Journal Search Engine
Search Advanced Search Adode Reader(link)
Download PDF Export Citaion korean bibliography PMC previewer
ISSN : 1598-5504(Print)
ISSN : 2383-8272(Online)
Journal of Agriculture & Life Science Vol.50 No.3 pp.219-229
DOI : https://doi.org/10.14397/jals.2016.50.3.219

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
Corresponding author: Suk-Ho Han +82-61-820-2279+82-61-820-2424shohan@krei.re.kr
March 12, 2015 April 15, 2016 April 15, 2016

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.


쌀 단수 예측모형 개발연구

한 석호*
한국농촌경제연구원 FTA이행지원센터

초록

본 연구는 시군별 자료를 이용하여 패널자료를 구축하고 지역별로 시간이 변함에 따라 변하지 않는 고 정효과를 고려한 패널모형을 이용하여 기상요인에 대한 추정계수를 산출하고, 이러한 결과를 바탕으로 다양한 기상시나리오를 접목시켜 확률적 기법을 이용한 단수예측모형을 개발하였다. 개발된 쌀 단수예측 모형은 최근 10년 간 시군별 패널자료를 이용하여 단수를 종속변수로 평균기온, 적산온도, 일교차, 일조 시간을 설명변수로 하는 추정방정식을 설정하였다. 고정효과모형을 이용한 추정결과는 평균기온이 이차 형식임을 확인할 수 있었으며, 출수기에는 적산온도, 등숙기에는 평균기온에 큰 영향을 받는 것으로 나 타났다. 쌀 단수예측모형은 통계청에서 제공하는 실측 조사결과 이전에 그 결과를 예측할 수 있다는 점 에서 의미가 있다. 이는 수급대책 마련을 위한 논리적 근거자료로써 충분하기 때문이다. 덧붙여 토지생 산성 및 환경공학적 요인을 본 연구에서 개발된 단수예측모형과의 결합연구는 향후 과제로 남긴다.


    서론

    매년 수확 초기 쌀 생산 농가와 산지유통업체는 작황 및 생산량 예측 정보에 기초하여 출하 물량, 매입량, 가격 등에 대한 의사결정을 하고 있다. 한 편, 정부는 쌀 수급안정을 위한 정책 수립과 추진을 위해 생산량 예측자료를 활용한다.

    최근 급변하는 기상여건에 따라 쌀 단수 변동이 심화되어 수확기 생산자, 관련 업계, 정부의 의사결 정에 어려움을 주고 있다. 2008년에 이어 연속된 대풍을 기록한 2009년 논벼 단수는 10a당 534kg으 로 역대 최고치를 갱신하였으나, 2010년 논벼 단수 는 10a당 483kg으로 전년대비 9.6% 감소하고, 2012년에는 473kg까지 줄어들었다. 한편, 2014년 논벼 단수는 10a당 520kg으로 역대 2번째 높은 수 준으로 회복되었다1).

    기상변화에 의한 단수 변동폭이 커짐에 따라 정확 한 쌀 생산량 전망은 시장참여자들의 바람직한 의사 결정과 쌀 수급 안정을 위한 필수적이고 핵심적인 요인이 된다. 따라서 쌀 생산량 전망은 기상여건을 반영한 정확한 단수 예측이 뒷받침 되어야 한다.

    기상요인을 고려한 단수 및 생산량 예측과 관련된 선행연구는 다음과 같다. Heo & Hwang(1984)은 김장배추의 공급함수 추정을 위해 일조시간과 같은 기상 변수를 도입하여 청과물 수급 분석을 실시하였 다. Joe & Joe(1992)는 주요 과실류의 수급 분석 및 전망을 위해 과수 공급 추정 시 가을 철 강수량 변수를 추가하여 분석하였다. Lee(1996)는 무·배추 의 생산량 결정요인 분석을 위해 해당 품목을 작형 과 지역별로 구분하고, 각 단수를 재배 기간의 월별 기온과 강수량에 대해 회귀분석을 실시하였다. Lee(2004)는 기상요인이 과채류의 단수에 미치는 영향을 작형별로 계측하면서 지역간 결합추정 (pooled estimation)방법을 도입하여 생육기의 기상 조건이 과채류 단수에 영향을 미칠 수 있음을 확인 하였다. Lee(2005)는 주요 청과물의 계절별 공급에 영향을 미치는 경제적 요인과 기상 요인을 규명하 고, 기상요인이 청과물의 공급과 가격에 미치는 영 향을 분석하였다. 특히 배추·무의 단수함수를 추정 하기 위해 전기단수, 평균기온, 강수량, 기술더미 등의 독립변수를 사용하였다.

