Preview
Article

Journal of Korean Society of Transportation. 31 October 2026. 737-761
https://doi.org/10.7470/jkst.2026.44.5.737

Behavioral Classifications and Latent Attitudinal Car Dependence Typologies among Car Users in Seoul: Focusing on Complementary Perspectives of User Heterogeneity

서울시 승용차 이용자의 행태 기반 유형과 잠재태도 기반 자동차 의존 유형: 이용자 이질성에 대한 상호보완적 설명 중심으로
Youngbeom KIM1
,
Seungjun KIM2
,
Dongmin LEE3*
김 영범1
,
김 승준2
,
이 동민3*
1Researcher, Smart Transportation Research Division, The Seoul Institute, Seoul 06756, Korea
2Senior Research Fellow, Smart Transportation Research Division, The Seoul Institute, Seoul 06756, Korea
3Professor, Department of Transportation Engineering, University of Seoul, Seoul 02504, Korea
1서울연구원 스마트교통연구실 연구원
2서울연구원 스마트교통연구실 선임연구위원
3서울시립대학교 교통공학과 교수
*Corresponding Author

Copyright © 2026 Korean Society of Transportation

License (open-access, http://creativecommons.org/licenses/by-nc/4.0/):

This is an Open-Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/4.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

ABSTRACT

This study empirically examines whether classifying car users in Seoul solely by observed car-use behavior can adequately explain their internal heterogeneity, and whether car-related latent attitudes can serve as a complementary dimension to behavior-based classification. Even among car users, frequency of use, purpose of travel (commute, leisure, daily activity), and recent public transport use may differ, while latent attitudes toward cars, such as symbolic meaning, preference/attachment, and driving norms, also vary. Using survey data from 2,000 licensed car users in Seoul with household vehicle access, this study separately derived behavior-based types and latent car-dependence types, and compared the relationship between the two systems. The analysis was conducted sequentially using confirmatory factor analysis, Gaussian mixture modeling, cross-classification analysis, and a multinomial logit model. The results identified four behavior-based types: low-use/recent public transport users (46.45%), leisure and daily-activity car users (36.25%), commute-oriented high-use users (9.65%), and moderate-use/mixed users (7.65%). The latent-attitude-based classification identified two types: low-dependence type (71.10%) and high-dependence type (28.90%). Although the two classification systems were statistically associated (χ2(3)=65.98, p < .001), their direct agreement was very low (ARI = 0.046). In particular, 63.73% of commute-oriented high-use users and 65.10% of leisure and daily-activity car users were classified as low-dependence, indicating that higher observed car-use intensity does not necessarily imply psychological car dependence. The multinomial logit results further show that car-related latent attitudes, parking conditions, and public transport accessibility significantly explain behavior-based type membership. These findings suggest that behavior-based types explain actual patterns of car use, while latent car-dependence types complement them by capturing underlying psychological orientations. Therefore, when identifying target groups for car demand management policies, it is necessary to consider not only car-use intensity but also car-related latent attitudes, car-use environments, and accessibility to alternative transport modes.

Keywords
car dependence
car user heterogeneity
gaussian mixture model
latent attitudes

본 연구는 서울시 승용차 이용자를 관측된 이용행태만으로 분류할 경우 이용자의 내부 이질성을 충분히 설명할 수 있는지를 검토하고, 자동차 관련 잠재태도가 이용행태 기반 분류를 보완할 수 있는지 실증적으로 분석하였다. 승용차를 이용하더라도 이용빈도와 통근･생활･여가 목적, 최근 대중교통 이용 정도가 다를 수 있으며, 자동차에 대한 상징성, 선호･애착, 운전규범 같은 잠재태도도 상이하게 나타난다. 이번 연구에서는 운전면허를 보유하고 가구 내 차량 이용이 가능한 서울시 승용차 이용자 2,000명의 설문자료를 활용하여 행태 기반 유형과 잠재적 자동차 의존 유형을 각각 도출하고 두 분류체계를 비교하였다. 분석은 확인적 요인분석, 가우시안 혼합모형, 교차분석, 다항로짓모형을 순차적으로 적용하였다. 분석 결과, 행태 기반 분류에서는 저이용･대중교통 최근이용형(46.45%), 생활･여가 자동차 활용형(36.25%), 통근중심 고이용형(9.65%), 중간이용･병행형(7.65%)의 유형이 도출되었다. 잠재태도 기반 분류에서는 저의존형(71.10%)과 고의존형(28.90%) 2개 유형이 확인되었다. 두 분류체계는 통계적으로 유의한 관련성을 보였으나(χ2(3) = 65.98, p < .001), 직접 일치도는 매우 낮았다(ARI=0.046). 특히 통근중심 고이용형의 63.73%와 생활･여가 자동차 활용형의 65.10%가 저의존형으로 분류되어, 관측된 이용강도가 높다는 사실이 반드시 심리적 의존을 의미하지 않음을 확인하였다. 또한 다항로짓모형 결과, 자동차 관련 잠재태도와 주차 환경 및 대중교통 접근성은 행태 기반 유형 소속을 유의하게 설명하였다. 이러한 결과는 행태 기반 유형이 실제 승용차 이용특성을 설명한다면, 잠재적 자동차 의존 유형은 심리적 성향을 설명하는 보완적 축임을 보여준다. 따라서 승용차 수요관리 정책에서 대상 집단을 설정할 때에는 단순한 이용강도뿐만 아니라, 자동차 관련 잠재태도와 자동차 이용환경, 대체 교통수단 접근성을 함께 고려할 필요가 있다.

키워드
자동차 의존성
승용차 이용자 이질성
가우시안 혼합모형
잠재 태도

MAIN

  • 서론

  •   1. 연구의 배경 및 필요성

  •   2. 연구의 목적

  • 선행연구

  •   1. 관측변수 기반 선택모형과 평균 이용자 접근의 한계

  •   2. 자동차 이용동기와 자동차 관련 잠재태도

  •   3. 이용자 세분화와 심리적 프로파일 연구

  •   4. 단순 이용자 분류와 이분법적 접근의 한계

  •   5. 국내 연구 동향

  •   6. 이번 연구의 차별성

  • 연구자료 및 방법론

  •   1. 연구자료 및 분석대상

  •   2. 주요 변수

  •   3. 분석 방법론

  • 분석 결과

  •   1. 잠재적 태도의 적정성

  •   2. 승용차 이용자의 행태 기반 유형 분류

  •   3. 잠재적 태도 기반 의존 유형 분류

  •   4. 행태 기반 유형 분류와 잠재적 태도 기반 유형 분류 비교

  •   5. 행태 기반 이용자의 다항로지스틱 회귀분석(MNL) 결과

  • 결론

  • Appendix

서론

1. 연구의 배경 및 필요성

지속가능하고 효율적인 도시 교통체계를 구축하기 위해서는 승용차 중심의 이동을 완화하고, 대중교통 및 녹색교통의 경쟁력을 높이는 수단분담 구조를 형성할 필요가 있다. 승용차 이용은 교통혼잡, 환경오염, 에너지 소비, 도시공간의 비효율 등 다양한 사회적 비용을 발생시키기 때문에 오랫동안 도시교통정책의 중요한 과제로 다루어져 왔다. 서울시는 높은 수준의 대중교통 인프라를 갖춘 도시임에도 불구하고, 승용차 이용은 여전히 일상 이동에서 중요한 위치를 차지하고 있다. 버스와 지하철이 촘촘하게 공급된 도시임에도 승용차는 여전히 중요한 교통수단으로 이용되고 있다. 2025년 말 기준 서울시 자동차 누적 등록대수는 약 316만 대이며(Seoul Metropolitan Government, 2025a), 평일 기준 승용차 수단분담률은 2015년 23.0%에서 2023년 27.8%로 높아진 반면 대중교통 수단분담률은 소폭 감소한 것으로 나타났다(Seoul Metropolitan Government, 2025b). 이는 서울시에서의 자동차 문제가 단순한 보유 규모의 문제가 아니라, 누가 어떤 방식으로 자동차를 계속 이용하고 있는가의 문제임을 보여준다. 이는 대중교통 공급 확대나 비용 조절만으로는 승용차 이용자의 수단선택 구조를 충분히 설명하기 어렵다는 점을 보여준다. 승용차 이용은 통행시간, 통행비용, 접근성 등 관측가능한 조건뿐 아니라, 생활양식, 통행목적, 자동차에 대한 상징적 의미, 감성적 애착, 규범인식과 같은 자동차 관련 잠재태도와도 결합되어 나타날 수 있다. 그동안 교통정책과 교통행태 연구는 주로 “어떤 수단을 얼마나 자주 이용하는가”와 같은 관측된 이용행태를 중심으로 이용자를 파악해 왔다. 이러한 접근은 실제 이용수준과 이용패턴을 설명하는 데 유용하지만, 동일한 승용차 고이용 행태가 어떤 이유로 나타나는지는 충분히 설명하지 못한다. 예를 들어, 승용차를 자주 이용하는 집단 내부에도 자동차에 대한 강한 애착과 선호로 인해 이용을 지속하는 심리적 고착형 이용자가 있을 수 있고, 반대로 대중교통 접근성, 통근시간 제약, 주차환경, 직업･가구 조건 등 구조적 필요 때문에 자동차를 이용하는 이용자가 있을 수 있다(Haustein and Hunecke, 2007). 두 집단은 겉으로는 유사한 승용차 이용행태를 보이지만, 정책 개입에 대한 반응 가능성은 다르게 나타날 수 있다. 따라서 승용차 이용자의 내부 구조를 정교하게 파악하기 위해서는 관측된 이용행태만이 아니라 자동차 관련 잠재태도를 함께 고려할 필요가 있다.

2. 연구의 목적

본 연구는 승용차 이용자를 대상으로 실제 이용행태에 기반한 행태 기반 유형과 자동차 관련 잠재태도에 기반한 잠재적 자동차 의존 유형을 각각 도출하고, 두 분류체계의 관계를 비교하는 데 목적이 있다. 이를 위해 먼저 자동차 관련 태도 문항의 측정구조를 확인하고, 실제 승용차 이용행태 변수를 이용하여 행태 기반 유형을 도출한다. 다음으로 자동차 관련 잠재태도 요인점수를 이용하여 잠재적 자동차 의존 유형을 구분하고, 두 유형 간 교차관계를 분석한다. 마지막으로 다항로지스틱 회귀모형을 통해 사회경제적 특성, 자동차 관련 잠재태도, 주차･대중교통 접근성 조건이 행태 기반 유형 소속과 어떻게 관련되는지를 검토한다. 본 연구의 차별성은 단순히 승용차 이용자를 이용특성이나 잠재태도에 따라 군집화하는 데 있지 않다. 실제 이용행태에 기반한 분류와 자동차 관련 잠재태도에 기반한 분류가 어느 정도 일치하거나 불일치하는지를 실증적으로 검토함으로써, 관측된 승용차 이용특성만으로는 자동차 의존의 심리적 성격을 충분히 설명하기 어렵다는 점을 확인하고자 한다. 이를 통해 승용차 고이용자 내부에서도 구조적 필요에 따른 이용자와 심리적 고착에 따른 이용자를 구분할 수 있는 분석틀을 제시하고, 향후 수요관리 정책과 대체수단 정책의 대상 집단 설정을 위한 기초자료를 제공하고자 한다. 구체적인 연구 질문은 다음의 네 가지이며, 이에 따른 분석 절차는 Figure 1과 같다.

