서론

2020년 COVID-19의 확산이 시작되며 사회 ‧ 경제적으로 급격한 변화가 일어났다. 2020년 1월 최초 국내 확진자 발생을 시작으로, 감염병은 빠르게 확산하였다. 사회적 거리두기 정책에 따라 사람들의 통행이 감소하였고, 일상생활에 변화가 발생했다. 특히, 시민들의 이동 감소에 따라 교통통행 패턴 또한 변화하였다. 대면접촉으로 COVID-19 확산 가능성이 큰 것으로 알려진 대중교통의 경우 눈에 띄게 통행량이 감소하였고, 개인형 교통수단인 자전거의 경우 전년 대비 사용량이 증가하였다(Lee et al., 2020).

한편, 2050 탄소 중립이라는 목표와 함께 교통 부문에서도 친환경 교통수단과 정책에 대한 관심이 증가하고 있다. 친환경 교통수단으로써 철도나 버스와 같은 대중교통에 대한 관심이 증가하고 있으며, 교통 수요관리 측면에서 대중교통을 활성화하는 방면으로의 연구가 다양하게 수행되고 있다(Ku et al., 2020; Bencekri et al., 2021). 최근에는 전기 자동차나 개인형 이동수단(PM), 전동 스쿠터(E-Scooter)와 같이 전기를 동력원으로 하는 교통수단의 도입을 통해 환경친화적인 교통 수요관리를 위한 연구가 수행되고 있다(Choi et al., 2021; Jang et al., 2021; Ku et al., 2021a). 정책적 측면에서는 세계적으로 저공해지역(Low Emission Zone)이 활성화되고 있으며, 국내에서도 녹색 교통 진흥지역을 지정하여 친환경 도시를 위해 노력하고 있다(Ku et al., 2021b). 서울시는 2014년부터 공유자전거 ‘따릉이’의 시범운영을 시작하였으며, 2015년부터 정식으로 도입하여 운영하고 있다. 또한, 시민의 건강과 이동 편리성을 증진하고, 저탄소 녹색성장을 실현하기 위한 수단으로써 공유자전거의 활성화를 위하여 노력하고 있으며, 환경 측면의 효과를 정량적으로 평가하는 연구 또한 수행되고 있다(Ku et al., 2021c). 그 결과, 공유자전거 이용자는 매년 지속해서 증가하는 추세를 보이고 있다.

이에 본 연구는 COVID-19의 확산에 따라 발생한 공유자전거 이용 변화를 파악하기 위하여, 사회적 거리두기에 따른 공유자전거 이용 변화를 분석하고 공간적 분포 특성을 파악하는 것을 목표로 한다. 분석의 시간적 범위는 COVID-19의 영향을 분석하기 위하여 2019년부터 2020년까지로 설정하였으며, 서울시 공유자전거를 대상으로 분석하였다. 또한, 공유자전거의 이용에 영향을 미치는 요소를 검토하고, 사회적 거리두기 정책과 공유자전거 이용의 관계를 분석한다. 한편, 공유자전거는 통근통행, 여가통행 등 다양한 목적으로 이용되며, 이는 주거인구, 사업체 수, 종사자 수와 같이 지역적으로 나타나는 특성과 관련된다. 이에, 더 나아가 공유자전거 이용 변화를 공간적으로 검토하고, 지역적 특성과 접목하여 그 변화를 분석한다. 또한, 공간적으로 상이하게 분포하는 공유자전거 이용 행태를 검토함으로써 공유자전거 이용과 지역적 특성의 관계를 탐구한다. 본 연구 결과를 통해, 사회적 상황 및 정책에 따라 나타나는 교통 패턴의 변화를 발견할 수 있다. 또한, 수단전환을 위한 정책을 검토할 때, 지역적 특성의 고려가 필요함을 밝히는 데에 목적이 있다.

선행연구 검토

본 연구는 COVID-19의 확산에 따라 발생한 공유자전거 이용 변화 분석을 중점으로 한다. 따라서, COVID-19로 인한 교통 패턴의 변화와 관련된 연구를 검토하였다. 또한, 공유자전거의 이용에 영향을 미치는 요인 및 특성에 관한 선행연구를 검토하였다.

