Demand forecasting for multigenerational products combining discrete choice and dynamics of diffusion under technological trajectories

Won-Joon Kim, 이정동, Tai-Yoo Kim (2005) · Technological Forecasting & Social Change 72:825–849 · DOI ↗

다세대 제품 (multigenerational product) 의 수요 예측을 cross-section 의 이산선택 모형 과 time-series 의 베스 확산 모형 결합으로 재정의. 세계 DRAM 시장 1M → 256M generation 데이터에 다항로짓 + moores-law (메모리 밀도 증가) + 학습곡선 (가격 하락) 의 trajectory 를 통합 적용해 limited historical data 환경에서도 신세대 수요 예측이 가능 한 framework 을 제안. Bass / Norton-Bass / Mahajan-Muller 와 quantitative validation 비교에서 우월. 미래 64M·128M·256M·512M 세대의 diffusion-substitution 패턴을 historical timing 까지 일치하게 예측.

• RQ: 다세대 high-tech 제품 (DRAM 같이 generation 간 path-dependent 인 product family) 의 수요를 어떻게 예측할 것인가? Bass 형 diffusion 모형의 simultaneous-equation 비선형 시스템 한계 (수렴 문제 + 신세대 데이터 부족) 를 어떻게 우회할 것인가?
• 방법론: 다항로짓 (Train framework, generation choice probability), 이산선택 모형 (consumer utility = memory density × price × age), 베스 확산 모형 (hazard f(t) = (1−F(t))(p + q F(t))) 와의 결합, moores-law 와 학습곡선 로 미래 메모리 밀도 / 가격 trajectory 예측, time-series MNL estimation 으로 price endogeneity 회피
• 데이터: 세계 DRAM 시장 1M, 4M, 16M generation 의 1995–2003 + 새 세대 64M·128M·256M·512M 의 future projection (Cahners In-Stat Group, IDC, Daewoo Securities)
• 주요 발견: (i) MNL 계수 추정 — memory density 0.119/y 증가, age 0.148/y, 가격 효과는 quadratic. (ii) 신세대 forecasting 의 fig.5 가 historical timing 과 일치 — 1999 64M peak, 2001 128M peak, 2003 256M peak, 2003 512M 진입. (iii) Bass / Norton-Bass / Mahajan-Muller 와 정량 비교 — Bass 는 16M·64M NLS 수렴 실패, Norton-Bass 의 m4 와 Mahajan-Muller 의 α2-α4 가 통계적 미유의. 본 model 만 신세대 forecasting 까지 robust
• 시사점: 다세대 제품 forecasting 에 cross-section choice 와 time-series diffusion 분리 framework 은 한계 — 본 paper 의 integrated MNL + diffusion + trajectory approach 가 신세대 도입 시기·peak demand·substitution 패턴 동시 예측. DRAM 처럼 generation 진입 간격이 짧고 데이터가 부족한 산업에 직접 적용 가능

요약

Bass (1969), Mansfield (1961), Fisher-Pry (1971) 의 single-product diffusion 으로 시작한 demand forecasting 전통은 Norton-Bass (1987), Mahajan-Muller (1996) 에서 multigenerational 로 확장됐지만, 두 가지 한계가 남았다. (i) 모든 모델이 simultaneous nonlinear equation system 으로 추정돼 신세대 데이터가 부족하면 수렴·식별 문제가 발생 — Norton-Bass / Mahajan-Muller 모두 previous generation 데이터에서 parameter 를 borrowed 해야 함. (ii) Jun-Park (1996) 이 discrete choice (consumer utility 기반) 와 diffusion 을 결합했지만 여전히 simultaneous estimation 의 nonlinearity 함정에 갇혀있었다. 본 paper 의 conceptual move 는 time-series 추정 으로 frame 자체를 바꾸는 것 — MNL 의 cross-section approach 를 시간축에 직접 결합해 price endogeneity 와 nonlinearity 한계를 동시 회피.

