Ⅰ. 서 론
도시 교통 문제는 지속 가능한 도시 발전을 저해하는 핵심 요인 중 하나로 지적되어 왔다. 특히 교통 혼 잡, 환경오염, 접근성 저하 등은 도시 생활의 질을 저하시키는 주요 문제로 자리잡고 있다(Stopher, 1981). 이 러한 문제를 해결할 수 있는 기술적 대안으로 자율주행 기술이 주목받고 있으며, 이는 도시 교통의 효율성과 안전성을 동시에 향상시킬 수 있는 잠재력을 지닌 기술로 평가받고 있다(Anderson et al., 2014).
이에 따라 최근에는 자율주행 기술을 실제 도시 환경에서 실증하고 확산하기 위한 방안으로 ‘리빙랩 (Living Lab)’ 개념이 주목받고 있다. 자율주행 리빙랩은 도시 공간을 실험실로 삼아 기술 개발과 시민 참여 를 동시에 촉진할 수 있는 방식으로 운영되며, 기술적 타당성과 사회적 수용성을 동시에 확보할 수 있는 수 단으로 간주된다.
우리나라는 2021년부터 자율주행기술개발혁신사업을 추진하고 있으며, 해당 사업을 통해 개발되는 자율 주행차와 관련 서비스 기술은 리빙랩으로 지정된 도시를 중심으로 일반인들에게 실증 및 제공될 예정이다. 즉, 전체 자율주행기술개발혁신사업에서 연구된 자율주행차 인프라, 서비스 기술, 평가 및 인증, 시뮬레이션, 미래도로 등 폭넓은 제반 기술 및 서비스 등이 시범도시 리빙랩에서 구현 및 실증되며, 나아가 리빙랩 단위 에서는 운영 성과에 대한 평가, 기술 확산 전략, 정책 및 제도 개선에 관한 연구도 병행하여 진행될 계획이 다. 구체적으로는 2027년까지 화성시 일원에 Edge 노변기지국(RSU; Road Side Unit), 자율주행 전용표지, 정 밀도로지도와 같은 현장 인프라를 구축하고, 메타버스 체험관과 가상환경 실험실을 포함한 자율주행 리빙랩 센터를 마련하며, 이 과정에서 기술협의체, 운영협의체를 운용하여 운영 및 평가체계를 정립할 예정이다(Ryu et al., 2024). 현재는 시범도시 선정과 상세설계가 완료되었으며, 구축사업자 선정 이후 인프라 설치와 시민 이용, 기술 및 운영협의체 운영 등 거버넌스가 운영될 예정이다.
자율주행차 기술을 포함한 리빙랩은 스마트 모빌리티 분야 전반에 걸쳐 광범위한 영향을 미칠 수 있으며, 이는 사회적 편익 증대, 차량의 에너지 소비 효율 개선, 교통 관리 능력 강화, 안전한 운행 환경 조성 등 다 양한 측면의 효과를 나타낼 수 있다. 이러한 긍정적 영향은 자율주행차를 도입한 대부분의 도시에서 공통적 으로 관찰되지만, 자율주행 리빙랩과 같은 통합 생태계 내에서 자율주행 모빌리티 솔루션을 통합할 경우, 그 영향력이 어떠한 방식으로 확장되는지에 대한 체계적 논의는 아직 부족한 실정이다(Mendoza-Armenta et al., 2024). 특히, 일반적 리빙랩이 아닌 자율주행 리빙랩의 구현 및 추진 과정에서 어떠한 운영 요소가 어떠한 성 과 요소에 영향을 미치는지, 그리고 운영 요소 간 및 성과 요소 간의 상호작용 관계에 대한 분석 연구는 현 저히 부족한 상황이다.
본 연구의 목적은 자율주행 리빙랩이 도시교통 문제 개선에 미치는 구조적 관계를 분석하는 것이다. 이를 위해 리빙랩 환경 조성 및 운영과 관련된 잠재변수와 운영 목적 및 성과와 관련된 잠재변수를 도출하여 구 조방정식 모형(SEM)을 구축하였다. 특히, 물리적 환경, 사용자 중심 운영 요인, 개발자 중심 운영 요인, 홍보 및 대국민 소통 요인, 성과 활성화 요인, 기술개발 요인, 생태계 조성 요인, 도시교통 문제 개선 요인을 중심 으로 분석을 수행하였다. 이를 통해 본 연구는 자율주행 리빙랩을 구성하는 조성 및 운영 요인과 성과 요인 등 개별 요인 간 인과 관계를 실증적으로 검토하고, 자율주행 리빙랩의 효과적 운영 방안을 제안함으로써 도 시교통 문제 개선을 위한 전략적 시사점을 제공하고자 한다.
Ⅱ. 관련 문헌 검토
1. 자율주행 리빙랩의 운영 요인 관련 연구
자율주행 기술과 관련하여 리빙랩은 기술 실증뿐 아니라 사회적 수용성을 확보하기 위한 중요한 운영 기 반이 되고 있다. 일반적인 리빙랩 측면에서 사용자 참여, 기술개발 협력, 커뮤니케이션 전략, 성과 창출을 위 한 메커니즘 등이 반복적으로 강조되어 왔다(Ståhlbröst, 2012;Hossain et al., 2019). 또한, 리빙랩에 있어서 사 용자 중심 설계(User-Centered Design)의 개념에 기반하여 수요자(시민), 공급자(기업), 중재자(지자체 및 연구 기관) 간의 협력 구조가 리빙랩의 성공 여부를 결정짓는 중요한 운영 요인으로 지적된다(Pallot et al., 2011). 리빙랩의 핵심 운영 요인으로 커뮤니케이션과 사회적 학습을 강조한 연구들도 있다. Schuurman et al.(2016) 은 다양한 리빙랩 프로젝트를 비교분석하면서, 리빙랩이 실험실 기반이 아니라 실제 환경에서 수행되기 때 문에, 참여자 간 신뢰 형성과 쌍방향 커뮤니케이션 구조가 리빙랩 성과의 핵심 요소임을 실증적으로 밝혔다. 이들은 특히 사회적 상호작용과 경험 공유를 통한 학습 과정이 혁신 수용성에 긍정적인 영향을 미친다고 설 명하였다.
