1. 서 론

COVID-19로 인해 유통분야에서는 비대면 소비가 증가 하고, 온라인 쇼핑시장이 급격히 성장하는 등 소비 트렌드 의 변화가 일어나고 있다. 특히 해외 소비자가 한국 온라 인 쇼핑몰에서 상품을 구매하는 ‘역직구’는 2021년 4,050 만 건, 17.5억 달러로 역대 최고를 기록하였다[14]. 2020년 의 전년대비 역직구 물량 증가율은 2020년 104%에 이어 2021년 51%의 증가율을 나타내는 등 COVID-19 이후 확 산세를 나타내고 있다.

<Table 1>과 같이 관세청 수출입 통계에 따르면 2022년 무역 대상국 중 중국에 1,558억 달러의 수출을 달성하였으며, 미국 및 베트남 순으로 수출 규모가 크게 나타나고 있다[6].

수출의존도가 높은 우리나라는 다양한 경제 상황에 따 른 수출금액 예측이 중요하다. 아래 <Figure 1>에서 나타 나는 바와 같이 지난 5년간의 연간 수출물량변화를 품목 별로 살펴보면 의류의 경우 2021년과 2022년에 증가량이 크게 나타난 반면, 화장품의 경우 2022년에 수출물량의 감 소를 나타내었다.

<Figure 2>에서 나타나는 바와 같이 국가별 수출물량에 서는 중국향 수출물량의 감소가 화장품 품목의 물량감소 에 주요한 영향을 주었으며, 미국 및 베트남 등의 국가의 수출물량은 지속적인 증가세를 나타내었다.

위의 사례에서와 같이 국가별 품목별 수출물량의 변화 에 차이가 있어 해당 국가 및 품목 조건에 따른 수출 물량 예측이 중요해지고 있다.

본 연구에서는 수출액 예측에 활용되는 다양한 무역 및 경제관련 대내외 변수들을 활용하여 지도학습 기반의 머 신러닝 모델을 통해 수출금액 및 수출물량을 예측하고자 하였다.

2. 기존연구

무역이나 물류 분야에서 수출입 금액 또는 물량 등을 예측하거나 이들과 관련된 주요 요인들의 탐색 및 분석을 위한 다양한 연구들이 수행되어왔다. 특히 머신러닝이나 딥러닝을 활용한 예측 모델의 개발과 적용 또한 활발하게 진행되고 있다. Ha et al.[4]의 연구에서는 항만 수출입 화물 의 단기 물량 예측을 위해 ARIMA 모형과 CART (Classification and Regression Tree) 모형을 제시하였고, prophet모형이나 SARIMA 모형, LSTM 모형 등을 이용한 연구들[4,5]도 있었다. Mun et al.[12]은 CART와 CHAID (Chi-squared Automatic Interaction Detection)를 결합하여 일별 항공 물량 예측에 활용하였다. Nam[13]의 연구에서는 시계열 분석모형 및 머신러닝 분석을 이용한 수출 증가율의 장기예측 성능을 비교하였고, Cho[3]는 우리나라 수출 상위 품목 중 자동차를 대상으로 수출 수요 예측을 위하여 다변 량 시계열 분석 기반의 VAR(Vector Auto Regressive) 모형 을 이용하였다.

Kim et al.[9]은 선형회귀와 그래디언트 부스팅 그리고 서포트 벡터 머신을 이용한 모델로 수출금액을 예측하고 결과를 수출 유망 국가 추천에 활용하였고, Rho et al.[16] 은 향후 6개월 수출금액에 대한 단기예측을 위하여 통계 분석 기법인 벡터오차수정모형과 딥러닝 기법인 Encoder-Decoder 방법을 적용하고 두 방법론에 대한 결과를 비교 분석하였다. 그리고 Jang et al.[8]은 다양한 국가와 품목에 대한 차년도 수출액의 종합적인 예측을 위해 LightGBM(Light Gradient Boosting Machine)을 이용하여 머신러닝 모델을 구현 하고, 모델의 예측 성능 향상을 위해 전체 데이터를 동질적인 세부 그룹으로 분리하여 개별 학습 모델을 구축하는 방법을 시도하였다. 또한 수출 가격 예측을 위하여 MLP(Multi-Layer Perceptron)와 RNN(Recurrent Neural Network)을 이용하여 모 델을 구현하고 그 성능을 비교한 연구[10]도 있었다.

수출액 예측에 활용되는 다양한 변수들은 예측 성능 향 상에 의미있는 영향을 나타낸다. Kim et al.[9]은 수입품목 개수, 국가별 무역수지, 수출건수, 환율, 원유 가격 등을 활용하여 수출금액을 예측하였고, Jang et al.[8]은 기업군 별 수출입 증가율, GDP, CPI, LPI, 원유 및 광물 수입 비 율, 무역수지, 경제 성장률, 해상 및 항공 교역량 등의 변수 들을 사용하였다.