첫째, 서울시 승용차 이용자는 실제 이용행태에 따라 어떤 행태 기반 유형으로 구분되는가?

둘째, 자동차 관련 잠재태도는 어떤 잠재적 자동차 의존 유형으로 구분되는가?

셋째, 행태 기반 유형과 잠재적 자동차 의존 유형은 어느 정도 일치하거나 불일치하는가?

넷째, 사회경제적 특성, 자동차 관련 잠재적 태도, 주차･대중교통 접근성 조건은 행태 기반 유형 소속을 어떻게 설명하는가?

https://cdn.apub.kr/journalsite/sites/kst/2026-044-05/N0210440501/images/kst_2026_445_737_F1.jpg
Figure 1

Analytical procedure of the study

선행연구

도시 교통의 지속가능성을 높이기 위해서는 승용차 중심 이동을 완화하고 대중교통을 포함한 대체 교통수단의 이용을 확대할 필요가 있다. 승용차 이용은 교통혼잡, 에너지 소비, 환경부하, 도시공간의 비효율과 연결되어 왔으며, 자동차 의존을 완화하는 일은 오랫동안 중요한 교통정책 과제로 다루어져 왔다(Newman and Kenworthy, 1999; Banister, 2008). 그러나 실제 도시에서는 대중교통 공급 수준이 높은 지역에서도 승용차 이용이 쉽게 감소하지 않는다. 이는 승용차 이용이 단순한 시간과 비용의 비교만으로 결정되지 않고, 생활양식, 통행목적, 습관, 자동차에 대한 태도와 같은 요인과도 밀접하게 관련되어 있음을 보여준다(Fujii and Kitamura, 2003; Steg, 2005). 기존 교통 행동 연구는 크게 두 방향으로 수행되어 왔다. 하나는 통행시간, 통행비용, 접근성과 같은 객관적 조건을 중심으로 수단선택을 설명하는 방향이고, 다른 하나는 태도, 주관적 규범, 지각된 행동통제와 같은 심리적 요인을 통해 교통행동을 설명하는 방향이다(Ajzen, 1991; Bamberg and Schmidt, 2003; Abrahamse et al., 2009; Donald et al., 2014; Fu and Juan, 2017). 이들 연구는 각각 중요한 설명력을 보여주었지만, 서울시 승용차 이용자 내부에 서로 다른 이용 유형이 존재한다는 점까지 충분히 드러내지는 못했다. 특히 국내 연구는 승용차 이용자의 대중교통 전환의도나 자동차 의존성의 평균적 결정요인을 설명하는 데 상대적으로 집중해 왔다(Ki and Chang, 2024). 이에 본 연구는 서울시 승용차 이용자를 대상으로 실제 자동차 이용행태를 기준으로 이용유형을 식별하고, 자동차 관련 잠재태도를 통해 각 유형의 심리적 특성을 해석하며, 사회인구학적 특성과의 관련성을 검토하고자 한다. 본 연구의 핵심은 자동차 의존성을 만드는 단일 원인을 밝히는 데 있지 않고, 서울시 승용차 이용자 안에 어떤 유형이 존재하는지, 그리고 그 유형이 어떤 특성과 함께 나타나는지를 파악하는 데 있다. 이를 통해 평균적 이용자를 전제로 한 기존 접근을 보완하고, 향후 보다 정교한 후속 연구와 차별화된 수단 전환 모델 설계의 기초를 제시하고자 한다(Ton et al., 2020; Soza-Parra and Cats, 2024).

1. 관측변수 기반 선택모형과 평균 이용자 접근의 한계

전통적 교통 수단선택 연구는 확률효용이론(Random Utility Theory)에 기초하여, 통행자가 대안별 효용을 비교한 뒤 가장 높은 효용을 제공하는 수단을 선택한다고 가정한다. McFadden(1974)이 제시한 조건부 로짓모형 이후 다항로짓모형은 통행시간, 통행비용, 접근성, 차량보유, 소득 등 관측 가능한 변수의 한계효과를 추정하는 표준 방법론으로 자리잡았으며, Ben-Akiva and Lerman(1985)과 Train(2009)이 정리한 바와 같이 교통수요 예측과 정책효과 평가의 핵심 분석방법으로 적용되어 왔다. 그러나 관측변수 중심의 평균효과 추정 방식은 동일한 이용행태 뒤에 존재하는 심리적 동기와 내부 이질성을 충분히 식별하지 못하는 한계를 갖는다. 예컨대 동일한 승용차 고이용 행태가 관측되더라도, 한 응답자는 대중교통 대안 부족, 통근시간 제약, 주차 가능성 등 구조적 조건에 의해 자동차를 이용할 수 있는 반면, 다른 응답자는 자동차에 대한 상징성･감성적 애착･운전 즐거움 등 심리적 동기에 의해 동일한 행태를 보일 수 있다. 두 집단은 관측된 측면에서 동질적으로 보이지만, 가격･규제･서비스 개선 등 정책개입에 대한 반응 탄력성은 상이할 수 있다. 따라서 승용차 이용자를 이용량･이용빈도와 같은 관측된 변수만으로 분류하는 접근은, 자동차 의존의 심리적 성격과 정책 반응성의 차이를 분석하는 데 본질적 제약이 따른다.

2. 자동차 이용동기와 자동차 관련 잠재태도

자동차 이용은 단순한 이동수단 선택이 아니라 도구적 편익과 심리적 의미가 결합된 행위로 이해되어 왔다. Steg(2005)는 자동차 이용동기를 도구적(instrumental)･상징적(symbolic)･감성적(affective) 동기로 구분하고, 자동차가 시간절약과 편리성과 같은 도구적 효용에 더하여 정체성 표현, 사회적 지위감, 자율성, 정서적 만족과 같은 비도구적 가치와도 결합되어 있음을 제시하였다. 이러한 관점은 승용차 이용행태를 효용 극대화의 단일 결과로 환원하기보다, 자동차에 대한 잠재태도와 심리적 지향이 반영된 결과로 해석할 필요성을 제기한다. 이러한 문제의식은 Hybrid Choice Model(HCM) 또는 Integrated Choice and Latent Variable(ICLV) 모형으로 발전하였다. Ben-Akiva et al.(2002)는 태도･인식･선호와 같은 잠재변수를 선택효용에 직접 통합하는 방법을 제시하였으며, Vij and Walker(2016)는 ICLV가 잠재변수와 선택행동을 통합 설명할 수 있는 장점이 있는 반면 식별성과 추정 안정성 측면에서 주의가 필요함을 지적하였다. 또한 Bhagat-Conway et al.(2024)은 교통행태 모형에 활용되는 주관적 변수의 측정 방식이 연구마다 상이하다는 점을 비판적으로 검토하고, 표준화된 교통 태도 측정 프로토콜(STAMP)을 제안하였다. 이들 연구는 교통행태 분석에서 잠재태도의 이론적 위상을 정립하였다는 점에서 본 연구의 이론적 기반을 구성한다. 본 연구는 실제 승용차 이용행태에 기반한 행태 유형과 자동차 관련 잠재태도에 기반한 잠재 자동차 의존 유형이 동일한 이용자를 가리키는지를 직접 비교하는 데 초점을 둔다. 따라서 잠재태도를 선택효용 안에 직접 통합하는 대신, 확인적 요인분석(Confirmatory Factor Analysis, CFA)으로 자동차 관련 잠재태도 요인을 측정하고, 그 요인점수를 잠재의존 유형 도출의 입력값과 행태 기반 소속을 설명하는 MNL의 외적 설명변수로 활용하는 단계적 구조를 적용하였다.

3. 이용자 세분화와 심리적 프로파일 연구

이용자 세분화 연구는 평균 이용자 가정의 한계를 보완하기 위해 발전해 왔다. 자동차 이용자는 단일한 집단이 아니라 이용목적, 생활양식, 자동차에 부여하는 심리적 의미, 대체수단 접근성 등에 따라 이질적 하위집단으로 구성될 수 있다. von Behren et al.(2020)은 베를린과 샌프란시스코 자료를 활용하여 자동차 이용자의 심리적 동기를 사생활 보호, 자율성, 운전 흥미 등의 차원에서 분석하고, 현대 도시의 자동차 이용 동기가 다양한 심리적 프로파일로 분화될 수 있음을 실증하였다. 이는 자동차 이용자의 심리적 이질성을 직접 다루었다는 점에서 본 연구와 가장 가까운 흐름에 해당한다. 행태 기반 세분화 연구도 중요한 축을 이루어 왔다. Molin et al.(2016)은 네덜란드 통행자료에 잠재계층 군집분석을 적용하여 다수단 이용 집단을 도출하고 수단별 이용빈도와 태도 간 관계를 분석하였으며, Ton et al.(2020)은 일상 이동패턴과 경험적 수단선택 가능 집합의 차이를 통해 통근자의 행태 이질성을 설명하였다. 이러한 연구들은 이용자를 평균적 단일 집단으로 가정하기보다 관측 이동패턴과 태도 차이를 함께 고려해야 한다는 방법론적 시사점을 제공한다. 그러나 기존 세분화 연구는 대체로 행태를 기준으로 집단을 도출한 뒤 태도 차이를 사후적으로 해석하거나, 태도지표를 중심으로 심리적 프로파일을 도출하고 행태 차이를 부수적으로 검토하는 단방향 접근에 머물렀다. 이에 비해 본 연구는 행태 기반 유형과 잠재태도 기반 유형을 각각 독립된 측정축에서 별도로 도출한 후, 두 분류체계가 동일한 응답자를 같은 집단으로 구분하는지 여부를 교차분석과 일치도 지표를 통해 직접 비교한다는 점에서 차별성을 지닌다.

4. 단순 이용자 분류와 이분법적 접근의 한계

다수의 연구에서는 이용자를 특정 집단으로 단순화하여 이해하려는 경향이 존재한다. 대중교통 분야에서는 선택적 이용자와 의존적 이용자의 이분법이 오랫동안 사용되어 왔다. 그러나 Guerra(2022)는 이러한 이분법이 이론적･실증적 근거가 충분하지 않으며, 실제 선택가능성은 서비스 수준, 시간･비용 경쟁력, 공간적 접근성 조건에 따라 연속적으로 변화한다는 점을 지적하였다. 즉 특정 이용자를 선택적 이용자 또는 의존적 이용자로 단정하기보다, 실제 선택가능성과 맥락조건을 함께 고려해야 한다는 것이다. 이러한 비판은 승용차 이용자 분석에도 직접 적용될 수 있다. 승용차 고이용자를 곧바로 자동차 의존자로 간주하는 접근은 위와 같은 이분법적 단순화의 위험을 동일하게 안고 있다. 승용차 고이용자에는 심리적으로 자동차에 강하게 고착된 이용자가 포함될 수 있으나, 동시에 대중교통 접근성 부족, 통근시간 제약, 가구 구조와 같은 구조적 필요에 의해 자동차를 이용하는 집단도 포함될 수 있다.

