국내 이공계 인력의 고용 구조 변화와 직업적 특성을 분석하고, 미래 과학기술 인재 양성 및 정책 인프라 구축의 필요성을 제언함 doc_id CNTS-00118876169_8

이에 비추어보면, 이공계 인력의 창업이 뚜렷하게 활성화되고 있다고 보기는 어려운 것으로 보인다. 또, 직업안정성이나 근무연한 면에서도 다른 전공자들에 비해 전체적으로는 유리한 여건에 있는 것으로 평가된다. 여기서 한 걸음 더 나아가, 종사상 지위의 연령 구조를 추가로 살펴보는 것이 유효할 것으로 생각된다. 이공계 인력을 둘러싸고는 특히 ‘청년’ 창업에 대한 관심이나 ‘조기’ 퇴직에 대한 우려 등 연령별 직업활동에 대한 논의가 다수이기 때문이다. 연령별 자영업 비중을 전공별로 나타내고 있는데, 의약계열의 경우는 개인병원이나 약국의 개원이라는 특수한 성격을 갖는 만큼 참고만 할 수 있을 뿐이고, 주로는 비이공계열과의 비교를 수행하는 것이 타당하다. 이에 따르면, 이공계 인력의 자영업 비중이 평균적으로 낮은 것이 다시 한 번 확인되지만, 그만큼 증가 속도는 빠른 것으로 나타난다. 이러한 상황에서 이공계 인력의 타 분야 진출은 미래지향적 융합화보다는 비전문직으로의 하향취업이 여전히 주를 이루고 있는 것으로 보인다. 이러한 결론은 미국 자료와의 비교에서 한층 뚜렷하게 확인되며, 한국의 경우 전문직의 부족뿐 아니라 과학기술과 의료 간 분야별 일자리 비중의 지나친 불균형도 매우 심각한 것으로 평가된다. 시계열 추이에 따르면 과기전문직 부족 문제는 매우 완만하기는 하나 다소 개선되고 있는 것으로 나타나는데, 공학계열이 자연계열에 비해 더 긍정적 변화가 많았다. 타 분야와의 융합 면에서는 이공계 전공자의 타 분야 진출이 미약하나마 늘어나는 반면, 타 분야 전공자의 이공계 진출은 오히려 줄었다. 요컨대, 과학기술 분야를 중심으로 하는 직업구조 고도화와 융합화의 단초가 발견된다고 하겠다. 일자리의 산업분포에 따르면, 제조업과 서비스업이 대부분의 이공계 인력을 고용하고 있었고, 특히 서비스업이 전체 일자리의 67.3%로 압도적인 비중을 차지했다. 제조업과 서비스업의 비중은 시계열적으로도 안정적으로 유지되고 있었는데, 다만 그 내부의 산업별 비중에는 뚜렷한 변화가 있었다. 제조업의 경우, 최근 6년 간 전자 산업의 비중이 감소하고 기계 및 금속 산업의 비중이 이를 대체하고 있었다. 서비스업의 경우에는 전문과기서비스업의 비중이 늘고 교육서비스업의 비중이 줄어들었다. 이와 같이 볼 때, 그 변화폭이 아주 큰 것은 아니지만, 국내 과학기술인력 활용의 주력산업에 변화가 일어나고 있고, 전문인력 활용에서 연구개발-교육 간 비중에도 변화가 감지되고 있다고 할 수 있다. 그 원인과 변화 방향의 타당성에 대한 정책연구가 필요한 부분이다. 결국 4차 산업혁명으로 대변되는 최근의 기술혁신에 따라 과학기술일자리를 포함한 일자리 전체의 대 변혁이 예상되는 시점이다. 하지만 이러한 고용패러다임의 변화와 관계없이 최근 우리나라 대학구조조정 정책은 취업률 등이 우수한 공학 중심의 재편을 본격 추진하기 시작하였다. 2016년부터 추진되기 시작한 ‘산업연계 교육활성화 선도대학(PRIME)’ 사업은 취업률이 높은 학과를 중심으로 정원을 조정하는 대학에 대규모 지원을 하는 사업이다. 이는 의약학을 제외할 경우 가장 취업률이 높은 공학 부문을 중심으로 한 대학 구조조정을 촉진하는 사업이라고 해도 과언이 아니다. 