[논문]머신러닝을 이용한 정부통계지표가 소매업 매출액에 미치는 예측 변인 탐색: 약국을 중심으로

이광수

doi:10.7472/jksii.2022.23.3.125

[국내논문] 머신러닝을 이용한 정부통계지표가 소매업 매출액에 미치는 예측 변인 탐색: 약국을 중심으로
Exploring the Predictive Variables of Government Statistical Indicators on Retail sales Using Machine Learning: Focusing on Pharmacy 원문보기

Journal of Internet Computing and Services = 인터넷정보학회논문지, v.23 no.3, 2022년, pp.125 - 135

이광수 (Department of Computer Education, Sungkyunkwan University)

초록
AI-Helper

본 연구는 데이터, 네트워크, 인공지능을 기반으로 산업 생태계 조성을 위해 구축된 정부통계지표가 약국 매출액에 영향을 미치는지 머신러닝을 이용하여 변인을 탐색하고 약국 매출액 예측에 적합한 분석 기법을 제공하고자 한다. 이에, 본 연구는 28개 정부통계지표와 소매업종인 약국을 대상으로 2016년 1월부터 2021년 12월까지의 분석 데이터를 활용하여 머신러닝 기법인 랜덤 포레스트, XGBoost, LightGBM, CatBoost을 통해 예측 변인 및 성능을 탐색하였다. 분석결과 경기관련 지표인 경제심리지수, 경기동행지수순환변동치, 소비자심리지수는 약국 매출액에 영향을 미치는 중요한 변인으로 나타났고, 회귀성능은 지표 MAE, MSE, RMSE를 살펴본 결과 랜덤 포레스트가 XGBoost, LightGBM, CatBoost 보다 성능이 가장 우수하게 나타났다. 이에, 본 연구는 머신러닝 결과를 토대로 약국 매출액에 영향을 미치는 변인과 최적의 머신러닝 기법을 제시하였으며, 여러 시사점과 후속연구를 제안하였다.

Abstract ▼ AI-Helper

This study aims to explore variables using machine learning and provide analysis techniques suitable for predicting pharmacy sales whether government statistical indicators built to create an industrial ecosystem based on data, network, and artificial intelligence affect pharmacy sales. Therefore, this study explored predictive variables and performance through machine learning techniques such as Random Forest, XGBoost, LightGBM, and CatBoost using analysis data from January 2016 to December 2021 for 28 government statistical indicators and pharmacies in the retail sector. As a result of the analysis, economic sentiment index, economic accompanying index circulation change, and consumer sentiment index, which are economic indicators, were found to be important variables affecting pharmacy sales. As a result of examining the indicators MAE, MSE, and RMSE for regression performance, random forests showed the best performance than XGBoost, LightGBM, and CatBoost. Therefore, this study presented variables and optimal machine learning techniques that affect pharmacy sales based on machine learning results, and proposed several implications and follow-up studies.

Keyword

표/그림 (15)

표 (표 1) 주요 통계지표 (Table 1) Major statistical indicators
그림 (그림 1) 랜덤 포레스트 변수 중요도 (Figure 1) RandomForest feature importance
표 (표 2) 분석 모형 패키지 (Table 2) Analysis model package
그림 (그림 2) XGBoost 변수 중요도 (Figure 2) XGBoost feature importance
그림 (그림 3) LightGBM 변수 중요도 (Figure 3) LightGBM feature importance
표 (표 3) 랜덤 포레스트 상위 5개 변수 (Table 3) RandomForest Top 5 variables
표 (표 4) XGBoost 상위 5개 변수 (Table 4) XGBoost Top 5 variables
그림 (그림 4) CatBoost 변수 중요도 (Figure 4) CatBoost feature importance
표 (표 5) LightGBM 상위 5개 변수 (Table 5) LightGBM Top 5 variables
표 (표 6) CatBoost 상위 5개 변수 (Table 6) CatBoost Top 5 variables
표 (표 7) 공통변수 빈도 결과 (Table 7) Common Variable Frequency Results
그림 (그림 5) 제조업가동률지수와 매출액 관계 (Figure 5) Relationship between manufacturing operation rate index and sales
그림 (그림 6) 랜덤 포레스트 상위 4개 변수와 매출액 관계 (Figure 6) Relationship between the Top 4 variables and sales of random forest
표 (표 8) 머신러닝별 회귀분석 결과 (Table 8) Regression analysis results by machine learning
그림 (그림 7) 매출액 추이분석 (Figure 7) Sales trend analysis

