Journal Search Engine

ISSN : 2005-0461(Print)
ISSN : 2287-7975(Online)

Journal of Society of Korea Industrial and Systems Engineering Vol.43 No.4 pp.93-106
DOI : https://doi.org/10.11627/jkise.2020.43.4.093

Analysis of the Recall Demand Pattern of Imported Cars and Application of ARIMA Demand Forecasting Model

Sangcheon Jeong^*

, Sohyun Park^**†

, Seungchul Kim^***

^*Graduate School of Hanyang University
^**School of Business, Konkuk University
^***School of Business, Hanyang University

^†Corresponding Author : shpark@konkuk.ac.kr

Received 20/10/2020 Finally Revised 11/12/2020 Accepted 13/12/2020

Abstract

This research explores how imported automobile companies can develop their strategies to improve the outcome of their recalls. For this, the researchers analyzed patterns of recall demand, classified recall types based on the demand patterns and examined response strategies, considering plans on how to procure parts and induce customers to visit workshops, recall execution capacity and costs. As a result, recalls are classified into four types: U-type, reverse U-type, L- type and reverse L-type. Also, as determinants of the types, the following factors are further categorized into four types and 12 sub-types of recalls: the height of maximum demand, which indicates the volatility of recall demand; the number of peaks, which are the patterns of demand variations; and the tail length of the demand curve, which indicates the speed of recalls. The classification resulted in the following: L-type, or customer-driven recall, is the most common type of recalls, taking up 25 out of the total 36 cases, followed by five U-type, four reverse L-type, and two reverse U-type cases. Prior studies show that the types of recalls are determined by factors influencing recall execution rates: severity, the number of cars to be recalled, recall execution rate, government policies, time since model launch, and recall costs, etc. As a component demand forecast model for automobile recalls, this study estimated the ARIMA model. ARIMA models were shown in three models: ARIMA (1,0,0), ARIMA (0,0,1) and ARIMA (0,0,0). These all three ARIMA models appear to be significant for all recall patterns, indicating that the ARIMA model is very valid as a predictive model for car recall patterns. Based on the classification of recall types, we drew some strategic implications for recall response according to types of recalls. The conclusion section of this research suggests the implications for several aspects: how to improve the recall outcome (execution rate), customer satisfaction, brand image, recall costs, and response to the regulatory authority.

Key Words : Imported Automobiles , Recall , Recall Demand , Recall Types , ARIMA

수입자동차 리콜 수요패턴 분석과 ARIMA 수요 예측모형의 적용

정 상천^*, 박 소현^**†, 김 승철^***

^*한양대학교 대학원 경영학과
^**건국대학교 경영학과
^***한양대학교 경영학과

초록

키워드 :

This article has been cited by 0 article in crossref

Cited-By

Funding:

1. 서 론

최근 국내 자동차 시장에서 자동차 제작 결함에 따른 리콜은 지속적으로 증가하고 있다. 2010년 57건을 기록 하였으나 2019에는 290건에 이르러 연평균 17.7% 증가 했으며 매년 증가하는 추세를 보이고 있다. 특히 리콜 대 상 대수는 2010년 27만여 대에서 2019년 2백만 대 이상 으로 지난 10년간 연평균 22.2% 증가하였다. 이처럼 자 동차 리콜이 증가하게 된 원인은 자동차 산업 내부 요인 외부 요인으로 구분할 수 있다.

먼저 리콜 증가를 유발하는 자동차 업계 내부 요인으 로서 자동차부품의 생산 요인을 들 수가 있다. 새롭게 개 발되는 신차들에 사용되는 부품 개수가 증가하고 있고 전장부품과 전자기기의 결함으로 차량이 매우 복잡해지 고 있다[29]. 또한 짧아지는 개발 주기로 인한 제품 테스 트 시간의 단축이 리콜 발생 가능성을 높이고 있다. 자동 차 제조과정이 복잡해지고 기능이 향상되면 제조 원가 상승이 불가피하기 때문에 원가 절감을 위해 공통의 제 품 플랫폼을 개발하여 여러 차량에 사용한다. 또한 공급 체인을 다변화 하여 Supply chain이 복잡해지고 있다. 그 로 인해 동일 제품 결함이 여러 제품에 영향을 미치고 있으며 생관 관리 품질 리스크가 증가하고 있다[29].

다음으로 자동차 업계 외부 요인을 살펴보면 소비자 권익 보호 차원에서 자동차 안전기준이 강화되고 있다. 그리고 미세먼지 및 이산화탄소로부터 대기 환경을 보존 하기 위하여 배출가스 규제 등 환경 기준이 강화되면서 규제강화를 기술력이 부합하지 못하는 경우가 발생하고 있다. 국내에서도 경제가 발전하고 민주주의가 성숙함에 따라 소비자 권익의 중요성이 증가하고 인터넷 및 SNS 발달로 인한 정보의 생산 및 소비가 확산되고 있다. 그로 인해 자동차 운행 중 소비자가 느낀 불안이나 불만 등이 빠른 속도로 전파되어 제조사나 정부관련 부서에 보고되 고 있다. 이에 따라서 제조사나 정부가 소비자 만족 및 권익보호를 위해 보다 적극적으로 안전과 환경등과 연관 된 제품의 결함을 인지하고 시정하기 위해 더욱더 노력 하고 있으며 자동차 리콜에 대한 정책들이 더욱 강화되 어 가고 있는 실정이다.

이처럼 자동차 리콜의 대내외적인 요인에 따라서 리 콜이 지속적으로 증가하고 있으며 리콜의 적극적인 대응 이 매우 중요한 경영 전략으로 떠오르게 되었다. 리콜 발 생시 리콜성과 향상을 위해서는 수요 패턴 분석을 통한 타입별 리콜 유형을 분류 화하여 리콜 유형에 따른 자동 차 리콜 부품의 정확한 수요 예측과 이에 따른 비용 절 감이 매우 중요한 전략적 목표로 대두되게 되었다. 수입 자동차의 경우 항공 운송과 해상 운송을 통해 부품을 조 달하는데 항공 운송의 경우 조달기간이 평균 3.6일이나 해상운송에 비해 조달 비용이 8배 이상 높다. 그러나 해 상운송의 경우 부품 조달 비용은 항공운송에 비해 8배 이상 저렴하나 부품 조달기간이 51일이 소요된다. 이렇 듯 조달비용의 우위로 인하여 해상 운송을 통해 거의 대 부분의 부품이 조달되나 장기간의 조달 기간으로 인하여 정확한 부품 수요 예측이 더욱 중요하다. 또한 리콜 수요 에 대한 성공적인 대응은 리콜 시정율의 향상으로 인한 고객의 만족도 증가와 브랜드 이미지의 제고 측면에서 긍정적인 성과를 얻게 될 것이다.

