통행수요예측시 활동기반모형의 특성분석

이승철 경기대학교 대학원 2002 국내석사

전통적인 4단계수요추정모형에서 가구원들에 의해서 만들어지는 통행은 통행들간 연계된 분석을 하지 못하며 시시각각으로 변하는 통행패턴을 분석하기 어렵다. 이러한 모형의 한계점을 극복하기 위하여 1980년대 초반부터 활동기반 접근 방법의 교통수요 모형이 개인의 통행 특성을 고려하여 개발되기 시작하였다. 본 논문의 목적은 활동기반모형의 특성을 논하고 활동기반모형을 토대로 하는 TRANSIMS를 활용하여 가상의 네트워크 하에서 개인의 활동행태와 차량의 통행행태를 반영하는 미시적인 시뮬레이션을 실시하고자 한다. 이때 동일한 가상의 네트워크로 전통적인 4단계모형 기반인 emme/2의 분석과 비교하고 그 차이점을 제시하고자한다. 모형 특성을 비교하기 위하여 가상의 네트워크를 구성하였다. 이 가상의 네트워크는 격자형 네트워크로 고속도로(freeway), 주간선도로(primary artery), 보조간선도로(secondary artery), 집분산도로(collector street)와 국지도로(cocal street)를 포함하고 있다. 활동기반모형은 가구원 개개인의 활동을 기초로 하며, 가구나 가구원 자료를 중심으로 하고, 통행을 목적활동에서 파생되는 유발수요로서 다루며, 하루동안의 지속적인 분석이 가능하며, 단기교통정책 분석이 용이한 특성을 갖는다. 시뮬레이션 분석에 있어서 emme/2는 거시적인 분석을 실시하는 프로그램 패키지로 통행자 통행행태를 존으로 집합화된(aggregate) 속성값을 활용하여 통행패턴을 추정한다. 반면에 TRANSIMS는 미시적인 분석을 실시하는 프로그램 패키지로 개별 가구원의 활동행태와 개별 차량의 통행특성을 시뮬레이션에 반영한다. 네트워크 구성에서 기본적인 네트워크 형태와 구성은 동일하나 분석방법에 차이가 있으며 많은 변수의 입력값들에도 차이가 있어 네트워크 비교가 용이하지 않다. 수요측면에서도 활동기반모형을 토대로 하는 TRANSIMS는 가구구성과 가구원 개개인의 활동수를 이용하는 반면 emme/2는 존별로 통합된 유·출입 통행 또는 수단 통행을 수요 예측에 이용하는 차이가 있다. 이러한 상이한 조건에서 emme/2와 TRANSIMS로 시뮬레이션 한 결과 emme/2는 총통행시간에서 통행수요 증가에 따라 급격하게 증가하는 패턴을 보이는 반면 TRANSIMS는 통행수요의 증가가 일정 수요 이전까지는 계속 증가하는 패턴을 보이다 통행수요가 일정 수준 이상에서는 큰 폭의 변화가 없는 패턴을 나타냈다. 네트워크 평균속도에서 emme/2는 통행수요 증가에 따라 네트워크 평균속도가 매우 낮은 분포에서 변화 폭이 줄어든 반면 TRANSIMS는 통행수요 증가로 지속적인 감소를 보이다 30km/h의 속도 부근에서 균일한 분포 패턴을 나타냈다. 이는 emme/2에서는 존간 통행수요 증가에 따라 모든 통행수요를 네트워크 전체에 배분(assign)하게 되나, TRANSIMS에서는 존간 통행수요가 증가하여도 실제 네트워크상에서는 일시에 모든 수요가 배분되지 않기 때문인 것으로 판단된다. The traditional four-step demand forecasting model can not analyze relationships mean vehicle movements and the constantly changing flow pattern. It is because the traditional four-step model analyzes aggregated trips mode by households. To overcome the limitation of the model, th activity-based approach regarding the individual travel characteristics has been studied from the early 1980's The purpose of this thesis is to deal with to activity-based model and to execute traffic micro-simulation reflection individual activity movement and vehicle movement by TRANSIMS. Also the simulation results produced by TRANSIMS were compared with those of emme/2 based on a toy networks. According to the simulation, it was concluded that emme/2 highly depends on travel demand, and total travel demand was assigned to all over the network. However, TRANSIMS did not assign the total travel demand when the demand reaches the highway capacity

