[논문]Agent-Based Model을 활용한 자동차 예비부품 장기수요예측

이상욱; 하정훈

doi:10.11627/jkise.2014.38.1.110

Agent-Based Model을 활용한 자동차 예비부품 장기수요예측
Long-Term Demand Forecasting Using Agent-Based Model : Application on Automotive Spare Parts 원문보기

Journal of Korean Society of Industrial and Systems Engineering = 한국산업경영시스템학회지, v.38 no.1, 2015년, pp.110 - 117

Abstract ▼ AI-Helper

Spare part management is very important to products that have large number of parts and long lifecycle such as automobile and aircraft. Supply chain must support immediate procurement for repair. However, it is not easy to handle spare parts efficiently due to huge stock keeping units. Qualified forecasting is the basis for the supply chain to achieve the goal. In this paper, we propose an agent based modeling approach that can deal with various factors simultaneously without mathematical modeling. Simulation results show that the proposed method is reasonable to describe demand generation process, and consequently, to forecast demand of spare parts in long-term perspective.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

이는 현실적으로 거의 불가능하다. 따라서 본 논문에서는 제시하는 행위자기반모형을 기반으로 다양한 조건의 예비부품의 시계열 수요를 생성하고 이를 예측함으로써 제시하는 장기수요 예측모형의 검증을 수행하려 한다.
윌콕슨 부호 순위 검정은 비모수 쌍체 검정으로 두 집단의 차이를 분석하는 방법이다. 본 논문에서는 제 5장에서 생성한 예비부품 수요에 대하여 제 6장에서 설명한 방법으로 예측한 수용예측치를 비교한다. 윌콕슨 부호 순위 검정은 주로 표본 수가 30개 미만이거나, 표본이 정규성을 나타내지 않을 경우 사용한다.
본 논문에서는 행위자기반모형을 적용하여 예비부품의 수요발생메커니즘을 모델링하고 이를 이용한 장기수요예측의 방법을 제시하였다. 기존의 수학적 기반 모형에 비하여 모형의 구축이 용이하고, 변수에 대한 제약조건이 없으며, 다양한 변수를 고려할 수 있는 점이 장점이라고 할 수 있다.
본 연구의 목적은 예비부품에 대한 장기수요 모델을 행위자기반모형으로 모델링하고 이를 위하여 장기적 관점에서 수요예측을 하는 것이다. 이를 검증하기 위해서는 자동차 예비부품의 수요 자료가 필요하다.
자동차의 생명주기는 자동차의 판매, 자동차의 유지보수, 자동차의 폐차로 구성된다. 예비부품 수요모형은 자동차 판매 시계열 자료, 자동차 폐차율, 자동차 부품 공급 리드 타임, 자동차 부품 고장분포, 자동차 운행거리 등 다양한 변수가 자동차 예비부품의 수요에 미치는 프로세스를 구조적으로 모형화하는데 목적이 있다. 부품수요의 논리적 모형은 다음과 같다.
장기수요예측이 그 동안 연구에서 소외된 이유는 전 라이프사이클에 걸친 부품수요에 대한 자료의 확보가 어려워 이를 검증하기 힘들고, 생산부품과 예비부품의 수요가 혼재되어 있어 이를 분리하여 예비부품에 대한 수요예측만 하기 어려울 뿐만 아니라 예비부품의 수요는 다양하고 복잡한 요소의 영향을 받으므로 이러한 요소를 모두 반영하는 이론적․수학적 모델을 구성하는 것은 거의 불가능하기 때문이다. 이에 본 논문에서는 이론적 모형의 구축 없이 다양한 변수의 반영이 가능한 행위자기반모형(Agent-Based Modeling; ABM) 방법론을 채택하여 자동차 예비 부품에 대한 장기수요예측 방법을 제시하고자 한다.

가설 설정

(3) 고장이 발생한 자동차 부품은 수리 또는 교체가 이루어진다. 수리에는 일정한 수리시간이 소비되고 교체에는 부품의 조달 리드타임과 교체시간이 소비된다.
행위자기반모형을 구현을 위해서는 행위자(agent)를 결정하고 행위자의 행위를 모형화하여야 한다. 본 논문에서는 하나의 부품으로 구성된 자동차를 행위자로 가정하였다. 시뮬레이션은 AnyLogic 6.
부품조달 리드타임은 2일과 7일 사이, 각 행위자의 주행거리는 기준대비 30%에서 100% 사이의 연속균등분포를 따르도록 설계하였다. 부품 고장 중 부품교체비율은 평균이 70%인 정규분포를 따른다고 가정하였다. 예비부품의 고장률은 와이블 분포를 따르며, 척도모수는 분포의 형태에 영향을 미치지 않으므로 3.

