1. 서론

자영업자는 우리나라의 국민경제에 큰 비중을 차지하고 있으나 이들의 생존율은 2015년 기준 37%에 불과하고 부채 비율이 다른 직종에 비해 높게 나타나 재정적 안정성이 낮은 편이다(박정수, 2018). 자영업 중 개인이 쉽게 진입할 수 있는 접객산업(hospitality industry)은 작은 규모의 업체들이 다수 존재하며 창업과 폐업이 더 빈번하게 나타나고 있다(이금숙･박소현, 2019). 특히 음식점은 비교적 쉽게 대체재를 찾을 수 있는 업종으로 작은 규모와 함께 고객 이탈이 쉽기 때문에 재정적으로 더 취약한 경우가 많다(송예나 등, 2020; Parsa et al., 2005). 매출이 급격히 감소할 경우, 혹은 운영제한이 장기화될 경우 쉽게 영업에 어려움을 겪을 수 밖에 없고, 이는 잦은 폐업으로 나타나고 있다(이금숙･박소현, 2019; Gnonlonfoun, 2017). 따라서 음식점의 개점과 폐점은 지역의 경제환경 및 경영환경 변화를 민감하게 반영하는 지표가 될 수 있다(배선학, 2020).

2019년 말 중국에서 시작된 정체불명의 폐렴은 전세계로 확산하면서 경제환경을 악화시키고 있다. 이 질환은 신종감염병으로 밝혀지고 코로나바이러스 감염증-19(corona virus disease of 2019, 이하 COVID-19)라는 이름을 얻었다. 많은 이들이 미처 새로운 질병의 위험성을 깨닫고 예방조치를 취하기 전에 바이러스에 감염된 사람들은 다양한 교통수단을 통해 다른 국가로 이동하였고 이는 감염병의 세계적 확산으로 이어졌다(Wang et al., 2020; Wu et al., 2020). 신종감염병의 확산 초기인 2020년 1월 전 세계적으로 수 백여명에 불과했던 감염 확진 건수는 그 해 말이 되자 8,400만 명에 육박하였고 180만 명 이상이 이 질환으로 사망한 것으로 보고되고 있다(Worldometer, 2021). 우리나라는 2020년 1월 20일 첫 COVID-19 환자가 확인되었고, 2020년 말까지 6만명 이상이 COVID-19에 양성반응을 보인 것으로 보고되었다.

이러한 빠른 확산은 사람 간 바이러스의 전파력이 매우 높고 증상이 발생하기 전에 감염이 시작되는 특성 때문인 것으로 파악된다(Lai et al., 2020). 신종 감염병에 대한 백신과 치료제가 없는 상황에서 한정된 의료 자원만을 지닌 각국 정부는 사회적 거리두기(social distancing), 마스크 착용과 같은 비약물적 개입(non-pharmaceutical interventions)을 통해 질병을 통제하고자 하였다(Bourassa et al., 2020; Gössling et al., 2020; Sebhatu et al., 2020). 사회적 거리두기의 일환으로 여행 제한, 재택근무, 학교 및 직장 폐쇄, 격리, 통금, 특정 업종 운영 제한과 같은 조치가 취해지면서 사람들의 이동이 줄어들었으며 불특정 다수의 대면 접촉이 일어나는 접객산업은 침체에 빠지게 되었다(Gössling et al., 2020).

Bartik et al.(2020)은 2020년 3월 미국의 소규모 사업장을 대상으로 설문을 실시하고 이를 분석하였다. 해당 설문이 COVID-19의 확산 초기에 실시되었음에도 불구하고 40% 이상의 업체에서 종업원을 해고하거나 일시적으로 영업을 중지하는 등의 조치를 취하였다. 이러한 수치는 1930년대 이후 겪은 수 차례의 경제 위기 상황에서도 보기 힘든 현상으로 COVID-19이 산업, 특히 소규모 업체가 밀집한 산업에 미치는 부정적 영향이 매우 크다는 것을 단적으로 보여준다(Bartik et al., 2020). 관련 산업 종사자들은 당장의 경제적 영향만이 아니라 감염병 진행의 불확실성, 소비자들의 걱정, 본인과 종사자들의 건강에 대한 염려 등 부정적인 경험과 전망을 보이고 있다(Alonso et al., 2020). 이와 같은 감염병 확산으로 인한 특정 산업의 부진과 후퇴는 미국만의 이야기가 아니다. 신종감염병과 같은 외부의 충격이 존재하지 않을 시기에도 다른 분야에 비해 안정성이 취약했던 우리나라의 접객산업은 감염병 확산 예방조치의 중요한 대상이 되고 있는 실정이다.

이러한 배경을 바탕으로 본 연구는 두 가지 질문에서 시작하였다. 1) 감염병 등장 전과 후에 음식점 개폐점의 시간적 그리고 공간적 패턴에 변화가 있는가? 만일 다르다면 어떠한 측면에서 차이가 나타나는가? 반대로 유의미한 변화가 없다면 어떠한 정책적 함의를 도출할 수 있을 것인가? 2) COVID-19이 확산한 시기의 음식점 개폐점 현상을 어떠한 사회경제적 지표를 통해 설명할 것인가? 서울시의 사례를 통해 두 가지 질문에 대한 답을 실증적으로 구하고자 한다. 본 연구는 두 가지 차원에서 시론적 성격을 지니고 있다. 우선 COVID-19의 확산이 장기적인 시점에서 음식점의 개폐점에 영향을 주는 현상으로 간주한다면, 2020년 한 해 동안 나타난 음식점 개폐점의 시공간적 특징은 차후 유사한 연구의 시작점을 제공할 수 있다. 또한 다양한 사회경제적, 혹은 외생적 변수 가운데, 개폐점과 밀접한 관계를 맺고 있는 변수를 탐색함으로써, 후속 연구에 확인되는 유의미한 변수와 비교를 할 수 있는 토대가 된다.

