[제950회] 빅데이터 모형을 활용한 경제전망
(2024. 02. 16 (금), 경제모형실 거시모형팀 서범석 과장)

(서범석 과장)

안녕하세요, 경제모형실 서범석 과장입니다. 식사 맛있게 하셨나요? 금요일에 이렇게 강의 들으러 와주셔서 감사하다는 말씀 먼저 드립니다. 제가 오늘 발표할 내용은 빅데이터 모형을 활용한 경제전망입니다. 그래서 전반부에 이 빅데이터 모형의 개념에 대해서 교양 강의 수준으로 쉽게 살펴보고요, 후반부에 한국은행에서 빅데이터 모형을 어떻게 활용하고 있는지, 그리고 빅데이터 모형을 활용해서 어떻게 경제전망을 할 수 있는지 살펴보도록 하겠습니다.

[1. 기본 개념 : 경제 전망과 데이터 기반 모형] (p.2)

[경제 전망이란?] (p.3)

기본 개념인데요. 먼저 경제전망이란 무엇일까요? 미래를 예측하는 일은 뛰어난 경제학자가 와도 쉽지 않겠죠. 그만큼 경제전망은 굉장히 어려운 일입니다. 경제전망을 한 문단으로 정의를 해보면 다음과 같이 얘기해볼 수 있는데요. 경제전망이란 이용 가능한 최대한의 정보를 체계적으로 이용해서 가장 그럴듯한 스토리를 만들어 내는 것이라고 얘기를 할 수 있을 것 같습니다. 그래서 경제전망에는 세 가지 요소가 필요한데요, 무엇일까요? 위에 힌트가 있죠. 이용 가능한 데이터와 그것을 분석하기 위한 체계, 즉 모형이 필요하고요. 그런 정보와 체계를 바탕으로 스토리를 만들어내는 주관적 판단이 필요합니다. 여기 보시면 데이터와 주관적 판단은 사실 매우 직관적으로 이해가 됩니다. 전망을 하기 위해서 많은 데이터들을 살펴보고, 그것을 바탕으로 경제 판단을 내려야겠죠. 그렇다면 가운데 여기 모형은 왜 필요할까요? 전망을 하는데 모형이 무엇인지 그 내용을 좀 살펴보겠습니다.

[경제 모형이란?] (p.4)

모형이 어떻게 정의되는지 사전을 좀 살펴봤는데요. 사전을 보시면 이렇게 나옵니다. 어떤 사물이나 시스템의 대표, 또는 그것을 모방하는 것, 아니면 카피, 또는 좋은 example 이런 식으로 나오는데요. 한국어로 보면 객채, 시스템, 또는 개념에 대한 구조나 작업을 보여주기 위한 패턴, 계획, 또는 설명 이렇게 나오는데요. 모형이란 즉 어떤 현상을 모방하기 위한 작은 시스템이라고 저희가 생각을 해볼 수 있을 것 같습니다.

[경제 모형이란?] (p.5)

그러면 경제 모형은 뭐가 되죠? 경제 모형은 이렇게 정의를 해볼 수 있을 것 같습니다. 경제 분석이나 전망을 목적으로 특정 경제 현상 또는 변수를 모사하기 위한 하나의 알고리즘, 시스템, 또는 함수 모두가 바로 경제 모형이라고 할 수 있겠습니다. 수식으로 표현하면 Y = f(X)로 쓸 수 있는 것은 모두 모형이라고 할 수 있을 것 같아요. 그래서 경제 모형을 한 마디로 정의를 하면, 경제 모형은 경제를 분석하고 예측하기 위한 하나의 사고의 틀이다라고 생각을 해볼 수가 있을 것 같습니다. 여기서 이 사고의 틀이 왜 중요할까요?

[경제 모형이란?] (p.6)

제가 도입부에 재밌는 얘기를 해보고 싶어서 인터넷에 있는 밈을 가지고 왔는데요. 어떤 게시판에 이런 질문이 올라왔습니다. 냉장고에 코끼리를 넣는 방법은 무엇일까요? 질문자가 생각한 대답은 냉장고 문을 연다, 그리고 코끼리를 넣는다, 그리고 문을 닿는다 이것이었는데요. 답변들을 보면 각 학과 학생들이 무엇을 배우느냐에 따라서 서로 다른 답변을 했다고 해요. 열역학을 배우신 분은 냉장고의 온도를 2,700K까지 올려서 냉장고를 열팽창시킨다. 물리학을 배우신 분은 특수 상대성 이론을 적용하여 코끼리의 길이를 수축시킨다. 위성수학 배우신 분은 클라인 병 형태의 냉장고 옆에 코끼리를 놓는다 이런 대답들이 올라왔다고 하는데요. 무슨 말인지 잘 모르겠죠? 보시면 어떤 사고의 틀을 갖느냐에 따라서 현상을 분석하는 방법이 완전 달라집니다.

[경제 모형이란?] (p.7)

그래서 이 경제 분석도 어떤 경제 모형을 사용하느냐에 따라서 전혀 다른 분석이 되고요. 전혀 다른 결과를 얻을 수 있습니다. 경제 모형을 사고의 틀을, 경제를 분석하는 사고의 틀을 어떻게 구축하느냐가 굉장히 중요한 이슈가 되겠습니다. 그러면 이 경제 모형을 어떻게 구축할 수 있을까요? 두가지 방법이 있습니다. 하나는 직관 또는 개념적 지식을 바탕으로 모형을 구축하는 방식이고요, 이런 방식을 이론 모형이라고 부르고 있습니다. 다른 방법은 이론 없이 과거의 패턴 또는 데이터로부터 직접 모형을 만들어내는 방법이 있습니다. 이것을 데이터 기반 모형이라고 할 수 있을 것 같습니다. 이 두가지 개념은 사실 완전히 구분되는 개념은 아니고요, 상호보완적으로 활용이 되는 개념이라고 이해를 하시면 될 것 같습니다.

[경제 모형이란?] (p.8)

예를 들어볼까요? 보통 경제학을 배우신 분들은 잘 아실 텐데요, 직관 또는 개념적 지식을 기반으로 모형을 구축한 예로 게임 이론, 행동경제학 이런 것들을 들 수 있습니다. 가장 흔하게 접할 수 있는 게임 이론 중 하나가 용의자의 딜레마라는 것이 있죠. 용의자의 딜레마는 특정 상황에서 경제주체들이 합리적으로 행동을 한다면 특정 형태로 그 결과를 예측할 수 있다, 이렇게 직관을 바탕으로 모형을 설정한 예라고 할 수 있습니다. 이렇게 직관 또는 개념적 지식을 바탕으로 모형을 구축을 하게 되면, 우리의 모형이 f(X)를 이론을 기반으로 사람이 직접 설계를 하게 됩니다. 그에 반해서 이론 없이 데이터로부터, 과거 패턴으로부터 직접 모형을 만들 수가 있는데요. 이 경우에는 우리의 모형이 f(X)를 사람이 설계하는 것이 아니고 데이터로부터 추론을 하게 됩니다. 이 데이터 기반 모형의 대표적인 예가 요새 많이들 뉴스에 나오는 머신러닝, AI 이런 것들이 다 데이터 기반 모형이라고 할 수 있습니다.

