서론
선행연구
1. 공유자동차 서비스 도입효과 관련 연구
2. 공유자동차 입지분석 관련 연구
3. 공유자동차 이용 요인분석 관련 연구
4. 실제 공유자동차 이용 데이터 관련 연구
5. 연구의 차별성
분석 방법론
1. 분석 과정
2. 공유자동차 서비스 이용 이력 데이터
3. 특성별 데이터셋 구축
공유차량 통행 특성에 따른 이용자 특성별 통행 분석
1. 성별 공유차량 통행 분포 분석
2. 연령대 그룹별 공유차량 통행 분포 분석
3. 성별-연령대 그룹별 복합 공유차량 통행 분포
4. 성별, 연령대 그룹간 K-S Test
연령, 성별 이질성에 따른 공유자동차 편도 서비스 선택 모형
1. 모델 및 변수 설정
2. 이항 로지스틱 회귀분석
3. 모델 비교 분석
결론
서론
최근 경제체제의 패러다임이 국가적 차원의 자원 고갈 및 개인 또는 가구 차원의 과잉 소비를 유발하는 전통적 차원에서 협력과 가치 창출을 모토로 하는 공유 중심으로 변화하고 있으며, 실질적인 탄소 배출량을 ‘0’으로 만드는 탄소중립의 중요성이 대두되고 있다. 이에 따라, 개인 차원의 소비재이며 탄소 배출량의 상당 부분을 차지하는 승용차의 수단분담률을 낮추기 위해 MaaS(mobility as a service)라는 새로운 교통 패러다임을 필두로 다양한 교통정책이 지속적으로 시행되어 왔다(Kim et al., 2019, 2020). 현재 공유경제체제는 다양한 도시문제 완화를 위한 수단으로 떠오르고 있는데(Seo et al., 2018; Jang, 2021), 교통 측면에서도 다양한 공유경제 기반 교통서비스가 국내에 도입되고 있으며, First-and-last mile1)을 이동 가능한 공유킥보드, 공유자전거부터 지역 간 통행이 가능한 공유자동차 서비스 등 여객 운송 수단 역시 다양화되고 있다(Choi and Jung, 2020).
이 중, 공유자동차 서비스는 교통부문에서 공유경제를 실현할 수 있는 가장 대표적인 서비스로(Hwang and Jeon, 2014), 혼잡을 촉발하고 탄소배출로 인한 환경문제를 야기하는 승용차의 수단분담률을 직접적으로 감소시킬 수 있을 뿐만 아니라, 이동의 자유와 교통 측면의 형평성 증대, 대중교통 활성화, 주차 공간 부족 해소 등의 부가 효과를 동반한다는 이점이 존재한다(Shin and Bae, 2012; Kim and Lee, 2018). 국내 차량 공유서비스 업체 중 하나인 (주)쏘카에 따르면 국내 공유자동차 시장 규모는 5,000억 원 이상으로 성장할 전망이며, 차량공유서비스의 양대 축인 쏘카와 그린카는 회원 수 900만 명 이상, 운영 차량은 2만 대 가까이 확보된 상황이다(Jang, 2021).
공유자동차 서비스는 1948년 스위스 Zurich에서 처음으로 도입되었으며(Do and Noh, 2013), 국내에는 2011년에 본격적으로 도입된 이후 급격히 확대되는 추세에 있다(Park and Park, 2015). 국내 공유자동차 서비스 시장이 활성화됨에 따라, 공유자동차 실증 데이터에서 도출한 통행패턴을 기반으로 한 서비스의 질적 성장이 요구되나, 2010년대까지 진행된 대부분의 공유자동차 관련 연구는 설문조사를 기반으로 공유자동차의 도입효과(Do and Noh, 2013; Park and Moon, 2013), 입지선정(Shin and Bae, 2012) 또는 단순 통행행태 및 요인 분석(Zhang and Park, 2019)에 그치고 있다. 설문조사 기반으로 연구를 수행할 경우, 이용자의 이용 의사가 변경되면 연구결과가 달라질 수 있다는 한계가 존재한다. 즉, 설문조사를 통한 분석 결과는 현재 시점에서만 유효하다는 것을 의미한다(Park and Moon, 2013). 따라서, 이러한 설문조사 기반 연구의 한계를 극복하기 위해 2020년대 들어 공유자동차 실제 이용 데이터를 활용해 이용자 통행패턴(Feng et al., 2020; Kashani and Trépanier, 2020), 요인분석(Abbasi et al., 2021), 수요예측(Wang et al., 2021), 공급 형평성 제고(Huo et al., 2021) 등 다양한 연구가 수행되고 있으며, 이러한 연구의 결과는 공유자동차 서비스의 질적 향상에 기초 자료로 활용되고 있다. 그러나, 성별 ‧ 연령과 같은 인구통계학적 변수가 공유자동차 통행에 주로 영향을 미치는 요인으로 밝혀짐에 따라(Cartenì et al., 2016; Juschten et al., 2019) 성별 ‧ 연령별 공유자동차 이용 행태에 기반한 맞춤형 서비스 제공의 필요성이 대두되고 있다.
이에 따라 본 연구에서는 공유자동차 서비스 업체인 (주)그린카의 3년 치 이용 이력 데이터를 활용하여 성별 ‧ 연령과 같은 인구통계학적 특성을 구분하고, 그룹별 통행패턴 분석을 실시하여 그룹별 통행 이질성이 존재하는지를 확인하였으며, 추가로 대여시간과 통행거리 등의 변수를 추가하여 인적 ‧ 시간적 ‧ 공간적 특성을 모두 고려한 공유자동차 통행행태 분석을 수행하였다.
선행연구
2011년 국내에 공유자동차 서비스가 본격적으로 도입됨에 따라 관련 연구 역시 활발히 진행되었다. Lee(2016)는 문헌고찰을 통해 공유자동차 서비스 관련 국내 연구 동향을 파악하였는데, 공유자동차 서비스 도입 전인 2009-2010년에는 주로 공유자동차 도입효과를 분석하는 내용이 주를 이루었으며, 공유자동차 도입 초기인 2011-2013년에는 공유자동차 서비스 모델링 및 편익분석과 공유자동차 대여소의 입지선정 관련 연구가 주를 이루는 것으로 나타났다. 공유자동차 활성화 시기인 2014-2015년은 주로 서비스 디자인, 공유경제, 교통정책, 수요추정, 비즈니스 모델 등의 내용을 다루는 것으로 나타났다.
