서론
선행연구
1. 가치기반수용모델
2. 잠재프로파일분석
3. 자율주행자동차 수용성 선행 연구
4. 관련 연구 고찰 결과
연구방법
1. 연구방법론 설계
2. 변수의 조작적 정의 및 가설 설정
3. 설문지 구성과 분석 방법
로보택시 수용성 모형 분석
1. 확인적 요인분석 및 이론모형 분석
2. 잠재프로파일분석
결론 및 시사점
서론
혁신적인 정보통신기술, 인공지능, 빅데이터 등의 융합은 교통 분야에서 새로운 가능성을 제시하며, 모빌리티 개념을 진화시키고 있다. 최근의 연구에서는 이러한 기술 혁신이 모빌리티의 이동성을 더욱 넘어서 새로운 차원으로 확장시키고 있다는 점이 강조되고 있다(Frost and Sullivan, 2020a). 이로 인해 전세계적으로 자율주행자동차와 도심항공교통 등의 분야에서 경쟁이 가열되며 새로운 서비스 영역을 개척하고 있다(Kim et al., 2023). 자율주행자동차를 비롯한 모빌리티 서비스는 미래 시장에서 중요한 위치를 점유하고 있으며, 로보택시와 같은 사용자의 이동 편의성을 높이는 데 그치지 않고, 다양한 사회적 변화와 새로운 가치 창출의 기회를 제공하는 파생서비스가 등장하고 있다. 그러나 기술적 한계와 사용자들의 불신 등의 문제가 존재하기 때문에, 기술 개발만으로는 제대로 된 성과를 얻기 어려운 상황이다(McKinsey, 2020). 따라서 성공적인 로보택시 상용화를 위해서는 기술적 안전성 뿐만 아니라 사용자의 수용성을 고려한 전략이 필요하다. 본 연구는 로보택시와 같은 첨단 기술을 수용하는 데 영향을 미치는 요인들을 가치기반수용모델을 통해 분석하고, 사용자 수용성과 관련된 특성을 파악하기 위해 잠재프로파일분석을 수행하였다. 이를 통해 로보택시 서비스의 상용화와 활성화를 지원하는 이론적 근거를 제공하고자 한다.
선행연구
모빌리티 시장은 크게 성장이 예상되는 분야로서 2020년 3,200억 달러에서 2030년 7,330억 달러로 약 128% 정도의 큰 성장이 될 것으로 기대하고 있다(Frost and Sullivan, 2020b). 로보택시는 자율주행자동차를 이용한 승차공유 플랫폼의 일종으로, 전기차 기반의 자율주행기능을 가진 택시로서 운전자의 개입 없이 운행할 수 있다. 승객은 모바일 앱 등을 통해 택시기사가 없는 자율주행자동차를 호출하고, 원하는 목적지까지 이동할 수 있다. 일반 자동차와 비교하면 자율주행자동차는 차량당 최대 50,000 달러의 높은 비용을 필요로 하기 때문에 로보택시는 자율주행자동차의 산업화를 가속하는 효과적인 접근 방식으로 간주하여왔다(Liu et al., 2022).
1. 가치기반수용모델
수용 의도, 행동, 태도 등 관련 사회심리학적 이론을 모태로 하여 첨단기술이 적용된 서비스, 제품, 기술 등을 사람들이 어떻게 수용하는지 관련 연구가 수행되었다. 대표적인 이론으로는 혁신 확산 이론(innovation diffusion theory), 합리적 행동 이론(theory of reasoned action), 계획 행동 이론(theory of planned behavior), 기술수용모델(technology acceptance model), 통합기술수용모델(unified theory of acceptance and user of technology)과 가치기반수용모델(value-based adoption model) 등을 들 수 있다(Yu, 2022). Kim et al.(2007)의 가치기반수용모델은 기술 수용에 있어 혜택 부분과 희생 부분을 비교하고 소비자의 자원 한계를 고려하여 최대의 만족, 효용을 검토하며, 그 결과 도출된 가치에 따라 첨단기술을 수용하려는 태도, 행동 의지를 고려한 모델이다. 최근에는 키오스크, 모바일 앱 및 새벽 배송 등 정보통신기술 환경에서 나타나는 새로운 기술과 서비스에 대하여 이러한 가치기반수용모델을 적용한 수용성 연구가 활발하게 진행되고 있다(Lin et al., 2012; Kim and Lee, 2018; Choi and Lee, 2019; Kim et al., 2021).
2. 잠재프로파일분석
잠재프로파일분석(latent profile analysis)은 혼합모형(mixture modeling)의 한 종류로서, 잠재된 하위집단을 구분하려는 의도에서 개발되었고, 개인들을 동질적인 하위집단들로 분류하는 데 사용하는 통계적인 과정을 설명하는데 사용된다(Goodman, 1974). 예와 아니오 같은 이분형 변수가 측정 변수일 경우 잠재집단 분석(latent class analysis)을 사용하고 얼마나 동의하는지 답변하는 리커트 척도와 같은 연속형 변수일 때에는 잠재프로파일분석을 사용한다(Schmiege et al., 2012). 쉽게 말해 잠재프로파일분석은 모집단 내에 있는 개별 문항 반응 패턴을 가지고 서로 비슷한 응답특성을 나타내는 것을 묶어 동일한 집단 혹은 그룹으로 유형화하는 방법이다(Lim, 2014). 이 분석은 개인의 특성에 중점을 두는 사람중심접근의 특징을 가지며, 군집 분석과 달리 다양한 통계적 기준과 사후 확률을 이용해 집단을 구분하는 장점이 있다(Bergman and Magnusson, 1997; Magidson and Vermunt, 2002). 한편 자율주행자동차 구매 의사, 수요자들의 생각 등 조사된 설문 문항을 바탕으로 이에 대한 잠재된 그룹을 도출하는데 본 분석이 활용된 바가 있다(Lu et al., 2017; Simone et al., 2019; Kim and Moon, 2022).