2. 연구대상 및 데이터

이 연구는 서울시에 위치한 음식점을 대상으로 실증분석을 실시한다. 연구 자료는 행정안전부의 지방행정 인허가 데이터(행정안전부, 2020)를 통해 구득하였고, 2020년 11월 30일까지 수집된 음식점 인허가 데이터를 활용하였다. 행정안전부에서는 32종의 식품 관련 업종, 음식점으로는 5종의 업종을 구분하고 있다. 그 중에서 가장 비중이 높고 보편적인 일반음식점과 휴게음식점을 대상으로 데이터를 수집하였다.

행정안전부의 자료를 토대로 1980년 이후¹⁾ 음식점의 개점과 폐점 빈도를 살펴보면 그림 1과 같다. 그림 1을 살펴보면, 서울 시내의 음식점 수의 빠른 증가는 전국에 비해 훨씬 이전부터 시작된다. 1990년대에 들어서 전국 범위에서 음식점 수가 가파르게 늘어났지만 서울은 1980년 초부터 음식점이 빠르게 늘어나고 있음을 확인할 수 있다. 또한 폐점 업체의 수는 개점의 시계열적 추이를 뒤쫓는 경향을 보이며 이는 서울과 전국 모두 동일하게 나타난다. 2020년의 개점과 폐점 음식점의 수는 다른 해와는 달리 12월의 수치가 빠져 상대적으로 낮게 나타나고 있다. 하지만 2014년 이후로부터 2019년까지의 가파른 증가세를 감안한다면 전체적으로 개점과 폐점의 감소세가 관찰된다고 볼 수 있다.

그림. 1

개점 및 폐점 음식점 수

본 연구에서는 감염병 발생 및 확산 이전과 이후의 음식점 개폐점의 패턴을 살피기 위해서 2019년 1월 1일부터 2020년 11월 30일까지로 연구 기간을 설정하였다. 행정안전부의 자료에 따르면 서울시에서 2020년 11월 30일까지 허가된 음식점은 총 565,591개였으며, 연구 기간 내에 운영되었던 음식점은 총 192,491개이다. 이 중 개폐점 시기의 오류, 총 영업일수가 0 일인 경우, 위치 정보 부재 혹은 오류인 경우를 제외하였다. 이 중 연구 기간 내에 생존과 관련된 활동, 즉 개업과 폐점이 발생한 경우는 개점이 36,824건, 폐점이 31,205건으로 나타났다.

3. 방법론

감염병 확산 이전과 이후에 나타나는 음식점 개점과 폐점의 공간적 특성을 살펴보기 위해 음식점의 개폐점 데이터는 동단위로 집계하였다. 동단위로 총 424개의 관측치가 생성되었으며 개폐점을 설명하는 변수 또한 동일한 단위로 수집되어 정리하였다. 음식점의 생존은 해당 점포의 입지와 큰 연관을 지니고 있다(Parsa et al., 2011). 하지만 인위적으로 설정된 행정구역 단위로 설정된 변수들이 이를 정확히 반영할 수 없으며, 소비자들 또한 행정구역과 상관없이 음식점을 이용한다. 이에 더해 음식점은 유사한 제품과 서비스를 제공하는 대체재가 풍부하기 때문에 상대적으로 거리 저항이 크게 나타날 수 있다(송예나 등, 2020). 이 연구에서는 음식점 이용행태의 공간적 특성을 반영하여 지리가중회귀분석(GWR, Geographically Weighted Regression, 이하 GWR)을 적용한다.

GWR은 공간적 성질이 서로 다른 지역을 구분하고, 이를 기반으로 연구 범위내의 지역 단위에 따라 각각의 회귀계수 값이 산출될 수 있도록 모형화한 공간통계 모델이다(Charlton and Fortheringham, 2009; 권득신･손소영, 2017). GWR은 공간적 의존성이나 이질성의 차이를 고려하지 않는 최소제곱법(Ordinary Least Square: OLS)에 기반한 전통적인 선형 회귀분석과 달리 분석 공간의 위치에 따른 독립변수의 설명력의 차이를 고려한다. 따라서 기존의 선형회귀분석 모델보다 향상된 전역적 설명력 (global r-square)이 도출되기도 하며, 하위 지역 단위에서 독립변수들의 설명력(local R2)의 차이가 정량화되어 추정되기 때문에 투입한 독립변수(군)의 설명력의 변이 또한 관찰이 가능하다(김지우･이건학, 2019). GWR의 기본식은 다음 수식 (1)과 같다.

yi는 i 지역의 종속변수이고, (ui,vi)는 i 지역의 공간적 좌표, β0(ui,vi)는 i 지역의 절편 계수를 의미한다. 또한 βk(ui,vi)는 i 지역의 k 번째 회귀계수, χik는 i 지역에 적용되는 k 번째 변수, εi는 평균이 0이고 분산이 σ²인 독립 정규분포를 갖는 오차항을 말한다.

수식 (1)에서는 종속변수마다 개별적인 회귀계수가 추정될 수 있으며, 추정식은 수식 (2)와 같다.

수식 (2)의 β^i는 i 지역의 지리가중회귀계수 추정치이며, 가중회귀최소제곱(weighted least square)에 의해 산출된다. W(ui,vi)는 중심 좌표(ui,vi)인 i 지역에서 이를 제외한 다른 지역에 대한 지리 가중 행렬을 뜻한다. 행렬식은 수식 (3)과 같다. 대각 원소들은 i 지역과 다른 지역 간의 지리적 가중치를 의미한다(권득신･손소영, 2017; 변장섭 등, 2014).

