An analysis on the determinants of brain-drain using bivariate probit model

2019, 30

1)

23–31

이변량 프로빗 모형을 활용한 인력유출 결정요인 분석

ᄇ ᅡ

ᆨ성익

¹

²

1경성대학교 국제무역통상학과 ·²경성대학교 수학응용통계학부

ᄌ ᅥ

ᆸᄉ ᅮ 2018ᄂ ᅧ ᆫ 12ᄋ ᅯ ᆯ 26ᄋ ᅵ ᆯ, ᄉ ᅮᄌ ᅥ ᆼ 2019ᄂ ᅧ ᆫ 1ᄋ ᅯ ᆯ 11ᄋ ᅵ ᆯ, ᄀ ᅦᄌ ᅢ ᄒ ᅪ ᆨᄌ ᅥ ᆼ 2019ᄂ ᅧ ᆫ 1ᄋ ᅯ ᆯ 11ᄋ ᅵ ᆯ

요 약

ᄋ ᅵ

ᆯᄇ ᅡ ᆫᄌ ᅥ ᆨᄋ ᅳᄅ ᅩ ᄋ ᅵ ᆫᄅ ᅧ ᆨᄋ ᅲᄎ ᅮ ᆯ ᄀ ᅧ ᆯᄌ ᅥ ᆼᄋ ᅭᄋ ᅵ ᆫᄋ ᅳ ᆯ ᄇ ᅮ ᆫᄉ ᅥ ᆨᄒ ᅡᄀ ᅵ ᄋ ᅱᄒ ᅢᄉ ᅥᄂ ᅳ ᆫ ᄎ ᅱᄋ ᅥ ᆸᄌ ᅡᄆ ᅡ ᆫᄋ ᅳ ᆯ ᄃ ᅢᄉ ᅡ ᆼᄋ ᅳᄅ ᅩ ᄇ ᅮ ᆫᄉ ᅥ ᆨᄒ ᅡᄀ ᅦ ᄃ ᅬ ᆫ ᄃ ᅡ. ᄋ ᅵᄋ ᅪ ᄀ

ᅡ

ᇀᄋ ᅵ ᄎ ᅱᄋ ᅥ ᆸᄌ ᅡᄅ ᅳ ᆯ ᄃ ᅢᄉ ᅡ ᆼᄋ ᅳᄅ ᅩ ᄒ ᅡᄂ ᅳ ᆫ ᄑ ᅭᄇ ᅩ ᆫᄉ ᅥ ᆫᄐ ᅢ ᆨᄋ ᅳ ᆫ ᄆ ᅩᄌ ᅵ ᆸᄃ ᅡ ᆫᄋ ᅳᄅ ᅩᄇ ᅮᄐ ᅥ ᄋ ᅧ ᆫᄀ ᅮᄃ ᅢᄉ ᅡ ᆼᄃ ᅳ ᆯ ᄋ ᅵ ᄎ ᅦᄀ ᅨᄌ ᅥ ᆨᄋ ᅳᄅ ᅩ ᄌ ᅳ ᆨ, ᄇ ᅵᄆ ᅮᄌ ᅡ ᆨᄋ ᅱᄌ ᅥ ᆨᄋ ᅳ ᄅ

ᅩ ᄇ ᅢᄌ ᅦ ᄃ ᅬ ᆷ ᄋ ᅳᄅ ᅩᄊ ᅥ ᄑ ᅭᄇ ᅩ ᆫᄉ ᅥ ᆫᄐ ᅢ ᆨᄑ ᅧ ᆫᄋ ᅴᄀ ᅡ ᄇ ᅡ ᆯᄉ ᅢ ᆼᄒ ᅡᄀ ᅦ ᄃ ᅬ ᆫ ᄃ ᅡ. ᄄ ᅡᄅ ᅡᄉ ᅥ ᄇ ᅩ ᆫ ᄋ ᅧ ᆫᄀ ᅮᄋ ᅦᄉ ᅥᄂ ᅳ ᆫ ᄑ ᅭᄇ ᅩ ᆫᄉ ᅥ ᆫᄐ ᅢ ᆨᄑ ᅧ ᆫᄋ ᅴ ᄆ ᅮ ᆫ ᄌ ᅦᄅ ᅳ ᆯ ᄒ ᅢᄀ ᅧ ᆯᄒ ᅡ ᄀ

ᅵ ᄋ ᅱᄒ ᅢ ᄑ ᅭᄇ ᅩ ᆫᄉ ᅥ ᆫᄐ ᅢ ᆨ ᄋ ᅵᄇ ᅧ ᆫᄅ ᅣ ᆼ ᄑ ᅳᄅ ᅩᄇ ᅵ ᆺ ᄆ ᅩᄒ ᅧ ᆼᄋ ᅳ ᆯ ᄒ ᅪ ᆯᄋ ᅭ ᆼ ᄒ ᅡᄋ ᅧ ᄋ ᅵ ᆫᄅ ᅧ ᆨᄋ ᅲᄎ ᅮ ᆯ ᄋ ᅦ ᄆ ᅵᄎ ᅵᄂ ᅳ ᆫ ᄋ ᅧ ᆼᄒ ᅣ ᆼᄋ ᅳ ᆯ ᄇ ᅮ ᆫᄉ ᅥ ᆨᄒ ᅡ ᆫᄃ ᅡ. ᄌ ᅮᄋ ᅭ ᄇ ᅮ ᆫᄉ ᅥ ᆨᄀ ᅧ ᆯ ᄀ