제안 방법

자동차 판매량은 [Table 1]의 5가지 자동차 종류를 고려하였다. 각 행위자의 폐차시작 시점은 5년에서 8년 사이의 연속균등분포를 적용하였으며, 폐차율은 7%에서 13% 사이에서 연속균등분포를 적용하여 결정하였다. 부품조달 리드타임은 2일과 7일 사이, 각 행위자의 주행거리는 기준대비 30%에서 100% 사이의 연속균등분포를 따르도록 설계하였다.
장기 수요발생 시 사용한 모수와 다른 점은 장기수요 발생 시에는 다양한 부품수요를 발생시키기 위해 확률적 요소를 적용하였지만 수요예측에서는 자료수집을 통하여 가능하면 확정적으로 적용하였다는 점이다. 단, 자동차 주행거리는 행위자별 차이를 주기 위해 [Table 3]과 동일하게 연속균등분포를 이용하였다. 와이블 분포 모수는 척도모수를 3.
자동차 주행거리가 많을수록 고장 확률은 높아지고 주행거리가 적을수록 고장 확률은 낮아진다. 본 논문에서는 각 행위자 별로 기준대비 30%에서 100%의 주행거리를 갖도록 적용하였다.
본 논문에서는 자동차 부품수요에 영향을 미치는 기본적인 변수로서 자동차의 판매대수(자동차 판매 시계열 자료), 해당 자동차 부품의 고장률, 자동차의 폐차율, 교체 부품의 공급리드타임, 자동차 운행거리를 고려한다.
자동차 판매량은 출시 초기부터 증가하다가 일정시기가 되면 감소하고 신규모델로 교체되면 판매가 중단되는 패턴을 갖는다. 본 논문에서는 판매시간에 따른 자동차 판매비중 패턴을 Volpato andStocchetii가 조사한 2000년부터 2006년까지의 자동차의 수명주기자료([Figure 3])를 사용하고[19] 이를 [Figure 4]의 AnyLogic Table Function을 이용하여 구현하였다. 자동차의 총 판매기간은 자동차의 종류에 따라 다를 수 있다.
각 행위자의 폐차시작 시점은 5년에서 8년 사이의 연속균등분포를 적용하였으며, 폐차율은 7%에서 13% 사이에서 연속균등분포를 적용하여 결정하였다. 부품조달 리드타임은 2일과 7일 사이, 각 행위자의 주행거리는 기준대비 30%에서 100% 사이의 연속균등분포를 따르도록 설계하였다. 부품 고장 중 부품교체비율은 평균이 70%인 정규분포를 따른다고 가정하였다.
부품 고장 중 부품교체비율은 평균이 70%인 정규분포를 따른다고 가정하였다. 예비부품의 고장률은 와이블 분포를 따르며, 척도모수는 분포의 형태에 영향을 미치지 않으므로 3.5로 고정시키고 형상 모수는 DFR, IFR, CFR이 모두 발생하도록 0.5에서 2.5 사이에서 연속균등분포를 이용하여 결정하였다.
예비부품의 장기수요를 반영하기 위하여 본 논문에서는 기간단위를 년(year)로 설정하고 총 기간(time horizon)은 30년으로 결정하였다. 이는 [Table 1]의 최대판매기간인 14.
장기수요예측도 행위자기반모형으로 수행한다. 예측시점(7년 또는 10년)에서 자동차의 타입과 판매량은 알고 있으므로 이후의 판매량 시계열 자료는 제 4.2절의 자료를 이용하여 발생시키고, 나머지 모수는 [Table 4]를 이용하여 행위자(본 논문에서는 단일 부품 자동차)를 발생시키고 교체부품수(예비부품수요)를 기록한다. 장기 수요발생 시 사용한 모수와 다른 점은 장기수요 발생 시에는 다양한 부품수요를 발생시키기 위해 확률적 요소를 적용하였지만 수요예측에서는 자료수집을 통하여 가능하면 확정적으로 적용하였다는 점이다.
제 5장에서 생성한 50개의 예비부품의 장기수요에 대하여 제 6장의 주요 예측방법을 통하여 예측의 정확성을 검증하였다. 행위자기반모형의 행위자수는 운행 자동차 대수의 1/10배를 적용하였다.

