Article

Journal of Korean Society of Transportation. 30 April 2022. 230-244
https://doi.org/10.7470/jkst.2022.40.2.230

ABSTRACT


MAIN

  • 서론

  • 선행연구 검토

  •   1. 교통부문 코로나 19 영향 관련 연구

  •   2. 공유 모빌리티 관련 연구

  •   3. 기존 연구와의 차별성

  • 분석자료

  • 연구방법론

  •   1. 데이터 전처리

  •   2. 기초통계분석

  •   3. 순서형 프로빗 모형

  • 모형 추정 결과

  • 결론

서론

코로나바이러스감염증-19(이하 코로나 19)는 우리의 일상을 크게 변화시켰다. 2021년 4월 20일 기준 115,195명의 코로나 19 (누적)확진자가 발생하였으며, 일평균 약 700명의 확진자가 발생하고 있는 추세이다. 이에 정부에서는 코로나 19의 확산을 방지하기 위해, 사적 모임 인원 제한, 음식점 및 카페, 노래연습장 등에 대한 운영시간 제한과 같이, 단계별 ‘사회적 거리두기’ 정책을 시행하여 사람들의 행동을 제한하고 있다. 이러한 제약은 사람들의 통행에 영향을 미치게 되었으며, 이에 따라 교통부문에는 많은 변화가 발생하였다.

코로나 19 전후의 서울시 대중교통 이용량을 비교해보면, 광역 ‧ 도시철도 이용량은 2019년 대비 2020년 25.0% 감소하였으며, 시내버스 이용량도 2019년 대비 2020년 27.4% 감소한 것으로 나타났다(Ministry of Land, Infrastructure and Transport, 2021). 반면, 새롭게 등장한 공유 모빌리티(Sharing Mobility) 서비스는 이용이 급격하게 증가한 것으로 나타났다. 이러한 공유 모빌리티 서비스에는 공유 자동차, 공유 자전거, 공유 전동킥보드 등이 있으며, 특히 이 중 공유 전동킥보드 이용이 비교적 크게 증가한 것으로 나타났다. 퍼스널모빌리티산업협의회(SPMA)에 따르면 서울시의 공유 전동킥보드 월별 이용 건수는 2020년 3월 1,435천 건에서 8월 3,602천 건으로 약 151.0% 증가한 것으로 나타났다(SPMA, 2020). 추가로, 현대카드 공유 모빌리티(공유 자동차, 공유 자전거, 공유 전동킥보드, 차량 구독 서비스) 결제 집계데이터 분석 결과에 따르면, 공유 모빌리티 결제건수는 2017년 643,248건에서 2019년 1,129,417건으로 약 76% 증가한 것으로 나타났다. 이러한 추이는 현재까지 지속되고 있으며, 2020년 1월부터 10월까지의 집계건수는 1,708,200건으로 이미 2019년의 이용량을 크게 뛰어넘은 것으로 나타났다(Hyundai Card ‧ Hyundai Commercial Newsroom, 2020).

코로나 19 확산 이후 교통부문의 전반적인 변화를 살펴보면, 버스, 지하철과 같은 대중교통 이용은 감소하였으며 공유 모빌리티 이용은 증가한 것으로 나타났다. 이러한 교통 패러다임의 변화를 토대로, 주로 전기를 동력으로 하는 1인용 이동수단인, 개인형 이동수단(Personal Mobility)을 활용한 공유 모빌리티 서비스는 앞으로 급격하게 성장할 것으로 전망된다. 또한, 기존 도시 구조가 포스트 코로나 시대에 맞게 변화할 것으로 예상되며, 이에 따라 새로운 모빌리티를 반영한 교통계획이 필요할 것으로 판단된다(Ha, 2020). 이러한 현황을 고려하여, 본 연구에서는 코로나 19 이후 이용이 증가하고 있는 공유 모빌리티의 이용 변화에 미치는 영향요인들을 규명하고자 한다. 또한, 이들 영향요인을 토대로 포스트 코로나 시대의 교통정책의 시사점을 제시하고자 한다.

선행연구 검토

코로나 19 이후 교통부문에는 많은 변화가 발생하고 있으며, 이와 관련한 연구도 최근 활발히 수행되고 있다. 본 연구에서는 코로나 19가 교통부문에 미친 영향에 관한 기존 연구들을 검토하였으며, 공유 모빌리티의 특성 등을 분석하기 위해 이와 관련된 연구들도 고찰하였다.

1. 교통부문 코로나 19 영향 관련 연구

2020년 1월 20일 국내 첫 번째 코로나 19 확진자가 발생하였으며, 이후 코로나 19는 전국으로 확산되기 시작하였다. 이러한 추세에 따라 정부에서는 다양한 정책들을 시행하여 확산에 대응하고자 하였다. 사적 모임 인원 제한, 재택근무, 유연근무제 등과 같은 정책들은 사람들의 통행행태에 영향을 미쳤으며, 이에 따라 교통부문에는 많은 변화가 발생하였다. 이러한 코로나 19 이후 교통부문의 전반적인 변화를 확인하고자, 코로나 19가 교통부문에 미친 영향에 관한 연구들을 검토하였다.

Lim(2020)은 코로나 19가 도로 교통 수요에 미치는 영향에 대해 분석하였다. 교통량 정보 제공 시스템에서 제공하는 2019년과 2020년 1-5월까지의 일반국도 상시 교통량 조사 자료를 비교분석하였다. 분석결과, 10년간 연평균 증가율을 고려할 때 ADT(Average Daily Traffic)는 실질적으로 5.6% 감소한 것으로 분석되었다. 요일별 변화를 보면 주중보다 주말의 ADT가 비교적 크게 감소한 것으로 나타났다. 이는 주중에는 대부분 통근통학과 같은 필수통행이 많은 반면, 주말에는 여가통행이 비교적 많기 때문에 감소가 크게 나타난 것으로 판단하였다. 도로유형별 가장 크게 감소한 도로는 도시부 도로였으며, 관광부 도로는 비교적 적게 감소한 것으로 드러났다. 이는 대부분의 상업시설이 도심부에 위치하여 도시부 도로의 감소가 비교적 크게 나타난 것으로 해석하였다. 반면에, 관광부 도로가 비교적 적게 감소한 것은 코로나 19 이후 오히려 골프, 등산, 캠핑 등 접촉이 적은 야외 여가활동이 증가한 것으로 인하여 나타난 결과로 판단하였다.

Cho et al.(2020a)은 코로나 19가 서울시 교통부문에 미친 영향을 분석하였다. 2020년 1월부터 4월까지의 서울시 교통정보시스템의 교통량 데이터, 서울교통공사에서 제공하는 지하철 승하차 인원 데이터, 한국스마트카드의 서울시 버스 이용자 수 데이터, 서울시설공단에서 제공하는 따릉이 이용현황자료, 서울시 교통정책과에서 제공하는 나눔카 이용현황자료를 활용하여 분석을 진행하였다. 분석결과, 도로교통량은 3월 첫째 주 기준 전년 동월 대비 8.4% 감소한 것으로 나타났으며, 대중교통수단이 도로교통량보다 비교적 큰 변화가 발생한 것으로 분석되었다. 지하철 이용자 수는 3월 첫째 주 기준 전년 동월 대비 35.1% 감소한 것으로 나타났다. 버스 이용자 수는 평일 37.4%, 휴일 45.9% 감소한 것으로 드러났으며, 이를 여가통행의 감소가 비교적 크게 나타난 결과로 해석하였다. 반면, 공유 모빌리티의 이용은 다른 추이를 보이는 것으로 나타났다. 서울시 공공자전거 따릉이의 1월부터 4월까지의 대여건수는 전년 동월 대비 약 57% 증가하였으며, 나눔카 역시 3월 1주부터 4주까지의 평일 이용자 수가 전년 동월 대비 약 126% 증가한 것으로 분석되었다. 종합적으로 대인접촉이 많은 대중교통과 같은 수단들은 이용이 감소하였으며, 비교적 접촉이 적은 공유 모빌리티의 이용은 증가한 것으로 나타났다. 이러한 분석결과를 고려하여 중장기 정책으로 개인위생을 고려한 대중교통시설의 추가 확충과 개인형 이동수단을 고려한 도로구조 개편의 필요성을 주장하였다.