ᅪᄅ ᅳ ᆯ ᄋ ᅭᄋ ᅣ ᆨᄒ ᅡᄆ ᅧ ᆫ ᄃ ᅡᄋ ᅳ ᆷ ᄀ ᅪ ᄀ ᅡ ᇀᄃ ᅡ. ᄎ ᅥ ᆺᄍ ᅢ, ᄋ ᅵ ᆫᄅ ᅧ ᆨᄋ ᅲᄎ ᅮ ᆯ ᄀ ᅧ ᆯᄌ ᅥ ᆼᄋ ᅭᄋ ᅵ ᆫ ᄇ ᅮ ᆫᄉ ᅥ ᆨᄋ ᅦ ᄒ ᅪ ᆯᄋ ᅭ ᆼᄃ ᅬ ᆫ ᄑ ᅭᄇ ᅩ ᆫᄉ ᅥ ᆫᄐ ᅢ ᆨ ᄋ ᅵᄇ ᅧ ᆫᄅ ᅣ ᆼ ᄑ ᅳᄅ ᅩᄇ ᅵ ᆺ ᄆ ᅩᄒ ᅧ ᆼᄋ ᅵ ᄐ

ᅩ

ᆼ ᄀ ᅨᄌ ᅥ ᆨᄋ ᅳᄅ ᅩ ᄋ ᅲᄋ ᅴᄒ ᅡ ᆷᄋ ᅳ ᆯ ᄋ ᅡ ᆯ ᄉ ᅮ ᄋ ᅵ ᆻᄃ ᅡ. ᄃ ᅮ ᆯ ᄍ ᅢ, ᄋ ᅧᄌ ᅡᄋ ᅦ ᄇ ᅵᄒ ᅢᄉ ᅥ ᄂ ᅡ ᆷᄌ ᅡᄀ ᅡ ᄎ ᅱᄋ ᅥ ᆸᄒ ᅪ ᆨᄅ ᅲ ᆯ ᄀ ᅪ ᄋ ᅵ ᆫᄅ ᅧ ᆨᄋ ᅲᄎ ᅮ ᆯ ᄒ ᅪ ᆨᄅ ᅲ ᆯ ᄆ ᅩᄃ ᅮ ᄂ ᅩ ᇁ ᄀ ᅦ ᄂ

ᅡᄐ ᅡᄂ ᅡ ᆻᄃ ᅡ. ᄀ ᅳᄅ ᅥᄂ ᅡ ᄋ ᅧ ᆫᄅ ᅧ ᆼᄋ ᅵ ᄌ ᅳ ᆼ ᄀ ᅡᄒ ᅡ ᆯᄉ ᅮᄅ ᅩ ᆨ ᄎ ᅱᄋ ᅥ ᆸᄒ ᅪ ᆨᄅ ᅲ ᆯᄋ ᅳ ᆫ ᄂ ᅩ ᇁ ᄋ ᅡ ᆻᄌ ᅵᄆ ᅡ ᆫ ᄋ ᅵ ᆫᄅ ᅧ ᆨᄋ ᅲᄎ ᅮ ᆯ ᄒ ᅪ ᆨᄅ ᅲ ᆯᄋ ᅳ ᆫ ᄂ ᅡ ᆽᄀ ᅦ ᄂ ᅡᄐ ᅡᄂ ᅡ ᆻᄃ ᅡ. ᄉ ᅦ ᆺᄍ ᅢ, ᄌ ᅥ ᆫ ᄆ

ᅮ ᆫ ᄃ ᅢᄋ ᅦ ᄇ ᅵᄒ ᅢᄉ ᅥ 4ᄂ ᅧ ᆫᄌ ᅦ ᄃ ᅢᄌ ᅩ ᆯ ᄌ ᅡᄂ ᅳ ᆫ ᄎ ᅱᄋ ᅥ ᆸᄒ ᅪ ᆨᄅ ᅲ ᆯᄋ ᅳ ᆫ ᄂ ᅡ ᆽᄋ ᅡ ᆻᄌ ᅵᄆ ᅡ ᆫ ᄋ ᅵ ᆫᄅ ᅧ ᆨᄋ ᅲᄎ ᅮ ᆯ ᄒ ᅪ ᆨᄅ ᅲ ᆯᄋ ᅳ ᆫ ᄂ ᅩ ᇁ ᄀ ᅦ ᄂ ᅡᄐ ᅡᄂ ᅡ ᆻᄃ ᅡ. ᄆ ᅡᄌ ᅵᄆ ᅡ ᆨᄋ ᅳᄅ ᅩ ᄃ ᅢ ᄒ ᅡ

ᆨᄉ ᅩᄌ ᅢᄌ ᅵᄀ ᅡ ᄀ ᅵᄐ ᅡ ᄌ ᅵᄋ ᅧ ᆨᄀ ᅯ ᆫ ᄋ ᅦ ᄇ ᅵᄒ ᅢᄉ ᅥ ᄉ ᅮᄃ ᅩᄀ ᅯ ᆫ ᄋ ᅴ ᄋ ᅵ ᆫᄅ ᅧ ᆨᄋ ᅲᄎ ᅮ ᆯ ᄒ ᅪ ᆨᄅ ᅲ ᆯᄋ ᅳ ᆫ ᄉ ᅡ ᆼᄃ ᅢᄌ ᅥ ᆨᄋ ᅳᄅ ᅩ ᄂ ᅡ ᆽᄀ ᅦ ᄂ ᅡᄐ ᅡᄂ ᅡ ᆻᄋ ᅳᄆ ᅧ, ᄋ ᅵ ᆷᄀ ᅳ ᆷ ᄀ ᅪ ᄀ ᅵ ᄋ ᅥ

ᆸᄀ ᅲᄆ ᅩᄀ ᅡ ᄌ ᅳ ᆼ ᄀ ᅡᄒ ᅡ ᆯᄉ ᅮᄅ ᅩ ᆨ ᄋ ᅵ ᆫᄅ ᅧ ᆨᄋ ᅲᄎ ᅮ ᆯ ᄒ ᅪ ᆨᄅ ᅲ ᆯ ᄋ ᅵ ᄂ ᅩ ᇁ ᄀ ᅦ ᄂ ᅡᄐ ᅡᄂ ᅡ ᆻᄃ ᅡ.

