「온난화로 쌀도 물고기도 급감」은 사실인가──AI와 정부 통계로 조사했더니, 진정한 주범은 따로 있었다
요약
정부 통계 데이터와 AI(Claude)를 활용하여 쌀 및 어획량 감소의 원인을 분석한 기사입니다. 분석 결과, 생산량 감소의 주된 원인은 온난화보다 종사자 수 감소에 있으며, 기후 변화는 특정 이상년에만 유의미한 영향을 미침을 밝혀냈습니다.
핵심 포인트
- 쌀과 어획량 감소의 핵심 원인은 온난화보다 종사자 감소임
- Python과 e-Stat API를 활용한 데이터 자동 취득 및 분석
- Claude를 활용한 가설 심화 및 데이터 해석 과정 포함
- 상관계수(r)와 p-value를 이용한 통계적 검증 수행
시리즈: 「계절을 결정하는 것은 누구인가」 스핀오프 / 1차 산업 편
데이터: e-Stat (작물 통계·식료 수요 공급표·어업 생산 통계·센서스 누계) + 기상청 전국 기온 편차 + 벚꽃 개화일
분석 스타일: Python (e-Stat API) 자동 취득 + AI (Claude)와의 대화를 통한 가설 심화
관련: 2021년, 기상청은 계절 관측을 축소했다──그전에 수집한 데이터가 말해주는 것
최근 몇 년간, 매 여름마다 「기록적 폭염」이라는 헤드라인이 늘어선다. 슈퍼마켓의 쌀값이 오른 2023년, 어획량 뉴스, 농가의 고령화──체감과 뉴스가 겹쳐지며, "온난화로 식료품이 위험해지는 것 아닐까?"라고 생각한 사람은 적지 않을 것이다.
나도 그렇게 생각하여 e-Stat (정부 통계 종합 창구)를 열었다.
그러자, 확실히 숫자는 떨어져 있었다.
| 지표 | 과거 → 현재 |
|---|---|
| 쌀 국내 생산 | 1960년대 약 1,300만 톤 → 2010년대 약 850만 톤 (▲35%) |
| 해면 어업 어획량 | 1980년대 약 1,075만 톤 → 2010년대 약 377만 톤 (▲65%) |
| 전국 기온 편차 | 1960년대 -0.78℃ → 2020년대 +0.98℃ |
"역시 더워져서 줄어든 건가?"──여기서 많은 분석은 끝난다.
나의 분석도 여기서 한 번, 완전히 잘못된 방향으로 나아갔다.
분석 도중에 나타난 수수께끼는 AI를 대화 상대로 삼아 하나씩 풀어 나갔다. 그 과정에서 보인 것이 이 기사의 구조다.
3줄 요약:
- 쌀도 물고기도 장기적으로 급감하고 있지만, 최대 원인은 온난화보다 종사자 감소였다
- 면적이나 종사자 수로 보정하면, 농업도 어업도 의외로 선전하고 있었다
- 다만 폭염이나 냉해의 해에는 기후 쇼크가 뚜렷하게 나타난다
📊 숫자로 읽기 (상세 버전)
- 주범은 종사자의 소멸: 어업 종사자 수와 기온 편차의 상관관계 $r=-0.73$은 어획량 $r=-0.52$보다 강하다
- 전국 합계 CPUE(단위 노력당 어획량)의 보합세는 정어리가 상쇄한 착시: CPUE 전체($r=+0.161$, 유의미하지 않음)에서도 정어리를 제외하면 $r=+0.308$ (p=0.021)로 유의미하게 변화──바다의 내용물이 바뀌고 있었다
- 기후는 이상년에만 이빨을 드러낸다: 기술 트렌드를 제거한 잔차에서 1993년 냉해·난후년의 하락세가 부상
쌀은 1,300만→850만 톤 (▲35%), 어획량은 **1,075만→377만 톤 (▲65%)**의 급감이지만, "온난화로 전멸"도 "기술로 만사 OK"도 아니다. 총량 → 1인당 생산 → 트렌드 제거 → 이벤트 연 → 어종별 보정의 5단계로 해체한다.