5. 국내 연구 동향

국내에서도 수단선택의 이질성을 반영하려는 잠재계층 기반 연구가 수행되어 왔다. Bae et al.(2010)은 심리적 요인과 개인특성이 수단선택에 미치는 영향을 분석하기 위해 잠재계층 군집분석을 적용하고, 계층별 수단선택모형과 잠재계층을 고려하지 않은 모형을 비교하였다. 해당 연구는 한강 수상교통 도입에 대한SP･RP 자료를 활용하여 잠재 선호를 고려한 수단선택 분석의 가능성을 제시하였다. Kim and Choo(2019)는 2010년 서울시 가구통행실태조사 자료를 이용하여 통근자의 수단선택 영향요인이 잠재계층별로 상이하게 나타남을 보이고, 잠재계층모형이 통근통행 수단선택의 이질성을 설명하는 데 유용함을 제시하였다. 이와 별도로, 국내 승용차 의존성･전환의도 연구도 활발히 진행되어 왔다. Ki and Chang(2024)은 계획행동이론(Theory of Planned Behavior, TPB)을 적용하여 승용차 의존성에 영향을 미치는 심리적 요인을 분석하였고, Park and Yi(2023)는 확장된 TPB를 토대로 승용차 이용자의 심리적 요인이 대중교통 수단전환 의사에 미치는 영향을 검토하였다. 이들 연구는 국내 맥락에서 심리적 요인과 정책 방향에 대한 실증적 시사점을 제공하였다. 그러나 기존 국내 연구는 대체로 수단선택모형 내부에서 잠재계층을 추정하거나, 계획행동이론의 틀에 기반하여 평균효과 중심으로 의존성과 전환의도 간의 관계만을 분석하는 데 머물러 있다.

6. 이번 연구의 차별성

선행 연구를 종합하면, 승용차 이용자는 시간･비용･접근성 등 관측 조건뿐 아니라 자동차에 대한 상징성, 감성적 애착, 규범 인식과 같은 잠재 태도에 의해 이질적으로 구성될 수 있다(Table 1). 이용자 세분화 연구와 잠재계층 기반 수단선택 연구는 평균 이용자 접근의 한계를 보완하고 집단별 차이를 고려할 필요성을 보여주었으나, 기존 연구는 대체로 행태 기반 집단 또는 심리적 프로파일 중 하나의 축을 중심으로 이용자를 분류하거나 잠재계층을 수단선택모형 내부에서 추정하는 데 초점을 두었다. 본 연구는 이와 달리 실제 승용차 이용행태와 자동차 관련 잠재태도를 별도의 분류축으로 설정하고, 두 분류체계가 동일한 이용자를 식별하는지 아니면 이용자 이질성의 서로 다른 측면을 포착하는지를 직접 분석한다. 아울러 다항로짓모형을 통해 행태 기반 유형 소속이 사회경제적 특성, 자동차 관련 잠재태도, 주차･접근성 조건에 의해 어떻게 설명되는지를 검토하였다.

Table 1.

Previous studies and positioning of this study

Research stream Representative studies Methodological approach Position of this study
Utility-based
mode choice and
observed-variable
models 		McFadden(1974);
Ben-Akiva and Lerman(1985);
Train(2009)		 Random utility model; multinomial logit; observed attributes such as travel time, cost, accessibility, and socio-demographics Uses observed car-use behavior as one classification axis, but does not assume observed behavior alone fully represents car dependence
Latent attitudes
and hybrid choice
modeling 		Ben-Akiva et al.(2002);
Walker and Ben -Akiva(2002);
Vij and Walker (2016)		 Hybrid choice model; integrated choice and latent variable framework; latent psychological constructs in utility Measures car-related latent attitudes through CFA and uses them both for latent car-dependence typing and MNL-based class-membership explanation
Car-use motives
and psychological attachment to cars 		Steg(2005);
von Behren et al.(2020)		 Instrumental, symbolic, affective motives; psychographic segmentation; latent class analysis Extends this stream by comparing observed behavior-based classes with latent car-dependence types among car users in Seoul
Behavior based
user segmentation
and mobility
pattern classes 		Molin, Mokhtarian and Kroesen(2016);
Ton et al.(2020)		 Latent class cluster analysis; mobility-pattern segmentation; multimodal travel groups Derives behavior-based classes from actual car-use indicators and tests whether they correspond to latent car-dependence types
Critique of simple
user labels and
binary
classifications 		Guerra(2022) Discrete choice model; probability-based definition of choice rider Applies a similar critique to car-use segmentation by examining whether high observed car use corresponds to high latent car dependence
Domestic
latent-class and
mode-choice
studies 		Bae, Jeong and Kim(2010);
Kim and Choo(2019)		 Latent class analysis; latent class mode-choice models; heterogeneous preference structures Extends domestic latent-class mode-choice research by separately identifying behavior-based types and car-related latent dependence types, and by directly examining their association and mismatch

연구자료 및 방법론

1. 연구자료 및 분석대상

이번 연구는 Seoul Institute(2024)에서 수행한 온라인 설문조사 원자료를 활용하였다(n=2,000) 서울연구원(2024), 「서울시민이 자동차에 부여하는 상징과 애착에 따른 사회적 영향 분석」에서 2024년 수행한 온라인 설문조사 원자료를 활용하였다(n=2,000). . 해당 설문조사는 ① 서울시 거주자, ② 운전면허 보유 및 가구 내 이용 가능한 차량 보유자, ③ 현재 운전을 하고 있는 자의 세 조건을 모두 충족하는 응답자를 대상으로 2024년 6월부터 8월까지 수행되었다. 일반 시민 전체가 아닌 실제 승용차 이용자로 분석 모집단을 한정함으로써, 자동차 이용행태와 잠재태도의 이질성을 집단 내부에서 비교하는 데 적합한 자료를 확보하였다. Table 2는 표본의 사회인구학적 특성이다. 성별은 남성 65.0%, 여성 35.0%로, 운전면허 보유 및 차량 이용을 조건으로 하는 표본 특성상 남성 비중이 다소 높다. 연령 분포는 40대와 50대가 각 32.5%로 가장 많으며, 가구 월소득은 500만 원 이상 1,000만 원 미만 구간이 45.55%로 가장 높은 비중이다. 거주 권역은 동남권(29.15%), 서남권(28.45%), 동북권(27.45%) 순으로 분포한다. 이들 사회인구학적 변수는 유형 도출 단계에서는 사용하지 않고, 행태 기반 유형 소속을 설명하는 다항로짓모형의 외생 설명변수로만 반영하였다.

Table 2.

Sociodemographic characteristics of the analytic sample

Variable Category N %
Gender Male 1,300 65.00
Female 700 35.00
Age 19–29 200 10.00
30–39 300 15.00
40–49 650 32.50
50–59 650 32.50
60–65 200 10.00
Occupation Manager / Professional / Office / Technical 1,509 75.45
Sales / Service / Skilled / Self-employed 282 14.10
Student 38 1.90
Other / Unemployed 171 8.55
Monthly household income Below 5 million KRW 758 37.90
5–10 million KRW 911 45.55
10 million KRW or more 331 16.55
Marital status Married 1,409 70.45
Single 562 28.10
Other 29 1.45
Minor children None 1,214 60.70
Present 786 39.30
Household size 1 person 250 12.50
2 persons 280 14.00
3 or more persons 1,470 73.50
Residential district Central 73 3.65
Northeast 549 27.45
Northwest 226 11.30
Southwest 569 28.45
Southeast 583 29.15

Note. Percentages are based on the full analytic sample and may not sum to 100 due to rounding. The analytic sample includes respondents residing in Seoul, holding a driver’s license, and having access to a household vehicle.

2. 주요 변수

본 연구의 변수는 역할에 따라 Table 3과 같이 구분하였다. 첫째, 행태 기반 유형 도출에 사용되는 8개 행태변수는 평일 일평균 이용횟수, 주중 통근･통학 이용일수, 연간 주행거리 범주, 주말･여가 이용, 사회적 방문 이용, 저녁 약속 이용, 목적 없는 운전 경험, 최근 대중교통 이용경험으로 구성된다. 둘째, 자동차 관련 잠재태도는 자동차 상징성･지위성, 감성선호･애착, 운전규범 위반 허용성의 세 구성개념으로 측정하였으며, 확인적 요인분석을 통해 추정된 요인점수를 이후 분석에 활용하였다. 셋째, 주차･접근성 맥락변수는 거주지 주차환경, 목적지 주차환경, 버스정류장까지 도보시간, 지하철역까지 도보시간으로 구성하였다. 넷째, 사회경제 변수는 성별, 연령, 직업, 소득, 혼인상태, 미성년 자녀 유무, 가구원 수, 거주 권역으로 구성하며, 다항로짓모형의 외생 설명변수로만 사용하였다. 이번 연구의 잠재태도 변수는 세 가지 구성개념으로 이루어진다. 자동차 상징성･지위성은 자동차가 개인의 정체성과 사회적 지위를 표현하는 수단으로 인식되는 정도를 측정하며, 감성선호･애착은 운전 자체에서 느끼는 즐거움, 자유감, 정서적 안정감을 반영한다. 운전규범 위반 허용성은 끼어들기, 과속, 주차 위반 등 구체적인 운전 위반 행위에 대한 수용 가능성을 측정한다. 각 구성개념의 문항 구성과 척도는 Table 4에 제시하였다.

Table 3.

Descriptive statistics of key behavioral and contextual variables

Group Variable Definition Scale Mean SD
Behavioral
indicators 		Daily car-use frequency Average weekday car-use frequency 1 = ≤2 times;
5 = ≥9 times 		1.656 0.906
Weekday commute-related
car-use days 		Number of weekday commute/ school days using car 1 = 0 days;
6 = 5 days 		3.816 1.816
Annual VKT Annual vehicle kilometers traveled 1 = ≤5,000 km;
5 = ≥20,000 km 		2.624 1.150
Weekend/leisure car use Car use for weekend or leisure trips 1 = Never;
5 = Always 		3.769 0.891
Social visit car use Car use for visiting friends/relatives 3.892 0.903
Evening appointment car use Car use for evening appointments 2.761 1.127
Driving for its own sake Driving without a specific travel purpose 1 = Never; 4 = Often 2.465 0.762
Public transport recency Recent public transport use Higher = more use 4.120 1.141
Latent
attitudes 		Symbolic/status orientation Symbolic and status meaning of car CFA factor score - -
Affective attachment Affective preference and attachment to driving - -
Norm permissiveness Permissiveness toward driving-rule violations - -
Contextual
variables 		Home parking condition Parking condition near residence 1 = Very poor;
5 = Very good 		3.620 0.973
Destination parking condition Parking condition at main destination 3.454 0.927
Walking time to bus stop Access time to nearest bus stop Minutes 7.532 6.525
Walking time to subway station Access time to nearest subway station 11.806 8.341

Note. CFA factor scores are standardized latent scores and are therefore not summarized as raw-scale means in this table.

Table 4.

Attitudinal measures and survey items

Construct items Scale Main content of items
Symbolic/status
orientation 		5 5-point
Likert 		A person’s car says something about who they are; my car expresses who I am; I envy people with more expensive cars; brand matters more than performance; people with luxury cars receive more respect.
Affective
attachment 		6 5-point
Likert 		I enjoy driving; driving makes me feel free and independent; I like driving fast; driving makes me feel calm and secure; I like the private space provided by a car; driving helps me refresh my mood.
Norm
permissiveness 		10 4-point
scale 		Acceptability of late merging into an exit lane, occupying two parking spaces, speeding, entering on a late left turn, stopping on the roadway, turning right without yielding, repeated lane changes without signaling, shoulder driving, parking on the sidewalk, and honking/flashing to pressure a slower vehicle.

Note. Higher scores indicate stronger symbolic/status orientation, stronger affective preference for car use, and greater permissiveness toward driving-rule violations.