대상 데이터

행위자기반모형의 행위자수는 운행 자동차 대수의 1/10배를 적용하였다. 수요예측의 시점은 자동차 판매시작 후 7년과 10년을 적용하였고, 총 예측기간은 30년을 수행하였다.
예를 들어, 대형차는 모델의 교체가 느려 장기간에 걸쳐 판매가 이루어지며, 소형차는 상대적으로 모델 교체시기가 빠르다. 이에 본 논문에서는 논문[19]([Table 1])의 1998~2006년 자료를 이용하여 차종별로 이를 반영하였다.
다양한 자동차 예비부품의 수요 자료를 생성하기 위하여 [Table 3]의 모수를 이용하여 예비부품의 수요를 생성하였다. 자동차 판매량은 [Table 1]의 5가지 자동차 종류를 고려하였다. 각 행위자의 폐차시작 시점은 5년에서 8년 사이의 연속균등분포를 적용하였으며, 폐차율은 7%에서 13% 사이에서 연속균등분포를 적용하여 결정하였다.

데이터처리

윌콕슨 부호 순위 검정은 주로 표본 수가 30개 미만이거나, 표본이 정규성을 나타내지 않을 경우 사용한다. 검증 자료의 수는 7년 이후 예측한 것은 23개, 10년 이후 예측한 것은 20개이고, 정규성을 나타낸다고 보기 어려워 윌콕슨 부호 순위 검정을 사용하였다.
본 모델의 결과를 검증하는 방법으로는 윌콕슨 부호순위검정(Wilcoxon signed-rank test)을 사용한다. 윌콕슨 부호 순위 검정은 비모수 쌍체 검정으로 두 집단의 차이를 분석하는 방법이다.

이론/모형

다양한 자동차 예비부품의 수요 자료를 생성하기 위하여 [Table 3]의 모수를 이용하여 예비부품의 수요를 생성하였다. 자동차 판매량은 [Table 1]의 5가지 자동차 종류를 고려하였다.
본 논문에서는 하나의 부품으로 구성된 자동차를 행위자로 가정하였다. 시뮬레이션은 AnyLogic 6.7.1 버전을 이용하여 수행하였다.
단, 자동차 주행거리는 행위자별 차이를 주기 위해 [Table 3]과 동일하게 연속균등분포를 이용하였다. 와이블 분포 모수는 척도모수를 3.5로 고정시키고 형상모수 b만 최소제곱법을 사용하여 추정하였다.

성능/효과

(4) 운행중인 자동차는 수명연한에 따라 폐차 시점에 도달하면 폐차된다. 폐차율은 수명연한에 따라 결정된다.
예비부품의 수요 그리고 독립변수에 대한 장기자료를 확보하기 어려워 검증에 대한 난점이 존재하지만, 임의로 생성한 예비부품의 장기수요에 대하여 일정한 수준의 예측의 정확도를 보임을 확인하였다. 기존의 수리적 모형에서 탈피하여 시뮬레이션을 이용한 행위자기반모형을 활용한 수요예측이라는 새로운 방법을 제시하였다는 점이 본 논문의 가장 큰 의미라고 할 수 있다. 본 연구에서 개발한 모델은 자동차 부품뿐만 아니라 수명 주기를 갖는 다양한 제품들에 대해 모델변수의 수정을 통해 다양한 분야에 걸쳐 제품 및 부품에 대한 수요예측 모델로도 활용이 가능하다.
해당 부품이 장착된 자동차의 판매 분포, 현재 운행대수, 생명주기, 대체부품여부, 도로환경, 운전자 운행습관 등이 예비부품의 수요에 영향을 주며, 고가격의 부품의 경우 교체보다는 수리를 선호하므로 부품의 가격도 영향을 미칠 수 있다[15]. 넷째, 예비부품의 수요는 모제품의 수명에 영향을 받으므로 진부화 재고(dead stock)의 위험성이 매우 높다.
긴 부품 보유연한과 매년 새롭게 출시하는 자동차 모델로 인하여 동일시기에 다수의 자동차 모델이 존재하고 이는 공급사슬에서 조달해야 하는 자동차 예비부품의 종류를 급격히 증가시킨다. 둘째, 자동차 예비부품의 수요는 장기간에 걸쳐 소량으로 발생한다(slow moving). 예비부품은 자동차 생산에서 상시 소요되는 생산부품과 달리 자동차의 유지보수, 사고, 고장 등 필요한 경우에만 수요가 발생한다.
따라서 예비부품은 수요량이 적으며(slow moving), 이로 인하여 일정한 양의 수요가 충족될 때 주문이 발생하므로 간헐적인 수요(intermittent demand)의 형태를 갖는다[7]. 셋째, 예비부품의 수요에 영향을 미치는 요소가 매우 다양하다. 해당 부품이 장착된 자동차의 판매 분포, 현재 운행대수, 생명주기, 대체부품여부, 도로환경, 운전자 운행습관 등이 예비부품의 수요에 영향을 주며, 고가격의 부품의 경우 교체보다는 수리를 선호하므로 부품의 가격도 영향을 미칠 수 있다[15].
기존의 수학적 기반 모형에 비하여 모형의 구축이 용이하고, 변수에 대한 제약조건이 없으며, 다양한 변수를 고려할 수 있는 점이 장점이라고 할 수 있다. 예비부품의 수요 그리고 독립변수에 대한 장기자료를 확보하기 어려워 검증에 대한 난점이 존재하지만, 임의로 생성한 예비부품의 장기수요에 대하여 일정한 수준의 예측의 정확도를 보임을 확인하였다. 기존의 수리적 모형에서 탈피하여 시뮬레이션을 이용한 행위자기반모형을 활용한 수요예측이라는 새로운 방법을 제시하였다는 점이 본 논문의 가장 큰 의미라고 할 수 있다.
전 판매기간에 대하여 자동차의 총 판매량이 100만대라고 가정하면, 1년차에는 연 2만여 대가 판매되고, 2년차에는 연 10만여 대, 3년차에는 연 14만 여대가 판매되고, 계속 판매가 이루어지다가 8년차 이후로는 판매가 중단된다. 종합하면 시기별 자동차 판매량은 총판매기간에 따른 시기별 판매비중과 결정변수인 총판매량의 곱으로 결정된다.

