Ⅰ. 서 론
전 세계적으로 기후 위기 대응과 지속 가능한 발전에 관한 관심이 높아짐에 따라, 각국은 탄소중립을 실현하기 위해 다양한 정책을 추진하고 있다. 특히 교통 부문은 이산화탄소 배출량의 주요 원인 중 하나로 지목되면서 친환경 모빌리티로의 전환은 더욱 가속화되고 있는 추세이다(IPCC, 2022). 유럽연합(EU)은 2035년부터 내연기관 차의 판매를 전면 금지하겠다는 계획을 발표하며 전기차(Electric Vehicle; EV) 보급 확대에 박차를 가하고 있으며 (KEEI, 2025), 미국 또한 2022년 제정된 인플레이션 감축법(Inflation Reduction Act; IRA)을 통해 EV 구매자에 대한 세금 면제 혜택과 제조업 지원을 포함한 강력한 산업 전환 전략을 제시하고 있다(Kim, 2024).
이러한 세계적 흐름 속에서 우리나라도 ‘2050 탄소중립’ 및 ‘그린뉴딜’ 정책의 일환으로 EV 보급 확대를 적극 추진하고 있다. 다양한 보조금 제도와 세금 면제 혜택, 충전 인프라 확대 정책 등을 통해 EV 시장의 성 장을 이끌고 있으며, 그 결과 국내 EV 등록 대수는 꾸준히 증가하고 있다(ME, 2025). 관련 통계자료(KSGA, 2025)에 따르면 2024년 기준 국내 EV 등록 대수는 68만 대를 넘어섰으며, 이는 불과 5년 전인 2020년 대비 약 407.0%, EV가 보급된 2016년 대비 6,203.5%의 성장률을 기록한 수치이다. 전체 자동차 등록 대수에서 EV 가 차지하는 비중 또한 2.6%에 도달하며 본격적인 시장 확대 국면에 진입했음을 보여준다.
그러나 EV 보급이 일정 수준에 도달하면서, 기술 수용 주기의 ‘캐즘(Chasm)’ 단계에 진입했다는 분석도 제기되고 있다. 즉, 초기 수용자(Early Adopters)를 지나 주류 소비자(Mainstream Users)로의 확산이 둔화하고 있으며, 그 주요 원인 중 하나로 ‘주행거리 불안(Range Anxiety)’이 지목되고 있다(Joo and Kwon, 2023). 2024 년 EV 이용자 조사(KEVUA, 2025)에 따르면 응답자들은 급발진 및 화재와 같은 하드웨어적 안전성 문제뿐 만 아니라 충전 인프라의 부족과 장거리 운행의 제약에서 기인하는 주행거리 불안을 EV의 주요 한계 요인 으로 인식하고 있었다. 특히 전체 응답자의 93.4%가 EV 비보유자로 나타나 이러한 요인들이 EV 보급 확산 에 부정적인 영향을 미치고 있음을 확인할 수 있다. 이와 같이 주행거리 불안은 EV의 제한된 주행 가능 거 리와 충전 인프라의 밀도 및 접근성 부족에서 비롯되는 심리적 요인으로, 특히 장거리 이동이나 낯선 지역을 주행할 때 더욱 두드러지게 나타난다.
정부와 민간 차원에서는 이를 해소하기 위해 장거리 주행의 편의를 위한 고속도로 중심의 급속 충전소 확 충, 생활권 충전기 보급, 충전 정보 제공 시스템 고도화 등 다양한 정책을 시행하고 있다. 그러나 이와 같은 물리적 인프라 중심의 접근만으로는 EV 이용자의 심리적 장벽을 완전히 해소하기 어렵다는 한계도 분명히 존재한다. 주행거리 불안은 단지 충전소의 유무만으로 결정되지 않으며, 운전자의 일상적인 주행행태, 평균 이동 거리, 충전 습관, 회생 제동 활용 여부, 심리적 통제감 등 행태적·인지적 요인들이 복합적으로 작용하는 문제이기 때문이다.
기존 연구에서는 주행거리 불안의 개념 정의 및 영향 요인, 기술적 해결책 중심의 논의는 활발히 이루어 졌으나 이용자 개인의 특성과 경험을 반영하고 군집화(Clustering)를 기반으로 심층 분석한 연구는 상대적으 로 부족한 실정이다(He and Hu, 2023;Rainieri et al., 2023;Shrestha et al., 2022). 실제로 동일한 지역, 동일한 충전 인프라 환경에 놓인 사용자라도 주행 스타일이나 이용 목적, 충전 습관에 따라 주행거리 불안의 수준은 매우 다를 수 있으며, 이는 EV 수용성과 지속 사용에도 큰 영향을 미친다.
이에 본 연구는 EV 운전자의 인구통계학적 특성, 주행 및 충전행태에 따라 주행거리 불안의 유형을 군집 화하고, 각 군집 간 불안 수준과 행태 차이를 실증적으로 분석하였다. 이를 통해 주행거리 불안을 보다 정교 하게 이해하고, 유형별 맞춤형 정책 및 서비스 설계에 필요한 실증적 근거를 제시하고자 한다. 또한 본 연구 는 주행거리 불안을 단일 요인으로 인식하기보다, 통행 목적, 주행행태, 충전행태 등 다차원적 상황 요인의 상호작용으로 형성되는 심리적 현상으로 규정하였다. 이러한 접근은 주행거리 불안을 개별 변수 단위가 아 닌 행태 간 상호작용 구조로 해석했다는 점에서 기존 연구와 구별되는 이론적 기여를 가진다. 궁극적으로는 EV의 지속적 확산을 위한 심리·행태 기반의 수요자 중심 접근방식을 제안하는 데 본 연구의 의의가 있다.
