Ⅰ. 서 론
1. 개요
COVID-19 팬데믹 이후 국내 택시 산업은 구조적인 변화를 겪고 있다. 특히 고령화에 따른 운수종사자 감소와 업계 이탈이 동시에 발생하면서 실제 운행 가능한 택시 공급이 감소하였으며, 이는 도시 내 택시 수요-공급 불균형을 심화시키는 주요 요인으로 작용하였다. 이러한 불균형은 시간대별로 상이한 양상을 보여주어 주간 시간대에는 상대적으로 수요가 낮아 공차 운행과 배회 차량이 증가하는 반면, 야간 시간대에는 수요 집중으로 인해 공급 부족 현상이 발생하여 승차난, 대기시간 증가, 배차 실패 등의 문제를 발생시키고 있다.
서울시는 이러한 문제를 완화하기 위해 다양한 정책을 시행해왔다. 대표적으로 택시 부제 해제, 심야할증 시간 확대(0시~4시→22시~익일 4시), 할증률 인상(20%→40%), 그리고 2023년 2월에는 기본요금이 인상되었다. 그러나 이러한 정책은 공급 확대 효과에도 불구하고 이용자의 비용 부담 증가로 이어져 2022년 대비 2023년 서울시 택시 이용건수는 약 19.7% 감소한 것으로 나타났으며1), 결과적으로 수요-공급 불균형 문제를 해결하는 데에는 한계를 보였다(Traffic Information Division, 2022, 2023).
이와 같은 상황에서 택시 운행 효율성에 대한 정밀한 분석은 정책 수립과 운영 전략 개선을 위한 핵심요소이다. 기존 연구에서는 가동률(Capacity Utilization Rate, CUR) 또는 자료포락분석(Data Envelopment Analysis, DEA) 기반 접근을 통해 택시 운행 효율성을 평가해왔다. 그러나 택시는 시간대별 수요 변동성이 크고 기상 조건이나 이벤트와 같은 외생 변수의 영향을 크게 받는 특성이 있기 때문에(Yang and Hong, 2025), 단일 시점(static)의 효율성을 평가하는 기존 DEA 방식으로는 실제 운영 효율성을 충분히 반영하기 어렵다.
따라서, 본 연구는 이러한 기존 방법론의 한계를 극복하기 위해 Dynamic DEA 기반의 SBM(Slack-Based Measure) 모형을 적용하여 시간적 연속성과 구조적 특성을 동시에 반영한 택시 운행 효율성 분석을 수행하고자 한다. Dynamic SBM DEA는 시간 간 연계 구조(carry-over)를 고려할 수 있으며, 각 투입 및 산출 변수의 비효율(slack)을 개별적으로 분석할 수 있다는 장점을 가진다(Tone and Tsutsui, 2010).
서울시 25개 행정구역 간 택시 O-D(Origin-Destination)를 의사결정단위(Decision Making Units, DMU)로 정의하고, 공차거리와 공차시간을 투입변수, 수익과 운행횟수를 산출변수로 설정하여 택시 운행 효율성을 정량적으로 평가하였다. 또한 차량대수를 시간 간 연계 구조를 반영하는 carry-over 변수로 구성함으로써 시간대 간 공급의 지속성과 누적 효과를 고려한 동태적 효율성 분석을 수행하였다. 시간적 범위는 2023년 1월 서울시 택시 통행 데이터를 기반으로 설정하였으며 시간대별 수요 패턴의 유사성을 고려하여 오전첨두시간(07:00-10:00, AM Peak), 주간시간(10:00-17:00, Midday), 오후첨두시간(17:00-20:00, PM peak), 저녁시간(20:00-23:00, Evening), 심야시간(23:00-02:00, Midnight), 새벽시간(02:00-07:00, Daybreak)으로 재구성하였다. 오전·오후첨두시간은 출·퇴근 통행이 집중되어 택시 승차수요와 도로 혼잡이 동시에 증가하는 시간대로, 주간시간은 업무·생활·소비활동 중심의 택시 수요가 형성되는 비첨두 시간대로 구분하였다. 저녁시간은 퇴근 이후 여가·소비활동이 집중되어 귀가통행에서 여가·소비통행 중심으로 변화하는 시간이며, 심야시간은 대중교통 운행의 감소로 택시의 의존도가 증가하는 시간대로, 새벽시간은 심야 택시 수요가 감소한 이후 대중교통 운행 재개와 오전 활동 시작 전 시간대로 승객 탐색을 위한 공차운행 부담이 상대적으로 커질 수 있는 시간대로 설정하여 O-D별 시간대별 운행 효율성의 차이를 분석하고자 하였다.
본 연구는 기존 DEA 기반 연구가 정태적 효율성 평가에 머물러 왔다는 한계를 극복하고, 시간적 연속성과 시공간적 상호작용을 동시에 반영한 Dynamic DEA 기반 분석 프레임워크를 제시한다는 점에서 차별성을 가진다. 특히, slack 기반 비효율 분해와 차량대수의 carry-over 구조를 통합적으로 고려함으로써 택시 운행 효율성의 발생 메커니즘을 정량적으로 규명하고, 시공간적 공급 조정 방안을 도출하고자 하였다.
Ⅱ. 선행 연구 고찰
택시 운행 효율성 평가는 주로 가동률(Capacity Utilization Rate, CUR)과 자료포락분석(Data Envelopment Analysis, DEA)을 중심으로 수행되어 왔다(Dong et al., 2019; Loureiro et al., 2025). CUR 기반 접근은 택시의 공차 및 유상 운행 상태를 직접적으로 반영할 수 있어 직관적인 효율성 지표를 제공한다는 장점이 있다. 예를 들어, Dong et al.(2019)는 중국 청두시의 택시 GPS 궤적 데이터를 활용하여 CUR 기반의 시공간적 효율성을 분석하였으며, 시간대별 수요 패턴의 뚜렷한 차이를 확인하였다. 또한 도심 내 기능적 토지이용 유형에 따라 택시 가동률이 상이하게 나타나는 공간적 이질성을 제시하였다. Chen et al.(2018) 역시 시카고 택시 데이터를 분석하여 전체 운행의 약 50%가 공차 상태로 유지되는 비효율 구조를 확인하였다. 그러나 CUR 기반 접근은 단일 지표에 의존하기 때문에 다차원적인 운영 특성을 충분히 반영하기 어렵다는 한계를 가진다.
이러한 한계를 보완하기 위해 다수의 투입 및 산출 요소를 동시에 고려할 수 있는 DEA 기반 연구가 활발히 수행되어 왔다. Loureiro et al.(2025)는 포르투갈 택시를 대상으로 Two-Stage bootstrap DEA를 적용하여 효율성을 추정하고, Simar-Wilson 회귀모형을 통해 외생적 영향 요인을 분석하였다. Zhu et al.(2019)는 DEA와 교차효율모형을 결합하여 효율적 DMU 간 비교 가능성을 향상시키고 벤치마킹 기반 운영 개선 전략을 제시하였다. Kim et al.(2013)은 서비스 만족도 기반 DEA 분석과 순위합검정을 통해 개인택시와 법인택시 간 효율성 차이를 검증하였다. 그러나 기존 DEA 접근은 특정 시점에 기반한 정태적 효율성 평가에 국한된다는 한계를 가지며 시간에 따른 수요 변동과 운영의 연속성을 충분히 반영하지 못한다. 특히, 시간대별 수요 변동성이 크게 나타나는 택시 시스템의 경우에는 이러한 정태적 접근의 한계는 더욱 두드러진다. 따라서 시간적 연속성과 동태적 운영 특성을 반영할 수 있는 분석 방법론의 필요성이 제기된다.
