패널데이터 분석을 하기에 앞서, 합동 OLS 모형(Pooled Ordinary Least Squares method) 분석을 통해 입점업체 시장 전반에서의 배달앱 영향을 살펴보도록 하겠다. GLS 모형(Generalized Least Square method)을 통해 오차항에 대한 이분산성 가정을 할 수 있으나, 입점업체 관측치의 개수 (86만 4,100개 업체)가 많아 오차항의 공분산 행렬을 기술적으로 구현하 기 어려운 문제가 있다. 따라서 오차항에 대한 동분산 가정을 기초로 합 동 OLS 모형을 추정하였다.
<표 17>의 모델 (1)에서는 매월 입점업체의 배달앱 사용 유무가 해당 업체의 매출에 미치는 영향을 가장 기본적인 독립변수들을 이용하여 측 정하였다. 월별 더미변수를 비롯하여 17개의 광역지방자치단체의 지역 더미변수, 그리고 16개의 업종별 더미변수를 사용하였다. 그 결과, ‘배달 앱 사용 유무’ 더미변수에 대한 계수는 0.695로 배달앱을 사용하는 업체 의 매출이 그렇지 않은 업체에 비해 69.5% 정도 높은 것을 알 수 있다.
이 수치는 전 업종에 대한 평균적인 수치로 다른 모델과 비교할 때 기준 이 될 수 있다. 다만, 여기에 있어서의 한 가지 가정은 입점업체의 매출
제5장 배달앱 입점업체의 매출에 대한 실증분석 53
<표 17> 배달앱 사용이 입점업체 매출에 미치는 영향 (1): 합동 OLS 모형
종속변수: log(카드 매출금액)
Pooled OLS model
모형 (1) 모형 (2) 모형 (3) 모형 (4) 모형 (5) 배달앱 사용 유무
(전 업종)
0.695*** 0.289*** 0.278***
(0.001) (0.001) (0.001) 배달앱 사용 유무
(한식 업종) - 모형 (4) (한식, 1분위) - 모형 (5)
0.267*** 1.174***
(0.001) (0.005) 배달앱 사용 유무
(한식 대비 중식업) - (4) (중식업, 1분위) - (5)
-0.014*** 0.054***
(0.004) (0.004) 배달앱 사용 유무
(한식 대비 분식업) - (4) (분식업, 1분위) - (5)
0.107*** 0.088***
(0.004) (0.004)
⋮ 배달앱 사용 유무 (1분위 대비 4분위, 한식)
-0.812***
(0.005) 배달앱 사용 유무
(1분위 대비 7분위, 한식)
-0.963***
(0.005)
⋮
1월 기준 매출(Log) 0.780***
(0.000)
1월 기준 매출 분위수 더미 N N Y Y Y
업력(1/1000개월) 1.243*** 0.248*** 0.285*** 0.281*** 0.334***
(0.008) (0.005) (0.005) (0.005) (0.005) 브랜드 가맹점 여부 0.832*** 0.091*** 0.069*** 0.066*** 0.079***
(0.001) (0.001) (0.001) (0.001) (0.001) 업종별 시장경쟁도
(업체 수/총매출(백만원))
-6.149*** -1.145*** -1.126*** -1.130*** -1.044***
(0.015) (0.010) (0.010) (0.010) (0.010) 업종별 시장집중도
(HHI)
-1.899** -0.049* -0.077*** -0.078*** -0.044 (0.034) (0.022) (0.022) (0.022) (0.022) 인구밀도
(백명/km2, 시군구 단위)
-0.060*** -0.055*** -0.056*** -0.055*** -0.053***
(0.001) (0.001) (0.001) (0.001) (0.001) 상수항 16.008*** 3.459*** 13.464*** 13.260*** 13.198***
(0.003) (0.004) (0.002) (0.002) (0.002)
월별 더미 Y Y Y Y Y
지역 더미(광역단위) Y Y Y Y Y
업종 더미 Y Y Y Y Y
관측치 수 8,169,989 6,487,812 6,487,812 6,487,812 6,487,812
R-squared 0.204 0.710 0.701 0.701 0.705
비고 1월 제외 1월 제외 1월 제외 1월 제외
주: ( ) 안 숫자는 표준오차임. ***, **, *는 각각 1%, 5%, 10% 수준에서 유의함을 의미함.
자료: 신한카드 제공 자료를 이용하여 저자 계산.
에 따른 배달앱 이용 여부가 균등하게 분포되어 있다는 것인데, 실제로 는 매출이 높은 외식업체일수록 배달앱 사용 비중이 높았다(부도 3 참 고). 따라서 외식업체의 매출을 통제할 수 있는 변수가 필요하게 되나, 매출이 이미 종속변수로 사용되었기 때문에 독립변수 선택에 한계가 따 른다. 본 연구에서는 이러한 한계점을 인식하고 모델 (2)~(5)에서는 1월 기준의 매출액 또는 매출액에 따른 분위를 통제변수로 사용하며, 1월의 자료는 실증분석에서 제외하였다.
