1. 서 론

코로나19와 같은 팬데믹은 관광수요에 직접적인 타격 을 준다. 국내에서도 코로나19가 발생함에 따라, 코로나19 감염에 대한 우려로 인한 유동 인구의 감소와 외래 관광객 의 감소로 인해 국내 관광산업은 급격한 수요 감소를 겪었 다[7]. 향후에도 기후 및 환경 변화에 따라 인수공통감염 병 가능성이 있는 바이러스에 의해 전염병과 팬데믹의 발 생 위험이 항시 존재하므로 팬데믹 상황에서 발생하는 관 광수요의 특징에 대한 연구가 매우 중요하다[10].

우리나라는 인구의 절반 이상이 수도권에 집중되어 있 으므로 지역의 관광수요에서 상당 부분이 수도권에서 발 생하리라 예상된다. 코로나19와 같은 감염병의 전파 특성 과 심리적 회피 정서를 고려할 때, 인구밀집도가 높고 밀 폐된 공간 구조를 지닌 관광지는 감염 우려가 크므로 방문 의사결정에 부정적 영향을 줄 수 있다. 따라서 인구밀집도 가 높은 특히 수도권과 가깝거나 실내 관광지의 경우 심리 적 거리감과 정책적 규제의 영향을 동시에 받으며, 상대적 으로 관광수요의 위축이 클 것으로 예상된다. 이러한 현상 은 거리와 공간 속성이 결합되어 관광수요에 미치는 복합 적 효과를 낳는 요인으로 작용할 수 있다. 따라서 코로나 19와 같은 팬데믹 상황에서, 거리와 공간 속성에 따른 관 광수요의 변화를 실증적으로 분석하는 것은 관광지 관리 및 방역 대응 전략 수립에 학술적 및 정책적 측면에서 매 우 중요하다.

본 연구에서는 인과머신러닝(causal machine learning)의 이질적 처치효과(heterogenous treatment effect) 분석을 통 해, 수도권에서의 거리 및 관광지의 공간 속성에 따른 코로 나19가 관광수요에 미치는 영향을 계량적으로 분석한다.

계량경제학에서는 치료, 광고, 정책 시행과 같이 결과 또는 종속변수에 영향을 미치는 요인을 처치(treatment)라 고 한다. 일반적으로 처치의 효과는 처치의 평균적 인과효 과를 의미하는 평균적 처치효과(average treatment effect, ATE)와 처치에 따른 특성변수의 인과효과를 의미하는 이 질적 처치효과로 구분된다.

처치 실행에 시간 및 예산 제약이 있는 경우에 이질적 처치효과를 적용하면 처치 효과를 향상시킬 수 있다. 따라 서 최근에는 머신러닝을 활용하여 이질적 처치효과를 추 정 및 분석하고 최적화에 적용하는 연구들이 활발히 진행 되고 있다. 이런 분야의 연구를 인과머신러닝 또는 처방적 분석(prescriptive analytics)이라 부른다[12, 19, 20]. 인과머 신러닝 방법론은 DML(double machine learning)과 같이 머 신러닝 기반의 다양한 분석방법론이 연구되고 있다[13].

본 연구에서는 외생적 충격인 코로나19의 발생을 처치 로 설정하고 수도권으로부터의 거리와 관광지의 공간 속 성에 따른 관광수요의 변화인 이질적 처치효과를 인과머 신러닝 기법인 DML 모형으로 분석한다. 인과머신러닝을 적용하여 팬데믹 상황에서 관광수요의 변화를 더욱 정교 하게 분석하고, 이를 통해 관광정책 수립에 기여할 수 있 는 실증적 근거를 제시하고자 한다.

이후 본 논문의 구성은 다음과 같다. 2장에서는 선행연 구를 다룬다. 3장과 4장에서는 연구 설계와 데이터 분석 결과를 제시한다. 마지막으로 5장에서는 결론 및 시사점 을 다룬다.

2. 선행연구

2.1 인과머신러닝과 이질적 처치효과

인과효과를 다루는 계량경제학에서는 치료, 투약, 수술, 광고, 정책 시행과 같이 종속변수의 변화를 발생시키는 변 수를 처치변수라 부른다. 예를 들어, 본 연구에서 관광수 요에 영향을 주는 코로나19 발생이 처치변수에 해당한다.

계량경제학에서는 일반적으로 처치의 시행 유무에 따 른 평균적 처치효과를 분석한다. 최근에는 머신러닝을 활 용하여 처치에 따른 특성변수의 인과효과인 이질적 처치 효과를 다루는 연구들이 활발히 진행되고 있다.

