# E-scooter # 상생 컨소시엄 # 딥러닝 # 유전 알고리즘

딥러닝 기술을 활용한 전동킥보드

통합 운영 컨소시엄
소규모 공유 업체를 위한 통합 효과 실증 분석 : 수요예측과 수배송 최적화

지도교수 : 남대식
인하대학교 아태물류학부 김석완, 문지예, 이혜인, 정회준
Abstract
What is SCM?

• SCM = 공급사슬 구성원 간의 신뢰, 협업, 통합을 기반으로, 효율화와 비용 절감 주도

최종적으로 산업 전반에 긍정적 효과를 추구하는 사고 체계

연구 전개

• 공유 킥보드 산업에 SCM의 핵심을 적용, 안정적인 산업 성장 기반 구축

• 업체 운영 프로세스 상 2가지 리스크와 개별적 물류 기능 운영이 가진 문제와 위험성

• 다수의 소규모 업체를 대상으로 한 상생 컨소시엄 구축 제안

• 딥러닝 기법을 기반으로 통합 효과 및 비용 절감 효과 실증 분석

Index

1. 배경 및 국내 동향 4. 딥러닝 기반 통합효과 실증 분석
- 배경, 국내 동향 - 선행연구
- 전동킥보드 업체의 운영 방식 및 업무 프로세스 - 연구 가정과 분석 방법
- 업체의 운영 리스크와 발생하는 문제 - 수요예측 기법
- 현재 운영방식의 위험성 - 수배송 문제 해결을 위한 GA
- 통합 운영의 장점 및 필요성 - 비용 절감 효과 분석

2. 선행연구 및 선도사례 5. 기대효과 및 결론

- 통합과 관련한 연구 근거 - 기대효과

- 통합 및 협업 구축 사례 - 발전방향
- 한계점 및 결론

3. 상생 컨소시엄 구축
- 아이디어 제안 및 참여 대상
- 통합 수준 구상 및 설정
- 컨소시엄 개요도
배경 및 국내 동향
개인형 이동수단(Personal Mobility)와 전동 킥보드

• 개인형 이동수단은 주로 전기를 동력으로 하는 1인 또는 2인이 이용할 것으로 목적으로 하는 교통 수단

- 전기 자전거, 전동 킥보드, 전기 스쿠터, 호버보드, 전동휠 등

• 라스트 마일의 이동을 담당하는 차세대 이동수단으로서 각광받고 있으며, Covid-19의 확산에 따라 사용량이 빠르게 증가하고 있음

• 전동 킥보드는 주차의 편리함, 좁은 공간에서의 이동 용이성 등을 바탕으로 개인형 이동수단의 대표주자로 두각을 드러내고 있음

개인형 이동수단 국내 시장 현황

구분 전동휠 전동킥보드 전기자전거

Covid 19
수량(천대) 9.8 78.8 13.9
2017년
금액(억원) 102.1 578.6 138.7
Last mile
수량(천대) 17.9 135.3 13.1
eco
2018년
금액(억원) 153.4 869.1 132.0

수량(천대) 21.7 164.2 10.3

2019년 Free
금액(억원) 146.9 832.4 86.9 편의성 floating
수량(천대) 49.4 373.3 37.5
합계
금액(억원) 402.4 2,281.1 357.6
배경 및 국내 동향
공유 전동 킥보드 시장 확대

• 전동 킥보드 시장은 공유 서비스와 결합하여, 급격하게 성장할 것으로 예상

- BCG(보스턴 컨설팅 그룹)에 따르면 공유 킥보드 시장의 높은 성장세를 기반으로, 전세계 PM 공유서비스 시장 규모는 2025년 최대 500억 달러에 이를 것으로 예상

• 2020년 8월, 서울시 기준 공유 전동 킥보드 업체는 16개로, 2018년 이후 지속적으로 증가하였으며, 시장규모는 전국적으로 확대되고 있음

• 향후 기존 교통 수단과 연계한 통합 모빌리티 서비스 제공의 핵심 주체 중 하나로, 중요성은 더 커질 것으로 전망

국내 전동킥보드 및 전기자전거 공유서비스 지역

개인형 이동수단 예상 수요
서울 인천
판매량(대) PM(전동외륜보드, 전동이륜평행차, 전동킥보드 등)
지쿠터, T바이크
킥고잉 플라워로드 전동킥보드
지쿠터 라이더
700,000
고고씽 스윙
씽씽 비 대전
디어 다트 경기 알파카, ZET
일레클 T바이크 킥고잉
무빗 부스터 지쿠터
500,000
고고씽 대구
씽씽
지쿠터
T바이크
세종 300,000
일레클 부산
전주 윈드, 킥고잉, 고고씽
T바이크 100,000
제주
순천 알파카, EV Pass, 2012 2016 2020 2025년
출처: KEMA(2019) 고고씽, ZET
EV Pass
출처: 서울시
배경 및 국내 동향
국내 공유 전동킥보드 시장구조

서울시 공유 전동 킥보드 시장 현황 킥보드 운영대수 기준 점유율

35,850

운영수량(대수) 고고씽,
23%
시장내 업체수
16 16
13
16,580

7,500
1 킥고잉,
20%
150
씽씽(PUMP), 17%
2018.12. 2019.11. 2020.5. 2020.8.
출처: 서울시 Source: KEMA (2020.06)

