이민 정책을 위한 혼합 예측 모델: 유럽 불법 국경 통과량 전망

초록

본 논문은 유럽 5개 주요 이주 경로의 불법 국경 통과(IBC)를 1년 앞을 예측하기 위해 머신러닝과 전문가 정성 평가를 결합한 혼합 방법론을 제시한다. 월별 Frontex 데이터를 기반으로 시계열 특성을 반영한 계절 변수와 표준편차 기반 3단계 클래스(0, 0.5, 1)를 추가 공변량으로 사용한다. 인공신경망(ANN)과 간소화된 SIEVE 최적화 절차를 적용해 모델을 학습하고, 정책 요구인 EU 이주·난민 협약(AMMR)과 연계된 조기경보·연대 메커니즘에 활용할 수 있음을 검증한다.

상세 분석

이 연구는 기존 시계열 기반 이주 예측의 한계를 극복하고자, 데이터‑드리븐 모델에 인간 전문가의 판단을 정량화한 ‘클래스 공변량’을 도입한 점이 가장 혁신적이다. 먼저 2009년 1월부터 현재까지 Frontex가 제공하는 월별 IBC 데이터를 5개 경로(중부·동부·서부·서아프리카·서발칸)로 구분해 사용한다. 데이터 자체는 누락값이 없으며, 발표 지연(2~3개월)을 고려해 예측 시점과 데이터 시점을 조정한다.

공변량 선정에서는 과도한 변수 사용으로 인한 과적합 위험을 인식하고, 계절성을 반영하기 위해 연도와 월을 사인·코사인 변환으로 표현한다. 핵심은 전문가가 제공한 정성적 전망을 표준편차 기반 3단계 클래스(0 < σ, 0.5 ≈ σ~2σ, 1 ≥ 2σ)로 변환한 점이다. 이 클래스는 연속형 변수로 취급돼, 전문가가 ‘0.2’와 같이 중간값을 제시하거나 1을 초과하는 값으로 새로운 충격을 반영할 수 있다.

모델링은 피드포워드 다층 퍼셉트론(MLP) ANN을 GNU Octave 환경의 Neural Network 패키지로 구현하고, Levenberg‑Marquardt 알고리즘으로 가중치를 최적화한다. 과적합 방지를 위해 100개의 독립 네트워크를 SIEVE(Selective Improvement by Evolutionary Variance Extinction) 절차로 선별한다. 여기서는 생성 단계가 생략된 간소화 버전을 사용해 연산 시간을 크게 단축하면서도 성능 향상을 유지한다.

또한, Semantic Array Programming(SemAP) 패러다임을 적용해 데이터 변환 과정을 논리적 블록으로 분리하고, 사전·사후 조건 검사를 통해 의미적 일관성을 확보한다. 이는 모델 재현성과 투명성을 높이는 데 기여한다.

검증 단계에서는 과거 데이터를 이용해 ‘known data’ 시나리오를 재현하고, 혼합 모델이 순수 데이터‑드리븐 모델에 비해 평균 절대 오차(MAE)와 예측 구간 커버리지를 개선함을 보인다. 특히 급격한 이주 급증이나 감소와 같은 비정상적 변동을 전문가 클래스가 효과적으로 포착한다는 점이 강조된다.

정책적 관점에서 이 모델은 EU 이주·난민 협약(AMMR) 제9조(b)에서 요구하는 연간 이주 전망을 제공하며, 조기경보·연대 메커니즘 운영에 실시간 입력값을 제공한다. 공개 데이터와 오픈소스 툴을 사용해 재현 가능성을 확보했으며, 향후 다른 이주 지표(예: 체류 허가, 난민 신청)에도 확장 가능성을 논의한다.

한계점으로는 전문가 평가의 주관성, 클래스 구간의 단순화, 그리고 데이터 발표 지연으로 인한 실시간 적용 어려움이 있다. 향후 연구에서는 베이지안 전문가 합성, 다중 클래스 체계, 실시간 데이터 파이프라인 구축 등을 통해 모델의 견고성을 강화할 필요가 있다.