Analysis on determinants of full-time youth employment in panel count model^†

2019, 30

6)

1309–1318

패널 카운트 모형을 정규직 청년채용 결정요인분석 분석 ^†

ᄌ ᅩ장식

¹

1경성대학교 수학응용통계학부

ᄌ ᅥ

ᆸᄉ ᅮ 2019ᄂ ᅧ ᆫ 9ᄋ ᅯ ᆯ 20ᄋ ᅵ ᆯ, ᄉ ᅮᄌ ᅥ ᆼ 2019ᄂ ᅧ ᆫ 10ᄋ ᅯ ᆯ 17ᄋ ᅵ ᆯ, ᄀ ᅦᄌ ᅢ ᄒ ᅪ ᆨᄌ ᅥ ᆼ 2019ᄂ ᅧ ᆫ 10ᄋ ᅯ ᆯ 18ᄋ ᅵ ᆯ

요 약

ᄇ

ᅩ ᆫ ᄋ ᅧ ᆫᄀ ᅮᄋ ᅦᄉ ᅥᄂ ᅳ ᆫ ᄋ ᅵᄌ ᅥ ᆫᄀ ᅩ ᆼᄀ ᅩ ᆼ ᄀ ᅵ ᄀ ᅪ ᆫ ᄋ ᅴ ᄌ ᅵᄋ ᅧ ᆨᄋ ᅵ ᆫᄌ ᅢ ᄌ ᅥ ᆼᄀ ᅲᄌ ᅵ ᆨ ᄎ ᅥ ᆼᄂ ᅧ ᆫᄎ ᅢᄋ ᅭ ᆼ ᄋ ᅵ ᆫᄋ ᅯ ᆫ ᄉ ᅮᄋ ᅦ ᄃ ᅢᄒ ᅡ ᆫ ᄀ ᅧ ᆯᄌ ᅥ ᆼᄋ ᅭᄋ ᅵ ᆫᄋ ᅳ ᆯ ᄇ ᅮ ᆫᄉ ᅥ ᆨᄒ ᅡᄋ ᅧ ᆻᄃ ᅡ.

ᄋ

ᅵᄅ ᅳ ᆯ ᄋ ᅱᄒ ᅢ 2013ᄂ ᅧ ᆫᄇ ᅮᄐ ᅥ 2017ᄂ ᅧ ᆫᄁ ᅡᄌ ᅵ ᄋ ᅧ ᆫᄃ ᅩᄇ ᅧ ᆯᄅ ᅩ ᄉ ᅮᄌ ᅵ ᆸᄃ ᅬ ᆫ ‘ᄀ ᅩ ᆼᄀ ᅩ ᆼ ᄀ ᅵ ᄀ ᅪ ᆫ ᄀ ᅧ ᆼᄋ ᅧ ᆼᄌ ᅥ ᆼᄇ ᅩᄀ ᅩ ᆼ ᄀ ᅢᄉ ᅵᄉ ᅳᄐ ᅦ ᆷ’ (ᄋ ᅡ ᆯᄅ ᅵᄋ ᅩ)ᄋ ᅴ ᄑ ᅢᄂ ᅥ ᆯ ᄃ

ᅦᄋ ᅵᄐ ᅥᄅ ᅳ ᆯ ᄒ ᅪ ᆯᄋ ᅭ ᆼ ᄒ ᅡᄋ ᅧ ᆻᄃ ᅡ. ᄇ ᅡ ᆫᄋ ᅳ ᆼᄇ ᅧ ᆫᄉ ᅮᄋ ᅵ ᆫ ᄋ ᅵᄌ ᅥ ᆫᄀ ᅩ ᆼᄀ ᅩ ᆼ ᄀ ᅵ ᄀ ᅪ ᆫ ᄋ ᅴ ᄌ ᅥ ᆼᄀ ᅲᄌ ᅵ ᆨ ᄎ ᅥ ᆼᄂ ᅧ ᆫᄎ ᅢᄋ ᅭ ᆼ ᄋ ᅵ ᆫᄋ ᅯ ᆫ ᄉ ᅮᄂ ᅳ ᆫ ᄏ ᅡᄋ ᅮ ᆫ ᄐ ᅳ ᄃ ᅦᄋ ᅵᄐ ᅥ (count data)ᄋ ᅵᄆ ᅳᄅ ᅩ ᄏ ᅡᄋ ᅮ ᆫ ᄐ ᅳ ᄃ ᅦᄋ ᅵᄐ ᅥᄅ ᅳ ᆯ ᄇ ᅮ ᆫᄉ ᅥ ᆨᄒ ᅡᄀ ᅵ ᄋ ᅱᄒ ᅢᄉ ᅥᄂ ᅳ ᆫ ᄑ ᅩᄋ ᅡᄉ ᅩ ᆼ ᄒ ᅬᄀ ᅱᄆ ᅩᄒ ᅧ ᆼᄋ ᅵᄂ ᅡ ᄋ ᅳ ᆷ ᄋ ᅵᄒ ᅡ ᆼ ᄒ ᅬᄀ ᅱᄆ ᅩᄒ ᅧ ᆼᄋ ᅵ ᄌ ᅮᄅ ᅩ ᄉ ᅡᄋ ᅭ ᆼ ᄃ ᅬ

