• 한국경제지리학회지
• /
• 제22권4호
• /
• pp.555-575
• /
• 2019

부동산의 물리적 특성상 주택시장은 공간적으로 다양하게 분화된다. 그러나 주택시장을 대상으로 시행되는 주택정책은 지역에 따른 세부적 시장 분화를 반영하는데 한계점을 보이고 있다. 본 연구는 향후 주택정책의 효율적인 시행을 위해 자치구별 정책에 대한 반응의 차이를 알아보았다. 2003년에서 2018년까지의 주택정책을 월별로 조사하고 두 종류로 구분하여 가중치를 부여한 뒤 각 자치구의 지정지역 현황에 따라 자치구별 주택정책지수를 수립하였다. 주택정책지수가 자치구별 아파트시장에 미치는 영향을 분석하기 위해 VECM 모형을 구축하고, 이를 기반으로 충격반응분석과 분산분해분석을 시행하였다. 분석 결과 주택정책은 시장가격변화에 반응하여 수립되나 반대로 주택정책이 주택가격에 미치는 영향력의 크기는 주택가격이 주택정책에 미치는 영향에 비해 미미한 것으로 나타났다. 또 주택정책이 주택 가격에 유의한 효과를 미치는 지역은 서울 동북권 위주의 일부 지역에 한정되는 것으로 확인되었다. 이와 같은 결과는 서울 내에서도 자치구별로 주택정책에 대한 반응에 차이가 존재하며, 따라서 주택정책 시행 시 보다 미시적인 지역별 반응 양상 차이에 대한 세부적 고려가 필요함을 보여준다.

• 재무관리연구
• /
• 제24권4호
• /
• pp.107-134
• /
• 2007

본 연구는 코스피 200 선물시장의 거래변화량과 미결제약정변화량이 수익률과 변동성에 대한 가격예측기능이 있는지를 가설설정을 통해 실증 분석하는 데 있다. 이와 더불어 지수선물시장의 정보효율성과 함께 경제적 의미를 유추하고자 한다. 분석 자료는 1998년 7월 7일부터 2005년 12월 29일까지 최근월물 코스피 200 지수선물수익률, 변동성, 거래변화량 및 미결제약정변화량을 이용하였다. 설정된 가설을 검증하기 위한 분석모델로는 VAR 모형을 이용한 그랜즈 인과관계분석, 충격반응함수 및 분산분해와 ARMA(1,1)-GJR-GARCH(1,1)-M모형 등 다양한 동태적 금융시계열기법들을 이용하였다. 주요 분석결과는 다음과 같다. 그랜즈 인과관계분석, 충격반응함수 및 분산분해분석의 결과, 코스피 200 선물거래변화량뿐만 아니라 미결제약정변화량도 수익률의 가격발견에 예측력을 지니고 있는 것으로 나타났다. 또한 코스피 200 선물거래변화량과 미결제약정변화량 간에는 상호 피드백적인 예측력을 보였으나, 미결제약정변화량이 상대적으로 거래변화량에 대해 보다 일관성 있게 예측정보를 제공하였다. 이러한 결과는 Jacobs and Oncochie(1998), Kocagil and Shachmurove(1998), Mougoue(2002), Yang et al(2005), 의 연구결과와 대동소이하였다. ARMA(1,1)-GJR-GARCH(1,1)-M모형을 이용한 분석결과, 코스피 200 선물수익률과 변동성은 전기의 거래변화량과 미결제약정으로부터 조건부평균방정식과 조건부분산방정식에서 영향을 받고 있는 결과를 보였으며, 정보에 대한 비대칭적 정보효과도 존재함을 보였다. 또한 코스피 200 선물거래변화량과 미결제약정변화량도 코스피 200 수익률로부터 영향을 받는 결과를 보였다. 이러한 결과들은 코스피 200 선물시장이 효율적 시장이 아니며 정보의 비대칭성도 존재함을 알 수 있다. 따라서 투자자들은 과거의 코스피 200 선물수익률, 변동성, 거래변화량 및 미결제약정변화량을 충분히 분석함으로써 초과이익을 달성할 여지를 가지고 있음을 추론해 볼 수 있다.

