표제지
목차
Abstract 10
Ⅰ. 서론 12
1. 연구의 배경 및 목적 12
2. 연구의 범위 및 방법 14
Ⅱ. 선행연구 16
1. 수산물 소비 관련 연구 16
2. 감성분석 관련 연구 22
Ⅲ. 현황 분석 26
1. 후쿠시마 원전사고 26
2. 국내 수산물 수입구조 29
3. 주요 일본산 수입 어종 31
4. 국내 고등어 수급구조 34
4.1. 국내 고등어 생산량 및 소비량 34
4.2. 국내 고등어 수입량 35
Ⅳ. 이론적 배경 37
1. LSTM(Long Short-Term Memory) 딥러닝 모델 37
2. 다항시차분포모형(Polynomial Distributed Lag Model, PDL) 41
3. 벡터자기회귀모형(Vector Auto Regressive model, VAR) 46
3.1. 그랜저인과성검정(Granger Causality Test) 47
3.2. 충격반응함수(impulse response function) 49
Ⅴ. 연구 설계 51
1. 데이터 수집 51
1.1. 통계 데이터 수집 51
1.2. 뉴스 데이터 수집 53
2. LSTM 모델 적용 56
2.1. 데이터 전처리 56
2.2. 학습 데이터 구축 57
2.3. LSTM 모델 구축 및 성능 평가 58
Ⅵ. 분석 결과 64
1. 다항시차분포모형 분석 결과 64
2. 벡터자기회귀모형 및 충격반응함수 분석 결과 77
Ⅶ. 결론 및 제언 84
1) 국내 유통 수산물의 이력 정보 제공을 통한 소비자 신뢰 구축 85
2) 검역 강화를 통한 수산물 안전성 점검 86
3) 원산지에 대한 정확한 정보 전달을 통한 소비자 불안 해소 86
4) 품질 경쟁력 제고를 통한 국내산 고등어 소비 활성화 87
5) 연구의 기대효과 및 한계점 87
참고 문헌 89
[표 Ⅱ-1] 수산물 소비 관련 연구 20
[표 Ⅱ-2] 선행연구 하이퍼 파라미터 정리 25
[표 Ⅲ-1] 후쿠시마 원전사고 관련 사건 및 오염수 방류 결정 과정 28
[표 Ⅲ-2] 주요 일본산 수입 어종별 수입량 비중 31
[표 Ⅲ-3] 고등어와 명태 수급구조 33
[표 Ⅳ-1] LSTM 구성요소 39
[표 Ⅴ-1] 자료 수집 내용 52
[표 Ⅴ-2] 언론사 목록 53
[표 Ⅴ-3] 뉴스 데이터 수집 결과 55
[표 Ⅴ-4] 라벨링 작업 기준 58
[표 Ⅴ-5] 실험별 성능 평가 결과 61
[표 Ⅵ-1] 변수 기초통계량 64
[표 Ⅵ-2] 단위근 검정 결과 65
[표 Ⅵ-3] 적정 시차 선정 결과 68
[표 Ⅵ-4] 다항 차수 결정 결과 68
[표 Ⅵ-5] 잔차의 자기상관 검정 결과(다항시차분포모형) 69
[표 Ⅵ-7] Almon 다항시차변수 추정 결과 71
[표 Ⅵ-8] Almon 시차변수 추정 72
[표 Ⅵ-9] 고등어 분류 기준 및 용도 74
[표 Ⅵ-10] 품종별 고등어 생산량 및 중·대형어 비중 75
[표 Ⅵ-11] 다항시차분포모형 검정 결과 77
[표 Ⅵ-12] VAR 분석을 위한 적정 시차 선정 78
[표 Ⅵ-13] 그랜저인과성검정 78
[표 Ⅵ-14] VAR 모형 추정 79
[표 Ⅵ-15] 잔차의 자기상관 검정 결과(VAR 모형) 80
[표 Ⅵ-16] 충격반응분석 결과 82
[그림 Ⅰ-1] 연구 과정 15
[그림 Ⅲ-1] 총수산물 수입량 대비 주요 수입수산물 국가별 비중 29
[그림 Ⅲ-2] 일본산 수산물 수입량 30
[그림 Ⅲ-3] 주요 일본산 수입 어종별 수입량 32
[그림 Ⅲ-4] 국내 고등어 수급변화 35
[그림 Ⅲ-5] 국내 주요 고등어 수입국별 수입량 36
[그림 Ⅳ-1] LSTM 네트워크 구조 38
[그림 Ⅴ-1] 뉴스 데이터 수집 과정 54
[그림 Ⅴ-2] 크롤링 데이터 전처리 과정 56
[그림 Ⅴ-3] LSTM 모델의 Confusion Matrix 62
[그림 Ⅴ-4] 극성(부정, 중립, 긍정)별 감성분석 결과 비중 63
[그림 Ⅵ-1] 감성지수의 시차별 추정계수 73
[그림 Ⅵ-2] VAR 모형의 안정성 검정 결과 80
[그림 Ⅵ-3] 충격반응분석 결과 81
[그림 Ⅵ-4] VAR 및 충격반응분석 결과 83