---
type: paper
slug: mina-kim-2025-ml-afv-feature-importance
title: >-
  Machine learning approach for analyzing feature importance in alternative fuel
  vehicle selection
authors:
  - '[[mina-kim]]'
  - '[[hyunhong-choi]]'
  - '[[yunmokoo]]'
year: 2025
venue: '[[travel-behaviour-and-society]]'
volume: '39'
pages: '100987'
doi: 10.1016/j.tbs.2025.100987
categories:
  - '[[consumer-choice-research]]'
methods:
  - '[[shapley-additive-explanations]]'
  - '[[random-forest]]'
  - '[[discrete-choice-model]]'
  - '[[xai]]'
themes:
  - '[[alternative-fuel-vehicle]]'
  - '[[ev-adoption]]'
  - '[[machine-learning-policy]]'
  - '[[zero-emission-vehicle]]'
aliases: []
last_updated: '2026-05-20T02:07:35+09:00'
---
# Machine learning approach for analyzing feature importance in alternative fuel vehicle selection

*[[mina-kim]], [[hyunhong-choi]], [[yunmokoo]] (2025)* · [[travel-behaviour-and-society]] 39:100987 · [DOI ↗](https://doi.org/10.1016/j.tbs.2025.100987)

> *AFV (대체연료차) 선택* 의 *feature importance* 를 *DCM (전통 계량경제학) + [[xai]] (Shapley)* 의 *두 도구 비교* 로 분석. DCM 으로 *평균 효용 분해*, [[shapley-additive-explanations]] (SHAP) 로 *개별 응답자의 결정 기여도*. **BEV 선호 가솔린·FCEV·디젤 초과**, SUV > sedan, 인프라 가용성 양 효과, 가격·연료비 음 효과. *XAI 가 *집단별 차별적 결정 요인* + *비선형 상호작용* 식별* — DCM 이 못 잡는 미세 패턴 포착.

- **RQ**: AFV (BEV, FCEV) 선택의 *feature importance* 가 *DCM (parametric)* vs *XAI (non-parametric)* 분석에서 어떻게 다른가? 머신러닝이 정책 분석에 추가 가치를 제공하는가?
- **방법론**: 전통 [[discrete-choice-model]] (conditional logit) + 머신러닝 ([[random-forest]] 등) + [[shapley-additive-explanations]] (SHAP) 의 비교 분석
- **데이터**: 한국 AFV 소비자 SP 설문, 5 변수 (powertrain, infrastructure, vehicle category, fuel cost, purchase price)
- **주요 발견**: (1) **DCM**: BEV +0.48, 디젤 -0.44, 수소 -0.14 (vs 가솔린 baseline). 인프라 양 (+0.02), 가격·연료비 음. (2) **XAI**: 전체 importance 분석 + 연료 type 별 비교 + *car owner segmentation* + 충전·수소 인프라 영향. (3) SHAP 가 *비선형 상호작용 (예: 가격 × 소득)* + *집단별 차별 효과* 식별. (4) ZEV 정책 인사이트 — 인프라가 가격보다 *마지막 단계 결정요인*.
- **시사점**: 정책 분석에 *DCM + XAI 결합* 의 유용성. DCM 은 *해석 가능 평균 효과*, XAI 는 *개인·집단별 미세 차별 효과*. 두 도구 *상보적* — 평균 효과 + 이질성 동시 산출.

![AFV 선택의 DCM + ML + SHAP 결합 분석 프레임.](/papers/202504_KimM_Machine_learning_approach_for_analyzing_feature_importance_in_alternative_fuel_vehicle_selection/fig1.jpeg)

## 요약

이 paper 는 [[yunmokoo]] 의 *3 기 (2022-2026)* 의 *방법론 확장* 작업 — 전통 [[discrete-choice-model]] 도구상자에 *머신러닝 + XAI* 추가. [[mina-kim]] + [[hyunhong-choi]] (장기 공저자) 와 함께 한국 AFV 시장의 *방법론적 정확성 + 정책 인사이트* 결합.