    기존연구의 대부분은 기상 요인이 농작물 단수에 미치는 영향을 분석하기 위한 수단으로 패널자료분석 방법을 이용하였으나 기상요인과 농작물 단수간의 선 형회귀방식을 이용하는데 그쳐 기상여건이 작물의 생 육조건에 미치는 효과분석에 한계가 존재하였다.

    따라서 본 연구에서는 제약된 데이터를 활용하여 시군 또는 읍면단위의 데이터를 이용한 패널분석을 하되, 작물이 기상요인과 상관관계분석을 단순한 선 형방정식이 아니라 비선형방정식 중 2차 함수형태를 이용하여 통계적으로 단수의 최적점(Optimal Point) 추정하여 최적점을 기준으로 최적점 이전까지는 단 수가 증가하나 최적점 이후에는 단수가 감소하는 형 태의 방정식으로 구축하였다. 한편, 본 연구는 점추 정(Point Estimation)방식에서 벗어난 확률추정 (Stochastic Estimation)기법으로 기상청의 기상예보 를 반영하여 여러 개의 기상시나리오를 작성하여 예 측단수를 추정하여 단수분포를 추정하였다. 본 연구 는 한국농촌경제연구원 농업관측센터에서 기상요인을 고려한 쌀 단수 예측치를 매년 수확 초기에 예측 및 공표함으로써 정부의 쌀 수급안정을 위한 정책 수립 과 추진을 도모할 수 있는 정교한 쌀 생산량 예측모 형을 개발하는데 목적이 있다. 또한 2011년 개발된 모형을 통해 지난 4년간 실제 농업관측센터가 발표한 쌀 단수의 예측치와 통계청의 실제치를 비교함으써 객관적인 사후평가라는 점에서 그 의미가 크다.

    재료 및 방법

    1분석모형

    1.1쌀의 생육과 기상여건

    벼의 생육은 기상환경과 토양환경의 지배를 받는 다. 기상환경에는 기온, 일조(일사), 강우량 등이 있 으며, 토양환경에는 토성, 토양의 구조, 토양의 물 과 양분을 흡착하는 능력 등이 있다. 기상환경은 직 접적으로 벼 생육과 관련되는 양분흡수, 물질이동 등의 생리적인 기능과 밀접한 관계가 있으며, 간접 적으로는 병충해 발생 또는 도복 등을 통하여 수량 에도 관여한다.

    물은 식물체의 상당부분을 차지하며, 뿌리에 의해 흡수되어 생장 및 활동에 이용되고, 잎이나 줄기의 증산작용에 의해 소실된다. 벼의 생육기간 중에 생 육시기별로 요구되는 물의 양은 다르다. 벼의 일생 중에 수잉기, 출수기, 이앙기에 필요한 물의 양이 많은 편이고, 헛가지 치는 시기에는 물 공급이 필요 없는 시기이다.

    일조란 태양광이 지표에 비추는 것을 말하며, 일 조시간은 하루 중 일정 밝기 이상의 시간을 나타낸 다. 일조시간은 일조계(측정기)로 조사 기록하는데, 밝기가 120W/㎡ 이상인 시간을 나타낸다. 일조시간 은 벼의 전체 생육기간에 영향을 미친다. 일조시간 이 적으면 영양생장기에는 벼의 키가 도장되기 쉽 고, 이삭 팬 후인 등숙기에는 벼 알맹이의 양분축적 이 부실하여 등숙율 및 천립중의 무게가 저하된다.

