공간의 종속성과 이질성을 고려한 근린의 물리적 환경이 건물의 탄소배출에 미치는 영향에 관한 연구

Abstract

전 세계적으로 에너지 사용에 따른 온실가스로 인해 지구온난화 및 기후변화 문제를 겪고 있다. 이러한 문제를 해결하기 위한 방안 중 하나로 탄소중립 도시를 목표로 하며, 이에 대한 다양한 기술 및 방안, 정책 등이 실시되고 있다. 도시의 탄소중립을 실현하기 위해서는 도시 내 에너지 사용에 따른 탄소배출의 주요인을 확인하고 이에 대한 공간적 관계를 파악하는 것이 중요하다. 효율적인 에너지 관리 및 탄소배출 저감 정책과 지속가능한 도시개발을 시행하기 위해서는 이러한 요소와 관계를 고려하는 것이 중요하다. 이에 본 연구에서는 다음과 같은 연구목적 달성하고자 하며, 다음과 같다. 첫째로 건물의 탄소배출에 영향을 미치는 요인을 도출하기 위한 적합한 통계모형을 제시한다. 둘째로는 서울시와 같은 대도시 내 건물의 탄소배출이 어떠한 패턴을 나타내는지 살펴보고, 영향요인의 분포를 지역적인 부분에서 확인한다. 셋째는 공간형태와 관련된 지표들을 독립변수로 고려하여, 건물의 탄소배출에 공간적 구조와 형태가 미치는 영향을 살펴본다. 넷째로 행정경계가 아닌 동일한 공간 규모인 격자를 분석단위로 하여 공간적 분포에 따른 패턴을 살펴보았다. 본 연구에서는 분석단위로 행정경계가 아닌 동일한 규모의 격자를 선정하여 사용하였으며, 2020년 서울특별시의 건물에서 사용된 전기 및 가스 에너지에 대한 탄소배출량을 산출하고, 이를 500m 격자단위로 탄소배출량을 구축하였다. 탄소배출량에 영향을 미친 요인에 대한 독립변수를 선정하기 위해 선행연구를 검토하였으며, 에너지 사용 및 탄소배출에 영향을 미치는 요인은 다양하게 도출된 것을 확인하였다. 이를 바탕으로 본 연구에서 사용될 독립변수는 앞선 연구들을 총 망라할 수 있는 변수들을 구성하고자 하였으며, 최종적으로 선정된 영향요인은 용도 특성, 인구 및 경제, 교통접근성, 공간형태로 총 4개 요인의 23개 변수가 최종 선정되었다. 앞서 구축한 종속변수와 독립변수를 바탕으로 탄소배출에 대한 영향요인을 도출하기 위해 공간계량모형을 통해 분석을 실시했다. 공간계량모형 중 도시 내 건물의 탄소배출을 설명하기 적합한 공간통계모형을 선정하여 제시하였으며, 공간적 이질성을 고려한 다중스케일 지리가중회귀모형을 통해 영향요인의 지역적 패턴을 파악하였다. 도시 내 건물의 탄소배출에 대한 적합한 통계모형을 선정하고, 해당 통계모형을 통해 영향요인을 확인하였다. 본 연구에서 사용된 종속변수 및 독립변수는 모두 공간을 기반으로 한 공간통계자료이며, 공간을 기반으로 구축된 자료의 특성상 공간효과가 나타나기 마련이다. 이러한 공간 기반의 자료는 공간효과를 통제함으로 분석결과의 신뢰성을 확보하고자 했다. 분석에 사용된 독립변수는 선행연구 및 관련 이론을 통해 선정하였으며, 이에 대한 가설을 통해 결과를 검증하고자 하였다. 또한, 공간적 자기상관성 및 이질성을 고려하기 위해 공간자기상관성 검정과 모형 검정을 실시하였으며, 두 조건을 기각하게 되면서 공간계량모형을 통해 공간자기상관성을 제어할 필요가 있었다. 이어 공간종속성에 대한 모형을 선정하기 위해 LM test를 실시하였고, LM과 Robust LM에서 모두 유의미하게 도출되어 공간더빈오차모형이 적합한 것으로 선정되었다. 실증분석에 앞서 선택된 모형이 적합한지 확인하기 위해 공간시차모형, 공간오차모형, 공간더빈모형, 공간더빈오차모형을 모두 분석하여 모형의 설명력을 비교하였고, 최종적으로 공간더빈오차모형이 가장 우수한 모형인 것으로 나타나 이를 본 연구의 모형으로 선정하였다. 직접효과에서 유의미한 변수는 총 17개로 근린생활시설(+), 교육시설(-), 공원·녹지(-), 하천(-), 상주인구 수(+), 공시지가(+), 도로 면적(+), 지하철 역세권(+), 버스 노선 수(+), 건물면적 밀집지수(+), 전역적 통합도(-), 지역적 통합도(+), 토지이용 복합도(+), 용도-인접성(-), 용도-집적성(-), 용도-근접성(+), 전기에너지 사용비율(+)로 나타났다. 건물 용도에서는 근린생활시설, 공업시설이 선행연구와의 결과와 동일하게 나타났으며, 녹지와 하천은 도시 내 유휴공간으로 건물면적을 줄여 총 탄소배출량을 줄이는 것으로 확인되었다. 토지이용의 경우 용도가 혼합될수록 탄소배출 증가에 기여하는 것으로 나타났으며, 이러한 결과는 다양한 활동에 의한 인구 유입 및 활동 시간 증가인 것이라고 할 수 있다. 또한, 공간적 종속성에 따른 영향요인을 고려하여 근린의 특성이 해당 지역의 탄소배출에 미치는 영향요인을 확인하였다. 도출된 요인으로는 단독주택(+), 근린생활시설(-), 업무시설(-), 지하철 역세권(+), 건물면적 밀집지수(+), 건물연면적 밀집지수(-), 전역적 통합도(-), 국지적 통합도(-), 토지이용복합도(+), 용도-인접성(-), 용도-집적성(-), 용도-근접성(+) 변수로 확인되었다. 주변 지역의 근린생활시설과 업무시설이 많이 위치하게 되면, 이를 이용하기 위해 주변 근린으로 끌어들이는 효과가 있으며, 해당 지역의 탄소배출이 줄어드는 결과가 나타났다. 반대로 지하철 역세권, 토지이용복합도, 용도-근접성 변수는 주변지역과 해당지역 모두의 인구를 불러들이는 효과가 있어 활발한 활동에 따른 탄소배출이 이루어질 수 있다고 본다. 다음으로는 지역적 회귀모형을 통해 영향요인이 지역별로 어떠한 영향을 미치는지 파악하였다. 앞서 첫 번째에서 언급한 것과 같이 공간에 따라 공간 자체의 특징이 나타나기 마련이며, 서울시와 같은 대도시의 경우 지역별 차이에 의한 영향정도가 다르게 나타난다. 이러한 결과는 OLS의 등분산성을 기각하면서 이질성이 존재함을 확인하였고, 공간적 자기상관성과 이분산성을 제어하고 지역에 따른 영향력을 파악하기 위해 지리가중회귀모형과 더 나아가 다중스케일 지리가중 회귀모형을 통해 분석을 실시하였다. GWR모형은 모형 자체의 대역폭 하나만을 사용하기 때문에 다양한 독립변수의 특징을 모두 고려하지 못하는 한계가 있다. 이러한 한계를 극복하기 위해 각 독립변수마다 모형에 적합한 대역폭을 찾아내어 이를 적용하는 분석 방법이다. 이를 통해 각 변수와 지역적 특성에 맞는 결과를 도출하였으며, 이를 바탕으로 지역에 대한 해석을 실시하였다. 탄소배출에 따른 기후변화 문제는 전 인류가 가장 시급하게 해결해야 할 과제이며, 많은 연구자들이 주목하고 있는 문제라고 할 수 있다. 이에 본 연구에서는 탄소배출의 영향요인을 도출하는 것 뿐만 아니라 도시 내 영향요인에 따른 탄소배출의 관계를 규명하고 파악하고자 하였다. 특히, 서울시와 같은 대도시의 경우 그 관계가 복잡하고 여러 요인의 영향관계를 파악하기 어려움에도 이러한 공간적 관계에 초점을 맞췄다는 차별성이 있다. 