순환신경망 모델을 활용한 선박연료유 가격예측에 관한 연구

Abstract

해운산업은 다양한 외부적 위기와 시장 고유의 높은 변동성으로 일반적인 산업보다 더욱 세심한 의사결정이 요구되는 산업이다. 근래의 금융위기 등과 같은 다양한 외부위기는 해운산업전반에 걸쳐서 영향을 주었고 이로 인하여 많은 해운기업이 어려움에 처하며 비용관리의 중요성을 인식하는 계기가 되었다. 해운기업의 비용관리 중 주된 요소는 금융비용, 용선료 등이 주요할 수 있으나 지속적이고 광범위한 영향을 미치고 있는 요소는 선박연료유 비용이다. 선박을 운항하면서 발생하는 선박연료유 비용은 해운기업을 유지하는데 필수불가결한 요소이며, 운항비의 대부분을 차지하기 때문이다. 최근에 이르러서는 국제해사기구의 환경규제, 셰일오일 개발, 무역전쟁 등 다양한 외부변수가 선박연료유 가격 변동성에 영향을 미치고 있다. 이에 대응하기 위하여 해운기업에서도 다양한 방식으로 선박연료유 변동성을 줄이는 것을 시행중이다. 그러나 선박연료유 변동성을 감소하기 위한 대부분의 방법은 유류할증료나 대체에너지 활용을 위한 설비의 설치와 같은 장기적인 변동성에 대응하는 방식이다. 이와 같은 장기적인 변동성에 대한 대응도 중요하지만 비용을 더욱 효과적으로 관리하기 위해서는 단기적인 선박연료유 가격 예측도 중요하다. 단기적인 예측을 통해서 해운기업은 선박연료유의 수급항만이나 시기를 선정할 수 있기 때문이다. 이러한 필요성에도 불구하고 선박연료유 가격 예측에 관한 연구는 미진한 실정이다. 특히 높은 예측성능으로 최근에 평가받는 신경망 모델을 활용한 연구는 전무하다. 따라서 본 연구에서는 최근 시계열 예측에 우수한 성능을 보이는 것으로 나타난 순환신경망 모델을 포함한 인공신경망 모델을 활용하여 선박연료유 가격을 예측한다. 동시에 계량경제학 모델 중 대표적인 ARIMA 모델도 함께 분석하여 예측성능을 비교하였다. 본 연구 결과를 요약하면 다음과 같다. 첫째, ARIMA 모델을 활용한 계량경제학모델에서 HSFO와 MGO 가격예측에 다른 차수를 가지는 모델이 활용되었으며, 두 모델 모두 선행연구와 비교하여 개선된 수준의 예측성능을 보였다. HSFO 380CST보다 MGO를 분석한 경우가 예측성능이 우수했다. 둘째, 신경망 모델을 분석한 결과에서는 드롭아웃을 적용할 경우 과적합은 개선하나 예측성능을 낮추는 것으로 확인되었다. Sequence 값은 LSTM은 3이 최적이었으나 다른 모델에서는 1이 우수한 예측성능을 보였다. Batch size는 각 모델마다 조금씩 차이가 있었다. ARIMA 모델에서와 같이 MLP를 제외한 모든 모델에서 MGO를 예측한 경우가 MAPE를 기준으로 우수한 예측성능을 가지고 있었다. 셋째, Diebold-Mariano test를 통하여 예측값 간의 우수성을 상호 비교하였다. ARIMA 모델도 MGO 가격 예측에서는 우수한 성능을 보였으나 전반적으로 두 유종 모두에서 RNN과 MLP가 비교적 우수한 결과를 나타내었다. RNN이나 MLP가 장기 의존성 문제를 해결한 LSTM 및 GRU 보다 예측성능이 우수한 것으로 보아 선박연료유 가격의 장기적 데이터가 오히려 예측에 불리하게 작용했을 것으로 추정된다. 넷째, 상대적 차이를 검정하여 선행연구와 비교하였다. 급격한 변동성을 보이는 경우에 HSFO를 분석한 경우 모든 모델에서 선행연구와 비슷한 수준의 변동성을 보였다. 그러나 MGO를 분석한 경우는 LSTM을 제외하고 비교적 상대적 차이는 감소하였다. 전반적인 상대적 차이는 HSFO 및 MGO를 분석한 모든 경우에서 줄어들어 선행연구 대비 예측성능이 향상된 것을 확인할 수 있었다. 본 연구를 통하여 해운기업의 운항비중 상당한 부분을 차지하는 선박연료유 가격 예측에 관한 연구의 범위가 확장되었다. 본 연구는 단기적인 선박연료유 가격 변동성을 예측하여 선박연료유 수급 결정과 같은 해운기업의 의사결정에 적합한 근거를 제시할 수 있는 측면에서 의의가 있다. 향후 본 연구를 활용하여 해운기업의 실질적 경영 성과의 평가까지 확장할 수 있는 연구가 이루어지길 바란다.