방법론적 핵심은 *DCM + ML + XAI 의 결합*. (i) **DCM (conditional logit)** — 평균 효용 분해, 통계적 유의성. (ii) **ML (Random Forest 등)** — non-parametric, 비선형 상호작용 포착. (iii) **[[shapley-additive-explanations]] (SHAP)** — 게임이론 기반 *individual prediction contribution*. *각 응답자의 결정에서 각 feature 의 기여도* 산출.

핵심 발견 (Section 4.2.1-4.2.4):

(i) **Overall feature importance**: 가격이 가장 큰 영향, 연료비 두 번째, powertrain (BEV vs 가솔린) 세 번째.

(ii) **연료 type 비교 (Section 4.2.2)**: BEV 와 FCEV 의 결정 요인이 다름. BEV — *충전 인프라* 결정, FCEV — *수소 충전소 + 가격*.

(iii) **Car owner segmentation (Section 4.2.3)**: 머신러닝 clustering 으로 *소비자 segmentation*. 정책 함의 — 집단별 *맞춤형 ZEV induction*.

(iv) **인프라 영향 (Section 4.2.4)**: 전기 / 수소 인프라가 *가격 효과의 marginal 변화* 를 결정 — 인프라 확충이 ZEV 채택의 *trigger*.

[[yunmokoo]] 의 *연구 궤적* 안에서 이 paper 는 *3 기 방법론 확장* — 전통 DCM 에 *ML + XAI 추가* 한 첫 작업. 후속 [[hyejong-joo-2026-digital-product-passport]] (HB-DCE) 와 함께 *방법론적 전환점*.

## 핵심 결과

| Variable (vs 가솔린) | Coefficient (DCM) |
|---|---:|
| Diesel | **−0.44\*\*\*** |
| Electric | **+0.48\*\*\*** |
| Hydrogen | −0.14\*\*\* |
| Infrastructure level | +0.02\*\*\* |

| 분석 도구 | 강점 |
|---|---|
| DCM | 평균 효과, 통계적 유의성, 해석 가능 |
| Random Forest | 비선형 상호작용 |
| **SHAP** | **Individual contribution, 집단별 차별** |

## 방법론 노트

[[discrete-choice-model]] conditional logit:

$$
P(j | n) = \frac{\exp(V_{nj})}{\sum_k \exp(V_{nk})}, \quad V_{nj} = \beta' X_{nj}
$$

[[shapley-additive-explanations]] (SHAP):

$$
\phi_i(f, x) = \sum_{S \subseteq F \setminus \{i\}} \frac{|S|! (|F|-|S|-1)!}{|F|!} [f(S \cup \{i\}) - f(S)]
$$

여기서 $\phi_i$ = 응답자 $x$ 의 prediction 에 대한 feature $i$ 의 기여. 게임이론 *Shapley value* 의 ML 적용. 모든 feature subset 의 *marginal contribution* 평균 → *공정한 기여 분해*.

식별 가정: (i) SP 응답이 실제 행동 근사, (ii) SHAP 의 *additive feature attribution* 의 model-agnostic 적용, (iii) ML 의 *overfitting* 통제 (cross-validation).

## 연구 계보

이 paper 는 (i) Lundberg & Lee (2017) 의 SHAP 본가, (ii) Train (2003) DCM 정통, (iii) ML 의 *정책 분석 응용* (Athey 2017) — 의 결합. [[yunmokoo]] 의 *연구 궤적* *3 기 방법론 확장* — 전통 DCM 에 *ML 추가* 한 첫 작업.

## See also

- [[yunmokoo]]
- [[mina-kim]]
- [[hyunhong-choi]]
- [[shapley-additive-explanations]]
- [[random-forest]]
- [[discrete-choice-model]]
- [[alternative-fuel-vehicle]]
- [[ev-adoption]]
- [[travel-behaviour-and-society]]