[1-1. 이론 기반 거시 모형] (p.9)

조금 더 자세히 살펴 보면요.

[이론 기반 거시 모형] (p.10)

이 이론 기반 거시 모형들이 있는데요. 어떤 게 있을까요? 우리나라의 경제를 설명하기 위한 이론 모형들을 살펴보면, 경제학 수업 처음에 배우는 이 IS-LM-BP 모형, Mundell-Fleming 모형이 있습니다. 이 모형은 한 나라의 경제를 재화시장, 통화시장, 그리고 국제 자본이동으로 설명하는 모형인데요. 배워보신 적이 있으신 분들도 있겠죠. 이 모형으로 전망을 하면 잘 맞을까요? 아주 잘 맞지는 않을 겁니다. 왜냐하면 우리나라의 경제가 복잡한데 단순히 이 세 개의 시장을 단순화한 모형만 가지고 전망을 하기에는 좀 부족한 부분이 있습니다.

[이론 기반 거시 모형] (p.11)

또 이 루카스 비판, 즉 경제 주체의 기대를 반영하지 않은 모형은 신뢰할 수 없다는 루카스 비판이 나온 이후로는 이 Mundell-Fleming 모형을 활용하는 중앙은행은 없고요.

[이론 기반 거시 모형] (p.12)

대부분의 중앙은행은 동태확률일반균형 모형, DSGE라고 불리는 모형인데요. 이 DSGE 모형을 보통 핵심 모형으로 구축해서 경제전망과 분석을 수행하고 있습니다. 이 DSGE 모형은 보시는 것처럼 우리나라의 산업 구조라든지 노동시장, 자본시장 이런 시장별 특징을 반영한 모형입니다. 그래서 최대한 우리나라의 경제 구조를 반영해서 한 나라의 경제가 어떻게 흘러가는지 이것을 작게 축약해놓은 모형이라고 할 수 있겠습니다. 이 DSGE 모형은 중장기적인 경제 흐름을 보는 데에 굉장히 유용하고요. 하지만 단기적인 경제 fluctuation이나, 아니면 세부적인 시장의 특성들을 살펴보는 데는 좀 부족한 부분이 있습니다. 아무래도 한 나라의 경제가 굉장히 복잡한데 그것을 전부 모형으로 설명하는 데는 한계가 있기 때문에 그렇고요.

[1-2. 데이터 기반 모형] (p.13)

그래서 이제 이론 모형 뿐만 아니라 여러 가지 데이터들이 보여주는 특성도 한 번 살펴보자 해서 빅데이터를 기반한, 데이터에 기반한 모형들도 많이 연구가 되고 있습니다.

[데이터 기반 모형] (p.14)

특정 이론을 바탕으로 하지 않고 데이터로부터 직접 모형을 구축하기 위한 방법들이 많이 있는데요. 그러면 데이터 기반 모형은 어떻게 구축할 수 있을까요? 두가지 방식이 있습니다. 여기도 두가지 방식이 있는데, 첫번째는 실험연구를 통해 수집한 데이터를 가지고 모형을 구축하는 방식입니다. 실험연구라고 하면 특정 변수를 통제한 상황에서 데이터를 수집하는 경우를 실험연구라고 하고요. 이 경우 저희가 인과관계 분석이 가능합니다. 즉, 특정 변수가 변하면 앞으로 다른 변수들은 어떻게 변할 것 같다. 이런 인과관계를 분석하는 데 활용할 수 있고요. 그 예를 보면 여기 무작위비교임상이라는 것이 있습니다. 제약 회사에서도 많이 사용하는 그 임상과 같은 것이고요. 경제학에서도 활용이 되고 있습니다. 하지만 이제 경제학은 실험이 상당히 어렵죠. 우리나라의 경제를 두고 이렇게 저렇게 실험을 해볼 수는 없을 겁니다. 그래서 실험연구를 통해서 모형을 구축하는 경우는 제한이 되고요, 대부분의 경우는 관측연구를 통해서 모형을 구축하게 됩니다. 관측연구라고 하면 특정한 연구 목적과 상관없이 별개로 수집된 데이터들을 바탕으로 모형을 구축하는 것을 관측연구를 통한 모형구축이라고 할 수 있겠고요. 대표적인 것이 많이들 아시는 머신러닝 이런 것들이 다 관측 데이터를 바탕으로 모형을 구축하는 방법이 되겠습니다.

[데이터 기반 모형] (p.15)

그러면 데이터 기반 모형들, 앞으로 더 자세히 살펴볼 건데요. 가장 널리 활용되는, 경제 분석을 위해서 가장 널리 활용되는 데이터 기반 모형은 뭐가 있을까요? 바로 평균입니다. 평균을 가장 많이 활용을 합니다 사실. 평균이 모형이냐, 이렇게 물어보실 수 있는데 y = f(x) 꼴로 나타낼 수 있죠. 그래서 이것도 모형이라고 할 수 있겠습니다. 두번째는 뭐냐, 조건부 평균입니다. 조건부 평균은 뭐냐면 각 샘플을 여러 개의 그룹으로 나눠서 각 그룹별 평균을 보겠다 하는 건데요. 사실 경제 분석, 한국은행에서도 이런 평균, 조건부 평균이 가장 많이 활용이 됩니다. 이제 데이터가 조금 더 복잡해진다 그러면 이런 선형 회귀 모형도 활용을 할 수가 있을 것 같아요. 선형 회귀 모형은 조건부 평균이 조금 더 복잡해진 모형이다라고 생각을 하시면 되는데요, 설명변수가 굉장히 많은 경우에 단순한 평균을 보는 것이 아닌 선형 회귀 기법을 사용해서 모형을 구축할 수 있습니다.

