AI 경제학자와 함께 하는 경제 정책 시뮬레이션 프로젝트

제1장 프로젝트 개요 및 목표

1.1 프로젝트 배경 및 필요성

21세기에 들어 경제 환경은 전례 없는 속도로 변화하고 있으며, 글로벌화, 기술 발전, 인구 구조 변화, 기후 위기 등 복합적인 요인들이 상호작용하며 불확실성을 증대시키고 있습니다. 이러한 복잡한 환경 속에서 정부가 적시에 효과적인 경제 정책을 수립하고 집행하는 능력은 국가 경쟁력과 국민의 삶의 질에 직결되는 핵심 과제가 되었습니다. 전통적인 경제 분석 방법만으로는 급변하는 현실을 따라잡고 정책의 복잡한 파급 효과를 예측하는 데 한계가 있으며, 이에 따라 새로운 접근법의 필요성이 절실히 요구됩니다.

특히, 최근 몇 년간 인공지능(AI) 기술, 특히 대규모 데이터 처리와 복잡한 패턴 인식에 강점을 보이는 머신러닝 및 딥러닝 기술의 비약적인 발전은 경제 분석 분야에 새로운 가능성을 열어주고 있습니다. AI는 방대한 양의 정형 및 비정형 경제 데이터를 실시간으로 분석하고, 변수 간의 숨겨진 관계를 파악하며, 다양한 정책 시나리오에 따른 파급 효과를 시뮬레이션할 수 있는 강력한 도구를 제공합니다. 이러한 AI 기술을 경제학 지식과 융합하여 활용한다면, 보다 정교하고 데이터 기반적인 경제 분석 및 정책 효과 예측이 가능해져, 정책 결정의 질을 획기적으로 높일 수 있습니다.

본 프로젝트는 이러한 시대적 요구에 부응하여, 생성형 AI(Generative AI)를 포함한 최신 AI 기술을 경제 정책 분석 및 시뮬레이션에 접목하는 것을 목표로 합니다. 학생들은 실제 거시경제 데이터를 다루고, AI 모델을 활용하여 다양한 정책 시나리오의 잠재적 결과를 예측해보는 과정을 통해, 복잡한 경제 현상에 대한 종합적인 이해와 실증적인 분석 능력을 함양하게 될 것입니다. 이는 단순한 지식 습득을 넘어, 미래 사회가 요구하는 데이터 기반 문제 해결 능력을 기르고, 나아가 경제 정책 전문가로서의 진로를 탐색하고 준비하는 중요한 기회가 될 것입니다.

1.2 프로젝트 목표 및 기대 효과

본 'AI 경제학자와 함께 하는 경제 정책 시뮬레이션 프로젝트'의 구체적인 목표는 다음과 같습니다.

• 목표 1: AI 기반 경제 분석 역량 강화: 거시경제 데이터를 수집, 전처리, 분석하고 AI 모델을 활용하여 경제 정책의 효과를 평가 및 예측하는 실무 역량을 강화합니다.
• 목표 2: 경제 현상 심층 이해 및 문제 해결 능력 향상: 다양한 경제 이론과 실제 데이터를 연결하고, 복잡한 경제 문제에 대한 종합적인 시각과 데이터 기반의 문제 해결 능력을 향상시킵니다.
• 목표 3: 협업 및 소통 능력 함양: 팀 기반 프로젝트 수행 과정을 통해 효과적인 의사소통, 역할 분담, 갈등 관리 등 협업 능력을 함양합니다.
• 목표 4: 진로 탐색 및 동기 부여: 경제 정책 수립 및 분석 분야에 대한 이해를 높이고 관련 진로를 탐색하며, AI 기술의 경제 분야 적용에 대한 학습 동기를 부여합니다.

본 프로젝트 수행을 통해 기대되는 효과는 다음과 같습니다.

• 데이터 분석 전문가 기초 소양: 학생들은 실제 경제 데이터를 다루고 Python 등 분석 도구를 활용하는 경험을 통해 데이터 분석가 또는 데이터 과학자로서의 기초 소양을 갖추게 됩니다.
• 경제 현상 통찰력 증진: 다양한 정책 시나리오를 직접 설계하고 시뮬레이션하며 그 결과를 분석하는 과정을 통해, 교과서적 지식을 넘어 경제 현상의 복잡한 메커니즘과 정책의 파급 효과에 대한 깊이 있는 통찰력을 얻을 수 있습니다.
• 미래 사회 핵심 역량 내재화: 팀 프로젝트 수행 과정에서 요구되는 문제 해결 능력, 비판적 사고력, 창의적 사고력, 협업 능력, 의사소통 능력 등은 미래 사회의 어떤 분야에서든 필요한 핵심 역량으로 내재화될 것입니다.
• 진로 설계 구체화: AI와 경제학의 융합 분야, 특히 경제 정책 분석 및 예측 분야에 대한 구체적인 이해를 바탕으로 자신의 적성과 흥미를 발견하고 관련 진로를 보다 체계적으로 탐색하고 설계할 수 있는 기회를 얻게 됩니다.

1.3 프로젝트 수행 방법 및 일정

본 프로젝트는 이론 학습과 실습, 팀 기반 협업을 균형 있게 통합하여 다음과 같은 방식으로 수행됩니다.