3. 분석 방법론

본 연구의 분석은 순차적으로 5단계로 수행하였으며, 각 단계의 결과가 다음 단계의 투입 값으로 연결되는 구조를 갖는다. 1단계에서는 자동차 관련 잠재태도의 측정 타당성을 신뢰도 분석과 확인적 요인분석으로 검토하고 요인점수를 산출한다. 2단계에서는 표준화된 8개 행태 변수에 가우시안 혼합모형을 적용하여 행태 기반 유형을 도출한다. 3단계에서는 1단계에서 산출된 확인적 요인분석 요인점수에 가우시안 혼합모형을 적용하여 잠재적 자동차 의존 유형을 도출한다. 4단계에서는 행태 기반 유형과 잠재적 자동차 의존 유형의 교차분석을 수행하여 두 분류체계의 연관성과 직접 일치도를 평가한다. 5단계에서는 행태 기반 유형 소속을 종속변수로 하고 사회경제적 특성, 자동차 관련 잠재태도, 주차･대중교통 접근성 조건을 설명변수로 하는 다항로짓모형을 추정한다. 각 단계의 의사결정 기준은 Table 5에 제시하였다.

Table 5.

Analytical procedure and decision criteria

Step Purpose Method Decision criteria
1 Measurement validity of
car-related latent attitudes 		Reliability analysis and
confirmatory factor analysis
(CFA) 		Cronbach’s α ≥ .70; CFI/TLI ≥ .90; RMSEA/SRMR ≤ .08; standardized factor loadings reviewed
2 Identification of
behavior-based classes 		Standardization of observed
behavioral variables and
Gaussian mixture model
(GMM) clustering 		AIC/BIC; minimum class share ≥ 5%; posterior classification certainty; silhouette; substantive interpretability
3 Identification of latent
car-dependence types 		GMM clustering using
CFA-derived attitudinal factor
scores 		AIC/BIC; minimum type share ≥ 5%; posterior classification certainty; substantive interpretability
4 Cross-comparison of
behavior classes and latent
car-dependence types 		Cross-tabulation, χ2 test, Cramér’s
V, and Adjusted Rand Index
(ARI) 		p < .05 for association; Cramér’s V for association strength; ARI for direct classification agreement
5 Explanation of
behavior-class membership 		Multinomial logit model
(MNL) 		Overall LR test; McFadden pseudo-(R2); AIC/BIC; joint LR tests by predictor block; relative risk ratios (RRR) or average marginal effects

Note. Behavior-based types and latent car-dependence types were identified separately. Behavior-based types were derived from observed car-use behavior, whereas latent car-dependence types were derived from CFA-based car-related attitudinal factor scores. The MNL model was used to explain behavior-type membership using socio-demographic, contextual, and attitudinal variables.

첫째, 자동차 관련 태도 문항의 측정 타당성을 검토하기 위해 신뢰도 분석과 확인적 요인분석(confirmatory factor analysis, CFA)을 실시하였다. 자동차 관련 잠재태도는 상징성･지위성, 감성선호･애착, 운전규범 허용성의 세 요인으로 구성하였다. 응답자 i의 태도문항 응답벡터를 Yi, 잠재태도 요인벡터를 ηi라고 할 때, 측정모형은 다음과 같이 표현된다.

(1)
Yi=Ληi+εi

여기서 Λ는 요인적재량 행렬, εi는 측정오차이다. 본 연구는 CFA를 통해 각 응답자의 잠재태도 요인점수 ηi^​를 산출하였다.

둘째, 실제 승용차 이용 행태를 기준으로 행태 기반 Class를 도출하기 위해 Gaussian mixture model(GMM)을 적용하였다. 응답자 i의 행태변수 벡터를 bi라고 할 때, GMM은 전체 행태분포를 KB개의 정규분포 혼합으로 표현한다.

(2)
fbi=∑k=1KBπkBϕ(bi|μkB,∑KB)

여기서 πkB는 행태, Class k의 혼합비율, μkB는 평균벡터, ∑kB는 공분산행렬, ϕ(･)는 다변량 정규밀도함수이다. 각 응답자가 행태 Class k에 속할 사후확률은 다음과 같이 계산된다.

(3)
τikB=PCiB=k|bi=πkBϕbi|μkB,∑kB∑l=1KBπlBϕbi|μlB,∑lB

최종 행태 Class는 사후확률이 가장 높은 Class로 할당하였다.

(4)
CiB^=argmaxkτikB

본 연구는 행태 기반 GMM에 대해 2개부터 6개까지의 Class 해를 비교하였으며, AIC, BIC, 최소 Class 비율, 평균 사후 분류 확률, silhouette 값, 해석 가능성을 함께 고려하여 주분석에서는 4개 Class 해를 채택하였다. 5개 Class 해는 세부 이질성 검토를 위한 민감도 분석으로 제시하였다. 도출된 행태 class의 프로파일은 다음과 같이 산출하였다.

(5)
x¯kj=1nk∑i=1NIC^iB=kxij

여기서 xkj는 행태 Class k의 변수 j 평균, nk는 Class k의 표본 수, xij는 응답자 i의 변수 j 값, I(ㆍ)는 조건이 참이면 1, 아니면 0인 지시함수이다. Class 간 평균 차이는 ANOVA와 Kruskal–Wallis 검정을 이용하여 검토하였고, 범주형 변수의 관련성은 χ2검정과 Cramér’s V로 확인하였다.

셋째, 자동차 관련 잠재태도 요인점수를 이용하여 잠재적 자동차 의존 Type을 도출하였다. 응답자 i의 CFA 요인점수 벡터를 ηi^라고 할 때, 잠재태도 기반 GMM은 다음과 같이 표현된다.

(6)
fη^i=∑k=1KAπkAϕ(η^i|μhA,∑hA)

여기서 KA는 잠재적 자동차 의존 Type의 수, πkA는 Type h의 혼합비율, μhA와 ∑hA는 각각 Type h의 평균벡터와 공분산행렬이다. 본 연구는 본문 주분석에서 2개 Type 해를 사용하였으며, 이를 Low Latent Car Dependence와 High Latent Car Dependence로 해석하였다. 3개 Type 해는 민감도 분석으로 검토하였다.

넷째, 행태 기반 Class와 잠재적 자동차 의존 Type의 관계를 교차분석으로 검토하였다. 행태 Class k와 잠재의존 Type h의 교차빈도는 다음과 같이 산출하였다.

(7)
nkk=∑i=1NICB^i=k,CA^i=h

행 기준 비율은 다음과 같다.

(8)
Pkhrow=nkk∑h=1KAnkr

여기서 Pkhrow는 행태 class k 내부에서 Type h가 차지하는 비율을 의미한다. 두 분류체계의 관련성은 χ2검정과 Cramér’s V로 평가하였고, 직접적 일치도는 Adjusted Rand Index(ARI)를 이용하여 수행하였다.

다섯째, 행태 Class 소속을 설명하기 위해 다항로지스틱 회귀모형(multinomial logit model, MNL)을 추정하였다. 본 연구에서 MNL은 교통수단 선택모형이 아니라, 사전에 GMM으로 도출된 행태 Class 소속이 사회경제적 특성, 자동차 관련 잠재태도, 주차･대중교통 접근성 조건과 어떻게 관련되는지를 설명하는 모형이다. 응답자 i가 행태 Class k에 속할 class-membership utility는 다음과 같이 정의하였다. 다항로지스틱 모형은 각 Class에 대한 Vik를 이용하여 응답자 i가 행태 기반 Class k에 속할 확률을 추정한다. 본 연구에서 Class 소속은 수단선택 결과가 아니라, 사전에 GMM으로 도출된 이용행태 기반 집단을 의미한다.

(9)
Vik=αk+βk'Xi+θk'ηi^+δk'Zi

여기서 Xi는 성별, 연령, 소득, 직업 등 사회경제적 특성 벡터, ηi^ 는 자동차 관련 잠재태도 요인점수 벡터, Zi는 주차환경 및 대중교통 접근성 등 맥락변수이다. αk, βk, θk, δk는 행태 Class k에 대한 추정 계수이다.

기준 Class의 효용을 Vi1=0으로 정규화하면, 응답자 i가 행태 Class k에 속할 확률은 다음과 같다.

(10)
PCiB=k=expVik∑l=2KBexpVilk=2,...,KB

기준 Class의 소속확률은 다음과 같다. 여기서 Vil은 동일 응답자 i가 비교대상 Class l에 속할 class-membership utility를 의미하며, KB는 행태 기반 Class의 총수이다.

(11)
PCiB=1=11+∑l=2KBexpVil

MNL 모형은 단계적으로 추정하였다. M1은 사회경제적 변수만 포함한 기준모형, M2는 사회경제적 변수와 자동차 관련 잠재태도 요인을 포함한 모형, M3는 여기에 주차환경 및 대중교통 접근성 조건을 추가한 최종 설명모형이다. M4는 군집형성에 사용된 행태변수를 추가한 진단모형으로, 모형 성능의 상한을 확인하기 위한 목적으로만 활용하였다. 변수군별 설명력은 joint likelihood ratio 검정을 통해 평가하였다.

마지막으로, 모형 비교를 위해 AIC와 BIC를 다음과 같이 산정하였다.

(12)
AIC=-2l(θ)+2pBIC=-2l(θ)+pln(N)

여기서 ℓ(θ)는 추정된 로그우도, p는 추정모수의 수, N은 표본수이다. AIC와 BIC는 값이 낮을수록 통계적 적합도가 우수한 것으로 해석하였다.

다만 최종 Class 또는 Type 수는 정보 기준과 함께 최소 집단 규모, 사후분류확률, silhouette 값, 해석 가능성을 함께 고려하였다. Figure 2는 MNL class-membership model의 개념적 구조이다. 본 연구에서 MNL은 교통수단 선택모형이 아니라, GMM으로 사전에 도출된 행태 기반 Class 소속이 어떤 사회경제적･심리적･맥락적 요인과 관련되는지를 설명하는 모형이다. 자동차 관련 잠재태도는 설문문항을 통해 측정되는 반영적 측정모형으로 설정되며, 사회경제적 특성과 주차･대중교통 접근성 조건은 행태 기반 Class 소속을 설명하는 외생 설명변수로 활용하였다.

https://cdn.apub.kr/journalsite/sites/kst/2026-044-05/N0210440501/images/kst_2026_445_737_F2.jpg
Figure 2

Conceptual framework of the MNL class-membership model for behavior-based classes

분석 결과

1. 잠재적 태도의 적정성

자동차 관련 잠재 태도의 측정 타당성은 신뢰도 분석과 확인적 요인분석(CFA)을 결합하여 평가하였다. 자동차 상징성･지위성(5문항)의 Cronbach's α는 0.839, 자동차 감성선호･애착(6문항)은 0.853, 운전규범 위반 허용성(10문항)은 0.869로 모두 0.80을 상회하여 우수한 내적 일관성을 확인하였다. CFA 모형 적합도는 CFI=0.953, TLI=0.947, RMSEA=0.043, SRMR=0.042로 통상적인 권장 기준을 모두 충족하였다. 표준화 요인부하량은 모든 문항에서 0.48 이상으로 통계적으로 유의하였으며(p<.001), 자세한 요인부하량은 Appendix Table A1에 제시하였다. Table 6은 신뢰도 분석과 CFA 적합도를 통합하여 정리한 결과이다. CFI와 TLI는 모두 0.90 이상, RMSEA와 SRMR은 모두 0.08 이하로 나타나, 자동차 관련 태도 문항이 세 개의 잠재 차원으로 적절히 수렴됨을 확인하였다.

