[전문가 칼럼] Scope3(공급망 이산화탄소 배출) 측정 및 공시준비 더욱 서둘러야

Scope3 (공급망 이산화탄소배출, Upstream & Downstream Emission)는 원재료의 추출 및 생산에서 발생하는 배출 또는 조직의 제품 사용에서 발생하는 배출과 같이 조직 활동의 상류 또는 하류에서 생성되는 온실 가스 배출을 나타낸다. Scope3 배출량을 계산하려면 업스트림(Upstream) 또는 다운스트림(Downstream) 활동과 관련된 배출량을 알아야 한다. 예를 들어, 의류를 생산 및 판매하는 회사의 탄소 발자국을 계산하려면 원자재 생산, 제조 공정, 의류 운송 및 유통과 관련된 배출량을 고려해야 한다. 여기에는 여러 공급업체로부터 데이터를 수집하고 제품 수명 주기의 각 단계에 대한 수명 주기 평가를 수행하는 것이 포함된다. 현재는 한국의 경우 기업의 통제 범위안에 있는 Scope1 (직접배출)과 Scope2 (간접배출)을 주로 관리하고 있지만, 향후 공급망 매출은 더욱 더 측정이 중요해 질 것으로 예상된다. 더불어 산업에 따라서는 Scope1+Scope2을 합한 값보다 Scope3의 배출량이 더 큰 분야가 많은 것이 그 한 원인이라고 볼 수 있다. 아래는 Scope3의 업스트림과 다운스트림에 대해서 15가지의 카테고리별로 구분을 한 것이다. ​ - Scope3의 범주분류 GHG 프로토콜은 업스트림 및 다운스트림 배출을 모두 포함하는 Scope 3 배출을 측정하고 보고하기 위한 지침을 제공한다. 다음은 scope3 배출량을 측정하고 보고하기 위한 몇 가지 단계이다. 먼저 범위 정의(Define the scope)이다. 이는 조직 운영의 경계를 결정하고 조직의 활동과 관련된 Scope 3 배출 범주를 식별한다. GHG 프로토콜은 구매한 상품 및 서비스, 운송 및 유통, 운영 및 폐기 시 발생하는 폐기물, 판매된 제품의 사용을 포함하는 scope3 배출량의 15가지 범주 목록을 제공한다. 다음으로는 데이터 수집이다. Scope 3 배출량의 각 범주와 관련된 배출량에 대한 데이터를 수집한다. 여기에는 공급업체 및 기타 이해관계자와 협력하여 배출량에 대한 정보를 수집하거나 2차 출처에서 산업 벤치마크 및 데이터를 사용하는 것이 포함될 수 있다. 여기서부터는 수집된 데이터를 기반으로 배출량을 계산한다. 적절한 배출 계수 및 계산 방법을 사용하여 Scope 3 배출의 각 범주와 관련된 배출을 계산한다. GHG 프로토콜은 Scope 3 배출량의 각 범주에 대한 배출 계수 및 계산 방법을 제공한다. 다음으로는 계산 및 보고된 Scope 3 배출량에 대해서 환류의 일환으로 목표 설정 및 전략을 구현한다. 보고된 배출량 데이터를 사용하여 배출량 감소 목표를 설정하고 조직의 공급망에서 배출량을 줄이기 위한 전략을 구현한다. 여기에는 공급업체와 협력하여 효율성을 개선하거나, 재생 가능 에너지를 조달하거나, 폐기물 및 배출량을 줄이기 위한 순환 경제 관행을 구현하는 것이 포함될 수 있다. ​ - Scope3의 범주에 대한 데이터 접근성 Scope 3 배출량 측정 및 보고는 본인 뿐만이 아니라 공급망 사슬 전체에 대해서 계산을 해야 하므로, 복잡할 수 있으며 공급업체 및 기타 이해관계자와의 협업 및 데이터 공유가 필요하다는 점에 유의해야 한다. 그러나 기업의 전체 탄소배출량을 보다 정확히 측정 및 공시하기 위해서는 전체 공급망 배출량을 설명하는 것이 필수적이다. 