기업 탄소배출 예측을 위한 안정적 시계열 모델

초록

본 논문은 지역·산업·기업 간 에너지 구조·정책 강도 차이로 인한 데이터 분포 이동과 비정상성을 고려하여, 인과 추론과 안정학습을 결합한 시계열 예측 프레임워크를 제안한다. 기업 수준의 에너지 투입, 자본·노동 배치, 탄소 가격, 정책 강도 등을 변수로 삼아 위험 일관성 제약을 통해 인과적으로 안정된 특징을 추출하고, 적응형 정규화와 표본 재가중치 기법으로 시간적 비정상성을 보정한다. 다중 환경 패널 데이터를 활용한 실증 결과, 기존 모델 대비 평균 예측 오차를 10~15% 감소시켜 교차 지역·산업 예측에서 우수한 견고성과 설명력을 입증한다.

상세 분석

이 연구는 기업 탄소배출 예측이라는 복합 비정상 시계열 문제에 두 가지 핵심 이론을 융합한다. 첫째, 인과 추론 관점에서 ‘안정한 특징(stable feature)’을 정의하고, 다중 환경(지역·산업·정책) 데이터를 이용해 위험 일관성(risk consistency) 제약을 설정한다. 이는 각 환경에서 동일한 인과 구조를 유지하는 변수만을 선택하도록 하는 제약으로, 전통적인 경험적 위험 최소화(ERM)와 달리 환경 변화에 강인한 변수 집합을 확보한다. 둘째, 안정학습(stable learning) 이론을 시계열 모델에 적용해 시간적 비정상성을 다룬다. 구체적으로, 적응형 정규화(adaptive normalization)는 시계열의 평균·분산 변동을 실시간으로 추정해 입력을 스케일링하고, 표본 재가중치(sample reweighting) 기법은 공변량 균형(covariate balancing)을 통해 정책 충격이나 경기 변동 등 외생 요인의 영향을 보정한다. 이러한 두 단계는 서로 보완적으로 작동한다. 인과적으로 안정된 변수는 정책·경제 변동에 대한 민감도가 낮아 장기적인 예측 신뢰성을 제공하고, 적응형 정규화와 재가중치는 단기적인 변동성을 포착해 모델이 최신 데이터 분포에 빠르게 적응하도록 만든다.

모델 구조는 크게 세 부분으로 나뉜다. (1) 특징 추출 모듈에서는 기업의 에너지 투입량, 자본·노동 비중, 탄소 가격, 정책 강도 등을 원시 변수로 사용하고, 다중 환경 손실(Loss) 함수를 통해 인과 일관성을 검증한다. (2) 시계열 예측 모듈은 변형된 LSTM 기반 네트워크에 적응형 정규화 레이어를 삽입해 시계열의 비정상성을 완화한다. (3) 최종 출력 단계에서는 환경별 가중치를 적용한 재가중치 손실을 최소화함으로써, 각 환경에서의 예측 오차를 균등하게 낮춘다. 실험에서는 중국 내 다수 기업의 연간 에너지·탄소 데이터(2010‑2024)를 활용했으며, 비교 모델로는 전통 ARIMA, VAR, 표준 LSTM, GRU, XGBoost 등을 사용했다. 결과는 제안 모델이 교차 지역·산업 테스트에서 평균 절대 오차(MAE)를 0.82 %p, 평균 제곱근 오차(RMSE)를 1.05 %p 감소시켰으며, 특히 정책 전환기(예: 탄소 거래제 도입)에서 급격한 성능 저하가 거의 없었다. 이는 인과적으로 안정된 특징과 비정상성 보정이 결합될 때, 데이터 드리프트에 대한 내성이 크게 향상됨을 실증적으로 보여준다.

또한, 모델 해석성을 위해 SHAP 값을 활용해 각 변수의 기여도를 시각화했으며, 정책 강도와 탄소 가격이 장기적인 인과 효과를 갖는 반면, 단기적인 경기 변동은 재가중치 메커니즘에 의해 효과가 억제되는 것을 확인했다. 이러한 해석은 기업 경영진이 장기 저탄소 전략을 수립할 때, 어떤 요인이 지속 가능한 감축에 핵심적인지를 판단하는 근거를 제공한다.

전반적으로 이 논문은 인과 추론 기반 안정학습을 시계열 예측에 적용함으로써, 기존의 경험적 모델이 갖는 환경 의존성을 극복하고, 정책·경제 변동이 빈번한 실제 산업 현장에서 실용적인 예측 도구를 제공한다는 점에서 학술적·실무적 의의가 크다.