SIR 모델

작성자

익명

작성일

2026.08.07

조회수

버전

📋 문서 버전

이 문서는 2개의 버전이 있습니다. 현재 최신 버전을 보고 있습니다.

SIR 모델 (SIR Model)

1. 개요

SIR 모델은 전염병의 확산 과정을 수학적으로 모델링하기 위해 인구를 세 가지 상태(Susceptible, Infectious, Recovered)로 구분하여 시간에 따른 변화를 분석하는 구획 모델(Compartmental Model)의 가장 기본적인 형태이다. 이 모델은 특정 인구 집단 내에서 감염병이 어떻게 전파되는지 시뮬레이션하며, 최종적으로 얼마나 많은 사람이 감염될 것인지(감염 규모), 감염자 수가 최대치에 도달하는 시점은 언제인지(정점 시기) 등의 핵심적인 역학적 질문에 답하는 것을 목적으로 한다.

2. 모델의 기본 구조

SIR 모델은 전체 인구($N$)를 감염 상태에 따라 다음과 같이 세 가지 그룹으로 분류한다.

2.1 상태 정의 및 특징

상태	명칭	정의	특징
S	감염 가능군 (Susceptible)	아직 병원체에 감염되지 않았으나, 감염될 가능성이 있는 집단	감염자와 접촉 시 확률적으로 $I$ 상태로 전이됨
I	감염군 (Infectious)	병원체에 감염되어 다른 사람에게 병을 전파할 수 있는 집단	일정 시간이 지나면 회복되거나 사망하여 $R$ 상태로 전이됨
R	회복/제거군 (Recovered/Removed)	회복 후 면역을 획득했거나, 사망하여 더 이상 전파 가능성이 없는 집단	다시 $S$ 상태로 돌아가지 않는다고 가정함 (영구 면역)

2.2 상태 전이 흐름도

인구는 다음과 같은 단방향 흐름을 따라 상태가 변화한다.

$$S \xrightarrow{\text{감염}} I \xrightarrow{\text{회복/제거}} R$$

$S \to I$: 감염 가능자가 감염자와 접촉하여 병원체에 노출될 때 발생한다.
$I \to R$: 감염자가 치료를 통해 회복되거나 사망하여 전염력을 상실할 때 발생한다.

3. 전제 조건 (Assumptions)

기본 SIR 모델이 성립하기 위해서는 다음과 같은 단순화된 가정이 필요하다.

폐쇄 집단 (Closed Population): 분석 기간 동안 출생, 자연사, 이민 등으로 인한 인구 변동이 없다고 가정한다. 즉, $S(t) + I(t) + R(t) = N$ (상수)이다.
균일한 혼합 (Homogeneous Mixing): 모든 개체는 동일한 확률로 서로 접촉하며, 특정 지역이나 집단에 치우치지 않고 무작위로 섞인다고 가정한다.
즉각적인 전염성: 감염된 즉시 타인에게 전파할 수 있는 능력을 갖춘다고 가정한다 (잠복기 무시).
영구 면역: 한 번 회복된 개체는 다시 감염되지 않는 완전한 면역력을 갖는다고 가정한다.

4. 수학적 원리와 미분 방정식

SIR 모델은 시간에 따른 각 집단의 인구수 변화를 세 개의 상미분 방정식(Ordinary Differential Equations, ODE)으로 표현한다.

4.1 지배 방정식

$$\frac{dS}{dt} = -\frac{\beta S I}{N} \quad \text{(감염 가능군의 감소율)}$$ $$\frac{dI}{dt} = \frac{\beta S I}{N} - \gamma I \quad \text{(신규 감염자 유입 및 회복자 유출에 따른 감염군 변화율)}$$ $$\frac{dR}{dt} = \gamma I \quad \text{(회복/제거군의 증가율)}$$

4.2 파라미터 설명

$\beta$ (감염률, Transmission Rate): 감염자와 감염 가능자가 접촉했을 때 질병이 전파될 확률과 접촉 빈도의 곱이다. $\frac{\beta S I}{N}$ 항은 단위 시간당 $S$에서 $I$로 이동하는 인구수를 의미한다.
$\gamma$ (회복률, Recovery Rate): 감염자가 회복되어 $R$ 상태로 전이되는 속도이다. $\frac{1}{\gamma}$은 평균 감염 기간(Infectious Period)을 의미한다. 예를 들어, 평균 감염 기간이 10일이라면 $\gamma = 0.1$이 된다.

