• 한국산림과학회지
• /
• 제104권2호
• /
• pp.248-253
• /
• 2015

본 연구는 단기소득임산물에 대한 최적 생산계획을 수립하기 위한 의사결정 정보를 제공하는 수단으로 포트폴리오 기법을 적용하였다. 대상품목은 밤, 대추, 호두, 떫은감이며, 2008년부터 2013년까지 임산물생산비 통계의 생산량, 생산비, 조수입 자료를 이용하였으며 단위당 순수익을 분석하였다. 포트폴리오 모델에서 목적함수는 투자위험을 나타내는 유실수 품목의 수익 변동폭을 최소화하는 것이고, 제약조건은 최소 기대수익률을 달성하는 것이다. 분석결과, 2013년 유실수의 생산비율 밤 7%, 대추 20%, 호두 5%, 떫은감 68%과 비교하여 포트폴리오에서는 미래의 유실수 생산비율을 평균 밤 10%, 대추 9%, 호두 3%, 떫은감 78%로 구성하는 것이 안정적인 소득증대를 위해서 보다 효율적인 것으로 제시되었다. 이러한 원인은 호두와 대추가 순수익이 가장 많았지만 생산량과 수익의 등락폭이 상대적으로 컸고, 떫은감과 밤은 상대적으로 안정된 생산량과 일정한 수익을 유지하고 있기 때문인 것으로 분석되었다.

• Current Research on Agriculture and Life Sciences
• /
• 제4권
• /
• pp.141-153
• /
• 1986

