머신러닝 기법을 활용한 고령자 경제활동 및 임금근로 여부에 미치는 영향 요인 탐색
Exploring Factors Affecting the Economic Activities and Paid Labor among the Elderly using Machine Learning Method
0
조회
0
다운로드
2
인용
0
참고문헌
키워드
초록
본 연구는 우리나라의 고령 인구의 증가로 인한 사회⋅경제적 문제에 대비하기 위한 일환으로 고령층의 경제활동 참여와 임금근로의 참여에 대한 요인들을 밝히기 위한 목적으로 실시하였다. 본 연구에서는 고령층 경제활동의 참여에 영향을 주는 요인들을 머신러닝 기법을 활용해 탐색적으로 접근하여 확장된 시각으로 고령층의 경제활동 참여와 임금근로 참여에 영향을 주는 요인들을 밝히고자하였다. 이를 위해 한국고용정보원에서 고령화연구패널조사의 2020년도 연구패널의 총 대상 6,488명중 신규 패널을 제외하고 최종 보고된 기존 패널 5,717명을 그 대상으로 하였다. 본 연구에서 활용한분석방법은 머신러닝 기법으로 통용되고 있는 의사결정나무, 랜덤포레스트, 그래디언트 부스팅, 익스트림 그래디언트 부스팅 및 인공신경망(심층신경망) 모형이다. 그 결과, 고령층의 경제활동 참여 영향요인을 밝히는 모형을 예측하기 위해 5개의 머신러닝 기법을 비교, 그 중 가장 예측력이 높은 익스트림 그래디언트 부스팅 모형을 활용해 상위 30개 요인을 분석한 결과, 경제상태, 신체건강, 정신건강의순으로 나타났다. 둘째, 고령층의 임금근로 참여 영향 요인을 밝히는 모형을 예측하기 위해 5개의 머신러닝 기법을 비교, 그 중 가장 예측력이 높은 익스트림 그래디언트 부스팅 모형을 활용해 상위 30 개 요인을 분석한 결과, 신체건강, 경제상태, 정신건강의 순으로 나타났다. 이러한 결과를 바탕으로 고령층의 경제활동 참여의 필요성과 이를 지원하는 정책적 제도적 노력이 필요함을 시사하였다.
Abstract
This study aims to identify factors affecting the elderly’s participation in economic activities and wage labor to address socioeconomic issues associated with Korea’s aging population. To explore these factors, this study used machine learning methods. As the study’s sample, we selected 5,717 latest panel responses out of 6,488 responses from elderly participants in the 2020 Korea Longitudinal Study of Ageing (KLoSA) by the Korea Employment Information Service. For analysis, this study used various machine learning methods such as decision tree, random forest, gradient boosting, extreme gradient boosting, and artificial neural network (deep neural network) models. To predict the factors affecting elderly people’s participation in economic activities, five machine learning methods were compared. The extreme gradient boosting model was selected as the most effective for prediction. An analysis of the top 30 factors showed that financial status was the most predictive factor, followed by physical health and mental health. Second, five machine learning methods were compared to select the most effective model in identifying the factors affecting elderly people’s participation in paid labor; the extreme gradient boosting model was selected. The analysis of the top 30 factors showed that physical health was the most determinant, followed by financial status and mental health. Based on these findings, this research revealed elderly people’s needs for participating in economic activities and suggested the necessity of policy efforts to support their needs.
