COVID-19 확산과 서울시 소상공 매출의 시공간 변화 특성 분석 : 시공간 큐브 모형을 활용하여

1. COVID-19로 인한 지역사회 영향 분석

2019년 12월 중국 우한시에서 처음 보고된 COVID-19는 전 세계로 확산하였고, 우리나라의 경우 2020년 1월 첫 확진자가 발생하였다. 이에 국내연구의 경우 COVID-19로 인한 영향을 살펴보기 위해 지역별 상업시설의 매출과 유동인구의 변화에 집중하였다. 먼저 COVID-19와 지역별 매출 변화를 살펴본 연구로 이성호·최석환(2020)은 2019년 10월부터 2020년 5월까지의 수원시 집계구 단위 BC카드 가맹점 월별 결제 데이터를 활용하여 시간에 따른 매출의 변화를 살펴보았다. 연구는 2019년 10-11월의 일평균거래액을 기준값으로 상권별, 업종별로 월평균 매출 변화 수치를 분석하였다. 분석 결과, 외부 유동인구의 비중이 높거나 20대 소비자 및 주말 매출 비중이 높았던 상권에서 급격한 매출 감소를 겪었으며, 대면 거래가 필요한 업종과 생활에 비필수적인 업종에서의 매출 감소가 뚜렷함을 확인하였다.

생활인구와 관련하여 허정원·장주영(2020)은 서울시에서 제공하는 행정동 단위의 내외국인 생활인구 데이터를 활용하여 2019년 11월부터 2020년 6월까지 지역별, 시간대별 생활인구 변화을 살펴보았다. 그 결과, 외국인 밀집 지역에서 내국인 생활인구 감소가 나타날 것이란 예상과 달리 타지역과 유사한 생활인구 감소 패턴이 나타났다. 또한, 장기체류 외국인의 경우 외국인 밀집 주거 지역에서 생활인구가 늘어난 특징을 보였다. 지상훈(2020)의 보고서에서는 KT에서 제공하는 서울시 생활인구 데이터를 활용하여 서울시 행정동 단위로 2019년도 동일 요일 대비 직장 인구별, 업종별 변화를 분석하였다. 그 결과, 2020년 2월 7일을 기점으로 직장 인구 상위 지역의 생활인구 감소세가 시작되어 신규 확진자 수 급증에 따라 지속적인 감소 경향을 보인 것을 확인하였다. 반면 주거 인구 상위 지역에서는 생활인구가 2019년 동 기간 대비 증가하여 업무 중심 지역과 대비되는 것으로 나타났다.

2. 지역 경제의 회복탄력성 분석

회복탄력성(Resilience)이라는 개념은 물리학에서 차용된 개념으로, 경제학에서는 경제적 피해의 수용성을 설명하기 위한 개념으로 사용되었다(Holling, 1973; Rose, 2004). 이에 경제적 위기에 따른 지역 경제의 회복탄력성을 다룬 연구들이 있으며, 특히 2008년 미국 발 금융위기, 1997년 동남아 발 외환위기 등에 사용되었다(Davies, 2011; Tan et al., 2017). 회복탄력성과 관련된 대표적인 연구로 Martin(2012)은 경제 불황 이후 영국의 지역별 회복탄력성을 분석하였으며, 경제의 구조, 제조업 의존성에 따라 지역별 회복력이 차이가 있었음을 확인했다. Han and Goetz (2015)는 고용 지표를 활용하여 미국의 주(State)별 회복탄력성을 측정하였다. 그 결과 주 내 다양한 물품 및 서비스 생산과 산업 간 협력 작용을 지닌 주일수록 회복탄력성이 높은 것으로 나타났다. 정혜진(2016)은 지역별 고용자 수의 변화를 활용하여 시도 단위의 지역 회복탄력성을 분석을 진행하였다. 분석 결과, 1997년도 외환위기는 금융 부분의 의존도가 높은 광역시 지역에서, 2008년 금융위기는 제조업의 성장률의 낮은 지역에서 회복탄력성이 낮게 나타났다. 김원배·신혜원(2013)은 1997년 외환위기와 2008년 금융위기에 대한 시도 단위의 경제 지표와 영향 요인을 통해 회복탄력성을 분석하였다. 연구 결과, 산업 구조 변화가 유연할수록, 가공조립형 제조업, IT 관련 산업이 성장할수록 회복탄력성이 높은 것을 확인하였다. 1997년 외환위기 이후는 강원, 전북, 전남 지역에서 성장률이 이전보다 감소해 회복탄력성이 낮아진 것으로 나타났다. 2008년의 금융위기는 지역 간 차이를 벌어지게 하여 충남, 충북, 제주 지역에서 높은 성장률을, 대구, 부산, 경북에서는 부가가치 감소로 지역 경제가 위축된 것으로 나타났다. 위 연구들은 경제 위기로부터 국내 지역 간 회복 격차를 확인한 의의를 갖는다.

