Ⅰ. 서 론

1) “제주산 양식 광어 가격폭락...200톤 수매 폐기 ‘긴급조치’”(동아일보, 2019.10.22.), “제주 광어 가격 하락에 수출까지 불안 ‘이중고’”(한국일보, 2019.07.29.), “‘국민횟감’은 옛말...완도 광어의 눈물”(서울경제, 2020.03.18.), “광어 가격 폭 락에 따른 대책 빨리 마련되야”(완도신문, 2019.06.07.) 등.

Ⅱ. 생산현황 및 산지가격 추이

2) 넙치 도매업자와 대형마트 수산담당 바이어는 완도산 넙치(1kg)가 제주산에 비해 육질이 단단하고, 회로 썰었을 때 색깔의 투명함이나 맛에 있어서 요식업계가 더 선호한다라고 평가하였다(이헌동·안병일, 2016).

Ⅲ. 분석 방법

1. 패널 단위근 검정

 패널자료의 단위근을 검정하는 방법에 관한 연구는 대표적으로 Levin-Lin-Chu(2002)와 Im-Pesaran-Shin(1997) 등에 의해서 발전되었다. 패널 단위근 검정에는 전체 패널에 대한 공통의 단위 근 검정 방법인 Levin-Lin-Chu(LLC) 검정과 개별 패널의 단위근을 점정하는 Im-Pesaran-Shin(IPS) 검 정이 존재한다.

 LLC 검정은 모든 패널이 공통의 자기회귀계수인 ρ를 가진다는 제한에서부터 출발한다. 이러한 경 우 오차항의 계열상관 문제가 발생할 가능성이 높으므로 종속변수 Δγ_i,t의 차분추가항을 모형에 추가 하면 계열상관 문제는 완화되고, μ_i,t 는 백색잡음이 된다(StataCorp LLC., 2019).

 LLC 검정은 각 패널의 시계열 자료에 대해 ADF 검정방법을 적용하여 t값을 도출하고, 이를 표준 화시키면 그 통계량은 점근적으로 평균이 0, 표준편차가 1인 정규분포를 갖게 된다(박건준, 2016). 그 러나 위에서 언급했듯이 모든 패널이 동일한 자기회귀계수를 갖는다는 대립가설을 전제하기 때문에 LLC 검정은 다른 패널 단위근 검정방법과 상호보완적으로 사용된다.

 IPS 검정은 모든 패널에 대해 동일한 자기회귀계수를 갖는다는 LLC 검정의 대립가설을 일부 완화 한 검정방법이다. 식 (2)의 ρ는 패널개체별로 상이할 수 있으며, μ_i,t는 모든 i와 t에 대해 독립적으로 정규분포를 따른다고 가정하고, 패널개체에 걸쳐서 이질적인 분산을 허용한다(Im et al., 2003).

 IPS 검정은 패널별 시계열 자료에 대해 ADF 검정을 실시하여 t값을 도출하고, 전체 패널에 대한 평균인  구한다. 추정된 전체 패널에 대한 평균인  시계열 자료의 기간이 충분히 주어진다면 표준정규분포를 따르며, 의 평균과 분산을 구한 후 임계치를 도출한다(김홍기, 2005).

2. 적정시차 선정

 단위근 검정 이후 패널 VAR 분석을 위해서는 모형 분석에 적용할 적정 시차를 결정해야 한다. Andrews and Lu(2001)는 일반화 적률법(Generalized Method of Moments, GMM)을 통한 추정 시 과 도식별제약(Over-Identifying Restrictions)의 적합성을 검정하는 J 통계량에 기반한 시차 선정 기준인 Model and Moment Selection Criteria(MMSC)를 제안하였다. 이들이 제안한 MMSC를 AIC(Akaike Information Criteria), BIC(Bayesian Information Criteria), HQIC(Hannan-Quinn Information Criteria) 기준으로 변형하면 MMSC_AIC,n ,MMSC_BIC,n, MMSC_HQIC,n과 같이 나타낼 수 있으며, 개별 선택기준은 다음의 식 (3), (4), (5)와 같이 표현할 수 있다.

