서론
선행연구
1. 공유 PM 관련 연구
2. 공간 자기상관분석 관련 연구
3. 선행연구 검토 결과
분석 범위 설정 및 기초 분석
1. 분석 범위 설정
2. 공유 PM 기초 공간분석
공간적 자기상관분석 방법론
1. 자료 재구축
2. 방법론
분석결과
1. 전역적 자기상관성 분석 결과
2. 국지적 자기상관분석(LISA) 및 LISA 클러스터 결과
3. 주차구역 반경 300m 내 군집수 집계 결과
결론
서론
2018년 7월, 공유 개인형 이동수단(Personal Mobility, PM)이 시범서비스를 시작하며 일상 속에서 자주 찾아볼 수 있게 되었다. PM은 도입 초기 First-Last Mile로서 대중교통의 보완적 역할, 친환경적인 이동수단이라는 점에서 많은 긍정적인 평가를 받았다. 기본적으로 ‘프리 플로팅(free floating)’ 방식으로 운영되며, 이용자들이 정해진 거치대 없이 자유롭게 대여하고 반납할 수 있다는 점이 특징이다. 이로 인해 이용의 편의성이 극대화되었으나, 동시에 여러 가지 문제가 발생했다(Jung and Lee, 2023). 프리 플로팅 방식으로 인해 PM이 무분별하게 도로에 방치되거나 보행자 통행을 방해하는 등 여러 문제로 시민들의 불만이 커졌다. 또한, 이로 인해 보행자의 안전이 위협받고 도시 미관이 해치는 부작용이 발생했고 PM에 대한 부정적인 여론이 확산되었다. 이에 PM의 도입 초기와 달리 그 운영 방식에 대한 규제와 관리의 필요성이 대두되었다. 이에 정부는 PM 주차 문제를 해결하기 위해 다양한 시도를 하였다. 2020년 10월 대통령 직속 기관인 4차산업혁명위원회에서 해커톤을 열어 공유 PM 운영 업체와 경찰청, 기타 지자체 등이 13곳의 주차 금지 구역을 설정하고 이를 준수하도록 합의하는 등의 조치가 먼저 시행되었다. 뿐만 아니라 서울시를 비롯한 여러 지자체는 PM 관련 조례를 제정하여, PM을 견인할 수 있는 법적 근거를 마련하였다.
특히 서울시는 PM이 도시 내에서 보다 효율적이고 질서 있게 운영될 수 있도록 다양한 조치를 취한바 있다. 그중 하나가 공유 PM의 주차구역을 마련하는 정책이었다. 서울시는 주요 거점 지역에 PM 주차구역을 지정하고, PM이 이 구역에 주차될 수 있도록 유도하는 정책을 시행했다. 이를 통해 무분별한 PM 방치 문제를 해결하고자 하였다. 서울시는 이러한 정책을 통해 도시 미관을 개선하고 보행자의 안전을 확보하며, 동시에 PM 이용의 편리성을 유지하고자 했다.
서울시가 도입한 PM 주차구역 지정 정책은 여러 긍정적인 효과를 기대할 수 있지만, 그 실질적인 효과를 분석할 필요성이 제기된다. 주차구역의 지정이 실제로 PM의 무질서한 주차 문제를 해결하고, 시민들의 불만을 줄이는 데 얼마나 기여했는지에 대한 객관적인 평가가 필요하다. 본 연구는 서울시가 2022년부터 시행한 개인형 이동수단 주차구역 정책을 대상으로 그 효과를 검증하고자 한다. 연구의 주요 대상은 서울시 내에 마련된 191개의 PM 주차구역이며 주차구역이 설치된 이후의 PM 견인 수의 증감을 분석하고자 공간자기상관분석 기법 중 국지적 공간자기상관분석(LISA, Local – Spatial Analysis)을 적용하였다.
본 연구를 통해 서울시에서 시행한 PM 주차구역 개설 정책의 실효성을 평가할 수 있을 것으로 기대된다. 주차구역의 지정이 PM의 무질서한 주차 문제를 해결하는 데 효과적이라면, 이 정책을 타 지역으로 확산하거나 더욱 확대 적용할 수 있는 근거가 마련될 것이다. 반면, 주차구역이 충분히 효과적이지 않았다면, 정책의 보완점을 도출하고 더 나은 관리 방안을 모색할 수 있을 것이다. 연구 결과는 서울시의 PM 운영 정책의 개선과 향후 유사한 정책을 도입하려는 지자체에 중요한 참고자료가 될 것으로 기대된다. 연구에 대한 흐름도는 Figure 1과 같다.
선행연구
본 연구에서 분석대상이 되는 PM 관련 연구와 분석방법론인 공간자기상관분석에 관한 연구로 구분하여 검토하였다. 공유 PM을 대상으로 하는 공간자기상관분석 선행 연구가 많지 않은 상태이기에 공유 PM 이용 행태 관련 분석 논문도 함께 검토하였다. 더불어 공간자기상관분석 관련 연구의 분석과정 내 세부 요소들의 타당성을 확보하기 위해 타 교통수단 관련 공간자기상관분석 연구에 대해 검토하여 선행연구의 과정을 본 연구에 적용하였다.
1. 공유 PM 관련 연구
Kim et al.(2021)는 서울시를 200m 격자로 구분하여 공유 PM의 대여량과 반납량에 영향을 미치는 요인을 분석하기위해 공간자기상관성분석 모형인 공간시차모형과 공간오차모형, 공간더빈모형, 공간더빈오차모형을 구축하였으며, 최종모형으로 공간더빈 모형을 선정하여 결론을 도출하였다. 영향요인분석 결과 인구지표, 토지이용지표, 교통시설지표가 통계적으로 유의하게 영향을 미치는 것으로 분석되었으며 종합적으로 PM은 유동인구가 많고 대중교통 접근성이 뛰어난 지역에서 주로 이용됨을 확인할 수 있었다. 해당 연구에서는 각각의 공간자기상관모형 적용 타당성을 검증하기 위해 Moran’s I 검증기법을 활용해 통계적으로 검증하였다. 통계적 검증 결과는 평일 대여랑 0.48, 평일 반납량 0.49, 주말대여량 0,51, 주말 반납량 0.52로 공간자기상관성을 갖는 것으로 도출하였다. 더불어 국지적 공간자기상관분석 기법인 LISA(Local Indicator of Spatial Association)를 적용하여 전동킥보드 이용량의 군집화된 공간적 분포를 살펴보았으며 위 분석과정을 참고하여 본 연구의 공간자기분석과정을 설계했다.
