---
type: paper
slug: eunnyeongheo-1999-npp-learning-count-duration
title: >-
  Estimating learning effects on nuclear power plants: A count data model with a
  varying time interval as a duration variable
authors:
  - '[[eunnyeongheo]]'
  - '[[seong-yun-shin]]'
year: 1999
venue: '[[applied-economics-letters]]'
volume: 6(10)
pages: 655-658
doi: 10.1080/135048599352448
categories:
  - '[[energy-economics]]'
methods:
  - '[[count-data-model]]'
  - '[[poisson-regression]]'
  - '[[weibull-duration-model]]'
  - '[[gibbs-sampling]]'
  - '[[bayesian-inference]]'
  - '[[markov-chain-monte-carlo]]'
themes:
  - '[[nuclear-energy-economics]]'
  - '[[learning-curve]]'
  - '[[plant-reliability]]'
last_updated: '2026-05-20T01:59:42+09:00'
---
# Estimating learning effects on nuclear power plants: A count data model with a varying time interval as a duration variable

*[[eunnyeongheo]], [[seong-yun-shin]] (1999)* · [[applied-economics-letters]] 6(10):655-658 · [DOI ↗](https://doi.org/10.1080/135048599352448)

> 원전 운영의 학습효과를 reliability 향상과 operating cycle 결정 두 채널로 분리 측정한다. 가변 time interval 을 duration 변수로 갖는 count data 결합 모형 (Poisson × Weibull) 을 제안하고 [[gibbs-sampling]] 으로 추정. 한국 KEPCO 8 기 PWR 원전 (1978-1996) 데이터에서 자기 plant 경험과 같은 사이트의 다른 plant 경험은 신뢰도에 강한 양(+)의 학습효과를 보이나, 다른 사이트 plant 경험은 유의하지 않음 — multi-unit site 가 학습 극대화에 유리함을 시사.

- **RQ**: 원전 학습효과를 reliability 채널 (outage hazard 감소) 과 operating cycle 의사결정 채널 양쪽으로 어떻게 동시에 추정할 것인가? 자기·같은 사이트·다른 사이트의 세 가지 경험은 각각 어떻게 작동하는가?
- **방법론**: [[count-data-model]] (Poisson), [[weibull-duration-model]], [[gibbs-sampling]] (BUGS), [[bayesian-inference]] with noninformative priors
- **데이터**: 한국 KEPCO 8 기 PWR 원전, 3 개 사이트 (고리·영광·울진), 1978-1996, 첫 fuel cycle 제외. PHWR 1 기는 technical homogeneity 위해 배제
- **주요 발견**: Sumup −0.547 / Sumup² +0.697 — 경험으로 reliability 향상하다 일정 시점 후 노후화로 감소; Expersite −0.689 (유의) — 같은 site 다른 plant 경험이 학습 전이; Trafirm −0.208 (비유의) — 다른 site plant 경험은 효과 없음; Gori +0.500 — 고리 사이트는 plant 크기가 작고 오래돼 outage rate 높음; Weibull shape ν = 8.51 > 1
- **시사점**: 신규 원전을 multi-unit site 에 짓는 것이 학습효과 극대화에 유리. 단일 capacity factor 회귀는 학습효과를 spurious 식별하므로 count + duration joint 모형이 필요

## 요약

[[eunnyeongheo]] 의 1기 (1998-2008) 분석 도구 확립기의 방법론 표지작. 자매 paper [[seong-yun-shin-1999-korea-taiwan-npp-outage]] 가 한국-대만 비교에 적용한 것과 동일 framework 을 *Applied Economics Letters* 에 정식 publish 했고, 본 paper 는 한국 단일 국가 깊이 분석에 집중한다. 기존 NPP 학습효과 연구 (Joskow-Rozanski 1979; Krautmann-Solow 1992; Lester-McCabe 1993) 는 capacity factor 를 선형 회귀로 분석했으나 Sturm (1991) 이 지적했듯이 production dynamics 무시로 인해 학습이 없을 때조차 spurious 학습계수를 산출하는 문제가 있었다. 본 연구는 unplanned outage count 를 reliability 의 직접 지표로 삼고, operating cycle 길이 결정에도 학습이 반영된다는 통찰 (refueling 시점을 언제로 잡을지가 운영자 의사결정) 을 모형화한다.

