[논문]머신러닝 기법 기반의 예측조합 방법을 활용한 산업 부가가치율 예측 연구

김정우

doi:10.5392/jkca.2020.20.12.049

머신러닝 기법 기반의 예측조합 방법을 활용한 산업 부가가치율 예측 연구
Prediction on the Ratio of Added Value in Industry Using Forecasting Combination based on Machine Learning Method 원문보기

한국콘텐츠학회논문지 = The Journal of the Korea Contents Association, v.20 no.12, 2020년, pp.49 - 57

김정우 (강릉원주대학교 경제학과)

초록
AI-Helper

본 연구는 우리나라 수출 분야 산업의 경쟁력을 나타내는 부가가치율을 다양한 머신러닝 기법을 활용하여 예측하였다. 아울러, 예측의 정확성 및 안정성을 높이기 위하여 머신러닝 기법 예측값들에 예측조합 기법을 적용하였다. 특히, 본 연구는 산업별 부가가치율에 영향을 주는 다양한 변수를 고려하기 위하여 재귀적특성제거 방법을 사용하여 주요 변수를 선별한 후 머신러닝 기법에 적용함으로써 예측과정의 효율성을 높였다. 분석결과, 예측조합 방법에 따른 예측값은 머신러닝 기법 예측값들보다 실제의 산업 부가가치율에 근접한 것으로 나타났다. 또한, 머신러닝 기법의 예측값들이 큰 변동성을 보이는 것과 달리 예측조합 기법은 안정적인 예측값을 나타내었다.

Abstract ▼ AI-Helper

This study predicts the ratio of added value, which represents the competitiveness of export industries in South Korea, using various machine learning techniques. To enhance the accuracy and stability of prediction, forecast combination technique was applied to predicted values of machine learning techniques. In particular, this study improved the efficiency of the prediction process by selecting key variables out of many variables using recursive feature elimination method and applying them to machine learning techniques. As a result, it was found that the predicted value by the forecast combination method was closer to the actual value than the predicted values of the machine learning techniques. In addition, the forecast combination method showed stable prediction results unlike volatile predicted values by machine learning techniques.

주제어

AI 본문요약
AI-Helper

문제 정의

본 연구는 상기의 다양한 머신러닝 기법으로 산업별 부가가치율을 예측하고, 더 나아가서 예측조합 기법을 통한 예측 성능이 개선되는지를 알아보고자 하였다. 특히, 부가가치율에 영향을 주는 요소가 다양하다는 점을 고려하여 관측치보다 많은 독립변수를 사용하였으며, 이러한 상황에 적합한 머신러닝 기법들을 사용하였다.
특히, 부가가치율에 영향을 주는 요소가 다양하다는 점을 고려하여 관측치보다 많은 독립변수를 사용하였으며, 이러한 상황에 적합한 머신러닝 기법들을 사용하였다. 본론에서는 자료 전처리 방법과 본 연구에서 사용된 머신러닝 기법 및 예측조합 등에 기술하고, 산업별 부가가치율 예측 결과를 비교, 검토한다. 결론에서는 본 연구의 의의, 향후 연구주제 등이 논의될 것이다.