Lee et al.(2020a)은 대전광역시를 대상으로 코로나 19로 인한 시민들의 통행 변화를 연구하였다. 대전광역시 교통 데이터 웨어하우스로부터 2018년부터 2020년의 도시 교통 빅데이터를 구득하여, VDS(Vehicle Detection System) 기반 교통량 및 속도 정보, DSRC(Dedicated Short Range Communication) 기반 차량이동정보, 버스 이용량, 지하철 승하차 인원, 공유 자전거 이용량, 고속도로 입출구 교통량을 활용하여 분석을 진행하였다. 대전시 내 첫 번째 코로나 19 확진자가 발생한 이후부터 도로 교통량은 꾸준히 감소한 것으로 드러났으며, 주중보다 주말이 11.6% 더 감소한 것으로 분석되었다. 2018년부터 2020년의 대중교통 이용량 변화를 분석한 결과, 버스의 이용량은 평일 38.12%, 주말 53.45% 감소한 것으로 나타나 주말의 이용이 비교적 크게 감소한 것으로 드러났다. 지하철의 이용량은 평일 26.07%, 주말 37.75% 감소한 것으로 나타났으며, 이러한 감소는 밀집된 공간 안에서 다수의 사람들이 함께 이용하는 대중교통 특성의 영향으로 해석하였다. 반면, 공공 자전거 이용량의 2018년부터 2020년의 변화를 분석한 결과, 평일 61.8%, 주말 67.0% 증가한 것으로 분석되었다. 이러한 증가는 대중교통보다 비교적 접촉 위험이 적은 이동수단을 선호하기 때문에 나타난 현상으로 판단하였다. 종합적으로 코로나 19 이후 대전광역시 시민들의 통행 변화는 대면접촉이 빈번하게 일어나는 대중교통의 이용은 감소한 것으로, 비교적 접촉이 적은 공공 자전거의 이용은 증가한 것으로 제시하였다.

Mogaji(2020)는 코로나 19가 개발도상국에 미치는 영향을 규명하고자, 나이지리아의 라고스 주의 코로나 19 이후 교통변화가 경제 및 사회, 종교활동에 미치는 영향을 분석하였다. 2020년 5월 18일부터 24일까지 진행한 설문조사 중 329개의 표본을 활용하여 상관분석 및 일원분산분석을 진행하였다. 분석결과, 코로나 19는 교통비 증가, 교통수단의 부족, 교통 혼잡을 발생시키며, 코로나 19 이후 교통 서비스 중단은 경제, 사회, 종교활동에 유의한 영향을 미친다는 결과를 도출하였다. 이는 주민들의 이동이 감소하여 무역, 운송, 건설, 식당 등의 경제적 활동이 감소한 것으로 해석하였으며, 정부의 통행금지 정책의 영향으로 쇼핑 및 사교적 활동이 제한되어 사회적 활동이 감소한 것으로 판단하였다. 이러한 결과를 토대로 도로교통의 의존도가 높은 라고스의 문제점을 해결하기 위한 대체 운송 수단 개발의 필요성을 주장하였다.

Tian et al.(2021)은 코로나 19가 도시 교통 및 대기 오염 물질 배출에 미치는 영향을 규명하고자 하였다. 2018년, 2019년과 2020년 2월부터 8월까지의 캐나다의 8개 도시 대기질 데이터를 활용하였으며, 내비게이션 및 스마트폰 데이터를 활용한 교통량 데이터를 수집 및 분석하였다. 도시 교통량 변화에 대한 분석결과, 대부분의 도시들의 교통 혼잡도는 봉쇄 정책이 시행된 이후 감소한 것으로 나타났으며, 개방 정책이 시행된 이후 회복되는 것으로 나타났다. 종합적으로 코로나 19 이후 도시의 대기질은 개선되었으며, 더 나아가 대기질 향상을 위한 대중교통 시설의 개발 촉진과 에너지 절약 및 친환경 차량 이용 촉진 정책을 제안하였다.

Wei et al.(2020)은 중국을 대상으로 코로나 19 확산에 영향을 미치는 시공간적요인들을 식별하고자 하였다. 2020년 2월 28일부터 3월 21일까지의 확진자 데이터와 통행, 기온, 강수, 습도 등의 데이터를 활용하여, 일변량 로지스틱 회귀분석과 다변량 로지스틱 회귀분석을 진행하였다. 분석결과, 철도, 고속도로, 국도, 공항이 있는 지역은 다른 지역에 비해 코로나 19 감염위험이 높은 것으로 드러났다. 우한은 교통의 중심지이므로 많은 대중교통 이용자들에 의해 코로나 19가 확산되었을 것이라 해석하였으며, 철도, 고속도로 등 주요 운송 경로를 따라 빠르게 확산되었을 것으로 판단하였다. 이러한 결과를 토대로 위험지역에 대하여 통행 제한, 격리, 방역 등과 같은 코로나 19 확산 대응방안을 제안하였다.

2. 공유 모빌리티 관련 연구

공유 모빌리티란, 필요에 따라 자동차, 자전거, 전동킥보드 등과 같은 교통수단의 이용을 위해 제공하는 교통서비스를 뜻한다(Sung, 2018). 이 중 개인형 이동수단(Personal Mobility, PM)을 활용한 공유 모빌리티 서비스가 주목받고 있다. 개인형 이동수단이란, 주로 전기 동력으로 이동하는 1인 또는 2인이 이용할 수 있는 교통수단을 뜻하며 전기자전거, 전동킥보드 등이 이에 해당한다(Park, 2017; Han et al., 2020). 이러한 공유 모빌리티 서비스 시장은 코로나 19 이후 폭발적으로 성장하였으며, 이에 따라 교통 패러다임에는 큰 변화가 발생하였다. 공유 모빌리티와 관련한 연구들이 최근 활발하게 수행되고 있으며, 이에 관한 연구들을 검토하여 공유 모빌리티의 현황과 특성을 확인하고자 하였다.

Cho et al.(2020b)은 단거리 이동과 접근수단으로 주로 이용되는 공공 자전거와 공유 전동킥보드의 수요패턴을 분석하였다. 서울시 광진구, 성동구를 대상으로 2020년 3-5월까지의 서울시설공단의 따릉이 대여 이력 데이터와 디어코퍼레이션의 공유 전동킥보드 서비스 ‘디어’의 데이터를 활용하여 분석하였다. 분석결과, 공공 자전거와 공유 전동킥보드의 이용 패턴에 차이가 존재하였으며, 공유 전동킥보드가 공공 자전거보다 더 짧은 거리, 더 짧은 시간 이용되는 것으로 드러났다. 이처럼 공공 자전거와 공유 전동킥보드 간의 특성 차이가 존재하므로, 이를 고려하여 각 수단에 맞는 정책 도입의 필요성을 주장하였다.

Choi and Jung(2020)은 공유 PM 서비스 도입에 대한 가상의 시나리오 설문조사를 활용하여, 공유 PM 서비스 이용의향에 미치는 영향요인을 분석하였다. 부산광역시 거주자를 대상으로 2019년 5월 3일부터 22일까지 실시한 SP(Stated Preference) 설문조사를 활용하였다. 분석결과, 공유 PM 서비스 도입 시 버스 이용자의 74.1%, 자가용과 택시 이용자의 62.1%가 도시철도로 전환할 의향이 있는 것으로 드러났다. 또한, 요금이 낮을수록, 자전거도로 통행을 허용할수록, 날씨가 맑을수록 이용의향에 양의 영향을 미치는 것으로 분석되었다. 이러한 결과를 토대로, 도시철도 연계수단으로써 공유 PM 서비스는 유용하게 이용될 것으로 판단하였다.

