Earticle

에너지 소비 문제가 전 세계적으로 주요한 이슈로 자리잡아 다양한 부문에서 에너지 소비 및 온실가스 배출 절 감에 대한 관심이 크다. 2022년 3월 말 기준 국내 산업단지 총 면적은 606 km2로, 전체 국토면적의 약 0.6 %에 불과 한다. 하지만 2018년 기준, 국내 산업단지의 연간 에너지 사용량은 국가 전체 에너지 사용량의 53.5 %, 전체 산업부문 에너지 사용량의 83.1 %를 차지하는 110,866.1천 TOE임으로 확인되었다. 더불어 국가 전체 온실가스 배출량의 45.1 %, 산업부문 온실가스 배출량의 76.8 %를 차지하여 환경에 미치고 있는 영향 또한 상당한 상황임이 확인하였다. 이러 한 배경 하에 본 연구에서는 산업단지 차원의 에너지 효율화에 기여하고자, 국내 한 산업단지를 대상으로 에너지 수요 및 공급의 예측을 진행하였으며, 예측 결과값을 포함하여 에너지 모니터링을 위한 시뮬레이터 UI 화면을 설계하였다. 머신러닝 알고리즘 중 다층퍼셉트론 (Multi-Layer Perceptron; MLP)을 사용하였으며, 예측 모델의 최적화 기법으로 서 베이지안 최적화 (Bayesian Optimization)를 적용하였다. 본 연구에서 구축한 예측 모델은 산업단지 내 압축공기 수요 유량의 경우는 87.90 %, 공용 공기압축기 공급 가능 유량의 경우는 99.54 %의 예측 정확도를 보였다.

As of the end of March 2022, the total area of d omestic industrial complexes is 606 km2, which is only about 0.6% of the total land area. However, as of 2018, the annual energy consumption of domestic industrial complexes is 110,866.1 thousand TOE, accounting for 53.5% of the country's total energy consumption and 83.1% of the entire industrial sector energy consumption. In addition, industrial complexes have a significant impact on the environment, accounting for 45.1% of the country's total greenhouse gas emissions and 76.8% of industrial sector greenhouse gas emissions. Under this background, in this study, in order to contribute to the energy efficiency of industrial complexes, a prediction study on energy demand and supply for an industrial complex in Korea using machine learning was conducted. In addition, a simulator UI screen was designed to more efficiently convey information on energy demand/supply prediction results and energy consumption status. Among the machine learning algorithms, Multi-Layer Perceptron (MLP) was used, and Bayesian Optimization was applied as an optimization technique for the prediction model. The energy prediction model for the industrial complex built in this study showed a prediction accuracy of 87.90% for compressed air demand and 99.54% for the flow rate available for the public air compressor.

본 논문은 분산형 전력 시스템에서 심층강화학습 기반의 전력 생산 환경 및 수요와 공급을 예측하며 자원 할당 알고리즘을 적용해 전력거래 시스템 연구의 최적화된 결과를 보여준다. 전력 거래시스템에 있어서 기존의 중앙집중식 전력 시스템에서 분산형 전력 시스템으로의 패러다임 변화에 맞추어 전력거래에 있어서 공동의 이익을 추구하며 장기적 인 거래의 효율을 증가시키는 전력 거래시스템의 구축을 목표로 한다. 심층강화학습의 현실적인 에너지 모델과 환경을 만들고 학습을 시키기 위해 날씨와 매달의 패턴을 분석하여 데이터를 생성하며 시뮬레이션을 진행하는 데 있어서 가우시 안 잡음을 추가해 에너지 시장 모델을 구축하였다. 모의실험 결과 제안된 전력 거래시스템은 서로 협조적이며 공동의 이익을 추구하며 장기적으로 이익을 증가시킨 것을 확인하였다.

In this paper, the energy transaction system was optimized by applying a resource allocation algorithm and deep reinforcement learning in the distributed power system. The power demand and supply environment were predicted by deep reinforcement learning. We propose a system that pursues common interests in power trading and increases the efficiency of long-term power transactions in the paradigm shift from conventional centralized to distributed power systems in the power trading system. For a realistic energy simulation model and environment, we construct the energy market by learning weather and monthly patterns adding Gaussian noise. In simulation results, we confirm that the proposed power trading systems are cooperative with each other, seek common interests, and increase profits in the prolonged energy transaction.

