A graph-matrix hybrid approach for deep temporalisation in time-explicit LCA

새로운 전기차의 총 "탄소 발자국"을 계산하려고 한다고 상상해 보십시오. 기존의 표준적인 방식(이를 정적 LCA라고 부릅니다)은 마치 2025년의 세상을 찍은 단 하나의 고정된 사진을 찍는 것과 같습니다. 당신은 자동차를 만드는 모든 철강 공장, 전기를 생성하는 모든 발전소, 그리고 자동차가 달리는 모든 도로가 영원히 똑같이 유지된다고 가정합니다. 그 사진을 찍고, 계산을 하고, 끝냅니다.

하지만 현실 세계는 고정된 사진이 아니라, 빠르게 재생되는 영화입니다.

Trails를 만나보십시오. 이는 폴 세러 연구소(Paul Scherrer Institute)의 연구진들이 만든 새로운 오픈 소스 도구입니다. Trails를 자동차뿐만 아니라 자동차의 전체 가계도를 시간을 따라 추적하는 시간 여행 탐정이라고 생각하십시오.

"고정된 사진"의 문제점

논문은 오래 지속되는 것들—예를 들어 16년을 가는 자동차, 수십 년을 항해하는 배, 또는 한 세기 동안 서 있는 댐 같은 것들—에 대해 "고정된 사진" 접근 방식이 오해의 소지가 있다고 주장합니다. 만약 당신이 2025년에 자동차를 만들지만 2041년까지 운전한다면, 2030년에 사용하는 전력망은 2025년보다 훨씬 더 깨끗할 수 있습니다. 정적 계산은 이를 놓칩니다. 또한 자동차를 만드는 데 쓰인 철강이 1990년에 지어진 공장에서 만들어졌을 수도 있고, 배터리는 2045년에 재활용될 것이라는 사실도 놓칩니다.

"심층적 시간화(Deep Temporalisation)"의 모험

연구진은 이 새로운 방법을 **"심층적 시간화"**라고 부릅니다. 여기에는 다음과 같은 비유가 있습니다:

공급망이 거대하고 다세대에 걸친 가족 모임이라고 상상해 보십시오.

• "전경(The Foreground)" (자동차): 이것은 당신이 연구하고 있는 주인공입니다.
• "배경(The Background)" (공급망): 이것은 나머지 가족들입니다—철강 제조사, 광부, 발전소, 도로 건설업자들.

기존의 도구들(그리고 심지어 일부 최신 도구들까지도)은 오직 주인공에게만 "당신은 언제 무언가를 했습니까?"라고 묻고, 그 특정 연도의 가족 앨범을 찾아볼 뿐입니다. 그들은 조상들(철강 제조사들)이 언제 그들의 일을 했는지는 묻지 않습니다.

Trails는 게임의 판도를 바꿉니다. 이 도구는 주인공에게 "당신은 언제 무언가를 했습니까?"라고 묻고, 그런 다음 공급망의 모든 조상에게 시간 여행 메신저를 보냅니다.

• 만약 자동차가 2020년에 만들어진 철강을 사용한다면, 메신저는 2020년으로 갑니다.
• 만 만약 자동차가 2035년에 생성된 전기를 사용한다면, 메신저는 2035년으로 갑니다.
• 만약 철강이 2010년에 석탄을 사용하여 만들어졌지만 발전소가 2025년에 업그레이드되었다면, 메신저는 그 변화를 추적합니다.

이것이 저자들이 말하는 **"심층적 시간화"**입니다. 즉, 사건의 타이밍을 단순히 첫 몇 단계에서 멈추는 것이 아니라, 공급망의 모든 아래 단계까지 전파하는 것입니다.

그들이 발견한 것 (반전)

연구팀은 이 "시간 여행 탐정"을 네 가지 서로 다른 시스템에 대해 테스트했습니다: 전기차, 폴리올(polyol)을 만드는 화학 공장, 연료 유형을 전환하는 선박, 그리고 공기 중의 이산화탄소를 빨아들이는 기계(DACCS)입니다.

그들은 세 가지 시나리오를 비교했습니다:

1. 정적(Static): 모든 것에 대해 2025년 데이터를 사용하는 고정된 사진.
2. 전경 전용(Foreground-Only): 주인공은 시간 속에서 움직이지만, 가족들은 2025년에 고정되어 있는 경우.
3. 심층적 시간화 (Trails): 모두가 실제 세계의 진화에 맞춰 함께 움직이는 경우.

