I. 서 론

전복은 국내 양식업에 있어 가장 큰 변화를 보이고 있는 품목 중 하나이다. 전복 생산량은 1990년대까지 자연산에 의존해 연간 100톤 이하의 소량에 불과했으나, 양식이 본격화된 2000년대 초부터 급증했다(이남수ㆍ박은영, 2010). 2003년 1천 톤에 불과하던 전복 생산량은 2018년에는 그보다 20배 가량 많은 2만 톤 이상을 기록했으며, 생산금액이 6천억 원을 넘어서면서 천해양식 수산물 중 생산금액 1위를 차지했다(노아현, 2020). 이렇듯 전복 양식업은 외적으로 급성장했으나, 반대급부로 내적으로는 여러 가지 문제를 안고 있다. 지난 10여 년간 전복 양식업은 시설량과 입식량이 지속적으로 증가했으나, 국내 소비와 수출 수요는 그에 미치지 못해 양성물량이 증가하고 산지가격은 하락세를 이어가고 있다. 그에 따라 생산자의 합리적 의사결정 및 정부의 체계적 정책수립이 어려운 실정이다.

생산자나 정부가 수급상황에 선제적으로 대응하기 위해서는 단순히 과거 경험에만 의존하는 것이 아니라, 과학적이고 객관적인 정보가 제공되어야 한다. 합리적인 전망 정보를 제공하기 위해서는 정교한 계량경제모형이 구축되어야 하며, 전복 수급전망모형 구축을 위한 연구는 한국해양수산개발원(이하, KMI) 2014년 이후 지속적으로 진행되어 왔다.

KMI 수산업관측센터의 전복 수급전망모형은 2014년에 처음으로 개발(김배성 외, 2014)되었는데, 모형의 적합성뿐만 아니라 정책 실험의 유용성과 예측치의 신뢰성 측면에서 취약했다. 특히 단일방정식의 주요 설명변수인 파라미터 추정치의 통계적 유의성이 떨어지고, 개별 모형의 적합성이 낮았다. 또한, 전복 치패 입식량, 양성물량, 출하량 간의 시차 및 연계성을 유지하면서 기대가격이 형성되기 때문에 치패 입식 및 양성 중에 출하량이 결정되는 생물학적 공급모형을 간과하였다. 이에 동태적 공급모형 개발의 필요성이 제기되었다.

이러한 요구에 따라 2016년에 구축된 모형(조재환 외, 2016)에서는 치패 입식량, 양성물량, 출하량의 시차 및 연계성을 유지하여 연산별 치패 입식량과 양성물량(만 마리 기준)과 비교할 수 있도록 크기별 전복 출하량(톤 기준)을 만 마리 기준으로 단위를 통일한 후, 스톡(Stock)과 플로우(Flow)의 동태적 관계로 파악한 ‘생물학적 공급모형 설계’를 시도하였다. 시차구조에 따른 기대가격에 의해 전복 양성물량과 출하량 결정모형을 개발하고, 가격 신축성 함수를 통해 산지가격 결정모형을 구축하였다. 해당 모형의 특징은 동태적 생물학적 공급관계를 고려한 월별 동태적 축차모형 형태의 부분균형모형(Partial Equilibrium Model; PEM)으로 볼 수 있다. 다만, 개별 단일방정식의 추정 결과 주요변수의 부호 및 설명변수의 선택이 경제학적 이론에 부합하지 않아 경제학적 모형설계에 있어 한계점이 존재한다.

전체 전복 수급전망 모형에서 양성물량 결정 모형에 대해 연구한 결과도 있었는데, 전복 양성물량에 영향을 미치는 주요 변수들을 파악한 후, 이를 분석모형으로 설계하였다(조재환 외, 2018). 그러나 해당 연구에서는 ‘전복 양성물량이 연산과 관계없이 15개월 전 상대가격에 영향을 받는다.’고 가정하였으며, 기대가격의 비용 부분 또한 전복 먹이용과 관련성이 낮은 미역 도매가격을 이용하였다는 점에서 연구의 한계가 존재한다.

이에 본 연구는 급변하는 전복양식 수급현황을 반영하기 위해 경제학적 이론에 부합한 새로운 전복 수급전망모형을 구축하고, 이를 통해 생산자의 경영 및 정부의 정책방향을 설정하는 기초자료로 활용하는데 목적이 있다. 본 연구에서는 시계열 자료를 이용하여 월별 전망이 가능하도록 모형을 구축하였으며, 전복 수급전망모형은 품목에 국한된 부분균형모형(PEM)으로 설계하였다. 또한 생물학적 특성인 입식, 양성, 출하 등을 고려한 동태적 생태방정식모형(Dynamic Ecological Equation Model; DEEM) 체계로 구축하였고, 미래 예측 및 정책 시뮬레이션이 가능하고 경제이론에 부합하는 변수 간의 인과관계를 모형에 반영하였다.

본 연구에서 제시한 모형은 시뮬레이션이 가능한 수급전망모형으로 KMI의「전복 수산관측」월보에 직접 활용할 수 있도록 데이터를 월별로 세분화하였고, 동태적 생태방정식모형(DEEM) 체계를 활용해 구축하였기 때문에 기존 모형보다 예측 오차를 줄일 수 있다. 이러한 점에서 본 연구의 의의를 찾을 수 있다.

