📈 economics

Agent-Based Modelling of Battery Electric Vehicle Adoption in Portugal

이 논문은 에이전트 기반 모델을 활용하여 포르투갈에서 소득이 배터리 전기차 도입의 주요 동인으로 남아 있는 가운데, 충전 인프라에 대한 전략적 투자가 도입률을 높이고 공간적 불평등을 줄이는 데 있어 재정적 인센티브보다 더 효과적임을 입증한다.

원저자: Bento Gregório Maria

게시일 2026-07-07

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Bento Gregório Maria

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

포르투갈을 여러 마을(지자체)로 구성된 거대하고 북적이는 동네라고 상상해 보세요. 어떤 마을은 큰 집들이 있는 부유한 곳인 반면, 어떤 마을은 규모가 작거나 자원이 적기도 합니다. 이 논문의 저자인 Bento Maria는 사람들이 가솔린 자동차에서 배터리 전기차(BEV)로 어떻게 전환하는지를 알아내기 위해 디지털 시뮬레이션 게임을 만들었습니다.

단순히 국가 통계만을 보는 대신, 이 게임은 **1,000명의 가상 "사람(에이전트)"**을 생성하여 실제 인구수에 맞춰 여러 마을에 배치합니다. 이 가상의 사람들은 각기 다른 예산을 가지고 있으며, 자신이 속한 마을의 구체적인 조건에 따라 결정을 내립니다.

이 게임이 어떻게 작동하는지, 그리고 저자가 무엇을 발견했는지에 대해 쉬운 비유를 통해 설명하겠습니다.

1. 게임 보드: 마을들이 연결되는 방식

현실 세계에서 마을들은 고립된 섬이 아닙니다. 도로로 연결되어 있고 사람들은 서로 왕래합니다.

비유: 마을들을 동네의 집들이라고 상상해 보세요. 저자는 누가 누구와 가까운지 확인하기 위해 모든 집 사이에 "밧줄"을 그렸습니다. 그런 다음 너무 긴 밧줄들은 잘라내어, 전체 동네를 연결하는 데 필수적인 연결고리들만 남겼습니다. 이것을 **최소 신장 트리(Minimum Spanning Tree)**라고 부릅니다.
중요한 이유: 이웃이 전기차를 사면, 당신도 길거리에서 그 차를 보거나 근처 충전소가 잘 작동하는 것을 알게 되어 전기차를 살 가능성이 높아질 수 있습니다. 이 모델은 이러한 "이웃 효과"를 추적합니다.

2. 게임의 규칙: 무엇이 사람들을 바꾸게 만드는가?

가상의 사람들은 일종의 "점수"를 계산하여 전기차를 구매할지 결정합니다. 점수가 충분히 높으면 전환합니다. 이 점수는 다음과 같이 구성됩니다:

돈 (소득): 이것이 가장 큰 요인입니다. 부유한 마을의 사람들은 일반적으로 더 높은 점수를 가집니다.
충전소: 마을에 충전소가 많으면 점수가 올라갑니다. 모델은 충전소의 증가를 현실처럼 때로는 빠르게, 때로는 느리게 자라는 자라는 식물처럼 취급합니다.
세금 및 할인: 포르투갈은 전기차에 대한 세금 혜택을 제공합니다. 모델은 이러한 할인이 실제로 행동 변화를 일으키는지 테스트합니다.
"역 매튜 효과" (평준화 도구): 보통 세상에서는 부자가 더 부자가 되는 "매튜 효과"가 나타납니다. 이 모델은 그 반대를 시도하는 특별한 규칙을 추가합니다. 즉, 가난한 마을이나 전기차가 적은 마을의 사람들에게 약간의 추가 혜고를 주는 것입니다. 이것은 마치 느린 주자들을 따라잡도록 설계된 경주에서의 핸디캡과 같습니다.

3. 실험: 다양한 규칙 테스트하기

저자는 단순히 게임을 한 번만 실행한 것이 아닙니다. 어떤 규칙서가 현실과 가장 잘 맞는지 확인하기 위해 서로 다른 규칙서들을 가지고 여러 번 실행했습니다.

규칙서 A (단순형): 돈과 충전소만 중요합니다.
규칙서 B (사회형): "이웃 효과"를 추가합니다.
규칙서 C (풀 패키지): "평준화" 규칙과 복잡한 세금 트릭을 포함한 모든 것을 추가합니다.

놀라운 발견:
당신은 가장 복잡한 규칙이 담긴 "풀 패키지"가 가장 정확할 것이라고 생각할지도 모릅니다. 하지만 그렇지 않았습니다.
가장 정확했던 버전은 다음을 결합한 더 단순한 버전이었습니다:

소득 (돈).
이웃 효과 (사회적 요인).
"평준화" 규칙 (역 매튜 효과).

