[정치학/LLM] Benati et al (2025) 왜 어떤 사람들은 포퓰리스트 정당에 투표할까? 랜덤포레스트 +SMOTE 로 분석해보기 (Q&Q)

🌍 왜 어떤 사람들은 포퓰리스트 정당에 투표할까?

— 유럽 21개국을 대상으로, 최신 머신러닝 기법 ‘랜덤 포레스트’를 활용해 분석한 연구 소개

---

🧐 1. 이 연구가 다룬 문제는?

"왜 사람들은 포퓰리즘 정당에 투표할까?"

이 질문은 지난 몇 년 동안 유럽 정치학자들에게 가장 중요한 질문 중 하나였습니다. 브렉시트, 트럼프의 당선, 극우 정당의 급부상 등… 유럽과 미국을 포함한 여러 나라에서 기존 정당 체계가 흔들리고 있고, 그 중심에는 ‘포퓰리즘’(populism)이라는 키워드가 자리 잡고 있죠.

하지만 막상 "포퓰리즘이 뭐냐"고 물으면 학자들도 쉽게 정의를 내리기 어려워합니다. 예를 들어, 유명 정치학자인 Cas Mudde는 포퓰리즘을 "엘리트는 부패했고, 진정한 정치는 ‘순수한 국민(the pure people)’이 이끌어야 한다"는 식의 얇은(thin) 이데올로기라고 말합니다. 다시 말해, 포퓰리즘은 ‘무엇을 할 것인가’보다는 ‘누가 권력을 가져야 하는가’를 따지는 정치 스타일에 가깝다는 거죠.

그런데 문제는 이렇게 애매모호한 개념을 사람들이 실제로 어떻게 받아들이고, 어떤 이유로 포퓰리스트 정당에 투표하는지를 실증적으로 분석한 연구는 많지 않다는 것입니다. 더군다나 많은 연구가 유럽 전체를 한 묶음으로 보거나, 미국이나 네덜란드 같은 일부 국가에만 초점을 맞췄죠.

그래서 이 논문은 아주 명확한 질문 하나로 시작합니다:

“유럽 시민 중 누가, 어떤 태도나 의견 때문에, 포퓰리즘 정당을 지지하게 되는가?”

그리고 이 질문에 답하기 위해 연구진은 전통적인 회귀분석이 아닌, 머신러닝(Random Forests) 기법을 활용해 유럽 21개국 데이터를 분석했습니다. 목표는 ‘하나의 통합된 설명’을 찾는 게 아니라, 국가별로 다른 양상, 그리고 전체적으로 공통적인 예측 요소들을 동시에 찾아보는 것이었습니다.

---

📚 2. 기존 연구들은 뭐라고 했을까?

포퓰리즘을 분석한 기존 연구들은 크게 두 가지 방향으로 설명해왔습니다:
바로 경제적 원인과 문화적 요인입니다.

💸 경제적 요인: '상대적 박탈감'과 일자리 불안

경제적 접근은 이렇게 설명해요. 세계화로 인해 제조업이 신흥국으로 이전되면서, 서유럽의 저소득층은 일자리를 잃고 삶의 질이 하락하게 되죠. 이들은 기존 엘리트 정치인들에게 실망하고, 자신들의 불만을 대변해줄 수 있는 포퓰리즘 정당을 선택한다는 것입니다.

• 예를 들어, Burgoon et al. (2019)는 저소득층이 상대적 박탈감을 느끼고, 그 불만이 극우나 극좌 정당 지지로 이어진다고 분석했어요.
• Cena et al. (2023) 역시 포퓰리스트 정당 지지가 국가의 GDP 수준이나 개인의 경제적 불안정성과 관련이 있다는 점을 강조합니다.
• Hartmann et al. (2022)는 독일 사례에서 계층 이동이 어려운 사람들, 특히 경제적으로 ‘패배자’가 된 이들이 극우 정당을 지지한다고 주장했죠.

하지만 이런 설명에는 한계도 있어요. 최근 연구들에서는 경제적 요인보다 문화적 갈등이 더 중요한 예측 변수라는 반론이 많아지고 있거든요.