본 논문은 모두 네 개의 장으로 구성하였다. 우선 Ⅱ장에서는 수급전망모형에 관한 이론을 정리하고, 이를 바탕으로 본 연구에서 추정할 단일방정식 및 모형 체계(Model Flow)를 설계하였다. Ⅲ장에서는 추정 결과에 사용된 자료의 설명 및 설계된 단일방정식 체계를 바탕으로 각 모형을 추정하여 생물학 및 경제학적 의미를 해석하였다. 마지막으로 Ⅳ장에서는 분석 결과를 요약하고, 본 연구의 한계점 및 향후 연구방향을 제시하였다.

Ⅱ. 분석 모형 및 자료

본 연구에 이용된 자료는 2006년 10월부터 2019년 7월까지의 월별 자료로, KMI 수산업관측센터의「전복 수산관측」자료를 활용하였다.

월별 전망치를 도출하는 전복 수급전망모형은 품목에 국한된 부분균형모형(PEM)으로 설계하되, 본 연구에서는 전복의 생물학적 특성인 양성 및 출하기간 등을 고려한 동태적 생태방정식모형(DEEM) 체계로 구축하였다. 또한 미래예측 및 정책 시뮬레이션이 가능하도록 설계하였으며, 경제이론에 부합된 경제변수 간의 인과관계를 모형에 반영하였다. 다만, 월별 시계열 자료를 이용했기 때문에 산업․품목 간 생산, 소비 대체로 연결될 수 있는 연립방정식 체계 구축에는 다소 한계가 존재한다.

이론적 관점에서 볼 때 동시균형모형(Simultaneous Equation Model; SEM) 구축이 이상적이나, 월별 자료의 한계로 인해 축차모형(Recursive Model; RM)을 이용하였으며, 시장균형가격(Market Clearing Price)이 역수요 함수(Inverse Demand Function)로 직접 계산되도록 구성하였다. 이는 단기적 가격형성은 공급량에 의해 결정되므로 수요 변화보다는 공급량 변화가 시장 균형가격 형성을 주도하기 때문이다(한석호 외, 2018).

1. 공급함수

전복 치패 입식물량에 사용될 공급함수는 이윤극대화 구조(Profit Maximizing Framework)로부터 유도될 수 있다. 즉, 최적산출 수준의 선택은 주어진 시장가격 아래에서 이윤을 극대화하는 산출량 수준을 결정하는 과정으로 생산물 공급함수는 산출물의 가격과 투입재 가격의 함수로 구성된다. 그러나 모든 생산자의 의사결정이 이윤극대화 조건을 따른다고 가정할지라도 모든 생산자가 같은 공급곡선을 갖는 것은 아니므로, Aggregate Supply System에서는 제약조건을 완화하고 동일성(homogeneity), 연속성(continuity), 분리성(separability)만을 고려한다. 또한 동태적 공급량 반응함수 형태는 Nerlove(Nerlove M, 1956)의 부분조정모형(Partial Adjustment Model; PAM)과 Koyck(Koyck, L.M, 1954)의 기하학적 분포시차모형을 기본으로 한 Cagan(Cagan P, 1956)의 적응적 기대가설 모형(Adaptive Expectation Model; AEM)을 이용하여 설정할 수 있다(한석호 외, 2015).

본 연구의 생산함수(공급함수)에 관해서는 대상 품목의 특성인 생물학적 요인을 반영하여 모형을 구축하였다. 농업부문의 축산물 생육함수를 응용하여 입식기간, 양성기간(생육기간), 출하시기를 모형화하고 전복 치패 입식물량, 생존율(폐사율) 등을 고려하여 생육함수로 도출된 연산별 양성물량 및 출하량을 예측하도록 모형화하였다. 전복은 채란ㆍ채묘 후 8~9개월이 경과한 후 완도를 중심으로 치패를 입식한다. 따라서 치패 입식물량은 약 9~12개월 이전의 산지가격에 영향을 받을 것으로 예상되며, 치패 입식물량 중 평균 폐사율을 가정하여 모형화¹⁾할 수 있다. 전복 치패 입식물량 추정²⁾을 위한 지역(완도, 기타) 및 입식시기(기간1, 기간2)를 구분하고 여기에 Nerlove의 부분조정모형(PAM)을 적용(Nerlove M, 1956)하면 설명변수가전기의 치패 양성물량과 상대적 기대소득(가격/생산비), 계절성 등으로 구성된 추정식은 아래와 같이 설정할 수 있다(한석호 외, 2019).

1) 다만, 현재 산지가격(kg당 10마리 기준)과 전복 입식물량(만 마리)의 자료를 이용할 경우, 전복 치패 폐사량과 입식물 량의 자료 및 모형화 작업이 필요없을 것으로 판단된다.
2) 전복 치패 입식시기는 대부분 11월~다음해 5월까지 진행된다. 이는 완도와 기타지역의 입식시기에 기인한 것으로 추 정된다. 입식시기를 구분할 경우 월별모형 또는 분기모형으로 구성할 수 있으나, 입식시기를 구분하지 않을 경우 전 국단위 기준으로 연간모형으로 구성될 수 있다. 또한 전복 치패 입식시기에 따라, 입식시기 기간을 2개 기간으로 구 분할 수 있다. 전복 치패 입식시기는 출하지역의 특성에 맞게 기간1(11~1월)과 기간2(2~5월)로 구분할 수 있다.