3. 자율주행자동차 수용성 선행 연구
자율주행자동차에 대하여 Casley et al.(2013)은 안전성, 가격, 생산성, 환경, 법적인 측면의 수용성에 관하여 연구하였고, Zmud et al.(2016)은 운전이 어려운 사용자들이 자율주행자동차 이용 의도가 높고 사회적 편익보다는 개인의 편익이 중요한 요인으로 작용한다는 점에 관한 결과를 밝혔다. 이 밖에도 Im et al.(2017), Lee et al.(2022a)은 텍스트 마이닝 기법, 요인분석 및 생존분석 등 자율주행차에 대한 다양한 관점에서 수용성 분석을 시도한 바 있다. 또한 Liu et al.(2022)는 확장된 기술수용모델을 중국의 로보택시에 적용하여, 인지된 신뢰, 정부 지원 정책, 사회적 영향, 인지된 즐거움 요소를 포함한 수용성 연구를 수행하였으며, 직간접적으로 수용에 영향이 미친다는 것을 밝혔다. 그리고 Lee et al.(2022b)는 가상 실험 수준의 로보택시를 수용하는 데 자율주행단계별 수용자의 서비스 경험이 유의미한 영향을 준다고 밝혔다. 이렇게 자율주행자동차 및 로보택시 수용성 분석을 위한 독립변수는 사회적 영향, 안전성, 혁신성, 비용, 즐거움에 대한 변수가 공통으로 많았으며, 종속변수는 대부분 자율주행자동차에 대한 수용 혹은 구매 의도에 대한 것으로 이루어졌다. 국내외 연구의 한계점은 현재 자율주행자동차에 대한 실제 사용자와 경험자가 드물고, 가상의 실험실이나 소수의 시범 서비스에 관한 결과인 점, 온라인 설문 특성상 다양한 세대가 아닌 20대와 30대 응답이 주로 이루어져 있다는 점, 자율주행자동차에 대한 이해가 부족하고, 카 엔터테인먼트, 정보습득 등 다양한 활용, 공유차, 로보택시와 같은 자율차 모드의 고려 부족을 들 수 있다.
자율주행자동차 선행 연구들을 검토한 결과, 기술수용모델을 비롯하여 다양한 수용모델을 활용하였고, 독립변수나 기타 변수는 해당 수용모델에서 사용하는 요인들을 기본으로 사용하고, 연구 목적에 따라 추가 변수를 활용한 것이 특징으로 볼 수 있다. 또한, 로보택시와 같은 자율주행자동차에 대한 다양한 서비스에 대해서는 수용성 분석이 부족했다는 것을 알 수 있다. 따라서 본 연구에서는 기존 연구와는 다른 대상인 로보택시에 대한 수용성 분석을 수행하는 것이 큰 차별성이 있다는 것을 알 수 있다. 그리고 기존 연구 고찰을 통해 공통적으로 많이 검토된 독립변수는 사회적 영향, 안전성, 혁신성, 비용, 즐거움과 종속변수는 자율주행자동차에 대한 수용 혹은 구매 의도이다. 본 연구에서는 비용, 즐거움, 안전(기술성)에 대한 것과 수용, 혹은 구매 의도를 가치기반수용모델의 독립 및 종속변수 중 일부분으로 도입하고자 한다. 다만 연구자 별로 각각의 목적과 도입하려는 해당 기술수용모델 종류에 따라 사용된 변수들이 다르므로 연구 별로 일정 부분 차이가 있는 것으로 판단된다.
4. 관련 연구 고찰 결과
연구 고찰 결과, 첨단기술을 이용하는 사람들의 수용성을 분석하는데 기술수용모델을 중심으로 지속해서 수행하였다는 사실을 알 수 있다. 최근에는 기술수용모델을 확장하고 보완하여 첨단기술 또는 서비스를 수용하는데 얻을 수 있게 되는 혜택과 감수할 희생 등 전반적으로 고려한 가치기반수용모델이 적용되고 있다. 따라서 가치기반수용모델은 새벽 배송, 키오스크, 관련 모바일 앱 등 최신 기술에 대한 수용성 연구에 활용되면서, 기술수용모델을 보완한 기술 수용의 혜택과 감수할 희생을 고려한 균형적 관점의 분석모델이라고 할 수 있다.
자율주행자동차의 상용화와 더불어 관련 서비스들의 성공적인 활성화를 위해서는 기술의 안전성과 이에 따른 잠재적 이용 계층을 포함한 수용성이 전제되어야 한다. 막대한 비용을 들여 개발한 로보택시가 여러 문제를 드러내어 사용자들의 불신과 외면을 받는다면 기술 개발의 의미를 찾을 수 없다. 즉, 사람들이 로보택시란 신기술에 대하여 수용하거나 거부하는 이유를 알아야 하며, 무엇보다 로보택시의 개발 및 정책 활용을 위해 수용성에 관한 연구가 선행되어야 한다. 따라서 로보택시의 수용성 제고를 위해 로보택시에 대한 혜택과 희생 관점의 균형적인 가치기반수용모델을 적용하여 분석하고자 하였다. 또한 잠재프로파일분석을 통해, 로보택시를 수용하는 응답자들의 유형을 확인하여 로보택시의 수용 의도에서 어떠한 차이가 있는지 알아보고자 한다. 이는 가치기반수용모델을 통해 분석하는 변수중심접근법과 잠재프로파일분석, 즉, 모집단 내 개별 문항 반응 패턴을 통해 서로 비슷한 응답특성을 보이는 것을 동일한 집단 혹은 그룹으로 묶어 유형화하는 사람중심접근법을 사용하여 차별적인 수용성 연구를 진행하고자 한다.
연구방법
1. 연구방법론 설계
가치기반수용모델 및 잠재프로파일분석, 자율주행자동차 수용성에 대한 선행연구를 바탕으로 본 연구의 연구방법론은 Figure 1과 같이 제시하여, 분석하고자 하는 내용들을 다음과 같이 정리할 수 있다.
1) 이론적, 문헌적 고찰 내용을 토대로 로보택시에 대한 지각된 혜택, 지각된 희생, 선호, 지각된 가치, 수용 의도의 개념과 의미, 변수에 대한 문헌적인 고찰을 수행한다. 이 중 지각된 혜택, 지각된 희생, 선호는 독립변수에 해당하고, 지각된 가치와 수용 의도는 종속변수에 해당이 된다. 아울러, 본 연구 주제와 목적에 맞는 ‘조작적 정의’를 수행한다. 조작적 정의란, 사물 또는 현상을 객관적이고 실험적으로 기술하기 위한 정의이며, 대개는 절차적 과정순서와 수량화할 수 있는 내용으로 만들어진다. 이처럼 선행 연구에서의 이해와 함께 가설 검증 및 결과 도출을 보다 합리적으로 분석하기 위해 관련 변수들에 대한 특성을 살펴보고 정의한다.
2) 앞서 검토한 연구들의 내용과 본 로보택시 수용성 연구를 위한 독립변수, 종속변수에 대한 조작적 정의를 참고하면서 합리적으로 연구모형을 조합·설계하고, 이에 근거하여 설계된 연구모형을 토대로 적합한 연구 가설들을 설정한다.