---

🏛️ 문화적 요인: ‘전통적 가치’의 반격

문화적 접근은 이렇게 설명합니다. 전통적인 가치관을 가진 사람들이, 사회가 급격히 변하고 있다는 불안감에 반응하여 포퓰리즘을 지지하게 된다는 거예요. 이를 흔히 "문화적 반격(cultural backlash)" 이론이라고 부릅니다.

• Inglehart & Norris (2016)는 이 아이디어의 대표적인 학자들인데요, 그들은 포퓰리즘이 주로 전통적인 문화가 위협받는 데서 비롯된 반응이라고 말합니다.
• 예를 들어, Brady et al. (2020)는 주류 정당들이 이민 정책에 있어 국민 정서를 제대로 대변하지 못할 때, 사람들이 극단적 정당으로 옮겨간다고 설명했어요.
• Maier et al. (2023)는 이민자에 대한 부정적 태도와 포퓰리즘 정당 지지가 명확히 연결된다고 밝혔고,
• Shehaj et al. (2021)는 이민이 증가할 때 포퓰리즘 우파 정당의 지지율이 높아진다는 점을 실증적으로 보여줬어요.

---

🧩 그리고 또 하나의 질문: "포퓰리스트 유권자는 한 가지 유형인가?"

기존 연구들 중 일부는 포퓰리즘 유권자가 어느 정도 공통된 특성을 가지고 있다고 주장하지만, 또 다른 연구들은 "국가별로 너무 달라서 일반화할 수 없다"는 결론을 내리기도 했어요.

• Akkerman et al. (2014)는 네덜란드 데이터를 가지고 정치 성향을 세 가지 차원(포퓰리즘-엘리트주의-코스모폴리턴)으로 구분했지만, 이건 한 나라의 이야기일 뿐이고요.
• 반면 Rooduijn (2018)은 유럽 15개국을 비교하면서, “전형적인 포퓰리스트 유권자는 존재하지 않는다”는 결론을 내립니다. 예를 들어 어떤 나라의 포퓰리스트는 정부에 만족하지만, 다른 나라에선 정부를 불신하거든요.

또한 기존 대부분 연구는 회귀분석 같은 통계 기법을 사용했는데, 이 방식은 국가별 맥락 차이를 무시하거나 일괄 적용된 모델로 분석하는 한계가 있었어요.

---

그래서 이 연구가 왜 중요한가?

바로 여기에서 이 논문이 새로운 길을 열어줍니다.

• 국가별로 포퓰리즘 유권자의 특성이 어떻게 다른지, 머신러닝을 통해 탐색
• 통계적 가정 없이, 가능한 모든 변수(설문 문항)를 그대로 투입하여 포퓰리즘 예측에 어떤 변수가 중요한지를 데이터가 말하게 함
• 기존 연구들이 미처 발견하지 못했던 변수들도 새롭게 발굴 가능

---

 

🧠 3. 이 연구는 어떤 이론적 아이디어를 갖고 있었을까?

이 연구가 시작된 기본 가정은 아주 간단하지만, 강력합니다.

“포퓰리즘은 유럽 전역에서 나타나는 전 세계적 현상이지만, 그 이유는 나라별로 다를 수 있다.”

과거의 연구들은 "경제 불만", "문화 갈등" 같은 몇 가지 주요 변수들을 중심으로 모든 유럽 국가를 하나의 모델로 분석하려는 경향이 있었어요. 이를 통해 ‘보편적인 원인’을 찾으려고 한 것이죠.

하지만 이 연구는 다른 방향을 택합니다.
"국가마다 포퓰리즘 유권자가 다른 특성을 가질 수 있다면, 굳이 하나의 회귀 모델로 모든 나라를 설명하려고 할 필요가 없지 않을까?"

예를 들어 볼게요.

• 폴란드처럼 보수적인 종교 기반이 강한 나라에서는 ‘전통적 가치’가 포퓰리즘 지지의 핵심일 수 있고,
• 프랑스처럼 시민들이 민주주의에 대한 불신을 강하게 느끼는 곳에서는 ‘제도에 대한 불만’이 포퓰리즘의 촉매제가 될 수 있죠.

즉, 이 연구는 포퓰리즘을 설명할 ‘하나의 정답’을 찾는 게 아니라, 나라별 맥락을 반영하면서 동시에 공통 요소도 찾아보자는 아이디어를 가지고 있었어요.

