지능형 기술 확산에 따른 에너지산업 가치사슬 변화

www.keei.re.kr

기본

연구

보고

서 1

9-1

6

기본연구보고서 19-16

| 김창훈 |

지능형 기술 확산에 따른

에너지산업 가치사슬 변화

지능

형 기

술 확

산에

따른

에너

지산

업 가

치사

슬 변

화

| 박찬국 |

참여연구진

연구책임자 : 연구위원 박찬국

연구참여자 : 학생단기연구보조원 허완규

요약 i

<요 약>

1. 연구 필요성 및 목적

디지털 기술은 에너지산업 전체적으로 빠르게 확산되며 에너지산업의

구조를 바꾸고 있다. 특히, 에너지산업의 가치의 생산, 전달, 소비라는

가치사슬 흐름에서 다양한 에너지원의 유입을 가능하게 하고 새로운

사업자 및 서비스를 탄생시키며, 소비자가 프로슈머로 성장하게 만든다.

본 연구에서는 디지털화에 따른 에너지 산업 구조 변화를 가치사슬의

변화 양상 관점에서 다양한 이슈를 살펴보고자 한다. 가치사슬 변화

양상 관점에서 이슈를 살펴볼 경우 에너지산업에서 생산하는 가치들의

흐름에 대한 이해를 늘리고, 다양한 참여자들 간 생태계 변화를 함께

살펴볼 수 있다는 장점이 있다.

그동안 에너지산업 가치사슬 연구는 정성적인 측면에서 그 구조를

분석하는 연구들이 대부분이었다. 그 이유로는 에너지산업 가치사슬

구조의 변화를 대변하는 데이터 확보의 어려움이 한몫을 한다. 에너지

산업 네트워크가 과거 대비 복잡해지고 이해관계자도 많아지면서 가치

사슬 관점에서 그 변화를 충분히 확인할 수 있는 정제된 데이터가 부

족한 것이 현실이다. 또한 기존 연구들이 동태적으로 접근하지 못했다.

이 역시 장기간에 걸쳐 데이터가 축적되어 있지 못한 점 때문이다. 현재

처럼 에너지기업들뿐만 아니라 ICT, 건설, 자동차 등 다양한 기업들이

참여하는 산업구조에서 전체 그림을 보려면 다양한 산업의 관계를

표현할 수 있는 통합된 형태의 데이터가 필요하다.

ii

이에 본 연구는 기존 데이터의 한계를 극복하면서 에너지산업의

변화를 포괄적으로 볼 수 있고 동태적으로 확인할 수 있는 텍스트 빅

데이터 분석을 시도한다. 텍스트 빅데이터는 비정형 데이터로 곧바로

활용하기에는 무리가 있으나 별도의 정제 과정을 거치면 다양한 인사

이트를 제공할 수 있는 장점이 있다. 정제된 텍스트 빅데이터는 다시

네트워크 분석, 통계분석, 미래신호탐색 기법 등을 활용함으로써 과학

적으로 그 의미를 해석하도록 한다.

본 연구는 에너지산업 가치사슬 변화와 관련하여 총 7개의 연구 질문을

제기하였다. 첫째, 에너지산업의 가치사슬 변화의 양상은 구체적으로

어떻게 나타나고 있는가이다. 둘째, 가치사슬 변화와 함께 에너지산업

및 기업 네트워크 구조가 달라지고 있는데, 그 변화의 모습과 방향은

어떠한가이다. 셋째, 네트워크 구조가 달라지면서 각 기업별 네트워크

위상이 달라지는데 그 주요 요인은 무엇인가이다. 넷째, 에너지소비자의

영향력이 높아지고 있는 가운데 소비자에 대한 관심도를 정량적으로

어떻게 평가할 수 있을 것인가이다. 다섯째, 에너지소비자가 에너지산업

에서 중요한 이해관계자로 발전하고 있는 가운데 그들이 갖고 있는

스마트에너지시스템 인식은 어떠한가이다. 여섯째, 디지털화에 대응하기

위한 에너지산업 이해관계자별 역할은 무엇인가이다. 일곱째, 에너지

부문 디지털화와 관련하여 미래에는 어떤 이슈가 부각될 것인가이다.

첫 번째부터 다섯 번째 연구 질문은 가치사슬 변화 양상을 살펴보면서

산업, 기업, 소비자 차원에서 구체적으로 중요 이슈를 살펴보는 것이다.

여섯째 질문은 에너지산업 가치사슬 변화 양상을 탐구하는 것을 넘어

디지털화에 따라 에너지산업 이해관계자들의 바람직한 역할은 무엇인

가를 제시해보는 것이다. 일곱째 질문은 그동안 과거와 현재의 이슈를

다뤘다면 미래에 발생할 이슈를 미래신호탐색 기법 프레임워크를 기반

요약 iii

으로 살펴보는 것이다.

본 연구의 목적은 상기 연구 질문들에 대한 답변을 하면서 에너지

산업의 가치사슬의 변화의 양상과 미래 이슈를 짚어보고, 에너지산업

이해관계자들의 역할을 함께 살펴보는 것이다. 이를 통해 디지털화에

따른 에너지산업 변화 흐름에 관한 지식 기반을 확충하고자 한다.

2. 내용 요약

디지털화에 따른 에너지산업 가치사슬의 변화와 관련한 다양한 주제를

놓고 정량적, 동태적으로 분석하였다. 2장에서는 에너지산업의 가치사슬

변화 양상을 4가지 측면에서 살펴보았다. 바로 가치사슬의 다차원화,

역류, 삽입, 축소 또는 제거이다. 디지털 융합이 진행되는 상황에서 가

치사슬 구조는 선형에서 네트워크형으로 변모하고 소비자의 니즈에서

가치 창출이 시작되며, 새로운 서비스 및 사업체가 등장하는가 하면

고객 니즈 충족에 경쟁력이 약한 기업들은 시장에서 퇴보한다는 점을

담고 있다.

3장에서는 에너지산업 가치사슬 변화를 보다 심층적으로 이해하기

위해 산업 및 기업 네트워크 구조를 시간의 흐름별로 살펴보았고, 기업

네트워크 위상 변화에 영향을 미치는 요인이 무엇인가를 검토하였다.

분석 결과 국내 전력산업은 지난 30년간 꾸준히 정보통신 융합이 진행

되어 왔으나 2010년 스마트그리드 사업 추진 이후 그 현상이 본격화

되었다. 글로벌 전력산업은 최근 6년간 전력부문 산업과 ICT 산업 간

네트워크가 더 긴밀해졌고 노출된 업체수도 2013년 137개에서 2018년

285개로 크게 증가하였다. 다만 석유가스 산업은 최근 6년간만 놓고

볼 때 석유가스 산업과 ICT 산업 간 관계의 밀도가 약해졌다. 그러나

iv

2013년에 이미 글로벌 석유가스 산업은 글로벌 전력산업보다 두 산업

(에너지-ICT)의 관계가 더 긴밀했기에, 향후 보다 장기의 데이터를

확보한 후 그 변화 흐름을 살펴볼 필요성을 확인하였다. 또한, 패널 분석을

시행한 결과 디지털화가 기업의 네트워크 위상에 통계적으로 유의하게

긍정적인 영향을 미치고 있는 것을 확인하였다.

4장에서는 디지털화에 대응하기 위한 에너지산업 이해관계자들의

역할을 전력산업과 석유가스 산업 차원에서 살펴보았다. 특징적인 점

은 단순히 나열식으로 각 이해관계자별 역할을 제시하는 수준을 넘어

네트워크 분석을 통해 어떤 이해관계자와 어떤 역할이 상호 연결되어

있고, 또 어떤 역할이 보다 중심성이 강한지를 살펴봤다는 점이다. 이

를 통해 보다 입체적으로 각 이해관계자들의 역할의 중요성을 확인하

였다.

5장에서는 과거와 현재 이슈를 살펴보는 것에서 그치지 않고 미래신

호탐색 기법을 활용하여 앞으로 에너지산업 부문 디지털화와 관련하여

어떤 이슈가 부각될 수 있는가를 논의하였다. 독자들의 이해를 돕기

위해 미래신호를 기술, 이해관계자, 서비스 영역, 가치, 기능이라는

5가지 측면에서 분류하여 제시하였으며, 약신호에 한해 해당 키워드와

가장 유사성이 높은 문서들을 추출하여 함께 보여줬다.

3. 연구결과 및 정책제언

본 연구는 텍스트 빅데이터를 활용하여 에너지산업 가치사슬 변화를

다양한 각도에서 정량적이면서 동태적으로 살펴본 연구로서 기존 연구

대비 강한 차별성을 지닌다. 산업구조변화, 기업 네트워크 위상 변화,

소비자 관심도 변화, 소비자의 인식 조사, 이해관계자별 역할, 에너지

요약 v

부문 디지털화 미래 신호 등 방대한 주제를 다루고 있다. 에너지산업

가치사슬 연구 차원에서 기존에 수행하기 어려웠던 부분을 수행하였으며,

텍스트 빅데이터 연구 차원에서 다양한 응용 가능성을 보여줬다. 또한

방대한 문헌검토를 통해 전력산업과 석유가스 산업의 이해관계자 역할을

제시함으로써 산업체, 정책 및 규제 기관이 어떻게 나아가야 할지에

대한 시사점을 제공했다.

정책적 시사점을 살펴보면 다음과 같다. 우선 정부 및 규제 기관 입장

에서 공정한 시장 구축이 중요하다는 주장이 많았다. 특히, 중립적이고

비차별적 형태로 분산자원 시장을 발전시켜야 한다는 요구사항이 많았다.

그리고 유연한 시장을 구축하고 신규 시장을 촉진하는 데 있어서도

정부 및 규제기관이 주요 역할 수행기관으로 인식되어 있었다. 정책적

으로 전력시장을 개선함에 있어서 분산자원이 비차별적으로 시장에

진입할 수 있게 하고 디지털 기술을 활용한 유연한 시장 구축에 노력

하며, 새로운 유형의 거래를 허용한다든지 신규시장 촉진을 위한 장벽을

제거하는 일에 주력할 필요가 있다.

또한 소비자 중심 시장 변화 차원에서도 요구사항이 많았는데, 에너지

산업의 주요 이해관계자로 부상하고 있는 에너지소비자들이 제대로

역할을 수행할 수 있도록 프로슈머 역할을 명확하게 수립하고 지역 또는

커뮤니티 에너지 시스템에 대한 지원책을 마련해야 할 것이다. 동시에

신산업 육성에 집중적으로 초점을 맞출 경우 소비자 피해 발생 시

합리적으로 대응해야 할 조치 등에 소홀할 수 있는데, 신산업육성책과

소비자 보호 조치 간 균형 있는 체계를 구축해야 할 것이다.

규제시스템 역시 유연하게 기술변화 속도를 따라갈 수 있도록 개선할

필요가 있으며, 정책 및 규제 역시 데이터 인프라 구축 및 활용 역량을

vi

강화함으로써 복잡하면서도 다양한 이슈를 빠르게 이해할 수 있고

기술혁신, 산업발전, 소비자보호 간 균형을 유지할 수 있는 대안을 적절

하게 시행할 수 있는 데이터 기반 시스템을 만들어가야 한다.

나아가 기술 혁신을 장려하고 합리적인 요금체계를 지원하며 적절한

데이터 접근권을 보장하는 노력을 기울어야 한다. 나아가 수반과제로

서 사이버보안 위협에 대응할 수 있는 기준을 수립하고 부처 간, 중앙-

지방정부 간 협력체계를 강화해야 한다.

Abstract i

ABSTRACT

1. Research Background and Purpose

Digital technology is rapidly spreading across the energy industry and

changing the structure of the energy industry. In particular, the digital

technology enables the inflow of various energy sources, creates new operators

and services, and causes consumers to grow into prosumer.

In this study, we look at a variety of issues from the perspective of changes

in the energy industry structure resulting from digitalization. Looking at issues

from the perspective of changes in the value chain, we can increase our

understanding of the flow of values produced in the energy industry and also

look at changes in ecosystem among diverse participants.

Until now, most of the studies on the value chain of the energy industry

have analyzed qualitatively the industry structure. The reason for this is the

difficulty of securing data that represents changes in the energy industry value

chain structure. As the energy industry network becomes more complex and

has more stakeholders, there is a lack of refined data that can fully reflect

the change. Also, existing studies have not been approached dynamically. This

is also due to the lack of data accumulation over a long period. To see the

full picture in an industrial structure involving various companies, including

ICT, construction and automobiles, as well as energy companies, as it is today,

an integrated form of data is needed to express the relationships of various

industries.

ii

In response, this study attempts to analyze text big data, which can

comprehensively show changes in the energy industry while overcoming the

limitations of existing data, and identify them dynamically. Because text big

data is unstructured data, it is hard to use it right away, but it can provide

various insights through a separate purification process. The refined text big

data is again interpreted scientifically by utilizing network analysis, statistical

analysis and a future-sign-search technique.

This study raised a total of seven research questions regarding changes in

the value chain of the energy industry. First, how are the changes in the energy

industry’s value chain? Second, the network structure of the energy industry

and companies is changing. How is the change? Third, as the network

structure changes, the network status of each company changes. What is the

main factor? Fourth, how can we assess the level of interest in consumers

quantitatively amid the growing influence of energy consumers? Fifth, what

about consumer perception of the smart energy system while energy

consumers are developing into important stakeholders in the energy industry?

Sixth, what is the role of each stakeholder in the energy industry to respond

to digitalization? Seventh, what issues will be highlighted in the future when

it comes to the digitalization of the energy sector?

The first to fifth question is to look at the aspects of the value chain change

and to look at important issues at the industry, business and consumer levels.

The sixth question goes beyond exploring aspects of the energy industry value

chain change and suggests what the desirable roles of stakeholders in the

energy industry are in the era of digitalization. The seventh question is to

look at issues that will occur in the future based on the framework of the

Abstract iii

future-sign-search technique.

The purpose of this study is to answer the above research questions and

identify the patterns of changes in the value chain of the energy industry and

future issues, as well as the roles of stakeholders in the energy industry.

Through this, we will expand the knowledge base on the changes in the energy

industry due to digitalization.

2. Summary and Policy Implication

Quantitative and dynamic analysis was conducted on various topics related

to changes in the value chain of the energy industry due to digitalization.

Chapter 2 looked at the changes in the value chain of the energy industry

in four aspects. It is the multi-dimensionalization, counterflow, insertion, and

diminution or removal of the value chain. In the context of digital convergence,

the value chain structure is transformed from linear to networked, value

creation begins in consumers’ needs, new services and businesses emerge, and

companies that are less competitive in meeting customer needs regress from

the market.

In Chapter 3, we reviewed the industrial and corporate network structure

over time to understand the change in the energy industry value chain in more

depth, and reviewed the factors that influence the change of corporate

network status. According to the analysis, the domestic power industry has

been steadily converging information and communications for the past 30

years, but the phenomenon has been in full swing since the smart grid project

was launched in 2010. The global power industry has seen a tighter network

iv

between the power sector and ICT industries over the past six years, and the

number of exposed companies has increased significantly from 137 in 2013

to 285 in 2018. However, the oil and gas industries have seen their

relationship become less dense over the past six years. However, in 2013, the

global oil and gas industry already had a closer relationship between the two

industries (energy-ICT) than the global power industry, so we identified the

need to obtain longer-term data and then look at the trend of change. In

addition, panel analysis has shown that digitalization has a statistically

significant positive impact on the companies’ network status.

In Chapter 4, the role of stakeholders in the energy industry to respond

to digitalization is discussed at the power and oil and gas industry levels. What

is unique is that beyond simply listing the roles of each stakeholder, the

network analysis looked at which roles are interconnected and which roles

are more central. This has confirmed the importance of each stakeholder’s role

in various ways.

In Chapter 5, we discussed not only past and present issues but also what

future issues related to the digitalization of the energy industry could be

highlighted using the future-sign-search technique. In order to help readers

understand, future signals are categorized and presented in five aspects:

technology, stakeholders, service area, value, and function, and documents

most similar to those signals were extracted and shown together.

This study is a quantitative and dynamic study of changes in the

energy industry value chain from various angles using text big data. It

covers a wide range of topics, including industrial structural changes,

changes in corporate network status, changes in consumer interest,

Abstract v

stakeholder-specific roles and future signals for digitalization in the

energy sector. In the field of energy industry value chain research, the

previous sections were difficult to carry out, and various application

possibilities were shown in the text big data research. In addition,

extensive literature reviews suggested the role of stakeholders in the

power and oil and gas industries, providing implications for how

industry, policy and regulatory agencies should move forward.

The policy implications are as follows. First, many argued that fair

market building was important for governments and regulators. In

particular, there were many requirements to develop the distributed

resource market in a neutral and non-discriminatory form. Governments

and regulators were also recognized as key players in building flexible

markets and promoting new markets. In the policy improvement of the

electric power market, it is necessary to allow distributed resources to

enter the market indiscriminately, to build a flexible market using digital

technology, to allow new types of transactions, or to remove barriers for

promoting new markets.

In addition, there were many demands in terms of consumer-oriented

market changes. The role of energy consumers, who are emerging as key

stakeholders in the energy industry, should be clearly defined and the

support for local or community energy systems should be established.

Regulatory systems also need to be flexibly improved to keep pace

with technological change, and policies and regulations need to be able

to quickly understand complex and diverse issues by building data

infrastructures and empowering them. In addition, a data-driven system

vi

needs to be created to properly implement alternatives to balance

technological innovation, industrial development and consumer

protection.

Further efforts should be made to encourage technological innovation,

support reasonable pricing and ensure adequate data access. In addition,

as a task, standards for countering cybersecurity threats should be

established, and the cooperation system between ministries, and between

central and local governments should be strengthened.

차례 i

제목 차례

제1장 서 론 ··················································································· 1

제2장 에너지산업 가치사슬 변화 양상 ········································ 11

1. 배경 및 방향 ················································································· 11

2. 관련 연구 ······················································································· 14

2.1. 디지털기술 융합과 가치사슬 변화 ········································ 14

2.2. 디지털화에 따른 가치사슬 변화 양상 ·································· 15

3. 에너지산업 가치사슬의 변화의 양상 ·········································· 17

3.1. 가치사슬의 다차원화 ······························································ 17

3.2. 가치사슬의 역류 ····································································· 20

3.3. 가치사슬의 삽입 ····································································· 21

3.4. 가치사슬의 축소 또는 제거 ··················································· 23

4. 토론 및 정책 시사점 ···································································· 25

제3장 가치사슬 변화 심층 분석 ·················································· 29

1. 에너지 산업 관계구조 변화와 기업위상 영향 요인 분석 ········· 29

1.1. 배경 및 방향 ··········································································· 29

1.2. 관련 연구 ················································································ 30

1.3. 연구 방법 ················································································ 36

1.4. 연구 결과 ················································································ 61

1.5. 토론 및 정책 시사점 ······························································ 97

ii

2. 소비자에 대한 중요도 및 관심도 변화 ···································· 100

2.1. 배경 및 방향 ········································································· 100

2.2. 관련 연구 ·············································································· 101

2.3. 연구 방법 ·············································································· 103

2.4. 연구 결과 ·············································································· 106

2.5. 토론 및 정책 시사점 ···························································· 108

3. 스마트에너지시스템에 대한 소비자의 편익과 리스크 인식 ··· 110

3.1. 배경 및 방향 ········································································· 110

3.2. 관련 연구 ·············································································· 114

3.3. 연구 방법 ·············································································· 121

3.4. 연구 결과 ·············································································· 126

3.5. 토론 및 정책 시사점 ···························································· 136

제4장 에너지산업 이해관계자 역할과 상호관계 ························· 143

1. 배경 및 방향 ··············································································· 143

2. 관련 연구 ····················································································· 144

2.1. 디지털 전환과 이해관계자 역할 변화 ································ 144

2.2. 가치 네트워크(value network)와 가치창출활동

(value creation activity) ······················································· 147

3. 연구 방법 ····················································································· 152

3.1. 데이터 수집 ·········································································· 152

3.2. 사회연결망분석(Social Network Analysis) ························ 153

4. 연구 결과 ····················································································· 154

4.1. 전력 산업 ·············································································· 154

4.2. 석유가스 산업 ······································································· 173

차례 iii

5. 토론 및 정책 시사점 ·································································· 183

5.1. 전력 산업 ·············································································· 183

5.2. 석유가스 산업 ······································································· 186

제5장 에너지산업 디지털화 미래 신호 ······································ 191

1. 배경 및 방향 ··············································································· 191

2. 관련 연구 ····················································································· 192

3. 연구 방법 ····················································································· 194

3.1. 데이터 수집 ·········································································· 194

3.2. 미래신호탐색(FSD, Future Sign Detection) 기법 ············· 195

3. 단어와 문서 간 유사도 분석 ····················································· 198

4. 연구 결과 ····················································································· 200

4.1. 디지털화 관련 상위 키워드 추출과 주제 분류 ················· 200

4.2. 기술 부문 미래신호 ······························································ 202

4.3. 이해관계자 부문 미래신호 ·················································· 205

4.4. 서비스 영역 부문 미래신호 ················································· 207

4.5. 가치 부문 미래신호 ······························································ 210

4.6. 기능 부문 미래신호 ······························································ 213

5. 토론 및 정책 시사점 ·································································· 214

제6장 결 론 ············································································· 219

1. 연구 요약 ····················································································· 219

2. 정책적 시사점 ············································································· 223

2.1. 에너지시장 변화 촉진 ·························································· 223

iv

2.2. 소비자 참여 촉진과 보호 ···················································· 225

2.3. 유연한 규제시스템 구축 ······················································ 227

2.4. 정책 및 규제 역시 데이터 인프라 구축 및

활용 역량 강화 ····································································· 229

2.5. 협력체계 강화 ······································································· 231

3. 추가 연구 과제 ··········································································· 232

참고 문헌 ··················································································· 235

부 록 ·························································································· 285

차례 v

표 차례

<표 3-1> KISLINE에 추출한 전력과 ICT 관련 업종 및 기업 ········ 38

<표 3-2> Eikon의 글로벌 전력 및 석유가스 관련 업종(ICT 포함)과

기업 ······················································································· 39

<표 3-3> 국내 전력산업 데이터 수집 결과 ······································· 41

<표 3-4> 글로벌 전력산업 데이터 수집 결과 ··································· 41

<표 3-5> 글로벌 석유가스 산업 데이터 수집 결과 ·························· 42

<표 3-6> 패널 분석방법의 주요 가정과 검정 ··································· 58

<표 3-7> 패널분석 연구모형 개요 ······················································ 61

<표 3-8> 국내 전력 부문 주요 참여산업(23개) 소속 기업수 변화 ···· 68

<표 3-9> 2000년 주요 산업별 노출 빈도 및 중심성 ························ 71

<표 3-10> 2010년 주요 산업별 노출 빈도 및 중심성 ······················ 72



<표 3-13> 글로벌 전력 부문 주요 참여산업 소속 기업수 변화 ······ 78

<표 3-14> 2013년 글로벌 전력 부문 참여 산업별 노출 빈도 및

중심성 ·················································································· 80

<표 3-15> 2018년 글로벌 전력 부문 참여 산업별 노출 빈도 및

중심성 ·················································································· 81

<표 3-16> 글로벌 석유가스 부문 주요 참여산업 소속 기업수 변화 · ·· 85

<표 3-17> 2013년 글로벌 석유가스 부문 참여 산업별 노출 빈도 및

중심성 ·················································································· 87

vi

<표 3-18> 2018년 글로벌 석유가스 부문 참여 산업별 노출 빈도 및

중심성 ·················································································· 88

<표 3-19> 국내 전력산업 패널분석 변수 개요 ································· 93

<표 3-20> 글로벌 전력산업 패널분석 변수 개요 ······························ 93

<표 3-21> 글로벌 석유가스 산업 패널분석 변수 개요 ···················· 94

<표 3-22> 국내 전력 부문 기업 네트워크 위상 영향요인 분석 ······ 95

<표 3-23> 글로벌 전력과 석유가스 부문 기업 네트워크 위상 영향요인

분석 ······················································································ 96

<표 3-24> 에너지소비자 영향력 증대 주요 관련 문헌 ·················· 102

<표 3-25> 부문별 키워드 ··································································· 104

<표 3-26> 분석대상 논문 초록의 정규화된 키워드 빈도 ··············· 106

<표 3-27> Wilcoxon Signed-Rank Test 결과 ·································· 107

<표 3-28> 변수의 기초통계량 ··························································· 122

<표 3-29> 편익 인식 기초변수 탐색적 요인분석 결과표 ··············· 127

<표 3-30> 편익 인식 기초변수 탐색적 요인분석 최종 결과표 ······ 128

<표 3-31> 리스크 인식 기초변수 탐색적 요인분석 결과표 ··········· 129

<표 3-32> 리스크 인식 기초변수 탐색적 요인분석 최종 결과표 ··· 130

<표 3-33> 편익 인식 모델 순서형 로지스틱 회귀분석 결과표 ······ 132

<표 3-34> 리스크 인식 모델 순서형 로지스틱 회귀분석 결과표 ··· 135

<표 4-1> 전력산업 관련 이해관계자 약어 ······································· 155

<표 4-2> 소비자 중심관련 역할과 이해관계자별 언급된 빈도 ······ 157

<표 4-3> 시장 변화관련 역할과 이해관계자별 언급된 빈도 ········· 159

<표 4-4> 디지털인프라 및 역량구축관련 역할과 이해관계자별 언급된

빈도 ······················································································ 161

차례 vii

<표 4-5> 수반과제 관련 역할과 이해관계자별 언급된 빈도수 ······ 162

<표 4-6> 역할 중심성 분석 ······························································· 166

<표 4-7> 연결중심성 기준 상위역할과 연관 역할 ·························· 168

<표 4-8> 페이지랭크 기준 상위역할과 연관 역할 ·························· 169

<표 4-9> 이해관계자 중심성 분석 ···················································· 171

<표 4-10> 역할범주 중심성 분석 ······················································ 173

<표 4-11> 석유가스 산업 관련 이해관계자 약어 ···························· 174

<표 4-12> 석유가스 산업 역할과 이해관계자별 언급된 빈도 ······· 174

<표 4-13> 역할 중심성 분석 ····························································· 177

<표 4-14> 이해관계자 중심성 분석 ·················································· 178

<표 4-15> 역할범주 중심성 분석 ······················································ 180

<표 4-16> 연결중심성 기준 상위 역할과 연관 역할 ······················ 181

<표 4-17> 페이지랭크 기준 상위 역할과 연관 역할 ······················ 182

<표 5-1> FSD 모형 구조 ··································································· 198

<표 5-2> 기술 부문 미래신호 ··························································· 203

<표 5-3> 기술 부문 약신호 키워드와 유사성 높은 문서 ··············· 204

<표 5-4> 이해관계자 부문 미래신호 ················································ 206

<표 5-5> 이해관계자 부문 약신호 키워드와 유사성 높은 문서 ···· 206

<표 5-6> 서비스 영역 부문 미래신호 ·············································· 208

<표 5-7> 서비스 영역 부문 약신호 키워드와 유사성 높은 문서 ··· 209

<표 5-8> 가치 부문 미래신호 ··························································· 211

<표 5-9> 가치 부문 약신호 키워드와 유사성 높은 문서 ··············· 212

<표 5-10> 기능 부문 미래신호 ························································· 213

<표 5-11> 가치 부문 약신호 키워드와 유사성 높은 문서 ············· 214

viii

그림 차례

[그림 1-1] 연구 설계 ·············································································· 9

[그림 2-1] 에너지산업 가치사슬 구조 변화 ······································· 11

[그림 2-2] 디지털 융합 시대의 가치사슬 변화의 양상 ····················· 16

[그림 2-3] 소비자 영향력을 높이는 분산자원 시장 확대 ················· 21

[그림 3-1] 주요 네트워크 중심성 지수 ··············································· 45

[그림 3-2] 지역 및 시나리오별 세계 석탄 수요 변화

(2000~2017년, 2017~20140년) ········································· 53

[그림 3-3] 시기별 국내 전력산업 참여 기업 네트워크 ····················· 62

[그림 3-4] 2000년 국내 전력산업 네트워크 구조 ····························· 63

[그림 3-5] 2010년 국내 전력산업 네트워크 구조 단면 ···················· 64

[그림 3-6] 2018년 국내 전력산업 네트워크 구조 단면 ···················· 65

[그림 3-7] 국내 전력산업 23개 산업 기준 네트워크 밀도 변화 ····· 67

[그림 3-8] 2013년 글로벌 전력산업 네트워크 구조 ·························· 76

[그림 3-9] 2018년 글로벌 전력산업 네트워크 구조 ·························· 76

[그림 3-10] 글로벌 전력산업 17개 산업 기준 네트워크 밀도 변화 ··· 77

[그림 3-11] 2013년 글로벌 석유가스 산업 네트워크 구조 ·············· 82

[그림 3-12] 2018년 글로벌 석유가스 산업 네트워크 구조 ·············· 83

[그림 3-13] 글로벌 석유가스 산업 19개 산업 기준 네트워크

밀도 변화 ·········································································· 84

[그림 3-14] 국내 전력산업(문서수) ····················································· 89

차례 ix

[그림 3-15] 국내 전력산업(정규화된 문서수) ···································· 90

[그림 3-16] 글로벌 전력산업(문서수) ················································· 90

[그림 3-17] 글로벌 전력산업(정규화된 문서수) ································· 91

[그림 3-18] 글로벌 석유가스 산업(문서수) ········································ 92

[그림 3-19] 글로벌 석유가스 산업(정규화된 문서수) ······················· 92

[그림 4-1] 디지털전환을 위한 주요 과제 ········································· 156

[그림 4-2] 2-mode 네트워크 (이해관계자 + 역할범주) ·················· 164

[그림 4-3] 1-mode 네트워크 (역할) ·················································· 165

[그림 4-4] 1-mode 네트워크 (이해관계자) ······································· 170

[그림 4-5] 1-mode 네트워크 (역할범주) ··········································· 172

[그림 4-6] 1-mode 네트워크 (역할) ·················································· 176

[그림 4-7] 1-mode 네트워크 (이해관계자) ······································· 178

[그림 4-8] 1-mode 네트워크 (역할범주) ··········································· 179

[그림 5-1] FSD 모형 ·········································································· 197

[그림 5-2] 상위빈도 단어수 대비 연관성 지수 1 이상 단어수 ····· 200

제1장 서론 1

제1장 서 론

최근 4차 산업혁명으로 데이터로 만들기 어려웠던 영역이 데이터의

형태로 구체화되고 인간이 생각하는 방식으로 그 데이터를 분석하는 지

능형 기술이 확산되고 있다. 에너지산업 역시 이 지능형 기술의 확산 트렌

드의 한복판에 있다. 여기에서 지능형 기술은 곧 첨단 ICT (information

and communications technologies)이자 디지털 기술(digital technologies)을

의미한다.

ICT와 디지털이 동일 의미는 아니다. 정보통신산업 분류에 따르면

ICT에는 정보를 생성하고 분석하고 전달하는 기술로서 유무선 통신망

과 서비스, ICT 기기, 소프트웨어, 컴퓨터 기반 서비스가 포함된다(박

찬국 & 김현제, 2014). 디지털은 연속된 값을 사용하는 아날로그와 대

조적으로 띄엄띄엄 떨어진 값을 사용하여 정보를 가공하고 구현하는

방식을 가리킨다.1) 그러나 ICT 부문에서 디지털 기술을 선도적으로

적용하면서 ICT와 디지털기술이 사실상 같은 맥락에서 사용되고 있다.

그리고 디지털기술이 응용되고 융합되고 확산되는 현상을 디지털화

(digitalization)로 일컫는다.

에너지 생산부터 전달, 소비과정 모든 프로세스가 디지털화되고, 각

프로세스의 데이터는 정보통신기술을 통해 실시간 수집되고 분석됨으

로써 새로운 가치를 창출하고 있다. Gray & Rumpe(2015)는 디지털화는 삶의 다양한 부분을 디지털로 전환하여 새롭게 재구조화하는 과정

으로 정의하였다. 디지털화로 사람과 사물 그리고 사물과 사물이 서로

1) 네이버 지식백과(https://terms.naver.com/entry.nhn?docId=5741412&cid=60217&categoryId=60217)

2

연결되어, 인간의 삶은 이전과 다르게 더욱 긴밀히 연결되고, 그 연결

성에서 새로운 가치 창출 기회가 생긴다(Brennen & Kreiss, 2016). 디

지털화와 유사한 용어로 디지타이제이션(digitization)이란 용어가 있는

데, 이 용어는 아날로그 데이터를 0과 1의 조합으로 전환시키는 과정

을 의미한다. 비즈니스 관점에서 상품의 디지타이제이션은 형태를 갖

춘 유형의 물질(material)과 종이서류 기반의 정보를 컴퓨터에 저장할

수 있는 이진(binary) 형태의 숫자로 바꾸는 것을 의미한다(Bloomberg,

2018; Schmidt et al., 2015).

그러나 상품의 디지털화는 물질의 탈물질화(dematerialization)에 국

한되지 않고 상품의 제조, 유통 및 소비까지 모든 과정이 디지털 형태

로 전환되는 것을 의미하며, 새로운 가치창출의 기회를 제공한다

(Schallmo & Williams, 2018). 디지털화는 상품과 서비스의 분배

(distribution) 속도를 빠르게 함으로써 효율성을 높일 수 있고, 재화의

도달범위를 확대시킬 수 있다(Gassmann et al. 2013). 이를 위해서는

디지타이제이션을 통해 0과 1로 변환된 디지털 형태의 데이터에 분석

적 가치가 더해질 때 가능하며(Brennen & Kreiss, 2016), 디지털화는

기업의 수익 창출과 운영환경 향상에 이용하는 과정이다. 즉, 기업의

디지털화는 다양한 디지털 기술을 조직의 운영 환경과 비즈니스 모델

향상에 활용하는 것으로, 조직의 업무 효율을 높이고 새로운 가치를

창출하는 것이다(Parida et al., 2019; Henriette et al., 2015; Parviainen

et al., 2017). 최근에, 디지털화는 기업 전략 수립에서 그 중요성이 확

대되고 있으며(Horlacher, & Hess, 2016; Gimpel & Röglinger, 2015),

비즈니스 프로세스를 향상시킬 핵심 기술로 논의되고 있다(Denner et

al. 2018; Matt et al. 2015). 그 외 산업 차원에서도 제조업(Zhou,

2013; Santos et al. 2017), 뱅킹(Schmidt et al., 2017; Graupner et al.

제1장 서론 3

2015), 에너지(WEF, 2016; Amin, 2013; Onyeji-Nwogu et al. 2017)

산업을 포함한 다양한 산업에서 디지털화는 혁신의 관점에서 논의되고

있다. 디지털화는 효율성(Schuh et al. 2013; Amit & Han, 2017;

Cenamor et al. 2017; Bask et al. 2010), 안전성(Dodrill, 2010), 환경

성(Isa et al., 2015; Ringenson et al., 2018; Mitchell, 2000) 그리고 신

뢰성(Lenka et al., 2016; Porter & Heppelmann, 2014; Moslehi &

Kumar, 2010)의 측면에서 새로운 가치를 창출하고 가치 창출의 범위

를 확장시킨다.

에너지산업의 디지털화가 활발하게 진행되는 분야 중 대표적으로 전

력산업을 들 수 있다. 스마트그리드(smart grids)는 전력산업 디지털화

의 대표적인 예이다. 스마트그리드는 전력의 생산, 송전, 배전, 소비를

아우르는 디지털화된 전력 네트워크로 정의된다(IEA, 2011). 스마트그

리드는 지능형 전력망으로서, 기존의 전력망에 비해 효율성, 환경성,

신뢰성이 높고 자동화된 제어 시스템을 통해 에너지 저장 및 전력 수

요 관리의 최적화를 달성할 것으로 기대되고 있다(Tuballa & Abundo,

2016; Gungor et al. 2011; Palensky & Dietrich, 2011; Gungor et al.,

2010). 정보통신기술과 같은 디지털 기술의 발달로 스마트그리드는 다

양한 재생에너지 계통을 네트워크로 연결하고, 통합된 전력망에서 전력

생산 및 소비 데이터를 분석하여 전력 생산과 소비의 균형을 맞춘다.

그 결과 에너지 공급의 안정성과 관리의 효율성을 향상시킨다(Rehmani

et al., 2018).

풍력, 태양광 발전과 같은 재생에너지는 날씨 환경에 따른 출력이

간헐적이고 급전(dispatch)이 어려운 특성으로 에너지생산 관리가 어렵

고 그 발전량을 늘리는데 한계가 있다(Phuangpornpitak & Tia, 2013;

Alagoz et al., 2012; Alonso et al., 2012; Krioukov et al. 2011). 풍력

4

의 경우 풍속에 따라 발전량의 변동폭이 심하고 태양광 발전의 경우

낮 시간대만 발전이 가능하며 날씨가 흐리면 그 발전량이 현저히 줄어

들어 환경성이라는 장점이 있음에도 불구하고 주요 에너지원이 되지

못했다(Moslehi & Kumar, 2010).

그러나 이러한 재생에너지의 출력이 간헐적이고 급전이 어려운 특성

은 분산에너지저장 시스템으로 해결할 수 있다(Moslehi & Kumar,

2010). 분산 에너지 저장 시스템은 지역 단위의 전력망에 연결된 에너

지 저장 장치로서, 에너지 저장 위치를 소비되는 위치와 일치시켜 에

너지 이동에 따른 에너지 손실과 비용을 줄일 수 있다(Roberts &

Sandberg, 2011). 그리고 각 가정에 설치된 스마트미터가 분산에너지

저장 시스템과 실시간으로 정보를 공유함으로써, 소비하고 남은

(surplus) 에너지를 저장장치에 저장하고 반대로 부족한 전력을 전력망

으로부터 받아쓸 수 있게 되어 재생에너지 발전량 변동성에 대응할 수

있게 된다(Römer et al., 2012). 결국 스마트그리드의 도입은 안정적인

재생에너지 발전을 가능하게 하고 재생에너지의 발전량을 효율적으로

관리하며 에너지의 탈탄소화에도 기여한다.

석유가스 산업도 디지털화가 꾸준히 진행 중이다. OGJ(2018)에 의

하면 석유가스 산업에서 가장 두드러진 비즈니스모델 변화를 보이고

있는 부문은 자원개발서비스 부문이다. 장비 제조업체들은 머신러닝

기술을 결합한 그들의 장비를 유지보수하고 있고, 고객들이 장비활용

을 최적화할 수 있도록 데이터 모니터링과 같은 지원 서비스를 제공하

고 있다. 일반적으로 석유가스 부문 기업들은 부수 장비 및 서비스를

제공하는 자원개발서비스 기업들에 자산 유지보수를 맡기는 것을 꺼려

왔다. 왜냐하면 의존도가 높아질 경우 잠금효과(lock-in effect)가 발생

할 수 있기 때문이다. 그러나 사물인터넷, 빅데이터, 인공지능과 같은

제1장 서론 5

지능형 기술의 파급력으로 자원개발서비스 기업의 이윤이 높아질 뿐만

아니라 석유가스 기업의 편익도 함께 증가하고 있어 자원개발서비스

기업의 영향력이 확대되고 있다(OGJ, 2018).

상류 부문에서는 자원을 채굴하는 시설이 보통 외진 곳에 위치해 있

어 원격으로 모니터링하고 설비를 제어할 역량을 갖출 경우 생산성 향

상에 크게 기여할 것이다. 또한, 센서 네트워크를 통해 유정 및 가스정

(유가스정)에서 생성되는 데이터는 석유가스 공급기업들로 하여금 유

가스정 생산량을 추정할 수 있게 하여 30~40년 생애주기를 갖는 유가

스정에서 자원 생산가능성이 어느 정도인지를 유추할 수 있게 해준다.

작업장의 안전성 제고를 위해서도 디지털 기술의 활용은 중요한데, 밸

브 압력 측정 센서와 같은 실제 하드웨어뿐만 아니라, 화재, 위기일발,

상해 등에 민첩하게 대응할 수 있는 솔루션 개발에도 주력하고 있다

(박찬국 & 김현제, 2015).

중류 부문의 경우 현재 파이프라인을 따라 부식방지 전기방식 센서

(corrosion-preventing)와 같은 센서들이 다수 설치되어 있고, 자산 상

태를 쉽게 확인할 수 있는 센서들이 활용되고 있다. 유통 차원에서는

천연가스 산업이 사물인터넷을 상대적으로 많이 활용할 전망이다. 사

물인터넷 솔루션 공급자들은 수출 터미널에서부터 선적선, 해외 인도

에 이르기까지 원격 센서 데이터의 중요성이 더욱 높아질 것으로 보고

있다(Lesser, 2014; 박찬국 & 김현제, 2015).

하류 부문은 특히 원유정제업에서 빅데이터와 인공지능 기술을 활용

하여 원유정제 공정 혁신을 추구하고 있다. 원유정제업의 특징 중 하

나는 원유 구매 비용이 석유제품 제조원가에서 차지하는 비중이 매우

높다는 점이다. 최근에는 비전통원유 유입 증가로 과거에 고려되지 않

은 유종의 정제시설 투입을 고려해야 할 경우가 많아지고 있다. 이 경

6

우 빅데이터 분석을 통해 적절한 유종의 조합을 찾아내고 설비의 적합

성을 진단하고 있다. 또한, 정유산업이 장치산업의 특성을 갖고 있어

공정의 무결성을 통한 제품의 불량률, 계획한 산출물 목표 달성이 매

우 중요하다. 이 과정에서 모니터링, 원격제어, 사전유지보수 기능을

갖춘 디지털 기술의 역할이 더욱 강조되고 있다(유학식 & 박기현,

2017; AREVA, 2018).

이렇게 디지털 기술은 에너지산업 전체적으로 빠르게 확산되며 에너

지산업의 구조를 바꾸고 있다. 특히, 에너지산업의 가치 생산, 전달, 소

비라는 흐름에서 다양한 에너지원의 유입을 가능하게 하고 새로운 사

업자 및 서비스를 탄생시키며, 소비자가 프로슈머로 성장하게 만든다.

본 연구에서는 디지털화에 따른 에너지 산업 구조 변화를 가치사슬

의 변화 양상 관점에서 다양한 이슈를 살펴보고자 한다. 가치사슬 변

화 양상 관점에서 이슈를 살펴볼 경우 에너지산업에서 생산하는 가치

들의 흐름에 대한 이해를 늘리고, 다양한 참여자들 간 생태계 변화를

함께 살펴볼 수 있다는 장점이 있다.

그동안 에너지산업 가치사슬 연구는 정성적인 측면에서 그 구조를

분석하는 연구들이 대부분이었다. 그 이유로는 에너지산업 가치사슬

구조의 변화를 대변하는 데이터 확보의 어려움이 한몫을 한다. 에너지

산업 네트워크가 과거 대비 복잡해지고 이해관계자도 많아지면서 가치

사슬 관점에서 그 변화를 충분히 확인할 수 있는 정제된 데이터가 부

족한 현실이다. 또한 기존 연구들이 동태적으로 접근하지 못했다. 이

역시 장기간에 걸쳐 데이터가 축적되어 있지 못한 점 때문이다. 현재

처럼 에너지기업들뿐만 아니라 ICT, 건설, 자동차 등 다양한 기업들이

참여하는 산업구조에서 전체 그림을 보려면 다양한 산업의 관계를 표

현할 수 있는 통합된 형태의 데이터가 필요하다.

제1장 서론 7

이에 본 연구는 기존 데이터의 한계를 극복하면서 에너지산업의 변

화를 포괄적으로 볼 수 있고 동태적으로 확인할 수 있는 텍스트 빅데

이터 분석을 시도한다. 텍스트 빅데이터는 비정형 데이터로 곧바로 활

용하기에는 무리가 있으나 별도의 정제 과정을 거치면 다양한 인사이

트를 제공할 수 있는 장점이 있다. 정제된 텍스트 빅데이터는 다시 네

트워크 분석, 통계분석, 미래신호탐색 기법 등을 활용함으로써 과학적

으로 그 의미를 해석하도록 한다.

본 연구의 설계 및 보고서 구조는 [그림 1-1]과 같다. 에너지산업 가

치사슬 변화와 관련하여 총 7개의 연구 질문을 제기하였다. 첫째, 에너

지산업의 가치사슬 변화의 양상은 구체적으로 어떻게 나타나고 있는

가? 둘째, 가치사슬 변화와 함께 에너지산업 및 기업 네트워크 구조가

달라지고 있는데, 그 변화의 모습과 방향은 어떠한가? 셋째, 네트워크

구조가 달라지면서 각 기업별 네트워크 위상이 달라지는데 그 주요 요

인은 무엇인가? 넷째, 에너지소비자의 영향력이 높아지고 있는 가운데

소비자에 대한 관심도를 정량적으로 어떻게 평가할 수 있을 것인가?

다섯째, 에너지소비자가 에너지산업에서 중요한 이해관계자로 발전하

고 있는 가운데 그들이 갖고 있는 스마트에너지시스템 인식은 어떠한

가? 여섯째, 디지털화에 대응하기 위한 에너지산업 이해관계자별 역할

은 무엇인가? 일곱째, 에너지 부문 디지털화와 관련하여 미래에는 어

떤 이슈가 부각될 것인가이다.

첫 번째부터 다섯 번째 연구 질문은 가치사슬 변화 양상을 살펴보면

서 산업, 기업, 소비자 차원에서 구체적으로 중요 이슈를 살펴보는 것

이다. 여섯째 질문은 에너지산업 가치사슬 변화 양상을 탐구하는 것을

넘어 디지털화에 따라 에너지산업 이해관계자들의 바람직한 역할은 무

엇인가를 제시해보는 것이다. 일곱째 질문은 그동안 과거와 현재의 이

8

슈를 다뤘다면 미래에 발생할 이슈를 미래신호탐색 기법 프레임워크를

기반으로 살펴보는 것이다.

다시 한 번 서술하면 본 연구의 목적은 상기 연구 질문들에 대한 답

변을 하면서 에너지산업의 가치사슬의 변화의 양상과 미래 이슈를 짚

어보고, 에너지산업 이해관계자들의 역할을 함께 살펴보는 것이다. 이

를 통해 디지털화에 따른 에너지산업의 변화 흐름에 관한 지식 기반을

확충하고자 한다.

본 연구는 텍스트 빅데이터를 다룬다는 점, 가치사슬 변화를 정량적

인 수치로 표현한다는 점, 동태적으로 과거부터 현재까지의 흐름을 본

다는 점이 주요 차별성이라고 할 수 있다. 본 연구 결과가 정책 및 규

제 기관, 산업체 등 에너지 부문 이해관계자뿐만 아니라 텍스트 빅데

이터를 활용하는 연구자들에게 조금이나마 인사이트를 제공할 수 있기

를 바란다.

제1장 서론 9

○ 다차원화

○ 삽입

○ 축소 또는 제거

■ 디지털화에 따른 에너지산업 가치사슬 변화

-가치사슬구조의복잡성증대

-새로운가치를창출하는사업과서비스등장

-고객에게가치를제공하지못하는부분축소또는소멸

○ 역류

-가치사슬출발점이고객

○ 에너지산업과 기업 네트워크 분석-네트워크밀도, 노드중심성변화

○ 기업의 네트워크 위상 변화 영향요인- Digitalization, Decentralization,

Decarbonization, Depollution 등

○ 소비자에 대한 중요도 및 관심도 변화○ 소비자의 스마트에너지시스템 인식

■ 디지털화에 대응하기 위한 에너지산업 이해관계자 역할

○ 정부/규제 기관, 소비자, 에너지기업, 디지털서비스기업 등의 가치창출활동

■ 에너지 부문 디지털화 관련 미래 신호

○ 기술, 이해관계자, 서비스 영역, 주요 가치, 디지털 기능 부문 미래 신호

<가치사슬 변화 양상> <가치사슬 변화 양상별 분석 내용>

■ 과거와현재

■ 현재

■ 현재와미래

시기적 초점 주요 연구내용

차별성1. 빅데이터 차별성2. 정량화

차별성3. 동태적 접근

연구질문(1) 연구

질문(2)

연구질문(3)

연구질문(4,5)

연구질문(6)

연구질문(7)

질문 번호 연구질문 보고서

(1) 에너지산업의가치사슬변화의양상은구체적으로어떻게나타나고있는가

2장

(2) 가치사슬변화와함께에너지산업및기업네트워크구조가달라지고있는데, 그변화의모습과방향은어떠한가? 3장 1.

(3) 네트워크구조가달라지면서각기업별네트워크위상이달라지는데그주요요인은무엇인가? 3장 1.

(4) 에너지소비자의영향력이높아지고있는가운데소비자에대한관심도를정량적으로어떻게평가할수있을것인가? 3장 2.

(5) 에너지소비자가에너지산업에서중요한이해관계자로발전하고있는가운데그들이갖고있는스마트에너지시스템인식은어떠한가? 3장 3.

(6) 디지털화에대응하기위한에너지산업이해관계자별역할은무엇인가? 4장

(7) 에너지부문디지털화와관련하여미래에는어떤이슈가부각될것인가? 5장

※ 주요 연구질문 및 보고서 구성

[그림 1-1] 연구 설계

자료: 저자 작성

제2장 에너지산업 가치사슬 변화 양상 11

제2장 에너지산업 가치사슬 변화 양상

1. 배경 및 방향

기존의 에너지산업 가치사슬은 생산, 거래, 전달, 판매, 소비에 이르

는 단선형 구조였다. 그러나 소규모 재생에너지발전 시스템, 에너지저

장장치(ESS), 전기자동차, 수요측 에너지절감 자원 등 분산자원이 확

대되고, 소비자는 에너지프로슈머(energy prosumers)로 발전하며, 애그

리게이터(aggregators), 중개자(brokers), 지자체 등이 새로운 중요한 이

해당사자로 참여하면서 에너지산업 가치사슬은 복잡한 네트워크 형태

로 변모하고 있다.


이러한 가치사슬 변화를 이끄는 주요 동인 중 하나는 스마트에너지

시스템의 확산이다. 그동안 다루지 못했던 세부적인 정보가 담긴 빅데

이터를 생산하고 그 데이터를 가공, 분석하는 지능형 디지털 기술이

[그림 2-1] 에너지산업 가치사슬 구조 변화

12

발전하면서 에너지생산에서 소비에 이르는 전 과정에 걸쳐 생산성,

환경성, 신뢰성, 안전성을 높이는 기회가 늘어나고 있다. 특히, 에너지산업

가치사슬을 급격히 변화시키고 있는 분산자원의 확산을 촉진함으로써

산업 구조 변화를 가속화하는 역할을 수행하고 있다.

디지털 기술이 분산자원을 확산시키는 주요 동인이 되는 것은 바로

분산자원을 효과적으로 활용할 수 있는 기반이 되기 때문이다. 디지털

기술은 불규칙한 재생에너지 출력을 예측하고 제어할 수 있게 하고 저

장장치의 충방전을 관리하며, 수요측 자원이 전력수요에 효과적으로

반응할 수 있도록 기여한다. 사물인터넷, 빅데이터, 인공지능 기술에

힘입어 기상, 기기, 주변상황 관련 정보를 실시간으로 확보하며 패턴을

학습하고 예측함으로써 분산자원을 통해 에너지시스템의 효율성, 안정

성, 안전성을 높이는 데 기여한다.

이러한 기술의 발전은 분산자원의 보급 및 활용 주체를 새로운 사업

자들에 국한하지 않고 기존 에너지산업 이해당사자들 역시 분산자원

보급 및 활용의 주요 주체로 변모시키고 있다. 에너지생산자들 역시

외부에서 재생에너지 크레딧을 구매하는 것뿐만 아니라 자체적으로 재

생에너지 생산에 적극 참여하고 있으며, 에너지시스템 운영을 담당하

는 거래소나 시스템운영기관에서도 분산발전, 저장에너지, 수요자원을

활용하여 시스템의 안정성을 높이는 노력을 확대하고 있다. 판매 부문

에서도 에너지수요 충족에 필요한 적정 에너지공급량을 확보하기 위해

중개사업자를 통해서나 직접 분산자원 소유주들과 계약을 체결하기도

한다. 무엇보다 주목할 필요가 있는 것은 바로 에너지 소비자가 에너

지 생산자로 변모하는 것이다. 기존의 소비자는 생산된 에너지를 전달

받고 활용하는 대가로 사업자들에게 비용을 지불하는 역할에 머물렀

다. 그러나 최근에는 직접 에너지생산에 참여하기도 하고, 별도로 저장


한 에너지를 경제적으로 재활용하기도 하며, 자신이 생산하고 소비한

뒤 남은 잉여 에너지를 에너지시장에 되팔거나 직접 이웃에게 되팔기

도 한다. 또한, 에너지수요가 높은 피크 시간대에 에너지소비를 줄이거

나 에너지요금이 낮은 시간대에 에너지소비를 늘림으로써 경제적 이득

을 취하기도 한다. 그리고 소비자의 그 수요자원은 에너지공급 시스템

의 총 비용을 낮추는 데 기여할 수도 있다.

에너지산업의 디지털화는 가치사슬의 변화, 소비자의 에너지시장 참

여 증가, 여러 다른 이해관계자의 등장이라는 측면에서 사회과학적으

로 검토되어야 하는 이슈를 내포한다. 이에 디지털화에 따른 에너지산

업의 변화에 대해 다양한 연구가 진행되어 왔다. Attwood et al.(2017)

은 ICT 융합이 비즈니스모델과 시장기회에 미치는 영향을 제시했고,

WEF(2016)는 전력산업의 디지털화가 자산 수명주기 관리, 전력망 최

적화, 융합 고객서비스를 가능하게 했음을 강조하였으며, 산업 차원의

탈탄소화 및 탈중앙화를 주장하였다. IEA(2017)는 디지털화에 따른 에

너지수요와 사이버안보의 변화 등의 문제점을 제기했다. 다만, 이러한

연구들은 에너지산업의 디지털화에 대한 종합적 검토라는 장점이 있지

만, 분석 프레임워크가 체계적이지 않다는 한계가 있다.

산업 가치사슬 프레임워크를 적용하여 디지털화에 따른 에너지산업

의 변화를 살펴본 연구들도 있다. Valocchi et al.(2014)은 전력산업 가

치사슬의 기존 측면을 변화된 측면과 비교하여 정보와 소비자의 중요

성을 강조했다. Annunziata & Bell(2015)은 디지털기술이 에너지산업

가치사슬에 미치는 영향을 분석했고, Booth et al.(2016)도 디지털화

차원에서 에너지산업의 기회를 살펴보았다. CGI(2017)는 ICT로 인해

소비자의 영향이 증가하면서 에너지산업 가치사슬의 변화가 가속화될

것으로 전망했다. SAP(2017)은 디지털화가 발전, 송전, 배전, 소매에

14

대한 시장법칙을 바꾼다고 강조했다. 위에서 언급한 가치사슬 분석 프

레임워크를 적용한 연구들은 디지털화가 기술적으로 어떻게 진행되고

있으며, 각 가치사슬 부문에서 어떤 시장기회가 존재하는지에 집중한

다. 그러나 이들 연구는 디지털화에 따라 에너지산업의 가치사슬이 동

태적으로 어떻게 변화하는지에 대해서는 분명하게 검토하지 않았다.

이 장에서는 기존 연구처럼 디지털화에 따른 에너지산업 가치사슬의

변화를 가치사슬을 구성하고 있는 개별 요소에 초점을 맞추기보다는,

그 변화 양상을 프레임워크로 개념화하고 관련 사례를 확인함으로써

가치사슬 변화 양상에 대한 이해를 돕기로 한다.

2. 관련 연구

2.1. 디지털기술 융합과 가치사슬 변화

일반적으로, 기술 분야에서 융합은 다른 기술이나 기능을 조합하고

새로운 종류의 기술이나 기능을 재생산하는 현상을 의미한다. 기술적

융합은 지식융합과 긴밀한 관계가 있으며, 이전에는 별개였던 기술들

이 공동의 제품으로 조합되는 것을 의미한다(Gambardella & Torrisi,

1998; Basole et al., 2015). 기술 융합은 새로운 부가가치 서비스와 제

품으로 이어진다(Stieglitz, 2003; Papadakis, 2007). 그러나 최근 디지

털 기술과의 융합 프로세스는 기술 사이에서만 이루어지는 것이 아니

라 산업 사이, 그리고 기술과 사람의 삶 사이에서도 이루어진다. 디지

털 기반 산업 융합은 현재 산업적 구조변화의 중심에 있으며(Han et

al., 2009; Park & Kim, 2014; Lee, 2005), 정보산업 이외의 영역 또한

온라인과 오프라인의 결합을 통해 정보화(informatization)라고 불리는

트렌드에 편입되고 있다(Lee, 2005; Hacklin, 2010). 이에 산업 융합은


비즈니스 모델이 충돌하고, 시장 경계가 점차 흐릿해지거나 재편되는

결과를 가져온다(Basole, 2015; Hamel & Prahalad, 1994).

디지털 기반 융합과 함께 가치사슬 구조도 변화하고 있다. 가치사슬

은 원래 기업 생산의 각 활동을 구분하기 위해 제안된 개념이었으나,

비즈니스 영역에서 광범위하게 사용되면서 전체 산업구조를 표현하는

개념으로 확장되었다(Joo et al., 2010). Porter(1985)가 제시했던 개념

인 가치사슬은 고객에게 가치를 제공하는 데 직간접적으로 관련된 연

결된 일련의 행동, 기능, 프로세스를 말한다. 그는 이 개념을 비즈니스

가치사슬에서 가치 시스템을 의미하는 산업 가치사슬로 더욱 확장시켰

다. 그는 산업 가치사슬 분석에서 비즈니스, 공급자, 그리고 고객 사이

에 연결성의 중요성을 강조했다(Porter, 1985). 디지털 기반 산업 융합

은 가치사슬을 구성하는 하위부문의 통합, 개별 단계의 재결합과 같은

활동을 추가하거나 하지 않음으로써 가치사슬을 재구성하게 된다

(Wirtz, 2001; Wang, 2010).

2.2. 디지털화에 따른 가치사슬 변화 양상

산업의 변화를 검토하기 위해서는 가치 시스템에서 일어나는 변화

자체에 관심을 기울일 필요가 있다. 현재 진행되고 있는 디지털화는

새로운 산업, 새로운 서비스, 새로운 가치를 창출하고 있으며, 가치사슬

의 다차원화(multi-dimensionalization), 역류(counter-flow), 삽입(insertion),

축소(diminution) 또는 제거(removal)를 주요 특징으로 한다(Lee, 2005;

Hacklin, 2010; Wirtz, 2001; Mathur, 2010). 박찬국 & 김현제(2014)는

이 4가지 변화 양상 프레임워크를 기반으로 에너지산업의 가치사슬 변

화를 조망한 바 있다.

16

[그림 2-2] 디지털 융합 시대의 가치사슬 변화의 양상


가치사슬의 다차원화는 기존 가치사슬의 해체와 새로운 조합이 이루

어지면서 새로운 가치가 만들어지고, 가치사슬의 제품과 정보의 제공

경로가 전통적 경로보다 더욱 복잡해지는 현상을 의미한다. 수입을 창

출하는 가치교환은 가치 네트워크의 일부에 불과하다. 지식과 같은 무

형 이익의 흐름도 가치 네트워크에서 마찬가지로 중요하다(Allee,

2000). 무형 이익 교환에서, 기업은 사용자 선호에 기반을 두어 개인적

으로 맞춤화된 제품과 서비스를 제공하고, 사용자는 고객 사용 데이터

를 통해 피드백을 제공한다(Allee, 2000). 무형 이익에는 공동체 의식,

고객 충성도, 이미지 개선, 또는 공동브랜드(co-branding) 기회 등이 포

함된다(Allee, 2000; Allee, 2008). 다차원화와 복잡한 상호작용은 새로

운 가치 창출을 가속화하는 표준화된 플랫폼에 대한 수요를 증대시킨다

(Gawer, 2014).


가치사슬의 역류란 가치사슬의 시작점이 제품이 아니라 소비자라는

의미이다(박찬국 & 김현제, 2014). 디지털 기술은 고객가치를 증대시

키고 정보 비대칭을 감소시키며 투명성을 강화시켰다(Barrutia &

Echebarria, 2005; Seshadrinath & Pan, 2018). 전통적 가치사슬이 제

품의 생산으로부터 시작되고 유통망을 통해 고객에게 제품을 공급하면

서 마무리되는 반면, 디지털 융합 시대에서의 가치사슬은 가치생산의

출발이 고객의 수요에서 시작하고 고객의 만족으로 되돌아가는 순환형

의 사슬을 구성한다.

가치사슬의 삽입은 새로운 가치를 제공하는 사업자나 서비스가 기존

가치사슬 구조에 추가되는 양상을 의미한다(박찬국 & 김현제, 2014).

디지털화에 따라 가치사슬 단계와 참여자들의 재편이 이루어지고 비용

절감뿐만 아니라 고객과 사업자를 위한 가치창출 활동이 추가된다

(HBR, 2000; Deloitte, 2015).

가치사슬의 제거는 고객에게 더 이상 가치를 제공할 수 없는 기존

가치사슬의 일부분이 사라지는 과정이다(박찬국 & 김현제, 2014). 융

합이 가속화되면서 이러한 변화의 속도는 더욱 빨라질 것인데, 기존

기업은 빠르게 변화하는 융합 환경에 적응하기 위해서 전략적 제휴나

인수합병을 추진하기도 한다(Appelgren, 2004).

3. 에너지산업 가치사슬의 변화의 양상

3.1. 가치사슬의 다차원화

앞서 제시한 [그림 2-1]을 보면 기존 에너지산업 가치사슬에 분산발

전, 저장자원, 수요자원이 추가로 연계되고, 에너지시스템의 복잡성은

18

더욱 높아지게 된다. 기존에는 대규모 에너지생산-전달-소비 과정의 단

일층이 가치사슬 구조를 대변했다면, 분산자원이 추가되면서 다양한

형태의 에너지생산 시스템이 갖춰지고, 저장이라는 가치사슬이 추가되

며, 수요자원이라는 요소가 별도의 가치를 구성하게 된다. 이에 에너지

시스템은 차원이 다양해지고 복잡한 형태로 변모해간다. 그러한 복잡

성을 효과적으로 관리하고 시장참여자간 거래를 원활하게 해주기 위한

디지털 플랫폼이 또 하나의 중심축을 이루면서 가치사슬 구조는 더욱

다차원화된다.

플랫폼은 둘 이상의 당사자 간 거래에 있어서 표준 기반(standard

base)을 제공하는 일반적 아키텍쳐와 규칙을 의미한다(Valocchi et al.,

2014; 박찬국 & 김현제, 2014). 데이터를 기반으로 하는 디지털 플랫

폼은 분산 자원(distributed resources)을 상호 연계하는 데 효과적일 수

있다. 많은 디지털 플랫폼은 물리적 인프라 또는 자산을 제공하는 대

신 서비스로서 그 기능을 발현한다. 즉 흩어져 있는 자원들을 디지털 기

술을 통해 쉽게 교환할 수 있는 공통 기반을 제공해준다(Kloppenburg

& Boekelo, 2019). 앞으로 태양광, 연료전지, 풍력 등의 분산발전, 전

기자동차, ESS 등의 저장장치, 에너지절감 및 이용효율을 통한 수요자원

등은 디지털 플랫폼 기반 하에서 효과적으로 교환될 수 있을 것이다.

디지털 플랫폼의 발달과 더불어 데이터의 가치가 함께 상승하고 있

다. 특히 에너지산업의 디지털화로 인해 막대한 양의 데이터가 생산되

는데, 그 방대한 데이터를 분석하고 비즈니스 가치를 창출하는 역량이

중요해진다(Valocchi et al., 2014; Schuelke-Leech et al., 2015; Zhou

et al., 2016). 일례로 스마트미터의 경우 매 15분마다 데이터를 얻고 1

년에 약 400 MB의 데이터를 생성하는데, 한 전력회사가 1억명의 고객

에게 스마트미터를 보급한다고 가정하면 이 전력회사는 연간 400 TB


의 데이터를 처리해야 한다(MaRS, 2014; Park, 2013). Bloomberg

New Energy Finance(BNEF)(2017)는 전 세계 스마트미터 보급률이

2017년 37.9%에서 2030년 81.2%가 될 것으로 전망하고 있다. 스마트

미터 도입만이 데이터의 양을 증가시키는 요인이 아니다. 지리정보시

스템(GIS)나 SPU(synchro-phasor unit) 등의 장치 활용도 데이터의 폭

발적 증가에 기여한다(박찬국 & 김현제, 2014).