ᆫ ᄃ ᅡ. ᄄ ᅩᄒ ᅡ ᆫ ᄑ ᅢᄂ ᅥ ᆯ ᄃ ᅦᄋ ᅵᄐ ᅥᄋ ᅵᄆ ᅳᄅ ᅩ ᄑ ᅢᄂ ᅥ ᆯ ᄀ ᅢᄎ ᅦᄃ ᅳ ᆯ ᄋ ᅴ ᄀ ᅪ ᆫ ᄎ ᅡ ᆯᄃ ᅬᄌ ᅵ ᄋ ᅡ ᆭᄂ ᅳ ᆫ ᄋ ᅵᄌ ᅵ ᆯᄌ ᅥ ᆨ ᄐ ᅳ ᆨᄉ ᅥ ᆼ (unobserved heterogene- ity)ᄋ ᅳ ᆯ ᄆ ᅩᄒ ᅧ ᆼᄋ ᅦᄉ ᅥ ᄀ ᅩᄅ ᅧᄒ ᅡ ᆫ ᄑ ᅢᄂ ᅥ ᆯ ᄑ ᅩᄋ ᅡᄉ ᅩ ᆼ ᄒ ᅬᄀ ᅱᄆ ᅩᄒ ᅧ ᆼ ᄆ ᅵ ᆾ ᄑ ᅢᄂ ᅥ ᆯ ᄋ ᅳ ᆷ ᄋ ᅵᄒ ᅡ ᆼ ᄒ ᅬᄀ ᅱᄆ ᅩᄒ ᅧ ᆼᄁ ᅡᄌ ᅵ ᄒ ᅪ ᆯᄋ ᅭ ᆼ ᄒ ᅡᄋ ᅧ ᄎ ᅬᄌ ᅥ ᆨᄋ ᅴ ᄆ ᅩᄒ ᅧ ᆼᄋ ᅳ ᆯ ᄐ

ᅡ

ᆷᄉ ᅢ ᆨᄒ ᅡᄋ ᅧ ᆻᄃ ᅡ. ᄌ ᅮᄋ ᅭ ᄇ ᅮ ᆫᄉ ᅥ ᆨᄀ ᅧ ᆯᄀ ᅪᄂ ᅳ ᆫ ᄃ ᅡᄋ ᅳ ᆷ ᄀ ᅪ ᄀ ᅡ ᇀᄃ ᅡ. ᄎ ᅥ ᆺᄍ ᅢ, ᄎ ᅬᄌ ᅥ ᆨ ᄆ ᅩᄒ ᅧ ᆼᄋ ᅳᄅ ᅩ ᄑ ᅢᄂ ᅥ ᆯ ᄋ ᅳ ᆷ ᄋ ᅵᄒ ᅡ ᆼ ᄒ ᅬᄀ ᅱᄆ ᅩᄒ ᅧ ᆼᄋ ᅵ ᄉ ᅥ ᆫᄐ ᅢ ᆨᄃ ᅬᄋ ᅥ ᆻ ᄃ

ᅡ. ᄃ ᅮ ᆯ ᄍ ᅢ, 2013ᄂ ᅧ ᆫᄃ ᅩᄋ ᅦ ᄇ ᅵᄒ ᅢᄉ ᅥ ᄋ ᅧ ᆫᄃ ᅩᄀ ᅡ ᄌ ᅵᄂ ᅡ ᆯᄉ ᅮᄅ ᅩ ᆨ, ᄀ ᅳᄅ ᅵᄀ ᅩ ᄎ ᅮ ᆼᄎ ᅥ ᆼᄀ ᅯ ᆫ ᄋ ᅦ ᄇ ᅵᄒ ᅢᄉ ᅥ ᄃ ᅡᄅ ᅳ ᆫ ᄌ ᅵᄋ ᅧ ᆨᄃ ᅳ ᆯ ᄋ ᅴ ᄌ ᅥ ᆼᄀ ᅲᄌ ᅵ ᆨ ᄎ ᅥ ᆼᄂ ᅧ ᆫ ᄎ

ᅢᄋ ᅭ ᆼ ᄋ ᅵ ᆫᄋ ᅯ ᆫ ᄉ ᅮᄀ ᅡ ᄐ ᅩ ᆼ ᄀ ᅨᄌ ᅥ ᆨᄋ ᅳᄅ ᅩ ᄋ ᅲᄋ ᅴᄒ ᅡᄀ ᅦ ᄌ ᅳ ᆼ ᄀ ᅡᄒ ᅡᄂ ᅳ ᆫ ᄀ ᅥ ᆺᄋ ᅳ ᆯ ᄋ ᅡ ᆯ ᄉ ᅮ ᄋ ᅵ ᆻᄋ ᅥ ᆻᄃ ᅡ. ᄆ ᅡᄌ ᅵᄆ ᅡ ᆨᄋ ᅳᄅ ᅩ, ᄌ ᅥ ᆫᄂ ᅧ ᆫᄃ ᅩ ᄌ ᅥ ᆼᄀ ᅲᄌ ᅵ ᆨᄋ ᅯ ᆫ ᄋ ᅴ ᄑ ᅧ ᆼ ᄀ

ᅲ ᆫᄀ ᅳ ᆫ ᄆ ᅮᄋ ᅧ ᆫᄉ ᅮᄋ ᅪ ᄌ ᅥ ᆫᄂ ᅧ ᆫᄃ ᅩ ᄌ ᅥ ᆼᄀ ᅲᄌ ᅵ ᆨᄋ ᅯ ᆫ ᄋ ᅴ ᄑ ᅧ ᆼᄀ ᅲ ᆫᄋ ᅵ ᆷᄀ ᅳ ᆷ ᄃ ᅩ ᄌ ᅥ ᆼᄀ ᅲᄌ ᅵ ᆨ ᄎ ᅥ ᆼᄂ ᅧ ᆫᄎ ᅢᄋ ᅭ ᆼ ᄋ ᅵ ᆫᄋ ᅯ ᆫ ᄉ ᅮᄋ ᅦ ᄋ ᅲᄋ ᅴᄒ ᅡ ᆫ ᄋ ᅧ ᆼᄒ ᅣ ᆼᄋ ᅳ ᆯ ᄆ ᅵᄎ ᅵᄂ ᅳ ᆫ ᄀ ᅥ ᆺᄋ ᅳᄅ ᅩ ᄂ

ᅡᄐ ᅡᄂ ᅡ ᆻᄃ ᅡ.

