축산물 유통가격을 결정하는 변수들 간 인과관계 검정을 통해 가격결정에 있어 가장 중심이 되는 주요 변수를 파악하는 것은 유통의 효율성을 제고하고 축산물 가격정책을 수립하는 데 매우 중요한 연구주제로 인식되고 있다. 이는 축산물의 각 유통단계별 가치사슬에 위치한 여러 부문들 간 정보흐름의 메커 니즘이 보다 명확히 밝혀질 경우 유통단계별 가격에 미칠 파급효과에 대한 분 석 및 각 유통단계별 시장가격 예측에 보다 높은 신뢰도를 제공할 수 있어 축 산물 가격변동성 완화에 상당한 도움을 줄 수 있기 때문이다. 따라서 축산물 시장에서의 인과관계 탐색에 관한 연구는 축종별, 유통단계별 가격을 연결하는 가격정보의 전달채널 메커니즘을 이해하고, 축산물 가격의 결정과정을 이해하 는 데 중요한 정보를 제공한다.
기존의 축산물 유통시장 내 인과성을 분석한 연구는 주로 쇠고기 및 돼지고 기 유통시장에서의 가격변수 간 인과관계를 살펴보는 것에 초점이 맞춰져 있 었다(권용덕 외, 1998; 정민국 외, 2000; 이정희, 2001; 박문수 외, 2012). 하지 만 기존연구의 결과는 데이터의 빈도, 분석기간, 시계열 방법론, 모형에 포함된 변수 개수 등 분석환경의 차이로 인하여 일치된 결과보다는 상이한 결론들이
제시되어 왔다. 한편, 축산물 가격변수 이외의 생산비에 영향을 미치는 비용변 수 역시 축산물 유통가격의 변동성에 영향을 미칠 수 있음에도 불구하고 이들 변수와 가격변수를 동시에 고려하여 분석한 인과성 연구는 상대적으로 많지 않다(이병기, 2001; 양승룡, 2003).
또한 방법론 측면에서 기존 연구를 살펴보면, 축산물 시장에서의 인과성 검 증에 대한 대부분의 연구는 그랜저 인과관계(Granger causality) 방법론을 바탕 으로 변수들의 시간상 인과관계 분석에 집중하는 경향을 보이고 있다. 따라서 변수 간 직접적인 영향을 분석하는 VAR 혹은 VECM 모형에서 요구되는 변수 의 나열순서에 관한 충분한 정보를 제공하는 데에는 한계가 있다.
따라서 본 연구에서는 시계열 분석방법을 바탕으로 우리나라의 닭고기 및 계란 유통단계별 가격과 유통가격에 영향을 미치는 비용요인들 사이의 인과성 을 살펴보고, 이를 통해 닭고기 및 계란 유통시장의 가격결정에 가장 중요한 역할을 하는 변수를 확인하여 닭고기 및 계란 가격의 동향 파악 및 예측 시 효 율적 수행방안을 제시하는 데에 그 목적이 있다. 본 연구와 기존 연구의 차별 점을 살펴보면 다음과 같다.
첫째, 본 연구는 닭고기 및 계란시장의 인과성 분석을 수행함에 있어 닭고기 와 대체관계에 있는 쇠고기 및 돼지고기시장을 동시에 고려한 후 이들과의 인 과성을 살펴본다.1) 일반적으로 닭고기가 육류소비에 있어 중요한 한 축을 담당 하고 있지만 쇠고기와 돼지고기 간 수요의 교차탄력성에 비해 타 육류와 닭고 기 간 교차탄력성은 상대적으로 낮은 것으로 알려져 있기 때문이다(박환재, 2007). 이처럼 닭고기와 쇠고기 및 돼지고기 시장 간 교차탄력성이 낮은 것이 사실이라면, 육류 공급사슬상 가격에 미치는 충격은 쇠고기와 돼지고기 시장과 는 차별적으로 나타날 가능성이 높다. 따라서 본 연구에서는 육계 및 계란 시 장의 인과성을 살펴보기 전에 육계와 대체관계에 있는 쇠고기 및 돼지고기를
1) 축산물의 가격은 유통단계상에서 뿐만 아니라 대체·보완 관계에 있는 축산물의 가 격변화에도 반응한다. 하지만 기존의 축산물 유통에 관한 대부분의 연구는 해당 축 산물과 대체 관계에 있는 축산물 유통시장을 동시에 고려하지 않고 각각의 시장을 분리하여 분석하고 있다.
