1. 사고자료가 부족하다고 해서 위험이 0이 되는 것은 아니다

안전공학에서 사고 발생빈도를 정량적으로 추정할 때 가장 어려운 문제 중 하나는 충분한 사고자료를 확보하기 어렵다는 점이다.

특히 대형 산업사고나 중대사고처럼 발생빈도가 낮은 사건은 장기간의 운전기록을 확보하더라도 실제 사고 건수가 매우 적거나 전혀 관측되지 않을 수 있다.

예를 들어 어떤 설비에서 20년 동안 중대사고가 한 번도 발생하지 않았다고 하자.

이를 단순하게 해석하면

“사고가 발생하지 않았으므로 사고확률은 0이다.”

라고 생각할 수 있다.

그러나 안전공학적으로는 이러한 결론을 내릴 수 없다.

관측된 사고가 0건이라는 사실과 실제 위험이 0이라는 것은 전혀 다른 개념이기 때문이다.

NRC 역시 PRA 결과에는 불완전한 정보와 모델상의 불확실성이 존재하며, 위험평가 결과를 단일 숫자로만 해석하기보다 가능한 결과의 분포와 불확실성을 함께 고려해야 한다고 설명한다.

---

2. 불완전한 사고자료에서 발생하는 세 가지 문제

사고자료가 부족할 때 단순한 빈도 계산에는 여러 문제가 발생한다.

① 사고 발생건수가 너무 적다

관측기간이 길더라도 실제 사고가 몇 건밖에 발생하지 않으면 추정값의 변동성이 커진다.

② 사고자료 자체가 편향될 수 있다

모든 사고가 동일한 방식으로 보고되는 것도 아니다.

사고의 정의, 보고기준, 조사범위 및 기록체계가 달라지면 동일한 위험이라도 관측자료가 달라질 수 있다.

③ 새로운 설비에는 충분한 과거자료가 없다

신규 설비나 새로운 공정은 실제 운전자료가 충분하지 않기 때문에 과거 경험만으로 고장률이나 사고빈도를 추정하기 어렵다.

따라서 안전공학에서는 단순한 경험적 빈도뿐 아니라 기존 지식과 새롭게 확보된 데이터를 결합하는 방법이 필요하다.

이때 활용할 수 있는 대표적인 접근이 베이지안 추론(Bayesian Inference)이다.

---

3. 베이지안 위험도 추정의 핵심

베이지안 접근의 가장 중요한 특징은 기존에 가지고 있던 지식과 새로운 관측자료를 결합한다는 것이다.

개념적으로 다음과 같이 표현할 수 있다.

사후정보 = 기존정보 + 새로운 사고자료

통계적으로는 다음과 같은 형태로 표현된다.$$P(\theta|D) \propto P(D|\theta)P(\theta)$$

여기서

• $\theta$ : 추정하고자 하는 위험 또는 고장률
• $D$ : 관측된 사고자료
• $P(\theta)$ : 사전분포
• $P(D|\theta)$ : 관측자료의 가능도
• $P(\theta|D)$ : 새로운 자료를 반영한 사후분포

이다.

즉 베이지안 분석은 자료가 부족하더라도 기존의 신뢰성 자료, 유사설비의 운전경험, 전문가 판단 등을 적절하게 구조화하여 새로운 데이터와 결합할 수 있다는 특징을 가진다.

NRC 역시 PRA의 경험자료를 이용한 Bayesian updating을 다루고 있으며, 실제 경험자료를 이용해 위험 관련 추정치를 갱신하는 방법을 기술하고 있다.

---

4. 사고자료가 0건일 때가 오히려 중요한 이유

희귀사건 분석에서 매우 흥미로운 상황은 관측된 사고가 0건인 경우다.

예를 들어 어떤 안전장치가 1,000,000시간 운전되었지만 중대고장이 한 번도 관측되지 않았다고 하자.

빈도식만 이용하면$$\lambda = \frac{0}{1,000,000} =0$$

이라는 결과가 나온다.

하지만 이것을 실제 고장률이 0이라고 해석하면 위험하다.

왜냐하면 “고장이 발생하지 않았다”는 것은 “고장이 발생할 가능성이 없다”는 의미가 아니기 때문이다.

