패널분석을 활용한 생활계폐기물 원단위 추정 모델에 관한 연구 = A study on the forecasting model of domestic waste generation rate using panel analysis

국문 초록 (Abstract)

폐기물은 인간 활동에 따른 부산물이며, 인류가 존재하는 한 폐기물 발생은 필수 불가결한 요소이다. 인구 및 산업구조 변화, 소득 향상 등으로 폐기물의 발생 패턴이 변화하고 있다. 효율적인 폐기물 관리계획을 수립하기 위해서는 장래 폐기물 발생량을 정확하게 예측하는 것이 중요하며, 발생량 추정은 기존 폐기물 인프라 관리 및 지속 가능한 개발의 기초가 된다. 장래 폐기물 발생량은 장래인구에 과거 평균 발생 원단위를 곱하는 원단위법을 기본으로 적용하고 있다. 원단위법은 예측이 간편하다는 장점이 있는 반면, 인구수 이외의 다른 인자를 고려하지 못한다는 단점이 존재한다. 따라서 본 연구에서는 사회경제적인 변수가 생활계폐기물 발생 원단위에 어떠한 영향을 미치는지를 패널분석을 활용해 분석하였으며, 기존 원단위법을 개선한 수정 원단위법(Advanced waste generation rate method, AWGR method)을 제안하였다. 패널분석을 통해 선정된 최적변수를 적용하여 수정 원단위법, 기존 원단위법, 고정효과 모형, Gated recurrent unit(GRU)을 이용하여 서울시 25개 자치구의 원단위(2016~2021년)를 예측하고 실제 원단위와 비교분석하여 예측성능이 우수한 모델을 선정하였다. 본 연구에서는 고정효과모형을 활용하여 폐기물 원단위에 통계적으로 유의미한 영향을 미치는 최적변수를 선정하였으며, 원단위의 배출형태에 따라 선정된 변수는 차이가 있지만, 공통적으로는 인구수, 인구구조(인구비율1, 인구비율2, 인구비율3, 세대당인구수), 인구밀도, 산업구조(산업비율3, 산업 비율4) 등이 선정되었다. 생활계폐기물 원단위(전체 원단위)와 배출형태별 종량제, 재활용, 음식물 원단위의 결정계수는 전체 원단위가 0.290로 가장 높았으며, 종량제 원단위 0.194, 음식물 원단위 0.108 순이며, 재활용 원단위가 0.054로 가장 낮은 것으로 나타났다. 이는 재활용 원단위의 편차가 크고 변수 간 상관성이 낮아 이러한 결과가 나타난 것으로 판단된다. 또한, 선정된 최적 변수 중 인구수, 인당 GRDP, 종사자비율, 산업비율3, 산업비율4이 증가하면 원단위도 증가하며, 그 외 세대당인구수, 외국인비율, 인구밀도는 증가하면 원단위는 감소하는 것으로 나타났다. 인구수와 인구밀도는 추정계수는 비슷하지만 서로 다른 부호를 가지고 있어 원단위에 미치는 영향은 서로 반대이다. 따라서 인구수가 증가하거나 감소하더라도 원단위 증감효과가 서로 상쇄되어 인구수 변동에 따른 원단위 변화는 크지 않을 것으로 판단된다. 