[데이터 기반 모형] (p.16)

잘 와닿지 않는 분들이 있을 것 같아서 예시를 좀 가져왔는데요. 우리나라 국세 수입 전망을 하겠다, 그러면 어떤 방식으로 전망을 할 수 있을까요? 가장 직관적인 방법은 최근 3개년 평균 이런 걸 보는 거겠죠. 근데 사실 어떤 복잡한 모형보다도 이런 평균이 더 전망이 잘 될 때가 많아요. 예측치가, 예측력이 좋고. 이게 간단한 모형이라 그래서 무시할 게 아닙니다. 사실 평균을 보는 게 가장 좋은 방법일 수 있고요. 하지만 저희가 데이터가 여러 선험적인 지식이 있고, 데이터가 여러 그룹으로 나눠질 수 있다라고 하는 경우에는 데이터를 쪼개서 조건부 평균을 보기도 합니다. 예를 들면, 월 평균 가구 소비 이런 것 같은 경우에는 소득 분위별로 각 가계의 평균 소비 성향이 다를 것을 저희가 알기 때문에, 소득 분위별로 가구를 나눠서 조건부 평균을 구해볼 수 있겠습니다. 이 경우, 그냥 단순히 샘플을 전체에서 구해서 평균을 내는 법보다는 좀 더 예측력이 좋아질 수 있겠죠. 아니면 데이터가 더 복잡하다, 고려해야 할 변수들이 굉장히 많다 그러면 조건부 평균보다는 이런 선형 회귀 기법을 이용해서 다양한 변수들을 고려한 모형을 만들 수 있을 것 같습니다. 그리고 앞에서 얘기한 이런 모형들은 다 선형 모형입니다. 그래서 굉장히 간단한 모형인데요.

[데이터 기반 모형] (p.17)

조금 더 복잡해지면 비선형 모형도 있습니다. 그래서 이제 옛날에 많이 활용을 했는데, 요새는 좀 활용이 많이 없는 커널 회귀 이런 것들도 있고요. 그리고 ai모형의 기반이 되는 인공신경망 모형 이런 것도 하나의 모형이라고 할 수가 있겠습니다.

[데이터 기반 모형] (p.18)

이 모형들이 어떤 차이를 갖는지 좀 간략하게 살펴보기 위해서 이 그래프를 가지고 왔는데요. 보시면 평균이라고 하는 것은 이 x축, x 변수와 상관 없이 y축에 있는 y 데이터만 가지고 하나의 경제적 판단을 내린 거라고 보시면 될 것 같고요. 선형 회귀는 x의 변화에 따라서 y가 어떻게 변하는지 하나의 선으로 표현한 것이고, 비선형 모형들은 이렇게 복잡하게 유려한 곡선이나 계단식 함수 또는 조각별 선형 함수로 이렇게 찾아낸 것이라고 보면 되겠습니다. 여기 보시면 알겠다시피, 평균이나 선형 회귀는 굉장히 간단하죠. 이 모형들을 가지고 커뮤니케이션하는 것이 굉장히 쉬워요. 평균같은 경우에는 그냥 그 숫자 하나, 평균 숫자 하나로 이 모형이 어떻게 작동하는지를 여러 사람하고 대화를 할 수가 있겠죠. 선형회귀도 마찬가지입니다. 예를 들어 x축이 시간이고 y축이 gdp성장률이라고 한다면, 이 선형 회귀는 시간이 지남에 따라서 gdp성장률이 매년 1%씩 증가하고 있다 이런 식으로 쉽게 커뮤니케이션 하는 게 가능하죠. 그런데 이제 비선형 모형으로 가면 그게 좀 복잡해집니다. 시간이 지남에 따라서 증가율이 높아지다가 어느 시점에 조금 증가율이 낮아지기 시작하고, 다시 낮아지다가 어느 순간부터는 높아질 것이다, 이런 식으로 설명을 해야 되는 거죠. 그래서 이 비선형 모형으로 가면 커뮤니케이션이 어렵고, 선형 모형으로 가면 커뮤니케이션이 쉽게 됩니다. 하지만 보시다시피 이 선형 모형은 데이터를 아주 잘 적합하지는 못하고요. 비선형 모형을 활용하면 예측력이 좋아지지만 커뮤니케이션이 어렵다는 단점이 있고, 선형 모형을 사용하면 예측력은 조금 떨어질 수 있지만 커뮤니케이션이 조금 더 용이하다 이렇게 보시면 될 것 같습니다.

[데이터 기반 모형 용어 정리] (p.19)

제가 이런 데이터 기반 모형에 대한 용어들을 좀 가지고 왔는데요. 뉴스 이런 것들을 보시면 요새 ai모형이다, 아니면 패턴 인식이다, 머신 러닝이다 이런 용어들이 많이 나오죠. 그런데 다양한 학문 분야에서 이런 데이터 기반 모형이 활용이 되고 또 발전되어왔기 때문에 여러 가지 용어들이 활용되고 있는데, 모두 같은 내용이라고 보시면 됩니다. 통계 모형, 머신 러닝, ai 모형 다 데이터로부터 패턴을 추정하고 그걸 바탕으로 모형을 만드는 것들을 다 이런 여러 가지 용어로 부르고 있습니다.

[데이터 기반 모형 용어 정리] (p.20)

[데이터 기반 모형의 특징] (p.21)

그러면 이제 데이터 기반 모형, 저희가 경제 분석에 활용을 해야 되는데요. 어떤 데이터 기반 모형이 좋은 모형인가부터 좀 살펴보고 넘어가면 좋을 것 같습니다. 좋은 데이터 기반 모형을 평가하는 데는 이 두가지를 생각해볼 수가 있는데요, 첫번째가 예측이 잘 돼야겠죠. 저희가 전망에 활용하려면 무엇보다도 예측이 중요합니다. 하지만 예측만이, 예측이 잘 된다고 다 좋은 모형이냐, 그건 또 아닙니다. 예측이 잘 되지만 우리가 어떻게 작동하는지를 알 수가 없다 그러면 모형을 활용하는 것이 좀 어렵겠죠. 그래서 모형의 해석 가능성도 굉장히 중요합니다. 그래서 해석이 가능하면서 예측이 정확한 모형을 만들어 내야 되는데, 그런데 아까 앞에서 그래프를 보여드렸다시피 종종 예측 가능성하고 해석 가능성은 상충 관계에 있습니다. 그래서 예측이 잘 되는 모형은 너무 복잡해서 좀 해석이 안 되고요. 해석을 위해서 모형을 만들었더니 예측력이 조금 떨어지고 그런 문제가 생깁니다. 그래서 이런 상충 관계가 있고요. 저희는 경제 분석과, 분석의 목적에 따라 그에 맞는 모형을 선택해서 이용할 필요가 있겠습니다.

[데이터 기반 모형의 특징] (p.22)

[데이터 기반 모형의 특징] (p.23)

여기는 넘어가고요.

[빅데이터(big data)] (p.24)

그러면 이제 오늘 발표 주제가 빅데이터 모형을 이용한 경제 전망이잖아요. 모형을 활용하는 건 알겠는데 그러면 빅데이터는 무엇이냐.