한편 자율주행 리빙랩의 운영 요인은 크게 물리적 환경, 이해관계자 참여, 운영 구조, 기술적 요소, 커뮤니 케이션 전략 등이 포함된다. 물리적 환경은 자율주행차가 테스트되기 위한 도로 인프라, 센서망, 통신 환경 등을 포함하며, 실증 기반 구축의 핵심적인 전제 조건으로 간주된다(Sebastian et al., 2020). 이와 함께, 기술 측면에서는 Piao(2024)는 리빙랩이 센서, 통신, 에너지 관리 등 다양한 기술 요소를 통합적으로 실험하는 중 간 단계의 플랫폼으로 기능함을 강조하였다. 또한, Mendoza-Armenta et al.(2024)는 자율주행차와 리빙랩을 키 워드로 하는 총 102건의 연구자료를 메타분석하여 지역별 분포, 포함하는 기술, 지원 네트워크, 효과 유형 등 을 분석하였다. 결론적으로 모빌리티 분야에서 자율주행차의 혁신, 시험 및 확장성을 위한 리빙랩을 구현하 려면 지속 가능한 비전 하에 규제 프레임워크, 응용 연구, 지역 사회 참여, 그리고 기술 개발에 대한 요구를 포괄하는 다양한 이해관계자 네트워크를 구축해야 한다고 주장하였다.
이와 같이 다양한 선행연구들은 자율주행 리빙랩의 성공적인 운영을 위해 물리적 환경 기반, 사용자 중심 설계, 다층적 이해관계자의 참여, 성과 확산 전략 등이 종합적으로 작용해야 함을 공통적으로 시사하고 있 다. 이러한 연구들은 본 연구의 구조방정식 모형 설계 시 주요 잠재변수 설정의 이론적 근거를 제공하였다.
2. 자율주행 리빙랩의 효과 및 성과
자율주행차나 특정 자율주행 서비스가 도시교통에 미치는 효과나 영향은 국내외 다양한 연구에서 조사 및 분석되었으나, 자율주행 리빙랩 자체가 가져오는 직접적 효과에 대한 연구는 많지 않다. 다만, 일부 자료 에서는 자율주행 리빙랩 프로젝트를 추진하는 과정에서 선언된 목표나 기대효과를 제시하거나, 연계효과 등 을 사례로 제시하였는데 그 내용은 다음과 같다.
Pucihar et al.(2019)는 리빙랩의 틀 안에서 슬로베니아의 자율주행 셔틀 대규모 시범 시연과 설문조사를 진행 함으로써 미래 모빌리티 솔루션의 신속한 도입을 위한 조치를 발굴하였다. 그 과정에서 자율주행 리빙랩이 지역 사회를 위한 통한 모빌리티 혁신에 어떻게 역할을 하는지, 교통 습관, 대중의 준비 및 수용에 대한 통찰력을 제공하여 정책 입안자가 안전하고 보안이 유지되는 환경을 조성하는 데 도움이 된다고 주장하였다.
Smart Columbus(2024)는 자율차와 함께 추진되는 리빙랩이 다양한 지역에 걸쳐 구축된 환경과 이동성 서 비스의 실제 시험을 통합하여 도시 개발의 최고봉이자 도시 전체를 구현해 나가는 선구자라고 설명하고, 다 양한 프로젝트, 애플리케이션 및 프로그램이 미래 교통 수단과 스마트 이동성에 대한 대중의 수용을 형성하 는데 기여할 수 있다고 언급하였다.
Smart Mobility Living Lab(2024)는 안전 사례 프레임워크를 구축하여 협력형 자율주행차 시험을 진행하는 데 중요한 역할을 했으며, 정부와의 긴밀한 협력을 통해 정책 및 법률 개발을 촉진하여 이동성 향상에 대한 공공 및 민간 부문의 관심이 제고될 수 있음을 강조하였다. 더불어 스마트 모빌리티 리빙랩(Smart Mobility Living Lab)을 통해서 GATEway, ENDEAVOUR, ATLAS-L4, DRIVEN1)와 같은 협력 프로젝트가 탄생할 수 있 었다고 설명하고 있다.
이를 종합하면 자율주행 리빙랩은 기술 검증을 넘어서, 지역사회 수용성 향상, 정책적 기반 조성, 생태계 연계 등을 가능하게 하는 복합적 실증 플랫폼으로 기능하고 있음이 다양한 사례에서 확인되었으나, 이를 구 조적이고 정량적으로 분석한 연구는 발견되지 않았다.
Ⅲ. 연구방법
1. 연구모형 및 가설
자율주행 리빙랩은 추진되는 국가 및 도시, 자율주행 서비스의 특성 등에 따라서 다양한 구축 및 운영 요 인이 결합될 수 있다. 본 연구가 설정한 자율주행 리빙랩 운영 요인과 성과 요인과의 관계를 확인하기 위한 연구모형 및 가설은 <Fig. 1>과 같다. 문헌 고찰 결과와 함께 현재 우리나라에서 계획 중인 자율주행 리빙랩 의 구축 프로그램을 바탕으로, 물리적 환경 요인(PE), 리빙랩 운영 요인, 홍보 및 대국민 소통 요인(PC), 성과 활성화 요인(PA)을 주요 요인으로 선정하였으며, Ryu et al.(2024)을 연구 결과를 참조하여 수요 주체와 관련 된 운영 요인(OFD)과 개발 주체와 관련된 운영 요인(OFE)을 구분하여 분석에 적용하였다. 자율주행 서비스 의 실도로 주행 실험을 위해서 다양한 센서 및 안전평가, 보안 등 물리적 시설, 통신 시설 등이 요구되며, 그 이후에 서비스 이용자나 일반 시민, 산학연, 협의체 등의 거버넌스를 운영할 수 있다. 따라서 물리적 환경 요 인이 수요 주체 혹은 개발 주체와 관련된 운영 요인에 영향을 미칠 수 있다. 홍보 및 대국민 소통 요인은 이 와 같은 물리적 환경 요인, 리빙랩 운영 요인의 구축 과정에 기인하여 영향을 받게 되며, 이 전체적 구축 및 운영 요인은 마지막으로 성과 활성화 요인으로 연계된다.