특히 아래의 한국 기업을 대상으로 한 산업별 Scope 1,2,3에 대한 각 비중을 살펴보면, Scope3가 상당히 높은 비중을 차지하는 것을 볼 수 있으며, 이러한 부분을 고려해 볼 때, Scope3의 측정(추정)은 향후 탄소중립으로 나아감에 있어 일단 측정의 영역에서 중요한 화두가 될 수 있다고 판단된다. 미국 증권거래위원회(SEC)도 상장기업의 기후 공시 의무화 방안 제안을 통해 기업 탄소배출량을 Scope 3까지 공개하는 안을 제시한 바 있다. 이는 전체 탄소배출량 중 70~80%에 달하는 Scope 3 정보에 대한 공시 및 관리가 적절하게 이루어져야 기업의 총 이산화탄소 배출량을 통제할 수 있다는 입장이다. 특히 Scope 3 배출을 포함하는 온실가스 감축 목표를 설정한 기업이나 Scope 3 온실가스 배출량이 유의한(material) 기업에 한해 공시대상 기업을 설정하고 있다. Scope 3 공시 의무화가 시행되면 글로벌 기업들과 사업적 관계에 있는 국내 기업들에 대한 온실가스 배출 정보 공개 요청이 이뤄질 가능성이 높다. 기존에는 Scope 3에 대해서 추정을 하고 있지만, 점차 추정에서 측정의 영역으로 넘어가고 있고, 이러한 측정으로의 변화에는 AI와 관련된 기술의 발전이 결정적인 영향으로 볼 수 있다. ​ ​ - 산업별 Scope1,2,3 비율 ​ Scope 1,2,3 와 머신러닝 앞서 언급하였던 Scope 1, 2 및 3은 온실가스(GHG) 배출량을 계산하고 보고하기 위해 널리 사용되는 프레임워크인 온실 가스(GHG) 프로토콜에서 사용되는 용어이다. 머신러닝(ML)은 컴퓨터가 데이터로부터 학습하고 시간이 지남에 따라 성능을 향상시킬 수 있는 일종의 인공 지능이다. 머신러닝 알고리즘은 GHG 배출 데이터를 포함한 광범위한 데이터 세트에 적용하여 사람이 감지하기 어려운 패턴과 통찰력을 식별할 수 있다. 기업이 탄소 발자국을 줄이는 데 도움이 되도록 온실가스 배출 데이터 분석에 머신러닝을 적용하는 기업이 많이 있다. 예를 들어 Eco life Recycling은 머신러닝을 사용하여 회사의 폐기물 데이터를 분석하여 폐기물 및 배출량을 줄일 수 있는 기회를 식별하는 데 도움을 주는 미국 기반 회사다. 마찬가지로 Planetary는 머신러닝 알고리즘을 사용하여 에너지 청구서 및 운송 로그를 비롯한 다양한 소스의 데이터를 분석하여 기업이 탄소 발자국을 측정, 추적 및 줄이는 데 도움을 주는 지속 가능성 소프트웨어 회사다. 이 기업은 배출량 데이터를 분석하는 것 외에도 머신러닝 알고리즘을 사용하여 에너지 사용을 최적화하고 배출량을 줄일 수 있다. 예를 들어, AI 연구 회사인 Google의 DeepMind는 Google 데이터 센터의 냉각 시스템을 최적화하는 머신러닝 알고리즘을 개발하여 에너지 사용량과 탄소 배출량을 획기적으로 감소시킨 바 있다. 전반적으로 머신러닝은 온실가스 배출량을 분석하고 줄이는 데 강력한 도구가 될 수 있으며 이 분야에서 혁신적인 솔루션을 개발하는 많은 회사가 지속적으로 생겨나고 있다. ​ Scope3는 측정인가? 아니면 추정인가? 기존에는 Scope3에 대해서 추정을 하고 있지만, 점차 추정(Estimation)에서 측정(Measurement)의 영역으로 넘어가고 있는 것을 알 수 있다. 추정에서 측정으로 넘어가면 비용이 급증하지만, 그 만큼 정확도도 증가할 수 있다. 따라서 추정을 할지 혹은 측정을 할지에 대해서 의사결정을 하려면 관련된 비용부분을 적절히 고려해야 한다. 