기존연구에서 살펴본 바에 따르면 우리나라의 수출액 또는 수출량예측에 있어 전체 수출입데이터를 활용하거 나, 대표 품목군 전체에 대한 예측을 수행하였으며, 독립 변수로 산업전반에 대한 경제지표를 활용하였다. 본 연구 에서는 국가-품목군 분류에 따른 개별모델을 생성하고 사 용자의 질의조건에 따라 최적 모델의 예측값을 제공할 수 있도록 구조를 설계하였다. 또한 우리나라의 산업전반에 대한 다양한 경제 지표뿐만 아니라 대상 국가별 경제 지표 및 품목 특성에 따른 세부 지표를 활용하였으며, 국가/품 목군 조건에 따라 모델별로 서로 다른 데이터 특성의 학습 데이터를 생성하여 예측모델에 활용하였다. 본 연구에서 는 Lasso 회귀모델, XGBoost, MLP 모델을 사용하여 예측 모델을 구현하고 성능을 비교하였다.

3. 데이터 전처리 및 예측모델

3.1 활용 데이터

본 연구의 목표인 국가별/품목별 수출물량 및 수출금액 예측을 위해 2010년 1월부터 2020년 12월까지의 관세청의 국가/품목별 수출입 월간 통계 데이터를 사용하였다. 데이 터는 수출금액기준 주요 수출국인 미국, 중국, 베트남의 화장품, 의류 및 전자기기부품 수출 데이터를 추출하였다. 예측을 위한 독립변수로 국가별 경제현황을 나타내는 국 가별 GDP, 품목군별 소비자물가지수, 품목군별 생산자 물 가지수, 금리, 환율, 업종별 주식 시가총액 데이터 및 국내 무역현황을 나타내는 유가, 운임지수, 품목군별 수출단가 및 수입단가, 순상품교역조건지수, 소득교역조건지수를 사용하였다. 화장품 및 의류, 전자제품 등 품목별 영향을 주는 변수로는 품목별 수출물가지수, 수입물가지수, 생산 자 물가지수를 고려하였다.

국가별 GDP의 경우 대상 품목군인 화장품 및 의류, 전 자기기부품에 관련된 제조업, 의류, 화학, 전기 산업별 GDP를 추가하였다. 수출대상 국가의 해당 산업 성장규모 를 살펴보기 위하여 업종군별 시가총액 데이터를 활용하 였다. 미국의 경우 의류제조, 의류판매, 화학, 가전, 판매업 종의 시가총액 데이터가 활용되었다.

국내 소비자 물가지수와 생산자 물가지수의 경우 분석 대상 품목군과 관련있는 의류, 가정용기구, 영상음향기기, 개인용전기용품, 의복제품, 화장품, 영상 및 음향기기, 가 정용전기기기 세부분류에 따른 물가지수를 사용하였다. 수출단가는 의류, 전자제품, 가전제품으로 수입단가는 소 비재, 가전제품, 비내구소비재, 전자제품 등으로 세분화하 여 수집하였다. <Table 2>에 세부적인 수집데이터 항목이 나타나있으며, <Figure 3>은 베트남 화장품 관련 품목의 수출물량에 대한 시계열 데이터를 나타낸다.

3.2 데이터 전처리

국가 및 품목별 수출금액 예측을 위하여 미국, 중국, 베 트남 3개 국가와 화장품, 의류, 전자제품 3개 품목에 대하 여 수출입통계 데이터를 추출하였다. 각 국가-품목 데이터 군에는 수출입통계 년월, 국가, 품목 코드를 포함하여 <Table 2>의 수집데이터 중 해당 국가 및 품목에 해당되는 컬럼을 추출한 후 데이터 값이 0인 행을 삭제하였다. 각 국가-품목 데이터 군별 컬럼 및 데이터 수는 <Table 3>에 나타나 있다.

추출된 국가-품목 데이터 군별 상관분석을 수행하였고, <Figure 4>는 베트남-화장품 8548 데이터군에 대한 상관 분석 결과이다.

각 품목군의 수집데이터 중 물량 상위 Top3의 세부품목 을 선정하여 해당 품목군을 대표하여 분석하였다. 수출물량 및 수출금액은 각 feature에 대하여 유사한 상관지수를 나타 내었으며, 베트남 8548품목군에 대해서는 베트남 제조업 GDP(0.72), 소득교역여건지수(0.7), 베트남 GDP(0.67) 등이 수출물량과의 상관지수가 높게 나타났다.

