Article

Journal of Korean Society of Transportation. 30 June 2024. 268-283
https://doi.org/10.7470/jkst.2024.42.3.268

ABSTRACT


MAIN

  • 서론

  • 선행연구

  •   1. 국내외 온실가스 배출량 산정 방법론 연구 고찰

  •   2. 국내외 온실가스 배출량 산정 주요 모형 고찰

  •   3. 시사점

  • 방법론

  • 온실가스 감가속 보정계수 개발

  •   1. 차종/유종별 보정계수 개발

  •   2. 일반 차종별(승용차, 버스, 화물차) 보정계수 개발

  • 모형 검증

  •   1. 미시적 수준 온실가스 배출량 산정 알고리즘 설계

  •   2. 사례분석 및 신뢰성 검증

  • 결론

서론

전 세계적으로 지구온난화와 기후변화에 대한 우려가 증가하고 있으며, 이에 각국은 온실가스 배출량 저감을 위한 다양한 정책을 도입하고 있다(IPCC, 2022). 우리나라 2019년 에너지 부문 CO2 배출량 중 수송부문은 전체의 16.5%를 차지하고 있으며, 전 수송부문 중 도로는 96.5%를 기여하고 있다(Greenhouse Gas Inventory and Research Center, 2022). 이는 우리나라 온실가스 배출량 저감을 위해 도로 수송부문 온실가스 배출량 저감을 위한 노력이 필요함을 시사한다. 우리나라는 2050년까지 탄소중립을 달성하기 위한 중·장기적인 목표를 제시하였으며(Government of the Republic of Korea, 2020), 「기후위기 대응을 위한 탄소중립·녹색성장 기본법(이하 탄소중립기본법)」1), ‘2050 탄소중립 시나리오(`21.10.)’에 따라 지자체 탄소 중립의무 강화 및 지역 주도 탄소중립 추진이 본격화되고 있다. 다만, 우리나라 수송부문 온실가스 배출량 산정 및 관리체계는 IPCC 기준 Tier 1 수준의 단순 통계성 데이터를 제공하고 있어, 탄소중립을 위한 모니터링 및 평가 체계는 미흡한 실정이다. 최근 수송부문 온실가스 배출량 산정 고도화를 통해 차량궤적 데이터 기반의 미시적(IPCC 기준 Tier 3) 수준의 온실가스 배출량 산정에 관한 논의가 이루어지고 있다. 특히 미시적 수준 온실가스 배출량 산정을 위해 첨단 교통정보 시스템을 통해 수집된 교통 빅데이터의 활용 및 고도화된 온실가스 배출량 산정 알고리즘 개발이 요구되고 있다.

우리나라 수송부문 온실가스 배출량 산정은 국립환경과학원 및 한국교통안전공단의 온실가스 배출계수 식을 기반으로 하고 있다(NIER, 2008, 2009, 2010, 2011, 2012; KTSA, 2021). 다만, 여러 국내외 선행연구에서 도로 수송부문 온실가스 배출량은 개별 차량의 미시적 주행행태(속도, 감가속 등) 및 여러 기타 환경 요인(경사도, 기온/습도, 도로 기하구조 등)에 영향을 받으며, 이에 대한 고려가 필요함을 제시하고 있다. 다만, 우리나라 온실가스 배출계수 모형은 제한적인 영향인자(차종, 유종, 속도) 만을 고려하고 있어, 개별 차량의 미시적 주행행태를 반영하기 어려운 실정이다.

최근 유로6 등 차량 배출 규제가 강화되고 친환경 차량 등의 보급으로 온실가스 배출량 산정의 고도화가 요구되고 있으나, 기존 국내 자동차 온실가스 배출량 산정 모형으로는 이러한 신규 차량의 온실가스 배출 특성을 반영하기 어려운 실정이다. 또한 수송부문 온실가스 배출 저감을 위한 교통 정책 및 운영전략(eco-driving, 신호 운영, 친환경 수단 보급 등) 수립을 위해 온실가스 배출계수가 고도화가 요구되고 있다. 이러한 상황에서 여러 국외(미국환경청, EU, IPCC 등) 기관을 중심으로 수송부문 탄소배출 모형 및 배출계수의 고도화 및 현행화가 지속적으로 이루어지고 있다.

본 연구는 미시적 수준의 도로 수송부문 온실가스 배출량 산정을 위한 고도화된 알고리즘 개발 및 적용 방안을 검토하는 것을 궁극적인 목적으로 하고 있으며, 연구의 구성은 다음과 같다. 먼저, 본 연구는 국내외 도로 수송부문 온실가스 배출량 산정 모형 및 연구 동향을 검토하고, 이를 바탕으로 국내 온실가스 배출계수 모형의 개선 방안을 도출하였다. 본 연구는 자동차 온실가스 배출량에 중요한 영향인자인 감가속 주행행태를 고려한 온실가스 배출계수의 고도화 방안을 검토하였다. 구체적으로 한국교통안전공단의 2021년 승인 국가 온실가스 배출계수 모형에 기반한 미시적 수준의 온실가스 배출량 산정을 위한 감가속 보정계수 개발 및 적용 방안을 제시하였다. 다음으로 차량 주행궤적 샘플 이력 자료를 활용하여 개발된 감가속 보정계수의 신뢰성 검증을 수행하였다. 마지막으로 본 연구의 결론, 시사점 및 향후 연구를 제시하였다.

선행연구

도로 수송부문 온실가스 배출량 산정에 관한 다양한 국내외 연구가 진행되고 있다. 최근 여러 연구에서 다양한 교통정보 수집 장치를 통해 수집된 미시적 수준의 개별 차량 운행 정보를 기반으로 미시적 수준의 온실가스 배출량 추정을 위한 방법론 개발이 이루어지고 있다. 본 연구의 목적은 미시적 수준의 교통정보를 기반으로 미시적 수준의 온실가스 배출량 산정을 위한 알고리즘 개발 및 적용에 있는바, 미시적 수준의 교통정보 기반의 온실가스 배출량 산정 방법론 개발 및 미시적 수준 온실가스 배출량 알고리즘 개발 동향에 관한 문헌 고찰을 수행하였다.