• 시큐리티연구
• /
• 제61호
• /
• pp.109-135
• /
• 2019

본 연구는 소방공무원의 직무질환(진료건수)에 대한 시계열 분석 등 기술적 탐색 연구를 진행하는데 그 목적이 있다. 구체적인 연구결과는 다음과 같다. 첫째, 소방공무원의 직무질환에 대한 평균추이는 ① 내과 질병은 12월이 9.24%로 가장 높고, 2월이 7.76%로 가장 낮고, ② 이비인후과 질병은 12월이 9.29%로 가장 높고, 8월이 6.74%로 가장 낮으며, ③ 피부과 질병은 7월이 10.03%로 가장 높고, 1월과 2월이 7.35%로 가장 낮고, ④ 외과 질병은 11월이 10.38%로 가장 높고, 2월이 5.62%로 가장 낮으며, ⑤ 정형외과 질병은 3월이 9.69%로 가장 높고, 11월이 7.52%로 가장 낮고, ⑥ 신경외과 질병은 4월이 9.33%로 가장 높고, 2월이 6.82%로 가장 낮으며, ⑦ 재활의학과 질병은 12월이 9.47%로 가장 높고, 10월이 7.06%로 가장 낮고, ⑧ 정신건강의학과 질병은 12월이 9.93%로 가장 높고, 5월이 6.51%로 가장 낮은 것으로 나타났다. 둘째, 소방공무원의 직무질환에 대한 계절분해는 ① 내과 질병은 1.075(S) × 189.355(T·C) × 1.174(R) = 238.975(F), ② 이비인후과 질병은 1.023(S) × 69.605(T·C) × 1.040(R) = 74.000(F), ③ 피부과 질병은 1.002(S) × 73.088(T·C) × 0.874(R) = 64.000(F), ④ 외과 질병은 1.099(S) × 27.229(T·C) × 0.669(R) = 20.000(F), ⑤ 정형외과 질병은 1.115(S) × 73.182(T·C) × 1.213(R) = 99.000(F), ⑥ 신경외과 질병은 0.993(S) × 27.836(T·C) × 1.303(R) = 36.000(F), ⑦ 재활의학과 질병은 1.029(S) × 62.417(T·C) × 1.152(R) = 74.000(F), ⑧ 정신건강의학과 질병은 1.210(S) × 8.781(T·C) × 1.035(R) = 11.000(F) 등으로 나타났다.

• Current Research on Agriculture and Life Sciences
• /
• 제8권
• /
• pp.129-138
• /
• 1990

이상에서 본 연구는 1960년 이후부터 1985년까지의 인구규모와 그 변동의 특질을 농촌에서 도시로의 인구이동현상과 관련하여 검토해 보았다. 아울러 분해시계열방법을 이용하여 농촌인구유출과 농정과의 관계도 고찰하였다. 그리고 적정모델을 추정하여 2,000년까지의 농촌 및 농가인구도 예측해 보았다. 결론적으로 말해서 인구구조의 변화측면에서 농촌인구와 농가인구는 1965년부터 감소하기 시작하여 1975년 이후부터 급격히 감소하였다. 농촌인구의 급격한 감소는 농촌 인구의 자연감소로 인한 요인보다는 도시로 유출되는 인구이동의 요인이 더 크게 작용한 것으로 나타났다. 농촌에서 도시로의 인구유출과정에서 유입지의 분포를 보면 도시지역 중에서 서울, 부산, 경기지역으로 인구가 집중한 것으로 나타났다. 특히 70년대에는 서울 부산 등 대도시 지역으로 직접적인 이동이 있었으나 80년대에 들어와서는 대도시 지역으로의 직접적인 유입보다는 주변지역으로의 유입이 점차 증가함으로써 농촌에서 대도시로의 유입형태가 주변도시로의 유입형태로 변화되고 있다. 농촌인구의 유출을 농업생산과 관련시켜 볼 때 농업노동력의 수요가 확대되는 6월 이후에 유출인구는 점차 줄어들고 있으며 3월에 가장 많이 유출하는 것으로 판명되었다. 60년대 이후 농업정책과 농촌인구의 유출과의 관계를 분석하기 위해 순환변동을 도출하였으며 2-3차 개발계획기간을 제외한 기간에 있어서 농촌부문의 상대적 저위성이 농촌인구의 유출을 자극한 요인으로 작용했으며 이러한 사실은 농업정책의 불균형적 시행이 직 간접적으로 영향을 미친 결과라 하겠다. 끝으로 농촌인구의 유출을 포함한 한국농업의 근본적인 문제는 도농간 상대적 소득 격차에 있다고 보고 농촌지역의 개발을 서울이나 수도권, 대도시권의 비대화를 막기 위한 방편 또는 공업화 우선정책의 반작용으로 본 과거의 정책성향을 극복해야 한다는 점이다. 따라서 도농간 소득격차의 문제를 농업정책의 중심과제로 삼고 농촌지역의 자원을 보다 효율적으로 이용함으로써 나라의 경제적 효율성은 물론 형평성을 높인다는 시각에서 농업정책을 다루어야 할 것이다.