반면 자율주행 리빙랩의 운영 목적 및 성과 요인은 운영 경험 확보(AOE), 기술개발 및 상용화 촉진(TDC), 생태계 조성(CAE), 도시교통 문제 개선(STP)으로 구성하였다. 운영 경험 확보(AOE)는 직접적으로 물리적 환 경 요인(PE)과 수요 주체와 관련된 운영 요인(OFD)에 종속되어 달성되는 개념이므로 이 관계를 가설로 설정 하였다. 기술개발 및 상용화 촉진(TDC)는 홍보 및 대국민 소통 요인(PC)을 제외한 지금까지 논의된 모든 잠 재변수로부터 영향을 받을 수 있으므로 이들 관계를 가설로 설정하였다. 생태계 조성(CAE) 또한 모든 잠재 변수로부터 영향을 받을 수 있다는 것을 가설로 설정하였다. 일반적인 리빙랩의 주요 목표로 제시된 것은 사 회문제 해결(Steen and Bueren, 2017;Hossain et al., 2019)이며, 자율주행과 관련하여 도시교통 문제 개선이 매 우 중요한 목표이다. 따라서 가장 최종적인 성과 요인으로 도시교통 문제 개선(STP)을 설정하였다. 이는 다 른 모든 자율주행 리빙랩의 구축 및 운영 요인으로부터 영향을 받으며, 세부 운영 목적 및 성과요인으로부터 영향을 받게 되는 것으로 모형을 가정하였다.
2. 자료수집 및 분석 방법
1) 자료수집 및 측정지표 구성
자율주행 리빙랩의 성과 발생 구조를 확인하기 위해 자율주행기술개발혁신사업에 참여하고 있는 연구자 를 대상으로 의견조사를 실시하였다. 조사기간은 2024년 6월 14일부터 29일까지이었으며, 온라인을 통해서 자율주행 리빙랩 구축의 개념 및 목적을 소개한 후, 실제 리빙랩 구축을 위한 세부 사업 내용, 설계 개념을 설명하였다. 이후 자율주행 리빙랩 조성 및 운영요인에 대한 세부 측정지표별로 중요도를 7점 척도로 응답 하도록 요구하였다. 최종적으로 총 113명의 응답 자료를 분석에 활용하였다.
구체적인 응답자의 특성은 <Table 1>과 같다. 설문조사의 응답자 분포는 30대가 37.2%, 40대가 32.7%이었 고, 소속기관은 일반회사가 39.8%, 대학교가 23.0%, 정부부처 및 공공기관이 19.5%, 출연 연구기관이 13.3% 등을 보였다. 그 외 전공분야는 교통공학이 45.1%, 정보통신이 23.0% 등을 비율을 보였다.
<Table 1>
Characteristics of Respondents(Respondents=113)
| Category | N | Percent | |
|---|---|---|---|
| Age | Under 30 years old | 18 | 15.9 |
| 30 to under 40 years old | 42 | 37.2 | |
| 40 to under 50 years old | 37 | 32.7 | |
| 50 to under 60 years old | 16 | 14.2 | |
| Affiliation | Company | 45 | 39.8 |
| University | 26 | 23.0 | |
| Government departments & public institutions | 22 | 19.5 | |
| Government-funded research institutes | 15 | 13.3 | |
| Others: Associations | 5 | 4.4 | |
| Field of Study | Transportation | 51 | 45.1 |
| Mechanical Engineering | 17 | 15.0 | |
| Information and Communications | 26 | 23.0 | |
| Civil Engineering | 2 | 1.8 | |
| Others | 17 | 15.0 | |
| Education | Bachelor's degree | 43 | 38.1 |
| Master's degree | 29 | 25.7 | |
| Ph.D. | 41 | 36.3 | |
| Autonomous Driving Research Experience | Currently participating | 87 | 77.0 |
| Participated in the past | 11 | 9.7 | |
| No experience | 15 | 13.3 | |
자율주행 리빙랩의 조성 및 성과와 관련된 요인 분류는 주로 Ryu et al.(2024)의 연구를 참조하였다. 구체 적으로 물리적 환경과 관련된 요인(PE), 수요자 측면 리빙랩 운영 요인(OFD), 개발주체 측면 리빙랩 운영 요 인(OFE), 홍보 및 대국민 소통 요인(PC), 성과 활성화 요인(PA)은 현재 국내에서 추진 중인 자율주행 리빙랩 구축 사업의 세부 프로그램 내용이 고려하여 측정항목을 구성하였다. 자율주행 리빙랩의 성과 요인은 국가 연구개발과제인 ｢자율주행 리빙랩 실증환경 운영 및 서비스를 통한 사업모델 개발｣의 연구개발 목표, 최종 성과물, 기대효과 등을 참조하여 작성하였다. 특히, 운영 경험 확보(AOE)는 주요 성과지표를 활용하여 작성 하였다.