AI 본문요약
AI-Helper

문제 정의

이에, 본 연구는 정부에서 발표 및 관리하고 있는 사회· 경제관련 지표들이 소매업에 영향을 미치는지를 탐색하고자 한다
머신러닝 분석을 통해 사회·경제관련 정부통계지표 중 어떤 지표가 약국 매출액에 가장 영향을 미치는 변수인지 탐색하고, 각 머신러닝 기법 간의 성능을 비교함으로써 약국 매출액 예측에 적합한 머신러닝 기법을 제안하고자 한다.
이에, 본 연구는 통계청 e-나라지표와 한국은행 경제통계 시스템에서 제공하는 통계 지표를 활용하여 정부통계지표가 소매업종인 약국 매출액에 영향을 미치는 예측 변인을 탐색하고자 머신러닝의 앙상블 기법인 랜덤 포레스트, XGBoost, LightGBM, CatBoost을 적용하여 분석 데이터 특성에 맞는 최적의 머신러닝 기법을 제시하고, 약국 매출액에 영향을 미치는 주요 예측변수가 무엇인지를 탐색 및 제안하고자 한다.
본 연구는 4차 산업혁명으로 인해 인공지능, 사물인터넷, 빅데이터 등이 정보통신기술과 융합되고 데이터, 네트워크, 인공지능을 기반으로 산업 생태계 조성을 하고있는 상황에서 각 중앙행정기관에서 관리하고 있는 지표와 민간의 통계자료 등을 토대로 만들어진 정부통계지표가 소매업에 영향을 미치는 예측 변인을 탐색하고 모형 간의 예측 결과를 비교·분석하여 최적의 머신러닝 기법을 제시하는 것이다.

