A Role-Based Multi-Agent Model for Climate Adaptation Deliberation Across Living Labs

기술 요약: 리빙랩 전반의 기후 적응 심의를 위한 역할 기반 다중 에이전트 모델

문제 제기
기후 적응 계획은 불확실성, 상충하는 우선순위, 그리고 파편화된 권한이라는 특징을 가집니다. 결정은 단순히 최적화 규칙을 따르는 단일 행위자로부터 발생하는 것이 아니라, 선호도와 기능적 역할 모두에서 차이를 보이는 이질적인 이해관계자들 사이의 복잡한 심의를 통해 발생합니다. 참여적 정책 프로세스를 위한 기존의 사회 시뮬레이션 모델들은 전이 가능성(transferability)이 부족하다는 문제점이 있습니다. 이러한 모델들은 이해관계자 범주, 정보 흐로, 의사결정 순서가 구현 단계에 하드코딩되어 특정 경험적 설정에 맞춰 설계되는 경향이 있습니다. 이러한 사례 특이적 임베딩은 모델 로직 자체의 숨겨진 변동성이 아니라, 제도적 차이나 이해관계자 구성이 어떻게 결과에 영향을 미치는지 고립시켜 분석하는 것을 어렵게 만들며, 사례 간 비교를 제한합니다.

방법론
저자들은 PRO-CLIMATE 프로젝트 내에서 개발된 구성 가능한 **역할 기반 다중 에이전트 컴퓨터 모델(MACM)**을 제안합니다. 이 방법론은 비교 가능한 개별 데이터가 확보되지 않을 수 있는 리빙랩(Living Labs, LLs) 전반에 걸친 구성을 용이하게 하기 위해, 세밀한 개인 수준의 추상화에서 이해관계자 그룹 표현으로 전환합니다.

핵심 혁신은 고정된 행동 메커니즘과 외부화된 맥락 특수적 입력값을 분리하는 것입니다.

• 에이전트 표현: 실제 이해관계자는 하나 이상의 **역할(role)**을 수행할 수 있는 계산 에이전트로 표현됩니다. 역할은 정적인 사회적 정체성이 아니라 단계별 행동을 정의하므로, 단일 이해관계자(예: 시청 부서)가 인위적인 개체 분리 없이 여러 기능을 수행할 수 있게 합니다.
• 네 가지 역할:
  1. 전문가 평가자(Expert Evaluator): 기준(환경적 영향, 실행 가능성, 비용 등)에 따라 제안서를 평가합니다.
  2. 전파자(Disseminator): 네트워크를 통해 평가를 전달하거나 집계합니다.
  3. 입장 결정자(Positioning Agent): 가중치가 부여된 우선순위를 통해 정보를 해석하여 지지 또는 반대 입장을 형성합니다.
  4. 의사결정자(Decision-Maker): 최종적인 집단적 결과를 도출합니다.
• 시뮬레이션 흐름: 모델은 네 가지 뚜렷한 단계를 실행합니다:
  1. 초기화(Initialization): 이해관계자 속성, 역할 할당, 기준, 임계값 및 네트워크 연결을 로드합니다.
  2. 정보 교환(Information Exchange): 전문가 평가가 네트워크를 가로질러 이동하며, 상충하는 가치는 정당성 가중치 규칙을 사용하여 집계됩니다.
  3. 입장 형성 및 영향(Positioning and Influence): 에이전트는 가용 가능한 평가와 가중치 부여된 기준을 바탕으로 만족도를 계산하고, 에고 네트워크(ego-network)의 영향력을 통해 입장을 수정합니다.
  4. 최종 의사결정(Final Decision-Making): 의사결정자는 공식적인 전문가 입력과 관찰된 이해관계자의 입장을 결합하여 제안을 수용, 거부 또는 수정하기 위한 효용을 계산합니다.
• 구성(Configuration): 모델은 평가 기준(만족도에 직접 영향을 미침)과 외생 변수(참여 및 영향 단계의 횟수를 결정하는 긴급성 또는 공공 가시성과 같은 변수)를 구분합니다. 이해관계자의 우선순위는 쌍체 비교(pairwise comparisons)를 통해 추출되며, 불확실성을 유지하면서도 공식적인 시뮬레이션을 가능하게 하기 위해 근사적 가중치로 변환됩니다.

주요 기여

1. 구성 가능한 아키텍처: 본 논문은 상호작용 구조는 사례 간에 안정적으로 유지되면서, 경험적 내용(이해관계자 집단, 역할 할당, 네트워크 구조, 제안 기준)은 구조화된 입력 파일을 통해 제공되는 프레임워크를 제시합니다.
2. 역할 기반 추상화: 이해관계자의 기능을 고정된 유형이 아닌 역할에 매핑함으로써, 경험적 이해관계자 분석에서 계산적 행동으로의 매핑에 대한 투명성을 높입니다.
3. 프로세스 추적 능력: 모델은 단순한 최종 상태 관찰을 넘어 정보 수신, 입장 형성, 영향 역학, 그리고 최종 결정의 조립 과정을 추적할 수 있는 중간 출력 분석을 지원합니다.

결과 및 주장
본 논문은 **설계 기여(design contribution)**를 보고하는 것이지 완료된 검증 연구를 보고하는 것이 아니므로, 경험적 결과나 검증 데이터를 제시하지 않습니다. 대신 저자들은 모델의 아키텍처 설계를 바탕으로 모델의 잠재적 유용성을 주장합니다. 논문은 다음과 같은 역할 기반 설계의 장점을 주장합니다:

• 해석 가능성 향상: 안정적인 심의 기능과 사례 특수적 내용을 분리함으로써, 특정 이해관계자 구성과 제도적 조건으로부터 결과가 어떻게 도출되는지를 명확히 합니다.
• 재사용성 강화: 이 프레임워크를 통해 핵심 모델을 재설계하지 않고도 다양한 리빙랩 간의 비교 가능한 사회 시뮬레이션을 가능하게 하며, 공유된 계산 코어를 유지하면서도 지역 거버넌스 체제에 대한 민감도를 보존합니다.
• 설명력 강화: 모델은 프로세스 중심의 분석을 지원하며, 이는 기후 적응 거버넌스에서 결과의 정당성이 단순한 선호도가 아닌 정보의 순서와 정당성, 행위자의 신뢰성, 사회적 영향력에 달려 있다는 점을 고려할 때 매우 중요합니다.

의의
본 논문은 기후 거버넌스 분야의 사회 시뮬레이션을 위한 방법론적 진보를 목표로 합니다. 저자들은 경험적 근거를 갖추면서도 일반화 가능한 모델을 만드는 과제를 해결하고자 합니다. 맥락적 입력을 외부화함으로써, MACM은 연구자들이 모델의 숨겨진 변동성이 아닌 이해관계자 역학 및 제도적 조건으로부터 차이가 어떻게 발생하는지 조사할 수 있게 합니다. 저자들이 언급했듯이, 향후 과제는 이 모델을 다양한 리빙랩에 적용하고, 참가자들을 통해 역할과 매개변수를 검증하며, 시뮬레이션된 흐름 및 결정을 경험적 관찰 결과와 비교하는 것입니다.