Kim et al.(2021)은 교통수단으로써 공유 전동킥보드의 역할과 시민들의 이용 선호도를 파악하기 위해, 접근통행과 생활권통행에 대한 수단선택모형을 개발하였다. 공유 전동킥보드 서비스가 도입된 지역 중, 1, 2기 신도시와 송도국제도시 거주자를 대상으로 2020년 5월 22일부터 6월 4일까지 실시한 SP 설문조사를 활용하였으며, 346명의 응답자료를 연구에 활용하였다. 분석결과, 접근통행, 생활권통행 모두 통행시간과 통행비용 변수는 음의 영향으로 나타났으며, 접근통행은 통행시간에 민감한 것으로, 생활권통행은 통행비용에 민감한 것으로 분석되었다. 또한, 40대 이하의 연령, 자전거 소유자, 생활권통행에서 대중교통을 주로 이용하는 응답자는 공유 전동킥보드 선호도가 높은 것으로 드러났다. 이러한 결과를 토대로, 도보권의 거리에서 대중교통과 경쟁력 있는 요금제 도입이 공유 전동킥보드 이용 증진에 필요할 것이라 제언하였다.

Kwon et al.(2020)은 설문조사를 통해 미래 모빌리티 수단별 영향력 및 변화의 중요 순위를 도출하고, 서비스 제공 방향을 제시하였다. 26명의 미래교통 전문가들을 대상으로 2020년 2월에 실시한 설문조사를 활용하였으며, 일치성 지수에 적합하지 않은 응답자를 제외한 23명의 응답자료를 연구에 활용하였다. 분석결과, 핵심요인으로 ‘차량 공유’가 향후 미래 모빌리티 변화에 가장 큰 영향을 미치며, 변화 시기 또한 가장 빠른 것으로 드러났다. 이러한 결과를 토대로, 미래 모빌리티의 성공적 도입을 위해 가장 영향력 있게 나타난 공유 모빌리티에 대한 전략의 필요성을 주장하였다.

Li et al.(2020)은 코로나 19가 새로운 교통수단인 공유 마이크로 모빌리티 서비스에 미치는 영향을 분석하였다. 스위스 취리히를 대상으로 공유 마이크로 모빌리티를 docked bike, docked e-bike, dockless e-bike, dockless e-scooter로 구분하여 각 유형을 비교 분석하였다. 분석결과, 전반적으로 공유 마이크로 모빌리티 이용량은 코로나 19 이후 감소한 것으로 나타났다. 하지만 공유 자전거의 주행거리 및 시간은 코로나 19전에 비해 길어지는 것으로 드러났으며, 이는 대중교통을 대체하는 수단으로써 공유 자전거를 이용하고 있는 것으로 해석하였다. 또한, dockless e-bike는 주로 가정기반 활동에 이용되며, dockless e-scooter는 주로 이용되는 활동이 나타나지 않았다. docked bike와 docked e-bike는 스테이션 기반으로 출발지와 도착지의 영향을 많이 받을 것으로 판단하였으며, 공원과 식료품점이 가장 큰 영향을 받는 공간으로 분석되었다.

Shokouhyar et al.(2021)은 코로나 19가 공유 모빌리티의 지속가능성에 미치는 영향을 분석하고자 하였다. 18명의 전문가로부터 3단계로 구성된 델파이 접근 기법을 활용하여 분석을 진행하였다. 분석결과, 사람 중심의 도시기반시설계획, 친환경적인 도시계획, 디지털화를 통한 상업성 증대가 공유 모빌리티의 지속가능성에 큰 영향을 미치는 것으로 나타났다. 반면, 코로나 19는 공유 모빌리티에 부정적인 영향을 미치는 것으로 분석되었다. 이러한 결과를 토대로, 사회, 경제, 환경적 요인들의 종합적인 평가를 통한 공유 모빌리티 산업의 문제 해결방안이 필요할 것이라 주장하였다.

3. 기존 연구와의 차별성

선행연구 검토 결과, 코로나 19 이후 도로 교통량과 대중교통 이용량, 공유 모빌리티 이용량의 변화를 단순 기술통계로 분석한 연구가 대부분인 것으로 나타났다. 하지만 코로나 19 이후 공유 모빌리티의 이용 변화는 개인의 통행행태, 도시환경 등 내 ‧ 외적 요인들에 따라 상이할 것으로 판단된다. 따라서 본 연구에서는 개인의 통행특성과 지역환경특성을 활용하여, 코로나 19 이후 공유 모빌리티 이용 변화에 미치는 영향요인들을 통계적 모형구축을 통해 규명하고자 하였다.

분석자료

본 연구에서는 경기주택도시공사에서 2020년에 실시한 설문조사를 활용하여 분석을 진행하였다. 설문조사는 1,2기 신도시인 분당, 일산, 중동, 동탄, 판교, 광교, 다산과 과천, 하남시 거주자를 대상으로, 보행 관련 현황 및 인식 파악을 위해 2020년 7월 29일-8월 14일 동안 온라인으로 진행되었다. 총 2,400부를 수집하였으며, 설문조사 내용은 Table 1과 같이 응답자의 일반적 특성, 보행 관련 실태, 개인 이동수단 이용 실태, 출퇴근 및 업무 시 통행 패턴 실태, 통학로 인식, 골목상권 인식 및 이용 실태, 오픈스페이스 이용 실태, 기타 과천 ‧ 하남시의 거주환경에 관한 내용으로 이루어져있다. 또한, 코로나 19 이후 행태 변화에 대한 내용도 포함되었다.

Table 1.

Content of survey questionnaire

Classification Questions
Personal attributes Sex, age, home address, length of residence, number of household,
job, residence type, etc
Walk Walking environment, satisfaction with the walking environment
Bike, sharing mobility
(sharing bike, e-scooter, carsharing, etc)
Perception of bicycle and sharing mobility, change in use of sharing
mobility after COVID-19, etc
Commute Commuting time, trip mode, etc
School Perception of elementary school and child protection zone policy
Local businesses Perception of local businesses, etc
Open space Perception of open space, etc
Others (resident of Gwachun and Hanam) Perception of the 3rd new town, etc

연구방법론

1. 데이터 전처리

공유 모빌리티는 수도권을 중심으로 서비스가 도입되기 시작하였으며, 대부분 서울과 신도시를 대상으로 서비스를 제공하고 있다. 따라서 공유 모빌리티 이용 변화는 거주지의 공유 모빌리티 서비스 도입 여부에 따라 지역적 차이가 존재할 것으로 판단된다. 하지만 설문조사 대상 중 3기 신도시 대상지인 과천, 하남시는 현재 계획 중에 있어 지역적 특성을 반영하기에는 어려움이 존재한다. 이에 따라, 과천, 하남시를 제외한 1, 2기 신도시 거주자를 대상으로 분석을 진행하였으며, 각 신도시의 지역적 특성 활용하여 영향요인을 도출하고자 하였다. 또한, 개인의 통행행태에 따라 코로나 19 이후 공유 모빌리티 이용 변화가 상이할 것으로 판단하였다. 하지만 비정기적인 통행을 주로 하는 응답자들은 코로나 19 전후의 일정한 통행 감소 효과를 분석하기가 어려울 것으로 판단된다. 따라서 본 연구에서는 정기적인 통행을 하는 통근자들을 대상으로 공유 모빌리티의 이용 변화를 분석하는 것이 코로나 19의 영향을 분석하는데 더욱 합리적일 것으로 판단하였다. 최종적으로 정기적인 통근을 하지 않는 응답자를 제외한 총 1,097개의 응답을 연구에 활용하였다.

