KR102187500B1 - An algorithm to calculate nonlinear income elasticity and nonlinear price elasticity of product demand using consumption expenditure data and deep neural network - Google Patents

An algorithm to calculate nonlinear income elasticity and nonlinear price elasticity of product demand using consumption expenditure data and deep neural network Download PDF

Info

Publication number
KR102187500B1
KR102187500B1 KR1020190056111A KR20190056111A KR102187500B1 KR 102187500 B1 KR102187500 B1 KR 102187500B1 KR 1020190056111 A KR1020190056111 A KR 1020190056111A KR 20190056111 A KR20190056111 A KR 20190056111A KR 102187500 B1 KR102187500 B1 KR 102187500B1
Authority
KR
South Korea
Prior art keywords
income
elasticity
demand
nonlinear
consumption expenditure
Prior art date
Application number
KR1020190056111A
Other languages
Korean (ko)
Other versions
KR20200131462A (en
Inventor
윤종철
제상영
Original Assignee
고려대학교 세종산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 고려대학교 세종산학협력단 filed Critical 고려대학교 세종산학협력단
Priority to KR1020190056111A priority Critical patent/KR102187500B1/en
Publication of KR20200131462A publication Critical patent/KR20200131462A/en
Application granted granted Critical
Publication of KR102187500B1 publication Critical patent/KR102187500B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

소비지출자료와 심층 신경망을 이용하여 제품 수요에 대한 비선형 소득탄력성 및 비선형 가격탄력성을 산출하는 기술이 개시된다. 일 실시예에 따른 비선형 수요탄력성을 산출하는 방법은, 개별 제품군에 대한 물가지수를 인공신경망에 기반하여 각 가구의 소비지출을 학습시킴에 따라 학습 결과를 획득하는 단계; 상기 획득된 학습 결과에 대한 균등샘플링을 적용하는 단계; 및 상기 균등샘플링을 적용함에 따라 제품 수요에 대한 비선형 수요탄력성을 도출하는 단계를 포함할 수 있다. A technology to calculate nonlinear income elasticity and nonlinear price elasticity for product demand using consumption expenditure data and deep neural networks is disclosed. A method of calculating nonlinear demand elasticity according to an embodiment includes: obtaining a learning result by learning consumption expenditure of each household based on an artificial neural network for a price index for an individual product group; Applying equal sampling to the obtained learning result; And deriving nonlinear demand elasticity for product demand by applying the uniform sampling.

Figure R1020190056111
Figure R1020190056111

Description

소비지출자료와 심층 신경망을 이용하여 제품 수요에 대한 비선형 소득탄력성 및 비선형 가격탄력성을 산출하는 알고리즘{AN ALGORITHM TO CALCULATE NONLINEAR INCOME ELASTICITY AND NONLINEAR PRICE ELASTICITY OF PRODUCT DEMAND USING CONSUMPTION EXPENDITURE DATA AND DEEP NEURAL NETWORK}An algorithm that calculates nonlinear income elasticity and nonlinear price elasticity for product demand using consumption expenditure data and deep neural networks {AN ALGORITHM TO CALCULATE NONLINEAR INCOME ELASTICITY AND NONLINEAR PRICE ELASTICITY OF PRODUCT DEMAND USING CONSUMPTION EXPENDITURE DATA AND DEEP NEURAL NETWORK}

아래의 설명은 소비지출자료와 심층신경망을 이용하여 비선형 수요탄력성을 추정하는 기술에 관한 것이다.The following explanation is about a technique for estimating nonlinear demand elasticity using consumption expenditure data and deep neural networks.

2017년 노벨경제학상을 수상한 Deaton, Muellbauer(1980)가 제시한 Almost Ideal Demand System(준이상수요체계, AIDS)은 경제학 이론으로부터 도출되어 이론적 정합성이 매우 높으나, 소비자 행동에 대해 과도한 가정을 부여하는 문제, 선형함수라는 추정결과의 강력한 제약 등으로 인해 보다 유연한 연구가 어려웠다. 이러한 문제를 해결하기 위한 방법으로 비선형항을 연립방정식 체계에 통합한 QUAIDS, Non-parametric AIDS 등의 기법이 등장하였으나, 이러한 방법론 대신 아예 인공신경망을 이용하여 경제학 이론의 제약을 벗어나려는 시도가 있었다.The Almost Ideal Demand System (AIDS) proposed by Deaton and Muellbauer (1980), who won the Nobel Prize in Economics in 2017, is derived from the theory of economics and has a very high theoretical consistency, but a problem that gives excessive assumptions about consumer behavior. However, more flexible studies were difficult due to the strong limitations of the estimation results of linear functions. As a method to solve this problem, techniques such as QUAIDS and Non-parametric AIDS, which integrate nonlinear terms into a system of equations, have appeared, but there have been attempts to escape the constraints of economics theory by using artificial neural networks instead of these methodologies.

이와 같은 취지로 인공신경망을 수요체계추정에 적용한 연구사례로 Mcaleer, Medeiros, Slottje(2008), Boelaert(2013)가 있으나, 단순히 엥겔곡선만을 제시하였을 뿐 탄력성을 도출하지 못하는 한계점이 있었다. 인공신경망에 대해 잘 알려진 대로, (지도학습 및 비지도학습) 인공신경망은 입력자료에 대한 예측결과가 서로 대응되어 출력된다. For this purpose, there are Mcaleer, Medeiros, Slottje (2008), and Boelaert (2013) as research cases that applied artificial neural networks to demand system estimation, but there was a limitation in that elasticity could not be derived simply by presenting the Engel curve. As is well known about artificial neural networks, (supervised learning and unsupervised learning) artificial neural networks are output by matching prediction results of input data.

이러한 현상이 수요체계를 추정하는데 사용되는 소비지출자료와 연결되면 인공신경망의 출력결과는 저소득, 고소득 구간에선 희박하고, 중위계층에서 밀집된 분포를 갖게 된다. 상기 분포는 수요의 소득탄력성을 계산하는 산식인

Figure 112019049004900-pat00001
, 수요의 자기가격탄력성을 계산하는 산식인
Figure 112019049004900-pat00002
, 수요의 교차가격탄력성을 계산하는 산식인
Figure 112019049004900-pat00003
에 필수적으로 필요한
Figure 112019049004900-pat00004
를 계산할 수 없게 한다. 이때,
Figure 112019049004900-pat00005
는 소득에 대한 i(i는 자연수)번째 재화의 지출비중의 Marginal한 변화로 정의되는데, Marginal한 변화를 도출하기 위해서는 소득에 대한 번째 재화에 대한 지출비중의 이동평균 또는 평활화된 지출비중의 순간변화율을 계산해야 한다. When this phenomenon is linked to consumption expenditure data used to estimate the demand system, the output result of artificial neural network is sparse in the low-income and high-income sectors, and has a dense distribution in the middle class. The above distribution is the formula for calculating the income elasticity of demand.
Figure 112019049004900-pat00001
, The formula for calculating the self-price elasticity of demand
Figure 112019049004900-pat00002
, The formula that calculates the cross-price elasticity of demand
Figure 112019049004900-pat00003
Essential to
Figure 112019049004900-pat00004
Makes it impossible to calculate At this time,
Figure 112019049004900-pat00005
Is defined as a marginal change in the expenditure weight of the i (i is a natural number)-th product to income.To derive a marginal change, the moving average of the expenditure weight of the expenditure to income or the instantaneous rate of change of the smoothed expenditure weight Should be calculated.

그러나, 일반적인 이동평균 필터나 일반적인 평활화 방법은 그 샘플링 간격이 일정하다는 균등샘플링 상황에서 유효하므로 적절한 순간변화율을 구할 수 없고, 균등샘플링을 통해서 해결이 가능하다. 균등샘플링을 위한 LS-FIR 필터는 주파수 영역에서 오차를 가장 적게하는 적절한 주파수 성분을 추출하기 때문에 소득에 대한 지출비중의 정보를 최대한 보존하면서 균등샘플링이 가능하다. However, since a general moving average filter or a general smoothing method is effective in a uniform sampling situation in which the sampling interval is constant, an appropriate instantaneous rate of change cannot be obtained, and can be solved through uniform sampling. Since the LS-FIR filter for uniform sampling extracts an appropriate frequency component with the least error in the frequency domain, uniform sampling is possible while preserving the information on the proportion of expenses to income as much as possible.

본 발명은 종래의 기술에서 탄력성을 도출하지 못했던 원인을 규명하고자 한다. The present invention seeks to find out the cause of the failure to derive elasticity in the prior art.

또한, 본 발명은 LS-FIR 필터에 근거한 균등샘플링 방법이 있음을 보이며, 인공신경망을 이용한 수요체계추정 결과로부터 충분히 신뢰할 수 있는 수준의 수요탄력성을 도출하는 방법을 제시하고자 한다. In addition, the present invention shows that there is an equal sampling method based on an LS-FIR filter, and an attempt is to provide a method of deriving a sufficiently reliable level of demand elasticity from the demand system estimation result using an artificial neural network.

비선형 수요탄력성을 산출하는 방법은, 개별 제품군에 대한 물가지수를 인공신경망에 기반하여 각 가구의 소비지출을 학습시킴에 따라 학습 결과를 획득하는 단계; 상기 획득된 학습 결과에 대한 균등샘플링을 적용하는 단계; 및 상기 균등샘플링을 적용함에 따라 제품 수요에 대한 비선형 수요탄력성을 도출하는 단계를 포함할 수 있다. The method of calculating the nonlinear demand elasticity includes: obtaining a learning result by learning the consumption expenditure of each household based on an artificial neural network for a price index for an individual product group; Applying equal sampling to the obtained learning result; And deriving nonlinear demand elasticity for product demand by applying the uniform sampling.

