상업시설의 혼합도가 규모별 소비중심지에 미치는 영향에 관한 연구 : 토빗모형의 적용

Ⅰ. 서 론

Ⅱ. 이론 및 선행연구 고찰

Ⅲ. 분석자료 및 방법

1. 연구 방법 및 변수의 설정

본 연구의 분석방법은 다음과 같다. 커널밀도분석을 통해 소비중심지수를 도출한 후, 이를 높은값, 중간값, 낮은값의 3개 모형으로 나누고 이들 모형의 상업시설 혼합도가 각구간별 소비중심지수에 미치는 영향요인을 파악하기 위해 전체 모형은 OLS, 구간별 3개의 소비중심지수에는 토빗모형을 적용하여 분석을 진행하였다. 상업시설의 혼합도가 전체 소비중심지수와 구간별 소비중심지수에 미치는 영향요인을 파악하기 위한 분석에 활용된 변수의 정의는 <Table 1>과 같다.

Table 1.

Concept of variable

종속변수는 소비의 정도를 정량화하여 지수로 나타낸 소비중심지수이다. 종속변수를 산출하기 위해 빅데이터 캠퍼스에서 제공하는 2021년 카드 매출 데이터를 활용하였다. 카드 매출액을 활용하면 금액적인 소비의 밀집을 직관적으로 확인할 수 있지만, 백화점이나 대형 판매시설에서 활력을 측정할 수 있는 인구 밀집과 무관한 큰 금액이 결제된 값이 포함될 수 있으므로 카드 매출 건수를 기반으로 소비중심지수를 도출하였다.

독립변수는 설명변수와 통제변수로 나눌 수 있는데, 설명변수는 상업특성 변수를, 통제변수로는 건축물 용도 특성, 도시조직 특성, 접근성, 상권 특성, 5대 권역으로 나누어 변수를 구성하였다. 건축물 용도 특성, 도시조직 특성, 접근성 특성 변수의 경우 밀도로 변환하여 분석을 진행하였는데, 이는 행정동 면적을 기준으로 밀도를 계산하였을 때, 하천, 산과 같은 비시가화지역이 포함됨으로써 측정치가 왜곡될 가능성이 크기 때문에 행정동에서 수계, 녹지 지역을 제외한 시가지 면적만을 사용하여 밀도로 환산한 것이다.

먼저 상업 특성 변수의 경우, CUM(전체업종), cum 1(소매업), cum 2(음식업), cum 3(생활서비스업), cum 4(관광여가오락업), cum 5(교육업), cum 6(의료업), cum 7(숙박업)을 변수로 포함하였다. 대분류와 중분류 상업 용도 간의 혼합효과를 측정하기 위해 전체 상업업종의 혼합도와 세부 상업업종들의 혼합도로 구분하였다. 상업업종의 대분류끼리의 혼합도와 중분류끼리의 혼합도를 구분하기 위하여 CUM과 cum으로 구분하여 표기하였으며 상업시설의 업종별 혼합도를 구축하기 위해 공공데이터 포털에서 제공하는 ‘소상공인시장진흥공단 상가 정보’ 데이터의 분류 기준을 사용하였다. 유형 구분은 <Table 2>와 같다.

Table 2.

Type classification of commercial industry

인구 특성에서는 생활인구와 코로나 확진자 변수를 포함하였다. 인구 변수는 주변 지역의 수요를 확인할 수 있는 변수이다(여은실·최창규, 2015). 또한 2021년은 팬데믹 시기라는 점을 고려해 코로나 확진자 변수를 포함하였다. 코로나 확진자 데이터는 서울시에서 자치구 단위로 제공하기 때문에 서울시 상주인구 데이터를 가중치로 공간 보간법을 활용하여 행정동 단위로 산출하였다.

5대 권역 특성의 경우 전체 소비중심지수의 공간적 특성을 국지적으로 알아보고자 서울시를 생활권계획에 근거하여 5대 권역으로 나누어 변수로 설정하였다. 행정동별 각 권역에 해당하는 더미변수(0=해당, 1=해당 없음)를 적용하였으며 참조변수는 동남권으로 설정하였다.

2. 분석방법

1) 소비중심지수

종속변수인 소비중심지수를 도출하기 위해 커널밀도분석을 진행하였다. 소비중심지수는 소비중심지를 정량화한 수치로 해당 지역에 대한 소비의 집중도를 나타내는 지표이다(김설희·김흥순, 2024). 가공되지 않은 매출 데이터는 절대적인 수치로 매출 데이터의 특성을 있는 그대로 나타낸다. 본 연구에서는 절대적인 수치보다는 상업시설의 매출이 나타내는 상대적인 크기와 정도를 확인하려는 목적에서 매출 데이터를 소비중심지수로 전환하여 사용하였다.

공간 보간법(spatial interpolation)은 보간법의 한 종류로 주어진 데이터 포인트들 사이에서 새로운 데이터 포인트를 추정하는 과정으로 데이터가 연속적이거나 균일하지 않은 경우에 사용된다. 카드 매출 데이터 확인 결과 개인정보 보호 등의 이유로 각각의 위치 정보를 알 수 없다는 한계점이 확인되어 이러한 한계점을 극복하기 위하여 100m×100m 단위로 보간 후 국토지리정보원에서 제공하는 POI 포인트 데이터를 활용하여 가중치를 설정하였다. POI 데이터는 한 건물에 다양한 용도를 포함하고 있으며, 건물의 세부적인 토지이용 유형을 설명할 수 있는 지표이다(조월·이수기, 2021). 또한 POI 데이터는 한 건물에 다양한 용도의 시설을 포함하고 있으며, 건물의 세부적인 토지이용 유형을 설명할 수 있다는 장점이 있어 POI 데이터를 보간법의 가중치로 설정하였다. POI 데이터 중 <Table 2>에 해당하는 데이터만을 추출하여 각 격자마다 가중치를 부여한 후, 다시 행정동 단위로 변환하여 커널밀도분석을 진행하였다. 각 격자의 POI 포인트 개수를 곱하여 각각의 격자별 매출에 가중치를 주었는데, 면적 비율은 ‘격자별 면적/행정동 면적’으로 산출하였다. 보간이 이루어진 매출액과 매출 건수는 <Figure 1>, <Figure 2>와 같다.

Figure 1.

Interpolated sales revenue

Figure 2.