설문조사 중, 분석모형의 종속변수로 활용한 코로나 19 이후 공유 모빌리티 이용 변화는 1. 많이 줄었다, 2. 조금 줄었다, 3. 변화 없다, 4. 조금 늘었다, 5. 많이 늘었다로 5단계 척도로 설문되었다. 독립변수의 경우 개인특성변수는 연령, 성별, 통근시간(편도), 통근 시 보행시간(편도), 출퇴근 시 이동수단을 활용하였다. 이 중 출퇴근 시 이동수단은 중복선택이 가능하도록 설문되었으며, 분석의 편의를 위해 Table 2와 같이 8개의 수단 조합으로 구분하여 활용하였다. 지역특성변수로는 용도별 토지이용면적, 대중교통 공급도를 활용하여 지역적 차이를 확인하고자 하였다.

Table 2.

Dependent and independent variables

Variable Description
Dependent variable Change in use of sharing mobility
after COVID-19
1=much decrease, 2=little decrease, 3=unchanged,
4=little increase, 5=much increase
Independent
variable
Personal
attributes
Commuting time 1=less than 5min, 2=6-10min, 3=11-20min, 4=21-30min,
5=31-60min, 6=more than 60min
Walking time during commuting
Age 1=20s, 2=30s, 3=40s, 4=50s, 5=60s and above
Gender 1=male, 0=female
Travel
mode
Walking 1=user, 0=other
Public transportation 1=user, 0=other
Car 1=user, 0=other
Personal mobility 1=user, 0=other
Walking &
public transportation
1=user, 0=other
Walking & personal mobility 1=user, 0=other
Public transportation &
personal mobility
1=user, 0=other
Car & personal mobility 1=user, 0=other
Regional
attributes
Ratio of commercial and business area Commercial and business area / City area
Ratio of park area Park area / City area
Supply of public transportation The number of bus stops and subway stations / City area

2. 기초통계분석

기초통계분석 결과는 Table 3과 같으며, 주요 변수들의 분포는 Figure 1과 같이 나타났다. 코로나 19 이후 공유 모빌리티 이용 변화는 ‘감소한다’가 12.0%로 ‘증가한다’(10.6%)에 비해 높은 것으로 나타났다. 이는 설문조사 기간 코로나 19 확진자 수가 증가하여 기업들의 재택근무 운영이 증가하였으며, 이에 따라 출근통행이 감소한 결과로 판단된다. 응답자들의 통근시간은 ‘31-60분’이 31.5%로 가장 높게 나타났으며, ‘1시간 초과’는 26.2%로 나타났다. 수도권의 1, 2기 신도시는 서울시의 주택문제를 해결하기 위해 서울시 근교에 건설되었으나, 일자리 제공 등의 자족 기능이 부족하여 대부분의 시민들이 서울로 장거리 출퇴근을 하게 되었다(Jo and Park, 2019). 이러한 신도시 특성상, 대부분 응답자의 통근시간이 장거리(30분 이상)인 것으로 판단된다. 통근시간 중 보행이 차지하는 시간은 ‘11-20분’이 30.5%로 가장 높게 나타났으며, ‘10분 이하’가 43.8%를 차지하는 것으로 나타났다. 연령별 분포를 보면, 30대가 26.1%로 가장 높게 나타났으며, 40대가 25.7%로 나타났다. 성별은 여성이 44.5%로 남성 55.5%에 비해 적은 것으로 나타났다.

Table 3.

. Descriptive statistics analysis

Variable Mean Std. Dev. Min Max
Dependent variable Change in use of sharing mobility after
COVID-19
2.95 0.657 1 5
Independent
variable
Personal
attributes
Commuting time 4.52 1.271 1 6
Walking time during commuting 2.74 1.336 1 6
Age 2.73 1.258 1 5
Gender 0.56 0.497 0 1
Travel
mode
Walking 0.09 0.281 0 1
Public transportation 0.39 0.487 0 1
Car 0.25 0.436 0 1
Personal mobility 0.02 0.131 0 1
Walking & public transportation 0.18 0.386 0 1
Walking & personal mobility 0.01 0.095 0 1
Public transportation &
personal mobility
0.02 0.137 0 1
Car & personal mobility 0.01 0.085 0 1
Regional
attributes
Ratio of commercial and business area 0.0490 0.0242 0.0280 0.1040
Ratio of park area 0.2691 0.1060 0.1070 0.4380
Supply of public transportation 17.6826 15.9168 2.8090 46.2755

/media/sites/kst/2022-040-02/N0210400208/images/kst_40_02_08_F1.jpg
Figure 1

Distribution of main variable

종속변수인 코로나 19 이후 공유 모빌리티 이용 변화의 각 단계와 통근시간, 통근 시 보행시간, 출퇴근 시 교통수단 조합에 대한 응답 분포는 Table 4와 같이 나타났다. 먼저, 통근시간이 ‘21-30분’인 경우 코로나 19 이후 공유 모빌리티 이용 증가가 가장 크게 나타났으며, ‘20분 이하’인 경우보다 ‘20분 이상’인 경우 이용 증가가 비교적 높은 것으로 드러났다. 이는 통근시간이 길수록 공유 모빌리티의 이용이 증가하고 있는 점을 시사하고 있다. 통근 시 보행시간의 분포를 살펴보면, ‘6-10분’인 경우 이용 감소가 가장 크게 나타났으며, ‘31-60분’이 이용 증가가 가장 큰 것으로 나타났다. 이는 공유 모빌리티 중 개인형 이동수단 서비스는 주로 보행을 대체하는 수단으로 이용되는 점을 고려하면, 보행시간이 길수록 공유 모빌리티를 활용하여 통행시간을 줄이는 경향이 있는 것을 알 수 있다. 출퇴근 시 교통수단 조합은 ‘대중교통과 개인형 이동수단을 같이 이용하는 응답자’가 공유 모빌리티 이용이 가장 크게 증가하였으며, ‘보행만 이용하는 응답자’는 가장 크게 감소한 것으로 나타났다. 이러한 결과는 대중교통을 이용하기 위한 주된 접근수단은 보행인 점을 고려하여 해석할 수 있다. ‘대중교통과 개인형 이동수단을 같이 이용하는 응답자’인 경우 통근 시 보행시간 단축을 위해, 대중교통 접근 시 공유 모빌리티를 이용하여 증가한 것으로 판단된다. 반면, ‘보행만 이용하는 응답자’인 경우 상대적으로 코로나 19 감염위험이 높고 비싼 요금으로 운영되는 공유 모빌리티 특성을 고려하여 이용이 감소한 것으로 판단된다.

Table 4.

Cross classification between change in use of sharing mobility after COVID-19 and main variables

Change in use of sharing mobility after COVID-19
Y=1
(much decrease)
Y=2
(little decrease)
Y=3
(unchanged)
Y=4
(little increase)
Y=5
(much increase)
Commuting
time
1=less than 5min 0.0% (0) 0.0% (0) 100.0% (20) 0.0% (0) 0.0% (0)
2=6-10min 9.1% (5) 0.0% (0) 85.5% (47) 5.5% (3) 0.0% (0)
3=11-20min 2.3% (4) 8.5% (15) 83.1% (147) 5.1% (9) 1.1% (2)
4=21-30min 5.2% (11) 0.0% (0) 80.2% (170) 13.2% (28) 1.4% (3)
5=31-60min 4.9% (17) 10.1% (35) 70.8% (245) 11.0% (38) 3.2% (11)
6=more than 60min 7.7% (22) 7.7% (22) 76.7% (220) 7.7% (22) 0.3% (1)
Walking time
during
commuting
1=less than 5min 5.0% (12) 2.5% (6) 84.5% (201) 7.1% (17) 0.8% (2)
2=6-10min 9.1% (22) 6.2% (15) 75.6% (183) 6.6% (16) 2.5% (6)
3=11-20min 2.7% (9) 8.7% (29) 77.9% (261) 10.1% (34) 0.6% (2)
4=21-30min 6.3% (11) 6.3% (11) 74.4% (131) 10.8% (19) 2.3% (4)
5=31-60min 5.1% (3) 11.9% (7) 62.7% (37) 16.9% (10) 3.4% (2)
6=more than 60min 4.3% (2) 8.5% (4) 76.6% (36) 8.5% (4) 2.1% (1)
Travel
mode
Walking 0.0% (0) 8.4% (8) 90.5% (86) 1.1% (1) 0.0% (0)
Public transportation 7.1% (30) 8.7% (37) 75.1% (319) 8.2% (35) 0.9% (4)
Car 5.0% (14) 2.2% (6) 80.3% (224) 11.1% (31) 1.4% (4)
Personal mobility 0.0% (0) 0.0% (0) 84.2% (16) 15.8% (3) 0.0% (0)
Walking &
public transportation
4.5% (9) 7.0% (14) 78.4% (156) 7.5% (15) 2.5% (5)
Walking & personal mobility 0.0% (0) 0.0% (0) 60.0% (6) 20.0% (2) 20.0% (2)
Public transportation &
personal mobility
0.0% (0) 4.8% (1) 42.9% (9) 42.9% (9) 9.5% (2)
Car & personal mobility 0.0% (0) 0.0% (0) 75.0% (6) 25.0% (2) 0.0% (0)