첫 번째로, COVID-19로 인해 국내에서는로 대중교통 이용량 감소, 자전거 이용량 증가와 같은 주요한 교통 패턴 변화를 확인할 수 있었으며, 이에 관한 연구는 다음과 같다. Hong and Park (2021)은 해외 주요도시의 현황을 분석하여, COVID-19로 인한 공유자전거 이용의 증가를 확인하였다. Ku et al.(2021d)은 통계분석을 통해 COVID-19 확산 이후, 대중교통 이용이 크게 줄었으며, 공유자전거 이용은 증가한 경향을 발견하였다. 또한, 향후 연구를 통해 지하철 이용수요의 감소 현상을 지적하였으며, 호흡기 감염병 상황에서의 안전한 대중교통 이용전략을 제시하였다(Ku et al., 2021e). Jang(2021)은 COVID-19 발생에 따른 통행량과 교통수단별 통행량의 추이 변화를 분석하였다. 입지유형별로 통행을 분류하였을 때, 여가 및 쇼핑 통행이 큰 폭으로 감소하였고, COVID-19 확산이 많은 대유행 시기에는 이 경향이 심화되어 여가 및 쇼핑을 위한 통행의 감소가 두드러졌다. 단거리 통행량뿐만 아니라 장거리 통행량 또한 전반적으로 감소하였으며 통행 거리(인 ‧ km)는 발생 전의 80% 수준으로 감소하였다. Kim et al.(2021)은 도시철도와 시내버스 수송실적을 분석하였으며, 이용량이 크게 감소한 것으로 분석되었다. 수도권의 요일별 통행 분석결과, 주중보다 주말이 더 큰 영향을 받았고 학생과 노령층의 수요가 급감하였다. 수도권 대중교통 O/D 분석결과에서는 수도권 내부통행량보다 외부통행량이 많은 감소를 보였다. 외부통행에는 장거리 ‧ 장시간 이동이 많아 감염병 노출에 대한 심리적 요인 등이 대중교통 수요에 반영된 것으로 판단하였다. Lee et al.(2021)은 COVID-19 발생 이전과 이후의 대중교통 이용 빈도 변화를 분석하였다. COVID-19 발생 이전에 버스와 지하철을 혼합하여 이용하는 빈도가 높을수록 COVID-19 발생 이후 대중교통 이용 빈도가 더 많이 감소하는 것으로 분석되었다. 또한, 발생 이전과 이후를 비교하였을 때, 1회 평균 대중교통 이용시간이 소폭 감소하였다. Bhin et al.(2021)은 COVID-19로 인한 대중교통 이용 변화패턴을 파악하고 지역적 특성을 확인하였다. COVID-19 확진자 발생으로 인한 통행 변화는 환승이 이루어지는 대규모의 정류소에 집중적으로 나타났으며, 확진자 수가 증가하면, 중심지역보다 경제적으로 비활동적인 주변 지역에 있는 정류소의 통행량이 증가하였다. COVID-19 확산 초기기간은 강력한 사회적 거리두기 시행 등의 영향으로 일일 대중교통 통행량이 35.1% 감소한 것으로 나타났다. 특히, Kwak et al.(2021)은 COVID-19에 따른 사회적 거리두기 수준을 반영하여 공유자전거 이용 변화를 분석하고, 공간적 특성을 발견하였다. 사회적 거리두기 수준과 공유자전거 이용 사이에 양의 상관관계를 발견하였다. 또한, 사업체 수가 많은 지역에서 공유자전거 이용량의 변화가 적게 나타나는 결과를 확인하였다.