이용 수요가 많아 투입될 비용보다 얻을 수 있는 편익이 더 클 것이라는 예측에 근거하여 추진되었던 대형 공공사업들이 완공 이후 처음 예측보다 실제 이용수요는 적고 소요 비용은 커서 결과적으로 예산을 낭비한 사례가 우리나라뿐만 아니라 전 세계적으로 반복적으로 발생하고 있다. 이 문제를 집중 연구해온 벤트 플뤼비아(Bent Flyvbjerg)에 따르면, 대형 공공사업의 사전 예측이 실패하는 원인에는 기술적·심리적·정치적·경제적 요인들이 있는데, 그중 결정적 요인은 정치적·경제적 요인이며 따라서 해결 방안도 여기에 집중해야 한다고 주장한다. 이 글에서는 대형 공공사업에서 만성적으로 나타나는 수요 과잉 예측 및 비용 과소 예측현상의 원인과 그 해결 방안에 대해 플뤼비아의 논의를 중심으로 살펴보았다. 이를 위해 먼저 플뤼비아가 수요 및 비용 예측 실패의 핵심 원인으로 간주한 정치-경제적 원인의 분석 및 이에 대한 처방들을 요약 소개했다. 이어서 우리나라에서도 대형 공공사업 전반에서 예측 실패가 반복적으로 나타나고 있으며, 그 핵심원인에는 국민들이 위임한 권력을 자신들의 이익을 추구하는 데 악용하는 정치가와 관료 집단의 행위가 제대로 제어되지 못하는 데 있다는 사실을 확인했다. 마지막으로 그의 논의를 우리나라에 적용하여 대형 공공사업의 수요 및 비용 예측의 정확성을 높일 수 있는 방안을 제시했다. 이 글에서 제시한 대안의 핵심은 책임성과 투명성의 강화이며, 이를 위해 공공사업 추진 권력에 대한 견제 장치 마련, 준거집단 예측법 도입 등을 포함하여 몇 가지 제도 개혁 방안들을 제안했다.

For the most of public-driven magaprojects in the world, especially the infrastructure projects, starting from ex ante expectation that benefit would be bigger than cost, their actual ex post performance was very poor. As a result, public money has been wasted and so-called magaprojects paradox has appeared: More and bigger megaprojects are built despite their poor performance record. Bent Flyvbjerg has focused the causes and cures of underestimate costs and overestimate benefits phenomenon. He argue that the key causes of this phenomenon are economic and political causes rather than technical or psychological ones, and suggest how to tackle these ones. In this paper, I aim to examine the causes and cures of endemic forecasting fallacy in Korea, mainly based on Flyvbjerg’s arguments. For the purpose of this, first, I show that cost overruns and demand shortfalls are also widespread in Korea. Second, Flyvbjerg’s main works and key arguments are summarized. Third, some implications and suggestions for applying his arguments to Korea in order to minimize forecasting failure are examined, focusing on enhancing accountability and transparency.

본 연구는 지역 단위 도시가스 수요예측모형을 이용하여 전국 도시가스수요예측의 정확도를 향상할 수 있는지 여부를 살펴봤다. 지역별 수요예측모형을 구축하게 된 배경은 용도별 도시가스 수요의 행태가 분화되는 상황에서 자료의 제한으로 용도별 수요예측모형을 구축하기 어렵다는 것에 있다. 지역별 수요예측모형은 전국수요를 수도권과 지방으로 구분하여 별도의 예측모형을 구성하는 것으로, 시간변동계수를 갖는 공적분모형을 이용하였다. 지역모형에서 전국 도시가스수요예측은 지역별 수요전망치를 합산하여 산출하였다. 2013~2016년의 4년간 예측력 평가결과, 지역별 모형을 통한 전국 도시가스수요 예측이 전국단위 예측모형에 비하여 예측력이 전반적으로 우수한 것으로 나타났다. 지역모형에서는 수도권과 지방권 모형을 별도로 구축함으로써 해당 지역 수요의 특성을 반영한 예측모형이 가능했다. 수도권수요는 가정용수요 비중이 높아 기온에 보다 민감하게 반응하고, 전력수요와 경쟁관계가 있다. 이에 반해 지방권은 산업용수요 비중이 높아 전반적인 경기상황에 따른 수요변동이 크고, 수도권과 달리 벙커씨유와 LPG와 같은 산업용 연료와 대체관계를 보였다. 상기 결과는 성숙기에 접어든 도시가스산업에서 지역별 수요에 대한 세부적인 분석을 통해 전국 단위 수요예측의 정확도를 향상시킬 수 있다는 것을 보여주고, 이와 더불어 용도별 도시가수요 분석에도 유용한 정보를 제공할 것으로 기대한다.