4.3 Python 구현 예제

<a href="/doc/%EA%B8%B0%EC%88%A0/%EB%8D%B0%EC%9D%B4%ED%84%B0%EA%B3%BC%ED%95%99/%EB%B6%84%EC%84%9D/scipy" class="wiki-link">scipy</a> 라이브러리를 사용하여 SIR 모델을 시뮬레이션하는 기본 코드이다.

import numpy as np
from scipy.integrate import odeint
import matplotlib.pyplot as plt

# SIR 모델 미분 방정식 정의
def sir_model(y, t, N, beta, gamma):
    S, I, R = y
    dSdt = -beta * S * I / N
    dIdt = beta * S * I / N - gamma * I
    dRdt = gamma * I
    return [dSdt, dIdt, dRdt]

# 초기 조건 및 파라미터
N = 1000          # 전체 인구
I0 = 1            # 초기 감염자 수
R0 = 0            # 초기 회복자 수
S0 = N - I0 - R0  # 초기 감염 가능자 수
beta = 0.3        # 감염률
gamma = 0.1       # 회복률
days = 160        # 시뮬레이션 기간(일 단위)
t = np.linspace(0, days, days)

# 미분 방정식 풀이
solution = odeint(sir_model, [S0, I0, R0], t, args=(N, beta, gamma))
S, I, R = solution.T

# 결과 시각화
plt.figure(figsize=(10, 6))
plt.plot(t, S, label='Susceptible')
plt.plot(t, I, label='Infectious')
plt.plot(t, R, label='Recovered')
plt.title('SIR Model Simulation')
plt.xlabel('Days')
plt.ylabel('Population')
plt.legend()
plt.grid(True)
plt.show()

5. 핵심 지표: 기초 재생산 수 ($R_0$)

기초 재생산 수(Basic Reproduction Number, $R_0$)는 모든 인구가 감염 가능 상태($S \approx N$)일 때, 한 명의 감염자가 감염 가능 기간 동안 직접 감염시키는 평균 인원수를 의미한다.

5.1 계산식

$$R_0 = \frac{\beta}{\gamma}$$

5.2 임계점 원리와 유행 여부 판정 기준

$R_0$ 값은 전염병의 확산 여부를 결정하는 결정적인 임계값 역할을 한다.

$R_0 > 1$: $\frac{dI}{dt} > 0$이 되어 감염자 수가 기하급수적으로 증가하며 유행(Epidemic)이 발생한다. $R_0$ 값이 클수록 감염 정점(Peak)이 빠르게 나타나고 정점의 높이가 높아진다.
$R_0 < 1$: $\frac{dI}{dt} < 0$이 되어 새로운 감염자 발생보다 회복자 발생이 더 많으므로, 질병은 자연스럽게 소멸한다.
$R_0 = 1$: 감염자 수가 증가하지도 감소하지도 않는 임계 상태이며, 유행이 확산되지 않는 경계점이다.

$R_0$ 값	감염 곡선(I)의 형태	결과
$R_0 \ll 1$	급격한 하강 곡선	즉각적인 소멸
$R_0 \approx 1$	완만한 하강 또는 유지	낮은 수준의 확산 후 소멸
$R_0 > 1$	종 모양의 급격한 상승 후 하강	대규모 유행 발생

6. 모델의 한계 및 확장 모델

기본 SIR 모델은 단순하여 계산이 빠르지만, 실제 복잡한 전염병 양상을 모두 반영하지 못하는 한계가 있다.

6.1 기본 모델의 한계

잠복기 무시: 감염 직후 바로 전파된다고 가정하지만, 실제로는 증상 발현 전 잠복기가 존재한다.
균일 접촉 가정: 실제 인구는 나이, 지역, 사회적 관계에 따라 접촉 빈도가 다르다.
면역 상실: 시간이 지나 면역력이 떨어져 다시 감염되는 경우를 반영하지 못한다.

6.2 확장 모델과의 차이점

기본 SIR 모델의 한계를 극복하기 위해 상태 변수를 추가하거나 전이 경로를 변경한 확장 모델들이 사용된다.

모델	추가/변경 사항	특징
SEIR	E (Exposed, 노출군) 추가	잠복기(Latent Period)를 반영하기 위해 노출군(Exposed) 단계 추가
SIS	R $\to$ S 전이 허용	회복 후 면역이 생기지 않아 다시 감염 가능 (예: 감기)
SIRS	R $\to$ S (시간 지연)	면역이 일정 기간 유지되다가 점차 사라지는 경우 반영
SEIRS	E 추가 + R $\to$ S	잠복기와 면역 상실을 모두 고려한 복합 모델

7. 실제 적용 및 활용 사례

SIR 모델은 공중보건 정책을 수립하는 데 핵심적인 근거를 제공한다. 특히 감염률 $\beta$를 조절하여 전염병의 피해를 최소화하는 전략이 중요하다.