두 번째로, 자전거 이용에 영향을 주는 요인에 관한 연구를 검토하였다. 자전거 이용과 관련된 변수는 기상 상황이 대표적이었으며, 공간적인 특성으로 교통 인프라 및 인구학적 지표도 포함되는 것으로 나타났다. 검토된 관련 연구는 다음과 같다. Lee et al.(2016)은 기상조건과 스테이션 입지특성의 공공자전거 수요 및 이용 패턴에 대한 영향을 선형 회귀분석 방법으로 분석하였다. 기상조건에 따른 결과는 강수량이 10mm 이상, 풍속이 7m/s 이상일 때, 대여량이 감소하는 것으로 나타났다. 스테이션 입지특성에 따른 영향은 시간대별, 요일별로 상이하였고 퇴근시간대인 오후 6-7시에 가장 높은 대여량을 보인 것으로 분석되었다. Kim(2018)은 대전의 공공자전거 ‘타슈’의 데이터를 이용하여 외부요인이 공공자전거 이용에 미치는 영향을 분석하였으며, 기상요인과 주말, 공휴일 등의 영향을 발견하였다. 또한, 군집 분석을 통해 유사한 특징을 나타내는 대여소의 공간적 분포를 확인하고 이용 목적과 관련된 결과로 해석하였다. Noland and Ishaque(2006)는 월간 공공자전거 이용률 변화를 기준으로 동계 기간과 강수 시기에 자전거 이용률이 감소하는 경향을 발견하였다. 또한, 공공자전거 이용이 주로 대중교통 정거장부터 여가 장소 및 관광지까지를 연계하는 통행에서 활용될 수 있음을 보였다. Nosal and Miranda-Moreno(2014)는 기상 변수와 자전거 이용의 관계를 연구하였다. 자전거 이용에 있어서 온도나 습도와의 비선형적 관계를 발견했으며, 강수량은 음의 영향을 주는 동시에 강수 시간에 따른 지연효과가 관찰되었다. 또한, 도시의 자전거 이용은 평일보다 주말의 경우 날씨에 더 민감한 결과를 확인하였다. Rietveld and Daniel(2004)은 자전거 이용량의 차이가 도시의 크기, 인구의 특징 등 물리적 측면과 관련이 있음을 주장하였으며, 이는 자전거의 편리성을 높이기 위한 정책적 노력의 결과와 관련이 있음을 발견하였다. Harms et al.(2014)은 자전거 이용 패턴과 경향을 분석하고 공간적 ‧ 사회적 차이를 바탕으로 해석하였다. 도시를 구성하는 인구 구성비와의 관련성을 주장하였으며, 자전거 이용 활성화를 위한 정책적 개입과정에서 공간적 ‧ 사회적 차이에 대한 인식의 중요성을 강조하였다.

선행연구 검토 결과, COVID-19로 인한 대중교통 이용의 감소와, 자전거와 같은 개인형 교통수단의 이용 증가를 확인하였다. 특히, 사회적 거리두기 정책과 공유자전거 이용은 양의 상관관계를 나타났다. 또한, 공유자전거 이용과 기상조건 사이에 선형적 또는 비선형적 관계가 존재하였다. 추가적으로, 자전거 이용 패턴은 사회적 ‧ 공간적 차이가 존재하며, 이는 도시를 구성하는 인구의 구성과 관련이 있음을 확인하였다. 이에, 본 연구는 사회적 거리두기의 단계별 효과를 세부적으로 분석하고, 공간적으로 나타나는 특성을 보다 자세히 검토하여 결과를 제시한다는 점에서 차별성이 있다.

연구 방법론

1. 연구의 흐름

본 연구의 흐름은 Figure 1과 같이 진행되었다. 수집된 데이터를 바탕으로 두 가지 분석 방법을 적용하였다. 회귀분석을 통해 공유자전거 이용에 미친 COVID-19의 영향을 분석하였다. 단순 회귀분석을 이용하여 단일 변수에 대한 영향을 분석하였으며, Stepwise 방법을 적용하여 다중 변수의 영향을 분석하고, COVID-19 관련 변수의 유의성을 확인하였다. 다음으로, 공간분석 기법을 통해 앞서 분석된 변화를 공간적으로 관찰하였다. 모란 지수(Moran’s Index)를 통해 공유자전거 이용 변화의 공간적 군집 형성 여부를 분석하였으며, Hot Spot 분석을 통해 밀집 지역을 확인하였다. 이러한 분석을 통해 COVID-19의 확산에 따른 공유자전거 이용 변화를 분석하고 공간적으로 나타나는 특징을 분석하였다.

Figure 1

Framework of study

2. 사용 데이터 및 분석 방법

연구의 공간적 범위는 서울시를 대상으로 하며, 시간적 범위는 2019년 1월 1일-2020년 12월 31일로 설정하고, 관련 데이터를 수집하였다. 분석에 사용할 주요 변수로 공유자전거 대여 이력을 조사하였으며, 공유자전거 이용에 영향을 주는 변수로 기상 관련 변수와 사회적 거리두기 수준을 조사하였다. 또한, 공간적인 분석을 위하여 공유자전거 대여소 위치자료를 수집하고, 대여소별 대여횟수를 기준으로 그 공간적 분포를 분석하였다.