<Table 2>
Description of Variables and Measurement Items
| Variables | Measurement Items | |
|---|---|---|
| Physical Environmental (PE) | PE1 | Establishment of infrastructure technology for autonomous driving |
| PE2 | Establishment of technological environment for autonomous driving ecosystems | |
| PE3 | Securing space for virtual environment laboratories | |
| PE4 | Building the physical environment of Open Innovation creative zones | |
| Operational Factors Related to Demand Entities (OFD) | OFD1 | Activation of participation by end-users (those directly involved in Living Lab verification plans, trials, and feedback) |
| OFD2 | Activation of participation by general citizens (those living under the Living Lab environment but not directly using the services) | |
| Operational Factors Related to Developers (OFE) | OFE1 | Establishment of environments for industry/academic/research participation in Open Innovation |
| OFE2 | Activation of governance that will operate during Living Lab formation/operation | |
| OFE3 | Activation of virtual environment laboratory operation | |
| OFE4 | Promotion of participation in Open Innovation creative zones and technology testing | |
| Promotion and Communication Factors (PC) | PC1 | Operation of exhibition halls |
| PC2 | Operation of websites (including social media) | |
| PC3 | Support for performance presentations at domestic and international events | |
| PC4 | Media promotion | |
| PC5 | Writing storytelling casebooks | |
| PC6 | Promotion through idea contests | |
| PC7 | Development of educational programs for using technologies/services participating in Living Labs | |
| Performance Activation Factors (PA) | PA1 | Supporting participating companies through the issuance of certificates |
| PA2 | Implementing consulting for the transfer of technologies/services involved in Living Labs | |
| PA3 | Supporting the commercialization of technologies/services involved in Living Labs | |
| PA4 | Preparing guidelines for the establishment/operation of autonomous driving Living Labs | |
| PA5 | Revising laws and policies to expand technologies/services verified in Living Labs | |
| PA6 | Leading technology standardization | |
| Promotion of Technology Development and Commercialization (TDC) | TDC1 | Accumulation of field test and verification experience |
| TDC2 | Acquisition of intellectual property rights such as patents | |
| TDC3 | Results such as new technology designation, product certification, etc. | |
| TDC4 | Contract and sales generated through commercialization of experimental products/services in Living Labs | |
| Acquiring Operational Experience in Autonomous Driving (AOE) | AOE1 | Securing operational distance of autonomous driving services within Living Labs |
| AOE2 | Securing operational time for verification (service) in Living Lab environments | |
| AOE3 | Securing operational data of autonomous driving services | |
| Creation of an Autonomous Driving Ecosystem (CAE) | CAE1 | Securing citizen satisfaction with autonomous driving services |
| CAE2 | Technology collaboration with large corporations | |
| CAE3 | Discovery and provision of solutions based on open innovation | |
| CAE4 | Legal revisions and policy utilization, establishment of design standards, etc. | |
| CAE5 | Support for discovering and scaling up autonomous driving startups | |
| CAE6 | Contribution to the education and recruitment of autonomous driving personnel | |
| Solution to Urban Transportation Problems (STP) | STP1 | Resolving issues related to traffic behavior and safety |
| STP2 | Solving issues related to urban spaces | |
| STP3 | Addressing environmental/energy-related problems | |
| STP4 | Solving problems related to construction and maintenance costs | |
| STP5 | Providing mobility rights for vulnerable groups | |
| STP6 | Resolving logistics-related problems | |
2) 분석 방법
본 연구는 자율주행 리빙랩의 구성 요소와 도시교통 문제 개선 간의 구조적 관계를 규명하기 위해 정량적 연구 방법에 기반한 구조방정식모형(Structural Equation Modeling, SEM)을 활용하였다. 총 9개의 잠재변수 (Latent Variables)와 48개의 측정지표(Observed Variables)로 구성하였으며, 분석에는 R Studio(R-4.4.3) 프로그램 을 활용하였다. 측정모형 평가는 R의 lavaan 패키지를 통해 확인하였으며, 확인적 요인분석(CFA: Confirmatory Factor Analysis)을 통해 각 요인의 신뢰성과 타당성을 검증하였다. 수렴타당성은 평균분산추출(AVE)과 요인부 하량(factor loading)을 기준으로 평가하였고, 모두 기준치인 AVE > 0.5, 요인부하량 > 0.7을 충족하였다. 판별타 당성은 Heterotrait-Monotrait ratio (HTMT)을 사용하여 검토하였다. 구조방정식모형 분석을 위해 부분최소자승 방법(Partial Least Squares SEM, 이하 PLS-SEM)을 적용하였다. PLS-SEM은 비교적 복잡한 경로 구조와 다수의 측정변수를 포함하는 모형에 적합하며, 추정량의 분포에 대한 가정을 최소화하고, 표본 수가 크지 않은 경우에 도 안정적인 추정을 가능하게 한다는 점에서 본 연구 목적에 부합한다(Hair et al., 2017). 특히, 본 연구에서는 여러 단계의 매개 효과와 간접효과까지 고려해야 하므로, 공분산 기반 방법보다 예측력 중심의 PLS-SEM이 적절하다고 판단하였다. 분석에는 R의 cSEM 패키지를 사용하였으며, 부트스트랩(Bootstrap) 재추출 방식으로 3,000번 반복하여 모수의 신뢰구간과 유의성을 검토하였다. 최초의 구조모형에서 전체적인 모형의 적합도 및 경로계수의 통계적 유의성을 기반으로 유의하지 않는 경로를 제거하면서 모형을 반복 수정하였다. 그 이후 경로계수(path coefficient)의 추정값, 표준오차(standard error), t-값, p-값을 통해 각 변수 간의 관계에 대한 통계 적 유의성을 확인하였다. 또한, 분석 결과는 직접효과(direct effect), 간접효과(indirect effect), 총효과(total effect) 로 구분하여 각 변수의 영향력을 보다 면밀히 해석하였다. 특히, 간접효과를 통한 매개 경로의 유의성을 함께 고려함으로써 리빙랩 운영 요소가 기술개발 및 사회적 영향에 이르기까지 어떠한 경로로 영향을 미치는지를 정량적으로 설명하였다.
