Global Ease of Living Index: a machine learning framework for longitudinal analysis of major economies

이 논문은 데이터 공백 문제를 해결하고 차원 축소를 활용하여 1970년 이후 주요 경제국의 포괄적인 종단적 글로벌 생활 편의 지수를 구축하는 재현 가능한 머신러닝 프레임워크를 소개하며, 이를 통해 정책 입안자들에게 핵심적인 사회 경제적 및 인프라 영역을 식별하고 개선할 수 있는 투명한 도구를 제공한다.

핵심

학생의 성적표를 채점한다고 상상해 보세요. 단순히 수학과 독해 점수만 보는 것이 아니라, 그 학생이 얼마나 행복하고, 건강하며, 안전하고, 전반적으로 풍요로운지를 알고 싶은 것입니다. 이제 이것을 전 세계 모든 국가를 대상으로 한다고 상상해 보십시오. 하지만 큰 문제가 하나 있습니다. 어떤 성적표는 페이지가 빠져 있고, 모서리는 찢겨 있으며, 데이터가 수집되지 않아 아예 성적이 매겨지지 않은 과목도 있다는 점입니다.

이것이 바로 이 논문의 저자들이 해결하고자 했던 문제입니다. 그들은 **글로벌 삶의 용이성 지수(Global Ease of Living Index, Global-EoLI)**라는 새로운 세계적 "성적표"를 만들었습니다. 그들이 어떻게 했는지 쉽게 설명해 드리겠습니다.

1. 문제점: 퍼즐의 빠진 조각들

세상에는 삶의 질을 측정하는 다양한 방법(예: "행복 지수"나 "GDP")이 있지만, 저자들은 이것들이 결함이 있다고 주장합니다.

• "행복"의 함정: 어떤 지수들은 사람들에게 "당신은 행복합니까?"라고 묻는 방식에 의존합니다. 하지만 논문은 이것이 마치 내성적인 사람에게 "당신은 목소리가 큰가요?"라고 묻는 것과 같다고 말합니다. 문화적 편향이나 사람들이 보여주고 싶어 하는 모습이 결과를 왜곡할 수 있기 때문입니다.
• 누락된 데이터: 많은 국가, 특히 개발도상국들은 모든 것을 기록하지 못하는 경우가 많습니다. 예를 들어, 20년 동안 빵 가격을 추적하는 것을 잊었거나, 특정 지역에 의사가 몇 명 있는지 세지 않았을 수도 있습니다. 만약 데이터가 누락된 국가들을 그냥 버린다면, 우리는 전체 그림의 거대한 부분을 놓치게 됩니다.

2. 해결책: "AI 수리점"

성적표의 빠진 페이지를 고치기 위해, 저자들은 **머신러닝(Machine Learning)**을 일종의 수리점으로 사용했습니다.

• 비유: 여러분에게 퍼즐 조각의 40%가 사라진 직소 퍼즐이 있다고 상상해 보세요. 무작정 추측할 수는 없습니다. 대신, 여러분이 가지고 있는 나머지 조각들을 살펴봅니다. 만약 파란 하늘과 초록색 풀밭의 패턴이 보인다면, 중간에 빠진 조각도 아마 파란색이나 초록색일 것이라고 합리적으로 추측할 수 있습니다.
• 도구: 그들은 두 가지 스마트한 컴퓨터 모델(**랜덤 포레스트(Random Forest)**와 MICE)을 사용하여 전문가 수준의 추측가 역할을 하게 했습니다. 이 모델들은 서로 다른 사실들 사이의 관계(예를 들어, GDP가 보통 기대 수명과 어떤 관계를 갖는지)를 살펴보고, 빈칸을 가장 가능성 높은 숫자로 채워 넣었습니다. 그들은 이 "추측값"이 원래의 그림과 완벽하게 일치하는지 확인하기 위해 이 모델들을 테스트했습니다.

3. 지수 구축: 네 가지 기둥

데이터가 모두 갖춰진 후, 그들은 단순히 모든 것을 더하지 않았습니다. 그들은 데이터를 네 개의 주요 "기둥(pillar)" 또는 카테고리로 정리했는데, 이는 마치 튼튼한 탁자의 네 다리와 같습니다.