Interpolated sales transactions

매출액의 경우 서울시 전역에 결쳐 고르게 분포된 관계로 뚜렷한 군집이 나타나지 않았다(Figure 1). 반면 매출 건수는 일부 지역에서 차별화된 군집이 나타나는 것을 확인하였다(Figure 2). 따라서 사람들이 상업시설을 방문하는 빈도를 반영할 수 있는 소비 공간을 도출하고자 하는 본 연구에서는 매출 건수를 종속변수로 활용하여 소비중심지수를 도출하였다.

또한 본 연구에서는 소비의 규모에 따른 경제 활성화 정도를 알아보기 위하여 종속변수로 전체 소비중심지수를 기본으로 하였고, 소비 규모에 따라 각각의 상업 혼합도가 미치는 영향이 다를 것이라 판단하여 소비중심지수를 높은값, 중간값, 낮은값의 3개 범위로 나누어 별도의 종속변수로 설정하였다. 이는 소비의 규모별로 어떠한 상업정책을 시행해야 하는지와 전체 소비에 어떤 규모가 가장 많은 영향을 미치는지를 파악하기 위함이다.

2) 상업업종 혼합도

임하나 외(2017)는 상업업종의 혼합도를 측정하기 위해 ‘용도별 면적 비율/용도 개수’를 나타내는 LUM 식에 ‘용도별 면적 비율’ 대신 ‘상업 용도 개수’를 사용하였다. 대부분의 선행연구에서는 <Table 2>의 대분류 업종별 혼합도를 LUM 식으로 활용하여 혼합도를 산출하였지만, 본 연구에서는 임하나 외(2017)에서와 같이 면적 비율을 상업 용도 개수로 변경한 LUM을 활용하여 상업의 혼합 정도를 나타내고자 LUM(Land Use Mix)에서 토지이용을 나타내는 ‘Land’를 상업의 의미를 담은 ‘Commercial’로 바꾸어 CUM(Commercial Use Mix)으로 표기하여 분석을 진행하였다. CUM의 식은 식 (1)과 같다.

$$

(1)

여기서, k는 대분류로 구분된 용도의 총개수이며, P_i는 i용도의 개수 비율을 나타낸다.

cum 1~cum 7은 <Table 2>에서 중분류의 업종별 혼합도를 의미한다. cum의 식은 식 (2)와 같다. 여기서, t는 중분류로 구분된 용도의 총개수이며, A_j는 j용도의 개수 비율을 나타낸다.

$$

(2)

전체 상업 혼합도를 나타내는 식은 식 (3)과 같다.

$$

(3)

3) 커널밀도분석

커널밀도분석은 공간의 위치 정보와 건물, 도로 등에 내재된 특성을 가중치로 적용함으로써 공간 범위의 규모에 따라 세밀한 밀도값을 산출하는 분석 방법이다(김기중 외, 2023). 커널밀도분석은 확률값으로 각 변수가 가질 수 있는 값의 범위 및 확률분포, 특성을 모두 알 수 있다. 커널 함수는 점 객체의 국지적 밀도를 추정하는 커널밀도 추정 기법에서 점 객체의 가중치를 부여하기 위해 자주 사용되는 방법이다(구형모, 2019). 커널밀도분석 값은 일정한 조사반경 내에 집계되는 포인트를 밀도화한 것으로, 근접해 있는 포인트 좌표가 상호 영향을 통해 밀도값을 설정한다는 가정에 기초한다. 국지적인 공간 밀도를 시각적으로 표현할 수 있고, 개념적 이해가 용이하여 직관적인 해석이 가능하기 때문에 점 데이터의 분포 패턴을 시각화하는 데 활용된다(박기용 외, 2017). 커널밀도를 분석하는 식은 식 (4)와 같다.

$$

(4)

여기서, ρ는 (x, y) 위치의 밀도이며, r은 대역폭을 나타낸다. i는 (x, y)의 검색 반경 내에 있는 입력 포인트를 의미하며, W_i는 i포인트의 무게를, d_i는 i포인트와 (x, y) 위치 사이의 거리를 의미한다.

본 연구에서는 커널밀도분석을 통해 공간의 집중도를 평가하였다. 커널밀도의 분석을 통해 밀도값의 확률 범위를 추측할 수 있다. 따라서 본 연구의 분석 대상인 소비중심지를 도출함으로써 그에 대한 밀도 값을 도출하여 종속변수인 소비중심지수를 산출할 수 있게 된다.

4) 토빗모형

토빗모형은 일종의 회귀분석 모형이라고 볼 수 있으나, 종속변수에 ‘0’값이 지나치게 많이 나타남으로써 연속확률분포의 가정을 충족시키지 못하게 될 때 사용하는 모형이다(백운일, 2012). 즉, 종속변수가 취하는 값의 범위에 제약이 가해져서 종속변수의 일부가 절단(censored or truncated)되어 그 이상 혹은 이하의 값이 나타나지 않을 때 활용되는 모형으로 0값이 다수 나타날 때 쓰인다(서인석 외, 2010). 이러한 종속변수에 대해 일반 회귀분석(OLS)을 적용할 경우 종속변수에 미치는 독립변수의 영향력이 과소평가 되어 결과치에 대한 편의 및 불일치가 발생할 수 있다(Maddala, 1983; 허식·지은초, 2012). 뿐만 아니라 일정한 방향으로 한곗값을 갖는 분포는 일반적인 회귀모형에서 가정하고 있는 정규분포를 이루지 못하고, 결과적으로 회귀계수가 불일치 추정치를 갖게 되어 통상의 최소자승법(OLS)에 의한 회귀모형을 적용하는데 문제가 발생할 수 있다(이상수·한하늘, 2010). 따라서 이와 같이 종속변수가 0 이상의 값을 가질 경우 독립변수의 영향력을 토빗모형을 통해 검증할 필요가 있다(Greene, 2003). Tobit 모형의 기본 식은 식 (5)와 같다.

$$

(5)

이때 $$ y_i^{*}$$는 잠재변수로 ‘0’을 포함한 절단된 소비중심지수이며, x_i는 소비중심지수에 영향을 주는 독립변수를 나타낸다. ε_i는 평균이 0이며, 분산이 σ²인 정규분포를 따르는 오차항을 나타낸다.

토빗모형의 설명력은 일반회귀분석의 결정계수(R²)로 설명하기 어렵기 때문에 pseudo-R²를 이용하여 모형의 설명력을 나타낸다(전철현·최승묵, 2011).

본 연구에서는 토빗모형을 통해 소비중심지수를 높은값, 중간값, 낮은값으로 나누어 각 모형별 분석결과를 비교함으로써 논의의 심층성을 강화하고자 한다. 다만 소비중심지수 전체에 영향을 미치는 상업시설의 혼합도를 비교하기 위하여 OLS 분석을 실시하였다.