그리고 이런 연구 설계의 방향성은 다음과 같은 이론적 관점들과도 맞닿아 있어요:

• "수요측(populist demand)" 접근: 포퓰리즘 정당이 어떤 공약을 내놓는지(supply side)보다, 유권자들이 어떤 사회적 감정이나 태도를 가지고 있는지(demand side)에 집중하자.
• "이질적 맥락(historical contingency)" 강조: 모든 나라가 같은 궤적을 걷는 것은 아니며, 역사적·사회문화적 차이에 따라 포퓰리즘의 양상도 다르다는 점을 인정하자.

그래서 이 연구는 "통합된 이론 → 변수 선택 → 회귀분석"이라는 전통적 접근 대신, 머신러닝을 이용한 '데이터 중심' 방식으로 국가별 다양성과 공통점을 동시에 탐색해보려 한 거예요.

---

🧪 4. 사용된 데이터와 방법론은?

📊 데이터: 유럽 가치 조사 (European Values Survey, EVS)

분석에 사용된 데이터는 EVS 7차 조사 (2017–2020)예요. 이 조사는 유럽 21개국에서 수만 명의 시민을 대상으로, 다음과 같은 주제에 대해 질문했어요.

• 정치적 태도 (정부 신뢰, 민주주의 만족도 등)
• 경제적 상황 (소득, 직업)
• 문화적 가치 (종교, 낙태, 성소수자 인식 등)
• 이민자에 대한 생각
• 사회적 신뢰

그리고 "당신이 가장 선호하는 정당은 어디인가요?"라는 문항을 통해 각 응답자가 지지하는 정당을 확인했어요. 이후 연구진은 기존 연구(예: Rooduijn et al. 2019, Norris 2020)를 참고해 각 정당이 포퓰리스트인지 아닌지 분류했습니다.

📝 분류 기준은 다음과 같아요:

• The PopuList: 유럽 각국의 포퓰리스트 정당을 정리한 데이터셋.
• Norris & Inglehart (2019): ‘포퓰리스트 점수’가 50 이상이면 포퓰리스트 정당으로 분류.
• Global Party Survey: 포퓰리즘 성향을 4단계로 평가. 3점 이상이면 포퓰리스트.

이 과정을 통해 응답자들이 포퓰리스트 정당 지지자인지 여부를 알 수 있게 되었죠.

 

🧠 분석 방법: 랜덤 포레스트(Random Forests) — 데이터가 직접 말하게 하다

---

“유럽 시민 중 누가 포퓰리스트 정당을 지지하는가?”
이 질문에 답하기 위해 이 연구진은 전통적인 회귀분석 대신 랜덤 포레스트(random forests)라는 머신러닝 기법을 선택했습니다.

왜 그랬을까요? 이유는 간단합니다.
"변수가 너무 많고 복잡해서 전통적 통계 방법으로는 다루기 어렵기 때문"이죠.

---

📌 랜덤 포레스트란, 정확히 뭐지?

랜덤 포레스트는 머신러닝 분야에서 자주 쓰이는 예측 모델 중 하나예요.
기본 아이디어는 아주 직관적입니다:

여러 개의 ‘결정 트리(decision tree)’를 만든 다음,
그 트리들이 내린 판단을 투표처럼 모아서 최종 결정을 내린다.

쉽게 말해,

• 트리 A: “이 사람, 포퓰리스트 지지자야”
• 트리 B: “아니야, 아닐걸?”
• 트리 C: “포퓰리스트 맞아”
  …
  이런 식으로 500개의 트리가 각각 판단하고,
  다수결로 결과를 정하는 방식입니다. 그래서 이름도 ‘forest(숲)’입니다. 트리가 많으니까요! 🌳🌳🌳

---

🔍 논문에서는 이걸 어떻게 사용했을까?

이 연구의 목표는 단순히 “포퓰리스트인지 아닌지”만 알아내는 게 아니라,
"수많은 설문 문항 중 어떤 태도와 의견이 포퓰리스트 투표를 가장 잘 예측하는지"를 찾아내는 데 있었어요.

그래서 연구진은 다음과 같은 방식으로 랜덤 포레스트를 활용했어요.