• 팀 구성 및 운영: 학생들은 자율적으로 또는 지도 교수의 도움을 받아 4~5명으로 팀을 구성합니다. 팀 내에서 역할을 분담하고 정기적인 회의를 통해 진행 상황을 공유하며 협력적으로 프로젝트를 수행합니다.
• 데이터 기반 탐구: 팀별로 분석할 거시경제 데이터(국내 또는 국외 데이터 선택 가능)를 선정하고, 공공 데이터 포털이나 국제기구 데이터베이스 등 신뢰할 수 있는 출처에서 데이터를 수집합니다. 수집된 데이터는 Python의 Pandas 등을 활용하여 전처리 및 탐색적 데이터 분석(EDA)을 수행합니다.
• 정책 시나리오 설계: 분석된 데이터를 바탕으로 해결하고자 하는 경제 문제나 달성하고자 하는 정책 목표를 설정하고, 이를 위한 구체적인 경제 정책 시나리오(정책 수단 조합, 강도, 시점 등 포함)를 팀별로 창의적으로 설계합니다.
• AI 모델 활용 시뮬레이션: 설계한 정책 시나리오를 바탕으로, 학습된 계량경제 모델이나 생성형 AI 기반 시뮬레이션 모델을 활용하여 각 시나리오가 미래 경제 지표에 미칠 영향을 예측합니다. (필요시 사전 학습된 모델 제공 또는 모델 구축 지원)
• 결과 분석 및 발표: 시뮬레이션 결과를 다양한 각도에서 분석하고, 정책적 시사점 및 한계점을 도출합니다. 분석 결과는 명확한 시각 자료와 함께 최종 보고서 및 발표 형식으로 정리하여 공유하고 동료 및 전문가로부터 피드백을 받습니다.
• 기술 활용: 프로젝트 전 과정에서 Python, Jupyter Notebook/Google Colab, GitHub 등 데이터 분석, 모델링, 협업 도구를 적극적으로 활용합니다.

프로젝트 추진 일정 (총 8주 예시)

제2장 생성형 AI 기술 이해 및 활용

2.1 생성형 AI 기술 개요

생성형 인공지능(Generative AI)은 기존에 존재하는 데이터(텍스트, 이미지, 오디오, 코드, 구조화된 데이터 등)의 패턴과 구조를 학습하여, 세상에 없던 새롭고 독창적인 콘텐츠나 데이터를 생성해내는 AI 기술의 한 분야입니다. 이는 단순히 주어진 데이터를 분류하거나 특정 값을 예측하는 판별형 AI(Discriminative AI)와는 구별되는 개념으로, '창작' 또는 '생성' 능력에 초점을 맞춥니다.

생성형 AI의 핵심 원리는 학습 데이터의 기본 확률 분포(Underlying Probability Distribution)를 학습하는 것입니다. 즉, 어떤 데이터가 실제로 존재할 가능성이 높은지를 학습하고, 이 분포로부터 새로운 샘플을 생성해내는 방식으로 작동합니다. 이를 위해 다양한 딥러닝 아키텍처가 활용되며, 대표적인 모델들은 다음과 같습니다.

• GAN (Generative Adversarial Network, 생성적 적대 신경망): 생성자(Generator)와 판별자(Discriminator)라는 두 개의 신경망이 서로 경쟁하며 학습하는 구조입니다. 생성자는 실제 데이터와 유사한 가짜 데이터를 만들려고 노력하고, 판별자는 진짜 데이터와 생성자가 만든 가짜 데이터를 구별하려고 노력합니다. 이 경쟁 과정을 통해 생성자는 점점 더 실제와 같은 데이터를 생성하는 능력을 키우게 됩니다. 주로 고품질 이미지 생성에 많이 활용됩니다.
• VAE (Variational Autoencoder, 변분 오토인코더): 입력 데이터를 저차원의 잠재 공간(Latent Space)으로 압축했다가 다시 원본 데이터로 복원하는 오토인코더 구조를 기반으로 합니다. VAE는 잠재 공간의 분포를 학습하여, 이 잠재 공간에서 새로운 벡터를 샘플링하고 이를 디코더에 통과시켜 새로운 데이터를 생성합니다. GAN보다 안정적인 학습이 가능하며, 데이터의 잠재적 특징을 파악하는 데 유용합니다.
• 트랜스포머 (Transformer) 기반 모델 (예: GPT, BERT 변형 모델): 주로 자연어 처리 분야에서 혁신을 가져온 트랜스포머 아키텍처는 어텐션(Attention) 메커니즘을 사용하여 데이터 요소 간의 장거리 의존성을 효과적으로 학습합니다. 이를 기반으로 한 GPT(Generative Pre-trained Transformer)와 같은 모델들은 대규모 텍스트 데이터를 사전 학습하여 문맥을 이해하고, 매우 자연스러운 텍스트, 코드, 심지어는 시계열 데이터 패턴까지 생성하는 능력을 보여줍니다.
• 확산 모델 (Diffusion Model): 원본 데이터에 점진적으로 노이즈를 추가했다가, 다시 노이즈를 제거하는 과정을 학습하여 데이터를 생성하는 방식입니다. 최근 고품질 이미지 생성 분야에서 GAN을 능가하는 성능을 보여주며 주목받고 있습니다. (예: DALL-E 2, Stable Diffusion)

생성형 AI는 대규모 데이터에서 복잡한 패턴을 학습하고 이를 바탕으로 새로운 결과물을 창조할 수 있다는 점에서 기존 통계 모델이나 판별형 AI와 차별화됩니다. 특히 비정형 데이터(텍스트, 이미지 등) 처리 능력이 뛰어나며, 이는 경제 분석에서 시장 심리, 뉴스 영향력, 정책 문서 분석 등 새로운 영역을 탐색할 기회를 제공합니다.

2.2 경제 분석에서의 생성형 AI 활용 사례

생성형 AI 기술은 경제 및 금융 데이터를 분석하고 미래를 예측하며 의사결정을 지원하는 데 혁신적인 방식으로 활용되고 있습니다. 주요 활용 사례를 좀 더 자세히 살펴보겠습니다.