[빅데이터란?] (p.25)

빅데이터를 살펴보면 이렇습니다. 빅데이터는 사실 명확한 정의가 있는 용어는 아닌데요. 보통 고차원 데이터, 즉 다양한 변수를 갖는 데이터 또는 고빈도 데이터, 수시로 입수되는 데이터를 빅데이터라고 표현을 하고요. 일반적으로는 이 3V로 정의를 합니다. 그래서 굉장히 신속하게 입수할 수 있는 데이터, 또는 양이 굉장히 많은 데이터 또는 하나의 데이터에서 여러 가지 주제를 분석할 수 있는 데이터를 빅데이터라고 부르고요. 실무적으로는 전통적인 데이터들은 경제 데이터가 대부분 숫자로 나타납니다. 수치 데이터인데, 수치 데이터 전통적인 데이터에 상응하는 개념으로 이 텍스트, 이미지, 음성 이런 과거에 쓰지 못했던 데이터들을 보통 빅데이터라고 부르는 경향이 있습니다. 그래서 경제 전망과 분석 관점에서는 주로 텍스트 데이터라든지 고빈도 데이터, 매 초마다 입수되는 데이터 또는 다양한 출처의 데이터를 빅데이터라고 부르고 있습니다.

[빅데이터란?] (p.26)

그러면 이제 빅데이터와 모형은 무슨 관계인가 좀 살펴볼 필요가 있을 것 같습니다. 전망을 위해서는, 경제 분석과 전망을 위해서는 데이터와 모형 모두 다 중요하겠죠. 데이터와 그 데이터를 분석하기 위한 사고의 틀 둘 다 중요합니다. 정도 높은 모형을 구축하기 위해서는 정도 높은 데이터가 필요하고요. 또 데이터를 체계적으로 분석하기 위해서는 정밀하게 구축된 모형이 필요합니다. 그래서 데이터와 모형이 모두 중요하고요. 또 특정 형태 데이터들은 특정한 형태, 특정한 구조의 모형을 이용하여 분석해야 적절한 경우가 많습니다.

[빅데이터란?] (p.27)

그래서 경제전망을 위한 데이터는 또 전망을 위한 특정한 모형들이 활용이 되고 있습니다. 그러면 경제전망을 위한 빅데이터, 경제 빅데이터는 어떤 특성을 갖느냐 좀 살펴볼 필요가 있을 것 같습니다. 보시면 이 경제 데이터는 대부분 시계열 데이터로 이루어져 있죠. 그래서 계절성, 우상향하는 특성, 동행성 이런 특징들을 갖고 있고요. 이 경제 데이터는 아까 말씀드린 것처럼 실험이 불가능하다는 특징이 있습니다. 또한 이 경제 변수들의 관계는 경제 환경에 따라 달라지기 때문에 경제 환경에 따라서 적절한 모형이 또 달라지게 됩니다. 그런 특성이 있고요. 또 경제 데이터를 모형을 이용해서 분석할 경우에 커뮤니케이션이 예측 정확성 만큼이나 중요하다는 점도 특성으로 살펴볼 수 있을 것 같습니다. 그래서 이 경제 빅데이터는 사실 데이터의 변동들을, 다양한 데이터의 변동을 반영해서 단기 전망하는 데 보다 유용하다 할 수 있고요. 중장기적인 전망은 경제이론에 근거해서 사람들이 어떤 행동을 보일 것이다 이런 산업 구조나 사람들의 행태를 반영한 모형을 주로 활용을 하고, 빅데이터는 단기 경제전망에 주로 활용을 하고 있습니다.

[3. 실시간 단기 경제 전망(nowcasting)] (p.28)

지금부터는 저희 한국은행에서 이 빅데이터를 활용해서 어떻게 전망에 이용하고 있는지를 말씀드리려고 하는데요. 그 전에 먼저 이 단기 경제 전망, nowcasting이 무엇인지 좀 살펴보겠습니다. 이 nowcasting은 현재를 의미하는 now와 예측,전망을 의미하는 forecasting의 합성어이고요. 사실 경제전망은 미래를 아는 것도 어려운데, 지금 현재 우리 경제가 어디에 와 있는지 그것을 제대로 파악하는 것도 꽤나 어려운 일입니다. 그래서 이 nowcasting 관련 연구가 활발하게 진행이 되고 있고요.

[nowcasting 전망 개요] (p.29)

nowcasting은 중장기 전망, 경제 구조를 가정하고 하는 중장기 경제전망과 다르게, 다양한 정보를 얼마나 빠르게 입수해서 그걸 어떻게 평가하느냐가 가장 중요한 문제가 되겠습니다. 그래서 여기서 데이터가 더 중요하다고 할 수 있겠고요. 그 데이터를 체계적으로 분석하기 위한 모형이 또 필요하다고 할 수 있겠습니다. 그래서 저희 한국은행에서도 nowcasting을 위해서 다양한 모형들을 구축해서 활용을 하고 있는데요. 이 nowcasting의 목적을 살펴보면 대규모 정보 집합을 신속하고 유연하게 반영해서 정도 높은 전망치를 산출하는 게 목적이라고 할 수 있겠고요. 이때 활용하는 모형, 다양한 모형을 활용하고 있는데, 이때 활용하는 모형들은 다음과 같은 특징 또는 한계가 있습니다. 먼저 개량모형은 모형 구조에 따라서 반영할 수 있는 정보의 형태, 주기 등이 다르게 나타납니다. 아까 앞에서 보셨다시피 선형 모형이나 비선형 모형 이런 것들은 서로 구조가 다르기 때문에 반영할 수 있는 데이터가 다르고요. 그리고 또 이 개량 모형들, 빅데이터 모형들은 과거 데이터를 기준으로 학습하기 때문에 경제 환경이 변하면 적합도가 달라진다는 특징이 또 있습니다. 그래서 경제 상황별로 개량 모형의 예측력이 좀 다르게 나타나고요. 또 모형을 활용해서 경제 전망을 하다 보면, 신규 정보를 반영하거나 정보를 평가하는 방식, 즉 사고의 틀, 모형을 조정하는 것이 사람이 하는 것에 비해서는 까다롭다고 할 수 있습니다. 그래서 결국은 nowcasting, 정도 높은 nowcasting을 하기 위해서는 하나의 모형만을 활용해서는 좀 쉽지 않고요. 여러 가지 모형들을 운용을 하면서 이 모형들이 나오는, 모형들이 얘기하는 내용을 잘 합성을 해서 활용을 하고 있습니다.