3. 순서형 프로빗 모형

본 연구에서 활용한 종속변수는 ‘코로나 19 이후 공유 모빌리티 이용 변화’로 5단계 척도로 구성되어 있다. 이러한 종속변수의 값에 순서적 의미를 부여하지 않는 경우, 일반적인 프로빗, 로짓모형을 활용하여 분석한다. 하지만 종속변수가 순서적 특성을 가지며 세 가지 이상의 척도를 가지는 경우, 일반적인 로짓, 프로빗 모형은 한계점이 존재한다. 또한, 회귀분석은 종속변수 Y=0과 Y=1의 차이와 Y=1과 Y=2의 차이가 동일한 것으로 분석하여, 실제 응답자의 선택 행태를 따르지 않는 오류가 발생할 수 있다. 이러한 문제점을 해결하고자 순서형 확률 모형을 주로 사용하며, 오차항의 확률분포의 유형에 따라 순서형 프로빗 모형, 순서형 로짓 모형 등을 사용한다(Lee et al., 2005, 2009, 2020b; Lee and Jung, 2008; Jung et al., 2011; Ko and Choi, 2012).

본 연구의 모형분석에 사용된 종속변수는 설문조사 항목 중 ‘코로나 19 이후의 공유 모빌리티 이용 변화’를 5분위 척도로 응답하게 한 것이다. 이러한 형태의 설문분석은 일반적으로 오차항의 확률분포를 정규분포로 가정하는 순서형 프로빗 모형을 많이 사용한다(Ha et al., 2005; Lee et al., 2009; Jung et al., 2011; Ko and Choi, 2012). 이 순서형 프로빗 모형은 회귀분석과 다르게 설문 문항 간의 등간격을 가지는 것이 아닌, 단계별로 다른 간격을 갖는 것으로 가정한 모형으로 회귀분석의 오류를 개선한 모형이다. 일반적인 순서형 프로빗 모형은 Equation 1과 같이 수식화하여 표현할 수 있다. 이때, y*는 관찰이 불가능한 변수로 측정 가능한 효용(β'Xn)과 측정 불가능한 효용(εn)으로 나타낼 수 있으며, 관찰이 가능한 응답인 y를 선택할 수 있는 기준을 제공한다(Kim and Park, 2019). τn는 설명변수의 추정계수 β를 취해 추정할 수 있는 한계값(threshold)으로, 이를 활용하여 각 종속변수의 범위에 따른 선택확률을 계산할 수 있다.

(1)
y*=β'Xn+εn,εn~N(0,1)y=0,ify*0y=1,if0<y*τ1y=2,ifτ1<y*τ2y=3,ifτ2<y*τ3y=i,ifτi-1<y*

순서형 프로빗 모형은 누적 정규분포함수를 나타내는 Equation 2와 같은 식으로 정의되므로, τn를 활용하여 각 종속변수의 범위에 따른 선택확률을 나타내면, Equation 3과 같이 순서에 따라 수식화하여 표현할 수 있다.

(2)
Φ(k)=12π-ke-13ω2dω
(3)
Prob(y=0)=Φ(-β'Xn)Prob(y=1)=Φ(τ1-β'Xn)-Φ(-β'Xn)Prob(y=2)=Φ(τ2-β'Xn)-Φ(τ1-β'Xn)Prob(y=3)=Φ(τ3-β'Xn)-Φ(τ2-β'Xn)Prob(y=yi)=1-Φ(τi-1-β'Xn)

한계효과(Marginal Effect)는 각 변수에 편미분을 적용하여 도출할 수 있으며, Equation 4와 같이 표현된다. 더미 변수인 경우, 코로나 19 이후 공유 모빌리티 이용 변화에 미치는 영향력에 대한 한계효과는 다른 설명변수들은 고정한 상태에서 해당 설명변수가 1인 경우에 대한 선택확률과 0인 경우에 대한 선택확률의 차이(Prob(1)-Prob(0))를 뜻한다. 이에 따라, 해당 설명변수의 한계효과 합은 0이 된다(Kang and Beack, 1998; Ha et al., 2005; Choi and Kum, 2014; Lee et al., 2020b). 이때, φ는 각 선택 대안에 대한 선택확률을 각 설명변수에 대하여 편미분 하는 것을 의미한다.

(4)
Prob(y=0)Xi=-ψ(β'Xi)βProb(y=1)Xi=[ψ(-β'Xi)β-ψ(τ-β'Xi)]βProb(y=2)Xi=-ψ(τ-β'Xi)β

순서형 프로빗 모형의 검증방법으로는 모형의 설명력을 나타내는 McFadden의 Pesudo-R2(ρ2)로 평가할 수 있다. ρ2은 0부터 1 사이의 값을 가지며 1에 가까울수록 모형의 설명력이 높다고 평가할 수 있다. 이를 수식화하면 Equation 5처럼 표현할 수 있다. 이때, L(β^)은 모든 설명변수가 포함된 상태의 로그우도값이며, L(0)는 어떠한 정보도 없는 상태에서의 로그우도값이다.

(5)
ρ2=1-L(β^)L(0)

모형 추정 결과

본 연구에서는 1, 2기 신도시 중 분당, 일산, 중동, 동탄, 판교, 광교, 다산 신도시 주민을 대상으로, 코로나 19 이후 공유 모빌리티 이용 변화에 영향을 주는 요인을 순서형 프로빗 모형을 활용하여 분석하였다. 종속변수는 ‘코로나 19 이후 공유 모빌리티 이용 변화’로 5단계 척도로 나타낸 변수이다. 독립변수로는 개인특성변수로 연령, 성별, 통근시간, 통근 시 보행시간, 출퇴근 시 교통수단 조합을 활용하였다. 지역특성변수로는 신도시 용도별 토지이용면적, 대중교통 공급도를 활용하였다. 모형 추정과정에서 통계적으로 유의한 변수들은 p-value 값을 고려하여 판별하였다.

