국민노후보장패널데이터를 활용한 가구 지출 예측 모델 연구 - 인공지능 모델 기반 접근 -

국문 초록 (Abstract)

본 연구는 인공지능 모델을 활용하여 국민노후보장패널데이터의 가구별 연간가계소비지출과연간가계총지출을 예측하고, 가구 지출에 영향을 미치는 주요 변수들의 특성을 분석하였다. 고령화 사회로의 급속한 진입과 노년층의 경제적 안정성 확보가 국가적 과제로 부상하는 상황에서, 가구 지출 패턴에 대한 정확한 예측은 효과적인 노후보장 정책 수립의 핵심 기반이된다. 2009년부터 2023년까지의 2년 주기의 다 기간 패널데이터를 활용하여 시계열 특성을 고려한 소비지출액 및 부채금액에 대한 예측 모델을 구축했다. 이를 위해 국민노후보장패널데이터의 여러 내부 변수와 함께 부동산가격상승률, 소비자물가지수, 노령인구비율 등의 외부 공공데이터를 독립변수로, 분석 모형으로는 선형회귀, Ridge, Lasso, ElasticNet, 랜덤포레스트, 그래디언트 부스팅 등 다양한 알고리즘의 성능을 평가했다. 또한 소득부족액(생활비 부족 여부)을 ‘부족’, ‘부족하지 않음’, ‘무응답’으로 예측하는 분류모형을 통해 가구의 경제적 취약성을 사전에 감지할 수 있는 조기 경보 시스템을 개발하였다. 이 분류 모델 구축에는 로지스틱회귀, 랜덤포레스트, 그래디언트 부스팅, SVC 알고리즘이 사용되었다. 이후 각 모델에 대해서SHAP 분석을 통해 예측 결과에 영향을 미치는 주요 변수들의 기여도를 평가했다. 최종적으로 본 연구는 패널데이터의 결과를 기존 데이터와 거시환경 변수만으로 사전에 예측할 수 있는 방법론을 제시했으며, 정책 입안자들이 가구 지출 동향을 선제적으로 파악하고 대응할 수있는 실용적 도구를 제공한다는 점에서 의의가 있다.

다국어 초록 (Multilingual Abstract)

This study employed artificial intelligence models to predict annual household consumption expenditure and total household expenditures using Korean Retirement and Income Study (KReIS) panel data, while analyzing the key variables affecting household spending. In the context of rapid population aging and the emerging national priority of ensuring economic stability for older adults, the accurate prediction of household spending patterns serves as a crucial foundation for effective retirement security policies. This study constructed prediction models for consumption expenditures and debt amounts using biennial panel data from 2009 to 2023 and incorporating time-series characteristics. Various algorithms—including linear, Ridge, Lasso, and Elastic Net regressions; random forest; and gradient boosting—were evaluated, utilizing both internal variables from the KReIS data and external public data, such as real estate price growth rates, the consumer price index, and the older adult population ratio. Additionally, an early warning system was developed to detect household economic vulnerability through classification models that predicted income shortfalls using logistic regression, random forest, gradient boosting, and support vector classifier (SVC) algorithms. The SHAP (i.e., SHapley Additive exPlanations) analysis was employed to evaluate the contributions of the key variables to the prediction results.The significance of this study lies in its methodology for predicting panel data outcomes using existing data and macroeconomic variables, providing policymakers with a practical tool to proactively understand and respond to household expenditure trends.