Ⅱ. 선행연구
1. EV 이용자의 충전행태
Yoo et al.(2023)의 연구에서는 국내 EV 이용자의 실제 충전행태를 실증적으로 파악하기 위해 이용자 설문 과 실주행 패널 데이터를 결합하여 분석하였다. 분석 변수는 월평균 충전 빈도, 충전 시작/종료 SoC 분포, 주 이용 충전 장소, 충전 방식, 1회 충전당 주행거리, 다음 주행거리, 충전 소요 시간, 배터리 보호 등과 같은 충 전 목표량 결정 요인 등으로 구성되었다. 연구 결과, 충전은 주거지·직장 중심으로 이루어졌고, 충전 종료 SoC는 80~100% 구간에 집중되는 경향이 확인되었다. 또한 경유지에서 충전을 고려하지 않고 목적지까지 도 달하는 것을 선호하여 초단거리 이동 후에도 충전하는 행태가 관측되었으며, 이는 주행거리 불안을 예방하 는 사전 보충행태로 볼 수 있다. 실제 초단거리 통행→충전→장거리 통행→충전행태가 관찰되었으며, 충전 목표량은 다음 주행거리와 시간 제약 같은 상황 요인의 영향으로 목적지까지 여유롭게 운행하려는 의도가 내포된 것으로 분석되었다.
Park and Kim(2022)의 연구에 따르면 EV 운전자의 충전행태 이질성을 규명하기 위해 운전자 표본의 직전 일주일간 모든 충전 이벤트를 수집하고 잠재 계층분석을 적용하였다. 주요 변수는 일주일간의 장소별·유형 별 주당 충전 빈도와 충전 장소, 선호 충전 방식, 연간 주행거리 등을 사용하였다. 분석 결과, 국내 EV 충전 행태는 주 충전 장소와 충전기 유형에 따라 혼용완속형, 주거지완속형, 공용 중심형, 직장완속형으로 분류할 수 있고, 충전 인프라 유형별 접근성 및 충전 인프라 유형별 선호도와 일부 주행거리 및 주차 여건 등이 충 전행태에 영향을 미치는 요인으로 분석되었다.
Park et al.(2017)의 연구는 EV 이용자의 충전행태를 분석하기 위해 제주 지역 공공 충전 인프라의 이용 기 록을 분석하였다. 수집된 데이터는 충전시설 위치, 충전 시간, 충전 전력량 등 충전소와 충전 이용에 관한 데 이터로 이를 분석하여 시설유형·지역·시간대별 이용 특성과 충전유형별 이용 비중을 정량적으로 제시하였 다. 분석 결과, 유형의 경우 완속 충전보다 급속 충전의 이용 비중이 높고, 시간대의 경우 급속은 오후, 완속 은 오전의 이용량이 높은 것으로 관측되었다. 이는 목표 충전량에 도달하기 위한 잔여 충전 시간에 영향을 미치는 것으로 분석되었다.
Lee et al.(2022)의 연구에서는 EV 이용자들의 장소와 특성에 따른 선호 충전 인프라를 확인하기 위해 EV 이용자 대상 설문조사와 충전, 활동, 통행일지 자료를 활용하여 잠재 계층분석을 하였다. 분석 결과, 완속 충 전기 비율에 따른 세 가지 장소 유형을 도출하였고, 잠재 계층 군집분석을 통해 충전행태와 주말 통행행태 그리고 성별, 소득 등 사회경제적 변수, 차량의 특성, 통행 및 충전행태와 연관된 군집을 유형화하였다. 또한 분석을 통해 숙박시설은 완속 선호가 높고 고속휴게소는 선호도가 낮은 등의 이용자 집단 간 이질적 선호 구조를 확인하였으며, 이러한 이질성을 반영한 장소별 혼합공급 전략의 필요성을 강조하였다.
Anderson et al.(2023)은 2020년 독일의 EV 이용자들을 대상으로 실제 충전행태와 선호도를 분석한 대규모 실증연구를 수행하기 위해 약 4,000명의 친환경 차량 보유자를 대상으로 온라인 설문조사를 실시하고, 실제 충전 경험에 기반한 데이터를 활용하였다. 해당 연구는 충전 가격, 주요 충전 위치, 선호 충전 방식, 추가 보 행 허용 시간, 스마트 충전에 대한 인식 등 다양한 행태적 요인을 정량적으로 분석하였으며, 충전 결정에 영 향을 미치는 주요 요인은 가격, 대기시간, 인프라 점유율, 충전 전력이며, EV 이용자는 특히 높은 충전 전력 을 선호하는 경향이 관측되었다.
2. EV 이용자의 주행행태
Park et al.(2024)는 탄소중립 정책에 따라 내연기관에서 EV로 전환될 때 주행행태에 미치는 영향을 분석하 기 위해 국내 EV 운전자의 1일 평균 주행거리를 산출하고 그 결정 요인을 다중회귀분석으로 규명하였다. 분 석 결과, 자동차 보유 대수, 직업, 성별, 연료비용, 조사 연도, 이용 기간 등 사회·경제·차량 보유 특성이 EV 주행거리에 유의한 영향을 미치는 것으로 분석되었다. 반면 연비, 주행거리 등의 특성은 통계적으로 유의하 지 않아 국내 EV 운전자는 상대적으로 연료비용에 민감하고 장거리 주행행태를 가진 운전자 비율이 높고 EV 보급 확대 시기에 따라 신차 비율이 높아 상대적으로 긴 주행거리 특성을 보이는 것으로 판단된다.
Song et al.(2018)의 연구에서는 EV와 내연기관차 이용자의 운행 실태와 인지 평가를 비교하였다. 분석 변 수에는 하루 주행거리, 총 주행거리, 일 사용 시간, 주요 차량 사용 목적, 통근소요시간, 통근 거리, 도심 주 행 비중 등의 주행행태 지표와 충전행태, 전반적인 EV 이용에 대한 만족도 지표가 포함되었다. 분석 결과, EV 보유자는 통근 거리와 일상 사용 강도가 상대적으로 높고, 도심 주행 비중과 같은 주행행태 지표가 집단 간 평가 차이를 설명하는 데 유용함이 확인되었다.
Joo et al.(2017)의 연구에서도 EV 구매 의사 분석에서 주행행태와 심리적 특성의 관계를 분석하였으며, 통 근 거리, 일일 사용 시간, 연간 사용량, 도심 주행 비중 등 주행행태 지표와 함께 환경성향, 혁신성향 등의 심 리적 변수를 포함하여 주행행태 지표와 심리적 요인이 EV 평가 및 의도와 유의미하게 연관됨을 확인하였다.
