연구의 배경 및 목적
선행연구
연구 방법
1. 로지스틱 회귀분석
2. Louvain 알고리즘
3. MCLP
연구 결과
1. 로지스틱 회귀분석
2. Louvain 알고리즘
3. MCLP
결론 및 연구의 한계점
연구의 배경 및 목적
국내에서 탄소배출 감축을 위한 전기차와 같은 무공해 차량으로의 전환이 가속화될 전망이다. 2017년 국내에서 관련 통계가 공식적으로 집계되기 시작한 이후 2023년까지 7년간 전기차 누적 등록 대수는 50만대를 넘었으며, 충전기 누적 등록 기수도 30만기를 넘어선 것으로 확인되었다. 이에 따라 국내에는 전기차 충전기 1기당 전기차 1.8대의 충전 수요를 감당할 수 있는 것으로 나타났으며, 이는 전기차 강국인 유럽과 중국이 각각 13대와 8대인 점을 비교할 때 상대적으로 양호한 수준이라 평가할 수 있다(IEA, 2023).
그러나 이러한 충전 인프라 보급 노력에도 불구하고, 현재 충전기의 90% 이상이 완속 충전기라는 점은 전기차 사용자의 불편을 초래하고 있다. 실제로 전기차 운전자들이 주변 지인에게 전기차를 추천하지 않는 이유로 ‘충전 인프라’에 대한 불만을 가장 많이 꼽은 것으로 나타났다(Korea Transportation Safety Authority, 2023). 이러한 불편의 주요 원인으로는 국내 주거 형태가 해외와 달리 아파트나 연립주택에 편중되어 있다는 점이 지적된다(Kim and Goo, 2020). 각 세대가 독립된 주차 공간을 보유한 해외와 달리, 국내에서는 개인 사용자가 전용 전기차 충전기를 설치하기 어렵다는 구조적 한계가 있다. 따라서 공공 충전소 설치의 필요성이 대두되고 있으나, 기존의 공공 전기차 충전소는 주로 사용자의 접근성보다는 비교적 부지확보가 쉬운 공공시설에 배치되는 실정이다.
따라서, 본 연구는 전기차 사용자의 접근성이 개선된 최적 입지를 도출하는 것을 목표로 한다. 이를 위해 커뮤니티 디텍션 방식 중 Louvain 알고리즘을 적용하여 수원시의 추정 교통량을 반영한 커뮤니티를 도출하였다. 본 연구에서 제안하는 커뮤니티란 수원시의 교통량 데이터를 기반으로 도출된 그룹을 의미한다. 커뮤니티는 지점인 노드와 이동 경로인 링크 간의 관계를 바탕으로 형성되며 내부적으로 교통류가 더 강하게 연결된 지역들의 집합이다. 따라서 커뮤니티는 특정 지역 내에서 차량 이동이 빈번하게 발생하는 지역을 나타낸다. 차량 흐름이 원활한 지역에 충전소를 배치할 경우 사용자의 접근성이 개선될 수 있다는 점을 고려하여 분석을 진행하였다. 이를 통해 각 커뮤니티의 특성에 따라 행정 경계와 유사하면서도 독창적인 커뮤니티 영역이 구성될 것으로 기대된다. 또한, 로지스틱 회귀분석을 통해 전기차 충전소의 수요 요인과 이용 패턴을 파악하였으며, 도출된 데이터를 기반으로 MCLP(Maximal Covering Location Problem) 모델을 변형하여 충전소 최적 입지를 선정하는 접근법을 제안하였다. 이와 같은 연구를 통해 본 연구는 수원시 내 전기차 사용자의 접근성을 효과적으로 개선할 수 있는 충전소 최적 입지를 제안하고자 한다. 연구의 흐름도는 Figure 1에 제시되어 있다.
선행연구
본 연구는 다양한 방법론을 통해 전기차 사용자의 접근성을 개선한 충전소 입지 최적화를 도출하는 것을 목표로 한다. 이를 위해 전기차 충전소 입지 선정에 영향을 미치는 요인, 충전소 이용 행태, 커뮤니티 디텍션 기법, 최적 입지 선정 방법 그리고 커뮤니티 디텍션을 최적 입지에 적용한 선행연구를 검토하였다. 먼저, 전기차 충전에 영향을 미치는 요인을 분석하기 위해 다양한 방법론이 활용되었다. 대표적으로 다중회귀분석(Suk, 2019), 로짓모형(Son and Lee, 2019; Kim and Kim, 2023), 로지스틱 회귀분석(Kim et al., 2023)이 사용되었다. Kim and Kim(2023)은 100m×100m 단위로 데이터를 구축하고 이항 로짓모형을 활용하여 수요, 공급, 지역 특성이 급속 충전소 입지에 미치는 영향을 분석하고, 지역별 입지 확률의 차별성을 제시하였다. Kim et al.(2023)은 이항 로지스틱 회귀분석을 통해 제주도와 강릉시의 충전 패턴을 비교하고, 지역별 충전 수요가 전기차 사용자의 다양한 목적에 따라 달라짐을 확인하였다.