• 현재 신규 공유 킥보드 업체의 진입과 서비스 운영 대수는 지속적인 증가 추세

• 운영 대수를 기준으로 시장 점유율은 상위 3개 업체가 약 60%를 차지하고, 그 외 다수의 소규모 업체가 나머지를 차지하는 시장 구조 형태
• 현재 업체들은 확대중인 시장의 선점을 위해, 운영 수량을 경쟁적으로 증가시키며 시장에 투입하고 있는 상황
공유 전동킥보드 업체의 운영 방식 및 업무 프로세스

1. 현재 공유 킥보드 운영은 지역 단위로 이뤄지고 있으며, 지역 내에서 서비스 공급의 배분 격차 존재

2. 일련의 업무 과정(이용-주차-수거-배치)을 일 단위, 수 차례 반복하는 운영 프로세스

• 중심상업지구 등 수요 발생지역 집중 배치
• GPS 센서, QR코드 활용
• 수요예측 기반 고객 수요 대응
배치
Contents 이용
Contents

킥보드
허브 보관 및 충전 운영 프로세스

수거 주차
• 지역 내 분산된 킥보드 수거
• 자유로운 주차 가능 (Free-Floating)
• 자체 물류팀, 배달업체 외주, 이용자 활용 등의 방식
업체의 운영 리스크와 발생하는 문제
공유 킥보드 업계가 가진 운영상의 리스크

리스크 1
수요예측의 한계와 재배치의 부정확성:
배치 제한된 양의 고객 이용데이터에 기반한 수요예측은 정확도 향상에 한계가 있으며, 그에 따른 부정확한 재배치 리스크
- 수요 대응 실패에 따른 수익 창출 및 고객 서비스 실패

리스크 2
매일 수 회 운용하는 수거 (재배치) 과정에서의 비효율적 수배송 발생 리스크
수거 - 1.5ton 트럭으로 운영하는 현 상황을 고려할 시 최적 capacity 활용의 어려움(Under Capacity)
- EMPTY TRIP의 발생 가능성 상존
업체의 운영 리스크와 발생하는 문제
국내 킥보드 업체의 현 운영방식 문제점

Operations & Charging Payment costs 14%

60%

Tax & Insurance

공유 전동 킥보드 9%
운영 원가구조
*1회 탑승 기준

Maintenance & Repairs

17%

• 업체마다 개별적인 물류 기능 프로세스 운영 방식 채택

• 수거 재배치를 포함하는 Operations & Charging 비용은 공유 업체의 원가 구조상 가장 높은 비중 차지
• 수거, 충전, 재배치의 운용 체계 구축에 대한 중복 투자, 전체 산업 수익성 악화 요소
• 업체 간 점유율 경쟁 속 늘어나는 운영대수로 비용 부담은 더욱 커질 것으로 전망

개별화된 운영방식에 대한 재고 필요성

현재 운영방식의 위험성
예상되는 문제점
- 자본이 비교적 견고한 대형 업체들은 향상된 수요예측 시스템, 추가적인 인프라 도입 등으로, 리스크 해결을 위한 노력 中
- 그에 반해, 영세한 소규모 업체는 리스크에 대한 대응이 미흡한 상황
- 진입 업체들과 그에 따른 운영대수는 증가하지만, 효과적인 관리 방안이 미흡한 상황이 이어진다면, 사회적 비용으로 연결될 가능성 농후
• 미흡한 관리에 따른 킥보드 도보 주차 및 방치 → 일반 시민들의 불편함 초래, 민원 소요 급증
• 소규모 다수 업체의 도산 가능성 존재 → 인적, 물적 자원의 비효율적인 투입에 따른 사회적 비용 초래

문제를 간과한 중국 공유 자전거 업체의 대규모 도산 사례

국내 킥보드 공유 업체들의 효율적 운영방안 모색 요구

선행연구 및 선도사례 : 통합과 관련한 연구 근거

물류 통합의 효과 입증 연구 사례 증가하는 “통합” 관련 최신 물류 연구 동향

물류산업에서 통합의 중요성과 효과를 입증한 선행 연구 다수 존재 통합과 관련한 연구는 지속적으로 이루어지며,
점점 활발하게 연구되는 분야

• “In Joint Route Planning (JRP) cooperation, suppliers and 주요 물류 학술저널 통합 관련 연구 논문 게재 추이

customers jointly optimize routing decisions so that cost and
emissions are minimized.”-Quantifying the environmental and economic benefits
of cooperation

• “logistics joint distribution network can be organized through a

negotiation process via logistics service providers or participants
existing in the logistics system, which can effectively reduce the
crisscross transportation phenomenon and improve the efficiency
of the urban freight transportation system.”-Cooperation and profit allocation
in two-echelon logistics joint distribution network optimization

• “It is then believed that cooperation among local firms could

promote integration of the supply chain, making it more
productive and so increase competitiveness of the
industry.” -Raising opportunities in strategic alliance by evaluating efficiency of logistics * European Journal of Operational Research, Transportation Research Part E: logistics ands...,
companies in Vietnam: a case of Cat Lai Port Journal of Cleaner Production, Computers & Operations Research 등 주요 학술저널에 등재되어 있음
선행연구 및 선도사례 : 통합 운영 및 협업 체계 구축 사례 연구

