Journal Search Engine

ISSN : 2005-0461(Print)
ISSN : 2287-7975(Online)

Journal of Society of Korea Industrial and Systems Engineering Vol.49 No.3 pp.56-72
DOI : https://doi.org/10.11627/jksie.2026.49.3.056

Inspection Automation Maturity and Quality Performance in High-Reliability Aerospace and Defense Supply Chains: Comparative Analysis of Automated Equipment, Algorithmic Judgment, and Manual Judgment Dependence

Hong-Tae Kim^*

, Geon-Hee Kim^*

, Byung-Chan Min^**†

^*Department of Advanced Convergence in Aerospace and Defense, Hanbat National University
^**Department of Industrial and Management Engineering, Hanbat National University

^†Corresponding Author : bcmin@hanbat.ac.kr

Received 21/06/2026 Finally Revised 11/07/2026 Accepted 14/07/2026

Abstract

This study empirically examines how inspection automation maturity is associated with quality performance and operational burden in high-reliability aerospace and defense supply chains. In this study, high-reliability aerospace and defense supply chains are defined as supplier-side manufacturing, inspection, and quality-assurance processes for aerospace and defense-related parts, assemblies, and special processes, rather than the entire distribution or sales chain. Using 88 valid survey responses from personnel involved in quality, inspection, production, and IT/system-related tasks, this study operationalized inspection automation maturity as a formative composite index (X_AUTO) and as four component-level variables: automated or semi-automated inspection equipment use (E1), algorithm- or model-based judgment (E2), reduced dependence on manual judgment through reverse coding (E3_REV), and lead-time reduction attributable to automation at the inspection-activity level (E4). The dependent variables were lead-time burden (Y_LT), cost burden (Y_COST), and defect escape (Y_ESCAPE_ORD). Descriptive statistics, correlation analysis, mean comparison by automation level, standardized OLS regression, ordinal logistic robustness analysis for the ordinal defect-escape variable, Harman's single-factor test, and sensitivity analyses were conducted. Additional sensitivity analyses compared the four-component index with an alternative three-component index excluding E4, and model stability was assessed using 5,000 bootstrap resamples and repeated 10-fold cross-validation. The negative association with defect escape remained significant when E4 was excluded (β=-.996, p<.001; bootstrap 95% CI [-1.262,-0.808]), and cross-validated Q2 values were positive across all models. The results show that the composite automation maturity index was negatively associated with defect escape, while it was positively associated with lead-time and cost burdens. Ordinal logistic regression produced a consistent negative association between X_AUTO and defect escape. At the component level, reduced dependence on manual judgment showed the most robust negative association with defect escape; however, this result should be interpreted cautiously because E3_REV was measured using a single reverse-coded item. These findings suggest that inspection automation in high-reliability supply chains should be understood as a combined process involving equipment-based data acquisition, algorithm-assisted judgment, standardized decision criteria, reduced dependence on manual judgment, and interorganizational integration of digital inspection data.

Key Words : Aerospace and Defense Supply Chain , Inspection Automation , Defect Escape , Algorithmic Judgment , Manual Judgment Dependence , Common Method Bias

우주․국방 고신뢰성 공급망의 검사자동화 성숙도와 품질성과: 자동화 설비, 알고리즘 판정 및 수동판정 의존도의 비교분석

김홍태^*, 김건희^*, 민병찬^**†

^*국립한밭대학교 우주국방첨단융합학과
^**국립한밭대학교 산업경영공학과

초록

키워드 :

This article has been cited by 0 article in crossref

Cited-By

Funding:

1. 서 론

우주․국방 산업은 고신뢰성 부품, 장기 공급망, 엄격한 형상관리와 추적성을 전제로 운영되므로, 일반 제조업보다 품질검사와 품질보증 활동의 중요성이 크다. 특히 원청기업 또는 완성체계업체(Original Equipment Manufacturer: OEM), 1차 협력업체(Tier-1), 2․3차 협력업체(Tier-2/3)가 연계된 공급망에서는 동일 검사자료의 반복 확인, 판정기준 차이, 수동기록 재입력으로 인해 리드타임과 비용부담이 증가할 수 있다. 본 연구에서 말하는 우주․국방 고신뢰성 공급망은 제조, 유통, 판매 전체를 포괄하는 광의의 공급망이 아니라, 우주․국방 관련 부품, 조립품, 특수공정 및 검사․품질보증 활동과 직접 관련된 제조 및 협력업체 중심 공급망을 의미한다. 이러한 영역에서는 감항․인증 요구, 군사 규격, 납품검사, 형상관리, 추적성, 원청 승인 및 다단계 검증이 결합되므로, 일반 제조업의 스마트팩토리 도입과 달리 품질 실패가 임무 실패, 납기 지연, 국방 조달 리스크 및 국가안보적 문제로 확대될 수 있다. 최근 머신비전 기반 금형 품질검사, 제조공정 품질예측, 딥러닝 기반 고장감지 등 데이터 기반 검사․진단 연구가 활발히 보고되고 있다[14, 20, 31, 35].

스마트팩토리와 디지털 제조의 확산은 품질검사를 단순 사후검사에서 실시간 데이터 수집, 자동판정, 이상탐지 및 예측관리 중심으로 전환시키고 있다[2, 4, 5, 9, 23]. 스마트팩토리 관련 특허 빅데이터 분석에서도 데이터 분석과 지능화 기술의 연구 동향이 제시되었다[16]. 또한 군수품 품질정보와 방산 품질데이터의 활용 가능성은 고신뢰성 산업에서 품질문제의 조기 식별과 공급망 품질위험 관리가 중요함을 보여준다[10]. 해외 연구에서도 Industry 4.0 기술은 제조성과와 스마트공장 성과를 향상시킬 수 있으나, 기술도입 효과는 공정특성, 조직역량, 데이터 통합 수준에 따라 달라질 수 있다고 보고된다[2, 4, 5, 6, 21].

그러나 기존 연구들은 검사자동화를 자동화 설비 보유 여부나 포괄적 디지털 전환 수준으로 다루는 경우가 많아, 자동화 설비 활용, 알고리즘 또는 모델 기반 판정, 수동판정 의존도 감소, 자동화에 따른 검사활동의 시간 효율성 개선이 품질성과와 운영부담에 어떠한 차별적 관련성을 갖는지 충분히 설명하지 못하였다. 기존 Industry 4.0 연구는 제조기술의 도입을 스마트 제조, 연결성, 데이터 분석 및 공급망 통합 등의 다차원 구조로 설명한다[2, 4, 5]. Quality 4.0 연구는 이러한 기술 기반에 데이터 중심의 품질 의사결정, 프로세스 표준화, 조직역량 및 운영성과 구현이 결합되어야 한다고 제시한다[22, 25, 26, 30]. 이에 본 연구는 우주․국방 검사공정에서 설문문항으로 직접 측정할 수 있는 네 기능적 측면, 즉 자동․반자동 장비에 의한 검사자료 취득, 알고리즘 또는 모델 기반 판정, 수동판정 의존도 감소와 판정기준 표준화, 자동화에 따른 검사활동 단위의 리드타임 단축을 선정하였다. 장비 기반 자료취득은 물리적 자동화, 알고리즘 판정은 데이터 기반 품질 의사결정, 수동판정 의존도 감소는 프로세스 표준화와 판정 재현성, 검사활동의 리드타임 단축은 자동화 기능이 운영성과로 구현된 정도에 각각 대응한다. 반면 협력사 제조실행시스템(Manufacturing Execution System: MES)과 원청 품질경영시스템(Quality Management System: QMS)의 API 연계, 검사데이터 자동 동기화 및 표준화된 데이터 교환 수준은 개별 검사공정의 자동화보다 넓은 기업․공급망 시스템 통합 차원이므로 별도의 통제요인으로 구분하였다. 따라서 본 연구의 네 요소는 검사자동화 성숙도의 모든 차원을 포괄하는 보편적 척도가 아니라, 조사자료에서 측정 가능한 검사공정 중심의 형성적 복합지표로 한정하여 해석한다. 또한 디지털 기술과 검사기술의 관련성은 품질개선뿐 아니라 투자비용, 데이터 품질, 운영부담 및 성과평가를 함께 고려해야 하며[1, 9, 19, 22, 24, 27], 항공우주 공급망에서도 협력업체 관리가 품질․납기․비용위험을 동시에 발생시킬 수 있다[34].

이에 본 연구는 우주․국방 고신뢰성 공급망의 품질검사 설문자료를 이용하여 검사자동화 성숙도가 리드타임 부담, 비용부담 및 결함 유출(defect escape)과 어떠한 관련성을 갖는지 분석한다. 특히 검사자동화를 종합적 성숙도와 네 가지 기능적 구성요소로 구분하여, 단순 설비 활용보다 알고리즘 판정과 수동판정 의존도 감소가 결함 유출과 운영부담을 설명하는 데 어떤 차별적 의미를 갖는지 검토한다. 본 연구는 횡단면 설문자료에 기반하므로 자동화의 인과적 효과를 단정하기보다, 검사자동화 성숙도와 품질성과 및 운영부담 간의 관련성을 중심으로 해석한다. 본 연구는 고신뢰성 공급망에서 검사자동화의 품질성과 관련성과 운영부담 관련성을 동시에 제시함으로써, 공급망 품질검사 전략과 검사투자 최적화[18] 및 공급망 품질관리 체계 설계에 실증적 근거를 제공하고자 한다.

2. 연구방법

2.1 연구설계 및 개념적 연구모형

본 연구는 우주․국방 고신뢰성 공급망의 품질검사 업무를 대상으로, 검사자동화 성숙도가 리드타임 부담, 비용 부담 및 결함 유출(Y_ESCAPE_ORD)과 어떠한 관련성을 갖는지를 실증적으로 분석하였다. 연구의 핵심 독립변수는 검사자동화 성숙도이며, 이는 종합지수(X_AUTO)와 구성요소 수준(E1, E2, E3_REV, E4)으로 각각 조작화하였다. 종속변수는 리드타임 부담(Y_LT), 비용 부담(Y_COST), 결함 유출(Y_ESCAPE_ORD)로 설정하였다. 여기서 결함 유출은 검사 누락 또는 판정 미흡으로 인해 후단 공정이나 고객 단계에서 문제가 확인되는 품질공학적 현상을 의미한다.