충전소 이용 행태를 분석한 연구도 검토하였다. Park et al.(2017)과 Yoo et al.(2023)은 승용차, Park and Kim(2023)은 화물차를 대상으로 연구를 진행하였다. Park et al.(2017)은 제주도의 충전소 이용 행태를 분석하여 시간대별 급속 및 완속 충전기 이용 특성과 추가 충전시설 설치 시 고려해야할 요소를 제시하였다.
또한, 본 연구는 전기차 사용자의 접근성을 개선하기 위해 수원시 교통량 데이터 기반으로 커뮤니티 디텍션 기법을 활용하였다. Madhawa et al.(2015)의 연구에 따르면, 여러 커뮤니티 디텍션 알고리즘 중 Louvain 알고리즘의 평균 모듈성(Modularity)이 가장 우수한 성능을 보였다. 모듈성은 네트워크 분석에서 커뮤니티 구조의 품질을 측정하는 지표이며, 특정 네트워크가 커뮤니티로 얼마나 잘 나뉘어 있는지를 평가하는 기준이다. 이를 바탕으로 본 연구에서는 여러 커뮤니티 디텍션 기법 중 Louvain 알고리즘을 적용한 선행연구를 검토하였다. Blondel et al.(2008)은 모듈성 최적화를 기반으로 한 휴리스틱 방법을 제안하며 대규모 네트워크에서 빠르게 커뮤니티를 추출하였다. 도출된 데이터를 기반으로 벨기에 이동통신 네트워크에서 언어 커뮤니티를 식별하였다. Kim and Song(2022)은 “생활통행권(Travel Boundary)”을 도출하기 위해 커뮤니티 디텍션 기법 중 Louvain 알고리즘을 활용하였다. 생활 통행권은 ‘통행’ 정보를 포함한 데이터를 활용하여 사람들의 통행이 어떠한 Boundary까지 뻗어 있는지를 도출하고, 이를 기반으로 교통정책, 계획, 대중교통 측면에서 시사점을 도출하기 위한 목적으로 사용된다. 이를 통해 해당 연구는 택시사업구역을 재설정하고, 교통계획 및 택시산업 서비스 개선에 유용한 시사점을 제시하였다.
전기차 충전소 입지 최적화를 위한 최적 입지 모델 연구도 다수 검토하였다. Park et al.(2013)은 자전거 주차장의 최적 개수와 위치를 도출하기 위해 휴리스틱 p-median 알고리즘을 적용하였으며, 예산 제약 유무에 따른 모형을 제시하였다. Kim and Goo(2020)는 안양시의 급속 충전소 후보지와 교통량 데이터를 기반으로 집합 커버, p-median, p-center 모델을 비교 분석하며, 충전소 입지 선정 시 목적에 따른 모델 선택에 중요성을 강조하였다, Kim(2021)은 강남구에서 MCLP(Maximal Covering Location Problem) 모델을 활용하여 심정지 발생 가능 인구를 기준으로 자동심장충격기(AED)의 공간적 분포와 커버리지 비율을 분석하였다.
특히, 커뮤니티 디텍션을 최적 입지에 적용한 선행연구들도 검토하였다. Chen et al.(2018a)은 네트워크 컨트롤러의 최적 입지를 도출하기 위해, Tan et al.(2024)는 소매 및 서비스 산업의 최적 입지를 분석하기 위해 Louvain 알고리즘을 활용하였다. 두 연구 모두 커뮤니티 디텍션을 통해 입지 후보를 탐지한 뒤 최적 입지 모델을 활용하여 분석을 진행하였다. 교통 분야에서도 유사한 연구가 이루어졌다. Moura et al.(2018)은 ITS 시스템에서 RoadSide Unit의 최적 배치를 위해 Louvain 알고리즘을 활용하여 네트워크 구조를 분석하고, 이를 기반으로 최적 입지를 도출하였다. Gaydoul et al.(2023)은 전기 트럭 공공 충전 인프라 구축을 목적으로 Louvain 알고리즘을 통해 커뮤니티를 탐지하고 주요 노드를 선정하였다. 이후 주행 거리와 사업적 제약을 반영한 시나리오 평가를 통해 최적 입지를 도출하였다.
이처럼 기존 연구들은 시설물의 효율적 배치와 접근성 개선을 위해 다양한 최적화 기법과 통계분석을 활용해 왔다. 본 연구는 이러한 선행연구를 바탕으로 커뮤니티 디텍션 기법과 로지스틱 회귀분석을 최적 입지 모델에 적용하였다. 커뮤니티 디텍션 기법을 활용하여 노드와 링크간의 관계를 분석하고 커뮤니티를 생성함으로써 전기차 사용자의 접근성을 개선하고자 한다. 또한, 로지스틱 회귀분석을 통해 충전소 유형에 따른 설치에 영향을 미치는 요인을 종합적으로 고려하여 입지 최적화를 세밀하게 분석하고자 한다.