음식점의 개폐점을 설명하는 변수들을 체계적으로 선정하기 위해 인구, 산업, 교통 접근성, 그리고 COVID-19의 특수한 상황을 반영하는 의료서비스의 네 가지 군으로 구분하여 각 군에 해당하는 변수를 수집하였다. 이는 표 1에 정리되어 있다. 표에 나열된 변수는 최종 모델에 반드시 포함되는 것은 아니며, 분석 과정에서 그 유의성과 적합성에 따라 통계적으로 유의미한 변수만을 선별하여 최종적인 GWR 모델에 이용하였다. 각 변수군에 포함된 변수들은 그 속성이 비슷하여 강한 상관관계를 가지는 경우가 많다. 그러나 다른 군에 속하는 변수들과 함께 모델에 이용됐을 때 가장 안정적인 조합을 찾아내기 위해 다양한 변수를 모델 선정 과정에 이용하였다.

변수의 선별과정을 체계적으로 하기 위해 탐색적 회귀 모델 (Exploratory Regression Model, ERM)이 이용되었다. 탐색적 회귀모델은 두개 이상의 독립변수를 이용하여 종속변수를 설명하고자 할 때, 가장 적합한 변수의 조합을 결정해 가는 과정이다. 이를 위해서는 적절한 수준의 후보 설명 변수들이 선별되어야 하고, 최적의 회귀모형을 찾기 위해 모델의 평가 기준치를 설정하여 적용한다(Braun and Oswald, 2011). 표 1에 제시된 세부 변수의 기술통계값은 부록1에 별도로 제시되어 있다.

인구, 산업 관련 변수는 서울시 열린데이터광장(data. seoul.go.kr)에서 2019년 기준 자료를 사용하였다. 서울시를 사례로 한 음식점 입지 연구에서 유경훈･이승일(2017)은 산업과 거주자 모두 음식점 집적과 유의미한 관계가 있음을 보여 주었다. 인구 변수군에서는 인구, 인구 밀도, 중위연령, 가구수가 대표적인 변수로 꼽히며, 이들 가운데 어떤 변수가 가장 잘 설명하는지는 탐색적 회귀모델을 통해 결정된다. 산업 종사자 수, 사업체 수, 서비스업 종사자 수, 제조업 종사자 수는 특정 산업의 규모를 대표하여 선정된 변수들이다. 산업군에 해당하는 변수들은 음식점의 수요 규모와 구조를 보여주게 된다. 대학교 입학정원은 지역의 산업 규모, 특히 교육 환경을 하나의 산업으로 간주하여 포함하였다. 자료는 교육부에서 발표한 서울 시내에 위치한 대학의 2019년의 대학 입학정원(교육부, 2020a; 2020b)을 기준으로 동 수준에서 집계하였다. 대학은 4년제 대학과 전문대학을 포괄하지만, 캠퍼스 방문이 상대적으로 적은 사이버대학 및 방송통신대학의 입학정원은 제외하였다.

세번째 변수군인 교통 접근성은 요식 산업의 주요한 입지 요인이 교통의 이용성, 접근 기회의 정도라는 점에 기반하여 대규모점포 접근성, 전통시장 접근성, 대중교통 접근성 변수를 설정하였다. 대규모점포와 전통시장 접근성은 한국교통연구원에서 제공하는 교통접근성 지표로, 개별 행정동에서 대규모점포와 전통시장까지 이동하는 데 걸리는 평균 시간을 의미한다(한국교통연구원, 2020). 이동 시간은 교통 수단과 출발 시간의 영향을 크게 받는다. 본 연구에서는 대중교통, 자동차 이동을 기준으로 계산한 하루 평균값을 접근성 지표롤 선정하였다. 대중교통 접근성은 박종수･이금숙(2017)에서 산출한 2015년 기준 대중교통 역사, 승강장의 시간거리를 사용한다. 시간거리는 서울 시내에 위치한 모든 지하철 역과 버스 승강장 사이의 평균 이동 시간을 계산하여 산출하였다. 동별 접근성 지표는 이동 시간을 이용하기 때문에 값이 클수록 접근성이 낮은 것을 의미한다.

마지막으로, 의료서비스군은 의료의 질을 측정하는 지표로 접객산업과의 직접적인 연관성은 알려진바 없으나, COVID-19과 직접적으로 관련되어 있는 외생변수라는 점에서 선정하였다. 집계 시점은 2020년 1월 1일 기준으로 영업 중인 약국, 의원, 병원수, 병원 병상수의 규모를 각 동별로 추산하였다. 자료는 음식점 개폐점 자료와 동일하게 행정안전부 지방행정인허가 데이터에서 구득하였다. COVID-19, 혹은 유사 질환의 진단 및 처치와 관련되지 않은 치과병원과 의원은 합계에서 제외하였다. 행정안전부의 자료에서 병원과 의원은 진찰 및 진단 설비, 30명 이상 수용 가능한 병상으로 이를 갖췄을 때 병원으로 구분하고 있다. 병원의 경우 의원보다 규모의 차이가 매우 클 수 있고, 입원환자 수용 등의 기능이 중요하기 때문에 병원 수와 함께 병상의 수도 변수로 설정하였다.

4. 분석결과

1) 기초분석

먼저 감염병이 확산된 해와 이전의 경우 음식점 개폐점의 패턴이 단위 시간의 흐름(주 혹은 월 단위)에 따라 차이가 발생했는지를 기초통계를 통해 살펴본다. 만약, 두해의 음식점 개폐업의 시간의 흐름에 따른 패턴이 유의미하게 다르다면, COVID-19의 영향을 받았을 것이라는 가설을 세울 수 있게 된다. 하지만 차이가 발견되지 않는다면 COVID-19이 2020년이라는 단위 기간내에서는 음식점의 생존활동에 큰 영향을 끼치지 않았다는 추론을 할 수 있다.

