GWR-ML 스태킹 하이브리드 모델 기반 상권 폐업 점포 수 예측과 영향요인 분석 : 서울시 상권을 대상으로 = Predicting Store Closure Counts and Analyzing Influential Factors Using a GWR?ML Stacking Hybrid Model: A Case Study of Commercial Districts in Seoul

국문 초록 (Abstract)

우리나라는 급격한 도시화와 산업화를 거치며 서울을 중심으로 상권이 형성·확대되었으나, 최근 경기 침체와 소비 행태 변화 등으로 상권 경쟁력이 약화되고 폐업이 증가하고 있다. 상권 폐업은 복합적 요인에 의해 발생하며, 지역별로 상이한 공간적 특성을 나타낸다. 이 연구는 서울시 1,189개 상권을 대상으로 지리적 가중회귀모형 (Geographically Weighted Regression, GWR)과 머신러닝 기법 중 하나인 XGBoost 모델을 결합한 스태킹(Stacking) 하이브리드 모델을 구축하여 외식업의 폐업 점포 수를 예측하고 주요 영향 요인을 분석 하였다. 이 연구의 하이브리드 모델은 GWR의 공간적 이질성 반영 능력과 XGBoost의 비선형 학습 및 변수 상호작용 탐지 능력을 통합하여, 공간적 해석력과 예측 정확도를 동시에 확보할 수 있는 통합 분석틀을 제시한다는 점에서 방법론적 차별성을 가진다. GWR 분석 결과, 지역별 공간적 이질성이 뚜렷하게 나타났으며, 동종업 상가 밀도, 프랜차이즈 점포 수, 문화·쇼핑시설 비율, 총 상주인 구 수, 20대 유동인구 비율, 당월 매출금액 등의 변수가 폐업에 유의 한 영향을 미치는 것으로 나타났다. 특히 변수별 회귀계수의 부호와 크기가 지역에 따라 달라, 상권의 기능과 입지에 따른 공간적 차이가 확인되었다. XGBoost 분석에서는 프랜차이즈 점포 수, 동종업 상가 밀도, 당월 매출금액, 유동인구 수 등이 주요 변수로 도출되었으며, 변수 간 복잡 한 비선형 관계와 상호작용을 효과적으로 포착하였다. 두 모형에서 공통적으로 중요하게 나타난 변수는 동종업 상가 밀도, 프랜차이즈 점포 수, 당월 매출금액, 총 상주인구 수 였으며, 이들 변수는 GWR에 서 공간적 이질성을, XGBoost에서 비선형 효과를 각각 나타냈다. GWR과 XGBoost 모형을 결합한 스태킹 하이브리드 모델은 GWR 의 공간적 해석력과 XGBoost의 비선형 학습 능력을 통합하여 예측 성능을 향상시켰으며, 결정계수(R²)는 0.946으로 나타났다. 이는 GWR 의 공간적 이질성 반영 능력과 머신러닝의 비선형 관계 학습이 결합 되어 높은 설명력을 확보할 수 있음을 보여준다. 이 연구는 공간통계 기법과 머신러닝을 결합한 통합 분석틀을 제시 함으로써, 상권의 폐업 위험 요인을 다차원적으로 규명하고, 지역별 맞춤형 상권 관리 및 쇠퇴 대응 전략 수립에 기초자료를 제공한다는 점에서 의의가 있다.

목차 (Table of Contents)

• I. 서론 1
• 1. 연구의 배경 및 목적 1
• 2. 연구의 범위 및 구성 3
• II. 선행연구 고찰 6
• 1. 상권 쇠퇴 및 폐업에 관한 연구 6
• 2. 머신러닝 기반 상권 쇠퇴 및 폐업 예측 연구 8
• 3. 연구의 차별성 10
• III. GWR-머신러닝 스태킹 하이브리드 모델 11
• 1. 실증자료 구축 11
• 2. 분석방법론 19
• IV. 분석 결과 25
• 1. 기초통계량 분석 25
• 2. GWR 분석 결과 27
• 3. XGBoost 모델 결과 33
• 4. GWR–ML 스태킹 하이브리드 모델 결과 37
• Ⅴ. 결론 42