Table 6.

Reliability and CFA fit of car-related attitudinal constructs

Construct No. of items Cronbach’s α Decision
Symbolic/status orientation 5 0.839 Good
Affective attachment 6 0.853 Good
Norm permissiveness 10 0.869 Good
Fit index Value Criterion Decision
CFI 0.9529 ≥ 0.90 Acceptable / Good
TLI 0.9468 ≥ 0.90 Acceptable
RMSEA 0.0425 ≤ 0.08 Good
SRMR 0.0423 ≤ 0.08 Good

Note. CFA model fit was evaluated using CFI, TLI, RMSEA, and SRMR; CFI and TLI ≥.90 and RMSEA and SRMR ≤ .08 indicate acceptable to good fit.; full loadings are reported in Appendix Table A1.

2. 승용차 이용자의 행태 기반 유형 분류

표준화된 8개 행태변수에 가우시안 혼합모형을 적용하여 군집 수 G=2~6에 대해 모형을 비교하였다(Table 7). 정보 기준 측면에서는 군집 수가 증가할수록 AIC와 BIC가 감소하는 경향이 나타났다. 그러나 정보 기준만으로 최적해를 결정하지 않고, 최소 군집 비율, 사후 확률, 실루엣 값, 실질적 해석 가능성을 종합적으로 고려하였다. 그 결과 G=4(공분산 구조 VEV) 해를 본문의 주분석으로 채택하였다. G=4 해는 최소 군집 비율 7.65%, 평균 사후 확률 0.958로 군집 분리가 안정적이었으며, 후속 잠재의존 Type과의 교차분석에서도 일관된 패턴을 보였다. G=5 해는 민감도 분석으로 활용하였으며, G=6 해는 최소 군집 비율이 5% 미만으로 과분할의 우려가 있어 주분석에서 제외하였다.

Table 7.

Model comparison for behavior-based GMM solutions

G Covariance
model 		AIC BIC Min class
n 		Min class
share 		Avg.
posterior 		Entropy Silhouette
2 VEV 40812.150 41271.424 821 0.4105 0.9477 0.1912 0.1347
3 VEV 39714.546 40386.655 296 0.1480 0.9230 0.1860 0.0924
4 VEV 37600.386 38485.328 153 0.0765 0.9581 0.0835 0.0766
5 EEV 38068.745 39144.118 151 0.0755 0.8677 0.1882 0.0574
6 EEV 36195.943 37478.550 70 0.0350 0.9113 0.1203 0.0619

Note. Lower AIC and BIC indicate better statistical fit. The 4-class solution was selected as the main specification to reduce over-segmentation and improve interpretability. The 5-class solution is reported as a sensitivity analysis. The 6-class solution had a minimum class share below 5%, suggesting possible over-segmentation.

Table 8은 G=4 해의 군집별 행태･태도 평균 프로파일을 정리한 것이다. Class 1(중간이용･병행형, n=153, 7.65%)은 평일 일평균 이용 횟수와 연간 주행거리가 중간 수준이며, 대중교통 이용도 병행되는 혼합형 패턴을 보인다. Class 2(통근중심 고이용형, n=193, 9.65%)는 통근･통학 이용 일수(평균 4.81일), 일평균 이용 횟수(2.61), 연간 주행거리(3.19)가 모든 Class 중 가장 높아 통근 중심의 강한 자동차 의존 패턴을 나타낸다. Class 3(저이용･대중교통 최근이용형, n=929, 46.45%)은 일평균 이용 횟수가 1.00으로 매우 낮고 최근 대중교통 이용 점수가 4.71로 가장 높아, 일상에서 자동차보다 대중교통을 우선적으로 이용하는 집단이다. Class 4(생활･여가 자동차 활용형, n=725, 36.25%)는 통근 일수와 주말･여가･사회적 방문 이용이 모두 비교적 높게 나타나, 통근에 국한되지 않은 일상생활 및 여가 중심의 자동차 이용 경향을 보인다. G=4 해의 Class별 행태･태도 변수의 표준화 평균 프로파일은 Figure 3에 제시하였다.

Table 8.

Profile of behavior-based classes

Variable Class 1
Middle-use/
mixed 		Class 2
Commute-oriented
high-use 		Class 3
Low-use/
recent pt use 		Class 4
Leisure/life-
activity car use
N 153 193 929 725
Share, % 7.65 9.65 46.45 36.25
Daily car-use frequency 2.229 2.611 1.000 2.121
Weekday commute-related car-use days 4.013 4.814 2.975 4.586
Annual VKT 2.686 3.187 2.236 2.959
Weekend/leisure car use 3.405 3.627 3.693 3.981
Social visit car use 3.621 3.943 3.856 3.981
Evening appointment car use 2.745 3.093 2.310 3.252
Driving for its own sake 2.719 2.606 2.255 2.643
Public transport recency 3.817 3.700 4.708 3.541
Symbolic/status orientation 0.229 0.219 -0.282 0.255
Affective attachment 0.275 0.211 -0.279 0.243
Norm permissiveness 0.301 0.213 -0.204 0.142
Avg. posterior probability 0.964 0.938 0.951 0.971

Note. Class labels are interpretive summaries based on the average behavioral profile. In figures, neutral labels such as Class 1–Class 4 may be used. Values are raw means unless otherwise noted. Latent factor scores are standardized factor scores.

https://cdn.apub.kr/journalsite/sites/kst/2026-044-05/N0210440501/images/kst_2026_445_737_F3.jpg
Figure 3

Standardized profiles of behavior-based classes

Class 간 차이가 통계적으로도 유의한지 확인하기 위해 일원배치 분산분석(ANOVA)과 비모수 Kruskal–Wallis 검정을 수행하였다(Table 9). 모든 관측 행태 및 태도 변수에서 Class 간 평균 차이가 p<.001 수준에서 유의하였으며, 평일 일평균 이용 횟수(η2=0.478, ε2=0.649)와 최근 대중교통 이용(η2=0.236)에서 가장 큰 효과 크기가 관측되었다. 이는 행태 기반 Class가 단순한 사후적 분류가 아니라, 행태 축에서 실질적인 집단 간 이질성을 반영하고 있음을 보여준다. 행태 기반 유형 간 차이검정의 전체 결과는 Appendix Table A2에 제시하였다.

Table 9.

Differences across behavior-based classes

Variable ANOVA F η2 Kruskal–Wallis χ2 ε2 Decision
Daily car-use frequency 608.600 0.4777 1297.670 0.6486 p < .001
Weekday commute-related car-use days 161.110 0.1949 387.116 0.1924 p < .001
Annual VKT 79.673 0.1069 212.754 0.1051 p < .001
Evening appointment car use 118.985 0.1517 303.625 0.1506 p < .001
Public transport recency 205.213 0.2357 485.018 0.2415 p < .001
Symbolic/status orientation 57.337 0.0793 164.310 0.0808 p < .001
Affective attachment 55.394 0.0769 154.131 0.0757 p < .001
Norm permissiveness 29.891 0.0430 65.013 0.0311 p < .001

Note. ANOVA and Kruskal–Wallis tests were used to examine whether behavioral and attitudinal indicators differed across behavior-based classes. Effect sizes are reported to avoid relying solely on p-values. Full results may be reported in the appendix.

3. 잠재적 태도 기반 의존 유형 분류

잠재적 자동차 의존성은 행태 변수가 아니라 CFA 기반 자동차 관련 잠재 태도 요인점수에 GMM을 적용하여 도출하였다(Table 10). 본 연구에서 자동차 관련 잠재 태도 요인점수에 기반해 도출된 2개 유형은 각각 Low Latent Car Dependence와 High Latent Car Dependence로 명명하며, 본문 해석에서는 각각 ‘저의존형’과 ‘고의존형’으로 명칭하였다. 이는 실제 이용량이 아니라 자동차에 대한 심리적 태도(상징성･지위성, 감성선호･애착, 규범 위반 허용성)에 기반한 분류임을 전제로 한다. G=2(EVV) 해를 주분석으로 채택하였다. 이는 정보 기준에서 충분히 우수한 적합도를 보이고 최소 유형 비율이 28.90%로 군집 안정성이 충분하며, ‘저의존형’과 ‘고의존형’의 직관적 구분이 해석상 가능하다는 점을 종합적으로 고려한 결과이다. G=3(EVE) 해는 민감도 분석으로, G=4와 G=5 해는 최소 유형 비율이 5% 미만으로 과분할의 우려가 있어 제외하였다.

Table 10.

Model comparison for latent car-dependence GMM solutions

G Covariance
model 		AIC BIC Min type
n 		Min type
share 		Avg. posterior Entropy Silhouette
2 EVV 13979.123 14079.939 578 0.2890 0.8583 0.4835 0.2899
3 EVE 13922.730 14040.349 104 0.0520 0.7992 0.4309 0.2121
4 VVE 13819.637 13987.664 23 0.0115 0.7687 0.3753 0.1386
5 VVE 13679.826 13887.059 24 0.0120 0.7115 0.3860 0.0990

Note. Latent car-dependence types were derived from car-related attitudinal factor scores, not from observed car-use intensity. The 2-type solution was used as the main specification for parsimony and stability; the 3-type solution is reported as a sensitivity analysis.

Table 11은 잠재적 태도 기반 분류의 프로파일을 보여준다. 저의존형(Low Latent Car Dependence, n=1,422, 71.10%)은 상징성･지위성, 감성선호･애착, 규범 위반 허용성의 표준화 요인점수가 모두 음의 영역(−0.244, −0.127, −0.476)에 위치하며, 자동차에 대한 심리적 강도가 표본 평균 이하인 집단이다. 반면 고의존형(High Latent Car Dependence, n=578, 28.90%)은 세 차원 모두 양의 영역에 위치하며, 특히 규범 위반 허용성이 1.170으로 매우 높아 자동차에 대한 심리적 친화성과 규범 허용성이 모두 강한 집단으로 해석된다. 다만 ‘잠재적 자동차 의존’이라는 용어는 직접적인 이용 강도가 아니라 태도 점수에서 추론된 심리적 의존 가능성을 의미함에 유의해야 한다. 두 잠재적 자동차 의존 유형의 잠재태도 프로파일은 Figure 4에 제시하였다.

Table 11.

Profile of latent car-dependence types

Variable Low latent car dependence High latent car dependence
N 1,422 578
Share, % 71.10 28.90
Symbolic/status orientation -0.244 0.600
Affective attachment -0.127 0.312
Norm permissiveness -0.476 1.170
Avg. posterior probability 0.852 0.874

Note. “Latent car dependence” refers to psychological dependence inferred from car-related attitudinal factor scores. It does not directly indicate observed car-use frequency or travel distance.

https://cdn.apub.kr/journalsite/sites/kst/2026-044-05/N0210440501/images/kst_2026_445_737_F4.jpg
Figure 4

Profile of latent car-dependence types

4. 행태 기반 유형 분류와 잠재적 태도 기반 유형 분류 비교

두 분류체계의 관계는 본 연구의 핵심 결과로, 4×2 교차분석을 통해 검토하였다. Table 12와 Figure 5의 분석 결과와 같이, 통근중심 고이용형의 63.73%, 생활･여가 자동차 활용형의 65.10%, 중간이용･병행형의 56.86%가 저의존형으로 분류되었다. 반대로 저이용･대중교통 최근이용형 내부에서도 고의존형이 20.34%로 나타났다. 이 결과는 관측된 승용차 이용강도와 잠재적 자동차 의존 유형이 완전히 일치하지 않음을 보여준다. 따라서 승용차 이용자를 구분할 때에는 현재 이용강도뿐 아니라 자동차 관련 잠재태도도 함께 검토되어야 할 것이다.