분산된 업무역량 공동화의 선도 사례 경쟁기업 간의 협업체계 구축 선도 사례

✓ 옵토로 (OPTORO) ✓ 의약품 소매업체들의 데이터 통합 컨소시엄

① 역물류 서비스 기업 – 개별 진행하던 반품 처리 업무 공동화 ‘ArcLight System’
② 회수 제품 보관, 재유통의 효율적 플랫폼 구축
① 의약품 공급 업체 ‘카디널 헬스’는 미국 대형 의약품 소매업체를
③ 소비자의 교환 처리 과정 단축, 기업의 적정재고 관리 지원으 대상으로 데이터 통합 컨소시엄을 결성
로 산업 전반 효용 창출
② 이전엔 개별적으로 수집,
처리되었던 의약품 판매데이터 통합 후 제약사 제공
③ 의약품 산업의 효과적인 마케팅 전략 수립 및 수요예측 기여
✓ 한국 파렛트 풀 ④ 의약 업계의 공급사슬 효율성 증진,
산업 전반 발전의 촉매제 역할 수행
① 업체 별 자가 보유했던 파렛트 관리 업무 공동화
② 파렛트 수요처에 공급, 분산된 파렛트 수거 및 재배치 업무 진행
③ 공동 운영을 통한 규모의 경제 실현 및 공급사슬 상
물류 총 비용 절감에 기여
상생 컨소시엄 구축 : 아이디어 제안 및 참여 대상

아이디어 제안

• 수요예측, 회수 및 재배치 등 물류 기능에 대한 전략적 협업 제안

…

• 앞서 언급한 두가지 리스크를 해소하고, 안정적 산업 성장 기반을 구축하는 기능 수행

1. 고객 수요 데이터 풀링으로 수요예측 정확도 개선

업무 기능 경쟁기업 간 2. 수거, 재배치 상 물류 기능 공동화 및 운영 최적화 도모
공동화 데이터 통합
3. 산업계의 출혈 경쟁 방지를 위한 협력, 신뢰 체계 구축

상생
컨소시엄

컨소시엄 참여 대상 업체

• 운영대수와 자본이 상대적으로 취약한 다수의 소규모 업체를 대상, 컨소시엄 참여 유도

• 자체적 시스템과 경쟁우위 요소를 갖춘 상위 주요 업체 사례
Ex) 배달 플랫폼 업체와 제휴 체결, 공유 전동 킥보드 충전 거치대 설치, 배터리 분리형 킥보드 투입
소규모 업체

• 소규모 업체 간 출혈 경쟁을 방지하고 수익성을 증진시킬 수 있는 기반을 구축 킥보드 운영대수 기준 점유율

상생 컨소시엄 구축 : 통합 수준 구상 및 설정
통합 수준에 따른 컨소시엄과 기능
구분 낮은 통합수준 (3PL)
통합형태 • 각 업체의 단순 물류 기능 수탁 및 공동화
• 수거와 재배치 과정 상 킥보드 수배송 업무 수행
주요 기능
• 각 업체의 배차 요청 종합, 공동화 물류 기능 수행
• 최적화된 재배치와 라우팅 구축에 명확한 한계
한계점
• 전반 산업에 가져오는 효과는 상대적으로 미흡
실현가능성과 통합의 효과성을 고려, 중간 통합 수준이 컨소시엄 형태로 적합
중간 통합수준 (4PL)
• 물류 기능 공동화 및 데이터 제휴를 통한
공급 사슬 최적화를 도모
• 각 업체의 킥보드 이용 데이터 종합
• 통합된 데이터를 기반으로 한 최적화된 수요
대응과 능동적인 물류기능 수행
• 데이터 공유에 대한 업체들의 부담 존재
• 협업 체계 구축에 대한 기업들의 불신
높은 통합수준
• 충전소 및 킥보드 보관 시설 등 운영 시설 통합,
가장 높은 통합 수준의 컨소시엄
• 이전 통합수준에 더해 , 베이스 운영 통합
재배치, 라우팅 최적화 효과 극대화
*베이스 : 수거된 킥보드를 충전 후, 재배치 까지 보관하는 시설
• 운영 전반에 걸친 통합 기능 수행
• 요금제, 고객 혜택 등 마케팅 부문이 업체들의
유일한 차별 요소, 실현 가능성이 떨어짐
상생 컨소시엄 구축 : 컨소시엄 개요도

상생 컨소시엄 overview

1. 공유 킥보드 업체 간 전략적 제휴를 바탕으로 한 컨소시엄

2. 참여기업의 물류기능 공동화 및 통합 데이터 분석을 통해 수거 · 재배치 프로세스 재구축
3. 운영 최적화를 통해 참여 업체의 비용 절감과 안정적인 성장 기반 구축을 도모

업체 A
3PL
업체 B
상생 컨소시엄
업체 C 프로세스
데이터 제휴 운영 최적화
공동개발
업체 D
딥러닝 기반 통합효과 실증 분석
: 수요예측과 수배송 최적화
Chicago e-scooter datasets을 이용하여
딥러닝 기반 통합효과 실증 분석 : 선행 연구 1

선행 연구 1 : 수요 정보 통합
1) 수요예측과 재고 수준의 관계
• 수요예측의 정확도는 결품(stock out) 방지와 안전재고 수준을 결정하는 핵심 요소
“Operationally, it is clear that the accuracy of the forecast directly contributes to higher profits by reducing stock-out situations and lowering the level of safety inventory.”
*Ö zden Gür Ali et al, "SKU demand forecasting in the presence of promotions" , Expert Systems with Applications 36 (2009) 12340–12348

