TEMEP Wiki

Sustainability of ride-hailing services in China's mobility market: A simulation model of socio-technical system transition

Junmin Lee, Jiyong Kim, Hongbum Kim, 황준석 (2020) · Telematics and Informatics 55:101435 · DOI ↗

중국 모빌리티 시장 (선전시, 2015.1~2018.7 시장 점유율 데이터) 에서 택시 vs Didi vs Uber 의 경쟁을 Geels (2002) 의 다층관점 (MLP) (MLP) 와 Bergman et al. (2008) · Köhler et al. (2009) 의 에이전트 기반 모형 시뮬레이션으로 모델링한다. AnyLogic 8 의 2 차원 실천 공간 (Px: legacy services, Py: ICT adoption) 에 1,000 simple agents (소비자) + 3 complex agents (Taxi, Didi, Uber) 를 배치하고 500 iterations 의 시뮬레이션 결과 niche clustering (Didi-Uber 합병) 이 28.6% 확률로 발생, 합병 시 더 빠른 transition.

  • RQ: 라이드헤일링이 중국 모빌리티 socio-technical 체제 전이를 견인할 조건은 무엇이며, niche clustering (합병) 이 전이 속도와 disutility 에 어떻게 영향을 주는가?
  • 방법론: 다층관점 (MLP) (MLP) 의 simulation 운영화, 에이전트 기반 모형 (AnyLogic 8), Non-parametric calibration (500 iterations)
  • 데이터: 선전시 월간 택시 승객 수 (Monthly Report on Transportation and Operations Statistics, 2015.1~2018.7), 중국 라이드헤일링 시장 점유율 (Didi 87% / Uber 13% as of 2015.1), Global Indicators of Regulatory Governance, GCI, Networked Readiness Index, Inclusive Internet Index, GEM, 1 인당 6 개 글로벌 지수
  • 주요 발견: 시뮬레이션 결과 niche clustering (Didi + Uber 합병 시뮬레이션) 이 500 회 중 143 회 (28.6%) 발생. 합병 발생 시 Didi 가 빠르게 ENA → regime 으로 전환, 2030 년 이후 택시와 균형; 합병 미발생 시 Didi · Uber 가 점진적으로 ENA 로 전환되어 2020 년 이후 15% 점유 도달, 3 ENA 가 disorderly 경쟁. 총 disutility 는 합병 시 빠르게 감소, 미합병 시 3 ENA 경쟁 시점에 급증.
  • 시사점: 모빌리티 전이 정책은 단일 변수 (가격·규제) 가 아닌 niche-regime-landscape 다층 상호작용 설계가 필요. 중국식 합법화 + 규제 신호가 niche clustering 을 유발해 더 빠른 sustainable transition 으로 이끈다.

중국 라이드헤일링의 socio-technical transition 시뮬레이션 구조: 2 차원 실천 공간 (Px: legacy services, Py: ICT adoption) 위의 1,000 simple agents (소비자) + 3 complex agents (Taxi, Didi, Uber).

요약

공유 경제 의 상징인 Uber 는 7 년 만에 $62.5 billion 가치로 Ford·GM 을 능가했지만 (Jacquet, 2018), 시장별 수용 양상은 국가의 legacy 규제·문화·인프라에 따라 크게 다르다. 한국·일본은 금지 후 기존 규제와의 통합 (Sung, 2018), 중국·인도는 적극 수용한다. 본 논문은 중국 모빌리티 시장의 ride-hailing 수용을 Geels (2002) 의 다층관점 (MLP) (MLP) 와 simulation modeling 을 결합해 분석한다. 기존 ride-hailing 연구 (Cohen and Kietzmann, 2014; Hall and Krueger, 2018; Petropoulos, 2017) 가 socio-technical 맥락이나 전이 관점을 거의 다루지 않았다는 점이 동기다.

방법론은 Haxeltine et al. (2008), Bergman et al. (2008), Köhler et al. (2009) 의 MLP-ABM 결합 프레임워크를 중국 모빌리티에 응용한다. AnyLogic 8 의 2 차원 실천 공간에 (Px: Legacy Services, 기존 택시 규제·관습, Py: ICT Adoption, ICT 인프라·디지털 리터러시) 1,000 simple agents (소비자) 를 배치하고 3 complex agents (Taxi = regime, Didi · Uber = niche) 의 위치·속도를 비모수 보정 (500 iterations, seed 변동) 으로 추정한다. Attractiveness 함수 attractivenessi,j=α⋅sj−Di,j2\text{attractiveness}_{i,j} = \alpha \cdot s_j - D_{i,j}^2 (sjs_j: 복합 agent strength, Di,jD_{i,j}: 거리), 누적 불만 CDLt=m⋅CDLt−1+(1−m)⋅DCtCDL_t = m \cdot CDL_{t-1} + (1-m) \cdot DC_t. 각 cycle 마다 소비자는 최소 disutility agent 에 투표하며 regime (>50% 점유), ENA (15~50%), niche (<15%) 의 전환이 일어난다.

