농업생명과학연구 50(3) pp.219-229 Journal of Agriculture & Life Science 50(3) pp.219-229 Print ISSN 1598-5504 Online ISSN 2383-8272 http://dx.doi.org/10.14397/jals.2016.50.3.219 쌀단수예측모형개발연구 한석호 * 한국농촌경제연구원 FTA이행지원센터접수일 (2015년 3월 12일 ), 수정일 (2016년 4월 15일 ), 게재확정일 (2016년 4월 15일 ) A Study of Building Rice Crop Yield Forecasting Model Suk-Ho Han * FTA Implementation Farmer Support Center, Korea Rural Economic Institute(KREI), Naju, 58217, Korea Received: MAR. 12. 2015, Revised: APR. 15. 2016, Accepted: APR. 15. 2016 초록 본연구는시군별자료를이용하여패널자료를구축하고지역별로시간이변함에따라변하지않는고정효과를고려한패널모형을이용하여기상요인에대한추정계수를산출하고, 이러한결과를바탕으로다양한기상시나리오를접목시켜확률적기법을이용한단수예측모형을개발하였다. 개발된쌀단수예측모형은최근 10 년간시군별패널자료를이용하여단수를종속변수로평균기온, 적산온도, 일교차, 일조시간을설명변수로하는추정방정식을설정하였다. 고정효과모형을이용한추정결과는평균기온이이차형식임을확인할수있었으며, 출수기에는적산온도, 등숙기에는평균기온에큰영향을받는것으로나타났다. 쌀단수예측모형은통계청에서제공하는실측조사결과이전에그결과를예측할수있다는점에서의미가있다. 이는수급대책마련을위한논리적근거자료로써충분하기때문이다. 덧붙여토지생산성및환경공학적요인을본연구에서개발된단수예측모형과의결합연구는향후과제로남긴다. 검색어 - 예측모형, 쌀단수, 패널분석, 확률추정 ABSTRACT This study builds counties-specific panel data and establish a stochastic rice yield forecasting model by using a fixed effect panel model based on results calculating the coefficients for the meteorological factors, and by using a variety of weather scenarios. Rice yield prediction model developed estimating equations were set to rice yield as the dependent variable, and the average temperature, accumulated temperature, daily temperature range, sunshine hours as explanatory variables, by using panel data by counties in recent 10 years. Estimation results using a fixed-effects model was able to verify that an average temperature affects to yield as quadratic form, there appeared to be significantly affected by accumulated temperature in Heading period, an average temperature in Ripening period. a rice yield prediction model is meaningful in that we can see the forecasting results in the previous. not waiting the actual survey results provided by the National Statistical Office. because this forecasting estimates is sufficient rationale material by government supply & demand measures. Finally, the study leave to future challenges with respect to establishing a prediction model developed as combined with land productivity and environmental engineering factors Key words - Forecasting model, Panel analysis, Rice yield, Stochastic estimation * Corresponding author: Suk-Ho Han Tel: +82-61-820-2279 Fax: +82-61-820-2424 E-mail: shohan@krei.re.kr
