디지털 트랜스포메이션이 4PL 물류 효율성에 미치는 영향 = Effects of Digital Transformation on the Operational Efficiency of 4PL Logistics

국문 초록 (Abstract)

본 연구는 국내 4PL 물류기업인 STL을 사례로, Auto Labeler 도입이 물류센터 운영 성과에 미치는 영향을 실증적으로 분석하는 데 목적을 둔다. 최근 전자상거래 확대와 인력난, 단축되는 리드타임 요구 속에서 물류 자동화는 선택이 아닌 필수 전략으로 부상하고 있으나, 실제 운영 데이터를 바탕으로 자동화 설비 도입 효과를 계량적으로 검증한 연구는 여전히 부족하다. 특히 동일한 설비라 하더라도 도입 시점과 센터별 운영 구조에 따라 성과가 어떻게 달라지는지에 대한 체계적인 분석이 필요하다.
이를 위해 본 연구는 Auto Labeler를 도입한 A, B, C 센터와 미도입 통제군인 D 센터의 2024년 4월부터 2025년 9월까지 18개월간 Center-Month 패널 데이터를 구축하였다. 생산성(시간당 처리량)과 오류율(처리 건수 대비 오류 건수 비율)을 종속변수로 설정하고, Auto Labeler 도입 여부(Treat), 도입 직후 2개월(Early), 도입 3개월 이후 안정기(Late)를 핵심 설명변수로 하는 Difference in Differences(DID) 모형을 추정하였다. 센터 고정효과와 월 고정효과를 포함하여 센터별 구조적 차이와 시계열 충격을 통제하였으며, 도입 이전 기간에 대한 평행추세 검증을 통해 DID 분석의 인과적 타당성을 확보하였다. 나아가 각 도입 센터를 개별적으로 통제군과 비교하는 센터별 DID 분석을 수행하여 자동화 도입 효과의 이질성을 추가로 확인하였다.
분석 결과, Auto Labeler 도입 초기에는 약 5.4% 수준의 생산성 감소 효과를 보였으나, 통계적으로 유의하지 않았다. 이는 도입 직후 작업자 학습 비용과 공정 재설계에 따른 일시적 혼선을 반영하는 것으로 해석된다. 반면 안정기는 약 10.6%의 생산성 증가 효과를 보였고, 1% 유의수준에서 통계적으로 유의하게 나타났다. 이는 일정 기간의 적응을 거친 이후 Auto Labeler가 공정 표준화와 흐름 안정화를 통해 구조적인 생산성 향상 효과를 창출함을 의미한다. 오류율을 종속변수로 한 분석에서는 도입 전후 모두 오류율이 감소하는 방향성이 관찰되었으나, 평균 오류율 수준이 0.06%로 매우 낮아 표본 규모와 분석 단위의 제약으로 인해 통계적 유의성에는 도달하지 못하였다. 센터별 DID 분석 결과 역시 자동화 효과가 모든 센터에서 균일하게 나타나지 않음을 보여준다. A 센터는 안정기에 약 17.8%, B 센터는 15.6%, C 센터는 20.6%의 생산성 증가 효과가 나타나는 등 센터별 운영 구조와 SKU 구성, 작업 패턴에 따라 효과의 크기와 경로가 상이하게 나타났다. 이는 자동화 설비 도입이 단일 평균 효과로 설명되기보다 센터별 맥락과 도입 전략에 따라 이질적으로 발현된다는 점을 시사한다.
본 연구는 실제 4PL 물류기업의 패널 데이터를 활용하여 Auto Labeler 도입 효과를 DID 모형으로 분석함으로써, 물류센터 자동화의 동태적 성과와 센터별 이질적 효과를 동시에 규명했다는 점에서 학술적 실무적 의의를 지닌다. 연구 결과는 물류기업이 자동화 투자 의사결정을 내릴 때 “도입 여부”뿐 아니라 “어떤 센터에, 어떤 시점과 공정에, 어떠한 학습 기간을 전제로 도입할 것인지”를 설계하는 데 실증 기반 근거를 제공한다. 더 나아가 향후에는 일 단위 혹은 주문 단위 데이터와 추가적인 품질 지표를 활용한 분석을 통해 오류율과 서비스 수준 측면의 효과를 보다 정교하게 검증할 필요가 있다.