• 금융 시장 예측 및 트레이딩 전략 개발:
  • 사례: AI 기반 퀀트 헤지펀드들은 GAN이나 강화학습과 결합된 생성 모델을 활용하여 과거 시장 데이터, 뉴스, 대체 데이터 등을 학습합니다. 이를 통해 미래 시장의 가능한 시나리오를 생성하고, 특정 시나리오 하에서 최적의 수익률을 내는 트레이딩 전략을 탐색하거나, 시장 변동성을 예측하여 포트폴리오 리스크를 관리합니다.
  • 효과: 인간 분석가의 편견을 배제하고 데이터 기반의 복잡한 패턴을 발견하여 초과 수익을 추구하거나, 예측 불가능한 시장 상황에 대한 대응 능력을 높일 수 있습니다.
• 경제 동향 분석 및 보고서 자동 생성:
  • 사례: 금융기관이나 경제 연구소에서는 GPT와 같은 LLM을 활용하여 방대한 양의 경제 뉴스, 정책 발표, 기업 실적 보고서, 소셜 미디어 데이터 등을 실시간으로 분석합니다. AI는 이 데이터를 바탕으로 시장의 주요 동향, 특정 이벤트의 잠재적 파급 효과, 소비자 심리 변화 등을 요약하고, 분석 보고서 초안을 자동으로 생성하여 분석가의 업무 효율성을 크게 높입니다.
  • 효과: 정보 처리 속도 및 분석 범위 확대, 보고서 작성 시간 단축, 새로운 인사이트 발굴 가능성 증대.
• 거시경제 모델링 및 정책 시뮬레이션 강화:
  • 사례: 전통적인 거시계량 모델(VAR, DSGE 등)의 한계를 보완하기 위해 생성형 AI를 활용합니다. 예를 들어, VAE를 사용하여 경제 변수 간의 비선형적 관계나 잠재 변수를 모델링하거나, 트랜스포머 모델을 이용하여 장기 시계열 패턴을 학습하고 미래 예측의 정확도를 높입니다. 또한, 4.2절에서 설명할 경제 위기 시나리오 생성에도 직접적으로 활용됩니다.
  • 효과: 모델의 현실 설명력 및 예측력 향상, 복잡한 경제 시스템 동학 이해 증진, 정책 효과의 불확실성 분석 강화.
• 신용 위험 평가 및 사기 탐지 고도화:
  • 사례: 은행이나 핀테크 기업들은 GAN을 활용하여 실제 고객 데이터와 유사하지만 개인 정보 노출 위험이 없는 합성 데이터(Synthetic Data)를 생성합니다. 이 합성 데이터를 이용하여 신용 평가 모델이나 사기 탐지 모델을 더욱 강력하게 학습시키거나, 데이터 불균형 문제를 해소합니다. 또한, 고객의 거래 패턴, 온라인 활동 등 비정형 데이터를 분석하여 이상 거래나 사기 시도를 조기에 탐지하는 데 AI를 활용합니다.
  • 효과: 모델 성능 및 강건성 향상, 금융 소외 계층 포용 가능성 증대(합성 데이터 활용 시), 금융 사기 피해 감소.

이처럼 생성형 AI는 경제 분석의 다양한 영역에서 기존 방법론의 한계를 넘어서는 새로운 접근 방식을 제공하고 있습니다. 본 프로젝트에서는 이러한 활용 사례를 참고하여, 거시경제 정책 시뮬레이션에 생성형 AI를 창의적으로 적용하는 방안을 모색할 것입니다.

2.3 프로젝트에 필요한 AI 기술 및 도구

본 'AI 경제학자와 함께 하는 경제 정책 시뮬레이션 프로젝트'를 성공적으로 수행하기 위해서는 다양한 프로그래밍 언어, 라이브러리, 프레임워크, 그리고 개발 및 협업 도구에 대한 이해와 활용 능력이 필수적입니다. 이는 데이터 처리부터 모델 구축, 시뮬레이션 실행, 결과 분석 및 공유에 이르는 프로젝트 전 과정에 걸쳐 필요합니다. 구체적인 기술 및 도구 스택은 다음과 같습니다.

핵심 프로그래밍 언어 및 라이브러리

• Python: 데이터 과학, 머신러닝, 웹 개발 등 광범위한 분야에서 사용되는 핵심 언어입니다. 간결한 문법과 방대한 라이브러리 생태계 덕분에 본 프로젝트의 모든 단계에서 주력으로 사용됩니다.
• NumPy: Python에서 다차원 배열과 행렬 연산을 효율적으로 수행하게 해주는 근간 라이브러리입니다. 과학 계산 및 데이터 분석의 기본 도구입니다.
• Pandas: 데이터 조작과 분석을 위한 강력하고 필수적인 라이브러리입니다. 특히 테이블 형태의 데이터를 다루는 DataFrame 객체를 제공하여 CSV, Excel, JSON 등 다양한 데이터 소스를 쉽게 읽고, 정제하고, 변환하고, 분석할 수 있게 합니다.
• Matplotlib & Seaborn: 데이터를 시각화하여 패턴과 인사이트를 효과적으로 전달하기 위한 라이브러리입니다. Matplotlib는 기본적인 그래프 생성을, Seaborn은 더 미려하고 통계적으로 유의미한 시각화를 지원합니다.
• Statsmodels: 전통적인 통계 모델링 및 계량경제 분석을 위한 포괄적인 라이브러리입니다. 회귀 분석(OLS), 시계열 분석(ARIMA, VAR 등), 일반화 선형 모델(GLM) 등 다양한 통계 기법을 제공합니다.
• Scikit-learn: 머신러닝을 위한 가장 대표적인 Python 라이브러리 중 하나입니다. 분류, 회귀, 군집화, 차원 축소(PCA 등), 모델 선택 및 평가 등 다양한 머신러닝 알고리즘과 유틸리티 함수를 제공합니다.

딥러닝 프레임워크

• TensorFlow 또는 PyTorch: 생성형 AI 모델을 포함한 복잡한 딥러닝 모델을 구축하고 학습시키는 데 사용되는 대표적인 프레임워크입니다. 신경망 구축, 자동 미분, GPU 가속 등을 지원하여 효율적인 딥러닝 연구 및 개발을 가능하게 합니다. 프로젝트의 구체적인 모델링 방향에 따라 하나를 선택하거나 필요시 함께 활용할 수 있습니다.

개발 환경 및 협업 도구

• Jupyter Notebook / JupyterLab / Google Colaboratory: 코드, 텍스트 설명, 시각화 결과를 하나의 문서에서 통합적으로 관리하고 실행할 수 있는 대화형 개발 환경입니다. 데이터 분석 과정을 단계별로 기록하고 공유하는 데 매우 유용하며, 특히 Google Colab은 클라우드 환경에서 무료로 GPU 자원을 제공하여 딥러닝 모델 학습에 큰 이점을 제공합니다.
• Git & GitHub: 코드 버전 관리는 여러 사람이 협업하거나 시간이 지남에 따라 코드를 수정/관리할 때 필수적입니다. Git은 로컬에서 버전 관리를, GitHub는 원격 저장소를 통해 코드 공유, 협업, 백업을 지원하는 플랫폼입니다. 프로젝트 코드와 문서 등을 체계적으로 관리하고 팀원 간의 효율적인 협업을 위해 반드시 사용해야 합니다.
• TensorBoard (TensorFlow 사용 시) 또는 유사 시각화 도구 (예: WandB): 딥러닝 모델의 학습 과정(손실 함수의 변화, 정확도 추이, 가중치 분포 등)을 실시간으로 시각화하고 모니터링하여 모델 학습 상태를 진단하고 하이퍼파라미터 튜닝 등에 활용하는 도구입니다.