여기서 J_n(b,c)는 Hansen의 과도식별 검정통계량을 의미하며, b는 추정계수의 개수, c는 적률조건 (Moment Conditions)의 개수, n은 관측치의 수를 의미한다. Andrews and Lu(2001)는 상기 3가지 선택기준 중에서 MMSC_BIC,n, MMSC_HQIC,n를 시차 선정의 판단기준으로 참고할 것을 추천하였다.

3. 패널 그랜저인과성 검정

 그랜저인과성 검정은 Granger(1969)가 제안하였고, Sims(1972)에 의해서 일반화되었다. 그랜저 인과성 검정은 시계열 자료를 기반으로 전통적인 F 검정통계량을 이용하여 서로 다른 두 변수 사이의 인 과관계를 분석하는 방법이다. 패널 그랜저인과성 검정은 시계열 자료를 바탕으로 분석하는 그랜저인과 성 검정과는 달리 패널자료가 안정성을 가지고 있다면 Wald 검정통계량을 사용하여 인과성 검정을 실시한다(최봉호, 2014). 

 식 (6), (7)을 이용하여 패널 그랜저인과성 검정을 실시하고, 도출된 결과를 해석하기 위해 귀무가설 (H₀)을 α_i,J=0 또는 δ_i,J=0이라 한다.

4. 패널 VAR 모형

 패널 VAR 모형은 패널자료를 VAR 모형에 적용할 수 있도록 개발한 모형으로 Holtz-Eakin et al.(1988)에 의해 제시되었다. 패널 VAR 모형은 패널자료를 분석에 이용하기 때문에 VAR 모형 분석 에 활용하는 시계열 자료의 기간이 짧아 발생 가능한 자유도 부족 문제를 횡단면 데이터를 활용함으 로써 해결이 가능하다.

 패널 VAR 모형은 다음의 식 (8)과 같이 간단히 표현할 수 있다. i는 패널개체 수(i=1, …, I)이며, t는 기간(t=1, …, T), p는 시차를 의미한다. Y_i,t는 종속변수의 (1xK) 벡터이고, A₁,A₂, …, A_P-1,A_P는 (KXK) 행렬을 의미하며, µ_i는 패널 개체의 특성, ∈_i,t는 오차항이다(Abrigo and Love, 2015).

 식 (8)과 같은 패널 VAR 모형은 시차를 포함한 종속변수가 설명변수에 포함되어 있어 µ_i와 설명변수는 상관되기 때문에 고정효과모형으로 분석을 실시하게 된다. 그러나 고정효과모형으로 분석을 진행 하더라도 추정식의 우변에 시차를 포함한 종속변수가 포함되어 있어 불편추정치를 얻을 수 없고, 분 석과정에서 평균차분(Mean-differencing)을 활용함에 따라 변수들의 평균값에는 종속변수와 오차항이 포함되어 상관관계 문제가 발생할 수 있다(Nickell, 1981; 박건준, 2016; 강희찬ㆍ황상연, 2016). 만약 확률효과모형을 통해 패널 VAR 모형을 분석하더라도 시차를 포함한 종속변수가 설명변수에 포함되어 있어 µ_i와 설명변수가 상관되지 않는다는 확률효과모형의 기본 가정을 위배하게 되므로 계수의 일치 추정량을 얻을 수 없게 된다(은석, 2015).

 따라서 동태패널모형의 한 형태인 패널 VAR 모형의 종속변수와 독립변수 간에 발생하는 내생성 문제를 해결하고자 Arellano and Bond(1991)는 GMM 추정법을 제안하였고, Arellano and Bover(1995), Blundell and Bond(1998)가 수정ㆍ보완하여 GMM 추정법을 발전시켰다. 본 연구에서는 Abrigo and Love(2015)3)의 전진직교차이(Forward Orthogonal Deviation, FOD)4)를 이용한 GMM을 활 용하여 고정효과를 제거한 패널 VAR 모형을 추정하였는데, Hayakawa et al.(2009)에 따르면 FOD를 이용한 GMM 추정량이 일반적으로 불편추정치이며, 더 효율적이었기 때문이다(강영준, 2016).