데이터 업데이트 참고 사항
본고의 API 자동 취득 중단 구간: 쌀 수확량 (작물 통계) 2017년산까지, 어획량 2015년까지, 어업 종사자 누계 2021년까지, 기간 농업 종사자 2017년까지. 2023년 어업 센서스 종사자 12.1만 명, 2025년 농림업 센서스 종사자 약 103.6만 명 (평균 67.7세)은 정부 발표치로 보완. 2023년 혹서의 정량 평가는 단년도 표 병합 후의 후속편에서 다룬다.
먼저 소박하게, 기온 편차와 생산량의 상관계수 $r$을 계산했다.
| 지표 | $r$ (기온 편차와의 상관관계) |
|---|---|
| 쌀 국내 생산 | -0.60 |
| ... | |
| "더워질수록 줄어든다"──언뜻 보면 온난화설이 뒷받침된 것처럼 보인다. |
📊 r (상관계수)와 p값(p-value)이란? ── 입문자용
r (상관계수) 는 "두 수치가 얼마나 같은 방향으로 움직이는가"를 -1~+1로 나타내는 지표.
| r의 값 | 직관적인 의미 |
|---|---|
| +1.0에 가까움 | 한쪽이 늘어나면 다른 쪽도 늘어남 (강한 양의 관계) |
| ... |
기준: $|r| > 0.5$이면 "중등도 이상", $|r| > 0.7$이면 "상당히 강함".
p값 (p-value) 는 "이 상관관계가 우연히 일어났을 확률".
- p < 0.05 (5% 미만) → "통계적으로 유의미" = 우연이 아니라고 판단
- p ≥ 0.05 → "유의미하지 않음" = 우연일 가능성을 배제할 수 없음
이 기사에서는 별도의 언급이 없는 한, p < 0.05를 "유의미"라고 부른다. r과 p는 세트로 읽는 것이 올바르며, "r이 크더라도 p가 크면 우연일 수도 있다"는 점이 함정이 된다.
이것이 함정이다.
상관관계는 인과관계가 아니다. 그리고 장기 데이터에서는, 다른 거대한 힘이 같은 방향으로, 같은 타임라인에서 움직이고 있다.
이 기사에서는 3단계의 함정을 순서대로 해체한다. 함정 ①: 주체(担い手)의 소멸이 기온과의 유사 상관관계를 만든다. 함정 ②: 단위 수확량(単収)과 CPUE가 「면적 감소·인원 감소」 노이즈 아래에 숨겨져 있다. 함정 ③: 기술 진보 트렌드가 기후 시그널을 가린다.
🔀 「교란 요인(Confounding Factor)」이란 무엇인가? ── 통계의 「그림자 주범」
교란 요인 (Confounding Factor) 이란, 진정한 원인도 결과도 아니면서 원인과 결과 모두에 영향을 주는 「제3의 변수」를 말한다.
유명한 예: 「아이스크림이 많이 팔리는 날은 익사 사고가 많다」
→ 아이스크림이 익사 사고를 일으키는 것이 아니다.
→ 「여름(기온)」 이라는 교란 요인이 아이스크림 매출과 수영 기회 모두를 동시에 늘리고 있을 뿐이다.
이 기사에서 교란 요인의 최종 보스는 「일본의 산업 구조 변화(고령화·과소화)」 이다.
온난화와 농림수산업 주체의 감소는 둘 다 「시간에 따라 진행된다」는 축에서 동기화되어 있기 때문에, 「기온이 올라가면 생산량이 줄어든다」는 가짜 상관관계가 발생한다. 실제로는 기온이 원인이 아니라, 사람이 사라지고 있는 것이다.
e-Stat의 센서스 연표(Census累年表)에서 주체의 인원수를 빼보았다.
| 지표 | 과거 → 현재 (e-Stat 연표) |
|---|---|
| 어업 종사자 수 | 69.9만 명 (1961) → 12.9만 명 (2021) |
| 핵심 농업 종사자 | 503만 명 (1976) → 151만 명 (2017) |
| 쌀 재배 면적 | 220만 ha → 147만 ha (1980s → 2010s) |
2025년 농림업 센서스(2025년 12월 공표)에서는 핵심 농업 종사자가 약 103.6만 명, 평균 연령 67.7세이다. e-Stat API의 연표는 2017년에서 끊겨 있으며, 본고의 자동 파이프라인은 거기까지다. 2023년 어업 센서스(2024년 공표)의 종사자 12.1만 명 또한, 연표 API는 2021년까지이므로, §2 이후의 그래프와 각주에서 공표치를 보완하고 있다.