연구 방법
1. 로지스틱 회귀분석
로지스틱 회귀분석 모델은 종속 변수가 범주형 관측 데이터일 때 유용하며, 본 연구에서는 급속 및 완속 전기차 충전소 설치에 영향을 미치는 요인을 개별적으로 식별하는데 쓰였다. 이를 통해 주어진 지역에서 전기차 충전소가 입지할 확률을 구한 뒤, 해당 확률값을 입지 최적화 알고리즘인 MCLP의 수요지 가중치로 이용하였으며 식은 Equation 1과 같다.
여기서 는 종속 변수로 전기차 충전소 설치 확률, 은 독립 변수를 의미한다.
2. Louvain 알고리즘
기존의 전기차 충전소는 부지확보가 쉬운 지역에 배치되어 사용자 접근성을 충분히 고려하지 못한 한계가 있다. 이러한 한계를 극복하고 충전소의 효율적인 배치를 위해서는 교통류 데이터를 기반으로 지역 간 이동 패턴과 연계성을 분석할 필요가 있다. 특히, 차량 이동이 빈번한 지역을 파악함으로써 사용자 접근성을 개선할 수 있는 최적 입지를 세밀하게 분석하고자 한다. 이를 위해 본 연구에서는 커뮤니티 디텍션 기법을 활용하였다. 최근 계산 능력의 향상으로 인해, 개별 노드의 중심성(Centrality)를 분석하기 보다는 노드가 속한 그룹(Community)이 네트워크에 미치는 영향을 이해하는 것이 더 유의미할 수 있다. 커뮤니티 디텍션 방식은 네트워크를 구성하는 노드와 링크 간의 관계를 분석하여 커뮤니티 내 링크의 가중치를 최대화하고 커뮤니티 간 링크의 가중치를 최소화하는 네트워크 분석 기법이다(Newman and Girvan, 2004).이 기법은 교통류가 강하게 연결된 커뮤니티를 식별하고, 이러한 커뮤니티 간 상호작용 패턴을 분석하는데 유용할 수 있다.
본 연구는 한국 교통연구원에서 제공하는 View T 자료중 2022년 수원시 평일 전체 차량 추정 교통량 데이터를 기반으로 커뮤니티 디텍션을 수행하여 교통류가 집중적으로 발생하는 커뮤니티를 도출하였다. 도출된 커뮤니티는 모듈성(Modularity)이 높은 커뮤니티로 간주하며, 모듈성은 커뮤니티의 내부 구조가 얼마나 잘 형성되었는지를 평가하는 지표로 활용된다. 모듈성 값은 일반적으로 –1에서 1 사이의 범위를 가지며, 1에 가까울수록 커뮤니티가 잘 형성되었음을 의미한다(Ha and Lee, 2016). 모듈성은 Equation 2를 통해 도출할 수 있다.
여기서 는 모듈성을 의미하며, 은 전체 네트워크의 교통량으로 모든 링크 가중치의 총합을 나타낸다. 는 노드 에서 로 이동하는 교통량, 즉 링크의 가중치를 나타낸다. 이 값은 두 노드간의 연결 강도를 표현하며, 네트워크에서 교통량 데이터의 흐름을 정량적으로 측정하는 데 사용된다. 본 연구에서는 정규화된 데이터를 사용함에 따라 0에서 1사이의 값을 가진다. , 는 각 노드 와 에서 발생한 통행량 및 유입량을 나타내며, 해당 노드와 연결된 모든 링크 가중치의 합을 의미한다. , 는 노드 와 가 할당된 생활 통행권을 의미한다. 는 노드 와 가 동일한 커뮤니티에 속하는지 여부를 나타내며, 동일한 커뮤니티라면 1 그렇지 않다면 0의 값을 가진다.
본 연구에서는 여러 커뮤니티 디텍션 방식 중 Louvain 알고리즘을 적용하였다(Blondel et al., 2008). 선행연구에서 Louvain 알고리즘은 타 커뮤니티 디텍션 알고리즘에 비해 모듈성 성능이 가장 우수하게 도출되었으며(Madhawa et al., 2015) 모듈성의 계산시간도 빠른편에 속해 교통량 데이터를 분석하기에 적합하다고 판단하였다. Louvain 알고리즘은 모듈성 최적화를 기반으로 두 단계로 구성된다. 첫 번째 단계에서는 각 노드를 초기 커뮤니티로 설정하고, 모듈성이 향상되는 방향으로 노드를 재배치한다. 두 번째 단계에서는 첫 번째 단계에서 생성된 커뮤니티를 기반으로 네트워크를 재구성하며, 새로운 커뮤니티 간 통행량은 합산하고 내부 링크는 Self-loop로 대체한다(Kim and Song, 2022). 이 두 단계를 반복해 네트워크의 커뮤니티 구조를 점진적으로 개선한 후 도출된 커뮤니티를 MCLP의 수요지와 후보지 데이터로 활용하였다.