3) 설정된 변수들과 가설들을 토대로 이들의 신뢰성, 타당성 등을 유효하게 측정·분석·입증할 수 있는 적절한 측정항목들을 도출하고, 이러한 항목들을 설문조사에 적합하도록 구성하여 설문지를 제작한다. 연구모형과 연구 가설을 분석하기 위해 설문조사를 시행하며, 연구 시간 및 조사 인력 한계를 고려하여 온라인 설문으로 진행한다.
4) 설문 결과 자료들의 신뢰성과 타당성 등을 실증적, 정량적으로 검증하기 위해 IBM SPSS Statistics 통계 패키지와 R 통계프로그램, Mplus 통계프로그램을 활용하여 분석·정리한다.
5) 본 연구에서 설정한 모형에 대하여 확인적 요인분석을 수행한다. 즉, 요인을 구성하는 측정 문항들이 다른 측정 문항들로 인하여 오염되지 않는 정도를 확인하기 위한 판별타당성 등 구조방정식 모형의 적합성을 검증한다. 또한, 이론모형 분석을 통해 모형의 적합성과 경로의 유의성을 평가하여 연구의 각 가설에 대한 검증을 수행한다. 아울러 가치기반수용모델의 변수들을 대상으로 잠재프로파일분석을 통해 로보택시 수용 의도를 보이는 개별 문항 반응 패턴을 가지고 서로 비슷한 응답특성을 나타내는 것을 묶어 동일한 집단 혹은 그룹으로 유형화하고 분석한다.
2. 변수의 조작적 정의 및 가설 설정
가설 검증 및 검증에 따른 결과 도출을 보다 합리적으로 분석하기 위해 로보택시와 가장 유사한 자율주행자동차 관련 가치기반수용모델을 수행한 선행 연구 등을 참고로 하여 각 변수에 대하여 Table 1과 같이 정의하였다. 가치기반수용모델의 주요 구성요소인 지각된 혜택과 지각된 희생에 해당하는 변수를 설정하기 위해 선행 연구를 분석한 결과 로보택시 서비스의 혜택 하위 요인(유용성, 즐거움)과 희생 하위 요인(기술적 특성, 지각된 비용)으로 하여 연구모형을 설정하였다. 또한, 차량공유서비스, 택시, 자율주행자동차, 자가용에 대한 선호를 하위 요인으로 하여 선호에 대한 변수를 정의하였다. 이에 대하여 설정한 가설은 Figure 2와 같다.
Table 1.
Operational definition
| Variable | Definition | Pilot Study |
| Benefit | Various benefits that you want to get from using Robo Taxi | Gutman(1982), Seo et al.(2017) |
| Usefulness |
Convenient experiences, environmental and social benefits that users of Robo Taxi can perceive | Kim et al.(2007), Kwon et al.(2022) |
| Enjoyment | Joy, joy, satisfaction, and comfort that users of Robo Taxi can perceive | Davis et al.(1989), Liu et al.(2022) |
| Sacrifice | Technical characteristics, difficulty, financial cost in using Robo Taxi | Kim et al.(2007), Yu(2022) |
| Technicality | Technical complexity and difficulty in using Robo Taxi | Kim et al.(2007), Lin et al.(2012), Yu(2022) |
| Perceived Fee | Financial expenses paid by users using Robo Taxi | Zeithaml(1988), Seo et al.(2017) |
| Perceived Value |
The state of positively considering acceptance through the degree of relative value between perceived benefits and sacrifices while using Robo Taxi | Kim et al.(2007), Yu(2022) |
|
Adoption Intention | Intent to continue using Robo Taxi | Venkatesh(1999), Yu(2022) |
| Preference |
Degree of liking for all the emotions, memories, and experiences gained by interacting with related technologies, products, services, etc. in the process of deciding to use Robo Taxi | Hassenzahl and Tractinsky(2006), Chang et al.(2018) |
3. 설문지 구성과 분석 방법
변수의 조작적 정의와 가설들을 바탕으로 리커트 5점 척도로 구성하여 설문지를 구성하였으며, SPSS 및 R 통계프로그램을 이용하여 수집된 설문 자료에 대한 기초통계분석 및 가치기반수용모델에 대한 분석을 진행하였다. 설문문항의 경우, 설문 참여자의 성별, 나이, 가구 수입 등의 인구 통계적 특성과 차량 보유, 서울 이동 빈도 등 교통 통계적 특성 등의 기초 문항과 함께 지각된 혜택(지각된 유용성, 지각된 즐거움), 지각된 희생(기술적 특성, 지각된 비용), 지각된 가치, 수용 의도, 선호에 대하여 리커트 5점 척도의 설문문항으로 구성하였다. 먼저 설문 참여자의 인구 통계적 특성과 교통 통계적 특성 자료를 가지고 기초통계 분석을 진행하였으며, 응답자들의 로보택시에 대한 지각된 혜택과 지각된 희생, 선호, 지각된 가치, 수용 의도 정도를 확인하기 위해 확인적 요인분석과 이론모형 분석을 결합한 구조방정식 분석을 사용하였다. 구조방정식 분석의 1단계에서는 확인적 요인분석을 수행하여 신뢰성과 타당성을 검증하고 판별타당성을 확인하였으며, 구조방정식 분석의 2단계에서는 가치기반수용모델 연구모형의 모형 적합성을 평가하여 모델의 적합도가 확보되었는지 판단하고, 경로의 유의성을 파악하여 연구모형의 가설을 검증하고 로보택시 서비스 수용을 위한 가치기반수용모델 연구모형을 추정하였다. 또한, 지각된 가치와 수용 의도에 미치는 유의한 변수들을 바탕으로 개인들을 동질적인 하위집단들로 분류하고자 Mplus 통계프로그램을 사용하여 잠재프로파일분석을 수행하였다. 20세 이상의 경기도민을 대상으로 2022년 6월(6월 15일부터 17일)에 온라인 설문을 진행하였으며, 설문 응답자들은 남성 215명(50.1%), 여성 214명(49.9%)으로 구성되었고, 연령대의 경우 약 24-25%로 20대부터 50대까지 각각 비슷하게 응답하였다.
로보택시 수용성 모형 분석
1. 확인적 요인분석 및 이론모형 분석
1) 확인적 요인분석
확인적 요인분석(confirmatory factor analysis)은 연구자가 수집한 데이터가 이미 알려진 이론이나 가설과 일치하는 모델 구조를 갖는지 검증하는 과정을 말한다. 측정모델이 어떤 변수에 의해 측정되어 있는가를 확인하는 방법이며, 확인적 요인분석 단계에서는 신뢰성과 타당성을 평가하게 된다. 신뢰성은 측정문항의 일관성을 나타내며, 동일한 요인에 의해 측정을 반복하였을 때 동일한 값을 얻을 가능성을 말한다. 신뢰성을 구하는 방법은 Cronbach's α(Alpha) 값을 구하는 방법과 구조방정식모델에서 개념신뢰도를 구하는 방법이 있다. 신뢰성 평가 결과를 살펴보면 Cronbach’s α 값이 0.713-0.911로 신뢰성이 확보된 것으로 나타났다.