그리고, 주범을 교체하게 만드는 숫자가 있다.
| 지표 | $r$ |
|---|---|
| 기온 편차 vs 어업 종사자 수 | -0.73 |
| 기온 편차 vs 핵심 농업 종사자 | -0.68 |
| 기온 편차 vs 쌀 재배 면적 | -0.58 |
| 기온 편차 vs 총 어획량 | -0.52 |
종사자 수와의 상관관계가 어획량보다 더 강하다. 이 「종사자 수」야말로 교란 요인의 최종 보스였다.
「더워져서 줄어든」 것이 아니다. 「일본이 풍요로워지며 과소화와 고령화가 진행되는 타임라인」과 「지구가 온난화되는 타임라인」이 시간을 매개로 꽉 맞잡고 있었던 것이다──유사 상관관계의 정체는 바로 여기에 있었다.
그림 5: 왼쪽＝농업, 오른쪽＝어업. 두 개의 꺾은선이 역행하고 있다. 독자가 주목해야 할 점: 총량 감소의 주인공은 기온 곡선이 아니라 종사자의 감소선이다──이 직관을 가진 상태에서 §3 이후로 넘어가 주길 바란다.
총량만 보면 절망적이다. 하지만 분석 설계를 바꾸면 다른 레이어가 보인다.
$$ \text{단위 수확량 (kg/10a)} = \frac{\text{수확량}}{\text{재배 면적}} \times 100 $$
사람이 줄면 논이 황폐해지고 재배 면적이 줄어든다. 하지만 남은 농지에서 1반(tan)당 얼마나 수확했는가로 변환하면, 「종사자 부족」과 「날씨」의 영향을 상당 부분 분리할 수 있다.
| 지표 | $r$ |
|---|---|
| 쌀 수확량 (총량) | -0.41 |
| 쌀 10a당 수확량 | +0.38 |
총량과 부호가 역전된다. 면적 감소를 제외하면 장기적으로 단위 수확량은 보합세~미세 증가 방향이다.
그림 1: 위＝수확량, 중간＝재배 면적, 아래＝10a당 수확량 (주황색 선＝기온 편차). 독자가 주목해야 할 점: 총량은 우하향하지만 단위 수확량은 500kg 전후로 안정적──「줄어든 것은＝더워서」라고는 설명할 수 없다는 것을 깨닫는 순간.
수산 분석에서 자주 사용되는 CPUE (Catch Per Unit Effort: 노력량당 어획량) 의 간이 버전으로서,
$$ \text{CPUE} = \frac{\text{총 어획량 (톤)}}{\text{어업 종사자 수 (명)}} $$
를 계산했다. 간단히 말해 **「어부 1명이 1년 동안 몇 톤을 잡는가」**이다. 종사자가 줄더라도 이 값이 보합세라면 「바다에서 물고기가 사라진 것이 아니라, 배가 나가지 않게 된 것뿐」이라고 읽을 수 있다.
| 지표 | $r$ | p값 |
|---|---|---|
| 총 어획량 | -0.52 | — |
| CPUE (톤/종사자) | +0.161 | 0.236 (유의하지 않음) |
| CPUE (정어리 제외) | +0.308 | 0.021 (★ 유의함) |
1인당 어획량은 보합세~미증. 「일본 바다에서 물고기가 사라졌다」라는 단순한 환경 비관론에 데이터는 그대로 올라타지 않는다.
그림 2: 전국 합계 및 주요 어종(오징어·연어·정어리 등)의 어획 추이. 독자가 주목해야 할 점: 1980년대 피크 이후의 전면적인 감소와 어종별 변동의 차이──자원 관리·회유·종사자가 뒤섞인 「총량의 얼굴」.
배가 나가지 않으면 바다에 물고기가 있어도 어획량은 제로다. 종사자 정의의 변경, 자원 관리(과잉 포획 규제), 탐지기·양식 기술의 진화──CPUE에 남는 노이즈는 각주에 솔직하게 적어야 하지만, 「정직한 비유의성(non-significance)」이야말로 이 기사의 신뢰성이 된다.
단, 그 「비유의성」에는 뒷이야기가 있다. e-Stat의 어종별 데이터에서 정어리류를 제외하면, CPUE는 $r=+0.308$ ($p=0.021$)로 유의미하게 뛰어오른다. 이 「정어리가 전체 CPUE를 끌어올리고 있었다」는 구조의 정체는 §8에서 해체한다.