ᄌ

ᅮᄋ ᅭᄋ ᅭ ᆼ ᄋ ᅥ: ᄀ ᅪᄃ ᅢᄉ ᅡ ᆫᄑ ᅩ, ᄋ ᅵᄇ ᅮ ᆫ ᄉ ᅡ ᆫᄉ ᅥ ᆼ, ᄑ ᅢᄂ ᅥ ᆯ ᄋ ᅳ ᆷ ᄋ ᅵᄒ ᅡ ᆼ ᄒ ᅬᄀ ᅱᄆ ᅩᄒ ᅧ ᆼ, ᄑ ᅢᄂ ᅥ ᆯ ᄑ ᅩᄋ ᅡᄉ ᅩ ᆼ ᄒ ᅬᄀ ᅱᄆ ᅩᄒ ᅧ ᆼ, ᄒ ᅡ ᆸᄃ ᅩ ᆼ ᄋ ᅳ ᆷ ᄋ ᅵᄒ ᅡ ᆼ ᄒ ᅬᄀ ᅱᄆ ᅩᄒ ᅧ ᆼ, ᄒ

ᅡ ᆸᄃ ᅩ ᆼ ᄑ ᅩᄋ ᅡᄉ ᅩ ᆼ ᄒ ᅬᄀ ᅱᄆ ᅩᄒ ᅧ ᆼ.

1. 서론

2003년 6월 ‘국가균형발전을위한 공공기관 지방이전 추진’ 발표로부터 공공기관의 지방이전정책이 ᄉ

ᅵ행된지 16년이 지나고 있다. 수도권의 인구집중 해소 및 지방의 자립화를 통한 수도권과 지방의 균 혀

ᆼ발전을 목적으로 시작되어 지금까지 지속적으로 추진되고 있는정책이다. 전체 153개 이전대상 공공 ᄀ

ᅵ관 중 2018년 9월 현재 150개가 이전을완료하였다. 이른바 공공기관의 지방이전정책은적어도 형식 ᄌ

ᅥᆨ인 측면에서 마무리 단계에왔다고 해도 과언이 아니다.

ᄀ ᅩ

ᆼ공기관 지방이전정책의 주요 목적인 국가균형발전을이루기 위해 다양한 정책수단, 산업과 기업의 ᄀ

ᅲᆫ형, 권한과 책임의 균형, 인프라의 균형 등이 이루어져야 한다. 이런관점에서 지역 인재들에게 양질 ᄋ

ᅴ 일자리를제공할 수 있다는점에서 공공기관지방이전정책은 특히 주목되는 정책이다. 또한 수도권 ᄌ

ᅵ역으로 유출되고 있는지방의 우수 인력을지방대학으로 유인할 수 있도록하는것은매우 중요하다.

ᄀ ᅩ

ᆼ공기관의 지방이전과관련된 선행연구는다음과 같다. 먼저 Song (2008)은 인력수요 전망을 중심 ᄋ

ᅳ로 공공기관지방이전의 HRD 효과를연구하였으며, Ahn과 Kim (2016)은지방대학 연계를 중심으 ᄅ

ᅩ 공공기관의 지방이전과 지역발전에관한 연구를하였다. Cho와 Kim (2017)은이전 공공기관의 지

†

ᄋ ᅵ ᄂ ᅩ ᆫᄆ ᅮ ᆫᄋ ᅳ ᆫ 2018ᄒ ᅡ ᆨᄂ ᅧ ᆫᄃ ᅩ ᄀ ᅧ ᆼᄉ ᅥ ᆼᄃ ᅢᄒ ᅡ ᆨᄀ ᅭ ᄒ ᅡ ᆨᄉ ᅮ ᆯᄋ ᅧ ᆫᄀ ᅮᄇ ᅵᄌ ᅵᄋ ᅯ ᆫ ᄋ ᅦ ᄋ ᅴᄒ ᅡᄋ ᅧ ᄋ ᅧ ᆫᄀ ᅮᄃ ᅬᄋ ᅥ ᆻᄋ ᅳ ᆷ.

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 ᄉ ᅮᄒ ᅡ ᆨᄋ ᅳ ᆼᄋ ᅭ ᆼᄐ ᅩ ᆼ ᄀ ᅨᄒ ᅡ ᆨᄇ ᅮ, ᄀ ᅭᄉ ᅮ.

E-mail: [email protected]

ᄋ

ᅧᆨ인재 채용을확대하기 위한 이슈들을제시하였다. Lim 등 (2018)은 공공기관과 지방대학을지역인재 ᄎ

ᅢ용의 상호작용의관계로 설정하고 이러한관계에 영향을미치는요인을밝히고, 이전 공공기관과 지방 ᄃ

ᅢ학의 연계방안을제시하였다. Ryu와 Cho (2018)는이전공공기관의 지역인재 채용 실태와 채용결정 ᄋ

ᅭ인을패널 토빗 모형을이용하여 분석하였다. 그 이외에도 지역인재 고용파급효과와 관련된 연구로 느

ᆫ Kim 등 (2008), Figgio와 Overman (2014) 등이 있으며, 공공기관의 지역인재 채용결정요인 연구 ᄂ

ᅳᆫ Ryu 등 (2013)과 Ryu 등 (2015)이 있다.

보

ᆫ연구에서는이전공공기관의 정규직 청년채용이라는주제에 초점을맞춰 정규직 청년채용 인원수에 여

ᆼ향을 미치는 요인을 분석한다. 이를 위해 공공기관의 경영정보시스템인 알리오 (www.alio.go.kr) ᄌ

ᅡ료 중 2013년부터 2017년까지 패널 자료를활용한다.