제안 방법

이를 위해 전통적인 통계 기법이 아닌 최근 화두가 되고 있는 머신러닝을 통해 분석을 실시하였으며, 분석데이터로는 사회·경제관련 정부통계지표를 활용하기 위해통계청 e-나라지표와 한국은행 경제통계시스템에서 제공하는 통계 지표 28개를 독립변수로 사용하였고, 종속변수로는 소매업종인 약국의 매출액을 사용하였다.
Kim and Kim(2019)는 전통적인 사회과학 연구에서 분석모형이나 변수들이 제한적이어서 중요한 변수를 간과하는 문제점을 개선하기 위해 머신러닝 기법인 랜덤 포레스트, 나이브 베이즈 분류 모형, 서포트 벡터머신, 인공신경망 모형을 사용하여 고등학생의 사교육 참여를 예측하는 주요 변수들을 제시하고, 모형간의 예측성과를 비교·분석하였다. 사용된 변수는 학생, 가구 대상으로 학교생활, 가정생활, 여가생활, 교육환경, 문화환경 등의 범주로 구성된 250개 변수를 사용하였고, 분석결과 정확도 예측성과에서 랜덤 포레스트가 다른 머신러닝 기법보다 가장 좋게 나타났으며, 사교육 참여를 예측하는 주요 변수는 각 머신러닝별로 다르게 나타났다. 이는 머신러닝 기법에 따라 분석 결과가 달라질 수 있고, 같은 모형이더라도 분석 옵션에 따라 분석 결과가 다르게 나타날 수 있다는 것을 제시하는 것으로 전통적인 사회과학 연구에서 중요한 변수를 간과하는 문제점을 개선할 수 있는 새로운 연구 방법을 제시하였다[6].
본 연구는 통계청 e-나라지표와 한국은행 경제통계 시스템에서 제공하는 통계 지표를 활용하여 정부통계지표가 소매업종 중 약국 매출액에 영향을 미치는 예측 변인을 탐색하기 위해 월별 통계 지표인 물가관련 지표 4개, 경기관련 지표 6개, 고용관련 지표 4개, 산업활동 관련 지표 5개, 금리관련 지표 3개, 증권관련 지표 2개, 통화 관련 지표 2개, 기타 지표 2개로 총 28개 지표를 독립변수로 선정하였다. 표 1은 분석대상 주요 통계지표를 나타낸 것이다.
분석 절차는 데이터 전처리, 데이터 매칭, 데이터 분석, 데이터 평가 단계로 진행하였다. 데이터 전처리 단계에서는 독립변수와 종속변수의 데이터 특성을 분석한 결과 데이터 제공기준 및 기간이 상이하였다.
데이터 전처리 단계에서는 독립변수와 종속변수의 데이터 특성을 분석한 결과 데이터 제공기준 및 기간이 상이하였다. 데이터 제공기준은 독립변수 28개 정부통계지표에서 월별 데이터로 제공하고 있고, 종속변수 약국 매출액은 일별 데이터로 제공하고 있어, 데이터 제공기준을 통일하기 위해 종속변수인 일별 약국 매출액을 월별로 집계 처리하여 월별데이터로 변환하였다. 더불어 데이터 제공기간은 독립변수와 종속변수 데이터가 공통적으로 존재하는 기간인 2016년 1월부터 2021년 12월까지를 데이터 제공 기간으로 통일하였다.
이러한 연구목적을 위해 분석 데이터로 통계청 e-나라 지표와 한국은행 경제통계시스템에서 제공하고 있는 28 개 정부통계지표와 소매업종인 약국 매출액을 사용하였으며, 분석에 앞서 통계적 매칭 방법인 비 모수매칭을 적용하여 28개 정부통계지표와 약국 매출액 데이터를 결합하였다.
첫째, 연구를 위한 분석 데이터의 범위를 확대·적용하였다. 전통적인 통계기법은 단일 주제의 데이터를 기반으로 실증분석 및 인과관계를 제시하였으나, 본 연구는 여러 주제의 데이터 세트 즉 물가, 경기, 고용, 금리 관련 데이터 세트를 통합하여 머신러닝 분석을 통해 연구 목적에 맞는 새로운 변수를 찾아내는 탐색적 연구를 수행하였다.
머신러닝을 이용한 기존 연구들은 대부분 랜덤 포레스트, KNN, 서포트 벡터 머신, 인공신경망 등을 이용하여 분석하였으나, 본 연구는 기존 앙상블 기법인 랜덤 포레스트 외에 최근 주목받고 있는 앙상블 기법인 XGBoost, LightGBM, CatBoost를 적용하여 데이터를 비교·분석하고 데이터 특성에 맞는 최적의 머신러닝 기법을 제시하였다.
정부통계지표들은 각 영역별로 관리 및 작성 기준에 의해 산출되고 있으나, 산출된 지표들이 사회·경제적으로 다른 영역에 영향을 미치는지 실증 분석한 연구들은 미흡한 실정이다. 이에 본 연구는 물가, 경기, 고용, 금리관련 28개 정부통계지표와 소매업종인 약국 매출액과의 관계를 머신러닝으로 분석하여, 가장 영향력 있는 정부통계지표를 도출하였다.