• 한국해양학회지:바다
• /
• 제28권1호
• /
• pp.1-18
• /
• 2023

동해는 전 세계적으로 가장 빠른 수준의 온난화를 경험하는 해역 중 하나로서, 기후변화에 민감하게 반응할 뿐 아니라 대양에 비해 월등히 짧은 순환 주기를 가지고 있기 때문에 미래의 대양 환경 변화에도 중요한 시사점을 주는 것으로 알려져 있다. 그러나 동해 심층 해수의 특성과 순환의 변화 과정에 대한 연구는 동해 전역의 심층을 정밀하게 조사하기 위한 국제협력 프로그램이 자리잡고, 측정 장비의 분해능을 포함하는 관측기술과 수치모델 모의 능력이 크게 향상된 최근(1990년대 이후)에서야 본격화되고 있다. 여기서는 동해 심층 해수의 물리적 특성과 순환의 변화 과정에 대한 그간의 연구 결과를 요약하고, 향후 남은 과제를 제시하고자 한다. 동해는 내부에서 자체적으로 심층 해수가 생성되며 대양과 분리된 독특한 심층 순환 구조를 가진다. 동해의 수백 m 수심 아래에는 수온이 낮고(<1℃) 염분이 거의 일정(34.0-34.1)한 해수가 분포하기 때문에 오랜 기간 이 해수를 일본해고유수(동해고유수)로 명명된 단일 해수로 여겨 왔다. 그러나 1990년대 이후 정밀한 관측이 이루어지며, 동해 심층을 채우고 있는 해수가 적어도 3개의 서로 다른 물리적 특성을 가진 해수(중앙수, 심층수, 저층수)로 구성됨이 밝혀졌다. 이들 3개 해수의 물리적 특성과 해수 사이의 경계 수심은 항상 일정한 것이 아니라, 지난 수십 년 동안 유의한 수준의 변화를 겪어왔다. 동해 북부 해역의 대마난류 재순환, 해양-대기 열과 담수의 교환량, 해빙 형성에 영향을 받는 대류(심층사면대류 및 심층외양대류) 과정에 따라 심층 해수 생성에 뚜렷한 차이가 발생했기 때문이다. 생성된 심층 해수는 수심이 얕은 곳을 오른쪽에 두고 일본 분지에서부터 반시계 방향으로 울릉 분지, 야마토 분지를 차례로 거쳐 다시 일본 분지로 수송되며, 이 수평적인 심층 순환도 변화를 겪어 왔다. 수평적인 심층 순환은 동시에 남북 및 연직 방향의 순환(자오면 순환) 경로와 강도의 변화를 동반한다. 동해는 수천 년 규모의 순환 주기를 가지는 대양에 비해 훨씬 짧은 수백 년 혹은 그 이내의 순환 시간 규모를 가지기 때문에 동해 심층 해수의 물리적 특성과 자오면 순환의 급격한 변화를 더 뚜렷하게 볼 수 있을 것으로 기대 가능하다. 심층 및 자오면 순환 사이의 연계성, 대양과 동해의 유출입 해수 수송을 포함하는 동해 상층 순환과 심층 순환 사이의 연계성은 아직까지 잘 밝혀지지 않았다. 동해 심층 해수 수송의 경로와 강도를 지배하는 다양한 과정들에 대한 후속 연구들이 요구된다.

