통계학자들의 협업·인용 네트워크 분석

본 논문은 2003년부터 2012년 상반기까지 네 개의 대표적인 통계학 저널(AoS, Biometrika, JASA, JRSS‑B)에 게재된 모든 논문을 대상으로 두 종류의 네트워크 데이터를 구축하였다. 첫 번째는 공동저자망으로, 저자 간에 두 편 이상의 공동 논문이 있을 경우(공동저자망 A) 혹은 한 편 이상일 경우(공동저자망 B) 무방향 간선을 두었다. 두 번째는 인용망으로, 저자가 다른 저자의 논문을 인용하면 방향성 간선을 설정하였다. 데이터 수집 과정에서 저자 이름 중복, 논문 식별자 누락, 온라인 데이터베이스 접근 제한 등 실무적인 어려움을 겪었으며, 이를 해결하기 위해 문자열 정규화, 수동 검증, 그리고 외부 메타데이터(예: ORCID)와의 매칭 절차를 상세히 기술하였다. 분석은 크게 세 축으로 전개된다. ① 중심성 분석 - 학술 생산성: 저자‑논문 이분 그래프에서 degree centrality를 논문 수로 정의하였다. - 협업도: 공동저자망에서 degree centrality를 공동 저자 수로 측정하였다. - 인용도: 인용망에서 in‑degree를 인용 횟수로 사용하였다. - 또한, closeness centrality와 betweenness centrality를 각각 모든 노드 간 최단 거리의 역수와 중개 횟수로 계산하였다. 결과는 Peter Hall, Jianqing Fan, Raymond Carroll가 모든 지표에서 상위 3위에 일관되게 나타났으며, 이들은 통계학계에서 생산성, 협업, 영향력 측면 모두에서 핵심 인물임을 확인한다. ② 커뮤니티 탐지 - 공동저자망 A는 매우 파편화된 구조를 보여, 각 연결 요소 자체가 하나의 연구 그룹으로 해석되었다. 가장 큰 컴포넌트는 ‘고차원 데이터 분석(HDD)’ 커뮤니티(236명)이며, 그 외에도 ‘이론적 머신러닝’, ‘차원 축소’, ‘존스 홉킨스’, ‘듀크’, ‘스탠포드’, ‘분위수 회귀’, ‘실험 설계’ 등 다양한 소규모 커뮤니티가 도출되었다. - 공동저자망 B는 연결성이 강화돼 스펙트럴 기반 SCORE 알고리즘을 적용하였다. 세 개의 주요 커뮤니티는 ‘객관적 베이지안’, ‘생물통계’, ‘고차원 데이터 분석’으로, 기존 Newman Spectral Clustering, Profile Likelihood 등 다른 방법과도 결과가 크게 일치하였다. - 인용망은 방향성을 고려한 D‑SCORE를 새롭게 제안하여 적용하였다. 이 과정에서 ‘대규모 다중 검정’, ‘변수 선택’, ‘공간·반파라메트릭 통계’라는 세 개의 의미 있는 커뮤니티가 식별되었다. 각 커뮤니티는 해당 분야의 핵심 논문과 저자들이 집중된 서브네트워크로 나타났다. ③ 생산성·패턴·추세 분석 - 10년 동안 저자당 평균 논문 수가 감소했으며, 이는 연구 집중도가 높아지고 공동 연구가 확대되는 현상으로 해석될 수 있다. - 자기인용 비율이 감소하고 원거리(다른 기관·국가) 인용 비율이 증가함에 따라, 통계학계가 점점 더 국제화되고 경쟁이 심화되고 있음을 보여준다. - 네트워크 차수 분포는 전형적인 파워‑랭크 꼬리 형태를 띠어, 사회 네트워크 전반에서 관찰되는 스케일‑프리 특성과 일치한다. 논문의 마지막 부분에서는 데이터셋의 한계(저널 선택 편향, 기간 제한)와 향후 연구 방향(더 많은 저널 포함, 장기 추세 분석, 네트워크 모델링 고도화 등)을 논의한다. 또한, 연구 결과가 통계학계의 연구 정책, 연구자 개인의 협업 전략, 그리고 학술 평가 시스템 설계에 실질적인 인사이트를 제공할 수 있음을 강조한다.