Ⅰ. 서론
Ⅱ. 선행 연구
1. 항공 수요예측 방법론
2. 항공 수요예측 관련 연구
3. 본 연구의 차별성
Ⅲ. 연구의 방법
Ⅳ. 연구의 내용
1. 자료 수집
2. 모형 개발
3. 모형 정산
4. 모형 결과
Ⅴ. 결론
1. 연구 결과
2. 한계점 및 추후 연구
Ⅰ. 서론
항공분야에서의 수요예측은 미래의 어느 시점 혹은 기간에 발생할 것으로 예상되는 수요를 계량화하는 작업이다[1]. 항공 여객 수요예측의 결과는 정부의 항공산업 관련 의사결정 및 계획을 수립하고 항공 인프라를 개발하는 데에 활용되며[2], 항공산업의 향후 계획을 수립하고 운영전략을 마련하기 위한 필수적 요소이다[3]. 특히 국제 항공 여객수요의 경우 정책 결정, 공항 계획 등에 활용되며, 국제선 항공편의 규모가 일반적으로 국내선 항공편보다 더 크기 때문에 공항 운영에 미치는 영향은 국내 수요보다 상대적으로 더 크다[4]. 이와 같은 이유로 항공 수요예측 결과에는 신뢰성이 요구되지만, 정확한 수요예측을 하기란 불가능에 가깝다. 따라서 오차가 가장 적고 통계적으로 유의미하며, 설명력이 높은 모형을 연구해야 할 필요가 있다.
연구의 활용성 및 그 중요도로 인하여 우리나라의 국제 항공 수요예측에 관한 연구는 활발히 이루어지고 있으나, 대부분 공항 혹은 노선에 따른 전체 항공 여객 수요예측에 집중되어 있다. 그러나, 국제선 항공의 여객은 인바운드1)와 아웃바운드2) 수요로 구분되어 있으며, 두 수요에 영향을 끼치는 변수나 사회적 요인, 그로 인한 수요 추이가 상이하다.
아래 Fig. 1에는 2000년부터 2019년까지의 대한민국과 아시아 지역 간의 국제 항공 여객 수 추이가 전체와 인바운드, 아웃바운드로 구분하여 나타나 있다. 첫 번째 그림을 보면, 인바운드와 아웃바운드를 합친 국제 항공 수요는 꾸준히 우상향해 왔음을 알 수 있다. 그러나, 두 번째 그림과 같이 인바운드와 아웃바운드의 여객 수 추이와 증가율은 상이하다. 수요에 추세와 다른 급격한 변동이 생기는 지점이 보편적으로 사회경제적 외부 이슈로 인한 것임을 고려해 볼 때, 동일한 시기에 발생한 사회경제적 외부 이슈에 대한 영향에서도 차이가 존재함을 유추할 수 있다. 이러한 현상은 인바운드와 아웃바운드 수요를 국가별로 좀 더 세밀하게 살펴볼 때 더욱 두드러지게 나타난다. Fig. 1에서 3, 4번 그림은 인바운드와 아웃바운드 수요를 일본, 중국, 아시아 지역으로 구분하여 나타낸 것이다. 일본 여객은 인, 아웃바운드 수요 모두 급격한 증가나 감소가 없는 일정한 형태를 보이고 있으며, 중국 여객은 인바운드 수요의 경우 전체적으로 증가하는 추세를 보이는 반면 아웃바운드 수요의 경우에는 일정한 형태를 보이고 있다. 즉, 국가 간 국제 여객 수요 추세의 차이가 존재하며, 동일한 국가일 경우에도 인바운드와 아웃바운드 수요 간 추이가 상이하게 나타난다는 것이다.
이와 같은 인바운드, 아웃바운드 및 국가별 국제 항공 여객 수요 행태를 고려하지 않고 국제 항공 여객 수요를 통합적으로 해석, 예측한다면 인바운드, 아웃바운드 및 국가 구분에 따른 영향 요인을 반영하지 못할 우려가 존재한다. 따라서 수요예측 모형 개발 시에 인바운드와 아웃바운드의 구분이 필요하다. 이에 본 연구에서는 우리나라의 국제 항공 여객 수요를 인바운드 및 아웃바운드로 구분하고, 중장기 항공 수요예측 모형을 회귀모형으로 개발하고자 한다.