또한 경제지표가 수출에 영향을 주는 시차를 고려하여 분석하기 위하여 각 수집 컬럼에 t-1에서 t-5기간까지 5개 월간의 Time lag 컬럼들을 추가하였다.

따라서 국가-품목 데이터 군별 추출된 t-1에서 t-5기간 의 data feature를 활용하여 시점 t의 예측 목표를 예측하는 지도학습을 위한 데이터를 생성하였으며 생성 데이터는 7:3의 비율로 학습데이터와 테스트 데이터로 분리하였다. <Figrue 5>는 미국-의류 품목군에 대한 데이터 속성을 나 타낸 예시이다. t시점에서 미국 및 의류와 관련된 28개의 속성을 포함하며 t-5까지 5개의 기간에 대하여 총 140개의 속성을 포함한다.

3.3 예측모델

본 연구에서는 Lasso, XGBoost, MLP 모델을 기반으로 국가-품목 데이터별 수출물량 및 수출액 예측 모델을 생성 하였다.

3.3.1 Lasso

Lasso 회귀는 선형회귀의 과잉적합오류를 보완하기 위 한 모델로 아래 식 (1)에서 비용함수(L) 계수의 절대값을 최소화시키는 회귀모델이다[18].

본 연구의 Lasso모델은 scikit-learn라이브러리를 활용하 여 국가-품목별 학습데이터를 입력으로 수출물량 예측모 델과 수출액 예측모델을 각각 생성하였다. 파라미터에 따 른 최적 모델생성을 고려하여 Lasso 모델의 경우 alpha 값 을 0.0005에서 0.003까지 0.0005단위로 반복하여 국가-품 목조건의 생성모델별로 평가척도(metric)를 최소화하는 모 델을 저장하였다.

3.3.2 XGBoost

XGBoost 방법은 Chen and Guestrin[1]이 소개한 알고리 즘으로 CART 앙상블 모델을 사용한다. 기존의 Gradient Boosting Machine에 비해 빠른 수행 시간을 나타내며 과적 합 규제 기능을 포함하고 있어 다수의 분류와 회귀 모델에 서 예측성능이 뛰어난 알고리즘으로 알려져 있다[1,2,15].

XGBoost모델은 gbtree 기반의 booster를 사용하였으며, 트리 개수를 지정하는 n_estimators 파라미터 변수를 100 에서 500까지 100씩 증가시켜 평가척도가 가장 우수한 모 델을 저장하였다.

이외에도 트리의 최대 깊이는 6으로 L2 Regularization 값을 1로 설정하고, 과적합 방지를 고려하여 학습률은 0.01로 하였다.

3.3.3 MLP

MLP란 여러 개의 퍼셉트론 뉴런을 여러 층으로 쌓은 다층신경망 구조이다. 입력층과 출력층 사이에 하나 이상 의 은닉층을 가지고 있으며 인접한 두 층간의 뉴런은 완전 연결되는 특성을 가지고 있다. 이러한 구조를 통하여 단순 한 선형문제 뿐만 아니라 비선형문제도 해결할 수 있어 여러 예측 및 분류 문제에 활용되고 있다[5,7].

본 연구의 MLP 모델에서는 Keras를 활용하였으며 입력 뉴런 수는 국가-품목군에 따라 다르게 설정하였다. 앞서 <Figure 5>의 미국-의류 품목군의 경우 140개의 입력 뉴런 을 갖게 된다. 은닉계층은 단일 계층으로 구성하였으며, 은닉 계층의 뉴런 수는 500으로 설정하였다. 해당 설정값 은 사전 실험을 통해 100에서 600사이의 값을 반복 수행 하여 나온 결과를 토대로 판단하였다. 은닉층의 활성화 함 수는 ReLU함수를 사용하였으며, optimizer는 Adam, 학습 횟수는 50으로 설정하여 수행하였다. 은닉층을 2개 및 3개 로 추가하여 실험하였을 때 평가척도의 개선이 나타나지 않아 최종 모델의 은닉계층은 단일 계층으로 설정하였다.

3.3.4 평가척도

예측에 활용된 평가척도는 RMSE(Root Mean Squared Error) 및 MAE(Mean Absolute Error) 척도를 기반으로 성 능을 분석하였다.

MAE는 모델의 잔차에 절대값을 취한 평균을 구한 값이 고, RMSE는 모델의 잔차에 제곱을 한 값들의 평균인 MSE에 제곱근을 취한 값으로 MAE보다 이상치에 덜 민 감한 값을 갖는다.

