2.1. 교통 분야 데이터베이스 통합에 관한 미국 사례

미국은 교통 통합 데이터 구축에 있어서 연합형 접근(Federated approach)을 취하고 있는 대표적인 사례라고 볼 수 있다. 미국의 경우에는 교통 분야에서 연방 정부와 주정부로 구성되는 연방 정치 사회 시스템의 특성상 중앙집권적인 접근 혹은 하향식 접근(Top-down)을 취하기가 힘들며, 데이터베이스 통합하기 위해 각각의 주정부 교통국과 외부 파트너 기간 관의 신중한 계획 및 관리 및 조정을 수행하고 있다.

미국의 경우 여러 주정부 교통국(Department of Transportation, 이하 DOT) 중 모범 사례를 보유하는 DOT를 중심으로 교통 데이터 거버넌스 구축을 시도 하고 있다(NOCoE, 2021; Transportation Research Board of the National Academies, 2015). 참여 주정부 교통국은 다음과 같다:

• 알래스카 교통국(DOT) 공공시설국 PF),

• 아이다호 교통국(ITD),

• 아이오와 DOT,

• 루이지애나 교통개발국(DOTD),

• 메릴랜드 교통국(DOT) 주 고속도로 관리국(SHA),

• 미시간 교통국(DOT),

• 몬태나 교통국(DOT),

• 오하이오 교통국(DOT),

• 로드아일랜드 교통국(DOT),

• 워싱턴 교통국(DOT).

교통 데이터 거버넌스와 관련하여 각 주정부 교통국은 4가지 주요 주제에 초점을 맞췄다:

1. 데이터 거버넌스를 위한 비즈니스 사례,

2. 데이터 거버넌스의 필수 요소,

3. 교통국(DOT)에서의 데이터 거버넌스 운영,

4. 데이터 거버넌스를 사용하여 데이터 공유 및 통합 향상.

교통 데이터 거버넌스와 관련하여 각 주정부 교통국이 파악한 6가지 연구 주제는 다음과 같다:

1. 성공적인 데이터 거버넌스를 위한 지표 결정,

2. 교통 데이터 및 정보를 자산으로 관리하는 경영진의 시각에 대한 상호 의견교환,

3. 교통 기관의 비즈니스 의사 결정을 촉진하기 위한 데이터 통합의 필수 요소,

4. 중앙정보기술의 맥락에서의 데이터 거버넌스,

5. 충돌 데이터 수명 주기 실증 사례,

6. 위치 정확도가 안전 데이터 분석에 미치는 영향: 데이터 거버넌스를 위한 사례.

참여 주정부 교통국은 다음과 같은 공식적인 데이터 거버넌스에 대한 노력을 기울이고 있다:

• 장거리 운송 계획(LRTP),

• 전략 고속도로 안전 계획(SHSP),

• 고속도로 안전 개선 프로그램(HSIP),

• 교통기록조정위원회(TRCC),

• 교통자산관리계획(TAMP),

• 안전 관리 시스템(SMS),

• 충돌 데이터 관리,

• 자산 관리 데이터 관리.

2.2. 철도분야 데이터베이스 통합에 관한 유럽 사례

유럽의 경우는 유럽연합 (European Union,이하 EU)을 중심으로 철도 분야의 경제 발전, 통합 및 지속 가능성을 위한 지속적인 표준화 작업을 진행해 왔다. 철도 데이터 거버넌스와 관련하여 초국가차원의 EU 가이드라인이 존재하고 있으며 이에 맞춰 데이터 거버넌스가 진행되고 있다. 유럽 연합 국가의 경우 철도의 상호 운용의 복잡성을 띄고 있어 상호 통합 운영을 위한 기술 기준 및 유럽 기준(European Norm)이 제정되어 왔다(ITF, 2021). 영국뿐만 아니라 스웨덴도 활발하게 철도 데이터 거버넌스 활동을 전개하여 왔다. 스웨덴의 경우 철도 운영 및 사용과 관련한 포괄적인 데이터 수집 및 관리에 대한 모범적인 사례를 찾아 볼 수 있다(Kans & Ingwald, 2021).