    기온은 대기의 온도를 말하며 벼의 잎과 줄기의 생육과 기능에 직접적인 영향을 미칠 뿐만 아니라, 논의 수온 및 지온에도 관여해서, 생장이 시작되는 생장점과 뿌리의 생리기능 및 역할에도 영향을 미친 다. 벼 생육에 영향을 미치는 기온과 수온의 영향은 생육시기에 따라 다소 차이가 있다. 벼의 생육초기 부터 어린 이삭이 형성되는 시기(이삭패기전 약 25 일)까지는 기온 보다 수온의 지배를 더 크게 받으 나, 어린이삭이 형성된 이후에는 수온보다 기온에 의해 벼 생육이 영향을 받으며, 임실율 및 등숙율은 기온의 영향이 큰 것으로 알려졌다.

    벼 생육은 생리작용의 결과 생성된 물질에 의해 이루어지는데, 생리작용은 온도의 지배를 받는다. 생리작용에는 광합성, 호흡, 수분흡수, 양분흡수, 동 화산물의 전류 등이 있는데, 이들은 온도의 영향을 받아 생육이 왕성하거나 저조하게 된다. 벼의 광합 성 작용에 알맞는 온도는 품종에 따라 다르나, 대체 로 통일형 품종이 자포니카형 품종보다 다소 높다. 생육온도에 따른 이앙 후 벼의 생육량은 현저히 다 른데, 적온범위 내에서는 온도가 높을수록 생육이 양호하다.

    적산온도란 벼 생육기간 중 0℃이상의 일 평균기 온을 합계한 값을 말하며, 벼 품종과 이앙시기에 따 라 달라지나, 대략 범위는 2,500~4,000℃이다. 파 종 전에 종자를 물에 침종시키는 데에도 적산온도 기준으로 100℃가 필요하다. 즉, 수온이 25℃이면 4일, 20℃이면 5일 침종하면 종자가 발아하는데 필 요한 수분을 흡수하게 된다. 영양 생장기에는 한매의 잎이 출현하는 데에 요구되는 적산온도는 약 100℃이 며, 생식 생장기에는 170~180℃가 소요된다. 지엽 의 추출완료로부터 이삭패는 시기까지는 약 200℃의 적산온도가 필요하다.

    벼알의 무게(쌀 수량)는 출수 후 광합성량(74%)과 출수 전 체내에 축적된 저장양분의 이동(26%)에 의 해서 결정된다. 이는 출수 후 기상여건이 벼의 생육 에 매우 중요함을 의미한다. 쌀의 품종별 출수기는 극조생종의 경우 7월 하순~8월 상순이며 이후 40 일이 지나야 수확적기가 된다. 중만생종은 8월 하순 이 출수기로 수확적기는 출수 후 50~55일이다. Fig. 1은 출수 후 일수와 벼알 무게를 나타낸 것으 로 출수 후 일수에 비례하여 벼알의 무게가 증가하 지만 40일을 전후로 벼알의 무게는 크게 변화가 없 다. 즉, 출수 후 약 40일 이후의 기상여건은 쌀 수 량에 미치는 영향이 미미한 것으로 해석할 수 있다.

    출수 후 40일 동안의 적정 기상조건으로 평균기 온은 20~22℃로 유지되는 것이 생육에 유리하다. 일교차의 경우 8~10℃가 적당하며, 일일 적정 일조 시간은 7시간이다. 한편 출수 후 40일간 등숙 적산 온도는 800~880℃가 요구된다(Table 1).

    1.2모형의 기본구조 및 특징

    쌀 단수예측모형 구축2)은 쌀 단수를 종속변수로 방정식을 설정하여 추정하는 것을 그 시작으로 한 다. 전년단수를 바탕으로 기상요인을 고려하여 금년 단수를 예측한다는 것이 가장 기본적인 아이디어이 며, 이러한 추정과정에서 작물의 생육에 영향을 미 치는 다양한 기상요인이 설명변수로 사용된다. 또한 농촌진흥청의 생육전문가의 연구결과를 바탕으로 생 육기간에 따른 중요한 기상요인을 설명변수로 포함 하는 것을 원칙으로 한다. 다만, 병해 등의 생육증 감과 관련된 요인을 고려하지 않았다는 점에서 분명 히 한계는 존재함을 밝혀둔다.