This paper explores whether it is better to forecast city gas demand in Korea using national level data directly or, alternatively, construct forecasts from regional demand models and then aggregate these regional forecasts. In the regional model, we consider gas demand for Seoul metropolitan and the other local areas. Our forecast evaluation exercise for 2013-2016 shows the regional forecast model generally outperforms the national forecasting model. This result comes from the fact that the dynamic properties of each region’s gas demands can be better taken into account in the regional demand model. More specifically, the share of residential gas demand in the Seoul metropolitan area is above 50%, and subsequently this demand is heavily influenced by temperature fluctuations. Conversely, the dominant portion of regional gas demand is due to industrial gas consumption. Moreover, electricity is regarded as a substitute for city gas in the residential sector, and industrial gas competes with certain oil products. Our empirical results show that a regional demand forecast model can be an effective alternative to the demand model based on nation-wide gas consumption and that regional information about gas demand is also useful for analyzing sectoral gas consumption.

신상품이나 신규 통신서비스의 수요 예측은 사업의 경제성 분석과 초기 시설투자 계획을 수립함에 있어 필수적이다. 그러나, 과거 자료가 없는 경우에 적용할 수 있는 기존의 수요예측방법은 비계량적인 방법들로서 객관성이 떨어지므로 가능한 한 주관적인 요소나 임의성을 배제할 수 있는 방법이 필요하다. 이에 본 연구는 저궤도 이동위성통신 서비스의 수요예측 사례를 중심으로 계량적인 모형에서 추정이 불가능한 모수들을 비계량적인 방법을 통해 추정함으로써 계량적인 방법과 비계량적인 방법을 결합한 수요예측방법을 제안한다. 본 연구에서는 기존 통신서비스와의 비교유추를 통하여 확산계수를 도출하고 설문자료로부터 잠재시장규모를 추정함으로써 신규 통신서비스의 확산과정을 예측하고 가격에 대한 수요의 탄력도를 도출한다.

We have discussed the importance of collaborative forecasting and the difficulties that can arise during its implementation. We have also proposed the detail process of collaborative forecasting and the system requirement on each step of the process so that the proposed detail process can be easily applied to real life scenario. Lastly, we have talked about a case study of a telecommunication equipment manufacturer that has implemented the proposed collaborative forecasting process that verify the feasibility of the process.

The purpose of this study is to find out the best forecasting model among seven different time-series models and to forecast the size of Korea’s imported wine market in 2021. 66 time-series data per quarter from January 2001 to July 2016 were used in this research from KITA(Korea International Trade Association). The accuracy of models was tested and compared based on value of MAPE. The results show that the Winters Additive Seasonality Model(MAPE=10.13%) is the most appropriate demand forecasting model in terms of the forecasting accuracy. This model predicts the size of imported wine market of Korea in 2021 could be up to USD $246,896,000, CAGR=4.49% which is 30.08% bigger than its size of 2015. Moreover, this study provides two different forecasting scenarios for both conservative(CAGR=2.34%) and optimistic(CAGR=5.46%) points of view and the average of all forecasting results(CAGR=3.98%) of the size of imported wine market in 2021. In this regards, no matter which scenarios are chosen, when marketers make their own medium and long term business plans, it has to be considered that this market is no longer thriving as over the past 5 years(CAGR=9.3%). Because the result of this study mainly implies that the imported wine market in Korea is already entering a mature stage.

전력수요는 여러 가지 사회, 경제, 기상 등의 복합적인 요인에 의해 결정되므로 예측하기 쉽지 않다. 수요 예측 시스템을 통해 예측된 결과는 예측일의 상황에 맞는 여러 가지 예측과 관련된 변동 요인의 적용범위가 수치적으로 달라 질 수 있어 예측 데이터와 실제 수요와의 오차율이 높아질 수 있다. 따라서 전력수요 실적과 예측간 오차에 영향을 주는 변동 요인의 영향력을 분석하고, 예측일의 상황에 맞게 적절한 수치의 변수를 예측 시스템에 제공하여 예측의 정확성을 향상시키는 방안에 대하여 알아보았다.