DEA 방법론은 택시뿐만 아니라 지하철, 버스, 수요응답형 교통(DRT) 등 다양한 대중교통 시스템의 운영 효율성을 평가하는 데 폭넓게 활용되어 왔다. 특히 최근 연구에서는 기존 DEA에 통계적 추정 및 외생 변수 분석을 결합하여 효율성의 결정 요인을 보다 정교하게 규명하려는 시도가 증가하고 있다. 예를 들어, Tamakloe et al.(2021)은 서울시 지하철 역세권을 대상으로 TOD(Transit-Oriented Development) 특성을 반영한 효율성을 Two-stage bootstrap DEA로 분석하고, 외생 변수의 영향을 정량적으로 도출하였다. Yang et al.(2024)은 청주시 버스 노선을 대상으로 DEA와 Tobit 회귀모형을 결합하여 노선 효율성에 영향을 미치는 요인을 분석하였으며, Han et al.(2025)은 DRT 운영 지역을 대상으로 Tier 분석과 순위회귀모형을 적용하여 단계별 효율성 개선 전략을 제시하였다. 이와 같이 DEA 기반 연구는 다양한 교통수단에 적용되며 분석 기법 또한 점차 고도화되고 있으나, 대부분의 연구는 단일 시점 또는 평균적 효율성에 초점을 맞춘 정태적 분석에 머무르고 있다는 한계를 가진다. 특히 대중교통 시스템은 시간대별 수요 변동과 운영 조건의 변화가 큰 특성을 가지기 때문에, 이러한 정태적 접근만으로는 실제 운영의 동태적 특성을 충분히 설명하기 어렵다.
기존 연구 고찰을 통해 택시 및 대중교통 효율성 분석은 주로 CUR과 DEA를 중심으로 발전해 왔으나 몇 가지 구조적 한계를 내포하고 있다는 것을 알 수 있다. CUR 기반 접근은 단일 지표에 의존함으로써 택시 운영의 다차원적 효율성을 충분히 반영하지 못하며, DEA 방법론 또한 특정 시점을 기준으로 한 정태적 분석에 머물러 시간대별 수요 변동성과 운영의 연속성을 반영하는 데 한계를 가진다. 또한 기존 연구에서는 투입 및 산출 요소 간 비효율이 발생하는 구체적 구조와 메커니즘에 대한 분석이 충분히 이루어지지 못하였다.
특히 택시는 시간대별 수요 집중과 공급 변동이 뚜렷하게 나타나는 교통수단이므로 단일 시점 기반의 효율성 평가만으로는 실제 운영 특성과 비효율 구조를 충분히 설명하기 어렵다. 따라서 시간적 연속성과 시공간적 상호작용을 동시에 반영할 수 있는 접근이 필요하며, 동태적 효율성 분석 체계의 적용이 요구된다.
Ⅲ. Dynamic DEA: A slack-based measure approach
현실의 효율성 평가는 단일 변수에 의해 평가되는 것이 아니라, 다수의 투입물과 산출물의 관계를 통해 이루어진다. DEA는 다수의 투입물과 산출물에 대한 상대적 효율성 분석 방법론이며, 택시의 복합적인 운영을 반영할 수 있다. 하지만 기존 DEA는 단일 시점에서 의사결정단위(Decision Making Unit, DMU)의 효율성을 평가하므로 시간에 따른 투입·산출 구조의 변화와 연속성을 반영하지 못하는 한계가 있다. 특히 택시와 같이 시간대별 수요변동이 크게 나타나는 교통시스템에서는 이러한 정태적 접근이 효율성의 왜곡을 초래할 수 있다.
이러한 한계를 보완하기 위해 Färe and Grosskopf(1997)는 시간적 연속성을 고려한 Dynamic DEA 모형을 제안하였으며, 이후 Dynamic DEA의 framework를 확장하는 다양한 연구가 진행되었다. 특히 Tone and Tsutsui(2010)는 Slack-Based Measure(SBM) DEA 모형에 동태적 구조를 결합한 Dynamic SBM DEA 모형을 제안하여, 투입 및 산출의 비효율(slack)을 직접적으로 반영하면서 시간 간 연계성을 고려할 수 있도록 하였다.
Dynamic DEA는 개의 DMU()를 기간 ()에 걸쳐 분석하며 기간()의 DMU는 개의 투입변수(), 개의 산출변수()를 가진다. 또한 기간 간 연계를 반영하기 위해 Link 변수 ()를 도입하며, 이는 기간 t와 t+1을 연결하는 내부 자원을 의미한다. Dynamic SBM DEA 모형의 시간적 연계성은 다음과 Equation 1과 같이 정의된다.
여기서 link 변수는 다음과 같이 네가지 유형으로 구분된다.
-
Desirable(good) link: 다음 기간()의 운영에 긍정적으로 기여하는 자원
-
Undesirable(bad) link: 다음 기간()의 운영에 부정적인 영향을 미치는 자원
-
Discretionary(free) link: DMU가 유동적으로 조절할 수 있는 자원
-
Non-discretionary(fixed) link: DMU가 조절할 수 없는 외생적 자원
이 중 free link는 자원의 증가 또는 감소가 모두 가능하다는 특성을 가지며, slack의 부호가 자유롭게 결정될 수 있기 때문에 기본 효율성 평가에는 직접적으로 반영되지 않는다.
free link는 와 같이 나타내며, 는 free link의 개수이다.
또한 전체 효율성(overall efficiency)은 SBM 기반으로 Equation 2와 같이 정의된다.
기간 효율성(Term efficiency)은 Equation 3과 같이 정의하며, 와 는 투입 초과와 비효율적인 link를 의미한다.
Dynamic SBM DEA 모델에서는 Free link는 효율성 평가에 직접 반영되지 않는다. 왜냐하면 Free link의 slack은 부호가 자유롭게 설정되어 있어 과잉 또는 부족을 나타낼 수 있기 때문이다. Tone and Tsutsui(2010)은 사후 분석을 통해 Free link의 비효율을 효율성 평가에 명시적으로 반영하고자 하였으며, 이를 조정된 총 효율성(Adjusted overall efficiency)이라 정의하고 Equation 4와 같이 제시하였다.
본 연구에서는 택시 운행 데이터의 특성을 고려하여 투입 변수의 조절 가능성이 높다는 점을 근거로 투입지향(input-oriented) Dynamic SBM DEA 모형을 적용하였다(Loureiro et al., 2025). 또한 시간대 간 차량 공급의 연속성을 반영하기 위하여 link 변수로 free link를 설정하고, 조정된 총 효율성과 기간별 효율성을 함께 분석하여 시공간적 효율성 구조를 종합적으로 평가하고자 하였다.