---

✅ STEP 1: 국가별로 따로 모델 만들기

• 분석 대상: 유럽 21개국
• 국가별로 랜덤 포레스트 모델을 따로 훈련시켰습니다.
• 이유는?
  → 포퓰리즘 유권자의 성격은 나라에 따라 완전히 다르기 때문이에요.
  (예: 폴란드는 종교적 보수, 프랑스는 민주주의 실망)

---

✅ STEP 2: 데이터 전처리

• 사용한 변수:
  모든 설문 문항 + 인구통계 정보(나이, 소득, 직업 등) → 사전 변수 선택 없이 "전부 다 투입"합니다.
• 이유는?
  → “어떤 문항이 중요한지 미리 판단하지 않고, 데이터가 직접 말하게 하자”는 접근이에요.

---

✅ STEP 3: 모델 세팅

• 트리 개수: 500개 → 트리 수가 너무 적으면 예측이 불안정하고, 너무 많으면 계산이 오래 걸려요. 500은 적절한 타협선.
• 분기(split) 시 고려할 변수 수: 약 10개 → 이는 전체 변수 수의 제곱근 정도로, 랜덤성을 부여해서 과적합(overfitting)을 방지합니다.
• 사용 프로그램:
  • R 4.1.3
  • randomForest 패키지 (4.7-1.1)
  • randomForestExplainer 패키지 (0.10.1)

---

✅ STEP 4: 평가 방법 — 이 모델이 얼마나 잘 작동하는가?

🔎 1. Out-of-Bag Error Rate (OOB 에러율)

• 각 트리가 학습되지 않은 데이터를 가지고 예측을 해보고,
• 그 예측이 실제와 얼마나 맞는지를 측정
• 예:
  • 폴란드: 17.8% 에러율 → 비교적 정확
  • 프랑스: 26.4% 에러율 → 예측이 더 어려움

🔎 2. Confusion Matrix (혼동 행렬)

• 포퓰리스트와 비포퓰리스트를 맞춘 비율을 따로 계산
• 발견:
  • 소수 클래스(포퓰리스트)는 예측이 어렵고,
  • 다수 클래스(비포퓰리스트)는 예측이 쉬움
    → 이 문제를 SMOTE로 보완 (이건 다음에 다시 설명)

🔎 3. 변수 중요도 분석 (Variable Importance)

• 각 변수(설문 문항)가 예측 정확도에 얼마나 기여했는지를 수치로 계산
• 두 가지 방식 사용:
  • Mean Decrease in Accuracy: 변수를 바꿨을 때 예측 정확도가 얼마나 떨어지는지
  • Minimal Depth: 결정 트리에서 얼마나 일찍 쓰였는지
    → 루트 노드 근처에서 쓰인 변수일수록 중요도가 높음

---

🎯 이 방식의 장점은?

전통 통계 (예: 회귀분석)랜덤 포레스트

변수 선택 필요함	변수 전부 투입 가능
선형 관계만 가정	비선형 관계도 탐지 가능
결과 해석 쉬움	해석은 어렵지만 예측 정확도 높음
작은 변수 수 유리	수십~수백 개도 문제 없음
다국가 분석 시 동일 모델	국가별로 맞춤형 모델 가능

이 연구에서는 바로 이 마지막 장점—“국가별 맞춤 분석”—때문에 랜덤 포레스트를 선택했어요.

---

🔍 사례: 폴란드 vs 프랑스

• 폴란드에서는 종교적 전통, 정부 신뢰가 중요한 변수였고,
  → 포퓰리스트 지지자가 현재 정부에 만족하고 있었음
• 프랑스에서는 민주주의 실망감, 부정선거 인식이 중요 변수였고,
  → 포퓰리스트 지지자는 현재 정치 시스템에 대해 불만을 가지고 있었음

같은 분석 기법을 써도 나라에 따라 완전히 다른 결과가 나왔다는 점,
그리고 이걸 미리 예측 변수 고르지 않고 랜덤 포레스트로 통째로 탐색했다는 점이 이 연구의 큰 장점이에요.

