예측 조합을 활용한 양념채소 가격 예측 및 예측성과 분석

Abstract

본 연구는 주요 양념채소인 양파, 마늘, 건고추를 대상으로 ETS 지수평활, ARIMA, 인공 신경망 등의 가격 예측 모형을 추정하고, 이로부터 도출된 가격 예측치들을 조합하여 새로 만들어진 예측치가 개별 모형의 예측치보다 예측력이 향상되는지를 평가하였다. 예측 조합방식으로는 평균 및 중앙값을 이용한 단순 조합, 회귀 분석에 기반한 조합, 평균 제곱 오차(MSE) 및 평균 제곱 오차의 순위(MSE RANK)를 활용한 성과 기반의 조합, AIC 정보 기준에 기반한 조합방식을 적용하였다. 개별 모형으로부터 얻은 예측치를 조합한 결과, 전 품목에 걸쳐 예측력이 향상되었고, 예측 기간이 1개월에서 6개월로 이행할수록 예측 조합의 예측 오차가 개별 모형보다 상대적으로 더 작아져 예측 조합의 효과가 두드러지게 나타났다. 예측 조합방식에서는 MSE 및 MSE RANK를 활용한 성과 기반의 조합방식이 상대적으로 우수한 예측성과를 보였다. 본 연구는 주로 단일 모형의 예측력 평가에 중점을 둔 국내 선행연구와 달리 예측 조합방식을 국내 농산물 가격 예측에 적용했다는 점에서 학술적 의의가 있다.

This study aims to determine whether forecast combinations improve predictive accuracy compared to individual price forecasting models. This study estimated forecasting models, including ETS, ARIMA, and Artificial Neural Networks, for three major spice vegetables: onion, garlic, and dried red pepper. The analysis evaluated whether combining forecasts from individual models improved predictive accuracy compared to using each model separately. The forecast combination methods employed included simple averaging and median-based combinations, regression-based combinations, performance-based combinations using Mean Squared Error (MSE) and MSE rank, and combinations based on the Akaike Information Criterion (AIC). The results showed that combining forecasts from individual models improved predictive accuracy for all three spice vegetables. Moreover, as the forecast horizon extended from 1 to 6 months, the prediction errors of the combined forecast were smaller than those of the individual models, highlighting the effectiveness of the combination approach. Among the methods, performance-based approaches using MSE and MSE ranks yielded the best forecasting performance. This study is academically significant because, unlike previous domestic studies that mainly focused on evaluating individual models, it applied forecast combination methods to agricultural price forecasting in Korea.