선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 연구는 우리나라 사과 주산지 15개 지역의 사과단수와 월별 기상요소를 패널 자료로 구축하여 사과단수와 기상요인간의 관계 및 영향력을 분석하였다. 기존의 변수 설정 방법과 요인분석을 통한 변수 설정을 통해 구성된 사과단수예측모형을 확률효과모형(Random effects model)을 이용하여 추정하고 모형의 적합도 및 예측력을 비교하였다.
가설 설정
- 시계열적 안정성 확보를 위하여 IPS 단위근 검정결과 사과단수를 포함한 모든 변수에서 단위근이 있다는 귀무가설을 기각하였다(Im et al., 2003; McCarl et al., 2004). 고정효과모형과 확률효과모형의 적합성 검정을 위해 하우스만 검정(Hausman test)을 각각 선정된 변수를 적용하여 실시하였고 1% 유의수준 하에서 귀무가설을 기각하지 못하였으므로 확률효과모형을 이용하여 회귀분석을 실시하였다.
제안 방법
- 또, i는 해당연도를, n은 수집된 자료의 총 개수를 나타낸다. 1월부터 12월까지 각각의 월별 기상요인과 해당하는 연도의 사과단수와의 상관분석 결과를 바탕으로 상관계수가 가장 큰 달의 기상변수 하나를 선택하여 모두 5개의 변수를 선정한다.
- 기상요인에 따른 사과 생산 및 품질에 관련한 선행연구와 사과의 생육단계를 고려하여 사과단수에 영향을 미칠 수 있는 변수를 선정하여 모형에 적용한다.
- 본 연구는 우리나라 사과 주산지 15개 지역의 사과단수와 월별 기상요소를 패널 자료로 구축하여 사과단수와 기상요인간의 관계 및 영향력을 분석하였다. 기존의 변수 설정 방법과 요인분석을 통한 변수 설정을 통해 구성된 사과단수예측모형을 확률효과모형(Random effects model)을 이용하여 추정하고 모형의 적합도 및 예측력을 비교하였다.
- 상관계수는 두 연속변수의 선형관계 정도를 나타내는 척도로서 한 변수와 다른 변수와의 직선적 관계를 -1과 1의 사이값으로 나타낸다. 따라서 2006년부터 2013년까지 15개 지역의 사과단수와 1월부터 12월까지의 월별 기상요인 중 어떤 달의 기상요소와 가장 관계를 상관계수를 이용하여 파악하며 사과단수예측모형의 기상요인으로 사용한다.
- 따라서 다양하게 통계화된 자료를 변수화하여 모형의 설명력을 높이는 노력이 필요하다. 따라서 본 논문은 기상요인 중 생산량에 미치는 기상요인을 특정하는 기존의 방법론과 추가적인 방법론을 제안함과 동시에 그 결과를 비교 평가한다.
- 모든 기상요인을 설명변수로 활용하려는 노력은 계량적으로는 다중공선성(multicollinearity)의 문제가 발생하기 때문에 분산팽창계수(VIF: Variance Inflation Factor)를 활용하여 VIF가 10보다 큰 기상 요인들을 모아 요인분석을 실시한다. 요인의 개수는 요인분석 후 새롭게 생성된 변수와 기존변수간의 다중공선성 검사를 통하여 다중공선성이 발생하지 않는 요인의 수들 중 AIC 기준으로 모형의 적합도가 가장 높은 요인개수를 요인수로 선정한다.
- 사과단수와 각 월별 기상요인의 상관분석(correlation analysis)을 기초로 상관계수(correlation coefficient)를 이용하여 모형에 사용될 변수를 선정한다. 상관계수는 두 연속변수의 선형관계 정도를 나타내는 척도로서 한 변수와 다른 변수와의 직선적 관계를 -1과 1의 사이값으로 나타낸다.
- (2011)은 수확기 최저기온이 높으면 갈색무늬병 등의 병충해로 과실의 품질이 저하되어 수확량이 감소하는 것으로 추정했다. 이처럼 사과의 생육단계를 고려하고, 선행연구내용을 참고하여 모형에 적용 할 기상변수를 선정한다.
- 1). 주산지로 선정 된 지역은 사과재배 면적이 300ha 이상인 지역으로, 재배면적 추계 방법은 표본조사구내 사과재배면적비율을 경지면적에 곱하여 추계하는 비추정 방법을 활용하였다. 분석에 이용 된 최근 8년간의 주산지 사과 평균단수의 동향은 다음 (Fig.
