유사사례 기반 화물운송 비용 추정 방법

초록

본 연구는 국제 화물 운송 비용을 추정하기 위해 유사사례 기반 추정(EBA)을 적용하고, k‑Nearest Neighbors(k‑NN) 알고리즘을 활용해 7년간 수집된 5,000건 이상의 실제 작업 데이터를 실험하였다. 이웃 수를 4 이하로 제한했을 때 학습 과정의 컴퓨팅 비용이 정확도에 미치는 영향은 미미했으며, 전체 정확도는 수작업 견적보다 낮지만 인건비가 높은 기업에서는 실용적일 수 있다. 시뮬레이션 결과, 수작업 견적에 1.5시간 이상이 소요될 경우 자동화된 추정이 비용 효율적이라는 ‘무차별점’이 도출되었다. 향후 표본 선택 정책 개선과 확장성을 위한 연구 방향을 제시한다.

상세 요약

이 논문은 물류·운송 분야에서 비용 추정의 자동화를 시도한 드문 사례로, 기존의 전문가 기반 수작업 견적 방식과 비교해 데이터 기반 유사사례 추정(EBA)의 가능성을 검증한다. 연구자는 7년간 아일랜드의 한 포워딩 회사에서 축적된 5,000여 건의 실제 운송 작업 데이터를 구축하고, 각 작업의 특성(출발·도착 국가, 화물 종류, 중량·부피, 운송 방식 등)과 실제 청구 비용을 레코드로 정리하였다. 이 데이터를 기반으로 k‑Nearest Neighbors 알고리즘을 적용했으며, k값을 1부터 10까지 변화시켜 예측 정확도를 측정하였다. 핵심 결과는 k가 4 이하일 경우, 학습 단계에서 수행되는 거리 계산 및 정규화 과정이 컴퓨팅 비용을 크게 증가시켜도 최종 예측 정확도에 유의미한 차이를 만들지 못한다는 점이다. 이는 고차원 특성 공간에서 이웃 수가 적을수록 개별 사례의 변동성이 크게 반영되어, 과도한 학습이 오히려 과적합 위험을 높일 수 있음을 시사한다.

정확도 측면에서는 평균 절대 오차(MAE)와 평균 절대 백분율 오차(MAPE)를 사용했으며, 수작업 견적에 비해 MAPE가 약 25% 정도 높았다. 그러나 인건비가 높은 환경에서는 자동화된 추정이 시간당 인건비 대비 절감 효과를 낼 수 있다. 이를 검증하기 위해 시뮬레이션 모델을 구축했으며, 수작업 견적에 소요되는 평균 시간이 1.5시간을 초과할 경우 자동화된 EBA가 비용적으로 우위에 선다는 ‘무차별점’(point of indifference)을 도출했다.

논문은 또한 표본 선택 정책의 한계를 지적한다. 현재는 전체 데이터베이스에서 무작위로 k개의 최근 사례를 선택했으나, 비용 변동에 큰 영향을 미치는 변수(예: 관세, 계절성, 특수 화물)별로 가중치를 부여하거나, 클러스터링 기반 사전 필터링을 도입하면 예측 정확도를 향상시킬 가능성을 제시한다. 마지막으로, k‑NN 외에도 회귀 트리, 랜덤 포레스트, Gradient Boosting 등 더 복잡한 머신러닝 모델과의 비교 실험이 향후 연구 과제로 제시된다.