3. 시공간 큐브 모형 활용 연구

본 연구에서 활용한 시공간 큐브 모형은 공간적으로 2차원 평면 상에서 시간 차원을 고려할 수 있는 유용한 분석 방법이다. 손세린·강영옥(2017)은 2010년도 서울시 여성 운전자 사고 지점 데이터를 격자 단위로 구성하여 월 단위의 시공간 큐브 모형을 생성하였다. 연구는 핫스팟(Hotspot) 분석을 통해 여성 운전자 사고 집중 지역을 확인하였으며, 강남구에 밀집된 형태로 나타난 여성 운전자 사고 핫스팟을 포착하였다. 동일한 방법론을 활용한 황선근 외(2018)의 연구는 2001년부터 2016년까지 수도권 개별공장의 시공간 분포특성을 시공간 큐브 모형으로 분석하고 개별공장 난개발을 제어하기 위한 정책적 시사점을 제시하였다.

시공간 큐브 모형을 활용한 사건 발생 다발 지점을 분석한 연구로 윤준호·이수기(2019)의 연구에서는 서울시 보행자 교통사고 지점 데이터를 격자 단위의 시공간 큐브 모형으로 변환 후 핫스팟 분석 진행을 통해 발생 패턴을 확인하였다. 핫스팟 분석 결과를 이용해 핫스팟 범주에 따라 이항 로지스틱 회귀분석을 진행하였으며, 영향 요인을 분석하여 서울의 중구와 종로구, 강남구, 영등포구에서 보행자 교통사고 핫스팟을 확인하였다. 특히 해당 지역의 생활인구 수와 노령화 지수가 핫스팟 여부와 관계가 있음을 도출하여 시공간 큐브를 활용한 핫스팟 분석이 의의가 있음을 확인하였다.

마지막으로 이슬기·성현곤(2018)의 연구는 시공간 큐브 모형을 상업 매출연구에 활용하였다. 이 연구는 서울 빅데이터 캠퍼스의 블록 단위 추정 매출액 데이터를 시공간 큐브 모형으로 변환하여 젠트리피케이션 핫스팟 분석을 진행하였다. 젠트리피케이션 분석 지표는 현금, 카드 비율과 소비자 물가지수를 적용한 추정 매출액을 변환하여 활용하였다. 분석 결과 젠트리피케이션이 발생하는 지역은 “산발”(Sporadic) 패턴과 “강화”(Intensifying) 패턴, 향후 발생이 예상되는 지역은 “지속”(Persistent) 패턴과 “강화”(Intensifying) 패턴이 나타나는 것을 확인하였다.

4. 연구의 차별성

선행 연구 고찰 결과 선행 연구의 한계점과 본 연구의 차별성은 다음과 같다. 먼저 COVID-19 관련 지역별 영향을 다룬 연구를 고찰한 결과, 상업시설의 매출과 생활인구는 지역의 특성에 따라 변화가 다르게 나타나는 것을 알 수 있다. 그러나 선행 연구는 생활인구와 매출을 각각 다른 시공간적 범위로 분석하고 있기 때문에 본 연구에서는 시공간적 범위를 통일하여 COVID-19의 확산 단계를 바탕으로 추이를 분석하였다. 나아가 본 연구는 선행 연구와 달리 업종별로 소상공인 업종을 구분하여 COVID-19로 인한 소상공 매출의 피해와 정부의 긴급재난지원금 효과를 분석하였다.

시공간 큐브를 활용한 선행 연구는 대부분 지점의 사건 데이터를 격자로 재구성하여 분석하고 있음을 알 수 있다. 반면, 본 연구는 분석단위를 집계구로 하여 매출 데이터와 생활인구 자료를 동시에 활용한 차이점을 지닌다. 또한, 본 연구는 선행연구에서 제시된 회복탄력성의 개념을 본 연구의 목적에 맞게 수정하여 소상공 매출의 변화율과 함께 회복탄력성 수치를 분석에 활용하였다. 이를 통해 COVID-19 확산 단계에 따른 지역별·업종별 회복탄력성을 제시하였다는 점에서 차별성을 지닌다. 추가로 본 연구에서는 핫스팟 분석 지표에 있어서 매출액이 아닌 매출 변화율을 사용하여 변화 추이를 효과적으로 나타낼 수 있도록 하였다.