ᄇ

ᅡᆫ응변수인 이전공공기관의 정규직 청년채용 인원수는영을포함한 양의 정수 값만 가짐으로서, 정규 서

ᆼ, 등분산성, 선형성 등의 가정이 만족되지 않아서 선형회귀모형을적용하기에는한계가 있다. 한편 포 ᄋ

ᅡ송회귀모형 (Poisson regression model)은반응변수가 음이 아닌 정수 값만 가질 때 적합 시킬 수 있 ᄂ

ᅳᆫ가장 기본적인 모형이지만, 평균과 분산이 동일해야 한다는조건을만족해야 한다. 그러나 많은경우 부

ᆫ산이 평균보다 커지는 과대산포 (over-dispersion)의 문제가 발생하며, 이런 데이터에 대해서 포아송 ᄒ

ᅬ귀모형을적합 시킨다면 모형적합의 효율성이 떨어지게된다. 이분산성 (hetero-skedasticity)을허용 ᄒ

ᅡ는 음이항 회귀모형 (negative binomial regression model)은 평균과 분산이 크게 다른경우에도 포 ᄋ

ᅡ송회귀모형의 단점을해결해 준다. 한편, 본연구에서활용하는데이터는 5개 년도에 걸친 패널 데이 ᄐ

ᅥ 이므로 패널 개체들의관찰되지 않는이질적 특성이 존재할 가능성이 있다. 이 경우에활용할 모형 ᄋ

ᅳ로 패널 포아송회귀모형과 패널 음이항 회귀모형이 있다. 한편 카운트 데이터와관련된 선행연구로 Chun과 Kim (2008)은 SMS확산요인에관해 음이항 모형을적용하였으며, Lee (2011)는 음이항 회귀 ᄇ

ᅮᆫ석을이용해서 경제적 불확실성이 출산 의사결정에 미치는효과를 분석하였다. Park 등 (2015)은 중 ᄉ

ᅩ기업 청년인턴 이직횟수 결정요인을 분석했으며, Chun (2017)은보험설계사들의 이직횟수를영과잉 ᄋ

ᅳ

ᆷ이항 회귀모형을활용하여 분석하였다.

ᄇ

ᅩᆫ 논문에서는이전공공기관의 정규직 청년채용 인원수에 대한 결정요인 분석한다. 연구방법으로는 ᄑ

ᅢ널 카운트 데이터 모형으로 합동 포아송 회귀모형, 합동 음이항 회귀모형, 패널 포아송 회귀모형 및 ᄑ

ᅢ널 음이항 회귀모형을활용하여 최적의 모형을탐색한다. 본 논문의 구성은다음과 같다. 제 2절에서 느

ᆫ데이터 소개와 기술통계분석 결과를제시하고, 제 3절에서는 분석모형을설명하고, 제 4절에서는 실 ᄌ

ᅳ

ᆼ분석 결과를제시한다. 그리고 마지막 5절에서는결론을제시한다.

2. 자료소개 및 기술통계 ᄋ

ᅵ전공공기관의 정규직 청년채용 인원수에 대한 결정요인을 분석하기 위해서 공공기관의 경영정보시 ᄉ

ᅳ템인 알리오 (www.alio.go.kr)의 이전공공기관자료 중에서 2013년부터 2017년까지 5개년도 자료 르

ᆯ활용한다. Ryu 등 (2015), Ryu와 Cho (2018) 등과 같은선행 연구결과를바탕으로 이전공공기관의 저

ᆼ규직 청년채용 인원수에 영향을미칠 것으로 보이는연도, 공공기관유형, 지역, 직전연도 총정규직 ᄋ

ᅵᆫ원수, 직전연도 정규직 평균 근무연수, 직전연도 정규직 평균임금 등을 설명변수로활용한다. Table 2.1은 분석에 사용되는변수를제시한 것이다.

ᄋ

ᅡ래 Table 2.2는연도별 이전공공기관의 정규직 청년채용 인원수에 대한 기술통계 분석 결과를제시 ᄒ

ᅡᆫ 것이다.

Table 2.1 Variables explanation

variables explanation

employees number of full-time youth employment

year 0=‘2013’, 1=‘2014’, 2=‘2015’, 3=‘2016’, 4=‘2017’

type type of public institution : 0=’semi(government agency)’, 1=’public(corporation)’, 2=‘other(public agencies)’

region the area where public institutions belong : 0=’Chungchung’, 1=’Joenra’, 2=‘Daegyung’, 3=’Dongnam’, 4=’Others’

lagged number the total number of full-time employees a year ago lagged years mean working years of full-time work at one year ago lagged income mean income of full-time worker at one year ago note) 0 means reference category.

Table 2.2 Descriptive statistics for employees by years

variables n 2013 2014 2015 2016 2017

mean s.d. mean s.d. mean s.d. mean s.d. mean s.d.

total 105 60.9 114.0 68.1 123.1 70.0 168.0 77.0 173.6 90.3 208.0

type

semi 48 55.3 82.8 73.0 117.4 65.1 96.8 79.2 134.7 96.9 186.5 public 18 177.5 195.3 164.3 188.8 196.3 345.4 195.4 326.7 229.9 362.7 other 39 13.8 35.4 17.7 38.2 17.8 43.4 19.7 47.4 17.6 42.9

region

Chungchung 31 18.3 40.2 20.8 36.9 19.4 26.9 22.1 39.0 21.0 40.5 Joenra 19 86.7 168.9 103.6 180.5 116.0 237.2 132.7 301.1 167.1 356.3 Daegyung 17 81.7 146.1 79.8 139.4 109.2 286.6 92.2 170.4 72.2 126.8 Dongnam 27 57.9 92.4 58.9 72.9 44.3 58.7 52.6 60.3 91.6 162.6 others 11 111.3 110.1 144.9 183.4 135.7 168.6 172.2 250.1 177.6 294.9

ᄋ

ᅱ의 Table 2.2의 결과에 따르면, 전체적으로 시간이 지날수록정규직 청년채용 인원수는 증가하는 겨

ᆼ향이 있는것으로 나타났다. 공공기관유형별 결과를살펴보면 시간이 지날수록 정규직 청년채용 인 ᄋ

ᅯ

ᆫ수는대체로 증가하는경향 있다. 지역별로는 충청권및 전라권은시간이 지날수록 증가하는경향이 이

ᆻ지만, 그 외 지역은뚜렷하게 증가하는패턴을찾을수 없는것을알 수 있다.

