서론
온실가스 감축을 위해, 수송부문에서는 휘발유나 경유와 같은 유류제품을 동력으로 삼는 내연기관차(Internal Combustion Engine Vehicle, ICEV)를 대신해, 전기에너지를 동력으로 삼는 차량들이 각광을 받고 있다. 전기에너지를 동력으로 삼는 차량은 다양하게 있으나, 특히 순수 전기자동차1)(Battery Electric Vehicle, BEV)의 경우, 차체 대기오염물질이 전혀 발생하지 않아 더욱 각광을 받고 있다. 전 세계적으로 2016년 기준, 중국이 48만대, 미국이 30만대, 노르웨이가 10만대 순으로, 전기차가 많이 보급이 되었고, 한국은 10번째인 1만 2천대가량이 보급이 되었다((IEA, 2017).
기존 내연기관차과는 달리, 전기차의 경우 하루 중 어느 시간대에 충전을 하느냐에 따라 전력요금으로 표시되는 충전비용이 달라지는 특징이 있다. 기본적으로 수요가 많은 여름과 겨울철, 그리고 최대부하 시간대로 분류되는 낮 시간대에 충전비용이 비싸다.
본 연구의 목적은 전기차 보조금을 통해, 전기차 보급이 확대되고, 또 그에 따른 온실가스 감축효과가 어떻게 나타날 것인가를 정량화해 보는데 있다. 시장균형이 외부효과의 존재로 사회적으로 바람직한 최적 보급수준과 다를 경우, 정부의 보조금 지급을 통한 시장개입이 정당화될 수 있다. 전기차 보급의 경우에도 상대적으로 높은 비용으로 인해 사회적으로 바람직한 수준보다 전기차 보급이 낮은 수준에 머물고 있다는 전제를 기반으로 수요를 늘려주거나 혹은 공급비용을 저감시켜주는 보조금 정책이 시행되고 있다고 이해할 수 있다.
ME(2018)에 따르면, 대기환경보전법 제58조, 수도권 대기환경개선에 관한 특별법 제24조 등 저공해자동차의 운행 및 구매 등에 대한 관련 규정을 근거로 전기자동차 보급 및 충전인프라 구축사업을 진행하고 있다. 전기차 구매 보조금을 기준으로 보면 2013년에는 대당 1,500만 원을 정액으로 지원해주었다(ME, 2013). 2018년 현재는 차량 성능에 따라 차등 지원해주며, 최대 1,200만 원까지 지원하고 있다. 전기차 및 충전기의 로드맵에 관해서는, Pan-government(2015, 2016, 2017)이 2015년부터 매년 보급계획을 내놓고 있다. 정부가 가장 처음 내놓은 Pan-government(2015)에서는 2020년까지의 목표가 전기차 20만대, 공공급속 충전기 1천 4백기, 그 다음 Pan-government(2016)에서는 전기차 25만대, 공공급속 충전기 3천기, 가장 최근인 Pan-government(2017)Pan-government(2017)에서는 2022년까지 전기차 35만대, 공공급속 충전기 1만기를 목표로 하여, 점차 목표치가 상향 조정되었다. 최근 Pan-government(2018)에서는 전기차 보급과 관련, 2022년까지 ‘보조금 유지, 연차별 보조금 단가 인하’라는 세부 추진방향이 제시되었고, 적정요금관리라는 측면에서 초기시장형성을 지원하기 위해 전기충전 요금 할인 방안이 제시되었고 구체적으로 전기차의 경우, 전기 기본요금 면제, 전력량 요금 50% 할인이라는 (안)도 함께 제시된 바 있다.
본 연구에서는 현행 보조금제도로부터 예상되는 전기차보급의 효과를 시나리오별로 평가해 보고, 그 결과 예상되는 전기차 충전을 위한 전력수요 및 그 시간대별 충전패턴, 온실가스 저감효과 및 보조금 지원을 위한 필요예산규모 등을 평가해 봄으로써, 사회적으로 바람직한 수준의 보급지원제도를 마련하기 위한 참고자료를 제시하고자 한다.
선행연구
Table 1에는 국내에 통합모형이라는 방법론이 아직까지는 널리 쓰이지 않고 있는 바, GCAM (Global Change Assessment Model) 혹은 통합모형(Integrated Assesment Model, IAM)을 활용한 연구사례를 중점으로 소개한다. 또 통합모형이 아닌 방법론을 사용하여 국내 전기차 보급의 온실가스 감축효과를 분석한 사례와 비교하고자 한다. Kim et al.(2017)에서는 2030년까지 전기차 100만대를 가정하고, 전원믹스에 따라 배출계수가 달라지는 것을 시나리오로 삼아 전기차의 온실가스 감축효과를 분석한 바 있다. 분석결과, 2030년 기준으로 가장 감축량이 많은 시나리오의 경우, 97만톤 정도라고 보고하고 있다. 결과분석 부분에서 언급을 하겠지만, 본 연구와 단순히 비교하자면, ‘50% Subsidy’ 시나리오의 결과와 비슷한 수준임을 확인할 수 있다. 방법론 측면에서는 미래의 전기차 보급대수는 2030년 100만대로 가정하고, 전기차 1대당 온실가스 배출량을 구하기 위해, 발전원별로 가중평균하여 전력배출계수를 구하였다. Han et al.(2015)에서는 친환경차 보조금 지원 정책의 온실가스 감축효과에 대해 연구한 바 있다. 보조금을 포함한 다양한 차량 비용 그리고 소비자의 구매행태와 관련된 변수들을 설명변수로 하여, 다항로짓모형을 통해 미래 친환경차 보급대수를 추정하였다. 이를 바탕으로 LCA (Life Cycle Analysis) 배출계수를 기반으로 온실가스 감축효과를 분석하였다. Jeon(2017)은 전기차 보급에 따른 지역 간 오염물질 및 온실가스 배출영향에 대해 분석한 바 있다. 방법론으로는 전기차의 수요함수를 추정하기 위해, 선택실험법을 활용하여 수집한 데이터를 혼합로짓모형에 적용하였다. 또 온실가스 산정을 위해 배출계수를 활용하였다.
