일본 도시 인구 분포에서 Zipf 법칙이 깨지는 이유와 회복 메커니즘

초록

전후 일본 인구 조사 데이터를 분석한 결과, 도시 규모의 순위‑크기 분포는 상위와 하위 두 구간으로 나뉘며 각각 독립적인 멱법칙 지수를 가진다. 전후 대규모 행정 합병(쇼와·헤이시기 합병)으로 상위 구간의 지수가 급변하면서 Zipf 법칙(b≈1)이 일시적으로 붕괴된다. 이후 중소도시 인구 증가와 내부 이주가 진행되면서 지수가 다시 1에 수렴, Zipf 법칙이 회복된다. 이를 설명하기 위해 인구 이동을 포함한 에이전트 기반 시뮬레이션 모델을 구축했으며, 합병 규모와 이동 선호 파라미터(α)가 지수 변동을 주도함을 확인하였다.

상세 분석

본 논문은 1950년부터 2006년까지의 일본 인구 조사 데이터를 이용해 도시 순위‑크기 분포의 시간적 변화를 정량적으로 분석하였다. 먼저, 각 연도별 순위‑크기 그래프를 로그‑로그 좌표에 표시하면 전체 분포가 두 개의 구간(상위 ‘헤드’와 하위 ‘테일’)으로 명확히 구분됨을 확인한다. 두 구간 모두 멱법칙 형태 R(x)=a·x⁻ᵇ를 따르지만, 지수 b가 서로 다르다. 특히 헤드 구간의 b는 1950년대 초반(≈1.2)에서 1960년대 초반(≈0.9)까지 급격히 감소한 뒤, 1970~2000년 사이에 거의 1에 머물다 2000년대 초반에 다시 상승한다. 이러한 변동은 두 차례의 대규모 행정 합병—‘쇼와 대합병(1955‑1960)’과 ‘헤이시기 대합병(2000‑)’—과 강하게 연관된다. 합병 직후에는 시·군·구 수가 급증하면서 상위 도시들의 평균 인구가 상대적으로 감소하고, 결과적으로 b가 1보다 크게 변한다. 반면, 합병이 종료된 후에는 중소도시 인구가 지속적으로 증가하고, 대도시에서 주변 소도시로의 인구 이동(‘턴 현상’, ‘이턴 현상’)이 활발해지면서 상위 구간의 평균 인구가 다시 상승, b가 1에 수렴한다.

논문은 이러한 현상을 설명하기 위해 3,500개의 가상 ‘사이트’를 배치하고 초기 인구를 01 사이의 균등 난수로 할당한 에이전트 기반 모델을 설계하였다. 모델의 핵심은 (1) 인구 이동 단계와 (2) 합병 단계이다. 이동 단계에서는 출발 사이트 m을 무작위 선택하고, 인구 규모가 m보다 작은 그룹(G<Nₘ) 혹은 큰 그룹(G>Nₘ) 중 하나를 선택한다. 이때 작은 그룹을 선택할 확률을 α라 두어, α가 클수록 인구가 저밀도 지역으로 이동하는 경향이 강해진다. 선택된 그룹 내에서 목적지 n을 무작위로 정하고, 전체 인구의 일정 비율(Pₘₙ, 020%)을 이동시킨다. 이러한 과정을 10⁶번 반복하면 인구 분포가 안정화되고, b≈1.12의 멱법칙을 보인다.

합병 단계에서는 두 사이트를 무작위로 선택해 인구 합산 후 일정 기준(0.95) 이상이면 ‘도시’로 승격한다. 하나라도 도시인 경우 합병 확률 β=0.5를 적용해 도시 간 합병을 제한한다. 합병 후 다시 이동 과정을 진행하면, 초기 합병으로 인해 b가 상승한 뒤 이동에 의해 b가 서서히 1에 수렴하는 과정을 재현한다. 시뮬레이션 결과, α와 최종 b 사이에 선형 관계(b≈3.7α−0.09)가 존재함을 확인했으며, Zipf 법칙이 재현되기 위해서는 α≈0.3이 필요함을 제시한다. 이는 1970년대 이후 일본 사회에서 인구가 대도시보다 주변 소도시로 이동하는 경향이 강화된 현상을 정량적으로 반영한다.

결과적으로, 논문은 (1) 도시 순위‑크기 분포가 두 구간으로 나뉘어 독립적인 멱법칙 지수를 가진다, (2) 행정적 합병이 지수를 급격히 변동시켜 Zipf 법칙을 일시적으로 붕괴시킨다, (3) 인구 이동과 중소도시 성장으로 지수가 다시 1에 수렴해 Zipf 법칙이 회복된다, (4) 에이전트 기반 모델이 이러한 동역학을 성공적으로 재현한다는 점을 입증한다. 이는 도시 규모와 인구 분포를 이해하는 데 행정 구조 변화와 내부 이동 메커니즘을 동시에 고려해야 함을 시사한다.