ᄌ

ᅮᄋ ᅭᄋ ᅭ ᆼ ᄋ ᅥ: ᄃ ᅡ ᆫᄉ ᅮ ᆫ ᄑ ᅳᄅ ᅩᄇ ᅵ ᆺ ᄆ ᅩᄒ ᅧ ᆼ, ᄋ ᅵᄇ ᅧ ᆫᄅ ᅣ ᆼ ᄑ ᅳᄅ ᅩᄇ ᅵ ᆺ ᄆ ᅩᄒ ᅧ ᆼ, ᄋ ᅵ ᆫᄅ ᅧ ᆨᄋ ᅲᄎ ᅮ ᆯ, ᄑ ᅭᄇ ᅩ ᆫᄉ ᅥ ᆫᄐ ᅢ ᆨ ᄑ ᅧ ᆫᄋ ᅴ.

1. 서론 ᄋ

ᅮ리나라에서 수도권으로의 인구 집중은 심각한 문제이다. 수도권의 인구비중이 1970년에는 28.3%

르

ᆯ차지했었으나, 2017년에는 49.6%로 늘어나 전 인구의 절반가량이 전체 면적의 11.8%에 불과한 수도 ᄀ

ᅯ

ᆫ에 밀집하여 거주하고 있다. 한 가지 주목할 사실은 2001년∼2017년 동안 전 연령층에서는약 103만 며

ᆼ이 비수도권에서 수도권으로 이동한데 비하여, 청년층 (15∼29세) 중에서는약 126만명이 비수도권에 ᄉ

ᅥ 수도권으로 이동함으로써, 청년층의 수도권집중이 바로 수도권으로의 인구 집중을초래하고 있다는 ᄉ

ᅡ실이다. 이와 같은청년층의 수도권으로의 이동이 바로 지방의 소멸을초래하는 원인의 하나라고 할 ᄉ

ᅮ 있다.

처

ᆼ년층의 인구이동이 이와 같이 크게 발생하는이유는대학 및 취업과관련된인구이동이 차지하는비 주

ᆼ이 매우 커지고 있기 때문이다. 즉,지방의 우수한 고교졸업자들은상위권대학에 진학하기 위해서 수 ᄃ

ᅩ권에 있는대학으로 진학하고, 대학을 졸업한 후에는수도권에서 취업하는경우가 일반적이다. 그런 ᄃ

ᅦ 대학졸업 이후 취업지역 선택과 같이 청년층의 지역간 선별적 인구이동과 인력유출의 현황 및 구체적 ᄋ

ᅵᆫ 원인에 대하여 미시자료를이용한 연구는많지 않다 (Ryu, 2014; Kim과 Chung, 2013; Lee와 Lee, 2016; Moon과 Hong, 2017). 특히, 대학졸업 후 직장선택과관련된인구이동에 의한 지역의 인적자본 ᄋ

ᅲ출에 대한 개인별 미시자료를이용한 연구는극히 일부에 불과하다.

1

(48434) ᄇ ᅮᄉ ᅡ ᆫ ᄀ ᅪ ᆼᄋ ᅧ ᆨᄉ ᅵ ᄂ ᅡ ᆷᄀ ᅮ ᄉ ᅮᄋ ᅧ ᆼᄅ ᅩ 309 ᄇ ᅥ ᆫᄌ ᅵ, ᄀ ᅧ ᆼᄉ ᅥ ᆼᄃ ᅢᄒ ᅡ ᆨᄀ ᅭ ᄀ ᅮ ᆨ ᄌ ᅦᄆ ᅮᄋ ᅧ ᆨᄐ ᅩ ᆼ ᄉ ᅡ ᆼᄒ ᅡ ᆨᄀ ᅪ, ᄀ ᅭᄉ ᅮ.

2

ᄀ ᅭᄉ ᅵ ᆫᄌ ᅥᄌ ᅡ: (48434) ᄇ ᅮᄉ ᅡ ᆫ ᄀ ᅪ ᆼᄋ ᅧ ᆨᄉ ᅵ ᄂ ᅡ ᆷᄀ ᅮ ᄉ ᅮᄋ ᅧ ᆼᄅ ᅩ 309 ᄇ ᅥ ᆫᄌ ᅵ, ᄀ ᅧ ᆼᄉ ᅥ ᆼᄃ ᅢᄒ ᅡ ᆨᄀ ᅭ ᄉ ᅮᄒ ᅡ ᆨᄋ ᅳ ᆼᄋ ᅭ ᆼᄐ ᅩ ᆼ ᄀ ᅨᄒ ᅡ ᆨᄇ ᅮ, ᄀ ᅭᄉ ᅮ.

E-mail : [email protected]

이

ᆯ반적으로 인력유출에 대한 결정요인을 분석할 때 대졸 취업자만을 분석대상으로 하여 단순 프로 비

ᆺ 모형 (simple probit model)을활용한다. 그러나 취업자의 인력유출여부 선택과정은 대졸자의 취 어

ᆸ여부의 선택과정과 관련이 있을 수 있다는 점에서 자기 선택성 (self-selectivity)이 내재하고 있다 (Hwang과 Lee, 2011). 또한 대졸 취업자의 인력유출 확률은 대졸자가 취업을 했다는 전제가 되어야 ᄀ

ᅮ할 수 있는조건부확률의 특성을무시함으로써 실제의 선택과정을묘사하는데 문제가 있다. 이 같은 과

ᆫ점에서 보면 대졸취업자만을대상으로 인력유출결정요인을 분석한다면 대졸자 모집단에서 미취업자 ᄃ

ᅳ

ᆯ이 체계적으로 배제됨으로써 표본선택 편의 (sample selection bias)의 문제가 발생한다. 이 경우 추 저

ᆼ된 회귀계수는편의된값을가지며, 따라서 추론된 인과관계를 전체 대졸자 모집단으로 일반화할 수 어

ᆹ게된다.

