<그림 4-1> KREI-KASMO 확률적 모형 구축 절차
자료: 저자 작성.
<표 4-1> KREI-KASMO 2022 확률적 모형의 구축 현황
품목 작물
곡물 쌀, 보리, 밀, 옥수수, 콩, 감자(봄, 고랭지, 가을), 고구마
채소
엽채 배추(봄, 고랭지, 가을, 시설), 양배추
과채 수박, 참외, 오이, 호박, 토마토, 딸기, 풋고추, 파프리카
근채 무(봄, 고랭지, 가을, 시설), 당근
양념 채소 마늘, 건고추, 양파, 대파
과일 사과, 배, 포도, 복숭아, 감귤, 단감
육류 한육우, 낙농, 돼지, 육계, 산란계(계란), 오리
기타 참깨, 들깨, 김치(봄, 고랭지, 가을, 시설)
자료: 저자 작성.
❍ (거시확률변수 관련 항등식) 거시변수 간 항등식을 입력하여 거시확률변수 (유가, 환율)의 변화가 개별 품목 모형에 반영되도록 하였으며, 국제 곡물 수 입 가격지수 항등식을 구축하여 국제 곡물 가격(밀, 옥수수, 대두 국제 가격) 이 개별 품목 모형에 반영될 수 있도록 하였다.
❍ (농가경제 및 기타 항등식) 기존에 항등식으로 구축되어 있던 경상비를 행태 방정식 형태로 수정하여 해당 부분을 SAS 통계프로그램 코드를 수정하였으 며, 각 품목의 가격지수를 SAS 통계프로그램으로 구축하였다.
3.2. 시뮬레이션 구축 및 결과 도출
❍ (품목 선정) 일부 품목의 경우 시뮬레이션 진행 시 모형 구동에 문제가 발생해 모형의 구조를 수정하고 일부 품목을 제외하였다. 보리, 콩의 경우 식용 수요 를 이용하여 균형가격을 도출하는데, 이때 다른 품목과 구조적인 차이에서 문 제가 발생해 거시변수 적용 시 모형 구동에 오류가 발생하여 시뮬레이션 진행 을 위해 올해 연구에선 제외하고 진행하였다. 육류의 경우 t+1기의 값이 이용
되고 있는데 SAS 통계프로그램의 한계로 미래값을 적용할 수 없어 육류 또한 올해 연구에서는 제외하였다.
<표 4-2> KREI-KASMO 2022 확률적 모형 시뮬레이션 진행 품목
품목 작물
곡물 쌀, 보리, 옥수수
채소
엽채 배추(봄, 고랭지, 가을, 시설)
과채 수박, 참외, 오이, 호박, 토마토, 딸기, 풋고추, 파프리카
근채 무(봄, 고랭지, 가을, 시설), 당근
양념 채소 마늘, 건고추, 양파, 대파
과일 사과, 배, 포도, 복숭아, 감귤, 단감
자료: 저자 작성.
❍ (모형 구조 수정) 단수 확률변수를 이용한 시뮬레이션의 경우 모형의 말단에 서 확률변수가 작용하기 때문에 모형 내의 변수 간 연결이 원활하지 않아도 큰 문제 없이 구동된다. 하지만 거시 확률변수를 이용한 시뮬레이션의 경우 모형의 시작에 반영되어 시뮬레이션이 진행되기 때문에 변수 간 연결이 완벽 하지 않다면 모형 구동 시 오류가 발생한다. 따라서 시뮬레이션 구동을 위해 거시변수와 국제 곡물 관련 항등식을 추가하였고 각 품목에 미구축되어 있던 항등식들을 추가하여 시뮬레이션을 진행하였다.
❍ (거시 확률변수 도출) 거시변수의 특정 연도에 충격이 발생하는 것을 고려해 2023년 한 개 연도12)를 가지고 확률변수를 도출하였다. 불확실성을 적용한 거시변수는 유가, 환율, 옥수수 국제 가격, 밀 국제 가격, 콩 국제 가격으로 해 당 변수들의 과거 데이터를 이용하여 5X5인 상관 관계행렬을 구하였다. 정규 코퓰러를 사용하였으며, 평균은 KREI-KASMO 전망치를, 표준편차는 과거 데이터의 추세 제거한 표준편차를 이용하였다.
12) 시간에 따른 상관관계가 존재할 시 이전 기들과의 상관관계를 고려할 수 있는 시점 간 상관관계 (intertemporal Correlation)를 이용해야 함.