더 많은 복잡한 규칙을 추가하는 것이 오히려 예측을 악화시켰습니다. 이것은 케이크를 굽는 것과 같습니다. 너무 많은 화려한 재료를 넣으면 오히려 레시피를 망칠 수 있지만, 밀가루, 설탕, 달걀을 섞은 단순한 조합이 가장 잘 작동할 때가 있습니다.

4. 정책 테스트: 무엇이 가장 효과적인가?

저자는 가장 잘 작동하는 게임 버전을 사용하여 미래를 위한 두 가지 정부 전략을 테스트했습니다.

전략 1: 더 많은 돈을 지원하기 (재정적 인센티브). 정부가 "우리가 세금 혜택을 더 크게 줄게요!"라고 말한다고 가정해 봅시다.
- 결과: 이는 거의 아무런 변화를 일으키지 못했습니다. 게임 결과, 사람들은 이미 충분한 세금 혜택을 받고 있었기에, 더 많은 혜택을 준다고 해서 새로운 사람들이 전환하도록 설득하지 못했습니다.
전략 2: 충전소 더 많이 짓기 (인프라). 정부가 현재 충전소가 없는 마을에 충전소를 건설한다고 가정해 봅시다.
- 결과: 이것은 엄청난 성공이었습니다. 이는 더 많은 사람이 전기차를 구매하게 했을 뿐만 아니라, 가난한 마을이 부유한 마을을 따라잡는 데도 도움을 주었습니다. 즉, 부유한 동네와 가난한 동네 사이의 격차를 줄였습니다.

핵심 요약

이 논문은 다음과 같이 결론짓습니다:

돈이 최고다: 누군가가 전기차를 사는 데 있어 가장 중요한 것은 그것을 살 수 있는 돈이 있느냐 하는 것입니다.
이웃이 중요하다: 인근 마을에서 전기차를 보는 것은 트렌드를 확산시키는 데 도움이 됩니다.
충전소가 핵심이다: 정부가 더 많은 전기차를 도로에 내보내고 모두가 공평한 혜CS를 받게 하고 싶다면, 단순히 세금 쿠폰을 주는 것보다 충전소를 건설하는 것이 훨씬 더 효과적입니다.

이 모델은 정책 입안자들을 위한 수정구슬 역할을 합니다. 만약 그들이 "영토적 불평등"(부유한 마을은 전기차가 넘치고 가난한 마을은 하나도 없는 현상)을 해결하고 싶다면, 지갑이 아니라 물리적 인프라에 집중해야 함을 보여줍니다.

기술 요약: 포르투갈의 배터리 전기차(BEV) 도입에 관한 에이전트 기반 모델링

문제 제기
교통 부문은 포르투갈의 온실가스 배출에 주요하게 기여하고 있으며, 이에 따라 정부는 재정적 인센티브, 세제 혜1, 보조금을 통해 배터리 전기차(BEV) 도입을 촉진하는 공공 정책을 추진하고 있다. 그러나 이러한 도입은 공간적으로 균일하게 일어나지 않을 가능성이 높다. 기존 문헌은 인센티브, 인프라, 사회적 확산의 역할을 강조하지만, 포르투갈의 맥락에서 재정 정책, 지자체 간 이질성, 네트워크 효과, 그리고 행동 메커니즘 사이의 상호작용은 아직 충분히 탐구되지 않았다. 본 논문은 다음과 같은 연구 질문을 다룬다: 재정적 인센티브, 지역적 조건, 그리고 네트워크 상호작용은 포르투갈 지방자치단체 간의 BEV 도입의 공간적 집중도에 어떻게 영향을 미치는가?

연구 방법론
본 연구는 포르투갈의 지자체별 BEV 도입 역학을 시뮬레이션하기 위해 교정된 지자체 단위의 에이전트 기반 모델(ABM)을 개발한다. 방법론은 다음 다섯 단계로 진행된다:

