Journal of the Korean Data and Information Science Society

한국데이터정보과학회 (The Korean Data and Information Science Society)
권호 표지
DOI QR코드

DOI QR Code

주행거리를 이용한 연료소비량 산정방법: 몬테카를로 기법 중심으로

Estimation methods of fuel consumption using distance traveled: Focused on Monte Carlo method

  • 투고 : 2012.02.03
  • 심사 : 2012.03.02
  • 발행 : 2012.03.31
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

최근 온실가스 배출량에 대한 국제적 이슈가 지속적으로 대두되어 왔다. 본 연구는 이동 배출원중에서 도로교통부분에 대한 배출량을 산출하는데 필요한 연료소비량 산정에 관한 통계적인 기법들을 비교한 것이다. 지금까지 연료소비량을 산정하는데 단순히 연료공급량 또는 주행거리에 의한 방법으로 초점을 두어왔다. 그러나 연료공급량을 토대로 산출된 배출량은 다양한 차량 및 연식을 반영하지 못한다. 본 연구는 통계적 관점에서 주행거리와 연비를 조합한 각 차량의 연료소비량 및 모든 차량의 소비한 총연료소비량의 추정에 적용되는 방법들을 나열하고 비교한다. 또한 향후 연구로 제시된 일부 방법들에 대해서 차량 및 연식을 고려한 연료소비량의 추정에 관한 현실적인 적용방법을 제시한다.

Recently, estimation of greenhouse gas (GHG) emission has continuously emerged as an important global issue. This study compares various statistical methods for estimation of fuel consumption, which is necessary for calculation of GHG emission in road transportation sector. Existing methods have focused on using merely transportation fuel supply or distance traveled for calculation of fuel consumption. Estimates of GHG emission based on fuel supply, however, cannot reflect various vehicle types or model year. This study suggests and compares, from statistical point of view, several methods, which can be applied to estimate fuel consumption of each vehicle, by combining distance traveled and fuel efficiency (mileage), and total fuel consumption of all vehicles. It also suggests practical measures that can reflect vehicle types and model year to suggested methods for future research.

키워드

참고문헌

  1. 권세혁 (2010). 시뮬레이션 실험조건 이상 진단 연구. <한국데이터정보과학회지>, 21, 853-861.
  2. 김기동, 고현기, 이태정, 김동술 (2011). 배출량 산정방법에 따른 지자체 도로수송부문의 온실가스 배출량 산정 비교. <한국대기환경학회지>, 27, 405-415.
  3. 국립환경과학원 (2009). <수송부문 온실가스 기후변화대응 시스템 구축(II): 자동차 온실가스 Bottom-up 배출계수 개발>, 국립환경과학원, 인천.
  4. 에너지경제연구원 (2011). <에너지통계연보>, 에너지경제연구원, 의왕시.
  5. 최현석, 김태윤 (2010). 엑셀 매크로 기능을 이용한 표본추출에 관한 연구. <한국데이터정보과학회지>, 21, 481-491.
  6. Becker, R. A., Chambers, J. M. and Wilks, A. R. (1988). New S language, Chapman and Hall/CRC, London.
  7. Bowman, A. W. and A. Azzalini. (1997). Applied smoothing techniques for data analysis, Oxford University Press, New York.
  8. IPCC (2006). 2006 IPCC guidelines for national greenhouse gas inventories, IPCC, Switzerland.
  9. Martinez, W. L. and Martinez, A. L. (2002). Computational statistics handbook with MATLAB, Chapman & Hall/CRC, New York.
  10. Park, C. G. (2011). On statistical properties of some dierence-based error variance estimators in nonparametric regression with a finite sample. Journal of the Korean Data & Information Science Society, 22, 575-587.
  11. Scott, D. W. (1992). Multivariate density estimation: Theory, practice and visualization, Wiley, New York.
  12. Sheather, S. J. and Jones M. C. (1991). A reliable data-based bandwidth selection method for kernel density estimation. Journal of the Royal Statistical Society B, 53, 683-690.
  13. Sheather S. J. (2004). Density estimation. Statistical Science, 19, 588-597. https://doi.org/10.1214/088342304000000297
  14. Shim, J. (2011). Variable selection in the kernel Cox regression. Journal of the Korean Data & Information Science Society, 22, 795-801.
  15. Silverman, B. W. (1986). Density estimation for statistics and data analysis, Chapman and Hall/CRC, London.
  16. Venables, W. N. and Ripley, B. D. (2002). Modern applied statistics with S, Springer, New York.

피인용 문헌

  1. Estimation of confidence interval in exponential distribution for the greenhouse gas inventory uncertainty by the simulation study vol.24, pp.4, 2013, https://doi.org/10.7465/jkdi.2013.24.4.825
  2. A Study on Estimation of CO2 Emission and Uncertainty in the Road Transportation Sector Using Distance Traveled : Focused on Passenger Cars vol.32, pp.6, 2014, https://doi.org/10.7470/jkst.2014.32.6.694