1. 국내외 온실가스 배출량 산정 방법론 연구 고찰

국내외 선행연구에서 도로 수송부문 온실가스 배출량 산정에 관한 다양한 방법론이 제시되었다. 국내 선행 연구 검토 결과, Kim(2016)은 자동차 공회전 제어를 통한 온실가스감축 효과 분석을 위해, 미시적 시뮬레이션 모델(VISSIM)을 활용하여 미국환경청에서 개발된 MOVES 모형을 활용, 온실가스 배출량을 예측하였다. 동 연구는 부산시 해운대구를 분석 대상 지역으로 설정하였으며, 신호교차로에서 정지 차량의 온실가스 배출량을 추정하고자 공회전 시 온실가스 배출량을 산출하였으며, 공회전 제어를 통해 신호대기 중에 발생하는 온실가스 배출량의 약 57%(761kg/h)를 감축할 수 있다는 연구 결과를 제시하였다. 동 연구는 미시적 교통 시뮬레이션 분석 프로그램인 VISSIM을 통해 추출된 차량의 미시적 주행행태 자료를 기반으로 미시적 수준의 온실가스 배출량을 추정하는 고도화된 알고리즘을 적용하였다는 측면에서 의의가 있다. 다만, 미국 MOVES의 국내 적용에 관한 구체적인 논의가 제시되지 않았다는 연구의 한계가 있다. Koo(2013)은 RFID(Radio Frequency Identification) 기반 개별 차량별 온실가스 배출량 산정 방법에 관한 연구를 수행하였다. 동 연구는 RFID를 통해 수집된 자동차 번호판 정보와 유류 구매 정보시스템을 통해 파악된 개인 차량별 연료소비량을 기초로 하여, 개별 차량별 온실가스 배출량 산정의 신뢰도를 높이는 실질적인 배출량을 추정하고자 하였다. 동 연구는 차량의 온실가스 배출량 산정 시 세부적인 차종을 고려하였다는 측면에서 의의가 있으나, 차종별 평균 연비(km/l)와 평균 온실가스 배출량(g/km)을 적용하였다는 측면에서 개별 차량의 미시적 주행행태를 고려하지 못하였다는 연구의 한계가 있다. Hu et al.(2013)은 미국 MOVES 모형의 미시기반 배출량 산정 개념을 도입하여, 차량의 동적 주행 특성을 고려한 차종별 배출맵 보정계수를 제안하였다. 동 연구는 국내 온실가스 배출계수 모형과 미국 MOVES 모형의 결과 값의 비교를 통해 국내 모형을 보정하는 방안을 제시한 최초의 국내 연구로서 가치가 있다. Han et al.(2022)는 영상 검지자료를 활용한 신호 교차로 접근차량의 온실가스 배출량을 추정하는 연구를 수행하였다. 동 연구는 스마트 교차로 내 개별 차량에 대한 모니터링 장치를 기반으로 수집된 개별 차량 주행 자료를 기반으로 온실가스 배출량을 추정하였다. 구체적으로 영상 검지를 통해 수집된 개별 차량의 초 단위 속도, 가·감속도, 차종 정보 등을 기반으로 차량의 통행패턴을 분석하였으며, 미국 조지아공과대학 연구팀에서 개발된 고정밀 온실가스 배출량 산출 모형인 MOVES-Matrix 모형을 활용하여, 개별 차량의 초 단위 온실가스 배출량을 추정하였다. 특히 동 연구는 차량 주행궤적자료에 기반한 개별 차량의 초 단위 수준의 미시적 온실가스 배출량 분석이라는 측면에서 주목할 만한 연구 결과를 제시하였다.

관련한 국외 문헌 검토 결과, Kim(2020)은 미국 조지아공과대학 연구팀의 고성능 온실가스 배출량 산정 모형인 MOVES-Matrix와 교통 빅데이터를 활용한 대도시권 교통 네트워크의 링크별 오염물질 및 온실가스 배출량 산정 프로그램을 개발하였다. 동 연구는 광범위한 분석 지역을 대상으로 교통 빅데이터에 기반한 미시적 수준의 온실가스 배출량 분석이라는 측면에서 의의가 있다. Xu et al.(2016)은 미시적 교통 시뮬레이션 모형(VISSIM)과 MOVES-Matrix를 기반으로 개별 차량의 초 단위 주행궤적별 온실가스 배출량을 예측하는 프로그램을 개발하였다. 분석을 위해 개별 차량의 초 단위 주행궤적 자료(속도, 감가속)와 분석 지역의 차종, 유종, 차령의 분포 자료를 고려하였으며, 분석을 통해 온실가스 배출량은 차종의 구성, 속도-감가속 프로파일에 매우 민감한 영향을 받을 수 있음을 제시하였다. Ali et al.(2021)은 고해상도 GPS 차량 주행궤적 데이터와 유럽환경청의 COPERT 모형을 활용하여, 개별 차량의 연료 소모량을 분석하는 방법론을 개발하였다. 동 연구는 GPS 차량 주행궤적 데이터의 한계를 극복하고자 GPS 데이터 전처리를 통한 개별 차량의 주행 상태, 거리, 시간, 속도 및 감가속을 추정하는 방법론을 개발하였으며, 이를 바탕으로 개별 차량의 주행 상태별 연료 소모량을 분석하였다. 분석 결과, 시간(첨두/비첨두), 차량의 주행 상태(속도, 감가속)가 개별 차량의 연료 소모량 추정에 중요한 변수임을 제시하였다. Smit et al.(2022)은 GPS 차량궤적 수집 장치 및 OBD(On-board Device) 장치를 기반으로 수집된 자료를 기반으로 SUV 차량의 온실가스 배출량을 예측하는 방법론을 제안하였다. 특히 동 연구는 경사도에 따른 차량의 온실가스 배출량 분석을 위해 1미터 단위의 DEM(Digital Elevation Model) 자료를 활용하여 도로의 경사도를 분석하였다. 또한 GPS와 OBD 이력 자료를 기반으로 차량의 주행 상태를 도시, 지방, 고속도로 주행으로 구분하였으며, 터널에서 GPS 시그널 관측의 한계를 극복하기 위해 터널 자료를 활용하였다. 동 연구는 온실가스 배출량 분석을 위해 COPERT Australia 모형을 활용하였으며, 차량의 주행 상태(평균 속도)별 차종/유종별 온실가스 배출량의 추세를 분석하였다.

2. 국내외 온실가스 배출량 산정 주요 모형 고찰

전 세계적으로 도로 수송부문 온실가스 배출량 산정을 위해 다양한 국내외 기관에서 온실가스 배출량 산정 모형이 개발되어왔다. 공식적인 우리나라 도로 수송부문 온실가스 배출량 산정 모형으로 한국교통안전공단의 2021년 승인 국가 온실가스 배출계수가 있다. 2021년 승인 국가 온실가스 배출계수는 차종을 승용/승합/화물차로 구분, 유종은 휘발유/경유/LPG(liquefied petroleum gas)/HEV(hybrid electric vehicle)로 구분, 크기별로 경형/소형/중형/대형 등으로 구분하여 세분화된 배출계수식을 제시하고 있다. 기본적으로 배출계수식은 평균속도(km/h)의 함수로 표현되며, 배출량은 g/km 단위로 계산된다.

대표적인 국외 온실가스 배출량 산정 모형으로 기후 변화에 관한 정부간 협의체(IPCC)의 EFDB, 미국환경청(USEPA)의 MOVES, 미국 캘리포니아주 대기자원위원회(CARB)의 EMFAC, 유럽환경청(EEA)의 COPERT 모형 등이 있다. 문헌 검토 결과, 국내외 모형의 온실가스 배출량 산정 방식과 모형에 고려되는 변수는 모형별로 차이가 있음을 확인하였다(Table 1). 국내 모형의 경우, 자동차 온실가스 배출량 산정 시 차종, 유종, 평균속도를 고려하고 있으나, 여러 국외 모형에서 추가적으로 고려하는 기타 영향 요인(예: 차령, 감가속, 경사도 등)은 모형 특성상 반영하기 어렵다. 특히 국내 모형은 개별 차량의 미시적 주행행태의 주요 변수인 감가속 행태를 고려할 수 없으며, 자동차 온실가스 배출량에 중요한 영향을 미치는 차량의 연식, 경사도 또한 모형에 고려되지 않고 있다.