상기 인공신경망은, 상기 인공신경망에 복수 개의 은닉층이 구성된 형태인 것을 포함하고, 상기 학습 결과를 획득하는 단계는, 인구통계학적 특성변수와 COICOP 분류에서의 대분류, 중분류 및 소분류를 포함하는 분류 단위로 상기 인공신경망에 기반하여 각 가구의 소비지출을 컨볼루션하는 단계를 포함할 수 있다. The artificial neural network includes a form in which a plurality of hidden layers are formed in the artificial neural network, and the step of obtaining the learning result is a classification unit including a demographic characteristic variable and a large classification, a middle classification, and a small classification in the COICOP classification. It may include the step of convolving consumption expenditure of each household based on the artificial neural network.

상기 학습 결과를 획득하는 단계는, COICOP 분류에 기초한 개별 제품군에 대한 각 가계의 소비지출, 가계의 소득, 물가지수를 포함하는 입력 데이터를 인공신경망에 입력하고, 상기 인공신경망을 통하여 학습시킴에 따라 획득된 학습 결과로 소득에 대한 제품군별 소비지출비중을 도출하는 단계를 포함할 수 있다. In the step of obtaining the learning result, input data including consumption expenditure, household income, and price index for individual product groups based on COICOP classification are input into an artificial neural network, and learning through the artificial neural network. It may include the step of deriving the proportion of consumption expenditure by product group to income based on the obtained learning result.

상기 획득된 학습 결과에 대한 균등샘플링을 적용하는 단계는, 상기 획득된 학습 결과에 소득에 대한 각 제품군별 소비지출비중에 대한 균등샘플링을 적용하는 단계를 포함할 수 있다. Applying the equal sampling to the acquired learning result may include applying equal sampling for the proportion of consumption expenditure for each product group to income to the acquired learning result.

상기 균등샘플링을 적용함에 따라 제품 수요에 대한 비선형 수요탄력성을 도출하는 단계는, 소득에 따라 상기 제품 수요에 대한 소득탄력성, 상기 제품 수요에 대한 자기가격탄력성 및 상기 제품 수요에 대한 교차가격탄력성을 도출하는 단계를 포함할 수 있다. The step of deriving nonlinear demand elasticity for product demand by applying the uniform sampling includes income elasticity for the product demand, self-price elasticity for the product demand, and cross-price elasticity for the product demand according to income. It may include the step of.

상기 균등샘플링을 적용함에 따라 제품 수요에 대한 비선형 수요탄력성을 도출하는 단계는, 상기 균등샘플링이 적용된 소득에 대한 각 제품군별 소비지출비중으로부터 소비지출비중의 이동평균을 도출한 뒤, 스무싱(Smoothing)하여 엥겔곡선을 획득하고, 상기 획득된 엥겔곡선의 기울기(각 지점의 변화율)를 이용하여 수학식 1(

Figure 112019049004900-pat00006
)의 소득탄력성을 계산하는 단계를 포함하고,
Figure 112019049004900-pat00007
는 i재화의 소득탄력성,
Figure 112019049004900-pat00008
는 소득변화에 대한 i재화의 평균소비지출 변화량으로 엥겔곡선의 기울기,
Figure 112019049004900-pat00009
는 각 가구의 i재화에 대한 지출비중을 의미할 수 있다. The step of deriving nonlinear demand elasticity for product demand by applying the uniform sampling includes deriving a moving average of the consumption expenditure weight from the consumption expenditure weight of each product group for the income to which the equal sampling is applied, and then smoothing. ) To obtain the Engel curve, and using Equation 1 (change rate of each point) using the obtained slope of the Engel curve (
Figure 112019049004900-pat00006
Including the step of calculating the income elasticity of ),
Figure 112019049004900-pat00007
Is the income elasticity of the i goods,
Figure 112019049004900-pat00008
Is the change in the average consumption expenditure of the goods i against the change in income, the slope of the Engel curve,
Figure 112019049004900-pat00009
Can mean the proportion of each household's expenditure on i goods.

상기 균등샘플링을 적용함에 따라 제품 수요에 대한 비선형 수요탄력성을 도출하는 단계는, 상기 균등샘플링이 적용된 소득에 대한 각 제품군별 소비지출비중으로부터 소비지출비중의 이동평균을 도출한 뒤, 스무싱(Smoothing)하여 엥겔곡선을 획득하고, 상기 획득된 엥겔곡선의 기울기(각 지점의 변화율)를 이용하여 수학식 2(

Figure 112019049004900-pat00010
)의 비보상 자기가격 탄력성을 계산하는 단계를 포함하고,
Figure 112019049004900-pat00011
는 소득변화에 대한 i재화의 평균소비지출 변화량으로 엥겔곡선의 기울기,
Figure 112019049004900-pat00012
는 각 가구의 i재화에 대한 지출비중을 의미할 수 있다. The step of deriving nonlinear demand elasticity for product demand by applying the uniform sampling includes deriving a moving average of the consumption expenditure weight from the consumption expenditure weight of each product group for the income to which the equal sampling is applied, and then smoothing. ) To obtain the Engel curve, and using Equation 2 (change rate of each point) using the obtained slope of the Engel curve (
Figure 112019049004900-pat00010
), calculating the non-compensated self-price elasticity of,
Figure 112019049004900-pat00011
Is the change in the average consumption expenditure of the goods i against the change in income, the slope of the Engel curve,
Figure 112019049004900-pat00012
Can mean the proportion of each household's expenditure on i goods.

상기 균등샘플링을 적용함에 따라 제품 수요에 대한 비선형 수요탄력성을 도출하는 단계는, 상기 균등샘플링이 적용된 소득에 대한 각 제품군별 소비지출비중으로부터 소비지출비중의 이동평균을 도출한 뒤, 스무싱(Smoothing)하여 엥겔곡선을 획득하고, 상기 획득된 엥겔곡선의 기울기(각 지점의 변화율)를 이용하여 수학식 3(

Figure 112019049004900-pat00013
)의 수요의 교차가격탄력성을 계산하는 단계를 포함하고,
Figure 112019049004900-pat00014
는 소득변화에 대한 i재화의 평균소비지출 변화량으로 엥겔곡선의 기울기,
Figure 112019049004900-pat00015
는 각 가구의 i재화에 대한 지출비중을 의미할 수 있다. The step of deriving nonlinear demand elasticity for product demand by applying the uniform sampling includes deriving a moving average of the consumption expenditure weight from the consumption expenditure weight of each product group for the income to which the equal sampling is applied, and then smoothing. ) To obtain an Engel curve, and using Equation 3 (change rate of each point) using the obtained slope of the Engel curve (
Figure 112019049004900-pat00013
) And calculating the cross-price elasticity of demand,
Figure 112019049004900-pat00014
Is the change in the average consumption expenditure of the goods i against the change in income, the slope of the Engel curve,
Figure 112019049004900-pat00015
Can mean the proportion of each household's expenditure on i goods.

상기 균등샘플링을 적용함에 따라 제품 수요에 대한 비선형 수요탄력성을 도출하는 단계는, 소득변화에 대한 i재화의 평균소비지출 변화량으로 엥겔곡선의 기울기

Figure 112019049004900-pat00016
의 소득에 대한 순간변화율을
Figure 112019049004900-pat00017
로 정의하고, 상기 정의된 소득에 대한 순간변화율을 수학식 1 에 대입하여 i번째 재화수요의 소득탄력성을 계산하는 단계를 포함할 수 있다. The step of deriving nonlinear demand elasticity for product demand by applying the above equal sampling is the slope of the Engel curve as the change in average consumption expenditure of the product i against the change in income.
Figure 112019049004900-pat00016
The instantaneous rate of change of income
Figure 112019049004900-pat00017
And calculating the income elasticity of the i-th demand for goods by substituting the defined instantaneous change rate for income into Equation 1.

상기 균등샘플링을 적용함에 따라 제품 수요에 대한 비선형 수요탄력성을 도출하는 단계는,

Figure 112019049004900-pat00018
,
Figure 112019049004900-pat00019
를 인공신경망에 기반하여 획득된 학습 결과로부터 수학식 4(
Figure 112019049004900-pat00020
)로 정의되는 그레디언트(Gradient)를 계산하여 수학식 2 또는 수학식 3에 적용하는 단계를 포함할 수 있다. The step of deriving nonlinear demand elasticity for product demand by applying the uniform sampling,
Figure 112019049004900-pat00018
,
Figure 112019049004900-pat00019
From the learning result acquired based on the artificial neural network, Equation 4 (
Figure 112019049004900-pat00020
It may include calculating a gradient defined as) and applying it to Equation 2 or Equation 3.

비선형 수요탄력성 산출 시스템은, 개별 제품군에 대한 물가지수를 인공신경망에 기반하여 각 가구의 소비지출을 학습시킴에 따라 학습 결과를 획득하는 획득부; 상기 획득된 학습 결과에 대한 균등샘플링을 적용하는 적용부; 및 상기 균등샘플링을 적용함에 따라 제품 수요에 대한 비선형 수요탄력성을 도출하는 도출부를 포함할 수 있다. The nonlinear demand elasticity calculation system includes: an acquisition unit for acquiring a learning result by learning consumption expenditure of each household based on an artificial neural network for a price index for an individual product group; An application unit that applies equal sampling to the acquired learning result; And a derivation unit for deriving nonlinear demand elasticity for product demand by applying the uniform sampling.

