농산물 가격 예측, 진짜로 써먹는 법: KAMIS·도매시장 데이터 활용 가이드

작년에 양파 가격 곤두박질쳤을 때, 단체 카톡방마다 같은 말이 돌았다.
“아, 작년 가격만 보고 심었다가 올해 꼴이 이렇다.”
늘 나오던 그 말이다.

사실 농산물 가격 예측은 이미 여기저기서 한다.

KAMIS, 공영도매시장, 지자체, 심지어 민간 앱까지.

근데 막상 내 밭, 내 비닐하우스에서 “그래서 올해 뭘 얼마나 심을지, 언제 팔지”에 딱 꽂히는 정보는 잘 안 보인다.

이 글에서는 거창한 AI 모델 자랑 대신,

KAMIS랑 도매시장 데이터를 어떻게 긁어와서 “작목 선택”과 “ 출하 타이밍”을 정하는 데 써먹을 수 있는지,

실제 액션 중심으로 풀어본다.

---

1. KAMIS 데이터로 “평균” 말고 “패턴” 보기

먼저 KAMIS 사이트부터 보자.
주소는 여기다.

• KAMIS 메인: https://www.kamis.or.kr/customer/main/main.do
  
• 일자별 도매가격: https://www.kamis.or.kr/customer/price/bizcondition/catalogue.do?action=daily
  
• 간편가격정보(소비자 가격·간단 조회): https://www.kamis.or.kr/customer/info/retail/period.do?action=daily

KAMIS 데이터의 기본 구조는 이렇다.

• 품목 대분류/소분류 코드 (예: 채소류, 양파, 건양파 등)

• 도매/소매 구분

• 조사일자

• 상·중·하 품질별 가격 또는 평균가
  - 조사 지역(도매시장, 소비자 시세 기준 지역)

많이들 실수하는 지점이 있다.
“작년 평균 가격이 얼마였네” 여기서 끝난다.
평균으로는 작물 선택도, 출하 타이밍도 제대로 못 잡는다.

1-1. 최소한 이 3개는 본다

KAMIS에서 특정 품목(예: 양파, 마늘, 배추)을 고르고,

최근 3~5년치를 엑셀로 내려받는다고 치자.

최소한 이런 건 확인해야 한다.

1. 연도별 평균 도매가격
   
2. 월별 평균 도매가격
   
3. 연도·월별 최고가/최저가 구간

예를 들어 양파라면,

• 5월~7월에 출하가 몰리면서 가격이 내려가는지
  
• 저장양파가 나오는 시점(겨울~이른 봄)에 가격이 어떻게 튀는지
  
• 특정 연도에만 비정상적인 폭락/폭등이 있었는지

그래야 “작년은 특이 케이스”인지, “원래 그런 패턴”인지 감이 온다.

1-2. 이동평균으로 “가격 골짜기” 피하기

엑셀에서 어렵게 생각할 필요 없다.

• 일별 가격 데이터를 날짜 순으로 정렬하고
  
• 7일, 14일, 30일 이동평균을 돌려본다.

이동평균을 걸면,

• 갑자기 비가 와서 하루 이틀 공급이 꼬인 날
  
• 특정 도매시장에 물량이 몰려서 발생한 단발성 급등/급락

같은 노이즈가 어느 정도 정리된다.

이동평균 곡선을 보면,

“아, 이 품목은 매년 6월 둘째 주쯤이 바닥이구나.”

“10월 마지막 주부터 슬슬 위로 기어오르네.”

같은 패턴이 눈에 들어온다.

이 정도만 해도
“무지성 작년 가격 따라 심기”는 어느 정도 피할 수 있다.

---

2. 도매시장 경락 데이터: 진짜 현장 가격

KAMIS는 정제된 정보이고, 약간 느리다.

진짜 현장에서는 공영도매시장 경락 정보가 더 생생하다.

공공데이터포털에 이런 데이터셋이 있다.

• 전국농수축산물도매시장경락가격 표준데이터
  
  • https://www.data.go.kr/data/15029181/standard.do
    
• 전국 공영도매시장 실시간 경매정보 OpenAPI
  
  • https://www.data.go.kr/data/15141808/openapi.do
    
  • 농림축산식품 공공데이터 포털 “도매시장 실시간 경락 정보”

이 데이터에는 이런 필드들이 들어 있다.

• 거래일자
  
• 도매시장 코드/이름 (가락, 부산, 대구, 광주 등)
  
• 품목 코드, 품종 코드
  
• 등급
  
• 거래중량(kg)
  
• 최고가, 최저가, 평균가, 거래 건수

한마디로 “오늘 가락동에서 실제로 얼마에 몇 톤이 거래됐는지”가 나온다.