참고문헌 (33)
- 고용노동부, "“2022∼2030 중장기 인력수급 전망” 발표", 보도일시 2022.02.03.목, ~ (2022)
- 강은나, "노인일자리사업 현황과 향후 과제", 보건복지포럼, 251, pp.28~39 (2017)
- 권승, "노년층의 은퇴 결정요인에 관한 연구: 성별, 거주지별 차이분석을 중심으로", 한국노년학, 24(3), pp.69~90 (2004), 한국노년학회
- 권용재, "고령층의 경제활동 참여증가가 청년고용 등에 미치는 영향: 광주․전남지역을 중심으로", 사회과학연구, 46(2), pp.167~205 (2020), 사회과학연구원[DOI]
- 인구구조 변화에 따른 고령자 고용촉진 제도 현황 및 개선 방안, "김은석", 한국고용정보원, ~ (2021)
- 김정근, "경제활동 기간과 고령층의 경제적, 심리적 만족도", 한국복지패널 학술대회 논문집, 6, pp.443~467 (2013)
- 김정우, "우리나라 고령층의 경제활동 수준 예측 - 머신러닝 기법과 연계한 예측조합법을 중심으로 -", 한국융합학회논문지, 13(5), pp.237~247 (2022), 한국융합학회[DOI]
- 김종우, "경영을 위한 데이터 마이닝" (2009), 한경사
- 남기성, "중·고령자의 일자리 이동에 관한 연구", Journal of The Korean Data Analysis Society, 22(6), pp.2337~2346 (2020), 한국자료분석학회[DOI]
- 복지와 노동시장 환경변화에 대응한 노인일자리 중장기 발전방안 연구, "박경하", 한국노인인력개발원, ~ (2020)
- 박소영, "중학생의 진로 결정 예측변수 탐색 : 머신러닝 기법 적용", 아시아교육연구, 21(3), pp.727~753 (2020), 교육연구소[DOI]
- 보건복지부, "새로운 노인층의 등장, 달라지는 노인세대 -2020년 노인실태조사 결과 발표-", 보도일시 2021.06.07.월, ~ (2021)
- 보건복지부, "2021 보건복지통계연보", 보건복지부, ~ (2021)
- 손종칠, "중고령자 은퇴 및 은퇴 만족도 결정요인 분석", 노동정책연구, 10(2), pp.125~153 (2010), 한국노동연구원[DOI]
- 양정승, "고령층 경력경로 유형화와 결정요인 분석 : 경제활동상태에 근거한 시퀀스 분석", 직업과 자격 연구, 10(3), pp.1~26 (2021), (사)한국직업자격학회[DOI]
- 유용식, "노인일자리 사업 참여노인의 사회적 관계에 영향을 미치는 요인: 자아존중감과 직무만족을 중심으로", 한국콘텐츠학회 논문지, 16(7), pp.231~241 (2016), 한국콘텐츠학회[DOI]
- 윤지은, "중고령자의 경제활동상태와 정신건강 : 소득수준과 가족관계만족도의 매개효과 검증", 석사, 아동ㆍ가족학, pp.2009
- 이경곤, "주택자산 가치가 고령층의 경제활동에 미치는 영향", 질서경제저널, 21(4), pp.93~110 (2018), 한국질서경제학회[DOI]
- 임용빈, "고령층(60세 이상) 노동시장의 특징과 경제활동의 변화", 노동리뷰, pp.74~90 (2019)
- 정운영, "1인 노인가구의 경제적 특성과 삶의 만족도 연구: 저소득가구와 고소득 가구의 비교", 한국노년학, 31(4), pp.1119~1134 (2011), 한국노년학회
- 고령자 고용정책 해외사례 연구, "조성은", 한국고용정보원, ~ (2021)
- 주은선, "연금정책과 노동시장정책이 고령자 경제활동 참여 수준에 미치는 영향: 남성고령자와 여성고령자, 1990년대 중반 이전과 이후의 비교", 사회복지정책, 37(1), pp.237~259 (2010), 한국사회복지정책학회[DOI]
- 지은정, "고령남성의 경제활동참가 결정요인 연구 - 노후빈곤노동가설 및 숙련편향기술진보설을 중심으로 -", 한국사회복지학, 60(3), pp.31~58 (2008), 한국사회복지학회[DOI]
- 지은정, "노인우울과 경제적・사회적 활동의 상호작용 - 역할보완관점과 역할강화관점을 중심으로", 한국사회복지행정학, 18(4), pp.57~85 (2016), 한국사회복지행정학회[DOI]
- 최은영, "은퇴시기와 가계자산의 상관성에 관한 연구", 인문사회 21, 9(3), pp.1075~1088 (2018), 인문사회 21[DOI]
- 최아영, "고령자의 경제활동 참여여부와 참여이유가 심리적 안녕에 미치는 영향", 미래사회복지연구, 3(1), pp.5~31 (2012), 한국사회복지실천연구학회
- 최필선, "머신러닝 기법을 이용한 대졸자 취업예측 모형", 직업능력개발연구, 21(1), pp.31~54 (2018), 한국직업능력연구원[DOI]
- 통계청, "2021년 인구동향조사 출산, 사망통계(잠정)", 보도일시 2022.02.23.수, ~ (2022)
- 함선유, "부부은퇴의 상호의존성 연구 - 배우자의 은퇴여부 및 은퇴자발성을 중심으로 -", 한국사회복지학, 67(3), pp.281~303 (2015), 한국사회복지학회[DOI]
- Breiman, L., "Classification and regression trees" (1984), CRC press
- "Which algorithm takes the crown: Light GBM vs XGBOOST?" (2017)[URL]
- United Nations Population Fund, "State of world population 2022 : Seeing the unseen" (2022), UNFPA
- Witten, I. H., "Data Mining : Practical machine learning tools and techniques" (2016), Morgan Kaufmann