베이지안 접근에서는 0건의 관측자료도 하나의 정보로 사용하면서 기존의 사전정보와 결합하여 0이 아닌 확률분포를 얻을 수 있다.

이것이 희귀사건 위험도 평가에서 베이지안 접근이 갖는 중요한 장점이다.

---

5. 사전분포가 중요한 이유

베이지안 분석에서는 사전분포(Prior Distribution)를 어떻게 설정하는지가 매우 중요하다.

사전정보에는 다음과 같은 자료가 포함될 수 있다.

사전정보	활용 가능성
유사 설비의 고장자료	고장률 추정
과거 운전경험	사고빈도 범위 설정
시험 및 검사자료	고장 가능성 보정
설계 특성	초기 위험수준 판단
전문가 판단	자료가 부족한 영역 보완
산업 전체 데이터	일반적인 고장범위 설정
기존 PRA 결과	초기 위험분포 구성

그러나 사전정보가 지나치게 강하면 새로운 사고자료가 반영되어도 결과가 거의 변하지 않을 수 있다.

반대로 사전정보가 지나치게 약하면 제한적인 사고자료에 결과가 과도하게 영향을 받을 수 있다.

따라서 사전정보의 출처와 가중치를 투명하게 설명하는 것이 중요하다.

---

6. 베이지안 분석에서 가장 중요한 것은 ‘자료의 질’이다

사고자료가 많다고 항상 좋은 것은 아니다.

예를 들어 100건의 사고기록이 있지만 기록기준이 서로 다르고 사고 정의가 일관되지 않는다면 신뢰성 높은 10건의 균질한 자료보다 분석가치가 낮을 수 있다.

따라서 다음 항목을 확인해야 한다.

사고 정의의 일관성

어떤 사건을 사고로 분류했는가?

관측기간

얼마나 긴 기간의 운전자료가 존재하는가?

노출량

단순 연수가 아니라 실제 운전시간, 운전횟수 또는 작업횟수는 얼마인가?

검출 편향

경미한 사고가 누락되거나 보고되지 않았을 가능성은 없는가?

설비 변화

과거 설비와 현재 설비의 설계·재료·운전조건이 동일한가?

이러한 검토가 없으면 베이지안 계산이 정교하더라도 잘못된 데이터를 정교하게 계산하는 결과가 될 수 있다.

---

7. 전문가 수준에서는 ‘자료 불확실성’과 ‘모델 불확실성’을 분리해야 한다

위험도 추정에서 흔히 발생하는 오류는 모든 불확실성을 하나로 취급하는 것이다.

그러나 PRA에서는 불확실성의 원인을 구분하여 접근할 필요가 있다.

NRC는 PRA 불확실성을 다룰 때 특히 parameter uncertainty, model uncertainty, completeness uncertainty 등을 구분하여 평가하도록 안내한다.

Parameter uncertainty

고장률이나 사고빈도 자체를 정확하게 알지 못하는 불확실성이다.

Model uncertainty

어떤 수학적 모델이나 고장모델을 사용하는 것이 적절한지에 관한 불확실성이다.

Completeness uncertainty

현재 모델이나 자료에 포함되지 않은 사건이나 고장경로가 존재할 가능성이다.

따라서

“사고확률은 얼마인가?”

라는 질문만으로는 충분하지 않다.

보다 전문적인 질문은

“현재 산정된 사고확률의 불확실성은 어디에서 발생하며, 어떤 정보가 추가되면 그 불확실성을 가장 크게 줄일 수 있는가?”

이다.

---

8. 베이지안 갱신은 한 번으로 끝나지 않는다

안전공학에서 베이지안 추정의 장점은 운전자료가 추가될 때마다 위험도를 갱신할 수 있다는 것이다.

개념적으로 다음과 같은 순환구조를 만들 수 있다.

초기 위험정보

↓

사전분포 설정

↓

운전 및 사고자료 확보

↓

베이지안 갱신

↓

사후 위험분포

↓

취약요인 분석

↓

추가 데이터 확보

↓

다시 위험도 갱신

이러한 과정은 안전관리를 정적인 평가가 아니라 학습하는 위험관리 체계로 전환한다.