7.1 커브 플래트닝 (Curve Flattening)

커브 플래트닝이란 감염자 수의 정점을 낮추고 그 시기를 뒤로 늦추는 전략이다. 이는 의료 시스템의 수용 가능 용량(Healthcare Capacity)을 초과하여 의료 붕괴가 일어나는 것을 막기 위함이다.

사회적 거리두기 및 마스크 착용: 접촉 빈도와 전파 확률을 낮추어 $\beta$ 값을 감소시킨다. 결과적으로 $R_0$를 낮추어 감염 곡선의 기울기를 완만하게 만든다.
백신 접종: 감염 가능군($S$)의 인구를 강제로 회복/면역군($R$)으로 이동시킨다. 이는 $S$의 크기를 줄여 $\frac{\beta S I}{N}$ 값을 낮춤으로써 집단 면역(Herd Immunity) 상태에 도달하게 한다.

이러한 분석을 통해 정부는 락다운(Lockdown)의 강도나 백신 접종 목표 비율을 설정하는 등 데이터 기반의 방역 정책을 시행할 수 있다.

집단 면역 임계치 (Herd Immunity Threshold)

집단 면역 임계치(HIT)란 인구 집단의 일정 비율 이상이 면역력을 갖게 되어, 추가적인 백신 접종 없이도 감염병의 확산이 억제되는 최소한의 면역 인구 비율을 의미한다.

수학적 도출 과정

감염병이 확산되지 않기 위한 조건은 감염자 수의 변화율 $\frac{dI}{dt} \le 0$이 되는 것이다. SIR 모델의 방정식에서 이를 분석하면 다음과 같다.

$$\frac{dI}{dt} = \frac{\beta S I}{N} - \gamma I \le 0$$

양변을 $I$로 나누고 정리하면: $$\frac{\beta S}{N} \le \gamma \implies \frac{S}{N} \le \frac{\gamma}{\beta} = \frac{1}{R_0}$$

여기서 $S/N$은 전체 인구 중 감염 가능자의 비율이다. 반대로 면역을 가진 인구의 비율을 $p$라고 하면, $S/N = 1 - p$가 성립한다. 따라서: $$1 - p \le \frac{1}{R_0} \implies p \ge 1 - \frac{1}{R_0}$$

결과적으로, 집단 면역을 달성하기 위해 필요한 최소 면역 비율 $p_c$는 다음과 같다. $$p_c = 1 - \frac{1}{R_0}$$

의미

$R_0$가 클수록(전염성이 강할수록) 집단 면역을 달성하기 위해 필요한 면역 인구의 비율이 높아진다.
예를 들어 $R_0 = 3$인 질병의 경우, 인구의 약 $66.7\%$($1 - 1/3$)가 면역을 가져야 유행이 멈춘다.

모델의 정성적 분석 및 위상 평면 (Phase Plane Analysis)

미분 방정식의 해를 시간 $t$에 대해 직접 구하는 것은 복잡하지만, $S$와 $I$의 관계를 나타내는 위상 평면(Phase Plane)을 분석하면 유행의 정점과 최종 규모를 기하학적으로 예측할 수 있다.

$S-I$ 위상 평면 분석

$\frac{dI}{dS}$를 구하면 시간 변수 $t$를 제거하고 $S$와 $I$의 직접적인 관계식을 얻을 수 있다. $$\frac{dI}{dS} = \frac{dI/dt}{dS/dt} = \frac{\frac{\beta SI}{N} - \gamma I}{-\frac{\beta SI}{N}} = -1 + \frac{\gamma N}{\beta SI} = -1 + \frac{N}{R_0 S}$$

이 식을 적분하면 $I$를 $S$에 대한 함수로 표현할 수 있으며, 이를 그래프로 그리면 다음과 같은 특성이 나타난다.

유행의 정점 (Epidemic Peak): $\frac{dI}{dt} = 0$이 되는 지점, 즉 $S = \frac{N}{R_0}$일 때 감염자 수 $I$가 최대치에 도달한다.
최종 감염 규모 (Final Size): $I$가 다시 0으로 수렴할 때의 $S$ 값($S_\infty$)을 통해, 유행이 끝난 후 단 한 번도 감염되지 않은 인구의 비율을 계산할 수 있다.

그래프 예시 (개념적 묘사)

위상 평면 그래프에서 가로축을 $S$, 세로축을 $I$로 설정하면: 1. 초기 상태 $(S_0, I_0)$에서 시작하여 곡선은 오른쪽에서 왼쪽으로 이동한다. 2. $S = N/R_0$ 지점에서 곡선은 최고점에 도달한 후 하강한다. 3. 최종적으로 $I=0$인 $S$축의 한 점($S_\infty$)에서 멈춘다. - 결과: $N - S_\infty$가 해당 유행 기간 동안 감염된 총 인구수가 된다.