1. 연구의 범위 및 분석 도구

본 연구에서는 내국인을 대상으로 오프라인 카드 소비액을 집계한 ‘BC 카드 소비데이터’를 활용하여 2019년도 동기간 대비, 2020년 1월부터 5월까지 서울시 상업시설의 매출 변화 패턴을 집계구 및 행정동으로 분석하고자 하였다(<그림 1> 참조). R Studio를 활용하여 업종별 매출액 감소를 분석하였으며, 서울시 내국인 생활인구와 매출을 연계하여 시공간적 매출 변화 원인을 규명하고자 하였다. 이후 ArcGIS Pro의 시공간 큐브 모형과 핫스팟 분석 모델을 활용하여 COVID-19 확산 단계의 경과에 따른 소상공인 매출의 시공간적 변화를 기술분석(Descriptive Analysis)을 통해 분석하였다.

Figure 1.

Study area

2. 국내 COVID-19 확산 단계 구분

COVID-19 관련 현황 분석 자료는 보건복지부가 제공하는 “코로나19 발생 현황(국내)” 자료, 서울시가 제공하는 “서울시 코로나19 확진자 현황” 자료 등을 활용하였다. 본 연구에서는 COVID-19 확산 시기별 변화를 기술하기 위하여 국내 COVID-19 발생 현황을 신규 확진자 수가 전후 7일을 기준으로 급격한 변화를 보이는 시점 중 일부를 선택하여 확산 초기, 확산기, 안정기 3단계로 나누었다(<그림 2> 참조). 상업시설의 매출 데이터 기간과 일치하는 확산 초기, 1차 확산기, 1차 안정기의 시공간적 매출액 변화를 살펴보았으며, COVID-19 발생 전인 2019년도 매출을 2020년도의 시기별 소상공인 매출과 비교하여 당시 사회적 상황 및 대응을 중심적으로 기술하였다. 그리고 COVID-19 발생 단계에 따라 행정동 단위로 공간 데이터를 재구축하여 지역별 영향 정도를 확인하였다. 또한, 본 연구에서는 2019년 대비 소상공인 매출의 변화를 세부적으로 살펴보기 위하여 주 단위로 매장당 일평균 매출 변화율과 생활인구의 변화율을 계산하였다. 변화율은 다음 식 (1)과 같다. y는 해당 기간의 통계 수치이다.

Figure 2.

New cases and pandemic stages in Korea

주 단위에 따른 확산 단계의 구분은 다음과 같다. 2020년 1월 1일을 기점으로 7일 구간의 주 단위를 나누어 구분 시점이 포함된 주에 따라 1째 주(1월 1일)부터 7째 주(2월 18일)까지를 확산 초기, 8째 주(2월 19일)부터 14째 주(4월 7일)까지를 1차 확산기, 15째 주(4월 8일)부터 32째 주(8월 11일)까지를 1차 안정기, 33째 주(8월 12일)부터 38째 주(9월 22일)까지를 2차 확산기, 39째 주(9월 23일)부터 45째 주(11월 10일)까지를 2차 안정기, 46째 주(11월 11일)부터 이후를 3차 확산기로 단계를 설정하였다.

