Analysis of Spatial Networks From Bipartite Projections Using the R backbone Package

Neal, Z. P., Domagalski, R., & Sagan, B. (2022).
Geographical Analysis, 54, 623–647

곽지호

지리학과 석사과정

2026년 9월 29일

저자 소개

Zachary P. Neal

  • Michigan State University 심리학과 교수
  • GaWC(Globalization & World Cities) 연구 그룹의 일원
  • 네트워크 기반 지리학, 사회학, 교육학, 심리학 연구
  • R 패키지 backbone 개발자 및 유지보수자 CRAN

논문 소개

4단계 구성

  1. 이론적 배경
  2. backbone 패키지 소개
  3. backbone 패키지를 활용한 세계 도시 네트워크 분석 사례
  4. 공간 네트워크 분석에서 이분 투영 활용 시의 주의점

이론적 배경

이분 네트워크

  • 네트워크: 노드(node)와 엣지(edge)로 구성
  • 네트워크 \(\Leftrightarrow\) 정방 행렬 (square matrix)
    • 노드 \(\Leftrightarrow\) 행과 열
    • 엣지 \(\Leftrightarrow\) 원소
  • 이분 네트워크 (bipartite network): 두 종류의 노드로 구성된 네트워크
    • 행위자 (agents)와 아티팩트 (artifacts)
    • 엣지는 행위자 \(\longleftrightarrow\) 아티팩트 만을 연결

이분 투영

  • 이분 네트워크는 직사각형 행렬(\(\mathbf{B}\))로 표현
    • 행: 행위자(agents)
    • 열: 아티팩트(artifacts)
    • 행위자 \(i\)가 아티팩트 \(j\)와 연결되어 있으면 \(B_{ij} = 1\), 그렇지 않으면 0
  • 이분 네트워크를 투영하면 단일 네트워크(unipartite network)로 표현 가능
    • 투영 = \(\mathbf{B}\)와 \(\mathbf{B}\)의 전치행렬을 곱함 (\(\mathbf{P} = \mathbf{B}\mathbf{B}'\)) \(\rightarrow\) 대칭 정방 행렬
    • 이분 투영의 원소 \(P_{ij}\)
      • (\(i\neq j\)) 행위자 \(i\)와 \(j\)가 공유하는 아티팩트 수 (비대각성분)
      • (\(i = j\)) 행위자 \(i\)가 속한 아티팩트 수 (대각성분)

행렬 기초

  • 인덱싱 (R: A[i, j])
    • 아랫첨자를 이용하여 행렬의 원소 표기
    • 순서대로 (행, 열) e.g. \(A_{12}\) = 1번째 행 2번째 열의 원소
  • 행렬 곱 (R: A %*% B)
    • (m x n) * (n x p) = (m x p)
    • \((\mathbf{A}\mathbf{B})_{ij} = \sum_k A_{ik} B_{kj}\)

\[ \underbrace{\begin{pmatrix} \bbox[#d5ecd4,3pt]{1} & \bbox[#d5ecd4,3pt]{0} \\ 1 & 1 \\ 0 & 1 \end{pmatrix}}_{3 \times 2} \underbrace{\begin{pmatrix} \bbox[#e4dcf4,3pt]{1} & 1 & 0 \\ \bbox[#e4dcf4,3pt]{0} & 1 & 1 \end{pmatrix}}_{2 \times 3} = \underbrace{\begin{pmatrix} 1 & 1 & 0 \\ 1 & 2 & 1 \\ 0 & 1 & 1 \end{pmatrix}}_{3 \times 3} \]

  • 전치 행렬 (transpose) (R: t(M))
    • 행과 열의 위치를 바꾸는 것
    • \((\mathbf{M}')_{ij} = M_{ji}\)

\[ \mathbf{M} = \begin{pmatrix} 1 & 0 \\ 1 & 1 \\ 0 & 1 \end{pmatrix} \;\Rightarrow\; \mathbf{M}' = \begin{pmatrix} 1 & 1 & 0 \\ 0 & 1 & 1 \end{pmatrix} \]

