위험 평가에서의 네트워크 이론

네트워크는 연결 패턴의 기본만을 포착하는 추상적인 구조다. 일반화된 패턴이기 때문에 네트워크 분석, 모델링 및 이해를 위해 개발된 툴은 이론적으로 여러 분야에 걸쳐 구현될 수 있다. 시스템이 네트워크로 대표될 수 있는 한, 수학적, 계산적, 통계적 등 광범위한 도구들이 잘 발달되어 있고 이해된다면 관심 시스템의 분석에 적용될 수 있다.

현재 위험 평가에 채택된 도구는 종종 충분하지만, 모델 복잡성과 계산 능력의 제한은 위험 평가자가 더 많은 인과적 연결을 포함하도록 구속할 수 있으며, 더 많은 블랙 스완 이벤트 결과를 설명할 수 있다. 위험 평가에 네트워크 이론 도구를 적용함으로써 계산상의 한계를 극복할 수 있으며, 불확실성의 범위가 좁은 사건의 적용범위를 넓힐 수 있다.^[1]

의사결정 프로세스는 일상적인 위험 평가에 통합되지 않지만, 그러한 프로세스에서 중요한 역할을 한다.^[2] 따라서 위험 평가자가 정치, 언론, 옹호자 등 외부 요인의 최소한의 개입으로 분석을 수행하고 결과를 공표함으로써 확인 편향을 최소화하는 것이 매우 중요하다. 그러나 현실에서는 정치인, 과학자(이 경우 위험도 평가자), 옹호자와 언론 사이의 철의 삼각관계를 깨는 것은 거의 불가능하다.^[3] 위험 평가자는 위험 연구와 위험 인식의 차이에 민감할 필요가 있다.^[4][5] 이 둘을 더 가깝게 만드는 한 가지 방법은 의사결정자들에게 그들이 쉽게 믿고 이해할 수 있는 데이터를 제공하는 것이다. 위험 분석 프로세스에서 네트워크를 채택하면 인과 관계를 시각화할 수 있으며 중요 사건의 확률에 가중치가 높거나 중요한 기여자를 식별할 수 있다.^[6]

"보우타이(bow-tie)" 다이어그램, 인과관계도, 베이지안 네트워크(유도된 순환 네트워크) 및 고장 수목은 네트워크 이론을 위험 평가에 적용할 수 있는 몇 가지 예다.^[7]

역학 위험 평가(그림 7과 9)에서는 일단 네트워크 모델이 구축되면 잘 연결된 환자(그림 7의 환자 1, 6, 35, 130, 127) 또는 교통량이 많은 장소(그림 9의 호텔 M)와 관련된 사람의 잠재적 노출이나 감염 위험을 시각적으로 정량화하여 평가할 수 있다. 생태학적 위험 평가(그림 8)에서 우리는 네트워크 모델을 통해 키스톤 종을 식별하고 그 영향이 조사 중인 잠재적 위험으로부터 얼마나 광범위하게 확대될 것인지를 결정할 수 있다.

리스크 평가의 핵심 구성 요소

위험성 평가는 불확실성을 다루기 위한 방법이다. 전체적인 리스크 관리 및 의사결정 과정에 도움이 되려면 극단적이고 치명적인 사건을 포착할 수 있어야 한다. "위험 평가"라는 용어는 "위험 분석"과 구별할 수 없는 것으로 보일 수 있지만 위험 평가에는 위험 분석과 위험 평가의 두 부분이 포함된다. 일반적으로 위험 평가는 다음과 같은 단계로 나눌 수 있다.^[8]

1. 리스크 분석을 계획하고 준비한다.
2. 시스템 및 분석 범위를 정의하고 구분하십시오.
3. 위험 및 잠재적 위험 사건을 식별한다.
4. 각 위험 사건의 원인과 빈도를 결정한다.
5. 각 위험 사건에 의해 개시될 수 있는 사고 시나리오(즉, 짝수 시퀀스)를 식별한다.
6. 관련성 있고 일반적인 사고 시나리오를 선택하십시오.
   

   그림 3: 위험 관리의 Bow-tie 다이어그램
7. 각 사고 시나리오의 결과를 결정한다.
8. 각 사고 시나리오의 빈도를 결정한다.
9. 불확실성을 평가한다.
10. 위험 그림을 설정하고 설명하십시오.
11. 분석을 보고한다.
12. 위험 허용 기준에 대한 위험 평가
13. 잠재적 위험 저감 대책을 제안하고 평가한다.

당연히 필요한 단계 수는 평가마다 다르다. 분석의 범위와 연구 대상의 복잡성에 따라 달라진다.^[9] 위험 분석 프로세스와 관련된 불확실성의 정도는 항상 다르기 때문에, 불확실성 및 불확실성 분석은 일반적으로 불확실성의 수준을 완화하고 따라서 전체적인 위험 평가 결과를 개선하기 위해 수행된다.