ᄒ

ᅡᆫ편 표본선택 편의를보정하기 위해서는 분석자료에 미취업 대졸자도 포함하여야 할 뿐만 아니라 적 저

ᆯ한 방법론을선택하는것이 필요하다. 표본선택모형은표본선택 편의로부터 발생되는 문제를해결하 ᄀ

ᅵ 위해 이용된다 (Heckman, 1979; Satori, 2003; Park과 Cho, 2016; Cho, 2018). 표본선택모형 중 ᄒ

ᅡ나인 표본선택 이변량 프로빗 모형 (bivariate probit model with sample selection model)은 2차 이 ᄉ

ᅡᆼ 일련의 선택에 따른표본의 선택성을 통제하는데 사용되는 통계적 방법이다 (Greene, 1996 ; Poirier, 2002). 표본선택 이변량 프로빗 모형은 일련의 연속된 선택이 있을때 오차항의 상관관계에 기초한 두 ᄀ

ᅢ의 프로빗 모형들로 구성된다. 본 연구에서도 취업여부 결정과 인력유출여부 결정이 연속적으로 일 ᄋ

ᅥ난다고 가정하고 표본선택 이변량 프로빗 모형을적용한다.

보

ᆫ 논문에서는한국고용정보원에서 조사한 “2014년 대졸자 직업이동경로조사 (2014 graduates oc- cupational mobility survey; GOMS)”자료를이용하여 인력유출결정요인을 분석한다. 본연구에서 인 ᄅ

ᅧᆨ유출은대학 소재지와 직장 소재지가광역시도 단위에서 동일하지 않은것으로 정의하였다. 표본선택 ᄑ

ᅧᆫ의 문제를해결하기 위해서는표본선택 이변량 프로빗 모형을이용하였다. 제 2절에서는 분석자료에 ᄃ

ᅢ한 소개와 기술통계 결과를제시하고, 제 3절에서는연구모형인 표본선택 이변량 프로빗 모형에 대해 ᄀ

ᅡᆫ단히 소개한다. 그리고 제 4절에서는 실증분석 결과를제시하고, 마지막으로 제 5절에서는결론을제 ᄉ

ᅵ한다.

2. 자료소개 및 기술통계 ᄃ

ᅢ졸자의 인력유출결정요인을 분석하기 위해 2014년 GOMS 데이터를활용한다. GOMS 데이터는 ᄒ

ᅡᆫ국고용정보원 (https://www.keis.or.kr/)에서 해마다 대졸자의 경력개발 및 직업이동경로를추적 ᄌ

ᅩ사하는 횡단면 데이터이며, 일반 사용이 허용된 공개된 데이터이다. 조사내용으로는 전국의 전문대 ᄌ

ᅩᆯ 및 4년제 대졸자를 대상으로 졸업 후 약 18개월이 경과한 시점에서 경제활동상태, 일자리 경험, 교 ᄋ

ᅲᆨ 및 취업준비, 학교생활 등에관하여 조사한 데이터이다. 2014년 GOMS 데이터에 따르면, 전체 대 조

ᆯ자 494,274명 중에서 취업 경험이 있는 대졸자는 370,275명이며, 이 중에서 인력유출 대졸 취업자 느

ᆫ 188,864명이다. 따라서 인력유출결정요인을 분석하기 위해 대졸자의 인적특성, 대학특성 및 직장특 서

ᆼ 등 선행연구 (Ryu, 2014)에서 사용되었던 변수를활용했으며, 독립변수에 대한 설명은 아래 Table 2.1과 같다.

ᄋ

ᅡ래 Table 2.2는 독립변수별로 취업여부와 인력유출여부에 대한 교차분석 결과이다.

Table 2.2의 결과를 요약하면 다음과 같다. 먼저 여자에 비해서 남자가 취업률과 유출 비율이 높은 거

ᆺ으로 나타났다. 연령은 30세 이상의 취업률은 가장 높게 나타났으나 유출비율은 25∼29세인 경우가 ᄀ

ᅡ장 높게 나타났다. 부모소득이 높아질수록 대체로 취업률은 낮아지는 경향이 있으나 유출비율은 높 ᄋ

ᅡ지는 경향이 있다. 전문대졸업자인 경우 취업률은 높으나 대졸취업자는유출비율이 높은것으로 나 ᄐ

ᅡ났다. 계열별 결과로부터 자연계열은취업률은 높게 나타났지만, 유출비율은예체능계열이 높게 나타

Table 2.1 Variables explanation

variables explanation

sex 0=’female’, 1=’male’

age 0=‘<25’, 1=‘25∼29’, 2=‘≥30’

parent’s income 0=’<100’, 1=’100∼200’, 2=’200∼300’, 3=’300∼500’, 4=’¿500’

foundation type 0=’college’, 1=’university’

school type 0=’private’, 1=’national’

department category 0=’art’, 1=’humanity’, 2=’natural science’

gpa 0=’<3.0’, 1=’3.0∼4.0’, 2=’¿4.0’

number of licenses 0=’none’, 1=’1’, 2=’2’, 3=’≥3’

language study 0=’no’, 1=’yes’

abroad

university region 0=’metropolitan‘, 1=’chungchung’, 2=’honam’, 3=’daekyung’, 4=’dongnam’, 5=’the others’

wage average monthly salary

company size 0=’<100’, 1=’100∼299’, 2=’300∼999’, 3=’≥1000’

wage average monthly salary brain-drain 0=’no’, 1=’yes’

employment whether or not you are employed

‘0’ means reference category. ‘gpa’ means grade point average.

ᄂ ᅡ

ᆻ다. 평균평점이 높아질수록취업률은 높아지지만 유출비율은낮아지는경향이 있는것을알 수 있다.