영국은 미국 보다 데이터 거버넌스 구축 및 관리 측면에서 앞서 나가고 있다. 그 중 철도 공기 질 과 관련한 데이터베이스 구축, 관리 및 통합에 있어 선도적이다. 이는 영국이 철도 데이터의 질적인 측면, 즉 철도 환경 및 서비스의 질적인 측면을 고려하고 있는 흔적이라고 볼 수 있다. 반면 공기 질 측정 데이터베이스가 다수 구성이 되어 있음으로 인해 데이터베이스 간 호환이 잘 되지 않는다는 문제점이 있다. 무엇보다 관련 데이터를 수집, 정렬 및 분석하여 활용하는 데 있어 어려움이 있다(Monteith et al., 2010). 이에 영국은 INSPIRE 국제 조직의 제시안을 따라 하향식(Top-down approach) 통합을 택하여 하나의 기준을 제시 하여 공기 질 과 관련한 데이터 거버넌스를 시도했다. 그러나 하나의 기준에 맞춰 통합하는 과정이 순조롭지 않았고, 통합을 위한 내부 가이드라인을 제시 하지는 못했다. 현재 통합 수준은 산재하는 공기질 데이터베이스를 파악하고, 어떠한 역량을 가지고 있는지를 평가하는 수준이다. 따라서 해당 데이터베이스 통합 시도가 성공적이라고 평가하기 어렵지만, 공기 질 데이터베이스의 역량평가가 이루어졌다는 면에서 영국의 사례는 데이터 거버넌스 구축의 기준점을 제시한다는 측면에서 활용 가치가 높다.

해외 사례를 살펴보았을 때 상호 운영의 복잡성을 띄는 유럽이나 주정부의 자치권이 보장되어 있는 미국의 경우 중앙 집중 형 데이터 거버넌스 접근은 현실적으로 어려움이 많다는 것을 알 수 있다. 데이터 통합을 위한 한 가지 기준이나, 하나의 모델을 적용 하는 것은 현실적으로 어려울 뿐 아니라, 데이터 통합을 위해 필요한 요소들로 제시되는 것들은 다양한 목적과 필요성에 의해 구성된 여러 가지 데이터베이스를 고려해야 하기 때문에 중앙 집중 형 데이터 거버넌스 접근은 지양되어야 한다.

데이터 거버넌스를 위한 평가 연구는 특히나 미비하다. 데이터 거버넌스를 정량적으로 측정할 수 있도록 데이터베이스 성과평가모형 개발이 시급하다. 뿐만 아니라, 성과평가모형의 타당성과 유효성 검증이 필요하며 지속적인 사례연구가 필요하다(Jang and Kim, 2016)

3.1. 활용 데이터

본 논문에서 활용할 데이터는 영국의 공기 질 데이터베이스 통합을 위해 개발된 평가지표로 평가된 주요 데이터베이스의 평가 지수 매트릭스이다. 영국의 경우 공기 질 관련한 데이터베이스 간 호환의 어려움을 겪고 있다. 영국은 전략적 수준의 공기 질 데이터베이스의 통합을 위해서 일대일 전문가 인터뷰 및 워크숍을 통해 평가지표를 개발하고, 평가된 수치를 이용하여 영국의 공기 질 측정 및 관리와 관련한 주요 데이터베이스를 정성적으로 평가하고 수치화해서 점수표(Scoring matrix)로 제시하였다. 이 평가는 이전 데이터베이스는 준수할 필요가 없었던 새로운 기준을 제시한 것이기 때문에, 평가 점수가 낮다는 것은 데이터베이스가 목적에 적합하지 않게 설계 되었다는 의미가 아니라, 데이터를 통합하기 위해 더 많은 변환이 필요하다는 것을 의미한다(Monteith et al., 2010).

한국의 경우에도 대기 질 및 실내공기 측정에 관한 데이터는 존재하지만, 영국과 같은 수준의 전략적이고 통합적인 데이터베이스 및 통합을 위한 평가지표 체계를 구축하고 있지 않다. 철도 실내 및 철도 관련 환경 공기 데이터 측정 및 시스템에 대한 연구 및 공기질 비교 분석에 관한 연구 활발히 진행 되어 왔다(Lee, 2005; Soh and Yoo, 2008a; 2008b; Ryu, 2018; Lee, 2019; Jin et al., 2022). 그럼에 불구하고 한국의 철도를 포함한 대중교통의 경우 실내 공기 측정에 기준 권고치는 초미세먼지(PM-2.5)와 이산화탄소만 제시하고 측정하도록 하고 있으며 통합적이고 전략적 수준의 공기 질 데이터베이스의 구축에 대한 노력은 미비하다.