상기 인공신경망은, 상기 인공신경망에 복수 개의 은닉층이 구성된 형태인 것을 포함하고, 상기 획득부는, 인구통계학적 특성변수와 COICOP 분류에서의 대분류, 중분류 및 소분류를 포함하는 분류 단위로 상기 인공신경망에 기반하여 각 가구의 소비지출을 컨볼루션하되, COICOP 분류에 기초한 개별 제품군에 대한 각 가계의 소비지출, 가계의 소득, 물가지수를 포함하는 입력 데이터를 인공신경망에 입력하고, 상기 인공신경망을 통하여 학습시킴에 따라 획득된 학습 결과로 소득에 대한 제품군별 소비지출비중을 도출하는 것을 포함하고, 상기 적용부는, 상기 획득된 학습 결과에 소득에 대한 각 제품군별 소비지출비중에 대한 균등샘플링을 적용할 수 있다. The artificial neural network includes a form in which a plurality of hidden layers are formed in the artificial neural network, and the acquisition unit is based on the artificial neural network in a classification unit including a demographic characteristic variable and a large classification, a medium classification, and a small classification in the COICOP classification. Then, the consumption expenditure of each household is convolved, but input data including consumption expenditure, household income, and price index for each household based on the COICOP classification are input into the artificial neural network, and learned through the artificial neural network. It includes deriving the consumption expenditure weight for each product family for income from the learning result obtained according to the method, and the application unit may apply equal sampling of the consumption expenditure weight for each product family for income to the obtained learning result. .

상기 도출부는, 상기 균등샘플링이 적용된 소득에 대한 각 제품군별 소비지출비중으로부터 소비지출비중의 이동평균을 도출한 뒤, 스무싱(Smoothing)하여 엥겔곡선을 획득하고, 상기 획득된 엥겔곡선의 기울기(각 지점의 변화율)를 이용하여 수학식 1(

Figure 112019049004900-pat00021
)의 소득탄력성을 계산하고, 수학식 2(
Figure 112019049004900-pat00022
)의 비보상 자기가격 탄력성을 계산하고, 수학식 3(
Figure 112019049004900-pat00023
)의 수요의 교차가격탄력성을 계산하는 것을 포함하고,
Figure 112019049004900-pat00024
는 i재화의 소득탄력성,
Figure 112019049004900-pat00025
는 소득변화에 대한 i재화의 평균소비지출 변화량으로 엥겔곡선의 기울기,
Figure 112019049004900-pat00026
는 각 가구의 i재화에 대한 지출비중을 의미하고,
Figure 112019049004900-pat00027
는 소득변화에 대한 i재화의 평균소비지출 변화량으로 엥겔곡선의 기울기,
Figure 112019049004900-pat00028
는 각 가구의 i재화에 대한 지출비중을 의미하고,
Figure 112019049004900-pat00029
는 소득변화에 대한 i재화의 평균소비지출 변화량으로 엥겔곡선의 기울기,
Figure 112019049004900-pat00030
는 각 가구의 i재화에 대한 지출비중을 의미할 수 있다. The derivation unit derives a moving average of the consumption expenditure weight from the consumption expenditure weight of each product group for the income to which the equal sampling is applied, and then smoothes to obtain an Engel curve, and the slope of the obtained Engel curve ( Equation 1 (
Figure 112019049004900-pat00021
Calculate the income elasticity of Equation 2 (
Figure 112019049004900-pat00022
Calculate the non-compensated self-price elasticity of ), and Equation 3(
Figure 112019049004900-pat00023
), including calculating the cross-price elasticity of demand,
Figure 112019049004900-pat00024
Is the income elasticity of the i goods,
Figure 112019049004900-pat00025
Is the change in the average consumption expenditure of the goods i against the change in income, the slope of the Engel curve,
Figure 112019049004900-pat00026
Means the proportion of each household's expenditure on i goods,
Figure 112019049004900-pat00027
Is the change in the average consumption expenditure of the goods i against the change in income, the slope of the Engel curve,
Figure 112019049004900-pat00028
Means the proportion of each household's expenditure on i goods,
Figure 112019049004900-pat00029
Is the change in the average consumption expenditure of the goods i against the change in income, the slope of the Engel curve,
Figure 112019049004900-pat00030
Can mean the proportion of each household's expenditure on i goods.

상기 도출부는, 소득변화에 대한 i재화의 평균소비지출 변화량으로 엥겔곡선의 기울기

Figure 112019049004900-pat00031
의 소득에 대한 순간변화율을
Figure 112019049004900-pat00032
로 정의하고, 상기 정의된 소득에 대한 순간변화율을 수학식 1 에 대입하여 i번째 재화수요의 소득탄력성을 계산할 수 있다. The derivation unit is the slope of the Engel curve as the change in the average consumption expenditure of the i-good against the change in income.
Figure 112019049004900-pat00031
The instantaneous rate of change of income
Figure 112019049004900-pat00032
Is defined as, and the instantaneous change rate of the defined income is substituted into Equation 1 to calculate the income elasticity of the i-th demand for goods.

상기 도출부는,

Figure 112019049004900-pat00033
,
Figure 112019049004900-pat00034
를 인공신경망에 기반하여 획득된 학습 결과로부터 수학식 4(
Figure 112019049004900-pat00035
)로 정의되는 그레디언트(Gradient)를 계산하여 수학식 2 또는 수학식 3에 적용할 수 있다.The lead-out unit,
Figure 112019049004900-pat00033
,
Figure 112019049004900-pat00034
From the learning result acquired based on the artificial neural network, Equation 4 (
Figure 112019049004900-pat00035
A gradient defined as) can be calculated and applied to Equation 2 or Equation 3.

본 발명은 비선형 수요탄력성을 도출하는데 의의가 있어 학술적 가치와 동시에 상업적 가치도 충분하다.The present invention is significant in deriving non-linear demand elasticity, so it has sufficient commercial value as well as academic value.

본 발명은 소득수준에 따라 가구별로 소비하는 재화의 탄력성이 달라지는 모습을 추정할 수 있어 향후 정부의 조세정책의 효과가 소득계층별로 어떻게 다른지 분석 및 확인할 수 있다.In the present invention, it is possible to estimate how the elasticity of goods consumed for each household varies depending on the income level, so that the effect of the government's tax policy in the future can be analyzed and confirmed by income class.

본 발명은 각계각층의 소비자를 모아 적정한 제품 가격을 산출하는데 조사비용과 시간을 절감할 수 있다. The present invention collects consumers from all walks of life and calculates an appropriate product price, which can save research cost and time.

본 발명은 개인의 소비지출을 수집하기 용이한 플랫폼 사업자들이 소비지출자료를 바탕으로 제품, 서비스, 금융상품과 같은 광고의 대상을 분석하는데 도움이 된다. The present invention is helpful in analyzing the target of advertisements such as products, services, and financial products based on consumption expenditure data for platform operators that are easy to collect personal consumption expenditure.

도 1은 일 실시예에 따른 비선형 수요탄력성 산출 시스템의 동작을 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 비선형 수요탄력성 산출 시스템의 인공신경망 구조를 설명하기 위한 도면이다.
도 3은 일 실시예에 따른 비선형 수요탄력성 산출 시스템의 구성을 설명하기 위한 블록도이다.
도 4는 일 실시예에 따른 비선형 수요탄력성 산출 시스템의 비선형 수요탄력성 산출 방법을 설명하기 위한 흐름도이다.
도 5는 일 실시예에 따른 비선형 수요탄력성 산출 시스템에서 균등샘플링을 적용한 것을 나타낸 그래프이다.
도 6은 일 실시예에 따른 비선형 수요탄력성 산출 시스템에서 소득변화에 따른 제품의 소비지출과 이동평균선을 나타낸 그래프이다.
도 7은 일 실시예에 따른 비선형 수요탄력성 산출 시스템에서 소득변화에 따른 제품의 지출비율변화를 나타낸 그래프이다.
도 8은 일 실시예에 따른 비선형 수요탄력성 산출 시스템에서 제품의 비선형 소득 탄력성을 나타낸 그래프이다.
도 9는 일 실시예에 따른 비선형 수요탄력성 산출 시스템에서 제품의 비선형 가격 탄력성을 나타낸 그래프이다. 1 is a diagram illustrating an operation of a system for calculating nonlinear demand elasticity according to an exemplary embodiment.
FIG. 2 is a diagram illustrating a structure of an artificial neural network of a system for calculating nonlinear demand elasticity according to an exemplary embodiment.
3 is a block diagram illustrating a configuration of a system for calculating a nonlinear demand elasticity according to an exemplary embodiment.
4 is a flowchart illustrating a method of calculating a nonlinear demand elasticity in a nonlinear demand elasticity calculation system according to an exemplary embodiment.
5 is a graph showing the application of uniform sampling in the nonlinear demand elasticity calculation system according to an embodiment.
6 is a graph showing a product consumption expenditure and a moving average line according to income change in a nonlinear demand elasticity calculation system according to an exemplary embodiment.
7 is a graph showing a change in a product expenditure ratio according to an income change in a nonlinear demand elasticity calculation system according to an exemplary embodiment.
8 is a graph showing nonlinear income elasticity of a product in a nonlinear demand elasticity calculation system according to an embodiment.
9 is a graph showing nonlinear price elasticity of a product in the nonlinear demand elasticity calculation system according to an embodiment.

이하, 실시예를 첨부한 도면을 참조하여 상세히 설명한다.Hereinafter, embodiments will be described in detail with reference to the accompanying drawings.

도 1은 일 실시예에 따른 비선형 수요탄력성 산출 시스템의 동작을 설명하기 위한 도면이다.1 is a diagram illustrating an operation of a system for calculating nonlinear demand elasticity according to an exemplary embodiment.

비선형 수요탄력성 산출 시스템은 학습을 위한 데이터를 정제할 수 있다. 비선형 수요탄력성 산출 시스템은 ILO(국제노동기구)의 COICOP 분류에 기초한 개별 제품군(상품군)에 대한 각 가계의 소비지출, 가계의 소득 및 물가지수 중 적어도 하나 이상을 입력 데이터(101)로 이용할 수 있다. 이외에도, 인구통계학적 특징을 추가적으로 반영할 수 있다. 이때, 개별 제품군에 대한 물가지수는 CPI에서 하위 제품군 단위를 사용하거나, 별도의 산식을 이용하여 계산할 수 있다. The nonlinear demand elasticity calculation system can refine the data for learning. The nonlinear demand elasticity calculation system may use at least one of the consumption expenditure, household income, and price index of each household for individual product groups (product groups) based on the COICOP classification of the ILO (International Labor Organization) as input data 101. . In addition, demographic characteristics can be additionally reflected. At this time, the price index for individual product groups can be calculated using sub-product units in CPI or using a separate formula.