에너지 부문에서 사물인터넷(IoT)이 보편화됨에 따라 우리는 중요한

현장 데이터를 획득하고 이를 예측관리, 성능 모델링(performance

modeling), 분석 등에 이용할 수 있게 될 것이다. IEA(2017)는 전력산

업의 경우 발전소와 전력망에서의 광범위한 디지털 데이터 및 분석 활

용으로 인해 운영 및 유지비용(O&M) 비용 절감, 발전소 및 전력망 효

율성 개선, 비계획 절전 및 다운타임(downtime) 감소, 자산의 운영 수

명 연장에 따른 평균 누계 절감액이 연간 약 800억 달러, 총 연간 발

전비용의 5%에 달한다고 추산한다.

데이터의 영향력은 재생에너지, 석유가스 부문에서도 강하게 나타난

다. 예를 들어, 풍력터빈 부지 선정 시 데이터 분석이 포함되면 개발비

용이 약 10% 절감될 수 있다고 알려져 있다. 또한 데이터 분석과 예측

관리 소프트웨어는 풍력터빈의 운영 및 관리비용을 10% 절감해줄 수

있다(BNEF, 2018a; GE, 2018). E.ON, Vestas Wind Systems, Iberdrola

등의 기업들은 모두 풍력발전소의 O&M 비용을 절감하고 자산의 성능

을 실시간으로 개선하기 위해 인공지능(AI)을 활용한다. AI는 예측관

리의 기능과 함께 운영사가 부품의 수명을 최적화할 수 있게 해준다.

에넬(Enel)은 자산 디지털화를 통해 2009~2017년간 육상 풍력발전소

의 O&M 비용을 24% 절감했다고 발표했다(BNEF, 2018b). 석유가스

부문에서도 데이터 활용을 통한 가치창출 활동이 이어지고 있는데, 석

20

유가스 생산에 디지털기술을 접목한 스마트오일필드(smart oilfield) 기

술을 활용할 경우 순현가(net present value) 기준 최대 25% 정도의 개

선이 가능한 것으로 알려져 있다(박찬국 & 김현제, 2014).

3.2. 가치사슬의 역류

가치사슬의 역류는 앞서 언급한 바와 같이 가치제공 방향이 생산자

에서 소비자로 일방적이었던 기존 구조에서 소비자로부터도 가치가 전

달되는 양방향 체제로의 전환을 의미한다. 에너지소비자는 단지 소비

자로 남아있지 않고 에너지 생산에 참여하는 프로슈머(prosumer)가 되

고 있다(Miller & Senadeera, 2017). 프로슈머는 에너지소비자이면서

동시에 에너지생산자인 고객을 의미한다(Zafar et al., 2018).

프로슈머 가구는 주로 스마트가전, 스마트미터 등의 기기, 센서, 홈

게이트웨이, 중앙서버에 연결된 에너지관리시스템(EMS)과 같은 솔루

션을 갖추고 있다. 이 중에서 EMS는 에너지 생산 및 소비를 모니터

링, 제어, 최적화하는 역할을 수행한다(Zpryme, 2014). 에너지 프로슈

머는 특히 분산발전을 통해 에너지시장 참여 폭을 넓혀가고 있다.

Brown & Ciliberti-Ayresm(2012)에 의하면 분산형 발전은 전력공급

의 질과 안정성을 개선하기 위해 부하관리 및 에너지저장 시스템에 연

결될 수 있는 소형 모듈 발전기술(일반적으로 3~10,000kW)을 의미한

다. 전 세계 분산형 발전 시장은 2018~2025년 동안 약 15%의 연평균

성장률(CAGR)로 커질 것으로 전망된다(Energias Market Research,

2018).


[그림 2-3] 소비자 영향력을 높이는 분산자원 시장 확대

자료: IEA(2017); 산업통상자원부(2019a).

수요반응 역시 에너지소비자의 가치창출 활동에 기여하고 있다. 에

너지 소비자들은 전력 요금의 변화에 반응하면서 자신의 전력소비 패

턴을 바꾸며, 그에 따른 효과로부터 보상을 받는다. 수요반응은 에너지

수요를 충족하기 위해 공급을 확대하는 대신 소비자의 자원 사용을 감

소시켜 에너지 수급균형 유지에 기여한다(Moreno-Munoz et al.,

2016). [그림 2-3]에서 제시한 바와 같이 향후 에너지소비자의 영향력

은 분산발전, 저장장치, 수요반응 시장 확대와 함께 지속 커질 것으로

예상된다.

3.3. 가치사슬의 삽입

에너지산업의 디지털융합으로 다양한 서비스와 제품이 증가하고 있

다(Choi & Lee, 2015; 산업통상자원부, 2017). 이러한 서비스와 제품

을 제공하는 기업들이 늘어나고 있는데, 에너지기업뿐만이 아니라 통

신, 소프트웨어, 단말기, 보안, 건설, 자동차 등 여러 다양한 비즈니스

가 에너지 관련 상거래에 참여하고 그 참여의 정도가 커지고 있다.

22

특히, ICT 기업의 에너지산업 진출은 여러 측면에서 소개되고 있다.

대표적 ICT 기업인 애플과 구글 역시 에너지사업을 추진하고 있다. 애

플은 2014년 6월 2일 홈 자동화 플랫폼인 홈킷(HomeKit) 출시와 함께

커넥티드 홈(Connected Home) 전략을 발표했다. 홈킷의 주요 활용 영

역은 보안과 조명이기는 하지만, 홈 에너지 관리도 애플리케이션의 범

위에 포함되어 있다(BNEF, 2014). 구글도 에너지 비즈니스에 대한 투

자를 확대하고 있다. 구글은 2014년 1월 지능형 온도조절기 제조사인

네스트(Nest)를 32억 달러에 인수했으며, 파워미터(PowerMeter) 프로

젝트 중단으로 멈추어 있었던 홈 에너지데이터 분석 및 관리 비즈니스

를 재개했다(Sioshansi, 2014). 네스트 온도조절기는 스마트폰을 통해

언제 어디서나 인터넷 접속을 할 수 있으며 사용자의 선호에 따라 집

온도와 리빙 패턴을 조절할 수 있다. 또한 모니터링 및 분석 결과를 소

비자가 직관적으로 이해할 수 있게 제공한다(박찬국 & 김현제, 2014).

이커머스 운영사가 전력 소매사업에 참여하는 사례도 있다. 라쿠텐

(Rakuten Inc.)은 인터넷 뱅킹에서 전자책에 이르기까지 다양한 온라인

비즈니스를 하는 일본 유명 전자상거래 기업이다. 2012년 처음으로 라

쿠텐 솔라(Rakuten Solar) 부서를 설립하고, 태양광발전 시스템과

EPC(설계-조달-시공) 서비스를 자사의 전자상거래 플랫폼을 통해 온라

인으로 번들링하여 판매하는 서비스를 출시하였다. 2013년 부서 이름

을 라쿠텐 솔라에서 라쿠텐 에너지(Rakuten Energy)로 바꾸고 고전압

부문에서 전력 소매 서비스를 시작했으며, 2016년 일본 전력소매시장

이 자유화되면서 저전압 부문에서도 소매사업을 시작했다. 또한, 2017

년 12월 블록체인 기술을 이용하여 일본 정부가 인증하는 탄소 상쇄

크레딧인 J-크레딧(J-Credit)의 교환을 가능하게 하는 거래 플랫폼(라쿠

텐 에너지 거래 시스템(Rakuten Energy Trading System))을 출시했다


(BNEF, 2018c).

개인 간(P2P) 에너지 거래 비즈니스에 대한 ICT 기업의 참여도 증

가하고 있다. 예를 들어, 영국에 위치한 P2P 전력거래 플랫폼 제공사

인 피클로(Piclo)는 재생에너지기업인 Good Energy와 협업하여 P2P

전력거래 서비스를 제공한다. 피클로는 계량 데이터, 발전 비용, 소비

자 선호 정보를 이용하여 매 30분마다 전력 소비자와 공급자를 연결해

준다. 전력 공급자와 소비자는 자신의 컴퓨터나 스마트폰에서 피클로

의 온라인 서비스를 이용한다(Park & Yong, 2017). 피클로 외에도 현

재 수십 개의 기업이 전력 P2P 비즈니스를 위해 블록체인 기술을 이

용하고 있다(박찬국, 2018).

위에서 언급한 사례들 외에도, 다양한 산업 비즈니스들이 에너지 프

로젝트에 참여하고 있다. 예를 들면 Comcast(Greentechmedia, 2014;

UtilityDive, 2014), Telstra(Van Hout, 2016), Verizon(Verizon, 2018),

KT(GSM Association, 2017) 등의 통신사가 있고, Toyota(Merchant,

2017), Tesla(Tesla, 2016), GM(GM, 2017) 등의 자동차기업이 있다.

또한, LG 전자(ForbesCustom, 2016), Whirlpool(Whirlpool, 2017) 등

의 소비자가전 기업, POSCO-ICT(Seo, 2017), LG CNS(LG CNS,

2018) 등의 솔루션 기업, Freescale(Freescale, 2013) 등의 반도체 기업

등이 포함된다(박찬국 & 김현제, 2014).

3.4. 가치사슬의 축소 또는 제거

에너지산업의 변화하는 환경은 에너지기업, 특히 빠른 혁신이 일어

나고 있는 전력부문의 전통적 비즈니스 모델의 변화를 요구한다. 탄소

배출은 적지만 간헐적 발전이 이루어지는 재생에너지의 확산으로 전력

24

망 운영 비용은 증가하고 있으며, 소비자들이 자신의 분산형 발전 시

스템을 구축하면서 수입 기반은 감소하고 있다(EPRI, 2014; Castaneda

et al., 2017).

에너지산업의 디지털 융합 환경이 여러 비즈니스들의 참여를 촉진하

지만, 기업들 간 경쟁을 강화시키기도 한다. 또한 유가정보시스템 등과

같은 기술들은 에너지 소비자들에게 시장가격 신호에 기반을 두어 에

너지공급자를 선택할 수 있게 만들어준다. 에너지저장기술과 마이크로

터빈(micro-turbine)은 고객이 항상 전력공급기업의 전력망에 의존해야

한다는 과거의 인식을 벗어나게 하고, 프로슈머가 중앙 에너지 네트워

크에서 독립할 수 있는 환경을 조성한다(Parag & Sovacool, 2016;

Lavrijssen & Parra, 2017).

전력산업의 경우 20세기 초부터 발전, 송전, 배전, 판매의 수직통합

구조와 함께 안정적 비즈니스 모델을 향유해왔다. 그러나 분산형 에너

지의 성장, 청정기술의 발전, 에너지 효율 프로그램의 확대, 디지털 기

술 활용에 익숙한 고객들의 에너지관리 니즈 증가, 제3의 에너지공급

자와의 경쟁에 따른 혁신적 변화 요구 증대 등에 직면하고 있다. 고객

의 니즈를 충족시키지 못하고 새로운 환경에 적응하지 못하는 비즈니

스는 경쟁에서 뒤쳐질 수밖에 없다. 전력산업은 현재의 도전과제를 극

복하고 변화하는 기술적 환경에 적응하기 위해 적극적으로 디지털 기

술을 활용하여 에너지 전환의 추세에 대응할 것이다. 예를 들어, 일본

도쿄의 전력 대기업인 도쿄전력(Tepco)은 장기 생존을 위해 블록체인

을 이용하여 전력 흐름을 관리하고 전력부문을 혁신화할 잠재력을 지

닌 스타트업과 다른 투자를 적극적으로 모색하고 있다(BNEF, 2018d).

장기적으로 블록체인과 같이 더욱 혁신적인 기술이 확산되면서 산업

구조는 새로운 형태로 재편될 것이다. 예를 들어 에너지 소매기업은


블록체인 활용 정도에 따라 여러 변화에 직면할 수 있다. 미래에 분산

형 발전, 저장, 소비자 기기가 상호운용되는 환경에서 스마트계약을 통

해 에너지소매 비즈니스가 자동화된다면, 소매 비즈니스는 단일 애플

리케이션으로 변모할 수도 있다(Buchmann, 2017; Govindan et al.,

2018). 계량기 운영에 대해서는 데이터를 별도로 수집하고 기록할 필

요가 없어진다. 모든 소비 및 거래 데이터가 블록체인 기술에 의해 자

동으로 정확하게 기록되기 때문이다(PWC, 2016). 가치사슬의 축소 또

는 제거 단계에 대해서는 더욱 장기적 관점에서 미래 기술적 혁신의

영향을 추가적으로 연구할 필요가 있다.

4. 토론 및 정책 시사점

앞으로 에너지산업은 디지털화가 가속화되고, 다차원화, 역류, 삽입,

축소 또는 제거의 과정을 지속하면서 산업구조가 재편될 것으로 예상

된다. 특히, 디지털 플랫폼, 데이터의 팽창, 분석기술의 발달 등으로 인

해 다양한 에너지자원을 서비스 형태로 제공하는 비즈니스가 확대될

전망이다. 일각에서는 이를 서비스로서 에너지(energy-as-a-service) 비

즈니스라고 부른다. 서비스로서 에너지는 당초 건물에너지 관리에서

에너지이용 효율화에 대한 인센티브를 수입으로 하는 비즈니스를 일컬

었는데, 점차 에너지를 제공하는 사업을 넘어 에너지와 관련한 기술,

분석도구, 개인화된 서비스 등을 제공하는 사업으로 그 범주가 확대되

고 있다.

앞으로 어떤 형태의 에너지서비스가 등장할지에 대해 언급하기 위해

서는 추가적인 분석이 필요하다. 다만 현재 전력시장에서 분산자원의

원활한 전력망 연계를 지원하기 위한 백업 서비스, 주파수 조정 서비

26

스 시장이 열리고 있음을 확인할 수 있고, 무인화, 자동화, AI 활용 등

의 트렌드와 함께 에너지생산 역시 미래에는 서비스 시장으로 변모할

수 있다는 추측을 해본다. 이미 무인, 자동화된 발전소가 구축되고 있

고 가상발전소와 같은 새로운 형태의 발전소도 확대되고 있다. 또한,

에너지의 친환경성이 중요해지면서 청정에너지를 제공하거나 에너지

를 청정하게 전환하는 서비스도 확대될 것으로 예상된다. 그리고 이러

한 서비스 시장은 디지털 플랫폼을 통해 다양한 이해관계자들이 참여

하여 보다 편리한 형태로 거래를 하는 방식으로 발전할 것이다.

그러나 디지털 기술을 에너지 부문에서 효과적으로 활용하기 위해서

는 추가적인 과제들이 존재한다. 앞서 언급해온 가치사슬의 변화 양상

과 연계하여 정책 과제들을 살펴보면 다음과 같다. 가치사슬의 역류와

관련해서는 재생에너지 확대, 계통안정성 유지 등에 있어서 소비자들

의 영향력이 커지고 산업의 주요 이해관계자로서 거듭나고 있음을 확

인하였다. 그러나 소비자들이 얼마나 스마트에너지 시스템을 수용하는

지에 따라 그 긍정적인 효과는 다르게 나타난다. 따라서 소비자들의

스마트에너지 시스템 수용성 확보가 중요한 과제일 것이다.

가치사슬의 다차원화와 관련해서는 디지털 플랫폼 확산 및 데이터

가치 증대가 주요 변화 양상이었는데, 기본적으로 데이터에 대한 접근

권이 충분히 보장될 때 비로소 디지털 플랫폼이 효과적으로 활용되고

데이터를 활용한 다양한 서비스 제공이 가능해질 것이다. 따라서 개인

정보를 침해하지 않으면서 관련 산업을 성장시킬 수 있는 효과적인 데

이터 공유 시스템이 갖춰져야 할 것이다.

가치사슬의 삽입과 관련해서는 신규 서비스 및 사업자의 진입이 늘

어나고 있음을 확인하였다. 그러나 그동안 에너지사업을 하지 않았던


다양한 산업체가 에너지산업에 참여하면서 업체들 간 이해갈등이 발생

하고 있다. 또한, 다양한 시스템들의 결합이 이루어지면서 상호운영성

유지가 중요한 과제로 부상하였다. 이에 이해갈등 조정을 위한 합리적

인 시장규칙 및 상호운영적인 표준화가 중요하다.

가치사슬의 축소 또는 제거와 관련해서는 기존 전력사업자들 역시 새

로운 시장 환경에서 신규 사업자와 공정하게 경쟁할 수 있는 기반 조성

이 필요하다. 전력사업자들이 신기술, 친환경시스템에 투자를 하고 그

혜택을 함께 공유할 수 있는 경쟁의 장을 만들어가야 할 것이다.

한편, 전력산업의 디지털화와 함께 개인정보 노출 및 사이버보안 위

협과 같은 디지털 보안 리스크에도 대응해야 할 것이다.

제3장 가치사슬 변화 양상별 심층 분석 29

제3장 가치사슬 변화 심층 분석

1. 에너지 산업 관계구조 변화와 기업위상 영향 요인 분석

1.1. 배경 및 방향

앞서 에너지산업의 가치사슬 변화를 가치사슬의 다차원화, 역류, 삽

입, 축소 또는 제거 차원에서 살펴봤다면, 여기에서는 다차원화, 삽입,

축소 또는 제거와 관련하여 에너지산업에 참여하는 기업 또는 하위산

업들의 네트워크 구조를 살펴보고, 참여기업들의 네트워크 위상에 영

향을 미치는 요인들을 살펴보기로 한다. 이러한 분석은 에너지산업에

참여하는 산업체들의 관계가 어떻게 변하고 있는가를 알 수 있게 하

고, 그 관계에서 나타나는 위상의 변화에 무엇이 영향을 미치고 있는

지를 확인 가능하게 한다. 즉, 본 연구를 통해 에너지산업의 다차원화

로 인해 네트워크 관점에서 산업 간 상호 관계가 얼마나 복잡해지고

있는지를 검토하고, 신규사업자 및 서비스의 삽입과 경쟁력이 약화된

기업들의 축소 또는 제거로 네트워크 위상이 달라지는데 그 네트워크

위상에 영향을 주는 변수들을 확인한다.

분석 대상 산업은 국내 전력산업, 글로벌 전력산업, 글로벌 석유가스

산업이다. 이 산업들의 산업 네트워크 구조와 기업 네트워크 위상 변

화 영향요인 분석을 위해 뉴스미디어 텍스트데이터를 활용한다. 각 산

업별 기업 간 협업 또는 관계를 표현하는 정량 데이터가 마땅하지 않

는 가운데, 기업 및 산업의 최신 동향을 매일 전달하는 뉴스미디어의

자료를 활용할 필요가 있다.

30

1.2. 관련 연구

1.2.1. 뉴스미디어 담론의 현저성

에너지 부문의 지능화가 지속될수록 디지털화와 관련한 기업들이 미

디어 담론에서 차지하는 비중도 커질 것이다. 여기에서 미디어 담론이

란 방송 플랫폼(broadcast platform)을 통해 일어나는 매스커뮤니케이

션을 지칭한다. 이 커뮤니케이션은 불특정 다수의 대중에게 구두 또는

문자 형태로 이루어진다(Abdullah, 2014; O’Keeffe, 2011). 일반적으로

미디어는 입법부, 행정부, 사법부 외의 비공식적인 네 번째 부(branch)

로 인식될 만큼 영향력이 크다(Fischer, 1991). 미디어는 사람들에게

세계에서 무슨 일이 일어나고 있는지 알리고 다양한 이슈에 대한 여론

을 형성하는 데 영향력을 발휘한다. 특히 뉴스미디어 이슈의 현저성

(salience)과 강조(emphasis) 정도를 통해 우리는 어떤 이슈가 사회적으

로 중요한 이슈인지를 가늠하게 된다(Alboim, 2001).

수많은 단어와 문장으로 구성된 뉴스미디어 담론에서 현저성은 무엇

이 강조되고 있는지를 찾는 척도가 되고 있다. 현저성을 사전에서 찾

아보면, 특별히 주목할 만하거나(noticeable) 중요한(important) 속성2)

으로 풀이된다. Boguraev et al.(1997)은 현저성이 뉴스미디어 담론에

서 상대적으로 중요하게 두드러지는 것들을 찾아내는 수단이라고 강조

하였다.

뉴스미디어 담론의 텍스트를 대상으로 그 텍스트에 들어 있는 단어

들을 빈도순으로 나열하거나 전체 뉴스에서 특정 토픽의 지면 비중을

살펴봄으로써 현저성을 정량화하는 일들이 정치적 커뮤니케이션의 주

2) salience: the quality of being particularly noticeable or important; prominence(https://www.lexico.com/en/definition/salience)


요 이론들 중 하나로 발전해왔다(Budge, 2015). Budge(2015)은 현저성

에 관한 아이디어가 1930년에 시작된 내용분석(content analysis)과 밀

접한 연관성을 갖는다고 보고 있다. 내용분석은 미국 신문 편집자들이

미국 신문들에서 외국 정책들과 관련한 지면의 비중을 얼마나 할당하

고 있는지 파악하는 것부터 시작되었다(Madge, 1953; Budge, 2015).

그리고 점차 텍스트들의 의미를 전달하는 기본적 단위인 문장들을 특

정 사안에 대한 긍정 문장과 부정 문장으로 구분하는 등 카테고리 형

태로 분류하는 코딩 작업이 이루어지면서 뉴스미디어 담론의 주요 내

용을 찾아가는 연구가 발전하였다(Budge, 2015).

뉴스미디어 담론에서 현저성 논의는 주로 이슈 현저성(issue

salience)을 중심으로 발전하였다. 이슈 현저성은 개별 투표자들이 정

치 후보자들을 평가할 때 다양한 이슈들에 부여한 중요성 정도를 가리

켰다. 가령 투표와 같은 정치적 의사결정을 내릴 때 어떤 이슈에 부여

하는 가중치와 같은 개념과 유사하다(Jennings & Wlezien, 2011). 이

러한 이슈 현저성은 투표자들이 특정 정치, 경제, 사회적 이슈를 생각

할 때 그 이슈가 투표자들한테 얼마나 두드러지게 인식되는지를 보여

주는 척도로서도 받아들여졌다(Karami, et al., 2018). 이슈 현저성의

측정은 정치 과학에서 널리 활용되고 있는데, 특히, 아젠더 설정

(agenda setting) 및 정책 표상(policy representation) 연구의 주요 이론적

배경으로 자리 잡고 있다(Roberts et al., 2002; Johnes & Baumgartner,

2005; Lindeboom, 2012).

뉴스미디어 담론에서 보다 두드러지는 특징을 찾는 노력은 이슈 현

저성에서 객체 현저성(entity salience)으로 확산되고 있다. 여기에서 객

체는 국가, 기업, 이벤트, 유명인사, 날짜, 금액 등 다양한 요소를 포함

한다. Gamon et al.(2013)은 웹페이지의 웹 검색 로그(web search log)

32

와 클릭 로그(click log) 등의 정보를 이용하여 도출한 객체들의 중심

성(centrality)을 토대로 현저성을 순위화하였다. Gillick & Dunietz

(2014)는 문서(document)와 초록(abstract)이 함께 있을 때 그 문서와

초록에 함께 노출된 객체들이 다른 객체들에 비해 상대적으로 더 중요할

것이라는 전제 하에 객체들의 현저성 점수를 부여하였다. Radhakrishnan

et al.(2017)은 트위터라는 소셜미디어에서 부각되는 객체 정보들을 확

인하기 위한 방법을 제시하였다. Liu et al.(2018)는 신경 모형(neural

model)을 이용하여 두드러지는 이벤트(event)를 탐색함과 동시에 이벤

트들 간의 관계를 살펴보았다.

경험적으로 볼 때, 이슈 현저성이든 객체 현저성이든 간에 미디어

담론에서 현저성을 분석하는 일은 관련한 단어나 토픽의 비중을 살펴

보는 일이 주를 이루고 있다(Chyi & McCombs, 2004). 다만 기법 상

에서 뉴스미디어 담론의 현저성을 연구자가 수동으로 찾는 과정을 벗

어나 컴퓨터를 이용하여 자동으로 찾는 방향으로 발전하고 있다. 현저

성 연구 초기에는 특정 주제의 뉴스 지면 비중을 살피거나 문장별로

긍정과 부정의 비율을 살피는 연구가 진행되다가 컴퓨팅 파워와 텍스

트마이닝 기법의 향상 및 문서의 디지털화로 인해 자동으로 방대한 양의

문서에서 주요 단어와 토픽을 찾아내는 연구가 발전하고 있는 것이다.

뉴스미디어 담론 분석에서 주의해야 할 점은 미디어가 특정 이슈나

이벤트에 관해 사람들이 생각하는 것들을 제한하고 프레임을 형성할

수 있다는 점을 인지하는 것이다(Kinder & Sanders, 1996; Fridkin et

al., 2017). 어떤 정책 또는 정치적 이슈에 대한 뉴스미디어 담론이 일

반 대중으로 하여금 그 이슈를 중요한 사회적 문제로 인지하게끔 하는

기능이 있다 할지라도, 미디어 컨텐츠는 그 컨텐츠 생산자 또는 제공

자의 의도를 담고 있고 사람들의 생각 범위를 제약할 수 있다(Mutz &


Soss, 1997). 그러나 뉴스미디어가 정보 수집의 주요 원천으로서 기능

하고 공공 담론(public discourse)을 형성하는 중심 역할을 수행하기 때

문에, 뉴스미디어는 사회이슈를 파악하는 주요 수단이 되고, 정책입안

자들은 미디어 아젠다를 통해 정책 이슈에 관한 사회적 인식을 추론하

곤 한다(Linsky, 1986; Cukier et al., 2009). 특히, 소수의 뉴스미디어

담론이 아니라 다수의 뉴스미디어 담론을 종합적으로 검토할 때 보다

균형 있고 객관적 시각에서 사회적 관심 이슈가 무엇인지를 파악하는

데 도움이 된다.

1.2.2. 디지털화에 따른 산업 경쟁구도 변화

에너지산업은 디지털화로 인해 서비스 지향적 산업으로 변모하고 있

다(KPMG, 2016). 디지털 기술의 활용으로 에너지 수요의 관리 및 예

측은 효율성이 향상되었으며 이에 따라 디지털 기술에 강점이 있는 새

로운 진입자들이 활발하게 에너지산업에 진출하고 있다. 이에 기존 에

너지회사들도 디지털 역량 강화에 주력하고 있는 상황이다. 전력산업

을 예로 들 경우 Nest Lab과 같이 홈자동화(home automation) 기업들

이 디지털 기술을 적용한 가정용 스마트 온도조절기(thermostats)를 출

시하고 있는 가운데, 기존의 전력회사들도 스마트 온도조절기를 출시

함으로써 기존 고객들에 대한 영향력을 잃지 않으려고 노력하고 있다

(IEA, 2017). 기존 전력산업 기업들은 경쟁력을 잃지 않기 위해 자체

적으로 디지털 기술 역량 강화에 투자하거나 신규 사업자들과 파트너십

을 체결 혹은 기업 인수를 통해 관련 역량을 확대하고 있다.(Mckinsey

& Company, 2016a; Erlinghagen & Markard, 2012).

디지털화 흐름에 따라 산업간 경계가 약해지고 있는데, 디지털 기술

34

은 변화 동인(game changer)으로서 에너지산업 경쟁구도에도 변화를

일으키고 있다(Varela, 2018). 소비자들은 디지털 기술에 익숙해져 있

고 스마트 디바이스를 통해 실시간으로 에너지 사용량을 확인하며 원격

으로 주변 기기들을 제어하기를 원한다(Litos Strategic Communication,

2008; Smith, 2019). 디지털화에 따라 소비자들의 소비 행태가 달라지

고 있고 소비자의 니즈를 확인함으로써 새로운 가치창출의 기회가 생

기고 있다. 그 결과, 디지털 기술과 관련한 역량을 강화한 기업과 그렇

지 못한 기업의 에너지산업 내 위상이 달라지고 있다. 다양한 산업의

경영진을 대상으로 한 Fitzgerald et al.(2014)의 설문조사에 따르면

1,559명의 경영진 중 78%가 디지털전환(digital transformation)이 기업

실적 향상에 큰 영향을 미칠 것으로 응답하였다.

이와 관련하여 디지털 역량이 에너지산업 경쟁구도에 미치는 영향에

대한 연구가 많이 이루어지고 있다. Shomali & Pinkse(2016)는 문헌

분석을 통해 와해적 기술(disruptive technology)인 스마트그리드의 등

장이 기존 전력 사업자들에 미치는 영향을 가치창출(value creation),

가치전달(value delivery), 가치 확보(value capture) 측면에서 살펴보았

고, 소비자들이 점점 에너지를 상품이 아닌 서비스로 인식하게 됨에

따라 기존 전력 사업자들이 비즈니스 모델 혁신을 하지 않는다면 ICT

기업들에 전력산업 주도권을 상실할 것으로 분석하였다. Aiello &

Pagani(2016)는 스마트그리드 구축에 따라 전력 사용량 관련 빅데이터가

생산되는데 이를 분석하여 새로운 서비스를 제공하는 ICT 기업들의

역할이 커질 것으로 전망하였다. 이에 따라 에너지 산업에서 새로운

패러다임인 서비스지향 아키텍쳐(Service-Oriented Architecture)에서

ICT 기업들이 주도권을 잡고 새로운 가치를 창출할 것으로 분석하였

다. Nillesen & Pollitt(2016)는 분산자원 시장에서 에너지 전달 채널이


디지털화되고 새로운 디지털 플랫폼에서 개인들이 서로 전력 거래를

할 수 있게 됨에 따라, 기존 전력 사업자들의 중개자 역할은 줄어들 것

으로 분석하였다. 그리고 신규 진입자가 디지털 플랫폼에서 생산되는

소비자 데이터를 선점할 때, 기존 전력 사업자들의 디지털 플랫폼에서

의 위상은 낮아질 것으로 분석하였다.

디지털화로 인한 에너지산업 경쟁구도 변화를 정량적으로 분석한 연

구들도 존재한다. Erlinghagen & Markard(2012)는 2000년에서 2011년

까지 유럽에서 진행된 스마트그리드 프로젝트에서 적어도 한 개 이상

의 ICT 기업이 포함된 프로젝트가 늘어나고 있고, 증가하는 기존 전력

사업자들의 ICT 기업에 대한 M&A 횟수를 통해 스마트그리드 부문에

서 ICT 기업이 가치네트워크 중심으로 자리매김하고 있음을 실증적으

로 분석하였다. Hallikas et al.(2008)은 네트워크 진화론적 관점에서

두 기간에 걸쳐 ICT 산업에 속한 기업들을 대상으로 가치네트워크를

구성하였고, 네트워크의 중심성(centrality) 분석을 통해 기업들의 중심

성 변화를 비교하였다. 그리고 디지털 기술에 대한 투자액과 기업의

중심성 간의 관계를 규명하였다. Brunekreeft et al.(2016)은 독과점 체

제였던 독일 재생에너지 공급 산업에서 ICT 기술을 보유한 기업들의

태양광과 풍력 발전량이 빠르게 증가함을 보이고, 이를 통해 신규 진

입자들의 영향력이 커짐에 따라 에너지 공급 산업의 구조가 분권화되

고 기존 전력회사들의 영향력이 줄어들고 있다고 강조하였다.

36

1.3. 연구 방법

1.3.1. 데이터 수집과 정제

1.3.1.1. 뉴스 데이터 수집

1.3.1.1.1. 국내 전력산업 뉴스

국내 전력산업 뉴스는 네이버(Naver) 뉴스를 통해 수집하였다. 검색

키워드로는 전력산업과 연관되는 ‘전력산업’, ‘전력시장’, ‘전력사업’,

‘전력공급’, ‘전력수요’, ‘전력생산’, ‘전력전달’, ‘전력저장’, ‘전력거

래’, ‘전력판매’ 키워드를 넣었으며, 이 키워드들 중 한 가지 키워드 이

상 들어 있는 문서를 수집하였다. 이 수집된 문서에서 증권소식 관련

기사는 제외하였다. 기간은 1990년부터 2018년까지이다. 현재 네이버

는 1990년부터 디지털화된 뉴스기사를 제공하고 있다. 수집결과 총

111,485개의 뉴스를 모았다.

1.3.1.1.2. 글로벌 전력산업 뉴스

글로벌 전력산업 뉴스는 구글(Google) 뉴스를 통해 수집하였다. 수집

방법은 국내 전력산업과 유사하게 뉴스 내용에서 electricity를 반드시

포함함과 동시에 ‘industry’, ‘market’, ‘business’ ‘supply’, ‘demand’,

‘production’, ‘delivery’, ‘storage’, ‘transaction’, ‘trade’, ‘sale’ 키워드

중 하나 이상이 포함된 문서를 수집하였다. 기간은 2013년부터 2018

년까지 뉴스를 수집하였다. 구글 뉴스의 경우 과거로 갈수록 저장된

뉴스기사 수가 급격히 낮아진다는 정도가 심하다는 점을 고려하여 최

근 6년치의 텍스트 데이터를 수집하였다. 수집결과 총 53,336개의 뉴

스가 수집되었다.


1.3.1.1.3. 글로벌 석유가스산업 뉴스

글로벌 석유가스 산업 뉴스 역시 구글(Google) 뉴스를 통해 수집하

였다. 검색키워드로는 “oil gas”, “oil industry”, “gas industry”, “oil

market”, “gas market”을 이용하였으며, 이 키워드들 중 하나 이상이

포함된 문서를 수집하였다. 기간은 구글 뉴스의 데이터 저장 방침을

고려하여 글로벌 전력산업과 마찬가지로 2013~2018년으로 설정하였다.

수집결과 총 53,407개의 뉴스를 모았다.

1.3.1.2. 기업 및 산업 데이터 수집

1.3.1.2.1. 국내 전력산업 부문

국내 전력산업에 참여하는 기업과 그 기업들의 주요 활동 산업을 확

인하기 위해 KISLINE(한국신용평가정보)의 데이터베이스를 활용하였

다. KISLINE에서 전력과 ICT 관련 산업군을 선정하고 그 산업군에

속해 있는 상장, 공공, 외감 기업들을 추출하였다.

38

전력 관련 업종 기업수기타 발전업 38

기타 엔지니어링 서비스업 65변압기 제조업 25송전 및 배전업 3

연료용 가스 제조 및 배관공급업

38

원자력 발전업 1일차전지 제조업 6

전기업 1전기용 탄소제품 및 절연제품 제조업

6

전기회로 개폐, 보호장치 제조업

56

전기회로 접속장치 제조업 1전동기 및 발전기 제조업 37

전자저항기 제조업 5전자집적회로 제조업 5전자축전기 제조업 12

증기, 냉ㆍ온수 및 공기조절 공급업

35

축전지 제조업 35 태양력 발전업 122 화력 발전업 37

발광 다이오드 제조업 43합계(총 20개 산업) 571

ICT 관련 업종 기업수그 외 기타 전기 통신업 19그 외 기타 정보 서비스업 8

기타 게임 소프트웨어 개발 및 공급업

17

기타 전기 통신업 1기타 정보기술 및 컴퓨터운영

관련 서비스업9

무선 및 위성 통신업 8반도체 제조업 1

반도체 제조용 기계 제조업 188시스템 소프트웨어 개발 및

공급업112

유선 통신업 13응용 소프트웨어 개발 및

공급업302

자료 처리업 6전기.전자 및 정밀기기 수리업 3전기경보 및 신호장치 제조업 2컴퓨터 프로그래밍 서비스업 14컴퓨터 프로그래밍, 시스템

통합 및 관리업1

컴퓨터시설 관리업 2컴퓨터시스템 통합 자문 및

구축 서비스업79

합계(총 18개 산업) 785

<표 3-1> KISLINE에 추출한 전력과 ICT 관련 업종 및 기업


그리고 보다 다양한 산업군을 포함하기 위해 대한전기협회, 스마트

그리드협회, 수요관리사업자협회, 한국전기자동차협회 소속 기업들을

추가하였다. 협회에서 추출한 기업들 역시 KISKLINE에서 다시 해당

산업 정보를 확인하여 데이터셋을 작성하였다. 최종 데이터셋에 포함

된 기업 수는 1,880개이다.


1.3.1.2.2. 글로벌 전력산업 및 석유가스 산업 부문

잠재적인 국내 전력산업 참여 기업들의 리스트를 KISLINE을 토대

로 작성하였다면, 글로벌 전력산업과 석유가스 산업 부문의 기업들과

해당산업 정보는 Thomson Reuters Eikon에서 제공하는 상장기업 목록

을 활용하였다.

글로벌 전력 & ICT 업종 기업수

Electric Utilities 604

Multiline Utilities 75

Independent Power Producers 158Natural Gas Utilities 179

IT Services & Consulting 1,398

Software 1,333

Online Services 711

Integrated Telecommunications Services

387

Wireless Telecommunications Services

232

Computer Hardware 434

Household Electronics 151

Communications & Networking

628

Electronic Equipment & Parts 488

Phones & Handheld Devices 100Semiconductors 739

Semiconductor Equipment & Testing

227

Office Equipment 105

합계(총 17개 산업) 7,949

글로벌 석유가스 & ICT 업종 기업수Integrated Oil & Gas 68Oil & Gas Drilling 67

Oil & Gas Exploration and Production

989

Oil & Gas Refining and Marketing 398

Oil & Gas Transportation Services 146

Oil Related Services and Equipment 358

IT Services & Consulting 1,398Software 1,333

Online Services 711Integrated Telecommunications

Services387


232

Computer Hardware 434Household Electronics 151

Communications & Networking 628Electronic Equipment & Parts 488Phones & Handheld Devices 100

Semiconductors 740Semiconductor Equipment &

Testing227

Office Equipment 105합계(총 19개 산업) 8,960

<표 3-2> Eikon의 글로벌 전력 및 석유가스 관련 업종(ICT 포함)과 기업


40

이 목록에는 전력산업 부문, 석유가스 산업 부문, ICT 산업 부문이

구분되어 있다. 글로벌 전력산업과 관련해서는 전력과 ICT 관련 상장

기업 7,949개를 수집하였다. 글로벌 석유가스 산업과 관련해서는 석유

가스와 ICT 관련 상장기업 8,960개를 수집하였다.

1.3.1.3. 데이터 정제

뉴스 기사에서 나오는 기업명과 KISLINE 또는 Eikon에 있는 기업

명이 서로 다를지라도 실제로는 같은 경우가 존재한다. 가령, 한전과

한국전력은 다르게 인식되지만 같은 기업이다. 또는 KT와 케이티 역

시 같은 기업이다. 이렇게 약어라든지 영문표기로 인해 같은 기업일지

라도 다른 기업으로 인식될 수 있는데, 이를 방지하기 위해 기업명을

상호 통일하는 작업을 거쳤다. 그리고 일반명사와 동일한 기업명의 경

우 실제 노출빈도보다 더 많이 추출될 수 있어 그러한 기업들은 삭제

하였다. 예를 들어 에너지솔루션이라는 기업이 있는데, 이는 일반적으

로 사용하는 에너지솔루션과 겹쳐 본 연구의 대상에서 제외하였다.

1.3.1.4. 데이터 수집 결과 요약

아래 <표 3-3>, <표 3-4>, <표 3-5>에서는 크롤링을 통해 수집한 분

야별 뉴스 기사수를 비롯하여 미디어, 기업, 산업 수를 함께 보여주고

있다. 국내 전력산업은 1990년에 4개 산업만이 전력산업 관련 뉴스에

서 거론되었으며, 이를 다룬 기사수도 55개에 그친다. 네이버에서 제

공하는 뉴스 데이터 역시 구글처럼 과거 데이터일수록 검색결과가 축

소되는 경향이 있기 때문이기도 하지만, 국내 전력산업 내의 기업 다

양성이 존재하지 않았기 때문이기도 하다. 그러나 2010년에는 노출된


기업이 146개로 늘어났고 관련 산업도 69개로 증가하였다. 2010년에

기업 및 산업 수가 급증한 이유는 2009년부터 정책적으로 스마트그리

드사업을 적극 추진하던 시기라 기존 전력산업 참여 기업들뿐만 아니

라 ICT 기업을 비롯하여 건설, 자동차, 제조 등의 타 산업 부문 기업

들이 전력사업에 참여하였기 때문이다. 2018년에는 총 253개의 기업

이 노출되었고 산업은 79개로 분류되었다.

국내 전력 1990 2000 2010 2013 2018

기업(개) 4 33 146 220 253

산업(개) 4 24 69 70 79

기사(개) 55 704 6,061 17,148 10,286

미디어(개) 1 12 64 92 80

<표 3-3> 국내 전력산업 데이터 수집 결과


글로벌 전력산업의 경우에도 국내 전력산업 관련 뉴스자료와 비슷하게

기업수가 빠르게 증가하였다. 다만, 산업은 17개 산업만을 대상으로

하여 6년 동안 그 수치가 17로 고정되었다.

글로벌 전력 2013 2014 2015 2016 2017 2018

기업(개) 137 177 237 271 275 285

산업(개) 17개

기사(개) 2,960 3,529 3,904 5,149 7,364 30,430

미디어(개) 531 716 999 702 1,772 1,735

<표 3-4> 글로벌 전력산업 데이터 수집 결과


42

글로벌 석유가스 산업은 언론에 노출된 기업들의 수가 전력산업만큼

그렇게 증가하지는 않았다. 석유가스 산업은 전력산업과 달리 분산자

원 확산이 주요 트렌드가 아니어서 새롭게 진입하는 기업이 많지 않은

것으로 판단된다.

글로벌 석유가스 2013 2014 2015 2016 2017 2018

기업(개) 422 459 506 470 538 509

산업(개) 19개

기사(개) 8,884 8,979 9,025 9,029 8,827 8,663

미디어(개) 1,124 1,407 1,617 1,661 1,514 1,417

<표 3-5> 글로벌 석유가스 산업 데이터 수집 결과


1.3.2. 사회연결망 분석(social network analysis)

본 연구에서 선정한 산업을 대상으로 기업 및 산업들의 관계구조를

파악하기 위해 사회연결망 분석(SNA, social network analysis)을 시행

하였다. 사회연결망 분석은 네트워크 형태의 구조에서 누가 중심적인

역할을 담당하는지, 전체적인 네트워크의 응집력은 어느 정도 되는지

등에 관한 정보를 제공한다.

연구에서 설정한 기간별로 뉴스 본문을 그룹화한 뒤, 각 기간별로 본

문에서 기업 또는 산업의 언급 횟수를 문서별로 계산해 단어-문서 행렬

(TDM, term-document matrix)을 만들었다. 기업과 관련한 단어(기업

명)-문서(뉴스문서) 행렬은 앞서 수집한 기업명을 토대로 기간별 문서

에서 해당 기업이 어느 정도 노출되었는지 바탕으로 구축하였고, 산업

과 관련 단어(산업명)-문서(뉴스문서) 행렬은 뉴스 본문에서 각 기업명

을 그 기업의 해당산업으로 변경한 뒤에 다시 각 산업명이 어느 정도


노출되었는지 바탕으로 만들었다. 즉 TDM에서 T(Term)는 기업명이나

산업명을 의미하고 D(Document)는 개별 뉴스 기사를 의미하며 TDM

의 요소(element)인 TDM[i,j]는 i번째 기업명 또는 산업명이 j번째 문

서에서 언급된 횟수를 지칭한다. 이를 통해 만들어진 TDM에 전치행

렬인 DTM을 곱하여 Term-by-Term Matrix를 형성하였다. 이 행렬의

요소인 TTM[e,k]는 e번째 기업명 또는 산업명과 k번째 기업명 또는

산업명이 동시에 언급된 문서의 수를 의미한다. T를 기업이라고 볼 때,

TTM[e,k]의 값이 0보다 클 경우 e번째 기업과 k번째 기업은 같은 주

제에서 함께 언급되었기 때문에 연결선(에지(edge) 또는 링크(link))으

로 서로 연결된다.

본 연구에서는 연결중심성(degree centrality)과 페이지랭크 중심성

(page rank centrality)을 토대로 각 기업 또는 산업의 중심성을 검토하

였다. 연결중심성의 경우 관심 있는 vertex(점 또는 노드(node))가 얼마나

많은 다른 vertex들과 직접 연결되어 있는지를 나타내는 지표로 중요한

vertex일수록 많은 다른 vertex들과 직접 연결되어 있다고 전제한다.

(1)

N은 네트워크 내 전체 vertex의 수를 나타내며, 는 vertex 의 연

결정도(degree)를 뜻한다. 는 vertex 와 직접 연결된 선(edge)의 수

로 표현되는데, 개체 간 영향관계의 방향성을 고려한 네트워크일 때는

in-degree(자기 쪽으로 들어오는 방향)와 out-degree(자기에서 외부로

나가는 방향)로 나뉜다. vertex(또는 노드)의 in-degree 중심성은 초점

이 되는 vertex쪽으로 향하는 선의 개수이며, out-degree 중심성은 초

점이 되는 vertex에서 다른 vertex로 향하는 선의 개수이다. 다른 네트

워크에서 특정 vertex들 간 연결 중심성을 비교할 때는 전체 네트워크

44

특성을 반영하여 하나의 vertex가 가질 수 있는 최대 연결가능 선의 수

로 나눠 줌으로써 정규화할 수 있다.

페이지랭크 중심성은 서로 다른 웹페이지(web page)가 하이퍼링크로

연결되어 있는 인터넷 환경에서 웹페이지의 중요도를 정보와 지식의

측면에서 측정하는 지표인데, 웹페이지의 중요도는 그 웹페이지를 링

크(in-link)하고 있는 웹페이지의 중요도에 영향 받는다(Brin & Page,

1998). 네트워크 관점에서, 특정 vertex()의 페이지랭크 중심성은 그

vertex를 링크하고 있는 다른 vertex(in-link vertex)들의 페이지랭크 중

심성에 영향 받는데, in-link vertex들의 페이지랭크 중심성을 in-link

vertex 각각의 out-degree로 나눠준 값들의 합으로 계산된다. 이는

in-link vertex의 out-degree가 높을수록 in-link vertex의 에 대한 영향

력을 줄이기 위함이다. 이렇게 특정 vertex의 페이지랭크 중심성은 지

속적으로 다른 vertex들의 페이지랭크 중심성에 의해 업데이트되며, 모

든 vertex의 페이지랭크 중심성이 안정적인 값을 취할 때까지 반복

(recursive)된다.

(2)

는 vertex 를 in-link하는 vertex를 의미하고, 는 의

out-degree를 뜻한다. 는 damping factor로 웹 검색자가 현재 링크에

계속 머무를 확률이다(Ding et al., 2009). 만약 특정 웹페이지가 인용

하는 웹페이지가 없을 경우, 페이지랭크 중심성은 업데이트 되지 못하

는 문제점이 있고, 특정 두개, 세 개의 웹페이지가 서로만을 연결할

때, 해당 웹페이지들의 페이지랭크 중심성만 높아지는 문제점이 있다.

이와 같은 방향성 비순환 네트워크의 경우, 랜덤 웹페이지로 이동할


확률인 를 고려하여 웹 검색자가 특정 몇 개의 웹페이지에만 머

무르게 될 문제를 해결할 수 있다(Yan & Ding, 2009).

중심성에는 연결중심성과 페이지랭크 중심성뿐만 아니라 근접중심

성(closeness centrality), 매개중심성(betweenness centrality)도 자주 사

용된다. 각 개념을 직관적으로 살펴보면 [그림 3-1]과 같다.

[그림 3-1] 주요 네트워크 중심성 지수

자료: Zhukov(2015).

46

연결중심성은 앞서 설명한대로 자기를 중심으로 얼마나 다른 노드들

과 많이 연결되어 있는가를 표현하고, 근접중심성은 중요한 노드일수

록 다른 노드로 가는 경로가 짧다는 전제 하에 대체로 전체 네트워크

의 중앙에 있을수록 중심성이 높아진다. 매개중심성은 한 노드에서 다

른 노드로 갈 때 얼마나 자신을 경유하는가를 보는 지표로서 보통 한

무리와 다른 무리를 연결하는 다리 역할을 하는 노드가 매개중심성이

높다. 본 연구에서는 중심성을 가장 직관적으로 설명할 수 있는 연결

중심성과 기업 또는 산업의 위상을 대변할 수 있는 페이지랭크 중심성

을 중심으로 살펴보고자 한다.

본 연구에서는 또한 기업 또는 산업의 중심성뿐만 아니라 네트워크

구조의 밀도(density)를 함께 살펴보기로 한다. 밀도는 전체 네트워크

를 구성하는 연결선(edges) 개수를 vertex간 가질 수 있는 최대 연결선

개수로 나눈 것으로, 네트워크에서 vertex간 상호 연결 관계가 얼마나

조밀(dense)한지 측정한다. 네트워크 밀도는 다음과 같다.

(3)

은 네트워크를 구성하는 전체 vertex의 개수이다. 는 네

트워크가 가질 수 있는 최대 연결선 개수이다. 네트워크 밀도는 전체

네트워크의 구조적인 측면에서 정보가 얼마나 효율적으로 공유되고 있

는지 측정하는 지표이기도 하고, 0~100%사이 값을 가진다. 값이 클수

록 노드 간 직접적인 연결이 많다는 뜻이다(Parise, 2007).


1.3.3. 패널 데이터 분석

1.3.3.1. 주요 변수

1.3.3.1.1. 종속변수

네트워크 분석을 통해 기업 또는 산업의 네트워크 위상을 확인할 수

있다. 그러나 어떤 이유에서 그 네트워크 위상이 변하는지에 대해서는

추가적인 분석이 필요하다.

그동안 네트워크를 구성하는 개체들의 위상을 사회네트워크 중심성

분석을 통해 정량적으로 분석한 연구들이 있다. Faris & Felmlee(2011)

는 청소년들의 관계를 네트워크화하여 동료의 관점에서 한 개인의 공

격 성향이 그 개인이 네트워크에서 속해 있는 위치에 따라 영향을 받

을 수 있음을 시사하였다. 종속변수로서 공격 성향은 가해자-피해자

네트워크에서 가해자의 out-degree 중심성으로 측정되었고, 독립변수로

는 청소년 전체 네트워크에서의 매개중심성이 이용되었다. 그 결과 개

인이 매개 즉 중간자 역할이 클수록 가해자-피해자 네트워크에서 높은

out-degree 중심성을 기록하였다. Häge & Ringe(2019)는 정당 크기가

작은 그룹에 속한 정치인들일수록 보다 큰 규모의 정당에 속한 정치인

들과의 네트워킹 노력을 적극적으로 기울이기 때문에 그들의 아이겐벡

터(eigenvector) 중심성과 매개중심성 지수가 높을 것이라는 가설을 검

정하였다. Felix(2012)는 동료 네트워크에서 창의성이 높은 개인이 네

트워크에서 더 높은 중심성을 가짐을 보였다. 개인의 자발적 동기부여

와 전문성이 높을수록 개인의 창의성이 높다고 가정하였고, 개인의 네

트워크 내에서의 중심성에 창의성이 유의한 영향을 미침을 통계적 가

설 검정을 통해 밝혔다.

48

본 연구에서는 기업의 네트워크 위상을 종속변수로 삼고 그 네트워

크 위상에 영향을 미치는 변수를 검토하고자 한다. 산업의 네트워크

위상 역시 종속변수로 고려할 수 있지만, 글로벌 전력산업과 석유가스

산업은 데이터상 산업 종류가 20개를 넘지 못해 보다 풍부한 표본을

확보하기 위해 기업의 네트워크 위상을 종속변수로 설정하였다.

기업의 네트워크 위상은 페이지랭크 중심성을 활용한다. 앞서 설명

한 바와 같이 페이지랭크 중심성은 특정 노드에 연결된 링크뿐만 아니

라 그 특정 노드에 연결된 다른 노드의 위상도 함께 고려함으로써 궁

극적으로 그 특정 노드의 위상을 포괄적으로 표현하는 장점이 있다.

1.3.3.1.1. 독립변수

1.3.3.1.1.1. 디지털화와 기업 간 연관성

본 연구는 지능형 기술의 확산, 즉 디지털화로 인해 에너지산업의

가치사슬이 어떤 영향을 받는가를 분석하는 데 초점을 맞추고 있다.

디지털화에 따라 에너지산업에 참여하는 기업들의 위상이 달라지고 있

는데, 이 디지털화는 에너지산업의 변화를 대표적으로 대변하는 트렌

드라고 할 수 있다. 따라서 지금까지 강조해온 디지털화와 관련된 변

수를 첫 번째 독립변수로 삼고자 한다.

디지털화를 주요 변수로 삼기 위해서는 본 연구의 표본이 기업이기

때문에 기업과 디지털화가 함께 결부된 변수를 찾아야 한다. 이에 기

업과 디지털화의 연관성 지수를 주요 독립변수로 설정하였다. 뉴스기

사에서 특정 기업과 디지털화 관련 키워드가 함께 많이 나올수록 그

기업의 디지털화 연관성 지수는 높게 나타난다. 디지털화 관련 키워드


로는 “디지털”, “정보통신”, “ICT”, “지능형” 키워드(국문, 영문)를 활

용하였다.

연관성 지수로는 보통 지지도(support), 신뢰도(confidence), 향상도

(lift) 지수, 지지도-향상도(IS) 지수가 활용된다. 키워드 ‘기업1’과 키워

드 ‘디지털’의 두 키워드를 예로 들어 각 지수의 의미를 설명하면 다음

과 같다. ‘기업1’과 ‘디지털’의 지지도는 두 키워드가 함께 언급된 문

서수가 전체 문서수에서 차지하는 비중이 된다. 신뢰도는 ‘기업1’이 포

함된 문서들에서 ‘기업1’과 ‘디지털’이 함께 언급된 문서들의 비중이

다. 향상도는 ‘기업1’이 일반적으로 나올 확률 대비 ‘기업1’과 ‘디지털’

이 함께 나올 확률의 비율이다. 이 세 지수는 일관성 있게 표출되기도

하지만, 상호 이질적으로 나타나기도 한다. 이에 지수 간 이질성이 강

할 때는 지지도와 향상도를 곱하고 다시 1/2승을 한, 즉 지지도와 향상

도 간 평균 점수를 추출한 지지도-향상도(IS) 지수를 활용한다. 본 연

구에서는 지지도-향상도(IS) 지수를 이용하였다.

1.3.3.1.1.2. 분산화, 탈탄소화, 탈오염화 트렌드와 기업 간 연관성

에너지산업의 트렌드에는 디지털화 외에도 분산화(decentralization),

탈탄소화(decarbonization), 탈오염화(depollution) 등을 들 수 있다. 이

에 디지털화 관련 키워드들과의 연관성뿐만 아니라 다른 트렌드들과의

연관성도 함께 보면서 디지털화와의 연관성의 의미를 보다 면밀히 검

토하고자 한다. 이 역시 지지도-향상도 지수를 활용한다.

분산화 관련 키워드로는 “분산화”, “분산형”, “분산자원”, “분산에너

지자원”, “분산발전”, “DER” 키워드(국문, 영문)를 활용하였다. 탈탄소

화 관련 키워드로는 “탄소”, “기후변화” 키워드(국문, 영문)를 사용하

50

였다. 탈오염 관련 키워드로는 “미세먼지”, “분진”, “대기오염”, “질산

화물”, “황산화물” 키워드(국문, 영문)를 사용하였다.

디지털화는 지금까지 지속적으로 언급된 반면, 분산화, 탈탄소화, 탈

오염화에 대해서는 충분한 설명이 이루어지지 못했다. 이 트렌드들에

대한 개괄적으로 설명한다.

1.3.3.1.1.2.1. 분산화(decentralization)

분산화는 에너지네트워크에 다양한 분산에너지자원(distributed energy

resources)의 유입이 늘어나는 현상을 의미한다. 이 분산에너지자원에

는 재생에너지와 같은 분산발전자원, 전기차나 저장장치가 갖고 있는

분산저장자원, 에너지소비절감 및 수요반응과 같은 수요자원이 포함된

다(WEF, 2017a:9).

각국 정부의 청정에너지 기술 보급 지원 정책뿐만 아니라 기술 혁신

에 힘입어 비용이 지속 하락하면서 분산에너지자원의 보급 확대가 전

력산업에서 주요 트렌드로 자리 잡고 있다. 특히 분산발전의 대표적인

전원인 태양광과 풍력의 단가 하락이 기대되고 있는데, BNEF(2019)는

2019년 대비 2050년까지 재생에너지 기술 비용 전망에서 육상풍력의

비용이 약 50%, 태양광 비용이 약 60%까지 하락할 것으로 전망하였

다(BNEF, 2019). 또한, 분산발전 확대 시 대형 발전소나 송전선로 등

대규모 에너지 설비를 건설할 필요성이 줄어들면서, 대형 에너지설비

관련 건설 입지 갈등을 줄이는 차원에서도 분산전원이 각광받고 있다

(산업통상자원부, 2019a).

우리나라는 제3차 에너지기본계획에서 재생에너지, 집단에너지, 연

료전지와 같은 수요지 인근 분산형 전원 발전량 비중을 2017년 12%


에서 2040년 30%까지 확대한다는 목표를 설정하였고, 소규모 분산전

원 보급을 늘려 소비자의 에너지 프로슈머 전환을 촉진하면서 계통의

분산전원 수용 역량도 함께 높일 계획이다. 또한, 태양광발전을 통해

생산한 전기를 에너지저장장치에 저장한 뒤 전기차 충전소에 팔거나

수요자원 시장에 참여하는 사업을 개발하고, 일반 소비자들도 수요반응

시장에 참여할 수 있는 ‘국민DR’ 시장을 개설하며, 전기차를 에너지

저장장치로 활용하는 사업모델들을 촉진할 방침이다(산업통상자원부,

2019a).

이러한 분산화의 진전은 에너지원을 다양화할 뿐만 아니라 에너지자

원의 지역적 분포, 에너지생산시설 투자 재원, 에너지산업 이해관계자

간 관계 또한 다양한 구조로 변모시킨다. 즉, 기존의 원자력, 석탄, 가

스 중심의 전원에서 태양광, 풍력, 바이오, 연료전지 등의 발전 비중이

늘어나고 저장에너지자원, 수요자원 활용이 확대됨과 동시에 에너지생

산 및 자원 분포 지역이 전국 전체에 걸쳐 확대된다. 또한 분산자원 투

자에 기존 에너지 관련 기업뿐만 아니라 정보통신, 가전, 건설, 자동차

등 다양한 산업이 참여하고 일반 개인들도 직접 태양광설비나 저장장

치 또는 전기차를 구매하면서 분산자원 투자자가 되고 있다. 동시에

다양한 이해관계자가 형성되면서 이해관계자 간 네트워크도 복잡한 형

태로 발전하는데, 기존의 관계가 에너지생산, 전달, 판매, 소비 식으로

일방향 단선구조였다면 앞으로는 이해관계자간 구조가 얽히고 얽힌 양

방향 네트워크 구조로 변해가게 된다.

1.3.3.1.1.2.2. 탈탄소화(decarbonization)

2015년 12월 12일 파리협정(2016년 11월 4일 발효)이 체결 되면서

52

교토의정서 체제가 막을 내리고 신기후체제가 출범하였다. 1992년 유

엔기후변화협약(1994년 발효), 1997년 교토의정서(2005년 발효) 등의

국제사회의 노력이 있어 왔으나, 많은 국가가 참여하지 않았고 감축

의무가 부여되지 않아 기후변화 대응 목표 달성에 한계가 있었다. 그

러나 파리협정에서는 UN당사국 모든 회원국에 의무감축목표(NDC,

Nationally Determined Contribution)를 부과하였다. 비록 NDC 내용에

는 법적구속력을 부여하지 않았지만, 당사국이 NDC를 달성하기 위해

국가정책을 시행해야 하고 주기적으로 새로운 NDC를 제출할 의무도

있다(환경부, 2016). 2016년 6월 1일 미국이 파리협정 탈퇴선언을 하

였지만, 2018년 12월 파리협정 세부 이행지침을 완성하면서 파리협정

의 시스템 구축 단계에서 본격적인 이행 단계로 전환되었다는 평가를

받고 있다(오진규, 2019).

세계는 신기후체제에 대응하기 위해 재생에너지 비중을 늘리고 화석

에너지 의존도를 줄이는 방향으로 나아가고 있다. IEA의 World

Energy Outlook 2018에서는 2040년까지 세계 1차 에너지 수요 증가

분의 45%가 재생에너지 공급을 통해 달성될 것으로 전망하였고, 중국,

EU, 미국, 인도 등이 세계 재생에너지 보급을 견인할 것으로 바라보았

다. 발전부문에서는 재생에너지가 2020년대부터 석탄발전 비중을 뛰어

넘고 2040년에는 총 발전량의 40%를 차지할 것으로 전망하였다. 수송

부문에서는 재생에너지의 비중이 현재 3.5%에서 2040년 8%로 증가하

고 열 생산 부문에서는 재생에너지가 약 85% 증가해 2040년 875Mtoe

에 달할 것으로 전망하였다(IEA, 2018; 이서진 & 김아름, 2018).

그러나 인도와 기타 개도국의 석탄수요 증가로 에너지소비가 유발하

는 탄소배출량은 2040년까지 지속 증가할 전망이다. 인도는 전원구성

에서 재생에너지 역할을 지속적으로 강화하고 있지만, 전력수요 증가


로 2040년까지 석탄발전량이 두 배가 될 것으로 전망된다. 다만 중국

과 OECD 국가들에서는 탈탄소화 노력으로 석탄발전이 지속 감소할

전망이다.

[그림 3-2] 지역 및 시나리오별 세계 석탄 수요 변화

(2000~2017년, 2017~20140년)

자료: IEA(2018).

1.3.3.1.1.2.3. 탈오염화(depollution)

에너지 부문의 탈오염화는 에너지 생산과 이용 시 발생하는 대기오

염 물질을 줄이는 활동을 일컫는다. 보통 탈오염화가 앞서 언급한 탈

탄소화와 같이 강조되기도 하지만, 탈탄소화가 탄소배출 저감을 강조

하는 반면 탈오염화는 미세먼지, 황산화물(SOx), 질산화물(NOx) 등의

오염물질 배출 저감에 초점을 두고 있다.

인간 및 동식물이 건강하게 호흡하기 위해서는 대기의 균형이 유지

되어야만 한다. 그러나 화석연료가 대량 연소될 경우, 균형이 무너지면

서 유해 기체나 입자들이 유입된다. 에너지 자원 중 대기오염의 최대

54

원인으로 화석연료가 지목되고 있으며, 그 중 석탄은 최대 주범으로

꼽힌다. 필터를 제대로 갖추지 못한 석탄화력발전소 1기는 뉴욕과 같

은 대규모 도시 전체를 오염시킬 수 있다. 이처럼 화석연료 연소 시 배

출되는 대기오염물질은 환경에 직접적인 영향을 미치며, 기타 다른 기

체 및 입자들과 결합할 경우 오염물질 간 상승효과(synergistic effect)

로 인해 그 영향력이 더욱 강화되기도 한다(EI-Sharkawi, 2012).

전 세계에서 매년 약 650만 명의 죽음이 대기오염과 연결되어 있고,

그 수는 에너지 부문의 오염물질 배출이 줄어들지 않는 이상 지속적으

로 증가할 전망이다(IEA, 2016). IEA는 2016년 World Energy Outlook

Special Report에서 옥외 대기오염으로 인한 조기 사망자 수가 현재 3

백만 수준에서 2040년까지 450만 수준으로 늘어날 것으로 전망하고

있다. 특히 아시아 개도국에서 그 수의 증가가 집중될 것으로 예상하

고 있다.

대기오염 물질은 대체로 에너지 생산과 이용에서 제대로 규제받지

못하거나 비효율적인 연료 소비로 인해 발생하고 있다. 미세먼지의 약

85%가 에너지 생산과 이용에서 발생하고, 황산화물과 질산화물 배출

은 대부분 에너지 생산과 이용에서 발생한다. 공장, 발전소, 자동차, 트

럭 등을 통해 연간 수백만톤의 오염물질이 배출되고 있고, 약 27억의

인구가 오염물질을 다량 배출하는 난로를 이용하고 있고, 나무, 석탄,

기타 바이오매스에 의존하여 요리를 하고 있다(IEA, 2016).

국내의 경우는 미세먼지3)가 에너지 생산과 이용에 따른 오염물질 중

위해성이 높은 물질로 주목받고 있다. 미세먼지가 포함하고 있는 성분

이 미세먼지의 독성에 큰 영향을 미치는데, 기관지염, 천식, 기도폐쇄

3) 직경 크기에 따라서 미세먼지와 극미세먼지로 구분된다. 직경이 0.1∼2.5μm이면 미세먼지(PM10, PM2.5), 직경이 0.1μm 미만은 극미세먼지로 분류된다(강광규, 2018).


