KEEP 한국교육고용패널조사 2019 KRIVET 패널 학술대회 논문집

한편, 공간 변화(spatial variation)에 따른 대학의 임금 프리미엄 변화에 대한 연구도 진행되어 왔다. Chung, Clark, and Kim [2009]는 3중 차분법을 사용하여 미국에서 증가하고 있는 대학의 임금 프리미엄이 도시 지역과 비도시지역에서 차이가 있음을 보였다. Chung, Clark, and Kim [2009]는 대학의 임금 프리미엄이 비도시지역보다 도시 지역에서 큰 이유에 대해 몇 가지 가설을 제시하는데, 그 중 하나는 기술 편향적 기술 진보가 도시를 중심으로 이루어졌다는 것이다. 예를 들어, 컴퓨터는 비숙련 노동자보다 숙련 노동자에 의해 효과적으로 사용될 수 있음과 동시에 비도시지역보다 도시지역에서 생산성 향상에 크게 기여하므로, 컴퓨터의 보급으로 인한 대학의 임금 프리미엄 상승은 비도시지역보다 도시지역에서 크게 나타난다. 한국의 대학 소재지에 따른 임금 프리미엄에 대한 연구는 다음과 같다. Kim [2010]은 대졸자 직업이동 경로조사(GOMS)자료를 이용하여 출신대학 소재지가 노동시장 성과에 미치는 영향을 분석하였다. 분석 결과 서울 소재 대학교 졸업자는 비서울지역 대학교 졸업자에 비해 약 16%정도 높은 임금을 받으며, 졸업자들의 수능 점수를 고려하면 5.2%정도로 낮아지는것으로 추정되었다. Park [2006]에서는 고학력자 직업이동 경로조사의 예비조사 자료를 이용하여 첫 일자리의 임금소득 의 결정요인으로서 출신대학 소재지, 전공, 자격증 및 직업훈련등의 효과를 추정하였다. 추정 결과 법,상경계의 임금프리미엄이 26～29%로 전공 중에서 가장 높았으며, 대학 소재지의 경우 서울이 지방에 비해 약 7.4% 높은 것으로 추정되었다. 대학 소재지의 지역 프리미엄에 대한 연구는 대개 청년패널(YP), 대졸자직업이동경로조사(GOMS)등의 자료를 이용하였는데, KEEP을 이용한 연구는 드물다. 본 연구에서는 한국 교육고용패널(KEEP I) 의 1～12차 자료를 이용하여 서울지역 대학 졸업자들의 대졸 임금 프리미엄에 대해 분석하였다. 분석 결과 서울지역 대학 졸업자들의 임금은 비서울지역 대학 졸업자들의 임금에 비해 최소자승법으로 추정하면 8%, 대학 고정효과를 고려하면 14%, Hausman-Taylor의 도구변수 모형으로 추정하면 26% 더 높은 것으로 나타났다. 또한, 조건부 확률적 지배검정(Conditional Stochastic Dominance Test)결과 비서울지역 대학 졸업자의 임금분포가 서울지역 대학 졸업자의 임금을 1차 및 2차 확률적으로 지배하지 못하는 것으로 나타나, 다른 모든 조건이 일정하더라도 서울지역에서 대학을 졸업하는 것이 더 높은 후생을 가져오는 것으로 나타났다. 이는 경제주체들이 오목형의 단조증가 효용함수를 가질 때, 지역 간 임금격차의 완화는 기대후생수준의 격차를 완화시키는 효과가 있음을 의미한다. 지역에 따른 대졸자의 임금 프리미엄은 다른 모든 조건이 동일하다고 할 때 각 대학의 소재지의 신호효과에 기인한다고 할 수 있다. 위와 같은 중다회귀모형에 기반한 교육생산함수 추정은 학생들이 속한 개별 학교의 고유한 특성을 모형에 고려하지 못한다는 단점을 지닌다. 특히, KEEP II와 같이 학교를 우선 추출한 후 해당 학교에 재학 중인 학생들을 조사한 자료의 경우 개별 학생들과 밀접히 연관된 단위학교의 특성을 고려하지 못할 경우 추정된 계수의 일치성 및 효율성과 관련된 제약이 따른다. 