서울시 및 인접도시의 권역별 주택수요 전망

이강일 건국대학교 2006 국내석사

한글초록 :부동산 시장을 전망하기위해서는 부동산 가격에 영향을 미치는 몇 가지 요소를 점검하고 가야 할 필요가 있다. 부동산 가격에 영향을 미치는 요인 중 가장 먼저 따져봐야 할 것은 거시경제부문이다. 삼성경제연구소등 민간연구소나 한국은행에서 발표하는 향후 경제성장률은 4-5%선으로 점차적으로 우리나라의 저성장률을 지속할 것으로 예상되고 있다. 이러한 경제성장률의 둔화는 고유가의 불안과 내수침체 등에 기인한 것으로 분석된다. 그렇지만 부동산의 시장은 이상 고가 현상을 보이는 점도 발견되는데 그것의 핵심은 강남의 아파트를 비롯한 서울시의 주택가격의 불안정이다. 이에 정부는 8.31 대책과 같은 부동산 시장 억제책을 사용하여 부동산 가격 안정화를 꽤하고 있다. 하지만 과거 30여년간 주택가격 흐름을 놓고 볼 때 가격 상승기의 가장 결정적요인을 제공한 것은 수요를 충족시키지 못하는 공급부족이었다. 70년대나 80년대 말 가격 상승은 물론 2000년 초 주택가격 상승도 역시 외환위기로 인한 급격한 주택공급 감소가 결정적인 용인으로 작용하였다. 따라서 주택 시장을 분석할 때 수요와 공급 측면을 한번 짚고 넘어가야할 필요가 있다. 우선 ‘01년부터 ’03년의 주택의 공급현황을 보면 ‘01년 52만9천여 호, ’02년 66만6천여 호, ‘03년 58만5천여 호로 예년의 공급물량을 초과하는 모습을 보였다. 현재 서울시는 2012년까지 25개의 뉴타운을 계획 중이고, 건교부는 판교, 화성, 파주, 수원, 김포 등의 신도시개발을 수립하여 수도권의 주택의 양적부족을 해결해내려고 하고 있다. 하지만 이런 양적 부족을 해결하는 정책과 더불어서 정부는 10.29대책이나 8.31대책 등과 같은 부동산 가격을 규제하기위한 법률을 만들면서도 다른 한편으론 가격의 안정을 위해서 공급확대의 정책을 사용하고 있는 중이다. 따라서 지역별 주택수요의 규모를 파악하는 일은 매우 중요한 일이라 할 수 있겠다. 공급자 입장에서는 자원의 비효율적 이용을 방지할 수 있고, 소비자 입장에서는 주택부족으로 인한 주택가격의 급등으로 발생하는 사회적 비용을 방지 할 수 있기 때문이다. 그리하여 최근 주택정책에 가장 큰 중심에 있는 서울시와 그 인접도시를 중점적으로 연구하여 적절한 지역주택수요를 추정하는데 있다. 서울시의 뉴타운계획이나 정부의 신도시의 개발, 행정도시의 이전 등의 정책이 복합적으로 진행되는 과정 중에서 S.M.A의 적절한 지역별 주택 공급의 규모를 파악한다면 주택의 과소, 과대공급에 따르는 자원의 비효율적 활용과 그로 인한 사회적 비용을 방지할 수 있을 것이다. 본 연구는 부동산 시장에서의 적정한 주택수요의 규모를 파악하여, 향후 주택공급을 어느정도 선에서 결정해야 하는가에 대한 연구에 주안점을 두었다. 그리하여 서울을 중심도시로 놓고 경기도의 도시들을 MSA(표준대도시통계지구)의 기준을 참고로 하여 서울시의 인접지역으로 선정하여 그 도시들과 서울시의 지자체를 출퇴근권과 생활권을 중심으로 하여 총 5개의 권역- 도심권, 서북부권, 서남부권, 동남부권, 동북부권 으로 나누어서 각 권역별로 주택수요량을 파악하였다.본 연구에서의 주택수요 추정방법은 크게 두 가지 방법으로 이루어진다. 첫째, 1인당 주택연면적을 이용한 방법이다. 이는 최근의 추세를 알기위하여 90년 이전의 인구변화를 배제한 ‘92년부터 ’04년까지의 인구변화를 이용하여 장래 인구를 추정하여 향후 주택 필요연면적을 추정하는 방법이다. 둘째, Mankiw and Weil 모형을 이용한 주택수요를 추정하는 방법이다. 이는 인구구조를 이용하여 주택수요를 파악하는 것으로 주택면적을 종속변수로 놓고 연령대의 인구를 독립변수로 설정하여 주택수요를 파악하였다. 여기서 는 j번째 가구원이 살이면 1, 그렇지 않으면 0의 값을 갖는 더미변수이고, 는 살인 가구원의 주택수요를 나타낸다.결과는 다음과 같다. 권 역2006~20102011~20152006~20151인당 주택면적 M-W 모형1인당 주택면적 M-W 모형1인당 주택면적 M-W 모형도심권71,118 102,855 43,691 72,238 114,809 175,094 서북부권257,121 229,402 292,886 197,513 550,007 426,915 서남부권221,799 381,952 226,665 293,983 448,464 675,935 동남부권99,556 308,952 132,681 230,127 232,237 539,078 동북부권204,366 292,772 194,105 223,726 398,471 516,498 수도권1,498,176 1,926,132 1,484,197 1,524,018 2,982,373 3,450,150 주택수요 추정치의 비교단위 : 호각 모형의 장기 주택수요 규모를 비교해보면 2015년까지의 주택수요가 1인당주태연면적을 활용한 주택의 공급규모가 수도권 정부의 계획과 가장 근접하게 나타나지만 Mankiw-Weil 모형은 다소 과대 추정된 경향이 보인다. 이러한 추정치를 다시 권역별로 구분해서 보면 다음과 같다.권 역1인당 주택면적M-W 모형도심권11,48117,509 서북부권55,00142,692 서남부권44,84667,594 동남부권23,22453,908 동북부권39,84751,650 수도권298,237345,015 권역별 연평균 주택수요량 추정치이상에서 추정된 주택수요의 결과를 보면 대상지의 수도권의 비중은 ‘92년에 74%에서 ’04년에 68%으로 비중이 점차 줄어들어서 장기적으로 인구수가 지속적으로 감소할거라 예상이 되었지만 최근에 행정도시 이전과 맞물려서 서울시는 뉴타운 계획과 판교신도시나 김포 신도시와 같은 수도권의 신도시 개발 등으로 인해 장기 인구의 추이는 그 감소율이 다소 완만하게 이루어져 2010년경에는 67%, 2015년경에는 66.2%정도로 예상된다. 하지만 인구의 비중에 배해 대상지의 주택수요량은 약 57%선에 있어 수도권의 개발의 중심이 서울시와 그 인접도시보다는 외곽으로 최근에 많이 일어나는 것이라 예상될 수 있다. 보다 자세히 보면 권역별로 주택수요량이 기존의 개발 축이었던 경부고속도로권을 중심으로 한 동남부권은 판교신도시나 송파 거여신도시의 영향을 고려함에도 불구하고 그 주택의 수요량이 2015년까지 총 232,237호로 서북부권의 총 550,007호나 서남부권의 총448,464호에 비하면 절반이나 2/3정도 밖에 안 나타나게 된다. 이러한 점은 기존의 주요개발 축이었던 동남부권의 개발 가능지의 부족이나 기개발이 많이 일어나게 되면서 추가여력이 적게 나타는 것으로 판단된다

