📈 economics

Drivers, Receivers, and Dynamic Linkages: The Directed Structure of SDG Interdependence, 2000--2024

이 논문은 2000년부터 2024년까지 114개국의 17개 지속가능발전목표 간의 방향성 있는 상호의존성을 분석하여, 보편적인 가속화 정책 대신 특정 지표 연계성에 기반한 적응적이고 시차를 둔 포트폴리오를 지지하는 역동적인 시너지와 상충 관계의 취약하고 비계층적인 네트워크를 밝혀낸다.

원저자: Md Muhtasim Munif Fahim, Md Jahid Hasan Imran, Md. Naim Molla, Luknath Debnath, Tonmoy Shil, Ehsanul Bashar Pranto, Md Mostafizur Rahman Likhon, Md Shafin Sanyan Saad, Md. Rezaul Karim

게시일 2026-06-16

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Md Muhtasim Munif Fahim, Md Jahid Hasan Imran, Md. Naim Molla, Luknath Debnath, Tonmoy Shil, Ehsanul Bashar Pranto, Md Mostafizur Rahman Likhon, Md Shafin Sanyan Saad, Md. Rezaul Karim

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

17가지 지속가능발전목표(SDGs)를 별개의 할 일 목록이 아니라, 같은 정원에서 자라는 17가지 서로 다른 식물들로 이루어진 거대하고 복잡한 생태계라고 상상해 보십시오. 수년 동안 정책 입안자들은 이렇게 물어왔습니다. "내가 특정 식물 하나에만 물을 준다면, 정원 전체가 더 빨리 자랄 수 있을까?" 그들은 하나의 '마스터 식물'을 찾아내어, 그 식물을 잘 가꾸기만 하면 나머지 식물들도 자동으로 따라 올라오기를 바랐습니다.

**"동인(Drivers), 수혜자(Receivers), 그리고 역동적 연결성(Dynamic Linkages)"**이라는 제목의 이 논문은 마치 고성능 정원 검사관과 같습니다. 이 연구는 114개국의 25년간(2000~2024년) 데이터를 조사하여 이 식물들이 정확히 어떻게 상호작용하는지 지도화했습니다. 추측하는 대신, 그들은 고급 통계 도구를 사용하여 어떤 식물이 다른 식물의 성장을 실제로 '밀어주는지', 어떤 식물이 도움을 '흡수하는지', 그리고 그 효과가 나타나기까지 얼마나 시간이 걸리는지를 확인했습니다.

연구 결과는 다음과 같이 쉬운 개념으로 나누어 설명할 수 있습니다.

1. 정원은 사다리가 아닌 웹(Web)입니다

가장 놀라운 사실은 단 하나의 '마스터 식물'은 존재하지 않는다는 점입니다.

과거의 생각: 사람들은 이것이 사다리처럼 위계가 있다고 생각했습니다. 예를 들어 "교육"이라는 맨 윗단계를 올라가면, "보건"과 같은 아래 단계를 자동으로 끌어올릴 것이라고 믿었습니다.
현실: 정원은 무질서하고 빽빽한 웹 형태입니다. 어떤 식물은 다른 식물을 돕지만, 어떤 식물은 실제로 자원을 두고 경쟁합니다. 연구 결과, 10개의 도움이 되는 연결(시너지)이 있다면, 대략 11개의 연결은 한 목표를 돕는 것이 다른 목표를 달성하기 어렵게 만드는 관계(트레이드오프, 상충 관계)인 것으로 나타났습니다.
비유: 이것은 사다리가 아니라, 줄다리기와 이어달리기가 뒤섞인 게임입니다. 때로는 한 팀원을 돕는 것이 팀 전체를 돕기도 하지만, 때로는 한쪽 줄을 너무 세게 당기면 다른 쪽 줄이 끊어지기도 합니다.

2. "동인(Driver)" 목록은 신뢰하기 어렵습니다

연구진은 어떤 목표가 가장 좋은 "동인"(연쇄 반응을 시작하는 것)인지 파악하기 위해 순위를 매겨보려 했습니다.

