Research Paper

Journal of the Korean Society of Mineral and Energy Resources Engineers. April 2020. 168-175
https://doi.org/10.32390/ksmer.2020.57.2.168


ABSTRACT


MAIN

  • 서 론

  • 분석 방법

  •   분석대상 및 데이터

  •   구조적, 중심적, 공간적 특성분석

  • 분석결과

  •   기초통계

  •   구조적 특성

  •   중심적 특성

  •   공간적 특성

  • 결론 및 고찰

서 론

자원의 사용은 미세먼지, 온실가스 등 대기오염물질과 자원고갈의 근본적 원인으로 자원의 효율적 활용은 지속가능한 성장의 핵심이다. 자원을 효율적으로 활용하는 개념인 자원효율성은 지속가능한 발전을 위해 환경부하 및 자원소비를 최소화하고 창출되는 부가가치를 최대화하는 것을 의미한다. 정부도 자원효율성을 높이기 위해 그간, 청정생산, 생태산업단지, 재제조, 도시광산 등 산업에 친환경 요소를 접목하여 친환경 사회로의 전환을 촉진하고 있다. 이중, 생태산업단지 프로그램은 지속가능한 성장을 위한 주요 수단으로 활용되어질 수 있다.

생태산업단지(EIP: Eco-industrial Park)는 기업간 공정 부산물, 용폐수 또는 에너지 등의 교환을 핵심 특성으로 하는 산업공생(Industrial Symbiosis) 네트워크의 실제적인 공간적 구현으로 여겨진다. 2005년부터 2016년까지 약 810억원의 정부 예산지원을 바탕으로 진행된 국내 생태산업단지구축사업을 통해 총 655개의 사업 아이템이 제안되었고 이 중 최종적으로 235개 프로젝트가 12개 지역에서 사업화가 이루어져 비용절감과 신규매출을 통해 2.4조원의 경제적 효과와 약 854만톤의 온실가스를 감축하는 환경적 효과, 그리고 7,600억의 신규투자를 유발하고 천여개의 일자리를 창출하는 사회적 성과를 창출하였다(MOTIE, 2017).

생태산업단지의 효과를 통해 우리는 자원의 효율적 이용 방안을 도출 할 수 있으며 여러 분석 방법 중 하나로 사회네트워크 분석(SNA)을 통해 다음과 같은 내용의 분석이 가능하며, 1) 네트워크 기능의 작성, 2) 관계에 따른 단위 성능 또는 시스템에 대한 설명 및 3) 구성 요소 간 관계에 대한 객관적인 분석 네트워크로 요약 할 수 있다. 이러한 맥락에서 참여기업의 네트워크 기능을 식별하는 데 SNA를 사용하는 것이 적절하다 또한 EIP 참여 규모, 참여기업 간 연결 특성, 네트워크의 구조적 형태 및 중개자의 네트워크 기능에 대한 분석을 통해 EIP 프로젝트의 개선을 위한 문제점 및 개선방안 도출이 가능할 것이다.

본 연구에서는 생태산업단지 프로그램을 통해 구축된 전체 EIP 네트워크의 특성과 참여 기업의 연계특성에 대한 분석 결과를 바탕으로 자원의 효율적 활용 방안에 대해 도출하고자 한다.