“To secure supply chain performance against forecast inaccuracy, an important countermeasure is safety stocks. The size of safety stocks required to obtain
a certain customer service level depends on the degree of demand uncertainty and the corresponding forecast errors.”
* Anna-Lena Beutel et al, "Safety stock planning under causal demand forecasting" , International Journal of Production Economics Volume 140 (2012) 637-645

2) 수요 정보 통합과 정확도
• 개별 수요정보 결합을 통한 수요예측 정확도 향상
“In the literature of supply chain planning and demand planning, demand aggregation is known as a ‘‘risk-pooling’’ strategy to reduce demand fluctuation for more
effective material/capacity planning”
“ Following aggregation, demand forecasting is the next step of demand planning to improve the accuracy of demand plans. It is known that demand uncertainty can be
effectively reduced through appropriate demand aggregation and forecasting”
* Chen, Argon et al, "Performance analysis of demand planning approaches for aggregating, forecasting and disaggregating interrelated demands", International journal of production economics, Vol.128 (2010) 586-602

공유 킥보드 산업 연계성
✓ 향상된 수요예측을 통해 킥보드 이용 수요에 효과적으로 대응하고, 고객 서비스 수준 증진
✓ “재고”를 배치되는 킥보드로 생각한다면, 특정 지역에 할당되는 킥보드의 과잉 배치를 막고,
업체의 제한된 킥보드의 총 수량을 효율적으로 배분 및 서비스 구역 확대 가능
✓ 킥보드 업체 간 개별적으로 수집한 고객 이용 데이터를 합산하여, 수요예측 정확도 향상 가능
딥러닝 기반 통합효과 실증 분석 : 선행 연구 2

선행 연구 2 : 수배송 공동화 및 효율화

✓ 물류 합리화
• 고객 서비스 향상과 물류 비용 감소라는 Trade off 관계를 고려, 총 비용 관점에서 합리적 물류 서비스 수준을 결정하는 체계
• 물류 합리화의 수송 분야 연구 : 수배송 공동화, 수배송 효율화

1) 수배송 공동화
• 수송 효율 향상과 비용 절감을 위해 2개 이상의 업체가 공동으로 수배송을 수행하는 물류 제휴 효과
1. 물류 비용 절감 2. 물류 서비스 안정 공급 3. 운송 시, 화물 혼재를 통한 규모의 경제 실현

2) 수배송 효율화
• 수송비용 절감을 목표로, 배송 경로 자동 작성을 통해 효율화된 경로를 재구축하는 물류 기법
• 화물차 배치와 관련된 차량 라우팅 문제를 수배송 효율화를 위하여 일관적인 고정 다이어그램이나 외부환경을 고려한 변동 다이어그램
시스템의 기법으로 해결함

• 화물차 라우팅 설계 문제유형

1. VRP 2. CVRP 3.DCVRP 4. VRPTW 5. VRPB 6. VRPPD
딥러닝 기반 통합효과 실증 분석 : 선행 연구 2

선행 연구 2 : 수배송 공동화 및 효율화

수송크기에 대한 고정비용, 수송비용
3) 공동 배송 및 혼재의 효과
• 혼재에 대한 연료 소비 효율

𝐹𝐶 = 𝐹𝐶𝑝𝑟 + 𝐹𝑐𝑝𝑢 − 𝐹𝐶𝑝𝑟 ∗ 𝐿𝐹

비용
-> 차량에 실린 화물의 무게가 높을수록, 특정 하중에 대한 연료 소비량 감소 총비용

* 𝐹𝐶 : 특정 하중을 차량으로 운반하기 위한 연료 소비량 수송비용

* 𝐹𝐶𝑝𝑟 : 차량 가득 찰 때의 연료 소비량 고정비용

* 𝐹𝑐𝑝𝑢 : 차량이 비어 있을 때의 연료 소비량

수송크기
* 𝐿𝐹 : 무게 가중치
수송 크기(차량의 적재량) 증가에 따른
수송 비용 및 고정 비용 감소, 그에 따른 총비용 감소 효과

공유 킥보드 산업 연계성
✓ 각 업체의 킥보드를 공동의 수배송 시스템에 혼재하여 중복된 수배송 라우팅을 줄이고, 규모의 경제 실현 가능
✓ 차량의 적재량을 극대화 시켜 킥보드 운영에 소요되는 물류 고정비용과 수송비용을 감축하고, 합리적인 가격의 서비스 실현 가능
✓ 업체별로 진행되던 킥보드 재배치 업무를 공동화하여 수거를 위한 킥보드 최적 대수 확보 가능
딥러닝을 이용한 수요 예측 알고리즘

Why Deep Learning?

✓ 머신러닝과 딥러닝

머신러닝 컴퓨터에 미리 규칙을 입력 후, 규칙에 따라 입력된 데이터를 학습하는 모델, 얕은 학습 모델이라고 함

딥러닝 규칙이 없는 상태에서 데이터만 주어지고 컴퓨터가 데이터를 보고 학습을 수행하는 모델

- “두 모델 모두 학습 데이터의 크기가 커지면 성능이 좋아진다. <학습크기와 진단성능 간 상관관계>

하지만, 얕은 학습 모델의 경우 성능이 좋아지는 한계가 존재한다.”
*P. Cao, S. Zhang, and J. Tang, ‘‘Preprocessing-free gear fault diagnosis using small datasets with deep convolutional neural
딥러닝
network-based transfer learning,’’ IEEE Access, vol. 6, pp. 26241–26253, 2018.