사회 네트워크와 무작위 혼합 가정의 한계

기본 SIR 모델의 '균일한 혼합(Homogeneous Mixing)' 가정은 모든 개체가 동일한 확률로 접촉한다는 전제를 가지나, 이는 실제 인간 사회의 복잡한 네트워크 구조와 큰 차이가 있다.

무작위 혼합 가정의 비판 및 실제 사례

실제 사회 네트워크는 척도 없는 네트워크(Scale-free Network)의 특성을 띤다. 즉, 대부분의 사람은 적은 수의 접촉자를 가지지만, 극소수의 사람(슈퍼 전파자, Super-spreader)이 압도적으로 많은 접촉자를 가지는 '허브(Hub)' 역할을 한다.

실제 사례: 코로나19(COVID-19)나 SARS의 확산 과정에서 특정 종교 시설, 콜센터, 클럽 등 밀집도가 높은 장소에서 발생한 소수의 감염자가 수백 명을 감염시키는 사례가 관찰되었다.
모델과의 괴리: 무작위 혼합 모델에서는 $R_0$가 낮으면 유행이 억제된다고 예측하지만, 실제 네트워크에서는 허브 노드가 감염될 경우 $R_0$가 낮더라도 폭발적인 국지적 확산이 일어날 수 있다. 따라서 실제 방역에서는 단순 접촉자 수 감소보다 '고위험 접촉 지점(Hotspot)'의 차단이 더 효율적이다.

실효 재생산 수 ($R_t$)의 도입

기초 재생산 수($R_0$)가 아무런 방역 조치가 없는 초기 상태의 잠재적 전파력을 의미한다면, 실효 재생산 수(Effective Reproduction Number, $R_t$)는 특정 시점 $t$에서의 실제 전파력을 의미한다.

$R_0$와 $R_t$의 비교

구분	기초 재생산 수 ($R_0$)	실효 재생산 수 ($R_t$)
정의	전 인구가 감염 가능할 때의 평균 전파 수	특정 시점의 면역 인구와 방역 조치를 반영한 전파 수
상태	상수 (질병 고유의 특성 및 환경 반영)	변수 (시간 $t$에 따라 계속 변화)
영향 요인	병원체 특성, 기본 접촉 빈도	백신 접종률, 거리두기, 마스크 착용, 면역 획득
수식 관계	$R_0 = \beta / \gamma$	$R_t = R_0 \times \frac{S(t)}{N}$

실제 방역 현장에서는 $R_t < 1$을 유지하는 것을 목표로 하며, $R_t$의 추이를 통해 거리두기 단계의 조정이나 백신 접종의 효과를 실시간으로 모니터링한다.

인구 구조의 불균질성과 구획 모델의 확장

기본 SIR 모델은 모든 인구가 동일한 감염률과 회복률을 가진다고 가정하지만, 실제로는 연령, 직업, 기저질환 여부에 따라 위험도가 크게 다르다.

연령별/집단별 구획 모델 (Age-structured Model)의 필요성

인구 구조의 불균질성(Heterogeneity)을 해결하기 위해 인구를 여러 개의 하위 집단으로 나누어 분석하는 모델이 필요하다.

구조: 인구를 $n$개의 연령층으로 나누고, 각 층 간의 접촉 행렬(Contact Matrix) $C_{ij}$를 도입하여 $\beta$를 세분화한다.
필요성:
- 백신 우선순위 결정: 고령층의 치명률이 높다면, 전체 $R_t$를 낮추는 것보다 고위험군을 우선 보호하는 전략이 사망자 수를 줄이는 데 더 효과적이다.
- 학교 폐쇄 효과 분석: 학령기 아동의 접촉 빈도가 높을 경우, 해당 집단의 이동 제한이 전체 확산세에 미치는 영향을 정밀하게 예측할 수 있다.
연결: 이러한 접근은 기본 SIR 모델에서 확장된 메타-인구 모델(Meta-population model)이나 에이전트 기반 모델(Agent-based model)로 발전하는 기초가 된다.

📝 마크다운 원본

이 문서의 마크다운 원본 내용입니다.

# SIR 모델 (SIR Model)

## 1. 개요
**SIR 모델**은 전염병의 확산 과정을 수학적으로 모델링하기 위해 인구를 세 가지 상태(Susceptible, Infectious, Recovered)로 구분하여 시간에 따른 변화를 분석하는 구획 모델(Compartmental Model)의 가장 기본적인 형태이다. 이 모델은 특정 인구 집단 내에서 감염병이 어떻게 전파되는지 시뮬레이션하며, 최종적으로 얼마나 많은 사람이 감염될 것인지(감염 규모), 감염자 수가 최대치에 도달하는 시점은 언제인지(정점 시기) 등의 핵심적인 역학적 질문에 답하는 것을 목적으로 한다.