수요응답형 버스 이동 만족도에 영향을 미치는 버스 서비스 요인에 관한 연구 : 인천광역시 I-MOD 영종도 서비스 사례를 중심으로

금은지 서울시립대학교 일반대학원 2024 국내석사

본 연구는 스마트시티 도시교통 프로젝트의 주요한 정책인 수요응답형 버스 도입에 따른 이동 만족도에 영향을 미치는 버스 서비스요인을 파악하는 것을 목적으로 한다. 현재 수요응답형 버스는 도시지역으로 정책이 확대되어 운영되고 있으나 이용자의 기대와 요구 등을 파악하고 충족하기 어려워 초기수요를 충족시키기지 못하고 있다. 이러한 문제를 해결하기 위해 수요응답형 버스 이용자의 만족도와 제공되는 버스 서비스요인 간의 영향 정도를 파악하여 정책과 이용자 간의 의사소통에 기여 하고자 하였다. 본 연구에서는 기존에 제공하고 있는 노선버스 서비스요인과 수요응답형 버스 서비스요인을 활용하였다. 데이터들을 활용하여 기존 버스 서비스요인 중 이용자 만족도에 영향을 미치는 요인과 수요응답형 버스 서비스요인 중 이용자 만족도에 영향을 미치는 요인을 도출해내고자 하였다. 수요응답형 버스 서비스요인은 인천광역시 I-MOD 수요응답형 버스 이용자들의 승차요청 이력데이터를 활용하였다. 이용자의 승하차 시간과 승하차 정류장 등을 알 수 있고, 서비스 이용에 따른 즉각적인 이동 만족도를 활용할 수 있다. 기존 노선버스 서비스요인은 수요응답형 버스 이용 시 승하차 버스정류장에 따른 기존 노선버스가 제공하고 있는 서비스요인을 활용하고자 하였다. 카카오맵을 활용하여 버스 경로, 요금, 이동시간 등의 데이터를 수집하였다. 본 연구에서는 종속변수가 이항변수로 이용자들이 만족했을 때와 만족하지 못했을 때의 경우들을 분석하기 위해 로지스틱 모형을 활용하였다. 로지스틱 모형을 활용한 분석결과 수요응답형 버스를 탑승하기 위한 기존 버스정류장까지의 거리가 멀수록 만족도가 감소한다고 나타났으며, 버스 서비스가 제공되는 환경 요인에 영향을 받는다고 나타났다. 따라서, 본 연구는 수요응답형 버스의 만족도를 높일 수 있는 버스 서비스 제공 요인을 도출하여 수요응답형 버스가 지속가능한 교통수단이 될 수 있도록 유의미한 정보를 제시할 것으로 기대된다. This study aims to explore how bus service attributes influence passenger satisfaction in the context of Demand-Responsive Bus, a key component of smart city urban transportation plan. Despite the expansion of Demand-Responsive Bus in urban areas, they struggle to meet initial expectations due to challenges in understanding and fulfilling user needs and preferences. To bridge this gap, this research focuses on evaluating the impact of various bus service attributes on the satisfaction levels of users of Demand-Responsive Bus. The study employs a comparative analysis approach, utilizing factors from both traditional route bus services and Demand-Responsive-Bus services. For Demand-Responsive-Bus services, user ride request history data from the I-MOD demand response system in Incheon Metropolitan City was analyzed. This included boarding and disembarking times and locations, as well as immediate travel satisfaction metrics. For traditional route bus services, data on routes, fares, and travel times were collected through Kakao Map, focusing on the services accessed by users of Demand-Responsive-Bus. A logistic regression model was applied to assess the influence of these factors on user satisfaction, treating satisfaction as a binary dependent variable. The analysis revealed that user satisfaction decreases as the distance to the nearest conventional bus stop increases and is significantly affected by the environmental context in which bus services are provided. Consequently, this study provides valuable insights for enhancing the effectiveness of Demand-Responsive-Bus services as a sustainable transportation option in smart cities. By identifying key service provision factors that elevate user satisfaction, it contributes to the ongoing development and optimization of demand-responsive transportation systems.