또한 공급망 구조와 공정 특성이 결과변수에 미칠 수 있는 영향을 통제하기 위하여 공급망 티어, 공정 난이도(C_DIFFIC), 발주․생산 변동성(C_VOL), 디지털 연동 복합지수(X_DIGI)를 통제변수로 포함하였다. 본 연구의 개념적 연구모형은 <Figure 1>과 같다. <Figure 1>은 검사자동화 성숙도를 종합지수와 구성요소 차원으로 구분하고, 이들이 세 가지 결과변수와의 관계를 동시에 검토하는 구조를 나타낸다.

2.2 자료 및 표본

본 연구는 우주․국방 공급망 품질검사 설문 응답자료를 SPSS 분석용으로 코딩하여 분석에 활용하였다. 설문은 2025년 10월 22일부터 2025년 12월 16일까지 우주․국방 관련 품질, 검사, 생산, IT/시스템 업무 경험자를 대상으로 수집되었다. 본 자료는 특정 1개 기업의 단일 사례가 아니라 원청/OEM, Tier-1, Tier-2/3 협력업체에 속한 복수의 실무자 응답을 통합한 설문 기반 실증자료이다. 최종 분석표본은 총 88명이며, 모든 응답자는 주의력 점검 문항( $Q1 = 4, Q2 = 2$ )을 통과하였다. 기술통계와 상관분석에는 88개 사례가 활용되었고, 회귀분석에서는 listwise 기준에 따라 리드타임 부담 모형 87개, 비용 부담 모형 86개, 결함 유출 모형 87개의 유효 사례가 사용되었다.

표본의 주요 특성을 보면, 공급망 티어는 원청/OEM 33명(37.5%), Tier-1 협력업체 40명(45.5%), Tier-2/3 협력업체 15명(17.0%)으로 구성되었다. 회사 규모는 100명 이하가 55명(62.5%), 501명 이상이 33명(37.5%)이었으며, 응답자의 근속년수는 6–10년 37명(42.0%), 11년 이상 50명(56.8%)으로 비교적 숙련된 인력이 다수를 차지하였다. 또한 공정 난이도는 ‘매우 높음’ 44명(50.0%), ‘보통’ 32명(36.4%)이었고, 최근 6개월 발주․생산 변동성은 ‘매우 높음’이 58명(65.9%)으로 나타났다. 이는 본 자료가 고위험․고변동 환경의 품질검사 실무를 반영하고 있음을 보여준다.

2.3 변수의 조작적 정의

2.3.1 검사자동화 성숙도 변수

검사자동화 성숙도는 네 개 문항을 활용하여 측정하였다. E1은 자동광학검사(Automated Optical Inspection: AOI), 비파괴검사(Non-Destructive Testing: NDT) 등 자동화․반자동화 설비 활용 수준으로, 물리적 검사장비와 센서 기반 데이터 취득 수준을 의미한다. E2는 알고리즘/모델 기반 판정 수준으로, 검사자료를 규칙, 통계모델 또는 기계학습 기반 절차에 따라 해석하고 판정하는 정도를 의미한다. E3R은 “모든 검사는 수작업/수동 판정에 의존한다” 문항으로서 역코딩 후 E3_REV로 변환하였으며, 점수가 높을수록 검사자 경험과 주관적 판단에 대한 의존이 낮고 판정기준이 표준화되고 재현성이 확보된 수준으로 해석하였다. E4는 자동화에 따른 리드타임 단축 정도로, 공급망 전체 리드타임이 아니라 특정 검사활동 또는 검사공정 단위에서 자동화로 인해 체감되는 시간 효율성 개선 경험을 의미한다.

종합지수 X_AUTO는 E1, E2, E3_REV, E4의 평균으로 산출하였다. 다만 X_AUTO는 단일 잠재구성개념을 반복문항으로 측정한 반영적 척도라기보다, 검사자동화 성숙도를 구성하는 여러 기능적 차원을 종합한 형성적 복합지수로 해석하였다. 따라서 본 연구는 X_AUTO의 내적일관성만을 중심으로 해석하기보다, 종합지수 모형(Panel A)과 구성요소 분해 모형(Panel B)을 병행하여 검사자동화 성숙도의 다차원적 관련성을 검토하였다. 특히 E3_REV는 단일 역코딩 문항이므로, 해당 계수는 수동판정 의존도 감소의 가능성을 보여주는 탐색적 지표로 제한하여 해석하였다.

선행연구의 성숙도 차원과 본 연구의 조작적 정의를 대응시키면, E1은 물리적․기술적 자동화, E2는 데이터 분석 및 지능형 품질판정, E3_REV는 프로세스 표준화와 인간 의존성 감소, E4는 자동화 기능이 검사활동의 시간 효율로 구현된 운영성과 수준에 해당한다[2, 4, 5, 22, 25, 26, 30]. 한편 X_DIGI는 협력사 MES와 원청 QMS의 API 연계, 검사성적서 데이터 누락․지연 감소, 검사데이터 자동 동기화 및 표준화된 데이터 교환을 종합한 지표로, 개별 검사공정의 성숙도보다 넓은 기업․공급망 통합 차원이므로 종합지수에 포함하지 않고 별도의 통제변수로 투입하였다. 또한 E4가 성숙도 구성요소라기보다 운영성과에 가까울 수 있다는 개념적 중첩 가능성을 고려하여, E4를 제외한 대안지수의 민감도 분석을 추가하였다. 이러한 이론적 대응관계와 변수 선정 논리는 <Table 1>에 정리하였다.

2.3.2 결과변수

결과변수는 리드타임 부담(Y_LT), 비용 부담(Y_COST), 결함 유출(Y_ESCAPE_ORD)로 구성하였다. Y_LT와 Y_COST는 점수가 높을수록 검사운영 과정에서 체감하는 전반적 부담이 큰 것을 의미한다. Y_ESCAPE_ORD는 “최근 6개월 동안 결함 유출, 즉 검사 누락 또는 판정 미흡으로 인한 후단 문제가 발생했는지를 묻는 문항”을 0-3 범주의 순서형 지표로 코딩한 변수이며, 값이 높을수록 결함 유출 수준이 큰 것을 의미한다. 방법론적으로 E4는 자동화 기능이 특정 검사활동에서 체감되는 국지적 리드타임 단축 경험을 나타내는 독립변수 구성요소인 반면, Y_LT는 공급망 전체 또는 품질보증 운영 과정에서 체감되는 전반적 리드타임 부담을 나타내는 결과변수이다. 따라서 두 변수는 모두 시간과 관련되지만, 전자는 자동화 성숙도 구성요소, 후자는 운영성과 또는 운영부담 지표로 구분된다.

결함 유출은 순서형 변수의 성격을 가지므로 집단 비교 단계에서는 Kruskal-Wallis 검정을 보조적으로 제시하였으며, OLS 회귀분석 결과는 탐색적 결과로 해석하였다. 아울러 핵심 결과의 강건성을 확인하기 위해 결함 유출 변수에 대해서는 순서형 로지스틱 회귀분석을 추가로 실시하였다.

2.3.3 통제변수

통제변수로는 공급망 티어, 공정 난이도(C_DIFFIC), 발주․생산 변동성(C_VOL), 디지털 연동 복합지수(X_DIGI)를 사용하였다. 공급망 티어는 원청/OEM을 기준범주로 하고, Tier-1 공급업체(TIER_T1)와 Tier-2/3 공급업체(TIER_T23)를 더미변수로 코딩하였다. 공정 난이도와 발주․생산 변동성은 응답자의 주관적 평가값을 사용하였다. X_DIGI는 시스템 연결성, 데이터 적시성 및 표준화와 같이 상이한 기능적 차원을 결합한 형성적 통제복합지수로 사전 정의하였으며, MES-QMS API 연계(B1), 검사성적서 데이터 누락․지연 문항의 역코딩값( $B2_REV = 6 - B2R$ ), 검사데이터 자동 동기화(B3), 표준화된 데이터 교환(B4)의 평균으로 산출하였다. 역코딩 규칙은 설문 설계와 일치함을 재확인하였다. 형성적 지수에는 Cronbach's $α$ 를 주된 신뢰도 판단기준으로 적용하지 않았으며, $α = - .022$ 는 구성문항 간 이질성을 보여주는 참고적 진단으로만 제시하였다. B2_REV를 제외한 대안지수 X_DIGI3(B1, B3, B4 평균)를 사용한 민감도 분석에서도 핵심 결과의 방향과 유의성은 유지되었으며, 세 문항의 $α$ 는 .813이었다. <Table 2>의 H7_DIGITAL_SELF는 표본 특성 제시용 범주형 문항으로 X_DIGI와 구분하였다.

2.4 자료 전처리 및 통계분석 절차

자료 전처리 및 통계분석 절차는 <Figure 2>와 같다. 먼저 설문 응답자료를 SPSS 분석용으로 코딩한 후, 주의력 점검 문항( $Q1 = 4, Q2 = 2$ )을 기준으로 분석대상을 확정하였다. 이후 결측 및 유효하지 않은 값은 -99로 코딩하여 해당 분석 단계에서 제외하였으며, 수동판정 의존도 문항(E3R)은 역코딩하여 E3_REV를 생성하였다.

변수 구성 단계에서는 검사자동화 종합지수(X_AUTO), 자동화 구성요소(E1, E2, E3_REV, E4), 결과변수(Y_LT, Y_COST, Y_ESCAPE_ORD), 통제변수(공급망 티어, C_DIFFIC, C_VOL, X_DIGI)를 생성하였다. 이후 기술통계와 Pearson 상관분석을 통해 주요 변수의 분포와 기초 관계를 검토하였다.

평균 차이 분석에서는 X_AUTO의 관측분포를 기준으로 낮음-보통( $\leq 3.50$ ), 중간(3.75–4.00), 높음( $\geq 4.25$ )의 세 집단으로 구분하여 결과변수의 평균을 비교하였다. 이 단계에서는 ANOVA와 함께 Kruskal-Wallis 검정을 병행하여 순서형 지표의 특성을 보완적으로 점검하였다.