등의 호흡기 문제를 일으키고, 폐 조직에서 박테리아의 불활성화 작용

을 방해하여 호흡기계 감염을 유발한다. 또한, 심근경색, 뇌졸중과 같

은 심혈관 질환의 주요 원인이 된다. 미세먼지는 인간뿐 아니라 토양,

물, 식물에도 악영향을 주고 산업피해도 유발한다. 이산화황(SO2)이나

이산화질소(NO2)가 많이 묻어있는 미세먼지는 산성비를 내리게 해 토

양과 물을 산성화시키고, 식물의 잎에 부착되면 잎의 기공을 막고 광

합성을 저해한다. 반도체와 디스플레이 산업은 미세먼지로 불량률이

증가할 수 있고, 자동화설비의 오작동이 늘어나기도 한다(강광규,

2018).

1.3.3.1.1.3. 독점기업과의 연관성 및 기업명의 노출빈도

1.3.3.1.1.3.1. 독점기업과의 연관성

국내 전력산업은 한국전력이라는 송배전, 판매 부문의 독점 기업이

존재한다. 한국전력은 자연스럽게 국내 전력산업 관련 뉴스에서 중심

위치에 설 수밖에 없다. 따라서 어떤 기업이 한국전력과의 관계가 밀

접하다면 그 기업 역시 네트워크 위상이 올라갈 가능성이 높다. 이에

본 연구에서는 국내 전력산업에 한하여 한국전력이라는 독점기업과의

연관성 역시 독립변수에 포함하다. 이 연관성 역시 앞의 변수들과 일

관성 있게 지지도-향상도 지수를 활용한다.

1.3.3.1.1.3.2. 기업명의 노출빈도

뉴스에서 기업명이 많이 언급될수록 네트워크 위상이 올라갈 가능성

이 높다. 물론 특정 기업이 다른 기업과 함께 언급되지 않고 단독으로

56

만 보도된다면 네트워크 위상은 크지 않을 것이다. 그러나 전반적으로

뉴스에서 언급되는 횟수가 많을수록 다른 기업들과 함께 언급될 가능

성도 높을 것이며, 따라서 네트워크 위상도 함께 올라갈 것이다. 본 연

구에서는 분석의 표본이 되는 기업들의 단어빈도수를 추가적으로 변수

에 포함한다. 이 기업 빈도수를 곧바로 사용하기보다는 기간별 문서수

의 영향을 제거하기 위해 정규화(기간별 기업별 단어빈도 / 기간별 총

문서수) 지수를 활용하였다.

1.3.3.2. 패널 데이터 구축 및 분석 방법

1.3.3.2.1. 패널 데이터 구축

본 연구에서는 패널데이터를 구축하고 패널분석을 시행한다. 본 연

구에서 패널분석을 사용한 이유는 다음과 같다. 첫째, 앞서 제시한 변

수들을 이용하여 패널자료로 쉽게 구축할 수 있다. 둘째, 기업의 네트

워크 중심성에 영향을 미치는 변수는 다양할 수 있으나, 이를 모두 반

영하는 것은 불가능하기 때문에 누락변수를 통제할 필요가 있다. 셋째,

개체별 특성() 정보를 획득하는 데 있어서도 패널분석이 유용하다.

데이터의 전체 기간은 2013~2018년이며, 이 기간을 두 개(1기:

2013~2015년 / 2기: 2016~2018년)로 구성하였다. 국내 전력산업의 경

우 1990~2018년의 29년치 데이터가 있지만, 글로벌 전력산업과 글로

벌 석유가스 산업은 2013~2018년의 6년치 데이터만 있다. 전체적으로

같은 시기를 비교하기 위해 패널분석에 한하여 기간을 통일하였다.4)

그리고 기간을 두 개로 구분한 이유는 최근 6년간 디지털화와 같은 에

4) 국내의 경우 보다 풍부한 기간 정보가 있기 때문에 추후 연구에서 국내 전력산업 부문을 별도로 연구하고자 한다.


너지산업 트렌드가 기업 네트워크 위상에 영향을 주었는지를 검토하는

것이 목적이기 때문에 기간을 전기(1기)와 후기(2기)로 나눠 전반적인

변화를 보고자 했기 때문이다.

1.3.3.2.2. 패널 데이터 분석 방법5)

패널 자료는 개체별 횡단면 자료와 종단면인 시계열 자료를 결합한

형태이다. 이러한 패널 자료의 선형 회귀분석은 다음 식(4)과 같이 표

기할 수 있다.

, , (4)

위 식에서 는 패널 개체를 의미하고, 는 시점을 나타낸다. 는

개체의 시점 관측치이고, 는 추정하고자 하는 파라미터이다.

패널 분석의 주요 장점은 다음과 같다. 첫째, 횡단면과 시계열 정보

를 동시에 반영함으로써 가용한 관측치를 활용하여 파라미터를 효율적

으로 추정할 수 있다. 둘째, 누락된 패널 개체의 개별특성을 통제할 수

있다(Baltagi, 2001).

패널 분석은 패널 자료에 대한 몇 가지 가정의 성립 여부에 따라 통

합회귀분석(pooled OLS), 고정효과모형(fixed effect model), 확률효과

모형(random effect model)으로 구분된다. <표 3-6>은 패널 분석의 주

요 가정과 검정에 대한 구분이다.

5) 이 장의 수식은 민인식 & 최필선(2012)과 Hill et al.(2010)을 참고하여 작성하였다.

58

통합회귀분석(Pooled OLS)

고정효과모형(fixed effect model)

확률효과모형(random effect model)

자료형태 패널 패널 패널

가정

, ∀

, ∀

,

∀ ≠ ≠ , ∀

≠

모형선정검정

하우스만 검정

추가검토

귀무가설

동분산, 자기상관 없음 모든 에 대해 0

검정이분산성 : LR검정

자기상관 : Wooldridge 검정F검정

Breush-Pagan LM검정

<표 3-6> 패널 분석방법의 주요 가정과 검정

자료: 민인식 & 최필선(2012); Croissant & Millo(2019).

식(3)의 오차항()이 <표 3-6>의 통합회귀분석의 가정이 성립하면

통합회귀분석 적용이 가능하다. 즉, 오차항의 평균이 0이고, 분산이 등분

산이며, 오차항 간의 상관관계가 없는 경우 BLUE(best linear unbiased

estimator) 추정량이 된다. 따라서 식(3)의 모형으로 패널자료를 분석한다.

고정효과모형은 패널 개체 간의 유의미한 특정효과()가 존재한다

면, 이를 식(5)와 같이 전제하여 추정한다.

, , (5)

오차항 는 패널 개체의 추정해야 할 고정효과(fixed effects)를 의

미한다. 의 존재 여부는 제한된 모형(개체 고정효과 없음)과 제한되

지 않은 모형(개체 고정효과 있음)으로 설정하여 F검정-통계량을 통해

검정한다. 식(5)의 추정은 를 별로 추정하여야 하므로 단순 회귀분석

을 바로 적용하는 데 어려움이 있다. 그러나 다음의 within 변환을 적용


하면 에 영향을 받지 않고 추정할 수 있다. 식(5)에서 시계열의 평균

합으로 나타낸 between 모형 식(6)을 빼주면, 식(7)과 같이 상수항과

항이 없는 를 추정할 수 있다.

: between model (6)

: within 변환 (7)

확률효과모형은 위 식(5)의 가 설명변수와 독립인 확률변수로 가

정한 모형이다. 따라서 식(8)이 성립한다.

(8)

확률효과모형은 식(9)과 같이 변형된 모형을 사용하면 OLS 추정으

로 일치추정량이면서 효율추정량을 얻는다고 알려져 있다.

(9)

확률효과 모형과 고정효과 모형의 선정을 위해 적합성 여부를 확인

하는 것은 하우스만 검정(Hausman test)을 통해 이뤄진다(Hausman,

1978). 고정효과모형은 확률효과모형의 가정( )이 성립

하지 않더라도 일치추정량을 얻는다. 반면, 확률효과모형은 가정

( )이 성립하지 않으면 일치추정량을 얻지 못한다. 이러

한 성질을 이용하여 검정을 진행한다. 즉, 두 모형이 차이가 없다면 확

률효과모형이 일치추정량을 얻기 때문에 확률효과모형의 가정이 성립

한다고 본다. 반대로 차이가 있다면, 확률효과모형이 일치추정량을 얻

지 못하기 때문에 고정효과모형을 선택하게 된다.

패널분석을 용이하게 진행하기 위해 다음의 절차를 진행한다. 첫째,

60

패널자료를 고정효과모형과 확률효과모형으로 추정하고, 하우스만 검

정을 진행하여 적합모형을 선택한다. 둘째, 고정효과모형 또는 확률효

과모형이 적절한지 추가 검정(F검정(Moulton & Randolph, 1989),

Breusch-Pagan LM검정(Breusch & Pagan, 1980))을 진행한다. 셋째,

고정효과모형과 확률효과모형이 적합하지 않다면, 통합회귀모형의 기

본가정 성립여부를 검토하고 이를 적용한다.

1.3.3.3. 연구모형

패널분석의 연구모형은 아래 <표 3-7>과 같다. 종속변수는 공통으로

기업의 네트워크 위상을 설정하였다. 독립변수들의 구성에 따라 모형

이 구분되는데, 국내 전력산업 부문은 모형을 3가지 형태로 구성하였

다. 첫 번째 모형은 에너지산업 트렌드를 독립변수로 삼는 것이다. 앞

서 언급한 4대 에너지산업 트렌드만 포함할 때 모형의 설명력과 각 변

수의 영향력 및 통계적 유의성을 검토하고자 한다. 두 번째 모형은 기

업명 빈도를 함께 포함한 것이다. 기업명 빈도는 네트워크 위상에 가

장 큰 영향을 미칠 변수이다. 이 변수를 통제변수로서 추가적으로 포

함하여 모형의 설명력 변화 및 변수 유의성을 살펴본다. 세 번째 모형

은 독점기업과의 연관성까지 포함한 것이다. 이 변수는 국내 전력산업

부문에만 포함하는 변수로서 독점기업과의 연관성이 기업 네트워크 위

상에 미치는 영향을 추가적으로 통제하고자 한다.

글로벌 전력산업 부문은 국내 전력산업 부문과 유사한데, 독점기업

과의 연관성 변수만 빠져 있다. 글로벌 석유가스 산업 부문은 분산화

연관성이 빠져 있는데, 분산화는 전력산업을 중심으로 진행되는 트렌

드에 해당하여 석유가스 산업 부문을 검토할 때는 독립변수에서 제외

하였다.


국내 전력산업 글로벌 전력산업 글로벌 석유가스산업

모형1 모형2 모형3 모형1 모형2 모형1 모형2디지털화 연

관성분산화 연관성탈탄소화연관성탈오염화연관성기업명 빈도

독점기업연관성

<표 3-7> 패널분석 연구모형 개요

주: 표에서 음영으로 표시된 부분이 독립변수에 해당, 종속변수는 기업의 네트워크 위상(페이지랭크 지수)


1.4. 연구 결과

1.4.1. 에너지산업 관계구조 변화

1.4.1.1. 국내 전력산업

[그림 3-3]은 언론자료를 통해 도출한 국내 전력산업의 네트워크 구

조를 1990년부터 2018년까지 보여주고 있다. 1990년에는 기업 2개(한

국전력, 한국전력기술)가 중심적으로 나타나고 나머지 기업(한국전기

안전공사, 한국수자원공사)이 함께 나타났다. 그러나 2000년에 기업은

33개, 산업은 24개, 2010년에는 기업 146개, 산업이 69개, 2018년에는

기업이 253개, 산업이 79개로 참여 기업 및 산업이 급격히 팽창하였다.

62

[그림 3-3] 시기별 국내 전력산업 참여 기업 네트워크

주: 노란색이 ICT기업, 푸른색이 ICT외 전력산업 뉴스 노출 기업자료: 저자 작성

산업 구조 네트워크로 살펴보면서 특정 연도를 확대해서 살펴보면

다음과 같다. [그림 3-4]는 2000년의 국내 전력산업 네트워크 구조를

보여준다. 보다시피 태양력발전업이 중심에 위치해 있는데, KISLINE

에서 한국전력이 태양력발전업으로 분류되어 있는 데서 비롯된 결과이

다. 이 그림에서 사업지원 서비스는 전력거래소를 의미하고, 연료용 가

스 제조 및 배관공급업에는 한국가스공사, 서울도시가스, 삼천리 등의

기업들이 포함되어 있다. ICT 기업에는 무선 및 위성통신업과 유선통

신업이 네트워크에 연결되어 있는데, 무선 및 위성 통신업에는 SK텔

레콤, 유선 통신업에는 KT가 포함되어 있다.


[그림 3-4] 2000년 국내 전력산업 네트워크 구조


[그림 3-5]는 2010년의 국내 전력산업 네트워크 구조 단면을 보여주

고 있다. 과거 대비 참여 노드도 늘어나고 연결선도 복잡해졌다. ICT

기업들은 태양력발전업과 주로 연결되어 있음을 확인할 수 있다. 특히,

통신 및 방송 장비 제조업이 다른 ICT 기업에 비해 상대적으로 노드

도 크고 태양력발전업과도 연결성이 두드러지는데, 이 산업에는 삼성

전자, LG전자가 포함되어 있다. 스마트그리드사업이 2009년부터 시작

되면서 전자산업 기업들이 전력산업 뉴스에서도 노출되고 있다.

64

[그림 3-5] 2010년 국내 전력산업 네트워크 구조 단면


[그림 3-6]은 2018년의 국내 전력산업 구조를 보여준다. 2010년과

또 다르게 ICT 기업들과 전력 부문 기업들 간 네트워크가 보다 밀도

있게 나타나고 있음을 확인할 수 있다. 태양력발전업뿐만 아니라 사업

지원서비스, 원자력발전업, 화력발전업 역시 ICT 기업들과의 연계가

확인되고 있다.


[그림 3-6] 2018년 국내 전력산업 네트워크 구조 단면


시기별 네트워크 노드 간 얼마나 밀접하게 연결되는지를 확인하기

위해서는 네트워크 밀도를 살펴보면 된다. 네트워크 밀도는 네트워크

에서 나타난 연결고리수가 잠재적으로 최대로 연결될 수 있는 연결고

리수 대비 어느 정도 비중을 차지하는지 보여준다. 밀도가 높아진다면

노드 간 연결이 더 조밀해지는 것이고 밀도가 낮아진다면 노드 간 독

립성이 강해지는 것이다.

국내 전력산업 네트워크 밀도를 글로벌 전력산업과 글로벌 석유가스

산업과 함께 비교하기 위해 본 연구에서는 2000년의 국내 전력산업

네트워크에 포함된 산업들(23개)을 중심으로 고려한다. 국내 전력산업

에 포함된 하위 산업들은 별도로 그 범위를 제약하지 않아 최근으로

66

올수록 급격히 증가하고 있는 반면, 글로벌 전력산업과 글로벌 석유가

스 산업은 각각 17개, 19개로 고정되어 있다. 따라서 국내와 글로벌 현

황을 비교하기 위해 국내 전력산업의 수를 특정 연도의 산업수로 고정

하고자 한다. 본 연구에서는 2000년을 설정하였는데, 그 이유는 2000

년에 총 23개의 산업이 추출되어 글로벌 산업과 비교할 때 큰 차이가

없으며, 주요 전력산업체들과 ICT 산업체들이 고루 분포되어 있었기

때문이다.

[그림 3-7]은 2000년부터 2018년까지 23개 산업의 네트워크 구조에

서 밀도를 추출해 표현한 그래프이다. 2000년부터 2010년까지 밀도가

급격히 상승한 점을 확인할 수 있다. 그러나 2010년부터 2018년까지

는 밀도가 별다른 추세 없이 등락을 거듭하고 있다. 23개 산업을 기준

으로 놓고 볼 때 2010년까지 상호 네트워크 연계가 빠르게 조밀해졌

지만, 2010년 이후부터는 더 이상 큰 변화 없이 부분적인 관계 변동이

이어져 오고 있다.


[그림 3-7] 국내 전력산업 23개 산업 기준 네트워크 밀도 변화


국내 전력산업의 네트워크 구조와 밀도 변화를 살펴봤다면 시기에

따라 산업별 기업수를 살펴보기로 한다. <표 3-8>에서는 기간에 따른

산업별 기업수와 함께 그 기업수의 연평균 증가율도 제시하고 있다.

2000년 대비 2018년에 가장 높은 증가율을 보인 산업은 화력발전업으

로 2000년에 1개였는데, 2018년에 23개로 증가하였다. 2010년 대비

2018년에는 태양력 발전업으로 2000년에 1개의 기업이 언론에 노출되

었는데, 2018년에는 16개로 증가하였다. 최근 6개년도(2013~2018년)

68

의 변화를 살펴보면 응용 소프트웨어 개발 및 공급업의 증가율이 가장

높다. 이는 2010년대에 태양력 발전업이, 최근에는 응용 소프트웨어

개발 및 공급업이 전력산업에 활발하게 참여하고 있음을 보여준다.

산업산업별 기업수 연평균 증가율

’90 ’00 ’10 ’13 ’18’00

vs. ’18’10

vs. ’18’13

vs. ’18

화력 발전업 0 1 10 17 23 1.19* 1.11 1.06

응용 소프트웨어 개발 및 공급업

0 1 5 10 21 1.18 1.20 1.16*

태양력 발전업 1 1 2 12 16 1.17 1.30* 1.06

시스템 소프트웨어 개발 및 공급업

0 1 8 8 9 1.13 1.01 1.02

축전지 제조업 0 1 6 9 8 1.12 1.04 0.98

배전반 및 전기 자동제어반 제조업

0 1 3 7 7 1.11 1.11 1.00

기타 엔지니어링 서비스업

1 2 6 11 10 1.09 1.07 0.98

컴퓨터 프로그래밍 서비스업

0 1 2 3 3 1.06 1.05 1.00

기타 기계 및 장비 제조업 0 1 3 3 3 1.06 1.00 1.00

산업생산시설종합건설업

0 1 1 2 3 1.06 1.15 1.08


0 2 3 4 5 1.05 1.07 1.05

승용차 및 기타 여객용 자동차 제조업

0 2 3 4 4 1.04 1.04 1.00

무선 및 위성 통신업 0 1 2 2 2 1.04 1.00 1.00

통신 및 방송 장비 제조업 0 1 2 2 2 1.04 1.00 1.00


0 6 4 15 10 1.03 1.12 0.92

유선 통신업 0 2 2 2 2 1.00 1.00 1.00

컴퓨터시설 관리업 0 1 1 1 1 1.00 1.00 1.00

<표 3-8> 국내 전력 부문 주요 참여산업(23개) 소속 기업수 변화


주: 1) 2018년 산업별 기업수로 내림차순 정렬2) * 표시는 기간별 증가율이 가장 높은 산업


<표 3-8>이 산업별 기업수를 보여주고 있지만, 그 산업의 중심성을

제대로 보여주지는 못한다. 왜냐하면 태양력 발전업의 경우 한국전력

이 포함되어 있어 참여기업수가 적더라도 네트워크에서의 중심성은 가

장 크기 때문에 기업수가 곧 중심성을 의미하지 않는다. 이에 [그림

3-4]부터 [그림 3-6]까지 살펴본 산업별 네트워크 구조 그림을 다시 표

(<표 3-9>부터 <표 3-13>)로 옮겨 살펴본다.

2000년부터 2018년까지 빈도6)와 페이지랭크 중심성 기준으로 볼 때

공통적으로 태양력발전업이 항상 가장 높은 수치를 보이고 있다. 다만

6) 여기에서 빈도는 뉴스에서 언급된 기업들을 각 해당산업으로 변경한 뒤 각 산업명이 얼마나 노출되었는지 빈도수를 확인하고, 그 빈도수를 다시 기간별 총 문서수로 나눠준 수치이다. 예를 들어 <표 3-9>에서 태양력발전업의 정규화된 빈도수는 0.5270을 나타내는데, 이는 태양력발전업이 언급된 횟수가 전체 기사 수의 약 절반 정도 된다는 것을 의미한다. 각 산업명의 빈도수를 총 문서수로 나눈 이유는 기간별로 문서수가 다르기 때문에 문서가 많을 때는 당연히 단어 빈도수가 많아질 가능성이 높다. 따라서 기간별 문서수가 다름에 따른 빈도수 영향을 통제하기 위해서이다.


’90 ’00 ’10 ’13 ’18’00

vs. ’18’10

vs. ’18’13

vs. ’18

사업지원 서비스 0 1 1 1 1 1.00 1.00 1.00

생활용수 공급업 1 1 1 1 1 1.00 1.00 1.00

구조용 금속 판제품 및 공작물 제조업

0 1 0 0 1 1.00 - -

기타 기초 무기 화학물질 제조업

0 1 1 1 1 1.00 1.00 1.00

직물 도매업 0 1 1 1 1 1.00 1.00 1.00

원유 정제처리업 0 1 2 1 1 1.00 0.92 1.00

합계(23개 산업) 3 32 69 117 135 - - -

70

2010년에 연결중심성 측면에서 유선통신업이 가장 높은 중심성을 보

였다. 이는 2010년 유선통신업의 정규화된 빈도는 0.0297로 태양력발

전업의 빈도(0.2805) 대비 10.6% 수준으로 상당히 낮은 수준이지만,

유선통신업에 연결된 산업들이 오히려 태양력발전업보다 더 많았다는

것을 의미한다. 2010년에는 컨소시엄들이 구성되어 스마트그리드사업

을 본격적으로 추진하는 시기라 독특하게 태양력발전업보다 유선통신

업의 연결중심성이 높은 시기로 분류되었다.

<표 3-9>부터 <표 3-13>를 살펴보면, 태양력발전업 다음으로 사업

지원서비스가 중심성이 높게 나타나며, 화력발전업이 2000년에는 중심

성이 낮았으나 2010년부터 중심성이 높게 나타나고 있다. 2001년 전

력산업구조개편에 따라 한국전력에서 6개 발전회사가 분할되었고, 그

이후부터 화력발전업이 전력산업 관련 뉴스에서 중심축으로 이동하였

다. ICT 기업의 경우 빈도나 페이지랭크 중심성 차원에서 통신 및 방

송 장비 제조업이 대체로 높은 수치를 보여주었는데, 2018년에는 유선

통신업이 더 높은 수치를 보였다. ICT산업들 중에서 유선통신업이 전

력사업 진출에 가장 적극적으로 참여하고 있는 상황을 시사한다.


산업 정규화된 빈도 연결중심성 페이지랭크 중심성

태양력 발전업 0.5270* 1.8182* 0.3032*사업지원 서비스 0.0398 0.5455 0.1048


0.0256 0.7273 0.0757

통신 및 방송 장비 제조업 0.0185 0.7273 0.0618컴퓨터시설 관리업 0.0213 0.3636 0.0589

기타 기계 및 장비 제조업 0.0185 0.6364 0.0528무선 및 위성 통신업 0.0114 0.7273 0.0503

축전지 제조업 0.0057 0.6364 0.0361유선 통신업 0.0114 0.3636 0.0320


0.0028 0.5455 0.0294

산업생산시설 종합건설업 0.0057 0.2727 0.0269컴퓨터 프로그래밍 서비스업 0.0028 0.3636 0.0248

생활용수 공급업 0.0114 0.1818 0.0240시스템 소프트웨어 개발

및 공급업0.0014 0.3636 0.0171


0.0071 0.1818 0.0166

직물 도매업 0.0014 0.2727 0.0147화력 발전업 0.0057 0.1818 0.0141


0.0043 0.0909 0.0119


0.0028 0.0909 0.0119

기타 엔지니어링 서비스업 0.0014 0.0909 0.0095기타 기초 무기 화학물질 제조업

0.0028 0.0909 0.0095


0.0014 0.0000 0.0070

원유 정제처리업 0.0014 0.0000 0.0070표준편차 0.1084 0.3913 0.0619

<표 3-9> 2000년 주요 산업별 노출 빈도 및 중심성

주: 1) 페이지랭크 중심성을 기준으로 내림차순 정렬 2) * 표시는 빈도 또는 중심성 수치가 가장 높은 산업자료: 저자 작성

72


태양력 발전업 0.2805* 1.8182 0.1910*통신 및 방송 장비 제조업 0.0492 1.8182 0.0876

화력 발전업 0.0832 1.4545 0.0756

사업지원 서비스 0.0965 1.7273 0.0710유선 통신업 0.0297 1.9091* 0.0670

기타 기계 및 장비 제조업 0.0561 1.7273 0.0669직물 도매업 0.0259 1.7273 0.0570

무선 및 위성 통신업 0.0147 1.7273 0.0470축전지 제조업 0.0243 1.0909 0.0451


0.0157 1.4545 0.0372

컴퓨터시설 관리업 0.0132 1.6364 0.0354기타 엔지니어링 서비스업 0.0145 1.7273 0.0352


0.0102 0.9091 0.0322


0.0130 1.8182 0.0315

생활용수 공급업 0.0043 1.4545 0.0207


0.0038 1.4545 0.0194


0.0061 1.0000 0.0189

산업생산시설 종합건설업 0.0061 1.3636 0.0158


0.0028 0.8182 0.0112


0.0023 0.7273 0.0097

원유 정제처리업 0.0003 1.2727 0.0095


0.0007 0.6364 0.0082


0.0000 0.0000 0.0068

표준편차 0.0600 0.4861 0.0403





태양력 발전업 0.2362* 1.8182* 0.2208*사업지원 서비스 0.2053 1.7273 0.1556화력 발전업 0.0763 1.7273 0.1137

통신 및 방송 장비 제조업 0.0271 1.5455 0.0532기타 기계 및 장비 제조업 0.0212 1.8182 0.0478

유선 통신업 0.0202 1.6364 0.0475연료용 가스 제조 및

배관공급업0.0158 1.5455 0.0427

직물 도매업 0.0125 1.5455 0.0365무선 및 위성 통신업 0.0073 1.4545 0.0353


0.0109 1.3636 0.0344

컴퓨터시설 관리업 0.0076 1.5455 0.0315기타 엔지니어링 서비스업 0.0072 1.5455 0.0267

축전지 제조업 0.0138 1.5455 0.0262


0.0034 1.3636 0.0191

생활용수 공급업 0.0047 1.0000 0.0170증기, 냉ㆍ온수 및 공기조절 공급업

0.0041 1.1818 0.0168


0.0022 1.3636 0.0154

산업생산시설 종합건설업 0.0041 1.2727 0.0146응용 소프트웨어 개발

및 공급업0.0012 1.1818 0.0113


0.0012 0.9091 0.0108


0.0006 0.9091 0.0091


0.0000 0.0000 0.0070

원유 정제처리업 0.0001 0.0000 0.0070

표준편차 0.0625 0.4870 0.0520



74


태양력 발전업 0.2513 1.8182 0.1815사업지원 서비스 0.1166 1.3636 0.1117화력 발전업 0.1058 1.7273 0.1210유선 통신업 0.0384 1.5455 0.0647

기타 기계 및 장비 제조업 0.0304 1.5455 0.0440통신 및 방송 장비 제조업 0.0286 1.6364 0.0726


0.0259 1.5455 0.0616


0.0192 1.1818 0.0238

컴퓨터시설 관리업 0.0159 1.1818 0.0386증기, 냉ㆍ온수 및 공기조절 공급업

0.0129 0.9091 0.0263

무선 및 위성 통신업 0.0113 1.4545 0.0451축전지 제조업 0.0113 1.3636 0.0331

기타 엔지니어링 서비스업 0.0072 1.4545 0.0239

생활용수 공급업 0.0068 1.2727 0.0192


0.0056 0.7273 0.0198

직물 도매업 0.0056 1.2727 0.0300


0.0034 1.1818 0.0126


0.0029 1.0909 0.0170


0.0019 0.6364 0.0120


0.0018 0.7273 0.0162

산업생산시설 종합건설업 0.0017 0.4545 0.0100


0.0002 0.0909 0.0083

원유 정제처리업 0.0001 0.0000 0.0068

표준편차 0.0570 0.4956 0.0432




한편, <표 3-9>부터 <표 3-13>에서 제시된 산업별 빈도 및 중심성의

표준편차를 보면 2000년 대비 최근으로 올수록 빈도와 페이지랭크 중

심성 표준편차가 줄어드는 것을 확인할 수 있다. 2010년과 2013년에

반대현상이 발생하기는 하였지만, 큰 추세에서 본다면 표준편차가 줄

어들었다고 할 수 있다. 이는 과거처럼 특정 산업이 전력산업 이슈의

대부분을 차지하는 상황과 달리 다양한 산업들과 기업들이 전력산업에

참여하면서 뉴스미디어 또한 그러한 다양성을 표출하고 있는 것이다.

1.4.1.2. 글로벌 전력산업

지금까지 국내 전력산업을 살펴봤다면 글로벌 전력산업의 변화도 함

께 살펴보기로 한다. [그림 3-8]은 2013년의 글로벌 전력산업 네트워

크 구조를 보여준다. 전력, 가스 등을 복합적으로 제공하는 멀티라인

유틸리티(multiline utilities)와 전력유틸리티(electric utilities)가 중심

무대에 있고, 멀티라인 유틸리티에는 ICT서비스&컨설팅산업, 온라인

서비스산업, 통합통신서비스산업이 직접 연결되어 있고, electric utility

에는 가전기기산업이 직접 연결되어 있다.

그러나 [그림 3-9]를 살펴보면, 여전히 전력유틸리티와 멀티라인 유

틸리티가 여전히 중심축에 있지만, 다양한 ICT 산업들이 함께 연결되

어 있음을 확인할 수 있다. ICT산업 중에서는 소프트웨어산업의 노드

와 연계가 두드러지게 변했다. 인공지능, 빅데이터, 사물인터넷 등 디

지털 기술의 발전과 함께 소프트웨어 역량이 더욱 강조되면서 나타나

는 현상으로 이해된다.

76

[그림 3-8] 2013년 글로벌 전력산업 네트워크 구조

주: 노란색이 ICT 산업, 검은색이 유틸리티 산업자료: 저자 작성

[그림 3-9] 2018년 글로벌 전력산업 네트워크 구조

주: 노란색이 ICT 산업, 검은색이 유틸리티 산업자료: 저자 작성


[그림 3-10]은 글로벌 전력산업 네트워크의 밀도 추이를 보여준다.

국내 전력산업 네트워크 밀도 추이와 유사하게 시간이 지나면서 밀도

가 증가 추세이다.

[그림 3-10] 글로벌 전력산업 17개 산업 기준 네트워크 밀도 변화


다만, 시기적으로 국내는 2000년부터 2018년까지를 살펴봤고, 글로

벌 전력산업은 2013~2018년을 살펴봤다는 데 차이가 있다. 만약

2013~2018년 기간을 놓고 함께 비교한다면, 국내는 밀도변화가 큰 방

78

향 없이 변동하고 있을 뿐인데, 글로벌은 꾸준히 상승하는 양상을 보

이고 있다. 최근 6년간만을 본다면 글로벌 전력산업이 국내 전력산업

보다 산업 간 연계가 더욱 활발하게 이루어지고 있다고 볼 수 있다.

<표 3-13>은 글로벌 전력 부문 주요 참여산업과 소속 기업수의 변

화 추이를 보여준다. 기업수의 절대빈도수로 볼 때 전력유틸리티

(electric utilities)의 성장이 두드러진다. ICT부문에서는 ICT 서비스&

컨설팅과 소프트웨어산업 소속 기업수가 크게 늘었다. 증가율로 본다

면, IPP(independent power producers, 민간발전사업자)가 가장 높은

수치를 보인다. 글로벌 전력산업에서 상장된 IPP 사업자 수가 분석기

간 내에 많이 늘어나고 동시에 언론에서도 주목을 받았음을 시사한다.


(’13 vs. ’18)’13 ’14 ’15 ’16 ’17 ’18

Electric Utilities 36 53 65 83 86 97 1.22

Multiline Utilities 13 11 19 23 19 24 1.13

Independent Power Producers 2 3 8 13 17 19 1.57

Natural Gas Utilities 2 7 8 9 6 11 1.41

IT Services & Consulting 16 20 28 27 25 28 1.12

Software 12 15 21 24 19 19 1.10

Online Services 7 11 11 17 15 14 1.15

Integrated Telecommunications Services 5 8 8 8 16 11 1.17

Wireless Telecommunications Services 5 5 8 12 14 10 1.15

Computer Hardware 5 6 8 9 11 9 1.12

Household Electronics 6 4 9 9 10 9 1.08

Communications & Networking 5 6 8 9 8 8 1.10

Electronic Equipment & Parts 7 5 8 7 6 8 1.03

<표 3-13> 글로벌 전력 부문 주요 참여산업 소속 기업수 변화



산업별 속해있는 기업들의 수가 아니라 각 산업의 네트워크 중심성

차원에서 살펴보면, 2013년에는 멀티라인 유틸리티가 가장 높은 중심

성을 차지한 반면, 2018년에는 전력유틸리티가 가장 높은 중심성을 차

지하였다. 최근 재생에너지 등 분산발전, 에너지저장자원, 수요관리자

원 등 분산자원 보급이 확대되고, 디지털화 기술 발전이 빠르게 이루

어지면서 전력산업 변화에 대한 논의가 급증하고 있다. 이에 뉴스미디

어에서도 전력산업 관련하여 핵심이 되는 전력유틸리티에 대한 논의의

집중도가 과거보다 높아진 것으로 해석된다.

ICT 부문에서는 소프트웨어산업이 2013년과 2018년 모두 높은 중심성을

보였으며, 순위 변동 차원에서는 무선통신서비스(wireless telecommunications

services) 산업의 중심성 순위가 14위에서 8위로 크게 올라갔다. 앞서

[그림 3-8]과 [그림 3-9]에서 살펴보았듯이 무선통신서비스 산업은

2013년에는 다른 노드들과 별다른 연계 없이 독립적으로 존재하였으

나 2018년에는 전력유틸리티와 상호 연계된 형태를 보였다. 전력유틸

리티 입장에서 발전, 송전, 배전 등 기존 설비뿐만 아니라 빠르게 확대

되는 분산자원을 효율적으로 모니터링하고 제어하기 위해 무선네트워크

기술을 효과적으로 활용하는 것은 매우 중요한 과제로 부상하고 있다

(Barker, 2018).


(’13 vs. ’18)’13 ’14 ’15 ’16 ’17 ’18

Phones & Handheld Devices 4 7 7 5 3 6 1.08

Semiconductors 7 10 17 12 11 6 0.97

Semiconductor Equipment & Testing 4 4 2 3 7 5 1.05

Office Equipment 1 2 2 1 2 1 1.00

합계(17개 산업) 137 177 237 271 275 285 -

80


Multiline Utilities 0.0328* 1.5000* 0.1787*

Electric Utilities 0.0321 1.2500 0.1589

Software 0.0132 1.2500 0.0861

IT Services & Consulting 0.0095 1.0000 0.0810

Phones & Handheld Devices 0.0074 1.0000 0.0705

Semiconductors 0.0047 0.8750 0.0678

Online Services 0.0064 0.8750 0.0637

Household Electronics 0.0051 1.0000 0.0551


0.0061 0.7500 0.0470

Computer Hardware 0.0044 0.7500 0.0458

Electronic Equipment & Parts 0.0051 0.5000 0.0326


0.0010 0.5000 0.0278

Independent Power Producers 0.0017 0.3750 0.0265


0.0108 0.3750 0.0214

Communications & Networking 0.0041 0.2500 0.0176

Office Equipment 0.0003 0.0000 0.0098

Natural Gas Utilities 0.0017 0.0000 0.0098

표준편차 0.0096 0.4364 0.0479

<표 3-14> 2013년 글로벌 전력 부문 참여 산업별 노출 빈도 및 중심성




Electric Utilities 0.0728* 1.7500* 0.2437*

Multiline Utilities 0.0501 1.7500* 0.1717

Software 0.0140 1.5000 0.0761

Natural Gas Utilities 0.0024 1.5000 0.0516

Phones & Handheld Devices 0.0077 1.2500 0.0480

Independent Power Producers 0.0074 1.1250 0.0460

IT Services & Consulting 0.0068 1.6250 0.0458


0.0031 1.5000 0.0455

Online Services 0.0072 1.0000 0.0429







0.0054 1.0000 0.0257


0.0007 0.0000 0.0098


표준편차 0.0194 0.5396 0.0595

<표 3-15> 2018년 글로벌 전력 부문 참여 산업별 노출 빈도 및 중심성


82

1.4.1.3. 글로벌 석유가스 산업

[그림 3-11]과 [그림 3-12]는 글로벌 석유가스 산업의 2013년과

2018년의 산업네트워크 구조를 보여주고 있다. 글로벌 석유가스 산업

은 국내 전력산업이나 글로벌 전력산업과 달리 2013년 대비 2018년에

네트워크 구조가 덜 조밀해진 형태를 보이고 있다. 2013년에는 석유가

스 정제 및 마케팅(oil & gas refining and marketing)을 중심으로 다양

한 ICT 산업들이 연계되어 있었는데, 2018년에는 그 연결수가 상당히

줄어들었음을 확인할 수 있다. 한편 석유가스 시추(oil & gas drilling)

를 제외하고는 석유가스 기업들 간 연계는 더 강화된 것 같다.

[그림 3-11] 2013년 글로벌 석유가스 산업 네트워크 구조

주: 노란색이 ICT 산업, 검은색이 석유가스 산업자료: 저자 작성


주: 노란색이 ICT 산업, 검은색이 석유가스 산업자료: 저자 작성

네트워크의 밀도 변화를 살펴보면 [그림 3-13]과 같다. 밀도에서 확

연히 2013년부터 2018년까지 글로벌 석유가스 산업의 연결구조가 헐

거워졌음을 확인할 수 있다. 다만 주의할 점은 2013년에 이미 밀도가

0.75를 넘어 선만큼 상당히 높았다는 점이다. 밀도는 현재 네트워크에

서 연결된 선의 개수를 모든 노드들이 상호 연결됐다고 전제했을 때의

연결선 개수로 나눈 값이다. 즉 가능한 최대 연결선 개수 대비 75% 이

상이 이미 2013년에 연결되어 있었다는 점이다. 그리고 2018년에는

60% 이하로 하락하였는데, 그렇다고 할지라도 [그림 3-10]의 글로벌

전력산업 네트워크의 최근 밀도와 유사한 수준이다. 비록 글로벌 석유

가스 산업이 세부 산업 간 연계성이 최근 6년 간(2013~2018년) 하락 추

세이기는 하지만 이미 상당히 높았다는 점을 주목해야 한다.

[그림 3-12] 2018년 글로벌 석유가스 산업 네트워크 구조

84

그렇다면 왜 이러한 현상이 나타났는가에 대해 의문을 가질 수 있

다. 이 의문을 푸는 과정에서 글로벌 석유가스 산업이 글로벌 전력산

업보다 더 일찍 ICT 산업들과의 협력을 촉진해왔는지, 시간이 지나면

서 석유가스 산업 자체적으로 디지털역량을 축적하고 외부 ICT 기업

들과의 협력을 줄였는지 등을 확인해야 한다. 그러기 위해서는 더 많

은 시기의 데이터를 확보해야 하는데, 추후 연구에서 데이터손실 없이

텍스트 자료를 확보하는 방안을 탐색하고자 한다.

[그림 3-13] 글로벌 석유가스 산업 19개 산업 기준 네트워크 밀도 변화



<표 3-16>은 글로벌 석유가스 산업 부문별 참여 기업수의 변화

추이를 보여주고 있다. 석유가스 시추(oil & gas drilling) 부문이 가장

큰 증가율을 보였고, 석유가스 산업 전반적으로 기업수가 최근 6년간

평균적으로 증가했다. 그러나 ICT 산업에 속해있는 기업수는 증가율이

0점대를 기록하면서 감소추세에 있음을 확인하였다.


(’13 vs. ’18)’13 ’14 ’15 ’16 ’17 ’18

Oil & Gas Drilling 8 13 12 13 20 18 1.18

Oil & Gas Exploration and Production 119 130 150 167 193 209 1.12

Oil & Gas Transportation Services 17 32 31 31 30 35 1.16

Oil & Gas Refining and Marketing 39 38 47 47 51 46 1.03

Oil Related Services and Equipment 30 52 56 49 65 52 1.12

Integrated Oil & Gas 12 10 12 13 14 18 1.08

Communications & Networking 14 14 8 10 11 6 0.84

Computer Hardware 15 13 10 13 9 10 0.92

Electronic Equipment & Parts 8 8 14 7 7 6 0.94

Household Electronics 9 6 10 6 8 5 0.89

Integrated Telecommunications Services 11 14 17 9 9 10 0.98

IT Services & Consulting 38 39 42 25 35 27 0.93

Office Equipment 4 1 2 3 2 1 0.76

Online Services 20 27 24 18 18 13 0.92

Phones & Handheld Devices 7 7 4 7 4 2 0.78

Semiconductor Equipment & Testing 9 6 7 5 8 3 0.80

Semiconductors 20 11 17 12 15 14 0.93

Software 30 24 29 26 28 25 0.96

Wireless Telecommunications Services 12 14 14 9 11 9 0.94

합계(19개 산업) 422 459 506 470 538 509 -


<표 3-16> 글로벌 석유가스 부문 주요 참여산업 소속 기업수 변화

86

<표 3-15>와 <표 3-16>은 2013년과 2018년의 글로벌 석유가스 부

문 참여 산업별 노출 빈도 및 중심성을 수치로 보여주고 있다. 2013년

이나 2018년이나 석유가스 정제 및 마케팅(oil & gas refining and

marketing) 부문이 가장 높은 빈도와 중심성을 보였다. 앞서 그림에서

도 확인하였듯이, 이 부문이 ICT 산업들과의 연계가 가장 활발하게 언

급되는 분야이다.

중심성 순위 차원에서는 2013년과 2018년에 상위 1, 2, 3등은 변함

이 없다. 그러나 2013년에 소프트웨어(software)와 ICT서비스 및 컨설

팅(IT services & consulting)이 4,5위를 차지한 반면, 2018년에는 그

산업들이 각각 5위, 7위를 기록하였다. 대신 석유가스 운송 서비스(oil

& gas transportation services) 부문이 2013년 6위에서 두 단계 위인 4

위로, 자원개발서비스(oil related services and equipment) 부문이 2013

년 8위에서 2018년 6위로 두 단계 상승하였다.

2013년부터 2018년까지만 볼 때는 전력산업과 달리 석유가스 산업

에서 ICT 산업의 네트워크 위상이 상대적으로 낮아지고 석유가스 산

업들의 위상이 높아졌다. 물론 앞서 언급하였듯이, 글로벌 석유가스 산

업의 네트워크 밀도가 낮아졌다고 하지만 그 낮아진 밀도가 최근 높아

진 글로벌 전력산업 네트워크 밀도와 유사하다는 점을 상기할 때, 석

유가스산업과 ICT 산업 간 디지털화라는 공통 주제 논의 강도가 전력

산업과 ICT 산업 간 강도보다 약하다고 단정하기는 어렵다.

이 논의의 연장에서 목차 1.4.2부터 패널분석을 통해 어떤 요인들이

기업들의 네트워크 위상의 변화에 강한 영향을 주고 있는지 확인하고

자 한다. 본 연구의 핵심 주제인 디지털화가 기업들의 네트워크 위상

변화에 통계적으로 유의미하게 영향을 주고 있는지 평가한다.



Oil & Gas Refining and Marketing

0.140* 2.000* 0.214*


0.040 1.667 0.131

Integrated Oil & Gas 0.017 1.333 0.082

Software 0.021 2.000* 0.079IT Services & Consulting 0.011 2.000* 0.054Oil & Gas Transportation

Services0.013 1.222 0.054

Phones & Handheld Devices 0.012 1.667 0.051Oil Related Services and

Equipment0.011 1.556 0.051


Online Services 0.009 1.667 0.032

Semiconductors 0.004 1.778 0.032Communications & Networking 0.006 1.333 0.030



0.007 1.333 0.028

Oil & Gas Drilling 0.003 1.000 0.026


0.005 1.333 0.024



0.001 1.333 0.017


표준편차 0.031 0.313 0.048

<표 3-17> 2013년 글로벌 석유가스 부문 참여 산업별 노출 빈도 및 중심성


88


Oil & Gas Refining and Marketing

0.176* 1.778* 0.255*


0.105 1.778* 0.196

Integrated Oil & Gas 0.047 1.556 0.124

Oil & Gas Transportation Services

0.032 1.556 0.075

Software 0.020 1.778* 0.062Oil Related Services and

Equipment0.025 1.222 0.055

IT Services & Consulting 0.013 1.444 0.031Oil & Gas Drilling 0.005 1.111 0.025



Phones & Handheld Devices 0.005 1.111 0.022Online Services 0.005 1.333 0.020


0.003 0.889 0.017



0.004 1.000 0.015


0.001 0.444 0.011




표준편차 0.045 0.508 0.068

<표 3-18> 2018년 글로벌 석유가스 부문 참여 산업별 노출 빈도 및 중심성



1.4.2. 패널분석을 통한 기업 네트워크 위상 영향 요인 분석

1.4.2.1. 기술 통계

1.4.2.1.1. 산업별 주요 트렌드 논의 문서수 추이

문서수 추이를 통해 산업별로 에너지산업 트렌드 논의가 어떻게 변

하고 있는지 살펴보기로 한다. [그림 3-14]는 국내 전력산업에서 디지털

화(digitalization), 분산화(decentralization), 탈탄소화(decarbonization),

탈오염화(depollution) 관련 문서수가 어떻게 시기별로 달라지는지 보여

준다. [그림 3-15]는 [그림 3-14]에서 제시한 문서수를 정규화한 것이

다. 즉 전체 문서수로 나눠준 것이다.

두 그림에서 보다시피 2000년대 중후반에는 탈탄소화 논의가 상대

적으로 활발하게 이루어졌고, 2010년대 이후부터 디지털화에 관한 논

의가 급격히 확대되었음을 확인할 수 있다. 분산화에 관한 논의는

2012년부터 문서수가 두드러지게 상승하였음을 알 수 있고, 탈오염화

는 2015년 이후 급팽창한 것으로 나타났다.

[그림 3-14] 국내 전력산업(문서수)


90

[그림 3-15] 국내 전력산업(정규화된 문서수)


[그림 3-16]과 [그림 3-17]은 글로벌 전력산업에서 4대 트렌드 관련

문서수 추이를 보여준다. [그림 3-16]을 보면 모든 트렌드 관련 문서수

가 꾸준히 상승하는 것으로 나오지만, [그림 3-17]의 정규화된 문서수

에서는 2015년과 2016년에 탈탄소화와 탈오염화 이슈가 많이 논의된

것으로 나타났다. 그렇다고 할지라도 2013년에 비하면 2018년까지 전

반적으로 모든 트렌드 관련 논의가 늘어난 것으로 나타났다.

[그림 3-16] 글로벌 전력산업(문서수)



[그림 3-17] 글로벌 전력산업(정규화된 문서수)


[그림 3-18]과 [그림 3-19]는 글로벌 석유가스 산업에서 4개 트렌드

관련 문서수 추이를 보여준다. 석유가스 산업에서 가장 큰 비중을 차

지하는 이슈는 탈오염화 이슈이다. 석탄과 더불어 석유가스가 에너지

생산과 소비 과정에서 나오는 오염물질의 주요 배출원이기 때문에 4개

트렌드 중 탈오염화 논의가 가장 활발하게 이루어지고 있다. 또한 성

장세를 보더라도 2013년 대비 2018년에 가장 큰 폭의 변화를 보였다.

탈오염화 다음으로 탈탄소화가 많이 논의되고 있고, 그 비중도 증가

추세에 있다. 본 연구의 관심사인 디지털화는 2013년에 전체 문서에서

약 20%를 차지하였지만, 2018년에는 10% 수준으로 하락하였다. 앞서

전력산업은 2013년 약 10%에서 2018년 약 15%로 상승하였는데, 석

유가스 산업은 반대추이를 보였다. 그러나 2013년에 석유가스 산업의

디지털화 논의 문서 비중이 전체 문서 대비 20%를 차지하여 전력산업

에 비해 2배 이상의 비중을 보인 점을 고려할 때, 전력산업에 비해 석

유가스 산업의 디지털화가 활발히 논의되었음을 확인할 수 있다. 또한,

2018년에도 약 10%의 비중을 유지하고 있다. 한편, 분산화에 대한 논

의는 거의 이루어지지 않았다.

92

[그림 3-18] 글로벌 석유가스 산업(문서수)


[그림 3-19] 글로벌 석유가스 산업(정규화된 문서수)


1.4.2.1.2. 분석대상 산업별 독립변수 기술 통계

앞서 방법론 부문에서 언급하였듯이 분석대상 기간을 전기(2013~

2015년)와 후기(2016~2018년)로 구분하였다. 데이터셋 구축 결과 국내

전력산업 패널분석 대상 개체(entity)는 240개, 글로벌 전력산업은 270

개, 글로벌 석유산업은 514개이다.

<표 3-19>부터 <표 3-21>까지 본 연구의 패널분석 대상 산업별 독립

변수들의 기술 통계를 제시하고 있다. 평균(Mean) 값을 중심으로 살펴


보면, 국내 전력산업은 디지털화, 분산화, 탈오염화와의 연관성이 전기

대비 후기에 증가하였고, 탈탄소화와 독점기업 연관성은 감소하였다.

글로벌 전력산업은 디지털화, 분산화가 증가한 반면, 탈탄소화와 탈

오염화가 감소하였다. 글로벌 석유가스 산업은 디지털화, 탈탄소화, 탈

오염화가 모두 증가하였다. 석유가스 산업의 경우 디지털화 문서수는

전기 대비 후기에 줄어들었지만, 기업들과 디지털화 관련 키워드 간

연관성은 다소 증가하는 현상을 보였다.

구분전기(2013~2015년) 후기(2016~2018년)

Mean S.D. Min Max Mean S.D. Min Max

트렌드 연관성

디지털화 0.0234 0.0349 0.0000 0.2030 0.0235 0.0353 0.0000 0.2243

분산화 0.0066 0.0152 0.0000 0.1399 0.0076 0.0185 0.0000 0.1489

탈탄소화 0.0136 0.0180 0.0000 0.1124 0.0123 0.0188 0.0000 0.1565

탈오염화 0.0031 0.0095 0.0000 0.0819 0.0118 0.0245 0.0000 0.1911

기업명 빈도 0.0095 0.0376 0.0000 0.3842 0.0106 0.0393 0.0000 0.4188

독점기업 연관성 0.0306 0.0714 0.0000 0.8972 0.0289 0.0702 0.0000 0.9040

기업수(개) 240개 240개

<표 3-19> 국내 전력산업 패널분석 변수 개요


구분전기(2013~2015년) 후기(2016~2018년)


트렌드 연관성

디지털화 0.0174 0.0222 0.0000 0.1624 0.0176 0.0207 0.0000 0.1361

분산화 0.0083 0.0206 0.0000 0.1816 0.0103 0.0183 0.0000 0.1682

탈탄소화 0.0161 0.0198 0.0000 0.1057 0.0154 0.0176 0.0000 0.1087

탈오염화 0.0233 0.0216 0.0000 0.1492 0.0220 0.0196 0.0000 0.1253

기업명 빈도 0.0017 0.0037 0.0001 0.0267 0.0020 0.0044 0.0000 0.0423

기업수(개) 270 270

<표 3-20> 글로벌 전력산업 패널분석 변수 개요


94

구분전기(2013~2015년) 후기(2016~2018년)


트렌드 연관성

디지털화 0.0073 0.0119 0.0000 0.1084 0.0099 0.0163 0.0000 0.1728

탈탄소화 0.0101 0.0162 0.0000 0.1320 0.0102 0.0171 0.0000 0.1639

탈오염화 0.0192 0.0226 0.0000 0.2222 0.0194 0.0242 0.0000 0.2204

기업명 빈도 0.0015 0.0068 0.0000 0.0981 0.0016 0.0069 0.0000 0.1069

기업수(개) 514 514

<표 3-21> 글로벌 석유가스 산업 패널분석 변수 개요


1.4.2.2. 패널분석 결과

패널데이터를 이용한 모형 중 적합한 모형을 찾기 위해 F검정,

Breusch-Pagan LM검정, 하우스만 검정을 통해 모든 산업 부문에서 고

정효과(fixed effect) 모형이 적합한 것으로 나타났다. 이에 국내 전력

산업, 글로벌 전력산업, 글로벌 석유가스 산업 모두 고정효과 모형을

적용하여 분석하였다.

<표 3-22>는 국내 전력 부문 기업 네트워크 위상에 영향을 미칠 것

으로 판단되는 변수들의 통계적 유의성을 보여주고 있다. 디지털화 연

관성은 모든 모형에서 유의수준 0.05에서 유의함을 보여준다. 분산화

연관성은 모형 1에서는 유의수준 0.1에서 유의하고, 모형2와 모형3에

서는 유의수준 0.05에서 유의하다. 탈탄소화는 오히려 유의수준 0.05

에서 음의 방향으로 유의했는데, 탈탄소화와 연관성이 높을수록 기업

의 네트워크 위상이 줄어드는 것으로 나타났다. 보다 장기에 걸쳐 분

석했다면 탈탄소화 역시 양의 방향으로 유의성이 나타났을 가능성이

높다. 탈오염화 연관성은 별다른 유의성을 보이지 못했다. 비록 미세먼

지 등 오염 이슈가 국내 전력산업에서 중대 이슈로 부상하였지만, 기


업들의 네트워크 위상 차원에서는 별다른 영향을 주지 못한 것이다.

즉, 전력산업 전체의 중요 이슈로 논의가 확대되고 있지만, 개별 기업

입장에서의 미세먼지 이슈는 부각되지 않고 있다. 한편, 기업명 빈도와

독점기업과의 연관성은 국내 기업들의 네트워크 위상을 높이는 데 있

어 강한 영향을 발휘하고 있다.

국내 전력산업 모형1 모형2 모형3

디지털화 연관성0.16*(0.05)

0.09*(0.04)

0.09*(0.04)

분산화 연관성0.10 .(0.06)

0.10*(0.05)

0.11*(0.05)

탈탄소화 연관성-0.10(0.11)

-0.13(0.09)

-0.21*(0.09)

탈오염화 연관성0.02

(0.04)0.02

(0.03)0.05

(0.03)

기업명 빈도 -0.08***(0.00)

0.06***(0.01)

독점기업 연관성 - -0.26***(0.05)

R2 0.05 0.36 0.43

<표 3-22> 국내 전력 부문 기업 네트워크 위상 영향요인 분석

주: 1) *** : 유의수준 0.001, ** : 유의수준 0.01, * : 유의수준 0.05, . : 유의수준 0.1 2) 괄호안의 수치는 표준오차자료: 저자 작성

<표 3-23>는 글로벌 전력산업과 글로벌 석유가스 산업의 기업 네트

워크 위상 영향요인을 분석한 결과이다. 먼저 글로벌 전력산업의 경우

디지털화 연관성은 매우 강한 유의성을 보인다. 오히려 기업명 빈도보

다 추정치가 더 크다. 분산화 연관성은 유의수준 0.1에서 유의했다. 탈

탄소화 연관성과 탈오염화 연관성은 상관관계가 높아 둘 중의 하나를

제거할 필요가 있었다. 그런데 탈오염화 연관성은 기업명 빈도와도 상

96

관관계가 높아 탈오염화 연관성을 변수에서 제외했다. 그 결과 탈탄소

화 연관성은 유의수준 0.01에서 유의함을 보였다.

글로벌 석유가스 산업은 디지털화 연관성이 강한 통계적 유의성을

보이지 못했다. 이는 기간 설정의 문제일 수 있다. 앞서 언급하였듯이

2013년 기준 석유가스 산업 관련 뉴스미디어는 전력산업 관련 뉴스미

디어보다 디지털화 이슈를 2배 이상의 비중으로 다룰 만큼 디지털화에

관한 관심도가 높았다. 그러나 최근으로 올수록 그 비중이 하락하였다.

앞서 기술통계에서 살펴보았듯이 기업들과 디지털화 관련 키워드 간

연관성이 전기 대비 후기에 다소 높았으나 통계적으로 유의할 만한 수

준은 되지 않았다. 모형 1에서 디지털화 연관성이 유의수준 0.1에서

유의했으나 설명변수가 충분하지 않고 R2값도 미미해서 큰 의미를 두

기 어렵다.

글로벌 전력산업 글로벌 석유가스산업모형1 모형2 모형1 모형2

디지털화 연관성1.16***(0.11)

0.93***(0.11)

0.08 .(0.04)

0.02(0.04)

분산화 연관성0.24 .(0.14)

0.22 .(0.13)

* 전력산업에 한정

탈탄소화 연관성0.74***(0.16)

0.45**(0.17)

0.10*(0.07)

-0.34***(0.07)

탈오염화 연관성 * “탈탄소화 연관성”과 높은 상관성으로 제외

기업명 빈도 -0.32***(0.07)

-0.37***(0.03)

독점기업 연관성 * 국내 전력산업 부문 분석에 한정R2 0.42 0.47 0.01 0.20

<표 3-23> 글로벌 전력과 석유가스 부문 기업 네트워크

위상 영향요인 분석

주: 1) *** : 유의수준 0.001, ** : 유의수준 0.01, * : 유의수준 0.05, . : 유의수준 0.1 2) 괄호안의 수치는 표준오차자료: 저자 작성


탈탄소화 연관성은 두 모형에서 부호가 바뀌면서 유의해지는 현상이

나타나는데 그만큼 변수로서 완전성이 약하다. 기업명 빈도는 다른 산

업부문과 동일하게 양의 방향으로 유의수준 0.001에서 유의하다. 탈오

염화 연관성은 전력산업과 마찬가지로 탈탄소화 연관성 및 기업명 빈

도와 상관관계가 높아 변수에서 제외하였다. 석유산업 부문은 전력산

업과 달리 별도의 추가적인 변수를 더해 기업의 네트워크 위상 변화에

미치는 영향을 검토할 필요성을 확인하였다.

1.5. 토론 및 정책 시사점

국내 전력산업, 글로벌 전력산업, 글로벌 석유가스 산업을 대상으로

텍스트마이닝과 네트워크분석 기법을 활용하여 동태적으로 산업 네트

워크 구조가 어떻게 변경되어 왔는가를 확인하였다. 그 결과 기존에

이미 참여하고 있었던 산업뿐만 아니라 ICT를 비롯한 다양한 산업군이

에너지산업에 참여하는 비중이 높아지고 있었음을 확인하였다. 특히

국내 및 글로벌 전력산업에서 그러한 현상이 두드러지게 나타났는데,

전력과 정보통신 산업들이 전기에너지라는 한 주제를 놓고 같이 언급

되는 빈도의 비중이 늘어나고 있었다.

석유가스 산업은 전력산업과 달리 본 연구의 분석 기간(2013~2018년)

ICT 산업체들의 참여가 다소 줄어드는 양상을 보였다. 그러나 2013년에

이미 전력산업보다 ICT 산업체의 참여 비중이 약 2배 높았다는 점을

고려할 때 보다 장기적 시각에서 석유가스 산업과 ICT 산업의 협업

또는 경쟁 구조를 검토할 필요가 있음을 확인하였다.

본 연구에서는 네트워크 분석뿐만 아니라 패널분석을 통해 기업의

네트워크 위상에 영향을 미치는 변수들을 통계적으로 그 유의성을 검

98

토하였다. 독립변수들은 에너지산업의 주요 트렌드들을 설정하였는데,

본 연구의 핵심 관심대상인 디지털화가 기업들의 네트워크 위상을 높

이는 데 주요 역할을 하고 있음을 확인하였다. 특히 글로벌 전력산업

에 그 통계적 유의성이 강하게 나타났다. 그러나 석유가스 산업은 디

지털화가 기업들의 네트워크 위상에 통계적으로 유의한지에 대해 분명

하지 않았다. 이 결과는 네트워크 분석 결과와 비슷하게 보이는데, 향

후 보다 장기간에 걸친 데이터를 수집하여 석유가스 산업과 ICT 산업

간의 관계 변화를 현실적으로 분석할 필요가 있다고 판단된다.

정책적으로는 국내 전력산업 네트워크 구조 변화 및 기업 네트워크

위상 변화 요인을 다시 한 번 살펴보면서 전력산업 경쟁 및 협력 구도

를 점검하고 사회적으로 어떤 이슈에 따라 전력산업 참여 기업들의 위

상이 달라지는지 이해할 필요가 있다.

국내 전력산업 네트워크 밀도 변화에서 2010년까지는 기업 간 밀도

가 지속적으로 높아짐을 확인하였다. 즉 기업 간 네트워크가 보다 활

발하게 조밀해지고 있음을 확인하였다. 그러나 2010년 이후부터 2018

년까지 뚜렷한 방향 없이 네트워크 밀도가 오르락내리락 하는 모습을

보인다. 국내 전력산업 네트워크 밀도의 상승이 2010년 이후부터 정체

되어 있는 이유에 대해서는 추가 연구를 통해 밝혀볼 필요가 있다. 우

리나라는 2008년에 스마트그리드사업을 8대 신성장사업 중 하나로 선

정하고 2009년부터 2013년까지 제주에서 스마트그리드 실증사업을 추

진하였다. 이 과정에서 전력산업에 기존 기업들뿐만 아니라 정보통신,

건설, 자동차 등 다양한 부문의 기업들이 함께 참여하였다. 그러나 네

트워크 밀도만으로 판단했을 때 2010년 이후 약 10년이 지난 현재까

지 다양한 산업군의 기업들 간 관계가 더 이상 긴밀해지지 않고 있다

고 볼 수 있다. 에너지 부문 지능형 기술의 활용이 다방면에서 요구되


는 상황에서 다양한 산업체들의 협력 또는 경쟁의 지표가 될 수 있는

네트워크 밀도가 정체되어 있다는 점은 정책적으로 보다 심층적으로

살펴볼 필요가 있다.

국내 전력산업 참여 기업들의 네트워크 위상 변화 영향 요인 분석에

서는 디지털 연관성과 분산화 연관성이 일관되게 양의 방향으로 유의

하게 나온 반면, 탈오염화 연관성은 유의하지 않았고, 탈탄소화 연관성

은 모형1과 모형2에서 유의하지 않았고 모형3에서는 오히려 음의 방

향으로 유의하게 나왔다. 최근 6년만을 놓고 본다면 환경 이슈와 직결

되는 탈탄소화와 탈오염화와 기업 간 연관성이 네트워크 위상을 높여

주지는 못한다는 결론이다. 이는 탈탄소화나 탈오염화가 산업 환경변

화나 규제차원에서 포괄적으로 논의가 되고 있지만 기업들의 비즈니스

차원에서는 논의가 활발하지 않다는 점을 시사한다. 탈탄소화나 탈오

염화와의 관련성이 양의 방향으로 유의하게 나왔다면 탈탄소화나 탈오

염화가 기업 관련 논의에서 중요한 이슈라는 점을 확인할 수 있었겠지

만 결론은 그렇지 않다. 정책적으로는 탈탄소화와 탈오염화와 관련해

서도 기업들의 비즈니스가 활발하게 진행될 수 있는 환경을 조성하는

노력을 기울여야 할 것이다.

100

2. 소비자에 대한 중요도 및 관심도 변화


지금까지 에너지산업과 기업을 분석대상으로 하여 산업 네트워크 구

조와 기업들의 네트워크 위상에 영향을 주는 변수들을 살펴봤다. 그러

나 에너지소비자 역시 주요 산업 이해관계자로 부상하고 있어 소비자

에 대한 별도의 검토가 필요하다.

디지털 기술을 통해 에너지산업의 생산성을 높임과 동시에 친환경

성, 안전성, 공급안정성을 제고하는 노력이 이어지고 있다. 그런데 에

너지소비자들은 단순히 에너지를 소비하는 주체에 머무르지 않고 직접

태양광 시스템을 통해 에너지를 생산하거나 자신들이 별도로 저장한

에너지 자원, 효율적으로 소비하거나 절감하여 확보한 소비관리 자원

등을 에너지시장에서 거래하기도 한다. 이에 소비자들이 프로슈머로

발전하고 에너지산업의 주요 이해관계자로 거듭나고 있다.

이에 에너지소비자에 대한 관심도가 함께 올라가고 있는데, 본 연구

에서는 실질적으로 어떤 영역에서 에너지소비자에 대한 관심도가 증가

하고 있는지 보다 구체적으로 살펴보기로 한다. 에너지 관련 논의가

가장 전문적이면서 심도 있게 진행된다고 볼 수 있는 국제학술지를 기

반으로 과연 소비자에 관한 논의 비중이 과거 대비 현재 증가추세에

있는지, 있다면 어떤 영역에서 그 중요도 또는 관심도가 올라가고 있

는지 검토하기로 한다.


