두 집단 경쟁을 위한 반대 의견 전략 모델

초록

본 논문은 기존 비합의(NCO) 모델에 반대 의견(Contrarian Opinion, CO) 에이전트를 도입하여, 한 집단(A)의 의견을 약화시키는 과정을 연구한다. ER 및 스케일프리(SF) 네트워크에서 무작위 선택(Random)과 고도 노드(Targeted) 두 전략으로 반대 의견자를 배치하고, 반대 의견 비율 p가 증가함에 따라 가장 큰 A 클러스터의 크기 S₁이 0으로 수렴하는 2차 상전이를 보인다. 임계값 p_c는 평균장(percolation)과 동일한 평균장 지수와 τ≈2.5를 나타내며, 목표 전략이 무작위 전략보다 훨씬 효율적임을 확인한다.

상세 분석

이 연구는 사회적 의견 확산을 물리학의 스핀 모델과 복잡 네트워크 이론에 접목시킨다. 먼저, 기존 NCO 모델을 이용해 A와 B 두 의견이 공존하는 안정 상태를 만든 뒤, A 집단 내에서 일정 비율 p의 노드를 B 의견을 고수하는 ‘반대 의견자’로 전환한다. 반대 의견자는 자신의 의견을 바꾸지 않지만 주변 이웃에게 영향을 미친다. 이후 다시 NCO 규칙을 적용해 새로운 평형을 찾는다. 두 가지 네트워크 구조—무작위 연결을 갖는 Erdős–Rényi(ER)와 거듭 제곱 꼬리 분포를 갖는 스케일프리(SF)—에 대해 실험한다. 전략 I은 A 집단 내에서 무작위로 p 비율의 노드를 선택하고, 전략 II는 가장 높은 차수를 가진 노드들을 우선적으로 선택한다.

시뮬레이션 결과, p가 증가함에 따라 A 클러스터의 평균 차수 ⟨k⟩이 급격히 감소하고, ⟨k⟩<1이 되는 지점(p*)에서 네트워크는 거대 컴포넌트를 유지할 수 없게 된다. 이는 전통적인 퍼콜레이션 이론에서 임계점 이하에서 클러스터가 사라지는 현상과 일치한다. 특히, 전략 II에서는 고차 노드가 대다수 A 클러스터에 집중돼 있기 때문에, 소수의 반대 의견자만으로도 ⟨k⟩을 임계값 이하로 끌어내어 p_c가 크게 낮아진다. ER 네트워크에서도 차수가 크게 차이나지 않음에도 불구하고 목표 전략이 20~30% 정도 더 효율적이며, SF 네트워크에서는 허브가 존재하므로 효율 차이가 60% 이상으로 확대된다.

정량적으로는, 클러스터 크기 분포 n_s ∝ s^{-τ}에서 τ≈2.5, 평균 클러스터 크기 지수 γ≈1을 얻어 평균장 퍼콜레이션과 동일한 보편성을 확인한다. 또한, 다수 집단에 반대 의견자를 투입할 경우 평균 차수가 이미 높아 목표 전략의 효과가 감소하지만, 소수 집단에 적용하면 적은 p만으로도 클러스터 붕괴가 가능함을 보여준다. 이러한 결과는 마케팅, 정치 캠페인 등에서 ‘핵심 인플루언서’를 대상으로 한 전략이 비용 효율적임을 이론적으로 뒷받침한다.