회귀분석에서는 두 개의 모형 체계를 사용하였다. Panel A는 검사자동화 종합지수(X_AUTO)를 투입한 모형이며, Panel B는 E1, E2, E3_REV, E4를 동시에 투입한 구성요소 모형이다. 모든 회귀식에는 공급망 티어, 공정 난이도, 발주․생산 변동성 및 디지털 연동 복합지수를 공통 통제변수로 포함하였다. 결과 제시는 표준화 회귀계수( $β$ )를 기준으로 하였으며, 유의수준은 ^† $p < .10$ , ^* $p < .05$ , ^** $p < .01$ , ^*** $p < .001$ 의 기준에 따라 해석하였다. 추가적으로 결함 유출의 순서형 특성을 고려하여 Panel A의 X_AUTO 모형에 대해 순서형 로지스틱 회귀분석을 수행하였고, 동일 설문 기반 자료에서 발생할 수 있는 공통방법편의 가능성을 점검하기 위해 주요 측정문항을 대상으로 Harman's single-factor test를 실시하였다. 또한 구성요소 모형의 다중공선성, 억제효과 및 과적합 가능성을 검토하기 위해 VIF와 함께 축소모형 기반 민감도 분석을 수행하였다.

추가 민감도 분석에서는 자동화에 따른 검사활동 단위의 리드타임 단축이 성숙도 구성요소라기보다 운영성과에 가까울 수 있다는 개념적 중첩 가능성을 점검하기 위하여, E4를 제외하고 E1, E2 및 E3_REV의 평균으로 대안지수(X_AUTO3)를 산출하였다. 기존 지수와 대안지수의 회귀계수 안정성은 5,000회 사례 재표집 Bootstrap의 percentile 95% 신뢰구간으로 검토하였다. 또한 높은 설명력의 과적합 가능성을 점검하기 위해 10-fold 교차검증을 100회 반복하여 out-of-fold 예측 $Q^{2}$ 를 산출하고, 분산팽창계수(VIF)와 조건지수를 함께 확인하였다. 디지털 연동 통제변수의 측정 민감도는 X_DIGI 대신 X_DIGI3를 동일한 회귀모형에 대체 투입하여 점검하였다.

2.5 분석상 유의점

본 연구는 결함 유출 변수를 순서형 지표로 취급하되, 기존 연구와의 비교 가능성을 확보하기 위하여 평균 비교 및 OLS 회귀분석 결과를 함께 제시하였다. 따라서 결함 유출 관련 OLS 회귀계수는 탐색적으로 해석할 필요가 있다. 순서형 로지스틱 회귀분석은 OLS 결과의 방향성이 유지되는지를 확인하기 위한 강건성 분석으로 활용하였다.

또한 구성요소 모형에서 E2와 E3_REV 사이의 관련성이 비교적 높게 나타날 수 있으므로, 다중공선성 및 억제효과 가능성을 고려하여 결과를 해석하였다. 특히 Panel B는 검사자동화 성숙도의 구성요소별 관련성을 탐색적으로 분해하기 위한 모형이므로, 높은 설명력을 곧바로 인과적 설명력으로 해석하지 않았다. 본 연구의 목적은 우주․국방 공급망의 검사자동화 성숙도와 품질성과 및 운영부담 간의 관계를 실증적으로 확인하는 데 있으므로, 종합지수 모형, 구성요소 모형, 순서형 로지스틱 회귀 및 민감도 분석을 병행 제시함으로써 해석의 균형을 유지하고자 하였다.

3. 결과

본 결과에서는 SPSS용으로 코딩된 우주․국방 공급망 품질검사 설문자료를 이용하여 표본 특성, 주요 변수의 기술통계와 상관관계, 검사자동화 수준별 평균 차이, 그리고 회귀분석 결과를 순차적으로 제시하였다. 결과 제시는 기술적 해석을 중심으로 하였으며, 원인적 의미와 산업적 시사점은 논의 장에서 별도로 다루도록 한다.

3.1 표본 특성 및 자료 선별 결과

분석에 사용된 자료는 우주․국방 관련 품질, 검사, 생산, IT/시스템 업무 경험을 가진 응답자를 대상으로 수집된 설문자료이다. 전체 SPSS용 코딩자료는 88건이며, 모든 응답자가 주의력 점검 문항(Q1=4, Q2=2)을 통과하였다. 회귀분석에서는 종속변수와 통제변수의 결측 및 유효범위 처리를 반영하여 리드타임 모형 87건, 비용부담 모형 86건, 결함 유출 모형 87건이 사용되었다. 다만 설문문항에는 응답 기업을 항공우주 중심 기업과 방산/국방 중심 기업으로 명확히 구분하는 항목이 포함되어 있지 않았으므로, 두 하위 산업 간 비교분석은 수행하지 않았다.

표본은 원청/OEM 33명(37.5%), Tier-1 협력업체 40명(45.5%), Tier-2/3 협력업체 15명(17.0%)으로 구성되었다. 회사 규모는 100명 이하가 55명(62.5%), 501명 이상이 33명(37.5%)으로 양분되었으며, 101-500명 규모의 응답은 없었다. 공정 난이도는 높음 또는 매우 높음 응답이 54명(61.4%)으로 나타났고, 최근 6개월 발주․생산 변동성도 높음 또는 매우 높음이 75명(85.2%)으로 나타나 분석 표본이 고난도․고변동성의 품질관리 환경을 반영하고 있음을 확인하였다.

3.2 주요 변수의 기술통계 및 상관분석

검사자동화 구성요소의 기술통계와 주요 결과변수 간 상관관계는 <Table 3>과 같다. 자동화․반자동화 설비 활용(E1)의 평균은 4.65(SD=0.64)로 높게 나타났으며, 알고리즘/모델 기반 판정(E2)은 3.28(SD=1.33), 수동판정 의존도 감소(E3_REV)는 4.02(SD=1.04), 자동화에 따른 리드타임 단축(E4)은 3.77(SD=1.01)로 나타났다. 검사자동화 종합지수(X_AUTO)의 평균은 3.93(SD=0.53)이었다.

상관분석 결과, X_AUTO는 결함 유출(Y_ESCAPE_ORD)과 유의한 음의 상관을 보였다( $r = - .50, p < .001$ ).

구성요소별로는 수동판정 의존도 감소(E3_REV)가 결함 유출과 가장 큰 음의 상관을 보였고( $r = - .64, p < .001$ ), 알고리즘/모델 기반 판정(E2)도 결함 유출과 음의 상관을 보였다( $r = - .37, p < .001$ ). 반면 자동화에 따른 리드타임 단축(E4)은 리드타임 부담(Y_LT)과 양의 상관을 보였으며( $r = .54, p < .001$ ), 비용부담(Y_COST)과도 양의 상관을 보였다( $r = .41, p < .001$ ). 이는 검사활동 단위의 자동화 경험과 공급망 전체의 운영부담이 동일한 방향으로 단순하게 움직이지 않을 수 있음을 시사한다.

3.3 검사자동화 수준별 주요 결과변수 평균 차이

검사자동화 수준별 결과변수의 차이를 확인하기 위해 X_AUTO의 관측분포를 기준으로 낮음-보통, 중간, 높음 집단을 구분하였다. <Table 4>는 각 집단의 리드타임 부담, 비용부담 및 결함 유출을 비교한 결과이다. 리드타임 부담은 중간 자동화 집단에서 가장 높았으며, 결함 유출은 자동화 수준이 높아질수록 낮아지는 경향을 보였다. 비용부담은 집단 간 평균 차이가 통계적으로 뚜렷하지 않았으나, Kruskal-Wallis 검정에서는 한계적 유의성이 관찰되었다. 따라서 자동화 수준과 결함 유출의 관계는 비교적 단조로운 감소 패턴을 보인 반면, 자동화 수준과 리드타임 부담의 관계는 비선형적일 가능성이 있다.

<Figure 3>은 <Table 4>의 리드타임 부담, 비용부담 및 결함 유출 평균 비교를 시각화한 것이다. 막대는 집단별 평균을 나타내며, 오차막대는 표준오차(SE)를 나타낸다. 결함 유출은 낮음-보통 집단에서 1.87, 중간 집단에서 1.26, 높음 집단에서 0.85로 지속적으로 낮아지는 양상을 보였다. 반면 리드타임 부담은 낮음-보통 집단에서 3.58, 중간 집단에서 4.48, 높음 집단에서 3.23으로 나타나 중간 자동화 단계에서 가장 높은 역 U자형 패턴을 보였다. 이는 자동화 도입 초기 또는 중간 단계에서 기존 수동검사와 자동화 시스템이 병존하면서 검증, 교육, 데이터 정합성 확인, 승인절차 등의 부담이 일시적으로 증가할 수 있음을 시사한다. 그러나 높은 자동화 단계에서는 검사자료 축적, 절차 표준화 및 판정기준 안정화로 인해 리드타임 부담이 상대적으로 낮아질 가능성이 관찰되었다. 이러한 해석은 집단 평균 차이에 기반한 탐색적 설명이며 인과적 결론으로 해석해서는 안 된다.

3.4 검사자동화 성숙도와 품질성과 및 운영부담에 대한 회귀분석

검사자동화 성숙도와 품질성과 및 운영부담 간 관계를 확인하기 위해 공급망 티어, 공정 난이도, 발주․생산 변동성 및 디지털 연동 복합지수를 통제한 회귀분석을 실시하였다. <Table 5>의 Panel A는 검사자동화 종합지수(X_AUTO)를 투입한 모형이며, Panel B는 자동화 구성요소(E1, E2, E3_REV, E4)를 분해하여 투입한 모형이다.

Panel A에서 X_AUTO는 리드타임 부담( $β = .532, p < .001$ )과 비용부담( $β = .519, p < .001$ )에 양의 관련성을 보였으나, 결함 유출에는 유의한 음의 관련성을 보였다( $β = - .728, p < .001$ ). Panel B의 구성요소별 모형에서는 자동화․반자동화 설비 활용(E1), 알고리즘/모델 기반 판정(E2), 수동판정 의존도 감소(E3_REV), 자동화에 따른 리드타임 단축(E4)이 결과변수별로 서로 다른 계수 방향을 보였다. 특히 결함 유출 모형에서는 수동판정 의존도 감소(E3_REV)가 가장 큰 음의 계수( $β = - 1.042, p < .001$ )를 보였다. 다만 E3_REV는 단일 역코딩 문항이고 E2와의 관련성이 존재하므로, 이 결과는 수동판정 의존도 감소와 결함 유출 간 강한 관련성을 보여주는 탐색적 결과로 해석하였다.