- “수집된 데이터를 LSTM 모델에 적용하여 분석하였고 기존의 시계열모델보다 성능이

진단 성능
뛰어났음을 증명”
머신러닝
*H Jeong et al "A review of artificial intelligence based demand forecasting techniques"(2016)

통합을 통해 빅데이터 구축의 효과를 누리기 위해서

딥러닝 모델을 통한 수요 예측 모델을 수립하는 것이 적합 학습데이터의 크기
딥러닝 기반 통합 효과 실증 분석 : 연구 가정과 분석 방법

연구 가정
✓ 가상 기업 설정
기업 A B C D 통합
전체 데이터 대비
35% 25% 20% 20% 100%
기업 데이터 비율

- Chicago e-scooter 데이터셋을 분할하여 4개 기업의 서로 다른 기업의 데이터라고 가정

- 통합을 하지 않았을 때의 상황은 A기업을 기준으로 분석
- 통합을 했을 때의 상황은 전체 데이터셋을 사용하여 분석

분석 방법
1. 딥러닝을 활용한 수요예측 수행
1-1. A기업에 대한 수요예측 수행
1-2. 통합된 경우에 대한 수요예측 수행
1-3. 위의 두 경우에 대한 예측 정확도를 비교

2. 수요예측 정보를 바탕으로 메타 휴리스틱 기법의 할당 수배송 합리화 수행

2-1. A기업에 대한 수배송 합리화 수행
2-2. 통합된 경우에 대한 수배송 합리화 최적화 수행
2-3. 위의 두 경우에 대한 동선 효율을 비교
딥러닝 기반 통합 효과 실증 분석 : 사용 데이터와 전처리

사용 데이터 : Chicago e-scooter

• 美 시카고에서 실제 운영되는 전동 킥보드(Lime, Bird)의 운영 데이터 정보

- 2019년부터 21년 1월까지의 데이터가 포함되어 있음

장점 단점

실제 수요는 결측값이나 이상치와 같은 Noise 데이터들이 존재

실제 수요를 사용한다는 점에서 실증적인 연구가 가능
→ 전처리 과정이 필요

전처리 기법
1. Imputing
= 결측값에 대한 전처리 과정으로, KNN(K근접이웃법)기반의 평균으로 결측값을 처리

2. Clustering
= 전동 킥보드는 Free-Floating 특성을 가지고 있기 때문에 데이터의 분산이 매우 높음
→ 수요 예측 자체에 큰 장애요소로 작용
Clustering을 통해, 수요 예측을 개별 킥보드 단위가 아닌 이웃된 수요로 그룹화하여 예측을 수행.
딥러닝 기반 통합 효과 실증 분석 1 : 수요예측 기법 LSTM, GAN

LSTM(Long-Short Term Memory) GAN(Generative Adversarial Network)

수요 예측에서 사용할 인공지능 기법-1 수요 예측에서 사용할 인공지능 기법-2

h h h
0 Cell State 1 2 Discriminator
장기 수요 진짜/가짜
기억 정보 판단

Generator
단기 단기 Latenet 가짜 예측
기억 기억 정보 생성
X X X Vector 수요 수요
0 1 2

LSTM(Long-Short-Term-Memory) GAN(Generative Adversarial Network)

• 시계열 예측 연구에서 많이 사용 • 가짜 데이터를 생성하는 모델

• 데이터의 전반적인 특성을 장기기억 가능 • 본 연구에서는 가짜 데이터를 예측 데이터로 사용

• 높은 정확도 기대 • 모델붕괴 측면에서 LSTM을 보완할 수 있는 모델로 사용

• 모델붕괴의 가능성 상존
딥러닝 기반 통합 효과 실증 분석 1 : 이용자 수요예측 결과

딥러닝과 다른 기법 간 수요예측 결과 비교

수요 예측 기법의 정확도(precision) • 통합 이전: 최고 성능은 Regression 모델

0.87
• 통합 이후: LSTM이 다른 데이터들에 비해 월등히 좋은 능력을 보인다는 것을 확인할 수 있음

0.79 • 가장 큰 성능 향상을 보인 모델 : GAN

0.75
0.72 → 통합을 통해, 급격한 성능 향상을 보임
0.7
0.68 = GAN은 다른 모델들에 비해 학습에 요구되는 데이터가 많음
0.65

0.53 데이터의 양과 성능이 강하게 연관되어 있는 딥러닝의 특징

→ 통합을 통해 보다 정교한 수요 예측을 수행할 수 있음

예측된 수요의 변화를 영상으로 표현 딥러닝은 각 지점의 시간별 수요량을 예측

통합 전 통합 후

LSTM GAN Regression 랜덤포레스트

딥러닝 기반 통합 효과 실증 분석 2 : 수배송 문제 해결을 위한 GA

GA(Genetic Algorithm)