현재 철도계획에 이용되고 있는 교통수요예측 지역간기종점(OD)자료는 국가교통데이타베이스(KTDB)를 이용하고 있다. KTDB의 자료는 우리나라 지역간 총통행량을 조사한 후 도로, 철도, 항공등으로 배분하는 방법을 이용하고 하고 있다. 그러나 철도의 경우는 철도역이 기존의 존과 일치하지 않거나 1개존에 다수의 철도역이 존재하여 Connector가 연결되지 않아 적용 방법상에 문제점이 있는 것으로 나타났다. 이로 인해 KTDB를 이용한 철도부분의 교통예측은 다른 교통수단에 비해 신뢰성이 크게 떨어지고 있다. 본 연구는 이러한 문제점을 검토 분석하고, 신뢰성을 높이기 위해 집계모형(Aggregate Model) 기법을 활용한 철도의 교통수요예측 방법(직접수요추정 : Direct Demand Estimation)을 제안하였다. 본 연구에서는 집계모형에 지역간의 인구, 거리, 산업체종사자수, 자동차대수, 도로연장등 사회경제지표의 연관성을 분석하여 철도분야 수요예측의 오차를 최소화할 수 있는 방법을 연구하였다.

The Korea Transportation Database (KTDB) is used to obtain data on the origin and destination (OD) of inter-city travel, which are currently used in railroad planning when estimating traffic demand. The KTDB employs the trip assignment method, whereby the total traffic volume researched for inter-city travel in Korea is divided into road, rail and air traffic, etc. However, as regards rail travel, the railroad stations are not identical to the existing zones or the connector has not been established because there are several stations in one zone as such, certain problems with the applicable methods have been identified. Therefore, estimates of the volume of railroad traffic using the KTDB display low reliability compared to other modes of transportation. In this study, these problems are reviewed and analyzed, and use of the aggregate model method to estimate the direct demand for rail travel is proposed in order to improve the reliability of estimation. In addition, a method of minimizing error in traffic demand estimation for the railroad field is proposed via an analysis of the relationship between the aggregate model and various social-economic indicators including population, distances, numbers of industrial employees, numbers of automobiles, and the extension of roads between cities.

The demand for naval spare parts is intermittent and erratic. This feature, referred to as non-normal demand, makes forecasting difficult. Hierarchical forecasting using an aggregated time series can be more reliable to predict non-normal demand than direct forecasting. In practice the performance of hierarchical forecasting is not always superior to direct forecasting. The relative performance of the alternative forecasting methods depends on the demand features. This paper analyses the influence of the demand features on the performance of the alternative forecasting methods that use hierarchical and direct forecasting. Among various demand features variability, kurtosis, skewness and equipment groups are shown to significantly influence on the performance of the alternative forecasting methods.

본 논문은, 장기 전력수요예측시 최종 수요예측 결과에 수요관리량을 어떻게 반영할 것인가와 관련하여 "수요관리 순증분 차감방식"에 대하여 설명하고, 순증분 차감방식이 수요관리량 반영방법으로서 적정한지 검증해보았다. 검증 결과 순증분 차감방식은 현실적으로 수요관리 실적에 대한 정확한 계량이 어려운 상황에서 가장 타당한 방법으로 검증되었다.