전복 양성물량은 연산별(1년산 미만, 1년산, 2년산, 3년산 이상)로 각각 구분한 후, t년도 월 양성물량 추정은 월의 양성물량에서 월의 출하량을 제외하고 폐사량을 제외한 값이 당월( 월)의 연산별 양성물량이 되도록 생태학적 요인을 반영한 추정식을 고려하였다. 1년 미만의 전복 양성물량은 전기( )의 양성물량과 폐사량, 그리고 약 1년 전( )의 치패 입식물량에 의존하는 것으로 모형화하였다. 여기서 전기 양성물량의 파라미터는 1보다 작아야 하며, 출하량이 없을 경우에는 전복이 해상가두리에서 양성 중인 것으로 판단하였다. 또한 연산별 양성물량의 합은 총 양성물량이 된다. 이를 수식으로 나타내면 아래의 식과 같다.

전복 출하량은 연산별로 1년산, 2년산, 3년산 이상으로 구분하고, 연산별 전복 출하량은 출하가능 물량(전기 양성물량)과 미래가격(전기 약 3개월간의 산지가격)에 영향을 받는 것으로 구성하였다. 즉 전복 생산자의 의사결정 과정은 출하가능 물량(양성물량)과 미래의 판매금액으로부터 산출된다. 여기서 미래의 판매금액은 Cagon의 적응적 기대가설을 이용하여 전기(약 3개월) 산지가격을 사용하였다. 또한 연산별 출하물량의 합은 총 출하물량이 된다. 이를 수식으로 나타내면 아래의 식 (3)과 같다.

2. 역수요함수

역수요 함수(Inverse Demand Function)는 경제이론을 이용하여 아래와 같이 구성될 수 있는데, 대체 소비량은 전복 소비 대체품목 및 수입량을 포함한 것이다. 또한 육류(쇠고기, 돼지고기, 닭고기 등)도 전복의 소비 대체품목이 될 수 있으나, 육류 전망치 획득의 한계와 힉스의 분리성(Hicksian separability)이론을 근거로 설명변수에서 제외하고 물가지수(index)를 포함 시킬 수 있다. 또한 월별 모형에서는 소득변수가 통계적으로 유의하지 않을 수 있어 소비성향 및 트렌드를 대체할 수 있는 물가지수나 시간 추세(trend) 변수를 대리변수(proxy variable)로 사용할 수 있다. 다만 물가지수(주로, 소비자물가지수)의 경우 미래 예측치 획득에 한계가 많아 실질적으로 본 모형에 활용하는 데에는 한계가 있다.

월별 역수요 함수에서 추정할 종속변수인 산지가격은 kg당 크기별(8마리, 10마리, 12마리, 15마리, 20마리) 산지가격 중 기준가격 설정이 필요하다. 먼저 지역별로 세분하여 추정하기보다는 대표적 시장 및 산지의 가격을 예측하는 것이 일반적이다. 따라서 판매량이 가장 많고 가격을 선도하는 대표 산지의 가격을 예측하는 것이 바람직하다. 현재 KMI 수산업관측센터에서 이용되고 있는 대표 산지가격은 kg당 10마리 크기를 사용하고 있어 본 연구의 분석에서도 해당 크기의 기준가격을 활용하였다. 따라서 전복 산지가격(kg당 10마리)은 전체 출하물량(연산별)과 수출량과 수입량에 영향을 받는 것으로 구성하였다. 이를 수식으로 나타내면 다음 식 (4)와 같다(한석호 외, 2019).

월별 모형이라고 할지라도 모형 적합성을 위해서는 설명변수에 전기 자체가격(도매가격/산지가격)을 사용하면 추정치 값이 편의(bias)가 발생될 수 있음을 주의할 필요가 있다. 따라서 본 연구에서는 기존 시계열분석 모형보다는 경제학적 인과관계를 설명할 수 있는 구조방정식(Structural Equation Model; SEM) 형태의 모형을 구축하였다. 지금까지 살펴본 전복의 월별 모형 구성 흐름을 도식화하면 <그림 1>과 같다.

Ⅲ. 추정 결과

1. 치패 입식량

전복 치패 입식은 전국적으로 대부분 11월부터 다음해 5월까지 이루어지고 있으며, 그 중 기간1(11~1월)에 치패 입식이 집중된다. 완도의 경우 기간1(11~1월)의 치패 입식량이 2011년 3억 3,505만 마리에서 2015년에 3억 3,058만 마리로 소폭 감소했다. 그 이후부터 증가하여 2018년에는 4억 7,200만 마리로 최대치를 기록했으나, 2019년에는 4억 1,800만 마리로 감소하였다. 기타 지역의 경우 기간1(11~1월)의 치패 입식량이 2011년 4,466만 마리에서 2013년에 4,280만 마리로 감소했으나, 그 이후부터는 증가하여 2019년에 1억 1,980만 마리를 유지하고 있다. 치패 입식량이 상대적으로 적은 기간2(2~5월)의 경우는 2017년까지는 증가했으나, 그 이후에는 감소세를 보였다. 2011년 기간2의 치패 입식량은 1억 860만 마리에서 2017년에 2억 700만 마리로 최대치를 기록했으나, 2019년에는 절반 수준인 9,410만 마리로 감소하였다(<표 1> 참조).