프로젝트 참여자들은 이러한 도구들의 기본적인 사용법을 익히는 것이 필수적이며, 프로젝트 진행 중에 온라인 강의, 공식 문서, 커뮤니티(Stack Overflow 등) 등을 적극적으로 활용하여 필요한 지식과 기술을 지속적으로 학습하고 적용해 나가야 합니다. 특히, 오류 해결 능력과 공식 문서 탐색 능력은 프로젝트를 성공적으로 이끄는 데 매우 중요한 역량입니다.

제3장 거시경제 데이터 수집 및 분석

3.1 거시경제지표 데이터 수집 방법

신뢰성 있는 경제 정책 시뮬레이션을 수행하기 위한 첫걸음은 정확하고 관련성 높은 거시경제 데이터를 체계적으로 수집하는 것입니다. 다행히 국내외 여러 기관에서 다양한 경제 지표 데이터를 공개하고 있으며, 프로젝트 목적에 맞는 데이터를 효율적으로 확보하기 위한 주요 출처와 방법은 다음과 같습니다.

국내 공공 데이터 활용

• 한국은행 경제통계시스템 (ECOS): ecos.bok.or.kr
  • 주요 데이터: 국민소득(GDP, GNI 등), 물가지수(CPI, PPI), 금리(기준금리, 시장금리), 통화/유동성 지표, 국제수지, 경기종합지수 등 한국 경제의 핵심 지표 대부분을 제공합니다.
  • 특징: 시계열 데이터가 잘 정리되어 있으며, 데이터 다운로드(Excel, CSV) 기능과 함께 Open API를 제공하여 프로그래밍을 통한 자동 수집이 매우 용이합니다. (API 사용 신청 및 인증키 발급 필요)
• 통계청 국가통계포털 (KOSIS): kosis.kr
  • 주요 데이터: 인구 통계, 고용/실업 통계(실업률, 취업자 수 등), 산업활동동향(생산, 출하, 재고), 가계동향조사, 사회조사 등 광범위한 국가 통계를 제공합니다.
  • 특징: ECOS와 마찬가지로 데이터 검색, 다운로드 및 Open API 기능을 제공합니다. 사회 및 산업 구조 관련 데이터를 얻는 데 유용합니다.
• 공공데이터포털: www.data.go.kr
  • 주요 데이터: 중앙부처, 지자체, 공공기관에서 생성하는 다양한 분야의 데이터를 통합 제공합니다. 경제 분야 외에도 특정 산업, 환경, 교통 등 다양한 데이터를 찾을 수 있습니다.
  • 특징: 데이터 종류가 매우 방대하며 파일 데이터, Open API 등 다양한 형태로 제공됩니다. 데이터 품질이나 업데이트 주기는 기관별로 상이할 수 있습니다.

국제기구 및 해외 데이터 활용

• World Bank Open Data: data.worldbank.org
  • 주요 데이터: 전 세계 국가들의 GDP, 인구, 빈곤율, 교육 지표, 인프라 지표 등 개발 관련 거시 데이터를 포괄적으로 제공합니다.
  • 특징: 국가 간 비교 분석에 매우 유용하며, 데이터 다운로드 및 API 접근이 편리합니다.
• IMF Data: www.imf.org/data
  • 주요 데이터: 국제수지, 정부 재정 통계(GFS), 국제 금융 통계(IFS), 세계경제전망(WEO) 데이터 등 금융 및 재정 분야에 특화된 데이터를 제공합니다.
  • 특징: 국가별 재정 건전성, 외환 보유고, 물가 등 거시 안정성 분석에 필요한 데이터를 얻을 수 있습니다.
• OECD Data: data.oecd.org
  • 주요 데이터: 주로 OECD 회원국들의 경제 성장, 고용, 생산성, 무역, 환경, 사회 지표 등 다양한 분야의 비교 통계를 제공합니다.
  • 특징: 선진국 중심의 비교 분석이나 구조적 정책 효과 분석에 유용한 데이터를 찾을 수 있습니다.
• FRED (Federal Reserve Economic Data): fred.stlouisfed.org
  • 주요 데이터: 미국 세인트루이스 연방준비은행에서 제공하며, 미국의 주요 경제/금융 지표뿐만 아니라 다른 국가 및 국제기구의 데이터도 통합하여 제공합니다.
  • 특징: 데이터 시각화 및 다운로드 기능이 편리하며, 시계열 데이터 분석에 널리 활용됩니다. R, Python 등 다양한 분석 도구에서 직접 데이터를 불러오는 패키지(API)가 존재합니다.

데이터 수집 시 고려사항

• 데이터 정의 및 범위 확인: 동일한 지표명이라도 기관별로 정의나 측정 방식이 다를 수 있으므로, 각 데이터의 메타데이터(정의, 출처, 단위, 시점 등)를 반드시 확인해야 합니다.
• 데이터 시점 및 주기 일치: 여러 출처의 데이터를 함께 사용할 경우, 데이터의 시점(예: 연도, 분기, 월)과 주기(Frequency)를 일치시키는 작업이 필요합니다.
• API 활용: 반복적인 데이터 수집이나 대량 데이터 처리를 위해서는 각 기관에서 제공하는 Open API 사용법을 익히는 것이 효율적입니다. Python의 `requests` 라이브러리나 각 기관별 API 래퍼(wrapper) 라이브러리를 활용할 수 있습니다.
• 저작권 및 이용 약관 준수: 수집한 데이터의 이용 범위를 확인하고, 출처를 명시하는 등 각 기관의 이용 약관 및 저작권을 준수해야 합니다.