후속연구

이를 검증하기 위해서는 자동차 예비부품의 수요 자료가 필요하다. 그러나 본 논문의 목적에 부합하는 예비 부품에 대한 자료는 10년 이상의 장기간에 걸쳐서 수집되어야 하고 각 예비 부품이 사용된 자동차 모델의 판매 자료와 동반되어야 한다. 이는 현실적으로 거의 불가능하다.
기존의 수리적 모형에서 탈피하여 시뮬레이션을 이용한 행위자기반모형을 활용한 수요예측이라는 새로운 방법을 제시하였다는 점이 본 논문의 가장 큰 의미라고 할 수 있다. 본 연구에서 개발한 모델은 자동차 부품뿐만 아니라 수명 주기를 갖는 다양한 제품들에 대해 모델변수의 수정을 통해 다양한 분야에 걸쳐 제품 및 부품에 대한 수요예측 모델로도 활용이 가능하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	자동차 부품은 소요 시점에 따라 어떻게 구분할 수 있나요?	자동차 부품은 소요시점에 따라 제품의 생산 시점에 소비되는 생산부품(manufacturing parts)과 제품의 판매 이후 주기적인 소모품이나 사고나 고장 시 교체에 소비되는 예비부품(spare parts)로 구분할 수 있다. 생산부품은 자동차의 생산량과 제조업체의 주문에 의해 결정되므로 그 수요를 비교적 정확하게 예측이 가능한 반면, 예비부품은 차량운행대수, 도로환경, 운행습관, 부품의 수명주기 등 장기간에 걸쳐 다양한 요인의 영향을 받으므로 정확하게 수요를 예측하기는 용이하지 않다[15].
	예비부품에 대한 수요를 예측하기 어려운 이유는?	자동차 부품은 소요시점에 따라 제품의 생산 시점에 소비되는 생산부품(manufacturing parts)과 제품의 판매 이후 주기적인 소모품이나 사고나 고장 시 교체에 소비되는 예비부품(spare parts)로 구분할 수 있다. 생산부품은 자동차의 생산량과 제조업체의 주문에 의해 결정되므로 그 수요를 비교적 정확하게 예측이 가능한 반면, 예비부품은 차량운행대수, 도로환경, 운행습관, 부품의 수명주기 등 장기간에 걸쳐 다양한 요인의 영향을 받으므로 정확하게 수요를 예측하기는 용이하지 않다[15].
	예측이 필요한 자동차 예비부품의 종류는 몇 개 인가요?	첫째, 예측이 필요한 예비부품의 종류(stock keeping unit : SKU)가 매우 많다. 자동차 1대의 조립에 소요되는 부품의 개수는 휘발유나 경유 차량은 약 2만에서 3만 개, 하이브리드 차량은 약 3만 5천 개, 그리고 전기자동차는 약 1만 개로 알려져 있다. 중복 사용되는 부품을 고려하더라도 막대한 SKU가 존재한다.

