Nowcasting Meso-Level Industrial Production Using Multi-Source Satellite Data and Hybrid DFM–Machine Learning Framework 

경제 활동은 정부와 기업이 실시간으로 지도화하려 노력하는 방대하고 변화무쌍한 풍경이다. 보통 이들은 공장이 얼마나 많은 양을 생산했는지 집계하는 공식 보고서에 의존하지만, 이러한 보고서는 실제 작업이 완료된 후 몇 주 또는 몇 달이 지나서야 도착한다. 수치가 발표될 때쯤이면 경제적 날씨는 이미 변해버린 경우가 많다. 이러한 간극을 메우기 위해 경제학자들은 '나우캐스트(nowcast, 현재 예측)'를 찾기 시작했다. 즉, 지금 당장 무슨 일이 일어나고 있는지에 대한 시의적절한 추정치를 찾는 것이다. 생산이 시작되는 순간 나타나는 신호들을 포착함으로써, 공장이 보고서를 제출할 때까지 기다리는 대신 그 흐ay를 파악하려는 것이다. 최근 몇 년 동안 지구 상층을 궤도 비행하는 인공위성들이 경제를 관찰하는 새로운 방법을 제시했다. 이 센서들은 밤에 공장에서 뿜어져 나오는 빛을 볼 수 있으며, 연료가 연소될 때 배출되어 산업 현장 위로 떠다니는 이산화질소의 기둥을 측정할 수 있다. 연구자들이 던져온 질문은, 이 멀리 떨어진 곳에서 얻은 무료 데이터를 통해 철강, 화학, 자동차와 같은 특정 산업의 월간 생산량을 정확하게 예측할 수 있느냐는 것이다.

일본의 대학 연구진은 일본의 제조업 부문에 초점을 맞추어 이 아이디어를 테스트하기 위해 연구를 수행했다. 그들은 위성 데이터를 사용하여 네 가지 핵심 대상, 즉 광범위한 제조업을 아우르는 전체 산업생산지수, 화학 산업, 철강 산업, 그리고 4륜 자동차 생산량을 예측할 수 있는지 알고 싶었다. 연구팀은 2018년 7월부터 2025년 12월까지의 일일 관측치를 수집했으며, 해당 제품들이 만들어지는 주요 공장들에 집중했다. 그들은 두 가지 주요 유형의 데이터를 사용했는데, 하나는 밤에 공장이 활성화되어 있음을 보여주는 야간 조명 이미지이고, 다른 하나는 열과 전력을 위해 얼마나 많은 연료가 연소되고 있는지를 나타내는 해당 부지 상공의 이산화질소 측정값이다.

연구진은 단순히 가공되지 않은 위성 수치를 컴퓨터에 입력하고 결과가 잘 나오기를 바라는 방식을 취하지 않았다. 그들은 단일 공장의 빛이나 연기가 노이즈가 될 수 있거나 특정 부지에만 국한된 고유한 특성일 수 있다는 점을 인식했기에, 여러 공장이 공유하는 공통된 패턴을 찾아내는 통계적 방법을 사용했다. '동적 요인 모델(dynamic factor model)'이라 불리는 이 방법은 전체 산업의 일반적인 추세와 개별 공장의 무작위적인 변동을 분리하는 필터 역할을 한다. 그런 다음 그들은 이 필터링된 패턴을 예측으로 전환하는 두 가지 서로 다른 방법을 테스트했다. 관계가 단순하고 비례한다고 가정하는 표준 선형 접근법과, 복잡하고 비선형적인 연결 관계를 감지할 수 있는 더 정교한 머신러닝 접근법을 사용한 것이다. 그들은 이 새로운 방법들을 단순히 '다음 달은 지난달과 같을 것'이라고 추측하는 기존의 표준 방식과 비교했다.

결과는 위성 데이터가 실제로 유용한 조기 경보를 제공할 수 있음을 보여주었지만, 성공을 위한 비결은 무엇을 측정하느냐에 따라 달라진다는 것이었다. 모든 산업에 적용되는 단 하나의 '최선의' 방법은 존재하지 않는다. 전체 산업생산지수를 예측하는 데 있어서는 야간 조명과 이산소질소 수치를 모두 결합하고, 두 달 전의 최신 공식 수치를 함께 활용한 머신러닝 모델이 가장 정확한 예측을 내놓았다. 이 모델은 모든 산업의 데이터를 하나의 거대하고 상호 연결된 그룹으로 취급했다. 그러나 화학 산업의 경우에는 접근 방식이 달랐다. 여기서는 더 단순한 선형 모델이 더 효과적이었는데, 주로 이산화질소 수치와 지역적 패턴에 의존했다. 이는 연료의 연소가 화학 제품 생산에 있어 가장 직접적인 신호임을 시사한다.

철강 산업은 또 다른 독특한 사례를 보여주었다. 철강을 위한 가장 정확한 모델은 지난 두 달간의 공식 수치를 완전히 무시했다. 대신, 빛과 가스 수치를 결합한 위성 데이터에만 의존했으며, 공장들을 지역이 아닌 기업 단위로 분류했다. 이는 철강의 경우 공장에서 발생하는 즉각적인 물리적 신호가 과거의 추세보다 더 강력하다는 것을 시사한다. 자동차 산업은 어디를 살펴봐야 하는지에 대해 가장 놀라운 교훈을 주었다. 연구진이 가능한 모든 자동차 공장의 데이터를 사용하여 자동차 생산을 예측하려고 했을 때, 결과는 평범했다. 하지만 오직 두 제조사, 즉 도요타와 마즈다의 주요 조립 공장으로 범위를 좁혔을 때 정확도가 극적으로 향상되었다. 공급망에 속한 모든 공장을 포함하는 대신, 국내 시장을 위해 완성차를 직접 만드는 사이트만을 선택했을 때 모델은 훨씬 더 정밀해졌다.

이러한 발견은 위성이 경제를 관찰하는 강력한 새로운 렌즈를 제공하지만, 그것이 보편적인 해결책은 아니라는 점을 시사한다. 산업이 작동하는 물리적 실체가 어떤 신호가 가장 중요한지를 결정한다. 어떤 분야에서는 빛의 번쩍임이 핵심이고, 다른 분야에서는 연소의 연기가 더 많은 것을 말해준다. 데이터를 그룹화하는 방법과 데이터를 분석하는 데 사용하는 컴퓨터 모델의 유형은 특정 산업의 특성에 맞춰 조정되어야 한다. 이 연구는 무료로 이용 가능한 위성 관측이 지연된 공식 통계로 인한 정보의 공백을 성공적으로 메울 수 있지만, 이는 연구자가 데이터 소스와 분석 도구를 예측하고자 하는 산업의 구체적인 특성에 신중하게 맞출 때만 가능하다는 결론을 내리고 있다.