핵심 추정 결과는 풍부하다 — Sumup 의 linear (-0.547) 와 quadratic (+0.697) 계수가 모두 유의해 reliability 학습효과가 inverted-U 형태로 나타남을 보인다. 초기 누적 경험은 outage hazard 를 빠르게 감소시키지만 일정 시점 후 장비 노후화 (wearing out) 효과가 학습효과를 능가하기 시작한다. Expersite (-0.689) 의 강한 음(-) 유의 계수는 같은 사이트에 다른 plant 가 운영 중일 때 신설 plant 가 그 know-how 를 즉시 흡수할 수 있음을 보여준다. 반면 Trafirm (-0.208, 비유의) 은 KEPCO 가 모든 plant 를 단일 운영자로 관리함에도 사이트 간 학습 전이는 미미함을 시사한다 — 학습은 site-local 한 암묵지 (tacit knowledge) 의 성격이 강하다는 의미. Gori dummy (+0.500) 의 양(+) 계수는 고리 사이트의 587/650 MW 소형 1세대 plant 들의 outage 가 신형 (950/1000 MW) plant 들보다 잦았던 mixed effect (size + vintage) 반영.

본 연구의 한계는 sample 이 한국 8 기에 한정되고 (cross-country 검증은 [[seong-yun-shin-1999-korea-taiwan-npp-outage]] 의 별도 시도), Weibull 의 Sumup² 가 10% 수준에서도 비유의해 cycle 길이의 inverted-U 해석이 약화된다는 점. 다만 본 paper 의 핵심 정책 시사 — "신규 원전은 기존 사이트에 증설하는 것이 단독 신규 사이트보다 학습효과 극대화에 유리" — 는 한국 원전 사업의 multi-unit site 전략 (각 사이트당 4-6 기 운영) 의 정당화 근거로 인용 가능하다. [[eunnyeongheo]] 의 *정량 모형으로 에너지·자원 부문 인과를 식별* 하는 시그니처 연구 스타일의 시발점.

## 핵심 결과

**모형 추정 (BUGS Gibbs sampling, posterior mean ± SE; noninformative priors)**

| 변수 | 추정치 | SE | 채널 |
|---|---:|---:|---|
| Constant | 0.8785 | 0.0884 | Poisson |
| Sumup | −0.5473 | 0.2613 | outage hazard |
| (Sumup)² | +0.6965 | 0.2614 | outage hazard (curvature) |
| Expersite | −0.6886 | 0.1520 | outage hazard (유의) |
| Trafirm | −0.2078 | 0.2521 | outage hazard (비유의) |
| Gori dummy | +0.5002 | 0.2552 | outage hazard (사이트 효과) |
| Sumup$^w$ | −1.3150 | 0.4714 | Weibull cycle duration |
| (Sumup$^w$)² | +0.3188 | 0.4907 | Weibull (비유의) |
| Expersite$^w$ | +0.0216 | 0.1745 | Weibull (비유의) |
| Weibull shape $\nu$ | 8.5080 | 0.7596 | duration hazard |

**해석:** (i) Sumup ↓ + Sumup² ↑ 의 inverted-U: 자기 plant 경험이 초기 reliability 를 크게 향상시키지만 노후화가 일정 시점부터 우위. (ii) Expersite 의 강한 음(-) 효과는 *같은 site* 의 학습 전이가 유의함을 의미 → multi-unit site 정책 정당화. (iii) Trafirm 비유의: 사이트 간 학습 전이는 미약. (iv) Gori 사이트의 outage hazard 가 높은 것은 plant size (587-650 MW) × vintage 의 혼합 효과. (v) Weibull duration 모형에서 cycle 길이의 학습효과는 linear 음(-) 계수만 유의하고 quadratic 은 비유의 — cycle 의사결정 학습은 reliability 학습보다 약하게 식별. (vi) $\nu = 8.51 > 1$ 은 operating spell 이 길어질수록 refueling outage hazard 증가 — 합리적 결과.