제안 방법

MSE 기반의 예측조합 기법은 각 예측값들의 예측 오류를 기준으로 가중치를 부여하므로 예측성능이 높은 예측기법에 높은 가중치를 부여할 수 있으며, 각 예측 기법의 MSE를 개별적으로 고려하므로 회귀방식의 가중치 부여 방법보다 이상치에 덜 민감할 수 있다. 따라서, 본 연구에서는 각 예측기법의 예측값들의 MSE에 반비례하는 가중치를 부여하는 방식을 사용하기로 한 다.
본 연구에서는 다양한 머신러닝 기법으로 우리나라의 주요 수출분야인 반도체, 통신기기, 자동차, 조선업의 부가가치율을 예측하여 각 기법들의 예측 성능을 비교해보았다.
우선, 주어진 관측치수보다 많은 변수를 고려하여 RFE로 자료들을 전처리하여 주요 변수들을 선별하였다. 선별된 변수를 사용하여 6개의 머신러닝 기법을 적용하여 각 예측값을 도출하였으며, 이 예측값들에 예측조합 기법을 적용하여 각 산업별 부가가치율을 예측하였다. 예측에 사용된 기간은 2005년부터 2017년까지이며 이 기간의 자료를 토대로 2013년부터 2018년까지의 예측값들을 구하여 각 머신러닝 기법과 예측조합 기법의 예측결과들을 산출하였다.
아울러, 많은 실용적 문제에서 직면하는 독립변수 개수보다 적은 관측치가 주어지는 상황을 고려하여 재귀적 특성제거 기법으로 자료 전처리를 수행하였다. 이에 따라 각 산업별 또는 연도별로 부가가치율에 영향을 주는 중요한 변수들을 알아볼 수 있었다.
그러므로, 상이한 예측값들을 조합할수록 예측조합의 장점이 극대화된다고 볼 수 있다. 이에 따 라, 본 연구에서는 머신러닝 기법 중 정규화 방식, 데이터의 일부만을 사용하는 방식, 딥러닝 방식의 머신러닝 기법들을 예측조합 기법에 포함하였다.
그러므로 서로 다른 접근방식의 예측기법들을 예측조합 기법에 포함하여 예측기법들 간의 분산을 낮추어 예측성능을 개선하는 전략이 절충적 방안이 될 수 있다. 이에 따라 본 연구에서는 상기 언급한 바와 같이 정규화 방식, 데이터의 일부를 사용하는 방식, 딥러닝 방식의 머신러닝 기 법들을 예측조합 기법에 포함하여 예측조합 기법의 장점을 최대화하고자 하였다.
이에 따라, 주어진 데이터를 가지고 회귀분석 등을 시도하게 되면 과소결정(Underdetermined) 문제에 귀착하게 된다. 이에 따라, 본 연구는 변수 선별 을 위한 자료 전처리 및 적절한 머신러닝 기법을 사용하여 산업별 부가가치율의 원활한 예측을 도모하였다.
전처리된 자료를 활용하여 머신러닝 기법을 통한 예 측값들을 예측조합 기법에 적용하여 예측 성능의 개선 여부를 검증해보았다. 예측조합 기법은 여러 가지 예측 값들을 적절하게 조합하여 새로운 예측값들을 도출하는 방식이다.
본 연구는 상기의 다양한 머신러닝 기법으로 산업별 부가가치율을 예측하고, 더 나아가서 예측조합 기법을 통한 예측 성능이 개선되는지를 알아보고자 하였다. 특히, 부가가치율에 영향을 주는 요소가 다양하다는 점을 고려하여 관측치보다 많은 독립변수를 사용하였으며, 이러한 상황에 적합한 머신러닝 기법들을 사용하였다. 본론에서는 자료 전처리 방법과 본 연구에서 사용된 머신러닝 기법 및 예측조합 등에 기술하고, 산업별 부가가치율 예측 결과를 비교, 검토한다.

대상 데이터

본 연구에서 쓰인 관측치 개수는 2005년부터 2018 년까지 총 14개로 독립변수의 개수보다 적으므로 예측 값들의 분산이 클 수가 있다. 예측조합 기법을 사용하면 다수의 예측값들을 적절히 조합하여 최종 예측값을 도출함으로써 이러한 문제를 완화할 수 있다.
본 연구에서는 산업별 부가가치율을 예측하기 위하여 필요한 26개의 독립변수가 사용되었다. 부가가치는 총생산물에서 원재료, 감가상각 등을 제외한 것으로 기본적으로 생산요소에 분배되는 소득과 같다.
선별된 변수를 사용하여 6개의 머신러닝 기법을 적용하여 각 예측값을 도출하였으며, 이 예측값들에 예측조합 기법을 적용하여 각 산업별 부가가치율을 예측하였다. 예측에 사용된 기간은 2005년부터 2017년까지이며 이 기간의 자료를 토대로 2013년부터 2018년까지의 예측값들을 구하여 각 머신러닝 기법과 예측조합 기법의 예측결과들을 산출하였다.
총 관측치수는 국민계정을 측정하는 기준연도인 2005년부터 2018년까지 총 14개로, 고려되는 독립변수의 개수보다 적다. 이에 따라, 주어진 데이터를 가지고 회귀분석 등을 시도하게 되면 과소결정(Underdetermined) 문제에 귀착하게 된다.

데이터처리

아울러, 각 기법들의 예측성능을 보다 정확하게 비교하기 위하여 예측오차의 평균절대비오차(Mean Absolute Percentage Error, MAPE)를 구하였다. MAPE의 수식은 다음과 같다.

이론/모형

본 연구에서 사용된 예측조합 기법은 MSE 기반의 가중치 평균을 사용한 방식이다. 이 예측조합 방식은 예측 오류가 적은 예측 기법들에 큰 가중치를 부여하는 방식으로 기존의 동일 가중치 부여방식이나 회귀분석 방식의 가중치 부여방식보다 예측의 정확성과 안정성이 높다고 할 수 있다.