Table 12.

Cross-classification of behavior classes and latent car-dependence types

Behavior-based class High latent car dependence(%) Low latent car dependence(%)
Class 1: Middle-use / mixed 43.14 56.86
Class 2: Commute-oriented high-use 36.27 63.73
Class 3: Low-use / recent PT use 20.34 79.66
Class 4: Leisure/life-activity car use 34.90 65.10

Note. Percentages are row percentages. Each row sums to 100%. The table should be interpreted as the distribution of latent car-dependence types within each behavior-based class.

https://cdn.apub.kr/journalsite/sites/kst/2026-044-05/N0210440501/images/kst_2026_445_737_F5.jpg
Figure 5

Behavior classes by latent car-dependence types

두 분류체계의 연관성과 일치도는 Table 13에 제시하였다. Pearson χ2는 65.98(df=3, p<.001)로 통계적으로 유의하였으나, Cramér’s V는 0.18로 나타나 연관 강도는 크지 않았다. 또한 Adjusted Rand Index는 0.046으로 나타나 두 분류체계의 직접 일치도는 낮았다. 즉, 행태 기반 유형과 잠재적 자동차 의존 유형은 통계적으로 관련되어 있으나, 동일한 응답자를 같은 방식으로 분류하지는 않았다. 추가적으로 5개 행태 기반 유형과 3개 잠재적 자동차 의존 유형을 적용한 민감도 분석에서도 두 분류체계는 통계적으로 유의한 관련성을 보였으나 직접 일치도는 낮게 나타나, 본문의 4×2 분석 결과와 일관된 경향을 보였다(Appendix Table A5). 또한 부트스트랩 ARI 분석을 통해 행태 기반 유형의 분류 안정성을 보조적으로 검토하였으며, 그 결과는 Appendix Table A6에 제시하였다.

Table 13.

Association and agreement between behavior class and latent type

Statistic Value Interpretation
N 2,000 Analytic sample
Pearson χ2 65.975 Association test
df 3 4 × 2 table
p-value < .001 Statistically significant association
Cramér’s V 0.1816 Small-to-moderate association
Adjusted rand index 0.0456 Very low direct agreement

Note. Cramér’s V indicates the strength of association between two categorical classifications, whereas the Adjusted Rand Index measures direct classification agreement. A statistically significant χ2 with a low ARI means that the two classifications are related but not equivalent.

5. 행태 기반 이용자의 다항로지스틱 회귀분석(MNL) 결과

행태 기반 유형 소속에 어떤 변수가 체계적으로 관련되는지 검토하기 위해 다항로짓모형을 단계적으로 추정하였다(Table 14, Figure 6). 모든 모형에서 기준 유형은 표본 내 가장 큰 집단인 저이용･대중교통 최근이용형으로 설정하였다. M1은 사회인구학 변수만을 포함한 기준모형(McFadden R2=0.035), M2는 자동차 관련 잠재태도 요인점수를 추가한 모형(R2=0.069), M3은 주차･대중교통 접근성 등 맥락변수까지 포함한 본문 주모형(R2=0.086)이다. M4는 유형 도출에 사용된 행태변수까지 포함한 진단용 상한모형으로 R2=0.595에 이르지만, 유형 형성에 사용된 변수를 다시 설명변수로 포함하는 순환적 구조이므로 본문의 정책해석 모형으로는 사용하지 않고 진단 목적으로만 제시하였다.

Table 14.

Goodness-of-fit comparison across MNL specifications

Model M1 M2 M3 M4
Predictors Socio-demographic variables M1 + latent attitude factors M2 + parking/ accessibility variables M3 + behavior indicators
Log-likelihood -2212.42 -2133.9 -2095.82 -928.969
AIC 4526.84 4387.789 4335.643 2049.938
BIC 4812.486 4723.843 4738.908 2587.624
McFadden (R2) 0.035 0.0692 0.0858 0.5948
Accuracy 0.506 0.546 0.564 0.821
CV accuracy 0.49 0.535 0.55 0.798
Interpretation Baseline Added attitudinal explanation Main explanatory
model 		Diagnostic upper-bound model

Note. The multinomial logit model was used as the main explanatory model for behavior-class membership. Model M4 includes variables used to form the behavior classes and is therefore reported only as a diagnostic upper-bound model.

모형 비교 결과, 사회인구학 변수만 포함한 M1에 비해 잠재태도 변수를 추가한 M2에서 AIC와 BIC가 모두 감소하고 정확도도 개선되었다. 여기에 주차･대중교통 접근성 조건을 추가한 M3에서도 AIC가 추가로 감소하고 예측 정확도가 높아졌다. 이는 행태 기반 유형 소속이 사회경제적 특성만으로 설명되기보다, 자동차 관련 잠재태도와 주차･대중교통 접근성 조건을 함께 고려할 때 더 잘 설명됨을 의미한다. 변수군별 우도비 검정 결과에서도 사회경제 변수 블록, 잠재태도 블록, 주차･접근성 블록은 모두 통계적으로 유의하게 모형 적합도를 개선하였다(Table 15). 특히 잠재태도 블록은 자유도 대비 LR 통계량이 가장 크게 나타나, 행태 기반 유형 소속을 설명하는 데 중요한 심리적 설명축으로 기능함을 보여준다. M3의 주요 결과를 살펴보면, 자동차 감성선호･애착이 1 표준편차 증가할 때 생활･여가 자동차 활용형 소속 확률은 +3.6%p 증가하고, 중간이용･병행형 소속 확률은 +3.3%p 증가하는 반면, 저이용･대중교통 최근이용형 소속 확률은 −8.0%p 감소하였다. 운전규범 위반 허용성 역시 저이용･대중교통 최근이용형 소속 확률을 낮추고, 다른 행태 유형의 소속 가능성을 높이는 방향으로 작용하였다. 이는 자동차 관련 잠재태도가 단순히 심리적 특성에 머무르지 않고, 실제 승용차 이용패턴에 기반한 행태 유형 소속과도 체계적으로 관련되어 있음을 의미한다. 주차･접근성 조건도 행태 기반 유형 소속을 설명하는 중요한 요인으로 나타났다. 목적지 주차환경이 양호할수록 통근중심 고이용형과 중간이용･병행형의 소속 확률이 증가하였고, 버스정류장까지의 도보시간이 길수록 생활･여가 자동차 활용형의 소속 확률이 증가하였다. 이는 승용차 이용행태가 자동차에 대한 심리적 태도뿐 아니라, 목적지 주차 가능성이나 대중교통 접근성 저하와 같은 구조적 이동환경 조건에 의해서도 형성됨을 보여준다. 따라서 행태 기반 유형은 잠재태도와 교통환경 조건이 결합되어 나타나는 결과로 해석할 필요가 있다. 사회인구학적 특성의 영향도 일부 확인되었다. 부록의 상대위험비 결과에 따르면, 연령이 높을수록 생활･여가 자동차 활용형보다는 저이용･대중교통 최근이용형에 속할 가능성이 상대적으로 높아지는 경향이 나타났다. 직업별로는 판매･서비스･기능･자영업 계층이 생활･여가 자동차 활용형에 속할 가능성이 높았고, 미성년 자녀가 있는 경우 통근중심 고이용형에 속할 가능성이 증가하였다. 또한 동남권 거주는 생활･여가 자동차 활용형 및 통근중심 고이용형 소속 가능성과 유의한 관련을 보였다. 이는 승용차 이용행태가 직업활동, 주거권역과 같은 사회인구학적 조건과도 결합되어 형성됨을 보여주나 성별은 본 분석에서 행태 유형 소속을 일관되게 설명하는 유의한 변수로 확인되지 않아 연령, 직업, 자녀 유무, 거주권역 등 유의성이 확인된 변수에 한정하여 설명하였다. 이번 연구의 MNL 분석 결과는 행태 기반 유형이 단순한 군집분석 결과에 그치지 않고, 자동차 관련 잠재태도, 주차･대중교통 접근성 조건, 그리고 일부 사회인구학적 특성과 체계적으로 연결되어 있음을 보여준다. 정책적으로는 승용차 이용자를 평균적 집단으로 간주하기보다, 심리적 자동차 의존 성향이 높은 집단, 구조적 조건 때문에 자동차 이용이 강화되는 집단, 생애주기나 가구 책임으로 인해 자동차 이용 필요성이 커지는 집단을 구분하여 접근할 필요가 있다. 예를 들어 미성년 자녀가 있는 통근중심 고이용형에는 시간 제약을 완화할 수 있는 통근･통학 연계 대안이 중요할 수 있으며, 대중교통 접근성이 낮은 생활･여가 자동차 활용형에는 접근교통 개선과 목적지 주차관리의 결합이 필요하다. 이러한 결과는 행태 기반 유형과 잠재태도 기반 자동차 의존 유형을 함께 활용할 때 승용차 수요관리 정책의 세부적 유형 설정이 더 정교해질 수 있다. 전체 회귀계수 및 상대위험비는 부록 Table A3에, 평균 한계 효과는 부록 Table A4에 제시하였다.

Table 15.

Joint LR tests for predictor blocks in M3

Predictor block LR χ2 df p-value Decision
Socio-demographic variables 89.701 48 < .001 Significant
Latent attitude factors 115.691 9 < .001 Significant
Parking/accessibility context 76.146 12 < .001 Significant

Note. Joint likelihood-ratio tests evaluate whether each predictor block significantly improves model fit. A significant result indicates that the block is systematically associated with behavior-class membership.

https://cdn.apub.kr/journalsite/sites/kst/2026-044-05/N0210440501/images/kst_2026_445_737_F6.jpg
Figure 6

Goodness-of-fit comparison across MNL specifications

결론

본 연구는 서울시 승용차 이용자를 하나의 평균적 집단으로 가정하는 접근의 한계를 검토하였다. 분석 결과, 서울시 승용차 이용자는 실제 이용행태에 따라 4개의 행태 기반 유형으로, 자동차 관련 잠재태도에 따라 저의존형과 고의존형의 2개 잠재적 자동차 의존 유형으로 각각 구분되었다. 이는 승용차 이용자가 관측행태와 잠재태도 측면에서 모두 이질적인 내부 구조를 가진다는 점을 보여주었다.

첫째, 행태 기반 유형 도출 결과는 이용자 세분화 연구의 문제의식과 연결된다. Molin et al.(2016)과 Ton et al.(2020)은 실제 이동행태와 수단 이용특성에 따라 이용자 집단이 이질적으로 구분될 수 있음을 보였다. 본 연구에서도 서울시 승용차 이용자는 통근 중심 이용, 생활･여가 목적 이용, 대중교통 병행 정도 등에 따라 서로 다른 행태 기반 유형으로 구분되었으며, 이는 이용목적과 이용패턴을 함께 고려하는 세분화의 필요성을 보여준다.