Ⅱ. 선행 연구
1. 항공 수요예측 방법론
국제민간항공기구(International Civil Aviation Organization, ICAO)[5]에서는 수요예측 방법론을 정성적 예측법, 정량적 예측법, 결정 분석 방법 크게 세 가지로 제시하였다. 이는 수요예측 시 적용되는 기법의 성격에 따라 구분해 놓은 것이다. 따라서 연구의 방향성 및 연구자의 판단에 따라 혼용하여 사용하기도 하므로 절대적 기준이 아닌 단순한 분류체계로 이해하고 참고하여야 한다[6].
정량적 예측법(Quantitative forecasting methods)은 주로 과거 추세를 기반으로 미래를 예측하는 객관적인 방법이다. 과거에 대한 정확한 데이터 접근이 가능하고, 미래의 예측 시점까지 과거의 패턴이 유지된다는 가정하에 이루어지는 방법이다. 과거 데이터 혹은 과거의 추세를 통계적으로 분석하여 패턴을 파악한 다음 수학적 모형에 적용하여 미래를 예측하는 모형을 구축한다. 종류로는 시계열, 인과 분석이 있으며, 인과 분석은 다시 회귀분석, 경로분석, 요인분석 등으로 구분할 수 있다.
정성적 예측법(Qualitative forecasting Method)은 연구자의 주관이나 판단에 의한 주관적인 예측 방법이다. 해당 방법은 과거 데이터가 충분히 확보되지 않거나 신뢰할 수 없는 경우 유용하게 활용된다. 종류로는 델파이 분석법과 기술 예측법 등이 있다.
마지막으로 결정 분석 방법은 한 개 이상의 정량적 분석 또는 정성적 분석 등을 결합한 방법이다. 종류로는 시장조사 및 산업 조사, 확률 분석, 베이지안 분석, 시스템다이내믹스 등이 있다.
이 중 정량적 예측법은 수학적 모형을 통해 설명이 가능하고, 모형의 정확성과 통계적 유효성을 통계적인 방법으로 검증할 수 있다는 장점이 있어 수요예측 시 보편적으로 활용되고 있다.
2. 항공 수요예측 관련 연구
항공 수요예측에 관한 연구는 국내외에서 활발히 진행 중이며, 그중 가장 보편적으로 사용되고 있는 정량적 예측법인 회귀분석을 활용한 수요예측 연구를 검토하였다. 대한민국 전 국토를 대상으로 항공 수요 전망, 공항개발 계획, 투자 소요 및 재원 조달 방안 등을 수립하는 5년 단위 국가 계획인 공항개발 종합계획에서는 3차(2006)–6차(2021)까지 GDP와 더미변수를 활용한 다중 회귀분석을 통하여 국내 및 국제선 총량을 예측하고, 전체 수요에 국내 공항별 비율을 곱해 공항별 여객 수를 예측하였다[7,8,9,10]. Kim [11]은 과거 항공수송 실적을 바탕으로 회귀분석을 활용하여 2003년 항공 수요예측 모형을 추정하고, 회귀분석의 기본 가정을 포함한 통계적 검정을 진행, 도출한 최종모형을 통해 수요를 예측하였다. Kim과 Shin [6]은 다중 회귀분석을 활용하여 다양한 변수들이 항공 여객 수요에 미치는 영향을 파악, 경제 상황과 국제선 여객 증가에 양의 상관관계가 있음을 확인했다. Seo 등[12]은 항공 수요에 영향을 미치는 요인들의 상관관계를 분석하여 항공수송 수요를 예측하였다. Kim [13]은 항공 수요에 영향을 미치는 요인을 분석, 선정하고 다중 회귀분석을 통해 국제선 항공 여객 및 화물 수요를 예측하였다. Albayati와 Zehawi [14]는 회귀분석을 통해 GDP, 인구 등 사회경제적 변수와 바그다드 공항의 승객 및 운항의 상관관계를 분석하고 예측 모형을 개발하였다. Shen [4]은 미국 66개 공항의 대륙별 국제선 운항수요 예측을 위한 단계 중 하나로 회귀모형을 통해 국제선 여객을 예측하였다. Hu 등[15]은 이질적 패널 모델(Heterogeneous panel mode)을 활용하여 항공 여객 수송량과 경제 성장 사이에 긍정적 관계가 있음을 밝혔다.