• 지능정보연구
• /
• 제23권2호
• /
• pp.107-122
• /
• 2017

주식시장의 주가 수익률에 나타나는 변동성은 투자 위험의 척도로서 재무관리의 이론적 모형에서뿐만 아니라 포트폴리오 최적화, 증권의 가격 평가 및 위험관리 등 투자 실무 영역에서도 매우 중요한 역할을 하고 있다. 변동성은 주가 수익률이 평균을 중심으로 얼마나 큰 폭의 움직임을 보이는가를 판단하는 지표로서 보통 수익률의 표준편차로 측정한다. 관찰 가능한 표준편차는 과거의 주가 움직임에서 측정되는 역사적 변동성(historical volatility)이다. 역사적 변동성이 미래의 주가 수익률의 변동성을 예측하려면 변동성이 시간 불변적(time-invariant)이어야 한다. 그러나 대부분의 변동성 연구들은 변동성이 시간 가변적(time-variant)임을 보여주고 있다. 이에 따라 시간 가변적 변동성을 예측하기 위한 여러 계량 모형들이 제안되었다. Engle(1982)은 변동성의 시간 가변적 특성을 잘 반영하는 변동성 모형인 Autoregressive Conditional Heteroscedasticity(ARCH)를 제안하였으며, Bollerslev(1986) 등은 일반화된 ARCH(GARCH) 모형으로 발전시켰다. GARCH 모형의 실증 분석 연구들은 실제 증권 수익률에 나타나는 두터운 꼬리 분포 특성과 변동성의 군집현상(clustering)을 잘 설명하고 있다. 일반적으로 GARCH 모형의 모수는 가우스분포로부터 추출된 자료에서 최적의 성과를 보이는 로그우도함수에 대한 최우도추정법에 의하여 추정되고 있다. 그러나 1987년 소위 블랙먼데이 이후 주식 시장은 점점 더 복잡해지고 시장 변수들이 많은 잡음(noise)을 띠게 됨에 따라 변수의 분포에 대한 엄격한 가정을 요구하는 최우도추정법의 대안으로 인공지능모형에 대한 관심이 커지고 있다. 본 연구에서는 주식 시장의 주가 수익률에 나타나는 변동성의 예측 모형인 GARCH 모형의 모수추정방법으로 지능형 시스템인 Support Vector Regression 방법을 제안한다. SVR은 Vapnik에 의해 제안된 Support Vector Machines와 같은 원리를 회귀분석으로 확장한 모형으로서 Vapnik의 e-insensitive loss function을 이용하여 비선형 회귀식의 추정이 가능해졌다. SVM을 이용한 회귀식 SVR은 두터운 꼬리 분포를 보이는 주식시장의 변동성과 같은 관찰치에서도 우수한 추정 성능을 보인다. 2차 손실함수를 사용하는 기존의 최소자승법은 부최적해로서 추정 오차가 확대될 수 있다. Vapnik의 손실함수에서는 입실론 범위내의 예측 오차는 무시하고 큰 예측 오차만 손실로 처리하기 때문에 구조적 위험의 최소화를 추구하게 된다. 금융 시계열 자료를 분석한 많은 연구들은 SVR의 우수성을 보여주고 있다. 본 연구에서는 주가 변동성의 분석 대상으로서 KOSPI 200 주가지수를 사용한다. KOSPI 200 주가지수는 한국거래소에 상장된 우량주 중 거래가 활발하고 업종을 대표하는 200 종목으로 구성된 업종 대표주들의 포트폴리오이다. 