고속철도 다중역 접근확률을 고려한 데이터 기반 수요예측

홍서영 명지대학교 대학원 2025 국내박사

본 연구는 승객이 여러 출발역 대안 중 특정 역을 선택할 확률인 접근확률을 기반으로, 고속철도 수요를 예측하는 모델을 개발하는 데 초점을 맞추고 있다. 기존의 4단계 교통수요 예측 모형은 하나의 행정구역에서 발생하는 모든 수요를 가장 인접한 역으로 전량 배분하거나, 배정된 통행량과 실제 통행량 사이의 오차를 정산 작업으로 보정하는 방식에 의존해왔다. 그러나 이러한 접근은 철도망 이용 행태를 충분히 반영하지 못하고, 분석가의 주관적 판단과 과도한 시간·비용 소모로 인해 예측 결과의 신뢰성과 일관성을 확보하기 어려운 한계를 보였다. 이를 극복하기 위해 본 연구는 접근확률 개념을 도입하여 승객의 역선택 과정을 정량적으로 모사하고, 이를 새로운 예측 모델에 적용하였다. 먼저, 기존 모델의 단순한 접근 방식을 넘어, 설문조사와 실제 데이터를 활용하여 승객의 역선택과 접근확률을 정량적으로 분석할 수 있는 알고리즘을 개발하였다. 또한, 역선택에 영향을 미치는 주요 요인을 분석하여 모델에 반영함으로써 예측 정밀도를 높였고, 기계학습 기법을 적용해 역별 수요 예측의 신뢰성을 크게 향상시켰다. 연구 결과, 주요 역에서 평균 오차율 3% 미만의 높은 성과를 달성하였다. 분석 결과, 수요 예측 모델은 서울, 영등포, 수서, 광명, 용산 등 주요 역에서 오차율이 1% 미만으로 나타났으며, 동탄, 행신, 상봉역에서도 3% 미만의 오차율을 기록하였다. 연구의 주요 과정은 다음과 같다. 첫째, 설문조사를 통해 승객들이 역을 선택할 때 고려하는 주요 요인을 도출하였다. 수도권 철도 이용 경험이 있는 1,023명의 승객을 대상으로 한 설문 결과, 응답자의 67.4%가 2개 이상의 대안역을 고려하며, 최대 3개의 대안역을 고려한 비율이 전체의 95%에 달하는 것으로 나타났다. 설문조사에서는 배차 간격, 접근 시간, 주차 면수, 노선 수 등이 역선택 확률에 유의미한 영향을 미치는 것으로 확인되었다. 둘째, 이러한 설문조사 결과를 바탕으로 다양한 실제 데이터를 활용해 데이터셋을 구축하였다. 국가교통DB, 철도통계연보, 스마트카드 데이터, Tmap API 등의 데이터를 기반으로 설명변수를 체계적으로 수집하였으며, 최적화 알고리즘을 통해 존-역 간 수요 분배를 현실적으로 계산하여 예측변수인 접근확률을 추정하였다. 셋째, 구축된 데이터셋을 바탕으로 다양한 기계학습 기법을 적용하여 예측 모델의 성능을 비교 분석하였다. MLP, Random Forest, LightGBM, XGBoost 등 최신 기계학습 모델을 활용하여 각 모델의 예측 성능을 검증하였으며, 특히 SHAP(Shapley Additive Explanations)를 통해 모델의 해석 가능성을 높이고, 변수 중요도를 평가하였다. 넷째, 연구에서 개발된 접근확률 기반 예측 알고리즘은 실제 철도망 구조를 반영한 다양한 상황에 대한 사례분석을 통해 검증되었다. 연구에서 제안한 접근확률 기반 모델은 GTX 개통, 대중교통 노선확충, MaaS 도입 등 변화하는 환경에 수요와 접근확률이 실제 상황에 적합하게 반영되는 것을 확인하였다. 본 연구는 철도 수요 예측의 정밀도를 높이고, 기존 모델의 한계를 극복할 수 있는 새로운 패러다임을 제시한 초기 연구로서, 학술적 및 실무적 기여를 제공한다. 개발된 알고리즘은 철도 운영자가 신속하고 신뢰성 있는 데이터 기반 의사결정을 내릴 수 있도록 지원할 수 있는 도구로 활용될 수 있다. 또한, 고속철도 이용자들의 선택 행태와 실제 네트워크 구조를 반영한 수요예측 결과를 통해, 철도망 확장 및 운영 전략 수립에 중요한 통찰을 제공한다. 향후 연구에서는 본 모델을 다양한 지역과 환경에서 검증하고, 데이터의 지속적 업데이트와 외부 데이터를 활용하여 정교한 모델을 개발할 필요가 있다. 또한, 미수용수요(초과 수요)에 대한 연구를 통해 잠재 수요를 정확히 반영함으로써 철도 서비스 개선과 정책 결정에 실질적인 기여를 할 수 있을 것으로 기대된다. This study focuses on developing a demand prediction model for high-speed rail based on the concept of access probability, which represents the likelihood of passengers choosing a specific departure station among multiple alternatives. Traditional four-step transportation demand prediction models have relied on assigning all demand within an administrative district to the nearest station or adjusting discrepancies between assigned and observed travel volumes through calibration processes. However, such approaches fail to adequately reflect actual travel behavior within rail networks, rely heavily on subjective judgments by analysts, and require excessive time and resources, limiting the reliability and consistency of the results. To overcome these limitations, this study introduces the concept of access probability to quantitatively model passengers' station choice behavior and applies it to a new predictive model. First, the study moves beyond the simplistic approaches of existing models by developing an algorithm that uses survey and real-world data to analyze passengers' station choices and access probabilities quantitatively. Additionally, by identifying key factors influencing station choice and incorporating them into the model, the study significantly enhances prediction accuracy. Machine learning techniques were also applied to improve the reliability of station-specific demand predictions. The findings indicate that the proposed model achieved high prediction accuracy, with an average error rate of less than 3% for major stations. Specifically, the error rate was below 1% for stations such as Seoul, Yeongdeungpo, Suseo, Gwangmyeong, and Yongsan, while stations like Dongtan, Haengsin, and Sangbong also recorded error rates below 3%. The study’s methodology involved several key steps. First, a survey of 1,023 passengers with experience using metropolitan rail was conducted to identify the key factors influencing station choice. The survey results revealed that 67.4% of respondents considered more than two alternative stations, with up to three stations being considered by 95% of respondents. Factors such as headway, access time, parking availability, and the number of transit lines were found to significantly impact station choice probabilities. Second, a dataset was constructed by integrating real-world data from sources such as the Korea Transport Database (KTDB), rail statistics yearbooks, smart card data, and Tmap API. Variables were systematically collected, and access probabilities were estimated using optimization algorithms to realistically model the distribution of demand between zones and stations. Third, various machine learning techniques, including MLP, Random Forest, LightGBM, and XGBoost, were applied to evaluate the performance of the prediction model. SHAP (Shapley Additive Explanations) analysis was utilized to enhance interpretability and assess variable importance. Finally, the access probability-based prediction algorithm was validated through scenario analyses reflecting the actual rail network structure. The proposed model demonstrated its applicability in various contexts, including the opening of GTX lines, expansion of public transit routes, and the introduction of MaaS, effectively capturing demand and access probability under changing conditions. This study offers a new paradigm for rail demand forecasting by addressing the limitations of traditional models and improving prediction accuracy. The developed algorithm provides a practical tool for rail operators to make rapid and reliable data-driven decisions. Moreover, by incorporating user behavior and real network structures into the predictions, the model delivers critical insights for rail network expansion and operational strategy development. Future research should focus on validating the model across diverse regions and conditions while continuously updating datasets and integrating external data to refine the model further. Additionally, studies on unmet demand (excess demand) could help accurately account for latent demand, contributing to improved rail services and evidence-based policymaking.

