Machine learning approach for analyzing feature importance in alternative fuel vehicle selection

Mina Kim, Hyunhong Choi, 구윤모 (2025) · travel-behaviour-and-society 39:100987 · DOI ↗

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 이산선택 모형 (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.

요약

이 paper 는 구윤모 의 3 기 (2022-2026) 의 방법론 확장 작업 — 전통 이산선택 모형 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.

구윤모 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

이산선택 모형 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. 구윤모 의 연구 궤적 3 기 방법론 확장 — 전통 DCM 에 ML 추가 한 첫 작업.

인접 그래프

1-hop 이웃 5개

인물 3
방법론 1
주제 1

휠 = 확대/축소 · 드래그 = 이동 · hover = 라벨 · 클릭 = 페이지 이동

이 문서를 가리키는 페이지

인물 (1)

구윤모