ᄋ

ᅡ래 Table 2.3은 직전연도 정규직 청년채용 인원수, 직전연도 정규직의 평균 근무연수 및 직전연도 저

ᆼ규직 평균임금에 대한 기술통계 결과를제시한 것이다.

Table 2.3 Descriptive statistics for lagged variables by years

variables 2013 2014 2015 2016 2017

mean s.d. mean s.d. mean s.d. mean s.d. mean s.d.

lagged number

1.5 3.1 1.3 2.7 1.4 2.7 1.4 2.8 1.4 2.9

(unit:1,000)

lagged years 13.2 3.7 13.0 4.3 12.8 4.3 12.7 4.3 12.7 4.3

lagged income

71.0 13.0 66.9 12.8 67.2 12.8 69.5 12.8 70.6 13.2 (unit:1,000)

ᄋ

ᅡ래 Figure 2.1은연도별 정규직 청년채용 인원수를히스토그램으로 제시한 결과이다.

Figure 2.1 Histogram for new full-time youth employees by years

ᄋ

ᅧᆫ도별 히스토그램 결과로부터, 모든연도에서 정규직 청년채용 인원수에 대한 분포는정규분포를따 ᄅ

ᅳ지 않는다는것을유추할 수 있다.

ᄋ

ᅡ래 Table 2.4는연도별로 정규직 청년채용 인원수의 정규성을검정한 결과이다.

Table 2.4 Results of normality tests for new full-time youth employees year skewness Kolmogorov-Smirnov Shapiro-Wilk

statistic p-value statistic p-value

2013 3.513 0.297 0.000 0.555 0.000

2014 3.145 0.290 0.000 0.579 0.000

2015 4.922 0.338 0.000 0.415 0.000

2016 5.152 0.329 0.000 0.426 0.000

2017 4.733 0.332 0.000 0.445 0.000

Table 2.4의 결과로부터, 왜도 (skewness)는 모두 0보다 크고, 정규성 검정통계량인 Kolmogorov- Smirnov 및 Shapiro-Wilk 검정결과, 정규직 청년채용 인원수의 분포는모든연도에서 통계적으로 유의 ᄒ

ᅡ게 정규분포를따른다고 할 수 없다는것을알 수 있다.

3. 연구모형 ᄋ

ᅵ 절에서는카운트 데이터에 대한 결정요인분석을위한 연구방법을소개하고자 한다. 앞 절의 Table 2.2의 결과에서 연도별 정규직 청년채용 인원수의 평균에 비해서 분산이 훨씬 크게 나타나서 과대산포의 무

ᆫ제가 발생될 뿐만 아니라, Table 2.4의 결과에서는정규직 청년채용 인원수의 분포가 정규분포를따르 ᄌ

ᅵ 않음을알 수 있다. 따라서 일반적인 최소제곱법 (ordinary least square)에 의한 선형회귀모형을적 ᄋ

ᅭ

ᆼ할 수가 없게된다.

보

ᆫ연구에서는포아송회귀모형 (Poisson regression model)과 음이항 회귀모형 (negative binomial regression model)을고려한다.

ᄆ

ᅥᆫ저 합동포아송회귀모형 (pooled-P : pooled-Poisson regression model)은반응변수가 음이 아닌 저

ᆼ수 값만 갖는카운트 데이터에 적합할 수 있는가장 기본모형으로, 설명변수 x1t, x2t, · · · , xkt에 대해 ᄉ

ᅥ 반응변수 Y^it의확률은아래 식 (3.1)과 같은포아송 분포를따른다.

P (Yit= yit|xit, · · · , xkt) = e^−µitµ^y_it^it

yit! , yit= 0, 1, · · · . (3.1) 시

ᆨ (3.1)에서 평균 muit(i번째 기관의 t년도 조건부 평균채용인원)는 i번째 기관의 설명변수 벡터의 ᄒ

ᅡᆷ수로 E(yit|xxxit) = µit = exp(xxx^′_itβββ)를 의미하며, 패널 개체들의 관찰되지 않는 이질적 특성 (un- observed heterogeneity)이 존재하지 않는 것으로 가정한다. 여기서 xxx^′it = (x1t, · · · , xkt)이고 βββ = (β1, · · · , βk)이다. 한편 합동 포아송 회귀모형은 평균과 분산이 동일하다는 가정을 하고 있다. 그러나 Table 2.2의 결과에서 알 수 있듯이 평균에 비해서 분산이큰 과대산포 (over-dispersion)가 존재하며, ᄋ

ᅵ는 분산을과소 추정하여 가설검정에서 낮은검정력을갖게된다. 이런 문제점을해결하기 위해 포아 ᄉ

ᅩ

ᆼ 분포의 가정을완화하여 과대산포 문제와횡단면 자료에서의 이질성(heterogeneity)을고려한 음이 ᄒ

ᅡᆼ 모형을적용한다.

ᄒ

ᅡᆸ동 음이항 회귀모형 (pooled-NB : pooled-negative binomial regression)은 이분산성 (hetero- skedasticity)에 대해서 번째 기관의 관측되지 않은 이질적인 (heterogeneity) 요소를 모형에 포함시켜 ᄀ

ᅪ대산포의 문제를해결한다. 설명변수 x^1t, x2t, · · · , xkt가 주어질 경우 반응변수 Y^it의확률은아래 식 (3.2)와 같은 음이항 분포를이용하여 구할 수 있다.

P (Yit= yit|X1t, · · · , Xkt) = γ(yit+ δ⁻¹) γ(δ⁻¹)γ(yit+ 1)

 1 1 + δµi

δ⁻¹ δµi

1 + δµi

y_it

, yit= 0, 1, · · · , (3.2)

ᄋ

ᅧ기서 δ는과대산포를나타내는모수이며, 패널 개체들의관찰되지 않는이질적 특성이 존재하지 않는 거

ᆺ으로 가정한다.

