모바일 전화 데이터로 복지 예측: 네 개 국가의 실증 연구

초록

본 연구는 아프가니스탄, 코트디부아르, 말라위, 토고 네 국가에서 수집한 설문 기반 복지 지표와 이동통신 메타데이터를 결합해, 기계학습 모델이 가구의 부와 취약성을 얼마나 정확히 예측할 수 있는지 체계적으로 평가한다. 장기적인 부(자산지수, 다차원 빈곤)와 소비 수준은 비교적 높은 상관계수(ρ = 0.20‑0.59)로 예측 가능하지만, 식량 안보·정신건강 등 일시적 취약성 지표는 예측력이 낮다. 통화·문자 메타데이터가 가장 유용하며, 1 000‑2 000명의 훈련 샘플만으로도 기본적인 정확도를 확보할 수 있다. 표본의 이질성(전국대표 vs. 도시·농촌 한정)도 모델 성능에 큰 영향을 미친다.

상세 분석

이 논문은 모바일 전화 메타데이터를 활용한 복지 측정 가능성을 네 개 국가에서 동일한 분석 파이프라인으로 검증함으로써, 기존 연구들의 일반화 가능성을 실증적으로 탐색한다. 데이터는 통화·문자, airtime 충전, 모바일 데이터 사용량, 모바일 머니 거래 등 네 가지 트랜잭션 유형을 포함하며, 각 국가별로 표본 규모(528 ~ 5 469명)와 표본 구성이 크게 다르다(아프가니스탄은 농촌 전용, 말라위는 도시 전용, 코트디부아르·토고는 전국대표).

모델링 단계에서는 LASSO 회귀, 랜덤 포레스트, 그래디언트 부스팅 세 가지 알고리즘을 5‑fold 교차검증으로 하이퍼파라미터 튜닝하고, 검증 세트에서 가장 낮은 RMSE를 보인 모델을 최종 선택한다. 성능 평가는 Pearson 상관계수(ρ)로, 이는 예측값과 실제 설문값 사이의 선형 연관성을 직접적으로 보여준다.

주요 결과는 다음과 같다. 첫째, 장기적 부를 나타내는 자산지수와 다차원 빈곤 지표는 ρ = 0.20‑0.59, 0.29‑0.57 수준으로 비교적 높은 예측력을 보인다. 반면, 일일 소비(ρ = 0.04‑0.54)와 소득(ρ≈0) 등은 낮은 상관을 보이며, 식량 안보(ρ = 0.04‑0.17)와 정신건강(ρ = 0.01‑0.23) 같은 일시적 취약성 지표는 거의 예측이 불가능에 가깝다. 이는 모바일 사용 패턴이 장기적인 생활수준과는 연관성이 있지만, 급격히 변동하는 상황적 스트레스는 반영되지 않음을 시사한다.

둘째, 데이터 유형별 기여도를 분석한 결과, 통화·문자와 이동성(위치·이동) 메타데이터가 가장 큰 설명력을 제공한다(ρ = 0.11‑0.52). 모바일 머니, 데이터 사용량, 충전 기록은 단독으로 사용할 경우 예측력이 현저히 낮으며(ρ = ‑0.01‑0.33), 모든 유형을 결합한 모델이 가장 높은 성능을 보인다. 이는 통화·문자 데이터가 사회경제적 행동을 가장 직접적으로 포착한다는 기존 문헌과 일치한다.

셋째, 훈련 샘플 크기에 따른 성능 변화를 살펴보면, 1 000‑2 000명 수준에서 급격히 정확도가 상승하고, 4 000명 이상에서는 완만한 수렴을 보인다. 이는 데이터 수집 비용과 모델 정확도 사이의 효율적 트레이드오프를 제공한다. 다만, 표본 이질성이 높은 국가(토고, 코트디부아르)에서는 동일 규모에서도 더 높은 ρ를 기록했으며, 이는 표본이 다양한 생활양식을 포함할수록 모델이 일반화 능력을 갖게 됨을 의미한다.

넷째, 동일 국가 내에서도 도시·농촌 하위표본만을 사용하면 전국대표 모델 대비 20‑70% 정도 정확도가 감소한다. 이는 지역 간 복지 격차가 모델의 주요 신호로 작용한다는 점을 강조한다. 따라서 정책 적용 시, 전국대표 표본을 확보하거나 지역별 보정 계수를 도입하는 것이 필요하다.

마지막으로, 한계점으로는 국가 수가 제한적이며, 각 국가별 설문 시점·방법·데이터 기간 차이가 결과에 영향을 미칠 가능성이 있다. 또한, 전화기를 보유하지 않은 인구에 대한 외삽 가능성은 검토되지 않았다. 향후 연구에서는 더 많은 국가와 시계열 설문을 포함해 동적 복지 추적 및 모델 업데이트 주기를 탐색할 필요가 있다.