220 Journal of Agriculture & Life Science 50(3) 서론 매년수확초기쌀생산농가와산지유통업체는작황및생산량예측정보에기초하여출하물량, 매입량, 가격등에대한의사결정을하고있다. 한편, 정부는쌀수급안정을위한정책수립과추진을위해생산량예측자료를활용한다. 최근급변하는기상여건에따라쌀단수변동이심화되어수확기생산자, 관련업계, 정부의의사결정에어려움을주고있다. 2008년에이어연속된대풍을기록한 2009년논벼단수는 10a당 534kg으로역대최고치를갱신하였으나, 2010년논벼단수는 10a당 483kg으로전년대비 9.6% 감소하고, 2012년에는 473kg까지줄어들었다. 한편, 2014년논벼단수는 10a당 520kg으로역대 2번째높은수준으로회복되었다 1). 기상변화에의한단수변동폭이커짐에따라정확한쌀생산량전망은시장참여자들의바람직한의사결정과쌀수급안정을위한필수적이고핵심적인요인이된다. 따라서쌀생산량전망은기상여건을반영한정확한단수예측이뒷받침되어야한다. 기상요인을고려한단수및생산량예측과관련된선행연구는다음과같다. Heo & Hwang(1984) 은김장배추의공급함수추정을위해일조시간과같은기상변수를도입하여청과물수급분석을실시하였다. Joe & Joe(1992) 는주요과실류의수급분석및전망을위해과수공급추정시가을철강수량변수를추가하여분석하였다. Lee(1996) 는무 배추의생산량결정요인분석을위해해당품목을작형과지역별로구분하고, 각단수를재배기간의월별기온과강수량에대해회귀분석을실시하였다. Lee(2004) 는기상요인이과채류의단수에미치는영향을작형별로계측하면서지역간결합추정 (pooled estimation) 방법을도입하여생육기의기상조건이과채류단수에영향을미칠수있음을확인하였다. Lee(2005) 는주요청과물의계절별공급에영향을미치는경제적요인과기상요인을규명하 고, 기상요인이청과물의공급과가격에미치는영향을분석하였다. 특히배추 무의단수함수를추정하기위해전기단수, 평균기온, 강수량, 기술더미등의독립변수를사용하였다. 기존연구의대부분은기상요인이농작물단수에미치는영향을분석하기위한수단으로패널자료분석방법을이용하였으나기상요인과농작물단수간의선형회귀방식을이용하는데그쳐기상여건이작물의생육조건에미치는효과분석에한계가존재하였다. 따라서본연구에서는제약된데이터를활용하여시군또는읍면단위의데이터를이용한패널분석을하되, 작물이기상요인과상관관계분석을단순한선형방정식이아니라비선형방정식중 2차함수형태를이용하여통계적으로단수의최적점 (Optimal Point) 추정하여최적점을기준으로최적점이전까지는단수가증가하나최적점이후에는단수가감소하는형태의방정식으로구축하였다. 한편, 본연구는점추정 (Point Estimation) 방식에서벗어난확률추정 (Stochastic Estimation) 기법으로기상청의기상예보를반영하여여러개의기상시나리오를작성하여예측단수를추정하여단수분포를추정하였다. 본연구는한국농촌경제연구원농업관측센터에서기상요인을고려한쌀단수예측치를매년수확초기에예측및공표함으로써정부의쌀수급안정을위한정책수립과추진을도모할수있는정교한쌀생산량예측모형을개발하는데목적이있다. 또한 2011년개발된모형을통해지난 4년간실제농업관측센터가발표한쌀단수의예측치와통계청의실제치를비교함으써객관적인사후평가라는점에서그의미가크다. 재료및방법 1 분석모형 1.1 쌀의생육과기상여건벼의생육은기상환경과토양환경의지배를받는다. 기상환경에는기온, 일조 ( 일사 ), 강우량등이있 1) 단수데이타는국가통계포털 (KOSIS) 자료를참조하였다.
Han: A Study of Building Rice Crop Yield Forecasting Model 221 으며, 토양환경에는토성, 토양의구조, 토양의물과양분을흡착하는능력등이있다. 기상환경은직접적으로벼생육과관련되는양분흡수, 물질이동등의생리적인기능과밀접한관계가있으며, 간접적으로는병충해발생또는도복등을통하여수량에도관여한다. 물은식물체의상당부분을차지하며, 뿌리에의해흡수되어생장및활동에이용되고, 잎이나줄기의증산작용에의해소실된다. 벼의생육기간중에생육시기별로요구되는물의양은다르다. 벼의일생중에수잉기, 출수기, 이앙기에필요한물의양이많은편이고, 헛가지치는시기에는물공급이필요없는시기이다. 일조란태양광이지표에비추는것을말하며, 일조시간은하루중일정밝기이상의시간을나타낸다. 일조시간은일조계 ( 측정기 ) 로조사기록하는데, 밝기가 120W/ m2이상인시간을나타낸다. 일조시간은벼의전체생육기간에영향을미친다. 일조시간이적으면영양생장기에는벼의키가도장되기쉽고, 이삭팬후인등숙기에는벼알맹이의양분축적이부실하여등숙율및천립중의무게가저하된다. 기온은대기의온도를말하며벼의잎과줄기의생육과기능에직접적인영향을미칠뿐만아니라, 논의수온및지온에도관여해서, 생장이시작되는생장점과뿌리의생리기능및역할에도영향을미친다. 벼생육에영향을미치는기온과수온의영향은생육시기에따라다소차이가있다. 