ᄒ

ᅡᆫ편 패널 개체들의관찰되지 않는이질적 특성이 존재할 경우, 패널 포아송 모형 (panel-P)과 패널 ᄋ

ᅳ

ᆷ이항 모형 (panel-NB)을활용할 수 있다. 먼저 패널 포아송회귀모형의 경우, 식 (3.1)의 포아송모형 ᄋ

ᅦ서 분포형태를결정하는 모수를 µit = E(yit|xxxit, νi) = exp(xxx^′_itβ + νi)로 가정한다. 여기서 νi는패 너

ᆯ 개체들의관찰되지 않는이질적 특성을나타내며, exp(νⁱ) ∼ Gamma(1/α, α)를따른다고 가정한다.

ᄆ

ᅡᆫ약 α = 0이면 var(exp(νi)) = 0을의미하며확률효과가 존재하지 않으므로 합동포아송모형이 적절 ᄒ

ᅡᆷ을의미한다.

ᄑ

ᅢ널 포아송 모형에서 과대산포가 존재하는 경우를 가정한다. Yit는 식 (3.1)과 같이 포아송 모형 ᄋ

ᅳᆯ 따르며, 포아송 모형의 모수 µ^it는 감마분포를 따른다고 가정한다. 즉, yit|µit ∼ P oisson(µit)와 µit|δi ∼ gamma(λit, δi). 여기서 δⁱ는 과대산포를나타내는모수이다. 패널 음이항 모형은과대산포 δi는패널 그룹별로 다르며 특정분포를따른다고 가정한다. 즉 1/(1 + δi) ∼ Beta(r, s). 따라서 패널 음 ᄋ

ᅵ항 회귀모형은다음 식 (3.3)과 같다.

P (Yit= yit|xit, · · · , xkt) =γ(r + s)γ(r + λit)γ(s + yit)

γ(r)γ(s)γ(r + s + λit+ yit)× γ(λit+ yit)

γ(λit)γ(yit+ 1), yit= 0, 1, · · · , (3.3) ᄋ

ᅧ기서 λit= exp(xxx^′_itβ + νi)로 가정한다.

4. 분석결과 ᄋ

ᅵ 절에서는 이전공공기관의 지역인재 정규직 청년채용 인원수 결정요인에 대한 최적모형을 선택하 ᄀ

ᅵ 위해 합동 포아송 회귀모형 (pooled-P), 패널 포아송 회귀모형 (panel-P), 합동 음이항 회귀모형 (pooled-NB),패널 음이항 회귀모형 (panel-NB) 등 4개의 회귀모형을활용한다. 4개의 회귀모형 중에 ᄉ

ᅥ 여러 모형선택 통계량을 통해서 가장 타당한 모형을선택하고, 선택된모형을 중심으로 결과를해석 ᄒ

ᅡᆫ다.

ᄒ

ᅡᆫ편 카운트 데이터 모형은설명변수의 회귀계수가 해당 변수의 한계효과를의미하지 않는다. 따라서 부

ᆫ석결과에서는설명변수의 회귀계수 (b)와 한계효과 (dy/dx)를함께 제시한다.

Table 4.1은합동포아송회귀모형과 패널 포아송회귀모형의 결과이고, Table 4.2는합동 음이항 회 ᄀ

ᅱ모형과 패널 음이항 회귀모형의 결과를제시한 것이다.

Table 4.1 Results of pooled and panel Poisson regression analysis

variables pooled-P panel-P

b s.e. dy/dx. s.e. b s.e. dy/dx s.e.

year

2014 0.331*** 0.058 3.082*** 0.544 0.262*** 0.063 0.262*** 0.063 2015 0.624*** 0.055 5.824*** 0.519 0.581*** 0.061 0.581*** 0.061 2016 0.754*** 0.054 7.032*** 0.511 0.741*** 0.060 0.741*** 0.060 2017 1.018*** 0.052 9.497*** 0.506 1.051*** 0.062 1.051*** 0.062 type public corporation 0.856*** 0.038 7.981*** 0.374 1.581*** 0.329 1.581*** 0.329 other public agency -1.256*** 0.067 -11.71*** 0.643 -1.597*** 0.290 -1.597*** 0.290

region

Joenra 0.904*** 0.069 8.437*** 0.652 1.724*** 0.355 1.724*** 0.355 Daegyung 1.092*** 0.067 10.188*** 0.643 1.771*** 0.364 1.771*** 0.364 Dongnam 0.669*** 0.068 6.238*** 0.640 2.003*** 0.342 2.003*** 0.342 Others 1.952*** 0.074 8.876*** 0.700 2.389*** 0.423 2.389*** 0.423 lagged number 1.1e-4*** 2.6e-6 0.001*** 2.8e-5 -2.3e-6 6.3e-6 -2.3e-6 6.3e-6 lagged years 0.031*** 0.004 0.287*** 0.042 0.072*** 0.010 0.072*** 0.010 lagged income -1.1e-5*** 1.8e-6 -1.0e-4*** 1.6e-5 -1.2e-5*** 2.8e-6 -1.2e-5*** 2.8e-6

constant 0.816*** 0.139 -0.417 0.315

H

:α = 0 v.s. H

: α ̸= 0 3,025.23***

(r, s) of Beta distribution

log-likelihood -2,943.940 1,431.324

Wald(LR) χ

7,971.11*** 702.21***

AIC(df) 5,915.879(14) 2,892.649(15)

BIC(df) 5,975.513(14) 2,956.542(15)

∗, ∗∗ and ∗ ∗ ∗ mean significant with 0.1, 0.05 and 0.01 level, respectively.

AIC and BIC mean Akaike information criterion and Bayesian information criterion, respectively.

dy/dx for factor levels is the discrete change from the base level.