COVID-19에 대한 중앙정부의 대응 현황을 살펴보면, 중앙정부가 실행한 첫 사회적 조치는 2020년 2월 23일 전국 유치원, 초등학교, 중학교, 고등학교의 개학 연기였다. 이후로도 국내 확산이 지속되자 정부는 3월 22일부터 고강도 사회적 거리두기 정책을 통해 집단 감염의 가능성이 높은 종교, 체육, 유흥시설에 대하여 운영 중단을 권고하였다. 이후 신규 확진자 수가 안정화되자 정부는 사회경제적 활동을 재개하기 위하여 거리두기 수준을 2020년 4월 20일 완화된 사회적 거리두기에 이어 5월 6일 생활 속 거리두기로 순차적 완화하였다. 2020년 5월 4일 정부는 기초 수급자의 생계 피해를 완화하기 위해 우선적으로 가구원 수에 따라 현금 지급을 하였으며, 5월 11일 전국의 가구를 대상으로 긴급재난지원금을 카드 지급 등의 형태로 지원하였다. 이후로도 2차 확산에 따른 경제적 침체가 계속되자 소상공인을 대상으로 정부는 신청자에 대해 2020년 9월 25일 2차 긴급재난지원금을 지급을 시작하였다(중소벤처기업부, 2020). 3차 확산 이후 소상공인에 대한 재난지원금은 소상공인 버팀목자금이라는 명칭으로 바뀌어 2021년 1월 11일 지급이 시작되었다(중소벤처기업부, 2021). 또한, 프리랜서, 특수고용직 등의 직업군에겐 2020년 6월, 9월, 2021년 1월을 기점으로 긴급고용안전지원금을 1~3차에 걸쳐 신청을 통해 지원금을 지급하였다(고용노동부, 2020a; 고용노동부, 2020b; 고용노동부, 2021).

3. 상업 매출 변화 및 업종별 분석

본 연구의 공간적 범위인 서울시는 2019년을 기준으로 424개의 행정동과 19,062개의 집계구로 이루어져 있다. 본 연구는 “BC카드 소비데이터”를 활용하여 1월 1일부터 2020년 5월 31일까지의 분석을 진행하였다. 2019년도와 2020년도의 1월부터 5월까지 비교를 위하여 결측값이 없도록 행정동별, COVID-19 단계별로 분석하였다. 비교 척도로는 매장당 일평균매출액을 활용하였으며, 계산에 있어서 실제 거래 액수를 나타내기 위하여 물가지수는 고려하지 않았다.

생활인구는 상업 매출의 변동을 설명하는 중요한 변수 중 하나이기 때문에 행정동 단위 생활인구 변화를 함께 살펴보았다. 생활인구는 Arimura et al.(2020)의 연구를 참고하여 업무 중심 지역의 2019년 대비 변화를 가장 잘 나타낼 수 있는 14시를 기준으로 제시하였다. 또한, 업종별 분석에 있어서 업종의 구분은 BC카드의 업종분류를 재구성하였으며, 각 분류는 크게 일반 업종과 소상공인 업종으로 나누었다. 업종별 구성기준에 관한 표는 <표 1>과 같다.

Table 1.

Classification of businesses

4. 시공간 큐브 모형을 활용한 핫스팟 분석

상업 매출 변화율과 생활인구를 기반으로 살펴본 변화 양상과 달리 시공간 큐브 모형을 활용한 핫스팟 분석에서는 행정동보다 작은 단위인 집계구를 단위로 하여 지역적 변화 패턴을 세밀하게 확인하고자 하였다. 본 연구에서 사용한 시공간 큐브 모형 생성 및 핫스팟 분석은 ArcGIS Pro의 분석 도구를 활용하였으며, 시간 단위는 주 단위, 공간 단위는 집계구 단위, 공간 관계는 인접 엣지와 노드를 공유하는 관계로 정의하여 분석을 진행하였다. 매출의 변화율이 결측값을 보이는 집계구는 0으로 처리하였다. 시공간 큐브 모형은 좌표와 같은 위치 정보를 평면에 나타내고 시간 축을 추가하여 3차원 큐브로 나타낼 수 있는 모형이다. 시공간 큐브 모형에서 가장 단위를 의미하는 빈(Bin)은 사용자가 지정한 속성의 요약통계량 값을 가지게 된다. 시공간 큐브 모형을 활용한 핫스팟 분석에서는 요약통계량과 공간 가중치를 활용하여 Getis-Ord G_i^*값을 산출하여 시간에 따른 3차원 변화를 2차원 평면상에 패턴으로 표현한다.

핫스팟 분석을 위한 지표인 Getis-Ord $$ G_i^{*}$$는 식 (2)와 같으며, 여기서 i는 집계구, w는 i, j집계구간 공간가중치, n은 집계구 수를 의미한다. 시간 단위를 주로 설정함에 따라 주 평균 매출로 Getis-Ord $$ G_i^{*}$$를 계산하였으며, 주의 경과에 따른 Getis-Ord $$ G_i^{*}$$값의 변화 양상은 <표 2>와 같이 8개 패턴의 빨강색 계열 핫스팟(Hot Spot)과 파랑색 계열 콜드스팟(Cold Spot)으로 나뉘게 된다.

Table 2.