회귀분석이란 여러 변수 간의 관계성을 설명할 수 있는 통계적 기법으로 알려져 있다. 주어진 자료를 바탕으로 종속변수를 표현하기 위한 모형을 구축한다. 이때, 독립변수가 1개인 경우를 단순 회귀분석, 2개 이상인 경우를 다중 회귀분석이라고 한다. 회귀분석을 위하여 수집된 데이터는 Table 1과 같다. 일일을 기준으로 데이터 세트를 구성하였으며, 서울시 전체를 대상으로 하였다. COVID-19와 관련된 변수로는 사회적 거리두기 수준을 사용하여, 사회적 거리두기 정책의 강도에 따라 나타나는 공유자전거 대여횟수의 변화를 분석하고자 하였다. 사회적 거리두기 수준은 각 단계에 순위는 있으나 정량적인 크기를 나타내는 것은 아니기 때문에 더미 변수로 분석에 활용하였다. 공유자전거 이용에 영향을 주는 요인 중 날씨와 관련된 변수로는 선형관계를 갖는 변수로 검토된 강수량, 풍속, 일조시간을 조사하였다. 강수량의 경우, 특정 수준 이상에서는 공유자전거 이용에 미치는 영향이 동일하다. 예를 들어 강수량이 10mm/h인 경우와 20mm/h인 경우, 2배의 효과를 미치는 것이 아니라 동일하게 자전거를 이용하지 않는 효과가 나타난다. 따라서, 강수량이 특정 수준 이상인 경우, 동일한 값을 갖도록 전처리하여 선형적 특성을 명확하게 반영할 수 있도록 하였으며, 0-1의 값으로 정규화하였다. 또한, 공유자전거는 이용 목적에 따라, 주말과 주중에 상이한 특성을 나타내기 때문에 주말과 주중에 대한 변수는 더미 변수로 구분하여 적용하였다. 공유자전거의 공급과 관련된 변수로 대여소의 수를 반영할 수 있으나, 시계열적인 변화가 뚜렷하지 않아 본 분석에 적용하기에 부적합하여 고려되지 않았다.

본 연구에서는 공간적 특성을 분석하기 위하여 2가지 공간분석 기법을 사용하였다. 공간적 자기 상관성을 검증하기 위하여 모란 지수를 이용하였으며, Hot Spot 분석을 통해 지역적 특성을 탐구하였다. 모란 지수는 어떠한 변수에 대해서 공간적 자기 상관성을 평가하기 위한 지표로 사용된다. 모란 지수를 통해 연구 대상지 내에서 유사한 값들의 군집 경향을 검증하며, Equation 1과 같이 나타낼 수 있다.

여기서, n은 위치 i와 j로 나타나는 공간의 수, xi와 xj는 위치 i와 j에서의 관측값을 의미하여, x¯는 x의 평균, wij는 위치 i와 j의 공간적 인접성을 기반으로 표현되는 가중치 행렬이다. I값은 -1과 1 사이로 산출되며, 1에 가까울수록 공간적으로 강한 군집을 형성하고 있음을 의미한다. 반대로, -1에 가까울수록 공간적으로 분산되어 있음을 의미한다. 또한, I값이 0인 경우, 값이 무작위로 분포함을 의미한다.

Getis and Ord(2010)는 모란 지수만으로는 공간적 패턴의 특성을 식별하는 데에 한계가 있음을 지적하고, 전역적으로 발견하지 못하는 지역적 특성을 발견하기 위하여 Gi*통계량을 제안하였다. 모란 지수를 통해 관측값에 대한 공간적 군집 형성 여부를 판단할 수 있다면, Hot Spot 분석은 일정한 범위 내 인접 지역들의 군집 경향을 확인할 수 있다. 즉, 특정 변수에 대하여 높은 값의 군집을 형성하는 지역과 낮게 형성되는 지역을 분석할 수 있다. 통계량 Gi*를 통해 지표가 산출되며, Equation 2와 같이 나타낼 수 있다.

여기서, X¯는 x의 평균으로 Equation 3으로 나타낼 수 있으며, S는 Equation 4로 나타낼 수 있다. Gi*값이 양수이고 큰 값을 가질수록 Hot Spot으로 분류되며, 값이 높은 변수의 군집을 의미한다. 반대로, 음수이면서 작은 값을 가질수록 Cold Spot으로 분류되며, 값이 낮은 변수의 군집을 의미한다(Zhang and Tripathi, 2018).