둘째, 잠재적 자동차 의존 유형 도출 결과는 자동차 관련 태도 차원이 이용자 내부의 심리적 이질성을 구분하는 데 활용될 수 있음을 보여준다. 본 연구는 자동차 상징성･지위성, 감성선호･애착, 운전규범 위반 허용성의 확인적 요인분석 요인점수를 이용해 저의존형과 고의존형을 구분하였다. 분석 결과, 고의존형에서는 운전규범 위반 허용성의 표준화 점수가 1.170으로 나타났으며, 이는 자동차 상징성･지위성 0.600, 감성선호･애착 0.312보다 높았다. 반대로 저의존형에서는 운전규범 위반 허용성이 −0.476으로 나타났다. 이 결과는 본 연구에서 정의한 고의존형이 단순히 자동차에 대한 선호나 애착이 높은 집단에 그치지 않고, 운전규범 위반 허용성에서도 저의존형과 뚜렷하게 구분된다는 점을 보여준다. 따라서 잠재적 자동차 의존 유형을 해석할 때에는 감성적 선호뿐 아니라 운전규범 위반 허용성 차원도 함께 고려할 필요가 있다.

셋째, 행태 기반 유형과 잠재적 자동차 의존 유형의 교차분석 결과는 두 분류체계가 동일하지 않음을 보여준다. 저이용･대중교통 최근이용형 내부에서도 고의존형이 20.34%로 나타났으며, 이는 현재 승용차 이용강도가 낮은 집단 안에도 자동차 관련 잠재태도가 높은 하위집단이 존재함을 의미한다. 이 결과는 정책 대상 집단을 설정할 때 현재의 이용강도만으로 이용자를 판단하기 어렵다는 점을 보여준다. 따라서 저이용･대중교통 최근이용형에 대해서도 자동차 관련 잠재태도 차이를 함께 검토할 필요가 있다. 예를 들어, 대중교통을 주로 이용하는 집단 내부에서 자동차 관련 잠재태도가 높은 이용자를 별도로 파악하면, 대중교통 이용 유지, 비자동차 이동 경험 개선, 대체 이동수단 정보 제공 등과 같은 정책 검토 과정에서 보다 세분화된 대상 설정이 가능할 것으로 보여진다. 다만 본 연구는 세분화 후 해당 정책의 효과를 직접 추정한 것은 아니므로, 구체적인 정책효과는 후속 연구에서 별도로 검증될 필요가 있다.

넷째, 다항로짓모형 분석 결과는 행태 기반 유형 소속이 자동차 관련 잠재태도, 주차･대중교통 접근성 조건, 일부 사회인구학적 변수와 관련되어 있음을 보여준다. 부록 Table A3의 상대위험비 결과를 보면, 미성년 자녀 유무는 통근중심 고이용형 소속과 유의한 관련을 보였고, 동남권 거주는 생활･여가 자동차 활용형 및 통근중심 고이용형 소속과 유의한 관련을 보였다. 또한 연령, 직업, 혼인상태 일부 항목도 생활･여가 자동차 활용형 소속과 관련된 것으로 나타났다. 반면 성별과 가구원 수는 행태 기반 유형과의 유의한 관련성이 확인되지 않았다. 평균 한계효과에서도 자동차 감성선호･애착, 운전규범 위반 허용성, 목적지 주차환경, 버스정류장 도보시간 등이 유형 소속 확률의 변화와 관련되는 것으로 나타났다(Appendix Table A4). 이러한 결과는 행태 기반 유형을 해석할 때 사회인구학적 특성만으로 설명하기보다, 잠재태도 및 주차･접근성 조건을 함께 검토할 필요가 있음을 보여준다. 이는 Ben-Akiva et al.(2002), Walker and Ben-Akiva(2002), Vij and Walker(2016)의 논의와도 부합한다. 다만 본 연구는 통합 잠재변수 선택모형을 추정한 것이 아니라 두 분류체계를 별도의 분류축으로 도출하고 그 관계를 비교한 점에서 제한적이지만 차별성을 가진다.

국내 연구와의 관계에서도 본 연구는 잠재계층 기반 수단선택 연구의 문제의식을 확장하였다. Bae et al.(2010)과 Kim and Choo(2019)는 국내 교통수단선택 연구에서 이용자 이질성과 잠재계층 접근의 필요성을 제시하였으나, 주로 수단선택모형 내부에서 잠재계층을 추정하거나 계층별 영향요인 차이를 분석하는 데 초점을 두었다. 반면 본 연구는 실제 이용행태 기반 유형과 잠재태도 기반 유형을 별도로 도출하고 두 분류체계의 일치와 불일치를 직접 검토했다는 점에서 기존 국내 연구를 보완한다. 정책적으로는 승용차 수요관리의 대상 집단 설정 방식을 개선할 필요가 있다. 기존의 이용행태 중심 접근은 자동차를 많이 이용하는 집단을 식별하는 데에는 유용하나, 그 이용이 심리적 의존에 따른 것인지 구조적 맥락조건에 따른 것인지를 구분하지 못한다. 이용강도는 높지만 잠재태도가 낮은 집단은 구조적 필요에 의한 이용자로, 통근 대안 개선･대중교통 접근성 향상･환승 및 주차 연계 강화 등이 우선적 정책 방향이 될 수 있다. 추가적으로 승용차 수요관리의 대상 집단 설정 방식을 세분화할 필요가 있다. 본 연구 결과에 따르면, 승용차 이용강도가 높은 집단 안에서도 저의존형이 상당 비율 존재하며, 반대로 저이용･대중교통 최근이용형 내부에도 고의존형이 일부 존재한다. 이는 이용강도만으로 정책 대상 집단을 설정할 경우, 이용자의 심리적 특성 차이를 충분히 반영하기 어렵다는 점을 보여준다. 따라서 정책 대상 집단을 설정할 때에는 현재의 승용차 이용행태뿐 아니라 자동차 관련 잠재태도도 함께 검토할 필요가 있다. 다만 본 연구는 특정 정책수단의 효과를 추정한 것이 아니므로, 대중교통 접근성 개선, 주차관리, 가격신호, 대안 이동수단 정보 제공 등의 구체적 효과는 후속 연구에서 별도로 검증되어야 한다. 본 연구는 특정 정책수단의 효과를 추정한 것은 아니나, 행태와 잠재태도의 조합에 근거한 정책 대상 집단 설정의 방향을 제시한다는 점에서 의의를 가진다.

본 연구의 한계는 다음과 같다. 첫째, 횡단면 설문자료에 기반하므로 두 분류체계 간의 관계를 인과적으로 해석할 수 없다. 둘째, 행태변수가 자기보고식으로 수집되어 실제 주행기록이나 위치기반 이동자료와 차이가 있을 수 있다. 셋째, 분석대상이 서울시 거주 운전면허 보유자로 한정되어 다른 도시권으로의 일반화에는 주의가 필요하다. 넷째, 제시된 정책 방향은 행태와 잠재태도의 조합에 근거한 해석적 시사점으로, 향후 연구에서는 패널자료･실제 통행자료･정책실험을 결합하여 행태 변화와 정책 반응성을 검증할 필요가 있다.

Funding

This work was supported by the Seoul Institute.

알림

본 논문은 대한교통학회 제91회 학술발표회(2024.9.24)에서 발표된 내용을 수정･보완하여 작성된 것입니다.

Appendix

Table A1.

Full standardized CFA loadings

Latent construct Item Standardized loading SE z-value p-value
Symbolic/status
orientation 		A person’s car says something about who they are 0.780 0.012 64.103 <.001
My car expresses who i am 0.801 0.012 68.376 <.001
I envy people with more expensive cars 0.682 0.016 43.785 <.001
Brand matters more than performance 0.686 0.015 44.411 <.001
People with luxury cars receive more respect 0.614 0.018 34.128 <.001
Affective
attachment 		I enjoy driving 0.759 0.013 58.722 <.001
Driving makes me feel free and independent 0.717 0.015 49.452 <.001
I like driving fast 0.575 0.019 29.702 <.001
Driving makes me feel calm and secure 0.756 0.013 60.426 <.001
I like the private space provided by a car 0.673 0.017 40.134 <.001
Driving helps me refresh my mood 0.773 0.011 68.095 <.001
Norm
permissiveness 		Acceptability of late merging into an exit lane 0.527 0.022 23.940 <.001
Occupying two parking spaces 0.712 0.016 43.356 <.001
Speeding 0.628 0.017 36.235 <.001
Entering on a late left turn 0.602 0.018 32.946 <.001
Stopping on the roadway 0.616 0.018 34.267 <.001
Turning right without yielding, 0.663 0.018 36.406 <.001
Repeated lane changes without signaling 0.765 0.014 53.828 <.001
Shoulder driving 0.692 0.016 43.464 <.001
Parking on the sidewalk 0.652 0.016 41.321 <.001
Honking/flashing to pressure a slower vehicle 0.481 0.021 22.899 <.001

Note. Standardized factor loadings indicate the association between each survey item and its corresponding latent construct. All loadings were statistically significant at p < .001. Items with relatively lower loadings were retained when theoretically justified and when the overall measurement model fit was acceptable.

Table A2

Full difference tests across behavior-based types

A2-1. Continuous and attitudinal variables
Variable ANOVA F η2 Kruskal–Wallis χ2 ε2 p-value
Daily car-use frequency 608.600 0.4777 1297.670 0.6486 <.001
Weekday commute-related car-use days 161.110 0.1949 387.116 0.1924 <.001
Annual VKT 79.673 0.1069 212.754 0.1051 <.001
Weekend/leisure car use 27.029 0.0390 75.964 0.0366 <.001
Social visit car use 7.711 0.0115 20.951 0.0090 <.001
Evening appointment car use 118.985 0.1517 303.625 0.1506 <.001
Driving for its own sake 47.686 0.0669 141.894 0.0696 <.001
Public transport recency 205.213 0.2357 485.018 0.2415 <.001
Symbolic/status orientation 57.337 0.0793 164.310 0.0808 <.001
Affective attachment 55.394 0.0769 154.131 0.0757 <.001
Norm permissiveness 29.891 0.0430 65.013 0.0311 <.001
A2-2. Categorical variables
Variable χ2 df p-value Cramér’s V
Gender 5.730 3 0.126 0.0535
Age group 89.045 12 <.001 0.1218
Job group 27.820 9 0.001 0.0681
Income group 12.902 6 0.045 0.0568
Marital status 29.113 6 <.001 0.0853
Minor children 7.255 3 0.064 0.0602
Household size 5.354 6 0.499 0.0366
Residential district 27.204 12 0.007 0.0673

Note. This table reports the full results of mean-difference and association tests across behavior-based types. ANOVA and Kruskal–Wallis tests were used for continuous or ordinal variables, and chi-square tests were used for categorical variables. Effect sizes are reported to avoid relying solely on p-values.

Table A3.

Significant MNL coefficients and relative risk ratios Reference category: Class 3, low-use / recent public transport use type.