그림 6: 상단=총 어획량(만 톤), 하단=CPUE(톤/종사자). 독자가 주목해야 할 점: 총량은 절반 이하로 줄었어도 1인당 어획은 보합세──「바다가 비었다」라는 단편적인 시각으로는 읽을 수 없는, 정직한 결과.
여기까지 왔지만, 아직 부족하다.
농가와 어부는 가만히 더위에 지고 있는 것이 아니다. 품종 개량, 대형 기계, 센서, 농약·비료, 탐지기, 양식──테크놀로지는 단위 수확량과 CPUE를 장기적으로 끌어올린다.
1985~2011년의 쌀 단위 수확량을 플롯(plot)하면 전체적으로 완만한 우상향 곡선이 나타난다. 이것이 「기술의 발자취」다 (※본 도표의 단위 수확량 시계열은 API 누계 2017년산까지. 2023년은 후술할 데이터 업데이트를 통해 추가 예정).
여기서 **디트렌드 (Detrend, 추세 제거)**를 적용한다.
- 5년 이동 평균으로 「평년 수준의 실력치 (베이스라인)」를 뺀다.
- 실측치 − 베이스라인 = 잔차 (이상년의 피해 또는 풍년) - 잔차만을 기온 편차와 나란히 배치한다.
그 결과, **1993년 (냉해·벼멸구)**이 돌출된 대폭락으로 부상한다. 온난년(temp_anomaly $\ge$ 0.5℃)도 잔차가 마이너스 방향으로 치우치는 해가 있다.
그림 4: 선형 추세로부터의 단위 수확량 잔차 (빨강=온난년). 독자가 주목해야 할 점: 장기 추세를 제거한 후, 폭염이 있었던 해만 아래로 치우치는지 여부──이벤트 분석의 입구.
그림 7: 상단=실측 단위 수확량과 선형 추세, 중단=5년 MA 잔차 (빨간 라벨=온난년), 하단=기온 편차. 독자가 주목해야 할 점: 1993년의 골과 온난년의 하락만이 추세에서 벗어나 돌출됨──「평년은 기술, 이상년은 기후」라는 이층 구조.
평년은 기술 트렌드가 지배적이라 기후가 설 자리가 없다. 이상년에서만 기후 쇼크가 모든 변수를 쓸어버리며 이빨을 드러낸다──비선형적인 현상이 여기에 나타난다.
정리하자면, 다음과 같은 4층 계단으로 주범에 접근한다.
제1층 총량 $\rightarrow$ 「줄어들었다」는 사실. 하지만 주범은 불명
제2층 단위 수확량 / CPUE $\rightarrow$ 종사자·면적의 노이즈를 제거
제3층 디트렌드 잔차 $\rightarrow$ 기술 진보의 우상향 곡선을 벗겨냄
...
| 층 | 농업에서 보는 지표 | 어업에서 보는 지표 |
|---|---|---|
| 1 | 수확량 (톤) | 어획량 (톤) |
| ... | 5 | — |
**「너무 복잡해서 하나의 상관계수로는 답을 낼 수 없다」**라는 늪 그 자체를, 질문의 분해를 통해 승화시킨다──이것이 이번 데이터 사이언스의 핵심이다.
본 절은 통계 모델의 상세 내용입니다. 읽고 넘어가더라도 §7 이후의 흐름에는 문제가 없습니다.
다중 회귀: $R^2 = 0.21$의 「절묘한 약함」을 어떻게 읽을 것인가 (클릭하여 전개)
📐 $R^2$ (결정계수)란 무엇인가? ── 모델의 「설명력」 지표
**$R^2$ (결정계수)**는 「이 모델이 데이터의 움직임을 얼마나 설명할 수 있는가」를 0~1 사이의 값으로 나타내는 지표이다.
| $R^2$ | 직관적인 의미 |
|---|---|
| 1.0 | 데이터를 완벽하게 설명하고 있음 |
| ... | 사회과학에서는 $R^2 = 0.3$이라도 「그럭저럭」, 0.5 이상이면 「양호」하다고 보는 경우가 많다. |
$R^2$가 낮다는 것은 모델이 틀렸다는 것이 아니라, **"설명할 수 없는 요인이 다른 곳에 있다"**는 신호이기도 하다.