3. MCLP
MCLP 모델은 시설물의 개수가 제한된 상황에서, 가능한 한 많은 수요를 충족할 수 있도록 시설물의 입지를 선정하는 모델이다(Church and ReVelle, 1974). 그러나 전기차 충전기와 같이 고정된 비용이 발생하는 시설물의 경우, 최소한의 비용으로 서비스 수준을 최대화할 수 있는 위치를 선정하는 것이 중요하다. 기존 MCLP 모델은 서비스 수준 최대화에 초점을 맞추고 있으나, 본 연구와 같이 설치 비용이 많이 드는 설비의 입지 선정 문제에서는 서비스 수준 최대화뿐만 아니라 비용 최소화도 함께 고려해야 한다는 점에서 더욱 복잡한 입지 선정 과정이 요구된다(Hong and Lee, 2004). 본 연구에서는 급속 충전기와 완속 충전기의 설치 비용 및 이용 빈도 차이를 고려하여, 한 충전소에 두 유형이 모두 설치되거나 하나만 설치될 수 있음을 가정하였다. 이에 따라 유형별 특성을 반영한 통합적인 입지 선정 모형의 필요성을 제안한다. 이러한 목적에 따라 기존의 MCLP 식 일부를 변형하여 다음과 같이 Equation 3에서 7에 제안하였다.
Louvain 알고리즘을 통해 도출된 커뮤니티는 와 에 반영하였다. 여기서 는 수요지점 세트, 는 시설입지 세트를 의미한다. 는 충전소의 영향범위를 나타내며, Kang and Jeon(2017)의 연구를 참고하여 반경 1.13km의 원으로 정의하였다. 는 수요지점 수요지점 에서 후보지 까지의 거리, 는 종속 변수로 수요지점 가 최소 한 개의 시설물에 의해 충족되는 경우 1, 그렇지 않다면 0의 값을 가진다. 는 시설물 의 할당 여부를 나타내며 시설물이 할당되면 1, 그렇지 않다면 0의 값을 가진다. 또한 와 는 각각 급속 전기차 충전소와 완속 전기차 충전소를 의미하며, 로지스틱 회귀분석을 통해 충전소의 유형에 적합한 입지 요인을 분석하였다. 분석 결과는 확률값으로 반영되며 해당 식에서는 로 표현되며, 이는 각 지점의 수요 가중치를 나타낸다. 는 수요지점 를 충족할 수 있는 시설 후보지 집합을 의미한다. 𝛼와 𝛽는 각각 급속과 완속 전기차 충전소의 설치 비용을 나타내며, 는 예산을 의미한다. 본 연구에서는 수원시 회계연도 보고서와 가상의 예산을 추정하여 시나리오 분석에 반영하였다.
Objective Function
Subject to
본 수식은 급속과 완속이라는 전기차 충전소의 특성에 맞게 이진변수를 모형에 적용하였다. 이를 통해 수요지점에 대해 두 가지 상태를 고려하는 방식을 채택하였다. 목적함수의 구조는 기존 MCLP 식이 하나의 영향범위만을 고려하는 것과 달리, 본 연구의 수식에서는 급속 및 완속 충전소의 두 가지 영향범위 조건을 합산하는 형태로 개선하였다. 또한, 전기차 충전기는 고정된 설치비용이 발생하므로 기존 MCLP 식처럼 정해진 시설물 개수가 아닌 예산으로 제한하도록 제약 조건을 추가하였다.
연구 결과
1. 로지스틱 회귀분석
MCLP를 통해 지역 특성에 따라 가중치를 차등화하기 위해, 로지스틱 회귀분석으로 충전소 입지 확률을 정량화하여 반영하고자 한다. 이 과정에서 급속과 완속 충전소의 특성을 반영하고자 각기 다른 회귀식이 분석되었다. 본 연구는 국토지리정보원의 250m×250m 격자 데이터를 활용하여 수원시를 격자 형태로 분할하였다. 종속 변수는 충전소가 격자 내에 입지하면 1, 아니면 0으로 구분하였고, 환경부 무공해차통합누리집에서 자체적으로 수집(2024년 8월 19일 기준)해 상태미확인 및 사용불가 충전소를 제외한 입지 여부를 기록하여 분석에 활용하였다.
