빅데이터를 활용하고, AHP분석을 통한 선제적 시설물 유지관리 기법 기술 개발은 하수도 정보화 분야 발전에 매우 필요하다고 판단된다.