공정한 넛징 정책 설계와 확산 모델링

초록

이 논문은 베타 분포 기반의 확률적 임계값을 도입해 사회적 불평등과 에피스테믹(인식) 편향을 반영한 혁신 확산 모델을 제시한다. 모델 위에 공정성(평등·형평) 목표를 포함한 모델 예측 제어(MPC) 전략을 설계하고, EU 이동 습관 데이터를 활용한 시뮬레이션을 통해 공정성이 확산 효율과 사회적 격차 완화에 동시에 기여함을 보인다.

상세 분석

본 연구는 기존의 결정론적 선형 임계값 모델을 확장하여, 각 에이전트의 채택 임계값을 베타 분포에서 샘플링함으로써 채택 의사결정의 불확실성을 정량화한다. 베타 분포의 파라미터는 에이전트의 현재 ‘거부감(ρ)’에 의존하도록 설계돼, 거부감이 클수록 높은 이웃 채택 비율이 요구되고, 거부감이 낮을수록 적은 이웃 영향만으로도 채택이 가능하도록 한다. 이는 베타 분포의 평균이 ρ와 일치한다는 수학적 특성을 활용한 것으로, 기존의 고정 임계값 모델과 일관성을 유지하면서도 stochasticity를 도입한다.

또한, 에피스테믹 불공정성을 반영하기 위해 각 에이전트에 ‘실제 역량(ζ)’과 ‘인지된 신뢰도(γ)’를 부여한다. γ는 사회적 편견에 의해 감소될 수 있으며, γ와 ζ의 차이(Δ)는 ‘신뢰도 결핍’으로 정의된다. 이 신뢰도는 이웃의 영향력 θ_v에 가중치로 적용돼, 편견에 의해 신뢰도가 낮은 집단의 의견이 과소평가되는 현상을 모델링한다. 따라서 동일한 구조적 연결망이라도 신뢰도 편향에 따라 확산 경로와 속도가 달라진다.

공정성 목표는 두 가지 차원에서 구현된다. 첫째, ‘평등(equality)’은 인센티브 u_v(t)의 분배가 가능한 한 균등하도록 하는 제약을 두어, 특정 계층에 과도한 자원이 집중되지 않도록 한다. 둘째, ‘형평(equity)’은 최종 채택 비율이 사회적 그룹 간에 균형을 이루도록 하는 목적함수를 포함한다. 이를 위해 MPC 프레임워크 내에서 비용함수에 채택률의 분산, 인센티브 사용량, 그리고 예산 제약을 동시에 고려한다. 최적화는 시계열 예측을 기반으로 미래 상태를 시뮬레이션하고, 매 시점마다 재계산된 최적 인센티브 벡터를 적용한다.

시뮬레이션은 EU 이동 습관 조사 데이터를 네트워크 구조와 초기 채택자(seed set)로 활용한다. 실험 결과, ‘불공정(injustice)’ 상황(γ가 ζ보다 현저히 낮은 경우)에서는 전체 채택률이 감소하고, 특정 고소득·고신뢰 집단에 채택이 집중되는 경향이 나타난다. 반면, 평등 제약을 적용한 정책은 인센티브 분배를 고르게 만들지만 채택률 자체는 크게 향상시키지 못한다. 형평성을 강조한 정책은 전체 채택률을 유지하면서도 사회적 그룹 간 채택 격차를 현저히 줄인다. 즉, 공정성을 고려한 정책 설계가 확산 효율과 사회적 형평성을 동시에 달성할 수 있음을 실증한다.

이 논문의 주요 기여는 (1) 베타 분포를 이용한 확률적 임계값 모델링으로 불확실성을 정량화, (2) 신뢰도 편향을 가중치에 반영한 에피스테믹 불공정성 모델, (3) 평등·형평을 동시에 최적화하는 MPC 기반 공정 정책 설계, (4) 실제 데이터 기반 시뮬레이션을 통한 정책 효과 검증이다. 향후 연구는 비가역적 채택 가정의 완화, 다중 혁신 동시 확산, 그리고 실시간 데이터 피드백을 통한 적응형 제어로 확장될 수 있다.