## 2. 모델의 기본 구조

SIR 모델은 전체 인구($N$)를 감염 상태에 따라 다음과 같이 세 가지 그룹으로 분류한다.

### 2.1 상태 정의 및 특징
| 상태 | 명칭 | 정의 | 특징 |
| :--- | :--- | :--- | :--- |
| **S** | **감염 가능군** (Susceptible) | 아직 병원체에 감염되지 않았으나, 감염될 가능성이 있는 집단 | 감염자와 접촉 시 확률적으로 $I$ 상태로 전이됨 |
| **I** | **감염군** (Infectious) | 병원체에 감염되어 다른 사람에게 병을 전파할 수 있는 집단 | 일정 시간이 지나면 회복되거나 사망하여 $R$ 상태로 전이됨 |
| **R** | **회복/제거군** (Recovered/Removed) | 회복 후 면역을 획득했거나, 사망하여 더 이상 전파 가능성이 없는 집단 | 다시 $S$ 상태로 돌아가지 않는다고 가정함 (영구 면역) |

### 2.2 상태 전이 흐름도
인구는 다음과 같은 단방향 흐름을 따라 상태가 변화한다.

$$S \xrightarrow{\text{감염}} I \xrightarrow{\text{회복/제거}} R$$

- **$S \to I$**: 감염 가능자가 감염자와 접촉하여 병원체에 노출될 때 발생한다.
- **$I \to R$**: 감염자가 치료를 통해 회복되거나 사망하여 전염력을 상실할 때 발생한다.

## 3. 전제 조건 (Assumptions)
기본 SIR 모델이 성립하기 위해서는 다음과 같은 단순화된 가정이 필요하다.

1. **폐쇄 집단 (Closed Population)**: 분석 기간 동안 출생, 자연사, 이민 등으로 인한 인구 변동이 없다고 가정한다. 즉, $S(t) + I(t) + R(t) = N$ (상수)이다.
2. **균일한 혼합 (Homogeneous Mixing)**: 모든 개체는 동일한 확률로 서로 접촉하며, 특정 지역이나 집단에 치우치지 않고 무작위로 섞인다고 가정한다.
3. **즉각적인 전염성**: 감염된 즉시 타인에게 전파할 수 있는 능력을 갖춘다고 가정한다 (잠복기 무시).
4. **영구 면역**: 한 번 회복된 개체는 다시 감염되지 않는 완전한 면역력을 갖는다고 가정한다.

## 4. 수학적 원리와 미분 방정식

SIR 모델은 시간에 따른 각 집단의 인구수 변화를 세 개의 상미분 방정식(Ordinary Differential Equations, ODE)으로 표현한다.

### 4.1 지배 방정식
$$\frac{dS}{dt} = -\frac{\beta S I}{N} \quad \text{(감염 가능군의 감소율)}$$
$$\frac{dI}{dt} = \frac{\beta S I}{N} - \gamma I \quad \text{(신규 감염자 유입 및 회복자 유출에 따른 감염군 변화율)}$$
$$\frac{dR}{dt} = \gamma I \quad \text{(회복/제거군의 증가율)}$$

### 4.2 파라미터 설명
- **$\beta$ (감염률, Transmission Rate)**: 감염자와 감염 가능자가 접촉했을 때 질병이 전파될 확률과 접촉 빈도의 곱이다. $\frac{\beta S I}{N}$ 항은 단위 시간당 $S$에서 $I$로 이동하는 인구수를 의미한다.
- **$\gamma$ (회복률, Recovery Rate)**: 감염자가 회복되어 $R$ 상태로 전이되는 속도이다. $\frac{1}{\gamma}$은 평균 감염 기간(Infectious Period)을 의미한다. 예를 들어, 평균 감염 기간이 10일이라면 $\gamma = 0.1$이 된다.