Table 1. Previous studies on transportation sector emission
|
Methodology type | Reference | Spatial scope | Sectoral scope | Methodology |
|
GCAM or IAMs* | Kyle et al.(2011) | Global | LDV (Light Duty Vehicle) | GCAM |
| Kholod et al.(2016) | Russia | Diesel vehicle | GCAM | |
| Chaturvedi and Kim(2015) | Global | Rail | GCAM | |
| Yin et al.(2015) | China | All of transportation sector | GCAM | |
| Girod et al.(2013) | Global | All of transportation sector | GCAM and other IAMs | |
| Bosetti et al.(2013) | Global | LDV | GCAM and other IAMs | |
| Yeh et al.(2017) | Global | All of transportation sector |
GCAM, MESSAGE, MoMo and Roadmap | |
| Others | Kim et al.(2017) | Korea | LDV | - |
| Han et al.(2015) | Korea | LDV | Mixed logit model | |
| Jeon(2017) | Korea | LDV | Multinomial logit model | |
| Lee et al.(2013) | Korea | Hight way | Tier3, Emme/3 | |
| Zhang et al.(2017) | China | LDV |
Passenger Vehicle Consumer Choice Model (PVCCM) | |
| Teixeira et al.(2018) | Brazil | LDV | AVL Cruise software | |
| Moro et al.(2017) |
European members | LDV | Well-To-Wheels (WTW) |
방법론 및 데이터
이 장에서는 전체 모형의 개요, 그리고 전기차 비용 구성에 관해 설명한다. Jeon and Kim(2017)의 ‘데이터 및 GCAM의 재구성’ 부분의 Table 3을 보면 모형에 활용된 기술별 에너지사용량, 주행거리, 재차인원 그리고 서비스수요 정보가 정리되어 있다. 이와 같은 정보는 에너지경제연구원에서 3년마다 발간하는 에너지총조사보고서, KTDB에서 매년 발간하는 국가교통통계, 교통안전공단에서 매년 발간하는 자동차 주행거리 통계를 기반으로 재구성이 가능하다2). 이를 기반으로, 전기차 분석을 위해, 본 연구에서는 전환부문의 부하를 세분화한 모형을 추가로 모델링 하였다.
1. 전체 모형의 개요
GCAM은 JGCRI (Joint Global Change Research Institute)/PNNL에서 Human-Earth Systems Models 로 개발중인 모형의 근간이 되는 모형이다. 2017년 11월 6일 GCAM 4.4를 공개한 이후에는 Github3)를 통해 모든 소스코드, 실행파일, 그리고 입력데이터 등을 공개하고 있다. GCAM은 기본적으로 에너지시스템, LULUCF (Land Use, Land Use Change and Forest), Economy 그리고 Climate Module 등이 통합되어 있는 모형으로 현재 Water Module 등, GCAM을 기반으로 하는 다양한 추가연구가 활발히 진행되고 있다. Kim and Edmonds(2006) 이후 소스코드가 ObjECTS oriented 형태로 구성되어 있다. GCAM은 IPCC (Intergovernmental Panel on Climate Change)의 4차보고서 작성시 선정된 전 세계 4개의 모형 중 하나로 MiniCAM이라는 이름과 함께 처음 소개되었다. MiniCAM (Mini-Climate Assessment Model)은 GCAM의 이전버전으로, 에너지, 농업부문에 초점을 맞춘 다소 덜 복잡한 모형(an integrated assessment model of moderate complexity focused on energy and agriculture sectors)라고 이름 붙여져 있었다.4) 초기모형의 형태는 Edmonds-Reilly 모형(Edmonds et al., 1985) 또는 Edmonds-Reilly-Barns 모형(Edmonds et al., 1995) 등으로 소개되어 알려지고 있다. 모형구성은 Edmons et al.(1983)을 통해 확인할 수 있다. Figure 1은 현재 제시되고 있는 GCAM의 에너지시스템만을 도식화 한 그림이다.