공유자전거 이용 변화 분석

1. COVID-19에 따른 사회적 거리두기 영향 분석

공유자전거 대여 이력을 토대로 2019년과 2020년의 자전거 이용시간의 분포를 비교한 결과는 Figure 2와 같다. 120분 이내의 통행을 기준으로 분석하였으며, 공유자전거의 총 대여횟수가 2020년이 더 크기 때문에, 단순 빈도가 아닌 비율을 기준으로 비교하였다. 2019년 대비 2020년의 이용시간은 18분을 기준으로 그 이하의 통행 비율은 모두 감소하였으며, 이상의 통행은 모두 증가한 결과를 확인할 수 있다. 이용시간을 비교했을 때, 공유자전거 이용자들은 2020년에 더 긴 시간 동안 이용했음을 알 수 있고, 이는 단거리 통행이 감소하고 중장거리 통행에 더 많이 이용된 결과로 해석할 수 있다. 기존 공유자전거는 First-Last mile을 위한 수단으로써 이용된 반면, COVID-19의 확산으로 인해 대중교통 이용의 감소와 더불어 접근수단으로써의 공유자전거 이용이 감소한 것으로 해석할 수 있다.

Figure 2

Comparison of travel time (left: distribution ratio, right: difference between 2020 and 2019)

다음으로, 공공자전거 대여횟수를 종속변수, 사회적 거리두기 수준을 독립변수로 설정하여 회귀분석을 수행하였다. 사회적 거리두기 수준은 방역정책의 변화에 따라 명칭이나 단계의 표현이 상이했기 때문에, 통제 정도에 따라 3단계로 구분하여 더미 변수로 활용하였다. 사회적 거리두기 수준만을 고려한 회귀분석의 결과는 Table 2와 같다. 모든 변수는 유의수준 0.05에서 통계적으로 유의한 것으로 나타났으며, 사회적 거리두기 수준은 모두 양의 효과가 있는 것으로 분석되었다. 사회적 거리두기 수준이 1단계인 경우, 32,041회의 대여가 추가로 발생하고, 2단계인 경우 30,887회, 3단계인 경우 9,638회 증가하는 것으로 분석되었다.

분석결과, 공유자전거 이용에 대한 사회적 거리두기의 영향은 통계적으로 유의미한 결과를 나타낸다. 또한, 사회적 거리두기 정책의 시행은 공유자전거 이용을 증가시켰으나, 강도가 증가함에 따라 사람들의 통행이 억제되어 이용 증가 효과는 감소하는 것으로 분석되었다. 모형의 P-value는 0.000으로 유의수준 0.05에서 유의한 모형으로 나타났으나, 모형의 설명력을 나타내는 수정된 R2값은 0.2205로 나타나, 본 모형은 종속변수에 대하여 22.05%의 설명력을 가지는 것으로 나타났다. 다음으로, 모형의 설명력을 높이고, 사회적 거리두기 정책의 효과를 추가로 검증하기 위하여 추가적인 외부요인을 포함한 다중 회귀분석을 수행하였다.

2. 외부요인을 고려한 다중 회귀분석

앞서 검토한 선행연구에서 알 수 있듯이, 자전거라는 수단은 기상과 인프라 등 다양한 요인의 영향을 받는다. 따라서, 본 연구에서는 기상과 평일/주말에 따른 영향을 추가적으로 고려하여 다중 회귀분석을 추가로 수행하였다. 다중 회귀분석은 설명력이 높은 변수만을 선별하는 Stepwise 기법을 적용하여 분석하였다. Stepwise 기법은 독립변수를 추가하거나 제외하는 과정을 반복하며, 모형의 설명력을 가장 높일 수 있는 변수로 최종모형을 구성한다. 분석의 결과는 Table 3에 나타난다. 본 분석에서 고려한 모든 변수를 활용하였을 때, 모형의 설명력이 가장 높은 결과를 보였다. 또한, 모든 독립변수는 유의수준 0.05에서 통계적으로 유의한 결과를 나타낸다. 사회적 거리두기 수준의 회귀계수는 모두 앞선 분석과 동일한 경향성을 보이나, 회귀계수의 값은 각각 38,385회, 33,950회, 11,724회로 더 증가한 결과를 보인다. 강수량 수준이나 평균풍속이 높은 기상 악화 상황일수록 공유자전거 이용은 감소하는 것으로 나타났으며, 일조시간이 긴 기상이 양호한 상황일 때에는 공유자전거 이용이 증가하는 것으로 나타나 일반적인 통념과 일치하는 결과가 나타난다. 주말의 경우, 회귀계수는 -4,567.2로 나타나, 평일보다 주말 이용자가 더 적게 나타나는 것으로 분석되었다. 공유자전거는 주로 First-Last mile을 위한 접근수단으로써 많이 이용되는 특성에 따라, 평일의 대여횟수가 더 많게 분석된 것으로 해석할 수 있다.

