수인종이 우선 지원 대상이다. 이 프로그램을 통해 지금까지 일자리 2,000여 개가 만 들어진 것으로 추정된다. 일종의 사회공헌활동이지만 결과적으로 JP모건도 덕을 봤다.
타브론 부사장은 “다른 은행과 달리 JP모건의 디트로이트 고객 자산이 매년 두 자릿수 로 증가하고, 시장 점유율도 26%로 2위(13%)와 큰 격차를 보이고 있다”고 말했다.
[그림 2-8] 연도별 뉴욕시 고용 현황
뉴욕시는 역사적으로 금융서비스 분야가 발전한 도시로써 전 세계의 금융 중심지로 여겨져 왔다. 그러나 2008년 금융위기가 시작된 후, 1년도 지나지 않은 기간 동안, 가 장 큰 타격을 받은 분야가 금융서비스 분야였다. 베어스턴(Bear Stearns), AIG, 리만 브라더스(Lehman Brothers), 매릴 린치(Merrill Lynch), 와코비아(Wachovia), 워싱 턴 뮤츄얼(Washington Mutual) 등 전 세계 굴지의 금융지주회사들이 심각한 타격을 받았다. 미국 연방정부로부터 구조 금융을 지원 받는 조건으로써 연방은행 규제자 측 으로부터 은행 자본 요구에 대한 엄격한 규제를 받게 되었다. 이에 따라 은행 대부업무 에 대한 사업 자율성이 떨어지면서 소상공인이나, 중소기업에 대한 대출이 제한적으로 이루어지게 되었다. 결과적으로 경제 회복에 여건이 악화되는 상황이 되었다.
2009년도 뉴욕시의 소매업분야 역시 8∼10% 이상 매출이 떨어지는 심각한 타격을 받았다. 관광업은 6% 감소하였고, 호텔 숙박업은 공실률이 5.5% 정도 증가하였지만 이는 전년도에 비교해서 호텔수익에 35∼40% 정도 손실규모였다. 할렘지역보고서에 따르면 2009년 할렘지역에서만 35% 정도의 소규모 여행 및 관광 관련 업체들이 문을 닫았다.
뉴욕시의 부동산 역시 심각한 타격을 받았다. 지난 1996년 이후 최악의 상황으로
2009년도에만 미드타운 지역에서만 A 등급 사무실의 공실률이 12% 넘게 발생하였다.
2009년도 거주용 매매는 전년도에 비교해서 50% 규모로 줄어들었다. 계획되어있었던 건설공사는 중지되었다. 막대한 최악의 상황은 2009년도에만 뉴욕시의 5개 구에서 최 소 70,000개의 거주용 아파트가 은행에 차압되는 상황이 발생하였다. 2010년도 넘어 서 뉴욕시의 실업률은 수치상으로 지속적으로 상승하면서 지역별 최대 17.1%까지 증 가하였다. 그러나 실제 일자리를 잃고 실직한 실직자들의 실제 수치는 훨씬 더 높다는 것이 통계적으로 잡히지 않는 간극에 대한 설명이었다.
제1절 동태적 요인 모형
(Dynamic Factor Model) 제2절 동태적 요인모형 분석 결과 제3절 시사점
지역별
경기변동의 특성
제3장 지역별 경기변동의 특성
자치단체의 세수입 여건에서 가장 중요한 요인 중 하나는 지역주민의 수와 함께 지 역경기일 것이다. 그러나 한 국가 내에서 지역별로 서로 다른 경기변동을 사이클을 보 인다. 물론 미국에서 주별로, 유럽연합에서 각 국가별로 보이는 경기 사이클의 차이만 큼은 아니더라도 우리나라에서도 군산이나 거제, 울산 등 특정산업의 부침에 따라 지 역경제가 영향을 받는 것을 목격하였다.
즉, 우리나라의 지방정부의 사업을 수행하기 위한 여건을 살펴보거나 지방재정건전 성을 고려하기 위해서는 자치단체의 재정수입 상황을 먼저 분석해야 한다. 자치단체의 재정수입에 큰 영향을 미치는 지역경기는 각 지역별로 국가 전체적인 경기 사이클과 동 행하는지 지역별로 이행하는지 먼저 살펴보고 재정수입구조 개편의 논의를 시작해야 할 것이다.