앞서 선행연구에서 소개하였던 Kyle and Kim(2011), Kholod et al.(2016), Yin et al.(2015) 그리고 Chaturvedi and Kim(2015)는 GCAM을 활용하여 전세계 혹은 본 연구에서처럼 한 국가의 수송부문에 대해 연구한 바 있다. 본 연구를 국내의 선행연구들과 비교해보는 것이 적절해보이지만, 국내에는 통합모형을 활용한 수송부문 연구를 찾아보기 쉽지 않은 것이 사실이다. 따라서 해외의 유사연구들과 비교했을 때, 본 연구가 갖는 차별성은 모형의 ‘현실 부합도’와 ‘정교함’에 있다. 첫 번째로 여기서 말하는 ‘현실 부합도’란 모형이 현실 상황을 얼마나 반영하는가를 의미한다. 이는 구체적으로 Jeon and Kim(2017)의 Table 3과 Figure 2 그리고 본 연구의 Figure 5에서 확인 해 볼 수 있다. 두 번째로 여기서 말하는 ‘정교함’은 모형이 얼마나 세밀한 부분까지 다루어내는가를 의미한다. 이는 구체적으로 본 연구의 Figure 4를 통해 확인 할 수 있다. 1차 에너지부문에서부터 최종에너지소비 부문까지, 한 국가의 전체 에너지시스템을 다루는 통합모형에서 전력을 시간대별로 세분화하여 모델링 하는 것은 모형 전체의 데이터구조가 바뀔 것을 요구하는 바, 간단하지 않다. 나아가, 전력부문의 시간대별 모델링은 GCAM을 배포하고 연구개발하고 있는 PNNL (Pacific Northwest National Lab.)에서도 최근 세미나에서 처음 발표한 내용5)이며, 아직 연구 중에 있다. 참고로 Figure 2는 GCAM 데이터 시스템을 보여주고 있다. IEA 등과 같은 국제기구에서 마련된 데이터는 csv 형태로 존재하며, 전처리 과정은 R 프로그램을 통해 이루어지며, 최종적으로 xml 형태로 입력데이터가 마련이 된다. 전처리 과정에서는 전 세계 지역구분, IEA 에너지밸런스의 세분화 및 맵핑과정, 각 부문별 비용, 효율 등의 계산, 모형에 필요한 파라미터 입력 등의 많은 과정이 담겨 있다. 여기서 전기차 모델링을 하기 위해서는 국내 전력전환부문 데이터 및 수송부문 데이터 등을 마련한 뒤, 이에 해당하는 데이터 전처리 과정을 수정하여, 최종적으로는 수정된 xml 형태를 만드는 것이 필요하다.
2. 수송부문
본 연구의 수송부문에서는 차량이 주행한 총 거리를 Vehicle-Kilometer Traveled (VKT)로, 또 차량이 주행한 총 시간을 Vehicle-Hour Traveled (VHT)로 표시하고, 여객부문의 수송서비스는 승객이 승차한 총 거리를 나타내는 Passenger-Kilometer Traveled (PKT)로, 화물부문의 수송서비스는 Ton-Kilometer Traveled (PKT)로 각각 표시한다. Jeon and Kim(2017)에서 확인할 수 있듯이, 여객, 화물수송서비스는 GDP, 수송서비스 가격, 그리고 인구의 함수로 표시되며, 이는 다시 아래와 같은 항등식(Equation 1)을 통해 에너지소비와 연계된다. 본 연구가 대상으로 하는 전기차가 보급되는 부문은 승용차부문에 한정하였다.
| $$\begin{array}{l}D\equiv PKT\equiv MJ\times\left(\frac{VKT}{MJ}\right)\times\left(\frac{PKT}{VKT}\right)\\\;\;\;\;\;\;\;\;\;\;\;\;\equiv\;E\;\;\times\;\;\;\;M\;\;\;\times\;L\end{array}$$ | (1) |
여기서, E는 에너지사용량(MJ, megajoules), M은 연비(VKT/MJ), 그리고 1km 차량 이동당 수송한 여객, 또는 화물서비스의 양을 나타내는 load factor (PKT/VKT)는 L로 나타낸다.6)
또 수송부문 기술별 비용은 Equation 2와 같이 산정된다.
| $$C_{i,j,k,t}=\left\{FC_{i,j,k,t}EI_{i,j,t}+NFC_{i,j,t}+\frac{OCT_{i,j,t}}{SP_{i,j,t}}\right\}\frac1{L_{i,j,t}}$$ | (2) |
여기서, 각 변수들은 시점(t), 수송모드의 종류(i), 기술(j), 시간대(k)7), 연료비용(FC, 원/MJ), energy intensity (EI, MJ/VKT)8), 비연료비용(NFC, 원/VKT), 이동시간당 기회비용(OCT, 원/VHT), 속도(SP, VKT/VHT) 그리고 load factor (L),를 나타낸다. 비연료가격은 Equation 3과 같이 나타낼 수 있다.9)
| $$NFC=\left\{C_{CAPEX}\frac{r\left(1+r\right)^n}{\left(1+r\right)^n-1}+C_{OPEX}\right\}\frac1{VKT}$$ | (3) |
여기서, 각 변수들은 자본비용(CCAPEX, 원), 할인율(r, rate), 기술수명(n, year), 운영비용(COPEX, 원/year), 연간 총 주행거리(VKT, VKT/year)를 나타낸다. 여기서 자본비용, 운영비용은 Equation 4, 5와 같이 구성된다.
| $$C_{CAPEX}=C_{purchase}+C_{infra}+C_{others}-S_{purchase}-S_{infra}$$ | (4) |
| $$C_{OPEX}=C_{maintenance}+C_{reg\;and\;ins}+C_{tolls}$$ | (5) |
여기서, 자본비용은 구입비용(Cpurchase), 인프라비용(Cinfra), 기타비용(Cothers), 전기차 구매보조금(Spurchase), 전기차 충전기 설치 보조금(Sinfra)으로 구성되고, 운영비용은 유지비용(Cmaintenance), 등록 및 보험비용(Creg and ins), 통행비용(Ctolls)으로 구성된다.