ᄀ

ᅳ리고 대학지역별 결과를살펴보면, 동남권과 기타 권역을제외한 모든 권역에서 유출비율모두 수도권 ᄋ

ᅦ 비해서 높은 것으로 나타났다. 기업규모가 커질수록유출비율은대체로 증가하는경향이 있는것으 ᄅ

ᅩ 나타났다.

3. 분석모형 ᄋ

ᅥ떤 대졸취업자 i가 잠재변수 y^∗1i에 따라 인력유출여부의 의사결정을하고, 이 잠재변수는대졸취 어

ᆸ자의 사회경제적 특성 및관찰 가능한 설명변수 벡터 xxx1i와관찰할 수 없는확률변수 ϵ1i에 의해 다음 ᄀ

ᅪ 같은관계를갖는다고 가정한다. 이를결과모형 (outcome model)이라고 한다.

y_1i^∗ = xxx1iβββ₁+ ϵ1i, y1i =







1 if y1i^∗ ≥ 0 0 if y_1i^∗ < 0, ᄋ

ᅧ기서 대졸취업자 i는만일 y^∗1i ≥ 0이면 인력유출 (y1i = 1), y1i^∗ < 0이면 동일지역 취업 (y1i = 0)을 ᄒ

ᅡᆫ다고 생각할 수 있다. 이때확률변수 ϵ1i가 평균 0과 분산 1의 정규분포를따른다고 가정했을때, 회 ᄀ

ᅱ계수 벡터 βββ1를최대 가능도 추정법으로 추정하기 위한 로그-가능도함수 (log-likelihood function)는 ᄃ

ᅡ음과 같다.

lnL = X

y_1i=0

ln [1 − Φ1(xxx1iβββ₁)] + X

y_1i=1

ln [Φ1(xxx1iβββ₁)] ,

ᄋ

ᅧ기서 Φ¹(·)는표준누적 일변량 정규분포함수 (standard cumulative univariate normal distribution function)를나타내며, 이를단순프로빗 모형 (simple probit model)이라고 한다.

Table 2.2 Descriptive statistics

variables employment brain-drain

n no(%) yes(%) n no(%) yes(%)

sex male 236,538 23.7 76.3 189,512 45.8 54.2

female 257,736 26.3 73.7 180,325 52.0 48.0

age <25 203,747 25.6 74.4 151,293 50.1 49.9

25∼29 249,630 25.8 74.2 185,097 46.2 53.8

≥30 40,897 18.2 81.8 33,447 58.8 41.2

parent’s <100 36,080 22.1 77.9 28,094 55.5 44.5

income 100∼200 44,879 25.1 74.9 33,619 48.3 51.7

200∼300 84,819 23.8 76.2 64,525 49.0 51.0

300∼500 234,206 25.1 74.9 175,327 48.4 51.6

>500 94,195 27.4 72.6 68,230 47.7 52.3

foundation college 182,337 22.4 77.6 141,281 55.0 45.0

type university 307,230 26.9 73.1 224,260 45.1 54.9

school private 412,133 24.4 75.6 310,955 49.3 50.7

type national 81,026 28.0 72.0 58,334 47.1 52.9

department humanity 214,930 26.6 73.4 157,637 52.9 47.1

category natural 213,016 23.5 76.5 162,835 46.1 53.9

art 66,328 25.6 74.4 49,365 45.7 54.3

gpa <3.0 14,973 27.7 72.3 10,796 47.0 53.0

3.0∼4.0 323,913 25.1 74.9 242,272 48.2 51.8

≥4.0 125,120 25.0 75.0 93,731 51.0 49.0

number of none 179,010 29.7 70.3 125,643 48.6 51.4

licences 1 168,138 21.0 79.0 132,699 48.6 51.4

2 81,143 23.7 76.3 61,920 49.9 50.1

≥3 65,983 24.8 75.2 49,575 49.5 50.5

language no 444,532 24.9 75.1 333,538 49.2 50.8

study abroad yes 49,742 26.7 73.3 36,299 46.1 53.9

university metropolitan 202,130 25.7 74.3 150,042 51.9 48.1

region chungchung 82,723 24.2 75.8 62,615 32.3 67.7

honam 54,592 26.2 73.8 40,214 50.4 49.6

daekyung 62,273 22.9 77.1 47,916 44.3 55.7

dongnam 68,310 26.2 73.8 50,381 62.0 38.0

the others 24,246 22.9 77.1 18,669 54.5 45.5

company size <100 184,552 50.9 49.1

100∼299 38,171 46.7 53.3

300∼999 39,761 47.9 52.1

≥1000 92,818 46.3 53.7

note) sd

means standard deviation.

ᄀ

ᅳ러나 인력유출결정요인을 분석하기 위해 단순프로빗 모형을활용한다면 다음과 같은 문제점을야 ᄀ

ᅵ할 수 있다. 첫째, 대졸취업자의 인력유출여부 선택과정은대졸자의 취업여부의 선택과정과관련이 이

ᆻ을수 있다는점이다. 이 경우 대졸취업자의 인력유출여부에 영향을주는요인이 대졸자의 취업여부 ᄋ

ᅦ 역시 영향을 줄수 있다는것을의미하는데 이런 상관성을무시한다면 불편추정량과 일치추정량을얻 으

ᆯ수 없게된다. 둘째, 대졸취업자의 인력유출확률은대졸자가 취업을했다는전제가 되어야 구할 수 이

ᆻ는조건부확률의 특성을간과한 것으로 실제의 선택과정을묘사하는데 한계가 있다. 셋째, 특정 대졸 ᄌ

ᅡ의 취업 결정은취업 이후의 인력유출선택과정과는다를수 있다. 인력유출은대졸자 개인적 요인 외 ᄋ

ᅦ도 월평균 급여, 기업규모, 지역 등보다 복합적인 요소들이 다양하게 영향을미칠 수 있다. 따라서 대 조

ᆯ취업자만을고려한 단순 프로빗 모형은대졸미취업자의 특성정보를 분석모형에서 제외함으로써 표 ᄇ

ᅩᆫ선택편의 (sample selection bias)를초래하게된다.