프로그래밍을 모른다고 해도 방법은 있다.

• 공공데이터포털에서 표준데이터를 CSV로 내려받고
  
• 월 단위나 분기 단위로 정리해서 KAMIS 데이터와 나란히 보는 방식이다.

---

3. 연구·실증에서 이미 검증된 패턴들

“가격 예측”은 이미 여러 군데에서 실험했다.
그중 양파·마늘 같은 품목은 연구가 꽤 많이 나왔다.

3-1. 양파 도매가격 예측 논문 요약

한국정보처리학회 ACK 2024 논문 중에 이런 게 있다.

• 제목: 양파 도매 가격 예측을 위한 12가지 모델 성능 및 지역별 결과 비교 분석
  
• 사용 데이터: KAMIS 일별 양파 도매가격 + 기상 데이터 등
  
• 비교 모델: 선형회귀, 랜덤포레스트, XGBoost, LSTM 등 총 12개

핵심만 뽑으면 이렇다.

• 단순한 모델(선형회귀, 이동평균)도 “대참사 회피” 정도에는 충분히 쓸 만하다.
  
• 지역별 수급 구조가 달라서, 같은 모델이라도 지역에 따라 성능 격차가 크게 난다.
  
• 너무 복잡한 딥러닝 모델은 데이터 양이 부족하면 오히려 성능이 흔들린다.

결국 “우리 동네, 우리 작목”에 맞게 간단한 모델부터 써보는 게 낫다는 이야기다.

3-2. 지자체·공공의 AI 예측 서비스

농림축산식품부 공공데이터 활용사례를 보면,

KAMIS, 공영도매시장, 기상청 데이터 등을 묶어서 AI 기반 가격 예측 서비스를 만든 사례가 소개된다.

• 농산물 가격 예측 웹·모바일 서비스: KAMIS + KOSIS + 기상 데이터 연계
  
• 특정 품목(양파, 마늘, 배추 등)에 대해 1주~1개월 단위 예측 제공

또, 경상남도 등 일부 지자체에서는
“인공지능 빅데이터 활용해 마늘·양파 가격 예측” 같은 시범사업을 해서
농가에게 문자나 앱 알림으로 가격 전망을 보내주는 프로젝트도 있었다.

이런 서비스들의 공통점은,

• KAMIS 장기 시계열 + 도매시장 경락 + 기상·재배면적 등을 묶어서 모델을 만들고
  
• 농가에는 “이번 달 양파 가격이 평년 대비 20% 낮을 전망” 같이 단순한 메시지로 내려보낸다는 점이다.

우리가 개인 농가 입장에서 할 일은
“아, 이런 서비스들이 어떤 데이터를 조합해서 예측하는지”를 참고하고
비슷한 조합을 내 엑셀이나 간단한 코드에 옮겨보는 일이다.

---

4. 실제로 어떻게 써먹나: 작목·출하 타이밍 결정

이제 가장 중요한 부분이다.
데이터를 “구경”하는 게 아니라 “결정”에 쓰는 방법이다.

4-1. 작목 선택: “올해 양파를 더 심을지 말지”

가상의 예를 들어보자.

• 내 밭: 2,000평
  
• 후보 작목: 양파 vs 마늘
  
• 고민: “올해 양파를 더 늘릴까, 마늘을 늘릴까.”

단계는 이렇게 나눌 수 있다.

1. KAMIS에서 최근 5년치 양파·마늘 도매가격 월별 데이터를 내려받는다.
   
2. 연도별 평균, 월별 평균, 최고/최저 가격을 정리한다.
   
3. 공영도매시장 경락데이터에서 가락시장 기준 양파·마늘 경락 평균가를 뽑는다.
   
4. 내 밭 기준 예상 수량(kg/평)을 보수적으로 잡는다.
   
5. 단순 예측 모델을 돌리거나, 최소한 “평년 범위”와 “최악 시나리오”를 분리해서 계산한다.

예를 들어,

• 양파 평년 도매가격: 800원/kg
  
• 최악 해 도매가격: 400원/kg
  
• 내 수량: 2,000평 × 400kg/평 = 800,000kg (예시, 실제 수량은 품종·재배 방식에 따라 크게 다르다)
  
• 평균 시나리오 매출: 800,000kg × 800원 = 6.4억 원
  
• 최악 시나리오 매출: 800,000kg × 400원 = 3.2억 원

마늘도 같은 방식으로 계산해서,

• 평균 시나리오 매출
  
• 최악 시나리오 매출
  
• 생산비(종자, 자재, 인건비, 저장비)를 빼고 남는 돈을 비교한다.