수배송문제에서 사용할 휴리스틱 기법

알고리즘 구조
선택(Selection) 교배(Crossover) 변이(Mutation)

a b c d e 1 2 3 4 5 1 2 3 d e
Input : 예측된 수요 데이터,
차량 정보(capacity)
적합도

a b c 4 5

1 2 3 d e
•••

a b c 4 5 1 2 3 d e 1 2 3 ㄹ e GA : 여러가지 발생가능한
조건들을 탐색해보며
GA(Genetic Algorithm) 가장 최적의 경로 탐색

• 스쿠터 회수는 VRP(Vehicle Routing Problem) 문제로 NP(Non-Polynomial) 문제

• 최적화를 하는 것이 불가능하기 때문에 메타휴리스틱 기법인 유전 알고리즘(GA)를 이용하여 해를 구함

• 유전 알고리즘은 위의 개요도와 같이 선택, 교배, 변이의 과정을 거치며 최적에 근사한 차량 배치를 도출
Output : 최적의 경로로
구성된 배차 스케쥴
딥러닝 기반 통합 효과 실증 분석 2 : 수배송 문제 해결을 위한 GA

유전 알고리즘 적용 방법
수요 정보 입력

✓ 유전알고리즘을 통해 VRP 최적화를 수행하기 위해,

오른쪽과 같은 알고리즘을 구현 초기집단 생성 : 랜덤 경로 계산

1. 적합도 평가는 유클리드 거리를 기준으로 함

적합도 평가 : 경로 별 비용 계산
2. 교배와 돌연변이는 Double-Bridge 방식을 이용

선택 : 최선 경로 선정

✓ 수배송 문제는 CVRP(Capacity VRP)를 가정하여 정의 교배 : 최선 경로를 기반으로 다른 경로들 조정

1. 각 차량은 한정된 용량을 가짐 돌연변이 : 조정된 경로들에게

2. 미충족된 수요가 존재한다면, 원점 복귀를 허용하지 않음 랜덤한 경로 변화 처리

* CVRP: 한정 용량 경로탐색 문제
적합도 평가 : 경로 별 비용 계산

Yes No
최적 해 종결 조건

<유전 알고리즘 개요도>

딥러닝 기반 통합 효과 실증 분석 2 : GA를 통한 수배송 합리화 결과

통합 전: 가상 4개의 업체 통합 후: 단일 계획

각각의 업체가 자사의 킥보드만을 회수하는 경우 통합된 하나의 솔루션을 통해 킥보드를 회수하는 경우
차량의 경로가 겹치는 경우가 많음 차량의 경로가 겹치는 경우가 적음
비효율적 동선 발생 동선 최적화 가능

→ 통합적으로 운영하여 통합 이전 대비 34%의 효율 개선

딥러닝 기반 통합 효과 실증 분석 3 : 비용 절감 효과 분석

가정

✓ 가정 1: 수요예측 관련 ✓ 가정 2 : 수배송 합리화 관련

1. A기업은 1000대의 킥보드를 사용하여 서비스를 운영함 1. 수배송에 소모되는 비용은 경로 길이에 따른, 총 연료 비용을 다룸

2. 수요예측 실패로 인한, 서비스 실패에 대한 다른 대책이 존재하지 않음 2. A기업은 1000개의 킥보드를 재배치하기 위해, 한대에 30대를 적재할 수
(안전재고가 존재하지 않음) 있는 트럭 20대를 운영

3. 수요예측을 위해 사용하는 기법으로 LSTM을 사용함 3. A기업의 모든 차량의 제원은 현대자동차 포터2(4세대-2021년형)을 사용

4. 경로의 총길이는 유클리드 거리를 사용하여 구함

딥러닝 기반 통합 효과 실증 분석 3 : 비용 절감 효과 분석

수요 예측 정확도에 따른 비용 절감 효과

✓ 통합 전/후 비교

비용 산출 기준
• 수요 예측의 정확도 a에 대한 예측 실패 비용산출 방법 :
구분 내용 금액(원)
예측 실패 비용 = 운영 대수 x (1-예측 정확도) x 대당 순수익
매출 대당 회전율 2.4회 x 회당 매출 2,790원 6,800
• 아래는, 위의 식을 이용하여 산출한 통합 전/후의 수요 예측실패 비용 운영비 37%(킥보드 구입비용 포함)
비용 4,000
기타(통신 및 보험 등 수수료) 22%
수익 24개월 순수익 200만

비고 통합 전 통합 후

예측 정확도 (LSTM) 0.68 0.87 약 30%의 비용 절감 효과

예측 실패 비용(원/년) 1000 x(1-0.68) x200만 = 6억4천만 1000 x (1-0.87) x 200만 = 4억 6천만
딥러닝 기반 통합 효과 실증 분석 3 : 비용 절감 효과 분석

수배송 합리화에 따른 비용 절감 효과

✓ 통합 전/후 비교

비용 산출 근거
• 총 경로 길이에 따른 비용 산출 방법:
디젤 평균 판매가격
연료비용 = (총 경로 길이(km) / 차량 연비(l/km)) x 연료단위당 비용(원/km) 현대 포터2 연비
(2021.4 기준)

• 아래는, 위의 식을 이용하여 산출한 통합 전/후의 연료비용 9 L/km 1,333원

비고 통합 전 통합 후

랜덤 라우팅 시,경로길이 1,342km

GA최적화사용시, 경로길이 872km(35%개선) 605km(55%개선)