Table 4.2 Results of pooled and panel negative binomial regression analysis

variables pooled-NB panel-NB

b s.e. dy/dx. s.e. b s.e. dy/dx s.e.

year

2014 0.216 0.194 3.533 3.208 0.417*** 0.132 0.417*** 0.132 2015 0.426** 0.193 6.991** 3.514 0.551*** 0.130 0.551*** 0.130 2016 0.667*** 0.188 10.927*** 4.093 0.896*** 0.124 0.896*** 0.124 2017 0.803*** 0.187 13.160*** 4.411 1.048*** 0.122 1.048*** 0.122 type public corporation 1.260*** 0.167 20.646*** 6.113 0.180 0.249 0.180 0.249 other public agency -1.341*** 0.145 -21.99*** 6.271 -1.736*** 0.224 -1.736*** 0.224

region

Joenra 1.241*** 0.188 20.337*** 6.150 1.163*** 0.297 1.163*** 0.297 Daegyung 1.345*** 0.183 22.045*** 6.558 1.907*** 0.301 1.907*** 0.301 Dongnam 1.444*** 0.171 23.666*** 6.917 1.200*** 0.267 1.200*** 0.267 Others 1.457*** 0.222 23.885*** 6.869 0.890*** 0.333 0.890*** 0.333 lagged number 1.8e-5*** 3.0e-5 0.003** 0.001 2.0e-05 1.6e-5 2.0e-05 1.6e-5 lagged years 0.021 0.019 -2.9e-4 0.316 0.056*** 0.017 0.056*** 0.017 lagged income -1.8e-5*** 5.5e-6 -3.4e-5*** 0.001 -9.3e-6*** 5.3e-6 -9.3e-6*** 5.3e-6

constant -0.020** 0.363 -0.706* 0.421 0.421

H

:pooled-P v.s. H

:pooled-NB 3,297.15***

H

:α = 0 v.s. H

: α ̸= 0 220.49***

(r, s) of Beta distribution (1.747***, 2.622***)

log-likelihood 1,295.365 -1,198.985

Wald(LR) χ

429.55*** 331.80***

AIC(df) 2,620.73(15) 2,429.970(16)

BIC(df) 2,684.62(15) 2,498.123(16)

∗, ∗∗ and ∗ ∗ ∗ mean significant with 0.1, 0.05 and 0.01 level, respectively.

AIC and BIC mean Akaike information criterion and Bayesian information criterion, respectively.

dy/dx for factor levels is the discrete change from the base level.

Table 4.1과 Table 4.2의 4개의 회귀모형을비교해 보면 다음과 같다. 먼저, 합동포아송모형과 합 ᄃ

ᅩ

ᆼ 음이항 회귀모형을 비교한 결과 (H^o:pooled-P v.s. H1:pooled-NB),합동 음이항 회귀모형이 통계 ᄌ

ᅥᆨ으로 유의 (χ²=3,297.15***)한 것으로 나타났다. 또한 합동회귀모형과 패널 회귀모형을비교한 랜 더

ᆷ효과에 대한 Breusch-Pagan 검정 결과 (Ho:pooled-model v.s. H1:panel-model), 포아송회귀모형 ᄀ

ᅪ 음이항 회귀모형에 비해서 각각 패널 포아송 회귀모형 (χ²=3,025.23***)과 패널 음이항 회귀모형 (χ²=220.49***)이 통계적으로 유의하게 나타났다. 또한 베타분포의 모수 (r, s) 값, 로그-우도통계량, AIC 및 BIC 통계량을 통해서 패널 음이항 회귀모형이 가장 타당한 모형으로 나타났다.

ᄄ

ᅡ라서 패널 음이항 회귀모형을 중심으로 분석결과를요약하면 다음과 같다.

ᄆ

ᅥᆫ저 연도별 결과에서 2013년도에 비해서 시간이 지날수록정규직 청년채용 인원수는 통계적으로 유 ᄋ

ᅴ하게 증가하는경향이 있음을알 수 있다. 공공기관의 유형별 결과를살펴보면, 준정부기관에 비해서 ᄀ

ᅩ

ᆼ공기관의 정규직 청년채용 인원수는 증가했지만 통계적으로 유의하지 않았다. 그러나 준정부기관에 ᄇ

ᅵ해서 기타 공공기관의 정규직 청년채용 인원수는 통계적으로 유의하게 감소함을 알 수 있다. 지역별 겨

ᆯ과를살펴보면 충청권에 비해서 전라권, 대경권, 동남권및 강원·제주권의 이전공공기관 정규직 청년 ᄎ

ᅢ용 인원수가 통계적으로 유의하게 높음을알 수 있다. 특히 대경권의 이전공공기관 정규직 청년채용 ᄋ

ᅵᆫ원수가 가장 많이 증가함을알 수 있다. 직전 연도의 정규직 인원수가 많을수록이전공공기관 정규직 처

ᆼ년채용 인원수가 증가하지만 통계적으로 유의한 영향을 미치지 못한 것으로 나타났다. 그러나 직전 ᄋ

ᅧᆫ도의 정규직 직원의 평균근무연수가 길수록이전공공기관 정규직 청년채용 인원수가 통계적으로 유의 ᄒ

ᅡ게 높으며, 직전 연도의 정규직 직원의 평균급여가 높을수록이전공공기관 정규직 청년채용 인원수가 ᄐ

ᅩ

ᆼ계적으로 유의하게 감소함을알 수 있다.

5. 결론 보

ᆫ 연구에서는이전공공기관의 정규직 청년채용 인원수에 대한 결정요인을 분석하기 위해서 알리오 (www.alio.go.kr)자료 중이전공공기관자료의 2013년부터 2017년까지 패널 자료를활용하였다. 반 ᄋ

ᅳᆼ변수가 카운터 데이터이므로 합동포아송회귀모형, 합동 음이항 회귀모형, 패널 포아송회귀모형 및 ᄑ

ᅢ널 음이항 회귀모형을활용하여 최적의 모형을탐색하였다. 분석 결과를요약하면 다음과 같다.

처

ᆺ째, 모형탐색 결과 패널 음이항 회귀모형 최적의 모형으로 선택되었다.