Koack et al.(2022)는 단거리 교통수단으로 많이 활용되는 공공자전거와 공유 전동킥보드에 대해 두 수단의 상호관계를 이변량 상관분석과 다중회귀분석모형을 통해 분석 및 확인하였다. 서울시 공공자전거 ‘따릉이’와 공유 전동킥보드 ‘씽씽’의 데이터를 활용하여 진행하였으며, 두 수단의 대여지점과 반납지점 특성에 따라 총 3가지 통행유형(지하철 역간 통행, 지하철 연계통행, 기타 지역간 통행)으로 분류하여 분석을 진행하였다. 분석 결과 지하철 연계통행의 경우에만 통계적 유의성을 가짐과 동시에 두 수단의 상관관계가 있으며 보완관계에 있다고 설명했다. 이는 공공자전거의 대여소 위치 및 접근성에 따라 결정되는 것으로 추측하였고 PM이 단거리 교통수단으로의 역할 수행이 가능함을 확인할 수 있었다. 본 논문에서는 선행연구(McKenzie, 2020)를 참고하여 두 수단의 이용량을 적절히 집계할 수 있도록 보로노이 다각형을 분석단위로 설정하고 개별 다각형에서 발생하는 수단의 반납과 대여 수를 집계하였다. 서울시 공공자전거는 스테이션 기반의 서비스이기 때문에 통행데이터가 특정한 점(대여소) 위에 중첩되나, 공유 전동킥보드는 도크리스(dockless) 서비스이므로 분석지역에 산발적으로 분포하여 두 수단의 이용량을 적절히 집계할 수 있는 공간 단위 설정이 필요하다고 판단했다. 이에 본 연구에서는 위 연구 과정을 참고하여 PM 주차구역별 적절한 집계를 위한 공간 단위 설정에 보로노이 다이어그램을 적용하였다.
Kim et al.(2022)는 로지스틱 회귀모형을 이용하여 개인형 이동수단 교통사고에 영향을 미치는 근린환경 요인에 대해 분석하였다. 분석 결과 개인형 이동수단 교통사고에 유의한 영향을 미치는 근린환경은 인구밀도, 주차장 개소, 주차장 면수, 공간시설 면적, 도로 면적으로 나타났다. 교통사고 확률을 증가시키는 요인의 순위는 도로 면적, 공간시설 면적, 주차장 개소, 주차장 면수, 인구밀도이다. 분석 결과를 통해 인구밀도가 높은 지역에서 교통사고가 많이 발생한다고 판단할 수 있다. 인구가 밀집되어있으면서 단거리 이동을 많이 하는 지역을 정책적으로 개선에 대한 우선순위가 높은 지역으로 선정하여 PM 운행환경 개선 및 안전시설 설치 및 개선 등이 필요하다고 주장하였다. 해당 연구에서는 각 시설물에 대하여 구체적으로 구분하지 못하였고 안전시설의 유무 또는 개수에 관한 구체적인 사항을 분석에 반영하지 못하였다는 연구한계를 밝혔다.
Caspi et al.(2020)는 텍사스주 오스틴에서 공유 PM 사용의 공간적 패턴을 분석하기 위해 공간 지연(Spatial Lag) 모델과 공간 더빈(Spatial Durbin) 모델을 활용하여 연구를 진행하였다. PM 사용이 도시 중심부에 집중되며, 특히 상업 지역과 주거 지역에서 높은 사용률을 보인다는 점을 밝혀냈다. 이 연구에서는 PM의 출발지와 도착지 데이터를 기반으로 공간적 자기상관을 분석하고, 이를 통해 PM 사용이 특정 지역에 어떻게 집중되는지를 파악하였다. 특히, PM 사용이 자전거 도로 및 버스정류장과 같은 교통 인프라가 잘 갖춰진 지역에서 활발히 이루어짐을 발견하였다. 또한, 지리가중된 회귀(GWR, Geographically Weighted Regression) 모형을 적용하여 소득, 토지 이용, 학생 비율 등의 지역적 특성이 PM 사용에 미치는 영향을 세밀하게 분석하였다. 연구 결과, 소득 수준이 낮은 지역에서 PM 사용이 더 활발하게 이루어지고 있으며, 이는 해당 지역의 학생 인구 비율과 밀접한 관련이 있음을 시사하였다. 이러한 결과는 PM가 대학 캠퍼스나 저소득층 밀집 지역에서 특히 효율적으로 사용될 수 있음을 보여주며, 도시 교통 계획에서 이러한 요인들을 고려해야 할 필요성을 강조하였다.
Kweon and Lee(2024)는 서울시열린데이터광장에서 제공하는 전동킥보드 견인 지역 자료를 활용하여 서울시 내에서 발생하는 PM 무단 주정차를 유형별로 구분하고, 유형별 영향요인을 분석하였다. 견인 유형을 다섯가지 유형으로 재분류하고 거주환경 특성, 토지 이용특성, 도로 환경 특성 등의 변수를 투입하여 영과잉 음이항 회귀분석을 수행하였다. 분석 결과, 생활인구, 평균 경사도, 대학교 접근성 등의 거주환경 특성과 토지이용 혼합도, 상업시설 밀도 등의 토지이용 특성이 PM 무단 주정차 발생에 유의한 영향을 미치는 것으로 나타났다. 이를 통해 PM 무단 주정차 예방을 위해 공유PM업체와 사용자의 협업을 통한 행태 변화 유도, 전용 주차공간 조성, 주차 금지 구역 설정 등의 정책적 시사점을 제시하였다.