선행연구 검토

네트워크 분석은 다양한 학문 분야에서 사용되고 있다. 네트워크는 사회적, 순환적 측면은 상호의존적이고 동적인 측면이 있으며(Schiller et al., 2014) EIP는 산업공생 네트워크이면서 사회경제적 시스템으로 볼 수 있는 만큼, 사회네트워크 분석을 통해 시스템을 분석하는 것이 합리적이라 할 수 있다(Ehrenfeld and Gertler, 1997; Baas and Boons, 2004; Chertow and Lombardy, 2005). SNA를 통해 네트워크 참여자의 역할, 정보전달의 과정, 물질교환 교섭, 신뢰와 연대 구축 등 다양한 이슈에 관한 시사점 도출이 가능(Domenech and Davies, 2011)하다. 또한 SNA를 통해 사회적 네트워크에 대한 이해를 향상시킴으로써 기업들의 환경과 지속성의 관리를 가능하게 한다(Kunz et al., 2013). Ashton(2008)의 본격적 사회네트워크 분석 도입 이후 산업공생 네트워크에 대한 SNA 활용이 증가하고 있다. Ashton (2008), Chertow and Ehrenfeld(2012) 등은 사회네트워크 연구를 통해 용수관리기업의 중개인으로서의 역할을 분석하였으며, Doménech and Davies(2011), Ashton and Bain(2012), Aragao and El-Dirabi(2019) 등은 네트워크내 노드들간의 소통관계를 파악하고자 하였다. 또한 Paquin and Howard-Grenville(2013)은 전체 네트워크 내의 기업과 프로젝트 수를 통해 지역 공생 네트워크의 성장을 분석하였고, 촉진자(Facilitator)가 중심적 위치를 차지한다는 것을 발견하였다. 또한 Neumeyer and Santos(2018)는 지속가능성 중심 비즈니스모델 창업기업과 일반 창업기업의 네트워크 특성을 비교하여 지속가능모델이 연결성은 낮으나 밀도는 높다는 것을 확인하였다. 지역 산업공생 네트워크에 대한 분석으로 Song et al.(2018)Li et al.(2017)은 각각 중국 Guijiao와 Quijiang EIP의 네트워크 특성과 취약점을 분석하였다. 또한 Zhang et al.(2016)은 칼룬보그 및 중국, 일본 등 8개 산업공생(Industrial Symbiosis) 네트워크 특성을 비교하였다. 사회네트워크분석을 통한 국내 산업공생 네트워크에 대한 연구는 Choi et al.(2015)은 SNA를 통해 1단계 EIP 사업 참여기업의 규모, 기업간 연계 특성, 네트워크 구조적 형태, 주요 매개기업 등의 네트워크 특성을 분석하고 이를 바탕으로 EIP 네트워크의 문제점과 개선방안을 제시하였으며, Ju(2013), Kim et al.(2014) 등은 각각 충북 지역 EIP와 서울 노원구 폐기물 처리를 위한 정보교환 네트워크의 특성을 분석하여 제시하였다. Park et al.(2019)는 국내 EIP 구축사업의 1, 2단계 참여 기업 네트워크를 분석하고 1단계에 비해 2단계에서 참여기업 수는 증가하였으나 밀도는 감소한 것으로 발견하였다. 그들은 1단계 IS 네트워크에 기존 참여자 간의 새로운 IS 네트워크를 만드는 것보다 새로운 참여자를 추가하는 것이 더 용이하다는 것을 제시하였다.

최근 SNA를 활용한 IS 네트워크 분석이 다양화되고 있으나, 국내 EIP 네트워크 전체를 대상으로 SNA를 통해 특성을 분석한 연구는 매우 미미한 실정이다. 향후 산업공생 네트워크의 확산을 위해서는 네트워크의 연결 정도, 하위 네트워크의 요소, 네트워크내 노드들간의 관계 등 네트워크 자체의 특성을 보다 자세히 살펴봄으로써 그간 구축한 EIP를 최적화하거나 새로운 네트워크 계획을 보다 효과적으로 추진할 수 있을 것이다. 이에 본 연구에서는 EIP 구축사업의 결과인 전체 네트워크를 대상으로 네트워크의 특성을 살펴보고 이를 통해 시사점을 도출함으로써 향후 국내 산업공생(IS) 네트워크 확산을 통한 자원의 효율적 활용 방안을 모색해보고자 한다.