Ⅳ. 분석결과

1. 기술통계량

본 연구의 기술통계량은 <Table 3> 및 <Table 4>와 같다. <Table 3>은 비표준화 변수의 기술통계량이며, <Table 4>는 표준화한 변수의 기술통계량을 나타낸다. 종속변수인 소비중심지수는 2021년 카드 매출 건수를 기반으로 산출하였다. 변수별로 정규성을 확인한 결과 종속변수로 사용된 소비중심지수는 왜도 및 첨도값에 있어 정규성 문제가 확인되었으므로, 이를 해결하기 위하여 종속변수를 로그변환하여 분석을 진행하였다. 또한 본 연구에서는 다양한 단위와 범위를 가진 변수들의 분석 결과 왜곡을 보정하기 위해 변수들을 표준화하여 데이터의 기준을 동일화하였다.

Table 3.

Basic statistics of variables (non-standardization)

Table 4.

Basic statistics of variables (standardization)

표준화된 기초통계량을 기준으로 소비중심지수의 최솟값은 19.135, 최댓값은 22.768, 평균은 20.552로 나타났다. 독립변수인 상업 특성 중 cum 5(사교육업)는 최솟값이 다른 특성에 비해 높게 나타났으며, cum 7(숙박업)은 최댓값이 다른 특성에 비해 가장 높게 나타났다.

2. OLS 분석 결과

<Table 5>는 OLS 분석 결과를 나타낸 것이다. 먼저 독립변수 간의 다중공선성을 확인하기 위하여 VIF(Variance Inflation Factor)값을 확인하였다. VIF값은 모두 4 이하로 나타나 변수들 간의 다중공선성 문제는 크지 않은 것으로 확인되었다.

Table 5.

Results of OLS analysis

분석결과 cum 2(음식업), cum 5(사교육업), cum 6(의료업), cum 7(숙박업), 상업밀도, 업무밀도, 용적율, 발달상권이 양(+)의 방향으로 유의하게 나타났으며, CUM(전체업종), 코로나 확진자, 주차장, 버스노선, 골목상권, 도심권, 동북권, 서남권이 음(-)의 방향으로 유의하게 나타났다.

먼저 상업 특성 변수는 CUM(전체업종)이 음(-)의 방향으로 유의하게 나타났으나, cum 2(음식업), cum 5(사교육업), cum 6(의료업), cum 7(숙박업)의 변수들은 양(+)의 방향성을 보였다. 이는 다양한 업종의 점포가 모여있는 상권은 새로운 점포가 많이 생길수록 경쟁이 치열해져서 폐점률이 높게 나타나는 것을 보여준다(이정란, 2017). 또한 일정 수 이상의 업종이 군집하면 수익성은 떨어지는 것으로 나타났다(정은애·성현곤, 2016). 그러나 동종 점포가 집적한 상권은 지역에 새로운 활력을 제공하며, 지역이 가진 고유한 성격을 유지하는 역할을 수행한다(이정란, 2017). 그에 따라 동종 경쟁점은 많을수록 매출액이 증가하는 것으로 나타났다(이임동 외, 2010; 최유나·정의철, 2012; 김수현 외, 2015). 따라서 이종 업종의 집적은 임대료 상승 등의 요인이 점포에 불리한 상황을 야기하는 것으로 이해되는 반면, 동종업종의 집적은 공생관계를 형성하는 것으로 추론할 수 있다.

상권 특성에 있어서는 골목상권과 발달상권이 상이한 방향으로 유의미한 관련성이 나타났다. 2021년 많은 골목상권의 매출이 상승하였지만, 발달상권의 매출도 함께 상승하였다. 또한 발달상권에 인접해 있으면서 유동인구가 많은 골목상권은 매출 증가에 유리한 조건을 갖지만, 그만큼 소비력이 발달상권에 많이 흡수된 것으로 보고된다(유현지, 2021).

동남권을 참조변수로 하여 5대 권역의 특성을 분석하였다. 분석 결과 도심권, 동북권, 서남권에서 모두 음(-)의 방향으로 유의한 관련성이 나타났다. 이는 서울시 전체에서 동남권에 해당하는 강남, 송파, 서초, 강동구의 소비 집중도가 높기 때문에, 동남권에 비해 다른 권역에서 음(-)의 방향으로 유의한 결과가 나타난 것으로 판단된다.

3. 토빗모형 분석 결과

<Table 6>는 토빗모형의 분석 결과이다. 종속변수인 소비중심지수를 높은값, 중간값, 낮은값의 세 범위로 분절하여 분석을 진행하였다. 높은값, 중간값, 낮은값의 세 범위는 종속변수가 절단된 형태로 ‘0’값이 많이 나타나며 연속확률분포의 가정을 충족시키지 못하기 때문에 본 연구에서는 토빗모형을 사용하였다. 이때 분절 기준은 Q-gis의 Natural Break 기준을 적용하였다. Model 1은 높은값의 회귀계수를 나타내며, Model 2는 중간값, Model 3은 낮은값의 회귀계수를 나타낸다. 높은값은 140개 행정동으로 주로 상업, 업무시설이 밀집된 지역(역삼1동, 여의동, 종로1.2.3.4가동, 신촌동, 삼성1동 영등포동 등), 중간값은 223개 행정동으로 약간의 상업시설과 주거의 비중이 높은 지역(당산 1동, 가락2동, 반포1동, 신길1동, 제기동, 화곡본동, 자양1동, 응암3동 등), 낮은값은 61개 행정동으로 저층 주거지역, 대규모 공동주택단지, 구릉지역(중화1동, 정릉3동, 등촌2동, 쌍문4동, 금호1가동, 용문동, 개봉3동 등)에 해당하는 것으로 확인되었다.

Table 6.

Results of the Tobit model analysis

먼저 높은값 단계에서 cum 2(음식업), cum 4(관광여가업), cum 5(사교육업), cum 6(의료업), cum 7(숙박업), 주거밀도, 업무밀도, 발달상권이 양(+)의 방향으로 유의미한 관련성이 나타났으며, 코로나 확진자, 주차장, 버스노선, 골목상권은 음(-)의 방향으로 유의미한 관련성이 나타났다(Table 6, Model 1).