분석결과 Table 5Table 6과 같이 분석되었으며, 개인특성변수 중 통근시간을 제외한 나머지 변수들은 모두 통계적으로 유의하게 나타났다. 먼저, 통근 시 보행시간이 긴 응답자일수록, 코로나 19 이후 공유 모빌리티 이용이 증가한 것으로 나타났다. 이는 공유 모빌리티 중 공유 자전거, 공유 전동킥보드와 같은 개인형 이동수단은 주로 접근수단으로 이용되고 있는 점을 고려하면, 코로나 19 때문에 대면접촉시간을 줄이고자 긴 보행시간을 단축하기 위해 공유 모빌리티를 이용하는 것으로 판단된다(Cho et al., 2020b; Choi and Jung, 2020; Kim et al., 2021). 통계적으로 유의하지는 않지만, 통근시간이 길수록 이용이 감소한 것으로 나타났으며, 이는 시간제 요금으로 운영되는 공유 모빌리티 특성상 통근시간이 긴 통근자에게는 상대적으로 비싼 요금이 부과되어 이용이 감소한 것으로 해석된다. 한계효과 분석결과에서도, 통근시간이 길수록 공유 모빌리티 이용이 감소(Y=1, 2)한 것으로 나타났으며, 통근 시 보행시간이 길수록 이용 변화가 없거나(Y=3), 이용이 증가(Y=4, 5)한 것으로 나타났다. 선행연구와 유사하게 고연령일수록 코로나 19 이후 공유 모빌리티 이용이 감소하는 것으로 나타났으며, 이는 공유 모빌리티 주 이용연령층이 20대와 30대인 점에서 나타난 결과로 판단된다(Kim et al., 2021). 성별은 남성이 여성보다 공유 모빌리티 이용이 증가한 것으로 나타났다. 출퇴근 시 교통수단의 조합은 모두 공유 모빌리티 이용에 양의 영향을 미치는 것으로 분석되었다. 이 중 ‘도보와 개인형 이동수단을 함께 이용하는 응답자’와, ‘대중교통과 개인형 이동수단을 함께 이용하는 응답자’가 비교적 영향력이 큰 것으로 나타났다. ‘도보와 개인형 이동수단을 함께 이용하는 응답자’는 보행시간을 단축하기 위해, 도보로 개인형 이동수단에 접근하여 이를 주수단으로 이용하는 것으로 판단된다. 마찬가지로, ‘대중교통과 개인형 이동수단을 함께 이용하는 응답자’도 보행시간을 단축하기 위해, 대중교통까지 접근수단으로 개인형 이동수단을 활용하는 것으로 판단된다. 한계효과 분석결과에서도, 두 가지 경우 모두 이용이 증가(Y=4, 5)하는 것으로 나타났다. 조금 늘었다(Y=4)에 대한 한계효과에서는 차이가 크지 않았지만, 많이 늘었다(Y=5)에서의 차이는 0.0059로 ‘도보와 개인형 이동수단을 함께 이용하는 응답자’가 비교적 크게 증가한 것으로 드러났다. 이는 대중교통보다 보행의 상대적 편의성이 낮아 이러한 경향이 보이는 것으로 판단된다. 출퇴근 시 교통수단 조합 중 ‘대중교통만 이용하는 응답자’가 영향력이 가장 낮게 나타난 것은 공유 모빌리티가 시간제 요금으로 운영되고 있는 점을 고려하면, 대중교통보다 비싼 가격이 부과되어 경쟁력이 낮은 것으로 해석된다. 또한, ‘도보로만 통근하는 경우’와 ‘도보와 대중교통을 함께 이용하는 경우’ 보행거리가 짧아 통행비용 측면에서, 공유 모빌리티의 경쟁력이 낮아 유사하게 나타난 것으로 판단된다.

Table 5.

Ordered probit model estimation for change in use of sharing mobility after COVID-19

Variable β Std. Dev. Wald p-value
Personal
attributes
factor
Commuting time -0.043 0.037 1.353 0.245
Walking time during commuting 0.071** 0.033 4.661 0.031
Age -0.128*** 0.032 16.444 0.000
Male 0.134* 0.079 2.865 0.091
Travel
mode
Walking 0.465** 0.236 3.880 0.049
Public transportation 0.430** 0.199 4.644 0.031
Car 0.882*** 0.209 17.877 0.000
Personal mobility 0.934*** 0.345 7.341 0.007
Walking & public transportation 0.566*** 0.210 7.275 0.007
Walking & personal mobility 1.637*** 0.415 15.531 0.000
Public transportation & personal mobility 1.633*** 0.321 25.879 0.000
Car & personal mobility 1.027** 0.472 4.722 0.030
Region
attributes
factor
Ratio of commercial and business area -4.338* 2.370 3.351 0.067
Ratio of park area -1.242** 0.577 4.630 0.031
Supply of public transportation -0.005 0.003 2.576 0.109
Threshold
value
1 -2.005*** 0.417 23.174 0.000
2 -1.557*** 0.415 14.102 0.000
3 1.001** 0.412 5.886 0.015
4 1.982*** 0.421 22.154 0.000
-2LL Intercept 1,711.277
Last 1,629.637
McFadden pesudo-R2(ρ2) 0.539

*p0.1, **p0.05, ***p0.01

Table 6.

Analysis of marginal effects

Variable Change use of sharing mobility after COVID-19
Y=1 Y=2 Y=3 Y=4 Y=5
Personal
attributes
factor
Commuting time 0.0041 0.0038 -0.0007 -0.0060 -0.0012
Walking time during commuting -0.0068 -0.0063 0.0012 0.0099 0.0020
Age 0.0123 0.0114 -0.0021 -0.0179 -0.0037
Male -0.0130 -0.0120 0.0027 0.0185 0.0038
Walking -0.0323 -0.0347 -0.0319 0.0780 0.0209
Public transportation -0.0384 -0.0365 -0.0022 0.0630 0.0141
Car -0.0619 -0.0638 -0.0678 0.1488 0.0448
Personal mobility -0.0425 -0.0523 -0.1592 0.1804 0.0736
Walking & public transportation -0.0406 -0.0427 -0.0358 0.0939 0.0252
Walking & personal mobility -0.0465 -0.0614 -0.4209 0.2892 0.2396
Public transportation & personal mobility -0.0481 -0.0628 -0.4129 0.2901 0.2337
Car & personal mobility -0.0429 -0.0538 -0.1938 0.2004 0.0901
Region
attributes
factor
Ratio of commercial and business area 0.0041 0.0039 -0.0007 -0.0060 -0.0012
Ratio of park area 0.0012 0.0011 -0.0002 -0.0017 -0.0004
Supply of public transportation 0.0005 0.0005 -0.0001 -0.0007 -0.0002

지역특성변수 중 대중교통 공급도를 제외한 나머지 변수들은 모두 통계적으로 유의하게 나타났다. 이 중, 상업 ‧ 업무지역 면적비율이 높은 지역에 거주하는 응답자일수록, 코로나 19 이후 공유 모빌리티 이용이 감소한 것으로 나타났다. 이는 정부에서 코로나 19의 확산 대응방안으로 ‘사회적 거리두기’ 정책을 시행한 것과 기업들에서 재택근무, 유연근무제 등의 도입을 활성화한 결과로 해석할 수 있다. 상업 ‧ 업무지역 면적비율이 높은 지역은 이러한 대응방안들의 영향으로 상업시설들의 이용이 감소하고, 업무형태의 변화로 전반적인 통행이 감소한 것으로 판단된다. 따라서 전반적인 통행이 감소하였기 때문에, 공유 모빌리티 이용도 감소한 것으로 판단된다. 다음으로 공원 면적비율이 높은 지역에 거주하는 응답자일수록, 공유 모빌리티 이용이 감소한 것으로 분석되었다. 이는 코로나 19이후 공원 이용량은 크게 증가한 것(Google, 2021; Park et al., 2021)을 고려하여 해석할 수 있다. 공원을 이용하기 위한 교통수단으로써 공유 모빌리티는 다양한 사람들이 공유하여 이용하기 때문에, 도보보다 상대적으로 높은 코로나 19 감염 위험이 존재한다. 또한, 비교적 비싼 요금체계로 운영되는 공유 모빌리티에 비해 통행비용적 측면에서 도보는 경쟁력 있을 것으로 판단된다. 따라서 위생적, 경제적인 측면에서 공원을 이용하기 위해 공유 모빌리티 보다 도보를 선호하여 공유 모빌리티 이용이 감소한 것으로 판단된다. 마지막으로 통계적으로 유의하지 않지만, 대중교통 공급도가 높은 지역에 거주하는 응답자인 경우, 코로나 19 이후 공유 모빌리티 이용이 감소한 것으로 나타났다. 이는 대중교통 공급도가 높을수록 접근성이 좋은 것으로 해석되며, 통행비용적 측면에서 공유 모빌리티가 대중교통보다 경쟁력이 낮아서 나타난 결과로 판단된다.