결과: 순위는 어떤 관점으로 보느냐에 따라 달라집니다. 시간 범위를 약간 바꾸거나 다른 수학 공식을 사용하면 "최고의 동인"이 바뀝니다.
예외: 어떤 방식으로 테스트하더라도 일관되게 나타난 역할은 단 두 가지뿐이었습니다.
- "순수혜자(Net Receiver)": 평화와 강력한 제도 (목표 16). 이 식물은 주로 다른 것들로부터 도움을 필요로 하는 식물입니다. 정원을 앞으로 밀고 나가는 역할을 하기보다는, 다른 모든 것이 이미 잘 작동하고 있을 때 가장 잘 자라는 식물입니다。
- "유력한 동인(Probable Driver)": 빈곤 퇴치 (목표 1). 이것은 다른 목표들을 앞으로 밀어내는 힘이 일관되게 나타나는 유일한 목표였지만, 측정 방식에 따라 이조차도 취약할 수 있습니다.

3. "시간 지연(Time Lag)" 문제 (슬로우 쿠커)

가장 중요한 발견 중 하나는 시간에 관한 것입니다.

신화: 오늘 문제를 해결하면 내일 바로 결과를 볼 수 있어야 한다.
현실: 정원은 "슬로우 쿠커"와 같습니다. 연구에 따르면 위생이나 빈곤 감소와 같은 한 가지를 개선했을 때, 그것이 아동 생존율과 같은 다른 목표에 완전한 효과를 미치기까지는 4~5년이 걸립니다.
비유: 씨앗을 심는다고 해서 다음 날 바로 열매를 맺지는 않습니다. 만약 1년 후에 정원을 확인한다면, 당신은 씨앗이 효과가 없었다고 생각할 수도 있습니다. 하지만 당신은 수확을 보기 위해 4~5년을 기다려야 합니다. 이는 정책 입안자들이 자신의 성공을 너무 성급하게 판단해서는 안 된다는 것을 의미합니다.

4. 두 가지 "황금 경로"

단 하나의 "마스터 목표"는 없지만, 데이터가 매우 강력하게 뒷받침하는 두 가지 구체적이고 신뢰할 수 있는 경로를 발견했습니다.

위생 $\rightarrow$ 아동 생존: 국가들이 깨끗한 화장실과 위생 시설에 대한 접근성을 개선하면, 향후 4~5년에 걸쳐 아동 사망률이 크게 감소합니다.
빈곤 감소 $\rightarrow$ 아동 생존: 빈곤이 줄어들면 아이들이 더 오래 삽니다.
- 보너스: 이 두 번째 경로는 루프(순환) 구조입니다. 아이들이 더 오래 생존함에 따라 빈곤 또한 더욱 감소하는 경향이 있어, 두 요소가 서로를 성장시키는 "선순환"을 만들어냅니다.

또한 연구진은 교육과 아동 건강 사이의 "암시적인" 연결 고리를 발견했으며, 이는 별도의 독립된 데이터셋을 통해 확인되었습니다. 이는 아이들을 학교에 머물게 하는 것이 건강 유지에 도움이 된다는 것을 시사하지만, 그 증거가 위생이나 빈곤 연결만큼 확고하지는 않습니다.

5. 정책 입안자는 무엇을 해야 하는가?

이 논문은 정부가 모든 것을 해결할 "마법의 탄환" 같은 목표를 찾는 것을 멈춰야 한다고 주장합니다. 대신 다음과 같이 해야 합니다.

"리더보드"를 보는 것을 멈추십시오: 단순히 1위로 랭크된 목표만을 선택하지 마십시오.
특정한 연결에 집중하십시오: 특정 연결(예: "위생에서 아동 건강으로")을 선택하여 그곳에 투자하십시오.
트레이드오프를 주의하십시오: 한 목표를 강하게 추진할 때, 혹시 다른 목표를 해치고 있지는 않은지 확인하십시오.
인내심을 가지십시오: 4~5년의 기간을 계획에 반영하십시오. 즉각적인 결과를 기대하지 마십시오.

요약

글로벌 개발의 정원은 단 하나의 "마법 지팡이"로 다루기에는 너무나 복잡합니다. 모든 것을 해결하는 단 하나의 목표는 없습니다. 대신, 위생을 개선하여 아이들의 생명을 구하는 것처럼 확실하게 작동하는, 느리게 움직이는 특정한 경로들이 존재합니다. 최선의 전략은 단 하나의 "최고" 목표를 쫓는 것이 아니라, 검증된 이러한 구체적인 연결 고구들을 포트폴리오로 구축하는 것입니다.

