기계학습을 이용한 환경상품 수출입 예측모델 연구 = A study on international trade prediction model of environmental products using machine learning
저자
발행사항
대전 : 과학기술연합대학원대학교, 2023
학위논문사항
학위논문(박사)-- 과학기술연합대학원대학교 : 과학기술경영정책(ScienceandTechnologyManagementPolicy) 2023. 2
발행연도
2023
작성언어
한국어
주제어
발행국(도시)
대전
형태사항
179 ; 26 cm
일반주기명
지도교수: 권오진
UCI식별코드
I804:30003-200000665275
소장기관
우리가 살고 있는 현실세계는 다양한 형태로 연결되어 있다. 국가간 상품과 서비스를 교환하는 국제무역도 국가들 간 복잡하게 엮인 네트워크의 집합체이다. 국제무역과 비슷하게 환경문제도 한 국가만이 아닌, 여러 국가가 관여된 복잡한 네크워크다. 특히 급격한 도시화, 산업화 등으로 인한 환경오염은 이산화탄소와 온실가스 배출을 증가시켰고, 이는 지구온난화로 이어져 기후변화를 야기하고 있다. 따라서 복잡한 국제 네트워크 관계에서 한 국가에서 발생한 경제적, 사회적, 환경적 변화가 전 세계로 급속히 확산될 수 있다. 최근 기후변화에 대한 각 국의 관심이 증대되면서 환경상품에 대한 무역협상도 활발히 이루어지고 있다. 환경상품 무역에 대한 데이터 분석은 국가 간 무역장벽을 낮추기 위한 무역협상과 이러한 환경상품을 주로 수출입하는 국가를 식별하는 데 유용할 수 있다. 전통적으로 무역 연구에서는 중력모형으로 무역을 결정하는 설명 변수들을 분석하는 연구들이 주를 이루었다. 인공지능이 대두되며 다방면에서 기계학습을 적용한 연구도 활발히 이루어지고 있지만, 무역분야에서 중력모형을 기계학습에 적용한 연구는 근래에 조금씩 확산되고 있다. 따라서 본 논문은 국제무역에서 점차 중요해지는 환경상품의 수출입 네트워크 구조를 분석하고, 기계학습을 국제무역 데이터에 적용하여 환경상품의 수출입을 예측하는 모델에 대해 새로운 시각을 제시하고자 한다. 본 논문은 IMF에서 분류하고 있는 HS 코드 기준 환경상품에 대해 APEC에서 분류한 환경상품군(class)과 매칭되는 상품을 대상으로 분석을 진행하였다. 연구 대상국가는 국제무역 협상에서 주요한 역할을 하는 국가가 포함된 OECD 38개국과 OECD 회원국은 아니지만 국제무역에서 큰 비중을 차지하는 국가인 중국, 인도, 브라질, 남아프리카공화국, 인도네시아, 러시아를 선정하였다. 기간은 2001년부터 2020년까지 총 20년을 대상으로 네트워크 분석은 5개년(2001~2005년, 2006~2010년, 2011~2015년, 2016~2020년)으로 나누어 분석을 진행하였고, 예측모형은 20년에 대해 환경상품 분야별로 분석하였다. 또한 2001년부터 2010년까지의 데이터를 바탕으로 2020년까지 10년 간의 예측값을 실제값과 비교하였다. 네트워크 분석은 선행연구를 바탕으로 수출입 1위 국가로 한정하여 분석하였고, 중력모형에 기계학습을 적용하여 환경상품의 수출입을 예측하는 데 적합한 예측 모델과 주요 인자를 분석하였다. 분석 결과 환경 상품 무역 네트워크는 독일, 미국 중심으로 이루어져 있었으며 삼자관계 센서스 분석에서는 선행연구와의 차이가 나타났다. 기계학습을 적용한 예측 분석 결과, 스태킹 앙상블 모델의 예측력이 무역 형태나 환경상품 분야에 상관없이 가장 우수한 성능을 보여주었다. 변수 중요도 분석 결과, 수출입국의 GDP와 국가 간 거리가 예측성과 결정에 중요한 영향을 미치는 요소로 도출되었다. 또한 변수별 영향력은 수출입국의 GDP 변수값이 클수록, 거리의 변수값이 작을수록 예측에 긍정적인 영향을 주었다. 이는 중력모형이 가정한 국가의 GDP 크기에 비례하고 국가 간 거리에 반비례한다는 내용과 일치한다. 거리와 GDP를 제외한 설명변수들의 구성은 환경상품 분야별로 상이하였다. 본 논문은 점차 중요해지는 환경상품에 대한 무역을 예측하는 모델을 기계학습법으로 시도한 최초의 연구로 향후 기후변화와 관련된 환경분야의 무역데이터를 활용한 예측 연구 방법 발전에 기여할 수 있을 것이다. 특히 기계학습의 목표는 예측력을 극대화하는 것인 반면, 전통적인 회귀분석의 목표는 종속변수와 독립변수 간의 인과관계를 설명하기 위해 계수값을 추정하고 추론하는 데 있기에 본 논문을 통해 시도한 기계학습을 적용한 중력모델은 기존 연구와의 큰 차별점이라 할 수 있다. 본 논문에서 도출된 결과가 향후 국제협상을 이끌어가야 하는 정책입안자에게는 어떤 요인에 중점을 두고 정책을 세워야 할 지에 대한 정량적 자료로써 활용될 수 있을 것이다.
더보기The world we live in is connected in various forms. International trade, in which goods and services are exchanged among countries, can be seen as another form of complex networks. In a complex network relationship, there are various challenges that have occurred in one country can spread out around the world such as financial crisis, climate change and so on. As the number of abnormal and extraordinary natural disasters are increasing every year, countries are increasingly interested in climate change now than ever. Similar to international trade, environmental issues are in a complex network involving not only one country but several countries. As such, trade negotiations on environmental product are also actively taking