동시에 고려한 모형을 구성하여 실제 데이터를 바탕으로 상호 인과성을 먼저 검토한다. 이어서, 닭고기 및 계란시장으로 그 분석대상을 한정한 후 이들의 가 격변수와 생산비에 영향을 주는 국내외 사료 및 석유가격을 모형 내에 고려하 여 그 변수들 간 인과관계를 살펴본다. 축산물 가격의 동태적 조정은 대체·보 완 관계에 있는 축산물의 가격뿐 아니라 생산요소의 가격에 영향을 받을 수 있 기 때문이다.
둘째, 인과성 검정수행 시 기존의 그랜저 인과관계(Granger causality)에 기반 을 둔 동태적 인과성뿐만 아니라 그래프 이론을 이용한 동시적 인과성 (contemporaneous causality)을 더불어 고려한다. 인과성을 검정한 기존 연구의 대부분은 그랜저 인과관계(Granger causality)를 기반으로 수행되어 왔다. 그랜 저 인과성의 기본개념은 시간상의 인과성(temporal causality)으로서 어떤 원인 (cause)이 효과(effect)에 대해 시간적으로 선행하는 것을 의미한다. 반면 동시 적 인과성은 시간의 흐름에 따른 인과관계를 의미하지 않고 동일한 시간대에 서 인과관계의 흐름을 의미한다. 본 연구에서 동시적 인과성을 고려한 이유는 특정 축산물 가격의 변동은 대체 축산물 가격에 거의 동시에 영향을 미치기 때 문이다. 이러한 동시적 인과성을 분석하기 위해 본 연구에서는 방향지시 비순 환성 그래프(DAG: directed acyclic graph) 방법을 이용한다. 이러한 동시적 인 과성 분석을 통한 결과는 VAR 모형이나 VECM 모형에서 문제가 되는 인과순 위의 자의적 배열문제를 해결하는 대안으로서 인정되고 있어 확률충격분석 (innovation analysis)의 객관성을 높일 수 있다는 점에서 유용하게 사용될 수 있다.
이후 본 연구의 구성은 다음과 같다. 제Ⅱ절에서는 분석 모형인 오차수정모 형과 DAG를 소개하고, 분석에 사용된 자료를 설명한다. 제Ⅲ절에서는 단위근, 공적분 및 오차수정모형의 결과를 설명하고 이를 바탕으로 한 DAG결과를 제 시한다. 또한 그랜저 인과성을 기반으로 한 변수 간 동태적 관계를 살펴본다.
제Ⅳ절에서는 연구의 요약 및 결론을 제시한다.
2. 분석 모형 및 자료
2.1. 모형설정
2.1.1. VECM 모형
본 연구에서는 Johansen(1988)의 공적분 관계를 바탕으로 한 식(1)과 같은 벡터오차수정모형(Vector Error Correction Model: VECM)을 이용한다.
∆
∆
(1)여기서
는 단기 조정과정,
는 변 수 간의 장기적 관계를 각각 설명하는 행렬이다. 만약, 공적분 검정을 통해 의 공적분 위수(cointegration rank: )가 0인 경우는 변수들 간에 장 기적 관계가 존재하지 않기 때문에 1차 차분(differencing) 후 VAR 모형으로 추정을 한다.한편, 일반적으로 VAR 혹은 VECM 모형은 추정할 계수의 수가 많고 계수 의 직관적 해석이 쉽지 않기 때문에 외생적인 확률충격(innovation)이 내생변수 에 미치는 영향 등을 살펴보기 위해서는 충격반응함수(impulse response func-tion)나 예측오차분산분해(forecast error variance decomposition) 등의 방법을 활용한다.2) 하지만 VAR 혹은 VECM 모형과 같은 다변량 시계열모형은 오차 항 간 동시상관(contemporaneous correlation) 문제가 상존하므로 오차항의 동 시적 구조(contemporaneous structure)가 독립적이되도록 오차항 벡터의 직교화 (orthogonal)가 요구된다.
2) 본 연구에서는 변수들의 인과성 분석에 초점을 두고 있어 충격반응함수나 예측오차 분산분해 결과는 제시하지 않는다.