Table 1.

Review of variables related to automobile greenhouse gas emissions considered in the most widely-used emissions calculation models in the world

Variable Automobile emissions calculation models
Korean emission
factor (2021)
MOVES EMFAC COPERT
Vehicle Vehicle type
Fuel type
Age ×
Weight × ×
Operating
condition
Speed
Acceleration/Braking/Ideling × × ×
Grade × × ×
Resistance × × ×
Meteorological
condition
Temperature ×
Humidity × ×
Weather ×
Other Emission standard ×
Road geometry ×

note: ○ if the variable is considered in greenhouse gas emission calculation; △ if the variable is partially considered; × if the variable is not considered.

여러 국외 모형 중 미국환경청에서 개발된 MOVES 모형은 국내 모형 및 기타 국외 모형에서 고려하고 있지 않은 다양한 변수를 온실가스 배출량 산정 시 고려하고 있다. 특히 MOVES 모형은 타 모형 대비 미시적 수준의 온실가스 배출량 산정 방법론이 적용 가능한 유일한 모형으로 판단된다. 예를 들어, MOVES 모형은 개별 차량의 미시적 주행 패턴(감가속, 경사도, 주행저항 등)을 온실가스 배출량 산정 시 고려하고 있다. Table 1에 정리된 바와 같이, MOVES 모형은 대부분의 모형에서 고려되지 않는 차량 중량, 감가속, 주행저항, 도로 기하구조(도시/지방부, 연속류/단속류, 비도로) 등 다양한 인자를 고려하고 있다.

특히 미국환경청의 MOVES 모형은 지속적으로 MOVES 모형을 개선·발전시켜 왔다. 미국환경청은 MOVES 모형의 전신인 MOBILE 시리즈를 1970년 개발, 2010년 최초의 MOVES 모형인 MOVES 2010 발표 이후, 가장 최근에는 MOVES 4.0 버전을 출시하는 등 지속적인 모형 개선을 시도하고 있다(USEPA, 2024). 다만 MOVES는 타 프로그램 대비 온실가스 배출량 산정 알고리즘이 고도화 되었음에도 불구하고, 프로그램 구동 방식이 복잡하며, 분석 속도가 느리다는 단점이 있다. 이에 대규모 도로 네트워크 분석 시 매우 많은 분석시간이 요구된다는 단점이 있다. 현실적으로 정교한 입력값(차종, 유종, 감가속, 기하구조 등)을 기반으로 광범위한 지역에 대한 분석 시, MOVES의 활용은 한계가 있다. 이러한 MOVES의 한계를 극복하기 위해, 미국 조지아공과대학 연구팀에서는 MOVES의 구동성을 높이고, MOVES 분석 속도를 대폭 개선하는 MOVES-Matrix를 개발하였다(Guensler et al., 2016; Guensler et al., 2017; Liu et al., 2019a). MOVES-Matrix는 다양한 시나리오 분석을 통해 MOVES의 결과 값을 미리 산출하여 데이터베이스화한 형태이다. 구체적으로 MOVES-Matrix는 단순한 CSV 파일 형태로 온실가스 배출계수를 제공하므로 일반 사용자의 사용이 용이하며, 다양한 프로그래밍 언어(Python, C, JAVA 등)와도 쉽게 연계가 가능하여 분석이 수월하다. 최근 미국 광역권 도로 네트워크의 링크별 오염물질 발생량 계산에 적용되는 등 MOVES-Matrix에 대한 관심이 증가하고 있다(Liu et al., 2019b; Liu and Kim 2019; Kim et al., 2021; Kim et al., 2019; Jang et al., 2022). 특히 조지아공과대학 연구팀의 분석에 따르면 MOVES-Matrix는 일반 MOVES 분석시간 대비 약 200배 빠른 속도를 자랑함과 동시에 동일한 MOVES 결과값을 얻을 수 있다(Guensler et al., 2016).

3. 시사점

온실가스 배출량 산정 방법론 문헌 검토 결과, 국내 연구는 제한적인 수준에서 Tier 3 기반의 온실가스 배출량 연구가 수행되어 왔으나, 교통 빅데이터에 기반한 미시적 수준의 온실가스 배출량 추정 연구는 주로 국외를 중심으로 이루어져 왔음을 확인할 수 있었다. 이러한 국내 연구의 한계는 풍부한 교통 빅데이터 구축 현황에도 불구하고, 미시적 수준의 온실가스 배출량 산정을 위한 고도화된 알고리즘의 부재에 기인한 것으로 보인다. 예를 들어, 국내의 다양한 교통정보 수집 장치를 통해 개별 차량의 미시적 주행행태(GPS 주행궤적 정보를 통한 차량의 속도, 감가속), 차종/유종, 도로 기하구조 등의 교통정보를 수집·가공할 수 있음에도 불구하고, 국내 온실가스 배출량 산정 모형으로는 미시적 주행행태를 반영한 미시적 수준의 온실가스 배출량 산정이 어려운 실정이다. 본 연구는 개별 차량의 미시적 주행행태를 온실가스 배출량 산정 시 반영하기 위한 온실가스 배출량 산정 모형의 고도화를 목표로 하고 있으며, 이에 본 연구의 기여가 있을 것으로 기대된다.

국내외 주요 온실가스 배출량 산정 모형 검토 결과, 국내 모형은 국외 주요 모형(예: MOVES)에서 고려하는 다양한 영향 요인을 모형에 반영하기 어렵다는 한계를 확인할 수 있었다. 특히 국내 모형은 개별 차량의 미시적 주행행태의 주요 변수인 감가속 행태를 온실가스 배출량 산정 시 반영하기 어려우며, 이로 인해 미시적 수준의 자동차 온실가스 배출량 산정에 제한이 있다. 본 연구는 국내 모형의 한계를 극복하고자, 국내 수송부문 온실가스 배출량 산정 고도화를 위해 감가속 보정계수 개발을 목적으로 하고 있다. 이를 위해서는 개별 차량의 속도, 감가속 상태별 온실가스 배출량의 추세를 분석하기 위한 광범위한 시나리오 분석이 요구된다. 이에 본 연구는 다각적인 시나리오 분석을 위해 미국 조지아공과대학 연구팀에서 개발된 MOVES-Matrix를 활용하였으며, 이에 본 연구의 차별점이 있다.