1. 경제(Economic): 돈이 얼마나 있는가? (성장, 일자리, 생활비).
2. 제도(Institutional): 정부가 얼마나 잘 운영되는가? (법이 공정한가? 부패가 있는가? 사람들이 자유롭게 발언할 수 있는가?).
3. 삶의 질(Quality of Life): 사람들은 얼마나 건강하고 안전한가? (기대 수명, 의료 접근성, 범죄율).
4. 지속 가능성(Sustainability): 지구는 잘 돌봐지고 있는가? (오염, 재생 에너지, 탄소 배출).

4. "마법의 필터": 진짜 이야기 찾기

저자들은 수백 개의 서로 다른 숫자(지표)를 가지고 있었습니다. 이를 이해하기 위해 그들은 **요인 분석(Factor Analysis)**이라는 통계 기법을 사용했습니다.

• 비유: 여러분에게 100가지 색깔의 구슬이 든 가방이 있다고 상상해 보세요. 어떤 것은 빨간색, 어떤 것은 파란색, 어떤 것은 초록색입니다. 요인 분석은 색상 패턴에 따라 이 구슬들을 네 개의 뚜렷한 바구니로 분류하는 마법의 필터와 같습니다. 이 필터는 "좋아, 이 25개의 숫자는 모두 함께 움직이며 '경제적 건강'을 나타내고, 저 15개의 숫자는 '정부의 질'을 나타낸다"라고 알려줍니다.
• 이를 통해 그들은 각 국가에 대한 네 가지 명확한 하위 점수를 만들 수 있었고, 이를 다시 하나의 최종 점수로 결합했습니다.

5. 발견한 점: 큰 그림

그들은 1970년부터 2022년까지 이 지수를 실행하여 미국, 중국, 인도, 호주, 독일과 같은 주요 경제국들을 살펴보았습니다.

• 선진국: 호주, 독일, 일본과 같은 국가들은 지속적으로 높은 점수를 기록했습니다. 이들은 네 가지 기둥(경제, 정부, 삶의 질, 환경)이 모두 높게 서 있는 튼튼한 탁자를 가지고 있습니다.
• 떠오르는 거인들: 중국과 인도는 경제적 기둥에서 엄청난 성장을 보였습니다. 이들은 매우 빠르게 탁자를 만들고 있습니다! 하지만 이들의 지속 가능성과 삶의 질 기둥은 아직 따라잡는 중입니다. 즉, 부유해지고는 있지만 오염과 의료 접근성 문제 등 여전히 과제에 직면해 있음을 의미합니다.
• "행복" vs "삶의 용이성"의 충돌: 논문은 유명한 "세계 행복 보고서(World Happiness Index)"와 이 새로운 지수를 비교했습니다. 그 결과 큰 차이를 발견했습니다. 예를 들어, 인도는 새로운 "삶의 용이성" 지수에서는 51위를 기록했지만, "행복" 지수에서는 139위를 기록했습니다.
  • 왜 그럴까요? 저자들은 행복 지수가 소규모 설문조사에 의존하여 수십억 명의 사람들을 대표하지 못하며, 생활비에 대한 고려 없이 돈(GDP)에 너무 치중되어 있다고 주장합니다. 그들의 새로운 지수는 "인도가 설문조사에서는 '가장 행복한' 나라는 아닐지 몰라도, 실제 생활 조건은 개선되고 있으며 행복 지수가 시사하는 것보다 더 낫다"라고 말합니다.

6. 시사점

저자들은 단순히 숫자 목록을 만든 것이 아니라, 투명하고 재현 가능한 도구를 만들었습니다.

• 오픈 소스: 그들은 누구나 자신들의 작업을 검증하거나 지수를 업데이트할 수 있도록 모든 코드와 데이터를 인터넷(GitHub)에 공개했습니다.
• 정책 입안자를 위하여: 이 도구는 지도자들이 자신의 국가가 어느 부분에서 취약한지 정확히 알 수 있게 도와줍니다. 만약 어떤 나라가 돈은 잘 벌지만 오염 문제는 심각하다면, 이 지수는 "지속 가능성" 기둥에 빨간 깃발을 띄워 "이봐, 이 특정 부분을 고쳐야 해"라고 알려줍니다.

요약하자면, 이 논문은 단순히 얼마나 많은 돈을 버느냐가 아니라, 사람들이 실제로 어떻게 살고 있는지를 보기 위해, 머신러닝을 사용하여 빈칸을 채움으로써 더 공정하고 완전한 세계적 성적표를 만드는 것에 관한 것입니다.