본 연구의 독립 변수들도 모두 같은 크기의 격자 데이터로 체계화하며, 부득이하게 2022년 데이터만 존재하는 고속도로 IC 접근성을 제외한 모든 변수의 기준 연도는 2024년으로 통일하였다. 전기차 충전소 이용 행태는 수원시 급속 225개소, 완속 1,249개소를 대상으로 무공해차 통합누리집에서웹 크롤링을 통해 일주일간 수집하였으며, 격자별 데이터로 통합하여 분석에 활용하였다. 완속과 급속 회귀식의 독립 변수는 대체로 동일했던 반면, 급속 충전소의 주말 이용 행태가 완속 충전소의 그것에 비해 유의미한 차이를 보여 이를 반영하였다. 2023년 1분기 경기도 전기차 등록 대수 중 55%가 ‘40-50대 상주 인구’에 의해 소유된다는 분석 결과(Carisyou, 2023)를 참고하여, 해당 인구수가 인구 특성 변수로 설정되었다. 자동차와 전기차 추정 등록 대수는 2024년 4월 수원시 구별 차량 등록 대수와 격자별 인구수를 기반으로 Gaussian Mixture Model(GMM)을 적용해 추정하였으며, 이 추정 과정에 필요한 최적 성분 개수는 AIC(Akaike Information Criterion)와 BIC(Bayes Information Criterion)값을 비교해 설정하였다. 전기차의 짧은 주행거리를 고려해 본 연구는 고속도로 IC 접근성과 충전소 밀도를 독립 변수로 활용하였다. 이 때, 충전소 밀도의 영향범위는 국내에서 가장 촘촘한 공공 충전기 보급을 추진 중인 제주도의 사례(Kang and Jeon, 2017)를 참고해 4km2로 설정하고, 이에 따라 반경 1.13km의 원으로 정의하였다.
급속 및 완속 충전소의 로지스틱 회귀분석 결과는 Table 1에 제시되어 있으며, 완속 충전소 모델은 ROC- AUC(Receiver Operating Characteristic-Area Under Curve)값 0.8141과 Accuracy값 0.8977로 비교적 높은 예측 성능을 보였다. 또한 총 6개의 독립 변수가 p-value 값 0.05 미만으로 통계적으로 유의미하였다. 주요 변수로는 40-50대 상주인구(계수 0.9884)가 충전 수요를 증가시키는 요인으로 나타났으며, 이는 해당 연령층의 전기차 사용률이 높아 충전소에 대한 수요를 증가시키는 주요 요인임을 시사한다. 반면 평일 충전소 이용 행태(계수 –0.0590)는 완속 충전소 이용 수요가 평일에는 상대적으로 낮을 가능성을 시사한다. 충전소 밀도(계수 0.5440)는 밀도가 높은 지역일수록 잠재적인 충전소 이용자가 많아 충전소 설치 수요가 높아질 가능성을 보여준다. 특히, 완속 충전소는 사람들이 장기간 머무르는 지역에 주로 설치되는 특성이 있어, 충전소 밀도가 높은 지역에서 추가적인 수요가 발생할 가능성이 높다.
Table 1.
Logistic regression result for slow and fast EV charging stations
급속 충전소 입지에 관한 로지스틱 회귀분석 결과 ROC-AUC 값은 0.7510, Accuracy 값은 0.7714로 전반적으로 양호한 성능을 보여주었다. 또한 7개의 독립 변수가 p-value 값 0.05 미만으로 통계적 유의미성을 보였다. 주요 변수 중 충전소 밀도(계수 0.6695)는 충전소 고밀 지역일수록 잠재적 이용자가 많아 급속 충전소 설치 수요가 증가할 가능성을 보여준다. 고속도로 IC 접근성(계수 0.2000)은 고속도로 통행을 위한 장거리 이용에서의 충전 행태를 반영하고 있다. 주말 충전소 이용 행태(계수 0.2172)와 평일 이용 행태(계수 –0.2309)를 종합해 볼 때 급속 충전소는 평일보다 주말에 활용 가능성이 높음을 시사한다. 따라서 급속 충전소는 주로 주말 수요와 장거리 운행과 같은 특수한 이용 행태를 반영하여 입지가 결정될 가능성이 높다.
2. Louvain 알고리즘
본 연구는 250m×250m 격자를 노드로 정의한 뒤, 각 노드를 연결하는 링크의 가중치는 한국 교통연구원에서 제공하는 View T 자료 중 2022년 수원시 평일 추정 교통량 데이터를 활용하였다. 이러한 노드-링크 구조를 바탕으로 Louvain 알고리즘을 적용한 커뮤니티 디텍션이 이루어졌다. 데이터 전처리 단계에서는 수원시의 총 2,089개의 격자 데이터 중 인구수가 0명인 지역을 제외한 나머지 1,141개의 격자를 분석에 사용하였다. 알고리즘 결과의 신뢰성을 높이기 위해 200번 반복 실행 후, 모듈성이 가장 높은 결과를 선택하여 커뮤니티를 정의하였다. 본 연구에서 모듈성은 0.5769로 계산되었으며, 모듈성 값이 0.3 이상이면 해당 네트워크는 유효한 커뮤니티 구조를 가지고 있음을 의미한다(Chen et al., 2018b). 이에 따라 본 연구에서 도출된 수원시 커뮤니티는 네트워크 내에서 특정 커뮤니티 간의 내부 연결이 강하게 유지되고 있음을 보여준다. 그 결과는 Figure 1과 같다.
