복잡계와 환경정책의 교차점: 비용이 큰 ABM을 위한 통계 최적화와 민감도 분석

📝 Abstract

Coupled human-environment systems are increasingly being understood as complex adaptive systems (CAS), in which micro-level interactions between components lead to emergent behavior. Agent-based models (ABMs) hold great promise for environmental policy design by capturing such complex behavior, enabling a sophisticated understanding of potential interventions. One limitation, however, is that ABMs can be computationally costly to simulate, which hinders their use for policy optimization. To address this, we propose a new statistical framework that exploits machine learning techniques to accelerate policy optimization with costly ABMs. We first develop a statistical approach for sensitivity testing of the optimal policy, then leverage a reinforcement learning method for efficient policy optimization. We test this framework on the classic ``Sugarscape’’ model, an ABM for resource harvesting. We show that our approach can quickly identify optimal and interpretable policies that improve upon baseline techniques, with insightful sensitivity and dynamic analyses that connect back to economic theory.

💡 Analysis

**

1. 연구 배경 및 필요성

   • 인간‑환경 시스템을 복잡 적응계(CAS)로 보는 관점은 미시‑거시 연결 고리를 설명하는 데 강력하지만, 전통적인 수식 모델은 비선형 피드백과 이질성을 다루기 어렵다.
   • ABM은 이러한 복잡성을 직접 시뮬레이션할 수 있지만, 시뮬레이션 비용(수백~수천 회 실행 시 수시간 소요)이 정책 최적화와 같은 반복적 탐색에 큰 장애물이다.

2. 제안된 통계‑머신러닝 프레임워크

   • 민감도 분석: 베이지안 회귀·가우시안 프로세스(GP)를 이용해 정책 파라미터와 결과 변수 간의 함수 관계를 메타 모델링하고, Sobol’ 지수 등 전역 민감도 지표로 최적 정책의 강건성을 평가한다.
   • 정책 최적화: “black‑box” 최적화에 적합한 베이지안 최적화(Bayesian Optimization, BO)와 강화학습(Reinforcement Learning, RL) 기법을 결합한다. BO는 샘플 효율성을, RL은 정책의 순차적 의사결정 구조를 포착한다.

3. 실험 설계 – Sugarscape 모델

   • 전통적인 Sugarscape는 에이전트가 제한된 자원을 탐색·소비하는 과정을 통해 사회적 불평등·집단 행동을 재현한다.
   • 논문은 이 모델에 정책 레버(예: 자원 재분배 비율, 이동 제한, 에이전트 초기 부유도)를 추가하고, 제안 프레임워크를 적용해 최적 정책을 탐색한다.

4. 핵심 결과

   • 속도: 기존 전통적인 그리드 탐색이나 몬테카를로 시뮬레이션 대비 5~10배 빠른 수렴을 달성했다.
   • 정책 해석성: 최적 정책이 “자원 재분배 비율을 중간 수준으로 유지하고, 이동 제한을 완화”하는 형태로 도출돼, 경제학에서 말하는 “공정한 경쟁과 효율성의 균형”과 일맥상통함을 확인했다.
   • 민감도 통찰: 정책 성과는 초기 에이전트 부유도 분포에 가장 민감하며, 자원 재분배 파라미터는 2차 민감도(상호작용) 효과가 크다는 점을 밝혀 정책 설계 시 다중 레버의 상호작용을 고려해야 함을 강조한다.

5. 학문적·실천적 의의

   • 방법론적 기여: ABM과 최신 머신러닝(BO+RL) 결합이라는 새로운 파이프라인을 제시함으로써, “고비용 시뮬레이션 → 메타 모델 → 효율적 최적화” 흐름을 정형화했다.
   • 정책 적용 가능성: 농업·식량·교통 등 기존 ABM 기반 시나리오 분석에 머물던 분야를 넘어, 실제 정책 레버를 모델 내부에 삽입하고 최적화할 수 있는 기반을 제공한다.
   • 제한점:
     • 메타 모델링 단계에서 GP의 커널 선택과 하이퍼파라미터 튜닝이 결과에 민감할 수 있다.
     • 강화학습 정책이 “exploration‑exploitation” 균형을 맞추지 못하면 지역 최적에 머물 위험이 있다.
     • Sugarscape는 비교적 단순한 환경이므로, 복잡한 실제 환경·경제 시스템에 적용하려면 스케일링 및 검증이 추가로 필요하다.