방법론

본 연구는 미시적 주행행태를 고려한 수송부문 온실가스 배출량 산정 모형을 개발하는 것으로 목적으로 한다. 특히 본 연구는 자동차 온실가스 배출량에 중요한 영향을 미치는 주행 중 미시적 감가속 행태를 반영한 온실가스 배출량 산정 모형을 개발하는 것을 궁극적인 목적으로 하고 있다. 선행연구 검토 결과, 자동차의 주행 중 미시적(초 단위) 감가속 행태를 고려한 온실가스 배출량 산정 모형으로는 미국환경청에서 개발된 MOVES 모형이 유일하다. 이에 본 연구는 MOVES를 통해 추정된 감가속도별 온실가스 배출량을 바탕으로 감가속도별 온실가스 배출량 보정계수를 개발하였다. 기본적으로 MOVES는 MOVES 프로그램 내에 각 영향 요인의 변수값 수준 별 배출계수와 보정계수 데이터베이스가 구축되어있으며, MOVES 분석을 위해 입력된 변수값에 상응하는 배출계수와 보정계수의 조합으로 배출량이 계산된다. 따라서 기타 요인을 통제하고 관심 변수의 입력값만을 변화시켜 온실가스 배출량을 산출하면 관심 변수의 변동에 따른 온실가스 배출량의 변동 패턴을 확인할 수 있다.

앞선 선행 연구고찰에서 언급한 바와 같이, 일반적으로 MOVES 사용 시, 상당한 분석 시간이 요구되며, 따라서 다양한 시나리오 분석 시 과도한 분석 시간이 요구된다는 단점이 있다. 특히 MOVES는 기본적으로 분석 대상 지역의 집계된 주행행태자료가 입력자료로 활용되어, 분석 대상 지역 도로구간 별 차량의 평균 배출량(grams/mile 혹은 grams/hour)이 산출된다. 따라서 개별 차량의 특정 감가속 상태에서의 온실가스 배출량을 분석하기 어렵다. MOVES에 요구되는 분석 시간의 한계와 미시적 주행행태를 반영한 배출량 분석의 한계를 극복하기 위해 미국 조지아공과대학 연구팀에서 개발된 MOVES-Matrix를 분석에 활용하였다. MOVES-Matrix의 결과 값은 기본적으로 MOVES의 결과 값과 동일하나, MOVES-Matrix를 활용한 배출량 분석 속도는 일반 MOVES 모형을 활용한 배출량 분석 속도에 비해 약 200배 가량 빠르다. 본 연구는 다양한 속도와 감가속도 조합 시나리오에서 자동차 온실가스 배출량 패턴 분석을 위해, MOVES-Matrix를 활용하였다. MOVES-Matrix는 기본적으로 MOVES 배출량 분석의 결과 값을 CSV 데이터 포맷으로 저장해 놓은 데이터베이스로 본 연구에서는 시나리오 분석을 위해 Python 프로그램을 개발하였으며, 다양한 속도/감가속도 조합 시나리오에 대한 MOVES 온실가스 배출량을 추정하였다.

본 연구는 관심 변수인 감가속도의 입력값을 변화시키되, 기타 변수의 입력값은 통제하여, 감가속도에 따른 온실가스 배출량의 민감도 분석을 수행하였다. 구체적으로 감가속도의 변동 범위는 –0.5m/s2(감속), 0.0m/s2(정지), 0.5-10.0m/s2(0.5m/s2 간격)로 설정하였다. 참고로 MOVES는 감속 상태(감속도가 0m/s2 이하)는 동일 주행 상태로 가정하고 있다. MOVES의 입력값은 차종/유종, 속도, 감가속, 차령, 경사도, 기온, 습도 등이며, 본 연구는 속도와 감가속을 제외한 기타 변수의 통제값으로 차령 0년(신차), 경사도 0%(평지), 기온(60℉, 고온에서 차량 공조장치 사용으로 인한 영향이 없는 상태), 습도 50%로 설정하였다. 본 연구는 국가 승인 온실가스 배출계수 모형에 정의되어 있는 차종별 온실가스 배출량 보정계수 개발을 위해 국가 승인 온실가스 배출계수의 차종과 MOVES의 차종을 매칭하였다(Table 2). 본 연구는 MOVES 차종을 기준으로 하여, MOVES-Matrix를 통해 온실가스 배출량을 산출하였으며, 분석을 위해 차종과 더불어 MOVES에 정의된 유종(휘발유, 경유, CNG, LPG)을 고려한 차종/유종별 온실가스 배출량 시나리오 분석을 수행하였다.

Table 2.

Matching result of vehicle classifications defined in Korean emission factor model and MOVES

Korean emission factor model MOVES
Passenger car Subcompact car Passenger car (21)
Compact car
Medium-sized car
Full-size car
Van or Bus Van Passenger truck or SUV (31)
Small bus Transit bus (42)
Large bus Intercity Intercity bus (41)
Inner-city Transit bus (42)
Cargo truck Small-sized truck Light commercial truck (32)
Medium-sized truck Single-unit short haul truck (52)
Large-sized truck Single-unit long haul truck (53)

note: Numbers in parenthesis refer to the source type ID (vehicle types) defined in MOVES.

본 연구는 MOVES-Matrix를 기반으로 차종/유종, 속도/감가속도 별로 온실가스(CO2, CO2-eq) 배출계수(g/km)를 산출하였다. 분석 시나리오의 수는 국가 승인 온실가스 배출계수와 MOVES의 차종이 일치하는 총 16개의 차종/유종 조합별로 속도 24개 구간(5-120km/h, 5km/h 간격) 및 감가속도(–0.5-10.0m/s2, 0.5m/s2 간격) 22개 구간을 고려한 총 8,448개의 차종/속도/감가속도 조합에 대해서 온실가스 배출계수를 산출하였다. 본 연구는 시나리오 분석 결과를 총 16개의 차종/유종 조합별로 재정리하였으며, 분석 결과를 시각화한 예시는 Figure 1과 같다. Figure 1은 차종/유종별로 차량의 주행 중 속도(x축), 감가속도(y축) 변화에 따른 온실가스 배출량(z축)을 나타내고 있다. 분석 결과, 온실가스 배출 계수는 전반적으로 속도가 증가함에 따라 감소하는 특성이 있으며, 동일 속도 범위에서 가속도가 증가할수록 증가하는 경향이 나타났다.

https://static.apub.kr/journalsite/sites/kst/2024-042-03/N0210420302/images/kst_2024_423_268_F1.jpg
Figure 1.

Examples of scenario analysis of greenhouse gas emission rates (g/km)

본 연구에서 고려한 총 16개 차종/유종 조합은 다음과 같다.

⦁승용차: 경형(휘발유), 소형(휘발유, 경유), 중형(휘발유, 경유, HEV), 대형(휘발유, 경유, HEV)

⦁버스: 소형(경유), 중형(경유), 시내(CNG), 전세광역(경유)

⦁화물차: 소형(경유), 중형(경유), 대형(경유)

온실가스 감가속 보정계수 개발

1. 차종/유종별 보정계수 개발

본 연구는 차종/유종별 온실가스 감가속 보정계수는 각 속도 구간별 기준값(가속도가 0m/s2 상태에서 온실가스 배출계수) 대비 온실가스 배출계수의 상대적인 비율로 정의하였다. 이를 위해, 본 연구는 앞선 시나리오 분석 결과를 기반으로 Equation 1을 적용하여 차종/유종별로 온실가스 감가속 보정계수를 개발하였다. 즉, 본 연구는 유저의 사용성을 제고하기 위해 산출된 온실가스 감가속 보정계수를 CSV 포맷으로 데이터베이스화 하였다(Figure 2). Figure 3는 온실가스 감가속 보정계수를 시각화한 예시이며, 그림에 표현된 바와 같이 보정계수의 값은 각 속도 구간에서 가속도가 증가할수록 증가하는 경향을 보이고 있다.