3. 주행거리 불안
Ma et al.(2025)의 연구에서는 실제 운행 데이터를 기반으로 EV 운전자의 주행거리 불안을 Weber- Fechner law로 정량화하고 그 결정 요인을 규명하였다. 분석은 운행 행태와 배터리 상태를 함께 고려하도록 구성되었 으며, 특히 장시간 이동과 낮은 배터리 잔량 구간을 핵심 설명변수로 다루었다. 분석 결과, 장거리·장시간 운 행에 노출되거나 낮은 배터리 잔량 구간을 경험할수록 주행거리 불안이 유의하게 상승하는 경향이 확인되었 다. 특히 여성 운전자는 저속 충전과 배터리 잔량이 낮은 조건에서 주행거리 불안이 증가했고, 고령 운전자 는 전반적으로 주행거리 불안이 높은 것으로 분석되었다. 이 연구는 실측 기반으로 시간 및 거리와 에너지 상태가 불안 수준을 직접적으로 매개함을 보여준다.
Rainieri et al.(2023)은 주행거리 불안 현상 발생 요인을 심리, 휴먼팩터, 사회기술 관점으로 규정하고 이를 포괄하는 문헌 고찰을 통해 주행거리 불안의 개념 구분과 측정 도구를 정리하였다. 설문과 시나리오 기반 분 석을 통한 분석 결과, 주행거리 불안은 단일 차원이 아니라 인지·정서·행동이 상호작용하는 다차원적 구성 개념으로 지각, 태도와 같은 운전자 특성, 차량·기술 특성, 인프라 및 정보환경이 결합된다는 점을 제시하였 다. 이와 같이 연구를 통해 주행거리 불안이 심리, 휴먼팩터, 사회기술 변수 간 유의미한 것으로 분석되었다.
Zatsarnaja et al.(2025) 연구에서는 노르웨이 EV 운전자를 대상으로 상황별 주행거리 불안을 실증 분석하였 다. 분석은 운전 경험, 충전 관련 사용자 경험, 심리적 특성, 사회인구학적 특성과 함께 장거리 이동, 낯선 경 로, 기상 조건 등 다양한 상황 요인을 고려해 불안 수준의 변화를 비교하였으며, 특정 상황에 노출될 때 주 행거리 불안이 상대적으로 높아지는 양상을 확인하였다. 이 결과는 주행거리 불안이 맥락 의존적이며, 동일 한 운전자라 하더라도 운행 상황에 따라 불안 반응이 유의하게 달라질 수 있음을 보여준다.
Kang and Son(2017)의 연구는 전기렌터카 이용자가 충전소 대기 차량으로 인한 회차 경험이 전기 렌터카 이용 만족도와 주행거리 불안 등 인식변화에 미치는 영향을 분석하였다. 분석을 위해 이용 만족도에 대한 최 소 제곱 모형과 인식변화에 대한 평균 처리 효과 모형을 설계하였으며, 분석 결과 충전 대기로 다른 충전소 로 이동한 경험이 있는 집단은 그렇지 않은 집단에 비해 이용 만족도가 낮고, 주행거리 불안 완화 수준도 낮 게 나타났다.
Rauh et al.(2015)의 연구에서는 배터리 전기 자동차(Battery Electric Vehicle; BEV) 운전 경험이 주행거리 불 안에 미치는 영향을 분석하기 위해 경험자와 미경험자를 비교하였다. 참가자들은 계획 주행거리가 예상 주 행거리보다 큰 위기 상황에 직면하도록 유도되었고, 이때의 인지적 평가(위협/도전 인식), 감정적 반응(스트 레스), 행동적 지표(잔여 거리 디스플레이 응시 횟수) 등을 종합적으로 측정하였다. 분석 결과, EV 주행 경험 이 많은 참가자는 위협 인식이 낮고, 자기 효능감과 통제 기대는 높았으며, 주행 중 스트레스와 잔여 거리 확인 빈도 역시 유의하게 낮은 수준을 보였다. 반면 도전 인식에는 경험 유무에 따른 차이가 관찰되지 않았 다. 이는 EV 주행 경험이 위기 상황을 ‘위협’보다는 ‘도전’으로 재해석할 수 있도록 돕는 인지적 재구성 효 과를 지닌다는 점을 시사한다.
Pevec et al.(2020)은 EV 보유자와 비보유자(잠재 구매자)를 대상으로 주행거리 불안에 대한 인식 차이를 실증적으로 비교 분석하였다. 이 연구는 기존 주유소 인프라와 EV 충전소 인프라의 간격에 대한 선호도, 배 터리 잔량(States of Charge; SoC) 및 잔여 주행거리가 주행거리 불안에 미치는 영향을 중심으로 설계된 설문 을 통해 데이터를 수집하였다. 분석 결과 잔여 주행거리가 SoC보다 주행거리 불안에 더 큰 영향을 미친다는 결과를 도출하였다. EV 비보유자는 SoC와 주행거리 변화에 민감하게 반응하며, SoC가 15% 이하로 떨어지면 충전을 선호하는 경향이 있었다. 반면 EV 보유자는 상대적으로 불안 수준이 낮았으며, 이는 실사용 경험에 따른 학습 효과로 해석되었다.
4. 차별성
선행연구 검토 결과 충전행태, 주행행태, 주행거리 불안에 관한 연구는 활발히 진행되었으며, 요인별 다양 한 조합으로 EV 이용행태를 규명해 왔다. 본 연구는 선행연구의 연속성을 갖고 확장하여 행동·인프라·심리 를 동일 표본의 설문 문항으로 동시 수집·분석하는 통합적 설계를 채택함으로써 차별성을 갖는다. 나아가 세 요인의 상호작용을 반영한 군집분석으로 이용자 유형을 도출하고, 유형별 이용 특성과 불안 맥락을 실증적 으로 제시함으로써 주행거리 불안 완화를 지향하는 EV 활성화 방안을 제안하고자 한다.
Ⅲ. 연구 방법론
1. 설문조사 데이터
본 연구는 EV 이용자 집단 내에 존재할 수 있는 주행 및 충전행태와 상황별 주행거리 불안 경험의 잠재 적 구조를 파악하는 탐색적 연구(Exploratory Research)로 설계되었다. 즉, 사전에 특정 가설을 설정하여 검증 하는 확인적 연구(Confirmatory Research)가 아닌 데이터 기반으로 이질적 사용자 유형을 식별하고 그 특질 차이를 기술·해석하는 것을 연구 목적의 중심으로 둔다.