<Table1>은 영국의 공기 질 측정 관련 주요 데이터베이스와 설명을 요약해 놓은 것이다. 여섯 가지 주요 데이터베이스로는 NAEI(The National Atmospheric Emissions Inventory(NAEI); PCM(Pollution Climate Mapping); AURN(The Automatic Urban and Rural Network); LAQN(The London Air Quality Network); NPL: Non-auto- matic networks(managed by NPL); CEH(CEH Deposition monitoring and modeling data)가 있다.

<Table 2>와 <Table 3>은 영국 공기 질 관련 데이터베이스 통합을 위한 평가지표와 평가결과표이다. 영국은 INSPIRE 국제조직이 제시한 하향식 (Top-down approach) 방식을 채택하여 중앙 집중형 기준을 제시하고 있다. 해당 기준에 맞춰 데이터베이스를 통합하기 위해 공기 질과 관련한 여섯 가지 주요 데이터베이스를 평가하였다. 평가 지표로는 데이터 검색 용이성, 데이터 타임라인, 데이터 다운로드 용이성, 데이터 추세, 데이터 포괄성, 데이터 정확성, 데이터 일관성, 메타데이터, 데이터 형식 및 표준화를 사용하였다.

Table 2.

Scoring Matrix for Integrating Air Quality Databases of the UK

Table 3.

Scoring Metrics and Their Values for Integrating Air Quality Databases of the UK

<Table 4>는 전 처리 결과 데이터를 나타낸다. 데이터 프로세스를 위한 전 처리 과정으로 가장 보편적으로 사용되는 서열척도의 역 코딩(reverse scoring)을 사용했다. 이를 통해 투입 변수인, 검색 용이성, 타임라인, 다운로드 용이성, 데이터 추세 변수를 전 처리하였다. 예를 들어 타임라인의 경우 전처리 전에는 NAEI는 2의 값을 가졌지만, 역 코딩을 통해 4의 값을 가지게 되었다. 이는 방어적 측정(defensive measure)으로 값이 클수록 더 좋은 것이 아니라, 값이 클수록 방어 성능이 더 나쁜 것을 의미하는 역 투입(reverse input)이다.

Table 4.

Preprocessing Results Data

우리는 해당 데이터를 가공하여 분류하고, PRISMA 방법을 통한 데이터 전 처리 과정을 거쳐 의미 있는 발견을 하고자 한다. 본 연구에서 사용한 자료포락분석(Data Envelope Analysis,이하 DEA) 방법은 의사결정단위(Decision-making units, 이하 DMU) 간의 상대적인 효율성을 결정하는 방법이기 때문에, 사용하는 투입 및 산출 요소가 증가 할수록 효율적인 DMU의 수가 증가하는 경향이 있기 때문에 가능하다면 최소한의 투입 및 산출 요소를 사용하여 설명하는 것이 바람직하다(Nyhan & Martin, 1999). 따라서 본 논문에서 우리는 PRISMA 방법을 이용하여 최소한의 투입 및 산출 요소를 선택하였다. <Figure 1>은 PRISMA 방법을 통해 데이터 전 처리 한 과정을 다이어그램으로 도식화 한 것이다. 변수 INSPIRE 은 분석 대상이 아님으로 제외 했다. 본 논문에서는 DEA 분석을 위한 투입 및 산출 요소로 선정되기 위한 중요한 자격 기준 (eligibility criteria)으로 DMU간에 되도록 높은 변동성을 가진 것으로 제안한다. 이로써 해당 변수가 DMU 사이에 평가 값 사이의 차이가 크지 않은 경우는 제외했다. 예를 들어, 데이터 검색용이성의 경우 6개의 DMU가 4 또는 5 의 값만을 가진다. 반면에, 데이터 타임라인의 경우는 DMU가 1, 3, 4, 5 다양한 값을 가진다. 이렇게 DMU간 높은 변동성을 가진 것으로 투입 요소 변수로는 데이터 타임라인, 데이터 추세, 산출 요소 변수로는 데이터 포괄성, 데이터 일관성, 데이터 처리를 선정하였다.

Figure 1.

