계층적 퍼지 의견 네트워크: 위계적 전파와 하향·상향 집합 메커니즘

본 연구는 사회적 의견 동역학을 퍼지 이론과 결합한 ‘계층적 퍼지 의견 네트워크(Hierarchical Fuzzy Opinion Networks, HFON)’를 제안한다. 퍼지 의견은 평균값이 실제 의견을, 표준편차가 그 의견에 대한 불확실성을 나타내는 가우시안 퍼지 집합으로 정의된다. 기존 의견 모델이 평균만을 다루는 반면, HFON은 불확실성까지 동시에 추적함으로써 인간 의사결정의 복합성을 보다 정확히 포착한다. 논문은 두 가지 주요 모델을 전개한다. 첫 번째는 ‘위‑아래(Top‑Down) HFON’으로, 조직의 최상위 리더가 고정된 의견과 불확실성을 가지고 하위 팔로워에게 전파한다. 기본 구성 요소는 ‘리더‑팔로워 그룹(Basic Leader‑Follower Group, BLFG)’이며, 리더는 팔로워에게 의견을 일방적으로 전달하고, 팔로워들은 서로 bounded confidence 규칙에 따라 연결된다. 각 팔로워는 이웃 평균 의견을 자신의 의견에 가중 평균하고, 불확실성은 (a) 로컬 레퍼런스(이웃 평균) 혹은 (b) 리더 레퍼런스(리더 의견) 중 하나를 기준으로 업데이트한다. 수학적 분석을 통해 다음을 증명한다. (1) 모든 팔로워의 의견은 리더 의견에 수렴한다. (2) 불확실성은 그룹별 연결 구조에 따라 서로 다른 정착값을 가진다. (3) 팔로워 수 n이 증가하면 수렴 속도가 약 1/n 비율로 감소한다(식 18, Fig. 4). 따라서 대규모 조직을 작은 하위 그룹으로 나누어 다층 구조(TD‑HFON)를 구성하면, 전체 수렴 시간이 로그‑선형적으로 단축된다. 이는 실제 기업·군대·정부 조직에서 ‘소규모 팀 기반’ 관리가 효율적인 이유를 이론적으로 뒷받침한다. 두 번째는 ‘하‑위(Bottom‑Up) HFON’이다. 다수의 에이전트가 로컬 레퍼런스(이웃 평균) 혹은 외부 레퍼런스(공통 외부 신호)를 기준으로 불확실성을 조정하면서 상호 작용한다. 에이전트들은 초기에는 매우 다양한 의견을 가지고 있지만, 층별로 그룹을 형성하고 각 층에서 평균화된 의견을 상위 층에 전달하는 ‘다단계 집계’ 과정을 거친다. 시뮬레이션 결과는 다음과 같은 현상을 보여준다. (i) 의견이 전체적으로 수렴하여 단일 합의에 도달한다. (ii) 의견이 양극화되어 두 개 이상의 뚜렷한 클러스터가 형성된다. (iii) 다수 의견이 존재하지만 소수 의견도 지속적으로 유지되는 다중 균형 상태가 나타난다. 로컬 레퍼런스에서는 불확실성이 일정 수준으로 고정되는 반면, 리더 레퍼런스에서는 불확실성이 지속적으로 감소하거나 증가하는 동적 패턴을 보인다. 이는 선거와 같은 집단 의사결정 상황에서 정보 흐름과 레퍼런스 구조가 결과에 미치는 영향을 정량적으로 설명한다. 수학적 기반은 BLFG의 동역학 방정식(13)·(14)을 이용해, 행렬 스펙트럼 반경과 마코프 체인 수렴 이론을 적용한 정리(Theorem 1)로 정리된다. 리더 의견이 고정된 경우, 팔로워 의견은 지수적으로 리더 의견에 수렴하고, 불확실성 업데이트 규칙에 따라 수렴값이 달라진다. 특히, 로컬 레퍼런스는 주변 의견과의 차이가 작아질수록 불확실성이 감소하는 ‘자기‑조절’ 메커니즘을 제공한다. 전체적으로 본 논문은 퍼지 집합을 이용해 의견과 불확실성을 동시에 다루는 새로운 프레임워크를 제시하고, 조직 구조가 의견 수렴 속도와 최종 불확실성 수준에 미치는 영향을 정량적으로 분석한다. 위‑아래 모델은 조직 내 리더십 전파 효율성을, 하‑위 모델은 대규모 집단 의사결정(예: 선거)에서의 의견 집합 메커니즘을 설명한다. 이러한 결과는 관리·정책·선거 설계 분야에서 조직 규모와 계층 구조를 최적화하는 실용적인 가이드라인을 제공한다.