그림 2는 2019년과 2020년 서울에서 개점, 폐점한 음식점 숫자를 표준화하고 일주일 단위로 집계하여 변화의 추이를 보여준다. 동일한 기간을 보여주기 위해 그림 2의 그래프는 2019년 12월에 해당하는 주차 정보를 제외하고 작성하였다. 또한 시간에 따른 개폐점 패턴을 동일 조건에서 비교하기 위해 해당 연도 정보를 바탕으로 표준화한 값을 이용하였다. 따라서 0은 1주일 평균 개점 혹은 폐점하는 음식점의 수를 나타내고 양의 값과 음의 값은 상대적으로 초과, 과소를 의미한다.

그림 2에 나타난 2020년의 4, 5주차와 40주차, 그리고 2019년의 6주차와 37주차는 각각 음력 설과 추석 연휴가 포함된 주간으로, 개점과 폐점 모두 평상시보다 낮은 수준으로 나타난다. 감염병 발생 초기에는 음식점 개점이 이 전에 비해 낮은 수준에 머물렀으나 5월이 되면서 회복세를 보였다. 폐점의 경우 2020년 상반기의 시간적 패턴은 2019년과 유사하게 나타났다. 하지만 8월에 접어들면서 폐점하는 음식점의 수치가 전 해의 값에 비해 높게 위치하고 있음을 확인할 수 있다.

그림. 2

2019년과 2020년의 주간 음식점 개폐업 동향

이러한 폐점 패턴은 COVID-19의 확진의 증가 양상과 시기적으로 유사한 패턴을 보인다. 그림 3에서 알 수 있듯이, 서울과 전국에서 확인된 COVID-19 신규 및 누적 확진 건수는 8월 중순에 한 차례 급증하고 11월에 들어서며 지속적으로 증가하는 모습을 보여준다. 2020년 2월과 3월에 발생한 대구를 중심으로 한 감염 확산 당시 서울은 COVID-19 확산과는 거리를 두고 있었다. 그리고 5월 초(19주차)에 서울과 수도권을 중심으로 한 집단감염이 발생했지만 당시 서울시의 일일 확진자 수는 100명을 넘지 않고 수십명 선에서 관리되었다. 하지만 8월 중순(33-34주차)에 다시 한 번 확진자가 크게 증가하며 일일 100명 이상의 확진이 이뤄졌고 유사한 시점부터 음식점의 폐점이 2019년보다 높은 수준에서 일어나고 있음을 확인할 수 있었다.

그림. 3

전국 및 서울 COVID-19 확진

따라서 12월을 제외한 49주간을 대상으로 폐점과 개점의 시간적 변이가 2019년과 2020년 사이에 통계적으로 유의미하게 발생했는 지를 살펴보기 위해 일원분산분석 (ANOVA)를 수행하였다. 이 분석에서 관측치로는 각 년도의 주별(n = 49), 혹은 월별(n = 11) 개업 혹은 폐업한 음식점의 수이다. 분산분석의 결과를 토대로 볼 때 (표 2), 주 단위 자료를 이용해 분산분석을 시행하였을 경우, 폐점과 개점의 변화에 뚜렷한 차이가 있다고는 보기 어렵다. 다만 폐점의 변화의 경우 유의미의 정도를 나타나는 p값이 0.051(94.9% 신뢰도)로 나타나 신뢰수준을 낮출 경우 유의미한 변화가 있었다고 판단할 수 있다. 불확실성을 낮추기 위해 월 단위로 집계하여 동일한 분석을 실시한 결과 역시 두 연도간의 개폐업의 패턴 모두 유의미한 차이를 발견할 수 없었다. 따라서 2019년과 2020년 개폐점의 시계열절 패턴에 큰 차이를 발견하기는 힘들지만 낮은 신뢰수준에서는 폐점과는 상관관계가 있음을 알 수 있다.

기초분석의 두번째 단계로 개점과 폐점의 공간적 패턴을 확인하기 위해 동별 개폐점 음식점 수를 단계구분도로 나타냈다(그림 4). 두 해에 발생한 전체 개폐점 음식점의 절대수치가 서로 다르고 2020년 12월의 자료가 누락되었기 때문에 natural break를 이용해 구간을 나눴다. 네 장의 지도는 각각 연도별 개점과 폐점 음식점 수의 분포를 보여주는데 전체적인 공간적 패턴은 서로 큰 차이점이 발견되지 않는다. 다시 말해 개점이 자주 일어나는 곳에 폐점 또한 자주 일어나고 있으며, 2019년과 2020년의 시간적 관점에서의 비교에서도(그림 4-a 와 b, 그림 4-c 와 d) 별다른 공간적 차별성이 드러난다고 보기 어렵다. 특히 개폐점 분포에 있어 네 지도 모두 마포구와 영등포구, 강남구와 인근 지역, 그리고 중구와 종로구에 걸쳐 개폐점 군집이 발견되고 있다. 이는 음식점들이 특정 지역에 한정되어 집중적으로 생존활동을 하는 지리적 의존성(geographical dependency)의 경향이 있음을 시사한다.

