공통 지표가 무력 충돌 예측을 방해한다

초록

아프리카의 세부 충돌 데이터를 기후·지리·인프라·경제·인구 등 22개의 배경 지표와 결합해 무감독 학습으로 세 가지 충돌 유형(대규모 불안, 지역 갈등, 산발·스필오버)으로 구분하였다. 충돌 유형을 지정하면 사망자 수·전쟁 지속기간 등 충돌 규모 예측 정확도가 오히려 감소한다는 역설적인 결과를 제시한다. 이는 지표들 간 상관성이 약하고 정보가 분산돼 있어 예측에 경쟁 효과가 발생하기 때문이다.

상세 분석

본 연구는 ACLED 데이터베이스에서 1997‑2024년 사이에 기록된 약 100만 건의 충돌 사건을 아프리카 전역에 걸쳐 공간‑시간 격자(Voronoi 셀, 거리 b km, 시간 a 일)로 전처리한 뒤, 인접 셀 간의 전이 엔트로피(Transfer Entropy)를 이용해 사건 간 인과적 흐름을 네트워크화하였다. 이 네트워크를 기반으로 시간적·공간적 연속성을 갖는 사건들을 ‘충돌 눈덩이(conflict avalanches)’로 묶어 5,659개의 고유한 충돌 단위를 생성하였다. 각 눈덩이에 대해 기후(온도·강수·NDVI), 경제(HDI·GDP·GDP per capita), 지리(고도·수역 거리·해안선 거리), 인프라(도로·전력·휴대전화 보급), 원시 인구(인구수·밀도) 및 인구 구성(이동·출생·사망·민족 다양성) 등 22개의 변수를 수집하였다.

변수들은 먼저 중앙값을 기준으로 33 %와 67 % 분위에 따라 –1, 0, +1 로 이산화하고, 각 변수별 평균 편차를 눈덩이 수준에서 집계해 ‘bag‑of‑words’ 형태의 22차원 벡터를 만든다. 상호 정보량 분석 결과, 동일 범주 내 변수들은 일정 수준 상관성을 보이나 범주 간 상관은 매우 낮아 각 범주가 독립적인 정보원을 제공함을 확인했다. 이러한 고차원·희소 공간에서 K‑means 혹은 Gaussian Mixture Model 등 비지도 군집화를 적용하면, 데이터는 세 개의 뚜렷한 클러스터로 수렴한다.

첫 번째 클러스터는 인구 밀도·인프라·평탄한 강변 지형이 높은 지역에 집중된 ‘대규모 불안’으로, 사망자 수와 전쟁 지속기간이 평균보다 현저히 크다. 두 번째는 중간 정도 인구 밀도와 다양한 사회·경제적 특성을 가진 ‘지역 갈등’이며, 대부분 국경 내부에 국한된다. 세 번째는 인구·인프라가 빈약하고 경제 상황이 열악한 ‘산발·스필오버’ 유형으로, 규모가 작고 지속시간도 짧다.

흥미로운 점은, 충돌을 이러한 유형으로 사전 분류하면, 동일 유형 내에서 사망자 수·전쟁 기간 등을 예측하는 회귀 모델(Random Forest, Gradient Boosting 등)의 성능이 오히려 감소한다는 것이다. 저자들은 이를 ‘경쟁 효과(competitive effect)’라 명명하고, 이는 변수들 간 약한 통계적 의존성(weak dependence) 때문에 발생한다고 주장한다. 즉, 각 지표가 독립적인 잡음 수준을 가지고 있어, 유형 라벨이 추가적인 정보보다 오히려 불확실성을 증가시킨다.

결론적으로, 본 논문은 (1) 고해상도 충돌 데이터와 다차원 배경 지표를 결합해 충돌 유형을 데이터‑주도적으로 도출하는 방법론을 제시하고, (2) 흔히 사용되는 인구·경제·인프라 등 ‘공통 지표’가 충돌 규모 예측에 제한적인 역할을 함을 실증적으로 입증한다. 이는 정책 입안자와 연구자가 충돌 위험을 평가할 때, 단순히 지표값만을 기반으로 한 예측보다 복합적인 동태적 모델링이 필요함을 시사한다.