---
type: paper
slug: inyoung-kim-2020-well-to-wheel-ev-hydrogen
title: >-
  Dynamic Analysis of Well-to-Wheel Electric and Hydrogen Vehicles' Greenhouse
  Gas Emissions: Focusing on Consumer Preferences and Power Mix Changes in South
  Korea
authors:
  - '[[inyoung-kim]]'
  - '[[junghun-kim]]'
  - '[[jongsulee]]'
year: 2020
venue: '[[applied-energy]]'
volume: '260'
pages: '114281'
doi: 10.1016/j.apenergy.2019.114281
categories:
  - '[[energy-economics]]'
  - '[[consumer-choice-research]]'
methods:
  - '[[mixed-logit]]'
  - '[[discrete-choice-experiment]]'
  - '[[well-to-wheel-analysis]]'
  - '[[scenario-analysis]]'
themes:
  - '[[electric-vehicle]]'
  - '[[hydrogen-vehicle]]'
  - '[[ghg-emissions]]'
  - '[[power-mix]]'
  - '[[alternative-fuel-vehicle]]'
aliases: []
last_updated: '2026-05-20T02:07:35+09:00'
---
# Dynamic Analysis of Well-to-Wheel Electric and Hydrogen Vehicles' Greenhouse Gas Emissions: Focusing on Consumer Preferences and Power Mix Changes in South Korea

*[[inyoung-kim]], [[junghun-kim]], [[jongsulee]] (2020)* · [[applied-energy]] 260:114281 · [DOI ↗](https://doi.org/10.1016/j.apenergy.2019.114281)

> 한국 친환경차 (EV · FCEV) 의 *well-to-wheel* GHG 배출을 *소비자 선호 기반 시장 점유율 동학* 과 *전력 mix 진화 시나리오 (2020-2030)* 를 결합해 동적으로 분석. 665 명 stated-preference 설문을 [[mixed-logit]] 으로 추정 후, 8차 전력수급기본계획 (석탄 50→46%, 재생 7→20%) 을 결합해 시나리오 시뮬레이션. 결과: 2030 년 EV+FCEV 누적 보급은 약 141 만 대로 정부 목표 (325 만 대) 의 *43%* 에 불과, GHG 감축은 122,441 tCO2-e 로 수송부문 목표 (3,080 만 tCO2-e) 의 *4.7%*. FCEV 가 EV 시장 점유율을 *2.5%p 잠식* — segmentation 정책 필요.

- **RQ**: 한국의 *power mix 진화* (2020-2030, 8차 전력수급기본계획) 과 *소비자 선호 기반 AFV 보급* 을 결합하면 수송부문 GHG 감축 목표 달성 가능한가? FCEV 도입이 EV 시장 점유율에 미치는 *대체 효과* 는 얼마인가?
- **방법론**: [[discrete-choice-experiment]] (6 attribute, 32 alternative, 8 choice set), [[mixed-logit]] (MCMC + Gibbs sampling, 40,000 iteration), [[well-to-wheel-analysis]] (전력 mix + 수소 생산 경로별 LCA), [[scenario-analysis]] (2020-2030 dynamic, with/without FCEV)
- **데이터**: 한국 7 개 광역도시 665 명 face-to-face 설문 (Gallup Korea, 20-59 세), 8차 전력수급기본계획 (2018-2031), 수소경제활성화로드맵 (2019), 5,328 choice observation
- **주요 발견**: (1) Fuel type 이 가장 중요 attribute (42.3% RI), 다음 vehicle price (31.1%). (2) Hybrid · EV 가 gasoline · LPG · diesel · FCEV 순으로 선호. (3) 2030 년 누적 EV 1,188,873 대 + FCEV 221,708 대 = 141 만대, 정부 325 만대 목표의 *43%*. (4) GHG 감축 122,441 tCO2-e — 수송부문 3,080 만 tCO2-e 목표의 *4.7%*. (5) FCEV 부재 시 EV 점유율 *+2.5%p*, GHG *31,090 tCO2-e 추가*.
- **시사점**: AFV 보급만으로 INDC 수송부문 목표 미달성. *기존 차량 적극 대체 정책* 필요. EV·FCEV 의 *고객 segmentation* (FCEV → 상용/대형, EV → 개인) 으로 인프라 투자 중복 회피. 보조금·연료비 정책 유지 + de-nuclear · 재생 강화 시 GHG 추가 94,133 tCO2-e 감축 가능 (전기료 +6% 상승).