비선형 수요탄력성 산출 시스템은 인공신경망 학습과정에서 인구통계학적 특성변수와 COICOP 분류의 대분류-중분류-소분류 단위로 각 가구의 소비지출을 컨볼루션(합성곱)(Convolution)할 수 있다. 또한, 비선형 수요탄력성 산출 시스템은 통계청에서 가계동향조사(지출)을 조사할 때 사용하는 품목 상세분류에 컨볼루션할 수 있다. 비선형 수요탄력성 산출 시스템은 인공신경망(100)으로 CNN, DNN, RNN 등 다양한 구조를 따를 수 있다. 비선형 수요탄력성 산출 시스템은 인공신경망 모델을 통하여 데이터를 학습시킬 수 있다. 이때, 컨볼루션을 통한 사전 조정이 없어도 본 알고리즘은 실행이 가능하며, 구체적인 입출력 및 은닉층 구조는 분석목적에 따라 변경될 수 있다. The nonlinear demand elasticity calculation system can convolution (convolution) the consumption expenditure of each household in the major category-medium category-small category units of the demographic characteristic variable and the COICOP classification during the artificial neural network learning process. In addition, the nonlinear demand elasticity calculation system can be convolved in the detailed classification of items used by the National Statistical Office to investigate household trends (expenditures). The nonlinear demand elasticity calculation system is the artificial neural network 100 and can follow various structures such as CNN, DNN, and RNN. The nonlinear demand elasticity calculation system can learn data through an artificial neural network model. In this case, the algorithm can be executed without prior adjustment through convolution, and the specific input/output and hidden layer structure may be changed according to the purpose of analysis.

도 2는 일 실시예에 따른 비선형 수요탄력성 산출 시스템의 인공신경망 구조를 설명하기 위한 도면이다. 비선형 수요탄력성 산출 시스템은 입력 데이터(101)를 인공신경망(100)에 입력할 수 있다. 비선형 수요탄력성 산출 시스템은 입력 데이터(101)를 이용하여 제품군별 소비지출비중을 예측하기 위하여 인공신경망(100)을 학습시킴에 따라 학습 결과를 출력 데이터(102)로 출력할 수 있다. 일례로, 인공신경망(100)에서 은닉층이 적어도 두 개 이상 구성될 수 있다. 실시예에서는 복수 개의 제품간의 대체 관계를 고려하기 위하여 최소한 5개 이상의 은닉층을 구성할 수 있다. 도 2를 참고하면, 설명의 편의를 위하여 5개의 은닉층을 가진 인공신경망을 적용한 것을 나타낸 예이다. 비선형 수요탄력성 산출 시스템은 인공신경망을 학습함에 따라 1차적으로 소득에 대한 제품군별 지출비중을 도출할 수 있다. FIG. 2 is a diagram illustrating the structure of an artificial neural network of a system for calculating nonlinear demand elasticity according to an exemplary embodiment. The nonlinear demand elasticity calculation system may input input data 101 into the artificial neural network 100. The nonlinear demand elasticity calculation system may output the learning result as output data 102 as it trains the artificial neural network 100 to predict the consumption expenditure weight for each product group using the input data 101. For example, in the artificial neural network 100, at least two hidden layers may be configured. In the embodiment, at least five or more hidden layers may be configured to consider an alternative relationship between a plurality of products. Referring to FIG. 2, for convenience of explanation, an example of applying an artificial neural network having five hidden layers is applied. The nonlinear demand elasticity calculation system can primarily derive the expenditure weight of income by product group by learning the artificial neural network.

비선형 수요탄력성 산출 시스템은 지출비중의 이동평균을 구하면 엥겔곡선을 획득 수 있고, 엥겔곡선의 기울기를 이용하여 다음과 같이 소득탄력성을 계산할 수 있다. 비선형 수요탄력성 산출 시스템은 인공신경망을 통하여 학습시킨 학습 결과에 대한 균등샘플링을 적용할 수 있다. 수요의 소득탄력성을 계산하는 산식인

Figure 112019049004900-pat00036
, 수요의 자기가격탄력성을 계산하는 산식인
Figure 112019049004900-pat00037
, 수요의 교차가격탄력성을 계산하는 산식인
Figure 112019049004900-pat00038
에 필수적으로 필요한
Figure 112019049004900-pat00039
의 소득에 대한 순간변화율을
Figure 112019049004900-pat00040
로 정의될 수 있다. 비선형 수요탄력성 산출 시스템은 정의된 수요의 소득탄력성, 수요의 자기가격탄력성 및 수요의 교차가격탄력성을 위하여 소득에 대한 각 제품군별 지출비중에 대해 균등샘플링을 적용할 수 있다. 이때, LS-FIR 필터에 근거한 균등샘플링이 적용될 수 있다. In the nonlinear demand elasticity calculation system, the Engel curve can be obtained by obtaining the moving average of the expenditure weight, and income elasticity can be calculated using the slope of the Engel curve as follows. The nonlinear demand elasticity calculation system can apply equal sampling to the learning results learned through artificial neural networks. Formula for calculating the income elasticity of demand
Figure 112019049004900-pat00036
, The formula for calculating the self-price elasticity of demand
Figure 112019049004900-pat00037
, The formula that calculates the cross-price elasticity of demand
Figure 112019049004900-pat00038
Essential to
Figure 112019049004900-pat00039
The instantaneous rate of change of income
Figure 112019049004900-pat00040
Can be defined as The nonlinear demand elasticity calculation system can apply equal sampling to the proportion of expenditures for each product group on income for the defined income elasticity of demand, self-price elasticity of demand, and cross price elasticity of demand. In this case, uniform sampling based on the LS-FIR filter may be applied.

구체적으로, 수요의 소득탄력성을 계산하는 산식인

Figure 112019049004900-pat00041
에서,
Figure 112019049004900-pat00042
는 소득변화에 대한 i재화의 평균소비지출 변화량으로 엥겔곡선의 기울기,
Figure 112019049004900-pat00043
는 각 가구의 i재화에 대한 지출비중을 의미한다. Specifically, the formula for calculating the income elasticity of demand
Figure 112019049004900-pat00041
in,
Figure 112019049004900-pat00042
Is the change in the average consumption expenditure of the goods i against the change in income, the slope of the Engel curve,
Figure 112019049004900-pat00043
Means the proportion of each household's expenditure on i goods.

수요의 자기가격탄력성을 계산하는 산식인

Figure 112019049004900-pat00044
에서,
Figure 112019049004900-pat00045
는 가격변화에 대한 지출비중의 변화를 의미한다. Formula for calculating the self-price elasticity of demand
Figure 112019049004900-pat00044
in,
Figure 112019049004900-pat00045
Denotes a change in the proportion of expenditure to price change.

균등샘플링을 적용함에 따라 소득에 대한 각 제품군별 지출비중의 순간변화율이

Figure 112019049004900-pat00046
가 된다. 비선형 수요탄력성 산출 시스템은 각 제품군별 지출비중의 순간변화율인
Figure 112019049004900-pat00047
에 보다 스무스(Smooth)하게 하기 위하여 Hilbert-Huang Transform을 적용할 수 있다. 이와 같이 도출된
Figure 112019049004900-pat00048
를 앞에서 기재한 탄력성 산식에 대입함으로써 i (i는 자연수)번째 재화수요의 소득탄력성을 계산할 수 있다. By applying equal sampling, the instantaneous rate of change in the proportion of expenditure by each product group to income
Figure 112019049004900-pat00046
Becomes. The nonlinear demand elasticity calculation system is the instantaneous rate of change of the expenditure weight for each product group.
Figure 112019049004900-pat00047
To make it smoother, Hilbert-Huang Transform can be applied. Thus derived
Figure 112019049004900-pat00048
By substituting for the elasticity equation described above, the income elasticity of the i-th goods demand can be calculated.

비선형 수요탄력성 산출 시스템은 자기가격탄력성과 교차가격탄력성을 계산하기 위해 필요한

Figure 112019049004900-pat00049
,
Figure 112019049004900-pat00050
는 각각 인공신경망 예측결과로부터 아래와 같이 정의되는 Gradient를 수치적으로 계산하여 적용할 수 있다. The nonlinear demand elasticity calculation system is required to calculate self-price elasticity and cross price elasticity.
Figure 112019049004900-pat00049
,
Figure 112019049004900-pat00050
Can be applied by numerically calculating the gradient defined as follows from each artificial neural network prediction result.

Figure 112019049004900-pat00051
Figure 112019049004900-pat00051

Figure 112019049004900-pat00052
는 i번째 제품(재화)에 대한 가구별 지출비중이며,
Figure 112019049004900-pat00053
는 i번째 제품의 가격지수,
Figure 112019049004900-pat00054
은 j번째 제품의 가격지수를 나타낸다.
Figure 112019049004900-pat00052
Is the share of spending by household on the i-th product (good),
Figure 112019049004900-pat00053
Is the price index of the ith product,
Figure 112019049004900-pat00054
Represents the price index of the j-th product.

도 3은 일 실시예에 따른 비선형 수요탄력성 산출 시스템의 구성을 설명하기 위한 블록도이고, 도 4는 일 실시예에 따른 비선형 수요탄력성 산출 시스템의 비선형 수요탄력성 산출 방법을 설명하기 위한 흐름도이다.3 is a block diagram illustrating a configuration of a system for calculating nonlinear demand elasticity according to an embodiment, and FIG. 4 is a flowchart illustrating a method of calculating a nonlinear demand elasticity of the system for calculating nonlinear demand elasticity according to an embodiment.