네트워크 이론 주요 구성 요소

네트워크는 시스템을 추상적인 구조로 축소하는 단순화된 표현이다. 간단히 말해서, 그것은 선으로 연결된 점들의 집합이다. 각 점은 "버텍스"로 알려져 있다(복수: "수직" 또는 "수직"으로, 각 행을 "수직" 또는 "수직"으로 한다.^[10] 네트워크 모델링과 학습은 이미 컴퓨터, 물리, 생물학, 생태학, 물류학, 사회과학 등 많은 분야에서 적용되었다. 이러한 모델의 연구를 통해 우리는 연결 패턴(즉, 네트워크)뿐만 아니라 개별 구성요소(즉, 꼭지점), 그 구성요소들 간의 연결 또는 상호작용(즉, 가장자리)에 대한 통찰력을 얻는다.

의심할 여지 없이, 주어진 네트워크의 구조(또는 패턴)의 수정은 그것이 묘사하는 시스템의 행동에 큰 영향을 미칠 수 있다. 예를 들어, 소셜 네트워크에서의 연결은 사람들이 의사소통하고, 뉴스를 교환하고, 여행을 하고, 질병을 퍼뜨리는 방법에 영향을 미친다. 이들 각각의 시스템이 어떻게 기능하는지에 대한 더 나은 이해를 얻기 위해서는, 네트워크의 구조에 대한 약간의 지식이 필요하다.

기본 용어

스몰 월드 효과

소세계 효과는 가장 주목할 만한 네트워크 현상 중 하나이다. 그것은 많은 (아마도 대부분의) 네트워크에서 정점 사이의 평균 경로 거리가 놀랄 만큼 작다는 것을 보여준다.^[11] 그것은 네트워크 연구의 다양한 분야에서 많은 시사점을 가지고 있다. 예를 들어, 소셜 네트워크에서는, 한 커뮤니티에 얼마나 빨리 소문이 퍼지는지(또는 전염병)를 곱씹어 볼 수 있다. 수학적 관점에서, 네트워크의 경로 길이는 일반적으로 로그 n(여기서 n = 네트워크 정점의 수)으로 크기 때문에, 큰 복잡한 네트워크에서도 소수의 숫자로 남아 있는 것은 논리적일 뿐이다.

또 다른 아이디어는 깔때기라고 불리는 작은 세계의 효과와 함께 온다.^[12] 1960년대 실험심리학자 스탠리 밀그램이 실시한 소셜네트워크 실험에서 파생된 것이다. 그 실험에서 그는 소세계 효과 현상과 함께 어떤 주어진 소셜 네트워크에서는 특별히 잘 연결된 것이 항상 적다고 결론지었다. 따라서 이 소수의 개인들은 어떤 회원들과 세계의 나머지 국가들 사이의 연결에 책임이 있었다.

도, 허브 및 경로

정점 정도는 정점에 연결된 가장자리 수입니다. 예를 들어, 그림 4에서 꼭지점 3은 5도 입니다. 허브는 비교적 높은 수준의 네트워크 정점이다. 다시 정점 3이 좋은 예다. 소셜 네트워크에서 허브는 지인이 많은 개인을 의미한다. 위험 평가에서 이는 다중 트리거(또는 나비넥타이 다이어그램의 인과 부분)가 있는 위험 사건을 의미할 수 있다. 네트워크의 경로는 네트워크를 가로지르는 정점과 다른 정점 사이의 경로다. 같은 그림에서 정점 1에서 6까지의 경로의 예는 1→5→3→6일 수 있다.

중심성

중심성은 네트워크에서 특정 정점이 얼마나 중요한지 측정하는 척도다. 그것은 그것과 연결된 가장자리 수(즉 그것의 정도)를 세어 측정할 수 있다. 그러므로 가장 높은 정도를 가진 정점은 높은 수준의 중심성을 가진다.

정도 중심성은 많은 의미를 가질 수 있다. 소셜 네트워크에서, 고도의 중심성을 가진 사람은 연고가 적은 사람보다 다른 사람에 대한 영향, 정보에 대한 접근성, 또는 기회가 더 많을 수 있다. 인용 네트워크에서, 고도의 중심성을 가진 논문은 그것이 더 영향력이 있고 따라서 각각의 연구 분야에 더 큰 영향을 미친다는 것을 제안할 수 있다.^[13]

Eigenvector centrality는 많은 네트워크에서 모든 정점이 동일한 가중치나 중요성을 가지지 않는다는 사실에 기초하여 정도 중심성의 개념을 확장한 것이다. 그것의 네트워크에서 꼭지점의 중요성은 그것이 중요한 꼭지점에 더 많은 연결을 가지고 있다면 증가한다. 그러므로 아이겐벡터 중심성은 하나의 정점뿐만 아니라 그 주변의 정점에 대한 중심 점수 체계로도 볼 수 있다.