방법론은 3 단계 forecasting. (i) MNL 의 choice probability $P_{ij}(t) = \exp(V_{ijt})/\sum_k \exp(V_{ikt})$ 를 generation 별 utility $V(x_{jt}) = \alpha_j x_{jt} + \beta_j m_{jt} + \gamma_j a_{jt}$ 로 정의 — 여기서 $x$=memory density, $m$=price, $a$=age. (ii) Bass 의 hazard $f_j(t)=(1-F_j(t))(p + q F_j(t))$ 와 결합해 market share dynamics 를 단일 식 안에 통합. (iii) 미래 세대 forecasting 을 위해 memory density 는 moores-law (3 년마다 4 배 증가), price 는 학습곡선 (cumulative output → cost) trajectory 로 외삽. MNL coefficients 의 yearly rate of change 자체를 normal 분포로 generalize 해 신세대의 future $(\alpha, \beta, \gamma)$ 를 예측.

검증은 정성·정량 양쪽. 정성 — 1999 16M 감소·64M peak, 2001 64M 감소·128M 증가, 2003 256M peak·512M 진입 같은 historical timing 과 예측이 일치. 정량 — Bass / Norton-Bass / Mahajan-Muller 와 같은 region B (1999–2002) 의 예측 vs actual 비교에서 본 model 의 RMSE 가 최저. 한계는 (i) DRAM business cycle (1998 / 2001 worldwide depression) 의 macro 충격 미반영, (ii) memory density coefficient 가 1M/4M/16M 만으로 추정돼 generation 별 coefficient 의 충분 표본 미확보. 본 paper 는 이종수·이정동 의 demand-analysis 라인에서 discrete choice + diffusion 통합 의 표지석으로 Evaluation of Technological Innovation in the Cellular Phone Display 가 stated preference 에서 시작한 작업을 historical revealed preference 로 확장한다.

핵심 결과

MNL 계수 추정 결과 (Table 4)

계수	연간 변화율	Forecast 정규분포
Memory density (α)	0.119**	N(0.119, 0.006)
Unit price linear (β₁)	−0.024**	N(−0.024, 0.001)
Unit price quadratic (β₂, t²)	0.139**	N(0.139, 0.007)
Age (γ)	0.148**	N(0.148, 0.007)

** p<0.05. 5% 표준편차 가정 후 미래 세대 (64M, 128M, 256M) 계수 predictive distribution 으로 외삽.

Forecasted DRAM 세대 timing (fig.5 narrative)

Generation	진입	Peak demand	Substitution out
1M	1985	1990	1995
4M	1989	1995	1999
16M	1994	1999	2001
64M	1998	2001	2003
128M	2000	2002–2003	2004
256M	2002	2003	—
512M	2003	—	—

Benchmark 비교 (Region B 1999–2002 forecast RMSE)

• Bass [2]: NLS 수렴 실패 (16M, 64M)
• Norton-Bass [4]: 4 generation joint NL3SLS, m₄ 미유의
• Mahajan-Muller [5]: α₂, α₃, α₄ 미유의 (신세대 upgrader 비율 식별 약함)
• 본 paper: 모든 generation 의 timing·peak 정확 예측

방법론 노트

본 paper 의 방법론적 혁신은 time-series MNL 로 이산선택 모형 과 베스 확산 모형 을 한 식 안에 통합한 점이다. Cross-section MNL 은 price endogeneity (BLP 1995 의 central issue) 가 약점이지만 본 paper 의 time-series MNL 은 generation-level aggregate share 를 시간축으로 직접 회귀해 intra-generation 가격 변동을 식별에 활용.

핵심 식. Choice probability — generation $j$ 의 효용이 memory density · price · age 의 선형 결합:

$$P_{ij}(t) = \frac{\exp\!\left(\alpha_j x_{jt} + \beta_j m_{jt} + \gamma_j a_{jt}\right)}{\sum_{k \in J_t} \exp\!\left(\alpha_k x_{kt} + \beta_k m_{kt} + \gamma_k a_{kt}\right)}$$