벼의생육초기부터어린이삭이형성되는시기 ( 이삭패기전약 25 일 ) 까지는기온보다수온의지배를더크게받으나, 어린이삭이형성된이후에는수온보다기온에의해벼생육이영향을받으며, 임실율및등숙율은 기온의영향이큰것으로알려졌다. 벼생육은생리작용의결과생성된물질에의해이루어지는데, 생리작용은온도의지배를받는다. 생리작용에는광합성, 호흡, 수분흡수, 양분흡수, 동화산물의전류등이있는데, 이들은온도의영향을받아생육이왕성하거나저조하게된다. 벼의광합성작용에알맞는온도는품종에따라다르나, 대체로통일형품종이자포니카형품종보다다소높다. 생육온도에따른이앙후벼의생육량은현저히다른데, 적온범위내에서는온도가높을수록생육이양호하다. 적산온도란벼생육기간중 0 이상의일평균기온을합계한값을말하며, 벼품종과이앙시기에따라달라지나, 대략범위는 2,500 4,000 이다. 파종전에종자를물에침종시키는데에도적산온도기준으로 100 가필요하다. 즉, 수온이 25 이면 4일, 20 이면 5일침종하면종자가발아하는데필요한수분을흡수하게된다. 영양생장기에는한매의잎이출현하는데에요구되는적산온도는약 100 이며, 생식생장기에는 170 180 가소요된다. 지엽의추출완료로부터이삭패는시기까지는약 200 의적산온도가필요하다. 벼알의무게 ( 쌀수량 ) 는출수후광합성량 (74%) 과출수전체내에축적된저장양분의이동 (26%) 에의해서결정된다. 이는출수후기상여건이벼의생육에매우중요함을의미한다. 쌀의품종별출수기는극조생종의경우 7월하순 8 월상순이며이후 40 일이지나야수확적기가된다. 중만생종은 8월하순이출수기로수확적기는출수후 50 55일이다. Fig. 1은출수후일수와벼알무게를나타낸것으로출수후일수에비례하여벼알의무게가증가하 Table 1. Fair weather conditions in 40 days after heading Average temperature( ) Daily temperature range( ) Duration of sunshine (hour/day) Accumulated temperature 20 22 8 10 7 800 800 Source: Rural Development Administration
222 Journal of Agriculture & Life Science 50(3) Fig. 1. Days & paddy rice weight after heading. Source: Rural Development Administration 지만 40 일을전후로벼알의무게는크게변화가없 다. 즉, 출수후약 40 일이후의기상여건은쌀수 량에미치는영향이미미한것으로해석할수있다. 출수후 40 일동안의적정기상조건으로평균기 온은 20 22 로유지되는것이생육에유리하다. 일교차의경우 8 10 가적당하며, 일일적정일조 시간은 7 시간이다. 한편출수후 40 일간등숙적산 온도는 800 880 가요구된다 (Table 1). 1.2 모형의기본구조및특징 쌀단수예측모형구축 2) 은쌀단수를종속변수로 방정식을설정하여추정하는것을그시작으로한 다. 전년단수를바탕으로기상요인을고려하여금년 단수를예측한다는것이가장기본적인아이디어이 며, 이러한추정과정에서작물의생육에영향을미 치는다양한기상요인이설명변수로사용된다. 또한 농촌진흥청의생육전문가의연구결과를바탕으로생 육기간에따른중요한기상요인을설명변수로포함 하는것을원칙으로한다. 다만, 병해등의생육증 감과관련된요인을고려하지않았다는점에서분명 히한계는존재함을밝혀둔다. 벼생육과기상요인의상관관계분석을단순한선 형방정식이아닌비선형방정식중 2 차함수형태를 이용하여통계적으로단수의최적점 (Optimal Point) Fig. 2. Model specification. 추정하고, 최적점이전까지는단수가증가하지만이후에는단수가감소하는형태의방정식으로구축하였다. Fig. 2에서 YD는단수를의미하며, C는기상요인을의미한다. 이차항을방정식에포함하여모형을설정함으로써최적점 ( ) 을확인할수있다. 예를들어기상변수가기온인경우, 최적기온 ( ) 까지는단수가증가하지만, 이후부터는단수가감소함을의미한다. 평년기온을바탕으로최적온도까지는생산량이증가할수있지만, 이상고온의경우단수가감소할수있다는점을감안한것이라하겠다. 기상요인을고려한쌀단수예측과정은개발된단수예측모형에가상시나리오의기상요인들을투입하여단수분포를바탕으로출하이전의대략적인단수예측치를확인하고, 이후시간의흐름에따라실현된실제기상데이터를대입함으로써그범위를점차적으로줄여나가는방식이다. 출하기까지의모든기상요인을대입하여공식통계를발표하기이전에모형을통해확정된단수를발표하여정부는쌀수급안정을위한정책수립과추진을위해생산량예측자료를활용한다는데의미가있다. 1.3 패널분석방법기존연구와본연구의차별성중특징적인부분은시 군데이터를이용하여패널의형태로자료를구축하고, 고정효과 (fixed effect) 를고려한패널분석을통해기상변수에대한계수를추정한점이다. 패 2) 품목별전문가자문회의및협의회를개최하여품목별생육특성이나기상조건이생육이미치는영향을파악하였으며, 국내생육모델전문가모임인농촌진흥청작물모형연구회등전문가자문을받았다.