단수(単収, 단위 면적당 수확량)를 목적 변수로, 설명 변수로 기온 편차·작부 면적·연도(기술 진보의 대리 변수)를 넣은 다중 회귀 (Multiple Regression)를 시도했다.
$$
\text{단수} \sim \text{기온 편차} + \text{작부 면적 (표준화)} + \text{연도 (표준화)}
$$
| 결과 | 값 |
|---|---|
| $n$ | 27 |
| ... |
$R^2$가 낮은 것은 모델이 잘못되었기 때문이 아니다. 평년에는 연차 트렌드(기술)가 너무 지배적이어서 기후의 설명력이 나타나지 않는다. 이상년(異常年)만이 이벤트로서 잔차(Residual)에 누락된다──§4의 비선형성과 일치한다.
편회귀 계수 +18 kg/10a/℃를 "더울수록 쌀이 늘어난다"라고 읽어서는 안 된다. 선형 모델이 포착할 수 없는 이상년의 영향, 관측되지 않은 교란 요인(가격·품종·병해)이 계수에 섞여 있다. **"인과가 증명되었다"가 아니라 "공변동(Covariation)의 분리를 시도했다"**까지가 이 분석의 범위다.
§2~§4에서 다룰 수 있었던 것은 생산 주체·기술·기후 이벤트까지였다. 남은 복병──경제·정책·품종──은 본고에서 통합되지 않았으나, 이를 방치하면 다중 회귀의 계수가 다시 왜곡된다. 후속편·확장 분석의 우선순위를 데이터 소스와 함께 제시한다.
| 우선순위 | 복병 | e-Stat / 외부 데이터 | 포함할 지표 | 분석 방법 (안) |
|---|---|---|---|---|
| ★★★ | 전년도 쌀값·작부 의향 | 쌀 상대 거래 가격, 작물 통계 | 전년도 생산 가격 시차(Lag), 작부 면적의 연차 변화 | 단수 ~ 기온 + 가격 시차 + 면적 |
| ★★★ | 감반(減反)·전작·보조금 | 식료 수급표, 정책 시행 연도 더미 | 보리·대두 작부 전환, 제도 변경 연도 | 이벤트 더미 + 작부 구성비 |
| ★★☆ | 품종 전환 | 품종별 작부 면적 | 내열성 품종(신노스케 등) 점유율 | 품종 점유율 ~ 연도 + 기온 (인류의 반격) |
| ✅ | 어업 어종별 CPUE | 해면 어업 생산 통계 0003238633 (e-Stat) | 이와시(정어리) 보정 CPUE | 본고에서 실시 완료 (§8 참조) |
| ★☆☆ | 수입 대체 | 무역 통계, 가계 조사 | 국산/수입 비중 | 국산 생산의 설명력 저하 분리 |
정량적 목표 (후속편): 다중 회귀의 $R^2$를 0.21에서 0.4 전후까지 끌어올려, 기온 편회귀 계수의 부호와 크기가 "가격·정책을 넣은 후에도 남는가"를 검증한다. 남는다면 "구조·기술을 제외해도 설명되는 기후 성분", 사라진다면 "이벤트년 특화 분석으로 설계를 전환한다".
"양"의 장기 인과는 늪에 빠지기 쉽다. 이상치(Anomaly)에 특화하는 접근법──특정 혹서년에만 표준편차 2$\sigma$를 벗어나는 폭락이 있는가──는 정책 변수가 미비하더라도 먼저 진행할 수 있다.
본 분석에서 보여줄 수 있는 것은 공변동의 분리까지다. 엄밀한 인과를 위해서는 다음과 같은 설계가 현실적이다.
이중차분법 (DID, Difference-in-Differences) 구체안
💡
DID란: "영향을 받은 그룹"과 "영향을 받지 않은 그룹" 각각의 변화량 차이를 구함으로써, 원래의 경향 차이를 상쇄하고 충격(Shock)의 순수한 영향만을 추출하는 기법. "혹서년에 노지 농가는 단수가 떨어졌지만, 시설(하우스) 농가는 떨어지지 않았다 $\rightarrow$ 그 차이가 기후 충격의 효과"라는 논리.
- 노지 vs 시설 재배: 동일 도도부현 내에서 기상 충격(혹서년) 전후의 단수 차이를 시설(기후 조절 가능)과 노지에서 비교. e-Stat 작물 통계의 도도부현 $\times$ 연도 생산량으로 구현 가능.
