[논문]의사결정나무분석을 이용한 컨테이너 수출입 물동량 예측

손용정; 김현덕

의사결정나무분석을 이용한 컨테이너 수출입 물동량 예측
Forecasting Export & Import Container Cargoes using a Decision Tree Analysis 원문보기

한국항만경제학회지 = Journal of Korea Port Economic Association, v.28 no.4, 2012년, pp.193 - 207

초록
AI-Helper

본 연구는 의사결정나무분석을 이용하여 컨테이너 수출입 물동량을 예측한다. 컨테이너 수출입 물동량에 영향을 미칠 가능성이 있는 요인을 독립변수로 선정하였는데, 생산자물가지수와 소비자물가지수, 수출물량지수와 수입물량지수, 미국과 한국의 산업생산지수, 그리고 원/달러 환율을 선정하였다. 분석기간은 2002년 1월부터 2011년 12월까지 10년간의 월별자료를 이용하였으며, 의사결정나무를 형성하기 위해 다양한 알고리즘이 제안되고 있는데, CRT(Classification and Regression Trees)알고리즘을 활용하였다. 분석결과는 첫째, 컨테이너 수출물동량에 대한 최적분리는 수출물량지수에 의해 분리되었다. 수출물량지수는 115.90으로 분리되어 지는데, 수출물량지수가 115.90보다 큰 경우는 다시 수출물량지수가 152.35보다 큰 경우와 115.90과 152.35사이인 경우로 분리되어진다. 여기서 수출물량지수가 152.35보다 큰 경우는 858,191TEU/(월)이고, 115.90과 152.35사이인 경우는 716,582TEU/(월)로 컨테이너 수출물동량이 예측된다. 둘째, 컨테이너 수입 물동량에 대한 최적분리는 수입물량지수에 의해 분리되었다. 수입물량지수가 116.20에서 분리되어 지는데, 수입물량지수가 116.20보다 큰 경우는 다시 수입물량지수가 134.60보다 큰 경우와 116.20과 134.60사이인 경우로 분리되어진다. 여기서 수입물량지수가 134.60보다 큰 경우는 869,227TEU/(월)이고, 116.20과 134.60사이인 경우는 738,724TEU/(월)로 컨테이너 수입물동량이 예측된다.

Abstract ▼ AI-Helper

The of purpose of this study is to predict export and import container volumes using a Decision Tree analysis. Factors which can influence the volume of container cargo are selected as independent variables; producer price index, consumer price index, index of export volume, index of import volume, index of industrial production, and exchange rate(won/dollar). The period of analysis is from january 2002 to December 2011 and monthly data are used. In this study, CRT(Classification and Regression Trees) algorithm is used. The main findings are summarized as followings. First, when index of export volume is larger than 152.35, monthly export volume is predicted with 858,19TEU. However, when index of export volume is between 115.90 and 152.35, monthly export volume is predicted with 716,582TEU. Second, when index of import volume is larger than 134.60, monthly import volume is predicted with 869,227TEU. However, when index of export volume is between 116.20 and 134.60, monthly import volume is predicted with 738,724TEU.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

과 에서 제시한 바와 같이, 컨테이너 물동량은 수출, 수입, 환적, 연안 화물 등으로 구성되는데, 본 연구는 의사결정나무분석을 이용하여 컨테이너 수출입 물동량을 예측하고자 한다.
따라서 본 연구는 국내에 물동량 예측에 다루어지지 않은 의사결정나무분석을 이용하여 항만물동량 예측을 실시해보자 한다.
한편, 의사결정나무분석을 이용한 수출입 컨테이너 물동량 예측은 국내에서 다루어 지지 않아 본 연구는 의사결정나무분석을 이용하여 컨테이너항만 물동량 중 수출입물동량 예측을 실시하고자 한다.

제안 방법

본 연구는 CRT(Classification and Regression Trees; Breiman · Friedman · Olshe n · Stone, 1984) 알고리즘을 활용하는 의사결정나무분석을 실시한다.

대상 데이터

변수선정은 국내 수출입 물동량 예측과 관련된 문헌 중 모수원(2001), 장문철(2010) 의 연구를 참고하여 컨테이너 수출입 물동량의 변화에 영향을 미칠 가능성이 있는 변수를 선정하였다.
분석기간은 2002년 1월부터 2011년 12월까지 10년간의 월별자료를 이용하였으며, 분석패키지는 SPSS 20.0을 이용하였다.
자료 : 국토해양부(Port-MIS: 항만관리정보시스템).
자료 : 국토해양부(Port-MIS: 항만관리정보시스템).