대상 데이터
- 기상변수로는 선행연구(Kim and Lee, 2005)를 참조하여 사과단수에 영향을 줄 수 있는 기상요인으로 월별 평균기온(℃), 월별 평균최고기온(℃), 월별 평균 최저기온(℃), 월별 누적강수량(mm), 월별 일조시간(hr)을 사용한다. 기상요인은 2006년부터 2013년까지의 자료로 기상청에서 제공하는 자료를 활용하였다. 주산지 총 15개 지역의 기상자료 중 별도의 유인관측 및 무인관측 지점이 마련되지 않은 지역은 거리상 가장 근접한 지역의 기상자료를 분석에 활용하였다.
- 주산지 총 15개 지역의 기상자료 중 별도의 유인관측 및 무인관측 지점이 마련되지 않은 지역은 거리상 가장 근접한 지역의 기상자료를 분석에 활용하였다. 따라서 예산은 서산, 예천은 영주의 기상자료를 활용하였으며, 청송의 경우 2010년 9월 7일부터 무인관측소가 운영되었으므로 영덕의 기상자료를 활용하여 분석하였다. 또 강수량 측정에서 눈 날림 현상에 의해 관측은 되었으나 측량에 어려움이 있는 경우 또는 0.
- 사과의 주산지 변화 추이를 살펴보면, 1970년대에 대구·경산을 중심으로 한 경상북도 남부지역이 주산지였으나, 2000년대에는 의성·문경을 중심으로 한 경상북도 북부지역과 무주·장수 등 산간고랭지로 이동하고 있다. 본 논문에서 사용된 주산지는 거창, 문경, 밀양, 봉화, 상주, 안동, 영주, 영천, 예산, 예천, 의성, 제천, 청송, 충주, 포항 15개 지역으로 분류된다(Fig.1). 주산지로 선정 된 지역은 사과재배 면적이 300ha 이상인 지역으로, 재배면적 추계 방법은 표본조사구내 사과재배면적비율을 경지면적에 곱하여 추계하는 비추정 방법을 활용하였다.
- 본 연구는 우리나라 사과주산지 15개 지역의 2006년부터 2013년 동안의 사과 단위당(10a) 생산량(kg)을 대상으로 수행하였다.1) 사과 단수자료의 출처는 「주요작물 생산동향」이며 2007년까지 작물통계조사라는 명칭으로 농림수산식품부(현 농림축산식품부) 국립농산물품질관리원에서 작성되었으며, 2008년 3월에 통계청에 이관되어 작성되고 있다.
- 본 연구의 자료는 패널 데이터로 어떤 특정 개체의 현상이나 사건을 시간 순으로 기록해 놓은 시계열데이터(time-series data)와 특정시점에 있어 여러 개체의 현상이나 특성을 모아 놓은 횡단면데이터(crosssectional data)를 하나로 합쳐 놓은 형태이다. 즉 여러 개체에 대해 그 현상이나 특성을 일련의 관측시점 별로 기록해 놓은 것이다(Min and Choi, 2013).
- 00으로 한다. 이처럼 실증분석을 위하여 전국 15개 지역의 사과단수와, 기상요인을 대상으로 패널 자료를 작성하였다. 연구에 활용 된 자료의 기초통계량은 Table 1과 같이 정리된다.
- 기상요인은 2006년부터 2013년까지의 자료로 기상청에서 제공하는 자료를 활용하였다. 주산지 총 15개 지역의 기상자료 중 별도의 유인관측 및 무인관측 지점이 마련되지 않은 지역은 거리상 가장 근접한 지역의 기상자료를 분석에 활용하였다. 따라서 예산은 서산, 예천은 영주의 기상자료를 활용하였으며, 청송의 경우 2010년 9월 7일부터 무인관측소가 운영되었으므로 영덕의 기상자료를 활용하여 분석하였다.
데이터처리
- , 2004). 고정효과모형과 확률효과모형의 적합성 검정을 위해 하우스만 검정(Hausman test)을 각각 선정된 변수를 적용하여 실시하였고 1% 유의수준 하에서 귀무가설을 기각하지 못하였으므로 확률효과모형을 이용하여 회귀분석을 실시하였다.