핵심 결과 세 가지. (i) Niche clustering (Didi-Uber 합병) 이 500 회 중 143 회 (28.6%) 발생. 두 niche 간 거리 < 0.15 + 방향 차이 < 0.2π 조건. (ii) 합병 발생 시 (Fig. 5): Didi 가 Uber 자원을 흡수해 빠르게 niche → ENA → regime 전환, 2030 년 이후 택시와 균형 도달, 택시는 regime 지위 상실 후 ENA 로 전환. 2016~2017 Internet Plus Transportation 정책 랜드스케이프 신호가 합병을 가속화. (iii) 합병 미발생 시 (Fig. 6): Didi·Uber 가 점진적 시장 점유 (2020 년 이후 각각 15% 이상으로 ENA 전환), 3 ENA 의 disorderly 경쟁이 지속. Statista 의 2017 중국 라이드헤일링 침투율 25.2% → 2023 47.1% 예측과 약 10%p 차이로 시뮬레이션 robustness 확인. (iv) Total disutility: 합병 시 초기 급증 후 빠른 감소 (Didi 지배로 안정화), 미합병 시 3 ENA 경쟁 시점에 급증. 정책 함의는 합법화 + niche clustering 유도 + 다층 상호작용 설계가 sustainable mobility transition 의 핵심이라는 것이다.

핵심 결과

시나리오발생 빈도 (500 iter)전이 결과
Niche clustering (Didi + Uber 합병)143 / 500 (28.6%)Didi 빠르게 ENA → regime, 2030 년 이후 택시 균형
미합병357 / 500 (71.4%)3 ENA 가 점진 분할 (2020 년 이후 15%+)

Calibration: Taxi (Px=554, Py=450), Didi (Px=114, Py=899), Uber (Px=110, Py=948); 속도 0.000713 (500 iter min-MSE).

Market share 2015.1: Taxi 94.4%, Didi 87% × 5.6% ≈ 4.9%, Uber 13% × 5.6% ≈ 0.7%.

Disutility 패턴: 합병 시 sharp 감소, 미합병 시 3 ENA 경쟁 시 급증.

방법론 노트

Complex agent (Taxi, Didi, Uber) 의 attractiveness 는 (Eq. 1)

attractivenessi,j=α⋅sj−Di,j2\text{attractiveness}_{i,j} = \alpha \cdot s_j - D_{i,j}^2

여기서 sjs_j 는 strength (institutional capacity, 시장 점유와 비례), Di,jD_{i,j} 는 simple agent ii (소비자) 와 complex agent jj 의 normalized 거리 (cumulative dissatisfaction level CDLtCDL_t 기반).

CDLt=m⋅CDLt−1+(1−m)⋅DCtCDL_t = m \cdot CDL_{t-1} + (1-m) \cdot DC_t

(mm: memory ratio, DCtDC_t: 현 시점 최근 agent 거리). 각 cycle 마다 소비자는 attractiveness 최대 agent 에 투표, agent 는 strength 에 따라 niche → ENA → regime 으로 transformation. Calibration 의 object function 은

f=1n∑t=1n(ActualSharet−SimulationSharet)2f = \frac{1}{n} \sum_{t=1}^n (\text{ActualShare}_t - \text{SimulationShare}_t)^2

선전시 2015.1~2018.7 택시 점유율 데이터로 비모수 추정 (500 iterations). Niche clustering 조건은 두 niche agent 간 거리 < 0.15 + 방향 차이 < 0.2π.

연구 계보

황준석 그룹의 다층관점 (MLP) · 에이전트 기반 모형 시뮬레이션 라인의 응용이다. Geels (2002, 2004a, 2004b, 2011) 의 STS transition 이론을 Haxeltine et al. (2008), Bergman et al. (2008), Köhler et al. (2009) 의 ABM 운영화를 통해 중국 모빌리티 시장에 적용한다. Geels and Schot (2007) 의 niche-regime 경쟁 분류와 Rip and Kemp (1998) 의 landscape-regime-niche 3 계층 MLP 를 직접 계승. TEMEP 내에서는 Public-private co-evolution and niche development by technology transfer: A case study of state-led electricity system transition in South Korea 와 자매 작업, How to Improve Performance and Diversity of Government-Funded Research Institute Ecosystem? Focus on Result Sharing and Feedback Policy · The optimal knowledge creation strategy of organizations in groupthink situations 의 ABM 시뮬레이션 패밀리에 속한다. 동일 그룹의 Research on the Logic of Product Evolution Using Agent-based Model 와 방법론적 자매다.

See also

인접 그래프

1-hop 이웃 19개
  • 인물 4
  • 방법론 2
  • 주제 3
  • 수록처 1
  • 분류 1
  • 논문 8
황준석Hongbum KimJiyong KimJunmin Lee다층관점 (MLP)에이전트 기반 모형공유 경제라이드헤일링사회기술적 전환Telematics and In…혁신 경제학 Sustainability of rid…
휠 = 확대/축소 · 드래그 = 이동 · hover = 라벨 · 클릭 = 페이지 이동