2. 공간 자기상관분석 관련 연구
Lee et al.(2012)는 서울시를 사례로 분석하였고 행정동 기준으로 공간계량분석 방법론을 적용하여 대중교통 이용에 영향을 미치는 공간적 특성 요인을 규명하였다. 전역적 공간자기상관성을 측정하기 위해 I 지수를 산출하는 Moran’s I를 적용하였고 대중교통 통행분담률의 경우 0.3248, 승용차 통행분담률은 0.5540으로 나타나 두 경우 모두 정적공간자기상관성을 갖는 것을 확인하였다. 국지적 공간자기상관분석인 LISA 분석을 실시하였으며 LISA 지수를 토대로 클러스터맵(Cluster Map)을 구현하였다. 클러스터맵을 통해 대중교통 통행분담률에 대한 핫스팟지역과 콜드스팟지역, 승용차 통행분담률에 대한 핫스팟지역과 콜드스팟지역을 확인하였다. 이후 공간회귀모형을 적용하여 독립변수와 종속변수 간의 상관성을 확인하였고 결과를 토대로 대중교통분담률에 유의미한 양의 영향을 미치고 있는 독립변수를 도출하였다. 대중교통 통행분담률과 승용차 통행분담률이 반대의 결과가 도출되는 것을 확인하였다.
Kim et al.(2022)에서는 2019년도 자동차 검사 통계로 제시된 자동차 검사 부적합률이 인접한 지역 간에 유사한 경향을 나타내는 공간자기상관성을 갖고 있다고 추정하였다. 이에 따라 공간자기상관모형을 적용하여 자동차검사데이터의 공간적 자기상관성이 존재하는지 여부를 확인하고, 자동차 부적합률에 영향을 주는 변수들을 공간계량모형을 통해 분석하였다. 전역적 자기상관성을 측정하기 위해 Moran’s I 분석을 실시하였으며 0.3681의 결과를 통해 공간적 자기상관성이 있다고 판단했다. 더불어 국지적 자기상관성을 통해 부적합률 수준에 따라 높고 낮은 지역을 각각 군집화하였다(LISA Cluster Map). 이후 공간시차모델을 적용하여 자동차 검사 부적합률에 지역적 특성은 평균차령, 평균기온, 민간검사소 비율, 경유차량비율, 강수량이 유의미한 영향을 미치는 것을 확인하였다.
Xu et al.(2024)의 연구에서는 공간적 자기상관분석 기법을 활용하여 뉴욕시 교통안전 현황에 대해 분석하고, 교통사고의 공간적 패턴을 분석하였다. 교통사고 분석을 위해 300ft의 격자를 생성하고 교통사고 건수를 격자별로 집계하여 자료를 재구축하였다. 이후 경험적 베이즈(EB) 접근법을 통해 뉴욕시 내 사고 빈도를 분석하고, Moran’s I 분석을 통해 전역적 공간 자기상관성을 확인하였다. 그 후 LISA Cluster 기법을 적용하여 지역별 사고 빈도에 따른 공간적 분포를 분석하였으며 높은 사고 빈도를 보이는 지역과 낮은 사고 빈도를 보이는 지역을 각각 군집화하여 시각화하였다. 분석 결과 다리와 터널 연결 도로, 보행자 활동이 많은 주요 거리들이 높은 사고 위험 지역으로 식별되었으며, 이러한 지역들은 특히 집중적인 안전 대책이 필요함을 시사하였다. 이러한 연구 결과를 바탕으로 교통사고 고위험 지역을 사전에 식별하고 맞춤형 안전 개입을 통해 사고를 예방하는 방안을 제안했다. 교차로 안전성 개선과 교통사고를 유발하는 버스정류장의 이전 또한 중요한 정책 권고 사항으로 제안되었다.
3. 선행연구 검토 결과
선행연구를 종합적으로 검토한 결과, 개인형 이동수단(PM)과 관련된 연구는 주로 이용 행태 분석이나 교통사고 요인 분석에 초점을 맞추고 있음이 확인된다. 앞서 검토한 연구들은 PM의 이용 행태나 사고 요인에 대한 이해를 심화시키는데 기여하였고, 다양한 공간분석 방법론을 적용하여 보다 객관적이고 정량적인 결과를 도출하였다. 그러나 PM 주차구역의 지정이 주변 지역에 미치는 영향에 대한 연구는 상대적으로 적은 편이다. PM 주차구역 지정 정책의 시행되지 않았던 시기였기에 PM 주차구역이 견인 수와 같은 교통 관리 측면에서 어떠한 영향을 미치는지에 대한 분석은 충분히 이루어지지 않았을 수 밖에 없다. PM 주차구역의 지정이 PM의 편리하고 안전한 이용 문화에 긍정적인 기여를 할 수 있다고 판단되며 이에 대한 검증과 심층적인 연구가 아직 부족하다고 사료된다.
이러한 선행연구들의 공백을 바탕으로 본 연구는 PM 주차구역의 개설이 인접 지역의 견인 수에 미치는 영향을 심층적으로 분석하고자 한다. 주차구역 반경 내에서 발생하는 PM 견인 수의 변화를 분석하여 주차구역의 설정이 해당 지역의 PM 견인 수 증감에 영향을 미치는지 평가한다. Kim et al.(2021)에서 공유 PM의 대여량과 반납량에 영향을 미치는 요인을 분석하기 위해 서울시를 200m 격자로 구분하고 공간자기상관성분석 모형들을 적용하여 의미있는 결과를 도출한 바 있다. 본 연구에서의 목적에 맞는 결과를 도출하기 위해 앞선 연구와 같이 공간자기상관분석 모형을 적용하여 분석 및 결론을 도출하였다. PM 주차구역이 반납지역 혹은 대여지역과 동일한 곳으로 바라볼 수 있고, 공간자기상관분석을 적용하여 PM 주차구역이 새롭게 설치되는 것에 대한 견인 문제 완화 효과를 분석하는데 적합한 방법이라 판단하였다. 본 분석을 수행함으로써 PM 주차구역 설정이 인접 지역의 견인 수에 미치는 영향을 공간적 의존성을 고려하여 평가할 수 있다.
