능력 접근법과 에이전트 기반 모델링을 결합한 노숙자 정책 시뮬레이션

초록

본 논문은 인간의 실질적 기회인 ‘능력(캡처빌리티)’을 정량화하기 위해 능력 접근법(CA)을 마코프 의사결정 과정(MDP)과 강화학습 기반 에이전트 기반 모델링(ABM)과 결합한다. 자원·전환요인·선택요인(가치·욕구)을 포함한 다층적 의사결정 구조를 설계하고, 이를 바르셀로나의 노숙자 건강불평등 사례에 적용해 정책 시나리오를 비침습적으로 평가한다.

상세 분석

이 연구는 능력 접근법을 컴퓨팅 프레임워크에 구체화한다는 점에서 학제간 혁신성을 가진다. 첫 번째로, CA의 핵심 개념인 자원, 전환요인, 능력, 선택요인, 기능을 명확히 정의하고 이를 MDP의 상태·행동·보상 구조에 매핑한다. 특히 ‘전환요인’을 확률적 변환 함수로 구현해 개인의 신체·사회·환경적 제약을 정량화한 점은 기존 CA 연구에서 드물다. 두 번째로, 선택요인에 가치와 욕구를 동시에 도입해 행동 선택을 다중 목표 강화학습(Multi‑Objective RL) 형태로 모델링한다. 가치가 장기 보상(중요도 기반 행동)을, 욕구가 단기 보상(긴급성 기반 행동)을 주도한다는 가정은 인간 행동 이론과 일치하지만, 가치와 욕구 간의 상호작용을 단순히 ‘가치가 우선한다’는 규칙으로 축소한 점은 현실 복잡성을 충분히 반영하지 못할 가능성이 있다.

세 번째로, ABM을 활용해 노숙자, 사회복지사, 비영리기관 등 다양한 행위자를 동시에 시뮬레이션함으로써 정책의 상향식·하향식 효과를 동시에 탐색한다. 이는 정책 변화가 개별 능력에 미치는 직접적·간접적 파급을 정량화할 수 있게 해준다. 다만, 모델 파라미터(예: 전환요인 확률, 가치·욕구 가중치)의 추정 방법이 구체적으로 제시되지 않아 재현성에 한계가 있다. 또한, 실제 정책 데이터와의 검증이 부족한데, 이는 시뮬레이션 결과의 외적 타당성을 저해한다.

마지막으로, 연구는 바르셀로나의 실제 사례와 현장 전문가 협업을 강조하지만, 데이터 수집·전처리 과정, 설문 설계, 윤리적 고려사항 등에 대한 상세 설명이 부족하다. 이러한 부분은 향후 연구에서 보완되어야 할 중요한 과제이다. 전반적으로 이 논문은 CA를 정량적 정책 도구로 전환하려는 시도에서 이론적·기술적 토대를 제공하지만, 실증 검증과 파라미터 설정의 투명성 확보가 뒤따라야 한다.