단순 회귀분석을 통해, 공유자전거 이용에 대한 사회적 거리두기의 영향을 확인하였으며, 다중 회귀분석을 통해, 추가적인 영향요인을 고려했을 때의 효과를 분석하였다. 두 분석의 경우 모두 일관된 결과가 나타났으며, 사회적 거리두기 정책의 시행이 공유자전거 이용에 양의 효과를 나타낸 것을 통계적으로 확인할 수 있었다. 사회적 거리두기 정책의 강도에 따른 세부적인 분석결과는 그 강도가 증가함에 따라, 공유자전거 이용에 미치는 영향의 크기가 감소하는 경향을 나타냈다. 특히, 사회적 거리두기 수준이 1단계에서 2단계로 변화할 때에는 변화가 크지 않았으나, 3단계로 변화할 때에는 1/3수준으로 감소하는 것으로 나타났다. 가장 높은 수준의 사회적 거리두기 정책의 경우 대부분의 통행을 제한하기 때문에 절대적인 통행량이 감소한 결과가 반영된 것으로 판단된다. 모형의 P-value는 0.000으로 유의수준 0.05에서 유의한 모형으로 나타났다. 또한, 수정된 R2값은 0.3985로 종속변수에 대하여 39.85%의 설명력을 보여, 단순 회귀분석 모형보다 본 모형의 설명력이 더 향상된 결과를 확인할 수 있다.

3. 공간적 특성 분석

앞선 분석을 통해 COVID-19의 발생 이후, 사회적 거리두기 정책에 따라 공유자전거 이용이 증가한 결과를 확인하였다. 이어서, 2020년에 증가한 공유자전거 이용량이 공간적으로 군집화하는 특성을 갖는지 분석하고자 한다. 먼저, 모란 지수를 이용하여, 2019년 대비 2020년의 공유자전거 이용량 변화율의 공간적 자기 상관성을 분석하였다. 앞서 서울시 전체를 대상으로 분석한 것과 달리, 대여소별 공유자전거 대여횟수를 수집하였으며, 대여소의 위치정보를 바탕으로 매핑하였다. 또한, 대여소의 위치정보를 기반으로 행정동 단위에서 집계하여 최종적으로 행정동별 공유자전거 대여횟수를 분석에 활용하였다. 공유자전거의 특성을 고려했을 때, 주거지역과 업무지역 근처에서 발생하는 통행량이 많기 때문에, 추가적인 지역적 특성으로 사업체 수와 인구수를 이용하였다.

모란 지수의 산출 결과는 Table 4와 같다. 분석에 활용한 지표 중, 주중 공유자전거 이용량 변화율을 제외한 지표 모두 모란 지수가 양수로 나타나, 공간적인 군집을 형성하고 있음을 알 수 있고, p-value가 0에 수렴하여 공간적 군집 형성의 통계적 유의성 또한 확보하였다. 즉, 공간적인 상관성이 있으며 군집화된 패턴이 존재함을 알 수 있다. 하지만, 주중 자전거 이용량 변화율의 경우, p-value가 0.1270으로 나타나 유의수준 0.05에서 군집 형성의 통계적 유의성을 확보하지 못하였다. 즉, 공유자전거 이용량 변화율은 주말의 경우에만 공간적 군집패턴을 나타내고 있다. 모란 지수의 크기를 비교하면, 인구수의 경우가 가장 크게 나타나, 군집화의 정도 또한 가장 크게 나타날 것으로 예상할 수 있다.

