Ⅰ. 서 론
정보통신, 인터넷 등의 키워드로 대변되는 3차 산 업혁명 이후 마케팅 현상을 계량적으로 분석하는 마 케팅 모델링 연구는 더 이상 특별하지 않은 시대가 되었다. 국내 마케팅 연구의 흐름을 분석한 결과 소 비자에 관한 연구 비중은 약 38%를 차지하지만(하 영원, 정재학, 석관호, 2016), 소비자 선택에 관한 모 델링 연구는 상대적으로 부족한 편이다. 또한 마케 팅 모델링에 관한 국내 연구는 데이터 확보 등의 문
제로 게임, 온라인 서비스, 금융, 영화, 외식 등 사용 기간이 비교적 짧은 비내구재 시장에 대한 연구가 주를 이루며 이동통신, 아파트, 자동차 등 내구재 시 장에 관한 연구는 상대적으로 부족한 편이다(강우 성, 정환, 김영찬, 2015). 따라서 내구재 시장을 대상 으로 우리나라 소비자들의 상표 선택모형을 연구하 는 것은 의의가 있다고 판단되어 본 연구는 다항로 짓모형을 이용하여 국내 자동차 시장에서의 소비 자 선택에 영향을 미치는 주요 변수들을 탐색하고 자 한다.
* 본 연구는 2019년도 나사렛대학교 교내연구비 지원으로 이루어졌음
** 나사렛대학교 경영학과 부교수([email protected])
국내 자동차 시장의 선택모형에 관한 연구*
이서구**1)
국문요약
본 연구는 다항로짓모형을 이용하여 국내 준중형 및 중형 자동차 시장의 소비자 선택모형에 적합한 설명 변수를 탐색하였다. 연구모형에 투입된 대안특성은 가격, 연비, 성능, 크기 등이며, 개인특성은 성별, 연령, 가구소득, 주행거리 등을 선정하였다. 자동차 같은 내구재의 경우 시간에 따른 대안특성의 변화가 적어 모형 의 추정이 불가능한 점을 반영하여 대안특성을 다른 특성들과 상호작용시켰다.
대안특성들을 순차적으로 투입하여 분석한 결과 연비, 크기, 가격의 순으로 구성된 모형이 최적으로 나타 났으며, 개인특성은 성별, 연령, 소득의 순으로 최적모형이 선정되었다. 최종 단계로 대안 특성과 개인 특성 을 결합한 결과 연비, 크기, 가격, 성별, 연령으로 구성된 모형이 국내 준중형과 중형 자동차 시장의 소비자 선 택을 잘 설명하는 것으로 나타났다.
본 연구는 비내구재와 달리 소비자 선택모형에 관한 연구가 상대적으로 부족한 자동차 같은 내구재를 대 상으로 실무적으로 쉬운 다항로짓모형을 이용하여 소비자 선택에 영향을 미치는 설명변수를 탐색할 수 있 음을 보였고, 소비자의 선호도 및 행동 자료와 공공정보의 결합을 통한 새로운 자료의 생성을 통해 향후 빅데 이터 분석에서도 이러한 자료들이 유용하게 사용될 수 있음을 보였다.
│주제어│국내 자동차 시장, 소비자 선택모형, 다항로짓모형, 내구재, 공공정보
국내 자동차 시장을 대상으로 하는 선택모형에 관한 기존 연구들은 경제학, 교통 연구, 마케팅 등 여 러 분야에서 연구되고 있다. 경제학이나 교통 관점 의 연구는 주로 자동차 보유와 이용에 영향을 미치 는 요인들을 분석하였다. 예를 들어, 자동차 보유대 수 및 여섯 개 차종에 대한 선택모형 연구(박성준, 김 성수, 2007), 신차와 중고차 선택모형에 관한 연구 (우경봉, 2010), 데이터마이닝을 이용한 자동차의 크 기 또는 주행거리에 영향을 미치는 요인에 관한 연 구(우승국, 김찬성, 연지윤, 서원호, 2014), 자동차 차 급선택 모형에 관한 연구(최도영, 이양섭, 2005), 친 환경 자동차 선택에 관한 연구(박상준, 황상규, 2009) 등이 있으며 교통 흐름 관점에서 조건부 로짓 을 이용한 통근수단 선택모형에 관한 연구(전명진, 백승훈, 2008) 등이 있다.
마케팅 분야에서 국내 자동차 시장의 소비자 선 택에 관한 연구는 많지 않은 편인데 소비자의 상표 선택 모형을 연구하거나 시장구조 분석 연구의 도구 로 투입되는 정도이다. 이서구(2016)는 다항 프로빗 모형을 이용하여 국내 자동차에 대한 소비자의 상 표, 차급, 차종 등의 선택을 분석하였다. 그는 속성 중요도, 제조회사에 대한 태도, 연령, 소득, 소득대비 가격비중 등을 개인특성으로, 구입가격, 기름값, 주 행거리, 실제 연비 등을 제품 특성으로 정의하여 설 명변수로 투입하였다. 박종희와 유창조(1995)는 다 차원 척도법과 군집분석을 이용하여 국내 자동차 시 장구조를 분석하였으며 연구에 이용된 속성은 성 능, 디자인, 안전성, 경제성, 가격, A/S, 색상 등이 있 다. 이외에 종속 변수가 자동차 제조국가라서 상표 선택 연구는 아니지만 자동차의 브랜드 개성과 제조 국 이미지가 선택에 미치는 영향에 대해 국내 소비 자와 외국 소비자를 비교한 연구(이봉수, 2002; 윤성 환, 2007) 등이 있다. 따라서 마케팅 관점에서 국내 자동차 시장 소비자들의 의사결정에 영향을 미치는 요인들을 규명하는 것은 향후 심화될 자동차 유통 시 장의 경쟁체제에서 경쟁우위 확보를 위해 필요하다.
