에너지 기술 학습 곡선에 대한 고찰
2020-01-28
org.kosen.entty.User@3cb6e959
김영재(ykim445)
1. 개요
전기 자동차 및 태양광의 수요가 활발해지면서 시장 변화에 따른 전기 자동차 배터리 및 태양광 모듈의 가격은 빠른 속도로 하강하고 있다는 것이다. 이러한 가격하락에 영향을 미치는 요인은 어떠한 것들이 있으며, 그 요인을 경제학자들은 어떠한 식으로 풀어낼 것인가에 대한 질문에 답을 찾고자 한다.
거시경제 성장 이론에서 솔로 [1]와 같은 신고전학파 경제학의 성장 모델은 원래 다른 요인이나 변수와 무관하게 기술적 변화를 외생적 변수로 다루어 왔다. 그러나 이러한 가정은 관찰된 성장의 큰 구성요소를 설명할 수 없게 하기 때문에 이제는 내생적 기술 변화라는 말은 이제 새로운 용어가 아닌 익숙한 용어가 되어 온지 꽤 오래 되었다.
수십 년간의 연구에도 불구하고, 기술적 변화와 비용 절감에 기여하는 요인에 대한 학계의 이해는 여전히 제한적이다. 누적 생산량이 증가함에 따라 관측된 단위 비용의 감소를 설명하기 위해 다양한 이론이 제안되었다. 본 보고서에서는 내생적 기술 변화가 어떻게 기술적으로 표현되는지 One factor learning curves (학습 곡선)과 Two factors 학습 곡선을 통해서 살펴 보고자 한다. 또한 현재 내생적 기술 변화의 표현이 가지고 있는 한계 및 앞으로 나아갈 방향에 대해서 살펴보고자 한다.
2. 본론
Grubb와 Kohler [2]는 "기술적 변화가 외생적 변수로 통합될 때, "외생적 기술 변화"가 발생한다고 제안한다: 시간을 통해 특정 종류의 기술의 효율 개선 및 비용 감소에 관한 데이터로써 입력된 특정 가정을 통해 반영된다고 보고 있다. 이는 에너지 모델링의 경우에 활용되는 기본적인 가정이다. 따라서, 외생적인 기술적 변화는 기술적 변화가 주로 자율적인 과정임을 시사한다. 즉, 다른 정책이나 경제적 변수에 의존하지 않는 방식으로만 일어난다는 것이다. 이러한 형태의 기술 변화를 모델링하는 것은 정책에 거의 반응하지 않는 출처에서 기술적 변화가 발생할 것이라는 것을 의미한다고 해석할 수 있다.
그러나, Grubb와 Kohler [2]에서도 언급했듯이, "기술변화에 관한 광범위한 문헌에서, 기술변경은 자율적인 과정이 아닌 것으로 인정된다: 그것은 정부의 연구 개발, 기업기술투자, 규모의 경제효과와 같은 식별 가능한 과정의 결과로 발생한다. 현실적으로는 민간이 주도하고 정부 정책, 시장 상황, 투자, 기대 등에 대응하여 엄청난 기술적 변화를 유도한다. 따라서 모델링 측면에서 기술적 변화는 정말로 내생적이어야 한다. 즉, 모델 내에 반영된 다른 매개변수에 의존해야 한다고 볼 수 있다.
내생적인 기술 변화를 모델링하는 핵심 목표는 기술의 확산과 비용 절감을 촉진하거나 연구개발 자금을 제공하는 정책의 기능으로써 기술이 어떻게 변화하는지 이해하는 것이다. 또한 내생적인 기술 변화 모델은 다른 부문, 즉 “Spillover" 효과를 이해하는 동일한 요소의 비용 절감 기능으로써의 한 부문에서 비용 절감 또는 기술 요소의 중요성을 이해하여야 한다.