전복 치패 입식 시기는 완도의 경우 11월~다음해 5월에 이루어지나, 대체로 11월~다음해 1월에 전체 물량의 80% 정도가 입식되며, 2019년에는 90% 이상이 이 기간에 입식된 것으로 나타났다. 기타 지역(신안, 해남, 진도)의 경우도 11월~다음해 5월에 입식이 이루어지는데, 2016년 이전에는 3~5월에 전체 입식물량의 약 60%가 입식되었으나, 2016년 이후 그 비중이 점차 감소하여 2016년 46%, 2019년 34%까지 하락하는 추세이다. 최근에는 기타지역에서도 11월~다음해 1월에 전체 물량의 약 60%가 입식되는 것으로 조사되었다. 따라서 조재환 외(2016)의 연구 결과와 같이 치패 입식물량을 지역별로 구분하여 단일방정식 추정을 수행할 필요성은 없는 것으로 판단된다³⁾.

본 연구에서는 전복 치패 입식물량을 지역별로 구분하지 않고 전국단위로 모형을 설계하였으며, 연산별(11월~다음해 5월)로 기간을 2개(기간1(11~1월), 기간2(2~5월))로 나누어 반기별 치패 입식물량을 추정하였다. 상대적 기대소득(가격/생산비)을 설명변수로 이용해야 하나, 전복 생산비 가격이 부재하여 모형 추정에는 사용하지 않았다⁴⁾. 전복 치패입식량 추정식은 아래 식 (5)와 같이 설정할 수 있다.

3) 기존 모형을 개발한 조재환 등(2016)의 연구에서는 기간별(4분기, 1분기)로 치패입식물량을 구분하여 모형을 추정 하 였다. 이는 기간별로 생산(출하)지역이 구분되고 입식물량도 집중된다는 가정이었으나, 데이터 분석 결과 기간별로 구분하여 모형을 추정할 경우 각 기간(4분기, 1분기)이 생산 지역을 대표할 수 없는 것으로 판단되었다.
4) 선행연구에서는 물미역 산지가격을 사용하였으나, 월별로 동일한 가격을 사용한 점과 예측값에 대한 한계가 존재한다.

Nerlove 부분조정모형(PAM)으로 전기의 치패 입식물량( )을 설명변수로 사용하였으며, Cagon의 적응적 기대가설모형을 이용하여 전년의 상대가격( )을 설명변수로 사용하였다. 기대 산지가격은 전복의 채란ㆍ채묘 시기와 치패 입식시기가 약 9개월 정도 차이가 발생하는 것을 고려하면, 의사결정 시기는 약 12개월 전후일 것으로 가정하였다. 따라서 모형에 사용될 산지가격은 치패 입식시기인 11~5월의 약 12개월 전년인 th-2기임을 알 수 있다.

따라서 위의 설명변수를 사용하여 추정한 결과, 전기 치패 입식물량( )의 계수는 0.82로 추정되었다. 이는 Nerlove의 부분조정모형(PAM)으로 해석할 수 있는데, 속도조정계수( )가 0.18로 추정되어 조정속도가 매우 늦다는 의미이다. 즉, 당해 연도의 치패 입식물량과 전년도의 치패 입식물량 차이가 크지 않는다는 의미이다.

이는 양식면허 및 면적(해상가두리 시설량)이 제한적이며, 치패 입식 이후 장기간 양성된다는 의미이기도 하다. 전년 가격(대표 산지, kg당 10마리)의 계수는 0.48로 추정되었다. 이는 함수형태가 log-log로 추정되어 전년 전복가격이 1% 상승했을 때, 당해 연도의 치패 입식물량( )은 0.48% 증가한다는 것을 의미한다(<표 2> 참고).

2. 연산별 양성물량

전복 양성물량은 연산별(1년산 미만, 1년산, 2년산, 3년산 이상)로 각각 구분하여 추정하였다. 연산별로 t년도 월 양성물량 추정은 월의 양성물량에서 월의 출하량을 제외하고, 폐사량을 제외한 값이 당월( 월)의 연산별 양성물량이 되도록 생태학적 요인을 반영한 추정식을 아래와 같이 고려하였다. 1년 미만의 전복 양성물량은 전기( )의 양성물량과 약 1년 전( )의 치패 입식물량에 의존하는 것으로 모형화하였으나, 실제 모형추정에서는 폐사량 데이터의 한계로 설명변수에서 제외한 함수형태로 구성하였다. 여기서 전기 양성물량의 파라미터는 1보다 작아야 하며 출하량이 없을 때는 지속해서 전복이 해상가두리에서 양성 중인 것으로 판단된다. 또한 연산별 양성물량의 합은 총 양성물량이 된다.

월별 데이터를 이용하여 회귀하였을 경우 자기상관 문제가 자주 발생한다. 본 연구에서는 이러한 문제의 해결을 위해 GLS방법을 선택하지 않고 자기상관 구간에 더미변수를 사용하여 문제를 해결하였다. 자기상관 문제를 해결하기 위해 더미를 사용하는 구간은 잔차(residual)가 0을 기준으로 양(+) 또는 음(-)으로 일정 기간 지속하였다가 부호가 변하는 시점에 구조 더미변수(SD) 또는 더미변수를 추가하는 방법을 사용하였다. 일반적으로 자기상관 문제를 해결하기 위한 GLS방법으로 AR, MA 변수를 사용하지만, 자기상관이 심각할 경우에는 GLS방법을 사용하더라도 추정된 파라미터 값에 편의(bias)가 발생하기 때문이다.