- 1월부터 12월까지의 월별 평균기온, 평균최저기온, 평균최고기온, 누적강수량, 일조시간 등 모든 기상변수를 활용하여 사과단수예측모형에 적용한다. 수집된 모든 월별기상요인이 요인분석에 적합한지 여부를 판단하기 위해 KMO(Kaiser-Meyer-Olkin)와 Bartlett검정을 실시한다. KMO값은 표본 적합도를 나타내는 값으로 일반적으로 0.
이론/모형
- 1월부터 12월까지의 월별 평균기온, 평균최저기온, 평균최고기온, 누적강수량, 일조시간 등 모든 기상변수를 활용하여 사과단수예측모형에 적용한다. 수집된 모든 월별기상요인이 요인분석에 적합한지 여부를 판단하기 위해 KMO(Kaiser-Meyer-Olkin)와 Bartlett검정을 실시한다.
- 모형의 적합도를 평가하는 지수는 매우 다양하나 본 연구에서는 아카이케 정보 기준(Akaike information criterion, AIC)과 베이지안 정보 기준(Bayesian Information Criterion)을 이용한다. 이를 구하는 식은 다음(식 5), (식 6)과 같다(Gujarati and Porter, 2009).
- , 2009). 예측모형의 정확도를 추정하는 방법으로 본 연구에서는 평균절대오차(Mean Absolute Error, MAE)와 평균제곱오차의 제곱근(Root Mean Square Error, RMSE), 평균절대백분율오차(Mean Absolute Percentage Error, MAPE)를 이용하며, 이를 구하는 식은 다음 (식 7), (식 8), (식 9)와 같다(Park et al., 2009).
- 5이상이면 자료가 요인분석에 적합하고, 변수 간의 상관행렬이 단위행렬인지 여부를 카이제곱분포를 이용해서 판단한다(Kang and Kim, 2012). 요인추출은 주성분분석(principal components analysis)을 이용하고, 각 요인의 적재값이 높은 변수의 수를 최소화하는 직교회전 방식인 베리멕스(varimax)방법을 사용한다. 변수로 사용되는 요인점수를 구하는 식은 다음 (식 2)와 같다(Kang and Kim, 2012).
성능/효과
- 또 상관분석을 기초로 변수를 설정한 은 예측력에서 두 번째로 예측력이 우수함을 보였고, 의 예측력은 세 모형 중 가장 낮은 예측력을 보였다.
- <통계적 접근 방법II: 요인분석> 모형을 추정한 결과는 요인분석(factor analysis)의 특성상 개별 기상요인이 단수에 미치는 요인을 특정하기에 어려움이 있지만, 모형의 적합도와 예측력이 가장 우수하게 나타났다. 이는 사과의 특성상 1월부터 12월까지의 모든 기상변수를 활용하여 예측력 제고시킨 결과로 추정된다.
- 세 모형의 AIC(Akaike information criterion)를 기준으로 적합도를 비교하면 근소하지만 가장 낮은 1724.734로써 이 적합도에서 가장 우수함을 보이며, BIC(Bayesian information criterion)를 기준으로 적합도를 비교 할 경우 값이 가장 낮은 값은 1763.886으로 이 가장 우수함을 보인다.
- 연구에서 생육단계를 고려하여 자연과학적 접근방법으로 기상변수를 사용한 결과 3월 평균기온이 1℃ 증가하면 단수가 평균적으로 120.950kg/10a 증가하며, 9월 평균최저기온이 1℃ 증가하면 77.772kg/10a 증가할 것으로 예측되고 10월 누적강수량이 1mm 증가하면 단수는 4.050kg/10a 감소함을 보이며, 7월 일조시간이 1시간 늘어나면 단수는 3.128kg/10a 만큼 줄어드는 반면 8월 일조시간이 1시간 증가할 경우 3.618kg/10a 증가할 것으로 예측되는 결과를 보였다. 사과단수와 기상요인간의 상관분석(correlation analysis)을 기초로 설명변수를 구축한 모형의 경우 12월의 평균기온이 1℃증가하면 단수가 평균적으로 52.
- <생육단계를 고려한 자연과학적 접근방법>의 결과에 따르면 3월 평균기온, 10월 누적강수량, 7월 일조시간이 1% 유의수준 하에서 통계적으로 유의함을 보이며, 9월의 평균최저기온, 8월 일조시간은 5% 유의수준 하에서 의미가 있음을 보여준다.
