Estimating learning effects on nuclear power plants: A count data model with a varying time interval as a duration variable

허은녕, Seong-Yun Shin (1999) · Applied Economics Letters 6(10):655-658 · DOI ↗

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 깁스 샘플링 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, 깁스 샘플링 (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

허은녕 의 1기 (1998-2008) 분석 도구 확립기의 방법론 표지작. 자매 paper An Analysis on the Unplanned Outage Occurrence Rates of Korean and Taiwan Nuclear Power Plants 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 An Analysis on the Unplanned Outage Occurrence Rates of Korean and Taiwan Nuclear Power Plants 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. 허은녕 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 깁스 샘플링 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. 허은녕 의 1기 (1998-2008) 분석 도구 확립기에서 원전·정량모형 라인의 핵심 표지작이며, 자매작 An Analysis on the Unplanned Outage Occurrence Rates of Korean and Taiwan Nuclear Power Plants 가 한국-대만 비교로 cross-country 확장을 동시 publish 했다.

인접 그래프

1-hop 이웃 8개

인물 2
방법론 2
수록처 2
분류 1
논문 1

휠 = 확대/축소 · 드래그 = 이동 · hover = 라벨 · 클릭 = 페이지 이동

이 문서를 가리키는 페이지

논문 (1)

An Analysis on the Unplanned Outage Occurrence Rates of Korean and Taiwan Nuclear Power Plants

인물 (1)

허은녕