분석 범위 설정 및 기초 분석
1. 분석 범위 설정
본 연구에서는 2023년 8월 기준으로 서울시 전역의 개인형 이동수단(PM) 주차구역 구축 현황과 2022년 1월부터 2023년 12월까지의 개인형 이동수단(PM) 견인 현황 자료1)를 분석에 사용하였다. PM 주차구역 현황 자료는 서울시청에서 관할하는 각 주차구역 약 190곳의 위치 정보(소재 자치구 명, 도로명 주소, 상세 위치)와 거치대 유무 및 크기, 설치일 정보를 포함하고 있으며 서울시에서 개설한 모든 주차구역에 대한 자료이다. PM 견인 현황 자료에는 신고일, 위치, 상세 위치(경위도), 유형, 조치일 등의 정보를 포함하고 있다. PM 견인은 서울시가 2022년 7월에 수립한 “전동킥보드 견인 제도 종합개선 대책”에 명시된 보·차 분리된 차도 및 자전거도로, 지하철역 출구 전면 5m, 버스 정류소 전후 5m, 점자블럭 및 교통섬 위, 횡단보도 전후 3m 의 지역에 주차된경우에 이루어지며 해당 위치를 즉시 견인구역이라 한다. 전동킥보드 업체의 자발적인 질서 유지 대책 마련을 전제로 즉시 견인구역 내 60분간 견인 유예 시간을 제공하였다. 2024년 12월부터는 유예시간 없이 즉시 견인이 시행될 예정이다.
본 연구의 시간적 및 공간적 범위는 Table 1과 같다. 먼저 PM 주차구역 지정의 실질적 효과를 분석하기 위해서 주차구역 지정 전과 후로 시점을 나누어 분석을 수행해야 한다. 191곳의 주차구역이 모두 동일한 시기에 개설된 것은 아니기 때문에 주차구역 지정의 효과가 발생하기 전이라고 판단되는 기간과 효과가 충분히 발생했다고 판단되는 기간을 나누는 적절한 시점을 선택하는 것이 중요하다. 본 연구에서는 Figure 2에서 보여지는 바와 같이 약 84%의 주차구역이 신설된 시점인 2022년 9월부터 2022년 12월까지를 PM 주차구역을 구축과정에 있는 기간으로 판단하여 해당 시기 기준으로 PM 주차구역 지정 전과 후로 나누어 견인 현황 데이터를 분석하였다. 2022년 1월부터 8월 31일을 지정 전으로, 2023년 1월부터 8월 31일까지를 지정 후로 동일 기간을 설정하여 견인 현황의 증감을 집계하였다. 분석 신뢰성을 확보하기 위해 주차구역 지정 전과 후의 데이터 표본을 8개월씩 구축하도록 하였다. 또한 계절 및 날씨 등의 다른 특성에 따른 차이를 최대한 배제하고자 일년 전후 동일한 기간의 데이터를 분석에 활용하였다.
Table 1.
Research scope
시간적 범위와 더불어 주차구역의 효과가 발생하는 공간적 범위 또한 적절히 설정하고자 공유 자전거 선행연구를 참고하여 범위를 설정하였다. 공유 PM 주차구역의 영향권에 대한 선행연구가 부족한 상황이기에 공유자전거 대여소 영향권 설정과 관련한 연구를 참고하였다. Park(2017)에 따르면 이용자 대상 설문조사에서 이용자가 공공자전거를 이용하기 위해 걷는 최대 거리(접근거리)를 100m까지로 응답한 비율이 86%로 가장 높았고, 공공자전거를 이용하기 위해 어느정도 거리까지 걷을 수 있는지 의향을 조사한 질문에는 최대 가능거리(허용거리)가 50-150m로의 응답이 86%로 가장 높은 결과를 보였다. 또한 영향권(공공자전거 이용자들이 해당 스테이션을 이용하게 되는 거리) 분석 결과 반경 250m까지는 수요발생점은 92.68%, 반경 300m까지는 수요발생점이 99.19%로 나타났다. Sa and Lee(2018)에서는 가로의 물리적 환경과 보행량 관계를 분석한 선행연구를 참고하여 공유자전거 대여소로부터 반경 100m 범위를 영향권으로 적용하였다. 선행연구 내용을 활용하여 본 연구에서는 공유 PM 주차구역의 1차 영향권을 100m로 설정하였고, 수요발생점의 전수에 가까운 99.19%가 발생하는 반경 300m를 2차 영향권으로 설정하여 기초 집계를 수행하였다.
공간분석 소프트웨어인 Q-GIS를 분석 기능 중 버퍼(Buffer) 기능을 활용하였고, 주차구역으로부터 반지름 100m와 300m 버퍼를 생성하여 1차 영향권과 2차 영향권을 지정하였다. 생성된 버퍼 반지름보다 각 노드(주차구역) 간의 거리가 가깝게 되면 교차하는 부분이 발생한다. 교차하는 부분의 데이터를 집계하게 되면 교차하는 양쪽 버퍼 모두에 집계되어 한가지의 건수가 중복되어 집계된다. 이에 교차된 영역을 적절히 조정하기 위해 Koack et al.(2022)을 참고하여 보로노이 다이어그램 형태로 재구축하였다.