X_AUTO와 리드타임 부담의 단순상관은 유의하지 않았고( $r = .01$ ), 집단 평균에서는 역 U자형 패턴이 나타났으며, 비용부담의 집단 차이도 통계적으로 뚜렷하지 않았다. 그러나 공급망 티어, 공정 난이도, 생산변동성 및 디지털 연동 복합지수를 통제한 회귀모형에서는 X_AUTO가 리드타임 부담과 비용부담에 유의한 양의 관련성을 보였다. 따라서 이 회귀계수는 자동화 수준과 운영부담 간의 단순한 선형관계가 아니라 공정 및 공급망 특성을 통제한 상태에서 나타난 조건부 관련성으로 해석해야 한다.

<Figure 4>는 <Table 5> Panel B의 자동화 구성요소별 표준화 회귀계수를 시각화한 것이다. 리드타임 부담과 비용부담에서는 자동화 설비 활용(E1)과 수동판정 의존도 감소(E3_REV)가 양의 계수를 보였고, 알고리즘/모델 기반 판정(E2)은 음의 계수를 보였다. 결함 유출에서는 수동판정 의존도 감소(E3_REV)의 음의 계수가 가장 크게 나타났다. 이는 알고리즘 판정의 존재 여부만으로 결함 유출 수준이 낮아지는 것이 아니라, 판정기준의 표준화와 검사자 간 판정편차 감소가 함께 확보될 때 결함 유출과의 관련성이 뚜렷해질 수 있음을 시사한다.

3.5 강건성 및 민감도 분석

결함 유출 변수는 0-3 범주의 순서형 지표이므로, 기존 OLS 회귀분석의 강건성을 확인하기 위해 순서형 로지스틱 회귀분석을 추가로 실시하였다. 유효 사례의 결함 유출 분포는 0점 29명, 2점 58명, 3점 1명으로 나타났으며, 1점 범주는 관측되지 않았다. 이러한 범주 불균형을 고려하여 순서형 로지스틱 회귀는 종합지수 모형을 중심으로 보조분석으로 제시하였다. 특히 1점 범주가 관측되지 않고 3점 범주가 1명에 불과하여 평행선 가정 검정의 안정적 해석이 어려우므로, 순서형 로지스틱 결과는 계수 방향을 확인하는 보조적 강건성 근거로 제한하였다. 공급망 티어, 공정 난이도, 발주․생산 변동성 및 디지털 연동 복합지수를 통제한 결과, X_AUTO는 결함 유출 수준과 유의한 음의 관련성을 보였다( $coef. = - 6.745, odds ratio = 0.001, p < .001$ ). 이는 OLS 분석에서 확인된 X_AUTO와 결함 유출 간 음의 관련성과 방향성이 일관된다.

공통방법편의 가능성을 사후적으로 점검하기 위해 주요 측정문항을 대상으로 Harman's single-factor test를 실시하였다. 비회전 주성분 분석 결과, 첫 번째 요인의 설명분산은 29.39%로 나타나 단일 요인이 전체 분산의 대부분을 설명한다고 보기는 어려웠다. 다만 모든 주요 변수는 동일 응답자의 자기보고식 설문자료에서 수집되었으므로, 공통방법편의 가능성을 완전히 배제할 수는 없다.

구성요소 모형의 다중공선성을 검토한 결과, 가장 높은 VIF는 비용부담 모형의 E2에서 5.86으로 나타났고 최대 조건지수는 5.28이었다. 이는 극단적인 다중공선성으로 보기는 어렵지만, E2와 E3_REV의 관련성 및 억제효과 가능성을 고려할 필요가 있음을 의미한다. 결함 유출에 대한 축소모형 기반 민감도 분석에서는 E3_REV가 단독모형, E2와의 병합모형, E1․E2․E3_REV 축소모형 및 전체 구성요소 모형에서 모두 일관된 음의 관련성을 보였다. 반면 E2는 단독 투입 시 유의하였으나 E3_REV와 함께 투입될 경우 유의성이 약화되었다. 추가로 E4를 제외한 대안지수(X_AUTO3)를 투입한 결과, 결함 유출과의 음의 관련성은 유지되었다( $β = - .996, p < .001$ , Bootstrap 95% CI[-1.262, -0.808], 수정 $R^{2} = .597$ ). 리드타임 부담( $β = .339, p = .004$ )과 비용부담( $β = .314, p = .013$ )에 대한 양의 관련성도 계수 크기는 감소하였으나 유의하게 유지되었다. 5,000회 Bootstrap에서 기존 X_AUTO와 X_AUTO3의 핵심 계수 신뢰구간은 모두 0을 포함하지 않았으며, 100회 반복 10-fold 교차검증에서도 모든 모형의 $Q^{2}$ 가 0보다 컸다. 구성요소 모형의 교차검증 $Q^{2}$ 는 리드타임 부담 .863, 비용부담 .751, 결함 유출 .657이었다. X_DIGI3를 사용한 민감도 분석에서도 X_AUTO의 리드타임 부담( $β = .589$ ), 비용 부담( $β = .523$ ), 결함 유출( $β = - .812$ )과의 관련성은 모두 유지되었다(모두 $p < .001$ ). E3_REV의 결함 유출에 대한 음의 관련성도 유지되었으나( $β = - .906, p < .001$ ), 일부 구성요소 추정치는 달라져 탐색적으로 해석하였다. 강건성 및 민감도 분석의 핵심 결과는 Table 6에 종합하여 제시하였다. 이러한 결과는 높은 표본 내 설명력이 단순한 과적합만으로 형성된 것은 아님을 시사하지만, 동일 표본 내부의 재표집 및 재분할 분석이므로 외부 타당도를 확정하는 근거로 해석해서는 안 된다.

4. 논의

4.1 검사자동화 성숙도와 품질성과․운영부담의 관련성

본 연구의 핵심 결과는 검사자동화 성숙도(X_AUTO)가 결함 유출과는 유의한 음의 관련성을 보였지만, 리드타임 부담과 비용 부담에는 양의 관련성을 보였다는 점이다. 이는 검사자동화가 단순히 업무부담을 줄이는 기술투입이 아니라, 품질 데이터의 생성, 판정, 검증, 추적을 포함하는 Quality 4.0 기반 품질관리 활동으로 이해되어야 함을 시사한다[30]. 다만 본 연구는 횡단면 설문자료에 기반하므로, 이러한 결과를 검사자동화가 결함 유출을 직접 감소시킨다는 인과적 효과로 해석하기보다는 검사자동화 성숙도와 결함 유출 수준 간의 관련성으로 해석하는 것이 타당하다.

국내 품질 4.0 연구는 디지털 기술, 데이터 기반 품질관리, 자동화 및 조직역량이 결합될 때 품질관리 방식이 변화한다고 설명한다[15]. 본 연구에서 자동화 수준이 높을수록 결함 유출 평균이 낮아진 결과는 이러한 품질 4.0 관점과 방향성이 일치한다.

반면 자동화 성숙도가 리드타임 및 비용 부담과 양의 관계를 보인 결과는 자동화가 항상 즉각적인 운영 효율화로 연결되지는 않음을 의미한다. Quality 4.0 문헌에서도 데이터 품질, 프로세스 표준화, 인력역량 및 조직적 준비도는 디지털 품질관리의 성과 구현을 위한 중요한 조건으로 제시된다[22].

최근 Quality 4.0 종합문헌고찰에서는 자동화와 데이터 활용의 기대효과와 함께 초기투자, 인력역량, 프로세스 전환비용, 조직저항 등이 주요 도전요인으로 제시된다[26]. 따라서 본 연구의 결과는 우주․국방 공급망에서 검사자동화 성숙도가

낮은 결함 유출 수준과 관련될 수 있으나, 동시에 검증과 운영관리 부담을 수반하는 고복잡 품질보증 환경을 반영할 수 있음을 보여준다. 특히 자동화 수준이 높은 기업이나 공정은 본래 더 복잡하고 품질보증 요구가 높은 환경에 놓여 있을 가능성이 있으므로, 리드타임 및 비용 부담과의 양의 관련성은 자동화 자체의 부정적 효과라기보다 고난도 공정과 강화된 품질보증 활동이 함께 관찰된 결과일 수 있다.

이러한 결과는 전통적 품질관리에서 Quality 4.0으로 전환되는 과정에서 예방, 검사, 데이터관리 및 의사결정 기능이 동시에 재구성된다는 논의와도 부합한다[25]. 따라서 본 연구에서 확인된 자동화의 양면성은 모순적 결과라기보다 고신뢰성 공급망에서 자동화 성숙도가 품질보증 활동의 강화와 운영부담을 동시에 반영한 결과로 해석하는 것이 적절하다.

4.2 자동화 구성요소별 차별적 관련성

구성요소별 분석에서 자동화․반자동화 설비 활용(E1)은 리드타임 부담과 비용 부담에 양의 계수를 보였고, 결함 유출에는 한계적으로 음의 계수를 보였다. 지그와 센서를 활용한 자동검사시스템은 제품 분류 오류를 줄일 가능성이 있으며[29], 영상처리 기반 측정도 육안검사의 한계를 보완할 수 있지만 측정조건, 조명, 알고리즘 및 현장 적용성을 함께 고려해야 한다[17]. 따라서 E1의 양의 계수는 자동화 설비가 주로 고난도․고위험 공정에 배치되는 현장 특성과 장비 검증, 승인절차 및 수동검사 병행에 따른 운영부담을 함께 반영한 조건부 관련성으로 해석할 수 있다.