Ⅳ. 서울시 택시 O-D 효율성 분석
1. 데이터 구축 및 변수 선정 체계 정의
서울시 택시 운행 데이터를 활용하여 O-D별 운행 효율성을 분석하였다. 분석에 활용된 원자료는 운행기본정보, 운행정보, 시간정보, 위치정보로 구성된다. 운행기본정보에는 수집일시, 교통사업자명, 차량등록번호, 운수종사자 자격번호, 부제번호가 있으며 운행정보에는 주행거리, 공차거리, 영업거리, 영업시간, 운행금액, 호출료, 할증 여부, 결제수단 등이 포함된다. 또한 승차시각과 하차시각을 포함한 시간정보와 승·하차 지점의 X·Y 좌표를 포함한 위치정보를 활용하였다.
분석대상은 2023년 1월 한 달간의 서울시 택시 운행 데이터이며, 이 중 서울시 내부에서 발생한 O-D 통행만을 추출하여 최종적으로 12,492,991건의 통행자료가 분석에 활용되었다. 공차시간은 O-D 자료가 아닌 택시 운수종사자별 운행기록을 시간 순으로 정렬한 후 직전 통행의 하차시각부터 다음 통행의 승차시각까지의 시간 간격으로 산정하였다. 그러나 기존 연구에 의거하여 해당 시간 간격이 과도하게 긴 경우, 영업 중단 등 비운행 시간이 포함될 가능성이 있으므로, 공차시간 분포상 2시간 이하 공차 구간이 전체의 약 88.68%를 차지하는 점을 고려하여 2시간 초과하는 시간 간격을 분석에서 제외하였다(Zhang et al., 2014). 산정된 공차시간은 운수종사자별 다음 승차가 발생한 O-D에 집계하였다. 이는 이전 승객을 하차시킨 이후 다음 승객을 승차시키기까지 소요된 빈차 상태의 시간으로 볼 수 있으며, 본 연구에서는 이를 공차시간으로 정의하였다.
택시는 버스나 도시철도와 달리 정해진 노선이나 배차간격에 따라 운행되는 교통수단이 아니라, 이용자의 개별 통행수요에 따라 출발지와 목적지가 결정되는 수요응답형 교통수단이므로 택시 운행의 효율성은 특정 노선의 공급 수준보다는 출발지와 목적지 간 이동관계, 통행거리, 운행시간, 수요 규모, 공간적 접근성 등 O-D 단위에서 발생하는 운행 특성에 의해 형성된다고 볼 수 있다.
이에 본 연구에서는 서울시 25개 자치구 간 O-D를 하나의 의사결정단위(DMU)로 설정하였으며, 이론적으로 총 625개(25×25)의 O-D 조합을 구성하였다. 이후 각 O-D별 운행기록을 바탕으로 투입변수, 산출변수 및 carry-over 변수의 관측 여부를 확인하였다. 분석 결과, 625개 O-D 모두에서 최소 1건 이상의 운행기록이 확인되었으며, 주요 변수에서도 결측값 또는 0값이 발생하지 않았다. 따라서 본 연구에서는 최소 통행횟수 기준에 따른 저빈도 O-D 제외 절차를 별도로 적용하지 않고, 최종적으로 625개 O-D 전체를 유효 DMU로 설정하여 DEA 분석에 활용하였다. 본 연구의 효율성 분석은 개별 택시 차량이나 운전자의 운영 효율성을 평가하는 것이 아니라, 자치구 간 이동수요가 발생하는 O-D 구간별로 택시 서비스가 얼마나 효율적으로 작동하는지를 비교하는 데 목적이 있다. 또한 분석에 포함된 625개 O-D는 투입 및 산출변수의 관측이 가능하고 동일한 분석 단위로 비교할 수 있는 조건을 충족하므로 전체 O-D를 분석 대상으로 활용하였다. 택시 운행 과정에서 발생하는 비효율을 직접적으로 평가하기 위하여 투입 변수는 공차거리와 공차시간으로 선정하였다. 산출 변수는 택시 서비스의 공급 성과와 경제적 성과를 동시에 반영할 수 있도록 운행횟수와 수익으로 설정하였다. DEA 분석에서 DMU 수는 투입변수와 산출변수 합의 3배 이상이어야 한다는 기준을 고려할 때, 분석 조건을 충족시킨 것으로 판단된다(Banker et al, 1984). 또한 시간대별 택시 수요 변화에 대응하고, 해당 기간의 택시 운영 여건이 다음 기간의 운행 효율성에 영향을 미칠 수 있다는 점을 고려하여 차량대수를 Carry-over, 즉 link 변수로 설정하였으며, 본 연구에서 활용한 효율성 분석 변수와 기술통계량은 <Table 1>과 같다.
<Table 1>
Descriptive statistics of the DMU, input, output and carry-over variables
| Variable | Unit | Description | Min | Max | Avg | S.D. | |
|---|---|---|---|---|---|---|---|
| DMU | Taxi O-D in Seoul | Taxi origin-destination trips within Seoul's district(gu) | NA | NA | NA | NA | |
| Input | Vacant distance(x1) | m/veh | Average distance traveled without passengers per taxi fleet for each DMU at term t | 1,167.7 | 31,129.4 | 3983.1 | 2076.8 |
| Vacant time(x2) | s/veh | Average time traveled without passengers per taxi fleet for each DMU at term t | 245.5 | 12,681.8 | 1,135 | 627.6 | |
| Output | Revenue(y1) | won/veh | Average revenue per taxi fleet for each DMU at term t | 7,822.2 | 68,887.6 | 20,563.3 | 7,159.2 |
| Service frequency(y2) | trip | Trip counts for each DMU at term t | 1 | 305,286 | 3,331.5 | 9,942.3 | |
| Carry-over | Taxi fleet(z1) | veh/term | Average number of taxi operated within each DMU at term t | 1 | 27,720 | 1,728.8 | 2,499 |
효율성은 해당 O-D에서 발생한 수익과 운행횟수를 유지하면서 공차거리와 공차시간을 얼마나 효과적으로 최소화할 수 있는지를 나타내는 지표로 정의하였다. 즉, 효율성이 높다는 것은 동일한 수준의 서비스 성과와 경제적 성과를 달성하는 과정에서 승객 탐색을 위한 불필요한 공차 이동과 대기시간이 상대적으로 적어 투입 대비 산출 성과가 우수함을 의미한다.
2. 시간대별 단거리와 장거리 통행 비중
시간대별 택시 통행의 거리구조를 파악하기 위해 영업거리를 기준으로 단거리와 장거리 통행을 구분하였다. 본 연구에서는 영업거리가 5km 미만의 통행을 단거리, 10km 초과 이하의 통행을 장거리로 정의하고(The Seoul Institute, 2015), 시간대별 단거리와 장거리 통행 비중을 <Fig. 1>에 제시하였다.