Ⅳ. 분석결과
1. 신뢰성 및 타당성 평가
1) 신뢰성 평가
확인적 요인분석은 이론적으로 설정된 잠재변수(요인)와 관측변수간의 관계가 실제 자료에 잘 부합하지는 검정하는 통계기법이다. 설문지나 측정 도구의 구성 타당성을 평가할 때 사용되며, 각 문항이 의도한 요인을 잘 설명하는지를 확인할 수 있다. 모든 구성개념은 크론바흐 알파(Cronbach’s α) 및 Composite Reliability(CR) 기준값인 0.7을 상회하였으며, 이는 측정항목 간 높은 일관성을 시사한다(Hair et al., 2017). 또한 AVE는 대부 분의 구성개념에서 0.5를 초과하여 수렴타당성이 확보되었음을 의미한다. 예를 들어, 수요 주체와 관련된 운 영 요인(OFD)의 크론바흐 알파값은 0.711로 다른 잠재변수에 비해 상대적으로 낮은 편이나 나머지 변수들은 모두 0.75값 이상으로 보이고 있어 높은 신뢰도를 보여주고 있어, 측정 항목들이 해당 개념을 충분히 잘 설 명하고 있음을 확인하였다.
<Table 3>
Factor Analysis Results of Measurement Items
| Variables | Measurement Items | Convergent Validity | Reliability | |||
|---|---|---|---|---|---|---|
| Outer Loading | The average variance extracted (AVE) | Cronbach's alpha | Composite reliability (rho_a) | Composite reliability (rho_c) | ||
| Physical Environmental (PE) | PE1 | 0.505 | 0.614 | 0.774 | 0.792 | 0.823 |
| PE2 | 0.653 | |||||
| PE3 | 0.818 | |||||
| PE4 | 0.718 | |||||
| Operational Factors Related to Demand Entities (OFD) | OFD1 | 0.985 | 0.678 | 0.711 | 0.725 | 0.832 |
| OFD2 | 0.530 | |||||
| Operational Factors Related to Developers (OFE) | OFE1 | 0.609 | 0.664 | 0.754 | 0.769 | 0.805 |
| OFE2 | 0.572 | |||||
| OFE3 | 0.833 | |||||
| OFE4 | 0.749 | |||||
| Promotion and Communication Factors (PC) | PC1 | 0.685 | 0.641 | 0.822 | 0.835 | 0.862 |
| PC2 | 0.661 | |||||
| PC3 | 0.612 | |||||
| PC4 | 0.687 | |||||
| PC5 | 0.681 | |||||
| PC6 | 0.687 | |||||
| PC7 | 0.631 | |||||
| Performance Activation Factors (PA) | PA1 | 0.634 | 0.672 | 0.786 | 0.798 | 0.834 |
| PA2 | 0.757 | |||||
| PA3 | 0.672 | |||||
| PA4 | 0.547 | |||||
| PA5 | 0.665 | |||||
| PA6 | 0.674 | |||||
| Promotion of Technology Development and Commercialization (TDC) | TDC1 | 0.683 | 0.694 | 0.756 | 0.765 | 0.849 |
| TDC2 | 0.666 | |||||
| TDC3 | 0.789 | |||||
| TDC4 | 0.615 | |||||
| Acquiring Operational Experience in Autonomous Driving (AOE) | AOE1 | 0.752 | 0.762 | 0.815 | 0.821 | 0.881 |
| AOE2 | 0.851 | |||||
| AOE3 | 0.739 | |||||
| Creation of an Autonomous Driving Ecosystem (CAE) | CAE1 | 0.619 | 0.661 | 0.799 | 0.811 | 0.854 |
| CAE2 | 0.585 | |||||
| CAE3 | 0.717 | |||||
| CAE4 | 0.765 | |||||
| CAE5 | 0.653 | |||||
| CAE6 | 0.706 | |||||
| Solution to Urban Transportation Problems (STP) | STP1 | 0.650 | 0.701 | 0.807 | 0.816 | 0.865 |
| STP2 | 0.603 | |||||
| STP3 | 0.721 | |||||
| STP4 | 0.768 | |||||
| STP5 | 0.773 | |||||
| STP6 | 0.633 | |||||
2) 판별타당성
다음으로는 Henseler et al.(2015)이 제안한 HTMT(Heterotrait-Monotrait Ratio) 분석을 통해 판별타당성을 분 석하였다. 대부분의 구성요소 간 HTMT 값은 0.85 이하로 나타나고 있어, 안정적으로 서로 다른 잠재변수 간 의 개념 구분이 충분히 이루어졌음을 확인하였다. 다만, 물리적 환경 요인(PE)과 개발 주체와 관련된 운영 요인(OFE)의 HTMT값이 0.941로 다소 높게 나타났다. 이는 두 개념의 관측변수가 각각 동일한 시설물을 설 치하고 운영한다는 측면에서 밀접히 연관된 현실적 특성이 반영된 결과로 볼 수 있다. 본 연구에서는 자율주 행 리빙랩의 물리적 환경의 설치와 운영이 개념 및 적용 시점 상 명확하게 구분되므로, 이론적 정합성 등을 고려하여 두 개념을 분리하여 적용한다.
<Table 4>
HTMT – Heterotrait-monotrait ratio (HTMT) - Matrix
| Constructs | PE | OFD | OFE | PC | PA | TDC | AOE | CAE | STP |
|---|---|---|---|---|---|---|---|---|---|
| PE | - | ||||||||
| OFD | 0.362 | - | |||||||
| OFE | 0.941 | 0.507 | - | ||||||
| PC | 0.577 | 0.417 | 0.626 | - | |||||
| PA | 0.474 | 0.500 | 0.600 | 0.834 | - | ||||
| TDC | 0.536 | 0.568 | 0.575 | 0.693 | 0.806 | - | |||
| AOE | 0.523 | 0.425 | 0.591 | 0.563 | 0.725 | 0.655 | - | ||
| CAE | 0.549 | 0.384 | 0.597 | 0.827 | 0.933 | 0.831 | 0.680 | - | |
| STP | 0.484 | 0.289 | 0.525 | 0.656 | 0.657 | 0.621 | 0.562 | 0.835 | - |
2. 연구모형의 가설검증
1) 전체 모형 적합도
종속변수에 대한 설명력을 나타내는 결정계수(R²)는 대부분 변수에서 높은 수준을 기록하였다. 특히, 도시 교통 문제 개선(STP)의 R²는 0.919로 나타나 도시교통 문제 개선을 설명하는 모형의 설명력이 매우 우수하였 다. 그 외에도 생태계 조성(CAE)(0.908), 개발 주체와 관련된 운영 요인(OFE)(0.880), 성과 활성화 요인 (PA)(0.736) 또한 높은 설명력을 보였다. 반면, 수요 주체와 관련된 운영 요인(OFD)는 0.123 수준으로 비교적 낮은 값을 보였으나, 이는 입력변수인 물리적 환경 요인(PE) 하나에 의존하고 있기 때문으로 사료된다.