구조방정식 모델에서는 타당성에 관한 내용을 파악해야 하며, 본 연구에서 설정한 측정모형의 타당성 분석을 위하여 R 통계프로그램을 사용하였다. 로보택시 서비스에 대한 가치기반수용모델의 측정모형 타당도를 파악하기 위하여 집중타당성(convergent validity)과 판별타당성(discriminant validity)을 확인하였다.
먼저 Table 2를 통해 집중타당성을 확인하였는데, 특정 개념을 나타내는 항목들이 한 방향으로 높은 분산 비율을 공동으로 소유하는 경우를 말한다. 이를 평가하는 방법은 표준적재치, 평균분산추출지수(average variance extracted), 개념신뢰도(construct reliability) 등이 있다. 평균분산추출지수의 경우 표준적재치의 제곱합을 표준적재치의 제곱합과 오차분산의 합으로 나눈 값이며, 평균분산추출지수와 표준적재치가 각각 0.5 이상이면 집중타당성이 있다고 판단한다. 개념신뢰도는 측정변수와 요인 사이의 표준적재치와 오차항을 이용해서 계산하며, 개념신뢰도가 0.7 이상이면 신뢰도 또는 집중타당성이 높다고 해석할 수 있다.
Table 2.
Confirmatory factor analysis results
R 통계프로그램을 통해 분석한 결과, 각 요인을 구성하고 있는 표준적재치가 대부분 기준치 0.5 이상이고, 신뢰도 0.7 이상, 평균분산추출지수 0.5 이상이므로 집중타당성(또는 수렴타당성)이 있다고 할 수 있다.
한편, 요인으로 이루어져 있는 측정 변수들이 다른 측정 변수에 의해 오염되지 않은 정도를 판별타당성이라고 하며, 서로 다른 개념을 측정하였을 경우에는 상관계수가 낮게 나타나는 경우라고 말할 수 있다. 따라서 평균분산추출지수의 제곱근 및 각 요인과의 상관계수인 결정계수 비교를 통해 평균분산추출지수의 제곱근이 상관계수보다 크다면 완전 판별타당성을 가진다고 해석한다(Fornell and Lacker, 1981). Table 3과 같이 평균분산추출지수의 제곱근이 요인간 상관계수보다 대체적으로 크게 나타났으나 작은 값도 있으므로 요인간의 부분 판별타당성이 있다고 할 수 있다.
Table 3.
Discriminant validity analysis results
2) 이론모형 분석을 통한 가설 검증 및 경로 해석
확인적 요인분석 결과, 신뢰성과 타당성이 검증되었으므로, 연구모형의 가설을 검증하기 위해 가치기반수용모델에 대한 이론모형 분석을 수행하고자 하였다. 카이제곱통계량은 1475.060이고, 자유도는 530, 여기에 해당하는 P-value(Chi-square)는 0.000이다. 기본모델의 카이제곱통계량은 11213.339이고, 자유도는 595, 여기에 해당하는 P-value는 0.000이다. 그러므로 기본모델이 값이 더 크므로 적합하다. 그리고 적합도를 나타내는 지수들을 확인한 결과, CFI(comparative fit index)=0.911(기준 0.9 이상), TLI(Turker-Lewis index)=0.900(기준 0.9 이상), RMSEA(root mean square error of approximation)=0.064(기준 0.08 이하), SRMR(standardized root mean squared residual)=0.094(기준 0.1 이하) 으로서 대체로 적합한 것을 알 수 있다.
모형의 적합성이 검증되었으므로 경로 간의 유의성 평가를 통해 각 가설 검증을 수행하였다. R 통계프로그램을 통해 연구모형 검증 결과, Figure 3, Table 4와 같이 나타났다. 경로 간의 유의한 경로를 표출하였으며 , 연구모형에서 제시한 주요 가설들은 z-검정 결과, 유의수준에서 전부 채택되는 것으로 나타났다. 특히 지각된 혜택의 하위 요인인 지각된 유용성은 지각된 가치에 유의한 긍정적인 정(+)의 영향을 미치고, 지각된 즐거움도 마찬가지로 유의한 긍정적인 정(+)의 영향을 미치는 것으로 확인되었다. 또한 지각된 희생 요인인 지각된 비용이 지각된 가치에 유의한 부(-)의 영향 관계가 있는 것으로 나타났으며, 지각된 가치는 수용 의도에 유의한 긍정적인 정(+)의 영향 관계를 나타내는 것으로 나타났다. 이는 로보택시 서비스를 계속 사용하고자 하는 의도에 영향을 미치는 요인으로서 지각된 혜택과 희생 간 상대적 가치 정도에 대하여 수용 의도를 긍정적으로 판단한다는 것을 알 수 있다. 지각된 혜택의 하위 요소인 지각된 유용성과 지각된 즐거움은 각각 수단별 선호에 유의미한 정(+)의 영향 관계를 미치는 것으로 나타났다. 한편, 차량공유서비스 및 자가용을 선호하는 것은 지각된 가치에 정(+)의 영향 관계가 있는 것으로 나타났으며, 차량공유서비스 및 택시를 선호하는 것은 수용 의도에 정(+)의 영향을 미치는 것으로 나타났다.
Table 4.