알고리즘/모델 기반 판정(E2)은 리드타임 부담과 비용 부담에 음의 계수를 보였으나 결함 유출과의 직접적 유의성은 확인되지 않았다. 용접 신호처리와 통계적 결함검출 연구는 알고리즘 판정이 품질평가와 이상 패턴 탐지에 활용될 수 있음을 보여주며[8, 12], 자동시각검사와 산업 이미지 이상탐지 문헌은 데이터셋 구축, 모델 일반화, 결함 희소성, 감독방식 및 실제 공정배치가 성능과 적용범위를 좌우할 수 있음을 지적한다[9, 23, 32]. 따라서 본 연구의 E2 결과는 알고리즘 기반 판정 수준이 낮은 리드타임․비용 부담과 조건부로 관련되었으나, 결함 유출과의 관련성을 확보하려면 학습데이터, 검증절차, 판정기준, 예외처리 및 현장 수용성을 함께 고려할 필요가 있음을 시사한다.

한편 E4는 객관적 리드타임 감소량이 아니라 응답자가 인식한 자동화 관련 리드타임 개선 경험을 반영하는 문항이므로, 고난도 공정에서 자동화 도입과 운영부담이 동시에 나타나는 맥락에서 해석할 필요가 있다. 추가 민감도 분석에서 E4를 제외한 대안지수(X_AUTO3)를 사용하더라도 결함 유출과의 음의 관련성은 유지되어, 핵심 결과가 E4의 포함 여부에만 의존하지 않음을 확인하였다( $β = - .996, p < .001$ ).

4.3 결함 유출 감소에서 수동판정 의존도 감소의 의미

본 연구에서 가장 주목할 결과는 수동판정 의존도 감소(E3_REV)가 결함 유출과 가장 큰 음의 관련성을 보였다는 점이다. 이는 우주․국방 공급망에서 결함 유출 수준을 낮추기 위해 단순 설비 보유보다 반복성 있는 판정체계, 데이터 기반 판정, 작업자 간 판정편차 감소가 중요할 수 있음을 의미한다. 그러나 E3_REV는 단일 역코딩 문항으로 측정되었으므로, 본 결과는 수동판정 의존도 감소가 결함 유출을 직접적으로 감소시킨다는 확정적 결론이 아니라, 수동판정 의존도 감소 수준이 높은 응답군에서 결함 유출 수준이 낮게 나타난 탐색적 관련성으로 해석해야 한다.

국방 C5ISR 분야의 품질문제 빅데이터 분석 연구는 국방 품질문제가 단순 단일 결함이 아니라 시스템, 운영, 환경, 절차 요인이 결합된 형태로 나타날 수 있음을 보여준다[7]. 이러한 맥락에서 수동판정 의존도 감소는 검사자의 경험차에 따른 품질판정 변동성을 줄이고, 품질문제 데이터를 구조화하는 데 기여할 수 있다.

군수품 품질수준진단 프레임워크 연구 역시 군수품 품질관리를 위해 체계적 진단지표와 평가체계가 필요하다는 점을 강조한다[13]. 본 연구에서 E3_REV가 결함 유출 감소와 강하게 관련된 결과는 고신뢰성 산업에서 자동화의 핵심이 설비투자보다 판정표준화와 품질증거의 재현성 확보에 있음을 시사한다.

또한 디지털 전환과 공급망 통합 연구는 데이터 접근성과 정보공유가 공급망 성과를 높이는 주요 경로가 될 수 있음을 보여준다[11]. 따라서 수동판정 의존도 감소와 낮은 결함 유출 수준의 관련성은 자동화 판정자료가 공급망 내 품질증거로 축적․재사용될 가능성과 연계하여 해석할 수 있다.

4.4 공급망 맥락과 운영부담의 해석

우주․국방 공급망은 원청/OEM, Tier-1, Tier-2/3 협력업체 간 품질책임과 승인권한이 분산되어 있으며, 이로 인해 검사자동화의 관련성이 조직 내부의 효율화만으로 설명되기 어렵다. 항공우주 공급망 위험관리 연구는 공급업체 위험을 식별, 평가, 계획, 분석, 개선하는 체계가 필요하다고 설명하며, 이는 본 연구에서 공급망 티어를 통제변수로 포함한 이유와도 연결된다[33]. 또한 방위산업의 군사 규격, 납품검사, 형상관리 및 추적성 요구는 동일 검사자료의 반복 확인과 중복검증을 유발할 수 있으므로, 자동화 성숙도는 단순 작업 대체가 아니라 공급망 전체의 품질증거 인정체계와 함께 해석되어야 한다.

최근 항공우주 공급망 관리통제 연구는 아웃소싱과 협력업체 관리가 비용경쟁력을 높일 수 있지만, 동시에 품질위험, 비효율, 납기지연 위험을 유발할 수 있다고 보고한다[34]. 본 연구에서 자동화 성숙도가 리드타임 및 비용부담과 양의 관계를 보인 것은 자동화가 고복잡 공급망 통제활동과 함께 작동하기 때문일 수 있다.

검사기술 투자 타당성 연구는 비파괴검사와 같은 고도 검사기술이 품질개선뿐 아니라 다단계 원가구조와 투자회수 관점에서 평가되어야 한다고 제시한다[19]. 본 연구에서 비용부담이 자동화 수준에 따라 단조롭게 감소하지 않은 결과는 검사자동화 투자효과를 단기 비용절감만으로 판단해서는 안 된다는 점을 뒷받침한다.

고대량 생산환경의 전략적 검사 의사결정 연구는 검사전략이 품질비용과 외부실패 간 균형을 고려해야 하며, 검사강도와 검사위치 선택이 성과를 좌우한다고 설명한다[28]. 본 연구의 결과 역시 자동화 수준을 높이는 것만으로는 충분하지 않고, 어떤 검사단계에서 어떤 판정기능을 자동화할 것인지에 대한 전략적 설계가 필요함을 보여준다.

공급망 품질검사 전략 연구는 전수검사, 표본검사, 배치검사 등의 선택이 공급망 주체 간 비용과 품질성과를 달리 만든다고 보고한다[3]. 또한 고객반품 정책 하의 품질검사 전략 연구는 공급자와 구매자 간 이해관계와 검사투자 수준이 최종 품질성과와 비용구조를 동시에 변화시킬 수 있음을 보여준다[18]. 이러한 논의는 우주․국방 공급망에서 검사자동화가 결함 유출을 줄이면서도 리드타임과 비용 부담을 동반할 수 있다는 본 연구 결과를 설명하는 데 유용하다.

4.5 이론적 및 실무적 시사점

이론적으로 본 연구는 검사자동화를 단일 종합지수와 구성요소 수준으로 동시에 분석함으로써, Quality 4.0 연구에서 자동화 성숙도를 보다 세분화하여 해석할 필요가 있음을 제시하였다. 기존 Quality 4.0 연구가 개념, 프레임워크, 기술요소, 전환과제에 초점을 두었다면[30], 본 연구는 우주․국방 공급망이라는 고신뢰성 현장에서 자동화 구성요소가 품질성과 및 운영부담과 어떻게 다르게 관련되는지를 실증적으로 제시하였다는 점에서 차별성이 있다.

실무적으로는 자동화 설비 도입 여부뿐 아니라 알고리즘 판정의 검증절차, 수동판정 의존도 감소, 검사데이터의 재현성 및 공급망 내 활용 가능성을 함께 고려할 필요가 있다. 특히 결함 유출 감소를 목표로 하는 경우에는 검사장비의 보급률보다 판정기준의 표준화, 자동판정 결과의 추적성, 검사자 간 편차 축소, 예외상황 처리절차를 함께 설계할 필요가 있다.

또한 리드타임 및 비용 부담을 동시에 줄이려면 자동화 결과를 원청과 협력업체 간 품질증거로 인정할 수 있는 데이터 표준, 승인규칙, 위험기반 검사완화 기준이 필요하다. 이는 자동화가 현장 내부의 검사활동을 대체하는 수준을 넘어, 공급망 전체의 품질증거 공유와 중복검사 완화로 연결되어야 함을 의미한다.

4.6 연구의 한계와 향후 연구 방향

본 연구는 몇 가지 한계를 가진다. 첫째, 분석자료는 횡단면 설문자료이므로 검사자동화와 품질성과 및 운영부담 사이의 인과관계를 단정할 수 없다. 따라서 본 연구에서 사용한 효과 또는 영향이라는 표현은 가능한 한 관련성 또는 연관성 중심으로 해석되어야 한다. 향후 연구에서는 자동화 도입 전후의 리드타임, 비용, 재검률, 결함 유출 발생률을 객관적 운영자료로 수집하여 종단분석을 수행할 필요가 있다.

둘째, 결함 유출은 0-3 범주의 순서형 지표로 측정되었고, 본 자료에서는 1점 범주가 관측되지 않으며 3점 범주가 1명에 불과하였다. 이에 따라 본 연구는 OLS 결과를 탐색적으로 제시하고, 순서형 로지스틱 회귀분석을 강건성 분석으로 추가하였으나, 구성요소 수준의 순서형 모형은 범주 불균형과 표본 규모 제약으로 인해 안정적 추정에 한계가 있다. 후속 연구에서는 더 큰 표본과 실제 결함 유출 건수 자료를 확보하여 순서형 로지스틱 회귀, 포아송 또는 음이항 모형, 희귀사건 분석 등을 적용할 필요가 있다.

셋째, 본 연구는 88명의 유효 응답을 기반으로 하였으므로 공급망 티어, 공정유형, 자동화 수준별 세부 집단분석에는 표본 규모의 제약이 있다. 또한 본 설문은 우주․국방 관련 공급망 실무자를 대상으로 하였으나, 응답 기업을 항공우주와 방위산업으로 세분화하여 비교할 수 있는 충분한 정보가 확보되지 못하였다. 향후 연구에서는 감항 인증 중심의 항공우주 분야와 군사 규격 중심의 방위산업 분야를 구분하여 검사자동화 성숙도와 품질성과 간 관계를 비교할 필요가 있다.