1. 공유자동차 서비스 도입효과 관련 연구
Park and Moon(2013)은 공유자동차 서비스의 예상 도입효과를 분석하기 위해 기존 공유자동차 서비스 사례를 검토하여 서비스의 유형별 특성을 분류하고, 설문조사를 시행하여 공유자동차 서비스의 지역별 잠재수요 및 이용 통행량을 예측한 뒤, 추정 잠재수요 및 이용 통행량을 기반으로 공유자동차 서비스의 도입효과를 분석하였다. Park and Park(2015)은 공유자동차 서비스가 승용차 및 대중교통 수요와 택시에 미치는 영향을 파악하기 위해 그린카, 쏘카 회원들을 대상으로 응답자의 기초 정보, 공유자동차 서비스 이용 경험, 공유자동차 서비스 이용에 따른 타 수단 이용률 변화 및 통행행태 변화 등을 조사하고 공유자동차 이용 현황 및 택시 이용 현황 등을 종합하여 분석하였다. 분석 결과, 공유자동차 서비스는 차량 미보유자가 주로 이용하기 때문에 승용차 대수와 대중교통 통행량을 다소 증가시키는 것으로 나타났으며, 택시업계에는 큰 영향을 미치지 않는 것으로 나타났다.
2. 공유자동차 입지분석 관련 연구
Shin and Bae(2012)는 출 ‧ 도착지 간 최적 수단을 통해 이동하는 공유차량 이용방식인 CTS(Cloud Transport System) 이용률 제고를 위한 대여소의 최적 입지선정과 용량설정을 위해 각 소존(행정동)별 수요추정을 실시하였다. 부산 남구, 수영구, 해운대구를 대상으로 인구수, 종사자 수, 학생 수, 면허 소지율, 수단분담률, 목적 및 수단 OD 통행량과 설문조사를 통해 산정된 CTS 이용률을 반영해 연구 대상지의 CTS 수요와 각 존별 CTS 대여소 용량을 산정하였다. Do and Noh(2013)는 공유자동차 서비스가 대전광역시에 도입되는 경우를 가정하여 서비스 위치 선정방안을 제시하였다. 대전광역시 전역을 500m×500m 크기의 셀로 구분한 뒤 공유자동차 서비스에 영향을 줄 것으로 판단되는 요인을 선정, 각 요인을 표준화하였다. 그 후 설문조사를 통한 AHP 기법을 통해 각 요인별 가중치를 선정하고 네트워크 분석 중 하나인 입지배분모델을 활용하여 서비스 시설의 위치를 30개 권역으로 분류하였다.
3. 공유자동차 이용 요인분석 관련 연구
Choi and Park(2014)은 공유자동차 서비스 이용에 영향을 주는 지역적 특성을 파악하기 위해 서울특별시를 대상으로 인구, 사회, 경제, 교통 등 지역 특성을 반영한 DB를 구축하고, 주성분분석을 실시해 공유자동차 서비스 존 주변의 지역 특성을 설명하는 요인(잠재변수)을 도출하였다. 그 후 다중회귀분석을 실시하여 각 지역적 요인별 공유자동차 서비스 이용에 미치는 영향의 정도를 파악하여 공유자동차 서비스 이용 활성화를 위한 지역적 특성 고찰 및 전략방안을 제시하였다. Zhang and Park(2019)은 공유자동차 서비스 이용 의도에 어떠한 요인들이 영향을 미치는지를 파악하기 위해 중국 산둥지역 238명의 거주자를 대상으로 설문조사를 실시하였다. 설문에 포함된 요인은 환경적 가치, 기능적 가치, 주관적 규범, 친사회적 행동, 소유욕, 서비스 태도 등으로 구성되었으며 구조방정식을 통해 각 요인과 이용 의도 간의 인과를 규명하였다.
4. 실제 공유자동차 이용 데이터 관련 연구
최근 실제 공유자동차 이력데이터를 활용한 연구들은 국외에서 시작되고 있다. Feng et al.(2020)은 공유자동차 서비스 업체로부터 제공받은 서비스 이용자의 왕복 GPS 데이터를 활용하여 공유자동차 서비스 이용자의 이용 패턴을 파악하였다. 트립체인을 기반으로 이용 패턴을 분석하였으며, 통행거리, 트립체인의 반지름, 목적지 개수 등과 같은 속성을 추출하여 모든 트립체인을 3개의 군집으로 분류하였으며, 각 군집마다 서비스 이용 패턴이 다른 것을 확인하였다. 그러나 공유자동차 서비스의 이용자 정보가 없어 인적 특성을 반영하지 못하였다. Abbasi et al.(2021)은 공유자동차 서비스 존의 위치선정 및 서비스 수요에 영향을 미치는 요인을 파악하기 위해 서울특별시의 1개월간 공유자동차 대여 내역 데이터를 사용하였다. 데이터를 주중 ‧ 주말(근무일 ‧ 비근무일) 및 경제활동인구(20-40대)와 그 이상 연령대 등 하위 집합으로 분할하고 Heckman Selection Model을 사용하여 존의 위치와 수요를 선택 편향 없이 분석하였다. 분석 결과, 공유자동차 서비스 존의 위치와 40대 이상 소비자의 수요 간의 다소 약한 것으로 나타나 공유자동차 서비스 장소는 주로 젊은 이용자를 대상으로 하는 것으로 나타났다. Huo et al.(2020)은 공유자동차의 불균형한 공급 분배 문제의 해결을 위한 데이터 중심 최적화 모델을 제안하였다. ECS 사의 실제 공유자동차 이용 데이터를 활용하여 차량 및 이용자의 통행 특성을 파악하였으며, 이를 기반으로 확률 기반 모델 중심의 최적 공급지 할당 모델을 개발하였다. 모델은 30개의 ECS 스테이션 데이터를 활용해 검증되었으며, 모델을 적용하였을 때 일 이익이 19.05% 향상되는 것을 확인하였다. Kashani and Trépanier(2020)는 2014년 몬트리올의 공유자동차 서비스 업체인 ‘Communauto’의 1년 동안의 서비스 데이터를 통해 k-means 클러스터링 및 주성분 분석을 사용하여 공유자동차 사용자의 행태를 연구하고 각 클러스터에서 이용 패턴을 찾았다. Wang et al.(2021)은 실제 공유자동차 이용 이력 데이터에 Arima와 GDBT 등을 적용하여 공유자동차 이용자의 이동 수요를 예측하였다. 공간적 범위는 중국 란저우시로 설정하였으며, GDBT의 공유자동차 이용자 이동수요 예측 결과가 Arima의 공유자동차 이용자 이동수요 예측 결과보다 정확도가 높은 것으로 나타났다.