본(本) 연구(硏究)에서는 한국의 마늘(건(乾), 1접)과 양파(중품, 3.75kg) 가격(價格)에 관해 순환변동치(循環變動値)를 도출하여 순환주기, 방향(方向), 진폭(振幅) 및 요인(要因) 그리고 계절변동 패턴을 비교 분석(分析)하고 이들 작용(作目)의 가격동향(價格動向)을 순환국면별로 비교분석하여 가격안정화 대책을 제시하는데 목적(目的)을 두었다. 그 결과(結果) 다음과 같은 주목(注目)할 사실이 유의적(有意的)으로 밝혀졌다. 1) 마늘가격의 순환변동은 1967년 이후 1986년까지 최저 28개월에서 최고 53개월을 1주기로 6차례 있었다. 상승국면은 평균 20개월간으로 평균주기는 38개월을 보이고 있다. 양파의 순환주기는 최저 21개월에서 최고 47개월간으로 평균 35개월을 1주기로 하고 있어 마늘에서 보다는 약간 짧게 나타나고 있으며 상승국면과 하강국면의 기간은 각각 17.5개월과 16.7개월을 보여 마늘의 경우 하강국면이 상승국면보다 3개월 긴데 비해 양파는 오히려 하강국면이 상승국면보다 1개월 짧게 나타나고 있다. 그러나 이러한 주기현상은 어디까지나 평균개념에서 본 개월수이며 매 주기마다 면밀히 검토하면 각 주기의 기간은 상당한 차이를 보이고 있다. 2) 제1순환에서 제5순환까지의 국면별 공통된 특징은 순환변동치(循環變動値)의 정점(頂點)이 낮으면 하강국면이 상대적으로 짧고 순환변동치의 정점이 높으면 반면에 하강국면(下降局面)이 길고 또한 저점(底點)의 계곡이 깊게 나타나고 있다는 점이다. 이러한 순환변동치의 동향을 마늘재배농가는 깊이 인식하여 차년도(次年度)의 마늘재배에 신중을 기하여 경제적손실(經濟的損失)을 미연에 방지해야 할 것이다. 3) 마늘과 양파의 순환변동기(循環變動期)에서 주목할 것은 1966년 이후 1973년까지는 마늘과 양파의 순환변동치가 서로 반대방향으로 움직이고 있었으나 1975년부터 1985년까지는 약간의 시차(時差)를 두고 같은 방향으로 변동하고 있다는 점이다. 4) 시간적(時間的)으로 순환(循環)이 진행(進行)됨에 따라 진폭(振幅)의 크기가 점점 커지는 발산진동형(發散振動型)으로 가고 생산품(生産品)을 판매하는 유통단계(流通段階)에서 상대적으로 수익상 위험률이 높다. 5) 마늘가격의 계절지수(季節指數) 패턴을 월별(月別)로 보면 6월부터 10월까지 지수값이 100이하를 보여 연평균(年平均)수준을 밑돌고 있고 11월부터 이듬해 5월까지는 평균수준을 넘고 있다. 특히 수확초기인 6월(月)~7월(月) 사이에 가장 낮고 동절기(冬節期)에는 높게 나타나고 있다. 양파의 경우는 5월부터 11월까지 연평균수준을 밑돌고 있고 12월부터 이듬해 4월까지는 높게 나타나고 있다. 한편 계절변동의 등락격차를 20년간 월별 자료에서 구한 표준편차(標準偏差)로 보면 계절적 요인에 의한 가격변동폭은 마늘에서 보다는 양파가 크다. 6) 순환성(循環性)은 공급(供給)측면에서 볼때, 마늘과 양파의 경우, 첫째, 파종된 마늘의 성장조건(成長條件)이 순환성(循環性)을 가지고 변화하여 공급(供給)에 영향을 주고 있다. 즉 8월 하순~9월에 파종하여 5월~6월 상순에 수확하는 난지계(暖地系)마늘과 9월 하순~10월에 파종하여 6月 중순에 수확하는 한지계(寒地系)마늘은 생유기(生有期)인 봄철의 기후(氣候)조건에 따라 단보당(段步當) 수확량이 크게 변화하여 수급(需給)조절이 어려워 가격의 순환성(循環性)이 나타난다고 할 수 있다. 양파의 경우도 9월 하순~10월 하순이 파종기인데 역시 생유기(生有期)인 봄철의 기후조건이 순환성을 띄고 있기 때문이다. 둘째로, 순환성(循環性)을 야기시키는 요인(要因)은 농민(農民)의 경작여부(공급(供給)여부)에 관한 의사결정(意思決定) 과정에서 초과공급(超過供給) 또는 공급부족(供給不足)현상이 나타나기 때문이다. 셋째로, 순환변동(循環變動)의 진폭을 크게 해주는 요인으로 볼 수 있는 것은 마늘의 경우 마늘 생산량에 대한 종자소요량(種子所要量)이 크다는 점이다. 7) 순환국면별(循環局面別)로 마늘가격의 동향을 일반 농산물가격과 일반 소비자물가지수와 비교해 볼때, 주목되는 현상은 첫째, 마늘과 양파의 가격신축성(價格伸縮性)이 일반농산물(一般農産物)의 그것보다 4~5배나 되고 있으며, 둘째, 일반소비자물가지수나 농가판매 가격지수는 시계열적(時系列的)으로 상승폭에는 기복이 다소 있지만 계속증가추세를 보이는데 반해 마늘과 양파가격은 하강국면에 경상가격마저 하락하고 있어 재배농가의 수익성(收益性)이 보장되지 못하고 있음을 알 수 있다. 셋째, 이와 같이 마늘과 양파는 가격등락이 심하기 때문에 유통단계(流通段階)에서의 마진률이 대단히 크며 또한 투기(投機)의 대상(對象)이 될 수 있어 생산자(生産者)와 소비자(消費者)는 시장(市場)에서 불리한 입장에 있다고 하겠다. 8) 1986년산(年産)의 마늘예상적정재배면적(豫想適正栽培面積)은 40천(千)ha인데 실체 재배면적은 44.2천(千)ha에 이르고 있어 10.5% 많은 것으로 기상이 좋을 경우 크게 과잉생산(過剩生産)될 것으로 예상된다. 양파의 경우는 예상적정재배면적이 10.7천(千)ha인데 실제 재배면적은 8.7천(千)ha로 무려 18.7% 적기 때문에 양파값이 높을 것으로 예상된다. 단기대책(短期對策)으로는 마늘의 경우 (1) 공급과잉(供給過剩)으로 소비수요(消費需要)를 늘리는 대책(對策)이 강구되어져야 하며 (2) 성출하기(盛出荷期) 홍수출하에 의한 가격하락방지를 위하여 농안기금(農安基金)을 이용해 출하선도금지원계획(出荷先渡金支援計劃)을 확대실시하고 지원단가도 작년수준보다 높게 정한다. (3) 수출지원제를 모색하여 해외수요를 늘인다. 양파의 경우 (1) 입도선매에 의한 매점을 강력히 규제하여 농민의 피해를 줄인다. (2) 출하조절지원사업을 내실있게 운영하여 초기출하에 따른 농민의 피해를 줄인다. (3) 차기(次期)의 가격 안정을 위해 양파수입을 금지한다. 장기대책(長期對策)으로는 (마늘, 양파) (1) 산업용신수요(産業用新需要)를 포함한 수요예측(需要豫測)에 정도(精度)를 높인다. (2) 가격예시제(價格豫示制)를 실시하여 정부수매를 점진적으로 증대한다. (3) 유통(流通)의 근대화(近代化)를 통해 중간마진폭을 줄인다. (4) 희망재배면적을 사전에 조사하여 적정재배면적으로 유도한다. (5) 농민의 의사결정에 필요한 경영지도를 강화한다. (6) 이원적(二元的)인 재배면적 조사로 정확성을 높이도록 통계제도를 개선한다. (7) 관수시설(灌水施設)을 지원(支援)하고 종자보급 및 재배기술을 강화한다. (8) 수입억제로 농정에 대한 신뢰성을 높인다.