본 연구의 세부 연구목적은 다음과 같다. 첫째, 국 내 준중형 및 중형 자동차 시장에서 유통되는 세단 과 SUV를 대상으로 소비자 의사결정에 영향을 미치 는 요인들을 탐색한다. 이서구(2016)는 국내 자동차 시장의 상표 선택에 영향을 미치는 요인을 분석하였 지만 대안특성과 개인특성의 상호작용을 고려하지 않아 실제 선택상황을 충분히 반영하지 못했을 가능 성이 있으며, 한 개 차급 시장만 고려되어 분석 대상 시장을 더 확장할 필요가 있다. 본 연구는 자동차의 대안특성과 개인특성에 대해 두 특성의 상호작용 특 성까지 고려하여 개념 타당성을 증가시키고자 하였 으며, 중형 차급 외에 국내 자동차 시장에서 높은 비 중을 차지하는 준중형 차급까지 분석 시장을 확장하 여 분석 결과의 타당성을 제고하였다.
둘째, 본 연구는 국내 자동차 시장의 소비자 의사 결정에 대해 다항로짓모형을 이용하여 순차적으로 분석하고자 한다. 해외 자동차 시장에 대한 연구에 서 사용된 설명 변수로 마력, 연비, 크기, 가속력, 구 입비용, 유지비용 등의 대안특성과 연령, 성별, 가구 소득 등의 개인특성이 있다(Sudhir, 2001; Silva-Risso and Ionova, 2008; Hu, Du, and Damangir, 2014; Du, Hu, and Damangir, 2015). 다항로짓모형을 이용하여 시 장을 분석할 때 어려운 점 중 하나는 설명변수의 선 정이다. 즉, 설명변수의 수가 증가할수록 모형 적합 도도 증가할 가능성이 높지만 모형 구조의 효율성은 감소하여 실무에서 적용하기 어렵게 된다. 따라서 본 연구는 모형에 투입되는 설명 변수의 수를 순차 적으로 증가시키며 이전 모형과의 통계적 검증을 통 해 효율적 최적 모형을 찾고자 하였다.
Ⅱ. 다항로짓모형
1. 모형
마케팅 연구에서 빈번하게 사용되는 다항로짓모 형은 효용극대화 이론에 기반한 의사결정 모형이다
(McFadden, 1986). 효용극대화 이론에 의하면 의사 결정자는 가장 높은 효용을 제공하는 대안을 선택한 다고 가정한다(Lioukas, 1984; Gensch and Recker, 1979). 시장에 개 대안이 있을 때 대안 의 효용을
라 하면 는 다음과 같은 함수로 나타낼 수 있다.
---(식1)
:대안의측정가능한효용
:대안의측정불가능한효용즉,오차항
대안 j의 측정 가능한 효용인 는 대안이나 소비 자와 관련된 함수로 표현 가능하다.
⋯ ---(식2)
:대안의번째특성
:대안의번째특성계수
소비자는 모든 대안 중에서 가장 효용이 높은 대 안을 선택하는 것이 효용극대화 이론의 주요 내용이 며 측정 불가능한 오차항()의 분포 가정에 따라 선 택모형의 유형이 달라진다. 다항로짓모형은 오차항 이 Gumbel 분포를 가지며 각 특성에 대해 개별적이 고 독립적인 분포를 갖는다고 가정한다. 이러한 가 정에 의해 다항로짓모형에 의한 선택확률은 간단해 지며 이러한 특징 때문에소비자 상표선택 등 이산 형 선택모형 연구에서 많이 사용된다(Hu, Li, and Lee,2010).
exp exp
---(식3)
:개대안중대안의선택확률
2. 대안특성과 개인특성
다항로짓을 이용한 소비자 선택 모형에서 측정 가능한 효용인 는 상품의 고유한 특징인 대안특
성과 소비자들의 고유한 특징인 개인특성으로 구성 된다. 다항로짓모형을 이용하여 내구재 시장을 분 석할 때 직면하는 문제점 중 하나는 대안특성이다.
개인특성은 대안과 관계없으므로 개인마다 고유한 값을 가질 수 있지만 대안특성은 개인마다 동일한 값을 갖게 된다. 이러한 특징으로 인하여 응답자에 대한 대안특성의 분산은 거의 0이 될 가능성이 높다.
또한 모수 추정 시 헤시안 행렬(Hessian matrix)가 양 의 정부호 상태(positive definite)를 이루기 어렵거나 표준오차의 증가로 인하여 추정이 불가능한 경우가 많다.
대안특성의 문제점을 해결하기 위한 방법으로 첫 째, 동일한 개인에 대해 주기적으로 수집된 자료인 패널 등의 종단 자료를 이용하면 시간에 따른 대안 특성 변화를 포함할 수 있다. 그러나 이 방법은 상품 구매주기와 상품 수명주기가 짧은 비내구재같은 경 우에 가능하며 자동차같은 내구재에는 적합하지 않 다. 둘째, 연구모형에 대안특성을 제외한 개인특성 만 투입하여 분석하는 것을 고려할 수 있다. Bhat and Pulugurta(1998)는 가구 단위의 자동차 선택모형 수 립 시 대안특성이 아닌 사회경제적 특성과 지역 특 성을 고려하였다. 사회경제적 특성으로는 가구 내 성인 근로자 수, 가구 내 비근로자 수, 가구 소득을 고 려하였고 지역 특성으로는 도심/부도심 여부와 1인 가구/다인가구 여부 등을 고려하였다. 그러나 이러 한 방법은 소비자 구매결정 과정에서 중요한 역할을 하는 대안특성의 영향을 설명하지 못한다. 셋째, 대 안특성을 다른 특성과 상호작용 시켜 응답자에 대한 대안특성의 변량을 증가시켜 투입하여 해결할 수 있 다. 예를 들어, Lave and Train(1979)는 가격과 소득, 가구원 수와 좌석 수, 연비와 유가, 연령 및 교육과 중 량 및 마력을 상호작용한다고 가정하고 결합하여 모 형에 투입하였다. 이러한 방법은 외생변수들에 대 한 변별력을 증가시킬 뿐만 아니라 모형의 이론적 타당성도 증가시킬 수 있으므로 내구재 같은 상품의 소비자 선택모형 연구에 적합하다. 따라서 본 연구
는 세 번째 방법을 적용하여 소비자 선택에 관한 연 구모형을 수립하였다.
