전략적 환경 평가를 위한 논리 기반 의사결정 지원

초록

전략적 환경 평가(SEA)의 핵심인 코액시얼 매트릭스를 논리적 모델로 변환하여, 제약 논리 프로그래밍과 확률 논리 프로그래밍 두 가지 접근법을 제시한다. 실제 에너지 계획에 적용해 성능과 한계를 검증했으며, 향후 두 방법을 결합해 보다 효율적인 의사결정 지원 시스템을 구축할 가능성을 논의한다.

상세 요약

본 논문은 전략적 환경 평가(SEA) 과정에서 사용되는 코액시얼 매트릭스를 정형화된 논리 모델로 전환함으로써, 전통적인 전문가 중심의 수작업 평가를 자동화하고 계획 단계에서 실시간 피드백을 제공할 수 있는 의사결정 지원 시스템을 설계한다. 두 가지 주요 접근법이 제시되는데, 첫 번째는 제약 논리 프로그래밍(CLP) 기반으로 매트릭스의 정량적 관계를 제약식으로 표현한다. 여기서는 활동‑영향, 영향‑수용체 간의 선형 혹은 비선형 의존성을 제약으로 정의하고, 목표 함수(예: 총 부정적 영향 최소화)를 최적화한다. CLP는 해답 공간을 체계적으로 탐색할 수 있어, 다중 목표와 복합 제약을 동시에 고려하는 경우에도 해를 보장한다. 그러나 불확실성이나 확률적 상호작용을 모델링하는 데는 한계가 있다.

두 번째 접근법은 확률 논리 프로그래밍(ProbLog)으로, 매트릭스 요소를 확률적 사실로 전환한다. 각 활동‑영향 연결에 발생 확률을 부여하고, 영향‑수용체 연결에도 조건부 확률을 할당함으로써, 전체 시스템의 기대 환경 영향을 추정한다. 이 방식은 데이터의 불확실성을 자연스럽게 반영하고, 시나리오 분석 시 다양한 확률 분포를 손쉽게 교체할 수 있다는 장점이 있다. 다만, 최적화보다는 추론에 초점이 맞춰져 있어, 목표 함수 기반의 최적 설계에는 추가적인 메타-최적화 계층이 필요하다.

실험에서는 이탈리아의 실제 에너지 계획 데이터를 사용해 두 모델을 구현하였다. CLP는 목표 함수에 따라 활동 선택을 조정해 부정적 영향 점수를 12 % 감소시켰으며, 계산 시간은 수 초 수준으로 실시간 의사결정에 적합했다. ProbLog는 각 시나리오별 기대 영향을 제공했으며, 불확실성 민감도 분석을 통해 가장 위험도가 높은 활동을 식별했다. 두 방법 모두 데이터 전처리와 매트릭스 정규화 과정이 필수적이며, 매트릭스 규모가 커질수록 메모리 사용량이 급증하는 점이 한계로 지적된다.

논문은 최종적으로 두 접근법을 통합하는 하이브리드 프레임워크를 제안한다. 즉, CLP를 이용해 제약 기반의 최적 설계를 도출하고, 그 설계에 대한 확률적 영향을 ProbLog로 평가해 불확실성을 보정한다. 이러한 구조는 계획 단계에서 빠른 최적화와 사후 평가를 동시에 수행할 수 있어, 정책 입안자와 환경 전문가에게 실용적인 의사결정 도구가 될 가능성을 보여준다.