기술 요약

기술 요약: 글로벌 생활 편의 지수 (Global-EoLI)

문제 정의
세계 행복 지수(World Happiness Index)나 글로벌 살기 좋은 도시 지수(Global Livability Index)와 같이 삶의 질과 생활 편의성을 평가하는 기존의 지표들은 상당한 한계를 지니고 있다. 이러한 한계에는 주관적인 자기 보고식 데이터에 대한 과도한 의존(이는 문화적 편향과 사회적 바람직성 효과를 유발함), 가중치 산정 방법론의 투명성 부족, 그리고 지역적 실태를 반영하지 못하는 집계 데이터에 대한 과도한 의존 등이 포함된다. 또한, 많은 지표가 웰빙의 다차원적 특성을 충분히 포착하지 못하며, 경제적 요인을 사회경제적 및 인프라 조건으로부터 고립시키는 경러이 있다. 결정적인 기술적 과제는 역사적 경제 및 사회 지표, 특히 개발도상국과 특정 시기(예: 1970~2012년 사이의 생계비 지수 누락, 특정 기간 동안 92.44%에 달하는 의료 지수 누락)에서 발생하는 결측치 문제이다. 단순한 대체법인 평균 대치법(mean substitution)이나 리스트와이즈 삭제(listwise deletion)는 기저의 데이터 패턴을 왜곡하고 정보 손실을 초래할 수 있다.

방법론
저자들은 1970년부터 2022년까지 주요 경제국들을 대상으로 종단적 글로벌 생활 편의 지수(Global-EoLI)를 구축하기 위한 머신러닝 프레임워크를 제안한다. 방법론은 다음의 7단계로 진행된다:

1. 데이터 수집: IMF, WHO, 세계은행(World Bank) 등의 출처로부터 70개국의 데이터를 수집하였다. 데이터셋은 경제, 제도, 삶의 질, 지속가능성의 네 가지 주요 하위 지수를 포함한다.
2. 데이터 결측치 대체(Imputation): 결측치(특정 변수의 경우 약 2%에서 90% 이상까지 발생)를 해결하기 위해, 본 연구는 두 가지 고급 대체 기술을 비교한다:
   • 랜덤 포레스트 회귀 모델 (Random Forest Regressor, RFR): 강력한 분포 가정 없이 복잡한 비선형 관계를 포착할 수 있는 앙상블 방법이다.
   • 다중 대치법 (Multiple Imputation by Chained Equations, MICE): 대체에 따른 불확실성을 고려하여 여러 개의 가능한 데이터셋을 생성하는 통계적 기법이다.
   • 선택: 연구는 합성 결측 데이터를 사용하여 RMSE와 MAE를 통해 두 방법을 평가하였다. RFR은 특히 비선형적이고 복잡한 환경 데이터를 처리하는 데 있어 우수한 성능을 보였으며, 최종 지수 구축을 위해 우선적으로 선택되었다. 커널 밀도 추정(Kernel Density Estimation, KDE) 플롯을 사용하여 대체된 분포가 관측된 데이터와 일치하는지 검증하였다.
3. 전처리 및 표준화: 데이터를 국가 및 연도별로 그룹화하였다. 서열 및 범주형 변수는 표준화 전에 제거하였다. 연속형 변수는 편향을 방지하기 위해 전체 데이터셋으로부터 스케일링 파라미터가 도출되도록 임퓨테이션(imputation) 이후에 z-점수 표준화($x - \mu / \sigma$)를 수행하였다.
4. 차원 축소 및 하위 지수 구축:
   • 주성분 분석 (Principal Component Analysis, PCA): 고윳값 분석(Kaiser criterion)을 기반으로 적절한 잠재 요인의 수를 결정하고 설명된 분산을 평가하기 위한 탐색적 도구로 사용되었다.
   • 요인 분석 (Factor Analysis, FA): 잠재 차원을 추출하고 요인 점수를 계산하기 위해 varimax 회전을 적용한 주요 방법으로 채택되었다. 이 단계에서 네 가지 하위 지수에 대응하는 네 개의 뚜렷한 요인이 식별되었다(제도, 삶의 질, 경제, 지속가능성). 샘프링 적절성을 검증하기 위해 Kaiser-Meyer-Olkin(KMO) 테스트를 사용하였는데, 특히 지속가능성 하위 지수의 경우 적절성이 낮게 나타났다(RFR 적용 시 KMO < 0.5). 이에 따라 저자들은 해당 차원에 대해 결과를 주의 깊게 다루고 MICE 기반의 명세를 선호하였다.
5. 가중치 부여 및 집계: 네 가지 하위 지수는 인도 주택도시부의 생활 편의 지수에서 영감을 얻되, 순수 경제적 요인에 대한 의존도를 낮추도록 조정한 고정 가중치를 사용하여 최종 Global-EoLI로 집계되었다. 할당된 가중치는 다음과 같다:
   • 삶의 질: 0.35
   • 경제: 0.25
   • 제도: 0.25
   • 지속가능성: 0.15
6. 종단적 분석: 생성된 지수를 사용하여 1970년부터 2021년까지 G20 회원국과 선진국(예: 미국, 독일, 호주) 및 개발도상국(예: 인도, 중국, 말레이시아)이 혼합된 국가들을 매년 순위화하였다.