2.2. 관련 연구

에너지 부문에서 소비자의 영향력 증대는 분산자원 및 디지털 기술

발전의 힘이 크다. 태양광, 저장장치와 같은 분산자원 기술의 발전과

실시간 정보전달, 원격제어, 자율운전 등의 디지털 기술 발전으로 소비

자들이 에너지시장에 직접 참여할 수 있는 기회가 확대되고 있다.

소비자들이 에너지시장에서 영향력을 높여가는 경로는 분산발전 자

원, 수요반응 자원, 에너지저장 자원과 같은 분산자원을 보유하고 그

자원으로 수익을 창출하는 과정으로 대변된다. 자가 태양광발전 시스

템을 구축하고 에너지소비를 넘어 스스로 에너지를 생산하는 프로슈머

로 발전하고 잉여전력을 시장에 판매하는 형태로 산업 이해관계자로

자리 매김하고 있다. 또한, 수요반응 시장에 참여하여 에너지수요가 높

은 시간대에 자신이 에너지소비를 줄임으로써 계통안정성에 기여하고

그 대가로 보상을 받는가 하면, 별도로 저장한 에너지를 에너지수요가

높거나 에너지가격이 비쌀 때 판매함으로써 수익을 창출하고 있다. 특

히, 전기자동차 보급이 늘어나면서 전기자동차 충전을 언제 하느냐가

계통안정화에 크게 기여하는데 지능형 충전(smart charging)을 통해 에

너지 수급균형 유지에 기여하기도 하고 V2G(vehicle to grid)를 통해

별도의 보상을 받기도 한다.

최근에는 자체 생산하고 소비한 뒤 남은 에너지를 시장 대신 이웃에

직접 판매하는 P2P(peer to peer) 거래가 나타나고 있다. 물론 전력판

매가 자유로운 지역을 중심으로 P2P 거래 비즈니스가 나타나고 있지

만, 전력시장이 자유화되지 않은 지역에서도 부분적 또는 시범적으로

P2P 거래를 시도하고 있다(박찬국, 2016). P2P 거래는 에너지공급업체

를 통해 에너지를 제공받는 것이 아니라 태양광 또는 저장장치 설비를

102

갖춘 주변 이웃들을 통해 직접 에너지를 제공받는 형태로 에너지시장

의 구조를 전면적으로 재편하는 동인으로 작용하고 있다.

에너지소비자의 시장참여 및 영향력 증대를 논의하고 있는 연구들을

별도로 모아 아래 <표 3-24>에서 제시하고 있다.


부문 개요 관련 문헌

에너지 생산

자체적으로 에너지를 생산하고 시장에 판매함으로써 소비자가 아닌 프

로슈머로 변화

Gray & Morsi, 2017; Chaianong et al., 2019; Palm et al., 2018; Keiner et al., 2019; Ravindra, 2017; Martin & Ryor,

2016; Sommerfeldt et al., 2016; Ma et al., 2016; Liu et al., 2017a; Cui et al., 2017;

Burgio et al., 2017; Ram et al., 2017

수요반응

자신의 에너지소비 시간대를 바꾸거나 수요가 높은 시간대에 소비를 줄임으로써 계통안정화 제고 및 시장 참여

Bremdal, 2011; Yang et al., 2016; Venizelou et al., 2018; Liu et al., 2017b; Menniti et al., 2013; Brusco et al., 2016;

Pasetti et al., 2018

전기자동차

지능형 충전이나 V2G(vehicle to grid)를 통해 전력계통 안정성에 기여하거나 수요반응과 연계하

며 시장참여

Keiner & Breyer, 2017; Nefedov et al., 2017; Mäkinen et al., 2019; El-Batawy &

Morsi, 2017

에너지저장

에너지가격이 저렴할 때 저장하고 비쌀 때 판매하는 형태로 시장 참여

Wang et al., 2019; Hartmann et al., 2018; Qingyuan & Aoki, 2018;

Lokeshgupta & Sivasubramani, 2019

개인 간 거래

자체적으로 생산하고 사용한 뒤 남은 에너지를

이웃과 거래

Liu et al., 2019; Park & Yong, 2017; Morstyn et al., 2018; Chen et al., 2019; Zafar et al., 2018; Zhang et al., 2018;

Vergados et al., 2016; Paudel et al., 2018; El Rahi et al., 2016

<표 3-24> 에너지소비자 영향력 증대 주요 관련 문헌


2.3. 연구 방법

2.3.1. 데이터 수집

에너지 소비자에 대한 관심도가 실질적으로 과거 대비 현재 증가추

세인지를 확인하고자 한다. 관심도를 보겠다면 누가 관심이 있는지를

먼저 생각해야 한다. 본 연구에서는 에너지 부문의 식견을 가진 전문

가들의 관심도를 살펴보기로 한다. 소비자에 관해 에너지 부문 전문가

들의 관심도가 올라간다고 할 때, 실질적으로 소비자에 대한 관심도가

증가하고 있다고 받아들일 수 있다고 판단된다. 따라서 에너지전문가

의 의견이 녹아 있는 데이터를 확보해야 하는데, 본 연구에서는 에너

지 분야에서 깊이 있는 논의가 담긴 국제학술지를 대상으로 한다. 국

제학술지에서 에너지 소비자에 관심도가 실제로 증가하고 있는지 확

인하고, 증가한다면 어떤 분야에서 증가하고 있는지를 함께 검토한다.

에너지소비자 이슈를 담은 국제학술지를 모으기 위해 대표적인 국제

학술지 데이터베이스인 Web of Science에서 에너지소비자 관련 키워

드를 정하고 초록을 수집하였다. 키워드는 energy consumer, energy

customer, energy household, energy prosumer를 정하였고, 논문초록

본문 또는 저자가 설정한 키워드에서 상기 소비자 관련 키워드가 있는

초록을 수집하였다. 기간은 2010년대 이후를 보기 위해 2011년부터

2018년까지 설정하였고, 그 결과 약 8만개의 초록을 수집하였다. 그리

고 에너지소비자 관련 8만 여개 논문 초록에서 에너지 이슈를 전문으

로 다루는 학술지를 별도로 분류하여 다시 약 3만개의 초록을 재선별

하였다. SCOPUS(https://www.scopus.com/)에서는 국제학술지를 각 주

제별로 분류하고 있다. 본 연구에서는 에너지전문 저널들을 분류하면

서 SCOPUS 분류 기준을 따랐다.

104

2.3.2. 데이터 정제

최종 수집한 영문초록을 우선 국제학술지별로 분류하였다. 다음 그

초록들을 문장별로 분리하고 분석 대상 키워드별 단어빈도수를 뽑고

그 단어빈도수를 전체 문서수로 나눠줌으로써 정규화하였다. 최종적으

로 표본에 해당하는 것은 각 국제학술지이며, 주요 변수가 되는 것은

관심대상 키워드의 정규화된 빈도이다.

관심대상 키워드는 <표 3-24>에서 제시한 소비자 영향력 증대와 관

련성이 높은 부문을 대표하는 키워드들이다. 먼저 소비자를 대변하는

키워드를 만들기 위해 ‘consumer’, ‘customer’, ‘household’, ‘prosumer’

를 한 키워드로 통합하였다.

키워드 그룹 관련 키워드

소비자 consumer, customer, household, prosumer

태양광 solar, rooftop, photovoltaic, PV

수요반응 DR, demand response, demand side resource, demand resource

전기자동차 EV, electric car, electric vehicle

에너지저장 ESS, storage, battery

개인 간 거래 P2P, peer to peer, transactive energy, energy sharing

<표 3-25> 부문별 키워드


에너지생산 관련해서는 태양광이 대표적이기 때문에 ‘solar’, ‘rooftop’,

‘photovoltaic’, ‘PV’를 통합한 키워드를 만들었다. 수요반응과 관련해서는

‘DR’, ‘demand response’, ‘demand side resource’, ‘demand resource’를

통합한 키워드를 만들었으며, 전기자동차와 관련해서는 ‘EV’, ‘electric

car’, ‘electric vehicle’를 통합한 키워드를 만들었다. 에너지저장장치와

관련해서는 ‘ESS’, ‘storage’, ‘battery’ 단어들을 한 키워드로 통합하였


고, 개인 간 에너지거래와 관련해서는 ‘P2P’, ‘peer to peer’, ‘transactive

energy’, ‘energy sharing’을 한 키워드로 통합하였다. 그리고 대문자는

모두 소문자로, 복수형은 모두 단수형으로 정리하였다.

데이터의 시기는 전기와 후기로 2개 기간으로 분류하였다. 전기는

2011~2014년까지를 가리키고, 후기는 2015~2018년을 가리킨다.

2.3.3. 분석 방법

데이터 기간을 두 개로 나누고 전기 대비 후기에 국제학술지별 관심

키워드의 정규화된 빈도가 증가하였는지에 관한 통계적 유의성을 검증

한다. 이 경우 모수 방법론으로는 Paired T-Test가, 비모수 방법론으로

는 Wilcoxon Signed-Rank Test가 주로 활용된다.

Paired T-Test는 쌍을 이루는 두 변수의 차이를 보는 방법이다. 일반

적으로 한 집단을 전기와 후기로 나눠 시간차이에 따라 변화가 있었는

지를 확인하는 데 활용한다. 이 방법은 전기와 후기의 차이의 평균이

0인지를 검정한다. 즉 귀무가설이 인지 검정한다. 그러나 T-Test

를 하기 위해서는 자료가 정규분포를 따라야 한다. 만약 정규분포를

따르지 않으면 분포를 사전에 설정하지 않는 Wilcoxon Signed-Rank

Test를 사용한다. Wilcoxon Signed-Rank Test는 두 기간 자료 차이의 중

위수(median)가 0인지를 검정한다. 자료의 정규성 검정은 Shapiro-Wilk

검정 기법을 활용한다(안재형, 2014).

106

2.4. 연구 결과

2.4.1. 기술 통계

<표 3-26>은 최종 정제된 논문 초록 54개에서 각 키워드 그룹별로

주요 기초 통계 값을 제시하고 있다. 전기(2011~2014년) 대비 후기

(2015~2018년)에 전반적으로 평균이 증가하는 양상을 보이고 있다. 가

장 평균값이 높은 키워드 그룹은 ‘에너지저장’이며, 다음으로 ‘소비자’

가 뒤를 잇고 있다. ‘개인 간 거래’ 그룹은 전기에 정규화된 빈도수가

0을 기록하였으나, 후기에는 일부 학술지에서 ‘개인 간 거래’ 관련 키

워드를 초록에서 포함하고 있어 0보다 큰 값이 나타났다.

키워드 그룹전기(2011~2014년) 후기(2015~2018년)


소비자 0.173 0.091 0.063 0.500 0.198 0.138 0.000 1.000

태양광 0.045 0.102 0.000 0.636 0.156 0.680 0.000 5.000

수요반응 0.015 0.031 0.000 0.167 0.024 0.029 0.000 0.127

전기자동차 0.006 0.017 0.000 0.104 0.008 0.014 0.000 0.073

에너지저장 0.227 0.166 0.000 0.857 0.292 0.284 0.000 2.000

개인 간 거래 0.000 0.000 0.000 0.000 0.002 0.007 0.000 0.043

저널 수 54 54

<표 3-26> 분석대상 논문 초록의 정규화된 키워드 빈도


2.4.1. 분석 결과

Shapiro-Wilk 정규성 검정 결과 모든 키워드 그룹에서 정규성을 통

과하지 못했다. 이에 Wilcoxon Signed-Rank Test를 시행하였고, 그 결

과는 <표 3-27>과 같다.


분석 결과 소비자 관련 키워드는 본 연구에서 수집한 논문 초록에서

전기 대비 후기에 통계적으로 유의하게 증가추세에 있었다. 언뜻 소비

자 관련 키워드를 입력하고 수집한 논문들이기 때문에 모든 논문 초록

에서 소비자 관련 키워드를 지니고 있어 정규화된 빈도수의 의미가 없

다고 생각할 수 있다. 그러나 본 연구에서는 방법론 부문에서 언급하

였듯이 모든 논문 초록을 문장 단위로 분리한 뒤 분석을 시행하였다.

문장 단위로 구분하고도 소비자 관련 정규화된 키워드 빈도가 높아지

면 논문 초록에서 더 많이 소비자가 언급되었다는 의미로 해석할 수

있다.

전기 대비 후기 통계적으로 그 증가가 유의한 키워드 그룹에는 태양

광, 수요반응, 개인 간 거래가 포함되었다. 최근 8년간(2011~2018년)만

본다면, 에너지 전문가들 사이에서 소비자에 대한 관심도가 태양광, 수

요반응, P2P 에너지거래를 중심으로 상승하였다고 볼 수 있다. 전기자

동차와 에너지저장은 전기 대비 후기에 통계적으로 유의한 차이를 보

이지 못했다.

키워드 그룹 검정통계량(V) p-value 채택가설(유의수준: 0.05)

소비자 1035.5 0.011 대립가설

태양광 588 0.017 대립가설

수요반응 449 0.010 대립가설

전기자동차 279 0.187 귀무가설

에너지저장 880 0.238 귀무가설

개인 간 거래 55 0.006 대립가설

<표 3-27> Wilcoxon Signed-Rank Test 결과


108


본 연구는 에너지 부문에서 소비자의 영향력이 높아지고 있는데, 그

정도를 에너지 전문가들의 관심도를 통해 정량화하는 시도를 하였다.

분석 결과 통계적으로 유의하게 2011년 이후 2018년까지 소비자 관련

키워드들의 빈도가 증가하였음을 확인하였다. 본 연구는 또한 소비자

에 대한 관심도가 올라간다면 구체적으로 어떤 영역에서 관심도가 올

라가는지 확인하였다. 그 결과 태양광, 수요반응, 개인 간 거래가 통계

적으로 유의하게 관심도가 올라갔다.

태양광은 에너지소비자가 프로슈머로 전환하는 데 있어 가장 영향력

있는 기술이다. 프로슈머는 에너지를 소비하는 것뿐만 아니라 에너지

를 생산하는 활동에도 참여하는 이를 일컫는데, 태양광은 낮은 자본비

용으로 에너지를 생산할 수 있는 분산발전 시스템에 해당한다. 자가용

태양광발전 시스템을 설치한 이들은 자연스럽게 프로슈머로 변모하고

에너지산업의 주요 이해관계자가 된다. 태양광을 통해 생산한 전기를

자신이 쓰고 남았을 때 그 전력을 별도로 거래하고 추가 수익을 얻을

수 있다. 그리고 소비자는 주식시장의 소액주주처럼 에너지가격 설정

등에서 소규모 시장참여자로서 영향력을 행사할 수 있다. 에너지가격

결정이 직접 프로슈머의 목소리를 반영하는 것은 아니지만, 그들의 요

구사항이 간접적으로 반영되거나 그들의 수가 늘어나고 시장 영향력이

더 커질 때는 이익집단을 통해 직접 요구사항을 반영하는 길을 넓힐

수도 있을 것이다.

수요반응도 소비자들이 에너지시장에 참여하는 주요 관문으로 작용

한다. 각 가정의 에너지소비를 탄력적으로 운용함으로써 에너지공급

비용을 절감하고 계통안정성을 높이려는 노력은 지속적으로 확대되고


있다. 국내 역시 2019년 12월부터 에너지쉼터라는 이름으로 일반 국민

을 대상으로 수요반응 서비스를 실시한다. 앞으로 수요반응을 통해 소

비자들의 에너지시장 참여는 더욱 확대될 것이다.

개인 간 에너지거래도 그 증가추세가 통계적으로 유의하게 나타났는

데, 전력판매 시장이 자유화된 지역뿐만 아니라 규제되고 있는 지역에

서도 가정용 태양광 보급이 늘어나고 블록체인이나 마이크로그리드 기

술이 발달함에 따라 개인 간 거래 허용에 대한 요구가 강화될 것으로

예상된다.

전기차와 에너지저장 관련 키워드가 에너지소비자 관련 논문들에서

그 정규화된 빈도수의 증가가 통계적으로 유의하지 않았는데, 태양광,

수요반응, 개인 간 거래에 비해 에너지소비자의 관심도를 높이는 데

있어 아직까지는 그 정도가 약한 것으로 해석된다. 그러나 전기차 및

저장장치 보급이 늘어나고 소비자가 참여하는 비즈니스모델이 확산될

경우 이 부문에서도 소비자에 대한 관심도가 증가할 것으로 기대된다.

정책 시사점 차원에서는 상기 연구결과만으로 토대로 구체적인 시사

점을 제시하기는 어렵다. 그러나 에너지 부문에서 소비자에 대한 관심

이 학술지에서도 통계적으로 유의하게 증가하고 있음을 확인하였고,

특히, 태양광, 수요반응, 개인 간 에너지거래와 관련하여 그 관심도가

증가하고 있음을 확인하였다는 점에 정책적 관심을 가질 필요가 있다.

국내에서도 정책적으로 소비자들이 에너지시장에 참여할 수 있는 기

회를 확대함으로써 에너지전환을 추진함에 있어 에너지 프로슈머의 역

할을 제고하는 노력을 기울이고 있다. 그러나 에너지 전문가들이 바라

보는 소비자 영향력 증대 부문 중 개인 간 거래는 국내에서 별다른 진

전을 보이지 못하고 있다. 정부는 2016년 6월 소규모 전기공급사업을

허용하는 방향으로 전기사업법 개정안을 제출하였으나 2018년 5월 국

110

회에서는 최종적으로 소규모 신재생에너지에 한하여 개인 간 거래가

가능하게 하는 소규모 전기공급사업 허용의 파급영향이 제대로 공유되

지 않았다는 이유로 전기사업법 개정안에서 관련 조항을 삭제하였다

(박찬국, 2018:54). 그리고 2019년 초부터 규제샌드박스 제도가 도입되

었음에도 불구하고 개인 간 거래와 관련해서는 아직 규제샌드박스 적

용 사례가 나오지 않고 있다.

앞으로 소비자들의 에너지시장 참여가 더욱 확대됨과 동시에 에너지

전환을 위한 그들의 역할 비중도 더욱 커질 것이다. 소비자들의 역할

을 통해 긍정적인 에너지시스템 변화를 가져올 수 있는 영역에 대해서

는 지속적인 검토와 함께 정책적 지원이 함께 할 필요가 있다.

3. 스마트에너지시스템에 대한 소비자의 편익과 리스크 인식


스마트 기술은 기술이 처한 환경을 스스로 파악 및 감지하고 그 정

보를 토대로 적절한 대응을 하여 변화하는 환경에서도 운영 효율을 높

이는 기술이다(Worden et al., 2003). 그러기 위해서는 물리적 자산의

모든 데이터가 디지털화되어 기록되고 네트워크로 연결되며 빠르게 분

석될 필요가 있는데, 사물인터넷(IoT), 빅데이터, 인공지능 등의 디지

털 기술이 적용된다(Lasi et al., 2014; Dey et al., 2018). 사물인터넷은

인터넷으로 연결된 모든 사물과 사람들의 네트워크를 의미하고 물리적

자산은 내재되어 있는 센서를 통해 네트워크와 실시간으로 데이터를

주고받을 수 있게 된다(Kortuem et al., 2009). 전달된 데이터는 인공지

능이 적용된 빅데이터 분석으로 가공 및 분석되어 자산의 효율화와 안


정성을 높인다.

스마트 기술은 일반 소비자 가정의 에너지 소비 관리에도 효과적으

로 활용될 수 있어 일반 가정 부문 에너지효율화의 주요 수단으로 인

식되고 있다(Baig et al., 2013; Dincer & Acar, 2017). 보통 지능형가

정에너지관리(smart home energy management)라고 일컬어지는 이 시

장은 세탁기에서부터 온도조절기에 이르는 다양한 가전제품을 관리하

는 시스템을 설치하는 것으로 요약된다. 앞으로 더 많은 가구가 웹 인

터페이스나 스마트폰을 통해 가전기기를 관리할 수 있게 되면서 에너

지절약 효과가 높아지고 관련 시장도 커질 것이다. Brandessence(2019)

에 따르면, 일반 주거 부문 에너지관리 시장 규모가 2019년 US$ 6.3

billion에서 2025년 US$ 102.4 billion으로 연평균 41.6%의 성장률을

보일 전망이다. 스마트 기술은 소비자의 에너지 생산 및 저장 설비 역

시 효과적으로 관리할 수 있도록 하면서 소비자가 에너지 프로슈머로

발전할 수 있도록 돕는다. 또한, 스마트 기술은 에너지 프로슈머가 생

산한 에너지를 시장에서나 개인 간 원활하게 거래할 수 있도록 프로슈

머들에게 최적화된 정보를 제공하고 설비의 유지보수를 지원한다.

따라서 스마트 에너지 시스템이란 사물인터넷, 빅데이터, 인공지능

등의 4차 산업혁명 기술을 활용하여 에너지 수요와 공급을 최적화하는

시스템이라고 정의할 수 있다. 스마트 에너지 시스템은 디지털화와 센

서 네트워크를 통해 방대한 데이터를 확보하고 그 데이터를 가공, 분

석, 활용하여 에너지시스템을 효율적이고 환경친화적이면서 안정되고

안전하게 유지하는 데 기여한다.

스마트에너지 시스템과 같은 혁신적 기술이 원활하게 보급되고 관련

편익을 누리기 위해서는 기술의 발전도 중요하겠지만, 그 기술을 받아

들이는 소비자의 인지(consumers’ perception) 역시 매우 중요하다. 어

112

떤 제품이나 서비스에 대한 소비자의 인지는 곧 그 제품 및 서비스를

수용할지 여부에 직접적인 영향을 주기 때문이다(Sheth & Stellner,

1979; Rogers, 1983; Davis, 1989; Ram & Sheth, 1989). 이에 스마트

에너지시스템의 수용성을 높이기 위한 요인과 대안을 찾기 위해 소비

자 인지에 관한 연구가 꾸준히 진행되어 왔다. 특히 스마트그리드에

대한 소비자 인지에 대한 연구가 활발히 진행되었다(Wolsink, 2012;

Park et al., 2014; Chou et al., 2015; Ellabban & Abu-Rub, 2016;

Bigerna et al., 2016; Park et al., 2017; Shaukat et al., 2018;

Acakpovi et al., 2019). 또한 스마트홈 기술(Wilson et al., 2017), 사물

인터넷을 통한 가정에너지관리시스템(Park et al., 2018), 사물인터넷

기반 수요반응 비즈니스모델(Radenković et al., 2020) 등 스마트에너

지시스템과 연계된 세부 분야별 기술 및 서비스 수용성 확보를 위한

소비자 인식 조사도 다양하게 진행되었다.

그러나 스마트에너지 시스템과 서비스는 정보통신 기술 발달과 함께

지속적으로 발전하고 있다. 기존의 스마트그리드 논의가 네트워크 연

결(connectivity), 자동화(automation)에 초점이 맞춰졌다면 최근에는

인공지능과 빅데이터의 발달로 방대한 데이터를 바탕으로 한 기계의

지능을 활용하는 방안에 대한 논의가 늘어나고 있다(Wang &

Srinivasan, 2017; Zhang et al., 2019; Elberg & Lawrence, 2019). 따

라서 스마트그리드에 대한 인식 분석에서도 기존의 스마트미터 중심의

논의를 넘어 기계의 지능 발달을 함께 고려해야 하다. 또한, 어떤 한

가지 또는 일부 기술만 활용하여 스마트에너지 서비스가 제공된다기보

다는 네트워크(network), 센서(sensors), 데이터(data), 분석(analytics),

가시화(visualization) 등의 스마트기술이 종합적으로 활용된다. 그러므

로 스마트에너지시스템에 관한 소비자 인식 분석 시 최신의 기술 발전


흐름을 고려하는 것뿐만 아니라 에너지 부문에서 활용되는 디지털 기

술들을 개별적으로 보기 보다는 통합적으로 고려할 필요가 있다. 물론

특정 기술 및 서비스에 대한 인식을 분석함으로써 그 기술 및 서비스

의 수용성에 대한 보다 직접적인 시사점을 제공할 수 있을 것이다. 그

러나 에너지 부문에서 활용되는 디지털 기술들에 대한 포괄적 인식을

살펴볼 때, 스마트에너지시스템에 관하여 소비자들의 보다 일반화된

인식을 확인할 수 있다는 장점이 있다.

본 연구는 편익 인식과 리스크 인식을 중심으로 소비자들의 스마트

에너지시스템 인식을 분석하고 스마트에너지시스템의 수용성 제고를

위한 시사점을 제공하고자 한다. 편익 인식과 리스크 인식은 어떤 제품

또는 서비스의 수용성에 가장 직접적인 영향을 주는 소비자 인식에 해

당한다(Abramova & Böhme, 2016; Wilson, 2017; Park et al., 2018).

스마트에너지 시스템이 받아들여지기 위해서는 무엇보다 시스템의 편

익이 높게 인식되어야 한다. 뿐만 아니라 소비자들이 시스템에 대해

느끼는 보안 위협, 프라이버시 침해, 전자파 위험 등에 대한 우려를 줄

여나가는 것도 중요하다. 어떤 기술에 대한 리스크 인식이 크면 클수

록 그 기술의 수용성은 낮아지기 때문이다(Park et al., 2014; Park et

al., 2018).

본 연구는 스마트에너지시스템의 편익 인식과 리스크 인식의 유형을

세부적으로 탐색하고, 그 세부적인 편익 및 리스크 인식들이 전반적인

편익과 리스크 인식에 얼마나 강하게 영향을 주는지를 통계적으로 확

인한다. 특히, 기존 연구와 차별적으로 편익 인식에서 소비자들이 프로

슈머로 변모하면서 갖게 되는 편익 인식을 포함하고, 리스크 인식에서

에너지 분야와 긴밀히 연결되어 논의되지 못한 디지털 정보격차

(digital divide), 요금의 불확실성 등의 리스크 인식을 함께 고려한다.

114

나아가 스마트에너지시스템에 갖는 소비자 인식뿐만 아니라 소비자의

개인 성향을 함께 고려함으로써 스마트에너지시스템의 편익 인식과 리

스크 인식의 영향 요인을 심층적으로 검토한다.

3.2. 관련 연구

3.2.1. 스마트에너지시스템의 편익 인식의 유형

디지털 기술은 에너지시스템에 적용되어 경제, 공급안정, 환경, 안전

측면에서 가치를 새롭게 창출하고 있다. 경제적 차원에서 소비자는 에

너지를 생산한 뒤 디지털 기술이 접목된 스마트에너지 시스템에 소비

하고 남은 에너지를 저장하고 이를 판매함으로써 경제적 이익을 취할

수 있다(Lund & Andersen, 2012). 소비자들은 스마트에너지 시스템을

사용함으로써 실시간 요금을 확인하며 에너지 사용을 조절하고 결국

에너지 요금을 절약할 수 있다고 기대한다(Annala, 2013; Lopes,

2014; Smart energy GB, 2016). 실제로 스마트미터기 사용자들을 대

상으로 진행한 설문에서 응답자들은 스마트미터가 제공하는 에너지 사

용 정보를 토대로 에너지 소비가 많은 가전제품의 사용을 줄였고 에너

지 가격이 높은 시간대에 에너지 사용을 줄임으로써 가정내 에너지소

비를 줄일 수 있었다고 답하였다(Smart energy GB, 2016). 또한 카타

르에서 소비자 2681명을 대상으로 진행한 설문조사에 따르면 약 49%

의 응답자가 스마트미터가 에너지 요금을 절약하는 데 도움이 된다고

응답하였고 74.64%의 응답자는 스마트에너지 시스템을 통해 자신이

생산한 에너지를 판매하여 경제적 이익을 취할 것이라고 답하였다

(Abdmouleh et al., 2018).

공급안정의 차원에서 에너지 수요관리 및 예측은 디지털 기술을 통


해 최적화되고 생산된 에너지는 최적화 기술을 바탕으로 효율적으로

저장되고 관리된다(Tuballa & Abundo, 2016). 이를 통해 에너지 소비

는 보다 유연해지고 에너지 저장 및 전달에 있어서 안정성과 신뢰도가

향상된다(Yutian et al., 2016). 스마트에너지 시스템과 전력망은 디지

털 기술을 통해 에너지 수요 데이터를 실시간으로 주고받으며 에너지

수요 피크 시간에도 목적지에 안정적으로 전력을 공급하고 정전과 같

은 비상시에도 저장된 에너지를 빠르게 공급할 수 있을 것으로 기대된

다(Yutian et al., 2016). 특히, 재생에너지의 경우 기후에 따라 발전량

의 변동이 크기 때문에 안정적인 에너지 공급원으로 적절하지 않았으나

재생에너지의 불규칙적인 출력에도 안정적으로 에너지를 공급받을 수

있는 스마트에너지 시스템이 대안으로 논의되고 있다(Phuangpornpitak

& Tia, 2013; Moslehi & Kumar, 2010; Palensky & Dietrich, 2011)

환경적 측면에서 스마트에너지 시스템은 에너지 저장 시스템 및 전

력망에 디지털 기술을 적용하여 재생에너지의 불안정한 발전량에 대응

하고, 이를 통해 재생에너지 발전량을 확대하는 데 기여할 수 있다

(Gungor, Lu & Hancke, 2010; Römer, 2012). 이 경우 석유 및 석탄

기반 발전량 비중을 줄임으로써 궁극적으로 에너지의 탈탄소화에 기여

할 수 있게 된다(Global e-Sustainability Initiative, 2018). 또한 스마트

에너지 시스템은 디지털 기술을 통해 통합된 에너지 시스템 간 실시간

으로 데이터를 교환하여 잉여 전력을 필요한 곳에 적시에 전달함으로

써 불필요한 전력생산을 줄일 수 있다(Rehmani, 2018). 에너지 소비

측면에서도 에너지 수요와 공급 관련 데이터 분석을 통해 에너지 자원

의 효율적 이용을 가능하게 하고 궁극적으로 지구 환경에 기여할 수

있다(Stimmel, 2016; Zhou, Fu & Yang, 2016). 영국 소비자 2,441명

을 대상으로 진행한 설문에서 지구환경에 대해 걱정하는 소비자일수록

116

스마트에너지 시스템을 채택률이 높다는 분석은 소비자들이 스마트에

너지 시스템의 환경성에 대해 인지하고 있음을 보여준다(Spence et al.,

2015).

안전 측면에서 스마트에너지 시스템은 디지털 기술을 활용하여 에너

지공급 시설의 문제점을 조기에 파악하고 대응함으로써 안전성을 높인

다(Goyal, 2016). 또한 스마트에너지 시스템은 실시간으로 에너지공급

시설에서 나오는 빅데이터를 사물인터넷을 통해 수집하고 인공지능 기

술로 분석하여 자산 노후화에 따른 설비 교체시기를 적시에 파악하고

기계 장치 및 관련 자산의 안정적인 운용을 가능하게 한다(Heng,

2016; Lai & Lai, 2015; Chen et al., 2014). McKinsey & Company

(2016b)에 따르면, 사전유지보수(predictive maintenance) 기술은 기계

작동 오류 시간을 30~50% 줄이고 기계 수명을 20~40% 연장시키며

기계 및 자산의 유지비용을 10~40% 감소시킬 수 있다.

3.2.2. 스마트에너지시스템의 위험 인식의 유형

스마트에너지 시스템은 경제, 프라이버시, 환경, 보안, 성능 문제, 정

보격차, 전자파와 같은 측면에서 몇 가지 위험 요인이 있다. 먼저 경제

적 측면에서 스마트에너지 시스템의 주기적 업데이트로 인한 비용과

정기적으로 청구되는 시스템 라이센스 비용이 시스템을 사용함으로써

얻는 이익보다 더 클 위험이 있다(Kaur & Singh, 2015). 시스템 구축

비용이 스마트에너지 시스템으로 얻는 에너지 절감 편익보다 클 수 있

다는 인식은 소비자들이 스마트에너지 시스템을 도입하는데 장애요인

이 되고 있다(Caird et al., 2008; Roundtable et al., 2005). 또한 스마

트에너지 시스템 교체비용 및 시스템 교체에 따른 기존 설비와의 호환


성 문제와 같은 기회비용 때문에 사용자는 금전적 부담을 느낄 수 있

고 시스템 오작동과 같이 교체가 필요한 상황에도 교체하지 못하여 시

스템 사용료만 내고 시스템을 이용하지 못할 위험도 있다(Harbott,

2016). 시스템의 고객맞춤화(customization)와 잦은 시스템 옵션 변경

에 큰 비용이 청구될 위험이 있으며 시스템 공급업자가 파산하거나 시

스템 공급을 중단할 경우 초래되는 비용은 잠재적 위험 요인이다

(Processmate, 2018).

에너지 가격 측면에서 스마트에너지 시스템으로 에너지 가격이 실시

간 에너지 수요와 공급에 따라 변하게 됨에 따라 가격 변동성이 커질

위험이 있다(Roozbehani et al. 2012). 전력 수요가 높은 시간대에는

전기 가격이 비싸지는 데 시간대에 상관없이 전기를 사용해야 하는 경

우 급격한 전기 요금 변동에 효율적으로 대응하기 어려워진다.

스마트에너지 시스템 도입에 따라 에너지 관련 많은 업무가 자동화

되고 작업자들은 기계에 의해 대체되어 일자리를 잃을 위험도 있다.

Mckinsey & Company(2018)에 따르면 디지털 기술의 도입으로 전체

산업에서 50%가량의 업무는 자동화될 것으로 예측되고 10개 중 6개

의 일자리가 사라질 위험에 처해있다.

프라이버시 차원에서 스마트에너지 시스템 사용자의 개인정보 및 에

너지사용정보는 타인에게 노출될 위험이 있으며 사용자의 동의 없이

제3자에 의해 남용될 수 있다(Taylor et al., 2014). 해커는 스마트에너

지 시스템에 접근하여 시스템 이용자의 스마트미터기로부터 에너지 사

용정보를 추출하여 개인이 언제 어떤 가전제품을 사용하였는지 그리고

언제 집을 비우는지 파악할 수 있고 관련 데이터를 개인이 원치 않는

마케팅에 사용하거나 타인에게 판매하여 보이스 피싱과 같은 잠재적

범죄의 위험성을 높인다(Khurana, 2010; Cavoukian et al., 2010;

118

McDaniel & McLaughlin, 2009). 소비자들 또한 에너지 공급업체들이

가정에 설치된 스마트미터기 정보에 손쉽게 접근할 수 있고 자신들을

감시할 수 있다고 우려하고 있다(Balta-Ozkan, 2013). 가정 내 모든 사

물들이 사물인터넷을 통하여 스마트에너지 시스템에 연결됨에 따라 개

인정보가 유출되고 개인이 감시받을 위험성이 존재한다(Deloitte,

2019; Jamieson, 2009).

환경 차원에서 스마트에너지 시스템 구축으로 많은 에너지 소비 기

기가 전력망에 연결되고 실시간으로 통신을 주고받게 됨에 따라 오히

려 스마트에너지 시스템 자체가 소비하는 에너지양이 스마트에너지 시

스템이 효율적 에너지 관리로 절감하는 에너지량보다 많아져서 결국

전체적으로 에너지 소비가 증가하고 이로 인해 지구 환경에 부담이 될

수 있다(WBGU, 2019; Morley et al., 2018). 더불어 에너지 가격은 스

마트에너지 시스템의 효율적 에너지 관리로 인해 낮아지는데 낮아진

에너지 요금은 소비자의 에너지 소비 욕구를 증가시키고 소비자가 더

많은 에너지를 소비하도록 할 수 있다(Vivanco et al., 2016; Zipperer

et al., 2013).

보안 차원에서 스마트에너지 시스템의 보안체계가 해킹될 경우 시스

템에 연결된 모든 에너지를 소비하는 가전제품들은 해커에 의해 원격

으로 조종될 위험이 있다(Bronk & Tikk-Ringas, 2013). 전문가들은 디

지털화된 에너지 공급시설이 해킹 될 경우 에너지 공급에 차질이 생길

수 있고 기기 오작동 및 시설 파괴와 같은 물리적 공격을 당할 수 있

다고 경고한다(Von Solms & Van Niekerk, 2013; Campbell, 2018).

또한 스마트에너지 시스템에는 서로 다른 스마트에너지 시스템이 상호

연결되어 있기 때문에 해킹과 같은 사이버 공격을 당할 경우 피해범위

가 확장되고 피해를 복구하는 데 오랜 시간이 걸릴 위험이 있다. 사이


버해커들은 스마트에너지 시스템을 해킹한 뒤 시스템을 교란을 위협으

로 삼아 금전적인 보상을 요구할 수도 있다(Cobb, 2019).

성능문제 차원에서 기기 오작동이나 성능이 기대만큼 구현되지 않을

수 있다. 에너지 저장 배터리의 경우 최적의 상태를 유지하기 위해 스

스로 충전을 하거나 때로는 방전을 해야 하는 데 날씨와 같이 변동이

심한 환경에서 시스템이 제대로 제어가 되지 못하면 배터리의 손상으

로 이어져 에너지 절감 효과가 적을 가능성이 있다(Regen, 2017). 대

중의 인식차원에서 소비자들은 스마트에너지 시스템에 모든 가전기기

가 연결되어 있기 때문에 네트워크가 오작동을 일으킬 경우 가전제품

이 원치 않는 시간대에 작동되어 화재의 위험이 있다고 생각하는 동시

에 네트워크의 작은 오류로 인해 시스템 전체가 작동하지 않아서 필요

할 때 에너지를 사용하지 못할 수도 있다고 우려한다(Balta-Ozkan,

2013). Park et al.(2014)에 따르면 스마트미터기의 성능 실효성에 대한

우려는 소비자들이 스마트에너지 시스템에 대해 인식하고 있는 위험

요인 중 주요한 요인이다.

정보격차 측면에서 스마트에너지 시스템에 대한 이해능력이 부족하

거나 해당 시스템에 물리적 접근이 어려운 집단은 스마트에너지 시스

템으로부터 소외될 위험이 있다(Norris, 2001). 그리고 스마트에너지

시스템에 접근이 가능하더라도 관련 기술에 익숙하지 못하거나 시스템

을 활용할 기술적 능력이 부족한 경우 스마트에너지 시스템이 제공하

는 혜택을 온전히 누리지 못할 수 있다. 예를 들어, 스마트에너지 시스

템의 요금체계를 제대로 이해하지 못할 경우 소비자는 오히려 높은 전

력가격 변동성에 노출될 위험이 있다. 소비자들은 스마트에너지 시스

템의 요금체계가 점점 복잡해져 이해하기 어려워지고 시간대마다 요금

변동성이 커지는 것에 대해 우려하고 있다(Rodden, 2013). 개인의 스

120

마트에너지 시스템에 대한 접근성 및 지식의 차이에 따라 스마트에너

지 시스템의 활용도에 있어서 차이가 나며 시스템이 고도화됨에 따라

그 격차는 커질 위험이 있고 정보통신 기술 관련 지식이 많은 집단이

혜택 대부분을 누릴 가능성이 있다(Steele, 2018; DiMaggio, 2004). 영

국 소비자들을 대상으로 진행한 스마트에너지 시스템의 인식에 대한

심층면접 결과에 따르면, 다양한 연령대의 소비자들은 스마트에너지

시스템이 타인에게 미칠 영향에 대해 고려하였는데 특히 노인과 과련

기술적 수용 능력이 부족한 사람들이 스마트에너지 시스템의 효용을

모두 누리지 못할 것이라고 우려하였다(Buchanan, 2016).

마지막으로 전자파의 위험이 있다. 스마트에너지 시스템에서 관련

기기들이 서로 무선 통신망으로 연결되어 있기 때문에 통신의 과정에

서 전자파가 발생하여 인체에 부정적 영향을 줄 수 있다(Park et al.,

2014). 특히 가정 내의 전력을 소비하는 많은 가전제품들이 스마트 미

터와 무선 통신을 주고받게 됨에 따라 인간은 전자파에 노출되는 시간

이 늘어날 수 있으며 이로 인하여 발생할 수 있는 두통과 같은 건강

문제가 스마트에너지 시스템의 위험요인으로 떠오르기도 하였다

(Langheim et al., 2014). 한편 스마트에너지 시스템에서 방출되는 전

자파가 실제로 인체에 유해한지 그렇지 않은지에 상관없이 소비자들은

이에 대해 걱정하고 있으며 전자파 문제를 스마트에너지 시스템의 위

험요소 중 하나로 인식하고 있다(Milchram et al., 2018; Hess &

Coley, 2014).


3.3. 연구 방법

3.3.1. 데이터 및 변수설정

본 연구에서는 스마트에너지 시스템의 현재 사용자 및 잠재적 사용

자가 인식하고 있는 편익과 리스크의 결정요인을 실증적으로 검토하기

위해, 에너지 산업이 디지털화되는 세계적인 추세에 맞춰, 한국 내 만

19세 이상 성인을 대상으로 스마트에너지 시스템에 대한 사용자가 느

끼는 편익과 리스크 요인에 대한 설문조사를 실시했다. 디지털 기술을

통한 스마트에너지 시스템의 편익과 리스크 요인을 구체적으로 보여준

뒤 설문을 수행했다. 유효 표본은 총 1,020명이며, 2019년 9월 주민등

록인구 현황에 따라 성별, 연령별, 지역별 비례 할당 후 무작위 추출하

였다. 표본오차는 95% 신뢰수준에서 ±3.1%이며, 조사기간은 2019년

9월 27일~10월 7일까지다. 해당 조사는 한국의 전문 여론조사 회사인

한국리서치에서 실시했다.

연구모형에 사용한 독립변수로는 스마트에너지 시스템에 대해 사용

자가 느끼는 5가지 편익 요인과 8개 리스크 요인이고 종속변수는 편익

요인과 리스크 요인 각각에 대해 느끼는 사용자의 스마트에너지 시스

템에 대한 전반적인 편익과 리스크 인식이다. 독립변수와 종속변수는

설문조사에서 각각 7점 리커트 척도로 구성된 4개의 설문문항으로 이

루어져 있다. 세부적으로 스마트에너지 시스템 사용자의 편익 인식에

영향을 미치는 편익요소는 ‘가정에너지 절감’, ‘새로운 수익창출’, ‘안

정적 에너지 공급’, ‘친환경 에너지 시스템구축’, ‘안전한 에너지 시스

템구축’이고 스마트에너지 시스템 사용자의 리스크 인식에 영향을 미

치는 위험요소는 ‘전자파 위험’, ‘에너지 다소비’, ‘성능 위험’, ‘개인정

보 노출위험’, ‘정보격차 심화’, ‘사이버보안 위험’, ‘금전적 위험’, ‘요

122

금 불확실성’을 포함하는데, 이 편익요소 5가지와 위험요소 8가지를

기초 독립변수로 하여 종속변수에 미치는 영향을 알아보고자 하였다.

또한, 독립변수에 개인적 특성변수로서 ‘전기요금 변화 민감도’, ‘환경

파괴 민감도’, ‘신기술수용 민감도’, ‘직접제어 욕구’을 추가적으로 고

려했다. 개인적 특성변수들은 7점 척도 1개 문항으로 측정했다. 마지막

으로 연령, 성별, 소득수준, 교육수준의 인구통계학적 변수 네 가지도

편익 및 리스크 인식에 영향을 끼칠 것으로 상정하고 변수로 선정했다.

<표 3-28>은 변수들의 기초통계량이다. 독립변수와 종속변수는 변수

한 개당 7점 리커트 척도로 구성된 4개의 설문문항으로 이루어져 있기

때문에 기초통계량에서는 4개의 설문문항의 평균을 해당 변수의 대표

값으로 산정하여 계산했다.

구분

변수 변수설명 평균 최소값최대값표준편차

종속변수

편익인식

스마트에너지 시스템에 대한 현재 및 잠재적 사용자의 편익 인식의 정도

5.30 1 7 1.05

리스크인식

스마트에너지 시스템에 대한 현재 및 잠재적 사용자의 리스크 인식의 정도

3.79 1 7 1.27

편익인식 독립변수

가정에너지 절감

스마트에너지 시스템이 가정 에너지 요금 절감에 유용하다고 생각하는 정도

5.15 1 7 1.01

새로운 수익창출

스마트에너지 시스템이 새로운 수익창출에 유용하다고 생각하는 정도

4.84 1 7 1.07

안정적 에너지공급

스마트에너지 시스템이 안정적 에너지 공급에 유용하다고 생각하는 정도

4.98 1 7 1.04

친환경 에너지 시스템구축

스마트에너지 시스템이 친환경 에너지 시스템 구축에 유용하다고 생각하는 정도

5.25 1 7 1

안전한 에너지 시스템구축

스마트에너지 시스템이 안전한 에너지 시스템 구축에 유용하다고 생각하는 정도

5.05 1 7 1.01

<표 3-28> 변수의 기초통계량


* 변수에 대한 설문문항이 4개로 이루어질 경우, 평균을 해당 변수의 대표 값으로 산정하여 기초통계량을 계산함.


구분

변수 변수설명 평균 최소값최대값표준편차

리스크인식 독립변수

전자파위험

스마트에너지 시스템으로부터 나오는 전자파가 위험하다고 생각하는 정도

4.99 1 7 1.07

에너지다소비

스마트에너지 시스템이 에너지를 더 소비하게 한다고 생각하는 정도

4.56 1 7 1.05

성능위험

스마트에너지 시스템이 성능 위험을 가지고 있다고 생각하는 정도

4.96 1 7 1.04

개인정보 노출위험

스마트에너지 시스템이 개인정보 노출의 위험을 가지고 있다고 생각하는 정도

5.37 1 7 1.16

정보격차 심화

스마트에너지 시스템으로 정보격차가 더욱 심해질 수 있다고 생각하는 정도

5.49 1 7 0.97

사이버보안위험

스마트에너지 시스템이 사이버 보안에 위협이 된다고 생각하는 정도

5.47 1 7 1.06

금전적위험

스마트에너지 시스템이 금전적으로 부담이 될 수 있다고 생각하는 정도

5.30 1 7 0.94

요금 불확실성

스마트에너지 시스템으로 요금 불확실성이 커질 수 있다고 생각하는

정도 5.07 1 7 1.06

개인성향변수

전기요금 변화민감도

설문 응답자의 전기요금 변화에 대한 민감도 정도

5.15 1 7 1.27

환경파괴 민감도

설문 응답자가 환경파괴에 대해 생각하는 정도

5.32 1 7 1.15

신기술수용도 설문 응답자가 신기술을 수용하는 정도 5.00 1 7 1.12

직접제어 욕구 설문 응답자의 직접제어 욕구의 정도 5.03 1 7 1.14

인구통계학적 변수

성별 0= 여성, 1= 남성 0.49 0 1 0.50

나이 만 19세 이상 47.02 19 83 14.61

교육수준 설문 응답자의 최종학력 3.03 1 6 1.21

소득수준 설문 응답자 가구의 월평균 총소득 4.29 1 7 1.68

124

설문 분석에 있어서는 변수 한 개당 4문항으로 이루어진 독립변수와

종속변수를 요인분석을 통해 통합하여 변수로 설정했다. 탐색적 요인

분석 결과 요인적재값(factor loading)이 0.5 미만인 설문문항은 제거한

뒤 다시 탐색적 요인분석을 시행하였고 요인적재값이 모두 0.5이상이

되었을 때 각 설문문항을 통합하여 의미 있는 변수로 사용하였다. 종

속 변수는 스마트에너지 시스템 사용자가 느끼는 전반적인 ‘편익 인

식’과 ‘리스크 인식’ 두 가지로서, 각각 ‘낮은 수준의 인식’, ‘중간 수준

의 인식’, ‘높은 수준의 인식’ 세 가지의 수준으로 나눠 순서형 변수로

처리했다.

3.3.2. 분석 모형

분석에서 종속변수로 사용되는 소비자 인식의 응답자료가 리커트척

도의 형태로 ‘순서형 변수’이기 때문에, 순서형 로지스틱 모형을 이용

하여 회귀분석을 실시했다(Liao, 1994). 순서형 로지스틱 모형은 무작

위 오차항이 로지스틱 분포를 따른다는 가정을 바탕으로, 종속변수가

순서형 변수일 경우에도 회귀식을 적용해 독립변수와의 관계를 보고자

고안한 이항 로지스틱 모형에서 발전했다고 볼 수 있는 모형이다. 순

서형 로지스틱 모형은 기본 회귀모형과 동일하게 다중공선성이 없어야

한다는 가정과 추가로 proportional odds 가정을 기본 가정으로 가지고

수행되어야 한다(Harrell, 2015). 순서형 로지스틱 모형의 기본식은 다

음과 같다.

log ≤ ≤

(10)

이항 로지스틱 회귀에서는 독립변수가 한 단위 증가 할 때 종속변수


가 카테고리 1에 속할 확률과 0에 속할 확률의 비(오즈비)가 얼마나

증가 혹은 감소하는 지를 도출할 수 있는데, 순서형 로지스틱 회귀에

서는 오즈의 형성이 누적적으로 이루어지기 때문에, 독립변수가 한 단

위 증가 할 때 종속변수가 n개의 순서 카테고리에서 하위 카테고리에

속할 확률과 상위 카테고리에 속할 확률의 비(오즈비)가 얼마나 증가

하는 지 혹은 감소하는지를 도출한다. 예를 들어, 종속변수가 4개 카테

고리를 가지고 있으면, 종속변수가 첫 번째 카테고리에 속할 확률과

나머지 두 번째, 세 번째, 네 번째 카테고리에 속할 확률의 비의 증가

혹은 감소를 볼 수 있다. 혹은, 첫 번째, 두 번째, 세 번째 카테고리에

속할 확률과 나머지 네 번째 카테고리에 속할 확률의 비의 증가 혹은

감소를 도출할 수 있다.

본 연구에서는 순서형 로지스틱 회귀모형을 바탕으로 사용자 편익

인식에 대한 5가지 모델과 리스크 인식에 대한 5가지 모델, 총 10가지

의 모델을 통해 편익 인식의 경우 5개의 편익요소 그리고 리스크 인식

의 경우 8개 리스크 요소를 각각 기초변수로 설정하였고 이와 함께 3

개의 개인적 특성변수, 4개의 인구통계학적 변수들이 사용자의 편익

및 리스크 인식에 미치는 영향력을 비교분석했다. 다중공선성을 효율

적으로 처리하기 위해 사용자의 편익 및 리스크 인식과 각각의 기초변

수와의 관계를 조사하는 모델을 기본 모델(모델1, 모델6)로 설정하고,

해당 모델에 4가지의 개인적 특성변수를 추가한 모델과 인구통계학적

변수까지 추가한 모델을 각각 설정했다.

모델 3와 모델 8에서는 수용자들의 개인적 성향 변수들인 ‘전기요금

변화 민감도’, ‘환경파괴 민감도’, ‘신기술수용도’, ‘직접제어 욕구 정

도’을 추가하여, 소비자들의 개인적 특성이 스마트에너지 시스템에 대

한 편익 및 리스크 인식에 미치는 영향력을 각각 보고자 했다.

126

모델 4과 9에서는 두 변수 간 상호작용을 고려한 변수를 추가하였다.

모델 4에서는 가정에너지 절감 × 전기요금 변화 민감도(변수명 I(econ)_U),

친환경에너지시스템 구축 × 환경파괴 민감도(변수명 I(env)_U), 새로

운 수익 창출 × 신기술 수용도(변수명 I(tech)_U)를 추가하였고, 모델

9에서는 요금 불확실성 × 전기요금 변화 민감도(변수명 I(econ)_R),

에너지다소비 × 환경파괴 민감도(I(env)_R), 정보격차 심화 × 신기술

수용도(I(tech)_R)을 추가하였다. 모델 5와 10에서는 연령, 성별, 수입

수준, 교육 수준의 인구통계학적 변수들을 추가하였다.

3.4. 연구 결과

앞서 구축된 데이터를 바탕으로 스마트에너지 시스템의 편익 및 리

스크 인식에 대한 각각의 독립변수를 확인하고, 각 독립변수가 편익

인식 및 리스크 인식 각각에 미치는 영향력을 확인하기 위해 순서형

로지스틱 회귀분석을 실시하고자 했다. 로지스틱 회귀분석에 앞서서

먼저 편익 및 리스크 변수들 별로 존재하는 4개의 설문문항을 요인분

석으로 통합하여 변수 당 1개의 값을 가지도록 하였다. 편익 기초변수

의 탐색적 요인분석의 결과는 <표 3-29>에 정리되어 있다. 탐색적 요

인분석 결과 안정적 에너지 공급 변수의 네 번째 문항은 요인적재값이

0.5 미만으로 해당 변수와 상관성이 낮다고 판단하여 제거하였다.


구성개념 측정변수 Factor1 Factor2 Factor3 Factor4 Factor5

가정에너지절감

q1_1_1 0.252 0.200 0.612 0.198 0.257

q1_1_2 0.203 0.265 0.683 0.274 0.234

q1_1_3 0.380 0.223 0.527 0.262 0.143

q1_1_4 0.317 0.279 0.660 0.223 0.165

새로운수익창출

q1_2_1 0.659 0.227 0.161 0.226 0.211

q1_2_2 0.683 0.243 0.307 0.269 0.178

q1_2_3 0.654 0.230 0.325 0.229 0.242

q1_2_4 0.686 0.261 0.266 0.204 0.178

안정적에너지공급

q1_3_1 0.310 0.318 0.293 0.205 0.630

q1_3_2 0.320 0.360 0.315 0.267 0.608

q1_3_3 0.358 0.365 0.362 0.308 0.505

q1_3_4 0.404 0.330 0.275 0.347 0.344

친환경에너지시스템구축

q1_4_1 0.329 0.356 0.376 0.500 0.204

q1_4_2 0.310 0.280 0.258 0.680 0.173

q1_4_3 0.280 0.280 0.245 0.677 0.206

q1_4_4 0.216 0.369 0.312 0.523 0.197

안전한에너지시스템구축

q1_5_1 0.281 0.691 0.289 0.272 0.239

q1_5_2 0.276 0.735 0.255 0.294 0.231

q1_5_3 0.314 0.606 0.263 0.314 0.242

q1_5_4 0.286 0.592 0.283 0.290 0.270

<표 3-29> 편익 인식 기초변수 탐색적 요인분석 결과표


그런 뒤, 다시 탐색적 요인분석을 시행하였고 <표 3-30>과 같이 모

든 요인적재값이 0.5이상이 되었을 때 각 설문문항을 통합하여 의미

있는 변수로 사용하였다. 편익 인식 종속변수의 요인적재값은 모두

0.863이상으로 요인들을 통합하여 변수로 사용하였다.

128


리스크 기초변수의 탐색적 요인분석의 결과는 <표 3-31>에 정리되

어 있다. 성능위험 변수의 첫 번째 문항은 요인적재값이 0.5미만으로

제거하였고, 금전적 위협 변수는 구성된 4개의 설문문항의 요인적재값

이 모두 0.5미만이었고 요금 불확실성 변수와 상관성을 보였기 때문에

독립된 변수로 사용하지 않고 제거하였다.

구성개념 측정변수 Factor1 Factor2 Factor3 Factor4 Factor5


q1_1_1 0.255 0.199 0.602 0.206 0.263

q1_1_2 0.204 0.270 0.683 0.271 0.232

q1_1_3 0.379 0.227 0.529 0.259 0.139

q1_1_4 0.315 0.284 0.669 0.214 0.156


q1_2_1 0.659 0.230 0.160 0.226 0.209

q1_2_2 0.685 0.246 0.307 0.269 0.175

q1_2_3 0.658 0.232 0.322 0.231 0.242

q1_2_4 0.681 0.268 0.273 0.199 0.169


q1_3_1 0.311 0.324 0.292 0.204 0.631

q1_3_2 0.321 0.368 0.316 0.264 0.604

q1_3_3 0.357 0.375 0.366 0.304 0.493


q1_4_1 0.326 0.362 0.379 0.497 0.197

q1_4_2 0.310 0.280 0.252 0.697 0.173

q1_4_3 0.279 0.291 0.251 0.665 0.201

q1_4_4 0.213 0.380 0.322 0.507 0.184


q1_5_1 0.282 0.694 0.287 0.268 0.236

q1_5_2 0.277 0.739 0.255 0.290 0.224

q1_5_3 0.313 0.610 0.264 0.310 0.235

q1_5_4 0.285 0.597 0.285 0.286 0.262

<표 3-30> 편익 인식 기초변수 탐색적 요인분석 최종 결과표



금전적 위협 변수를 제거한 뒤 총 7개의 요인에 대하여 다시 탐색적

요인분석을 시행하였고 <표 3-32>와 같이 모든 요인적재값이 0.5이상

이 되었을 때 각 설문문항을 통합하여 최종 변수로 사용하였다. 리스

크 인식 종속변수의 요인적재값은 모두 0.867이상으로 요인들을 통합

하여 변수로 사용하였다.

구성개념측정변수 Factor1 Factor2 Factor3 Factor4 Factor5 Factor6 Factor7 Factor8

전자파위험

q2_1_1 0.149 0.267 0.135 0.722 0.128 0.144 0.090 -0.036q2_1_2 0.137 0.191 0.142 0.828 0.153 0.148 0.073 0.042q2_1_3 0.159 -0.018 0.094 0.647 0.365 0.001 0.131 0.130q2_1_4 0.115 0.122 0.169 0.751 0.306 0.104 0.111 0.139

에너지다소비

q2_2_1 0.212 0.008 0.075 0.209 0.607 0.076 0.234 -0.024q2_2_2 0.132 0.158 0.089 0.183 0.618 0.158 0.107 0.071q2_2_3 0.187 0.137 0.158 0.246 0.716 0.087 0.161 0.061q2_2_4 0.218 0.163 0.116 0.181 0.711 0.072 0.143 0.136

성능위험

q2_3_1 0.215 0.285 0.310 0.182 0.205 0.322 0.457 0.057q2_3_2 0.215 0.230 0.289 0.188 0.230 0.253 0.574 0.127q2_3_3 0.221 0.107 0.166 0.112 0.295 0.141 0.746 0.119q2_3_4 0.275 0.191 0.212 0.117 0.230 0.142 0.663 0.117

개인정보노출위험

q2_4_1 0.265 0.238 0.668 0.193 0.195 0.259 0.258 -0.012q2_4_2 0.249 0.255 0.713 0.203 0.186 0.269 0.214 0.086q2_4_3 0.195 0.310 0.711 0.165 0.113 0.287 0.191 0.150q2_4_4 0.219 0.279 0.728 0.199 0.144 0.268 0.175 0.164

정보격차심화

q2_5_1 0.186 0.703 0.197 0.103 0.051 0.226 0.158 0.041q2_5_2 0.178 0.744 0.211 0.167 0.147 0.199 0.137 0.102q2_5_3 0.194 0.612 0.192 0.160 0.190 0.172 0.093 0.144q2_5_4 0.180 0.644 0.205 0.171 0.141 0.229 0.122 0.149

사이버보안위협

q2_6_1 0.229 0.366 0.340 0.140 0.100 0.684 0.188 0.080q2_6_2 0.228 0.337 0.303 0.176 0.116 0.727 0.150 0.130q2_6_3 0.277 0.291 0.271 0.113 0.177 0.583 0.231 0.159q2_6_4 0.202 0.256 0.282 0.132 0.191 0.633 0.175 0.175

금전적위협

q2_7_1 0.427 0.253 0.176 0.107 0.223 0.232 0.191 0.355q2_7_2 0.410 0.258 0.153 0.142 0.173 0.246 0.124 0.468q2_7_3 0.403 0.380 0.182 0.147 0.048 0.262 0.155 0.405q2_7_4 0.388 0.223 0.130 0.114 0.129 0.191 0.236 0.535

요금불확실성

q2_8_1 0.726 0.173 0.192 0.125 0.253 0.116 0.198 0.041q2_8_2 0.732 0.192 0.195 0.162 0.193 0.171 0.162 0.093q2_8_3 0.708 0.162 0.176 0.166 0.227 0.180 0.170 0.155q2_8_4 0.717 0.193 0.153 0.166 0.211 0.170 0.168 0.166

<표 3-31> 리스크 인식 기초변수 탐색적 요인분석 결과표

130

구성개념 측정변수 Factor1 Factor2 Factor3 Factor4 Factor5 Factor6 Factor7

전자파위험

q2_1_1 0.254 0.135 0.142 0.718 0.132 0.143 0.060 q2_1_2 0.188 0.130 0.146 0.830 0.153 0.151 0.060 q2_1_3 0.005 0.171 0.093 0.652 0.355 0.010 0.145 q2_1_4 0.137 0.125 0.170 0.753 0.303 0.114 0.111

에너지다소비

q2_2_1 0.012 0.207 0.078 0.215 0.595 0.074 0.225 q2_2_2 0.155 0.130 0.096 0.186 0.629 0.163 0.091 q2_2_3 0.143 0.189 0.160 0.251 0.714 0.092 0.153 q2_2_4 0.172 0.221 0.122 0.185 0.723 0.083 0.139

성능위험

q2_3_2 0.242 0.220 0.307 0.193 0.241 0.272 0.528 q2_3_3 0.122 0.223 0.178 0.119 0.296 0.163 0.760 q2_3_4 0.208 0.277 0.224 0.123 0.229 0.164 0.668


q2_4_1 0.237 0.249 0.668 0.197 0.190 0.263 0.228 q2_4_2 0.262 0.243 0.719 0.206 0.188 0.280 0.194 q2_4_3 0.316 0.195 0.717 0.167 0.124 0.305 0.169 q2_4_4 0.294 0.223 0.729 0.202 0.148 0.287 0.163 q2_5_1 0.686 0.168 0.207 0.108 0.054 0.237 0.135

정보격차심화

q2_5_2 0.748 0.168 0.215 0.172 0.145 0.213 0.128 q2_5_3 0.640 0.197 0.189 0.163 0.186 0.183 0.086 q2_5_4 0.671 0.186 0.202 0.174 0.138 0.241 0.117


q2_6_1 0.366 0.212 0.346 0.145 0.103 0.688 0.162 q2_6_2 0.342 0.219 0.305 0.180 0.120 0.743 0.132 q2_6_3 0.307 0.279 0.273 0.118 0.178 0.600 0.217 q2_6_4 0.274 0.206 0.282 0.136 0.194 0.650 0.164

요금불확실성

q2_8_1 0.185 0.708 0.198 0.131 0.247 0.129 0.190 q2_8_2 0.204 0.725 0.201 0.165 0.194 0.188 0.153 q2_8_3 0.181 0.723 0.180 0.169 0.229 0.200 0.164 q2_8_4 0.211 0.731 0.158 0.168 0.216 0.192 0.163

<표 3-32> 리스크 인식 기초변수 탐색적 요인분석 최종 결과표


요인 분석 결과 편익 인식 모델에서는 총 5가지의 편익 변수, 리스

크 인식 모델에서는 총 7가지 리스크 변수를 최종 기초변수로 확정하

였고, 순서형 로지스틱 회귀분석을 실시하였다. 그 결과가 <표 3-6>,

<표 3-7>에 제시되어 있다. 순서형 로지스틱 회귀분석은 통계프로그램

‘R’에서 ‘MASS’ 패키지를 활용하여 실시했고, 추가적으로 변수들의

한계효과를 도출하기 위해 ‘oglmx’ 패키지를 활용했다. 그리고 모델의

적합도를 검정하기 위해 ‘lmtest’ 패키지를 활용했다. 순서형 로지스틱


회귀분석에 앞서, 변수들간의 다중공선성을 확인하기 위해 변수들간의

VIF(variance inflation factor) 값을 도출한 결과 모든 변수가 1~2점대

사이의 낮은 VIF 값들을 보였다. 따라서 독립변수들 간에 다중공선성

은 낮은 것으로 볼 수 있다(Mansfield & Helms, 1982). 모델 적합도에

있어서 10개의 모델에 대해 ‘lmtest’패키지의 log likelihood ratio test

를 한 결과 편익 인식 모델에서는 모델 3이, 리스크 인식 모델에서는

모델 9가 적합한 것으로 나타났다. 이에 본 연구에서는 모델 3과 9를

기준으로 결과 해석을 한다.