Hypothesis verification
| Path |
Standar dized path coefficient | z-value | Result | Path |
Standar dized path coefficient | z-value | Result | ||
| H1a |
Usefulness → Perceived Value | 0.272 | 4.108*** | Accepted | H6a |
Preference (Car Sharing) → Perceived Value | 0.157 | 3.341*** | Accepted |
| H1b |
Enjoyment → Perceived Value | 0.287 | 3.963*** | Accepted | H6b |
Preference (Car) → Perceived Value | 0.212 | 4.692*** | Accepted |
| H1c | Enjoyment → Usefulness | 0.768 | 14.063*** | Accepted | H7a |
Preference (Car Sharing) → Adoption Intention | 0.1 | 2.571** | Accepted |
| H2a |
Perceived Fee → Perceived Value | -0.091 | -2.563** | Accepted | H7b |
Preference (Taxi) → Adoption Intention | 0.138 | 3.439*** | Accepted |
| H3 |
Perceived Value → Adoption Intention | 0.27 | 5.330*** | Accepted | H8a |
Usefulness → Adoption Intention | 0.257 | 4.568*** | Accepted |
| H4a |
Usefulness → Preference (Car Sharing) | 0.166 | 2.150* | Accepted | H8b |
Enjoyment → Adoption Intention | 0.28 | 4.370*** | Accepted |
| H4b | Usefulness → Preference (Taxi) | 0.269 | 3.557*** | Accepted | H9a | Age → Usefulness | -0.107 | -3.089** | Accepted |
| H4c | Usefulness → Preference (Car) | 0.3 | 3.707*** | Accepted | H9b | Age → Technicality | -0.146 | -2.761** | Accepted |
| H4d |
Enjoyment → Preference (Car Sharing) | 0.436 | 5.293*** | Accepted | H9c |
Age →
Preference (Autonomous Vehicles) | 0.085 | 1.905* | Accepted |
| H4e | Enjoyment → Preference (Taxi) | 0.381 | 4.816*** | Accepted | H9d | Age → Preference (Car) | 0.097 | 2.175* | Accepted |
| H4f |
Enjoyment →
Preference (Autonomous Vehicles) | 0.513 | 9.257*** | Accepted | H9e | Sex → Preference (Taxi) | 0.082 | 1.973* | Accepted |
| H4g | Enjoyment → Preference (Car) | 0.269 | 3.297*** | Accepted | H9f | Sex → Preference (Car) | 0.102 | 2.339* | Accepted |
| H5a | Technicality → Preference (Taxi) | -0.106 | -2.286* | Accepted | |||||
2. 잠재프로파일분석
1) 잠재프로파일 수 결정
잠재프로파일 수를 2개에서 6개까지 하나씩 늘려가며 최적의 잠재프로파일 수를 확인하고자 비교 분석하였다. 최적의 잠재집단 수를 결정하기 위해서 잠재프로파일 분석에서는 정보기준, 모형 비교검증, 분류의 질 등의 통계적 지표, 이론 등을 종합적으로 고려하여 모형 적합성을 판단한다(Nylund et al., 2007).
통계적 모델 비교를 하기 위해서는 먼저 정보기준(information criteria)을 이용할 수 있다. 잠재프로파일 수를 늘려가며 도출된 정보기준 값 중에 가장 작은 정보기준 값을 가진 모델이 선택되며, Akaike’s Information Criterion(AIC), Bayesian Information Criterion(BIC), Sample-Size Adjusted BIC(aBIC)가 이에 해당한다. 이들을 통해 데이터에 대한 모델의 적합도와 모델 간명도를 살펴볼 수 있으며, 가장 작은 값의 AIC, BIC, aBIC를 가진 모형을 최적의 잠재프로파일(집단) 수로 고려한다. 또한 BLRT(Parametric Bootstrapped Likelihood Ratio Test), VLMR(Voung-Lo-Mendell-Rubin Likelihood Ratio Test), LMR(Lo-Mendell-Rubin adjusted Likelihood Ratio Test)은 잠재집단 수가 k와 k-1개인 모형을 비교하는 지표로서 모형 비교검증을 통해 모형의 분류 정확도가 더 나은지 확인할 수 있다. p값들이 통계적으로 유의할 경우 잠재집단 수가 k개인 모형이 적합하고, 통계적으로 유의하지 않을 경우 잠재집단 수가 k-1개인 모형이 적합한 것으로 본다(Geiser, 2012). 또한, 잠재프로파일 분석에서 분류의 질을 위한 측정을 위해 엔트로피(entropy) 지표를 사용할 수 있으며, 1에 가까울수록 좋은 분류 정확성을 나타낸다.
먼저 Table 5, Figure 4와 같이 잠재프로파일 수에 따른 정보기준의 변화를 살펴보면, 잠재프로파일 수가 2개에서 6개로 증가할수록 AIC, aBIC가 감소하고, BIC의 경우 2개에서 4개로 증가할수록 감소하다가 4개에서 6개로 갈수록 완만하게 증가하는 것으로 나타났다. AIC, BIC, aBIC의 변화 양상을 볼 때, 스크리 도표(scree plot)의 기울기가 완만해지는 구간에서 요인의 수를 정하는 방식과 유사하게 잠재프로파일의 수를 결정할 수 있다(Nylund et al., 2007). 따라서 잠재프로파일의 수가 늘어날수록 세 가지 지수가 모두 큰 폭으로 감소하고 있다가 잠재프로파일이 4개에서 5개로 증가하는 구간에서 그 감소 폭이 눈에 띄게 둔화하고, 팔꿈치형(elbow) 그래프를 보이는 것을 확인할 수 있으므로, 잠재프로파일의 수가 4개인 모형이 가장 적절한 것을 알 수 있다. 또한 모형 비교 검증 분석 결과, VLMR과 LMR에서는 잠재프로파일 수가 2개인 경우 p < .001, 4개인 경우 p < .05, 3개와 5개, 6개인 경우 p값이 유의하지 않은 것으로 나타났다. BLRT는 잠재프로파일 수가 2개에서 6개까지의 경우 p < .001 수준에서 유의하게 나타났다.
Table 5.
Model fit indices for latent profile analysis
한편 분류의 질과 관련하여 엔트로피는 일반적으로 0.8 이상이면 분류의 정확도가 높다고 본다. 따라서 잠재프로파일의 수가 4개일 때부터 엔트로피값이 계속 0.8 이상으로 분류의 정확도가 높다고 볼 수 있다. 결과적으로 세 가지의 정보지수, 모형 비교검증, 엔트로피를 통한 분류의 질을 모두 검토하였을 때 잠재프로파일을 4개로 분류하는 것이 적합한 것으로 판단하였다. 즉, 엔트로피보다 정보지수인 AIC와 BIC를 비교하면서 잠재프로파일의 수를 결정하는 것이 적절하고, AIC와 BIC의 결과가 다르게 나타나는 경우에는 AIC보다 BIC를 기준으로 최종모형을 결정하는 것이 바람직하다(Nylund et al., 2007). 다만, 최적의 잠재프로파일 수를 결정할 때 적합도 지수만을 이용하는 것은 한계가 있을 수 있으므로 계층별 사례 수의 비율과 해석 가능성을 고려하였다. Table 6에서 잠재프로파일이 4, 5, 6개인 경우 가장 적은 수의 잠재프로파일의 비율이 5% 미만으로 나타났다. 프로파일 수 결정 시 유형 별 사례 수의 비율과 연구자의 이론적인 해석 가능성을 같이 고려하여 가장 설명력이 높은 프로파일 유형의 수를 최종 선택하는 것이 바람직하다(McCrae et al., 2006). 그리고 각 프로파일의 표본이 5% 미만일 경우 프로파일의 과대 추출이 우려되기에 주의를 기울여야 하거나(Hipp and Bauer, 2006; Merz and Roesch, 2011), 표본의 환경에 따라 적절한 샘플 크기라면 최소 1% 이상에서 모델을 선택할 수 있다고도 하였다(Hill et al., 2000, Kim et al., 2018). 여러 가지 지표를 종합적으로 보았을 때 잠재프로파일의 수가 4개인 경우가 다른 계층보다 적합한 것이 많고, 최소 1% 이상에서 모델을 선택한 연구 사례가 있으므로, 지각된 유용성과 지각된 즐거움, 기술적 특성, 지각된 비용에 따른 유형의 가장 적절한 잠재프로파일 수를 4개로 결정하였다.