구성 요소들

연결이 끊긴 네트워크에서 부분군 또는 정점의 하위 집합. 연결이 끊긴 네트워크는 그러한 네트워크에서, 그들 사이에 전혀 연결되지 않는 최소한 한 쌍의 정점이 있다는 것을 의미한다. 부절은 연결된 네트워크로 알려져 있는데, 그 안에 있는 모든 정점이 적어도 하나의 경로로 연결되어 있다. 그러므로 연결된 네트워크는 하나의 요소만 가지고 있다고 말할 수 있다.

지시된 네트워크

각 가장자리가 한 꼭지점에서 다른 꼭지점으로 방향을 갖는 네트워크. 따라서 가장자리는 지시된 가장자리로 알려져 있다. 이러한 네트워크의 예로는 이 페이지의 참조 섹션에서 링크를 사용할 수 있으며, 이 링크를 사용하면 다른 방식으로 연결할 수는 없다. 먹이 그물이라는 측면에서 보면 포식자가 먹는 먹잇감이 또 다른 예다.

유도된 네트워크는 순환 또는 순환이 될 수 있다. 순환 유도 네트워크는 가장자리의 폐쇄 루프를 가진 네트워크다. 주기적 유도 네트워크는 그러한 루프를 포함하지 않는다. 자기 에지 - 즉 정점을 자신에게 연결하는 가장자리가 사이클로 간주되기 때문에, 따라서 어떠한 주기적 네트워크에서도 존재하지 않는다.

베이시안 네트워크는 순환 유도망의 예다.

가중 네트워크

현실적으로, 모든 가장자리가 같은 중요도나 무게를 공유하는 것은 아니다(예를 들어, 소셜 네트워크에서의 연결과 푸드 웹에서의 키스톤 종들). 가중 네트워크는 그러한 요소를 연결에 추가한다. 그것은 게놈과 시스템 생물학적 용도에 널리 사용된다.

나무들

닫힌 루프가 없는 리디렉션되지 않은 네트워크. 트리는 네트워크의 일부일 수 있지만 별도의 구성 요소로 분리될 수 있다. 네트워크의 모든 부분이 나무라면, 그러한 네트워크를 숲이라고 부른다. 행정 기구는 때때로 숲으로 볼 수 있다.

기타 네트워크 이론 적용 사례

사회적 네트워크.

초기의 소셜 네트워크 연구는 19세기 말로 거슬러 올라갈 수 있다. 그러나 이 분야의 연구와 기초가 잘 문서화되어 있는 것은 대개 제이콥 모레노라는 정신과 의사에게 기인한다. 그는 Whoall Survives라는 제목의 책을 출판했다. 1934년에 사회측정학(social network analysis)의 기초를 다졌다.

소셜 네트워크 분석의 초기 발전에 기여한 또 다른 유명한 사람은 스탠리 밀그램으로 알려진 심령 심리학자다. 그의 '작은 세계' 실험은 6도의 이별과 잘 연결된 지인("사회계 슈퍼스타"로도 알려져 있다)과 같은 개념을 낳았다. 이 실험은 최근 도드즈 등이 이메일 메시지를 통해 반복했으며, 기본적인 결과는 밀그램과 비슷했다. 실험의 실제 평균 경로 길이(즉, 전자 메일 메시지가 한 명의 고유한 개인에서 다른 국가에서 의도한 대상으로 전달해야 하는 가장자리 수)는 약 5 - 7로, 원래 6도의 분리에서 크게 벗어나지 않았다.^[14]

먹이 그물

먹이사슬 또는 먹이사슬은 주어진 생태계에서 먹이-프레데이터 관계를 설명하는 지시된 네트워크의 한 예다. 이러한 유형의 네트워크의 정점은 종을 나타내고, 가장자리는 먹이-프레데이터 관계를 나타낸다. 만약 그 수집의 모든 구성원이 동일한 유기체에 의해 먹잇감이 되고 먹잇감이 된다면 종의 집합은 하나의 꼭지점으로 표현될 수 있다. 먹이 그물은 종종 반복되는데, 어른들이 청소년과 기생충을 다루는 것과 같은 거의 예외는 없다.^[15]

참고: 푸드 웹 메인 기사에서는 푸드 웹이 주기적인 것으로 묘사되었다. 그것은 주어진 생태계에 있는 탄소와 에너지원의 흐름에 기초한다. 먹이-프레데이터 역할에만 기초하여 여기에 기술된 먹이 웹; 탄소 및 질소 사이클에서 활성 상태인 유기체(분해제 및 고정자 등)는 이 설명에서 고려되지 않는다.