ᄃ ᅮ

ᆯ째, 2013년도에 비해서 시간이 지날수록정규직 청년채용 인원수는 통계적으로 유의하게 증가하였 ᄃ

ᅡ.

ᄉ

ᅦᆺ째, 공공기관의 유형별 결과를살펴보면, 준정부기관에 비해서 공공기관의 정규직 청년채용 인원수 느

ᆫ 증가했지만 통계적으로 유의하지 않으나, 기타 공공기관의 정규직 청년채용 인원수는 통계적으로 유 ᄋ

ᅴ하게 감소함을알 수 있다.

ᄂ

ᅦᆺ째, 지역별 결과를살펴보면 충청권에 비해서 전라권,대경권, 동남권및 강원·제주권의 정규직 청 ᄂ

ᅧᆫ채용 인원수가 통계적으로 유의하게 높았다.

ᄆ

ᅡ지막으로, 직전 연도의 정규직 평균근무연수가 길수록정규직 청년채용 인원수가 통계적으로 유의 ᄒ

ᅡ게 높으며, 직전 연도의 정규직 평균급여가 증가할수록정규직 청년채용 인원수가 통계적으로 유의하 ᄀ

ᅦ 감소하였다.

ᄀ ᅩ

ᆼ공기관의 지방이전정책 및 이전공공기관들의 지역인재 채용확대는현재도 진행 중이다. 공공기관 ᄋ

ᅴ 지방 이전으로 인해 해당 지역의 인재들이 취업할 가능성이 높아지면 지역의 우수 인재가 지역에 정 ᄌ

ᅮ하면서 지역발전을 이끌 수 있게 된다. 향후 중앙정부와 지방정부 모두 이전공공기관들의 지역인재 ᄎ

ᅢ용인원을 늘릴 수 있는효과적인 정책을마련해야 할 필요가 있다.

ᄒ

ᅡᆫ편 본연구는 공공기관의 경영정보시스템인 알리오 자료 중에서 2013년부터 2017년까지 패널 자료 ᄋ

ᅪ 제한된 설명변수만을활용하여 패널 카운트 모형으로 분석하였으므로, 분석결과에 대한 지나친 일반 ᄒ

ᅪ는무리가 있음을밝힌다. 좀더 다양한 변수를활용한 연구는향후 과제로 남겨둔다.

References

Ahn, Y. J. and Kim, T. H. (2004). Focusing on the linkage with regional universities - public sector relocation and the balanced regional development. Journal of the Korean Urban Geographical Society, 7, 31-44.

Cho, K. H. and Kim, H. S. (2017). Effectiveness of the expansion of employment of local-moved public institutions for the local talent. Korean Public Personnel Administration Review , 16, 237-260.

Chun, H. J. (2017). Fit of the number of insurance solicitor’s turnovers using zero-inflated negative binomial regression. Journal of the Korean Data & Information Science Society, 28, 1087-1097.

Chun, H. J. and Kim, H. I. (2008). A study on SMS expansion using negative binomial regression. Journal of the Korean Data Analysis Society, 10, 2065-2074.

Faggio, G. and Overman, H. (2014). The effect of public sector employment on local labour markets.

Journal of Urban Economics, 79, 91-107.

Kim, J. Y., Kim, M. H. and Kim, H. S. (2008). A study on evaluation in regional human resource de- velopment with pay attention to ripple effect in a public institution removal - focusing on the case of Chungnam. Journal of Human Resource Management Research, 15, 83-102.

Lee, J. K. (2011). The effect of the economic background risk on fertility decision: using censored and zero inflated count data regression. Journal of the Korean Data Analysis Society, 13, 1521-1531.

Lim, K. S., Ra, E. J. and Lee, H. S. (2018). A study on the recruitment of local talent in public institutions

of innovation cities using theory-based evaluation. Journal of Competency Development & Learning,

13, 47-72.

Park, S. I., Ryu, J. S., Kim, J. H. and Cho, J. S. (2015). The study on the determinants of the number of job changes. Journal of the Korean Data & Information Science Society, 26, 387-397.

Ryu, J. S. and Cho, J. S. (2018). A study on the employment characteristics and employment determinants of local personnel in public institutions that relocated to the province. Journal of regional studies, 26, 45-64.

Ryu, J. S., Park, S. I., Cho, J. S., Kim, J. H., Kwak, S. H. (2013). The determinants on the employment of local brains in the public sectors. Korean Journal of Industrial Relations, 23, 119-143.

Song, K. S. (2008). A study on the HRD effects of public institutions to local moving: Focused the manpower

demand forecasting. Korean Policy Sciences Review , 12, 201-217.

2019, 30

6)

1309–1318

Analysis on determinants of full-time youth employment in panel count model ^†

Jangsik Cho

¹

1Division of Mathematics and Applied Statistics, Kyungsung University

Received 20 September 2019, revised 17 October 2019, accepted 18 October 2019

Abstract

This study analyzed the determinants of the number of youth recruited by local talents in public institutions in terms of the fact that local transfer policies of public institutions can provide good jobs to local talents. We use panel data from the “Public organization management information disclosure system” (Alio) collected over five years from 2013 to 2017. Since the dependent variable is count data, the Poisson model or negative binomial model, panel Poisson regression model and panel negative binomial regression model is mainly used to analyze the count data. The main results are as follows. First, the panel negative binomial regression model was chosen as the optimal model. Second, the annual results show that the number of full-time youth employment increases significantly over time compared to 2013. Third, it can be seen that the number of full-time youth employment in Jeonla, Daegyeong, Dongnam, and Gangwon and Jeju is significantly higher than that of Chungcheong. Finally, the longer the average number of regular employees working in the previous year, the higher the number of full-time youth employment.

Keywords: Hetero-skedasticity, over-dispersion, panel negative binomial regression model, panel Poisson regression model.

†

This research was supported by Kyungsung University Research Grants in 2018.

1

Professor, Division of Mathematics and Applied Statistics, Kyungsung University, Busan, 48434, Korea.

E-mail : [email protected]