Table 6.
Rate of frequency by latent profile(%)
|
Number of Latent Profile | Class | ||||
| 1 | 2 | 3 | 4 | 5 | |
| 2 | 36.7 | 63.3 | - | - | - |
| 3 | 21.6 | 58.7 | 19.8 | - | - |
| 4 | 3.5 | 29.3 | 50.7 | 16.4 | |
| 5 | 0.5 | 28.8 | 3.1 | 51.1 | 16.5 |
| 6 | 0.5 | 3.1 | 50.5 | 28.3 | 7.5 |
다음으로 결정된 4개의 잠재프로파일 모형에 대한 사후확률평균(mean posterior probabilities)을 확인하였으며, 4개 잠재프로파일 모형의 유형별 빈도수를 Table 7에 제시하였다. 이 행렬 주 대각선의 높은 값들은 평균적으로 개인들이 높은 확실성을 가지고 그들에게 가장 적합한 잠재계층으로 분류된다는 것을 의미한다. 주 대각선에 있는 값들은 적절한 계층 해를 위해 0.8 혹은 그보다 커야 한다고 한다(Geiser, 2012). 예를 들어 유형 1로 분류된 표본들이 실제로 유형 1에 속할 확률이 96.0%로 해석할 수 있다. 따라서 본 연구의 사후확률평균의 범위는 87.8%에서 96.0%로 나타나 분류의 정확성은 높으며 적합한 잠재프로파일로 분류된다는 것을 확인할 수 있다.
Table 7.
Frequency and mean posterior probabilities by type of latent profile model
2) 잠재프로파일 유형 특성 분석
도출된 잠재프로파일에 대한 각 유형의 특성을 Table 8, Figure 5에 제시하였다.
Table 8.
Mean, standard deviation of variables by class
먼저 유형 1(Class 1)은 전체 응답자의 15명(3.5%)로 가장 낮으며, 세부적으로 살펴보면, 지각된 유용성과 지각된 즐거움에 대한 응답은 가장 낮고, 기술적 복잡성, 이용의 어려움인 기술적 특성이 가장 높으며, 지각된 비용의 경우 4개의 유형 중 두 번째로 높은 것으로 상대적으로 비용에 민감한 편임을 알 수 있다. 다시 말하자면, 로보택시 이용에 있어 다른 유형에 비해 유용성과 즐거움에 있어 혜택에 대하여 낮게 생각하고, 로보택시 서비스 기술에 대한 구현이 상대적으로 어렵게 생각하며, 비용 부담 또한 상대적으로 높게 느끼는 집단의 특징을 나타내고 있다. 따라서 유형 1은 타 유형보다 로보택시 서비스에 대하여 부정적으로 가장 어렵게 생각하고 비용에 민감하고 새로운 것에 저항을 가지는 ‘매우 회의적인 로보택시 서비스 수용자’의 특징을 보인다고 할 수 있다.
유형 2(Class 2)의 경우 전체 응답자 중 126명(29.3%)으로 4개 유형 중 두 번째로 많은 유형이다. 세부적으로 살펴보면, 변수 중 지각된 유용성과 지각된 즐거움에 대한 응답은 다른 유형에 비해 중간 정도이고, 기술적 특성은 두 번째로 높으며, 지각된 비용의 경우 다른 집단들에 비해 가장 높은 것을 알 수 있다. 다시 말하자면 로보택시를 수용하거나 이용하는 데 있어 유용성과 즐거움을 보통으로 판단하고, 로보택시 서비스 기술 구현에 대하여 상대적으로 복잡하고 어렵게 생각하며, 로보택시 이용에 있어 비용 부담을 가장 잘 받는 사람들이다. 따라서 유형 2은 ‘약간 회의적인 로보택시 서비스 수용자’의 특징을 보인다고 할 수 있다.
유형 3(Class 3)의 경우 전체 응답자 중 가장 많은 218명(50.7%)이 포함되었다. 세부적으로 살펴보면, 지각된 유용성, 지각된 즐거움, 기술적 특성은 보통의 응답을 보이며, 지각된 비용의 경우 타 유형보다 상대적으로 가장 낮게 응답하였다. 이는 로보택시의 유용성과 즐거움, 기술성, 비용에 대하여 상대적으로 보통 이상의 판단을 하는 사람들 집단 특성을 나타낸다. 따라서 유형 3은 ‘중립적인 로보택시 서비스 수용자’의 특징을 보인다고 할 수 있다.
유형 4(Class 4)의 경우 전체 응답자 중 세 번째로 많은 70명(16.4%)이 포함되었다. 세부적으로 살펴보면, 로보택시 서비스의 지각된 유용성, 지각된 즐거움의 가치를 최우선으로 높게 평가하고, 로보택시 서비스의 기술적 특성에 대하여 기술적으로 복잡하지 않다고 판단하여 가장 낮게 응답하였으며, 지각된 비용의 경우 타 유형보다 상대적으로 낮게 응답하였다. 다시 말하자면 로보택시를 수용하거나 이용하는 데 있어 유용성과 즐거움을 가장 최우선으로 중시하고, 로보택시 서비스 기술 구현이 가능하다고 생각하며, 로보택시 이용 비용의 부담을 상대적으로 낮게 생각하는 집단의 특성이 있다. 따라서 유형 4는 비용에 둔감하고, 기술 구현이 가능하다고 생각하며, 유용성과 즐거운 가치를 가장 우선시하는 ‘적극적인 로보택시 서비스 수용자’의 특징을 보인다고 할 수 있다.
3) 유형과 결과변수 간의 영향
4개 유형으로 도출된 잠재프로파일과 가치기반수용모델 내 결과변수인 가치와 수용 의도에 대하여 어떻게 차별적으로 예측하는지 분석하여 Table 9, Table 10에 제시하였다.
Table 9.
Average of perceived value, adoption intention by class
Table 10.