3. 전력 전환부문과 부하구분
본 연구에 사용된 전환부문에서의 기술별 발전믹스는 Jeon and Kim(2017)에서 사용한 모형을 토대로 한다. 현재 원자력과 석탄발전에 관해 여러 논쟁이 있다. 다만 2015년 원자력발전 실적치를 모형에 반영하였으며, 추후에 발전믹스는 기술별로 비용경쟁을 통해 구성이 된다.
전기차의 전력소비패턴 및 부하시간대별 서로 다른 충전요금을 반영하기 위해 본 연구에서는 전환부문의 모형구조를 추가로 상세화하였다. 발전설비별 비용과 효율 등의 상세 입력자료는 IEA자료를 바탕으로 작성된 GCAM내부정보와 IEA(2018)의 자료, 국내 발전설비 자료의 일부는 KETEP 내부정보를 참고하여 보고한 Baek et al.(2016), Roh and Kim (2017), 그리고 Kim et al.(2016)의 자료를 근거로 활용하였다.
본 연구에서는 건물부문, 산업부문, 수송부문 등의 최종에너지부문에서 요구되는 전력수요를 전환부문 내의 기술들(원자력, 석탄발전, 천연가스 CC10) 및 steam발전, 그리고 유류발전 등)의 경쟁을 통해 최소비용으로 충족할 수 있도록 LDC (Load Duration Curve)를 세분화 하여 활용하였다. 즉, Figure 3에서 종축의 구분은 전력생산 및 공급 측면을 나타내고, 횡축의 구분은 전력수요 및 부하 측면을 나타낸다. 전력생산 및 공급측면의 경우, ‘peak load generation’에 해당하는 기술은 유류발전, ‘subpeak load generation’은 유류와 천연가스 steam 발전기술, ‘intermediate load generation’은 천연가스 steam 및 석탄CC (Combined Cycle) 발전, 그리고 ‘base load generation’은 원자력, 석탄과 전력 생산시 우선 구매하여야 하는 신재생 간헐전원들로 구성된다. 이와 같이 각각의 특성이 반영된 네가지 유형의 발전이 주어진 수요를 충족하게 되도록 모형화 하였다. 이러한 전환부문의 네 단계 기술구분으로 이루어진 모형은 시간대별 전력수요 또한 이에 적합한 peak, subpeak, intermediate 및 off-peak 시간대로 자연스럽게 구분된다.
본 연구에서 사용하는 전력요금은 편의상 선택요금제도와 전압에 따른 구분은 하지 않는다. 따라서 실제로 본 연구에 적용한 전력요금은 경부하, 중간부하 그리고 최대부하당 각각 94.1, 115.8, 134.1의 평균요금(원/kWh)을 적용하였다11). 그런데, 충전요금을 3개의 시간대별로 구분하고 있는 한전의 전력요금체계(KEPCO)는 본 연구에서 발전기술의 특성에 따라 구분한 4개의 시간대별 소비부하 구분(Peak, Subpeak, Intermediate 그리고 Offpeak hours)과 차이가 발생한다. 따라서 한전의 요금표와 겹치는 subpeak와 intermediate hours에 대해 다음과 같이 해당시간대 내에서 서로 다른 요금제가 적용되는 전력량의 비중을 감안한 가중평균요금을 산정, 적용함으로써 문제를 해결하고자 하였다. 즉, 앞서 언급한 경부하(94.1원/kWh), 중간부하(115.8원/kWh), 최대부하(134.1원/kWh) 요금을 각각 P1,P2, 그리고 P3라고 두면, 시점(t), 수송모드 종류(i), 기술(j)가 주어진 경우, 시간대 구분이 겹치는 subpeak (k=2)와 intermediate hours (k=3)를 포함한 연료비용 FCi,j,k,t은 Equation 6과 같이 산정할 수 있다.
| $$\begin{array}{l}FC_{i,j,1,t}=P_1\\FC_{i,j,2,t}=w_2P_1+(1-w_2)P_2\\FC_{i,j,3,t}=w_3P_2+(1-w_3)P_3\\FC_{i,j,4,t}=P_3\end{array}$$ | (6) |
여기서, w2, w3는 다음과 같이 주어진다.
4. 데이터
Table 2는 모형에 사용된 내연기관차와 전기차의 비용정보이다. 차량구입비용(Cpurchase)을 제외한 나머지 정보는 Jeon and Kim(2017)에서 확인이 가능하며, 별도로 명시되지 않은 기타 자료는 GCAM 4.3의 기본정보를 활용하였다. 본 연구에서는 배터리용량이 20kWh 이하일 경우는 소형세단으로, 20kWh 초과 60kWh 이하일 경우는 중형세단으로, 60kWh 초과일 경우는 대형세단 및 JRS로 분류하였다. 차량구입비용의 경우, 국내 전기차 판매사에서 공시한 가격을 참고하였다.