환경정책과 혁신분야의 일부 저자들은 환경정책수단을 "Technology push" 또는 "Demand pull"로 분류하는 접근방식을 취한다. Technology push 정책이란 Research and Development (R&D) 정책과 같이 기술 개발을 위해서 직접적으로 도움을 주는 정책적 기제를 일컫는다. 이러한 정책적 기제는 새로운 지식의 공급 및 생성을 촉진한다. 이에 반해서 Demand pull 정책이란 수요를 창출함으로써 기술 발전에 간접적으로 도움을 주는 정책적 기제를 가리킨다. 이는 신기술 시장의 규모에 영향을 미친다.
이 분류법은 과거에는 Innovation studies[1] 문헌에 사용되었으며, 테일러[3]에 따르면, 환경 시스템에 영향을 미치는 정책의 다양성을 최적으로 그리고 가장 유용한 특성화하지는 못하더라도, 최근 다양한 학계에 인기를 끈 구분법임에는 틀림없다.
전반적인 학습이나 비용 절감을 고려하던 일부 연구자들은 경험적 경험 곡선에서 도출된 전반적인 학습 속도가 이러한 모델이 R&D 지출을 고려하지 않기 때문에 실제 수행별 기여를 현실보다 크게 측정할 수 있다고 제안한다 [4,5]. 이러한 우려로 인해 복수의 매개변수를 통합한 다른 학습 모델이 개발되었다.
3. One factor learning curve
수많은 기술과 제품에 걸쳐 생산 단가와 누적 생산 사이의 관계를 경험적으로 관찰한 문헌이 많다. 이 관계를 "경험 곡선" 또는 "학습 곡선"이라고 불렀으며, 일반적으로 다음과 같은 일반적인 형태를 취하는 것으로 나타났다 [6]. 간단하게 설명하면, 태양광 발전 설비를 두배 늘렸을 경우의 생산 단가가 얼마나 떨어지는가를 보는 것이라고 이해하면 빠르다.
Y= 단위 생산단가
X=누적된 경험치(보급량)
이 모델 형태의 원래 유래는 "Learning-by-doing"(LBD)이라는 현상을 반영하는 것으로부터 시작한다. 비용과 에너지 기술의 누적 설치능력은 기술적 변화의 근본적인 요소와 과정에 대한 설명을 거의 제공하지 않는다. 또한 이 두 변수 사이의 인과관계에도 추론이 없다.
아주 간단하게 표현된 이식은 아주 큰 통찰력을 제공해 주기는 하지만, 실제 수 많은 중요한 다른 요인들을 빼놓고 있다. 특히 기술의 가격 하락이 R&D 투자로 인해서 일어나는 현상이기도 하지만, 그 부분을 간과하고 있는 것이 특징이다.
이에 에너지 기후변화 모델링 학계에서도 모델의 편이성을 위해서 과거에는 많이 사용하여 왔지만, 이제는 이보다 더 나은 가정이 필요하다는 것에 동의하는 편이다. 이후에 나온 것이 다음으로 소개할 Two factor 학습 곡선이다.
4. Two factors learning curve
앞에 언급한 One factor 학습 곡선을 바탕으로 기술 생산 비용의 변화에 기여하는 추가 요인을 고려하기 위해 대체 모델이 개발되었다. "이계수 학습 곡선" 모델은 누적 R&D 지출과 누적 생산량 또는 용량이 기술 비용 절감의 주요 동인으로 가정되는 관계를 설명한다 [4]. 공공 및 민간 연구 개발 모두 이러한 비용 절감에 기여할 수 있다는 것이 널리 인정되지만, 민간 연구 개발 데이터는 일반적으로 공개적으로 이용할 수 없기 때문에 이 연구 영역에는 공공 연구 개발 지출만 포함되는 경우가 많다.
Bibd = learning by doing 파라미터
Bibr = learning by researching 파라미터
R&D =누적 R&D 투자액
여러 연구자가 이 공식화를 실증적으로 증명하였다 [7]. 제임스는 영국 내 정부 및 민간 R&D 지출의 합산 추정치를 사용하여 기술 비용 절감에 대한 R&D 지출의 영향을 조사했다 [4]. 이 모델은 1980-2001년 동안 12개의 발전 기술에 대한 누적 설치 용량 데이터(학습 기준)와 결합되었다. 연구는 성숙된 기술(예: 분쇄된 석탄 발전소, 천연가스 복합 사이클 플랜트, 대형 수력 발전), 재생 기술(예: 새로운 복합 사이클 플랜트, 복합 열과 전력, 소형 수력 발전), 발전 기술(예: 원자력 및 풍력 발전), 그리고 신흥 기술(예: 태양열 화력 및 연안 풍력 터빈 기술)을 포함했다. R&D 지출은 정부 R&D 데이터베이스, R&D를 포함한 출처에 대한 광범위한 조사를 통해 추정되었다.