3. 모형의추정
다항로짓모형은 최대우도함수를 이용하여 쉽게 추정할 수 있으며 PC의 발달에 힘입어 베이지안에 의한 시뮬레이션 추정 등 다양한 추정 방법을 이용 할 수 있다. 본 연구는 최대우도함수를 이용한 R의 mlogit 모듈을 이용하여 연구모형을 추정하였다 (Croissant, 2015). 다항로짓모형의 추정 시 유의할 점 은 개별 계수의 통계적 유의성도 검증해야 하지만 모형의 타당성도 검증이 필요하다. 모형의 타당성 은 크게 두 가지로 검증할 수 있다. 첫째, 모형 수립 시 예상한 계수와 추정된 계수의 부호를 비교하여 검증할 수 있다. 예를 들어, 대안의 가격이 비싸질수 록 대안 선택 효용은 감소할 것으로 쉽게 예측 가능 하다. 만약 추정 결과 가격 계수가 음의 부호를 가지 면 계수 추정이 타당하다고 볼 수 있을 것이다. 그러 나 이러한 방법은 객관적 검증이라 볼 수 없으므로 모형 적합도(goodness-of-fit) 비교를 통한 검증과 통 계적 검증이 일반적으로 사용된다.
(1) 모형적합도비교
단일 모형의 적합도 검증에는 우도비(likelihood ratio)가 사용된다. 우도비 검증은 연구모형의 적합 도를 상수 포함 모든 추정치를 0으로 제약한 제로모 형의 적합도와 비교하거나(Train, 2009), 상수 제외 모든 추정치를 0으로 제약한 상수모형의 적합도와 비교하여 이루어진다(McFadden, 1974). 검정 통계 량은 다음과 같으며 0과 1 사이의 값을 갖는다.
혹은 ---(식4)
:제로모형우도비
:상수모형우도비
:연구모형의로그우도값
:제로모형의로그우도값
:상수모형의로그우도값
만약 연구모형의 모형 적합도가 제로모형과 동일 하다면 는 0이 되고 제로모형보다 커질수록 는 1 에 수렴하며 역시 0과 1사이의 값을 갖는다. 또한 같은 모형에서 도출된 과 값을 비교하면 제약이 많이 들어간 이 보다 클 가능성이 높다. 즉, 이
보다 모형을 더욱 타당하다고 판단할 가능성이 높아진다. 따라서 본 연구는 보수적 관점으로 을 적용하여 연구모형의 적합도를 검증하였다.
(2) 통계적검증
통계적 검증은 검증 대상인 모형들이 완전 종속 관계인 경우와 부분 종속 혹은 독립 관계인 경우로 구분된다. 모형들이 종속 관계에 있는 경우 카이제 곱 분포를 따르는 통계량을 이용하여 검증한다 (Train, 2009).
---(식5)
:제약모형의로그우도값
:완전모형의로그우도값
모형들이 완전 종속 관계가 아닐 경우 누적표준 정규분포를 따르는 수정된 우도비를 이용하여 검증 할 수 있다(Horowitz, 1982; Koppelman and Bhat, 2006).
× ---(식6)
:적합도가높은모형의수 정된우도비
:적합도가낮은모형의수정된우도비
,:모형별모수의수
Ⅲ. 실증분석
1. 자료
본 연구는 국내 자동차 시장에서 소비자들이 자 동차를 선택할 때 고려하는 요인들을 탐색적으로 분 석하는 것이 주요 목적이다. 분석 대상 자동차는 국 내 준중형과 중형시장에서 대표적으로 구매되는 세 단과 SUV를 선정하였다. 2010년을 전후하여 국내 에서 준중형 세단 3종과 SUV 2종, 중형 세단 3종과 SUV 3종의 신차 구입자 중 1,612명의 자료를 분석에 이용하였다. 응답자에 대한 기초분석 결과 성별은 남성(69.0%)이 여성(31.0%)보다 많으며, 연령별로 는 40대(41.6%), 30대(35.2%), 50대 이상(11.9%), 그 리고 20대(11.3%)의 순으로 많았다.
Age
Gender 20∼29 30∼39 40∼49 50∼ Total
Male 148 419 416 128 1111
Female 34 146 254 64 498
Total 182 568 670 192 1,609
<Table 1> Descriptive Analysis of Car Owners
비록 두 개 차급 시장만 분석했지만 2011년 기준 성별, 연령별 국내 자동차 등록대수와 응답자 분포 를 비교한 결과 큰 차이가 없어 대표성을 확보하였 다고 볼 수 있다.
Age
Gender 20∼29 30∼39 40∼49 50∼ Total Male 394,940 2,610,255 3,875,028 3,504,522 10,384,745 Female 172,340 861,804 1,171,787 1,025,020 3,230,951 Total 567,280 3,472,059 5,046,815 4,529,542 13,615,696 출처:국토해양부보도자료(2012,1,5).
<Table 2> Number of Registered Cars in Korea, 2011
2. 변수 (1) 독립변수
모형에 투입된 독립변수는 개인특성과 대안특성 으로 나눌 수 있다. 개인특성으로는 연령, 성별, 가구 소득을 고려하였으며 기존 연구에서 대안특성으로 분류된 연평균 주행거리는 개인별 주행상황에 따라 달라지기 때문에 본 연구에서는 개인특성으로 분류 하였다.