리콜성과란 리콜 수요에 대한 빠른 대응을 통한 리콜 시정율 향상을 의미하며 리콜 부품의 정확한 수요 예측 과 예측 모형의 개발은 매우 의미 있는 연구라고 할 수 있다. 리콜 수요의 정확한 예측을 위하여 먼저 리콜 유형 의 패턴 분석을 통하여 리콜 유형을 분류하고 각 리콜 유형의 특성과 그 발생 원인을 살펴보는 것이 유용할 것 이다.

리콜 패턴에 따른 리콜수요의 특징을 파악하여 이상 적인 리콜조치를 방해하는 요소를 해결하는 것이 중요하 다. 특히 리콜의 전세계 동조화 현상과 리콜의 대규모화 로 인하여 발생하는 리콜 부품의 공급 부족과 서비스 시 설의 일시적 부족으로 발생하는 공급차질(Disruption)에 대한 회복(Resilience) 전략으로써 리콜 수요 예측은 기업 의 리콜 대응방안 수립에 기여할 것이다.

기존 연구가 리콜의 발생 원인과 리콜실시가 기업에 미치는 영향에 중점을 둔 연구가 주된 주제였지만 본 연 구는 리콜의 성과 관리를 위한 리콜 수요 패턴에 기반을 둔 리콜 유형 분석에 따른 기업 대응 전략에 관한 연구 로서 차별성이 존재한다. 따라서 본 연구는 리콜의 성과 관리에 매우 중요한 부품 수요 예측의 정확성을 높이기 위하여 기업의 실제 자료를 활용한 리콜 부품 수요 패턴 에 따른 리콜 케이스 별 유형을 구분하고 유형별 ARIMA 모형적용 가능성을 연구하였다. 이를 토대로 효 과적인 기업 대응 전략에 관하여 논의하고자 한다.

2. 이론적 배경

2.1 자동차 리콜의 개요

2.1.1 리콜의 개념과 유형

리콜(Recall)이란 제조자가 제품을 판매한 이후에 소비 자의 생명·신체 또는 재산에 대한 위해가 발생 또는 발생할 우려가 있는 제품결함이 발견된 경우 사업자 스 스로 혹은 관계기관의 권고 또는 명령에 의해 소비자에 게 결함 내용을 알리고, 해당결함제품을 수거하여, 파기 또는 수리, 교환, 환불 등의 조치를 취함으로써 결함제품 으로 인한 소비자위해의 확산을 방지하기 위한 제도를 말한다[15].

국내에서 리콜에 관한 사항들은 그 중요성을 고려하 여 소비자 기본법 상에서 규정하고 있는데, 리콜의 종류 를 자발적 리콜과 강제적 리콜로 분류하고 있다. 자발적 리콜은 자진 리콜과 리콜 권고를 포함하는 개념으로, 기 업이 신속하게 자발적으로 문제 해결 노력을 기울이는 방식을 지칭하고, 강제적 리콜은 관리 기관에 의하여 리 콜 명령이 내려지는 것을 의미하며, 공식적인 이행 명령 을 통하여 시행되는 리콜을 의미한다[11].

또 다른 실무적인 분류로서 리콜의 내용을 소비자에 게 고지하는 방식에 따라서 공개 리콜, 비공개 리콜 방식 으로 나누기도 한다[15]. 공개 리콜은 공개적으로 리콜 내용을 언론 매체를 통하여 고지하는 방식을 의미하며, 개별 공개 리콜인 경우에는 언론 매체를 통하지 않고 소 비자 개인에게 리콜고지가 이루어지기도 한다. 비공개 리콜은 리콜에 대하여 사전에 공지되는 절차를 거치지 않고 소비자가 수리 센터 등에 제품을 입고하는 경우에 한하여 사후적으로 수리를 하는 등 리콜을 실시하는 것 이다[4]. 또한 리콜은 위해의 발생여부에 따라 사전적 리 콜과 사후적 리콜로 구분할 수 있는데, 우선 사전적 리콜 은 제품 결함이 발생하였을 때 소비자에게 위해가 발생 하기 전에 실시하는 것이고 사후적 리콜은 소비자에게 위해가 발생된 후에 위해의 확산을 방지하기 위하여 실 시하는 것이다[4].

리콜의 방법은 첫째, 부품 교환 등으로 결함을 완전하 게 수리 가능한 경우에 실시하는 수리가 있고, 둘째, 같 은 가치의 타 제품으로 교환해 주는 교환이 있으며, 셋 째, 수리 또는 재사용이 불가능할 때 실시하는 환급, 넷 째, 회수된 제품의 위해요인 제거와 보관비용과 같은 손 실을 줄이기 위한 파기가 있다[7]. 그리고 한국소비자원 과 공정거래위원회에서는 리콜을 자진리콜, 리콜권고, 리콜명령으로 구분하고 있는데 자진리콜은 물품 등이 소 비자의 생명, 신체, 재산에 위해를 끼치는 등 리콜 사유 발생 시 사업자 스스로 당해 물품을 수거, 파기하거나 소 비자에게 수리, 교환, 환급 등을 조치하는 것이고, 리콜 권고는 리콜 사유 발생시, 중앙 행정기관의 장 또는 시· 도지사가 해당 사업자에게 제품의 리콜을 권고하는 것이 라고 하였으며, 또한 리콜명령은 리콜 사유 발생 시 중앙 행정기관의 장 또는 시·도지사가 해당 사업자에게 리콜 을 실시하도록 명령하는 것이라고 정의하였다.

2.1.2 자동차 리콜과 기업 성과

리콜에 대한 기업의 긍정적, 적극적인 노력은 해당 기 업을 사회적 책임을 다하는 기업으로 포지셔닝 할 수 있 을 뿐만 아니라 고객과의 새로운 관계를 구축하는 기틀이 되기도 한다[25]. 리콜이 기업의 성과에 미치는 영향에 대 한 분석은 리콜행동을 이해하기 위하여 필수적인 요소다. 실제로 기업들이 자사의 결함을 인정하고 리콜을 수행할 지에 대한 결정은 소비자의 안전이나 복지도 중요하지만 리콜이 기업 성과에 미치는 영향력을 기준으로 판단되어 야 할 것이다. 리콜은 기업에게 리콜 수행에 따르는 비용 은 물론이고 기업의 명성과 고객 신뢰 등 에도 중대한 영 향을 미친다. 리콜을 통하여 소비자의 위해요인을 사전에 제거하거나 예방하는 순기능도 있지만, 과도한 리콜 비용 의 부담, 결함 인정으로 인한 기업의 이미지 손상 등 부정 적 결과도 상존하는 것도 사실이다[2, 25].

특히 리콜의 대응과 관련된 사건이나 사례에서 대부분 문제로 지적되었던 부분들은 기업들이 자진 리콜에 소요 되는 비용이 리콜 회피 비용보다 크다고 판단되는 경우에 발생되었다. 결함 제품의 리콜 공지 및 조사, 회수, 수리 비용, 소비자 보상비용 등 직접 비용과 이로 인한 브랜드 이미지 실추, 주가 하락, 대외 신인도 하락 등의 간접비용 의 총합이 리콜을 고의적으로 회피하였을 경우 부담할지 도 모르는 위험 비용의 값 보다 크다고 판단하는 경우에 기업의 의무를 회피하였던 것이다[19, 22, 27].