전문 기업에 대한 지출 추정치 및 민간 R&D 투자를 추정하는 몇 가지 간접적인 방법 그 결과는 연구 개발 대 학습의 중요성을 보여주고 있다.
다양한 기술 범주에 걸쳐 다양했지만, 일반적으로, R&D는 모든 기술 개발 단계에서 학습하는 것보다 비용 절감에 더 많은 기여를 했다. 또한 이 연구는 두 요소 사이의 대체 탄력성이 매우 낮다는 것을 발견했다. 즉, 연구개발 지출과 용량 확장은 뚜렷하게 다르며 상호 교환이 불가능했다. 그러나 다른 연구에서도 시간적 지연비용 감소와 누적 R&D 비용 또는 R&D 기반 지식 재고 상당한 상관관계가 있음을 발견했다.
5. 고찰
에너지 관련 기술의 미래 비용 추세를 예측하거나 모형화하기 위한 단일 요인 경험 곡선의 사용은 많은 다른 불확실성에 의해 좌우된다. 학습 곡선은 과거에 기술이 어떻게 발전해 왔는지를 설명하지만, 앞에서 살펴본 학습 곡선들은 미래에 기술이 어떻게 발전할지에 대한 매우 제한적인 통찰력을 제공할 뿐이다. 개발 중인 신기술이나 다른 기술에 특정 기술에 대한 역사 학습 곡선의 적용은 논쟁의 여지가 더 많다.
마지막으로, 선택된 기술에 대해 경험곡선의 "최상의" 기능적 형태가 있는지의 여부가 문제가 발생한다. 즉, 학습 속도는 시간이 지남에 따라 일정하게 유지되는가, 아니면 모델링 기간에 따라 변화되는가? 비용은 항상 감소하는가, 아니면 또한 감소할 수 있는가? 만약 그렇다면, 왜, 언제 또는 어떻게 증가하는가? 그러한 것에 대한 명확한 해답은 아직 없기 때문이다. 이러한 질문들이 에너지-경제 모델의 결과에 상당한 영향을 미칠 수 있는 불확실성의 원천이라는 것을 인식하는 것이 중요하다.
유사한 불확실성은 다중 요인 학습 모델에 영향을 미친다. 예를 들어 요소 수준의 불확실성은 시스템 수준의 불확실성으로 이어진다. 따라서 1-요인 학습 곡선을 사용할 때와 동일한 문제와 한계가 발생한다. 기술습득은 언제 시작되고 끝나는가? 적절한 학습률 또는 진행률은 얼마인가? 이는 설치된 용량 외에 어떤 다른 요인들이 비용 변동을 야기할 것이다. 이러한 요인들을 이 모델에 명시적으로 포함하지 않을 경우, 어떤 영향을 미칠 것인가? 용량이나 경험의 적절한 척도는 무엇인가? 후자의 질문은 그 결과, "Spillover" 효과의 추가적인 문제를 제기한다. 예를 들어, 학습은 다양한 기술이나 응용 분야에 걸쳐 어느 정도까지 공유되고 있는가라는 질문에 실제로 석유 및 가스 산업의 탄소 포획 시스템의 학습 효과는 전기 유틸리티 산업에 직간접적으로 (spillover 효과) 도움이 될 수 있다. 하지만 이런 학습 효과와 spillover effect가 어떠한 상황에서 일어나는지에 대한 부분은 보다 심층적인 연구가 필요한 상황이다.