이질적 처치효과를 분석하면 처치 실행에 시간 및 예산 제약이 있는 경우 처치 효과를 극대화할 수 있다. 예를 들 어, 온라인 광고에서 예산 제약이 있는 경우, 광고 효과가 큰 고객 특성별로 고객을 선정하여 광고를 진행하면 무작 위 선정에 비해 광고 효과가 향상될 수 있다. 환자에게 약 을 처방하는 경우에도 처치효과가 큰 특성의 환자 또는 소집단부터 처방한다면 처방의 효과를 극대화할 수 있다.

이질적 처치효과를 다루는 연구 분야는 머신러닝의 방 법론을 적용하기 때문에 인과머신러닝이라 불리기도 하며 처치효과를 극대화하기 위한 문제를 다루므로 처방적분석 이라 불리기도 한다[12, 19, 20].

인과머신러닝은 DML(double machine learning)을 다룬 방법론[1, 3, 4, 15]을 비롯하여, Doubly Robust Learning [6], Meta-Learners[8], 그리고 Dynamic DML[11] 등의 다 양한 방법론이 연구되고 있다. 마이크로소프트 리서치 (Microsoft Research)에서는 인과머신러닝의 연구와 개발 을 위해 EconML이라는 python 패키지를 개발 및 공개하 였다[2, 5, 13].

이질적 처치효과를 분석하는 경우 일반적으로 데이터 는 {Y (T ),T ,X,W}의 구조를 갖는다. T 는 처치변수이다. Y (T )는 종속변수로 처치가 T 인 경우 결과값이다. X는 특성변수로 이질성을 표현하기 위해 사용된다. W는 통제 변수이다. 평균적 처치효과를 분석하는 경우에는 특성변 수도 통제변수로 이용된다.

이질적 처치효과는 수학적으로 다음과 같이 정의된다.

본 연구에서 다루는 대표적인 인과머신러닝 방법론인 DML의 수학적 구조는 다음과 같다.

여기에서 θ (X)는 특성변수 X의 함수로 θ (X)를 통해 특성변수에 따른 이질적 처치효과를 함수 형태로 추정한 다. ∈와 η는 오차항이다.

DML에서는 X와 W를 통해 Y와 T 를 예측하고, 두 예측 결과를 이용하여 θ (X)를 추정한다. DML에서는 Y , T , 그리 고 θ (X)의 예측에는 선형회귀를 비롯하여 RandomForest와 같은 비선형의 머신러닝 기반의 모형을 이용한다. 인과머신 러닝 패키지인 EconML은 RandomForest와 같이 python의 머신러닝 패키지인 scikit-learn이 지원하는 다양한 머신러 닝 방법론을 적용할 수 있다[2, 5, 13].

2.2 코로나19와 관광수요

코로나19는 전염병의 최고 경고단계인 팬데믹으로 2020년 1월에 국내에서 코로나19가 발생한 이후, 감염자 가 급증하였다. 이후 감염에 대한 우려와 더불어 대면금지 및 거리두기 등의 팬데믹 정책이 시행되었다. 코로나19 발 생에 따라 국내 관광수요는 주요관광지점의 평균방문객 기준으로 2019년 상반기 대비 2020년에는 52.65% 수준으 로 감소하였다[9].

코로나19가 국내 관광수요에 미친 영향을 계량적으로 분석한 기존 연구들은 다음과 같다. Yun and Lee[18]는 Bayesian VAR 시계열 모형의 예측치와 실측치를 비교하는 방법을 적용하여 실내·실외 및 인공·자연 등 관광지 유형별 관광수요 증감률을 추정하였으며, 전체적으로 코로나19로 인한 관광수요의 급격한 감소를 확인하였다. Yang et al.[16]은 머신러닝 기반의 모형검증 기법을 활용하여 최적 의 예측모형을 탐색한 뒤 가상의 대조집단을 구성하고, 이 를 통해 개별 관광지 단위에서 코로나19의 처치효과를 분 석하는 방안을 제시하였다. Yang et al.[17]은 이를 확장하 여 전국 단위로 구성된 가상대조집단에 회귀분석을 적용함 으로써 국내 관광수요의 평균적 처치효과와 관광지 특성에 따른 차이를 분석하였다. 결과적으로 기존 연구에서는 관 광지 유형 및 개별 관광지 수준에서의 개별적 처치효과[16, 18], 그리고 전국 수준에서의 평균적 처치효과[17]를 다루 었다. 반면 본 연구에서는 인과머신러닝을 적용하여 수도 권 거리라는 특성변수를 중심으로 관광지 공간 속성에 따 른 이질적 처치효과를 정량적으로 추정한다는 점에서 기존 연구와 차별성을 가진다. 특히 기존 연구들이 개별적 및 평균적 효과 추정에 주력한 것과 달리, 본 연구는 거리와 공간 속성에 따른 차별화된 팬데믹 효과를 규명함으로써 관광정책 수립에 더욱 정교한 시사점을 제공한다.