Spot types of the space-time cube model

추가로 본 연구에서는 확산 시기별로 업종별 상업 매출 변화율과 함께 회복탄력성 지표의 집계구 평균 수치를 제시하였다. 먼저 CBD 지역의 경우 서울시 2030 서울생활권계획을 참고하여 한양도성, 강남, 영등포·여의도 도심의 경계를 활용하였다(서울특별시, 2018). 대학가 지역은 이연수 외(2014)에 따라 서울시내 상권 업종 밀도가 높은 28개 대학의 경계에서 반경 400m로 지정하였다. 주거 지역은 서울시 용도지역 상 주거지역을 대상으로 하였다. 각 지역에 포함되는 집계구는 중심점이 경계선 내 위치하는 집계구로 설정하였다.

회복탄력성은 Han and Goetz(2015)의 지표를 활용하였다. 회복탄력성의 복리 성장률은 데이터의 기간이 짧기 때문에 0으로 가정하였으며, 확산 단계에 따른 회복탄력성을 제시하고자 시간의 단위를 확산 단계로 설정하여 집계구별 매출의 회복탄력성을 다음 식 (3)과 같이 계산하였다. y는 2020년 각 확산 단계별 매장당 매출액이며, s는 0.0001이다.

1. 2019년 대비 2020년 상업 매출 및 생활인구 변화

본 연구에서는 확산 단계별 공간적 변화를 살펴보기 위하여 매장당 매출액 변화율을 <그림 3>과 같이 시각화하였다. 해당 시기의 생활인구 변화율은 전술한 Arimura et al.(2020)의 연구를 참고하여 생활인구의 변화가 크게 나타나는 14시를 기준으로 <그림 4>, <그림 5>, <그림 6>과 같이 시각화하였다.

Figure 3.

Percent change (2019 vs. 2020) in average daily sales per store by state of COVID-19

Figure 4.

Percent change (2019 vs. 2020) in domestic living population at 2PM by state of COVID-19

Figure 5.

Percent change (2019 vs. 2020) in the living population of long-term foreigners at 2PM by state of COVID-19

Figure 6.

Percent change (2019 vs. 2020) in the living population of short-term foreigners at 2PM by state of COVID-19

확산 초기인 1월부터 2월 중순의 경우, <그림 6>을 통해 단기체류 외국인 생활인구가 중구, 강남구, 영등포구, 강서구의 일부 지역을 벗어나 주거 위주 지역으로 확산한 것이 확인된다. 내국인과 장기체류 외국인 역시 <그림 4>, <그림 5>를 통해 단기체류 외국인 생활인구가 줄어든 지역에서 감소한 것을 확인할 수 있다. 이는 단기체류 외국인의 대부분을 차지하는 관광 인구의 감소와 함께 해당 지역 상권이 축소되어 전체적인 생활인구가 함께 감소한 것으로 판단된다. 특히 강서구의 경우 2020년 초부터 시작된 외국인 입국 감소로 김포 공항 인근과 같은 외국인 소비자 비중이 높은 지역에서 생활인구의 감소와 함께 매출이 감소했음을 확인할 수 있다.

본격적 확산이 시작된 1차 확산기의 경우 내국인 생활인구는 도심(CBD) 지역인 중구, 종로구의 한양도성 도심과 영등포구의 영등포·여의도 도심에서 줄어든 것을 확인할 수 있다. 특히 주목할 점은 CBD 지역의 감소와 대비되는 주거 위주 지역의 생활인구 증가이다. 이는 2019년에 비해 많은 인구가 자택에 머무른 것을 반증한다. 또한, 허정원·장주영(2020) 연구의 결과와 달리 외국인 밀집 주거 지역인 구로·대림, 이태원 지역에 대한 내국인 생활 인구 감소가 일부 나타났으며, 연구 결과와 동일하게 장기체류 외국인은 이태원 지역과 같은 외국인 위주 지역으로 유입된 것을 확인할 수 있다. 단기체류 외국인 생활인구의 경우 확산 초기보다 기존 방문지를 벗어난 것이 더욱 명확해졌는데, 중구, 강남구, 영등포구뿐만 아니라 인근의 마포구, 종로구 등의 일부 지역에서도 급격히 감소한 경향이 확인된다. 외국인 생활인구가 감소한 지역에서 내국인 상업 매출의 급격한 하락세가 나타나고 있어, 이는 기존 고객층이 이탈하였을 때 비주류 고객층까지 이탈할 수 있음을 시사한다.