Han: A Study of Building Rice Crop Yield Forecasting Model 223 널자료 (panel data) 는분석대상의횡단면자료가여러시계열에걸쳐구성된것으로횡단면자료의반복으로고려할수있다. 따라서분석상데이터의미시적단위에서동태적분석이가능하며, 변수들간의상호연관성을분석하는데있어통계학이나계량경제학에서패널분석의응용또한광범위하게진행되고있다. 일반적으로패널자료들은미시자료 (microdata) 들이많은데동일한표본을일정기간마다지속적으로조사하여종단면자료 (longitudinal data) 를구성하며, 횡단면표본은크고시계열이짧은것이많다. 최근에는장기시계열로구성된패널자료가많아짐에따라시계열분석을기존의패널모형에적용하는연구도활발하다. 패널자료는기존횡단면자료또는시계열자료에비해데이터를분석하는데있어몇가지장점을갖고있다. 분석대상의표본크기가커지기때문에자유도 (degrees of freedom) 가늘어나고분산이작아져통계의신뢰수준이높아진다. 즉, 추정의효율성 (efficiency) 이향상되는것이다. 또한설명변수간의공선성 (collinearity) 이나타날가능성이적어진다는점이있다. 시계열분석에있어다중공선성 (multicollinearity) 문제가발생하는경우가많다. 예를들어, 시계열자료를이용한수요함수를추정할경우설명변수에포함될소득과가격변수간에공선성관계가있을때가많다. 그러나패널자료에포함된횡단면자료는두변수의변동성을높여주기때문에공선성정도가감소한다. 한변수의변동성은개인간의차에서발생하는변동 (between variation) 과한개인의시간에따른변동 (within variation) 으로구분되며, 이중전자의비중이훨씬크다. 소득과가격의시계열자료에비해패널자료는공선성의가능성이적음은물론두변수에대해보다구체적인정보를내포하기에추정의효율성이향상된다. 즉, 추정량의편의 (bias) 를감소시킬수있다. 회귀방정식을설정하는데있어종속변수에영향을주는변수가생략되었고, 그변수가회귀방정식에포함된다른변수와상관관계가있다면추정량 (estimator) 에편의가발생하게된다. 이는수치로관찰이어려운문제점이있어횡단면자료 만을이용할때에는설명변수로포함할수없는반면, 패널자료를이용할때에는생략변수 (omitted variable) 의문제가완화될수있다. 패널자료를이용할때, 추정량의편의를감소시키는장점은결국패널자료에서이질성 (heterogeneity) 을제어할수있는능력으로부터나온다. 횡단면자료나시계열자료에서는제어할수없으나패널자료에서는제어가가능하기때문에생략변수와같은설정오류 (specification error) 를완화시킬수있기때문이다. 개별효과모형의일반적인선형회귀방정식은다음과같다. (1) 주 : : 횡단면표본의크기, : 시계열표본의크기, 식 (1) 은아래의식 (1) 또는식 (1) 과같이표현할수있다. (1) 주 :,,, 벡터 (vector) (1) 주 : 를고정된것으로가정하면고정효과모형 (fixed effect model), 확률변수 (random variable) 로가정하면확률효과모형 (random effect model) 으로구분할수있다. 표본내의효과에기초하여추론을한