5. 연구의 차별성
본 연구는 기존 설문조사 자료가 아닌 대여시간, 통행거리 등의 실제 사용자 정보를 활용하였으며, 성별, 연령 등 이용자 특성에 기반하여 공유자동차 통행패턴을 분석하였다는 점에서 선행연구와의 차별성이 존재한다. 선행연구에서는 성별과 연령 등 인적 특성을 고려하여 공유자동차의 통행패턴을 분석한 사례가 거의 없으며, 공유자동차의 이동성 패턴에 관한 연구의 경우가 일부 존재하지만 대부분 수요, 공급, 비용 측면에 한정하여 분석을 진행하였거나(Abbasi et al., 2021; Wang et al., 2021), 단순 대여시점과 통행거리 기반 군집화를 통한 통행패턴 분석에 그쳤다(Kashani and Trépanier, 2020). 공유자동차 서비스를 활성화하기 위해서는 이용자 특성을 고려한 맞춤형 서비스 제공이 필요하다. 따라서 본 연구에서는 이용자 특성별로 이동성에 따른 이분산성이 존재할 것이라고 판단하여 전체 공유자동차 이력 데이터를 성별과 연령대별로 구분하고 이용자 특성을 인적 특성별로 분류하여 분석을 수행하였으며, 기존 연구에서 다루지 않았던 통행거리와 대여시간 특성들을 활용해 공유자동차의 이동성 패턴 분석 및 편도 서비스에 대한 분석 또한 추가로 수행하였다. 마지막으로, 연령, 성별에 이질성에 기반한 공유차량 편도서비스 선택모형을 구축하였다.
분석 방법론
1. 분석 과정
본 연구의 분석 과정은 Figure 1과 같다. 먼저, 본 연구의 분석에 사용된 (주)그린카 이용 이력 데이터 정보를 서술하고, 특성별로 데이터셋 구축을 진행하였다. 그 후, 데이터를 성별에 따라 남/여 2개의 그룹, 연령대에 따라 10개의 그룹으로 구분하였다. 분류한 모델에 따라서 공유차량 이동성에 따른 그룹별 통행 특성을 파악하였으며, 그룹간 이질성을 통계적으로 검증하기 위하여 공유차량 이동성에 따른 각 그룹 간의 누적확률분포함수(CDF)를 그린 후 Kolmogorov-Smirnov(K-S) 테스트를 진행하여 각 그룹 간 차이를 분석하였다. K-S 테스트 결과를 토대로 성별 및 연령대 그룹 간 공유차량 이용에 이질성이 있음을 검증하였다. 마지막으로 이항 로지스틱 회귀분석을 시행하여 연령, 성별의 이질성에 기반한 공유차량 편도서비스의 선택모형을 구축하였다.
2. 공유자동차 서비스 이용 이력 데이터
본 연구는 기존 설문조사 자료 기반의 연구에서 벗어나 실증 데이터를 기반으로 수행한 분석 결과를 토대로 연구를 진행하였다. 본 연구에서 활용한 데이터는 (주)그린카에서 제공받은 2015-2017년 3년 치 그린카 이용 이력 데이터이다. 해당 데이터는 Table 1과 같이 구성되어 있으며, 대여시작시각과 반납시간, 차량번호, 성별, 연령, 출 ‧ 도착지역(읍면동 단위), 통행거리, 대여시간(대여반납시각-대여시작시각, 최소대여 단위: 10분) 등의 정보를 포함하고 있다. Feng et al.(2020)에서 사용한 왕복 GPS 데이터와는 달리, 본 연구에서 사용한 그린카 이용 이력 데이터의 경우 경로 정보가 아닌 출발지와 도착지 정보를 대여소가 위치한 읍면동 단위로 치환하여 표현한 것이 특징이다.
Table 1.
Carsharing travel dataset example
데이터의 인적 ‧ 시간적 특성에 따른 기초통계량은 Figure 2와 같다. 먼저, 주중 ‧ 주말 공유자동차 이용량의 경우, 주중보다 주말의 이용량이 대체로 높았으며, 특히 토요일의 공유자동차 이용량이 가장 높았고, 화요일의 공유자동차 이용량이 가장 낮은 것으로 나타났다. 성별 이용량 분포의 경우, 여성이 약 20만 건, 남성이 약 100만 건으로 남성이 여성보다 약 5배 정도 많은 이용량을 보이는 것으로 나타났다. 연령별 이용량 분포의 경우, 20대의 이용량이 전체의 약 60%, 30대의 이용량이 전체의 약 30%에 달하여 2030 연령대가 전체 이용량의 90%를 차지하는 것으로 나타났다.
3. 특성별 데이터셋 구축
본 연구에 앞서 첫 번째로 공유자동차 통행을 성별 및 연령 등 이용자 특성별로 구분했다. 다음으로 공유자동차 통행 특성을 대여시작시간각, 통행거리, 대여시간으로 그룹화했다. 관련 문헌에 따르면 연령대를 구분하는 기준은 크게 5세 단위, 10세 단위 등 일정 연령에 따른 구분, 경제활동 연령을 기준으로 한 구분, 데이터 분포에 따른 구분, 머신러닝 등 통계기법을 활용한 구분 등으로 나누어진다. Herrera and Cremades(2014)는 연령대그룹을 누적 백분율을 통하여 구분을 진행하였으며, 그룹의 개수를 3개로 각각 30%의 백분율로 구분하였다. 선행연구에 따른 연령대 구분 기준은 Table 2와 같다. 본 연구에서 사용한 공유차량데이터의 경우 Figure 2에서 볼 수 있듯이 이용자 대부분이 20대와 30대이고, 특히 20대에서 많은 이용량이 나타나는 것을 알 수 있다. 공유차량 서비스의 이용자 특성 분석을 위해서는 기존 분석에서 사용되어진 연령층의 구분방식을 적용할 경우 상대적으로 공유차량 서비스 이용률이 적은 40대, 50대 이상의 연령층은 공유차량 서비스 운영 측면에서 큰 의미를 부여하기 어려움이 있으며, 상대적으로 이용률이 높은 20대와 30대를 더욱더 세분화하여 분석하였을 때 공유차량 서비스 운영측면에서 기존 연구에서 도출할 수 없었던 시사점을 도출할 수 있으리라 판단한다. 따라서 본 연구에서는 나이에 따른 구분을 5세 단위 혹은 10세 단위로 나눈 것이 아니라 그룹 간 크기를 10±3% 기준으로 균등분할 하여 20대 연령층 그룹을 보다 세분화하였다. 해당 내용은 Figure 3과 같다.