이러한 측정으로의 변화에는 AI와 기술의 결합 및 발전이 결정적인 영향을 들 수 있다. Serafiem and Caiddedo (2022)은 머신러닝을 기반으로 한 Scope3 추정의 정확도가 비용 및 정확도 측면에서 오히려 우월할 수 있음을 제시하고 있다. Scope 3 배출량 산정은 어려울 수 있으며 산정 프로세스의 정확성은 데이터 가용성, 공급망의 복잡성, 사용된 산정 방법의 품질 등 여러 요인에 따라 달라질 수 있다. Scope 3 배출량을 산정할 때의 주요 문제 중 하나는 회사가 직접적인 운영 통제 범위 밖에 있는 배출원에서 발생하는 이러한 배출량에 대해 직접 통제할 수 없다는 것이다. 따라서 최대한 측정을 하되, 측정이 불가능하거나 어려운 분야는 추정을 통해서 최적치에 대한 계산을 시도할 수 밖에 없다. 즉, 기업은 자체 운영 데이터만큼 정확하지 않을 수 있는 제3자 출처의 추정치나 데이터에 의존해야 하는 경우가 많다. 예를 들어, 제3자 운송업체에 의한 상품 운송으로 인한 배출량을 추정하는 것은 특히 어려울 수 있다. 이러한 문제를 해결하기 위해 온실 가스 프로토콜은 "시장 기반" 또는 "속성 기반" 방법과 같은 다양한 방법을 사용하여 Scope 3 배출량을 추정하는 방법에 대한 지침을 제공하려고 시도하고 있다. 보다 일반적인 데이터에 의존하기보다는 공급업체 송장 또는 제품의 수명 주기 평가와 같은 보다 상세하고 구체적인 데이터 소스를 사용하여 추정 프로세스의 정확성을 개선할 수 있다. 산업에 따라서 머신러닝을 활용한 Scope3의 추정정확도가 상이할 수 있다. 미국기업을 대상으로 한 Serafiem and Caiddedo (2022)1) 연구에서는 Adaboost 머신러닝모델이 가장 정확성을 나타내는 것으로 보고되고 있다. 이는 한국기업을 대상으로도 연구해 볼만한 주제라고 판단되며, 본 저자도 이에 대한 연구주제를 수행하고 있다. 이를 위해 KNN(K-Nearest Neighbor), RF(Random Forest), ADABOOST 등의 머신러닝 모델을 활용하여 한국기업을 대상으로 한 Scope3 추정모델을 일단 확실히 설정하는 데에 목적이 있다. 하지만 Scope3는 필수적으로 아직은 추정의 영역을 내포하고, 추정을 잘하기 위해서는 좋은 인풋자료가 선행이 될 때 보다 나은 연구결과가 담보될 수 있다고 판단된다. 특히 Scope3의 측정이 어려운 기업들을 고려해 볼 때, 비용적 측면에서 중견 및 중소기업도 머신러닝 기반의 Scope3 추정을 적극적으로 고려해 볼 만 하다고 판단된다. 탄소배출량이 적절히 추정이 되어야 이를 기반으로 다양한 기후위험 및 기후위험에 기반한 기업별 시나리오분석이 가능할 것으로 판단된다. 따라서 한국기업들이 Scope3의 측정 및 공시에 대해서 더욱 준비를 서둘러야 할 것이며, 이는 AI 및 디지털의 발전으로 보다 수월하게 준비할 수 있을 것으로 기대된다. ​ 1) Serafeim. G., and G., Caicedo. (2022). Machine Learning models for prediction of Scope3 carbon emissions. Harvard business school working paper. ​ 저자의 다른 글 보기 • K-VCM(한국형 자발적 탄소시장)의 활성화를 기대하며 • 해외 비재무보고 공시기준 변화와 우리의 대응 • K-ESG 가이드라인에 대한 실무적 대비에 관하여 • 유가증권 상장기업 지속가능경영보고서 의무도입 앞당겨야 ​ ​ ​

 

---

 

▶ 자세한 내용은 삼일아이닷컴에서 확인하실 수 있습니다. 

삼일: Opinion

▶ 삼일아이닷컴 뉴스레터 신청하러가기

 

삼일: 세무 자료실

​

​

​

​

​Copyrightⓒ 삼일인포마인(주) All rights reserved.