결론

본 연구에서는 코로나 19 확산 이후 공유 모빌리티의 이용 변화에 미치는 영향요인들을 도출하였다. 2020년 7월 29일부터 8월 14일까지 분당, 판교, 동탄 등 1, 2기 신도시의 거주자를 대상으로 실시한 온라인 설문조사 자료를 활용하였다. 응답자 중 정기적인 통행을 하는 통근인구를 대상으로 분석하였으며, 최종적으로 1,097개의 응답자료를 분석에 활용하였다. 종속변수로 코로나 19 이후 공유 모빌리티 이용 변화를 나타내는 5단계 척도 응답자료를 활용하여 순서형 프로빗 모형을 구축하였다. 모형의 독립변수로는 연령, 성별, 출퇴근 시 이동수단 등의 개인특성변수와 신도시들의 토지이용에 대한 지역특성변수를 활용하였다.

모형을 분석한 결과, 통근 시 보행시간이 길수록 코로나 19 이후 공유 모빌리티 이용이 증가한 것으로 나타났다. 또한, 출퇴근 시 이동수단은 모두 양의 영향을 미치는 것으로 나타났으며, ‘도보와 개인형 이동수단을 함께 이용하는 응답자’와 ‘대중교통과 개인형 이동수단을 함께 이용하는 응답자’의 공유 모빌리티 이용이 타수단 이용자보다 크게 증가한 것으로 나타났다. 지역특성변수는 상업 ‧ 업무지역 면적비율이 높은 지역에 거주할수록, 공원 면적비율이 높은 지역에 거주할수록 공유 모빌리티 이용이 감소한 것으로 나타났다. 이러한 결과를 토대로 다음과 같은 세 가지 정책적 시사점을 도출하였다.

첫 번째, 통근 시 보행시간이 길수록 코로나 19 이후 공유 모빌리티 이용을 증가시키는 것으로 분석되었으며, 이는 공유 모빌리티가 보행시간을 단축시킬 수 있어 보행의 대체 수단으로 선호되는 것을 의미한다. 이러한 결과를 고려하여 포스트 코로나 시대에 적합한 공유 모빌리티 서비스는 주로 보행활동이 이루어지고 있는 공간을 고려할 필요가 있다. 예를 들면, 출퇴근 시 주로 보행이 이루어지는 공간은 주거지역과 대중교통 정류장, 대중교통 정류장과 업무지역 사이로 첨두시간대 보행량이 많은 지역이다. 따라서 이러한 지역에 대해 공유 모빌리티 서비스를 적극 도입함으로써, 시민들의 출퇴근 시간을 감소시키고 이동 편의성을 증진시킬 필요가 있다. 현재, 공유 모빌리티 중 개인형 이동수단은 자전거 도로에서 통행해야 하며, 자전거 도로 부재 시 도로의 우측 가장자리를 이용해야 한다. 하지만 대부분의 개인형 이동수단 이용자들은 편리함과 안전상의 문제로 보도를 이용하고 있으며, 이에 따라 보행자 충돌 교통사고가 증가하고 있는 추세이다. 따라서 안전하고 편리한 공유 모빌리티의 도입을 위해서는 보행자와 공유 모빌리티 이용자를 분리시킬 수 있는 자전거 도로를 적극적으로 설치해야 할 필요성이 있다.

두 번째, 통근수단 중 ‘도보와 개인형 이동수단을 함께 이용하는 응답자’와 ‘대중교통과 개인형 이동수단을 함께 이용하는 응답자’가 코로나 19 이후 공유 모빌리티 이용이 비교적 크게 증가한 것으로 나타난 반면, ‘대중교통만 이용하는 응답자’와 ‘보행만 이용하는 응답자’의 이용 증가는 비교적 낮은 것으로 나타났다. 이러한 차이점은 요금과 접근성 때문에 발생한 것으로 판단된다. 현재, 공유 모빌리티는 대중교통보다 상대적으로 비싼 시간제 요금으로 운영되고 있어 대중교통과의 경쟁력은 낮은 것으로 평가된다. 또한, 공유 모빌리티 중 공유 전동킥보드는 대부분 도크리스(dockless) 방식으로 운영되고 있어 접근성이 편리한 장점이 존재한다. 하지만 접근성은 사용할 수 있는 기기의 유무에 따라 결정되므로 수요예측을 통한 기기의 적정 공급이 필요하다. 따라서 공유 모빌리티의 경쟁력 향상을 위해서는 대중교통과 환승 시 요금 할인제 도입이 필요하며, 공급적인 측면에서 지정 주차구역 주차 시 인센티브 제공, 수요예측을 통한 기기 재배치의 최적화 등의 전략이 필요하다.

세 번째, 상업 ‧ 업무지역 면적비율 또는 공원 면적비율이 높은 지역에 거주할수록 코로나 19 이후 공유 모빌리티 이용이 감소한 것으로 나타났다. 이는 실제 코로나 19 방역정책으로 인해 상업 ‧ 업무시설의 이용이 감소한 것으로 나타나, 이에 따라 공유 모빌리티 이용이 감소한 것으로 해석된다. 이와 달리, 코로나 19 이후 공원 이용량은 증가하였다(Google, 2021; Park et al., 2021). 하지만 공원까지의 접근수단을 고려할 때, 다수의 사람들이 이용하는 공유 모빌리티는 도보보다 코로나 19 감염 위험성이 높으며, 이에 따라 이용이 감소한 것으로 판단된다. 이러한 결과를 고려하여 공유 모빌리티의 이용 활성화를 위해서는 안전한 방역 조치가 필수적일 것으로 판단된다. 현재, 서울시 공유 자전거 따릉이는 하루 1번 소독을 진행하고 있지만, 도크리스 방식으로 운영되고 있는 공유 전동킥보드, 공유 전기 자전거 등은 정기적인 방역 조치가 이루어지기 힘든 상황이다. 따라서 도크리스 방식의 공유 모빌리티 서비스 특성을 반영하여, 기기 재배치 시 방역작업을 병행하여 안전성을 높이는 방안을 강구해야할 것이다.

본 연구는 2020년 7-8월에 경기주택도시공사에서 실시한 설문조사 데이터를 활용하여 분석함에 있어서 몇 가지 한계점이 존재한다. 먼저, 횡단면 자료를 이용함에 있어서 현 시점의 코로나 19 확산 추세와 시계열적인 영향요인들을 분석에 반영하지 못하였다. 향후 연구에서는 코로나 19 확진자 수 데이터와 지역별 공유 모빌리티 이용량, 기상 자료 등 다양한 시계열 데이터를 활용한 분석이 필요할 것이다. 또한, 코로나 19 전후의 공유 모빌리티의 실제 이용량을 활용한 것이 아닌, 이용 변화에 대한 설문조사 자료를 활용하였다는 한계점이 존재한다. 설문조사를 통해 개개인의 정확한 이용량 자료를 코로나 19전후로 조사하는 것은 응답자의 기억력에 의존해야 하므로 실제 통행과 오차가 클 것으로 판단되어, 이용변화에 대한 추이를 5분위 척도로 응답하게 하여 이용 변화량에 대한 설문조사 결과의 신뢰성을 높이고자 하였다. 그럼에도 불구하고, 향후 설문조사자료와 공유 모빌리티 이력 데이터 간의 비교분석을 통해 설문조사 결과의 신뢰성을 확보해야 할 필요성이 있을 것으로 판단된다. 또한, 향후 연구에서는 코로나 19 전후의 통신자료 등을 활용한 실제 통행 데이터 기반의 변화분석이 필요할 것으로 판단되며, 공유 모빌리티를 공유 자전거, 공유 전동킥보드, 공유 차량 등으로 수단을 세분화하여 각 수단의 특성을 반영한 비교연구가 필요할 것으로 판단된다.

Funding

This work was supported by Basic research project in the field of science and engineering (NRF-2020R1A2C014561) of National Research Foundation of Korea and Gyeonggi Urban Innovation Corporation (“Establishment of a plan to create a new city centered on people with pleasant pedestrians”) in 2020.