성능/효과

구간별로 변동이 불규칙이나 단계별 저점이 높아지는 ‘불규칙 상승형’의 경우에는 적합성 측면에서 회귀분석이 신뢰성과 강건성 측면에서는 인공신경망모형이 더 좋은 것으로 나타났다.
분석결과 물동량이 전반적으로 지속적인 상승을 하는 ‘상승지속형’의 경우에는 적합성, 신뢰성, 강건성 모든 측면에서 회귀분석이 인공신경망보다 우수한 것으로 나타났다.
우리나라의 항만물동량은 전통적으로 수출입 물동량이 주도하였으며, 본 연구의 결과도 수출입물량의 변동을 나타내 주는 수출입 물량지수가 수출입 물동량에 영향을 주는 것으로 분석되었다. 그러나 대외적으로 글로벌 금융위기에 따른 실물경기의 위축과 환적화물의 증가, 대내적으로 제조업의 성장세 둔화, 고령화에 의한 국내소비의 침체, 서비스 산업의 비중 확대 등 산업구조의 변화에 따라 수출입 물동량의 지속적인 감소가 예상된다.
전반적으로 상승하나 연도별로 증가율이 차츰 낮아지는 ‘상승둔화형’과 정체하거나 전반적으로 증가나 감소를 하지 않는 ‘정체형 또는 불규칙형’의 경우에는 3가지측면에서 모두 인공신경망모형이 더 나은 것으로 나타났다.

후속연구

중국, 일본을 비롯한 세계 각국은 자국 항만을 허브항만으로 육성하기 위해 다각도의 노력을 기울이고 있다. 따라서 부산항과 광양항 등 국내 항만이 동북아 허브항만으로 성장하기 위해서는 환적화물 중심이 아닌 고부가가치를 창출할 수 있는 노력을 경주하고 세계 주요 항만들과 네트워크를 구축하는 노력을 계속하여야 할 것이다.
컨테이너 물동량 중 환적화물과 연안화물은 제외하고 수출입물동량에 대해서만 예측하였고, 다양한 변수를 적용하지 못하였다. 또한 데이터 마이닝 분석 중 회귀분석모형, 인공신경망분석, 사례기반추론, 유전자 알고리즘, 퍼지이론 등이 있으나, 의사결정나무 모형만 분석한 점 등이 본 연구의 한계점이다. 추후의 연구에서는 다양한 변수의 적용, 다양한 데이터 마이닝 분석과의 비교 연구 등이 진행되어야 할 것으로 보인다.
또한 데이터 마이닝 분석 중 회귀분석모형, 인공신경망분석, 사례기반추론, 유전자 알고리즘, 퍼지이론 등이 있으나, 의사결정나무 모형만 분석한 점 등이 본 연구의 한계점이다. 추후의 연구에서는 다양한 변수의 적용, 다양한 데이터 마이닝 분석과의 비교 연구 등이 진행되어야 할 것으로 보인다.

질의응답

핵심어	질문	논문에서 추출한 답변
	데이터 마이닝 기법은 무엇으로 분류할 수 있는가?	Heatz, 2003). 이런 데이터 마이닝 기법에는 기술모형과 예측모형으로 분류할 수 있다. 기술모형에 패턴분석, 군집분석과 연관성 분석이 있고, 예측모형에 회귀분석모형, 의사결정나무분석, 인공신경망분석, 사례기반추론, 유전자 알고리즘, 퍼지이론 등이 있다.
	데이터 마이닝이란 무엇인가?	데이터 마이닝은 일반적으로 데이터베이스에 있는 방대한 양의 정보에 숨어 있는 지식을 자동적으로 추출하는 과정이다. 데이터 마이닝은 방대한 데이터베이스로터 숨어 있는 예측정보를 추출하는 것이다(Roiger, R.
	의사결정나무모형의 장점은 무엇인가?	의사결정나무모형은 의사결정규칙을 도표화하여 관심대상이 되는 집단을 몇 개의 소집단으로 분류하거나 예측하는 분석방법이다. 분석과정이 나무구조에 의해서 표현되기 때문에 분류 또는 예측을 목적으로 하는 다른 방법들에 비해 연구자가 분석과정을 쉽게 설명할 수 있는 장점이 있다.