Data Screening Through the PRISMA Method

3.2. 분석 방법

3.2.1. DEA 모형

본 논문에서 사용하고 있는 자료포락분석 (Data Envelope Analysis,이하 DEA) 방법은 여러 산업 분야에 널리 사용되고 있는 평가 방법이다. (Jomthanachai et al., 2021; Misiunas et al., 2016). DEA는 각 의사결정단위(Decision-making units, 이하 DMU)의 효율성을 평가하는데 있어서 다수의 투입과 다수의 산출을 개별적인 효율성 점수로 변환하여 보여주기 때문에 상대적 효율을 평가하는데 용이하다(Charnes et al., 1997; Bryce et al., 2000). 이 기법은 Farrell(1967)에 의해 처음 연구되었으며, 다수의 투입과 다수의 산출을 동시에 고려할 수 있고, 모델을 개발하기 위해서 특정한 통계적 가정이 필요하지 않은 대표적인 비모수적 접근방법이다. 무엇보다 투입이나 산출물을 계량적으로 측정하기 어려운 경우에도 효율성을 비교적 쉽게 평가할 수 있기 때문에 정부기관, 교육기관, 기업 등의 효율성을 평가하는데 사용되어 왔다.

3.2.1.1 기본 DEA 모형

평가해야 할 공기 질 데이터베이스 DMU가 n 개가 있고, 각 데이터베이스는 m개의 투입 요소 을 이용하여 s개의 산출물을 생성한다고 가정하자. 개별 DMU는 하나 이상의 투입 요소를 사용하여 하나 이상의 산출 요소를 생산한다고 가정한다. DMU가 n 개 있다고 가정할 때, j번째 DMU는 투입 요소 m을 이용하여 산출 요소 s를 생산한다. 기본적인 산출 지향 CCR(Charnes, Cooper and Rhodes: CCR) DEA 모델의 수식은 다음과 같다. 아래의 수식은 목적 함수의 투입물의 가중 합을 1로 고정하여 제약조건식을 변형한 선형 계획법이다(Cooper et al., 2007).

(1) (max)hk=∑r=1suryrkst∑r=1suryrj-∑i=1mvixij≤0,          j=1,…,nur≥0,  r=1,2,…,s,vi≥0;  i=1,2,…,m,

여기서 점수는 해당 DMU의 상대적인 효율성을 나타낸다. 이론적으로 DEA 모형은 상대적인 정도를 비교하는 방법이다. 각각의 DMU가 산출물 대비 최소의 투입이 사용되는 효율성 프런티어(efficiency frontier)와 얼마나 떨어져 있는가를 측정하기 때문이다(Ko et al., 2011). 이때 DMU가 가질 수 있는 가장 큰 효율성 값은 1이다. 만약 DMU의 값이 1이 된다면 해당 DMU는 효율성 프런티어(efficiency frontier)로 판단한다. 최대 가능 효율 점수(Maximum possible efficiency score)를 계산하기 위해서 산출 요소와 투입요소에 각각 가중치를 둔다. u_r, v_i 는 각각 r번째 산출 요소(r = 1,2,… s)와 i번째 투입 요소(i = 1,2,… m)에 가중치를 둔 것을 나타낸다. x 와 y 는 각각 투입 요소와 산출 요소를 의미한다. 효율성 값은 다른 DMU와 비교 했을 때 최대로 얻을 수 있는 점수를 뜻한다. 이상의 연구방법을 요약하여 도식화 하면 아래 <Figure 2>와 같다.

Figure 2.

The Summary of the Research Methodology

3.2.1.2 연구 문제

영국의 전략적 공기 질 측정과 관련된 데이터베이스DMU의 효율성을 평가하는 데 있어서 투입 변수 4개와 산출 변수 6개를 고려하였다. 개별 DMU의 효율성을 100%로 가정할 때, 나머지 5개 DMU의 효율성이 100%에 못 미치는 경우에, 효율성이 못 미치는 DMU에 대한 아래와 같은 귀무가설을 기각하는 방식으로 검증하였다.

가설 1. NEIH데이터베이스는 투입 변수 값 대비 산출 변수 값 비율이 효율적이다.

가설 2. PCM 데이터베이스는 투입 변수 값 대비 산출 변수 값 비율이 효율적이다.

가설 3. AURN 데이터베이스는 투입 변수 값 대비 산출 변수 값 비율이 효율적이다.