분석 방법

분석대상 및 데이터

2005년부터 2016년까지 진행된 국내 생태산업단지구축사업을 통해 발굴된 사업 중 사업주관기관인 한국산업단지공단과 국가청정생산지원센터를 통해 사업화가 완료된 것으로 보고된 235개 사업을 대상으로 하였다. 그 가운데 수요, 공급 기업이 특정되지 않거나 회사간의 연결을 통한 재활용이 아닌 기업 스스로 재활용을 수행한 사업(자가 재활용) 등을 제외한 205개 사업을 최종적으로 본 연구의 분석대상으로 하였다. 205개 사업을 통해 구축된 산업공생 네트워크에 참여한 기업 중 기업명이 특정된 기업을 입지에 따른 사업장 기준으로 조사하여 742개 사업장에 대한 DB를 구축하였다. 또한 중복참여를 고려할 경우 815개 사업장이 교환 관계에 참여하게 되며 이들의 교환방향에 따라 수요-공급 DB를 구축하였다, 사업을 주도한 지역 EIP센터가 없는 지역의 기업들도 네트워크에 참여하고 있는 만큼 인터넷 포털 등을 통해 사업장 소재지를 확인하여 총 13개 지역으로 사업장을 구분하여 DB를 구축하여 분석에 활용하였다. 또한 각 네트워크의 교환 대상의 성격에 따라 각 교환관계를 에너지화, 재자원화, 물질회수, 토건재료, 대체연료의 5개 유형으로 구분하여 분석에 활용하였으며 분석대상 데이터를 바탕으로 구조적, 중심적, 공간적 특성 분석을 하였으며, 분석도구는 Netminer 4.3(Sa, 2020)을 이용하였다.

구조적, 중심적, 공간적 특성분석

구조적 특성은 네트워크의 노드 수, 밀도, 연결성 등 구조적 특성을 나타내는 것으로 네트워크의 구축 형태를 표현한다(Table 1).

Table 1. Establishment and Meaning of Analysis Index

Features Index Meaning
Structural Features Number of Node Number of participating firms to the network
Number of Links Number of Links among nodes
Component Number of sub-networks within the network
Density no.of actual links/no. of possible links in the N/W
Average Distance Average stage of connectivity among nodes
Average Link Average degree of connectivity among nodes
Diameter number of the longest minimum routes between two nodes
Central Features Degree centrality Inward Frequency of exchange in outside->inside direction
Outward Frequency of exchange in inside->outside direction
betweenness centrality Frequency of playing as an intermediary
Spatial Features Block model Block network of participants around the region
Block image Matrix Linkeage characteristics on relationship among regions
Group Analysis E-I Index link ratio of in-group and inter-groups
SMI link density ration of in-group and inter-groups

중심성(centrality)은 네트워크에서 특정 노드가 중심적 위치를 차지하는 정도(Lee, 2014)를 의미하며, 연결중심성(degree centrality)은 노드들이 얼마나 많은 연결을 가지고 있는가를 측정하는 것으로, 많은 연결을 가질수록 더 중심적 위치를 차지한다는 관점에 근거한다. 연결의 방향성에 따라 내향 및 외향 연결중심성으로 나누어 볼 수 있으며 내향 연결중심성은 외부로부터 많은 연결, 즉 물질 또는 에너지의 흐름을 받고 있다는 의미로 내향 연결중심성이 높은 노드는 수요중심으로 해석할 수 있으며, 외향 연결중심성은 외부로 많은 흐름을 내보내는 역할을 하는 것으로 물질, 에너지의 공급중심이라고 할 수 있다(Table 1). 방향이 있는 네트워크에서 내향중심성은 해당 노드가 링크의 시작 노드(Source Node)가 된 수를 더한 값이고, 외향중심성은 해당 노드가 링크의 끝 노드(Target Node)가 된 수를 더한 값으로 계산된다. 또한 네트워크 전체의 중심성을 보기 위해 각 노드의 중심성을 종합한 연결중심성지수(degree centralization index)를 사용하는 바, 이 값이 클수록 해당 네트워크의 링크가 특정 노드에 의존하는 정도가 크다는 것을 의미한다.

$$\deg ree\;centralization=\sum_{i=1}^n(MaxCentrality-centrality_i)\;/\;(n-2)$$ (1)