3) Abrigo and Love(2015)는 패널 VAR 모형의 연립방정식 전체를 도구변수로 추정하고, 이를 사후 추정하는 통계패키 지를 개발하였다(강영준, 2016).

4) 전진직교차이(FOD)는 패널자료를 아래의 식과 같은 형태로 변형한 후, 변형된 자료를 사용하여 패널 VAR 모형을 추정한다. 여기서  선행평균값이며, N_i,t 는 t시점에 i번째 횡단면에서 사용가능한 선행관측치의 개수를 의미한 다(이용희, 2018). 

5. 충격반응분석

 충격반응분석은 추정된 패널 VAR 모형을 기반으로 하여 분석이 실시되기 때문에 패널 VAR 모형 이 안정적인지 그렇지 않은지를 확인하는 절차가 필요하다. Lutkepohl(2005)과 Hamilton(1994)은 동반 행렬  모든 추정계수가 1보다 작을 경우 VAR 모형이 안정적인 것으로 판단하였다. 는 식 (9) 와 같이 나타낼 수 있다.

 안정적인 패널 VAR 모형은 가역적(Invertable)이며, 무한벡터이동평균(Infinite-order Vector Moving Average, VMA)으로 나타낼 수 있다. 식 (10)의 충격반응함수  무한 벡터이동평균으로 모형을 재 작성(Rewriting)하여 계산할 수 있다(Zouaoui and Zoghlami, 2020).

 충격반응함수는 한 변수에 대한 충격과 다른 변수에 대한 충격이 동시에 발생할 수 있어 변수 간 인과적인 해석을 하기 어렵다. 이에 따라 Sims가 제안한 대로 오차항 간의 분산행렬인 ∑를 Cholesky 분해한다.  행렬 P를 가정하면 P는 오차항을 e_i,tP^-1의 형태로 직교화(Orthogonalize) 한 후, 충격반응함수  직교화된 충격반응함수인 로 변형하여 특정변수에 충격이 발생할 경우 자신과 다른 변수에 미치는 영향을 분석한다(Abrigo and Love, 2015).

6. 예측오차 분산분해 분석 예측오차 분산분해(Forecasting Error Variance Decomposition) 분석은 패널 VAR 모형에 속한 한 변 수의 예측오차 분산을 개별 변수로 분해하여 기간별로 예측오차의 분산이 자체 변수와 다른 변수들에 의해 어느 정도 설명되는지를 백분율로 표시하여 변수별 상대적 기여도를 파악한다.

 식 (11)은 h기 이후의 예측오차를 구하는 식이며, Y_i,t+h는 t+h 시점에서 관측된 벡터이고, E(Y_i,t+h)는 t시점에서 h기 앞서 예측된 벡터를 의미한다. 예측오차 분산에 대한 각 변수별 기여도 를 분리하기 위해 충격반응함수와 유사하게   행렬 P를 이용하여 충격을 직교화한다. 직 교화된 충격인 e_i,tP^-1는 예측오차 분산분해를 가능하게 하는 공분산 행렬인 I_k를 가진다. 구체적으로 변수 n의 h기 이후 예측오차 분산에 대한 변수 m의 기여도 계산은 식 (12)와 같이 나타낼 수 있 다(Abrigo and Love, 2015; Abidin et al., 2020). 

Ⅳ. 분석 결과

1. 자료 분석

 본 연구의 분석에 활용한 패널자료는 한국해양수산개발원 수산업관측센터에 공표된 제주 및 완도의 양식넙치 월별 산지가격으로 기간은 2005년 6월부터 2020년 9월까지이며, 지역별 산지가격은 무게에 따라 500g, 700g, 1.0kg, 1.1kg, 2.0kg으로 구분되어 있다.

