네트워크 내재성에 따른 협업 파트너 선택 데이터 기반 에이전트 모델

초록

본 논문은 기업 R&D 연합과 과학자 공동저작 네트워크의 핵심‑주변 구조를 분석하고, 가중‑k‑코어 분해를 통해 정의한 ‘코어니스’ 값을 이용해 네트워크 내재성을 정량화한다. 데이터 기반 에이전트 기반 모델을 설계해 활동도와 라벨 전파 규칙을 적용하고, 실증적 파라미터를 캘리브레이션한다. 모델은 신규·기존 파트너와의 협업이 코어니스에 미치는 변화를 재현하며, 고내재성 에이전트가 파트너 선택 전략을 바꾸는 메커니즘을 설명한다.

상세 분석

이 연구는 두 종류의 협업 네트워크—기업 간 R&D 동맹과 과학자 공동저작—에 공통적으로 나타나는 핵심‑주변(core‑periphery) 구조를 정량적으로 파악한다. 핵심을 정의하기 위해 가중‑k‑코어 분해를 적용, 각 노드에 ‘코어니스’ 값을 부여해 네트워크 내 위치를 거리 개념으로 측정한다. 코어니스가 낮을수록 핵심에 가깝고, 높을수록 주변에 위치한다는 해석이다.

모델링 단계에서는 에이전트의 활동도(activity)를 확률적 발생 메커니즘으로 사용한다. 활동도 분포 P(a)와 협업 규모 분포 P(m)를 실증 데이터에서 추출해 초기 파라미터로 설정하고, 각 에이전트는 시간 단계마다 활동도에 비례해 협업을 시작한다. 협업 규모 m은 P(m)에서 샘플링되며, 협업은 완전 연결 클리크 형태로 네트워크에 추가된다.

핵심적인 혁신은 ‘라벨(label)’ 개념이다. 라벨은 클럽·전문 분야와 같은 공유된 속성을 나타내며, 초기에는 모든 에이전트가 라벨이 없는 ‘신규’ 상태다. 라벨은 두 경로—라벨 전파와 라벨 생성—를 통해 부여된다. 라벨 전파는 기존 에이전트가 협업을 주도할 때 발생하고, 라벨 생성은 신규 에이전트가 처음 활동할 때 무작위 고유 라벨을 부여받는 방식이다.

협업 파트너 선택은 다섯 가지 확률(p_NL_l, p_NL_nl, p_Ls, p_Ld, p_Ln)로 구분된다. 신규 에이전트는 라벨이 있는 에이전트와 라벨이 없는 에이전트 사이에서 선택하고, 기존 에이전트는 동일 라벨, 다른 라벨, 라벨 없음 중 하나를 선택한다. 선택된 파트너 집합 내에서는 선형 선호 연결(linear preferential attachment) 규칙을 적용해, 차수(d)가 큰 노드가 더 높은 확률로 연결된다. 이는 활동도가 높은 에이전트가 초기부터 높은 차수를 축적하고, 라벨 전파와 연결 강화가 상호 작용해 핵심‑주변 구조를 강화한다는 메커니즘을 제공한다.

캘리브레이션은 두 데이터셋(Thomson Reuters SDC 플래티넘 알리언스와 APS 논문 데이터)에서 활동도와 협업 규모 분포를 추정하고, 라벨 전파 확률을 최적화해 모델이 실제 네트워크의 코어니스 차이를 재현하도록 조정한다. 결과적으로 모델은 (1) 신규 에이전트가 주변에 머무르는 경향, (2) 고코어니스(핵심) 에이전트가 라벨 동일 파트너를 선호해 코어에 머무르는 경향, (3) 코어와 주변 사이의 파트너 선택 전이가 활동도와 라벨 전파에 의해 설명된다는 세 가지 실증적 현상을 동시에 재현한다.

이러한 접근은 전략적 의사결정 가정을 최소화하고, 데이터 기반 확률 규칙만으로 복잡한 네트워크 진화를 설명한다는 점에서 의미가 크다. 특히, 고내재성 에이전트가 파트너 선택을 바꾸는 현상을 ‘전략적 선택’이 아니라 ‘확률적 강화 메커니즘’으로 해석함으로써, 네트워크 구조 자체가 행동을 형성한다는 역동적 관점을 제공한다.