---

9. 단순 평균값보다 ‘위험분포’를 보는 것이 중요하다

위험도를 하나의 숫자로 제시하면 분석 결과가 간단해 보인다.

그러나 실제로는 다음과 같은 형태로 표현하는 것이 더 유용할 수 있다.

위험도

→ 낮은 가능성의 영역

→ 가장 가능성이 높은 영역

→ 높은 위험의 영역

즉,

위험도 추정값 자체뿐 아니라 그 값이 어느 정도의 불확실성을 갖는지 함께 제시해야 한다.

NRC도 PRA 결과는 단일 숫자로 축약하기 어렵고, 가능한 결과의 분포 형태로 이해해야 한다고 설명한다.

---

10. 안전공학적으로 중요한 ‘희귀사건의 역설’

희귀사건은 발생빈도가 낮기 때문에 자료를 얻기 어렵다.

그런데 위험도가 낮다고 판단하려면 충분한 자료가 필요하다.

즉,

위험이 낮을수록 실제 사고자료가 부족해질 가능성이 커진다.

이것이 희귀사건 위험평가의 중요한 역설이다.

따라서 사고자료가 적다는 이유만으로 위험을 낮게 평가하는 것은 적절하지 않다.

오히려 자료 부족 자체를 불확실성의 중요한 요소로 취급해야 한다.

---

11. 사고자료가 불완전할 때의 실무적 분석 구조

전문적인 위험평가에서는 다음과 같은 절차를 적용할 수 있다.

STEP 1. 사고자료 정제

사고 정의와 관측기간을 통일한다.

STEP 2. 데이터 노출량 산정

운전시간, 운전횟수, 작업횟수 등 적절한 노출량을 결정한다.

STEP 3. 사전정보 구성

유사설비와 기존 운전경험을 이용하여 사전분포를 설정한다.

STEP 4. 베이지안 갱신

새로운 사고·고장자료를 사전정보에 반영한다.

STEP 5. 사후분포 산출

단일 추정값이 아니라 위험도의 분포를 확보한다.

STEP 6. 민감도 분석

사전분포와 주요 입력값의 변화가 결과에 미치는 영향을 분석한다.

STEP 7. 모델 불확실성 평가

다른 고장모델이나 사고시나리오를 적용했을 때 결과가 얼마나 달라지는지 확인한다.

STEP 8. PRA 연계

최종 위험도 결과를 Fault Tree, Event Tree 및 사고시퀀스에 연결한다.

---

12. 가상의 안전장치 사례로 보는 베이지안 갱신

가상의 비상 차단장치를 생각해보자.

과거 유사설비의 운전자료를 통해 초기 고장률에 대한 정보를 가지고 있었는데, 새로운 설비에서 장기간 운전 후 일부 고장자료가 추가되었다고 가정한다.

이때 단순한 방법은

전체 고장횟수 ÷ 전체 운전시간

으로 새로운 고장률을 계산하는 것이다.

하지만 베이지안 방법에서는

기존 지식

새로운 설비의 실제 운전자료

를 결합하여 새로운 고장률 분포를 만든다.

이 결과는 이후 PRA에서 해당 안전장치의 고장확률을 입력값으로 사용하는 데 활용할 수 있다.

NRC의 PRA 지침에서도 경험자료를 활용하여 기존 위험추정치를 갱신하는 방법과 불확실성을 함께 고려하는 접근을 다룬다.

---

13. 여기서 한 단계 더 나아간 ‘전문가 분석’

이 주제에서 단순한 베이지안 통계 설명과 차별화하려면 “불완전한 자료가 위험도 추정에 어떤 방향으로 편향을 만들 수 있는가”를 분석해야 한다.

예를 들어 다음과 같은 경우를 생각할 수 있다.

사고자료가 부족한 경우

→ 불확실성 증가

경미한 사건이 누락된 경우

→ 실제 사고·고장빈도보다 낮게 추정될 가능성

대형사고만 기록된 경우

→ 특정 심각도에 위험도가 편중될 가능성

설비가 개선된 경우

→ 과거 자료가 현재 설비의 위험도를 과대평가할 가능성

설비가 노후화된 경우

→ 오래된 자료가 현재 위험을 과소평가할 가능성

즉, 베이지안 분석에서도 시간에 따른 설비 성능 변화와 데이터의 대표성을 확인해야 한다.