- 제도 변경 전후: 감반 완화·전작 촉진 등 정책 시행 연도를 $t_0$로 둔 작부 면적·단수의 Before/After. 전국 트렌드를 차감하면 "정책 충격"의 하한 추정치가 된다.
도구 변수 (IV, Instrumental Variable) 구체안
💡
IV(도구 변수)란: "기온이 농업에 영향을 미친다"는 관계를 직접 측정하고 싶지만, 기온은 농가의 행동(작부·품종 선택)과 얽혀 있어 인과를 판별하기 어렵다. 이때 "기온과 거의 유사하게 움직이지만, 농업적 판단에는 직접적인 영향을 주지 않는 외부 변수"를 대신 사용하여 순수한 인과 효과만을 추출하는 기법 (2단계 최소제곱법, 2SLS).
- 산지의 외생적 기상: 같은 해라도 적설량·태풍 경로·오호츠크해 SST(해수면 온도) 등, 해당 농지의 작부 판단과 독립적인 변수를 국지 기온의 IV로 사용 (2단계 최소제곱법).
- 한계: 일본 전국 스케일에서는 IV의 배타성(Exclusivity)을 주장하기 어렵다. 도도부현 패널 데이터로 축소하면 설득력이 높아진다.
이벤트 연구 (Event Study, 본고와 가장 가까운 연장선)
- 2023년·1993년을 $t=0$으로 하여, 전후 3년의 단수 잔차(Yield Residuals)·쌀값·재고를 나열한다. 누계 API가 끊긴 해는
**단년 표를 수동으로 병합(Merge)**한다(아래).
| 계열 | API 누계 종단 | 정부 공표 최신 | 본고의 취급 |
|---|---|---|---|
| 쌀 수확량·단수 | 2017년산 | 2023년산 단년 표 있음 | fig1·7은 2017년까지. 2023년은 요약에서 언급 |
| 해면 어획량 | 2015년 | 연보로 업데이트 중 | fig2·6은 2015년까지 |
| 어업 종사자 | 2021년 | 2023년 센서스 12.1만 명 | fig5 오른쪽. 각주에서 2023년 보완 |
| 주요 농업 종사자 | 2017년 | 2025년 센서스 103.6만 명 | fig5 왼쪽. 각주에서 2025년 보완 |
| 전국 기온 편차 | 2025년 | 기상청 업데이트 | 모든 도표에서 사용 |
# 누계 표가 끊긴 후, 단년 표에서 national 행만 추출하는 이미지
params = {
"appId": APP_ID,
...
종사자 수 기준의 CPUE(단위 노력당 어획량)는 간이 버전이다. 어선 총톤수, 출항 일수를 넣으면 정밀도가 높아진다. 종사자 정의는 어업 센서스 개정으로 인해 계열 간 차이(Break)가 있다(2023년 조사 방법의 각주 확인 필요).
품종별 재배 면적(코시히카리 $\rightarrow$ 내열성 품종)은 §7 로드맵의 ★★☆로서 속편에서 다룬다. 「기후 vs 인류의 지혜」의 파라미터 조정은 그때서야 비로소 정량화할 수 있다.
이번 간이 CPUE(전국 합계 $\div$ 어업 종사자 수)가 보합세였던 이유를, e-Stat의 어종별 어획량 데이터(1961~2015년)로 직접 검증했다.
$$
\text{CPUE (정어리 제외)} = \frac{\text{총 어획량} - \text{정어리류}}{\text{어업 종사자 수}}
$$
| 지표 | $r$ | p-value |
|---|---|---|
| CPUE 전체 | +0.161 | 0.236 (유의하지 않음) |
| CPUE (정어리 제외) | +0.308 | 0.021 ($\star$ 유의함) |
| CPUE (정어리만) | -0.038 | 0.782 (유의하지 않음) |
| 정어리 점유율 (%) | -0.021 | 0.878 (유의하지 않음) |
전국 합계 CPUE가 보합세였던 이유가 여기서 확정된다. 정어리를 제외하면 상관계수가 2배 가까이 뛰어오르며 유의 수준을 넘어선다.
