The Korean Society Fishries And Sciences Education

[ Article ]

The Journal of the Korean Society for Fisheries and Marine Sciences Education - Vol. 33, No. 1, pp.20-32

ISSN: 1229-8999 (Print) 2288-2049 (Online)

Print publication date 28 Feb 2021

Received 12 Nov 2020 Revised 31 Dec 2020 Accepted 13 Jan 2021

DOI: https://doi.org/10.13000/JFMSE.2021.2.33.1.20

SFA를 이용한 오징어 근해채낚기어업의 생산성 및 기술적효율성 추정에 관한 연구

손진곤 ; 박철형^†

부경대학교(학생)
†부경대학교(교수)

An Estimation of Productivity and Technical Efficiency in Squid Jigging Fishery Using SFA

Jin-Gon SON ; Cheol-Hyung PARK^†

Pukyong National University(student)
†Pukyong National University(professor)

Correspondence to: ^†051-629-5319, chpark@pknu.ac.kr

Abstract

This study is to estimate a SFA production function of squid jigging fishery to assess marginal productivity of fishing efforts and technical efficiency and to test the returns to scale in production. we found that all of squid jigging fishery were in CRS among 26 fishing vessels under our study. The estimate of average technical efficiency was only 75.9% indicating the existence of technical inefficiency in squid jigging fishery production. Looking at each year, it fell sharply to 74.5% in 2014 and 70.6% in 2016, and then recovered again the following year. It is analyzed that the efficiency decreased due to the fall in domestic squid prices due to the squid big catch in the Falkland Sea in 2014, and in 2016, the efficiency decreased because of the price rigidity caused by the large inventory along with the decrease in domestic squid production. As the exogenous determinant factors of technical efficiency, sales management costs had positive impact on efficiency as anticipated, and by region, Gangwon was found to be more efficient than Gyeongbuk as well as Busan·Ulsan.

Keywords:

SFA, Production function, Technical efficiency, Marginal productivity, Squid jigging fishery

Ⅰ. 서 론

오징어는 멸치, 고등어, 명태 등과 더불어 우리나라에서 가장 많이 소비되는 대중성 어종이다. 국내 오징어 생산은 연근해산과 원양산으로 구분되는데, 2000년대 이후 연근해산 오징어는 연간 15~20만 톤, 원양산 오징어는 8~17만 톤의 생산량을 유지해 왔다(FOC, 2020).

그러나 지구온난화로 인한 수온의 상승과 중국 어선들의 싹쓸이 조업에 의해 연근해산 오징어 생산량은 2016년부터 급격히 감소하기 시작하여 2019년에는 약 5만 톤이 생산되었고, 원양산 오징어 또한 포클랜드해역에서의 극심한 조업부진이 이어지면서 2015년 약 15만 톤에서 2019년에는 16.7% 수준에 불과한 약 2만 5천 톤을 생산하는데 그쳤다(FOC, 2020).

이처럼 2016년부터 시작된 국내 오징어 수급불균형의 심화는 오징어 가격의 가파른 상승으로 이어졌고, 이로 인해 각종 국내 오징어 산업체들이 유휴화 및 폐업으로 이어지는 등 생산, 유통, 가공, 소비에까지 연쇄적으로 상황이 악화되고 있다(YTN, 2018).

이에 정부는 근해채낚기, 대형트롤어선을 직권 감척하고, 총허용어획량(Total Allowable Catch: TAC) 직권 설정, ‘총알오징어’ 어획 금지, 불법 공조조업 단속을 강화하는 등 오징어 자원회복을 위해 많은 노력을 기울이고 있다. 뿐만 아니라 오징어 자원량 감소로 가장 직접적인 피해를 겪고 있는 동해안지역 근해채낚기어선들의 경영난 구제를 위해 긴급경영안정자금을 지급하기도 하였다.

그러나 오징어 자원량은 여전히 회복되지 않고 있으며, 서남해 근해자망어선들까지 동해에 진출하여 오징어를 포획함에 따라 동해안지역 근해채낚기어선들의 경영난은 더욱 심화되고 있는 실정이다.

따라서 본 연구는 이러한 국내 오징어 산업의 위기 상황에서 연근해산 오징어 생산을 대표하는 업종인 동해안지역 근해채낚기어업의 생산효율성을 분석해 보고자 한다. 구체적으로는 전통적 어획노력량들을 투입변수로 하여 확률변경 생산함수(Stochastic Frontier Production Analysis: SFA)를 추정함으로써 투입요소인 어획노력량들의 한계생산성과 생산탄력성을 추정하고 규모의 경제를 검정한다. 아울러 개별어선들의 기술적효율성을 추정하고 외생적 결정요인들의 한계효과 등 생산측면에서의 다양한 정보들을 도출한다. 이를 통해 근해채낚기어업이 처한 어려움을 타계할 수 있는 정책적 함의를 제시하고자 한다.

SFA분석에 대한 선행연구로 Yang et al.(2012)은 SFA기법을 이용해 공공병원의 효율성을 추정하고 시간의 흐름에 따른 기술적 효율성의 개선 여부를 확인하였다. Sul and Kwon(2012)은 SFA생산함수를 추정하고, 중국의 외자유입은행을 대상으로 효율성을 결정하는 요인들을 검증하였다.

어선어업의 생산함수를 추정한 선행연구로는 Kim and Kang(1993)은 낭장망어업의 생산함수를 추정하고 기술적한계대체율을 도출하였다. Kim and Park(2017)은 DEA와 SFA 두 분석기법을 비교하여 근해어업의 어업수입 효율성을 분석하였다. Cho et al.(2017)은 SFA기법을 이용하여 원양연승어업 어선들을 대상으로 생산효율성을 추정하였다. Kim and Park(2019)은 원양연승어선과 원양선망어선의 생산함수를 추정하고 효율성을 분석하였다. Park(2020)은 근해어업의 생산성과 기술적효율성을 추정하고 어선감척사업의 필요성과 당위성을 확보하였다.