먼저 <표 3-33>의 모델 3에서 기초 편익 변수들이 전반적인 편익

인식에 미치는 영향을 살펴보면, 새로운 수익창출, 안전한 에너지 시스

템구축, 가정 에너지 절감, 친환경 에너지 시스템구축, 안정적 에너지

공급의 다섯 가지 변수 모두 1% 수준에서 통계적으로 유의하게 영향

을 미치는 것으로 나타났다. 각 새로운 수익창출, 안전한 에너지 시스

템구축, 가정 에너지 절감, 친환경 에너지 시스템구축, 안정적 에너지

공급의 Exp(b)값은 각 3.175, 5.878, 5.421, 4.629, 2.510로 각 수치가

1 증가하면 편익 인식의 오즈비가 각 217.5%, 487.8%, 442.1%,

362.9%, 151%만큼 증가한다는 것으로 해석할 수 있다. 즉, 소비자가

스마트에너지 시스템의 새로운 수익창출, 안전한 에너지 시스템구축,

가정 에너지 절감, 친환경 에너지 시스템구축, 안정적 에너지공급에 대

해 인지하는 편익이 높을수록 시스템에 대한 편익 인식이 높아진다는

것을 의미한다. 5가지 편익 요소 중에서 소비자가 생각하는 안전한 에

너지 시스템구축과 가정 에너지 절감에 대한 편익이 스마트에너지 시

스템에 대한 전반적 편익 인식에 가장 큰 영향을 미침을 알 수 있다.

개인 성향과 관련된 변수들을 살펴보면, 편익 인식의 경우, 전기요금

변화 민감도, 환경파괴 민감도, 신기술 수용도, 직접제어 성향은 모두

통계적으로 유의하지 않았다.

132

변수

편익 인식모델 1 모델 2 모델 3 모델 4 모델 5

β Exp(β) β Exp(β) β Exp(β) β Exp(β) β Exp(β)


1.190***(0.120)

3.2901.155***(0.121)

3.1751.174***(0.123)

3.2341.199***(0.125)

3.318


1.794***(0.137)

6.0161.771***(0.138)

5.8781.762***(0.138)

5.8251.805***(0.141)

6.082


1.716***(0.135)

5.5631.690***(0.137)

5.4211.693***(0.137)

5.4361.749***(0.141)

5.748


1.56***(0.128)

4.7781.532***(0.130)

4.6291.529***(0.131)

4.6131.571***(0.133)

4.810


0.956***(0.120)

2.6010.920***(0.122)

2.5100.926***(0.122)

2.5250.944***(0.124)

2.571

전기요금변화민감도

0.0195(0.075)

1.0200.070

(0.107)1.072

0.068(0.107)

1.0710.077

(0.109)1.081

환경파괴민감도

0.187*(0.077)

1.2060.092

(0.108)1.096

0.082(0.111)

1.0850.167

(0.116)1.182

신기술수용도

0.588***(0.082)

1.8000.126

(0.116) 1.134

0.150(0.118)

1.1610.080

(0.121)1.083

직접제어 욕구

0.149(0.080)

1.1600.068

(0.114)1.071

0.066(0.114)

1.0670.068

(0.115)1.070

I(econ)_U -0.032

(0.113)0.969

-0.046(0.114)

0.955

I(env)_U-0.049(0.097)

0.952-0.082(0.098)

0.922

I(tech)_U0.097

(0.118)1.109

0.071(0.120)

1.073

성별(남자)

0.365*(0.196)

1.440

나이 -0.244**

(0.098)0.783

<표 3-33> 편익 인식 모델 순서형 로지스틱 회귀분석 결과표


주: 1) *** : 유의수준 0.001, ** : 유의수준 0.01, * : 유의수준 0.05, . : 유의수준 0.1 2) 괄호안의 수치는 표준오차 3) I(econ)_U: 가정에너지 절감 * 전기요금 변화 민감도, I(env)_U: 친환경에너지시스템

구축 * 환경파괴 민감도, I(tech)_U: 새로운 수익 창출 * 신기술 수용도 자료: 저자 작성

리스크 인식의 경우 <표 3-34>의 모델 9에서 확인 할 수 있듯이 요

금 불확실성, 개인정보 노출위험, 전자파 위험, 에너지 다소비, 성능 위

협의 다섯 가지 변수가 유의수준 1%에서 통계적으로 유의하게 영향을

미치는 것으로 나타났고 정보격차 심화, 사이버 보안위협의 두 가지

변수는 통계적으로 유의하지 않았다. 통계적으로 유의한 기초 리스크

인식 변수들이 리스크 인식에 미치는 영향을 살펴보면, 요금 불확실성,

개인정보 노출위험, 전자파 위험, 에너지 다소비, 성능위협의 Exp(b)값

은 각 2.080, 1.429, 1.876, 2.918, 1.720으로 각 수치가 1 증가하면 리

스크 인식의 오즈비가 각 108%, 42.9%, 87.6%, 191.8%, 72%만큼 증

가한다는 것으로 해석할 수 있다. 즉, 사용자가 스마트에너지 시스템의

요금 불확실성, 개인정보 노출위험, 전자파 위험, 에너지 다소비, 성능

변수

편익 인식모델 1 모델 2 모델 3 모델 4 모델 5


교육0.048

(0.100)1.049

소득-0.102(0.098)

0.903

Number of cases

1020 1020 1020 1020 1020

log likelihood

-389.058 -729.438 -385.968 -380.288 -379.671

AIC 792.115 1470.878 793.937 790.575 795.3419

McFadden’s R2

0.509 0.080 0.513 0.520 0.521

134

위협에 대해 인지하는 리스크가 높을수록 시스템에 대한 리스크 인식

이 높아진다는 것을 의미한다. 5가지 통계적으로 유의한 리스크 요소

중에서 소비자가 생각하는 에너지 다소비와 요금 불확실성에 대한 위

험이 스마트에너지 시스템에 대한 전반적 리스크 인식에 가장 큰 영향

을 미침을 알 수 있다.

개인성향과 관련된 변수들 중에서 신기술 수용도와 직접제어 욕구가

음의 방향으로 유의한 변수로 나타났다. 즉 신기술 수용도가 높을수록,

직접제어 욕구가 강할수록 전반적인 리스크 인식이 낮아지는 것으로

확인되었다.

또한, 상호작용 효과에서 I(env)_R이 양의 방향으로 유의하게 나타

났는데 에너지다소비 리스크 인식과 환경파괴 민감도가 같은 방향으로

분포되어 있음을 확인하였다. 이 상호작용 변수가 유의하게 나오면서

에너지다소비 리스크 인식의 회귀계수값은 주의하면서 해석할 필요가

있다. 에너지다소비 리스크 인식의 계수값은 다른 변수들이 통제되면

서 환경파괴 민감도가 0일 때 에너지다소비 리스크 인식이 1단위 증가

함에 따라 전반적인 리스크 인식의 오즈비가 191.8% 증가한다는 것을

의미한다. 그리고 I(env)_R의 계수값은 환경파괴 민감도가 1단위만큼

변할 때 에너지다소비 리스크 인식이 전반적인 리스크 인식에 갖는 효

과로 이해할 수 있다.


변수

리스크 인식

모델 6 모델 7 모델 8 모델 9 모델 10


정보격차심화

-0.165**(0.082)

-0.084-0.097(0.084)

0.907-0.098(0.083)

0.906-0.081(0.084)

0.922

요금불확실성

0.727***(0.084)

2.0700.720***(0.085)

2.0540.732***(0.086)

2.0800.729***(0.086)

2.073


0.383***(0.081)

1.4670.356***(0.081)

1.4280.356***(0.081)

1.4290.358***(0.081)

1.430

전자파위험

0.633***(0.080)

1.8820.621***(0.083)

1.8620.629***(0.084)

1.8760.662***(0.086)

1.939

에너지다소비

1.080***(0.090)

2.9451.100***(0.092)

3.0051.071***(0.094)

2.9181.068***(0.094)

2.911


0.063(0.090)

1.0650.090

(0.080)1.094

0.076(0.081)

1.0790.088

(0.081)1.092

성능위협0.529***(0.084)

1.6970.551***(0.086)

1.7360.542***(0.086)

1.7200.531***(0.087)

1.701

전기요금변화민감도

0.287***(0.071)

1.3320.055

(0.079) 1.057

0.049(0.080)

1.0500.042

(0.080)1.043

환경파괴민감도

0.241**(0.074)

1.2730.113

(0.084)1.120

0.145(0.085)

1.1560.180*(0.087)

1.197

신기술수용도

-0.433***

(0.077)0.648

-0.335***

(0.085)0.716

-0.340***

(0.085)0.711

-0.361***

(0.088)0.697

직접제어 욕구

-0.152*(0.077)

0.859-0.215**(0.085)

0.807-0.222**(0.085)

0.801-0.218*(0.086)

0.804

I(econ)_R-0.105(0.077)

0.901-0.101(0.078)

0.904

I(env)_R0.162*(0.076)

1.1760.156*(0.076)

1.169

I(tech)_R0.085

(0.082)1.088

0.079(0.083)

1.083

성별0.086

(0.148)1.090

<표 3-34> 리스크 인식 모델 순서형 로지스틱 회귀분석 결과표

136

주: 1) *** : 유의수준 0.001, ** : 유의수준 0.01, * : 유의수준 0.05, . : 유의수준 0.1 2) 괄호안의 수치는 표준오차 3) I(econ)_R: 요금 불확실성 * 전기요금 변화 민감도, I(env)_R: 에너지다소비 * 환경

파괴 민감도, I(tech)_R: 정보격차 심화 * 신기술 수용도 자료: 저자 작성


스마트에너지가 확산되는 데 있어 소비자의 역할이 중요한 가운데,

본 연구에서는 스마트에너지 시스템에 관한 소비자들의 인식을 편익

인식과 리스크 인식 관점에서 살펴보았다.

스마트에너지 시스템에 대한 전반적 편익 인식에 영향을 주는 변수

들의 추정값(estimates)과 유의성(significance)을 살펴보면, ‘안전한 에

너지시스템 구축’이 가장 높은 추정값을 보이면서 유의수준 0.1에서

통계적으로 유의하게 나타났다. ‘안전한 에너지시스템 구축’이 강하게

나타난 것은 소비자 입장에서 디지털 기술을 통해 기상의 영향을 받는

재생에너지의 출력 변동성 및 불확실성을 보다 잘 관리할 수 있고, 에

너지 생산과 전달 시스템의 신뢰성이 높이며, 정전이 나더라도 에너지

변수

리스크 인식

모델 6 모델 7 모델 8 모델 9 모델 10


나이-0.138.(0.074)

0.871

교육 -0.046

(0.073)0.955

소득 -0.042

(0.073)0.959

Number of cases

1020 1020 1020 1020 1020

log likelihood

-738.377 -896.1003 -720.114 -716.543 -714.243

AIC 1494.75 1804.201 1466.299 1465.085 1468.485McFadden’s

R2 0.207 0.038 0.227 0.231 0.233


공급이 지속될 수 있는 환경이 마련될 것이라는 기대감이 크다는 것을

의미한다.

전반적 편익 인식에 영향을 미치는 변수로는 ‘안전한 에너지시스템

구축’뿐만 아니라 본 연구에서 설정한 다른 세부 편익 인식들도 모두

유의하게 나타났다. ‘가정 에너지 절감’이 두 번째로 강한 영향을 주는

것으로 나타났는데, 기본적으로 소비자 입장에서 스마트에너지시스템

을 통해 경제적 편익을 얻을 수 있을 때 그 편익 인식이 커지는 것은

당연하게 받아들여질 수 있다. 다만, 앞서 언급한 ‘안전한 에너지시스

템 구축’이 더 강한 영향력을 발휘하고 있다는 점은 주의 깊게 볼 필

요가 있다. ‘안전한 에너지시스템 구축’은 일반 소비자 입장에서 직접

적 편익을 제공하기 보다는 에너지시스템 전반에 걸쳐 제공되는 편익

에 가까운데, 소비자들이 스마트에너지시스템의 편익 중 ‘안전한 에너

지시스템 구축’을 가장 강조하고 있다는 점은 소비자들의 인식에서 디

지털 기술이 에너지 부문에서 갖는 효과가 에너지시스템의 안전성 강

화와 밀접하게 연관되어 있다는 점을 시사한다.

경제적 편익 인식에는 ‘가정 에너지 절감’뿐만 아니라 ‘새로운 수익

창출’이 포함되어 있다. 이 변수 역시 양의 방향으로 유의하였으나 ‘가

정 에너지 절감’보다는 영향력이 약했고, ‘친환경 에너지 시스템 구축’

보다도 그 강도가 약했다. 스마트에너지시스템을 통해 새로운 수익 창

출의 기회가 생길 것으로 기대는 하고 있으나 아직 가시적인 편익을

느끼는 정도가 그렇게 강하지는 않은 것으로 해석된다. 그러나 일반적

으로 경제적 편익이 환경적 편익, 안전성 편익 등에 비해 기술 편익 인

식에 강한 영향을 주는 것으로 밝혀져 있기 때문에 향후 수익창출 기

회가 가시화될 때 이 변수의 영향력은 더 상승할 것으로 예상된다.

개인 성향과 관련해서는 설명력이 가장 높은 모델 3을 기준으로 볼

때 유의한 변수가 없었다. 모델 2에서 ‘환경파괴 민감도’와 ‘신기술 수

138

용도’가 통계적으로 유의했지만, 다른 변수들과 혼합된 모델 3에서는

그 유의성이 상실된다. VIF 지수 검토를 통해 각 변수들 간 독립성이

상당히 유지되고 있는 가운데, 모델 변경에서 유의성이 사라졌다면 그

변수들의 설명력이 그렇게 강건하지 못하다는 것을 시사한다. 또한 스

마트에너지시스템에 관한 세부 편익 인식과 개인 성향 간 상호작용 효

과를 검증해봤으나 통계적으로 유의하지 못했다. 이에 스마트에너지

시스템에 관한 전반적 편익에서는 개인 성향보다는 그 시스템이 제공

하는 편익 요소들이 실질적으로 영향을 미치고 있음을 알 수 있다.

스마트에너지 시스템에 대한 전반적 리스크 인식에 영향을 주는 변

수들을 살펴보면, 스마트에너지시스템의 에너지다소비 문제가 전반적

위험 인식에 가장 강한 영향력을 발휘하는 것으로 나타났다. 스마트에

너지시스템을 구축하고 유지하기 위해서는 추가적 에너지소비가 뒤따

르는데, 스마트에너지시스템을 통해 다른 부분의 에너지소비를 절감할

수 있다고 해도 그 자체 스마트시스템의 에너지소비가 늘어나면서 궁

극적으로 더 많은 에너지소비를 하게 되고 이를 통해 경제적으로나 환

경적으로 비용이 커질 것이라는 우려가 다른 우려들에 비해 강하다는

것을 시사한다. 이 에너지다소비 위험 인식은 환경파괴 민감도와 상호

작용 효과에서 통계적 유의성을 보인다. 즉, 환경파괴 민감도가 높을수

록 에너지다소비를 통한 환경파괴 위험 인식이 강하거나 그 반대로 에

너지다소비 위험인식이 높을수록 환경파괴 민감도가 높다는 것이다.

환경에 대한 중요 인식이 과거보다 높아진 상황에서 스마트에너지 시

스템의 위험 인식도 환경적 측면이 강하게 나타나고 있다.

에너지다소비 이외에 요금불확실성, 전자파위험, 개인정보 노출 위

험, 성능위험 인식이 전반적 리스크 인식을 통계적으로 유의하게 증가

시키고 있는 것으로 나타났다. 요금불확실성은 그동안 디지털 기술의

에너지 부문 수용성 연구에서 제대로 다뤄지지 못했으나, 본 연구 결


과 전반적 위험 인식에 영향을 미치는 주요 변수로 자리 잡고 있었다.

스마트에너지시스템을 통한 에너지비용 절감 효과가 실현되기 위해서

는 요금체계가 유연해지고 시시각각 변하는 공급비용을 제대로 반영하

는 형태로 변할 필요가 있는데, 이는 역으로 요금변동 불확실성을 꺼

리는 소비자들에게 있어 위험 인식으로 영향을 미치고 있다. 이와 관

련해 스마트에너지시스템의 편익 인식을 늘리고 위험 인식을 줄이기

위해서는 요금의 미래 변동 양상을 시뮬레이션 형태로 확인할 수 있게

해줄 필요가 있을 것으로 판단된다.

자기 성향 변수에서는 신기술 수용도와 직접제어 욕구이 유의성을

가졌다. 신기술 수용도가 높을수록 즉 새로운 기술에 대한 거부감이

덜할수록 리스크 인식이 줄어든다는 점은 기존 연구들과 동일하다. 그

리고 자신의 일과 주변 상황을 직접 관리하는 경향이 강할수록 위험

인식이 줄었는데, 소비자가 스마트에너지시스템을 통해 직접 에너지소

비를 관리하고 제어할 수 있어 직접제어 욕구 강한 이들은 스마트에너

지시스템을 보다 긍정적으로 바라보면서 위험 인식도 상대적으로 줄어

들었을 것으로 판단된다.

에너지시장에서 소비자의 역할을 제고하고 에너지프로슈머를 육성

하려는 정책적 노력이 이어지고 있는 상황에서 본연구의 결과는 여러

시사점을 제공한다. 정책적 차원에서 소비자들의 스마트에너지시스템

편익 인식에 새로운 수익 창출의 기회에 대한 기대감이 자리 잡고 있

다는 점, 리스크 인식에 기존 연구들에서 밝혀진 전자파 위험, 개인정

보 노출 위험, 성능 위험 등에 관한 인식뿐만 아니라 에너지다소비와

요금불확실성에 관한 인식이 영향을 주고 있다는 점을 주목해야 한다.

소규모 태양광 보급이 늘어나고 수요반응 시장에도 일반 소비자가

참여할 수 있게 되면서 스마트에너지시스템을 통해 추가적인 수익을

140

올릴 수 있을 것이라는 기대가 형성되고 있는데, 이러한 기대는 여러

에너지신사업을 활성화하는 데 긍정적 기여를 할 것이다. 다만 기대가

형성되어 있을 경우 그 기대가 충족되었을 때는 상관없지만, 기대가

충족되지 못할 경우 실망으로 이어질 것이고 이는 다시 에너지신사업

활성화에 부정적인 영향을 미칠 것이다. 따라서 현재의 긍정적 인식을

신사업 활성화의 지렛대로 삼되 소비자들이 충분히 공감할 수 있는 방

향으로 관련 서비스가 진행될 수 있는 사업 환경을 마련할 필요가 있

다. 이를 위해 정책과제로 진행되는 사업들의 홍보 과정에서 과장 정

보 제공을 피하고 기업과 소비자가 함께 이익을 볼 수 있는 구조가 정

착할 수 있도록 지원체계를 갖춰나가야 할 것이다. 예를 들어 소비자

들이 동의할 경우 개인 비식별화 수단을 통해 개인정보를 침해하지 않

으면서 그들의 데이터를 사업자들이 사업에 원활하게 활용할 수 있는

제도적 환경을 마련하는 것도 중요한 과제이다.

본 연구에서는 에너지다소비 리스크 인식이 전반적인 리스크 인식에

강하게 영향을 주고 있음을 확인하였다. 에너지다소비 리스크 인식을

줄이기 위해 에너지고효율 기기 보급을 촉진하는 규제 및 지원책을 추

진함과 동시에 에너지 하베스팅(energy harvesting) 기술 개발 및 실증

을 장려할 필요가 있다. 또한 스마트에너지시스템을 통해 절감한 에너

지만큼 소비자 자신의 에너지소비 욕구가 더 늘어날 것이라는 인식이

형성되어 있음을 이해하고 일반 소비자를 대상으로 하는 수요반응 시

장 설계 시 리바운드 효과(rebound effect)를 함께 고려할 필요가 있다.

에너지다소비 다음으로 요금 불확실성이 전반적인 리스크 인식의 주

요 영향 요인으로 나타났는데, 이 분석 결과를 주택용 계절별, 시간대

별 요금제 등 변동요금제 적용 시 중점 검토할 필요가 있다. 앞으로 계

절별, 시간대별 요금제가 확산되면서 소비자들은 어느 시점에 에너지


를 소비하느냐에 따라 다양한 수준의 요금을 부과받게 될 것이다. 변

동요금제는 에너지이용 효율 수단 도입을 촉진한다는 취지에서 긍정적

인 측면이 있으나 불확실한 요금에 대한 소비자들의 리스크 인식이 존

재한다는 점도 고려해야 한다. 이를 절충하기 위해서는 계절별, 시간대

별 변동하는 요금제를 도입하여 에너지효율 수단 보급을 촉진하되, 소

비자들이 요금 혼란을 느끼지 않도록 하는 서비스가 추가적으로 도입

될 수 있도록 지원할 필요가 있다. 즉 요금은 계절별, 시간대별로 수시

로 변동하겠지만, 요금불확실성에 대한 리스크 인식이 높은 사람들은

그 요금변동을 잘 이해하고 자신들에게 맞춤화된 형태로 에너지소비

절감을 지원할 수 있는 서비스 사업자를 통해 안정화된 요금 서비스를

받을 수 있는 환경을 지원할 필요가 있다.

이외에 전자파위험, 개인정보 노출 위험, 성능위험에 관한 소비자 인

식이 전반적인 리스크 인식에 영향을 주는 요인으로 나타났다. 전자파

위험 인식을 축소하기 위해 규제 차원에서는 스마트에너지시스템이 적

정 전자파 기준을 충족하고 있는지 확인하고, 사업자가 전자파와 관련

하여 소비자들의 불안을 해소하려는 최소한의 노력에 관한 가이드라인

을 마련할 필요가 있다. 개인정보 노출 위험 인식과 관련해서는 제도

적 차원에서 소비자 데이터의 소유권, 접근권한, 사용권한 등이 명확히

제시되도록 하고, 소비자들이 데이터 개방에 대해 보다 적극적으로 나

설 수 있도록 소비자 데이터를 통해 얻는 사업자 수익이 소비자와 공

유될 수 있는 시스템을 만들어갈 필요가 있다. 성능위험 인식과 관련

해서는 스마트에너지시스템의 성능 평가 결과에 대한 정보를 투명하게

제시하고 발생 가능한 문제들에 대한 대응조치 정보가 소비자들에게

전달되도록 해야 한다(김현제 & 박찬국, 2012).

제4장 에너지산업 이해관계자 역할과 상호관계 143

제4장 에너지산업 이해관계자 역할과 상호관계


지능형 기술 확산에 따른 에너지산업의 가치사슬 변화 양상을 2장과

3장에서 살펴보았다면, 이 4장에서는 디지털 전환이라는 변화 속에서

각 이해관계자별 역할을 모색해보기로 한다.

본 연구에서는 전력산업과 석유가스 산업을 대상으로 디지털화에 따

른 주요 이해관계자별 역할을 살펴볼 예정이다. 이해관계자별 역할을

살펴보면서 나열식으로 특정 이해관계자는 어떤 역할을 해야 한다는

식의 서술이 아니라 보다 입체적으로 다른 역할들과 비교했을 때 특정

역할의 중심성은 어느 수준이며, 다른 관련 역할들은 무엇이 있는지도

함께 살펴볼 것이다.

가치사슬은 단순하게 표현하면 가치의 생산과 전달 과정이라고 할

수 있다. 가치사슬은 다양한 가치창출 활동들이 모여 구성되며, 그 구

조가 복잡해질수록 선형에서 네트워크형으로 변모해간다. 여기에서 가

치창출 활동은 곧 산업 이해관계자들의 활동일텐데, 디지털 전환에 대

비하기 위한 활동이라면 이는 곧 디지털 전환을 위한 각 이해관계자의

역할이라고 볼 수 있다. 이 장에서는 네트워크 구조를 기존의 이해관

계자 중심 논의에서 탈피해 디지털 전환을 위한 이해관계자들의 가치

창출 활동 즉 역할과 관련한 네트워크까지 다룸으로써 논의의 폭을 확

대하기로 한다.

144

2. 관련 연구

2.1. 디지털 전환과 이해관계자 역할 변화

디지털 기술의 중요성이 커지고 있는 가운데, 에너지 산업은 디지털

화를 통해 효율성, 신뢰성, 환경성 등 다양한 측면에서 새로운 가치를

창출 및 확대하고 있다. 비즈니스 관점에서, 이러한 새로운 가치들은

소비자 경험 향상이라는 목적 아래 각 기업들의 비즈니스 프로세스에 빠

르게 확산되고 있고, 가치제안(value proposition) 및 가치네트워크(value

network)구조에 큰 변화를 일으키고 있다(Berman, 2012; Westerman et

al., 2014).

기존 에너지시장에서 대부분의 소비자는 가치를 소비하는 주체로서

그 역할이 한정적이었다. 하지만 에너지 인프라의 디지털화로, 소비자

는 에너지 소비뿐만 아니라 에너지 저장, 생산 및 판매도 담당하는 에

너지 프로슈머(energy prosumer)가 되었다(Zafar et al., 2018; Razzaq

et al., 2016). 그들은 수요반응의 주요 구성원으로 전력망을 통해 여분

의 전력을 전력회사나 다른 소비자에게 판매하고, 자기 에너지수요를

부하 수준에 맞춰 효율적으로 사용하며 그 보상으로 인센티브를 취한

다. 에너지 프로슈머는 주로 가정에서 재생에너지를 생산하며, 재생에

너지 생산을 위해 개인화된 장비를 관리하고 소유한다(Wolsink,

2012). 그들은 자율적으로 투자를 통해 전력 생산 설비를 구입하고 관

리하며, 궁극적으로 전력의 자가 충당을 통해 전력 사용 비용을 줄이

거나 여분의 전력을 판매함으로써 이익을 취하는 이해관계자이다

(Kotilainen et al., 2016; Freeman, 2010; Roloff, 2008).

재생에너지 시장에는 기존의 에너지 시스템과 달리 전체 시스템을


관리하는 중앙 집단이 없으며 재생에너지 시장은 개별적인 집단의 자

율적인 가치창출활동이 이루어지는 분권화된 시장이다(Olkkonen et

al., 2017). 이러한 관점에서 에너지 프로슈머는 에너지 시장에 단순히

참여하기보다 여러 이해관계자와 함께 에너지를 공동 생산하는 존재로

서 과거 소비자에 비해 그 역할이 확대되었다고 할 수 있다(Olkkonen

et al., 2017). 또한, 소비자들은 블로그나 소셜 미디어와 같은 디지털

플랫폼을 통해 제품과 서비스에 대한 요구사항을 기업에 표출하기 시

작하였다(Labrecque et al., 2013). 특히, 젊은 세대들은 모바일 기기를

통해 항상 주변기기와 연결되어 정보를 얻고 기기를 원격으로 제어하

는 것에 익숙해졌다. 그들은 모바일 기기로 실시간 전력 요금을 확인하

길 바라며, 자동화된 전력 사용 최적화 어플리케이션을 그들의 모바일

기기에 설치하여 사용할 의향이 있다(Litos Strategic Communication,

2008; Smith, 2019). 모바일 기기를 통해, 소비자는 언제, 어디서든지

정보를 생산하고 소비할 수 있게 되었고, 일부 소비자는 수많은 구독

자를 바탕으로 콘텐츠 영향력을 키워 소비자의 이익을 대변하고 있다.

기업들은 이러한 소비자의 의견을 제품 설계와 서비스 구축 과정에

반영하거나 제품 설계단계부터 협력하여 소비자 경험 가치를 증대시키

고 있다(Prahalad & Ramaswamy, 2004). 정보통신기술에 강점이 있는

회사들은, 전력산업에 새롭게 진출하여 소비자의 요구에 발 빠르게 대

응하고 있으며, 가전제품과 같이 전력 사용과 밀접한 관련 있는 제품

을 제조하는 회사들도 제품을 디지털화여 에너지 서비스를 제공하고

있다. Whirlpool과 General Electric의 새롭게 출시된 가전제품은 스마

트 그리드와 호환이 가능하며, 스마트 미터와 전력 사용량 정보를 주

고받고 전력 소요 피크 시간대에는 자동으로 전력 소비량을 줄임으로

써 수요반응에 기여한다(Litos Strategic Communication, 2008). 기존

146

의 전력회사 중 상대적으로 정보통신기술력이 약한 기업들은 자체적으

로 디지털 기술 역량 강화를 위해 투자를 늘리고 보유하고 있는 인프

라에 디지털 기술을 도입하여 경쟁력을 강화하고 있다. 디지털화 이전

에 기업의 가치제안은 제품 업그레이드와 프로모션과 같은 방법으로

이루어졌으나(Rogers, 2016), 디지털화로 산업의 경계가 불분명해지고

신규 진입자의 유입으로 경쟁이 심해지자(Downes & Nunes, 2014), 기

존 기업들은 외적으로는 신규 진입자들과 파트너십을 맺고 내부적으로

는 비즈니스 모델의 혁신을 일으키고 있다(Bughin & Van Zeebroeck,

2017).

이 외에도, 디지털화로 에너지산업 가치 창출 프로세스에서 새로운

중개자가 등장하고 있고, 중개자의 역할은 기술의 활용 형태에 따라

새롭게 정의되고 있다. 에너지시장의 디지털화로 다양한 이해관계자들

간 전력거래를 할 수 있는 환경이 조성되었고, 그 과정에서, 애그리게

이터(aggregators)는 새롭게 생겨난 매개 역할 사업자로서 다양한 이해

관계자 간 에너지 거래를 중개하며 수요반응 서비스에서 중요한 역할

을 하고 있다(Carreiro et al., 2017). 애그리게이터는 다수의 소비자,

에너지 프로슈머, 생산자의 전력 소비 패턴을 최적화하여 전력회사에

수요반응 서비스를 제공한다. 에너지 사용량이 많은 수요 피크 시간대

에 애그리게이터는 소비자들의 불필요한 전력 사용량을 줄여 전력회사

들의 에너지네트워크 운영비용을 줄이는 데 기여하고 그 대가로 보상

을 받는다(Gkatzikis et al., 2013; Rahnama et al., 2015). 그리고 받은

보상의 일부는 수요반응 서비스에 협력한 소비자들에게 분배된다. 애

그리게이터는 여러 전력시장 시장 참여자들의 에너지, 정보를 취합 및

최적화하여 에너지 생산에서 규모의 경제를 실현하며, 전력회사와 소

비자 간 중개역할을 하여 에너지 교환을 촉진한다는 점에서 가치를 창


출한다(Burger et al., 2017). 그러나 블록체인 기술을 활용한 P2P거래

가 실현될 경우, 개인과 개인은 스마트 계약(smart contract)을 통해 중

개자 없이도 전력을 사고 팔 수 있다. 모든 거래 정보는 블록에 저장되

고 그 거래는 다수에 의해 인증되어 거래의 투명성이 확보되고, 거래

가격 정보는 공개되어 중개자 없이도 안전하고 합리적인 가격에 전력

거래를 할 수 있게 된다(Sabounchi & Wei, 2017).

2.2. 가치 네트워크(value network)와 가치창출활동(value creation

activity)

과거부터 산업의 가치창출 과정(value creation process)을 분석하기

위해 가치사슬(value chain) 분석방법이 이용되어왔다. 가치창출 과정

은 기업이 재화와 서비스를 생산하는 데 사용한 자원의 합 보다 더 높

은 가치를 생산하는 과정으로, 생산성을 높여 원가 절감을 통한 이익

극대화를 목적으로 한다(Porter, 2001). 기업의 가치창출 활동(value

creation activities)들이 모여 가치창출 과정을 구성하며, 개별 가치창출

활동들을 얼마나 효율적으로 결합시키느냐가 기업 경쟁력을 결정짓는

다. 전체 가치창출 과정을 총괄하는 하나 또는 둘의 기업은 각각의 가

치창출 활동에서 경쟁력 있는 여러 회사들과 외부계약 또는 내부 관리

(internal management)를 통해 수직적 통합을 이루고, 전체 가치창출

프로세스에서 규모의 경제를 달성하고 이익을 극대화한다(Walters &

Lancaster, 2000). 가치창출 과정의 마지막 단계인 소비단계에서 제품과

서비스가 소비자에게 소비됨으로써 가치는 이익의 형태로 실현된다.

그러나 인터넷이 발달하고 디지털 플랫폼이 등장하면서 생산자는 소

비자와 언제든지 직접적으로 거래할 수 있게 되었다. 특정 가치창출활

148

동에 강점이 있는 기업은 향상된 소비자 접근성을 바탕으로 독자적인

제품과 서비스를 만들고 디지털 마케팅을 활용하여 다수의 소비자에게

직접 판매함으로써 가치를 창출하고 있으며 가치사슬의 수직적 통합의

흐름에서 이탈하기도 한다.

정보통신기술을 보유한 신규 진입기업(new entrants)들은 향상된 제

품과 서비스가 아닌 소비자 접근성을 무기로 기존 기업(incumbents)들

의 가치창출 과정을 무력화하거나 전통적 비즈니스 모델을 확장시키고

있다(Zysman et al., 2011). 가치창출 과정은 분화(fragmentation)되고

있으며 가치사슬은 여러 이해관계자들의 협력관계로 복잡해지고 비선

형화 되고 있다. 그 결과, 다양한 산업의 기업들이 서로 협력 관계를

가지게 되며 상호 작용하는 복잡한 네트워크를 형성하게 되었고 산업

간 경계가 불분명해졌다. 기업이 네트워크에서 어떠한 위치를 차지하

고 다른 기업과 어떤 관계를 맺고 있느냐가 기업 경쟁력의 중요한 요

소가 되었다.

이러한 기업 환경의 변화로, 기업의 가치창출 과정을 기업과 산업

을 단위로 분석하는 기존 가치사슬 모델은 한계점을 크게 보였고 그

대안으로 가치네트워크 모델(value network model)이 많은 연구들에

채택되었다(Nieuwenhuis, 2010; Pil & Holweg, 2006; Edwards, 2009;

Kubiak, 2016; GRIDSOL, 2018; Dong et al., 2018; Vaz et al., 2015;

Donato et al., 2017; Badi et al., 2017; Biem & Caswell, 2008). 가치

네트워크 모델은 가치를 창출하는 네트워크를 기본 단위로 네트워크를

구성하는 구성원들 간 역동적인(dynamic) 영향관계를 분석하여 가치창

출이 어떻게 이루어지는지 분석한다. 여러 이해관계자 간 유형

(tangible) 자산뿐만 아니라 지식, 기술과 같은 무형(intangible) 자산들

의 이동을 분석하여 어떻게 가치가 구현되는지 살펴본다. 에너지산업


또한 디지털화의 영향으로 가치사슬이 해체되고 있으며, 기업은 소비

자를 포함한 다양한 시장 참여자와 협력하고 있고, 다양한 시장 참여

자가 서로 가치를 주고받는 가치 네트워크가 형성되었다.

Basole & Rouse(2008)는 서비스 산업이 가치를 창출함에 있어서 점

점 다양한 이해관계자들의 상호작용 관계로 다차원화됐으며, B2B

(Business to Business), B2C(Business to Consumer) 뿐만 아니라 늘어

나는 C2C(Consumer-Consumer)의 가치 창출 관계를 분석하기 위해서

가치네트워크 관점을 채택하였다. Allee(2008)는 가치네트워크의 3가

지 구성요소를 역할(role), 거래(transaction), 교환대상(deliverables)으

로 분류하였다. 역할은 가치창출을 하는 사람 및 조직이 취하는 활동

으로 대변된다. 역할 간 주고받는 영향관계는 거래로 정의되었고 거래

는 활동주체 간 주고받는 가치의 형태에 따라 물리적 자산의 가치 교

환을 의미하는 유형 거래와 지식 및 정보의 가치 교환을 의미하는 무

형 거래로 분류된다. 교환대상은 거래를 통해 실제 주고받는 것들을

의미한다. 디지털화로 인해 지적자산의 중요성이 커지고 기업 간 무형

자산의 거래가 기업의 경쟁력에 중요한 요소가 되었다. 무형 자산의

가치는 정보, 지식 그리고 업무 노하우와 같이 측정이 어렵고 기업의

직접적인 금전적 이익으로 직결되지는 않지만, 교환 당사자 간 신뢰

관계 형성 및 기업의 가치창출 경쟁력에 기여한다.

가치네트워크분석은 정성적 그리고 정량적 분석 연구에 모두 적용

되어왔으며 네트워크를 구성하는 개별 가치창출 주체 간 교환되는 가

치에 집중하여 중요도가 높은 주체를 분석하고 그 주체의 역할 및 전

략을 분석하는 데 활용되고 있다. 가치네트워크를 정성적으로 분석한

연구들은 주로 가치네트워크를 구성하는 참여자와 그들의 역할 및 상

150

호작용 관계에 대한 사례를 분석하였다. Peppard & Rylander(2006)는

모바일 서비스와 컨텐츠 부문 이해관계자들이 구성하는 네트워크를 가

치의 관점에서 분석하였다. 그들은 이해관계자들을 선정하고 이해관계

자들 간 영향관계를 고려하여 모바일 운영자(mobile operator)가 취할

수 있는 비즈니스 전략에 대해 논의하였다. Nieuwenhuis(2010)는 원격

의료 시장 활성화를 위해 이해관계자 간 편익과 비용의 흐름을 중심으

로 가치네트워크 분석을 하였고, 사례 분석을 통해 기업의 비즈니스

전략을 제시하였다. Edwards(2009)는 제약 산업에서 이해당사자 간 영

향 관계를 가치네트워크 관점에서 분석하여, 제약 산업 혁신과 생산성

향상을 이루어 내는 핵심 가치 동인이 무엇인지 분석하였다.

Kubiak(2016)는 ICT기업의 프로젝트를 가치네트워크 분석의 대상으로

하여, 프로젝트 참여자를 가치네트워크를 구성하는 이해관계자로 설정

하였고 이해관계자들과의 심층면접을 통해 어떠한 가치가 이해관계자

사이에서 창출되는지 파악하였다. 이를 바탕으로 가치네트워크를 구성

하였고 가치네트워크 분석을 통해 경제적 가치 관점에서 프로젝트의

사업성을 평가하였다. GRIDSOL(2018)은 전력산업에서 가상의 비즈니

스 시나리오를 설정하고 에너지산업 서비스 제공자(energy industry

services provider), 송전시스템 운영자(transmission system operator),

가상발전소 운영자(virtual power plant operator)를 주된 이해관계자로

설정하여 가치 네트워크 분석을 하였고 그들을 위한 비즈니스 모델을

제안하였다. 참여자들과 그들의 주요 역할을 함께 고려하여 서로 어떤

가치를 주고받는지 분석하였으며, 가치는 전력의 이동 그리고 자금과

데이터의 이동으로 표현하였다. Dong(2018)은 에너지 서비스 산업에

대하여 가치네트워크 분석을 하였고 주요 이해관계자를 장비 제공업자


(equipment suppliers), 에너지서비스기업(energy service companies),

에너지소비 기업(energy consumption enterprises)으로 설정하여 이들

간 투자와 소비로 발생하는 자금의 흐름을 가치의 이동으로 보았다.

그리고 자금의 유입과 지출의 이동을 시스템다이나믹스(system

dynamics)의 관점에서 분석하여, 에너지 서비스 산업의 가치네트워크

확장을 위해 에너지소비 기업의 수요가 중요함을 강조하였다.

가치네트워크 분석을 정량적으로 분석한 연구들은 사회네트워크 분

석을 통해 사람 혹은 사업 주체를 분석의 대상으로 하여 경제적 주체

의 중요성을 정량적으로 측정하고 서로 어떠한 가치를 주고받는지를

시각화하였다. Basole & Rouse(2008)는 항공, 자동차, 소매, 헬스케어,

통신 산업에 대해서 최종 가치를 소비자에게 판매 및 전달하는 서비스

제공자, 해당 가치를 창출하는 데 협조한 파트너, 고객들 간 가치 창출

관계를 가치네트워크를 통해 분석하였다. 그들은 가치가 소비자에게

얼마나 직접적으로 전달되는지와 각 산업별 네트워크 복잡성을 정량적

으로 측정하였다. 그들의 연구에서 네트워크 복잡성이 높을수록 서비

스가 소비자에게 전달될 때 많은 중개자를 거쳐야함을 의미한다. 그들

은 정보통신기술 발전으로 Web(world wide web)과 디지털 플랫폼이

B2C 거래에 활용되고 그에 따라 서비스 제공자와 고객이 좀 더 직접

적으로 소통할 수 있게 되어 가치네트워크의 복잡성이 줄어들고 가치

가 효율적으로 최종 소비자에게 전달될 수 있다고 강조하였다. Vaz et

al.(2015)은 공항 시스템 관련 이해관계자를 설정하고 이해관계자 간

주고받는 가치를 연결중심성 분석을 통해 여행자가 공항시스템 가치네

트워크에서 중심이 되는 주체임을 강조하였다. Donato et al.(2017)는

Greater ABC 지역의 다양한 산업체들의 가치 공동창출(value co-creation)

152

관계에 대해서 가치네트워크 분석을 실시하였다. 그들은 총 34개 기업

에 대하여 각각의 기업이 다른 기업들과 어떠한 관계에 있는지 파악하

기 위해 기업 보고서와 기업 홈페이지를 통해 문헌분석을 하였고 그

분석 결과를 토대로 기업 의사 결정자들을 대상으로 준구조적 면접

(semi-structured interview)을 실시하였다. 그 결과를 바탕으로 가치네

트워크를 구성하였고 사회네트워크 연결, 근접, 매개 중심성 분석을 통

해 어떤 기업이 가치 공동창출 관계 네트워크에서 높은 중심성을 가지

는지 분석하였다. Badi et al.(2017) 중국의 관계마케팅(relationship

marketing)에 해당하는 꽌시(Guanxi) 문화가 기업 소유주와 비즈니스

이해관계자 간 네트워크에 어떤 영향을 주는지 분석하였다. 그들은 총

4개의(2개는 신생기업, 2개는 기존회사) 건설 업종 기업들에 대해 분

석하였고, 각각의 기업 소유주와 거래관계에 있는 이해관계자 간 관계

의 강도를 설문을 통해 조사하였다. 이를 바탕으로 총 4개의 가치네트

워크를 구축하였고, 사회네트워크 분석을 통해 각각의 네트워크의 밀

도와 연결 중심성을 분석하였다.

3. 연구 방법

3.1. 데이터 수집

본 연구는 디지털화가 전력산업과 석유가스 산업체들에 미치는 영향

을 다룬 전문기관 리포트와 논문을 수집하고, 주로 이해관계자의 역할,

책임을 논의하고 있는 부분을 중점적으로 살펴보았다. 전력산업과 관

련해서는 40개의 문헌, 석유가스 산업과 관련해서는 30개의 문헌을 검

토하였다. 세부적으로 디지털화와 그에 따른 산업 이해관계자들의 역


할변화를 함께 명시하고 있는 단락을 추출하였고 한 문서에서 평균적

으로 3개의 단락을 발췌하였다. 그런 다음 추출한 단락을 분석의 기본

단위로 하여 이해관계자별 역할변화를 기술하고 있는 단원을 키워드로

요약하였다. 이후 요약된 키워드와 그 주체를 분석의 대상이 되는 노

드로 각각 설정하고 사회 네트워크 분석을 실시하였다. 전력산업과 석

유가스 산업의 이해관계자와 그 이해관계자별 역할 키워드가 서로 연

결되도록 네트워크 그래프를 구조화하였으며, 이해관계자 간 공통된

역할 키워드를 공유할 때도 서로 연결되게 하였다. 다음 단계로 본 연

구의 주된 목적인 전력산업 및 석유가스 산업 이해관계자들의 가치창

출 활동 간 영향관계를 좀 더 세부적으로 분석하기 위해, 이해관계자

의 역할만을 노드로 설정하여 사회네트워크 분석을 실시하였다. 가치

네트워크가 어떻게 구성되어 있는지 직관적으로 알아볼 수 있게 사회

네트워크 분석을 통해 시각화 작업을 하였으며, 정량적 분석을 통해

전력산업과 석유가스 산업의 전체 네트워크 구조를 파악하고 중심이

되는 역할이 무엇인지 분석하였다.

3.2. 사회연결망분석(Social Network Analysis)

사회네트워크 관점에서 각각의 개체는 독립적이지 않고 서로 상호작

용하며 그 양상은 연결선으로 표현된다(Wasserman & Faust, 1994).

네트워크를 구성하는 개체는 참여자(actor), 점(vertex), 노드(node) 등

으로 불리며 노드 간 연결관계는 엣지(edge), 링크(link) 등으로 불린

다. 서로 다른 노드와 연결선이 모여서 하나의 네트워크를 형성하고,

네트워크 안에서 한 참여자의의 작용은 다른 참여자에게 영향을 미친

다. 네트워크를 구성하는 노드의 중요성을 분석하고 전체 네트워크 속

154

성을 분석하는 사회네트워크 분석은 여러 사회 구성원과 그들 사이 관

계를 체계적으로 네트워크화하고 그래프화한다.

네트워크를 구성하는 개체는 연구 주제나 목적에 따라 달라질 수 있

다(Freeman, 2004). 신경과학(neuroscience)에서는 뇌를 구성하는 개체

인 뉴런(neuron)이 노드로 설정된다(Arbib, 1995). 기업 분석에서는 산

업을 구성하는 기업이 노드가 되고, 네트워크를 통해 비즈니스 생태를

분석한다(Anderson et al., 1994). 정보시스템 분야에서는 문헌 정보 데

이터베이스에 사회네트워크 분석을 적용하여 저자 간 공동 작업 관계

를 분석하여 영향력 있는 연구자를 분석한다(Otte & Rousseau, 2002).

사회학 분야에서는 사회 구성원 간 정보와 지식의 흐름을 사회네트워

크로 분석하여 어떤 요소가 정보와 지식의 흐름을 촉진시키고 저해하

는지 연구하였다(Borgatti et al. 2009; Serrat, 2017).

연구자 입장에서 사회네트워크 분석은 네트워크를 구성하는 개별 개

체의 중요성을 중심성 분석을 통해 계량적으로 파악할 수 있다는 점에

서 활용도가 높다. 이 장에서는 3장과 동일하게 연결중심성과 페이지

랭크 중심성을 중심으로 네트워크 노드의 중요성을 살펴보기로 한다.

4. 연구 결과

4.1. 전력 산업

본 연구는 전력산업 디지털화로 인한 전력산업 이해관계자들의 변화

된 역할에 대해 논의하고 있는 40개의 문헌을 수집하였고 그 결과 총

8종류의 이해관계자들에 대하여 총 110가지의 역할을 추출하였다. 분

석의 대상이 되는 이해관계자들은 소비자/프로슈머(C), 정책/규제 기관


(P), 전력회사(U), 발전사(G), 송전네트워크사업자(T), 배전네트워크사

업자(D), 소매업자(R) 그리고 신규진입자(N)를 포함한다. 이후 <표

4-1>의 이해관계자관련 약어에 따라 이해관계자를 지칭하도록 한다.

총 40개의 문서에서 추출된 110가지 역할은 [그림 4-1]에서 확인할 수

있듯이 총 14개의 범주로 묶었고, 이를 다시 4개의 대주제로 구분하였다.

C P U G T D R N

소비자/프로슈머

정책/규제

전력회사

발전사송전네트워크

사업자배전네트워크

사업자소매업자

신규진입자

<표 4-1> 전력산업 관련 이해관계자 약어


전력산업에서 소비자의 영향력이 증대됨에 따라 소비자들의 시장참

여를 촉진하고 그들에게 제공되는 서비스를 혁신해야 한다는 주장이

많았다. 또한 전력산업 디지털화로 5가지 가치(공정, 유연, 투명, 새로

움, 개방)들이 전력산업 시장에 확대되어야 함을 강조하였다. 그리고

무엇보다 전력산업의 디지털화로 디지털 인프라 및 역량 구축이 전력

산업 사업자들의 주요 가치창출 과제로 떠올랐고 이와 함께 전력산업

디지털화를 위한 인프라 및 제도적 기반 구축에 관한 역할들이 언급되

고 있다. 그리고 리스크 대응, 협력체계 강화, 유연한 규제체계 구축,

중요한 전통적 역할의 충실한 수행이 수반과제로 강조되었다.

156

[그림 4-1] 디지털전환을 위한 주요 과제


<표 4-2>부터 <표 4-5>는 총 110가지의 역할을 4개의 상위 주제와

각각의 주제에 따른 하위 주제로 분류한 뒤 8종류의 이해관계자별로

언급된 역할의 빈도수를 기록해 놓은 표이다. 이 때 각 역할에 고유번

호를 부여하였고 향후 편의를 위해 번호로 해당 역할을 지칭하도록 하

겠다.

먼저 ‘소비자 중심’ 관련 역할에서 소비자/프로슈머, 정책/규제 기관,

전력회사가 언급된 빈도수는 각각 12회, 11회, 17회로서 다른 이해관

계자들에 비해 높은 빈도수를 기록하였다. 소비자 관련 역할은 하위 3

가지 주제인 소비자 참여, 소비자 서비스 혁신, 소비자 보호로 분류하

였는데, 소비자 참여 관련 역할에 있어 소비자/프로슈머와 정책/규제

기관이 강조되었고 소비자 서비스 혁신 및 소비자 보호 주제에서는 전

력회사가 특히 강조되었다.


구분

범주

번호

역할 C P U G T D R N

소비자 중심

소비자 참여

1 소비자와 공급자 연결 - - - - - - 1 -

2 디지털 에너지 생태계 구축에 기여 2 - - - - - - -

3 직접 거래 참여 3 - - - - - - -

4 지역 또는 커뮤니티 에너지 시스템에 대한 지원책 마련

- 1 - - - - - -

5 소비자 주도 혁신 촉진 - - - 1 - - - -

6 배전비용을 줄이기 위한 분산자원 소비자-투자자 능력 촉진

- 1 - - - - - -

7소비자가 쉽게 에너지이용을 관리할

수 있도록 지원- - 3 - - - - -

8 정보 수집 1 - - - - - - -

9프로슈머 역시 다른 소비자들과 같이

네트워크 비용 지불- 1 - - - - - -

10 프로슈머의 역할 명확화 - 1 - - - - - -

11 가정 발전(home generation) 관리 - - - - - - 1 -

12 자가 사용을 위한 에너지 생산 2 - - - - - - -

13 청정 기술 및 혁신적 기술 구현의 촉진

3 - - - - - - -

14 추후 사용을 위한 에너지 저장 1 - - - - - - -

15 소비자의 시장 참여 지원 - 7 3 - - - 1 -

소계 12 11 6 1 0 0 3 0

소비자 서비스 혁신

16 소비자서비스 벤치마킹 및 운영지표에 디지털 요소 통합

- 1 - - - - - -

17 넓은 범위의 혁신적 서비스 제공 - - - - - - 1 -

18 저비용의 상용화된 제품 제공 - - - - - - 1 -

19 소비자에게 다양한 선택권과 직접제어 권한 제공

- - 1 - - - - -

20 고객 우려에 실시간으로 대응 - - 1 - - - 1 -

21 고객 맞춤형 서비스 - - 3 - - - 1 -

22 거주용, 상업용, 산업용 소비자 경험에 대한 간소화 및 재설계

- - - - - - - 1

<표 4-2> 소비자 중심관련 역할과 이해관계자별 언급된 빈도

158


시장 변화와 관련된 역할에서는 5가지의 가치 측면에서 시장 변화가

필요함을 강조하였다. 전체적으로 볼 때 정책/규제 기관, 배전네트워크

사업자의 빈도수가 많았다. 세부적으로 공정 가치의 측면에서 정책/규

제 기관은 11번 언급됨으로써 이 역할에 있어서 가장 많이 언급되었

다. 유연한 가치의 측면에서 배전네트워크 사업자의 관련 역할이 총

17번으로 가장 높은 빈도를 기록하였다. 투명 및 새로운 시장의 측면

에서 정책/규제 기관 및 전력회사가 밀접하게 언급되었으며 개방적 시

장의 측면에서는 정책/규제 기관이 언급되었다.

구분

범주

번호

역할 C P U G T D R N

23 넓은 범위의 최종 에너지소비 이해 - - 1 - - 1 - -

24 소비자 니즈 이해 - - 2 - - - 1 -

소계 0 1 8 0 0 1 5 1

소비자 보호

25시장성이 부족한 지역에 전력망

서비스 및 제품 제공- - 1 - - - - -

26 소비자 신뢰 구축 - - 1 - - - - -

27서비스 받지 못하는 특정 소비자

그룹 보호- - 1 - - - - -

28 개인 프라이버시 보호 - 2 - - - - - -

소계 0 2 3 0 0 0 0 0

총계 12 14 17 1 0 1 8 1


구분

범주

번호

활동 C P U G T D R N

시장 변화

공정한 시장

29 고객의 분산자원 가치를 정당하게 보상 - 1 - - - - - -

30 중립적이고 비차별적 형태로 분산자원 시장 발전 1 8 1 - - 8 - 1

31 공정경쟁 장 마련 - 1 - - - - - -

32 기존 전력망과 형평성 있게 마이크로그리드 규제 - 1 - - - - - -

소계 1 11 1 0 0 8 0 1

유연한 시장

33 배전단계에서 수급 변동성 균형 유지 - - 1 - - 1 - -

34 풍력 및 태양광 출력 예측력 제고 - - 1 - - - 1 -

35 유연하고 상호운용적인 인프라 구축 1 3 1 - - 1 - 1

36 디지털 기술을 사용한 재생에너지 및 분산발전 통합 - - - 2 - - - -

37 대량 발전소 운영자와 수요측 자산 운영자 간 연계 - - - - - 1 - -

38 도매 및 소매시장 참여자들 연계 - - - - - 1 - -

39 유연성 시장 발전 - 2 - - - - - -

40 중앙전력망에 연계된 마이크로그리드 관리 - - - - - 1 - -

41 분산자원 통합 관리 및 최적화 - - - - - 4 - -

42 분산자원을 통한 시장 기반 전력망 서비스 조달 - - - - - 4 - -

43 분산자원에 대한 민간 투자 최대화 - 1 - - - - - -

44 수급균형을 위한 유연성 제공 4 - - - - - - -

45 수요 유연성 제공 1 - - - - - - -

46 분산자원의 총가치 최적화 - - 2 - - 2 - -

47 효율화 수단을 통한 전력 이용 최적화 1 - - - - - - -

48 분산자원을 통한 피크 부하 관리 - - 2 - - 1 - -

49 분산자원을 고려한 전력시스템 계획 - 1 - - - - - -

50 분산자원 허용 절차 간소화 - 1 - - - - - -

51 분산형에너지원의 효율적인 보급 지원 - 1 - - - 1 - -

소계 7 9 7 2 0 17 1 1

<표 4-3> 시장 변화관련 역할과 이해관계자별 언급된 빈도

160

디지털 인프라 및 역량 구축관련 역할에서는 정책/규제 기관, 전력회

사, 발전사가 주로 논의되고 언급되었다. 디지털 인프라 구축과 관련하

여서는 정책/규제 기관이 총 8번의 빈도로 다른 이해관계자들에 비해

많은 빈도수를 기록하였으며 전력회사가 다음으로 높은 빈도수를 기록

하였다. 디지털활용 역량 강화 관련 역할에서는 전력회사, 발전사의 빈

도수가 높았다.

구분

범주

번호


투명한 시장

52 분산자원 투명성 및 가치창출 기회 확대 - 1 - - - - - -

53 투명한 분산형에너지 관리와 데이터 통합 - - 1 - - - - -

소계 0 1 1 0 0 0 0 0

새로운 시장

54 전력망에 잉여 에너지 전달 중개 - - - - - - 1 -

55 소규모 분산 발전소 통합을 통한 가상발전소 구축

- - 2 - - - - -

56 신규 플랫폼 서비스를 통한 수익 창출 - - 1 - - - - -

57 새로운 비즈니스 모델 수용 - - 1 - - - - 1

58 새로운 유형의 거래 허용 - 2 - - - - - -

59 신규 시장 촉진을 위한 장벽 제거 - 2 - - - - - -

60 네트워크 운영자에서 플랫폼 제공자로의 이동

- - - - - 2 - -

61 프로슈머 간 거래 지원 - - 1 - - 1 - -

소계 0 4 5 0 0 3 1 1

개방적 시장

62 소규모 기업들에 대한 진입 장벽 축소 - 1 - - - - - -

소계 0 1 0 0 0 0 0 0

총계 8 26 14 2 0 28 2 3



구분

범주

번호


디지털 인프라 및 역량 구축

디지털활용 인프라 구축

63 네트워크 수익모델 및 요금 채택 - 1 - - - - - -

64 데이터의 통합 - - 2 - - - - -

65 비에너지 관련 비용의 전력요금 전가 방지 - 1 - - - - - -

66 단계별 디지털 로드맵 구축 - - - 1 - - - -

67전력망 안정성 강화를 위한 소비자 행동

촉진에 도움되는 요금구조 설계- 1 - - - - - -

68 전력망의 디지털 유연화 - - - - 2 - - -

69 효율적인 기술 혁신 장려 - 2 - - - - - -

70 적절한 데이터 접근성 보장 - 1 - - - - - -

71블록체인의 설계 및 사양에 규제요구사항

반영- - - - - - - 1

72고급 분석 및 데이터 관리를 기반으로 한

의사결정- - 2 1 - - - -

73지속가능한 가격 및 경제적 효율성 모두를

위한 요금결정기준의 우선순위설정- 1 - - - - - -

74전체 에너지 수요에 대해 디지털화 영향

모니터링- 1 - - - - - -

75 최종소비자용 디지털 시스템 제공 - - - - - - 1 -

76 기업의 데이터 아키텍쳐 재구축 - - - 1 - - - -

소계 0 8 4 3 2 0 1 1

디지털활용 역량 강화

77디지털화된 데이터의 조사, 분석, 사용 관련

근로자 숙련도 향상- - - 2 - - - -

78 업무 및 프로세스의 자동화 - - 2 - - - - -79 고위 경영진의 지원 - - - 1 - - - -80 디지털 전문성 구축 - 1 - - - - - -81 데이터를 통한 부가가치 창출 - - - 1 - - - -82 디지털 전환 전략 개발 - - 1 - - - - -

83새로운 디지털 사고를 촉진하는 인적자본 및

개발 프로그램 투자- - 1 2 - 1 - -

84 네트워크의 보다 정밀한 사용 - - - - 1 1 - -85 시스템 전체 문제 해결을 위한 지역적 - - - - - 1 - -

<표 4-4> 디지털인프라 및 역량구축관련 역할과 이해관계자별 언급된 빈도

162


수반과제 관련 역할은 하위 4가지 주제인 리스크 대응, 협력체계 강

화, 유연한 규제, 전통적 역할 충실로 이루어져 있고 전체적으로 정책/

규제 기관이 가장 많이 논의되었다. 리스크 대응 주제에서는 발전사가

특히 많이 언급되었고, 협력체계 강화 및 유연한 규제 주제에서는 정

책/규제 기관의 역할이 가장 많이 논의되었다. 전통적 역할에서는 배전

네트워크 사업자가 주로 언급되었다.

구분

범주 번호 활동 C P U G T D R N

수반과제

리스크 대응

87 기대와 현실 간 균형 - - - 1 - - - -88 사이버 및 물리적 보안 위협 대응 - 3 1 3 - 1 - -89 전력회사 투자 위험 평가 - 1 - - - - - -90 기술진보 속도를 고려한 투자 - - - 1 - - - -91 전반적인 시스템 편익 고려 - 1 - - - - - -

92 기존 데이터 인프라의 단기 투자회수 사례 집중

- - - 1 - - - -

93 대규모 자본비용 투자 대신 관리가능한 월별 운영비용 형태로 전환

- - - 1 - - - -

94 낮은 에너지가격에 따른 비용감축 압박에 디지털 기술 활용

- - - 1 - - - -

95 실시간 데이터 활용을 통해 규제 및 정책 불확실성 대응

- - - 1 - - - -

소계 0 5 1 9 0 1 0 0

협력체계 강화

96 에너지, IT, 통신 관련 정책 조율 - 2 - - - - - -97 중앙정부와 지방정부 정책 조율 - 1 - - - - - -98 다학제적 시범사업 촉진 - 2 - - - - - -99 ICT에서 에너지부분으로의 혁신 이전 촉진 - 1 - - - - - -

<표 4-5> 수반과제 관련 역할과 이해관계자별 언급된 빈도수

구분

범주

번호


솔루션 제공

86디지털 기술의 이점을 살리는 방식으로

비즈니스 프로세스 재설계- - - 1 - - - -

소계 0 1 4 7 1 3 0 0 총계 0 9 8 10 3 3 1 1



[그림 4-2]의 2-mode 네트워크(이해관계자 + 역할범주)는 <표 4-2>

부터 <표 4-5>를 바탕으로 전력산업 이해관계자들과 역할의 상위 범

주를 네트워크의 노드로 설정하고, 이해관계자들이 역할들의 상위범주

들과 얼마나 많이 연결되어 있는가를 시각화하고 있다. 그림에서 이해

관계자가 얼마나 다양한 역할범주와 연계되어 있는지 보려면 각 이해

관계자에 연결된 연결선의 개수를 보면 되는데, 정책/규제 기관이 가장

많은 총 13개의 연결선을 가지고 있고, 소비자/프로슈머와 송전네트워

크 사업자가 가장 적은 4개의 연결선을 가지고 있다. 연결선의 굵기를

보았을 때 가장 연관성이 높은 이해관계자와 역할범주는 배전네트워크

사업자와 유연한 시장이다. 다음으로 소비자/프로슈머와 소비자 참여

가 연관성이 높았으며 정책/규제 기관과 협력체계 강화, 공정한 시장,

소비자 참여가 높은 연관성을 보인다.

구분

범주 번호 활동 C P U G T D R N

100 배전망운영자와 주요 신뢰관계 구축 1 - - - - - - -101 도시 관련 규제 함께 고려 - 1 - - - - - -102 다른 국가들의 경험 학습 - 1 - - - - - -103 배전사업자와 송전사업자 협력 강화 - - - - 2 4 - -104 다양한 이해관계자들과의 파트너십 1 4 2 - - - - 2105 산업간 협력 증진 - - - 1 - - - -106 송전시스템운영자에 무효전력 지원 제공 - - - - - 1 - -

소계 2 12 2 1 2 5 0 2

유연한 규제

107 안정적이면서도 유연한 규제 마련 - 1 - - - - - -108 정책 유연성 제고 - 1 - - - - - -

109 배전회사 통합의 잠재적 이익 고려 - 1 - - - - - -

소계 0 3 0 0 0 0 0 0전통적 역할 충실

110 전통적인 역할 제공 - - 1 - 1 3 - -

소계 0 0 1 0 1 3 0 0

소계 2 20 4 10 3 9 0 2

164

[그림 4-2] 2-mode 네트워크(이해관계자 + 역할범주)

주: 노드 동그라미 크기는 페이지랭크 중심성 기준자료: 저자 작성

[그림 4-3]의 1-mode 네트워크(역할)는 분석의 대상이 되는 110가지

의 역할들만 노드로 설정하여 네트워크로 시각화한 것인데, 전체 역할

중에서 가장 강조되고 있는 역할을 찾기 용이해진다. 먼저 이해관계자

와 그에 따른 역할을 노드로 2-mode 네트워크를 구축한 다음, 이해관

계자를 나타내는 노드를 생략하면 아래의 네트워크가 구축된다. 네트

워크를 구성하는 노드의 종류가 역할로 통일되어 있기에 사회네트워크

중심성 분석을 할 수 있는데 여기서 노드의 크기는 노드인 각 역할이

네트워크에서 가지는 중심성을 가중치로 적용한 결과이다. 노드와 노드

사이 연결선의 굵기는 연결된 두 개의 서로 다른 역할이 얼마나 많은


이해관계자들에 공유되는지를 나타낸다. 여기서는 한 노드의 중심성을

구하는 데 있어서 그 노드와 연결된 노드들의 중요도를 고려한 페이지

랭크 중심성을 척도로 네트워크 시각화한 것이다. 그 결과, 30번 역할

이 가장 높은 중심성을 기록하였고 15번, 104번이 뒤를 이었다. 순서

대로 30번과 15번, 30번과 104번 그리고 30번과 35번 역할이 가장 높

은 연관성을 기록하였는데 이는 많은 이해관계자들에 공유되었다는 의

미이다. <표 4-6>은 [그림 4-4]의 1-mode 네트워크의 중심성 분석 결

과표이다.