(1)
EFv,a,k,l=ERv,a,k,lERv,a=0,k,l

여기서, EFv,a,k,l는 차종 k, 유종 l, 속도 v, 감가속도 a의 온실가스 감가속 보정계수

ERv,a,k,l는 차종 k, 유종 l, 속도 v, 감가속도 a의 온실가스 배출계수(g/km)

https://static.apub.kr/journalsite/sites/kst/2024-042-03/N0210420302/images/kst_2024_423_268_F2.jpg
Figure 2.

Examples of database for acceleration correction factors

https://static.apub.kr/journalsite/sites/kst/2024-042-03/N0210420302/images/kst_2024_423_268_F3.jpg
Figure 3.

Examples of acceleration correction factors for vehicle and fuel type combination

2. 일반 차종별(승용차, 버스, 화물차) 보정계수 개발

앞서 본 연구는 총 16개의 세부 차종/유종 조합별 온실가스 감가속 보정계수를 개발하였다. 본 연구에서 개발된 온실가스 감가속 보정계수는 분석 대상 도로 링크별로 세부적인 차종/유종 구성비 자료의 구득 및 활용이 가능할 경우, 미시적 수준의 온실가스 배출량 산정이 가능할 것으로 판단된다. 다만, 통상적으로 국내 교통정보 수집 시스템을 통해 수집·제공되는 도로 링크별 교통정보는 3개의 일반 차종별(승용차, 버스, 화물차) 교통량 정보이며, 유종별 구성비는 일반적으로 데이터 구득이 어려운 실정이다.

국내 교통정보 수집 시스템의 한계를 고려하여, 본 연구는 통상적인 교통정보 수집 단위인 3개의 일반 차종별 온실가스 감가속 보정계수의 개발을 추가적으로 검토하였다. 이를 위해, 국내 차종/유종별 자동차 등록 대수의 비율을 고려하였으며, 앞서 구축된 차종/유종별 온실가스 감가속 보정계수를 가중평균하여, 3개 일반 차종별(승용차, 버스, 화물차) 온실가스 감가속 보정계수를 개발하였다. 차종/유종별 구성비는 승용차/화물차의 경우 국토교통 통계누리 자동차 등록 자료(2023년 9월 기준)를 활용하였으며, 버스의 경우 전국버스운송사업조합연합회버스통계편람(2022)을 활용하였다(Transportation Statistics Annals, 2023; National Association of Bus Transportation Operators, 2022). 다만, 해당 승용차 등록 통계자료는 차종별 등록 대수와 유종별 등록 대수를 별개로 제공하나, 차종/유종 조합별 등록 대수 자료는 제공하지 않고 있다. 본 연구는 주어진 차종별, 유종별 등록 대수 자료를 기반으로 각 조합별로 등록 대수의 비율을 가중하여, 차종/유종별 구성비를 추정하였다(Table 3). 또한 MOVES 모형은 LPG 승용차를 고려하고 있지 않으며, 이에 본 연구는 차종/유종별 구성비 추정 시 LPG 승용차는 분석 대상에서 제외하였다. 버스 통계 자료의 경우, 버스 차종별(시내, 농어촌, 시외, 고속)로 등록 대수 자료는 제공하나, 버스 유종별 등록 대수 자료는 찾아보기 어려워, 광역버스(농어촌, 시외, 고속)는 경유로, 시내버스는 CNG 버스로 가정하였다. 마찬가지로 화물차의 경우, 유종별 구성비 자료의 구득이 어려워, 모든 화물차는 경유로 가정하되, 차종별(소형, 중형, 대형) 구성비는 국토교통 통계누리 자동차 등록 자료를 기반으로 추정하였다.

Table 3.

Proportion of vehicle registration by vehicle type

Vehicle type Size Fuel type Proportion
Passenger car Light Gasoline 9.9%
Small Gasoline 0.8%
Small Diesel 0.4%
Medium Gasoline 36.0%
Medium Diesel 18.0%
Medium HEV 4.2%
Large Gasoline 19.0%
Large Diesel 9.5%
Large HEV 2.2%
Sub total 100.0%
Bus Inter-city Diesel 15.7%
Inner-city CNG 84.3%
Sub total 100.0%
Truck Small Diesel 78.3%
Medium Diesel 11.5%
Large Diesel 10.2%
Sub total 100.0%

note: HEV (Hybrid electric vehicle), CNG (Compressed natural gas)

Table 3의 국내 차종/유종별 구성비를 고려하여 Equation 2를 적용, 3개 일반 차종별 온실가스 감가속 보정계수를 산정하였으며, 분석 결과를 시각화하면 Figure 4와 같다.

(2)
ERi=ERi,j×Pi,j

여기서, ER은 차종 i의 온실가스 배출량 보정계수, Pi,j는 차종 i, 유종 j의 구성비

https://static.apub.kr/journalsite/sites/kst/2024-042-03/N0210420302/images/kst_2024_423_268_F4.jpg
Figure 4.

Acceleration correction factors for generalized vehicle type (passenger car, bus, truck)

모형 검증

1. 미시적 수준 온실가스 배출량 산정 알고리즘 설계

본 연구는 온실가스 감가속 보정계수를 기반으로 미시적 수준의 온실가스 배출량 산정 고도화 방법론을 검토하였다. 본 연구는 다음 Equation (3), (4)와 같이 도로 링크별 온실가스 배출량을 산정하는 알고리즘을 제안하였다. 즉, 링크별 온실가스 배출량은 한국교통안전공단의 국가 승인 온실가스 배출계수를 통해 추정된 온실가스 배출량에 온실가스 감가속 보정계수를 적용하는 방식이다. 여기서 개별 링크별 감가속 보정계수 값은 개별 링크를 통행하는 차량들의 감가속도 비율을 반영한 Equation 4로 결정된다.

(3)
El=ijERl,v,i,j×fl,ac
(4)
fl,ac=vafac,v,a×Pl,v,a

여기서, El는 링크 l의 총 온실가스 발생량(g),

ERl,v,i,j는 링크 l에서 구간 평균속도 v(km/h)일 때, 차종 i, 유종 j의 국가 승인 온실가스 배출계수(g/km)

fl,ac은 링크 l의 감가속 보정계수

Pv,a,l는 링크 l의 속도 v, 감가속도 a의 주행 상태 비율(%)

2. 사례분석 및 신뢰성 검증

본 연구는 GPS 차량 궤적 데이터와 같은 미시적 주행행태(초 단위 감가속도) 자료를 기반으로 미시적 수준의 온실가스 배출량 산정 알고리즘을 제안하였다. 본 연구는 제안된 알고리즘의 신뢰성 검증을 위해, 기존 국가 승인 온실가스 배출계수 식을 적용한 온실가스 배출량 추정치와 온실가스 감가속 보정계수를 적용한 미시적 수준의 온실가스 배출량 알고리즘을 적용한 온실가스 배출량 추정치의 차이 및 민감도 분석을 위한 시나리오 분석을 수행하였다. 시나리오 분석을 위해 미국환경청에서 제공하는 총 16개의 대표 차량 궤적 샘플 데이터(Figure 5)를 활용하였다(USEPA, 2023). 미국환경청은 차량의 도시부 및 고속도로 등 다양한 주행 상황을 대표하는 차량 궤적 샘플 데이터를 제공하며, 이 데이터는 미국환경청에서 관리하는 차량 배출량 및 연비 테스트를 위해서 활용된다.

https://static.apub.kr/journalsite/sites/kst/2024-042-03/N0210420302/images/kst_2024_423_268_F5.jpg
Figure 5.