최근에는 머신러닝 및 딥러닝 기반의 항공 수요예측 연구도 활발히 이루어지고 있다. Jafari와 Lewison [16]은 GRU (Gated Recurrent Unit) 기반 딥러닝 모형을 활용하여 미국 국내선 항공여객 수요를 예측하였으며, 복수의 상관된 시계열 변수를 동시에 활용함으로써 예측 정확도를 향상시킬 수 있음을 확인하였다. Lee 등[17]은 싱가포르 창이공항의 월별 항공여객 수요예측을 위해 SARIMAX 모형을 제안하고, ADF 단위근 검정을 수행하여 시계열의 정상성을 확인한 뒤 외생변수를 포함한 모형이 LSTM 등 딥러닝 모형보다 예측 성능이 우수함을 확인하였다. 이처럼 최근 수요예측 분야에서는 머신러닝 및 딥러닝 기반의 다양한 방법론이 주목받고 있으나, 연간 거시경제 데이터를 활용한 중장기 수요예측에서는 통계적 기본 가정에 대한 검정이 가능하고 변수 간 인과관계 및 영향력 해석이 용이한 회귀분석 방법론 또한 여전히 널리 활용되고 있다.
3. 본 연구의 차별성
항공 수요예측에 관한 선행 연구는 많지만, 국제 항공 여객 중 인바운드, 아웃바운드를 구분하지 않고 전체를 예측하는 것이 대부분이었으며 총수요를 예측한 뒤 특정 비율을 곱하여 공항별 수요를 예측하는 Top-Down 방식의 연구가 많았다. 또한, 회귀분석을 활용하였으나 변수의 계수 검정, 조정된 결정계수(Adj-R2) 등으로 통계적 검토를 하는 데에 그쳤으며, 회귀모형의 기본 세 가지 가정에 대한 평가는 생략한 것이 대부분이었다. 본 연구는 선행 연구를 참고하여 정량적 방법 중 회귀분석을 활용하고, 국가별 GDP와 더미변수를 활용하여 항공 수요예측 모형을 개발한다. 다만 수요예측의 대상을 총여객이 아닌 국가별 인바운드와 아웃바운드로 구분하여 각각의 모형을 개발하며, 구축된 회귀모형에 대하여 정규성, 등분산성, 자기 상관성의 세 가지 통계적 기본 가정을 검정하고, 가정을 위배하는 경우 종속변수 및 독립변수의 변환을 반복적으로 시도하여 모형을 개선한다는 점에서 기존 연구들과의 차별성을 지닌다.
Ⅲ. 연구의 방법
본 연구에서는 단계적 선택법으로 변수를 선택하고 모형을 개발한다. 독립변수 GDP에 이상 추이를 설명하기 위한 더미변수를 추가하여 각 종속변수를 설명할 수 있는 최적의 조합을 찾고자 한다. 인바운드 모형의 경우, 국가별 GDP를 독립변수로 설정하고, 더미변수를 추가하며 최종 변수를 설정한다. 아웃바운드 모형의 경우, 우리나라 GDP를 독립변수로 설정하고, 더미변수를 추가하며 최종 변수를 설정한다. 인바운드와 아웃바운드 모형은 가능한 변수의 조합을 모두 고려하며, 이 과정에서 변수 선택 기준은 변수 계수 부호와 유의확률(p-value)이 유의수준 0.05 이하인지를 확인한다. 해당 기준을 충족하지 못한 변수는 모형에서 제외하여 최종 예비 모형을 개발한다.
회귀계수를 추정하고 회귀모형을 구축하는 것도 중요하지만, 구축된 모형이 분석에 활용될 수 있는지 통계적으로 검토하는 것 또한 중요하다. 본 연구에서는 크게 두 가지를 검정한다.
