분포 불확실성을 고려한 모멘트 제약 뉴스보이어 모델

초록

본 논문은 Wasserstein 거리 기반의 불확실성 집합에 모멘트 제약을 추가한 분포 견고(newsvendor) 모델을 제시한다. 무한 차원의 원시 문제를 순간 문제 이중성으로 변환해 유한 차원의 이중 문제로 정리하고, 구간 탐색과 방향 하강(DD) 알고리즘을 이용해 다항 시간에 최적해를 구한다. 테슬라 자동차 월별 판매 데이터를 활용한 사례 연구를 통해 모호성 수준이 최적 주문량과 비용에 미치는 영향을 실증적으로 분석한다.

상세 분석

이 논문은 전통적인 뉴스보이어 문제에 두 가지 중요한 확장을 도입한다. 첫째, 확률분포에 대한 불확실성을 Wasserstein 거리로 정의한 ‘Wasserstein ball’ 안에 모든 가능한 분포를 포함시키는 방식으로 모델링한다. 이는 실제 데이터에서 추정된 경험분포 Pn을 중심으로 반경 δ를 설정함으로써, 데이터 샘플링 오차와 분포 추정 오류를 정량화한다. 둘째, 기존 Scarf 모델이 요구하던 1차·2차 모멘트(평균 μ, 분산 σ²) 외에도 추가적인 모멘트 제약을 자유롭게 삽입할 수 있도록 설계하였다. 이러한 모멘트 제약은 ‘문제의 순간’ 이중성 이론을 활용해 원시 문제를 선형 반무한 프로그램 형태로 변환하고, 강한 이중성을 이용해 유한 차원의 이중 문제로 축소한다.

이중 문제는 변수 λ = (λ₁, λ₂, λ₃)와 주문량 Q에 대해 공동 볼록(convex) 구조를 가지며, 목적함수 F(λ,Q) 는 각 관측값 x_i에 대해 구간별 2차 형태를 갖는 조각별 볼록 함수이다. 저자들은 각 구간(Region R_ij)의 경계선을 β_j와 연계된 직선 L_ij(λ₁) = 2λ₁x_i + β_j 로 정의하고, 이들 직선들의 교점 집합 V_τ를 구해 초기 탐색점을 설정한다. 이후 방향 하강(DD) 방법은 한 번의 영역·선분 탐색만으로 전역 최소점을 찾을 수 있음을 증명한다. 복잡도 분석에 따르면, 전체 알고리즘은 O(n²) 연산으로 해결 가능하며, 이는 기존의 반무한 프로그램을 직접 풀 때보다 현저히 효율적이다.

정리 2.1과 정리 2.2는 각각 내부 최적화 문제(λ에 대한 sup g_i)와 전체 이중 문제(D)의 다항 시간 해법을 제시한다. 특히, λ₁ > 0, a = λ₁ + λ₃ > 0 조건 하에 내부 sup g_i는 세 가지 경우(0, x_i₁, x_i₂) 중 하나로 명시적으로 계산된다. 이를 기반으로 f(ξ,Q) = min_{λ₁≥0, λ₂} F(λ₁,λ₂,ξ,Q) 를 구하고, ξ = λ₁ + λ₃ 로 파라미터화한 뒤, Q에 대한 1차원 최적화는 서브그라디언트 이분법으로 해결한다.

실증 부분에서는 4년간 월별 미국 테슬라 판매량(천 대 단위)을 사용해 비용 c₁ = 20, c₂ = 10(천 달러)으로 설정하였다. δ를 변화시켜 Wasserstein ball의 크기를 조절함에 따라 최악 경우 비용과 최적 주문량이 어떻게 변하는지를 그래프로 제시했으며, δ→0일 때는 Scarf 모델의 고전적 해(비용 약 121 백만 달러, 주문량 약 12,930)와 일치함을 확인했다. 또한, δ와 통계적 신뢰수준 α 사이의 관계를 기존의 측정 집중 결과와 연결해, 실무자가 원하는 신뢰구간에 맞는 δ 값을 선택할 수 있음을 제안한다.

마지막으로, 다품목·다기간 확장, 위험 회피형 목표함수, 반정밀도 목적함수 등 향후 연구 방향을 제시하며, 현재 제시된 알고리즘이 이러한 확장에도 적용 가능함을 암시한다. 전체적으로, 이 논문은 순간 이중성, Wasserstein 거리, 그리고 효율적인 구간 탐색을 결합해 실용적인 견고 재고 관리 모델을 제공한다.