넷째, 본 연구는 모든 주요 변수가 동일 응답자의 자기보고식 설문에서 수집되었으므로 공통방법편의 가능성을 완전히 배제할 수 없다. Harman's single-factor test에서 첫 번째 요인의 설명분산이 29.39%로 나타나 단일 요인 지배 가능성은 크지 않았으나, 향후 연구에서는 객관적 품질자료, 검사 로그, 리드타임 실측자료 및 복수 응답원 자료를 결합할 필요가 있다. 다섯째, 자동화 구성요소 간 관련성으로 인해 일부 회귀계수에서 억제효과 가능성을 고려해야 한다. 후속 연구에서는 확인적 요인분석, 구조방정식모형, 매개․조절효과 분석을 활용하여 자동화 설비, 알고리즘 판정, 수동판정 의존도 감소, 디지털 연동의 관계를 보다 체계적으로 검증할 필요가 있다. 또한 X_DIGI는 상이한 기능적 차원을 결합한 형성적 통제복합지수로 사전 정의하였으며, $α = - .022$ 는 구성문항 간 이질성을 보여주는 참고적 진단으로 해석하였다. X_DIGI3를 사용한 민감도 분석에서도 핵심 결과가 유지되었고 세 문항의 $α$ 는 .813이었으나, 향후에는 연결성, 데이터 적시성 및 표준화를 구분한 다문항 척도를 독립 표본에서 검증할 필요가 있다.

여섯째, 본 연구의 Bootstrap과 반복 교차검증은 동일 표본 내부의 재표집 및 재분할에 기반하므로 외부표본에서의 일반화 가능성을 직접 입증하지는 못한다. 또한 E3_REV는 단일 역코딩 문항이고 결함 유출 변수의 범주 분포가 불균형하므로, 향후 연구에서는 다문항 검사자동화 성숙도 척도, 실제 결함 유출 자료 및 독립 검증표본을 활용하여 모형의 외부 타당도와 예측 안정성을 재검증할 필요가 있다.

일곱째, 검사 결과의 자동 피드백, 품질 의사결정 지원, 검사 운영관리 및 거버넌스 등 검사자동화 성숙도의 다른 잠재적 차원은 원 설문에서 독립적인 다문항으로 측정되지 않아 본 지수에 포함하지 못하였다. 향후 연구에서는 이러한 차원을 포함한 확장형 검사자동화 성숙도 척도를 개발․검증할 필요가 있다.

5. 결론

본 연구는 우주․국방 고신뢰성 공급망의 품질검사 자료를 이용하여 검사자동화 성숙도가 리드타임 부담, 비용 부담 및 결함 유출과 어떠한 관련성을 갖는지 분석하였다. 분석 결과, 검사자동화 성숙도는 결함 유출과 유의한 음의 관련성을 보였으나, 리드타임 부담과 비용 부담에는 양의 관련성을 보였다. 순서형 로지스틱 회귀분석에서도 X_AUTO와 결함 유출 간 음의 관련성이 유지되어, 핵심 결과의 방향성이 일정 수준 강건함을 확인하였다. E4를 제외한 대안지수에서도 결함 유출과의 음의 관련성이 유지되었고, Bootstrap 및 반복 10-fold 교차검증 결과도 핵심 관계의 재표집 안정성과 표본 내 예측 안정성을 뒷받침하였다.

구성요소별 분석에서는 수동판정 의존도 감소(E3_REV)가 결함 유출과 가장 뚜렷한 음의 관련성을 보였다. 알고리즘/모델 기반 판정(E2)은 리드타임 및 비용 부담을 낮추는 방향의 계수를 보였으나, 결함 유출에 대한 직접적 유의성은 확인되지 않았다. 자동화․반자동화 설비 활용(E1)은 리드타임 및 비용 부담과 양의 관련성을 보여, 자동화 설비가 고난도 공정과 고강도 품질보증 환경에서 함께 운용될 가능성을 시사하였다. 다만 E3_REV는 단일 역코딩 문항이므로 해당 결과는 탐색적으로 해석해야 한다.

이상의 결과는 우주․국방 공급망에서 검사자동화를 단순한 장비 도입 또는 인력 대체 수단으로 해석해서는 안 된다는 점을 보여준다. 이러한 결과는 자동화 설비, 알고리즘 판정, 수동판정 의존도 감소, 디지털 연동 및 공급망 내 품질증거 활용체계를 통합적으로 설계할 필요가 있음을 실무적으로 시사한다.

본 연구의 학술적 기여는 검사자동화 성숙도를 종합지수와 구성요소 수준으로 분해하여, 자동화가 결함 유출과 운영부담에 갖는 차별적 관련성을 제시했다는 점이다. 실무적으로는 자동화 투자 우선순위를 설정할 때 단순 설비 활용뿐 아니라 판정표준화, 수동판정 의존도 감소, 검사데이터의 추적성과 공급망 내 활용 가능성을 함께 고려할 필요가 있음을 제안한다. 다만 본 연구의 결과는 횡단면 설문자료에 기반한 관련성 분석이므로, 향후 실제 검사시간, 검사비용, 재검률, 부적합 발생자료 및 결함 유출 데이터를 연계하여 본 연구모형을 재검증할 필요가 있다.

향후 연구에서는 위험기반 검사, 디지털 연동, 상호인정 절차가 검사자동화와 품질성과 사이에서 어떠한 매개 또는 조절역할을 수행하는지 분석함으로써, 고신뢰성 공급망 품질관리의 실증적 기반을 더욱 확장할 필요가 있다.

Figure

<Figure 1>.

Conceptual Research Model

<Figure 2>.

Data Preprocessing and Statistical Analysis Flow

<Figure 3>.

Mean Comparison of Lead-time Burden, Cost Burden, and Defect Escape by Automation Level

Note: Bars indicate means, and error bars indicate standard errors (SE). Automation level was classified based on X_AUTO as low-to-moderate (≤3.50), medium (3.75–4.00), and high (≥4.25). Group sizes were n=31, n=31, and n=26, respectively; the valid sample size may differ in the cost-burden analysis due to missing-value processing.

<Figure 4>.

Comparison of Standardized Regression Coefficients by Automation Component

Note: The figure visualizes standardized regression coefficients (β) from Table 5, Panel B. E1 denotes the use of automated/semi-automated inspection equipment, E2 denotes algorithm/model-based judgment, E3_REV denotes reduced dependence on manual judgment, and E4 denotes lead-time reduction from automation. ^†p < .10, ^*p < .05, ^**p < .01, ^***p < .001.

Table

<Table 1>.

Theoretical Basis and Operationalization of Inspection Automation Maturity Components : Mapping of Industry 4.0 and Quality 4.0 maturity dimensions to the study variables

Note. X_AUTO is interpreted as a formative, inspection-process-centered composite index rather than a universal reflective maturity scale. X_DIGI was treated as a formative control composite of MES-QMS linkage, reverse-coded data omission or delay, automatic synchronization, and standardized exchange. The Industry 4.0 dimensions were informed by [2, 4], and [5], whereas the Quality 4.0 dimensions and maturity-related interpretation were informed by [22, 25, 26, 30].

Maturity dimension	Study component	Operational meaning	Selection rationale
Physical and technical automation	E1	Use of automated or semi-automated inspection equipment and sensor-based data acquisition	Represents the basic technological implementation level of inspection automation.
Data analytics and intelligent quality decision-making	E2	Inspection decisions based on rules, statistical models, or algorithms	Represents data-driven interpretation and intelligent quality judgment.
Process standardization and reduced human dependence	E3_REV	Reduced dependence on manual judgment and improved reproducibility of inspection decisions	Represents standardized decision criteria and reduced variation among inspectors.
Operational performance realization	E4	Perceived lead-time reduction at the inspection-activity level	Represents the extent to which automation is realized as time efficiency; an E4-excluded sensitivity analysis checks conceptual overlap.
System integration and connectivity	X_DIGI	MES-QMS API linkage, reduced omission or delay of inspection-record data, automatic data synchronization, and standardized data exchange	Treated as a control because it represents broader interorganizational data integration beyond inspection-process automation.

<Table 2>.

Sample Characteristics and Data Screening Results : Analysis sample of SPSS-coded aerospace and defense supply-chain quality inspection survey data (N=88)

Note: Percentages are calculated based on the total valid responses (N=88) unless otherwise indicated. Process type was a multiple-response item; therefore, the total percentage may exceed 100%. Missing or invalid values were coded as -99 and excluded from the relevant analysis. The valid sample size for the defect escape model is based on listwise deletion in the regression model including control variables. The digital integration self-rating (H7_DIGITAL_SELF) is a descriptive sample characteristic and is distinct from the X_DIGI composite used as a regression control.

Characteristic	Subcategory	n	%
Data screening
SPSS-coded data	Included in analysis	88	100.0
Attention check	Passed (Q1=4,Q2=2)	88	100.0
Attention check	Failed	0	0.0
Descriptive statistics and correlation analysis	Valid cases	88	100.0
Valid cases for regression analysis	Lead-time burden model	87	98.9
Valid cases for regression analysis	Cost-burden model	86	97.7
Valid cases for regression analysis	Defect escape model (with controls)	87	98.9
Supply-chain and organizational characteristics
Supply-chain tier	OEM/prime contractor	33	37.5
Supply-chain tier	Tier-1 supplier	40	45.5
Supply-chain tier	Tier-2/3 supplier	15	17.0
Company size	100 or fewer employees	55	62.5
Company size	101 - 500 employees	0	0.0
Company size	501 or more employees	33	37.5
Tenure	0 - 2 years	0	0.0
Tenure	3 - 5 years	0	0.0
Tenure	6 - 10 years	37	42.0
Tenure	11 years or more	50	56.8
Tenure	Missing	1	1.1
Work type	Day shift	85	96.6
Work type	Shift/night included	3	3.4
Risk exposure and process characteristics
Process difficulty (subjective)	Very low	0	0.0
Process difficulty (subjective)	Low	2	2.3
Process difficulty (subjective)	Moderate	32	36.4
Process difficulty (subjective)	High	10	11.4
Process difficulty (subjective)	Very high	44	50.0
Process type (multiple responses)	Machining/dimensional inspection	45	51.1
Process type (multiple responses)	Assembly	67	76.1
Process type (multiple responses)	Composite materials	31	35.2
Process type (multiple responses)	Surface treatment/plating	19	21.6
Process type (multiple responses)	Heat treatment	0	0.0
Process type (multiple responses)	Other	2	2.3
Order/production volatility in the last 6 months	Very low	0	0.0
Order/production volatility in the last 6 months	Low	3	3.4
Order/production volatility in the last 6 months	Moderate	9	10.2
Order/production volatility in the last 6 months	High	17	19.3
Order/production volatility in the last 6 months	Very high	58	65.9
Order/production volatility in the last 6 months	Missing	1	1.1
Digital integration self-rating (H7_DIGITAL_SELF)	Not integrated	70	79.5
Digital integration self-rating (H7_DIGITAL_SELF)	Partially integrated (file/some API)	18	20.5
Digital integration self-rating (H7_DIGITAL_SELF)	Advanced integration (API/real-time/standard)	0	0.0

<Table 3>.