이들 중 cum 2(음식업)와 cum 4(관광여가업), cum 5(사교육업), cum 6(의료업), cum 7(숙박업)이 양(+)의 방향으로 유의미한 관련성이 도출되었는데, 이는 동종업종의 점포가 집적한 상권은 폐점률이 낮게 나타나며, 광범위한 고객을 공유하므로 폐점 위험률이 줄어드는 효과가 나타난 결과로 이해된다(이정란, 2017). 또한 동종 경쟁점은 많을수록 매출액이 증가하는 경향이 나타났다(이임동 외, 2010; 김수현 외, 2015). 그중 음식업과 의료업은 상업지역에서 유동인구에 긍정적인 영향을 가지는 업종으로 나타났다(임하나 외, 2017). 특히 cum 2(음식업)의 경우 음식업종끼리 밀집할수록 매출이 증가하고 생존 위험이 감소하는 업종으로 확인된다(정대석·김형보, 2014; 정은애·성현곤, 2016; 김동준 외, 2019; 이정민 외, 2021). cum 6(의료업)의 경우 팬데믹 시기에 서울을 중심으로 확진자 수가 크게 늘게 되었으나, 매출이 줄어들지 않았다(고재현 외, 2023). 뿐만 아니라 의료업의 혼합도는 송파, 관악, 강서, 성북, 강남 순으로 높게 나타나며 이 중 높은값을 차지하는 행정동이 많이 속한 강남, 송파 강서구가 상위권에 속하는 것을 확인하였다. 따라서 높은값 단계에서의 대분류 동종업종의 집적은 많은 수요를 충족시키며 고객을 공유하므로 폐점 확률을 줄이며 매출이 증가하는 상호보완 효과가 나타나는 것으로 판단된다.

건축물 용도 특성에서는 주거밀도와 업무밀도가 양(+)의 방향으로 유의미하게 도출되었다. 주거밀도에서 높은값에 속하는 천호동, 가산동, 독산동, 성산동 등은 주거 중심 상권에 속하며 코로나19로 인한 유동인구 변화가 거의 없었던 상권으로 대형 상가나 상권의 매출 견인 효과도 없었기 때문에 전체적으로 안정적인 매출 방어가 이루어진 것으로 판단된다(임현정·최상범, 2022). 업무밀도 변수의 경우 업무시설이 밀집된 지역은 매출 증가에 긍정적인 영향을 미치는 것으로 확인되었다(김수현 외, 2015).

인구 특성의 경우 코로나 확진자가 음(-)의 방향으로 유의한 관련성이 도출되었다. 사회적 거리두기의 상향조정은 각종 방역 조치가 광범위하게 집합과 모임을 제한하는 내용으로 구성되어 소상공인 매출 감소에 큰 영향을 미친 것으로 보고된다(신현재, 2021).

상권 특성의 경우 골목상권(-)과 발달상권(+)에서 상이한 결과가 나타났다. 먼저 골목상권의 경우 도심에 위치하여 매출 수준이 높은 골목상권에서 2021년의 매출 감소가 두드러지게 나타났다(유현지, 2021). 반면에 발달상권은 직장 및 주요 대중교통 시설과의 인접성이 좋으며, 순수한 소비 목적의 발달상권 방문이 빈번하게 이루어진 것으로 보고된다(지상훈, 2021).

중간값 단계에서는 cum 3(생활서비스업), 주차장 변수에서 양(+)의 방향으로 유의한 관련성이 나타났으며, cum 1(소매업), 상업밀도, 업무밀도, 도로 변수에서 음(-)의 방향으로 유의한 관련성이 나타났다(Table 6, Model 2).

먼저 상업 특성에서 cum 1(소매업)의 경우 상업지의 성격을 갖는 곳에서는 소매업의 집적이 매출에 긍정적인 효과를 보이나, 주거지의 성격을 갖는 지역에서는 매출에 부정적인 효과를 보이는 것으로 나타났다(유민지, 2015). 중간값에 속하는 행정동 중 다수가 주거지의 성격을 갖는 노원구와 중랑구에 위치하는데, 그로 인해 소매업의 집적이 매출과 음의 방향성을 보이는 것으로 판단된다. cum 3(생활서비스업)은 소비자에게 일상적인 서비스를 제공하는 분야로 우리나라 전체 상업업종 중 압도적 다수가 포함된다(이재형, 2018). 생활서비스업은 주민의 삶의 질과 밀접한 관련성을 갖는 업종으로, 양질의 생활 서비스는 종종 지역으로 주민들을 유인하는 요인으로 작용한다(안광현, 2010). 따라서 일상생활과 직접적으로 연결된 업종으로서 주로 주거지의 성격을 갖는 중간값에 해당하는 행정동에서 정주 인구를 증가시킴으로써 소비와의 관련성이 높게 나타나는 것으로 볼 수 있다. 따라서 중간값에서는 다양한 업종이 집적함으로써 소비의 폭이 넓어지고, 그에 따라 방문하고자 하는 소비자가 늘어남으로써 이종 업종의 집적이 유리하게 작용하는 것으로 볼 수 있다. 또한 일상생활과 직접적으로 연결된 업종인 생활서비스업은 정주인구를 증가시킴으로써 소비와의 관련성이 높게 나타났으나, 소매업의 집적은 소비와 음의 관련성을 보이는 것으로 나타났다. 이는 중간값에 해당하는 지역 중 상업지역 혹은 주거지역의 단일 용도가 어우러진 지역에서는 동종업종의 집적이 수요를 발생시키나, 용도가 혼합된 지역에서는 동종업종 집적의 결과가 업종별로 상이하게 나타남을 보여주는 결과이다.

도시조직 특성의 경우 주차장 변수가 양(+)의 방향으로, 도로 변수가 음(-)의 방향으로 유의한 관련성이 도출되었다. 이는 코로나19 확산으로 인해 대중교통에서의 감염 우려로 개인차량을 선호하는 사람들이 증가한 것에 따른 결과로 이해된다(하정원·이수기, 2021). 도로변수에서는 다수의 행정동이 경부고속도로와 강변북로를 포함하는 것으로 확인되었다. 이는 편도 4차선 이상의 대로는 매출에 긍정적인 영향을 주나, 물리적 단절 요소인 고속도로는 부정적인 영향을 준다는 점에서 보행과 차량의 통행이 제한됨으로써 나타난 결과로 볼 수 있다(이동엽·성현곤, 2020).