본 연구의 구성으로는 먼저 Ⅱ장에서는 SFA생산함수의 구체적 형태를 논의하고 기술적비효율성에 대한 SFA모형의 이론적 배경을 살펴본다. Ⅲ장에서는 SFA생산함수의 추정결과를 살펴보고 연도별, 어선별 어획노력량의 생산탄력성과 한계생산성을 도출한다. 또한 기술적효율성의 추정치와 신뢰구간을 분석하고, 결정요인들의 한계효과를 추정한다. 마지막으로 Ⅳ장에서는 결론과 시사점, 그리고 연구의 한계점을 기술한다.

Ⅱ. 연구 방법

1. 확률효율변경분석법(SFA)

기술적효율성(Technical Efficiency)의 개념은 Farell(1957)의 정의에 따라 일정한 생산요소의 투입과 주어진 기술수준에서 생산 가능한 최대의 산출량과 실제 생산량 간의 차이를 의미한다(Yang et al., 2012). 기술적효율성을 추정하는 방법에는 비모수적 접근방법인 선형계획법을 활용한 자료포락분석(Data Envelopment Analysis: DEA)과 모수적 접근방법인 계량경제학적 방법론을 활용한 확률효율변경분석(SFA)이 있다. 확률효율변경분석은 Aigner(1977)와 Meeusen and Van Den Broeck(1977) 그리고 Schmidt and Lovell(1979)의 연구에 의해 처음으로 도입되었다. 이러한 확률효율변경분석은 모형에 대한 통계적 검정 뿐만 아니라 생산함수의 기술적비효율성과 비용함수의 기술적효율성 추정에도 적용될 수 있기 때문에 계량경제학에서 지금까지도 각광받고 있다.

본 연구에서는 먼저 가장 일반적인 콥 더글라스(Cobb-Douglas) 생산함수와 트랜스로그(Trans-Log) 생산함수를 활용하여 SFA생산함수를 추정하였다. 식(1), (2)는 각각 콥 더글라스 생산함수와 트랜스로그 생산함수의 방정식을 나타낸 것이다.

l n Y i t = β 0 + β 1 ln X 1 i t + β 2 ln X 2 i t + β 3 ln X 3 i t + ν i t - u i t

(1)

ln Y = β 0 + β 1 ln X 1 + β 2 ln X 2 + β 3 ln X 3 + 1 / 2 β 4 ln X 12 + 1 / 2 β 5 ln X 22 + 1 / 2 β 6 ln X 32 + β 7 ln X 1 ln X 2 + β 8 ln X 1 ln X 3 + β 9 ln X 2 ln X 3 + ν - u

(2)

여기서 종속변수 Y는 어업수입을 의미하며, X₁은 마력수, X₂는 톤수, X₃는 인건비를 나타내는 어획노력량의 투입변수들을 나타낸다. 그리고 복합확률오차항을 구성하고 있는 상호독립의 ν_it와 u_it의 확률분포는 ν_it가 전형적인 선형회귀모형의 확률오차항 분포인 $ν i t ∼ i i d N 0, σ ν 2$ 의 독립적이고 동일한 정규분포를 따른다고 가정한다. 반면, u_it의 확률분포는 기술적비효율성의 시간가변성과 시간불변성의 차이를 고려해야 하며, 반정규분포, 절삭정규분포, 지수분포 등의 다양한 형태를 가질 수 있다. 본 연구에서는 모형의 확장성을 고려하여 절삭정규분포인 $u i t ∼ i i d N + 0, σ ν 2$ 를 가정하였다.

Battese and Coelli(1992)는 이러한 기술비효율성의 시간가변성을 모형화하기 위해 식(3)과 같이 u_it의 분포를 시점을 고려한 함수식에 절삭정규분포를 곱하는 형태의 시간가변쇠퇴모형(Time-variant Decay Model)을 설정하였다. 여기서 T는 i번째 개체의 마지막 시점을, η는 시간쇠퇴모수(Time Decay Parameter)를 나타낸다.

u i t = e x p - η t - T u i

(3)

또한 Battese and Coelli(1995)는 기술적비효율성의 외생적 결정요인을 모형에 포함하여 SFA생산함수모형을 확장하였다. 이는 절삭정규분포의 평균이 외생변수에 의해 모수화되는 형태로 식(4)와 같이 기술적비효율성의 분포를 설정하였다.

u i t ∼ i i d N + μ i t, σ ν 2, μ i t = Z i t α

(4)

여기서 Z_it는 기술적비효율성을 결정하는 외생적 결정요인들로 구성된 변수들이며, α는 추정의 대상이 되는 비효율성효과를 나타내는 모수벡터이다.

다음으로 투입변수의 마력수, 톤수, 생산관리비의 한계생산력을 연도별 및 DMU별로 추정하기 위해 다음의 추정량을 이용하였다.

ϵ 1 = ∂ ln Y ∂ ln X 1 = β 1 + β 2 ln X 1 ¯ + β 7 ln X 2 ¯ + β 8 ln X 3 ¯

(5)

ϵ 2 = ∂ ln Y ∂ ln X 2 = β 2 + β 5 ln X 2 ¯ + β 7 ln X 1 ¯ + β 9 ln X 3 ¯

(6)

ϵ 3 = ∂ ln Y ∂ ln X 3 = β 3 + β 6 ln X 3 ¯ + β 8 ln X 1 ¯ + β 9 ln X 2 ¯

(7)

또한 규모에 대한 수확불변을 검정하기 위해 식(8)의 귀무가설을 이용하였다.