Mean difference by class for perceived value, adoption intention
먼저 지각된 가치의 평균에 대하여 분석한 결과 유형 1은 약 2.1, 유형 2는 약 2.7, 유형 3은 약 3.5, 유형 4는 약 4.2로 유형 1에서 유형 4로 올라갈수록 가치에 대하여 중요하게 여기는 것으로 나타났다. 다시 말하면, 약 16%(유형 4)가 로보택시를 이용하는 데 가치를 높게 두고 있고, 약 80%(유형 2과 유형 3)가 로보택시 서비스의 가치를 보통 이상으로 생각하고 있는 것으로 분석된다. 각각 하위 집단 간 평균 차이는 유형별로 모두 통계적으로 유의한 차이가 있는 것으로 나타났다.
다음으로 수용 의도의 평균에 대하여 분석한 결과 유형 1은 약 1.5, 유형 2는 약 2.6, 유형 3은 약 3.7로, 유형 4는 약 4.5로 지각된 가치와 동일하게 유형 1에서 유형 4로 올라갈수록 로보택시의 수용의도를 더 높게 가지는 것으로 나타났다. 이 또한 약 16%(유형 4) 이상이 로보택시를 바로 수용할 의도가 있는 것으로 보이며, 약 80%(유형 2과 유형 3)가 보통 이상으로 수용할 의도가 있다고 볼 수 있다. 이러한 하위 집단 간 평균 차이는 각각 통계적으로 유의미한 것으로 나타났다.
4) 유형과 예측변수 간의 영향
잠재프로파일과 예측변수 간의 유의한 연관성을 살펴보기 위해 4개의 잠재프로파일이 도출된 모형에 영향을 미칠 가능성이 있는 변수(예측변수)를 포함하였다. 잠재프로파일 유형을 분류하지 않은 변수 중 선호, 인구 통계적 특성 지표 중 성별, 나이, 가구(세대) 수입, 교통 통계적 특성 지표 중 차량 보유, 서울시 이동 빈도를 포함하였다. 각 집단을 참조집단으로 설정하여 나머지 집단과 비교하고자 잠재프로파일 분류 유형에 대한 변수의 유의한 영향력을 분석한 결과는 Table 11과 같다.
Table 11.
Effect between class and predictors
| Reference Class | Class 4 | Class 1 | Class 2 | ||||||||||
| Class | Class 1 | Class 2 | Class 3 | Class 2 | Class 3 | Class 3 | |||||||
| Variable | B | S.E. | B | S.E. | B | S.E. | B | S.E. | B | S.E. | B | S.E. | |
| Preference | Car Sharing | -2.476* | 1.065 | -2.435*** | 0.739 | -1.071 | 0.76 | 0.042 | 0.798 | 1.405 | 0.794 | 1.364*** | 0.385 |
| Taxi | -7.949* | 3.185 | -6.615* | 3.1 | -6.837* | 3.087 | 1.334 | 0.772 | 1.113 | 0.767 | -0.222 | 0.415 | |
|
Autonomous Vehicles | -3.008* | 1.245 | -2.023* | 1.02 | -1.548 | 0.976 | 0.985 | 0.751 | 1.461* | 0.764 | 0.476 | 0.277 | |
| Car | -3.125* | 1.266 | -3.492** | 1.155 | -2.435* | 1.132 | -0.366 | 0.567 | 0.69 | 0.592 | 1.056*** | 0.306 | |
| Population |
Sex (Male: 1, Female 0) | -0.959 | 1.223 | -1.044 | 0.932 | -0.2 | 0.867 | -0.085 | 0.87 | 0.759 | 0.879 | 0.844* | 0.437 |
| Age | 1.071 | 0.595 | 0.961 | 0.513 | 0.65 | 0.47 | -0.11 | 0.334 | -0.422 | 0.365 | -0.311 | 0.198 | |
|
Household Income | 0.091 | 0.669 | 0.405 | 0.514 | 0.77 | 0.489 | 0.313 | 0.459 | 0.679 | 0.465 | 0.365* | 0.181 | |
|
Transpor tation |
Vehicle Possession (Holded: 1, Not held: 0) | 3.17* | 1.509 | 2.608* | 1.253 | 2.818* | 1.181 | -0.562 | 0.927 | -0.352 | 0.955 | 0.21 | 0.459 |
|
Frequency to travel in Seoul | 0.756 | 0.468 | 0.152 | 0.359 | 0.071 | 0.355 | -0.604 | 0.323 | -0.685* | 0.317 | -0.081 | 0.13 | |
먼저 유형 4와 비교집단인 나머지 다른 유형들에 대하여 살펴보았다. 선호 지표에 있어서 택시와 자가용을 선호할수록 다른 유형에 비해 로보택시 서비스에 긍정적 수용 의도가 높은 유형 4에 속할 확률이 더 높았다. 차량공유서비스와 자율주행자동차를 선호할수록 유형 1과 2에 비해 유형 4에 속할 확률이 높았다. 차량 보유의 경우에도 차량을 보유하지 않을수록 다른 비교집단 유형들에 비해 유형 4에 속할 확률이 더 높았다. 한편 유형 1과 유형 3을 비교해 보았을 때 자율주행자동차를 선호할수록, 서울시로의 이동 빈도가 낮을수록 유형 3에 속할 확률이 높았다. 그리고 유형 2와 유형 3을 비교해 보았을 때 차량공유서비스와 자가용을 선호할수록, 성별 중 남성이, 가구당 수입이 높을수록 유형 3에 속할 확률이 높았다.
결론 및 시사점
본 연구는 가치기반수용모델 및 잠재프로파일분석을 이용하여 로보택시 서비스에 대한 수용성 연구를 수행하였다. 다양하게 분석되었던 자율주행자동차에 대한 수용성 연구를 고찰하였고, 로보택시에 대한 혜택과 희생 관점의 균형적인 가치기반수용모델을 적용하였다. 지각된 유용성과 지각된 즐거움이 하위 요인인 지각된 혜택, 기술적 특성과 지각된 비용이 하위 요인인 지각된 희생, 차량공유서비스, 택시, 자율주행자동차, 자가용에 대한 선호에 대하여 지각된 가치와 수용하고자 하는 의도에 미치는 영향을 확인하였다. 이를 위해 확인적 요인분석 및 이론모형 분석을 통한 구조방정식 분석 결과, 연구모형에서 제시한 가설에 대하여 유의한 영향을 미치는 것으로 확인되었다, 또한 가치기반수용모델 변수들을 대상으로 연구모형 내 동질 집단 유형을 파악하고자 잠재프로파일분석을 실시하였다. 적합도 지수와 통계적 유의도, 분류의 질, 각 프로파일에 포함되는 표본의 비율을 종합적으로 고려해 볼 때, 가장 적절한 잠재프로파일 수가 4개로 분석되었고, 각각 다른 특징을 나타내는 유의미한 유형으로 매우 회의적인 로보택시 서비스 수용자(유형 1), 약간 회의적인 로보택시 서비스 수용자(유형 2), 중립적인 로보택시 서비스 수용자(유형 3), 적극적인 로보택시 서비스 수용자(유형 4)로 명명하였다. 이들의 유형에 따라 종속변수인 지각된 가치와 수용 의도에 대한 영향을 분석하였으며, 전체의 97% 이상이 로보택시를 가치 있게 판단하고, 수용할 의도가 있는 것으로 나타났다. 또한, 잠재프로파일 유형과 예측변수 간의 영향력을 분석한 결과, 선호 변수, 성별, 가구 수입과 같은 인구 통계적 특성 변수, 차량 보유, 서울시 이동 빈도와 같은 교통 통계적 특성 변수가 영향력이 있었다.