---

📌 요약 정리

항목설명

기법 이름	랜덤 포레스트(Random Forests)
핵심 아이디어	수백 개의 결정 트리들이 투표하듯 예측
왜 썼나?	사전 변수 선택 없이, 국가별 다양성 반영 가능
구체적 설정	트리 500개, 변수 10개씩 무작위 분기
평가 지표	OOB 에러율, 혼동 행렬, 변수 중요도 지표
결과	유럽 국가마다 다른 예측 변수 발견 + 공통 변수도 추출 가능

 

---

⚠️ 추가 기법: 데이터 불균형 보정 (SMOTE)

— "포퓰리스트가 너무 적어서, 예측이 틀려도 정확도가 높다고요?"

---

머신러닝을 사용할 때, '정확도(accuracy)'가 높다 = 좋은 모델이다'라고 생각하기 쉽죠.
하지만 경우에 따라, 이 정확도는 속임수에 가까울 때도 있습니다.

예를 들어볼게요.

프랑스 유권자 1000명 중, 포퓰리스트 지지자는 200명(20%)이고
나머지 800명(80%)은 비포퓰리스트라고 해볼게요.

이럴 때, 모델이 무조건 "비포퓰리스트"라고만 예측해도 정확도는 무려 80%입니다!
하지만 이 모델은 포퓰리스트를 한 명도 맞추지 못한 셈이죠. 이게 바로 데이터 불균형 문제입니다.

이 논문에서는 유럽 21개국을 대상으로 분석했는데요, 나라에 따라 포퓰리스트 유권자 비율이 극단적으로 작은 경우도 있었어요. 예를 들어:

• 스웨덴: 포퓰리스트 유권자가 전체의 10% 미만
• 영국: 비포퓰리스트가 소수

이런 상황에서는 머신러닝 알고리즘이 "다수 클래스에 편향되기 쉽고",
결국 소수 클래스(포퓰리스트)를 거의 예측하지 못하는 모델이 만들어질 수 있어요.

---

💡 이 문제를 해결하는 기법: SMOTE (스모트)

이 연구에서 도입한 해결책은 바로 SMOTE,
정식 명칭은 Synthetic Minority Over-sampling Technique입니다.

한마디로 요약하면:

“포퓰리스트 유권자가 너무 적다면, 인공적으로 그 수를 늘려서 균형 잡힌 데이터를 만들자!”

 

---

📐 SMOTE는 어떻게 작동하나요?

이해를 돕기 위해 간단한 비유로 설명해볼게요.

---

🧍‍♂️ Step 1: 소수 클래스 중 한 명을 고른다 (예: 포퓰리스트 A)

👯‍♀️ Step 2: 그 사람과 비슷한 다른 포퓰리스트 5명을 찾는다

(가까운 이웃들을 찾는 것 = K-최근접 이웃(KNN) 방식)

✨ Step 3: 중간값으로 새로운 포퓰리스트 B'를 만든다

예:

• A의 나이: 40세, B의 나이: 30세
  → 새로운 B'의 나이는 35세
• A는 “정부에 대한 신뢰 = 보통”, B는 “매우 낮음”
  → B'는 “조금 낮음”

이런 방식으로 기존 포퓰리스트 응답자들을 조합해 만든 ‘가상의 포퓰리스트’ 데이터를 추가 생성하는 거예요.

---

🧠 왜 이게 효과적일까?

• 소수 클래스(포퓰리스트)가 훈련 데이터에서 충분히 반영되지 못할 문제를 해결해 줍니다.
• 기존처럼 단순히 같은 응답을 복사(copy)하지 않고, 실제 포퓰리스트 간의 특성을 평균화해 만든 인공 데이터이기 때문에 과적합(overfitting) 위험도 줄일 수 있어요.

---

📌 이 논문에서 SMOTE는 어떻게 사용됐을까?

연구진은 국가별 데이터에 대해 다음과 같은 절차로 분석을 진행했습니다.

✅ STEP 1: 데이터를 훈련용과 테스트용으로 분할

• 전체 데이터를 80% 훈련용 / 20% 테스트용으로 나눔

✅ STEP 2: 두 가지 버전의 훈련 데이터 준비

1. 그냥 원래 데이터 그대로 (imbalanced)
2. SMOTE로 균형 맞춘 데이터 (balanced)

