카운트다운 시계가 뉴욕 지하철 이용에 미친 영향

초록

**
본 연구는 2017년 8월 31일을 기준으로 E·G 노선에 설치된 실시간 도착 정보 카운트다운 시계가 주간 승차인원에 미치는 효과를 패널 회귀(FE·RE)와 머신러닝(랜덤포레스트·AdaBoost, 의사결정트리)으로 분석한다. 통제 변수로는 기온 구간, 강수량, 실업률을 포함했으며, G노선에서는 역당 평균 1,783명의 승차 증가가 확인되었다. 예측 정확도는 머신러닝 모델이 전통적 패널 회귀보다 우수함을 보여준다.

**

상세 분석

**
이 논문은 실시간 도착 정보를 제공하는 카운트다운 시계가 승객 만족도와 안전성 향상에 기여한다는 가설을 검증하기 위해 자연실험 설계를 채택하였다. 데이터는 MTA가 공개한 주간 메트로카드 스와이프 수와 기상·실업률 데이터를 결합한 패널 형태이며, ‘Has Clock’ 더미변수를 통해 사전·사후 효과를 추정한다. 패널 회귀에서는 고정효과(FE)와 무작위효과(RE) 두 모델을 비교하고, Hausman 검정을 통해 두 모델의 차이를 평가하였다. 그러나 샘플이 E·G 두 노선에 국한되고, 설치 시점 전후의 관측 기간이 짧아 계절성·추세를 충분히 통제하기 어려운 점이 있다. 또한, 승차량 변동에 영향을 미칠 수 있는 요인(예: 요금 변동, 인근 개발 프로젝트, 서비스 중단 등)을 충분히 반영하지 않아 잠재적 omitted variable bias가 존재할 가능성이 있다.

머신러닝 부분에서는 랜덤포레스트에 AdaBoost를 적용해 앙상블 성능을 강화하고, 베이스라인으로 의사결정트리를 사용하였다. 결과는 RF‑AdaBoost가 평균 제곱오차(MSE) 측면에서 FE·RE 모델보다 낮은 값을 보여 예측 정확도가 우수함을 시사한다. 하지만 머신러닝 모델은 변수 중요도 해석이 제한적이며, 정책적 인과관계를 명시적으로 제시하기 어렵다. 특히 ‘Has Clock’ 변수의 계수가 회귀 모델에서 통계적으로 유의미한지 여부가 논문에 명시되지 않아, 실제 효과 크기의 신뢰성을 판단하기 어렵다.

결과적으로 G노선에서 역당 주간 승차가 약 1,783명 증가했다는 추정치는 실무적으로 의미가 크지만, 표본 제한·통제 변수 부족·시계 설치 전후 기간의 불균형 등으로 인해 외삽에 주의가 필요하다. 향후 연구에서는 다수 노선·다년간 데이터를 활용하고, 차분법(DiD)이나 구조적 방정식 모델을 도입해 인과관계를 보다 견고히 할 것을 권고한다.

**