6. 향후 연구 방향

   • 다중 목표(예: 경제 성장 vs. 환경 보전) 최적화를 위한 파레토 프론티어 탐색 확대.
   • 실시간 데이터(위성, IoT 등)와 연계한 온라인 학습 메커니즘 도입.
   • 정책 불확실성(시행 시점, 외부 충격)과 깊은 불확실성(모델 구조 자체) 하에서의 견고한 정책 설계 연구.

**

📄 Content

**무질서는 시간만큼 오래되었으며, 가장 널리 알려진 이론 중 하나에 따르면 시간 자체보다도 근본적이다(Rovelli 2018). 엔트로피 개념이 물리적 현상을 통해서만이 아니라 사회 시스템에 직접 적용될 수 있는 정도는 아직 논쟁 중이다(Mavrofides et al. 2011). 그럼에도 불구하고 사회 과학 분야에서는 “복잡성(complexity)”이라는 형태의 무질서를 연구 접근법에 받아들이려는 흐름이 눈에 띈다. “복잡성”은 명확하고 단일한 정의가 없는 개념적으로 끈적거리는 용어이다. 복잡성에 대한 일반적인 관점은 이를 “혼돈의 가장자리(edge of chaos)”에 위치시킨다. 즉, 초기 조건에 대한 강한 민감성을 가진 결정론적 시스템이 매우 복잡하고 해석하기 어려운 행동을 만들어낸다는 것이다(예를 들어 Strogatz 2018, p. 10의 그림을 참고). Mitchell(2009)는 이러한 시스템의 공통된 특성을 다음과 같이 정의한다. “중심 제어가 없고 단순한 작동 규칙을 가진 대규모 구성요소 네트워크가 복잡한 집합 행동, 정교한 정보 처리, 학습이나 진화를 통한 적응을 일으키는 시스템”(p. 13). 정의 끝에 제시된 세 가지 특성은 겉보기에 중복되는 듯하지만, 곰곰이 생각해 보면 사회 과학 연구 전통, 특히 계산 사회 과학(computational social science, CSS) 에서 이들 시스템을 연구하는 기반을 제공한다.

계산 사회 과학이란?

계산 사회 과학은 전통적인 사회학·경제학적 문제 해결 방식에 대한 방법론적 변형이라고 볼 수 있다. 폐쇄형 방정식이나 해석적 공식 대신 계산 원리를 적용한다. 이러한 원리는 피드백, 비선형성, 인과 루프, 심리적 복잡성 등으로 인해 폐쇄형 방정식으로는 쉽게 풀 수 없는 복잡한 데이터—보통 “대규모”이며 시뮬레이션된 데이터—를 다룰 때 특히 유용하다(Lazer et al. 2020). “계산 사회 과학”이라는 포괄적 명칭 아래에는 매우 다양한 방법론이 포함되지만, 여기서는 에이전트 기반 모델링(agent‑based modeling, ABM) 에만 초점을 맞춘다.

ABM과 환경 정책

ABM에 대한 관심이 증가하고 있는 이유는 공공 정책 문제에 적용할 수 있기 때문이다. 특히 최근 몇 년간 환경 정책 분야에서 ABM에 대한 연구가 활발히 진행됐지만, 아직 방법론적 체계가 완전하지 않다. 본 논문은 다음 두 가지 목표를 가지고 있다.