한국 인플레이션의 구조적 이해 : 수요·공급 주도 인플레이션 분석

홍소은 서강대학교 일반대학원 2025 국내석사

인플레이션은 중앙은행의 기준금리 설정과 가계의 생활 방식에 큰 영향을 미치는 중요한 지표이다. 따라서 인플레이션의 원인을 분석하고 예측하는 것은 정부뿐만 아니라 일반 대중들에게도 도움이 되기 때문에 필수적으로 연구되어야 할 과제이다. 특히, 코로나 19로 인한 글로벌 공급망 붕괴와 지정학적 리스크로 인한 국제 에너지 및 원자재 가격 상승 압력으로 인해 공급 주도 인플레이션의 영향력이 커지면서, 인플레이션을 수요와 공급 주도로 분해하여 분석하는 것이 인플레이션 관리에 효과적이다. 본 연구는 2000년부터 2023년까지 우리나라에서 지출목적으로 분류된 12개 부문의 분기별 소비자물가지수와 최종소비지출 데이터를 활용하여 Shapiro(2024) 방법론을 적용해 수요와 공급 측면으로 인플레이션을 나누었다. 또한, Sheremirov(2022) 방법론을 참고하여 인플레이션을 지속성에 따라 일시적 수요 및 공급 인플레이션, 지속적 수요 및 공급 인플레이션으로 세부적으로 분해하였다. 그리하여 시기별 인플레이션 압력의 주된 원인을 분석하였고, 설명되지 않는 인플레이션의 구조적 메커니즘을 이해하기 위해 네트워크 방법론을 적용하였다. 연구 결과, 한국의 경제 위기 시기(글로벌 금융위기, 코로나 팬데믹)에는 공급 주도 인플레이션이 주된 원인이었는데, 이는 경제 위기 시기에는 총수요 감소로 인해 섹터 간 유사성이 증가하여 섹터 간 전체적인 스필오버 효과는 증가했기 때문으로 해석할 수 있다. 그러나 지속성 범주로 나눈 인플레이션에 있어서 시기별로 다른 메커니즘이 작용하였다. 수요와 공급 충격이 주로 일시적이었다. 이는 글로벌 금융위기 동안에는 섹터 간 국소적인 스필오버 효과의 변동성이 커져 특정 섹터에서만 충격이 전파되어 일시적인 수요와 공급 인플레이션이 주된 비중을 차지한 것이다. 반면, 코로나 시기에는 일시적인 요인뿐만 아니라 지속적인 공급 주도 인플레이션도 주요 원인으로 작용했다. 당시 심각한 공급망 차질로 인해 지속적인 공급 인플레이션도 인플레이션 상방 압력으로서의 비중이 커지게 되었음을 이해할 수 있다. 그리고 두 시기 모두 경제적 불확실성이 커져 네트워크 구조의 변동성이 증가하면서 인플레이션의 급격한 변화를 초래한 것이 관찰되었다. 인플레이션 압력요인을 보다 정밀하게 이해하는 것을 넘어, 향후 경제 정책 수립에 있어 더 효과적인 대응 방안을 제시하기 위해 GraphSAGE 모델을 활용하여 네트워크 구조를 기반으로 인플레이션 예측을 진행하였다. 그 결과, 수요와 공급 인플레이션을 구분하고 이를 지속성과 일시성으로 세분화할수록 인플레이션 예측력이 높아졌다. 팬데믹과 같은 새로운 경제 환경에서도 모델이 인플레이션 변화를 잘 포착하고 있다는 것을 확인하였다. 이는 네트워크 구조로 모델링한 인플레이션에 대한 예측 성능을 검토했을 뿐만 아니라, 수요 및 공급 주도로 인플레이션을 분해하는 것이 향후 인플레이션 관리 대응책이나 위기 경보 모니터링에서도 중요한 역할을 할 수 있음을 시사한다. 본 연구로 수요 및 공급 주도로 인플레이션을 분해하여 상방 압력의 원인을 명확히 규명하였고, 이는 정밀한 정책 수립의 기초 자료로 활용될 수 있을 것이다. 또한, 네트워크 분석을 통해 인플레이션의 동적 메커니즘을 보완적으로 이해함으로써 섹터 간 상호작용에서 발생하는 스필오버 효과를 선제적으로 파악하고, 이에 따른 리스크를 효과적으로 관리할 수 있는 근거를 마련하였다. 이러한 접근은 향후 인플레이션의 예측력 향상뿐만 아니라 통화 정책의 정교함을 높이는 데 기여할 것이라고 기대되는 바이다. Inflation is a crucial indicator that significantly influences central bank policy rate decisions and household lifestyles. Therefore, analyzing and predicting the causes of inflation is essential not only for governments but also for the general public, making it a critical area of research. Particularly, as the impact of supply-driven inflation grows due to global supply chain disruptions caused by COVID-19 and upward pressure on international energy and raw material prices driven by geopolitical risks, analyzing inflation by dividing it into demand- and supply-driven components proves effective for managing inflation. This study applied Shapiro's (2024) methodology to decompose inflation into demand- and supply-side components, utilizing quarterly Consumer Price Index (CPI) and final consumption expenditure data classified by 12 spending categories in South Korea from 2000 to 2023. Additionally, referencing Sheremirov's (2022) methodology, inflation was further broken down by persistence into temporary and persistent demand and supply inflation. Through this approach, the study analyzed the primary causes of inflationary pressure during different periods and employed network methodologies to understand the structural mechanisms of unexplained inflation. The results revealed that during economic crises in South Korea, such as the Global Financial Crisis and the COVID-19 pandemic, supply-driven inflation was the main driver. This can be interpreted as an increase in overall spillover effects among sectors during such crises due to heightened sectoral similarity driven by reduced aggregate demand. However, different mechanisms operated depending on the persistence category of inflation. Both demand and supply shocks were predominantly temporary. During the Global Financial Crisis, volatility in local spillover effects across sectors increased, causing shocks to propagate within specific sectors, leading to temporary demand and supply inflation. Conversely, during the COVID-19 pandemic, both temporary factors and persistent supply-driven inflation played a significant role. Severe supply chain disruptions during this period increased the weight of persistent supply-driven inflation as a key upward pressure on inflation. In both periods, increased economic uncertainty led to heightened volatility in network structures, resulting in sharp inflation changes. Moving beyond a detailed understanding of inflationary pressures, the study employed a GraphSAGE model to predict inflation based on network structures, aiming to propose more effective policy responses. The findings showed that distinguishing between demand and supply inflation and further categorizing them by persistence significantly enhanced inflation forecasting accuracy. Notably, the model effectively captured inflation changes even in new economic environments such as the pandemic. This not only demonstrated the predictive performance of modeling inflation using network structures but also underscored the importance of decomposing inflation into demand- and supply-driven components for future inflation management strategies and crisis early-warning systems. By decomposing inflation into demand- and supply-driven components, this study clearly identified the sources of upward pressure, providing foundational data for precise policy formulation. Furthermore, by complementarily understanding the dynamic mechanisms of inflation through network analysis, it established grounds for proactively identifying spillover effects arising from sectoral interactions and effectively managing the associated risks. Such an approach is expected to contribute not only to improving inflation forecasting accuracy but also to enhancing the sophistication of monetary policy.