통상적으로 오차항의 동시상관문제의 해결은 촐레스키 분해(Choleski de-composition)방법을 이용하고 있으나, 이 방법은 변수의 나열순서에 따라 충격 반응 및 예측오차분산분해의 결과가 달라지는 문제점을 안고 있다. 이와 같은 변수의 임의적 배열문제 해결을 위해 Sims(1986)와 Bernanke(1986)는 구조적 VAR(structural VAR) 모형을 제시하고 있으나, 구조적 VAR 모형은 본 연구의 경우처럼 닭고기 및 계란시장 유통단계별 가격의 인과관계에 대한 뚜렷한 객 관적 혹은 이론적 근거가 확실하지 않은 경우에는 변수의 나열순서가 연구자 의 자의적 판단에 의해 결정되기 때문에 촐레스키 분해와 마찬가지로 분석결 과의 신뢰성에 문제가 발생할 수 있다. 따라서 이론적 혹은 경험적 근거가 부 족하여 사전적으로 뚜렷한 인과관계를 정하기 어려워 연구자의 주관적인 판단 에 인과관계를 설정할 수밖에 없는 경우, 그래프이론에 기반한 DAG(directed acyclic graph) 모형을 활용한 인과순위 결정방법은 객관적인 통계자료에 근거 하여 동시적 인과순위(causal ordering)를 결정할 수 있기 때문에 다양한 시계 열 분석에 활용되고 있다.3)
2.1.2. 인과성 모형
인과관계 분석에 있어 기존 연구에서 가장 일반적으로 사용되는 그랜저 인 과성(Granger causality)분석은 변수들 간 원인(cause)과 결과(effect)를 의미하 기보다는 한 변수가 다른 변수에 대해 ‘시간적 차이를 두고 발생하는 인과성 (temporal causality)’을 나타낸다.4) 반면, 그래프이론을 활용한 DAG 모형의 인 과성 결과는 변수 간 ‘동시적 인과성(contemporaneous causality)’을 나타낸다.
3) Swanson and Granger(1997), Bessler and Lee(2002), Bessler and Yang(2003), Haigh and Bessler(2004), Hoover(2005), Awokuse(2006), Park, Jin and Bessler(2011).
4) Granger(1969). ‘x는 y의 그랜저 원인이 된다(x Granger causes y)’라는 그랜저 인과 관계는 다음과 같은 식으로 정의된다. ∈ ≠ ∈ 즉, 최 소한 정보 집합 가 주어져 있을 경우 있을 때 시계열 를 예측함에 있어 정보집 합에 시계열 를 포함하는 것이 더 낳은 예측력을 보일 때 x는 y의 그랜저 원인이 된다고 할 수 있다.
본 연구에서 동시적 인과순위 결정에 이용하고 있는 DAG 그래프이론은 기 본적으로 변수들 간의 상관계수(correlation) 및 편상관계수(partial correlation) 를 이용하여 인과흐름(causal flow)을 그림을 통해 간결하게 보여주는 방법이 라고 할 수 있다.5) DAG에서는 세 변수(X, Y, Z)의 인과관계 설정에 있어 만약 두 변수(예를 들어 X와 Y)가 상관관계를 갖는다면 X가 Y를 인과하는지 Y가 X를 인과하는지 혹은 Z에 의해 인과관계를 갖는지 확인할 수 없다. 세 변수(X, Y, Z)의 인과관계 설정에는 다음과 같은 3개의 핵심 구조를 이용한다. 먼저 인과사슬(causal chain)로서 X → Y → Z로 나타낼 수 있다. 즉, 변수 X와 Z는 비조건부 서로 상관관계를 가지고 있으나 변수 B 조건하에서는 상호 독립적인 경우를 지칭한다. 두 번째로, X ← Y → Z로 나타낼 수 있는 인과분기(causal fork)이다. 이는 인과사슬에서와 같이 변수 X와 Z는 비조건부 서로 상관관계를
본 연구에서 동시적 인과순위 결정에 이용하고 있는 DAG 그래프이론은 기 본적으로 변수들 간의 상관계수(correlation) 및 편상관계수(partial correlation) 를 이용하여 인과흐름(causal flow)을 그림을 통해 간결하게 보여주는 방법이 라고 할 수 있다.5) DAG에서는 세 변수(X, Y, Z)의 인과관계 설정에 있어 만약 두 변수(예를 들어 X와 Y)가 상관관계를 갖는다면 X가 Y를 인과하는지 Y가 X를 인과하는지 혹은 Z에 의해 인과관계를 갖는지 확인할 수 없다. 세 변수(X, Y, Z)의 인과관계 설정에는 다음과 같은 3개의 핵심 구조를 이용한다. 먼저 인과사슬(causal chain)로서 X → Y → Z로 나타낼 수 있다. 즉, 변수 X와 Z는 비조건부 서로 상관관계를 가지고 있으나 변수 B 조건하에서는 상호 독립적인 경우를 지칭한다. 두 번째로, X ← Y → Z로 나타낼 수 있는 인과분기(causal fork)이다. 이는 인과사슬에서와 같이 변수 X와 Z는 비조건부 서로 상관관계를