![연구 전체 흐름도: discrete choice experiment → mixed logit 으로 attribute 별 marginal utility 추정 → 시장 점유율 동학 + power mix 진화 → 연도별 GHG 배출량 산출.](/papers/202002_KimI_Dynamic_analysis_of_well_to_wheel_electric_and_hydrogen_vehicles_greenhouse_gas_emissions_Focusing_on_consumer_preferences_and_power_mix_changes_in_South_Korea/fig1.jpeg)

## 요약

이 paper 는 [[jongsulee]] 의 *3 기 (재생에너지·전동화 deepening)* AFV preference 라인의 대표 작업으로, [[jungwoo-shin-2012-ev-existing-car-usage-mdcev]] 의 EV 단독 분석 + [[junghun-kim-2018-renewable-discrete-choice]] 의 power mix 선호 분석을 결합해 *EV + FCEV + power mix dynamic* 의 통합 framework 을 완성. 기존 LCA 연구는 *cross-sectional · 단일 fuel* 이었지만 본 paper 는 *시간 진화하는 전력 mix × 소비자 선호 기반 시장 점유율* 의 곱셈으로 미래 GHG 를 예측. 한국은 에너지 수입 의존도 95% — 글로벌 well-to-wheel 데이터 그대로 못 쓰는 *수입국 특수성* (LNG GHG 가 자체 생산국 대비 +40%) 도 반영.

방법은 [[discrete-choice-experiment]] (6 attribute: fuel type, charging time, fuel economy, driving distance, vehicle type, infra share, price) + [[mixed-logit]] (Train 2009 MCMC) 으로 attribute 별 RI 추정. 핵심 발견은 *fuel type RI 42.3% (가장 중요), price RI 31.1% (2 위)* — 가격 sensitivity 가 압도적. Hybrid (β=+0.874) · EV (+0.560) > gasoline (ref) > LPG (-0.323) > diesel (-0.578) > FCEV (-0.625) 의 선호 순. FCEV 가 *가장 안 선호* 인 이유: 인프라 (2018 년 14 개 충전소) + 가격 (\$43,220, EV 의 1.5 배). Scenario simulation: 8차 전력수급기본계획 (석탄 50→46%, LNG 16→13%, 원전 26→20%, 재생 7→20%) + 기술 발전 (EV 가격 2030 년 \$12,712 로 gasoline 수준 하락) 가정 하에서, 2030 년 EV 시장 점유율 약 13%, FCEV 약 6.4%. 누적 보급량 141 만대 = 정부 325 만대 목표의 *43% 미달*.

GHG 결과: 2020 년 1,085,240 tCO2-e → 2030 년 826,978 tCO2-e (감축 122,441 tCO2-e, 모두 gasoline 일 때 대비). 수송부문 정부 감축 목표 30,800,000 tCO2-e 의 *4.7%* 에 불과. 시사점은 *AFV 신차 보급만으로 INDC 달성 불가* — 기존 2,000 만 대 등록 차량의 적극 대체 정책 동반 필요. FCEV substitution 분석: FCEV 미존재 시나리오 vs 존재 시나리오 비교 (mixed logit 의 non-IIA 활용) — FCEV 가 EV 점유율을 *2.5%p 잠식* 하면서 *31,090 tCO2-e 의 추가 감축* 도 함께 가져옴. 정책 시사점: 인프라 투자 중복 회피를 위해 *FCEV → 대형·공공 상용 (산업단지 폐쇄 운행 + 다수 차량 충전소 공유), EV → 개인용* 의 segmentation 우선. de-nuclear + 재생 40% / LNG 60% 의 *extreme scenario* 에서 추가 94,133 tCO2-e 감축 가능하나 LCOE \$195.70 → \$207.5/MWh (+6%) 상승. 한계: rebound effect, charging pattern, 차량 제조 LCA 미반영.

## 핵심 결과

Mixed logit attribute 별 평균 marginal utility, 표준편차, relative importance (RI):

| Attribute | Mean β | Std. D | RI (%) |
|---|---:|---:|---:|
| Diesel (ref. gasoline) | -0.578*** | 1.634*** | 8.1 |
| LPG | -0.323** | 1.602*** | 7.2 |
| Hybrid | +0.874*** | 1.628*** | 7.5 |
| EV | +0.560*** | 2.409*** | 10.5 |
| FCEV | -0.625*** | 1.856*** | 9.0 |
| EV charging time (10 min) | -0.710*** | 2.494*** | 4.9 |
| Fuel economy (USD/10 km) | -1.321** | 2.178*** | 7.8 |
| Driving distance (100 km) | +0.042*** | 0.132*** | 0.2 |
| Mid-size/Large (ref. compact) | +0.243** | 0.800*** | 3.9 |
| SUV/RV | +0.215* | 0.818*** | 4.0 |
| Charging station share (10%) | +0.144*** | 0.294*** | 5.8 |
| Vehicle price (10K USD) | -1.742** | 2.666*** | 31.1 |

**시장 점유율 시뮬레이션 (현재 기술 수준, 618,557 신차 기준)**: Hybrid 35.8% > Gasoline 27.6% > Diesel 14.6% > LPG 12.4% > EV 7.8% > FCEV 1.8%.

