Stacking Ensemble Models for Predicting Digital Payment Adoption: A Comprehensive Machine Learning Analysis of Global Findex 2025 Data

세계 경제를 모든 사람이 거래하고, 저축하고, 물건을 사려고 노력하는 거대하고 북적이는 시장이라고 상상해 보세요. 오랫동안 이 시장은 주로 물리적인 형태였습니다. 은행에 직접 걸어가거나, 현금을 들고 다니거나, 수표를 써야 했죠. 하지만 최근에 마법 같은 새로운 도구가 나타났습니다. 바로 디지털 결제입니다. 이것은 스마트폰과 컴퓨터를 통해 공중을 가로질러 날아다니는 보이지 않는 동전과 같아서, 사람들이 종이 돈을 전혀 만지지 않고도 물건값을 지불할 수 있게 해줍니다. 이러한 변화는 이전에 시장에서 소외되었던 사람들(예: 외딴 마을에 살거나 돈이 많지 않은 사람들)이 마침내 파티에 참여할 수 있도록 돕기 때문에 매우 중요한 일입니다. 이것을 '금융 포용(financial inclusion)'이라고 부르며, 이는 모든 사람이 더 나은 삶을 구축하도록 돕는 핵심 열쇠입니다.

하지만 까다로운 점이 있습니다. 아직 모든 사람이 이 디지털 동전을 사용하고 있는 것은 아니라는 점입니다. 어떤 사람들은 두 발을 힘차게 내디디며 뛰어들고 있는 반면, 어떤 사람들은 혼란스러워하거나 겁을 먹은 채 주변부에서 서성이고 있습니다. 과학자들과 경제학자들은 정확히 왜 어떤 사람들은 이 새로운 도구를 채택하고 어떤 사람들은 그렇지 않은지를 알아내기 위해 노력해 왔습니다. 그들은 교육 수준, 연령, 스마트폰 보유 여부와 같은 단서들을 살펴봅니다. 전통적으로 그들은 답을 추측하기 위해 단순한 수학을 사용했지만, 세상은 무질서하고 복잡합니다. 때때로 단서들은 기묘한 방식으로 상호작용합니다. 예를 들어, 스마트폰이 있어도 사용할 줄 모르면 도움이 되지 않거나, 돈이 있어도 인터넷을 신뢰하지 않으면 도움이 되지 않는 식입니다. 이 퍼즐을 풀기 위해, 연구자들은 이제 "머신 러닝(기계 학습)"을 사용하고 있습니다. 이는 마치 초지능 로봇에게 수백만 개의 단서를 한꺼번에 살펴보고 인간의 뇌가 놓칠 수 있는 패턴을 찾아내도록 가르치는 것과 같습니다.

이 연구에서 연구팀은 디지털 결제 채택의 미스터리를 풀기 위해 '슈퍼 로봇 탐정'을 구축하기로 했습니다. 그들은 단 하나의 로봇만 부른 것이 아니라, 서로 다른 사고방식을 가진 로봇 팀을 구축한 뒤 그들이 협력하도록 가르쳤습니다. 그들은 141개국 140,900명의 성인을 담고 있는 거대한 사진첩과 같은 방대한 데이터셋인 "Global Findex 2025"를 사용했습니다. 데이터를 깨끗하게 정리한 후, 그들은 연구할 수 있는 102,954명의 명확한 모습을 얻었습니다.

연구자들은 먼저 로봇 팀에게 교육 수준, 인터넷 접속, 소득원과 같은 183가지의 서로 다른 단서(변수) 목록을 주었습니다. 작업을 더 쉽게 만들기 위해, 그들은 가장 중요한 66가지 단서를 골라내는 스마트 필터를 사용했고, 일부 단서들을 새로운 '슈퍼 단서'로 결합했습니다. 예를 들어, 교육 수준과 인터넷 사용량을 곱하여 하나의 '슈퍼 단서'를 만들었는데, 이는 두 가지가 함께 있을 때 각각 하나씩 있을 때보다 훨씬 더 강력할 것이라고 예상했기 때문입니다. 또한 그들은 돈을 버는 다양한 방식과 얼마나 "금융 성향(financially inclined)"이 있는지(예: 저축을 하거나 신용카드를 보유하는지 등)에 대한 새로운 단서들도 만들었습니다.