* n: number of nodes

사이중심성 또는 매개중심성(betweenness centrality)은 한 노드가 다른 노드와 네트워크를 구축하는데 있어 중개 역할을 중심으로 간주할 때 사용하는 척도이다. 즉, 두 노드간 최단 경로 위에 존재하는 노드의 중심성은 높아지게 된다. 매개중심성은 한 노드가 다른 모든 노드 간의 최단경로에 나타나는 횟수를 기준으로 측정되며, 다른 노드 쌍 간의 경로에 더 많이 나타날수록 더 높은 중심성을 갖게 된다. 매개중심성 지수(betweenness centralizaiton index)는 각 노드의 매개중심성 값을 종합하여 네트워크 전체의 중심성 정도를 하나의 값으로 나타내는 것으로 0부터 1의 값을 갖는다. 모든 노드가 동일한 중심성 값을 가지면 0, 하나의 노드가 모든 링크를 가진 경우와 같이 하나의 노드가 다른 노드에 비교해 훨씬 큰 중심성 값을 갖고 있을 경우 1에 가까운 값을 갖게 된다.

네트워크의 공간적 특성 분석을 위해 블록모델링 및 그룹분석을 수행한다. 블록모델은 그룹내 유사특성을 가진 노드들의 집단(블록)간의 네트워크 분석을 통해 집단 간의 역할 관계와 해당 네트워크의 대내외적 관계를 분석한다(Table 1). 이를 위해 지역 및 유형을 기준으로 구성된 블록에 대해 블록간의 연결 관계를 나타내는 블록밀도행렬을 작성하고, 이를 바탕으로 일정 기준값과 비교하는 블록이미지매트릭스를 생성한다. 각 그룹 자체의 특성 분석을 위해 그룹분석을 함께 수행한다. 그룹분석을 통해 다른 그룹과 네트워크 밀도, 대내외 링크 연결 특성, 응집성 등을 비교할 수 있으며, E-I 지수(external-internal index), SMI (segregation matrix index), 응집지수(cohesion index) 등의 지표를 도출하여 사용한다. E-I 지수는 특정 그룹 내에서의 연결 링크 수와 그룹간의 연결 링크 수의 비율로 계산되며 집단 내 노드들이 연결을 공유하는 정도, 즉 유사성을 나타낸다. E-I 지수는 1에서 -1의 값을 가지며 1에 가까울수록 그룹 외부의 연결 링크가 많다는 의미이다. 즉 E-I 지수의 값이 1이면 모든 링크가 그룹 외부로 연결되어 있다는 의미이고, -1이라면 모든 링크가 그룹 내부에서만 연결되어있다는 의미이다(Lee, 2014). SMI는 그룹 내부와 외부간 링크 밀도의 비율로 -1에서 1사이 값을 가지며 1에 가까울수록 그룹 내부 링크의 밀도가 높다는 것을 의미한다.

$$SMI=\lbrack D_{x,x}-D_{x,y}\rbrack/\lbrack D_{x,x}+D_{y,y}\rbrack$$ (2)

* Dx,y : Links density from group x to group y

분석결과

기초통계

각 노드의 분포를 지역별로 보면 경북이 가장 많으며(Fig. 1), 사업유형별로는 물질회수가 가장 많은 것으로 조사되었다(Table 2).

http://static.apub.kr/journalsite/sites/ksmer/2020-057-02/N0330570203/images/ksmer_57_02_03_F1.jpg
Fig. 1.

Number of participants in each region.

Table 2. Basic statistics on project types

No. of Business % No. of participating companies %
Energy 54 26.3 196 24.0
Rematerialization 33 16.1 165 20.2
Material Recovery 61 29.8 221 27.1
Civil material 29 14.1 122 15.0
Alternative Fuels 28 13.7 111 13.6
205 815

구조적 특성

네트워크 전체 참여기업수는 742개, 링크수는 758개이며 밀도는 0.001로 매우 낮게 나타났다. 전체 네트워크는 78개의 부분 네트워크(컴포넌트)로 이루어져있으며, 노드간 평균거리는 2.702, 평균연결은 1.019이다. 네트워크 내의 임의의 두 노드가 연결되기 위해서는 3개 가까운 기업을 거쳐야 하는 것으로 나타났으며, 각 노드들이 갖는 평균적인 링크는 1개를 겨우 넘는 수준으로 도출되었다. 네트워크의 지름은 10으로 전체 네트워크에서 가장 긴 최단거리를 갖는 두 노드가 연결되기 위해서는 10개 기업을 거쳐야하는 것을 의미한다(Table 3). 각 노드의 특성을 보면, 수요기업이 공급기업보다 많았고, 전체 네트워크 참여기업의 약 10%가 중간처리역할을 담당하고 있다. 또한 수요와 공급 양 측면에서 활발하게 참여하고 있는 기업들의 비중은 크게 높지 않은 것으로 나타났다(Table 4).