마지막으로 낮은값 단계에서는 도로 변수가 양(+)의 방향으로 유의미하게 나타났으며, cum 2(음식업), cum 4(관광여가업), 상업밀도, 업무밀도 변수가 음(-)의 방향으로 유의미한 관련성이 나타났다(Table 6, Model 3).

cum 2(음식업)과 cum 4(관광여가업)의 경우 음(-)의 방향으로 유의한 방향성이 나타났다. 낮은값에 속하는 행정동은 대부분 대규모 아파트 단지와 저층 주거지가 속한 지역으로 음식업과 관광업의 점포 수 자체가 적으며, 음식업과 관광여가업에 속하는 업종의 혼합도도 낮게 나타남을 확인하였다. 이는 낮은값에 속하는 행정동은 주거 중심기능으로 형성되어 상대적으로 소비력이 낮은 지역인 만큼 점포가 많아질수록 점포 간 경쟁으로 인해 매출액이 감소하기 때문에 나타난 결과로 볼 수 있다(김현철·이승일, 2019). 이는 높은값 단계와 대비되는 결과로서, 일정 수준 이하의 지역에서는 대체로 소비를 위한 공간이 부족하여 동종업종의 집적이 점포 간 경쟁을 야기하고 있음을 보여준다.

건축물 용도 특성의 경우 상업밀도와 업무밀도에서 음(-)의 방향으로 유의성이 도출되었다. 낮은값 단계에 속하는 행정동인 상계3.4동, 상계10동, 홍제동 등은 업무 및 상업 용도의 개발이 저조한 지역으로 확인된다(정혜영·이명훈, 2012).

도시조직 특성에서는 도로변수가 양(+)의 방향으로 유의하게 도출되었다. 편도 4차선 이상의 대로는 매출에 긍정적인 영향을 주며, 대로에 접한 상업시설과 대형 프랜차이즈는 매출에 중요한 요인으로 도시 활력에 긍정적으로 작용하는 것으로 판단된다(이동엽·성현곤, 2020).

이상 높은값, 중간값, 낮은값의 3개 모형을 살펴본 결과 소비중심지수의 규모에 따른 모형별로 상이한 값이 나타남을 확인하였다. 이는 소비의 규모별 지역 특성이 상이함을 보여주는 것으로, 소비의 규모에 따라 동종업종의 집적과 이종업종 집적의 관계가 각각 다르게 나타나며, 상업지역이 밀집된 지역과 주거지역이 밀집된 지역, 두 가지가 혼재된 지역에 대해 각기 다른 계획적 접근이 이루어져야 함을 시사하는 결과이다.

Ⅴ. 결 론

본 연구는 상업 혼합도 및 도시 특성 요인과 소비중심지 간의 상관관계를 알아보기 위해 카드 매출 데이터를 활용하여 소비중심지수를 도출한 뒤 전체 소비중심지수를 세분화하여 토빗모형을 활용한 분석을 진행하였다.

토빗모형 분석 결과 일정 규모 이상의 상업지역에서는 동종업종의 집적이 상호보완의 관계를 갖지만, 일정 규모 이하의 상업 밀집 지역에서는 동종업종의 집적이 경쟁 관계를 형성하는 것으로 파악되었다. 따라서 강남, 송파 등과 같이 매출 규모가 큰 지역에서는 동종업종의 집적이 유리하지만, 성북, 노원, 관악 등 저층 주거지역, 공동주택 등이 밀집된 지역에서는 동종업종의 집적이 점포 간 경쟁 관계를 초래하는 것으로 볼 수 있다. 따라서 지구단위계획 등의 적용에 있어 매출의 규모와 지역별 용도지역 형태에 따라 상업업종의 집적 여부를 계획할 필요성이 제기된다. 또한 높은값의 모형이 소비중심지수 전체의 모형인 OLS와 결과값이 가장 비슷한 것으로 보아 서울시 소비의 행태는 주로 높은값에 속하는 지역인 강남, 송파, 서초 등 동남권의 영향을 많이 받는 것으로 추론할 수 있다.

본 연구는 다음과 같은 몇 가지 의의를 갖는다. 첫째 소비중심지수를 산출하여 소비의 집중 정도를 파악하고, 소비의 규모를 나누어 소비의 집중 규모별 영향력을 세부적으로 파악하고자 하였다. 기존 선행연구는 카드매출 데이터, 보행량, 생활인구 등의 데이터를 사용하여 가로 활력을 측정하고자 하였으나, 소비의 집중을 규모별로 파악해서 분석을 진행한 연구는 없었다. 둘째, 상업시설의 세부 용도별 혼합도를 적용하여 소비 규모별로 동종 및 이종 업종과의 관계를 파악했다는 점에서 의의가 있다. 본 연구는 어떤 업종이 어느 규모에서 혼합되어 있을 때 소비의 집중이 일어나는지와 각 소비 규모별 동종업종과 이종업종 간의 집적 관계에 대한 실증분석을 통해 도시 특성 요인을 확인하고자 하였다. 셋째, 서울시 5대 권역을 더미변수로 추가하여 소비중심지 전체의 국지적 효과를 파악하고자 했다는 점에서 본 연구의 의의를 찾을 수 있다.

본 연구는 자료 수집과 분석 과정에서 몇 가지의 한계점을 가진다. 첫째, 카드 매출액 데이터가 개인정보 보호 등의 이유로 위치 정보 데이터를 제공하지 않는 관계로 POI 데이터를 활용하여 공간 보간법을 적용한 후 분석을 진행하였는데, 이는 카드매출이 발생한 위치를 명확히 보여주지 못한다는 한계점을 갖는다. 둘째, 단순 점포의 개수로 상권의 혼합도를 측정하는 것은 개별 점포의 규모가 무시될 수 있다는 한계점을 가진다. 셋째, 코로나의 영향으로 온전한 소비와 상업업종 혼합도 간의 영향 관계를 파악하는 데에 한계가 있었다. 본 연구에서는 코로나19의 영향력을 고려하여 분석을 진행하였지만, 코로나19가 종식된 뒤 그 영향이 배제된 시점에서 연구를 진행할 시 상이한 결과가 나타날 수 있음을 주지할 필요가 있다.