[주요국 중앙은행의 전망 모형 시스템 개발 사례] (p.30)

이제 주요국은 그러면 어떤 모형을 어떻게 활용하고 있느냐 좀 살펴 보면요. 이런 모형들을 이용을 하고 있습니다. 미국같은 경우에는 FRB/US, EDO, GDPNow 이런 모형들을 구축해서 운용을 하고 있고요. ECB는 ECB-BASE, EuroCOIN. 영국은 COMPASS, MAPS. 노르웨이는 NEMO, SAM, SMART. 이런 다양한 모형들을 구축해서 활용을 하고 있습니다. 여기서 하나 재밌는 얘기를 하고 싶은데요, 노르웨이에 NEMO라는 모형이 있거든요. Norwegian Economic MOdel 해서 NEMO인데, 이게 아까 말씀드린 DSGE 모형, 동태확률일반균형모형입니다. 이 노르웨이에서 NEMO를 만들었는데, 두번째 모형을 또 만들었어요. 두번째 모형의 이름이 뭘까요? DORY입니다. 니모와 도리 해서 두번째 모형을 만들었다고 하고요. 각 중앙은행들은 다양한 모형들을 이렇게 구축을 해서 경제전망에 활용을 하고 있습니다.

[주요국 중앙은행의 Nowcasting 모형 공표 사례] (p.31)

그리고 특히 미국같은 경우 GDPNow 모형을 FRED 사이트에 실시간으로 공개를 하고 있습니다. 그래서 경제전망이 어떻게 변화하는지 모형을 통한 전망 결과를 공개를 하고 있습니다.

[Nowcasting 단기모형 운용 현황] (p.32)

그리고 저희 한국은행은 다음과 같은 모형 시스템을 운용하고 있는데요. 먼저 1년 이내의 단기 모형같은 경우에는 조금 이따 더 자세히 살펴볼 이 여러 가지의 모형을 합성한 PRISM-Now라는 시스템을 운용을 하고 있고요. 중기 모형은 조금 전에 말씀드린 이 DSGE 모형을 핵심 모형으로 해서 경제전망과 분석을 수행하고 있습니다. 그리고 장기적인 경제잠재성장률을 파악하기 위해 또 다양한 모형들을 구축을 해서 활용을 하고 있습니다. 그래서 이 단기 모형, 빅데이터를 활용한 모형은 단기 전망에 주료 활용이 되고 있고요.

[Nowcasting 단기모형 운용 현황] (p.33)

저희는 단기 모형을 구축을 해서 이렇게 지금 특정 시점에서 전망분포가 어떻게 형성이 되어 있는지, 그리고 새로운 데이터가 입수됐을 때 그 분포가 어떻게 달라지는지, 또 그 추이가 어떠한 방향으로 움직이는지 이런 것들을 저희가 수시로 파악을 해서 분석을 하고 있습니다. 그래서 저희가 여러 가지 모형들을 여기 운용을 하고 있는데, 오늘 몇 개 좀 특징적인 모형들을 소개시켜드리려고 합니다.

[3-1. 텍스트 강화 인자모형] (p.34)

먼저 텍스트를 이용한 모형이 있는데요.

[뉴스 텍스트 데이터] (p.35)

뉴스 텍스트, 텍스트는 대표적인 빅데이터 중 하나죠. 많은 사람들이 뉴스를 통해서 정보를 얻고 또 뉴스가 여러 사람들의 상황 판단을 잘 반영하기도 합니다. 그래서 뉴스를 이용하면 경제가 어떻게 흘러가는지 좀 살펴볼 수가 있는데요.

[뉴스 텍스트 데이터] (p.36)

그것을 저희는 이제 모형으로 구축을 해서 전망에 활용을 하고 있습니다. 이 뉴스기사, 뉴스 텍스트를 저희가 활용하는 이유는 다음과 같은 이유 때문입니다. 뉴스기사가 사람들의 경제인식에 영향을 미치죠. 사람들은 뉴스를 보고 경제가 어떻게 흘러간다 이런 걸 파악을 합니다. 또 뉴스기사는 사람들이 어떤 생각을 하고 있는지를 잘 포착해서 뉴스로 만들게 되죠. 그런데 이제 경제인식이 앞으로의 경제 흐름에 굉장히 중요하기 때문에 저희 한국은행에서는 다양한 서베이를 통해서, 조사표를 통해서 사람들의 경제인식을 조사하고 있는데요. 대표적인 게 소비자동향조사, 기대인플레이션조사 이런 것들이 있습니다. 근데 만약에 경제인식과 뉴스기사 간에 아주 밀접한 관련이 있다면, 저희는 서베이 없이도 뉴스기사를 분석함으로써 사람들의 인식을 어느 정도 파악을 해볼 수가 있게 됩니다. 그래서 뉴스기사를 텍스트 마이닝을 통해서 정보를 뽑아내자, 그리고 그 정보를 전망에 활용하자 하는 것이 이 모형의 특징이 있고요.

[주요국 중앙은행의 텍스트 데이터 연구 사례] (p.37)

이 뉴스 텍스트를 이용한 연구들은 최근에 와서 굉장히 활발하게 이루어지고 있습니다. 미국, 노르웨이, 브라질 이런 데에서 연구 결과를 많이들 발표를 하였고요.

[뉴스 텍스트 데이터] (p.38)

저희도 굉장히 발 빠르게 이 텍스트 분석을 활용해서 이용을 하고 있습니다.

[텍스트 강화 인자모형(TFM)] (p.39)

한국은행에서는 연간 약 1백만 건의 기사들을 데이터로 분석을 해서, 그것을 전망에 활용하고 있는데요. 이 기사들을 바탕으로 15개 부문의 경제지표들을 만들어냈습니다. 생산, 선박, 자동차, 반도체, 설비투자, 그리고 실업, 정부지출, 물가, 주가, 주택가격 이런 정보들을, 이런 섹터들을 보기 위한 지표들을 만들어냈고요.

[텍스트 강화 인자모형(TFM)] (p.40)

그 지표를 바탕으로 전망 모형을 이용해서 전망을 하는데 활용을 하고 있습니다.

[텍스트 강화 인자모형(TFM)] (p.41)

그 지표들을 어떻게 만들어냈느냐, 수식으로 보면 이런데요.

[텍스트 강화 인자모형(TFM)] (p.42)

수식은 복잡하니까 이 도표를 보면 좀 이해가 쉬울 것 같습니다. 뉴스에는 다양한 표현들이 나오죠. 예를 들면 이렇게 인플레이션이 결국은 경기회복을 동반한 것이기 때문에 주가에 미칠 영향은 크지 않다고 봤다. 뭐 이런 경제에 대한 기자의 판단일 수도 있고요, 아니면 인터뷰를 통해서 전문가의 인식들이 이 뉴스에 나타납니다. 그래서 저희는 그 뉴스에 나타나는 표현들을 바탕으로 코스피 상승을 얼마나 이야기하고 있는지, 혹은 코스피 하락을 얼마나 이야기하고 있느지, 이런 빈도를 기준으로 하나의 지표를 만들어 냈습니다. 그러면 그 지표가 사실 코스피 지수와 굉장히 유사하게 움직이고요.