Descriptive Statistics and Correlations of Automation Components and Key Outcome Variables Pearson correlation coefficients calculated after treating -99 as missing in the SPSS-coded dataset

Note: E3_REV is the reverse-coded value of the item “all inspections depend on manual work/manual judgment” (E3R), and a higher value indicates lower dependence on manual judgment. Y_ESCAPE_ORD is an ordinal defect escape indicator with categories from 0 to 3; Pearson correlation coefficients are presented for exploratory correlation analysis. Correlations were calculated based on pairwise valid cases. ^†p < .10, ^*p < .05, ^**p < .01, ^***p < .001.

No.	Variable	Code	N	Mean	SD	1	2	3	4	5	6	7	8	9
1	Equipment use	E1	88	4.65	0.64	1.00
2	Algorithmic judgment	E2	88	3.28	1.33	.05	1.00
3	Manual judgment ↓	E3_REV	88	4.02	1.04	.13	.65***	1.00
4	Lead-time reduction	E4	88	3.77	1.01	.32**	-.48***	-.45***	1.00
5	Automation index	X_AUTO	88	3.93	0.53	.55***	.73***	.72***	.05	1.00
6	Lead-time burden	Y_LT	88	3.80	1.18	.56***	-.56***	-.13	.54***	.01	1.00
7	Cost burden	Y_COST	87	3.94	1.23	.60***	-.28**	.06	.41***	.24*	.78***	1.00
8	Defect escape	Y_ESCAPE_ORD	88	1.35	0.96	-.30**	-.37***	-.64***	.28**	-.50***	-.11	.06	1.00
9	Digital integration composite	X_DIGI	88	1.71	0.36	-.10	.14	.27*	-.44***	-.02	-.20†	-.07	-.19†	1.00

<Table 4>.

Mean Differences in Key Outcome Variables by Inspection Automation Level : Means (standard deviations) were compared by classifying low-to-moderate, medium, and high groups based on the observed distribution of X_AUTO

Note: X_AUTO was calculated as the mean of E1 (use of automated/semi-automated inspection equipment), E2 (algorithm/model-based judgment), reverse-coded E3R (E3_REV), and E4 (lead-time reduction from automation). Groups were defined as low-to-moderate (X_AUTO≤3.50), medium (3.75≤X_AUTO≤4.00), and high (X_AUTO≥4.25) based on the observed distribution of X_AUTO. Each cell indicates mean (standard deviation). Because Y_ESCAPE_ORD is an ordinal defect escape indicator with categories from 0 to 3, Kruskal-Wallis tests are additionally presented. Y_COST was analyzed after missing and valid-range processing; therefore, the high-automation group has n=25 valid cases. ^†p < .10, ^*p < .05, ^**p < .01, ^***p < .001. Source: Recalculated using the SPSS-coded study dataset.

Outcome variable	Code	Low-to-moderate (X_AUTO≤3.50) (n=31)	Medium (3.75≤X_AUTO≤4.00) (n=31)	High (X_AUTO≥4.25) (n=26)	ANOVA F	p	Kruskal-Wallis H	p
Lead-time burden	Y_LT	3.58 (1.43)	4.48 (0.89)	3.23 (0.65)	10.82	<.001***	17.12	<.001***
Cost burden	Y_COST	3.58 (1.43)	4.23 (1.12)	4.04 (1.02)	2.30	0.107	4.94	0.085†
Defect escape	Y_ESCAPE_ORD	1.87 (0.50)	1.26 (1.03)	0.85 (1.01)	10.02	<.001***	16.26	<.001***

<Table 5>.

Regression Results for Inspection Automation Maturity, Quality Performance, and Operational Burden : Standardized regression coefficients (β) are presented after controlling for supply-chain tier, process difficulty, order/production volatility, and the digital integration composite

Note. Values in the table are standardized regression coefficients (β). The dependent variables are lead-time burden (Y_LT), cost burden (Y_COST), and defect escape (Y_ESCAPE_ORD). Tier-1 and Tier-2/3 suppliers are dummy variables with OEM/prime contractor as the reference category. Because Y_ESCAPE_ORD is an ordinal indicator with categories from 0 to 3, the OLS results should be interpreted as exploratory. Panel A uses the composite inspection automation maturity index (X_AUTO), whereas Panel B decomposes automation into components (E1, E2, E3_REV, and E4). The highest VIF was 2.36 in Panel A and 5.86 in Panel B. Because of the association between E2 and E3_REV, some coefficients in the component model should be interpreted with the possibility of suppression effects. ^†p < .10, ^*p < .05, ^**p < .01, ^***p < .001. Source: Recalculated using the SPSS-coded study dataset.

Model / Explanatory variable	Code	Lead-time burden (Y_LT)	Cost burden (Y_COST)	Defect escape (Y_ESCAPE_ORD)
Panel A. Composite inspection automation maturity model
Process difficulty	C_DIFFIC	0.176†	0.376**	0.061
Order/production volatility	C_VOL	0.099	0.157	0.281*
Tier-1 supplier	TIER_T1	0.838***	0.385**	-0.541***
Tier-2/3 supplier	TIER_T23	0.645***	0.424***	-0.054
Digital integration composite	X_DIGI	-0.246**	-0.103	-0.128
Inspection automation maturity	X_AUTO	0.532***	0.519***	-0.728***
N	-	87	86	87
R2	-	0.639	0.559	0.480
Adj. R2	-	0.612	0.525	0.441
F	-	23.62***	16.68***	12.29***
Panel B. Inspection automation component model
Process difficulty	C_DIFFIC	0.108*	0.261**	0.050
Order/production volatility	C_VOL	-0.080†	0.097	0.481***
Tier-1 supplier	TIER_T1	0.114†	-0.351**	-0.715***
Tier-2/3 supplier	TIER_T23	0.540***	0.268***	-0.402***
Digital integration composite	X_DIGI	-0.059†	0.120†	0.111
Automated/semi-automated equipment use	E1	0.491***	0.573***	-0.136†
Algorithm/model-based judgment	E2	-0.834***	-0.680***	-0.037
Reduced dependence on manual judgment	E3_REV	0.708***	0.460***	-1.042***
Lead-time reduction from automation	E4	0.123*	0.092	0.028
N	-	87	86	87
R2	-	0.936	0.811	0.765
Adj. R2	-	0.929	0.789	0.737
F	-	125.76***	36.28***	27.80***

<Table 6>.

Robustness and Sensitivity Analysis Summary : Robustness checks and model diagnostics for ordinal defect escape, common method bias, multicollinearity, component-model sensitivity, and digital-integration control sensitivity

Note. Values were calculated using the SPSS-coded survey dataset (N = 88; listwise N = 87 for defect-escape models). Y_ESCAPE_ORD is an ordinal indicator; therefore, OLS coefficients for defect escape are interpreted as exploratory. E3_REV is the reverse-coded value of the item “all inspections depend on manual work/manual judgment,” and a higher value indicates reduced dependence on manual judgment. Because E3_REV is a single reverse-coded item, the component-level results should be interpreted cautiously. ^†p < .10, ^*p < .05, ^**p < .01, ^***p < .001. Bootstrap confidence intervals were based on 5,000 replications, and cross-validation used 100 repetitions of 10 folds.

Diagnostic issue	Method / model	Key result	Implication for interpretation
Ordinal dependent variable (defect escape)	Ordinal logistic regression for Y_ESCAPE_ORD using the composite model, controlling for C_DIFFIC, C_VOL, TIER_T1, TIER_T23, and X_DIGI.	X_AUTO showed a significant negative association with defect escape (coef. = -6.745, OR = 0.001, p < .001).	The negative association observed in the OLS model was directionally consistent in the ordinal-logistic robustness analysis. The result should be interpreted as association, not causality.
Category imbalance in Y_ESCAPE_ORD	Frequency check of the ordinal defect-escape variable.	Observed distribution: 0 = 29, 1 = 0, 2 = 58, and 3 = 1.	Because one category was not observed and the highest category had only one case, component-level ordinal-logistic estimates should be interpreted cautiously. OLS results were retained as exploratory evidence. Given the absent category and the single observation in the highest category, a stable parallel-lines assessment was not considered reliable; the ordinal model was used only as directional robustness evidence.
Common method bias	Harman's single-factor test using the main self-reported measurement items.	The first unrotated factor explained 29.39% of the total variance.	A dominant single common-method factor was not evident. However, because the variables were measured from the same respondents, common method bias cannot be completely ruled out.
Multicollinearity and suppression	Variance inflation factor (VIF) diagnostics for the composite and component regression models.	The highest VIF was 2.36 in Panel A and 5.86 in Panel B (E2); the maximum condition index was 5.28.	Extreme multicollinearity was not indicated by either VIF or the condition index, but the association between E2 and E3_REV suggests possible suppression effects in the component model.
Sensitivity of the component model	Reduced-model OLS comparisons for defect escape, including E2-only, E3_REV-only, E2 + E3_REV, E1 + E2 + E3_REV, and full E1-E4 models.	E3_REV consistently showed a negative association with defect escape across reduced and full models. E2 was significant when entered alone but became non-significant when E3_REV was included.	Reduced dependence on manual judgment appears to be the most stable exploratory component. The result should be interpreted cautiously because E3_REV was measured using a single reverse-coded item.
Overfitting and explanatory stability	Comparison of controls-only, composite-index, reduced-component, and full-component models.	Adjusted R2 values for defect escape were .121 for controls only, .441 for X_AUTO added, .732 for E3_REV-only added, and .737 for the full E1-E4 component model.	The high explanatory power of the full component model appears to be driven largely by E3_REV. Therefore, component-level effects should not be overstated beyond exploratory interpretation.
E4-excluded alternative index	Standardized OLS models using X_AUTO3 = mean(E1, E2, E3_REV), with the same control variables.	X_AUTO3 remained positively associated with lead-time burden (β = .339, p = .004) and cost burden (β = .314, p = .013), and negatively associated with defect escape (β = -.996, p < .001; bootstrap 95% CI [-1.262, -0.808]).	The principal findings were not dependent on inclusion of E4, reducing concern about conceptual overlap between E4 and the lead-time outcome.
Digital-integration control sensitivity	Standardized OLS models replacing X_DIGI with X_DIGI3 = mean(B1, B3, B4), using the same control variables.	X_AUTO remained associated with lead-time burden (β = .589), cost burden (β = .523), and defect escape (β = -.812), all p < .001. E3_REV also retained a negative association with defect escape (β = -.906, p < .001).	The composite-index conclusions were robust to the alternative digital-integration control. Because some component estimates changed, component-level findings remain exploratory.
Bootstrap coefficient stability	Case-resampling bootstrap with 5,000 replications and percentile 95% confidence intervals for the composite and alternative-index models.	All focal X_AUTO and X_AUTO3 coefficient intervals excluded zero across lead-time burden, cost burden, and defect escape.	The direction and statistical significance of the focal associations were stable under resampling.
Cross-validated predictive stability	Repeated 10-fold cross-validation with 100 repetitions using out-of-fold predictions.	All model Q2 values were positive; component-model Q2 values were .863 for Y_LT, .751 for Y_COST, and .657 for Y_ESCAPE_ORD.	High in-sample explanatory power was partly retained out of fold, although validation using an independent external sample is still required.