### 4.3 Python 구현 예제
`scipy` 라이브러리를 사용하여 SIR 모델을 시뮬레이션하는 기본 코드이다.

```python
import numpy as np
from scipy.integrate import odeint
import matplotlib.pyplot as plt

# SIR 모델 미분 방정식 정의
def sir_model(y, t, N, beta, gamma):
    S, I, R = y
    dSdt = -beta * S * I / N
    dIdt = beta * S * I / N - gamma * I
    dRdt = gamma * I
    return [dSdt, dIdt, dRdt]

# 초기 조건 및 파라미터
N = 1000          # 전체 인구
I0 = 1            # 초기 감염자 수
R0 = 0            # 초기 회복자 수
S0 = N - I0 - R0  # 초기 감염 가능자 수
beta = 0.3        # 감염률
gamma = 0.1       # 회복률
days = 160        # 시뮬레이션 기간(일 단위)
t = np.linspace(0, days, days)

# 미분 방정식 풀이
solution = odeint(sir_model, [S0, I0, R0], t, args=(N, beta, gamma))
S, I, R = solution.T

# 결과 시각화
plt.figure(figsize=(10, 6))
plt.plot(t, S, label='Susceptible')
plt.plot(t, I, label='Infectious')
plt.plot(t, R, label='Recovered')
plt.title('SIR Model Simulation')
plt.xlabel('Days')
plt.ylabel('Population')
plt.legend()
plt.grid(True)
plt.show()
```

## 5. 핵심 지표: 기초 재생산 수 ($R_0$)

**기초 재생산 수(Basic Reproduction Number, $R_0$)**는 모든 인구가 감염 가능 상태($S \approx N$)일 때, 한 명의 감염자가 감염 가능 기간 동안 직접 감염시키는 평균 인원수를 의미한다.

### 5.1 계산식
$$R_0 = \frac{\beta}{\gamma}$$

### 5.2 임계점 원리와 유행 여부 판정 기준
$R_0$ 값은 전염병의 확산 여부를 결정하는 결정적인 임계값 역할을 한다.

- **$R_0 > 1$**: $\frac{dI}{dt} > 0$이 되어 감염자 수가 기하급수적으로 증가하며 **유행(Epidemic)**이 발생한다. $R_0$ 값이 클수록 감염 정점(Peak)이 빠르게 나타나고 정점의 높이가 높아진다.
- **$R_0 < 1$**: $\frac{dI}{dt} < 0$이 되어 새로운 감염자 발생보다 회복자 발생이 더 많으므로, 질병은 자연스럽게 **소멸**한다.
- **$R_0 = 1$**: 감염자 수가 증가하지도 감소하지도 않는 임계 상태이며, 유행이 확산되지 않는 경계점이다.

| $R_0$ 값 | 감염 곡선(I)의 형태 | 결과 |
| :--- | :--- | :--- |
| $R_0 \ll 1$ | 급격한 하강 곡선 | 즉각적인 소멸 |
| $R_0 \approx 1$ | 완만한 하강 또는 유지 | 낮은 수준의 확산 후 소멸 |
| $R_0 > 1$ | 종 모양의 급격한 상승 후 하강 | 대규모 유행 발생 |

## 6. 모델의 한계 및 확장 모델

기본 SIR 모델은 단순하여 계산이 빠르지만, 실제 복잡한 전염병 양상을 모두 반영하지 못하는 한계가 있다.

### 6.1 기본 모델의 한계
- **잠복기 무시**: 감염 직후 바로 전파된다고 가정하지만, 실제로는 증상 발현 전 잠복기가 존재한다.
- **균일 접촉 가정**: 실제 인구는 나이, 지역, 사회적 관계에 따라 접촉 빈도가 다르다.
- **면역 상실**: 시간이 지나 면역력이 떨어져 다시 감염되는 경우를 반영하지 못한다.

### 6.2 확장 모델과의 차이점
기본 SIR 모델의 한계를 극복하기 위해 상태 변수를 추가하거나 전이 경로를 변경한 확장 모델들이 사용된다.

| 모델 | 추가/변경 사항 | 특징 |
| :--- | :--- | :--- |
| **SEIR** | **E (Exposed, 노출군)** 추가 | 잠복기(Latent Period)를 반영하기 위해 노출군(Exposed) 단계 추가 |
| **SIS** | **R $\to$ S** 전이 허용 | 회복 후 면역이 생기지 않아 다시 감염 가능 (예: 감기) |
| **SIRS** | **R $\to$ S** (시간 지연) | 면역이 일정 기간 유지되다가 점차 사라지는 경우 반영 |
| **SEIRS** | **E 추가 + R $\to$ S** | 잠복기와 면역 상실을 모두 고려한 복합 모델 |

## 7. 실제 적용 및 활용 사례

SIR 모델은 공중보건 정책을 수립하는 데 핵심적인 근거를 제공한다. 특히 감염률 $\beta$를 조절하여 전염병의 피해를 최소화하는 전략이 중요하다.

### 7.1 커브 플래트닝 (Curve Flattening)
**커브 플래트닝**이란 감염자 수의 정점을 낮추고 그 시기를 뒤로 늦추는 전략이다. 이는 의료 시스템의 수용 가능 용량(Healthcare Capacity)을 초과하여 의료 붕괴가 일어나는 것을 막기 위함이다.

