본문 바로가기
KERD
논문KCI 등재

머신러닝 기법을 이용한 개발도상국 국가분류와 국가별 ODA 전략 탐색

Classification of Developing Countries and Exploration of Country-Specific ODA Strategies Using Machine Learning Techniques

최영출
한국자치행정학회 (The korean Association for Local Government & Administration Studies)|2024.12|한국자치행정학보 (Korean Journal of Local Government & Administration Studies)|제38권 제4호|pp. 211-233|DOI 10.18398/kjlgas.2024.38.4.211

0

조회

0

다운로드

0

인용

0

참고문헌

키워드

머신러닝Machine LearningDecision Tree Analysis국가분류 방법론신경망 분석의사결정나무 분석Country Classification MethodologyNeural Network Analysis

초록

본 연구는 ODA 정책을 수립하고 결정하는데 있어서 원조를 받는 수원국들의 특성을 분류하여 그 특성에 맞는 중장기 전략을 수립하는 것이 필요하다는 전제하에 국가분류를 체계적으로 하기 위한 방법론을 개발하는 것을 1차적 목적으로 한다. 더 나아가 본 연구는 분류된 개발도상국가들에 대하여 국가의 특성을 고려한 ODA 정책방향을 제시하는 것을 2차적 목적으로 한다. 이 연구를 위하여 선진국과 개발도상국을 포함한 166개 국가들에 대하여 SDGs 점수와 1인당 GDP를 이용하여 머신러닝 분석방법에 해당하는 신경망 분석과 의사결정나무 분석을 실시하였다. 그 결과 166개 국가들은 모두 12개의 그룹으로 분류되었다. 개발도상국에 해당되는 노드는 모두 7개로서 이들 노드에 포함되는 국가 그룹에 대하여 개별 국가 그룹별로 ODA 전략을 제시하였다.

Abstract

This study primarily aims to develop a systematic methodology for classifying countries, based on the premise that it is necessary to establish mid- to long-term strategies tailored to the characteristics of recipient countries when formulating and deciding ODA policies. Furthermore, the secondary objective of this research is to propose ODA policy directions that consider the specific characteristics of the classified developing countries. For this study, neural network analysis and decision tree analysis, which are machine learning analytical methods, were conducted using SDG scores and GDP per capita for 166 countries, including both developed and developing nations. As a result, the 166 countries were classified into 12 groups. Seven nodes corresponded to developing countries, and ODA strategies were proposed for each individual country group included in these nodes.

참고문헌 (42)