이분 네트워크 예시

이분 네트워크: 행위자 5개 도시 x 아티팩트 4개 기업

  • 이분 행렬 \(\mathbf{B}\): 5 × 4
    • 행 = 행위자(도시), 열 = 아티팩트(기업)
    • \(B_{ik} = 1\): 행위자 \(i\)가 아티팩트 \(k\)에 연결
  • 행합 = 행위자가 연결된 아티팩트 수
    • e.g. 런던에는 4개의 기업 위치
  • 열합 = 아티팩트에 연결된 행위자 수
    • e.g. KPMG와 Barclays는 3개 도시에 위치

이분 투영 예시

이분 투영 \(\mathbf{P} = \mathbf{B}\mathbf{B}'\): 두 행위자가 공유하는 아티팩트

  • \(\mathbf{P}\): (5 × 4)(4 × 5) = 5 × 5
  • \(P_{3,5}\): \(\mathbf{B}\)의 3행 · \(\mathbf{B}'\)의 5열 (\(\Leftrightarrow\) \(\mathbf{B}\)의 5행) \[ \begin{pmatrix} \bbox[#d5ecd4,3pt]{1} & \bbox[#d5ecd4,3pt]{1} & \bbox[#d5ecd4,3pt]{1} & \bbox[#d5ecd4,3pt]{1} \end{pmatrix} \begin{pmatrix} \bbox[#e4dcf4,3pt]{0} \\ \bbox[#e4dcf4,3pt]{0} \\ \bbox[#e4dcf4,3pt]{1} \\ \bbox[#e4dcf4,3pt]{1} \end{pmatrix} = 0 + 0 + 1 + 1 = \bbox[#ffe680,3pt]{2} \]
  • 런던과 시드니는 2개의 기업 공유 → 엣지 가중치 2
  • 대각원소 \(P_{ii}\) = 행합 (e.g. \(P_{CC} = 4\))

공간적 이분 네트워크

  • 위치를 행위자로 한 접근
    • 여러 가지 공간 스케일에서 다양한 활용
    • 세계 도시 네트워크 (Taylor 2001)
      • 도시 - 행위자 / 기업 - 아티팩트
      • 근거: 같은 기업의 지사 간에는 상호작용 존재
  • 위치를 아티팩트로 한 접근
    • 개인 또는 사회적 주체들의 네트워크
    • 가구 단위 소셜 네트워크 (Browning et al 2017 등)
      • 가구 - 행위자 / 통근, 통학 장소 - 아티팩트
      • 근거: 같은 장소에 있으면 사회적으로 연결될 확률 높음

이분 투영의 장점 및 주의점

  • 장점
    • 데이터 수집 용이
      • 도시 간 경제 네트워크 측정
      • 시민들 간 사회적 네트워크 측정
  • 주의점
    • 뒷받침하는 이론이 중요
      • 모든 이진 직사각형 행렬을 투영(\(\mathbf{P} = \mathbf{B}\mathbf{B}'\))할 수 있지만, 그것이 꼭 ’네트워크’임을 함의하지 않음
      • 아티팩트의 공유를 ’연결’로 해석할 수 있는 이유 뒷받침 필요
      • e.g. 국기 색깔을 공유하면 연결?

