기술 요약: 경쟁적 위성 배치와 궤도 위험의 지리학

1. 문제 제기

본 논문은 정지 궤도(GEO) 내 위성의 불균등한 공간적 분포 문제를 다룬다. 일부 궤도 경도는 여러 운영자에 의해 밀집되어 있는 반면, 다른 지역은 거의 비어 있는 상태이다. 이러한 공간적 패턴은 세 가지 이유로 중요하다:

1. 자원 배분: 이는 국제전기통신연합(ITU) 규정에 따른 슬롯 할당 및 주파수 조정에 영향을 미친다.
2. 글로벌 커버리지: 이는 통신 서비스의 지리적 분포를 결정한다.
3. 궤도 지속 가능성: 위성 배치는 향후 궤도 파편(debris)의 지리학을 결정한다. 파편은 위성이 배치된 곳에 축적되므로, 위성 배치를 유도하는 동인을 이해하는 것은 장기적인 궤도 위험을 예측하기 위한 전제 조건이다.

기존의 궤도 파편 문헌은 일반적으로 발사 후 충돌, 폐기 및 수명 종료 행동에 관한 공학적 모델에 의존한다. 본 논문은 그 이전에 흔히 간과되는 질문, 즉 "혼잡과 파편의 미래 지리학 중 얼마만큼이 운영자들의 초기 경쟁적 위치 선택에 이미 내재되어 있는가?"라는 질문이 남아 있다고 주장한다.

2. 방법론

저자들은 정지 궤도를 "이상적인 실험실"로 활용한다. 왜냐하면 물리적으로 1차원적(360도 고리 형태)이며, 명시적이고 관찰 가능한 할당 규칙(선착순 방식)에 의해 통제되기 때문이다.

경쟁적 진입(Competitive Entry, CE) 모델

분석의 핵심은 순차적, 이윤 극대화적 진입에 관한 구조적 모델이다:

• 수요 동인: 각 경도의 수요는 위성의 상업적 서비스 범위(약 ±40° 경도) 내에 있는 격자형 인구에 의해 결정된다. 모델은 두 가지 수요 명세(raw population vs. GDP 가중 인구/소득)를 테스트한다.
• 진입 메커니즘: 운영자들은 순차적으로 시장에 진입한다. 각 신규 진입자는 이전에 배치된 모든 위성의 위치를 고려하여 자신의 시장 점유율을 극대화하는 궤도 슬롯을 선택한다.
• 시장 공유 규칙: 소비자(인구)는 가장 가까운 위성에 의해 서비스된다. 거리가 동일할 경우, 수요는 무작위로 분할된다.
• 경로 의존성: 초기 진입자들은 높은 수요의 호(arc)를 확보한다. 후속 진입자는 트레이드오프에 직면한다: 수요가 낮은 빈 지역에 위치할 것인가, 아니면 높은 수요 지역에 함께 위치하여 시장을 공유할 것인가. 모델은 큰 시장을 공유함으로써 얻는 한계 이득이 작은 빈 시장을 독점하는 이득보다 큰 경우가 많으며, 이것이 클러스터링(밀집)을 유발한다고 가정한다.

데이터 및 검증

• 데이터 출처: 연구는 위성 위치(2006년 이후 활성 상업 위성 390기; 비활성 페이로드 513기)를 위해 ITU 준수 평가 모니터(ITU-CAM) 데이터베이스를 사용한다. 수요 데이터는 세계 인구 격자 데이터(GPWv4)와 G-Econ(GDP)에서 가져온다.
• 제외 대상: 중국 인구는 수요 측정에서 제외된다. 규제 제한으로 인해 중국 소비자가 국제 상업 GEO 서비스에 접근할 수 없으므로, 국제 운영자들에게는 접근 불가능한 시장이기 때문이다.
• 검증 전략:
  1. 인샘플 적합도(In-sample Fit): 모델의 예측 밀도를 관측된 활성 위성 밀도와 비교한다 ($R^2$).
  2. 아웃오브샘플 예측(Out-of-Sample Prediction): 발사 당시의 궤도 상태를 기준으로 431개의 새로운 상업 위성(2000년 이후)의 개별 슬롯 선택을 예측하는 "워크 포워드(walk-forward)" 테스트를 수행하며, 이를 적합된 조건부 로짓(conditional logit) 모델과 비교한다.
  3. 장기 시뮬레이션: 21년간의 전방향 시뮬레이션(2000–2021)을 통해 400개의 신규 위성을 배치하여, 단순 지속성(naive persistence) 기준선과 비교해 집계된 분포 예측을 테스트한다.
  4. 파편 예측: 모델이 비활성 페이로드(파편)의 분포를 예측하는지 테스트한다.
  5. 플라세보 테스트(Placebo Tests): 인구 분포를 회전시켜 적합도가 단순히 덩어리진 데이터 때문이 아니라 특정 동서 방향 정렬에 기반하는지 확인한다.