Table 2.
Data classification methods by age distribution
| Authors | Method | |
| Hibino et al.(2020) | Age unit | 5 years |
| Oppermann (1995) | ||
| Primerano et al.(2008) | ||
| Willberg et al.(2021) | ||
| He et al.(2012) | 10 years | |
| Herrera and Cremades (2014) | Data distribution | |
| Karim and Oyefolahan (2009) | ||
| Helm and Landschulze (2013) | Economically active base and others | |
| Li et al.(2021) | ||
| Pas (1984) | ||
| Yu et al.(2019) | Machine learning | |
Figure 4는 전체 공유차량 이력 데이터의 통행분포를 나타낸 것이다. Figure 4(a)는 전체 통행거리 이력을 박스플롯으로 분포화한 것이다. 통행거리의 최대값은 173km이고, 중앙값은 43km, 3사분위수가 82km, 1사분위수가 21km, 최솟값이 1km인 것으로 나타났다. 해당 분포표에서 150km를 기준으로 그 이상의 데이터는 이상치로 판단해 제거하였다. 150km는 해당 박스플롯의 최대값보다 적고 3사분위수 보다 큰 위치에 위치하여 있으며, 150km 이상의 데이터는 통행거리별 행태 차이가 보이지 않는 것으로 나타났다. Figure 4(b)는 전체 공유차량 이력 데이터의 대여시간을 분포화한 것이다. 대여시간(rental duration)은 최댓값이 790분, 중앙값은 220분, 3사분위수는 390분, 1사분위수는 120분, 최솟값은 10분으로 나타났다. 대여시간은 30분 주기로 이용량이 많아지고 있어 30분 주기로 최댓값과 780분 사이의 데이터를 이상치로 간주했으며 이를 제거하였다. 이상치가 제거된 데이터는 연령대 그룹화 기준에 따라 그룹화되며 해당 결과는 Table 3에 제시하였다.
Table 3.
User group description and descriptive statistics
공유차량 통행 특성에 따른 이용자 특성별 통행 분석
1. 성별 공유차량 통행 분포 분석
Figure 5는 성별 통행분포를 시간대별 (a), 통행거리별 (b), 대여시간별 (c)로 나눠 분석한 결과이다. Figure 5(a)에서 볼 수 있듯이 대체로 남성보다 여성의 경우 주간 시간대인 06-19시에 공유자동차 이용 빈도가 높은 것으로 나타났고, 남성은 17시를 기점으로 공유자동차 이용량이 증가하여 19시에는 여성보다 더 높은 비율로 공유자동차를 이용한 것으로 나타났다. Figure 5(b)에서는 분포상 큰 차이점은 없으나 여성이 남성보다 장거리 이용 비율이 미세하게 많은 것으로 나타났다. Figure 5(c)는 통행거리와 유사하게 여성이 남성보다 대여시간이 긴 것으로 나타났다. 또한 남성과 여성 모두 대여시간 30분 단위로 이용량이 증가하는 것으로 나타났으며, 성별에 따른 공유차량 통행분포 통계량은 Table 4와 같다.
Table 4.
Descriptive statistics of carsharing travel by gender
Figure 6은 성별 통행거리-대여시작시각 통행패턴을 나타낸 것이다. Figure 6(a)는 남성에 해당하고, Figure 6(b)는 여성에 해당한다. 통행거리의 경우 5km 단위의 거리 {5, 10, 15, ..., 145, 150}를 집합 내 원소로 구성하였으며, 대여시작시각의 경우 1시간 단위로 시각 {0, 1, 2, 3, 4, ..., 22, 23}를 집합 내 원소로 구성하였다. 통행거리와 대여시작시각을 행압축하고 각각의 통행거리와 대여시작시각에 해당하는 빈도 수를 계산 후, 모든 값을 합한 뒤 해당 값에 나누어 각 통행거리와 대여시작시각에 해당하는 확률 값(Probability)을 도출하였다. 이에 따라 x축을 통행거리의 집합, y축을 대여시작시각의 집합, z축을 각각 x와 y에 해당하는 빈도에 대한 확률 값으로 각각의 축에 대해 24×30 matrix 형태의 자료를 만들어 3차원 시각화 분석을 진행하였다. Plot 형태로 봐서 남성과 여성의 패턴이 이질적으로 나타나는 것을 알 수 있다. 남성의 경우 야간시간대와 20-35km대의 통행이 높은 것으로 나타났으며, 여성의 경우 주간 시간대에 통행과 20-35km 통행이 높은 것으로 나타났고, 100km대의 장거리 통행이 남성보다 많은 것으로 나타났다.
2. 연령대 그룹별 공유차량 통행 분포 분석
Figure 7은 연령대 그룹별 공유차량 이동성에 따른 통행분포를 나타낸 것이다. Figure 7(a)는 연령대 그룹별 대여시작시각별 통행분포이다. Group 1-7의 경우 주간 시간보다는 야간 시간대의 통행 비율이 비교적 높음을 알 수 있고, Group 8부터 주간 시간대의 통행 비율이 점점 높아지다가 Group 9와 Group 10은 야간 통행보다 주간 통행비율이 더 높은 것을 볼 수 있다. 대여시작시각별 통행의 경우 Group 9와 Group 10에서 다른 그룹과의 이질성을 볼 수 있다. Figure 7(b)는 연령대 그룹별 통행거리별 통행분포이다. 대여시작시각별 통행과 동일하게 Group 9와 Group 10의 통행이 다른 그룹과의 이질성이 나타나는 것으로 볼 수 있는데, 연령대가 낮은 그룹에 비하여 통행거리가 짧아지는 것을 볼 수 있다. 그러나 Group 10의 경우 100km 때의 장거리 통행의 비율이 다른 그룹보다 높은 것으로 나타났다. Figure 7(c)는 연령대 그룹별 대여시간별 통행분포이다. 성별 대여시간과 동일하게 연령대별 대여시간 패턴의 특징은 대여시간 단위가 10분임에도 불구하고 모든 연령대 그룹에서 30분 단위로 이용량이 많아지는 것으로 나타났다. 이는 보통 30분 단위로 대여하는 공유자동차 대여 문화로부터 비롯된 결과라 판단된다. 대여시간의 경우 연령대가 커질수록 길어지는 경향이 나타났으며, Group 1-7과 Group 8, Group 9, Group 10의 분포 형태가 이질적인 것으로 나타났다.