1) 1년산 미만 양성물량

전기의 전복 양성물량( )의 파라미터 값은 0.83으로 추정되었고, 통계학적으로 유의하게 추정되었다. 파라미터 값은 Nerlove의 부분조정모형(PAM)으로 해석할 수 있는데, 속도조정계수( )가 0.17로 추정되어 조정속도가 매우 늦다는 의미이다. 즉 금기의 1년산 미만의 전복 양성물량은 전기의 양성물량과 차이가 크지 않다는 것을 의미한다(<표 3> 참고).

1년 전( )의 치패 입식물량( )의 파라미터 값은 0.17로 추정되었고, 1% 수준에서 통계적으로 유의하게 추정되었다. 이론적으로는 1에 근접해야 하는데, 차이가 발생하는 것은 모형추정에 사용된 치패 입식물량( )은 연산 기준으로 11월~다음해 5월까지의 치패 입식물량의 총합이며, 1년산 미만의 전복 양성물량( )은 월별 데이터이기 때문이다. 또한 폐사물량( )과 1년산 미만 양성물량( )에서 1년산( )으로 성장한 양성물량 때문에 차이가 발생할 수 있다. 덧붙여, 월별 계절성을 반영하기 위해 월별 계절 더미변수를 반영하였고, 11월과 12월에 계절성이 존재하였으며, 3월과 4월도 계절성이 있는 것으로 분석되었다. 본 추정에서는 SD13*DUM11과 DUM0812+DUM1209의 더미변수를 사용하여 자기상관 문제를 조정하였다. 마지막으로 특성이 비슷한 더미변수는 서로 더하여 자유도를 높였다.

2) 1년산 양성물량

전기 1년산 양성물량( )의 파라미터 값은 0.89로 통계적으로 유의하게 추정되었다. 이는 함수형태가 log-log 형태이므로 전기의 양성물량이 1% 증가하면 금기의 양성물량은 0.89% 증가한다는 것을 의미한다. 이론적으로 볼 때 1에 근접해야 하는데, 이는 폐사물량( )과 1년산( )에서 2년산( )으로 성장한 양성물량 변수와 1년산 출하물량( ) 때문에 차이가 발생하기 때문이다. 전기의 1년산 미만 양성물량( ) 변수의 파라미터 값은 0.071로 추정되었고 통계적으로 유의한 것으로 판단되었다(<표 4> 참고).

결과적으로 1년산 미만에서 1년산으로 성장한 양성물량 변수가 1년산 양성물량에 영향을 미치는 것으로 나타났으며, 금기의 출하물량( )의 파라미터 값은 -0.027로 추정되었다. 또한 월별 계절성을 반영하기 위해 월별 계절 더미변수를 투입하였다. 분석 결과 8월, 9월, 10월에 계절성이 있는 것으로 분석되었는데, 특성이 비슷한 이들 변수를 서로 더하여 자유도를 높였다. 11월 계절 더미도 통계적으로 유의하였으며 구조적 변화가 있는 것으로 분석되어 2012년 구조더미(2012년 이전은 0, 이후는 1)에 11월 계절 더미를 곱한 변수(SD12*DUM11)를 추가하였다. 이 또한 통계적으로 유의한 것으로 판단되었다.

3) 2년산 양성물량

전기 2년산 양성물량( )은 파라미터 값이 0.93으로 통계적으로 유의하게 추정되었다. 전기의 1년산 양성물량( ) 변수의 파라미터 값은 0.012로 추정되었고 부호는 양(+)으로 이론에 맞으나, 통계적으로 유의하지 않게 추정되었다. 또한 월별 계절성을 반영하기 위해 월별 계절 더미변수를 반영하였는데, 분석 결과, 9월, 10월, 11월에 계절성이 있는 것으로 나타났다. 추가적으로 모형의 예측력을 높이기 위해 2018년 11월과 12월, 2019년 9월은 더미변수를 추가하였다(<표 5> 참고).

4) 3년산 양성물량

전기 3년산 양성물량( ) 파라미터 값은 0.95, 금기의 출하물량( )은 –0.189로 통계적으로 유의하게 추정되었다. 반면 전기의 2년산 양성물량( )변수의 파라미터 값은 0.047로, 부호는 양(+)으로 이론에 맞으나 통계적으로 유의하지 않은 것으로 나타났다.

또한 월별 계절성을 반영하기 위해 월별 계절 더미변수를 반영하였는데, 분석 결과 1월, 11월에 계절성이 있는 것으로 분석되었다. 또한 구조적 변화가 있는 것으로 분석되어 2013년 구조더미(2013년 이전은 0, 이후는 1)인 SD13을 추가하였다. 덧붙여 모형의 예측력을 높이고자, 2013~2015년 11월과 2014년 6월, 2012년 7월, 2018년 12월 더미변수를 추가하였다. DUM1311, DUM1411, DUM1511, DUM1406, DUM1207 더미변수를 사용하여 자기상관 문제를 조정하였고 특성이 비슷한 더미변수는 서로 더하여 자유도를 높였다(<표 6> 참고).