2009년 일본의 자동차 기업인 도요타는 가속페달의 매 트 끼임과 급발진 등으로 인하여 세계적으로 1천만대 이 상의 차량을 대상으로 대규모 리콜을 시행하였다. 리콜 초 기에는 도요타의 브랜드 가치가 심각한 훼손을 받았고 매 출과 시장 점유율은 급락하였다. 하지만 적극적인 리콜 이 후에 브랜드 가치는 서서히 회복되었으며, 소비자들의 브 랜드에 대한 신뢰는 더욱 견고하게 되었다[5, 6, 12, 16, 25]. 리콜과 기업 이미지 간의 관계에 대한 연구 결과들에 따르면 적절한 리콜 시행은 기업 이미지 향상에 긍정적 영향을 미친다고 한다. Shim and Lee[26]는 리콜에 관한 소비자 실증 조사 결과를 바탕으로, 리콜을 시행하는 경우 해당 기업에 대한 긍정적 이미지를 지각하는 비율이 82% 에 달한다고 주장한 바 있다.

Park et al.[23]는 리콜에 대한 기업의 대응전략 선택 및 영향에 관하여 실증 분석하였다. 공산품, 식·의약품, 자동차 등 3개 업종을 대상으로, 코스피 혹은 코스닥 상 장 회사 38개사의 101건의 리콜 자료를 이용하여 기업 특성과 결함제품의 특성이 리콜 유형 선택에 어떠한 영 향을 미치는가를 분석하고 주식 시장에서 초과 주가 수 익률에 대한 영향력을 분석하였다. 분석 결과 자발적 리 콜의 시행이 강제적 리콜 시행에 비해 초과수익률에 대 한 부정적 영향이 상대적으로 낮은 것으로 나타났다. 또 한 위험수준 및 제품가격이 높을수록, 판매대수가 많을 수록, 기업명이 부착된 제품일수록 자발적 리콜을 선택 할 가능성이 높은 것으로 나타났다[24].

Bea et al.[3]는 연구를 통해 리콜 수리가 사고 발생 횟 수를 줄이는 데 효과적이라는 사실을 밝혀냈으며 또한 사 고 발생시 부상이나 심각한 사고를 줄인다고 하였다. 연 구에서는 리콜 시정율이 더 높은 차량 모델들은 리콜 이 후 몇 년 동안 평균적으로 사고가 적다는 것을 발견했다. 리콜 수리가 결함을 제거함으로써 도로의 사고 피해를 줄 일 수 있다는 점에서 효과적 조치라는 결론을 내렸다.

존앤앤존슨이 생산하는 타이레놀을 복용한 7명의 시민 이 사망하는 사고가 발생하여 조사한 결과 타이네롤에 청산 가리 성분이 들어가 있는 것이 밝혀져 리콜조치가 내려지자 회사 경영측은 미국 내 모든 제품을 수거 폐기하고 원인이 밝혀질 때 까지 판매 중단을 발표하는 등 신속한 조치를 취하였으며 추후 외부인이 고의로 청산가리를 투여한 것으 로 밝혀져 투명하고 신속한 대응이 소비자들로부터 높은 신뢰를 얻게 되었다. 이처럼 리콜을 적기에 적절하게 수행 하여 위기를 기회로 전환했던 기업의 사례가 있는가 하면, 반대로 리콜을 실기하거나 적절치 못한 대응으로 기업의 존폐가 엇갈린 경우도 있었다. 2010년 LG는 드럼세탁기 리콜 발생 시 해당제품의 안전 위해요인 제거와 더불어 전국의 영업망을 총동원 하여 안전교육을 실시하여 소비자 제일주의를 실천 하였다. 반면에 2006년 소니사는 자사의 리튬이온 전지를 탑재한 제품이 폭발하는 문제가 발생 하였 으나 늦장 대응으로 시장의 주도권 경쟁에서 엄청난 타격을 입게 되었다. 2009년 10월 삼성전자 지펠 냉장고의 폭발로 당시 국내 백색 가전부문에서 역대 최대 규모의 리콜을 수행하였으나, 결함 발생 후 약 20일 만에 늦장 대응을 함으 로써 소비자들의 불안심리가 이어졌으며 결함에 대한 신속 대응보다 무마하기에 급급하다는 비판을 받아야 했다.

기업들이 적극적으로 리콜을 시행해야 하는 이유는 리 콜발생등과 같이 서비스나 상품이 기대에 미치지 못하여 불만족한 고객들이 발생했을 때 불만족한 상태를 만족한 상태로 되돌리는 일련의 과정과 위반의 결과로 발생된 고 객의 손해를 완화하기 위한 서비스 제공자의 전반적 활동 을 서비스 회복 노력 이라고 한다[28]. 서비스 회복이 중 요한 이유는 비용적인 측면도 있지만, 무엇보다도 불만고 객이 서비스 회복 전략을 통해 불평에 대한 만족한 결과 를 얻음으로서 불만이나 문제가 없었던 고객보다 더욱 충 성도가 높아지는 서비스 패러독스 효과 때문이다[10]. Clark et al.[9]의 연구에 따르면 서비스 실패 후 자신의 기 대보다 약간 더 많은 것을 받은 고객의 91%가 그 기업의 고객으로 남을 의도가 있다고 하였다.

시대적으로 정보 환경의 발달과 소비자들의 제품결함 에 대한 수준 향상으로 이제 리콜은 더 이상 선택이 아 니라 필수이다. 자발적이고 공개적으로 리콜을 실시하는 기업에 대하여 소비자들은 더 우호적이다. 결함 그 자체 가 기업 가치를 하락시키는 것 보다 리콜에 대한 신속하 고 적절한 대응을 하지 못함으로서 기업이 심각한 위기 에 봉착할 가능성이 높다고 할 수 있다. 따라서 기업은 리콜로 인한 비용의 부담이나 브랜드 이미지 실추, 주가 하락, 대외 신인도 하락 등의 단기적인 위험에도 불구하 고 장기적인 측면에서 리콜을 시행함으로써 브랜드와 기 업 가치를 더욱 견고히 해야 한다.

2.2 자동차 리콜의 개요

Ashwini and Dixi[1]는 공급망 관리 차원에서 AHP 분 석을 활용하여 자동차 리콜의 발생 원인을 분석하고자 하였다. 자동차 리콜의 발생 원인을 공급망 관리의 품질 수준에 있다고 보고 자동차 리콜의 발생 원인들을 유형 화 하였다. 제조업체 측면에서 발생 가능한 리콜의 유형 과 부품 공급업체 측면에서 발생 가능한 리콜의 유형을 분류하고 각각의 유형별 리콜에 대한 발생 원인들을 분 석하였다. 먼저 메이커 측면에서 리콜의 발생 원인은 과 도한 판매 경쟁, 생산능력 초과 생산, 프로토타입의 테스 트 부족, 디자인 부서와 타부서의 협력 부재, 공급업체 Quality 등이며, 부품 공급업체 측면에서는 주문 폭주로 인한 수요 관리 실패, 품질 관리 실패 등이 리콜의 원인 이 된다고 보고 있다.