주요 결과

• 대체 성능: RFR은 대부분의 하위 지수, 특히 관계가 비선형적인 지속가능성 및 삶의 질 영역에서 MICE보다 RMSE와 MAE 측면에서 우수한 성능을 보였다.
• 요인 구조: 요인 분석은 네 개의 일관된 잠재 요인을 성공적으로 식별하였다. 제도적 요인은 거버넌스 지표(법치주의, 부패 통제)에 의해 주도되었으며, 삶의 질 요인은 인간 개발 지표(HDI, 기대 수명)에 의해 주도되었다.
• 국가 순위 (2021년): 선진국들(호주, 일본, 캐나다, 독일)은 Global-EoLI에서 일관되게 높은 순위를 기록했다. 호주는 4위를 차지했으며, 일본이 8위, 캐나다가 17위를 기록했다. 인도(51위)와 중국(41위) 같은 신흥 경제국들은 강력한 경제 성장에도 불구하고 낮은 전체 순위를 보였는데, 이는 제도적 안정성, 삶의 질 및 지속가능성 측면의 격차를 부각시킨다.
• 행복 지수와의 비교: 연구 결과 Global-EoLI와 세계 행복 지수 사이에 상당한 격차가 있음이 발견되었다. 예를 들어, 인도는 Global-EoLI에서는 51위였으나 행복 지수에서는 139위를 기록했다. 저자들은 이를 행복 지수가 거대 인구에 비해 작은 표본 크기(2,000~3,000명의 응답자)에 의존하고, 생계비를 조정하지 않은 채 1인당 GDP에 과도하게 가중치를 두는 점 때문이라고 분석했다.
• 강건성(Robustness): 대안적 가중치 체계(예: 동일 가중치, 더 높은 지속가능성 가중치)를 사용한 민감도 분석 결과, 상위권 선진국들의 순위는 비교적 안정적으로 유지된 반면, 신흥 경제국들은 네 가지 차원 전반에 걸친 불균형한 성과를 반영하여 더 큰 변동성을 보였다.

의의 및 주장
본 논문은 기존 지표들의 한계를 해결하는, 투명하고 재현 가능하며 포괄적인 생활 수준 평가 프레임워크를 제공한다고 주장한다. 주요 기여는 다음과 같다:

• 방법론적 엄밀성: 종단적 데이터셋의 높은 결측치 문제를 해결하기 위해 머신러닝(RFR)을 통합함으로써, 단순한 데이터 삭제 없이 데이터의 완전성을 확보하였다.
• 다차원적 관점: 경제, 제도, 삶의 질, 지속가능성 차원을 결 결합함으로써, GDP 중심 또는 단일 요인 지수보다 더 총체적인 웰빙의 관점을 제공한다.
• 정책적 유용성: 이 프레임워크는 정책 입안자들이 다양한 경제적 맥락에서 개입이 필요한 특정 분야(예: 의료 시스템, 공공 안전, 환경 지속가능성)를 식별할 수 있는 실질적인 도구 역할을 한다.
• 투명성: 저자들은 코드와 데이터를 오픈 소스로 공개하여 독립적인 검증과 다른 맥락으로의 적용이 가능함을 강조한다.

저자들은 매우 높은 결측률(예: >80%)을 보이는 변수들은 모델 기반 재구성에 크게 의존하므로 해석 시 주의가 필요하다는 점을 인정하며 한계를 겸허히 밝혔다. 또한 지속가능성 하위 지수가 다른 차원에 비해 약한 요인 구조를 보였다는 점도 언급하였다. 연구는 Global-EoLI가 기존 지표들을 개선하지만, 향후 연구에서 불확실성 정량화를 위한 베이지안 추론을 탐구하고 더 세분화된 환경 지표를 통합해야 한다고 결론지었다.