Table 2. Non Fuel Costs for ICEV and BEV (Normal: BEV, Parenthesis: ICEV)
GCAM(2018), Hyundai(2018), Kia Motors(2018), Renault Samsung(2018), BMW(2018), GM-Korea(2018), Tesla(2018), Nissan(2018).정부는 전기차 및 전기차 충전기 보급촉진을 위해, 전기차 구매 및 충전기 설치 시에 보조금을 지급하고 있다. 다양한 경우에 따라, 보조금 액수가 다르기 때문에, 모형에 보조금을 적용하기 위해서는 이를 재산정할 필요가 있다. Table 3에 정리하였듯이, 전기차 구매 보조금의 경우, 환경부로부터 국고보조금을 받을 수 있고, 추가적으로 지자체별로 지자체보조금을 받을 수 있다. 국고보조금의 경우 차량의 성능에 따라 지원금이 달라, 앞서 언급한 배터리용량 기준을 통해, 차량크기별로 평균 보조금액을 산정하였다.12) 지자체 보조금의 경우, 시 ‧ 군구별로 그 금액이 다르나, 공고대수를 기준으로 전국평균 보조금으로 산정하였다.13)
Table 3. Subsidy for BEV purchase (unit: 10,000won)
Mode Subsidy type | Sedan | JRS | ||
| Small | Medium | Large | ||
| National subsidy | 573 | 1,012 | 1,200 | 0 |
| Provincial subsidy | 601 | |||
Table 4는 전기차 충전기설치 보조금에 관한 내용이다. 완속 충전기의 경우, 민간(업자)에게만 보조금이 지급되며, 충전기의 공유를 권장하기 위해, 개방을 많이 할수록 보조금이 크다. 급속 충전기의 경우 2017년까지는 공공(지자체)만이 보조금 지원 대상이었으나, 2018년부터 한국에너지공단에서 민간사업자에게도 보조금을 주기 시작하였고, 나아가 서울시와 경기도에서는 추가적인 보조금이 지원된다. 단 급속 충전기 보조금을 받기 위해서는 완전개방형이어야 한다. 충전기의 경우, 보통 보조금 내에서 설치가 가능한 경우가 많다14). 따라서 보조금을 받을 시, 모형에 적용한 충전기설치 비용은 없는 것으로 하였다.
Table 4. Subsidy for BEV charger installation (unit: 10,000won)
ME(2018), KEA(2018), Seoul(2018), GDTP(2018).시나리오
Table 5에서와 같이 전기차구매 보조금이 없는 경우인 No Subsidy (Baseline)를 기준안으로 삼고, 2030년까지만 보조금이 지급되는 시나리오는 보조금 지급수준에 따라 100% Subisdy, 80% Subsidy, 50% Subsidy가 주어지는 3가지 시나리오, 2050년까지 현재 수준의 보조금이 지급되는100% Subsidy (No Sunset) 시나리오, 그리고 Pan-government(2018)을 감안, 2025년까지 보조금이 단계적으로 줄이고, 2025년 이후 보조금이 없어지는 Fade-out 시나리오를 설정하였다.
Table 5. Scenario description
결과분석
Figure 4는 시간대별 충전요금의 효과를 보여주고 있다. 다만, Figure 3에서는 모형의 전환부문이 4가지 시간대별로 구분하였지만, Figure 4에서는 모형의 결과가 하루 24시간으로 구분되어 보여주고 있는데, 다음과 같은 변환과정을 통해 결과제시가 가능하다.
네 가지 시간대(k)로 구분되어 얻어지는 GCAM의 시뮬레이션 결과인 시간대별 전력수요량, GCAM_Whk를 24시간대(h)로 만들어 주기 위한 비율은 Equation 7의 와 같다. 아래의 식에서 Wh는 기준년도가 되는 2010년의 실제 시간대별 전력사용량(kWh)15), d는 일 년 중 d번째 날로, 1월 1일은 1, 12월 31일은 365가 된다. h는 특정 날의 h번째 시간으로, 1시는 1, 24시는 24가 된다. k는 Figure 2에서와 같이, 전력수요의 네 가지 시간대별 구분을 나타낸다. 분모는 네 가지 시간대(k)로 구분된 전력수요량의 합이고, 분자는 네 가지 시간대(k) 및 24시간대(h) 전력수요량의 합이다.
여기서,
따라서 위에서 구한 행렬에, 시뮬레이션 결과로부터 얻은 네 개의 값을 곱하면, 시간대별 전력수요량 값을 계산할 수 있다(Equation 8).
| $${a_h^k}_{(24\times4)}\times GCAM\_Wh_{(4\times1)}^k=GCAM\_W{h_h}_{(24\times1)}$$ | (8) |
위와 같은 과정을 거쳐서 마련한 Figure 4에서는 시간대별 충전요금이 다른 바, 시간대별로 비용경쟁을 한 결과를 보여주고 있다. 하루 전기차 충전으로 사용되는 전력량 중 차지하는 비율이 가장 높은 시간대는 6시이며, 그 비율은 2020년에는 4.25%, 2050년에는 4.28% 이다. 반면 비율이 가장 낮은 시간대는 11시이며, 그 비율은 2020년에는 4.12%, 2050년에는 4.09% 이다. 2020년에는 가장 충전수요가 높은 시간대와 낮은 시간대의 충전비율이 0.13% 포인트 차이가 났지만, 2050년에는 그 차이가 0.19% 포인트 차이로 벌어졌다.