대상 데이터

Lee and Kim(2019)는 장애인의 취업을 예측하는데 영향을 미치는 변수를 탐색하기 위해 머신러닝 기법인 랜덤 포레스트를 사용하였다. 사용된 변수는 한국장애인고용공단 고용개발원의 장애인고용패널조사 데이터를 기반으로 취업을 위한 노력과 지원, 직업적 능력, 취업 태도와 환경 등으로 구성된 179개 변수를 사용하였고, 분석 결과 변수 중요도는 1차 연도 조사 당시 기존 일자리의 종사상 지위, 업무경력, 전반적인 건강상태, 2016년 가구소득 총계 순으로 나타났다. 분석 결과를 기반으로 장애인의 취업지원 대책을 수립함에 있어 정책 대상 및 내용에 차별화가 이루어질 필요가 있음을 제시하였다[2].
사용된 변수는 한국청소년정책연구원의 한국아동·청소년패널조사 데이터를 기반으로 학생 변수, 보호자변수로 구성된 320개 변수를 사용하였고, 분석결과 정확도 예측성과가 그레디언트 부스팅이 가장 좋게 나타났으며, 변수 중요도는 학생변수 중 우울과 관련된 문항인 장래가 희망적이지 않은 것 같다가 중요도 지수가 가장 높았으며, 여가시간, SNS이용, 창의적 성격의 변수가 새롭게 도출되었다
(2019)는 전통적인 회귀분석 시 한정된 변수만을 사용하는 문제점을 개선하고 대학 수시 입학에 영향을 미치는 요인을 탐색하기 위해 머신러닝 기법인 랜덤 포레스트를 사용하였다. 사용된 변수는 한국직업능력개발원 한국교육고용패널 데이터를 기반으로 학교관련, 가정생활, 여가생활, 재학 중 근로경험 등으로 구성된 424개 변수를 사용하였고, 분석결과 변수 중요도는 학교의 서울4년제 대학 진학자수, 수리등급, 언어등급, 외국어 등급, 지방전문대학진학자수 순으로 나타났다. 분석 결과를 기반으로 부모의 사회경제적 배경, 학생의 가정 배경이 대학 수시 입학에 영향을 미치는 요인이 될 수 있지만 우선 순위에 있어 학교유형, 학업 분위기, 학교 규모 등 학교 특성의 영향력이 훨씬 큰 것으로 나타나 향후 수시 전형의 개선을 위한 정책적 우선순위의 방향성을 제시하였다[3].
Cho and Lee(2020)은 수도권 서·남부 지역의 청소년을 대상으로 청소년의 디지털 성범죄 중 유포 및 소비형 가해행위와 관련된 예측 요인을 분석하기 위해 머신러닝 기법인 랜덤 포레스트를 사용하였다. 사용된 변수는 콘텐츠 판매, 구입, 업로드 별로 가출, 온라인도박, 음주, 흡연, 성매매, 성인방송 등 20개 변수를 사용하였으며, 분석 결과 판매와 구입 행위에서는 가출, 온라인 도박, 음주, 흡연이 높은 변수 중요도를 보였고, 업로드 행위에서는 성매매, 성인방송, 온라인 도박, 가출이 높은 변수 중요도를 보였다. 분석 결과를 기반으로 세부 디지털 성범죄 가해행위마다 개별화된 접근 방식의 필요성을 제시하였다[4].
(2021)는 기존 재범위험요인을 평가하는 방법인 전통적 통계기법에서 나아가 새로운 통계적 분석 방향을 제시하기 위해 머신러닝 기법인 의사결정나무, 랜덤 포레스트를 사용하여 재범위험요인 변수 중 재범에 영향을 주는 주요 변수들을 제시하고, 예측성과를 비교· 분석하였다. 사용된 변수는 성범죄 전자감독 248명을 대상으로 범죄와 관련된 55개 변수를 사용하였고, 분석 결과 정확도 예측성과에서 랜덤 포레스트가 가장 좋게 나타났으며, 변수 중요도는 각 머신러닝 기법 모두에서 감독 기간 내 문제행동 여부 변수가 가장 영향력이 있는 것으로 나타났다. 분석 결과를 기반으로 진화하는 범죄만큼이나 재범위험요인 평가방법의 새로운 통계적 분석 방향을 제시하였다[9].
표 1은 분석대상 주요 통계지표를 나타낸 것이다. 종속변수로는 2016년 1월부터 2021년 12월까지 약국의 매출 데이터 86, 203건을 사용하였다.