그림. 4

2019년과 2020년의 음식점 개폐점의 지리적 분포

행정안전부는 일반음식점과 휴게음식점을 41개의 세부 분야로 다시 구분하고 있다. 이 분류체계를 따르면 유사한 음식을 제공하는 식당이 따로 구분된 경우가 다수 존재하고, 개폐업 특성이 직접적으로 연관된 분야가 혼재하는 경우가 많아서 통계적으로 유의미한 분석을 하기 위해서는 재분류가 필요하다. 이 연구에서는 일반적인 음식의 서비스 방식, 식사 준비에 소요되는 시간, 주요 판매 음식의 종류를 기준으로 음식점을 재분류하였다. 그 결과 일반 식당, 패스트푸드, 판매대, 카페, 뷔페, 주류, 기타, 총 7가지 카테고리로 음식점을 구분하였다. 일반 식당은 식사를 위해 방문하는 곳으로 일반적으로 종업원이 서비스를 제공한다. 한식, 중식, 일식, 패밀리레스토랑 등이 이에 속한다. 패스트푸드는 빠르게 음식이 제공되는 곳으로 패스트푸드점, 분식, 김밥 등이 해당한다. 판매대는 소비자가 음식 제공 외의 서비스를 받기 어려운 곳으로 푸드트럭, 편의점과 같이 간편 음식이 제공되는 곳이다. 카페는 주로 차와 음료를 판매하는 곳이며, 뷔페는 뷔페식으로 음식을 제공하는 식당이다. 주류 판매점은 호프, 정종, 소주방 등으로 구분된 음식점을 통합한 카테고리이며, 기타는 행정안전부의 구분 상 기타로 표기된 식당들을 그대로 사용하였다.

2019년과 2020년에 개점하거나 폐점한 음식점 수는 부록 2에 카테고리별로 나눠 정리하였다. 개점 음식점 수는 두 해 모두 폐점한 수보다 많은 것으로 나타나고 있으며, 개점과 폐점의 비중이 두 해에 걸쳐 크게 달라지지 않았음을 확인할 수 있다. COVID-19의 확산 전후에 음식점 종류에 따라 다른 생존활동을 보이는 지 여부를 확인하기 위해 연도별 개점과 폐점, 그리고 모두를 이용해 t-test와 분산분석을 실시하였다. 그 결과 2019년과 2020년 사이에 통계적으로 유의미한 차이를 발견할 수 없었다.

표 3은 서울시 내에서 운영된 음식점 중 2019년, 그리고 2020년 1월부터 11월까지 폐업한 음식점들의 평균 운영 기간을 보여준다. t-value는 2019년 폐점한 음식점의 영업일수와 2020년 폐점한 음식점의 영업일수 사이의 차이를 통해 구했다. 이 값이 양수로 나오는 것은 평균적으로 2019년에 폐업한 음식점이 더 길게 영업했음을 보여준다. t-value 옆의 괄호 안에는 양측검정 시 p-value를 표시하고 있다. 분석 결과를 살펴보면 전체적으로 2020년에 폐점한 경우 평균적으로 4개월 이상 빨리 폐업하는 경향을 보였으며 통계적으로도 이러한 경향은 유의미한 것으로 나타난다. Kim and Lee(2020)는 감염에 대한 두려움이 클수록 불특정 다수와 접촉하게 되는 dine-in식당을 이용하는 것을 꺼릴 수 있다고 지적하였고, 이러한 우려가 식당의 상대적으로 빠른 폐업 결정과 관련이 있을 것으로 보여진다.

하지만 이를 음식점 종류에 따라 다시 분석을 실시하면 일반 식당을 제외하고는 동일한 경향을 찾아볼 수 없었다. 패스트푸드, 판매대, 주류 판매업에서 t-value가 양의 값을 보이기는 하지만 통계적으로 유의미한 수준은 아니다. 업체 수가 상대적으로 매우 적은 뷔페를 제외해도 기타 음식점은 2020년에 폐점한 음식점이 통계적으로 유의미한 수준에서 더 장기간 영업을 지속한 것으로 나타나고 있다. 이 결과는 일반 식당은 전체 폐업 음식점의 45% 가량을 차지하기 때문에 일반 식당에서 나타나는 패턴이 음식점 전체의 평균에 큰 영향을 준 것으로 보인다. 패스트푸드의 경우 통계적으로 유의미하지는 않지만 식당 내부에서 식사가 쉽지 않은 감염병 유행의 상황 속에서는 패스트푸드점이 일반적인 식당보다 더 높은 경쟁력을 지닐 수 있다는 Gössling et al.(2020)의 연구와는 다른 결과를 보여준다. 본 연구에서 패스트푸드는 실내 취식이 잦은 김밥, 분식을 제공하는 식당이 패스트푸드에 포함되었기 때문에 상반된 결과를 낸 것으로 볼 수 있다.

2) 지리가중회귀분석

그림 4는 개점과 폐점의 공간적 분포가 연구 기간 내에 유사하게 나타나고 있음을 보여주었다. 하지만 시각적으로 확인할 수 있는 공간적 패턴은 비슷하더라도 눈으로 확인하기 어려운 차이를 설명하는 요소들이 연도별로 혹은 개점과 폐점에 따라 다를 수 있다. 동일 설명 요인 또한 공간 상에서 그 설명력과 방향이 상이하게 나타날 수 있기 때문에 모델과 계수, 잔차의 분포 등을 확인하는 과정이 필요하다. 만일 감염병의 확산과 무관하게 유사한 공간적 패턴이 지속되더라도 개점과 폐점의 공간적 분포를 설명하는 요소를 모델을 통해 실증적으로 찾아보고자 한다.

이에 GWR모델을 이용하여 동별 음식점 개폐점 패턴을 설명한다. 2019년과 2020년의 자료에 대해 각각 GWR을 실시하였다. 그 결과, 2019년과 2020년 개폐점 모델 사이에 뚜렷한 차별성을 찾을 수 없어 2019년의 분석결과는 포함하지 않았다. 이처럼 감염병 등장 전후에 차이가 나타나지 않는 것은 음식점의 개점과 폐점을 설명하는 지리적 요인들이 감염병 확산이라는 외부의 충격에 즉각 변화하지 않았다는 것을 의미한다.