• 한국빅데이터학회지
• /
• 제4권2호
• /
• pp.1-12
• /
• 2019

인공지능 기술이 발전하면서 이미지, 음성, 텍스트 등 다양한 분야에 적용되고 있으며, 데이터가 충분한 경우 기존 기법들에 비해 좋은 결과를 보인다. 주식시장은 경제, 정치와 같은 많은 변수에 의해 영향을 받기 때문에, 주식 가격의 움직임 예측은 어려운 과제로 알려져 있다. 다양한 기계학습 기법과 인공지능 기법을 이용하여 주가 패턴을 연구하여 주가의 등락을 예측하려는 시도가 있어왔다. 본 연구는 딥러닝 기법 중 컨볼루셔널 뉴럴 네트워크(CNN)를 기반으로 주가 패턴 예측률 향상을 위한 데이터 증강 방안을 제안한다. CNN은 컨볼루셔널 계층을 통해 이미지에서 특징을 추출하여 뉴럴 네트워크를 이용하여 이미지를 분류한다. 따라서, 본 연구는 주식 데이터를 캔들스틱 차트 이미지로 만들어 CNN을 통해 패턴을 예측하고 분류하고자 한다. 딥러닝은 다량의 데이터가 필요하기에, 주식 차트 이미지에 다양한 데이터 증강(Data Augmentation) 방안을 적용하여 분류 정확도를 향상 시키는 방법을 제안한다. 데이터 증강 방안으로는 차트를 랜덤하게 변경하는 방안과 차트에 가우시안 노이즈를 적용하여 추가 데이터를 생성하였으며, 추가 생성된 데이터를 활용하여 학습하고 테스트 집합에 대한 분류 정확도를 비교하였다. 랜덤하게 차트를 변경하여 데이터를 증강시킨 경우의 분류 정확도는 79.92%였고, 가우시안 노이즈를 적용하여 생성된 데이터를 가지고 학습한 경우의 분류 정확도는 80.98%이었다. 주가의 다음날 상승/하락으로 분류하는 경우에는 60분 단위 캔들 차트가 82.60%의 정확도를 기록하였다.