데이터처리

데이터 평가 단계에서는 회귀 성능을 평가하는 지표인 MSE(Mean Squared Error)와 RMSE(Root Mean Squared Error), MAE(Mean Absolute Error)를 사용하여 실제 값과 예측 값의 차이를 회귀 성능 지표별로 도출하여 머신러닝별로 비교·분석하였다.
데이터 분석 단계에서는 머신러닝을 위해 독립변수와 종속변수의 값 범위를 일정한 수준으로 맞추는 작업인 피처 스케일링을 위해 모든 변수를 정규분포 형태로 만들기 위해서 로그 값으로 변환하였으며, 머신러닝 분야의 앙상블 기법인 랜덤 포레스트, XGBoost, LightGBM, CatBoost을 적용하여 약국 매출액에 영향을 미치는 예측 변인 추정 및 머신러닝 기법 간의 성능을 비교하기 위해 회귀 분석을 실시하였다.
보통 시계열 데이터는 과거 데이터를 학습 데이터로 훈련하고 최근 데이터를 시험 데이터로 성능평가를 하지만 고정된 시험 데이터로 회귀 성능을 검증 및 수정과정을 반복하면 시험 데이터에 과적합되는 문제점이 있다. 이런 문제점을 방지하기 위해 교차검증을 실시한 후, 각 머신러닝별로 회귀분석을 실시하였다. 교차검증은 학습 데이터를 별도의 여러 셋으로 구성된 학습 데이터와 검증 데이터로 셋으로 구성하고 학습과 평가를 수행하여 데이터의 편중을 방지한다.
회귀분석을 실시 한 후 머신러닝별로 독립변수들이 종속변수에 얼마만큼 영향을 주는가를 수치로 나타낸 변수 중요도와 실제값과 예측값의 차이를 절대값으로 변환해 평균한 MAE, 실제값과 예측값의 차이를 제곱해 평균한 MSE, MSE 값은 오류의 제곱을 구하므로 실제 오류 평균보다 더 커지는 특성이 있으므로 MSE에 루트를 씌운 RMSE를 도출하였다[14]. 즉, MAE, MSE, RMSE는 수치가 0으로 가까워지고, 작을수록 높은 예측 성능을 나타낸다.
데이터 분석은 머신러닝의 앙상블 기법인 랜덤 포레스트, XGBoost, LightGBM, CatBoost를 사용하여 약국 매출액에 영향을 미치는 예측 변인과 회귀성능 평가지표인 MAE, MSE, RMSE를 도출하여 머신러닝별로 비교·분석하였다.

이론/모형

Lee and Kim(2019)는 장애인의 취업을 예측하는데 영향을 미치는 변수를 탐색하기 위해 머신러닝 기법인 랜덤 포레스트를 사용하였다. 사용된 변수는 한국장애인고용공단 고용개발원의 장애인고용패널조사 데이터를 기반으로 취업을 위한 노력과 지원, 직업적 능력, 취업 태도와 환경 등으로 구성된 179개 변수를 사용하였고, 분석 결과 변수 중요도는 1차 연도 조사 당시 기존 일자리의 종사상 지위, 업무경력, 전반적인 건강상태, 2016년 가구소득 총계 순으로 나타났다.
데이터 매칭 단계에서는 28개 독립변수와 종속변수를 결합하기 위해 데이터 특성을 분석한 결과 고유 식별번호는 없고, 공통변수만 존재하기 때문에 데이터 매칭 방법 중 통계적 매칭 방법인 비 모수 매칭을 활용하여 데이터를 결합하였다[11-13].
본 연구는 머신러닝 분석을 위하여 파이션(version 3.9.7)을 이용하였으며, 회귀분석을 위해 머신러닝 앙상블 기법인 랜덤 포레스트, XGBoost, LightGBM, CatBoost 별로 표 2와 같이 분석 모형에 따른 패키지를 사용하였다.
둘째, 새로운 통계적 분석 방법을 확대하여 머신 러닝 앙상블 기법인 XGBoost, LightGBM, CatBoost를 적용하였다. 머신러닝을 이용한 기존 연구들은 대부분 랜덤 포레스트, KNN, 서포트 벡터 머신, 인공신경망 등을 이용하여 분석하였으나, 본 연구는 기존 앙상블 기법인 랜덤 포레스트 외에 최근 주목받고 있는 앙상블 기법인 XGBoost, LightGBM, CatBoost를 적용하여 데이터를 비교·분석하고 데이터 특성에 맞는 최적의 머신러닝 기법을 제시하였다.