Rupp[21]은 자동차 리콜의 특성, 기업 특성 등의 주식 의 초과수익률에 미치는 영향을 연구하고 다음과 같은 자 동차 리콜의 속성들을 사용하였다. 모델의 수명주기, 리 콜 발생 시기, 리콜 대상 대수 (리콜대상비율), 시정 차량 수 (시정비율), 강제리콜 여부, 예비조사(정부) 여부, 리콜 발표의 지연 일수 등은 자동차 리콜을 유형화하는 중요한 기준들이라고 주장하였다.

Jun[13]은 공산품, 식품, 의약품, 자동차의 리콜연구를 통하여 소비자 유형을 무관심형, 회피형, 상황주도형, 즉 각 대응형 으로 분류하고 유형별 리콜반응이 각각 상이 하여 유형별 대응이 필요하다고 하였다.

Jung et al.[14]의 연구에 의하면 국내 자동차 리콜의 부품 수요 예측을 위하여 고려해야 할 요인들에 대해서 그 중요 도 분석을 수행하였다. 리콜 요인들의 유형 분류를 위하여 델파이 연구 방법을 수행하였고 추출된 리콜 수요 결정 요인들의 상대적 중요도 분석을 위하여 AHP를 수행하였 다. 분석 결과, 대분류의 속성 중에서는 리콜 발생 원인이 리콜 수요 예측에 가장 중요한 것으로 나타났고, 그 다음은 리콜 관련 규모, 외부 환경 요인, 대상 차종특성 등의 순으 로 나타났다. 중분류 속성 항목들에 대한 분석 결과를 살펴 보면 치명성은 전체 중분류 항목들 중에서 가장 중요한 요인 것으로 나타났다. 외부 환경 요인중 정부의 리콜 관련 정책강도를 제외하고는 대상 차량의 판매가격과 함께 전반 적으로 상대적 중요도가 모두 낮은 것으로 나타났다.

본 연구에서는 위의 연구에서 도출된 자동차 리콜수 요 주요 요인에 따라서 리콜 유형을 분류하고 각각의 유 형에 따른 리콜 부품의 수요 패턴을 분석하고 수요예측 을 위하여 ARIMA 모형의 적용가능성을 추정하였다[16, 17]. 자동차 리콜 부품의 정확한 수요 예측은 리콜 비용 뿐만 아니라 자동차 판매량에도 단기적인 영향을 미칠 것이다. 따라서 본 연구에서는 자동차 리콜 요인에 따른 리콜 유형별로 부품 수요의 패턴이 어떻게 다른지, 이러 한 수요 패턴의 양상에 따른 리콜 관리 방안은 무엇인지 전략적 시사점들을 논의하고자 하였다.

3. 연구방법

3.1 리콜 자료 구성

본 연구에서 리콜 패턴을 추정하기 위해 사용된 자료 는 A 수입 자동차의 2005년부터 2019년까지 15년간 159 개의 리콜 사례 중 리콜 대상 대수가 1,000대 이상인 케 이스 53건을 1차 선별하였다. 그리고 1년 이상의 리콜 시 정율(리콜 수요)을 파악하기 위하여 2019년 5월 이전 발 생한 리콜과 실제 부품이 사용된 리콜 등의 기준을 충족 하는 36건을 최종 추출하였다. 특히 1,000대 이상을 선정 한 이유는 리콜 부품 수요의 패턴을 파악하기 위해서는 18개월간 일정 수준 이상의 부품 수요가 필요하기 때문이 다. 아래의 표들은 2005년부터 2019년간 실제 발생한 리 콜 자료를 정리한 것으로 1천대 이하의 소규모 리콜이 전 체 66.7%로 가장 많았으며 1만대 이하의 중규모가 20.7% 로 두 번째로 높았고 1만 대 이상의 대규모 리콜은 10.6% 로 가장 낮았다. 그러나 리콜 대상대수 관점에서는 전체 리콜 대상대수의 84.8%로써 가장 높았다.

3.2 리콜 수요 결정요인

Jung et al.[14] 선행 연구의 검토와 델파이 조사에 의해 서 수렴된 의견을 중심으로 리콜수요 예측을 위한 속성들 을 정리한 결과 선행연구에서 밝혀진 리콜 수용 요인 3개 와 델파이 조사에서 응답자들의 중요도 평가 결과 상위 10개 요인을 합하여 총 13개의 요인을 사용하여 AHP분석 을 실시하였다. 델파이 조사 결과 추출된 17개 요인 중에서 AHP 분석 대상으로 선정된 10개 기준은 델파이 조사 과정 에서 응답자들의 키워드 관련 중요도 평가 분석을 통하여 선정하였다. 또한 선행 연구 고찰을 토대로 출시 후 경과 기간, 리콜 시정율, 정부 강제 명령 등[21] 총 3개의 요인을 포함시켜 총 13개의 요인을 도출하였다(<Table 2> 참조). 아래의 표는 리콜 패턴에 영향을 미치는 요인을 설명하기 위해 사용된 13개 리콜 요인을 정리한 것이다. 본 연구에 서는 이러한 리콜 수요의 결정 요인이 리콜 패턴에 영향을 미친다고 보고 있고 각각의 리콜 패턴에 나타난 특성을 리콜 요인과 관련하여 그 의미를 논의하고자 하였다.

4. 분석 결과

4.1 리콜 유형의 분류

자동차 리콜과 같이 수요 기간이 짧고 불규칙한 패턴 을 보이는 경우 수요 예측 모형의 추정이 어려울 가능성 이 있다. 따라서 본 연구에서는 먼저 수요 패턴 분석을 실시하여 수요 패턴의 불규칙성으로 인한 공급망 혼란의 가능성이 있는지 분석하고자 하였다. 리콜 수요 패턴 분 석 결과 리콜 유형은 패턴 형태에 따라 L자형, 역 L자형, U자형 및 역 U자형 4가지 유형으로 분류되었다(<Table 3> 참조). 리콜 수요 패턴에 영향을 미치는 요인으로 첫 째 리콜 부품 최고 수요량의 피크 점의 높이, 둘째 피크 점의 개수, 마지막으로 리콜 속도를 의미하는 수요곡선 의 꼬리 길이 등 3개의 요인이 있다. 3개의 요인을 36개 리콜 케이스에 대해 통계적 분석한 결과 리콜 발표월 (M+0)을 포함한 총 19개월의 리콜 부품 수요 패턴을 분 석한 결과 피크 점의 리콜 시정율 평균은 28.3%, 전월 대비 30%수요가 증가한 피크점 봉우리 개수의 평균은 3.19개이며 80%까지 도달한 시정율 기간의 평균은 14개 월로 나타났다. 특히 피크 점의 표준편차는 19% 이상으 로 개별 리콜별 피크 점의 차이가 큰 것으로 나타났다.