→ 이 두 가지 버전에 대해 랜덤 포레스트 모델을 각각 학습시켜 비교함

---

📈 평가 지표: 단순 정확도 외에도 다양한 지표 사용

지표 이름의미

Accuracy	전체 예측이 얼마나 맞았는지 (하지만 불균형일 땐 오해 소지 있음)
Sensitivity	포퓰리스트를 맞춘 비율 (True Positive Rate)
Specificity	비포퓰리스트를 맞춘 비율 (True Negative Rate)
Balanced Accuracy	Sensitivity와 Specificity의 평균

---

💥 SMOTE의 효과: 실제 예시

🇸🇪 스웨덴

• 불균형 데이터로 학습:
  • 포퓰리스트 예측 성공률 = 7%
• SMOTE 적용 후:
  • 포퓰리스트 예측 성공률 = 21%
• 전체 정확도는 그대로(92%)지만, 포퓰리스트 예측이 3배 향상!

🇬🇧 영국

• 원래 데이터:
  • Accuracy: 78%
  • 비포퓰리스트 예측: 2%
• SMOTE 적용 후:
  • Accuracy: 77%
  • 비포퓰리스트 예측: 17% → 전체 정확도는 약간 떨어졌지만, 소수 클래스 예측력이 비약적으로 향상

---

🧩 결론: SMOTE는 필수였던 보완장치

이 연구가 "포퓰리스트 유권자"를 예측하려 했다는 점에서,
SMOTE는 단순한 성능 향상을 넘어서 연구의 핵심 목적을 실현할 수 있게 해준 핵심 기법이었어요.

• 소수 클래스인 포퓰리스트 유권자를 무시하지 않고,
• 정확하고 균형 있는 예측 모델을 훈련시킬 수 있도록 도와줬습니다.

---

📌 요약 정리

항목내용

기법 이름	SMOTE (Synthetic Minority Over-sampling Technique)
왜 필요했나?	유럽 각국에서 포퓰리스트 유권자가 소수인 경우가 많았기 때문
어떻게 작동하나?	기존 소수 응답자들 간의 중간값을 이용해 가상의 데이터 생성
어디에 적용했나?	유럽 21개국의 훈련 데이터에 모두 적용 후 랜덤 포레스트로 예측
효과는?	포퓰리스트 예측률이 모든 국가에서 상승, 균형 정확도 개선

 

---

🧾 이 논문의 실제 결과 요약

— 유럽 시민들이 왜 포퓰리즘 정당을 지지하는지, 나라별로 무엇이 달랐을까?

---

1️⃣ 🇵🇱 폴란드 vs 🇫🇷 프랑스: 두 나라의 포퓰리즘은 완전히 달랐다

연구진은 먼저 폴란드와 프랑스를 사례 국가로 선정해, 랜덤 포레스트를 적용했습니다.
두 나라 모두 포퓰리스트 유권자 수가 꽤 많았고, 정치적 맥락도 흥미로웠기 때문이에요.

---

🇵🇱 폴란드: 보수주의 + 종교 + 친정부 성향

• 포퓰리스트 지지자는 오히려 정치 체제에 만족하고, 정부를 신뢰하는 경향이 강했어요. → 이건 폴란드가 당시 포퓰리스트 정당이 집권 중이었기 때문으로 해석됨
• 가장 중요한 예측 변수:
  1. 현재의 민주주의 수준 평가(dmc_cnt)
  2. 정치 체제 만족도(ps_sat)
  3. 정부 신뢰도(c_gvr)
• 문화적 가치도 매우 중요했어요:
  • 동성 부부의 양육 반대(hom_prn)
  • 낙태 반대(js_abr)
  • 교회 신뢰도(c_chr)

👉 요약하자면, 폴란드의 포퓰리즘은 반엘리트적이라기보다는, 전통적 가치와 종교에 기반한 보수주의에 가까웠습니다.

---

🇫🇷 프랑스: 정치 불신 + 제도에 대한 실망

• 프랑스의 포퓰리스트 지지자는 정부에 대한 신뢰가 낮고,
  민주주의가 제대로 작동하지 않는다고 느끼는 경향이 강했습니다.
• 가장 중요한 예측 변수:
  1. 정부 신뢰도(c_gvr)
  2. 민주주의 만족도(ps_sat)
  3. 선거 조작 인식(el_rch, el_opp)
  4. TV 뉴스 편향(el_tv)
• 흥미로운 포인트:
  • 군부 통치가 더 낫다고 생각하는 태도(ps_arm) 도 포퓰리스트 지지자 사이에서 더 강하게 나타남

👉 요약하면, **프랑스의 포퓰리즘은 제도적 불신과 민주주의 실망감에서 비롯된 ‘분노형 포퓰리즘’**이었습니다.