이번 장에서는 한국 경제의 경기변동을 시도별 변수의 동행(co-movement)로 표현 할 수 있는 동태적 요인 모형(dynamic factor model)을 적용하고자 한다. 동태적 요인 모형에서는 개별 시도의 경제변수의 움직임을 공통 요인(common component)과 개별 요인(idiosyncratic component)으로 설명할 수 있다. 제1절에서는 분석에 적용된 모형 을 설명한다. 제2절에서는 한국 경제의 시도별 광공업 생산량과 경제활동 인구의 증가 율 통계를 적용하여, 2003년 3분기부터 2018년 3분기까지의 기간 동안 모형을 추정하 고 결과를 해석한다.
제1절 동태적 요인 모형(Dynamic Factor Model)
다음과 같은 동태적 요인모형(Dynamic latent factor model, DFM)을 적용하여 실 증분석을 하고자 한다.
′ (수식 1)
여기서 는 변수 의 기 관측치 이고, 각각의 변수는 시도의 실질 경제 변수 또 는 금융변수를 사용하며, 변수들은 경기변동에 따라 움직임을 갖는다. 개의 변수들 을 모형에 포함시키고, 각각의 변수들은 기간 동안 관측된 데이터로 이루어져 있다.
(수식 1)에서 ′항은 의 공통항(common component)이고, 부분은 각 시도의 고유한 충격항(idiosyncratic component)에 해당한다. ⋯′은 개의 공통 은닉 요인(latent common factors)의 벡터의 집합이며, 공통 은닉 요인의 개수는 시도의 경제, 금융 변수의 숫자에 비해서 상대적으로 작은 수를 갖는다. 관측치 가 공통 요인과 어느 정도 연관이 되어 있는지를 나타내는 것은 요인 부하(factor loading) 벡터인 ⋯′로 표현된다. 공통 요인들의 벡터인 는 기본적으로 전국의 경제 상황을 나타내는 것으로 해석될 수 있으며, 이는 공통 요인 가 관측시점인 기 에 전국적으로 영향을 끼치는 변수로 설정되었기 때문이다. 따라서 가 시도 단위의 경제 변수라면, 요인 부하 벡터는 개별 시도의 변수들이 전국 경제 상황에 연관되는 정 도를 나타내게 된다. (수식 1)에서 주어진 요인 모형은 개별 시도 단위의 경제 변수들 의 움직임을 전국적인 경제변수들과 연결시킬 수 있는 통합된 틀을 제공해줄 수 있는 장점이 있다.
은닉 요인모형을 추정하는데 한 가지 문제점은 (수식 1)의 우변에 있는 공통 요인들 과 요인 부하 벡터가 모두 관측이 안 된다는 점이다. 이 때문에 일반적인 회귀식 방법을 적용하여 추정하는 접근법은 불가능하다. 여기서는 주요인 분석(principle components) 을 적용해 (수식 4-1)을 추정하고자 한다. 주요인 분석은 은닉 요인 모형을 추정하는 데 유용한 기법으로 잘 알려져 있다. 주요인 분석을 적용한 은닉 요인 모형의 추정은 Bai and Ng(2002, 2006, 2007)이나 Stock and Watson(2002), 그리고 Bai(2003)에 서 최근 들어 다시금 주목을 받고 있다. 주요인 분석을 이용한 공통 요인과 요인 부하
벡터의 추정 절차를 설명하기 위해 (수식 1)을 매트릭스 형태로 적어보면 다음과 같다.