대안특성으로는 가격, 연비, 성능, 크기를 선정하 였다. 가격은 자동차 판매 가격을 의미한다. 자동차 유통시장 경쟁을 잘 반영하려면 실제 구입가격을 적 용하는 것이 타당하지만 현실적으로 모든 분석 대상 에 대한 실제 구입가격을 알아낼 방법은 없으므로 판매 가격으로 대체하였다. 대안들의 판매 가격은 대형 포털사이트에서 연도별 자동차 가격을 검색하 여 2009년형 구입자는 2009년형 가격을 적용하고 2010년형 구입자는 2010년형 가격을 적용하였다.
또한 동일 모델에 대해 배기량별 가격 차이는 반영 하였으며 옵션은 고려하지 않았다. 연비는 동일 자 동차라 할지라도 사용 연료와 배기량에 따라 달라질 수 있다. 본 연구에서는 사용 연료에 따른 영향을 제 거하기 위하여 세단은 휘발유 차량, SUV는 디젤 차 량만 분석하였으며 배기량에 따른 연비 차이를 반영 하였다. 자동차 성능은 보통 엔진의 최대 출력과 최 대 토크로 나타낸다. 자동차의 최대 출력은 자동차 의 끄는 힘을 나타내며, 최대 토크는 엔진의 회전력 이 가장 강할 때의 힘을 의미한다. 또한 휘발유 엔진 이 주로 사용되는 세단은 출력이 좋고 디젤 엔진이 주로 사용되는 SUV는 토크가 좋다고 알려져 있다.
본 연구는 두 가지 특성을 모두 고려하기 위하여 최 대 출력과 최대 토크를 곱한 값을 자동차 성능으로 정의하였다. 자동차 크기는 전장, 전폭, 그리고 전고 로 표현된다. 동일 차급에 있는 SUV가 세단보다 크 다고 평가되는 주요 이유는 전고가 높기 때문이다.
따라서 자동차의 크기는 전장, 전폭, 그리고 전고를 모두 감안해야 하며 본 연구는 세 값을 곱한 값을 자
동차 크기로 정의하였다.
대안특성의 변별력을 높이기 위한 상호작용 요인 으로는 유가 정보, 가구 소득, 그리고 대안특성들에 대한 지각된 중요도를 투입하였다. 연비와 상호작 용 시킨 유가는 한국석유공사가 제공하는 유가정보 사이트인 오피넷(www.opinet.co.kr)에서 2009년과 2010년의 휘발유와 경유의 월별 평균 판매가를 구하 여 적용하였다. 가구 소득과 대안특성들에 대한 지 각된 중요도는 응답자들로부터 측정된 자료를 이용 하였다.
(2) 종속변수
다항로짓모형을 이용한 자동차 선택모형의 종속 변수는 소비자들의 상표 선택이다. 응답자들의 준 중형과 중형 차급의 세단과 SUV의 구입 결과는 다 음과 같다.
Segment Type Model Choice
Semi-Mid.
Sedan
Avante 216
Forte 114
SM3 150
SUV Tucson 250
Sportage 71
Mid.
Sedan
YFSonata 147
Lotze 137
SM5 94
SUV
SanteFe 189
Sorento 192
QM5 49
Total 1,609
<Table 3> Frequency of Car Choice
3. 연구모형 및 추정결과
국내 준중형과 중형 자동차 시장의 세단 및 SUV 에 대한 소비자 선택모형의 설명변수를 순차적으로 탐색하기 위하여 대안특성을 분석한 후 개인특성을
분석하였으며 유의하게 판명된 대안특성과 개인특 성을 결합하여 최종 연구모형을 수립하였다.
(1) 대안특성
대안특성은 다른 특성과 상호작용 시켜 가격/소 득, 가격×가격중요도, 연비/유가, 연비×연비중요도, 성능×성능중요도, 크기×크기중요도 등으로 변환하 였다. 가격/소득은 자동차 판매 가격을 가구 소득으 로 나눈 값이며 가구의 구매력이 반영된 가격 척도 이다. 예를 들어, 가격이 2,500만원인 자동차를 가구 소득이 5,000만원인 가구가 구입하면 가격/소득은 0.5가 되고, 가구 소득이 2,500만원인 가구가 구입하 면 1이 되어 소득이 5,000만원인 가구 대비 두 배의 경제적 부담을 느끼게 된다. 연비/유가는 자동차의 공식 연비를 공공 정보인 유가로 나눈 값이다. 우리 나라에서 연비는 보통 1ℓ당 주행거리인데 이를 유 가로 나누면 단위비용 당 주행거리가 되어 연비를 경제적 가치로 환산한 것과 같다. 경제적 가치를 반 영한 연비는 특히 휘발유와 경유에 따른 자동차 선 택에 많은 영향을 미칠 것으로 판단된다.
다속성태도모형에서 태도 형성은 속성 평가와 속 성 중요도에 의해 영향을 받는다(Ajzen, 2008). 따라 서 가격, 연비, 성능, 크기에 각 속성별 지각된 중요 도를 결합한 가격×가격중요도, 연비×연비중요도, 성능×성능중요도, 크기×크기중요도를 상호작용 특 성으로 투입하였다.
유사한 개념의 대안특성들 중 최적 특성을 선정 하기 위하여 각 대안특성과 상수로 구성된 연구모형 들을 수립하고 추정한 후 (식 6)을 활용한 모형비교 를 실시하였다. 모든 로짓계열 모형의 추정은 기준 으로 선정된 대안에 대한 상대적인 값으로 계산되기 때문에 대안 중에서 기준 대안을 선정해야 하므로 본 연구에서는 아반떼를 기준 대안으로 선정하여 추 정하였다.
