Data-Driven Spatial Weight Matrices for Space-Time Autoregressive Models: A Similarity-Based Framework with an Application to Global Temperature Dynamics

거대한, 혼란스러운 쇼핑몰을 통과하는 인파의 움직임을 예측하려고 한다고 상상해 보십시오. 사람들의 경로를 추측하는 전통적인 방식은 지도를 보고, 사람들이 바로 옆에 있는 사람들과 부딪히거나 그들을 따라간다고 가정하는 것입니다. 만약 당신이 신발 매장에 있다면, 당신은 바로 옆에 있는 의류 매장의 사람들에게만 신경을 쓰게 됩니다. 이것이 과학자들이 날씨나 질병처럼 전 지구적으로 발생하는 현상을 연구할 때 전통적으로 사용해 온 방식입니다. 그들은 지도 위에 선을 긋고 이렇게 말합니다. "당신이 이웃이라면, 당신은 연결되어 있다."

하지만 만약 그 지도가 당신에게 거짓말을 하고 있다면 어떨까요? 만약 신발 매장에 있는 사람이 세 층 위 베이커리에 있는 사람과 완벽한 리듬에 맞춰 춤을 추면서, 정작 바로 옆에 있는 사람은 무시하고 있다면 어떨까요? 데이터 과학의 세계에서 이것은 '지리적 이웃'(공간적으로 가까운 사람들)과 '통계적 이웃'(시간에 따라 비슷하게 행동하는 사람들)의 차이입니다. 수십 년 동안 연구자들은 지리적으로 가깝다는 것이 서로 영향을 주고받는다는 것을 의미한다고 가정해 왔습니다. 하지만 때로는 실제 연결 고리가 얼마나 떨어져 있느냐가 아니라, 얼마나 유사한 이야기를 공유하느냐에 달려 있습니다. 이 논문은 이러한 아이디어에 파고들어 다음과 같은 단순한 질문을 던집니다. 만약 우리가 지도를 보는 것을 멈추고 행동을 보기 시작한다면, 지구의 미래를 훨씬 더 잘 예측할 수 있을까?

---

지도 대 거울: 세상을 보는 새로운 방법

오랫동안 지구의 기온을 연구하는 과학자들은 '공간 가중치 행렬(spatial weight matrix)'이라는 도구를 사용해 왔습니다. 이것을 하나의 거대한 규칙책이라고 생각하십시오. 이 규칙책은 컴퓨터에게 한 국가가 다른 국가의 말을 얼마나 들어야 하는지를 알려줍니다. 전통적인 규칙책은 매우 경직되어 있습니다. "당신은 오직 직계 이웃의 말만 들어야 한다"라고 말합니다. 프랑스가 독일 옆에 있다면 그들은 대화를 나눕니다. 하지만 프랑스가 일본과 멀리 떨어져 있다면 그들은 타인입니다. 이는 마치 당신이 점심 식탁에 앉아 있는 사람들로부터만 배울 뿐, 지구 반대편에 있는 당신이 가장 좋아하는 유튜버로부터는 절대 배우지 않을 것이라고 가정하는 것과 같습니다.

이 논문의 저자인 에도아르도 오트란토(Edoardo Otranto)는 이 오래된 규칙책이 핵심을 놓치고 있다고 제안합니다. 그는 국가들이 서로 영향을 주고받는 이유가 이웃이기 때문이 아니라, 기온이 변하는 방식에서 유사한 '성격'을 공유하기 때문이라고 주장합니다. 예를 들어, 유럽의 한 국가와 아시아의 한 국가가 비록 대양을 사이에 두고 떨어져 있음에도 불구하고, 매년 정확히 같은 속도로 온도가 상승할 수 있습니다. 만약 우리가 그들의 '행동' 때문에 그들을 이웃으로 취급한다면, 우리의 예측은 훨씬 더 정교해질 것입니다.