References

• 고재현·박신영·이진형, 2023. “코로나19가 의료분야 산업 매출에 미친 영향: 서울지역 병·의원을 대상으로”, 「한국경제연구」, 41(1): 47-71
  Koh, J.H., Park, S.Y., and Lee, J.Y., 2023. “Impact of COVID-19 on Medical Institutions: Evidence from Seoul Clinics”, Journal of Korean Economics Studies, 41(1): 47-71. [ https://doi.org/10.46665/jkes.2023.3.41.1.47 ]
• 구형모, 2019. “서울 고시원의 시공간 분포 탐색과 주거 환경 분석”, 「한국지도학회지」, 19(2): 105-118.
  Koo, H.M., 2019. “The Spatio-Temporal Distribution and Housing Conditions of a Gosiwon in Seoul”, Journal of the Korean Cartographic Association, 19(2): 105-118. [ https://doi.org/10.16879/jkca.2019.19.2.105 ]
• 권필·유기윤, 2014. “AMOEBA 기법을 활용한 관악구 상권 경계 탐지”, 2014 한국지형공간정보학회 추계학술대회, 인천: 인천 대학교.
  Kwon, P. and Yu, K.Y., 2014. “Business District Boundary Delimitation of Gwanak-Gu Using AMOEBA Technique”, Proceedings of Korean Society for Geospatial Information Science, Incheon: Incheon National University.
• 김기중·고승욱·성진욱, 2023. “공간 밀도분석을 이용한 재정비 대상지 탐색에 관한 연구”, 「토지주택연구」, 14(2): 35-50.
  Kim, K.J., Go, S.W., and Sung, J.U., 2023. “A Study on Exploring Urban Renewal Areas Using Spatial Density Analysis”, Land and Housing Review, 14(2): 35-50.
• 김동준·이창효·이승일, 2019. “서울시 발달상권과 골목상권의 일반음식점 생존특성 연구”, 「국토계획」, 54(5): 76-90.
  Kim, D.J., Yi, C.H., and Lee, S.I., 2019. “A Study on the Survival Characteristics of the Restaurant Business in Major and Side-Street Trade Areas”, Journal of Korea Planning Association, 54(5): 76-90. [ https://doi.org/10.17208/jkpa.2019.10.54.5.76 ]
• 김민규·이창연, 2023. “전주시 중심상권 도출 및 변화, 업종다양성과 중심업종의 영향력에 관한 연구”, 「국토계획」, 58(2): 67-80.
  Kim, M.K. and Lee, C.Y., 2023. “Identifying Central Commercial Areas, Exploring Their Changes, and Impacts of Small Business Diversity and Core Businesses in Jeonju, South Korea”, Journal of Korea Planning Association, 58(2): 67-80. [ https://doi.org/10.17208/jkpa.2023.04.58.2.67 ]
• 김설희·김흥순, 2024. “상업시설의 다양성이 소비중심지 형성에 미치는 영향에 관한 연구: 공간회귀모형의 적용”, 「토지주택연구」, 15(1): 57-75.
  Kim, S.H. and Kim, H.S., 2024 “A Study on the Influence of Commercial Facility Diversity on the Formation of Consumption Centre: Application of Spatial Regression Models”, Land and Housing Review, 15(1): 57-75.
• 김수현·김태현·임하나·최창규, 2015. “소매업의 매출액을 결정 하는 보행량 및 건조 환경 요인에 관한 연구: 서울시 편의점, 화장품소매점, 커피전문점을 중심으로”, 「국토계획」, 50(3): 299-318.
  Kim, S.H., Kim, T.H., Im, H.N., and Choi, C.G., 2015. “Pedestrian Volume and Built Environmental Factors on Sales of Convenience Stores, Cosmetic Shops and Coffee Shops in Seoul”, Journal of Korea Planning Association, 50(3): 299-318. [ https://doi.org/10.17208/jkpa.2015.04.50.3.299 ]
• 김주일, 2005. “기능특성에 기초한 서울 도심의 중심성 및 영향력에 관한 연구”, 서울대학교 박사학위논문.
  Kim, J., 2005. “Centrality and Influences of City Centers in Seoul Focusing on Functional Characteristics”, Ph. D. Dissertation, Seoul National University.
• 김현철·이승일, 2019. “서울시 골목상권 매출액에 영향을 미치는 요인에 관한 연구”, 「서울도시연구」, 20(1): 117-134.
  Kim, H.C. and Lee, S.I., 2019. “A Study on the Factors Affecting the Revenue in Seoul’s Side Street Trade Areas”, Seoul Studies, 20(1): 117-134.
• 박기용·김재환·김보은·황재훈, 2017. “입지패턴에 따른 커피전문점의 특성 분석”, 「주거환경」, 15(1): 135-146.
  Park, K.Y., Kim, J.H., Kim, B.E., and Hwang, J.H., 2017. “Pattern Analysis of Coffee Shop Locations: Focusing on Urban Spatial Analysis”, Journal of The Residential Environment Institute of Korea, 15(1): 135-146. [ https://doi.org/10.22313/reik.2017.15.1.135 ]
• 백영기, 2001. “소매중심지 입지를 위한 GIS 기반의 공간적 의사 결정지원시스템”, 「대한지리학회지」, 36(3): 278-291.
  Beck, Y.K., 2001. “A GIS Based Spatial Decision Support System for Retail Center Locations”, Journal of the Korean Geographical Society, 36(3): 278-291.
• 백운일, 2012. “Tobit 모형을 이용한 지역축제 방문객의 지출 영향요인”, 「한국콘텐츠학회논문지」, 12(9): 479-488.
  Beck, U.I., 2012. “The Factors Affecting Visitors’ Spending on Local Festivals by Applying the Tobit Model - Based on Rice Festivals in Two Regions”, Journal of the Korea Contents Association, 12(9): 479-488. [ https://doi.org/10.5392/JKCA.2012.12.09.479 ]
• 서인석·하민지·권기헌, 2010. “서울시 대기환경개선 지불의사액에 미치는 환경인식 관련 요인들의 효과 분석: 다중회귀 (OLS) 모형 및 Tobit 모형의 비교 분석을 중심으로”, 「한국행정연구」, 19(4): 83-105.
  Seo, I.S., Ha, M.J., and Kwon, K.H., 2011. “The Effects of Factors Related to Environmental Perception on Willingness to Pay for Air Quality Improvement in Seoul: A Comparative Analysis of Multiple Regression (OLS) and Tobit Models”, The Korean Journal of Public Administration, 19(4): 83-105.
• 신우진·신우화, 2010. “동종 및 이종 소매업종 간 공간상관관계에 관한 고찰: 서울시 을지로 3가역과 역삼역 주변을 대상으로”, 「서울도시연구」, 11(4): 131-150.