6. 결론
기술 변화에 대한 다른 최근의 접근방식은 경험곡선 형성의 시간을 통합하여 시간이 지남에 따라 외부적으로 발생할 수 있는 진전의 효과와 진정한 학습의 효과를 명시적으로 분리하고 있다. 그러한 접근방식은 외생적인 기술적 변화의 비율이 일정하다고 주장한다. 그것은 산업 밖에서의 유출이 연구 개발, 규모나 범위의 경제, 외생적인 근본적인 발명, 재료나 노동의 가격 변화와 같이 학습에 의해 독립적인 것이다.
이러한 요소들의 통합은 기술에 대한 실제 학습의 비율이 훨씬 더 적다는 것을 의미한다. 현재까지 모델은 높은 수준의 기술 집적(경제 분야)에서만 시험되었다. 다른 다변량 공식과 마찬가지로, 특정 기술(또는 기술 등급)에 대해 모델을 개발하고, 테스트하기 위한 경험적 데이터는 실제로도 제한되거나 사용할 수 없다.
앞에서 살펴본 One factor 경험 곡선 및 Two factors 경험곡선 이외에도 다변량 공식으로 점차 나아가는 추세이기는 하나, 기후경제 모형에 적용하기에는 아직까지 여러가지 한계도 많은 것 또한 사실이다. 앞으로 보다 많은 연구가 이 분야에 이루어져 다변량 공식에 대한 실증적인 연구도 많이 이루어지기 바란다.
References
5. Clarke, L., Weyant, J. & Birky, A., 2006. On the sources of technological change: Assessing the evidence. Energy Economics, 28(5-6), pp.579–595.
6. Arrow, K.J., 1962. The economic implications of learning by doing. The review of economic studies, pp.155–173.
7. Söderholm, P. & Sundqvist, T., 2007. Empirical challenges in the use of learning curves for assessing the economic prospects of renewable energy technologies. Renewable Energy, 32(15), pp.2559–2578.
전기 자동차 및 태양광의 수요가 활발해지면서 시장 변화에 따른 전기 자동차 배터리 및 태양광 모듈의 가격은 빠른 속도로 하강하고 있다는 것이다. 이러한 가격하락에 영향을 미치는 요인은 어떠한 것들이 있으며, 그 요인을 경제학자들은 어떠한 식으로 풀어낼 것인가에 대한 질문에 답을 찾고자 한다.
거시경제 성장 이론에서 솔로 [1]와 같은 신고전학파 경제학의 성장 모델은 원래 다른 요인이나 변수와 무관하게 기술적 변화를 외생적 변수로 다루어 왔다. 그러나 이러한 가정은 관찰된 성장의 큰 구성요소를 설명할 수 없게 하기 때문에 이제는 내생적 기술 변화라는 말은 이제 새로운 용어가 아닌 익숙한 용어가 되어 온지 꽤 오래 되었다.
수십 년간의 연구에도 불구하고, 기술적 변화와 비용 절감에 기여하는 요인에 대한 학계의 이해는 여전히 제한적이다. 누적 생산량이 증가함에 따라 관측된 단위 비용의 감소를 설명하기 위해 다양한 이론이 제안되었다. 본 보고서에서는 내생적 기술 변화가 어떻게 기술적으로 표현되는지 One factor learning curves (학습 곡선)과 Two factors 학습 곡선을 통해서 살펴 보고자 한다. 또한 현재 내생적 기술 변화의 표현이 가지고 있는 한계 및 앞으로 나아갈 방향에 대해서 살펴보고자 한다.
2. 본론
Grubb와 Kohler [2]는 "기술적 변화가 외생적 변수로 통합될 때, "외생적 기술 변화"가 발생한다고 제안한다: 시간을 통해 특정 종류의 기술의 효율 개선 및 비용 감소에 관한 데이터로써 입력된 특정 가정을 통해 반영된다고 보고 있다. 이는 에너지 모델링의 경우에 활용되는 기본적인 가정이다. 따라서, 외생적인 기술적 변화는 기술적 변화가 주로 자율적인 과정임을 시사한다. 즉, 다른 정책이나 경제적 변수에 의존하지 않는 방식으로만 일어난다는 것이다. 이러한 형태의 기술 변화를 모델링하는 것은 정책에 거의 반응하지 않는 출처에서 기술적 변화가 발생할 것이라는 것을 의미한다고 해석할 수 있다.