Figure 2에 따르면 Louvain 알고리즘을 활용하여 수원시 추정 교통량을 반영한 4개의 새로운 커뮤니티가 정의되었다. 각 커뮤니티는 수원시의 실제 행정구역인 장안구, 권선구, 영통구, 팔달구의 경계와 유사한 형태를 보였으나, 행정구역 경계와 완전히 일치하지는 않는 것으로 나타났다. 또한, 커뮤니티로 정의되지 않는 공백 노드는 산, 논, 호수 등 차량 통행이 불가능한 지역으로 파악되었다. 분석 결과, 인구 특성과 통행 패턴이 유사한 4개의 커뮤니티를 정의할 수 있었으며, 각 커뮤니티는 서로 다른 특성을 지니고 있어 개별적으로 충전소 입지 최적화를 수행할 수 있을 것으로 판단하였다. 본 논문에서는 편의상 커뮤니티와 경계가 유사한 행정구역의 이름을 따 4개의 커뮤니티를 각각 장안, 권선, 영통, 팔달이라 명명하였다. 이후 정의된 커뮤니티를 기반으로 MCLP 모델을 활용하여 충전소 입지 최적화를 수행하였다.
3. MCLP
본 연구는 변형 MCLP 모델을 활용해 2022년, 2023년, 가상의 예산 시나리오를 바탕으로 전기차 충전소 입지 최적화를 수행하였다. 2022년과 2023년 시나리오에서는 해당 연도의 수원시 회계연도 예산성과보고서에서 ‘그린모빌리티 충전 인프라 구축 및 관리’항목을 참고하여 예산을 산정하였다. 이를 바탕으로 전기차 충전소 입지 최적화를 수행하였으며, 가상 시나리오에서는 2025년 예산을 가정하여 분석을 진행하였다. 이 때, Kang et al.(2021)의 기준으로 완속과 급속 충전기 각 1기가 차량을 각각 5대와 10대 담당한다고 가정하면, 수원시에서는 완속 충전기는 충분하지만 급속 충전기가 권선 121기, 영통 64기, 장안 55기, 팔달 16기로 총 255기 부족한 것으로 나타났다. 또한, 완속 충전기와 급속 충전기의 단가는 각각 4,942,000원과 32,156,000원으로 가정하였다(Kim et al., 2022). 이 결과를 바탕으로 부족 충전기 대수를 부족 충전소 개수로 환산한 뒤, 부족 충전소의 입지를 최적화하였다.
1) 2022년 시나리오
2022년도의 수원시 회계연도 예산성과 보고서를 참고하여 커뮤니티별 인구수를 바탕으로 전기차 충전소 설치에 사용할 수 있는 예산을 추정하였다. 추정된 총 예산은 172,000,000원으로 산출되었으며, 이를 각 커뮤니티의 인구수에 비례하여 분배하였다. 그 결과, 2022년 시나리오에서는 예산 부족으로 각 충전소에 급속 충전기를 1기씩 설치할 수 있을 수준의 예산만 책정되었다. 이 예산을 토대로 각 커뮤니티별 급속 및 완속 충전소와 충전기의 개수를 추정한 결과는 Table 2와 같다.
Table 2.
2022 MCLP results table
2022 시나리오에서는 급속 충전소를 배치하는 것보다 적은 예산으로 완속 충전소를 여러 곳에 배치하는 것이 더 효율적인 것으로 확인되었다. 다만, 완속 충전소의 경우에는 장안 커뮤니티와 팔달 커뮤니티에 각각 1개, 권선 커뮤니티와 영통 커뮤니티에 각각 2개의 격자에 입지하는 것으로 나타났으며, Figure 3은 그 분포를 시각화하여 보여주고 있다. 붉은색 점이 충전소의 최적 입지이며, 이를 둘러싸고 있는 원이 4km2의 영향범위를 나타낸다.
분석 결과에 따르면 각 커뮤니티의 주요 충전소 입지 격자는 대형마트, 기업체, 고속도로 등 주요 시설과 인접하여 특정한 공간적 패턴을 보였다. 영통 커뮤니티는 삼성전자와 이마트 트레이더스와 같은 대규모 기업체와 상업시설이 인접해 있으며, 공원과 같은 여가 공간이 함께 분포하고 있다. 팔달 커뮤니티는 스타필드를 중심으로 주요 상업 및 교통 중심지로서의 특성을 보인다. 권선 커뮤니티는 수원광명고속도로와 공원이 인접해 있어 장거리 운행차량과 여가 이용자들의 접근성이 높으며, 수원농수산물도매시장 주변의 물류 및 상업 활동에 따른 충전 수요가 높을 가능성이 있다. 장안 커뮤니티는 성균관 대학교와 롯데마트가 위치한 교육 및 상업의 중심지로, 대학 캠퍼스와 대형마트 인근에서 다양한 충전 수요가 발생할 것으로 예상된다. 이와 같은 분석은 충전소 입지가 주요 상업 및 교통 기능과 밀접한 연관성을 가지며, 각 커뮤니티의 특성이 충전소 수요에 중요한 영향을 미친다는 점을 보여준다.