데이터 수집 자동화 예시 (Python requests 및 Pandas 활용)

아래는 한국은행 ECOS Open API를 이용하여 특정 기간의 명목 GDP 데이터를 수집하고 Pandas DataFrame으로 변환하는 Python 코드 예시입니다. 이 코드를 복사하여 직접 실행해보며 API 활용법을 익힐 수 있습니다.

import requests
import pandas as pd
import json
import matplotlib.pyplot as plt # 결과 확인용 시각화

# --- 사용자 설정 필요 ---
# 실제 ECOS에서 발급받은 인증키를 입력하세요. (https://ecos.bok.or.kr > 이용안내 > Open API 이용방법)
API_KEY = "YOUR_ECOS_API_KEY_HERE"

# 통계표 및 항목 코드 (예시: 명목 GDP)
STAT_CODE = "200Y001"  # 국민소득통계 주요지표(분기)
ITEM_CODE = "111Y002"  # 국내총생산(시장가격, 명목)
CYCLE = "Q"       # 주기: Q(분기)
START_TIME = "2010Q1" # 데이터 시작 시점
END_TIME = "2024Q4" # 데이터 종료 시점 (최신 데이터까지)
REQ_COUNT = "1000"    # 최대 요청 건수 (1000건 이하)
# --- --- --- ---

# ECOS API 요청 URL 구성
url = f"http://ecos.bok.or.kr/api/StatisticSearch/{API_KEY}/json/kr/1/{REQ_COUNT}/{STAT_CODE}/{CYCLE}/{START_TIME}/{END_TIME}/{ITEM_CODE}/"

def fetch_ecos_data(api_url):
    """ECOS API를 호출하고 데이터를 DataFrame으로 반환하는 함수"""
    print(f"Requesting URL (key hidden): http://ecos.bok.or.kr/api/StatisticSearch/YOUR_API_KEY/json/kr/1/{REQ_COUNT}/{STAT_CODE}/{CYCLE}/{START_TIME}/{END_TIME}/{ITEM_CODE}/")
    try:
        response = requests.get(api_url, timeout=30) # 타임아웃 설정
        response.raise_for_status()
        data = response.json()

        if 'StatisticSearch' in data and 'row' in data['StatisticSearch']:
            rows = data['StatisticSearch']['row']
            df = pd.DataFrame(rows)
            print(f"데이터 {len(df)}건 수신 완료.")

            if 'TIME' in df.columns and 'DATA_VALUE' in df.columns:
                df_processed = df[['TIME', 'DATA_VALUE']].copy()
                df_processed.rename(columns={'TIME': '분기', 'DATA_VALUE': '명목GDP'}, inplace=True)
                df_processed['명목GDP'] = pd.to_numeric(df_processed['명목GDP'], errors='coerce')
                df_processed['분기'] = df_processed['분기'].apply(lambda x: pd.Period(year=int(x[:4]), quarter=int(x[5:])).to_timestamp('Q-DEC'))
                df_processed.set_index('분기', inplace=True)
                return df_processed
            else:
                print("오류: 필수 컬럼('TIME', 'DATA_VALUE') 누락.") ; return None
        elif 'RESULT' in data:
            print(f"ECOS API 오류: {data['RESULT'].get('CODE', 'N/A')} - {data['RESULT'].get('MESSAGE', 'Unknown')}") ; return None
        else:
            print("오류: 예상치 못한 응답 형식.") ; return None

    except requests.exceptions.RequestException as e: print(f"API 요청 실패: {e}") ; return None
    except json.JSONDecodeError: print(f"오류: API 응답 JSON 파싱 실패.") ; return None
    except Exception as e: print(f"데이터 처리 중 오류: {e}") ; return None

# --- API 호출 실행 및 결과 확인 ---
if API_KEY == "YOUR_ECOS_API_KEY_HERE" or not API_KEY:
    print("\n경고: ECOS API 키를 설정해야 코드가 정상 작동합니다.")
    # 샘플 데이터프레임 생성 (API 키 없을 때 대체)
    sample_dates = pd.date_range(start='2010-03-31', periods=56, freq='Q') # 2010Q1 ~ 2023Q4 (14년 * 4분기)
    sample_gdp = 1500 + np.cumsum(np.random.randn(len(sample_dates)) * 60 + 30)
    gdp_df = pd.DataFrame({'명목GDP': sample_gdp}, index=sample_dates)
    print("\nAPI 키가 없어 샘플 데이터로 대체합니다.")
else:
    gdp_df = fetch_ecos_data(url)

if gdp_df is not None:
    print("\n\n--- 최종 DataFrame (명목 GDP) ---")
    # 데이터 표현 최소화 요청에 따라 head() 등 출력 생략
    # print(gdp_df.head())
    print(gdp_df.info())

    # 간단 시각화
    plt.figure(figsize=(10, 5))
    gdp_df['명목GDP'].plot(title='명목 GDP 시계열 (ECOS API 또는 샘플)', grid=True, color='#3b82f6')
    plt.ylabel('명목 GDP (단위: 십억원 - 확인 필요)')
    plt.xlabel('분기')
    plt.tight_layout()
    plt.show() # 이 코드를 실행하면 아래와 같은 그래프가 나타납니다.

                    

시각화 결과 (예시)

그림 3.1: 명목 GDP 시계열 변화 (ECOS API 데이터 기반 예시)

* 위 이미지는 Python 코드 실행 시 생성될 수 있는 차트의 예시를 보여줍니다.

3.2 데이터 전처리 및 시각화 기법

수집된 원시(Raw) 거시경제 데이터는 분석이나 모델링에 직접 사용하기 전에 품질을 높이고 형식을 통일하는 데이터 전처리(Data Preprocessing) 과정이 반드시 필요합니다. 이 과정을 통해 데이터의 신뢰도를 높이고 분석 결과의 왜곡을 방지할 수 있습니다. 주요 전처리 기법은 다음과 같습니다.