가설 4. LAQN데이터베이스는 투입 변수 값 대비 산출 변수 값 비율이 효율적이다.

가설 5. NPL데이터베이스는 투입 변수 값 대비 산출 변수 값 비율이 효율적이다.

가설 6. CEH데이터베이스는 투입 변수 값 대비 산출 변수 값 비율이 효율적이다.

3.2.2. 변수의 조작적 정의

데이터 거버넌스와 관련한 효율성을 분석하는 데 있어서 투입 및 산출 변수를 어떤 것을 설정하느냐에 따라서 효율성 점수가 달라질 수 있다. 일반적으로 DEA에서 고려하는 투입 변수는 조직의 비용, 산출 변수는 조직의 편익을 의미한다. 데이터 거버넌스를 위한 통합 데이터 구성에 있어서 투입 변수 4개는 데이터 검색 용이성, 데이터 타임라인, 데이터 다운로드 용이성, 데이터 추세이다. 산출 변수 6개는 데이터 포괄성, 데이터 정확성, 데이터 처리, 메타데이터, 데이터의 형식과 표준화이다. 이 중 의사결정단위 (DMU) 간의 높은 변동성을 고려하고, PRISMA 기법을 통해 선별적으로 투입 및 산출 변수를 선정하였다. <Table 5>는 영국의 전략적 수준의 공기 질 데이터 평가 지표를 통합 데이터베이스 구축을 위해 투입 변수 및 산출 변수로 조정 분류한 것이다.

Table 5.

Adjusted Input and Output Variables and Their Meanings for the Integrated Database

투입 변수와 산출 변수 사이의 상관관계를 분석 결과가 <Table 6>에 나와 있다. 표본의 통계치를 중심으로 상관관계 계수가 높은 변수는 타임라인과 일관성의 상관계수 0.807으로 매우 강한 음(-)의 상관관계를 갖고 있는 것으로 나타난다. 포괄성과 추세는 0.731으로 다소 강한 양(+)의 상관관계를 가지고 있다. 이는 오랜 과거 기록을 잘 보유하고 있는 데이터 세트, 즉 추세를 잘 반영하고 있는 데이터는 포괄적인 내용을 담고 있을 수 있다고 유추해 볼 수 있다. 횡적으로 잘 연결되어 있는 데이터 일수록 다양한 곳에서 수집 기록되어 있다고 볼 수 있기 때문에 데이터의 일관성은 떨어질 수 있음을 예상해 볼 수 있다. 그럼에도 불구하고, 횡적으로 잘 연결되어 있는 데이터 일수록 데이터 처리를 통해 의미 있는 정보로 연결 될 수 있다는 점을 유추할 수 있다.

Table 6.

The Corelation Coefficients Between Input and Output Variables

4.1 공기질 데이터베이스의 효율성 분석

영국의 전략적 공기질 데이터베이스의 효율성 분석을 위하여 역 코딩 (reverse-scoring) 투입 변수 2개와 산출 변수 3개를 이용하여 DEA분석을 한 결과가 <Table 7> 에 제시되어 있다. DEA 적용 결과 1의 효율성을 갖는 DMU(의사결정단위)는 3개이다. NAEI, ARUN, LAQN이다.

Table 7.

The Results of DEA Application

이에 따라서 가설 2,5,6을 기각 한다:

가설 2. PCM데이터베이스는 투입 변수값 대비 산출 변수 값 비율이 효율적이다;

가설 5. NPL데이터베이스는 투입 변수값 대비 산출 변수 값 비율이 효율적이다;

가설 6. CEH데이터베이스는 투입 변수값 대비 산출 변수 값 비율이 효율적이다.

효율이 가장 좋은 공기질 데이터베이스 DMU는 총 세가지 NAEI, AURN, LAQN이다. 효율이 가장 좋은 프런티어에 있는 세 가지 공기질 데이터베이스 DMU는 어떤 특성을 가지고 있는 지 해당 DMU의 투입 요소, 산출 요소를 분석하여 어떠한 방향성을 보이고 있는지 살펴 볼 수 있다. 이를 통해 세 가지 DMU가 프런티어에 선정된 이유를 논하고, 같은 해당 DMU가 다른 DMU와 같은 결을 가지고 있는지 분석할 수 있다.