모델 (2)에서는 2020년 1월의 매출을 통제변수로 사용하여 배달앱 사 용의 영향을 추정하였다. 비록 1월의 매출액 자료는 분석에서 제외하였 으나 여전히 오차항의 자기상관에 대한 우려는 있어 모델 (3)에서는 1월 의 매출액을 기준으로 한 9개의 10분위 더미변수를 통제변수로 사용하였 다. 모델 (2)와 모델 (3)의 결과는 매우 유사한 것으로 나온다. 분석의 핵 심변수인 배달앱 사용 효과는 사용업체의 매출이 각각 28.9%와 27.8%
증가하는 것을 확인할 수 있었다.
모델 (1)~(3)에서 공통적으로 발견된 사실은 우선 배달앱 사용이 입점 업체의 매출 상승 효과를 불러일으킨다는 점이다. 또한 다른 독립변수에 서도 각각 영향력에는 차이가 있지만, 모델마다 방향은 모두 같은 것으 로 나타났다. 입점업체의 업력은 매출액에 양의 관계로 통계적으로 유의 하나 실제로 효과를 보려면 업력에 큰 차이가 있어야 했다. 입점업체가 브랜드 가맹점일 때 입점업체의 매출이 높은 것으로 나타났다(모델 (1)~(3)에서 각각 83.2%, 9.1%, 6.9%). 또한 지역에 매출 대비 외식업체 수가 많을수록(높은 시장경쟁도) 업체들의 매출은 감소했으며, 시장집중 도(HHI)가 높을 때도 업체들의 매출이 감소하는 것으로 확인되었다. 이 외에 인구밀도는 세 모델에서 모두 음의 값으로 나타나 직관과는 다른 결과로 나타났다. 보다 엄밀히는 인구밀도 대신 ‘인구 대비 지역의 외식 업체 수’를 독립변수로 사용하는 것이 적절하나 앞서 이미 사용한 ‘시장 경쟁도’와의 내생성 문제가 우려되고, 또한 상업지구 여부에 따라서 해당 변수가 입점업체 과밀도에 대한 적절한 대체변수 역할을 못할 수 있다는 우려에 따라 본 실증연구에서는 제외하였다.
제5장 배달앱 입점업체의 매출에 대한 실증분석 55 한편, 앞선 모델 (1)~(3)에서는 전 외식업종에 대하여 배달앱 사용 여
부의 효과가 일치하는 것으로 가정하였다. 그러나 실제로는 업종에 따라 배달앱 사용 비중이 상당히 다르며(그림 8 참조), 그 영향도 다를 것으로 기대할 수 있다. 따라서 모델 (4)와 (5)에서는 업종별 교호작용변수 (Interaction Variable)를 추가함으로써 배달앱 사용의 효과를 보다 세분화 하여 분석하였다.
업종과 배달앱 사용과의 교호작용변수를 포함한 모델 (4)에서는 한식 업(세세분류코드: 56111)이 전체 외식업종의 기준점이 된다. 한식업종은 전체 외식업체의 65% 이상을 차지하므로(표 13 참조) 시장 전체의 배달 앱 사용 영향을 대표할 수 있으며, 교호작용에서의 기준업종으로 삼기에 도 적절하다. 결과를 보면, 한식업에서 배달앱을 사용하는 업체는 매출이 26.7% 높은 것으로 나타나 앞선 모델 (2)와 (3)의 전체 업종에서의 배달 앱 사용 영향(28.9%, 27.8%)보다 약간 낮은 수치임을 확인할 수 있다. 중 식업(56112)에서는 배달앱을 사용하는 업체가 25.3% 정도 매출이 높은 것으로 나타났으며, 반면에 ‘분식 및 김밥 전문점(56194)’에서는 배달앱 의 효과가 더 높아 37.4%의 매출 증대 효과를 기대할 수 있었다.
