A Machine Learning Approach for Manufacturing Cost Estimation

[연구목적] 본 연구는 제조원가의 구성 요소인 재료원가, 노무원가, 제조경비를 추정하기 위한 기계학습 학습모형을 제시하고, SHAP value를 활용하여 예측 변수의 기여도를 파악해 보는 것을 목적으로 한다.<br/>[연구방법] 본 연구는 제조원가명세서를 공시한 제조 기업을 대상으로 1990년에서 2022년까지의 110,556개 기업－연도 표본을 활용하였다. 목표 변수는 재료원가, 노무원가, 제조경비이며, 예측 변수로는 26개의 회계 변수와 업력, 종업원 수, 생산자 물가지수 등 6개의 비회계정보 변수들을 포함하였다. 머신러닝 기법인 XGBoost, Random Forest, LightGBM, GBM 알고리즘과 딥러닝 기법인 MLP 알고리즘을 적용하여 추정 성능을 확인하고, 성능을 극대화하기 위한 앙상블 기법을 적용하였다. 더불어, SHAP 분석을 통한 우수 학습모형의 예측변수 기여도를 추정하였다.<br/>[연구결과] 기계학습 알고리즘을 적용한 결과, 재료원가와 노무원가를 예측하는 것에 전반적으로 우수한 성능을 보였으며, 특히 XGBoosting, GBM 알고리즘과 블렌딩 앙상블 기법이 높은 추정성능과 오차 발생을 안정적으로 통제하는 것으로 나타났다. 더불어, SHAP value를 통해 원가 요소별 예측 변수의 차별적 기여도를 확인하였다.<br/>[연구의 시사점] 회귀분석과 같은 엄격한 통계 가정을 가진 전통적 방법론으로 추정하기 어려운 원가정보를 기계학습을 통해 추정함으로써 새로운 원가추정방법론의 적용 가능성을 시사한다. 이는 추후 보완된 모형을 통해 실증 자료로 다양한 학술적 및 정책적 연구에 적용 가능하다는 점에 시사점을 가진다.