비선형 수요탄력성 산출 시스템(300)은 소비지출자료와 심층 신경망을 이용하여 제품 수요에 대한 비선형 소득탄력성 및 비선형 가격탄력성을 산출하는 것으로, 획득부(310), 적용부(320) 및 도출부(330)를 포함할 수 있다.The nonlinear demand elasticity calculation system 300 calculates nonlinear income elasticity and nonlinear price elasticity for product demand by using consumption expenditure data and a deep neural network. The acquisition unit 310, the application unit 320, and the derivation unit 330 ) Can be included.

획득부(310)는 개별 제품군에 대한 물가지수를 인공신경망에 기반하여 각 가구의 소비지출을 학습시킴에 따라 학습 결과를 획득할 수 있다. 이때, 인공신경망은, 복수 개의 은닉층이 구성된 형태일 수 있다. 획득부(310)는 인구통계학적 특성변수와 COICOP 분류에서의 대분류, 중분류 및 소분류를 포함하는 분류 단위로 인공신경망에 기반하여 각 가구의 소비지출을 컨볼루션할 수 있다. 획득부(310)는 COICOP 분류에 기초한 개별 제품군에 대한 각 가계의 소비지출, 가계의 소득, 물가지수를 포함하는 입력 데이터를 인공신경망에 입력하고, 인공신경망을 통하여 학습시킴에 따라 획득된 학습 결과로 소득에 대한 제품군별 소비지출비중을 도출할 수 있다. The acquisition unit 310 may acquire a learning result by learning the consumption expenditure of each household based on the artificial neural network for the price index for each product group. In this case, the artificial neural network may have a form in which a plurality of hidden layers are configured. The acquisition unit 310 may convolve the consumption expenditure of each household based on an artificial neural network in a classification unit including a demographic characteristic variable and a large classification, a medium classification, and a small classification in the COICOP classification. The acquisition unit 310 inputs input data including consumption expenditure, household income, and price index for individual product groups based on COICOP classification into the artificial neural network, and the learning result obtained by learning through the artificial neural network As a result, the proportion of consumption expenditure for each product family can be derived.

적용부(320)는 획득된 학습 결과에 대한 균등샘플링을 적용할 수 있다. 적용부(320)는 획득된 학습 결과에 소득에 대한 각 제품군별 소비지출비중에 대한 균등샘플링을 적용할 수 있다. The application unit 320 may apply equal sampling to the acquired learning result. The application unit 320 may apply equal sampling on the proportion of consumption expenditure for each product group on income to the obtained learning result.

도출부(330)는 균등샘플링을 적용함에 따라 제품 수요에 대한 비선형 수요탄력성을 도출할 수 있다. 도출부(330)는 소득에 따라 제품 수요에 대한 소득탄력성, 제품 수요에 대한 자기가격탄력성 및 제품 수요에 대한 교차가격탄력성을 도출할 수 있다. 도출부(330)는 균등샘플링이 적용된 소득에 대한 각 제품군별 소비지출비중으로부터 소비지출비중의 이동평균을 도출한 뒤, 스무싱(Smoothing)하여 엥겔곡선을 획득하고, 상기 획득된 엥겔곡선의 기울기(각 지점의 변화율)를 이용하여 수학식 1(

Figure 112019049004900-pat00055
)의 소득탄력성을 계산할 수 있다. 도출부(330)는 균등샘플링이 적용된 소득에 대한 각 제품군별 소비지출비중으로부터 소비지출비중의 이동평균을 도출한 뒤, 스무싱(Smoothing)하여 엥겔곡선을 획득하고, 획득된 엥겔곡선의 기울기(각 지점의 변화율)를 이용하여 수학식 2(
Figure 112019049004900-pat00056
)의 비보상 자기가격 탄력성을 계산할 수 있다. 도출부(330)는 균등샘플링이 적용된 소득에 대한 각 제품군별 소비지출비중으로부터 소비지출비중의 이동평균을 도출한 뒤, 스무싱(Smoothing)하여 엥겔곡선을 획득하고, 상기 획득된 엥겔곡선의 기울기(각 지점의 변화율)를 이용하여 수학식 3(
Figure 112019049004900-pat00057
)의 수요의 교차가격탄력성을 계산할 수 있다. 도출부(330)는 소득변화에 대한 i재화의 평균소비지출 변화량으로 엥겔곡선의 기울기
Figure 112019049004900-pat00058
의 소득에 대한 순간변화율을
Figure 112019049004900-pat00059
로 정의하고, 정의된 소득에 대한 순간변화율을 수학식 1 에 대입하여 i번째 재화수요의 소득탄력성을 계산할 수 있다. 도출부(330)는
Figure 112019049004900-pat00060
,
Figure 112019049004900-pat00061
를 인공신경망에 기반하여 획득된 학습 결과로부터 수학식 4(
Figure 112019049004900-pat00062
)로 정의되는 그레디언트(Gradient)를 계산하여 수학식 2 또는 수학식 3에 적용할 수 있다. The derivation unit 330 may derive nonlinear demand elasticity for product demand by applying the equal sampling. The derivation unit 330 may derive income elasticity for product demand, self-price elasticity for product demand, and cross-price elasticity for product demand according to income. The derivation unit 330 derives a moving average of the consumption expenditure weight from the consumption expenditure weight of each product group for the income to which the equal sampling is applied, and then smoothes to obtain the Engel curve, and the slope of the obtained Engel curve Equation 1 (
Figure 112019049004900-pat00055
The income elasticity of) can be calculated. The derivation unit 330 derives a moving average of the proportion of consumption expenditure from the proportion of consumption expenditure for each product group for income to which equal sampling is applied, and then smoothes to obtain an Engel curve, and the slope of the acquired Engel curve ( Using Equation 2 (
Figure 112019049004900-pat00056
), the non-compensated self-price elasticity can be calculated. The derivation unit 330 derives a moving average of the consumption expenditure weight from the consumption expenditure weight of each product group for the income to which the equal sampling is applied, and then smoothes to obtain the Engel curve, and the slope of the obtained Engel curve Equation 3 (
Figure 112019049004900-pat00057
The cross-price elasticity of demand of) can be calculated. The derivation unit 330 is the slope of the Engel curve with the change in the average consumption expenditure of the i-good against the change in income.
Figure 112019049004900-pat00058
The instantaneous rate of change of income
Figure 112019049004900-pat00059
Is defined as, and the instantaneous rate of change for the defined income is substituted into Equation 1 to calculate the income elasticity of the i-th demand for goods. The derivation unit 330 is
Figure 112019049004900-pat00060
,
Figure 112019049004900-pat00061
From the learning result acquired based on the artificial neural network, Equation 4 (
Figure 112019049004900-pat00062
A gradient defined as) can be calculated and applied to Equation 2 or Equation 3.

도 5는 일 실시예에 따른 비선형 수요탄력성 산출 시스템에서 균등샘플링을 적용한 것을 나타낸 그래프이다. 5 is a graph showing the application of uniform sampling in the nonlinear demand elasticity calculation system according to an embodiment.

도 5는 불균등샘플링 상태인 원자료의 이동평균과, 균등샘플링하여 계산된 이동평균값을 비교한 그래프이다. X축에서 좌측의 저소득구간과 중위소득 구간에서는 불균등샘플링 상태의 이동평균과 균등샘플링하여 계산한 이동평균 사이에 큰 차이가 없으나, X축에서 우측의 극단치(로그실질소득 12 이상)인 약 300여개 가구는 그 소득 사이의 편차가 커서 불균등샘플링 상태의 이동평균과 균등샘플링하여 계산한 이동평균 사이에 큰 차이가 발생함을 확인할 수 있다. 이와 같이, 균등샘플링된 자료가 좌우측 극단치를 더 잘 설명하는 모습을 확인할 수 있다. 5 is a graph comparing a moving average of raw data in an unequal sampling state and a moving average value calculated by uniform sampling. There is no significant difference between the moving average in the unequal sampling state and the moving average calculated by uniform sampling in the low and median income sections on the left side of the X axis, but the extreme value (log real income 12 or more) on the right side of the X axis is about 300. It can be seen that there is a large difference between the moving average in the unequal sampling state and the moving average calculated by unequal sampling due to the large variance between their incomes. In this way, it can be seen that the uniformly sampled data better explain the left and right extreme values.

도 6 내지 도 9에서는 수송용 휘발유와 경유에 대한 소비지출비중, 이동평균성, 균등샘플링을 통해 추출한 이동평균선의 변화량을 나타낸 그래프이다. 도 6 내지 도 9는 실시예에서 제안된 소비지출자료와 인공신경망을 이용하여 제품 수요에 대한 비선형 소득탄력성 및 비선형 가격탄력성을 산출하는 방법을 수송용 휘발유와 경유에 적용한 것이다. 6 to 9 are graphs showing the amount of change in the moving average line extracted through consumption expenditure ratio, moving average, and equal sampling for gasoline and diesel for transportation. 6 to 9 show a method of calculating nonlinear income elasticity and nonlinear price elasticity for product demand using consumption expenditure data and artificial neural networks proposed in the embodiment, applied to gasoline and diesel for transportation.