5) 양성물량 추정결과 종합

추정 결과 전기 양성물량( )의 계수는 Nerlove의 부분조정모형(PAM)으로 해석할 수 있다. 추정된 계수(1-속도조정계수( ))가 매우 크게 추정(0< < 1)되면 조정속도가 매우 늦다는 것을 의미한다. 이는 금기의 양성물량과 전기의 양성물량 차이가 크지 않다는 의미이다. 연산이 늘어날수록 전기 양성물량의 계수가 점차 커지는 것으로 추정되었는데, 이는 속도조정계수( )가 점차 느려지는 것을 의미한다.

전복 출하량은 연산이 늘어날수록 출하량 계수가 점차 커지는 것으로 추정된다. 이는 연산이 늘어날수록 양성물량에 출하량의 영향이 커진다는 것으로 양성물량대비 출하량이 많아진다는 것을 의미한다.

3. 연산별 출하물량

전복 출하량은 연산별로 1년산, 2년산, 3년산 이상으로 구분하였고, 연산별 전복 출하량은 출하가능 물량(전기 양성물량)과 미래가격(전기 산지가격 또는 약 3개월 평균의 산지가격)에 영향을 받는 것으로 구성하였다. 즉 어가의 의사결정 과정은 출하가능 물량(양성물량)과 미래의 판매금액으로부터 산출된다.

여기서 미래의 판매금액은 Cagon의 적응적 기대가설을 이용하여 전기 산지가격을 사용하였다. 또한, 연산별 출하물량의 합은 총 출하물량이 된다. 다만 현재 출하량 데이터의 단위가 톤 기준으로 8마리 이하, 9~11마리, 12~15마리, 16~20마리, 21마리 이상으로 발표하고 있어, 연산별 기준(1년 미만, 1년산, 2년산, 3년산 이상)으로 다시 환산할 필요가 있다. 본 연구에서는 출하량 데이터를 연산별 기준(1년 미만, 1년산, 2년산, 3년산 이상)으로 다시 환산하여 추정⁵⁾하였다.

5) 전복 출하량의 데이터 단위가 톤으로 구축되어 있고, 양성물량은 만 마리로 구축되어 출하물량 추정의 정확도를 높 이기 위해서는 데이터를 출하 마릿수와 마리당 출하물량으로 구축하여 출하 마릿수를 예측하여야 추정오류를 낮출 수 있으며, 경제학 이론에도 부합한다.

1) 1년산 출하물량

전기의 1년산 미만 양성물량( )의 탄력성은 0.22, 1년산 양성물량( )의 탄력성은 2.12로 추정되었고 전기가격의 탄력성은 0.47로 추정되었다. 추정함수가 log-log모형으로 추정된 파라미터 값이 탄력성이다. 추정에 있어서 극심한 변동성이 발생하여 계절 더미변수를 사용하여 완화하였다. 계절 더미변수는 2월, 3월, 4월, 5월, 6월, 7월, 8월, 9월, 10월, 12월 계절 더미가 통계적으로 유의하여 모형 추정에 포함하였다(<표 8> 참고).

2) 2년산 출하물량

전기의 1년산 양성물량( ) 탄력성은 2.32, 1년산 양성물량( )은 0.33으로 추정되었고, 전기가격 탄력성은 0.20으로 추정되었다. 또한 추정 시 극심한 변동성이 발생하여 계절 더미변수를 사용하여 완화하였다. 계절 더미변수는 2월, 3월, 4월, 5월, 6월, 7월, 8월, 9월, 10월, 11월, 12월 계절 더미가 통계적으로 유의하여 모형추정에 포함하였다(<표 9> 참고).

3) 3년산 이상 출하물량

전기의 2년산 양성물량( )의 탄력성은 0.81, 3년산 양성물량( )의 탄력성은 0.27로 추정되었으며, 전기가격의 탄력성은 0.04로 추정되었다. 추정에 있어서 극심한 up & down 현상이 발생하여 계절 더미변수를 사용하여 완화하였다. 계절 더미변수는 2월, 3월, 4월, 7월, 8월, 9월, 10월, 11월 계절 더미가 통계적으로 유의하여 모형추정에 포함하였다. 또한 2018년 구조 더미를 추가하였다(<표 10> 참고).

4) 출하물량 추정결과 종합

추정 결과 산지가격의 계수는 모두 비탄력적으로 추정되었고 연산이 늘어날수록 점차 작아지는 것으로 판단되었다. 이는 연산이 늘어날수록 어가의 경제학적 요인변수인 기대가격이 어가 출하의향에 영향을 덜 미치는 것으로 해석할 수 있다. 즉 2년산 미만에서는 계수가 0.20~0.47의 영향을 받아 현재 시점에서 출하할지 조금 더 양성한 후 출하할지를 결정하는 것으로 해석될 수 있다. 그러나 3년 이상에서는 계수가 0.04로 매우 낮게 추정되어 산지가격 변동이 큰 영향을 미치지 않는 것으로 해석된다(<표 11> 참고).