제품수요 특성에 따른 공급체인 구성원의 재고 전략이 공급체인 채찍효과에 미치는 영향

박성훈 동의대학교 대학원 2003 국내석사

공급체인에서 발생하는 수요증폭현상 즉, 공급체인 채찍효과를 감소시키고 공급체인의 성과를 높이기 위한 가장 효율적인 방안은 정보공유이다. 본 연구는 정보공유가 이루어진 공급체인에서 유통업자가 사용하는 재고 전략이 공급체인 채찍 효과와 공급체인 성과에 어떠한 영향을 미치는 가를 MIT의 맥주배송게임모델을 바탕으로 알아보았다. 그 결과 정보 공유는 공급체인 채찍효과를 감소시키고 공급체인 성과를 향상시킨다는 것을 재확인 할 수 있었다. 본 연구는 효율적인 공급체인의 구성이 제품 수요의 특성을 기준으로 볼 때 서로 다르고, 정보 공유가 이루어진 공급체인은 혁신적인 제품 보다는 기능적인 제품에 더 효율적인 전략이 된다는 사실과 정보 공유가 이루어 지더라도 각 단계에서 이루어지는 개별적인 의사결정으로는 소기의 성과를 달성할 수 없다는 사실에 근거를 두고 있다. 이러한 근거하에서 본 연구는 진행되었다. 우선 국내 산업에서 25개의 제품군을 선택, 그 제품군의 수요 패턴을 조사하여 대표적인 3가지의 수요 형태를 선택하였다. 다음으로 유통업자의 통합적인 재고 전략으로 추종 전략과 평준화 전략을 선택하였다. 본 연구는 3가지 수요 패턴과 2가지 재고 전략을 바탕으로 총 6가지 경우의 수로 시뮬레이션 되었다. 그 결과 수요의 변동이 거의 없는 경우에는 추종 전략에 비해 평준화 전략이 전체 공급체인의 성과가 높았으나 그 차이는 별로 없었고, 공급체인 채찍효과도 낮은 반명, 어느 정도 수요의 변동이 존재하고 그 변동의 정도가 클수록 공급체인 성과는 평준화 전략이 높았고 공급체인 채찍효과는 추종전략이 낮게 나타났다. 다시 말해, 수요의 변동이 작은 경우에는 두 재고 전략간에 성과 차이가 별로 없었으나, 수요의 변동이 커질수록 두 재고 전략간에 성과 차이가 크게 나타남을 알 수 있었다. 결론적으로, 정보 공유가 이루어진 공급체인 이라도 제품 수요 패턴에 따른 통합적 재고 전략의 변화가 공급체인의 성과와 채찍효과에 각각 다른 영향을 미친다는 것을 알 수 있었다. 핵심어 : 공급체인 관리, 정보 공유, 재고 전략, 공급체인 채찍효과, 맥주 배송게임, 수요 변동. In these days, external environment of supply chain has rapidly changed. We observed many other dynamic phenomena in supply chain. The Bullwhip effect is one of the most frequently appeared dynamic phenomena. That is an extreme change in the supply position upstream in a supply chain generated by a small change in demand downstream in the supply chain. The bullwhip effect can be eliminated by sharing information. We have focused on the bullwhip effect with Supply Chain member's Inventory Strategy to the Nature of the Demand for the Products. We reconfirmed the effect of information sharing on the supply chain dynamics by using the beer game and simulation. The simulation model is designed by vensim 4.0. We adopt two measurements to evaluate the supply chain performance; they are the cost(inventory cost and backlog cost) and overshoot. Simulation result show the more fluctuation demand pattern and level strategy, rather than even demand pattern and chase strategy, lead to much bullwhip effect. This study introduces a new methodology focusing on supply chain performance improvement. Key Words: SCM(Supply Chain Management), Information Sharing, Inventory Strategy, Bullwhip Effect, Beer game. Demand pattern.

도시 특성 지수 및 머신러닝 기반 최대전력수요 예측

송낙현 고려대학교 대학원 2026 국내석사

「제 11 차 전력수급 기본계획」에 따르면 ’23 년 최대전력은 98.3GW 를 기록하였고, 반도체, 데이터센터, 2 차전지 등 첨단산업 주도권 확보를 위해 전력수요는 향후 꾸준 하게 증가할 것으로 예측하였다. 하지만 제한적인 국토면적으로 인해 전력망 건설 입지 확보가 어렵고, 우리나라의 전력 유틸리티 한국전력공사의 재무악화로 인해 투자여건이 제한적이다. 따라서 정확한 최대전력수요 예측은 전력망 과투자를 막는 중요 요소이며, 향후 에너지 정책 수립에도 필수적이다. 현재 한전에서는 배전망 단위의 전력수요 산출을 위해 표준부하밀도 표준값을 이용하고 있다. 이는 전력수요예측 모델의 구현이 편리 하다는 장점이 있으나 시간이 지남에 따라 변동하는 산업구조와 도시 발전과 같은 복합적인 요인을 반영하지 못하는 한계가 있다. 본 연구에서는 이러한 한계를 극복하고자 연도별 전국 광역시도별 산업경제, 도시 인프라 수준을 반영하는 데이터 변수를 선정하여 산업경제 지수 및 도시 인프라 지수를 산출하고, 머신러닝 모델과 결합하여 산출한 최대전력수요값을 실제 최대전력 수요값과 비교해 연구결과의 유효성에 대하여 분석하였다.