분석 결과, 시간대에 따라 택시 통행의 단거리와 장거리 통행 비중이 뚜렷하게 달라지는 것으로 나타났다. 사람들의 활동이 시작되는 7시에서 19시까지의 주간시간대는 단거리 통행 비중이 상대적으로 높게 나타났다. 이는 출근·업무 목적 등 도시 내부의 활동 수요가 집중되면서 비교적 짧은 거리의 택시 이용이 증가하기 때문으로 해석된다. 반면, 17시~19시 사이의 퇴근시간은 장거리 통행 비중이 가장 낮게 나타났다. 이는 퇴근시간대 도로 혼잡으로 인해 장거리 택시 이용의 시간적·비용적 부담이 증가하고, 대중교통을 활용한 귀가 통행과 단거리 위주의 택시 통행이 상대적으로 증가한 결과로 해석된다. 또한, 야간시간대는 대중교통 운행 감소 및 종료의 영향으로 택시의 장거리 통행 비중이 점진적으로 증가하는 경향을 보였다.
3. 효율성 평가 및 공간적 패턴분석 결과
Dynamic SBM DEA를 적용한 결과를 바탕으로 총 효율성 기준, 기초통계 분석 결과와 분포는 <Table 2>와 <Fig. 2>에 제시하였다. 기초통계 분석 결과는 전체 625개의 DMU의 평균 효율성은 0.575로 나타났으며, 표쥰편차가 0.087로 나타나 효율성 점수는 극단적으로 분산되기보다는 0.5~0.6을 중심으로 집중된 것으로 판단된다. 효율성이 높은 O-D와 낮은 O-D 간 시공간적 운행 차이를 확인하기 위해 조정된 총 효율성 기준의 상위 및 하위 10개 DMU를 도출하였으며, 결과는 <Table 3>에 제시하였다. 분석 결과는 서울시 5대 권역 생활권 체계2)와 연계하여 공간적 특성을 파악하였다. 5대 권역 생활권은 동남생활권(강남구, 송파구, 서초구, 강동구), 동북생활권(강북구, 도봉구, 노원구, 중랑구, 광진구, 성동구, 동대문구, 성북구), 도심권(용산구, 중구, 종로구), 서북생활권(마포구, 서대문구, 은평구), 서남생활권(강서구, 양천구, 구로구, 금천구, 영등포구, 동작구, 관악구)로 구분된다.
<Table 3>
Term Efficiency and Overall Efficiency in Top and Bottom 10 DMUs
| DMU | Overall Efficiency | Term 1 Efficiency | Term 2 Efficiency | Term 3 Efficiency | Term 4 Efficiency | Term 5 Efficiency | Term 6 Efficiency | |
|---|---|---|---|---|---|---|---|---|
| Top 10 highest-performing DMU | Gangnam→Gangnam | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
| Gangbuk→Geumcheon | 1 | 1 | 1 | 1 | 1 | 1 | 1 | |
| Dobong→Geumcheon | 1 | 1 | 1 | 1 | 1 | 1 | 1 | |
| Nowon→Geumcheon | 0.9845 | 0.9069 | 1 | 1 | 1 | 1 | 1 | |
| Nowon→Nowon | 0.9567 | 1 | 1 | 1 | 1 | 1 | 0.7401 | |
| Geumcheon→Dobong | 0.938 | 1 | 1 | 1 | 1 | 1 | 0.6277 | |
| Dobong→Guro | 0.905 | 1 | 1 | 0.8561 | 0.7515 | 1 | 0.8226 | |
| Gangbuk→Dongjak | 0.8765 | 0.8879 | 1 | 0.6313 | 0.9398 | 0.8003 | 1 | |
| Gangnam→Yongsan | 0.8683 | 0.987 | 1 | 1 | 0.8336 | 0.6818 | 0.7073 | |
| Gangbuk→Yangcheon | 0.8616 | 0.6951 | 0.9365 | 0.8342 | 0.9153 | 0.834 | 0.9542 | |
| Bottom 10 lowest-performing DMU | Geumcheon→Gangseo | 0.4426 | 0.4339 | 0.5353 | 0.4745 | 0.3998 | 0.356 | 0.4561 |
| Geumcheon→Dongjak | 0.4415 | 0.3683 | 0.4707 | 0.5019 | 0.4837 | 0.3621 | 0.4626 | |
| Gangseo→Dongjak | 0.4327 | 0.3705 | 0.471 | 0.4256 | 0.4305 | 0.3647 | 0.534 | |
| Gangseo→Geumcheon | 0.4316 | 0.3634 | 0.45 | 0.4636 | 0.4131 | 0.3617 | 0.5378 | |
| Gangseo→Yongsan | 0.4269 | 0.3512 | 0.4485 | 0.4059 | 0.432 | 0.4207 | 0.5031 | |
| Gangseo→Jongno | 0.4248 | 0.3395 | 0.4259 | 0.4034 | 0.4303 | 0.4126 | 0.5372 | |
| Gangseo→Seongdong | 0.4239 | 0.3954 | 0.4475 | 0.3897 | 0.4127 | 0.3227 | 0.5751 | |
| Gangseo→Seodaemun | 0.4207 | 0.3556 | 0.442 | 0.4363 | 0.4157 | 0.3703 | 0.5041 | |
| Gangseo→Jung | 0.4133 | 0.3454 | 0.4124 | 0.36 | 0.4695 | 0.3677 | 0.5248 | |
| Gangseo→Seocho | 0.383 | 0.3253 | 0.4165 | 0.3718 | 0.3689 | 0.3186 | 0.4967 |
효율성 상위 10개 DMU 중 자치구 내부 O-D는 강남구→강남구와 노원구→노원구로 나타났다. 효율성이 높은 DMU는 주로 유동인구가 집중되는 자치구 내부 O-D 또는 장거리 O-D에서 확인되었다. 강남구→강남구와 노원구→노원구의 내부 O-D는 인구 규모와 생활·업무 활동이 높은 지역 내의 이동으로, 수익과 운행횟수에 비해 공차거리와 공차시간 투입이 낮게 나타나 모든 시간대 효율성이 높게 산정된 것으로 해석된다.
다만 노원구의 경우 주거지역적 성격이 강하기 때문에 새벽시간대에는 유동인구가 감소하면서 효율성이 상대적으로 저하되는 경향을 보였다. 이는 주거지역에서 심야 및 새벽시간대의 택시 수요가 감소할 경우, 승객 탐색을 위한 공차 이동과 대기시간이 증가하는 구조적 특성에 기인한 것으로 볼 수 있다.
또한 강북구, 도봉구, 노원구 등 서울시 동북생활권 외곽지역에서 출발하여 구로구, 관악구, 금천구, 동작구, 용산구, 양천구 등 서남생활권 및 주요 목적지로 이동하는 O-D에서도 높은 효율성이 확인되었다. 이러한 O-D는 상대적으로 장거리 통행 특성을 가지며, 운행 1건당 수익과 영업거리가 크게 발생할 가능성이 높다. 따라서 공차거리와 공차시간이라는 투입 대비 산출 수준이 높게 형성되어 운행 효율성이 우수하게 나타난 것으로 판단된다. 특히 강남구에서 도심권의 용산구로 이동하는 O-D의 경우, 출근시간부터 퇴근시간을 포함한 주간 시간대에 업무·상업 활동에 따른 유동인구가 집중되면서 택시 수요가 지속적으로 발생한다. 이에 따라 택시가 승객을 탐색하기 위한 공차거리와 공차시간이 감소하고, 동일한 산출을 보다 적은 투입으로 달성할 수 있어 높은 운행 효율성을 보인 것으로 해석된다.