역학

역학은 사회적 네트워크와 밀접한 관련이 있다. 전염병은 업무 공간, 교통, 친밀한 신체 접촉 및 물 시스템 등의 연결망을 통해 확산될 수 있다(그림 7과 9 참조). 사실상 존재하는 것일 뿐 인터넷 네트워크에 퍼진 컴퓨터 바이러스는 물리적 바이러스와 크게 다르지 않다. 따라서 이러한 각각의 네트워크 패턴을 이해하면 전염병의 결과를 보다 정확하게 예측하고 더 나은 질병 예방 프로토콜을 준비하는 데 도움이 될 수 있다.

가장 간단한 감염 모델은 SI(감각 - 감염) 모델로 제시된다. 그러나 대부분의 질병은 그렇게 단순한 방법으로 작용하지 않는다. 따라서 SIR(감각 - 감염 - 회복됨), SIS(두 번째 S는 재감염을 의미함) 및 SIRS 모델과 같이 이 모델의 많은 수정이 이루어졌다. SEIR과 같은 모델에서는 대기 시간의 개념을 고려한다(E는 노출되는 것을 의미한다). SIR 모델은 Reed-Frost 모델로도 알려져 있다.^[16]

이를 발생 네트워크 모델에 포함시키려면 네트워크의 거대한 구성 요소에서 정점 분포의 정도를 고려해야 한다(작은 구성 요소에서 발생은 격리되어 빠르게 소멸되므로 전염병이 되지 않는다). 이론적으로 가중 네트워크는 정점의 노출 확률에 대해 더 정확한 정보를 제공할 수 있지만 더 많은 증거가 필요하다. 목사-사토라스 등은 가장 단순한 형태(SI 모델)로 시작해 구성 모델에서 도출된 네트워크에 적용되는 이 분야에서 많은 작업을 개척했다.^[17]

감염이 어떻게 개인의 질병을 유발하는지에 대한 생물학은 복잡하고 전문가들이 관심을 갖고 있는 또 다른 유형의 질병 패턴이다(병원체의 면역학과 바이러스 인자를 포함하는 병원체라고 알려진 과정).

메모들

참조

• 돌고아르시니크, 레지나. "Criticality in Volidation Models". 뉴욕 컬럼비아 대학교 전염병 모델에서의 중요성
• 레그레인, 아마우리, 톰 아우어스. 행정절차를 위한 기본 에이전트 모델과 네트워크 이론: 벨기에의 사회보장제도. EGPA 회의 "압박받는 공공경영자: 정치, 전문성, 시민사회 사이"(2006) : 1-40
• 마르티네즈, 네오, 던, 제니퍼 "Foodwebs.org". 태평양 생태정보학 및 컴퓨터 생태학 연구실, 2011. foodwebs.org
• 마이어스, 로렌 A, M.E.J. 뉴먼, 그리고 스테파니 섀그. 전염병에 네트워크 이론 적용: 진폐증 발생에 대한 통제 조치 신흥 전염병 9.2(2003년): 204-10
• 국가연구위원회. 연방 정부의 위험 평가: 프로세스 이해. 워싱턴 D.C.: 국립 아카데미 출판부, 1983.
• 국가연구위원회. 위험 이해: 민주사회에서 결정을 알리는 것. 워싱턴 D.C.: 국립 아카데미 출판사, 1996.
• Newman, Mark E. J. Networks: 소개. 옥스퍼드: 2010년 옥스퍼드 UP, ISBN978-0199206650.
• 피엘케 주니어, 로저 A. 정책, 정치, 관점. 네이처 416(2002년): 367-68.
• 라우산드, 마빈. 위험 평가: 이론, 방법 및 응용 프로그램. 호보켄, NJ: John Wiley & Sons, 2011.
• 로스만, 케네스 J, 샌더 그린란드, 티모시 L. 래시. 현대 역학. 제3판 필라델피아: Wolters Kluwer Health/Lippincott Williams & Wilkins, 2008.
• 롤랜드, 토드, 와이스슈타인, 에릭 W. "Cause Network". MathWorld—Wolfram 웹 리소스. 인과 네트워크
• 슬로바키아, 폴 위험에 대한 인식. 과학 236 (1987): 280-85.
• Talb, Nassim N. 오류, 견고성 및 4분위수. 국제 예측 저널 25.4 (2009): 744-59
• 울프램, 스티븐 새로운 종류의 과학. 샴페인, 2002년 울프램 미디어.