2. 공유 PM 기초 공간분석
기초 공간분석 결과가 Table 2와 같이 도출되었다. 본 분석에서는 주차구역으로부터의 영향권을 반경 100m와 300m로 구분하여 주차구역 영향권별로 영향구역 내와 구역 외(주차구역 반경 100m, 300m를 제외한 서울시 전역) 지역의 견인 수를 도출하였고, 주차구역 지정 전후의 견인 수 변화율을 검토하였다. 검토 결과, 주차구역 영향권 내에서의 견인 수가 영향권 외 대비 약 6-8%p 더 적은 것으로 확인되었는데 이는 주차구역을 마련하여 지정하는 것이 견인 수를 감소시키는 데 효과가 있음을 나타낸다. 또한 영향권이 반경 100m일 때보다 300m로 설정하여 분석했을 때 견인 수가 더 큰 감소율을 보였다. PM 주차공간을 마련하게 되면 주변 공간에서 견인조치가 되도록 방치될 수 있는 공유 PM을 주차구역으로 반납하도록 유도할 수 있는 효과가 있는 것으로 추측 가능하다. 기초 공간분석으로도 주차구역 지정의 효과를 어느 정도는 검증할 수도 있겠으나, Kim et al.(2021)에 따르면 PM의 대여량과 반납량은 공간적 자기상관성을 갖고 있기 때문에 이러한 특성을 반영할 수 있는 방법론을 적용하여 분석이 필요한 것으로 보인다. 더불어 서울시에서 전체적으로 견인 수가 감소하는 경향이 관찰되었는데 이러한 감소가 주차구역 신설에 의한 것인지에 대한 추가 확인이 필요하다. 다만, 서울시의 PM 견인단속 강화 정책이 22년 7월부터 시행되고 점차 강화되는 바 있어, 이러한 정책 추진이 견인 감소에 어느 정도 영향을 미쳤을 수는 있다.
Table 2.
Statistical measurements and spatial analysis results within/outside 100m/300m of parking zones
주차구역 신설에 의해 견인 수가 감소했다면, 해당 지역은 다른 지역에 비해 상대적으로 더 큰 견인 수 감소 효과를 보여야 할 것이라 판단된다. 이러한 영향을 분석하기 위해 다음으로는 LISA 클러스터(Local Indicator of Spatial Association Cluster)를 적용하여 주차구역 개설이 견인 수에 미치는 영향을 공간적 분포 차원에서 국지적으로 평가하였다. 해당 분석을 통해 특정 지역이 주차구역 개설로 인해 더욱 견인 수가 감소하는지, 또한 이러한 현상이 다른 지역과 비교하여 유의미한지 확인하고자 한다.
공간적 자기상관분석 방법론
주차구역을 개설하는 것이 공유 PM 견인에 공간적 분포 차원에서 미치는 영향을 국지적으로 평가하고자 LISA 클러스터(Local Indicator of Spatial Association Cluster)를 적용하고자 한다. LISA 클러스터를 구축하기 위해서는 국지적 자기상관 계수인 LISA 통계량을 추출해야 한다. 또한 국지적 자기상관성을 분석을 수행하기 위해서는 연구 대상지역이 자기상관성을 갖고 있는지도 판단해야 하며 이를 위해 전역적 자기상관성 분석도 수행하도록 한다. 전역적 및 국지적 자기상관성 분석에는 발생하는 사건들의 인접성에 따른 가중치를 부여해 자기상관지수를 산출하기 때문에 인접성이 측정 가능한 형태로 자료가 구축되어있어야 한다. 이에 PM 견인 건수 자료를 인접성 측정 가능한 형태로 재구축하였다. 해당 분석과정을 종합적으로 나타낸 연구 흐름도는 Figure 3과 같다.
1. 자료 재구축
인접성에 따라 가중치를 부여하기 위해 서울시 전역의 범위를 Figure 4와 같이 100m 크기의 헥사곤 형태로 구분한 후 헥사곤 위치별로 발생 견인 수를 집계하였다. 헥사곤별로 집계된 견인 건수는 관측치를 적용하였으며 집계 자료에 대한 기초 통계는 Table 3과 같다. 헥사곤의 크기는 서울시 공공자전거 이용에 영향을 미치는 물리적 환경 요인 분석 연구(Sa and Lee, 2018)과 공유 전동킥보드의 공간적 이용특성 분석: 공간자기상관모형을 중심으로(Kim et al., 2021), 서울시 공공자전거와 전동킥보드의 통행유형별 상호관계 분석(Koack et al., 2022) 등에서 각각 설정한 보행권과 격자 생성 사례를 검토한 후 100m로 선정하였다.
Table 3.
Basic statistical results of 100m hexagon aggregation
| Category | Before parking area designation | After parking area designation |
| Number of hexagon | 71,038 | 71,038 |
| Mean | 0.555 | 0.640 |
| Standard error | 3.06 | 3.63 |
| Min | 0 | 0 |
| Max | 217 | 222 |
2. 방법론
관측치가 공간적 특성에 영향을 받아 변량의 크기가 유사한 지역이 서로 밀집하는 현상을 공간적 자기상관성이라 하며 이를 연구 대상지에 대하여 분석하는 것이 공간적 자기상관성 분석이다. 선행연구 검토결과 PM의 반납량과 대여량은 공간적 자기상관성을 띄는 것을 확인할 수 있다. 이에 교통분야에서 효과분석시 사용되어져 오던 사전사후분석이나 비교그룹방법 등의 방법론 보다 공간적 자기상관성을 고려하여 PM 견인 문제가 다뤄져야 한다고 판단되어 공간적 자기상관분석 기법을 적용하였다. 연구 대상 지역에 대해 공간적 자기상관성을 측정하기 위해서는 우선 전역적 공간자기상관 분석을 수행하고 그 다음으로 연구 대상 지역 중 특정 지역의 공간적 자기상관성을 상세하게 측정하는 국지적 공간자기상관분석을 수행한다. 본 연구에서는 LISA 지수를 활용하여 LISA 클러스터링을 수행하기에 앞서 PM 견인의 자기상관성 여부를 파악하기 위해 전역적 자기상관분석을 수행하였다.
전역적 공간자기상관 분석에서 보편적으로 사용되는 두 가지 지수는 Moran이 1950년에 제안한 Moran의 I 지수와 Gaery가 1954년에 제안한 G 지수가 있다. Moran의 I 통계량은 유사한 값들의 군집을 지수에 적용하지만 통계량 값이 높은 군집과 낮은 군집을 구분하지 못하는 특성이 있는 반면, G 지수는 통계량이 높은 값과 낮은 값의 군집을 구분하여 반영한다는 차이점이 있다. 본 연구에서는 공유 PM 견인 다발지(Hot Spot)의 여부와 증감을 검증하는 것이고 통계량 값이 낮은 군집에 대한 분석은 반영하지 않기 때문에 Moran의 I 지수를 적용하였다.