H 0 : ϵ 1 + ϵ 2 + ϵ 3 = 1

(8)

마지막으로 투입변수의 한계생산성은 식(9)의 추정량들을 이용하여 도출하였다.

∂ Y ∂ X 1 = ϵ 1 Y ¯ Χ ¯, ∂ Y ∂ X 2 = ϵ 2 Y ¯ X ¯ 2, ∂ Y ∂ X 3 = ϵ 3 Y ¯ X ¯ 3

(9)

2. 분석자료의 개요

SFA 생산함수를 추정하기 위해 본연구에서는 한국수산자원공단 『연근해어업실태조사사업』 보고서에서 2013년부터 2017년까지 5개년 동안의 우리나라 오징어 근해채낚기어선에 대한 패널자료를 추출하여 이용하였다. 분석에 사용된 변수는 종속변수로 어업수입을, 투입변수로는 마력수, 톤수, 인건비를 사용하였다. 기술적비효율성의 외생적 결정요인을 구성하는 변수로는 근해채낚기어선들의 지역별 효율성 차이를 보기 위해 강원, 경북, 부산·울산의 지역별 더미변수와 판매수수료, 운송비, 포장비 등을 포함하는 판매관리비를 활용하였다. 판매관리비의 경우 95% 이상이 판매수수료가 차지하고 있는데, 판매수수료는 근해채낚기어선들이 수협에 지불하는 오징어 위판수수료이며, 보통 판매금액의 4.5% 내외이다. 따라서 오징어 위판량의 추이를 짐작할 수 있기 때문에 외생적 결정요인 변수로 활용하게 되었다. 이밖에 근해채낚기어업에서 중요한 집어등 광력, 선원의 숙련도 및 어장확보력, 조상기 개수 등은 자료를 확보할 수 없었기 때문에 모두 누락변수로서 확률오차항에 포함하는 것으로 가정하고 분석을 실시하였다. 한국수산자원공단 『연근해어업실태조사사업』에서 전체 오징어 근해채낚기어선 표본자료 개수는 53개였으며, 이 중 2013년부터 2017년의 기간 동안 어선번호가 동일하고, 어획비율이 전량 오징어인 표본 26개를 최종 선정하였다. 지역별로는 경북 13개, 강원 7개, 부산·울산 6개이다. <Table 1>은 각 변수별 분석자료의 기초통계량을 나타내고 있다.

Summary statistics of data(Unit : 1,000 won)

Ⅲ. 결과 및 고찰

1. SFA생산함수 추정

가. 분석모형의 선택

<Tabe 3>은 SFA생산함수들을 최우추정법으로 추정한 결과를 나타낸다. 먼저 <Table 2>에서는 기술적비효율성의 시간불변성을 가정하고 콥 더글라스 생산함수와 트랜스로그 생산함수(Trans1)를 추정한 결과를 비교하였다. 두 모형 모두 마력수, 톤수, 인건비에 대해서 유의적으로 추정되었으며, 모형 선택을 엄정하게 하기 위해 우도비검정(log-likelihood)을 실시하였다. 우도비검정의 검정통계량은 $χ 62$ =19.18로 추정되었으며, 1%의 유의수준에서 콥 더글라스 생산함수보다 트랜스로그 생산함수가 데이터를 잘 설명하고 있음을 알 수 있었다.

Estimation results of likelihood ratio test between production functions

나. 비효율성의 시간가변성 검정

<Table 3>의 Trans2모형은 기술적비효율성의 시간가변성을 검정하기 위해 Battese and Coelli(1992)의 제안에 따라 식(3)을 이용하여 트랜스로그 생산함수를 재추정한 것이다. η의 계수가 유의적이지 않은 것으로 추정됨으로써 오징어 근해채낚기어업의 기술적비효율성이 시간의 흐름에 따른 기술효율성의 변화에 개선이 없다는 것을 확인할 수 있었다. 이는 어업의 경우 일반기업과는 달리 날씨, 수온, 자원량 등과 같은 환경적 측면에서 많은 제약이 따르며, 특히 오징어 근해채낚기어업은 오징어 어획이 부진할 경우 이를 대체할 수 있는 어획종이 없어 시간변화에 따른 효율성을 개선하는데 제한점이 있기 때문인 것으로 판단된다.

Estimation results of SFA production function

다. 비효율성의 외생적 결정요인 분석

<Table 4>은 Battese and Coelli(1995)논의에 따라 기술적비효율성에 대한 외생적 결정요인들을 식(4)를 이용하여 확장한 SFA생산함수모형을 추정한 것이다. 외생적 결정요인들을 구성하는 변수들로서 강원, 경북, 부산·울산의 지역별 더미변수와 판매수수료, 운송비, 포장비 등을 포함하는 판매관리비를 투입하였다. 절삭정규분포 평균의 위치모수를 결정하는 방정식에서 α₀와 α₁,α₂ 그리고 α₃는 각각 절편, 지역별 더미변수, 판매관리비의 추정계수를 의미한다. 이들은 모두 1%의 유의수준에서 유의한 것으로 나타났다. α₁, α₂의 추정치는 각각 0.445, 0.493으로 이는 강원지역의 근해채낚기어선들에 비해서 경북과 부산·울산지역의 근해채낚기어선들은 여타의 변수들이 동일하다는 전제조건 하에서 0.445, 0.493 단위만큼 평균적으로 기술적비효율성이 추가로 존재한다는 사실을 의미한다. α₃의 추정치는 -0.662로 판매관리비가 한 단위 증가하면 평균적으로 –0.662 단위만큼 기술적비효율성이 감소한다는 것을 의미한다. 앞서 언급한 바와 같이 판매관리비에서 판매수수료가 거의 대부분을 차지하고 있기 때문에 판매관리비의 증가는 오징어 어획량의 증가를 의미한다고 볼 수 있다. 따라서 어획량의 증가는 본 연구의 종속변수인 어업수입의 증가를 유발하기 때문에 기술적효율성이 증가하는 것으로 해석할 수 있다.