첫째로 회귀모형의 기본 가정 세 가지인 정규성, 등분산성, 자기 상관성을 통계학적 방법을 통해 확인한다. 정규성 검정의 경우 샤피로-윌크 검정(Shapiro-WLK Test)을 시행한다. 샤피로-윌크 검정 결과 유의확률(p-value)이 유의수준 0.05 이상일 경우 정규분포를 따른다고 할 수 있다. 등분산성은 오차의 불변성을 의미하는 것으로, 오차항이 예측값과 관계없이 유사하게 분포해야 함을 뜻한다. 본 연구에서는 NCV (Non-Constant Error Variance) 검정을 활용하여 등분산성을 검정한다. 자기 상관성은 오차항 간에 상관관계가 없다는 가정 사항으로, 본 연구에서는 더빈-왓슨 검정(Durbin-Watson test)을 통하여 자기 상관성을 검정한다. 검정 결과 세 가지 중 위배하는 사항이 있는 경우 변수변환을 시도하고, 보정된 모형에 대해 다시 기본 가정을 확인하는 반복적인 과정을 거친다.
두 번째로는 조정된 결정계수(Adj-R2)를 검토하여 모형의 설명력을 확인한다. 회귀모형의 적합도 평가는 보통 결정계수(R2)를 활용하지만, 변수의 수가 많아지면 계수 값이 증가하는 성질이 있으므로 다중 회귀분석에서는 예측 오차를 최소화하기 위해 계수를 곱하여 보정한 값인 조정된 결정계수(Adj-R2)를 활용한다. 이때, 계수는 0에서 1의 값을 가지며, 그 값이 1에 가까울수록 좋은 모형이라고 해석할 수 있다. 본 연구에서는 예비 모형들의 조정된 결정계수를 비교, 설명력이 가장 높은 모형을 최종 선정한다.
추가적으로, 최종 선정된 모형의 예측 정확도를 평가하기 위하여 MAPE (Mean Absolute Percentage Error, 평균절대백분율오차)와 RMSE (Root Mean Squared Error, 평균제곱근오차)를 산출한다. MAPE는 실제값 대비 예측오차의 비율을 백분율로 나타낸 지표로, 일반적으로 10% 이내인 경우 예측 정확도가 양호하다고 평가된다. RMSE는 실제값과 예측값의 차이를 제곱하여 평균한 뒤 제곱근을 취한 값으로, 값이 작을수록 예측 정확도가 높음을 의미하며 원래 변수와 동일한 단위로 표현되어 모형 간 예측 성능 비교에 활용된다.
Ⅳ. 연구의 내용
1. 자료 수집
1) 인바운드, 아웃바운드 항공 여객
본 연구에서는 종속변수로 우리나라와 아시아 전체, 중국, 일본 간의 인바운드 및 아웃바운드 항공 여객을 사용한다. 이때 아시아 국가의 범위는 한국관광공사 통계에서 아시아로 분류한 24개국 및 그 외 기타 아시아 국가로 정의한다. 정의에 포함되는 아시아 국가의 목록은 아래 Table 1과 같다.
Table 1.
List of Asia Countries
인바운드 여객 수요 자료로는 한국관광공사 데이터랩에 공개된 통계자료를 활용하며, 2000–2014년은 국적별 방한 외래관광객 자료를, 2015–2019년은 글로벌 방한 여행 통계자료를 사용한다. 아웃바운드 여객 수요는 국민 해외관광객 주요 목적지별 통계자료를 활용한다. 수집한 자료의 내용은 각각 아래 Table 2 및 Table 3과 같다.
Table 2.
Inbound Air Passenger (Unit: individuals)
Table 3.
Outbound Air Passenger (Unit: individuals)
2) GDP
본 연구에서는 독립변수로 국가별 명목 GDP를 사용한다. 명목 GDP는 당해 연도의 시장가격과 생산량을 기준으로 산출하며, 국민 경제의 전체적인 규모와 산업구조를 파악할 때 용이한 지표이다. 본 연구에서는 IMF (International Monetary Fund)에서 아시아 전체, 한국, 중국, 일본의 명목 GDP를 수집하며 그 내용은 아래 Table 4와 같다.
Table 4.
Nominal GDP of each countries (by billion dollars)
3) 사회경제적 외부 요인
본 연구에서는 비정상적인 추이를 반영하기 위하여 독립변수에 사회경제적 외부 요인에 따른 더미변수를 추가하여 모형을 정산한다.
