포스트코로나 시대 온라인 식료품 시장의 수요예측 연구 : 다중회귀분석과 ARIMA를 활용하여 = Demand Forecasting for Online Grocery Market in the Post-Pandemic Era: Utilizing Multiple Regression Analysis and ARIMA

국문 초록 (Abstract)

2020년 이후 COVID-19 팬데믹은 단순한 보건 위기를 넘어 소비 행태의 구조적 변화를 일으킨 전환점이 되었으며, 비대면 거래 선호 와 함께 온라인 식료품 시장의 급성장을 견인하였다. 이러한 시장의 성장은 신선식품과 가공식품을 포괄하는 물류 네트워크의 확장을 동 반하고 있다. 특히 온도 관리가 필수적인 콜드체인(Cold Chain) 인프 라는 높은 초기 투자비용과 운영비용이 소요되는 비가역적 투자 성격 을 띠므로, 선행 지표인 온라인 식료품 시장 전체에 대한 정교한 수 요예측이 선행되어야 한다. 이에 본 연구는 팬데믹 전후를 포괄하는 시계열 데이터를 활용하여 온라인 식료품 시장의 수요 변화를 실증 분석하고, 이를 토대로 물류 운영 및 인프라 구축을 위한 전략적 시 사점을 제시하고자 한다.
본 연구는 2017년 1월부터 2024년 12월까지 총 96개월간의 국내 온 라인 식료품 거래액 데이터를 바탕으로 다중회귀분석과 ARIMA 시 계열 분석을 수행하였다. 우선 독립변수(1인 가구 수, 신선식품지수) 와 종속변수(온라인 거래액) 간의 인과관계를 파악하기 위해 다중회 귀모형을 구축하였으며, 이때 분산 팽창지수(VIF)를 산출하여 변수 간 다중공선성 문제를 사전 진단하고 모형의 통계적 유의성을 검증하 였다. 다음으로, 시계열 예측의 정확도를 높이기 위해 자기 상관함수 (ACF)와 편자기상관함수(PACF)의 패턴 분석 및 AIC·BIC 정보 기준 을 근거로 최적의 파라미터를 도출하여, 계절성을 반영한 최종 모형 인 SARIMA(2,1,0)(2,1,0)_{12}를 확정하였다.
주요 분석 결과, 다중회귀모형은 1인 가구 수 등의 거시 변수와 높 은 상관관계를 보이며 MAPE 4.927%의 예측력을 기록하였다. 반면, 자체적인 추세와 계절성을 반영한 ARIMA 모형은 MAPE 3.935%로 산출되어, 회귀모형 대비 더 정교한 예측 정확도를 보였다. 두 모형 모두 통계적으로 유의미한 예측력을 보였으나, 예측 오차의 최소화가 비용 효율성과 직결되는 신선 물류 시장의 특성을 고려할 때 ARIMA 모형이 실무적으로 더 적합한 도구임이 확인되었다. 분석 결과를 토대로 본 연구는 온라인 식료품 시장의 불확실성에 대응하기 위한 최적의 예측 도구로서 ARIMA 모형을 제안한다. 실무 적으로는 월별 운영 계획 수립, 안전재고 확보, 인력 및 배송 최적화 등 데이터 기반의 의사결정을 지원하여 물류 운영의 효율성을 제고하 는 데 기여할 수 있을 것으로 기대된다.

주요어 : 다중회귀 분석, 시계열 예측(ARIMA), 온라인 식료품 시 장, 포스트코로나, 수요예측

다국어 초록 (Multilingual Abstract)

Since 2020, the COVID-19 pandemic has served as a pivotal turning point, transcending a mere health crisis to trigger structural shifts in consumption behavior. This has driven rapid growth in the online grocery market, fueled by a preference for contactless transactions. This market expansion necessitates the broadening of logistics networks that encompass both fresh and processed foods. In particular, Cold Chain infrastructure, which requires strict temperature management, involves irreversible investments with high initial capital and operating costs. Therefore, precise demand forecasting for the overall online grocery market—a key leading indicator—is a prerequisite. Accordingly, this study empirically analyzes demand changes in the online grocery market using time-series data covering the pre- and post-pandemic periods, aiming to provide strategic implications for logistics operations and infrastructure development.
This study conducted Multiple Regression Analysis and ARIMA time-series analysis based on 96 months of domestic online grocery transaction data from January 2017 to December 2024. First, a multiple regression model was constructed to identify the causal relationship between independent variables (number of single-person households, Fresh Food Price Index) and the dependent variable (online transaction value). The Variance Inflation Factor (VIF) was calculated to diagnose multicollinearity issues, and the statistical significance of the model was verified. Next, to enhance forecasting accuracy, optimal parameters were derived based on ACF and PACF pattern analysis and AIC/BIC criteria. Consequently, the SARIMA(2,1,0)(2,1,0)_{12} model was finalized to account for seasonality.
The analysis results showed that the multiple regression model demonstrated a high correlation with macro variables such as the number of single-person households, recording a Mean Absolute Percentage Error (MAPE) of 4.927%. In contrast, the ARIMA model, which reflects inherent trends and seasonality, yielded a MAPE of 3.935%, demonstrating superior forecasting accuracy compared to the regression model. While both models showed statistically significant predictive power, the ARIMA model was identified as the more practically suitable tool, given the characteristics of the fresh logistics market where minimizing forecast error is directly linked to cost efficiency.
Based on these findings, this study proposes the ARIMA model as the optimal forecasting tool for addressing uncertainty in the online grocery market. Practically, this study is expected to contribute to enhancing logistics operational efficiency by supporting data-driven decision-making, such as establishing monthly operational plans, securing safety stocks, and optimizing manpower and delivery resources.

keywords : Multiple Linear Regression (MLR), Time Series Forecasting (ARIMA), Online E-commerce, Post-COVID, Cold Chain Logistics, Demand Forecasting

목차 (Table of Contents)

• 제 1 장 서론 1
• 제 1 절 연구 배경 1
• 제 2 절 연구 필요성 1
• 제 3 절 연구 목적 2
• 제 2 장 이론적 배경 및 현황 5
• 제 1 절 온라인 이커머스 시장 현황 5
• 제 2 절 온라인 식료품 시장의 구조적 특성 및 물류 · 7
• 제 3 절 물류 서비스 고도화 및 인프라 진화 10
• 제 3 장 선행 연구 검토 14
• 제 1 절 물류 수요예측에 관한 연구 14
• 제 2 절 온라인 식료품 시장에 관한 연구 15
• 제 3 절 선행연구와의 차별성 16
• 제 4 장 연구 방법론 17
• 제 1 절 분석 진행방향 17
• 제 2 절 데이터 수집 및 가설 설정 18
• 제 3 절 다중회귀모형 설계 20
• 제 4 절 시계열모형 설계 21
• 제 5 장 실증 분석 결과 22
• 제 1 절 기술통계 및 상관분석 22
• 제 2 절 다중회귀모형 분석 결과 24
• 제 3 절 ARIMA모형 분석 결과 26
• 제 4 절 예측 모형의 적용 결과 및 활용 30
• 제 6 장 결론 32
• 제 1 절 연구 결과 요약 32
• 제 2 절 시사점 33
• 제 3 절 연구의 한계 및 향후 연구 방향 33
• 참고문헌 35
• Abstract 38