다음은 36개 리콜 케이스별로 리콜 패턴을 분석한 결 과 4개의 유형이 존재하는 것으로 나타났다(<Table 4> 참조). 정상천 등(2020) 연구에서 정리된 13개요인 중 리 콜 시정율 및 정부정책 강도는 U자형에 치명성 수준은 역U자형에 영향을 미치는 것으로 나타났다. 그 외에 L자 형은 리콜 시정율을 주도하는 주체 그리고 역 L자는 부 품 수급 등의 요인에 영향을 받는 것으로 분석되었다.

리콜 유형에 영향을 미치는 3개의 요인을 개별 리콜케 이스 별로 분석한 결과는 다음과 같다. 먼저 <Table 5> 는 유형별 두 가지 기준으로 재분류한 결과이다. 재분류 기준은 피크의 높이는 30% 기준으로 30%이상과 미만으 로 분류하였고 피크의 숫자는 리콜기간이 통상 18개월 6 분기이나 1분기 이후 시정율 결과에 따라 정책적 개입이 있기 때문에 피크기의 개수 5개를 기준으로 분류하였다. 마지막으로 리콜 시정율 속도는 업계의 신속한 리콜의 통상 기준인 10개월 80% 기준으로 나누었다.

<Table 6>은 리콜 유형에 영향을 미치는 3개의 요인 중 상위기준(A,M,Q) 해당하는 리콜 케이스를 분석한 결과로 써 피크의 높이 중 A(Above)기준에 속하는 리콜의 특징은 고객이 자동차 운행상 안전성과 연관이 있는 결함 부위, 부품의 가격이 고가, 치명적 영향이 예상되는 결함부위 및 대상대수가 많은 대규모 리콜로 인하여 언론의 노출이 심 한 리콜 케이스가 다수 포함되어 전체13개 A기준 중 9개 약 70%가 위에 설명한 조건에 부합된다. 피크개수가 5개 이상을 M(Many)기준으로 분류하였으며 전체 5개중 4개 80%가 시정율 80%에 크게 미치지 못하여 관리감독 기관 이 개입하여 봉우리 숫자가 증가한 것으로 파악되었다. 또 한 리콜속도의 수요곡선 꼬리의 Q(Quick)기준은 리콜 성과 (시정율)80%가 10개월 이내 도달하는 것인데 전체 10개중 9개가 3년 미만의 출시 후 경과기간이 짧은 신차에 속했다.

<Table 7>은 패턴에 따른 리콜 유형(대분류)과 유형에 미치는 요인(중분류) 두 가지 속성을 결합하여 분석한 12가 지 리콜 유형이다. Jung et al.[14] 선행연구에서 정리된 수 요 요인 13가지 중 출시후 경과기관, 치명성 수준, 운행의 안전성, 대상차량수, 리콜 시정율, 리콜관련 정책 강도, 정 부의 강제적 명령, 리콜 비용 등 8가지 요인이 수요 패턴에 직접적으로 영향을 미치는 것으로 나타났다. 예를 들어 대 규모 리콜 , 높은 치명성의 경우에 RU-Axx유형, 낮은 시정 율은 U-xxx유형, 정책강도 등은 RU-xxx유형에 영향을 미 친다.

<Figure 1>은 12가지 유형 분류 중 각 유형별 대표적인 리콜 케이스를 예시로 설명 한 것으로 X축은 리콜 기간, Y축은 리콜 부품 수요량이다. L타입은 전체 36건 중 25건의 케이스가 포함된 가장 일반적인 형태로써 고객주도하에 리 콜에 대응하는 상황이다. L타입 중 가장 빈도수가 높은 것은 고객이 인지하는 결함 부위의 심각성, 언론노출의 빈도, 리콜 영향의 치명성이 낮아 그 영향으로 피크점의 높이가 30% 미만이고 봉우리 숫자가 많지 않아 평탄하게 하향하여 10개월 이전에 80% 시정율이 도달하지 못하고 18개월까지 진행되는 L-BFS형이며 총 10건으로 27.7%이다. 두 번째 빈도가 높은 유형은 초기 적극참여자의 반응으로 피크점은 높으나 고객주도의 진행으로 기간이 경과됨에 따라 피크점 이외에 재 피크점이 많지 않으며 리콜속도가 늦어 꼬리가 긴 형태를 보이는 L-AFS형이며 6개로써 전체의 16.6%이다. 세 번째 빈도가 높은 리콜 유형은 초기 적극 참여로 피크점 이 높고 상대적으로 출시후 경과 기관이 짧은 신차로써 꼬리가 짧은 형태를 보이는 L-AFQ형이며 5개로써 전체의 13.8% 이다. 역L자형은 부품 수급 등의 문제로 인하여 피크 점이 리콜 개시 시점이 아닌 개시 이후에 나타나는 타입으로 RL타입의 경우 총 4건 11.1%이다. 특히 흡기다기관 리콜케 이스는 화재발생 가능성과 연관이 있는 치명성이 높은 리콜 이다. 그러나 초기 부품수급이 원활하지 않아 리콜 개시 이후 공급이 증가하여 피크점이 개시 이후에 도달하게 된 다. 따라서 부품 공급이 증가하는 시기에 수요가 동시 증가 하는 현상을 보이고 있어 RL-BMS타입으로 분류되고 있다.

U자형의 경우 리콜 시정율이 저조하여 관리감독 기관의 개입이 존재하거나 부품 수급의 이슈 등으로 수요가 증가하 는 봉우리가 5개 이상 존재하는 타입으로 총 5개 13.8%이다. U자형에 포함된 리콜은 18개월 평균 80%에 미만의 리콜성 과를 나타내고 있다. 역U자형의 경우 리콜 성과를 통한 긍정적 효과 측면에서는 가장이상적이다. 안전성, 치명성 수준, 언론의 노출 과 정부의 정책강도가 강해 고객의 반응 이 적극적이고 기업주도로 조기완료를 목표로 이루어지는 경우이다. 총 2개의 케이스가 존재하며 비율은 5.5%이다. 역U자의 경우 피크점이 4개월 정도 유지되는 것이 특징이 다. 고객 만족, 브랜드 이미지 제고 등 리콜의 긍정영향을 고려할 때 가장 이상적 형태의 리콜 유형이 2건인 것은 리콜성과의 중요성에 비해 저조한 결과로써 전반적인 기업 의 리콜 대응 전략 개발과 개선이 필요하다.

