불일치 지표와 우선순위 벡터 추정 품질의 새로운 관계

초록

본 논문은 쌍대 비교 행렬(PCM)의 불일치 지표가 실제 우선순위 벡터(PV) 추정 정확도와 어떤 관계가 있는지를 실험적으로 조사한다. 기존 연구가 불일치를 “측정”하는 데 초점을 맞춘 반면, 저자들은 불일치 지표가 정보원으로서 PCM의 유용성을 평가하는 지표가 될 수 있는지를 Monte Carlo 시뮬레이션을 통해 검증한다. 실험 결과는 일부 전통적 지표가 PV 품질을 잘 예측하지 못함을 보여주며, 새로운 불일치 특성을 기반으로 한 PCM 수용 기준을 제안한다.

상세 요약

이 논문은 다중기준 의사결정(MCDM) 분야에서 가장 널리 사용되는 AHP(Analytic Hierarchy Process)와 그 변형에서 핵심적인 역할을 하는 쌍대 비교 행렬(PCM)의 불일치(inconsistency) 문제를 세 가지 서로 다른 관점으로 구분한다. 첫 번째는 “PCM 자체의 불일치 정도”를 수치화하는 전통적 불일치 지표들의 정의와 그 수학적 기반이다. 여기에는 Saaty의 일관성 비율(CR), Koczkodaj의 불일치 지표, Geometric Consistency Index 등 다양한 지표가 포함된다. 두 번째는 “판단자의 일관성”을 평가하는 것으로, 이는 실제 의사결정자가 제공한 비교값이 이론적 일관성(즉, a_ij·a_jk = a_ik)을 얼마나 위반했는지를 의미한다. 세 번째, 그리고 가장 중요한 관점은 “PCM이 우선순위 벡터(PV)를 얼마나 정확히 추정할 수 있는가”라는 실용적 측면이다. 저자들은 이 세 가지 개념이 서로 혼동되기 쉬우며, 특히 기존 연구가 첫 번째와 두 번째 개념에만 집중하고 세 번째, 즉 정보원으로서 PCM의 유용성을 정량화하는 데는 충분히 다루지 않았다고 지적한다.

연구 방법론은 크게 두 부분으로 나뉜다. 첫 번째는 인위적으로 생성된 “진실” 우선순위 벡터와 그에 대응하는 완전 일관적인 PCM을 바탕으로, 다양한 수준의 랜덤 노이즈(통계적 불일치)를 삽입해 여러 불일치 지표값을 계산한다. 두 번째는 이러한 노이즈가 가미된 PCM으로부터 일반적인 AHP 추정 방법(예: Eigenvector 방법, Geometric Mean 방법)을 적용해 추정된 PV와 진실 PV 사이의 오차를 측정한다. 이 과정에서 Monte Carlo 시뮬레이션을 10⁶ 회 이상 수행해 통계적 신뢰성을 확보하였다.

핵심 결과는 다음과 같다. (1) 전통적 불일치 지표들, 특히 Saaty의 CR은 높은 불일치값을 보일 때 PV 추정 오차와 강한 상관관계를 보이지 않는다. 이는 CR이 “판단자의 일관성”을 과대평가하거나, 실제 오차에 민감하지 않은 구조적 특성을 가지고 있기 때문이다. (2) Koczkodaj 지표와 그 변형은 상대적으로 높은 예측력을 보였지만, 여전히 특정 유형의 노이즈(예: 비대칭적 비율 오류)에는 취약했다. (3) 저자들이 제안한 새로운 불일치 특성—즉, “정보 손실 기반 불일치”(Information Loss Based Inconsistency, ILBI)—은 PCM이 제공하는 정보량과 추정된 PV 간의 KL(Kullback‑Leibler) 발산을 정량화함으로써, 기존 지표보다 일관되게 PV 오차와 높은 상관관계를 나타냈다.

또한, ILBI를 활용한 PCM 수용 기준을 통계적 검정(예: χ² 검정)과 결합함으로써, 의사결정자가 사전에 정의한 허용 오차 수준(예: 5 % 상대 오차) 이하의 PV를 보장받을 수 있는 “수용 구역”을 명시적으로 제시한다. 이는 기존에 경험적 임계값(예: CR < 0.1)으로만 제시되던 불일치 허용 기준을 보다 과학적이고 상황에 맞게 조정할 수 있게 한다.

결론적으로, 논문은 불일치 지표를 단순히 “불일치를 측정한다”는 목적이 아니라, “PCM이 우선순위 추정에 제공하는 정보의 질을 평가한다”는 새로운 관점으로 재정의한다. 이 접근은 MCDM 실무에서 불필요한 PCM 재작성이나 과도한 데이터 수집을 줄이고, 의사결정자가 신뢰할 수 있는 우선순위 결과를 얻는 데 직접적인 가치를 제공한다.