모란 지수를 통해 공간적 군집 형성의 가능성을 통계적으로 확인하였다. 이후 군집 형성의 통계적 유의성을 확보한 4개 지표에 대하여 Hot Spot 분석을 통해 각 변수의 공간적 군집 분포를 분석하였다. 2019년 대비 2020년의 공유자전거 대여횟수 변화율을 기준으로 전일과 주말을 구분하여 분석하였으며, 그 결과는 Figure 3과 같다. 전일을 기준으로, 대여횟수의 변화율이 높은 군집은 서울 서부지역에서 넓게 관찰되었으며, 일부 지역에서 작은 군집이 나타났다. 2019년 대비 변화율이 작은 군집은 주로 서초구와 강남구, 종로구, 중구, 성동구, 광진구 일대에서 넓은 군집을 형성하고 있는 것으로 나타났으며, 관악구 일부 지역에서도 나타났다. 주말 또한 유사한 결과가 나타났다. 서울 서부지역에서 넓은 Hot Spot이 나타났으며, 강동구와 중랑구, 동대문구, 노원구, 성북구 일부 지역에서도 군집을 형성하는 것으로 나타났다. Cold Spot의 경우, 서초구와 강남구, 광진구, 성동구에 걸쳐 넓게 형성되었다. 주말의 경우, 전일보다 군집의 수는 적고, 군집의 구분은 더 뚜렷하게 나타나는 결과를 확인할 수 있다.

Figure 3

Result of hot spot analysis of shared bicycle (left: every day, right: weekend)

다음으로, 공유자전거의 이용과 관련된 사회지표 중 인구수와 사업체 수를 기준으로 Hot Spot 분석을 수행하였으며, 그 결과는 Figure 4와 같다. 인구수를 기준으로 분석된 Hot Spot은 서울시 서부지역과 노원구 일부 지역, 은평구에서 나타났다. 이 지역은 앞서 공유자전거 변화량의 Hot Spot인 서울시 서부지역, 노원구 일부 지역과 일치하는 것을 알 수 있다. 또한, 서대문구, 종로구, 중구 일대는 Cold Spot으로 군집을 형성하고 있는 것으로 분석되어, 해당 지역도 마찬가지로 공유자전거 변화량의 Cold Spot과 일치하는 경향을 확인할 수 있다. 다음으로, 사업체 수를 기준으로 분석된 주요 Hot Spot은 중구와 종로구 일대, 강남구, 금천 ‧ 구로의 일부 지역에서 군집을 형성하고 있으며, 중구와 종로구, 서초구, 강남구 일대는 공유자전거 변화량의 Cold Spot과 일치하는 것으로 나타났다.

Figure 4

Result of hot spot analysis (left: population, right: offices)

공유자전거 이용 변화율과 각 변수별 군집의 개수를 분석함으로써, 각 변수 간의 관계를 보다 직관적으로 해석할 수 있다. Table 5는 두 변수에 해당하는 군집에 동시에 속한 행정동의 개수를 나타낸다. 공유자전거 이용 변화율과 인구수를 비교한 경우, 425개 행정동 중 70개의 행정동이 두 군집에 동시에 속하는 것을 확인할 수 있으며, 양의 관계를 나타내고 있다. 예외적으로 음의 영향을 나타내는 행정동은 전일 기준 3개, 주말 기준 4개가 나타났다. 공유자전거 이용 변화율이 Cold Spot이며 인구수가 Hot Spot인 경우는 전일 기준, 2개 행정동이 속했으며, 주말은 3개 행정동이 속했다. 반대의 경우는 두 경우 모두 1개 행정동이 속했다. 다음으로 사업체 수의 경우, 공유자전거 이용 변화율이 Cold Spot인 동시에 사업체 수가 Hot Spot인 경우는 36개 행정동이 속했으며, 사업체 수가 많은 지역에서 공유자전거 이용 변화율이 작게 나타나는 음의 관계를 확인할 수 있다. 그 반대의 경우는 2개 행정동이 포함되었다. 사업체 수의 경우 Hot Spot의 군집을 주로 형성하고, Cold Spot의 군집은 적게 나타난 결과가 반영된 것으로 해석할 수 있다(Figure 4 참조). 전일의 경우 예외적인 관계는 나타나지 않았으며, 주말의 경우 1개 행정동에서 두 변수가 모두 Hot Spot에 속하는 것으로 나타났다. 인구수와 사업체 수 모두 예외적인 영향이 나타난 지역은 군집의 강도가 낮은 지역이거나, 인구수 이외에 더 영향이 큰 요인이 존재하는 것으로 판단된다.