ᄄ

ᅡ라서 본연구에서는이들 문제점을개선하기 위하여 다음과 같은모형을가정한다.

ᄋ

ᅥ떤 대졸자 i는잠재변수 y2i^∗에 따라 취업 또는미취업의 선택을하고 이 변수는관찰 가능한 설명변 ᄉ

ᅮ 벡터 xxx2i와관찰할 수 없는확률변수 ϵ²ⁱ에 의해 다음과 같은관계를갖는다고 가정한다. 이를선택 ᄆ

ᅩ형 (selection model)이라고 한다.

y2i^∗ = xxx2iβββ₂+ ϵ2i, y2i =







1 if y_2i^∗ ≥ 0 0 if y_2i^∗ < 0.

ᄋ

ᅵ때 대졸자 i는만일 y_2i^∗ ≥ 0이면 취업을하고 (y2i = 1), y_2i^∗ < 0이면 취업하지 못했다고 (y2i= 0) 새

ᆼ각할 수 있다.

ᄐ

ᅳᆨ정 대졸자 i가 취업한 경우 (y²ⁱ = 1), 그는관찰 가능한 변수벡터 xxx1i와관찰할 수 없는확률변수 ϵ1i에 의해 만약 y1i^∗ ≥ 0이면 인력유출 (y1i = 1),그리고 y1i^∗ < 0이면 동일지역 취업 (y1i= 0)이라고 ᄀ

ᅡ정할 수 있을것이다. 그러나 특정 대졸자 i가 미취업자라면 (y2i= 0),더 이상 인력유출여부의 선택 ᄋ

ᅦ관여하지 않게된다.

ᄒ

ᅡᆫ편 표본선택 이변량 프로빗 모형은 2차 이상 일련의 선택에 따른표본의 선택성을 통제하는데 사용 ᄃ

ᅬ는개념으로, 표본의 선택성이 존재하는것은대부분의 자료에서 흔히 야기되는 통계적 문제이다. 이 ᄅ

ᅥ한 표본선택을 통제할 수 있는방법으로 오차항의 상관관계에 기초한 두 개의 프로빗 모형들로 구성 ᄒ

ᅡᆫ다. 즉 ϵ1i와 ϵ²ⁱ가 각각 평균이 0이고 분산이 1이며, 상관계수가 ρ인 이변량 정규분포를따른다고 가 저

ᆼ한다. 선택모형의 오차항 ϵ2i는전체 대졸자를 대상으로 구성되는반면, 결과모형의 오차항 ϵ1i는 전 ᄎ

ᅦ 대졸자 중취업자만을대상으로 구성된다. 따라서 결과모형이 선택모형을고려하지 않는다면, 결과 ᄆ

ᅩ형은전체 대졸자 중에서 미취업자와관련된 설명변수를누락시킬 가능성이 존재한다. 이 뿐만 아니 ᄅ

ᅡ, 오차항의 평균이 0이라는조건을 충족하지 못하여 대졸취업자의 인력유출여부와 설명변수들의관 ᄀ

ᅨ에 대한 통계적 오류를야기시킨다 (Kaplan과 Venezky, 1994).

π1, π2, π3를각각 인력유출확률, 동일지역 취업확률 및 미취업확률이라고 한다면, 다음과 같이 계 ᄉ

ᅡᆫ될수 있다.

π1= P r (y1i= 1 and y2i= 1) = Φ2(xxx1iβββ₁, xxx2iβββ_2,ρ),

π2= P r (y1i= 0 and y2i= 1) = Φ2(xxx1iβββ₁, −xxx2iβββ_2,− ρ) = Φ2(xxx2iβββ₂) − π1, π3= P r (y2i= 0) = Φ1(−xxx2iβββ₂) = 1 − Φ1(xxx2iβββ₂) = 1 − π1− π2,

ᄋ

ᅧ기서 Φ²(·)는표준누적 이변량 정규분포 (standard cumulative bivariate normal distribution func- tion)를나타내며, ρ는오차항들간의 상관계수를나타낸다.

ᄒ

ᅬ귀계수 βββ1와 βββ2를추정하기 위해 최대 가능도 추정법을사용하는경우 로그-가능도 함수는다음과 ᄀ

ᅡ ᇀ다.

lnL = X

y_1i=1,y_2i=1

lnΦ2(xxx1iβββ₁, xxx2iβββ_2,ρ) + X

y_1i=0,y_2i=1

ln [Φ2(−xxx1iβββ₁, xxx2iβββ₂, −ρ)]

+ X

y_2i=0

ln [1 − Φ1(xxx2iβββ₂)]

ᄋ

ᅵ와 같은 구조를 갖는 모형을 표본선택 이변량 프로빗 모형 (bivariate probit model with sample selection)이라고 한다 (Maddala, 1983; Green, 2000).

ᄋ

ᅱ의 로그-가능도 함수로 추정한 회귀계수 βββ1, βββ₂ 및 ρ는 최적화된 계수를 의미하며, Maddala (1983)에 따르면 순차적인 선택으로 구분된두 개의 모형에 대한 오차항의 상관관계를나타내는 ρ가 통 ᄀ

ᅨ적으로 유의할 경우, 이러한 선택성을무시한 일변량 프로빗 모형의 적용은 통계적 오류를범하게 되 ᄆ

ᅧ, 이런 오류를보정하기 위해 표본선택 이변량 프로빗 모형을적용해야 한다.