이분 투영의 방법론적 어려움

  • 이분 투영은 가중 네트워크: 비가중 네트워크보다 가중 네트워크 분석이 더 어려움
  • 더해서, 이분 네트워크의 투영에서 엣지의 가중치는 강한 연결을 함의하지 않음
  • 대표적 분석 방법: 임계값(threshold) 기준 이진(비가중) 행렬로 변환 후 분석 -> 한계
    1. 중심성이 작은 노드들이 과소평가됨
    2. 구조가 없는 임의의 이분 행렬도 높은 정도로 군집됨
    3. 일부 네트워크 구조(open triad, stars)는 관측 불가능

이분 투영의 뼈대(backbones)

  • 가중 네트워크인 이분 투영에서 뼈대를 추출해내는 작업 필요
  • “통계적으로 유의하게” 중요한 엣지만 남기기
    • 두 행위자 간 엣지의 가중치가 랜덤으로 네트워크가 만들어졌을 때보다 강한가?
    • ’랜덤’의 정의에 따라 여러 모델 존재
  • 기존의 가중 네트워크 뼈대 추출 모델을 적용할 수 없음 -> backbone 패키지의 개발

뼈대 추출 절차 및 필요성

이분 네트워크 (\(\mathbf{B}\))

이분 투영 (\(\mathbf{P}\))

뼈대 (backbones)

backbone 패키지

backbone 패키지 소개

  • R 패키지로 개발 (Domagalski et al. 2021; Neal 2022; Neal 2026)
  • CRAN(R 오픈 소스 패키지 공식 저장소)에서 설치 가능
library(backbone)
  • 패키지 설명서
?backbone
vignette("backbone")
  • Caveat: 현재는 버전 3.0.4로 함수 문법들이 다수 변경됨 (논문: 버전 1.2.2)

세 가지 유형의 함수

  1. 전통적 가중 이분 투영 (weighted bipartite projection)
universal()
  1. 통계적 유의성 검정을 위한 확률분포 유도
hyperg(); sdsm(); fdsm()
  1. 통계적으로 유의한 엣지만으로 네트워크 구성
backbone.extract()

backbone을 이용한 세계 도시 네트워크 분석 - (1) 이분 투영 만들기

데이터 - GaWC Data Set 11

  • 2000년에 수집 (최신: 2020년)
  • 315개 도시 x 100개 고차생산자서비스 기업
  • 도시별 기업 사무소의 규모에 따라 0~5점 부여
  • 아래 출처에서 도시/기업/코드 부여 방식 확인 가능
  • 출처: GaWC Data | Replication Code

이분 네트워크 구축

\[ B'_{ij} = \begin{cases} 1 & \text{if } B_{ij} \ge 3 \\ 0 & \text{if } B_{ij} \le 2 \end{cases} \]

# 원본: https://gawc.lboro.ac.uk/wp-content/uploads/2024/08/da11.csv
B <- read.csv(file="data/da11.csv", header = TRUE, row.names = 1)
B <- as.matrix(B)

B[B <= 2] <- 0  # 0, 1, 2 (보통 이하 규모의 사무소)는 0으로
B[B >= 3] <- 1  # 3, 4, 5 (보통보다 큰 사무소)는 1로
B <- B[rowSums(B) != 0,]  # 전부 0인 행 (사무소가 없는 도시) 제거

EDA

B[114:117, 8:11]
            Horwath KPMG Summit...Baker RSM
MELBOURNE         0    1              0   1
MEXICO CITY       0    1              0   0
MIAMI             1    1              0   1
MILAN             0    0              0   1
rowSums(B)["AMSTERDAM"]  # 암스테르담에 있는 기업 수
AMSTERDAM 
       29 
rowSums(B)["NEW YORK"]  # 뉴욕에 있는 기업 수
NEW YORK 
      74 
colSums(B)["KPMG"]  # KPMG가 있는 도시 수
KPMG 
  76 
colSums(B)["HSBC"]  # HSBC가 있는 도시 수
HSBC 
  43 

EDA

  • (a) 도시 별 입지 기업 수 분포 | (b) 기업 별 입지 도시 수 분포

가중 이분 투영

  • 가중 이분 투영 실행 \(\mathbf{P} = \mathbf{B}\mathbf{B}'\) -> 도시 간 네트워크로
P <- B %*% t(B)
  • 대표 조합: 암스테르담 - 뉴욕
P["AMSTERDAM","NEW YORK"]  # 암스테르담과 뉴욕에 모두 있는 기업 수
[1] 26