도 6 및 도 7을 참고하면, 인공신경망을 통해 예측된 휘발유와 경유의 소비지출비중과 이동평균선, 그리고 균등샘플링을 통해 추출한 이동평균선의 변화량을 확인할 수 있다. 휘발유와 경유의 비선형 소득탄력성 추정 결과는 각 소비자의 수송용 연료의 소비 행위는 소득수준에 따라 서로 다르다는 사실을 반영한다. 추정된 소비지출과 이동평균을 보면, 휘발유와 경유 소득의 양극단에서는 로그실질소득이 증가해도 소비지출비율이 변하지 않는다. 소득의 양극단에서는 로그실질소득이 증가해도 소비지출비율이 변하지 않는다. 실질소득 대비 소비지출비율이 변하지 않기 때문에 소비량은 로그실질소득이 상승한 만큼 같이 상승한 것으로 소득탄력성은 1의 값을 가져야 한다.Referring to FIGS. 6 and 7, the consumption expenditure of gasoline and diesel predicted through the artificial neural network, the moving average line, and the amount of change in the moving average line extracted through equal sampling can be confirmed. The results of estimating the nonlinear income elasticity of gasoline and diesel reflect the fact that each consumer's consumption behavior of transportation fuel differs according to income level. Looking at the estimated consumption expenditure and the moving average, the consumption expenditure ratio does not change even if log real income increases at the extremes of gasoline and diesel income. At the extremes of income, even if log real income increases, the consumption expenditure ratio does not change. Since the ratio of consumption expenditure to real income does not change, the amount of consumption has increased as much as log real income has increased, and the income elasticity should have a value of 1.

도 8을 참고하면, 휘발유와 경유의 비선형 소득탄력성 추정 결과가 제시되어 있다. 휘발유의 비선형 소득탄력성을 먼저 살펴보면, 소득이 낮은 로그 실질소득 8미만인 가구의 경우, 휘발유의 소득탄력성이 1보다 높아 사치재의 속성을 갖는 것으로 나타난다. 또한, 로그소득이 점차 증가함에 따라 감소하여 약 9.8 정도에서 최저수준인 0.37 정도를 기록한 뒤 지속적으로 상승하여 로그 소득 13 이상이 되면 약 0.93을 웃도는 것으로 나타난다. 이러한 결과는 하위 소득 계층의 경우에는 차량 운행 자체가 사치 행위이며, 상위 소득계층의 경우에는 연료소비가 많은 대형승용차를 이용하는 현실을 반영한 것이라고 할 수 있다. 반면 소득탄력성이 낮게 나타난 중위소득 계층의 경우 휘발유가 상대적으로 필수재에 가깝다 할 수 있을 것이다. 이와 유사하게 경유 역시 로그실질소득의 양극단에서는 사치재로 나타나며, 중위소득계층에게 소득탄력성이 더 낮은 필수재 성격을 가짐을 알 수 있다.Referring to FIG. 8, a result of estimating nonlinear income elasticity of gasoline and diesel is presented. Looking at the nonlinear income elasticity of gasoline first, it appears that households with a low logarithmic real income of less than 8 have higher income elasticity of gasoline than 1 and have the property of luxury goods. In addition, as log income gradually increases, it decreases from about 9.8 to about 0.37, the lowest level, and then increases continuously, and when log income exceeds 13, it is found to exceed about 0.93. These results can be said to reflect the reality that vehicle driving itself is a luxury act in the case of the lower income class, and the reality of using large-sized passenger cars with high fuel consumption in the case of the upper income class. On the other hand, in the case of the middle-income class with low income elasticity, it can be said that gasoline is relatively close to essential goods. Similarly, diesel also appears as a luxury goods at the extremes of log real income, and it can be seen that it has a lower income elasticity for the middle-income class.

도 9를 참고하면, 휘발유와 경유의 자기 가격 탄력성 추정 결과를 확인할 수 있다. 인공신경망을 통해 구한 휘발유의 가격 탄력성은 평균 -0.5219로 AIDS 모형의 추정치인 -0.714보다 더 큰 것을 확인할 수 있다. 이와 마찬가지로 인공신경망을 통해 구한 경유의 가격 탄력성은 평균 -0.7268로 AIDS 모형의 추정치인 -0.9750 보다 큰 것으로 확인할 수 있다. 이러한 가격 탄력성 결과는 유가에 민감한 소비자가 상대적으로 유가가 저렴한 경유 승용차를 선택한다는 일반적인 관측에 부합하는 것으로 전체적인 추정 결과가 충분히 납득 가능하다는 것을 시사한다.Referring to FIG. 9, a result of estimating self-price elasticity of gasoline and diesel can be confirmed. It can be seen that the price elasticity of gasoline obtained through artificial neural networks is -0.5219 on average, which is greater than -0.714, the estimate of the AIDS model. Likewise, the price elasticity of diesel obtained through artificial neural networks is -0.7268 on average, which is greater than -0.9750, the estimate of the AIDS model. This price elasticity result is consistent with the general observation that consumers who are sensitive to oil prices choose diesel cars with relatively low oil prices, suggesting that the overall estimation results are sufficiently convincing.

일 실시예에 따른 비선형 수요탄력성 산출 시스템은 비선형 수요탄력성을 도출하는데 의의가 있어 학술적 가치와 동시에 상업적 가치도 충분하다. 또한, 일 실시예에 따른 비선형 수요탄력성 산출 시스템은 소득수준에 따라 가구별로 소비하는 재화의 탄력성이 달라지는 모습을 추정할 수 있어 향후 정부의 조세정책의 효과가 소득계층별로 어떻게 다른지 확인할 수 있다. 또한, 일 실시예에 따른 비선형 수요탄력성 산출 시스템은 현재 기업에서 제품가격을 정할 때 주로 사용하는 방법이 다양한 '지불용의(Willingness to Pay)'를 구하는 것으로 이를 위해 각계각층의 소비자를 모아 적정한 제품 가격을 산출하는데 조사비용과 시간을 절감할 수 있다. The nonlinear demand elasticity calculation system according to an embodiment is significant in deriving nonlinear demand elasticity, and thus has sufficient commercial value as well as academic value. In addition, the nonlinear demand elasticity calculation system according to an embodiment can estimate how the elasticity of goods consumed for each household varies according to the income level, so it is possible to check how the effect of the future government's tax policy differs for each income class. In addition, the nonlinear demand elasticity calculation system according to an embodiment obtains a variety of'Willingness to Pay', which are mainly used by companies to set product prices. For this purpose, a suitable product by gathering consumers from all walks of life It can save research cost and time in calculating the price.

이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.The apparatus described above may be implemented as a hardware component, a software component, and/or a combination of a hardware component and a software component. For example, the devices and components described in the embodiments are, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable gate array (FPGA). , A programmable logic unit (PLU), a microprocessor, or any other device capable of executing and responding to instructions, such as one or more general purpose computers or special purpose computers. The processing device may execute an operating system (OS) and one or more software applications executed on the operating system. In addition, the processing device may access, store, manipulate, process, and generate data in response to the execution of software. For the convenience of understanding, although it is sometimes described that one processing device is used, one of ordinary skill in the art, the processing device is a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that it may include. For example, the processing device may include a plurality of processors or one processor and one controller. In addition, other processing configurations are possible, such as a parallel processor.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.The software may include a computer program, code, instructions, or a combination of one or more of these, configuring the processing unit to behave as desired or processed independently or collectively. You can command the device. Software and/or data may be interpreted by a processing device or to provide instructions or data to a processing device, of any type of machine, component, physical device, virtual equipment, computer storage medium or device. Can be embodyed in The software may be distributed over networked computer systems and stored or executed in a distributed manner. Software and data may be stored on one or more computer-readable recording media.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, and the like alone or in combination. The program instructions recorded on the medium may be specially designed and configured for the embodiment, or may be known and usable to those skilled in computer software. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks. -A hardware device specially configured to store and execute program instructions such as magneto-optical media, and ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine language codes such as those produced by a compiler but also high-level language codes that can be executed by a computer using an interpreter or the like.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.As described above, although the embodiments have been described by the limited embodiments and drawings, various modifications and variations are possible from the above description by those of ordinary skill in the art. For example, the described techniques are performed in a different order from the described method, and/or components such as a system, structure, device, circuit, etc. described are combined or combined in a form different from the described method, or other components Alternatively, even if substituted or substituted by an equivalent, an appropriate result can be achieved.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and claims and equivalents fall within the scope of the claims to be described later.

Claims (15)