4. 결과 분석

4.1 분석 결과

미국, 중국, 베트남 3개 국가와 화장품, 의류, 전자제품 3개 품목에 대하여 수출금액 및 수출물량 예측성능을 분석 하였다. 각 국가-품목군은 3개의 세부품목정보를 포함하고 있다. <Figure 6>은 알고리즘에 따른 MAE를 박스플롯으로 나타내었다. 두 예측값 모두 Lasso모델이 상대적으로 우수 한 성능을 나타내었으며, MLP 예측 모델의 경우 평균에서 크게 벗어나는 예측결과 값을 포함하는 것으로 나타났다.

<Tabel 4>는 수출물동량에 대한 국가-품목별 데이터군 에 대한 Lasso, XGBoost, MLP 알고리즘의 비교 결과이다. Lasso모델의 국가-상품데이터의 평균 MAE는 0.126, RMSE는 0.163을 나타내어 Lasso모델이 국가-품목군에 대 하여 전반적으로 우수한 성능을 나타내었다. 베트남-화장 품 데이터와, 베트남 의류에 대해서는 XGBoost모델이 Lasso모델이나 MLP모델에 비하여 상대적으로 더 좋은 성 능을 나타내었다.

<Tabel 5>는 수출금액에 대한 국가별 품목별 데이터군에 대한 Lasso, XGBoost, MLP모델의 비교 결과이다. Lasso모 델의 국가-상품데이터의 평균 MAE는 0.138, RMSE는 0.175 를 나타내어 Lasso모델이 국가-품목군에 대하여 전반적으로 우수한 성능을 나타내었다. 베트남 의류에 대해서는 XGBoost 알고리즘의 MAE는 0.165, RMSE는 0.193으로 Lasso모델이나 MLP모델에 비하여 상대적으로 더 좋은 성능 을 나타내었다. 또한 베트남-화장품 데이터에 대해서는 MLP모델의 MAE가 0.144, RMSE가 0.17로 Lasso 및 XGBoost알고리즘 보다 더 좋은 성능을 나타내었다. 각 모델 에 영향을 미치는 주요속성을 파악하기 위하여 permutation importance 분석을 수행하였다. 베트남-화장품 데이터의 경 우 Lasso모델에서는 베트남_제조업_GDP, 수입단가_소비 재, 소득교역여건지수 등을 주요 영향변수로 선택하였고, MLP 모델에서는 서부텍사스원유가격, 수입단가지수, 순상 품교역여건지수를 주요 영향변수로 선택하였다.

해당 결과를 기반으로 국가-품목군별로 가장 우수한 모 델을 저장하여 사용자의 질의가 있는 경우 해당 국가-품목 군에 대한 예측결과를 제공할 수 있도록 하였다.

5. 활용 및 추후연구

5.1 연구 결과의 활용 및 기대효과

기존의 수출액 또는 수출물동량에 대한 예측은 수출국 인 우리나라의 수출관련 일부 변수를 독립변수로 하는 예 측모델의 성능을 분석하는 방향으로 수행되었다. 본 연구 에서는 수출에 관련된 무역통계량 데이터와 수출 대상 국 가 및 우리나라의 무역 및 경제관련 지표를 수집하여 예측 에 활용하였다. 본 연구의 결과는 데이터분석에 전문성을 갖추지 않은 중소셀러들에게 수출물량 및 수출액 예측치 를 기반으로 수출대상국에 유망한 수출 품목군을 제공하 는 목적으로 활용될 수 있기 때문에 다양한 수집데이터를 기반으로 예측모델을 생성하는 과정에 의의를 찾을 수 있 으며, 가장 우수한 성능을 나타낸 Lasso 모델은 feature selection 기능을 포함하고 있어 MAE와 RMSE성능 지표에 서 가장 우수한 결과를 나타내었다.

본 연구의 예측 모델은 API형태로 시스템과 연계되어 웹기반의 시장정보 분석 서비스로 제공될 예정이다.

5.2 향후 연구 방향

본 연구에 활용된 변수들은 장기적인 무역변화를 반영 하여 예측하는데 유리한 면이 있으나, 빠르게 변화하는 고 객의 수요변화를 반영하는데 한계가 있다. 따라서 대상 국 가 소비자들의 상품검색 수 및 상품리뷰 데이터 등을 활용 하여 최신의 고객 수요 및 트렌드 정보를 포함하는 예측 모델로 보완할 필요가 있다.

또한 수집 주기가 서로 달라 학습데이터 상의 최근 결 측값이 있는 경우를 고려하여, 해당 feature별 예측 모델을 통해 예측값을 생성 후 수출 금액 및 수출물량을 예측하여 전체적인 예측성능을 개선할 필요가 있다.

마지막으로 향후 각 국가 품목별 예측모델에 영향을 미치는 주요 요인을 분석하여 다양한 경제지표 및 관 련 데이터 중 영향을 주는 요인을 같이 설명하는 서비 스를 제공함으로써 예측결과의 설명력을 높이는 노력 이 필요하다.