초단기 시간 단위 수요예측을 위한 머신러닝과 시계열 기법 기반의 하이브리드 방법론 개발

민경창 인하대학교 물류전문대학원 2022 국내박사

수요예측(Demand Forecasting)이란 예측 대상의 특정 시점 혹은 특정 기간 내 수요를 예측하는 전략적 활동이다. 다양한 경제주체들은 수요예측을 통해 미래의 불확실성을 제거함으로써 유한한 자원에 대한 활용 효율성을 극대화할 수 있다. 생산기술의 발전이 생산의 효율성을 높임으로써 생산과정 간 낭비를 최소화한다면, 정확한 수요예측은 과잉공급 혹은 과소공급으로 발생하는 과잉재고나 판매손실을 최소화할 수 있다는 점에서 매우 중요한 전략적 활동이라 할 수 있다. 정확한 수요예측은 궁극적으로 미래 수요에 대응할 수 있는 최적 공급량을 사전에 확인할 수 있으며 이를 바탕으로 효율적이고 최적화된 생산 및 공급계획을 수립하게끔 할 수 있다는 점에서 경제주체들의 의사결정 과정에서 중요한 핵심자료로 활용된다. 정확한 수요예측을 통해 기업은 재고 및 판매손실을 최소화할 수 있기 때문이다. 예측의 시간 단위는 예측치의 활용범위 및 목적에 의해 결정된다. 그동안 물류 분야에서의 예측은 공항, 항만, 물류센터 등의 인프라, 혹은 특정 노선의 물동량에 대한 주, 월, 분기, 년도 별 예측이 주를 이루어왔다. 그러나 E-commerce 시장의 확대와 더불어 라스트 마일 배송에 대한 중요도가 높아지면서 물류 운영 효율성을 높이기 위한 일, 시간 등 초단기 시간 단위 예측에 대한 관심이 높아지고 있다. 이러한 환경변화에 따라 물류산업에서도 초단기 시간 단위 예측을 위한 예측방법론에 대한 요구와 중요성 역시 높아지고 있다. 본 연구는 전통적인 예측기법과 머신러닝 기법의 장점을 모두 반영한 하이브리드 예측방법론인 Hybrid Forecasting Model을 새로운 수요예측 모형으로 제안하였다. 이와 함께 보다 짧은 시간 단위의 예측에 대한 예측정확도를 높일 수 있는 대안으로 Multistage Model를 제안하였으며, 궁극적으로는 Hybrid Forecasting Model과 Multistage Model를 결합한 Hybrid & Multistage Model을 수요예측 기법의 대안으로 제안하였다. 기존 Hybrid 방법론들이 주로 독립적인 예측을 진행한 후 예측결과들 간 앙상블 형태인데 반해, 본 논문에서 제안한 Hybrid & Multistage Model은 시계열 예측기법과 데이터마이닝 기법이 예측단계에서 서로 결합된 형태라는 점에서 방법론 측면에서 가장 큰 차이가 있다고 할 수 있다. 본 연구에서 제안한 예측모형을 검증하기 위해 서울시에서 운영 중인 공유자전거 따릉이 이용실적을 검증 data로 활용하였으며, 예측결과 총 142개 대여소 클러스터의 3시간 단위, 향후 56개 시점의 평균 정확도는 약 81.5%로 나타났는데 이는 비교군으로 활용한 Random Forest를 통한 예측정확도에 비해 약 16.6% 높은 것으로 나타났다. 나아가 주차 및 일자별 예측 역시 91.7%, 90.1%의 높은 정확도를 보이며 Random Forest 대비 46.2%, 21.4% 높은 정확도를 보였다. 이를 통해 Hybrid & Multistage Model이 새로운 수요예측 기법의 대안으로 충분한 활용가치가 있음을 확인하였다. Demand Forecasting is a strategic activity that forecasts demand at a specific point in time or within a specific period of time. Economic players can optimize the utilization of finite resources by eliminating future uncertainties through demand forecasting. Accurate demand forecasting can ultimately confirm in advance the optimal supply to respond to future demand. Ant it is used as an important key data in the decision-making process of economic actors in that it is possible to establish an efficient and optimized production and supply plan. Enterprises can minimize inventory and sales losses through accurate demand forecasting. Until now, forecasting in the logistics field have been mainly carried out by week, month, quarter, and year for infrastructure such as airports, ports, and logistics centers, or for the volume of cargo on a specific route. However, as the expansion of e-commerce market and enhancement of the last mile delivery, Interest in forecasting of short time unit to increase logistics operation efficiency is increasing. With these environmental changes, the importance of forecasting methodology for short time unit are also increasing in the logistics industry. This study proposed the hybrid forecasting model, that reflects the advantages of both traditional forecasting model and machine learning algorithm, as a new forecasting model. And multistage model is proposed as a new model that is able to increase forecasting accuracy for shorter time units. Finally, the Hybrid & Multistage Model, which combines the Hybrid Forecasting Model and the Multistage Model, is proposed as an new forecasting model. Most of existing hybrid forecasting modes are ensemble structure between forecasting results after independent prediction, however the hybrid & multistage model proposed in this paper combines time series analysis and data mining techniques in the forecasting process. It is a unique and distinctive distinct point of the forecasting model is proposed. In order to verify the forecasting model proposed in this study, the rental record data of the shared bicycle in Seoul city was used as verification data. The average accuracy of hybrid forecasting model , in 3 hours at 56 points in the future of a total of 142 rental station clusters was about 81.5%, which was about 16.6% higher than the prediction accuracy of random forest. Furthermore, in the case of forecasting by week and date, Hybrid forecasting model showed high accuracy of 91.7% and 90.1%, which are also 46.2% and 21.4% higher than accuracy of random forest. As a result, it was confirmed that the Hybrid & Multistage Model is worthy enough as the new demand forecasting model.