국제 항공 여객 수요는 국제적인 사회경제적 이슈에 영향을 받게 되며, 특히 중국, 일본과 같은 인접국의 경우 해당 국가 혹은 대한민국과 해당 국가 간 관계와 관련된 사회경제적 이슈에 항공 수요가 영향을 받는다. 따라서 사회경제적 이슈에 따른 항공 여객 수의 급격한 증가 혹은 감소가 존재하게 되며, 이를 설명하기 위하여 더미변수를 활용한다.
더미변수의 설정 및 적용 연도는 Fig. 1에 제시된 국가별 인바운드·아웃바운드 항공여객 수요 추이를 기반으로 설정한다. 구체적으로, GDP 증가 추세에서 벗어나 여객 수가 급격히 감소하는 구간을 시각적으로 확인하고, 해당 시기에 발생한 사회경제적 이슈를 조사하여 더미변수로 선정한다. 단기간에 집중된 이슈(신종플루, MERS, 동일본대지진 등)의 경우 해당 연도에만 급격한 감소가 나타나고 이후 회복되는 패턴을 확인하여 1년을 적용 기간으로 설정하며, 장기간 영향이 지속된 이슈(초엔고 현상, 사드 갈등 등)의 경우 수요 감소가 지속되는 기간을 적용 기간으로 설정한다. 아래 Table 5는 최종적으로 본 연구에서 활용한 더미변수와, 해당 변수가 항공 수요에 영향을 미친 것으로 판단되는 시기이다.
Table 5.
List of Dummy Variables
2. 모형 개발
1) 상관성 확인
국제 항공 여객 수와 GDP 간의 상관성을 확인한 결과는 아래 Table 6과 같다. 모든 결과에서 종속변수와 독립변수가 높은 상관관계를 가지는 것으로 나타나며, GDP와 항공 여객 수 사이에 양의 상관관계가 있음을 확인하였다.
Table 6.
Correlation analysis results
|
Dependent Variable |
Independent Variable | Coefficient | ß | p-value | R2 | Adj-R2 |
| Asia Inbound | Asia GDP | -1,136,579 | 495.74 | 1.44E-10*** | 0.9033 | 0.8979 |
| China Inbound | China GDP | -415,738 | 475.84 | 4E-08*** | 0.8201 | 0.8101 |
| Japan Inbound | Japan GDP | -948,316 | 701.7 | 6.89E-06*** | 0.684 | 0.6665 |
| Asia Outbound | Korea GDP | -6,765,973 | 16,714 | 7.55E-12*** | 0.9302 | 0.9263 |
| China Outbound | Korea GDP | 865,907 | 2,363.08 | 2.35E-06*** | 0.7189 | 0.7033 |
| Japan Outbound | Korea GDP | -2,134,782 | 4,383.42 | 5E-06*** | 0.6948 | 0.6779 |
2) 모형 개발
모형 개발 단계에서는 단계적 선택법을 통해 독립변수의 가능한 모든 조합으로 국제 항공 수요예측 모형을 설계하고 변수의 계수 부호와 유의확률(p-value)을 검토한다. 이 과정에서 통계적으로 유의한 모형만을 선정하며, GDP만을 독립변수로 활용한 기본 모형은 M1, GDP와 사회경제적 더미변수를 함께 활용한 모형은 M2로 정의한다. 검토한 수요예측 모형의 최종 목록은 아래 Table 7과 같다.
Table 7.