4.2 리콜 유형별 ARIMA 모형 추정

다음은 리콜 패턴에 따른 리콜 부품의 수요 예측을 위한 ARIMA 모형을 추정하였다. 위의 수요 패턴 결과에서 나타 난 바와 같이 자동차 리콜은 불규칙한 수요 패턴을 보이고 있다. 따라서 ARIMA 추정을 위한 정상시계열 전환 과정에 서 실제 수요량을 자연로그로 변환한 값을 사용하였다. 전반적 으로 ARIMA 모형은 ARIMA(1,0,0), ARIMA (0,0,1), ARIMA (0,0,0) 등 3개의 모형으로 나타났다. 그 중에서 ARIMA(1,0,0) 가 23개로 가장 전형적인 모형인 것으로 밝혀졌다. 추정된 ARIMA 모형은 리콜 패턴에 따라서 달라지거나 일정한 방향 성을 보이지 않은 것으로 나타났다. 모형의 적합도를 나타내는 Ljung-Box Q의 값이 모두 0.05이상의 유의확률을 보이고 있으므로 모든 ARIMA 모형의 적합도는 우수한 것으로 밝혀 졌다. 따라서 ARIMA 모형은 모든 리콜 패턴에 모두 유의한 것으로 나타나 자동차 리콜 패턴에 대한 예측 모형으로서 매우 타당한 것으로 나타났다(p > 0.05). 또한 모형 함수식의 계수의 유의확률(귀무가설을 채택할 확률)이 5% 미만일 경우 자기회귀식은 유의한 것으로 판단할 수 있다. 본 연구에 서 추정된 36개의 ARIMA 모형은 계수 유의확률이 대부분 5% 미만인 것으로 나타났고 ARIMA 모형은 자동차 리콜의 수요 예측 모형으로 95%신뢰수준에서 유의한 것으로 나타 났다. 특히 U모형의 경우 부품 수급이나 고객 반응이 저조하 여 관리 감독기간의 적극 리콜 성과 개입 및 수품 수급 개선에 따라 봉우리가 다중 적으로 나타나는 등 다양한 패턴 양상에 따른 가장 다양한 ARIMA 모형이 추정되었다.

모델 핏을 나타내는 R2의 경우 일부 모형의 경우 낮 은 것으로 나타나 MAPE분석을 통하여 추가 검증을 실 시하였다. 분석결과 ARIMA 모형의 추정 정확성은 양호 한 것으로 나타났다.

자동차 리콜의 ARIMA 모형은 리콜 패턴에 따른 부품 수요 예측 모형으로서 적합하며 향후 자동차 리콜의 발생 시에 부품 수요 패턴에 따라서 해당되는 ARIMA 수요 예측 모형으로 예측 가능하며 부품의 일시적인 공급혼란(Disruption) 이 발생할 경우에도 회복(Resilience) 프로그램으로 서 ARIMA 수요 예측 모형은 타당한 것으로 밝혀졌다.

<Table 10>은 ARIMA 모형의 적합도 검증을 위하여 추정치가 얼마나 정확한지 측정할 목적으로 모형에 의한 추정치와 실제치의 차이를 비교한 MAPE(Mean Absoulte Percentage Error : 평균절대 백분율 오차) 분석을 실시한 결과이다.

선행연구에 의하면 MAPE의 기준은 10% 이내의 경우 매우정확, 10%~20% 이내는 정확, 20%~50% 이내는 보통, 50% 이상은 부정확하다고 판단한다[8]. 각각의 수요 패턴 별로 MAPE의 범위는 0.1~0.2의 범위를 갖는 것으로 나타나 모형의 예측력은 우수한 것으로 나타났다. 0.1 이하의 MAPE 를 보이는 패턴은 type 7, type 9, type 15, type 29, type 34 등으로 나타났다. 각 수요 패턴의 카테고리 별로 평균 MAPE를 계산하여 각 패턴 ARIMA 모형의 예측력을 분석 하였다. 분석 결과 평균 MAPE가 가장 낮은 패턴은 U_BFS 이고(M = 0.103), 가장 높은 패턴은 L_BMS 인 것으로 나타 났다(M = 0.227). 따라서 일반적인 수요 패턴으로서 L자형 패턴보다 U자형 패턴의 ARIMA 모형의 예측력이 더 우수한 것으로 밝혀졌다. 그 이유는 ARIMA 모형의 추정에 있어서 정상 시계열로 변환하는 과정에서 한 번의 피크를 보이는 L자형 패턴보다는 두 번의 피크를 보이는 U자형 패턴이 정상 시계열로 변환이 더 수월하기 때문인 것으로 추정된다.

4개 유형의 수요 패턴 분석의 중요한 결과는 유형에 따 라서 피크점의 크기와 시기가 다를 수 잇다는 점이다. 수 요예측 모형인 ARIMA 추정 결과에서도 피크의 시기와 피크 수요량의 예측이 가능한 걸로 나타나(MAPE 분석결 과) ARIMA 모형으로 실제 패턴을 확인할 수 있다. 그러 나 피크 전후의 수요량의 경우 ARIMA는 정상시계열 변 환 후 모형을 추정하기 때문에 실제 패턴보다 약간 완만 한 패턴을 보여주고 있어서 피크 전후는 실제 패턴보다 완만한 형태를 보여주고 있다. 그 결과 MAPE의 분석결 과에 나타난 바와 같이 실제값과 추정값의 오차가 발생한 다. 그러나 그 오차가 허용 범위 안에 있으므로 ARIMA 모형의 유용성은 높은 것으로 밝혀졌다.

5. 결 론

5.1 분석 결과 요약 및 실무적 시사점

본 연구에서는 자동차 리콜수요 주요 요인에 따라서 리콜 유형을 분류하고 각각의 유형에 따른 리콜 부품의 수요 패턴을 분석하였다. 리콜 수요 패턴 분석 결과 리콜 유형은 패턴 형태에 따라 L자형, 역 L자형, U자형 및 역 U자형 4가지 유형으로 분류(Classification)되었다

리콜 케이스중 전체 70%를 차지하는 L자형의 경우 소 비자가 주도하는 리콜 유형으로 리콜 개시 후 2개월간 30%정도의 리콜 시정율 후 수요가 감소하고 있다. 역 L 자의 경우 공급차질(Supply disruption)로 인하여 수요 피 크시점이 리콜 개시 초기가 아닌 추후에 피크 점에 도달 하고 있다. U자형의 경우 리콜 시정율이 상대적으로 낮아 정부나 기업의 관리 감독이 증가하여 봉우리가 다중형태 로 나타나고 있다. 역 U자의 경우 리콜성과의 조기 달성 을 위하여 기업이 적극적으로 리콜 성과를 주도하는 형태 로 피크점이 3~4개월 유지되고 있다. 리콜성과 향상을 위 해 리콜 유형별 기업의 대응방안의 전략적 시사점은 아래 와 같다.