Moran의 I 지수는 1부터 –1의 값을 가지는데, 1에 근접할수록 한 지역의 사건이 증가할 때 주변지역에서도 사건이 증가하는 양(+)의 자기상관성을 띄고 –1에 근접할수록 한 지역의 사건이 증가할 때 주변지역에서 사건이 감소하는 음(-)의 자기상관성을 띈다고 해석한다. Moran’s I 지수의 산정 식은 Equation 1과 같다. 여기서, 은 관측치 수를 의미하며 는 지역의 관측치를, 는 지역의 관측치를, 는 관측치들의 평균값을, 는 열의 합을 1로 하는 공간가중치행렬()의 원번째, 번째의 원소값이다.
국지적 자기상관성은 특정지역을 중심으로 유사한 값들을 보이는 공간적 군집패턴을 세부적으로 나타내는 통계량을 통해 판단할 수 있다. Anselin(1995)은 국지적 차원에서의 공간적 자기상관성을 측정하기 위해 LISA를 제안하였다. LISA의 경우 특정 지역의 값과 주변 지역들이 가지는 값의 가중평균이 서로 유사하면 정적인 자기상관, 차이가 크게 나타나면 부적인 자기상관으로 정의하며 산정식은 Equation 2와 같다. 여기서, 은 관측횟수, 와 는 각 지역의 관측치, 는 관측치들의 평균값, 는 위치와 위치 사이의 행렬을 의미한다.
LISA 분석을 통해 해당지역 주변에 유사한 값을 갖는 국지적 군집지역과 이례지역을 추출할 수 있다. 뿐만 아니라 국지적 차원에서 공간적 연관정도를 측정하는 경우 모란 산포도(Moran scatter plot)를 통해 공간적 연관성 유형을 네가지로 구분할 수 있다. 즉, 원점을 기준으로 하여 높은 값 주변에 높은 값이 존재하는 HH군집(High-High), 낮은 값 주변에 낮은 값이 존재하는 LL군집(Low-Low), 높은 값 주변에 낮은 값이 존재하는 HL군집(High-Low), 그리고 낮은 값 주변에 높은 값이 존재하는 LH군집(Low-High)이다. 따라서 국지적인 차원에서 공간적 군집은 주로 HH와 LL군집을 말하며, LH와 HL은 공간적 이례지역이라고 볼 수 있다.2)
분석결과
1. 전역적 자기상관성 분석 결과
GeoDa3)를 사용하여 전역적 자기상관분석을 통해 Moran's I 지수를 적용한 결과는 Table 4와 같다. 2022년과 2023년 각각 0.292와 0.322로 측정되었으며, 이는 두 해 모두 공간적 자기상관성이 존재한다는 것을 나타낸다. 이 값들은 양의 자기상관성을 의미하며, 이는 특정 지역에서 PM 견인 수가 증가할 때 그 주변 지역에서도 견인 수가 증가하는 경향이 있음을 시사한다. P-value는 0.000으로 유의미한 수준에서 검정되었음을 확인할 수 있다. Z-value 역시 2022년 126.844, 2023년 139.86로 매우 높은 값을 보여, 두 해 모두에서 공간적 자기상관성이 강하게 나타났음을 알 수 있다. 이러한 결과는 특정 지역에서 발생하는 견인 수가 해당 지역에 국한되지 않고 인접 지역에도 영향을 미친다는 점을 시사한다.
Table 4.
Result of spatial autocorrelation (Moran’s I)
| Category | Before parking area designation | After parking area designation |
| Moran’s I | 0.292 | 0.322 |
| P-value | 0.000 | 0.000 |
| Z-value | 126.844 | 139.86 |
이와 유사한 연구 결과로, Lee et al.(2012)의 대중교통 이용에 영향을 미치는 공간적 특성요인 분석 연구에서는 대중교통 통행분담률에 대한 Moran's I 지수가 0.324로 측정되어 공간적 자기상관성이 존재한다고 판단하였다. 또한, Kim et al.(2022)의 자동차검사 부적합률의 지역적 영향요인 분석에서도 Moran's I 지수가 0.368로 나타나 공간적 자기상관성이 있는 것으로 평가된 바 있다. 이와 같은 기존 연구와 비교해보았을 때, 본 연구에서 나타난 Moran's I 지수(0.292, 0.322)도 유사한 수준의 공간적 자기상관성을 나타내고 있음을 알 수 있다. 이는 PM 견인 수가 특정 지역에 국한된 현상이 아니라, 그 주변 지역에도 영향을 미치는 공간적 연관성이 있음을 보여준다. 이러한 결과는 PM 견인 정책이 지역 간 상호작용을 고려한 형태로 설계될 필요가 있음을 시사하며, 보다 효과적인 관리 방안을 마련하기 위한 기초 자료로 활용될 수 있을 것이다.
2. 국지적 자기상관분석(LISA) 및 LISA 클러스터 결과
국지적 자기상관성(LISA) 분석을 수행한 결과, Table 5, Figures 5, 6과 같이 LISA 클러스터 분석 결과가 도출되었다. 이 분석을 통해 개인형 이동수단(PM) 견인 현황의 공간적 분포와 패턴을 확인할 수 있었다. 특히, 견인 수 다발지(핫스팟)로 분류되는 HH(High-High)와 HL(High-Low) 군집의 수가 각각 약 2.56%p, 5.40%p 감소한 것으로 나타났다. 이 결과는 주차구역 지정 전후를 비교했을 때, 해당 주차구역과 주변 지역의 견인 다발지가 감소하였다는 것으로 해석가능하다.
Table 5.