그러나, Grubb와 Kohler [2]에서도 언급했듯이, "기술변화에 관한 광범위한 문헌에서, 기술변경은 자율적인 과정이 아닌 것으로 인정된다: 그것은 정부의 연구 개발, 기업기술투자, 규모의 경제효과와 같은 식별 가능한 과정의 결과로 발생한다. 현실적으로는 민간이 주도하고 정부 정책, 시장 상황, 투자, 기대 등에 대응하여 엄청난 기술적 변화를 유도한다. 따라서 모델링 측면에서 기술적 변화는 정말로 내생적이어야 한다. 즉, 모델 내에 반영된 다른 매개변수에 의존해야 한다고 볼 수 있다.
내생적인 기술 변화를 모델링하는 핵심 목표는 기술의 확산과 비용 절감을 촉진하거나 연구개발 자금을 제공하는 정책의 기능으로써 기술이 어떻게 변화하는지 이해하는 것이다. 또한 내생적인 기술 변화 모델은 다른 부문, 즉 “Spillover" 효과를 이해하는 동일한 요소의 비용 절감 기능으로써의 한 부문에서 비용 절감 또는 기술 요소의 중요성을 이해하여야 한다.
환경정책과 혁신분야의 일부 저자들은 환경정책수단을 "Technology push" 또는 "Demand pull"로 분류하는 접근방식을 취한다. Technology push 정책이란 Research and Development (R&D) 정책과 같이 기술 개발을 위해서 직접적으로 도움을 주는 정책적 기제를 일컫는다. 이러한 정책적 기제는 새로운 지식의 공급 및 생성을 촉진한다. 이에 반해서 Demand pull 정책이란 수요를 창출함으로써 기술 발전에 간접적으로 도움을 주는 정책적 기제를 가리킨다. 이는 신기술 시장의 규모에 영향을 미친다.
이 분류법은 과거에는 Innovation studies[1] 문헌에 사용되었으며, 테일러[3]에 따르면, 환경 시스템에 영향을 미치는 정책의 다양성을 최적으로 그리고 가장 유용한 특성화하지는 못하더라도, 최근 다양한 학계에 인기를 끈 구분법임에는 틀림없다.
전반적인 학습이나 비용 절감을 고려하던 일부 연구자들은 경험적 경험 곡선에서 도출된 전반적인 학습 속도가 이러한 모델이 R&D 지출을 고려하지 않기 때문에 실제 수행별 기여를 현실보다 크게 측정할 수 있다고 제안한다 [4,5]. 이러한 우려로 인해 복수의 매개변수를 통합한 다른 학습 모델이 개발되었다.
3. One factor learning curve
수많은 기술과 제품에 걸쳐 생산 단가와 누적 생산 사이의 관계를 경험적으로 관찰한 문헌이 많다. 이 관계를 "경험 곡선" 또는 "학습 곡선"이라고 불렀으며, 일반적으로 다음과 같은 일반적인 형태를 취하는 것으로 나타났다 [6]. 간단하게 설명하면, 태양광 발전 설비를 두배 늘렸을 경우의 생산 단가가 얼마나 떨어지는가를 보는 것이라고 이해하면 빠르다.
Y= 단위 생산단가
X=누적된 경험치(보급량)
이 모델 형태의 원래 유래는 "Learning-by-doing"(LBD)이라는 현상을 반영하는 것으로부터 시작한다. 비용과 에너지 기술의 누적 설치능력은 기술적 변화의 근본적인 요소와 과정에 대한 설명을 거의 제공하지 않는다. 또한 이 두 변수 사이의 인과관계에도 추론이 없다.
아주 간단하게 표현된 이식은 아주 큰 통찰력을 제공해 주기는 하지만, 실제 수 많은 중요한 다른 요인들을 빼놓고 있다. 특히 기술의 가격 하락이 R&D 투자로 인해서 일어나는 현상이기도 하지만, 그 부분을 간과하고 있는 것이 특징이다.