수요반응을 고려한 분산형 지능형 시스템 기반의 마이크로 그리드 운영 기법

최원준 인하대학교 대학원 2013 국내석사

2011년 9월 대정전 사고의 발생원인은 급격한 기온 상승에 따른 수요의 예측의 오류에 따른 발전량 제어의 실패라 볼 수 있다. 일반적으로 전력거래소에서 부하의 사용량에 따라 20MW급 이상의 발전소의 발전량을 제어함으로써 발전량이 결정이 되는데, 부하 사용량의 급증으로 인하여 예비력이 위험수준 이하로 떨어지며 전국 기준으로 순환정전을 실시하여 대정전이 일어났다. 앞서 말한 문제점은 수요 반응을 이용하여 보완할 수 있다. 수요 반응은 전력 시장 내에 참여하고 있는 사용자(Residential Load, Bulk Load) 나 공급자(Serving Operater,..)들이 전기 요금에 대하여 사용 전력량을 변화하거나 수요의 변화에 대하여 공급자들이 발전량을 조절하는 원리이다. 에너지저장장치의 알고리즘은 상위에서 송신된 수요 반응 이벤트에 대하여 시간대 별 충 / 방전 결정 알고리즘을 제안하고, 지능형 부하의 경우 상위에서의 송신된 수요 반응 이벤트에 대하여 시간대 별 전력량 결정 및 부하 절감, 부하 이동 알고리즘을 제안한다 본 논문에선 수요반응을 고려한 마이크로 그리드의 경제급전을 제안하고 있다. 수요반응 이벤트로는 가격 기반(Price Based)의 수요 반응 이벤트인 TOU (Time-Of-Use)와 CPP(Critical-Peak-Price), 그리고 지원금제도의 수요 반응 이벤트인 EDR(Emergency Demand Response)을 이용하고, 마이크로 그리드의 분산전원 및 부하의 알고리즘을 MATLAB을 통하여 프로그래밍을 한 후 시뮬레이션을 통한 운영 알고리즘을 검증한다.

확률적 수요를 갖는 제품에서 서비스 수준을 고려한 안전재고 모형

서경범 명지대학교 대학원 2000 국내박사

Maintaining an optimal inventory level is the key role of the management in the inventory carrying business. Larger inventory investment can generate higher revenue, but involves more costs such as financing costs, opportunity costs, inventory carrying costs etc. On the contrary, smaller inventory investment generates less revenue, but requires less cost. The problem of keeping the balance between cost and profit is the problem of keeping the balance between investment in stock and service level. In other words, optimizing the inventory control system is to minimize the inventory investment while sustaining the desired service level. Also, it is true that the reduction of inventory level decreases not only inventory cost, but also the actual service level. In this research, the system is assumed to carry a single item of which the demand types vary. Demand type is defined as a management's classification of the item according to the demand source or to the service purpose. The purpose of this research is to find the optimal inventory control policy when the system carries a single item which consists of multiple demand types. In this research , the optimizing algorithm contains a heuristic, therefore, the optimal is not guaranteed by the algorithm. At least, this research provides the solution to the problems that have not been solved by the existing algorithms. It is a reasonable decision to set a different service level for each type when a system has a single type item, the optimal condition of the system is obtained by using the EOQ model. However, if the number of the demand types is increased, a more complicated optimization process is required to meet the service level of each type. In the optimization process concerning the service level and the inventory investment, the important factors are the reorder point, the purchasing order quantity, and the safety stock. The terminology of order is classified into two categories ; the purchasing order and the selling order. Purchasing order refers to the order refers to the order that a company places to an outside vender for the purpose of replenishing purchasing the inventory, replenishing order or reorder shall be used interchangeably. The demand distributions and their parameters are assumed to be given. Traditionally, the demand pattern has been considered given in the form of a constant or a probability function. In this research, the demand per period is considered to be a function which consists of the number of orders per period and the demand per order. 본 연구는 생산/제조업체에서 재고관리의 이월주문정책에 근거하고, 지속적인 조달기간을 허용하며, 제품에 대한 수요를 충족시키기 위하여 보충주문에 경제적 주문량(EOQ)을 사용하였으며, 재고통제 과정의 관리척도로서 서비스수준(SL)을 사용하여, 재고관리 체제의 전체 서비스수준 및 형태별 서비스수준을 만족시킬 수 있는 최적화 방법을 제시하였다. 특히, 조달기간 수요발생에 대한 확률과 수요에 대한 재주문점을 계산하고 재고체제에 대한 서비스수준 및 수요에 대한 요구서비스 수준을 충족시킬 수 있도록 조달기간 내에서 재고를 조정할 수 있는 방법을 제시하였다. 최적화과정을 계산하기 위하여 주문량 수요 분포의 모수를 요구서비스수준 및 고정조달기간을 사용하여 계산한 결과를 이용하였다. 월간주문은 포아송분포과 절단포아송분포를 따르는 것으로 하였고, 조달기간과 주문수요에 의한 조달기간수요의 계산 및 정규화를 통한 평균 품절량을 계산하기 위하여 부분 기대치 계산방법을 활용하였다. 재고관리 과정에서는 월별 수요와 주문수요에 의해 정해지는 조달 기간내의 수요확률계산에 따라서 재고체제를 확정적 수요를 갖는 주문과 확률적 수요를 갖는 경우를 고려하였고, 확률적 수요일 경우에는 재주문점을 조정하는 방법을 이용하여 서비스수준을 향상시키는 방안을 제안하였다.