고유 선호 집계 이론과 다목적 설계·의사결정 적용

초록

본 논문은 바르질라이의 선호 함수 모델링(PFM) 이론을 기반으로, 선호 점수를 1차원 아핀 공간으로 정의하고 z‑점수 정규화를 통해 공통의 인터벌 스케일을 만든다. 이후 가중 평균(가중 중심)만이 아핀 변환에 대해 불변이며 유일한 집계 연산임을 증명한다. 전통적인 가중 산술·기하 평균 및 거리 기반 최적화 방법은 일관된 순위를 보장하지 못함을 사례와 수학적 논증으로 보여준다. 최종적으로 선호 집계는 선형 가중 평균으로 구현되며, 이는 다기준 의사결정(MCDM)과 다목적 설계 최적화(MODO)에서 해석 가능하고 재현 가능한 결과를 제공한다.

상세 분석

이 논문은 선호라는 주관적·맥락적 개념을 측정 이론적으로 엄밀히 다루기 위해, 선호 점수를 ‘차이만 의미 있는 1차원 아핀 공간’에 위치시킨다. 아핀 공간에서는 절대 영점이 존재하지 않으며, 오직 차이와 차이의 비(k‑ratio)만이 의미를 가진다. 이러한 전제 하에 저자는 네 가지 PFM‑기반 공리(Axiom 1‑4)를 제시한다. 첫 번째 공리는 모든 선호 변환이 p′=ap+b (a>0) 형태의 아핀 변환이어야 함을 규정하여 k‑ratio가 보존됨을 보장한다. 두 번째 공리는 서로 다른 기준 간에 공통의 인터벌 스케일을 확보해야 함을 강조한다. 이는 각 기준이 동일한 단위와 영점을 공유하지 않으면 가중치가 스케일에 의해 왜곡될 위험이 있음을 의미한다. 세 번째 공리는 ‘의미 있는 영점’(zero‑reference)을 모든 기준에 일관되게 설정해야 함을 요구한다. 여기서 영점은 절대적인 값이 아니라 평균(z‑점수)으로 정의되며, 이를 통해 선호 차이를 선형 연산에 사용할 수 있다. 네 번째 공리는 집계 결과가 아핀 변환에 대해 유일하게 정의될 수 있음을 명시한다.

이 네 공리를 만족시키기 위한 구체적 절차는 ‘선형 선호 공간(LPS)’ 구축이다. 원시 선호 점수 p_{i,j}를 각 기준별 평균 µ_j와 표준편차 σ_j 로 중심·스케일링하여 z_{i,j}= (p_{i,j}-µ_j)/σ_j 로 변환한다. 이 변환은 아핀 변환이며, 모든 기준에 대해 µ_J=0, σ_J=1을 보장한다. 따라서 z‑점수는 동일한 단위와 영점을 가진 인터벌 스케일에 위치한다.

그 다음 단계는 집계 연산이다. 저자는 가중 평균 P_i^* = Σ_j w_j·z_{i,j} (w_j≥0, Σ w_j=1) 를 유일하게 허용되는 연산으로 증명한다. 수학적으로는 가중 최소제곱 거리(WLSD) 문제를 설정해 최적 해가 바로 가중 중심임을 보이지만, 실제 의미론에서는 거리 개념이 아니라 차이의 선형 결합임을 강조한다. 즉, 제곱이나 절대값 같은 비선형 변환은 아핀 불변성을 깨뜨리므로 허용되지 않는다.

논문은 또한 전통적인 가중 산술 평균, 가중 기하 평균, 그리고 다목적 최적화에서 흔히 사용되는 거리 기반 목표함수가 순위 일관성을 위배한다는 사례를 제시한다. 예시에서는 4개의 대안과 3개의 기준을 사용해 원시 점수를 z‑점수로 변환하고 가중 평균을 적용했을 때 일관된 순위가 도출되는 반면, 다른 방법들은 순위가 뒤바뀌거나 기준 간 스케일 차이로 인해 왜곡된 결과를 보인다.

핵심 기여는 다음과 같다. 첫째, 선호 집계에 대한 측정 이론적 기반을 명확히 제시함으로써 ‘선호는 차이이며, 차이만이 의미 있다’는 원칙을 수학적으로 정립한다. 둘째, 아핀 변환에 대해 불변이며 유일한 집계 연산이 가중 평균이라는 것을 증명한다. 셋째, 기존 MCDM·MODO 방법들의 한계를 구체적인 수학적 논증과 실험적 예시를 통해 드러낸다. 넷째, 실제 적용을 위한 구현 절차(z‑정규화 → 가중 평균 → 선형 min‑max 스케일링)를 제시하여 설계·의사결정 실무에 바로 활용 가능하도록 한다.

이러한 결과는 다기준 의사결정 분야에서 ‘측정‑집계‑해석’의 일관된 파이프라인을 제공하며, 특히 복합 사회기술 시스템에서 인간의 주관적 선호를 객관적·재현 가능한 형태로 변환하고 비교하는 데 필수적인 이론적 토대를 마련한다.