224 Journal of Agriculture & Life Science 50(3) Table 2. Meteorological forecast Temperature deviation( ) ten days Ratio of amount of precipitation compared to normal year ten days High(plenty) > 0.7 >130% Likeness -0.7 0.7 50 130% Low(less) <-0.7 <50% 다면고정효과모형을, 모집단의특성에대하여추론을도출하려한다면확률효과모형이적합하다. 고정효과모형은 를고정된모수 (parameter) 로가정한것이므로이를추정해야하는데, 표본이크면추정할모수가많아지게된다. 횡단면표본이커질수록모수의수도함께증가하는이른바우발적모수문제 (incidental parameter problem) 3) 가발생한다. 더욱이시계열자료까지작을경우, 자유도의손실이크므로 PSID와같은가구조사자료의경우고정효과모형이적합지않다고볼수있다. 확률효과모형은 를 와같이확률변수로가정하므로추정할모수가표본의크기에관계없이고정되어있어표본이크고시계열자료가작은패널자료에적합하다. 한편고정효과모형에서는 가설명변수 와상관관계가있어도이로인하여추정에편의가발생하지않으나, 확률효과모형에서는 가확률변수로간주되므로설명변수와상관관계가없다고가정한다. Mundlak(1961; 1978) 의예를보면농사의생산함수를추정하는데쌀농사의경우 는쌀의산출물이고, 는농토, 노동, 씨앗, 비료등이며, 는토질과같은변수, 는강우량과같이농부의제어밖에있는확률변수로볼수있다. 이때농부 는본인이경작하는농토의토질인 를알고있으나생산함수를실증분석하는경제학자는알수없는관 찰불가능한변수 (unobservable variable) 이다. 농부는비료및씨앗을본인이경작하는토질에적합한것으로선택할것이므로 와 사이에는상관관계가존재한다. 이때두변수사이의상관관계를무시하는확률효과모형을이용하면편의가있는추정을할것이다. 따라서생산함수를추정하면서기술적효율성 (technical inefficiency) 을함께추정하는확률적생산변경모형 (stochastic production frontier model) 에서는주로고정효과모형의추정결과를이용하고있다. 이러한맥락에서본연구는시군별단수와기상변수를이용하여패널자료를구축하고고정효과모형의추정결과를이용한다. 구체적으로기상요인을제외하고, 생육에미치는토양및품종등이고정효과에반영됨을의미한다. 덧붙여앞서언급한바에따라패널자료를이용함으로써생략변수와같은설정오류 (specification error) 문제를완화하고자하였다. 1.4 가상시나리오적용기상청에서제공하는장기예보는평균기온과강수량에대해서평년기상을기준으로평균기온의경우 높다, 비슷, 낮다 로제공되고있으며, 강수량의경우 많다, 비슷, 적다 이상의세가지형태로제공되고있다 (Table 2). 기상청장기예보를활용하기위해서는지역별평 3) 우발적모수문제에대한자세한논의는 Chamberlain(1984) 를참조하였다.