**2030 년 시나리오 결과 (with FCEV)**: 누적 EV 1,188,873 대 + FCEV 221,708 대 = 1,410,581 대 (정부 목표 3,250,000 대의 43%). GHG 총 826,978 tCO2-e — 수송부문 목표 30,800,000 tCO2-e 의 4.7% 만 달성.

**FCEV substitution 효과 (without FCEV vs with FCEV, 2030)**: EV 점유율 +2.5%p, FCEV 6.4% → 0%, GHG +31,090 tCO2-e.

\*\*\* p<0.01, \*\* p<0.05, \* p<0.10. N=665 응답자, 5,328 choice observation.

## 방법론 노트

[[mixed-logit]] 은 *IIA 위반 가능* + *individual heterogeneity 흡수* 가 강점. 본 paper 는 attribute 별 분포를 *방향 일치형* (fuel economy, driving distance, price, charging time, infra share — log-normal) 과 *방향 이질형* (fuel type, vehicle type — normal) 으로 분리해 사전 정보를 모형에 반영.

핵심 식 (random utility specification):

$$
U_{nj} = \beta_{n,\text{Die}} d_{j,\text{Die}} + \beta_{n,\text{LPG}} d_{j,\text{LPG}} + \beta_{n,\text{Hyb}} d_{j,\text{Hyb}} + (\beta_{n,\text{EV}} + \beta_{n,\text{CT}} x_{j,\text{CT}}) d_{j,\text{EV}} + \beta_{n,\text{FCEV}} d_{j,\text{FCEV}} + \beta_{n,\text{FE}} x_{j,\text{FE}} + \beta_{n,\text{DR}} x_{j,\text{DR}} + \beta_{n,\text{Mid}} d_{j,\text{Mid}} + \beta_{n,\text{SUV}} d_{j,\text{SUV}} + \beta_{n,\text{CS}} x_{j,\text{CS}} + \beta_{n,\text{Pri}} x_{j,\text{Pri}} + \varepsilon_{nj}
$$

여기서 $d_{j,\cdot}$ 은 fuel/vehicle type dummy (baseline = gasoline subcompact), $x_{j,\cdot}$ 은 연속변수 (charging time, fuel economy, driving distance, charging station share, price). Relative importance 는 attribute $k$ 의 part-worth (level range × coefficient) 를 전체 part-worth 합 으로 나눈 백분율.

$$
RI_k = \frac{1}{N} \sum_{n=1}^{N} \left( \frac{\text{part-worth}_k}{\sum_k \text{part-worth}_k} \times 100 \right)
$$

추정 전략: MCMC + Gibbs sampling — 40,000 iteration 중 처음 20,000 burn-in 폐기, 나머지 20,000 으로 conditional distribution 도출. *Scenario simulation* 의 핵심: (i) fuel economy · price · infra 의 연도별 진화 (CAGR 보간), (ii) 전력 mix 의 연도별 evolution 으로 EV 의 well-to-wheel GHG 동적 재계산, (iii) FCEV with/without 두 case 의 비교로 *substitution pattern* 식별 (mixed logit 의 non-IIA 활용).

## 연구 계보

본 paper 는 (i) Choi & Song (2018) *Applied Energy* 의 한국 EV well-to-wheel LCA (수입 의존국 특수성 식별) 의 *시간 동학 확장*, (ii) Woo, Choi, Ahn (2017) *TRD* 의 70 개국 power mix × EV GHG 비교의 *한국 deep-dive*, (iii) [[jungwoo-shin-2012-ev-existing-car-usage-mdcev]] 의 EV-기존차 사용 패턴 분석의 *FCEV 확장 + 동적화*, (iv) [[junghun-kim-2018-renewable-discrete-choice]] 의 power mix 선호 분석의 *AFV 결합* — 4 갈래의 합류점. [[jongsulee]] author page anchor *3 기 (재생에너지·전동화 deepening)* 의 대표 작업으로, *random-coefficient DCM + scenario × policy* 도구를 *transport policy* 에 정착시킨 series 의 한 축. 한국 friendly-vehicle 정책 분석 cluster 에서 *[[jaehyun-kim-2016-smartphone-reference-dependent]] (reference-dependent DCM)* · *Byun, Shin, Lee (2018, Energy)* · *Shin, Hwang, Choi (2019, TFSC)* 와 sibling.

## See also

- [[jongsulee]]
- [[inyoung-kim]]
- [[junghun-kim]]
- [[mixed-logit]]
- [[discrete-choice-experiment]]
- [[well-to-wheel-analysis]]
- [[scenario-analysis]]
- [[electric-vehicle]]
- [[hydrogen-vehicle]]
- [[ghg-emissions]]
- [[power-mix]]
- [[alternative-fuel-vehicle]]
- [[applied-energy]]
- [[jungwoo-shin-2012-ev-existing-car-usage-mdcev]]
- [[junghun-kim-2018-renewable-discrete-choice]]
- [[jaehyun-kim-2016-smartphone-reference-dependent]]