- <통계적 접근 방법I: 상관분석> 추정 결과는 4월 누적강수량이 1% 유의수준 하에서 통계적으로 유의함을 보이며, 12월 평균최고기온, 8월 일조시간이 5% 유의수준에서 통계적으로 의미가 있음을 나타낸다.
- 통계적 접근 방법 II: 요인분석을 위한 변수 설정을 위해 다중공선성 문제를 진단한 결과 1월, 3월, 5월, 8월, 10월, 11월, 12월의 강수량을 제외한 모든 변수에서 다중공선성의 문제가 발생하였다. KMO검정값이 0.
후속연구
- 물론 패널은 횡단면 자료의속성도 동시에 가지기 때문에 서로 상이한 기상자료의 지역적 분포에 따라 기상요인이 사과의 단수에 어떤 영향을 주는지 충분한 설명력을 가지게 되지만, 월평균으로 측정된 기상자료의 연간 변화 수준은 미미하기 때문에 좀 더 장기간의 추적 관찰을 통하면 기상요인의 시간적 변화에 따른 사과 단수의 변화 추정이 좀 더 정교해 질 수 있다. 따라서 관측지역의 범위를 주산지 외에 시군구의 작은 행정단위로 미세화하고 관측의 기간도 증가시키는 등 좀 더 세밀한 자료의 수집이 필요할 것으로 보인다. 이러한 자료를 본 논문의 방법론에 적용하여 사과생산단수예측모형을 설계하고, 적합도 및 예측력 평가를 통해 가장 우수한 모형을 선정하는 후속연구가 필요할 것으로 판단된다.
- 또한 기상요인이 발아, 개화, 착과, 비대, 성숙, 그리고 착색 및 수확에 이르기까지 전 생육과정에 걸친 기상요인이 단수에 영향을 준다는 의미로 해석할 수 있다. 따라서 급속하게 진행되고 있는 모든 기후변화 인자들을 고려하여 정확한 생산량 예측에 적용 가능성이 높다고 판단된다.
- 본 연구의 가장 큰 한계점은 기상요소 외에 사과생산량에 변화를 줄 수 있는 변수가 고려되지 않았다는 점이다. 따라서 기후변화와 관련된 토양의 변화, 병해충의 출현, 농가의 기술력 변화 등이 고려될 경우 좀 더 정확한 분석이 이루어질 수 있을 것으로 보인다. 또한 냉해나 태풍, 우박과 서리 등 국지적이고 일시적인 이상기후 등의 변수 활용도 필요하다.
- 자료와 관련된 또 하나의 한계점으로는 패널로 구성한 주산지의 자료 측정 기간이 2006년부터 2013년까지 8개 연도에 불과하다는 점이다. 물론 패널은 횡단면 자료의속성도 동시에 가지기 때문에 서로 상이한 기상자료의 지역적 분포에 따라 기상요인이 사과의 단수에 어떤 영향을 주는지 충분한 설명력을 가지게 되지만, 월평균으로 측정된 기상자료의 연간 변화 수준은 미미하기 때문에 좀 더 장기간의 추적 관찰을 통하면 기상요인의 시간적 변화에 따른 사과 단수의 변화 추정이 좀 더 정교해 질 수 있다. 따라서 관측지역의 범위를 주산지 외에 시군구의 작은 행정단위로 미세화하고 관측의 기간도 증가시키는 등 좀 더 세밀한 자료의 수집이 필요할 것으로 보인다.
- 본 연구의 가장 큰 한계점은 기상요소 외에 사과생산량에 변화를 줄 수 있는 변수가 고려되지 않았다는 점이다. 따라서 기후변화와 관련된 토양의 변화, 병해충의 출현, 농가의 기술력 변화 등이 고려될 경우 좀 더 정확한 분석이 이루어질 수 있을 것으로 보인다.
- 따라서 관측지역의 범위를 주산지 외에 시군구의 작은 행정단위로 미세화하고 관측의 기간도 증가시키는 등 좀 더 세밀한 자료의 수집이 필요할 것으로 보인다. 이러한 자료를 본 논문의 방법론에 적용하여 사과생산단수예측모형을 설계하고, 적합도 및 예측력 평가를 통해 가장 우수한 모형을 선정하는 후속연구가 필요할 것으로 판단된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.