[텍스트 강화 인자모형(TFM)] (p.43)

그렇게 비슷하게 저희가 주가 뿐만이 아니라 산업, 생산, 선박, 자동차, 설비투자, 주택건설 이런 지표들을 만들어냈습니다.

[텍스트 강화 인자모형(TFM)] (p.44)

제가 여기 몇 개 가지고 왔는데요. 여기 빨간색 선이 텍스트에서 나온 하나의 지표입니다. 보시면 생산 지표같은 경우에는, 선행종합지수 순환변동치랑 굉장히 유사하게 흘러가는 것을 볼 수 있습니다. 신기하죠. 그냥 뉴스 텍스트를 모형을 통해서 하나의 지표로 만들었더니 실제 우리가 공식적으로 조사하는 공식 통계와 굉장히 유사한 흐름을 보이더라 하는 것입니다. 이런 거시 지표 뿐만 아니라 미시 섹터에 대해서도 지표들을 만들어내는데요. 반도체와 관련된 뉴스 기사에 나타나는 언급들을 살펴 보면, 우리나라 반도체 수출액하고 굉장히 유사하게 흘러가는 것을 볼 수가 있습니다.

[텍스트 강화 인자모형(TFM)] (p.45)

그리고 채용도 마찬가지이고요. 채용을 보면 고용률이랑 통계청에서 나오는 공식 통계랑 굉장히 유사한 흐름을 보이고, 이제 주택가격 관련한 표현들을 살펴보면, 이것은 좀 차이가 있습니다만 큰 이벤트가 있는 시점에서 꽤나 유사한 모습을 보이는 걸 알 수가 있습니다. 이렇게 해서 저희가 15개의 지표를 만들어 냈는데요. 여기 다 가져오긴 어려워서 4개만 가져와봤습니다. 다른 지표들이 궁금하시면 앞의 링크를 타고 가시면(p.34) 조금 더 자세한 상황을 보실 수가 있습니다. 그래서 이렇게 만들어낸 지표들을 가지고 경제전망을 해 보았습니다.

[텍스트 강화 인자모형(TFM)] (p.46)

경제전망을 해 보면 이 15개의 지표가 공식 통계보다, 공식 통계와 굉장히 유사한 흐름을 보이고, 몇 개의 지표들에서는 선행성도 나타난다.

[텍스트 강화 인자모형(TFM)] (p.47)

그래서 전망을 해보면 지표들을 활용할 때에 경제전망 예측력이 유의미하게 높아지는 것을 저희가 분석을 통해서 확인을 했습니다.

[텍스트 강화 인자모형(TFM)] (p.48)

[텍스트 강화 인자모형(TFM)] (p.49)

특히 저희는 이런 텍스트 지표가 경제가 급변하는 상황, 코로나 같은, 경기가 급변해서 공식 통계가 아직 입수되기 전에 경기가 급변할 때의 경기를 파악해야 될 필요가 있을 때 그 유용성이 높다고 생각을 하고 있습니다. 여기 보시면 뉴스를 같이 이용한 경우가 파란색 선의 전망치이고요, 주황색 선은 뉴스 데이터 없이 공식 통계만 이용한 전망치인데요. 코로나 당시에 뉴스 데이터를 이용하면 조금 더 예측력이 높아진 것을 저희가 확인을 할 수가 있습니다.

[3-2. AI 알고리즘을 이용한 산업모니터링] (p.50)

그리고 이제 비슷하게 그런 뉴스 텍스트만 빅데이터고 뉴스 텍스트만 이용하냐, 그건 아닙니다. 다른 데이터들도 비슷하게 이용해볼 수가 있겠죠. 대표적인 게 증권사 리포트가 있습니다.

[증권사 리포트 텍스트] (p.51)

증권사의 애널리스트들이 쓰는 리포트를 비슷하게 분석을 해 보면, 굉장히 유용한 정보들을 추출할 수가 있습니다. 저희는 이제 증권사 리포트 약 13만 건을 분석을 해 보았는데요. 증권사 리포트를 모형을 이용해서 분석을 해 보면, 증권사 리포트에 나타나는 경기 업황을 지표로 만들어 살펴 보면, 코스피 지수와 굉장히 유사하게 흘러가는 것을 볼 수가 있습니다. 왼쪽 아래의 그래프이고요. 그런데 또 이제 증권사 애널리스트들은 기업별로 애널리스트 보고서를 작성을 하잖아요. 그래서 기업별, 산업별로 나누어서 살펴 보면 특정 경제 이슈가 산업별로 어떤 영향을 미치는지 그것에 대해서 애널리스트들이 어떤 평균적인 생각을 가지고 있는지, 그런 것도 파악을 해볼 수가 있습니다. 그래서 이제 두번째 그래프를 보시면, 러ㆍ우전쟁에 관련된 표현들을 살펴 보면 산업별로 러ㆍ우 전쟁이 미치는 영향이 얼마나 다르게 나타나는지 대략적으로 저희가 수치화해서 살펴볼 수가 있습니다. 보시면 석유정제/코크스 산업에서 가장 러ㆍ우 전쟁에 대한 언급이 많이 되고 있는 것을 알 수가 있고요. 또 2022년 이분기 이후에 피크가 있고 나서, 그 관심도가 떨어지는 것을 빅데이터 텍스트를 통해서 살펴볼 수가 있습니다. 또한 특정 경제 이슈에 대한, 애널리스트들이 그 이슈를 호재로 생각하는지 악재로 생각하는지, 이런 것들도 수치로 살펴볼 수가 있는데요. 세번째 그래프를 보시면 환율에 대해서 어떤 평가를 내리고 있냐 살펴보면, 환율 변동이 조선/기타운수 관련해서 2021년 일분기에 굉장히 큰 악재이다라는 판단이 있었고요. 21년 일분기에 환율이 악재로 작용한 반면에, 그 이후 흐름은 환율이 조금 더 긍정적으로 평가되고 있는 것을 저희가 이 텍스트 분석을 통해서 알 수가 있습니다. 또한 텍스트는 다양한 정보를 반영을 하고 있기 때문에 여러 가지 정보를 추출해볼 수가 있는데요. 산업 간에 얼마나 비슷한 용어들이 많이 활용이 되고 있느냐를 바탕으로 산업이 얼마나 비슷한 흐름을 갖는지, 경기 변동에 대해서 산업 간 유사성이 어떻게 되는지 이런 것들도 텍스트를 통해서 살펴볼 수가 있습니다.