도시 내 공간적, 지리적, 환경적 요인들의 중요성이 주목받고 있으며, 탄소배출을 줄이는 탄소중립도시에 관한 관심이 집중되는 시점에서 공간적 관계에 대한 기초연구를 실시했다는 점이 본 연구의 의의라고 할 수 있다.| Globally, the world is grappling with the issues of global warming and climate change due to greenhouse gas emissions from energy consumption. As one of the solutions to address these problems, the aim is to create carbon-neutral cities, and various technologies, strategies, and policies are being implemented for this purpose. To achieve carbon neutrality in cities, it is crucial to identify the key contributors to carbon emissions from energy use within urban areas and understand their spatial relationships. Considering these factors is essential for implementing effective energy management, carbon emission reduction policies, and sustainable urban development. Accordingly, this study aims to achieve the following research objectives: First, we propose a suitable statistical model to identify factors influencing carbon emissions from buildings. Second, we examine the patterns of carbon emissions from buildings in Seoul and confirm the regional distribution of influencing factors. Third, we explore the impact of spatial structure and form on the carbon emissions of buildings by considering indicators related to spatial form as independent variables. Fourth, we analyze patterns based on spatial distribution using a grid, which has the same spatial scale, rather than administrative boundaries, as the unit of analysis. For the analysis unit, this study selected a grid of the same scale instead of administrative boundaries. The study calculated the carbon emissions for electricity and gas energy used in buildings in Seoul in 2020, and this data was aggregated at a 500m grid resolution. To select independent variables affecting carbon emissions, a review of previous studies was conducted, revealing a diverse set of factors influencing energy consumption and carbon emissions. Based on this, the independent variables used in this study aim to encompass variables identified in previous research, resulting in a total of 23 variables across four factors: land use characteristics, population and economy, transportation accessibility, and spatial form. Based on the constructed dependent and independent variables, this study analyzed spatial econometric models to identify factors influencing carbon emissions. A suitable spatial statistical model, specifically a multiscale geographically weighted regression model considering spatial heterogeneity, was selected to explain carbon emissions from buildings within the city. The regional patterns of influencing factors were examined using this model. The statistical model selected for carbon emissions from buildings within the city was used to identify influencing factors. All dependent and independent variables used in this study are spatial statistics based on spatial data. Considering the nature of spatially constructed data, spatial effects are likely to emerge. Utilizing spatially based data aimed to control spatial effects and ensure the reliability of the analysis results. Independent variables used in the analysis were selected based on previous studies and relevant theories, with hypotheses formulated to validate the results. Spatial autocorrelation and heteroscedasticity were considered, leading to spatial autocorrelation and model