표 1에 나열한 변수들을 모델에 그대로 사용하는 것은 세가지 차원에서 문제를 야기할 수 있다. 우선 개별 변수들의 분포를 살펴보면 정규분포를 따르지 않는 경우가 다수 발견되었다. 이러한 변수들을 이용하여 선형 분석을 실시할 경우 모형의 적합도에 부정적 영향을 줄 수 있기 때문에 해당 변수에는 로그를 적용하여 정규분포에 가까운 형태를 띄도록 변환하였다. 변환없이 변수들간의 상관성(r)을 살펴보면 0.3 - 0.6정도로 그 폭이 넓고, 상관성 정도가 유의미하지 않은 경우도 다수 나타난다. 두번째로, 변환의 기술적 측면에서, 관측치에 0의 값이 존재하여 로그를 취할 수 없는 경우에는 모든 관측치에 1을 더해 로그로 변환시 관측치 값이 0으로 수렴하도록 하였다. 세번째로, 변수간에 공선성(multicoliniearity)이 강하게 존재하는 경우 이에 대한 적절한 해결이 필요하다. 공선성이 강한 변수가 함께 GWR에 이용될 경우 회귀계수 산출에 문제를 일으킬 수 있으며, 이는 모델의 타당성을 떨어뜨리게 된다(Wheeler and Páez, 2010).

따라서 여러 변수 중 모델의 설명력을 높이는 동시에 공선성을 최적으로 피할 수 있는 유의미한 변수의 조합을 찾아내는 과정이 선행되어야 한다. 이러한 목적으로 ERM을 이용하여 모든 변수의 조합에 따라 가능한 모델들(sub-models)에 대하여 가장 타당한 모델을 도출하도록 하였다. 모델 선정에 사용한 기준은 Adj R2(> 0.6), max coefficient p-value(< 0.05), AIC(Lowest), VIF(variance inflation factors) for Multicolinieary(< 7.5)이다. VIF는 공선성의 정도를 직접적으로 파악할 수 있는 지표로 기존의 연구에서는 보편적으로10 혹은 7.5를 기준으로 공선성을 진단하였다 (Akinwande et al., 2015; Cardozo et al., 2012). 본 연구에서는 그 값이 7.5 이상일 경우 공선성 문제가 심각하다고 판단하였다. ERM을 이용해 표 1의 후보변수들을 조합해 OLS모델을 만들어냈고 설정된 기준에 미치지 못하는 조합은 모두 제외하였다. 그 결과, 대략 700여개의 변수 조합이 기준을 만족하는 것으로 나타났다. 조합 중 후보변수 군 내에 최소 한 개 이상의 변수가 선정된 모델 가운데 가장 설명력이 높은 모델을 최적의 모델로 선정하여 GWR에 적용하였다. 확정된 모델의 VIF 값은 5.13으로 공선성의 문제는 크지 않은 것으로 판단할 수 있다(표 4). ERM을 실행한 결과 동일한 공통 요인이 2020년도 개폐업에 나타났으나 변수별 적합도는 다소 상이하며 설명력이 차이가 있다는 것을 확인할 수 있었다.

ERM으로 확인된 변수를 통해 OLS 모델과 GWR을 각각 구성하여 어떤 모델이 음식점의 개폐점 분포를 더 잘 설명하는 지 살펴보았다. 표 5는 개점을 자료를 대상으로 한 모델의 결과를, 그리고 표 6은 폐점을 대상으로 구성한 모델의 결과를 보여주고 있다. 국지적 계수를 추정하기 위한 GWR 계산에는 가변 대역폭(adaptive bandwith)을 적용하였다. OLS와 GWR 모델의 설명력을 보여주는 Adjusted R2, AIC 값을 통해 볼 때, GWR 로 구축한 모델이 OLS의 경우보다 개폐업의 공간적 현상을 더 잘 예측하였다. 특히, 동별 개점 수치를 종속 변수인 경우 GWR 분석은 OLS보다 상당히 높은 수준의 설명력을 가졌다.

모델에 사용된 변수들은 OLS 결과 모두 통계적으로 유의미했으며, 전역적 모델의 차원에서 음식점 개점과 폐점에 사용된 변수의 회귀계수들이 모두 같은 방향으로 상관관계를 맺고 있다. 이는 그림 4에서 보여준 바와 같이 음식점 개점이 활발한 곳과 폐점이 활발한 곳이 유사하게 나타나는 이유를 설명한다. OLS 결과에 따르면 개점과 폐점이 자주 발생하는 곳은 인구밀도, 중위연령이 낮으면서 사업체 및 지역 밀착 의료서비스가 발달한 지역, 그리고 대중교통 접근성이 높은 곳으로 그 속성을 정리할 수 있다. GWR로 산출한 계수의 평균값 또한 개점과 폐점 모델 모두에서 OLS에서 도출한 변수별 계수와 동일한 방향성과 유사한 크기를 보여주고 있으나, 최대 및 최소값의 결과가 서로 다른 부호를 갖는 경우로 비추어 볼 때, 변수의 영향력이 지역에 따라서는 다른 방향을 나타날 수 있음을 시사한다.

GWR의 국지적 설명력을 나타내는 local R2는 개점과 폐점 모두 서울의 중남부 지역과 은평구 북부와 일대에서 높게 나타난다(그림 5). 반면 동북부 지역에 위치한 행정동에서는 설명력이 낮게 나타나는 모습을 보였다. 설명력이 높은 지역들은 동별 분석값을 추출할 때 사용된 대역폭 내에 위치한 동들이 가지고 있는 변수값의 편차가 크지 않다고 볼 수 있다. 즉, 유사한 성격을 가진 동 단위들이 공간적으로 모여있는 곳에서 더 높은 설명력이 나타나며, 이질성이 큰 경우에는 설명력이 떨어지는 추이를 보인다. 하지만 local R2 값의 편차가 그리 크지 않고 설명력이 전반적으로 높아 서울시 전역에 대해 GWR 모델의 설명력이 낮지 않다고 판단할 수 있다.