NRC 자료에서도 Bayesian updating을 사용할 때 시간에 따른 고장률 변화나 운전·정비환경의 변화가 결과에 미치는 영향을 주의해야 한다는 논점이 제기되어 있다.

---

14. 위험도 추정의 최종 목적은 ‘숫자’가 아니다

안전공학에서 위험도를 계산하는 목적은 단순히

“사고확률 = ○○”

라는 숫자를 만드는 것이 아니다.

더 중요한 것은 그 결과를 이용하여

어떤 설비를 개선할 것인가?

어떤 데이터를 추가로 수집해야 하는가?

어떤 사고시나리오를 우선적으로 관리해야 하는가?

어떤 방호계층의 신뢰도를 높여야 하는가?

를 결정하는 것이다.

따라서 베이지안 위험평가는 다음의 순환구조로 발전할 수 있다.

자료 부족 확인 → 사전정보 설정 → 위험도 추정 → 불확실성 분석 → 핵심 취약성 식별 → 추가자료 확보 → 위험도 갱신 → 안전대책 개선

이러한 접근은 PRA의 위험정보를 실제 안전의사결정에 연결하는 방식과도 일치한다. NRC는 PRA를 설계와 운전의 취약성을 파악하고 위험중요 시나리오를 식별하는 의사결정 지원도구로 활용한다.

---

15. 안전공학적 핵심 정리

분석요소	일반적인 접근	전문적 접근
사고자료	발생건수 중심	자료의 질·대표성까지 평가
사고 0건	위험 없음으로 해석	불확실성이 큰 상태로 해석
위험값	단일 숫자	확률분포로 평가
기존자료	단순 참고	사전정보로 활용
신규자료	별도 계산	Bayesian updating
불확실성	부수적 요소	핵심 평가대상
모델	하나의 모델	모델 불확실성 비교
PRA	최종 계산	사고시나리오와 연결
결과 활용	위험도 제시	추가 데이터·개선 우선순위 결정

---

결론

불완전한 사고자료를 이용한 위험도 추정에서 가장 위험한 오류는 자료가 부족하다는 사실을 위험이 낮다는 의미로 해석하는 것이다.

사고가 거의 발생하지 않는 안전 중요 설비일수록 실제 사고자료가 부족할 수 있기 때문에, 경험자료만으로 위험도를 안정적으로 추정하기 어려울 수 있다.

베이지안 접근은 이러한 문제를 해결하기 위해 기존의 신뢰성 정보와 새로운 관측자료를 결합하고, 갱신된 위험도를 확률분포 형태로 표현하면서 불확실성을 함께 관리할 수 있다는 장점을 갖는다.

특히 PRA에서는 위험 자체뿐 아니라 parameter uncertainty, model uncertainty, completeness uncertainty 등을 함께 고려하는 것이 중요하다. NRC의 PRA 불확실성 지침도 이러한 불확실성을 구분하고 의사결정 과정에서 적절하게 고려할 것을 강조한다.

따라서 이 주제의 핵심은 단순한 베이지안 통계가 아니다.

“자료가 부족한 상황에서 무엇을 알고 있으며, 무엇을 모르고 있는지를 확률적으로 표현하고, 새로운 사고자료가 확보될 때마다 위험도를 갱신하는 것”

이것이 불완전한 사고자료를 이용한 베이지안 위험도 추정의 안전공학적 의미이다.

그리고 이 주제를 블로그의 전문성을 높이는 방향으로 발전시키려면 다음 글에서는 **「희귀사건의 0건 관측자료를 이용한 사고빈도 추정과 사전분포 민감도 분석」**으로 연결하는 것이 좋습니다. 이 글에서는 실제 숫자를 넣은 가상의 안전설비 사례와 Beta-Poisson 또는 Gamma-Poisson 갱신 예제를 함께 보여주면 통계이론 + 안전공학 + PRA + 독창적 분석이 결합된 훨씬 강한 전문 콘텐츠가 됩니다.