통계적으로 현실적인 가구 인구 생성 위한 반복 알고리즘

본 논문은 미시 시뮬레이션 및 개별 기반 모델(IBMs)에서 초기 조건으로 사용되는 “합성 인구”를 현실적인 가구 구조와 연령 분포를 동시에 만족하도록 생성하는 새로운 알고리즘을 제안한다. 기존 방법은 두 가지로 나뉜다. 첫 번째는 개별 수준 데이터가 충분히 존재할 때 직접 매핑하는 방식이며, 두 번째는 집계된 인구·가구 통계만을 이용해 IPF(Iterative Proportional Fitting) 등으로 공동 확률을 추정하는 방식이다. 그러나 본 연구가 다루는 상황에서는 개별 수준 데이터가 전무하고, 가구 유형·크기·연령·부부 연령 차이·자녀 연령 등 복합적인 제약이 존재한다. 특히, 가구 유형·크기·연령 조합이 기하급수적으로 늘어나 전통적인 전면 탐색이나 IPF 적용이 계산적으로 비현실적이다. 이를 해결하기 위해 저자들은 다음과 같은 절차를 설계하였다. 먼저, 1990년 프랑스 인구조사에서 제공된 연령 구간별 인구수를 이용해 연령 리스트 I를 만든다. 이 리스트는 실제 인구 연령 분포를 정확히 반영한다. 다음으로, 가구를 순차적으로 구성한다. 가구 크기 s는 전체 가구 크기 분포 P(s)에서 추출하고, s=1인 경우는 ‘single’ 가구, s>1인 경우는 ‘single‑parent’ 혹은 ‘couple’ 가구로 구분한다. 가구주 연령 구간 a_r은 P(a_r|s)에서 선택한다. 선택된 연령 구간에 해당하는 개인이 리스트 I에 존재하면 해당 개인을 가구에 할당하고 리스트에서 제거한다. s>1인 경우, 가구 유형 t는 a_r에 조건부 확률 P(t|a_r)로 결정한다. ‘couple’ 유형이면 배우자 연령 a_r'을 P(a_r'|a_r)로 선택하고, ‘single‑parent’ 유형이면 배우자는 존재하지 않는다. 이후 자녀 연령은 부부(또는 어머니) 연령에 조건부 확률 P(a_i|a_parent)와 자녀 여부 확률 P(child|a_i)를 곱해 추출한다. 각 자녀도 리스트 I에 해당 연령 구간의 개인이 있으면 할당하고, 없을 경우 현재까지 구성된 가구를 포기하고 모든 할당된 구성원을 다시 리스트 I에 반환한다. 이러한 “시도‑취소” 메커니즘은 전체 가능한 가구 조합을 미리 생성하지 않아도, 실제로 선택된 가구가 원래 정의된 확률 분포를 따르게 만든다. 또한, 가구 크기 분포 자체를 사전에 제한함으로써 전체 가구 수가 목표치와 일치하도록 보장한다. 실험은 프랑스 오베르뉴 지역의 두 지방 자치단체인 Abrest(964가구, 2545명)와 Bellerive‑sur‑Allier(3520가구, 8530명)를 대상으로 수행되었다. 지역 수준 데이터는 가구 크기·유형 비율, 가구주 연령, 단독 가구 연령 분포, 부부 연령 차이, 자녀 연령 구조 등으로 제한적이었다. 부족한 부분은 프랑스 전체 인구조사에서 제공되는 국가 수준의 부부 연령 차이와 자녀 연령 분포 데이터를 보완적으로 사용하였다. 알고리즘을 적용한 결과, 생성된 합성 인구는 사용되지 않은 검증용 통계(예: 연령별 가구 구성 비율)와 높은 일치를 보였으며, 전체 실행 시간은 수십 초 수준으로 실용적인 계산 비용을 나타냈다. 논문의 주요 기여는 다음과 같다. (1) 연령 분포를 정확히 유지하면서 가구 구조 제약을 만족하는 효율적인 합성 인구 생성 방법을 제시하였다. (2) 전통적인 IPF나 전면 탐색 방식이 비현실적인 경우에도 적용 가능한 “반확률적 순차 구성” 알고리즘을 설계하였다. (3) 지역 수준 데이터가 부족할 때 국가 수준 보조 데이터를 활용하는 실용적인 데이터 통합 전략을 보여주었다. 향후 연구 방향으로는 직업, 소득, 교육 수준 등 추가적인 개인 특성을 포함한 다변량 합성 인구 생성, 복합형 가구(complex household) 모델링, 그리고 생성된 인구를 이용한 실제 정책 시뮬레이션(예: 전염병 확산, 교통 정책)에서의 민감도 분석 등이 제시된다.