반면, 효율성 하위 10개 DMU는 서남생활권 중 강서구와 금천구를 기점으로 하는 O-D에서 나타났다. 특히 강서구 기점 일부 O-D는 하루 중 출근시간대와 심야시간대 가장 낮게 나타났다. 예를 들어, 강서구→도심권(용산구, 중구, 종로구), 서대문구로 O-D는 출근시간에 가장 낮은 것으로 확인되었다. 해당 시간대는 도심 방향으로의 통행 수요가 집중됨에도 불구하고, 도로교통의 혼잡과 강서구 내부의 높은 주거 밀집 지역의 도로 구조적 한계로 택시가 승객탐색 및 매칭을 위한 공차운행이 과도하게 투입된 것으로 판단된다. 강서구→서초구, 성동구, 금천구 O-D는 심야시간대에 효율성이 가장 낮게 관측되었다. 심야시간대 택시 수요가 주로 상업·업무·유흥 중심지에서 주거지역으로 향하는 통행이 집중되는 반면, 강서구 기점의 상업·업무 중심지로의 수요가 줄어들어 연속적인 승객수요가 충분히 확보되지 못했기 때문으로 해석된다. 또한, 강서구는 김포공항이 위치한 지역으로, 공항 이용객 수요를 확보하기 위한 택시의 대기 및 배회 운행이 발생하기 쉬운 공간적 특성을 갖는다. 이러한 특정 거점 중심의 수요 대기 구조는 공차시간과 공차거리의 증가로 이어질 수 있으며, 결과적으로 운행 효율성을 저하시키는 주요 요인으로 작용한 것으로 판단된다. 또한 강서구는 서남생활권의 외곽에 위치하고 있어, 도심 및 주요 수요 발생지와의 공간적 이격성이 택시 운영의 비효율을 심화시킬 가능성이 있다.
강북구, 노원구, 도봉구→금천구 등 일부 O-D에서는 금천구가 목적지로 포함될 때 효율성은 높게 나타난 반면, 금천구 기점의 금천구→강서구, 동작구의 일부 O-D는 상대적으로 낮은 효율성이 확인되었다. 시간대별로 살펴보면, 금천구→강서구, 동작구 O-D는 심야시간대에 효율성이 가장 낮게 나타났다. 이는 심야시간대 업무활동 감소로 금천구 기점의 승차수요가 약화되면서, 공차운행이 증가하고 투입 대비 산출로의 전환이 효과적으로 전환되지 못해 비효율적인 것으로 나타났다. 지역적 특성으로 보았을 때 금천구는 주거지·산업·업무 기능이 혼재된 지역으로 시간대별 수요가 불균형하게 형성되어 승객을 운송한 이후 해당 지역에서 후속 수요를 확보하기 어려운 공간적 구조와 관련된 것으로 해석된다. 특히 목적지로서의 수요는 존재하지만, 도착 이후 연계 수요가 충분하지 않을 경우 택시가 다시 승객을 탐색하기 위해 추가적인 공차 이동을 수행하게 된다. 따라서 금천구는 택시 운행 효율성 측면에서 차량이 일시적으로 집중된 이후 재수요 확보가 어려운 지역으로 판단되며, 시간대별 수요 변화에 대응한 탄력적 차량 배치 전략이 필요하다.
4. Slack 기반 비효율 구조 분석 결과
효율성 평가는 DMU별 상대적 효율성 수준을 산정하는 과정이며 Slack 기반 DEA 모형은 각 DMU의 투입 및 산출 변수에서 발생하는 여유(slack)를 반영함으로써, 비효율성의 원인을 변수 수준에서 정량적으로 식별할 수 있다는 장점을 가진다(Tone, 2001). 일반적으로 투입 slack은 현재 산출 수준을 유지하면서도 감축 가능한 과잉 투입량을 의미하며, 산출 slack은 현재 투입 수준에서 추가적으로 달성 가능한 잠재적 산출량을 의미한다. 따라서 slack은 각 DMU가 효율적 프론티어에 도달하기 위해 조정해야 하는 최소 개선 수준으로 해석할 수 있다.
본 연구에서는 출근시간대부터 새벽시간대까지 시간대별 실제값 대비 slack 비율을 산정하고, 이를 비교함으로써 서울시 택시 O-D의 시공간적 비효율 구조를 분석하였다. 분석 결과 효율성 상·하위 DMU 간 slack 발생 양상에서 뚜렷한 차이를 보였다. <Table 4>는 효율성 상·하위 DMU 간 투입·산출 slack 구조의 차이를 요약하여 제시한 것이다.
효율성 상위 DMU는 주로 장거리 O-D 또는 유동인구 집중지역의 내부·외부 O-D에서 나타났으며, 출근시간과 오후시간을 포함한 주간시간대는 투입 slack과 산출 slack이 상대적으로 적게 도출된 반면, 심야시간과 새벽시간의 야간시간대는 O-D별 상이한 slack 구조가 확인되었다. 노원구 내 O-D와 강남구→용산구 O-D는 주간시간대는 투입 slack이 상대적으로 낮게 나타났다. 이는 해당 O-D에서 생활·업무 통행에 따른 수요가 지속적으로 발생하여 추가적인 공차거리와 시간이 비교적 적게 소요됨을 의미한다. 그러나 새벽시간대로 갈수록 해당 O-D의 수요가 감소하면서 다음 승객을 탐색하기 위한 공차거리와 공차시간 부담이 증가하였고, 이에 투입 slack이 확대된 것으로 해석된다. 반면, 동북생활권과 서남생활권 간 O-D는 주간시간대는 투입과 산출 slack이 O-D별 통행구조에 따라 다르게 나타나지만, 야간시간대로 갈수록 장거리 통행과 할증운행에 따른 수익은 증가한 반면, 수요감소로 운행횟수가 제한되면서 운행횟수 slack이 나타나는 산출구조의 불균형이 발생하는 비효율 구조로 나타났다.
이러한 결과는 효율성 상위 DMU에 대해서는 단순히 공차 운행을 줄이는 전략보다는 현재의 우수한 투입 효율성을 유지하면서 산출 성과를 확대하는 전략이 필요함을 시사한다. 구체적으로 장거리 O-D에 대한 호출 기반 수요 매칭 강화, 시간대별 수요 집중지역에 대한 선제적 차량 배치, 운수종사자 인센티브 제도 도입 등이 고려될 수 있다. 특히 장거리 통행 수요가 안정적으로 발생하는 O-D에 대해서는 우선 배차 및 운수종사자 대상 인센티브를 통해 추가 운행횟수를 창출하고 동일한 투입 수준에서 더 높은 수익과 서비스 성과가 발생하도록 유도할 필요가 있다.