• 결측치 처리 (Missing Value Handling): 데이터셋에 값이 누락된 경우(결측치), 해당 레코드(행)나 변수(열)를 제거하거나, 통계적 방법(평균, 중앙값, 최빈값 등) 또는 다른 변수와의 관계를 이용한 예측 모델(예: 회귀, KNN)을 통해 합리적인 값으로 대체(Imputation)합니다. 시계열 데이터의 경우, 앞뒤 값으로 채우는 방법(Forward Fill, Backward Fill)도 사용됩니다.
• 이상치 처리 (Outlier Handling): 데이터 분포에서 극단적으로 벗어난 값(이상치)을 식별하고 처리합니다. 이상치는 측정 오류, 기록 실수 또는 실제 예외적 사건 등으로 발생할 수 있습니다. 통계적 방법(IQR rule, Z-score), 시각화(Box Plot 등)를 통해 식별하며, 제거하거나, 특정 값으로 제한(Winsorizing)하거나, 별도로 분석하는 방식을 고려합니다.
• 데이터 정규화/표준화 (Normalization/Standardization): 서로 다른 척도(Scale)를 가진 변수들을 동일한 범위나 분포로 변환하여 비교 가능하게 만듭니다.
  • 정규화 (Normalization): 주로 Min-Max Scaling을 사용하여 데이터를 0과 1 사이의 값으로 변환합니다. 변수의 절대적인 크기보다 상대적인 위치가 중요할 때 사용됩니다.
  • 표준화 (Standardization): 데이터를 평균 0, 표준편차 1을 갖도록 변환합니다 (Z-score). 이상치에 덜 민감하며, 거리 기반 알고리즘이나 딥러닝 모델에서 널리 사용됩니다.
• 데이터 변환 (Data Transformation): 데이터의 분포를 특정 형태(예: 정규분포)에 가깝게 만들거나 변수 간 관계를 선형화하기 위해 수학적 변환(로그 변환, 제곱근 변환, Box-Cox 변환 등)을 적용합니다. 이는 일부 통계 모델의 가정을 만족시키는 데 도움이 될 수 있습니다.
• 범주형 변수 처리 (Categorical Variable Encoding): 문자열 형태의 범주형 변수를 숫자 형태로 변환해야 모델에 사용할 수 있습니다. 원-핫 인코딩(One-Hot Encoding), 레이블 인코딩(Label Encoding) 등의 기법이 사용됩니다.
• 데이터 통합 (Data Integration): 여러 소스에서 가져온 데이터를 공통 키(예: 날짜, 국가 코드)를 기준으로 병합합니다. (Pandas의 `merge`, `concat` 함수 활용)
• 특성 공학 (Feature Engineering): 기존 변수들을 조합하거나 가공하여 모델 성능 향상에 기여할 수 있는 새로운 예측 변수(Feature)를 생성하는 과정입니다. 예를 들어, GDP 절대값 대신 성장률을 계산하거나, 변수의 시차(Lag) 값을 생성하거나, 이동 평균(Moving Average)을 계산하는 등이 해당됩니다. 도메인 지식이 중요하게 작용합니다.

전처리가 완료된 데이터는 데이터 시각화(Data Visualization)를 통해 패턴, 추세, 변수 간 관계, 분포 등을 직관적으로 파악하고, 분석 방향 설정 및 결과 해석에 활용합니다. 이를 탐색적 데이터 분석(Exploratory Data Analysis, EDA)이라고도 합니다. 주요 시각화 기법과 Python (Matplotlib, Seaborn)을 활용한 예시는 다음과 같습니다.

데이터 시각화 예시 (Python 활용)

아래 코드는 가상의 경제 데이터 프레임(economic_data)이 준비되었다고 가정하고, 다양한 시각화를 수행하는 예시입니다. 실제 프로젝트에서는 위에서 설명한 전처리 과정을 거친 데이터를 사용합니다.

import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
import numpy as np

# --- 한글 폰트 설정 (필요시) ---
# plt.rc('font', family='Your Font Name')
# plt.rc('axes', unicode_minus=False)
# --- --- ---

# --- 가상 데이터 생성 (EDA용 - 실제 데이터 사용 권장) ---
np.random.seed(42)
years = np.arange(2010, 2025)
data_len = len(years)
economic_data = pd.DataFrame({
    'year': years,
    'gdp_growth': np.random.randn(data_len) * 1.5 + 2.5,
    'inflation': np.clip(2.0 + np.random.randn(data_len) * 1.5, 0, 5),
    'unemployment': np.clip(3.5 + np.random.randn(data_len) * 0.5, 2.5, 4.5),
    'interest_rate': np.clip(2.5 + np.cumsum(np.random.randn(data_len)*0.2 - 0.05), 0.5, 4.0),
    'gov_spending_ratio': np.random.rand(data_len)*5 + 20 # GDP 대비 정부지출 비율(%)
})
print("--- EDA용 샘플 데이터 (economic_data) ---")
# print(economic_data.head()) # 데이터 표현 최소화
print(economic_data.info())
# --- --- --- ---

# 1. 꺾은선 그래프: 연도별 GDP 성장률 추세
plt.figure(figsize=(12, 6))
plt.plot(economic_data['year'], economic_data['gdp_growth'], marker='o', color='#0ea5e9', linewidth=2)
plt.title('연도별 GDP 성장률 추세', fontsize=16)
plt.xlabel('연도', fontsize=12)
plt.ylabel('GDP 성장률 (%)', fontsize=12)
plt.grid(True, linestyle=':', alpha=0.7)
plt.axhline(0, color='red', linestyle='--', linewidth=1, alpha=0.5) # 0% 기준선 추가
plt.tight_layout()
plt.show()

# 2. 막대 그래프: 연도별 정부지출 비율
plt.figure(figsize=(12, 6))
sns.barplot(x='year', y='gov_spending_ratio', data=economic_data, palette='viridis')
plt.title('연도별 GDP 대비 정부지출 비율(%)', fontsize=16)
plt.xlabel('연도', fontsize=12)
plt.ylabel('정부지출 비율 (%)', fontsize=12)
plt.xticks(rotation=45, ha='right')
plt.tight_layout()
plt.show()