추정 결과 가격과 가격/소득은 유의한 반면 가격×
가격중요도는 유의하지 않았다. 모형 적합도는 가
격/소득 모형, 가격 모형, 가격×가격중요도 모형의 순서로 높았다. 가격/소득 모형의 적합도를 다른 가 격 모형들과 비교한 결과 유의수준 0.01에서 차이가 있는 것으로 나타나 가격/소득을 가격을 대표하는 특성으로 선정하였다. 연비의 경우 자료의 다중공 선성으로 인해 모수 추정이 불가능하였다. 따라서 연비/유가와 연비×연비중요도를 비교한 결과 연비/
유가만이 유의한 것으로 나타나 연비를 대표하는 특 성으로 선정하였다. 가격, 연비와 달리 성능과 크기 는 상호작용 특성보다 원래 특성이 더욱 적합한 것 으로 나타나 가격/소득, 연비/유가, 성능, 크기를 본 연구의 대안특성으로 선정하였다.
대안특성들에 대한 순차적 모수 추정은 첫 단계 에서 대안특성들을 개별적으로 비교하여 적합도가 가장 높은 특성을 찾은 후 다음 단계에서 나머지 특 성들을 점차 추가하는 방식으로 이루어진다. 단계 별 최적모형 선정은 먼저 을 이용하여 상수모형 과의 차이를 검증한 후 (식 5) 또는 (식 6)을 이용하여 모형들의 적합도 차이 검증을 통해 이루어졌다. 대 안특성 분석에 관한 1단계로 상수와 각 대안특성으
로 구성된 다항로짓모형 1A∼1D를 수립하여 추정 한 결과는 다음과 같다.
추정 결과 각 대안특성의 계수들은 모두 유의하 였으며 연비/유가(1B), 크기(1D), 가격/소득(1A), 그 리고 성능(1C)의 순으로 모형 적합도가 높았다. 모 형 적합도를 상수모형과 비교한 결과 네 모형 모두 유의하였으며 적합도가 가장 높은 모형 1B를 나머 지 모형들과 비교한 결과 유의한 것으로 나타나 연 비/유가 모형(1B)를 1단계의 최적 모형으로 선정하 였다. 2단계 분석을 위하여 1단계 최적모형 1B에 나 머지 대안특성을 모형 적합도의 순서로 각각 추가한 연구모형 2A∼2C를 수립하였으며 그에 대한 추정 결과는 다음과 같다.
모형 1B와 2단계 연구모형들은 서로 종속관계에 있으므로 (식 5)를 이용하여 모형 적합도 차이를 검 증하였다. 분석결과 모형 1B 대비 모형 2A와 2B는 유의한 적합도 차이를 보인 반면, 모형 2C는 유의한 차이가 없었다. 따라서 유의한 두 모형 중 적합도가 더 좋은 연비/유가와 크기를 고려한 모형 2A를 2단 계 최적모형으로 선정했다. 마지막 단계로 2단계 최 Alternative-specific Attributes Coefficients Standard Error Log-likelihood Modefied Statistic
Price
Price 0.0033* 0.0010 -3713.5 0.0347 -4.1231**
Price/Income -0.0470* 0.0091 -3705.0 0.0369 -
Price×Weight -0.0079 0.0079 -3718.2 0.0334 -5.1381**
FuelEfficiency
FuelEfficiency - - - - -
FuelEfficiency/
GasPrice 0.5199* 0.0514 -3662.3 0.0479 -
FuelEfficiency
×Weight 0.0446 0.0313 -3717.7 0.0336 -10.5262**
Performance
Performance -0.1433* 0.0301 -3707.1 0.0363 -
Performance
×Weight -0.0018 0.0016 -3718.0 0.0335 -4.6690**
Size Size 2.7819* 0.3233 -3677.5 0.0440 -
Size×Weight 0.2160* 0.0314 -3694.0 0.0397 -5.7446**
+constantestimationresultisnotprovided
*p<0.05
**p<0.01
<Table 4> Comparison of Alternative-specific Attributes Estimation+
적모형인 모형 2A에 가격/소득과 성능을 각각 추가 한 모형 3A, 3B와 모든 대안특성이 투입된 모형 3C 를 수립하고 추정하였다.
추정 결과 모형 3A와 3B 모두 모형 2A 대비 적합 도가 증가하였으나 통계적 검증 결과는 모형 3A만 유의한 차이를 보였다. 모형 3C의 적합도가 가장 높 은 것은 모형에 투입되는 변수의 수가 많을수록 모 형 적합도는 증가하기 때문에 당연한 결과라 볼 수 있다. 그러나 더 적은 수의 모수를 가진 모형 3A와의 적합도 차이가 2.9로 매우 적어 두 모형에 대한 적합 도 차이를 검증한 결과 유의수준 0.01에서 차이가 없 는 것으로 나타났다. 모형 3C의 추정 결과에서 한 가 지 유의할 점은 성능의 부호가 음의 값을 갖는 점이
다. 성능은 2단계를 제외한 모든 단계에서 자동차 선 택 효용과 반비례 관계를 보여주었다. 즉, 성능이 좋 아지면 효용이 좋아져야 하는데 성능이 증가할수록 자동차 선택의 효용이 감소하는 것으로 나타났다.