[연구목적] 본 연구는 전통적 예측모형(VECM)과 딥러닝 기반 예측모형(LSTM)을 비교하여,수요예측 정보가 회계적 의사결정에 실질적으로 어떻게 기여할 수 있는지를 실증적으로 분석하고, 예측정보의 회계정보화 가능성을 탐색하는 데 목적이 있다. [연구방법] 2020년 1월부터 2024년 12월까지의 일일 데이터를 기반으로, 관광객 수, 환율, 코스피 지수를 주요 변수로 설정하였다. VECM은 공적분 관계를 반영하여 장기 균형과 단기 조정 구조를 해석하였으며, LSTM은 과거 30일 데이터를 입력으로 하여 다음날 관광객 수를 예측하는 시계열 딥러닝 모델로 구성되었다. 또한, 2025년 1월 2일부터 3월 31일까지의 실제 데이터를 활용한 시나리오 기반 예측 실험을 통해 두 모형의 미래 적용 가능성과 실무 적합성을검증하였다. [연구결과] 예측 성능 비교 결과, LSTM은 평균제곱근오차(RMSE), 평균절대오차(MAE), 평균절대백분율오차(MAPE) 지표 모두에서 VECM보다 우수한 성능을 나타냈으며, 특히 비정형적이고 변동성이 큰 시계열에서도 높은 정밀도를 보였다. 반면, VECM은 장기 균형관계 해석과 구조적 안정성 면에서 강점을 보였으나, 단기 예측에서는 변동성 반영에 한계가 있었다. [연구의 사사점] 본 연구는 수요예측 정보를 회계정보로 해석하고, 이를 자원배분, 인력계획,가격정책 등 실질적인 관리회계 의사결정에 활용 가능한 정보자산으로 확장할 수 있음을 실증적으로 제시하였다. 또한 예측 목적에 따라 전통모형과 딥러닝 모형을 상호보완적으로 활용할수 있는 가능성을 확인하였다. 다만, 본 연구는 지역 관광객 수라는 특정지역 및 산업의 데이터만을 활용하였기에, 연구 결과를 다른 산업이나 국가 수준으로 확대 해석하거나 일반화하는데에는 한계가 있다.

[Purpose] This study aims to empirically analyze how demand forecasting information cancontribute to accounting decision－making by comparing a traditional forecasting model(VECM) with a deep learning－based forecasting model (LSTM), and to explore the possibilityof using forecasting information as accounting information. [Methodology] Based on daily data from January 2020 to December 2024, the number oftourists, the exchange rate, and the KOSPI index were selected as key variables. The VECMmodel analyzed long－term equilibrium and short－term adjustment structures by reflectingcointegration relationships. The LSTM model, a time－series deep learning model, was configuredto predict the number of tourists for the next day using the past 30 days of data. Furthermore,scenario－based forecasting experiments using real－world data from January 2, 2025, to March31, 2025, were conducted to verify the future applicability and practical suitability of the twomodels. [Findings] Comparisons of forecasting performance revealed that LSTM outperformedVECM in all three metrics：root mean square error (RMSE), mean absolute error (MAE), andmean absolute percentage error (MAPE), demonstrating high accuracy even in non－stationaryand volatile time series. Conversely, VECM demonstrated strengths in interpreting long－termequilibrium relationships and structural stability, but its ability to reflect volatility in shorttermforecasting was limited. [Implications] This study empirically demonstrated that demand forecasting information canbe interpreted as accounting information and expanded into an information asset that can beutilized for practical management accounting decisions, such as resource allocation, workforceplanning, and pricing policy. Furthermore, it confirmed the potential for complementary use of traditional and deep learning models depending on the forecasting objective. However,because this study utilized only data from a specific region and industry?the number of localtourists?the results are limited in their interpretation and generalization to other industries orcountries.

This study advances demand forecasting in the food and beverage sector by profiling B2B and B2C demand via mixed-type clustering and deriving cluster-specific modeling guidelines. Integrating Coefficient of Variation (CV), Residual Strength (RS), and Product Life Cycle (PLC) for ten SKUs in each market, we identify four archetypes (Stable, Noisy, Volatile, Unstable). Late-maturity products constitute a low-variability benchmark for stable production and inventory planning. Unstable clusters favor ML-based ensembles with exogenous inputs; Volatile clusters perform best with exogenous-sensitive hybrids (e.g., SARIMAX plus tree-based learners) that capture nonlinear spikes; and Noisy clusters require robust methods with quantitative assessment of exogenous-variable effects. Academically, the study extends forecasting frameworks by systematically integrating time-series features, structural patterns, and exogenous drivers; practically, it offers actionable guidelines for managing product groups by demand type to improve forecast accuracy and strengthen supply-chain decisions. In a B2C hold-out evaluation (10 SKUs), a cluster-optimal hybrid outperformed OSFA baselines, reinforcing these design implications.

현재 전력수급 상황은 제4차 전력수급 기본계획을 통하여 안정적인 전력공급을 도모하고 있다. 미래의 전력수요를 예측하는 수요예측(Load Forecast)과 소비자의 합리적인 전기소비를 가능하게 하는 수요관리(Demand Management) 및 소비자가 능동적으로 전기소비를 선택하여 사용할 수 있는 수요반응(Demand response)이 있다. 이와 더불어 제 3차 신재생에너지 기본계획을 바탕으로 신재생에너지원을 고려해 수요예측 및 수요관리를 한다면 환경문제와 연료고갈 문제의 개선과 기타 에너지원의 절약이 가능하다. 또한 탄소량 배출 감소 효과와 현재의 수요관리 목표량보다 효과적인 수요관리가 가능하다.