기존 분석(global network centrality, GNC)의 한계

  • 기존 분석: GNC(도시에 연결된 엣지 가중치 총합)
sort(rowSums(P), decreasing = TRUE)[1:5]  # 연결 정도(degree) 상위 5개 도시 (GNC)
   LONDON  NEW YORK     PARIS HONG KONG SINGAPORE 
     1496      1403      1043      1032       913 
cor(rowSums(P), rowSums(B))  # 상관계수: 연결 정도와 기업 수
[1] 0.9767704
  • 중심 도시 = 기업 수가 많은 도시
    • 네트워크 분석이 필요한 결론은 아님

backbone을 이용한 세계 도시 네트워크 분석 - (2) 뼈대 추정하기

1. 전역 임계값 (universal threshold)

universal0 <- universal(B, upper = 0, bipartite = TRUE) 
table(universal0$backbone)

    0     1 
21506 16910 
mean(universal0$backbone)  # 밀도
[1] 0.4401812
sort(rowSums(universal0$backbone), decreasing = TRUE)[1:5]  # 연결 정도 상위 5개 도시
     LONDON    NEW YORK       PARIS   HONG KONG LOS ANGELES 
        191         185         175         171         171 
cor(rowSums(universal0$backbone), rowSums(B))  # 상관계수: 연결 정도와 기업 수
[1] 0.7407175
  • 공유 기업이 하나라도 있으면 연결
  • 조밀한(dense) 뼈대 (44% 유지)
  • 여전히 규모가 큰 도시가 상위 중심지로 보고됨 (\(r=0.74\))
universal25 <- universal(B, upper = 25, 
                            bipartite = TRUE)  
mean(universal25$backbone)  # 밀도
[1] 0.001665973
sort(rowSums(universal25$backbone), decreasing = TRUE)[1:5]  # 연결 정도 상위 5개 도시
   LONDON  NEW YORK HONG KONG     PARIS   CHICAGO 
       15        12         5         5         3 
cor(rowSums(universal25$backbone), rowSums(B))  # 상관계수: 연결 정도와 기업 수
[1] 0.8381523
  • 공유 기업이 25개 이상인 연결만 유지
  • 밀도 감소: 0.16%만 유지
  • 여전히 규모가 큰 도시가 상위 중심지 (\(r=0.84\))
universal.meansd <- universal(B, upper = function(x)mean(x)+2*sd(x), 
                                 bipartite = TRUE)
mean(universal.meansd$backbone)  # 밀도
[1] 0.03092461
sort(rowSums(universal.meansd$backbone), decreasing = TRUE)[1:5]  # 연결 정도 상위 5개 도시
   LONDON  NEW YORK HONG KONG     PARIS SINGAPORE 
       64        61        51        49        42 
cor(rowSums(universal.meansd$backbone), rowSums(B))  # 상관계수: 연결 정도와 기업 수
[1] 0.9655334
  • 평균 + 2\(\sigma\) 이상인 연결만 유지
  • 밀도: 3%; 여전히 기업 수가 많은 도시를 채택함

전역 임계값 방법의 한계

  • 도시별 기업 수를 통제하지 않음
  • 기업 수가 많은 도시가 높은 연결성을 지닌 것으로 채택됨
  • 기업 수의 분산이 클 때 EDA -> 통제 필요

무엇을 통제한 ’랜덤’인가?