본 연구에서는 인구통계학적 특성, 주행 및 충전행태에 따라 주행거리 불안의 유형을 군집화하기 위해 EV 이용자를 대상으로 설문조사를 실시하였다. 설문조사는 온라인 설문조사 플랫폼을 활용하였으며, 총 214 명의 응답을 확보하였다. 설문 문항은 선행연구를 참고하여 구성하였으며, 연구의 차별성 및 EV의 이용 행 태를 더 정밀하게 파악하기 위해 ‘주행 경로 행태’, ‘회생 제동 사용 여부’ 등과 같은 문항을 추가하였다. 이 와 같이 설문 문항은 크게 이용자의 인구통계학적, 일상적인 주행 및 충전행태, 주행 중 주행거리 불안이 발 생하는 상황으로 구성되었으며, 총 26문항으로 이루어져 있다. 설문조사는 선행연구와 차별성을 갖기 위해 충전행태와 함께 주행행태, 주행거리 불안에 미치는 심리적 불안을 함께 조사하기 위한 설문 문항을 구성하 였다. 이에 Yoo et al.(2023), Park and Kim(2022), Park et al.(2017), Lee et al.(2022)의 선행연구를 참고하여 충 전행태 9개 설문 문항을, Park et al.(2024), Song et al.(2018), Joo et al.(2017)의 선행연구를 바탕으로 주행행태 4개 설문 문항을 도출하였다. 추가로 Ma et al.(2025), Rainieri et al.(2023), Zatsarnaja et al.(2025), Kang and Son(2017)을 참고하여 주행거리 불안과 관련된 7개 문항을 구성하고, 개인 특성 5개 문항을 더해 <Table 1> 과 같이 총 26개 문항을 완성하였다.
<Table 1>
A list of survey
| Variable | Description | |
|---|---|---|
| Personal Characteristics | Age | 1=20s, 2=30s, 3=40s, 4=50s, 5=60s and above |
| Gender | 1=Male, 2=Female | |
| Residential area | 1=Metropolitan, 2=Medium-sized city, 3=Rural area | |
| Driving experience | 1=Less than 1 year, 2=1~5 years, 3=6~10 years, 4=More than 10 years | |
| Main purpose of vehicle use | 1=Commuting(work), 2=Commuting(school), 3=Business, 4=Shopping, 5=Leisure, 6=Others | |
| Charging Behavior | Maximum driving range on a full charge | 1=<300km, 2=300~400km, 3=400~500km, 4=>500km |
| Average daily driving distance | 1=<10km, 2=10~50km, 3=50~100km, 4=>100km | |
| Main charging location | 1=Home, 2=Workplace, 3=Public charging station, 4=Others | |
| Charging frequency | 1=Daily, 2=2~3 times/week, 3=Once/week, 4=Only when needed | |
| Battery level when charging | 1=<10%, 2=10~25%, 3=25~50%, 4=50~75%, 5=>75% | |
| Preferred charging method | 1=Fast charging, 2=Slow charging, 3=Both | |
| Average waiting time at charging station | 1=<5min, 2=5~10min, 3=10~20min, 4=>20min | |
| Average charging time | 1=<30min, 2=30min~1hr, 3=>1hr | |
| Charging frequency per week | 1=Daily, 2=4~5 times/week, 3=2~3 times/week, 4=Rarely | |
| Driving Behavior | Average trip distance | 1=<10km, 2=10~30km, 3=30~50km, 4=>50km |
| Typical driving pattern | 1=Planned route, 2=Unplanned route | |
| Main road type used | 1=Urban 4-lane road, 2=Suburban 2-lane road, 3=Unpaved road | |
| Use of regenerative braking | 1=No, 2=Low usage, 3=High usage | |
| Range Anxiety | Battery level when range anxiety is felt | 1=<10%, 2=<20%, 3=<30%, 4=<40%, 5=<50%, 6=≥50% |
| Remaining range when range anxiety is felt | 1=<50km, 2=<100km, 3=<150km, 4=<200km, 5=≥200km | |
| Battery level to start looking for charger | 1=<10%, 2=<20%, 3=<30%, 4=<40%, 5=<50%, 6=≥50% | |
| Experience of range anxiety due to no charger | 1=Never, 2=Rarely, 3=Sometimes, 4=Often, 5=Very often | |
| Situation with most severe range anxiety | 1=Highway, 2=Urban, 3=Unfamiliar areas, 4=Cold weather, 5=Long-distance trip, 6=Others | |
| Anxiety when battery is low | 1=Strongly disagree to 5=Strongly agree (Likert scale) | |
| Stress when charger is unavailable | 1=Strongly disagree to 5=Strongly agree (Likert scale) | |
| Perceived increase in range anxiety after using EV | 1=Strongly disagree to 5=Strongly agree (Likert scale) | |
2. 군집화
본 연구에서는 총 26개의 설문 문항을 기반으로 군집화를 수행하고, 각 군집별 EV 이용자의 충전행태와 주행거리 불안을 느끼는 상황을 그룹화하여 비교 분석하였다. 이를 위해 전체 분석 과정을 크게 세 단계로 구성하였다. 먼저, 설문 문항별 응답을 명목척도(Nominal Scale)로 간주하고, 설문 응답자 간 응답 유사성을 파악하기 위해 유사도(Similarity)를 계산하였다. 본 연구의 목적은 각 문항의 심리 강도나 서열 크기를 정밀 하게 비교하기보다 응답자 간 응답 패턴의 구조적 유사성을 기반으로 유형을 탐색하는 데 있었기 때문에 변 수 간 일치 여부를 직접적으로 반영할 수 있는 명목형 자료 적합 유사도 척도인 Hamming Similarity를 사용 하였으며, Hamming Similarity의 수식은 다음과 같다(Norouzi et al., 2012).