Estimation results of SFA production function considering exogenous determinants

2. 생산탄력성 및 한계생산성 추정

본 절에서는 2절의 Trans2모형의 SFA생산함수 추정결과를 식(5),(6),(7)과 (9)를 이용하여 생산요소인 마력수, 톤수, 인건비의 생산탄력성을 추정하고 생산의 규모에 대한 경제를 검정한다. 그리고 개별 어획노력량들의 한계생산력도 추정해보고자 한다.

먼저 <Table 5>는 연도별 추정결과를 나타낸다. 생산탄력성의 추정결과에서 마력수와 인건비의 경우 1%의 유의수준에서 부호가 모두 양으로 추정되었다. 이는 마력수와 인건비의 증가는 어업수입의 증가를 가져온다는 것을 의미한다.

Estimation results of production elasticity and productive capacity by year

특히 [Fig 1]에 나타나듯 마력수의 생산탄력성은 인건비의 생산탄력성보다 두 배 이상 큰 것을 확인할 수 있다. 이들 마력수와 인건비의 한계생산력 역시 1%의 유의수준에서 모두 양으로 추정되었으며, 마력수의 한계생산력이 인건비의 한계생산력보다 월등히 높은 것으로 나타났다. 이는 제한적인 공간의 어선에 노동을 추가적으로 투입하기 보다는 마력수의 증가를 통해 오징어 어군을 따라 빠르게 이동하며 조업을 하는 것이 훨씬 효율적이라는 것으로 해석할 수 있다.

[Fig. 1]

Production elasticity of fishing efforts by year.

하지만 오징어 자원량 감소에 의한 영향으로 마력수의 생산탄력성과 한계생산성은 지속적으로 감소하고 있는 것으로 나타났다.

다음으로 <Table 5>는 규모수익불변(Constant Returns to Scale: CRS)의 검정결과를 나타낸다. 2013년부터 2017년까지의 모든 기간 동안 규모수익불변의 가정을 모두 기각할 수 없는 것으로 나타났다. 따라서 우리나라 오징어 근해채낚기어업은 규모수익불변의 최적수준에 도달한 상태에서 어획활동을 하고 있다는 사실을 보여준다. 그러나 규모수익불변의 정도는 2014년 이후 계속해서 감소하고 있으며, 규모수익체감의 방향으로 이동하고 있는 것으로 나타났다. 이는 오징어 자원량이 지속적으로 감소하는 상황이기 때문에 수익성이 악화된 근해채낚기어선들의 감척이 필요할 수도 있다는 사실을 의미하며, 오징어 자원회복을 위해 2021년에 실시할 예정인 근해채낚기어선에 대한 직권감척은 선제적인 정책 처방임을 보여준다.

<Table 6>은 26개 DMU들의 마력수, 톤수, 인건비의 탄력성과 한계생산력, 그리고 규모의 경제(Economy of Scale)에 대한 검정결과를 보여준다. 우선 마력수의 생산탄력성은 DMU21, DMU24, DMU25를 제외한 모든 DMU들이 양의 부호로 추정되었다. 이 중 12개의 DMU가 1% 또는 5%의 수준에서 통계적으로 유의하였으며, 마력수의 증가를 통해서 어업수입을 증대시킬 수 있는 것으로 나타났다.

Estimation of production elasticity and productive capacity by DMU

특히 DMU17, DMU8, DMU20, DMU16, DMU19는 탄력성 추정치 값이 1을 상회하고 있어 마력수 증가를 통해 어업수입을 증대시킬 수 있는 여지가 다른 어선들에 비해 상대적으로 높은 것으로 나타났다. 한편, 마력수 추정치의 최소값은 -0.473으로 이는 DMU25에 해당한다. DMU25의 경우 전체 DMU들 중 가장 높은 마력수를 기록하고 있었으나, 통계적 유의성이 없는 것으로 나타나 마력수가 최대치에 도달한 것으로 분석되었다.

마력수의 한계생산력 추정치 역시 생산탄력성과 동일한 양상을 보여주었다. DMU17이 1131.239로 가장 높게 추정되어 1% 수준에서 유의하였으며, DMU25의 한계생산력이 -409.706으로 가장 낮게 추정되었다.

톤수의 생산탄력성은 DMU1, DMU24, DMU26, DMU22, DMU18이 유의한 음의 값으로 추정되어 톤수를 줄임으로써 어업수입을 증대시킬 수 있는 것으로 나타났다. 이는 오징어 자원량 감소로 인해 생산량 자체가 전반적으로 적어 배의 규모를 줄여야 한다는 의미로 해석할 수 있다. 이 중 추정값의 절대치가 가장 큰 DMU1과 DMU24의 경우 러시아해역에서 오징어 조업을 하는 70톤급 이상의 근해채낚기어선들로서 2016년과 2017년 러시아해역에서의 극심한 조업부진으로 인한 생산성 감소가 그 원인이 되는 것으로 판단된다. 한계생산력의 추정치 또한 생산탄력성과 동일한 양상을 보여주었다.

인건비의 생산탄력성은 14개의 DMU가 유의성 있는 양의 값으로 추정되었다. 최대값은 0.598로 DMU9에 해당하였고 1%의 수준에서 유의하였다. 최소값은 -0.164로서 DMU25에 해당하였으나 유의성을 확인할 수 없었다. 한계생산력의 추정치 또한 생산탄력성의 추정치와 동일한 양상이었으며, 최대값 1.986, 최소값 –0.545로 나타나 톤수와 마력수에 비해서는 상대적으로 그 값이 매우 작았다.

한편, <Table 6>에서 DMU별 규모에 대한 수익을 검정한 결과 26개 모든 DMU들의 규모는 최적수준에 도달한 상태에서의 조업상황인 것을 확인할 수 있었다.