 분석에 이용한 자료의 수는 제주와 완도 모두 915개였으며, 양식넙치의 출하무게에 따라 5개의 패 널그룹으로 구분하였고, 분석기간은 183개월이었다. 분석과정에서 2015년을 기준으로 하는 넙치 생산 자물가지수로 명목가격을 실질화하였다. 수준변수로 단위근 검정을 실시한 결과, 단위근이 존재하는 불안정한 패널자료로 나타났다. 이러한 문제를 해결하고자 수준변수를 로그차분한 후, 양식넙치 산지 가격 변화율 자료로 분석을 진행하였다.

 제주와 완도의 산지가격 변화율 자료 관측치 수는 각각 915개이고, 제주 산지가격 변화율 패널자료 의 기초통계량은 평균이 -0.0004, 표준편차는 0.1546, 최솟값은 -0.6012, 최댓값은 0.7065으로 나타났 다. 완도 산지가격 변화율 패널자료의 기초통계량은 평균이 -0.0005이고, 표준편차는 0.1545, 최솟값은 -0.6493, 최댓값은 0.8262이었다.

2. 패널 단위근 검정

 본 연구에서 사용한 제주 및 완도의 양식넙치 월별 산지가격 자료는 여타 경제변수와 마찬가지로 불안정성을 내포하고 있을 수 있으며, 이러한 불안정성을 가진 자료를 통해 분석을 실시하면 허구적 회귀(spurious regression)가 발생하여 분석결과의 신뢰도가 저하될 가능성이 있다.

 이에 분석 전 제주 및 완도의 양식넙치 산지가격 변화율 자료의 단위근 존재유무를 확인하기 위해 개별 패널자료의 단위근 검정인 IPS 검정과 공통 단위근 검정인 LLC 검정을 실시하였다. IPS 검정 결과, 제주와 완도의 산지가격 변화율 자료는 귀무가설을 1% 유의수준에서 기각하여 안정적인 패널자 료임을 확인하였다. 또한 LLC 검정 결과에서도 귀무가설을 1% 유의수준에서 기각하여 제주 및 완도 의 산지가격 변화율 자료는 단위근이 존재하지 않는 안정적인 패널자료임을 확인하였다.

3. 적정시차 선정

 시계열자료를 이용한 VAR 모형의 분석과 마찬가지로 패널자료를 활용한 패널 VAR 모형을 추정하 기 위해서는 적정시차 선정이 무엇보다 중요하다. 패널 VAR 모형의 분석에 앞서 시차 선정의 기준은 MBIC, MAIC, MQIC 통계량이 최소가 되는 시차를 선택해야 한다.

 시차 선정 결과, MBIC는 1시차에서 가장 작았으나, MAIC 및 MQIC에서는 10시차가 가장 작은 것 으로 나타났다. 패널 VAR 모형을 구성하기 위해 Andrews and Lu(2001)의 시차 선정 기준에 따라 MBIC 및 MQIC 통계량이 최소가 되는 1시차와 10시차를 선택해야 한다. 그러나 10시차를 설정할 경 우 잔차항의 자기상관은 감소하지만 모형의 효율성이 떨어질 수 있다. 또한 10시차를 선정하여 분석 을 진행할 경우, 패널 VAR 모형 추정 시 시차가 증가함에 따라 요구되는 도구변수 숫자가 급격히 증 가하기 때문에 1시차를 적정시차로 선정하였다(송유철ㆍ원용걸, 2011).

4. 인과관계 검정

 제주 및 완도의 양식넙치 산지가격 변화율 사이의 인과관계를 파악하기 위해 패널 그랜저인과성 검 정을 실시하였다. 앞선 패널 VAR 모형의 적정시차 선정 결과인 1시차를 반영하여 그랜저인과성 검정을 실시한 결과, 제주와 완도의 산지가격 변화율 모두 1% 유의수준에서 귀무가설을 기각하는 것으로 분석 되었다. 도출된 인과성 검정 결과를 자세히 설명하면 제주의 산지가격 변화율은 완도의 산지가격 변화 율을 선도하는 것으로 나타났고, 완도의 산지가격 변화율도 제주의 산지가격 변화율을 선도하는 것으로 분석되었다. 그러나 완도가 제주의 산지가격 변화율을 선도하는 것보다 제주가 완도의 산지가격을 선도 하는 경우의 P -value 값이 더 낮았기 때문에 제주가 완도를 미약하게 선도한다고도 볼 수 있다.