Table 3. Analysis result : Structural features

Index No.of Nodes No.of Links Component Density Average distance Average links Diameter
Value 742 758 78 0.001 2.702 1.019 10

Table 4. Number of nodes by characteristics

Transmitter Receiver Carrier Ordinary Total
No.of nodes 225 315 70 132 742
Definition in=0 in>0 in=1 in>1
out>1 out=0 out-1 out>1

교환유형별로는 물질회수의 참여기업 수와 링크 수가 높게 나타나고 있으나, 참여기업당 연결 수는 재자원화와 토건재료 유형이 높은 것으로 나타났다. 유형별 네트워크의 밀도는 0.004-0.008로 대체로 낮은 수준이며, 물질회수의 경우, 노드 수 대비 상대적으로 컴포넌트가 많고 밀도가 낮으며 평균거리가 긴 것으로 나타나 상대적으로 네트워크가 분절적인 것으로 보인다.

노드 수준에서는 재자원화 외에는 모두 수요기업이 공급기업보다 많이 참여하고 있는 것으로 나타났으며, 재자원화 및 토건재료 네트워크에 참여하고 있는 기업들이 상대적으로 수요공급 양측에 모두 참여하는 비중이 높았다. 또한 중간처리기업을 거치는 비중은 대체연료 네트워크에서 가장 높게 나타나고 에너지에서 가장 낮게 나타났다(Fig. 2, Table 5).

http://static.apub.kr/journalsite/sites/ksmer/2020-057-02/N0330570203/images/ksmer_57_02_03_F2.jpg
Fig. 2.

Spring Map of Networks.

Table 5. Structural features by project type

No.of Links Density Average Networks Component Average distance Diameter
Energy 174 0.005 0.888 33 1.568 4
Rematerialization 166 0.006 1 20 1.934 4
Material Recovery 210 0.004 0.946 36 2.09 6
Civil material 123 0.008 1 13 1.575 4
Alternative Fuels 100 0.008 0.901 23 1.541 2

중심적 특성

전체 네트워크의 연결중심성은 내향 0.808%, 외향 1.079%이고, 사이중심성은 0.00078로 높지 않은 수준으로 특정 노드의 의존도가 높지 않다는 의미로 볼 수 있다. 유형별로는 대체연료와 토건재료 네트워크의 중심성이 상대적으로 높았고, 지역적으로는 경북, 전남, 전북, 대구의 중심성이 상대적으로 높은 것으로 나타난 바, 해당 지역의 철강, 석유화학 대기업들의 교환네트워크에서의 중심성이 높은 것으로 보인다(Table 6, Table 7).

Table 6. Central features by project type

Division Degree Centrality Betweenness centralization
Internal External
Energy 2.12 3.151 0.06
Rematerialization 3.681 4.908 0.3
Material Recovery 1.399 3.678 0.23
Civil material 4.958 4.132 0.23
Alternative Fuels 5.595 4.678 0.35

Table 7. Central features by region

Area Degree centrality Betweenness centrality Area Degree centrality Betweenness centrality
Gangwon 0.001 0 Ulsan 0.108 0.011
Gyeonggi 0.092 0.008 Incheon 0.019 0.000
Gyeongnam 0.036 0.001 Jeonnam 0.151 0.022
GyeongBuk 0.212 0.043 Jeonbuk 0.133 0.017
Daegu 0.104 0.010 Chungnam 0.045 0.002
Busan 0.050 0.002 Chungbuk 0.049 0.002
Seoul 0.001 0

공간적 특성

E-I 지수는 충남이 외부링크가 많고, 울산이 내부링크가 많은 것을 보여주며, SMI는 인천의 내부밀도가 가장 높고 경남이 외부와의 밀도가 높음을 보여주고 있다. 또한 경남의 경우 모든 링크가 외부로 연결되어 있음을 나타낸다(Table 8).