---

2️⃣ 🌍 유럽 전체에서 나타난 ‘공통 예측 변수’ (Global Predictors)

다음으로 연구진은 유럽 21개국 전체에 랜덤 포레스트를 적용하고, 각 나라에서 상위 15위 안에 들었던 예측 변수들을 비교했습니다.

📌 공통적으로 중요한 변수들(15개):

순위변수 이름설명

1	pol_sp	정치적 자기 위치 (좌우 스펙트럼)
2	imp_imm	이민자에 대한 인식
3	ps_sat	정치 체제에 대한 만족도
4	c_eu1	EU에 대한 신뢰
5	c_gvr	정부에 대한 신뢰
6	pol_rad	정치적 극단성 (중도에서 얼마나 멀리 떨어졌는지)
7	age	연령
8	dmc_cnt	현재 국가의 민주주의 수준 평가
9	hom_prn	동성 부부 양육에 대한 의견
10	c_prl	국회에 대한 신뢰
11	job_ntn	자국민 고용 우선 정책 지지 여부
12	plc_prpt	민간기업 vs 국가 소유 선호도
13	incm_lvl	소득 수준
14	plc_rspn	정부 책임 vs 시민 책임 선호도
15	js_abr	낙태 정당화 여부

---

🔍 주요 해석

• 이민자 이슈: imp_imm, job_ntn이 상위권 → 이민자에 대한 부정적 인식은 거의 모든 나라에서 포퓰리스트 지지와 관련 있음.
• 정치적 위치: pol_sp와 pol_rad가 동시에 상위 → 좌우 어느 쪽이든 극단적인 성향일수록 포퓰리즘 지지 가능성 ↑
• 제도 불신: ps_sat, dmc_cnt, c_gvr, c_prl → 정치 제도에 대한 신뢰가 낮을수록 포퓰리스트 지지 경향 강함
• 문화 보수주의: hom_prn, js_abr → 일부 국가에서 전통적인 가족 가치나 낙태 반대가 포퓰리스트 지지를 예측
• EU에 대한 회의: c_eu1도 중요하게 등장 → 유럽 통합에 대한 회의는 포퓰리즘의 공통 기반 중 하나

---

3️⃣ 🧭 국가마다 중요한 '특화 변수' (Local Predictors)

한편, 모든 국가에서 공통적으로 중요하지는 않지만, 특정 국가에서만 핵심적이었던 변수들도 따로 분석했어요.

📌 자주 등장한 지역별 특화 변수:

변수 이름설명등장 국가 수

c_chr	교회 신뢰도	8개국
imp_rlg	종교의 중요성	6개국
js_sex	우연한 성관계 정당화	5개국
js_dthp	사형 정당화	5개국
prd	국가에 대한 자부심	5개국
el_fair	선거의 공정성 인식	7개국
c_cvl	공무원 시스템에 대한 신뢰	6개국

👉 이 변수들은 보통 특정한 역사적·문화적 맥락을 가진 국가에서 포퓰리스트 지지를 잘 설명해주는 요소들이에요.

예를 들어:

• 사형 찬성은 비종교적 극우 포퓰리즘과 관련
• 종교 가치는 폴란드·헝가리 등 동유럽 보수주의 포퓰리즘과 연결
• 공무원/선거 시스템 불신은 서유럽의 반체제 포퓰리즘과 연결

---

🔚 최종 정리: 이 연구의 핵심 발견은?

포인트설명

포퓰리즘 유권자는 국가마다 다르다	프랑스 vs 폴란드만 봐도 완전히 다름
공통 요소도 분명히 존재	이민자 태도, 정치 불신, 정치적 극단성 등
종교와 문화는 일부 국가에서만 핵심	유럽 전체의 일반화에는 무리
포퓰리스트는 늘 민주주의를 싫어하지 않는다	포퓰리즘 집권 국가에서는 체제 만족도가 높게 나올 수도
랜덤 포레스트 + SMOTE = 강력한 탐색 도구	변수 간 복잡한 상호작용과 국가별 차이를 잘 포착