3. 기술적효율성 및 한계효과 추정

본 절에서는 SFA생산함수의 복합오차항에서 기술적비효율성을 나타내는 오차항의 추정치를 통해 근해채낚기어선들의 기술적효율성을 추정한다. 그리고 95% 신뢰구간을 통해 추정치의 신뢰성을 평가한다. 또한 기술적비효율성 결정요인들의 한계효과도 추정해 보고자 한다. 이러한 다양한 정보들의 추정에 사용된 SFA생산함수는 Battese and Coelli(1955)의 모형에서 절삭정규분포와 비효율성의 결정요인으로 지역별 더미변수와 판매관리비를 사용한 <Table 3>의 모형을 기초로 하였다.

먼저 <Table 7>은 연도별 추정치를 나타낸다. 2013년부터 2017년까지 평균 75.9%의 기술적효율성이 달성된 것으로 분석되었다. 이는 반대로 24.1%의 상대적인 기술적비효율성이 존재하였다는 것을 의미한다. 연도별로 살펴보면 2014년 74.5%, 2016년에는 70.6% 수준까지 크게 하락하였다가 이듬해 다시 회복되는 양상을 보여준다. 이러한 이유로는 2014년 포클랜드해역의 원양오징어 대풍어로 인한 국내 연근해산 오징어 산지가격의 하락, 그리고 2016년에는 연근해산 오징어의 생산량이 감소했으나, 많은 재고량으로 인한 가격경직성에 의한 것으로 판단된다. 95% 신뢰구간의 상한값과 하한값의 폭을 이용하여 추정치의 상대적인 정밀도를 분석하면 2016년의 추정치가 가장 신뢰할 수 있는 최소값인 0.261의 폭을 보여주었으며, 2013년의 추정치가 0.338로 가장 큰 폭을 보여주어 상대적으로 정밀도가 낮은 것으로 나타났다. 그러나 앞서 언급한 Trans2 모형에서 η의 추정치가 유의적이지 않았던 결과와 같이 연도별 추정치의 95% 신뢰구간을 비교하였을 때 유의적인 차이는 발견할 수 없었다. 다만 점추정치의 연도별 변화추이만 확인할 수 있었다.

Estimation of marginal effect of technical efficiency and inefficiency by year

<Table 8>은 위의 동일한 추정량들에 대한 근해채낚기어선 26척의 어선별 추정치를 정리하여 보여주고 있다. 분석기간 동안의 기술적효율성은 DMU26이 95.4%로 가장 높게 추정되었으며 다음으로 DMU24, DMU2의 순으로 각각 95.2%, 92.7%로 나타났다. 기술적효율성이 가장 낮게 추정된 DMU는 44.5%의 DMU19였으며, DMU14와 DMU13도 각기 48.6%, 53.1%로 낮은 순위에 있는 것을 확인할 수 있었다. 이러한 기술적효율성 추정치들이 통계적으로 유의한 차이가 존재하는지를 검정해보았다. 기술적효율성이 3위에 해당하는 DMU2는 95% 신뢰구간의 하한은 78.4%로 추정되었고, 하위 3위에 해당하는 DMU13의 상한은 67.2%로 추정되어 신뢰구간이 중첩되지 않는 것을 확인할 수 있다.

Estimation of marginal effect of technical efficiency and inefficiency by DMU

따라서 상위 3개 DMU그룹과 하위 3개 DMU그룹은 기술적효율성이 5%의 유의수준에서 유의적인 차이가 있는 것으로 나타났다. <Table 8>의 지역별 더미변수와 판매관리비가 기술적비효율성의 추정치에 주는 한계효과를 살펴보면 다음과 같다. 먼저 판매관리비의 경우 DMU19, DMU13, DMU14가 각각 -0.640, -0.569, -0.546의 순으로 가장 큰 것으로 추정되었다.

이들은 기술적효율성이 가장 낮은 DMU그룹에 속하므로 효율성을 제고하기 위해서는 판매관리비의 대부분을 차지하는 판매수수료, 즉 어획량의 증대방안에 대한 고민이 시급한 것으로 볼 수 있다. 반면 DMU24, DMU26, DMU3은 각기 -0.024, -0.028, -0.068의 순서로 낮게 추정되었다. 따라서 기술적효율성이 높은 그룹에 속한 DMU들의 결정적 요인은 어획량이 상대적으로 많은 어선들이라는 사실을 알 수 있다.

지역별 더미변수가 기술적비효율성에 미치는 한계효과 역시 DMU19, DMU13, DMU14 순으로 가장 높게 추정되었다. 이는 만약 DMU19가 동일한 조건의 투입과 산출을 가정한다면 강원지역에서 경북지역으로 이동할 경우 0.431, 부산·울산지역으로 이동할 경우 0.477 만큼 효율성이 낮아지는 것을 의미한다. 강원지역의 기술적효율성이 높게 추정되는 원인으로는 강원지역의 경우 오징어 유통이 대부분 지역내 소비로 이루어지기 때문에 상대적으로 안정적인 산지가격이 형성되기 때문인 것으로 판단된다.

Ⅳ. 결 론

본 연구는 동해안지역 오징어 근해채낚기어업의 SFA생산함수를 추정하고 투입요소인 톤수, 마력수, 인건비의 한계생산성과 기술적효율성을 추정하였다.