Although quantitative data are available in the hotel industry, traditionally hotel managers tend to predict their room sales based on their simple judgement because of lack of knowledge on quantitative forecasting models. This practice, however, does not guarantee accuracy of their room sales in near future, making hotel yield management difficult. In this respect, this study aims to compare forecasting accuracy between quantitative and qualitative forecasting techniques when predicting hotel room sales. To this end, this study employs quantitative forecasting techniques such as Holt, Winters, and Regression models using actual data of hotel room sales. Then, these forecasts are compared with traditional qualitative forecasts by hotel managers in terms of accuracy. The results of this study indicate that forecasts by quantitative approach were more accurate than traditional qualitative forecasts by hotel managers in terms of hotel room sales. In other words, forecasts by hotel managers were found significantly different from actual room sales. The findings suggest that hotel management should utilize more accurate quantitative forecasting approach than traditional qualitative method when predicting room sales. Furthermore, the Winters Exponential Smoothing model was found to be the most appropriate forecasting method in terms of simplicity and accuracy. Thus, this study also suggest that hotel managers should utilize relatively simple forecasting method of the Winters model in particular when data of room sales depict seasonality.

The aim of this study is to discuss the fact that the golf industry in Korea, especially for golf courses, has been highly developing and profiting as a result of less supply than demand. however current signs are beginning to show that an excess supply of golf courses is expected in next 5 years which might lead to a crisis of golf course industry. Evidently supporting this, the number of golf course users increased last year but this is only because of the new golf courses and, in fact, for the existing courses it has decreased since 2004 and last year the operating profits decreased as well. Therefore we would like to suggest a counter-action plan for a continuing growth of golf industry by creating an appropriate scale of demand and supply through demand forecast using monthly user data in accordance with seasonal pattern collected nationally from 224 golf courses in operation. The result of this research shows that the number of needed golf courses in 2010 would be 302. Applying the same tendency as an increase shown in 2005 from 78 courses to 224 courses, we can expect that, by 2010, 302 courses will be required which is 34.8% further establishments from 2005; based on 18 hole private courses, 205 courses by 2010 that is 52 more courses that 2005 and in basis of 11 hole public courses, we are talking 97 courses by 2010 that is 20 more than 2005. Therefore, for year 2010, the appropriate total number of golf courses is predicted as 344 which is a sum of 239 for private courses and 105 for public courses.

Promotion system can be used as strategical management weapon to enhance the sales power. Planned order system has some similarities with promotion system to create purchasing power and to supply the service parts with low price on purpose. The only difference is whether it is prearranged event or not. The effectiveness of forecasting has increased with normal state of ordering process. However, the accuracy of forecasting has diminished with irregular state of ordering, such as demand occurrences by unexpected climate change or intended planned order by the company. A planned order system is examined through the process of computing the effectiveness on the basis of forecasting in this paper. And it is suggested that how to increase the accuracy of forecasting capability under the planned order system.

수요예측은 모든 생산적 활동을 수립하기 위한 기반이 되기 때문에 수요가 어느 정도 발생할 것인가에 대한 방향성에 대하여 파악하려고 일반적으로 설문조사를 이용하지만 무응답 및 불성실한 응답으로 인하여 설문응답 자료만으로 수요를 예측하기에는 부족하다. 따라서 수요와 관련 있는 변수를 이용한 분류모형으로 설문조사의 수요예측을 보정하고자 하였다. 본 논문에서는 설문조사를 통하여 평가 할 수 있는 직접적인 수요와 통계적 모형을 이용한 간접적 수요를 혼합하여 서비스 수요를 예측하는 혼합 모형을 제시하고자 한다.

In generally, we use a method of the survey to forecast the economic demands and non-economic demands for a market trend. But we have a difficult problem to estimate the demand for the marketplace objectively because the survey with the non-response and the inadequate understanding on questionnaires did not provided the strong and uniform forecast. Here, we proposed a method compounded of survey and a statistical model to estimate the demand for the marketplace and discussed the mixture model applied to the service demand on an agency.