본 연구는 자율주행 리빙랩의 운영과 성과 간 전체적인 구조를 논의하는 것이 목적이므로 부분적인 설명 력이나 예측적 타당성을 평가하는 적합성 지표보다는 전체 모형 적합도를 판단하는 지표를 중심으로 모형을 평가하였다. 우선 PLS 기반 모형의 전반적인 적합도를 평가하는 지표로서 GoF(지수 적합도)는 0.561로 확인 되었다. 이는 Wetzels et al.(2009)이 제안한 기준에 따르면 ‘높음’(GoF > 0.36)에 해당하며, 모형의 전반적 적 합도가 우수함을 나타낸다.
2) 경로 및 매개효과 분석 결과
본 연구는 자율주행 리빙랩의 운영 요인이 도시교통 문제 개선에 미치는 구조적 영향을 규명하기 위해 부트스트랩 재표본추출(3,000회)을 통해 경로계수의 통계적 유의성을 검증하였다. 분석 결과는 <Table 5>에 서 확인할 수 있으며 전체 경로 중에서 유의하면서 가장 강력한 영향을 미친 것은 도시교통 문제 개선(STP) 에 대한 결정 요인으로는 생태계의 조성(CAE) 요인(β = 1.831, p < .001)이었으며, 그 외 대부분 경로의 계수 는 1을 넘지 않았다.
<Table 5>
Path analysis results
| Path | Estimate | Std.Error | t-value | p-value | 95% CI Lower | 95% CI Upper | Supported |
|---|---|---|---|---|---|---|---|
| PE → OFD | 0.350 | 0.109 | 3.205 | 0.001 | 0.136 | 0.545 | yes |
| PE → OFE | 0.811 | 0.064 | 12.727 | <0.001 | 0.676 | 0.903 | yes |
| OFD → OFE | 0.266 | 0.094 | 2.832 | 0.005 | 0.084 | 0.404 | yes |
| PE → PC | 0.491 | 0.105 | 4.685 | <0.001 | 0.292 | 0.697 | yes |
| OFD → PC | 0.345 | 0.108 | 3.189 | 0.001 | 0.132 | 0.528 | yes |
| OFD → PA | 0.210 | 0.135 | 1.559 | 0.119 | -0.010 | 0.514 | no |
| PC → PA | 0.730 | 0.114 | 6.417 | <0.001 | 0.452 | 0.903 | yes |
| PE → AOE | 0.505 | 0.120 | 4.212 | <0.001 | 0.197 | 0.660 | yes |
| OFD → AOE | 0.252 | 0.117 | 2.157 | 0.031 | 0.059 | 0.508 | yes |
| PE → TDC | 0.130 | 0.123 | 1.058 | 0.290 | -0.098 | 0.393 | no |
| OFD → TDC | 0.225 | 0.131 | 1.715 | 0.086 | -0.048 | 0.492 | no |
| PA → TDC | 0.621 | 0.163 | 3.809 | <0.001 | 0.272 | 0.911 | yes |
| OFD → CAE | -0.192 | 0.093 | -2.065 | 0.039 | -0.332 | 0.031 | yes |
| PC → CAE | 0.191 | 0.139 | 1.372 | 0.170 | -0.080 | 0.459 | no |
| PA → CAE | 0.610 | 0.201 | 3.032 | 0.002 | 0.180 | 0.922 | yes |
| TDC → CAE | 0.327 | 0.163 | 2.012 | 0.044 | 0.002 | 0.666 | yes |
| OFD → STP | 0.263 | 0.147 | 1.792 | 0.073 | -0.114 | 0.433 | yes |
| PA → STP | -1.355 | 0.374 | -3.619 | <0.001 | -1.581 | -0.105 | yes |
| AOE → STP | 0.232 | 0.159 | 1.462 | 0.144 | -0.187 | 0.435 | no |
| CAE → STP | 1.831 | 0.293 | 6.259 | <0.001 | 0.924 | 2.034 | yes |
전체 구조에 있어 시작점이라고 볼 수 있는 물리적 환경 요인(PE)은 수요 주체와 관련된 운영 요인(OFD) 와 개발 주체와 관련된 운영 요인(OFE)에 각각 유의미한 정(+)의 영향을 미치는 것으로 나타났다(β = 0.350, p = .001; β = 0.811, p < .001). 이는 물리적 인프라와 기반 여건이 사용자 및 개발자 중심의 리빙랩 운영을 촉진하는 기본적 기반 요소임을 시사한다. 또한, 수요 주체와 관련된 운영 요인(OFD)은 홍보 및 대국민 소통 요인(PC)에 유의한 영향을 미쳤으며(β = 0.345, p = .001), 이는 사용자 중심 운영이 대국민 소통 활동과 밀접 하게 연결되어 있음을 보여준다.