연령대 그룹에 따른 공유차량 통행분포 통계량은 Table 5와 같다. Group 1부터 Group 7까지는 통행거리와 대여시간 평균이 유사한 것으로 나타났다. Group 9와 Group 10은 나머지 그룹에 비해 평균 통행거리가 짧아지지만 대여시간은 길어지는 것으로 분석되었다. 대여시작시각, 통행거리, 대여시간 모두 통합하여 분석을 수행한 결과, Group 1부터 Group 7에 해당하는 20대부터 30대초반 까지의 연령대의 경우 야간시간대에 공유차량 이용량이 증가하고 대여시간이 짧고 통행거리가 긴 것으로 보아 여가 목적으로 공유차량을 이용하였으리라 추측할 수 있다. 32-34세 연령대에 해당하는 Group 8의 경우 분포의 특징이 Group 1-7의 분포와 Group 9, Group 10의 중간 분포라고 볼 수 있다. 35세 이상 연령대에 해당하는 Group 9와 Group 10은 일반적으로 직장인에 해당하는 연령대이고 주간시간대에 통행거리가 짧고 대여시간이 길게 나타나는 것으로 보아 업무 목적으로 공유차량을 이용하였다고 추측할 수 있다.
Table 5.
Travel distribution of carsharing by age group and travel characteristics
Figure 8은 연령대 그룹별 통행거리-대여시작시각 통행패턴이다. 앞선 Figure 6과 동일한 방식으로 축을 구성해 주었다. Figure 8(a), Figure 8(b), Figure 8(c), Figure 8(d), Figure 8(e), Figure 8(f), Figure 8(g), Figure 8(h), Figure 8(i), Figure 8(j)는 각각 Group 1, Group 2, Group 3, Group 4, Group 5, Group 6, Group 7, Group 8, Group 9, Group 10에 해당한다. Figure 8(a,b,c,d,e,f,g)에서 모두 야간시간대의 통행이 많고 40km 이내의 통행거리에서 많은 이용량이 나타나는 공통점이 있으나, 가장 높은 비율을 차지하는 통행거리는 각각 다른 것을 알 수 있다. Figure 8(h)에서는 전술한 연령대 그룹들과 동일하게 야간 시간의 통행량이 많음을 알 수 있으나, 주간 시간 통행이 조금씩 증가하는 모습을 볼 수 있고, Figure 8(i)와 Figure 8(j)에서는 주간시간대 통행량이 야간시간대 통행량보다 비율이 높음을 알 수 있다. 또한, 100km대의 장거리 통행 비율이 앞선 그룹에 비하여 증가된 것을 알 수 있다. 또한 그룹 간 대여시작시각별 통행거리의 분포가 모두 상이한 것을 알 수 있다. Figure 8(a,b,c,d,e,f,g,h)은 통행거리 70km 이내에서는 대여시작시각별로 통행거리의 각 분포가 상이한 모습을 볼 수 있으나, 70km 이상인 구간에서는 대여시작시각별로 통행거리 분포차이가 크지 않음을 나타낸다. 그러나 Figure 8(i), Figure 8(j)에서는 앞선 그룹들과 다르게 통행거리 70km 이상일 뿐만 아니라 통행거리 100km 구간에서도 대여시작시각별 통행거리 분포의 차이가 나타나는 것을 볼 수 있다. 따라서 모든 그룹 간 공유차량 이동성에 따라 통행패턴이 상이하며, 그룹 간 이질성이 존재하는 것을 알 수 있다.
3. 성별-연령대 그룹별 복합 공유차량 통행 분포
본 장 1절과 2절에서는 연령과 성별 등 개별 특성에 따른 분포를 확인하였다. 그러나 본 연구의 목적을 달성하기 위해서는 단순 비교가 아닌 공유차량 이용자들의 복합적인 특성에 따른 이용 특성치 비교가 필요하므로 해당 분석을 복합적인 관점에서 실시했다. Table 6은 성별-연령대 그룹별 대여시작시각별 공유차량 통행분포 통계량을, Table 7은 성별-연령대 그룹별 통행거리별 공유차량 통행분포 통계량을, Table 8은 성별-연령대 그룹별 대여시간별 공유차량 통행분포 통계량을 나타낸 것이다. 대여시작시간대별 분포의 특징으로는 남성보다 여성의 경우 표준편차가 전체적으로 작게 나타나는 것을 볼 수 있고, 평균은 전체적으로 같은 연령대에서 남성이 여성보다 작은 것으로 나타나지만, Group 5를 기점으로 남성의 평균이 여성보다 커지는 것으로 나타났고, Group 10에서는 두 그룹의 평균이 비슷해지는 것으로 나타났다. 통행거리에 따른 분포의 경우 대여시작시간대와는 다르게 전체적으로 남성이 여성보다 표준편차가 작게 나타나는 것을 볼 수 있다. 또한 평균의 경우 나이가 어린 여성 그룹이 남성 그룹에 비하여 평균이 높게 나타나지만, Group 9에서부터 남성 그룹의 평균이 여성 그룹보다 높아지는 것으로 나타났다. 대여시간분포의 경우 같은 연령대의 여성이 남성보다 표준편차 및 평균이 더 크게 나타났으나, Group 8을 기점으로 남성의 평균이 여성보다 높아지는 것으로 나타났다.
Table 6.
Travel distribution of carsharing by gender-age group by travel characteristics
Table 7.
The distribution of travel distance of carsharing by gender-age group by travel characteristics
Table 8.
