최근 코로나-19 펜데믹을 거치며 제조업 분야의 업황에 내포된 불안정성이 상당 수준 증가하는현상이 확인되었다. 이에 본 연구에서는 해당 불안정성을 개선하기 위한 정책 수립 등에 직간접적으로 기여하고자, 제조업 업황 실적을 한 분기 이상 선제적으로 예측할 수 있는 딥러닝 모델을구축하는 한편, 제조업 업황실적에 시차를 두고 영향을 미치는 요인들의 한계 기여 경향 등을파악하고자 하였다. 본 연구는 SEMD 분해를 기반으로 한 신호 추출 및 NMIFS-HHO 알고리즘을기반으로 한 주요 변수 추출을 활용하여 4개월 후 제조업 업황 예측에 유의미하게 기여하는 것으로 파악되는 설명변수 집합을 도출, 이를 기반으로 LSTM을 전제로 한 순환신경망을 학습시킴으로써 제조업 업황실적을 선제적으로 예측할 수 있는 딥러닝 모델을 구축하였다. 연구 결과, 본모델은 매우 적은 오차 아래 정밀한 제조업 업황실적 예측을 전개할 수 있음이 확인되며, 이때SHAP 분석을 기반으로 변수별 한계기여도를 확인한 결과 자기계열상 약 3~4년 주기의 장기신호, 경기종합지수, 정부대출금리 등이 예측상 주요 설명변수로서 기능함이 확인되었다.
With the recent COVID-19 pandemic, uncertainty has been substantially increased regarding the conditions on manufacturing industry. This research focused on directly or indirectly contributing to the establishments of policies which can be linked to reducing the underlying uncertainties among manufacturing industries by constructing a deep-learning based manufacturing BSI prediction model, while extracting information and marginal contributions of factors related to manufacturing condition BSI under certain time lag. This research used factor selection methods based on SEMD decomposition and NMIFS-HHO algorithms to extract a set of highly relevant covariates, while supervising a LSTM layer based RNN model, which led to the construction of a deep learning model capable of predicting manufacturing condition BSIs with high accuracy. Results show that the considered model can return accurate predictions with extremely low errors, with covariates such as long-term signal(IMF) with a 3 to 4 year period, composite index, and government rate being found important in terms of marginal contributions for prediction using SHAP analysis.