성과 활성화 요인(PA)에 대한 영향에서는 홍보 및 대국민 소통 요인(PC)이 가장 강한 영향력을 보였으며 (β = 0.730, p < .001). 이러한 결과는 성과 창출을 위해 홍보 및 대국민 소통 요인(PC)이 중요한 매개 역할을 수행함을 나타낸다. 나아가 기술개발 및 상용화 촉진(TDC)는 성과 활성화 요인(PA)의 영향을 유의하게 받았 으며(β = 0.621, p < .001), 생태계의 조성(CAE)은 성과 활성화 요인(PA)뿐만 아니라 기술개발 및 상용화 촉 진(TDC)의 영향도 함께 받는 것으로 나타났다(β = 0.610, p = .002; β = 0.327, p < .05). 도시교통 문제 개선 (STP)에 대한 결정 요인으로 운영 경험 확보(AOE)의 영향은 통계적으로 유의하지 않은 것으로 나타났다.
경로계수를 포함한 전체모형의 구조도는 <Fig. 2>와 같다. 유의수준이 0.05보다 큰 경로는 점선으로 표현하였으 며 최종적인 도시교통 문제 개선의 성과를 달성함에 있어 핵심 역할을 하는 경로는 굵은색 실선으로 표현하였다. 개발 주체와 관련된 운영 요인(OFE)은 협의체 운영이나 가상환경 실험실, 오픈이노베이션 창의존, 아이디어 공모전 등을 포함하고 있는데 이와 같은 측정지표는 대부분 기존 물리적 환경을 단순 운영하는 것이므로 직접적으 로 자율주행 리빙랩의 성과를 발생시키는데 큰 역할을 수행하지는 못하는 것으로 사료된다. 성과 잠재 변수 중 운영 경험 확보(AOE)는 자율주행 서비스의 주행거리 달성, 운영시간 최대화, 수집 데이터의 확보 등을 측정변수 로 설정하고 있는데, 이것은 「자율주행 리빙랩 실증환경 운영 및 서비스를 통한 사업모델 개발」의 정량적 연구개발 목표이나 실질적으로 기술개발 및 상용화를 촉진하거나 최종적인 도시교통 문제 개선에 도움이 되지는 못하였다. 성과 활성화 요인(PA)은 측정변수로서 인증서, 기술 이전 컨설팅, 가이드라인, 제도 개정 등의 내용을 포함하고 있는데, 이것이 직접적으로 기술개발 및 상용화 촉진에 직접적으로 기여하나, 강화되는 규제 및 제도의 측면이 존재하므로 도시교통 문제 개선에 오히려 부정적 영향을 미친 것으로 분석되었다. 이는 성과 활성화 요인이 자칫 복잡한 제도나 규율 중심으로 운영될 경우 복잡성이 높고 창의적 문제 해결 대안이 요구되는 도시교통 문제 개선의 성과에 부정적 영향을 미칠 수 있음을 의미한다.
매개효과 분석 중 간접효과를 분석한 결과 물리적 환경 요인(PE)은 성과 활성화 요인(PA)과 기술개발 및 상용화 촉진(TDC), 도시교통 문제 개선(STP)에 간접적으로 유의한 영향을 미치는 것으로 분석되었다. 예를 들어, 물리적 환경 요인(PE) → 성과 활성화 요인(PA) 경로의 간접효과는 β = 0.521(p < .001)로 나타났으며, 이는 수요 주체와 관련된 운영 요인(OFD)과 홍보 및 대국민 소통 요인(PC)을 매개로 한 영향이다. 기술개발 및 상용화 촉진(TDC)에 대한 간접효과 역시 유의미했으며(β = 0.402, p < .001), 성과 활성화 요인(PA)을 경 유하는 간접 경로가 작용한 것으로 해석된다. 또한 홍보 및 대국민 소통 요인(PC)은 도시교통 문제 개선 (STP)에 간접적으로도 유의한 영향을 미쳤다(β = 0.449, p < .01). 이는 홍보 및 대국민 소통 요인(PC)이 기술 개발 및 상용화 촉진(TDC), 나아가 도시교통 문제 개선(STP)으로 이어지는 구조적 매개 역할을 수행하고 있 음을 의미한다.
전체효과를 종합적으로 살펴보면, 생태계의 조성(CAE) → 도시교통 문제 개선(STP)(β = 1.831, p < .001), 성과 활성화 요인(PA) → 기술개발 및 상용화 촉진(TDC)(β = 0.621, p < .001), 홍보 및 대국민 소통 요인(PC) → 성과 활성화 요인(PA)(β = 0.730, p < .001)의 경로가 가장 강력한 영향을 미치는 것으로 확인되었다. 이는 성과 활성화와 생태계 조성이 자율주행 리빙랩의 도시교통 문제 개선 및 사회적 파급효과에 핵심적인 역할 을 하고 있음을 보여준다.
<Table 6>
Path analysis results
*** p<0.001, ** p<0.01, * p<0.05
| Path | Direct effect (Estimate) | Indirect effect (Estimate) | Total effect (Estimate) |
|---|---|---|---|
| OFD ← PE | 0.350*** | NA | 0.350*** |
| OFE ← PE | 0.811*** | 0.093* | 0.904*** |
| OFE ← OFD | 0.266ㅊ | NA | 0.266** |
| PC ← PE | 0.491*** | 0.121* | 0.612*** |
| PC ← OFD | 0.345** | NA | 0.345** |
| PA ← PE | NA | 0.521*** | 0.521*** |
| PA ← OFD | 0.210 | 0.252** | 0.462*** |
| PA ← PC | 0.730*** | NA | 0.730*** |
| AOE ← PE | 0.505*** | 0.088. | 0.594*** |
| AOE ← OFD | 0.252* | NA | 0.252* |
| TDC ← PE | 0.13 | 0.402*** | 0.532*** |
| TDC ← OFD | 0.225. | 0.287** | 0.512*** |
| TDC ← PC | NA | 0.453** | 0.453** |
| TDC ← PA | 0.621*** | NA | 0.621*** |
| CAE ← PE | NA | 0.542*** | 0.542*** |
| CAE ← OFD | -0.192. | 0.515ㅊ | 0.323** |
| CAE ← PC | 0.191 | 0.594*** | 0.785*** |
| CAE ← PA | 0.610** | 0.203. | 0.813*** |
| CAE ← TDC | 0.327* | NA | 0.327* |
| STP ← PE | NA | 0.516*** | 0.516*** |
| STP ← OFD | 0.263* | 0.024 | 0.287* |
| STP ← PC | NA | 0.449** | 0.449** |
| STP ← PA | -1.355*** | 1.489*** | 0.135 |
| STP ← AOE | 0.232 | NA | 0.232 |
| STP ← TDC | NA | 0.599** | 0.599** |
| STP ← CAE | 1.831*** | NA | 1.831*** |
Ⅴ. 결론 및 향후 과제
본 연구는 자율주행 리빙랩이 도시교통 문제 개선에 어떠한 구조적 영향을 미치는지를 실증적으로 규명 하고자, 구조방정식 모형을 활용하여 이론적 프레임워크를 구성하고 검증하였다. 특히 물리적 환경, 리빙랩 운영 요인(수요자 중심·공급자 중심), 커뮤니케이션, 성과 활성화, 기술개발, 생태계 조성 등의 구성 개념이 도시교통 문제 개선이라는 사회적 효과에 어떻게 영향을 미치는지를 계량적으로 분석하였다.
