볼트린 예측경찰의 공정성·정확성 비교 시뮬레이션: 볼티모어 사례 연구

초록

본 연구는 볼티모어 시를 대상으로 예측경찰 시스템과 전통적 핫스팟 경찰을 300일간 시뮬레이션하여 공정성과 정확성을 비교한다. 단기적으로 예측경찰이 더 정확하고 인종 간 편향이 적지만, 피드백 루프 때문에 편향이 빠르게 증폭돼 장기적으로는 악화될 가능성을 보였다. 흥미롭게도 일부 경우 백인 거주 지역에 과다 배치되는 현상이 관찰돼 기존 연구와 차이를 나타낸다.

상세 분석

이 논문은 기존 문헌이 지적한 ‘피드백 루프’와 ‘역사적 편향 데이터’ 문제를 실제 도시 데이터에 적용해 정량화한 점이 가장 큰 강점이다. 연구자는 2018‑2019년 범죄 기록을 기반으로 KDE와 PredPol 두 가지 예측 모델을 구현하고, 동일한 데이터로 핫스팟 경찰(전통적 통계 기반)도 적용했다. 시뮬레이션은 300일 동안 매일 경찰 배치를 재조정하고, 실제 범죄 발생 여부에 따라 모델을 재학습시키는 방식으로 진행되었다.

핵심 지표는 (1) 정확도(예측된 핫스팟 내 실제 범죄 비율)와 (2) 공정성(인종·경제적 그룹별 경찰 배치 비율 차이)이다. 결과는 예측경찰이 초기 100일 내에 핫스팟 경찰보다 7% 정도 높은 정확도를 보였으며, 인종별 편향 지표는 평균적으로 3% 낮았다. 그러나 매 30일마다 모델을 재학습할 때 편향이 누적되는 속도가 두 배에 달해, 250일 이후에는 백인 거주 지역에 경찰이 과다 배치되는 현상이 두드러졌다. 이는 ‘편향 증폭’ 현상이 단기적 성과와는 별개로 장기적 위험을 내포하고 있음을 시사한다.

또한, 논문은 기존 연구와 달리 백인 지역에 과다 배치되는 현상을 발견했는데, 이는 볼티모어의 독특한 인구 구조와 과거 ‘화이트 플라이트’ 현상, 그리고 범죄 보고율 차이에 기인한다는 저자들의 해석이 돋보인다. 데이터 전처리 단계에서 보고되지 않은 범죄(특히 저소득·흑인 지역)와 신고율 차이를 보정했음에도 불구하고, 모델이 학습하는 과정에서 여전히 인구 비율과 경찰 가용성의 상호작용이 편향을 야기한다는 점을 강조한다.

연구 방법론 측면에서는 시뮬레이션 프레임워크를 오픈소스로 제공하고, 시각화 도구를 통해 각 단계별 배치 변화를 직관적으로 보여준다. 이는 정책 입안자와 지역사회가 실제 적용 전 ‘가상 실험’으로 위험을 평가할 수 있는 실용적 기반을 제공한다. 다만, 시뮬레이션 기간이 300일에 불과하고, 경찰 인력 제한, 비상 상황(시위·폭동) 등 외부 변수는 모델에 포함되지 않았다는 한계도 명시한다.

전반적으로 이 논문은 예측경찰의 단기적 효율성에 대한 낙관적 기대를 재검토하고, 장기적 공정성 손실을 방지하기 위한 지속적 모니터링·재학습 전략의 필요성을 설득력 있게 제시한다.