데이터 및 상태 변수: 모델은 BEV 사용 데이터(ACAP), 재정적 인센티브 구조(ISV, IUC, 보조금), 주차 인센티브, 사회경제적 지표(INE), 충전 인프라 데이터(MOBI.E)를 결합한 지자체 단위 패널 데이터(2021~2024)를 활용한다. 주요 변수로는 인구, 소득, 관측된 BEV 점유율, 충전 밀도, 충전소 수 등이 포함된다.
공간 네트워크 구축: 완전 가중 그래프에서 유도된 최소 신장 트리(MST)를 사용하여 공간적 지자체 네트워크를 구축한다. 연결성 임계값( $\delta$ )은 MST의 최대 엣지 거리에 따라 설정되며, 이는 모든 지자체가 연결된 상태를 유지하면서도 관련 있는 공간적 근접성을 필터링하도록 보장한다.
합성 에이전트 인구: 1,000명의 합성 에이전트를 기초 연도 인구에 비례하여 각 지자체에 할당한다. 각 에이전트는 지자체 소득과 연계된 자산과 개별적인 확률적 항을 보유하며, 이를 통해 지자체 내 이질성을 허용한다.
확률적 인프라 역학: 충전 인프라 확장은 확률적 로지스틱 확산 과정(Euler–Maruyama 이산화를 통해 근사화됨)으로 모델링된다. 이는 투자 시점과 정책 실행에 대한 불확실성을 도입하여 인프라 배치의 변동성을 포착한다.
행동 메커니즘 및 교정: 서로 다른 메커니즘의 기여도를 격리하기 위해 다섯 가지 단계적 사양을 테스트한다:
- 기초 모델(Baseline): 핵심 경제 결정 요인(자산, 재정 인센티브, 인프라).
- 사회적 모델(Social): 로컬 피어 효과(peer effects) 추가.
- 공간적 모델(Spatial): 연결된 지자체 간의 네트워크 파급 효과 추가.
- 재분배 모델(Redistribution): 재정적 인센티브가 "불리 지수"(소득, 기존 도입률, 인프라)에 의해 가중치 부여되는 재분배 인센티브 메커니즘 도입.
- 역 마태 효과 모델(Inverse Matthew Effect): 기존 도입률과 자산이 낮은 지자체의 에이전트가 더 강력한 도입 자극을 받는 보상 메커니즘.
- 전체 모델(Full Model): 모든 메커니즘을 결합.

모델은 2021~2023년 데이터를 바탕으로 교정되며, 2024년 데이터를 통해 표본 외(out-of-sample) 검증을 거친다. 성능은 500회의 몬테카를로 반복 시행를 통해 RMSE, MAE, 상관관계 및 예측 편향을 사용하여 평가된다.

주요 결과

도입 결정 요인: 소득이 BEV 도입의 가장 강력한 결정 요인으로 확인되었다. 지역 경제 조건과 관련된 변수들은 성과가 우수한 모든 사양에서 나타났다.
모델 간결성: 복잡성이 정확도를 향상시킨다는 가정과 달리, 가장 복잡한 "전체 모델"이 더 단순한 사양보다 우수한 성능을 보이지 않았다. 가장 높은 검증 점수는 소득, 공간적 상호작용, 그리고 역 마태 효과를 결합한 간결한 모델에서 달성되었다.
공간 역학: 공간적 상호작용은 지역적 확산 패턴의 재현을 유의미하게 개선한다. 도입 결정은 지역적 특성뿐만 아니라 인접 지자체의 조건에 의해서도 영향을 받는다.
인프라 불확실성: 민감도 분석 결과, 행동 메커니즘의 상대적 중요도는 인프라 변동성에 따라 달라진다. 결정론적 역학 하에서는 소득이 지배적이다. 중간 정도의 변동성 하에서는 소득, 공간 효과, 역 마태 효과의 결합이 가장 우수한 성능을 보인다. 높은 변동성 하에서는 공간 효과가 여전히 중요하지만, 역 마태 효과는 약화된다.
정책 시뮬레이션:
- 인프라 확장: 충전 인프라의 가속화된 확장을 시뮬레이션하면 전체 BEV 도입이 약 3.9% 증가하고 공간적 집중도가 감소(Herfindahl–Hirschman 지수 하락)한다.
- 재정적 인센티브: 현재 프레임워크 하에서 더 강력한 재정적 인센티브를 시뮬레이션하면 추가적인 도입 효과가 거의 발생하지 않으며 집중도 역학을 변화시키지 못한다. 이는 특정 임계치에 도달하면 인센티브의 한계 효용이 감소함을 시사한다.

의의 및 기여
본 논문은 문헌에 대해 세 가지 주요 기여를 주장한다:

방법론적 기여: 이질적 에이전트, 공간 네트워크, 확률적 인프라 역학을 통합한 포르투갈 수준의 지자체 단위 ABM을 개발하였다.
이론적 기여: MST 연결성에 기반한 필터링된 공간 네트워크를 통합하였으며, 재정적 인센티브가 공간적 불평등을 완화하는지 혹은 강화하는지를 평가하기 위해 역 마태 효과 메커니즘을 도입하였다.
정책적 관련성: 연구 결과는 인프라 투자가 공간적 격차를 줄이면서 동시에 도입을 늘리는 데 있어 추가적인 재정적 인센티브보다 더 효과적인 레버임을 강조한다. 본 모델은 정책 결정자가 구현 전 대안 시나리오(예: 인프라 확장 vs 세제 혜택)를 평가하여 예상 도입 수준과 잠재적인 지역적 불평등 발생 여부를 판단할 수 있는 정책 시뮬레이션 실험실 역할을 한다.

본 연구는 BEV 확산이 가용한 모든 행동 메커니즘의 동시 포함보다는 지역 경제 자원, 공간적 상호작용 효과, 그리고 누적 도입 역학의 결합에 의해 가장 잘 설명된다고 결론짓는다. 또한 인프라 불확차성이 관찰된 도입 패턴을 재현하는 데 필요한 행동 구조를 결정한다는 점을 강조한다.