참고문헌 (21)

Achorn, E., Integrating agent-based models with quantitative and qualitative research methods. in Australian Association for Research in Education 2004 Conference Papers ACH04769, 2004.
Croston, J.D., Forecasting and Stock Control for Intermittent Demands. Oper. Res. Q. 1970-1977, 1972, Vol. 23, No. 3, pp. 289-303.

상세보기
Gutierrez, R.S., Solis, A.O., and Mukhopadhyay, S., Lumpy demand forecasting using neural networks. Int. J. Prod. Econ., 2008, Vol. 111, No. 2, pp. 409-420.

상세보기
Hesselbach, J., Mansour, M., and Graf, R., Reuse of components for the spare parts management in the automotive electronics industry after end-of-production. in 9th CIRP International Seminar, Erlangen, Germany, 2002.
Hong, J.-S., Ahn, J.-K., and Hong, S.-K., Development of the Forecasting Model for Parts in an Automobile. J. Korean Inst. Ind. Eng., 2001, Vol. 27, No. 3, pp. 233-238.
Inderfurth, K. and Mukherjee, K., Decision support for spare parts acquisition in post product life cycle. Cent. Eur. J. Oper. Res., 2008, Vol. 16, No. 1, pp. 17-42.

상세보기
Kaki, A., Forecasting in End-Of-Life Spare Parts Procurement. Master's Thesis, Helsinki University of Technology, 2007.
Kim, M.J., Lee, S.Y., Park, K.H., Park, W.Y., and Park, S.Y., Agent Oriented Software Modeling Methodology. J. KOREA Inf. Sci. Soc., 2000, Vol. 27, No. 10, pp. 1015-1027.
Kwak, D.H. and Kim, S.B., Comparison of Parameter Estimation Methods for Weibull Distribution Using Interval Censored Data. Proc. Korean Soc. Qual. Manag., 2013, No. 1, pp. 102-103.
Leven, E. and Segerstedt, A., Inventory control with a modified Croston procedure and Erlang distribution. Int. J. Prod. Econ., 2004, Vol. 90, No. 3, pp. 361-367.

상세보기
Ministry of Transportation, Automotive Control Act Enforcement Rules, 2014.
Ord, K., Snyder, R., and Beaumont, A., Forecasting the Intermittent Demand for Slow-Moving Items. Monash University, Department of Econometrics and Business Statistics, Monash Econometrics and Business Statistics Working Paper 12/10, 2010.
Parunak, H.V.D., Savit, R., and Riolo, R.L., Agentbased modeling vs. equation-based modeling : A case study and users' guide. in Multi-agent systems and agent-based simulation, 1998, pp. 10-25.
do Rego, J.R. and de Mesquita, M.A., Spare parts inventory control : a literature review, Producao, 2011, Vol. 21, pp. 656-666.
Sherbrooke, C.C., Optimal inventory modeling of systems : multi-echelon techniques, 2004, Vol. 72.
Snyder, R., Forecasting sales of slow and fast moving inventories. Eur. J. Oper. Res., 2002, Vol. 140, No. 3, pp. 684-699.

상세보기
Syntetos, A.A. and Boylan, J.E., On the bias of intermittent demand estimates. Int. J. Prod. Econ., 2001, Vol. 71, No. 1, pp. 457-466.

상세보기
Teunter, R.H., Syntetos, A.A., and Zied Babai, M., Intermittent demand : linking forecasting to inventory obsolescence. Eur. J. Oper. Res., 2011, Vol. 214, No. 3, pp. 606-615.

상세보기
Volpato, G. and Stocchetti, A., Managing product life cycle in the auto industry : evaluating carmakers effectiveness. Int. J. Automot. Technol. Manag., 2008, Vol. 8, No. 1, pp. 22-41.

상세보기
Wallstrom, P. and Segerstedt, A., Evaluation of forecasting error measurements and techniques for intermittent demand. Int. J. Prod. Econ., 2010, Vol. 128, No. 2, pp. 625-636.

상세보기
Willemain, T.R., Smart, C.N., and Schwarz, H.F., A new approach to forecasting intermittent demand for service parts inventories. Int. J. Forecast., 2004, Vol. 20, No. 3, pp. 375-387.

상세보기

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증