# 3. 산점도: 물가상승률과 실업률 관계 (필립스 곡선 탐색)
plt.figure(figsize=(10, 7))
sns.scatterplot(x='unemployment', y='inflation', data=economic_data,
                hue='interest_rate', size='gdp_growth', sizes=(50, 300),
                palette='magma', alpha=0.8, edgecolors='k', linewidth=0.5)
plt.title('실업률과 물가상승률 간의 관계 (금리 및 성장률 영향)', fontsize=16)
plt.xlabel('실업률 (%)', fontsize=12)
plt.ylabel('물가상승률 (%)', fontsize=12)
plt.legend(title='금리(%) / GDP성장률(크기)', bbox_to_anchor=(1.05, 1), loc='upper left')
plt.grid(True, linestyle=':', alpha=0.7)
plt.tight_layout()
plt.show()

# 4. 히트맵: 주요 변수 간 상관관계
plt.figure(figsize=(10, 8))
# 'year' 컬럼 제외
correlation_matrix = economic_data.drop(columns='year').corr()
sns.heatmap(correlation_matrix, annot=True, cmap='RdYlBu', fmt=".2f", linewidths=.5,
            vmin=-1, vmax=1, cbar=True, annot_kws={"size": 11})
plt.title('주요 거시경제 변수 간 상관관계 히트맵', fontsize=16)
plt.xticks(rotation=45, ha='right', fontsize=10)
plt.yticks(rotation=0, fontsize=10)
plt.tight_layout()
plt.show()

                 

3.3 경제 데이터 분석 실습

데이터 전처리 및 시각화를 통해 데이터의 특성을 파악했다면, 다음 단계는 통계적 및 계량경제학적 기법을 적용하여 경제 현상에 대한 심층적인 분석을 수행하고 의미 있는 결론을 도출하는 것입니다. 본 프로젝트에서는 다음과 같은 분석 실습을 통해 경제 데이터 분석 역량을 강화할 수 있습니다.

실습 1: GDP와 주요 거시경제 변수 간 관계 분석 심화

• 단순/다중 회귀분석 (Regression Analysis): GDP 성장률(종속변수)에 영향을 미치는 요인(독립변수: 예- 투자율, 정부지출 증가율, 수출 증가율, 금리 등)을 식별하고 그 영향력의 크기와 통계적 유의성을 정량적으로 추정합니다. Statsmodels 라이브러리의 OLS(Ordinary Least Squares) 기능을 활용하여 모델을 구축하고 결과를 해석합니다. (모델 가정 충족 여부 검토 포함: 선형성, 독립성, 등분산성, 정규성)
• 시차 효과 고려: 정책 변수나 외부 충격이 GDP에 즉각적으로 영향을 미치지 않는 경우가 많습니다. 독립변수의 시차(Lag) 값을 모델에 포함하여 시차 효과를 분석하거나, 분포 시차 모형(Distributed Lag Model)을 활용하여 특정 변수의 영향이 시간에 따라 어떻게 분산되어 나타나는지 분석합니다.
• 구조적 변화 탐지: 특정 시점(예: 금융 위기, 팬데믹)을 전후로 변수 간 관계에 구조적인 변화가 있었는지 검정(예: Chow test)하고, 변화가 있다면 시점별로 모델을 분리하여 분석합니다.

실습 2: 경기 변동 요인 분석

• 경기 순환 시각화 및 특징 분석: HP 필터(Hodrick-Prescott filter) 등을 사용하여 GDP 데이터에서 추세(Trend) 성분과 순환(Cycle) 성분을 분리하고, 순환 변동의 주기, 진폭 등 특징을 시각적으로 분석합니다.
• 경기 지수와의 관계 분석: 직접 계산한 경기 순환 변동치와 한국은행/통계청에서 발표하는 경기종합지수(동행, 선행)를 비교 분석하여 일치성 및 선/후행 관계를 파악합니다.
• 주성분 분석(PCA) 활용: 다수의 거시경제 변수(예: 생산, 소비, 투자, 고용 관련 지표)들의 공통된 움직임을 대표하는 소수의 주성분(Principal Components)을 추출합니다. 이 주성분들이 경기 변동을 얼마나 잘 설명하는지, 각 주성분이 어떤 경제적 의미를 내포하는지 해석하여 경기 변동의 주요 동인을 파악합니다.

실습 3: 인플레이션 동학 분석

• 인플레이션과 주요 요인 간 동적 관계 분석 (VAR): 소비자물가지수(CPI) 상승률과 함께 통화량 증가율, 환율 변동률, 국제 유가 변동률, 실업률(필립스 곡선 관계 확인) 등 주요 변수들을 포함하는 벡터 자기회귀(Vector Autoregression, VAR) 모델을 구축합니다.
• 충격 반응 함수 (Impulse Response Function, IRF) 분석: VAR 모델을 이용하여 특정 변수(예: 유가)에 예상치 못한 충격(Shock)이 발생했을 때, 다른 변수(예: 물가, GDP)들이 시간에 따라 어떻게 반응하는지를 분석합니다. 이를 통해 인플레이션에 대한 각 요인의 동태적 파급 효과를 파악할 수 있습니다.
• 분산 분해 (Variance Decomposition): 특정 변수(예: 물가)의 예측 오차 분산 중에서 각 변수의 충격이 차지하는 상대적 기여도를 분석합니다. 이를 통해 어떤 요인이 인플레이션 변동에 더 중요하게 작용하는지를 평가할 수 있습니다.

이러한 실습 과정에서 도출된 분석 결과는 Jupyter Notebook 등에 체계적으로 정리되어야 합니다. 단순히 코드와 결과만 나열하는 것이 아니라, 분석의 목적, 사용된 데이터 및 방법론, 결과 해석, 그리고 한계점 및 시사점을 명확하게 기술하여 다른 사람들이 이해하고 검증할 수 있도록 문서화하는 것이 중요합니다. 팀원 간의 결과 공유와 토론, 그리고 비판적 검토는 분석의 질을 높이는 데 필수적입니다.