성능/효과

(2021)는 부동산 시장의 지표가 되는 부동산지수를 대상으로 머신러닝 예측의 적합성과 활용성을 확인하기 위해 머신러닝 기법인 랜덤 포레스트, XGBoost, LSTM를 사용하여 각 머신러닝 모델 간의 지수별 예측력을 비교·분석하였다. 사용된 변수는 한국감정원에서 제공하는 아파트 매매지수, 전세가격지수, 지가지수, 부동산 심리지수를 사용하였고, 분석결과 부동산 모든 지수에서 정확도 예측성과가 LSTM 모델이 가장 좋게 나타났으며, 부동산 지수의 예측은 지수의 주기특성과 데이터 특성에 따라 머신러닝 모델별 예측 정확도 차이가 있다는 것을 제시하였다[10].
랜덤 포레스트, XGBoost, LightGBM, CatBoost별 서로 다르게 나타난 상위 5개 변수 중 공통적으로 도출된 변수를 확인해 본 결과, 4가지 기법 모두에서 나타난 변수는 제조업가동률지수이며, 3가지 기법에서 나타난 변수는 존재하지 않았으며, 2가지 기법에서 나타난 변수는 경제 심리지수, 소상공인체감경기지수, 경기동행지수 순환변동치, 소비자심리지수, 도소매업지수로 나타났다. 표 7는공통변수 빈도 결과와 그림 5는 제조업가동률지수와 매출액과의 관계를 시각화한 것이다.
258로 나타나, 랜덤 포레스트가 XGBoost, LightGBM, CatBoost 보다 회귀 성능이 가장 우수하다고 나타났다. 즉 정부통계지표가 약국 매출액에 영향을 미치는지 예측하는데 있어 랜덤 포레스트가 XGBoost, LightGBM, CatBoost보다 최적의 머신러닝 기법이라고 할 수 있다. 표 8은 머신 러닝별 회귀분석 결과를 나타낸 것이다.
회귀 성능이 가장 우수한 랜덤 포레스트의 변수 중 그림 1에서 상위 3개 변수인 경제심리지수, 경기동행지수 순환변동치, 소비자심리지수는 정부 주요 통계지표인 표 1에서 확인해 본 결과 경기관련 지수에 포함되어 있다는 것을 알 수 있다. 즉 약국 매출액은 정부통계지표 중 물가 관련 지표, 고용관련 지표, 금리관련 지표, 증권관련 지표, 통화관련 지표 보다 경기관련 지표에 가장 영향을 많이 받는 것으로 확인되었다. 그림 6은 랜덤 포레스트 상위 4개 변수인 경제심리지수, 경기동행지수순환변동치, 소비자심리지수, 도소매업지수와 약국 매출액과의 관계를 시각화한 것이다.
결과적으로 랜덤 포레스트의 변수 중요도 상위 5개 변수인 경제심리지수, 경기동행지수순환변동치, 소비자심리지수, 도소매업지수, 제조업가동률지수는 그림 5와 그림 6에서 나타났듯이 약국 매출액에 양의 상관관계를 보여주고 있다.
분석결과 랜덤 포레스트, XGBoost, LightGBM, CatBoost 별로 약국 매출액에 영향을 미치는 상위 5개 변수들이 서로 다르게 나타났으며, 4가지 기법 모두에서 나타난 변수는 제조업가동률지수이며, 3가지 기법에서 나타난 변수는 존재하지 않았으며, 2가지 기법에서 나타난 변수는 경제 심리지수, 소상공인체감경기지수, 경기동행지수 순환변동치, 소비자심리지수, 도소매업지수로 나타났다. 회귀성능 평가결과를 살펴보면 표 8에서 랜덤 포레스트가 XGBoost, LightGBM, CatBoost보다 MAE, MSE, RMSE에서 수치가 가장 적게 나타나, 정부통계지표가 약국 매출액에 영향을 미치는지 예측하는데 있어 최적의 머신러닝 기법이라고 할 수 있다.
분석결과 랜덤 포레스트, XGBoost, LightGBM, CatBoost 별로 약국 매출액에 영향을 미치는 상위 5개 변수들이 서로 다르게 나타났으며, 4가지 기법 모두에서 나타난 변수는 제조업가동률지수이며, 3가지 기법에서 나타난 변수는 존재하지 않았으며, 2가지 기법에서 나타난 변수는 경제 심리지수, 소상공인체감경기지수, 경기동행지수 순환변동치, 소비자심리지수, 도소매업지수로 나타났다. 회귀성능 평가결과를 살펴보면 표 8에서 랜덤 포레스트가 XGBoost, LightGBM, CatBoost보다 MAE, MSE, RMSE에서 수치가 가장 적게 나타나, 정부통계지표가 약국 매출액에 영향을 미치는지 예측하는데 있어 최적의 머신러닝 기법이라고 할 수 있다.
또한 회귀 성능이 가장 우수한 랜덤 포레스트의 변수 중 그림 1에서 상위 3개 변수인 경제심리지수, 경기동행지수 순환변동치, 소비자심리지수는 정부 주요 통계지표인 표 1에서 경기관련 지수로 나타나 약국 매출액은 물가 관련 지표, 고용관련 지표, 금리관련 지표, 증권관련 지표, 통화관련 지표 보다 경기관련 지표에 가장 영향을 많이 받는 것으로 확인되었다.
결과적으로 랜덤 포레스트의 변수 중요도 상위 5개 변수인 경제심리지수, 경기동행지수순환변동치, 소비자심리지수, 도소매업지수, 제조업가동률지수는 약국 매출액과 양의 상관관계를 보여주고 있고, 약국 매출 데이터를 기반으로 추이를 분석한 결과 22년도 하반기부터 경기가 상승할 것으로 예측되었다.
셋째, 약국 매출액에 가장 영향력이 있는 정부통계지표를 제시하였다. 정부통계지표들은 각 영역별로 관리 및 작성 기준에 의해 산출되고 있으나, 산출된 지표들이 사회·경제적으로 다른 영역에 영향을 미치는지 실증 분석한 연구들은 미흡한 실정이다.