연구 결과, 물리적 환경은 수요 및 개발 주체 관련 운영에 긍정적인 영향을 미치며, 이는 다시 커뮤니케이 션 활동과 성과 활성화 요인으로 이어졌다. 수요 주체와 관련된 운영 요인은 단순히 실증에 참여하는 수준을 넘어, 커뮤니케이션 및 성과 활성화에 중요한 매개 역할을 수행하였으며, 성과 활성화 요인은 기술개발 및 상용화 촉진뿐 아니라 도시교통 문제 개선으로 이어지는 구조에서 핵심적인 위치를 차지하였다. 무엇보다 생태계 조성 요인은 도시교통 문제 개선에 가장 직접적이고도 강력한 영향을 미치는 변수로 나타났으며, 이 는 단일 기술이나 사업의 성과보다 지속 가능한 시스템 구축이 중요하다는 점을 시사한다.
본 연구 결과를 바탕으로 자율주행 리빙랩의 효과적인 운영을 위한 다음과 같은 전략적 제언을 도출할 수 있다. 첫째, 물리적 기반 시설 및 테스트 환경의 확장성이 중요하다. 자율주행 리빙랩의 성과를 높이기 위해 서는 실제 도로 환경, 통신 인프라, 제도적 실험 공간 등 물리적 환경의 확충이 선결 과제이다. 초기에는 자 율주행 국가연구개발의 틀을 중심으로한 리빙랩 구축 및 운영이 불가피하겠지만, 향후 이를 기반으로 민간 이 참여하는 리빙랩의 물리적 환경 확충을 지속적으로 유도해야 자율주행 서비스의 기술개발 등이 확대될 수 있다. 둘째, 수요 주체 관련 운영 모델 강화가 필요하다. 리빙랩은 시민, 이용자, 지역 커뮤니티 등 수요자 가 실질적으로 참여할 수 있는 구조로 설계되어야 하며, 사용자 중심의 운영 경험 축적은 기술의 신뢰성과 수용성 제고에 결정적인 역할을 한다. 셋째, 대국민 소통 강화 및 성과 확산 요인이 중요하다. 기술 성과에 대한 대국민 홍보, 정책 피드백 채널 구축, 이해관계자 간의 투명한 정보 공유 구조가 필요하다. 커뮤니케이 션 요인은 단순한 홍보를 넘어 자율주행 생태계를 구축하는 중요한 연결고리이다. 마지막으로 생태계 기반 통합 전략 추진이 필요하다. 자율주행차의 기술은 해당 도시의 시민이 수용하고 이용해야 완성되며, 궁극적 으로는 도시교통 문제를 해결할 수 있어야 지속될 수 있다. 자율주행 리빙랩은 특정 공간의 물리적 환경 조 성에서 끝나는 것이 아니라 지속적으로 기업·연구기관·지자체·시민사회가 연계될 때만 리빙랩 구축 목적이 달성될 수 있다. 이를 통해 기술, 데이터, 운영 및 문제해결 경험이 축적되고 확산되는 선순환 구조를 만들어 낼 수 있다.
본 연구는 자율주행 리빙랩이 도시교통 문제 개선에 실질적으로 기여하기 위한 구조적 접근과 전략 방향 을 제시하였으며, 자율주행 기술의 공공성과 사회적 파급력을 높이기 위한 정책적 기반 구축에 중요한 시사 점을 제공한다. 다만, 향후 연구로서 다양한 참여 주체에 기반한 성과 요인 구조를 분석하는 과정도 필요하 다. 현재는 자율주행 리빙랩의 구축 이전 단계이나 향후 자율주행 리빙랩에서 사용자 중심의 서비스 경험이 누적된 이후 설문조사 대상자를 확대한다면 사용자를 포함한 다양한 소속 집단에 따른 전략적 중요도 경로 를 규명할 수 있을 것이다. 또한 리빙랩의 성과 달성을 위한 전략은 초기 추진 단계와 확산 단계에서 다른 경로를 보일 수 있으므로, 시계열적 연구를 통해 영향 경로를 분석할 필요가 있고, 도시형, 도농복합형, 산업 단지형 등과 같이 지역 도시교통 공간적 특성과 이에 따른 성과 발생 매커니즘이 상이할 수 있으므로 다양 한 도시 환경에 적합한 맞춤형 전략을 제시할 수 있는 분석틀 개발이 필요하다. 마지막으로 본 연구의 계량 분석 중심의 연구를 보완하기 위해 장기적으로 리빙랩 참여자들의 경험, 정책 추진 주체의 인식, 제도적 장 벽 등에 대한 심층 인터뷰와 사례연구를 병행한 통합적 연구가 필요하다.