획득부, 적용부 및 도출부를 포함하는 비선형 수요탄력성 산출 시스템에 의해 수행되는 비선형 수요탄력성을 산출하는 방법에 있어서,
상기 획득부에서, 개별 제품군에 대한 물가지수를 인공신경망에 기반하여 각 가구의 소비지출을 학습시킴에 따라 학습 결과를 획득하는 단계;
상기 적용부에서, 상기 획득된 학습 결과에 대한 균등샘플링을 적용하는 단계; 및
상기 도출부에서, 상기 균등샘플링을 적용함에 따라 제품 수요에 대한 비선형 수요탄력성을 도출하는 단계
를 포함하고,
상기 균등샘플링을 적용함에 따라 제품 수요에 대한 비선형 수요탄력성을 도출하는 단계는,
상기 균등샘플링이 적용된 소득에 대한 각 제품군별 소비지출비중으로부터 소비지출비중의 이동평균을 도출한 뒤, 스무싱(Smoothing)하여 엥겔곡선을 획득하고, 상기 획득된 엥겔곡선의 기울기(각 지점의 변화율)를 이용하여 수학식 1(
Figure 112020108020906-pat00102
)의 소득탄력성을 계산하는 단계
를 포함하고,
Figure 112020108020906-pat00103
는 i재화의 소득탄력성,
Figure 112020108020906-pat00104
는 소득변화에 대한 i재화의 평균소비지출 변화량으로 엥겔곡선의 기울기,
Figure 112020108020906-pat00105
는 각 가구의 i재화에 대한 지출비중을 의미하는
비선형 수요탄력성을 산출하는 방법.In a method of calculating nonlinear demand elasticity performed by a nonlinear demand elasticity calculation system including an acquisition unit, an application unit, and a derivation unit,
Obtaining, by the acquisition unit, a learning result by learning the consumption expenditure of each household based on an artificial neural network for a price index for an individual product group;
In the application unit, applying equal sampling to the obtained learning result; And
In the derivation unit, deriving non-linear demand elasticity for product demand by applying the uniform sampling.
Including,
The step of deriving nonlinear demand elasticity for product demand by applying the uniform sampling,
After deriving the moving average of the consumption expenditure weight from the consumption expenditure weight of each product group for the income to which the equal sampling is applied, smoothing is performed to obtain the Engel curve, and the slope of the obtained Engel curve (change rate of each point ) Using Equation 1(
Figure 112020108020906-pat00102
Calculating the income elasticity of)
Including,
Figure 112020108020906-pat00103
Is the income elasticity of the i goods,
Figure 112020108020906-pat00104
Is the change in the average consumption expenditure of the goods i against the change in income, the slope of the Engel curve,
Figure 112020108020906-pat00105
Means the proportion of each household's expenditure on i goods.
How to calculate nonlinear demand elasticity. 제1항에 있어서,
상기 인공신경망은, 상기 인공신경망에 복수 개의 은닉층이 구성된 형태인 것을 포함하고,
상기 학습 결과를 획득하는 단계는,
인구통계학적 특성변수와 COICOP 분류에서의 대분류, 중분류 및 소분류를 포함하는 분류 단위로 상기 인공신경망에 기반하여 각 가구의 소비지출을 컨볼루션하는 단계
를 포함하는 비선형 수요탄력성을 산출하는 방법.The method of claim 1,
The artificial neural network includes a form in which a plurality of hidden layers are configured in the artificial neural network,
The step of obtaining the learning result,
Convolving the consumption expenditure of each household based on the artificial neural network into classification units including demographic characteristic variables and the large, medium and small classifications in the COICOP classification
A method of calculating nonlinear demand elasticity comprising a. 제2항에 있어서,
상기 학습 결과를 획득하는 단계는,
COICOP 분류에 기초한 개별 제품군에 대한 각 가계의 소비지출, 가계의 소득, 물가지수를 포함하는 입력 데이터를 인공신경망에 입력하고, 상기 인공신경망을 통하여 학습시킴에 따라 획득된 학습 결과로 소득에 대한 제품군별 소비지출비중을 도출하는 단계
를 포함하는 비선형 수요탄력성을 산출하는 방법.The method of claim 2,
The step of obtaining the learning result,
A product family for income based on the learning result obtained by inputting input data including consumption expenditure, household income, and price index for each household based on COICOP classification into an artificial neural network, and learning through the artificial neural network Steps to derive the proportion of consumption expenditure
A method of calculating nonlinear demand elasticity comprising a. 제1항에 있어서,
상기 획득된 학습 결과에 대한 균등샘플링을 적용하는 단계는,
상기 획득된 학습 결과에 소득에 대한 각 제품군별 소비지출비중에 대한 균등샘플링을 적용하는 단계
를 포함하는 비선형 수요탄력성을 산출하는 방법.The method of claim 1,
The step of applying the uniform sampling to the obtained learning result,
Applying equal sampling on the proportion of consumption expenditure for each product group to income to the obtained learning result
A method of calculating nonlinear demand elasticity comprising a. 삭제delete 삭제delete 제1항에 있어서,
상기 균등샘플링을 적용함에 따라 제품 수요에 대한 비선형 수요탄력성을 도출하는 단계는,
상기 균등샘플링이 적용된 소득에 대한 각 제품군별 소비지출비중으로부터 소비지출비중의 이동평균을 도출한 뒤, 스무싱(Smoothing)하여 엥겔곡선을 획득하고, 상기 획득된 엥겔곡선의 기울기(각 지점의 변화율)를 이용하여 수학식 2(
Figure 112020108020906-pat00067
)의 비보상 자기가격 탄력성을 계산하는 단계
를 포함하고,
Figure 112020108020906-pat00068
는 소득변화에 대한 i재화의 평균소비지출 변화량으로 엥겔곡선의 기울기,
Figure 112020108020906-pat00069
는 각 가구의 i재화에 대한 지출비중을 의미하는
것을 특징으로 하는 비선형 수요탄력성을 산출하는 방법.The method of claim 1,
The step of deriving nonlinear demand elasticity for product demand by applying the uniform sampling,
After deriving the moving average of the consumption expenditure weight from the consumption expenditure weight of each product group for the income to which the equal sampling is applied, smoothing is performed to obtain the Engel curve, and the slope of the obtained Engel curve (change rate of each point ) Using Equation 2(
Figure 112020108020906-pat00067
Calculating the non-compensated self-price elasticity of)
Including,
Figure 112020108020906-pat00068
Is the change in the average consumption expenditure of the goods i against the change in income, the slope of the Engel curve,
Figure 112020108020906-pat00069
Means the proportion of each household's expenditure on i goods.
Method for calculating nonlinear demand elasticity, characterized in that. 제1항에 있어서,
상기 균등샘플링을 적용함에 따라 제품 수요에 대한 비선형 수요탄력성을 도출하는 단계는,
상기 균등샘플링이 적용된 소득에 대한 각 제품군별 소비지출비중으로부터 소비지출비중의 이동평균을 도출한 뒤, 스무싱(Smoothing)하여 엥겔곡선을 획득하고, 상기 획득된 엥겔곡선의 기울기(각 지점의 변화율)를 이용하여 수학식 3(
Figure 112020108020906-pat00070
)의 수요의 교차가격탄력성을 계산하는 단계
를 포함하고,
Figure 112020108020906-pat00071
는 소득변화에 대한 i재화의 평균소비지출 변화량으로 엥겔곡선의 기울기,
Figure 112020108020906-pat00072
는 각 가구의 i재화에 대한 지출비중을 의미하는
것을 특징으로 하는 비선형 수요탄력성을 산출하는 방법.The method of claim 1,
The step of deriving nonlinear demand elasticity for product demand by applying the uniform sampling,
After deriving the moving average of the consumption expenditure weight from the consumption expenditure weight of each product group for the income to which the equal sampling is applied, smoothing is performed to obtain the Engel curve, and the slope of the obtained Engel curve (change rate of each point ) Using Equation 3(
Figure 112020108020906-pat00070
) Calculating the cross-price elasticity of demand
Including,
Figure 112020108020906-pat00071
Is the change in the average consumption expenditure of the goods i against the change in income, the slope of the Engel curve,
Figure 112020108020906-pat00072
Means the proportion of each household's expenditure on i goods.
Method for calculating nonlinear demand elasticity, characterized in that. 제1항에 있어서,
상기 균등샘플링을 적용함에 따라 제품 수요에 대한 비선형 수요탄력성을 도출하는 단계는,
소득변화에 대한 i재화의 평균소비지출 변화량으로 엥겔곡선의 기울기
Figure 112020108020906-pat00073
의 소득에 대한 순간변화율을
Figure 112020108020906-pat00074
로 정의하고, 상기 정의된 소득에 대한 순간변화율을 수학식 1 에 대입하여 i번째 재화수요의 소득탄력성을 계산하는 단계
를 포함하는 비선형 수요탄력성을 산출하는 방법.The method of claim 1,
The step of deriving nonlinear demand elasticity for product demand by applying the uniform sampling,
The slope of Engel's curve as the change in average consumption expenditure of i goods against income change
Figure 112020108020906-pat00073
The instantaneous rate of change of income
Figure 112020108020906-pat00074
And calculating the income elasticity of the i-th demand for goods by substituting the instantaneous rate of change for the defined income into Equation 1
A method of calculating nonlinear demand elasticity comprising a. 제7항 또는 제8항 중 어느 한 항에 있어서,
상기 균등샘플링을 적용함에 따라 제품 수요에 대한 비선형 수요탄력성을 도출하는 단계는,
Figure 112019049004900-pat00075
,
Figure 112019049004900-pat00076
를 인공신경망에 기반하여 획득된 학습 결과로부터 수학식 4(
Figure 112019049004900-pat00077
)로 정의되는 그레디언트(Gradient)를 계산하여 수학식 2 또는 수학식 3에 적용하는 단계
를 포함하는 비선형 수요탄력성을 산출하는 방법.The method according to any one of claims 7 or 8,
The step of deriving nonlinear demand elasticity for product demand by applying the uniform sampling,
Figure 112019049004900-pat00075
,
Figure 112019049004900-pat00076
From the learning result acquired based on the artificial neural network, Equation 4 (
Figure 112019049004900-pat00077
Calculating a gradient defined as) and applying it to Equation 2 or Equation 3
A method of calculating nonlinear demand elasticity comprising a. 비선형 수요탄력성 산출 시스템에 있어서,
개별 제품군에 대한 물가지수를 인공신경망에 기반하여 각 가구의 소비지출을 학습시킴에 따라 학습 결과를 획득하는 획득부;
상기 획득된 학습 결과에 대한 균등샘플링을 적용하는 적용부; 및
상기 균등샘플링을 적용함에 따라 제품 수요에 대한 비선형 수요탄력성을 도출하는 도출부
를 포함하고,
상기 도출부는,
상기 균등샘플링이 적용된 소득에 대한 각 제품군별 소비지출비중으로부터 소비지출비중의 이동평균을 도출한 뒤, 스무싱(Smoothing)하여 엥겔곡선을 획득하고, 상기 획득된 엥겔곡선의 기울기(각 지점의 변화율)를 이용하여 수학식 1(
Figure 112020108020906-pat00106
)의 소득탄력성을 계산하는 것을 포함하고,
Figure 112020108020906-pat00107
는 i재화의 소득탄력성,
Figure 112020108020906-pat00108
는 소득변화에 대한 i재화의 평균소비지출 변화량으로 엥겔곡선의 기울기,
Figure 112020108020906-pat00109
는 각 가구의 i재화에 대한 지출비중을 의미하는
비선형 수요탄력성 산출 시스템.In the nonlinear demand elasticity calculation system,
An acquisition unit that acquires a learning result by learning the consumption expenditure of each household based on the artificial neural network for the price index for each product group;
An application unit that applies equal sampling to the acquired learning result; And
A derivation unit for deriving nonlinear demand elasticity for product demand by applying the above equal sampling
Including,
The lead-out unit,
After deriving the moving average of the consumption expenditure weight from the consumption expenditure weight of each product group for the income to which the equal sampling is applied, smoothing is performed to obtain the Engel curve, and the slope of the obtained Engel curve (change rate of each point ) Using Equation 1(
Figure 112020108020906-pat00106
Including calculating the income elasticity of ),
Figure 112020108020906-pat00107
Is the income elasticity of the i goods,
Figure 112020108020906-pat00108
Is the change in the average consumption expenditure of the goods i against the change in income, the slope of the Engel curve,
Figure 112020108020906-pat00109
Means the proportion of each household's expenditure on i goods.
Nonlinear demand elasticity calculation system. 제11항에 있어서,
상기 인공신경망은, 상기 인공신경망에 복수 개의 은닉층이 구성된 형태인 것을 포함하고,
상기 획득부는,
인구통계학적 특성변수와 COICOP 분류에서의 대분류, 중분류 및 소분류를 포함하는 분류 단위로 상기 인공신경망에 기반하여 각 가구의 소비지출을 컨볼루션하되, COICOP 분류에 기초한 개별 제품군에 대한 각 가계의 소비지출, 가계의 소득, 물가지수를 포함하는 입력 데이터를 인공신경망에 입력하고, 상기 인공신경망을 통하여 학습시킴에 따라 획득된 학습 결과로 소득에 대한 제품군별 소비지출비중을 도출하는
것을 포함하고,
상기 적용부는,
상기 획득된 학습 결과에 소득에 대한 각 제품군별 소비지출비중에 대한 균등샘플링을 적용하는
것을 특징으로 하는 비선형 수요탄력성 산출 시스템.The method of claim 11,
The artificial neural network includes a form in which a plurality of hidden layers are configured in the artificial neural network,
The acquisition unit,
Convolution of each household's consumption expenditure based on the artificial neural network as a classification unit that includes demographic characteristic variables and the large, medium and small classifications in the COICOP classification, but the consumption expenditure of each household for individual product groups based on the COICOP classification , Input data including household income and price index into an artificial neural network, and derive the proportion of consumption expenditure for each product group for income from the learning results obtained by learning through the artificial neural network.
Including that,
The application unit,
Applying equal sampling on the proportion of consumption expenditure for each product group on income to the obtained learning result.
Nonlinear demand elasticity calculation system, characterized in that. 제11항에 있어서,
상기 도출부는,
상기 균등샘플링이 적용된 소득에 대한 각 제품군별 소비지출비중으로부터 소비지출비중의 이동평균을 도출한 뒤, 스무싱(Smoothing)하여 엥겔곡선을 획득하고, 상기 획득된 엥겔곡선의 기울기(각 지점의 변화율)를 이용하여 수학식 2(
Figure 112020108020906-pat00079
)의 비보상 자기가격 탄력성을 계산하고, 수학식 3(
Figure 112020108020906-pat00080
)의 수요의 교차가격탄력성을 계산하는 것을 포함하고,
Figure 112020108020906-pat00081
는 i재화의 소득탄력성,
Figure 112020108020906-pat00082
는 소득변화에 대한 i재화의 평균소비지출 변화량으로 엥겔곡선의 기울기,
Figure 112020108020906-pat00083
는 각 가구의 i재화에 대한 지출비중을 의미하는
것을 특징으로 하는 비선형 수요탄력성 산출 시스템.The method of claim 11,
The lead-out unit,
After deriving the moving average of the consumption expenditure weight from the consumption expenditure weight of each product group for the income to which the equal sampling is applied, smoothing is performed to obtain the Engel curve, and the slope of the obtained Engel curve (change rate of each point ) Using Equation 2(
Figure 112020108020906-pat00079
Calculate the non-compensated self-price elasticity of ), and Equation 3(
Figure 112020108020906-pat00080
), including calculating the cross-price elasticity of demand,
Figure 112020108020906-pat00081
Is the income elasticity of the i goods,
Figure 112020108020906-pat00082
Is the change in the average consumption expenditure of the goods i against the change in income, the slope of the Engel curve,
Figure 112020108020906-pat00083
Means the proportion of each household's expenditure on i goods.
Nonlinear demand elasticity calculation system, characterized in that. 제11항에 있어서,
상기 도출부는,
소득변화에 대한 i재화의 평균소비지출 변화량으로 엥겔곡선의 기울기
Figure 112020108020906-pat00088
의 소득에 대한 순간변화율을
Figure 112020108020906-pat00089
로 정의하고, 상기 정의된 소득에 대한 순간변화율을 수학식 1 에 대입하여 i번째 재화수요의 소득탄력성을 계산하는
것을 특징으로 하는 비선형 수요탄력성 산출 시스템.The method of claim 11,
The lead-out unit,
The slope of Engel's curve as the change in average consumption expenditure of i goods against income change
Figure 112020108020906-pat00088
The instantaneous rate of change of income
Figure 112020108020906-pat00089
Is defined as, and the instantaneous change rate for the defined income is substituted into Equation 1 to calculate the income elasticity of the i-th demand for goods.
Nonlinear demand elasticity calculation system, characterized in that. 제13항에 있어서,
상기 도출부는,
Figure 112019049004900-pat00090
,
Figure 112019049004900-pat00091
를 인공신경망에 기반하여 획득된 학습 결과로부터 수학식 4(
Figure 112019049004900-pat00092
)로 정의되는 그레디언트(Gradient)를 계산하여 수학식 2 또는 수학식 3에 적용하는
것을 특징으로 하는 비선형 수요탄력성 산출 시스템.
The method of claim 13,
The lead-out unit,
Figure 112019049004900-pat00090
,
Figure 112019049004900-pat00091
From the learning result acquired based on the artificial neural network, Equation 4 (
Figure 112019049004900-pat00092
) To calculate the gradient (Gradient) defined as Equation 2 or Equation 3
Nonlinear demand elasticity calculation system, characterized in that.
KR1020190056111A 2019-05-14 2019-05-14 An algorithm to calculate nonlinear income elasticity and nonlinear price elasticity of product demand using consumption expenditure data and deep neural network KR102187500B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190056111A KR102187500B1 (en) 2019-05-14 2019-05-14 An algorithm to calculate nonlinear income elasticity and nonlinear price elasticity of product demand using consumption expenditure data and deep neural network