그림. 5

Local R² 분포

그림 6, 7은 GWR 분석을 통해 나타난 음식점 개점과 폐점의 국지적 회귀모형의 변수별 계수 추정 결과를 각각 보여주고 있다. 국지적 모형의 추정결과를 통해 다음과 같은 결과를 도출할 수 있다.

그림. 6

음식점 개점: 변수별 GWR 회귀계수 추정결과
(주: 범례에서 파란색의 채도의 변화는 회귀계수가 (+)인 관계일 경우 계수의 값이 변화함을의미하며, 갈색으로 변할수록 (-)의 관계가 강해짐을 의미한다.)

그림. 7

음식점 폐점: 변수별 GWR 회귀계수 추정결과

먼저, OLS를 통해 구해낸 회귀계수와는 다른 띄는 지역이 국지적으로 나타난다. OLS는 한 변수에 하나의 계수와 해당 회귀계수의 통계적 유의성을 구해낸다. 이를 통해 변수별 상관관계에 대한 일관되고 명확한 해석이 가능하나 이를 관측 단위로 나눠보았을 때 상관관계의 방향이 다른 지역이 나타나고 있다. 예를 들어, 인구밀도가 낮은 곳에서 개폐점이 활발하다는 OLS의 결과는 노원구 일대에는 적용할 수 없다(그림 6-a).

두 번째로 모델에 사용된 6개의 변수들은 중위연령과 의원 수을 제외하고 회귀계수의 공간적 패턴에 국지적 차이가 다소 존재하나, 전반적으로 유사하게 나타나고 있다. 즉, 다른 요소를 통제한 후에도 개별 변수들은 유사한 패턴으로 개점과 폐점을 설명하고 있다. 이는 앞서 그림 4에서 확인한 음식점 개폐점의 지리적 유사성을 재차 확인해준다. 예외적으로 그림 6-f에서는 음의 회귀계수가 은평구에서 나타나고 있으나 한 곳에서 작은 수치로 나오고 전체적인 패턴에는 큰 영향을 주지 않는다.

세 번째로 중위연령과 의원 수의 회귀계수는 다른 변수들과는 달리 개점과 폐점 사이에 차이를 보이고 있다. 중위연령이 낮을수록 폐점이 많다는 사실은 그림 7-c를 통해 서울 시내 모든 지역에 동일하게 적용되어 나타난다. 하지만 음식점 개점과 중위연령을 보여주는 그림 6-c에서는 양의 계수를 가진 지역이 강북-도봉-노원구의 북부 지역에 걸쳐 나타난다. 이 지역은 서울 시내에서 상대적으로 거주 인구가 많은 지역으로 중위연령이 높은 특성을 공통적으로 가지고 있다. 또한 그림 6-e에서 음의 회귀계수를 가진 것으로 나타나는 지역은 의원이 인구 대비 상대적으로 높은 지역이다. 이처럼 상대적으로 다른 곳과 구분되는 뚜렷한 지역적 특성은 다른 곳과는 구분되는 결과를 가져온다는 점에서 GWR모델이 효과적으로 이용되었다고 판단할 수 있다.

5. 결론

국제적으로 감염병 위기는 여러 차례 반복되어 왔고, 이는 지역, 국가 그리고 세계 경제에 일정 부분 영향을 미쳤다. 2020년에 전 세계적으로 확산한 COVID-19은 아직까지 약물적 개입으로 감염 확산을 막을 수 없기 때문에 다른 감염병과 비교할 수 없을 정도로 사람들의 일상에 큰 영향을 주고 있다. 음식점은 이렇게 변화된 일상으로 인해 큰 손실을 입은 업종이고 상대적으로 작은 운영 규모로 인해 개점과 폐점 양상에 변화가 발생했을 수 있다는 점에서 본 연구가 시작되었다.

실제 개점과 폐점 자료를 분석한 결과 전체적인 개폐점 건수는 전년도와 비교했을 때 감염병 사태로 인한 급격한 폐점 증가 혹은 급격한 개점 감소는 발생하지 않은 것으로 나타났다. 하지만 이를 시계열로 재정리하면 폐점의 경우 전년도와 다른 패턴이 발견되었고 이는 11월의 COVID-19 확산기에 폐점이 늘어났기 때문으로 보여진다. 또한 폐점한 음식점의 영업 기간을 살펴보면 감염병 사태가 발생한 2020년에 폐점한 음식점의 영업기간이 유의미하게 더 짧은 것으로 나타났다. 이는 중장기의 관점에서 연속적인 연구에 대한 필요성을 보여준다. 개폐점의 공간적 패턴은 연도별 차이는 나타나고 있지 않으며, GWR로 분석했을 때 회귀계수의 분포에 있어 개점과 폐점 사이의 공간적 패턴에는 유의미한 차이점을 찾을 수 있었다. 이를 종합하면, 감염병의 확산은 음식점 개폐점은 개점보다는 폐점에 보다 상관관계를 보인다. 개점과 폐점, 모두 공통적으로 특정 변수와 관련이 있는 것으로 나타난다. 특히, 인구밀도, 중위연령, 사업체수, 대중교통에 대한 접근성, 약국과 의원의 수가 모델을 통해 음식점의 개폐점과 유의미한 관계를 지닌 것으로 확인이 되었다.