1차 안정기의 내국인 생활인구는 이전 시기에 감소세를 보인 중구, 강남구, 영등포구 일부의 중심 업무 지역에서 지속적인 감소 경향을 보이는 것을 확인할 수 있다. 주거 위주 지역인 강동구, 금천구의 일부 지역은 내국인 생활인구가 확산기에 비해 오히려 증가하였는데, 이들 지역은 중심 업무 지역과 반대로 매출이 상승한 것이 확인된다. 이는 재택근무, 온라인 개학 등으로 인한 주거 생활권 체류 증가가 주거 밀집 지역의 상업 매출 증가로 이어진 것으로 볼 수 있다. 단기체류 외국인 생활인구의 경우 안정기에도 감소세가 이어진 모습을 확인할 수 있는데, 이는 COVID-19 장기화로 인한 지속적 해외 유입 감소로 인한 것으로 판단된다. 안정기의 이러한 결과는 COVID-19 장기화에 따라 점차 소비 활동이 중심 업무 지역 상권에서 주거 위주 지역으로 분산될 가능성을 시사한다.

2. 업종별 상업 매출 변화

<그림 7>은 COVID-19의 확산에 따른 2019년도 대비 전체적 상업 매출 변화율과 소상공인, 비소상공인 업종의 상업 매출 변화율을 시각화한 결과이다. 먼저 서울시 전체 매장당 매출액에 변화율을 살펴보면 2020년 4째 주 큰 폭의 하락을 확인할 수 있다. 이는 설날 연휴가 포함되어 많은 가게가 휴업을 한 주이기 때문에 COVID-19의 영향으로만 보기에는 어렵다. 여섯째 주 역시 2019년 설날의 영향으로 일시적 증가세가 나타났다. 7째 주 이후부터 본격적 매출액 감소세가 나타나기 시작하는데, 이는 하루 신규 확진자가 급증한 2월 중순 대구 신천지 사태가 원인으로 판단된다.

Figure 7.

Percent change in the average daily sales per store by business class in Seoul (2019 vs. 2020)

소상공인과 비소상공인으로 나누어 살펴보면, 연초부터 2019년 대비 낮은 매출액을 보이는 비소상공인과 달리 소상공인의 경우는 연초 2019년 대비 큰 차이가 없었다. 1차 확산기엔 두 업종 모두 전반적으로 감소세를 보이나, 신규 확진자 수가 감소한 1차 안정기엔 소상공인 업종에서는 비교적 빠른 회복세가 나타난다. 특히 1차 긴급재난지원금의 신용·체크카드 지급이 시작된 5월 11일이 포함된 19째 주 이후 소상공인 업종에서 2019년도 수준의 매출을 회복한 것을 확인할 수 있다. 1차 긴급재난지원금은 영세 매장 혹은 농산물협동조합에서만 사용할 수 있었고 지원금 중 카드로 지급된 금액의 약 60%가 5월에 사용된 점을 고려할 때, 지원금을 통한 소비 견인에 긍정적 효과가 일부 있었던 것으로 볼 수 있다(경기도청, 2020; 김미루·오윤해, 2020; 행정안전부, 2020).

전체적인 경향과 차이를 보이는 업종을 세부적으로 살펴보면 <그림 8>과 같다. 먼저 교통업과 문화·레저 업종은 지속적 침체를 보이는 것을 확인할 수 있다. 교통업의 침체는 COVID-19로 인한 절대적 이동량 감소, 입국자 감소에 따른 항공편의 감소 그리고 대중교통을 기피하는 소비자들의 심리 등에서 기인한 것으로 판단된다. 영화관, 수족관 등과 같은 많은 대중이 이용하는 업장을 운영하는 문화·레저 업종의 경우도 지속적인 침체 경향을 보이는데, 이는 사회적 거리두기로 인한 영업 실적 저하 및 소비자들이 밀집된 시설을 기피하고자 하는 심리가 반영된 것으로 보인다(김태영 외, 2020). 숙박업의 경우는 1차 확산기 이후 지속적 매출 침체를 보이지만, 완화된 사회적 거리두기가 끝난 직후 매출의 회복세를 보이기 때문에 확진자와 정부 정책 모두에 민감히 반응하는 것을 확인할 수 있었다.

Figure 8.