[그림 4-3] 1-mode 네트워크(역할)


166

연결 중심성(내림차순) 페이지랭크 중심성(내림차순)번호 중심성 번호 중심성 번호 중심성 번호 중심성88 1.651 7 0.514 30 0.073 67 0.00730 1.596 19 0.514 15 0.051 70 0.00735 1.596 25 0.514 104 0.035 73 0.007104 1.413 26 0.514 88 0.035 74 0.00715 1.303 27 0.514 35 0.029 80 0.00751 1.064 53 0.514 46 0.016 89 0.00783 0.991 55 0.514 83 0.016 91 0.00772 0.789 56 0.514 110 0.016 97 0.0074 0.752 64 0.514 21 0.015 99 0.0076 0.752 78 0.514 103 0.015 101 0.0079 0.752 82 0.514 41 0.014 102 0.00710 0.752 84 0.385 42 0.014 107 0.00716 0.752 103 0.385 7 0.013 108 0.00728 0.752 37 0.367 48 0.013 109 0.00729 0.752 38 0.367 72 0.013 57 0.00631 0.752 40 0.367 28 0.012 84 0.00632 0.752 41 0.367 39 0.012 5 0.00539 0.752 42 0.367 58 0.012 19 0.00543 0.752 60 0.367 59 0.012 25 0.00549 0.752 85 0.367 69 0.012 26 0.00550 0.752 106 0.367 96 0.012 27 0.00552 0.752 5 0.312 98 0.012 37 0.00558 0.752 36 0.312 24 0.011 38 0.00559 0.752 66 0.312 44 0.011 40 0.00562 0.752 76 0.312 51 0.010 53 0.00563 0.752 77 0.312 3 0.009 56 0.00565 0.752 79 0.312 13 0.009 66 0.00567 0.752 81 0.312 23 0.009 76 0.00569 0.752 86 0.312 33 0.009 79 0.00570 0.752 87 0.312 55 0.009 81 0.00573 0.752 90 0.312 61 0.009 82 0.00574 0.752 92 0.312 64 0.009 85 0.00580 0.752 93 0.312 78 0.009 86 0.00589 0.752 94 0.312 36 0.008 87 0.00591 0.752 95 0.312 60 0.008 90 0.00596 0.752 105 0.312 77 0.008 92 0.00597 0.752 2 0.220 2 0.007 93 0.00598 0.752 3 0.220 4 0.007 94 0.00599 0.752 8 0.220 6 0.007 95 0.005101 0.752 12 0.220 9 0.007 105 0.005102 0.752 13 0.220 10 0.007 106 0.005107 0.752 14 0.220 12 0.007 8 0.004108 0.752 44 0.220 16 0.007 14 0.004

<표 4-6> 역할 중심성 분석


주: 각 중심성 기준 내림차순자료: 저자 작성

<표 4-7>과 <표 4-8>은 연결중심과 페이지랭크 중심성별로 상위 3

개의 역할을 나열하고 각각의 상위 역할과 높은 연관성을 가진 5가지

의 역할을 가중치(weight) 기준 내림차순으로 정리한 표이다.

세부적으로 가중치는 역할이 행 그리고 이해관계자가 열로 각각의

이해관계자에 따른 역할 빈도수가 기록되어 있는 행렬에 그 전치행렬

을 곱한 결과 행렬의 요소 값이다. 그 결과 역할이 행과 열이 되는 정

방행렬이 되고 행렬 값은 서로 다른 2개의 역할이 얼마나 많은 이해관

계자들에 공유되는지를 뜻하며 그 값이 높을수록 전력산업의 디지털화

에서 그 두개의 역할이 서로 긴밀하게 연관되어 있음을 뜻한다.

먼저 <표 4-7>에서 확인할 수 있듯이 가장 높은 연결중심성을 기록

한 역할은 순서대로 88번, 30번, 35번이다. 88번 역할이 가장 많이 다

른 노드와 직접적으로 연결되어 있음을 의미한다. 가중치 관점에서는

88은 30번, 35번은 30번 역할과 높은 연관성을 기록하였고 30번 역할

이 15번 역할과 가장 높은 가중치를 기록하였다.

연결 중심성(내림차순) 페이지랭크 중심성(내림차순)번호 중심성 번호 중심성 번호 중심성 번호 중심성109 0.752 45 0.220 20 0.007 45 0.004110 0.734 47 0.220 29 0.007 47 0.00423 0.716 100 0.220 31 0.007 100 0.00433 0.716 1 0.184 32 0.007 1 0.00346 0.716 11 0.184 34 0.007 11 0.00348 0.716 17 0.184 43 0.007 17 0.00361 0.716 18 0.184 49 0.007 18 0.00320 0.624 54 0.184 50 0.007 54 0.00321 0.624 75 0.184 52 0.007 75 0.00324 0.624 22 0.092 62 0.007 22 0.00234 0.624 71 0.092 63 0.007 68 0.00257 0.551 68 0.055 65 0.007 71 0.002

168

상위역할 연관역할 가중치

(88) 사이버 및 물리적 보안 위협

대응

(30) 중립적이고 비차별적 형태로 분산자원 시장 발전

33

(15) 소비자의 시장 참여 지원 24

(104) 다양한 이해관계자들과의 파트너십 14

(35) 유연하고 상호운용적인 인프라 구축 11

(83) 새로운 디지털 사고를 촉진하는 인적자본 및 개발 프로그램 투자

8

(30) 중립적이고 비차별적 형태로

분산자원 시장 발전




(88) 사이버 및 물리적 보안 위협 대응 33

(41)분산자원 통합 관리 및 최적화 32

(35) 유연하고 상호운용적인 인프라

구축


35




(28) 개인 프라이버시 보호 6

<표 4-7> 연결중심성 기준 상위역할과 연관 역할

주: 가중치는 역할-역할 행렬의 요소 값으로 값이 클수록 상호관계가 긴밀자료: 저자 작성

한 노드의 중심성을 구함에 있어서 연결된 다른 노드들의 중심성을

동시에 고려한 페이지랭크 중심성 분석 결과는 <표 4-8>에 제시되어

있다. 순서대로 30번, 15번, 104번이 높은 중심성을 기록하였고 30번

역할과 연관된 다른 역할들은 모두 30이상의 높은 가중치를 기록하였

고 30번과 15번 역할이 높은 연관성을 보였다. 다음으로는 30번과 104

번 역할이 뒤따랐다.


상위역할 연관 역할 가중치

(30) 중립적이고 비차별적 형태로

분산자원 시장 발전





(41)분산자원 통합 관리 및 최적화 32

(15) 소비자의 시장 참여 지원


59





(104) 다양한 이해관계자들과의

파트너십


37





<표 4-8> 페이지랭크 기준 상위역할과 연관 역할


[그림 4-4]는 이해관계자들만을 노드로 설정하여 구축한 네트워크를

시각화한 것이다. 노드의 크기는 개별 노드의 페이지랭크 중심성을 가

중치로 적용한 것이고 연결선의 굵기는 서로 다른 두 이해관계자가 얼

마나 많이 공통된 역할을 공유하고 있는지를 의미한다. 세부적으로 배

전네트워크사업자와 정책/규제 기관은 가장 많은 역할을 공유하고 있

고 다음으로 정책/규제 기관과 전력회사, 배전네트워크사업자와 전력

회사가 많은 역할을 공유하고 있다.

170

[그림 4-4] 1-mode 네트워크(이해관계자)


네트워크를 구성하는 개별 노드인 이해관계자들의 중심성 분석 결과

는 <표 4-9>에 정리되어있다. 이해관계자 네트워크에서 중심성분석 결

과 연결중심성이 가장 높은 이해관계자는 전력회사이고 다음으로 정책

/규제 기관과 배전네트워크 사업자이다. 페이지랭크기준으로는 가장

높은 중심성을 지닌 이해관계자는 정책/규제 기관이고 다음으로 배전

네트워크 사업자, 전력회사이다.


이해관계자 연결중심성 페이지랭크

정책/규제 1.714 0.295

배전네트워크사업자 1.714 0.238

전력회사 2 0.18

신규진입자 1.143 0.081

소비자/프로슈머 1.143 0.069

발전사 0.857 0.052

소매업자 0.571 0.046

송전네트워크사업자 0.571 0.039

<표 4-9> 이해관계자 중심성 분석

주: 페이지랭크 중심성 기준 내림차순 정렬자료: 저자 작성

[그림 4-5]는 이해관계자 역할의 상위 범주들만을 노드로 설정하여

네트워크를 구성한 결과이다. 총 14개의 역할범주를 노드로 설정하고

노드의 크기는 페이지랭크를 가중치로 조절한 것이다. 역할범주 간 연

결선은 서로 다른 역할범주가 다수의 이해관계자들에게 공유될수록 굵

게 설정된다. 세부적으로 공정한 시장과 유연한 시장이 가장 많은 이

해관계자들에 의해 함께 언급되는 역할범주이고 유연한 시장과 소비자

참여, 유연한 시장과 협력체계 강화가 다음으로 많은 이해관계자들에

의해 공유되는 역할범주이다.

172

[그림 4-5] 1-mode 네트워크(역할범주)


네트워크를 구성하는 개별 노드인 역할범주들의 중심성 분석 결과는

<표 4-10>에 정리되어 있다. 역할범주 네트워크에서 중심성분석 결과

연결중심성은 대부분의 역할범주가 비슷하였고 전통적 역할 충실의 역

할 범주가 가장 낮은 연결중심성을 기록하였다. 페이지랭크 기준으로

유연한 시장이 가장 높은 중심성을 기록하였고 다음으로 소비자 참여,

협력체계 강화, 공정한 시장이 뒤를 이었다.


범주 연결중심성 페이지랭크

유연한 시장 2.000 0.159소비자 참여 2.000 0.122협력체계 강화 2.000 0.121공정한 시장 2.000 0.115

디지털활용 인프라 구축 2.000 0.089새로운 시장 2.000 0.073리스크 대응 2.000 0.067

디지털활용 역량 강화 2.000 0.059소비자 서비스 혁신 2.000 0.056

소비자 보호 2.000 0.038유연한 규제 1.846 0.032

전통적 역할 충실 1.692 0.027투명한 시장 2.000 0.022개방적 시장 1.846 0.018

<표 4-10> 역할범주 중심성 분석


4.2. 석유가스 산업

디지털화에 따라 석유가스 산업의 나아가야 할 방향에 관한 문헌들

을 수집하고 각 이해관계자들의 역할을 검토하였다. 수집결과 총 30개

의 문헌을 수집하였고, 8개 이해관계자와 32개의 역할을 확인하였다.

석유가스 산업의 주요 이해관계자로는 일반적으로 석유가스 기업을

아우르는 석유가스 기업(O&G), 석유가스 채굴 및 생산에 집중하는 상

류기업(U), 석유가스 수송 부문의 중류기업(M), 정제 및 판매 부문의

하류기업(D), 석유가스 산업 장비 및 서비스를 제공하는 자원개발 서

비스기업(S), 데이터 수집 및 분석 역량을 기반으로 데이터서비스를 제

공하는 데이터분석기업(A), 투자자(I), 정책/규제 기관(P)을 선정하였다.

174

O&G U M D S A I P

석유가스기업

상류기업 중류기업 하류기업자원개발서비스기업

데이터분석기업

투자자 정책/규제

<표 4-11> 석유가스 산업 관련 이해관계자 약어


이해관계자 역할 기준으로는 총 32개의 역할을 확인하였는데, <표

4-12>와 같이 이 역할들을 총 12개의 범주로 분류하였고, 이를 다시

8개의 상위주제로 구분하였다. 범주 차원에서는 ‘디지털 인프라 구축’과

‘디지털 활용 역량 강화’가 가장 많은 빈도수를 보였다. 그리고 이해관

계자 차원에서는 포괄적으로 석유가스기업(O&G)을 대상으로 디지털

전환 대응 전략을 논의하는 연구가 많았다.

구분 범주번호

역할 O&G U M D S A I P

개방형 혁신

1 개방형 플랫폼 솔루션 개발 - 1 - - - - - -2 신생기업 장려 - - - - - - - 13 혁신생태계 활성화 - - - - - - - 1

총합 0 1 0 0 0 0 0 2

고객서비스 혁신

4 결과 기반 비즈니스모델 개발 - - - - 1 - - -

5 고객 맞춤형 솔루션 제공 - - - - 1 - - -

6 디지털 고객 니즈 충족 - - - 1 - - - -

총합 0 0 0 1 2 0 0 0

기술 개발 및 표준화

7 글로벌 데이터 표준 개발 1 - - - - - - 2

8 기초기술 개발 지원 - - - - - - - 1

9 테스트베드 활성화 1 - - - - - - -

총합 2 0 0 0 0 0 0 3

기술 신뢰 확보

10 신규 기술에 대한 신뢰 확보 - - - - 1 - - -

총합 0 0 0 0 1 0 0 0

<표 4-12> 석유가스 산업 역할과 이해관계자별 언급된 빈도



구분 범주번호

역할 O&G U M D S A I P

디지털 역량 강화

디지털 수용 문화

11 혁신 및 기술수용 문화 장려 3 4 1 2 - - - -

소계 3 4 1 2 0 0 0 0

디지털 인프라 구축

12 고위경영진 지원 5 3 1 - - - - -13 데이터아키텍쳐 재구성 3 1 - 1 - - - -14 인력 양성 및 개발 투자 7 3 1 1 - - - -

15핵심 비즈니스시스템에 디지털솔루션 통합

3 2 - 2 - - - -

소계 18 9 2 4 0 0 0 0

디지털 활용 역량 강화

16 경영 전 부문 가시화 1 - - - - - - -17 데이터를 통한 가치 창출 - - - 1 - 2 - -18 데이터분석 역량 강화 - - - - 1 - - -19 비즈니스프로세스 재설계 4 3 1 1 1 - - -20 새로운 데이터기술력 확보 - - - - 1 - - -21 체계적 접근 2 - - - - - - -

소계 7 3 1 2 3 2 0 0

디지털화 이해 증진

22 공유경제 플랫폼 이해 1 - - - - - - -

23 디지털화 영향 이해 4 - - - - - - -

24 전사적 디지털 비전 형성 1 - - - - - - -

소계 6 0 0 0 0 0 0 0

디지털화 지속성 유지

25 디지털전략에 대한 장기적 시각 - 1 - - - - - -

26 지속적 디지털화 추진 - 2 - - - - - -

소계 0 3 0 0 0 0 0 0

총합 34 19 4 8 3 2 0 0

리스크대응

27 기대와 니즈 간 균형 유지 1 3 - - 2 - - -28 디지털화 노력의 가치 회수 - - - - - - 1 -29 사이버위협 대응 3 - - - - - - 1

총합 4 3 0 0 2 0 1 1

명확한 규제30 명확한 규제 프레임워크 구축 - - - - - - - 1

총합 0 0 0 0 0 0 0 1

협력체계 구축

31 전문투자자들과 협력 - - - - - - 1 -

32 산업간 협력 강화 2 2 2 1 - - - 1

총합 2 2 2 1 0 0 1 1

176

[그림 4-6]은 석유가스 산업 이해관계자와 각 역할의 관계를 표현한

행렬을 바탕으로 역할-역할 행렬을 만들고 다시 역할 네트워크를 그린

것이다. 총 32개 역할 중에서 약 10개 정도가 네트워크 중심에 위치해

있음을 확인할 수 있다.

[그림 4-6] 1-mode 네트워크(역할)


세부적으로 어떤 역할이 중심성이 높은지를 보여주기 위해 <표

4-13>에 역할별 중심성 수치를 제시하였다. 연결중심성 차원에서는

(19번) 비즈니스프로세스 재설계, (32번) 산업간 협력 강화, (27번) 기

대와 니즈 간 균형 유지 등이 높게 나타났고, 페이지랭크 중심성 차원

에서는 (14번) 인력 양성 및 개발 투자, (19번) 비즈니스프로세스 재설

계, (12번) 고위경영진 지원 등이 높게 나타났다.


연결중심성(내림차순) 페이지랭크 중심성(내림차순)

번호 중심성 번호 중심성

19 1.613 14 0.10532 1.548 19 0.08427 1.484 12 0.08314 1.290 11 0.07511 1.290 15 0.06115 1.290 32 0.05513 1.290 27 0.05129 1.226 13 0.0517 1.226 23 0.05112 1.161 29 0.04623 0.968 28 0.03121 0.968 31 0.0319 0.968 21 0.02916 0.968 7 0.02822 0.968 26 0.01924 0.968 9 0.01726 0.645 16 0.0171 0.645 22 0.01725 0.645 24 0.0176 0.452 1 0.01217 0.452 25 0.0124 0.387 4 0.0115 0.387 5 0.01110 0.387 10 0.01118 0.387 18 0.01120 0.387 20 0.0112 0.387 2 0.0103 0.387 3 0.0108 0.387 8 0.01030 0.387 30 0.01028 0.065 6 0.00831 0.065 17 0.008

<표 4-13> 역할 중심성 분석

주: 각 중심성 기준 내림차순 정렬자료: 저자 작성

178

[그림 4-7]은 이해관계자-역할 행렬에서 이해관계자-이해관계자 행렬

을 만든 뒤 네트워크 구조로 전환한 것이다. 전반적으로 일반 석유가

스 기업들과 상류기업들의 디지털전환 전략이 많이 언급되어 일반 석

유가스기업과 상류기업의 노드 크기가 크면서 둘 노드의 관계가 밀접

하게 나타났다.

[그림 4-7] 1-mode 네트워크(이해관계자)


<표 4-14>는 [그림 4-7]의 내용을 중심성 차원에서 보다 구체적으로

표현하고 있다. 연결중심성 차원에서는 하류기업이, 페이지랭크 중심

성 차원에서는 일반 석유가스기업이 높은 중심성 수치를 보였다.

이해관계자 연결중심성 페이지랭크 중심성석유가스기업 1.667 0.310상류기업 1.667 0.275하류기업 2.000 0.153중류기업 1.667 0.118

자원개발서비스기업 1.333 0.053정책/규제 1.333 0.044

데이터분석기업 0.333 0.025투자자 0.000 0.021

<표 4-14> 이해관계자 중심성 분석



[그림 4-8]은 역할범주들을 1-mode 네트워크로 표현한 그림이다. 그

림으로 쉽게 알 수 있듯이 ‘디지털 인프라 구축’이 가장 강한 영향력을

나타내고 있다. ‘디지털 인프라 구축’과 함께 전반적으로 중시되고 있

는 역할범주에는 ‘디지털 활용 역량 강화’, ‘리스크 대응’, ‘디지털 수

용 문화’, ‘디지털화 이해 증진’ 등이 포함된다.

[그림 4-8] 1-mode 네트워크(역할범주)


180

<표 4-15>는 [그림 4-8]에서 보여준 역할범주들의 중심성을 연결중

심성과 페이지랭크 중심성으로 구분하여 보여주고 있다. 연결중심성에

서는 ‘리스크 대응’이 가장 많은 연결선을 보유하고 있었으나 함께 연

결된 노드들의 위상을 함께 고려한 페이지랭크 중심성 차원에서는 ‘디

지털 인프라 구축’이 상대적으로 큰 격차로 높은 중심성을 보였다.

범주 연결중심성 페이지랭크 중심성

디지털 인프라 구축 1.636 0.266

디지털 활용 역량 강화 1.818 0.160

리스크 대응 2.000 0.115

디지털 수용 문화 1.636 0.103

디지털화 이해 증진 1.091 0.097

협력체계 구축 1.818 0.076

기술 개발 및 표준화 1.455 0.056

디지털화 지속성 유지 1.091 0.039

개방형 혁신 1.455 0.031

고객서비스 혁신 1.091 0.024

명확한 규제 0.727 0.016

기술 신뢰 확보 0.545 0.016

<표 4-15> 역할범주 중심성 분석


<표 4-16>은 연결중심성 기준으로 중심성 수치가 높은 상위 3개의

역할과 그 역할과 관련성이 높은 역할들을 함께 제시하고 있다. 상위

3개 역할 모두 ‘인력 양성 및 개발 투자’와 관련성이 가장 높게 나타났

는데, 3개 상위 역할에 관여된 이해관계자들이 ‘인력 양성 및 개발 투

자’ 관련 이해관계자와 가장 유사하다는 의미이기도 하다.



(19) 비즈니스프로세스

재설계

(14) 인력 양성 및 개발 투자 39

(12) 고위경영진 지원 30

(11) 혁신 및 기술수용 문화 장려 27

(15) 핵심 비즈니스시스템에 디지털솔루션 통합

20

(32) 산업간 협력 강화 17

(32) 산업간 협력 강화




(19) 비즈니스프로세스 재설계 17


12

(27) 기대와 니즈 간 균형 유지






9

<표 4-16> 연결중심성 기준 상위 역할과 연관 역할


<표 4-17>은 페이지랭크 중심성 기준으로 중심성 수치가 높은 상위

3개의 역할과 그 역할과 관련된 역할을 보여주고 있다. 페이지랭크 중

심성 차원에서는 ‘인력 양성 및 개발 투자’가 특히 강조되었는데, 그

역할과 연관성이 가장 높은 역할은 ‘고위경영진 지원’이다. 이 두 역할

모두 일반 석유가스 기업, 상류기업, 중류기업에서 강조된 역할들로 함

께 연결되어 있다.

182


(14) 인력 양성 및 개발 투자





29

(23) 디지털화 영향 이해 28

(19) 비즈니스프로세스 재설계





20

(32) 산업간 협력 강화 17

(12) 고위경영진 지원





21

(23) 디지털화 영향 이해 20

<표 4-17> 페이지랭크 기준 상위 역할과 연관 역할




5.1. 전력 산업

디지털화에 따른 전력산업 이해관계자의 가치창출 활동을 입력데이

터로 활용해 네트워크 분석을 시도하였다. 그 결과 각 이해관계자별 어

떤 역할이 강조되고 있는지 보다 입체적으로 확인할 수 있었다. 만약

특정 이해관계자별 역할 중 어떤 것들이 문헌에서 강조되고 있는지에

만 초점을 맞춘다면 이해관계자별 주요 역할을 나열식으로 보여주는

것에 머물게 된다. 그러나 본 연구에서는 각 역할에 네트워크 중심성

지수를 부여하고, 동시에 특정 역할은 주로 어떤 역할과 연결되어 있는

지를 확인하였다. 물론 본 연구에서 보여주는 이해관계자별 역할 간 관

계가 명료하게 어떤 역할과 다른 역할 간 직접적인 관계를 의미하는

것은 아니다. 본 연구에서 보여주는 이해관계자별 역할 간 관계는 이해

관계자의 네트워크 노드(node)를 생략하면서 형성되는 역할과 역할 간

관계이다. 즉, 직접적인 관계라기보다는 이해관계자를 매개체로 하는

간접적인 관계에 해당한다. 그러나 그 네트워크 상 연결된 관계가 이해

관계자 역할들의 직접적인 주종 또는 인과관계가 아닐지라도, 공통의

이해관계자를 토대로 연결된 상관관계로서 네트워크 상 직접 연결되지

않은 관계들보다는 밀접할 가능성이 높다.

전력산업과 관련하여 이해관계자별 역할 중에서 중심성이 높게 나온

역할들을 살펴보면 다음과 같다. 연결 중심성(degree centrality) 기준으

로 “(88번) 사이버 및 물리적 보안 위협 대응”이 가장 높은 수치를 보였

다. 디지털화에 따른 에너지산업의 보안(security) 문제는 지속적으로 강

조되고 있다(OECD, 2012; IEA, 2017; Deloitte, 2018; Peterson-Sturm,

184

2019). 디지털화에 따른 에너지인프라의 보안 취약성 중 가장 심각한

문제는 사이버해킹 문제이다(Campbell, 2011; DOE, 2011; ISGAN,

2012; Haidar et al., 2015). 딜로이트의 유틸리티 기업 대상 설문결과에

따르면, 사이버보안 문제는 2015년에 유틸리티가 직면한 가장 중요한

문제 중 6위로 평가받았지만, 2017년에는 1위로 상승하였다(Deloitte,

2018). 보안 위협 문제는 정책/규제 기관과 발전회사 차원에서 두드러

지게 강조되었는데, 보안 위협에 대응하는 기술표준 및 규제 구축이 중

시되고 있고 발전소의 디지털화에 따른 보안 위협 대응이 더욱 중요해

지고 있음을 시사한다.7)

다음으로 “(35번) 유연하고 상호운용적인 인프라 구축”이 연결 중심

성 지수 기준에서 함께 강조되고 있다(OECD, 2012; Smartgrids, 2016;

WEF, 2017a). 이 역할은 소비자, 정책/규제 기관, 전력회사, 배전회사,

신규 진입기업 등에 함께 부여되고 있다. 특정 이해관계자의 역할이 아

니라 기존 에너지공급자, 신규 서비스 기업, 소비자, 정책 및 규제 기관

이 함께 참여해야 할 역할이라는 것이다.

(88번)과 (35번) 역할은 특히 “(30번) 중립적이고 비차별적 형태로

분산자원 시장 발전” 역할과 연결 정도가 두드러지게 강하다. 이 (30

번) 역할 역시 (35번) 역할과 동일하게 소비자, 정책/규제 기관, 전력회

사, 배전회사, 신규 진입기업의 역할로서 강조되고 있다. 그러나 이해

관계자 중에서도 정책/규제 기관과 배전회사의 역할로서 더욱 강조된다.

7) 일반적으로 알려진 발전소 해킹 사례는 2010년 이란 원전 공격, 2014년 한국 월성원전 공격, 2016년 독일 RWE의 Gundremmingen 발전소 공격 등이다. 그러나 사이버해킹 공격은 기존 발전소뿐만 아니라 가스관, 석유사업자, 배전망, 풍력발전기 등 다양한 영역에 걸쳐 있다. 에너지 인프라에 대한 사이버공격 사례를 보다 풍부하게 살펴보려면 Ecosys가 2018년 유럽집행위원회에 제출한 보고서(Ecofys (2018). Study on the Evaluation of Risks of Cyber-Incidents and on Costs of Preventing Cyber-Incidents in the Energy Sector, European Commission, pp.112-119.)를 참조하기 바란다.


정책/규제 기관 입장에서는 분산자원 시장 참여자들이 공정하게 경쟁

할 수 있는 환경을 만들어야 하고, 배전사업자들은 자신들이 보유한

네트워크에 대한 접속에서 차별성을 제거해야 한다는 것이다(Corneli

& Kihm, 2015; Eurelectric, 2016; WEF, 2017a; IRENA, 2019).

이 “(30번) 중립적이고 비차별적 형태로 분산자원 시장 발전”은 연결

중심에서도 세 번째로 높은 중심성을 가지고 있는데, 페이지랭크 중심

성에서는 첫 번째로 높은 중심성을 보이고 있다. 페이지랭크는 얼마나

많은 노드들이 자신과 연결되어 있는 것뿐만 아니라 네트워크상에서

중요한 노드와 연결된 정도까지 함께 고려된 지수로서 사실상 네트워

크 내에서 위상을 대변하는 데 적합한 지수이다. 이에 (30번) 역할은

전력산업 내 이해관계자 역할들 중에서 가장 위상이 높다고 할 수 있다.

이 (30번) 역할과 관련성이 높은 역할에는 “(15번) 소비자의 시장 참

여 지원”이 자리 잡고 있다. 역할 (15번)이 중요한 역할로 강조되고 있

다는 것은 에너지산업에서 빠르게 영향력이 증대되고 있는 소비자 및

프로슈머의 위상을 보여주는 것이다. 앞서 강조하였듯이, 소비자들이

생산자로 변모하고 있고, 자신들이 생산하고 저장하고 절감한 에너지자

원들이 에너지시장에서 거래되고 계통안정성 유지에 활용됨으로써 에너

지산업의 주요 이해관계자로 발전하고 있다(Accenture, 2014; Eurelectric,

2015; ITU, 2017; avanade, 2017; Diestelmeier, 2019). 이 역할의 주요

주체로는 정책/규제 기관과 전력회사로 확인되었다. 특히, 정책/규제 기

관이 정책 및 규제 차원에서 소비자나 프로슈머가 에너지시장에 참여

할 수 있는 기반을 제공해야 하며, 시장참여 기회와 함께 적절한 의무

를 함께 부여해야 함을 강조하고 있다.

“(104번) 다양한 이해관계자들과의 파트너십”도 페이지랭크 중심성

에서 강조되고 있는 역할 중 하나인데, 디지털화와 분산자원 보급 확

186

대에 따라 다양한 산업 관계자가 참여하게 되면서 산업 간 협력 강화

가 중요한 역할로 언급되고 있다(DOE, 2015; McKinsey & Company,

2016a; WEF, 2016; WEF, 2017a).

본 연구에서는 이해관계자 역할들의 중심성뿐만 아니라 이해관계자

와 역할 범주들의 중심성도 함께 살펴보았다. 이해관계자 중심성을 먼

저 살펴보면 페이지랭크 중심성 기준에서는 정책/규제 기관의 중심성

이, 연결중심성면에서는 전력회사의 중심성이 가장 강하게 나타났다.

그리고 배전네트워크사업자 역시 중심성이 높게 나타났다. 전력산업의

디지털 전환에 따라 정부 및 규제기관과 전력회사가 수행해야 할 일이

다른 이해관계자의 일들보다 그 중요도가 높게 인식되고 있는 것이다.

그리고 배전네트워크 사업자는 디지털기술을 통해 빠르게 확산되는 분

산자원을 효과적으로 통합하고 분산자원의 효용을 최대화하는 노력을

기울이면서 공정한 시장 형성에도 적극 기여해야 함을 보고서 및 논문

들은 강조하였다.

역할 범주의 중심성에서는 페이지랭크 중심성 기준으로 유연한 시장

의 네트워크 위상이 가장 높았고, 소비자 참여, 협력체계 강화, 공정한

시장 등이 높은 중심성을 차지하였다. 앞서 살펴본 이해관계자 역할별

해석과 유사하게 받아들일 수 있는데, 분산자원 유입에 효율적으로 대

응할 수 있는 유연성 자원 시장의 발전이 요구되고 있고, 이와 동시에

소비자의 역할 강화로 인한 소비자 참여요구 증대, 사업자간 공정한 경

쟁, 다양한 이해관계자들의 협력 증진이 핵심 과제로 인식되고 있었다.

5.2. 석유가스 산업

석유산업은 전력산업과 달리 분산자원 보급이 주요 트렌드가 아니라


분산자원과 관련된 역할은 강조되지 않았다. 대신 디지털화에 더욱 초

점이 맞춰졌다고 볼 수 있는데, 디지털 역량 강화, 협력체계 구축, 개방

형 혁신, 고객서비스 혁신, 리스크 대응 등이 강조되었다.

석유가스 산업 이해관계자 역할들을 살펴보면 연결중심성 차원에서

“(19번) 비즈니스 프로세스 재설계”가 가장 높은 중심성을 보여줬고,

페이지랭크 중심성 차원에서는 “(14번) 인력 양성 및 개발 투자”가 중

요성이 높았다. 주목할만한 점은 “(19번) 비즈니스 프로세스 재설계”는

페이지랭크 중심성에서도 높은 위치를 차지하는가 하면 “(14번) 인력

양성 및 개발 투자”와도 밀접한 관계가 있다는 것이다.

“(19번) 비즈니스 프로세스 재설계”는 일반 석유가스 기업, 상류, 중

류, 하류 부문 기업, 장비 및 서비스 기업 전반에 걸쳐 중요한 과제로

인식되고 있었다(유학식 & 박기현, 2017; Accenture, 2017; Areva,

2018; Siemens, 2018; OGJ, 2018; The Harvey Nash/KPMG, 2018;

Breidenthal et al., 2018; Slaughter et al., 2018; King, 2019; Samoun

et al., 2019). 디지털화 전략과 비즈니스가 별개로 존재하는 것이 아니

라 상호 유기적으로 연결될 수 있도록 하는 노력이 석유가스 산업에서

는 매우 중요한 과제로 받아들여지고 있는 것이다. 이 (19번) 역할과

함께 “(14번) 인력 양성 및 개발 투자”가 함께 연계되어 강조되고 있

다(Accenture, 2017; Areva, 2018; The Harvey Nash/KPMG, 2018;

Slaughter et al., 2018; Turner, 2018; Samoun et al., 2019; Mittal, et

al., 2019; EY, 2019; PWC, 2019; i-SCOOP, 2019). 즉, 디지털화를 통

해 부가가치를 창출할 수 있는 역량은 인력에서 비롯되기 때문에 데이

터 가공 및 분석 역량을 지니고 있는 디지털 인재 육성이 함께 강조된

것으로 해석된다. 한편, 이 (14번) 역할은 “(12번) 고위 경영진 지원”과

관련성이 높다. (12번) 역할은 일반 석유가스 기업에서 강조되면서도

188

상류 부문 기업들의 역할에서 특히 강조되었다. 석유가스 부문에서 디

지털화가 꾸준히 진행되고 있을지라도 아직 그 효과에 대한 공감대가

산업 전반에 걸쳐 완전하게 형성되어 있다고 보기 어렵다. 이에 디지

털화 추진에 대한 고위 경영진의 지원이 있을 때 보다 디지털화가 속

도를 낼 수 있고, 필요 인재 확보에도 투자를 늘릴 수 있을 것이다

(Accenture, 2017; Slaughter et al., 2018; EY, 2019; Samoun et al.,

2019).

한편, “(32번) 산업간 협력 강화”와 “(27번) 기대와 니즈 간 균형 유

지”도 연결중심성이 높게 나타나고 있다. (32번) 역할은 전력산업과 마

찬가지로 디지털화에 따라 다양한 역량의 결합이 요구되면서 이종 산

업간 협력이 디지털 전환을 용이하게 한다는 점을 강조하고 있다

(WEF, 2017a; Siemens, 2017; Breidenthal et al., 2018; implico,

2018). (27번) 역할은 기업이 디지털 역량 강화 및 인프라 구축에 투자

함에 있어 지나치게 장밋빛 전망에 취해서는 안 되고, 실제 수요에 맞

춰 적정 투자를 해야 함을 지칭하고 있다(WEF, 2017a; Slaughter et

al., 2018, Breidenthal et al., 2018; Samoun et al., 2018). 또한, 포괄적

시각에서 투자 대비 효과를 진단하고 디지털화의 가시적 효과들에 대

한 정보를 풍부하게 확보해야 함을 시사한다.

이해관계자 중심성 차원에서는 연결중심성 차원에서 하류 기업이 가

장 많은 노드와 연결되어 있었으나 네트워크 내 위상을 대변하는 페이

지랭크 중심성 차원에서는 일반 석유가스 기업, 상류기업, 하류 기업,

중류 기업 순으로 관심도 순위를 보였다.

이해관계자 역할의 범주별 중심성 차원에서는 연결중심성 측면서는

리스크 대응이, 페이지랭크 중심성 차원에서는 디지털인프라 구축이 중

심성이 높았다. 석유가스 산업 역시 디지털화에 따른 사이버보안 위협


이 증가하고 있는 현실에서 보안강화에 대한 요구가 높아졌고, 투자 대

비 효과 달성 차원에서 투자리스크 대응 역시 강조되었다. 디지털인프

라 구축은 기본적으로 디지털화를 위한 기술 투자, 인재 육성, 고위경

영진 지원과 같은 기본 인프라 구축 노력이 매우 중요한 과제로 인식

되고 있었음을 시사한다.

정책적으로는 신생기업 장려, 혁신생태계 활성화 등의 개방형 혁신

노력과 글로벌 데이터 표준 개발, 기초기술 개발 지원 등 기술 개발 및

표준화 노력이 강조되었다. 더불어 사이버위협 대응, 명확한 규제 프레

임워크 구축, 산업 간 협력 강화 부문에서 정부 및 규제기관의 역할이

강조되었다. 특히, 사이버보안과 관련해서는 디지털 기술 확산으로 보

안 위협이 지속 증가하면서 공공정책 차원에서도 가이드라인 마련, 보

안성 인증, 인력양성 관련 역할이 중시되고 있다.

제5장 에너지산업 디지털화 미래 신호 191

제5장 에너지산업 디지털화 미래 신호


에너지산업의 디지털화는 현재 깊숙이 진행 중이며, 앞으로도 지속

될 것이다. 본 연구의 앞부분 내용은 에너지산업의 가치사슬 변화가

디지털 기술 확산에 따라 어떻게 변해왔는가를 살펴보고, 동시에 산업

의 이해관계자별 역할은 무엇인가를 놓고 논의해왔다. 이러한 논의는

시기적으로 과거와 현재에 초점을 맞추고 있는데, 앞으로 지속적으로

디지털화가 진행된다고 본다면 미래에는 어떤 이슈가 떠오를 것인가를

함께 살펴보는 것도 의미가 있을 것이다.

이 장에서는 박찬국(2017)의 미래신호탐색 기법을 활용하여 약신호

중심으로 어떤 이슈가 부상할 가능성이 높은지를 확인하고자 한다. 미

래신호를 탐색하기 위해 에너지 부문 전문가들의 식견이 함축되어 있

는 국제저널의 초록을 최근 3년치 수집하였다. 그 초록들에 담긴 키워

드들을 바탕으로 현재 크게 부각되지는 않았지만 최근 3년간 증가율이

높은 키워드들을 살펴본다. 나아가 그 키워드의 해석을 용이하게 만들

기 위해 키워드와 문서 간 유사도 분석을 시행하여 해당 키워드와 가

장 관련성이 높은 문헌을 찾아낸다.

박찬국(2017)의 미래신호탐색 기법은 텍스트마이닝을 토대로 하고

있다. 현재까지 에너지산업 미래 전망 시 주로 델파이 기법이나 시나

리오 기법 등 전문가의 지식을 설문으로 확인하여 집약하는 형태의 방

법론을 활용해 왔다. 그러나 데이터양의 급증, 컴퓨팅 성능 향상, 분석

192

알고리즘 발달로 인해 텍스트와 같은 비정형화된 데이터를 활용하여

보다 빠르게 미래를 전망하는 기법들이 개발되고 있다. 본 연구에서도

텍스트마이닝을 토대로 한 미래신호탐색 기법을 적용함으로써 향후 보

다 효과적으로 미래 전망을 하는 방안의 발전 가능성 및 방향을 탐구

하고자 한다.

2. 관련 연구

텍스트 마이닝을 이용해 미래 전망을 시도한 연구들은 주로 약신호

탐색에 초점을 맞추고 있다. 약신호는 Ansoff(1975)가 창안한 개념인

데, 사람들이 주로 관심을 갖는 강신호(strong signals)에 대응하는 개

념으로 약신호를 고안하였다. 그는 기업이 강신호만 고려할 경우 예상

하지 못한 일에 직면하여 위기를 겪거나 중요한 기회를 상실할 수 있

다고 경고하였다. 강신호는 현재 강하게 두드러지는 신호로서 많은 이

들이 관심을 갖고 있지만, 약신호는 현재 두드러지지는 않았으나 앞으

로 강신호로 전환될 가능성이 존재하기 때문에 그 약신호를 사전에 이

해하고 대응한다면 미래의 불확실성을 줄여줄 수 있다고 판단한 것이다.

그는 약신호가 미래에 가능한 변화에 대한 징후(symptoms)로서 위험

에 대한 경고나 새로운 가능성에 대한 신호로 작용한다고 강조하였다

(Holopainen&Toivonen, 2012:199; 박찬국, 2017:40). 이후 약신호의

개념은 다양한 학자들에 의해 재정립되었고(Godet, 1994; Coffman,

1997; Hiltunen, 2008) 기업전략 수립 시 주요 검토 대상으로 자리 잡

았다. 그리고 Yoon(2012)은 보다 효율적으로 약신호를 찾기 위해 텍스

트마이닝을 적용하였다.

Yoon(2012)은 태양전지 관련 약신호를 탐색하기 위해 텍스트마이닝


에서 사용되는 통계치인 단어빈도(TF)와 문서빈도(DF)를 Hiltunen(2008)

의 신호(signal)와 이슈(issue)로 각각 연계하였다. Hiltunen(2008)이 약

신호를 이해도는 낮지만 비정상적인 패턴을 보이는 신호로 정의하였는

데, Yoon(2012)은 이 정의에 기반을 두어 단어빈도와 문서빈도 수는

적지만 발생빈도의 증가율이 높은 키워드를 약신호로 분류하였다. 반

대로 단어와 문서의 빈도수가 많고 발생빈도 증가율도 높으면 강신호

로 분류하였다. 이후 박찬국 & 김현제(2015)는 Yoon(2012) 방법론을

활용하여 에너지 분야의 사물인터넷 응용 관련 약신호들을 파악하였는

데, 약신호와 강신호 외에 latent signal과 not-strong-but-well-known

(well-known) signal의 개념을 추가적으로 제시하였다(박찬국, 2017:45-46).

Park & Cho(2017)은 같은 방법을 스마트그리드 미래신호 탐색에 적용

함과 동시에 기존 방식의 한계점과 추가 연구방향을 제시하였다.

상기 연구들은 텍스트 빅데이터를 이용하여 특정 주제와 관련한 미

래 신호를 탐색하였다는 점에서 의의를 갖는다. 그러나 최종적으로 도

출되는 결과값(output)은 키워드 형태인데, 그 키워드들이 검토하고자

하는 주제와 어느 정도 연관되어 있는지 검토할 수 있는 거름망(filter)

이 없다는 문제가 있다. 한 키워드가 다양한 주제와 연계되어 있을 수

있기 때문에 검토하고자 하는 주제와의 연관성을 우선 살펴볼 필요가

있다. 또 중요한 한계점은 미래신호 추출 시 일부 중요한 키워드가 삭

제되는 문제가 생긴다는 것이다. 지금까지 텍스트마이닝을 이용한 미래

신호 탐색 연구들은 단어빈도와 단어빈도 증가율을 Keyword Emergence

Map으로 표현하고 문서빈도와 문서빈도 증가율을 Keyword Issue Map

으로 나타내면서 이 두 종류의 맵(map)에서 공통적으로 추출된 신호를

최종 미래신호로 선택하였다(Yoon, 2012; 박찬국 & 김현제, 2015, 박찬국,

2017). 그 결과 어떤 키워드가 한 맵에서는 약신호로 인정되었지만,

194

다른 맵에서 그렇지 못할 경우 그 키워드를 검토하지 못하는 문제가

발생하였다. 따라서 새로운 방법에서는 분석 결과물로 생성되는 키워

드들이 연구 주제와 연관성이 있는지를 판단할 수 있어야 하고, 중요

성이 높은 키워드임에도 검토 대상에서 제거되는 문제를 해결해야

한다.

3. 연구 방법

3.1. 데이터 수집

에너지산업의 디지털화와 관련하여 미래신호를 탐색하기 위해 우선

에너지산업에 관련된 문서를 수집하였다. 기존 연구들은 주로 뉴스미

디어 문서를 활용하여 미래신호를 탐색하였다(Yoon, 2012; 박찬국 &

김현제, 2015; 박찬국, 2017). 뉴스미디어는 산업동향을 신속하게 전달

해준다는 측면에서 사회적으로 어떤 이슈가 주로 다뤄지고 있는지를

확인할 수 있는 바로미터가 된다. 그러나 기사 내용이 전문성을 띠지

못하거나 깊이 있는 논의가 충분히 이루어지지 않을 한계점도 지니고

있다.

이 장에서 다루는 주제는 에너지산업의 디지털화로서 에너지산업의

미래 디지털화 이슈를 발굴한다는 취지가 강하다. 앞서 3장에서 다뤘

던 산업 및 기업 네트워크 분석에서는 주요 사회적 이슈를 신속하게

전달하고 다양한 산업 및 기업 이슈를 다루는 뉴스미디어가 적합하겠

지만, 이 장에서는 에너지 기술, 산업, 정책 이슈에 보다 전문성을 갖

고 있는 이들의 식견이 녹아있는 저널의 초록을 대상으로 분석하고자

한다. 물론 최신 동향을 더 빠르게 담고 있는 뉴스미디어 역시 추후 분


석할 필요가 있는 연구 자료에 해당한다. 다만, 본 연구에서는 에너지

부문 전문가들의 자료를 바탕으로 미래신호를 탐색하는 데 초점을 맞

추기로 한다.

데이터는 최근 이슈를 반영하기 위해 최근 3년간(2016~2018년)의

국제학술지 초록 자료를 수집하였다. 논문 초록은 Web of Science 데

이터베이스를 활용하였으며, 에너지산업 관련 논문을 추출하기 위해

검색 키워드는 ‘에너지산업’, ‘에너지시장’, ‘에너지사업’, ‘에너지공

급’, ‘에너지수요’, ‘에너지생산’, ‘에너지전달’, ‘에너지저장’, ‘에너지

거래’, ‘에너지판매’를 영문으로 입력하였다. 논문 초록 수집 결과 약

13만개8)의 논문 초록을 수집하였다. 그리고 SCOPUS의 논문 분류기

준을 토대로 에너지 전문 저널에 해당하는 논문의 초록들을 다시 간추

렸다. SCOPUS 분류에 따르면 현재 기준 총 629개의 에너지전문 저널

이 등재되어 있다. 앞서 수집한 13만개의 논문들의 저널명과 629개의

에너지전문 저널들의 이름을 비교하여 일치하는 논문들의 초록들만 재

선별하였고 그 결과 약 4만개9)의 논문 초록을 추출하였다. 연구의 효

율성을 높이기 위해 그 초록들에서 명사를 별도로 추출하고 연도별로

데이터셋을 형성하였다.

3.2. 미래신호탐색(FSD, Future Sign Detection) 기법10)

박찬국(2017)의 미래신호탐색 기법은 세 개의 차원을 적용하고 있다.

8) 130,955개의 논문을 수집하였다.9) 총 38,850개의 논문 초록을 재선별하였다.10) 이 방법론 부분은 박찬국(2017:55-62)의 내용을 그대로 활용하고 있다. 다만, 이

보고서에서는 본 보고서의 내용을 축약하여 전달한다. 상세한 내용을 원하는 이는 ｢박찬국(2017). 전력산업 미래 전망을 위한 빅데이터 활용 방안 연구, 에너지경제연구원｣을 살펴보기 바란다.

196

첫째, 사회적 관심도(SI, Social Interest), 둘째, 변화(Change) 정도, 셋째

연관성(Association)이다. 이 세 축은 약신호를 최초로 언급한 Ansoff

(1975)의 생각을 적극 반영하면서도 연구 목적에 보다 적합한 신호들

을 선별적으로 검토하기 위해 도입한 것이다(박찬국, 2017:55).

Ansoff는 약신호를 “미래에 가능한 변화의 징후(symtoms of possible

change in the future)”로 정의하였는데, 뜻밖의 사건들을 다룰 때에는

약신호에 주목할 필요성을 강조하였다(박찬국 & 김현제, 2015:44 재인

용). Ansoff의 주장에서 뜻밖의 사건들은 사람들의 관심이 낮았던 것

들을 의미하고, 변화의 징후는 시간적으로 변화 움직임이 강해지는 것

들을 의미한다. 이에 ‘사회적 관심도’는 낮은 수준이지만 ‘변화 정도’

가 커지는 신호를 약신호로 볼 수 있다. 그런데 이런 Ansoff의 생각에

서 더 나아가 우리가 주의 깊게 살펴볼 필요가 있는 영역에서의 신호

가 더욱 중요하다는 점을 인지해야 한다. 예를 들어 에너지산업 부문

의 약신호를 찾는 사람이 광고산업이나 제지산업과 같이 관련성이 낮

은 영역에서 비롯되는 신호들에 집중하는 것은 비효율적이다(박찬국,

2017:56).

미래신호를 살펴보기 위해서 약신호에 주목하고 있지만, 미래신호의

의미를 보다 풍부하게 이해하기 위해서는 ‘약신호’에 대응되는 ‘강신

호’라든지, 박찬국 & 김현제(2015)가 언급한 ‘강하지는 않지만 잘 알

려진 신호’와 ‘잠재신호’를 함께 살펴볼 필요가 있다. 아래 [그림 5-1]

는 박찬국(2017)이 제안한 “미래신호탐색 모형(future sign detection

model, FSD Model)”을 도식화하고 있다. ‘사회적 관심도’와 ‘변화 정

도’를 통해 신호의 종류를 살펴보고, ‘연관성’을 통해 그 신호가 탐색

주제와 연관성이 높은 신호(in, 내부 신호)인지, 아니면 연관성이 낮은

신호(out, 외부 신호)인지를 구분하고 있다(박찬국, 2017:56).


여기에서 ‘사회적 관심도’는 분석대상 키워드들의 단어빈도 순위와

문서빈도 순위의 평균치를 활용하여 다시 순위를 매긴 값이다. ‘변화

정도’는 사회적 관심도의 분석 기간 내 연평균 증가율을 의미한다. ‘연

관성’은 분석대상 키워드가 ‘디지털화’ 관련 키워드11)와 함께 나올 확

률과 일반적으로 분석대상 키워드가 나올 확률의 비율을 의미한다. 연

관성 수치가 1이 넘으면 분석대상 키워드가 ‘디지털화’ 관련 키워드와

함께 나올 확률이 일반적으로 분석대상 키워드가 나올 확률보다 높다

는 것을 의미한다(박찬국, 2017:59-62).

[그림 5-1] FSD 모형

자료: 박찬국(2017:57).

11) 본 연구에서는 디지털화 관련 키워드로 “digital”, “digitalization”, “smart”, “intelligent”, “4th industrial revolution”, “information technology”, “ICT”를 포함하였다. 복수형과 단수형은 하나로 통합하였다.

198

아래 <표 5-1>는 [그림 5-1] FSD 모형의 구조를 보다 알기 쉽게 표

의 형태로 보여준다. 사회적 관심도, 변화 정도, 연관성을 고(high)와

저(low)로 구분하고 그 조합으로 총 8개의 신호를 나타냈다(박찬국,

2017:58).

사회적 관심도(Social Interest)

변화 정도(Change)

연관성(Association)

신호(Signal)

고(High) 고(High) 고(High)강신호(내부)

Strong(in)

고(High) 고(High) 저(Low)강신호(외부)Strong(out)

저(Low) 고(High) 고(High)약신호(내부)

Weak(in)

저(Low) 고(High) 저(Low)약신호(외부)

Weak(out)

고(High) 저(Low) 고(High)강하지는 않지만 잘 알려진 신호(내부)

Not Strong but Well-known(in)

고(High) 저(Low) 저(Low)강하지는 않지만 잘 알려진 신호(외부)

Not Strong but Well-known(out)

저(Low) 저(Low) 고(High)잠재신호(내부)

Latent(in)

저(Low) 저(Low) 저(Low)잠재신호(외부)

Latent(out)

<표 5-1> FSD 모형 구조

자료: 박찬국(2017:58).

3. 단어와 문서 간 유사도 분석

본 연구에서 도출한 미래신호들은 키워드 형태로 되어 있다. 키워드

의 해석을 용이하게 만들기 위해서는 그 키워드가 의미하는 바를 보다

신뢰성 있게 보여주는 것이 필요하다. 이에 본 연구에서는 Park &


Cho(2019)이 시행한 단어와 문서 간 유사도 분석 기법을 활용하고자

한다.

그들은 GloVe(global vectors for word representation) 기법을 활용

하여 키워드와 유사한 문서를 찾아내는 일을 수행하였다. GloVe는 워

드임베딩(word embedding)의 일환으로 2014년 스탠포드대에서 개발

한 방법이다. GloVe는 2013년 구글이 개발한 Word2Vec의 결점을 보

안한 것으로 알려져 있다. Word2Vec은 기존 LSA(latent semantic

analysis)보다 성능이 우수한 것으로 알려져 있으나 사용자가 지정한

윈도우(window, 주변 단어 수) 내에서만 학습과 분석이 이루어진다는

점에서 전체 코퍼스(corpus, 말뭉치)의 정보를 반영하기 어렵다는 단점

이 있다. Pennington et al.(2014)는 GloVe가 단어 동시발생 행렬

(word-word co-occurrence matrix)에서 0이 아닌 값만을 훈련시켜 통

계정보를 얻음으로써 값이 0인 것까지 포함된 행렬 전체를 사용하는

LSA나 특정 윈도우에 국한하여 분석하는 Word2Vec보다 효율적이라

고 강조한다.

Park & Cho(2019)는 GloVe를 통해 얻은 워드벡터(word vector) 행

렬을 토대로 단어와 단어 간 거리행렬(word-to-word distance matrix)

을 구하였다. 그 거리행렬에서 값이 작을수록 단어 간 거리가 짧다는

것이고 곧 단어 간 유사성이 높다는 의미이다. 그 거리행렬에 기반을

두어 단어 간 유사성을 표현하는 가중치 행렬(weight matrix)을 구성하

였다. 그리고 그 가중치 행렬과 단어-문서 행렬(term-document matrix)

과 곱하여 단어와 문서 간 유사성을 확인하였다.

200

4. 연구 결과

4.1. 디지털화 관련 상위 키워드 추출과 주제 분류

문서의 단어를 대상으로 분석을 할 때 모든 단어를 분석하고자 한다

면 연구효율성도 떨어질 뿐만 아니라 실현가능성도 부족하다. 본 연구

에서는 에너지산업 관련 논문 초록에 포함된 키워드들 중 본 연구의

관심 주제인 디지털화와 연관성이 높은 키워드들을 중심으로 살펴보았

다.

아래 [그림 5-2]는 상위빈도 단어수와 연관성지수가 1 이상인 단어

수의 관계를 보여주고 있다. 약 4만개의 논문 초록의 단어들을 대상으

로 하는 만큼 수만 개의 단어들이 도출될 것이다.

[그림 5-2] 상위빈도 단어수 대비 연관성 지수 1 이상 단어수



그러나 [그림 5-2]를 보다시피 디지털화와 관련성이 높다고 볼 수 있

는, 즉 연관성 지수가 1이 넘는 경우는 상위빈도 단어수가 15,000개를

넘어가면 거의 증가하지 않는다. 상위빈도 단어수가 15,000개인 경우

연관성 지수가 1이 넘는 단어는 약 1,800여개 정도로 축약된다.12) 따

라서 디지털화와 관련된 단어를 살펴볼 때 이 1,800여개 정도만 살펴

봐도 무리가 없어 보인다.

연관성이 1 이상인 키워드들을 대상으로 다시 주제별로 그 키워드들

을 분류하였다. 주제 분류는 기존 연구들을 토대로 하였으며, 키워드들

을 검토하면서 추가로 분류할 수 있는 주제를 발굴하였다. 박찬국 &

김현제(2015)는 에너지 부문 사물인터넷 이슈를 탐색하면서 사물인터

넷 기술적 구성요소, 이해관계자, 기업, 국가 및 지역, 응용범위, 도전

과제, 기타로 주제를 구분하였다. Park & Cho(2017)은 스마트그리드

이슈를 탐색하면서 스마트그리드 기술적 구성요소, 이해관계자, 활용

범주로 주제를 구분하였고, Park & Heo(2019)는 전력산업 디지털화

이슈를 확인하면서 기술, 기능, 효과로 분류하였다. 주제 분류가 어떤

틀을 갖고 정해져 있다기보다는 연구대상에 맞게 적합한 주제를 찾아

검토할 수 있다.

본 연구에서는 기술, 이해관계자, 서비스영역, 가치, 기능의 주제 구

분으로 단어들을 재분류하였다. 기술, 이해관계자, 서비스영역, 기능은

앞선 연구에서 주로 검토했던 주제들이며, 기업, 국가 및 지역은 데이

터가 논문 초록인 특성상 적합하지 않다고 판단하였다. 본 연구는 별

도로 가치라는 주제를 포함하였는데, 뭔가를 지향한다는 의미가 담긴

추상적 단어들을 가치 부문에 포함하였다.

12) 분석결과 상위빈도 단어수를 아무리 늘려도 디지털화와 연관성이 1 이상인 단어수는 1,871개를 넘지 않았다.

202

4.2. 기술 부문 미래신호

<표 5-2>는 기술 부문의 미래신호를 보여주고 있다. 연관성 지수가

1 이상인 단어, 즉 키워드들이 일반적으로 나올 확률보다 디지털화 관

련 키워드와 함께 나올 확률이 더 큰 단어들을 토대로 빈도순위와 그

빈도순위의 증가율을 고려하여 4가지 형태의 신호를 도출하였다.

현재 에너지산업 관련 논문 초록에서는 piezoelectric(압전소자),

nanogenerator(나노발전기), TENG(triboelectric energy harvesting)와 같

은 에너지수확 관련 기술들이 강한 신호로 나타났다. 디지털화에 따라

디지털 기기에 대한 에너지공급 문제 해결이 주된 관심사로 자리잡고 있

다. 약신호에서는 blockchain(블록체인), fog(포그컴퓨팅), microbattery

(마이크로배터리), LSTM(long short-term memory, 인공지능분석알고리

즘 중 하나), robot(로봇), analytics(분석기법)가 포함되었다.

본 연구에서는 모든 신호들을 모두 설명하기 보다는 약신호를 중심

으로 주요 관련문서를 보여줌으로써 그 의미를 보다 신뢰성 있게 전달

하고자 한다. 아래 <표 5-3>은 기술 부문 약신호 키워드들과 유사성이

높은 문서들을 보여주고 있다. blockchain은 에너지태그, 탄소크레딧거

래, 마이크로그리드 등 에너지산업에서 적극 도입 중이며, fog는 데이

터를 저장하고 정제, 분석하는 과정에서 클라우드에만 의존하지 않고

사물인터넷 끝단에서 직접 기초적인 데이터를 가공처리하는 방식으로

서 새로운 디지털기술로 관심을 키우고 있다. microbattery는 초소형배

터리 소재 차원에서 관심을 받았으며, LSTM은 풍력발전량 예측, 전력

수요 예측 등에서 그 중요성이 높아지고 있다. robot은 에너지산업에

직접 로봇이 적용되는 차원보다는 로봇 산업의 에너지효율이라든지 로

봇에 무선으로 에너지를 공급하는 이슈가 주요 관련 문헌으로 선정되


었다. analytics는 건물에너지소비 패턴 분석, 스마트그리드 빅데이터

분석과 관련성이 높았다.

키워드빈도순위

그룹내빈도순위

연관성 증가율빈도순위구분

증가율구분

신호

blockchain 2307 17 13.8 15.7 L H weak

fog 3464 6 25.8 10.6 L H weak

microbattery 3383 7 11.6 10.2 L H weak

piezoelectric 1773 22 4.7 1.4 H H strong

nanogenerator 1191 27 7.9 1.2 H H strong

TENG 1252 26 6.0 1.2 H H strong

LSTM 3874 5 10.3 1.2 L H weak

robot 4605 4 10.3 1.2 L H weak

analytics 2375 16 5.9 1.0 L H weak

LEDs 1986 20 12.6 1.0 H H strong

sheath 2615 13 8.8 0.9 L L latent

triboelectric 2147 19 7.0 0.8 H L well-known

polygeneration 1760 23 2.0 0.8 H L well-known

cloud 1330 25 6.6 0.5 H L well-known

sensor 653 31 5.9 0.4 H L well-known

harvesting 599 32 2.4 0.4 H L well-known

하 단 생 략

<표 5-2> 기술 부문 미래신호

주: 1) 상기 표는 증가율이 높은 순서대로 정렬 2) 빈도순위는 전체 단어수에서의 순위를 의미하고 그룹내 빈도순위는 분류주제

내에서의 빈도순위 의미 3) 빈도순위 구분과 증가율 구분에서 H는 High, L은 Low 의미 4) 하단 생략된 부분은 부록에서 확인 가능자료: 저자 작성

204

키워드 논문 제목 저널명 연도

blockchain

A Sustainable Home Energy Prosumer-Chain Methodology with Energy

Tags over the BlockchainSUSTAINABILITY 2018

Blockchain Enhanced Emission Trading Framework in Fashion Apparel

Manufacturing IndustrySUSTAINABILITY 2018

A Novel Electricity Transaction Mode of Microgrids Based on Blockchain and

Continuous Double AuctionENERGIES 2017

fog

5G-Based Transmission Power Control Mechanism in Fog Computing for

Internet of Things DevicesSUSTAINABILITY 2018

An Efficient Energy Management Approach Using Fog-as-a-Service for Sharing Economy in a Smart Grid

ENERGIES 2018

Cloud-Fog-Based Smart Grid Model for Efficient Resource Management

SUSTAINABILITY 2018

microbattery

Over-Stoichiometric NbO2 Nanoparticles for a High Energy and Power Density

Lithium MicrobatteryCHEMNANOMAT 2017

Atomic Layer Deposition of Functional Layers for on Chip 3D Li-Ion All Solid

State Microbattery

ADVANCED ENERGY

MATERIALS2017

An aqueous Zn-MnO2 rechargeable microbattery dagger

JOURNAL OF MATERIALS

CHEMISTRY A2018

LSTM

A nonlinear hybrid wind speed forecasting model using LSTM network,

hysteretic ELM and Differential Evolution algorithm

ENERGY CONVERSION

AND MANAGEMENT

2018

Optimal Deep Learning LSTM Model for Electric Load Forecasting using Feature

Selection and Genetic Algorithm: Comparison with Machine Learning

Approaches

ENERGIES 2018

A comparative study of LSTM neural networks in forecasting day-ahead global horizontal irradiance with satellite data

SOLAR ENERGY 2018

<표 5-3> 기술 부문 약신호 키워드와 유사성 높은 문서



4.3. 이해관계자 부문 미래신호

이해관계자 부문에서는 households, occupants, prosumers가 강신호

로 분류되고 있는데, 그만큼 에너지산업에서 소비자 또는 프로슈머의

역할이 강조되고 있다고 볼 수 있다. 약신호에는 SMEs(중소기업)과

peer(개인, 이웃)가 포함되었는데, <표 5-5>를 통해 그 의미를 보다 상

세히 살펴볼 수 있다. SMEs는 중소기업의 에너지시장 참여 확대와 역

할이 주로 논의되었고, peer는 개인 간 에너지거래(peer-to-peer trading),

프로슈머 성장과 관련되어 약신호로 나타났다.


robot

An Actuator Control Unit for Safety-Critical Mechatronic Applications with Embedded Energy Storage Backup

ENERGIES 2016

Multi-objective co-operative co-evolutionary algorithm for minimizing

carbon footprint and maximizing line efficiency in robotic assembly line

systems

JOURNAL OF CLEANER

PRODUCTION2017

Dynamic Wireless Power Transfer for Logistic Robots

ENERGIES 2018

analytics

Time series analytics using sliding window metaheuristic optimization-based machine learning system for identifying

building energy consumption patterns

APPLIED ENERGY

2016

Data analytics for occupancy pattern learning to reduce the energy

consumption of HVAC systems in office buildings

SUSTAINABLE CITIES AND

SOCIETY2017

Big data framework for analytics in smart grids

ELECTRIC POWER SYSTEMS

RESEARCH2017

206




증가율구분

신호

households 279 20.0 2.9 82.6 H H strongoccupants 922 15.0 3.0 36.8 H H strongprosumers 1272 13.0 5.4 28.8 H H strong

SMEs 1737 10.0 2.8 24.9 L H weakpeer 1645 11.0 10.3 1.2 L H weak

DSOs 2714 5.0 8.8 0.9 L L latentconglomerates 8084 1.0 15.5 0.4 L L latenthomeowners 2236 9.0 1.5 0.4 L L latentconsumers 249 21.0 4.1 0.3 H L well-knowndwellings 1181 14.0 1.3 0.3 H L well-known

users 349 17.0 4.9 0.3 H L well-knownregulation 284 19.0 1.2 0.3 H L well-knowncustomers 461 16.0 4.5 0.3 H L well-knownuniversity 1623 12.0 1.9 0.2 H L well-known

community 299 18.0 4.6 0.2 H L well-known하 단 생 략

<표 5-4> 이해관계자 부문 미래신호




SMEs

How to Assess Market Readiness for an Innovative Solution: The Case of Heat

Recovery Technologies for SMEsSUSTAINABILITY 2016

A network approach to overcoming barriers to market engagement for SMEs in energy efficiency initiatives such as

the Green Deal

ENERGY POLICY 2016

Factors Promoting Environmental Responsibility in European SMEs: The

Effect on PerformanceSUSTAINABILITY 2016

<표 5-5> 이해관계자 부문 약신호 키워드와 유사성 높은 문서



4.4. 서비스 영역 부문 미래신호

서비스 영역 부문에서는 bill(요금청구), DER(분산자원), transaction

(거래)이 강신호로 분류되고 있다. 디지털 기술이 에너지요금청구의 정

확도 및 서비스품질 제고, 분산자원 활용 최적화, 다양한 거래 촉진 등

과 연결되어 있음을 유추할 수 있다. 약신호에서는 보다 상세하게 키

워드의 의미를 살펴보기 위해 <표 5-7>과 같이 유사한 문서들을 간추

려봤다.

약신호는 campus(대학), substation(변전소, 공급소), HEMS(home

energy management system, 가정에너지관리시스템), apartment(아파

트), nanogrid(나노그리드), hotel(호텔)이 선정되었다. campus는 대학

의 에너지이용 절약 및 지속가능성 제고 방안 논의와 함께 주요 키워

드로 등장하였고, substation은 효율적인 배치 및 고장 방지 논의에서

비롯되었다. HEMS는 태양광시스템과 결합, 수요반응용으로 활용, 인

공지능을 통한 자동화 논의에서 도출되었다. apartment는 에너지효율

적인 아파트건물의 설계 및 관리, 태양광 설치 등과 연계되어 있다.


peer

Local electricity market designs for peer-to-peer trading: The role of battery

flexibility

APPLIED ENERGY

2018

The diffusion of consumer innovation in sustainable energy technologies

JOURNAL OF CLEANER

PRODUCTION2017

Radical Prosumer Innovations in the Electricity Sector and the Impact on

Prosumer RegulationSUSTAINABILITY 2017

208

nanogrid는 에너지 부족 지역에서의 활용, 전기차와 연계, 가정에너지

시스템과 연계 등이 논의되었다. hotel은 호텔 및 여행숙박업계의 지속

가능성에 대한 논의와 결부되었다.