감염병 사태의 확산과 지속에도 불구하고 음식점의 개점과 폐점의 시공간적 분포에 아주 큰 변이가 발생하지 않았다는 것은 다음과 같은 점을 시사한다. 우선, 사업체의 개점과 폐점은 외부의 자극에 따른 결과를 즉시 반영하지 않을 가능성이 크다. 감염병 확산과 같은 외부 자극의 단기적 영향은 매출액, 영업이익과 같은 자료의 분석을 통해 확인할 수 있을 것이다. 이에 더해 금융위기와 같은 외부의 부정적 자극은 직장에서 퇴출되는 이들의 증가로 오히려 자영업 진출을 촉진하기도 한다(김도균, 2015; 장지연, 2003). 즉, 경기의 하락으로 개점이 줄어들 것으로 예상할 수 있으나 자영업에 진입하는 이들이 늘어나 실제로는 개점 업체 수가 줄어들지 않을 수도 있다는 것이다. 개점과 폐점은 개인에게 상당한 초기 투자비용을 발생시키고 도시 공간에 사회적 비용을 증가시키기 때문에 이에 대한 연구는 지속적으로 이뤄져야 한다(남윤미, 2017; 이재형･양정삼, 2011; 중소기업연구원, 2015). 두 번째로, 연구의 대상인 음식점과 음식점 이용자의 행태변화가 급격한 변화를 일으키지 않은 이유가 될 수 있다. 인터넷과 SNS를 이용한 정보 전달, 배달앱의 등장은 기존과는 다른 방식의 음식점 이용기회를 제공하고 있다(박서진･김승인, 2018; 이금숙 등, 2020). 특히 모바일을 기반으로 한 배달앱과 같은 O2O(Online-to-Offline) 서비스는 COVID-19의 확산 이후 빠르게 그 저변을 확대하였다.²⁾ 새로운 판매 통로의 등장과 이의 활발한 이용은 음식점의 감염병 사태의 부정적 영향을 완화시키는 완충 역할을 수행했을 것으로 보여진다. 마지막으로, 개점과 폐점의 공간적 패턴에 변화가 크게 나타나지 않았다는 것은 음식점 개폐점에 영향을 주는 지리적 요인이 그대로 작용하며 주택가, 대학가와 같은 특정 상권이 외부의 충격에 더 취약하거나 강하지 않다는 점을 보여준다. 예를 들어, 본 연구에서는 대학 상권의 변화를 보기 위해 ‘대학교 입학정원’ 변수를 설정하였다. 하지만 이 변수는 음식점 개점과 폐점의 공간적 패턴과 별다른 상관관계를 보이지 않았고 이는 감염병 확산 전후 시기에 동일하게 적용된다. 이는 최소한 단기적으로는 대학가와 같은 특정 상권이 감염병 위기에 더 취약하지 않음을 알 수 있다.

아직 2020년에 시작된 세계적 감염병 확산이 장기적으로 우리 사회에 어떠한 영향을 미쳐는 지를 정확히 판단하기 쉽지 않다. 지금까지 발표된 연구들은 여전히 감염병 확산의 초기 단계의 자료를 사용하거나 잠재적 영향력을 가늠하고자 하는 시도 혹은 연구 방향에 대한 제언들이 주를 이룬다(Alonso et al., 2020; Baum and Hai, 2020; Gössling et al., 2020; Gursoy and Chi, 2020). 이러한 초기 연구는 감염병의 영향을 제대로 진단해 내지 못할 수도 있다. 이 연구 또한 우리나라에서 감염병 사태가 시작된 후의 시기는 약 10개월 정도가 포함된 자료를 이용했기 때문에 다른 초기 연구와 동일한 한계를 가질 수 밖에 없다. 하지만 이러한 초기 연구들은 적은 자료를 이용했지만 이를 통해 시의적절한 결과를 도출하고 후속 연구를 이끌 수 있는 동시에 정책적 기여를 할 수 있다는 점에서 중요한 역할을 할 수 있다. 본 연구도 이러한 측면에서 수행되었다.

감염병으로 인한 영업제한이 해제되고 이동이 자유로워지더라도 고객이 음식점, 호텔 등 접객업소로 바로 돌아올지는 불투명하다. 많은 이들이 식당에서 식사를 하거나 호텔에서 머무는 것에 대해 이전과는 다른 생각을 하게 되었으며 위생에 대한 개념 또한 급격히 변화했기 때문이다(Gursoy and Chi, 2020). 이에 더해 COVID-19의 여파의 변화에 따라 접객업의 향후 변화와 이를 설명할 수 있는 변수의 추이도 살펴야한다. 더 나아가서는 서울이라는 인구밀집지역에 대한 연구 뿐만 아니라 지리적 영역의 확대를 통해 지역간 유사성과 차이점을 비교하는 것도 정책적 의미를 맞춤화할 수 있다는 점에서 후속 연구로 제안하고자 한다. 마지막으로 세계적인 공중보건 위기가 지역의 경제 환경에 미치는 영향을 장단기적으로 평가하고 변화를 평가하는 작업은 지속적으로 이루어져야 할 것이다.

주

1) 1980년대 이전 데이터는 오류 혹은 기록이 존재하지 않는 경우가 상다수일 것으로 추정된다. 전국적으로 1960년대 초까지 한 해 수십 건의 개점만이 기록되어 있으며 1970년대에 들어서며 1000건을 넘는 음식점이 개점한 것으로 나타난다. 특히, 폐점의 경우 1건도 신고되지 않은 해가 다수 존재하였다.

2) 서울경제, 2020년 9월 8일. “‘오늘은 뭐 시켜?’ 배달앱 사용량 25%나 늘었다”. https://www.sedaily.com/ NewsVIew/1Z7RXYDLNU (최종열람일: 2021년 2월 8일)

부록