전기 양성물량의 탄력성은 연산이 증가하면 더욱 비탄력적으로 반응하는 것으로 계측되었다. 1년산에서는 전기 1년산 양성물량이 1% 증가(감소)하면 1년산 출하량은 2.12% 증가(감소)하는 것으로 추정되어 탄력적인 것으로 판단된다. 이와 같이 추정된 전기 양성물량의 반응은 기대가격의 상대적 계수 크기와도 상관이 있다. 다만, 전기 전년산 양성물량의 추정 계수는 2년산 이상부터 전기 양성물량의 계수보다 크게 추정되어 통계학적으로도 전기 양성물량 추정 계수보다 유의하게 추정되어 데이터 측정오류 가능성도 고려할 필요가 있다.

4. 산지가격(역수요 함수)

추정 결과 대표 산지가격인 kg당 10마리 크기의 산지가격에 대한 전체 공급량의 가격 신축성 계수(역수요 함수)는 0.35로 추정되어 비탄력적인 것으로 판단되었다. 따라서 금기의 공급량이 1% 증가(감소)하면 산지가격이 0.35% 하락(상승)함을 의미한다(<표 12> 참고).

5. 예측력 검정

지금까지 구축한 전복 수급모형을 Theil의 불평등 계수(Theil's coefficient of inequality)를 이용하여 예측력을 비교하고자 한다. Theil의 불평등 계수는 통계적 예측 평가치(statistical forecasting evaluators)로 자주 사용되는데, Theil 자신이 동일한 이름 하에서 서로 다른 시간을 사용한 두 가지 수식을 제안함으로써 학계에서는 다소 혼란이 있는 계수이다. 두 계수 모두 불평등 계수(coefficient of inequality)로 명칭하고 “U”라는 기호로 표시되며, 두 가지의 다른 해석이 가능하다. 우선적으로 “Economic Policy and Forecast” 학회지에서는 U1을 제안하였고 “Applied Economic Forecasting“ 학회지에서는 U2를 제안하였다.

U1과 U2의 공식적인 차이는 분모에 있는 Ft 항의 존재 여부에 있고, Ft 항의 존재는 U1을 0과 1 사이로 제한하게 된다. 그러나 U2에서 Ft 항이 부재하여 U2에서는 유한한 상한선이 없다. 여기서는 U가 0에 가까울수록 예측력이 좋다는 것을 의미한다(Ahlburg, D.,1984).

본 연구에서는 Theil 불평등 계수 U1을 사용하여 추정기간 전체와 최근 3년을 구분하여 추정하였다. 이는 경제적 이론 및 이상치(outlier)를 제거하는 과정에서 추정기간 전체의 예측력을 판단하고 추정된 모형의 최근 3년간 예측력을 살펴보기 위함이다. 이렇게 구분함으로써 추정된 모형의 예측력을 더욱 잘 설명할 수 있다는 장점이 있다. 분석 결과 예측변수 모두 매우 낮게 추정되어 예측력이 우수한 것으로 판단된다. 특히 최근 3년간의 예측력은 추정기간 전체의 예측력보다 높게 나타났다. 다만 치패 입식물량( ), 1년생 양성물량( )의 경우 최근 3년간의 예측력이 추정기간 전체의 예측력보다 다소 낮은 것으로 분석되었다(<표 13> 참고).

Ⅳ. 결 론

전복 양식산업은 양식기술이 보급되기 시작한 1990년대 중반부터 지금까지 약 30년 동안 지속적인 성장을 이루어 왔다. 초창기의 채롱식이나 육상수조식 등의 양식 방법에서 대량생산이 가능한 해상가두리 방법이 도입되었고, 이로 인해 전복 생산량이 급증했다. 그러나 최근에는 양성물량 적체, 감염병 발생 및 소비 부진 등 대내외적 문제를 겪으면서 다소 정체되어 있는 모습을 보이고 있다. 이에 본 연구는 정교한 전복 수급모형을 개발함으로써, 대내외 여건 변화에 따른 신뢰성 있는 전망치를 도출하고, 이를 통해 생산자의 경영 및 정부의 정책수립을 돕는 기초자료를 제공하는데 목적이 있다.

본 연구에서는 크게는 4개(치패 입식량, 양성물량, 출하량, 산지가격), 세부적으로는 총 9개(치패 입식량, 1년 미만~3년 이상 양성물량, 1년산~3년 이상 출하량, 산지가격)의 개별방정식을 추정하였다. 개별 모형에 대한 주요 추정 결과와 예측력 검정 결과를 중심으로 정리하면 다음과 같다.

우선 전복 치패 입식물량은 지역 구분은 없으나 입식 시기를 2개로 나눠서 추정했으며, 그 결과 전기 입식물량의 계수가 0.82로 추정되었다. 이는 해당 연도와 전년의 치패 입식물량 차이가 크지 않은 것으로, 전복 양식업은 면허 및 면적이 제한적이며 치패 입식 이후 장기간 양성된다는 의미로 해석할 수 있다. 치패 입식물량의 예측력 검정 결과, 최근 3년(2017~2019년)에 대한 예측력은 Theil 불평등계수가 0.014로 나타나 예측력이 높았으며, 조재환 외(2016) 연구 결과에 비해서도 예측력이 우수한 것으로 나타났다.