- **사회적 거리두기 및 마스크 착용**: 접촉 빈도와 전파 확률을 낮추어 $\beta$ 값을 감소시킨다. 결과적으로 $R_0$를 낮추어 감염 곡선의 기울기를 완만하게 만든다.
- **백신 접종**: 감염 가능군($S$)의 인구를 강제로 회복/면역군($R$)으로 이동시킨다. 이는 $S$의 크기를 줄여 $\frac{\beta S I}{N}$ 값을 낮춤으로써 집단 면역(Herd Immunity) 상태에 도달하게 한다.

이러한 분석을 통해 정부는 락다운(Lockdown)의 강도나 백신 접종 목표 비율을 설정하는 등 데이터 기반의 방역 정책을 시행할 수 있다.

## 집단 면역 임계치 (Herd Immunity Threshold)

**집단 면역 임계치(HIT)**란 인구 집단의 일정 비율 이상이 면역력을 갖게 되어, 추가적인 백신 접종 없이도 감염병의 확산이 억제되는 최소한의 면역 인구 비율을 의미한다.

### 수학적 도출 과정
감염병이 확산되지 않기 위한 조건은 감염자 수의 변화율 $\frac{dI}{dt} \le 0$이 되는 것이다. SIR 모델의 방정식에서 이를 분석하면 다음과 같다.

$$\frac{dI}{dt} = \frac{\beta S I}{N} - \gamma I \le 0$$

양변을 $I$로 나누고 정리하면:
$$\frac{\beta S}{N} \le \gamma \implies \frac{S}{N} \le \frac{\gamma}{\beta} = \frac{1}{R_0}$$

여기서 $S/N$은 전체 인구 중 감염 가능자의 비율이다. 반대로 면역을 가진 인구의 비율을 $p$라고 하면, $S/N = 1 - p$가 성립한다. 따라서:
$$1 - p \le \frac{1}{R_0} \implies p \ge 1 - \frac{1}{R_0}$$

결과적으로, 집단 면역을 달성하기 위해 필요한 최소 면역 비율 $p_c$는 다음과 같다.
$$p_c = 1 - \frac{1}{R_0}$$

### 의미
- $R_0$가 클수록(전염성이 강할수록) 집단 면역을 달성하기 위해 필요한 면역 인구의 비율이 높아진다.
- 예를 들어 $R_0 = 3$인 질병의 경우, 인구의 약 $66.7\%$($1 - 1/3$)가 면역을 가져야 유행이 멈춘다.

## 모델의 정성적 분석 및 위상 평면 (Phase Plane Analysis)

미분 방정식의 해를 시간 $t$에 대해 직접 구하는 것은 복잡하지만, $S$와 $I$의 관계를 나타내는 **위상 평면(Phase Plane)**을 분석하면 유행의 정점과 최종 규모를 기하학적으로 예측할 수 있다.

### $S-I$ 위상 평면 분석
$\frac{dI}{dS}$를 구하면 시간 변수 $t$를 제거하고 $S$와 $I$의 직접적인 관계식을 얻을 수 있다.
$$\frac{dI}{dS} = \frac{dI/dt}{dS/dt} = \frac{\frac{\beta SI}{N} - \gamma I}{-\frac{\beta SI}{N}} = -1 + \frac{\gamma N}{\beta SI} = -1 + \frac{N}{R_0 S}$$

이 식을 적분하면 $I$를 $S$에 대한 함수로 표현할 수 있으며, 이를 그래프로 그리면 다음과 같은 특성이 나타난다.

- **유행의 정점 (Epidemic Peak)**: $\frac{dI}{dt} = 0$이 되는 지점, 즉 $S = \frac{N}{R_0}$일 때 감염자 수 $I$가 최대치에 도달한다.
- **최종 감염 규모 (Final Size)**: $I$가 다시 0으로 수렴할 때의 $S$ 값($S_\infty$)을 통해, 유행이 끝난 후 단 한 번도 감염되지 않은 인구의 비율을 계산할 수 있다.

### 그래프 예시 (개념적 묘사)
위상 평면 그래프에서 가로축을 $S$, 세로축을 $I$로 설정하면:
1. 초기 상태 $(S_0, I_0)$에서 시작하여 곡선은 오른쪽에서 왼쪽으로 이동한다.
2. $S = N/R_0$ 지점에서 곡선은 최고점에 도달한 후 하강한다.
3. 최종적으로 $I=0$인 $S$축의 한 점($S_\infty$)에서 멈춘다.
- **결과**: $N - S_\infty$가 해당 유행 기간 동안 감염된 총 인구수가 된다.