  • “우연이라면 나올 수 있는” 가상의 \(\mathbf{B}\) 행렬 집합을 구성
  • p-value: 이 집합에서 \(\mathbf{B}^*\)를 하나 뽑았을 때 \(P^*_{AB}\)가 관측값 이상일 확률 -> 유의성 검정

\[ \mathbf{B} = \begin{array}{c|cccc|c} & 1 & 2 & 3 & 4 & \text{행합} \\ \hline A & 1&0&0&0 & 1 \\ B & 1&0&0&0 & 1 \\ C & 1&1&1&1 & 4 \\ D & 0&0&1&0 & 1 \\ E & 0&0&1&1 & 2 \\ \hline \text{열합} & 3 & 1 & 3 & 2 & \end{array} \]

  • HM: 행합만 고정
    • 가능한 행렬 4×4×1×4×6 = 384개
  • FDSM: 행합과 열합을 모두 정확히 고정
    • 가능한 행렬은 12개
  • SDSM: 행합과 열합이 평균적으로 맞도록
    • 5×4 이진행렬 220 = 1,048,576개 전부 후보
    • 합이 정확히 맞지 않는 행렬도 포함

기대 공유 계산: HM

Fig. 1의 \(\mathbf{B}\)와 \(\mathbf{P} = \mathbf{B}\mathbf{B}'\) (관측값 \(P_{AB} = 1\))

\[ \mathbf{B} = \begin{array}{c|cccc|c} & 1 & 2 & 3 & 4 & \text{행합} \\ \hline A & ? & ? & \cdots & ? & \bbox[#f5d0dc,2pt]{1} \\ B & ? & ? & \cdots & ? & \bbox[#f5d0dc,2pt]{1} \\ C & \vdots & \vdots & \ddots & \vdots & \bbox[#f5d0dc,2pt]{4} \\ D & & & & & \bbox[#f5d0dc,2pt]{1} \\ E & ? & ? & \cdots & ? & \bbox[#f5d0dc,2pt]{2} \\ \hline \text{열합} & ? & ? & \cdots & ? & \end{array} \] \[ \mathbf{P} = \begin{array}{c|ccccc}s & A & B & C & D & E \\ \hline A & ? & \bbox[#ffe680,2pt]{1} & ? & \cdots & ? \\ B & \bbox[#ffe680,2pt]{1} & ? & ? & \cdots & ? \\ C & \vdots & \vdots & \vdots & \ddots & \vdots \\ D & & & & & \\ E & ? & ? & ? & \cdots & ? \end{array} \]

행합만 고정

A와 B가 4개 중 1개를 독립적으로 고름

공유 수 \(X \sim \text{H}(N = 4,\ K = r_A,\ n = r_B)\)

\[ E[X] = \frac{r_A \, r_B}{N} = \frac{1 \times 1}{4} = 0.25 \]

\[ p = P(X \ge 1) = 1 - \frac{\binom{3}{1}}{\binom{4}{1}} = \frac{1}{4} = 0.25 \]

  • 의미: 도시별 기업 수가 지금과 같을 때, A, B 도시가 1개 기업 (관측값) 이상을 공유할 확률은 0.25

기대 공유 계산: FDSM

Fig. 1의 \(\mathbf{B}\)와 \(\mathbf{P} = \mathbf{B}\mathbf{B}'\) (관측값 \(P_{AB} = 1\))

\[ \mathbf{B} = \begin{array}{c|cccc|c} & 1 & 2 & 3 & 4 & \text{행합} \\ \hline A & ? & ? & \cdots & ? & \bbox[#f5d0dc,2pt]{1} \\ B & ? & ? & \cdots & ? & \bbox[#f5d0dc,2pt]{1} \\ C & \vdots & \vdots & \ddots & \vdots & \bbox[#f5d0dc,2pt]{4} \\ D & & & & & \bbox[#f5d0dc,2pt]{1} \\ E & ? & ? & \cdots & ? & \bbox[#f5d0dc,2pt]{2} \\ \hline \text{열합} & \bbox[#d0e4f5,2pt]{3} & \bbox[#d0e4f5,2pt]{1} & \bbox[#d0e4f5,2pt]{3} & \bbox[#d0e4f5,2pt]{2} & \end{array} \] \[ \mathbf{P} = \begin{array}{c|ccccc} & A & B & C & D & E \\ \hline A & ? & \bbox[#ffe680,2pt]{1} & ? & \cdots & ? \\ B & \bbox[#ffe680,2pt]{1} & ? & ? & \cdots & ? \\ C & \vdots & \vdots & \vdots & \ddots & \vdots \\ D & & & & & \\ E & ? & ? & ? & \cdots & ? \end{array} \]