반면 효율성 하위 DMU의 slack 구조는 개별 O-D별로 상이한 비효율 구조를 보였으며, 야간시간대로 갈수록 이러한 비효율이 확대되는 경향이 나타났다. 강서구→서초구, 강서구→용산구, 강서구→성동구 등 일부 O-D에서는 공차거리와 공차시간 등 투입변수 slack이 상대적으로 크게 나타났다. 이는 해당 O-D에서 동일한 수익과 운행횟수를 달성하는 과정에서 승객탐색을 위한 과정이 과다하게 소요되었음을 의미한다. 반면, 금천구→동작구, 강서구→서대문구, 강서구→동작구는 산출 변수 중 수익 slack이 상대적으로 두드러지게 나타나 효율적인 산출 수준 대비 수익 산출이 충분히 확보되지 못했음을 의미한다. 야간시간대로 갈수록 수익 slack이 확대되는 것은 효율적인 운행구조에서 기대되는 수익 수준에 비해 해당 O-D의 수익 산출이 충분히 확보되지 못했음을 의미한다. 특히, 운행횟수 slack이 나타나지 않았음에도 수익 slack이 나타났다는 점은 운행횟수 대비 수익성이 낮은 단거리 운행 기반의 통행구조가 존재함을 보여준다.
이처럼 효율성 하위 DMU는 강서구 및 금천구를 기점으로 가지는 일부 O-D로 나타났는데, 서울시에서 외곽지역에 위치하여 도심 진입 과정에서 교통 혼잡, 도로 네트워크 제약, 단거리 통행의 반복 등으로 인해 산출 대비 투입이 과다하게 발생하는 구조적 문제가 확인되었다. 즉, 택시가 승객을 탐색하거나 다음 수요 발생지로 이동 과정에서 불필요한 공차 이동과 대기시간이 증가하여 운행 효율성이 저하되는 것으로 판단된다. 따라서 효율성 하위 DMU에 대해서는 공차 운행 최소화와 수요 집중형 운영 전략이 병행될 필요가 있다. 예를 들어 주요 교통 결절점, 업무·상업시설, 유동인구 밀집지역을 중심으로 한 거점 기반 배차 전략을 도입하고 실시간 수요 예측 결과를 반영하여 차량을 탄력적으로 재배치하는 방안이 필요하다. 또한 단거리 통행 비중이 높고 공차시간이 길게 나타나는 지역은 시간대별 운행 특성을 고려한 맞춤형 배차 및 재배치 전략을 마련할 필요가 있다.
이러한 접근은 공차 이동과 대기 시간을 줄이는 동시에 운수종사자의 수익성을 개선할 수 있으며, 궁극적으로 서울시 택시 운행 시스템의 전반적인 효율성을 향상시키는 데 기여할 수 있을 것으로 판단된다.
<Table 4>
Percentage of Slack Relative to Actual Values for the Top and Bottom 10 DMUs (Unit: %)
m1: Vacant distance, m2: Vacant time, s1: Revenue, s2: Service frequency
| DMU | Term 1 (AM peak) | Term 2 (Midday) | … | Term 5 (Midnight) | Term 6 (Daybreak) | ||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| m1 | m2 | s1 | s2 | m1 | m2 | s1 | s2 | m1 | m2 | s1 | s2 | m1 | m2 | s1 | s2 | ||
| Gangnam→Gangnam | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | … | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| Gangbuk→Geumcheon | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | … | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| Dobong→Geumcheon | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | … | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| Nowon→Geumcheon | 8.4 | 19.5 | 0 | 1.9 | 0 | 0 | 0 | 0 | … | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| Nowon→Nowon | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | … | 0 | 0 | 0 | 0 | 35.8 | 42.2 | 11 | 0 |
| Geumcheon→Dobong | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | … | 0 | 0 | 0 | 0 | 65.8 | 45.9 | 0 | 199 |
| Dobong→Guro | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | … | 0 | 0 | 0 | 0 | 21.5 | 31.7 | 21.2 | 44.8 |
| Gangbuk→Dongjak | 22.5 | 11.1 | 11 | 32.2 | 0 | 0 | 0 | 0 | … | 28.4 | 31.5 | 29 | 15.9 | 0 | 0 | 0 | 0 |
| Gangnam→Yongsan | 3.9 | 0 | 13.3 | 6.9 | 0 | 0 | 0 | 0 | … | 43.5 | 33.9 | 18.3 | 0 | 46.7 | 25.5 | 4.2 | 0 |
| Gangbuk→Yangcheon | 28.2 | 36.6 | 15.1 | 0 | 9.6 | 9.4 | 11 | 38.1 | … | 17.1 | 32.7 | 31.3 | 75.4 | 3.6 | 10.1 | 3.9 | 122 |
| ⁝ | ⁝ | ⁝ | ⁝ | ⁝ | ⁝ | ⁝ | ⁝ | ⁝ | ⁝ | ⁝ | ⁝ | ⁝ | ⁝ | ⁝ | ⁝ | ⁝ | ⁝ |
| Geumcheon→Gangseo | 42.9 | 60.4 | 35.6 | 0 | 31.3 | 46.2 | 60.1 | 0 | … | 62.3 | 67.1 | 103 | 0 | 50.8 | 58.1 | 54.7 | 0 |
| Geumcheon→Dongjak | 50 | 63.6 | 129 | 0 | 38.9 | 51.3 | 144 | 0 | … | 61.6 | 66.1 | 181 | 0 | 49.9 | 56.8 | 149 | 0 |
| Gangseo→Dongjak | 54.1 | 62.8 | 63.4 | 0 | 48.5 | 47.4 | 53.4 | 0 | … | 65.4 | 59.9 | 76.5 | 0 | 42.9 | 50.9 | 60.1 | 0 |
| Gangseo→Geumcheon | 50.2 | 60.4 | 56.6 | 0 | 49.6 | 46.2 | 65.9 | 0 | … | 63.8 | 63.0 | 85.7 | 0 | 48.7 | 42.5 | 67.3 | 0 |
| Gangseo→Yongsan | 55.5 | 58.9 | 36.6 | 0 | 45.4 | 40.5 | 29.7 | 0 | … | 72.2 | 60.8 | 49.7 | 0 | 48.3 | 38.3 | 48.4 | 0 |
| Gangseo→Jongno | 56 | 61.4 | 28 | 0 | 45.2 | 46.3 | 20.7 | 0 | … | 69.5 | 65.5 | 45.3 | 0 | 50.9 | 39.5 | 38.4 | 0 |
| Gangseo→Seongdong | 57.3 | 60.4 | 0 | 0 | 53.4 | 47.7 | 0 | 0 | … | 74.6 | 64.4 | 16 | 0 | 51.3 | 54.2 | 7.5 | 0 |
| Gangseo→Seodaemun | 60.7 | 58.7 | 62.3 | 0 | 45.8 | 46.1 | 59.2 | 0 | … | 66.8 | 57.8 | 95.8 | 0 | 47.8 | 46.5 | 75.6 | 0 |
| Gangseo→Jung | 55.4 | 60.1 | 27.9 | 0 | 49.2 | 45.5 | 0 | 0 | … | 77.0 | 69.1 | 12.3 | 0 | 42.7 | 44.5 | 41.1 | 0 |
| Gangseo→Seocho | 63.6 | 59.9 | 5.5 | 0 | 51.4 | 45.3 | 3.6 | 0 | … | 76.1 | 66.1 | 19.4 | 0 | 45.8 | 49.2 | 20.4 | 0 |
5. 시공간적 택시 공급 조정 메커니즘 분석
서울시는 택시 서비스의 안정적 운영과 과잉 공급 억제를 위해 1999년부터 택시총량제를 시행해왔다(The Seoul Institute, 2009). 그러나 고정된 총량 관리 방식은 시간대 및 지역 간 수요 변동을 충분히 반영하지 못한다는 한계를 가진다.