이에 에너지 기후변화 모델링 학계에서도 모델의 편이성을 위해서 과거에는 많이 사용하여 왔지만, 이제는 이보다 더 나은 가정이 필요하다는 것에 동의하는 편이다. 이후에 나온 것이 다음으로 소개할 Two factor 학습 곡선이다.
4. Two factors learning curve
앞에 언급한 One factor 학습 곡선을 바탕으로 기술 생산 비용의 변화에 기여하는 추가 요인을 고려하기 위해 대체 모델이 개발되었다. "이계수 학습 곡선" 모델은 누적 R&D 지출과 누적 생산량 또는 용량이 기술 비용 절감의 주요 동인으로 가정되는 관계를 설명한다 [4]. 공공 및 민간 연구 개발 모두 이러한 비용 절감에 기여할 수 있다는 것이 널리 인정되지만, 민간 연구 개발 데이터는 일반적으로 공개적으로 이용할 수 없기 때문에 이 연구 영역에는 공공 연구 개발 지출만 포함되는 경우가 많다.
Bibd = learning by doing 파라미터
Bibr = learning by researching 파라미터
R&D =누적 R&D 투자액
여러 연구자가 이 공식화를 실증적으로 증명하였다 [7]. 제임스는 영국 내 정부 및 민간 R&D 지출의 합산 추정치를 사용하여 기술 비용 절감에 대한 R&D 지출의 영향을 조사했다 [4]. 이 모델은 1980-2001년 동안 12개의 발전 기술에 대한 누적 설치 용량 데이터(학습 기준)와 결합되었다. 연구는 성숙된 기술(예: 분쇄된 석탄 발전소, 천연가스 복합 사이클 플랜트, 대형 수력 발전), 재생 기술(예: 새로운 복합 사이클 플랜트, 복합 열과 전력, 소형 수력 발전), 발전 기술(예: 원자력 및 풍력 발전), 그리고 신흥 기술(예: 태양열 화력 및 연안 풍력 터빈 기술)을 포함했다. R&D 지출은 정부 R&D 데이터베이스, R&D를 포함한 출처에 대한 광범위한 조사를 통해 추정되었다.
전문 기업에 대한 지출 추정치 및 민간 R&D 투자를 추정하는 몇 가지 간접적인 방법 그 결과는 연구 개발 대 학습의 중요성을 보여주고 있다.
다양한 기술 범주에 걸쳐 다양했지만, 일반적으로, R&D는 모든 기술 개발 단계에서 학습하는 것보다 비용 절감에 더 많은 기여를 했다. 또한 이 연구는 두 요소 사이의 대체 탄력성이 매우 낮다는 것을 발견했다. 즉, 연구개발 지출과 용량 확장은 뚜렷하게 다르며 상호 교환이 불가능했다. 그러나 다른 연구에서도 시간적 지연비용 감소와 누적 R&D 비용 또는 R&D 기반 지식 재고 상당한 상관관계가 있음을 발견했다.
5. 고찰
에너지 관련 기술의 미래 비용 추세를 예측하거나 모형화하기 위한 단일 요인 경험 곡선의 사용은 많은 다른 불확실성에 의해 좌우된다. 학습 곡선은 과거에 기술이 어떻게 발전해 왔는지를 설명하지만, 앞에서 살펴본 학습 곡선들은 미래에 기술이 어떻게 발전할지에 대한 매우 제한적인 통찰력을 제공할 뿐이다. 개발 중인 신기술이나 다른 기술에 특정 기술에 대한 역사 학습 곡선의 적용은 논쟁의 여지가 더 많다.
마지막으로, 선택된 기술에 대해 경험곡선의 "최상의" 기능적 형태가 있는지의 여부가 문제가 발생한다. 즉, 학습 속도는 시간이 지남에 따라 일정하게 유지되는가, 아니면 모델링 기간에 따라 변화되는가? 비용은 항상 감소하는가, 아니면 또한 감소할 수 있는가? 만약 그렇다면, 왜, 언제 또는 어떻게 증가하는가? 그러한 것에 대한 명확한 해답은 아직 없기 때문이다. 이러한 질문들이 에너지-경제 모델의 결과에 상당한 영향을 미칠 수 있는 불확실성의 원천이라는 것을 인식하는 것이 중요하다.