연료비용 =(872/9) x 1,333 연료비용 =(605/9) x 1,333

연료 비용 =약 13만원 =약 9만원

약 30%의 비용절감 효과
상생 컨소시엄의 기대효과

기술적 측면
• 상생 컨소시엄 기반의 수요 데이터 통합
- LSTM & GAN 알고리즘을 개발, 수요예측의 정확도를 높여 전동킥보드를 고르게 배치할 수 있도록 함

• GA 알고리즘을 이용한 킥보드의 Pick-up & delivery service 과정을 최적화

- 킥보드 수거방식에 consolidation을 도입하여 차량 capacity를 공유

경제적 측면

• 소규모 업체를 위한 물류기능 통합이라는 新 비즈니스 모델 도입

- 회수 차량의 운행 최소화를 통해 비효율적인 차량 동선을 개선하고 기존 대비 회수에 필요한 인력, 자원 활용 개선

• 업체 간 유휴 비용(공유 기기 수거 차량, 재배치 인력 등) 절감

- 자원 여유 업체: 컨소시엄 내 업체에게 유휴 자원을 제공하여 추가 수입 획득

- 자원 부족 업체: 업체별 긴급 수요 응대 가능, 운영 차량, 재배치 인력 비용 절감

• 공유 킥보드 산업의 성장

- 불필요한 서비스 재고 감축으로 및 해당 자본을 소외지역에 재분배하여, 해당 산업이 더 넓은 지역으로 확대 및 활성화 될 수 있도록 함
상생 컨소시엄의 기대효과

사회 및 정책적 측면
• 라스트 마일 및 교통 복지 증진
- 기존 서비스 불가 지역을 포함한 킥보드가 필요한 교통 소외 지역에 최신의 딥러닝 기법을 적용하여 새롭게 기기를 공급함으로써 서비스 재고 수준 효율화

• 미래형 교통수단 도입을 위한 정책 의사결정 토대

- 정부는 상생 컨소시엄의 공유 PM과 관련 통합 데이터를 바탕으로, 서비스 이용 형태 및 주요 동선을 파악하여

향후 관련 모빌리티 사업 상 의사결정 토대를 다질 수 있음
상생 컨소시엄의 발전방향

신사업 전개
• IoT센서를 부착한 위한 스마트시티 핵심 솔루션
- 공유 킥보드 서비스 사업자 및 지자체와 협력해 IoT센서를 접목시킨 킥보드를 지역 단위로 운영, 국지적인 ‘주변 환경·위험 정보’ 서비스 구축 기대

데이터 활용
• 통합 교통 서비스 MaaS와의 연계
- 데이터 수준의 향상으로 MaaS와의 연계 가능성 확대
- 교통 혼잡도 감소, 이산화 탄소 배출 37% 감소, 공공 주차공간 95% 절약 가능
• 민간 수요 맞춤형 데이터 제공
- 데이터 활용 사업 창업 유도 및 교통 데이터 新경제 창출
• 상생 컨소시엄의 고도화-시각화된 통계자료 활용
- 상생 컨소시엄에서 수집한 데이터를 기반으로 고도화-시각화된 통계자료 제공 및 사회적 문제 해결에 활용

기술적 측면
• 사물인터넷(IoT)기반 공유 킥보드 관리
- 사각지대의 킥보드 실시간 관리, 킥보드 이동 정보를 확인하여 킥보드 운영 정책, 교통 정책에 활용
• 블록체인으로 상생 컨소시엄 운영사 간 정보 교류 전산화
- 킥보드 운영 프로세스 효율성 증대, 킥보드 이용객 데이터 보안 강화
결론

연구 정리
• 각 업체들의 킥보드 회수, 충전, 재배치 등 일련의 물류 프로세스에 대한 중복 투자가 발생하는 상황 속 관리 측면의 비효율이 존재하는 문제에서 착안
• 공유 전동킥보드 산업의 안정적 성장 기반 구축이 목표
• 공유 킥보드 업체의 데이터 통합 및 물류 기능 공동화를 통한 상생 컨소시엄 구축 제안
• 공유 킥보드의 배치, 회수 및 관리 효율성 개선을 통한 기술적, 경제적, 사회 및 정책적 측면의 기대효과 기대

한계점 및 개선방향
1) 컨소시엄 구축의 업체 유도 한계점 및 개선방향

• 공유 킥보드 업체 입장에서 수요예측 및 데이터 처리 부분은 경쟁력의 요소로 데이터 통합에 대한 어려움 존재

➔ 통합 운영 플랫폼의 구축으로 개별 기업이 얻는 이익을 강조하여 참여를 유도

➔ 기존 활동 중인 ‘공유 전동킥보드 연합회’ 를 참여 업체들 간 의견 조율 및 소통의 장으로 활용

2) 기술 측면 한계점 및 개선방향

• 현재 예측과 할당에 사용하고 있는 딥러닝과 GA는 이상값(outlier)에 취약하다는 문제와 결과값이 불안정하다는 문제 존재

➔ Transformer와 같은 최신의 딥러닝 기술이나, 메타휴리스틱 기법과 딥러닝 기법을 혼합하여 사용하는 모델을 통해 개선 가능

➔ ACO(Ant Colony Optimization)와 같은 유전알고리즘의 개선 형태들을 적용, 안정적인 할당해를 찾을 수 있도록 개선 가능

References
[1] Enrique Alba et al, “Computing nine new best-so-far solutions for Capacitated VRP with a cellular Genetic Algorithm”(ScienceDirect, 2006)