이러한 현상이 발생한 이유로 세단과 SUV의 차이를 고려해볼 수 있다. 본 연구에서 성능은 출력과 토크 를 결합시킨 값으로 정의하였는데 SUV가 세단보다 전반적으로 출력도 세고 토크도 큰 편이다. 반면 분 석 자료에서 세단과 SUV의 비율은 약 6:4 정도로 세 단이 많은 편이어서 성능 즉, 출력과 토크가 같이 증 가할수록 효용이 감소되어 선택이 덜 되는 현상이 발생할 수 있다. 이와 같이 성능이 기대했던 부호를 보여주지 못한 점과 엄격한 유의수준에서 두 모형 Model 1A
Price/Income
Model 1B Fuel Efficiency/
Gas Price
Model 1C Performance
Model 1D Size Coefficient Std. Error Coefficient Std. Error Coefficient Std. Error Coefficient Std. Error
-0.0470* 0.0091 0.5199* 0.0514 -0.1433* 0.0301 2.7819* 0.3233
Log-likelihood -3705.0 -3662.3 -3707.1 -3677.5
McFadden 0.0037* 0.0152* 0.0031* 0.0111*
Adjusted 0.0369 0.0479 0.0363 0.0440
Statistic -9.2412* - -9.4657* -5.5136*
+constantestimationresultisnotprovided
*p<0.01
<Table 5> Results of Step 1 Estimation for Alternative-specific Attiributes Models+
Model 1B Fuel Efficiency/
Gas Price
Model 2A Fuel Efficiency/
Gas Price, Size
Model 2B Fuel Efficiency/
Gas Price, Price/Income
Model 2C Fuel Efficiency/
Gas Price, Performance Coefficient Std. Error Coefficient Std. Error Coefficient Std. Error Coefficient Std. Error Fuel Efficiency/
Gas Price 0.5199* 0.0514 0.5105* 0.0516 0.5329* 0.0517 0.5189* 0.0514 Attiribute++ - - 0.2061* 0.0315 -0.0516* 0.0092 -0.0014 0.0016
Log-likelihood -3662.3 -3640.1 -3646.3 -3662
Statistic - 44.4* 32* 0.6
+constantestimationresultisnotprovided
++size,price/income,performanceaccordingtomodel
*p<0.01
<Table 6> Results of Step 2 Estimation for Alternative-specific Attiributes Models+
Model 2A Fuel Efficiency/
Gas Price, Size
Model 3A Fuel Efficiency/
Gas Price, Size, Price/Income
Model 3B Fuel Efficiency/
Gas Price, Size, Performance
Model 3C All Attributes Coefficient Std. Error Coefficient Std. Error Coefficient Std. Error Coefficient Std. Error
Cons tants
Forte 0.7473* 0.1169 0.7356* 0.1169 0.7173* 0.1171 0.7094* 0.1169 SM3 0.3485* 0.1583 -0.3259* 0.1590 -0.5675* 0.1840 -0.5570* 0.1849 YFSonata 6.6481* 0.8033 7.6956* 0.8292 7.4142* 0.8731 8.5047* 0.8985 Lotze 9.4375* 1.1989 0.2793* 1.2143 10.0821* 1.2340 10.9577* 1.2494 SM5 8.1867* 1.0183 9.2330* 1.0412 8.5474* 1.0317 9.6176* 1.0547 Tucson -2.5504* 0.2502 1.9219* 0.2736 1.5772* 0.4970 -0.8956 0.5131 Sportage -1.7989* 0.2830 -1.1024* 0.3088 -0.8561 0.5033 -0.1056 0.5228 SantaFe 0.2453 0.6202 1.3234* 0.6506 5.1948* 2.2713 6.5304* 2.2953 Sorento 0.3536 0.6086 1.5915* 0.6475 5.2964* 2.2654 6.7932* 2.2926 QM5 3.9378* 0.8680 5.1843* 0.8999 5.8874* 1.2239 7.2394* 1.2526 Fuel Efficiency/
Gas Price 0.5105* 0.0516 0.5242* 0.0520 0.4995* 0.0518 0.5127* 0.0522 Size 0.2061* 0.0315 0.2134* 0.0318 0.1915* 0.0322 0.1978* 0.0325
Price/Income -0.0543* 0.0094 -0.0547* 0.0094
Performance -0.0709* 0.0313 -0.0745* 0.0315
Log-likelihood -3640.1 -3622.9 -3637.5 -3620.0
Statistic - 34.4* 5.2
- 5.8
*p<0.05
<Table 7> Results of Final Estimation for Alternative-specific Attiributes Models
Alternatives Model 4A Gender Model 4B Age Model 4C Income Model 4D Milage Coefficient Std. Error Coefficient Std. Error Coefficient Std. Error Coefficient Std. Error Forte -0.1342 0.2333 -0.0048 0.0146 -0.0001 0.0001 0.0000 0.0000 SM3 0.5817* 0.2158 0.0189 0.0133 0.0000 0.0001 0.0000 0.0000 YFSonata -0.6989* 0.1941 0.0528* 0.0118 0.0001* 0.0000 0.0000* 0.0000 Lotze -0.3399 0.2800 0.0634* 0.0173 0.0000 0.0001 0.0000 0.0000 SM5 -0.4945* 0.2203 0.0419* 0.0134 0.0002* 0.0001 0.0000 0.0000 Tucson -1.2562* 0.2545 0.0263 0.0137 0.0000 0.0001 0.0000 0.0000 Sportage -2.0970* 0.3762 0.0351* 0.0155 -0.0001 0.0001 0.0000 0.0000 SantaFe -1.1667* 0.2244 0.0622* 0.0127 0.0001* 0.0001 0.0000 0.0000 Sorento -1.6737* 0.2483 0.0609* 0.0126 0.0002* 0.0001 0.0000 0.0000 QM5 -2.0263* 0.4913 -0.0031 0.0199 0.0001 0.0001 0.0000 0.0000
Log-likelihood -3638.7 -3694.5 -3702.9 -3721.3
McFadden 0.0233* 0.0083* 0.0060* 0.0011
Adjusted 0.0566 0.0422 0.0400 -
Statistic - -10.5641* -11.3314* -
+constantestimationresultisnotprovided
*p<0.01
<Table 8> Results of Step 1 Estimation for Individual Characteristics Models+
간 차이가 없는 점을 감안하여 모형에서 성능 특성 은 제거하였다. 따라서 연비/유가, 크기, 가격/소득 을 고려한 모형이 대안특성에 관한 최적 모형으로 선정되었다.