tests. Rejecting these conditions necessitated controlling spatial autocorrelation through spatial econometric models. LM tests were conducted to select the appropriate model for spatial dependence, and both LM and Robust LM tests indicated significance, leading to the selection of the spatial lag error model. Before empirical analysis, various spatial models, including spatial lag, spatial error, spatial durbin, and spatial durbin error models, were analyzed to compare their explanatory power. Ultimately, the spatial durbin error model emerged as the superior model, which was chosen as the main model for this study. There are a total of 17 variables that are significant in the direct effect: neighborhood living facilities (+), educational facilities (-), parks and green spaces (-), rivers (-), number of permanent residents (+), land price (+), and road area (+ ), station influence area (+), number of bus routes (+), building area compactness index (+), global integration (-), local integration (+), land use mix (+), land use-adjacency (-), land use-intensity (-), land use-proximity (+), and electric energy use ratio (+). Regarding building use, neighborhood facilities, and industrial facilities exhibited results consistent with previous studies, while green spaces and rivers were identified as unused spaces within the city, contributing to reducing total carbon emissions. In the case of land use, mixed-use was associated with increased carbon emissions, likely due to population influx and increased activity associated with diverse activities. Next, through regional regression models, we examined how influencing factors affect each region differently. As mentioned earlier, characteristics of space tend to manifest spatially, and the influence levels vary across regions, especially in major cities like Seoul. Confirming the existence of heteroscedasticity by rejecting homoscedasticity in OLS, we controlled spatial autocorrelation and heteroscedasticity. To understand the influence of regions, we conducted analyses using geographically weighted regression models and multiscale geographically weighted regression models. GWR models have limitations as they use only one bandwidth for the entire model, neglecting the characteristics of various independent variables. To overcome this limitation, we found suitable bandwidths for each independent variable and applied them in the analysis. Results tailored to each variable and regional characteristic were obtained, and interpretations for each region were conducted. The issue of climate change due to carbon emissions is an urgent global challenge requiring immediate attention. This study aimed not only to identify the factors influencing carbon emissions but also to elucidate and understand the relationship between carbon emissions and influencing factors within the city. Particularly, the focus was on the spatial relationships in major cities like Seoul, known for their complex relationships and challenging understanding of the impacts of various factors. Given the current emphasis on the importance of spatial, geographical, and environmental factors within urban areas and the growing interest in carbon-neutral cities, this study holds significance as a foundational research effort in understanding spatial relationships.