$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

릿지 회귀와 라쏘 회귀 모형에 의한 부산 전략산업의 지역경제 효과에 대한 머신러닝 예측
Machine Learning Prediction of Economic Effects of Busan's Strategic Industry through Ridge Regression and Lasso Regression 원문보기

한국항만경제학회지 = Journal of Korea Port Economic Association, v.37 no.1, 2021년, pp.197 - 215  

이재득 (부산대학교 무역학부)

초록
AI-Helper 아이콘AI-Helper

본 연구는 규제항을 도입한 릿지 회귀분석과 라쏘 회귀분석을 사용하여 부산 전략산업의 지역경제에 미치는 효과를 특히 고용과 소득에 대한 영향을 중심으로 머신러닝 기법으로 예측하고 분석하였다. 주요 연구결과는 다음과 같다. 첫째, 고용에 대한 전략산업들의 영향을 릿지 회귀모형과 라쏘 회귀모형으로 추정해보면, 전략산업 가운데 서비스플랫폼, 콘텐츠, 스마트금융산업으로 이루어진 지능정보서비스 산업과 MICE, 특화관광으로 구성된 글로벌관광산업의 순으로 고용을 증가시키는데 기여하고 있다. 둘째, 릿지 회귀모형과 라쏘 회귀모형에 의하면 초기투자 단계인 자율주행차, 항공, 드론 산업으로 이루어진 미래수송기기산업은 고용과 소득을 유의하게 증가시키지 않는 것으로 나타났다. 셋째, 전략산업의 소득에 대한 릿지 회귀모형의 추정계수들을 보면, 지능정보서비스산업과 글로벌관광산업의 순으로 부산지역의 소득을 증가시키고 있다. 넷째, 라쏘 회귀모형에서 라이프케어, 스마트해양, 지능형기계, 클린테크산업 등 4개의 전략산업들은 소득에 유의한 영향을 주고 있지 않는 반면, 지능정보서비스산업과 글로벌관광산업 등 2개의 전략산업들은 소득을 증가시키고 있으나, 장기 투자 산업인 미래수송기기산업은 현재 지역경제와 소득에 부의 영향을 줄 수 있는 것으로 나타났다. 그리하여 전략산업을 선정하고 육성하는데 있어, 부산지역 경제목표와 정책 우선순위를 먼저 설정할 필요가 있다는 점을 시사한다.

Abstract ▼ AI-Helper 아이콘AI-Helper

This paper analyzes the machine learning predictions of the economic effects of Busan's strategic industries on the employment and income using the Ridge Regression and Lasso Regression models with regulation terms. According to the Ridge estimation and Lasso estimation models of employment, the int...

주제어

#전략산업   #릿지 회귀모형   #라쏘 회귀모형   #소득과 고용  

참고문헌 (19)

  1. 박기영.고정원 (2019), 머신러닝을 이용한 경제분석, 한국경제학보, 제 26권 제 2호, pp.367-408. 

  2. 이재득.윤진영(2018), 부산지역 신성장산업의 경쟁력 분석, 한국은행 부산본부. 

  3. 이재득.이영우(2020), 인공지능 시대 머신러닝 분석을 이용한 부산지역 경제예측과 전략산업, 한국은행 부산본부. 

  4. Acemoglu, Daron, and Pascual Restrepo (2019), "Robots and Jobs: Evidence from US Labor Markets," Journal of Political Economy, 

  5. Agrawal, Ajay, Joshua Gans, and Avi Goldfarb (2018), Prediction Machines: The Simple Economics of Artificial Intelligence, Harvard Business Review Press. 

  6. Athey, Susan (2017), "Beyond Prediction: Using Big Data for Policy Problems," Science, 355(6324), February 3, 483-485. 

    상세보기 crossref

  7. Athey, Susan (2019), "The Impact of Machine Learning on Economics,"In The Economics of Artificial Intelligence: An Agenda, 1 edition., 507-547, National Bureau of Economic Research Conference Report, University of Chicago Press. 

  8. Chakraborty, C. and A. Joseph (2017), "Machine Learning at Central Banks," Bank of Eng-land Staff Working Paper, No. 674. 

  9. Chalfin, Aaron, Oren Danieli, Andrew Hillis, Zubin Jelveh, Michael Luca, Jens Ludwig, and Sendhil Mullainathan (2016), "Productivity and Selection of Human Capital with Machine Learning,"American Economic Review, 106(5), May, 124-127. 

    상세보기 crossref

  10. Ding, M. J., Zhang, S. Z., Zhong, H. D., Wu, Y. H., & Zhang, L. B. (2019). "A Prediction Model of the Sum of Container Based on Combined BP Neural Network and SVM", Journal of Information Processing Systems, Vol. 15, No. 2, pp.305-319. 

    원문보기 상세보기 crossref

  11. Jean, N., M. Burke, M. Xie, W. M. Davis, D. B. Lobell, and S. Ermon (2016), "Combining Satellite Imagery and Machine Learning to Predict Poverty," Science, 353(6301), August 19, 790-794. 

    상세보기 crossref

  12. Kim, S., (2020), " Macroeconomic and Financial Market Analyses and Predictions through Deep Learning, BOK Working Paper No. 2020-18, Bank of Korea, 

  13. Lopez de Prado, M. (2018), Advances in Financial Machine Learning, New York, NY, USA: Wiley. 

  14. Mullainathan, Sendhil, and Jann Spiess (2017), "Machine Learning: An Applied Econometric Approach," Journal of Economic Perspectives, 31(2), May, 87-106. 

    상세보기 crossref

  15. Naecker, Jeffrey, and Alexander Peysakhovich (2017), "Using Methods from Machine Learning to Evaluate Behavioral Models of Choice under Risk and Ambiguity", Journal of Economic Behavior & Organization, 133, January, 373-384. 

    상세보기 crossref

  16. Schapire, Robert E., and Yoav Freund (2014), Boosting: Foundations and Algorithms, Adaptive Computation and Machine Learning Series, The MIT Press. 

  17. Schlkopf, Bernhard, and Alexander J. Smola (2001), Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond, 1 edition. Adaptive Computation and Machine Learning Series, The MIT Press. 

  18. Tibshirani, Robert (1996), "Regression Shrinkage and Selection Via the Lasso," Journal of the Royal Statistical Society: Series B (Methodological), 58(1), January, 267-288. 

    상세보기 crossref

  19. Zou, Hui, and Trevor Hastie (2005), "Regularization and Variable Selection via the Elastic Net," Journal of the Royal Statistical Society: Series B (Statistical Methodology), 67(2), April, 301-320. 

    상세보기 crossref

관련 콘텐츠

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로