(2) 개인특성
대안특성과 유사하게 개인특성도 순차적 분석을 위하여 1단계로 성별, 연령, 가구소득, 주행거리를 개별적으로 투입한 모형 4A∼4D를 수립하여 추정
하였다.
을 이용하여 개별 개인특성 모형들과 상수모 형을 비교한 결과 주행거리를 제외한 성별, 연령, 소 득은 유의한 것으로 나타났다. 적합도가 가장 높은 모형 4A를 나머지 모형 4B, 4C와 비교한 결과 유의 한 차이가 있는 것으로 나타나 성별을 고려한 모형 4A를 개인특성 1단계 분석의 최적 모형으로 선정하 였다. 모형 4A에서 성별이 자동차 선택에 미치는 영 향은 Forte와 Lotze를 제외한 나머지 대안에서 유의
Alternatives
Model 4A Gender
Model 5A Gender, Age
Model 5B Gender, Income
Model 5C Gender, Milage Coefficient Std. Error Coefficient Std. Error Coefficient Std. Error Coefficient Std. Error
Gender
Forte -0.1342 0.2333 -0.1231 0.2389 0.0714 0.2405 0.1391 0.2334 SM3 0.5817* 0.2158 0.5401* 0.2208 0.6081* 0.2223 0.5816* 0.2158 YFSonata -0.6989* 0.1941 -0.8898* 0.2001 -0.8666* 0.2018 -0.7071* 0.1944 Lotze -0.3399 0.2800 -0.5493 0.2858 -0.3373 0.2889 -0.3401 0.2800 SM5 -0.4945* 0.2203 -0.6519* 0.2258 -0.7309* 0.2298 -0.4988* 0.2205 Tucson -1.2562* 0.2545 -1.3875* 0.2593 -1.3382* 0.2619 -1.2560* 0.2545 Sportage -2.0970* 0.3762 -2.2637* 0.3802 -2.1139* 0.3825 -2.0972* 0.3762 SantaFe -1.1667* 0.2244 -1.3862* 0.2305 -1.3999* 0.2335 -1.1666* 0.2244 Sorento -1.6737* 0.2483 -1.8955* 0.2540 -1.9549* 0.2580 -1.6756* 0.2484 QM5 -2.0263* 0.4913 -2.0815* 0.4959 -2.1914* 0.5004 -2.0273* 0.4914
Individ ual Charact eretics+
+
Forte -0.0032 0.0151 -0.0001 0.0001 0.0000 0.0000
SM3 0.0124 0.0140 0.0000 0.0001 0.0000 0.0000
YFSonata 0.0638* 0.0122 0.0002* 0.0001 0.0000* 0.0000
Lotze 0.0717* 0.0178 0.0000 0.0001 0.0000 0.0000
SM5 0.0507* 0.0139 0.0002* 0.0001 0.0000 0.0000
Tucson 0.0413* 0.0141 0.0001 0.0001 0.0000 0.0000
Sportage 0.0542* 0.0158 0.0000 0.0001 0.0000 0.0000
SantaFe 0.0764* 0.0131 0.0002* 0.0001 0.0000 0.0000
Sorento 0.0775* 0.0130 0.0003* 0.0001 0.0000 0.0000
QM5 0.0166 0.0202 0.0002 0.0001 0.0000 0.0000
Log-Likelihood -3638.7 -3597.8 -3604.1 -3634.7
Statistic - 81.8** 69.2** 8.0
+ constant estimation result is not provided ++ age, income, milage according to model
* p < 0.05
** p < 0.01
<Table 9> Results of Step 2 Estimation for Individual Characteristics Models+
Alternatives
Model 5A Gender, Age
Model 6A Gender, Age, Income
Model 6B Gender, Age, Milage
Model 6C All Characteristics Coefficient Std. Error Coefficient Std. Error Coefficient Std. Error Coefficient Std. Error
Constan ts
Forte -0.3396 0.6088 -0.0521 0.6773 -0.0474 0.6753 0.2392 0.7381 SM3 -1.6712* 0.5851 -1.5916* 0.6374 -1.6453* 0.6371 -1.5675* 0.6843 YFSonata -1.1449* 0.5136 -1.8832* 0.5651 -0.6792 0.5659 -1.4196* 0.6136 Lotze -3.1895* 0.7838 -3.1739* 0.8523 -3.1142* 0.8486 -3.1004* 0.9132 SM5 -1.4491* 0.5857 -2.4804* 0.6423 -1.1495 0.6444 -2.1853* 0.6973 Tucson -0.2186 0.5963 -0.5851 0.6616 -0.2441 0.6520 -0.6157 0.7129 Sportage -0.1069 0.7186 -0.1866 0.7958 -0.1938 0.7783 -0.2818 0.8512 SantaFe -1.3264* 0.5624 -2.3611* 0.6168 -1.2584* 0.6130 -2.3001* 0.6644 Sorento -0.7470 0.5667 -2.0073* 0.6221 -0.5257 0.6198 -1.7937* 0.6715 QM5 0.5034 0.8946 -0.2171 0.9924 0.3229 0.9685 -0.4018 1.0593
Gender