행합과 열합을 모두 고정

C는 행합 4 -> 모든 기업에 고정됨
남은 열합 (3, 1, 3, 2) − 1 = (2, 0, 2, 1)

E의 선택 남은 열합 경우의 수 A–B 공유
{1, 3} (1, 1, 1) 3! = 6 0
{1, 4} (1, 2, 0) 3 1
{3, 4} (2, 1, 0) 3 1
합계 12 2

\[ E[X] = p = P(X \ge 1) = \frac{2}{12} \approx .17 \]

  • 의미: 도시별 기업 수와 기업별 입지 도시 수가 지금과 같을 때, A, B 도시가 1개 기업 (관측값) 이상을 공유할 확률은 0.17

모형별 귀무 분포 및 뼈대 추출

같은 관측값도 귀무모형에 따라 유의성이 달라짐

  • 검은 점선: 관측값 (암스테르담–뉴욕 26개 기업 공유)
  • 뼈대 추출: 관측값이 위쪽 기각역에 들면 엣지로 남김
  • 의미: “두 도시가 의미 있는 경제적 상호작용을 한다고 결론 내릴 만큼” 공유 기업이 많은 쌍만 이은 네트워크
  • 중심지: “경제적 상호작용 네트워크”에서 중심인 도시
  • 결과 지도: backbone_map

2. 초기하분포 모형 (hypergeometric model, HM)

  • 도시별 기업 수(행합) 통제
  • 암스테르담–뉴욕 공유 기업 수의 귀무분포 (α = 0.1, 양측검정 중 위쪽 꼬리만 사용)

2. 초기하분포 모형: 코드

hyper <- hyperg(B)
# hyper$summary
hyperbb <- backbone.extract(hyper, alpha = 0.1, signed = FALSE)
mean(hyperbb)  # 밀도
[1] 0.09225323
sort(rowSums(hyperbb), decreasing = TRUE)[1:5]  # 연결 정도 상위 5개 도시
INDIANAPOLIS     PORTLAND    MELBOURNE         LYON     AUCKLAND 
          60           54           52           49           44 
cor(rowSums(hyperbb), rowSums(B))  # 상관계수: 연결 정도와 기업 수
[1] 0.3039028

3. 고정 차수 수열 모형 (fixed degree sequence model, FDSM)

  • 도시별 기업 수(행합)와 기업별 입지 도시 수(열합)를 정확히 통제
  • 암스테르담–뉴욕 공유 기업 수의 귀무분포 (α = 0.1, 양측검정 중 위쪽 꼬리만 사용)

3. 고정 차수 수열 모형: 코드

set.seed(5)
fdsm <- fdsm(B, trials = 10000, progress = TRUE)
  |======================================================================| 100%
# fdsm$summary
fdsmbb <- backbone.extract(fdsm, alpha = 0.1, signed = FALSE)
mean(fdsmbb)  # 밀도
[1] 0.02202207
sort(rowSums(fdsmbb), decreasing = TRUE)[1:5]  # 연결 정도 상위 5개 도시
 KANSAS CITY    CHARLOTTE     RICHMOND INDIANAPOLIS     BORDEAUX 
          24           21           21           20           17 
cor(rowSums(fdsmbb), rowSums(B))  # 상관계수: 연결 정도와 기업 수
[1] -0.002749457

4. 확률적 차수 수열 모형 (stochastic degree sequence model, SDSM)