in place. Data analysis on trade in environmental goods can be useful in negotiating trade policy to lower the trade barriers among countries and identifying countries that mainly import and export these environmental goods. In this regard, the purpose of this paper is to analyze the structure of trade network of environmental goods and suggest prediction models based on Machine Learning which is used widely these days. This paper analyzed the product matching the environmental goods classified by APEC and IMF. The target countries include 38 OECD member countries as well as 6 other countries where it plays a major role in international trade negotiations, that is, China, India, Brazil, South Africa, Indonesia, and Russia. These 6 countries are not the member of OECD. The network analysis was carried out for a total of 20 years from 2001 to 2020. The network analysis was limited to the top import and export countries based on previous studies. A prediction model and feature importance are analyzed by applying machine learning to the gravity model. As a result, the major network countries of environmental goods are Germany and the United States. In addition, the triad census showed a difference from previous literatures. According to the prediction model, the highest accuracy was calculated in stacking ensemble model regardless of the environmental goods classification. The feature importance indicates that the GDP of both import and export are a major factor that have a significant influence on predictability and decision making. As the GDP value gets bigger while distance value is smaller, each variable has a positive effect on prediction. This is consistent with the fact that the gravity model is proportional to the size to the size of countries’ GDP and inversely proportional to the distance between countries. Except for distance and GDP, the composition of explanatory variables differed by environmental goods. This paper is the first and the foremost study to attempt to apply the machine learning model for prediction in trade of environmental goods which is becoming increasingly important. In particular, the goal of machine learning is to maximizing prediction, whereas the goal of traditional regression analysis is to estimate and infer coefficient values to explain the causal relationship between dependent and independent variables. Therefore, the machine learning application in this paper is a big difference from previous studies. The contribution of this study is to develop prediction approaches in trade data specifically environmental goods. In particular, with respect to the trade structure and prediction of environmental goods in major countries, this study shows a possibility of applying machine learning model to traditional gravity model. This is the biggest difference from the previous studies. Also, for policy makers it can be uses as a quantitative data what factors to focus on when setting up policy.
더보기분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)