데이터가 부족해도 미래를 연다: 디지털 금융 포용을 위한 AI 예측 시뮬레이션

초록

자원이 제한된 태평양 도서 국가에서 디지털 금융 문해력(DFL)을 높이기 위해, 기존의 후행적 데이터 분석을 넘어서는 선제적 정책 수립 도구가 필요하다. 본 연구는 1만 명 이상의 설문 데이터를 활용해 3단계(프로파일링, 머신러닝, 시나리오 시뮬레이션) 예측 프레임워크를 제시한다. 해석 가능한 선형 회귀 모델(R²=95.9%)을 통해 정책 개입의 효과를 사전에 추정하였으며, 시뮬레이션 결과 스마트폰 접근성 같은 ‘기초 디지털 역량’ 강화가 태도 변화 유도보다 최대 5.5% 더 높은 DFL 향상을 기대할 수 있는 가장 효과적인 정책 레버로 확인되었다. 이 모델은 젊은 여성 돌봄제공자와 같은 고효율 대상을 정밀 타겟팅하고, 도시 전문가와 같은 ‘비반응군’을 식별해 자원 낭비를 방지할 수 있는 실행 가능한 청사진을 제공한다.

상세 분석

본 연구의 방법론적 핵심은 ‘데이터 제약 환경’에서 정책 시뮬레이션을 가능하게 하는 실용적 프레임워크에 있다. 연구자들은 인과관계를 입증하기 어려운 횡단면 데이터의 한계를 인정하면서도, DFL 지수를 구성하는 다양한 행동적 요소(레버)들 간의 ‘구조적 연관성’을 활용해 개입 효과의 ‘우선순위 설정 휴리스틱’으로서 시뮬레이션을 구축했다. 이는 복잡한 에이전트 기반 모델링(ABM)이나 장기적 종단 데이터를 요구하는 동적 모델 대신, 제한된 데이터로도 실용적인 통찰을 도출할 수 있는 현실적인 대안이다.

기술적 측면에서 주목할 점은 알고리즘 투명성과 공공 부문 책임성을 강조해 복잡한 블랙박스 모델 대신 해석 가능한 선형 회귀 모델(Linear Regression)을 채택한 것이다. 95.9%라는 매우 높은 R² 값은 모델이 데이터의 변동을 극도로 잘 설명함을 보여주지만, 이는 동시에 과적합 가능성에 대한 질문을 제기한다. 논문에서는 교차검증 등 과적합 방지 조치에 대한 상세한 설명이 부족하여, 모델의 외부 타당성과 새로운 데이터에 대한 일반화 성능에 대한 의문이 남는다.

시뮬레이션 결과에서 도출된 가장 중요한 통찰은 ‘디지털-퍼스트(Digital-First)’ 시퀀싱 프로토콜이다. 즉, 디지털 장치 보유나 지출 추적 같은 기초 인프라와 실용적 역량에 대한 투자가 심리적 태도 변화 캠페인보다 훨씬 큰 효과를 예측한다는 것이다. 이는 단순한 인식 제고보다는 행동 변화를 직접 지원하는 구체적 도구와 접근성을 제공하는 정책의 중요성을 강력히 시사한다. 또한 모델이 식별한 ‘고반응 군’(젊은 여성 돌봄제공자)과 ‘비반응 군’(도시 전문가)은 표적형 정책 설계와 동시에 자원 배분의 효율성 제고를 위한 핵심 정보로 기능할 수 있다.