Examples of drive schedules used for scenario analysis

구체적으로 국가 승인 온실가스 배출계수를 통한 온실가스 배출량 추정 시, 미국환경청의 대표 차량 궤적 샘플 데이터를 통해 전체 구간의 총 주행거리를 총 통행시간으로 나누어 구간 평균속도를 산출하고, 평균속도를 국가 승인 온실가스 배출계수 식에 대입하여, 온실가스 배출량을 산정하였다. 또한 미국환경청의 차량 궤적 데이터를 가공하여, 전체 구간에 대한 감가속도별 상대적 비율을 도출한 후, Equation 4를 적용하여 온실가스 감가속 보정계수를 적용한 온실가스 배출량을 추정하였다. Table 4는 각 시나리오별로 국가 승인 온실가스 배출계수와 본 연구에서 제안된 알고리즘을 통해 추정된 온실가스 배출량의 차이를 분석한 결과이다. 본 연구는 각 시나리오별로 중형 승용차(휘발유), 시내버스(CNG), 대형트럭(경유)를 포함하는 세 개 차종을 고려하였다. 분석 결과, 분석 알고리즘 및 차종에 따라 온실가스 배출량의 차이가 있음이 나타났다.

Table 4.

Scenarios analysis results of CO2 emissions for various drive cycles and vehicle types based on Korean emission factor model and its adjusted one

Drive
cycle
No.
Length
(km)
Average
speed
(km/h)
CO2 emissions by Korean Emission
Factor Model (g/km)
CO2 emissions adjusted by acceleration
correction factor (g/km)
Medium Sedan
(Gasoline)
Inner-city Bus
(CNG)
Large truck
(Diesel)
Medium Sedan
(Gasoline)
Inner-city Bus
(CNG)
Large truck
(Diesel)
1 1.0 18.4 268.1 1,211.2 929.6 294.5 1,919.2 1,083.1
2 7.0 62.6 131.7 663.1 541.4 126.0 677.8 524.9
3 6.6 59.5 135.6 679.9 553.7 133.1 712.6 549.1
4 17.8 34.1 187.1 893.1 707.2 169.7 1,002.0 680.2
5 16.5 77.7 125.7 596.4 492.2 93.5 454.3 378.3
6 6.3 25.6 221.0 1,028.3 802.6 204.0 1,034.3 764.4
7 0.7 17.7 273.7 1,232.8 944.5 250.5 1,244.4 902.1
8 2.2 33.9 187.9 896.4 709.6 174.0 899.0 672.3
9 15.8 39.6 171.7 830.2 662.4 168.8 1,146.2 694.7
10 11.3 41.8 166.5 809.0 647.1 162.8 1,083.0 672.0
11 1.9 11.4 352.7 1,528.3 1,145.4 322.2 1,716.7 1,120.6
12 5.8 34.6 185.8 887.6 703.3 172.5 1,090.7 694.4
13 12.0 31.5 195.9 928.6 732.4 176.9 1,020.5 701.3
14 12.9 77.3 125.7 597.8 493.2 122.0 904.8 513.0
15 15.5 29.7 202.9 956.6 752.2 182.3 1,033.6 716.3
16 17.7 36.7 179.4 861.7 684.8 178.0 1,204.2 724.9

시나리오 분석 결과의 민감도를 분석하기 위해, 두 지표 간의 유사성 검증을 위해 주로 활용되는 ME(Mean of error), MAE(Mean absolute error)와 MAPE(Mean absolute percentage error)를 고려하였다(Equations 5, 6, 7). 두 배출량 추정 모형 간의 유사성 검증 결과는 Table 5와 같다. 두 모형 간의 평균 절대 차이, 즉 MAE는 중형 승용차의 경우 14.6g/km, 시내버스 176.7g/km, 대형트럭 40.7g/km로 나타났으며, 평균 절대비 차이 MAPE는 중형 승용차 8.3%, 시내버스 15.6%, 대형트럭 6.1%로 나타났다. 전반적으로 온실가스 감가속 보정계수 적용 시, 시내버스 온실가스 배출량의 민감도가 상대적으로 크게 나타났다. 민감도 분석 결과, 도로 구간별 개별 차량의 주행행태(속도, 감가속도 등)가 온실가스 배출량에 상당한 영향을 주는 것으로 나타났다. 개별 차량의 감가속 행태를 고려하지 않는 기존 국내 온실가스 배출계수 모형 대비 본 연구에서 제안한 온실가스 배출량 산정 모형은 도로 구간별 개별 차량의 미시적 주행행태를 반영한 온실가스 배출량의 민감도를 보다 정밀하게 반영할 수 있을 것으로 기대된다. 특히 감가속 주행행태가 빈번히 발생하는 단속류 및 일부 연속류 구간에 대한 정밀한 온실가스 배출량 산정 및 온실가스 배출 저감을 위한 교통운영 전략의 효과를 예측하는 데 도움이 될 것으로 기대된다.

(5)
ME=i=1n(Ai-Fi)n
(6)
MAE=i=1n|Ai-Fi|n
(7)
MAPE=1ni=1n|Ai-FiAi|

여기서, n은 샘플수, Ft는 국가 승인 온실가스 배출계수를 적용한 CO2 배출량 추정치, At는 감가속 보정계수를 적용한 CO2 배출량 추정치

Table 5.

Comparative analysis results of CO2 emissions between Korean emission factor model and the model adjusted by acceleration correction factors

Vehicle type Mean of error Mean absolute error Mean absolute percentage error
Medium sedan (Gasoline) -11.3 14.6 8.3%
Inner-city bus (CNG) 158.9 176.7 15.6%
Large truck (Diesel) -6.9 40.7 6.1%

결론

지구온난화와 기후변화에 대한 우려와 함께 국가 온실가스 배출량 중 상당 부분을 차지하는 수송부문에 대한 온실가스 배출 저감 요구가 증가하고 있다. 수송부문 온실가스 배출 저감을 위해 유관 교통 정책 및 교통운영 전략 개발이 요구되고 있으나, 미시적 수준의 고도화된 온실가스 배출량 산정 모형의 부재로 효과적인 정책 및 전략 개발에 한계가 있다. 선행연구 검토 결과, 미시적 수준의 수송부문 온실가스 배출량 산정 모형의 고도화가 국외 연구기관을 중심으로 이루어지고 있으나, 상대적으로 관련한 국내 연구는 부족한 실정임을 확인하였다. 특히 국내 자동차 온실가스 배출계수 모형은 여러 국외 기관의 온실가스 배출량 산정 모형에서 고려하는 다양한 영향 요인(예: 차령, 감가속, 경사도 등)을 고려하고 있지 않아, 미시적 수준의 온실가스 배출량 산정에 한계가 있음을 확인할 수 있었다. 이에 본 연구는 미시적 수준의 도로 수송부문 온실가스 배출량 산정을 위해 자동차 온실가스 감가속 보정계수를 개발하고 적용 방안을 검토하였다.