증가율구분

신호

campus 1822 17.0 1.6 93.2 L H weakbill 1042 32.0 5.1 33.3 H H strong

DER 1074 31.0 4.6 32.7 H H strongtransaction 1276 28.0 5.3 28.5 H H strongsubstations 1646 22.0 2.8 24.9 L H weak

hotel 1624 23.0 3.6 23.0 L H weakHEMS 2585 11.0 12.4 1.6 L H weak

apartment 1880 14.0 4.7 1.4 L H weaknanogrid 3364 5.0 10.3 1.2 L H weakMPCMS 3074 7.0 3.9 0.8 L L latent

traffic 1444 26.0 5.3 0.7 H L well-knownrooftop 1232 29.0 1.9 0.6 H L well-known

microgrid 340 38.0 5.0 0.5 H L well-knownretail 869 33.0 4.6 0.4 H L well-known

hospital 1825 16.0 4.6 0.4 L L latent하 단 생 략

<표 5-6> 서비스 영역 부문 미래신호





campus

Institutionalize waste minimization governance towards campus sustainability: A case study of Green Office initiatives

in Universiti Teknologi Malaysia

JOURNAL OF CLEANER

PRODUCTION2016

Energy saving on campus: a comparison of students' attitudes and reported

behaviours in the UK and Portugal

JOURNAL OF CLEANER

PRODUCTION2016

Energy Optimization and Management of Demand Response Interactions in a Smart

CampusENERGIES 2016

substations

Evaluations of different domestic hot water preparing methods with

ultra-low-temperature district heatingENERGY 2016

A PCA-based approach for substation clustering for voltage sag studies in the

Brazilian new energy context

ELECTRIC POWER SYSTEMS

RESEARCH2016

Laboratory Test Bed for Analyzing Fault-Detection Reaction Times of

Protection Relays in Different Substation Topologies

ENERGIES 2018

HEMS

Implementation of a novel home energy management system(HEMS) architecture

with solar photovoltaic system as supplementary source

RENEWABLE ENERGY

2018

Hybrid LSA-ANN Based Home Energy Management Scheduling Controller for Residential Demand Response Strategy

ENERGIES 2016

Artificial intelligent-based optimization of automated home energy management

systems

INTERNATIONAL TRANSACTIONS ON ELECTRICAL

ENERGY SYSTEMS

2016

<표 5-7> 서비스 영역 부문 약신호 키워드와 유사성 높은 문서

210


4.5. 가치 부문 미래신호

서비스 영역 부문에서는 강신호로 별도 구분된 신호가 없었다. 즉

빈도순위, 증가율, 연관성이 모두 높은 신호가 마땅히 없었다. 약신호

에서는 convenience(편리성), longevity(수명), empowerment(권한강화)

가 강조되었다.


apartment

Primary energy implications of different design strategies for an apartment

buildingENERGY 2016

Alternative Energy Solutions Using BIPV in Apartment Buildings of Developing

Countries: A Case Study of North Cyprus

SUSTAINABILITY 2017

Life cycle water, energy and cost analysis of multiple water harvesting and

management measures for apartment buildings in a Mediterranean climate


SOCIETY2017

nanogrid

Techno-economic design and performance analysis of nanogrid systems for

households in energy-poor villages


SOCIETY2017

Optimal integration of a hybrid solar-battery power source into smart home nanogrid with plug-in electric

vehicle

JOURNAL OF POWER SOURCES

2017

A compact nanogrid for home applications with a behaviour-tree-based

central controller

APPLIED ENERGY

2018

hotel

Developing a Model for Sustainable Hotels in Northern Cyprus

SUSTAINABILITY 2017

Life Cycle Thinking used for assessing the environmental impacts of tourism

activity for a Greek tourism destination

JOURNAL OF CLEANER

PRODUCTION2016

Energy Performance of Hotel Buildings in Lijiang, China

SUSTAINABILITY 2016


convenience과 관련해서는 전기자동차의 시장 수용성에 있어서 편리

성의 중요성이 강조되었고, 사용자가 편리하게 이용할 수 있는 가정에

너지관리시스템이 함께 중시되었다. longevity는 주로 배터리의 수명

연장 논의가 주를 이뤘는데, 태양광 연계 배터리라든지 전기차 배터리

수명 논의가 두드러졌다. empowerment 차원에서는 에너지전환을 촉진

하기 위해 여성, 소비자 등 다양한 이해관계자들의 참여 및 역할 강화

가 강조되었다.




증가율구분

신호

convenience 2185 11.0 3.2 25.0 L H weaklongevity 3360 7.0 2.8 24.9 L H weak

empowerment 6743 3.0 10.3 1.2 L H weakcollaboration 1203 23.0 1.3 0.9 H L well-knownpreservation 1804 15.0 2.3 0.6 L L latentscalability 1531 18.0 3.7 0.5 L L latent

self-sufficiency 1692 16.0 3.0 0.4 L L latentmobility 833 30.0 1.3 0.4 H L well-knownresilience 1073 26.0 4.2 0.4 H L well-known

sustainability 211 36.0 1.4 0.4 H L well-knownaccuracy 398 33.0 3.1 0.4 H L well-known

interoperability 3826 6.0 15.5 0.4 L L latentagility 7144 2.0 15.5 0.4 L L latent

acceptance 936 28.0 1.4 0.3 H L well-knownharmony 2842 8.0 2.2 0.3 L L latent

하 단 생 략

<표 5-8> 가치 부문 미래신호



212


convenience

Individual trip chain distributions for passenger cars: Implications for market

acceptance of battery electric vehicles and energy consumption by plug-in hybrid

electric vehicles

Applied Energy 2016

Foresee: A user-centric home energy management system for energy efficiency

and demand responseApplied Energy 2017

Automated Energy Scheduling Algorithms for Residential Demand Response

SystemsENERGIES 2017

longevity

An ultrafast, high capacity and superior longevity Ni/Zn battery constructed on

nickel nanowire array filmNANO ENERGY 2016

Battery durability and longevity based power management for plug-in hybrid

electric vehicle with hybrid energy storage system

Applied Energy 2016

Improvement of safety, longevity and performance of lead acid battery in

off-grid PV systems

INTERNATIONAL JOURNAL OF HYDROGEN

ENERGY

2017

empowerment

Impact of a rural solar electrification project on the level and structure of

women's empowerment

ENVIRONMENTAL RESEARCH

LETTERS2017

Everyday experimentation in energy transition: A practice-theoretical view

JOURNAL OF CLEANER

PRODUCTION2017

Do stakeholders' perspectives on renewable energy infrastructure pose a

risk to energy policy implementation? A case of a hydropower plant in

Switzerland

ENERGY POLICY 2017

<표 5-9> 가치 부문 약신호 키워드와 유사성 높은 문서



4.6. 기능 부문 미래신호

기능 부문 키워드들은 디지털 기술의 기능을 중심으로 선별하였다.

분석 결과 disaggregation(분해)이 약신호로 도출되었다. disaggregation

은 주로 계량기로 측정한 에너지 부하를 세부적으로 구분하는 기능 차

원에서 강조되었다. 스마트미터 데이터를 이용한 부하 세분화, 태양광

과 풍력 발전량의 지역별 세분화 기능이 주로 논의되었다.




증가율구분

신호

disaggregation 2489 1.0 7.3 1.1 L H weak

prediction 319 10.0 2.5 0.3 H L well-known

maintenance 614 7.0 2.6 0.3 H L well-known

identification 759 5.0 2.2 0.3 L L latent

control 65 12.0 2.9 0.3 H L well-known

connection 619 6.0 2.8 0.2 L L latent

diagnosis 2208 2.0 5.7 0.2 L L latent

optimization 67 11.0 2.0 0.2 H L well-known

scheduling 356 9.0 4.8 0.2 H L well-known

automation 2198 3.0 8.3 0.2 L L latent

하 단 생 략

<표 5-10> 기능 부문 미래신호



214


disaggregation

Forecasting Demand Flexibility of Aggregated Residential Load Using Smart

Meter Data

IEEE TRANSACTIONS

ON POWER SYSTEMS

2018

A Hybrid Signature-based Iterative Disaggregation algorithm for

Non-Intrusive Load MonitoringApplied Energy 2017

Impact of different levels of geographical disaggregation of wind and PV electricity generation in large energy system models:

A case study for Austria

RENEWABLE ENERGY

2017

<표 5-11> 가치 부문 약신호 키워드와 유사성 높은 문서



텍스트빅데이터를 이용한 미래신호탐색 기법은 지속적으로 발전하

고 있다. 현재까지는 어떤 분야에 관해 풍부한 식견과 통찰력을 갖고

있는 전문가들을 대상으로 설문 또는 면접을 통해 미래 전망을 시도한

연구가 주를 이루고 있지만, 앞으로는 풍부한 데이터 확보와 컴퓨팅

기술 발달로 자동으로 미래 이슈를 탐지하고 해석하는 연구가 더욱 활

발해질 것으로 전망된다.

본 연구에서는 에너지 부문 전문가들이 이미 기술해놓은 자료에 해

당하는 논문 초록의 최근 3년치를 수집하여 현재 어떤 이슈가 강하게

부각되고 있고, 또 아직 크게 부각되지 않았지만 빠르게 부상하고 있

는 이슈들은 무엇이 있는가를 살펴보았다.

본 연구에서는 약신호(weak)만을 중심적으로 다루었으나, 보다 풍부한

미래신호 해석을 위해서는 강신호(strong), 잘 알려진 신호(well-known),


잠재신호(latent)까지 포괄적으로 다룰 필요가 있다. 강신호나 잘 알려

진 신호는 이미 많이 알려져 있다는 이유로 본 연구에서는 크게 비중

을 두지 않았으나, 강신호와 잘 알려진 신호가 언제까지 그러한 신호

형태에 머물러 있을 것인지, 미래에는 다른 형태의 신호로 바뀔 것인

지 역시 탐색할 필요가 있다. 즉, 강신호는 다시 약신호나 잘 알려진

신호로 전환될 수 있고, 잘 알려진 신호는 다시 강신호로 바뀔 수 있기

때문이다. 잠재신호의 경우 빈도도 높지 않고 증가율도 높지 않아 큰

관심 대상이 아니지만, 약신호보다 더 급격한 변화를 보일 수 있는 신

호들이 포함되어 있다는 점도 인지해야 한다. 잠재신호를 곧바로 해석

하기 보다는 어떤 잠재신호가 향후 약신호를 거쳐 강신호로 전환될 것

인지 머신러닝 기법을 활용하여 탐색할 필요가 있다. 머신러닝 기법을

적용하기 위해서는 풍부한 데이터가 기본이다. 이에 본 연구에서 수집

한 3년치를 넘어 장기에 걸친 논문 초록을 수집하고 키워드 변화의 패

턴을 학습하고 전망해야 할 것이다.

본 연구는 박찬국(2017)의 연구틀 및 방법을 활용하였지만, Park &

Cho(2019)의 기법을 추가적으로 활용함으로써 텍스트마이닝을 이용한

미래신호탐색 기법을 한층 발전시켰다고 볼 수 있다. 박찬국(2017)에

서는 연관성 분석(association rules)을 활용하여 유사 키워드들을 추출

하고 그 키워드 묶음을 토대로 미래신호 키워드들을 해석하였다. 본

연구에서는 단어와 단어 간 유사도 분석에서 머무르지 않고 단어와 문

서 간 유사도 분석까지 시행하여 미래신호로 나타난 키워드가 주로 어

떤 의미에서 거론되고 있는지 파악하였다. 이는 미래신호탐색 기법을

통해 도출한 결과를 보다 잘 이해할 수 있도록 했다는 점에서 발전했

다고 볼 수 있다.

이 장은 에너지 부문 디지털화 연계 이슈를 탐색하는 장으로서 정책

216

적으로는 향후 주의를 기울여야 할 영역에 어떤 것들이 있는지 확인하

는 데 의의가 있다. 기술 차원에서는 piezoelectric, nanogenerator, TENG

와 같이 에너지수확 기술이 강신호로 자리 잡고 있는 가운데, LSTM이

나 analytics와 같은 분석기법과 블록체인, 포그컴퓨팅, 로봇, 마이크로

배터리 등 첨단 정보 및 산업 기술이 약신호로 분류되었다. 앞으로 어떤

기술들이 추가적으로 관심을 더 받을지에 대해 이해할 수 있는데, 현 에

너지기술 개발 및 혁신 정책을 점검하고 개선하는 과정에서 이 연구결과

를 참조할만하다.

이해관계자 차원에서는 소비자 관련 이해관계자들이 강신호로 대두

되었고, 중소기업, 개인이 약신호로 나타났다. 이는 그동안 사업자나

규제자 입장에서 주로 논의되던 에너지산업 이해관계자들이 소비자나

중소기업, 개인으로 확장되고 있음을 보여준다. 그만큼 에너지산업 이

해관계자들이 다양해지고 있고 각 부문의 역할이 새롭게 조명받고 있

음을 말한다. 정책적으로는 그동안 에너지산업에서 역할이 제대로 논

의되지 못했던 이해관계자들이 어떻게 시장에 참여하고 에너지전환을

촉진하는 데 있어 긍정적인 역할을 할 수 있을지에 대해 검토할 필요

가 있다.

서비스 영역에서는 분산자원, 거래 관련 이슈가 강신호로 나타난 반

면, 대학, 호텔, 가정, 아파트 등 분산자원 활용 및 에너지이용 효율이

강조되는 영역들이 약신호로 부상하고 있음을 확인하였다. 에너지공급

단 중심 논의에서 소비단 중심 논의로 초점이 이동하고 있음을 확인할

수 있었다. 이러한 논의 초점 이동의 중심에는 디지털화가 자리를 잡고

있다. 정책적으로는 디지털 기술을 통해 새로운 서비스 영역을 발굴할

수 있는 환경을 조성할 필요가 있다. 이와 관련해서는 4장에서 언급한

시장 조성에서의 정책 및 규제기관의 역할을 다시 참조할 필요가 있다.


가치 부문에서는 편리성, 수명, 권한강화가 약신호로 강조되었다. 정

책적으로는 특히 권한강화 키워드에 관심을 더 기울일 필요가 있는데,

에너지시장에 참여가능하고 새로운 역할을 담당할 수 있는 주체들이

원활하게 그들의 역할을 수행할 수 있도록 제도적 뒷받침을 해줄 필요

가 있다. 이는 앞서 언급했던 이해관계자 약신호 키워드들과 맥락이

같다. 즉 에너지산업 이해관계자 역할 논의가 공급자 중심에서 소비자,

중소기업, 개인 등 그동안 상대적으로 논의가 부족했던 이해관계자들

로 확대되고 있는 것이다.

기능 차원에서는 수요패턴 분해가 주요 약신호로 나타났는데, 이 역

시 에너지소비단의 수요패턴을 보다 세밀하게 확인할 수 있는 기술에

대한 관심이 높아지고 있음을 보여준다. 이 역시 앞서 강조했던 점들

과 같은 맥락에서 이해할 수 있다. 즉, 디지털 기술을 통해 소비자단의

에너지 이용 효율을 높이고 새로운 서비스 시장이 만들어지고 있는 가

운데, 정책적으로 기술은 구현 가능하지만 데이터 확보, 활용, 공유 등

의 제도적 문제로 관련 서비스가 어려운 상황을 검토하고 에너지신사

업 활성화라는 현 정책 목표가 달성될 수 있도록 제도적 환경 마련에

노력해야 할 것이다.

제6장 결론 219

제6장 결 론

1. 연구 요약

지금까지 디지털화에 따른 에너지산업 가치사슬의 변화와 관련한 다

양한 주제를 놓고 정량적, 동태적으로 분석하였다. 2장에서는 에너지

산업의 가치사슬 변화 양상을 4가지 측면에서 살펴보았다. 바로 가치

사슬의 다차원화, 역류, 삽입, 축소 또는 제거이다. 디지털 융합이 진행

되는 상황에서 가치사슬 구조는 선형에서 네트워크형으로 변모하고 소

비자의 니즈에서 가치 창출이 시작되며, 새로운 서비스 및 사업체가

등장하는가 하면 고객 니즈 충족에 경쟁력이 약한 기업들은 시장에서

퇴보한다는 점을 담고 있다.

3장에서는 에너지산업 가치사슬 변화를 보다 심층적으로 이해하기

위해 산업 및 기업 네트워크 구조를 시간의 흐름별로 살펴보았고, 기

업 네트워크 위상 변화에 영향을 미치는 요인이 무엇인가를 검토하였

다. 분석 결과 국내 전력산업은 지난 30년간 꾸준히 정보통신 융합이

진행되어 왔으나 2010년 스마트그리드 사업 추진 이후 그 현상이 본

격화되었다. 글로벌 전력산업은 최근 6년간 전력부문 산업과 ICT 산업

간 네트워크가 더 긴밀해졌고 노출된 업체수도 2013년 137개에서

2018년 285개로 크게 증가하였다. 다만 석유가스 산업은 최근 6년간

만 놓고 볼 때 석유가스 산업과 ICT 산업 간 관계의 밀도가 약해졌다.

그러나 2013년에 이미 글로벌 석유가스 산업은 글로벌 전력산업보다

두 산업(에너지-ICT)의 관계가 더 긴밀했기에, 향후 보다 장기의 데이

터를 확보한 후 그 변화 흐름을 살펴볼 필요성을 확인하였다. 또한, 패

220

널 분석을 시행한 결과 디지털화가 기업의 네트워크 위상에 통계적으

로 유의하게 긍정적인 영향을 미치고 있는 것을 확인하였다.

4장에서는 디지털화에 대응하기 위한 에너지산업 이해관계자들의

역할을 전력산업과 석유가스 산업 차원에서 살펴보았다. 특징적인 점

은 단순히 나열식으로 각 이해관계자별 역할을 제시하는 수준을 넘어

네트워크 분석을 통해 어떤 이해관계자와 어떤 역할이 상호 연결되어

있고, 또 어떤 역할이 보다 중심성이 강한지를 살펴봤다는 점이다. 이

를 통해 보다 입체적으로 각 이해관계자들의 역할의 중요성을 확인하

였다.

5장에서는 과거와 현재 이슈를 살펴보는 것에서 그치지 않고 미래신

호탐색 기법을 활용하여 앞으로 에너지산업 부문 디지털화와 관련하여

어떤 이슈가 부각될 수 있는가를 논의하였다. 독자들의 이해를 돕기

위해 미래신호를 기술, 이해관계자, 서비스 영역, 가치, 기능이라는

5가지 측면에서 분류하여 제시하였으며, 약신호에 한해 해당 키워드와

가장 유사성이 높은 문서들을 추출하여 함께 보여줬다.

본 연구는 텍스트 빅데이터를 활용하여 에너지산업 가치사슬 변화를

다양한 각도에서 정량적이면서 동태적으로 살펴본 연구로서 기존 연구

대비 강한 차별성을 지닌다. 산업구조변화, 기업 네트워크 위상 변화,

소비자 관심도 변화, 소비자의 인식 조사, 이해관계자별 역할, 에너지

부문 디지털화 미래 신호 등 방대한 주제를 다루고 있다. 에너지산업

가치사슬 연구 차원에서 기존에 수행하기 어려웠던 부분을 수행하였으

며, 텍스트 빅데이터 연구 차원에서 다양한 응용 가능성을 보여줬다.

또한 방대한 문헌검토를 통해 전력산업과 석유가스 산업의 이해관계자

역할을 제시함으로써 산업체, 정책 및 규제 기관이 어떻게 나아가야

할지에 대한 시사점을 제공했다.

제6장 결론 221

본 연구는 다음과 같은 학술적 기여도를 갖는다. 첫째, 비정형 텍스

트 데이터를 활용하여 가치사슬 변화 양상을 정량화하였다. 본 연구는

비정형의 언론기사 텍스트 데이터를 활용하여 에너지 부문 디지털 기

술 활용의 확산에 따라 다양한 기업, 산업이 참여하고 있는 양상과 기

업, 산업의 중심성이 변화하고 있는 모습을 정량화하였다. 또한, 에너

지 부문 전문가들이 소비자에 대해 갖는 관심의 정도 변화를 별도의

설문조사 없이 학술지 초록을 활용하여 통계적으로 분석하였다. 나아

가 에너지산업 이해당사자별 역할들의 중요도를 네트워크 중심성 차원

에서 정량화하였으며, 미래신호탐색 기법을 활용하여 에너지산업 부문

디지털화와 관련한 이슈들을 강신호, 약신호, 잘 알려진 신호, 잠재신호

로 구분하고 각 신호별 특징을 수치로 표현하였다. 디지털기술과 같은

지능형 기술 확산에 따른 에너지산업 가치사슬 변화의 양상에 관한 통

계가 마땅하지 않은 가운데, 본 연구에서는 언론, 학술지의 비정형화된

텍스트 데이터를 정형화된 데이터로 전환하여 에너지산업 가치사슬 변

화 양상을 보다 객관적인 수치로서 보여주었다는 점에서 의의가 높다.

둘째, 빅데이터를 통해 연구결과의 타당성을 높였다. 에너지산업 가

치사슬 변화 양상을 살펴보기 위해 언론기사와 학술지를 활용하면서

일부 언론사나 저널에 국한하지 않고 사실상 모든 언론사와 권위 있는

저널들의 텍스트를 다룸으로써 연구결과의 타당성을 높였다. 특히, 관

련된 모든 데이터를 반영함으로써 연구결과를 일반화시킬 수 있는 외

적타당성이 보다 향상되었다고 볼 수 있다.

셋째, 에너지산업 가치사슬 변화 양상의 동태적 특성을 분석하였다.

장기간에 걸쳐 진행되는 변화를 다룬 연구에서 특정 한 시점의 단면만

을 보여준다면 그 연구결과는 현실을 제대로 반영하지 못했다고 볼 수

있으며, 설득력도 약할 수밖에 없다. 본 연구는 에너지산업의 가치사슬

222

변화 양상이 연도별로 변하는 모습을 고스란히 보여줌으로써 에너지산

업 변화에 대한 이해도를 높였다고 할 수 있다.

넷째, 미지 영역을 과학적으로 탐구하였다. 앞서 강조해온 에너지산

업 네트워크 구조 변화, 기업들의 중심성 변화 및 그 영향 요인, 에너

지소비자들에 관한 에너지전문가 관심도 변화 등의 연구주제뿐만 아니

라 소비자들의 스마트에너지시스템 인식 조사, 에너지산업 이해관계자

별 역할 네트워크 분석, 에너지산업 디지털화 관련 미래신호 등 그동

안 제대로 탐구되지 못한 영역들을 본 연구는 심층적으로 살펴보았다

는 데에 학술적 의의가 높다.

다섯째, 기존 연구방법론을 개선하였다. 텍스트마이닝을 이용한 미

래신호 탐색 기법에서 그동안 미래신호로 도출된 결과물이 키워드인

관계로 해석의 용이성이 높지 않았던 것이 사실이다. 연구주제에 대한

전문성이 높은 이들이라면 신호로 도출된 결과물이 키워드일지라도 그

결과물의 의미를 어렵지 않게 확인할 수 있을 수 있다. 그러나 일반인

역시 쉽게 해석할 수 있게 하기 위해서는 그 키워드가 갖는 의미를 보

다 객관적으로 제시할 수 있어야 한다. 이에 본 연구에서는 미래신호

와 관련한 각 키워드들과 데이터베이스로 활용된 문서들 간 유사성을

검토하고 각 키워드와 가장 유사성이 높은 문서를 제시함으로써 각 키

워드가 갖는 의미들 중 확률적으로 가장 높은 의미를 이해할 수 있도

록 하였다.

제6장 결론 223

2. 정책적 시사점

2.1. 에너지시장 변화 촉진

정부 및 규제 기관 입장에서 공정한 에너지 시장 구축이 중요하다는

목소리가 매우 높았다. 특히, 중립적이고 비차별적 형태로 분산자원 시

장을 발전시켜야 한다는 요구사항이 많았다. 그리고 유연한 시장을 구

축하고 신규 시장을 촉진하는 데 있어서도 정부 및 규제기관이 주요

역할 수행기관으로 인식되어 있었다.

정책적으로 에너지시장을 개선함에 있어서 분산자원이 비차별적으

로 시장에 진입할 수 있게 하고 디지털 기술을 활용한 유연한 시장 구

축에 노력해야 한다. 분산자원이 비차별적으로 진입하는 데 있어 배전

사업자의 역할이 특히 중요하다. 정부는 배전사업자가 분산발전원의

계통 연계를 비차별적이면서도 원활하게 지원할 수 있는 체계 구축에

노력해야 한다. 2018년 2월 감사원은 태양광 발전사업 관련 비리점검

특정감사 보고서를 발표하였는데, 그 보고서에 따르면, ‘배우자 및 지

인 명의의 태양광발전소를 부당 연계하도록 지시’ 등 한국전력의 망중

립성 위반 사례를 다수 지적하였다. 또한, 전력계통별 누적연계용량 및

연계가능용량과 전력수급계약을 신청한 순서 등을 상시적으로 조회할

수 있도록 하는 등의 조치사항을 주문하였다(송대호, 2018). 이에 국회

는 2019년 4월 전기사업법 20조2항을 신설하여 전기설비 용량 및 전

기사업자의 이용 현황 등 전기설비의 정보를 공개하도록 하였다. 향후

에는 전기사업법 개정 시 분산발전 계통 연계와 관련하여 한국전력의

보다 구체적인 기술검토 절차와 내용 역시 의무적으로 공개하는 방안

을 검토할 필요가 있다.

224

또한, 새로운 유형의 거래를 허용한다든지 신규시장 촉진을 위한 장

벽을 제거하는 일에 주력할 필요가 있다. 2015년 수립된 에너지신산업

육성 전략을 살펴보면 크게 4가지 정책 방향이 제시되어 있다. ‘누구

나 전력을 생산하고 팔 수 있는 시장 창출’, ‘저탄소 발전을 확대하여

새로운 시장 개척’, ‘전기차가 우리나라 주력산업이 되도록 육성’, ‘산

업부문 온실가스 감축이 성장의 기회가 되도록 지원’이다(박찬국,

2016). 그러나 2019년 6월 수립된 제3차 에너지기본계획에 따르면, 우

리나라는 에너지 분야에 4차 산업혁명 신기술 접목을 통한 에너지 소

비구조 혁신 및 새로운 서비스 창출이 선진국에 비해 더딘 상황이라고

평가하고 있다. 재생에너지, ESS 등 관련 인프라는 빠르게 확산되고

있지만, 반면, 경직적 시장구조, 에너지인터넷(Internet of Energy) 핵심

기술 부족, 데이터 활용체계 미흡 등으로 에너지 분야 신규 서비스 창

출에 한계가 있다고 평가하였다(산업통상자원부, 2019a). 신사업들이

대체로 경제성이 뒷받침되지 않은 가운데 인센티브 정책만으로는 한계

가 있을 것이다. 자생적 시장이 형성될 수 있는 산업구조와 요금체계

를 마련하고 기업 육성 방향이 중점적으로 고려되어야 할 것이다(박찬

국, 2016).

분산자원과 연계된 시장의 발전은 디지털 기술의 효과적 활용과도

연결된다. 디지털 기술은 분산발전이 에너지네트워크에 원활하게 연계

될 수 있도록 지원하고, 저장자원이나 수요관리자원 역시 최적화된 방

식으로 활용할 수 있도록 한다. 분산자원 및 에너지자원 시장이 공정

하고 유연하며 투명한 형태로 발전할수록 디지털 기술의 역할은 더욱

높아질 것이다. 또한, 새롭고 개방적인 시장 구축에서도 디지털 기술의

역할은 중요하다. 에너지신산업의 대부분이 ICT 기반 하에 진행되고

제6장 결론 225

있으며, 에너지 부문과 ICT 부문과 건전한 경쟁과 협력을 바탕으로 개

방적인 시장이 만들어질 것이다.

2.2. 소비자 참여 촉진과 보호

이미 소비자들은 직접 에너지를 생산 또는 저장할 수 있고, 별도로

아낀 에너지자원을 시장에서 거래할 수 있는 상황에 접어들었다. 국내

에서도 소규모 가정용 태양광 보급을 적극 지원하고 있으며, 일반 개

인도 2019년 12월부터 자신이 아낀 수요자원을 시장(소위 에너지쉼표

(국민DR시장))에서 거래할 수 있다. 아직 국내에서는 허용되지는 않지

만 네덜란드, 영국, 미국, 호주 등에서는 개인 간 직접 에너지를 거래

할 수 있도록 허용하고 있으며, 블록체인, 마이크로그리드 등의 기술

활용이 에너지 거래 부문에서 확대되고 있다.

환경비용이 낮은 재생에너지 자원 보급을 늘리고 수요반응 기술을

통한 에너지효율을 촉진하며 저장장치를 활용한 에너지시스템 안정성

을 제고하는 일은 이제 더 이상 사업자만의 역할은 아니다. 일반 소비

자도 프로슈머로 전환할 수 있고, 프로슈머가 아닐지라도 자신들의 저

장자원, 수요관리자원 등의 분산자원을 통해 시장에 참여할 수 있다.

앞으로 소비자들은 에너지전환을 촉진하는 주요 주체로서 변모해갈 것

이고 에너지시장에서 주요 이해관계자가 됨으로써 그들의 목소리가 시

장에서 더욱 강해지는 상황으로 변해갈 것이다.

정책 및 규제 차원에서는 소비자들이 어떻게 에너지전환 시대에 적

절하게 역할을 분담하고 시장에 참여하도록 할 것인지에 대해 포괄적

이면서도 전향적인 접근이 필요하다. 모니터링, 원격제어, 자율학습 및

반응 등의 디지털기술을 활용해 소비자들이 분산자원을 효과적으로 활

226

용할 수 있게 되면서 정책 및 규제 기관에서는 소비자들의 향후 바람

직한 역할과 그 역할 수행 시 발생하는 장애물들을 제거하는 데 노력

할 필요가 있다.

또한, 에너지시장에 적극 참여하는 소비자와 그렇지 않은 소비자들

간 형평성 문제도 함께 고민해야 한다. 프로슈머 육성이 중요한 과제

이지만 모든 소비자들이 그렇게 적극적인 참여자가 되기는 어려우며

정보의 비대칭성, 위험인식, 개인 민감도 등에 따라 스마트에너지시스

템을 수용하는 정도가 다르게 나타난다. 프로슈머의 역할을 명확히 하

면서도 에너지네트워크 및 인프라 사용 비용이 그 네트워크 및 인프라

를 사용하는 이들 간 형평성 있게 분배될 수 있도록 제도화할 필요가

있다. 그리고 앞서 언급하였듯이, 정보 비대칭성, 위험인식, 개인 민감

도 등에 스마트에너지시스템 수용이 다를지라도 디지털 디바이드

(digital divide)를 최소화하도록 노력해야 하며, 과다한 위험인식이 형

성되지 않도록 정확한 정보를 투명하게 공유하는 노력을 기울어야 할

것이다. 동시에 신산업 육성에 집중적으로 초점을 맞출 경우 소비자

피해 발생 시 합리적으로 대응해야 할 조치 등에 소홀할 수 있는데, 신

산업육성책과 소비자 보호 조치 간 균형 있는 체계를 구축해야 할 것

이다. 가령 최근 정부의 재생에너지 보급 확대 정책으로 인해 태양광

사업에 대한 열풍이 일고 있으나, 태양광 사업이 재테크 수단으로 크

게 부각되면서 허위과장 광고와 투자사기 역시 늘어나고 있다. 이에

신사업 수익률에 대한 과장된 정보 제공을 금지하고 위반 시 처벌규정

을 만드는 등 소비자 보호에도 주력해야 한다.

제6장 결론 227

2.3. 유연한 규제시스템 구축

기술발전 속도가 빠르게 진행되지만 규제 변화 속도가 느려 기술혁

신을 저해하는 일은 일반적으로 지적되고 있다. 그러나 기술혁신을 촉

진하고 산업을 발전시키며 소비자 편익을 향상시키고자 하는 정책 목

표를 고려하면 규제는 언제나 느리게 변한다는 인식으로 이 현상을 당

연하게 받아들이기에는 무리가 있다.

에너지산업에서는 특히 분산자원 기술과 사물인터넷, 빅데이터, 인

공지능 등의 4차 산업혁명 기술의 빠른 발전으로 산업 가치사슬 변화

와 더불어 규제 시스템 유연성의 중요성이 어느 때보다 강조되고 있

다. 새로운 기술의 활용이 기존 규제 시스템에 묶여 제대로 진행되지

못하는 사례를 최소화할 필요가 있는 것이다.

이에 최근 국내에서도 규제의 유연성을 높이는 차원에서 규제 샌드

박스를 통해 신산업 및 신기술 활용을 지원하는 노력이 이어지고 있다

(국무조정실 국무총리비서실, 2019.7.16.). 2019년 7월 정부는 규제 샌

드박스를 시행한 이후 6개월이 지난 시점에서 자체적인 평가 결과를

내놓았다. 그 평가결과에 따르면, 정부는 규제 샌드박스 시행 6개월 만

에 총 81건의 과제를 승인하였는데, 2019년 100건의 목표 중 80%를

상회하는 성과를 이뤘다. 기업 규모별로는 중소기업이 전체의 80%를

차지하였으며, 한국전력 2건, 도로공사 1건 등 공기업도 참여하였다.

대기업은 대형금융기관을 포함하여 전체 중 16%를 차지하였다. 규제

샌드박스 승인이 이루어진 업종 분야별로는 금융 46%, 의료 14%, 제

조 11%, 전기․전자 10% 순이며, 기타 통신, 에너지, 광고, 물류 등이

포함되었다. 신기술 분야별로는 앱(app)을 기반으로 하는 플랫폼 기술

이 50% 이상을 차지하였으며, 사물인터넷(IoT), 빅데이터, 블록체인,

228

인공지능(AI) 기술 순으로 나타났다. 특히, 규제 샌드박스의 과제 접수

부터 심사까지 평균 44일이 소요되어 영국, 일본 등 외국(평균 180일)

보다 빠른 심사가 이루어졌다고 평가하였다(국무조정실 국무총리비서

실, 2019.7.16.). 정부는 이러한 긍정적 자체평가와 더불어 추가 개선과

제도 제시하였다. 규제 샌드박스 통과 스타트업 기업의 우수 조달물품

신청자격 부여, 자금 공급 확대, 시장개척 멘토링 등 ‘성장프로그램’을

보강하고, 특허출원 시 우선심사 대상으로 처리하여 특허 분쟁의 신속

한 해결을 지원하며, 2020년 이후부터 규제 샌드박스 융합 신제품 인

증기술개발사업을 추진하기로 하였다. 또한, 과제별 담당자 실명제를

통해 사업별 사후관리체계를 구축한다는 방침이다(국무조정실 국무총

리비서실, 2019.7.16.).

정부의 규제 샌드박스를 통한 신산업, 신기술 지원은 분명 기존 대

비 규제장벽을 낮추는 효과를 갖는다고 본다. 다만, 정부의 자체평가에

서도 지적되었듯이, 언론에서도 규제 샌드박스를 통과한 뒤의 사후관

리체계가 보다 강화될 필요성이 제기되고 있다. 과금형 앱 기반 전기

차 충전 콘센트 제공기업 ‘차지인’의 경우와 같이 정부가 국제표준과

공공 안전을 고려하여 규제특례심의위원회를 통해 규제 샌드박스를 적

용하였지만, 국가기술표준원과 같은 관련 기관의 또 다른 규제에 부딪

쳐 사업이 진행되지 못하는 경우가 있다(변상근, 2019; 김봉기, 양모

듬, 2019; 강광우, 2019) 또한, 블록체인 기술을 활용한 P2P(개인 간)

에너지 거래와 같은 보다 혁신적인 서비스는 나타나지 않고 있는데,

규제 샌드박스를 통해 에너지산업의 서비스 및 기술 혁신이 보다 빠르

게 이루어질 수 있도록 그 기능을 현실화할 필요가 있다. 그리고 다른

국가들에서도 규제 샌드박스를 시행하고 있는데 각 국가들의 규제 완

화의 효과와 합리적인 사후관리체계 관련 정보들을 공유할 필요가 있

제6장 결론 229

을 것이다.

규제 샌드박스만이 규제의 유연성을 높이는 만능열쇠는 아니다. 장

기적으로 복잡한 산업구조 및 기술 발전에 따라 규제 역시 포괄적인

원칙과 더불어 데이터 기반의 부문별 맞춤화된 접근이 요구되며, 시장

및 기술 환경 변화에 따라 규제 또한 민첩하게 변해갈 수 있는 시스템

구축이 필요할 것이다.

2.4. 정책 및 규제 역시 데이터 인프라 구축 및 활용 역량 강화

산업 이해관계자가 많아지고 기술발전 속도가 빨라지면서 산업계 요

구사항도 다양해짐과 동시에 규제 이슈도 복잡해지고 있다. 앞서 언급

했던 유연한 규제체계를 갖추기 위해서는 정책 및 규제기관에서 그 복

잡한 이슈를 효율적으로 확인하고 대응하는 시스템을 갖춰야 한다.

정책 및 규제 기관 입장에서는 산업계가 지켜야 할 의무들이 제대로

수행되는지 관리 감독해야 하면서도 그 산업계가 원활하게 사업을 추

진할 수 있도록 지원하는 환경을 마련해야 하는 책임을 갖고 있다. 정

책과 규제 기능이 별도의 조직으로 분리된 경우이건 그렇지 않건 이

규제와 진흥의 업무는 상호 충돌되는 양상을 보이기 쉽다. 그러나 그

규제의 타당성이 인정되고 효율적인 체계를 갖춘다면 규제와 진흥의

충돌 양상을 줄이면서 산업의 발전을 촉진할 수 있는 기반을 제시할

수 있다. 문제는 정책 및 규제 기관 입장에서 인력과 시간은 제한되어

있는 가운데 갈수록 방대해지는 관련 산업 규제 및 진흥 이슈들을 어

떻게 이해하고 민첩하게 대응할 것인가이다.

본문에서 살펴봤듯이 에너지산업은 디지털기술 융합이 빠르게 진행

되고 있으며, 산업구조 역시 복잡한 네트워크 형태로 진화하고 있다.

230

그러나 정책 및 규제 측면에서는 디지털 기술 융합에 관한 논의가 제

대로 이루어지지 못하고 있다. 에너지산업 역시 데이터 기반 산업으로

발전하고 있다면, 정책 및 규제 역시 데이터 기반으로 발전할 필요가

있다. 복잡하면서도 다양한 이슈를 빠르게 이해할 수 있고 기술혁신,

산업발전, 소비자보호 간 균형을 유지할 수 있는 대안을 적절하게 시

행할 수 있는 데이터 기반 시스템을 만들어가야 한다. 즉 산업계의 데

이터 인프라 구축 및 활용 역량만을 강조할 것이 아니라 정책 및 규제

기관 역시 그 역량 강화가 중요한 것이다.

그렇다면 정책 및 규제 설계 및 집행에 필요한 데이터는 무엇인지,

어떤 표준을 바탕으로 데이터를 수집할 때 효율적인지, 데이터 분석과

보고서 작성이 이루어질 때 어느 수준까지 진행되어야 할지, 이 데이

터 분석 및 보고서 작성을 수행하는 주체는 누가 될 것인지, 보안은 어

떻게 강화해야 할 것인지 등에 관한 심층적인 논의가 필요하다.

현재까지는 면대면 회의나 전문가 의견 활용 중심에서 정책 및 규제

설계와 집행에 필요한 정보를 구축하는 일이 다반사였지만, 앞으로는

보다 실질적인 데이터를 기반으로 의사결정을 돕고 기존 오프라인 방

식의 정보수집 활동과 시너지를 일으킬 수 있는 방향으로 발전해나갈

필요가 있다.

앞으로 에너지시스템과 이해관계자 구도는 더욱 복잡한 형태로 진화

해갈 것이다. 그러나 정책 및 규제 시스템이 민첩하게 대응할 수 없다

면 항상 정책과 규제가 산업 발전을 가로막는 주요 장애요인이라는 비

판을 피할 수 없을 것이다. 이에 그 복잡한 양상을 이해하고 효과적으

로 맞춤화된 조치를 취해야 하는데, 결국 그렇게 할 수 있는 역량을 갖

추는 게 중요하다. 그러한 역량을 갖추지 못한다면, 단지 산업구조가

너무 복잡한 가운데 규제체계 역시 너무 얽혀 있고 쉽게 변경하기 어

제6장 결론 231

렵다는 변명은 힘을 잃고, 디지털 시대에 제대로 역량을 갖춘 정책 및

규제 조직이 갖춰지지 않아 발 빠른 대응을 못하고 있다는 비판을 받

게 될 것이다.

2.5. 협력체계 강화

에너지산업은 다양한 산업체가 상호 협력하고 경쟁하는 장으로 변해

가고 있다. 이에 다양한 이해관계자들의 파트너십이 어느 때보다 중요

한 과제로 인식되고 있다. 디지털기술을 활용한 에너지사업을 추진할

경우 디지털기술과 에너지기술에 대한 종합적인 이해가 필요하며, 이

질적이었던 두 부문 간 긴밀한 연계가 중시되고 있다. 이러한 현실에

서 정부 및 규제 기관은 디지털 에너지시스템 구축과 활용에 있어 협

력체계를 강화하는 주요 주체로서 인식되고 있다.

본문에서 살펴봤듯이 에너지정책, 정보통신정책, 국토 및 도시 정책

등의 관할 부처 간 정책 조율이 요구되며, 중앙정부와 지방정부 간 협

력도 중시되고 있다. 에너지정책을 추진하면서 다른 부문의 협력이 있

어야 보다 효과적인 디지털 에너지 정책이 추진될 수 있는 환경이 되

었으며, 지방정부 역시 분산자원 및 디지털시스템 구축에 있어 주요

주체로 발전함에 따라 중앙정부 차원에서만 관련 정책을 추진할 것이

아니라 지방정부의 역할을 고려하여 상호 협력체계를 강화해 나갈 필

요가 있다. 또한, 다른 국가들과의 협력도 중요한데, 발전된 형태의 지

식정보를 확보하는 데 도움이 될 뿐만 아니라 향후 해외진출 시에도

긍정적으로 영향을 미치게 된다.

다양한 부처 간, 중앙정부-지방정부 간, 국가 간 협력체계 강화를 통

해 다분야 관련 시범사업을 추진하고 기술실증이 필요한 영역과 사업

232

화를 위해 정책 및 규제체계 개선이 필요한 영역에 대한 공감대를 형

성할 필요가 있다. 다만, 이러한 협력의 중요성은 기존이나 지금이나

수없이 강조되고 있지만 정책 및 규제기관 이해관계, 조직문화, 인센티

브 등의 문제로 쉽게 개선되지 못하고 있다. 국무총리실 주도 하에 관

계부처가 함께 참여하는 형태로 많은 정책 및 규제 설계가 시도되고

있다. 이러한 노력은 분명 고무적이지만 향후 정책이나 규제 차원에서

고려해야 할 요소들이 계속 복잡해지는 상황에서 보다 혁신적인 접근

이 요구된다.

앞서 강조했던 정책 및 규제 기관 역시 데이터 인프라를 구축하고

그 데이터를 활용하는 역량을 강화하는 일은 이 협력체계 강화와 밀접

한 연관성을 지닌다. 데이터 인프라 구축 및 활용은 여러 이해관계 조

직 간 업무의 투명성을 높임과 동시에 상호 이해를 촉진하고 협력 추

진 시 그 업무추진의 효율성을 높이는 주요 동인으로 작용한다. 즉 정

책과 규제의 디지털 시스템이 적절한 협력 인센티브 체계를 형성하고

협력문화를 증진시키고 이해관계를 조율하는 촉매제 역할을 할 수 있다.

3. 추가 연구 과제

에너지산업 네트워크 구조 변화와 기업의 네트워크 위상에 영향을

미치는 요인 분석에서 국내 전력산업 관련 연구는 1990년부터 2018년

까지 장기간의 데이터를 활용하였지만, 글로벌 전력산업과 글로벌 석

유가스 산업 부문은 2013년부터 2018년까지의 6년치만 활용하였다.

향후 연구에서는 글로벌 에너지산업과 관련해서도 보다 긴 기간의 데

이터를 확보하여 에너지산업의 변화 흐름을 보다 설득력 있게 제시할

필요가 있다.

제6장 결론 233

소비자에 관해서는 소비자들의 스마트에너지시스템 인식을 추가적

으로 분석할 필요가 있다. 특히, 전문가 그룹과 일반인 그룹 간 인식

차이, 편익 인식과 위험인식 간 상호작용, 스마트에너지시스템 수용성

요인 등 다양한 연구주제가 존재한다. 본 연구에서 깊게 다루지 못한

부분은 추후 연구에서 심층적으로 다룰 계획이다.

이해관계자별 역할과 관련해서는 데이터 수집에 있어 더 많은 자료

를 수집하고 외적 타당성을 높일 필요가 있다. 본 연구에서는 전력산

업과 관련해서 40개 보고서 및 논문, 석유가스 산업과 관련해서는 30

개 보고서 및 논문을 활용하였는데, 이해관계자별 역할을 담고 있는

자료를 추후 더 확보할 수 있을 것으로 기대된다. 또한, 네트워크에서

이해관계자 연결고리를 제거함으로써 역할들의 중심성을 확인하였는

데, 향후에는 역할들 간의 관계를 직접 전문가 설문을 통해 확인함으

로써 역할들 간의 관계를 보다 현실적으로 이해할 필요가 있다.

미래신호 탐색과 관련해서는 어떤 약신호가 향후 강신호로 전환될

가능성이 높은지를 구체적으로 보여줄 수 있도록 기계학습 기법을 결

합할 필요가 있으며, 각 신호들 간 변화 과정을 과학적으로 이해할 수

있는 학술 연구가 요구된다.

이 밖에도 본 연구에서 다루지 않은 미래 첨단 기술의 도입 및 활용

에 따른 에너지산업 가치사슬의 장기적 변화 방향, 정책 및 규제 기관

의 역할로 강조되었던 영역에 대한 심층적 조사와 구체적 대안 제시

등이 추가적으로 연구되어야 할 것이다.

참고문헌 235

참고 문헌

<국내 문헌>

강광규 (2018). 미세먼지관리종합대책(2018) 주요 내용과 방향, 에너지

고위경영자과정 발표자료, 에너지경제연구원.

김현제, 박찬국 (2012). 스마트그리드 소비자 수용성 확보 방안 연구.

에너지경제연구원

민인식, 최필선 (2012). STATA 패널 데이터 분석. 지필미디어: 서울.

박찬국 (2016). 우리나라 P2P 전력거래 가능성 연구, 수시연구사업,

에너지경제연구원.

박찬국 (2017). 전력산업 미래전망을 위한 빅데이터 활용 방안 연구,


박찬국 (2018). 블록체인, 에너지 부문 기회와 과제, 수시연구사업,


박찬국, 김현제 (2014). 에너지 부문 정보통신 융합의 전개구도와 영향.

기본연구사업, 에너지경제연구원.

박찬국, 김현제 (2015). 사물인터넷을 통한 에너지신산업 발전방향 연구:

텍스마이닝을 이용한 미래신호 탐색. 에너지경제연구원.

산업통상자원부 (2017). 청정에너지기술로드맵. 산업통상자원부.

산업통상자원부 (2019a). 제3차 에너지기본계획. 산업통상자원부.

산업통상자원부 (2019b). 주택용 계절별, 시간대별 요금제 실증 본격

추진. 보도자료, 산업통상자원부.

236

송대호 (2018.8). 전기사업법 일부 개정 법률안 검토보고서. 산업통상

자원중소벤처기업위원회.

안재형 (2014). R을 이용한 누구나 하는 통계분석. 한나래.

오진규 (2019) 24차(2018년) 기후변화협약 당사국 총회의 파리협정

세부 이행지침 채택 내용 분석, 세계 에너지시장 인사이트 19(11),


유학식, 박기현. (2017). 석유·가스 부문 지능형 기술 도입 요인 조사

연구. 에너지경제연구원

이서진, 김아름, (2018) 세계 에너지수요 전망(IEA World Energy Outlook

2018) 분석, 세계 에너지시장 인사이트 18(43), 에너지경제연구원.

환경부 (2016). 교토의정서 이후 신 기후체제 파리협정 길라잡이, 환경부.

<국외 문헌>

ABB (2017). Digitalization and power generation: Evolve, adapt and

thrive during the Energy and Fourth Industrial Revolutions. ABB.

Retrieved from https://library.e.abb.com/public/5b1f31f8444f41a7

922b200207e47177/Digitalization%20and%20power%20generation

_WP.pdf

Abdmouleh, Z., Gastli, A., & Ben-Brahim, L. (2018). Survey about pub-

lic perception regarding smart grid, energy efficiency & renewable

energies applications in Qatar. Renewable and Sustainable Energy

Reviews, 82, 168-175.

Abdullah, F.S. (2014). Mass Media Discourse: A Critical Analysis

Research Agenda. Social Science and Humanities 22, pp. 1-16.

참고문헌 237

Abramova, S., & Böhme, R. (2016). Perceived benefit and risk as multi-

dimensional determinants of bitcoin use: a quantitative exploratory

study.

Acakpovi, A., Abubakar, R., Asabere, N. Y., & Majeed, I. B. (2019).

Barriers and Prospects of Smart Grid Adoption in Ghana. Procedia

Manufacturing, 35, 1240-1249.

Accenture (2014). The New Energy Consumer Architecting for the

Future, Accenture.

Accenture (2017). Accenture and Microsoft 2017 Upstream Oil and Gas

Digital Trends Survey. Accenture.

Accenture Strategy. (2016). Network Transformation Roadmap. Accenture

Aiello, M., & Pagani, G. A. (2016). How energy distribution will

change: an ICT perspective. In Smart Grids from a Global

Perspective (pp. 11-25). Springer, Cham.

Alagoz, B. B., Kaygusuz, A., & Karabiber, A. (2012). A user-mode dis-

tributed energy management architecture for smart grid applications.

Energy, 44(1), 167-177.

Alboim, E. (2001). The Media and Public Policy. Working Paper 19,

School of Policy Studies, pp. 1-9.

Allee, V. (2000). Reconfiguring the Value Network. Journal of Business

Strategy. 21(4), 36-39.

Allee, V. (2008). Value network analysis and value conversion of

tangible and intangible assets. Journal of intellectual capital, 9(1),

5-24.

Alonso, M., Amaris, H., & Alvarez-Ortega, C. (2012). Integration of

238

renewable energy sources in smart grids by means of evolutionary

optimization algorithms. Expert Systems with Applications, 39(5),

5513-5522.

Amin, M. (2013). Energy: The smart-grid solution. Nature, 499(7457),

145.

Amit, R., & Han, X. (2017). Value creation through novel resource con-

figurations in a digitally enabled world. Strategic Entrepreneurship

Journal, 11(3), 228-242.

Anderson, J. C., Håkansson, H., & Johanson, J. (1994). Dyadic business

relationships within a business network context. Journal of marketing,

58(4), 1-15.

Andoni, M., Robu, V., Flynn, D., Abram, S., Geach, D., Jenkins, D.,

... & Peacock, A. (2019). Blockchain technology in the energy

sector: A systematic review of challenges and opportunities.

Renewable and Sustainable Energy Reviews, 100, 143-174.

Annala, S., Viljainen, S., Tuunanen, J., & Hukki, K. (2013, November).

Smart use of electricity-How to get consumers involved?. In

IECON 2013-39th Annual Conference of the IEEE Industrial

Electronics Society (pp. 7056-7061). IEEE.

Annunziata, M., Bell, G. (2015). Powering the future. GE: New York,

U.S.

Ansoff HI. (1975). Managing strategic surprise by response to weak

signals. Californian Management Review, 18:21-33.

Appelgren, E. (2004). Convergence and Divergence in Media: Different

Perspectives. 8th ICCC International Conference on Electronic

참고문헌 239

Publishing, Brasilia-DF, Brazil.

Arbib, M.A. (1995). The Handbook of Brain Theory and Neural

Networks, MIT Press, Cambridge, MA.

Areva. (2018). Digitalisation in Chemicals & Petrochemicals. Areva.

Arthur D. Little. (2019). The TSO CIO agenda 2020 Energy transition

and digitalization transform the transmission system operator and

it's IT strategy. Arthur D. Little Global.

Attwood, J., Curry, C., Wilshire, M. (2017). Digitalization of Energy

Systems. Bloomberg New Energy Finance: New York, U.S.

avanade (2017). The Digital Utility, avanade

Badi, S., Wang, L., & Pryke, S. (2017). Relationship marketing in

Guanxi networks: A social network analysis study of Chinese

construction small and medium-sized enterprises. Industrial Marketing

Management, 60, 204-218.

Baig, F., Mahmood, A., Javaid, N., Razzaq, S., Khan, N., & Saleem,

Z. (2013). Smart home energy management system for monitoring

and scheduling of home appliances using zigbee. J. Basic. Appl.

Sci. Res, 3(5), 880-891.

Balta-Ozkan, N., Davidson, R., Bicket, M., & Whitmarsh, L. (2013).

Social barriers to the adoption of smart homes. Energy Policy, 63,

363-374.

Baltagi, B.H. (2001). Econometric Analysis of Panel Data. John Wiley

& Sons, Ltd: Baffins Lane, Chichester.

Barker, B. (2018). Navigating the ‘Moving Parts’ of Grid

Telecommunications. EPRI Journal, Electric Power Research Institute.

240

Barrutia, J.M., Echebarria, C. (2005). The Internet and consumer power:

The case of Spanish retail banking. Journal of Retailing and

Consumer Services. 12(4), 255-271.

Bask, A., Lipponen, M., Rajahonka, M., & Tinnilä, M. (2010). The

concept of modularity: diffusion from manufacturing to service

production. Journal of Manufacturing Technology Management,

21(3), 355-375.

Basole, R. C., & Rouse, W. B. (2008). Complexity of service value

networks: Conceptualization and empirical investigation. IBM

systems journal, 47(1), 53-70.

Basole, R., Park, H., Barnett, B.C. (2015). Coopetition and convergence

in the ICT ecosystem. Telecommunications Policy. 39, 537-552.

BCG (2018). Digital in Power India perspective. BCG

Berman, S. J. (2012). Digital transformation: opportunities to create new

business models. Strategy & Leadership, 40(2), 16–24. doi:

10.1108/10878571211209314

Bharadwaj, R. (2019). AI for Exploration & Production (Upstream) in

the Oil and Gas Industry – Current Applications. EMERJ.

Biem, A., & Caswell, N. (2008). A value network model for strategic

analysis. In Proceedings of the 41st Annual Hawaii International

Conference on System Sciences (HICSS 2008) (pp. 361-361).

IEEE.

Bigerna, S., Bollino, C. A., & Micheli, S. (2016). Socio-economic

acceptability for smart grid development–a comprehensive review.

Journal of Cleaner Production, 131, 399-409.

참고문헌 241

Bloomberg, J. (2018). Digitization, digitalization, and digital transformation:

confuse them at your peril. Forbes.

BNEF (2014). Apple takes a bite out of utility ambition in the home.

Bloomberg New Energy Finance: New York, U.S.

BNEF (2017). Digitalization of Energy Systems. Bloomberg New

Energy Finance: New York, U.S.

BNEF (2018a). Fix smart: digtial O&M can improve LCOE up to 6%.

Bloomberg New Energy Finance: New York, U.S.

BNEF (2018b). Can Artificial Intelligence Boost Margins in Energy

Sector?. Bloomberg New Energy Finance: New York, U.S.

BNEF (2018c). Rakuten Sees Growth in Japan's Energy Credit Trading

Market: BNEF Q&A. Bloomberg New Energy Finance: New

York, U.S.

BNEF (2018d). Blockchain, Drones Are Strategies for Survival at

Japan's Tepco. Bloomberg New Energy Finance: New York, U.S.

BNEF (2019). 1H 2019 LCOE Update. Bloomberg New Energy

Finance: New York, U.S.

Boguraev, B., Kennedy, C. (1997). Salience-based content characterisation

of text documents. Advances in Automatic Text Summerization.

The MIT Press, pp. 2-9.

Booth, A., Mohr, N., Peters, P. (2016). The digital utility: New

opportunities and challenges. McKinsey & Company: New York,

U.S.

Borgatti, S. P., Mehra, A., Brass, D. J., & Labianca, G. (2009). Network

analysis in the social sciences. science, 323(5916), 892-895.

242

Brandessence (2019). Residential Energy Management Market.

Brandessence Market Research & Consulting Pvt ltd., London.

Breidenthal, J., Cigala, F., McCreery, J. (2018). How Digital Improves

Management Systems in Oil and Gas. Bain & Company.

Bremdal, B. A. (2011). Prosumer oriented business in the energy

market. In Proceedings of the Energy and Finance Conference in

Rotterdam, The Erasmus School of Economics, Rotterdam, The

Netherlands (pp. 5-6)

Brennen, J. S., & Kreiss, D. (2016). Digitalization. The international

encyclopedia of communication theory and philosophy, 1-11.

Breusch, T.S. and Pagan, A.R. (1980). The Lagrange multiplier test and

its applications to model specification in econometrics. Review of

Economic Studies 47, 239-253.

Brin, S., & Page, L. (1998). The anatomy of a large-scale hypertextual

web search engine. Computer networks and ISDN systems,

30(1-7), 107-117.

Bronk, C., & Tikk-Ringas, E. (2013). The cyber attack on Saudi

Aramco. Survival, 55(2), 81-96.

Brown, A., Ciliberti-Ayresm F. (2012). Development of Distributed

Generation in the United States. Empresa de Pesquisa Energetica:

RJ, Brazil.

Brunekreeft, G., Buchmann, M., & Meyer, R. (2016). The Rise of Third

Parties and the Fall of Incumbents Driven by Large-Scale

Integration of Renewable Energies: The Case of Germany. Energy

Journal, 37.

참고문헌 243

Brusco, G., Barone, G., Burgio, A., Menniti, D., Pinnarelli, A.,

Scarcello, L., & Sorrentino, N. (2016). A Smartbox as a low-cost

home automation solution for prosumers with a battery storage

system in a demand response program. In 2016 IEEE 16th

International Conference on Environment and Electrical

Engineering (EEEIC) (pp. 1-6). IEEE.

Buchanan, K., Banks, N., Preston, I., & Russo, R. (2016). The British

public’s perception of the UK smart metering initiative: Threats

and opportunities. Energy Policy, 91, 87-97.

Buchmann, M. (2017). Blockchain in the energy sector: Institutional

disruption?. https://www.enerquire.com/blog/blockchain-in-the-

energy-sector-the-institutional-side (2019.2.24. 접속).

Budge, I. (2015). Issue Emphases, Saliency Theory and Issue

Owernership: A Historical and Conceptual Analysis. West European

Politics 38(4), pp.761-777.

Bughin, J., & Van Zeebroeck, N. (2017). The best response to digital

disruption. MIT Sloan Management Review, 58(4), 80-86.

Burger, S., Chaves-Ávila, J. P., Batlle, C., & Pérez-Arriaga, I. J. (2017).

A review of the value of aggregators in electricity systems.

Renewable and Sustainable Energy Reviews, 77, 395-405.

Burgio, A., Menniti, D., Pinnarelli, A., Sorrentino, N., Vizza, P., &

Tutkun, N. (2017). Prosumers with a photovoltaic-battery system:

Comparison of two stategies for imbalance reduction. In 2017

IEEE 14th International Conference on Networking, Sensing and

Control (ICNSC) (pp. 19-24). IEEE.

244

Caird, S., Roy, R., & Herring, H. (2008). Improving the energy

performance of UK households: Results from surveys of consumer

adoption and use of low-and zero-carbon technologies. Energy

Efficiency, 1(2), 149.

Campbell, R. (2011). The Smart Grid and Cybersecurity Regulatory

Policy and Issues. Federation of American Scientists: Washington

DC., U.S.

Campbell, R. J. (2018). The smart grid: status and outlook. Congressional

Research Service.

Carreiro, A. M., Jorge, H. M., & Antunes, C. H. (2017). Energy

management systems aggregators: A literature survey. Renewable

and sustainable energy reviews, 73, 1160-1172.

Castaneda, M., Franco, C.J., Dyner, I. (2017). Evaluating the effect of

technology transformation on the electricity utility industry.

Renewable and Sustainable Review. 80, 341–351.

Cavoukian, A., Polonetsky, J., & Wolf, C. (2010). Smart privacy for

the smart grid: embedding privacy into the design of electricity

conservation. Identity in the Information Society, 3(2), 275-294.

Cenamor, J., Sjödin, D. R., & Parida, V. (2017). Adopting a platform

approach in servitization: Leveraging the value of digitalization.

International Journal of Production Economics, 192, 54-65.

CGI (2017). Energy Consumers Drive the Digital Utility of the Future.

CGI: Quebec, Canada.

Chaianong, A., Tongsopit, S., Bangviwat, A., Menke, C. (2019). Bill

saving analysis of rooftop PV customers and policy implications

참고문헌 245

for Thailand. Renewable Energy, Volume 131, pp. 422-434.

https://doi.org/10.1016/j.renene.2018.07.057.

Chen, K., Lin, J., & Song, Y. (2019). Trading strategy optimization for

a prosumer in continuous double auction-based peer-to-peer market:

A prediction-integration model. Applied energy, 242, 1121-1133.

Chen, P. C., Dokic, T., & Kezunovic, M. (2014). The use of big data

for outage management in distribution systems. In International

Conference on Electricity Distribution (CIRED) Workshop.

Choi, J.W., Lee, I.W. (2015). Energy ICT convergence with big data

services. Journal of the Korean Data and Information Science

Society. 26(5), 1141-1154.

Chou, J. S., Kim, C., Ung, T. K., Yutami, I. G. A. N., Lin, G. T., &

Son, H. (2015). Cross-country review of smart grid adoption in

residential buildings. Renewable and Sustainable Energy Reviews,

48, 192-213.

Chyi, H.I., McCombs, M. (2004). Media salience and the process of

framing: coverage of the columbine school shootings. Journalism

& Mass Communication Quarterly 81(1), pp. 22-35.

Ciepiela, P. (2019). How digitalization in oil and gas is creating security

risks. EY.

Cobb, K. (2019) The dark side of the digital revolution in energy. Oilprice.

Retreived from https://oilprice.com/Energy/Energy-General/The-

Dark-Side-Of-The-Digital-Revolution-In-Energy.html

Coffman B. (1997). Weak signal research. Part I. Introduction. Journal

of Transition Management.

246

Corneli, S., Kihm, S. (2015). Electric Industry Structure and Regulatory

Responses in a High Distributed Energy Resources Future.

Lawrence Berkeley National Laboratory.

Croissant, Y., Millo, G. (2019). Panel Data Econometrics with R. Wiley.

Cui, S., Wang, Y. W., & Liu, N. (2017). Distributed game-based pricing

strategy for energy sharing in microgrid with PV prosumers. IET

Renewable Power Generation, 12(3), 380-388.

Cukier, W., Hodson, J., & Ryan, P.M. (2009). A Critical Discourse

Analysis of Amazon.com’s Rise in the Media 1995-2008. In:

World Congress on Privacy, Security, Trust and the Management

of e-Business, pp. 1-10.

Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and

user acceptance of information technology. MIS quarterly, 319-340.

Deloitte (2015). Shorten the value chain: Transforming the stages of value

delivery. Deloitte University Press: U.S.

Deloitte (2018). 2018 outlook on power and utilities (The Push for

Digitalization in Power and Utilities: 2018 Outlook), Deloitte

Deloitte. (2019) Reimagining customer privacy for the digital age. Deloitte.

Retrieved from https://www2.deloitte.com/content/dam/insights/us/

articles/4985_reimagining-customer-privacy-for-the-digital-age/DI_

Reimagining-consumer-privacy-for-digital-age.pdf

Denner, M. S., Püschel, L. C., & Röglinger, M. (2018). How to exploit

the digitalization potential of business processes. Business &

Information Systems Engineering, 1-19.

Dey, N., Hassanien, A. E., Bhatt, C., Ashour, A. S., & Satapathy, S.

참고문헌 247

C. (Eds.). (2018). Internet of things and big data analytics toward

next-generation intelligence. Berlin: Springer.