4.2. 효율이 가장 좋은 프런티어에 있는 공기질 데이터베이스 DMU에 대한 분석

DEA 분석 결과 1의 효율성을 갖는 DMU는 동일하게 값이 1이 나왔다고 하더라도 그 안에서 효율성을 갖게 된 이유의 차이가 존재할 수 있다. DEA 분석 결과 1의 효율성을 갖는 공기질 데이터베이스 DMU는 NAEI, AURN, LAQN 총 세 가지이다. <Table 8>은 1의 효율성을 보이는 DMU가 왜 프런티어에 선정되었는지, 투입 요소와 산출 요소를 기준으로 비슷한 프런티어의 성향으로 분류 한 것이다. 이를 통해 효율적인 여러 공기 질 데이터베이스 DMU의 기준점의 투입 요소와 산출 요소간의 관계를 살펴 볼 수 있고, 통합 데이터 구축에 있어서 강조 되어야 할 부분이 어디에 있는지 유추해 볼 수 있다.

Table 8.

DMU Located at the Frontier Sharing the Similar Characteristics

우선 NAEI와 AURN은 상대적으로 효율적이라 판단된 이유가 동일하다. NAEI와 AURN은 강한 데이터 추세를 보이고 있다. 이는 해당 데이터가 과거 년도에 대한 데이터를 포함하고 있다는 것이고, 데이터베이스가 최신의 데이터도 포함될 수 있도록 잘 관리 되고 있다는 것이다. 데이터의 추세가 잘 반영되어 있다는 것은 데이터의 종적인 연결이 좋다는 것을 의미하며 측정하려고 하는 세부 내용에 대해 포괄적으로 잘 반영하고 있을 가능성이 높다. 이러한 의미에서 해당 데이터베이스는 포괄성 측면에서 우수한 것을 볼 수 있다. 반면에 NAEI 와 AURN은 데이터 처리 수준 정도가 비교적 낮은 것을 볼 수 있다. 이것은 수많은 년도의 데이터를 포함함으로 데이터가 양적으로 커졌기 때문에 사용 가능한 정보로 변환하는 것에 어려움이 있을 수 있다는 것을 의미한다.

LAQN의 경우에는 데이터 타임라인이 우수하여 프런티어 선상에 있음을 알 수 있다. 데이터 타임라인이 우세하다는 것은 데이터의 횡적인 연결(cross-sectional)이 우수하다는 것을 의미한다. 데이터의 횡적인 연결이 잘 되어 있다는 것은, 데이터베이스의 업데이트 주기 간격이 일정하고, 같은 시간대에 관련 데이터가 동일하게 업데이트 된다는 것을 의미하기 때문에 상호 운용성을 높일 수 있다.

본 연구를 통하여 데이터 거버넌스를 위해 고려할 사항으로, 충실하게 구성된 종적 연결 데이터를 기반으로 횡적 연결을 세밀하게 할 때 유용한 데이터를 구축하는 것이 중요하다는 점을 파악할 수 있었다. 하지만 실질적으로 종적이면서 동시에 횡적으로도 잘 연결된 데이터를 구축하는 것은 도전적인 일이다. 한 데이터를 긴 기간 동안 정밀하고 세밀하게 축적하는 것에 비해 하나의 대상과 관련된 다수의 다른 성향의 데이터를 동 시간대에 업데이트하여 축적하는 것에는 어려움이 따르기 때문이다. 하지만 영국의 공기 질 측정 데이터 세트를 DEA로 분석한 결과에서 볼 수 있는 것처럼 과거의 데이터를 포함하고 있어서 추세를 파악 할 수 있는 것과, 관련 데이터베이스들의 업데이트가 같은 주기로 이루어져 횡적인 연결이 좋은 것이 같은 방향성을 보이지 않아도 해당 데이터 세트는 상대적으로 효율적일 수 있음을 알 수 있었다.