후속연구

본 연구는 정부통계지표가 약국 매출액에 미치는 변수 및 데이터 특성에 맞는 최적의 머신러닝 기법을 제시하였으나, 다음과 같은 한계점이 있다. 첫째, 본 연구는 소매업 중 약국에 한정되어 분석한 것으로 모든 소매업으로 연구결과를 일반화하는데 한계가 있다. 둘째, 약국 매출액에 가장 영향력이 있는 정부통계지표를 제시하였으나, 이는 통계청 e-나라지표와 한국은행 경제통계 시스템의 정부통계지표 중 일부분인 28개 지표에 한정되어 분석한 것으로 연구결과를 일반화하는데 한계가 있다.
첫째, 본 연구는 소매업 중 약국에 한정되어 분석한 것으로 모든 소매업으로 연구결과를 일반화하는데 한계가 있다. 둘째, 약국 매출액에 가장 영향력이 있는 정부통계지표를 제시하였으나, 이는 통계청 e-나라지표와 한국은행 경제통계 시스템의 정부통계지표 중 일부분인 28개 지표에 한정되어 분석한 것으로 연구결과를 일반화하는데 한계가 있다. 셋째, 1인 1스마트폰 시대에 정부통계지표 중 모바일을 이용한 지역별 인구 이동량 등에 대한 통계 데이터 부재로 약국 매출액과 인구 이동량에 대한 관계를 분석할 수 없는 한계가 있다.
둘째, 약국 매출액에 가장 영향력이 있는 정부통계지표를 제시하였으나, 이는 통계청 e-나라지표와 한국은행 경제통계 시스템의 정부통계지표 중 일부분인 28개 지표에 한정되어 분석한 것으로 연구결과를 일반화하는데 한계가 있다. 셋째, 1인 1스마트폰 시대에 정부통계지표 중 모바일을 이용한 지역별 인구 이동량 등에 대한 통계 데이터 부재로 약국 매출액과 인구 이동량에 대한 관계를 분석할 수 없는 한계가 있다.
따라서 이런 시사점 및 한계점들을 보완하여 새로운 통계적 분석 방법으로 머신러닝을 이용한 다각도 연구가 필요할 것으로 사료된다.