<그림 4-2> KREI-KASMO 2022 확률적 모형 거시 확률변수 산점도행렬
단위: 달러/배럴, 원/달러, 달러/kg
자료: 저자 작성.
- <그림 4-2>는 거시 확률변수 간의 산점도행렬으로 각 확률변수 간 상관관 계를 파악할 수 있다. 특히 국제 곡물 간의 정의 상관관계가 두드러지게 보 이며, 국제 유가와 환율 사이에는 음의 상관관계가 관찰된다.
❍ (단수 확률변수 도출) 단수의 경우 개별 연도가 서로 독립적으로 작용한다고 판단해 10년(2023~2032년)의 기간에 해당하는 확률변수를 도출하였다. 모 든 품목의 단수에 불확실성을 부여하였으며, 추세 제거된 데이터를 이용해서 각 품목군끼리의 상관 관계행렬13)14)을 구하였다. 정규 코퓰러를 사용하였으
13) 각 작물의 성격별로 상관관계가 다르게 나타나며, 이는 비슷한 재배환경, 파종 시기 등이 영향을 크 게 미치기 때문에 같은 품목군으로 나누어 상관 관계행렬을 도출하였음. 실제로 각 품목군끼리는 상 대적으로 높은 상관관계를 보이지만, 품목군이 다를 경우 상관관계가 낮은 것으로 나타났음. 하지만 엽채와 근채의 경우 재배 시기가 모두 다르기 때문에 비슷한 재배 시기의 품목군과 엮는 것을 논의해 봐야 할 필요가 있음.
며, 평균은 KREI-KASMO 전망치를, 표준편차는 추세 제거된 데이터의 표준 편차를 이용하였다.
- 단수의 경우 기술 발전에 따라 지속적으로 증가하는 경향을 보인다. 품목 별 사이의 상관관계만을 고려하기 위해서는 각 연도별 자료의 시간 추세를 제거해 특정 연도로 정규화시킬 필요성이 있다. 시간 추세를 제거하고 데 이터를 정규화하는 방법은 비례방법과 부가방법이 있는데 본 연구에서는 부가방법을 이용하였다.
- 부가방법을 이용하여 시간 추세를 제거하는 방법은 다음과 같다. 식(35)처 럼 단수를 시간(T)에 대해 회귀분석한다. 그다음 잔차와 적합 값을 도출 한다.
⋯⋯ (35)
- 도출된 잔차와 적합 값을 이용하여 특정 연도를 기준으로 정규화된 단수를 도출한다. 본 연구에서는 2023년도를 기준으로 정규화된 단수의 상관관계 를 도출하였다.
(36)
14) 곡물(쌀, 옥수수, 보리), 엽채(봄배추, 가을배추, 고랭지배추, 시설배추), 근채(봄무, 가을무, 고랭지 무, 시설무, 당근), 양념(고추, 마늘, 양파. 대파), 과채(수박, 참외, 오이, 호박, 토마토, 딸기, 풋고추, 파프리카), 과일(사과, 배, 포도, 복숭아, 감귤, 단감)
<그림 4-3> KREI-KASMO 2022 확률적 모형 단수 확률변수 산점도행렬(양념 채소) 단위: ha
자료: 저자 작성.
- <그림 4-3>은 양념 채소 단수 확률변수 간의 산점도행렬이며, 재배의 유사 성이 높은 마늘과 양파의 정의 상관관계가 관찰되지만, 다른 작물에서는 눈에 띄는 상관관계가 관찰되지 않았다.
❍ (시뮬레이션 진행) 500번의 시뮬레이션은 거시 확률변수와 단수 확률변수로 나누어 진행하였다. 거시 확률변수의 경우 추가적인 수정 없이 시뮬레이션을 진행하였으며, 단수 확률변수의 경우 두 가지 방법으로 시뮬레이션을 진행하 였는데, 거시 확률변수와 동일하게 추가적인 수정 없이 한 번, 교역(수입, 수 출) 관련 변수를 확정적 모형의 베이스라인으로 고정하여 한 번 진행하여 총 3개의 다른 시뮬레이션 결과를 도출하였다.
❍ (결과 검증 및 결과표 도출) 세 개의 시뮬레이션 결과 모두 확정적 모형의 평
균과 유사한 값이 도출된 것을 확인하였다. 해당 결과를 토대로 확률밴드를 포함한 그래프를 작성하였고 다음 절에 나올 확률적 모형의 활용방안에 대해 강구하였다.