4. 분석결과 ᄃ

ᅢ졸자를 대상으로 독립변수인 인적특성, 대학특성 및 직업특성이 인력유출에 미치는 영향을 분석하 ᄋ

ᅧᆻ다. 이를 위해서는취업여부 및 인력유출의 2단계 선택을 종속변수로 하는표본선택 이변량 프로빗 ᄆ

ᅩ형을적용하였다. 표본선택 이변량 프로빗 모형에서는취업여부의 프로빗 모형을 통해 취업확률을계 ᄉ

ᅡᆫ한 후, 대졸취업자만 선택되어 인력유출여부의 추정모형에 투입된다. 분석결과는 Table 4.1에 제시 ᄒ

ᅡ였다.

Table 4.1 Results of bivariate probit model with sample selection model

variables selection model outcome model

b s.e. b s.e.

sex male 0.079*** 0.005 0.083*** 0.006

age 25∼30 0.028*** 0.005 -0.068*** 0.005

>30 0.270*** 0.009 -0.328*** 0.008 foundation type university -0.101*** 0.005 0.237*** 0.006

school national -0.086*** 0.006 0.007 0.006

dept. category humanity -0.034*** 0.006 -0.153*** 0.008 natural 0.060*** 0.006 -0.073*** 0.006

parent’s income 100∼200 -0.013 0.010 0.106*** 0.010

200∼300 0.050*** 0.009 0.035*** 0.009

300∼500 0.006 0.009 0.066*** 0.008

>500 -0.041*** 0.009 0.062*** 0.009

gpa 3.0∼4.0 0.082*** 0.007 -0.062*** 0.007

≥4.0 0.056*** 0.008 -0.047*** 0.008

number of 1 0.279*** 0.005 -0.099*** 0.007

licenses 2 0.196*** 0.006 -0.061*** 0.007

≥3 0.149*** 0.006 -0.048*** 0.007

language study yes 0.001 0.007 0.052*** 0.007

university chungchung 0.404*** 0.008

region honam 0.058*** 0.006

daekyung 0.188*** 0.007

dongnam -0.222*** 0.007

the others -0.056*** 0.008

wage <0.001*** <0.001

size 100∼299 0.037*** 0.006

300∼999 0.014** 0.006

≥1000 0.037*** 0.005

constant -0.425*** 0.012 0.199*** 0.019

ρ -0.864***

LRT

for Ho : ρ 52.560***

n (censored/uncensored) 471,466 (123,379/348,087)

Log-likelihood -499,209.10***

LR (df) 18,192.85 (26)***

*:p<0.10, **:p<0.05, ***:p<0.01. LRT

means likelihood ratio test.

LR χ

means likelihood ratio Chi square test.

Table 4.1의 결과로부터 알 수 있는사실은 다음과 같다. 먼저 이변량 프로빗모형의 오차항에 대한 ᄉ

ᅡᆼ관관계를나타내는 ρ의 값이 -0.864로서 통계적으로 유의함으로써 (p-value<0.001), 표본선택 이변량 ᄑ

ᅳ로빗 모형이 통계적으로 유의함을알 수 있다. 이는대졸취업자가 인력유출을 선택할 확률이 1단계 ᄒ

ᅬ귀분석에서 대졸미취업자가 (만약 2단계에서 기회가 있다면) 인력유출을선택할확률에 비해 낮다는 거

ᆺ을의미한다.

ᄆ

ᅥᆫ저 선택모형 (selection model)에 대한 결과를살펴보면 다음과 같다. 여자에 비해서 남자일수록, ᄀ

ᅳ리고 연령이 높아질수록취업확률이 높은것으로 나타났다. 그리고 전문대에 비해서 4년제 대학의 취 어

ᆸ확률이 낮으며, 사립대에 비해서 국립대의 취업확률이 낮은 것으로 나타났다. 계열별로는예체능계 여

ᆯ에 비해서 자연계열은취업확률이 높으나, 인문계열은취업확률이 낮은것으로 나타났다. 부모소득은 100만원 미만에 비해서 200∼300만원인 경우 취업확률은 높게 나타났으나, 500만원 이상인 경우는 오 ᄒ

ᅵ려 취업확률이 낮은것으로 나타났다. 평균평점과 자격증수는많을수록취업확률이 높아지는경향이 이

ᆻ음을알 수 있다.

ᄃ

ᅡ음으로 결과모형 (outcome)에 대한 결과를살펴보면 다음과 같다. 먼저 여자에 비해서 남자가 인 ᄅ

ᅧᆨ유출확률이 높으며, 연령이 많을수록 인력유출확률은 낮은 것으로 나타났다. 전문대에 비해서 4년 ᄌ

ᅦ 대졸자가 인력유출확률이 높았으며, 계열별로는예체능계열에 비해서 인문계열 및 자연계열의 인력 ᄋ

ᅲ출 확률이 낮은것으로 나타났다. 부모소득이 높을수록 인력유출 확률이 높으며, 평균평점과 자격증 ᄀ

ᅢ수가 많을수록 인력유출확률은낮은것으로 나타났다. 어학연수 경험이 있는대졸자의 인력유출 확 류

ᆯ이 높은것으로 나타났다. 대학소재지별 결과를살펴보면, 동남권과 기타 지역권을제외한 충청권,호 ᄂ

ᅡ

ᆷ권,대경권의 인력유출확률이 수도권에 비해서 높은것으로 나타났다. 그리고 임금과 기업규모가 증 ᄀ

ᅡ할수록 인력유출확률이 높게 나타났다.

5. 결론 ᄇ

ᅩᆫ연구에서는 2014년 GOMS 자료를활용하여 인재유출결정요인을 분석하였다. 취업여부 및 인력 ᄋ

ᅲ출의 2차 이상 일련의 선택에 따른표본선택 편의를 통제하기 위해 표본선택 이변량 프로빗 모형을활 ᄋ

ᅭ

ᆼ하였다. 주요 분석 결과를요약하면 다음과 같다.

