인공신경망(ANN)모델을 활용한 건화물선 운임 예측

Abstract

본 연구는 변동율이 높은 해운 시장의 특성을 반영한 운임 예측 모형을 살펴보기 위해, 인공신경망(ANN) 모델을 활용하여 중국 해상 철광석 수입 항로를 중심으로 한 건화물선운임을 예측하였다.

선행연구를 통해 드라이벌크선 운임 변동에 영향을 미치는 주요 변수들을 도출하였으며, 이를 바탕으로 비선형 예측이 가능하고 과거 시계열을 바탕으로 자가학습이 가능한 다이내믹 기법인 인공신경망 모델을 통해 운임 예측을 진행하였다.

기존 선행연구에서 이미 상관관계가 입증된 변수들을 바탕으로 벌크선 메이저 화물 중 비중이 가장 높은 철광석 화물, 그리고 철광석 화물의 주요 수입국인 중국향 철광석 항로를 중심으로 분석을 하였다.

해운 시장 내에서도 철광석은 기타 석탄, 곡물 등과 대비하여 이를 수입·출입하는 업체들의 수가 한정되어 있는 독점적인 형태로 인해 기타 시장 대비 운임의 변동성이 높다고 볼 수 있다.

인공신경망 모델은 복잡한 비선형 예측에서도 독립변수와 종속 변수간의 관계를 찾아내기 용이하다는 장점을 가지고 있으며, 본 연구에서는 다수의 훈련과 검정과적을 통해 최적의 예측 모델을 구축하였다.

본 연구는 총 5장으로 구성되어 있으며, 이를 통해 운임 예측 분석을 수행하였다.

제1장의 서론에 이어 2장에서는 해운시장의 예측과 관련된 기존 선행연구들을 살펴보고 본 연구가 지닌 차별성 및 학문적인 의미 그리고 중요성에 대해 고찰하였다. 3장에서는 인공신경망 모델을 활용하여 케이프선 운임예측 모델을 구축하고 2018년 중국 철광석 수입 항로 운임을 예측하였으며, 이를 바탕으로 4장에서는 인공신경망 운임 모델을 설명하고 예측된 운임의 정확도를 분석하였다. 5장에서는 연구결과의 요약 및 본 연구가 제공한 시사점과 한계점에 대하여 제시하였다.

|The study aims on freight rate forecast of Chinese iron ore import route, using Artificial Neural Network(ANN). ANN is computing system that can learn from its previous performance, a highly reliable tool for forecasting.

Iron ore is a raw material widely used in steel production and the scale of the raw material market has grew rapidly over the last few centuries. China accounts for over 70% of seaborne iron ore imports while Australia and Brazil share around 80% of the export. Meaning that the market is more or less monopolistic, thus understanding the surrounding nature of seaborne iron ore market is essential in freight forecast.

Precedent study corroborated that freight rate is heavily affected by supply, demand and price in large. Hence, time series of Australia’s iron ore export volume, China’s iron ore import volume and China’s iron ore import price were used as independent variables with C5 route’s rate as dependent variable. Using the above variables, 30 tests were performed as the convergence occurred in the test beyond certain number. The result showed that the rate in 2018 would average out to be USD8.15/ton, which is about 21% higher than that of 2017. The accuracy of the forecast was very high with MAPEs standing at 16.67%. Even though the results were highly satisfying, the study bear few limitations.

ANN itself can not present logical explanation between the nodes and the number of variables used in the analysis were limited. Also other analysis models should have been performed to cross check the result with ANN but the study only included a single analysis model.