본 연구의 차별성과 시사점은 다음과 같다. 첫째, 자율주행자동차에 대한 수용성 분석 연구는 기술수용모델 중심으로 다수 수행됐으나 자율주행기반의 공유서비스 일종인 로보택시에 대한 수용성 연구는 부족하여 본 연구를 통해 가치기반수용모델을 활용하여 로보택시 수용성 제고를 위한 요소들을 분석하였다. 둘째, 로보택시 서비스 사용자 수용성에 대한 가치기반수용모델을 바탕으로 잠재프로파일분석을 수행하여 집단 내에서 각 요인들의 조합이 어떠한 특성을 보이고 있고, 로보택시에 대한 수요자들의 유형, 변수에 미치는 영향 등을 미치는지 상세하게 분석하고 유형별로 도출하였다. 이는 가치기반수용모델을 통해 분석하는 변수중심접근법(Step 1)과 잠재프로파일분석, 즉, 모집단 내 개별 문항 반응 패턴을 통해 서로 비슷한 응답특성을 보이는 것을 동일한 집단 혹은 그룹으로 묶어 유형화하는 사람중심접근법(Step 2)을 단계에 따라 적용한 차별적인 수용성 연구라고 볼 수 있다. 셋째, 사람들이 로보택시 서비스를 수용하는데 유용성과 즐거움과 같은 혜택 측면에서 긍정적으로 받아들이고 있지만, 로보택시 이용 비용에 부담을 느끼고 있는 것으로 분석되었다. 이는 향후 정부에서 정책을 수립하고, 기업에서 로보택시 상용화 시 이용 비용에 대하여 고려해야 할 부분이 될 것이다. 정부에서는 로보택시 운수사업자 혹은 시민들에게 로보택시 도입 시 보조금을 지급한다거나, 일반 택시 및 버스와 같은 경쟁 수단 대비 합리적이고 수용이 가능한 비용 관련 연구 수행이 필요할 것이다. 또한, 시민들이 로보택시 이용 시 교통비를 보조해주는 할인 혜택을 검토해 볼 수 있으며, 기업에서는 이용 활성화를 위한 홍보 등을 추진해볼 수 있다. 넷째, 택시와 자가용, 자율주행자동차와 차량공유서비스의 선호는 로보택시의 혜택에 보편적으로 긍정적인 영향을 받고, 지각된 가치 및 수용 의도에 긍정적 영향을 주는 것으로 나타났다. 이를 잘 활용하여 로보택시 안에서 카 엔터테인먼트 등 차량 이동뿐만 아니라 차 안에서 여러 가지를 연계시킬 수 있으면 수용성 확장에 긍정적 영향을 미칠 수 있을 것으로 판단된다. 또한, 유용성 측면에서도 로보택시를 비롯하여 공유차 서비스, 자율주행자동차 서비스가 고도화되었기 때문에 기술적으로 안전하고, 교통 인프라와 연계를 할 수 있고 이를 활용한 서비스 이용 시 삶의 질 향상에 유용하다는 것을 정책적으로 확대 추진할 필요가 있다. 예를 들어 차량공유서비스를 이용하는 고객에게 로보택시 이용 시 추가 혜택을 주는 방안을 검토해 볼 수 있다. 다섯째, 잠재프로파일분석 결과, 유형별로 로보택시에 대한 지각된 가치와 수용 의도가 차별적으로 나타났다. 이는 통상적으로 얼리어답터와 이노베이터(Early adapter/Innovator) 특성을 보이는 적극적인 로보택시 서비스 수용자와 같은 유형 4와 같이 신기술, 새로운 서비스로서의 로보택시를 긍정적으로 받아들이지만, 신기술에 대하여 소극적이고 회의적으로 받아들이는 경향이 있는 유형의 경우, 로보택시를 부정적으로 받아들이는 경향이 있기 때문으로 판단된다.
본 연구의 한계 및 발전 방향은 다음과 같다. 현재 자율주행자동차 및 로보택시가 완전자율주행 기능이 있는 형태로 상용화되지 않고 레벨 2-3 정도의 시범운영 수준에 있으므로, 실 경험 기반인 수용성 분석이 어려웠다. 따라서 설문 응답자들은 로보택시를 이용하기 위한 기술적 노력보다는 로보택시 서비스를 이용하기 위한 비용 측면을 더욱 중요하게 생각하는 것으로 나타났다. 한편 경기도민을 대상으로 온라인 설문을 수행하였으나, 지역별 세대별 모수가 적었기 때문에 어떠한 경향의 사용자들이 실제로 로보택시를 선호하는지 통계적인 유의성 확보 및 지역별 모집단 대표성을 나타내기 어려웠다. 지역별 세대별 모수를 고려하여 사용자 특성에 대한 정밀한 추가 분석을 수행한다면 경기도 내 수용성 제고 정책 개발에 도움이 될 것으로 판단된다. 최근 로보택시의 안전성, 개인정보보호에 대한 문제가 사회적 이슈로 주목받고 있으므로, 가치기반수용모델 내 기술적 안전성 및 안전 비용,개인정보보호 등 로보택시 도입에 대한 현실적 이슈를 반영한 다양한 변수와 함께 추가 연구를 수행한다면, 이를 바탕으로 로보택시 서비스 상용화 및 고도화, 관련 정부 정책 수립에 많은 도움이 될 것이다. 또한, 서울을 포함한 수도권이나 광역시도를 대상으로 어떠한 특성의 사람들이 로보택시를 선호하는지 지역별 모수 확대 및 이에 대한 잠재프로파일 분석을 추가로 수행한다면 본 연구 목적에 맞는 로보택시 서비스에 대한 수용성 분석에 도움이 될 것이다.
