인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
피인용 0
초록·키워드
[연구목적] 본 연구는 제조원가의 구성 요소인 재료원가, 노무원가, 제조경비를 추정하기 위한 기계학습 학습모형을 제시하고, SHAP value를 활용하여 예측 변수의 기여도를 파악해 보는 것을 목적으로 한다.
[연구방법] 본 연구는 제조원가명세서를 공시한 제조 기업을 대상으로 1990년에서 2022년까지의 110,556개 기업－연도 표본을 활용하였다. 목표 변수는 재료원가, 노무원가, 제조경비이며, 예측 변수로는 26개의 회계 변수와 업력, 종업원 수, 생산자 물가지수 등 6개의 비회계정보 변수들을 포함하였다. 머신러닝 기법인 XGBoost, Random Forest, LightGBM, GBM 알고리즘과 딥러닝 기법인 MLP 알고리즘을 적용하여 추정 성능을 확인하고, 성능을 극대화하기 위한 앙상블 기법을 적용하였다. 더불어, SHAP 분석을 통한 우수 학습모형의 예측변수 기여도를 추정하였다.
[연구결과] 기계학습 알고리즘을 적용한 결과, 재료원가와 노무원가를 예측하는 것에 전반적으로 우수한 성능을 보였으며, 특히 XGBoosting, GBM 알고리즘과 블렌딩 앙상블 기법이 높은 추정성능과 오차 발생을 안정적으로 통제하는 것으로 나타났다. 더불어, SHAP value를 통해 원가 요소별 예측 변수의 차별적 기여도를 확인하였다.
[연구의 시사점] 회귀분석과 같은 엄격한 통계 가정을 가진 전통적 방법론으로 추정하기 어려운 원가정보를 기계학습을 통해 추정함으로써 새로운 원가추정방법론의 적용 가능성을 시사한다. 이는 추후 보완된 모형을 통해 실증 자료로 다양한 학술적 및 정책적 연구에 적용 가능하다는 점에 시사점을 가진다.
[연구방법] 본 연구는 제조원가명세서를 공시한 제조 기업을 대상으로 1990년에서 2022년까지의 110,556개 기업－연도 표본을 활용하였다. 목표 변수는 재료원가, 노무원가, 제조경비이며, 예측 변수로는 26개의 회계 변수와 업력, 종업원 수, 생산자 물가지수 등 6개의 비회계정보 변수들을 포함하였다. 머신러닝 기법인 XGBoost, Random Forest, LightGBM, GBM 알고리즘과 딥러닝 기법인 MLP 알고리즘을 적용하여 추정 성능을 확인하고, 성능을 극대화하기 위한 앙상블 기법을 적용하였다. 더불어, SHAP 분석을 통한 우수 학습모형의 예측변수 기여도를 추정하였다.
[연구결과] 기계학습 알고리즘을 적용한 결과, 재료원가와 노무원가를 예측하는 것에 전반적으로 우수한 성능을 보였으며, 특히 XGBoosting, GBM 알고리즘과 블렌딩 앙상블 기법이 높은 추정성능과 오차 발생을 안정적으로 통제하는 것으로 나타났다. 더불어, SHAP value를 통해 원가 요소별 예측 변수의 차별적 기여도를 확인하였다.
[연구의 시사점] 회귀분석과 같은 엄격한 통계 가정을 가진 전통적 방법론으로 추정하기 어려운 원가정보를 기계학습을 통해 추정함으로써 새로운 원가추정방법론의 적용 가능성을 시사한다. 이는 추후 보완된 모형을 통해 실증 자료로 다양한 학술적 및 정책적 연구에 적용 가능하다는 점에 시사점을 가진다.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
UCI(KEPA) : I410-151-25-02-092119302