[증권사 리포트 텍스트] (p.52)

[증권사 리포트 텍스트] (p.53)

그래서 저희가 이 증권사 리포트를 분석을 해서 전망에 활용을 하고 있고요. 텍스트를 분석을 하면 각 시점별로 그 산업의 이슈가 무엇인지도 쉽게 파악이 가능합니다. 사고의 틀, 경제 모형을 통해서 텍스트를 분석해 보면 이런 어떤 산업에서 어떤 이슈들이 일어나고 있다를 굉장히 빠르고 신속하게 살펴볼 수가 있고요. 또 그런 기업들을 지역별로 나눠서 살펴보면, 지역별로도 산업 업황이 어떻게 달라지고 있는지도 파악이 가능합니다. 모두 동일한 데이터에서 파악할 수 있는 것들도 있고요. 그래서 이렇게 저희가 증권사 리포트도 전망에 활용을 하고 있습니다.

[3-3. PRISM-Now] (p.54)
그리고 이제 세번째 모형은 저희가 작년에 구축을 해서 현재 운용하고 있는 모형인데요. 아까 말씀드린 것처럼 경제전망은 이 경제 환경에 따라서 데이터 간에 연관도가 많이 달라지고, 그에 따라서 모형의 적합도도 달라집니다.

[3-3. PRISM-Now 개요] (p.55)

그래서 하나의 모형만으로는 정밀한 경제예측을 하기가 어렵고, 그래서 여러 가지 모형을 합성해서 조금 더 정도 높은 전망치를 산출하자 하는 개념에서 이 모형 합성 시스템, PRISM-Now를 개발해서 운용을 하고 있습니다. 보시면 PRISM-Now의 기본 개념은 여러 가지 모형들, 여러 가지 데이터를 서로 다른 사고의 틀로 분석을 해서 그것을 프리즘이 빛을 분해해서 무지개를 만들어내는 것처럼 프리즘이란 모형을 통해서 중심전망치와 전망의 리스크를 같이 분석하고자 모형을 운용을 하고 있습니다. 이렇게 생각을 해볼 수 있을 것 같은데요, 사람마다 서로 다른 데이터를 보고 경제전망을 하잖아요. 그것처럼 모형도 서로 다른 데이터를 받아들여서 서로 다른 판단을 내리게 됩니다. 그러면 그 모형 간의 판단이 다를 때 어떻게 우리가 전망치를 산출할 수 있을까, 그런 관점에서 이 서로 다른 전망 판단을 합성하기 위한 방법으로 이 PRISM-Now를 운용을 하고 있습니다.

[3-3. PRISM-Now 개요] (p.56)

[기초 모형(Base Models)] (p.57)

이 PRISM-Now는 여러 개의 빅데이터 모형들, 전망 모형들을 합성한 모형인데요. 저희가 다음과 같은 모형들을 반영을 하고 있습니다. 일반적으로 경제학 분석에 많이 활용되는 전통적인 모형들도 반영을 하고 있고요. 또 아까 말씀드린 텍스트를 반영한 빅데이터 모형, 또는 고빈도, 혼합주기를 활용하는 다양한 모형들을 구축해서 저희가 반영을 하고 있습니다. 또 최근에 ai라든지 머신 러닝 모형 이런 것들이 많이 여러 분야에서 활용이 되고 있는데요. 경제 데이터를 학습시킨 머신 러닝 모형도 구축을 해서 PRISM-Now에 반영을 해서 활용을 하고 있습니다.

[기초 모형(Base Models)] (p.58)

모형들을 자세히 보시면, 이 경제학이나 통계학을 배우신 분들은 잘 아시는 ARIMA 모형, 이런 간단한 모형도 반영을 하고 있고요. 아니면 VAR 이런 모형도 반영을 하고 있습니다. 또 각국 중앙은행에서 주로 Nowcasting에서 많이 활용하고 있는 Bridge Equation Model, 교량방정식 모델이라고 하는 건데요. 이런 모형도 저희가 반영을 하고 있고요. 아까 앞서 말씀드린 텍스트를 반영한 빅데이터 모형 아니면 30개 또는 90여 개의 서로 다른 경제 지표를 바탕으로 구축한 Dynamic Factor Model, Large Bayesian VAR 이런 모형들을 구축을 해서 같이 운용을 하고 있습니다. 그리고 또 머신 러닝 모형으로 아까 앞에서 말씀드렸던 비선형 모형, 인공신경망 모형 이런 것들이 있죠. 이런 것도 저희가 직접 구축을 해서 이 모형에 반영을 하고 있습니다.

[기초 모형(Base Models)] (p.59)

그래서 총 변수를 따져보면 텍스트까지 다 해서 한 200여 개의 경제 지표들을 저희가 모형에 반영을 하고 있고요.

[기초 모형(Base Models)] (p.60)

이 200여 개의 경제 지표를 서로 다른 방식으로, 서로 다른 사고의 틀로 분석을 해서 전망을 합니다. 그리고 그 나온 전망치들을 하나의 정보로 합성을 하고 있습니다.

[기초 모형(Base Models) - 예측력 평가] (p.61)

그 모형별 전망치 예측력을 좀 살펴 봤는데요. 보시면 요새 ai 이런 것에 관심이 많죠. 예측력이 어떻게 나타났을 것 같나요? 사실 저희가 데이터가 대부분 입수되는 경우에는 굉장히 복잡한 모형이 그렇게 필요가 없습니다. 간단한 모형, 그냥 선형 모형, ARIMA 모형 이런 모형들의 예측력이 더 좋게 나타났고요.

[기초 모형(Base Models) - 예측력 평가] (p.62)

다만 이제 데이터가 입수가 되지 않는, 당분기가 아니라 미래 익분기, 혹은 그 다음 분기같은 경우에는 간단한 모형보다는 조금 더 복잡한 모형들이 예측력이 좋게 나타났습니다. 이것은 데이터의 정보가 충분하지 않기 때문에 변수들을 서로 다른 방식으로 조합해서 활용하는 이 머신 러닝 방법들이 유용성을 나타낸 것이라고 할 수 있겠습니다.

[기초 모형(Base Models) - 기간별 TOP3 기초 모형] (p.63)

그래서 각 시점 별로 어떤 모형이 가장 우수한 모형이었는지도 좀 살펴봤는데요. 보시면 재밌는 게 이제 미래, 익분기 예측에서 코로나 시점 즈음에서는 텍스트 모형과 심리 지표를 반영한 모형이 가장 우수하게 나타납니다. 어떻게 보면 당연한 거겠죠. 그 당시에 경제 불확실성이 굉장히 높았었는데, 이 기존의 경제 지표로는 경제가 어떻게 흘러갈지를 파악하는 것이 조금 어려웠습니다. 하지만 사람들의 심리를 잘 반영하는 심리 지표 모형이라든지 텍스트 모형은 조금 더 빠르게 경기 흐름을 보여주는 것을 저희가 알 수가 있습니다. 하지만 이 코로나 시기가 어느 정도 지나고 나서는 다시 전통적인 모형들의 예측력이 높아지게 나타났고요. 그래서 각 시점별로, 경제 상황별로 우수한 모형이 다르기 때문에 저희는 다양한 모형들을 구축을 해서 전망에 활용을 하고 있습니다.