Changes by hexagon group after designation
HH 군집은 높은 견인 수를 보이는 지역이 주변 지역의 높은 견인 수와 공간적으로 연관된 경우로 해석가능하며, HL 군집은 높은 견인 수를 보이는 지역이 주변의 낮은 견인 수와 연결된 경우로 해석가능하다. 두 군집의 감소는 견인이 발생하는 특정 지역에서 그 문제가 주변 지역으로 퍼지는 양상이 줄어든 것으로 해석가능하다. 이는 주차구역 지정이 무분별한 주차 문제를 완화하고, PM의 질서 있는 주차를 유도하는 데 효과가 있었다고 추측된다.
서울시 전역의 LISA 클러스터 결과를 바탕으로, 주차구역 지정 후 특정 지역에서의 견인 수가 감소한 것이 주차구역 지정의 효과인지 검증하였다. 이를 위해서는 주차구역 300m 내 군집 수를 집계하는 추가 분석이 필요하다. 이는 주차구역 지정이 실제로 주변 지역의 PM 주차 문제를 해결하는 데 효과적이었는지 규명하기 위함이다.
3. 주차구역 반경 300m 내 군집수 집계 결과
주차구역 300m내 군집수의 증감을 측정해본 결과는 Table 6과 같다. HH의 수는 17.36%p(92개의 헥사곤) 감소했고 HL은 66.79%p(25개의 헥사곤)가 증가하면서 크게 증가한 것을 알 수 있다. “견인 다발지역(핫스팟)이 감소했다.” 라는 명제의 근거를 위해서는 HH가 LH 혹은 NS/LL로 변한 헥사곤의 수를 측정해야하기 때문에 위 결과만으로는 HH(견인 다발 지역)가 감소했는지를 판별하기 어려워 각 유형의 군집들이 어떤 유형의 군집으로 바뀌었는지도 확인하였다.
Table 6.
Changes by hexagon group in 300m of parking zones after designation
| Category |
Before parking area designation |
After parking area designation | Change in number | Change rate |
| HH | 530 | 438 | 92 | 17.36% |
| HL | 38 | 63 | +25 | +65.79% |
| LH | 194 | 186 | 8 | 4.12% |
| LL/NS | 2,360 | 2,435 | +75 | +3.18% |
주차구연 반경 300m 내/외 지역의 결과는 Tables 7, 8과 같다. 분석 결과 주차구역 지정 이후 HH(Higher-Higher) 군집의 약 38.9%p가 NS/LL(Lower-Lower 또는 Non-Significant)로 변화했고, 9.1%p는 LH(Lower-Higher)로 변화되었다. 이는 견인 수가 상대적으로 많았던 지역들이 적은 지역으로 변화되었음을 나타내며, 핫스팟(견인 다발지)이었던 지역이 크게 감소했다고 해석 가능하다. 특히 주목할 점은 HL(Higher-Lower) 군집의 94.7%p가 NS/LL로 변화한 것이다. 이 또한 견인 수가 상대적으로 많았던 지역들이 적은 지역으로 변화되었음을 나타내며, 핫스팟(견인 다발지)이었던 지역이 크게 감소했다고 해석 가능하다. 반면, NS/LL 군집이 HH로 변화한 비율은 매우 낮았다. 이러한 결과는 주차구역 주변 지역에서 PM 주차구역 반경 300m 내에서 견인 다발지의 수가 2022년에 비해 2023년에 감소했음을 명확히 보여준다.
Table 7.
Changes by hexagon group within 300m of parking zones after designation
| Category | Before parking area designation | ||||
| HH | LH | HL | NS/LL | ||
| 2023 | To HH | 272 | 41 | 0 | 125 |
| To LH | 48 | 60 | 0 | 78 | |
| To HL | 4 | 1 | 2 | 56 | |
| To NS/LL | 206 | 92 | 36 | 2101 | |
Table 8.
Rate of change by hexagon group within 300m of parking zones after designation
| Category | After parking area designation | ||||
| HH | LH | HL | NS/LL | ||
| 2023 | To HH | 51.3 | 21.1 | 0 | 5.3 |
| To LH | 9.1 | 30.9 | 0 | 3.3 | |
| To HL | 0.8 | 0.5 | 5.3 | 2.4 | |
| To NS/LL | 38.9 | 47.4 | 94.7 | 89 | |
결론적으로, HH 군집의 38.9%p가 NS/LL로 변화한 사실은 견인 수가 높은 지역이 주차구역 개설로 인해 견인 수가 줄어들었고 주차구역 지정 정책이 효과적으로 작용했음을 보여준다. 반면, NS/LL 군집에서 HH로 변화한 비율이 낮다는 점은 신규 핫스팟이 발생하지 않았음을 나타내며, 이는 긍정적인 신호로 볼 수 있다.
결론
본 연구는 공간분석 방법론을 적용하여 PM 주차구역 지정 효과를 분석하였다. 이를 위해 서울시가 2022년부터 시행한 PM 주차구역 지정 정책의 효과를 검증하고자 하였고 서울시 PM 주차구역 지정 이전과 이후의 PM 견인 수 증감을 공간적 자기상관분석을 적용하여 분석하였다. 서울시 PM 견인 현황 자료와 전동킥보드 주차구역 개설 현황 자료를 사용하였다. 시간적 범위는 PM 주차구역 지정 전 기간(2022년 1월-8월)과 지정 후 기간(2023년 1월-8월)로 하고, 공간적 범위는 서울시 전역의 PM 주차구역으로부터 반경 100m와 300m를 각각 1차, 2차 영향권으로 설정하였다. 공간적 자기상관성 기법 중 국지적 공간자기상관계수를 활용해 군집화하는 LISA 클러스터 기법을 적용하여 주차구역 지정의 효과를 분석하였다.