## 방법론 노트

기존 capacity factor 선형 회귀가 생산 dynamics 를 무시해 학습이 없을 때조차 spurious 학습계수를 산출하는 문제를 우회하려면 count + duration 의 stochastic 구조를 함께 모형화해야 한다. 핵심 통찰은 operating cycle 길이 자체가 운영자의 학습 기반 의사결정 (refueling timing) 의 결과이므로 종속변수로 다뤄야 한다는 점.

핵심 식 — 가변 time interval Poisson count 와 Weibull duration 의 결합:

$$
f(y_i \mid t_i, \lambda_i) \sim \text{Poisson}(\lambda_i t_i), \quad f(t_i \mid \gamma_i, \nu) \sim \text{Weibull}(\gamma_i, \nu)
$$

여기서 $y_i$ 는 $i$ 번째 cycle 의 unplanned outage 수, $t_i$ 는 두 refueling 사이 operating spell 길이, $\lambda_i = \exp(x_i^o \beta^o)$ 는 outage intensity rate, $\nu = \exp(x_i^d \beta^d)$ 는 hazard scale, $\gamma_i$ 는 Weibull shape parameter. Weibull hazard $h(t) = \nu \gamma t^{\gamma-1}$.

식별 전략은 세 경험 변수 (Sumup, Expersite, Trafirm) 를 두 채널에 동시 투입해 reliability 학습과 cycle 결정 학습을 분리 추정. joint density 의 analytical 도출이 까다로워 conditional 분포만 활용하는 [[gibbs-sampling]] 으로 estimation. BUGS 의 그래프 표현 $P(V) = \prod_u P(u \mid \text{parent}[u])$ 가 modular 모형 구축을 가능하게 함. Prior 는 noninformative — 회귀계수에 $N(0, 10^4)$, Weibull scale 에 Gamma$(1, 10^{-3})$. Sumup 의 inverted-U 형태는 wearing-out vs learning 의 trade-off 를 implicit 식별 (별도 노후화 변수 없이 quadratic term 이 곡률 포착).

## 연구 계보

본 paper 는 NPP 학습효과의 capacity-factor 선형회귀 전통 (Joskow-Rozanski 1979 *RES*; Krautmann-Solow 1992; Lester-McCabe 1993 *RAND J. Econ.*) 의 spurious 학습 문제 (Sturm 1991 박사논문, Stanford) 를 count + duration 결합으로 우회한다. 방법론은 Hausman-Hall-Griliches (1984 *Econometrica*) 의 count data 전통, King (1989) 의 unified methodology, Gilks-Richardson-Spiegelhalter (1996) 의 MCMC 와 BUGS 의 Bayesian Gibbs 구현 (Spiegelhalter et al. 1996) 을 잇는다. [[eunnyeongheo]] 의 1기 (1998-2008) 분석 도구 확립기에서 *원전·정량모형* 라인의 핵심 표지작이며, 자매작 [[seong-yun-shin-1999-korea-taiwan-npp-outage]] 가 한국-대만 비교로 cross-country 확장을 동시 publish 했다.

## See also

- [[eunnyeongheo]]
- [[seong-yun-shin-1999-korea-taiwan-npp-outage]]
- [[applied-economics-letters]]
- [[count-data-model]]
- [[poisson-regression]]
- [[weibull-duration-model]]
- [[gibbs-sampling]]
- [[bayesian-inference]]
- [[nuclear-energy-economics]]
- [[learning-curve]]