고정효과모형은 이와 같이 관측 불가능한 개체 특성 오차항(본 연구에서는 고유한 학교 특성)을 고정된 상수로 간주하여 이를 추정하는 분석방법으로, 이를 통해 처치변수와 종속변수 간의 관계를 보다 엄밀하게 도출할 수 있다는 장점이 있다. 개체특성 오차항를 제거하기 위해 주로 활용되는 방법은 차분모형(differencing model)으로서, 이는 패널데이터의 각 시점 데이터에서 각 패널의 전체평균데이터를 차분한 후에 이에 대한 OLS 추정을 실시한다. 이와 같은 모형은 패널 개체의 개체 특성 오차항과 처치변수 간에 상관관계가 있더라도 회귀계수에 대한 일치 추정량을 얻을 수 있으며, 차분을 통해 오차항의 시간 개념이 사라져 자기상관 문제 또한 해결할 수 있다는 장점을 지닌다. 고등교육과 연계할 수 있는 노동시장 성과의 정의는 연구자마다 다르다. 가장 대표적이며 각종 정책에서도 활용되는 지표는 취업률이다. 그러나 취업률만으로는 직업생활의 질적인 측면을 측정하기 어렵다는 한계로 인해 연구자들은 여러 변인을 동시에 활용하여 노동시장의 성과를 측정하고 있다. 교육의 결과로 얻게 되는 노동시장 성과로 측정하는 변수로는 진로발달의 수준에 해당하는 진로성숙도, 직업정체감 등이 있고, 고용과 관련된 결과로 측정하는 변수로는 정규직 고용, 직무만족도, 고용형태 등이 있다. 소득과 관련된 지표로는 소득을 비롯하여 시간당 임금, 수익률 등을 활용된다. 본 연구에서는 직업의 질적인 성과 중 대표적으로 사용되고 있는 변수인 ‘임금’과 ‘직장만족도’를 노동시장의 성과라고 보았다. 본 연구의 연구 문제를 해결하기 위해서 데이터 분석은 크게 두 단계로 이루어졌다. 첫 번째 단계는 서열로지스틱 회귀분석(Ordered Logistic Regression)을 활용하여 개인 및 가구 특성과 기본적인 대학 특성을 통제했을 때 부모학력과 학생의 최종 학력 간의 관계를 살펴보고, 나아가 자녀의 최종 학력에 미치는 부모학력과 대학입학전형의 상호작용효과를 검증하였다. 두 번째 단계에서는 12차년도에 임금근로자 신분인 사람에 한정하여 개인 및 가구 특성과 기본적인 대학 특성을 통제했을 때 부모학력과 월평균 임금과 어떠한 관계가 있는지 알아보았다. 또한 부모학력과 대학입학전형의 상호작용효과도 검증하였으며, 이 단계에서는 일반최소자승모형(Ordinary Least Square)을 활용하였다. 한편, 본 연구는 다음과 같은 제한점들을 가지고 있어 아래와 같이 후속연구 제안을 통해 이를 개선해 가고자 한다. 첫째, 다층 자료, 종단자료, 인과분석 등과 연계하여 정교한 머신러닝 기법을 적용할 필요가 있다. 본 연구는 한국교육고용패널 Ⅱ의 2차년도 자료, 즉 횡단면 자료를 기반으로 분석을 실시하였다. 해외에서는 이미 다층 자료 및 종단 자료에 대해 랜덤 포레스트 기법을 적용한 연구들도 탐색적으로 실시되고 있음을 고려할 때(Hajjem et al., 2014; Huang et al., 2016), 향후 다년도 자료를 사용하여 더욱 정교하고 엄밀한 머신러닝 기법 활용 연구가 수행될 필요가 있을 것으로 보인다. 한편, 사교육비에 대한 보다 정확한 추정은 설명변수와 사교육비 간의 인과관계에 근거할 때 가능하다. 본 연구에서 활용한 랜덤 포레스트는 실질적으로 변수 간의 인과관계 탐색을 위한 분석방법이기보다는 예측(prediction)에 보다 주안점을 두고 있는 분석방법이다. 이에 다음에는 머신러닝 기법을 활용한 인과성 추정 기법에 대한 심도 있는 고민과 활용을 통해 예측력이 강화된 사교육비 추정 모형을 도출할 수 있기를 기대해본다.