Han: A Study of Building Rice Crop Yield Forecasting Model 225 Table 3. Meteorological variables employed in model Variables Period Contents Accumulated temperature first ten days of MAY middle ten days of AUG(Heading) Sum Average temperature last ten days of AUG last ten days of SEP(Ripening) Average Duration of sunshine last ten days of AUG last ten days of SEP(Ripening) Sum Daily temperature range last ten days of AUG last ten days of SEP(Ripening) Average 년값 (30년동안기상평균값 ) 이필요하다. 평년값이존재하지않는지역의경우에는인근지역의평년값으로대체하여사용하며, 이를바탕으로과거기상을정리하여추정모형에적용될설명변수로사용한다. 수집된설명변수를바탕으로벼생육기간동안의기상시나리오초안을작성하게된다. 이후순별로지역별기상관측값을대입하여시나리오를업데이트하고실제관측값을바탕으로삭제해나가는방법이다. 본연구에서는기상청의예보를바탕으로구체적인수치를대입하여시나리오를작성하였다. 한편, 일교차, 일조시간은기상청예보에포함되지않아최근 5년간의평균과표준편차를이용한최대, 최소값등을이용하여시나리오를설정하였다. 기상청장기예보가평균기온과강수량두가지에만제한되어있고, 정량적예측치가아닌정성적예측이라는이유로인하여시나리오작성에는분명한한계점이존재한다. 결과및고찰 1 자료및추정방정식쌀의생육과기상조건을고려하여단수예측모형을위해적산온도, 평균기온, 일조시간, 일교차이상 4 가지를주요변수로고려하였다. 쌀의생육에가장중요한출수기와등숙기의기상요인을고려하기위해 Table 3의적용기간과변수를바탕으로모형을구축하였다. 이러한변수설정은쌀의생육에서등 숙기의기상요인이쌀수확량의 74% 를결정하는점을충분히고려하기위함이다. 적산온도의경우생육이중단되는 10 를기준으로설정하여 10일 ( 순별 ) 동안의적산온도에서 100 를빼고변수로처리하였다. 등숙기의평균기온과일교차는순별평균을이용하였으며, 일조시간은순별합계를이용하였다. 기본적인추정방정식은 4개의기상요인을포함한다음의식 (2) 로설정하였다. (2) 종속변수 YD는단위면적당쌀수확량을의미하며, temp-sum 은적산온도를의미한다. temp는평균기온을의미하고, 2차항을추가하여평균기온과단수간의비선형관계를고려하였다. d-range 는일교차를의미하며, sun은일조시간을말한다. 분석에는총 155개지역의단수와기상요인이사용되었다. 패널분석을위해도단위패널자료를구축하였으며, 도별로포함된시군표본은 Table 4를통해서나타내었다. 광역시의경우인접도에표본을포함하였으며, 이는광역시의재배면적의비중이크지않기때문이라할수있다. 제주도는쌀생산량비중이 2010년기준전국의 0.01% 가되지않고, 논벼를대상으로함을전제할때제주지역의경우대부분밭벼인관계로분석에서제외하였음을밝혀둔다. 종속변수인단수의경우통계청작물생산량통계를바탕으로구성하였다. 기상자료의경우기상청홈페이지에서제공하는자료중과거자료 -순별자료를바탕으로자료를구성하
226 Journal of Agriculture & Life Science 50(3) Table 4. Data used in analysis Sample size Metropolitan city Gangwon-do 17 Gyeonggi-do 31 Seoul, Incheon Gyeongsangnam-do 19 Busan,Ulsan Gyeongsangbuk-do 23 Daegu Jeollanam-do 23 Gwangju Jeollabuk-do 14 Chungcheongnam-do 16 Daejeon Chungcheongbuk-do 12 Sum 155 였다. 분석에사용된 155개지역중기상관측지점이 아닌지역에대해서는인근지역의기상자료를이용하 였다. 이는기상조건을활용하여실제지역별품목의 수확량을분석하는경우, 기상관측지점과단수측정 지점이달라질수있는한계점이존재한다. 2 추정결과쌀단수를종속변수로설정하고다양한기상요인을설명변수로구축된방정식은 8개지역 ( 도단위 ) 으로구분하여패널분석을실시하였다. 공통적으로 2차형식으로고려된평균기온의 2차항의추정계수는통계적으로유의한음의부호로나타났고, 이는평균기온과단수와의관계가비선형임을설명한다. 즉, 평균기온이지속적으로증가함에따라단수가동일한형태로증가하는것이아니라, 최적온도 ( 임계점 ) 을지나게되는경우평균기온의증가에따라단수가감소함을의미한다. 개별설명변수의통계적유의성은충북지역을제외하고모든지역에서 10% 유의수준에서적합한것으로나타났다. 적산온도는쌀단수에서출수기에가장중요한요인으로회귀계수가양 (+) 의결과로도출되었으며, 통계적으로유의한것으로나타났다. 