참고문헌 (29)

강병서.김계수, SPSS 17.0 사회과학통계분석, 한나래아카데미, 2009.
모수원, "항만의 하역능력증대를 위한 수출입 물동량 예측", 무역학회지, 제26권 제1호, 2001, 275-297.

상세보기
박성현.김성수.황현식, 고급 SPSS 이해와 활용, 한나래아카데미, 2011.
박준호.김태호.주용진, "의사결정나무분석을 이용한 벤처기업의 공간적 입지특성에 관한 연구-강남구, 금천구를 중심으로-", 국토지리학회지, 제45권 1호, 2011, 175-188.
손용정, "항만경쟁력 제고를 위한 항만교역량 예측", 한국항만경제학회지, 제25집 제1호, 2009, 1-14.
손용정, "세계 주요 컨테이너항만의 효율성 비교 연구", 한국항만경제학회지, 제26집 제1호, 2010, 131-143.
손용정, "SWOT/AHP 분석을 이용한 광양항의 발전 전략에 관한 연구", 한국항만경제학회지, 제27집 제1호, 2011, 247-262.
이용구.허준, "생명보험사의 개인연금 보험예측 사례를 통해서 본 의사결정나무 분석의 설명변수 축소에 관한 비교 연구", 한국데이터정보과학회지, 제20권 제1호, 2009, 179-190.

원문보기 상세보기
이재식.이진천, "다중모델을 이용한 자동차 보험 고객의 이탈예측", 한국지능정보시스템 학회논문지, 제12권 제2호, 2006, 167-183.
이준용.최미화.이상엽, "데이터 마이닝 적용을 통한 아파트 가격 예측에 관한 연구", 국토계획, 제42권 제4호, 2007, 135-148.

상세보기
장문철, "우리나라 수출입 물동량의 구조분석과 향후 5년의 시계열 예측에 관한 연구", 유통정보학회지, 제13권 제4호, 2010, 177-199.
장철호, "의사결정나무모형을 이용한 공정무역상품의 소비활성화 전략", 식품유통연구, 제26권 제1호, 2009, 51-71.

상세보기
전찬영.송주미, "인공신경망모형의 항만물동량 예측 적용에 관한 연구", 해운물류연구, 제53호, 2007, 65-82.
정지혜.김태훈.김상열, "중소기업의 도산예측모형에 관한 비교연구: 기술신용보증기금의 보증지원을 받은 기업을 중심으로", e-비즈니스연구, 제11권 제5호, 2010, 211-240.
조경호, "공무원의 삶의 질 요인에 대한 의사결정나무분석", 한국인사행정학회보, 제2권 제2호, 2003, 131-144.
조성빈, "의사결정나무추론을 이용한 채용결정요인 분석", 서강경영논총, 제21-2집, 2010, 1-14.
조준희.강부식, "코스닥기업의 도산예측모형에 관한 연구", 산업경제연구, 제20권 제1호, 2007, 141-160.
최상일.박태진.강정규, "의사결정나무모형을 이용한 노년기 주거유형선택 예측에 관한 연구", 주거환경, 제9권 2호(통권 제16호), 2011, 235-251.
최종후.한상태.강현철.김은석, Answer Tree를 이용한 데이터마이닝 의사결정나무분석, SPSS아카데미, 1998.
Bigg, D., B. de Ville and E. Suen, "A Method of choosing multiway partitions for classification and decision trees," Journal of Applied Statistics, 18, 1991, 49-62.

상세보기
Breiman, L., J.H. Friedman, R.A. Olshen, and C.J. Stone, Classification and Regression Trees, Wadsworth, Belmont, 1984.
IBM, IBM SPSS Decision Trees 20.
Kass, G., "An exploratory technique for investigating large quantities of categorical data," Applied Statistics, 29(2), 1980, 119-127.

상세보기
Loh, W. and Y. Shin. Forthcoming. Split selection Methods for classification trees, Statistica Sinica, Taiwan, 1997.
Roiger, R., M. Heatz, Data Mining: A Tutorial Based Primer , Addison Wesley, 2003.
www.customs.go.kr.
www.ecos.bok.or.kr
www.index.go.kr.
https://portmis.go.kr.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증