기술 요약: SDG 상호의존성 내 동인(Drivers), 수혜자(Receivers) 및 역동적 연계성 (2000–2024)

문제 제記述
재정적 및 행정적 역량이 제한적인 정부들은 반복적인 결정 문제에 직면한다: 전체 시스템의 '가속기' 역할을 할 것으로 기대되는 소수의 지속가능발전목표(SDGs)에 자원을 집중할 것인가, 아니면 포트폴리오 전반에 걸쳐 자원을 배분할 것인가? 기존 문헌은 개발 성과들이 서로 연결되어 있다는 점을 입증하고 있으나, 시스템의 방향성 구조(어떤 목표가 다른 목표를 이끄는가), 이러한 연계의 역동적 규모(전이(transmission)에 걸리는 시간), 그리고 목표 수준 순위의 강건성을 밝혀내는 데는 한계가 있다. 상관관계, 전문가 코딩 또는 무방향 네트워크에 의존하는 기존 방식은 성과를 전파하는 목표와 성과를 흡수하는 목표를 구분하지 못한다. 또한, SDG 데이터에 적용된 표준 계량경제학적 방법들은 데이터의 특성인 높은 지속성, 추세적 행동, 횡단면 의존성, 그리고 "폭은 넓지만 길이는 중간 정도인" 패널 구조( $N \approx 114, T = 25$ )를 반영하지 못하는 경우가 많다.

방법론
본 연구는 2000년부터 2024년까지 연도별로 관찰된 114개국의 균형 패널을 활용하며, 지속가능발전 보고서(Sustainable Development Report) 2025의 백데이터 SDG 지수(0–100)를 사용한다. 이러한 데이터 구조의 계량경제학적 과제를 해결하기 위해, 저자들은 데이터 구조에 맞춘 두 가지 추정량을 적용하며, 공통 추세를 제거하고 정상성을 확보하기 위해 **차분된 시계열(first-differenced series)**을 사용한다:

방향성 상호작용 네트워크 (그랜저 비인과성 검정, Granger Non-Causality):
- 추정량: 이질적 패널 그랜저 비인과성 검정 (Dumitrescu–Hurlin, 2012).
- 절차: 17개 목표의 모든 272개 순서쌍에 대해, 한 목표의 과거 변화가 다른 목표의 변화를 예측하는지 여부를 검정한다.
- 강건성: 허구적 네트워크 구축을 방지하기 위해 272개 가설에 대해 Benjamini–Hochberg 허위 발견율(FDR) 제어( $q < 0.05$ )를 적용한다. 또한, 시계열 평균 제거(time-demeaning) 및 공통 상관 효과(CCE) 추정량(Pesaran, 2006)을 사용하여 횡단면 의존성에 대한 강건성을 테스트한다.
- 순위 산정: 순수 영향력(out-degree - in-degree) 및 효과 크기 가중 지표에 따라 목표를 순위화한다.
역동적 규모 (로컬 프로젝션, Local Projections):
- 추정량: Driscoll–Kraay 표준 오차를 적용한 패널 로컬 프로젝션 (Jordà, 2005).
- 절차: 이론적으로 도출된 31개의 지표 연계(예: 위생 접근성 $\to$ 아동 발육 부진)에 적용한다.
- 시계열(Horizon): 10년의 누적 반응을 추정하며, 5년 시점에 초점을 맞춘 확증적 분석을 수행한다.
- 검증: 결과는 FDR 제어 및 교육-보건 경로에 대한 세계개발지표(WDI) 데이터를 이용한 독립적 삼각측량(triangulation)을 바탕으로 "지지됨(supported)", "시사적임(suggestive)", 또는 "지지되지 않음(unsupported)"으로 등급을 매긴다.