  1. 김학실, "효과적인 ODA 사업추진을 위한 수원국 유형화와 정책적 연계", 한국비교정부학회, 21(2), pp.21~42 (2017)
  2. 이정주, "새마을사업의 유형구분 및 변화과정에 관한 연구", 사회적경제와 정책연구, 8(2), pp.121~148 (2018)
  3. 장지현, "교육경쟁력 강화를 위한 피이드백 루프 탐색과 정책시뮬레이션", 사회적경제와 정책연구, 7(3), pp.109~144 (2017)
  4. 장지현, "저개발국가에 대한 공적개발원조(ODA)연구경향분석", 사회적경제와 정책연구, 9(1), pp.121~146 (2019)
  5. 정충식, "전자정부 해외진출 활성화를 위한 정책방안 : 개발도상국 ODA 지원 전략을 중심으로", 한국IT서비스학회지, 12(3), pp.231~252 (2013)
  6. 주상현, "공공기관 해외사업 추진실태와 정책과제", 한국자치행정학보, 27(1), pp.335~358 (2013)
  7. 주상현, "지속가능한 커뮤니티 비즈니스 영향요인과 정책과제", 한국자치행정학보, 28(3), pp.219~249 (2014)
  8. 주상현, "미국 재난관리 시스템과 한국에 주는 시사점", 한국자치행정학보, 30(4), pp.365~392 (2016)
  9. 주재환, "새마을ODA 전문인력 양성을 위한 1970년대 새마을교육 원리의 적용", 사회적경제와 정책연구, 11(1), pp.101~130 (2021)
  10. 최영출, "공적개발원조(ODA)에 있어서 효과성 측정 방법론의 적용", 한국비교정부학보, 23(4), pp.1~27 (2019)
  11. 최영출, "ODA 사업추진의 효과성 강화를 위한 정책시뮬레이션 : 시스템다이내믹스 방법론의 적용", 한국자치행정학보, 31(3), pp.25~53 (2017)
  12. 황성돈, "전자정부 해외보금(ODA)대상국가의 유형 분류에 관한 연구", 한국지역정보학회지, 22(2), pp.59~71 (2019)
  13. Ahmed, S., "Machine learning for ODA strategy formation : Clustering developing nations", World Development Policy Journal, 38(3), pp.89~107 (2021)
  14. Ahmad, N., "Decision tree applications in developing country classification for ODA", International Development Insights, 41(2), pp.101~119 (2022)
  15. Alesina, A., "Who gives foreign aid to whom and why", Journal of Economic Growth, 5(1), pp.33~63 (2000)[DOI]
  16. Bishop, C. M., "Neural Networks for Pattern Recognition" (1995), Oxford University Press
  17. Bourguignon, F., "Aid effectiveness : Opening the black box", American Economic Review, 97(2), pp.316~321 (2007)[DOI]
  18. Breiman, L., "Classification and Regression Trees" (1984), Wadsworth
  19. Brown, A., "Enhancing aid distribution with machine learning : A study on SDG-based clustering", Journal of Development Economics, 47(1), pp.103~118 (2020)
  20. Brown, L., "Enhancing SDG alignment in developing countries through machine learning classification", Development Policy and Analytics, 34(2), pp.312~329 (2022)
  21. Burnside, C., "Aid, policies, and growth", American Economic Review, 90(4), pp.847~868 (2000)[DOI]
  22. Chen, L., "Using neural networks for classification of countries based on SDG indicators", Journal of Development Policy Studies, 23(2), pp.178~192 (2018)
  23. Chen, T., "XGBoost: A scalable tree boosting system", Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp.785~794 (2016)
  24. Counting chickens when they hatch : The short-term effect of aid on growth, "Clemens, M. A.", Center for Global Development, ~, pp.Center for Global Development Working Paper, 44 (2004)
  25. Collier, P., "Aid allocation and poverty reduction", European Economic Review, 46(8), pp.1475~1500 (2002)[DOI]
  26. Craven, M. W., "Using neural networks for data mining", Future Generation Computer Systems, 13(2-3), pp.211~229 (1997)
  27. Easterly, W., "Where does the money go? Best and worst practices in foreign aid", Journal of Economic Perspectives, 22(2), pp.29~52 (2008)[DOI]
  28. Gupta, R., "Clustering and classification of SDG data using machine learning algorithms", Journal of Development Analytics, 6(4), pp.377~392 (2021)
  29. Hansen, H., "Aid and growth regressions", Journal of Development Economics, 64(2), pp.547~570 (2001)[DOI]
  30. Huang, X., "Machine learning methods in country classification for sustainable development", Development Journal, 16(2), pp.157~171 (2022)
  31. Mitchell, T. M., "Machine Learning" (1997), McGraw-Hill
  32. Quinlan, J. R., "Induction of decision trees", Machine Learning, 1(1), pp.81~106 (1986)
  33. Quinlan, J. R., "C4.5: Programs for Machine Learning" (1993), Morgan Kaufmann
  34. Reddy, V., "Applying machine learning in international aid strategies : A framework for classification and prediction", Global Development Journal, 29(1), pp.44~62 (2021)
  35. Rumelhart, D. E., "Learning representations by back-propagating errors", Nature, 323(6088), pp.533~536 (1986)
  36. Sachs, J. D., "The end of poverty: Economic possibilities for our time" (2005), Penguin Press
  37. Safavian, S. R., "A survey of decision tree classifier methodology", IEEE Transactions on Systems, Man, and Cybernetics, 21(3), pp.660~674 (1991)
  38. Smith, J., "A machine learning approach to assessing development aid needs", Journal of Policy Studies, 54(1), pp.98~115 (2020)
  39. Smith, T., "Machine learning applications for ODA allocation : A case study of sub-Saharan Africa", Journal of International Development, 34(2), pp.214~227 (2019)
  40. Tanaka, Y., "Machine learning techniques for sustainable development classification : A case study of low-income nations", Journal of Global Policy, 15(1), pp.48~65 (2021)
  41. Zhang, G. P., "Neural networks for classification : A survey", IEEE Transactions on Systems, Man, and Cybernetics, Part C(Applications and Reviews), 30(4), pp.451~462 (2000)
  42. Zhao, F., "Data-driven classification of developing nations : Implications for aid allocation", World Development Journal, 96(2), pp.301~319 (2020)

관련 논문AI추천

Exploring Country Classification Methodology to Enhance the Effectiveness of ODA: Application of Decision Tree Analysis최영출한국비교정부학회 · 한국비교정부학보2024 · 제28권 제4호효과적인 ODA 사업 추진을 위한 수원국 유형화와 정책적 연계김학실, 최영출한국비교정부학회 · 한국비교정부학보2017 · 제21권 제2호자연어 처리 및 머신러닝 기술을 활용한 디지털 ODA 분석 및 연구유현욱국가데이터연구원 · 통계연구2025 · 제30권 제1호지속가능개발 목표(SDGs)에 대응한 한국 공적개발원조의 대응 방향임형백국회입법조사처 · 입법과 정책2016 · 제8권 제2호한국 공적개발원조(ODA)의 배분 전략: 한국의 對아시아 국가 ODA 실증분석을 중심으로개경통, 정진섭한국전문경영인학회 · 전문경영인연구2012 · 제15권 제3호CRS 목적코드를 활용한 분야별 원조 효과에 관한 탐색적 연구송지혜한국정치사회연구소 · 한국과 국제사회2024 · 제8권 제6호

이 간행물의 다른 논문 (14건)

지방자치단체의 재정안정화기금 도입 요인에 관한 분석: 정책확산 모형의 적용을 중심으로전영준, 이태천pp. 1-36공무원의 조직냉소주의가 이직의도에 미치는 영향: 변혁적 리더십의 조절효과김혜림, 문국경pp. 37-64외국인 유학생에 대한 사회적 지지가 정주 의사에 미치는 영향: 한류 경험의 조절효과를 중심으로김학실pp. 65-86다문화가정 청소년의 건강이 학교생활 적응에 미치는 영향: 친구 지지의 조절효과를 중심으로박신애, 장아영pp. 87-105AHP 방법의 적용을 통한 지방자치단체 교육분야 Affirmative Action 시책의 우선순위 설정장지현pp. 107-127
원문 보기