Reference

Awan, U., Bhatti, S.H., Shamim, S., Khan, Z., Akhtar, P., and Balta, M.E., The Role of Big Data Analytics in Manufacturing Agility and Performance: Moderation-Mediation Analysis of Organizational Creativity and of the Involvement of Customers as Data Analysts, British Journal of Management, 2022, Vol. 33, No. 3, pp. 1200-1220.
Büchi, G., Cugno, M., and Castagnoli, R., Smart Factory Performance and Industry 4.0, Technological Forecasting and Social Change, 2020, Vol. 150, Article 119790.
Cao, Y., Li, Q., and Hu, H., Comparative Research on Product Quality Inspection Strategy in Supply Chain, Systems Engineering - Theory & Practice, 2019, Vol. 39, No. 1, pp. 111-125.
Dalenogare, L.S., Benitez, G.B., Ayala, N.F., and Frank, A.G., The Expected Contribution of Industry 4.0 Technologies for Industrial Performance, International Journal of Production Economics, 2018, Vol. 204, pp. 383-394.
Frank, A.G., Dalenogare, L.S., and Ayala, N.F., Industry 4.0 Technologies: Implementation Patterns in Manufacturing Companies, International Journal of Production Economics, 2019, Vol. 210, pp. 15-26.
Gillani, F., Chatha, K.A., Jajja, M.S.S., and Farooq, S., Implementation of Digital Manufacturing Technologies: Antecedents and Consequences, International Journal of Production Economics, 2020, Vol. 229, Article 107748.
Heo, H.J., Ko, S.J., and Baek, S.H., A Study on Big Data Analysis and Prediction Models for Quality Issues in the Defense C5ISR Field, Journal of Korean Society for Quality Management, 2023, Vol. 51, No. 4, pp. 551-571.
Hong, W.H. and Ryu, J.T., A Study on the Welding Current and Voltage Signal Processing Method for the Quality Evaluation of Robotic GMAW, Journal of Korea Society of Industrial Information Systems, 2014, Vol. 19, No. 6, pp. 25-31.
Hütten, N., Gomes, M.A., Hölken, F., Andricevic, K., Meyes, R., and Meisen, T., Deep Learning for Automated Visual Inspection in Manufacturing and Maintenance: A Survey of Open-Access Papers, Applied System Innovation, 2024, Vol. 7, No. 1, Article 11.
Jeon, S.Y., Lee, D.H., and Bae, M.J., A Study on the Utilization of Big Data-Based Quality Information for Military Supplies, Journal of the Korea Academia-Industrial Cooperation Society, 2016, Vol. 17, No. 6, pp. 315-325.
Jing, H. and Fan, Y., Digital Transformation, Supply Chain Integration and Supply Chain Performance: Evidence from Chinese Manufacturing Listed Firms, SAGE Open, 2024, Vol. 14, No. 3, pp. 1-18.
Ju, W.H., Ryu, H.C., Lim, K.S., Lee, J.J., Park, Y.H., and Cho, S.M., A Study on the Defect Detection Algorithm by Interval Statistical Processing Method of Arc Welding Waveform, Journal of Welding and Joining, 2021, Vol. 39, No. 1, pp. 74-80.
Kang, Y.H. and Choi, J.Y., Design of a Framework for Diagnosing Quality Levels of Military Supplies, Journal of Korean Society for Quality Management, 2024, Vol. 52, No. 3, pp. 495-508.
Kim, B.S., Song, G.M., Lee, M.J., and Baek, S.J., Real-time Fault Detection System of a Pneumatic Cylinder Via Deep-learning Model Considering Time-variant Characteristic of Sensor Data, Journal of Korean Society of Industrial and Systems Engineering, 2024, Vol. 47, No. 2, pp. 10-20.
Kim, M.J., An Analysis of Quality 4.0 Research Trends Using Text Mining, Journal of Korean Society for Quality Management, 2023, Vol. 51, No. 3, pp. 403-418.
Kim, S.G., Yoon, M.Y., Kwon, T.H., and Lim, J.S., A Study on Patent Big Data Analysis Related to Smart Factory Using Topic Modeling and ChatGPT, Journal of Korean Society of Industrial and Systems Engineering, 2023, Vol. 46, No. 4, pp. 15-31.
Kim, T.S., A Study on a Precision Measurement System for Metal Plate Surface Quality Using Moving Average Image Processing, Journal of Korea Society of Industrial Information Systems, 2012, Vol. 17, No. 2, pp. 73-80.
Kumar, V., Ekwall, D., and Wang, L., Supply Chain Strategies for Quality Inspection under a Customer Return Policy: A Game Theoretical Approach, Entropy, 2016, Vol. 18, No. 12, Article 440.
Lario, J., Mateos, J., Psarommatis, F., and Ortiz, Á., A Cost Model for the Investment Feasibility of Quality Inspection Technologies in the Zero Defect Manufacturing Era, International Journal of Production Research, 2024.
Lee, M.H. and Lee, K.C., Real-time Fault Detection in a Bearing-shaft System Through Deep Learning-Based Machine Sound Analysis Robust to Environmental Noises, Journal of Korean Society of Industrial and Systems Engineering, 2024, Vol. 47, No. 4, pp. 132-144.
Li, Y., Dai, J., and Cui, L., The Impact of Digital Technologies on Economic and Environmental Performance in the Context of Industry 4.0: A Moderated Mediation Model, International Journal of Production Economics, 2020, Vol. 229, Article 107777.
Liu, H.-C., Liu, R., Gu, X., and Yang, M., From Total Quality Management to Quality 4.0: A Systematic Literature Review and Future Research Agenda, Frontiers of Engineering Management, 2023, Vol. 10, No. 2, pp. 191-205.
Liu, J., Xie, G., Wang, J., Li, S., Wang, C., Zheng, F., and Jin, Y., Deep Industrial Image Anomaly Detection: A Survey, Machine Intelligence Research, 2024, Vol. 21, pp. 104-135.
Mageto, J., Big Data Analytics in Sustainable Supply Chain Management: A Focus on Manufacturing Supply Chains, Sustainability, 2021, Vol. 13, No. 13, Article 7101.
Mahin, M., Kadasah, N., Alsabban, A., and Albliwi, S., Exploring the Landscape of Quality 4.0: A Comprehensive Review of its Benefits, Challenges, and Critical Success Factors, Production & Manufacturing Research, 2024, Vol. 12, No. 1, Article 2373739.
Oliveira, D., Alvelos, H., and Rosa, M.J., Quality 4.0: Results from a Systematic Literature Review, The TQM Journal, 2025, Vol. 37, No. 2, pp. 379-456.
Psarommatis, F., May, G., Dreyfus, P.-A., and Kiritsis, D., Zero Defect Manufacturing: State-of-the-Art Review, Shortcomings and Future Directions in Research, International Journal of Production Research, 2020, Vol. 58, No. 1, pp. 1-17.
Reis, A.M., Verna, E., Costa, L., Sousa, S.D., and Galetto, M., A Scenario-Based Framework for Strategic Inspection Decision-Making in High-Volume Production Environments, International Journal of Quality & Reliability Management, 2025, Vol. 42, No. 6, pp. 1822-1850.
Ryu, J.T., Development of an Inspection System for Classifying Magnetic Switch Case Products, Journal of Korea Society of Industrial Information Systems, 2021, Vol. 26, No. 2, pp. 21-26.
Seo, H.J., Byun, J.H., and Kim, D.H., Quality 4.0: Concept, Elements, Level Evaluation, and Deployment Direction, Journal of Korean Society for Quality Management, 2021, Vol. 49, No. 4, pp. 447-466.
Seo, S.J. and Kim, H.S., Production Quality Prediction Model for Small Rolled Wire Manufacturing Process of Free-Cutting 303 Stainless Steel, Journal of Korean Society of Industrial and Systems Engineering, 2021, Vol. 44, No. 4, pp. 12-22.
Shukla, V., Shukla, A., Surya Prakash, S.K., and Shukla, S., A Systematic Survey: Role of Deep Learning-Based Image Anomaly Detection in Industrial Inspection Contexts, Frontiers in Robotics and AI, 2025, Vol. 12, Article 1554196.
Sinha, P.R., Whitman, L.E., and Malzahn, D., Methodology to Mitigate Supplier Risk in an Aerospace Supply Chain, Supply Chain Management: An International Journal, 2004, Vol. 9, No. 2, pp. 154-168.
Torralba-Carnerero, G., García-Nieto, M., Ramón-Jerónimo, J.M., and Flórez-López, R., Supply Chain Management Control in the Aerospace Sector: An Empirical Approach, Logistics, 2024, Vol. 8, No. 4, Article 132.
Yoon, H.S., Development of Mold Quality Inspection System Using Machine Vision, Journal of Korean Society of Industrial and Systems Engineering, 2023, Vol. 46, No. 4, pp. 181-189.