역학 확산과 정보 확산의 상호 피드백

초록

본 논문은 전염병 확산과 질병 정보 확산이 서로 영향을 미치는 메커니즘을 실증 데이터와 SIS 기반 수학 모델을 통해 분석한다. 정보 확산이 활발할수록 전염병의 임계값이 상승하고, 감염 규모와 전파 속도가 현저히 감소함을 보이며, 정보 감소 시 다중 발병 현상이 재현된다.

상세 분석

이 연구는 전염병 확산과 정보 확산을 동시에 고려한 네트워크 모델을 제안한다. 각 개인은 질병 상태(Susceptible, Infected)와 정보 상태(Aware, Unaware)의 두 축으로 구분되어 네 가지 복합 상태(S⁻, S⁺, I⁻, I⁺)로 표현된다. 질병 전파는 전통적인 SIS 과정으로, 전염 확률 β와 회복 확률 γ를 사용한다. 정보 전파는 전염병에 대한 인식이 주변에 전파되는 과정으로, 전파 확률 α와 정보 소멸 확률 λ, δ를 도입한다. 특히, S⁺와 I⁺ 상태에서는 각각 감염 위험 감소 계수 σ_S, σ_I(σ_S<1, σ_I<1)와 회복률 증가 계수 ε>1을 적용해 행동 변화 효과를 반영한다.

모델 분석은 두 단계로 진행된다. 첫째, 고전적인 평균장(mean‑field) 접근을 통해 전체 감염 비율 I와 정보 비율 Info의 시간 변화를 근사식으로 도출하였다. 그러나 평균장은 네트워크 구조와 이웃 간 상관을 무시하기 때문에 정확도가 떨어진다. 이를 보완하기 위해 쌍방향(pairwise) 방정식을 사용했으며, 이는 노드 쌍의 상태 전이를 고려해 보다 정밀한 임계값 β_c와 전염 규모를 예측한다. 시뮬레이션 결과는 쌍방향 분석과 거의 일치하여 모델의 타당성을 입증한다.

핵심 결과는 다음과 같다. (1) 정보 전파율 α가 증가하면 정보에 민감한 인구 비율이 상승하고, 이는 σ_S·σ_I와 ε를 통해 실제 감염 확률을 크게 낮춘다. 따라서 전염병의 임계 전파율 β_c가 크게 상승한다(예: α>0.01일 때 β_c≈0.012까지 증가). (2) 정보 소멸률 λ와 δ가 작을수록 정보 유지가 오래 지속되어 감염 억제 효과가 지속된다. (3) α가 낮고 β가 높은 상황에서는 다중 발병 현상이 나타나며, 이는 실제 H7N9 데이터에서 첫 번째 발병 시 정보량이 많아 감염 규모가 작고, 두 번째 발병 시 정보량이 감소해 감염이 급증한 패턴과 일치한다.

이 모델은 정보 확산이 단순히 전염병을 ‘알리는’ 역할을 넘어, 행동 변화를 매개로 전파 역학을 구조적으로 변화시킨다는 점을 정량화한다. 또한, 정보 확산을 억제하거나 소멸시키는 요인이 전염병 재발 위험을 높일 수 있음을 시사한다. 한계점으로는 네트워크가 무작위 그래프(평균 차수 k=15)로 가정되었으며, 실제 사회적 네트워크의 이질성, 시간 가변 연결성, 그리고 정보의 질(정확성 vs. 오보) 등을 반영하지 못했다는 점이다. 향후 연구에서는 다층 네트워크, 동적 연결, 그리고 감정·신뢰 메커니즘을 포함한 확장 모델이 필요하다.