다음으로, 연구자들은 XGBoost, LightGBM, CatBoost라는 고급 알고급 알고리즘을 사용하여 세 가지 유형의 서로 다른 "기초(base)" 로봇을 훈련시켰습니다. 이것들을 세 명의 서로 다른 탐정이라고 생각해 보세요. 한 명은 작은 세부 사항을 포착하는 데 뛰어나고, 다른 한 명은 방대한 양의 정보를 빠르게 처리하며, 세 번째는 지저之处한 범주형 데이터를 다루는 데 탁ern습니다. 그들은 단순히 로봇들이 추측하게 내버려 두지 않았습니다. 대신 카메라 렌즈의 초점을 맞추듯 설정을 미세하게 조정하는 특수 도구인 Optuna를 사용하여, 로봇들이 최대한 선명해질 수 있도록 최적화했습니다.

하지만 진짜 마법은 그들이 이 로봇들을 "스태킹(stacking)" 팀으로 구성하기로 결정했을 때 일어났습니다. 하나의 로봇이 최종 결정을 내리게 하는 대신, 세 명의 기초 로봇이 먼저 추측을 내놓게 했습니다. 그런 다음 그 추측들을 "메타 학습자(meta-learner)" 로봇(이 경우에는 ExtraTrees 분류기)에게 전달했는데, 이 로로봇의 유일한 임무는 세 기초 로봇의 말을 듣고 누가 옳은지 결정하는 것이었습니다. 이는 세 명의 전문가가 의견을 내면, 현명한 판사가 그 의견을 모두 듣고 최종 판결을 내리는 것과 같습니다. 연구자들은 이 팀을 단일 로봇을 사용하거나 로봇들이 다수결로 투표하는 방식 등 다른 방법들과 비교 테스트했습니다.

결과는 인상적이었습니다. "스태킹" 팀, 특히 LightGBM과 XGBoost를 기초 탐정으로 하고 ExtraTrees 로봇을 판사로 조합했을 때 93.04%의 확률로 정답을 맞혔습니다. 이것은 그들이 찾아낸 최고의 점수였으며, 단일 로봇이나 다른 팀 조합들을 앞질렀습니다. 연구자들은 또한 로봇의 뇌 내부를 들여다보고 왜 그런 결정을 내렸는지 확인하기 위해 SHAP이라는 도구를 사용했습니다. 그들은 로봇이 세 가지 주요 요인, 즉 교육 수준, 인터넷 접속 여부, 그리고 소득 규모에 크게 영향을 받는다는 것을 발견했습니다. 흥란하게도, 로봇은 교육과 인터넷 접속이 함께 일어날 때 가장 효과적이라는 것을 배웠습니다. 하나만 있고 다른 하나는 없는 상태는 그리 도움이 되지 않았습니다.

이 연구는 또한 로봇을 미세 조정하는 것(하이퍼파라미터 최적화)이 약간의 도움은 되었지만, 진짜 비결은 팀 구조 자체였다는 것을 보여주었습니다. "스태킹" 접근 방식은 단일 로봇이 혼자 달성할 수 있는 것보다 훨씬 더 안정적이고 정확한 예측을 만들어냈습니다. 그러나 연구자들은 자신들의 로봇이 저소득층과 농촌 인구의 행동을 예측하는 데는 여전히 다소 어려움을 겪고 있다는 점을 언급했습니다. 이는 이 그룹들에게는 로봇이 가진 데이터만으로는 완전히 설명할 수 없는 신뢰 부족, 보안에 대한 두려움, 또는 느린 인터넷 속도와 같은 숨겨진 장벽이 여전히 존재함을 시사합니다.

결론적으로, 이 논문은 전문화된 머신 러닝 모델 팀이 협력함으로써 디지털 결제 사용 시작 여부를 매우 높은 정확도로 예측할 수 있음을 보여줍니다. 이는 교육과 인터넷 접속이 금융 포용을 여는 황금 열쇠임을 확인시켜 주지만, 단순히 인프라를 구축하는 것만으로는 충분하지 않으며, 사람들이 그것을 사용할 수 있는 기술과 신뢰를 갖추도록 해야 한다는 경고도 함께 전합니다. 연구자들은 향로의 연구가 이러한 행동이 시간이 지남에 따라 어떻게 변하는지를 살펴보고 더 큰 경제적 요인들을 포함해야 한다고 제안하지만, 현재로서는 이 "스태킹된" 로봇 팀이 디지털 화폐 혁명이 전 세계적으로 어떻게 확산되고 있는지에 대해 가장 명확한 시각을 제공하고 있습니다.