List of Models
3. 모형 정산
1) 인바운드 여객 수요예측 모형
아시아 인바운드 수요예측 모형은 총 세 번의 변수변환을 통해 통계적으로 타당한 모형을 도출하였다. 가장 기본 모형인 M1의 경우, 변수의 계수 부호가 양(+)이며 유의확률(p-value)이 0.05 이하로 적합한 결과로 나타난다. 모형의 설명력 또한 0.8979로 높게 나타나지만, 회귀모형의 세 가지 기본 가정 검정 결과 정규성과 등분산성을 위배한다. 이에 종속변수의 로그 변환을 통해 모형을 보정한 결과 정규성과 등분산성이 개선되었다. 자기 상관성의 경우 M1보다 감소하지만, 여전히 통계적으로 유의한 값을 유지하여 모든 가정을 만족하는 것으로 나타난다. 조정된 결정계수(Adj-R2) 값 또한 0.9527로 높아졌다. 추가로, 보정된 모형에 사드 배치 갈등 기간을 나타내는 더미변수를 추가하였다. 아시아 인바운드의 추이를 시각적으로 살펴보았을 때, 사드 배치 갈등 기간에 여객 수가 급격히 감소한 것을 볼 수 있는데 이를 반영하는 것이 필요하다고 판단하여 보정된 모형에 추가하였다(M2). 그 결과, 모든 독립변수의 유의확률이(p-value) 0.05 이하로 나타나 통계적으로 유의미하며 정규성, 등분산성, 자기 상관성 모두 충족한다. 조정된 결정계수(Adj-R2)는 0.9615로 가장 높은 설명력을 보여 이를 최종모형으로 채택한다.
중국 인바운드 수요예측 모형은 두 개의 모형(M1, M2) 모두에 대해 변수변환을 거쳐 최종모형을 도출한다. M1은 중국 GDP를, M2는 중국 GDP와 더미변수(사드 배치 갈등)를 변수로 둘 때 두 모형 모두 변수의 계수 부호가 양(+)이며 모형의 설명력은 0.8101과 0.8635로 높게 나타난다. 그러나 회귀모형의 기본 가정 검정 결과, M1은 정규성과 등분산성을, M2는 등분산성을 만족하지 못한다. 모형을 개선하고자 각각 종속변수의 로그 변환을 시도하였고, 그 결과 M1의 경우 정규성이 개선되고 조정된 결정계수(Adj-R2) 값 또한 0.9238로 증가하지만 자기 상관성을 위배한다. 하지만 M2의 경우 등분산성이 개선되어 기본 가정을 모두 만족하며, 조정된 결정계수(Adj-R2) 값 또한 0.9859로 모형의 설명력이 매우 우수한 것으로 나타나 이를 최종모형으로 채택한다.
일본 인바운드 수요예측의 기본 모형은(M1) 회귀모형의 기본 가정 세 가지를 모두 충족하고, 조정된 결정계수(Adj-R2) 또한 0.6665로 나타나 통계적으로 설명력을 지니는 것으로 나타난다. 보다 나은 모형을 도출하고자 기본 모형에 독립변수의 로그 변환을 시도하였고, 그 결과 기본 가정 세 가지를 충족하나 조정된 결정계수(Adj-R2)가 0.6614로 설명력이 떨어진 것으로 나타났다. 따라서 일본 GDP를 변수로 하는 기본 모형을 최종모형으로 채택한다.
2) 아웃바운드 여객 수요예측 모형
아시아 아웃바운드 수요예측 기본 모형은 더미변수를 추가하지 않은 GDP를 독립변수로 한 모형만이 통계적으로 유의하다고 분석된다. 진단 결과, 조정된 결정계수(Adj-R2)가 0.9263으로 매우 높은 값이 도출되었지만, 자기 상관성과 등분산성을 위배하는 것으로 나타났다. 가장 먼저 독립변수의 로그 변환을 시도하였으나, 등분산성만 개선되고 자기 상관성은 여전히 만족하지 못하며 조정된 결정계수 또한 0.8569로 감소하였다. 종속변수 로그 변환 결과 또한 조정된 수정계수가 0.9434로 증가했지만, 여전히 자기 상관성과 등분산성을 개선하지 못한다. 마지막으로, 종속변수와 독립변수 모두에 로그를 취할 때, 회귀모형의 기본 가정을 모두 만족하며 모형의 설명력 또한 0.9642로 개선, 높게 도출되어 최종모형으로 선정한다.
