논문 요약: 수전해 기술 학습 구조의 분석: 비용 예측, 정책 및 전략에 대한 통찰

논문 제목: The structure of technological learning: insights from water electrolysis for cost forecasting, policy, and strategy
저자: Mohamed Atouife, Jesse Jenkins (프린스턴 대학교)

1. 연구 배경 및 문제 제기 (Problem)

신생 청정 기술의 비용 진화를 예측하는 것은 정책 수립, 투자 결정, 탈탄소화 전략에 필수적이지만, 여전히 깊은 불확실성을 내포하고 있습니다. 기존 연구들은 주로 '학습 곡선 (Learning Curves)' 또는 '경험 곡선 (Experience Curves)'을 사용하여 누적 설치량에 따른 비용 감소를 예측합니다. 그러나 신흥 기술에 이를 적용할 때 다음과 같은 두 가지 주요 불확실성이 존재합니다.

1. 매개변수 불확실성: 학습률 (Learning Rate) 이 초기 단계에서는 데이터가 부족하여 추정하기 어렵거나 매우 불확실합니다.
2. 구조적 불확실성 (Structural Uncertainty): 학습이 어떻게 발생하는지에 대한 모델의 기본 가정이 명확하지 않습니다. 예를 들어, 서로 다른 기술 변형 (예: 알칼라인 vs PEM) 이나 지역 (예: 서구 vs 중국) 간에 학습 효과가 공유되는지, 아니면 독립적으로 발생하는지에 대한 가정이 결과에 큰 영향을 미칩니다.

기존 연구들은 대부분 학습을 전 세계적으로 통합된 단일 과정으로 가정하거나, 기술 변형 간 학습 공유를 명확히 구분하지 않는 경우가 많습니다. 이는 보호무역주의와 공급망의 지역화 (Localization) 가 심화되는 현재 산업 현실을 반영하지 못하며, 잘못된 비용 예측과 비효율적인 정책으로 이어질 수 있습니다.

2. 연구 방법론 (Methodology)

이 연구는 수전해 (Water Electrolysis) 기술을 사례 연구로 선정하여, 다양한 학습 구조 가정이 비용 예측에 미치는 영향을 정량적으로 분석했습니다.

• 비용 구성 요소 분해: 수전해 프로젝트의 자본 비용을 세 가지 주요 구성 요소로 나누어 분석했습니다.
  1. 전해조 스택 (Stack): 알칼라인 (ALK) 과 고분자 전해질 막 (PEM) 두 가지 주요 기술 변형.
  2. 플랜트 균형 (BoP, Balance of Plant): 보조 설비 및 인프라.
  3. 엔지니어링, 조달, 시공 (EPC): 설계, 허가, 현장 시공 비용.
• 대안 학습 구조 시나리오 설정:
  • 스택 비용:
    • 공유 학습 (Shared): 모든 변형이 하나의 공통 경험 곡선을 공유.
    • 기술 분할 학습 (Technology-fragmented): ALK 와 PEM 이 각각 독립적인 학습 곡선을 가짐.
    • 지역 분할 학습 (Regionally fragmented): ALK/PEM 각각이 서구와 중국 variant 로 나뉘어 독립적으로 학습.
  • BoP 및 EPC 비용:
    • 완전 지역 학습 (Fully Local): 모든 비용이 해당 지역의 누적 설치량에 의존.
    • 완전 글로벌 학습 (Fully Global): 전 세계 누적 설치량이 모든 지역의 비용 감소에 기여.
    • 하이브리드 학습: BoP 는 글로벌 학습, EPC 는 지역 학습으로 가정.
• 정량적 분석: 2024 년 기준 글로벌 프로젝트 파이프라인 (520 GW) 을 고려한 시나리오 (60~140 GW 설치) 하에서, 각 학습 구조가 스택 비용, 수소 생산 비용 (LCOH), 그리고 목표 비용 달성에 필요한 누적 투자액에 미치는 영향을 시뮬레이션했습니다.

3. 주요 기여 및 결과 (Key Contributions & Results)

가. 학습 구조의 선택이 비용 예측을 결정적으로 바꾼다

단순히 학습률 (Learning Rate) 값의 변화뿐만 아니라, 학습이 어떻게 구조화되는지에 대한 가정이 비용 예측 결과에 훨씬 더 큰 영향을 미친다는 것을 증명했습니다.