처

ᆺ째, 표본선택 이변량 프로빗 모형의 유의성을나타내는오차항의 상관계수의 값이 통계적으로 유의 ᄒ

ᅡᆷ을 알 수 있다. 즉, 인력유출 결정요인을 분석하기 위한 표본선택 이변량 프로빗 모형이 통계적으로 ᄋ

ᅲ의함을알 수 있다.

ᄃ ᅮ

ᆯ째, 여자에 비해서 남자가 취업확률과 인력유출확률모두 높게 나타났다. 그러나 연령이 증가할수 ᄅ

ᅩ

ᆨ취업확률은 높았지만 인력유출확률은낮게 나타났다.

ᄉ

ᅦᆺ째, 전문대에 비해서 4년제 대졸자는취업확률은낮았지만 인력유출확률은 높게 나타났다. 그리고 ᄋ

ᅨ체능계열에 비해서 자연계열의 취업확률은 높은반면, 인력유출확률은낮은것으로 나타났다.

ᄂ

ᅦᆺ째, 부모소득이 100만원미만에 비해서 높을수록취업확률은 일정한 패턴이 없지만, 인력유출확률 ᄋ

ᅳ

ᆫ 높아지는경향이 있음을알 수 있다.

ᄃ

ᅡ섯째, 평균평점과 자격증수가 많아질수록취업확률은 높아지지만, 인력유출확률은낮은것으로 나 ᄐ

ᅡ났다. 그리고 어학연수 경험이 있는대졸취업자는 인력유출확률이 높은것으로 나타났다.

ᄋ

ᅧ섯째, 대학소재지가 동남권및 기타 권역을제외한 충청권,호남권,대경권의 인력유출확률은수도 ᄀ

ᅯ

ᆫ에 비해서 상대적으로 높게 나타났다.

ᄆ

ᅡ지막으로 임금과 기업규모가 증가할수록 인력유출확률이 높게 나타났다.

보

ᆫ연구에서는이변량 프로빗 모형을활용하여 청년층이 타 지역으로 유출되는요인에 대하여 분석하 ᄋ

ᅧᆻ다. 그런데 임금의 수준,근로조건이나 작업장의환경 또는기타 사회문화적 요인도 인재유출에 중요

ᄒ

ᅡᆫ 요인으로 작용할 가능성이 존재한다. 본연구에서는자료의 한계 등으로 인하여 이러한 연구를하지 느

ᆫ 못했지만, 앞으로는이에 대한 연구도 필요할 것으로 판단된다.

References

Cho, J. S. (2018). The job match determinants using Heckman’s sample selection model. Journal of the Korean Data & Information Science Society, 29, 183-194.

Greene, W. H. (1996). Marginal effects in the bivariate probit model , NYU Working Paper No. EC-96-11.

Heckman, J. J. (1976). The common structure of statistical models of truncation, sample selection and limited dependent variables and a simple estimator for such models. Annals of Economic and Social Measurement , 5, 475-492.

Hwang, J. H. and Lee, S. W. (2011). The impact of divorce on tenure choice for women in Korea. Journal of the Korean Housing Association, 23, 55-66.

Kaplan, D. and Venezky, R. (1994). Literacy and voting behavior; a bivariate probit model with sample selection. Social Science Research, 23, 350-367.

Kim, G. S. and Chung, M. S. (2013). The determinants of the out-migration of human capital in Busan metropolitan area in Korea. Journal of Korean National Economy, 31, 103-130.

Lee, C. Y. and Lee, H. H. (2016). An analysis on the determinants of youth population movement across regions and prospects. Journal of Korean National Economy, 34, 145-171.

Maddala, G. S. (1983). Limited-dependent and qualitative variables in econometrics, Cambridge: Cam- bridge University Press.

Moon, Y. M. and Hong, J. P. (2017). Young generation’s labour market gap and local brain drain-focusing on metropolitan and non-metropolitan areas. Journal of Regional Studies, 25, 165-187.

Park, S. I. and Cho, J. S. (2016). The wage determinants applying sample selection bias. Journal of the Korean Data & Information Science Society, 27, 1317-1325.

Ryu, J. S. (2014). An analysis on the determinants of provincial brain-drain. Journal of Regional Studies, 23, 1-23.

Satori, A. (2003). An estimator for wome binary-outcome selection models without exclusion restrictions.

Proitical Analysis, 11, 111-138.

2019, 30

1)

23–31

An analysis on the determinants of brain-drain using bivariate probit model

Sungik Park

¹

²

1International Trade and Commerce, Kyungsung University

2Division of Mathematics and Applied Statistics, Kyungsung University

Received 26 December 2018, revised 11 January 2019, accepted 11 January 2019

Abstract

In general, only the employed are under study to analyze the determinants of brain- drain. In this way, the selection of samples for the employed will result in a sample selection bias by excluding the research subjects from the population systematically.

In this study, we use bivariate probit model with sample selection to solve the problem of sample selection bias. The main results of the analysis are summarized as follows.

First, we note that the bivariate probit model with sample selection used to analyze the determinants of brain-drain is statistically significant. Second, the probabilities of male employment and male brain-drain were higher than those of female. However, as the age increases, the probability of employment is high, but the probability of brain- drain is low. Third, the probability of university graduate employment was lower than that of college graduates, but the probability of brain-drain was higher. Finally, the probability of brain-drain in the Seoul metropolitan area is relatively low compared to other areas in the university location, and the probability of brain-drain is higher as the wage and company size increase.

Keywords: Bivariate probit model, brain-drain, sample selection bias, simple probit model.

1

Professor, Department of International Trade and Commerce, Kyungsung University, Busan 48434, Korea.

2

Corresponding author: Professor, Division of Mathematics and Applied Statistics, Kyungsung Univer-

sity, Busan 48434, Korea. E-mail: [email protected]