한국 인플레이션의 구조적 이해 : 수요·공급 주도 인플레이션 분석
- 주제어 (키워드) 수요 및 공급 주도 인플레이션 , 인플레이션 지속성 , 네트워크 분석 , 스필오버 효과 , GraphSAGE , Demand and Supply-Driven Inflation , Inflation Persistence , Network Analysis , Spillover Effect , Inflation Forecasting
- 발행기관 서강대학교 일반대학원
- 지도교수 이윤수
- 발행년도 2025
- 학위수여년월 2025. 2
- 학위명 석사
- 학과 및 전공 일반대학원 경제학과
- 실제 URI http://www.dcollection.net/handler/sogang/000000079490
- UCI I804:11029-000000079490
- 본문언어 한국어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록 (요약문)
인플레이션은 중앙은행의 기준금리 설정과 가계의 생활 방식에 큰 영향을 미치는 중요한 지표이다. 따라서 인플레이션의 원인을 분석하고 예측하는 것은 정부뿐만 아니라 일반 대중들에게도 도움이 되기 때문에 필수적으로 연구되어야 할 과제이다. 특히, 코로나 19로 인한 글로벌 공급망 붕괴와 지정학적 리스크로 인한 국제 에너지 및 원자재 가격 상승 압력으로 인해 공급 주도 인플레이션의 영향력이 커지면서, 인플레이션을 수요와 공급 주도로 분해하여 분석하는 것이 인플레이션 관리에 효과적이다. 본 연구는 2000년부터 2023년까지 우리나라에서 지출목적으로 분류된 12개 부문의 분기별 소비자물가지수와 최종소비지출 데이터를 활용하여 Shapiro(2024) 방법론을 적용해 수요와 공급 측면으로 인플레이션을 나누었다. 또한, Sheremirov(2022) 방법론을 참고하여 인플레이션을 지속성에 따라 일시적 수요 및 공급 인플레이션, 지속적 수요 및 공급 인플레이션으로 세부적으로 분해하였다. 그리하여 시기별 인플레이션 압력의 주된 원인을 분석하였고, 설명되지 않는 인플레이션의 구조적 메커니즘을 이해하기 위해 네트워크 방법론을 적용하였다. 연구 결과, 한국의 경제 위기 시기(글로벌 금융위기, 코로나 팬데믹)에는 공급 주도 인플레이션이 주된 원인이었는데, 이는 경제 위기 시기에는 총수요 감소로 인해 섹터 간 유사성이 증가하여 섹터 간 전체적인 스필오버 효과는 증가했기 때문으로 해석할 수 있다. 그러나 지속성 범주로 나눈 인플레이션에 있어서 시기별로 다른 메커니즘이 작용하였다. 수요와 공급 충격이 주로 일시적이었다. 이는 글로벌 금융위기 동안에는 섹터 간 국소적인 스필오버 효과의 변동성이 커져 특정 섹터에서만 충격이 전파되어 일시적인 수요와 공급 인플레이션이 주된 비중을 차지한 것이다. 반면, 코로나 시기에는 일시적인 요인뿐만 아니라 지속적인 공급 주도 인플레이션도 주요 원인으로 작용했다. 당시 심각한 공급망 차질로 인해 지속적인 공급 인플레이션도 인플레이션 상방 압력으로서의 비중이 커지게 되었음을 이해할 수 있다. 그리고 두 시기 모두 경제적 불확실성이 커져 네트워크 구조의 변동성이 증가하면서 인플레이션의 급격한 변화를 초래한 것이 관찰되었다. 인플레이션 압력요인을 보다 정밀하게 이해하는 것을 넘어, 향후 경제 정책 수립에 있어 더 효과적인 대응 방안을 제시하기 위해 GraphSAGE 모델을 활용하여 네트워크 구조를 기반으로 인플레이션 예측을 진행하였다. 그 결과, 수요와 공급 인플레이션을 구분하고 이를 지속성과 일시성으로 세분화할수록 인플레이션 예측력이 높아졌다. 팬데믹과 같은 새로운 경제 환경에서도 모델이 인플레이션 변화를 잘 포착하고 있다는 것을 확인하였다. 이는 네트워크 구조로 모델링한 인플레이션에 대한 예측 성능을 검토했을 뿐만 아니라, 수요 및 공급 주도로 인플레이션을 분해하는 것이 향후 인플레이션 관리 대응책이나 위기 경보 모니터링에서도 중요한 역할을 할 수 있음을 시사한다. 본 연구로 수요 및 공급 주도로 인플레이션을 분해하여 상방 압력의 원인을 명확히 규명하였고, 이는 정밀한 정책 수립의 기초 자료로 활용될 수 있을 것이다. 또한, 네트워크 분석을 통해 인플레이션의 동적 메커니즘을 보완적으로 이해함으로써 섹터 간 상호작용에서 발생하는 스필오버 효과를 선제적으로 파악하고, 이에 따른 리스크를 효과적으로 관리할 수 있는 근거를 마련하였다. 이러한 접근은 향후 인플레이션의 예측력 향상뿐만 아니라 통화 정책의 정교함을 높이는 데 기여할 것이라고 기대되는 바이다.