선행연구와 동일하게 인구비율3(65세 이상 비율)이 증가하면 원단위는 감소하는 것으로 나타났으며, 인구비율1(0~14세 비율), 인구비율3(65세 이상 비율)가 증가할수록 원단위가 감소하는 것은 해당 연령층의 소득과 소비력이 다른 연령층에 비해 낮아 이러한 결과가 나타난 것으로 판단된다. 도시지역인구비율이 증가할수록 종량제 원단위는 감소하는 것으로 나타났다. 이는 도시지역 대비 비도시지역에 거주하는 인원의 종량제 원단위가 높다는 것을 의미하며, 기존 농가에서 불법소각으로 처리하고 있는 농업부산물에 대해 단속을 강화하여 종량제 봉투에 배출하도록 하고 있고, 농업부산물이 생활폐기물로 분류되고 있어 이러한 결과가 나타난 것으로 판단된다. 종사자비율이 증가하면 음식물 원단위가 증가하는 것으로 나타났다. 종사자비율이 높아진다는 것은 해당 지역 내 일자리가 증가하는 것을 의미하며, 해당 지역으로 출퇴근하는 직장인들은 직장근처에서 점심식사를 해결하기 때문에 음식물 원단위가 증가하는 것으로 판단된다. 외국인비율이 증가하면 재활용 원단위는 감소하게 되며, 이는 내국인 대비 외국인의 원단위가 낮다는 것을 의미한다. 국내 등록외국인의 국적별(중국, 베트남, 필리핀 등)로 원단위를 조사한 결과, 국내보다 원단위가 낮아 이러한 효과가 나타나는 것으로 판단된다. 최신데이터를 적용할수록 인구 및 산업구조와 관련된 변수가 중요해지고 있으며, 향후 원단위 예측에 필수적으로 고려해야 할 부분이라고 판단된다. 또한, 추정계수를 비교한 결과, 인구구조가 산업구조에 비해 원단위에 큰 영향을 미치는 것으로 나타났다. 본 연구에서는 서울시 25개 자치구를 대상으로 2016년부터 2021년까지의 원단위를 수정 원단위법, 기존 원단위법, 고정효과 모형, GRU로 예측하고 실제 원단위와 비교분석한 결과, 수정 원단위법의 예측성능이 우수한 것으로 나타났다. 15개 자치구(60%)는 수정 원단위법, 6개 자치구(24%)는 기존 원단위법, 4개 자치구는(16%)는 GRU가 선정되었다. 또한, 수정 원단위법을 적용하면 기존 원단위법보다 오차율이 6% 감소하는 효과가 발생할 것으로 판단된다. 수정 원단위법이 선정된 자치구의 원단위는 증가하는 경향을 보이고 있다. 따라서 원단위가 증가하는 지역에 대해서 수정 원단위법을 적용하면 예측 성능을 개선할 수 있을 것으로 판단된다. GRU가 선정된 자치구는 원단위가 증가하거나 감소하는 자치구가 모두 선정되어 특별한 경향을 보이지 않는다. 다만, 다른 모델로 선정된 자치구에 비해 증감패턴이 복잡하며, 원단위의 추세 및 패턴이 복잡한 지역에 적용하면 예측 성능을 개선할 수 있을 것으로 판단된다. 최근 주민등록인구, 외국인인구에 지역 내 체류인구를 포함하는 생활인구에 대한 연구가 활발히 이뤄지고 있으며, 생활인구의 데이터가 축적되어 사용할 수 있게 된다면 더욱더 발전적인 모델 개발이 될 것으로 판단된다.