주요 결과

네트워크 구조: 272개의 방향성 목표 쌍 중 84개의 연계가 FDR 제어를 통과하였으며, 이는 0.31의 네트워크 밀도를 나타낸다. 네트워크는 조밀하지만 균일하지 않으며, 시너지(공동 개선)와 트레이드오프(제약)를 모두 포함하고 있다.
시너지 vs. 트레이드오프 균형: 시스템은 시너지(40개)와 트레이드오프(44개) 사이에서 거의 완벽한 균형을 보인다. 이 결과는 시스템이 균일하게 강화되는 구조라는 통념에 반하며, 단일 목표가 보편적인 가속기로 작용하지 않음을 시사한다.
순위의 취약성: 목표 수준의 동인-수혜자 위계는 취약하다. 순위는 서로 다른 시차(lag order)와 중심성 지표 간에 약한 상관관계를 보인다 (Spearman $\rho = 0.03$ –$0.21$). 국가 부트스트랩 재표집(resampling)을 실시했을 때, 17개 목표 중 15개에 대해 순수 영향력의 90% 신뢰 구간이 0을 포함하였다.
강건한 역할: 지표와 재표집 전반에 걸쳐 통계적으로 0과 구별되는 두 가지 역할만이 나타났다:
- 순 수혜자(Net Receiver): 평화와 강력한 제도(SDG 16)가 가장 명확한 순 수혜자로, 스스로를 추진하기보다 영향을 흡수하는 역할을 한다.
- 순 동인(Net Driver): 빈곤 감소(SDG 1)가 가장 유력한 효과 크기 가중 동인으로 나타났으나, 이는 차수 지표(degree metrics)에 의해 상쇄된다.
역동적 연계성: 지지되는 연계는 동시적(contemporaneously)이 아니라 4~5년에 걸쳐 축적된다.
- 지지되는 경로: 위생 접근성과 빈곤 감소의 개선은 5세 미만 사망률(SDG 3)을 낮추는 가장 강력한 예측 변수이다. 이러한 효과는 소득 계층에 관계없이 유지된다.
- 강화 루프(Reinforcing Loop): 빈곤-아동 생존 관계는 양방향적이다. 즉, 아동 생존 역시 향후 빈곤 감소를 예측한다.
- 시사적 경로: 5세 미만 사망률의 감소는 향후 중등 교육의 증진을 예측하며, 여성 교육과 깨끗한 조리 연료는 아동 사망률 감소와 시사적인 연결 고리를 보인다.
독립적 삼각측량: 교육-아동 건강의 연관성은 183개국을 대상으로 하는 독립적인 WDI 데이터에서도 확인되었으며, 이는 방향성이 SDG 지수 구성의 인위적 결과가 아님을 입증한다.

의의 및 주장
본 논문은 세 가지 주요 기여를 주장한다:

방법론적 기여: 데이터의 지속성과 횡단면 의존성에 부합하는 추정량을 사용하여, 거시 패널로부터 방향성을 갖고 역동적으로 해상된 상호작용 지도를 어떻게 복원할 수 있는지 보여준다. 또한, 목표 수준의 순위가 지정 방식(시차, 지표)에 매우 민로하여 안정적이지 않음을 입증함으로써 이를 견고한 정책적 객체로 취급해서는 안 된다는 점을 강조한다.
실질적 기여: 단일한 "마스터 목표"나 보편적 순위를 찾는 대신, **소수의 지지되는 시차 연계(time-lagged linkages)**가 포함된 조밀하고 이질적인 웹(web)을 제시한다. 시스템은 시너지와 트레이드오프의 균형을 특징으로 하며, 이는 정책이 시너지만을 추구하는 것이 아니라 긴장 관계를 관리해야 함을 의미한다.
정책적 기여: 우선순위 설정을 "목표 수준의 리그 테이블"에서 벗어나 특정한 지지된 연계에 기반한 적응형 포트폴리오로 재설정할 것을 제안한다.
- 실행 가능한 조언: 정부는 추상적인 가속기가 아닌, 지지된 경로(예: 위생/빈곤 $\to$ 아동 생존)에 근거하여 투자 사례를 구축해야 한다.
- 모니터링: 정책 수립 시 4~5년의 전이 시차를 고려해야 한다. 1년 단위의 시계열로 연계성을 판단하면 그 영향력을 과소평가하게 된다.
- 보고: SDG 대시보드는 무방향적이고 교정되지 않은 그래프가 아니라, 방향성 연계, 예상 시계열, 그리고 구성 지표를 표시해야 한다.

결론적으로, 본 논문은 글로벌 지도가 전이 가능성이 높은 곳에 대한 사전 정보(prior) 역할을 할 수는 있지만, 고정된 자원 배분 규칙은 아니라고 주장한다. 효과적인 정책을 위해서는 이러한 글로벌 사전 정보를 특정 연계에 대한 현지 증거와 결합하고, 다년간의 시계열에 걸쳐 특정 지표을 모니터링하며, 방향성 구조에 내재된 트레이드오프를 명시적으로 관리해야 한다.