다국어 초록 (Multilingual Abstract)

This study empirically examines the impact of Auto Labeler adoption on warehouse performance in a Korean fourth-party logistics (4PL) firm, STL. Although automation has become a critical strategy in response to the rapid growth of e-commerce, labor shortages, and increasing pressure for shorter lead times, there is still a lack of quantitative evidence based on real operational data. In particular, little is known about how the effects of the same automation technology vary across centers with different operational structures and over different phases of the implementation process.
Using monthly panel data from April 2024 to September 2025, this study constructs a center–month dataset for three treatment centers (A, B, and C) that adopted Auto Labelers and one non-adopting control center (D). Two key performance indicators are analyzed: hourly productivity (processed orders per labor hour) and error rate (errors per processed order). A Difference in Differences (DID) model is employed with Auto Labeler adoption (Treat), an initial two-month period after adoption (Early), and a subsequent stable period (Late) as main explanatory variables. Center fixed effects and month fixed effects are included to control for time-invariant center characteristics and common time shocks, and a pre-trend analysis confirms the validity of the parallel trends assumption. Furthermore, separate DID models are estimated for each treatment center to investigate heterogeneous treatment effects.
The empirical results show that the Early coefficient for productivity is negative (around –5.4%) but statistically insignificant, indicating a temporary decline in productivity during the initial learning and process adjustment phase. In contrast, the Late coefficient is positive and statistically significant at the 1% level, corresponding to an approximate 10.6% increase in hourly productivity after the system reaches a stable phase. This suggests that Auto Labeler adoption generates structural productivity gains by standardizing processes and stabilizing workflow once workers have adapted to the new system. For the error rate, both Early and Late interaction terms exhibit negative signs, implying a potential reduction in errors; however, the effects are not statistically significant due to the very low baseline error rate (around 0.06%) and the limited sample size.
Center-level DID analyses reveal substantial heterogeneity in treatment effects. In the stable phase, productivity increases by approximately 17.8% in Center A, 15.6% in Center B following an initial decline of –17.7%, and 20.6% in Center C. These findings indicate that the impact of automation depends strongly on center-specific operational structures, SKU portfolios, and work patterns, rather than being uniform across facilities.
By applying a DID framework to actual operational data from a 4PL firm, this study contributes to the literature and practice by identifying both the dynamic effects of Auto Labeler adoption and its heterogeneous impacts across centers. The findings provide empirical guidance for logistics firms considering automation investments, emphasizing the need for center-specific strategies regarding where, when, and how to deploy automation technologies. Future research could extend this work by using higher-frequency data (e.g., daily or order-level) and additional quality indicators to more precisely evaluate the effects of automation on error rates and service levels.

목차 (Table of Contents)

• Ⅰ. 서론 1
• Ⅱ. 이론적 배경 및 가설 3
• 2.1 유통 물류 시장 배경 3
• 2.2 국내 물류 산업의 구조적 특성 4
• 2.3 디지털 전환과 Auto Labeler의 이론적 메커니즘 4
• 2.4 디지털 전환에 따른 도입 성과의 동태성과 학습 곡선 6
• Ⅲ. 연구 설계 및 방법 9
• 3.1 연구 데이터 및 표본 구성 9
• 3.2 연구 설계 및 변수 정의 9
• 3.3 평행추세 가정 및 사전 추세 검증 12
• Ⅳ. 연구 결과 14
• 4.1 센터별 DID 결과 22
• 4.1.1 센터별 효과 차이가 발생하는 이론적 요인 26
• 4.1.2 센터별 효과 분석의 종합적 시사점 26
• Ⅴ. 결론 27
• 5.1 연구 요약 27
• 5.2 이론적 공헌 28
• 5.3 실무적 공헌 28
• 5.4 연구 한계 28
• 5.5 향후 연구 방향 29
• Ⅵ. Reference 30
• 영문초록 34