수식에서 xik는 응답자 i의 k번째 문항에 대한 응답값을 의미하며, x(i) = (xi1, ⋯, xin)은 전체 n개 문항 응답 으로 이루어진 벡터를 나타낸다. 여기서 n은 비교에 활용된 설문 문항의 총 수(26문항)를 의미한다. 각 설문 응답자 간의 Hamming Similarity를 계산하여, 전체 설문 문항과 각 응답 샘플에 대한 Hamming Similarity Matrix 를 생성하였다. 이를 통해 각 문항의 명목형 응답 값을 연속적인 값으로 변환할 수 있으며, 이후의 군집분석에 활용할 수 있는 형태로 가공하였다. 다음으로 군집화 결과를 시각화하기 위해 유사도 행렬에 차원 축소 기법을 적용하여 2차원 벡터 공간으로 변환하였다. 여러 차원 축소 기법을 비교한 결과, t-SNE (t-distributed Stochastic Neighbor Embedding)을 최종적으로 채택하였으며, 수식은 다음과 같다(Maaten and Hinton, 2008).
먼저, 고차원 데이터 xi 와 xj 사이의 유사도는 다음과 같은 조건부 확률로 정의된다.
위 수식은 고차원 상에서 데이터 xi 주변에 위치한 이웃 xj가 나타날 조건부 확률 pj∣i 를 정의한 것으로, 두 점 간의 거리 차이를 확률 형태로 변환하여 유사도를 표현한다. 여기서 xi 와 xj는 각 i번째, j번째 데이터 의 고차원 좌표 벡터를 의미하며 σi 는 데이터 xi 주변의 지역적 분포 밀도를 반영하기 위해 설정되는 가우시 안 커널(Gaussian Kernel)의 표준편차 값이다. 이후 대칭화된 공동 확률은 다음과 같이 정의한다.
또한, 저차원 공간에서의 임베딩 벡터 yi, yj는 Student-t 분포를 이용하여 확률적으로 표현된다.
최종적으로, 목적함수는 고차원 확률 분포 P와 저차원 확률 분포 Q 간의 KL divergence를 최소화하는 것 으로 정의한다.
다음으로, 본 연구에서는 차원 축소 기법으로 t-SNE(t-distributed Stochastic Neighbor Embedding), UMAP (Uniform Manifold Approximation and Projection), MDS(Multi Dimensional Scaling), PCA(Principal Component Analysis), MCA(Multiple Correspondence Analysis)를 고려하였다.
t-SNE는 고차원 공간에서의 국소적 거리 구조, 즉 이웃 간의 유사도를 저차원 공간에 비선형적으로 보존 하는 데 강점을 가지며, 복잡한 비선형 구조나 클러스터 시각화에 효율적이다. UMAP은 국소 구조뿐만 아니 라 전체 구조도 일정 부분 보존하며 t-SNE보다 빠르고 클러스터 간의 상대적 거리나 구조를 잘 반영한다. MDS는 주어진 거리 또는 유사도 행렬을 바탕으로 객체 간 거리를 최대한 보존하도록 저차원 좌표를 구성하 며, 거리 기반 시각화에 적합하고 해석이 직관적이라는 장점이 있다. PCA는 데이터의 분산이 가장 큰 방향 을 기준으로 직교 성분을 추출하여 선형적으로 투영하는 기법으로, 계산이 빠르고 수학적 안정성이 높으며 해석이 용이하다. 마지막으로 MCA는 범주형 데이터에 특화된 차원 축소 기법으로, 변수 간의 관계를 저차 원 공간에 투영하여 명목형 변수 간의 연관 구조를 설명하는 데 적합하다.
각 차원 축소 알고리즘을 적용한 결과는 <Fig. 1>에 제시하였다. 비교 결과, t-SNE는 본 연구 데이터에서 잠재된 군집 구조를 가장 명확하게 나타냈으며, 군집 간 상대적 분리가 시각적으로 가장 선명하게 표현되었 다. 이에 본 연구에서는 차원 축소 기법으로 t-SNE를 사용하였다.
다음으로 차원 축소 결과를 바탕으로 군집화를 수행하였다. 군집화 기법은 K-Means, Mean Shift, GMM (Gaussian Mixture Model), DBSCAN, HDBSCAN 등 여러 방법이 존재하나, 본 연구는 EV 이용자의 응답 패턴 에서 자연스럽게 형성되는 잠재 유형을 탐색하는 데 목적이 있으므로, 사전에 군집 수를 설정해야 하는 K-Means는 분석 목적과 일치하지 않았다. 또한 Mean Shift와 GMM의 경우 자료 분포에 대한 전제가 요구되 거나 결과 해석이 복잡해 응답 패턴 기반 군집 의미를 설명하는 데 적합하지 않고, HDBSCAN은 파라미터 설정에 따른 결과 변동성이 높아 탐색 연구 관점에서 효율성이 낮다고 판단하였다. 이에 본 연구에서는 해석 용이성, 결과 해석의 명확성, 응답 패턴 기반 유형 분리라는 분석 목적에 부합하는 DBSCAN을 최종 군집화 알고리즘으로 적용하였다.
DBSCAN의 하이퍼파라미터 설정을 위해, 특정 데이터 포인트가 ‘밀집된 지역’에 속해 있는지를 판단하는 거리 기준인 eps(Epsilon)과, 하나의 핵심점(Core Point)으로 간주하기 위한 최소 이웃 수인 min_samples를 중 점적으로 조정하였다. 각 하이퍼파라미터 조합에 따른 군집화 성능은 ‘실루엣 계수(Silhouette Score)’를 활용 하여 비교하였으며(Shahapure et al., 2020), 그 결과는 <Table 2>와 같다.
<Table 2>
A comparison of silhouette score for each Hyperparameter in DBSCAN
| Algorithm | Hyper parameter | Silhouette Score |
|---|---|---|
| DBSCAN | eps: 1.0, min samples: 3 | 0.4421 |
| eps: 1.0, min samples: 5 | 0.3954 | |
| eps: 1.0, min samples: 10 | 0.4698 | |
| eps: 1.5, min samples: 3 | 0.5203 | |
| eps: 1.5, min samples: 5 | 0.4335 | |
| eps: 1.5, min samples: 10 | 0.4024 | |
| eps: 2.0, min samples: 3 | 0.7874 | |
| eps: 2.0, min samples: 5 | 0.7874 | |
| eps: 2.0, min samples: 10 | 0.5262 |
각 데이터 포인터 i에 대해 같은 클러스터 내 평균 거리 a(i)와 가장 가까운 다른 클러스터와의 평균 거리 b(i)를 구하여, 실루엣 계수는 다음과 같이 정의된다.