The distribution of carsharing rental duration by gender-age group by travel characteristics
4. 성별, 연령대 그룹간 K-S Test
성별 및 연령대 그룹간 이동성 패턴 차이를 분석하기 위해 누적 확률 분포 함수의 거리 차를 통해 그룹 간 차이를 분석하는 Two-sample Kolmogorov-Smirnov 테스트를 실시했다. K-S 테스트는 비모수 검정 방법으로 일표본 검정(One-sample K-S Test)와 이표본 검정(Two sample K-S Test)로 나뉘는데, 본 연구에서는 두 모집단의 동일 분포 여부를 파악하는 Two sample K-S 테스트를 진행하였다(Ok and Baek, 2018). 또한 Table 5에 따르면 그룹별 샘플 수가 약 100,000개로 K-S Test를 진행하기에 충분한 샘플 수라고 판단하였다. 분석을 진행하기 위해 두 집단의 각 특성별 누적확률분포 함수 CDF(Cumulative Distribution Function)를 Figure 9와 같이 그렸다. x축의 경우 각각의 특성에 따라 대여시작시각의 경우 1시간 단위, 통행거리의 경우 1km 단위, 대여시간의 경우 10분 단위로 구성이 되어 있다. Figure 9(a,c,e)는 성별 공유차량 이동성에 따른 누적확률분포 함수이고, Figure 9(b,d,f)는 연령대 그룹별 공유차량 이동성에 따른 누적확률분포 함수이다. Figure 9(a)와 Figure 9(b)는 대여시작시각에 따른 CDF, Figure 9(c)와 Figure 9(d)는 통행거리에 따른 CDF, Figure 9(e)와 Figure 9(f)는 대여시간의 CDF를 나타낸다. 성별 CDF를 보면 남성과 여성 분포의 차이가 있고 연령대별 CDF를 보면 각 연령대 그룹 간의 차이가 있는 것으로 나타났으며, 특히 Group 9, 10과 타 그룹들과의 거리 차가 있는 것으로 나타났다. K-S 테스트를 시행 전 먼저 두 가지 모집단에 대해 분포가 상이한지 검정하기 위하여 가설을 세웠다. 가설에 대한 내용은 Equation 1과 같다(Ok and Baek, 2018). K-S 테스트의 D-Value 는 각 성별 및 연령대 그룹별 CDF간의 거리를 나타내는 것으로 Equation 2와 같다. Table 9는 CDF에 따른 K-S 테스트 결과를 나타낸다. K-S 테스트 결과 모든 유의 확률이 0.01보다 작은 것으로 나타나 성별 및 연령 그룹 간 대여시작시각, 통행거리, 대여시간의 분포가 모두 다른 형태의 분포를 띄는 것으로 분석되었다. 또한 Group 9와 10의 경우 다른 그룹들과의 차이가 더 크게 나타나는 것을 D-value를 통해 확인할 수 있었다.
where, : First sample of empirical distribution functions
: Second sample of empirical distribution functions
Table 9.
D value and p value from two-sample Kolmogorov-Smirnov test
Table 10은 성별-연령대를 복합적으로 고려하여 K-S Test를 시행한 결과이다. Table 9에서 이미 연령대 그룹 간의 이질성을 통계적으로 검증하였으므로 다른 연령대와의 비교보다는 같은 연령대 내의 성별 간 비교가 필요하다고 판단하였으며, Table 8에 따르면 그룹별 샘플 수가 최소 10,000개 이상으로 이루어져 있어 K-S Test를 수행하기 위한 그룹별 샘플 수가 충분하다고 판단하였다. 결과적으로 모든 유의확률이 0.01보다 작아 귀무가설을 기각하여 모든 그룹 간의 분포 차이가 있음을 검증하였다. 또한 Group 1부터 Group 7까지는 D값이 점차 증가하고, Group 8부터 D값이 점차 감소하는 것으로 나타나, 연령대가 작을수록 남녀의 통행 이질성이 크게 나타나고 30세 이상부터는 남녀의 통행 이질성 차이가 점점 줄어 40세 이상에서 남녀의 분포가 비슷해지는 것을 확인하였다.
Table 10.
D value and p value from two-sample Kolmogorov-Smirnov test (age group-gender)
연령, 성별 이질성에 따른 공유자동차 편도 서비스 선택 모형
1. 모델 및 변수 설정
본 절에서는 공유자동차의 편도 서비스 선택에 따른 연령, 성별에 대한 이질성 분석을 수행하였다. 성별의 경우 남성 모델, 여성 모델로 분류하였으며, 연령대의 경우 기존 10개의 그룹에 대한 분석이 아닌 이질성이 크게 나타났던 연령대를 분류하여 그룹을 통합시켜 총 3개 그룹으로 분석을 진행하였다. 첫 번째 그룹은 20대 초반 그룹인 24세 이하(Group 1)를, 두 번째 그룹은 20대 중반과 후반 그룹인 25-29세(Group 2,3,4,5,6), 세 번째 그룹은 30세 이상 그룹(Group 7,8,9,10)으로 구분하였다. 종속변수는 출 ‧ 도착지가 동일한 경우 왕복(0)으로 출 ‧ 도착지가 다른 경우 편도(1)로 변수를 설정하였다. 편도 서비스 선택 모형을 도출하기 위해서 이항 로지스틱 회귀분석을 시행하였으며, 연령별 모델 3개와 성별 모델 2개를 구축하였다. 독립변수는 대여시작시각, 통행거리, 대여시간으로 설정하였다. 전체 구간 중 통행 이질성이 나타나는 구간을 추출하여 분석을 진행하였다. 이에 따라서 특정 구간을 더미 변수 처리하여 추출하였다. 대여시작시각의 경우 20대 연령층에서 가장 많이 이용하는 시간대인 18-20시, 21-23시와 30대 이상의 연령층에서 가장 많이 이용하는 시간대인 12-14시 등 총 3가지의 변수를 설정하였으며, 통행거리의 경우 편도서비스에 대한 선택 모형이므로 100km 이내의 통행거리에 따른 분석이 중요하다고 판단함에 따라 0-20km, 21-40km, 41-60km, 61-80km, 81-100km로 총 5개의 변수를 투입하였다. 또한 대여시간의 경우 20대 연령층이 가장 많이 대여하는 시간인 61-120분 구간과 30대 연령층 이상에서 가장 많이 대여하는 시간인 121-180분 구간을 변수로 투입하였으며, 편도 서비스의 경우 왕복 서비스에 비해 더 적은 대여시간을 가진다고 판단하여, 60분 이하 구간의 변수를 추가 투입하였다. 따라서 대여시간에 따른 변수는 0-60분, 61-120분, 121-180분으로 총 3개의 변수를 투입하였다. 변수 설정 및 투입에 대한 내용은 Table 11과 같다.
Table 11.
Variable description for binary logistic regression model
2. 이항 로지스틱 회귀분석
모든 모델은 우도비 검정 통계량(Likelihood Ratio Test Statistic)-2[ℒ(0)-ℒ()] 값을 통한 적합도 검증을 통해 모두 유의수준 1%에서 귀무가설 기각하여 통계적으로 유의한 모델이라고 판단하였다. Age Model 1의 경우 24세 이하의 연령층에 대한 모델이며, 해당 모델에서는 대여시작시각의 변수중 12-14시의 변수와, 통행거리 변수인 0-20km 변수가 유의하지 않다고 도출되었다. 따라서 총 11개의 변수중 9개의 변수가 유의하다고 도출되었으며, 최종 모델은 Table 12와 같다. 대여시작시각 변수중 21-23시 변수의 경우 음의 영향을 끼치는 것으로 나타나 공유자동차 편도 수단 선택에 해당 시각에서는 유의하지 않다고 판단하였으며 그 외의 변수의 경우 양의 영향을 끼치는 것으로 나타났다. 따라서 18-20시에 대여할 경우, 통행거리가 20-100km인 경우 대여시간이 180분 이내일 경우 편도 서비스를 이용할 확률이 증가함을 알 수 있다.