이를 종합하면, 공유자전거 이용 변화율은 주거인구가 많은 주거지역일수록 크게 나타나며, 사업체 수가 많은 업무/상업지역에서는 작게 나타나는 공간적 분포를 확인할 수 있다. 이는 곧, 사회적 거리두기 정책 시행에 따른 생활권의 축소, 여가활동 감소, 상업활동 침체 등의 요인이 작용한 결과로 해석할 수 있다.

결론 및 향후 연구

본 연구는 COVID-19의 발생에 따른 사회적 거리두기 정책이 공유자전거 이용에 미치는 영향을 분석하였다. 회귀분석 결과, 사회적 거리두기를 시행함으로써 공유자전거의 대여횟수는 통계적으로 유의미하게 증가하였다. 다중 회귀분석 결과에 따르면, 사회적 거리두기 수준이 1단계씩 증가할 때, 공유자전거 대여횟수는 각 38,385회, 33,950회, 11,724회 증가하는 것으로 나타났다. 또한, 공간분석 기법을 사용하여 분포 패턴을 분석한 결과, 공유자전거 대여의 변화량은 공간적인 군집을 형성하는 것으로 나타났으며, 이는 지역적 특성이 존재한다는 점을 시사한다. 또한, 이러한 군집은 사업체 수, 주거인구 수와 연관된 지역으로 분석되었으며, 주말의 공유자전거 이용 변화가 주요하게 작용한 결과로 나타났다. 주말의 경우 여가활동 및 쇼핑을 목적으로 하는 통행이 주를 이룬다. 따라서, 인구가 밀집한 주거지역과 사업체가 밀집한 업무/상업지역에서 공유자전거 이용 변화가 뚜렷하게 발생한 것으로 해석할 수 있다. 즉, 팬데믹이라는 사회적 상황과 이에 따른 정부의 정책이 공유자전거 이용에 영향을 미쳤으며, 이러한 변화는 공간적 특성에 대하여 서로 다른 효과를 지니는 것으로 판단할 수 있다. 이러한 분석결과는 사회적 상황에 따른 정부의 정책이 교통수단의 선택에 있어서 유의미한 영향을 미칠 수 있다는 점을 시사하고 있다. 최근, 교통 혼잡, 대기 오염과 같은 문제를 해결하기 위한 교통 수요관리 방안으로써 친환경 교통수단을 활성화하고자 노력하고 있다. 이때, 목표가 되는 지역의 공간적 특성을 검토함으로써, 수단선택을 유도하기 위한 정책을 보다 효율적으로 수립할 수 있을 것이다. 나아가, 팬데믹과 같은 돌발적인 상황에 대하여 통행자의 변화를 예측하고, 수요에 대응하기 위한 적절한 대안을 사전에 마련할 수 있을 것으로 판단된다.

본 연구에서는 COVID-19에 따른 사회적 거리두기 정책의 효과를 분석하기 위하여 사람의 이동에 초점을 맞추었다. 따라서, 인구학적 특성과 관련된 주거인구와 사업체 수를 기준으로 공간적 분포를 분석하였고, 공유자전거 대여량 변화와의 유사성을 발견하였다. 향후 연구에서는 더욱 일반적인 모형을 구현하기 위해서 다양한 변수를 활용할 수 있다. 사업체 수를 비롯한 사업체 규모, 토지이용, 지가, 교통인프라 등 추가적인 지표를 고려함으로써, 더욱 다양한 해석이 가능할 것으로 판단된다. 방법론 측면에서 본 분석은 각 변수의 분석결과를 토대로 1차적인 유사성을 관찰하였다. 이에 방법론을 발전시켜 실제적인 관계성의 정도와 크기를 관찰할 필요가 있을 것으로 판단된다. 대표적으로 지리가중회귀모형(Geographically Weighted Regression Model, GWR Model)을 이용하면, 앞서 언급한 다양한 변수를 추가하여 그 효과를 동시에 반영할 수 있으며, 통계적으로 관계성의 정도와 크기를 분석할 수 있을 것으로 판단된다. 또한, 일반화된 모형을 통해 다양한 공간적 변수의 효과와 특성을 해석할 수 있을 것이다.