서울시 전역을 대상으로 국지적 자기상관성 기법을 적용하기에 앞서 PM의 견인 수가 공간적 자기상관성을 띠는지 분석하고자 전역적 공간자기 상관분석을 수행하였으며, 2022년과 2023년 모두 공간적 자기상관성이 존재함을 확인하였다. 이는 특정 지역에서 PM 견인이 발생할 때 인접 지역에서도 견인 수가 증가하는 경향이 있음을 보여준다. 다음으로 LISA 클러스터를 적용한 분석을 수행하였고 주차구역 지정 이후 PM 주차구역 반경 100m 내에서 HH 군집 2.56%p 감소, HL 군집 5.40%p 감소, LH 군집 8.77%p 증가한 결과를 보였다. PM 주차구역 반경 300m 내 집계에서도 HH 군집의 수는 17.36%p 감소하였다. 이를 통해 주차구역 주변에서의 견인 수가 크게 감소하였고, 주차구역 지정이 PM 견인 문제를 완화시킬 수 있음을 확인하였다. 특히, 주차구역 반경 300m 내에서 HH 군집이 LL/NS로 전환된 비율이 38.9%p에 달하여 PM 견인이 높은 구역이 낮은 구역으로 변화했다는 것을 확인하였고, PM 견인 문제 해결에 긍정적인 효과를 미칠 수 있을 것으로 판단된다, 또한 NS/LL 군집이 HH 군집으로 변화한 비율은 5.3%p로 신규 핫스팟(PM 견인 다발지)이 발생하지 않았음을 확인하였고, 이러한 결과는 주차구역 지정이 새로운 주차 문제의 발생을 억제하는 데도 효과적임을 보여준다. 본 분석에서 LH가 증가한 결과를 보인 이유를 견인 양상이 분석영향권 외 지역으로 전이된 것일 수도 있으나 이는 검증이 필요하므로, 본 분석에서 명확하게 해석하기는 어렵다고 판단된다. 따라서 본 연구에서는 Hotspot의 감소, 즉 견인 다발지가 감소하는 변화에 집중하여 분석하고자 하였으므로 HH와 HL 군집 변화량에 집중한 결과해석을 하였다.
본 연구는 다음과 같은 한계 또한 포함하고 있다. 첫째, 본 연구는 PM 견인 수 감소를 PM의 주차구역 지정의 효과 검증 근거로 삼았다. 지정된 주차구역에 주차된 PM의 비율을 효과 검증 근거로 삼지 않았기 때문에 주차구역 지정이 얼마나 많은 PM의 주차를 유도하는지는 추가 분석이 필요하다고 판단된다. 추후 분석의 시간적 범위를 늘리고 공유 PM 운영사에서 제공하는 자료 혹은 정부에서 수집한 자료 등으로 PM의 정확한 주차 위치 정보를 확보하여 이를 토대로 후속 연구를 진행할 부분이다. 둘째, 주차구역 지정에 따른 효과 외에도 다른 변인에 의해 견인 수가 감소한 경우는 고려되지 않았다. 2021년 5월부터 PM 이용자의 안전모 착용이 의무화되었으나 해당 규제의 영향은 당해 하반기부터 나타났고, 2022년부터는 그 영향이 고착화된 상황이기 때문에 서울시의 견인 수 감소 경향은 서울시의 PM 견인 강화조치가 영향을 미쳤다고 볼 수는 있다. 그러나 보다 명확한 영향요인을 확인하기 위해서는 추가자료 확보가 필요하다. 서울시에서 운영되는 공유PM 이용 데이터 혹은 PM 인식조사를 통해 주차구역 특성(주차구역의 크기, 거치대 유무, 주차구역 지정 위치의 적절성 등)이나 이용 요인(안전모 착용 의무화 규제 시행 영향, PM 이용 건수 등) 혹은 운영 요인(PM 운영 대수, 재배치 건수 등) 등 여러 요인을 함께 고려한 연구를 할 수 있을 것으로 생각된다. 특히 주차구역 현황의 세부 정보를 활용하여 공간 회귀모형을 적용하면 여러 변수에 따른 PM 견인 수 감소 효과를 더욱 정밀하게 분석할 수 있을 것으로 판단된다.
본 연구를 통해 서울시의 PM 주차구역 지정 정책이 실제로 PM 견인 문제를 해결하는 데 효과적이었음을 확인하였다. 특히 공간적자기상관분석을 통해 서울시에서 시행한 PM 주차구역 개설 정책의 실효성을 정량적으로 평가함으로써 분석 결과에 대한 객관성을 확보할 수 있었다. PM 주차구역 지정이 PM 견인 문제를 효과적으로 완화시키는 중요한 정책 도구가 될 수 있다는 점이 확인되었으므로, PM 주차구역 지정을 서울시 내에서 더욱 확대 적용하거나 다른 지역으로도 PM 주차구역 지정 정책을 확산할 수 있는 근거가 될 수 있을 것이다. 더 나아가 PM 주차구역 지정 정책을 적용한 후에 일정기간 동안의 운영 기간을 갖고 본 연구의 분석방법론을 적용한 효과 평가를 할 수 있으며, 이를 바탕으로 주차구역 위치를 조정하거나 기 지정된 공간 규모를 확대하는 등의 조치도 할 수 있을 것으로 판단된다. 종합하면 PM 주차구역 지정 정책을 도입하여 운영하는 지자체에서는 이러한 정책을 직접적으로 평가할 수 있는 매우 좋은 방법이라 할 수 있겠다. PM 견인은 공유PM 업계나 PM 이용자 입장에서는 좋지 못한 상황이므로, 일반 시민에게는 불편함을 주지 않으면서 PM 견인을 방지하는 방안은 결국 많은 PM 주차구역을 마련하는 것이다. 다만 공간이나 예산 등의 제약상황이 존재하기 때문에 효율적인 주차구역 지정이 필요하다. 앞으로 지금보다 많은 지자체에서 PM 견인 조치를 통한 규제를 하면서도 PM 주차구역을 마련하고자 하는 활성화 정책도 함께 추진될 계획에 있다. 따라서 PM 주차구역을 지정 및 운영하면서 본 방법론을 활용한 지속적인 평가를 한다면 보다 효과적인 PM 주차구역 운영 및 관리를 해나가는 것이 가능하고 더 나아가 PM이 도시 내에서 함께 공존해나갈 수 있을 것으로 기대된다.