주목해야 할 점은 정어리 점유율 자체도 기온과 무상관($r=-0.021$)이라는 점이다. 이는 정어리의 증감은 온난화의 직접적인 결과가 아니라, 해양의 장기 사이클(레짐 시프트, Regime Shift)이 주동력임을 시사한다.
| 어종 그룹 | 움직임 (1961~2015) | CPUE에 미치는 영향 |
|---|---|---|
| 연어·살치오징어 | 데이터 기간 내 우하향 | 마이너스 기여 |
| 까따리정어리 | 1980년대 피크 (450만 톤 초과) $\rightarrow$ 1990년대 대폭락 $\rightarrow$ 2010년대 회복 | 상쇄 버퍼 |
이 역사적인 변동 폭이 전국 합계 CPUE에 「보합세로 보이게 만드는 착시」를 일으키고 있었다. 까따리정어리는 저인망 어업으로 대형 선박이 한꺼번에 잡아들이기 때문에, 종사자 1인당 어획 톤수를 크게 끌어올리는 편향(Bias)이 있다. "바다는 하늘이 아니다"라는 말은 옳다. 다만 정확하게는, **「바다의 주인공이 교체되었기 때문에 CPUE가 보합세를 유지한 것」**이다.
그8: Panel1=CPUE 전체와 정어리 제외 시의 괴리(녹색 띠=정어리의 가산분), Panel2=어종 구성 점유율의 변화, Panel3=주요 3어종의 절대량 추이. 독자가 주목할 점: Panel1의 녹색 띠 크기가 레짐 시프트의 흔적──전국 합계 CPUE를 "밑받침"하고 있던 정어리의 규모감.
동일한 리포지토리에서 다룬 벚꽃 개화일(1961~2025년, 87개 지점)과 나란히 놓으면 흥미로운 대비가 나타난다.
| 지표 | $r$ (기온 편차) |
|---|---|
| 벚꽃 개화일 (빠름=음수) | -0.52 |
| ... |
벚꽃은 「봄의 온도」에 비교적 솔직하게 반응한다. 쌀의 총량은 「사람과 면적」에 의해 끌려간다. 같은 「온난화」라도 지표 설계에 따라 부호가 역전된다.
그3: 기온·쌀 단수·벚꽃 앞당겨짐을 표준 편차로 겹쳐 놓은 삼각 측량. 독자가 주목할 점: 생물 계절(벚꽃)은 기온에 솔직하고, 쌀 총량은 역부호──같은 「온난화」라도 지표 설계에 따라 결론이 달라진다.
"지구 온난화로 일본의 식량 위기!"라는 뉴스를 보고 e-Stat을 열었더니, 확실히 쌀도 물고기도 급감해 있었다.
하지만 기온과 단순 상관관계를 구해보니 마이너스였다. 함정이었다.
인수분해해 보면, 진정한 주범은 맹렬한 기세로 현장에서 사라져 가는 생산자였다.
하지만 이야기를 여기서 끝내지 않겠다.
단수(Unit yield)는 기술로 인해 우상향하고, CPUE(단위 노력당 어획량)는 보합세──하지만 그 '보합세'는 정어리가 상쇄한 착시였다. 정어리를 제외한 CPUE는 유의미(r=+0.308, p=0.021)하게 변했으며, 바다 속 내용은 조용히 바뀌고 있었다. 디트렌드(Detrend)를 거친 끝에, 1993년의 냉해와 난후년(Warm year)의 잔차가 모습을 드러낸다.
기후 변화의 피해에 맞서, 인류는 스마트 농업과 품종 개량으로 계속해서 저항하고 있다. 이 '기후 vs 인류의 지혜'의 싸움은 이제 막 시작되었을 뿐이다.
데이터 분석은 어렵다. 그렇기에,
총량 → 단수/CPUE → 디트렌드 잔차 → 이벤트 연도 → 어종 보정 CPUE
라는 5층의 분해 설계에 스토리가 깃든다.
숫자를 이리저리 만지는 것이 아니라, 현장의 왜곡과 통계가 싱크로(Synchro)되는 순간, 데이터는 '증거'로 변한다.
이번에 'CPUE가 보합세인 이유는 무엇인가'라는 수수께끼는 AI와의 대화(Wall-hitting)를 통해 '레짐 시프트(Regime shift)'라는 관점이 떠올랐고, e-Stat의 데이터로 검증할 수 있었다. 데이터를 가지고 있는 것만으로는 보이지 않는다──질문을 던질 상대가 있다면, 분석은 한 단계 더 깊어진다.
AI 자동 생성 콘텐츠
본 콘텐츠는 Qiita AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기