---
type: paper
slug: hwarang-lee-2022-ccs-steel
title: >-
  Economic impacts of carbon capture and storage on the steel industry: A hybrid
  energy system model incorporating technological change
authors:
  - '[[hwarang-lee]]'
  - '[[jeongeun-lee]]'
  - '[[yunmokoo]]'
year: 2022
venue: '[[applied-energy]]'
doi: 10.1016/j.apenergy.2022.119208
categories:
  - '[[energy-economics]]'
  - '[[environmental-economics]]'
methods:
  - '[[hybrid-energy-system-model]]'
  - '[[learning-by-doing]]'
  - '[[computable-general-equilibrium]]'
themes:
  - '[[carbon-capture-and-storage]]'
  - '[[steel-industry]]'
  - '[[technology-learning-curve]]'
aliases: []
last_updated: '2026-05-20T02:07:35+09:00'
---
# Economic impacts of carbon capture and storage on the steel industry: A hybrid energy system model incorporating technological change

*[[hwarang-lee]], [[jeongeun-lee]], [[yunmokoo]] (2022)* · [[applied-energy]] · [DOI ↗](https://doi.org/10.1016/j.apenergy.2022.119208)

> 한국 *철강 산업의 CCS (carbon capture and storage)* 도입 시 *2050 단가 64% 하락 (학습률 20%)* 이 *철강 생산 손실 60% 완화 + GDP 손실 0.3%p 감소*. [[hybrid-energy-system-model]] 에 *내생적 기술학습 (endogenous learning)* 을 통합한 *방법론적 진보*. 37 회 인용 — *2 기 → 3 기 (2022-2026) 전환* 의 핵심 작업.

- **RQ**: 한국 철강 산업의 CCS 도입의 *경제적 타당성* 은? *기술 학습* 으로 인한 비용 감소가 도입 결정에 미치는 영향은?
- **방법론**: [[hybrid-energy-system-model]] + *내생적 [[learning-by-doing]]* (CGE + bottom-up 의 *learning curve 통합 iterative algorithm*) — [[hwarang-lee-2020-hybrid-energy-manufacturing]] 의 발전
- **데이터**: 한국 철강 산업 부문 + CCS 비용 학습 곡선 (10% / 20% 학습률 + no-learning baseline), 4 시나리오 (BAU, CCS_NL, CCS_LR10, CCS_LR20)
- **주요 발견**: (1) **2050 CCS 단가 64% 감소** (학습률 20%, 누적 capacity 증가 기준). (2) 추가 자본·노동 비용 60% 감소. (3) **철강 생산 손실 60% 완화**. (4) **GDP 손실 0.3%p 감소** (CCS_NL 대비). (5) *충분한 비용 감소* 시 CCS 가 *철강 산업의 거부감* 을 극복.
- **시사점**: CCS 의 *초기 고비용 (initial high cost)* 이 정책 결정을 가로막지만 *학습률 20% 가정* 시 *2050 경제적 타당성 확보*. 정부의 *초기 보조금* 이 학습 경로의 *seed*. 모형 측 — bottom-up (기술 수준 CCS 비용) + CGE (거시 효과) 의 *내생 학습 통합* 은 *방법론적 진보*.

![](/papers/202207_LeeH_Economic_impacts_of_carbon_capture_and_storage_on_the_steel_industryA_hybrid_energy_system_model_incorporating_technological_change/fig5.jpeg)

*Fig. 5 — 4 시나리오 (BAU, CCS_NL, CCS_LR10, CCS_LR20) 의 철강 가격·생산 추이.*

## 요약

이 paper 는 [[yunmokoo]] 의 *2 기 → 3 기 전환* (2022 Georgia Tech 방문 시기) 의 핵심 작업. [[hwarang-lee-2020-hybrid-energy-manufacturing]] (hybrid 모형 기초) + [[hansung-kim-2020-learning-by-doing-iterative]] (LBD iterative) 의 *두 도구를 통합* — *내생적 기술 학습을 포함한 hybrid 모형* 의 *최초 응용*. 한국의 *철강 산업 탄소중립* 이라는 *국가적 정책 과제* 에 적용한 정점 작업.

방법론적 핵심은 *iterative algorithm 의 학습 곡선 endogenous 처리*. (i) Bottom-up — CCS 의 *기술 수준 비용* (자본·운영·유지 모두) 을 누적 capacity 의 함수로. (ii) CGE — 철강 생산·가격·GDP 의 거시 효과. (iii) 학습 곡선 — $c_t = c_0 (Q_t/Q_0)^{-b}$, 학습률 $1-2^{-b}$. 두 모형의 soft-link iterative 으로 *균형 비용 + 균형 capacity* 동시 수렴.