투입변수인 어획노력량에 대하여 생산탄력성을 추정하고 규모의 경제를 검정한 결과 분석 기간 동안 우리나라 오징어 근해채낚기어업은 규모수익불변(Constant Returns to Scale: CRS)의 최적수준에 도달한 상태에서 조업활동을 하고 있는 것으로 분석되었다. 그러나 오징어 자원량 감소의 영향으로 규모수익불변의 정도는 지속적으로 감소하여 규모수익 체감(Decreasing Returns to Scale: DRS)의 방향으로 이동하고 있는 것으로 나타났다. 이는 근해채낚기어업에서 어선감척이 필요 할 수도 있다는 것을 의미한다. 따라서 정부에서 실시할 예정인 근해채낚기어선에 대한 직권감척은 선제적인 정책 처방인 것으로 나타났다.

어획노력량 가운데 마력수와 인건비의 경우 1%의 유의수준에서 부호가 모두 양으로 추정되었다. 특히 마력수는 인건비보다 생산탄력성이 두 배 이상 크게 추정되었으며, 이러한 양상이 한계생산성에서는 압도적인 차이로 나타났다. 이는 공간이 한정적인 어선에 추가적으로 노동을 투입하기 보다는 남하하는 오징어 어군을 따라 빠르게 이동하며 조업을 하는 근해채낚기어업의 특성상 마력수를 증가시키는 것이 훨씬 효율적이라는 것을 의미한다.

SFA생산함수를 이용하여 오징어 근해채낚기어업의 기술적효율성을 추정한 결과 평균 24.1%의 기술적비효율성이 존재하는 것으로 추정되어 대체적으로 비효율적으로 조업이 이루어지고 있는 것을 알 수 있었다. 특히 2014년과 2016년에 감소폭이 컸는데, 이는 2014년 원양오징어 생산량 증가에 따른 연근해산 오징어 산지가격 하락, 2016년에는 연근해산 오징어의 생산량이 감소하였으나, 많은 재고량으로 인한 가격의 경직성에 의한 것으로 분석되었다. 또한 신뢰구간을 분석한 결과, 편차가 큰 상위그룹과 하위그룹의 DMU들이 기술적효율성에 유의적인 차이가 있다는 것을 확인할 수 있었다.

기술적효율성의 외생적 결정요인으로 지역별 더미변수와 판매관리비를 모형에 투입한 결과 기술적효율성이 낮은 근해채낚기어선들의 효율성을 제고하기 위해서는 판매관리비의 증가, 즉 어획량의 증대방안에 대한 고민이 시급한 것으로 나타났다. 지역별 더미변수가 기술적비효율성에 미치는 한계효과는 동일한 조건의 투입과 산출을 가정한다면 강원지역이 경북과 부산·울산지역보다 효율성이 높은 것으로 나타났다.

본 연구에서 도출된 결과들을 종합해보면 우리나라 오징어 근해채낚기어업은 규모수익 불변의 상태에 있으나, 그 정도가 계속해서 감소하여 규모수익 체감으로 이동하고 있으며 국내 오징어 산업의 위기 속에서 근해채낚기어업이 생존하기 위해서는 연근해산 오징어의 자원회복이 가장 시급하다는 것을 보여준다. 현재 우리나라 연근해 오징어 자원량 급감의 원인으로는 북한수역내 중국어선들의 싹쓸이 조업에 의한 영향이 큰 것으로 파악되고 있다. 최근 정부는 총허용어획량(TAC) 직권 설정, 불법 공조조업 단속 강화, 2021년 오징어잡이 근해어선 대규모 감척 계획 등 오징어 자원관리에 강한 의지를 보이고 있다. 그러나 경계왕래성어종인 오징어의 특성상 우리나라 해역에만 해당하는 이러한 자원관리 제도에는 한계가 있다. 오징어는 일본해역에서부터 동해, 그리고 북한해역까지 회유하면서 산란·성장하는 어종이다. 따라서 일본 그리고 북한 등 인접한 국가 간 정보의 교류 및 합동 연구를 통해 오징어 자원이 지속가능할 수 있는 적정 어획량을 설정하고 배분해야 할 것으로 판단된다. 이러한 국가 간 공동 자원관리는 장기적으로 지속가능하고 안정적인 연근해산 오징어 생산이 이루어지도록 할 것이다.

본 연구의 한계점은 먼저 연구대상인 근해채낚기어선들의 생산량 자료를 획득할 수 없었기 때문에 생산함수 추정에 부득이 생산금액을 사용하여 직관적인 해석이 힘들었다는 점이다. 그리고 2017년 이후의 연근해어업실태조사사업 자료에 접근할 수 없어 분석기간이 2013년부터 2017년에 그친다는 점이다. 최근 연근해산 오징어 생산량은 계속해서 감소하는 추세에 있기 때문에 동해안지역 오징어 근해채낚기어업은 본 연구의 결과보다 어려운 상황에 놓여 있을 것으로 생각된다. 따라서 향후 최근의 자료가 제공된다면 분석기간의 확장을 통해 현재 근해채낚기어업의 생산성과 효율성에 대한 보다 명확한 진단이 이루어질 것으로 판단된다.