중국 아웃바운드 수요예측 모형으로는 GDP를 변수로 하는 기본 모형(M1)과 기본 모형에 더미변수(사드 배치)를 추가한 모형(M2)을 검토하였다. 먼저, 기본 모형의 경우 회귀모형의 기본 가정 중 정규성과 등분산성은 충족하지만 자기 상관성을 위배한다. 이에 기본 모형의 형태를 고려하여 독립변수에 로그 변환을 시도하였지만, 조정된 결정계수(Adj-R2)가 0.8134로 증가할 뿐 자기 상관성은 개선되지 않았다. 두 번째로, 더미변수를 추가한 모형(M2)을 검토하였으나, 해당 모형 역시 자기 상관성을 충족하지 못한 것으로 나타난다. 이에 독립변수에 로그 변환을 시도하자 자기 상관성이 개선, 회귀모형의 세 가지 기본 가정을 모두 만족하고 조정된 결정계수(Adj-R2) 값이 0.888로 높게 나타나 우수한 설명력을 보이는 모형이 도출되었다.
일본 아웃바운드 수요예측 모형은 M1, M2 모형 둘 다에서 변수를 변환하는 과정을 거쳐 도출된다. 기본 모형(M1)의 검토 결과, 정규성과 등분산성을 만족하나 자기 상관성이 위배되며 조정된 결정계수(Adj-R2) 값이 0.6779로 나타나 높은 설명력을 보이지는 않는다. 이에 종속변수의 로그 변환을 시도하였고, 그 결과 조정된 수정 계수가 0.8338로 증가하나 자기 상관성은 여전히 만족하지 못했다. 여기에 종속변수와 독립변수 모두 멱함수를 통해 변환한 결과 등분산성까지 위배하고, 모형의 설명력 또한 0.7596으로 감소하였다. 이에 기본 모형에 더미변수를 추가한 모형을 검토하였고, 그 결과 유일하게 더미변수 초 엔고 현상(yen) 더미변수가 유의한 것으로 나타난다(M2). M2의 경우, 기본 모형(M1)과 비교하면 조정된 결정계수(Adj-R2) 값은 증가하지만, 자기 상관성과 등분산성을 위배하여 개선이 필요했다. 종속변수의 로그 변환을 시도한 결과, 정규성, 등분산성, 자기 상관성 모두 만족하고 모형의 설명력 또한 0.9033으로 크게 개선되고, 회귀모형의 세 가지 기본 가정을 모두 만족하는 것으로 확인된다.
4. 모형 결과
위와 같은 과정을 거쳐 최종적으로 도출된 국가별 인바운드 및 아웃바운드 수요예측 모형은 아래 Table 8과 같다.
Table 8.
Final Regression Model
최종 선정된 모형은 모두 Shapiro-Wilk 검정, NCV 검정, Durbin-Watson 검정을 통해 정규성, 등분산성 및 자기 상관성 가정을 충족하는 것으로 나타난다. 이는 오차항이 특정 시기나 수요 수준에 따라 체계적인 패턴을 보이지 않아 회귀계수 추정치와 유의확률의 신뢰성이 확보됨을 의미한다. 또한, 자기 상관성이 나타나지 않아 과거 오차가 현재 오차에 영향을 미치지 않는 것으로 확인된다. 따라서 최종 선정된 모형은 통계적 타당성을 확보한 중장기 국제 항공 여객 수요예측 모형으로 활용이 가능할 것으로 판단된다.
최종모형의 예측 정확도를 평가하기 위해 MAPE와 RMSE를 산출한 결과는 아래 Table 9와 같다. 분석 결과, 인바운드 아시아 전체(7.62%), 인바운드 중국(8.25%), 인바운드 일본(8.94%), 아웃바운드 아시아 전체(9.23%), 아웃바운드 일본(8.38%), 아웃바운드 중국(12.79%)으로 나타나며, 아웃바운드 중국을 제외한 5개 모형은 10% 이내로 양호한 예측 정확도를 보인다.
Ⅴ. 결론
1. 연구 결과
본 연구는 회귀분석을 통해 우리나라와 아시아, 중국, 일본 간의 인바운드 및 아웃바운드 항공 여객 수요예측 모형을 개발하는 것을 목적으로 한다. 수요예측 모형은 회귀분석을 통해 구축하며, 회귀분석의 세 가지 기본 가정을 모두 만족하는 모형을 도출하기 위해 변수를 반복해서 변환하고, 최종적으로 통계적인 가정을 모두 만족하는 유의미한 모형을 개발한다.