실험: '바이브(Vibe)'로 세상을 클러스터링하다

이를 테스트하기 위해 연구자는 방대한 데이터셋을 수집했습니다: 168개국의 122년간의 기온 기록(1901년부터 2022년까지). 이는 20,000개가 넘는 데이터 포인트입니다! 그는 국가들을 지도의 위치에 따라 그룹화하는 대신, 그들이 어떻게 '행동'하는지에 따라 그룹화했습니다. 그는 어떤 국가들이 서로 유사한지 확인하기 위해 세 가지 다른 '바이브 체크(vibe checks)'를 사용했습니다:

1. 속도 체크 (온난화율): 각 국가가 얼마나 빨리 뜨거워지고 있는지 살펴보았습니다. 완만하고 부드러운 상승인가요, 아니면 급격한 스파이크인가요? 그는 온난화 속도가 비슷한 국가들이 지리적 이웃 여부와 상관없이 종종 같은 그룹에 속한다는 것을 발견했습니다. 예를 들어, 러시아와 일본은 '매우 높은' 속도의 온난화 국가로 나타난 반면, 볼리비아는 거의 평탄했습니다.
2. 롤러코스터 체크 (기온 변화량): 이것은 연간 오르내림을 살펴보는 것입니다. 기온이 격렬하게 요동치나요, 아니면 매끄러운가요? 그는 중동과 중앙아시아의 국가들이 종종 유사한 '울퉁불퉁한' 패턴을 공유한다는 것을 발견한 반면, 다른 많은 국가들은 '매끄러운' 패턴을 공유한다는 것을 발견했습니다.
3. 기분 체크 (지속성 패턴): 이것이 가장 영리한 방법이었습니다. 기온이 '얼마나' 변했는지를 보는 대신, 단순히 '방향'만을 보았습니다. 올해 기온이 올라갔나요, 아니면 내려갔나요? 그는 컴퓨터 코드의 오류를 수정하기 위해 발명된 '해밍 거리(Hamming distance)'라는 특별한 수학 도구를 사용하여, 두 국가가 뜨거워지거나 추워지는 방향에 대해 얼마나 자주 의견이 일치하는지 계산했습니다. 만약 두 국가가 변화의 방향에 대해 보통 일치한다면, 그들은 '통계적 이웃'입니다.

결정적 결과: 지도는 틀렸다

이 새로운 그룹들을 만든 후, 그는 '시공간 자기회귀(Space-Time Autoregressive, STAR)' 모델이라는 새로운 종류의 컴퓨터 모델을 구축했습니다. 이 모델은 올해의 기온과 그 '이웃'들의 올해 상황을 바탕으로 내년의 기온을 예측하려고 시 하는 초정밀 예측 엔진과 같습니다.

그는 두 번의 경주를 실행했습니다:

• 경주 A: 지리적 이웃(지도 기반의 규칙책)의 말만 듣는 기존 모델.
• 경주 B: '통계적 이웃'(바이브 기반의 규칙책)의 말에 귀를 기울이는 새로운 모델들.

결과는 명확했습니다. 새로운 모델들, 특히 '기분 체크(해밍 거리)'를 사용한 모델이 기온을 예측하는 데 훨씬 더 뛰어났습니다. 연구진이 모델이 본 적 없는 2001년부터 2022년까지의 데이터를 사용하여 모델을 테스트했을 때, '기분 체크' 모델이 가장 적은 실수를 범했습니다. 이 모델은 기존의 지도 기반 모델을 상당한 차이로 앞질렀습니다.

이것이 왜 중요한가

이 논문은 기후 변화와 같은 장기적인 추세를 파악하는 데 있어 지리학이 누가 누구에게 영향을 미치는지에 대한 최선의 예측 인자가 아니라고 제안합니다. 거대한 대기 흐름과 해양 패턴은 멀리 떨어진 국가들이 같은 곡조에 맞춰 춤추게 만들 수 있는 반면, 이웃 국가들은 각자의 길을 갈 수도 있습니다. 단순히 지도상의 거리보다는 실제 행동에 기반하여 '우정 목록'을 구축함으로써, 과학자들은 미래의 기후를 예측하는 더 나은 도구를 만들 수 있습니다.

저자는 이것이 단지 기온에만 적용되는 일회성 기술이 아니라고 주의를 기울입니다. 이 '유사성 기반' 접근 방식은 일반적인 전략입니다. 질병이 어떻게 퍼지는지, 경제가 어떻게 무너지는지, 혹은 사회적 트렌드가 어떻게 움직이는지 예측할 때, 즉 관련된 사람이나 장소가 단순히 '위치'가 아닌 '행동'으로 연결되어 있을 때 언제든 사용할 수 있습니다. 이 논문은 기후 변화를 해결했다고 주장하는 것이 아니라, 만약 우리가 세상을 이해하고 싶다면 지도를 보는 것을 멈추고 그 리듬에 귀를 기울여야 한다고 제안하고 있습니다.