Average daily sales per store by business class in Seoul (2019 vs. 2020) (unit: ￦10,000)

소상공인 업종으로 분류한 영세업자 비중이 높은 업종의 경우, 일반적으로 1차 확산기 매출 감소세를 보이나 1차 안정기 회복세를 보이며 특히 긴급재난지원금 이후 매출이 상승한 모습을 보였다. 먼저 소상공인 교통업의 경우 개인택시, 렌터카와 같은 소규모 인원을 운송하는 업종이 포함되어 있는데, 소상공인 교통업의 매장당 일평균 매출액은 6째 주 크게 증가하였다. 이는 2019년 대비 증가한 개인용 이동 수단(Personal Mobility) 시장과 3째 주 이후 지속적으로 확진자 발생으로 인한 대중교통 회피 경향이 원인으로 판단된다. 1차 확산기 재택근무 및 이동 자제 등으로 전반적 교통량이 줄어들며 소상공인 교통업 매출이 하락한 것이 확인되나, 1차 확산기 이후 신규 확진자 수가 안정되며 생활 속 거리두기로 전환되자 소상공인 교통업은 다시 매출을 빠르게 회복한 것을 확인할 수 있다. 이에 따라 소상공인 교통업은 타업종 대비 회복탄력성이 매우 뛰어난 업종으로 판단된다.

소상공인 교육업의 경우 3월 개학 연기로 인해 1차 확산기 전반적으로 매출이 감소한 것을 볼 수 있으나, 개학 이후 이전의 매출을 회복하여 안정기엔 완전히 회복한 것을 확인할 수 있다. 이는 소상공인 교육업이 COVID-19 확산 현황보다 개학 연기와 같은 정부의 대책에 더 큰 영향을 받는다는 것을 시사한다. 소상공인 소매업의 경우 작년 대비 큰 변화가 없어 COVID-19로 인한 부정적 영향이 낮은 업종으로 판단된다. 소상공인 소매업은 확산기가 시작된 8째 주와 긴급재난지원금이 지급된 20-22째 주에서 작년대비 매출액 상승을 확인할 수 있는데, 이는 재난 상황에 대비한 소비 지출 및 긴급재난지원금으로 인한 소비 진작 효과가 일부 기여한 것으로 판단된다. 소상공인 숙박업의 경우 대체적으로 일반 숙박업과 비슷한 경향을 보이는 것을 확인할 수 있는데, 이러한 결과는 숙박 업종이 다중이용시설임에 따라 소상공인 여부에 상관없이 COVID-19 사태 속에 회복탄력성이 떨어질 수 있음을 나타낸다.

3. 서울시 상업 매출의 시공간 분석

시공간 큐브 모형을 활용한 시공간 분석 결과는 <그림 9>와 같으며. 도심 지역에 대한 세부적 현황은 <그림 10>, 대학가 지역에 대한 세부적 현황은 <그림 11>에 제시하였다. 그리고 시공간 분석 결과 지역별 업종에 따른 차이를 확인하기 위해 콜드스팟이 나타난 업무 중심 지역, 대학가 지역과 용도지역상 주거지역인 지역에 대하여 1차 확산기 매장당 매출액 변화율의 오름차순으로 <표 3>, <표 4>, <표 5>와 같이 제시하였다.

Figure 9.

Spatial analysis of sales change using space-time cube analysis model

Figure 10.

Space-time cube analysis of sales change in CBD areas

Figure 11.

Space-time cube analysis of sales change in the university area

Table 3.

Percent change in average daily sales per store and resilience in CBD (2019 vs. 2020)

Table 4.

Percent change in average daily sales per store and resilience in the university area (2019 vs. 2020)

Table 5.

Percent change in average daily sales per store and resilience in the residential areas (2019 vs. 2020)

먼저 확산 초기에서 1차 확산기까지의 매출 변화 패턴은 업무 중심 지역인 한양도성, 강남, 영등포·여의도 도심의 일부 지역과 대학가 인근의 일부 지역에서 매출 감소세의 심화를 의미하는 “강화하는 콜드스팟”(Intensifying Cold Spot)이 극명하게 나타났다. 이는 재택근무와 온라인 개학 등으로 해당 지역의 주 소비자였던 직장인과 대학생 생활인구가 대거 감소한 것이 원인으로 판단된다. 세부적으로 1차 확산기 중구, 종로구, 강남구, 영등포구 일부에 위치한 CBD 지역에서 숙박업과 문화·레저업의 매출 감소세가 두드러졌는데, 이는 외국인 입국 감소와 야간 직장인구가 감소 경향이 반영된 것으로 판단된다(Arimura et al., 2020). 그러나 1차 안정기 CBD 지역 업종별 회복탄력성에는 차이가 있었는데, 문화·레저업은 침체에서 벗어나지 못하고 있지만, 소상공인 문화·레저업은 회복탄력성이 상대적으로 높게 나타나는 것을 확인할 수 있었다. 이는 문화·레저업과 비교해 소상공인 문화·레저업이 소규모 업장 위주인 점과 재난지원금이 일부 기여한 점이 원인으로 판단된다.