Table 12.
The finally selected model of age model 1 (under 24 years old)
Age Model 2의 경우 25세 이상 29세 이하의 연령층에 대한 모델이며, 해당 모델은 Age Model 1 즉 24세 이하의 연령층에 대한 모델과 비슷한 형태로 도출되었다. Age Model 1과 동일하게 9개의 변수가 유의하다고 도출되었으며, 최종 모델은 Table 13과 같다.
Table 13.
The finally selected model of age model 2 (25 to 29 years old)
Age Model 3의 경우 30세 이상의 연령층에 대한 모델이며, 해당 모델에서는 대여시작시각의 변수중 21-23시의 변수와, 통행거리 변수인 60-80km, 80-100km 변수가 유의하지 않다고 도출되었다. 총 8개의 변수가 도출되었으며 최종 모델은 Table 14와 같다. 유의한 변수 중 통행거리 변수에 해당하는 0-20km의 변수가 음의 영향을 끼치는 것으로 나타났으며, 그 외의 변수는 양의 영향을 끼치는 것으로 분석되었다. 따라서 30대 이상의 연령층에서는 공유자동차를 12-14시, 18-20시에 대여를 하고, 통행거리가 20-60km이며 대여시간이 180분 이내일 경우 편도서비스 이용확률이 증가함을 알 수 있다.
Table 14.
The finally selected model of age model 3 (over 30 years old)
Gender Model 1의 경우 남성에 대한 모델이며, 해당 모델에서는 Age Model 1과 Age Model 2와 유사한 형태를 가지고 있음을 알 수 있다. Age Model 1과 Age Model 2와 동일하게 대여시작시각의 변수중 12-14시에 대한 변수와, 통행거리의 변수중 0-20km의 변수가 유의하지 않다고 분석되었으며, 해당 변수를 제거한 최종 모델은 Table 15와 같다.
Table 15.
The finally selected model of gender model 1 (male)
Gender Model 2의 경우 여성에 대한 모델이며, 해당 모델에서는 Age Model 3과 유사한 형태를 가지고 있음을 알 수 있다. Age Model 3과 동일하게 대여시작시각 변수 중 21-23시의 변수와 통행거리의 변수인 60-80km, 80-100km의 변수가 유의하지 않다고 도출되어, 해당 변수를 제거해 주었으며, 이에 따른 최종 모델은 Table 16과 같다.
Table 16.
The finally selected model of age model 2 (female)
3. 모델 비교 분석
연령층에 따른 편도 선택 모형은 Age Model 1(24세 이하)과 Age Model 2(25-29세)는 비슷한 형태로 도출되었지만, Age Model 3(30세 이상)의 경우 대여시간을 제외한 대여시작시각과 통행거리에서 이질성이 나타나는 것으로 분석되었다. 18-20시에 공유차량을 대여할 경우 편도서비스 이용확률이 증가하는 것은 동일하게 나타났으나, 30세 이상의 연령층의 경우 20대 연령층과는 다르게 12시에서 14시 사이에 대여하는 경우에도 이용확률이 증가하는 것으로 나타났다. 이는 30세 이상의 연령층인 경우 20대 연령층보다 업무 목적으로 공유차량 서비스를 이용할 확률이 높아 공유차량 편도서비스를 해당 시간에 인근 출장 등 업무 목적으로 이용한 것이라고 해석할 수 있다. 통행거리의 경우 20대 연령층은 20-100km 통행거리 모두 편도서비스를 이용할 확률이 증가하였지만, 30세 이상의 경우 60-100km 사이의 통행거리는 유의하지 않다고 도출되었으며, 20-60km의 통행거리로 공유차량을 이용할 경우 편도서비스를 이용할 확률이 증가하였다. 즉 30대의 경우 20대에 비해 공유차량 편도서비스를 20대 연령층에 비하여 단거리 통행에 이용함을 알 수 있다. Age Model에 따른 비교 분석의 내용은 Table 17과 같다.
Table 17.
Comparison of age models
성별에 따른 편도 선택 모형은 연령에 따른 편도 선택 모형과 유사한 형태를 띄고 있다. Gender Model 1 즉 남성 편도 선택모델의 경우 20대 연령층에 해당하는 모델과 유사한 것으로 나타나고, Gender Model 2 즉 여성 편도 선택모델의 경우 30세 이상의 연령층에 해당하는 모델과 유사한 것으로 나타난다. 남성의 경우 18-20시에 공유차량을 대여하고, 20-100km의 통행거리를 운행할 때, 180분 이내에 공유차량을 대여할 때, 공유차량 편도서비스 이용확률이 증가한다. 여성의 경우 남성과 다르게 18-20시뿐만이 아니라 12-14시 또한 공유차량 대여하였을 때 공유차량 편도서비스 이용확률이 증가하며, 20-60km의 통행거리에서 공유차량 편도서비스 이용확률이 증가하는 것을 알 수 있다. 전술한 공유차량의 이동성에 따른 이질성 분석 수행에서의 결과는 여성이 남성에 비해 장거리 통행이 더 높은 비율을 차지하는 것으로 나타났으나, 편도 서비스 선택 모형의 경우 여성이 남성보다 오히려 단거리에서 편도 선택확률이 증가하는 것으로 나타나는 것으로 알 수 있다. Gender Model에 따른 비교 분석의 내용은 Table 18과 같다.
Table 18.
Comparison of gender models
결론
본 연구에서는 실제 공유자동차 이용 이력 데이터를 활용하여 성별, 연령대, 통행거리, 공유자동차 대여시간 등에 기반한 통행패턴 분석을 통해 공유자동차 이용자 측면에서의 시사점을 제시하고자 하였다. 분석을 위해 공유자동차 이용 연령대를 10% 기준으로 균등분할을 통해 총 10개의 그룹으로 분류하여 분석을 진행하였으며, 3차원 시각화 등 다양한 시각화 기법을 활용해 공유자동차 이용자의 인적 특성별로 통행분포를 분석하여 이질성을 검증하였다. 추가로, 모든 공유자동차 이용자 특성별 이동성 패턴에 차이가 존재함을 검증하기 위해 성별, 연령대 그룹별 대여시작시각, 통행거리, 대여시간 데이터셋에 CDF(Cumulative Distribution Function)를 그린 후 K-S Test를 수행하였다. 다음으로 이항 로지스틱 회귀분석을 통하여 연령, 성별에 따른 공유차량의 편도 서비스 선택 모형을 구축하였다. 분석 결과는 다음과 같이 정리된다.