more초록 (요약문)
Inflation is a crucial indicator that significantly influences central bank policy rate decisions and household lifestyles. Therefore, analyzing and predicting the causes of inflation is essential not only for governments but also for the general public, making it a critical area of research. Particularly, as the impact of supply-driven inflation grows due to global supply chain disruptions caused by COVID-19 and upward pressure on international energy and raw material prices driven by geopolitical risks, analyzing inflation by dividing it into demand- and supply-driven components proves effective for managing inflation. This study applied Shapiro's (2024) methodology to decompose inflation into demand- and supply-side components, utilizing quarterly Consumer Price Index (CPI) and final consumption expenditure data classified by 12 spending categories in South Korea from 2000 to 2023. Additionally, referencing Sheremirov's (2022) methodology, inflation was further broken down by persistence into temporary and persistent demand and supply inflation. Through this approach, the study analyzed the primary causes of inflationary pressure during different periods and employed network methodologies to understand the structural mechanisms of unexplained inflation. The results revealed that during economic crises in South Korea, such as the Global Financial Crisis and the COVID-19 pandemic, supply-driven inflation was the main driver. This can be interpreted as an increase in overall spillover effects among sectors during such crises due to heightened sectoral similarity driven by reduced aggregate demand. However, different mechanisms operated depending on the persistence category of inflation. Both demand and supply shocks were predominantly temporary. During the Global Financial Crisis, volatility in local spillover effects across sectors increased, causing shocks to propagate within specific sectors, leading to temporary demand and supply inflation. Conversely, during the COVID-19 pandemic, both temporary factors and persistent supply-driven inflation played a significant role. Severe supply chain disruptions during this period increased the weight of persistent supply-driven inflation as a key upward pressure on inflation. In both periods, increased economic uncertainty led to heightened volatility in network structures, resulting in sharp inflation changes. Moving beyond a detailed understanding of inflationary pressures, the study employed a GraphSAGE model to predict inflation based on network structures, aiming to propose more effective policy responses. The findings showed that distinguishing between demand and supply inflation and further categorizing them by persistence significantly enhanced inflation forecasting accuracy. Notably, the model effectively captured inflation changes even in new economic environments such as the pandemic. This not only demonstrated the predictive performance of modeling inflation using network structures but also underscored the importance of decomposing inflation into demand- and supply-driven components for future inflation management strategies and crisis early-warning systems. By decomposing inflation into demand- and supply-driven components, this study clearly identified the sources of upward pressure, providing foundational data for precise policy formulation. Furthermore, by complementarily understanding the dynamic mechanisms of inflation through network analysis, it established grounds for proactively identifying spillover effects arising from sectoral interactions and effectively managing the associated risks. Such an approach is expected to contribute not only to improving inflation forecasting accuracy but also to enhancing the sophistication of monetary policy.
more목차
I. 서론 3
1. 연구배경 및 목적 3
2. 연구 대상 및 방법 5
II. 선행연구 8
1. 수요 및 공급 주도 인플레이션 분해 8
2. 네트워크 방법론으로 인플레이션 분석 10
3. 인플레이션 예측 12
III. 방법론 15
1. 수요 및 공급 주도 인플레이션 분해 방법론 15
2. 네트워크 분석 방법론 19
1) 중심성 분석 19
2) 네트워크 연결성 지표 20
3) 클러스터링 정보 거리 21
4) GraphSAGE 22
IV. 분석 결과 24
1. 한국의 수요 및 공급 주도 인플레이션 24
2. 한국의 인플레이션 섹터 네트워크 분석 32
1) 중심성 분석 결과 32
2) 시기별 인플레이션 섹터 간 스필오버 효과 및 구조적 변화 33
3) 인플레이션 예측 성능 비교 38
V. 결론 및 시사점 42
참고문헌 45