야외에서 재배되는 주요 채소류의 생산에 대한 기상변화의 영향력이 점차 커지고 있다. 기상변화로 인한 농작물 생산량의 변화는 공급과 수요의 불안정과 물가안정의 불안요소로 작용하고 있다. 본 논문에서는 패널회귀모형을 이용하여 기상상태에 따른 마늘의 생산량을 추정하였다. 2006년부터 2015년까지의 마늘 주산지 15곳의 10a당 마늘 생산량과 해당 지역의 기상자료를 사용하였다. 7가지 기상요인 (평균기온, 평균최저기온, 평균최고기온, 누적강수량, 누적일조시간, 평균상대습도, 평균지면온도)의 월별 (1월-12월)자료인 총 84개 기상변수중 다중회귀분석 단계선택방법을 통하여 7가지 기상변수를 선택하여 패널회귀모형에 사용하였다. 고정효과 모형과 확률효과 모형을 구분하는 하우스만 검정을 통하여 확률효과 모형으로 분석한 결과 평균최고기온 (1월), 누적강수량 (3월, 10월), 누적일조시간 (4월, 10월)등이 마늘 생산량 추정에 유의한 변수로 나타났다. 또한 연도별로 추정된 생산량 추정값의 추이가 실제 생산량과 동일한 추세를 보이고 있어 제안된 패널 회귀 모형이 잘 적합됨을 확인할 수 있다.
야외에서 재배되는 주요 채소류의 생산에 대한 기상변화의 영향력이 점차 커지고 있다. 기상변화로 인한 농작물 생산량의 변화는 공급과 수요의 불안정과 물가안정의 불안요소로 작용하고 있다. 본 논문에서는 패널회귀모형을 이용하여 기상상태에 따른 마늘의 생산량을 추정하였다. 2006년부터 2015년까지의 마늘 주산지 15곳의 10a당 마늘 생산량과 해당 지역의 기상자료를 사용하였다. 7가지 기상요인 (평균기온, 평균최저기온, 평균최고기온, 누적강수량, 누적일조시간, 평균상대습도, 평균지면온도)의 월별 (1월-12월)자료인 총 84개 기상변수중 다중회귀분석 단계선택방법을 통하여 7가지 기상변수를 선택하여 패널회귀모형에 사용하였다. 고정효과 모형과 확률효과 모형을 구분하는 하우스만 검정을 통하여 확률효과 모형으로 분석한 결과 평균최고기온 (1월), 누적강수량 (3월, 10월), 누적일조시간 (4월, 10월)등이 마늘 생산량 추정에 유의한 변수로 나타났다. 또한 연도별로 추정된 생산량 추정값의 추이가 실제 생산량과 동일한 추세를 보이고 있어 제안된 패널 회귀 모형이 잘 적합됨을 확인할 수 있다.
Climate change affects the growth of crops which were planted especially in fields, and it becomes more important to use climate data to predict the yields of the major vagetables. The variation of the crop products caused by climate change is one of the significant factors for the discrepancy of th...
Climate change affects the growth of crops which were planted especially in fields, and it becomes more important to use climate data to predict the yields of the major vagetables. The variation of the crop products caused by climate change is one of the significant factors for the discrepancy of the demand and supply, and leads to the price instability. In this paper, using a panel regression model, we predicted the garlic yields with the weather conditions of different regions. More specifically we used the panel data of the several climate variables for 15 main garlic production areas from 2006 to 2015. Seven variables (average temperature, average maximum temperature, average minimum temperature, average surface temperature, cumulative precipitation, average relative humidity, cumulative duration time of sunshine) for each month were considered, and most significant 7 variables were selected from the total 84 variables by the stepwise regression. The random effects model was chosen by the Hausman test. The average maximum temperature (January), the cumulative precipitation (March, October), the cumulative duration time of sunshine (April, October) were chosen among the variables as the significant climate variables of the model
Climate change affects the growth of crops which were planted especially in fields, and it becomes more important to use climate data to predict the yields of the major vagetables. The variation of the crop products caused by climate change is one of the significant factors for the discrepancy of the demand and supply, and leads to the price instability. In this paper, using a panel regression model, we predicted the garlic yields with the weather conditions of different regions. More specifically we used the panel data of the several climate variables for 15 main garlic production areas from 2006 to 2015. Seven variables (average temperature, average maximum temperature, average minimum temperature, average surface temperature, cumulative precipitation, average relative humidity, cumulative duration time of sunshine) for each month were considered, and most significant 7 variables were selected from the total 84 variables by the stepwise regression. The random effects model was chosen by the Hausman test. The average maximum temperature (January), the cumulative precipitation (March, October), the cumulative duration time of sunshine (April, October) were chosen among the variables as the significant climate variables of the model
또한 일반적인 패널회귀 모형을 이용한 대학생 휴학률에 대한 실증분석 연구로는 Yang (2015) 등이 있다. 본 논문에서는 2006년부터 2015년까지 15곳의 마늘 주산지 단수 (10a당 생산량 (kg))와 기상자료를 활용해 패널회귀모형을 구축하여 기상변화에 따른 마늘 생산량을 추정하고자 한다.
제안 방법
주로 야외에서 재배되는 마늘 생산량은 기후환경에 영향을 많이 받기 때문에 생산량 추정시 기상을 고려하는 접근이 필요하다. 본 논문에서는 패널회귀모형을 이용하여 기상상태에 따른 마늘 생산량의 변화를 추정하였다. 2006년부터 2015년까지의 마늘 주산지 15곳의 생산량 자료와 기상패널자료를 사용하였다.
