Beyond headcount and human capital: The Effective Cognitive Population as a decomposable capacity unit for AI-era planning

기술 요약: 인구수와 인적 자본을 넘어

문제 제기
현재의 국가 계획은 서로 분절된 회계 장부들에 의존하고 있다: 규모를 나타내는 인구수(headcount), 노동 공급을 나타내는 생산가능인구 비율, 기술 수준이 조정된 자산량을 나타내는 인적 자본 지수, 그리고 환경적 조건을 나타내는 기술 준비도 지수 등이다. AI 시대에 결정적인 공백이 존재한다: 건강, 학습, 고용, 기술 인프라 및 거버넌스의 특정 현행 조건하에서 사용 가능한 총 인적 생산 역량을 정량화하는 단위가 현재 존재하지 않는다. 기존 지표들은 인간의 역량을 배치하기 위해 필요한 기술적 조건을 고려하지 못하거나, 인적 자본 지수와 AI 준비도 지수를 결합할 때 인적 자본을 중복 계산하는 문제를 가지고 있다. 또한, 표준 인구 통계는 연령 구조를 역량의 주요 결정 요인으로 취급하여, 유사한 연령 구조 내에서도 발생하는 광범적인 역량의 차이를 간과한다.

방법론
본 연구는 역량과 그 배치의 조건을 가중치로 적용하여 설계된 분해 가능한 역량 단위인 **유효 인지 인구(Effective Cognitive Population, ECP)**를 도입한다. 방법론은 다음 단계로 진행된다:

1. 인적 자본 기반 ($H$): 본 연구는 건강, 교육, 노동 시장 성과를 기대 수명 생산성으로 변환하는 세계은행의 인적 자본 지수 플러스(HCI+)를 활용한다. HCI+ 점수는 로그 지수(기준점 325로 스케일링됨)에서 상대적 생산성 수준($H_i = \exp((S_i - 325)/100)$)으로 변환된다.
2. AI 기회 및 거버넌스 ($A$ 및 $C$): 본 연구는 IMF의 AI 준비도 지수(AIPI)를 활용한다. 인적 자본의 중복 계산을 방지하기 위해(HCI+에 이미 포함되어 있으므로), AIPI의 인적 자본 차원은 제외한다.
   • AI 기회 ($A$): "디지털 인프라"와 "혁신 및 경제 통합" 차원의 등가 가중 평균으로 정의된다.
   • 전환 거버넌스 ($C$): "규제 및 윤리" 차원에 의해 정의된다.
3. 벤치마크 구축: ECP 스톡은 $ECP_i = N_i \times H_i \times (1 + \lambda A_i C_i)$로 계산된다.
   • $N_i$는 총인구 또는 생산가능인구이다.
   • $(1 + \lambda A_i C_i)$ 항은 **결합적 계획 규칙(conjunctive planning rule)**을 나타낸다. 이는 한쪽으로 치우친 준비 상태(예: 거버넌스는 취약하지만 인프라는 높은 경우)에 불이익을 주기 위해 증폭 인자를 가산적 방식이 아닌 승법적 방식으로 만든다.
   • $\lambda$는 벤치마크에서 1로 설정된 보정 파라미터이며, 0에서 1 사이의 범위와 "27개 규칙 멀티버스"의 지수 조합에 대한 민감도 분석이 수행되었다.
4. 검증 및 테스트:
   • 동시 기준 타당성(Concurrent Criterion Validity): 144개국 샘플을 대상으로 2024년 총 산출량(GDP)에 대해 ECP를 회귀 분석한다. 성능은 인구수 및 HCI+ 조정 인구와 비교하여 $R^2$ 및 Leave-One-Country-Out (LOOCV) RMSE를 통해 측정된다.
   • 증분 타당성(Incremental Validity): 물리적 자본 집약도를 조건화한 중첩 모델을 사용하여, ECP 구성 요소가 표준 생산 요소 이상의 설명력을 더하는지 테스트한다.
   • 상호작용 테스트: AI 기회와 거버넌스($A \times C$) 사이의 인과적 상호작용을 명시적으로 테스트하여, 결합 규칙이 경험적 상보성을 반영하는지 아니면 규범적 계획 제약을 반영하는지 결정한다.
   • 민감도 분석: 인구 분모(총인구 vs 생산가능인구), HCI+ 빈티지(2020년 vs 2025년), 집계 규칙, 진폭 파라미터에 따른 강건성을 확인한다.

