온라인 커뮤니티 그룹 성장의 이질성 효과

초록

플리커의 그룹 데이터를 분석해, 각 그룹이 고유의 성장률(α)과 탄생 시점을 갖는 선형 성장 모델을 제안하였다. 로그정규 분포를 따르는 성장률과 시간에 따라 증가하는 신규 그룹 생성률을 결합하면, 실제 관측된 그룹 규모의 무거운 꼬리 분포와 “부익부” 현상을 재현할 수 있다. 이는 전통적인 선호적 연결 메커니즘이 아니라 이질성 자체가 핵심 원인임을 보여준다.

상세 분석

본 연구는 플리커(Flickr)라는 사진 공유 플랫폼에서 사용자들이 만든 260,000여 개의 공개 그룹을 대상으로 두 가지 데이터셋을 구축하였다. 첫 번째는 9,503개의 그룹을 350일 동안 일일 단위로 추적한 고해상도 시계열이며, 두 번째는 260,000개의 그룹에 대해 2010년 초 두 시점의 스냅샷을 수집한 대규모 정적 데이터이다. 각 그룹의 “탄생일”은 최초 사진이 업로드된 시점을 기준으로 추정하였다.

시계열 분석 결과, 대부분의 그룹은 거의 선형적으로 성장한다는 점이 확인되었다(R²>0.95, 특히 규모가 큰 그룹일수록 선형성 강화). 성장률 α는 6주간의 일일 증가량을 평균해 계산했으며, 그 분포는 로그정규(log‑normal) 형태(μ=−3.62, σ=1.57)로 가장 잘 맞는다. 또한 그룹 생성 빈도는 시간에 따라 거의 선형적으로 증가한다는 사실이 관측되었다.

이러한 실증적 관찰을 바탕으로 저자들은 “이질적 선형 성장 모델(heterogeneous linear growth model)”을 제안한다. 모델의 핵심 가정은 다음과 같다. (i) 매 시간 단계마다 새로운 그룹이 생성되며, 생성 수는 현재 시간 t에 비례한다. (ii) 각 신규 그룹은 초기 규모 1과 로그정규 분포에서 추출된 고유 성장률 α를 부여받는다. (iii) 기존 모든 그룹은 매 단계 α만큼 규모가 증가한다. 모델을 1,959일(플리커 최초 그룹 등장 시점부터) 동안 시뮬레이션한 결과, 최종 그룹 규모의 누적 분포는 실제 데이터와 매우 유사하게 나타났으며, 특히 규모가 큰 그룹에서 약간의 과대 예측이 있었지만 이는 작은 그룹의 급격한 점프 현상으로 인한 α 추정 오차로 설명된다.

흥미롭게도, 모델은 “그룹 규모에 대한 평균 성장률 hα|g ∝ g”라는 Gibrat 법칙을 재현한다. 이는 개별 그룹이 선호적 성장(rich‑gets‑richer) 메커니즘을 따르지 않음에도 불구하고, 성장률의 이질성과 연령 분포가 결합되어 나타나는 현상이다. 즉, 같은 규모의 그룹이라도 연령이 다르면 성장률이 다를 수 있으며, 오래된 저성장 그룹과 신생 고성장 그룹이 동시에 존재함으로써 전체적으로 규모에 비례하는 평균 성장률이 관측된다.

수학적으로는 그룹 규모 g와 성장률 α, 연령 τ의 결합 확률 p(α,τ) 를 가정하고, α와 τ가 독립적인 랜덤 변수라는 전제 하에 평균 성장률과 규모 분포를 적분식(2)–(5)으로 유도한다. 로그정규 α와 선형 τ 분포를 대입한 수치 해는 시뮬레이션 결과와 일치함을 보여, 모델 가정의 타당성을 뒷받침한다.

또한 저자들은 전통적인 선호적 성장 모델인 Simon 모델과 비교하였다. Simon 모델에서는 새로운 그룹이 생성될 확률 q와 기존 그룹이 선택될 확률이 그 규모에 비례한다. 동일한 총 그룹·회원 수와 선형적인 신규 그룹 생성률을 맞춘 뒤 시뮬레이션하면, 최종 규모가 초기 규모에 강하게 의존하고 연령‑규모 상관관계가 뚜렷하게 나타난다. 반면 실제 데이터와 이질적 선형 성장 모델에서는 연령과 규모 사이의 상관이 약하고, 규모 분포의 폭넓은 변동성이 이질성에 기인함을 확인한다.

결론적으로, 이 논문은 복잡계에서 흔히 관찰되는 무거운 꼬리 분포와 규모‑성장 비례 현상이 반드시 선호적 연결에 의한 것이 아니라, 개별 요소들의 내재된 이질성(성장률 차이)과 시간에 따른 생성 패턴에 의해 충분히 설명될 수 있음을 실증적으로 입증한다. 이는 사회·경제·네트워크 시스템 전반에 걸쳐 이질성 측정과 모델링이 중요함을 시사한다.