대상 데이터
2). 누적강수량, 평균상대습도, 누적일조시간, 평균지면온도, 평균기온, 평균최저기온, 평균최고기온 등 총 7가지 기상요인에 대해 1월부 터 12월까지 월별 기상자료를 구축하여 총 84개의 기상자료를 설명변수로 사용하였다. 마늘의 수확시기인 6월을 기준으로 마늘의 연간 단위당 생산량이 계산되기 때문에, 해당연도의 마늘 생산량에 미치는 기상자료를 전년도 6월부터 해당년도 5월까지로 설정하여 설명변수 값으로 사용하였다.
데이터처리
기상자료와 마늘생산량의 패널회귀모형이 잘 적합되는지를 확인하기 위해 연도별 주산지평균단수 (A:식 4.1)와 예측단수 (B:식 4.2)를 비교하였다. 2006년부터 2015년까지 연도별 전국의 주산지 마늘 평균단수와, 지역단수 예측값을 활용하여 생성한 예측단수를 비교한 그림이 Figure 4.
이론/모형
에 대한 특성을 하우스만 검정을 통하여 설정한뒤 고정효과 모형과 확률효과 모형 중 하나를 선택한 후, 각각의 모형에서 확률효과가 유의한지 또는 고정효과 유의한지 유의성을 확인한다. 만약 확률효과모형에서 분산이 없는 # = 0의 결과일 경우 오차항 µi는 분포를 가정하는 확률변수가 아닌 상수값이 되어 확률효과 모형이 아닌 일반회귀모형으로 분석하게 된다 (Min과 Choi, 2012).
성능/효과
3에는 확률효과 모형과 고정효과 모형의 RMSE, 결정계수 (R2) 그리고 실제 생산량과 예측값과의 상관계수 (Corr) 값이 정리되어 있다. 세 가지 지표 모두 다 확률효과 모형에 비해 고정효과 모형의 예측 성능 값이 우수한 것으로 나온다. 이는 지역마다 개체 특성 효과를 각각 추정하는 고정효과 모형의 특성상 확률효과 모형보다 실제 지역의 생산량 예측이 잘 이루어진 것으로 판단된다.
1과 같다. 연도별 추정값의 추이가 실제 생산량과 동일한 양상을 보이고 있어 제안된 패널회귀모형이 잘 적합됨을 확인할 수 있다.
2006년부터 2015년까지의 마늘 주산지 15곳의 생산량 자료와 기상패널자료를 사용하였다. 총 84개 기상변수중 다중회귀분석 단계선택방법을 통하여 7가지 기상변수가 선택되었으며, 하우스만 검정을 통해 채택된 확률효과모형으로 분석한 결과 평균최고기온 (1월), 누적강수량 (3월, 10월), 누적일조시간 (4월, 10월)등이 마늘 생산량 추정에 유의한 변수로 나타났다. 적합도 면에서는 고정효과 모형이 더 우수하였으며 유의한 기상변수들은 확률효과 모형과 동일하게 나타났다.
후속연구
본 논문에서는 마늘 생산량 자료 부족으로 주산지만을 고려하였으며, 특정 지역은 기상 관측소의 부재로 기상자료가 부족하여 대체 시군을 활용하는 한계가 있었다. 향후 연구에서는 주산지뿐만 아니라 모든 생산 지역단위들에 대한 생산량 자료와 세분화된 기상자료를 활용하며, 농작물 생산량에 크게 영향을 미치는 병충해 발생 정보도 모형에 추가하면 본 연구에서 제안한 추정모형의 정확도를 향상시킬 수 있으리라 기대된다.
참고문헌 (13)
Baltagi B. H. (2005). Econometric Analysis of panel Data, 3th Ed., John Wiley & Sons, New York.
Chang, S. H. (2000). Study on the prediction models for the productions of major food crops. Journal of the Korean Data & Information Science Society, 11, 47-55.
Choi, S. and Baek, J. (2016). Onion yields estimation using spatial panel regression model. The Korean Journal of Applied Statistics, submitted.
Croissant, Y. and Millo, G. (2008). Panel data econometrics in R : The plm package. Journal of Statistical Software, 27, Issue 2.
Greene, W. H. (2012). Econometric Analysis, 7th Ed., pearson, London.
Kim, M. R. and Kim, S. G. (2014). Examining impact of weather factors on apple yield. Korean Journal of Agricultural and Forest Meteorology, 16, 274-284.
Lee, J. W. (1996). Analysis of major production factor for pepper, garlic and onion. Journal of Rural Development, 19, 27-50.
Lee, H. Y. and Noh, S. C. (2013). Advanced Statistical Analytics. Moonwoosa, Goyang.
Min, I. S. and Choi, P. S. (2012). STATA Panel Data Analysis, The Korean Association of STATA, Seoul.
Rural Development Administration. (2014). Garlic : 2014, http://www.rda.go.kr.
Shin, D. H. and Lee, M. S. and Park, J. H. and Lee, Y. S. (2015). A meta analysis of the climate change impact on rice yield in south korea. Journal of the Korean Data & Information Science Society, 26, 355-365.
Son, J. H. (2003). A study on th cropping systems of garlics and onions produced at the main farming fields, Chonnam National University, Gwangju.
Yang, H., Choi, J. S., Han, J. T. and Jeong, J. (2015). Influence of tuition and scholarship on the stop-out rate: an empirical analysis using panel regression model. Journal of the Korean Data & Information Science Society, 26, 631-638
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.