첫째, 부품 수급 관점에서 대다수의 리콜이 리콜 개시 초기에 30%정도의 시정율을 보이고 있으므로 부품 조달 계획을 초기 최소 30% 확보하여야 한다. 그러나 U-Axx, RL-Axx 밑 RU-Axx 유형 리콜 케이스의 경우 엔진, 터 보챠저, 타이밍 체인등과 같이 고객들이 리콜에 따른 운 행 안전성에 대해 인지성이 높고, 대상대수가 만대 이상 의 대규모 , 화재등과 같은 치명성이 높아 언론 노출이 많고 정부의 정책강도가 강한 리콜 케이스의 경우 피크 점의 높이가 30% 이상이다. 따라서 이러한 경우 부품수 급을 리콜 초기에 더욱 충분히 확보해야 할 것이다.

둘째, 역U자의 리콜 유형은 전체 고객의 리콜 반응이 낮거나 부품 수급 공급의 문제로 리콜 성과가 저조한 경 우 관리 감독기관의 개입 가능성이 높은 경우이다. 이런 종류의 리콜은 소비자의 적극적 참여를 유도하기 위해 리콜 안내 고객 통지문의 재발송, 기업주도의 적극적 예 약 서비스 활동 및 Pick up and delivery 서비스등과 같은 비대면 고객 편의 서비스 활동을 통하여 리콜 차량의 서 비스 입고를 증가시켜 리콜 성과를 향상시켜야 한다.

셋째, L-xxQ ,RL-xxQ, RL-xxQ의 리콜 유형은 출시후 경과 기간이 3년 미만의 짧은 신차 리콜로써 시정율의 80%가 10개월 이내 완료되기 때문에 출시후 경과 기간이 긴 노후 차량보다 리콜속도가 빠르다. Rupp and Taylor [18]의 연구에서 신차 리콜의 경우 기대수명이 길고 보증 수리등과 연결 수리가 가능하므로 시정율이 노후 차량 보 다 높다고 하였다. 따라서 신차 리콜케이스의 경우 부품 수급을 충분히 확보 유지하고 보증수리나 무상소모품 교 환 서비스등과 연결할 수 있는 프로세스를 구축하여 효율 성을 높여야 한다.

넷째, 고객주도 리콜 케이스의 경우인 L-xxS 유형은 리콜 개시 초기 고객 반응률이 높으나 이후 리콜 속도가 늦어져 수요곡선의 꼬리가 길게 나타나는 일반적 패턴이 다. L-xxS의 경우 전체 36케이스 중 18케이스 50%이다. 전상민[12]의 연구에서 분류한 고객 유형의 결과 자동차 리콜의 경우 적극대응형이 30%이며 무관심형의 52% 결 과와 유사한 결론이다. 그러나 리콜 성과가 고객의 안전 및 기업의 이미지 제고에 중요한 요소이므로 기업은 리콜 초기 높은 시정율 후 시정율이 하락되기 전 고객 중심적 편의성 제고, 복잡한 프로세스의 단순화, 고객 입고유도 커뮤니케이션 등을 통한 입고유도 정책을 시행해야 한다.

다섯째, 자동차 산업의 내,외부 여건으로 인하여 리콜 건수 및 대상대수가 증가하여 리콜규모가 증가하고 있다. 리콜이 발생하면 서비스 센터 방문 고객이 증가하고 이로 인해 정비 서비스 시설이 부족할 가능성 높다. 자료에 의 하면 수입자동차 상위 7브랜드의의 서비스 센터 1곳당 평 균 4,910대의 차량을 수리하여야 하므로 서비스 센터 1곳 당 평균 2,710대의 차량을 수리하는 국내 자동차 브랜드 에 비해 정비서비스 시설이 부족하다[30]. 따라서 단기적 으로 는 서비스센터 주도의 정비 예약을 통한 수요 분산, 리콜전담 인력과 프로세스를 도입하여 시설의 효율적 운 영을 통한 서비스 시설의 공급량 향상 방안이 필요하며 중장기적으로는 다양한 형태의 서비스 네트워크 증설을 통한 시설의 확충이 필요하다.

본 연구는 리콜 수요 패턴과 ARIMA 모형을 활용한 부품 수요 예측 적용에 관한 연구로써 ARIMA 모형을 추 정하였다. ARIMA 모형은 ARIMA(1,0,0), ARIMA(0,0,1), ARIMA(0,0,0) 등 3개의 모형으로 나타났다. 추정된 ARIMA 모형은 리콜 패턴에 따라서 달라지거나 일정한 방향성을 보이지 않은 것으로 나타났지만 추정된 ARIMA 모형은 모든 리콜 패턴에 모두 유의한 것으로 나타나 자동차 리 콜 패턴에 대한 예측 모형으로서 ARIMA 모형은 매우 타 당한 것으로 나타났다. 따라서 자동차 리콜의 ARIMA 모 형은 리콜 패턴에 따른 부품 수요 예측 모형으로서 적합 하며 향후 자동차 리콜의 발생 시에 부품 수요 패턴에 따 라서 해당되는 ARIMA 수요 예측 모형으로 예측 가능하 며 부품의 일시적인 공급차질, 서비스 시설 부족 및 이질 적인 고객의 리콜 반응으로 인한 공급혼란(Disruption) 발 생에 대한 대응전략으로써의 회복(Resilience) 프로그램의 ARIMA 수요 예측 모형은 타당하고 유용한 것으로 밝혀 졌다. 추정된 ARIMA 모형을 기반으로 12가지 리콜 패턴 을 적용하면 효율적 부품 수요 예측이 가능할 것으로 판 단된다.

5.2 논의 및 연구 한계점

본 연구는 자동차 리콜 패턴 분석과 ARIMA 모형을 활용하여 리콜 부품의 예측을 통한 효율적 부품 조달 전 략에 대한 시사점들을 제시하고자 하였다. 그러나 본 연 구에 사용된 자료가 특정 회사의 자료에만 국한되어 패 턴 분석 결과를 전체 시장으로 일반화하여 확대 적용하 는 데는 한계가 있다. 따라서 향후에는 수입 자동차 회사 를 몇 개 더 포함한 자료를 가지고 분석한 리콜 수요 패 턴을 도출하고 전체 시장에 적용 가능한 패턴 분석을 실 시하는 것이 효과적일 것이다.

리콜 수요 예측 결과의 검증을 위하여 원래는 개발 데 이터와 검증 데이터를 구분하여 실시해야 하지만 자동차 리콜 기간이 짧고 동일한 케이스가 존재하지 않는 등 데 이터의 한계점으로 인하여 구분하여 사용하지 않았다. 그러나 향후에는 자동차 산업으로 확대하여 충분한 데이 터를 확보하여 모델을 검증하면 더욱 효과적일 것이다.