3. 연구 설계

본 연구에서는 코로나19 발생을 처치변수로, 관광수요 를 종속변수로 설정하고 수도권으로부터의 거리를 주요 특성변수로 하여 DML 모형을 적용한다. 분석 과정에서 관광지의 공간 속성, 관광지 유형, 지역내총생산(GRDP), 인구수를 통제변수로 반영하며, 관광수요는 관광지식정보 시스템[14]의 주요관광지점 입장객통계(월별 방문객 수) 를 활용한다. 아울러, 이질적 처치효과의 다양한 양상을 파악하기 위해 선형 및 비선형 모형을 모두 고려한다. 분 석을 위한 구체적인 내용은 다음과 같다.

본 연구에서 사용하는 변수는 다음과 같이 정의된다.

국내에서는 2020년 1월에 코로나19가 발생했으므로 y_k,2019은 2019년 2월에서 12월까지 관광지 k의 월별 관광 객 수의 평균이고 y_k,2020은 2020년 2월에서 12월까지 관광 지 k의 월별 관광객 수의 평균이다. y_k,2019와 y_k,2020 계산 시, 관광객 수가 0인 기간은 데이터 수집 오류로 간주했고 평균을 구하는 기간 동안 각각 데이터가 2개 이상 존재하 는 경우에만 평균을 계산하였다.

본 연구에서 데이터 전처리 및 분석대상 관광지 선정 방안은 다음과 같다. 본 연구에서는 서울특별시, 인천광역 시, 경기도, 강원도, 대전광역시, 세종특별자치시, 충청북 도, 충청남도 등 8개 광역시 및 도에 속한 관광지를 분석 대상으로 고려하였다. 연구 목적상 수도권으로부터의 거 리를 주요 특성변수로 다루고 있으므로 수도권과 인접하 거나 수도권 인구의 주요 유출입이 발생하는 중부권 지역 을 중심으로 범위를 한정하였다. 아울러, 수도권에서 자동 차로 당일 여행이 가능한 지역을 염두에 두었다.

주요관광지점 입장객통계에는 관광지별로 데이터가 누 락된 경우가 많다. 코로나19 발생 이전 및 이후 기간인 2019년 2월에서 12월 및 2020년 2월에서 12월 기간에 관 광객 수가 0인 기간은 데이터 수집 오류로 간주하고 해당 기간의 수요가 누락되었다고 간주하였다. 본 연구에서는 코로나19 발생 이전 및 이후 관광수요의 평균을 비교하므 로 해당 기간 동안 각각 데이터가 2개 이상 존재하는 관광 지만을 분석대상으로 삼았다.

데이터 전처리 과정을 거쳐 최종적으로 <Table 1>과 같 이 2274개 관광지 중에서 994개의 관광지를 분석한다.

<Table 1>의 분석 대상 관광지를 공간 속성 및 관광지 유형으로 분류하면 <Table 2>와 같다.

본 연구에서는 DML 모형을 적용하여 이질적 처치효과 를 분석하기 위해 EconML 패키지를 활용하였다. 아울러, 선형모형인 LinearDML과 비선형 패턴을 분석하기 위해 CausalForestDML 모형을 적용하였다. 각 모형에서 Y , T , θ (X) 추정에 적용한 머신러닝 모형은 <Table 3>과 같다. <Table 3>의 LinearDML 모형에서 Linear Model은 θ (X) 가 특성변수의 1차 함수 형태이다.

4. 분석 결과

<Figure 1>에서 <Figure 4>까지는 전체 공간 및 공간 속 성을 실내, 실외, 복합으로 구분하여 이질적 처치효과를 분석한 결과이다.

각 그림에서 실선은 이질적 처치효과이며 실선의 위와 아래의 점선은 각각 상한과 하한을 의미한다. 각 그림에서 위와 아래의 그림은 각각 이질적 처치효과를 선형이라 가 정한 LinearDML과 비선형을 고려한 CausalForestDML의 분석 결과이다. <Table 4>는 LinearDML의 θ (X) = α + βX 에서 계수를 추정한 결과이다.