전체 데이터에 대한 Silhouette Score는 모든 s(i)의 평균으로 계산된다.
분석 결과, eps=2.0, min samples=3과 eps=2.0, min samples=5 조합에서 동일하게 가장 높은 실루엣 계수 (0.7874)가 산출되었다. 두 조합 중 본 연구에서는 단순성과 실용성, 해석 용이성 측면에서 eps=2.0, min samples=3을 최종 하이퍼파라미터로 채택하였다. min samples=3은 min samples=5 보다 제약이 완화된 조건으 로, 소규모 클러스터까지 포착할 수 있어 데이터 구조를 보다 충실히 반영할 수 있다. 또한 동일한 성능 조 건에서 일반적으로 더 단순한 제약조건을 채택하는 것이 합리적이며, 이는 모델이 다양한 패턴을 포착하고 데이터 규모 확장 시에도 유연하게 적용될 수 있다는 장점이 있기 때문이다. 또한 해석 용이성 측면에서 min samples=3은 자기 자신과 인접한 두 점만으로도 핵심으로 간주하여 클러스터 핵심 포인트의 정의가 직관적 인 반면, min samples=5는 더 높은 밀도만을 핵심으로 인정하여 소규모 구조가 배제될 가능성이 있다. 본 연 구에서는 응답 샘플 규모가 작아 소규모 군집 또한 중요한 의미를 포함하기에 min samples=3을 최종적으로 선정하였다.
3. 주요 설문 문항을 선별하기 위한 변수 중요도
본 연구에서는 군집화를 위해 총 26개의 설문 문항을 모두 활용하였으나, 각 문항이 군집 형성에 기여하 는 정도를 파악하여 군집 유형별 주요 특성을 도출하고자 하였다. 이를 위해 군집 결과를 목표 변수로, 설문 문항들을 설명변수로 설정하여 머신러닝 기반의 분류 모델을 학습하였으며, 분류 모델은 의사결정나무 (Decision Tree)를 기반으로 한 앙상블 기법인 랜덤 포레스트(Random Forest)를 사용하였다. 본 연구에서 랜덤 포레스트는 예측 성능을 높이기 위한 목적이 아니라, 군집 형성에 기여한 변수의 상대적 영향력을 탐색적으 로 확인하기 위한 보조 분석 도구로 사용되었다. 또한, 전체 표본 수가 214개로 비교적 적은 점을 고려하여 <Table 3>과 같이 5회 교차검증(Cross Validation)을 수행하였으나, 이는 일반화할 수 있는 예측 성능을 검증 하기 위한 절차가 아니라 군집 간 응답 패턴의 분리 경향을 확인하기 위한 내부적 안정성 확인 수준에서 참 고하였다. 따라서 교차검증에서 높은 정확도가 나타난 것은 과적합을 의미하는 것이 아니라, 군집화 단계에 서 응답 패턴 간 분리가 비교적 뚜렷하게 형성된 결과로 해석할 수 있다.
<Table 3>
A result of cross validation using random forest based on decision tree
| Iteration | 1st | 2nd | 3rd | 4th | 5th |
|---|---|---|---|---|---|
| Train Accuracy(%) | 100.0 | 100.0 | 100.0 | 100.0 | 100.0 |
| TestAccuracy(%) | 100.0 | 100.0 | 97.7 | 100.0 | 100.0 |
군집 유형별 특징을 규명하기 위해서 26개 문항 중 군집을 명확히 설명할 수 있는 핵심 문항을 선별할 필 요가 있다. 이에 본 연구에서는 학습된 모델로부터 도출한 변수 중요도 중에서도 보다 신뢰성이 높은 순열 중요도(Permutation Importance)를 활용하였다. 순열 중요도는 특정 변수가 실제로 중요한 경우 해당 변수와 정답 간의 원래 관계를 무작위로 깨뜨리면 모델 성능이 크게 저하되고, 반대로 중요하지 않은 변수라면 성능 변화가 거의 없다는 원리에 기반한다. 학습된 모델의 순열 중요도를 누적하여 계산한 결과는 <Fig. 2>에 제 시하였다. 이를 바탕으로 본 연구에서는 전체 설명력의 약 90%를 확보할 수 있는 8개 문항을 군집 특성 분 석에 활용하였다. 따라서 모든 문항을 일괄적으로 비교하기보다는, 군집 구분에 핵심적으로 기여한 문항을 중심으로 각 군집의 주행거리 불안 수준과 충전·주행행태의 특징적 차이를 분석하였다.
Ⅳ. 분석 결과
t-SNE를 활용하여 차원을 축소한 후 DBSCAN 군집화 알고리즘을 적용한 EV 이용자 군집화 결과 <Fig. 3> 과 같이 나타났다. 이를 기반으로 군집 유형별 이용자 집단을 구분하고, 누적 순열 중요도를 기준으로 전체 변동의 약 90%를 설명할 수 있는 상위 8개 문항을 선정하여 각 문항에 대한 빈도 분석을 수행하였다.
먼저 군집 1은 총 117명으로 구성되며, 다른 군집에 비해 넓게 분포되어 있어 대부분의 문항에서 응답이 고르게 나타나는 특징을 보였다. 평균 하루 주행거리는 10km 이하부터 100km 이상까지 고르게 분포하였으 며, 평균 1회 이동 거리 또한 다양한 구간에 분산되었다. EV 이용 목적은 출·퇴근 및 통학(약 78.7%)이 주를 이루었으며, 주행 경로는 고정된 행태를 따른다는 응답이 89.7%로 높았다. 충전 시작 시 배터리 잔량은 10% 미만부터 75% 이상까지 폭넓게 분포하였으며, 충전소 탐색 시작 시점의 배터리 잔량 역시 다양한 수준에서 고르게 나타났다. 배터리 잔량 또는 남은 주행거리에 따른 불안감은 특정 구간에 집중되지 않았고, 주행거리 불안이 심한 상황 또한 고속도로, 도심, 낯선 지역, 추운 날씨, 장거리 주행 등 고르게 분포하였다.