참고문헌 (15)

D. W. Go, M. S. Choi, Y. B. Yoo, & H. W. Jang, "Exploratory correlation analysis between school variables and high school academic performance using random forest techniques," The Korean Society For The Study Of Education, pp. 149-160, 2018.
K. J. Lee, & Y. S. Kim, "Exploring a Predictive Model for the Employment of Persons with Disabilities Utilizing a Random Forest method: Focusing on the Status and Quality of Employment," Disability & Employment, 29(3), 145-165, 2019. http://dx.doi.org/10.15707/disem.2019.29.3.006
Y. S. Kim, E. J. Lee, & H. H. Joo, "Exploring a predictive variables for the university entrance through Korean-Type Early Decision Programs," Journal of educational studies, 50(4), 233-255, 2019. http://dx.doi.org/10.15854/jes.2019.12.50.4.233

상세보기
C. B. Cho, & H. Lee, "A Predictive Model for Digital Sexual Crime of Adolescents Using Random Forests," The Journal of Humanities and Social science, 11(6), 3127-3141, 2020. http://dx.doi.org/10.22143/HSS21.11.6.219

상세보기
H. K. Jho, "Exploration of Predictive Model for Learning Outcomes of Students in the E-learning Environment by Using Machine Learning," Journal of Learner-Centered Curriculum and Instruction, 18(21), 553-572, 2018. http://dx.doi.org/10.22251/jlcci.2018.18.21.553

상세보기
Y. S. Kim, & H. H. Kim, "An inquiry for the predictive variables on the demand for the private tutoring utilizing machine learning approaches," The Journal of economics and finance of education, 28(3), 29-52, 2019. http://dx.doi.org/10.46967/jefe.2019.28.3.29

상세보기
J. E. Lee, D. S. Kim, & H. I. Jo, "Exploration of Predictive Model for Learning Achievement of Behavior Log Using Machine Learning in Video-based Learning Environment," Journal of Korean Association of Computer Education, 23(2), 53-64, 2020. https://doi.org/10.32431/kace.2020.23.2.006

원문보기 상세보기
S. Y. Park, & H. W. Chung, "Exploring Variables Affecting Career Decision of Middle School Students : An Application of Machine Learning Approaches," Asian Journal of Education, 21(3), 727-753, 2020. http://dx.doi.org/10.15753/aje.2020.09.21.3.727

상세보기
Y. C. Jeong, H. Y. Ryu, S. J. Lee, D. J. Seo, & C. G. Park, "Identification recidivism risk factors study based on machine learning : Using decision tree analysis and random forest algorithm," Korean Police Studies Review, 20(1), 323-350, 2021. https://doi.org/10.38084/2021.20.1.14

상세보기
J. M. Lee, S. H. Park, S. H. Cho, & J. H. Kim, "Comparison of Models to Forecast Real Estates Index Introducing Machine Learning," Journal of the Architectural Institute of Korea, 37(1), 191-199, 2021. https://doi.org/10.5659/JAIK.2021.37.1.191

상세보기
M. A. Oh, "On the Need for Data Linkage in the Health and Welfare Sectors," Health and welfare policy forum, 9, pp.17-28, 2015.
Y. C. Jeong, W. T. Lee, H. Jeong, Y. H. Kim, S. S. Yoo, B. Y. Jeong, Y. S. Oh, M. G. Park, H. Y. Kwon, & H. N. Oh, "A Study on the Innovation Plan of the ICT Statistical Production System in Response to Changes in the Survey Environment(II) General Report," Korea Information Society Development Institute, pp.1-237, 2017.
K. M. An, "Developing a Prediction Model for Firm Innovation and Performance Using Statistical Matching and Machine Learning Ensemble Techniques," Doctoral dissertation, Dongguk University, Seoul, 2021.
C. M. Kwon, "Python Machine Learning Complete Guide," Wikibook, 2020.
G. S. Lee, "Exploring the predictive variables of major economic-related statistical indicators on SME sales using machine learning: Focusing on small and medium-sized businesses in print-related shopping," Journal of Korean Association of Computer Education, 25(3), 79-89, 2022. http://dx.doi.org/10.32431/kace.2022.25.3.007

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

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