  Shin, W.J. and Shin, W.H., 2010. “Spatial Patterns among Homogeneous and Heterogeneous Retail Stores - Focused on the Uljiro 3 Subway Station and Yeoksam Subway Station in Seoul, Korea”, Seoul Studies, 11(4): 131-150.
• 신현재, 2021. “코로나19 사회적 거리두기 정책이 소상공인 매출에 미친 영향 분석: 2차 확산 시기를 중심으로”, 「중소기업정책연구」, 6(2): 3-32.
  Shin, H.J., 2021. “Analysis of the Impact of the COVID-19 Social Distancing Policy on the Sales of Small Business Enterpris: Focusing on the Second Wave of Spread”, Journal of Small Business Policy Research, 6(2): 3-32.
• 안광현, 2010. “생활서비스에 따른 지역유형분류”, 「국가정책연구」, 24(3): 67-89.
  Ahn, K.H., 2010. “Classification of Regional Types According to Household Services”, Public Policy Review, 24(3): 67-89. [ https://doi.org/10.17327/ippa.2010.24.3.003 ]
• 여은실·최창규, 2015. “역세권 상업지역의 업종별 매출액에 영향을 미치는 요인 분석”, 한국도시행정학회 2015년도 공동 학술대회, 구미: 구미공과대학.
  Yeo, E.S. and Choi, C.K., 2015. “Analysis of Factors Affecting Sales by Industry in Transit-Oriented Commercial Areas”, Proceedings of the 2015 Conference of the Korean Urban Administration Association, Gumi: Kumoh National Institute of Technology.
• 유민지, 2015. “소매업의 업종 및 지역별 집적과 매출 간의 영향 관계: 거리제한제도의 정책적 함의”, 한양대학교 석사학위논문.
  Yoo, M.J., 2015. “The Relationship between Industry and Regional Concentration and Sales in Retail: Policy Implications of Distance Restrictions”, Master’s Thesis, Hanyang University.
• 유현지, 2021. “코로나19와 서울시 골목상권의 매출액 영향요인에 관한 연구”, 「한국지역개발학회지」, 33(3): 45-75.
  Yu, H.J. 2021. “A Study on COVID-19 and Effects Factors Concerning the Sales of Side-Street Trade Areas in Seoul”, Journal of The Korean Regional Development Association, 33(3): 45-75.
• 윤나영·최창규 2013. “서울시 상업가로 보행량과 보행 환경 요인의 관련성 실증 분석”, 「국토계획」, 48(4): 135-150.
  Yun, N.Y. and Choi, C.G., 2013. “Relationship between Pedestrian Volume and Pedestrian Environmental Factors on the Commercial Streets in Seoul”, Journal of Korea Planning Association, 48(4): 135-150.
• 이동엽·성현곤, 2020. “제인 제이콥스의 경계공백지대가 소매업 매출에 미치는 영향”, 「서울도시연구」, 21(3): 167-183.
  Lee, D.Y. and H.G., 2020. “How Do Jane Jacobs’ Border Vacuums Affect Retail Sale in the Great Seoul City?”, Seoul Studies, 21(3): 167-183.
• 이상수·한하늘, 2010. “DEA 와 Tobit 모형을 이용한 대도시 공공도서관의 효율성 영향요인 분석”, 「정보관리연구」, 41(2): 111-131.
  Lee, S.S. and Han, H.N., 2010. “Analyzing the Influence Factors on Efficiency of Public Libraries in Metropolitan Cities by DEA and Tobit Model.” Journal of Information Management, 41(2): 111-131. [ https://doi.org/10.1633/JIM.2010.41.2.111 ]
• 이임동·이찬호·강상목, 2010. “편의점 매출에 영향을 미치는 입지요인에 대한 실증연구”, 「부동산학연구」, 16(4): 53-77.
  Lee, C.H., Kang, S.M., and Lee, I.D., 2010. “The Study of Site Factors Affecting the Sales of Convenience Stores”, Journal of the Korea Real Estate Analysts Association, 16(4): 53-77.
• 이재형, 2018. “생활밀착형 서비스업에 있어서 영세사업자의 실태와 정책적 시사점”, 「중소기업정책연구」, 3(2): 37-64.
  Lee, J.H., 2018. “The Current Situation of Small Business Owners in Life-Embedded Service Industries and Policy Implications.” Journal of Small Business Policy Research, 3(2): 37-64.
• 이정란·최막중, 2018. “동종과 이종의 도·소매 업종구성에 따른 상권 변화의 특성”, 「한국지역개발학회지」, 30(2): 137-154.
  Lee, J.R. and Choi, M.J., 2018. “Characteristics of Store Changes in Retail Markets by Homogeneous and Heterogeneous Composition of Merchandise”, Journal of The Korean Regional Development Association, 30(2): 137-154.
• 이정란, 2017. “업종다양성에 따른 상권의 형성 과정 및 변화 특성” 박사학위논문, 서울대학교.
  Lee, J.R., 2017. “The Formation Process and Characteristics of Commercial Areas According to Industry Diversity.” Doctoral Dissertation, Seoul National University.
• 이정민·김동준·이승일, 2021. “상업시설 업종별 밀도가 음식점 폐업에 미치는 영향 분석: 서울시 발달상권과 골목상권을 대상으로”, 「국토계획」, 56(1): 108-120.
  Lee, J.M., Kim, D.J, and Lee, S.I., 2021. “The Effect of Density by Type of Commercial Facilities on Closure of Restaurant: Targeting Major and Side-Street Trade Areas, Seoul”, Journal of Korea Planning Association, 56(1): 108-120. [ https://doi.org/10.17208/jkpa.2021.02.56.1.108 ]
• 이후빈, 2012. “서울시 소매중심지의 변화와 대형소매점의 전략적 입지”, 「지리학논총」, 58: 97-124.
  Lee, H.B., 2012. “Changes of Retail Centrality and Strategic Location of Large Retail Stores in Seoul”, Journal of Geography, 58: 97-124.
• 임하나, 2015. “보행량에 영향을 미치는 토지이용 다양성 엔트로피 지수의 개발과 유용성 검증”, 한양대학교 박사학위논문.
  Im, H.N., 2015. “Development and Validation of Land Use Diversity Entropy Index Impacting Pedestrian Volume”, Ph. D. Dissertation, Hanyang University.
• 임하나·성은영·최창규, 2017. “상업시설의 다양성과 가로활력과의 관련성 실증분석 –서울시 상업지역과 주거지역을 구분하여”, 「한국도시설계학회지 도시설계」, 18(6): 37-49.