결과:
이 시뮬레이션에서 "심층적 시간화" 접근 방식은 다른 방법들과 비교했을 때 최종 점수를 크게 변화시켰습니다.

• 디젤에서 메탄올로 전환하는 선박의 경우, 심층 방식은 정적 방식보다 23.8% 낮은 영향 점수를, 전경 전용 방식보다 18.3% 낮은 점수를 보여주었습니다. 왜 그럴까요? 새로운 연료를 위한 인프라가 과거에 구축되었고, 기존 연료의 인프라는 사라지고 있었기 때문입니다. 정적 사진은 이 변화를 완전히 놓쳤습니다.
• 폴리올 화학 물질의 경우, 심층 방식은 22% 더 높은 점수를 나타냈습니다. 이는 심층 방식이 화학 공장의 건설을 1980년대로 거슬러 올라가 추적했기 때문이며, 다른 방식들은 제품이 생산되기 시작할 때 공장이 바로 건설되었다고 가정했기 때문입니다.
• 전기차의 경우, 차이는 더 작았습니다 (약 -3.6%). 이는 어떤 시스템의 경우 "고정된 사진" 방식도 충분히 근접할 수 있음을 시사합니다.

논문은 이 심층적인 시간 추적이 필요한 시스템이 무엇인지에 따라 결정된다고 제안합니다. 수명이 짧은 제품을 연구하고 있다면 단순한 사진으로도 충분할 수 있습니다. 하지만 수명이 긴 인프라나 급변하는 경제를 연구하고 있다면, 시간을 무시하는 것은 잘못된 결론으로 이어질 수 있습니다.

그들이 명시적으로 제외하는 것

저자들은 자신들의 도구가 무엇이 아닌지를 매우 명확하게 밝히고 있습니다:

• 불확실성을 위한 수정구슬이 아닙니다: 이 도구는 결정론적(deterministic)입니다. 즉, 입력된 데이터에 기반하여 하나의 구체적인 답을 줍니다. 미래가 얼마나 "불확실"할지 예측하기 위해 수천 번의 시뮬레이션을 실행하지 않습니다.
• 시간 단위의 세부 사항을 위한 것이 아닙니다: 이 도구는 연 단위의 타임라인으로 작동합니다. 공장이 화요일 아침에 배출하는 양이 금요일 밤보다 많은지, 혹은 계절적 바람 패턴이 특정 시간에 어떻게 영향을 미치는지 알려줄 수 없습니다. 그것은 너무 거칠기 때문입니다.
• 다른 모든 도구를 대체하는 것이 아닙니다: 이 도구는 bw_timex나 DyPLCA와 같은 기존 도구들을 보완합니다. 대체하는 것이 아니라, 연결된 연도별 데이터베이스를 다룰 때 해당 도구들이 놓칠 수 있는 특정한 "심층적" 시간 추적 레이어를 추가하는 것입니다.

그들은 얼마나 확신하는가?

저자들은 자신들의 방법론과 실행한 시뮬레이션에 대해 확신합니다. 그들은 도구를 만들었고, 알려진 수학 문제들을 통해 테스트했으며(통과했습니다), 네 가지 특정 사례 연구에 적용했습니다.

• 그들은 심층적 시간화가 결과를 (때로는 많이, 때로는 조금) 변화시킨다는 것을 입증했습니다.
• 그들은 수명이 긴 시스템이나 빠르게 변화하는 공급망의 경우 이러한 접근 방식이 필요하다고 제안합니다.
• 그들은 이것이 모든 시간 기반 환경 질문에 대한 최종적이고 완벽한 해결책이라고 주장하지 않습니다. 그들은 만약 '언제' 일어나는지에 대한 데이터가 부실하다면, 도구가 "잘못된 정밀함의 느낌(false sense of precision)"을 줄 수 있다는 점을 인정합니다.

핵심 요점

Trails를 우리 제품의 과거, 현재, 미래를 바라보는 새로운 렌즈라고 생각하십시오. 이 도구는 단순히 "우리가 무엇을 만들었는가?"라고 묻지 않습니다. "우리가 그것을 언제 만들었는가, 우리가 그것을 사용할 때 세상은 어떻게 변하고 있었는가?"라고 묻습니다.

시간을 가로질러 점들을 연결함으로써, 제품의 환경적 비용이 단 하나의 숫자가 아니라 수십 년에 걸쳐 펼쳐지는 이야기임을 드러냅니다. 그리고 때때로, 그 이야기의 결말은 "고정된 사진"이 예측했던 것과는 매우 다를 수 있습니다.