    벼 생육과 기상요인의 상관관계분석을 단순한 선 형방정식이 아닌 비선형방정식 중 2차 함수형태를 이용하여 통계적으로 단수의 최적점(Optimal Point) 추정하고, 최적점 이전까지는 단수가 증가하지만 이 후에는 단수가 감소하는 형태의 방정식으로 구축하 였다. Fig. 2에서 YD는 단수를 의미하며, C는 기상 요인을 의미한다. 이차항을 방정식에 포함하여 모형 을 설정함으로써 최적점(C* )을 확인할 수 있다. 예 를 들어 기상변수가 기온인 경우, 최적기온(C* )까지 는 단수가 증가하지만, C*이후부터는 단수가 감소 함을 의미한다. 평년기온을 바탕으로 최적온도까지는 생산량이 증가 할 수 있지만, 이상고온의 경우 단수 가 감소할 수 있다는 점을 감안한 것이라 하겠다.

    기상요인을 고려한 쌀 단수예측과정은 개발된 단 수예측모형에 가상 시나리오의 기상요인들을 투입하 여 단수분포를 바탕으로 출하이전의 대략적인 단수 예측치를 확인하고, 이후 시간의 흐름에 따라 실현 된 실제 기상데이터를 대입함으로써 그 범위를 점차 적으로 줄여나가는 방식이다. 출하기까지의 모든 기 상요인을 대입하여 공식통계를 발표하기 이전에 모 형을 통해 확정된 단수를 발표하여 정부는 쌀 수급 안정을 위한 정책 수립과 추진을 위해 생산량 예측 자료를 활용한다는데 의미가 있다.

    1.3패널분석 방법

    기존연구와 본 연구의 차별성 중 특징적인 부분은 시·군 데이터를 이용하여 패널의 형태로 자료를 구 축하고, 고정효과(fixed effect)를 고려한 패널분석 을 통해 기상변수에 대한 계수를 추정한 점이다. 패 널자료(panel data)는 분석대상의 횡단면자료가 여 러 시계열에 걸쳐 구성된 것으로 횡단면자료의 반복 으로 고려할 수 있다. 따라서 분석 상 데이터의 미 시적 단위에서 동태적 분석이 가능하며, 변수들 간 의 상호연관성을 분석하는데 있어 통계학이나 계량 경제학에서 패널분석의 응용 또한 광범위하게 진행되 고있다. 일반적으로 패널자료들은 미시자료(microdata) 들이 많은데 동일한 표본을 일정기간마다 지속 적으로 조사하여 종단면자료(longitudinal data)를 구성하며, 횡단면 표본은 크고 시계열이 짧은 것이 많다. 최근에는 장기 시계열로 구성된 패널자료가 많아짐에 따라 시계열분석을 기존의 패널모형에 적 용하는 연구도 활발하다.

    패널자료는 기존 횡단면자료 또는 시계열자료에 비해 데이터를 분석하는데 있어 몇 가지 장점을 갖고 있다. 분석대상의 표본크기가 커지기 때문에 자유도(degrees of freedom)가 늘어나고 분산이 작아져 통계의 신뢰수 준이 높아진다. 즉, 추정의 효율성(efficiency)이 향상 되는 것이다. 또한 설명변수 간의 공선성(collinearity) 이 나타날 가능성이 적어진다는 점이 있다. 시계열분석 에 있어 다중공선성(multicollinearity)문제가 발생하 는 경우가 많다. 예를 들어, 시계열자료를 이용한 수요함수를 추정할 경우 설명변수에 포함될 소득과 가격변수 간에 공선성관계가 있을 때가 많다. 그러 나 패널자료에 포함된 횡단면자료는 두 변수의 변동 성을 높여 주기 때문에 공선성 정도가 감소한다. 한 변수의 변동성은 개인 간의 차에서 발생하는 변동 (between variation)과 한 개인의 시간에 따른 변동 (within variation)으로 구분되며, 이 중 전자의 비 중이 훨씬 크다. 소득과 가격의 시계열자료에 비해 패널자료는 공선성의 가능성이 적음은 물론 두 변수 에 대해 보다 구체적인 정보를 내포하기에 추정의 효율성이 향상된다. 즉, 추정량의 편의(bias)를 감소 시킬 수 있다. 회귀방정식을 설정하는 데 있어 종속 변수에 영향을 주는 변수가 생략되었고, 그 변수가 회귀방정식에 포함된 다른 변수와 상관관계가 있다 면 추정량(estimator)에 편의가 발생하게 된다. 이 는 수치로 관찰이 어려운 문제점이 있어 횡단면자료 만을 이용할 때에는 설명변수로 포함할 수 없는 반면, 패널자료를 이용할 때에는 생략변수(omitted variable)의 문제가 완화될 수 있다. 패널자료를 이 용할 때, 추정량의 편의를 감소시키는 장점은 결국 패널자료에서 이질성(heterogeneity)을 제어할 수 있는 능력으로부터 나온다. 횡단면자료나 시계열자료 에서는 제어할 수 없으나 패널자료에서는 제어가 가능 하기 때문에 생략변수와 같은 설정오류(specification error)를 완화시킬 수 있기 때문이다. 개별효과모형 의 일반적인 선형회귀방정식은 다음과 같다.

