일반해면어업 어획량의 시계열 분석

Abstract

생산량 예측은 수산자원을 관리하고 유지하는데 있어서 중심적 역할을 한다. 따라서 수산물 생산량에 대한 예측은 매우 필수적이고 시급한 연구과제이다. 예측은 미래에 발생될 사항을 사전에 준비하고 대비하기 위한 선결적 과제이다. 이를 위한 여러 방법론 중에 과거의 데이터를 통해 미래를 예측하고자 하는 계량적 측면의 예측 모형은 미래 예측에 대한 근거와 방법론을 제시해주는 큰 장점을 지니고 있기 때문에 매우 중요하다. 본 연구는 이러한 수산업 예측 모형의 필요성에 의하여 일반해면 주요 4개 어종의 어획량에 대한 계량적 예측 모형 도출을 목적으로 하였다. 계량적 예측방법론은 시계열 데이터에 대한 가장 일반적 분석방법이며 다른 제요인에 대한 제약 없이도 분석할 수 있는 장점을 가지고 있는 ARIMA분석 방법을 적용하였다. ARIMA분석방법에서의 모수추정은 기존의 Box-Jenkins의 방법론과 AIC, SBC에 의해 결정되는 것이 일반적이다. 이 방법론은 단일 종속변수에 따른 단일 모형으로 모형 식별의 오류 발생시 큰 문제를 야기할 수 있다. 따라서 본 연구는 이러한 점을 감안하여 단일 종속변수에 대한 이중 모형을 산출하여 결과를 비교하여 예측전망을 하는 방법을 제시하였다. 이 중 연도별 데이터를 통해 ARIMA모형을 산출하고, 월별 데이터를 통해 SARIAM (Seasonal ARIMA)모형을 산출하여 단기적 예측모형을 혼합하여 예측전망을 하는 이중 시계열 모형 단일 예측방법이다. 이는 단일모형으로 예측하는 것에 비해 상대적으로 안정된 예측결과를 제시하여 줄 수 있을 것으로 기대된다. 이를 통해 일반해면의 멸치, 고등어, 갈치, 참조기의 생산량 예측모형을 제시하고 이에 대한 예측전망을 제시하였다. 예측은 아무리 좋은 예측모형을 가지고 있다하더라도 파악 불가능한 개입요소로 인해 정확히 예측한다는 것은 불가능하다. 이러한 점을 감안하였을 때 본 연구에서 제시한 모형은 과거에 가장 잘 적합한 모형을 도출하여 이를 통해 개괄적 예측전망을 제시한 것으로 볼 수 있다. 또한 이중시계열 모형 방식은 단일모형에서보다 안정적 모형을 제시하였다는 의의를 찾을 수 있다. 또한 looping 시뮬레이션 프로그램의 개발로 인해 기존의 ARIMA모형식별방법의 어려움을 해소하고, 향후, 손쉽게 최적 모형을 산출할 수 있을 것으로 예상된다. 따라서 제공된 프로그램 소스를 가지고 데이터만 바꾼다면, 새로운 어종 및 구분에 대한 모형도 손쉽게 산출할 수 있을 것으로 기대된다. 그러나 본 연구에서의 한계점은 첫째, 예측에 영향을 줄 수 있는 제반 모든 요인을 반영하여, 영향요인과의 연관관계 및 추세를 제시하지 못했다는 점이다. 이는 본 연구의 목적이 생산량과 관련된 제반요인과의 관계가 아니라 순수한 예측모형의 도출에 주안점을 두었기 때문이다. 또한 생산물에 영향을 미치는 중요 요인 몇 가지만으로 모형을 만드는 것보다 이를 배제한 목표변수 자체에 의지하는 바가 컸기 때문이기도 하다. 또한 수산물관련 데이터의 신뢰성으로 인하여 배제된 이유도 있다. 둘째, 산출된 모형은 산출된 이후부터 지속적으로 사용될 수 있는 모형이 아니다. 계량적 시계열 모형은 단기적 예측모형에 적합하기 때문에 향후에도 지속적으로 보완 발전이 필요하며, 새로운 모형의 적합을 통해 발전시킬 필요성이 있다. 셋째, 본 연구에서 연구의 범위로 인해 모든 수산물 종류별 모형을 제시하지 못하였다. 향후에 보다 더 많은 수산물 구분과 어종에 대한 모형의 개발이 필요할 것이다. 이러한 한계점을 보완하여 향후 보다 정교하고 넓은 범위의 모형개발은 연구의 과제로 남긴다.

Fish production forecasting is a crucial factor in fishery resource management and development of fisheries. Fish production depends on very various effects and issues so that it is complicated to predict it considering all relevant factors. It is ARIMA model that can fairly overcome these limitations because ARIMA model can perform forecasting despite insufficient information on the relevant factors. However, ARIMA model could make it difficult to discriminate the parameter. In order to complement the defects, we developed a looping simulation program that could generate the results of all fisheries cooperatives by setting the range of the parameter. In addition, ARIMA model generally shapes a single model for a single target variable. But the model could affect seriously forecasting result when it does not properly infer coefficients of the model. To overcome the defect, We proposed a forecasting prospect through double time series models that mix ARIMA model and SARIMA(seasonal ARIMA) model. Consequently, We presented fish production forecasting model of anchovy, mackerel, hairtail and yellow corbina.