2) 2023년 시나리오
전년도와 마찬가지로 해당연도 예산성과 보고서를 참고하여 전기차 충전소 설치에 사용할 수 있는 예산을 산정하였다. 2023년 시나리오의 총 예산은 36,500,000원으로 2022년 예산에 비해 크게 감소하였다. 이를 각 커뮤니티별 인구수로 분배한 결과, 커뮤니티별로 설치할 수 있는 충전소는 Table 3에 제시된 바와 같이 급속과 완속을 불문하고 0개소로 나타났다. 이에 따라 2023년 시나리오에서는 수원시 전체 커뮤니티를 대상으로 입지 최적화를 수행하였다.
Table 3.
2023 MCLP results table
분석 결과, 급속 충전소를 배치하는 것보다 비용 효율성이 높은 완속 충전소를 배치하는 것이 더 적합한 것으로 확인되었으며, 그 분포는 Figure 4에 시각화하여 제시하였다. 2023 시나리오의 수원시 전체 커뮤니티를 대상으로 한 완속 충전소의 최적 입지는 팔달 커뮤니티에 위치했다. 특히, 해당 격자의 영향범위 내에는 효원공원이 포함되어 있으며, 서쪽에는 수원시청과 같은 공공기관이, 동쪽에는 삼성전자와 같은 대규모 기업체와 인접해 있어 지역 내 행정 및 산업적 기능이 조화를 이루고 있는 것으로 분석되었다.
3) 가상의 예산 시나리오
수원시는 2025년까지 총 8,600기의 전기차 충전기를 보급하겠다는 목표를 발표한 바 있다(Yonhap News Agency, 2022). 2024년 8월 19일 기준으로, 이미 7,826기의 충전기가 설치된 것으로 확인되었다. 이에 따라 2025년까지 추가로 774기의 충전기를 설치해야 한다는 시나리오를 설정하여 분석을 진행하였다. Kang et al.(2021)의 연구에 따르면 수원시의 완속 충전기는 충분한 반면, 급속 충전기는 총 255기가 부족한 것으로 나타났다. 이에 따라, 774기의 충전기 중 255기는 급속 충전기로, 나머지 519기는 완속 충전기로 가정하여 이를 모두 충족시킬 수 있는 가상의 예산을 추정하였다. 그 결과 10,764,678,000원의 필요한 것으로 나타났다. 예산 조건과 필요 충전기 대수를 바탕으로 충전소를 최적화한 결과는 Table 4와 같다.
Table 4.
Virtual MCLP results table
본 시나리오에서는 무제한 예산이 편성된 가정을 바탕으로 충전소의 최적 입지를 분석하였다. 실제로 설치가능한 급속 충전기의 수는 171기로 이는 예산 가정에서 설정한 255기보다 적은 수치이다. 이는 급속 충전기를 전부 배치하는 것보다는 비용 효율성이 높은 완속 충전소를 설치하는 것이 더 합리적이라는 결과로 해석된다.
분석 결과에 따르면 급속 충전소는 Figure 5에 제시된 총 52개, 완속 충전소는 Figure 6에 제시된 총 56개를 배치할 수 있는 것으로 나타났다. 이는 각 커뮤니티의 전 지역을 충족시킬 수 있는 것으로 분석되었으며, 수원시 중앙의 팔달 커뮤니티 부근에서 충전소의 영향범위가 중첩되는 경향이 나타나 도심 내 높은 충전 수요를 충족시킬 수 있을 것으로 보인다.
4) 연구의 차별성
(1) Louvain 알고리즘 반영 여부에 따른 MCLP 비교
본 연구는 커뮤니티 디텍션 기법 중 Louvain 알고리즘을 활용하여 전기차 충전소의 최적 입지를 도출하였다. Louvain 알고리즘을 통해 수원시의 교통량을 기반으로 커뮤니티를 식별하고, 이를 바탕으로 최적 입지를 분석하였다. 또한, Louvain 알고리즘을 적용하지 않고 MCLP만을 활용할 경우 결과가 달라질 수 있음을 확인하였다.