본 연구는 미국환경청의 MOVES 모형에 기반하여 미국 조지아공과대학 연구팀에서 개발된 고도화된 자동차 온실가스 배출량 산정 모형인 MOVES-Matrix를 활용하여, 세부 차종/유종별 감가속 주행행태에 따른 온실가스 배출량 민감도 분석을 수행하였다. 분석 결과, 온실가스 단위 배출량은 자동차의 주행속도가 증가함에 따라 전반적으로 감소하는 특성이 있으며, 동일 속도 범위에서 가속도가 증가할수록 증가하는 특성을 확인하였다. 본 연구는 속도, 감가속도에 따른 온실가스 배출량 민감도 분석 결과를 바탕으로 차종/유종별 온실가스 감가속 보정계수를 개발하였으며, 이를 데이터베이스화 하였다. 온실가스 감가속 보정계수는 각 속도 구간별 기준값(가속도가 0m/s2 상태에서 온실가스 단위 배출량) 대비 상대적인 온실가스 배출량의 비율로 정의되며, 온실가스 배출량 민감도 분석 결과와 유사하게 각 속도 구간에서 가속도가 증가할수록 온실가스 배출량이 증가하는 특성이 반영되었다. 다만, 통상적으로 국내 교통정보 수집 시스템은 3개의 일반 차종(승용차, 버스, 화물차)을 기준으로 교통정보를 수집하며, 유종별 구성비는 데이터 구득이 어려운 실정이다. 본 연구는 국내 교통정보 수집 시스템의 한계를 감안하여, 국내 차종/유종별 자동차 등록 대수의 비율을 고려한 3개 일반 차종별 온실가스 감가속 보정계수를 추가적으로 개발하였다.

또한 본 연구는 개발된 온실가스 감가속 보정계수를 고려한 미시적 수준의 온실가스 배출량 산정 알고리즘을 제안하였다. 차량 궤적 샘플 데이터를 기반으로 시나리오 분석을 수행하였으며, 온실가스 감가속 보정계수 적용에 따른 차종/유종별 온실가스 배출량의 민감도 분석을 수행하였다. 분석 결과, 온실가스 감가속 보정계수 적용 시, 미 적용시 대비 약 6-15%의 온실가스 배출량이 차이가 있음을 확인하였다. 이를 통해, 개별 차량의 주행행태(속도, 감가속도 등)가 온실가스 배출량에 상당한 영향력이 있음을 확인할 수 있었다. 즉, 개별 차량의 감가속 행태를 고려하지 않는 기존 국내 온실가스 배출계수 모형 대비 본 연구에서 제안한 온실가스 배출량 산정 모형은 도로 구간별 개별 차량의 미시적 주행행태를 반영한 온실가스 배출량의 민감도를 보다 정밀하게 반영할 수 있을 것으로 기대된다. 특히 감가속 주행행태가 빈번히 발생하는 단속류 및 일부 연속류 구간에 대한 정밀한 온실가스 배출량 산정 및 온실가스 배출 저감을 위한 교통운영 전략의 효과를 예측하는 데 도움이 될 것으로 기대된다. 또한, 최근 다양한 고급 교통정보 수집 장치를 통해 수집되고 가공되는 교통 빅데이터와 본 연구에서 제안된 미시적 수준의 온실가스 배출량 산정 알고리즘을 결합한 통합 분석 모델을 개발함으로써, 점차 강화되는 지자체의 탄소중립 의무에 부응하여 지역 주도의 수송부문 탄소중립 정책의 평가 및 개선 방안을 도출하는 데 기여할 수 있을 것으로 기대된다.

한편, 본 연구는 일부 연구의 한계가 존재하며, 개선해야 할 점 또한 있다. 우선, 본 연구는 국가 승인 온실가스 배출계수 모형에서는 고려되나, 미국환경청의 MOVES 모형에서는 고려되지 않는 일부 차종(LGP 승용차 등)에 대한 온실가스 감가속 보정계수의 개발은 고려되지 못했다. 특히 최근 전기차와 하이브리드 차량의 비중이 점차 높아지고 있는 상황에서 친환경 차량의 온실가스 배출량 고도화를 위한 보정계수 개발에 관한 향후 연구가 필요하다. 최근 미국환경청은 MOVES 4.0을 개발·공개하였으며, 미국 조지아공과대학 연구팀은 MOVES 4.0 기반의 MOVES-Matrix 4.0을 개발 중에 있다. MOVES 4.0(또는 MOVES-Matrix 4.0) 모형 검토를 통해, 본 연구에서 고려되지 못한 차종 및 친환경 차량의 온실가스 감가속 보정계수 개발에 대한 추가 검토가 필요하다. 또한 본 연구의 온실가스 감가속 보정계수를 적용한 미시적 수준 온실가스 배출량 산정 모형에 대한 검증 및 정산이 필요하다. 특히 미국 MOVES(또는 MOVES-Matrix) 모형과 국내 배출계수 모형은 모형 개발에 고려된 차종의 제원, 구성비, 배출기준 등이 상이하기 때문에 배출계수에서 차이가 발생할 수 있으며, 따라서 미국 모형의 국내 적용에 적용하기 위해서는 추가적인 신뢰성 검증이 필요하다. 또한 본 연구는 연구의 범위를 고려하여, 단순 통계성 전국권 차량 등록대수 자료를 활용하여 세 개의 일반 차종에 대한 감가속 보정계수 개발 사례를 제시하였으며, 향후 연구에서는 차량 등록 대수 빅데이터 자료(예: 한국교통안전공단 공공데이터 서비스2))를 활용하여 보다 지역별 또는 도로 구간별로 신뢰성있는 보정계수 개발이 필요하다. 본 연구는 자동차 온실가스 배출량에 관한 여러 영향인자 중 감가속도만을 고려하였으나, 온실가스 배출량의 중요 영향인자인 경사도, 차중, 차령, 배기량, 기온 등에 관한 추가적인 보정계수 개발 검토가 필요하다. 다양한 영향인자에 관한 추가적인 보정계수 개발 및 알고리즘 적용 방법론 개발을 통해 미시적 수준의 온실가스 배출량 산정 고도화를 이룰 수 있을 것으로 기대된다.

Funding

This work was supported partly by the Korea Agency for Infrastructure Technology Advancement(KAIA) grant funded by the Ministry of Land, Infrastructure and Transport(Grant RS-2023-00242291), National Research Foundation(NRF) of Korea funded by the Korea government(MSIT) (No. NRF-2022R1G1A1003881), and INHA UNIVERSITY Research Grant.