알림

본 논문은 2021년 한국ITS학회 춘계학술대회에서 발표한 내용을 수정 ‧ 보완하여 작성된 것입니다.

References

1
Cho H. R., Yun S. B., Jeong Y. J. (2020a), Seoul Transportation Changes and Strategies After COVID-19, Transportation Technology and Policy, 17(3), Korean Society of Transportation, 46-51.
2
Cho J. H., Ham S. W., Kim D. G. (2020b), A Comparison Study on Micro-mobility Usage Pattern: Focusing on Bike-sharing Service and E-Scooter Share Service in Seoul, Korea, The Korea Institute of Intelligent Transport Systems, 237-242.
3
Choi J. W. Kum K. J. (2014), Analysis of Factors Influencing Severity of Motorcycke Accidents Using Oreder Probit Model, Korean Society of Road Engineers, International Journal of Highway Engineering, 16(5), 143-154. 10.7855/IJHE.2014.16.5.143
4
Choi M. H., Jung H. Y. (2020), A Study on the Influencing Factor of Intention to Use Personal Mobility Sharing Services, J. Korean Soc. Transp., 38(1), Korean Society of Transportation, 1-13. 10.7470/jkst.2020.38.1.001
5
Google (2021), COVID-19 Community Mobility Reports, Korea.
6
Ha I. J. (2020), Status and Prospect of Use and Sharing Business for Private Transportation, The Korea Transport Institute, Monthly KOTI Magazine on Transport, 6-10.
7
Ha O. K., O J. T., One J. M., Seong N. M. (2005), The Study on the Accident Injury Severity Using Ordered Probit Model, J. Korean Soc. Transp., 23(4), Korean Society of Transportation, 47-55.
8
Han D. J., Kim E. C., Ji M. K. (2020), Analysis of Severity Factors in Personal Mobility (PM) Traffic Accidents, J. Korean Soc. Transp., 38(3), Korean Society of Transportation, 232-247. 10.7470/jkst.2020.38.3.232
9
Hyundai Card ‧ Hyundai Commercial Newsroom (2020), https://newsroom.hcs.com/, 2020.11.25. 10.1016/S1464-2859(20)30408-9
10
Jo E. R., Park J. S. (2019), A Plan to Promote Regional Transportation Measures for the 3rd New City in the Metropolitan Area, Gyeonggi Research Institute, Issue & Analysis, 1-26.
11
Jung H. Y., Song G. Y., Kim G. U. (2011), Analysis of Intra-city Bus Demand during Rainfall Using Ordered Probit Model, J. Korean Soc. Transp., 29(5), Korean Society of Transportation, 43-54.
12
Kang K. W., Beack B. S. (1998), Orderd Probit Model Of Speed Selection Behavior, J. Korean Soc. Transp., 16(3), Korean Society of Transportaion, 93-100.
13
Kim J. Y., Kim S. J., Lee G. J., Choo S. H. (2021), Estimating a Mode Choice Model Shared E-scooter Service: Focused on Access Travel and Neighborhood Travel -, The Korea Institute of Intelligent Transport Systems, The Journal of The Korea Institute of Intelligent Transport Systems, 20(1), 22-39. 10.12815/kits.2021.20.1.22
14
Kim T. H., Park M. H. (2019), Risk Factors Related to Accident Severity of Two-wheeled Vehicles Using Ordered Probit Model: A Case of Incheon Metropolitan City, Korean Society of Road Engineers, International Journal of Highway Engineering, 21(2), 71-79. 10.7855/IJHE.2019.21.2.071
15
Ko H. G., Choi Y. H. (2012), Prediction of Route Changing Behavior by Driving Condition Using Ordered Probit Model, The Korea Transport Institute, Journal of Transport Research 19(3), 1-19. 10.34143/jtr.2012.19.3.1
16
Kwon Y. M., Kim H. J. Lim K. I., Kim J. H., Son W. B. (2020), A Research on Forecasting Change and Service Direction for the Future Mobility System, The Korea Institute of Intelligent Transport Systems, The Journal of The Korea Institute of Intelligent Transport Systems, 19(3), 100-115. 10.12815/kits.2020.19.3.100
17
Lee G. R., Rho J. K., Kang K. W. (2009), Development of Bicycle Level of Service Model from the User's Perspective Using Ordeed Probit Model, The Korea Institute of Intelligent Transport Systems, The Journal of The Korea Institute of Intelligent Transport Systems, 8(2), 108-117.
18
Lee S. J., Chai S. J., Lee C. H., An S. Y., Jang K. T. (2020a), Effects of COVID-19 on Trip Patterns in Daejeon Metropolitan City, South Korea, Transportation Technology and Policy, 17(4), Korean Society of Transportation, 17-27.
19
Lee S. W., Min S. H., Park J. Y., Yoon S. D. (2005), The Practice on Logit & Probit Model, 177-196.
20
Lee S. Y., Han S. J., Chung Y. S. (2020b), Injury Severity of Freeway Crashes in Rainy Weather Using and Ordered Probit Model, The Korea Transport Institute, Journal of Transport Research, 27(1), 1-11.
21
Lee W. G., Jung H. Y. (2008), An Analysis on the Preference and Use-Demand Forecasting of Bus Information, Korean Society of Civil Engineers, Journal of the Korean Society of Civil Engineers, 28(6), 791-799.
22
Li A., Zhao P., He H., Axhausen K. W. (2020), Understanding the Variations of Micro-mobility Behavior before and during COVID-19 Pandemic Period, Arbeitsberichte Verkehrs- und Raumplanung, 1547.
23
Lim S. H. (2020), An Analysis of Change in Traffic Demand with Coronavirus Disease 2019, The Korea Institute of Intelligent Transport Systems, The Journal of The Korea Institute of Intelligent Transport Systems, 19(5), 106-118. 10.12815/kits.2020.19.5.106
24
Ministry of Land, Infrastructure and Transport (2021), http://www.molit.go.kr/, 2021.3.30.
25
Mogaji E. (2020), Impact of COVID-19 on Transportation in Lagos, Nigeria, Transportation Research Interdisciplinary Perspectives, Transportation Research Interdisciplinary Perspectives, 6. 10.1016/j.trip.2020.10015434171020PMC7290214
26
Park I. K., Chung I. R., Oh D. W., Jung Y. R. (2021), Changes in the Number of Urban Park Users Due to the Spread of COVID-19: Time Series Big Data Analysis, Korean Regionla Science Association, Journal of the Korean Regional Science Association, 37(2), 17-33.
27
Park J. J. (2017), A Study on the Legislation Related to Personal Mobility, The Institute of Law & Policy Jeju National University, Law & Policy Review, 23(2), 77-106. 10.36727/jjlpr.23.2.201708.004
28
Shokouhyar S., Shokouhyar S., Sobhani A. Gorizi A. J. (2021), Shared Mobility in Post-COVID Era: New Challenges and Opportunities, Sustainable Cities and Society, Sustainable Cities and Society, 67. 10.1016/j.scs.2021.102714
29
SPMA (2020), https://www.joongang.co.kr/article/23904253#home , 2020.11.25.
30
Sung H. G. (2018), Sharing Economy and Sharing Mobility, Public Officials Benefit Association, Urban Affairs, 53(599), 36-39.
31
Tian X., An C., Chen Z., Tian Z. (2021), Assessing the Impact of COVID-19 Pandemic on Urban Transportation and Air Quality in Canada, Science of The Total Environment, 765(15). 10.1016/j.scitotenv.2020.14427033401062
32
Wei J. T., Liu Y. X., Zhu Y. C., Qian J., Ye R. Z. et al. (2020), Impacts of Transportation and Meteorological Factors on the Transmission of COVID-19, International Journal of Hygiene and Environmental Health, 230. 10.1016/j.ijheh.2020.11361032896785PMC7448770
페이지 상단으로 이동하기