Diestelmeier, L. (2019). Changing power: Shifting the role of electricity

consumers with blockchain technology–Policy implications for EU

electricity law. Energy policy, 128, 189-196.

DiMaggio, P., Hargittai, E., Celeste, C., & Shafer, S. (2004). From un-

equal access to differentiated use: A literature review and agenda

for research on digital inequality. Social inequality, 1, 355-400.

Dincer, I., & Acar, C. (2017). Smart energy systems for a sustainable

future. Applied energy, 194, 225-235.

Ding, Y., Yan, E., Frazho, A., & Caverlee, J. (2009). PageRank for

ranking authors in co‐citation networks. Journal of the American

Society for Information Science and Technology, 60(11), 2229-2243.

Dodrill, K. (2010). Understanding the benefits of the smart grid. NETL

Smart Grid Implementation, US.

DOE (2011). Roadmap to Achieve Energy Delivery Systems

Cybersecurity. Department of Energy: Washington DC., U.S.

DOE (2015). Quanrennial Energy Review: Energy Transmission, Storage,

and Distribution Infrastructure, U.S. Department of Energy

Donato, H. C., Farina, M. C., Donaire, D., & SANTOS, I. C. D. (2017).

Value Co-creation and Social Network Analysis on a Network

Engagement Platform. RAM. Revista de Administração Mackenzie,

18(5), 63-91.

Dong, J., Lv, S., Wang, P., Wang, D., Miao, Y., & Shi, J. (2018, July).

Research on Value Network Model of Energy Service Industry

248

Based on System Dynamics. In IOP Conference Series: Earth and

Environmental Science (Vol. 170, No. 4, p. 042082). IOP

Publishing.

Downes, L., & Nunes, P. (2014). Big bang disruption: Strategy in the

age of devastating innovation. Penguin.

Dworak, J., Vaccaro, D., Villiers, A.D. (2018). Turning downstream

disruption into competitive advantage. Deloitte.

EC-MAP. (2018). New policy for an era of energy digitialization.

EC-MAP

Ecofys (2018). Study on the Evaluation of Risks of Cyber-Incidents and

on Costs of Preventing Cyber-Incidents in the Energy Sector,

European Commission

Economist Intelligence Unit. (2018). Digital technologies and operational

agility in the oil and gas industry. Economist Intelligence Unit.

Edwards, P. J. (2009). Value networks identify innovation in 21st century

pharmaceutical research. Drug Discovery Today, 14(1-2), 68-77.

EI-Sharkawi, M.A. (2012), Electric Energy: An Introduction, CRC

Press.

El Rahi, G., Saad, W., Glass, A., Mandayam, N. B., & Poor, H. V.

(2016). Prospect theory for prosumer-centric energy trading in the

smart grid. In 2016 IEEE Power & Energy Society Innovative

Smart Grid Technologies Conference (ISGT) (pp. 1-5). IEEE.

El-Batawy, S. A., & Morsi, W. G. (2017). Optimal design of community

battery energy storage systems with prosumers owning electric

vehicles. IEEE Transactions on Industrial Informatics, 14(5), 1920-1931.

참고문헌 249

Elberg, R., Lawrence, M. (2019). From smart grid to neural grid. Navigant,

Chicago, U.S..

Ellabban, O., & Abu-Rub, H. (2016). Smart grid customers' acceptance

and engagement: an overview. Renewable and Sustainable Energy

Reviews, 65, 1285-1298.

Energias Market Research (2018). Global Distributed Generation Market

to witness a CAGR of 15.5% during 2018-2024. https://globenews

wire.com/news-release/2018/07/10/1535085/0/en/Global-Distribute

d-Generation-Market-to-witness-a-CAGR-of-15-5-during-2018-202

4.html (2019.3.15. 접속).

EPRI (2014). The Integrated Grid: Realizing the Full Value of Central

and Distributed Energy Resources. Electric Power Research

Institute: California.

Erlinghagen, S., & Markard, J. (2012). Smart grids and the transformation

of the electricity sector: ICT firms as potential catalysts for sectoral

change. Energy Policy, 51, 895-906.

Espe, E., Potdar, V., & Chang, E. (2018). Prosumer communities and

relationships in smart grids: A literature review, evolution and

future directions. Energies, 11(10), 2528.

EURELECTRIC (2015). Prosumers – an integral part of the power system

and the market, EURELECTRIC.

Eurelectric. (2016). EURELECTRIC’s vision about the role of Distribution

System Operators (DSOs). Eurelectric.

Eurelectric. (2016). The power sector goes digital - Next generation

data management for energy consumers. Eurelectric.

250

EY (2019). New technology can lead the way, but do you know where

you’re headed?, EY.

Faris, R., & Felmlee, D. (2011). Status struggles: Network centrality and

gender segregation in same-and cross-gender aggression. American

Sociological Review, 76(1), 48-73.

Felix, V. H., (2012). Collective creativity. Munich: Springer VS

Fischer, J.R. (1991). News Media Functions in Policy Making. Canadian

Journal of Communication 16(1). https://cjc-online.ca/index.php/

journal/article/view/589/495

Fitzgerald, M., Kruschwitz, N., Bonnet, D., & Welch, M. (2014).

Embracing digital technology: A new strategic imperative. MIT

sloan management review, 55(2), 1.

Forbes. (2018). Six Elements Of Digital Strategy For Utilities. Forbes.

Retrieved from https://www.forbes.com/sites/baininsights/2018/03

/06/six-elements-of-digital-strategy-for-utilities/#66e7fb004fe2

ForbesCustom (2016). LG Builds Its Future in the Energy Business.

ForbesCustom: New York, U.S.

Freeman, L. (2004). The development of social network analysis. A

Study in the Sociology of Science, 1.

Freeman, R. E. (2010). Strategic management: A stakeholder approach.

Cambridge university press.

Freescale (2013). Smart Energy-Energy Efficient. Connected. Secure.

Freescale: Texas, U.S.

Fridkin, K., Wintersieck, A., Courey, J., & Thompson, J. (2017). Race and

Police Brutality: The Importance of Media Framing. International

참고문헌 251

Journal of Communication 11, pp. 3394-3414.

Gambardella, A., Torrisi, S. (1998). Does technological convergence

imply convergence in markets? Evidence from the electronics

industry. Research Policy. 27(5), 445-463.

Gamon, M., Yano, T., Song, X., Apacible, J., Pantel, P. (2013).

Identifying salient entities in web pages. Proceedings of the 22nd

ACM International Conference on Conference on Information and

Knowledge Management, CIKM 2013, ACM, New York, USA,

pp. 2375-2380.

Gao, L., & Bai, X. (2014). A unified perspective on the factors

influencing consumer acceptance of internet of things technology.

Asia Pacific Journal of Marketing and Logistics, 26(2), 211-231.

Gassmann, O., Frankenberger, K., & Csik, M. (2013). The St. Gallen

business model navigator.

Gaviano, A., Weber, K., & Dirmeier, C. (2012). Challenges and

integration of PV and wind energy facilities from a smart grid point

of view. Energy Procedia, 25, 118-125.

Gawer, A. (2014). Bridging differing perspectives on technological

platforms: Toward an integrative framework. Research Policy.

43(7), 1239-1249.

GE (2018). Wind Famm Optimization. GE Renewable Energy, GE: Boston,

U.S. https://www.ge.com/renewableenergy/wind-energy/turbine-

services/enhance-and-optimize (2019.1.5. 접속).

Gezdur, A., Bhattacharjya, J. (2017). Digitization in the Oil and Gas

Industry: Challenges and Opportunities for Supply Chain Partners.

252

Conference: Working Conference on Virtual Enterprises. DOI:

10.1007/978-3-319-65151-4_9

Gillick, D., Dunietz, J. (2014). A new entity salience task with millions

of training examples. Proceedings of the European Association for

Computational Linguistics.

Gimpel, H., & Röglinger, M. (2015). Digital transformation: changes

and chances–insights based on an empirical study.

Gkatzikis, L., Koutsopoulos, I., & Salonidis, T. (2013). The role of

aggregators in smart grid demand response markets. IEEE Journal

on selected areas in communications, 31(7), 1247-1257

Global e-Sustainability Initiative. (2018). SMARTer 2030: ICT

Solutions for 21st Century Challenges. 2015. Retrieved February.

GM (2017). Accelerating and Scaling Corporate Renewable Energy.

GM: Detroit, U.S.

Godet, M. (1994). From anticipation to action. UNESCO Publishing.

Govindan, G., Gosar, V., Singh, R. (2018). Blockchain for Power Utilities:

A View on Capabilities and Adoption. Cognizant: New Jersey.

Goyal, A., Aprilia, E., Janssen, G., Kim, Y., Kumar, T., Mueller, R.,

... & Zhang, R. (2016). Asset health management using predictive

and prescriptive analytics for the electric power grid. IBM Journal

of Research and Development, 60(1), 4-1.

Graupner, E., Melcher, F., Demers, D., & Maedche, A. (2015).

Customers' intention to use digital services in retail banking-An

information processing perspective.

Gray, J., & Rumpe, B. (2015). Models for digitalization.

참고문헌 253

Gray, M.K., Morsi, W.G. (2017). On the role of prosumers owning

rooftop solar photovoltaic in reducing the impact on transformer’s

aging due to plug-in electric vehicles charging. Electric Power

Systems Research, Volume 143, pp. 563-572. https://doi.org/

10.1016/j.epsr.2016.10.060.

Greentechmedia (2014). Internet and Cable Giant Comcast Will Soon

Sell Electricity in Pennsylvania. Greentechmedia: Boston, U.S.

GRIDSOL. (2018). Innovative business models and legal issues. (n.p.):

GRIDSOL

GSM Association (2017). KT-MEG: Korea's Smart Energy System.

GSM Association: London, U.K.

Gungor, V. C., Lu, B., & Hancke, G. P. (2010). Opportunities and

challenges of wireless sensor networks in smart grid. IEEE

transactions on industrial electronics, 57(10), 3557-3564.

Gungor, V. C., Sahin, D., Kocak, T., Ergut, S., Buccella, C., Cecati,

C., & Hancke, G. P. (2011). Smart grid technologies:

Communication technologies and standards. IEEE transactions on

Industrial informatics, 7(4), 529-539.

Hacklin, F. (2010). Management of Convergence in Innovation.

Physica-Verlag: Heidelberg, Germany.

Häge, F. M., & Ringe, N. (2019). Rapporteur‐shadow rapporteur

networks in the European Parliament: The strength of small

numbers. European Journal of Political Research, 58(1), 209-235.

Haidar, A.M.A., Muttaqi, K., Sutanto, D. (2015). Smart Grid and its

future perspectives in Australia. Renewable and Sustainable

254

Energy. 51, 1375-89.

Hallikas, J., Varis, J., Sissonen, H., & Virolainen, V. M. (2008). The

evolution of the network structure in the ICT sector. International

Journal of Production Economics, 115(2), 296-304.

Hamel, G., Prahalad ,C.K. (1994). Competing for the future: Break

through strategies for seizing control of your industry and creating

the markets of tomorrow. Harvard Business School Press: Boston,

MA, U.S.

Han, J.K., Chung, S.W., Sohn, Y.S. (2009). Technology convergence:

When do consumers prefer converged products to dedicated products?.

Journal of Marketing. 73(4), 97-108.

Harbott, A (2016). The real technology of running an IT system. Retrieved

from https://harbott.com/the-real-technology-costs-of-running-an-it

-system-90c3a690b4fb

Harrell, F. E. (2015). Ordinal logistic regression. In Regression modeling

strategies (pp. 311-325). Springer, Cham.

Hartmann, B., Divényi, D., & Vokony, I. (2018). Evaluation of business

possibilities of energy storage at commercial and industrial

consumers–A case study. Applied energy, 222, 59-66.

Hausman, J.A. (1978). Specification tests in econometrics. Econometrica

46, 1251-1271.

HBR (2000). Harvard Business Review on Managing the Value Chain.

Harvard Business School Press: Cambridge, U.S.

Heng, F. L., Zhang, K., Goyal, A., Chaudhary, H., Hirsch, S., Kim, Y.,

... & Raman, A. (2016). Integrated analytics system for electric

참고문헌 255

industry asset management. IBM Journal of Research and Development,

60(1), 2-1.

Henriette, E., Feki, M., & Boughzala, I. (2015). The shape of digital

transformation: A systematic literature review. MCIS 2015

Proceedings, 431-443.

Hess, D. J., & Coley, J. S. (2014). Wireless smart meters and public

acceptance: The environment, limited choices, and precautionary

politics. Public understanding of science, 23(6), 688-702.

Hill, R.C., Griffiths, W.E., Lim, G.C. (2010). Principles of Econometrics.

John Wiley and Sons Inc: New York.

Hiltunen E. (2008). The future sign and its three dimensions. Futures,

40:247–60.

Holopainen, M., Toivonen, M. (2012). Weak signals: Ansoff today.

Futures.

Horlacher, A., & Hess, T. (2016). What does a Chief Digital Officer

do? Managerial tasks and roles of a new C-level position in the

context of digital transformation. In 2016 49th Hawaii International

Conference on System Sciences (HICSS) (pp. 5126-5135). IEEE.

IBM. (2017). Digital transformation in oil and gas. IBM.

IEA (2011). Smart Grids Technology Roadmap, International Energy

Agency: Paris, France.

IEA (2016), Energy and Air Pollution, Special Issue, World Energy

Outlook, International Energy Agency.

IEA (2017). Digitalization & Energy, International Energy Agency.

256

IEA (2018), World Energy Outlook 2018, International Energy Agency.

IFP Energies nouvelles. (2018). Digital transformation in the oil and gas

industry. IFP Energies nouvelles: Rueil-Malmaison, France.

implico (2018). Your Guide to Digital Technologies for Oil and Gas

Downstream. implico.

IRENA (2019). Future Role of Distibution System Operators,

International Renewable Energy Agency.

Isa, N. B. M., Wei, T. C., & Yatim, A. H. M. (2015). Smart grid

technology: Communications, power electronics and control

system. In 2015 International Conference on Sustainable Energy

Engineering and Application (ICSEEA)(pp. 10-14). IEEE.

i-SCOOP (2019). Digital transformation and IIoT in oil and gas: the

experts weigh in. i-SCOOP.

ISGAN (2012). Smart Grid Cyber Security. International Smart Grid

Action Network: Seoul, Korea.

ITU (2017). ICT for energy telecom and energy working together fore

sustainable development. International Telecommunication Union

ITU (2017). ICT for Energy Telecom and Energy Working Together for

Sustainable Development, International Telecommunication Union

Jamieson, A. (2009). Smart meters could be ‘spy in the home’. The

Telegraph.

Jennings, W. and Wlezien, C. (2011). Distinguishing between most im-

portant problems and issues?. Public Opinion Quarterly 75(3), pp.

545-555.

참고문헌 257

Johnes, B.D., Baumgartner, F.R. (2005). The Politics of Attention: How

Government Prioritizes Problems. Chicago: The Unversity of

Chicago Press.

Joo, J.W., Yoon, D.Y., Lee, J.Y., Lee, K.H. (2010). Dynamic Analysis

of Value Chain and Value Network through the Changes of

Telecommunication Market Structure. KISDI: Seoul, Korea.

Karami, A., Bennett, L.S., He, X. (2018). Mining Public Opinion about

Economic Issues: Twitter and the U.S. Presidential Election.

International Journal of Strategic Decision Sciences 9(1), pp.

18-28.

Kaur, U., & Singh, G. (2015). A Review on Software Maintenance

Issues and How to Reduce Maintenance Efforts. International

Journal of Computer Applications, 118(1).

KBC (2018). US oil and gas downstream pivots to digitalization to

sustain excellence. KBC.

Keiner, D., & Breyer, C. (2017). Modelling of PV Prosumers using a

stationary battery, heat pump, thermal energy storage and electric

vehicle for optimizing self-consumption ratio and total cost of

energy. In 33rd European Photovoltaic Solar Energy Conference,

Amsterdam 2017, September 25–29 Modelling.

Keiner, D., Ram, M., Barbosa, L., Bogdanov, D., Breyer, C. (2019).

Cost optimal self-consumption of PV prosumers with stationary

batteries, heat pumps, thermal energy storage and electric vehicles

across the world up to 2050. Solar Energy, Volume 185, pp.

406-423. https://doi.org/10.1016/j.solener.2019.04.081.

258

Khurana, H., Hadley, M., Lu, N., & Frincke, D. A. (2010). Smart-grid

security issues. IEEE Security & Privacy, 8(1), 81-85.

Kinder, D. R., & Sanders, L. M. (1996). Divided by color: Racial politics

and democratic ideals. University of Chicago Press.

King, K. (2019). Digital Transformation for the Midstream Oil & Gas

Industry. JD Supra.

Kloppenburg, S., & Boekelo, M. (2019). Digital platforms and the future

of energy provisioning: Promises and perils for the next phase of

the energy transition. Energy Research & Social Science, 49,

68-73.

Kortuem, G., Kawsar, F., Sundramoorthy, V., & Fitton, D. (2009).

Smart objects as building blocks for the internet of things. IEEE

Internet Computing, 14(1), 44-51.

Kotilainen, K., Mäkinen, S. J., Järvetausta, P., Antti, R., & Markkula,

J. (2016). The role of residential prosumers initiating the energy

innovation ecosystem to future flexible energy system. In 2016

13th International Conference on the European Energy Market

(EEM) (pp. 1-5). IEEE.

Kotilainen, K., Sommarberg, M., Järventausta, P., & Aalto, P. (2016).

Prosumer centric digital energy ecosystem framework. In Proceedings

of the 8th International Conference on Management of Digital

EcoSystems (pp. 47-51). ACM.

Koufaris, M. (2002). Applying the technology acceptance model and flow

theory to online consumer behavior. Information systems research,

13(2), 205-223.

참고문헌 259

KPMG. (2016). Digitalization: energy, quo vadis?. Retrieved from https:

//www.res4med.org/wp-content/uploads/2017/05/innovative-interco

nnections-digitalization-energy-quo-vadis.pdf

KPMG. (2019). Transforming utilities into a connected hub for customer

experiences. KPMG

Krioukov, A., Goebel, C., Alspaugh, S., Chen, Y., Culler, D. E., & Katz,

R. H. (2011). Integrating renewable energy using data analytics

systems: Challenges and opportunities. IEEE Data Eng. Bull.,

34(1), 3-11.

Kubiak, K. (2016). The application of value network analysis at an ICT

company–case study. Zeszyty Naukowe Politechniki Poznańskiej.

Organizacja i Zarządzanie.

Labrecque, L. I., vor dem Esche, J., Mathwick, C., Novak, T. P., &

Hofacker, C. F. (2013). Consumer power: Evolution in the digital

age. Journal of Interactive Marketing, 27(4), 257-269.

Lai, C. S., & Lai, L. L. (2015). Application of big data in smart grid.

In 2015 IEEE International Conference on Systems, Man, and

Cybernetics (pp. 665-670). IEEE.

Langheim, R., Skubel, M., Chen, X., Maxwell, W., Peterson, T. R.,

Wilson, E., & Stephens, J. C. (2014). Smart grid coverage in US

newspapers: Characterizing public conversations. The Electricity

Journal, 27(5), 77-87.

Lasi, H., Fettke, P., Kemper, H. G., Feld, T., & Hoffmann, M. (2014).

Industry 4.0. Business & information systems engineering, 6(4),

239-242.

260

Lavrijssen, S., Parra, A.C. (2017). Radical Prosumer Innovations in

the Electricity Sector and the Impact on Prosumer Regulation.

Sustainability. 9, 1-21.

Lee, K.B. (2005). Acceleration of Digital Convergence in Technology-

Industry-Human life. Digital Times: Seoul, Korea.

Lenka, S., Parida, V., Rönnberg Sjödin, D., & Wincent, J. (2016).

Digitalization and advanced service innovation: How digitalization

capabilities enable companies to co-create value with customers.

Management of Innovation and Technology, (3), 3-5.

Lesser (2014). Internet of things: the influence of M2M data on the

energy industry. Gigaom Research.

LG CNS (2018). Energy-New Renewable Energy. LG CNS: Seoul,

Korea.

Liao, T. F. (1994). Interpreting probability models: Logit, probit, and

other generalized linear models (No. 101). Sage.

Lindeboom, G.J. (2012). Public priorities in government’s hands:

Corresponding policy agendas in the Netherlands?. Acta Politica

47(4), pp. 443-467.

Linsky, M. (1986). How the press affects federal policy making. New

York: Norton.

Litos Strategic Communication. (2008). Regulators: What the smart grid

mean to you and the people you represent. A stakeholder report

prepared for the U.S. Department of Energy Office of Electricity

Delivery and Energy Reliability. Available on: https://www.hsdl.

org/?view&did=15531

참고문헌 261

Liu, N., Yu, X., Wang, C., & Wang, J. (2017a). Energy sharing

management for microgrids with PV prosumers: A Stackelberg

game approach. IEEE Transactions on Industrial Informatics, 13(3),

1088-1098.

Liu, N., Yu, X., Wang, C., Li, C., Ma, L., & Lei, J. (2017b).

Energy-sharing model with price-based demand response for

microgrids of peer-to-peer prosumers. IEEE Transactions on Power

Systems, 32(5), 3569-3583.

Liu, Y., Wu, L., & Li, J. (2019). Peer-to-peer (P2P) electricity trading

in distribution systems of the future. The Electricity Journal, 32(4),

2-6.

Liu, Z., Xiong, C., Mitamura, T., Hovy, E. (2018). Automatic Event

Salience Identification. Proceedings of the 2018 Conference on

Empirical Methods in Natural Language Processing, Brussels,

Belgium, pp. 1226-1236.

Lokeshgupta, B., & Sivasubramani, S. (2019). Multi-objective home

energy management with battery energy storage systems. Sustainable

Cities and Society, 47, 101458.

Lopes, M., Peixoto, P., Antunes, C. H., & Martins, N. (2014).

Facilitating energy behaviours transitions to more sustainable pat-

terns: findings from a case study. In 3rd European Conference on

Behaviour and Energy Efficiency, Oxford University, UK, 3,

4/09/2014 2014.

Lund, H., Andersen, A. N., Østergaard, P. A., Mathiesen, B. V., &

Connolly, D. (2012). From electricity smart grids to smart energy

262

systems–a market operation based approach and understanding.

Energy, 42(1), 96-102.

Ma, L., Liu, N., Zhang, J., Tushar, W., & Yuen, C. (2016). Energy

management for joint operation of CHP and PV prosumers inside

a grid-connected microgrid: A game theoretic approach. IEEE

Transactions on Industrial Informatics, 12(5), 1930-1942.

Madge, J. (1953). The Tools of Social Science. London: Longman.

Mäkinen, S. J., Valta, J., Kotilainen, K., & Saari, U. A. (2019).

Prosumers’ Digital Business Models for Electric Vehicles:

Exploring Microfoundations for a Balanced Policy Approach. In

Digital Business Models (pp. 227-254). Palgrave Macmillan,

Cham.

Mansfield, E. R., & Helms, B. P. (1982). Detecting multicollinearity.

The American Statistician, 36(3a), 158-160.

MaRS (2014). The Evolving Digital Utility: The convergence of energy

and IT. MaRS: Toronto, Canada.

Martin, S., & Ryor, J. N. (2016). Prosumers in Bengaluru: Lessons for

scaling rooftop solar PV. World Resource Institute Working Paper

May.

Mathur, A.R. (2010). Digital Convergence: What's in it for me?.

SETLabs Briefings. 8(5), 3-10.

Matt, C., Hess, T., & Benlian, A. (2015). Digital transformation

strategies. Business & Information Systems Engineering, 57(5),

339-343.

참고문헌 263

McDaniel, P., & McLaughlin, S. (2009). Security and privacy challenges

in the smart grid. IEEE Security & Privacy, 7(3), 75-77.

Mckinsey & Company (2016a). The digital utility: New opportunities

and challenges. Retrieved from http://ipu.msu.edu/wp-content/

uploads/2018/03/McKinsey-Digital-Utility-2016.pdf

McKinsey & Company (2016b) Industry 4.0: how to navigate digitiza-

tion of the manufacturing sector. World mobility leadership form,

September 28–29, 2016, Detroit. Michigan, USA

Mckinsey & Company (2018) AI, automation, and the future of work:

Ten things to solve for. Mckinsey & Company. Retrieved from

https://www.mckinsey.com/~/media/McKinsey/Featured%20Insigh

ts/Future%20of%20Organizations/AI%20automation%20and%20th

e%20future%20of%20work%20Ten%20things%20to%20solve%20

for/MGI-Briefing-Note-AI-automation-and-the-future-of-work_June

2018.ashx

MEED (2019). Disrupting Oil & Gas. Middle East Business Intelligence.

Menniti, D., Pinnarelli, A., Sorrentino, N., Burgio, A., & Brusco, G.

(2013, September). Demand response program implementation in

an energy district of domestic prosumers. In 2013 Africon (pp.

1-7). IEEE.

Merchant, E.F. (2017). Toyota and FuelCell Energy Plan to Build a

Giant Renewable Power and Hydrogen Plant. Greentechmedia:

Boston, U.S.

Milchram, C., Van de Kaa, G., Doorn, N., & Künneke, R. (2018). Moral

264

values as factors for social acceptance of smart grid technologies.

Sustainability, 10(8), 2703.

Miller, W., Senadeera, M. (2017). Social transition from energy

consumers to prosumers: Rethinking the purpose and functionality

of eco-feedback technologies. Sustainable Cities and Society. 35,

615-625.

Mitchell, W.J. (2000). E-Topia: “Urban Life, JIM—But Not as We

Know It”; MIT Press: Cambridge, MA, USA, ISBN 0262632055.

Mittal, A., Slaughter, A., Bansal, V. (2019). From bytes to barrels: The

digital transformation in upstream oil and gas. Deloitte.

Moreno-Munoz, A., Bellido-Outeirino, FJ., Siano, P., Gomez-Nieto

M.A. (2016). Mobile social media for smart grids customer

engagement: Emerging trends and challenges. Renewable and

Sustainable Energy Review. 53, 1611-1616.

Morley, J., Widdicks, K., & Hazas, M. (2018). Digitalisation, energy

and data demand: The impact of Internet traffic on overall and

peak electricity consumption. Energy Research & Social Science,

38, 128-137.

Morstyn, T., Farrell, N., Darby, S. J., & McCulloch, M. D. (2018).

Using peer-to-peer energy-trading platforms to incentivize

prosumers to form federated power plants. Nature Energy, 3(2),

94.

Moslehi, K., & Kumar, R. (2010). A reliability perspective of the smart

grid. IEEE Trans. Smart Grid, 1(1), 57-64.

Moulton, B.R. and Randolph, W.C. (1989). Alternative tests of the error

참고문헌 265

components model. Econometrica 57, 685-693.

Mutz, D.C., & Soss, J. (1997). Reading Public Opinion: The Influence

of News Coverage on Perceptions of Public Sentiment. Public

Opinion Quarterly 61, pp. 431-451.

Navigant Research (2014). Home Energy Management. Navigant

Research, Boulder.

Nefedov, E., Sierla, S., & Vyatkin, V. (2017). Towards electric vehicles

integration to distributed energy resources of prosumer. In 2017

IEEE 15th International Conference on Industrial Informatics

(INDIN) (pp. 769-772). IEEE.

Nieuwenhuis, L. J. (2010) Business Modeling and Value Network

Design Case Study for a Tele-Rehabilitation Service. Enterprise

Systems and Technology, 89.

Nillesen, P., & Pollitt, M. (2016). New business models for utilities to

meet the challenge of the energy transition. In Future of Utilities

Utilities of the Future (pp. 283-301). Academic Press.

Norris, P. (2001). Digital divide: Civic engagement, information poverty,

and the Internet worldwide. Cambridge University Press.

O’Keeffe, A. (2011). Media and Discourse Analysis, in Gee, J. &

Handford M. (eds), The Routledge Handbook of Discourse

Analysis. London: Routledge, pp. 441-454.

OECD (2012). ICT Applications for the Smart Grid Opportunities and

Policy Implications, Organization for Economic Cooperation and

Development.

OGJ. (2018). Digital Transformation: Powering the Oil and Gas

266

Industry. Oil & Gas Journal.

Oil & Gas IQ. Digital Transformation for Oil & Gas: What’s important

to the industry?. Oil & Gas IQ. https://www.opentext.com/file_source

/OpenText/en_US/PDF/opentext-oilandgasiq-report-en.pdf (aceesed in

Sep. 4th, 2019)

Olkkonen, L., Korjonen-Kuusipuro, K., & Grönberg, I. (2017).

Redefining a stakeholder relation: Finnish energy “prosumers” as

co-producers. Environmental innovation and societal transitions,

24, 57-66.

Onyeji-Nwogu, I., Bazilian, M., & Moss, T. (2017). The Digital

Transformation and Disruptive Technologies: Challenges and

Solutions for the Electricity Sector in African Markets.

Orlov, A. (2017). Blockchain in the electricity market: identification

and analysis of business models (Norwegian School of Economics

& HEC Paris).

Otte, E., & Rousseau, R. (2002). Social network analysis: a powerful

strategy, also for the information sciences. Journal of information

Science, 28(6), 441-453.

Palensky, P., & Dietrich, D. (2011). Demand side management: Demand

response, intelligent energy systems, and smart loads. IEEE trans-

actions on industrial informatics, 7(3), 381-388.

Palm, J., Eidenskog, M., Luthander, R. (2018). Sufficiency, change, and

flexibility: Critically examining the energy consumption profiles of

solar PV prosumers in Sweden. Energy Research & Social

Science, Volume 39, pp. 12-18. https://doi.org/10.1016/j.erss.

참고문헌 267

2017.10.006.

Papadakis, S. (2007). Technological convergence: Opportunities and

Challenges. Geneva, Switzerland: International Telecommunication

Union. https://www.itu.int/osg/spu/youngminds/2007/essays/Papad

akisSteliosYM2007.pdf (2019.6.13. 접속).

Parag, Y., Sovacool, B. (2016). Electricity market design for the

prosumer era. Nature Energy. 32, 1-6.

Parida, V., Sjödin, D., & Reim, W. (2019). Reviewing Literature on

Digitalization, Business Model Innovation, and Sustainable

Industry: Past Achievements and Future Promises.

Parise, S. (2007). Knowledge management and human resource

development: An application in social network analysis methods.

Advances in developing human resources, 9(3), 359-383.

Park, C. K., Kim, H. J., & Kim, Y. S. (2014). A study of factors

enhancing smart grid consumer engagement. Energy Policy, 72,

211-218.

Park, C., Kim, H., & Yong, T. (2017). Dynamic characteristics of smart

grid technology acceptance. Energy Procedia, 128, 187-193.

Park, C., & Yong, T. (2017). Comparative review and discussion on P2P

electricity trading. Energy Procedia, 128, 3-9.

Park, C., Cho, S. (2017). Future sign detection in smart grids through

text mining. Energy Procedia, 128:79-85.

Park, C., Cho, S. (2019). Analysis on trends and future signs of smart

grids. 2019 The 2nd International Conference on Smart Grid and

Energy, Singapore.

268

Park, C., Heo, W. (2019). Reviewing discussion on ICT convergence

in the future of electricity industry. 2019 The 2nd International

Conference on Smart Grid and Energy, Singapore.

Park, C., Kim, Y., Jeong, M. (2018). Influencing factors on risk

perception of IoT-based home energy management services.

Telematics and Informatics. 35, 2355-2365.

Park, C., Yong, T. (2017). Comparative review and discussion on P2P

electricity trading. Energy Procedia. 128, 3-9.

Park, C.K. (2013). The Importance of the Smart Grid Data Analytics

and Related Market. Weekly Technology Trends. 1586, 14-21.

Park, C.K., Kim, H.J. (2014). Development and Influence of Information

and Communications Technology Convergence in Energy Sector,

Korea Energy Economics Institute: Ulsan, Korea.

Parviainen, P., Tihinen, M., Kääriäinen, J., & Teppola, S. (2017).

Tackling the digitalization challenge: How to benefit from

digitalization in practice. International Journal of Information

Systems and Project Management, 5(1), 63-77.

Pasetti, M., Rinaldi, S., & Manerba, D. (2018). A virtual power plant

architecture for the demand-side management of smart prosumers.

Applied Sciences, 8(3), 432.

Paudel, A., Chaudhari, K., Long, C., & Gooi, H. B. (2018). Peer-to-Peer

Energy Trading in a Prosumer-Based Community Microgrid: A

Game-Theoretic Model. IEEE Transactions on Industrial Electronics,

66(8), 6087-6097.

Pennington, J., Socher, R., Manning, CD. (2014). GloVe: Global

참고문헌 269

Vectors for Word Representation. In: Proc. of the 2014 Conference

on Empirical Methods in Natural Language Processing,

pp.1532-1543.

Peppard, J., & Rylander, A. (2006). From value chain to value network:

Insights for mobile operators. European management journal,

24(2-3), 128-141.

Peterson, C. R., & Ros, A. J. (2018). The future of the electric grid

and its regulation: Some considerations. The Electricity Journal,

31(2), 18-25.

Peterson-Sturm, S. (2019). Digitalization of power generation in times

of transition. IIoT World.

Phuangpornpitak, N., & Tia, S. (2013). Opportunities and challenges of

integrating renewable energy in smart grid system. Energy Procedia,

34, 282-290.

Pil, F. K., & Holweg, M. (2006). Evolving from value chain to value

grid. MIT Sloan management review, 47(4), 72.

Porter, M. E. (2001). The value chain and competitive advantage.

Understanding Business Processes, 50-66.

Porter, M. E., & Heppelmann, J. E. (2014). How smart, connected

products are transforming competition. Harvard business review,

92(11), 64-88.

Porter, M., 1985. Competitive Advantage: Creating and Sustaining

Superior Performance. The Free Press: New York, U.S.

PowerAdvocate. (2019). The digital imperative: why upstream oil and

gas is embracing advanced analytics. PowerAdvocate.

270

Prahalad, C. K., & Ramaswamy, V. (2004). Co-creating unique value

with customers. Strategy & leadership, 32(3), 4-9.

Processmate (2018). Software: buy or build. Advantages and disadvantages

of off-the-shelf software. Retrieved from http://processmate.net/soft

ware-buy-or-build.-advantages-and-disadvantages-of-the-off-the-

shelf-software/

PWC (2016). Blockchain – an opportunity for energy producers and con-

sumers?. PWC: London, U.K.

PWC (2019). Oil and gas trends 2019. Part of PwC’s 22nd Annual

Global CEO Survey trends series. PWC.

Qingyuan, Y., & Aoki, M. (2018). Suppression of Voltage Fluctuation

by Utilizing Consumer-Side Energy Storage Devices in PV

Connected Distribution System. IFAC-PapersOnLine, 51(28),

432-437.

Radenković, M., Bogdanović, Z., Despotović-Zrakić, M., Labus, A., &

Lazarević, S. (2020). Assessing consumer readiness for participation

in IoT-based demand response business models. Technological

Forecasting and Social Change, 150, 119715.

Radhakrishnan, P., Jawahar, G., Gupta, M., Varma, V. (2017). SNEIT:

Salient Named Entity Identification in Tweets. Computación y

Sistemas 21(4), pp. 665-679.

Rahimi, F., & Mokhtari, S. (2014). From ISO to DSO: imagining new

construct--an independent system operator for the distribution

network. Public Util. Fortn, 152(6), 42-50.

Rahmatallah Poudineh, Donna Peng & Seyed Reza Mirnezami. (2017).

참고문헌 271

Electricity Networks: Technology, Future Role and Economic

Incentives for Innovation.

Rahnama, S., Bendtsen, J. D., Stoustrup, J., & Rasmussen, H. (2015).

Robust aggregator design for industrial thermal energy storages in

smart grid. IEEE Transactions on Smart Grid, 8(2), 902-916.

Ram, M., Gulagi, A., Breyer, C., & Keiner, D. (2017). Role of solar

PV prosumers in enabling the energy transition towards a fully

renewables based power system for India. In Proceedings of the

1st International Conference on Large-Scale Grid Integration of

Renewable Energy in India, New Delhi, India (pp. 6-8).

Ram, S., & Sheth, J. N. (1989). Consumer resistance to innovations:

the marketing problem and its solutions. Journal of consumer

marketing, 6(2), 5-14.

Ravindra, B. (2017). Are Indian electricity consumers ready to become

solar prosumers?. In 2017 International Conference on

Technological Advancements in Power and Energy (TAP Energy)

(pp. 1-6). IEEE.

Razzaq, S., Zafar, R., Khan, N., Butt, A., & Mahmood, A. (2016). A

novel prosumer-based energy sharing and management (PESM)

approach for cooperative demand side management (DSM) in

smart grid. Applied Sciences, 6(10), 275.

Regen. (2017). Delivering smart energy systems. Regen. Retrieved from

https://www.regen.co.uk/wp-content/uploads/REGEN-Delivering_

Smart_Energy_Systems_LO.pdf

Rehmani, M. H., Reisslein, M., Rachedi, A., Erol-Kantarci, M., &

272

Radenkovic, M. (2018). Integrating renewable energy resources into

the smart grid: recent developments in information and communication

technologies. IEEE Transactions on Industrial Informatics, 14(7),

2814-2825.

Ringenson, T., Höjer, M., Kramers, A., & Viggedal, A. (2018).

Digitalization and Environmental Aims in Municipalities.

Sustainability, 10(4), 1278.

Risse, M. (2019). Digitization and Analytics in Power Plants. Powermag.

Retrieved from https://www.powermag.com/digitization-and-

analytics-in-power-plants/?printmode=1

Roberts, B. P., & Sandberg, C. (2011). The role of energy storage in

development of smart grids. Proceedings of the IEEE, 99(6),

1139-1144.

Roberts, M., Wanta, W., Dzwo, TH. (2002). Agenda Setting and Issue

Salience Online. Communication Research 29(4), pp.452-465.

Rodden, T. A., Fischer, J. E., Pantidi, N., Bachour, K., & Moran, S.

(2013). At home with agents: exploring attitudes towards future

smart energy infrastructures. In Proceedings of the SIGCHI

Conference on Human Factors in Computing Systems (pp.

1173-1182). ACM.

Rogers, D. L. (2016). The digital transformation playbook: Rethink your

business for the digital age. Columbia University Press.

Rogers, E. M. (1983). Diffusion of Innovations. The Free Press, New

York.

Roloff, J. (2008). Learning from multi-stakeholder networks:

참고문헌 273

Issue-focussed stakeholder management. Journal of business ethics,

82(1), 233-250.

Römer, B., Reichhart, P., Kranz, J., & Picot, A. (2012). The role of smart

metering and decentralized electricity storage for smart grids: The

importance of positive externalities. Energy Policy, 50, 486-495.

Roozbehani, M., Dahleh, M. A., & Mitter, S. K. (2012). Volatility of

power grids under real-time pricing. IEEE Transactions on Power

Systems, 27(4), 1926-1940.

Roundtable, S. C., Dobbyn, J., & Thomas, G. (2005). Seeing the light:

the impact of micro-generation on the way we use energy.

Sabounchi, M., & Wei, J. (2017). Towards resilient networked

microgrids: Blockchain-enabled peer-to-peer electricity trading

mechanism. In 2017 IEEE Conference on Energy Internet and

Energy System Integration (EI2) (pp. 1-5). IEEE.

Samoun, M.H.B., Holmås , H., Santamarta, S., Forbes, P., Clark, J.T.,

Hughes, W. (2019). Going Digital Is Hard for Oil and Gas

Companies—but the Payoff Is Worth It. BCG.

Santamarta, S., Singh, R., Forbes , P. (2017). How Digital Will

Transform the Upstream Oil Ecosystem. BCG.

Santos, C., Mehrsai, A., Barros, A. C., Araújo, M., & Ares, E. (2017).

Towards Industry 4.0: an overview of European strategic roadmaps.

Procedia Manufacturing, 13, 972-979.

SAP (2017). The Digital Utilities-Inspire and Shape. SAP: Waldorf, U.S.

Satchwell, A., & Cappers, P. (2018). Evolving Grid Services, Products,

and Market Opportunities for Regulated Electric Utilities. Lawrence

274

Berkeley National Lab.(LBNL), Berkeley, CA (United States).

Schallmo, D. R., & Williams, C. A. (2018). Digital Transformation

Now!: Guiding the Successful Digitalization of Your Business

Model. Springer.

Schmidt, J., Drews, P., & Schirmer, I. (2017). Digitalization of the

Banking Industry: A Multiple Stakeholder Analysis on Strategic

Alignment.

Schmidt, R., Zimmermann, A., Möhring, M., Nurcan, S., Keller, B., &

Bär, F. (2015). Digitization–perspectives for conceptualization. In

European Conference on Service-Oriented and Cloud Computing

(pp. 263-275). Springer, Cham.

Schoenberg, M. (2014). Europe's utilities should embrace role in ICT

and smart infrastructure. Retrieved from https://www.theguardian.

com/sustainable-business/future-europe-utilities-business-model-ict

Schuelke-Leech, B.A., Barry, B., Muratori, M., Yurkovich, B.J. (2015).

Big Data issues and opportunities for electric utilities. Renewable

and Sustainable Energy. 52, 937-47.

Schuh, G., Kuhlmann, K., Pitsch, M., & Komorek, N. (2013).

Digitalization as a key enabler for efficient value creation networks

in the tool and die making industry. In 2013 Proceedings of

PICMET'13: Technology Management in the IT-Driven Services

(PICMET) (pp. 1976-1984). IEEE.

Seo, D.C. (2017). POSCO ICT earns money from energy management.

MK News: Seoul, Korea.

Serrat, O. (2017). Social network analysis. In Knowledge solutions (pp.

참고문헌 275

39-43). Springer, Singapore.

Seshadrinath, S.M., Pan, S.L. (2018). Digital Enablement: The

Consumerizational and Transformational Effects Of Digital

Technology. World Scientific: Singapore.

Shaukat, N., Ali, S. M., Mehmood, C. A., Khan, B., Jawad, M., Farid,

U., ... & Majid, M. (2018). A survey on consumers empowerment,

communication technologies, and renewable generation penetration

within Smart Grid. Renewable and Sustainable Energy Reviews,

81, 1453-1475.

Sheth, J. N., & Stellner, W. H. (1979). Psychology of innovation resist-

ance: The less developed concept (LDC) in diffusion research (No.

622). Urbana-Champaign, IL: College of Commerce and Business

Administration, University of Illinois at Urbana-Champaign.

Shomali, A., & Pinkse, J. (2016). The consequences of smart grids for

the business model of electricity firms. Journal of cleaner production,

112, 3830-3841.

Siemens (2017). Making the digital leap with Topsides 4.0. Siemens.

Siemens (2018). A Practical Guide to Digitalization for the Power

Industry. Siemens.

Sioshansi, P. (2014). Is Google an information or energy company?.

Walnut Creek, EEnergy Informer: CA, U.S.

Slaughter, A., Mittal, A., Bansal, V. (2018). Bringing the digital revolution

to midstream oil and gas. Deloitte.

Smart energy GB (2016) Smart energy outlook. Smart energy GB.

Smartgrids (2016). The Digital Energy System 4.0, Smartgrids, www.

276

smartgrids.eu.

Smith S. (2019) Power and utilities industry outlook. London: Deloitte,

2018.

Sommerfeldt, N., Muyingo, H., & af Klintberg, T. (2016). Photovoltaic

Systems for Swedish Prosumers: A technical and economic analysis

focused on cooperative multi-family housing.

Spence, A., Demski, C., & Butler, C. (2015). This is a repository copy

of Public perceptions of demand-side management and a smarter

energy future.

Steele, C. (2018). The impacts of digital divide. Digital divide council.

Retrieved from http://www.digitaldividecouncil.com/the-impacts-of

-digital-divide/

Steve Corneli, Steve Kihm. (2015). Electric Industry Structure and

Regulatory Responses in a High Distributed Energy Resources

Future. Lawrence Berkeley National Laboratory.

Stieglitz, N. (2003). Digital dynamics and types of industry convergence:

The evolution of the handheld computer market. The New Industrial

Dynamics of The New Digital Economy. Christensen, J.F. and

Maskell, P., eds.; Cheltenham: UK, 2, 179-208.

Stimmel, C. L. (2016). Big data analytics strategies for the smart grid.

Auerbach Publications.

Szabo, K., Piko, B. F., & Fitzpatrick, K. M. (2019). Adolescents’

attitudes towards healthy eating: The role of self-control, motives

and self-risk perception. Appetite, 143, 104416.

Taylor, R. W., Fritsch, E. J., & Liederbach, J. (2014). Digital crime and

참고문헌 277

digital terrorism. Prentice Hall Press.

Tesla (2016). Solar and Storage: Reduce Load & Capacity Charges.

Tesla: California, U.S.

The Harvey Nash/KPMG. (2018). CIO Survey 2018, The Harvey

Nash/KPMG.

Trepanier, T. (2017). Digitalization: Moving from Step Change to

Transformation in Power Generation. Power Engineering. Retrieved

from https://www.power-eng.com/2017/07/12/digitalization-moving

-from-step-change-to-transformation-in-power-generation/#gref

Tuballa, M. L., & Abundo, M. L. (2016). A review of the development

of Smart Grid technologies. Renewable and Sustainable Energy

Reviews, 59, 710-725.

Turner, J. (2018). Special report: the upstream digital technology

revolution. NS Energy.

UtilityDive (2014). Comcast selling electricity: Strikeout or home run?.

Utility DIVE: Washington, DC., U.S.

Valocchi, M., Juliano, J., Schurr, A. (2014). Switching Perspectives-Creating

new business models for a changing world of energy. In Smart

Grid Applications and Developments. Green Energy and Technology,

Mah D., Hills P., Li V., Balme R., Eds.; Springer: London.

Van Hout, D. (2016). Will Telecom Companies Kill Utilities?.

Greentechmedia: Boston, U.S.

Varela, I. (2018). Energy Is Essential, but Utilities? Digitalization: What

Does It Mean for the Energy Sector?. In Digital Marketplaces

Unleashed (pp. 829-838). Springer, Berlin, Heidelberg.

278

Vaz, M., Baltazar, M. E., & Silva, J. (2015). Dynamic Processes of an

Airport’s System. Applying Value Network Analysis (VNA) to the

Air Traveller Experience. Journal of Spatial and Organizational

Dynamics, 3(4), 311-332.

Venizelou, V., Philippou, N., Hadjipanayi, M., Makrides, G., Efthymiou,

V., & Georghiou, G. E. (2018). Development of a novel

time-of-use tariff algorithm for residential prosumer price-based

demand side management. Energy, 142, 633-646.

Vergados, D. J., Mamounakis, I., Makris, P., & Varvarigos, E. (2016).

Prosumer clustering into virtual microgrids for cost reduction in

renewable energy trading markets. Sustainable Energy, Grids and

Networks, 7, 90-103.

Verizon. Energy & Utilities. http://www.verizon.com/about/news-tag/

energy-utilities (2019.2.2. 접속).

Vivanco, D. F., Kemp, R., & van der Voet, E. (2016). How to deal with

the rebound effect? A policy-oriented approach. Energy Policy, 94,

114-125.

Von Solms, R., & Van Niekerk, J. (2013). From information security

to cyber security. computers & security, 38, 97-102.

Walters, D., & Lancaster, G. (2000). Implementing value strategy

through the value chain. Management Decision, 38(3), 160-178.

Wang, Z., & Srinivasan, R. S. (2017). A review of artificial intelligence

based building energy use prediction: Contrasting the capabilities

of single and ensemble prediction models. Renewable and Sustainable

Energy Reviews, 75, 796-808.

참고문헌 279

Wang, S., Zhao, C., Liu, L., & Xie, S. (2019). Reliability pricing meth-

od based on consumer-centric reliability metrics with the integration

of energy storage system. Energy Procedia, 158, 4160-4165.

Wang, W. (2010). Effective Path of the Value Chain’s Upgrading of

Industry Clusters: Industry Convergence. Proceedings of the 2010

International Conference on Information Technology and Scientific

Management. http://file.scirp.org/pdf/20-1.35.pdf (2019.1.24. 접속).

Wasserman, S., & Faust, K. (1994). Social network analysis: Methods

and applications (Vol. 8). Cambridge university press.

WBGU-German Advisory Council on Global Change. (2019) Towards

our common digital future. Berlin: WBGU. Retrieved from https://

www.wbgu.de/fileadmin/user_upload/wbgu/publikationen/hauptgut

achten/hg2019/pdf/WBGU_HGD2019_S.pdf

WEF (2016). Digital Transformation of Industries Electricity Industry,

World Economic Forum.

WEF (2017a). The Future of Electricity: New Technologies Transforming

the Grid Edge, World Economic Forum.

WEF (2017b). Digital Transformation Initiative Oil and Gas Industry.

World Economic Forum.

WEF (2017c). Game changers in the Energy System: Emerging Themes

Reshaping the Energy Landscape. WEF.

Westerman, G., Bonnet, D., & McAfee, A. (2014). The nine elements

of digital transformation. MIT Sloan Management Review, 55(3),

1-6.

Whirlpool (2017). Whirlpool Corporation Announces Plans for Wind

280

Turbines at Greenville Manufacturing Facility. Whirlpool: Michigan,

U.S.

Wilson, C., Hargreaves, T., & Hauxwell-Baldwin, R. (2017). Benefits

and risks of smart home technologies. Energy Policy, 103, 72-83.

Wirtz, W.B. (2001). Reconfiguration of Value Chains in Converging

Media and Communications Markets. Long Range Planning. 34(4),

489-506.

Wolsink, M. (2012). The research agenda on social acceptance of

distributed generation in smart grids: Renewable as common pool

resources. Renewable and Sustainable Energy Reviews, 16(1),

822-835.

Woodroof, N. (2019). Digitalisation and the oilfield services sector:

threat or opportunity?. Oilfiled Technology.

Worden, K., Bullough, W. A., & Haywood, J. (2003). Smart technologies.

World Scientific.

Yan, E., & Ding, Y. (2009). Applying centrality measures to impact

analysis: A coauthorship network analysis. Journal of the American

Society for Information Science and Technology, 60(10), 2107-

2118.

Yang, H., Xiong, T., Qiu, J., Qiu, D., & Dong, Z. Y. (2016). Optimal

operation of DES/CCHP based regional multi-energy prosumer

with demand response. Applied Energy, 167, 353-365.

Yoon J. (2012). Detecting weak signals for long-term business

opportunities using text mining of Web news. Journal Expert

Systems with Applications, 39:12543-12550.

참고문헌 281

Yutian, L. I. U., Rui, F. A. N., & Terzija, V. (2016). Power system

restoration: a literature review from 2006 to 2016. Journal of

Modern Power Systems and Clean Energy, 4(3), 332-341.

Zafar, R., Mahmood, A., Razzaq, S., Ali, W., Naeem, U., & Shehzad,

K. (2018). Prosumer based energy management and sharing in

smart grid. Renewable and Sustainable Energy Reviews, 82,

1675-1684.

Zhang, B., Hu, W., Cao, D., Huang, Q., Chen, Z., & Blaabjerg, F. (2019).

Deep reinforcement learning–based approach for optimizing energy

conversion in integrated electrical and heating system with

renewable energy. Energy Conversion and Management, 202,

112199.

Zhang, C., Wu, J., Zhou, Y., Cheng, M., & Long, C. (2018). Peer-to-

Peer energy trading in a Microgrid. Applied Energy, 220, 1-12.

Zhou, J. (2013). Digitalization and intelligentization of manufacturing

industry. Advances in Manufacturing, 1(1), 1-7.

Zhou, K., Fu, C., & Yang, S. (2016). Big data driven smart energy

management: From big data to big insights. Renewable and

Sustainable Energy Reviews, 56, 215-225.

Zhukov, L.E. (2015). Node Centrality and Ranking on Networks, Scoial

Network Analysis MaGoLEGO Course, National Research University.

Zipperer, A., Aloise-Young, P.A., Suryanarayanan, S., Roche, R., Earle,

L., Christensen, D., Zimmerle, D. (2013). Electric energy management

in the smart home: Perspectives on enabling technologies and

consumer behavior. Proceedings of the IEEE, 101(11), 2397-2408.

282

Zpryme (2014). The prosumer energy market place. Zpryme: Mountain

City, U.S.

Zysman, J., Murray, J., Feldman, S., Nielsen, N. C., & Kushida, K. E.

(2011). Services with everything: The ICT-enabled digital

transformation of services.

<데이터베이스>

네이버 뉴스 (https://news.naver.com)

구글 뉴스 (https://news.google.com)

KISLINE (https://www.kisline.com)

Thomson Reuters Eikon (https://eikon.thomsonreuters.com)

SCOPUS (https://www.scopus.com)

Web of Science (https://www.webofknowledge.com)

<기타 자료>

강광우, (2019.7.16.). 빗장 푸니 또 빗장…규제에 갇힌 ‘샌드박스’. 서울경제,

https://www.sedaily.com/NewsView/1VLPUR6KG0

국무조정실 국무총리비서실 (2019.7.16.). 규제 샌드박스 시행 6개월 성과,

관계부처 합동 브리핑, 국무조정실 국무총리비서실.

김봉기, 양모듬 (2019.10.5.). 中企 전기차 콘센트 신기술, ‘샌드박스’ 넣자

8개월 헛바퀴. 조선비즈, http://biz.chosun.com/site/data/html_dir/

2019/10/05/2019100500070.html?utm_source=naver&utm_medium

=original&utm_campaign=biz

참고문헌 283

네이버 지식백과 (https://terms.naver.com/entry.nhn?docId=5741412&cid

=60217&categoryId=60217)

단어(salience) 검색 (https://www.lexico.com/en/definition/salience)

변상근 (2019.10.3.). [이슈분석] 규제 샌드박스, 사후지원 강화 과제. 전자

신문, http://www.etnews.com/20191002000196

부록 285

부 록

1. 미래신호탐색 결과




증가율구분

신호

blockchain 2307 17.0 13.8 15.7 L H weakfog 3464 6.0 25.8 10.6 L H weak

microbattery 3383 7.0 11.6 10.2 L H weakpiezoelectric 1773 22.0 4.7 1.4 H H strong

nanogenerator 1191 27.0 7.9 1.2 H H strongTENG 1252 26.0 6.0 1.2 H H strongLSTM 3874 5.0 10.3 1.2 L H weakrobot 4605 4.0 10.3 1.2 L H weak

analytics 2375 16.0 5.9 1.0 L H weakLEDs 1986 20.0 12.6 1.0 H H strongsheath 2615 13.0 8.8 0.9 L L latent

triboelectric 2147 19.0 7.0 0.8 H L well-knownpolygeneration 1760 23.0 2.0 0.8 H L well-known

cloud 1330 25.0 6.6 0.5 H L well-knownsensor 653 31.0 5.9 0.4 H L well-known

harvesting 599 32.0 2.4 0.4 H L well-knownyarn 2404 15.0 15.5 0.4 L L latentRNN 5077 3.0 15.5 0.4 L L latent

nanometer 2537 14.0 1.5 0.4 L L latentRFID 14216 1.0 30.9 0.3 L L latent

middleware 13222 2.0 30.9 0.3 L L latentinverter 876 29.0 3.8 0.3 H L well-knownmeter 822 30.0 11.3 0.3 H L well-known

converter 414 33.0 2.4 0.3 H L well-knownSVM 2866 9.0 2.4 0.3 L L latentESS 1467 24.0 2.9 0.3 H L well-known

storage 9 34.0 1.3 0.3 H L well-knownprocessor 2275 18.0 4.4 0.3 H L well-known

electrofuels 3247 8.0 4.4 0.3 L L latentsatellite 2634 11.0 1.8 0.2 L L latent

<기술 부문 미래신호>

286




증가율구분

신호

households 279 20.0 2.9 82.6 H H strongoccupants 922 15.0 3.0 36.8 H H strongprosumers 1272 13.0 5.4 28.8 H H strong

SMEs 1737 10.0 2.8 24.9 L H weakpeer 1645 11.0 10.3 1.2 L H weak

DSOs 2714 5.0 8.8 0.9 L L latentconglomerates 8084 1.0 15.5 0.4 L L latenthomeowners 2236 9.0 1.5 0.4 L L latentconsumers 249 21.0 4.1 0.3 H L well-knowndwellings 1181 14.0 1.3 0.3 H L well-known

users 349 17.0 4.9 0.3 H L well-knownregulation 284 19.0 1.2 0.3 H L well-knowncustomers 461 16.0 4.5 0.3 H L well-knownuniversity 1623 12.0 1.9 0.2 H L well-known

community 299 18.0 4.6 0.2 H L well-knowntelecommuni-

cation3593 3.0 6.2 0.2 L L latent

technicians 5328 2.0 6.2 0.2 L L latentclients 2709 6.0 7.7 0.1 L L latentestate 2433 8.0 3.3 0.1 L L latent

scientists 2555 7.0 3.3 0.1 L L latenttraders 3489 4.0 3.1 0.1 L L latent

<이해관계자 부문 미래신호>




증가율구분

신호

ANN 1965 21.0 2.1 0.2 H L well-knownPVDF 2633 12.0 3.6 0.1 L L latentdrones 2817 10.0 3.1 0.1 L L latent

nanofibers 1029 28.0 2.0 0.1 H L well-known

부록 287




증가율구분

신호

campus 1822 17.0 1.6 93.2 L H weakbill 1042 32.0 5.1 33.3 H H strong

DER 1074 31.0 4.6 32.7 H H strongtransaction 1276 28.0 5.3 28.5 H H strongsubstations 1646 22.0 2.8 24.9 L H weak

hotel 1624 23.0 3.6 23.0 L H weakHEMS 2585 11.0 12.4 1.6 L H weak

apartment 1880 14.0 4.7 1.4 L H weaknanogrid 3364 5.0 10.3 1.2 L H weakMPCMS 3074 7.0 3.9 0.8 L L latent

traffic 1444 26.0 5.3 0.7 H L well-knownrooftop 1232 29.0 1.9 0.6 H L well-known

microgrid 340 38.0 5.0 0.5 H L well-knownretail 869 33.0 4.6 0.4 H L well-known

hospital 1825 16.0 4.6 0.4 L L latentoutage 1318 27.0 2.6 0.4 H L well-knowncities 272 40.0 2.1 0.4 H L well-known

streetlight 7453 1.0 15.5 0.4 L L latentHVAC 1676 19.0 4.9 0.3 L L latent

trigeneration 1837 15.0 1.8 0.3 L L latentblackouts 2409 12.0 5.2 0.3 L L latent

bike 3442 4.0 5.2 0.3 L L latentautomobiles 3250 6.0 5.2 0.3 L L latent

providers 1150 30.0 6.7 0.3 H L well-knowndatacenter 1671 20.0 9.9 0.3 L L latent

grid 100 42.0 5.6 0.3 H L well-knowndistribution 99 43.0 2.2 0.3 H L well-known

vehicles 165 41.0 2.5 0.3 H L well-knownfactory 1693 18.0 2.2 0.3 L L latentDSM 1513 24.0 8.9 0.3 H L well-known

building 95 44.0 2.4 0.3 H L well-knowndemand response

680 36.0 7.5 0.3 H L well-known

garment 3750 3.0 4.4 0.3 L L latentappliances 736 34.0 9.2 0.2 H L well-known

island 693 35.0 2.9 0.2 H L well-knownNZEB 2222 13.0 1.8 0.2 L L latent

<서비스 영역 부문 미래신호>

288




증가율구분

신호

generation 26 45.0 1.4 0.2 H L well-knownPEVs 1649 21.0 7.2 0.2 L L latenthome 657 37.0 8.1 0.2 H L well-knownEVs 1477 25.0 6.0 0.2 H L well-known

manufacturing 293 39.0 1.4 0.2 H L well-knowntaxi 3838 2.0 6.2 0.2 L L latent

photovaltic 2609 10.0 5.8 0.1 L L latentoilfield 2665 9.0 3.6 0.1 L L latentTOU 2724 8.0 10.9 0.0 L L latent




증가율구분

신호

convenience 2185 11.0 3.2 25.0 L H weaklongevity 3360 7.0 2.8 24.9 L H weak

empowerment 6743 3.0 10.3 1.2 L H weakcollaboration 1203 23.0 1.3 0.9 H L well-knownpreservation 1804 15.0 2.3 0.6 L L latentscalability 1531 18.0 3.7 0.5 L L latent

selfsufficiency 1692 16.0 3.0 0.4 L L latentmobility 833 30.0 1.3 0.4 H L well-knownresilience 1073 26.0 4.2 0.4 H L well-known

sustainability 211 36.0 1.4 0.4 H L well-knownaccuracy 398 33.0 3.1 0.4 H L well-known

interoperability 3826 6.0 15.5 0.4 L L latentagility 7144 2.0 15.5 0.4 L L latent

acceptance 936 28.0 1.4 0.3 H L well-knownharmony 2842 8.0 2.2 0.3 L L latent

cybersecurity 4288 5.0 30.9 0.3 L L latentgreenization 12488 1.0 30.9 0.3 L L latentcoordination 666 31.0 3.6 0.3 H L well-known

autonomy 1812 14.0 3.8 0.3 L L latentsecurity 419 32.0 2.2 0.3 H L well-known

decarbonisation 1260 22.0 1.4 0.3 H L well-knownflexibility 276 35.0 2.8 0.3 H L well-known

convergence 1174 24.0 1.8 0.3 H L well-knownprivacy 2067 12.0 9.9 0.3 L L latentdiversity 1439 20.0 2.3 0.3 H L well-knownstability 75 38.0 0.7 0.3 H L well-knownprecision 1375 21.0 2.2 0.3 H L well-known

<가치 부문 미래신호>

부록 289




증가율구분

신호

localization 2269 10.0 2.4 0.3 L L latentcompliance 1898 13.0 2.4 0.3 L L latentreliability 300 34.0 2.2 0.3 H L well-known

environment 160 37.0 1.4 0.3 H L well-knownwellbeing 4497 4.0 4.4 0.3 L L latentecosystem 952 27.0 2.1 0.2 H L well-known

compatibility 1127 25.0 1.9 0.2 H L well-knowncredibility 2822 9.0 1.9 0.2 L L latentverification 1557 17.0 1.0 0.1 L L latenteconomics 933 29.0 2.4 0.1 H L well-known

efficacy 1519 19.0 4.5 0.1 L L latent




증가율구분

신호

disaggregation 2489 1.0 7.3 1.1 L H weakprediction 319 10.0 2.5 0.3 H L well-known

maintenance 614 7.0 2.6 0.3 H L well-knownidentification 759 5.0 2.2 0.3 L L latent

control 65 12.0 2.9 0.3 H L well-knownconnection 619 6.0 2.8 0.2 L L latentdiagnosis 2208 2.0 5.7 0.2 L L latent

optimization 67 11.0 2.0 0.2 H L well-knownscheduling 356 9.0 4.8 0.2 H L well-knownautomation 2198 3.0 8.3 0.2 L L latentaggregation 552 8.0 3.7 0.2 H L well-knownmonitoring 780 4.0 4.3 0.1 L L latent

<기능 부문 미래신호>

박 찬 국

現 에너지경제연구원 연구위원

<주요저서 및 논문>

블록체인, 에너지 부문 기회와 과제(공저) , 에너지경제연구원 수시연구, 2018

전기차 사용후 배터리 거래시장 구축을 위한 정책연구(공저) , 에너지경제

연구원 기본연구, 2018

기본연구보고서 2019-16

지능형 기술 확산에 따른 에너지산업 가치사슬 변화

2019년 12월 30일 인쇄

2019년 12월 31일 발행

저 자 박 찬 국

발행인 조 용 성

발행처 에너지경제연구원

울산광역시 종가로 405-11 전화: (052)714-2114(代) 팩시밀리: (052)-714-2028

등 록 제 369-2016-000001호(2016년 1월 22일)인 쇄 디자인 범신

ⓒ에너지경제연구원 2019 ISBN 978-89-5504-743-1 93320

* 파본은 교환해 드립니다. 값 7,000원

본 연구에 포함된 정책 대안 등 주요 내용은 에너지경제연구원의 공식적인 의견이 아닌 연구진의 개인 견해임을 밝혀 둡니다.

기본

연구

보고

서 1

9-1

6

(44543) 울산광역시 중구 종가로 405-11(성안동, 에너지경제연구원)

전화 : 052)714-2114 | 팩스 : 052)714-2028 | www.keei.re.kr

지능

형 기

술 확

산에

따른

에너

지산

업 가

치사

슬 변

화

값 7,000원

9 788955 047431

93320

ISBN 978-89-5504-743-1

지능형 기술 확산에 따른 에너지산업 가치사슬 변화

Documents

Transcript of 지능형 기술 확산에 따른 에너지산업 가치사슬 변화