일조시간과일교차또한등숙기에중요한기상변수로통계적으로유의한양 (+) 의결과가도출되었다. Table 5와 Table 6을통해서확인할수있듯이모형의설명력을나타내는 R2가패널분석으로써상 Table 5. Results of panel analysisⅠ Variables explanation Gyeonggi-do Gangwon-do Gyeongsangnam-do Gyeongsangbuk-do C constant -366.308 (-0.54) -96.8918 (-0.26) -2727.7 (-3.85) -1944.18 (-3.75) TEMP_SUM Accumulated temperature 0.167795 (3.35) 0.193844 (6.07) 0.253515 (16.19) 0.05825 (1.40) d_range Daily temperature range 6.410358 (2.79) 4.102248 (1.48) 11.04395 (4.44) 8.165198 (3.17) TEMP Average temperature 50.26061 (0.81) 29.44946 (0.93) 249.7055 (4.06) 195.9414 (4.11) TEMP^2 quadratic term -1.2013 (-0.84) -0.63742 (-0.94) -5.74596 (-4.30) -4.37378 (-4.00) SUN Duration of sunshine 0.080448 (2.01) 4.87202 (2.09) 0.297241 (4.28) 0.485917 (6.40) Note: ( ) is t-value. R-squared 0.66 0.73 0.91 0.76
Han: A Study of Building Rice Crop Yield Forecasting Model 227 Table 6. Results of panel analysis Ⅱ Variables explanation Jeollanam-do Jeollabuk-do Chungcheongnam-do Chungcheongbuk-do C constant -1378.58 (-1.71) -681.409 (-1.46) -1492.33 (-1.65) 168.8773 (0.23) TEMP_SUM Accumulated temperature 0.121913 (3.93) 0.095692 (1.93) 0.038049 (2.70) 0.005468 (0.97) d_range Daily temperature range 11.4603 (5.97) 4.014151 (1.16) 10.40482 (4.48) 3.239328 (1.39) TEMP Average temperature 144.5941 (2.05) 101.5928 (2.39) 173.7788 (2.09) 37.62273 (0.53) TEMP^2 quadratic term -3.25886 (-2.12) -2.61143 (-2.68) -4.09519 (-2.14) -1.23805 (-0.75) SUN Duration of sunshine 3.563654 (3.41) 0.163258 (3.67) 0.100437 (1.90) 3.997601 (1.53) Note: ( ) is t-value. R-squared 0.73 0.85 0.83 0.75 당히높은수준으로나타났다. 패널분석과정에서모형의설명력을높이기위해종종활용되는더미변수는사용하지않았다. 덧붙여패널분석을실시함에있어서고정효과 (fixed effect) 를고려하였다. 이는지역별로기상이단수에미치는영향이상이하며, 재배기술및토양의재배능력이차이가존재할수 있다는가정을반영하기위한것이다. Table 7은추정된결과중강원지역의회귀계수를이용하여다른설명변수는고정시키고평균기온변화에따른단수의변화를시뮬레이션한결과이다. 구체적으로평균기온 24 를기점으로단수가감소하는것으로나타났다. 이는 24 이전까지의단 Table 7. Yield change simulation on average temperature Climate change 1 2 3 4 5 6 Accumulated temperature 806 806 806 806 806 806 Daily temperature range 7.38 7.38 7.38 7.38 7.38 7.38 Average temperature 20 21 22 23 24 25 quadratic term of Ave temperature 400 441 484 529 576 625 Duration of sunshine 100 100 100 100 100 100 Constant -127.8-127.8-127.8-127.8-127.8-127.8 Yield 415.3 418.6 420.6 421.4 420.9 419.1 Change 3.3 2 0.8-0.5-1.8
228 Journal of Agriculture & Life Science 50(3) Table 8. Yield change simulation on duration of sunshine Climate change 1 2 3 4 5 6 Accumulated temperature 806.00 806.00 806.00 806.00 806.00 806.00 Daily temperature range 7.38 7.38 7.38 7.38 7.38 7.38 Average temperature 22.00 22.00 22.00 22.00 22.00 22.00 quadratic term of Ave temperature 484.00 484.00 484.00 484.00 484.00 484.00 Duration of sunshine 80.00 90.00 100.00 110.00 120.00 130.00 Constant 418.2 419.4 420.6 421.8 423.1 424.3 Yield 1.2 1.2 1.2 1.2 1.2 수가평균기온과양 (+) 의관계로지속적으로증가하다가 23 라는최적점을기준으로보다높은기온에서는감소하는것임을의미한다. 추정된결과중강원지역의회귀계수를이용하여다른설명변수는고정시키고일조시간에따른단수의변화를확인한결과이다. 일조시간 10시간증가할때, 단수는 1.2Kg 증가하는것을확인할수있다 (Table 8). 3 기상시나리오분석을통한단수예측패널분석결과를바탕으로추정계수와고정효과 (fixed effect) 더미를포함하여추정치 (fitted value) 를산출하게된다. 이러한과정에서기상청예보를바탕으로다양한시나리오를구성하여시나리오의수만 큼예측치를산출하는과정을반복하게된다. 