국제 항공 여객 수와 GDP로 모형을 구축할 때, 전 국가별 인바운드와 국가별 GDP, 국가별 아웃바운드와 한국 GDP는 높은 상관관계를 보인다. GDP와 더미변수의 가능한 조합을 도출하고 변수의 부호와 유의확률(p-value)을 확인하여, 최종적으로 아시아 인바운드를 제외한 나머지에 대해 더미변수를 추가한 모형까지 총 두 개의 예비 모형을 도출하였다. 하지만 회귀모형의 기본 가정 세 가지를 통계적 방법으로 검토한 결과, 일본 인바운드 모형을 제외한 모든 모형에서 세 가지 가정 중 하나 이상이 위배된 것을 확인할 수 있다. 변수의 로그 변환을 통한 모형 보정 과정에서는 하나의 가정이 개선되면 다른 가정을 위배하는 경우가 존재하여, 반복적인 과정을 통해 가정의 타당성을 모두 만족하는 모형을 도출하였다. 최종 선정된 모형의 예측 정확도를 검증하기 위하여 MAPE와 RMSE를 산출한 결과, 대부분의 모형에서 MAPE가 10% 이내로 나타나 양호한 예측 성능을 보이는 것으로 확인하였다.
2. 한계점 및 추후 연구
본 연구에서 진행한 국제 항공 수요예측 모형 개발 연구는 크게 네 가지 한계점을 가진다.
첫 번째, 대상 국가를 아시아 전체와 아시아 내에서도 중국, 일본에만 한정하였다는 점이다. 현재 인도, 인도네시아, 필리핀 등 여러 아시아 나라가 빠른 경제성장을 보이며 신흥국(Emerging Countries)으로 급부상하고 있다. 경제성장과 항공 여객 수요는 상당히 밀접한 연관이 있으므로, 향후 성장이 기대되는 국가에 대해 관찰하고 해당 국가에 대한 모형을 구축할 필요성이 있다.
두 번째, 독립변수로 GDP만을 활용한 것이다. 환율, 유가, 항공운임, 항공기 크기, 노선 운항 빈도, 관광수요 등을 추가로 활용한다면 더욱 섬세한 수요예측 모형을 구축할 수 있을 것이다.
세 번째, 더미변수를 구체적 특정 현상에만 한정하여 설정한 점이다. 국제 항공 여객 수의 증가에는 대상국과의 사회문화적 현상이 반영되기 마련이다. 예를 들어 K-콘텐츠와 같은 한류가 유행하며 한국으로의 인바운드 여행객의 증가나 해외여행 콘텐츠로 인한 아웃바운드 여객 수가 증가하는 경우가 존재한다. 수요예측 모형이 향후에도 유용하게 활용되기 위해서는 다양한 현상들을 반영할 수 있는 수요예측 모형을 구축할 필요가 있다. 따라서 더미변수 설정을 사회경제적 이슈, 환경적 이슈, 보건 이슈 등으로 범주화하는 등의 방법으로 추가적인 연구를 진행할 수 있을 것이다.
네 번째, 본 연구는 코로나19의 영향을 받기 이전인 2000–2019년 데이터를 분석 대상으로 하였다는 점이다. 코로나19 팬데믹으로 인해 항공 수요가 급감하였으나, 이후 엔데믹 전환과 함께 국제선 운항이 재개되며 항공 수요가 빠르게 회복되었다. 따라서 향후 연구에서는 분석의 시간적 범위를 확장하고, 코로나19 기간을 더미변수로 활용한다면 보다 최신 데이터를 반영한 모형을 구축할 수 있을 것이다.
하지만 본 연구는 거시적인 관점에서 벗어나 국가별로 인바운드와 아웃바운드를 구분하고, 회귀모형을 통계적 검정 방법으로 진단한 점에서 기존 연구와의 차별성을 지닌다. 또한, 검정 과정에서 반복적인 변수변환 방법을 통해 모형을 개선하고, 더 나은 모형을 구축한 것에 의의가 있다. 본 연구에서 활용된 분석 방법론이 향후 국제 항공 여객 수요예측 모형 구축 시 활용되기를 기대하며, 앞서 말한 한계점을 보완한 추가적인 연구가 이루어진다면 보다 예측력이 높은 모형을 구축할 수 있을 것으로 기대된다.