• 스택 비용 (Stack Costs):

  • 공유 학습 모델을 가정하면, PEM 스택은 ALK 의 거대한 누적 설치량 (약 24 GW) 을 기반으로 학습하므로 초기 비용 감소가 느립니다.
  • 반면, 분할 학습 모델 (기술별 또는 지역별) 을 적용하면, PEM 은 자체적인 작은 베이스 (약 1 GW) 에서 시작하여 더 빠른 초기 비용 감소를 경험합니다.
  • 결과: PEM 스택 비용을 100 USD/kW 로 낮추는 데 필요한 누적 투자액은 공유 학습 모델에서는 8,900 억 달러 이상으로 추정되지만, 분할 학습 모델에서는 410 억 달러 수준으로 크게 감소합니다. 이는 목표 비용 달성 가능성에 대한 평가가 학습 구조에 따라 극적으로 달라짐을 의미합니다.

• BoP 및 EPC 비용:

  • **지역 학습 (Local Learning)**이 지배적일 경우, 미국과 같은 초기 비용이 높은 지역은 자체적인 대규모 설치를 통해 비용을 낮춰야 합니다.
  • **글로벌 학습 (Global Learning)**이 지배적일 경우, 타 지역의 설치가 해당 지역의 비용 감소에 기여하므로 초기 투자 부담이 줄어듭니다.
  • 결과: 학습 구조에 따라 미국 내 수소 생산 비용 (LCOH) 차이가 약 0.75 USD/kg까지 발생할 수 있으며, 이는 천연가스 기반 수소 비용의 약 3/4 에 해당하는 규모입니다.

나. 공급망 분열과 보호무역주의의 경제적 영향

공급망이 지역화되고 지식 확산이 제한되는 상황 (분할 학습) 은 전체적인 비용 감소 속도를 늦출 수 있음을 시사합니다.

• 분할된 학습 구조 하에서는 특정 비용 목표를 달성하기 위해 전체적인 누적 설치량과 투자가 훨씬 더 많이 필요해집니다.
• 이는 보호무역 정책이 국내 산업 역량 강화에는 도움이 될 수 있으나, 전 세계적 비용 감소 속도를 저해하여 탈탄소화 목표 달성을 더 어렵게 만들 수 있음을 보여줍니다.

다. 정책 및 전략적 함의

• 정책 설계: 단일한 글로벌 학습 곡선을 기반으로 한 정책은 위험할 수 있습니다. 정책 입안자는 다양한 학습 구조 (공유, 분할, 지역화) 하에서 목표의 타당성을 평가해야 합니다.
• 산업 전략: 학습이 지역화될 경우, 선두 주자 (Early Mover) 가 비용 우위를 점할 수 있으므로, 후발 주국은 자체적인 역량 구축을 위한 추가 투자가 필수적입니다.
• 표준화의 중요성: BoP 와 EPC 비용의 글로벌 학습을 촉진하기 위해서는 설비 표준화와 통합 시스템 설계가 중요하며, 이는 정책적으로 장려되어야 합니다.

4. 의의 및 결론 (Significance & Conclusion)

이 연구는 기술 비용 예측에서 **구조적 불확실성 (Structural Uncertainty)**이 단순한 부수적 문제가 아니라, 결론을 결정하는 **1 차적 요인 (First-order determinant)**임을 강조합니다.

1. 모델링의 패러다임 전환: 학습률 추정뿐만 아니라 학습의 구조 (어디서, 어떻게, 누구와 공유되는가) 를 명시적으로 고려하고, 여러 모델을 동시에 적용하여 결론을 '스트레스 테스트 (Stress-test)'해야 합니다.
2. 정책적 시사점: 기술 학습의 구조는 고정된 것이 아니라 정책 (무역 장벽, 지식 공유 정책, 표준화 정책 등) 에 의해 형성될 수 있습니다. 따라서 정책은 단순한 설치를 지원하는 것을 넘어, 학습이 어떻게 확산될지 (지역화 vs 글로벌화) 를 설계하는 도구로 활용되어야 합니다.
3. 확장성: 이 프레임워크는 수전해뿐만 아니라 소형 모듈 원자로 (SMR) 등 다양한 신기술에 적용 가능하며, 기술 변형 간 경쟁과 투자 배분 전략 수립에 중요한 통찰을 제공합니다.

결론적으로, 신흥 청정 기술의 비용 예측과 전략 수립은 단일한 학습 곡선에 의존하기보다, 다양한 학습 구조 시나리오를 고려한 다각적인 접근이 필수적입니다. 이를 위해 연구진은 관련 가정을 탐색할 수 있는 온라인 대시보드를 제공하여 투명하고 견고한 의사결정을 지원합니다.