군집 2는 총 35명으로 구성되었으며, 평균 하루 주행거리는 10~50km(51.4%)와 50~100km(48.6%) 구간에 집 중되었다. EV 이용 목적은 주로 쇼핑(65.7%)과 여가(31.4%)였으며, 평균 1회 이동 거리는 10~30km가 91.4% 를 차지하였다. 충전 시작 시 배터리 잔량은 25~50%(91.4%)에서 주로 이루어졌고, 충전소 탐색은 40% 미만 (91.4%)일 때 시작하는 경우가 많았다. 주행 중 배터리 잔량 불안 기준은 40% 미만(80.0%)에서 크게 나타났 으며, 남은 주행거리가 150km 미만일 때 불안하다는 응답이 82.9%로 가장 높았다. 주행거리 불안이 가장 심 한 상황으로는 추운 날씨(88.6%)가 압도적으로 많았다.
군집 3은 총 35명으로 구성되었으며, 평균 하루 주행거리가 50~100km(94.3%)에 집중되었다. EV 이용 목적 은 출·퇴근(54.3%)과 통학(45.7%)이 주를 이루었으며, 평균 1회 이동 거리는 10~30km(54.3%)와 30~50km (45.7%)에 분포하였다. 충전 시작 시 배터리 잔량은 25~50%(68.6%)와 50~75%(31.4%)에 집중되었고, 충전소 탐색 시작 시점은 20% 미만(74.3%)이 다수를 차지하였다. 배터리 잔량 불안 기준은 30% 미만(48.6%)과 40% 미만(51.4%)에서 주로 나타났으며, 남은 주행거리가 150km 미만일 때 불안하다는 응답이 68.6%였다. 주행거 리 불안이 심한 상황으로는 도심(20.0%)과 낯선 지역(80.0%)으로 나타났다.
마지막으로 군집 4는 총 27명으로 구성되었으며, 평균 하루 주행거리는 10~50km(88.9%)에 집중되었다. EV 이용 목적은 주로 통학(96.3%)이었으며, 평균 1회 이동 거리는 10km 이하(88.9%)로 가장 많았다. 충전 시작 시 배터리 잔량은 25~50%(88.9%) 구간에서 주로 나타났고, 충전소 탐색은 40% 미만(63.0%)과 50% 미만 (33.3%), 일부는 30% 미만(3.7%)에서 시작하였다. 배터리 잔량 불안 기준은 30% 미만(77.8%)과 40% 미만 (22.2%)에서 주로 나타났으며, 남은 주행거리가 150km 미만일 때 불안하다는 응답이 70.4%, 100km 미만일 때가 29.6%였다. 주행거리 불안이 가장 심한 상황으로는 추운 날씨(74.1%)가 가장 많았고, 낯선 지역(25.9%) 이 뒤를 이었다.
본 연구에서 제시한 방법론을 통해 도출된 군집의 기술통계 요약은 <Table 4>와 같으며, 이러한 결과의 신뢰성과 타당성을 확인하기 위해 각 문항이 군집 간 특성에서 유의미한 차이를 평가하기 위해 카이제곱 검 정(Chi-squared test)을 적용하였다. 이러한 검정 결과를 통해 군집 간 분포 차이가 통계적 유의함을 확인하였 으며, 이를 바탕으로 본 연구의 군집화 결과가 충분한 타당성을 갖고 있음을 입증하였다.
<Table 4>
Summary of characteristics of EV user clusters
| Variable | Description | Cluster 1 (n=117) | Cluster 2 (n=35) | Cluster 3 (n=35) | Cluster 4 (n=27) | χ2 | df | p-value |
|---|---|---|---|---|---|---|---|---|
| Average daily driving distance | ≤10km | 33(28.2%) | – | 1(2.8%) | 3(11.1%) | 126.519 | 9 | .000 |
| 10~50km | 24(20.5%) | 18(51.4%) | – | 24(88.9%) | ||||
| 50~100km | 35(29.9%) | 17(48.6%) | 33(94.3%) | – | ||||
| >100km | 25(21.4%) | – | 1(2.9%) | – | ||||
| Main purpose of vehicle use | Commuting(work) | 54(46.2%) | – | 19(54.3%) | 1(3.7%) | 186.029 | 15 | .000 |
| Commuting(school) | 38(32.5%) | – | 16(45.7%) | 26(96.3%) | ||||
| Business | 6(5.1%) | 1(2.9%) | – | – | ||||
| Shopping | 8(6.8%) | 23(65.7%) | – | – | ||||
| Leisure | 5(4.3%) | 11(31.4%) | – | – | ||||
| Others | 6(5.1%) | – | – | – | ||||
| Battery level when charging | <10% | 20(17.2%) | – | – | – | 115.172 | 12 | .000 |
| 10~25% | 30(25.6%) | 2(5.7%) | – | 3(11.1%) | ||||
| 25~50% | 21(17.9%) | 32(91.4%) | 24(68.6%) | 24(88.9%) | ||||
| 50~75% | 21(17.9%) | 1(2.9%) | 11(31.4%) | – | ||||
| >75% | 25(21.4%) | – | – | – | ||||
| Average trip distance | <10km | 56(47.9%) | 1(2.9%) | – | 24(88.9%) | 110.249 | 9 | .000 |
| 10~30km | 30(25.6%) | 32(91.4%) | 19(54.3%) | 3(11.1%) | ||||
| 30~50km | 24(20.5%) | 2(5.7%) | 16(45.7%) | – | ||||
| >50km | 7(6.0%) | – | – | – | ||||
| Battery level when range anxiety is felt | ≤10% | 20(17.1%) | – | – | – | 126.461 | 15 | .000 |
| ≤20% | 18(15.4%) | – | – | – | ||||
| ≤30% | 25(21.4%) | 7(20.0%) | 17(48.6%) | 21(77.8%) | ||||