  Im, H.N., Seong, E.Y., and Choi, C.G., 2017. “Relationship Between Diversity of Commercial Store and Street Vitality - By District Types in Seoul”, Journal of the Urban Design Institute of Korea Urban Design, 18(6): 37-49. [ https://doi.org/10.38195/judik.2017.12.18.6.37 ]
• 임현정·최상범, 2022. “코로나19가 서울시 상권 매출 변화에 미치는 영향 분석-행정동 단위 유동인구 군집화를 통한 업종별 비교를 중심으로”, 「서울도시연구」, 23(1): 47-65.
  Lim, H.J. and Choi, S.B., 2022. “Analysis of the Effect of COVID19 on Changes in Sales in Commercial Districts of Seoul, Korea”, Seoul Studies, 23(1): 47-65.
• 전철현·최승묵, 2011. “Tobit 모형을 이용한 외래관광객 방한 횟수 영향요인 분석”, 「관광연구논총」, 23(3): 151-169.
  Jeon, C.H. and Choi, S.M., 2011. “Analysis of Factors Influencing the Number of Visits by Foreign Tourists Using the Tobit Model”, Journal of Tourism Studies, 23(3): 151-169.
• 정대석·김형보, 2014. “상권 업종별 분포 및 매출 영향요인 분석: 경기도 31개 시군을 대상으로”, 「GRI 연구논총」, 16(2): 101-122.
  Jeong, D.S. and Kim, H.B., 2014. “An Analysis of the Distribution and Factors Influencing Sales by Business Types: Focused on 31 Cities and Counties in Gyeonggi Province”, GRI REVIEW, 16(2): 101-122.
• 정은애·성현곤, 2016. “서울시 소매업 동종 및 이종의 공간적 군집 특성이 매출에 미치는 영향분석”, 「국토계획」, 51(5): 63-83.
  Jeong, E.A. and Sung, H.G., 2016. “The Effects of Homogeneous and Heterogeneous Spatial Clustering Characteristics on Retail Sales in Seoul”, Journal of Korea Planning Association, 51(5): 63-83. [ https://doi.org/10.17208/jkpa.2016.10.51.5.63 ]
• 정혜영·이명훈, 2012. “지역 특성에 따른 밀도관리에 관한 연구: 서울시 5대 권역을 중심으로”, 「국토계획」, 47(6): 83-95.
  Jeong, H.Y. and Lee, M.H., 2012. “A Study on Density Management based on Regional Characteristics: Focused on 5 Raged Areas in Seoul”, Journal of Korea Planning Association, 47(6): 83-95.
• 제승욱·강정규·김영근, 2018. “상가 업종 다양성에 따른 상권 변화 실증 분석”, 「주거환경」, 16(2): 357-369.
  Je, S.W., Kang, J.G., and Kim, Y.G., 2018. “An Empirical Analysis of Change in Retail Markets by Degree of Diversity in Commercial Business Type”, Journal of The Residential Environment Institute of Kore, 16(2): 357-369. [ https://doi.org/10.22313/reik.2018.16.2.357 ]
• 조월·이수기, 2021. “서울시 POI 빅데이터를 활용한 도시활력과 영향요인 분석”, 「국토계획」, 56(7): 87-102.
  Cao, Y. and Lee, S.G., 2021. “Analysis of Urban Vitality and Its Determinant Factors Using POI Bigdata in Seoul, Korea”, Journal of Korea Planning Association, 56(7): 87-102. [ https://doi.org/10.17208/jkpa.2021.12.56.7.87 ]
• 지상훈, 2021. “코로나19로 변화한 생활인구와 음식업 창·폐업 행태: 서울시 주요 상권을 중심으로”, 「노동리뷰」, 7: 71-88.
  Ji, S.H., 2021. “Changes in Population and Opening/Closing of Food Businesses due to COVID-19: Focusing on Major Commercial Areas in Seoul”, Labor Review, 7: 71-88.
• 최유나·정의철, 2012. “입지요인이 편의점 성과에 미치는 영향에 관한 연구”, 「부동산· 도시연구」, 5(1): 81-95.
  Choi, Y.N., Jung, U.C., 2012. “A Study on the Impact of Location Factors on the Performance of Convenience Stores”, Real Estate and Urban Studies, 5(1): 81-95.
• 하정원·이수기, 2021. “서울시 근린지역 상업 매출 감소와 회복 탄력성 영향요인분석: COVID-19 영향을 중심으로”, 「국토계획」, 56(5): 165-181.
  Ha, J.W. and Lee, S.G., 2021. “Analysis of Neighborhood Factors Influencing Commercial Sales Drop and Resilience in Seoul, Korea: Focusing on the Impacts of COVID-19”, Journal of Korea Planning Association, 56(5): 165-181. [ https://doi.org/10.17208/jkpa.2021.10.56.5.165 ]
• 허식·지은초, 2012. “Tobit 모형을 이용한 방한 외래관광객의 지출결정요인 분석: 주요 관광시장별 비교를 중심으로: 주요 관광 시장별 비교를 중심으로”, 「경영교육연구」, 27(5): 305-327.
  Heo, S. and Ji, A.C., 2012. “An Analysis on Determinants of Foreign Tourists Expenditures by Using a Tobit Model”, Korean Business Education Review, 27(5): 305-327.
• 홍경희, 1990. 「도시지리학」, 경기: 법문사.
  Hong, K.H., 1990. Urban Geography, Gyeonggi: Beomunsa.
• Christian, H.E., Bull, F.C., Middleton, N.J., Knuiman, M. W., Divitini, M.L., Hooper, P., Amarasinghe, A., and Giles-Corti, B., 2011. “How Important Is the Land Use Mix Measure in Understanding Walking behaviour: Results from the RESIDE Study”, International Journal of Behavioral Nutrition and Physical Activity, 8: 55. [https://doi.org/10.1186/1479-5868-8-55]
• Greene, H.W., 2003. Econometric Analysis, 5th edition, Harlow, England: Pearson.
• Hotelling, H., 1929. “ Stability in Competition”, The Economic Journal, 39(153): 41-57. [https://doi.org/10.2307/2224214]
• Jacobs, J., 1961. The Death and Life of Great American Cities, New York: Vintage Books.
• Maddala, G.S., 1983. Limited-Dependent and Qualitative Variables in Econometrics, London: Cambridge University Press. [https://doi.org/10.1017/CBO9780511810176]
• van Rompay, T.J., Galetzka, M., Pruyn, A.T., and Garcia, J.M., 2008. “Human and Spatial Dimensions of Retail Density: Revisiting the Role of Perceived Control”, Psychology & Marketing, 25(4): 319-335. [https://doi.org/10.1002/mar.20211]