주요 결과

• 개선된 예측 적합도: 144개국 샘플에서 ECP 확장은 국가 역량 모델의 설명력을 향상시킨다. 2024년 총 산출량에 대해, $R^2$는 0.849(HCI+-조정 스톡)에서 0.882(ECP)로 증가하였고, LOOCV RMSE는 0.723에서 0.641로 감소하였다. 이러한 이득은 통계적으로 유의미하며(bootstrap $p < 0.0001$), 총인구와 생산가능인구 기반 모두에서 유지된다.
• 순위 재분류: 인구수 장부에서 ECP 장부로 이동할 때 144개국 중 89개국이 최소 10위 이상 변동한다. 이러한 변동의 대부분은 인적 자본 조정 자체에 의해 발생하지만, AI 확장은 독자적인 진단 가치를 제공한다. ECP 순위에서 고성과 국가로는 싱가포르, 스위스, 덴마크가 포함되며, 차드, 기니, 말리와 같은 국가들은 상당한 하향 재분류를 겪는다.
• 연령 구조로부터의 독립성: 생산가능인구 비의 사분위수 내에서, 1인당 역량($Z$)은 상위 90 백분위와 하위 10 백분위 사이에 최대 4.78배의 비율 차이를 보인다. 이는 연령 구조만으로는 미흡한 대리 지표임을 입증하며, ECP가 인구 통계로 설명되지 않는 상당한 변동을 포착함을 보여준다.
• 결합 규칙의 성격: AI 기회와 거버넌스($A \times C$) 사이의 직접적인 통계적 상호작용은 통계적으로 지지되지 않는다(계수가 음수이며 유의하지 않음, $p = 0.371$). 따라서 본 논문은 결합 규칙이 경험적으로 추정된 상보성이 아니라, 계획 규칙(한쪽으로 치우친 준비도에 과도한 신용을 부여하는 것을 방지하기 위한 규범적 제약)이라고 결론짓는다.
• 잔차 분석: 전환 잔차(conversion residual)는 실현된 GDP per capita가 자본 집약도 및 ECP 역량에 의해 예측된 수준보다 낮은 국가들을 식별한다. 이 잔차는 천연자원 지대, 정부 효과성 또는 부패 통제 항목과 유의미한 상관관계가 없으며, 이는 이것이 검증된 효율성 점수라기보다는 추가 진단을 위한 스크리닝 순서 역할을 함을 시사한다.

의의 및 주장
본 논문은 ECP를 새로운 생산 법칙이나 인구 감소의 예측 도구가 아니라, 공공 부문 계획을 위한 진단용 장부로 위치시킨다. 주요 기여는 다음과 같다:

1. 분해 가능성: 트레이드오프를 은폐하는 합성 지수와 달리, ECP는 계획가가 국가의 역량을 인적 자본($H$), 기술적 기회($A$), 거버넌스 조건($C$)으로 분해할 수 있게 한다. 이를 통해 특정 병목 구간(예: 기술은 높으나 거버넌스가 취약한 국가)을 식별할 수 있다.
2. 중복 계산 방지: AIPI에서 인적 자본 차원을 명시적으로 제거함으로써, 동일한 자산을 두 번 계산하는 방법론적 오류를 피한다.
3. 시나리오 대응형 스톡: 이 단위는 현재의 노동력 환산치를 세는 것이 아니라 현행 조건하에서의 역량을 정의하며, 상대적 비교와 정책 격차 분석을 지원한다.
4. 제한적 범위: 저자는 ECP가 출산율 저하의 결과를 추론하지 않으며, AI의 인과적 생산성 효과를 규명했다고 주장하지 않음을 명시한다. 또한 결합 규칙이 경험적 발견이 아닌 규범적 선택임을 인정하며, 기회와 거버넌스 사이의 상호작용을 검증하기 위해 향후 종단적 및 미시적 증거가 필요함을 인정한다.

본 연구는 ECP가 인간의 역량을 그 배치에 필요한 조건들과 통합하여, 인구수나 인적 자본 지수 단독보다 더 미묘한 근거를 제공하는, 투명하고 감사 가능하며 안정적인 국가 간 비교 단위라고 결론짓는다.