Forte -0.1231 0.2389 -0.0731 0.2429 -0.1253 0.2392 -0.0768 0.2431 SM3 0.5401* 0.2208 0.5631* 0.2249 0.5405* 0.2207 0.5637* 0.2249 YFSonata -0.8898* 0.2001 -1.0512* 0.2076 -0.9024* 0.2006 -1.0625* 0.2080 Lotze -0.5493 0.2858 -0.5236 0.2949 -0.5481 0.2859 -0.5226 0.2950 SM5 -0.6519* 0.2258 -0.8808* 0.2353 -0.6575* 0.2260 -0.8857* 0.2355 Tucson -1.3875* 0.2593 -1.4564* 0.2662 -1.3849* 0.2592 -1.4544* 0.2661 Sportage -2.2637* 0.3802 -2.2670* 0.3864 -2.2596* 0.3801 -2.2640* 0.3864 SantaFe -1.3862* 0.2305 -1.6256* 0.2401 -1.3847* 0.2306 -1.6238* 0.2401 Sorento -1.8955* 0.2540 -2.1909* 0.2644 -1.8991* 0.2542 -2.1942* 0.2646 QM5 -2.0815* 0.4959 -2.2219* 0.5047 -2.0812* 0.4957 -2.2224* 0.5044
Age
Forte -0.0032 0.0151 -0.0026 0.0154 -0.0030 0.0151 -0.0023 0.0154 SM3 0.0124 0.0140 0.0139 0.0142 0.0125 0.0140 0.0139 0.0142 YFSonata 0.0638* 0.0122 0.0643* 0.0124 0.0649* 0.0123 0.0654* 0.0124 Lotze 0.0717* 0.0178 0.0734* 0.0180 0.0717* 0.0178 0.0734* 0.0180 SM5 0.0507* 0.0139 0.0517* 0.0140 0.0513* 0.0139 0.0523* 0.0140 Tucson 0.0413* 0.0141 0.0417* 0.0143 0.0410* 0.0141 0.0413* 0.0143 Sportage 0.0542* 0.0158 0.0549* 0.0160 0.0535* 0.0158 0.0542* 0.0160 SantaFe 0.0764* 0.0131 0.0774* 0.0132 0.0763* 0.0131 0.0773* 0.0132 Sorento 0.0775* 0.0130 0.0792* 0.0131 0.0780* 0.0130 0.0796* 0.0131 QM5 0.0166 0.0202 0.0178 0.0203 0.0157 0.0202 0.0170 0.0203
Income
Forte -0.0001 0.0001 -0.0001 0.0001
SM3 0.0000 0.0001 0.0000 0.0001
YFSonata 0.0002* 0.0001 0.0002* 0.0001
Lotze 0.0000 0.0001 0.0000 0.0001
SM5 0.0002* 0.0001 0.0002* 0.0001
<Table 10> Results of Final Estimation for Individual Characteristics Models
한 것으로 나타났다. 또한 준중형 차급에서 남성적 인 자동차로 분류되는 포르테는 남성이 더욱 선호하 고 부드러운 디자인의 자동차인 아반떼나 SM3는 여 성이 더욱 선호하는 결과와 SUV를 남성이 더욱 선 호하는 결과 등은 모형 4A의 타당성을 어느 정도 보 여주고 있다. 이를 바탕으로 개인특성에 관한 2단계 분석은 모형 4A에 연령, 소득, 주행거리를 각각 추가 한 모형 5A∼5C를 수립하고 추정하였다.
분석결과 모든 모형이 상수모형 대비 유의한 적 합도 차이를 보였으며 모형 4A를 제약 모형으로 설 정한 후 나머지 모형들과 적합도를 비교한 결과 모 형 5C를 제외한 나머지 모형들은 통계적으로 유의 한 차이를 보였다. 두 모형 중 적합도가 더 좋은 성별 과 연령을 고려한 모형 5A를 2단계의 최적 모형으로 설정하였다. 모형 5A의 계수들을 살펴보면 성별의 경우 1단계와 비슷한 추이를 보여주고 있으며 연령 은 중형 차급 세단과 SUV에서 의미 있는 영향을 미 치는 것으로 나타났다. 개인특성 분석에 관한 마지 막 단계로 5A에 소득과 주행거리를 각각 추가한 모
형 6A와 6B, 그리고 모든 개인특성을 투입한 모형 6C를 수립하여 분석하였다.
모형 5A 대비 모형 6A와 6B의 적합도 증가를 검증 한 결과 모형 6A만 유의한 차이를 보였다. 이를 바탕 으로 완전 모형인 모형 6C와 제약 모형인 모형 6A를 비교한 결과 적합도의 유의한 차이가 없는 것으로 나타나 성별, 연령, 그리고 소득을 고려한 모형 6A가 개인특성에 관한 최적 모형으로 선정되었다. 최적 모형의 개별 계수들을 살펴보면 성별, 연령, 소득의 순으로 자동차 선택에 영향을 미치는 것으로 나타났 다. 준중형 세단은 여성이 선호하고 중형 세단과 SUV는 남성이 선호하는 것으로 나타났으며, 연령 이 증가할수록 외관이 큰 차를 선호하는 것으로 나 타났다. 자동차 구매 시 소득의 영향이 유의하게 나 온 기존 연구들과 달리 본 연구에서 소득의 영향은 크지 않은 것으로 나타났다. 이에 대한 이유로 분석 시장을 전체 차급이 아닌 준중형과 중형 시장만 고 려하였기 때문에 소득에 의한 변량이 줄어들어 상대 적으로 영향력이 미미하게 나왔을 가능성이 있다.
Tucson 0.0001 0.0001 0.0001 0.0001
Sportage 0.0000 0.0001 0.0000 0.0001
SantaFe 0.0002* 0.0001 0.0002* 0.0001
Sorento 0.0003* 0.0001 0.0003* 0.0001
QM5 0.0002 0.0001 0.0002 0.0001
Milage
Forte 0.0000 0.0000 0.0000 0.0000
SM3 0.0000 0.0000 0.0000 0.0000
YFSonata 0.0000* 0.0000 0.0000 0.0000
Lotze 0.0000 0.0000 0.0000 0.0000
SM5 0.0000 0.0000 0.0000 0.0000
Tucson 0.0000 0.0000 0.0000 0.0000
Sportage 0.0000 0.0000 0.0000 0.0000
SantaFe 0.0000 0.0000 0.0000 0.0000
Sorento 0.0000 0.0000 0.0000 0.0000
QM5 0.0000 0.0000 0.0000 0.0000
Log-Likelihood -3597.8 -3564.1 -3593.4 -3559.9
Statistic - 67.4** 8.8 8.4
*p<0.05 **p<0.01