분석 기간은 2010년부터 2015년까지의 6년 동안이며, 거래일의 일별 주가지수 종가 자료를 사용하였고 수익률 계산은 주가지수의 로그 차분값으로 정의하였다. KOSPI 200 주가지수의 일별 수익률 자료의 실증분석을 통해 기존의 Maximum Likelihood Estimation 방법과 본 논문이 제안하는 지능형 변동성 예측 모형의 예측성과를 비교하였다. 주가지수 수익률의 일별 자료 중 학습구간에서 대칭 GARCH 모형과 E-GARCH, GJR-GARCH와 같은 비대칭 GARCH 모형에 대하여 모수를 추정하고, 검증 구간 데이터에서 변동성 예측의 성과를 비교하였다. 전체 분석기간 1,487일 중 학습 기간은 1,187일, 검증 기간은 300일 이다. MLE 추정 방법의 실증분석 결과는 기존의 많은 연구들과 비슷한 결과를 보여주고 있다. 잔차의 분포는 정규분포보다는 Student t분포의 경우 더 우수한 모형 추정 성과를 보여주고 있어, 주가 수익률의 비정규성이 잘 반영되고 있다고 할 수 있다. MSE 기준으로, SVR 추정의 변동성 예측에서는 polynomial 커널함수를 제외하고 linear, radial 커널함수에서 MLE 보다 우수한 예측 성과를 보여주었다. DA 지표에서는 radial 커널함수를 사용한 SVR 기반의 지능형 GARCH 모형이 가장 우수한 변동성의 변화 방향에 대한 방향성 예측력을 보여주었다. 추정된 지능형 변동성 모형을 이용하여 예측된 주식 시장의 변동성 정보가 경제적 의미를 갖는지를 검토하기 위하여 지능형 변동성 거래 전략을 도출하였다. 지능형 변동성 거래 전략 IVTS의 진입규칙은 내일의 변동성이 증가할 것으로 예측되면 변동성을 매수하고 반대로 변동성의 감소가 예상되면 변동성을 매도하는 전략이다. 만약 변동성의 변화 방향이 전일과 동일하다면 기존의 변동성 매수/매도 포지션을 유지한다. 전체적으로 SVR 기반의 GARCH 모형의 투자 성과가 MLE 기반의 GARCH 모형의 투자 성과보다 높게 나타나고 있다. E-GARCH, GJR-GARCH 모형의 경우는 MLE 기반의 GARCH 모형을 이용한 IVTS 전략은 손실이 나지만 SVR 기반의 GARCH 모형을 이용한 IVTS 전략은 수익으로 나타나고 있다. SVR 커널함수에서는 선형 커널함수가 더 좋은 투자 성과를 보여주고 있다. 선형 커널함수의 경우 투자 수익률이 +526.4%를 기록하고 있다. SVR 기반의 GARCH 모형을 이용하는 IVTS 전략의 경우 승률도 51.88%부터 59.7% 사이로 높게 나타나고 있다. 옵션을 이용하는 변동성 매도전략은 방향성 거래전략과 달리 하락할 것으로 예측된 변동성의 예측 방향이 틀려 변동성이 소폭 상승하거나 변동성이 하락하지 않고 제자리에 있더라도 옵션의 시간가치 요인 때문에 전체적으로 수익이 실현될 수도 있다. 정확한 변동성의 예측은 자산의 가격 결정뿐만 아니라 실제 투자에서도 높은 수익률을 얻을 수 있기 때문에 다양한 형태의 인공신경망을 활용하여 더 나은 예측성과를 보이는 변동성 예측 모형을 개발한다면 주식시장의 투자자들에게 좋은 투자 정보를 제공하게 될 것이다.