The shipping industry requires more careful decision-making than the other industries due to various external crises and high volatility. Various external crises, such as the financial crisis, have affected the shipping industry, which has led many shipping companies to recognize the importance of cost management. The main factors in the cost management of shipping companies can be financial costs and charterage, but one of the factors that have the biggest impact on the industry as a whole is bunker costs. Because the cost of bunker incurred in operating a ship is an indispensable factor in maintaining every shipping company. Various external factors such as environmental regulations by International Maritime Organization, shale oil, and trade war have affected the volatility of bunker prices in recent years. To respond to this, shipping companies are also implementing reducing the volatility of bunker prices in several ways. However, most of the ways to reduce bunker prices volatility are in response to long-term volatility, such as the Bunker adjustment factor or the installation of facilities for alternative energy and so on. Response to this long-term volatility is also important, but short-term forecasting of the bunker prices is also important to manage costs more effectively. This is because short-term predictions allow shipping companies to select ports or the timing of bunkering. Despite this need, research on forecasting the bunker prices for ships is not sufficient. There is even no research using neural network models that are recently evaluated for their high predictive performance. Therefore, in this study, we predict the Bunker prices using artificial neural network models, including recurrent neural network models, which have been shown to perform well in time-series predictions. At the same time, a representative ARIMA model among econometrics models was also analyzed to compare predictive performance. The results of this study are summarized as follows. First, ARIMA models with different parameters in HSFO and MGO price prediction were utilized, both of which showed improved levels of predictive performance compared to prior studies. The predictive performance was better when analyzing MGO than HSFO. Second, the analysis of the neural network model found that applying dropout improves overfitting but lowers predictive performance. The sequence value was optimal with LSTM of 3, but in other models, 1 showed excellent predictive performance. Batch size was slightly different for each model. As in the ARIMA model, the prediction of MGO in all models except MLP had excellent predictive performance based on MAPE. Third, the superiority between predictions was compared through the Diebold-Mariano test. The ARIMA model also performed well in MGO price forecasting, but overall, RNN and MLP showed superior results in both bunkers. Given that RNN or MLP has better predictive performance than LSTM and GRU, which have solved the problem of Long-Term Dependencies, it is estimated that long-term data of bunker prices were unfavorable to prediction. Fourth, relative differences were tested and compared with prior studies. In cases of high volatility, HSFO analysis showed similar levels of volatility to those of previous studies in all models. However, when analyzing MGO, relative differences were reduced, except for LSTM. The overall relative differences were reduced in all cases where HSFO and MGO were analyzed, confirming improved predictive performance compared to prior studies. This study expanded the scope of the study on forecasting the bunker prices, which accounts for a sizable portion of the operating costs of shipping companies. This study is significant in terms of predicting short-term volatility in bunker prices and providing a suitable basis for shipping companies' decisions, such as bunkering. I hope that this study will be used to expand the evaluation of the actual management performance of shipping companies.