최근의 기술혁신이 과학기술일자리에 미치는 영향에 대해서는 구체적인 분석이 없는 가운데, 우리나라 노동시장의 변화에 따라 학문분야 조정이 추진되는 상황이 나타나고 있다. 이는 그렇지 않아도 공급 과다 현상이 강한 우리나라 과학기술 일자리에 더욱 부정적인 영향을 끼칠 수도 있다. 자영업 비중을 중심으로 살펴본 고용특성 분석 결과는 아직 과학기술 창업에 뚜렷한 증가세를 찾아보기 어렵다는 점, 그리고 이공계 일자리가 초기 경력에서는 상대적으로 안정적이기는 하나 중년의 경력단절 및 조기퇴직 비중이 더 높다는 점을 보여준다. 이러한 의미에서, 과학기술인력의 활용과 대우를 논의할 때에는 생애주기적 관점이 필수적이다. 이 장의 분석은 명백한 한계를 갖는다. 신뢰할 만한 통계의 부족으로 인해 비교 가능한 시계열은 너무 짧고 세분화 통계는 너무 부족하며 해외 통계와의 표준화된 비교 도 매우 제한적으로만 가능하다. 모집단 대표성 있는 통계의 일관된 생산, 표준화된 분류체계의 구축에 대한 요구가 높아진 지 오래되었지만, 정책적으로 유의미한 자료를 충분히 얻기 위해 정책인프라가 가야 할 길이 여전히 멀어 보인다. 또, 분석 결과가 생애주기적 분석의 필요성을 강력히 시사하고 있는 만큼, 경력경로를 파악할 수 있는 추적조사에 대한 정책연구 커뮤니티의 오랜 염원을 다시금 강조할 필요도 있다. 미래 과학기술인력정책에서 중요한 요소 가운데 하나는 교육과 연구개발의 통합 시스템을 구축하기 위한 기반이다. 빅데이터 등 IT 기술의 발달을 과학기술인력정책의 기획과 운영 과정에서 적극 활용한다는 측면에서도 통합정보시스템의 구축과 활용은 중요하다. 특히 기존의 과학기술 정보시스템을 연구개발에 참여하는 과학기술인력의 역량개발이나 노동시장 활동 등을 엄밀히 모니터링하고 정책 기획과 성과분석 등에 활용할 수 있게 하여야 한다. 이를 위해서는 기존의 과제 중심 정보 체계를 인력 중심으로 재구성할 수 있게 시스템을 정비하고, 과학기술인력 정책의 기획 및 운영을 위한 과학기술인력정책 데이터센터 등 정책의 기획 및 운영 시스템을 확충해야 할 것이다. 결국 미래의 과학기술인력정책은 정책기획에서 모니터링, 성과 측정의 전반에서 새로운 기술 발전을 적극 수용하면서 같이 발전하는 정책이 되어야 한다. 이를 통해 미래 시대를 이끌어갈 인재가 스스로 커 나갈 수 있는 기반인 과학기술인재 인프라 혹은 플랫폼을 구축하고 이를 잘 운영해 나가는 인프라 정책이 되어야 한다. 네트워크 구조는 인공지능 R&D에도 적용되는데, 수많은 전문가와 기업을 연결시키는 네트워크의 구성이 바로 그것이다. 인공지능 기술을 개발하기 위해 기업들은 R&D를 기업 내부에서 독자적으로 수행하는 것이 아니라 개방된 생태계 속에서 추진하고 있다. Google은 머신러닝 프레임워크인 Tensorflow를 오픈소스 라이브러리로 무료개방하고 응용프로그램 및 인터페이스를 제공하며 클라우드와 연결시켰다. Tensorflow를 통해 개발된 머신러닝 기술은 Gmail의 스팸메일 필터링, Google Photo의 이미지 자동분류 등 Google이 제공하는 서비스에도 적용되고 있으며, Google은 현재 일반인 및 기업을 대상으로 TensorFlow를 활용한 다양한 인공지능 관련 R&D 및 사업화를 시도하고 있다. 국내 인공지능 관련 기업들 대부분은 TensorFlow를 토대로 다른 기능을 접목시킨 인공지능 제품과 서비스를 개발하고 있는 실정이다(김영생, 2016: 25; 남충현, 2016: 10-12).