    y i t = X β + Z i γ + = X i t β + Z i γ + α i + υ i t i = 1 , , N . t = 1 , , T
    (1)

    주:

    i:

    횡단면 표본의 크기, t: 시계열 표본의 크기, υ : i i d ( 0 , δ υ 2 )

    식 (1)은 아래의 식 (1)′또는 식 (1)″과 같이 표현할 수 있다.

    y i = X i β + ( e T Z i ) γ + e T α i + υ i i = 1 , , N .
    (1)′

    주: yi = (yi1, yi2, …, yiT), Xi = (Xi1, Xi2, …, XiT), υi′ = (υi1, υi2, …, υiT), eT = T×1 벡터(vector)

    y = X β + ( G 1 Z ) γ + G 1 α + υ
    (1)″

    주:

    y =

    (y1′, y2′, , yN′)′

    X =

    (X1′, X2′, , XN′)′

    Z =

    (Z1′, Z2′, , ZN′)′

    α =

    (α1′, α2′, , αN′)′

    υ′ =

    (υ1′, υ2′, , υN′)′

    G1 =

    INeT

    αi를 고정된 것으로 가정하면 고정효과모형(fixed effect model), 확률변수(random variable)로 가정 하면 확률효과모형(random effect model)으로 구분 할 수 있다. 표본 내의 효과에 기초하여 추론을 한 다면 고정효과모형을, 모집단의 특성에 대하여 추론 을 도출하려 한다면 확률효과모형이 적합하다. 고정 효과모형은 αi를 고정된 모수(parameter)로 가정한 것이므로 이를 추정해야 하는데, 표본이 크면 추정 할 모수가 많아지게 된다. 횡단면 표본이 커질수록 모수의 수도 함께 증가하는 이른바 우발적 모수문제 (incidental parameter problem) 3)가 발생한다. 더 욱이 시계열 자료까지 작을 경우, 자유도의 손실이 크므로 PSID와 같은 가구조사 자료의 경우 고정효 과모형이 적합지 않다고 볼 수 있다. 확률효과모형 은 αi i i d ( 0 , δ α 2 ) 와 같이 확률변수로 가정하므로 추정할 모수가 표본의 크기에 관계없이 고정되어 있 어 표본이 크고 시계열자료가 작은 패널자료에 적합 하다. 한편 고정효과모형에서는 αi가 설명변수 Xit 와 상관관계가 있어도 이로 인하여 추정에 편의가 발생하지 않으나, 확률효과모형에서는 αi가 확률변 수로 간주되므로 설명변수와 상관관계가 없다고 가 정한다.

    Mundlak(1961; 1978)의 예를 보면 농사의 생산함 수를 추정하는 데 쌀농사의 경우 yit 는 쌀의 산출물 이고, Xit 는 농토, 노동, 씨앗, 비료 등이며, αi는 토질과 같은 변수, υit 는 강우량과 같이 농부의 제어 밖에 있는 확률변수로 볼 수 있다. 이때 농부 i는 본인이 경작하는 농토의 토질인 αi를 알고 있으나 생산함수를 실증분석하는 경제학자는 알 수 없는 관 찰 불가능한 변수(unobservable variable)이다. 농부 는 비료 및 씨앗을 본인이 경작하는 토질에 적합한 것으로 선택할 것이므로 Xitαiαi 사이에는 상관관계 가 존재한다. 이 때 두 변수 사이의 상관관계를 무시 하는 확률효과모형을 이용하면 편의가 있는 추정을 할 것이다. 따라서 생산함수를 추정하면서 기술적 효 율성(technical inefficiency)을 함께 추정하는 확률적 생산변경모형(stochastic production frontier model) 에서는 주로 고정효과모형의 추정결과를 이용하고 있다. 이러한 맥락에서 본 연구는 시군별 단수와 기 상변수를 이용하여 패널자료를 구축하고 고정효과 모형의 추정결과를 이용한다. 구체적으로 기상요인 을 제외하고, 생육에 미치는 토양 및 품종 등이 고 정효과에 반영됨을 의미한다. 덧붙여 앞서 언급한 바에 따라 패널자료를 이용함으로써 생략변수와 같 은 설정오류(specification error)문제를 완화하고자 하였다.

