긴 결합은 분열을, 긴 분열은 결합을 이끈다: 사회망 진화 모델

초록

본 논문은 노드의 “정체성”, “풍부함”, “연결도”, “연령”, “성분” 등 여러 속성을 확률적으로 결합·분열시키는 현상을 모델링한다. 파라미터 조정에 따라 네트워크는 합병이 지배되는 단계와 분열이 지배되는 단계가 교대로 나타나며, 최종적으로 하나의 거대 노드가 남을 수도 있다. 시뮬레이션 결과는 네트워크 규모와 평균 차수가 주기적으로 변동하고, 차수·성분 분포가 파워‑law와 균등 분포 사이를 오가는 특징을 보인다.

상세 분석

이 연구는 사회·문화·정치·경제 시스템에서 관찰되는 ‘통합‑분열’ 현상을 수학적·계산적 모델로 형식화한다. 각 노드는 w=5 차원의 정체성 벡터 c⃗ 와 풍부함 r, 연령 a, 연결도 k, 그리고 이전에 합병된 노드 수를 나타내는 성분 I 로 정의된다. 정체성 거리 d_{ij}는 유클리드 거리로 측정되며, 풍부함은 r = I·(a−1) 로 연령에 비례해 증가한다는 가정을 둔다.

합병 확률 p_m(i,j)는 (k_i + k_j)(Δr_{ij}+1)/d_{ij}에 비례하고, 전체 이웃에 대해 정규화한다. 이는 고연결도·고풍부함·근접 정체성을 가진 노드쌍이 합병될 가능성이 높다는 사회적 직관을 반영한다. 합병 후 새 노드 n은 성분 I_n = I_i + I_j, 연령 a=1, 풍부함 r_n = r_i + r_j, 정체성은 두 정체성의 평균, 연결도는 k_n = k_i + k_j − 2 − N_common 로 계산된다.

분열 확률 p_s는 1/Z_s·I^a·(k + k_c)·r 로 정의되며, 성분이 클수록, 연령이 클수록, 연결도가 클수록, 풍부함이 작을수록 분열 가능성이 커진다. 여기서 k_c는 분열을 억제하거나 촉진하는 조절 파라미터이며, 본 논문에서는 k_c=1 로 고정하였다. 분열 시 I개의 새로운 노드가 생성되고, 각각은 원 노드와 동일한 풍부함을 물려받으며, 정체성은 무작위로 재할당된다.

시뮬레이션 초기 조건은 N=2000개의 단일 성분 노드가 무작위 연결(p_c=0.3)된 상태이며, 모든 노드의 연령·풍부함·성분이 1이다. 시간 단계마다 무작위 노드를 선택하고, I=1이면 합병만, I>1이면 합병·분열을 0.5 확률로 선택한다. 또한 방금 생성된 노드와 바로 전 단계에서 생성된 노드는 다음 단계에서 후보에서 제외한다는 제약을 두어 과도한 연쇄 반응을 방지한다.

결과적으로 네트워크 규모 N(t)와 평균 차수 ⟨k⟩는 주기적인 진동을 보이며, 하나의 거대 노드가 형성된 뒤 일정 확률로 분열해 새로운 사이클이 시작된다. 초기 단계에서는 차수 분포가 포아송 형태이지만, 합병이 진행될수록 두 개의 피크(고차·저차)로 분리되고, 이후 다시 하나의 피크로 수렴한다. 성분 분포는 초기에는 작은 값이 많다; 합병이 우세할 때는 파워‑law 꼬리를 갖는 균등 분포로 변하고, 분열이 우세할 때는 다시 파워‑law 형태로 돌아온다. 이러한 전이 현상은 ‘긴 결합은 분열을, 긴 분열은 결합을’이라는 격언을 정량적으로 재현한다는 점에서 의미가 크다.

모델의 강점은 다차원 정체성, 풍부함, 연령, 연결도 등 현실적인 변수들을 통합해 확률적 전이를 구현했다는 점이다. 그러나 파라미터 선택(특히 k_c, A, Z_s)과 초기 네트워크 구조에 민감하게 반응한다는 한계가 있다. 또한 실제 사회 현상에서의 정량적 검증이 부족하며, 노드 간의 비대칭적 영향력(예: 권력 집중)이나 외부 충격(전쟁, 재해) 등을 포함하지 않는다. 향후 연구에서는 실증 데이터와의 비교, 파라미터 민감도 분석, 그리고 외부 요인 모델링을 통해 적용 범위를 확대할 수 있다.