References

Aigner DC, Lovell CAK and Schmidt P(1977). Formulation and Estimation of Stochastic Frontier Production Function Model, Journal of Econometrics, 6(1), 21~37. [https://doi.org/10.1016/0304-4076(77)90052-5]
Battese GE and Coelli TJ(1992). Prontier Production Functions, Technical Efficiencyand Panal Data: With Application to Paddy Farmers in India, Journal of productivity Analysis, 3, 153~169. [https://doi.org/10.1007/BF00158774]
Battese GE and Coelli TJ(1995). A model for technical efficiency effects in a stochastic frontier production function for panel data, Empirical Economics, 20, 325~332. [https://doi.org/10.1007/BF01205442]
Cho HJ, Kim DN, Kim DH, Lee SI, Kwon YJ and Ku JE(2017). Estimating the productive efficienct of distant-water longline vessels in Pacific Ocean using a Stochastic Frontier Approach, Journal of the Korean Society of Fisheries and Ocean Technology, 53(4), 537~362. [https://doi.org/10.3796/KSFT.2017.53.4.357]
Farrell, M.J(1957). The Measurement of Productive Efficiency, Journal of the Royal Statistical Society Series A, General, 120, 253~281. [https://doi.org/10.2307/2343100]
FOC(2020). Observation Statistics. https://www.foc.re.kr/web/obstats/stats.do?rbsIdx=90
Kim HS and Park CH(2019). Analysis on the Productivity of Overseas Tuna Fisheries by Fishing Boat Using SFA, Journal of Fishries and Marine Sciences Education, 31(2), 426~37. [https://doi.org/10.13000/JFMSE.2019.4.31.2.426]
Kim JW and Park CH(2017). A study on the Efficiency of Korean Offshore Fisheries comparing between SFA and DEA, The Journal of Maritime Business, 37, 60~82.
Kim KS and Kang YJ(1994). An Estimation of Production Function in the Coastal Fishing, The Journal of Fisheries Business Administration, 5, 273~286.
Meeusen W and Van Den Broeck J(1977). Efficiency Estimation from Cobb-Douglas Production Functions with Composed Error, International Economic Review, 18, 435~444. [https://doi.org/10.2307/2525757]
Park CH(2020). An Estimation of Productivity and Technical Efficiency in Adjacent Water Fisheries using SFA, The Journal of Maritime Business, 46, 25~48.
Sul WS and Kwon IL(2012). Efficiency Determinants in Chinese Commercial Banks with Foreign Capital Inflows, 16(4), 331~351.
Yang DH, Jang YJ and Rho JW(2012). An Analysis on Technical Inefficiency of Regional Public Hospitals using Stochastic Production Frontier Model, The Korean Journal of Health Economics and Policy, 18(4), 41~64.
YTN(2018.02.03). https://www.ytn.co.kr/_ln/0115_201802030539311896, .

	Mean	S.D.	Min	Max
Hp	671	117	440	1,014
Ton	36	14	15	77
Wage	174,906	101,367	9,000	858,000
Fishery income	580,778	249,367	125,703	1,516,823
Sales management expense	25,700	16,183	629	75,060

Model	Cobb-Douglas		Trans1		Trans2
Coefficient	Estimate	Standard error	Estimate	Standard error	Estimate	Standard error
Note: *,, and * represents statistically significant at 1%, 5%, and 10% respectively.
β₀	4.061***	1.246	-112.635***	41.488	-112.641***	41.720
β₁	0.730***	0.168	25.004***	9.721	24.858***	9.779
β₂	-0.143**	0.736	7.443*	4.004	7.413*	4.017
β₃	0.429***	0.470	4.493*	2.631	4.583*	2.643
β₄			-1.930	1.542	-1.887	1.550
β₅			-0.024	0.289	-0.028	0.290
β₆			0.203***	0.070	0.202***	0.070
β₇			-0.576	0.593	-0.571	0.595
β₈			-0.817**	0.368	-0.829**	0.370
β₉			-0.316**	0.140	-0.315**	0.140
μ					0.602	0.551
η					-0.406	0.498
χ²	100.90		137.64		137.13
Likelihood value	-39.9001		-30.3106		-30.3930

Coefficient	Estimate	Standard error	Z-score	P-value
Note: *,, and * represents statistically significant at 1%, 5%, and 10% respectively.
β₀	-67.590*	40.555	-1.670	0.096
β₁	22.116**	9.370	2.360	0.018
β₂	4.266	4.089	1.040	0.297
β₃	-0.187	2.537	-0.070	0.941
β₄	-2.681*	1.398	-1.920	0.055
β₅	-0.258	0.244	-1.060	0.290
β₆	0.338***	0.097	3.500	0.000
β₇	0.102	0.571	0.180	0.858
β₈	-0.377	0.352	-1.070	0.284
β₉	-0.342**	0.146	-2.340	0.019
α₀	1.198***	0.311	3.850	0.000
α₁ (State: Kyeongbuk)	0.445***	0.183	2.440	0.010
α₂ (State: BusanUlsan)	0.493***	0.187	2.630	0.008
α₃ (Sales management expense)	-0.662***	0.189	-3.500	0.000
λ	1.574	0.067	23.470	0.000
χ²	46.04
Likelihood value	-1.9784

Year	Production elasticity			CRS	Marginal productivity(1,000won)
Year	Hp	Ton	Wage	CRS	Hp	Ton	Wage
Note: *,, and * represents statistically significant at 1%, 5%, and 10% respectively
2013	0.601***	-0.051	0.213***	0.891	520.578***	-833.273	0.707***
2014	0.660***	-0.015	0.170**	0.935	571.683***	-245.080	0.564**
2015	0.537***	-0.077	0.226***	0.814	465.142***	-1258.079	0.750***
2016	0.521***	-0.052	0.200***	0.802	451.283***	-849.612	0.664***
2017	0.499***	-0.052	0.199***	0.784	432.227***	-849.612	0.661***
Mean	0.564	-0.049	0.202	0.845	488.182	-807.132	0.669
S.D.	0.059	0.020	0.019	0.058	51.079	323.589	0.062
Min	0.499	-0.077	0.170	0.784	432.227	-1258.079	0.564
Max	0.660	-0.015	0.226	0.935	571.683	-245.080	0.750