Contrast Term Log-odds RRR [95% CI] p-value
Class 4 vs. Class 3 Intercept -0.921 0.40 [0.22, 0.72] 0.003
Class 4 vs. Class 3 Age group -0.394 0.67 [0.48, 0.95] 0.023
Class 4 vs. Class 3 Sales/service/skilled/self-employed 0.344 1.41 [1.04, 1.92] 0.029
Class 4 vs. Class 3 Student/other/unemployed -0.441 0.64 [0.44, 0.94] 0.023
Class 4 vs. Class 3 Single/other marital status 0.416 1.52 [1.08, 2.13] 0.017
Class 4 vs. Class 3 Southeast Seoul 0.589 1.80 [1.01, 3.22] 0.046
Class 4 vs. Class 3 Affective attachment, +1 SD 0.339 1.40 [1.17, 1.68] <.001
Class 4 vs. Class 3 Norm permissiveness, +1 SD 0.159 1.17 [1.03, 1.33] 0.014
Class 4 vs. Class 3 Destination parking condition, +1 SD 0.173 1.19 [1.05, 1.34] 0.005
Class 4 vs. Class 3 Walking time to bus stop, +1 SD 0.386 1.47 [1.26, 1.72] <.001
Class 1 vs. Class 3 Intercept -2.099 0.12 [0.05, 0.31] <.001
Class 1 vs. Class 3 Affective attachment, +1 SD 0.610 1.84 [1.34, 2.52] <.001
Class 1 vs. Class 3 Norm permissiveness, +1 SD 0.355 1.43 [1.17, 1.73] <.001
Class 1 vs. Class 3 Destination parking condition, +1 SD 0.342 1.41 [1.13, 1.75] 0.002
Class 1 vs. Class 3 Walking time to bus stop, +1 SD 0.325 1.38 [1.11, 1.72] 0.003
Class 1 vs. Class 3 Walking time to subway station, +1 SD 0.199 1.22 [1.01, 1.48] 0.041
Class 2 vs. Class 3 Intercept -2.635 0.07 [0.02, 0.25] <.001
Class 2 vs. Class 3 Minor children present 0.513 1.67 [1.05, 2.67] 0.032
Class 2 vs. Class 3 Southeast Seoul 1.276 3.58 [1.05, 12.20] 0.041
Class 2 vs. Class 3 Affective attachment, +1 SD 0.353 1.42 [1.07, 1.89] 0.015
Class 2 vs. Class 3 Norm permissiveness, +1 SD 0.257 1.29 [1.08, 1.55] 0.006
Class 2 vs. Class 3 Destination parking condition, +1 SD 0.392 1.48 [1.21, 1.80] <.001
Class 2 vs. Class 3 Walking time to bus stop, +1 SD 0.309 1.36 [1.11, 1.67] 0.003
Class 2 vs. Class 3 Walking time to subway station, +1 SD 0.215 1.24 [1.04, 1.48] 0.016

Note. Coefficients are estimated from the main multinomial logit model for behavior-type membership. Relative risk ratios are reported for ease of interpretation. The reference category is Class 3. Only statistically significant coefficients are shown in this table; a full coefficient table including non-significant terms may be added if required for replication.

Table A4.

Average marginal effects of the main MNL model

Predictor Change Class 3 Class 4 Class 1 Class 2
Symbolic/status orientation +1 SD -0.0256 0.0399 -0.0142 -0.0001
Affective attachment +1 SD -0.0796 0.0362 0.0325 0.0108
Norm permissiveness +1 SD -0.0431 0.0114 0.0188 0.0130
Home parking condition +1 SD 0.0100 0.0038 -0.0046 -0.0092
Destination parking condition +1 SD -0.0501 0.0086 0.0156 0.0259
Walking time to bus stop +1 SD -0.0755 0.0605 0.0074 0.0077
Walking time to subway station +1 SD -0.0296 0.0079 0.0087 0.0130

Note. Average marginal effects indicate the change in the predicted probability of belonging to each behavior-based type associated with a one-standard-deviation increase in each predictor. Positive values indicate an increase in the probability of belonging to the corresponding type, while negative values indicate a decrease.

Table A5.

Sensitivity analysis: 5 behavior-based types × 3 latent car-dependence types

Behavior-based
sensitivity type 		High attachment /
norm-permissive type, % 		Low attachment type, % Mixed attitude type, %
B5_1 10.60 37.75 51.66
B5_2 14.55 47.88 37.58
B5_3 1.18 71.55 27.27
B5_4 6.40 53.20 40.40
B5_5 6.51 63.28 30.21
Statistic Value
N 2,000
Pearson χ2 136.277
df 8
p-value <.001
Cramér’s V 0.1846
Adjusted Rand Index 0.0566

Note. This table reports the sensitivity analysis using a 5-type behavior-based solution and a 3-type latent car-dependence solution. Percentages are row percentages. The results show that the two classifications remain statistically associated but have low direct agreement, which is consistent with the main 4 × 2 analysis.

Table A6.

Bootstrap ARI stability

B Mean ARI SD Min Q25 Median Q75 Max
100 0.5302 0.2486 0.1531 0.2910 0.5546 0.7146 0.9260

Note. Bootstrap ARI evaluates the stability of class assignments under resampling. The results should be interpreted as evidence of classification stability, not as proof of perfectly separated natural groups. A moderate ARI suggests that behavior-based types summarize heterogeneous behavioral patterns, while class boundaries remain probabilistic rather than deterministic.

References

1

Abrahamse W., Steg L., Gifford R., Vlek C. (2009), Factors Influencing Car Use for Commuting and the Intention to Reduce It: A Question of Self-Interest or Morality?, Transp. Res. Part F, 12(4), 317-324.

10.1016/j.trf.2009.04.004
2

Ajzen I. (1991), The Theory of Planned Behavior, Organ. Behav. Hum. Decis. Process., 50(2), 179-211.

10.1016/0749-5978(91)90020-T
3

Bae Y. K., Chung J. H., Kim H. J. (2010), Comparative Analysis of Mode Choice Models Using Latent Class Analysis, J. Korean Soc. Transp., 28(3), Korean Society of Transportation, 99-107.

4

Bamberg S., Schmidt P. (2003), Incentives, Morality, or Habit? Predicting Students' Car Use for University Routes With the Models of Ajzen, Schwartz, and Triandis, Environ. Behav., 35(2), 264-285.

10.1177/0013916502250134
5

Banister D. (2008), The Sustainable Mobility Paradigm, Transp. Policy, 15(2), 73-80.

10.1016/j.tranpol.2007.10.005
6

Ben-Akiva M., Lerman S. R. (1985), Discrete Choice Analysis: Theory and Application to Travel Demand, MIT Press, Cambridge, MA, USA.

7

Ben-Akiva M., McFadden D., Train K., Walker J., Bhat C., Bierlaire M. et al. (2002), Hybrid Choice Models: Progress and Challenges, Mark. Lett., 13(3), 163-175.

10.1023/A:1020254301302
8

Bhagat-Conway M. W., Mirtich L., Salon D., Harness N., Consalvo A., Hong S. (2024), Subjective Variables in Travel Behavior Models: A Critical Review and Standardized Transport Attitude Measurement Protocol (STAMP), Transportation, 51(1), 155-191.

10.1007/s11116-022-10323-736196062PMC9522447
9

Donald I. J., Cooper S. R., Conchie S. M. (2014), An Extended Theory of Planned Behaviour Model of the Psychological Factors Affecting Commuters' Transport Mode Use, J. Environ. Psychol., 40, 39-48.

10.1016/j.jenvp.2014.03.003
10

Fu X., Juan Z. (2017), Understanding Public Transit Use Behavior: Integration of the Theory of Planned Behavior and the Customer Satisfaction Theory, Transportation, 44(5), 1021-1042.

10.1007/s11116-016-9692-8
11

Fujii S., Kitamura R. (2003), What Does a One-Month Free Bus Ticket Do to Habitual Drivers? An Experimental Analysis of Habit and Attitude Change, Transportation, 30(1), 81-95.

10.1023/A:1021234607980
12

Guerra E. (2022), What the Heck Is a Choice Rider? A Theoretical Framework and Empirical Model, J. Transp. Land Use, 15(1), 165-182.

10.5198/jtlu.2022.2096
13

Haustein S., Hunecke M. (2007), Reduced Use of Environmentally Friendly Modes of Transportation Caused by Perceived Mobility Necessities: An Extension of the Theory of Planned Behavior, J. Appl. Soc. Psychol., 37(8), 1856-1883.

10.1111/j.1559-1816.2007.00241.x
14

Ki H. G., Chang J. S. (2024), Analyzing the Factors Influencing Car Dependency Using the Theory of Planned Behavior, J. Korean Soc. Transp., 42(4), Korean Society of Transportation, 472-493.

10.7470/jkst.2024.42.4.472
15

Kim S. H., Choo S. (2019), Developing a Latent Class Model Considering Heterogeneity in Mode Choice Behavior: A Case of Commuters in Seoul, J. Korea Inst. Intell. Transp. Syst., 18(2), The Korea Institute of Intelligent Transport Systems, 44-57.

10.12815/kits.2019.18.2.44
16

McFadden D. (1974), Conditional Logit Analysis of Qualitative Choice Behavior, in Zarembka P. (ed.), Frontiers in Econometrics, Academic Press, New York, NY, USA, 105-142.

17

Molin E., Mokhtarian P., Kroesen M. (2016), Multimodal Travel Groups and Attitudes: A Latent Class Cluster Analysis of Dutch Travelers, Transp. Res. Part A, 83, 14-29.

10.1016/j.tra.2015.11.001
18

Newman P., Kenworthy J. (1999), Sustainability and Cities: Overcoming Automobile Dependence, Island Press, Washington, D.C., USA.

19

Park S. H., Yi C. (2023), The Intention of Automobile Users to Use Public Transportation: An Application of the Extended Theory of Planned Behavior, J. Korean Soc. Transp., 41(2), Korean Society of Transportation, 166-182.

10.7470/jkst.2023.41.2.166
20

Seoul Institute (2024), Analysis of the Social Impacts of Symbols and Attachments Associated With Cars Among Seoul Citizens.

21

Seoul Metropolitan Government (2025a), Automobile Registration Statistics by Month and District in Seoul, Seoul Open Data Plaza, https://data.seoul.go.kr/, 2026.02.23.

22

Seoul Metropolitan Government (2025b), Daily Travel by Transport Mode and Modal Share Statistics in Seoul, Seoul Open Data Plaza, https://data.seoul.go.kr/, 2026.02.23.

23

Soza-Parra J., Cats O. (2024), Who Is Ready to Live a Car-Independent Lifestyle? A Latent Class Cluster Analysis of Attitudes Towards Car Ownership and Usage, Transp. Res. Part A, 190, 104271.

10.1016/j.tra.2024.104271
24

Steg L. (2005), Car Use: Lust and Must. Instrumental, Symbolic and Affective Motives for Car Use, Transp. Res. Part A, 39(2-3), 147-162.

10.1016/j.tra.2004.07.001
25

Ton D., Zomer L. B., Schneider F., Hoogendoorn-Lanser S., Duives D., Cats O. et al. (2020), Latent Classes of Daily Mobility Patterns: The Relationship With Attitudes Towards Modes, Transportation, 47(4), 1843-1866.

10.1007/s11116-019-09975-9
26

Train K. E. (2009), Discrete Choice Methods With Simulation, 2nd ed., Cambridge University Press, Cambridge, UK.

27

Vij A., Walker J. L. (2016), How, When and Why Integrated Choice and Latent Variable Models Are Latently Useful, Transp. Res. Part B, 90, 192-217.

10.1016/j.trb.2016.04.021
28

von Behren S., Bönisch L., Niklas U., Chlond B. (2020), Revealing Motives for Car Use in Modern Cities—A Case Study From Berlin and San Francisco, Sustainability, 12(13), 5254.

10.3390/su12135254
29

Walker J., Ben-Akiva M. (2002), Generalized Random Utility Model, Math. Soc. Sci., 43(3), 303-343.

10.1016/S0165-4896(02)00023-9
페이지 상단으로 이동하기