[2] Kian Cao et al, “Financial time series forecasting model based on CEEMDAN and LSTM”(ScienceDirect, 2019)

[3] 민연주 외 5, "a study on big data analytics and application in logistics", The korea transport institute 2018. 11

[4] Progressive grocer, "Pharmacy Industry Leaders Launch Firm to Supply Real-Time Data", 2001년 7월

[5] 한국교통연구원, “개인형 이동수단 현황과 정책적 과제”(월간교통, 2020년 6월)

[6] 공인택, 신광섭, "통합공급사슬에서 다기능 물류시설의 최적 용량 계획 및 운영전략에 관한 연구", 한국물류학회, 2020, vol.30

[7] 국민권익위원회 민원정보분석과, 안전한 전동킥보드 이용을 위한 국민의견 분석, 2020.12.

[8] Oliver Wyman 외 3, " '출혈경쟁'에서 '전략적 협업'으로", 동아비즈니스리뷰, 2009년 1월, Issue-1

[9] Nielsen Media “200만 이용자 목전에 둔 ‘퍼스널모빌리티’, 대안 교통수단으로 자리잡나?”, Nielsen, 2020년 11월 30일자, 제 310-2호

[10] 채희근, "중국 공유 자전거 업체들의 몰락이 주는 교훈", 2019년 10월, KB금융지주 경영연구소

[11] 김동규, “위례신도시, '퍼스널 모빌리티' 시험장으로…"활용성 검증", 연합뉴스, 2020년 12월 10일자

[12] KISO기획팀, ‘공유 전동킥보드’ 국내 동향과 그 기대효과, KISO JOURNAL, 2019년 9월 30일자

[13] 허민혜, “‘킥고잉’ 선두, 충성도는 ‘씽씽’…국내 공유 전동 킥보드 사용자 현황”, platum, 2020년05월25일자
References
[14] Kostić, Natalija. “CONSOLIDATION IMPACT ON TRANSPORTATION COSTS AND CO2 EMISSIONS IN GLOBAL SUPPLY CHAIN”, 4th logistics international
conference, 2019.05
[15] 장석화, “물류시스템에서 수송크기와 물류센터의 위치”, Journal of the society of korea industrial and systems engineering vol, 30, No. 3, pp12-19, 2007.09
[16] 삼영물류, “수배송합리화”, 금호인력개발원, 2002.04
[17] 엄지용, “전동킥보드 업체들이 공간 사업자와 협력하는 이유”, 바이라인네트워크, 2019.11
[18] 오성덕, “이동형 기상·환경 IoT 관측기술 ‘쏨비’ 개발 ··· 미세먼지 열섬현상까지 잡는다”, 건설기술, 2020.11
[19] 물류산업진흥재단, “해수부 조인트벤처 2호, 해상물류 혁신방안 발표”, “물류산업진행재단 공식 블로그”, 2019.08
[20] 산업통상자원부 홈페이지 (http://www.motie.go.kr)
[21] 스마트시티 종합포털 홈페이지 (https://smartcity.go.kr)
[22] 정인웅 외 2, "공유 자전거 시스템의 수요기반 재배치", 한국경영과학회, Vol.43 No.4, 2018.11
[23] Ö zden Gür Ali et al, "SKU demand forecasting in the presence of promotions" , Expert Systems with Applications 36, (2009) 12340-12348
[24] Anna-Lena Beutel et al, "Safety stock planning under causal demand forecasting" , International Journal of Production Economics Vol.140, (2012)
637-645
[25] Chen, Argon et al, "Performance analysis of demand planning approaches for aggregating, forecasting and disaggregating interrelated demands",
International journal of production economics, Vol.128, (2010) 586-602
[26] Chul Soon Park, "The Moderating Effect of Firm Size on the Relationship between Supply Chain Integration and Firm Performance" korean
management review 41, (2012) 1601-1627
[27] Soo Wook Kim, "Alignment between Supply Chain Integration Type and Diversification Strategy" , Korean management review 34, (2005) 471-496
References
[28] Nam-young Kim, "Which Strategy is better under Competition, Centralization or Decentralization of Supply Chain?" , Business management review
42, (2009) 39-54

[29] Christian Wankmüller et al, "Coordination, cooperation and collaboration in relief supply chain management" , Journal of Business Economics,
(2020) 239–276

[30] A. Darwish, A. E. Hassanien, and S. Das, ‘‘A survey of swarm and evolutionary computing approaches for deep learning,’’ in Artificial Intelligence
Review. Amsterdam, The Netherlands: Springer, 2019

[31] Ayturan, Yasin Akın, Zeynep Cansu Ayturan와/과Hüseyin Oktay Altun. “Air Pollution Modelling with Deep Learning: A Review”. Environmental
Modelling 1 (2018년)

[32] Yin, Chunyong, Sun Zhang, Jin Wang와/과Neal N. Xiong. “Anomaly Detection Based on Convolutional Recurrent Autoencoder for IoT Time Series”.
IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2020년

[33] Kumar, Manoj, Mohamed Husain, Naveen Upreti와/과Deepti Gupta. “Genetic Algorithm: Review and Application”. SSRN Electronic Journal, 2010년.
감사합니다.