Table 8. Spatial features by region

Area E-I index SMI Area E-I index SMI
Gangwon 1 -1 Ulsan -0.161 0.919
Gyeonggi 0.437 0.827 Incheon 0.625 0.976
Gyeongnam 1 -1 Jeonnam -0.097 0.847
GyeongBuk -0.095 0.821 Jeonbuk -0.149 0.881
Daegu 0 0.878 Chungnam 0.763 0.676
Busan 0.571 0.843 Chungbuk 0.156 0.915
Seoul 1 0

결론 및 고찰

지역 특성에 따라 유형별 참여기업 분포가 다르게 나타나며, 같은 유형에서도 교환되는 물질은 참여기업에 따라 다양하게 나타난다는 사실을 알 수 있다. 전체 네트워크의 밀도가 낮은 것은 대부분 프로젝트가 단일 네트워크 형성에 머무르는 것에 기인한다. 또한, 공급기업 대비 수요기업 비중이 높고, 중간처리기업의 비중이 낮게 나타나고 있어 폐부산물 배출기업을 중심으로 사업 참여자를 확보하는 방식이 많다는 점을 확인할 수 있었으며, 기업간 직접적 연결을 통해 수요기업이 직접 원료 또는 연료를 확보하는 경우가 많다는 것을 유추할 수 있다. 한편, 지역 EIP 센터가 설치되지 않았던 지역(서울, 강원)의 기업 참여가 저조한 바, 사업발굴 범위가 지역적 범위를 넘어 확대되더라도 사업 주도자(facilitator)의 소재에 따라 영향을 받고 있음을 확인할 수 있다.

이상에서 살펴본 바와 같이 2005-2016년 생태산업단지구축사업의 결과 많은 성과가 있었음에도 불구하고, 정부지원 종료 후 자생적 네트워크 확대가 활발하지 않은 것은 새로운 사업기회의 발굴의 어려움과 함께 기존 네트워크의 확장성 측면에서도 한계점을 보였다. 따라서 향후 새로운 산업공생 네트워크 구축을 위해서는 새로운 사업 발굴도 필요하나, 기존 프로젝트의 네트워크 연결성을 높여나가는 방향, 즉 기존 네트워크에 추가적인 기업 참여를 확대하는 방안을 모색할 필요가 있다. 특히 사업 주도자(facilitator)의 지역 EIP센터의 역할의 중요성에 비추어 지역 EIP센터 폐지가 이후 후속 EIP 사업 추진에 어려움을 가져온 측면이 있다는 점을 확인한 만큼, 사업 주도자 역할을 할 수 있는 구심점을 확보하는 것이 향후 산업공생 네트워크 확산을 통한 자원의 효율적 이용을 높이는 중요한 과제라고 할 것이다.

References

1

Aragao, R.R. and El-Dirabi, T., 2019. Using network analytics to capture knowledge: Three cases in collaborative energy- oriented planning for oil and gas facilities, Journal of Cleaner Production, p.1429-1444.

10.1016/j.jclepro.2018.10.346
2

Ashton, W. and Bain, A.C., 2012. Assessing the Short MentalDisgtance in eco-industrial networks, Journal of Industrial Ecology, 16(1), p.70-82.

10.1111/j.1530-9290.2011.00453.x
3

Ashton, W., 2008. Understanding the organization of industrial ecosystems, Journal of Industrial Ecology, 12(1), p.34-51.

10.1111/j.1530-9290.2008.00002.x
4

Baas, L.W. and Boons, F.A., 2004. An industrial ecology project in practice: exploring the boundaries of decision- making levels in regional industrial systems, Journal of Cleaner Production, 12(8-10), p.1073-1085.

10.1016/j.jclepro.2004.02.005
5

Chertow, M. and Ehrenfeld, J., 2012. Organizing self-organizing systems: toward a theory of industrial symbiosis, Journal of Industrial Ecology, 16(1), p.13-27.

