이탈리아 의회 정당 구조 분석을 위한 패널티 기반 확률 블록 모델

본 연구는 이탈리아 하원(Deputies) 의원들의 법안 공동제안 데이터를 활용해 정당 간 협력·대립 구조를 정량적으로 분석한다. 연구 배경으로는 의회 내 상호작용이 입법 과정에 미치는 영향을 파악하고, 특히 이탈리아 의회가 다수의 정당·연합으로 구성된 복잡한 정치 환경을 가지고 있다는 점을 들었다. 기존 연구들은 주로 무가중 네트워크(연결 여부만)나 롤콜 투표 데이터를 사용했으나, 본 논문은 법안 공동제안 횟수라는 가중 정보를 활용한다는 차별점을 갖는다. 데이터는 2001년부터 2015년까지 4개의 입법 기간(제14~제17대) 동안의 법안 공동제안 기록과 각 의원의 소속 정당·연합 정보를 포함한다. 각 의원을 노드로, 두 의원이 공동으로 제안한 법안 수를 가중치로 하는 무방향 그래프를 구성한다. 자기루프는 없으며, yᵢⱼ=0이면 두 의원 사이에 공동제안이 없음을 의미한다. 모델링 단계에서 저자들은 각 yᵢⱼ를 포아송 과정 Nᵢⱼ(T)로 가정하고, 기대값 μᵢⱼ=λᵢⱼ·T를 로그 변환해 선형 predictor에 매핑한다. λᵢⱼ는 두 의원이 속한 정당 r, s에 따라 동일한 블록 간 비율 ζᵣₛ를 갖는다고 가정한다. 이를 바탕으로 확장된 확률 블록 모델을 다음과 같이 정의한다. log μᵢⱼ = θ₀ + αᵣ + αₛ + φᵣₛ + xᵢⱼβ 여기서 θ₀는 전체 네트워크의 평균 활동 수준, αᵣ와 αₛ는 각각 정당 r, s의 생산성(또는 인기도) 효과, φᵣₛ는 정당 r과 s 사이의 협력(양수), 중립(0), 혹은 배제(음수) 효과를 나타낸다. xᵢⱼ는 개인 수준 변수(예: 성별, 연령 차)이며, β는 해당 변수들의 회귀계수다. 식 (4)에서 파라미터 식별성을 확보하기 위해 α₁=0, φᵣᵣ=−∑ₛ≠ᵣφᵣₛ와 같은 제약을 두어 상대 효과만을 추정한다. 이렇게 하면 정당 수 p가 늘어날수록 φᵣₛ 파라미터가 p(p‑1)/2개가 되며, 파라미터 수가 급증한다는 문제가 발생한다. 이를 해결하기 위해 저자들은 적응형 라소(Adaptive Lasso) 패널티를 도입한다. 라소는 |θ|에 비례하는 절대값 패널티를 추가해 불필요한 φᵣₛ를 0으로 수축시키며, 적응형 가중치를 사용해 중요한 파라미터는 덜 억제한다. 최적화는 좌표 상승법(coordinate ascent) 혹은 일반화된 선형 모델(GLM) 프레임 내의 IRLS(Iteratively Reweighted Least Squares)와 결합해 수행한다. 패널티 추정 결과, 대부분의 φᵣₛ가 0으로 수렴해 ‘축소 그래프’가 형성된다. 이 그래프는 정당 노드와 비제로 φᵣₛ가 연결된 엣지만을 포함하므로, 실제 정치적 협력 관계를 직관적으로 시각화한다. 시간에 따라 이 축소 그래프를 비교함으로써, 초기(제14대)에는 좌·우 두 큰 연합이 명확히 구분되었으나, 15~17대에 걸쳐 연합 경계가 흐려지고, 소수 정당 간 교차 협력이 증가하는 추세가 포착된다. 특히, 전통적 연합(예: 중도좌, 중도우) 내부에서의 φᵣₛ는 양의 값을 유지했지만, 연합 간 φᵣₛ가 점차 양수 혹은 약한 음수로 변하면서 정치적 양극화가 완화되는 현상이 관찰되었다. 통계적 검증 측면에서 저자들은 교차 검증을 통해 라소 패널티 파라미터 λ를 선택하고, AIC/BIC와 같은 정보 기준을 사용해 모델 적합도를 평가한다. 또한, 시뮬레이션을 통해 파라미터 복구 정확도와 그래프 구조 복원율을 확인했으며, 실제 데이터에 적용했을 때도 높은 예측 정확도와 해석 가능한 결과를 얻었다. 연구의 의의는 세 가지로 요약할 수 있다. 첫째, 가중 무방향 네트워크에 대한 포아송 기반 확률 블록 모델을 제시해 정당 간 협력 강도를 정량화했다. 둘째, 블록 간 상호작용을 직접 추정하면서도 패널티를 통해 모델 복잡도를 효과적으로 제어함으로써, 다당제 국가에서 파라미터 과다 문제를 해결했다. 셋째, 정치학적 해석이 가능한 축소 그래프를 도출해 정당 협력 구조의 동태를 정량적으로 파악하고, 이탈리아 의회의 양극화에서 다당제 파편화로의 변화를 실증적으로 보여주었다. 이러한 방법론은 다른 입법기관(예: 미국 의회, 독일 연방의회)이나 기업·학술 협업 네트워크 등에서도 적용 가능성이 높으며, 블록 수가 많고 가중 에지가 중요한 상황에서 통계적 모델링의 새로운 방향을 제시한다.