각주

[4] 1) 기후위기 대응을 위한 탄소중립ㆍ녹색성장 기본법 (약칭 : 탄소중립기본법) [시행 2024. 1. 1.] [법률 제19208호, 2022. 12. 31., 타법개정]. (Accessed: 국가법령정보센터 https://www.law.go.kr/, Feb 20, 2024)

[5] 2) 한국교통안전공단 공공데이터 포털: https://www.kotsa.or.kr/portal/contents.do?menuCode=03030100

References

1

Ali M., Kamal M. D., Tahir A., Atif S. (2021), Fuel Consumption Monitoring through COPERT Model-A Case Study for Urban Sustainability, Sustainability, 13(21), 11614.

10.3390/su132111614
2

Government of the Republic of Korea (2020), Driving Strategies for 2050 Carbon Neutralization, 1.

3

Greenhouse Gas Inventory and Research Center (2022), 2021 National Greenhouse Gas Inventory Report of Korea, 132.

4

Guensler R., Liu H., Xu X., Xu Y. Rodgers M. O. (2016), MOVES-Matrix: Setup, Implementation, and Application (No.16-6362), Presented at 95th Annual Meeting of the Transportation Research Board, Washington, D.C.

5

Guensler R., Liu H., Xu Y., Akanser A., Kim D., Hunter M. P. et al. (2017), Energy Consumption and Emissions Modeling of Individual Vehicles, Transportation Research Record, 2627(1), 93-102.

10.3141/2627-11
6

Han T., Ko J., Kim D., Park J. (2022), Predicting Carbon Dioxide Emissions of Incoming Traffic Flow at Signalized Intersections by using Image Detector Data, The Journal of The Korea Institute of Intelligent Transport Systems, 21(6), 115-131.

10.12815/kits.2022.21.6.115
7

Hu H., Yoon C., Lee T., Yang I., Sung J. (2013), Instantaneous GHG Emission Estimation Method Considering Vehicle Characteristics in Korea, J. Korean Soc. Transp., 31(6), Korean Society of Transportation, 90-105.

10.7470/jkst.2013.31.6.090
8

Intergovernmental Panel on Climate Change (IPCC) (2022), Climate Change 2022: Mitigation of Climate Change, 252.

10.1017/9781009157926
9

Jang S., Wu S., Kim D., Song K. H., Lee S. M., Suh W. (2022), Impact of Lowering Speed Limit on Urban Transportation Network, Applied Sciences, 12(11), 5296.

10.3390/app12115296
10

Kim D. (2020), Large-Scale, Dynamic, Microscopic Simulation for Region-Wide Line Source Dispersion Modeling, Georgia Institute of Technology, Doctoral Dissertation.

11

Kim D., Ko J., Xu X., Liu H., Rodgers M. O., Guensler R. (2019), Evaluating the Environmental Benefits of Median Bus Lanes: Microscopic Simulation Approach, Transportation Research Record, 2673(4), 663-673.

10.1177/0361198119836982
12

Kim D., Liu H., Xu X., Lu H., Wayson R., Rodgers M. O. et al. (2021), Distributed Computing for Region‐Wide Line Source Dispersion Modeling, Computer‐Aided Civil and Infrastructure Engineering, 36(3), 331-345.

10.1111/mice.12639
13

Kim M. (2016), A Study on the Effects of the Car Idling Control on Greenhouse Gas Emission Reduction. Dong-A University, Master's Thesis.

10.15531/ksccr.2016.7.3.335
14

Koo B. (2013), A Study on the Estimation of Vehicle CO2 Emission using RFID, Sungkyunkwan University, Master's Thesis.

15

Korea Transportation Safety Authority (KTSA) (2021), 2021 Approved National Greenhouse Gas Emission and Absorption Factors. https://www.gir.go.kr/home/board/read.do?menuId=36&boardId=56&boardMasterId=2 (Accessed: Feb 20, 2024).

16

Liu H., Guensler R., Lu H., Xu Y., Xu X., Rodgers M. O. (2019a), MOVES-Matrix for High-performance On-road Energy and Running Emission Rate Modeling Applications, Journal of the Air & Waste Management Association, 69(12), 1415-1428.

10.1080/10962247.2019.164080631291170
17

Liu H., Kim D. (2019), Simulating the Uncertain Environmental Impact of Freight Truck Shifting Programs, Atmospheric Environment, 214, 116847.

10.1016/j.atmosenv.2019.116847
18

Liu H., Rodgers M. O., Guensler R. (2019b), Impact of Road Grade on Vehicle Speed-Acceleration Distribution, Emissions and Dispersion Modeling on Freeways, Transportation Research Part D: Transport and Environment, 69, 107-122.

10.1016/j.trd.2019.01.028
19

National Association of Bus Transportation Operators (2022), 2022 Bus Statistics Yearly Book, https://www.bus.or.kr/ (Accessed: Nov 20, 2023)

20

National Institute of Environmental Research (NIER) (2008), Establishment of Climate Change Responding System for Transportation Sector (I): Development of Bottom-up Type GHGs Emission Factor for Vehicles, NIER No. 2008-27-977.

21

National Institute of Environmental Research (NIER) (2009), Establishment of Climate Change Responding System for Transportation Sector (Ⅱ): Development of Bottom-up Type GHGs Emission Factor for Vehicles, NIER No. 2009-10-1066.

22

National Institute of Environmental Research (NIER) (2010), Establishment of Climate Change Responding System for Transportation Sector (Ⅲ): Development of Bottom-up Type GHGs Emission Factor for Vehicles, NIER No. 2010-64-1239.

23

National Institute of Environmental Research (NIER) (2011), Establishment of Climate Change Responding System for Transportation Sector (Ⅳ): Development of Bottom-up Type Pollutant & GHGs Emission Factor for Vehicles, NIER-RP2011-1306.

24

National Institute of Environmental Research (NIER) (2012), Establishment of Climate Change Responding System for Transportation Sector (Ⅴ): Development of Pollutant & GHGs Emission Factors by bottom-up approach, NIER-RP2012-204.

25

Smit R., Awadallah M., Bagheri S., Surawski N. C. (2022), Real-world Emission Factors for SUVs using On-board Emission Testing and Geo-computation, Transportation Research Part D: Transport and Environment, 107, 103286.

10.1016/j.trd.2022.103286
26

Transportation Statistics Annals (2023), Total Registered Motor Vehicles. https://stat.molit.go.kr/portal/cate/statMetaView.do?hRsId=58 (Accessed: Nov 20, 2023)

27

United States Environmental Protection Agency (USEPA) (2023), Dynamometer Drive Schedules. https://www.epa. gov/vehicle-and-fuel-emissions-testing/dynamometer-drive-schedules (Accessed: Feb 20, 2024).

28

United States Environmental Protection Agency (USEPA) (2024), Previous MOVES Versions and Documentation. https://www.epa.gov/moves/previous-moves-versions-and-documentation (Accessed: Feb 20, 2024).

29

Xu X., Liu H., Anderson J. M., Xu Y., Hunter M. P., Rodgers M. O. et al. (2016) Estimating Project-level Vehicle Emissions with VISSIM and MOVES-Matrix, Transportation Research Record, 2570(1), 107-117.

10.3141/2570-12
페이지 상단으로 이동하기