10.1111/j.1530-9290.2011.00450.x
6

Chertow, M. and Lombardy, R., 2005. Quantifying economic and environmental benefits of co-located firms, Policy Analysis, 39(17), p.6535-6541.

10.1021/es050050+16190209
7

Choi, N.R., Ban, Y.U., Jung, H.G., Ju, K.S., and Son, C.H., 2015. An EIP industrial symbiosis network characteristics analysis using social network analysis, Korean Urban Management Association, (12), p.113-126.

8

Doménech, T. and Davies, M., 2011. The role of embeddedness in industrial symbiosis networks: phases in the evolution of industrial symbiosis networks, Business Strategy and the Environment, 20(5), p.281-296.

10.1002/bse.695
9

Ehrenfeld, J. and Gertler, N., 1997. Industrial ecology in practice: the evolution of interdependence at Kalundborg, Journal of Industrial Ecology, 1(1), p.67-79.

10.1162/jiec.1997.1.1.67
10

Ju, K.S., 2013. A network characteristics analysis of the participating companies in the Chungbuk EIP business using social network analysis, Chungbuk University, Master degree.

11

Jung, J.H., 2019. A study for electronics industry cluster using social network analysis, Korea Contents Proceedings, 19(5), p.4-63.

12

Kim, C.M., Seo, S.H., and Kim, T.Y., 2014. A municipal waste information network analysis using Social Network Analysis, Environment Policy, 22(1), p.113-136.

13

Kunz, N.C., Moran, C.J., and Kastelle, T., 2013. Conceptualising "coupling" for sustainability implementation in the industrial sector: a review of the field and projection of future research opportunities, Journal of Cleaner Production, 53, p.69-80.

10.1016/j.jclepro.2013.03.040
14

Lee, S.S., 2014. Methodology for network analysis.

15

Li. B., Xiang, P., Hu, M., Zhang, C., and Dong, L., 2017. The vulnerability of industrial symbiosis: A case study of Qijiang Industrial Park, China, Journal of Cleaner Production, 157, p.267-277.

10.1016/j.jclepro.2017.04.087
16

Ministry of Trade Industry and Energy., 2017. A road-map for Eco-industrial parks proliferation.

17

Neumeyer, X. and Santos, S., 2018. Sustainable business models, venture typologies, and entrepreneurial ecosystems: A social network perspective, Journal of Cleaner Production, 172(20), p.4565-4579.

10.1016/j.jclepro.2017.08.216
18

Paquin, R. and Howard-Grenville, J.A., 2013. Blind dates and arranged marriages: longitudinal processes of network orchestration, Organization Studies, 34(11), p.1623-1653.

10.1177/0170840612470230
19

Park, C.G., 2014. A characteristics by company-group in the domestic solar photovoltaic industry and understanding of the supply-demand relation by inter-company, Journal of Korea Solar Photovoltaic Energy, 34(4), p.83-90.

10.7836/kses.2014.34.4.083
20

Park, J., Park, J., and Park, H., 2019. Scaling-up of industrial symbiosis in the korean national eco-industrial park program: examining its evolution over the 10 Years between 2005-2014, Journal of Industrial Ecology, 23(1), p.197-207

10.1111/jiec.12749
21

Sa, I.R., 2020. Using Netminer Module Reference.

22

Schiller, F., Penn, A.S., and Basson, L., 2014. Analyzing networks in industrial ecology - a review of Social Material Network Analysis, Journal of Cleaner Production, 76, p.1-11.

10.1016/j.jclepro.2014.03.029
23

Song, X., Geng, Y., Dong, H., and Chen, W., 2018. Social network analysis on industrial symbiosis: A case of Gujiao eco-industrial park, Journal of Cleaner Production, 193, p.414-423.

10.1016/j.jclepro.2018.05.058
24

Zhang, Y., Zheng, H., Shi, H., Yu, X., Liu, G., Su, M., Li, Y., and Chai, Y., 2016. Network analysis of eight industrial symbiosis systems, Frontier of Earth Science, 10, p.352-365.

10.1007/s11707-015-0520-9
페이지 상단으로 이동하기