제4장 경제 정책 시나리오 설계 및 시뮬레이션

4.1 경제 정책 시나리오 설계 방법론

효과적인 경제 정책 시뮬레이션의 전제 조건은 현실성 있고 목표 지향적이며 분석 가능한 경제 정책 시나리오를 체계적으로 설계하는 것입니다. 이는 단순히 몇 가지 정책 수단을 나열하는 것을 넘어, 달성하고자 하는 정책 목표, 동원할 정책 수단의 종류와 강도, 정책 시행의 시점과 기간, 그리고 정책 효과에 영향을 미치는 주요 외부 환경 요인(외생 변수)까지 종합적으로 고려하는 구조화된 설계 과정입니다. 일반적으로 다음과 같은 단계적 접근법을 따를 수 있습니다.

1. 정책 목표 설정 (Defining Policy Objectives):
   • 가장 먼저, 시나리오를 통해 달성하고자 하는 구체적이고 측정 가능한(Specific & Measurable) 경제 목표를 명확히 설정합니다. 모호한 목표 설정은 이후 과정의 방향성을 흐리게 만들 수 있습니다.
   • SMART 원칙 적용 예시: "향후 3년간 연평균 실질 GDP 성장률을 현재 전망치보다 0.5%p 높은 3.0%로 제고한다", "향후 2년 내 청년 실업률(15-29세)을 현재 수준 대비 1%p 낮은 7.0% 이하로 낮춘다", "향후 1년간 소비자물가상승률을 목표 범위(예: 2.0% ± 0.5%p) 내에서 안정적으로 관리한다".
   • 단기적 안정화 목표와 중장기적 구조 개선 목표를 구분하고, 여러 목표가 존재할 경우 목표 간 우선순위나 잠재적 상충관계(Trade-off) (예: 성장 vs. 물가 안정)를 인지하고 고려해야 합니다.
2. 정책 수단 식별 및 선택 (Identifying & Selecting Policy Instruments):
   • 설정된 목표 달성에 기여할 수 있는 가용한 정책 수단들을 폭넓게 식별하고, 시나리오에 포함할 주요 수단을 선택합니다.
   • 정책 수단 분류:
     • 재정 정책 (Fiscal Policy): 정부 지출 규모 및 구성 변경(예: SOC 투자 확대, R&D 지원 강화), 조세 제도 변경(예: 법인세 인하, 소득세 감면, 특정 품목 소비세 조정), 이전 지출 조정(실업 급여, 아동 수당 등).
     • 통화 정책 (Monetary Policy): 기준 금리 조정, 공개 시장 운영(국채 매입/매각을 통한 유동성 조절), 지급준비율 변경, 통화안정증권 발행, 거시건전성 정책(LTV, DTI, DSR 등).
     • 구조 개혁 정책 (Structural Reform Policy): 노동 시장 개혁(유연성 제고, 임금 체계 개편), 산업 구조조정 지원, 규제 혁신(신산업 규제 완화, 진입 장벽 해소), 공정 경쟁 환경 조성, 교육 및 인적 자원 개발 정책.
   • 각 정책 수단이 경제에 영향을 미치는 파급 경로(Transmission Mechanism), 효과가 나타나기까지의 시차(Time Lag), 그리고 예상되는 부작용이나 다른 목표와의 상충 가능성을 종합적으로 고려하여 목표 달성에 가장 적합하고 효과적일 것으로 판단되는 수단을 선택합니다.
3. 시나리오 상세 구성 (Formulating Scenario Details):
   • 선택된 정책 수단들을 구체적인 정책 패키지로 조합하여 하나 이상의 시나리오를 구성합니다. (예: 기준 시나리오 + 정책 대안 시나리오 1, 2...)
   • 각 시나리오 내에서 개별 정책 수단의 강도(Magnitude), 시행 시점(Timing), 지속 기간(Duration) 등을 현실적으로 설정하고 명시해야 합니다.
   • 시나리오 구성 예시:
     • 시나리오 Baseline (현상 유지): 현재 정책 기조 유지 및 주요 기관의 경제 전망치 반영.
     • 시나리오 1 (적극적 경기 부양): 기준 금리 0.5%p 인하 (향후 1년간 동결) + 정부 확장 재정 (GDP 대비 1% 규모 추가 지출, 주로 인프라 투자) + 중소기업 법인세 5%p 한시적 감면.
     • 시나리오 2 (물가 안정 중점): 기준 금리 0.25%p 인상 (추가 인상 가능성 시사) + 긴축 재정 기조 (차년도 예산 증가율 억제) + 유류세 인하 조치 단계적 종료.
   • 시나리오는 경제 이론 및 과거 사례에 비추어 논리적 정합성을 갖추어야 하며, 정책 실현 가능성을 고려하여 설계되어야 합니다.
4. 외생 변수 가정 설정 (Setting Exogenous Assumptions):
   • 정책 효과 분석 시 모델 외부에서 주어진다고 가정하는 주요 외생 변수들의 미래 경로에 대한 가정을 설정합니다. 이는 시나리오의 현실성을 부여하고 분석의 맥락을 정의하는 데 중요합니다.
   • 주요 외생 변수 예시: 세계 경제 성장률(주요 교역국별), 국제 유가 및 주요 원자재 가격, 글로벌 금리 수준, 주요국 통화 정책 방향, 환율 전망, 인구 증가율, 기술 진보 속도 등.
   • 이러한 가정은 공신력 있는 국내외 기관(IMF, World Bank, KDI 등)의 최신 전망치를 주로 참고하되, 시나리오의 목적에 따라 특정 가정을 변경하여 분석할 수도 있습니다 (예: 비관적/낙관적 외부 환경 가정).
   • 설정된 가정은 명확히 문서화되어야 하며, 이후 민감도 분석의 대상이 됩니다.
5. 시나리오 검토 및 최종 확정 (Review & Finalization):
   • 설계된 시나리오 전체의 논리적 일관성, 현실성, 데이터 가용성, 분석 가능성 등을 종합적으로 검토합니다.
   • 내부 검토뿐만 아니라, 필요시 관련 분야 전문가의 자문을 받거나 동료 평가를 통해 시나리오의 완성도를 높입니다.
   • 시나리오에 내포된 주요 가정과 잠재적 한계를 명확히 인식하고 기록하며, 최종 시나리오를 확정합니다.

이렇게 체계적으로 설계된 경제 정책 시나리오는 이후 진행될 AI 기반 시뮬레이션 분석의 신뢰성과 정책적 함의를 높이는 데 결정적인 역할을 수행합니다.