둘째, 전복 양성물량은 1년산 미만부터 3년산 이상까지 총 4개의 방정식을 추정하였는데, 연산이 늘어날수록 전기 양성물량의 계수가 점차 커지는 것으로 추정되었으며, 양성물량에 출하량의 영향이 커지는 것으로 분석되었다. 전복 출하량은 산지가격의 계수가 비탄력적으로 추정되었으며, 연산이 늘어날수록 추정 계수가 작아져 경제학적 요인변수인 기대가격이 전복 생산자의 출하의향에 영향을 덜 미치는 것으로 나타났다. 또한 전기 양성물량의 탄력성도 연산이 늘어가면서 더욱 비탄력적으로 계측되었는데, 기대가격의 상대적 계수 크기와도 상관이 있다. 또한 가격 신축성 계수는 0.35로 추정되어 비탄력적으로 판단되었다. 예측력은 전체 방정식의 Theil 불평등 계수가 낮게 나타나 예측력이 높았는데, 다만 3년산 이상은 다른 연산의 양성물량에 비해 예측력이 다소 낮은 모습을 보였다. 이는 본 연구에서 자료의 한계로 폐사량 등이 반영되지 못한데 따른 것으로 판단된다.

셋째, 전복 출하물량은 1년산, 2년산, 3년산 이상의 3가지 방정식을 추정하였다. 추정결과, 산지가격의 계수는 모두 비탄력적으로 추정되었으며, 연산이 늘어날수록 점차 작아지는 것으로 나타났다. 이는 시간이 지날수록 어가의 기대가격이 출하량에 영향을 덜 미치는 것으로 해석할 수 있다. 또한 양성물량에 대한 탄력성도 연산이 늘어날수록 비탄력적인 것으로 나타났다. 예측력 검정 결과는 2년산 출하물량의 Theil 불평등 계수가 0.008로 가장 낮았으며, 다음으로 1년산 출하물량이 0.013, 3년산 이상 출하물량이 0.021로 나타났다.

마지막으로 산지가격은 kg당 10마리 기준 가격을 대표중량 가격으로 선정하여 추정하였는데, 이에 대한 전체 공급량의 가격 신축성계수는 0.35로 비탄력적으로 추정되었다. 최근 3년에 대한 예측력 검정 결과는 0.002로 전체 방정식 중 Theil 불평등 계수 값이 가장 작아 예측력이 매우 우수한 것으로 나타났다.

전복 수급모형은 2014년 이후 한국해양수산개발원에서 지속적으로 개발ㆍ운용되고 있다. 본 연구는 기존 전복 수급모형보다 정교한 모형 구축을 위해 전복의 생물학적 특성을 고려하여 동태적 생태방정식모형(DEEM) 체계로 구축하였으며, 축차모형(RM)을 이용하여 기존 시계열분석 모형보다는 경제학적 인과관계를 설명할 수 있는 구조방정식(SEM) 형태의 모형을 구축하였다. 따라서 대내외적 여건 변화에 따른 수급변동 예측이 가능하며, 이슈 발생으로 인한 수급 변동에 대해 생산자, 유통업자의 의사결정에 도움을 줄 수 있다. 또한 기존에 구축되었던 모형보다 예측력을 향상시킴으로써 합리적이고 적중률이 높은 전망치를 도출할 수 있게 되었다. 이로 인해 정부의 정책수립에 합리적인 근거를 제시할 수 있으며, 향후 다양한 품목의 모형 개발에 있어 기초자료로 활용될 수 있다는 점에서 연구의 의의를 찾을 수 있다.

이러한 장점에도 불구하고 본 연구에는 몇 가지 개선점이 존재하는데, 우선 정책 시뮬레이션 기능을 강화해야 한다. 모형의 정책적 활용도를 높이기 위해서는 모형 설계부터 다양한 정책변수가 고려되어야 하며, 파급효과 분석이 가능한 정책 시뮬레이션 기능을 탑재하는 것에 중점을 두어야 한다. 그러나 본 연구에서는 모형의 전체적인 설명력과 정교한 전망치를 산출하는데 초점을 맞추고 있어, 상대적으로 정책 시뮬레이션 기능은 고려되지 않았다. 가장 이상적인 모형은 전망치 산출과 정책 시뮬레이션 목적을 동시에 충족하는 구조와 방정식 체계를 갖추는 것이므로(이헌동 외, 2019), 향후에는 정책 시뮬레이션 기능을 강화한 모형을 구축할 필요가 있다.

두 번째는 기초 통계 DB 구축이다. 본 연구의 Ⅱ장에서는 수급 구조에 따른 이상적인 방정식 구조를 설명하였으나, Ⅲ장의 실제 추정에서는 경영비, 폐사량 등의 데이터 부재로 반영되지 못한 경우가 많아 보다 정합성 높은 모형을 구축하는데 한계가 있다. 현재 통계청 어가경제조사에서 양식 품종별 경영비 정보는 제공하지 않고 있는데, 경영비는 생산자들의 향후 입식 의향 등을 판단하는데 중요한 근거가 되므로 양식수산물 품종별 경영비 조사가 시급히 추진되어야 한다. 또한 폐사량은 수급에서 가장 중요하다고 볼 수 있는 양성물량과 직결되는 문제이기 때문에 지속적인 데이터 구축이 이루어져야 한다. 현행 수산관측 조사 체계를 활용한다면 전복 폐사량 데이터는 조사 및 DB 구축이 가능할 것으로 보인다. 따라서 향후에는 이러한 데이터를 반영한 모형 구축이 필요할 것으로 사료된다. 이와 관련된 모형 구축은 향후 연구과제로 남겨두고자 한다.