 완도에 비해 제주는 연중 수온이 높고, 지하해수를 활용해 저수온기, 고수온기에 수온을 적정수준으 로 유지할 수 있는 이점이 있다. 따라서 제주 양식넙치는 1kg 도달 시점이 육지에 비해 2~4개월 빠르 고, 생산량이 완도보다 약 2배 가량 많기에 제주의 산지가격 변화율이 완도를 강하게 선도할 수 있을 것으로 생각할 수도 있으나, 분석결과는 이러한 직관과는 차이를 보였다.

 이와 같은 분석결과가 도출된 원인을 추정해 보면, 수산업관측센터의 넙치 관측이 시작되면서 2005 년 이후 공개된 지역별 산지가격을 제주와 완도의 넙치생산자단체 또는 수협이 어느 정도 참고하여 산지가격을 결정하는 현상이 일정 부분 반영된 자료를 본 분석에 이용하였기 때문으로 추정된다.

5. 패널 VAR 모형 추정 및 안정성 검정

 패널 VAR 모형 분석에 필요한 적정시차 선정 및 그랜저인과성 검정 결과를 반영하여, 적정시차는 1시차, 변수의 순서는 제주와 완도의 순으로 분석을 진행하였다.

 패널 VAR 모형 분석 결과, 제주의 양식넙치 산지가격 변화율은 제주의 1개월 전 산지가격 변화율 이 1% 증가할 때, 0.6393% 정(+)의 영향을 받는 것으로 분석되었으며, 제주의 1개월 전 산지가격 변 화율의 계수는 1% 유의수준에서 통계적으로 유의한 것으로 분석되었다. 또한 완도의 1개월 전 양식 넙치 산지가격 변화율이 1% 증가할 때, 제주의 산지가격 변화율은 -0.4693% 음(-)의 영향을 받는 것 으로 나타났으며, 완도의 1개월 전 산지가격 변화율의 계수는 1% 유의수준에서도 통계적으로 유의한 것으로 추정되었다.

 제주의 양식넙치 산지가격 변화율과 마찬가지로 완도의 양식넙치 산지가격 변화율은 제주와 완도의 1개월 전 산지가격 변화율 모두에 1% 유의수준에서 영향을 받고 있음을 확인할 수 있다. 구체적으로 제주의 1개월 전 산지가격 변화율이 1% 증가할 때, 완도의 산지가격 변화율은 0.6061% 증가하는 것 으로 나타났으나 완도의 1개월 전 산지가격 변화율이 1% 증가할 때, 완도의 산지가격 변화율은 -0.4082% 감소하는 것으로 분석되었다.

 특히, 완도의 1개월 전 가격변화율이 증가하면 제주의 가격변화율은 감소한 반면, 제주의 1개월 전 가격변화율이 증가하면 완도의 가격변화율도 증가하는 것을 확인할 수 있다. 이는 앞서 언급한 인과성 검정의 결과와 부합하는 것으로, 제주의 가격변화율이 완도의 가격변화율을 미약하게나마 선도하기 때문인 것으로 판단된다.

 추정된 패널 VAR 모형이 불안정할 경우 충격반응분석 및 예측오차 분산분해분석의 결과는 유의하지 않으므로 충격반응분석 및 예측오차 분산분해분석 실시 전 패널 VAR 모형의 안정성 검정을 시행하였 다. 패널 VAR 모형의 모든 근들이 1보다 작으며, 관측치가 단위원 안에 존재할 경우 패널 VAR 모형 은 안정적이라고 판단할 수 있다. 패널 VAR 모형의 안정성 검정 결과, 제주와 완도의 양식넙치 산지가 격 변화율의 관측치가 단위원 내부에 위치하고 있어 추정된 패널 VAR 모형은 안정적임을 확인하였다.