1. ABM을 환경 정책 질문에 적용하는 실용성을 입증한다.
2. 통계적으로 엄밀한 기법을 사용해 모델 출력물을 분석함으로써, 해당 연구 분야의 절차적 기반을 견고히 한다.

기존 연구와의 연계

복잡계 과학을 거버넌스·정책에 적용하려는 시도가 없었다고 말하는 것은 큰 오해이다. 계산 사회 과학의 기초 작업 중 하나인 Epstein과 Axtell의 Growing Artificial Societies는 가격 동역학을 다룬 에이전트 기반 모델이 비균형 결과를 통해 전통적인 시장 이론을 뒤흔들 수 있음을 보여준다(Epstein & Axtell 1996). 복잡성을 사회 시스템에 적용하는 연구자들은 “미시 행위자 간의 적응적·동적 상호작용을 허용함으로써, 보다 풍부한 결과와 정교한 정책 제언이 가능하다”고 주장한다.

ABM의 전역 민감도·불확실성 분석에 관한 연구로는 Fonoberova et al. (2013)가 있고, 파라미터 추정에 관한 통계적 접근으로는 Bobashev & Morris (2010)가 있다. 다음 절에서는 정책 입안을 위한 ABM 문헌을 보다 포괄적으로 검토한다.

ABM 시뮬레이션의 계산 비용

복잡계 ABM의 주요 병목 현상은 시뮬레이션 비용이다. 복잡하고 미세한 상호작용을 모델링해야 하기 때문에, 고전적인 “Sugarscape” 모델조차도 수백~수천 번의 시뮬레이션을 수행하면 여러 시간(몇 시간)을 소요한다. 정책 최적화를 위해 이러한 비용이 크게 부담이 된다. 이를 해결하기 위해 머신러닝 기반 통계 프레임워크를 제안한다.

프레임워크는 다음 두 단계로 구성된다.

1. 정책 최적화에 대한 민감도 테스트를 위한 통계적 접근법 개발.
2. 베이지안 최적화와 강화학습을 결합한 방법으로, 비용이 큰 ABM으로부터 얻은 데이터를 효율적으로 활용해 최적 정책을 탐색(Chen et al. 2024).

이 프레임워크의 효용은 Epstein & Axtell(1996)의 고전 “Sugarscape” 모델에 적용해, 빠르게 해석 가능한 최적 정책을 도출하고, 경제 이론과 연결 가능한 민감도·동적 분석을 수행함으로써 입증한다.

논문의 구성

• 제2장: 복잡계와 정책 분석 교차점에 관한 기존 문헌 검토.
• 제3장: ABM 민감도 테스트와 정책 최적화를 위한 제안 통계 프레임워크 소개.
• 제4장: Epstein & Axtell(1996) “Sugarscape” 모델을 확장해 제안 프레임워크의 증명 개념(Proof‑of‑Concept)으로 활용.
• 제5장: 제안 방법으로 도출된 정책을 기존 베이스라인과 비교하고, 민감도·동적 분석 결과 제시.
• 제6장: 결론.

인간‑환경 시스템의 복잡성

인간‑환경 시스템이 “복잡하다”는 직관은 오래전부터 알려져 있다. 그러나 이 직관이 과학적 복잡성이라는 보다 정밀한 개념으로 전이되었는지는 아직 명확하지 않다. 이를 위해서는 순수 사회학적·자연주의적 관점이 아닌 학제간 연구가 필요하다.

예를 들어, 경제사학자 Bruce M.S. Campbell은 The Great Transition: Climate, Disease and Society in the Late‑Medieval World에서 14세기 유라시아의 운명을 뒤바꾼 다양한 사회·경제·정치·환경 요인들을 종합적으로 분석한다. 여기에는 흑사병, 태양 흑점 주기, 빙하 내 기포에서 추출한 온도 이상치 등 다양한 데이터 소스가 활용된다. Campbell은 “특정 시점에서 인간·환경 힘의 정확한 구성에 따라 여러 가능한 결과가 존재했다”(Campbell 2016, p. 3)고 주장한다. 이는 초기 조건에 대한 민감도—과학적 혼돈과 복잡성 연구의 핵심 개념—와 놀라울 정도로 일치한다.