3. 주요 결과

A. 배치는 소득이 아닌 인구가 주도한다

인구를 수요 동인으로 사용하는 CE 모델은 관측된 활성 위성 분포와 강한 적합도를 보인다 ($R^2 = 0.64$, Spearman $\rho = 0.82$). 이 모델은 남/동남아시아, 유럽, 아메리카 대륙 위의 밀집된 클러스터와 태평양 및 중앙아시아 위의 희박한 커버리지를 성공적으로 재현한다.

반면, GDP 가중 수요를 사용하는 모델은 성능이 현저히 떨어진다 ($R^2 = 0.11$). 이는 운영자들이 구매력보다 총 인구 규모를 우선시함을 나타낸다. 모델은 인도는 높은 인구와 중간 수준의 소득을 가진 지역임에도 불구하고 위성 밀도가 높다는 것을 정확히 예측하지만, 소득 가중 모델은 이를 포착하지 못한다. 독립적으로 추정된 기술 채택의 소득 탄력성($\hat{\gamma} \approx 0.88$)을 이용한 강건성 체크 결과, 어떤 양의 소득 가중치를 부여하더라도 모델의 적합도가 저하됨을 확인했다. 최적의 적합도는 $\gamma \approx 0$(순수 인구)에서 나타난다.

B. 예측력은 적합 모델보다 우수하다

워크 포워드 아웃오브샘플 테스트에서, 매개변수를 슬롯 선택 데이터에 맞추지 않은 구조적 CE 모델은 개별 슬롯 선택을 평균 순위 360 중 140으로 예측한다. 이는 적합된 조건부 로짓 모델(평균 순위 154)과 무작위 기준선(평균 순위 180)보다 뛰어난 성능을 보인다. 이는 구조적 모델이 역사적 노이즈를 과적합(overfitting)하는 것이 아니라 근본적인 메커니즘을 포착하고 있음을 시사한다.

C. 장기 및 파편 예측

• 집계된 배치: 21년간의 전방향 시뮬레이션에서 CE 모델은 신규 진입의 집계 분포를 예측하며 ($R^2 = 0.35$), 단순 지속성 벤치마크($R^2 = 0.09$)보다 4배 더 높은 성능을 보인다.
• 파편 축적: 모델은 비활성 페이로드(파편)의 분포를 예측한다 ($R^2 = 0.44$). 이는 궤도 위험의 지리학이 부분적으로 경쟁적 진입 패턴의 하류 결과임을 입증한다. 경쟁적 진입이 활발한 지역(예: 인도 호/arc)은 가장 많은 파편이 축적될 것으로 예측된다.

D. 효율성 및 복지

본 논문은 현재의 궤도 분포가 상대적으로 효율적이라고 밝힌다. 구성이 작았을 때($N=25$, 잠재적 이득 15.8%)는 파레토 개선(총 복지를 높이면서 어떤 운영자에게도 손해를 끼치지 않는 재배치)이 가능했으나, 이 "효율성 창(efficiency window)"은 빠르게 닫혔다. $N \approx 150$에 도달했을 때(그리고 현재 $N \approx 500$에서는 확실히)는 모든 운영자의 시장 점유율을 유지하면서 집계된 복지를 개선할 수 있는 단일 위성 재배치 방안이 존재하지 않는다.

4. 기여 및 의의

본 논문은 세 가지 주요 기여를 한다:

1. 메커니즘 식별: 불균등한 궤도 인프라의 지리학이 조정 실패나 동시 최적화가 아니라, 이질적인 수요 하에서의 순차적 경쟁 진입이라는 단순한 논리에 의해 구동됨을 입증한다.
2. 예측 프레임워크: 인구 데이터와 물리적 제약만을 사용하여 활성 위성 배치와 그에 따른 파편 축적의 지리학을 모두 예측할 수 있는 검증된 매개변수 프리(parameter-free) 구조적 모델을 제공한다.
3. 정책적 시사점:
   • 커버리지 형평성: "서비스 소외" 지역(예: 사하라 이남 아프리카, 중앙아시아)은 구독자당 수익성이 없는 것이 아니라, 글로벌 수요 피크에 비해 인구가 상대적으로 작기 때문에 구조적으로 우회되는 것이다. 경쟁 역학이 이러한 격차를 자발적으로 해소하지는 않을 것이다.
   • 파편 위험: 장기적인 파편 축적 위험이 높은 지역은 경쟁적 진입이 계속해서 목표로 삼게 될 지역이다. 이는 상업적 매력이 혼잡과 운영 위험을 초래하는 자기 강화적 위험을 생성한다.
   • LEO 관련성: 저자들은 이 메커니즘이 이제 저궤도(LEO) 메가 컨스텔레이션으로 확장되고 있음을 시사하며, 이는 지상 궤적 또한 인구 밀도가 높은 지역에 집중될 것임을 의미한다.

결론적으로, 궤도 위험의 공간적 분포는 단순한 공학적 문제가 아니라 경제적 기본 원칙과 경쟁적 진입 패턴의 반영이다. 이러한 동인을 이해함으로써 미래의 혼잡 및 파편 핫스팟을 더 잘 예측할 수 있다.