여기서 포인트는
“평균만 보고 판단하지 말고, X년 중 최악 1~2년이 왔을 때 버틸 수 있는 구조인가”까지 보는 것이다.

데이터를 가지고 이런 질문을 던지는 셈이다.

• “양파가 역사적 평년가 대비 이미 낮은 구간인가.”
  
• “지금은 오히려 마늘 쪽이 위험구간인가.”

4-2. 출하 타이밍: “3일 당길까, 1주 미룰까”

출하 타이밍은 더 세밀하다.
도매시장 경락 데이터가 여기서 힘을 발휘한다.

1. 최근 5년치 2~4월 가락시장 양파 경락 평균가를 날짜별로 뽑는다.
   
2. 각 연도에서 “로컬 최고가 구간”과 “바닥 구간”을 표시한다.
   
3. 7일·14일 이동평균을 구해서, 완만한 상승·하락 구간을 본다.

이걸 보면 이런 패턴이 나올 수 있다.

• 설 연휴 전 2주간 가격이 올라가는 해가 많다.
  
• 3월 중순 이후로는 물량이 늘면서 서서히 내려간다.

그러면 실제 의사결정은 이렇게 바뀐다.

• “올해는 저장 상태가 괜찮고, 시장 상황이 평년 패턴과 비슷하게 가는 것 같다.”
  
• “설 10일 전부터 출하를 시작하고, 설 3~4일 전에 피크를 맞춰보자.”

반대로,

• 이미 산지 물량이 많이 쏟아지고 있고,
  
• 경락 평균가가 평년 곡선보다 아래로 깔리고 있다면,
  “욕심 그만 부리고 빨리 털자” 쪽으로 판단을 바꿀 수 있다.

이건 고급 AI가 아니라,
그냥 “평년 곡선 vs 올해 곡선”을 나란히 그려보는 것만으로도 충분히 가능하다.

---

5. 얼마나 복잡한 모델까지 가야 할까

이제 AI 이야기 조금.
논문과 실제 서비스를 보면, 크게 세 단계 정도로 나눌 수 있다.

1단계: 통계·엑셀 수준

• 이동평균, 계절성(월·분기 패턴) 분석
  
• 평균, 최악, 최고 시나리오 시뮬레이션
  
• 작목 선택·출하시기 의사결정에는 이 정도도 꽤 유용하다.

2단계: 간단한 회귀·트리 모델

• 입력: KAMIS 가격, 도매시장 경격, 기상 데이터, 재배면적 등
  
• 출력: 7일 후, 30일 후 가격 예측
  
• 장점: 설명력이 있다. 어떤 요인이 가격에 영향을 주는지 대략 볼 수 있다.

3단계: 딥러닝·시계열 특화 모델(LSTM, Transformer 등)

• 장점: 복잡한 패턴을 더 잘 잡을 수 있다.
  
• 단점: 데이터가 충분히 많지 않으면 오히려 불안정하고, 농가가 직접 운용하기엔 부담이 크다.

양파 도매가격 예측 논문에서도,
“모델을 복잡하게 한다고 무조건 좋아지지 않는다”는 결과가 나왔다.
그리고 지자체·공공 서비스들도 대부분 “너무 복잡하지 않은 수준”에서 모델을 운영한다.

그래서 개인 농가나 소규모 팀이라면 이렇게 생각하면 편하다.

• 1단계를 확실히 해두고
  
• 필요하면 2단계 정도를 적용해서 “가격이 평년 대비 얼마나 벗어날지” 정도를 보는 수준으로.

---

6. 데이터의 한계와 함정

데이터라고 다 믿을 건 아니다.

KAMIS와 도매시장 데이터에는 몇 가지 한계가 있다.

6-1. KAMIS의 구조적 한계

• 조사 주기와 기준: 소비자 가격은 대형마트·전통시장 표본을 골라 조사한다.
  
• 공휴일·주말에는 조사 공백이 생기거나, 특이값이 들어갈 수 있다.
  
• 품목·등급이 현실과 딱 맞아떨어지지 않을 수 있다.

또, KAMIS에는 가공식품 소매가격 정보도 있다.

• 예: 라면, 식용유 같은 가공식품 가격
  이건 직접 작목 선택보다는 “소비자가 느끼는 물가 수준”을 파악하는 데 더 가깝다.