6. 충격반응분석

 전 단계에서 분석한 패널 VAR 모형을 기초로 하여 제주 및 완도의 양식넙치 산지가격 변화율의 충격반응분석을 실시하였다. 패널 VAR 모형에 기초한 충격반응분석을 실시함으로써 시간의 흐름에 따른 변수 간 동태적인 영향을 살펴봄과 동시에 변수 간 단기적인 영향만을 제시하는 패널 VAR 모 형의 한계점을 보완할 수 있다.

 제주의 양식넙치 산지가격 변화율의 오차항에 충격이 발생하면, 제주의 산지가격 변화율자체는 1개 월 후 약 0.0314단위의 양(+)의 영향을 받으며, 2개월 후 95% 신뢰구간 하에서 충격의 영향은 0으로 수렴하는 것으로 분석되었고, 완도의 산지가격 변화율도 1개월 후 약 0.0351단위의 양(+)의 영향을 받 으며, 2개월 후 충격의 영향이 95% 신뢰구간 하에서 0으로 수렴하는 것으로 나타났다.

 완도 양식넙치 산지가격 변화율의 오차항에 충격이 발생하면, 제주의 산지가격 변화율은 1개월 후 약 0.0256단위의 음(-)의 영향을 받는 것으로 나타났으며, 3개월 후 충격의 영향이 95% 신뢰구간 하 에서 0으로 수렴하는 것을 확인하였고, 완도의 산지가격 변화율 자체도 1개월 후 약 0.0223단위의 음 (-)의 영향을 받는 것으로 분석되었으며, 3개월 후 95% 신뢰구간 하에서 충격의 영향은 0으로 수렴하 는 것으로 분석되었다.

7. 예측오차 분산분해 분석

 제주 및 완도의 양식넙치 산지가격 변화율의 예측오차를 설명하는데 있어 추정한 패널 VAR 모형의 각 지역별 산지가격 변화율의 상대적인 설명 정도를 살펴보기 위해 예측오차 분산분해 분석을 진행하였다. 제주 양식넙치 산지가격 변화율은 1개월 후 자기가격 변화율 자체로 약 100.00% 설명되었다. 10개월 후 제주의 산지가격 변화율은 자기가격 변화율 자체로 약 97.35% 설명되고, 완도의 산지가격 변화율로 설명되는 비율은 약 2.65%로 나타나 제주의 산지가격 변화율은 대부분 제주 자체의 산지가격 변화율에 의해 설명되는 것을 확인할 수 있다.

 완도의 양식넙치 산지가격 변화율은 1개월 후 자기가격 변화율에 의해 약 12.28% 설명되나 제주의 산 지가격 변화율에 의해서는 약 87.72% 설명되는 것으로 나타났다. 10개월 후 자기가격 변화율에 의해 약 13.50% 설명되는 반면, 제주의 산지가격 변화율에 의해 약 86.50% 설명되는 것으로 분석되었다. 완도는 제주에 비해 자기가격 변화율에 의한 설명 비율이 낮고, 오히려 제주의 산지가격 변화율에 의해 설명되는 비율이 높은 특성을 보였다. 이는 인과성 검정결과를 토대로 추정한 패널 VAR 모형의 1개월 전 제주와 완도의 산지가격 변화율 계수의 영향력이 완도에 비해 제주가 크기 때문인 것으로 판단된다.

Ⅴ. 결 론

 본 연구는 2005년 6월부터 2020년 9월까지 제주와 완도의 월별ㆍ중량별 양식넙치 산지가격 변화율 자료를 패널형태로 가공한 후 패널 VAR 모형을 이용해 양식넙치 주산지인 제주와 완도 중 산지가격 을 선도하는 지역을 실증적으로 규명해 보았다. 또한 패널 VAR 모형을 토대로 한 충격반응분석을 실 시하여 제주와 완도 간 동태적 영향을 확인하였고, 예측오차 분산분해 분석을 통해 각 지역별 산지가 격 변화율의 상대적인 설명 정도를 추정해 보았다.