Table 6에 제시된 모형의 결과를 활용하여 전기차 충전수요의 가격탄력성을 구할 수 있다. 즉 offpeak 시점의 가격에서 peak 시간대의 가격으로 변화하는 과정에서 시간대별 전력수요가 얼마나 변화하는지를 점검하여 전기차의 충전용 전력수요의 가격탄력성 을 구해보면 Equation 9와 같다.
Table 6. Summary result in terms of each time period
| $$\eta=-\frac{\triangle Q/Q}{\triangle P/P}=-\frac{(8.04-8.62)/8.62}{(134.89-94.60)/94.60}=0.1583$$ | (9) |
Figure 5는 Pan-government(2015, 2016, 2017)과 ME(2018)에서 정부가 제시한 보급목표, 2011년부터 2017년까지 전기차 보급실적 그리고 시나리오별로 전기차대수를 보여주고 있다. 준비된 도표는 증가율이 매우 커서 편의상 y축을 로그스케일로 표시하였음을 밝힌다. ‘No Subsidy’ 기준안의 2020년 전기차 보급대수를 보면, 2017년의 전기차 보급실적보다도 낮은 것을 확인 할 수 있다. 이는 현재 보조금 정책이 전기차 보급에 효과가 있음을 반증하는 결과로 평가할 수 있다. 정부가 2022년까지 전기차 35만대를 보급하겠다는 계획은 ‘80% Subsidy’ 시나리오를 통해 5.1만대 가량 초과달성이 가능할 것으로 보이는 반면, 가장 최근의 정부계획(Pan-government, 2018)을 반영한 ‘Fade-out’ 시나리오의 결과는 2022년 전기차 보급대수가 7.2만대 가량 정부목표에 미달하는 것으로 나타났다.
‘No Subsidy’와 ‘100% Subsidy (No Sunset)’ 시나리오를 제외한 모든 시나리오에서, 보조금의 일몰시점부터 전기차 보급대수가 갑자기 줄거나 혹은 그 증가율이 급격히 떨어지는 것을 볼 수 있다. 특히 이러한 일몰효과는 기준안인 ‘No Subsidy’의 추이에 수렴한다는 점이 주목할 만하다. 다만 ‘Fade-out’ 시나리오의 경우, 전기차 보급대수가 일몰시점인 2025년까지는 ‘50% Subsidy’보다는 많고, ‘80% Subsidy’ 보다는 적으며, 한편 2025년 이후부터는 ‘50% Subsidy’ 보다도 낮은 수준에서 ‘No Subsidy’의 추이에 수렴하는 것으로 나타난다. 이는 전기차 보조금이 단계적으로 일몰되는 효과가 전기차 보급에 미치는 영향을 보여주고 있다.
시나리오별로 전기차 구매 보조금으로 요구되는 금액은 Table 7과 같다. GCAM에서 나오는 5년 단위의 결과를 연단위로 보간하기 위해서는 다음과 같은 과정이 필요하다. GCAM에서 제시하고 있는 연도를 t라고 하고, 보간을 위해 사용되는 구간 내의 연평균 증가율은 라 할 때, 특정년도의 결과 수치는 Equation 10과 같이 계산이 가능하다.
Table 7. Required subsidy and number of BEV by scenario
| $$\begin{array}{l}\theta=\log(x_{t+5}/x_t)/5\\x_{t+i}=x_t\times e^{i\;\theta}\end{array}$$ | (10) |
여기서, t는 GCAM에서 제시하는 5년 단위의 연도(2010, 2015, …,), i는 1부터 4까지의 값, x는 GCAM 시뮬레이션 결과로 얻어지는 특정변수의 값에 해당한다.
앞서 2022년까지의 정부의 전기차 보급 계획은 ‘80% Subsidy’ 시나리오의 추이와 비슷한 것을 확인하였는데, ‘80% Subsidy’의 경우, 2022년까지 전기차 구매 보조금으로, 누적으로는 4.96조 원 가량, 연평균으로는 9,925억 원이 소요된다. 이는 2018년 현재 국가 및 지자체 보조금을 포함한 총 전기차 구매 보조금인 3,490억의 2.84배 정도 높은 수준이다. 한편, 실제 정부가 계획하고 있는 보조금 정책을 모사한 ‘Fade-out Subsidy’ 시나리오의 경우는 정부의 전기차 보급목표에 미달하기는 하나, 5.1만대 가량 초과달성을 한 ‘80% Subsidy’ 시나리오에 비해 보조금이 1.64조 원 가량 덜 필요로 하는 것으로 나타났다.
본 연구에서는 전기차 충전 인프라는 정부에서 설치해주는 것으로 가정하였기 때문에, Table 7에 제시된 전기차 구매 보조금 지급액에는 충전 인프라 설치에 필요한 금액이 포함되어 있지 않음을 유념할 필요가 있다.