이에 시간대 간 차량공급의 연계성을 반영하기 위해 차량대수를 Dynamic DEA의 carry-over 변수로 설정하고, 수요에 따라 증감하는 시공간적 유연성과 적정 공급 수준을 중심으로 증감이 모두 가능한 free link로 정의하였다.
Dynamic 모형에서 free link의 slack은 택시 공급의 적정 수준을 판단하는 핵심 지표로 해석될 수 있다. 만약 free link의 slack이 양수이면 해당 시간대 및 지역에서 공급 과잉 상태를 의미하며 감차가 필요함을 나타내고, free link의 slack이 음수이면 공급 부족 상태로서 증차가 요구됨을 의미한다. 분석 결과 택시 공급의 과잉 및 부족은 시간대와 공간에 따라 상이하게 나타나며, 효율성 수준에 따라 그 패턴 또한 뚜렷하게 구분되는 것을 확인하였다. <Table 5>는 효율성 상‧하위 10개 DMU를 대상으로 link 변수의 slack과 해당 슬랙을 반영한 목표값(Target link)을 제시한 것이다.
효율성 상위에 해당하는 DMU는 시간대별 수요 변화에 따라 택시대수를 탄력적으로 증감함으로써 운행 효율을 개선할 필요가 있는 반면에 효율성 하위에 해당하는 DMU는 운행 효율성을 저해하고 있는 주요 요인이 택시의 과잉 공급으로 나타났다. 이에 택시가 과잉 공급된 지역의 차량을 상대적으로 부족한 지역으로 재배치 등으로 수급 불균형을 완화함으로써 서울시 차원의 효율적인 택시 총량제를 고도화할 필요가 있다.
효율성 상위 DMU의 경우 시간대별 수요 변화에 따라 공급 부족과 과잉이 교차적으로 발생하는 경향이 나타났다. 이는 현재의 공급 구조가 평균적인 수요에는 적합하지만 시간대별 변동성에 충분히 대응하지 못하고 있음을 의미한다. 예를 들어, 노원구→노원구는 새벽시간대에 현재 투입된 차량보다 359대를 더 증차하여 5,541대 수준으로 조정할 때 최적 택시대수에 도달하는 것으로 해석되었다. 즉, 노원구 내부 O-D 새벽시간대의 택시 운영은 적절한 택시 증차와 함께 공차거리와 공차시간 감소를 통해 최적 운행 효율에 도달할 수 있다.
또한, 동북생활권과 서남생활권 간 장거리 O-D는 시간대별 차량 공급의 과잉과 부족이 교차하여 나타났다. 출근시간대는 장거리 통행수요와 산출수준이 상대적으로 낮아 목표 산출수준을 달성하는 데 필요한 차량대수에 비해 차량공급이 과다하게 이월된 반면, 새벽시간대로 갈수록 장거리 통행 비중 증가로 산출수준이 확대되면서 차량 공급이 부족하게 나타났다. 강북구→양천구의 출근시간대는 감차가 필요하나 오후시간대에서 새벽시간대로 갈수록 지속적인 증차가 요구되고, 금천구→도봉구, 도봉구→구로구는 새벽시간대에 증차하는 등 시공간적 수요 변화에 따른 탄력적 공급 조정이 필요한 것으로 나타났다. 강남구→용산구 O-D는 출근시간대에서 퇴근시간대까지 많은 유동인구로 인해 현재 수준의 적정 규모로 운영되지만, 유동인구가 줄어드는 저녁시간대에서 새벽시간대까지 link slack이 양수가 나타나 해당 시간대에 목표 산출수준을 달성하는 데 필요한 차량공급수준보다 과다하게 이어지고 있음을 의미한다. 택시 공급의 과잉으로 택시 운영의 비효율이 발생하여 적절한 감차를 통해 운행 효율성을 제고할 필요가 있다. 퇴근시간대 이후 강남구에서 택시 쏠림 현상은 배차 경쟁이 심해지면서 공차거리와 시간이 불필요하게 누적되면서 특정시간대에 택시가 집중되면서 공차이동이 증가하여 강남구 기점의 일부 O-D의 택시 운행 효율을 저해시킬 수 있음을 의미한다.
반면에 효율성 하위 DMU에서는 대부분의 시간대에서 공급 과잉이 지속적으로 발생하는 구조가 확인되었다. 특히 강서구를 기점으로 하는 O-D는 공항 수요 대기 및 교통 혼잡 등의 영향으로 공차 운행이 증가하며, 이는 과잉 공급과 결합되어 운행 효율성을 저해하는 주요 요인으로 작용하는 것으로 판단되었다. 예를 들어, 금천구에서 강서구로 향하는 O-D의 경우 출근시간대는 약 66% 수준의 감차가 필요하며, 퇴근시간대에도 대규모 감차가 요구되는 것으로 나타났다. 이러한 결과는 단순한 수요 부족이 아닌 구조적 공급 과잉 문제가 존재함을 시사한다.
분석 결과는 택시 공급 정책이 기존의 정태적 총량 관리 방식에서 벗어나 시간대 및 공간적 특성을 반영한 동태적 재배치 전략으로 전환될 필요가 있음을 시사한다. 특히, 효율성 상위 DMU에 대해서는 시간대별 수요 변화에 대응한 선택적 증차 전략이 요구되며, 효율성 하위 DMU에 대해서는 과잉 공급 지역의 차량을 수요가 상대적으로 부족한 지역으로 재배치하는 전략이 필요하다는 것을 보여준다.