[기초 모형(Base Models)] (p.64)

[앙상블 방법(Ensemble of Models)] (p.65)

[앙상블 방법(Ensemble of Models)] (p.66)

그리고 이러한 전망치들을 합성을 해서 중심 전망치와 전망의 분포 리스크를 저희가 파악을 하고 있습니다. 예를 들면 이렇게 2019년도 일분기의 전망 분포인데요. 2018년 말에, 19년도 일분기 전망 분포를 봤을 때에는 0.5 이상으로 꽤나 전망치가 높았었는데요, 데이터가 계속 입수가 되면서 이 전망 분포가 아래로 하락하는 것을 볼 수가 있습니다. 그래서 각 시점 별로 저희가 데이터를 새로 입수할 때마다 전망 분포가 어떻게 변하는지를 파악해서 활용을 하고 있습니다.

[앙상블 방법(Ensemble of Models)] (p.67)

[앙상블 방법(Ensemble of Models) - 분포추정 결과] (p.68)

이것은 과거 시계열을 한번 그려본 것인데요. 보시면 위에는 당분기, 그러니까 데이터가 입수되는 시점에서의 그 당 해 분기를 예측해본 것이고요. 아래 그림은 익분기, 데이터 입수된 시점의 그 다음 분기를 예측해본 것입니다. 보시면 이렇게 나타나듯이, 분포의 범위가 익분기에 더 넓게 나타나는 걸 알 수가 있죠. 미래 예측이 불확실성이 더 높다는 것, 아주 당연한 얘기지만 이렇게 수치로 그래프로 저희가 직접 확인을 할 수가 있습니다.

[앙상블 방법(Ensemble of Models) - 점추정 결과] (p.69)

모형을 합성하는 기법도 중요합니다. 그래서 저희가 여러 가지 모형 합성 기법들을 고려해서 이 PRISM-Now를 구축을 하였는데요. 이 모형을 합성하는 방법에 따라서도 예측력이 조금 다르게 나타납니다.

[앙상블 방법(Ensemble of Models)] (p.70)

그래서 저희가 이렇게 모형 합성 기법을 활용하고 있고요.

[PRISM-Now 전망 결과(7.27일 기준 당분기 및 익분기 전망)] (p.71)

이것을 저희 당행에서 어떻게 이용하고 있냐 하면 이러한 정보들을 보통 제공을 하고 있습니다. 먼저 전망 분포가 각 시점에 어떻게 달라지는지, 그리고 그게 시계열로 봤을 때에는, 오른쪽 위의 그래프입니다, 시계열로 봤을 때에는 각 시점에 새로운 데이터들이 입수될 때마다 분포가 어떻게 달라지고, 그 중심 전망치는 어떤 흐름을 가지고 움직이는지 이런 것들을 수시로 파악해서 데이터가 공식 통계 지표가 발표되기 이전에도 파악할 수 있도록 운용을 하고 있고요. 또 왼쪽 아래 그래프 보시면 각 모형별로, 서로 다른 사고의 틀로 데이터를 분석해 보면 전망치가 어떻게 달라진다 이런 것들도 저희가 분석해서 파악을 하고 있습니다. 그래서 오른쪽 아래에 보시면 향후 경제 전망 흐름은 어떤 식으로 흘러갈 것이다 이런 것들을 저희가 그래프로 이렇게 분석을 하고 있습니다.

[PRISM-Now 전망 결과 - (사례1)] (p.72)

그래서 이 PRISM-Now를 운용하는 예시를 살펴보면요, 다음과 같은 것들이 있습니다. 2019년 일분기 앞에서 보여드렸던 그래프인데요. 2019년 일분기에 보시면 당시에 매수 여건은 굉장히 양호했습니다. 그런데 수출이 예상보다 저조하게 나타나면서 5분기만에 처음으로 마이너스 성장을 하였습니다. 당시에 이제 수출이 그렇게 나쁘지 않을 것이라고 예상을 했었는데, 실제로 데이터가 나타난 것을 보니까 수출이 예상보다 저조했고요. 이것을 그래프로 이렇게 보시면, 2018년 말에는 전망 분포가 상당히 위쪽에서 형성이 되어 있다가 데이터가 입수가 되면서 분포가 하락한 모습, 그리고 하방으로 하방 리스크가 더욱 확대되는 모습을 보실 수가 있습니다. 이런 것들을 수시로 데이터로 확인할 수 있다는 게 이 빅 데이터 모형을 활용한 하나의 이점이라고 할 수 있고요.

[PRISM-Now 전망 결과 - (사례2)] (p.73)

두번째 사례로 이렇게 코로나 시기를 살펴보면요, 코로나 시기에는 각 모형별로, 즉 서로 다른 사고의 틀이죠. 서로 다른 사고의 틀로 데이터를 살펴보면 전망치가 서로 굉장히 크게 엇갈리는 모습으로 나타났습니다. 즉 전망의 불확실성이 높아졌다고 할 수 있고요. 당시 2020년 3월 말에 보면 전망 분포가 하방으로 매우 크게 확대되는 것을 확인을 할 수가 있습니다. 그리고 이렇게 확대된 전망 분포는 약 7분기에 걸쳐서 점차 축소됐는데요. 이것은 저희가 이제 코로나 시기를 거쳐오면서 저희가 정성적으로 판단한 결과도 거의 비슷하다고 할 수 있습니다. 그래서 이 데이터를 이용하면 이런 사람들이 판단하는 정성적 판단을 어느 정도 수치화해서 분석하는 것이 가능하다는 이점이 있겠습니다.

[PRISM-Now 시스템의 기대효과] (p.74)

그래서 저희는 이 다양한 빅데이터 모형들을 구축을 해서 최대한 신속하게 경제 전망을 정도 높게 하기 위해서 노력을 하고 있고요. 수시로 모형을 개발하기도 하고, 모형을 보완해가면서 전망의 운용을 하고 있습니다. 또한 이러한 빅데이터 모형을 이용을 하면 사람들이 모두 직접 하나하나 데이터를 보고 판단하는 것보다 조금 더 신속하게 자동화 시스템을 통해서 전망치를 산출해볼 수 있다는 점에서 업무 효율도 조금 높아지는 부분이 있습니다.

[감사합니다.] (p.75)

이런 방식으로 저희가 빅데이터 모형을 활용하고 있고요. 제가 오늘 준비한 발표는 여기까지입니다. 들어주셔서 감사하고요, 혹시 질문 있으시면 질문 해주시기 바랍니다.