핵심 발견: 학습률 20% 시나리오에서 *2050 CCS 단가 64% 감소* — 누적 설치 capacity 가 증가하면서 비용이 *경제성 한계점* 을 넘어선다. 자본·노동 비용 60% 감소 → 철강 산업의 *대체 손실 60% 완화* → GDP 손실 0.3%p 감소.

흥미로운 *비용 reduction 의 비대칭 효과*: CCS_NL (학습 무) vs CCS_LR20 의 *비용 차이가 시간에 따라 증폭* — 학습 곡선의 *비선형성* 이 *long-term 경제성 격차* 의 결정 요인. 정책 함의: 초기 *고비용 단계* 의 정부 보조금이 *학습 경로 seed* 역할 — *시장 자체로는 학습 시작점에 도달 어려움*.

[[yunmokoo]] 의 *연구 궤적* 안에서 이 paper 는 *2 기 → 3 기 (2022-2026) 전환점*, [[hwarang-lee-2020-hybrid-energy-manufacturing]] 후속 + 이전 [[hansung-kim-2020-learning-by-doing-iterative]] 도구 결합. 후속 [[hwarang-lee-2024-sector-coupling]] (2024 섹터 커플링), [[chang-kibyeong-2025-unicon-net-zero]] (2025 UNICON) 의 *방법론 기반*.

## 핵심 결과

| 시나리오 | 2050 CCS 단가 감소 | 자본·노동 비용 감소 | 철강 생산 손실 완화 | GDP 손실 감소 |
|---|---:|---:|---:|---:|
| CCS_NL (학습 무) | 0% | 0% | (기준) | (기준) |
| CCS_LR10 (학습률 10%) | 약 50% | 약 50% | 약 50% | 약 0.2%p |
| **CCS_LR20 (학습률 20%)** | **64%** | **60%** | **60%** | **0.3%p** |

- CCS 비용의 *학습 곡선이 정책 결정에 결정적*
- 초기 보조금이 *학습 경로 seed* — 시장 자체로는 시작점 도달 어려움
- *방법론적 진보*: hybrid 모형의 *내생적 기술 학습 통합*

## 방법론 노트

[[hybrid-energy-system-model]] + 내생 [[learning-by-doing]] iterative algorithm:

```
Initialize: c_t^(0) for all t (no learning baseline)
Iterate n = 0, 1, 2, ...:
  1. Bottom-up: given c_t^(n), solve CCS capacity Q_t* for all t
  2. Apply learning: c_t^(n+1) = c_0 * (Q_t* / Q_0)^(-b)
  3. CGE: given technology costs, solve macro variables (output, GDP)
  4. Update demand → bottom-up demand input
  5. Converge if ∥c_t^(n+1) - c_t^(n)∥ < ε
```

학습 곡선 (Wright 1936): $c(Q) = c_0 \cdot Q^{-b}$, learning rate $LR = 1 - 2^{-b}$. $b = 0.32$ → LR=20%; $b = 0.152$ → LR=10%.

식별 가정: (i) 학습률이 *exogenous* (정책으로 변하지 않음), (ii) bottom-up + CGE soft-link 수렴, (iii) 철강 외 다른 부문의 *CCS 학습 spillover* 무시.

## 연구 계보

이 paper 는 (i) Wright (1936), Argote & Epple (1990) 의 [[learning-by-doing]] 정통, (ii) IEA (2010) 의 *CCS roadmap*, (iii) [[hwarang-lee-2020-hybrid-energy-manufacturing]] (hybrid 모형) + [[hansung-kim-2020-learning-by-doing-iterative]] (LBD iterative) 직접 선행 — 의 결합. [[yunmokoo]] 의 *연구 궤적* *2 기 → 3 기 전환점*, [[chang-kibyeong-2025-unicon-net-zero]] 의 방법론 기반.

## See also

- [[yunmokoo]]
- [[hwarang-lee]]
- [[jeongeun-lee]]
- [[hybrid-energy-system-model]]
- [[learning-by-doing]]
- [[carbon-capture-and-storage]]
- [[steel-industry]]
- [[applied-energy]]
- [[hwarang-lee-2020-hybrid-energy-manufacturing]]
- [[hansung-kim-2020-learning-by-doing-iterative]]