전체 공간의 데이터를 분석한 <Figure 1>의 그래프와 <Table 4>의 계수 추정치를 살펴보면, 이질적 처치효과를 선형으로 가정한 위쪽 그래프와 비선형으로 가정한 아래 쪽 그래프에서 모두 이질적 처치효과는 음수이고 기울기 는 양수를 갖는다. 하지만, 이질적 처치효과는 공간 속성 에 따라 차이가 존재한다.

실내 공간을 다룬 <Figure 2>를 보면, 첫째, 실내 공간의 이질적 처치효과는 음수이고 거리가 증가할수록 이질적 처치효과가 감소한다. <Table 4>를 보면, 이질적 처치효과 를 선형으로 가정한 경우, 이질적 처치효과 1차 항의 기울 기가 양수이고 p값도 0.02로 유의수준 5%에서 유의하다. 아울러, <Figure 2>에서 비선형의 이질적 처치효과를 고려 한 아래쪽 그래프를 보면, 거리가 증가할수록 이질적 처치 효과의 감소 정도가 점진적으로 감소한다. 즉, 관광지가 수도권과 가까울수록 코로나19로 인한 수요 감소가 크고 수도권에서 멀어질수록 수요의 감소 정도가 줄어든다. 결 과적으로 실내 공간에서는 이질적 처치효과 및 변화 정도 가 거리에 영향을 받는다.

관광지의 공간 속성이 실외인 <Figure 3>과 복합인 <Figure 4>를 보면, 이질적 처치효과가 거리에 따라 변화 가 거의 없다. <Table 4>의 계수 추정 결과를 보면, 공간 속성이 실외 및 복합인 관광지의 경우에는 거리에 따른 이질적 처치효과에서 기울기를 의미하는 1차 항의 p값이 각각 0.911과 0.66으로 유의하지 않다. 결과적으로 코로나 19에 의한 실외 및 복합 관광지의 관광수요의 감소 정도는 거리에 영향을 받지 않는다고 분석된다.

마지막으로 <Figure 2>에서 <Figure 4>까지, 공간 속성 에 따른 처치효과의 크기를 비교하면, 코로나19 발생에 따 른 수요 감소가 복합 및 실내가 실외에 비해 크다.

5. 결 론

본 연구에서는 인과머신러닝을 활용한 이질적 처치효 과 분석 방법을 적용하여 수도권에서의 거리 및 관광지의 공간 속성에 따라 코로나19가 관광수요에 미치는 영향을 분석하였다. 본 연구의 이질적 처치효과 분석 결과를 정리 하면 다음과 같다. 실내 관광지의 이질적 처치효과는 수도 권으로부터의 거리에 영향을 받지만 실외와 복합 관광지 는 그렇지 않다. 실내 관광지는 수도권으로부터의 거리가 증가할수록 처치효과가 감소하는 경향을 보인다. 코로나 19는 밀폐되고 인구밀집도가 높을수록 전파위험이 증가하 므로 관광지의 공간 속성이 실내이고 인구밀집도가 높을 수록 관광객들이 관광지 방문에 대한 심리적 거부감이 증 가한다. 따라서 인구가 밀집된 수도권의 중심부에 가까울 수록 실내 관광지에 대한 심리적 거부감이 크고 수도권 외곽으로 이동할수록 인구밀집도가 감소하기 때문에 관광 지 방문에 대한 심리적 거부감이 감소하여 이와 같은 결과 가 도출되었다고 여겨진다.

본 연구의 기여 사항을 정리하면 다음과 같다. 첫째, 학술 적 측면에서 본 연구는 기존의 평균적 처치효과 추정을 넘어, 인과머신러닝을 적용하여 수도권 거리와 관광지 공간 속성에 따른 이질적 처치효과를 규명하였다. 이를 통해 팬데 믹과 같이 복잡한 상황에서 관광수요의 변화를 보다 정교하 고 체계적으로 분석할 수 있는 학문적 확장 가능성을 제시하 였다. 둘째, 산업적 측면에서 본 연구는 경영경제 및 의료 분야에서 주로 활용되던 인과머신러닝 기법을 관광 분야에 도입함으로써 관광정책의 효과 추정의 정밀성과 확장성을 높이는 새로운 분석 프레임워크를 제공하였다. 이는 향후 전염병, 자연재해, 정책충격 등 외생적 요인에 대응하는 관광정책 및 지역분석 연구의 기반을 제공하리라 기대한다.