연세대학교, 홍익대학교 등에 인접한 서대문구와 마포구의 일부 지역, 한양대학교와 건국대학교 등에 인접한 성동구와 광진구의 일부 지역, 그리고 고려대학교, 경희대학교 등에 인접한 성북구와 동대문구의 일부 지역에서 1차 확산기까지의 매출 감소세가 더욱 “강화하는 콜드스팟”(Intensifying Cold Spot) 패턴이 뚜렷하게 나타났다. 대학 인근 지역에서 이 시기 가장 큰 피해를 본 업종으로는 교통업, 소상공인 숙박업 등으로 CBD 지역과 피해 수준은 유사하였다. 쇼핑 업종의 경우 대학가에서 피해 수준이 CBD보다 낮았으며, 회복탄력성 역시 더 높게 나타났다. 반대로 소상공인 문화·레저 업종은 대학가보다 CBD 지역에서 회복탄력성이 높았으며, 이를 통해 펜데믹 시기 지역별 업종의 특성에 따라 상업 매출 피해와 회복탄력성이 상이하게 나타나는 것을 확인할 수 있었다.

주거 지역의 경우 밀집적인 핫스팟은 나타나지 않았으나 대체적으로 1차 안정기까지의 기간에 매출 증가세가 “강화하는 핫스팟”(Intensifying Hot Spot)과 매출 증가세가 “지속되는 핫스팟”(Persistent Hot Spot) 패턴이 나타났다. 업종별로 매출 변화율과 회복탄력성은 CBD 지역, 대학가와는 다른 양상이 나타났다. 소상공인 쇼핑 업종은 CBD, 대학가 지역보다 높은 회복탄력성을 보이는 것을 확인할 수 있었으며, 숙박업은 대학가 지역보다 회복탄력성이 낮게 나타났다. 이러한 결과는 각 지역의 주된 고객층과 용도에 따라 펜데믹 상황에서 지역의 업종별 회복탄력성이 달라질 수 있음을 시사한다.

결과를 종합하면, COVID-19 신규 확진자 수가 안정세로 들어서며 대부분의 콜드스팟 지역이 피해로부터의 회복을 의미하는 “감소하는 콜드스팟”(Diminishing Cold Spot)으로 전환된 것을 확인할 수 있었다. 그러나 집계구 단위로 살펴보면 1차 안정기 시기에도 3개 도심, 대학가 인근 상권 등에서 “지속되는 콜드스팟”(Persistent Cold Spot) 패턴이 나타난 것을 확인하였다. 이같은 침체를 보이는 상권 지역은 기존 대학생, 직장인, 외국인 위주의 소비자로 구성된 상권이다. 2020년 5월에도 이들 지역은 외국인 유입 감소, 온라인 개학, 재택근무 등으로 기존 생활인구 층이 유입되지 않았다. 이러한 결과는 COVID-19 사태가 장기화되며 기존 소비층 생활인구의 유입이 동반되지 않는다면 중앙정부의 지원 정책의 효과가 떨어질 수 있음을 시사한다. 세부적으로 지역에 따른 업종별 피해와 회복탄력성을 살펴본 결과, 소상공인 소매업, 소상공인 의류업과 같이 업종이 위치한 지역의 용도와 기존 소비층에 따라서 피해와 회복탄력성이 다르게 나타나는 것을 확인하였다.

본 연구의 결과에 따라 긴급재난지원금 등의 소상공인 지원 정책에 있어서 업종만을 고려한 지원은 피해 사각지대를 발생시킬 가능성이 크다. 또한, 지원금은 임시적 방편임을 고려하였을 때, 지역의 회복탄력성을 높이기 위한 근본적 지원책이 필요할 것으로 보인다. 따라서 업종별 고려뿐만 아니라 지역상권의 특성을 고려한 지역별 지원 정책 수립을 한다면 불균형적 피해를 최소화시킬 수 있을 것으로 판단된다.