유사한 불확실성은 다중 요인 학습 모델에 영향을 미친다. 예를 들어 요소 수준의 불확실성은 시스템 수준의 불확실성으로 이어진다. 따라서 1-요인 학습 곡선을 사용할 때와 동일한 문제와 한계가 발생한다. 기술습득은 언제 시작되고 끝나는가? 적절한 학습률 또는 진행률은 얼마인가? 이는 설치된 용량 외에 어떤 다른 요인들이 비용 변동을 야기할 것이다. 이러한 요인들을 이 모델에 명시적으로 포함하지 않을 경우, 어떤 영향을 미칠 것인가? 용량이나 경험의 적절한 척도는 무엇인가? 후자의 질문은 그 결과, "Spillover" 효과의 추가적인 문제를 제기한다. 예를 들어, 학습은 다양한 기술이나 응용 분야에 걸쳐 어느 정도까지 공유되고 있는가라는 질문에 실제로 석유 및 가스 산업의 탄소 포획 시스템의 학습 효과는 전기 유틸리티 산업에 직간접적으로 (spillover 효과) 도움이 될 수 있다. 하지만 이런 학습 효과와 spillover effect가 어떠한 상황에서 일어나는지에 대한 부분은 보다 심층적인 연구가 필요한 상황이다.
6. 결론
기술 변화에 대한 다른 최근의 접근방식은 경험곡선 형성의 시간을 통합하여 시간이 지남에 따라 외부적으로 발생할 수 있는 진전의 효과와 진정한 학습의 효과를 명시적으로 분리하고 있다. 그러한 접근방식은 외생적인 기술적 변화의 비율이 일정하다고 주장한다. 그것은 산업 밖에서의 유출이 연구 개발, 규모나 범위의 경제, 외생적인 근본적인 발명, 재료나 노동의 가격 변화와 같이 학습에 의해 독립적인 것이다.
이러한 요소들의 통합은 기술에 대한 실제 학습의 비율이 훨씬 더 적다는 것을 의미한다. 현재까지 모델은 높은 수준의 기술 집적(경제 분야)에서만 시험되었다. 다른 다변량 공식과 마찬가지로, 특정 기술(또는 기술 등급)에 대해 모델을 개발하고, 테스트하기 위한 경험적 데이터는 실제로도 제한되거나 사용할 수 없다.
앞에서 살펴본 One factor 경험 곡선 및 Two factors 경험곡선 이외에도 다변량 공식으로 점차 나아가는 추세이기는 하나, 기후경제 모형에 적용하기에는 아직까지 여러가지 한계도 많은 것 또한 사실이다. 앞으로 보다 많은 연구가 이 분야에 이루어져 다변량 공식에 대한 실증적인 연구도 많이 이루어지기 바란다.
References
- Solow, R.M., 1956. A Contribution to the Theory of Economic Growth. The Quarterly Journal of Economics, 70(1), p.65.
- Grubb, M. & Köhler, J., 2002. Induced Technical Change in Energy and Environmental Modeling: Analytic Approaches and Policy Implications - Annual Review of Energy and the Environment, 27(1):271.
- Taylor, M., 2008. Beyond technology-push and demand-pull: Lessons from California's solar policy. Energy Economics, 30(6), pp.2829–2854.
- Jamasb, T., 2007. Technical change theory and learning curves: Patterns of progress in electricity generation technologies. The Energy Journal, 28(3), pp.51–72.
5. Clarke, L., Weyant, J. & Birky, A., 2006. On the sources of technological change: Assessing the evidence. Energy Economics, 28(5-6), pp.579–595.
6. Arrow, K.J., 1962. The economic implications of learning by doing. The review of economic studies, pp.155–173.
7. Söderholm, P. & Sundqvist, T., 2007. Empirical challenges in the use of learning curves for assessing the economic prospects of renewable energy technologies. Renewable Energy, 32(15), pp.2559–2578.