본 연구는 정책적으로 다음과 같은 시사점을 가진다. 본 연구는 코로나19와 같은 팬데믹 상황에서 관광수요가 지리 적 요인과 관광지 속성에 따라 상이하게 위축될 수 있음을 실증적으로 보여주었다. 이러한 결과를 토대로 팬데믹 이후 의 관광 회복 정책 수립에 거리 기반 차별화 및 관광지 속성에 따른 프로모션 등과 같은 방안을 고려할 수 있다. 예를 들어, 첫째, 수도권 근접 실내 관광지는 감염 우려를 낮추기 위해 방역 강화와 예약제 및 분산 방문이 필요하며, 수도권 원거리 실내 관광지는 교통비 지원과 할인 프로모션 을 통해 관광수요의 회복을 조기에 촉진하는 방안을 고려할 수 있다. 둘째, 실내 관광지에는 방역 강화와 할인권 지원, 실외 관광지에는 생태 및 치유형 관광 프로그램 개발, 복합 관광지에는 공간 분리 운영과 가족 단위 패키지 제공 등 유형별 맞춤 정책이 요구된다. 셋째, 장기적으로는 팬데믹 상황에서 관광지 밀집도를 실시간으로 정보 제공하는 등의 디지털 기반 관리체계가 필요함을 시사한다.

마지막으로 본 연구의 한계와 추후 연구 방향을 다룬다. 첫째, 본 연구에서 활용한 관광지식정보시스템의 관광지 별 월별 방문객 수 통계에는 결측 데이터가 많다. 본 연구 에서 고려한 전체 2274개 관광지 중에서 56%에 해당하는 1280개 관광지가 결측데이터 때문에 분석에서 제외되어 표본편향의 가능성이 존재한다. 따라서 향후에는 시계열 데이터의 결측치 대체 방법을 활용하여 분석 대상 관광지 를 확장할 필요가 있다. 둘째, 본 연구에서는 관광지 단위 의 데이터를 활용하기 때문에, 개별 관광객의 인구통계적 특성, 이동패턴, 심리적 요인 등 개인 수준의 이질성을 반 영하기 어려웠다. 따라서 향후에는 이동통신 및 신용카드 데이터 등 미시적 수준의 관광객 행태 데이터를 확보하여 개인 수준의 이질적 처치효과 분석으로 연구를 확장할 계 획이다. 셋째, 본 연구에서는 코로나19의 발생을 단일 시 점으로 간주하고 처치를 발생 여부로 이분화하였으나 사 회적 거리두기 단계 및 지역별 감염자 수와 같이 시간과 지역에 따라 복합적인 처치가 존재한다. 향후에는 다단계 및 동적 처치모형을 적용하여 보다 정교한 처치효과 추정 을 시도할 수 있다. 넷째, 본 연구에서는 수도권으로부터 의 거리 변수를 중심으로 팬데믹 상황에서의 관광수요 변 화를 분석하였다. 다만 코로나19의 충격이 전국적 차원에 서 영향을 미쳤으므로 향후 연구에서는 거리 변수와 더불 어 사회적 거리두기 등의 거시적 요인을 포괄하는 분석이 필요하다. 마지막으로 본 연구에서는 지역내총생산, 인구 수, 공간 속성, 관광지 유형을 통제변수로 반영하였다. 거 리 중심의 분석에 초점을 맞추어 통제변수가 관광수요 변 화에 기여하는 중요도를 계량적으로 제시하지 못했다. 향 후 연구에서는 머신러닝에서 변수 중요도 분석에 활용되 는 SHAP(SHapley Additive exPlanations) 방법을 적용하여 각 요인이 결과변수에 미치는 영향을 정밀하게 규명할 필 요가 있다. 아울러, 본 연구에서 적용한 통제변수 이외에 도 팬데믹 상황에서 관광수요에 영향을 미칠 수 있는 요인 은 다양하다. 예를 들어, 지역별 코로나19 환자 발생 비율, 인구밀집도, 감염 확산 정도, 의료 및 방역 인프라 수준, 지역의 관광정책 대응 수준 등이 관광수요 결정에 중요한 역할을 할 수 있다. 본 연구에서는 이러한 요인을 포함하 지 못하였다는 한계가 있으며, 향후 연구에서는 이러한 변 수들을 통합적으로 고려함으로써 연구 결과의 강건성과 정책적 활용 가능성을 더욱 높일 필요가 있다.