기상시나리오는전망시점에따라개수가달라지며, 8월말기준전망일경우평균기온, 일조시간, 일교차를기준으로작성하여최초 1,000개이상의시나리오가설정될수있다 4). 평균기온의경우기상청예보를바탕으로 0.7 간격으로시나리오를구축하며, 일조시간과일교차의경우최근 10년의관측값을바탕으로평균과표준편차를이용한최대, 최소를적용하였다. 전국쌀단수는지역별로산출된예측치를바탕으로최근재배면적을이용하여가중평균하여산출하였다. Table 9는한국농촌경제연구원농업관측센터에서 2011년에개발된쌀단수예측모형을이용하여 2011 Table 9. Forecasting results and actual measurement value(2011 2014) Rice Yield Forecast (Median) Actual Forecasting error(%) Meteorological factors Unit: kg/10a 2011 491 496-1.0% After last ten days of AUG 497 496 0.2% After last ten days of SEP 2012 504 473 6.6% After last ten days of AUG 2013 518 508 2.0% After last ten days of SEP 2014 509 520-2.1% After last ten days of SEP Source: Rice Outlook Report(KREI, Agricultural Outloook Center) 4) 산출된결과를바탕으로특정범위 ( 계급 ) 내의단수의개수를확인하여히스토그램을작성한결과, 시나리오개수의경우 1000 개를기준으로보다많은시나리오가적용되더라도빈도의차이를보일뿐이지분포에는큰차이가없는것으로나타났다.
Han: A Study of Building Rice Crop Yield Forecasting Model 229 년부터 2014년까지실제 4년간쌀관측월보에발간한쌀단수예측치와통계청이발표한실제단수를비교한것이다. 특히, 쌀단수예측모형을개발하고객관적인사후평가라는점에서그의미가있으며, 선행연구에서사용되는 RMSE, MAPE 등모형적합도분석과는차별성이상당히크다. 2012년을제외한단수전망치의오차율은 0.2-2.1% 로예측력이비교적높은것으로평가된다. 2012년의경우, 8월중순까지의기상데이터실측치를적용하고 8월하순 9 월하순까지의기상예보를바탕으로시나리오분석을한결과, 중앙값이 504kg/10a 로실제단수와의오차율은 6.6% 로높게나타났다. 이는 8월말두차례대형대풍이통과함에따라백수피해등단수급감요인이발생하였기때문이다. 이를반영하여 2013년이후에는 9월중순까지의실측기상요인을적용하였으며, 오차율은 ±2% 내외를유지하였다. References Chamberlain G. 1984. Panel data. In Griliches Z and Intriligator MD eds. Handbook of Econometrics. Vol.2. Elsevier Science. Heo SH and Hwang YS. 1984. The predictability used to the pricing of the time lag made of vegetable production. Rural Economic, Korea Rural Economic Institute. 7(4): 11-25. Joe DR and Joe JH. 1992. An Analysis and Outlook of Demand-Supply Major Fruit Products. R260. Korea Rural Economic Institute. Lee YS. 2004. An Estimation of Yield Functions of Korean Fruit-Vegetables. P073. Korea Rural Economic Institute. Lee YS. 2005. A Study on Determinants of Seasonal Supply and Price of Produce in Korea. R494. Korea Rural Economic Institute. Lee JW. 1996. A Factor Analysis on the Productivity of Radish and Chinese Cabbage. R346. Korea Rural Economic Institute. Mundlak Y. 1961. Empirical production function free of management bias. Journal of Farm Economics 43: 44-56. Mundlak Y. 1978. On the pooling of time series and cross section data. Econometrica. 46: 69-85. Korean Statistical Information Service. 2015. Rice yield. http://kosis.kr(2015. 01. 20). Korea Meteorological Administration. 2015. Actual meteorological value. http://www.kma.go.kr(2015. 1. 20). National Institute of Crop Science. 2015. Rice information on land productivity and environmental engineering factors. http://www.nics.go.kr(2015. 01. 15). Rural Development Administration. 2015. Fair weather conditions on paddy rice production. http://www.rda. go.kr(2015. 01. 15).