• 지능정보연구
• /
• 제26권4호
• /
• pp.127-148
• /
• 2020

데이터 센터는 컴퓨터 시스템과 관련 구성요소를 수용하기 위한 물리적 환경시설로, 빅데이터, 인공지능 스마트 공장, 웨어러블, 스마트 홈 등 차세대 핵심 산업의 필수 기반기술이다. 특히, 클라우드 컴퓨팅의 성장으로 데이터 센터 인프라의 비례적 확장은 불가피하다. 이러한 데이터 센터 설비의 상태를 모니터링하는 것은 시스템을 유지, 관리하고 장애를 예방하기 위한 방법이다. 설비를 구성하는 일부 요소에 장애가 발생하는 경우 해당 장비뿐 아니라 연결된 다른 장비에도 영향을 미칠 수 있으며, 막대한 손해를 초래할 수 있다. 특히, IT 시설은 상호의존성에 의해 불규칙하고 원인을 알기 어렵다. 데이터 센터 내 장애를 예측하는 선행연구에서는, 장치들이 혼재된 상황임을 가정하지 않고 단일 서버를 단일 상태로 보고 장애를 예측했다. 이에 본 연구에서는, 서버 내부에서 발생하는 장애(Outage A)와 서버 외부에서 발생하는 장애(Outage B)로 데이터 센터 장애를 구분하고, 서버 내에서 발생하는 복합적인 장애 분석에 중점을 두었다. 서버 외부 장애는 전력, 냉각, 사용자 실수 등인데, 이와 같은 장애는 데이터 센터 설비 구축 초기 단계에서 예방이 가능했기 때문에 다양한 솔루션이 개발되고 있는 상황이다. 반면 서버 내 발생하는 장애는 원인 규명이 어려워 아직까지 적절한 예방이 이뤄지지 못하고 있다. 특히 서버 장애가 단일적으로 발생하지 않고, 다른 서버 장애의 원인이 되기도 하고, 다른 서버부터 장애의 원인이 되는 무언가를 받기도 하는 이유다. 즉, 기존 연구들은 서버들 간 영향을 주지 않는 단일 서버인 상태로 가정하고 장애를 분석했다면, 본 연구에서는 서버들 간 영향을 준다고 가정하고 장애 발생 상태를 분석했다. 데이터 센터 내 복합 장애 상황을 정의하기 위해, 데이터 센터 내 존재하는 각 장비별로 장애가 발생한 장애 이력 데이터를 활용했다. 본 연구에서 고려되는 장애는 Network Node Down, Server Down, Windows Activation Services Down, Database Management System Service Down으로 크게 4가지이다. 각 장비별로 발생되는 장애들을 시간 순으로 정렬하고, 특정 장비에서 장애가 발생하였을 때, 발생 시점으로부터 5분 내 특정 장비에서 장애가 발생하였다면 이를 동시에 장애가 발생하였다고 정의하였다. 이렇게 동시에 장애가 발생한 장비들에 대해서 Sequence를 구성한 후, 구성한 Sequence 내에서 동시에 자주 발생하는 장비 5개를 선정하였고, 선정된 장비들이 동시에 장애가 발생된 경우를 시각화를 통해 확인하였다. 장애 분석을 위해 수집된 서버 리소스 정보는 시계열 단위이며 흐름성을 가진다는 점에서 이전 상태를 통해 다음 상태를 예측할 수 있는 딥러닝 알고리즘인 LSTM(Long Short-term Memory)을 사용했다. 또한 단일 서버와 달리 복합장애는 서버별로 장애 발생에 끼치는 수준이 다르다는 점을 감안하여 Hierarchical Attention Network 딥러닝 모델 구조를 활용했다. 본 알고리즘은 장애에 끼치는 영향이 클 수록 해당 서버에 가중치를 주어 예측 정확도를 높이는 방법이다. 연구는 장애유형을 정의하고 분석 대상을 선정하는 것으로 시작하여, 첫 번째 실험에서는 동일한 수집 데이터에 대해 단일 서버 상태와 복합 서버 상태로 가정하고 비교분석하였다. 두 번째 실험은 서버의 임계치를 각각 최적화 하여 복합 서버 상태일 때의 예측 정확도를 향상시켰다. 단일 서버와 다중 서버로 각각 가정한 첫 번째 실험에서 단일 서버로 가정한 경우 실제 장애가 발생했음에도 불구하고 5개 서버 중 3개의 서버에서는 장애가 발생하지 않은것으로 예측했다. 그러나 다중 서버로 가정했을때에는 5개 서버 모두 장애가 발생한 것으로 예측했다. 실험 결과 서버 간 영향이 있을 것이라고 추측한 가설이 입증된 것이다. 연구결과 단일 서버로 가정했을 때 보다 다중 서버로 가정했을 때 예측 성능이 우수함을 확인했다. 특히 서버별 영향이 다를것으로 가정하고 Hierarchical Attention Network 알고리즘을 적용한 것이 분석 효과를 향상시키는 역할을 했다. 또한 각 서버마다 다른 임계치를 적용함으로써 예측 정확도를 향상시킬 수 있었다. 본 연구는 원인 규명이 어려운 장애를 과거 데이터를 통해 예측 가능하게 함을 보였고, 데이터 센터의 서버 내에서 발생하는 장애를 예측할 수 있는 모델을 제시했다. 본 연구결과를 활용하여 장애 발생을 사전에 방지할 수 있을 것으로 기대된다.