  • 도시별 기업 수(행합)와 기업별 입지 도시 수(열합)를 평균적으로 통제
  • 암스테르담–뉴욕 공유 기업 수의 귀무분포 (α = 0.2, 양측검정 중 위쪽 꼬리만 사용)

4. 확률적 차수 수열 모형: 코드

sdsm <- sdsm(B)
# sdsm$summary
sdsmbb <- backbone.extract(sdsm, alpha = 0.2, signed = FALSE, narrative = TRUE)
mean(sdsmbb)  # 밀도
[1] 0.01973136
sort(rowSums(sdsmbb), decreasing = TRUE)[1:5]  # 연결 정도 상위 5개 도시
 KANSAS CITY    CHARLOTTE     RICHMOND INDIANAPOLIS     BORDEAUX 
          24           21           20           18           17 
cor(rowSums(sdsmbb), rowSums(B))  # 상관계수: 연결 정도와 기업 수
[1] -0.1062661
cor(as.vector(fdsmbb),as.vector(sdsmbb))  # 상관계수: FDSM 뼈대와 SDSM 뼈대
[1] 0.9301515

논의

공간 네트워크 분석에서 이분 투영 활용 시의 주의점

  • 네트워크 구축은 이론에 근거해야 함
    • 아티팩트 공유가 왜, 어떤 상호작용을 뜻하는지 명시
  • 뼈대 추출 모형의 선택 기준 (논문 Fig. 4)
    • 전역 임계값: 행합과 열합 모두 차이가 없을 때
    • HM: 행합만 차이가 있고 열합은 고를 때
    • FDSM: 행합과 열합 모두 차이가 있을 때 (대부분의 실제 자료)
    • SDSM: FDSM과 같은 조건에서 자료가 클 때 (속도 개선)

한계점

  • 뼈대 추출 모형의 타당성 검증 부족
    • 독립적으로 측정한 ‘실제(true)’ 공간 네트워크와 비교 필요
    • e.g. 항공 교통 (Taylor et al. 2007), 은행 네트워크 (Pažitka et al. 2021)
  • 이진 행렬과 행렬 곱 투영만 다룸
    • GaWC 원자료의 사무소 규모(0–5점)를 버림
    • 조건부 확률, measures of interestingness 기반 투영에는 적용 불가
  • 소프트웨어 측면
    • 투영이 아닌 가중 네트워크(e.g. 교통량)에는 적용 불가
    • 모형 선택은 사용자 몫 (자동화 필요)

논평 및 질문 (1)

1. 이론의 타당성: 통계적 유의성이 해결해주지 않는 것

  • 검정은 “규모에 비해 많이 공유함”만 보여줌 -> “공유=상호작용”이라는 가정(이론)은 별개
    • Pažitka et al. (2021): 기업 입지 기반(OLA) 세계 도시 네트워크 비판
  • OLA 데이터 구성의 의문점
    • 국내 도시 간 연결(e.g. 캔자스 시티)도 세계 도시 간 상호작용으로 볼 수 있는가?
    • 기업의 국가별 사무소 수를 통제해야 할 필요 있지 않은가? (e.g. 삼성 -> 베이징 / 텐진)

논평 및 질문 (2)

2. 이진화 임계값에 대한 민감도 분석

  • \(\mathbf{P}\)의 임의 임계값은 비판하면서 \(\mathbf{B}\)는 “3 이상”으로 임의 이진화
  • 기준을 2 혹은 4 이상으로 바꾸면 뼈대와 상위 도시가 얼마나 달라지는가?

3. 규모를 통제한 결과의 해석

  • FDSM, SDSM 뼈대의 중심 도시는 중간 규모 지역 중심지 (e.g. 캔자스 시티)
  • 런던, 뉴욕 같은 최상위 도시는 상위권에서 사라짐: “세계 경제 상호작용의 중심지”라는 직관과 어긋남
  • 제한적 해석: “중요한 연결”이 아니라 “규모로 설명되지 않는 연결”이 아닐지?