## 사회 네트워크와 무작위 혼합 가정의 한계

기본 SIR 모델의 **'균일한 혼합(Homogeneous Mixing)'** 가정은 모든 개체가 동일한 확률로 접촉한다는 전제를 가지나, 이는 실제 인간 사회의 복잡한 네트워크 구조와 큰 차이가 있다.

### 무작위 혼합 가정의 비판 및 실제 사례
실제 사회 네트워크는 **척도 없는 네트워크(Scale-free Network)**의 특성을 띤다. 즉, 대부분의 사람은 적은 수의 접촉자를 가지지만, 극소수의 사람(슈퍼 전파자, Super-spreader)이 압도적으로 많은 접촉자를 가지는 '허브(Hub)' 역할을 한다.

- **실제 사례**: 코로나19(COVID-19)나 SARS의 확산 과정에서 특정 종교 시설, 콜센터, 클럽 등 밀집도가 높은 장소에서 발생한 소수의 감염자가 수백 명을 감염시키는 사례가 관찰되었다.
- **모델과의 괴리**: 무작위 혼합 모델에서는 $R_0$가 낮으면 유행이 억제된다고 예측하지만, 실제 네트워크에서는 허브 노드가 감염될 경우 $R_0$가 낮더라도 폭발적인 국지적 확산이 일어날 수 있다. 따라서 실제 방역에서는 단순 접촉자 수 감소보다 '고위험 접촉 지점(Hotspot)'의 차단이 더 효율적이다.

## 실효 재생산 수 ($R_t$)의 도입

기초 재생산 수($R_0$)가 아무런 방역 조치가 없는 초기 상태의 잠재적 전파력을 의미한다면, **실효 재생산 수(Effective Reproduction Number, $R_t$)**는 특정 시점 $t$에서의 실제 전파력을 의미한다.

### $R_0$와 $R_t$의 비교
| 구분 | 기초 재생산 수 ($R_0$) | 실효 재생산 수 ($R_t$) |
| :--- | :--- | :--- |
| **정의** | 전 인구가 감염 가능할 때의 평균 전파 수 | 특정 시점의 면역 인구와 방역 조치를 반영한 전파 수 |
| **상태** | 상수 (질병 고유의 특성 및 환경 반영) | 변수 (시간 $t$에 따라 계속 변화) |
| **영향 요인** | 병원체 특성, 기본 접촉 빈도 | 백신 접종률, 거리두기, 마스크 착용, 면역 획득 |
| **수식 관계** | $R_0 = \beta / \gamma$ | $R_t = R_0 \times \frac{S(t)}{N}$ |

실제 방역 현장에서는 $R_t < 1$을 유지하는 것을 목표로 하며, $R_t$의 추이를 통해 거리두기 단계의 조정이나 백신 접종의 효과를 실시간으로 모니터링한다.

## 인구 구조의 불균질성과 구획 모델의 확장

기본 SIR 모델은 모든 인구가 동일한 감염률과 회복률을 가진다고 가정하지만, 실제로는 연령, 직업, 기저질환 여부에 따라 위험도가 크게 다르다.

### 연령별/집단별 구획 모델 (Age-structured Model)의 필요성
인구 구조의 불균질성(Heterogeneity)을 해결하기 위해 인구를 여러 개의 하위 집단으로 나누어 분석하는 모델이 필요하다.

- **구조**: 인구를 $n$개의 연령층으로 나누고, 각 층 간의 접촉 행렬(Contact Matrix) $C_{ij}$를 도입하여 $\beta$를 세분화한다.
- **필요성**: 
    - **백신 우선순위 결정**: 고령층의 치명률이 높다면, 전체 $R_t$를 낮추는 것보다 고위험군을 우선 보호하는 전략이 사망자 수를 줄이는 데 더 효과적이다.
    - **학교 폐쇄 효과 분석**: 학령기 아동의 접촉 빈도가 높을 경우, 해당 집단의 이동 제한이 전체 확산세에 미치는 영향을 정밀하게 예측할 수 있다.
- **연결**: 이러한 접근은 기본 SIR 모델에서 확장된 **메타-인구 모델(Meta-population model)**이나 **에이전트 기반 모델(Agent-based model)**로 발전하는 기초가 된다.

AI 생성 콘텐츠 안내

이 문서는 AI 모델(gemma-4-31b)에 의해 생성된 콘텐츠입니다.

주의사항: AI가 생성한 내용은 부정확하거나 편향된 정보를 포함할 수 있습니다. 중요한 결정을 내리기 전에 반드시 신뢰할 수 있는 출처를 통해 정보를 확인하시기 바랍니다.

위키너와나