전기차는 다른 곳에서 생산된 전기를 충전하여 사용하기 때문에, 자체 온실가스 배출은 없지만, 발전소에서는 온실가스를 배출하게 된다. 이를 간접배출이라고 하는데 간접배출을 고려한다면, 전기차의 온실가스 저감효과는 발전믹스에 의존하게 된다. Figure 6은 분석모형에서의 발전연료별 전력생산량과 발전연료들 간의 평균 온실가스 배출계수를 보여주고 있다. 모든 시나리오에서 Figure 6과 비슷한 결과가 나오는데, 이는 전기차의 충전전력량이 국내 전체 발전량에서 차지하는 비중이 작아, 발전부문의 전체 믹스를 바꾸지 못하기 때문이다. 전기차의 충전전력량이 전체 발전량에서 차지하는 비중은 2030년 기준으로 전기차 보급이 가장 많이 되는 시나리오인 ‘100% Subsidy’의 경우 4.0%, 한편 전기차 보급이 가장 적게 되는 시나리오인 ‘No Subsidy’의 경우 0.2%인 것으로 나타났다.
Figure 7은 시나리오별로 승용차부문의 온실가스 배출량을 보여주고 있다. 점선으로 표시된 것은 간접배출량을 포함하지 않은 경우로, 전기차 이외의 승용차들이 주행과정에서 직접배출하는 온실가스만을 포함한 것이다. 직선으로 표시 된 것은 간접배출량을 포함시킨 경우이다. 간접배출량의 산정에서 전기차가 사용하는 전력은 발전부문의 발전량 일부를 사용하는 것이므로, 전체 발전믹스의 평균배출계수를 적용하여 산정하였다. 앞선 Figure 6의 검은 점으로 나타난 추세가 배출계수의 추이이며, 발전부문의 배출계수는 원자력의 감소에도 불구하고 신재생과 가스발전의 증가로 약간이나마 감소하는 것으로 나타난다.
직접과 간접 배출량을 나누어 제시한 이유는 간접배출량이 전혀 없는 경우란 충전용 전력생산에 온실가스배출이 전혀 없는 경우로, 100% 신재생과 원자력 등으로 이루어져있는 상황이라고 볼 수 있기 때문이다. 다시 말해, Figure 7에서 점선으로 나타난 부분이 전기자동차 보급으로 인한, 최대 온실가스 저감 잠재량이라고 볼 수 있다16).
간접배출량을 포함시켰을 때, 2030년 기준으로, 베이스라인 대비 ‘100% Subsidy’는 5.09 MtCO2를, ‘80% Subsidy’는 3.19 MtCO2를, ‘50% Subsidy’는 1.23 MtCO2를, ‘Fade-out Subsidy’는 0.42 MtCO2 저감하는 것으로 나타났다. ‘100% Subsidy’의 경우, 2030년부터 온실가스 배출량이 증가하기 시작하는 것을 볼 수 있는데 이는 보조금지급이 중단됨에 따라, 전기차의 전기사용량이 줄어듦에 따라 나타나는 것으로, Figure 5에서 설명한 보조금정책의 일몰효과와 맥락을 같이한다. 최근의 정부정책을 반영한 ‘Fade-out’ 시나리오의 결과는 앞서 차량대수의 경우와 마찬가지로 ‘No Subsidy의’ 추세에 수렴하는 것으로 나타났다.
Table 8에는 Figure 7에서 보여준 온실가스배출량을 2030년 기준으로 간단히 요약하였다. ‘100% Subsidy (No Sunset)’의 경우는 100% Subsidy와 같은 결과를 보이는 것으로 확인되었다.
Table 8. GHG emission impact by scenario in 2030 (MtCO2)
결론
본 연구에서는 통합모형인 GCAM을 활용하여, 보조금 시나리오를 설정하고, 정부가 제시한 전기차 보급계획 달성여부와 정부의 보조금 정책이 온실가스 저감효과에 미치는 영향을 분석해 보았다. 우선, 전기차의 시간대별 충전비용을 모형에 적용하였고, 그 결과 상대적으로 충전요금이 비싼 최대부하시간대의 전기차 충전 비율이 낮고, 충전요금이 싼 경부하시간대에 충전 비율이 높게 나타났다. 이와 같은 결과는 단지 분석모형 내에서 비용경쟁을 한 결과일 뿐이며, 향후 실제 소비자들은 충전비용이 조금 비싸더라도, 주로 활동하는 시간대인 낮에 충전을 더 많이 할 수도 있다.
정부의 최근 보조금 정책을 모사한 시나리오인 ‘Fade-out Subsidy’ 경우 2022년까지 27.8만대의 전기차가 보급되는 것으로 확인되었다. 이러한 결과는 정부가 세운 ‘2022까지 전기차 35만대’ 보급계획에 7.2만대 가량 미달하는 것으로 보인다. 이때 필요로 하는 전기차 보조금액은 2022년까지 누적으로 3조32백억 원, 연평균으로는 6,637억 원 정도로 나타났다.