Figure 7과 8에서는 2022년을 기준으로 Louvain 알고리즘 반영 유무에 따른 최적 입지를 나타낸다. Louvain 알고리즘이 적용된 경우와 적용되지 않는 경우 모두 예산 변동이 없었기 때문에 충전소의 개수에는 차이가 없었으나, 최적 입지 선정 결과에서는 다음과 같은 차이점이 나타났다. Louvain 알고리즘이 반영된 MCLP는 커뮤니티 내부에 위치하여 기존 MCLP에 비해 외곽지역으로 충전소가 배치되는 경향을 보였다. 반면, Louvain 알고리즘이 반영되지 않은 MCLP는 인구수가 0인 지역을 최적 입지로 선정하는 결과를 도출되었으며 이는 충전소 이용 효율에 부정적인 영향을 미칠 가능성이 있다. 이러한 결과를 바탕으로 커뮤니티 디텍션 기법을 반영하는 것이 충전소 입지 선정 과정에서 더 긍정적인 효과를 가져올 수 있음을 확인하였다.
(2) 최적 입지와 기존 충전소 위치 비교
MCLP를 활용하여 도출된 2022년과 2023년의 최적 입지와 기존 충전소의 위치를 비교하였다. Figure 9와 Figure 10은 각각 2022년과 2023년의 분석 결과를 나타낸다. 분석 결과, 2022년과 2023년 모두 최적 입지로 도출된 지역은 기존 충전소가 배치되지 않은 지역에 위치하고 있다. 이는 MCLP를 통해 도출된 최적 입지가 교통량 데이터를 기반으로 충전소 수요와 접근성을 반영하여 선정되었기 때문에 기존의 충전소와는 다른 분포 양상을 보인다. 이로 인해 기존의 충전소는 교통류와 사용자 수요를 충분히 반영하지 못한 한계가 있다.
최적 입지와 기존 충전소 위치 간의 차이를 통해 다음과 같은 시사점을 제시한다. 첫째, 기존 충전소 배치는 충전소 수요와 교통류를 충분히 반영하지 못했기 때문에 사용자 접근성을 개선하기 위한 재배치 전략이 필요하다. 둘째, 교통량 데이터를 활용하여 커뮤니티 디텍션 기법을 적용한 최적 입지 모델을 도입함으로써 충전소 배치의 효율성을 높일 수 있다. 이러한 분석은 충전소 입지 최적화를 위한 정책적 방향성을 제공하며, 전기차 사용자 접근성을 개선하기 위한 해결책을 제안할 수 있다.
결론 및 연구의 한계점
전기차는 최근 친환경 차량으로서 그 중요성이 부각되고 있으며, 전기차 충전소는 전기차 운영에 있어 필수 인프라이다. 2023년 IEA 보고서에 따르면 국내 전기차 충전기 보급률은 양호한 편이나, 약 90%가 완속 충전기로 편중되어 있어 급속 충전기의 보급이 필요하다. 또한, 국내의 주거 형태가 대부분 아파트 등으로 구성되어 있어 개인 충전기 설치가 어렵기 때문에 공공 충전소 입지가 필수적이다. 그러나 전기차 충전소는 부지확보가 쉬운 공공시설 위주로 배치되어 있는 실정이다.
본 연구는 MCLP 모델, Louvain 알고리즘, 로지스틱 회귀분석을 활용해 수원시 전기차 충전소의 최적 입지를 분석하였다. 기존의 예산으론 추가적인 급속 충전소 배치가 힘들었으나, 가상의 예산을 가정한 결과, 급속 충전소와 완속 충전소는 각각 52개소와 56개소를 배치할 수 있었다. 특히 Louvain 알고리즘을 통해 수원시의 커뮤니티를 재구성함으로써 교통량을 반영한 충전소 배치 계획이 필요함을 강조하였다. 또한, 충전소의 설치 요인으로 충전소 밀도, 차량 추정 등록 대수 등의 사회적 및 교통적 요인들을 제시하여 전기차 충전소 배치에 대한 정책적 시사점을 제공하였다. 이를 통해 충전소 위치 선정 시 전기차 사용자의 접근성 극대화와 효율적인 예산 배분이 필수적임을 제시하였다.
다만, 본 연구는 다음과 같은 한계점을 갖는다. 격자 구조를 기반으로 자동차와 전기차 대수를 추정하여 분석을 진행했으나, 격자화로 인해 발생할 수 있는 오차 가능성이 존재한다. 또한 전기차 충전소의 다양한 영향범위를 모두 고려하지 못하고 4km2의 범위를 동일하게 적용하였다. 마지막으로 회귀분석이 비교적 높은 예측 성능을 보였지만, 딥러닝 등 최신 예측 기법을 활용하여 더 나은 예측력을 확보하지 못하였다. 이는 향후 연구에서 데이터를 보충하여 보완할 수 있을 것으로 기대된다. 향후 전기차 충전소의 영향범위를 분석하여 최적 입지를 고려할 필요성이 존재하며, 추정 데이터가 아닌 실제 데이터를 분석에 활용하여 현재보다 분석의 신뢰도를 높이고자 한다.