성능/효과

아울러, 이전의 예측값들을 어느 정도로 사용해야 하는지가 쟁점이 될 수가 있다. 데이터의 종속변수가 불규칙한 추세를 보인다면, 비교적 최근의 예측값들만을 고려한 예측조합 기법을 사용하는 것이 유리할 수 있다. 하지만, 이러한 경우 예측 결과의 분산이 커져서 불안정한 예측이 될 수 있는 단점이 있다.
본 연구에서 사용된 예측조합 기법은 MSE 기반의 가중치 평균을 사용한 방식이다. 이 예측조합 방식은 예측 오류가 적은 예측 기법들에 큰 가중치를 부여하는 방식으로 기존의 동일 가중치 부여방식이나 회귀분석 방식의 가중치 부여방식보다 예측의 정확성과 안정성이 높다고 할 수 있다.
반면에, 예측조합에 의한 예측값은 대부분 부가가치율에 근접한 모습을 보여주고 있으며, 특히 분산이 적은 것으로 관찰된다. 이것은 예측조합 기법이 다양한 머신러닝 기법의 가중치 평균이라는 점에 기인하는 것으로, 안정적인 예측값을 얻는데 예측조합 기법 을 사용하는 것이 유리하다는 것을 보여준다고 하겠다.
아울러, 많은 실용적 문제에서 직면하는 독립변수 개수보다 적은 관측치가 주어지는 상황을 고려하여 재귀적 특성제거 기법으로 자료 전처리를 수행하였다. 이에 따라 각 산업별 또는 연도별로 부가가치율에 영향을 주는 중요한 변수들을 알아볼 수 있었다.

후속연구

하지만, 이러한 경우 예측 결과의 분산이 커져서 불안정한 예측이 될 수 있는 단점이 있다. 즉, 예측조합 기법에서도 편항-분산 트레이드 오프(Bias-variance tradeoff) 문제가 개입되므로, 예측조합 기법에 사용되는 예측값들의 범위를 데이터의 추세에 따라 결정하는 새로운 방법이 향후 연구에서 요구된다.

참고문헌 (13)

J. M. Bates and C. W. J. Granger, "The Combination of Forecasts," Journal of the Operational Research Society, Vol.20, No.4, pp.451-468, 1969.

상세보기
배성완, 유정석, "머신 러닝 방법과 시계열 분석 모형을 이용한 부동산 가격지수 예측," 주택연구, 제26권, pp.107-133, 2018.
오세경, 최정원, 장재원, "빅데이터를 이용한 딥러닝 기반의 기업 부도예측 연구," KIF working paper, 제8호, pp.1-113, 2017.
이준혁, 김갑조, 박상성, 장동식, "PCA 를 활용한 기업 실적 예측변수 생성," Journal of Korean Institute of Intelligent Systems, 제25권, 제2호, pp.191-196, 2015.

원문보기 상세보기
D. Guegan and P. Rakotomarolahy, "The multivariate k-nearest neighbor model for dependent variables: one-sided estimation and forecasting," Documents de travail du Centre d'Economie de la Sorbonne 09050, Universite Pantheon-Sorbonne (Paris 1), Centre d'Economie de la Sorbonne, 2009.
L. Ferrara, D. Guegan, and P. Rakotomarolahy, "GDP nowcasting with ragged-edge data: a semi-parametric modeling," Journal of Forecasting, Vol.29, No.1-2, pp.186-199, 2010.

상세보기
송상윤, "예대금리차 결정요인 모형의 예측력 비교 연구-Ridge, LASSO 및 Elastic Net 방법론을 중심으로," 금융지식연구, 제13권, 제3호, pp.41-65, 2015.
N. Fokin and A. Polbin, "Forecasting Russia's Key Macroeconomic Indicators with the VAR-LASSO Model," Russian Journal of Money and Finance, Vol.78, No.2, pp.67-93, 2019.
I. Guyon, J. Weston, S. Barnhill, and V. Vapnik, "Gene selection for cancer classification using support vector machines," Machine learning, Vol.46, No.1-3, pp.389-422, 2002.
K. E. Rao and G. A. Rao, "Ensemble learning with recursive feature elimination integrated software effort estimation: a novel approach," EVolutionary Intelligence, pp.1-12, 2020.
T. Hastie, R. Tibshirani, and J. Friedman, "The elements of statistical learning: data mining, inference, and prediction," Springer Science & Business Media, p.38, 2009.
R. T. Clemen, "Combining forecasts: A review and annotated bibliography," International journal of forecasting, Vol.5, No.4, pp.559-583, 1989.

상세보기
C. W. Granger and R. Ramanathan, "Improved methods of combining forecasts," Journal of forecasting, Vol.3, No.2, pp.197-204, 1984.

상세보기

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