성별에 따른 공유자동차 통행패턴의 경우 남성이 야간 및 새벽 시간대에 주로 이용하고, 여성이 주간 시간대에 주로 이용하는 것으로 나타났으며, 연령에 따른 공유자동차 통행패턴의 경우 주로 직장인에 해당하는 35세 이상 연령대는 주로 주간에 이용하는 데 반해 학생 또는 직장인에 해당하는 20대 연령대의 경우 주로 야간 및 새벽 시간대에 공유자동차를 이용하는 것으로 나타났다. 또한, 공유자동차 통행거리는 연령대가 낮을수록 조금 더 긴 것으로 나타난 데 반해, 공유자동차의 대여시간은 연령대가 높을수록 더 긴 것으로 나타났다. 또한 각 그룹별 통행거리별 대여시작시각 분포가 모두 다르게 나타나는 것으로 나타났다. 마지막으로, 각 성별 및 연령대 그룹별 대여시작시각, 통행거리, 대여시간 데이터셋의 CDF에 대한 K-S Test 수행 결과 모든 유의확률이 0.01 미만으로 나타나 각 연령대의 대여시작시각, 통행거리, 대여시간이 모두 다른 분포를 나타내어, 모든 이용자 특성별 이동성에 차이가 존재한다는 것을 확인하였다. 또한 이항 로지스틱 회귀분석을 통하여 20대 연령층과 30세 이상의 연령층이 대여시간을 제외하고 이질성이 나타나는 것을 확인하였으며, 성별에 따른 이질성 또한 나타났다. 20대 연령층의 경우 18시에서 20시 사이에 공유차량을 대여할 경우, 공유차량의 통행거리가 20-100km일 경우 공유차량의 편도서비스를 이용할 확률이 증가하였으며, 30대 연령층의 경우 12시에서 14시, 18시에서 20시에 대여할 경우, 통행거리가 20-60km일 경우 공유차량의 편도서비스를 이용할 확률이 증가하는 것으로 나타났다. 대여시간의 경우 공통적으로 180분 이내에서 공유차량의 편도서비스를 이용할 확률이 증가하는 것으로 나타났다. 또한 남성의 경우 20대 연령층과 같은 형태를 띠는 것으로 나타났으며, 여성의 경우 30세 이상의 연령층과 같은 형태를 띠는 것으로 나타났다.
본 연구의 시사점은 다음과 같다. 첫 번째, 본 연구에서 나타난 통행 이질성 분석 결과를 기반으로 다양한 프로모션을 제시할 수 있다. 가령 남성의 경우 야간 시간대 중거리 통행 비율이 높으며, 여성의 경우 주간 시간대 장거리 통행 비율이 높기 때문에, 남성 회원에게는 야간 시간대 이용료 할인, 여성 회원에게는 주간 시간대 이용료 할인 등의 프로모션을 제시하여 공유자동차 브랜드 이미지를 제고할 수 있다. 두 번째, 성별, 연령대별로 평균 통행거리가 상이하기 때문에 공유자동차를 이용하는 모든 성별과 연령대의 니즈를 충족하기 위해서, 사업자 입장에서는 균일요금제와 거리요금제를 모두 운영하는 등 요금제 선택의 폭을 넓힐 수 있다. 세 번째, 대학생과 사회초년생 위주의 20대 연령대의 경우 주로 여가 목적으로 야간, 새벽 시간대 장거리 통행을 위해 공유자동차를 통행수단으로 선택하며, 직장인 위주의 30대 연령대의 경우 주로 업무, 출장 목적으로 주간 시간대 이동권 보장을 위해 공유자동차를 통행수단으로 선택하는 수단선택 행태를 보이는 것으로 나타났다. 따라서, 사업자 입장에서 대학가에 위치한 공유자동차 존은 야간 및 새벽 시간대에 확대하고, 업무지구에 위치한 공유자동차 존은 주간 시간대에 확대하는 등의 정책이 필요하다. 또한 연령과 성별에 따른 공유차량의 편도 서비스 선택 행동을 바탕으로 편도 서비스에 따른 공유차량의 재배치 전략을 수립할 수 있으며, 대학가, 업무지구 등 연령에 따른 주체류지역별 특화된 편도서비스 정책을 펼칠 수 있으리라 판단된다.
본 연구는 추후 연구를 위해 다음과 같은 한계점을 보완하여야 한다. 첫째, 본 연구에서는 공간에 대한 변수 설정을 하지 않아 연령대가 높아질수록 주간 시간대에 공유자동차를 주로 이용하고, 연령대가 낮아질수록 야간 및 새벽 시간대에 공유자동차를 주로 이용한다는 분석 결과를 통해 직장인에 해당하는 연령대는 출장 등의 사유로 주간 시간대에 공유자동차를 이용하며, 학생에 해당하는 연령대는 여가 및 여행을 위해 야간 및 새벽 시간대에 공유자동차를 이용한다고 대략적인 추정은 가능하나, 정확한 목적을 파악하기 어려움에 있다. 향후 공유자동차 출 ‧ 도착 통행을 중심으로 공간적으로 공유자동차 이용에 미치는 요인을 분석한다면 출 ‧ 도착지 유형에 기반한 통행목적 추정으로 맞춤형 서비스 제공이 가능할 것이라 판단된다. 둘째, 본 연구에서는 공간적 범위를 서울특별시로 제한하여 분석을 진행하였다, 각 지자체별로 공유자동차에 관련 정책을 입안하거나 지역별 맞춤형 서비스를 제공하고자 하는 사업자의 입장에서는 지역 내 공유자동차 대여 지점별 통행 이질성을 파악하는 것이 중요하므로, 향후 도시별 주요 대여 지점 간의 통행 이질성 분석을 수행한다면 지역 맞춤형 공유자동차 서비스 및 정책 수립을 위한 기초 자료를 제공할 수 있을 것이라 판단된다. 셋째, 본 연구의 분석에 사용된 공유자동차 이용 이력 데이터는 3년에 걸쳐 구축되어있으므로 시계열적 통행패턴 또한 분석이 가능하다. 따라서 향후 인적 특성과 통행거리 등 특성별 데이터셋을 구축하여 시계열 분석을 수행한다면, 분석 결과를 기반으로 수요예측 등을 통한 공유자동차의 사업성 측면의 기초 자료를 제공할 수 있으리라 판단된다.