<Table 5>
Actual, Slack and Target of the Link Variable for the Top and Bottom 10 DMUs
| DMU | Term 1 (AM peak) | Term 2 (Midday) | … | Term 5 (Midnight) | Term 6 (Daybreak) | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Actual | Slack | Target | Actual | Slack | Target | Actual | Slack | Target | Actual | Slack | Target | ||
| Gangnam→Gangnam | 14,299 | 0 | 14,299 | 27,720 | 0 | 27,720 | … | 14,723 | 0 | 14,723 | 10,911 | 0 | 10,911 |
| Gangbuk→Geumcheon | 50 | 0 | 50 | 75 | 0 | 75 | … | 64 | 0 | 64 | 40 | 0 | 40 |
| Dobong→Geumcheon | 16 | 0 | 16 | 33 | 0 | 33 | … | 16 | 0 | 16 | 15 | 0 | 15 |
| Nowon→Geumcheon | 21 | 0 | 21 | 56 | 0 | 56 | … | 39 | 0 | 39 | 26 | 0 | 26 |
| Nowon→Nowon | 5,990 | 0 | 5,990 | 11,293 | 0 | 11,293 | … | 7,768 | 0 | 7,768 | 5,182 | -359 | 5,541 |
| Geumcheon→Dobong | 1 | 0 | 1 | 22 | 0 | 22 | … | 81 | 0 | 81 | 22 | -31 | 53 |
| Dobong→Guro | 16 | 0 | 16 | 46 | 0 | 46 | … | 31 | 0 | 31 | 16 | -6 | 22 |
| Gangbuk→Dongjak | 46 | 0 | 46 | 108 | 0 | 108 | … | 114 | 0 | 114 | 108 | 0 | 108 |
| Gangnam→Yongsan | 3,292 | 0 | 3,292 | 11,785 | 0 | 11,785 | … | 4,930 | 892 | 4,038 | 3,157 | 492 | 2,665 |
| Gangbuk→Yangcheon | 58 | 15 | 43 | 142 | -39 | 181 | … | 87 | -27 | 114 | 53 | -55 | 108 |
| ⁝ | ⁝ | ⁝ | ⁝ | ⁝ | ⁝ | ⁝ | ⁝ | ⁝ | ⁝ | ⁝ | ⁝ | ⁝ | ⁝ |
| Geumcheon→Gangseo | 484 | 322 | 162 | 1,360 | 841 | 519 | … | 953 | 607 | 346 | 587 | 319 | 268 |
| Geumcheon→Dongjak | 752 | 571 | 181 | 1,711 | 1,174 | 537 | … | 1,099 | 700 | 399 | 662 | 361 | 301 |
| Gangseo→Dongjak | 609 | 438 | 171 | 1,494 | 946 | 548 | … | 1,179 | 770 | 409 | 563 | 259 | 304 |
| Gangseo→Geumcheon | 926 | 744 | 182 | 1,712 | 1,186 | 526 | … | 868 | 562 | 306 | 450 | 214 | 236 |
| Gangseo→Yongsan | 1,285 | 1,031 | 254 | 3,203 | 2,547 | 656 | … | 763 | 311 | 452 | 953 | 595 | 358 |
| Gangseo→Jongno | 659 | 532 | 127 | 1,720 | 1,387 | 333 | … | 363 | 150 | 213 | 352 | 171 | 181 |
| Gangseo→Seongdong | 213 | 136 | 77 | 702 | 453 | 249 | … | 439 | 282 | 157 | 175 | 38 | 137 |
| Gangseo→Seodaemun | 813 | 601 | 212 | 2,426 | 1,832 | 594 | … | 1,191 | 766 | 425 | 696 | 379 | 317 |
| Gangseo→Jung | 776 | 628 | 148 | 1,930 | 1,576 | 354 | … | 408 | 178 | 230 | 434 | 240 | 194 |
| Gangseo→Seocho | 963 | 761 | 202 | 2,488 | 1,950 | 538 | … | 997 | 620 | 377 | 660 | 370 | 290 |
Ⅴ. 결 론
본 연구는 서울시 택시 운행의 시공간적 특성을 반영한 효율성 분석을 수행하기 위하여 Dynamic SBM DEA 모형을 적용하였다. 자치구 간 O-D를 의사결정단위(DMU)로 설정하고 공차거리와 공차시간을 투입 변수로 하여 수익과 운행횟수를 산출 변수로 구성함으로써 택시 운영의 경제적 및 서비스적 효율성을 통합적으로 평가하였다. 또한 차량대수를 carry-over 변수로 반영하여 시간대 간 연속성과 공급 구조의 동태적 특성을 함께 고려하였다.
분석 결과, 서울시 택시 운행 효율성은 시간대 및 공간적 특성에 따라 뚜렷한 이질성을 보이는 것으로 나타났다. 효율성 상위 DMU는 강남구와 노원구와 같이 인구규모와 생활·업무 활동이 집중된 지역 내·외부 O-D 및 동북생활권에서 서남생활권으로 연결되는 장거리 O-D에서 주로 나타났으며, 이는 동일한 산출을 달성하기 위해 상대적으로 적은 공차거리와 공차시간이 요구되기 때문으로 도출되었다. 반면, 효율성 하위 DMU는 강서구 및 금천구를 중심으로 한 서남생활권에서 집중적으로 나타났으며, 공항 수요 대기, 교통 혼잡, 외곽 입지 등의 영향으로 공차 운행이 증가하는 구조적 비효율을 보여주었다.
Slack 기반 분석에서는 효율성 수준에 따라 비효율 발생 메커니즘이 상이하게 나타난다는 결론을 도출하였다. 효율성 상위 DMU는 투입 측면에서는 이미 효율적인 운영이 이루어지고 있으나 산출 측면에서 추가적인 성과 창출 가능성이 존재하는 것으로 나타났다. 반면, 효율성 하위 DMU는 공차거리 및 공차시간의 과다 발생으로 인해 투입 비효율이 주요 원인으로 작용하는 것으로 분석되었다. 이러한 결과는 동일한 택시 시스템 내에서도 효율성 수준에 따라 상이한 운영 개선 접근이 필요함을 시사한다. 또한 차량대수 slack 분석 결과 택시 공급은 시간대 및 지역에 따라 과잉과 부족이 교차적으로 발생하는 것으로 나타났으며, 특히 일부 지역에서는 지속적인 공급 과잉이 효율성 저하의 주요 원인으로 작용하는 것으로 분석되었다. 이는 기존의 정태적 총량 관리 방식이 시공간적 수요 변동을 충분히 반영하지 못하고 있음을 보여준다. 이러한 결과는 택시 운영 정책이 고정된 총량 중심의 관리 방식에서 벗어나 시간대 및 공간적 특성을 반영한 동태적 공급 조정 체계로 전환될 필요가 있음을 보여준다. 수요 매칭 효율 향상, 거점 기반 배차, 그리고 실시간 수요 예측을 반영한 차량 재배치 전략은 택시 운행 효율성과 운수종사자의 수익성을 동시에 개선할 수 있는 핵심적인 정책 수단으로 활용될 수 있다.
본 연구는 기존의 정태적 DEA 접근과 달리 시간대 간 연계 구조를 고려한 Dynamic DEA를 적용하고, slack 기반 비효율 분해를 통해 운영 메커니즘을 규명하였다는 점에서 기존 연구와 차별성을 가진다. 또한 시간대별 공급 조정 필요성을 실증적으로 제시함으로써 대도시 택시 운영 및 정책 수립에 활용 가능한 실질적인 근거를 제공하였다. 다만 본 연구는 특정 시점의 데이터를 기반으로 분석이 수행되었으며, 계절적 변동성 및 외생 변수의 영향을 충분히 반영하지 못한다는 한계를 가진다. 향후 연구에서는 다양한 시계열 자료와 외생 요인을 통합한 분석을 통해 보다 정교한 수요-공급 관리 모형으로 확장 연구를 수행해야 할 것이다.