′ (수식 2)
(수식 2)에서 …, …′, …,
…′, …′, … , …′를 나타낸 다. 주요인 분석은 아래와 같은 목적함수를 최적화 시키는 문제를 푸는 것으로 표현된다.
min
′ (수식 3)
(수식 3)의 해는 먼저 에 대한 해를 구하고, ′ 의 정규화 (normalization) 제약식을 이용해 에 대한 해를 구하게 된다. 이는 다시
′′를 최대화 시키는 문제로 치환가능하다. 추정된 공통요인 매트릭스
는 ′ 매트릭스의
번째 가장 큰 아이겐값(Eigenvalues)값과 매칭되는 아이겐 벡 터(eigenvector)에
를 곱하여 구해지며, 추정된 요인 부하는 ′ ′로 얻을 수 있다.(수식 1)에서 주어진 모형은 정적 요인 모형(static factor model)의 형태를 갖고 있 으나, (수식 1)은 동태적 요인 모형으로도 확장이 가능하자. Stock and Watson(2002) 과 Bai(2003)은 가 Vector autoregressive(VAR) 과정을 따르고 오차항 가 autoregressive(AR) 과정을 따를 때, 주요인 분석이 일관되게 공통 요인들과 요인 부 하를 추정할 수 있다는 것을 보인바 있다. 더 나아가서 정적 요인 모형과는 대비되는 것은 모형에서 와 사이의 상관관계를 허용하는 것이 가능하다. 이와 관련해서는 Chamberlain and Rothchild(1983)의 approximate 요인 모형을 참조할 수 있다. 따라 서 여기서 적용하고자 하는 동태적 요인 모형(DFM)은 적용범위가 넓으며, 관심을 갖는 공통 요인과 요인 부하를 주요인 분석의 분석 틀을 적용하여 손쉽게 추정이 가능하다.
바 있다.
에 사용된 경제변수들은 16개 시도별 광공업 생산지수(계절조정) 변수와 시도별 경제활동 인구의 증가율을 사용하였다. 전국 공통으로 적용되는 금융변수로는 협의의 통화 M1의 증가율, 광의의 통화 M2의 증가율, KOSPI주가지수의 증가율, 그리고 GDP 디플레이터의 증가율을 포함시켰다. 또한 이자율 변수로는 91일 CD시장금리, 국 고채 3년, 국고채 5년, 회사채 AA-등급의 1차 차분을 사용하였다. 이에 따라 여기서 사용되는 경제 및 금융변수의 개수는 총 × 이다. 분석의 시점은 모 든 데이터가 공통적으로 적용 가능한 2000년 3사분기부터 2018년 3사 분기까지이며, 각각의 시리즈에 대해 총 의 관측치를 갖는다.
주어진 데이터를 사용한 추정결과는 각각의 변수와 요인에 대해 요인 부하를 추정해 낸다. 여기서는 시도별로 광공업 생산량과 경제활동인구(고용) 증가율에 대응되는 요 인 부하만을 <표 1>에서 제시한다. 가령, 강원도의 고용 증가율에 대응되는 번째 요 인 부하는 전국의 경기변동을 나타내는 번째 공통 요인과 강원도 고용 증가율에 대한 동행(co-movement)을 측정한다. 앞서 설명한 바와 같이 각 시도의 요인 부하 벡터들 은 시도의 경기변동과 전국적인 경기 상황의 동행과 불일치 여부를 측정하는 편리한 도 구를 제시할 수 있다. 직관적으로는 특정 시도의 번째 요인 부하가 크다(또는 작다)는 것은 전국 공통으로 영향을 끼치는 factor들에 강하게 (또는 약하게) 영향을 받는 다는 것을 의미한다.
은닉 요인 모형들은 회전적 불확정성(rotational indeterminacy)의 취약성이 알려져 있는데, 이는 매트릭스가 × nonsingular 매트릭스라면 (수식 1)에서 와 가 관측치 상으로는 동등하기 때문이다. 그러나 정규화 제약식을 적용한 주요 인 분석에서는 고유한 매트릭스를 선택할 수 있기 때문에 여기서는 공통 요인과 요 인 부하의 identification을 위한 다른 방법을 적용하지 않았다.
제2절 동태적 요인모형 분석 결과
앞서 설명한 바와 같이 본 연구에서는 공통 요인과 요인 부하를 주요인 분석에 의해서 추정하였다. 분석에 사용된 데이터 는 표준화 과정을 거쳐, 평균 0과 unit-variance를 갖도록 하였다. Owyang et al.(2008)에서와 같이 공통요인의 최대 개수