이러한 분석 결과는 본 논문에서 주장하는 연합형 방식의 통합 데이터 구축 시 시사점을 제공한다. 데이터베이스 간 연합을 위한 통합 데이터 선정 시, 데이터 추세를 강화하면서 상대적은 많은 양의 정보를 공유하는 포괄적인 데이터베이스를 구축하는 방향으로 갈 것인지, 아니면, 데이터 업데이트 주기를 동기화 하여 횡적으로 잘 연결 되어 있는 데이터베이스를 구축하여 데이터 처리를 통해 의미 있는 정보로 연결 될 수 있도록 구현 할 것인지에 대한 데이터 거버넌스 정책 방향을 제시한다

4.3. 효율성이 프런티어에 못 미치는 공기 질 데이터베이스 DMU 분석

DEA 분석 결과 나머지 세 개 공기 질 데이터베이스DMU인, PCM, NPL, CEH 는 모두 효율성이 프런티어에 못 미치는 것으로 나타났고, 세부사항을 검토하면 다음과 같다. DEA 분석 결과를 논의할 때 유의해야 하는 점은 각 데이터 세트가 비효율적으로 수집, 처리 되고 있다는 것이 아니라, 데이터 거버넌스 성과 측정변수 관점에서 데이터 통합 시 상대적으로 비효율성을 보이고 있다는 의미로 해석해야 한다.

PCM을 NAEI 나 AURN과 비교하여 볼 때, 투입 요소인 데이터 추세 및 데이터 타임라인 모두가 좋지 않다. 산출 요소를 보았을 때 데이터 포괄성은 비교적 좋으나 데이터 처리가 좋지 않다. PCM을 LAQN에 비교해 보았을 때에는 현전하게 데이터 타임라인이 열세 한 것을 알 수 있다. NPL의 경우는 NAEI나 AURN에 비교해 보았을 때 데이터 추세가 좋지 않고, 포괄성 역시 떨어진다. 일관성은 높다. NPL을 LAQN과 비교했을 때 두드러지는 점은 타임라인이 좋지 않고 처리가 떨어진 다는 점이다. CEH는 NAEI나 AURN에 비교했을 때 데이터 추세가 좋지 않다.

효율성 값은 본 논문에서 주장하는 연합형 방식의 통합 데이터 구축을 고려했을 때 효율성이 프런티어에 못 미치는 공기 질 데이터베이스에 대하여 연합형 데이터 거버넌스를 시행하기 위해서는, 세부적으로 효율성 증진 요소를 데이터 추세, 데이터 타임라인, 데이터 처리 가운데 어느 부분에 초점을 두어야 하는 것이 보다 용이하게 통합되는지 판단하는 기준을 제공한다고 볼 수 있다.

4.4. DEA 분석 결과 요약

DEA 분석 결과 어떤 데이터베이스를 중심으로 통합할 때, 투입 요소를 강조함으로 효율성을 높일 수도 있고, 산출 요소를 강조함으로 효율성을 높일 수도 있음을 알 수 있었다. 통합 데이터베이스를 구축한다는 의미는 모든 데이터베이스들을 연결하겠다는 것에 있지 않다. 그것은 현실적으로 협업 업무가 지나치게 증가 할 문제가 있을 뿐 아니라, 다양한 데이터 세트의 특성을 고려했을 때 모든 투입 및 산출 요소가 우세한 데이터 세트의 구성 및 구축이 불가능하기 때문이다.

DEA 분석을 통해서 효율성 프런티어 라인에 위치하고 있는 여러 데이터베이스를 확인해 볼 수 있고, 그 데이터베이스를 기준으로 통합 시 필요한 통합데이터의 우선순위를 정해 볼 수 있다. 어떤 데이터베이스DMU가 100퍼센트의 효율을 보인다고 하는 것은 특정 투입 요소나 산출 요소가 우세했기 때문이다. 그렇다면, 공기 질 데이터베이스DEA 분석 결과가 현실적으로는 어떤 의미를 가지는 것일까? 투입 요소를 고려해 보았을 때 데이터 추세를 강화하거나, 데이터 타임라인을 강화하는 방법에 대해서 고려해 볼 수 있다.

데이터 추세를 강화하기 위해서는 측정하고자 하는 해당 대상의 센싱을 강화하는 것이 한 가지 방법이다. 투입할 센서의 양과 종류를 강화해서 한 가지 대상에 대한 데이터 추세 즉 시간대를 강화하여 종적으로 포괄적인 데이터를 구축할 수 있게 된다. 데이터 타임라인을 강화하기 위해서는 횡적으로 같은 시간대에 발생하는 여러 관련 대상의 측정 데이터들을 엮어야 한다. 실제로는 타임라인 별 자료를 구성하여 횡적으로 연결 하는 것이 더 어렵다고 할 수 있다.