6-2. 도매시장 데이터의 한계

• 특정 시장 편중: 가락시장 위주로 보는 경우, 지역별 수급 상황이 왜곡될 수 있다.
  
• 거래량이 적은 품목·품종은 가격 변동이 과장되어 보일 수 있다.
  
• 실시간 경매정보 API는 멈추거나 지연되는 날도 있다.

그래서 실전에서는 이런 체크리스트가 필요하다.

1. 최소 3년, 가능하면 5년 이상 데이터를 본다.
   
2. KAMIS + 도매시장 최소 2종의 데이터를 같이 본다.
   
3. 평년 패턴에서 너무 벗어난 해는 왜 그런지 뉴스를 같이 확인한다.
   
4. 모델이 “올해 가격 대박”이라고 하더라도, 생산비·최악 시나리오를 따로 계산해둔다.

이 정도만 해도 “데이터 맹신”이라는 함정은 꽤 피할 수 있다.

---

7. 한 농가 입장에서의 현실적인 활용 시나리오

마지막으로, 내가 개인 농가라면 이렇게 쓴다고 상상해본다.
전형적인 소규모 밭농사 기준이다.

1. KAMIS에서 양파, 마늘, 배추, 대파 4개 품목의 최근 5년 월별 도매가격을 엑셀로 내려받는다.
   
2. 공영도매시장 경락데이터에서 가락·부산 2곳 정도의 연도별·월별 평균 경락가를 정리한다.
   
3. 내 지역 도매시장 실사 가격(농협, 인근 중도매인의 실제 거래가)을 적어도 1년은 기록해둔다.
   
4. 엑셀에서
   
   • 이동평균(7일, 30일)
     
   • 월별 시즌 패턴
     
   • 평년 vs 올해 곡선 비교
     정도를 만든다.
     
5. 작목 선택 때는
   
   • 평균 시나리오 vs 최악 시나리오 순이익을 계산해서,
     
   • “최악 해에도 적자 폭을 견딜 수 있는지”를 먼저 본다.
     
6. 출하 타이밍은
   
   • 평년 패턴에서 고점·저점 구간을 표시해두고
     
   • 올해 경락 곡선을 매주 업데이트하면서 “지금이 평년 대비 어느 정도 위치인가”만 확인한다.

이 정도면 거창한 AI 없이도
“작년 가격 보고 그대로 따라 심기”보다 한두 수는 더 앞서갈 수 있다.

데이터는 결국 도구다.
망치 하나 들고도 집은 짓는다.
다만, 못을 어디에 어떻게 박을지를 미리 그려보는 것, 그게 데이터의 역할이라고 본다.

#농산물가격예측 #KAMIS #도매시장 #영농의사결정 #스마트팜 #데이터농업

참고자료

• 농산물유통정보(KAMIS) 메인 페이지, 가격 정보 서비스 구조 및 품목·도매/소매 데이터 제공 방식 설명
  
• KAMIS 도매가격 일자별 조회 페이지, 일별 도매가격 조회 및 엑셀 다운로드 기능 설명
  
• KAMIS 주요 농산물 일일 도매가격(가락시장 등) 제공 페이지, 시장·품목별 가격 정보 예시
  
• KAMIS 간편가격정보(소비자 가격) 페이지, 기간·품목별 간단 조회 기능 설명
  
• 한국농수산식품유통공사(aT) 가공식품 소매가격 정보 데이터셋, KAMIS 서비스와 연계된 소매 물가 정보
  
• 공공데이터포털 전국농수축산물도매시장경락가격 표준데이터, 품목·품종·등급별 일별 경락가격 및 거래량 필드 정의
  
• 농림축산식품부·aT 전국 공영도매시장 실시간 경매정보 OpenAPI, 실시간 경매 가격 및 거래 정보 제공
  
• 농림축산식품 공공데이터 포털 “도매시장 실시간 경락 정보” 서비스 설명, 도매시장 거래 정보 구조 및 활용 안내
  
• 농림축산식품 공공데이터 포털 데이터 활용사례: KAMIS 및 공공데이터를 이용한 농산물 가격 예측 서비스 구축 사례
  
• “양파 도매 가격 예측을 위한 12가지 모델 성능 및 지역별 결과 비교 분석”, KIPS ACK 2024 학술대회 논문, KAMIS 데이터와 12개 예측 모델 비교
  
• “인공지능 빅데이터 활용해 마늘‧양파 가격 예측한다” 보도 영상, 지자체·공공 차원의 AI 가격 예측 사업 사례