| ≤40% | 18(15.4%) | 28(80.0%) | 18(51.4%) | 6(22.2%) | ||||
| ≤50% | 17(14.5%) | – | – | – | ||||
| >50% | 19(16.2%) | – | – | – | ||||
| Remaining range when range anxiety is felt | ≤50km | 30(25.6%) | – | – | – | 84.294 | 12 | .000 |
| ≤100km | 30(25.6%) | 4(11.4%) | 11(31.4%) | 8(29.6%) | ||||
| ≤150km | 25(21.4%) | 29(82.9%) | 24(68.6%) | 19(70.4%) | ||||
| ≤200km | 19(16.2%) | 2(5.7%) | – | – | ||||
| >200km | 13(11.2%) | – | – | – | ||||
| Battery level to start looking for charger | ≤10% | 21(17.9%) | – | – | – | 183.262 | 15 | .000 |
| ≤20% | 22(18.8%) | – | 26(74.3%) | – | ||||
| ≤30% | 20(17.1%) | 3(8.6%) | 9(25.7%) | 1(3.7%) | ||||
| ≤40% | 21(17.9%) | 32(91.4%) | – | 17(63.0%) | ||||
| ≤50% | 12(10.4%) | – | – | 9(33.3%) | ||||
| >50% | 21(17.9%) | – | – | – | ||||
| Situation with most severe range anxiety | Highway | 23(19.7%) | – | – | – | 173.960 | 15 | .000 |
| Urban | 20(17.1%) | – | 7(20.0%) | – | ||||
| Nighttime | 22(18.8%) | – | 28(80.0%) | 7(25.9%) | ||||
| Cold weather | 18(15.4%) | 31(88.6%) | – | 20(74.1%) | ||||
| Long-distance trip | 15(12.8%) | 4(11.4%) | – | – | ||||
| Others | 19(16.2%) | – | – | – |
결과적으로, EV 이용자는 네 개의 다른 집단으로 구분되었다. 첫 번째 군집은 출·퇴근과 통학 목적이 중 심을 이루며 다양한 주행거리와 충전행태를 보이는 안정적 집단으로, 주행거리 불안이 특정 상황에 치우치 지 않고 전반적으로 낮게 나타났다. 두 번째 군집은 쇼핑과 여가 활동 목적이 많고 비정형적인 주행 경로와 짧은 이동 거리를 특징으로 하며, 충전을 이른 시점에 시작하고 추운 날씨에서 불안이 두드러지는 집단이다. 세 번째 군집은 주로 50~100km 범위의 중장거리 주행을 하면서 출·퇴근과 통학 목적이 균형적으로 나타나 고, 계획적인 충전 습관을 보이지만 낯선 지역에서 불안이 높게 집중되는 특성이 확인되었다. 마지막으로 네 번째 군집은 통학 목적과 짧은 이동 거리가 특징이며, 충전소 탐색과 주행거리 불안 요인이 다양하게 분포해 특히 추운 날씨와 낯선 지역에서 불안 수준이 높게 나타나는 민감한 집단으로 분류된다.
이러한 결과는 EV 이용자의 주행 목적, 경로 행태, 충전 습관이 군집 유형별로 다르게 나타나며, 주행거리 불안 요인 또한 상이함을 시사하며, 이를 기반으로 향후 맞춤형 차량 경로 선택과 지원 정책 설계에 있어 주 요 고려 요소로 활용될 수 있다. 반면, 주행 경로 행태나 회생 제동 사용 여부와 같이 EV의 이용행태와 관련 된 요인들은 비교적 군집 형성에 미치는 영향이 적은 것으로 나타났다. 이는 회생 제동의 활용 정도가 이용 자별 주행거리 불안 수준보다는 잔여 주행거리 또는 SoC에 더 크게 의존함을 시사한다.
Ⅴ. 결 론
본 연구는 EV 이용자의 주행 및 충전행태와 주행거리 불안을 통합적으로 분석하기 위해 214명의 설문조 사 결과를 기반으로 t-SNE–DBSCAN 절차로 군집화를 수행하였다. 그 결과 EV 이용자는 네 개의 집단으로 구분되었고, 각 군집은 주행 목적, 평균 주행거리, 충전 시작 시점, 충전소 탐색 조건, 그리고 불안을 유발하 는 상황에서 뚜렷한 차이를 보였다. 이러한 결과는 EV 이용자의 주행거리 불안이 단순히 충전 인프라 부족 이나 물리적 접근성만으로 설명되는 것이 아니라, 이용 목적, 주행행태, 충전 습관, 기타 환경 등 상황 요인 이 상호작용 하면서 형성되는 복합적 현상임을 보여준다. 특히 본 연구에서 도출된 군집 유형별 차이는 불안 을 유발하는 주요 상황 요인과 충전 시작 시점과 충전소 탐색 기준이 서로 다르게 나타난다는 점에서 유형 별로 허용할 수 있는 불안 임계수준과 충전 의사결정 구조가 다르게 존재함을 시사한다. 따라서 EV 이용 편 의 향상을 통한 보급 확대를 위해서는 단순한 충전 인프라의 양적 확대만으로는 충분하지 않으며, 군집 유형 별 이용 특성에 적합한 공간·시간·용도 기반의 충전 인프라 배치 및 운영 전략이 필요하다. 즉, 주요 통행목 적과 체류 장소, 군집별 불안 발생 조건을 고려한 수요 지향형 충전 입지 선정이 요구되며, 나아가 이러한 행태 기반 정보를 활용하여 EV 이용자가 심리적 불안을 최소화할 수 있도록 충전소 탐색 및 경로 선택을 지 원하는 맞춤형 알고리즘 개발이 병행되어야 할 것이다.
본 연구는 회생 제동 사용 여부, 주행 경로 행태, 충전소 탐색 시점 등 선행연구에서 상대적으로 비중이 적었던 변수를 포함하여 EV 이용자의 심리적 불안을 다각도로 조명했다는 점에서 의의가 있다. 다만 설문조 사의 한계로 표본의 대표성과 자기보고 편의에 따라 향후 주행 및 충전행태를 확인할 수 있는 차량 내 데이 터를 활용하여 주관적 불안 인식과 실제 이용행태 간의 상관관계를 정량적으로 검증하고 모집단 가중치 적 용 및 표본 구조 보정을 통해 통계적 일반화를 확보할 필요가 있다. 이를 통해 더욱 정교한 이용자 모델링 기반의 정책 설계 방안을 도출하여 결과의 타당성과 일반화를 높여야 한다.