모델 (5)에서는 업종에 따른 교호작용변수에 이어서 2020년 1월을 기 준으로 한 매출액 분위 교호작용변수를 추가하였다. 분석 결과, 분위수와 업종에 따른 배달앱 영향을 각각 구할 수 있으며, 기준이 되는 것은 1분 위에 속한 한식업이다. 여기에 속한 업체는 배달앱을 사용할 때 117.4%
높은 매출액을 보여 배달앱이 분위수가 낮은 업체에 미치는 영향이 매우 큰 것을 확인할 수 있었다. 한편, 분위수가 높아짐에 따라 배달앱의 영향 은 다소 약해지는 것으로 나타났는데, 4분위에 속한 한식업에서는 36.2%, 7분위에 속한 한식업에서는 21.1%로 배달앱이 매출 상승에 미치는 효과 가 낮아졌다. 모델 (5)의 측정 결과는 <표 18>에 정리되어 업종과 분위수 별 배달앱 효과를 각각 확인할 수 있다.48
48 추가적으로 모델 (5)의 분석에서 1월의 매출액 분위 더미변수가 오차항(error term)에 영 향을 미치는 내생성 문제를 고려하여 1월 기준의 분위별로 하위 그룹(subgroup) 계량분 석을 진행하였다. 분위별 배달앱의 사용효과는 모델 (5)의 결과와 유사했으며, 이에 대
<표 18> 모형 (5)의 업종별⋅분위수별 배달앱 사용 유무의 계수추정치 비교
1분위 2분위 3분위 4분위 5분위 6분위 7분위 8분위 9분위 10분위 한식 음식점업
(56111) 1.174 0.673 0.478 0.362 0.280 0.241 0.211 0.187 0.159 -0.022 중식 음식점업
(56112) 1.228 0.727 0.532 0.416 0.334 0.295 0.265 0.241 0.213 0.032 일식 음식점업
(56113) 1.185 0.684 0.489 0.373 0.291 0.252 0.222 0.198 0.170 -0.011 서양식 음식점업
(56114) 1.171 0.67 0.475 0.359 0.277 0.238 0.208 0.184 0.156 -0.025 기타 외국식 음식점업
(56119) 1.190 0.689 0.494 0.378 0.296 0.257 0.227 0.203 0.175 -0.006 기관구내식당업
(56120) 1.365 0.864 0.669 0.553 0.471 0.432 0.402 0.378 0.350 0.169 출장 음식 서비스업
(56131) 1.043 0.542 0.347 0.231 0.149 0.110 0.080 0.056 0.028 -0.153 제과점업
(56191) 1.206 0.705 0.510 0.394 0.312 0.273 0.243 0.219 0.191 0.010 피자, 햄버거, 및 유사
음식점업(56192) 1.365 0.864 0.669 0.553 0.471 0.432 0.402 0.378 0.350 0.169 치킨 전문점
(56193) 1.191 0.69 0.495 0.379 0.297 0.258 0.228 0.204 0.176 -0.005 분식 및 김밥 전문점
(56194) 1.262 0.761 0.566 0.450 0.368 0.329 0.299 0.275 0.247 0.066 그 외 기타 음식점업
(56199) 1.212 0.711 0.516 0.400 0.318 0.279 0.249 0.225 0.197 0.016 일반유흥주점업
(56211) 1.302 0.801 0.606 0.490 0.408 0.369 0.339 0.315 0.287 0.106 무도유흥주점업
(56212) 0.973 0.472 0.277 0.161 0.079 0.040 0.010 -0.014 -0.042 -0.223 기타 주점업
(56219) 1.131 0.630 0.435 0.319 0.237 0.198 0.168 0.144 0.116 -0.065 비알콜음료점업
(56220) 1.229 0.728 0.533 0.417 0.335 0.296 0.266 0.242 0.214 0.033 주: 1월의 매출액 분위를 이용함.
자료: 신한카드 제공 자료를 이용하여 저자 계산.
모델 (4)와 (5)에서도 다른 독립변수인 업력, 브랜드 가입 여부, 업종별 지역과밀도, 업종별 시장밀집도, 인구밀도 등에서 앞의 모델 (1)~(3)과 정 도의 차이는 있지만, 방향은 일치하며 모두 통계학적으로 유의한 수준의
한 결과는 부록에 담겨 있다(부표 2, 부표 3 참고).
제5장 배달앱 입점업체의 매출에 대한 실증분석 57 결과가 나타났다. 합동 OLS 모형에서 확인한 사실은 평균적으로 배달앱
을 사용하는 업체들이 69.5%의 높은 매출액을 보이나 1월 기준의 매출액 으로 통제했을 경우 이 효과는 27.8~28.9% 수준으로 낮아진다는 것이다.
또한 업종별로 배달앱의 효과는 상이한데 제과점업, 분식 및 김밥 전문 점, 그 외 기타 음식점업에서 효과가 높으며, 전통적인 배달음식 업종인 중식, 치킨, 피자 등의 업체에서는 그 효과가 낮은 것으로 나타났다. 효과 가 낮은 업종에서도 배달앱은 여전히 매출에 양의 효과를 나타낸다. 다 만, 이 업체들은 이미 배달서비스를 많이 제공하고 있었기 때문에 배달 앱을 통해 새롭게 창출되는 매출은 상대적으로 적은 것으로 볼 수 있다.
마지막으로, 배달앱은 낮은 분위의 업체에서 더 큰 매출 상승 효과를 주 는 것으로 나타나 낮은 분위의 업체들이 여전히 배달앱을 통해 성장할 여지가 많음을 알 수 있었다.
합동 OLS 모형에서는 각 입점업체의 개별적인 특성을 고려하는 것에 한계가 있다. 반면, 패널 개체 간 분석(Between Effects)에서는 각 개체별 로 서로 다른 상수항을 고려할 수 있기 때문에 각 업체의 월별 자료를 추적하여 포함하고 있는 패널데이터에서 그 장점을 활용할 수 있다. 패 널 개체 간 분석을 하여 부록의 <부표 4>에 그 결과를 담았다. 입점업체 의 개별적인 특성을 고려하였으나, 그 결과는 합동 OLS 모형과 크게 다 르지 않았다. 따라서 본 절의 실증분석 결과를 다시 한 번 확인하는 데 분석의 의미를 둘 수 있다.