    1.4가상시나리오 적용

    기상청에서 제공하는 장기예보는 평균기온과 강수 량에 대해서 평년 기상을 기준으로 평균기온의 경우 “높다, 비슷, 낮다”로 제공되고 있으며, 강수량의 경우 “많다, 비슷, 적다” 이상의 세 가지 형태로 제공되고 있다(Table 2).

    기상청 장기예보를 활용하기 위해서는 지역별 평 년값(30년 동안 기상 평균값)이 필요하다. 평년값이 존재하지 않는 지역의 경우에는 인근지역의 평년값 으로 대체하여 사용하며, 이를 바탕으로 과거 기상 을 정리하여 추정모형에 적용될 설명변수로 사용한 다. 수집된 설명변수를 바탕으로 벼 생육기간 동안 의 기상시나리오 초안을 작성하게 된다. 이후 순별 로 지역별 기상 관측값을 대입하여 시나리오를 업데 이트하고 실제 관측값을 바탕으로 삭제해 나가는 방 법이다.

    본 연구에서는 기상청의 예보를 바탕으로 구체적 인 수치를 대입하여 시나리오를 작성하였다. 한편, 일교차, 일조시간은 기상청 예보에 포함되지 않아 최근 5년간의 평균과 표준편차를 이용한 최대, 최소 값 등을 이용하여 시나리오를 설정하였다. 기상청 장기예보가 평균기온과 강수량 두 가지에만 제한되 어 있고, 정량적 예측치가 아닌 정성적 예측이라는 이유로 인하여 시나리오 작성에는 분명한 한계점이 존재한다.

    결과 및 고찰

    1자료 및 추정 방정식

    쌀의 생육과 기상조건을 고려하여 단수예측모형을 위해 적산온도, 평균기온, 일조시간, 일교차 이상 4 가지를 주요변수로 고려하였다. 쌀의 생육에 가장 중요한 출수기와 등숙기의 기상요인을 고려하기 위 해 Table 3의 적용기간과 변수를 바탕으로 모형을 구축하였다. 이러한 변수 설정은 쌀의 생육에서 등 숙기의 기상요인이 쌀 수확량의 74%를 결정하는 점 을 충분히 고려하기 위함이다.

    적산온도의 경우 생육이 중단되는 10℃를 기준으 로 설정하여 10일(순별) 동안의 적산온도에서 100℃ 를 빼고 변수로 처리하였다. 등숙기의 평균기온과 일교차는 순별평균을 이용하였으며, 일조시간은 순 별합계를 이용하였다. 기본적인 추정방정식은 4개의 기상요인을 포함한 다음의 식 (2)로 설정하였다.

    Y D = f ( t e m p s u m , t e m p , t e m p 2 , d r a n g e , s u n )
    (2)

    종속변수 YD는 단위면적당 쌀 수확량을 의미하 며, temp-sum은 적산온도를 의미한다. temp는 평 균기온을 의미하고, 2차항을 추가하여 평균기온과 단수간의 비선형관계를 고려하였다. d-range는 일 교차를 의미하며, sun은 일조시간을 말한다. 분석에 는 총 155개 지역의 단수와 기상요인이 사용되었다. 패널분석을 위해 도단위 패널자료를 구축하였으며, 도별로 포함된 시군표본은 Table 4를 통해서 나타 내었다. 광역시의 경우 인접도에 표본을 포함하였으 며, 이는 광역시의 재배면적의 비중이 크지 않기 때 문이라 할 수 있다. 제주도는 쌀 생산량 비중이 2010년 기준 전국의 0.01%가 되지 않고, 논벼를 대 상으로 함을 전제할 때 제주 지역의 경우 대부분 밭 벼인 관계로 분석에서 제외하였음을 밝혀둔다. 종속 변수인 단수의 경우 통계청 작물 생산량 통계를 바 탕으로 구성하였다.