본 연구의 결과로서 4개의 리콜 수요 패턴과 ARIMA 모형의 추정은 향후 리콜 수요 예측 모형의 개발을 위하 여 필요한 정보를 제공해 줄 수 있을 것으로 기대된다. 본 연구는 ARIMA 모형의 적용 가능성을 확인하였으므 로 향후 ARIMA 모형을 적용하여 리콜 수요 패턴에 따 른 정교한 리콜 수요 예측 모형 개발 및 수요 예측이 필 요할 것이다.

Figure

<Figure 1>.

The Shape of the Graph According to the 12 Recall Types

Table

<Table 1>.

All Recall Data of Imported Car Company A

<Table 2>.

Recall Factors Used for Classification of Recall Types

<Table 3>.

Pattern Analysis for Recall Types(After the Recall Commences)

<Table 4>.

Classification of Recall Types by Pattern(Large Classification)

<Table 5>.

Key Features According to the Recall Pattern(Intermediate Classification)

<Table 6>.

Recall Cases based on A, M, Q among the Factors(Intermediate Classification)

<Table 7>.

12 Recall Types and Recall Cases

<Table 8>.

ARIMA Model Analysis of 12 Recall Types

<Table 9>.

ARIMA Model by Number of Recall

<Table 10>.

MAPE Analysis by Recall Type

Reference

Sharma, A., Garg, D., and Agarwal, A., Product recall : Supply chain quality issue?, International Journal of Intelligent Enterprise, 2014, Vol. 2, No. 4, pp. 277-293.
Baek, S.I. and Han, S.L., The Impact of Product and Online Service Failure Announcements on Firm’s Market Value, Entrue Journal of Information Technology, 2008, Vol. 7, No. 2, pp. 23-32.
Bae, Y.-K. and Benitez-Silva, H,, Do Vehicle Recalls Reduce the Number of Accidents? The Case of the U.S. Car Market, Journal of Policy Analysis and Management, 2011, Vol. 30, No. 4, pp. 821-862.
Cha, T.H., Kim, C.S., and Kim, J.W., The Effect of Recall-Focus on the Communication types and the customer Loyalty, Korean Association for Advertising and Public Relations, 2005, Vol. 68, pp. 281-300.
Choi, E.S., Survey on Recall consumer perception, Korea Consumer Agency, 2012.
Choi, E.S., Report on recall execution by Domesti companies, Korea Consumer Agency, 2014.
Choi, E.S., Introduction of Recall system, Korea Consumer Agency, 2013, pp. 1-60.
Choi, Y.M., Forecasting Accuracy of Single Variable Time-series Model for Tourism Demand, The Tourism Science Society of Korea, 1998, Vol. 21, No. 2, pp. 111- 118
Clark, G., Kaminski, P.F., and Rink, D.R., Consumer Complaint : Advise on How Companies Should Respond on Empirical study, The Journal of Service Marketing, 1992, Vol. 6, No. 1, pp. 41-50.
Hwang, Y.C. and Kim, S.C., The effect of hotel service recovery and service quality on relationship quality, customer satisfaction, and loyalty, Korea Association of Business Education, 2012, Vol. 27, pp. 359-381.
Jun, S.M. and Choi, E.S., Consumers’ Confidence and Purchase Intentions for Product Recalls Based on Recall Spontaneity and Communication, Korea Crisis and Emergency Management, 2014, Vol. 10, No. 10, pp. 243-263.
Jun, S.M. and Choi, E.S., Corporations’ Awareness, Attitudes, and Behavior Regarding Recall Systems, Korea Crisis and Emergency Management, 2014, Vol. 10, No. 6, pp. 49-65.
Jun, S.M., Consumer Classifications Based on Risk Perception and Safety Behavior in the Risk Perception Attitude Model along with Comparison of Recall Behaviors, Crisisonomy, 2018, Vol. 14, No. 2, pp. 1-17.
Jung, S.C., Kim, S.C., and Park, S.H., A Study on Factors Predicting Demand for Imported Automobile Recall Parts Using AHP Analysis, Academic Society of Global Business Administration, 2020, Vol. 17, No. 4, pp. 56- 82.
Jeong, Y.S., Study on enhancing the effectiveness of automobile recall system, Korean Consumer Agency, 2010, pp. 1-9.
Kim, B.K., Shim, S.C., and Lee, S.J., A Model on Price Forecasting of Natural Resources with Restricted Market, Journal of Society of Korea Industrial and Systems Engineering, 2014, Vol. 37, No. 4, pp. 82-89,
Kim, J.M., Chang, S.H., and Kim, S.S,, Predictive Analysis of Traffic Accidents caused by Negligence of Safe Driving in Elderly using Seasonal ARIMA, Journal of Society of Korea Industrial and Systems Engineering, 2017, Vol. 40, No. 1, pp. 65-78.
Lee, J.E., Jeon, Y.H., and Jeon, J.E., Impact of Brand Recall Strategies on Brand Evaluations : The Moderating Role of Consumer’s Behavioral Investments, The Korean Journal of Advertising, 2013, Vol. 24, No. 5. pp. 137-156.
Lee, J.I., A Study on Economic Incentives of the Voluntary Recall, Korean Law And Economics Association, 2014, Vol. 1, No. 3, pp. 339-358.
Rupp, N.G. and Taylor, C.R., Who initiates recalls and who cares? Evidence from the automotive industry, Journal of Industrial Economics, 2001, Vol. 50, No. 2, pp. 123-149.
Rupp, N.G., The Attributes of a Costly Recall : Evidence from the Automotive Industry, Review of Industrial Organization, 2003, Vol. 25, No. 1, pp. 21-44.
Park, M.S., Koh, D.Y., and Lee, K.H., Analysis on the Firms’ Choices of Recall Types and Their Effects, The Korean Economic Association, 2013, Vol. 61, No. 3, pp. 75-111.
Park, M.S., Koh, D.Y., and Lee, K.H., Analysis on the Effect of the Recall on the Enterprise Value, Journal of Consumer Policy Studies, 2013, Vol. 44, No. 1, pp. 27-44.
Seo, Y.K., A Study on the Market Response of Recall Firms, Korean Industrial Economic Association, 2008, pp. 327-341.
Shim, J.H., Recall policy and Consumer protection, Korea Commercial Cases Association, 2006, Vol. 20, No. 4, pp. 125-163.
Shim, Y. and Lee, H. I., Consumer Perception, and Consumer Information and Education on the Recall System, Korean Society of Consumer Studies, 1999, Vol. 10, No. 2, pp. 85-111.
Yoon, T.H., A study of Impact on brand image and consumer behavior by the perceived characteristics of product recall, Consumer Sector Integrated Conference, 2016, pp. 1-11.
Zemke, W.T. and William, C.S., Analysis of Long-Range Dispersion and Exchange Interactions of Two Lithium Atoms, The Journal of Physical Chemistry, 1993, Vol. 97, No. 10, pp. 2053-2058.
Chosun ilbo, https://biz.chosun.com/site/data/html_dir/ 2013/04/11/2013041100426.html.
Maeil shinmoon, https://m.mk.co.kr/news/business/viewamp/2018/08/511928.