온실가스 저감효과를 보기위해, 직접 및 간접배출 모두 고려한 결과, 2030년 기준으로, 베이스라인 대비 ‘100% Subsidy’는 5.09 MtCO2를, ‘80% Subsidy’는 3.19 MtCO2를, ‘50% Subsidy’는 1.23 MtCO2를 저감한 것으로 나타났다. 나아가, 직접배출과 간접배출을 구분하여 결과를 분석하였다. 전기차 보조금이 늘어날수록, 전기차 보급확대에 기인한 간접배출량은 늘어나며, 전기차가 기존 내연차량을 대체함에 따라 내연기관차량으로부터 나오는 직접배출량은 줄어 들어드는 것으로 나타났다. 전기차 보급확대에 따른 온실가스 저감효과를 극대화 하기 위해서는 전환부문을 청정화하려는 노력이 필요할 것이라는 점은 간접배출량에 대한 논의를 통해 더욱 명확해짐을 알 수 있다.
정부가 제시한 전기차 보조금 정책을 모사한 ‘Fade-out’ 시나리오의 결과를 감안하면, 정부의 2022년 전기차 보급목표 달성이 어려울 수도 있음을 확인하였다. 그 이후의 보급추이는 정책에 따라 이전과 많은 차이를 보일 수 있음을 시뮬레이션 결과를 통해 확인할 수 있다. 최근 제시된 정부의 보조금 정책을 보면, 전기차 뿐 아니라 수소차 보급에 높은 관심을 보여주고 있다. 물론 전기차뿐 아니라 수소차 심지어 천연가스차량 까지도 기존의 내연기관 차량을 대체하면 더할 나위 없이 좋을 것이다. 하지만 전기차 보급목표는 그대로 두고, 추가재원을 확보하지 않은 상태에서 수소차 보급사업을 진행하는 경우, 2022년 이후의 전기차 보급은 2017년 제시되었던 목표를 달성하기 어려울 수도 있음을 결과는 보여주고 있다.
본 연구를 통해, 전기차 보조금 정책의 평가 및 분석 시, 에너지, 차량 대수, 보조금액, 온실가스 등을 다양한 시각에서 분석 할 수 있는 계기가 되길 바란다. 단기적인 관점에서 전기차의 보급을 확대시키기 위해서는 보조금을 지급하는 것이 정당화 될 수 있지만, 소요되는 보조금 규모와, 전기차 도입으로 인한 편익을 꼼꼼히 따져 정책이 세워지길 바란다. 최근 정부 정책을 고려하면, 향후에는 수소차에 관한 분석도 진행 될 필요가 있으며, 세계적인 관심을 받고 있는 자율차 또한 에너지시스템 내에서 어떤 영향을 미칠지 분석해볼 필요가 있다. 나아가 여객부문 뿐 아니라, 상대적으로 관심을 덜 받고 있는 화물부문도 관심을 쏟을 필요가 있겠다.
1)본 논문에서는 순수배터리 전기 승용차를 편의상 ‘전기차’로 표기하였음
2)https://www.kotems.or.kr/의 자료실 → 통계자료
3)현재 GCAM 5.1.2버전이 upload 되어있음을 확인할 수 있음(https://github.com/JGCRI/gcam-core/releases) 관련정보는 http://jgcri.github.io/gcam-doc/에서 확인할 수 있음
4)Brenkert et al.(2003)
5)GCAM-USA Electric Sector: Separating Investment and Dispatch.ppt, http://www.globalchange.umd.edu/annual-meetings/2018_gcam_community_ modeling_meeting/GCAM-USA Overview.ppt.
6)수송서비스의 가격 및 수송기술별 경쟁을 통한 선택과정 등에 대한 상세내용은 Jeon and Kim(2017)로 대신함
7)시간대의 구분은 경부하, 중간부하, 최대부하로 구분된 전기요금체계와 관련되며, 다음 장에서 상세히 논의함
8)연비의 역수와 동일함
9)편의상 아래첨자는 제외함
10)편의상 아래첨자는 제외함
11)한국전력공사에서 제공하는 전기자동차 충전전력요금표를 재산정한 결과임.
http://cyber.kepco.co.kr/ckepco/front/jsp/CY/E/E/CYEEHP00108.jsp
12)전기차 국고보조금 현황 및 재분류에 관한 자세한 사항은 부록(Appendix 1)을 참고
13)전기차 지역별 보조금 현황 및 재산정에 관한 자세한 사항은 부록(Appendix 2)을 참고
14)http://www.etnews.com/20180108000150
15)해당 통합모형의 기준년도는 원래 GCAM 모형도 2018년 10월 16일 공개한 최신버전 5.1.2에서도 여전히 같은 기준년도를 유지하고 있음. 세계를 32개 지역으로 분류한 전지구적 모형의 기준년도 변경작업은 상당한 작업을 요하므로 전체 데이터의 업데이트는 아직 시간을 요하는 것으로 확인됨. 다만, 2015년 등 실적치의 점검을 통해 이를 보완하고 있으며, 본 연구에서도 최근의 부하율 정보 등을 업데이트하여, 모든 부문의 확인되는 실적치와 결과를 비교 검토를 통해 이를 보완하고 있음을 밝힘
16)다만, 발전믹스가 전부 신재생발전으로 이루어져 있다면, 전기자동차의 충전비용이 달라져, 다른 결과가 나올 것임