    기상자료의 경우 기상청 홈페이지에서 제공하는 자 료 중 과거자료-순별자료를 바탕으로 자료를 구성하 였다. 분석에 사용된 155개 지역 중 기상관측지점이 아닌 지역에 대해서는 인근지역의 기상자료를 이용하 였다. 이는 기상조건을 활용하여 실제 지역별 품목의 수확량을 분석하는 경우, 기상관측 지점과 단수 측정 지점이 달라질 수 있는 한계점이 존재한다.

    2추정결과

    쌀 단수를 종속변수로 설정하고 다양한 기상요인 을 설명변수로 구축된 방정식은 8개 지역(도 단위) 으로 구분하여 패널분석을 실시하였다. 공통적으로 2차 형식으로 고려된 평균기온의 2차 항의 추정계수 는 통계적으로 유의한 음의 부호로 나타났고, 이는 평균기온과 단수와의 관계가 비선형임을 설명한다. 즉, 평균기온이 지속적으로 증가함에 따라 단수가 동일한 형태로 증가하는 것이 아니라, 최적온도(임 계점)을 지나게 되는 경우 평균기온의 증가에 따라 단수가 감소함을 의미한다. 개별 설명변수의 통계적 유의성은 충북지역을 제외하고 모든 지역에서 10% 유의수준에서 적합한 것으로 나타났다. 적산온도는 쌀 단수에서 출수기에 가장 중요한 요인으로 회귀계 수가 양(+)의 결과로 도출되었으며, 통계적으로 유 의한 것으로 나타났다. 일조시간과 일교차 또한 등 숙기에 중요한 기상변수로 통계적으로 유의한 양(+) 의 결과가 도출되었다.

    Table 5와 Table 6을 통해서 확인할 수 있듯이 모형의 설명력을 나타내는 R2가 패널분석으로써 상 당히 높은 수준으로 나타났다. 패널분석과정에서 모 형의 설명력을 높이기 위해 종종 활용되는 더미변수 는 사용하지 않았다. 덧붙여 패널분석을 실시함에 있어서 고정효과(fixed effect)를 고려하였다. 이는 지역별로 기상이 단수에 미치는 영향이 상이하며, 재배기술 및 토양의 재배능력이 차이가 존재할 수 있다는 가정을 반영하기 위한 것이다.

    Table 7은 추정된 결과 중 강원지역의 회귀계수 를 이용하여 다른 설명변수는 고정시키고 평균기온 변화에 따른 단수의 변화를 시뮬레이션 한 결과이 다. 구체적으로 평균기온 24℃를 기점으로 단수가 감소하는 것으로 나타났다. 이는 24℃이전까지의 단 수가 평균기온과 양(+)의 관계로 지속적으로 증가하 다가 23℃라는 최적점을 기준으로 보다 높은 기온에 서는 감소하는 것임을 의미한다. 추정된 결과 중 강 원지역의 회귀계수를 이용하여 다른 설명변수는 고 정시키고 일조시간에 따른 단수의 변화를 확인한 결 과이다. 일조시간 10시간 증가할 때, 단수는 1.2Kg 증가하는 것을 확인할 수 있다(Table 8).

    3기상 시나리오 분석을 통한 단수예측

    패널분석결과를 바탕으로 추정계수와 고정효과(fixed effect) 더미를 포함하여 추정치(fitted value)를 산 출하게 된다. 이러한 과정에서 기상청 예보를 바탕 으로 다양한 시나리오를 구성하여 시나리오의 수만 큼 예측치를 산출하는 과정을 반복하게 된다. 기상 시나리오는 전망 시점에 따라 개수가 달라지며, 8월 말 기준 전망일 경우 평균기온, 일조시간, 일교차를 기준으로 작성하여 최초 1,000개 이상의 시나리오가 설정될 수 있다4). 평균기온의 경우 기상청 예보를 바탕으로 0.7℃ 간격으로 시나리오를 구축하며, 일 조시간과 일교차의 경우 최근 10년의 관측값을 바탕 으로 평균과 표준편차를 이용한 최대, 최소를 적용 하였다. 전국 쌀 단수는 지역별로 산출된 예측치를 바탕으로 최근 재배면적을 이용하여 가중 평균하여 산출하였다.