 본 연구의 분석결과를 요약하면 다음과 같다. 첫째, 제주와 완도의 월별ㆍ중량별 양식넙치 산지가격 을 로그 차분 후, 패널 단위근 검정을 통해 분석자료의 안정성을 확인하였다. 둘째, 시차선정 결과, 패 널 VAR 모형 추정에 필요한 시차는 1시차로 선정하였다. 셋째, 패널 그랜저인과성 검정 결과, 제주의 양식넙치 산지가격 변화율이 완도를 선도할 것이라는 일반적인 추론과 같이 가격선도에 있어 제주의 영향력이 완도보다 미세하게 큰 것으로 나타났지만 제주와 완도는 서로 양식넙치 산지가격 변화율을 선도하는 것으로 분석되었다. 넷째, 패널 VAR 모형 분석 결과, 제주와 완도의 양식넙치 산지가격 변 화율은 1개월 전 제주와 완도의 산지가격 변화율이 유의한 영향을 주고 있는 것으로 나타나 패널 인 과성 검정 결과를 재확인하였다. 다섯째, 패널 VAR 모형의 안정성을 확인한 후 충격반응분석을 시행 한 결과, 제주와 완도의 양식넙치 산지가격 변화율의 오차항에 대한 충격이 각각 발생하면 동일지역 보다 타 지역이 조금 더 영향을 받는 것으로 분석되었다. 여섯째, 예측오차 분산분해 분석 결과, 제주 의 산지가격 변화율은 완도보다 자기가격 변화율로 설명되는 비율이 높았으나 완도의 산지가격 변화 율은 제주의 양식넙치 산지가격 변화율에 의해 설명되는 비율이 자기가격 변화율보다 높아 두 지역이 서로 산지가격 변화율을 선도하지만 여전히 제주의 영향력을 간과할 수 없음을 확인하였다.

 상기 분석결과를 바탕으로 제주와 완도의 양식넙치 산지가격 안정 및 변동성 완화를 위해서는 본 연구에서 추정한 지역별 산지가격 변화율에 충격이 지속되는 기간을 참고하여 지속기간이 단축될 수 있도록 지자체별로 신속하게 수매사업을 실시해야 할 것이다. 뿐만 아니라 제주와 완도의 산지가격이 서로 영향을 미치는 것을 고려할 때, 지역별 수매사업의 신속한 시행은 해당지역과 상대 지역의 산지 가격 안정과 변동성 완화에도 도움이 될 것으로 보인다. 그리고 양식수산물을 정부수매 대상에 포함 하는 방안이 논의되고 있는 만큼 향후 양식넙치를 대상으로 정부가 수매사업을 실시할 때, 예측오차 분산분해 분석 결과를 토대로 완도에 비해 제주의 수매규모를 높여 차등적으로 수매한다면 두 지역의 양식넙치 산지가격 안정은 물론 변동성 완화에도 일정부분 기여할 수 있을 것으로 판단된다.

 본 연구는 국내 수산분야, 특히 일별, 주별, 월별 등 주기적으로 가격이 공개되는 어류를 대상으로 미적용된 패널 VAR 모형을 이용하여 분석하였다는 점과 제주와 완도의 월별ㆍ중량별 양식넙치 산지 가격 전체를 지역별 양식넙치 선도가격 분석에 활용하였다는 점에서 연구의 의의가 존재한다. 더불어 본 연구의 분석 결과에 기초하여 가격 변동성을 완화할 수 있는 방안을 제시함에 따라 정부나 지자체 의 정책 시행과 넙치양식업계의 사업 운영에 도움이 될 수 있기를 기대한다.

 끝으로, 본 연구는 현재 수산업관측센터에 공개된 제주와 완도의 양식넙치 월별 산지가격을 분석자료로 활용하다 보니 일별, 주별로 변화할 수 있는 지역별 양식넙치 산지가격의 동향을 분석에 충분히 반영하지 못한 한계가 존재한다. 따라서 향후 제주와 완도의 어류양식수협이나 생산자단체가 보유하고 있는 일별, 주별 가격이 공개되어 이를 분석에 이용한다면 앞서 언급한 한계를 극복할 수 있으리라 생각되며, 이는 향후 연구과제로 남겨둔다.