다국어 초록 (Multilingual Abstract)

Waste is a byproduct of human activities, and as long as humanity exists, the generation of waste is inevitable. Changes in population and industrial structures, along with income improvements, have altered waste generation patterns. Accurate prediction of future waste generation is crucial for developing efficient waste management plans, as it forms the foundation for managing existing waste infrastructure and sustainable development.
The Waste Generation Rate (WGR) method, which multiplies future population by past average generation rates, is commonly applied to forecast future waste generation. While the WGR method is favoured for its simplicity, it has the drawback of not considering factors other than population. Thus, this study analyses the impact of socioeconomic variables on the domestic waste generation rate using panel analysis. Additionally, it proposes an improved WGR method, the Advanced Waste Generation Rate (AWGR) method. The optimal variables selected through panel analysis were applied to predict unit generation in Seoul's 25 districts (2016-2021) using the AWGR method, WGR method, fixed effects model, and Gated Recurrent Unit (GRU) model. The predictions were compared with actual waste generation rate to select the best-performing model.
This study employed a fixed effects model to identify the optimal variables that statistically significantly impact domestic waste generation rate. Although there are differences in the selected variables based on waste types, common variables include population, population structure, household size, population density, and industrial structure (tertiary, lodging, and food). The coefficient of determination was highest for the total waste generation rate at 0.290, followed by general waste (0.194), food waste (0.108), and recyclable waste (0.054). This result is attributed to the high variability in recyclable waste and low correlation between independent variables.
Furthermore, among the optimal variables, the waste generation rate increases with higher population, GRDP per capita, percentage of workers, and industry ratio (tertiary, lodging, and food) and decreases with larger household size and higher population density. Population and population density have similar estimated coefficients but opposite signs, indicating that their effects on the waste generation rate neutralise each other, leading to minimal changes in the waste generation rate with population fluctuations.
The decrease in the waste generation rate with an increase in the proportions of the population aged 0-14 years and over 65 years is likely due to lower income and consumption levels compared to other age groups. An increase in the urban population ratio led to a decrease in the general waste generation rate, likely due to stricter enforcement of regulations on the illegal burning of agricultural by-products, requiring their disposal as general waste.
An increase in the percentage of workers led to an increase in food waste, as more employees means more lunch consumption near workplaces. An increase in the percentage of foreigners resulted in a decrease in recyclable waste, suggesting that foreigners generate less waste compared to Koreans. This finding is supported by data indicating that foreign nationals, such as those from China, Vietnam, and the Philippines, have lower waste generation rates than Koreans.
The importance of variables related to population and industrial structure increases with more recent data, suggesting that these factors should be crucially considered in future unit generation predictions. The comparison of estimated coefficients indicates that population structure has a greater impact on unit generation than industrial structure.
In this study, AWGR method, WGR method, fixed effects model, and GRU model were used to forecast unit generation in Seoul's 25 districts from 2016 to 2021. The results showed that the AWGR method had the best predictive performance. It was selected for 15 districts (60%), WGR method for 6 districts (24%), and the GRU model for 4 districts (16%). Applying the AWGR method is expected to reduce the error rate by 6% compared to the WGR method.
Districts where the AWGR method was selected showed an increasing trend in unit generation, suggesting that applying this method in areas with rising unit generation could improve predictive performance. Districts selected for the GRU model showed no specific trend, indicating that the GRU model could be effective in areas with complex and fluctuating patterns in unit generation, improving predictive accuracy in such regions.

목차 (Table of Contents)

• 제1장 서론 1
• 제1절 연구 배경 및 목적 1
• 제2절 연구 내용 및 범위 4
• 제2장 이론적 배경 7
• 제1절 생활계폐기물 7
• 1. 생활계폐기물의 정의 및 분류체계 7
• 2. 생활계폐기물 발생량 예측 방법론 8
• 제2절 통계 정보 10
• 1. 폐기물 통계 10
• 2. 주간인구지수 11
• 제3절 패널분석 13
• 1. 패널데이터 13
• 2. 패널분석 13
• 제4절 머신러닝 18
• 1. 신경망 18
• 2. 순환신경망 21
• 제5절 예측 원단위에 대한 모델 성능 평가지표 28
• 제6절 선행연구 30
• 1. 회귀분석 및 패널분석 사례 30
• 2. 머신러닝 사례 33
• 3. 선행연구와의 차별성 36
• 제3장 연구내용 및 방법 38
• 제1절 연구내용 38
• 1. 종속변수 및 원단위 예측 대상 선정 38
• 2. 독립변수 선정 39
• 제2절 연구 방법 44
• 1. 폐기물 발생 원단위 결정요인 분석 44
• 2. 원단위 추정 모델 개발 45
• 제4장 연구 결과 및 고찰 47
• 제1절 기술통계 분석 및 변수별 현황 분석 47
• 1. 기술통계 분석 47
• 2. 폐기물 발생 원단위 현황 분석 55
• 3. 독립변수 현황 분석 63
• 제2절 폐기물 발생 원단위 결정요인 분석 66
• 1. 패널분석의 모형 선정 66
• 2. 고정효과 모형을 활용한 최적변수 결정 68
• 3. 결정요인 분석 71
• 제3절 원단위 추정 모델 개발 88
• 1. 수정 원단위법 제안 88
• 2. 지역 유형별 원단위 예측 91
• 3. 원단위 추정 모델별 예측성능 평가 결과 111
• 제5장 결론 118
• 참고문헌 122
• Appendix 130
• Abstract 180