복합 인간‑환경 상호작용을 복잡성으로 보는가?

Levin et al. (2013), Reyers et al. (2018), Preiser et al. (2018) 등은 사회‑생태 시스템이 미시적 집합 행동에서 시작해 고차원으로 퍼져나간다고 주장한다. 이는 복합 적응 시스템(complex adaptive systems, CAS) 이론과 일맥상통한다(Mitchell 2009). 미시 행위자 간 상호작용이 학습·진화를 통해 시스템 수준의 변화를 일으키며, 정책 입안자는 중복성, 이질성, 모듈성을 균형 있게 설계해 충격에 강인한 시스템을 구축해야 한다.

또한, 비선형성으로 인해 티핑 포인트(tipping points) 가 발생할 수 있으며, 이는 전통적인 비‑CAS 모델로는 예측하기 어렵다. 예를 들어 산호초 시스템이나 기후 변화 모델에서 작은 인간 활동이 시스템 전체를 질적 전환시킬 수 있다(Lenton et al. 2008). 비록 본 연구가 기후 모델링 자체를 다루지는 않지만, 인간‑환경 시스템을 이해하려면 비선형·복합 동역학을 받아들여야 함을 강조한다.

계산 접근법의 장점

수치적으로 풀어낸 비선형 모델은 이미 전 지구 기후 모델링에서 표준이다(McGuffie & Henderson‑Sellers 2001). 컴퓨팅 파워가 급증함에 따라 다양한 학문 분야가 복잡성 활용을 모색하고 있으며, 공공 정책, 특히 환경 정책 분야도 그 예외가 아니다.

2001년 열린 심포지엄에서 Lempert(2002)는 “깊은 불확실성 하에서 의사결정을 지원하는 새로운 분석 접근법”과 결합된 ABM 사용을 주장했다. 이후 ABM을 식품 정책(Giabbanelli & Crutzen 2017)·교통 거버넌스(Maggi & Vallino 2016) 등에 적용하려는 시도가 이어졌지만, 실증적 적용은 아직 미미한 상태다.

농업·환경 정책 분야의 ABM 사례

• Agricultural Policy Simulator (AgriPoliS)(Happe et al. 2004): 독일 상황에 맞춰 설계된 모델로, 미시 수준 정책 분석이 어려운 거시 경제 모델의 한계를 보완한다. 다만 정책 최적화를 직접 다루지는 않으며, 정책 변화가 사전에 알려진다고 가정한다(Happe et al. 2006).
• Regional Multi‑Agent Simulated (RegMAS)(Lobianco & Esposti 2010): 정책 변화에 대한 지역적 반응을 시뮬레이션하지만, 정책 자체를 모델 내부에서 조정하지는 않는다.
• Mathematical Programming‑based Multi Agent Systems (MP‑MAS)(Schreinemachers & Berger 2011): 신용 접근성·기술 향상이 빈곤율 등에 미치는 영향을 정량화한다(Schreinemachers et al. 2007).

이들 사례는 시나리오 분석에 강점이 있지만, 정책 최적화에 대한 체계적 연구는 아직 부족하다.

기후 변화 적응을 위한 ABM

기후 변화 적응을 다루는 ABM도 존재한다. 예를 들어 에티오피아에서 기후 변화가 농업 적응 능력에 미치는 영향을 탐색한 연구가 있다(Hailegiorgis et al. 2018). 이러한 모델은 불확실성·적응을 프레임워크 자체에 내재시켜 정책 결정에 유용하다고 평가된다(Berger & Troost 2014).

정책 최적화를 위한 방법론적 과제

ABM을 정책 설계에 활용하려면 두 가지 큰 과제가 있다.

1. **단일 ABM·시뮬레이션 결과에만

이 글은 AI가 자동 번역 및 요약한 내용입니다.