    Table 9는 한국농촌경제연구원 농업관측센터에서 2011년에 개발된 쌀 단수예측모형을 이용하여 2011 년부터 2014년까지 실제 4년간 쌀 관측월보에 발간 한 쌀 단수 예측치와 통계청이 발표한 실제 단수를 비교한 것이다. 특히, 쌀 단수예측모형을 개발하고 객관적인 사후평가라는 점에서 그 의미가 있으며, 선행연구에서 사용되는 RMSE, MAPE 등 모형적합 도 분석과는 차별성이 상당히 크다.

    2012년을 제외한 단수 전망치의 오차율은 0.2~ -2.1%로 예측력이 비교적 높은 것으로 평가된다. 2012년의 경우, 8월 중순까지의 기상데이터 실측치를 적용하고 8월 하순~9월 하순까지의 기상예보를 바탕 으로 시나리오 분석을 한 결과, 중앙값이 504kg/10a 로 실제 단수와의 오차율은 6.6%로 높게 나타났다. 이는 8월 말 두 차례 대형 대풍이 통과함에 따라 백 수피해 등 단수 급감요인이 발생하였기 때문이다. 이를 반영하여 2013년 이후에는 9월 중순까지의 실 측 기상요인을 적용하였으며, 오차율은 ±2% 내외 를 유지하였다.

    Figure

    JALS-50-219_F1.gif

    Days & paddy rice weight after heading.

    Source: Rural Development Administration

    JALS-50-219_F2.gif

    Model specification.

    Table

    Fair weather conditions in 40 days after heading

    Source: Rural Development Administration

    Meteorological forecast

    Meteorological variables employed in model

    Data used in analysis

    Results of panel analysis I

    Note: ( ) is t-value.

    Results of panel analysis II

    Note: ( ) is t-value.

    Yield change simulation on average temperature

    Yield change simulation on duration of sunshine

    Forecasting results and actual measurement value(2011~2014) Unit: kg/10a

    Source: Rice Outlook Report(KREI, Agricultural Outloook Center)

    Reference

    1. Chamberlain G Griliches Z , Intriligator MD (1984) Handbook of Econometrics, Elsevier Science, Vol.2
    2. Heo SH , Hwang YS (1984) The predictability used to the pricing of the time lag made of vegetable production , Rural Economic Korea Rural Economic Institute, Vol.7 (4) ; pp.11-25
    3. Joe DR , Joe JH (1992) An Analysis and Outlook of Demand-Supply Major Fruit Products , R260. Korea Rural Economic Institute,
    4. Lee YS (2004) An Estimation of Yield Functions of Korean Fruit-Vegetables , P073. Korea Rural Economic Institute,
    5. Lee YS (2005) A Study on Determinants of Seasonal Supply and Price of Produce in Korea , R494. Korea Rural Economic Institute,
    6. Lee JW (1996) A Factor Analysis on the Productivity of Radish and Chinese Cabbage , R346. Korea Rural Economic Institute,
    7. Mundlak Y (1961) Empirical production function free of management bias , Journal of Farm Economics, Vol.43 ; pp.44-56
    8. Mundlak Y (1978) On the pooling of time series and cross section data , Econometrica, Vol.46 ; pp.69-85
    9. Korean Statistical Information Service (2015) Rice yield, http://kosis.kr(2015. 01. 20)
    10. Korea Meteorological Administration (2015) Actual meteorological value, http://www.kma.go.kr(2015. 1. 20)
    11. National Institute of Crop Science (2015) Rice information on land productivity and environmental engineering factors, http://www.nics.go.kr(2015. 01. 15)
    12. Rural Development Administration (2015) Fair weather conditions on paddy rice production, http://www.rda.go.kr(2015. 01. 15)
    오늘하루 팝업창 안보기 닫기