DMU	Production elasticity			CRS	Marginal productivity(1,000won)
DMU	Hp	Ton	Wage	CRS	Hp	Ton	Wage
Note: *,, and * represents statistically significant at 1%, 5%, and 10% respectively
DMU1	0.566	-0.352**	0.057	0.112	490.261	-5751.221**	0.189
DMU2	0.389	0.056	0.152*	0.809	336.946	914.967	0.505*
DMU3	0.904	-0.306	-0.020	0.350	783.032	-4999.641	-0.066
DMU4	0.452**	0.009	0.021	0.582	391.516**	147.048	0.070
DMU5	0.452***	-0.042	0.266***	0.864	391.516***	-686.225	0.883***
DMU6	0.145	0.102	0.077	0.576	125.597	1666.547	0.256
DMU7	0.734	0.435*	-0.110	1.342	635.781	7107.332*	-0.365
DMU8	1.129***	-0.128	0.223**	1.204	977.924***	-2091.353	0.740**
DMU9	0.967**	0.046	0.598***	1.936	837.602**	751.580	1.986***
DMU10	0.972***	-0.021	-0.026	0.882	841.933***	-343.113	-0.086
DMU11	0.922***	-0.121	0.120	0.891	798.624***	-1976.982	0.398
DMU12	0.303	-0.116	-0.086	0.085	262.454	-1895.289	-0.286
DMU13	0.965***	0.150	0.106	1.368	835.870***	2450.804	0.352
DMU14	0.489	0.147	0.062	0.910	423.565	2401.788	0.206
DMU15	0.187	-0.178	0.295***	0.462	161.977	-2908.288	0.980***
DMU16	1.101***	0.090	0.185*	1.496	953.671***	1470.483	0.614*
DMU17	1.306***	0.002	0.444***	1.904	1131.239***	32.677	1.474***
DMU18	0.742***	-0.168**	0.370***	1.043	642.710***	-2744.901**	1.229***
DMU19	1.022***	0.103	0.162	1.421	885.242***	1682.886	0.538
DMU20	1.121**	0.038	0.590***	2.036	970.995***	620.870	1.959***
DMU21	-0.089	-0.043	0.334***	0.525	-77.091	-702.564	1.109***
DMU22	0.198	-0.220**	0.248***	0.327	171.505	-3594.513**	0.823***
DMU23	0.147	-0.163	0.369***	0.564	127.329	-2663.207	1.225***
DMU24	-0.048	-0.303*	0.503***	0.369	-41.577	-4950.624*	1.670***
DMU25	-0.473	-0.049	-0.164	-0.551	-409.706	-800.596	-0.545
DMU26	0.046	-0.254*	0.459***	0.463	39.845	-4150.028*	1.524***
Mean	0.563	-0.041	0.201	0.845	488.029	-808.137	0.669
S.D.	0.455	0.170	0.209	0.608	393.718	2803.148	0.694
Min	-0.473	-0.352	-0.164	-0.551	-409.706	-5751.221	-0.545
Max	1.306	0.435	0.598	2.036	1131.239	7107.332	1.986

Year	Efficiency	Confidence interval		Marginal effect of inefficiency
Year	Efficiency	95%L	95%U	State1 (Kyungbuk)	State2 (BusanUlsan)	Sales management expense
2013	0.783	0.607	0.945	0.171	0.189	-0.254
2014	0.745	0.593	0.876	0.225	0.249	-0.335
2015	0.779	0.619	0.896	0.191	0.212	-0.284
2016	0.706	0.563	0.824	0.206	0.228	-0.307
2017	0.784	0.629	0.913	0.175	0.194	-0.261
Mean	0.759	0.602	0.891	0.194	0.215	-0.288
S.D.	0.031	0.023	0.040	0.020	0.022	0.030
Min	0.706	0.563	0.824	0.171	0.189	-0.335
Max	0.784	0.629	0.945	0.225	0.249	-0.254

DMU	Efficiency	Confidence interval		Marginal effect of inefficiency
DMU	Efficiency	95%L	95%U	State1 (Kyungbuk)	State2 (BusanUlsan)	Sales management expense
DMU1	0.760	0.536	0.866	0.216	0.240	-0.322
DMU2	0.927	0.784	0.998	0.122	0.135	-0.068
DMU3	0.914	0.756	0.997	0.046	0.050	-0.182
DMU4	0.872	0.686	0.994	0.159	0.176	-0.236
DMU5	0.905	0.751	0.995	0.067	0.074	-0.100
DMU6	0.770	0.579	0.956	0.172	0.191	-0.256
DMU7	0.553	0.407	0.733	0.354	0.392	-0.527
DMU8	0.676	0.510	0.857	0.277	0.306	-0.412
DMU9	0.788	0.594	0.972	0.185	0.205	-0.275
DMU10	0.569	0.440	0.691	0.311	0.344	-0.462
DMU11	0.662	0.513	0.804	0.313	0.347	-0.466
DMU12	0.555	0.409	0.731	0.340	0.377	-0.506
DMU13	0.531	0.397	0.672	0.382	0.423	-0.569
DMU14	0.486	0.368	0.610	0.367	0.406	-0.546
DMU15	0.837	0.675	0.966	0.122	0.135	-0.182
DMU16	0.731	0.544	0.933	0.172	0.190	-0.256
DMU17	0.788	0.596	0.966	0.222	0.246	-0.330
DMU18	0.861	0.702	0.970	0.120	0.133	-0.179
DMU19	0.445	0.327	0.591	0.431	0.477	-0.640
DMU20	0.816	0.652	0.953	0.138	0.153	-0.206
DMU21	0.875	0.711	0.985	0.088	0.098	-0.131
DMU22	0.872	0.704	0.987	0.081	0.089	-0.120
DMU23	0.887	0.736	0.985	0.073	0.081	-0.109
DMU24	0.952	0.843	0.999	0.016	0.018	-0.024
DMU25	0.758	0.571	0.947	0.245	0.272	-0.365
DMU26	0.954	0.848	0.999	0.019	0.021	-0.028
Mean	0.759	0.601	0.891	0.194	0.215	-0.288
S.D.	0.150	0.147	0.131	0.119	0.132	0.177
Min	0.445	0.327	0.591	0.016	0.018	-0.640
Max	0.954	0.848	0.999	0.431	0.477	-0.024