이 share $f_j(t) = \bar{P}_j(t)$ 가 동시에 Bass-type hazard 의 market share:

$$f_j(t) = (1 - F_j(t))(p + q F_j(t)), \quad F_j(t) = \int_0^t f_j(\tau)d\tau$$

Forecasting 3 단계 (식 18–20):

$$\tilde{f}_0(t+1) = \sum_j S^M(t+2) f_j(t)/\mathrm{Dn}_j, \quad \tilde{f}_j(t+1) = \tilde{f}_0(t+1) \exp(\hat\alpha_j \tilde{p}_{jt} + \hat\beta_j \bar{x}_j + \hat\gamma_j \tilde{a}_{jt})$$ $$\tilde{S}_j(t+1) = \tilde{M}(t+1)(1 - \tilde{f}_0(t+1)) \tilde{f}_j(t+1)$$

여기서 $\tilde{M}$ = total market potential, $\tilde{p}$ 는 학습곡선 외삽, $\tilde{a}$ = age 외삽. 신세대 (64M, 128M, 256M, 512M) 의 $(\alpha, \beta, \gamma)$ 는 historical generation 추정치의 yearly rate of change 를 정규분포로 generalize 해 sampling. Identification 은 (i) 시간축에서 generation 별 share 가 충분히 변동, (ii) Moore’s law·learning curve 가 supply-side trajectory 를 외생적 으로 결정, (iii) memory density coefficient 의 변화율이 1M/4M/16M 의 stable 패턴에서 외삽 가능, 세 가정에서 온다.

연구 계보

본 paper 는 Mansfield (1961), Bass (1969), Fisher-Pry (1971) 의 single-product diffusion 전통을 잇는다. Multigenerational 확장 — Norton-Bass (1987), Mahajan-Muller (1996), Speece-MacLachlan (1995), Jun-Park (1996) — 의 simultaneous equation 한계를 직접 비판하며 출발. Discrete choice 측면은 Train (2003) Discrete Choice Methods with Simulation, Ben-Akiva-Lerman (1985), Manski (1977), BLP (1995) framework. Moore’s law (Moore 1965) 와 learning by doing (Wright 1936, Arrow 1962, Alchian 1963) 이 trajectory 의 두 supply-side anchor.

author page 분류상 이정동 의 제1 기 측정의 도구 라인의 demand-forecasting 분과 작업. 같은 시기 sibling 으로 Evaluation of Technological Innovation in the Cellular Phone Display (stated preference + rank-ordered logit 으로 휴대전화 컬러 디스플레이 가치 추정), The Measurement of Consumption Efficiency Considering the Discrete Choice of Consumers (휴대전화 시장의 consumption efficiency 측정) 이 같은 이종수·이정동 그룹의 consumer-demand 라인을 형성. 본 paper 가 기술경영경제정책전공 의 aggregate revealed preference 방법론의 첫 시도. 공저자 Won-Joon Kim 은 이후 Measuring the Role of Technology-Push and Demand-Pull in the Dynamic Development of the Semiconductor Industry: The Case of the Global DRAM Market (DRAM market 의 technology-push vs demand-pull 분해) 를 같은 산업에서 후속 진행.

See also

• 다항로짓
• 이산선택 모형
• 베스 확산 모형
• 학습곡선
• moores-law
• dram-industry
• 수요 예측
• Won-Joon Kim
• 이정동
• Tai-Yoo Kim
• Evaluation of Technological Innovation in the Cellular Phone Display
• The Measurement of Consumption Efficiency Considering the Discrete Choice of Consumers

인접 그래프

1-hop 이웃 20개

• 인물 4
• 개관 1
• 방법론 4
• 개념 1
• 주제 1
• 수록처 1
• 분류 2
• 논문 6

↻ 초기화

휠 = 확대/축소 · 드래그 = 이동 · hover = 라벨 · 클릭 = 페이지 이동

이 문서를 가리키는 페이지

논문 (4)

• Demand forecasting for new technology with a short history in a competitive environment: the case of the home networking market in South Korea
• Effects of consumer preferences on the convergence of mobile telecommunications devices
• Forecasting future demand for large-screen television sets using conjoint analysis with diffusion model
• Measuring the Role of Technology-Push and Demand-Pull in the Dynamic Development of the Semiconductor Industry: The Case of the Global DRAM Market

방법론 (1)

• 이산선택 모형