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190056111A KR102187500B1 (en) 2019-05-14 2019-05-14 An algorithm to calculate nonlinear income elasticity and nonlinear price elasticity of product demand using consumption expenditure data and deep neural network

Publications (2)

Publication Number Publication Date
KR20200131462A KR20200131462A (en) 2020-11-24
KR102187500B1 true KR102187500B1 (en) 2020-12-07

Family

ID=73679831

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190056111A KR102187500B1 (en) 2019-05-14 2019-05-14 An algorithm to calculate nonlinear income elasticity and nonlinear price elasticity of product demand using consumption expenditure data and deep neural network

Country Status (1)

Country Link
KR (1) KR102187500B1 (en)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004519021A (en) * 2000-05-19 2004-06-24 マニュジスティックス・アトランタ・インコーポレイテッド Dynamic pricing system
JP2007233944A (en) * 2006-03-03 2007-09-13 Vinculum Japan Corp System for predicting commodity sales

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180060317A (en) * 2016-11-28 2018-06-07 한국전력공사 Apparatus and method for predicting electricity demand based on deep neural networks

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004519021A (en) * 2000-05-19 2004-06-24 マニュジスティックス・アトランタ・インコーポレイテッド Dynamic pricing system
JP2007233944A (en) * 2006-03-03 2007-09-13 Vinculum Japan Corp System for predicting commodity sales

Also Published As

Publication number Publication date
KR20200131462A (en) 2020-11-24

Similar Documents

Publication Publication Date Title
Jagielski et al. Manipulating machine learning: Poisoning attacks and countermeasures for regression learning
Dhote et al. Hybrid geometric sampling and AdaBoost based deep learning approach for data imbalance in E-commerce
Kim et al. A guide to sample average approximation
US20190019082A1 (en) Cooperative neural network reinforcement learning
Zhang et al. Neighbor selection for user-based collaborative filtering using covering-based rough sets
Seong et al. Estimation of vector error correction models with mixed‐frequency data
Chan et al. Continuous model selection for large-scale recommender systems
Hu et al. CPU load prediction using support vector regression and Kalman smoother for cloud
US20230306505A1 (en) Extending finite rank deep kernel learning to forecasting over long time horizons
Li et al. Improved LSTM-based prediction method for highly variable workload and resources in clouds
Zhang et al. Recover fair deep classification models via altering pre-trained structure
KR102187500B1 (en) An algorithm to calculate nonlinear income elasticity and nonlinear price elasticity of product demand using consumption expenditure data and deep neural network
US20190180295A1 (en) Method for applying conjoint analysis to rank customer product preference
Panteleev et al. Mini-batch adaptive random search method for the parametric identification of dynamic systems
Münker et al. Nonlinear system identification with regularized local FIR model networks
CN110852975A (en) Method for jointly driving non-local mean value of radar image by using variation coefficient and local entropy
KR102507014B1 (en) Method and apparatus for energy-aware deep neural network compression
Huang et al. Long-term time series prediction using k-NN based LS-SVM framework with multi-value integration
Levine et al. Neural network modeling of business decision making
CN113723990B (en) Information processing method for determining user value
Maragatham et al. PSO-based stochastic resonance for automatic contrast enhancement of images
Hopmann et al. Applicability of customer churn forecasts in a non-contractual setting
CN115169551A (en) Training method of behavior prediction model, risk behavior prediction method and device
Hollah et al. Periodic review inventory model for Gumbel deteriorating items when demand follows Pareto distribution
KR102289396B1 (en) Application of reinforcement learning for the advancement of forecasting item demand of repair parts of military equipment

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant