인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9....

46
인적 네트워크의 노동시장 효과 분석 김영철 (KDI) I. 들어가는 말 인간은 사회적 동물(Social Animal)이다. 최근 불고 있는 SNS(Social Network Service) 열풍은 삼 이를 실감케 한다. 이직과 취업 등 노동시장에서도 인적 네트워크는 매우 중요한 역할을 담당 하고 있다. 한 취업전문 포털업체가 직장인 2천여 명을 대상으로 진행한 한 설문조사에 따르면, 2007년 한 해 동안 응답자의 40.1%가 이직에 나선 반면, 실제 이직에 성공한 이들은 응답자의 14.3%에 머물렀다. 이직에 성공한 이들의 37.2%기존 직장에서 능력을 인정받고 입지를 다진 을 성공요인으로 꼽은 데 이어, 무려 27.8%동종관련 업계 사람들과 두루 인맥을 맺고, 관리한 것을 성공요인으로 제시한 바 있다. 1) 또한 한 경제연구소에서 서울과 지방 22개 대학에 재 학 중인 대학생들을 대상으로 취업준비 방법에 관한 설문조사를 실시한 바 있는데, 8항목의 복수 응답에서 학점관리(88.1%)’관련 업종 자격증 획득(76.9%)’의 비중이 가장 컸으나, 그 다음으로 응답자의 62.8%선배 등 인맥 만들기를 꼽은 바 있다. 2) 이러한 인적 네트워크의 광범위한 영향력에도 불구하고, 국내 노동시장의 인적 네트워크 활용 도와 그 효과성을 체계적으로 분석한 자료는 매우 드물다. 김성훈(2005)이 한국노동패널조사 3년도의 청년층 부가자료를 활용하여 청년층 첫 취업에서의 인적 네트워크의 효과를 분석한 바 있 으나, 첫 취업에서 공개채용이 교육이나 기술 수준 적합도 측면에서의 긍정적 효과가 크다는 것 을 밝혔을 뿐, 인적 네트워크의 순효과를 규명하지는 못하였다. 3) 이병훈(2002)은 같은 패널의 3년도 자료를 활용하여 신규 취업자의 구직방법에 대한 영향요인을 분석해 보았다. 이를 통해, 직자의 학력이 높을수록 구직과정에서 인적 네트워크에 대한 의존도가 하락하고, 유력인사와의 친인척관계가 구직자의 구직방법을 보다 다양하게 할 수 있으며, 아버지의 학력이 좋을 경우 구직 에서 인적 네트워크를 보다 많이 활용하는 경향이 있음을 확인한 바 있다. 그러나 이상의 몇몇 연 구를 제외하고 인적 네트워크의 노동시장 효과를 체계적으로 분석한 국내 연구자료는 매우 드문 상황이다. 1) 취업전문기관 인크루트가 리서치기관 엠브레인에 의뢰하여 직장인 2,243명을 대상으로 수행한 2008년 조사(매일경 Citylife, 114). 2) 대학생 574명 대상 2010년 설문결과(경제주간, 389, 현대경제연구원). 3) 김성훈(2005)은 인적 네트워크를 활용한 취업이 공개채용보다 사회적 차원에서 보다 비효율적임을 보이고자 하였 . 이를 위해, 공개채용으로 취업하는 이들의 기술적합도나 교육적합도가 인적 네트워크를 통해 채용하는 이들에 비해 높다는 것을 증거로 제시하였다. 그러나 이것은 공개채용이 주로 대형기업을 중심으로 경쟁을 통하여 우수 인 재를 선발하는 기능을 수행하고 있다는 것을 간과한 결과이다. 첫 취업에서 인적 네트워크에 의존하는 이들은 주로 이 경쟁에서 1차적으로 탈락한 이들에 해당한다. 이러한 선택편의(Selection Bias)의 문제가 우선 해소되어야, 김성훈 (2005)의 결론이 타당성을 확보할 수 있을 것이다.

Upload: others

Post on 25-Nov-2020

0 views

Category:

Documents


0 download

TRANSCRIPT

Page 1: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal

인적 네트워크의 노동시장 효과 분석

김영철 (KDI)

I 들어가는 말

인간은 사회 동물(Social Animal)이다 최근 불고 있는 SNS(Social Network Service) 열풍은

새삼 이를 실감 한다 이직과 취업 등 노동시장에서도 인 네트워크는 매우 요한 역할을 담당

하고 있다 한 취업 문 포털업체가 직장인 2천여 명을 상으로 진행한 한 설문조사에 따르면 2007년 한 해 동안 응답자의 401가 이직에 나선 반면 실제 이직에 성공한 이들은 응답자의

143에 머물 다 이직에 성공한 이들의 372가 lsquo기존 직장에서 능력을 인정받고 입지를 다진

것rsquo을 성공요인으로 꼽은 데 이어 무려 278가 lsquo동종 련 업계 사람들과 두루 인맥을 맺고 잘

리한 것rsquo을 성공요인으로 제시한 바 있다1) 한 한 경제연구소에서 서울과 지방 22개 학에 재

학 인 학생들을 상으로 취업 비 방법에 한 설문조사를 실시한 바 있는데 8항목의 복수

응답에서 lsquo학 리(881)rsquo와 lsquo 련 업종 자격증 획득(769)rsquo의 비 이 가장 컸으나 그 다음으로

응답자의 628가 lsquo선배 등 인맥 만들기rsquo를 꼽은 바 있다2) 이러한 인 네트워크의 범 한 향력에도 불구하고 국내 노동시장의 인 네트워크 활용

도와 그 효과성을 체계 으로 분석한 자료는 매우 드물다 김성훈(2005)이 한국노동패 조사 3차년도의 청년층 부가자료를 활용하여 청년층 첫 취업에서의 인 네트워크의 효과를 분석한 바 있

으나 첫 취업에서 lsquo공개채용rsquo이 교육이나 기술 수 합도 측면에서의 정 효과가 크다는 것

을 밝혔을 뿐 인 네트워크의 순효과를 규명하지는 못하 다3) 이병훈(2002)은 같은 패 의 3차

년도 자료를 활용하여 신규 취업자의 구직방법에 한 향요인을 분석해 보았다 이를 통해 구직자의 학력이 높을수록 구직과정에서 인 네트워크에 한 의존도가 하락하고 유력인사와의

친인척 계가 구직자의 구직방법을 보다 다양하게 할 수 있으며 아버지의 학력이 좋을 경우 구직

에서 인 네트워크를 보다 많이 활용하는 경향이 있음을 확인한 바 있다 그러나 이상의 몇몇 연

구를 제외하고 인 네트워크의 노동시장 효과를 체계 으로 분석한 국내 연구자료는 매우 드문

상황이다

1) 취업 문기 인크루트가 리서치기 엠 인에 의뢰하여 직장인 2243명을 상으로 수행한 2008년 조사(985172매일경

제 Citylife985173 제114호) 2) 학생 574명 상 2010년 설문결과(「경제주간」 제389호 경제연구원) 3) 김성훈(2005)은 인 네트워크를 활용한 취업이 공개채용보다 사회 차원에서 보다 비효율 임을 보이고자 하

다 이를 해 공개채용으로 취업하는 이들의 기술 합도나 교육 합도가 인 네트워크를 통해 채용하는 이들에

비해 높다는 것을 증거로 제시하 다 그러나 이것은 공개채용이 주로 형기업을 심으로 경쟁을 통하여 우수 인

재를 선발하는 기능을 수행하고 있다는 것을 간과한 결과이다 첫 취업에서 인 네트워크에 의존하는 이들은 주로

이 경쟁에서 1차 으로 탈락한 이들에 해당한다 이러한 선택편의(Selection Bias)의 문제가 우선 해소되어야 김성훈

(2005)의 결론이 타당성을 확보할 수 있을 것이다

반면 해외에서는 이에 한 체계 인 연구가 다각 으로 진행되어 왔다 Blau and Robins(1992)는 구직활동에서 친구나 친지를 활용하 을 때 구직에 성공할 확률이 더 높고 보다 좋은 조건의

고용제의를 받을 가능성이 크다는 것을 입증한 바 있으며 Datcher(1983)는 인 네트워크를 활용한

입사인 경우 그 지 않은 경우에 비해 같은 기간 내의 퇴사 가능성이 히 낮아진다는 것을 보

다4) 한 Marmaros and Sacerdote (2002)는 구직과정에서 동문연결망을 활용하는 것과 높은 연

의 좋은 일자리를 획득하는 것 사이에 높은 양의 상 계가 존재함을 확인한 바 있다 한편 Rosenbaum et al(1999)은 인맥을 활용한 취업에 지속 인 임 리미엄이 존재함을 보인 반면 Simon and Warner(1992)는 취업 기의 임 리미엄이 시간이 지남에 따라 하락한다고 보고하

다 한 이외에도 Granovetter(1975) 이후 비공식경로(Informal Networks)의 노동시장 효과에 한

연구가 사회학 에서 폭넓게 발 하여 왔다본 연구는 국내 노동시장에서의 인 네트워크의 효과를 추정해 보고자 한다 본 연구의 분석

은 임 근로자의 이직활동에 을 맞추고 있다 첫 취업의 경우 비교 상이 마땅하지 않아 lsquo네트워크 구직rsquo의 순효과를 명확히 설정하기 힘든 측면이 있다 반면 이직의 경우에는 이직 과 이

직 후를 비교해 으로써 lsquo네트워크 구직rsquo의 직 인 효과를 규명해 볼 수 있다 여기서는 이직

활동을 심으로 인 네트워크 활용의 효과성을 검증해 보고 이를 통하여 인 네트워크의 노동

시장 기능의 이해 구직 네트워크의 가치측정을 시도해 본다 본 연구는 한국노동패 의 5차부터 10차까지의 자료를 모두 취합하여 국내 인 네트워크의

활용에 한 방 한 규모의 표본을 구성하 으며 이를 바탕으로 신뢰도 높은 분석 결과를 제시

하고 있다 한 노동패 이 담보하고 있는 다면 인 정보 즉 기업의 규모 비정규직 여부 일자

리의 매치(Match) 합성 각종 만족도 변화 등의 정보를 모두 활용하여 기존의 연구들이 다루지

못했던 다각 측면에서의 인 네트워크 효과를 분석 제시하고 있다 본 연구에서 활용한

Propensity Score Matching 방법론은 사후가정형 근법(Counterfactual Framework)에 기반한 신

인 분석기법으로서 선택편의(Selection Bias)의 문제를 충분히 해소할 수 없었던 국내 국외 네

트워크 연구들의 한계를 상당 부분 극복하고 인 네트워크의 실질 순효과를 추정 제시한다 흔히 인 네트워크를 활용한 구직을 lsquo연 rsquo 혹은 lsquo정실인사rsquo라 하여 부정 으로 보는 견해가

지배 이다 이러한 견해에 따르면 인 네트워크를 활용한 취업이 개인 으로는 유익할지 모르

나 사회 반 으로는 고용기회의 형평성을 해하고 인력자원의 효율 배치를 한다고 본다 앞서 지 한 바와 같이 김성훈(2005)은 이러한 맥락에서 청년층의 첫 취업에서 인 네트워크를

활용한 구직이 공개채용에 비해 사회 차원에서 비효율 이라고 주장한 바 있다5) 반면 인 네

트워크의 구인구직 간 정보 달 기능에 을 맞춰 네트워크의 정 측면을 강조하는 견해도

상당하다 즉 인 네트워크는 각 개인의 취업 기회를 확장시킬 뿐만 아니라 사회 반의 일자리

매치(Job Match) 효율성 역시 증 시킨다는 주장이다 업체에는 채용후보자의 기술능력이나 직무

합도 등 서류 이면의 상세한 정보를 유통하는 주요한 통로가 인 네트워크이며 구직자에게도

네트워크는 취업정보를 확보하고 심있는 회사에 한 긴요한 내부사정을 사 에 확인할 수 있

는 유용한 통로로 활용된다는 것이다 본 연구는 이상의 엇갈린 견해에 하여 부분 인 해답을

제시하고 있다 즉 인 네트워크의 lsquo연 rsquo 효과와 lsquo연결rsquo 효과가 동시에 한국사회 내에 상존한다

고 볼 때 과연 노동시장에서 어느 효과가 보다 지배 인지 확인해 보는 것이다

4) Simond and Warner(1992)도 인 네트워크를 활용한 입사인 경우 근속연수가 더 증가하는 경향이 있음을 입증한 바

있다 5) 이러한 결론의 오류에 해서는 앞서 각주를 통하여 설명한 바 있다

핵심 인 분석 결과는 다음과 같다 우선 일자리 이동은 인 네트워크의 활용 여부를 떠나 그

자발 이직자의 효용(일자리에 한 주 만족도)을 평균 으로 증 시킨다는 을 확인하

다 한 네트워크를 주로 활용한 이직(네트워크형 이직)과 비네트워크를 주로 활용한 이직(비네

트워크형 이직)을 구분하여 보았을 때 lsquo네트워크형 이직rsquo이 일자리 매치에서의 교육 기술 수

합도를 하게 향상시킨다는 을 확인한 반면 lsquo비네트워크형 이직rsquo은 자발 이직자의 개인

효용 증 를 가져오더라도 교육 기술 수 합도를 하게 개선시키지는 못한다는 을 확

인하 다 구체 으로 살펴보면 직장만족도와 직무만족도를 비롯한 개인의 만족도 개선 측면에

서는 네트워크 이직과 비네트워크 이직 모두 각 만족도를 (100 만 에서) 2~3 가량 개선시키

는 것으로 확인된 반면 교육 기술 수 의 합도 개선 측면에서는 비네트워크 이직의 정

효과는 포착되지 않았고 네트워크 이직만이 교육수 의 합도와 기술수 의 합도를 각기 (100 만 에서) 213 과 252 만큼 개선시키는 것으로 확인되었다 즉 인 네트워크가 구인과 구

직 사이의 효과 인 정보 달 기능을 수행함으로써 국내 노동시장의 일자리 매치 합성을 개선

하는 데 히 기여하고 있음이 증명된 것이다 이러한 상은 네트워크형 이직이 이직자의 임 상승효과로 직결되는 반면 비네트워크형 이

직에서는 임 상승효과를 확인할 수 없었다는 에서 재확인된다 네트워크 이직을 통한 임 상

승효과는 월 4074만원(2010년 기 )에 이르는 것으로 확인된 반면 비네트워크 이직 반의 임

상승효과는 포착되지 않았다 결론 으로 본 연구는 근로자의 자발 이직이 일자리에 한 주

만족도를 높임으로써 근로자 개인의 효용을 개선할 수 있으며 네트워크형 이직 즉 네트워크

를 주로 활용하는 이직은 이직자와 노동시장 수요자 사이의 매치 합성을 향상시킴으로써 노동

시장의 효율성을 개선할 수 있음을 보여주고 있다 이러한 연구 결과는 인 네트워크를 활용한

구직활동이 한국사회 반에서 lsquo정실인사(Nepotism)rsquo라는 부정 인 기능을 주로 담당하기보다는

lsquo연결(Networking)rsquo을 통한 구인구직 간 정보 달이라는 정 역할을 뚜렷하게 감당하고 있음을

뒷받침한다

II 분석자료

본 연구의 분석자료는 노동패 의 5차(2002년도 조사)부터 10차(2007년도 조사)까지의 자료

개인자료와 직업력자료를 활용하여 구성하 다 분석에 활용한 최종샘 은 다음의 과정을 거쳐

완성되었다 우선 각 차수의 개인자료에 직업력자료의 정보를 추가한다 직업력자료는 각 개인의

재 일자리가 생애 몇 번째 일자리인가(Job Sequence)에 한 정보를 제공해 주고 있다 각 차수

의 개인자료에 포함된 개인식별번호(pid)를 활용하여 각 개인의 한 해 즉 한 차수 이 의 일자

리 정보를 매칭하 다 를 들어 6차 개인자료에 포함된 각 개인에 해 그 한 해 인 5차에서

의 일자리 정보를 첨부하 다 단 이 차수에 일자리가 없었던 이들은 이 차수의 일자리 정보

를 lsquo무직rsquo으로 표시하 다 이를 6-5차 자료라 명하자 이 게 형성된 6-5차 7-6차 8-7차 9-8차 10-9차 자료를 합쳐서 통합샘 (Pooled Dataset)을 구성하 다 여기에 직업력자료가 제공하는 자

발 비자발 퇴사를 비롯한 퇴직 련 정보를 첨부하 다 이 정보는 이 차수의 일자리를 그

만둔 경우 그 퇴직사유를 악하도록 돕는다 통합샘 의 구성도는 [그림 1]에 요약되어 있다

이 차수 임 일자리 소유자의

일자리 이동

이 차수 비임 일자리 소유자의

일자리 이동

이 차수 임 일자리

유지14343 7536

이 차수 비임 일자리

유지8258 8613

새로운 임 일자리

진입2046 1075

새로운 비임 일자리

진입255 266

비임 일자리 진입 603 317 임 일자리 진입 417 435

차수 일자리 없음 2041 1072 차수 일자리 없음 658 686

합계 19033 100 합계 9588 100

[그림 1] 통합샘플(Pooled Dataset)의 구성도

lt표 1gt 일자리 소유자들의 연간 일자리 이동 현황

자료 노동패 5차부터 10차

이 통합샘 을 활용하여 국내 노동시장에서의 개 인 일자리 이동 황을 악해 볼 수 있

다 lt표 1gt은 이 차수에서 임 일자리 소유자 던 이들과 비임 일자리(즉 자 업자고용주 혹

은 무 가족종사자) 소유자 던 이들의 차수에서의 일자리 내역을 정리하고 있다 이 차수

에서 임 일자리 소유자 던 이들의 경우 단 7536만이 이 차수의 일자리를 그 로 유지하고

있는 것으로 나타났다 네 명 한 명의 임 근로자가 한 해 사이에 일자리를 옮기거나 그만둔

것이다 국내 노동시장에서 일자리 이동이 범 하게 이루어지고 있음을 확인할 수 있다 상당수

인 1072가 한 해 뒤 같은 시기에 무직상태인 것으로 나타났고 비슷한 규모인 1075는 새로운

임 일자리로 이동한 것으로 나타났다 비임 근로자로 환한 경우도 317에 달한다 반면 이 차수에서 비임 일자리를 소유한 이들의 경우 부분인 8613가 당시 일자리를 차수에서

그 로 유지하고 있는 것으로 나타났으며 단 701만이 새로운 비임 일자리를 시작하거나 임

일자리로 진입한 것으로 악되었다 특히 차수와 이 차수 모두에서 임 일자리 소유자로

악된 이들은 총 16389명으로 이들 2046명이 일 년 사이에 일자리를 이동한 것으로 나타나 임 근로자들 내부의 일자리 환 유동성이 125에 달하는 것으로 나타났다

이어서 분석에 활용할 최종샘 을 구성하기 하여 주어진 통합샘 에서 차수의 일자리가

없는 개인은 제외시켰으며 비임 일자리 소유자인 자 업자 무 가족종사자도 제외시켰다 최종 으로 차수에서 임 일자리 소유자로 악된 이들은 6차부터 10차까지 총 21199명으로 확

인되었는데 이들 이 차수의 임 일자리를 그 로 유지하고 있는 근로자가 15004명이며 새로운 임 근로 일자리에 진입한 경우가 6196명으로 악되었다 이들의 각 차수별 구성은 다음과

같다

차수(조사연도) 임 근로자 수 백분율

6차(2003년) 4211 1986

7차(2004년) 4257 2008

8차(2005년) 4085 1927

9차(2006년) 4300 2028

10차(2007년) 4346 205

합계 21199 100

여기서 이 일자리에 한 상세한 정보를 악할 수 없거나 이 차수에서 무직이었던 4393명을 우선 제하고 이 차수에서 비임 일자리 소유자 던 417명도 제하 다 나머지 16389명은

이 차수와 차수 모두에서 임 근로자라고 답한 이들이다 (이는 lt표 1gt에서 이 차수의 임

일자리 소유자 차수에서도 임 일자리 소유자로 악된 16389명과 동일한 수치이다) 분석자료의 신뢰도를 높이기 하여 다음의 경우들을 최종샘 의 구성에서 제하 다 우선 지난 한

해 동안 2번 이상 일자리를 옮긴 근로자 55명과 재의 임 근로 일자리를 이 차수에서는 자

신의 주된 일자리가 아니었다고 답한 15명을 제하 다 그리고 일자리 일련번호(Job Sequence)가

락된 2명을 추가로 제하 다 이직의 순효과만을 악할 수 있도록 비자발 이직자라고 밝힌

417명을 제하 다 다음으로 나이가 70세 이상인 임 근로자 114명을 제하 다6) 마지막으로 이 차수의 임 정보가 락된 81명을 제하 다 이로써 15705명의 최종샘 이 확보되었으며 이

들의 각 차수별 구성은 아래와 같다 본 최종샘 은 이 차수와 차수 모두에서 임 근로자라

고 밝힌 이들 요 변수가 락되었거나 비자발 이직을 비롯한 특수한 경우들을 제외하고

나머지 임 근로자들의 집합이라 할 수 있다

6) 이들 부분(97)은 한 해 사이에 일자리 이동이 없었던 것으로 나타나 근로자의 이직 특성을 보편 으로 변하기

힘든 특이치(Outliers)로 처리하 다

차수별 최종샘 백분율

5~6차 2927 1864

6~7차 3110 1980

7~8차 3100 1974

8~9차 3186 2029

9~10차 3382 2153

합계 15705 100

III 분석 변수

본 에서는 각 분석 변수에 한 체계 설명을 제시하고자 한다 분석에 활용되는 변수들에

한 기 통계량은 lt표 2gt와 lt표 3gt에 요약되어 있다

1 개인 및 일자리 특성변수

개인에 한 기 변수로는 성별 나이 교육수 7) 혼인 여부를 포함하 다 이 차수 즉 지

난 조사시 에서의 일자리에 한 기본정보로서 정규직 여부 첫(혹은 두 번째) 일자리 여부 임수 (로그) 기업 규모를 포함하 다 lsquo첫(혹은 두 번째) 일자리 여부rsquo는 당시 일자리가 생애 첫 번

째 혹은 두 번째 일자리에 해당하는가를 표시한다 lsquo임 수 (로그)rsquo은 임 상승률8)을 감안하여

2008년도 기 으로 환산된 월평균 임 액에 로그를 취한 값이다 2008년 기 의 실질임 으로 환

산하자면 임 상승률이 아닌 물가상승률을 이용하여야 할 것이나 본 분석의 목 이 실질임 의

변화를 정확히 추정하는 데 있지 아니하고 체 통합샘 에서의 임 수 의 증가 여부에 있으므

로 2008년 기 임 수 으로 일원화(Equalizing)하는 차원에서 임 상승률을 신 활용하 다 단 일부 응답자들이 월평균임 이 아닌 연 을 기입한 것으로 단되어 8명의 이 차수 월평균

임 을 무응답 처리하고 17명의 차수 월평균임 역시 무응답 처리하 다9) lsquo종업원 규모(로그)rsquo는 근무하는 직장의 종업원 수에 로그를 취한 값이다 단 응답자가 정확한 종업원 수가 아닌

1부터 10까지 종업원 규모의 등 만을 밝힌 경우 해당 등 이 아우르는 범 의 간값을 차용하

다 를 들어 3등 (종업원 10 ~ 29명) 직장인 경우 종업원 수를 195명이라 표시하 다10)

7) lsquo교육수 rsquo에 한 등 은 다음의 순서 로 1부터 8을 부여하 다 무학 등학교 학교 고등학교 2년제 학 4년제 학 학원 석사 학원 박사

8) 임 상승률의 계산에는 노동부의 lsquo고용형태별 근로실태조사(구 임 구조기본통계조사)rsquo에 수록된 상용근로자 5인 이

상 사업체의 6월 기 월평균임 을 활용하 다 이로부터 추정한 연간 임 상승률은 다음과 같다 2002~03년(836) 2003~04년(675) 2004~05년(723) 2005~06년(615) 2006~07년(408) 2007~08년(565)

9) 2002년 기 으로 환산된 월평균임 에서 8명의 이 차수 임 이 차수 임 보다 500만원 이상 높게 나타났고 17명의 차수 임 역시 이 차수 임 보다 500만원 이상 높게 나타났다 한 해 사이에 월 여가 500만원(2008년 기 으로 7238만원) 이상 변동하는 경우는 드물므로 이들이 월 여 신 연 을 기입한 것으로 단된다

10) 각 등 을 체한 종업원 수는 다음과 같다 1등 (25명) 2등 (7명) 3등 (195명) 4등 (395명) 5등 (595명) 6등 (845명) 7등 (1995명) 8등 (3995명) 9등 (7455명) 마지막 종업원 1000명 이상을 표시하는 10등 의 경우

다음으로 lsquo일자리(혹은 일)를 계속 유지하길 희망하는가rsquo에 한 응답으로 lsquo직장유지의향rsquo과

lsquo직무유지의향rsquo을 포함하 다 노동패 은 5단 로 lsquo 그 지 않다(1)rsquo부터 lsquo아주 그 다(5)rsquo까지를 표기하는데 본 분석에서는 이를 백단 로 환하여 lsquo 그 지 않다rsquo를 0 lsquo아주 그 다rsquo를 100 으로 표하 다11) lsquo업무만족도rsquo는 다음 네 가지 질의에 한 5단 응답을 역시 백단 로

환한 후 산술평균한 값이다 업무에 만족하나 업무에 열정 인가 업무를 즐겁게 하나 업무에

보람을 느끼나 그리고 다음 일곱 가지 역에 한 만족도 조사를 추가하 다 임 에 한 만족

도 취업의 안정성에 한 만족도 근로환경에 한 만족도 의사소통 인간 계에 한 만족도 개인의 발 가능성에 한 만족도 인사고과의 공정성에 한 만족도 복지후생에 한 만족도 본 분석에서는 이들 만족도에 한 5단 응답을 100 만 으로 환하여 사용하 는데 lsquo매우

만족rsquo을 100 으로 lsquo만족rsquo을 75 lsquo보통rsquo을 50 으로 lsquo불만족rsquo을 25 lsquo매우 불만족rsquo을 0 으로

처리하 다 lt표 2gt에서 보듯이 임 만족도와 복지후생만족도가 일반 으로 50 을 크게 하회하

는 반면 업무 직업안정성 인간 계에 한 만족도는 일반 으로 50 을 크게 상회하는 것을 확

인할 수 있다이 차수 일자리를 직종별 업종별로 구분하여 더미변수로 처리하 다 직종별로는 문 리직

(노동패 분류 0 lsquo의회의원 고 임직원 리자rsquo 1 lsquo 문가rsquo) 사무기술직( 분류 2 lsquo기술공

문가rsquo 3 lsquo사무 종사자rsquo 소분류 950 lsquo군인rsquo) 서비스 매직( 분류 4 lsquo서비스 종사자rsquo 5 lsquo 매

종사자rsquo) 농어민( 분류 6 lsquo농업 어업숙련 종사자rsquo) 생산기능직( 분류 7 lsquo기능원rsquo 8 lsquo장치

기계조작 종사자rsquo 9 lsquo단순노무자rsquo)로 구분하 다 업종별로는 농어업 종사( 분류 A lsquo농업 임

업rsquo B lsquo어업rsquo) 공업 종사( 분류 C lsquo 업rsquo D lsquo제조업rsquo) 건설업 종사( 분류 F) 도소매 숙박업

종사( 분류 G lsquo도매 소매업rsquo H lsquo숙박 음식 업rsquo) 서비스 련업 종사( 분류 E lsquo 기 가스 수도사업rsquo 외 각종 서비스 련 업종)으로 구분하 다

종업원 수를 1500명이라 표하 다 11) 5단 수 를 백단 수 로 환하기 하여 다음의 산술식을 활용한다 = 25(-1)

변수명 측 수 평균값표

편차최솟값 최댓값

개인

특성변수

성별(여성 1) 15705 037 048 0 1

나이 15705 4005 1081 18 69

교육수 15703 451 135 1 8

혼인 여부

(미혼 1)15705 027 045 0 1

일자리

특성변수

(이 차수

기 )

정규직 여부

(정규직 1)15659 076 043 0 1

첫(혹은 두 번째) 일자리

여부

15705 048 050 0 1

임 수

(단 만원 로그)15694 514 059 147 729

종업원 규모

(단 명 로그)12912 400 231 0 1097

만족도

련 변수

(이 차수

기 )

직장유지의향 15658 6516 1871 0 100

직무유지의향 15645 6409 1922 0 100

업무 만족도 15653 5936 1644 0 100

임 만족도 15656 4394 1927 0 100

취업 안정성 만족도 15645 5540 1938 0 100

근무환경 만족도 15653 5446 1848 0 100

인간 계 만족도 15631 5712 1629 0 100

자기발 만족도 15649 5088 1839 0 100

인사공정 만족도 15460 4975 1602 0 100

복지후생 만족도 15552 4569 1958 0 100

직종더미

(이 차수

기 )

문 리직 여부 15702 013 033 0 1

사무기술직 여부 15702 033 047 0 1

서비스 매직 여부 15702 013 034 0 1

농어민 여부 15702 001 008 0 1

생산기능직 여부 15702 041 049 0 1

업종더미

(이 차수

기 )

농어업 종사 여부 15703 001 008 0 1

공업 종사 여부 15703 026 044 0 1

건설업 종사 여부 15703 011 031 0 1

도소매 숙박업 종사 여부 15703 016 037 0 1

서비스 련업 종사 여부 15703 046 050 0 1

lt표 2gt 개인 및 일자리 특성변수별 기초통계량

2 이직 및 성과지표 관련 변수

최종샘 15705명 지난 조사시 이후 일자리를 이동한 임 근로자는 체의 약 10에 해

당하는 1560명이다 각 샘 에 한 이직 여부를 더미변수로 처리하 다 이직의 성과를 측정하

기 하여 다음의 일곱 가지 평가지표를 마련하 다 개인의 주 만족도와 련된 종합 지

표 세 가지(직장만족도 직무만족도 일자리만족도) 일자리 배치의 효율성과 련된 종합 지표

세 가지(기술 합도 교육 합도 교육기술복합지수) 그리고 임 수 이들에 한 기 통계량은

lt표 2gt에 요약되어 있다직장만족도는 다음 5가지 평가지표(5단 )의 평균값을 100 단 로 환산한 것이다 다닐 만한

직장인가 들어온 게 기쁜가 친구에게 추천하고 싶은가 다른 이에게 자랑할 수 있는가 계속 다

니고 싶은가(즉 앞서의 lsquo직장유지의향rsquo) 직무만족도는 앞서 제시한 lsquo업무만족도rsquo 련 네 가지 지

표와 lsquo직무유지의향rsquo을 합친 다섯 가지 평가지표를 산술평균하여 100 단 로 환산한 것이다 일자리만족도는 lsquo일자리에 해 반 으로 얼마나 만족하는가rsquo라는 질의에 한 5단 응답을 100

단 로 환산한 것이다 이들 세 가지 만족도와 련된 지표들의 연간 변화를 ( 차수 만족도

- 차수 만족도)로 측정하여 만족도 변화지표를 추가로 생성하 다 기술 합도는 lsquo 재 하는 일의 수 은 나의 기술(기능)과 비교하여 어느 정도인가rsquo라는 질의에

한 답변으로부터 구성하 다 응답자는 lsquo매우 낮다rsquo lsquo낮은 편이다rsquo lsquo맞다rsquo lsquo높은 편이다rsquo lsquo매우

높다rsquo 응답하도록 되어 있다12) 략 80 안 의 응답자가 다섯 응답 lsquo맞다rsquo에 답하 다 여기서 lsquo높은 편이다rsquo와 lsquo매우 높다rsquo에 한 응답은 체 응답자의 1 내외이다 하는 일의 수 이

매우 높거나 높은 편이다라는 것은 하는 일이 도 이며 자기 능력을 충분히 발휘할 기회가 많

다는 것을 의미하므로 합도가 낮다고만 평할 수는 없다 따라서 100 단 로 환산할 때 lsquo매우

낮다rsquo에 0 lsquo낮은 편이다rsquo에 50 lsquo맞다rsquo와 그 이상의 답변에 100 을 부여하 다13) 교육 합도

는 lsquo 재 하는 일의 수 은 나의 교육수 과 비교하여 어느 정도인가rsquo라는 질문에 한 답변으로

부터 구성하 으며 같은 방식으로 lsquo매우 낮다rsquo에 0 lsquo낮은 편이다rsquo에 50 lsquo맞다rsquo와 그 이상의

답변에 100 을 부여하 다 여기서 교육수 은 서류상에 기재되므로 서류상에 기재가 어려운 기

술수 과는 취업과정에서 다르게 취 된다 특히 인 네트워크는 교육수 보다 기술수 의 정보

달에 보다 유용한 채 로 작동할 가능성이 높다 따라서 이직의 종합 인 배치효율성 개선효과

를 측정하기 해서는 두 지표를 아우를 수 있는 독립 인 지표가 필요하다 도입된 lsquo교육기술복

합지수rsquo는 기술 합도와 교육 합도의 산술평균으로서 일자리 배치효율성에 한 종합 평가지

표로 작성되었다 이들 세 가지 배치효율성 련 지표들의 연간 변화를 ( 차수 배치효율성 -

차수 배치효율성)으로 측정하여 배치효율성의 변화분을 추가로 추출하 다 마지막으로 월평균임 (단 만원)의 치를 2008년 기 으로 환산하여 lsquo 차수 임 수 rsquo

과 lsquo 차수 임 수 rsquo을 구성하 다 앞서 lsquo임 수 (로그)rsquo 변수의 생성에 활용한 임 상승률을

그 로 차용하 다 lsquo임 수 변화rsquo는 ( 차수 임 수 - 이 차수 임 수 )으로 측정하 다 표에서 보는 바와 같이 차수 임 수 은 평균 202만 4700원으로 차수 임 수 은 평균

205만 8900원으로 집계되었고 평균 임 수 의 연간 상승분은 3만 4400원으로 나타났다

12) 응답자별 분포 lsquo매우 낮다(122)rsquo lsquo낮은 편이다(1727)rsquo lsquo맞다(8039)rsquo lsquo높은 편이다(106)rsquo lsquo매우 높다(006)rsquo 13) lsquo높은 편이다rsquo와 lsquo매우 높다rsquo가 차지하는 비 이 매우 낮아 이들을 합도가 lsquo낮은 편이다rsquo와 lsquo매우 낮다rsquo로 취 하여

도 분석 결과에는 의미있는 차이가 나타나지 않는다

변수명 측 수 평균값 표 편차 최솟값 최댓값

이직 여부(이직 1) 15705 0099 030 0 1

차수 직장만족도 15636 5659 1698 0 100

차수 직장만족도 15585 5679 1698 0 100

직장만족도 변화 15531 019 1636 -90 80

차수 직무만족도 15653 6052 1599 0 100

차수 직무만족도 15600 6056 1615 0 100

직무만족도 변화 15563 003 1641 -75 85

차수 일자리만족도 15596 5390 1618 0 100

차수 일자리만족도 15562 5454 1646 0 100

일자리만족도 변화 15468 065 1722 -100 75

차수 기술 합도 15613 9014 2138 0 100

차수 기술 합도 15590 9058 2146 0 100

기술 합도 변화 15509 044 2387 -100 100

차수 교육 합도 15656 8969 2169 0 100

차수 교육 합도 15620 9008 2186 0 100

교육 합도 변화 15582 040 2413 -100 100

차수 교육기술복합지수 15612 8991 2106 0 100

차수 교육기술복합지수 15590 9034 2119 0 100

교육기술복합지수 변화 15508 043 2318 -100 100

차수 임 수 (단 만원) 15697 20247 12055 0 146975

차수 임 수 (단 만원) 15658 20589 12406 625 146975

임 수 변화(단 만원) 15650 344 5619 -71931 56572

lt표 3gt 이직 및 성과지표별 기초통계량

IV 일자리 이동의 영향요인

본 에서는 일자리 이동에 향을 미치는 주요 요인들에 해 평가해 보도록 한다 이직확률

추정을 하여 로짓회귀분석(Logistic Regression)을 수행하 으며 여덟 가지 회귀분석모형에 해

그 결과를 lt표 4gt에 요약하 다 각 모형은 이 차수와 차수 사이의 이직 여부를 종속변수로

한다 모형 1은 개인 특성변수들과 일자리 특성변수들을 설명변수로 하 으며 모형 2는 여기에

교육 합도를 추가하 다 모형 3은 여기에 일과 일자리에 한 만족도를 측정하는 여덟 개 변수

를 추가하 다 모형 4에는 직종더미를 모형 5에는 업종더미를 모형 6에는 연차더미를 차례로 추

가하 다 모형 7은 모형 6에서 종업원 규모를 제하고 추정한 결과이다 종업원 규모에 응답하지

않은 샘 수가 체 최종샘 의 178에 달하므로 설명변수에서 종업원 규모를 뺀 모형 7은 샘

수를 극 화한 추정 결과를 제시한다 모형 8은 모형 6의 설명변수 교육 합도를 기술 합도로

체한 추정 결과이다 교육 합도와 기술 합도의 상 계수가 0913에 달하므로 하나의 모형에

두 변수를 모두 포함시키기보다 별도의 모형을 만들어 상호비교하는 방법을 택한 것이다 이들 모

형들의 하단에 lsquo평균치 이직확률rsquo을 표기하 다 lsquo평균치 이직확률rsquo은 추정에 활용된 변수들의 평

균치에서 계산한 이직확률을 나타낸다 즉 샘 내의 표 임 근로자(Representative Paid Worker)의 이직 가능성을 변하는 수치이다 주어진 모형들이 추정한 lsquo평균치 이직확률rsquo은 략

8 안 (76~902)이다 각 추정계수 우편에는 한계효과를 함께 표시하 는데 이는 설명변수가

한 단 상승할 때(더미변수의 경우 0에서 1로 바뀔 때) lsquo평균치 이직확률rsquo의 변동분을 나타낸다 lsquo평균치 이직확률rsquo과 한계효과 모두 100을 곱하여 백분율로 표기하 다

분석 결과에 따르면 네 가지 개인의 특성변수(나이 성별 교육수 혼인 여부) 에서는 나이

와 성별만이 통계 으로 유의한 향요인으로 확인되었다 여성의 경우 남성에 비해 이직확률이

략 11p 가량 낮은 것으로 나타났다 연령이 높을수록 이직확률이 낮아지는데 나이가 한 살

증가할수록 략 04p 가량 이직확률이 하락하 다 일자리 련 특성변수 에서 정규직 여부 첫(혹은 두 번째) 일자리 여부 임 수 종업원 규

모 모두 통계 으로 유의한 향요인으로 악되었다 정규직일 경우 비정규직에 비해 이직확률

이 2p 가량 하락하 다 생애 첫 번째(혹은 두 번째) 일자리인 경우 44p 가량 이직확률이 하락

하 다 그러나 이것이 노동시장 진입 기에 이직확률이 더 낮다는 식으로 해석될 수는 없다 그보다는 이 에 이직경험이 많은 이들은(즉 재 일자리가 생애 세 번째 혹은 그 이상인 이들은) 그들의 직업 특성으로 인하여 이 에 이직경험이 은 이들에 비해 향후 일 년간 다시 이직

할 확률이 44p 가량 높다라고 해석해야 할 것이다14) 임 수 이 높을수록 이직확률이 떨어지

는 것으로 나타났다 임 이 10 상승할 때 이직확률은 045p만큼 하락한다 종업원 규모 역시

이직확률과 부의 계를 가지는 것으로 나타났다 종업원 규모가 10 가량 큰 기업에서 근무하면 이직확률은 007p 가량 하락한다 이는 종업원 규모가 큰 기업일수록 내부 노동시장을 활용한

직무재배치가 용이하기 때문인 것으로 악된다교육 합도 혹은 기술 합도가 높을수록 이직확률이 하락하는 것으로 나타났다 교육 혹은 기

술 합도가 10 상승할 때 025p 가량 하락한다 재 하는 일이 나의 교육(혹은 기술) 수 보

다 낮다고 답한 경우( 합도 50 ) 수 이 맞다고 답한 경우( 합도 100 )보다 125p만큼 이직

확률이 증가하는 것을 의미한다 따라서 노동자의 기술 혹은 교육 수 에 합한 직무와 그에 합

당한 우가 이직확률을 떨어뜨리는 데 효과 임을 알 수 있다일자리만족도와 련한 여덟 가지 변수 에서 임 에 한 만족도 직장 내 인간 계에 한

만족도 인사고과의 공정성에 한 만족도는 이직에 유의미한 향을 미치지 못하는 것으로 나타

났다 특히 이 임 에 한 만족도가 이직 여부에 결정 역할을 하지 않는다는 은 흥미로운

결론이다 반면 취업 안정성에 한 만족도와 근로환경 복지후생에 한 만족도 그리고 업무

에 한 만족도는 이직확률과 통계 으로 유의한 부(-)의 계가 있음이 확인되었다 취업 안정성

에 한 만족도 근로환경의 만족도 그리고 업무만족도의 경우 100 만 에 10 향상 시 04p 가량 이직확률을 떨어트리는 것으로 나타났으며 이는 이들 만족도에 한 응답이 불만족(25 )에

14) 를 들어 주어진 최종샘 에서 직장경력이 많은 40세 이상인 이들만을 고려할 때 첫 번째(혹은 두 번째) 일자리

보유자 2711명의 연간 이직률은 262인 데 반해 두 번 이상 이직경험이 있는 이들 4410명의 연간 이직률은

859로 이직률이 597p 높은 것을 확인할 수 있다

서 보통(50 )으로 개선된 경우 1p만큼 이직확률이 감소하는 것을 의미한다 개인만족도 련

변수 이직확률에 가장 향력이 큰 변수는 복지후생 변수로서 이에 한 만족도는 10 향상

시 이직확률을 055p 가량 떨어트리는 것으로 나타났다 복지후생만족도에 한 응답이 불만족

(25 )에서 보통(50 )으로 개선된다면 략 138p만큼의 이직률 하락을 기 할 수 있는 것이다이상의 분석 결과는 국내 임 근로자의 이직 결정에 있어서 비임 측면에서의 만족도가

요한 역할을 한다고 주장한 김동헌김상호(2001)의 연구와 맥을 같이 한다15) 여러 해외 연구 결

과도 비임 요소의 요성을 강조한 바 있다 를 들어 Gottschalk and Maloney(1985)는

Michigan PSID(Panel Study of Income Dynamics)를 이용하여 이직 후 새로운 직장이 더 만족스럽

다고 응답한 사람들 가운데 그 41는 실질임 의 삭감을 감내한 것으로 밝힌 바 있다흥미로운 은 개인의 발 가능성에 한 만족도가 이직확률과는 정(+)의 계를 보인다는

이다 개인의 인 자본을 높일 수 있는 일을 하고 있을 때 이러한 자기발 을 활용하여 보다 우

가 좋은 직장으로 이동하는 경향이 있음을 확인한 것이다 자기발 에 한 만족도 10 상승이

045p만큼의 이직확률 증가와 연 된 것으로 확인되었다 를 들어 자기발 만족도에 한 응

답이 보통(50 )인 사원보다 만족(75 )인 사원의 이직확률이 113p 가량 높은 것이다직종에 따른 이직확률의 차이에서는 문 리직 종사자나 서비스 매직 종사자가 생산기능직

종사자에 비해 략 3p만큼 이직확률이 높다는 것을 확인하 다 반면 농어민의 경우 생산기능

직 종사자에 비해 6p만큼 이직확률이 낮았다 업종에 따른 이직확률의 차이에서는 업종 간의 큰

차이를 발견하기 어려웠다 다만 농어업 련 기업에 종사할 경우 공업 련 기업에 종사하는

경우보다 이직확률이 상당히( 략 15p만큼) 높아짐을 확인할 수 있었다 다만 노동패 은 군부

지역을 제외하고 도시지역만을 상으로 한 조사이기 때문에 농어민 혹은 농어업 련 산업의 종

사자에 한 자료는 매우 미흡한 수 이다16) 따라서 농어민이나 농어업 종사자에 한 이상의

결론은 신뢰도가 다소 떨어짐을 유념할 필요가 있다

15) 김동헌김상호(2001)는 노동패 의 1차 자료만을 활용하여 동일한 분석을 수행한 바 있으며 이들의 결론은 8가지

만족도 변수 취업 안정성 복지후생 인사공정에 한 만족도가 이직성향과 부(負)의 계를 가진다는 것이었다 이들의 연구에 비해 본 연구의 표본의 수가 보다 방 하고 다양한 배경 변수(업종더미 직종더미 회사규모)와 개인

특성변수(첫 일자리 여부 교육 합도 등)를 통제하고 있으므로 본 연구의 결과가 보다 신뢰할 만한 결과를 제시하

고 있다고 단된다 16) 최종샘 에서 농어민이 차지하는 비 은 1 미만이고 샘 수로는 101명에 그친다 농어업 련 기업의 종사자가

차지하는 비 역시 1 미만에 종사자 수 111명에 그친다

다항로짓회귀분석 모형 1 모형 2 모형 3 모형 4

종속변수 이직 여부 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과

성별(여성 1) -01627(00665) -1313 -01272

(00672) -1030 -00669(00701) -0536 -01378

(00753) -1081

나이 -00512(00041) -0420 -00513

(00041) -0421 -00510(00042) -0412 -00507

(00042) -0404

교육수 00263(0029) 0216 00135

(00294) 0111 00350(00306) 0283 00264

(00342) 0210

혼인 여부(미혼 1) 00531(00746) 0440 00601

(00748) 0498 00563(00757) 0459 00643

(00762) 0518

정규직 여부(정규직 1) -03042(00713) -2688 -02777

(00718) -2438 -02213(00743) -1887 -01853

(00751) -1544

첫(혹은 두 번째) 일자리 여부

-05513(00647) -4453 -05462

(00649) -4412 -05313(00656) -4227 -05429

(00659) -4258

임 수(단 만원 로그)

-05933(00709) -4868 -05360

(00727) -4398 -05253(00769) -4242 -05393

(00782) -4294

종업원 규모(단 명 로그)

-01019(00145) -0836 -01010

(00145) -0829 -00838(00149) -0677 -00691

(00149) -0550

차수 교육 합도 -00045(00012) -0037 -00031

(00014) -0025 -00030(00014) -0024

차수 기술 합도

업무만족도 -00031(00025) -0025 -00036

(00025) -0029

임 만족도 00025(00020) 0021 00029

(00020) 0023

취업 안정성 만족도 -00041(00021) -0033 -00044

(00021) -0035

근무환경만족도 -00049(00021) -0039 -00050

(00022) -0040

인간 계만족도 -00016(00024) -0013 -00015

(00024) -0012

자기발 만족도 00055(00023) 0045 00050

(00023) 0040

인사공정만족도 00006(00027) 0005 00011

(00027) 0009

복지후생만족도 -00069(00021) -0055 -00070

(00021) -0055

(기 생산기능직)

문 리직 여부 03710(01169) 3328

사무기술직 여부 -01145(00887) -0898

서비스 매직 여부 04280(00885) 3890

농어민 여부 -03201(04768) -2238

(기 공업 종사)농어업 종사 여부건설업 종사 여부도소매 숙박업 종사

여부서비스 련업 종사

여부연차 더미 No No No No

평균치 이직확률times100(각 변수의 평균치

기 )902 902 886 872

관측 수 12869   12829   12655   12652  

결정계수( ) 0070   0072   0076   0082  

lt표 4Agt 일자리 이동 영향요인 분석(I)

주 1 는 유의수 10 는 유의수 5 는 유의수 1를 의미함2 한계효과는 추정된 한계효과(marginal effects)를 백분율로 표시함3 더미변수의 한계효과는 변수값이 0에서 1로 변할 때 이직확률의 변화분을 나타냄(변수명의 표시가 더미변수)

다항로짓회귀분석 모형 5 모형 6 모형 7 모형 8

종속변수 이직 여부 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과

성별(여성 1) -01528(00759) -1194 -01482

(00760) -1154 -01872(00713) -1289 -01477

(00761) -1151

나이 -00505(00042) -0401 -00505

(00042) -0400 -00521(00040) -0366 -00504

(00042) -0399

교육수 00309(00345) 0245 00327

(00347) 0258 00113(00324) 0080 00346

(00345) 0274

혼인 여부(미혼 1) 00659(00764) 0529 00635

(00766) 0507 01045(00721) 0749 00684

(00767) 0548

정규직 여부(정규직 1) -02033(00770) -1696 -02075

(00776) -1727 -01213(00735) -0875 -02093

(00777) -1744

첫(혹은 두 번째) 일자리 여부

-05421(00660) -4240 -05445

(00661) -4241 -06294(00623) -4407 -05495

(00662) -4284

임 수(단 만원 로그)

-05309(00788) -4215 -05277

(00790) -4172 -06554(00702) -4602 -05288

(00791) -4186

종업원 규모(단 명 로그)

-00695(00151) -0552 -00690

(00152) -0546 -00685(00152) -0542

차수 교육 합도 -00028(00014) -0022 -00029

(00014) -0023 -00027(00013) -0019

차수 기술 합도 -00030(00014) -0024

업무만족도 -00038(00025) -0030 -00043

(00025) -0034 -00054(00023) -0038 -00045

(00025) -0036

임 만족도 00029(00020) 0023 00026

(00020) 0020 00027(00019) 0019 00026

(00020) 0020

취업 안정성 만족도 -00048(00021) -0038 -00045

(00021) -0035 -00051(00020) -0036 -00044

(00021) -0035

근무환경만족도 -00052(00022) -0041 -00054

(00022) -0042 -00053(00020) -0037 -00053

(00022) -0042

인간 계만족도 -00014(00024) -0011 -00015

(00024) -0012 -00014(00023) -0010 -00013

(00024) -0011

자기발 만족도 00054(00023) 0043 00057

(00023) 0045 00061(00022) 0043 00057

(00023) 0045

인사공정만족도 00010(00027) 0008 00011

(00027) 0009 -00006(00025) -0004 00014

(00027) 0011

복지후생만족도 -00069(00021) -0055 -00069

(00021) -0054 -00060(00020) -0042 -00068

(00021) -0053

(기 생산기능직)

문 리직 여부 03574(01203) 3183 03594

(01204) 3190 03478(01160) 2728 03514

(01204) 3114

사무기술직 여부 -01409(00916) -1098 -01365

(00917) -1060 -01322(00878) -0911 -01374

(00917) -1068

서비스 매직 여부 03146(01080) 2752 03136

(01081) 2732 02369(01012) 1793 03037

(01084) 2640

농어민 여부 -13598(06827) -6349 -13198

(06821) -6224 -12188(06557) -5262 -13254

(06828) -6246

(기 공업 종사)

농어업 종사 여부 12277(05423) 15765 12064

(05429) 15324 08109(05129) 7981 12026

(05431) 15270

건설업 종사 여부 -01858(01239) -1386 -01819

(01240) -1353 -01896(01146) -1251 -01797

(01240) -1339

도소매 숙박업 종사 여부

01413(01027) 1165 01417

(01028) 1163 02878(00976) 2200 01393

(01029) 1144

서비스 련업 종사 여부

00006(00808) 0005 00016

(00808) 0013 -00420(00778) -0295 -00024

(00809) -0019

연차 더미 No Yes Yes Yes평균치 이직확률times100

(각 변수의 평균치 기 ) 869 865 760 867

관측 수 12651   12651   15344   12614  

결정계수( ) 0083   0085   0091   0084  

lt표 4Bgt 일자리 이동 영향요인 분석(II)

주 1 는 유의수 10 는 유의수 5 는 유의수 1를 의미함 2 한계효과는 추정된 한계효과(marginal effects)를 백분율로 표시함 3 더미변수의 한계효과는 변수값이 0에서 1로 변할 때 이직확률의 변화분을 나타냄(변수명의 표시가 더미변수)

Group

Treated (=1) 측 가능 Counterfactual

Untreated (=0) Counterfactual 측 가능

V 분석 방법(Propensity Score Matching)

본 에서는 일자리 이동의 효과성 분석에 사용할 방법론으로서 Heckman Ichimura and Todd(1997)이 제안한 Propensity Score Difference- in-Differences(DID) Matching(PSM)에 해 설명

하고자 한다 이에 앞서 우선 이 방법론의 근간이 되는 Averge Treatment Effect for the Treated(ATT)(Rubin[1974])와 Propensity Score Matching(PSM)(Rosenbaum and Rubin[1983]) 일반에

해 소개하기로 한다

1 Average Treatment Effect for the Treated

결과에 향을 미치는 Treatment Variable로서 더미변수 를 가정하자 Treatment의 부여 여부

에 따라서 Treated Group(혹은 실험군)과 Untreated Group(혹은 조군)으로 구분할 수 있다 =1 (Treated Group)과 =0 (Untreated Group) 이때 잠재 결과치(Pontential Outcomes) 가 Treatement 여부에 따라 각기 ( )일 때 Average Treatment Effect(ATE)는 다음과 같다 그러나 이러한 통 인 계산방식은 Treatment가 무작

(Randomization)라는 가정하에서만 편 되지 않은 측치(Unbiased Estimates)를 제공할 수 있다 순수한 무작 실험이 아니라면 분석의 상이 데이터에서 Treatment 여부가 무작 인 경우는 드

물다 즉 특정한 요인들이 Treatment 참여 여부에 직간 인 향을 미치는 것이다 를 들어 특정약물의 효과를 알고 싶다고 하자 약물이 투여된 사람과 그 지 않은 사람의 건강상태를 악

하면 된다고 생각할 수 있다 그러나 약물이 투여되지 않은 사람은 개 건강한 사람들이기 때문

에 이들의 건강상태를 약물이 투여된 사람과 직 비교한다면 약물을 투여한 사람이 여 히 건강

상태가 나쁜 것으로만 나올 것이고 약물투여의 효과가 없다라고 결론짓게 될 것이다 비교 상은

건강한 사람이 아니라 약물이 투여된 집단만큼의 건강이 양호하지 않은 집단이어야 한다 이 게

건강하지 않는 사람과 비교할 때 약물 투여의 순수한 효과를 검증할 수 있다 이러한 무작 의 여

부로부터 발생하는 문제를 선택편의(Selection Bias)라고 한다데이터로부터 우리가 측할 수 있는 결과치는 Treated된 경우의 과 Untreated된 경우의

이다 선택편의의 문제가 발생할 때 Treatment의 효과를 제 로 알고자 한다면 우리가 비교해야

하는 상은 Treated 된 경우의 Treatment가 용되지 않았을 때의 결과 즉 ( |=1)이다 이러한

가상의 결과를 Counterfactual이라고 한다 (역시 Untreated된 경우의 Treatment가 용되었을 때 결

과 즉( |=0) 역시 Counterfactual이다) 다음의 표가 이를 간략히 정리하고 있다

선택편의(Selection Bias)의 문제하에서 Treatment의 효과를 측정하기 하여 체 집단에 한

Treatment Effect가 아닌 Treated Group에 한 Treatment Effect에 한정하여야 한다 이 게 한정된

집단 즉 Treated Group에 한 효과성 측정을 Average Treatment Effect for the Treated(ATT)라고 한

(1)

여기서 는 Counterfactual에 한 기 치이므로 자료로부터의 직 인 추정은 불

가능하다 Treatment Selection이 측 가능한 변수들의 특정한 집합 Z에 의존한다고 가정해 보자 Dawid(1979)의 표 법에 따르면 다음과 같은 계가 성립한다 ∐ 즉 Z를 통제하 을

때 Untreated Group의 값의 분포와 Treated Group이 만약 Treatment를 받지 아니하 을 때의

값의 분포(즉 Counterfactual의 분포)는 서로 동일하다는 것이다 이는 기 치에 한 다음과 같은

계를 내포한다

(2)

즉 counterfactual인 을 측치인 이 체할 수 있는 것이다 식

(2)의 계를 조건부 독립가정(Conditional Independence Assumption CIA)이라고 한다 Rubin(1974)은 조건부 독립가정(CIA)의 조건이 충족할 경우 ATT를 다음과 같이 측정할 수 있다고 제안한 바

있다

(3)

즉 직 으로 설명한다면 =1인 집단에 속한 특성 Z인 개체에 하여 동일 특성을 지닌 개

체를 =0인 그룹에서 찾아 그 둘의 Y값을 비교하면 되는 것이다 =1 집단 내의 모든 개체에

하여 동일한 계산을 한 뒤 이를 합산하면 ATT를 구하게 된다 그러나 이 방법 역시 일정 정도의 한계를 지닌다 만약 Z가 이산변수(Discrete Variable)가 아닌

연속변수(Continuous Variable)라면 =0 집단에서 동일한 Z를 가진 개체를 찾을 수 없으므로 이상

의 측정법을 용할 수 없다 한 특정 변수들이 집합인 Z에 포함된 변수들이 많은 경우 동일한

특성의 개체를 =0 집단으로부터 찾는 것이 어려울 수 있다 이러한 한계를 극복하고자 도입된 것

이 Propensity Score Matching 방식이다

2 Propensity Score Matching Estimator

Propensity Score(PS)를 Z 특성을 지닌 개체가 Treated될 확률로 정의하고 로 표시하도록

하자

Propensity Score equiv (4)

Rosenbaum and Rubin(1983)은 0ltP(Z)lt1이 모든 Z에 해 만족할 경우 다음의 계가 성립한다

는 것을 증명하 다

∐ rArr ∐ (5)

이 계식은 을 내포하므로 변수집합의 Z의 차원수

∐ rArr

(Dimensionability)가 클 경우에도 다음과 같이 다일변수 P(Z)를 활용하여 ATT를 구할 수 있다

(6)

샘 수의 유한성으로 인해 실제로 식의 두 번째 항을 추정하는 것은 간단치 않은 작업이

다 한 ATT의 추정은 Common Support 역 즉 Treated Group의 P(Z)의 분포와 Untreated Group의 P(Z)의 분포가 겹치는 Z의 역에 한정하여야 한다 Common Support를 벗어나는 역에 해

서는 비교가능한 Counterfactual를 찾기 힘들기 때문이다 이를 반 하여 주어진 샘 내에서 ATT를 추정할 수 있는 다양한 Propensity Score Matching(PSM) Estimator가 제안되었는데 이는 다음과

같이 요약될 수 있다(Todd[2006])

isincap

isin

(7)

여기서 는 Treated Group 구성원을 는 Untreated Group의 구성원을 나타낸다 는 Common Support 역 내의 개체들의 집합을 나타낸다 은 Treated Group의 구성원 Common Support 역에 속하는 개체들의 총수이다 는 가 치를 나타내는 것으로 두 Propensity Score의 거리

인 을 이용하여 결정된다 가 치 용방식에 따라 다양한 측정방식이 제시될 수

있다 이에 해서는 추후에 추가 으로 논의하도록 한다

3 Difference-in-Differences Matching Estimator

여기서 한 단계 발 된 방식의 PSM이 Heckman Ichimura and Todd (1997)에 의해 제시된

Difference-in-Differences(DID) Matching Estimator이다 앞서 ATT의 추정에서 측 가능한 특정 변수

들의 집합 Z가 주어졌을 때 결과치 가 Treatment에 독립 (즉 ∐ 이 성립)이라고 가정한

바 있다 그러나 Z에 포함되어야 할 많은 변수 측이 되지 않는 경우가 있을 수 있다 이러한

경우 계가 더 이상 성립하지 않아 앞서의 ATT 추정법은 정

당성을 상실한다 하지만 Longitudal Data가 주어진 경우 즉 Treatment 이 과 이후의 결과치( )가

주어진 경우 분석 상을 신에 lsquo의 변화분rsquo으로 변경함으로써 이러한 문제를 상당 부분 해

소할 수 있다 Treatment 이 과 이후 두 개의 시간 를 와 prime이라 한다면 분석 상을 이

아닌 prime prime 으로 둘 수 있는 것이다 이때 ATT를 추정하기 해서는

prime ∐ 의 가정이면 충분하게 된다 이는 앞서보다 훨씬 완화된 가정이므로 충족하기

가 보다 용이해진다 특히 측되지 않는 시간 불변(time-invariant)의 일부 변수가 Treatment Selection에 연 된 경우에도 이 변수가 와 prime에는 직 인 향을 미치더라도 prime 에 미치는 향이 없다면(즉 독립 이라면) 문제가 되지 않는 것이다17) 따라서 Longitudal Data가

17) 이 외에도 주어진 수치들이 데이터가 수집된 지역에 따라 Level이 다를 경우 Difference 변수를 활용함으로써 이러

한 Level 차이에서 기인한 편의(bias)를 해소할 수 있다

주어진 경우에 DID Matching Estimator는 매우 효과 인 도구로 활용될 수 있다 이때 DID Matching Estimator는 다음과 같은 방식으로 요약될 수 있을 것이다

isincap

prime prime prime

isin prime

(8)

본 연구에서는 앞서 소개한 DID Matching Estimator를 이용함으로써 시간불변(time-invariant)의

측되지 아니하는 변수들을 사 에 통제하고 보다 신뢰할 만한 분석 결과를 제시하고자 한다

4 Treatment Effect 측정방식

의 가 치를 결정하는 를 어떻게 설정하느냐에 따라 다양한 PSM Estimator가 존재한다 본 연구의 분석에서는 가장 활발히 이용되는 측정방식들로서 Nearest Neighbor Matching Radius Matching Kernel Matching 이 세 가지를 활용하기로 한다18)

가 Nearest Neighbor Matching

이 방식은 조군인 Untreated Group에 속한 개체 에서 Propensity Score가 실험군(Treated Group) 개체의 Score와 가장 근 한 개체를 선택하는 방식이다 즉 를 최소화시키

는 에 해서는 이고 나머지 에 해서는 이 성립한다 [그림 2]가 이

를 잘 형상화하고 있다 이때 Score가 근 한 개체를 하나가 아닌 복수로 선정함으로써 하나를

선정할 때보다 더욱 안정된 추정치를 얻을 수 있다 다만 매칭되는 개체 수가 무 많을 경우

가 크게 되어 편의(bias)가 증가할 수 있으므로 신 할 필요가 있다 개의 근

한 개체를 선택하는 경우 이들 개체 에 해서는 이 성립하고 나머지 에

해서는 이 성립한다 Nearest Neighbor Matching의 경우 가장 근 한 개체를 선택하 으나 가 무

커서 Counterfactual로서 부 합한 매칭이 이루어질 가능성이 있다 이를 보완하기 하여 Cochran and Rubin(1973)은 한 Caliper를 선정하여 매칭에 있어서 를 일정 한도로 제

한할 것을 제안한 바 있다 본 분석에서는 을 5개로 선정함으로써 편의(bias)를 이면서도 안정

된 추정치를 얻고자 하 으며 Caliper는 히 작은 0005로 설정하여 부 합한 매칭을 최소화하

고자 하 다19)

18) 이 외에도 주로 활용되는 측정방식으로 Stratification Matching Mahalanobis Matching 등이 있으나 이들을 활용한 결

과가 본 연구의 분석 결과와 크게 다르지 않다 Dehejia and Wahba(2002)는 Treated Group과 Untreated Group 간의

Propensity Score 분포가 상당 부분 서로 겹친다면 측정방식에 따른 분석 결과의 차이가 크지 않다는 을 강조한

바 있다 이는 실험군 한 개체에 해 매칭 가능한 충분한 수의 조군 개체들이 존재하기 때문이다 즉 측정방식의

차이에 따라 매칭이 되는 조군들의 특성이 크게 달라지지 않는 것이다 본 연구에서 추정한 Propensity Score 분포

는 Treated Group Untreated Group 두 집단 사이에 겹치는 부분이 매우 크다 이는 [그림 4]를 통해 쉽게 확인된다 19) 여기서 Caliper 설정은 실험군 개체와 매칭되는 조군 개체 사이의 PS 거리 즉 를 한 수 으로

제한하고자 함이다 부분의 실험군 개체의 경우 Caliper가 설정한 Boundary에 크게 제한을 받지 않으므로 히

작은 Caliper의 설정이면 편의(Bias)를 개선하기에 충분하다 본 분석에서 설정한 0005 이외에 0002이나 001을 사용

하여 보았으나 역시 결과의 차이가 크지 않음을 확인하 다

[그림 2] Nearest Neighbor Matching(n=1인 경우)

나 Radius Matching

이 방식은 일정 반경을 Caliper로 설정하고 Untreated Group에서 가 Caliper 이내인 모든 개체 를 Treated Group의 개체 에 매칭하는 방법이다(그림 3 참조) 개체 에 하여

Untreated Group으로부터 매칭된 개체의 수가 라면 이들에 해서는 이 성립하고 매칭이 안된 나머지 개체들에 해서는 이 성립한다 이 추정방식은 앞서 Nearest Neighbor Matching에 비해 Propensity Score가 근 한 조군 내의 보다 많은 개체를 분석에 활용할

수 있다는 장 이 있다 보다 많은 조군 내 개체를 활용할수록 Treatment Effects 측정의 정확성

(Precision)은 상승하게 된다 매칭이 가능한 조군 개체의 수가 충분히 많다면 Caliper는 작을수록 좋다 Caliper가 클수록

부 합한 매칭에 따른 Treatment Effects의 편 (Bias)이 커질 수 있기 때문이다 본 분석에서는 샘

의 수가 충분히 크기 때문에 Caliper를 0002로 설정하여 매우 근 한 개체들에 해서만 매칭이

이루어지도록 설정하 다20)

20) 다음 에서는 주어진 샘 을 활용하여 Propensity Score를 추정하고 있다 이 결과에 따르면 PS (01 0102)인 구간

에서 조군 개체 수가 116개 (02 0202) 구간에서 조군 개체 수가 32개 (03 0302) 구간에서 조군 개체 수가

12개에 이르는 것을 확인할 수 있다(표 6과 그림 4를 참조 바람) 즉 0002의 Caliper를 사용할 때 한 개의 실험군

개체에 해 10개 내지 100개 이상의 조군 개체들이 매칭되는 경우가 흔히 존재하는 것이다 반면 Caliper를 이보

다 작게 설정한다면 (특히 PS가 큰 구간에서는) 실험군 개체들과 매칭되는 조군 개체가 존재하지 않을 수 있다 를 들어 PS (04 0402)인 구간에서 조군 개체 수는 단 1개 존재하나 PS (0401 0402)인 구간에서는 무하다

따라서 본 연구에서는 최소의 Caliper이면서도 매칭되는 조군 개체의 수가 충분할 수 으로서 Caliper 0002를 선

정하 다 반면 민감성 테스트(Sensitivity Check)에 따르면 Caliper 0001이나 0003에서도 연구 결과의 차이가 크지

않음을 확인하 다

[그림 3] Radius Matching

다 Kernel Matching

이 방식은 Treated Group 내의 각 개체에 한 매칭을 Untreated Group 내의 모든 개체를 상

으로 진행하는 방식으로 에 따라 가 치를 부여한다 가 작을수

록 가 치가 커진다 이때 사용되는 가 치는 다음과 같이 표시될 수 있다

isin

(9)

여기서 G는 선택된 Kernel function을 은 Bandwidth Parameter를 표시한다 이 방식은

Heckman Ichimura and Todd(1998)에 의해 도입되었는데 주어진 모든 개체를 추정에 활용하므로

정보의 손실을 최소화할 수 있다는 장 이 있다 한 앞서의 두 추정방식과는 달리 인 인

Caliper의 설정이 불필요하다는 장 도 있다 Kernel의 선택에는 Gaussian Function(Normal Distribution) Biweight Function Epanechnikov Function 등 다양한 방식이 가능하나 본 분석에는

Normal Distribution을 채택하 다 Bandwidth Parameter로는 001을 선택하여 가 근

한 이들에게 충분한 가 치가 주어지도록 하 다21)

VI Propensity Score의 추정

주어진 자료에서 Treatment는 이직에 해당한다 이직에 한 Propensity Score(PS)를 추정하기

해서는 이직에 향을 미치는 주요 변수의 집합 을 사용하여야 한다 이들 변수는 다음 조건

을 만족하여야 한다 prime ∐ 즉 이직에 향을 미치는 주요 변수들을 통제한 후에

는 이직을 하지 않은 이들의 결과치 에 한 변화분 prime 의 분포가 이직을 한

이들이 만약 이직을 하지 않았을 때 상되는 결과치 에 한 변화분 prime 의 분

21) Bandwidth Parameter가 0005 002인 경우도 확인해 보았으나 결과에는 큰 차이가 발견되지 않았다

추정함수 Logistic Regression(이직 = 1 비이직 = 0)Z 추정계수 표 오차

직장유지의향 -0002 0004 직무유지의향 -0015 0004 성별(여성 1) -0104 0071

나이 -0138 0023 나이2 0001 0000

교육수 0169 0050 혼인 여부(미혼 1) -0056 0082

정규직 여부(정규직 1) 0342 0248 첫(혹은 두 번째) 일자리 여부 -0599 0068

임 수 (단 만원 로그) 0076 0601 임 수 (단 만원 로그)2 -0052 0063 종업원 규모(단 명 로그) -0084 0015

차수 교육 합도 0000 0001 임 만족도 0003 0002

근무환경만족도 -0004 0002 일자리만족도 -0003 0003

서비스 매직 여부 0459 0077 농어업 종사 여부 0324 0378

정규직 여부 times 교육수 -0131 0056 직장유지의향 times 직무유지의향 0000 0000

상수항 3558 1584 측 수 12754

결정계수( ) 00873

Log Likelihood -401098

포와 동일해야 하는 것이다 따라서 Propensity Score의 추정에 활용할 변수들은 앞서 일자리 이동

의 향요인에 한 분석을 통해 선별할 수 있다 특히 주어진 노동패 의 자료에서는 ldquo 재의

직장을 계속 다니고 싶은가(직장유지의향)rdquo와 ldquo 재 맡고 있는 일을 계속하고 싶은가(직무유지의

향)rdquo라는 이직의사와 련된 매우 긴요한 변수들이 포함되어 있는데 이들을 주요 변수의 집합

에 포함시킴으로써 이상의 조건이 보다 용이하게 충족될 수 있음을 기 할 수 있다 Propensity Score의 추정에는 Logistic Regression을 활용하 다 추정에 활용된 주요 변수들의 집합 과 각

변수에 한 추정계수는 lt표 5gt에 요약되어 있다

lt표 5gt Propensity Score의 추정방정식

주 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

앞서 일자리 이동 향요인에 한 분석에서 일자리 이동의 요한 결정변수로 악된 변수

들이 부분 PS 추정방정식에 포함되었다 만족도와 련한 변수 업무만족도 취업 안정성 만

족도 자기발 만족도 복지후생만족도 이상 네 변수는 일자리 향요인으로 통계 으로 유의하

게 악되었으나 PS 방정식에 추가된 일자리만족도 직장유지의향 직무유지의향 등과의 통계

상 계가 매우 높아 PS 추정방정식에 따로 포함시키지 않았다22) 한 추정방정식에는 일부

Interaction Terms들과 Higher Order Terms들을 추가하여 앞서 설명한 변수집합(Z)의 기본요건을 맞

추고자 하 다 추가 변수들은 Balancing Property를 충족하기 하여 선정되었는데 이에 해서는

아래에서 추가 부연한다Rosenbaum and Rubin(1983)에 따르면 PS는 다음 조건을 만족한다

∐ rArr

즉 PS를 통제한 뒤에는 변수집합 Z와 Treatment 여부 D가 상호 독립 이라는 것이다 이는 PS가 동일한 개체들에 해 Z의 평균값을 구한다면 Treatment를 받은 집단과 그 지 않은 집단 사이

에 차이가 없어야 한다는 을 내포한다 이를 Balancing Property라 한다 이를 검증하기 한 방

법으로 P(Z)를 여러 구간(Blocks)으로 나 뒤 각 구간에 한 Mean Difference Statistical T-test를

시행할 수 있다 일부 구간에 해 T-test가 만족하지 않는 경우에는 구간을 더욱 세분하여 진행하

고 여 히 만족이 되지 않는 경우에는 문제가 되는 일부 변수들의 Interaction Terms들과 Higher Order Terms들을 PS 추정방정식에 추가하여 앞서의 과정을 되풀이한다(Dehejia and Wahba[1999]) 앞서 언 된 Interaction Terms과 Higher Order Terms들은 이상의 과정을 거쳐 추가된 항들이다

Balancing Property 검증을 하여 다양한 PS 추정방정식을 설정하여 반복 인 Test를 수행하

다 최종 으로 lt표 5gt의 추정방정식에서 도출한 PS를 기 으로 lt표 6gt과 같이 10개의 Block을

구분한 뒤 Mean- Difference Statistical T-test를 진행하 다 Block 설정은 PS의 Common Support 역인 [00149 06]에 하여 이루어졌다 각 Block들에 한 T-test의 결과는 lt부표 2gt에 수록되어

있다 추정방정식에 도입된 독립변수 항이 총 20개이고 Block의 수는 10개이므로 총 200개의

Mean-Difference T-test가 시행되었다 lt부표 2gt에서 확인할 수 있듯이 5 Significance Level에서

부분의 Block들이 T-test를 통과하 다 통과에 실패한 테스트는 단 두 개로 Block 1의 lsquo정규직

여부rsquo에 한 테스트와 Block 8의 lsquo성별rsquo에 한 테스트이다 따라서 Block Test의 통과율이 99에

이르러 앞서의 PS 추정방정식이 Balancing Property를 체로 만족하고 있다고 결론내릴 수 있다 이상의 과정을 거쳐 확정된 PS 추정방정식을 이용하여 각 개체별로 PS를 구할 수 있다 [그림

4]는 이 게 구해진 PS에 하여 각 집단별 분포도를 제시하고 있다 Treated Group의 경우 PS의

분포가 Untreated Group에 비해 상 으로 우측으로 치우쳐 있음을 쉽게 확인할 수 있다 그리고

PS 분포에서 Common Support 역이 [00149 06]에 이른다는 것을 확인할 수 있다 이는 PS가

06보다 큰 경우에는 Treatment에 참여한 실험군 개체에 해 그에 상응하는 Counterfactual을 조

군으로부터 찾을 수 없음을 의미한다 따라서 PS를 활용한 Treatment의 효과 측정은 이 Common Support 역에 들어오는 실험군 개체들에 한정하여 이루어질 수밖에 없다

22) 를 들어 일자리만족도와 이들 네 변수와의 상 계수(Correlation Coefficient)는 각각 업무만족도(06536) 취업 안정

성 만족도(06014) 자기발 만족도(06279) 복지후생만족도(05514)에 이른다 이들을 포함시키더라도 반 인 결과

에는 큰 차이가 없다

(10)

02

46

8

0 2 4 6 8 0 2 4 6 8

Untreated Group Treated Group

DensityRough Density Curve

Den

sity

Propensity Score Distribu tion for Each Group

lt표 6gt Balancing Property 검증을 위한 Block 구분

Block 번호 Propensity Score 범 D=0 D=1 합계

1 00149 ~ 0025 655 10 665

2 0025 ~ 005 2128 59 2187

3 005 ~ 0075 2146 152 2298

4 0075 ~ 001 1744 200 1944

5 01 ~ 0125 1300 171 1471

6 0125 ~ 015 949 162 1111

7 015 ~ 02 1138 238 1376

8 02 ~ 03 845 242 1087

9 03 ~ 04 230 95 325

10 04 ~ 06 57 56 113

합계 11192 1385 12577

[그림 4] 각 집단별 Propensity Score 분포도

주 Common Support 역인 [00149 06]에 포함된 개체 수는 Untreated Group의 경우 11192명 Treated Group의 경우에

는 1385명임

VII 분석 결과

이제 구해진 PS를 활용하여 이직의 효과와 이직에 있어서 인 네트워크 활용의 효과성을 분

석할 비를 마련하 다 본 분석에서는 앞서 제3 에서 소개한 7가지의 성과지표에 하여 분석

을 진행할 것이다 우선 PS가 추정된 12754개체에 하여 PS를 고려하지 않은 단순비교를 진행해

성과지표의

연간 변화비교 상

이직자

평균

비이직자 평균

격차

(표 오차)

직장만족도 변화이직자 수 1379 3724 -0334 4058

비이직자 수 11274 (0466)

직무만족도 변화이직자 수 1386 2962 -0428 3389

비이직자 수 11285 (0466)

일자리만족도 변화이직자 수 1384 2944 0282 2662

비이직자 수 11261 (0489)

기술 합도 변화이직자 수 1383 2350 -0058 2408

비이직자 수 11245 (0684)

교육 합도 변화이직자 수 1389 2556 -0142 2697

비이직자 수 11300 (0689)

교육기술복합지수

변화

이직자 수 1383 2422 -0091 2513

비이직자 수 11245 (0664)

임 수 변화이직자 수 1384 9088 2782 6307

비이직자 수 11340 (1614)

보자 lt표 7gt은 이직자 집단과 비이직자 집단의 성과지표 변화를 단순비교한 것이다 표에서 확인

할 수 있듯이 이직자의 경우 모든 지표들에 하여 성과지표의 뚜렷한 증가가 목격되었다 비이

직자의 경우에는 임 수 이 2782만원 증가한 것을 제외하고 에 띄는 성과지표의 개선이 나타

나지 않았다23) 성과지표 개선에서 집단 간의 차이가 존재하는지를 검증하기 하여

Mean-Difference Statistical T-test를 진행하고 그 결과를 표에 수록하 다 모든 지표에 하여 이직

자 집단이 비이직자 집단에 비해 높은 증가세를 보인 것이 통계 으로 유의하게 확인된다 를 들

어 이직자 집단의 월평균 임 수 은 9088만원 상승한 것으로 나타나 비이직자 집단에 비해

6307만원만큼 큰 폭의 임 향상을 보 다 하지만 우리는 이상의 결과를 이직의 효과라고 단정

지을 수 없다 왜냐하면 이직의 효과는 이직자 집단에 속한 개체들의 성과 변화와 이들의

Counterfactual 즉 이들이 이직을 하지 않고 직장을 유지하 을 때의 성과 변화를 직 비교해

야 제 로 악되기 때문이다 이후 제시한 Propensity Score Matching에 의한 이직효과 측정은 이

러한 Counterfactual의 탐색에 기반한 분석 결과이다

lt표 7gt 주요 성과지표의 연간 변화 단순비교

주 1 성과지표의 변화에 한 집단 간 차이를 확인하기 하여 Mean-Difference Statistical T-test를 수행함 2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

23) 주어진 임 수 은 연간 임 상승률을 감안한 수치이기 때문에 비이직자의 임 은 불변이거나 하락하여야 정상이

다 재 악되는 비이직자들의 임 증가는 선택편의(Selection Bias) 문제에 의해 발생한 것으로 보인다 주어진 최

종샘 은 차수와 차수 모두에서 임 근로자로 악된 이들로 구성된다 취업시장에 신규로 진입하는 이들에

비하여 근속연수가 1년 많은 셈이다 한 차수에 임 근로자인 이들 임 상승폭이 작은 이들이 그 지 않은

이들보다 근로시장을 이탈할 가능성이 높다 이로 인하여 차수에 이어 차수까지 근로시장에 남아 있는 이들

은 상 으로 높은 임 상승을 보이는 것으로 단된다( 한 분석에 활용한 임 상승률이 lsquo임 구조기본통계조사rsquo의 표본으로부터 추정된 것이므로 노동패 표본과의 근본 차이로 인해 이상의 문제가 도출하 을 가능성도 일

부 배제할 수 없다)

공개채용 스카우트 소개나 추천 직 찾아가서 기타

인 네트워크

활용 구직

21 10 730 68 2

(69) (625) (8459) (1166) (556)

인 네트워크

비활용 구직

278 4 118 502 27

(9145) (250) (1367) (861) (750)

알 수 없음5 2 15 13 7

(164) (125) (174) (223) (1944)

총 사례 수 (1802명

)

304 16 863 583 36

(100) (100) (100) (100) (100)

이직 성격 분류비네트워크

경로-

네트워크

경로

비네트워크

경로-

본격 인 분석에 앞서 인 네트워크와 련하여 이직의 성격을 규명할 필요가 있다 인 네

트워크를 이직경로로 활용한 경우와 그 지 않은 경우로 구분지어 보도록 하자 이를 해 노동패

6차에서 10차까지의 체 경력직 취업자들을 상으로 한 lt부표 1gt의 lsquo경력직 취업자들의 일

자리 진입방식별 구직방법의 분포rsquo를 참조하도록 하자 노동패 에서 제공하는 일자리 진입방식

은 lsquo공개채용rsquo lsquo스카우트rsquo lsquo소개나 추천rsquo lsquo직 찾아가서rsquo lsquo기타rsquo 이 게 다섯 가지로 구분된다 이 lsquo공개채용rsquo 형태의 일자리 진입에서는 lsquo인터넷rsquo이나 lsquo매체 고rsquo를 활용한 구직이 체 사례

의 8486에 이른다 lsquo직 찾아가서rsquo 형태의 일자리 진입 역시 lsquo인터넷rsquo이나 lsquo매체 고rsquo 그리고

lsquo직 탐문rsquo 방식의 구직이 사례의 8113에 이른다 반면 lsquo소개나 추천rsquo 형태의 일자리 진입에서

는 lsquo친구나 친지rsquo를 통하거나 lsquo취업희망 직장의 지인rsquo 혹은 lsquo업무상 알게 된 지인rsquo을 통하는 경우

가 체의 81235에 이른다 즉 각 일자리 진입방식 간에 매우 뚜렷한 구직형태의 차이를 보여

주고 있다 lt부표 1gt의 성공한 구직방법 2 3 8 10 11을 인 네트워크를 활용한 구직으로 1 4 5 6 7 9를 그 지 않은 구직으로 분류하고 각 일자리 진입방식에 한 인 네트워크 활용도를

추산해 보면 다음 lt표 8gt과 같이 요약된다

lt표 8gt 일자리 진입방식별 이직의 성격 분류

주 ( ) 안은 각 일자리 진입방식에 한 이직 성격의 비 을 백분율로 표시함 자료 lt부표 1gt를 재구성한 것임

lt표 8gt에 요약된 바와 같이 lsquo공개채용rsquo과 lsquo직 찾아가서rsquo 형태의 일자리 진입에서 인 네트

워크를 활용하지 않은 구직이 각기 9145와 861에 이른다 반면 lsquo소개나 추천rsquo에서는 인 네

트워크를 활용한 구직이 8459에 이른다 이를 바탕으로 본 분석에서는 lsquo공개채용rsquo과 lsquo직 찾아

가서rsquo를 lsquo비네트워크 경로 이직rsquo으로 lsquo소개나 추천rsquo을 lsquo네트워크 경로 이직rsquo으로 구분한다 이 분류

에 따르면 15705명의 최종샘 에서 이직자로 악된 1560명 1438명의 체 인 구직경로 구

분이 가능하다 이 999명이 네트워크 경로 이직자로 439명이 비네트워크 경로 이직자로 분류

된다 한 앞서 PS가 추정된 12754명 에는 1391명이 이직자인데 그 891명은 네트워크 경

로 이직자로 387명은 비네트워크 경로 이직자로 분류된다

1 이직을 통한 개인만족도의 변화

아래 세 개의 도표 lt표 9gt lt표 10gt lt표 11gt은 이직을 통하여 개인의 만족도가 개선되는지의

여부를 PSM을 통하여 검증한 것이다 각각의 만족도지수(직장만족도 직무만족도 일자리만족도)에 하여 세 가지 방식의 PSM 추정치(Five Nearest Neighbors Radius Matching Kernel Matching)를

제시하고 있다앞서 lt표 7gt의 단순비교에서는 이직자와 비이직자의 연간 만족도변화가 100 만 에서

4058 (직장만족도) 3389 (직무만족도) 2662 (일자리만족도)만큼 차이가 나는 것으로 집계

되었다 그러나 PSM 방식으로 재추정된 이직의 만족도 개선효과는 각각 약 250 (직장) 216(직무) 155 (일자리)으로 나타났다24) 종합하면 단순비교 방식(표 7)은 PSM 활용방식(표 9

표 10 표 11)에 비해 이직의 만족도 개선효과를 약 1~15 만큼 과 추정하고 있음을 확인할 수

있다 이러한 상이 나타난 이유는 실제 이직한 이들이 그 지 않은 이들에 비해 기존 직장에서

의 만족도가 상 으로 낮았다는 데 있다 를 들어 주어진 최종샘 에서 이직자들의 기존 직장

에서의 직장만족도는 평균 5071 을 보이는 반면 같은 시기 비이직자들의 평균 직장만족도는 이

보다 무려 7 가까이 높은 5724 으로 나타났다 따라서 단순비교 방식에서는 이직을 통한 만족

도 개선효과가 다소 과장되어 추산되기 마련이다 이들 이직한 이들이 만약 기존 직장에 그 로 남아 있었다면 (이들의 만족도가 상 으로 낮

은 수 이므로) 다른 이들에 비해 보다 높은 수 의 만족도 개선을 한 해 사이에 경험하 을 것이

다 실제로 체 비이직자들의 연간 만족도의 변화가 각기 -0334 (직장) -0428(직무) 0282 (일자리)에 그치는 데 반해 실험군(이직자 집단)의 Counterfactual 즉 PS를 사용하여 실험군 개체에 매

칭된 (비이직자 집단 내) 조군 개체들의 만족도 변화는 각기 113 (직장) 066 (직무) 133 (일자리)에 이르 다(각 표의 lsquo매칭된 조군 변화(B)rsquo 항목 참조) 실험군 Counterfactual에서의 만족도

개선폭이 여타 비이직자들의 연간 만족도 개선폭보다 략 1 이상 높게 나타나는 것이다 이상

의 선택편의(Selection Bias) 문제가 히 통제될 때 이직의 순효과가 바르게 추정될 수 있다 앞서 시한 PSM 방식으로 추정된 이직의 만족도 개선효과는 이러한 선택편의 문제를

Counterfactual Framework으로 극복한 추정 결과라 할 수 있다 그럼 네트워크 경로 이직과 비네트워크 경로 이직 사이에 뚜렷한 차이가 존재하는지 살펴보도

록 하자 표에서 확인할 수 있듯이 두 경우 모두 이직의 만족도 개선효과가 통계 으로 유의한 수

에서 명확히 확인된다 네트워크 경로의 이직에서는 만족도 개선의 효과가 각기 220 (직장) 158 (직무) 117 (일자리)으로 확인되었고 비네트워크 경로의 이직에서는 각기 263 (직장) 284 (직무) 207 (일자리)으로 확인되었다 흥미로운 부분은 비네트워크 경로의 이직에서 이직

을 통한 만족도 개선의 효과가 소폭 높게 나타난 이다 이는 비네트워크 이직 사례들이 상당수

의 lsquo공개채용rsquo 입사자를 포함하기 때문에 나타난 상으로 보인다 lsquo공개채용rsquo은 주로 종업원 300인 이상의 규모가 큰 기업에서 집 으로 활용되고 있다25) 이들 큰 기업에 lsquo공개채용rsquo으로 입사

한 이들은 그 직장에 비해 주 인 만족도가 크게 향상되었을 것이다 이러한 lsquo공개채용rsquo 사례들이 비네트워크 이직의 만족도 개선효과를 다소 증폭시키는 역할을 하 을 것으로 추정된다

반면 비네트워크 이직을 통한 만족도 개선이 네트워크 이직에 비해 다소 크다고 하여 이것이

24) 이는 분석에 사용된 세 가지 방식의 PSM 추정치들을 산술평균하여 정리한 수치들임 25) 이 부분에 한 구체 인 설명은 발간 정인 한국개발연구원 정책연구시리즈 lsquo인 네트워크(개인의 사회 자본)

의 노동시장 효과 분석rsquo을 참조하기 바란다 ( 자에게 요청시 수령가능함)

이직과정에서의 인 네트워크 요성은 인정되지 않는다는 식으로 해석될 수 없음을 유념하여야

한다 국내 이직과정에서의 인 네트워크 의존도는 해외 주요국에 비해 상당히 높은 수 이다 략 65 안 의 경력직 취업자들이 인 네트워크를 활용하여 구직에 성공하 다고 추정되고 있

다26) 만약 재 이직을 고려하고 있는 국내 한 근로자가 구직활동에서 인 네트워크 활용을 포기

한다면 이 근로자의 이직 성공 가능성은 매우 낮아질 것이다 즉 개인의 이직 성공률을 높이기

해서는 평소에 꾸 한 구직 네트워크 리가 요청된다 할 수 있다 특히 이직수요라는 것은 많은

경우 자신의 의도와는 다르게 외부 충격으로 인해 발생한다 회사의 경제 환경이 변화하기도

하지만 자신의 심사가 바 기도 하고 가족의 갖가지 필요에 의해 이직이 요구되기도 한다 즉 언제 발생할지 모르는 이직수요에 히 응하기 해서는 이직의 주요한 통로라 할 수 있는 인

네트워크에 한 상시 리가 요청되는 것이다 따라서 이직을 고려한 인 네트워크의 상시

리 이를 한 개인의 갖가지 비용 지출은 향후 발생 가능한 험에 처하기 하여 자동

차나 암 보험을 구매하는 것과 같이 기꺼이 지불해야 할 미래에 한 투자라 할 수 있다

26) 역시 한국개발연구원 정책연구시리즈 lsquo인 네트워크(개인의 사회 자본)의 노동시장 효과 분석rsquo을 참조하기 바

란다

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1371) 3662 1201 2460 403

조군(11274) (0610)

Radius Matching 실험군(1362) 3543 1009 2534 436

조군(11274) (0581)

Kernel Matching(Normal) 실험군(1372) 3659 1165 2494 434

조군(11274) (0564)

체 이직효과 평균 362 113 250

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 3309 1169 2140 293

조군(11274) (0730)

Radius Matching 실험군(879) 3231 0939 2292 331

조군(11274) (0693)

Kernel Matching(Normal) 실험군(881) 3309 1146 2162 315

조군(11274) (0686)

네트워크 이직효과 평균 328 108 220

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(380) 4224 1525 2699 224

조군(11274) (1206)

Radius Matching 실험군(373) 3981 1438 2543 217

조군(11274) (1171)

Kernel Matching(Normal) 실험군(381) 4213 1565 2647 230

조군(11274) (1149)

비네트워크 이직효과 평균 414 151 263

lt표 9gt 이직을 통한 직장만족도 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1377) 2850 0701 2149 363

조군(11285) (0592)

Radius Matching 실험군(1368) 2767 0626 2140 381

조군(11285) (0562)

Kernel Matching(Normal) 실험군(1378) 2852 0648 2204 398

조군(11285) (0554)

체 이직효과 평균 282 066 216

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(884) 2302 0808 1494 211

조군(11285) (0707)

Radius Matching 실험군(882) 2256 0658 1598 238

조군(11285) (0670)

Kernel Matching(Normal) 실험군(884) 2302 0654 1648 249

조군(11285) (0661)

네트워크 이직효과 평균 229 071 158

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 3648 0577 3072 269

조군(11285) (1142)

Radius Matching 실험군(374) 3463 0774 2688 245

조군(11285) (1098)

Kernel Matching(Normal) 실험군(382) 3652 0888 2764 257

조군(11285) (1077)

비네트워크 이직효과 평균 359 075 284

lt표 10gt 이직을 통한 직무만족도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1375) 2909 1571 1338 217

조군(11261) (0617)

Radius Matching 실험군(1366) 2818 1276 1543 262

조군(11261) (0588)

Kernel Matching(Normal) 실험군(1376) 2907 1147 1760 303

조군(11261) (0581)

체 이직효과 평균 288 133 155

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(882) 2523 1626 0897 121

조군(11261) (0742)

Radius Matching 실험군(880) 2472 1246 1225 173

조군(11261) (0707)

Kernel Matching(Normal) 실험군(882) 2523 1139 1383 198

조군(11261) (1697)

네트워크 이직효과 평균 251 134 117

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 3609 1499 2110 176

조군(11261) (1196)

Radius Matching 실험군(374) 3409 1530 1879 163

조군(11261) (1151)

Kernel Matching(Normal) 실험군(382) 3599 1365 2235 197

조군(11261) (1133)

비네트워크 이직효과 평균 354 146 207

lt표 11gt 이직을 통한 일자리만족도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이 를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

2 이직을 통한 배치효율성의 변화

다음은 이직의 다른 측면인 일자리 재배치의 문제에 해 살펴보고자 한다 이직은 각 개인

에 있어서는 직장생활의 변화라 할 수 있지만 기업의 입장에서는 노동인력의 교환에 해당한다 따라서 이직을 통한 노동인력의 재배치가 과연 사회 반의 경제 이익을 창출하고 있는지를 따

져 볼 필요가 있다 앞서 lt표 7gt에서 기술수 교육수 교육기술복합지수 이 세 가지 합도에 해 이직자

비이직자 집단 내의 연간 변화를 정리한 바 있다 여기서 비이직자의 경우 각 지수에서 연간 합

도가 소폭 하락한 것으로 나타났고 이직자의 경우 합도가 크게 상승한 것으로 나타났다 비이

직자는 기술수 의 합도에서 0058 이 교육수 의 합도에서 0142 이 그리고 교육기술수

의 복합지수에서는 0091 이 하락한 데 반해 이직자들은 각기 2350 (기술) 2556 (교육) 2422(복합지수)의 합도 상승이 발견되었다 비이직자들의 합도 하락은 기술이나 경제환경의 변

화와 한 련이 있다 경쟁력 있는 기술 이에 한 사회 수요가 시간에 따라 변화하므로 직장에서의 자신의 기술 혹은 교육수 은 (평균 으로 보아) 이 보다 합성이 다소 떨어지게

마련이다 반면 이직자들의 합도 상승이 과연 이직의 순효과인지에 해서는 여 히 의문의 여

지가 크다 이직을 결행한 이들은 이 직장에서의 직무 련 합도가 평균 으로 크게 떨어지는

이들이다 를 들어 최종샘 에서 이직을 하지 않은 이들의 한 해 기술 합도는 평균 9066인 데 반해 이직을 결행한 이들의 한 해 (이 직장에서의) 기술 합도는 평균 8547 에 머무

는 것으로 나타났다 이들은 애 에 워낙 합도가 떨어지기 때문에 굳이 이직을 택하지 않더라

도 직무재배치나 직장 내 부서이동 등을 통하여 1년 사이에 상당한 정도의 합도 개선을 이루었

을 것으로 상된다따라서 이직을 통한 배치효율성의 개선효과 즉 반 인 근로자의 직무 련 합도 상승효

과를 명확히 규명하기 해서는 이직한 이들이 이직을 하지 아니하 을 때에 상되는 합도의

개선을 우선 추정해 볼 필요가 있다 이것은 앞서 설명하 듯이 Counterfactual의 추정을 통해서만

이 가능하다 lt표 12gt lt표 13gt lt표 14gt는 PSM을 이용하여 비이직자들의 정보로부터 이직자들의

Counterfactual을 추정한 뒤 이를 보고하고 있다 세 방식(Five Nearest Neighbors Radius Matching Kernel Matching)의 추정치를 산술평균하면 기술 합도에서는 088 교육 합도에서는 057 교육

기술복합지수에서는 075 의 상승이 확인되었다(각 표의 lsquo매칭된 조군 변화(B)rsquo 항목을 참조) 이를 실험군 즉 실제 이직자들의 합도 상승(각 표의 lsquo실험군 변화(A)rsquo 항목)과 비교하면 순이직

효과는 각기 131 (기술) 183 (교육) 140 (복합지수)에 이르는 것으로 결론지을 수 있다 반

면 교육과 복합지수에서는 이들 순이직효과가 통계 으로 유의하게 나타났으나 기술수 의

합도에서는 이 효과가 통계 으로 뚜렷하지 않았다 10의 유의도에서 검증할 때 Kernel Matching을 제외한 나머지 두 개의 PSM 매칭에서 통계 유의성을 확보할 수 없었다 이에 이직

을 통한 교육수 의 합도 개선효과는 분명한 반면 기술수 의 합도 개선은 통계 으로 입증

되지 않는다고 결론지을 수 있다 교육기술복합지수의 경우 이 두 가지 효과가 첩되어 나타난

것으로 교육수 의 합도 개선이 워낙 뚜렷하기 때문에 통계 으로 유의한 지수상승이 나타난

것으로 단된다 이상과 같이 이직을 통해 교육수 합도의 개선이 보다 효과 으로 이루어지

는 것은 채용과정에서 후보자의 교육수 이 기술수 에 비해 객 인 자료를 이용하여 검증하

기가 보다 용이하기 때문인 것으로 보인다

그럼 이직을 통한 배치효율성 개선 측면에서 인 네트워크의 역할을 살펴보도록 하자 네트

워크 경로 이직과 비네트워크 경로 이직으로 나 어 이직효과를 각기 추정해 보면 둘 사이에 의

외의 뚜렷한 차이가 존재함을 확인할 수 있다 네트워크 경로의 이직인 경우 이직을 통한 합도

개선효과가 통계 으로 유의한 수 에서 매우 높게 나타난다 이직의 순효과는 각기 213 (기술) 252 (교육) 126 (복합지수)에 이른다 반면 비네트워크 경로의 이직인 경우 이 효과는 모두 사

라져 버린다 즉 이직효과는 기술 합도 교육 합도 교육기술복합지수 모두에서 양과 음을 반복

하고 통계 유의성도 확보되지 않는다 즉 비네트워크 경로를 통한 이직에서는 일자리 재

배치를 통한 사회 반의 경제 이득을 기 할 수 없는 것이다 앞서 교육 합도 개선에 있어 이

직의 반 인 효과가 통계 으로 강하게 나타났는데 이 효과의 부분은 비네트워크 경로 이직

보다는 네트워크 경로 이직으로부터 창출된 것임을 짐작할 수 있다 특히 기술 합도를 보면 이직자들의 합도 개선은 네트워크와 비네트워크 이직 사이에 뚜렷

한 차이를 보이는데 네트워크 이직자들의 합도 개선은 평균 292 인 데 반해 비네트워크 이직

자들의 합도 개선은 평균 048 에 그친다 인 네트워크를 활용하지 않고 이직을 하 을 경우 이직을 하 음에도 불구하고 기술 합도의 개선은 평균 으로 거의 기 되지 않는 것이다 이는

앞서 주 만족도의 개선효과와 비교하여 매우 상반된 결과에 해당한다 이직을 통한 주 만

족도의 개선에서는 네트워크와 비네트워크 이직 모두 그 효과가 분명하 으며 특히 비네트워크

이직자들의 주 만족도 개선폭은 3 내지 4 에 이르 다 이는 네트워크 이직자들의 만족

도 개선폭에 비해서도 1 가량 높은 수치 다 따라서 이직이 반 으로 개인의 주 만족도

를 개선하는 효과가 있으나 배치효율성의 개선 측면에서는 오직 인 네트워크에 의존한 이직만

이 재배치의 분명한 경제 효과를 평균 으로 창출한다고 결론지을 수 있다 이러한 네트워크와 비네트워크 사이의 뚜렷한 이직효과의 차이는 네트워크가 지닌 정보 달

기능에 기인한 것으로 단된다 인 네트워크는 구인자와 구직자 사이에 훌륭한 정보 달 기능

을 수행하고 있다 구직자에게는 어떠한 일자리가 구직자의 기술능력 혹은 교육수 에 비추어

합한지에 한 정보를 제공하고 구인자에게는 구인자가 필요로 하는 합한 기술의 소유자가

구인지에 한 정보를 제공하는 것이다 이는 평소에 구인자와 구직자 모두를 아우르는 간 매개

로서의 인 네트워크가 있었기에 가능한 것이다 반면 비네트워크에서는 이러한 효과를 기 하

기 힘들다 비네트워크 채용에서는 주어진 서류와 단시간의 인터뷰 혹은 직무능력 테스트만을 가

지고 합한 인력을 선발하여야 한다 lsquo공개채용rsquo의 경우 많은 지원자들의 경쟁을 거치므로 상으로 보다 합한 후보자를 선별할 수 있을 것이다 그러나 lsquo직 찾아가서rsquo 형태의 입사에서는

이러한 경쟁의 과정 역시 생략되므로 높은 합도를 지닌 후보의 채용은 더욱 기 하기 힘들다 정리하자면 인 네트워크는 국내 노동시장에서 일자리와 일자리 후보 사이의 활발한 정보 달

기능을 수행함으로써 노동시장의 효율 작동을 돕고 있는 것이다 끝으로 이러한 네트워크 이직의 배치효율성이 모든 이직 사례에 일 으로 용되는 것이

아님을 주지할 필요가 있다 인 네트워크가 구인과 구직 사이의 lsquo연결(Networking)rsquo 기능을 수행

할 때 이상의 정 인 효과를 기 할 수 있을 것이나 이 둘 사이의 lsquo연 rsquo로서 기능할 때는 오히

려 역효과를 래할 수 있다 즉 인 네트워크를 통하여 합하지 않은 지원자를 연 로 채용시

키는 경우 해당 일자리에 한 매치 합성은 네트워크 이직으로 인해 오히려 감퇴할 수 있다 우리는 이상의 분석을 통하여 국내 노동시장에서 네트워크 이직의 반 인 교육 기술 수

합도 개선효과를 확인한 바 있다 이는 국내 노동시장의 고용 로세스에서 lsquo연 rsquo의 부정 효과

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1374) 2220 1095 1124 121

조군(11245) (0929)

Radius Matching 실험군(1365) 2088 0735 1353 155

조군(11245) (0874)

Kernel Matching(Normal) 실험군(1375) 2255 0795 1460 168

조군(11245) (0869)

체 이직효과 평균 219 088 131

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 2951 0919 2032 181

조군(11245) (1125)

Radius Matching 실험군(879) 2844 0746 2098 198

조군(11245) (1057)

Kernel Matching(Normal) 실험군(881) 2951 0702 2250 214

조군(11245) (1049)

네트워크 이직효과 평균 292 079 213

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 0525 2297 -1772 -096

조군(11245) (1840)

Radius Matching 실험군(374) 0267 0868 -0600 -034

조군(11245) (1753)

Kernel Matching(Normal) 실험군(382) 0654 1297 -0642 -037

조군(11245) (1746)

비네트워크 이직효과 평균 048 149 -100

보다는 구인구직 간 lsquo연결rsquo이라는 네트워크의 정 효과가 보다 강하게 작동하고 있음을 시사

한다

lt표 12gt 이직을 통한 기술적합도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1380) 2428 0630 1797 193

조군(11300) (0931)

Radius Matching 실험군(1371) 2298 0496 1802 207

조군(11300) (0872)

Kernel Matching(Normal) 실험군(1381) 2462 0586 1876 216

조군(11300) (0869)

체 이직효과 평균 240 057 183

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(886) 3047 0342 2705 245

조군(11300) (1106)

Radius Matching 실험군(884) 2885 0528 2357 227

조군(11300) (1037)

Kernel Matching(Normal) 실험군(886) 3047 0551 2496 243

조군(11300) (1029)

네트워크 이직효과 평균 299 047 252

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(382) 1702 2007 -0305 -016

조군(11300) (1891)

Radius Matching 실험군(375) 1600 0559 1041 058

조군(11300) (1788)

Kernel Matching(Normal) 실험군(383) 1828 0910 0917 051

조군(11300) (1793)

비네트워크 이직효과 평균 171 116 055

lt표 13gt 이직을 통한 교육적합도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1374) 2293 0893 1399 155

조군(11245) (0904)

Radius Matching 실험군(1365) 2161 0641 1520 179

조군(11245) (0850)

Kernel Matching(Normal) 실험군(1375) 2327 0711 1616 191

조군(11245) (0847)

체 이직효과 평균 226 075 140

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 2951 0643 2308 212

조군(11245) (1087)

Radius Matching 실험군(879) 2816 0662 2154 211

조군(11245) (1021)

Kernel Matching(Normal) 실험군(881) 2951 0645 2306 228

조군(11245) (1014)

네트워크 이직효과 평균 291 065 226

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 1115 2233 -1118 -062

조군(11245) (1816)

Radius Matching 실험군(374) 0936 0749 0187 011

조군(11245) (1727)

Kernel Matching(Normal) 실험군(382) 1243 1131 0112 007

조군(11245) (1726)

비네트워크 이직효과 평균 110 137 -027

lt표 14gt 이직을 통한 교육기술복합지수의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

3 이직을 통한 임금수준의 변화

다음은 이직을 통한 임 수 의 변화가 실재하는지 검토하고자 한다 네트워크 이직과 비네트

워크 이직을 나 어 볼 때 앞서 우리는 네트워크 이직이 일자리 매치 합도를 히 개선한다

고 밝힌 바 있다 임 이 근로자의 생산성 기여분을 그 로 반 한다고 한다면 네트워크 이직에

따른 매치 합도의 개선은 근로자의 임 상승으로 이어져야 할 것이다 앞서 lt표 7gt의 단순비교에서 이직자들의 연간 임 상승분이 평균 9088만원 비이직자들의 연

간 임 상승분은 2782만원으로 집계된 바 있다 둘 사이의 격차가 6307만원에 이른다 한 해 사

이에 이직한 이들의 연간 임 상승폭이 직장을 그 로 유지한 이들의 연간 임 상승폭 보다

히 높은 수 인 것이다 하지만 이러한 단순비교는 선택편의(Selectoin Bias) 문제를 역시 고려하지

않고 있으므로 이직의 직 인 임 상승효과라 볼 수는 없다 즉 실제로 이직을 결행한 이들의

이직 임 수 은 같은 시기 직장을 그 로 유지한 이들에 비해 상 으로 낮은 수 일 가능

성이 높다 이들이 직장을 그 로 유지하 다면 다른 이들에 비해 히 높은 수 의 임

상승을 경험하 을 것이다 실제 이직한 이들이 만약 이직을 하지 않고 직장을 그 로 유지하

을 때 상되는 임 상승분 즉 이직자 임 상승분의 Counterfactual을 PSM 방식을 활용하여 추

정한 수치가 lt표 15gt의 lsquo 조군 변화(B)rsquo에 요약되어 있다 이에 따르면 실제 이직자들이 이직을

하지 않았을 때 기 할 수 있는 임 상승분은 략 5만원 정도에 이르는 것으로 나타난다 따라

서 이직에 따른 임 상승의 순효과는 앞서 제시한 6307만원이 아닌 이보다 상당히 축소된 386만원이다 이는 lt표 15gt에 정리된 바와 같이 PSM을 활용한 세 가지 추정치의 산술평균으로 추산

된 값이다 한 이러한 이직의 임 상승효과는 통계 으로도 유의한 것으로 확인되었다 반면 네트워크 경로 이직자와 비네트워크 경로 이직자의 임 상승분을 비교해 보면 둘 사이

에 상당한 격차가 존재함을 쉽게 확인할 수 있다 네트워크 이직자들의 이직을 통한 임 상승효과

는 통계 으로 유의한 수 에서 략 384만원으로 추정되는 반면 비네트워크 이직자들의 임

효과는 -077만원이고 이는 통계 으로도 유의하지 않다 즉 네트워크를 활용하여 이직하 을

때 뚜렷한 임 상승이 기 되는 반면 인 네트워크를 활용하지 않고 이직하 을 때는 이 효과

를 확신할 수 없을 뿐더러 다소 하락할 가능성도 있는 것이다 따라서 앞서 확인된 이직을 통한

반 인 임 상승의 효과는 네트워크 이직을 통해 창출된 효과이며 비네트워크 이직을 통한

기여는 뚜렷하지 않은 것으로 결론지을 수 있다이직은 새로운 일자리에 자신의 기술 직무 능력을 응시키는 과정이다 따라서 임 상승

효과가 이직 기에 항상 담보되지는 않을 것이다 반면 인 네트워크를 활용하 을 때 자신에

게 보다 합한 일자리에 배치됨으로써 즉 자신의 능력과 잠재력을 보다 잘 발휘할 수 있는 직무

에 재배치됨으로써 이상의 추가 인 임 상승을 기 할 수 있는 것이다 이는 앞서 이직을 통한

배치효율성 검증에서 확인되었던 네트워크 이직의 기술수 (혹은 교육수 ) 합도 상승효과와

일맥상통하는 결과이다 인 네트워크를 활용한 이직은 임 근로자를 보다 합한 일자리에 재

배치하는 데 일조하고 이것이 생산성에의 보다 높은 기여를 창출함으로써 이직자들의 추가 인

임 상승으로 이어지는 것이다물론 이러한 해석은 평균 인 추세를 반 한 것임에 유념할 필요가 있다 네트워크 이직의 사례

에는 앞서 말한 생산 인 lsquo연결rsquo 효과가 아닌 비생산 인 lsquo연 rsquo 효과 혹은 정실인사(Nepotism)가

작동한 경우들도 상당할 것이다 이 경우 생산성에의 기여가 충분하지 않음에도 불구하고 기술이

나 능력에 비해 임 을 후하게 설정할 가능성이 높다 이러한 lsquo연 rsquo형 이직을 통한 임 상승 역

시 네트워크 이직의 임 상승효과라 볼 수는 있겠으나 이것이 일자리 배치효율성의 개선을 반

한다고 볼 수는 없는 것이다 따라서 앞서 추정한 네트워크 이직의 임 상승효과 384만원이

으로 일자리 매치 합도 개선효과에서 기인한다고 단정 지을 순 없다 한 비네트워크 이직 역

시 평균 으로 임 상승의 효과가 포착되지 않은 것일 뿐 비네트워크 이직의 표본 에는 실제로

임 이 크게 상승한 사례들도 상당히 존재할 수 있다 를 들어 lsquo공개채용rsquo 방식의 입사인 경우 경합자들에 비해 채용 합격자의 해당 일자리 합성이 보다 우수하다고 단되어 채용된 사례가

많을 것이다 이 게 경쟁을 거쳐 채용된 이들은 이 에 비해 상당히 높은 수 의 임 상승을 기

할 수 있다 반면 비네트워크 이직에서 반 인 임 상승의 효과가 포착되지 않는 것은 비네트워크 이직

이 격한 주 만족도의 개선을 이끌었던 것과 비교하여 매우 조 인 상이다 많은 이들의

상식과는 달리 이직의 결정은 임 만족도 수 과 직결되어 있지 않다 앞서 제4 에서 우리는 이

직의 향요인들을 분석해 본 바 있다 이직의 결정이 업무만족도 복지후생만족도 취업 안정성에

한 만족도 등 다양한 요소에 민감하게 반응하는 반면 임 에 한 만족도와는 통계 으로 유의

한 수 에서의 연 성이 포착되지 않았다 개인의 이직 결정은 임 이외에 다양한 요소들을 종합

으로 고려한 단 결과라 할 수 있다 체로 이직은 다양한 방면에서 개인의 주 만족도를

격하게 향상시킨다 반면 자신의 기술(교육)수 과 일자리의 매치 합성의 문제는 이직자들에

게는 부차 인 고려 상에 해당한다 임 수 의 개선 역시 이직 시 고려되는 한 요소이겠으나 인 요소는 아니고 다양한 향요인 의 하나로 볼 수 있는 것이다 이러한 에서 비네트워

크 이직이 다소 상반된 효과(즉 주 만족도의 한 개선효과와 미미한 수 의 임 개선효

과)를 동시에 보여주고 있는 것은 일견 자연스러운 상이다

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1375) 8887 5274 3613 184

조군(11340) (1962)

Radius Matching 실험군(1366) 8842 4813 4029 208

조군(11340) (1936)

Kernel Matching(Normal) 실험군(1376) 8861 4916 3945 206

조군(11340) (1880)

체 이직효과 평균 886 500 386

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(882) 8943 5519 3423 150

조군(11340) (2285)

Radius Matching 실험군(880) 8827 4855 3972 178

조군(11340) (2231)

Kernel Matching(Normal) 실험군(882) 8943 4819 4124 186

조군(11340) (2217)

네트워크 이직효과 평균 890 506 384

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 4772 5672 -0900 -024

조군(11340) (3685)

Radius Matching 실험군(374) 4805 5201 -0396 -011

조군(11340) (3661)

Kernel Matching(Normal) 실험군(382) 4691 5716 -1025 -028

조군(11340) (3601)

비네트워크 이직효과 평균 476 553 -077

lt표 15gt 이직을 통한 임금수준의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

VIII 구직 네트워크의 사회적 자본 추정

근로자 개인의 측면에서 구직 네트워크의 가치를 추정해 보자 앞서 네트워크 이직을 통한 임

상승효과를 3840만원으로 추정하 다 이는 2008년 기 액이다 연간 물가상승률을 감안하

면27) 2010년 재가로 4074만원에 해당한다 평소에 구직 네트워크를 히 리하여 이직에서

이를 활용한다면 한 번의 이직으로 4만원 안 의 추가 인 임 상승을 기 할 수 있는 것이다 연으로는 489만원 가량의 임 이 이직 이후 매년 추가 으로 지 되는 것으로 해석될 수 있다28)

한편 이직이라는 것은 근로자의 생애를 걸쳐 발생하는 사건이다 임 근로자를 심으로 한

재의 최종샘 에서 연간 일자리 이동비율은 평균 993에 이른다 직종 업종에 따라 혹은 재

직 회사의 규모에 따라 이직률에는 상당한 차이가 있겠으나 체 임 근로자를 상으로 하 을

때 략 10년에 한 번 정도의 이직이 상되는 것이다 임 근로자의 생애를 걸쳐 살펴보면

이직은 주로 직장생활 후기보다는 기에 집 되어 있다 [그림 5]는 최종샘 15705명 임 근로

자를 상으로 한 각 연령별 이직률 추이를 나타낸다 생애 이직률은 20 후반에 가장 높고 30 반에 주춤하다가 30 후반에 다시 상승하고 40 이후에 하강하는 추세임을 확인할 수

있다

[그림 5] 연령별 이직률(26세부터 59세까지)

(단 )

0

2

4

6

8

10

12

14

16

18

26 28 30 32 34 36 38 40 42 44 46 48 50 52 54 56 58

연령(만)

자료 노동패 5차부터 10차까지

이를 활용하면 임 근로자 한 사람이 평생에 걸쳐 기 할 수 있는 이직의 임 상승효과를 추

정해 볼 수 있다 첫 취업의 평균연령이 265세임을 고려하여 표 인 임 근로자(A Representative Worker)가 26세부터 60세까지 노동시장에 참여한다고 가정해 보자 인 네트워크

27) 여기에 연평균 물가상승률 3를 용하 다 실제 임 상승률도 2009년의 임 이 융 기 여 로 거의 동결이었

음을 고려할 때 2년간 략 6에 해당한다 28) 여기서는 네트워크 이직의 임 리미엄(연 489만원 상승)이 이직 후 매년 지속된다고 가정하고 있다 실제로

리미엄이 상당 기간 지속되는지 아니면 이직 후 빠르게 축소되는지에 한 국내 실증분석은 향후 과제로 남겨져

있다

를 활용한 이직만이 평균 인 임 상승효과를 가져온다는 을 고려할 때 구직 네트워크의 생애

가치()는 다음과 같이 요약된다29)

times timestimestimes (11)

여기서 는 연령 에서의 상 이직률(Job Transfer Rate)을 나타낸다 은 이직 시 인 네

트워크에 한 의존도 수 이다 는 네트워크 이직에 따른 월평균 임 상승의 효과이다 여기

에 [그림 5]에 요약된 이직률의 생애 추이를 에 입하자 여기서 경력직 이직자의 인 네트

워크 의존도가 60 반(plusmn5 이내)으로 추산된 을 고려하여 에 64를 입하도록 하자30) 그리고 에 앞서 추정한 네트워크 이직의 임 상승효과 4074만원(2010년 기 )을 입하면 구직 네트워크의 생애 가치()는 18720만원으로 집계된다 만약 에 이직률의 생애 추

이 신 최종샘 에서 구한 평균이직률 993를 연령 에 걸쳐 일률 으로 사용한다면 이와

유사한 수치인 18486만원을 얻을 수 있다 따라서 한국사회 임 근로자 한 사람의 구직 네트워크

가치는 보상 측면에서 략 일천 1870만원 수 인 것으로 결론지을 수 있다 물론 이 수치는 이직을 통한 이득만을 반 하고 있을 뿐 주 만족도의 개선효과는

반 하고 있지 않다 앞서 우리는 일자리 이동을 통해 창출되는 개인의 만족도 변화를 직장만족

도 직무만족도 일자리만족도 이 세 가지 측면에서 고려해 보았다 네트워크 이직과 비네트워크

이직 모두 만족도의 개선효과를 보 다 그러나 국내 노동시장에서 이직의 약 60 이상이 인

네트워크에 의존하고 있음을 고려할 때 임 근로자 한 개인이 구직 네트워크를 리하지 않는다

면 그의 이직률은 에서 60 이상 추락할 것이다 이를 고려하여 구직 네트워크의 생애 만족

도 개선효과()를 다음과 같이 요약할 수 있다31)

timestimestimestimes (12)

여기서 는 네트워크 이직을 통한 주 만족도의 개선폭을 나타낸다 앞서 네트워크 이직

이 창출하는 주 만족도의 개선효과가 100만 에서 220 (직장만족도) 158 (직무만족도) 117 (일자리만족도) 정도임을 확인하 다 이 세 수치의 평균치가 네트워크 이직의 만족도 개선

효과를 히 변하고 있다고 한다면 의 략 인 추정치는 165 이 된다 이를 입하면

구직 네트워크의 만족도 개선효과는 략 7582 으로 추산된다 만족도 1 을 으로 환산하

여 만원에 해당한다고 표시하면 구직 네트워크의 임 근로자 일인당 생애가치()는 임

상승효과()와 만족도 개선효과()의 합으로써 다음과 같이 요약된다

equiv (=18720+7582) (13)

구직 네트워크의 가치 (18720+7582n)만원이 함의하는 바를 명확히 규정하기는 쉽지 않다 특히 개인마다 일자리에서 얻는 주 만족도를 가치로 환산하는 방식이 다를 것이다 를 들

29) 구직 네트워크의 재 가치를 추산하기 해서는 시간할인률을 용할 필요가 있으나 여기서는 이를 생략하 다 시간할인률이 용된 추정치는 재 계산된 값보다 다소 하락할 것이다

30) 이에 한 보다 구체 인 설명은 본 논문의 보다 상세한 내용이 실린 한국개발연구원 정책연구시리즈로 출간 정

인 lsquo인 네트워크(개인의 사회 자본)의 노동시장 효과 분석rsquo 보고서를 참조 바란다 31) 앞서와 마찬가지로 구직 네트워크의 재 가치를 추산하기 해서는 시간할인률을 용할 필요가 있으나 여기서는

이를 생략하 다 시간할인률이 용된 추정치는 재 계산된 값보다 다소 하락할 것이다

어 어떤 이들에게는 이득만이 요하고 주 만족도는 경시될 수 있다 이들에게 n은

lsquo0rsquo에 가까운 것이다 반면 다른 이들에게는 일자리에서 얻는 주 만족도가 임 소득보다

몇 배 이상 요할 수 있다 이들에게 n은 1보다 큰 양수가 될 것이다 구직 네트워크의 가치를 수

치로 악해 보고자 n=1인 근로자를 상정해 보자32) 이 사람에게 만족도 1 은 1만원만큼의

효용을 창출한다 이 근로자에게 구직 네트워크의 종합 가치는 26302만원에 이른다고 평가할

수 있다 이러한 구직 네트워크의 종합 가치를 개인의 물 혹은 인 자본과 별하여 근로자

개인의 구직 네트워크 사회 자본이라 명할 수 있다추정한 구직 네트워크의 가치인 (18720+7582n)만원은 한국사회의 임 근로자 각 개인이 구직

네트워크의 유지 리를 하여 기꺼이 지불할 용의가 있는 비용을 나타낸다 만족도 1 이 1만원의 효용이 있다면 즉 n=1이라면 이는 1224개월치 월 ( 략 일년치 연 )에 해당한다33) 이는 결코 작지 않은 액수이다 한국사회의 구성원들은 다양한 방식으로 네트워크를 리하고 있다 동창회 동호회 업계 계자와의 술자리 각종 경조사 참여 Social Network Service(SNS) 활동 등

이 이에 해당한다 이들 활동은 그 자체로서 정서 효용을 창출하지만 생 인 경제 이득

한 간과할 수 없다 이는 업무에 필요한 유용한 정보의 획득이나 업거래망의 확장이기도 하고 구직 네트워크의 변 확 자기 PR(Public Relations)이기도 하다 네트워크의 리는 그에 상

응하는 비용을 수반한다 이는 만남에 따른 지출에서부터 시간사용까지를 포함한다 구직

네트워크의 효과성 측면에서 보았을 때 한국사회 근로자 개인은 상당한 비용( 를 들어 n=1인 경

우 략 일년치 연 에 해당하는 비용)을 구직 네트워크의 유지 리를 하여 생애를 거

쳐 기꺼이 지불할 용의가 있다고 볼 수 있는 것이다

IX 결론

이제까지 우리는 국내 고용시장에서의 인 네트워크 활용의 효과성을 다각 인 측면에서 살

펴보았다 인 네트워크를 활용한 이직의 직장생활만족도 개선효과는 100 만 에 약 165 34)

에 달하는 것으로 확인되었으며 직무 합도 개선효과는 100 만 에 약 197 35)에 이르는 것으

로 나타났다 한 인 네트워크를 활용한 이직은 임 상승을 동반하는데 그 규모는 월평균 임

으로 4074만원(2010년 기 )인 것으로 확인되었다 반면 인 네트워크를 활용하지 않은 이직

에서도 직장생활만족도의 개선효과가 일부 포착되었으나 일자리 합도에 한 개선이나 임 상

승효과는 확인되지 않았다 즉 구인자와 구직자를 연결시켜주는 인 네트워크의 효율 인 정보

달 기능이 확인된 것이다 이를 통해 임 근로자 개인의 구직 네트워크의 가치 즉 lsquo네트워크 사

회 자본rsquo을 추정해 보면 구직 네트워크의 생애 가치는 18720만원으로 집계되었으며 여기에 주 만족도에 한 보상 측면까지 고려하면 만족도 1 의 가치를 만원으로 환산

할 때 략 (18720+7582)만원에 이르는 것으로 집계되었다

32) 실제로 일반 인 수 에서 n은 1보다 상당히 클 것으로 상된다 주어진 표본에서 주 만족도의 평균은 략

55 내외인 반면 임 수 의 평균은 략 200만원 내외이다 즉 두 수치의 Scale이 네 배 가량 차이가 난다 33) 26302만원을 차수 임 수 (20247만원)의 2010년도 기 가치인 2148만원으로 나 면 1224개월이 나온다 34) 직장만족도 개선효과 220 직무만족도 개선효과 158 일자리만족도 개선효과 117 의 산술평균값 용 시 35) 기술 합도 개선효과 213 교육 합도 개선효과 252 교육기술복합지수 개선효과 126 의 산술평균값 용

참 고 문 헌

고용노동부 985172고용노동백서985173 2010김동헌김상호 「직업탐색과 자발 이직」 2001 경제학 공동학술 회 발표문 2010 김성훈 「사회연결망과 공식경로를 통한 첫 취업의 개인 결과와 사회 결과」 985172한국사회학985173 제39집 제1호

2005 김성훈 「 문직의 취업경로 사회연결망과 공식경로를 심으로」 985172한국사회학985173 제40집 제5호 2006 김성훈 「취업자의 사회연결망 활용에 한 향요인 연구」 985172노동경제논집985173 제26권 제3호 2003김용학 985172사회연결망 이론985173 박 사 2003류석춘 외 985172한국의 사회자본 역사와 실985173 백산출 사 2008 송호근김우식이재열 985172한국사회의 연결망 연구985173 서울 학교 출 부 2004안재희 985172구직과 제도 사회자본985173 한국학술정보(주) 2008우천식 편 985172한국경제사회와 사회 자본985173 한국개발연구원 2007이 면나인강 「직장만족도와 이직행 에 한 패 분석」 985172제5차 한국노동패 학술 회 논문집985173 2004이 면나인강 「비정규직의 이직 이직사유 근속기간에 한 연구」 985172제6차 한국노동패 학술 회 논

문집985173 2005이상호 「노동패 의 주 만족도 측정」 985172노동리뷰985173 통권 제17호 2006 pp77~86이병훈 「구직활동의 향요인에 한 탐색 연구」 985172노동경제논집985173 제25권 제1호 2002 pp1~21 통계청 985172경제활동인구조사985173 2010한국노동연구원 985172사업체패 조사985173 2007KDI 국제정책 학원 985172사회 자본 확충을 한 기본조사 정책연구985173 2007

Blau David and Philip Robins ldquoJob Search Outcomes for the Employed and Unemployedrdquo Journal of Political Economy 98(3) 1992 pp637~655

Bourdieu P ldquoThe Forms of Capitalrdquo in J G Richardson (ed) Handbook of Theory and Research for the Sociology of Education New York Greenwood 1986

Cochran William and Donald Rubin ldquoControlling Bias in Observational Studies A Reviewrdquo Sankhya 35 1973 pp417~446

Datcher Linda ldquoThe Impact of Informal Networks on Quit Behaviorrdquo Review of Economic Statistics 65(3) 1983 pp491~495

Dawid A ldquoConditional Independence in Statistical Theoryrdquo Journal of Royal Statistical Society B 41 1979 pp1~31

Dehejia R and S Wahba ldquoCausal Effects in Nonexperimental Studies Reevaluating the Evaluation of Training Programsrdquo Journal of the American Statistical Association 94 1999 pp1053~1062

Dehejia R and S Wahba ldquoPropensity Score-Matching Methods for Nonexperimental Causal Studiesrdquo The Review of Economics and Statistics 84 2002 pp151~161

Glaeser E D Laibson and B Sacerdote ldquoAn Economic Approach to Social Capitalrdquo The Economic Journal 112 2002

Gottschalk P and T Maloney ldquoInvoluntary Termination Unemployment and Job Matching A Test of Job Search Theoryrdquo Journal of Labor Economics 3 1985 pp109~123

Granovetter Mark S Getting A Job A Study of Contracts and Careers Chicago University of Chicago Press 1975

Heckman J H Ichimura J Smith and P Todd ldquoCharacterizing Selection Bias Using Experimental Datardquo Econometrica 66 1998 pp1017~1098

Heckman J H Ichimura and P Todd ldquoMatching as an Econometric Evaluation Estimator Evidence from Evaluating a Job Training Programrdquo Review of Economic Studies 64 1997 pp605~654

______ ldquoMatching as an Econometric Evaluation Estimatorrdquo Review of Economic Studies 65 1998 pp261~294Knack S and P Keefer ldquoDoes Capital Have and Economic Payoff A Cross Country Investigationrdquo Quarterly

Journal of Economics 62 1997 pp1251~1288 Lin Nan Social Capital A Theory of Social Structure and Action Cambridge Cambridge University Press 2001 Lin Nan Karen Cook and Ronald Burt (eds) Social Capital Theory and Research Aldine Transaction 2001 Marmaros David and Bruce Sacerdote ldquoPeer and Social Networks in Job Searchrdquo European Economic Review 46

2002 pp870~879Putnam Robert D Bowling Alone The Collapse and Revival of American Community New York Simon and

Schuster 2000Rosenbaum J S DeLuca S Miller and K Roy ldquoPathways into Work Short- and Long-Term Effects of Personal

and Institutional Tiesrdquo Sociology of Education 72(3) 1999 pp179~196Rosenbaum P and D Rubin ldquoThe Central Role of the Propensity Score on Observational Studies for Causal

Effectsrdquo Biometrika 70 1983 pp41~55Rubin D ldquoEstimating Causal Effects of Treatments in Randomized and Non-randomized Studiesrdquo Journal of

Educational Psychology 66 1974 pp688~701Simon Curtis and Warner John ldquoMatchmaker Matchmaker The Effect of Old-Boy Networks on Job Match

Quality Earnings and Tenurerdquo Journal of Labor Economics 10(3) 1992 pp306~330Todd Petra ldquoMatching Estimatorsrdquo unpublished manuscript 2006

성공한 구직방법

일자리 진입방식

합계공개

채용스카우트

소개나

추천

찾아가서기타

1 학교나 학원12 0 26 4 0 42

(395) (0) (301) (069) (0) (233)

2 교수나 교사2 0 8 0 0 10

(066) (0) (093) (0) (0) (055)

3 친구나 친지5 2 509 28 2 546

(164) (125) (5898) (48) (556) (303)

4 공공 안내소3 0 7 9 4 23

(099) (0) (081) (154) (1111) (128)

5 사설 안내소3 0 29 16 1 49

(099) (0) (336) (274) (278) (272)

6 매체 고53 1 21 209 13 297

(1743) (625) (243) (3585) (3611) (1648)

7 직 탐문2 0 13 85 0 100

(066) (0) (151) (1458) ((0) (555)

8 가족1 1 21 2 0 25

(033) (625) (243) (034) (0) (139)

9 인터넷205 3 22 179 9 418

(6743) (1875) (255) (307) (25) (232)

10 희망직장

지인

7 3 90 20 0 120(23) (1875) (1043) (343) (0) (666)

11 업무상

지인

6 4 102 18 0 130(197) (25) (1182) (309) (0) (721)

12 기타 5 2 15 13 7 42

(164) (125) (174) (223) (1944) (233)

합 계304 16 863 583 36 1802

(100) (100) (100) (100) (100) (100)

lt부표 1gt 경력직 취업자(1802명)의 일자리 진입방식별 구직방법의 분포

주 1 노동패 6차부터 10차까지의 신규 일자리 진입자 경력직 취업자를 상으로 함 2 ( ) 안은 각 일자리 진입방식에 한 성공한 구직방법의 백분율임

Block

번호

직장유지의

직무유지의

향성별 나이 나이

2 교육

혼인

여부

정규직

여부

첫(혹은

두 번째)

일자리

(로그)

격차 격차 격차 격차 격차 격차 격차 격차 격차 격차

1164 116 048 -102 -14913 -003 003 009 000 007

(455) (395) (011) (207) (19454) (044) (005) (004) (009) (013)

2-254 050 003 007 -1629 -022 -006 004 -002 001

(203) (191) (006) (123) 11232 (020) (004) (004) (006) (007)

3036 -076 002 -094 -7067 -001 000 -004 008 001

(131) (129) (004) (088) (7870) (012) (003) (003) (004) (004)

4-079 -117 -001 071 6428 000 -004 -002 001 -005

(128) (122) (004) (079) (6861) (010) (003) (003) (004) (003)

5026 144 -005 068 6211 -012 004 000 -006 -001

(142) (144) (004) (077) (6201) (010) (004) (003) (004) (004)

6061 152 -008 -043 -3655 006 002 002 -007 007

(151) (151) (004) (073) (5661) (010) (004) (004) (004) (004)

7010 -134 -002 043 2726 003 -002 001 003 001

(133) (131) (004) (058) (4296) (008) (004) (003) (003) (003)

8045 173 008 044 3233 007 000 -001 -001 -003

(146) (143) (004) (052) (3615) (007) (004) (003) (003) (003)

9128 -010 000 061 3033 -016 -003 006 -010 004

(259) (246) (006) (065) (3930) (012) (005) (006) 006 (006)

10500 114 013 -035 -1626 004 000 007 001 -003

(407) (394) (009) (081) (4454) (017) (007) (008) (009) (009)

lt부표 2-Agt Propensity Score 각 구간(Block)에 대한 Mean-Difference Statistical T-test 결과(I)

주 1 Untreated Group과 Treated Group의 각 항목에 한 Mean Difference를 테스트함 2 표시는 5 유의도 수 에서 테스트를 통과하지 못한 항목을 표시함3 ( ) 안은 표 오차임

lt부표 2-Bgt Propensity Score 각 구간(Block)에 대한 Mean-Difference Statistical T-test 결과(II)

Block

번호

(로그)2 종업원 규모 교육 합도 임 만족도근무

환경 만족도

일자리

만족도

서비스 매직

여부

농어업 종사

여부

정규직 times

교육

직장 times

직무유지의향

격차 격차 격차 격차 격차 격차 격차 격차 격차 격차

1052 054 202 656 -048 -101 002 001 003 25954

(147) (053) (379) (564) (480) (421) (005) (003) (047) (60638)

2-006 043 046 047 -303 -182 002 000 -004 -9827

(073) (027) (197) (247) (220) (188) (002) (001) (026) 25462

3006 011 -151 -030 255 013 -002 000 -011 -246

(041) (017) (158) (156) (142) (117) (002) (000) (018) (15776)

4-052 000 -075 -111 -046 -005 -004 000 -011 -10585

(034) (015) (155) (137) (133) (110) (002) (001) (016) (14203)

5-008 006 053 -047 -017 -036 003 000 -004 17636

(035) (017) (176) (152) (144) (123) (003) (001) (018) (16213)

6063 -005 273 049 211 040 -006 001 015 14659

(035) (017) (201) (150) (145) (124) (003) (001) (019) (16225)

7008 -018 -045 016 -031 005 005 000 010 -10640

(029) (014) (174) (127) (127) (108) (003) (001) (016) (13577)

8-022 -014 028 -028 -163 086 000 000 -001 6766

(028) (014) (189) (127) (131) (111) (003) (000) (017) (13784)

9037 -013 143 133 046 -070 001 -002 015 -1116

(047) (021) (371) (204) (227) (187) (006) (002) (029) (21779)

10-028 021 077 161 -247 -113 -013 002 019 13295

(074) (026) (612) (352) (366) (340) (009) (002) (038) (30459)

주 1 Untreated Group과 Treated Group의 각 항목에 한 Mean Difference를 테스트함 2 표시는 5 유의도 수 에서 테스트를 통과하지 못한 항목을 표시함3 ( ) 안은 표 오차임

Page 2: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal

반면 해외에서는 이에 한 체계 인 연구가 다각 으로 진행되어 왔다 Blau and Robins(1992)는 구직활동에서 친구나 친지를 활용하 을 때 구직에 성공할 확률이 더 높고 보다 좋은 조건의

고용제의를 받을 가능성이 크다는 것을 입증한 바 있으며 Datcher(1983)는 인 네트워크를 활용한

입사인 경우 그 지 않은 경우에 비해 같은 기간 내의 퇴사 가능성이 히 낮아진다는 것을 보

다4) 한 Marmaros and Sacerdote (2002)는 구직과정에서 동문연결망을 활용하는 것과 높은 연

의 좋은 일자리를 획득하는 것 사이에 높은 양의 상 계가 존재함을 확인한 바 있다 한편 Rosenbaum et al(1999)은 인맥을 활용한 취업에 지속 인 임 리미엄이 존재함을 보인 반면 Simon and Warner(1992)는 취업 기의 임 리미엄이 시간이 지남에 따라 하락한다고 보고하

다 한 이외에도 Granovetter(1975) 이후 비공식경로(Informal Networks)의 노동시장 효과에 한

연구가 사회학 에서 폭넓게 발 하여 왔다본 연구는 국내 노동시장에서의 인 네트워크의 효과를 추정해 보고자 한다 본 연구의 분석

은 임 근로자의 이직활동에 을 맞추고 있다 첫 취업의 경우 비교 상이 마땅하지 않아 lsquo네트워크 구직rsquo의 순효과를 명확히 설정하기 힘든 측면이 있다 반면 이직의 경우에는 이직 과 이

직 후를 비교해 으로써 lsquo네트워크 구직rsquo의 직 인 효과를 규명해 볼 수 있다 여기서는 이직

활동을 심으로 인 네트워크 활용의 효과성을 검증해 보고 이를 통하여 인 네트워크의 노동

시장 기능의 이해 구직 네트워크의 가치측정을 시도해 본다 본 연구는 한국노동패 의 5차부터 10차까지의 자료를 모두 취합하여 국내 인 네트워크의

활용에 한 방 한 규모의 표본을 구성하 으며 이를 바탕으로 신뢰도 높은 분석 결과를 제시

하고 있다 한 노동패 이 담보하고 있는 다면 인 정보 즉 기업의 규모 비정규직 여부 일자

리의 매치(Match) 합성 각종 만족도 변화 등의 정보를 모두 활용하여 기존의 연구들이 다루지

못했던 다각 측면에서의 인 네트워크 효과를 분석 제시하고 있다 본 연구에서 활용한

Propensity Score Matching 방법론은 사후가정형 근법(Counterfactual Framework)에 기반한 신

인 분석기법으로서 선택편의(Selection Bias)의 문제를 충분히 해소할 수 없었던 국내 국외 네

트워크 연구들의 한계를 상당 부분 극복하고 인 네트워크의 실질 순효과를 추정 제시한다 흔히 인 네트워크를 활용한 구직을 lsquo연 rsquo 혹은 lsquo정실인사rsquo라 하여 부정 으로 보는 견해가

지배 이다 이러한 견해에 따르면 인 네트워크를 활용한 취업이 개인 으로는 유익할지 모르

나 사회 반 으로는 고용기회의 형평성을 해하고 인력자원의 효율 배치를 한다고 본다 앞서 지 한 바와 같이 김성훈(2005)은 이러한 맥락에서 청년층의 첫 취업에서 인 네트워크를

활용한 구직이 공개채용에 비해 사회 차원에서 비효율 이라고 주장한 바 있다5) 반면 인 네

트워크의 구인구직 간 정보 달 기능에 을 맞춰 네트워크의 정 측면을 강조하는 견해도

상당하다 즉 인 네트워크는 각 개인의 취업 기회를 확장시킬 뿐만 아니라 사회 반의 일자리

매치(Job Match) 효율성 역시 증 시킨다는 주장이다 업체에는 채용후보자의 기술능력이나 직무

합도 등 서류 이면의 상세한 정보를 유통하는 주요한 통로가 인 네트워크이며 구직자에게도

네트워크는 취업정보를 확보하고 심있는 회사에 한 긴요한 내부사정을 사 에 확인할 수 있

는 유용한 통로로 활용된다는 것이다 본 연구는 이상의 엇갈린 견해에 하여 부분 인 해답을

제시하고 있다 즉 인 네트워크의 lsquo연 rsquo 효과와 lsquo연결rsquo 효과가 동시에 한국사회 내에 상존한다

고 볼 때 과연 노동시장에서 어느 효과가 보다 지배 인지 확인해 보는 것이다

4) Simond and Warner(1992)도 인 네트워크를 활용한 입사인 경우 근속연수가 더 증가하는 경향이 있음을 입증한 바

있다 5) 이러한 결론의 오류에 해서는 앞서 각주를 통하여 설명한 바 있다

핵심 인 분석 결과는 다음과 같다 우선 일자리 이동은 인 네트워크의 활용 여부를 떠나 그

자발 이직자의 효용(일자리에 한 주 만족도)을 평균 으로 증 시킨다는 을 확인하

다 한 네트워크를 주로 활용한 이직(네트워크형 이직)과 비네트워크를 주로 활용한 이직(비네

트워크형 이직)을 구분하여 보았을 때 lsquo네트워크형 이직rsquo이 일자리 매치에서의 교육 기술 수

합도를 하게 향상시킨다는 을 확인한 반면 lsquo비네트워크형 이직rsquo은 자발 이직자의 개인

효용 증 를 가져오더라도 교육 기술 수 합도를 하게 개선시키지는 못한다는 을 확

인하 다 구체 으로 살펴보면 직장만족도와 직무만족도를 비롯한 개인의 만족도 개선 측면에

서는 네트워크 이직과 비네트워크 이직 모두 각 만족도를 (100 만 에서) 2~3 가량 개선시키

는 것으로 확인된 반면 교육 기술 수 의 합도 개선 측면에서는 비네트워크 이직의 정

효과는 포착되지 않았고 네트워크 이직만이 교육수 의 합도와 기술수 의 합도를 각기 (100 만 에서) 213 과 252 만큼 개선시키는 것으로 확인되었다 즉 인 네트워크가 구인과 구

직 사이의 효과 인 정보 달 기능을 수행함으로써 국내 노동시장의 일자리 매치 합성을 개선

하는 데 히 기여하고 있음이 증명된 것이다 이러한 상은 네트워크형 이직이 이직자의 임 상승효과로 직결되는 반면 비네트워크형 이

직에서는 임 상승효과를 확인할 수 없었다는 에서 재확인된다 네트워크 이직을 통한 임 상

승효과는 월 4074만원(2010년 기 )에 이르는 것으로 확인된 반면 비네트워크 이직 반의 임

상승효과는 포착되지 않았다 결론 으로 본 연구는 근로자의 자발 이직이 일자리에 한 주

만족도를 높임으로써 근로자 개인의 효용을 개선할 수 있으며 네트워크형 이직 즉 네트워크

를 주로 활용하는 이직은 이직자와 노동시장 수요자 사이의 매치 합성을 향상시킴으로써 노동

시장의 효율성을 개선할 수 있음을 보여주고 있다 이러한 연구 결과는 인 네트워크를 활용한

구직활동이 한국사회 반에서 lsquo정실인사(Nepotism)rsquo라는 부정 인 기능을 주로 담당하기보다는

lsquo연결(Networking)rsquo을 통한 구인구직 간 정보 달이라는 정 역할을 뚜렷하게 감당하고 있음을

뒷받침한다

II 분석자료

본 연구의 분석자료는 노동패 의 5차(2002년도 조사)부터 10차(2007년도 조사)까지의 자료

개인자료와 직업력자료를 활용하여 구성하 다 분석에 활용한 최종샘 은 다음의 과정을 거쳐

완성되었다 우선 각 차수의 개인자료에 직업력자료의 정보를 추가한다 직업력자료는 각 개인의

재 일자리가 생애 몇 번째 일자리인가(Job Sequence)에 한 정보를 제공해 주고 있다 각 차수

의 개인자료에 포함된 개인식별번호(pid)를 활용하여 각 개인의 한 해 즉 한 차수 이 의 일자

리 정보를 매칭하 다 를 들어 6차 개인자료에 포함된 각 개인에 해 그 한 해 인 5차에서

의 일자리 정보를 첨부하 다 단 이 차수에 일자리가 없었던 이들은 이 차수의 일자리 정보

를 lsquo무직rsquo으로 표시하 다 이를 6-5차 자료라 명하자 이 게 형성된 6-5차 7-6차 8-7차 9-8차 10-9차 자료를 합쳐서 통합샘 (Pooled Dataset)을 구성하 다 여기에 직업력자료가 제공하는 자

발 비자발 퇴사를 비롯한 퇴직 련 정보를 첨부하 다 이 정보는 이 차수의 일자리를 그

만둔 경우 그 퇴직사유를 악하도록 돕는다 통합샘 의 구성도는 [그림 1]에 요약되어 있다

이 차수 임 일자리 소유자의

일자리 이동

이 차수 비임 일자리 소유자의

일자리 이동

이 차수 임 일자리

유지14343 7536

이 차수 비임 일자리

유지8258 8613

새로운 임 일자리

진입2046 1075

새로운 비임 일자리

진입255 266

비임 일자리 진입 603 317 임 일자리 진입 417 435

차수 일자리 없음 2041 1072 차수 일자리 없음 658 686

합계 19033 100 합계 9588 100

[그림 1] 통합샘플(Pooled Dataset)의 구성도

lt표 1gt 일자리 소유자들의 연간 일자리 이동 현황

자료 노동패 5차부터 10차

이 통합샘 을 활용하여 국내 노동시장에서의 개 인 일자리 이동 황을 악해 볼 수 있

다 lt표 1gt은 이 차수에서 임 일자리 소유자 던 이들과 비임 일자리(즉 자 업자고용주 혹

은 무 가족종사자) 소유자 던 이들의 차수에서의 일자리 내역을 정리하고 있다 이 차수

에서 임 일자리 소유자 던 이들의 경우 단 7536만이 이 차수의 일자리를 그 로 유지하고

있는 것으로 나타났다 네 명 한 명의 임 근로자가 한 해 사이에 일자리를 옮기거나 그만둔

것이다 국내 노동시장에서 일자리 이동이 범 하게 이루어지고 있음을 확인할 수 있다 상당수

인 1072가 한 해 뒤 같은 시기에 무직상태인 것으로 나타났고 비슷한 규모인 1075는 새로운

임 일자리로 이동한 것으로 나타났다 비임 근로자로 환한 경우도 317에 달한다 반면 이 차수에서 비임 일자리를 소유한 이들의 경우 부분인 8613가 당시 일자리를 차수에서

그 로 유지하고 있는 것으로 나타났으며 단 701만이 새로운 비임 일자리를 시작하거나 임

일자리로 진입한 것으로 악되었다 특히 차수와 이 차수 모두에서 임 일자리 소유자로

악된 이들은 총 16389명으로 이들 2046명이 일 년 사이에 일자리를 이동한 것으로 나타나 임 근로자들 내부의 일자리 환 유동성이 125에 달하는 것으로 나타났다

이어서 분석에 활용할 최종샘 을 구성하기 하여 주어진 통합샘 에서 차수의 일자리가

없는 개인은 제외시켰으며 비임 일자리 소유자인 자 업자 무 가족종사자도 제외시켰다 최종 으로 차수에서 임 일자리 소유자로 악된 이들은 6차부터 10차까지 총 21199명으로 확

인되었는데 이들 이 차수의 임 일자리를 그 로 유지하고 있는 근로자가 15004명이며 새로운 임 근로 일자리에 진입한 경우가 6196명으로 악되었다 이들의 각 차수별 구성은 다음과

같다

차수(조사연도) 임 근로자 수 백분율

6차(2003년) 4211 1986

7차(2004년) 4257 2008

8차(2005년) 4085 1927

9차(2006년) 4300 2028

10차(2007년) 4346 205

합계 21199 100

여기서 이 일자리에 한 상세한 정보를 악할 수 없거나 이 차수에서 무직이었던 4393명을 우선 제하고 이 차수에서 비임 일자리 소유자 던 417명도 제하 다 나머지 16389명은

이 차수와 차수 모두에서 임 근로자라고 답한 이들이다 (이는 lt표 1gt에서 이 차수의 임

일자리 소유자 차수에서도 임 일자리 소유자로 악된 16389명과 동일한 수치이다) 분석자료의 신뢰도를 높이기 하여 다음의 경우들을 최종샘 의 구성에서 제하 다 우선 지난 한

해 동안 2번 이상 일자리를 옮긴 근로자 55명과 재의 임 근로 일자리를 이 차수에서는 자

신의 주된 일자리가 아니었다고 답한 15명을 제하 다 그리고 일자리 일련번호(Job Sequence)가

락된 2명을 추가로 제하 다 이직의 순효과만을 악할 수 있도록 비자발 이직자라고 밝힌

417명을 제하 다 다음으로 나이가 70세 이상인 임 근로자 114명을 제하 다6) 마지막으로 이 차수의 임 정보가 락된 81명을 제하 다 이로써 15705명의 최종샘 이 확보되었으며 이

들의 각 차수별 구성은 아래와 같다 본 최종샘 은 이 차수와 차수 모두에서 임 근로자라

고 밝힌 이들 요 변수가 락되었거나 비자발 이직을 비롯한 특수한 경우들을 제외하고

나머지 임 근로자들의 집합이라 할 수 있다

6) 이들 부분(97)은 한 해 사이에 일자리 이동이 없었던 것으로 나타나 근로자의 이직 특성을 보편 으로 변하기

힘든 특이치(Outliers)로 처리하 다

차수별 최종샘 백분율

5~6차 2927 1864

6~7차 3110 1980

7~8차 3100 1974

8~9차 3186 2029

9~10차 3382 2153

합계 15705 100

III 분석 변수

본 에서는 각 분석 변수에 한 체계 설명을 제시하고자 한다 분석에 활용되는 변수들에

한 기 통계량은 lt표 2gt와 lt표 3gt에 요약되어 있다

1 개인 및 일자리 특성변수

개인에 한 기 변수로는 성별 나이 교육수 7) 혼인 여부를 포함하 다 이 차수 즉 지

난 조사시 에서의 일자리에 한 기본정보로서 정규직 여부 첫(혹은 두 번째) 일자리 여부 임수 (로그) 기업 규모를 포함하 다 lsquo첫(혹은 두 번째) 일자리 여부rsquo는 당시 일자리가 생애 첫 번

째 혹은 두 번째 일자리에 해당하는가를 표시한다 lsquo임 수 (로그)rsquo은 임 상승률8)을 감안하여

2008년도 기 으로 환산된 월평균 임 액에 로그를 취한 값이다 2008년 기 의 실질임 으로 환

산하자면 임 상승률이 아닌 물가상승률을 이용하여야 할 것이나 본 분석의 목 이 실질임 의

변화를 정확히 추정하는 데 있지 아니하고 체 통합샘 에서의 임 수 의 증가 여부에 있으므

로 2008년 기 임 수 으로 일원화(Equalizing)하는 차원에서 임 상승률을 신 활용하 다 단 일부 응답자들이 월평균임 이 아닌 연 을 기입한 것으로 단되어 8명의 이 차수 월평균

임 을 무응답 처리하고 17명의 차수 월평균임 역시 무응답 처리하 다9) lsquo종업원 규모(로그)rsquo는 근무하는 직장의 종업원 수에 로그를 취한 값이다 단 응답자가 정확한 종업원 수가 아닌

1부터 10까지 종업원 규모의 등 만을 밝힌 경우 해당 등 이 아우르는 범 의 간값을 차용하

다 를 들어 3등 (종업원 10 ~ 29명) 직장인 경우 종업원 수를 195명이라 표시하 다10)

7) lsquo교육수 rsquo에 한 등 은 다음의 순서 로 1부터 8을 부여하 다 무학 등학교 학교 고등학교 2년제 학 4년제 학 학원 석사 학원 박사

8) 임 상승률의 계산에는 노동부의 lsquo고용형태별 근로실태조사(구 임 구조기본통계조사)rsquo에 수록된 상용근로자 5인 이

상 사업체의 6월 기 월평균임 을 활용하 다 이로부터 추정한 연간 임 상승률은 다음과 같다 2002~03년(836) 2003~04년(675) 2004~05년(723) 2005~06년(615) 2006~07년(408) 2007~08년(565)

9) 2002년 기 으로 환산된 월평균임 에서 8명의 이 차수 임 이 차수 임 보다 500만원 이상 높게 나타났고 17명의 차수 임 역시 이 차수 임 보다 500만원 이상 높게 나타났다 한 해 사이에 월 여가 500만원(2008년 기 으로 7238만원) 이상 변동하는 경우는 드물므로 이들이 월 여 신 연 을 기입한 것으로 단된다

10) 각 등 을 체한 종업원 수는 다음과 같다 1등 (25명) 2등 (7명) 3등 (195명) 4등 (395명) 5등 (595명) 6등 (845명) 7등 (1995명) 8등 (3995명) 9등 (7455명) 마지막 종업원 1000명 이상을 표시하는 10등 의 경우

다음으로 lsquo일자리(혹은 일)를 계속 유지하길 희망하는가rsquo에 한 응답으로 lsquo직장유지의향rsquo과

lsquo직무유지의향rsquo을 포함하 다 노동패 은 5단 로 lsquo 그 지 않다(1)rsquo부터 lsquo아주 그 다(5)rsquo까지를 표기하는데 본 분석에서는 이를 백단 로 환하여 lsquo 그 지 않다rsquo를 0 lsquo아주 그 다rsquo를 100 으로 표하 다11) lsquo업무만족도rsquo는 다음 네 가지 질의에 한 5단 응답을 역시 백단 로

환한 후 산술평균한 값이다 업무에 만족하나 업무에 열정 인가 업무를 즐겁게 하나 업무에

보람을 느끼나 그리고 다음 일곱 가지 역에 한 만족도 조사를 추가하 다 임 에 한 만족

도 취업의 안정성에 한 만족도 근로환경에 한 만족도 의사소통 인간 계에 한 만족도 개인의 발 가능성에 한 만족도 인사고과의 공정성에 한 만족도 복지후생에 한 만족도 본 분석에서는 이들 만족도에 한 5단 응답을 100 만 으로 환하여 사용하 는데 lsquo매우

만족rsquo을 100 으로 lsquo만족rsquo을 75 lsquo보통rsquo을 50 으로 lsquo불만족rsquo을 25 lsquo매우 불만족rsquo을 0 으로

처리하 다 lt표 2gt에서 보듯이 임 만족도와 복지후생만족도가 일반 으로 50 을 크게 하회하

는 반면 업무 직업안정성 인간 계에 한 만족도는 일반 으로 50 을 크게 상회하는 것을 확

인할 수 있다이 차수 일자리를 직종별 업종별로 구분하여 더미변수로 처리하 다 직종별로는 문 리직

(노동패 분류 0 lsquo의회의원 고 임직원 리자rsquo 1 lsquo 문가rsquo) 사무기술직( 분류 2 lsquo기술공

문가rsquo 3 lsquo사무 종사자rsquo 소분류 950 lsquo군인rsquo) 서비스 매직( 분류 4 lsquo서비스 종사자rsquo 5 lsquo 매

종사자rsquo) 농어민( 분류 6 lsquo농업 어업숙련 종사자rsquo) 생산기능직( 분류 7 lsquo기능원rsquo 8 lsquo장치

기계조작 종사자rsquo 9 lsquo단순노무자rsquo)로 구분하 다 업종별로는 농어업 종사( 분류 A lsquo농업 임

업rsquo B lsquo어업rsquo) 공업 종사( 분류 C lsquo 업rsquo D lsquo제조업rsquo) 건설업 종사( 분류 F) 도소매 숙박업

종사( 분류 G lsquo도매 소매업rsquo H lsquo숙박 음식 업rsquo) 서비스 련업 종사( 분류 E lsquo 기 가스 수도사업rsquo 외 각종 서비스 련 업종)으로 구분하 다

종업원 수를 1500명이라 표하 다 11) 5단 수 를 백단 수 로 환하기 하여 다음의 산술식을 활용한다 = 25(-1)

변수명 측 수 평균값표

편차최솟값 최댓값

개인

특성변수

성별(여성 1) 15705 037 048 0 1

나이 15705 4005 1081 18 69

교육수 15703 451 135 1 8

혼인 여부

(미혼 1)15705 027 045 0 1

일자리

특성변수

(이 차수

기 )

정규직 여부

(정규직 1)15659 076 043 0 1

첫(혹은 두 번째) 일자리

여부

15705 048 050 0 1

임 수

(단 만원 로그)15694 514 059 147 729

종업원 규모

(단 명 로그)12912 400 231 0 1097

만족도

련 변수

(이 차수

기 )

직장유지의향 15658 6516 1871 0 100

직무유지의향 15645 6409 1922 0 100

업무 만족도 15653 5936 1644 0 100

임 만족도 15656 4394 1927 0 100

취업 안정성 만족도 15645 5540 1938 0 100

근무환경 만족도 15653 5446 1848 0 100

인간 계 만족도 15631 5712 1629 0 100

자기발 만족도 15649 5088 1839 0 100

인사공정 만족도 15460 4975 1602 0 100

복지후생 만족도 15552 4569 1958 0 100

직종더미

(이 차수

기 )

문 리직 여부 15702 013 033 0 1

사무기술직 여부 15702 033 047 0 1

서비스 매직 여부 15702 013 034 0 1

농어민 여부 15702 001 008 0 1

생산기능직 여부 15702 041 049 0 1

업종더미

(이 차수

기 )

농어업 종사 여부 15703 001 008 0 1

공업 종사 여부 15703 026 044 0 1

건설업 종사 여부 15703 011 031 0 1

도소매 숙박업 종사 여부 15703 016 037 0 1

서비스 련업 종사 여부 15703 046 050 0 1

lt표 2gt 개인 및 일자리 특성변수별 기초통계량

2 이직 및 성과지표 관련 변수

최종샘 15705명 지난 조사시 이후 일자리를 이동한 임 근로자는 체의 약 10에 해

당하는 1560명이다 각 샘 에 한 이직 여부를 더미변수로 처리하 다 이직의 성과를 측정하

기 하여 다음의 일곱 가지 평가지표를 마련하 다 개인의 주 만족도와 련된 종합 지

표 세 가지(직장만족도 직무만족도 일자리만족도) 일자리 배치의 효율성과 련된 종합 지표

세 가지(기술 합도 교육 합도 교육기술복합지수) 그리고 임 수 이들에 한 기 통계량은

lt표 2gt에 요약되어 있다직장만족도는 다음 5가지 평가지표(5단 )의 평균값을 100 단 로 환산한 것이다 다닐 만한

직장인가 들어온 게 기쁜가 친구에게 추천하고 싶은가 다른 이에게 자랑할 수 있는가 계속 다

니고 싶은가(즉 앞서의 lsquo직장유지의향rsquo) 직무만족도는 앞서 제시한 lsquo업무만족도rsquo 련 네 가지 지

표와 lsquo직무유지의향rsquo을 합친 다섯 가지 평가지표를 산술평균하여 100 단 로 환산한 것이다 일자리만족도는 lsquo일자리에 해 반 으로 얼마나 만족하는가rsquo라는 질의에 한 5단 응답을 100

단 로 환산한 것이다 이들 세 가지 만족도와 련된 지표들의 연간 변화를 ( 차수 만족도

- 차수 만족도)로 측정하여 만족도 변화지표를 추가로 생성하 다 기술 합도는 lsquo 재 하는 일의 수 은 나의 기술(기능)과 비교하여 어느 정도인가rsquo라는 질의에

한 답변으로부터 구성하 다 응답자는 lsquo매우 낮다rsquo lsquo낮은 편이다rsquo lsquo맞다rsquo lsquo높은 편이다rsquo lsquo매우

높다rsquo 응답하도록 되어 있다12) 략 80 안 의 응답자가 다섯 응답 lsquo맞다rsquo에 답하 다 여기서 lsquo높은 편이다rsquo와 lsquo매우 높다rsquo에 한 응답은 체 응답자의 1 내외이다 하는 일의 수 이

매우 높거나 높은 편이다라는 것은 하는 일이 도 이며 자기 능력을 충분히 발휘할 기회가 많

다는 것을 의미하므로 합도가 낮다고만 평할 수는 없다 따라서 100 단 로 환산할 때 lsquo매우

낮다rsquo에 0 lsquo낮은 편이다rsquo에 50 lsquo맞다rsquo와 그 이상의 답변에 100 을 부여하 다13) 교육 합도

는 lsquo 재 하는 일의 수 은 나의 교육수 과 비교하여 어느 정도인가rsquo라는 질문에 한 답변으로

부터 구성하 으며 같은 방식으로 lsquo매우 낮다rsquo에 0 lsquo낮은 편이다rsquo에 50 lsquo맞다rsquo와 그 이상의

답변에 100 을 부여하 다 여기서 교육수 은 서류상에 기재되므로 서류상에 기재가 어려운 기

술수 과는 취업과정에서 다르게 취 된다 특히 인 네트워크는 교육수 보다 기술수 의 정보

달에 보다 유용한 채 로 작동할 가능성이 높다 따라서 이직의 종합 인 배치효율성 개선효과

를 측정하기 해서는 두 지표를 아우를 수 있는 독립 인 지표가 필요하다 도입된 lsquo교육기술복

합지수rsquo는 기술 합도와 교육 합도의 산술평균으로서 일자리 배치효율성에 한 종합 평가지

표로 작성되었다 이들 세 가지 배치효율성 련 지표들의 연간 변화를 ( 차수 배치효율성 -

차수 배치효율성)으로 측정하여 배치효율성의 변화분을 추가로 추출하 다 마지막으로 월평균임 (단 만원)의 치를 2008년 기 으로 환산하여 lsquo 차수 임 수 rsquo

과 lsquo 차수 임 수 rsquo을 구성하 다 앞서 lsquo임 수 (로그)rsquo 변수의 생성에 활용한 임 상승률을

그 로 차용하 다 lsquo임 수 변화rsquo는 ( 차수 임 수 - 이 차수 임 수 )으로 측정하 다 표에서 보는 바와 같이 차수 임 수 은 평균 202만 4700원으로 차수 임 수 은 평균

205만 8900원으로 집계되었고 평균 임 수 의 연간 상승분은 3만 4400원으로 나타났다

12) 응답자별 분포 lsquo매우 낮다(122)rsquo lsquo낮은 편이다(1727)rsquo lsquo맞다(8039)rsquo lsquo높은 편이다(106)rsquo lsquo매우 높다(006)rsquo 13) lsquo높은 편이다rsquo와 lsquo매우 높다rsquo가 차지하는 비 이 매우 낮아 이들을 합도가 lsquo낮은 편이다rsquo와 lsquo매우 낮다rsquo로 취 하여

도 분석 결과에는 의미있는 차이가 나타나지 않는다

변수명 측 수 평균값 표 편차 최솟값 최댓값

이직 여부(이직 1) 15705 0099 030 0 1

차수 직장만족도 15636 5659 1698 0 100

차수 직장만족도 15585 5679 1698 0 100

직장만족도 변화 15531 019 1636 -90 80

차수 직무만족도 15653 6052 1599 0 100

차수 직무만족도 15600 6056 1615 0 100

직무만족도 변화 15563 003 1641 -75 85

차수 일자리만족도 15596 5390 1618 0 100

차수 일자리만족도 15562 5454 1646 0 100

일자리만족도 변화 15468 065 1722 -100 75

차수 기술 합도 15613 9014 2138 0 100

차수 기술 합도 15590 9058 2146 0 100

기술 합도 변화 15509 044 2387 -100 100

차수 교육 합도 15656 8969 2169 0 100

차수 교육 합도 15620 9008 2186 0 100

교육 합도 변화 15582 040 2413 -100 100

차수 교육기술복합지수 15612 8991 2106 0 100

차수 교육기술복합지수 15590 9034 2119 0 100

교육기술복합지수 변화 15508 043 2318 -100 100

차수 임 수 (단 만원) 15697 20247 12055 0 146975

차수 임 수 (단 만원) 15658 20589 12406 625 146975

임 수 변화(단 만원) 15650 344 5619 -71931 56572

lt표 3gt 이직 및 성과지표별 기초통계량

IV 일자리 이동의 영향요인

본 에서는 일자리 이동에 향을 미치는 주요 요인들에 해 평가해 보도록 한다 이직확률

추정을 하여 로짓회귀분석(Logistic Regression)을 수행하 으며 여덟 가지 회귀분석모형에 해

그 결과를 lt표 4gt에 요약하 다 각 모형은 이 차수와 차수 사이의 이직 여부를 종속변수로

한다 모형 1은 개인 특성변수들과 일자리 특성변수들을 설명변수로 하 으며 모형 2는 여기에

교육 합도를 추가하 다 모형 3은 여기에 일과 일자리에 한 만족도를 측정하는 여덟 개 변수

를 추가하 다 모형 4에는 직종더미를 모형 5에는 업종더미를 모형 6에는 연차더미를 차례로 추

가하 다 모형 7은 모형 6에서 종업원 규모를 제하고 추정한 결과이다 종업원 규모에 응답하지

않은 샘 수가 체 최종샘 의 178에 달하므로 설명변수에서 종업원 규모를 뺀 모형 7은 샘

수를 극 화한 추정 결과를 제시한다 모형 8은 모형 6의 설명변수 교육 합도를 기술 합도로

체한 추정 결과이다 교육 합도와 기술 합도의 상 계수가 0913에 달하므로 하나의 모형에

두 변수를 모두 포함시키기보다 별도의 모형을 만들어 상호비교하는 방법을 택한 것이다 이들 모

형들의 하단에 lsquo평균치 이직확률rsquo을 표기하 다 lsquo평균치 이직확률rsquo은 추정에 활용된 변수들의 평

균치에서 계산한 이직확률을 나타낸다 즉 샘 내의 표 임 근로자(Representative Paid Worker)의 이직 가능성을 변하는 수치이다 주어진 모형들이 추정한 lsquo평균치 이직확률rsquo은 략

8 안 (76~902)이다 각 추정계수 우편에는 한계효과를 함께 표시하 는데 이는 설명변수가

한 단 상승할 때(더미변수의 경우 0에서 1로 바뀔 때) lsquo평균치 이직확률rsquo의 변동분을 나타낸다 lsquo평균치 이직확률rsquo과 한계효과 모두 100을 곱하여 백분율로 표기하 다

분석 결과에 따르면 네 가지 개인의 특성변수(나이 성별 교육수 혼인 여부) 에서는 나이

와 성별만이 통계 으로 유의한 향요인으로 확인되었다 여성의 경우 남성에 비해 이직확률이

략 11p 가량 낮은 것으로 나타났다 연령이 높을수록 이직확률이 낮아지는데 나이가 한 살

증가할수록 략 04p 가량 이직확률이 하락하 다 일자리 련 특성변수 에서 정규직 여부 첫(혹은 두 번째) 일자리 여부 임 수 종업원 규

모 모두 통계 으로 유의한 향요인으로 악되었다 정규직일 경우 비정규직에 비해 이직확률

이 2p 가량 하락하 다 생애 첫 번째(혹은 두 번째) 일자리인 경우 44p 가량 이직확률이 하락

하 다 그러나 이것이 노동시장 진입 기에 이직확률이 더 낮다는 식으로 해석될 수는 없다 그보다는 이 에 이직경험이 많은 이들은(즉 재 일자리가 생애 세 번째 혹은 그 이상인 이들은) 그들의 직업 특성으로 인하여 이 에 이직경험이 은 이들에 비해 향후 일 년간 다시 이직

할 확률이 44p 가량 높다라고 해석해야 할 것이다14) 임 수 이 높을수록 이직확률이 떨어지

는 것으로 나타났다 임 이 10 상승할 때 이직확률은 045p만큼 하락한다 종업원 규모 역시

이직확률과 부의 계를 가지는 것으로 나타났다 종업원 규모가 10 가량 큰 기업에서 근무하면 이직확률은 007p 가량 하락한다 이는 종업원 규모가 큰 기업일수록 내부 노동시장을 활용한

직무재배치가 용이하기 때문인 것으로 악된다교육 합도 혹은 기술 합도가 높을수록 이직확률이 하락하는 것으로 나타났다 교육 혹은 기

술 합도가 10 상승할 때 025p 가량 하락한다 재 하는 일이 나의 교육(혹은 기술) 수 보

다 낮다고 답한 경우( 합도 50 ) 수 이 맞다고 답한 경우( 합도 100 )보다 125p만큼 이직

확률이 증가하는 것을 의미한다 따라서 노동자의 기술 혹은 교육 수 에 합한 직무와 그에 합

당한 우가 이직확률을 떨어뜨리는 데 효과 임을 알 수 있다일자리만족도와 련한 여덟 가지 변수 에서 임 에 한 만족도 직장 내 인간 계에 한

만족도 인사고과의 공정성에 한 만족도는 이직에 유의미한 향을 미치지 못하는 것으로 나타

났다 특히 이 임 에 한 만족도가 이직 여부에 결정 역할을 하지 않는다는 은 흥미로운

결론이다 반면 취업 안정성에 한 만족도와 근로환경 복지후생에 한 만족도 그리고 업무

에 한 만족도는 이직확률과 통계 으로 유의한 부(-)의 계가 있음이 확인되었다 취업 안정성

에 한 만족도 근로환경의 만족도 그리고 업무만족도의 경우 100 만 에 10 향상 시 04p 가량 이직확률을 떨어트리는 것으로 나타났으며 이는 이들 만족도에 한 응답이 불만족(25 )에

14) 를 들어 주어진 최종샘 에서 직장경력이 많은 40세 이상인 이들만을 고려할 때 첫 번째(혹은 두 번째) 일자리

보유자 2711명의 연간 이직률은 262인 데 반해 두 번 이상 이직경험이 있는 이들 4410명의 연간 이직률은

859로 이직률이 597p 높은 것을 확인할 수 있다

서 보통(50 )으로 개선된 경우 1p만큼 이직확률이 감소하는 것을 의미한다 개인만족도 련

변수 이직확률에 가장 향력이 큰 변수는 복지후생 변수로서 이에 한 만족도는 10 향상

시 이직확률을 055p 가량 떨어트리는 것으로 나타났다 복지후생만족도에 한 응답이 불만족

(25 )에서 보통(50 )으로 개선된다면 략 138p만큼의 이직률 하락을 기 할 수 있는 것이다이상의 분석 결과는 국내 임 근로자의 이직 결정에 있어서 비임 측면에서의 만족도가

요한 역할을 한다고 주장한 김동헌김상호(2001)의 연구와 맥을 같이 한다15) 여러 해외 연구 결

과도 비임 요소의 요성을 강조한 바 있다 를 들어 Gottschalk and Maloney(1985)는

Michigan PSID(Panel Study of Income Dynamics)를 이용하여 이직 후 새로운 직장이 더 만족스럽

다고 응답한 사람들 가운데 그 41는 실질임 의 삭감을 감내한 것으로 밝힌 바 있다흥미로운 은 개인의 발 가능성에 한 만족도가 이직확률과는 정(+)의 계를 보인다는

이다 개인의 인 자본을 높일 수 있는 일을 하고 있을 때 이러한 자기발 을 활용하여 보다 우

가 좋은 직장으로 이동하는 경향이 있음을 확인한 것이다 자기발 에 한 만족도 10 상승이

045p만큼의 이직확률 증가와 연 된 것으로 확인되었다 를 들어 자기발 만족도에 한 응

답이 보통(50 )인 사원보다 만족(75 )인 사원의 이직확률이 113p 가량 높은 것이다직종에 따른 이직확률의 차이에서는 문 리직 종사자나 서비스 매직 종사자가 생산기능직

종사자에 비해 략 3p만큼 이직확률이 높다는 것을 확인하 다 반면 농어민의 경우 생산기능

직 종사자에 비해 6p만큼 이직확률이 낮았다 업종에 따른 이직확률의 차이에서는 업종 간의 큰

차이를 발견하기 어려웠다 다만 농어업 련 기업에 종사할 경우 공업 련 기업에 종사하는

경우보다 이직확률이 상당히( 략 15p만큼) 높아짐을 확인할 수 있었다 다만 노동패 은 군부

지역을 제외하고 도시지역만을 상으로 한 조사이기 때문에 농어민 혹은 농어업 련 산업의 종

사자에 한 자료는 매우 미흡한 수 이다16) 따라서 농어민이나 농어업 종사자에 한 이상의

결론은 신뢰도가 다소 떨어짐을 유념할 필요가 있다

15) 김동헌김상호(2001)는 노동패 의 1차 자료만을 활용하여 동일한 분석을 수행한 바 있으며 이들의 결론은 8가지

만족도 변수 취업 안정성 복지후생 인사공정에 한 만족도가 이직성향과 부(負)의 계를 가진다는 것이었다 이들의 연구에 비해 본 연구의 표본의 수가 보다 방 하고 다양한 배경 변수(업종더미 직종더미 회사규모)와 개인

특성변수(첫 일자리 여부 교육 합도 등)를 통제하고 있으므로 본 연구의 결과가 보다 신뢰할 만한 결과를 제시하

고 있다고 단된다 16) 최종샘 에서 농어민이 차지하는 비 은 1 미만이고 샘 수로는 101명에 그친다 농어업 련 기업의 종사자가

차지하는 비 역시 1 미만에 종사자 수 111명에 그친다

다항로짓회귀분석 모형 1 모형 2 모형 3 모형 4

종속변수 이직 여부 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과

성별(여성 1) -01627(00665) -1313 -01272

(00672) -1030 -00669(00701) -0536 -01378

(00753) -1081

나이 -00512(00041) -0420 -00513

(00041) -0421 -00510(00042) -0412 -00507

(00042) -0404

교육수 00263(0029) 0216 00135

(00294) 0111 00350(00306) 0283 00264

(00342) 0210

혼인 여부(미혼 1) 00531(00746) 0440 00601

(00748) 0498 00563(00757) 0459 00643

(00762) 0518

정규직 여부(정규직 1) -03042(00713) -2688 -02777

(00718) -2438 -02213(00743) -1887 -01853

(00751) -1544

첫(혹은 두 번째) 일자리 여부

-05513(00647) -4453 -05462

(00649) -4412 -05313(00656) -4227 -05429

(00659) -4258

임 수(단 만원 로그)

-05933(00709) -4868 -05360

(00727) -4398 -05253(00769) -4242 -05393

(00782) -4294

종업원 규모(단 명 로그)

-01019(00145) -0836 -01010

(00145) -0829 -00838(00149) -0677 -00691

(00149) -0550

차수 교육 합도 -00045(00012) -0037 -00031

(00014) -0025 -00030(00014) -0024

차수 기술 합도

업무만족도 -00031(00025) -0025 -00036

(00025) -0029

임 만족도 00025(00020) 0021 00029

(00020) 0023

취업 안정성 만족도 -00041(00021) -0033 -00044

(00021) -0035

근무환경만족도 -00049(00021) -0039 -00050

(00022) -0040

인간 계만족도 -00016(00024) -0013 -00015

(00024) -0012

자기발 만족도 00055(00023) 0045 00050

(00023) 0040

인사공정만족도 00006(00027) 0005 00011

(00027) 0009

복지후생만족도 -00069(00021) -0055 -00070

(00021) -0055

(기 생산기능직)

문 리직 여부 03710(01169) 3328

사무기술직 여부 -01145(00887) -0898

서비스 매직 여부 04280(00885) 3890

농어민 여부 -03201(04768) -2238

(기 공업 종사)농어업 종사 여부건설업 종사 여부도소매 숙박업 종사

여부서비스 련업 종사

여부연차 더미 No No No No

평균치 이직확률times100(각 변수의 평균치

기 )902 902 886 872

관측 수 12869   12829   12655   12652  

결정계수( ) 0070   0072   0076   0082  

lt표 4Agt 일자리 이동 영향요인 분석(I)

주 1 는 유의수 10 는 유의수 5 는 유의수 1를 의미함2 한계효과는 추정된 한계효과(marginal effects)를 백분율로 표시함3 더미변수의 한계효과는 변수값이 0에서 1로 변할 때 이직확률의 변화분을 나타냄(변수명의 표시가 더미변수)

다항로짓회귀분석 모형 5 모형 6 모형 7 모형 8

종속변수 이직 여부 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과

성별(여성 1) -01528(00759) -1194 -01482

(00760) -1154 -01872(00713) -1289 -01477

(00761) -1151

나이 -00505(00042) -0401 -00505

(00042) -0400 -00521(00040) -0366 -00504

(00042) -0399

교육수 00309(00345) 0245 00327

(00347) 0258 00113(00324) 0080 00346

(00345) 0274

혼인 여부(미혼 1) 00659(00764) 0529 00635

(00766) 0507 01045(00721) 0749 00684

(00767) 0548

정규직 여부(정규직 1) -02033(00770) -1696 -02075

(00776) -1727 -01213(00735) -0875 -02093

(00777) -1744

첫(혹은 두 번째) 일자리 여부

-05421(00660) -4240 -05445

(00661) -4241 -06294(00623) -4407 -05495

(00662) -4284

임 수(단 만원 로그)

-05309(00788) -4215 -05277

(00790) -4172 -06554(00702) -4602 -05288

(00791) -4186

종업원 규모(단 명 로그)

-00695(00151) -0552 -00690

(00152) -0546 -00685(00152) -0542

차수 교육 합도 -00028(00014) -0022 -00029

(00014) -0023 -00027(00013) -0019

차수 기술 합도 -00030(00014) -0024

업무만족도 -00038(00025) -0030 -00043

(00025) -0034 -00054(00023) -0038 -00045

(00025) -0036

임 만족도 00029(00020) 0023 00026

(00020) 0020 00027(00019) 0019 00026

(00020) 0020

취업 안정성 만족도 -00048(00021) -0038 -00045

(00021) -0035 -00051(00020) -0036 -00044

(00021) -0035

근무환경만족도 -00052(00022) -0041 -00054

(00022) -0042 -00053(00020) -0037 -00053

(00022) -0042

인간 계만족도 -00014(00024) -0011 -00015

(00024) -0012 -00014(00023) -0010 -00013

(00024) -0011

자기발 만족도 00054(00023) 0043 00057

(00023) 0045 00061(00022) 0043 00057

(00023) 0045

인사공정만족도 00010(00027) 0008 00011

(00027) 0009 -00006(00025) -0004 00014

(00027) 0011

복지후생만족도 -00069(00021) -0055 -00069

(00021) -0054 -00060(00020) -0042 -00068

(00021) -0053

(기 생산기능직)

문 리직 여부 03574(01203) 3183 03594

(01204) 3190 03478(01160) 2728 03514

(01204) 3114

사무기술직 여부 -01409(00916) -1098 -01365

(00917) -1060 -01322(00878) -0911 -01374

(00917) -1068

서비스 매직 여부 03146(01080) 2752 03136

(01081) 2732 02369(01012) 1793 03037

(01084) 2640

농어민 여부 -13598(06827) -6349 -13198

(06821) -6224 -12188(06557) -5262 -13254

(06828) -6246

(기 공업 종사)

농어업 종사 여부 12277(05423) 15765 12064

(05429) 15324 08109(05129) 7981 12026

(05431) 15270

건설업 종사 여부 -01858(01239) -1386 -01819

(01240) -1353 -01896(01146) -1251 -01797

(01240) -1339

도소매 숙박업 종사 여부

01413(01027) 1165 01417

(01028) 1163 02878(00976) 2200 01393

(01029) 1144

서비스 련업 종사 여부

00006(00808) 0005 00016

(00808) 0013 -00420(00778) -0295 -00024

(00809) -0019

연차 더미 No Yes Yes Yes평균치 이직확률times100

(각 변수의 평균치 기 ) 869 865 760 867

관측 수 12651   12651   15344   12614  

결정계수( ) 0083   0085   0091   0084  

lt표 4Bgt 일자리 이동 영향요인 분석(II)

주 1 는 유의수 10 는 유의수 5 는 유의수 1를 의미함 2 한계효과는 추정된 한계효과(marginal effects)를 백분율로 표시함 3 더미변수의 한계효과는 변수값이 0에서 1로 변할 때 이직확률의 변화분을 나타냄(변수명의 표시가 더미변수)

Group

Treated (=1) 측 가능 Counterfactual

Untreated (=0) Counterfactual 측 가능

V 분석 방법(Propensity Score Matching)

본 에서는 일자리 이동의 효과성 분석에 사용할 방법론으로서 Heckman Ichimura and Todd(1997)이 제안한 Propensity Score Difference- in-Differences(DID) Matching(PSM)에 해 설명

하고자 한다 이에 앞서 우선 이 방법론의 근간이 되는 Averge Treatment Effect for the Treated(ATT)(Rubin[1974])와 Propensity Score Matching(PSM)(Rosenbaum and Rubin[1983]) 일반에

해 소개하기로 한다

1 Average Treatment Effect for the Treated

결과에 향을 미치는 Treatment Variable로서 더미변수 를 가정하자 Treatment의 부여 여부

에 따라서 Treated Group(혹은 실험군)과 Untreated Group(혹은 조군)으로 구분할 수 있다 =1 (Treated Group)과 =0 (Untreated Group) 이때 잠재 결과치(Pontential Outcomes) 가 Treatement 여부에 따라 각기 ( )일 때 Average Treatment Effect(ATE)는 다음과 같다 그러나 이러한 통 인 계산방식은 Treatment가 무작

(Randomization)라는 가정하에서만 편 되지 않은 측치(Unbiased Estimates)를 제공할 수 있다 순수한 무작 실험이 아니라면 분석의 상이 데이터에서 Treatment 여부가 무작 인 경우는 드

물다 즉 특정한 요인들이 Treatment 참여 여부에 직간 인 향을 미치는 것이다 를 들어 특정약물의 효과를 알고 싶다고 하자 약물이 투여된 사람과 그 지 않은 사람의 건강상태를 악

하면 된다고 생각할 수 있다 그러나 약물이 투여되지 않은 사람은 개 건강한 사람들이기 때문

에 이들의 건강상태를 약물이 투여된 사람과 직 비교한다면 약물을 투여한 사람이 여 히 건강

상태가 나쁜 것으로만 나올 것이고 약물투여의 효과가 없다라고 결론짓게 될 것이다 비교 상은

건강한 사람이 아니라 약물이 투여된 집단만큼의 건강이 양호하지 않은 집단이어야 한다 이 게

건강하지 않는 사람과 비교할 때 약물 투여의 순수한 효과를 검증할 수 있다 이러한 무작 의 여

부로부터 발생하는 문제를 선택편의(Selection Bias)라고 한다데이터로부터 우리가 측할 수 있는 결과치는 Treated된 경우의 과 Untreated된 경우의

이다 선택편의의 문제가 발생할 때 Treatment의 효과를 제 로 알고자 한다면 우리가 비교해야

하는 상은 Treated 된 경우의 Treatment가 용되지 않았을 때의 결과 즉 ( |=1)이다 이러한

가상의 결과를 Counterfactual이라고 한다 (역시 Untreated된 경우의 Treatment가 용되었을 때 결

과 즉( |=0) 역시 Counterfactual이다) 다음의 표가 이를 간략히 정리하고 있다

선택편의(Selection Bias)의 문제하에서 Treatment의 효과를 측정하기 하여 체 집단에 한

Treatment Effect가 아닌 Treated Group에 한 Treatment Effect에 한정하여야 한다 이 게 한정된

집단 즉 Treated Group에 한 효과성 측정을 Average Treatment Effect for the Treated(ATT)라고 한

(1)

여기서 는 Counterfactual에 한 기 치이므로 자료로부터의 직 인 추정은 불

가능하다 Treatment Selection이 측 가능한 변수들의 특정한 집합 Z에 의존한다고 가정해 보자 Dawid(1979)의 표 법에 따르면 다음과 같은 계가 성립한다 ∐ 즉 Z를 통제하 을

때 Untreated Group의 값의 분포와 Treated Group이 만약 Treatment를 받지 아니하 을 때의

값의 분포(즉 Counterfactual의 분포)는 서로 동일하다는 것이다 이는 기 치에 한 다음과 같은

계를 내포한다

(2)

즉 counterfactual인 을 측치인 이 체할 수 있는 것이다 식

(2)의 계를 조건부 독립가정(Conditional Independence Assumption CIA)이라고 한다 Rubin(1974)은 조건부 독립가정(CIA)의 조건이 충족할 경우 ATT를 다음과 같이 측정할 수 있다고 제안한 바

있다

(3)

즉 직 으로 설명한다면 =1인 집단에 속한 특성 Z인 개체에 하여 동일 특성을 지닌 개

체를 =0인 그룹에서 찾아 그 둘의 Y값을 비교하면 되는 것이다 =1 집단 내의 모든 개체에

하여 동일한 계산을 한 뒤 이를 합산하면 ATT를 구하게 된다 그러나 이 방법 역시 일정 정도의 한계를 지닌다 만약 Z가 이산변수(Discrete Variable)가 아닌

연속변수(Continuous Variable)라면 =0 집단에서 동일한 Z를 가진 개체를 찾을 수 없으므로 이상

의 측정법을 용할 수 없다 한 특정 변수들이 집합인 Z에 포함된 변수들이 많은 경우 동일한

특성의 개체를 =0 집단으로부터 찾는 것이 어려울 수 있다 이러한 한계를 극복하고자 도입된 것

이 Propensity Score Matching 방식이다

2 Propensity Score Matching Estimator

Propensity Score(PS)를 Z 특성을 지닌 개체가 Treated될 확률로 정의하고 로 표시하도록

하자

Propensity Score equiv (4)

Rosenbaum and Rubin(1983)은 0ltP(Z)lt1이 모든 Z에 해 만족할 경우 다음의 계가 성립한다

는 것을 증명하 다

∐ rArr ∐ (5)

이 계식은 을 내포하므로 변수집합의 Z의 차원수

∐ rArr

(Dimensionability)가 클 경우에도 다음과 같이 다일변수 P(Z)를 활용하여 ATT를 구할 수 있다

(6)

샘 수의 유한성으로 인해 실제로 식의 두 번째 항을 추정하는 것은 간단치 않은 작업이

다 한 ATT의 추정은 Common Support 역 즉 Treated Group의 P(Z)의 분포와 Untreated Group의 P(Z)의 분포가 겹치는 Z의 역에 한정하여야 한다 Common Support를 벗어나는 역에 해

서는 비교가능한 Counterfactual를 찾기 힘들기 때문이다 이를 반 하여 주어진 샘 내에서 ATT를 추정할 수 있는 다양한 Propensity Score Matching(PSM) Estimator가 제안되었는데 이는 다음과

같이 요약될 수 있다(Todd[2006])

isincap

isin

(7)

여기서 는 Treated Group 구성원을 는 Untreated Group의 구성원을 나타낸다 는 Common Support 역 내의 개체들의 집합을 나타낸다 은 Treated Group의 구성원 Common Support 역에 속하는 개체들의 총수이다 는 가 치를 나타내는 것으로 두 Propensity Score의 거리

인 을 이용하여 결정된다 가 치 용방식에 따라 다양한 측정방식이 제시될 수

있다 이에 해서는 추후에 추가 으로 논의하도록 한다

3 Difference-in-Differences Matching Estimator

여기서 한 단계 발 된 방식의 PSM이 Heckman Ichimura and Todd (1997)에 의해 제시된

Difference-in-Differences(DID) Matching Estimator이다 앞서 ATT의 추정에서 측 가능한 특정 변수

들의 집합 Z가 주어졌을 때 결과치 가 Treatment에 독립 (즉 ∐ 이 성립)이라고 가정한

바 있다 그러나 Z에 포함되어야 할 많은 변수 측이 되지 않는 경우가 있을 수 있다 이러한

경우 계가 더 이상 성립하지 않아 앞서의 ATT 추정법은 정

당성을 상실한다 하지만 Longitudal Data가 주어진 경우 즉 Treatment 이 과 이후의 결과치( )가

주어진 경우 분석 상을 신에 lsquo의 변화분rsquo으로 변경함으로써 이러한 문제를 상당 부분 해

소할 수 있다 Treatment 이 과 이후 두 개의 시간 를 와 prime이라 한다면 분석 상을 이

아닌 prime prime 으로 둘 수 있는 것이다 이때 ATT를 추정하기 해서는

prime ∐ 의 가정이면 충분하게 된다 이는 앞서보다 훨씬 완화된 가정이므로 충족하기

가 보다 용이해진다 특히 측되지 않는 시간 불변(time-invariant)의 일부 변수가 Treatment Selection에 연 된 경우에도 이 변수가 와 prime에는 직 인 향을 미치더라도 prime 에 미치는 향이 없다면(즉 독립 이라면) 문제가 되지 않는 것이다17) 따라서 Longitudal Data가

17) 이 외에도 주어진 수치들이 데이터가 수집된 지역에 따라 Level이 다를 경우 Difference 변수를 활용함으로써 이러

한 Level 차이에서 기인한 편의(bias)를 해소할 수 있다

주어진 경우에 DID Matching Estimator는 매우 효과 인 도구로 활용될 수 있다 이때 DID Matching Estimator는 다음과 같은 방식으로 요약될 수 있을 것이다

isincap

prime prime prime

isin prime

(8)

본 연구에서는 앞서 소개한 DID Matching Estimator를 이용함으로써 시간불변(time-invariant)의

측되지 아니하는 변수들을 사 에 통제하고 보다 신뢰할 만한 분석 결과를 제시하고자 한다

4 Treatment Effect 측정방식

의 가 치를 결정하는 를 어떻게 설정하느냐에 따라 다양한 PSM Estimator가 존재한다 본 연구의 분석에서는 가장 활발히 이용되는 측정방식들로서 Nearest Neighbor Matching Radius Matching Kernel Matching 이 세 가지를 활용하기로 한다18)

가 Nearest Neighbor Matching

이 방식은 조군인 Untreated Group에 속한 개체 에서 Propensity Score가 실험군(Treated Group) 개체의 Score와 가장 근 한 개체를 선택하는 방식이다 즉 를 최소화시키

는 에 해서는 이고 나머지 에 해서는 이 성립한다 [그림 2]가 이

를 잘 형상화하고 있다 이때 Score가 근 한 개체를 하나가 아닌 복수로 선정함으로써 하나를

선정할 때보다 더욱 안정된 추정치를 얻을 수 있다 다만 매칭되는 개체 수가 무 많을 경우

가 크게 되어 편의(bias)가 증가할 수 있으므로 신 할 필요가 있다 개의 근

한 개체를 선택하는 경우 이들 개체 에 해서는 이 성립하고 나머지 에

해서는 이 성립한다 Nearest Neighbor Matching의 경우 가장 근 한 개체를 선택하 으나 가 무

커서 Counterfactual로서 부 합한 매칭이 이루어질 가능성이 있다 이를 보완하기 하여 Cochran and Rubin(1973)은 한 Caliper를 선정하여 매칭에 있어서 를 일정 한도로 제

한할 것을 제안한 바 있다 본 분석에서는 을 5개로 선정함으로써 편의(bias)를 이면서도 안정

된 추정치를 얻고자 하 으며 Caliper는 히 작은 0005로 설정하여 부 합한 매칭을 최소화하

고자 하 다19)

18) 이 외에도 주로 활용되는 측정방식으로 Stratification Matching Mahalanobis Matching 등이 있으나 이들을 활용한 결

과가 본 연구의 분석 결과와 크게 다르지 않다 Dehejia and Wahba(2002)는 Treated Group과 Untreated Group 간의

Propensity Score 분포가 상당 부분 서로 겹친다면 측정방식에 따른 분석 결과의 차이가 크지 않다는 을 강조한

바 있다 이는 실험군 한 개체에 해 매칭 가능한 충분한 수의 조군 개체들이 존재하기 때문이다 즉 측정방식의

차이에 따라 매칭이 되는 조군들의 특성이 크게 달라지지 않는 것이다 본 연구에서 추정한 Propensity Score 분포

는 Treated Group Untreated Group 두 집단 사이에 겹치는 부분이 매우 크다 이는 [그림 4]를 통해 쉽게 확인된다 19) 여기서 Caliper 설정은 실험군 개체와 매칭되는 조군 개체 사이의 PS 거리 즉 를 한 수 으로

제한하고자 함이다 부분의 실험군 개체의 경우 Caliper가 설정한 Boundary에 크게 제한을 받지 않으므로 히

작은 Caliper의 설정이면 편의(Bias)를 개선하기에 충분하다 본 분석에서 설정한 0005 이외에 0002이나 001을 사용

하여 보았으나 역시 결과의 차이가 크지 않음을 확인하 다

[그림 2] Nearest Neighbor Matching(n=1인 경우)

나 Radius Matching

이 방식은 일정 반경을 Caliper로 설정하고 Untreated Group에서 가 Caliper 이내인 모든 개체 를 Treated Group의 개체 에 매칭하는 방법이다(그림 3 참조) 개체 에 하여

Untreated Group으로부터 매칭된 개체의 수가 라면 이들에 해서는 이 성립하고 매칭이 안된 나머지 개체들에 해서는 이 성립한다 이 추정방식은 앞서 Nearest Neighbor Matching에 비해 Propensity Score가 근 한 조군 내의 보다 많은 개체를 분석에 활용할

수 있다는 장 이 있다 보다 많은 조군 내 개체를 활용할수록 Treatment Effects 측정의 정확성

(Precision)은 상승하게 된다 매칭이 가능한 조군 개체의 수가 충분히 많다면 Caliper는 작을수록 좋다 Caliper가 클수록

부 합한 매칭에 따른 Treatment Effects의 편 (Bias)이 커질 수 있기 때문이다 본 분석에서는 샘

의 수가 충분히 크기 때문에 Caliper를 0002로 설정하여 매우 근 한 개체들에 해서만 매칭이

이루어지도록 설정하 다20)

20) 다음 에서는 주어진 샘 을 활용하여 Propensity Score를 추정하고 있다 이 결과에 따르면 PS (01 0102)인 구간

에서 조군 개체 수가 116개 (02 0202) 구간에서 조군 개체 수가 32개 (03 0302) 구간에서 조군 개체 수가

12개에 이르는 것을 확인할 수 있다(표 6과 그림 4를 참조 바람) 즉 0002의 Caliper를 사용할 때 한 개의 실험군

개체에 해 10개 내지 100개 이상의 조군 개체들이 매칭되는 경우가 흔히 존재하는 것이다 반면 Caliper를 이보

다 작게 설정한다면 (특히 PS가 큰 구간에서는) 실험군 개체들과 매칭되는 조군 개체가 존재하지 않을 수 있다 를 들어 PS (04 0402)인 구간에서 조군 개체 수는 단 1개 존재하나 PS (0401 0402)인 구간에서는 무하다

따라서 본 연구에서는 최소의 Caliper이면서도 매칭되는 조군 개체의 수가 충분할 수 으로서 Caliper 0002를 선

정하 다 반면 민감성 테스트(Sensitivity Check)에 따르면 Caliper 0001이나 0003에서도 연구 결과의 차이가 크지

않음을 확인하 다

[그림 3] Radius Matching

다 Kernel Matching

이 방식은 Treated Group 내의 각 개체에 한 매칭을 Untreated Group 내의 모든 개체를 상

으로 진행하는 방식으로 에 따라 가 치를 부여한다 가 작을수

록 가 치가 커진다 이때 사용되는 가 치는 다음과 같이 표시될 수 있다

isin

(9)

여기서 G는 선택된 Kernel function을 은 Bandwidth Parameter를 표시한다 이 방식은

Heckman Ichimura and Todd(1998)에 의해 도입되었는데 주어진 모든 개체를 추정에 활용하므로

정보의 손실을 최소화할 수 있다는 장 이 있다 한 앞서의 두 추정방식과는 달리 인 인

Caliper의 설정이 불필요하다는 장 도 있다 Kernel의 선택에는 Gaussian Function(Normal Distribution) Biweight Function Epanechnikov Function 등 다양한 방식이 가능하나 본 분석에는

Normal Distribution을 채택하 다 Bandwidth Parameter로는 001을 선택하여 가 근

한 이들에게 충분한 가 치가 주어지도록 하 다21)

VI Propensity Score의 추정

주어진 자료에서 Treatment는 이직에 해당한다 이직에 한 Propensity Score(PS)를 추정하기

해서는 이직에 향을 미치는 주요 변수의 집합 을 사용하여야 한다 이들 변수는 다음 조건

을 만족하여야 한다 prime ∐ 즉 이직에 향을 미치는 주요 변수들을 통제한 후에

는 이직을 하지 않은 이들의 결과치 에 한 변화분 prime 의 분포가 이직을 한

이들이 만약 이직을 하지 않았을 때 상되는 결과치 에 한 변화분 prime 의 분

21) Bandwidth Parameter가 0005 002인 경우도 확인해 보았으나 결과에는 큰 차이가 발견되지 않았다

추정함수 Logistic Regression(이직 = 1 비이직 = 0)Z 추정계수 표 오차

직장유지의향 -0002 0004 직무유지의향 -0015 0004 성별(여성 1) -0104 0071

나이 -0138 0023 나이2 0001 0000

교육수 0169 0050 혼인 여부(미혼 1) -0056 0082

정규직 여부(정규직 1) 0342 0248 첫(혹은 두 번째) 일자리 여부 -0599 0068

임 수 (단 만원 로그) 0076 0601 임 수 (단 만원 로그)2 -0052 0063 종업원 규모(단 명 로그) -0084 0015

차수 교육 합도 0000 0001 임 만족도 0003 0002

근무환경만족도 -0004 0002 일자리만족도 -0003 0003

서비스 매직 여부 0459 0077 농어업 종사 여부 0324 0378

정규직 여부 times 교육수 -0131 0056 직장유지의향 times 직무유지의향 0000 0000

상수항 3558 1584 측 수 12754

결정계수( ) 00873

Log Likelihood -401098

포와 동일해야 하는 것이다 따라서 Propensity Score의 추정에 활용할 변수들은 앞서 일자리 이동

의 향요인에 한 분석을 통해 선별할 수 있다 특히 주어진 노동패 의 자료에서는 ldquo 재의

직장을 계속 다니고 싶은가(직장유지의향)rdquo와 ldquo 재 맡고 있는 일을 계속하고 싶은가(직무유지의

향)rdquo라는 이직의사와 련된 매우 긴요한 변수들이 포함되어 있는데 이들을 주요 변수의 집합

에 포함시킴으로써 이상의 조건이 보다 용이하게 충족될 수 있음을 기 할 수 있다 Propensity Score의 추정에는 Logistic Regression을 활용하 다 추정에 활용된 주요 변수들의 집합 과 각

변수에 한 추정계수는 lt표 5gt에 요약되어 있다

lt표 5gt Propensity Score의 추정방정식

주 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

앞서 일자리 이동 향요인에 한 분석에서 일자리 이동의 요한 결정변수로 악된 변수

들이 부분 PS 추정방정식에 포함되었다 만족도와 련한 변수 업무만족도 취업 안정성 만

족도 자기발 만족도 복지후생만족도 이상 네 변수는 일자리 향요인으로 통계 으로 유의하

게 악되었으나 PS 방정식에 추가된 일자리만족도 직장유지의향 직무유지의향 등과의 통계

상 계가 매우 높아 PS 추정방정식에 따로 포함시키지 않았다22) 한 추정방정식에는 일부

Interaction Terms들과 Higher Order Terms들을 추가하여 앞서 설명한 변수집합(Z)의 기본요건을 맞

추고자 하 다 추가 변수들은 Balancing Property를 충족하기 하여 선정되었는데 이에 해서는

아래에서 추가 부연한다Rosenbaum and Rubin(1983)에 따르면 PS는 다음 조건을 만족한다

∐ rArr

즉 PS를 통제한 뒤에는 변수집합 Z와 Treatment 여부 D가 상호 독립 이라는 것이다 이는 PS가 동일한 개체들에 해 Z의 평균값을 구한다면 Treatment를 받은 집단과 그 지 않은 집단 사이

에 차이가 없어야 한다는 을 내포한다 이를 Balancing Property라 한다 이를 검증하기 한 방

법으로 P(Z)를 여러 구간(Blocks)으로 나 뒤 각 구간에 한 Mean Difference Statistical T-test를

시행할 수 있다 일부 구간에 해 T-test가 만족하지 않는 경우에는 구간을 더욱 세분하여 진행하

고 여 히 만족이 되지 않는 경우에는 문제가 되는 일부 변수들의 Interaction Terms들과 Higher Order Terms들을 PS 추정방정식에 추가하여 앞서의 과정을 되풀이한다(Dehejia and Wahba[1999]) 앞서 언 된 Interaction Terms과 Higher Order Terms들은 이상의 과정을 거쳐 추가된 항들이다

Balancing Property 검증을 하여 다양한 PS 추정방정식을 설정하여 반복 인 Test를 수행하

다 최종 으로 lt표 5gt의 추정방정식에서 도출한 PS를 기 으로 lt표 6gt과 같이 10개의 Block을

구분한 뒤 Mean- Difference Statistical T-test를 진행하 다 Block 설정은 PS의 Common Support 역인 [00149 06]에 하여 이루어졌다 각 Block들에 한 T-test의 결과는 lt부표 2gt에 수록되어

있다 추정방정식에 도입된 독립변수 항이 총 20개이고 Block의 수는 10개이므로 총 200개의

Mean-Difference T-test가 시행되었다 lt부표 2gt에서 확인할 수 있듯이 5 Significance Level에서

부분의 Block들이 T-test를 통과하 다 통과에 실패한 테스트는 단 두 개로 Block 1의 lsquo정규직

여부rsquo에 한 테스트와 Block 8의 lsquo성별rsquo에 한 테스트이다 따라서 Block Test의 통과율이 99에

이르러 앞서의 PS 추정방정식이 Balancing Property를 체로 만족하고 있다고 결론내릴 수 있다 이상의 과정을 거쳐 확정된 PS 추정방정식을 이용하여 각 개체별로 PS를 구할 수 있다 [그림

4]는 이 게 구해진 PS에 하여 각 집단별 분포도를 제시하고 있다 Treated Group의 경우 PS의

분포가 Untreated Group에 비해 상 으로 우측으로 치우쳐 있음을 쉽게 확인할 수 있다 그리고

PS 분포에서 Common Support 역이 [00149 06]에 이른다는 것을 확인할 수 있다 이는 PS가

06보다 큰 경우에는 Treatment에 참여한 실험군 개체에 해 그에 상응하는 Counterfactual을 조

군으로부터 찾을 수 없음을 의미한다 따라서 PS를 활용한 Treatment의 효과 측정은 이 Common Support 역에 들어오는 실험군 개체들에 한정하여 이루어질 수밖에 없다

22) 를 들어 일자리만족도와 이들 네 변수와의 상 계수(Correlation Coefficient)는 각각 업무만족도(06536) 취업 안정

성 만족도(06014) 자기발 만족도(06279) 복지후생만족도(05514)에 이른다 이들을 포함시키더라도 반 인 결과

에는 큰 차이가 없다

(10)

02

46

8

0 2 4 6 8 0 2 4 6 8

Untreated Group Treated Group

DensityRough Density Curve

Den

sity

Propensity Score Distribu tion for Each Group

lt표 6gt Balancing Property 검증을 위한 Block 구분

Block 번호 Propensity Score 범 D=0 D=1 합계

1 00149 ~ 0025 655 10 665

2 0025 ~ 005 2128 59 2187

3 005 ~ 0075 2146 152 2298

4 0075 ~ 001 1744 200 1944

5 01 ~ 0125 1300 171 1471

6 0125 ~ 015 949 162 1111

7 015 ~ 02 1138 238 1376

8 02 ~ 03 845 242 1087

9 03 ~ 04 230 95 325

10 04 ~ 06 57 56 113

합계 11192 1385 12577

[그림 4] 각 집단별 Propensity Score 분포도

주 Common Support 역인 [00149 06]에 포함된 개체 수는 Untreated Group의 경우 11192명 Treated Group의 경우에

는 1385명임

VII 분석 결과

이제 구해진 PS를 활용하여 이직의 효과와 이직에 있어서 인 네트워크 활용의 효과성을 분

석할 비를 마련하 다 본 분석에서는 앞서 제3 에서 소개한 7가지의 성과지표에 하여 분석

을 진행할 것이다 우선 PS가 추정된 12754개체에 하여 PS를 고려하지 않은 단순비교를 진행해

성과지표의

연간 변화비교 상

이직자

평균

비이직자 평균

격차

(표 오차)

직장만족도 변화이직자 수 1379 3724 -0334 4058

비이직자 수 11274 (0466)

직무만족도 변화이직자 수 1386 2962 -0428 3389

비이직자 수 11285 (0466)

일자리만족도 변화이직자 수 1384 2944 0282 2662

비이직자 수 11261 (0489)

기술 합도 변화이직자 수 1383 2350 -0058 2408

비이직자 수 11245 (0684)

교육 합도 변화이직자 수 1389 2556 -0142 2697

비이직자 수 11300 (0689)

교육기술복합지수

변화

이직자 수 1383 2422 -0091 2513

비이직자 수 11245 (0664)

임 수 변화이직자 수 1384 9088 2782 6307

비이직자 수 11340 (1614)

보자 lt표 7gt은 이직자 집단과 비이직자 집단의 성과지표 변화를 단순비교한 것이다 표에서 확인

할 수 있듯이 이직자의 경우 모든 지표들에 하여 성과지표의 뚜렷한 증가가 목격되었다 비이

직자의 경우에는 임 수 이 2782만원 증가한 것을 제외하고 에 띄는 성과지표의 개선이 나타

나지 않았다23) 성과지표 개선에서 집단 간의 차이가 존재하는지를 검증하기 하여

Mean-Difference Statistical T-test를 진행하고 그 결과를 표에 수록하 다 모든 지표에 하여 이직

자 집단이 비이직자 집단에 비해 높은 증가세를 보인 것이 통계 으로 유의하게 확인된다 를 들

어 이직자 집단의 월평균 임 수 은 9088만원 상승한 것으로 나타나 비이직자 집단에 비해

6307만원만큼 큰 폭의 임 향상을 보 다 하지만 우리는 이상의 결과를 이직의 효과라고 단정

지을 수 없다 왜냐하면 이직의 효과는 이직자 집단에 속한 개체들의 성과 변화와 이들의

Counterfactual 즉 이들이 이직을 하지 않고 직장을 유지하 을 때의 성과 변화를 직 비교해

야 제 로 악되기 때문이다 이후 제시한 Propensity Score Matching에 의한 이직효과 측정은 이

러한 Counterfactual의 탐색에 기반한 분석 결과이다

lt표 7gt 주요 성과지표의 연간 변화 단순비교

주 1 성과지표의 변화에 한 집단 간 차이를 확인하기 하여 Mean-Difference Statistical T-test를 수행함 2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

23) 주어진 임 수 은 연간 임 상승률을 감안한 수치이기 때문에 비이직자의 임 은 불변이거나 하락하여야 정상이

다 재 악되는 비이직자들의 임 증가는 선택편의(Selection Bias) 문제에 의해 발생한 것으로 보인다 주어진 최

종샘 은 차수와 차수 모두에서 임 근로자로 악된 이들로 구성된다 취업시장에 신규로 진입하는 이들에

비하여 근속연수가 1년 많은 셈이다 한 차수에 임 근로자인 이들 임 상승폭이 작은 이들이 그 지 않은

이들보다 근로시장을 이탈할 가능성이 높다 이로 인하여 차수에 이어 차수까지 근로시장에 남아 있는 이들

은 상 으로 높은 임 상승을 보이는 것으로 단된다( 한 분석에 활용한 임 상승률이 lsquo임 구조기본통계조사rsquo의 표본으로부터 추정된 것이므로 노동패 표본과의 근본 차이로 인해 이상의 문제가 도출하 을 가능성도 일

부 배제할 수 없다)

공개채용 스카우트 소개나 추천 직 찾아가서 기타

인 네트워크

활용 구직

21 10 730 68 2

(69) (625) (8459) (1166) (556)

인 네트워크

비활용 구직

278 4 118 502 27

(9145) (250) (1367) (861) (750)

알 수 없음5 2 15 13 7

(164) (125) (174) (223) (1944)

총 사례 수 (1802명

)

304 16 863 583 36

(100) (100) (100) (100) (100)

이직 성격 분류비네트워크

경로-

네트워크

경로

비네트워크

경로-

본격 인 분석에 앞서 인 네트워크와 련하여 이직의 성격을 규명할 필요가 있다 인 네

트워크를 이직경로로 활용한 경우와 그 지 않은 경우로 구분지어 보도록 하자 이를 해 노동패

6차에서 10차까지의 체 경력직 취업자들을 상으로 한 lt부표 1gt의 lsquo경력직 취업자들의 일

자리 진입방식별 구직방법의 분포rsquo를 참조하도록 하자 노동패 에서 제공하는 일자리 진입방식

은 lsquo공개채용rsquo lsquo스카우트rsquo lsquo소개나 추천rsquo lsquo직 찾아가서rsquo lsquo기타rsquo 이 게 다섯 가지로 구분된다 이 lsquo공개채용rsquo 형태의 일자리 진입에서는 lsquo인터넷rsquo이나 lsquo매체 고rsquo를 활용한 구직이 체 사례

의 8486에 이른다 lsquo직 찾아가서rsquo 형태의 일자리 진입 역시 lsquo인터넷rsquo이나 lsquo매체 고rsquo 그리고

lsquo직 탐문rsquo 방식의 구직이 사례의 8113에 이른다 반면 lsquo소개나 추천rsquo 형태의 일자리 진입에서

는 lsquo친구나 친지rsquo를 통하거나 lsquo취업희망 직장의 지인rsquo 혹은 lsquo업무상 알게 된 지인rsquo을 통하는 경우

가 체의 81235에 이른다 즉 각 일자리 진입방식 간에 매우 뚜렷한 구직형태의 차이를 보여

주고 있다 lt부표 1gt의 성공한 구직방법 2 3 8 10 11을 인 네트워크를 활용한 구직으로 1 4 5 6 7 9를 그 지 않은 구직으로 분류하고 각 일자리 진입방식에 한 인 네트워크 활용도를

추산해 보면 다음 lt표 8gt과 같이 요약된다

lt표 8gt 일자리 진입방식별 이직의 성격 분류

주 ( ) 안은 각 일자리 진입방식에 한 이직 성격의 비 을 백분율로 표시함 자료 lt부표 1gt를 재구성한 것임

lt표 8gt에 요약된 바와 같이 lsquo공개채용rsquo과 lsquo직 찾아가서rsquo 형태의 일자리 진입에서 인 네트

워크를 활용하지 않은 구직이 각기 9145와 861에 이른다 반면 lsquo소개나 추천rsquo에서는 인 네

트워크를 활용한 구직이 8459에 이른다 이를 바탕으로 본 분석에서는 lsquo공개채용rsquo과 lsquo직 찾아

가서rsquo를 lsquo비네트워크 경로 이직rsquo으로 lsquo소개나 추천rsquo을 lsquo네트워크 경로 이직rsquo으로 구분한다 이 분류

에 따르면 15705명의 최종샘 에서 이직자로 악된 1560명 1438명의 체 인 구직경로 구

분이 가능하다 이 999명이 네트워크 경로 이직자로 439명이 비네트워크 경로 이직자로 분류

된다 한 앞서 PS가 추정된 12754명 에는 1391명이 이직자인데 그 891명은 네트워크 경

로 이직자로 387명은 비네트워크 경로 이직자로 분류된다

1 이직을 통한 개인만족도의 변화

아래 세 개의 도표 lt표 9gt lt표 10gt lt표 11gt은 이직을 통하여 개인의 만족도가 개선되는지의

여부를 PSM을 통하여 검증한 것이다 각각의 만족도지수(직장만족도 직무만족도 일자리만족도)에 하여 세 가지 방식의 PSM 추정치(Five Nearest Neighbors Radius Matching Kernel Matching)를

제시하고 있다앞서 lt표 7gt의 단순비교에서는 이직자와 비이직자의 연간 만족도변화가 100 만 에서

4058 (직장만족도) 3389 (직무만족도) 2662 (일자리만족도)만큼 차이가 나는 것으로 집계

되었다 그러나 PSM 방식으로 재추정된 이직의 만족도 개선효과는 각각 약 250 (직장) 216(직무) 155 (일자리)으로 나타났다24) 종합하면 단순비교 방식(표 7)은 PSM 활용방식(표 9

표 10 표 11)에 비해 이직의 만족도 개선효과를 약 1~15 만큼 과 추정하고 있음을 확인할 수

있다 이러한 상이 나타난 이유는 실제 이직한 이들이 그 지 않은 이들에 비해 기존 직장에서

의 만족도가 상 으로 낮았다는 데 있다 를 들어 주어진 최종샘 에서 이직자들의 기존 직장

에서의 직장만족도는 평균 5071 을 보이는 반면 같은 시기 비이직자들의 평균 직장만족도는 이

보다 무려 7 가까이 높은 5724 으로 나타났다 따라서 단순비교 방식에서는 이직을 통한 만족

도 개선효과가 다소 과장되어 추산되기 마련이다 이들 이직한 이들이 만약 기존 직장에 그 로 남아 있었다면 (이들의 만족도가 상 으로 낮

은 수 이므로) 다른 이들에 비해 보다 높은 수 의 만족도 개선을 한 해 사이에 경험하 을 것이

다 실제로 체 비이직자들의 연간 만족도의 변화가 각기 -0334 (직장) -0428(직무) 0282 (일자리)에 그치는 데 반해 실험군(이직자 집단)의 Counterfactual 즉 PS를 사용하여 실험군 개체에 매

칭된 (비이직자 집단 내) 조군 개체들의 만족도 변화는 각기 113 (직장) 066 (직무) 133 (일자리)에 이르 다(각 표의 lsquo매칭된 조군 변화(B)rsquo 항목 참조) 실험군 Counterfactual에서의 만족도

개선폭이 여타 비이직자들의 연간 만족도 개선폭보다 략 1 이상 높게 나타나는 것이다 이상

의 선택편의(Selection Bias) 문제가 히 통제될 때 이직의 순효과가 바르게 추정될 수 있다 앞서 시한 PSM 방식으로 추정된 이직의 만족도 개선효과는 이러한 선택편의 문제를

Counterfactual Framework으로 극복한 추정 결과라 할 수 있다 그럼 네트워크 경로 이직과 비네트워크 경로 이직 사이에 뚜렷한 차이가 존재하는지 살펴보도

록 하자 표에서 확인할 수 있듯이 두 경우 모두 이직의 만족도 개선효과가 통계 으로 유의한 수

에서 명확히 확인된다 네트워크 경로의 이직에서는 만족도 개선의 효과가 각기 220 (직장) 158 (직무) 117 (일자리)으로 확인되었고 비네트워크 경로의 이직에서는 각기 263 (직장) 284 (직무) 207 (일자리)으로 확인되었다 흥미로운 부분은 비네트워크 경로의 이직에서 이직

을 통한 만족도 개선의 효과가 소폭 높게 나타난 이다 이는 비네트워크 이직 사례들이 상당수

의 lsquo공개채용rsquo 입사자를 포함하기 때문에 나타난 상으로 보인다 lsquo공개채용rsquo은 주로 종업원 300인 이상의 규모가 큰 기업에서 집 으로 활용되고 있다25) 이들 큰 기업에 lsquo공개채용rsquo으로 입사

한 이들은 그 직장에 비해 주 인 만족도가 크게 향상되었을 것이다 이러한 lsquo공개채용rsquo 사례들이 비네트워크 이직의 만족도 개선효과를 다소 증폭시키는 역할을 하 을 것으로 추정된다

반면 비네트워크 이직을 통한 만족도 개선이 네트워크 이직에 비해 다소 크다고 하여 이것이

24) 이는 분석에 사용된 세 가지 방식의 PSM 추정치들을 산술평균하여 정리한 수치들임 25) 이 부분에 한 구체 인 설명은 발간 정인 한국개발연구원 정책연구시리즈 lsquo인 네트워크(개인의 사회 자본)

의 노동시장 효과 분석rsquo을 참조하기 바란다 ( 자에게 요청시 수령가능함)

이직과정에서의 인 네트워크 요성은 인정되지 않는다는 식으로 해석될 수 없음을 유념하여야

한다 국내 이직과정에서의 인 네트워크 의존도는 해외 주요국에 비해 상당히 높은 수 이다 략 65 안 의 경력직 취업자들이 인 네트워크를 활용하여 구직에 성공하 다고 추정되고 있

다26) 만약 재 이직을 고려하고 있는 국내 한 근로자가 구직활동에서 인 네트워크 활용을 포기

한다면 이 근로자의 이직 성공 가능성은 매우 낮아질 것이다 즉 개인의 이직 성공률을 높이기

해서는 평소에 꾸 한 구직 네트워크 리가 요청된다 할 수 있다 특히 이직수요라는 것은 많은

경우 자신의 의도와는 다르게 외부 충격으로 인해 발생한다 회사의 경제 환경이 변화하기도

하지만 자신의 심사가 바 기도 하고 가족의 갖가지 필요에 의해 이직이 요구되기도 한다 즉 언제 발생할지 모르는 이직수요에 히 응하기 해서는 이직의 주요한 통로라 할 수 있는 인

네트워크에 한 상시 리가 요청되는 것이다 따라서 이직을 고려한 인 네트워크의 상시

리 이를 한 개인의 갖가지 비용 지출은 향후 발생 가능한 험에 처하기 하여 자동

차나 암 보험을 구매하는 것과 같이 기꺼이 지불해야 할 미래에 한 투자라 할 수 있다

26) 역시 한국개발연구원 정책연구시리즈 lsquo인 네트워크(개인의 사회 자본)의 노동시장 효과 분석rsquo을 참조하기 바

란다

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1371) 3662 1201 2460 403

조군(11274) (0610)

Radius Matching 실험군(1362) 3543 1009 2534 436

조군(11274) (0581)

Kernel Matching(Normal) 실험군(1372) 3659 1165 2494 434

조군(11274) (0564)

체 이직효과 평균 362 113 250

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 3309 1169 2140 293

조군(11274) (0730)

Radius Matching 실험군(879) 3231 0939 2292 331

조군(11274) (0693)

Kernel Matching(Normal) 실험군(881) 3309 1146 2162 315

조군(11274) (0686)

네트워크 이직효과 평균 328 108 220

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(380) 4224 1525 2699 224

조군(11274) (1206)

Radius Matching 실험군(373) 3981 1438 2543 217

조군(11274) (1171)

Kernel Matching(Normal) 실험군(381) 4213 1565 2647 230

조군(11274) (1149)

비네트워크 이직효과 평균 414 151 263

lt표 9gt 이직을 통한 직장만족도 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1377) 2850 0701 2149 363

조군(11285) (0592)

Radius Matching 실험군(1368) 2767 0626 2140 381

조군(11285) (0562)

Kernel Matching(Normal) 실험군(1378) 2852 0648 2204 398

조군(11285) (0554)

체 이직효과 평균 282 066 216

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(884) 2302 0808 1494 211

조군(11285) (0707)

Radius Matching 실험군(882) 2256 0658 1598 238

조군(11285) (0670)

Kernel Matching(Normal) 실험군(884) 2302 0654 1648 249

조군(11285) (0661)

네트워크 이직효과 평균 229 071 158

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 3648 0577 3072 269

조군(11285) (1142)

Radius Matching 실험군(374) 3463 0774 2688 245

조군(11285) (1098)

Kernel Matching(Normal) 실험군(382) 3652 0888 2764 257

조군(11285) (1077)

비네트워크 이직효과 평균 359 075 284

lt표 10gt 이직을 통한 직무만족도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1375) 2909 1571 1338 217

조군(11261) (0617)

Radius Matching 실험군(1366) 2818 1276 1543 262

조군(11261) (0588)

Kernel Matching(Normal) 실험군(1376) 2907 1147 1760 303

조군(11261) (0581)

체 이직효과 평균 288 133 155

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(882) 2523 1626 0897 121

조군(11261) (0742)

Radius Matching 실험군(880) 2472 1246 1225 173

조군(11261) (0707)

Kernel Matching(Normal) 실험군(882) 2523 1139 1383 198

조군(11261) (1697)

네트워크 이직효과 평균 251 134 117

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 3609 1499 2110 176

조군(11261) (1196)

Radius Matching 실험군(374) 3409 1530 1879 163

조군(11261) (1151)

Kernel Matching(Normal) 실험군(382) 3599 1365 2235 197

조군(11261) (1133)

비네트워크 이직효과 평균 354 146 207

lt표 11gt 이직을 통한 일자리만족도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이 를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

2 이직을 통한 배치효율성의 변화

다음은 이직의 다른 측면인 일자리 재배치의 문제에 해 살펴보고자 한다 이직은 각 개인

에 있어서는 직장생활의 변화라 할 수 있지만 기업의 입장에서는 노동인력의 교환에 해당한다 따라서 이직을 통한 노동인력의 재배치가 과연 사회 반의 경제 이익을 창출하고 있는지를 따

져 볼 필요가 있다 앞서 lt표 7gt에서 기술수 교육수 교육기술복합지수 이 세 가지 합도에 해 이직자

비이직자 집단 내의 연간 변화를 정리한 바 있다 여기서 비이직자의 경우 각 지수에서 연간 합

도가 소폭 하락한 것으로 나타났고 이직자의 경우 합도가 크게 상승한 것으로 나타났다 비이

직자는 기술수 의 합도에서 0058 이 교육수 의 합도에서 0142 이 그리고 교육기술수

의 복합지수에서는 0091 이 하락한 데 반해 이직자들은 각기 2350 (기술) 2556 (교육) 2422(복합지수)의 합도 상승이 발견되었다 비이직자들의 합도 하락은 기술이나 경제환경의 변

화와 한 련이 있다 경쟁력 있는 기술 이에 한 사회 수요가 시간에 따라 변화하므로 직장에서의 자신의 기술 혹은 교육수 은 (평균 으로 보아) 이 보다 합성이 다소 떨어지게

마련이다 반면 이직자들의 합도 상승이 과연 이직의 순효과인지에 해서는 여 히 의문의 여

지가 크다 이직을 결행한 이들은 이 직장에서의 직무 련 합도가 평균 으로 크게 떨어지는

이들이다 를 들어 최종샘 에서 이직을 하지 않은 이들의 한 해 기술 합도는 평균 9066인 데 반해 이직을 결행한 이들의 한 해 (이 직장에서의) 기술 합도는 평균 8547 에 머무

는 것으로 나타났다 이들은 애 에 워낙 합도가 떨어지기 때문에 굳이 이직을 택하지 않더라

도 직무재배치나 직장 내 부서이동 등을 통하여 1년 사이에 상당한 정도의 합도 개선을 이루었

을 것으로 상된다따라서 이직을 통한 배치효율성의 개선효과 즉 반 인 근로자의 직무 련 합도 상승효

과를 명확히 규명하기 해서는 이직한 이들이 이직을 하지 아니하 을 때에 상되는 합도의

개선을 우선 추정해 볼 필요가 있다 이것은 앞서 설명하 듯이 Counterfactual의 추정을 통해서만

이 가능하다 lt표 12gt lt표 13gt lt표 14gt는 PSM을 이용하여 비이직자들의 정보로부터 이직자들의

Counterfactual을 추정한 뒤 이를 보고하고 있다 세 방식(Five Nearest Neighbors Radius Matching Kernel Matching)의 추정치를 산술평균하면 기술 합도에서는 088 교육 합도에서는 057 교육

기술복합지수에서는 075 의 상승이 확인되었다(각 표의 lsquo매칭된 조군 변화(B)rsquo 항목을 참조) 이를 실험군 즉 실제 이직자들의 합도 상승(각 표의 lsquo실험군 변화(A)rsquo 항목)과 비교하면 순이직

효과는 각기 131 (기술) 183 (교육) 140 (복합지수)에 이르는 것으로 결론지을 수 있다 반

면 교육과 복합지수에서는 이들 순이직효과가 통계 으로 유의하게 나타났으나 기술수 의

합도에서는 이 효과가 통계 으로 뚜렷하지 않았다 10의 유의도에서 검증할 때 Kernel Matching을 제외한 나머지 두 개의 PSM 매칭에서 통계 유의성을 확보할 수 없었다 이에 이직

을 통한 교육수 의 합도 개선효과는 분명한 반면 기술수 의 합도 개선은 통계 으로 입증

되지 않는다고 결론지을 수 있다 교육기술복합지수의 경우 이 두 가지 효과가 첩되어 나타난

것으로 교육수 의 합도 개선이 워낙 뚜렷하기 때문에 통계 으로 유의한 지수상승이 나타난

것으로 단된다 이상과 같이 이직을 통해 교육수 합도의 개선이 보다 효과 으로 이루어지

는 것은 채용과정에서 후보자의 교육수 이 기술수 에 비해 객 인 자료를 이용하여 검증하

기가 보다 용이하기 때문인 것으로 보인다

그럼 이직을 통한 배치효율성 개선 측면에서 인 네트워크의 역할을 살펴보도록 하자 네트

워크 경로 이직과 비네트워크 경로 이직으로 나 어 이직효과를 각기 추정해 보면 둘 사이에 의

외의 뚜렷한 차이가 존재함을 확인할 수 있다 네트워크 경로의 이직인 경우 이직을 통한 합도

개선효과가 통계 으로 유의한 수 에서 매우 높게 나타난다 이직의 순효과는 각기 213 (기술) 252 (교육) 126 (복합지수)에 이른다 반면 비네트워크 경로의 이직인 경우 이 효과는 모두 사

라져 버린다 즉 이직효과는 기술 합도 교육 합도 교육기술복합지수 모두에서 양과 음을 반복

하고 통계 유의성도 확보되지 않는다 즉 비네트워크 경로를 통한 이직에서는 일자리 재

배치를 통한 사회 반의 경제 이득을 기 할 수 없는 것이다 앞서 교육 합도 개선에 있어 이

직의 반 인 효과가 통계 으로 강하게 나타났는데 이 효과의 부분은 비네트워크 경로 이직

보다는 네트워크 경로 이직으로부터 창출된 것임을 짐작할 수 있다 특히 기술 합도를 보면 이직자들의 합도 개선은 네트워크와 비네트워크 이직 사이에 뚜렷

한 차이를 보이는데 네트워크 이직자들의 합도 개선은 평균 292 인 데 반해 비네트워크 이직

자들의 합도 개선은 평균 048 에 그친다 인 네트워크를 활용하지 않고 이직을 하 을 경우 이직을 하 음에도 불구하고 기술 합도의 개선은 평균 으로 거의 기 되지 않는 것이다 이는

앞서 주 만족도의 개선효과와 비교하여 매우 상반된 결과에 해당한다 이직을 통한 주 만

족도의 개선에서는 네트워크와 비네트워크 이직 모두 그 효과가 분명하 으며 특히 비네트워크

이직자들의 주 만족도 개선폭은 3 내지 4 에 이르 다 이는 네트워크 이직자들의 만족

도 개선폭에 비해서도 1 가량 높은 수치 다 따라서 이직이 반 으로 개인의 주 만족도

를 개선하는 효과가 있으나 배치효율성의 개선 측면에서는 오직 인 네트워크에 의존한 이직만

이 재배치의 분명한 경제 효과를 평균 으로 창출한다고 결론지을 수 있다 이러한 네트워크와 비네트워크 사이의 뚜렷한 이직효과의 차이는 네트워크가 지닌 정보 달

기능에 기인한 것으로 단된다 인 네트워크는 구인자와 구직자 사이에 훌륭한 정보 달 기능

을 수행하고 있다 구직자에게는 어떠한 일자리가 구직자의 기술능력 혹은 교육수 에 비추어

합한지에 한 정보를 제공하고 구인자에게는 구인자가 필요로 하는 합한 기술의 소유자가

구인지에 한 정보를 제공하는 것이다 이는 평소에 구인자와 구직자 모두를 아우르는 간 매개

로서의 인 네트워크가 있었기에 가능한 것이다 반면 비네트워크에서는 이러한 효과를 기 하

기 힘들다 비네트워크 채용에서는 주어진 서류와 단시간의 인터뷰 혹은 직무능력 테스트만을 가

지고 합한 인력을 선발하여야 한다 lsquo공개채용rsquo의 경우 많은 지원자들의 경쟁을 거치므로 상으로 보다 합한 후보자를 선별할 수 있을 것이다 그러나 lsquo직 찾아가서rsquo 형태의 입사에서는

이러한 경쟁의 과정 역시 생략되므로 높은 합도를 지닌 후보의 채용은 더욱 기 하기 힘들다 정리하자면 인 네트워크는 국내 노동시장에서 일자리와 일자리 후보 사이의 활발한 정보 달

기능을 수행함으로써 노동시장의 효율 작동을 돕고 있는 것이다 끝으로 이러한 네트워크 이직의 배치효율성이 모든 이직 사례에 일 으로 용되는 것이

아님을 주지할 필요가 있다 인 네트워크가 구인과 구직 사이의 lsquo연결(Networking)rsquo 기능을 수행

할 때 이상의 정 인 효과를 기 할 수 있을 것이나 이 둘 사이의 lsquo연 rsquo로서 기능할 때는 오히

려 역효과를 래할 수 있다 즉 인 네트워크를 통하여 합하지 않은 지원자를 연 로 채용시

키는 경우 해당 일자리에 한 매치 합성은 네트워크 이직으로 인해 오히려 감퇴할 수 있다 우리는 이상의 분석을 통하여 국내 노동시장에서 네트워크 이직의 반 인 교육 기술 수

합도 개선효과를 확인한 바 있다 이는 국내 노동시장의 고용 로세스에서 lsquo연 rsquo의 부정 효과

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1374) 2220 1095 1124 121

조군(11245) (0929)

Radius Matching 실험군(1365) 2088 0735 1353 155

조군(11245) (0874)

Kernel Matching(Normal) 실험군(1375) 2255 0795 1460 168

조군(11245) (0869)

체 이직효과 평균 219 088 131

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 2951 0919 2032 181

조군(11245) (1125)

Radius Matching 실험군(879) 2844 0746 2098 198

조군(11245) (1057)

Kernel Matching(Normal) 실험군(881) 2951 0702 2250 214

조군(11245) (1049)

네트워크 이직효과 평균 292 079 213

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 0525 2297 -1772 -096

조군(11245) (1840)

Radius Matching 실험군(374) 0267 0868 -0600 -034

조군(11245) (1753)

Kernel Matching(Normal) 실험군(382) 0654 1297 -0642 -037

조군(11245) (1746)

비네트워크 이직효과 평균 048 149 -100

보다는 구인구직 간 lsquo연결rsquo이라는 네트워크의 정 효과가 보다 강하게 작동하고 있음을 시사

한다

lt표 12gt 이직을 통한 기술적합도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1380) 2428 0630 1797 193

조군(11300) (0931)

Radius Matching 실험군(1371) 2298 0496 1802 207

조군(11300) (0872)

Kernel Matching(Normal) 실험군(1381) 2462 0586 1876 216

조군(11300) (0869)

체 이직효과 평균 240 057 183

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(886) 3047 0342 2705 245

조군(11300) (1106)

Radius Matching 실험군(884) 2885 0528 2357 227

조군(11300) (1037)

Kernel Matching(Normal) 실험군(886) 3047 0551 2496 243

조군(11300) (1029)

네트워크 이직효과 평균 299 047 252

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(382) 1702 2007 -0305 -016

조군(11300) (1891)

Radius Matching 실험군(375) 1600 0559 1041 058

조군(11300) (1788)

Kernel Matching(Normal) 실험군(383) 1828 0910 0917 051

조군(11300) (1793)

비네트워크 이직효과 평균 171 116 055

lt표 13gt 이직을 통한 교육적합도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1374) 2293 0893 1399 155

조군(11245) (0904)

Radius Matching 실험군(1365) 2161 0641 1520 179

조군(11245) (0850)

Kernel Matching(Normal) 실험군(1375) 2327 0711 1616 191

조군(11245) (0847)

체 이직효과 평균 226 075 140

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 2951 0643 2308 212

조군(11245) (1087)

Radius Matching 실험군(879) 2816 0662 2154 211

조군(11245) (1021)

Kernel Matching(Normal) 실험군(881) 2951 0645 2306 228

조군(11245) (1014)

네트워크 이직효과 평균 291 065 226

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 1115 2233 -1118 -062

조군(11245) (1816)

Radius Matching 실험군(374) 0936 0749 0187 011

조군(11245) (1727)

Kernel Matching(Normal) 실험군(382) 1243 1131 0112 007

조군(11245) (1726)

비네트워크 이직효과 평균 110 137 -027

lt표 14gt 이직을 통한 교육기술복합지수의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

3 이직을 통한 임금수준의 변화

다음은 이직을 통한 임 수 의 변화가 실재하는지 검토하고자 한다 네트워크 이직과 비네트

워크 이직을 나 어 볼 때 앞서 우리는 네트워크 이직이 일자리 매치 합도를 히 개선한다

고 밝힌 바 있다 임 이 근로자의 생산성 기여분을 그 로 반 한다고 한다면 네트워크 이직에

따른 매치 합도의 개선은 근로자의 임 상승으로 이어져야 할 것이다 앞서 lt표 7gt의 단순비교에서 이직자들의 연간 임 상승분이 평균 9088만원 비이직자들의 연

간 임 상승분은 2782만원으로 집계된 바 있다 둘 사이의 격차가 6307만원에 이른다 한 해 사

이에 이직한 이들의 연간 임 상승폭이 직장을 그 로 유지한 이들의 연간 임 상승폭 보다

히 높은 수 인 것이다 하지만 이러한 단순비교는 선택편의(Selectoin Bias) 문제를 역시 고려하지

않고 있으므로 이직의 직 인 임 상승효과라 볼 수는 없다 즉 실제로 이직을 결행한 이들의

이직 임 수 은 같은 시기 직장을 그 로 유지한 이들에 비해 상 으로 낮은 수 일 가능

성이 높다 이들이 직장을 그 로 유지하 다면 다른 이들에 비해 히 높은 수 의 임

상승을 경험하 을 것이다 실제 이직한 이들이 만약 이직을 하지 않고 직장을 그 로 유지하

을 때 상되는 임 상승분 즉 이직자 임 상승분의 Counterfactual을 PSM 방식을 활용하여 추

정한 수치가 lt표 15gt의 lsquo 조군 변화(B)rsquo에 요약되어 있다 이에 따르면 실제 이직자들이 이직을

하지 않았을 때 기 할 수 있는 임 상승분은 략 5만원 정도에 이르는 것으로 나타난다 따라

서 이직에 따른 임 상승의 순효과는 앞서 제시한 6307만원이 아닌 이보다 상당히 축소된 386만원이다 이는 lt표 15gt에 정리된 바와 같이 PSM을 활용한 세 가지 추정치의 산술평균으로 추산

된 값이다 한 이러한 이직의 임 상승효과는 통계 으로도 유의한 것으로 확인되었다 반면 네트워크 경로 이직자와 비네트워크 경로 이직자의 임 상승분을 비교해 보면 둘 사이

에 상당한 격차가 존재함을 쉽게 확인할 수 있다 네트워크 이직자들의 이직을 통한 임 상승효과

는 통계 으로 유의한 수 에서 략 384만원으로 추정되는 반면 비네트워크 이직자들의 임

효과는 -077만원이고 이는 통계 으로도 유의하지 않다 즉 네트워크를 활용하여 이직하 을

때 뚜렷한 임 상승이 기 되는 반면 인 네트워크를 활용하지 않고 이직하 을 때는 이 효과

를 확신할 수 없을 뿐더러 다소 하락할 가능성도 있는 것이다 따라서 앞서 확인된 이직을 통한

반 인 임 상승의 효과는 네트워크 이직을 통해 창출된 효과이며 비네트워크 이직을 통한

기여는 뚜렷하지 않은 것으로 결론지을 수 있다이직은 새로운 일자리에 자신의 기술 직무 능력을 응시키는 과정이다 따라서 임 상승

효과가 이직 기에 항상 담보되지는 않을 것이다 반면 인 네트워크를 활용하 을 때 자신에

게 보다 합한 일자리에 배치됨으로써 즉 자신의 능력과 잠재력을 보다 잘 발휘할 수 있는 직무

에 재배치됨으로써 이상의 추가 인 임 상승을 기 할 수 있는 것이다 이는 앞서 이직을 통한

배치효율성 검증에서 확인되었던 네트워크 이직의 기술수 (혹은 교육수 ) 합도 상승효과와

일맥상통하는 결과이다 인 네트워크를 활용한 이직은 임 근로자를 보다 합한 일자리에 재

배치하는 데 일조하고 이것이 생산성에의 보다 높은 기여를 창출함으로써 이직자들의 추가 인

임 상승으로 이어지는 것이다물론 이러한 해석은 평균 인 추세를 반 한 것임에 유념할 필요가 있다 네트워크 이직의 사례

에는 앞서 말한 생산 인 lsquo연결rsquo 효과가 아닌 비생산 인 lsquo연 rsquo 효과 혹은 정실인사(Nepotism)가

작동한 경우들도 상당할 것이다 이 경우 생산성에의 기여가 충분하지 않음에도 불구하고 기술이

나 능력에 비해 임 을 후하게 설정할 가능성이 높다 이러한 lsquo연 rsquo형 이직을 통한 임 상승 역

시 네트워크 이직의 임 상승효과라 볼 수는 있겠으나 이것이 일자리 배치효율성의 개선을 반

한다고 볼 수는 없는 것이다 따라서 앞서 추정한 네트워크 이직의 임 상승효과 384만원이

으로 일자리 매치 합도 개선효과에서 기인한다고 단정 지을 순 없다 한 비네트워크 이직 역

시 평균 으로 임 상승의 효과가 포착되지 않은 것일 뿐 비네트워크 이직의 표본 에는 실제로

임 이 크게 상승한 사례들도 상당히 존재할 수 있다 를 들어 lsquo공개채용rsquo 방식의 입사인 경우 경합자들에 비해 채용 합격자의 해당 일자리 합성이 보다 우수하다고 단되어 채용된 사례가

많을 것이다 이 게 경쟁을 거쳐 채용된 이들은 이 에 비해 상당히 높은 수 의 임 상승을 기

할 수 있다 반면 비네트워크 이직에서 반 인 임 상승의 효과가 포착되지 않는 것은 비네트워크 이직

이 격한 주 만족도의 개선을 이끌었던 것과 비교하여 매우 조 인 상이다 많은 이들의

상식과는 달리 이직의 결정은 임 만족도 수 과 직결되어 있지 않다 앞서 제4 에서 우리는 이

직의 향요인들을 분석해 본 바 있다 이직의 결정이 업무만족도 복지후생만족도 취업 안정성에

한 만족도 등 다양한 요소에 민감하게 반응하는 반면 임 에 한 만족도와는 통계 으로 유의

한 수 에서의 연 성이 포착되지 않았다 개인의 이직 결정은 임 이외에 다양한 요소들을 종합

으로 고려한 단 결과라 할 수 있다 체로 이직은 다양한 방면에서 개인의 주 만족도를

격하게 향상시킨다 반면 자신의 기술(교육)수 과 일자리의 매치 합성의 문제는 이직자들에

게는 부차 인 고려 상에 해당한다 임 수 의 개선 역시 이직 시 고려되는 한 요소이겠으나 인 요소는 아니고 다양한 향요인 의 하나로 볼 수 있는 것이다 이러한 에서 비네트워

크 이직이 다소 상반된 효과(즉 주 만족도의 한 개선효과와 미미한 수 의 임 개선효

과)를 동시에 보여주고 있는 것은 일견 자연스러운 상이다

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1375) 8887 5274 3613 184

조군(11340) (1962)

Radius Matching 실험군(1366) 8842 4813 4029 208

조군(11340) (1936)

Kernel Matching(Normal) 실험군(1376) 8861 4916 3945 206

조군(11340) (1880)

체 이직효과 평균 886 500 386

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(882) 8943 5519 3423 150

조군(11340) (2285)

Radius Matching 실험군(880) 8827 4855 3972 178

조군(11340) (2231)

Kernel Matching(Normal) 실험군(882) 8943 4819 4124 186

조군(11340) (2217)

네트워크 이직효과 평균 890 506 384

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 4772 5672 -0900 -024

조군(11340) (3685)

Radius Matching 실험군(374) 4805 5201 -0396 -011

조군(11340) (3661)

Kernel Matching(Normal) 실험군(382) 4691 5716 -1025 -028

조군(11340) (3601)

비네트워크 이직효과 평균 476 553 -077

lt표 15gt 이직을 통한 임금수준의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

VIII 구직 네트워크의 사회적 자본 추정

근로자 개인의 측면에서 구직 네트워크의 가치를 추정해 보자 앞서 네트워크 이직을 통한 임

상승효과를 3840만원으로 추정하 다 이는 2008년 기 액이다 연간 물가상승률을 감안하

면27) 2010년 재가로 4074만원에 해당한다 평소에 구직 네트워크를 히 리하여 이직에서

이를 활용한다면 한 번의 이직으로 4만원 안 의 추가 인 임 상승을 기 할 수 있는 것이다 연으로는 489만원 가량의 임 이 이직 이후 매년 추가 으로 지 되는 것으로 해석될 수 있다28)

한편 이직이라는 것은 근로자의 생애를 걸쳐 발생하는 사건이다 임 근로자를 심으로 한

재의 최종샘 에서 연간 일자리 이동비율은 평균 993에 이른다 직종 업종에 따라 혹은 재

직 회사의 규모에 따라 이직률에는 상당한 차이가 있겠으나 체 임 근로자를 상으로 하 을

때 략 10년에 한 번 정도의 이직이 상되는 것이다 임 근로자의 생애를 걸쳐 살펴보면

이직은 주로 직장생활 후기보다는 기에 집 되어 있다 [그림 5]는 최종샘 15705명 임 근로

자를 상으로 한 각 연령별 이직률 추이를 나타낸다 생애 이직률은 20 후반에 가장 높고 30 반에 주춤하다가 30 후반에 다시 상승하고 40 이후에 하강하는 추세임을 확인할 수

있다

[그림 5] 연령별 이직률(26세부터 59세까지)

(단 )

0

2

4

6

8

10

12

14

16

18

26 28 30 32 34 36 38 40 42 44 46 48 50 52 54 56 58

연령(만)

자료 노동패 5차부터 10차까지

이를 활용하면 임 근로자 한 사람이 평생에 걸쳐 기 할 수 있는 이직의 임 상승효과를 추

정해 볼 수 있다 첫 취업의 평균연령이 265세임을 고려하여 표 인 임 근로자(A Representative Worker)가 26세부터 60세까지 노동시장에 참여한다고 가정해 보자 인 네트워크

27) 여기에 연평균 물가상승률 3를 용하 다 실제 임 상승률도 2009년의 임 이 융 기 여 로 거의 동결이었

음을 고려할 때 2년간 략 6에 해당한다 28) 여기서는 네트워크 이직의 임 리미엄(연 489만원 상승)이 이직 후 매년 지속된다고 가정하고 있다 실제로

리미엄이 상당 기간 지속되는지 아니면 이직 후 빠르게 축소되는지에 한 국내 실증분석은 향후 과제로 남겨져

있다

를 활용한 이직만이 평균 인 임 상승효과를 가져온다는 을 고려할 때 구직 네트워크의 생애

가치()는 다음과 같이 요약된다29)

times timestimestimes (11)

여기서 는 연령 에서의 상 이직률(Job Transfer Rate)을 나타낸다 은 이직 시 인 네

트워크에 한 의존도 수 이다 는 네트워크 이직에 따른 월평균 임 상승의 효과이다 여기

에 [그림 5]에 요약된 이직률의 생애 추이를 에 입하자 여기서 경력직 이직자의 인 네트

워크 의존도가 60 반(plusmn5 이내)으로 추산된 을 고려하여 에 64를 입하도록 하자30) 그리고 에 앞서 추정한 네트워크 이직의 임 상승효과 4074만원(2010년 기 )을 입하면 구직 네트워크의 생애 가치()는 18720만원으로 집계된다 만약 에 이직률의 생애 추

이 신 최종샘 에서 구한 평균이직률 993를 연령 에 걸쳐 일률 으로 사용한다면 이와

유사한 수치인 18486만원을 얻을 수 있다 따라서 한국사회 임 근로자 한 사람의 구직 네트워크

가치는 보상 측면에서 략 일천 1870만원 수 인 것으로 결론지을 수 있다 물론 이 수치는 이직을 통한 이득만을 반 하고 있을 뿐 주 만족도의 개선효과는

반 하고 있지 않다 앞서 우리는 일자리 이동을 통해 창출되는 개인의 만족도 변화를 직장만족

도 직무만족도 일자리만족도 이 세 가지 측면에서 고려해 보았다 네트워크 이직과 비네트워크

이직 모두 만족도의 개선효과를 보 다 그러나 국내 노동시장에서 이직의 약 60 이상이 인

네트워크에 의존하고 있음을 고려할 때 임 근로자 한 개인이 구직 네트워크를 리하지 않는다

면 그의 이직률은 에서 60 이상 추락할 것이다 이를 고려하여 구직 네트워크의 생애 만족

도 개선효과()를 다음과 같이 요약할 수 있다31)

timestimestimestimes (12)

여기서 는 네트워크 이직을 통한 주 만족도의 개선폭을 나타낸다 앞서 네트워크 이직

이 창출하는 주 만족도의 개선효과가 100만 에서 220 (직장만족도) 158 (직무만족도) 117 (일자리만족도) 정도임을 확인하 다 이 세 수치의 평균치가 네트워크 이직의 만족도 개선

효과를 히 변하고 있다고 한다면 의 략 인 추정치는 165 이 된다 이를 입하면

구직 네트워크의 만족도 개선효과는 략 7582 으로 추산된다 만족도 1 을 으로 환산하

여 만원에 해당한다고 표시하면 구직 네트워크의 임 근로자 일인당 생애가치()는 임

상승효과()와 만족도 개선효과()의 합으로써 다음과 같이 요약된다

equiv (=18720+7582) (13)

구직 네트워크의 가치 (18720+7582n)만원이 함의하는 바를 명확히 규정하기는 쉽지 않다 특히 개인마다 일자리에서 얻는 주 만족도를 가치로 환산하는 방식이 다를 것이다 를 들

29) 구직 네트워크의 재 가치를 추산하기 해서는 시간할인률을 용할 필요가 있으나 여기서는 이를 생략하 다 시간할인률이 용된 추정치는 재 계산된 값보다 다소 하락할 것이다

30) 이에 한 보다 구체 인 설명은 본 논문의 보다 상세한 내용이 실린 한국개발연구원 정책연구시리즈로 출간 정

인 lsquo인 네트워크(개인의 사회 자본)의 노동시장 효과 분석rsquo 보고서를 참조 바란다 31) 앞서와 마찬가지로 구직 네트워크의 재 가치를 추산하기 해서는 시간할인률을 용할 필요가 있으나 여기서는

이를 생략하 다 시간할인률이 용된 추정치는 재 계산된 값보다 다소 하락할 것이다

어 어떤 이들에게는 이득만이 요하고 주 만족도는 경시될 수 있다 이들에게 n은

lsquo0rsquo에 가까운 것이다 반면 다른 이들에게는 일자리에서 얻는 주 만족도가 임 소득보다

몇 배 이상 요할 수 있다 이들에게 n은 1보다 큰 양수가 될 것이다 구직 네트워크의 가치를 수

치로 악해 보고자 n=1인 근로자를 상정해 보자32) 이 사람에게 만족도 1 은 1만원만큼의

효용을 창출한다 이 근로자에게 구직 네트워크의 종합 가치는 26302만원에 이른다고 평가할

수 있다 이러한 구직 네트워크의 종합 가치를 개인의 물 혹은 인 자본과 별하여 근로자

개인의 구직 네트워크 사회 자본이라 명할 수 있다추정한 구직 네트워크의 가치인 (18720+7582n)만원은 한국사회의 임 근로자 각 개인이 구직

네트워크의 유지 리를 하여 기꺼이 지불할 용의가 있는 비용을 나타낸다 만족도 1 이 1만원의 효용이 있다면 즉 n=1이라면 이는 1224개월치 월 ( 략 일년치 연 )에 해당한다33) 이는 결코 작지 않은 액수이다 한국사회의 구성원들은 다양한 방식으로 네트워크를 리하고 있다 동창회 동호회 업계 계자와의 술자리 각종 경조사 참여 Social Network Service(SNS) 활동 등

이 이에 해당한다 이들 활동은 그 자체로서 정서 효용을 창출하지만 생 인 경제 이득

한 간과할 수 없다 이는 업무에 필요한 유용한 정보의 획득이나 업거래망의 확장이기도 하고 구직 네트워크의 변 확 자기 PR(Public Relations)이기도 하다 네트워크의 리는 그에 상

응하는 비용을 수반한다 이는 만남에 따른 지출에서부터 시간사용까지를 포함한다 구직

네트워크의 효과성 측면에서 보았을 때 한국사회 근로자 개인은 상당한 비용( 를 들어 n=1인 경

우 략 일년치 연 에 해당하는 비용)을 구직 네트워크의 유지 리를 하여 생애를 거

쳐 기꺼이 지불할 용의가 있다고 볼 수 있는 것이다

IX 결론

이제까지 우리는 국내 고용시장에서의 인 네트워크 활용의 효과성을 다각 인 측면에서 살

펴보았다 인 네트워크를 활용한 이직의 직장생활만족도 개선효과는 100 만 에 약 165 34)

에 달하는 것으로 확인되었으며 직무 합도 개선효과는 100 만 에 약 197 35)에 이르는 것으

로 나타났다 한 인 네트워크를 활용한 이직은 임 상승을 동반하는데 그 규모는 월평균 임

으로 4074만원(2010년 기 )인 것으로 확인되었다 반면 인 네트워크를 활용하지 않은 이직

에서도 직장생활만족도의 개선효과가 일부 포착되었으나 일자리 합도에 한 개선이나 임 상

승효과는 확인되지 않았다 즉 구인자와 구직자를 연결시켜주는 인 네트워크의 효율 인 정보

달 기능이 확인된 것이다 이를 통해 임 근로자 개인의 구직 네트워크의 가치 즉 lsquo네트워크 사

회 자본rsquo을 추정해 보면 구직 네트워크의 생애 가치는 18720만원으로 집계되었으며 여기에 주 만족도에 한 보상 측면까지 고려하면 만족도 1 의 가치를 만원으로 환산

할 때 략 (18720+7582)만원에 이르는 것으로 집계되었다

32) 실제로 일반 인 수 에서 n은 1보다 상당히 클 것으로 상된다 주어진 표본에서 주 만족도의 평균은 략

55 내외인 반면 임 수 의 평균은 략 200만원 내외이다 즉 두 수치의 Scale이 네 배 가량 차이가 난다 33) 26302만원을 차수 임 수 (20247만원)의 2010년도 기 가치인 2148만원으로 나 면 1224개월이 나온다 34) 직장만족도 개선효과 220 직무만족도 개선효과 158 일자리만족도 개선효과 117 의 산술평균값 용 시 35) 기술 합도 개선효과 213 교육 합도 개선효과 252 교육기술복합지수 개선효과 126 의 산술평균값 용

참 고 문 헌

고용노동부 985172고용노동백서985173 2010김동헌김상호 「직업탐색과 자발 이직」 2001 경제학 공동학술 회 발표문 2010 김성훈 「사회연결망과 공식경로를 통한 첫 취업의 개인 결과와 사회 결과」 985172한국사회학985173 제39집 제1호

2005 김성훈 「 문직의 취업경로 사회연결망과 공식경로를 심으로」 985172한국사회학985173 제40집 제5호 2006 김성훈 「취업자의 사회연결망 활용에 한 향요인 연구」 985172노동경제논집985173 제26권 제3호 2003김용학 985172사회연결망 이론985173 박 사 2003류석춘 외 985172한국의 사회자본 역사와 실985173 백산출 사 2008 송호근김우식이재열 985172한국사회의 연결망 연구985173 서울 학교 출 부 2004안재희 985172구직과 제도 사회자본985173 한국학술정보(주) 2008우천식 편 985172한국경제사회와 사회 자본985173 한국개발연구원 2007이 면나인강 「직장만족도와 이직행 에 한 패 분석」 985172제5차 한국노동패 학술 회 논문집985173 2004이 면나인강 「비정규직의 이직 이직사유 근속기간에 한 연구」 985172제6차 한국노동패 학술 회 논

문집985173 2005이상호 「노동패 의 주 만족도 측정」 985172노동리뷰985173 통권 제17호 2006 pp77~86이병훈 「구직활동의 향요인에 한 탐색 연구」 985172노동경제논집985173 제25권 제1호 2002 pp1~21 통계청 985172경제활동인구조사985173 2010한국노동연구원 985172사업체패 조사985173 2007KDI 국제정책 학원 985172사회 자본 확충을 한 기본조사 정책연구985173 2007

Blau David and Philip Robins ldquoJob Search Outcomes for the Employed and Unemployedrdquo Journal of Political Economy 98(3) 1992 pp637~655

Bourdieu P ldquoThe Forms of Capitalrdquo in J G Richardson (ed) Handbook of Theory and Research for the Sociology of Education New York Greenwood 1986

Cochran William and Donald Rubin ldquoControlling Bias in Observational Studies A Reviewrdquo Sankhya 35 1973 pp417~446

Datcher Linda ldquoThe Impact of Informal Networks on Quit Behaviorrdquo Review of Economic Statistics 65(3) 1983 pp491~495

Dawid A ldquoConditional Independence in Statistical Theoryrdquo Journal of Royal Statistical Society B 41 1979 pp1~31

Dehejia R and S Wahba ldquoCausal Effects in Nonexperimental Studies Reevaluating the Evaluation of Training Programsrdquo Journal of the American Statistical Association 94 1999 pp1053~1062

Dehejia R and S Wahba ldquoPropensity Score-Matching Methods for Nonexperimental Causal Studiesrdquo The Review of Economics and Statistics 84 2002 pp151~161

Glaeser E D Laibson and B Sacerdote ldquoAn Economic Approach to Social Capitalrdquo The Economic Journal 112 2002

Gottschalk P and T Maloney ldquoInvoluntary Termination Unemployment and Job Matching A Test of Job Search Theoryrdquo Journal of Labor Economics 3 1985 pp109~123

Granovetter Mark S Getting A Job A Study of Contracts and Careers Chicago University of Chicago Press 1975

Heckman J H Ichimura J Smith and P Todd ldquoCharacterizing Selection Bias Using Experimental Datardquo Econometrica 66 1998 pp1017~1098

Heckman J H Ichimura and P Todd ldquoMatching as an Econometric Evaluation Estimator Evidence from Evaluating a Job Training Programrdquo Review of Economic Studies 64 1997 pp605~654

______ ldquoMatching as an Econometric Evaluation Estimatorrdquo Review of Economic Studies 65 1998 pp261~294Knack S and P Keefer ldquoDoes Capital Have and Economic Payoff A Cross Country Investigationrdquo Quarterly

Journal of Economics 62 1997 pp1251~1288 Lin Nan Social Capital A Theory of Social Structure and Action Cambridge Cambridge University Press 2001 Lin Nan Karen Cook and Ronald Burt (eds) Social Capital Theory and Research Aldine Transaction 2001 Marmaros David and Bruce Sacerdote ldquoPeer and Social Networks in Job Searchrdquo European Economic Review 46

2002 pp870~879Putnam Robert D Bowling Alone The Collapse and Revival of American Community New York Simon and

Schuster 2000Rosenbaum J S DeLuca S Miller and K Roy ldquoPathways into Work Short- and Long-Term Effects of Personal

and Institutional Tiesrdquo Sociology of Education 72(3) 1999 pp179~196Rosenbaum P and D Rubin ldquoThe Central Role of the Propensity Score on Observational Studies for Causal

Effectsrdquo Biometrika 70 1983 pp41~55Rubin D ldquoEstimating Causal Effects of Treatments in Randomized and Non-randomized Studiesrdquo Journal of

Educational Psychology 66 1974 pp688~701Simon Curtis and Warner John ldquoMatchmaker Matchmaker The Effect of Old-Boy Networks on Job Match

Quality Earnings and Tenurerdquo Journal of Labor Economics 10(3) 1992 pp306~330Todd Petra ldquoMatching Estimatorsrdquo unpublished manuscript 2006

성공한 구직방법

일자리 진입방식

합계공개

채용스카우트

소개나

추천

찾아가서기타

1 학교나 학원12 0 26 4 0 42

(395) (0) (301) (069) (0) (233)

2 교수나 교사2 0 8 0 0 10

(066) (0) (093) (0) (0) (055)

3 친구나 친지5 2 509 28 2 546

(164) (125) (5898) (48) (556) (303)

4 공공 안내소3 0 7 9 4 23

(099) (0) (081) (154) (1111) (128)

5 사설 안내소3 0 29 16 1 49

(099) (0) (336) (274) (278) (272)

6 매체 고53 1 21 209 13 297

(1743) (625) (243) (3585) (3611) (1648)

7 직 탐문2 0 13 85 0 100

(066) (0) (151) (1458) ((0) (555)

8 가족1 1 21 2 0 25

(033) (625) (243) (034) (0) (139)

9 인터넷205 3 22 179 9 418

(6743) (1875) (255) (307) (25) (232)

10 희망직장

지인

7 3 90 20 0 120(23) (1875) (1043) (343) (0) (666)

11 업무상

지인

6 4 102 18 0 130(197) (25) (1182) (309) (0) (721)

12 기타 5 2 15 13 7 42

(164) (125) (174) (223) (1944) (233)

합 계304 16 863 583 36 1802

(100) (100) (100) (100) (100) (100)

lt부표 1gt 경력직 취업자(1802명)의 일자리 진입방식별 구직방법의 분포

주 1 노동패 6차부터 10차까지의 신규 일자리 진입자 경력직 취업자를 상으로 함 2 ( ) 안은 각 일자리 진입방식에 한 성공한 구직방법의 백분율임

Block

번호

직장유지의

직무유지의

향성별 나이 나이

2 교육

혼인

여부

정규직

여부

첫(혹은

두 번째)

일자리

(로그)

격차 격차 격차 격차 격차 격차 격차 격차 격차 격차

1164 116 048 -102 -14913 -003 003 009 000 007

(455) (395) (011) (207) (19454) (044) (005) (004) (009) (013)

2-254 050 003 007 -1629 -022 -006 004 -002 001

(203) (191) (006) (123) 11232 (020) (004) (004) (006) (007)

3036 -076 002 -094 -7067 -001 000 -004 008 001

(131) (129) (004) (088) (7870) (012) (003) (003) (004) (004)

4-079 -117 -001 071 6428 000 -004 -002 001 -005

(128) (122) (004) (079) (6861) (010) (003) (003) (004) (003)

5026 144 -005 068 6211 -012 004 000 -006 -001

(142) (144) (004) (077) (6201) (010) (004) (003) (004) (004)

6061 152 -008 -043 -3655 006 002 002 -007 007

(151) (151) (004) (073) (5661) (010) (004) (004) (004) (004)

7010 -134 -002 043 2726 003 -002 001 003 001

(133) (131) (004) (058) (4296) (008) (004) (003) (003) (003)

8045 173 008 044 3233 007 000 -001 -001 -003

(146) (143) (004) (052) (3615) (007) (004) (003) (003) (003)

9128 -010 000 061 3033 -016 -003 006 -010 004

(259) (246) (006) (065) (3930) (012) (005) (006) 006 (006)

10500 114 013 -035 -1626 004 000 007 001 -003

(407) (394) (009) (081) (4454) (017) (007) (008) (009) (009)

lt부표 2-Agt Propensity Score 각 구간(Block)에 대한 Mean-Difference Statistical T-test 결과(I)

주 1 Untreated Group과 Treated Group의 각 항목에 한 Mean Difference를 테스트함 2 표시는 5 유의도 수 에서 테스트를 통과하지 못한 항목을 표시함3 ( ) 안은 표 오차임

lt부표 2-Bgt Propensity Score 각 구간(Block)에 대한 Mean-Difference Statistical T-test 결과(II)

Block

번호

(로그)2 종업원 규모 교육 합도 임 만족도근무

환경 만족도

일자리

만족도

서비스 매직

여부

농어업 종사

여부

정규직 times

교육

직장 times

직무유지의향

격차 격차 격차 격차 격차 격차 격차 격차 격차 격차

1052 054 202 656 -048 -101 002 001 003 25954

(147) (053) (379) (564) (480) (421) (005) (003) (047) (60638)

2-006 043 046 047 -303 -182 002 000 -004 -9827

(073) (027) (197) (247) (220) (188) (002) (001) (026) 25462

3006 011 -151 -030 255 013 -002 000 -011 -246

(041) (017) (158) (156) (142) (117) (002) (000) (018) (15776)

4-052 000 -075 -111 -046 -005 -004 000 -011 -10585

(034) (015) (155) (137) (133) (110) (002) (001) (016) (14203)

5-008 006 053 -047 -017 -036 003 000 -004 17636

(035) (017) (176) (152) (144) (123) (003) (001) (018) (16213)

6063 -005 273 049 211 040 -006 001 015 14659

(035) (017) (201) (150) (145) (124) (003) (001) (019) (16225)

7008 -018 -045 016 -031 005 005 000 010 -10640

(029) (014) (174) (127) (127) (108) (003) (001) (016) (13577)

8-022 -014 028 -028 -163 086 000 000 -001 6766

(028) (014) (189) (127) (131) (111) (003) (000) (017) (13784)

9037 -013 143 133 046 -070 001 -002 015 -1116

(047) (021) (371) (204) (227) (187) (006) (002) (029) (21779)

10-028 021 077 161 -247 -113 -013 002 019 13295

(074) (026) (612) (352) (366) (340) (009) (002) (038) (30459)

주 1 Untreated Group과 Treated Group의 각 항목에 한 Mean Difference를 테스트함 2 표시는 5 유의도 수 에서 테스트를 통과하지 못한 항목을 표시함3 ( ) 안은 표 오차임

Page 3: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal

핵심 인 분석 결과는 다음과 같다 우선 일자리 이동은 인 네트워크의 활용 여부를 떠나 그

자발 이직자의 효용(일자리에 한 주 만족도)을 평균 으로 증 시킨다는 을 확인하

다 한 네트워크를 주로 활용한 이직(네트워크형 이직)과 비네트워크를 주로 활용한 이직(비네

트워크형 이직)을 구분하여 보았을 때 lsquo네트워크형 이직rsquo이 일자리 매치에서의 교육 기술 수

합도를 하게 향상시킨다는 을 확인한 반면 lsquo비네트워크형 이직rsquo은 자발 이직자의 개인

효용 증 를 가져오더라도 교육 기술 수 합도를 하게 개선시키지는 못한다는 을 확

인하 다 구체 으로 살펴보면 직장만족도와 직무만족도를 비롯한 개인의 만족도 개선 측면에

서는 네트워크 이직과 비네트워크 이직 모두 각 만족도를 (100 만 에서) 2~3 가량 개선시키

는 것으로 확인된 반면 교육 기술 수 의 합도 개선 측면에서는 비네트워크 이직의 정

효과는 포착되지 않았고 네트워크 이직만이 교육수 의 합도와 기술수 의 합도를 각기 (100 만 에서) 213 과 252 만큼 개선시키는 것으로 확인되었다 즉 인 네트워크가 구인과 구

직 사이의 효과 인 정보 달 기능을 수행함으로써 국내 노동시장의 일자리 매치 합성을 개선

하는 데 히 기여하고 있음이 증명된 것이다 이러한 상은 네트워크형 이직이 이직자의 임 상승효과로 직결되는 반면 비네트워크형 이

직에서는 임 상승효과를 확인할 수 없었다는 에서 재확인된다 네트워크 이직을 통한 임 상

승효과는 월 4074만원(2010년 기 )에 이르는 것으로 확인된 반면 비네트워크 이직 반의 임

상승효과는 포착되지 않았다 결론 으로 본 연구는 근로자의 자발 이직이 일자리에 한 주

만족도를 높임으로써 근로자 개인의 효용을 개선할 수 있으며 네트워크형 이직 즉 네트워크

를 주로 활용하는 이직은 이직자와 노동시장 수요자 사이의 매치 합성을 향상시킴으로써 노동

시장의 효율성을 개선할 수 있음을 보여주고 있다 이러한 연구 결과는 인 네트워크를 활용한

구직활동이 한국사회 반에서 lsquo정실인사(Nepotism)rsquo라는 부정 인 기능을 주로 담당하기보다는

lsquo연결(Networking)rsquo을 통한 구인구직 간 정보 달이라는 정 역할을 뚜렷하게 감당하고 있음을

뒷받침한다

II 분석자료

본 연구의 분석자료는 노동패 의 5차(2002년도 조사)부터 10차(2007년도 조사)까지의 자료

개인자료와 직업력자료를 활용하여 구성하 다 분석에 활용한 최종샘 은 다음의 과정을 거쳐

완성되었다 우선 각 차수의 개인자료에 직업력자료의 정보를 추가한다 직업력자료는 각 개인의

재 일자리가 생애 몇 번째 일자리인가(Job Sequence)에 한 정보를 제공해 주고 있다 각 차수

의 개인자료에 포함된 개인식별번호(pid)를 활용하여 각 개인의 한 해 즉 한 차수 이 의 일자

리 정보를 매칭하 다 를 들어 6차 개인자료에 포함된 각 개인에 해 그 한 해 인 5차에서

의 일자리 정보를 첨부하 다 단 이 차수에 일자리가 없었던 이들은 이 차수의 일자리 정보

를 lsquo무직rsquo으로 표시하 다 이를 6-5차 자료라 명하자 이 게 형성된 6-5차 7-6차 8-7차 9-8차 10-9차 자료를 합쳐서 통합샘 (Pooled Dataset)을 구성하 다 여기에 직업력자료가 제공하는 자

발 비자발 퇴사를 비롯한 퇴직 련 정보를 첨부하 다 이 정보는 이 차수의 일자리를 그

만둔 경우 그 퇴직사유를 악하도록 돕는다 통합샘 의 구성도는 [그림 1]에 요약되어 있다

이 차수 임 일자리 소유자의

일자리 이동

이 차수 비임 일자리 소유자의

일자리 이동

이 차수 임 일자리

유지14343 7536

이 차수 비임 일자리

유지8258 8613

새로운 임 일자리

진입2046 1075

새로운 비임 일자리

진입255 266

비임 일자리 진입 603 317 임 일자리 진입 417 435

차수 일자리 없음 2041 1072 차수 일자리 없음 658 686

합계 19033 100 합계 9588 100

[그림 1] 통합샘플(Pooled Dataset)의 구성도

lt표 1gt 일자리 소유자들의 연간 일자리 이동 현황

자료 노동패 5차부터 10차

이 통합샘 을 활용하여 국내 노동시장에서의 개 인 일자리 이동 황을 악해 볼 수 있

다 lt표 1gt은 이 차수에서 임 일자리 소유자 던 이들과 비임 일자리(즉 자 업자고용주 혹

은 무 가족종사자) 소유자 던 이들의 차수에서의 일자리 내역을 정리하고 있다 이 차수

에서 임 일자리 소유자 던 이들의 경우 단 7536만이 이 차수의 일자리를 그 로 유지하고

있는 것으로 나타났다 네 명 한 명의 임 근로자가 한 해 사이에 일자리를 옮기거나 그만둔

것이다 국내 노동시장에서 일자리 이동이 범 하게 이루어지고 있음을 확인할 수 있다 상당수

인 1072가 한 해 뒤 같은 시기에 무직상태인 것으로 나타났고 비슷한 규모인 1075는 새로운

임 일자리로 이동한 것으로 나타났다 비임 근로자로 환한 경우도 317에 달한다 반면 이 차수에서 비임 일자리를 소유한 이들의 경우 부분인 8613가 당시 일자리를 차수에서

그 로 유지하고 있는 것으로 나타났으며 단 701만이 새로운 비임 일자리를 시작하거나 임

일자리로 진입한 것으로 악되었다 특히 차수와 이 차수 모두에서 임 일자리 소유자로

악된 이들은 총 16389명으로 이들 2046명이 일 년 사이에 일자리를 이동한 것으로 나타나 임 근로자들 내부의 일자리 환 유동성이 125에 달하는 것으로 나타났다

이어서 분석에 활용할 최종샘 을 구성하기 하여 주어진 통합샘 에서 차수의 일자리가

없는 개인은 제외시켰으며 비임 일자리 소유자인 자 업자 무 가족종사자도 제외시켰다 최종 으로 차수에서 임 일자리 소유자로 악된 이들은 6차부터 10차까지 총 21199명으로 확

인되었는데 이들 이 차수의 임 일자리를 그 로 유지하고 있는 근로자가 15004명이며 새로운 임 근로 일자리에 진입한 경우가 6196명으로 악되었다 이들의 각 차수별 구성은 다음과

같다

차수(조사연도) 임 근로자 수 백분율

6차(2003년) 4211 1986

7차(2004년) 4257 2008

8차(2005년) 4085 1927

9차(2006년) 4300 2028

10차(2007년) 4346 205

합계 21199 100

여기서 이 일자리에 한 상세한 정보를 악할 수 없거나 이 차수에서 무직이었던 4393명을 우선 제하고 이 차수에서 비임 일자리 소유자 던 417명도 제하 다 나머지 16389명은

이 차수와 차수 모두에서 임 근로자라고 답한 이들이다 (이는 lt표 1gt에서 이 차수의 임

일자리 소유자 차수에서도 임 일자리 소유자로 악된 16389명과 동일한 수치이다) 분석자료의 신뢰도를 높이기 하여 다음의 경우들을 최종샘 의 구성에서 제하 다 우선 지난 한

해 동안 2번 이상 일자리를 옮긴 근로자 55명과 재의 임 근로 일자리를 이 차수에서는 자

신의 주된 일자리가 아니었다고 답한 15명을 제하 다 그리고 일자리 일련번호(Job Sequence)가

락된 2명을 추가로 제하 다 이직의 순효과만을 악할 수 있도록 비자발 이직자라고 밝힌

417명을 제하 다 다음으로 나이가 70세 이상인 임 근로자 114명을 제하 다6) 마지막으로 이 차수의 임 정보가 락된 81명을 제하 다 이로써 15705명의 최종샘 이 확보되었으며 이

들의 각 차수별 구성은 아래와 같다 본 최종샘 은 이 차수와 차수 모두에서 임 근로자라

고 밝힌 이들 요 변수가 락되었거나 비자발 이직을 비롯한 특수한 경우들을 제외하고

나머지 임 근로자들의 집합이라 할 수 있다

6) 이들 부분(97)은 한 해 사이에 일자리 이동이 없었던 것으로 나타나 근로자의 이직 특성을 보편 으로 변하기

힘든 특이치(Outliers)로 처리하 다

차수별 최종샘 백분율

5~6차 2927 1864

6~7차 3110 1980

7~8차 3100 1974

8~9차 3186 2029

9~10차 3382 2153

합계 15705 100

III 분석 변수

본 에서는 각 분석 변수에 한 체계 설명을 제시하고자 한다 분석에 활용되는 변수들에

한 기 통계량은 lt표 2gt와 lt표 3gt에 요약되어 있다

1 개인 및 일자리 특성변수

개인에 한 기 변수로는 성별 나이 교육수 7) 혼인 여부를 포함하 다 이 차수 즉 지

난 조사시 에서의 일자리에 한 기본정보로서 정규직 여부 첫(혹은 두 번째) 일자리 여부 임수 (로그) 기업 규모를 포함하 다 lsquo첫(혹은 두 번째) 일자리 여부rsquo는 당시 일자리가 생애 첫 번

째 혹은 두 번째 일자리에 해당하는가를 표시한다 lsquo임 수 (로그)rsquo은 임 상승률8)을 감안하여

2008년도 기 으로 환산된 월평균 임 액에 로그를 취한 값이다 2008년 기 의 실질임 으로 환

산하자면 임 상승률이 아닌 물가상승률을 이용하여야 할 것이나 본 분석의 목 이 실질임 의

변화를 정확히 추정하는 데 있지 아니하고 체 통합샘 에서의 임 수 의 증가 여부에 있으므

로 2008년 기 임 수 으로 일원화(Equalizing)하는 차원에서 임 상승률을 신 활용하 다 단 일부 응답자들이 월평균임 이 아닌 연 을 기입한 것으로 단되어 8명의 이 차수 월평균

임 을 무응답 처리하고 17명의 차수 월평균임 역시 무응답 처리하 다9) lsquo종업원 규모(로그)rsquo는 근무하는 직장의 종업원 수에 로그를 취한 값이다 단 응답자가 정확한 종업원 수가 아닌

1부터 10까지 종업원 규모의 등 만을 밝힌 경우 해당 등 이 아우르는 범 의 간값을 차용하

다 를 들어 3등 (종업원 10 ~ 29명) 직장인 경우 종업원 수를 195명이라 표시하 다10)

7) lsquo교육수 rsquo에 한 등 은 다음의 순서 로 1부터 8을 부여하 다 무학 등학교 학교 고등학교 2년제 학 4년제 학 학원 석사 학원 박사

8) 임 상승률의 계산에는 노동부의 lsquo고용형태별 근로실태조사(구 임 구조기본통계조사)rsquo에 수록된 상용근로자 5인 이

상 사업체의 6월 기 월평균임 을 활용하 다 이로부터 추정한 연간 임 상승률은 다음과 같다 2002~03년(836) 2003~04년(675) 2004~05년(723) 2005~06년(615) 2006~07년(408) 2007~08년(565)

9) 2002년 기 으로 환산된 월평균임 에서 8명의 이 차수 임 이 차수 임 보다 500만원 이상 높게 나타났고 17명의 차수 임 역시 이 차수 임 보다 500만원 이상 높게 나타났다 한 해 사이에 월 여가 500만원(2008년 기 으로 7238만원) 이상 변동하는 경우는 드물므로 이들이 월 여 신 연 을 기입한 것으로 단된다

10) 각 등 을 체한 종업원 수는 다음과 같다 1등 (25명) 2등 (7명) 3등 (195명) 4등 (395명) 5등 (595명) 6등 (845명) 7등 (1995명) 8등 (3995명) 9등 (7455명) 마지막 종업원 1000명 이상을 표시하는 10등 의 경우

다음으로 lsquo일자리(혹은 일)를 계속 유지하길 희망하는가rsquo에 한 응답으로 lsquo직장유지의향rsquo과

lsquo직무유지의향rsquo을 포함하 다 노동패 은 5단 로 lsquo 그 지 않다(1)rsquo부터 lsquo아주 그 다(5)rsquo까지를 표기하는데 본 분석에서는 이를 백단 로 환하여 lsquo 그 지 않다rsquo를 0 lsquo아주 그 다rsquo를 100 으로 표하 다11) lsquo업무만족도rsquo는 다음 네 가지 질의에 한 5단 응답을 역시 백단 로

환한 후 산술평균한 값이다 업무에 만족하나 업무에 열정 인가 업무를 즐겁게 하나 업무에

보람을 느끼나 그리고 다음 일곱 가지 역에 한 만족도 조사를 추가하 다 임 에 한 만족

도 취업의 안정성에 한 만족도 근로환경에 한 만족도 의사소통 인간 계에 한 만족도 개인의 발 가능성에 한 만족도 인사고과의 공정성에 한 만족도 복지후생에 한 만족도 본 분석에서는 이들 만족도에 한 5단 응답을 100 만 으로 환하여 사용하 는데 lsquo매우

만족rsquo을 100 으로 lsquo만족rsquo을 75 lsquo보통rsquo을 50 으로 lsquo불만족rsquo을 25 lsquo매우 불만족rsquo을 0 으로

처리하 다 lt표 2gt에서 보듯이 임 만족도와 복지후생만족도가 일반 으로 50 을 크게 하회하

는 반면 업무 직업안정성 인간 계에 한 만족도는 일반 으로 50 을 크게 상회하는 것을 확

인할 수 있다이 차수 일자리를 직종별 업종별로 구분하여 더미변수로 처리하 다 직종별로는 문 리직

(노동패 분류 0 lsquo의회의원 고 임직원 리자rsquo 1 lsquo 문가rsquo) 사무기술직( 분류 2 lsquo기술공

문가rsquo 3 lsquo사무 종사자rsquo 소분류 950 lsquo군인rsquo) 서비스 매직( 분류 4 lsquo서비스 종사자rsquo 5 lsquo 매

종사자rsquo) 농어민( 분류 6 lsquo농업 어업숙련 종사자rsquo) 생산기능직( 분류 7 lsquo기능원rsquo 8 lsquo장치

기계조작 종사자rsquo 9 lsquo단순노무자rsquo)로 구분하 다 업종별로는 농어업 종사( 분류 A lsquo농업 임

업rsquo B lsquo어업rsquo) 공업 종사( 분류 C lsquo 업rsquo D lsquo제조업rsquo) 건설업 종사( 분류 F) 도소매 숙박업

종사( 분류 G lsquo도매 소매업rsquo H lsquo숙박 음식 업rsquo) 서비스 련업 종사( 분류 E lsquo 기 가스 수도사업rsquo 외 각종 서비스 련 업종)으로 구분하 다

종업원 수를 1500명이라 표하 다 11) 5단 수 를 백단 수 로 환하기 하여 다음의 산술식을 활용한다 = 25(-1)

변수명 측 수 평균값표

편차최솟값 최댓값

개인

특성변수

성별(여성 1) 15705 037 048 0 1

나이 15705 4005 1081 18 69

교육수 15703 451 135 1 8

혼인 여부

(미혼 1)15705 027 045 0 1

일자리

특성변수

(이 차수

기 )

정규직 여부

(정규직 1)15659 076 043 0 1

첫(혹은 두 번째) 일자리

여부

15705 048 050 0 1

임 수

(단 만원 로그)15694 514 059 147 729

종업원 규모

(단 명 로그)12912 400 231 0 1097

만족도

련 변수

(이 차수

기 )

직장유지의향 15658 6516 1871 0 100

직무유지의향 15645 6409 1922 0 100

업무 만족도 15653 5936 1644 0 100

임 만족도 15656 4394 1927 0 100

취업 안정성 만족도 15645 5540 1938 0 100

근무환경 만족도 15653 5446 1848 0 100

인간 계 만족도 15631 5712 1629 0 100

자기발 만족도 15649 5088 1839 0 100

인사공정 만족도 15460 4975 1602 0 100

복지후생 만족도 15552 4569 1958 0 100

직종더미

(이 차수

기 )

문 리직 여부 15702 013 033 0 1

사무기술직 여부 15702 033 047 0 1

서비스 매직 여부 15702 013 034 0 1

농어민 여부 15702 001 008 0 1

생산기능직 여부 15702 041 049 0 1

업종더미

(이 차수

기 )

농어업 종사 여부 15703 001 008 0 1

공업 종사 여부 15703 026 044 0 1

건설업 종사 여부 15703 011 031 0 1

도소매 숙박업 종사 여부 15703 016 037 0 1

서비스 련업 종사 여부 15703 046 050 0 1

lt표 2gt 개인 및 일자리 특성변수별 기초통계량

2 이직 및 성과지표 관련 변수

최종샘 15705명 지난 조사시 이후 일자리를 이동한 임 근로자는 체의 약 10에 해

당하는 1560명이다 각 샘 에 한 이직 여부를 더미변수로 처리하 다 이직의 성과를 측정하

기 하여 다음의 일곱 가지 평가지표를 마련하 다 개인의 주 만족도와 련된 종합 지

표 세 가지(직장만족도 직무만족도 일자리만족도) 일자리 배치의 효율성과 련된 종합 지표

세 가지(기술 합도 교육 합도 교육기술복합지수) 그리고 임 수 이들에 한 기 통계량은

lt표 2gt에 요약되어 있다직장만족도는 다음 5가지 평가지표(5단 )의 평균값을 100 단 로 환산한 것이다 다닐 만한

직장인가 들어온 게 기쁜가 친구에게 추천하고 싶은가 다른 이에게 자랑할 수 있는가 계속 다

니고 싶은가(즉 앞서의 lsquo직장유지의향rsquo) 직무만족도는 앞서 제시한 lsquo업무만족도rsquo 련 네 가지 지

표와 lsquo직무유지의향rsquo을 합친 다섯 가지 평가지표를 산술평균하여 100 단 로 환산한 것이다 일자리만족도는 lsquo일자리에 해 반 으로 얼마나 만족하는가rsquo라는 질의에 한 5단 응답을 100

단 로 환산한 것이다 이들 세 가지 만족도와 련된 지표들의 연간 변화를 ( 차수 만족도

- 차수 만족도)로 측정하여 만족도 변화지표를 추가로 생성하 다 기술 합도는 lsquo 재 하는 일의 수 은 나의 기술(기능)과 비교하여 어느 정도인가rsquo라는 질의에

한 답변으로부터 구성하 다 응답자는 lsquo매우 낮다rsquo lsquo낮은 편이다rsquo lsquo맞다rsquo lsquo높은 편이다rsquo lsquo매우

높다rsquo 응답하도록 되어 있다12) 략 80 안 의 응답자가 다섯 응답 lsquo맞다rsquo에 답하 다 여기서 lsquo높은 편이다rsquo와 lsquo매우 높다rsquo에 한 응답은 체 응답자의 1 내외이다 하는 일의 수 이

매우 높거나 높은 편이다라는 것은 하는 일이 도 이며 자기 능력을 충분히 발휘할 기회가 많

다는 것을 의미하므로 합도가 낮다고만 평할 수는 없다 따라서 100 단 로 환산할 때 lsquo매우

낮다rsquo에 0 lsquo낮은 편이다rsquo에 50 lsquo맞다rsquo와 그 이상의 답변에 100 을 부여하 다13) 교육 합도

는 lsquo 재 하는 일의 수 은 나의 교육수 과 비교하여 어느 정도인가rsquo라는 질문에 한 답변으로

부터 구성하 으며 같은 방식으로 lsquo매우 낮다rsquo에 0 lsquo낮은 편이다rsquo에 50 lsquo맞다rsquo와 그 이상의

답변에 100 을 부여하 다 여기서 교육수 은 서류상에 기재되므로 서류상에 기재가 어려운 기

술수 과는 취업과정에서 다르게 취 된다 특히 인 네트워크는 교육수 보다 기술수 의 정보

달에 보다 유용한 채 로 작동할 가능성이 높다 따라서 이직의 종합 인 배치효율성 개선효과

를 측정하기 해서는 두 지표를 아우를 수 있는 독립 인 지표가 필요하다 도입된 lsquo교육기술복

합지수rsquo는 기술 합도와 교육 합도의 산술평균으로서 일자리 배치효율성에 한 종합 평가지

표로 작성되었다 이들 세 가지 배치효율성 련 지표들의 연간 변화를 ( 차수 배치효율성 -

차수 배치효율성)으로 측정하여 배치효율성의 변화분을 추가로 추출하 다 마지막으로 월평균임 (단 만원)의 치를 2008년 기 으로 환산하여 lsquo 차수 임 수 rsquo

과 lsquo 차수 임 수 rsquo을 구성하 다 앞서 lsquo임 수 (로그)rsquo 변수의 생성에 활용한 임 상승률을

그 로 차용하 다 lsquo임 수 변화rsquo는 ( 차수 임 수 - 이 차수 임 수 )으로 측정하 다 표에서 보는 바와 같이 차수 임 수 은 평균 202만 4700원으로 차수 임 수 은 평균

205만 8900원으로 집계되었고 평균 임 수 의 연간 상승분은 3만 4400원으로 나타났다

12) 응답자별 분포 lsquo매우 낮다(122)rsquo lsquo낮은 편이다(1727)rsquo lsquo맞다(8039)rsquo lsquo높은 편이다(106)rsquo lsquo매우 높다(006)rsquo 13) lsquo높은 편이다rsquo와 lsquo매우 높다rsquo가 차지하는 비 이 매우 낮아 이들을 합도가 lsquo낮은 편이다rsquo와 lsquo매우 낮다rsquo로 취 하여

도 분석 결과에는 의미있는 차이가 나타나지 않는다

변수명 측 수 평균값 표 편차 최솟값 최댓값

이직 여부(이직 1) 15705 0099 030 0 1

차수 직장만족도 15636 5659 1698 0 100

차수 직장만족도 15585 5679 1698 0 100

직장만족도 변화 15531 019 1636 -90 80

차수 직무만족도 15653 6052 1599 0 100

차수 직무만족도 15600 6056 1615 0 100

직무만족도 변화 15563 003 1641 -75 85

차수 일자리만족도 15596 5390 1618 0 100

차수 일자리만족도 15562 5454 1646 0 100

일자리만족도 변화 15468 065 1722 -100 75

차수 기술 합도 15613 9014 2138 0 100

차수 기술 합도 15590 9058 2146 0 100

기술 합도 변화 15509 044 2387 -100 100

차수 교육 합도 15656 8969 2169 0 100

차수 교육 합도 15620 9008 2186 0 100

교육 합도 변화 15582 040 2413 -100 100

차수 교육기술복합지수 15612 8991 2106 0 100

차수 교육기술복합지수 15590 9034 2119 0 100

교육기술복합지수 변화 15508 043 2318 -100 100

차수 임 수 (단 만원) 15697 20247 12055 0 146975

차수 임 수 (단 만원) 15658 20589 12406 625 146975

임 수 변화(단 만원) 15650 344 5619 -71931 56572

lt표 3gt 이직 및 성과지표별 기초통계량

IV 일자리 이동의 영향요인

본 에서는 일자리 이동에 향을 미치는 주요 요인들에 해 평가해 보도록 한다 이직확률

추정을 하여 로짓회귀분석(Logistic Regression)을 수행하 으며 여덟 가지 회귀분석모형에 해

그 결과를 lt표 4gt에 요약하 다 각 모형은 이 차수와 차수 사이의 이직 여부를 종속변수로

한다 모형 1은 개인 특성변수들과 일자리 특성변수들을 설명변수로 하 으며 모형 2는 여기에

교육 합도를 추가하 다 모형 3은 여기에 일과 일자리에 한 만족도를 측정하는 여덟 개 변수

를 추가하 다 모형 4에는 직종더미를 모형 5에는 업종더미를 모형 6에는 연차더미를 차례로 추

가하 다 모형 7은 모형 6에서 종업원 규모를 제하고 추정한 결과이다 종업원 규모에 응답하지

않은 샘 수가 체 최종샘 의 178에 달하므로 설명변수에서 종업원 규모를 뺀 모형 7은 샘

수를 극 화한 추정 결과를 제시한다 모형 8은 모형 6의 설명변수 교육 합도를 기술 합도로

체한 추정 결과이다 교육 합도와 기술 합도의 상 계수가 0913에 달하므로 하나의 모형에

두 변수를 모두 포함시키기보다 별도의 모형을 만들어 상호비교하는 방법을 택한 것이다 이들 모

형들의 하단에 lsquo평균치 이직확률rsquo을 표기하 다 lsquo평균치 이직확률rsquo은 추정에 활용된 변수들의 평

균치에서 계산한 이직확률을 나타낸다 즉 샘 내의 표 임 근로자(Representative Paid Worker)의 이직 가능성을 변하는 수치이다 주어진 모형들이 추정한 lsquo평균치 이직확률rsquo은 략

8 안 (76~902)이다 각 추정계수 우편에는 한계효과를 함께 표시하 는데 이는 설명변수가

한 단 상승할 때(더미변수의 경우 0에서 1로 바뀔 때) lsquo평균치 이직확률rsquo의 변동분을 나타낸다 lsquo평균치 이직확률rsquo과 한계효과 모두 100을 곱하여 백분율로 표기하 다

분석 결과에 따르면 네 가지 개인의 특성변수(나이 성별 교육수 혼인 여부) 에서는 나이

와 성별만이 통계 으로 유의한 향요인으로 확인되었다 여성의 경우 남성에 비해 이직확률이

략 11p 가량 낮은 것으로 나타났다 연령이 높을수록 이직확률이 낮아지는데 나이가 한 살

증가할수록 략 04p 가량 이직확률이 하락하 다 일자리 련 특성변수 에서 정규직 여부 첫(혹은 두 번째) 일자리 여부 임 수 종업원 규

모 모두 통계 으로 유의한 향요인으로 악되었다 정규직일 경우 비정규직에 비해 이직확률

이 2p 가량 하락하 다 생애 첫 번째(혹은 두 번째) 일자리인 경우 44p 가량 이직확률이 하락

하 다 그러나 이것이 노동시장 진입 기에 이직확률이 더 낮다는 식으로 해석될 수는 없다 그보다는 이 에 이직경험이 많은 이들은(즉 재 일자리가 생애 세 번째 혹은 그 이상인 이들은) 그들의 직업 특성으로 인하여 이 에 이직경험이 은 이들에 비해 향후 일 년간 다시 이직

할 확률이 44p 가량 높다라고 해석해야 할 것이다14) 임 수 이 높을수록 이직확률이 떨어지

는 것으로 나타났다 임 이 10 상승할 때 이직확률은 045p만큼 하락한다 종업원 규모 역시

이직확률과 부의 계를 가지는 것으로 나타났다 종업원 규모가 10 가량 큰 기업에서 근무하면 이직확률은 007p 가량 하락한다 이는 종업원 규모가 큰 기업일수록 내부 노동시장을 활용한

직무재배치가 용이하기 때문인 것으로 악된다교육 합도 혹은 기술 합도가 높을수록 이직확률이 하락하는 것으로 나타났다 교육 혹은 기

술 합도가 10 상승할 때 025p 가량 하락한다 재 하는 일이 나의 교육(혹은 기술) 수 보

다 낮다고 답한 경우( 합도 50 ) 수 이 맞다고 답한 경우( 합도 100 )보다 125p만큼 이직

확률이 증가하는 것을 의미한다 따라서 노동자의 기술 혹은 교육 수 에 합한 직무와 그에 합

당한 우가 이직확률을 떨어뜨리는 데 효과 임을 알 수 있다일자리만족도와 련한 여덟 가지 변수 에서 임 에 한 만족도 직장 내 인간 계에 한

만족도 인사고과의 공정성에 한 만족도는 이직에 유의미한 향을 미치지 못하는 것으로 나타

났다 특히 이 임 에 한 만족도가 이직 여부에 결정 역할을 하지 않는다는 은 흥미로운

결론이다 반면 취업 안정성에 한 만족도와 근로환경 복지후생에 한 만족도 그리고 업무

에 한 만족도는 이직확률과 통계 으로 유의한 부(-)의 계가 있음이 확인되었다 취업 안정성

에 한 만족도 근로환경의 만족도 그리고 업무만족도의 경우 100 만 에 10 향상 시 04p 가량 이직확률을 떨어트리는 것으로 나타났으며 이는 이들 만족도에 한 응답이 불만족(25 )에

14) 를 들어 주어진 최종샘 에서 직장경력이 많은 40세 이상인 이들만을 고려할 때 첫 번째(혹은 두 번째) 일자리

보유자 2711명의 연간 이직률은 262인 데 반해 두 번 이상 이직경험이 있는 이들 4410명의 연간 이직률은

859로 이직률이 597p 높은 것을 확인할 수 있다

서 보통(50 )으로 개선된 경우 1p만큼 이직확률이 감소하는 것을 의미한다 개인만족도 련

변수 이직확률에 가장 향력이 큰 변수는 복지후생 변수로서 이에 한 만족도는 10 향상

시 이직확률을 055p 가량 떨어트리는 것으로 나타났다 복지후생만족도에 한 응답이 불만족

(25 )에서 보통(50 )으로 개선된다면 략 138p만큼의 이직률 하락을 기 할 수 있는 것이다이상의 분석 결과는 국내 임 근로자의 이직 결정에 있어서 비임 측면에서의 만족도가

요한 역할을 한다고 주장한 김동헌김상호(2001)의 연구와 맥을 같이 한다15) 여러 해외 연구 결

과도 비임 요소의 요성을 강조한 바 있다 를 들어 Gottschalk and Maloney(1985)는

Michigan PSID(Panel Study of Income Dynamics)를 이용하여 이직 후 새로운 직장이 더 만족스럽

다고 응답한 사람들 가운데 그 41는 실질임 의 삭감을 감내한 것으로 밝힌 바 있다흥미로운 은 개인의 발 가능성에 한 만족도가 이직확률과는 정(+)의 계를 보인다는

이다 개인의 인 자본을 높일 수 있는 일을 하고 있을 때 이러한 자기발 을 활용하여 보다 우

가 좋은 직장으로 이동하는 경향이 있음을 확인한 것이다 자기발 에 한 만족도 10 상승이

045p만큼의 이직확률 증가와 연 된 것으로 확인되었다 를 들어 자기발 만족도에 한 응

답이 보통(50 )인 사원보다 만족(75 )인 사원의 이직확률이 113p 가량 높은 것이다직종에 따른 이직확률의 차이에서는 문 리직 종사자나 서비스 매직 종사자가 생산기능직

종사자에 비해 략 3p만큼 이직확률이 높다는 것을 확인하 다 반면 농어민의 경우 생산기능

직 종사자에 비해 6p만큼 이직확률이 낮았다 업종에 따른 이직확률의 차이에서는 업종 간의 큰

차이를 발견하기 어려웠다 다만 농어업 련 기업에 종사할 경우 공업 련 기업에 종사하는

경우보다 이직확률이 상당히( 략 15p만큼) 높아짐을 확인할 수 있었다 다만 노동패 은 군부

지역을 제외하고 도시지역만을 상으로 한 조사이기 때문에 농어민 혹은 농어업 련 산업의 종

사자에 한 자료는 매우 미흡한 수 이다16) 따라서 농어민이나 농어업 종사자에 한 이상의

결론은 신뢰도가 다소 떨어짐을 유념할 필요가 있다

15) 김동헌김상호(2001)는 노동패 의 1차 자료만을 활용하여 동일한 분석을 수행한 바 있으며 이들의 결론은 8가지

만족도 변수 취업 안정성 복지후생 인사공정에 한 만족도가 이직성향과 부(負)의 계를 가진다는 것이었다 이들의 연구에 비해 본 연구의 표본의 수가 보다 방 하고 다양한 배경 변수(업종더미 직종더미 회사규모)와 개인

특성변수(첫 일자리 여부 교육 합도 등)를 통제하고 있으므로 본 연구의 결과가 보다 신뢰할 만한 결과를 제시하

고 있다고 단된다 16) 최종샘 에서 농어민이 차지하는 비 은 1 미만이고 샘 수로는 101명에 그친다 농어업 련 기업의 종사자가

차지하는 비 역시 1 미만에 종사자 수 111명에 그친다

다항로짓회귀분석 모형 1 모형 2 모형 3 모형 4

종속변수 이직 여부 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과

성별(여성 1) -01627(00665) -1313 -01272

(00672) -1030 -00669(00701) -0536 -01378

(00753) -1081

나이 -00512(00041) -0420 -00513

(00041) -0421 -00510(00042) -0412 -00507

(00042) -0404

교육수 00263(0029) 0216 00135

(00294) 0111 00350(00306) 0283 00264

(00342) 0210

혼인 여부(미혼 1) 00531(00746) 0440 00601

(00748) 0498 00563(00757) 0459 00643

(00762) 0518

정규직 여부(정규직 1) -03042(00713) -2688 -02777

(00718) -2438 -02213(00743) -1887 -01853

(00751) -1544

첫(혹은 두 번째) 일자리 여부

-05513(00647) -4453 -05462

(00649) -4412 -05313(00656) -4227 -05429

(00659) -4258

임 수(단 만원 로그)

-05933(00709) -4868 -05360

(00727) -4398 -05253(00769) -4242 -05393

(00782) -4294

종업원 규모(단 명 로그)

-01019(00145) -0836 -01010

(00145) -0829 -00838(00149) -0677 -00691

(00149) -0550

차수 교육 합도 -00045(00012) -0037 -00031

(00014) -0025 -00030(00014) -0024

차수 기술 합도

업무만족도 -00031(00025) -0025 -00036

(00025) -0029

임 만족도 00025(00020) 0021 00029

(00020) 0023

취업 안정성 만족도 -00041(00021) -0033 -00044

(00021) -0035

근무환경만족도 -00049(00021) -0039 -00050

(00022) -0040

인간 계만족도 -00016(00024) -0013 -00015

(00024) -0012

자기발 만족도 00055(00023) 0045 00050

(00023) 0040

인사공정만족도 00006(00027) 0005 00011

(00027) 0009

복지후생만족도 -00069(00021) -0055 -00070

(00021) -0055

(기 생산기능직)

문 리직 여부 03710(01169) 3328

사무기술직 여부 -01145(00887) -0898

서비스 매직 여부 04280(00885) 3890

농어민 여부 -03201(04768) -2238

(기 공업 종사)농어업 종사 여부건설업 종사 여부도소매 숙박업 종사

여부서비스 련업 종사

여부연차 더미 No No No No

평균치 이직확률times100(각 변수의 평균치

기 )902 902 886 872

관측 수 12869   12829   12655   12652  

결정계수( ) 0070   0072   0076   0082  

lt표 4Agt 일자리 이동 영향요인 분석(I)

주 1 는 유의수 10 는 유의수 5 는 유의수 1를 의미함2 한계효과는 추정된 한계효과(marginal effects)를 백분율로 표시함3 더미변수의 한계효과는 변수값이 0에서 1로 변할 때 이직확률의 변화분을 나타냄(변수명의 표시가 더미변수)

다항로짓회귀분석 모형 5 모형 6 모형 7 모형 8

종속변수 이직 여부 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과

성별(여성 1) -01528(00759) -1194 -01482

(00760) -1154 -01872(00713) -1289 -01477

(00761) -1151

나이 -00505(00042) -0401 -00505

(00042) -0400 -00521(00040) -0366 -00504

(00042) -0399

교육수 00309(00345) 0245 00327

(00347) 0258 00113(00324) 0080 00346

(00345) 0274

혼인 여부(미혼 1) 00659(00764) 0529 00635

(00766) 0507 01045(00721) 0749 00684

(00767) 0548

정규직 여부(정규직 1) -02033(00770) -1696 -02075

(00776) -1727 -01213(00735) -0875 -02093

(00777) -1744

첫(혹은 두 번째) 일자리 여부

-05421(00660) -4240 -05445

(00661) -4241 -06294(00623) -4407 -05495

(00662) -4284

임 수(단 만원 로그)

-05309(00788) -4215 -05277

(00790) -4172 -06554(00702) -4602 -05288

(00791) -4186

종업원 규모(단 명 로그)

-00695(00151) -0552 -00690

(00152) -0546 -00685(00152) -0542

차수 교육 합도 -00028(00014) -0022 -00029

(00014) -0023 -00027(00013) -0019

차수 기술 합도 -00030(00014) -0024

업무만족도 -00038(00025) -0030 -00043

(00025) -0034 -00054(00023) -0038 -00045

(00025) -0036

임 만족도 00029(00020) 0023 00026

(00020) 0020 00027(00019) 0019 00026

(00020) 0020

취업 안정성 만족도 -00048(00021) -0038 -00045

(00021) -0035 -00051(00020) -0036 -00044

(00021) -0035

근무환경만족도 -00052(00022) -0041 -00054

(00022) -0042 -00053(00020) -0037 -00053

(00022) -0042

인간 계만족도 -00014(00024) -0011 -00015

(00024) -0012 -00014(00023) -0010 -00013

(00024) -0011

자기발 만족도 00054(00023) 0043 00057

(00023) 0045 00061(00022) 0043 00057

(00023) 0045

인사공정만족도 00010(00027) 0008 00011

(00027) 0009 -00006(00025) -0004 00014

(00027) 0011

복지후생만족도 -00069(00021) -0055 -00069

(00021) -0054 -00060(00020) -0042 -00068

(00021) -0053

(기 생산기능직)

문 리직 여부 03574(01203) 3183 03594

(01204) 3190 03478(01160) 2728 03514

(01204) 3114

사무기술직 여부 -01409(00916) -1098 -01365

(00917) -1060 -01322(00878) -0911 -01374

(00917) -1068

서비스 매직 여부 03146(01080) 2752 03136

(01081) 2732 02369(01012) 1793 03037

(01084) 2640

농어민 여부 -13598(06827) -6349 -13198

(06821) -6224 -12188(06557) -5262 -13254

(06828) -6246

(기 공업 종사)

농어업 종사 여부 12277(05423) 15765 12064

(05429) 15324 08109(05129) 7981 12026

(05431) 15270

건설업 종사 여부 -01858(01239) -1386 -01819

(01240) -1353 -01896(01146) -1251 -01797

(01240) -1339

도소매 숙박업 종사 여부

01413(01027) 1165 01417

(01028) 1163 02878(00976) 2200 01393

(01029) 1144

서비스 련업 종사 여부

00006(00808) 0005 00016

(00808) 0013 -00420(00778) -0295 -00024

(00809) -0019

연차 더미 No Yes Yes Yes평균치 이직확률times100

(각 변수의 평균치 기 ) 869 865 760 867

관측 수 12651   12651   15344   12614  

결정계수( ) 0083   0085   0091   0084  

lt표 4Bgt 일자리 이동 영향요인 분석(II)

주 1 는 유의수 10 는 유의수 5 는 유의수 1를 의미함 2 한계효과는 추정된 한계효과(marginal effects)를 백분율로 표시함 3 더미변수의 한계효과는 변수값이 0에서 1로 변할 때 이직확률의 변화분을 나타냄(변수명의 표시가 더미변수)

Group

Treated (=1) 측 가능 Counterfactual

Untreated (=0) Counterfactual 측 가능

V 분석 방법(Propensity Score Matching)

본 에서는 일자리 이동의 효과성 분석에 사용할 방법론으로서 Heckman Ichimura and Todd(1997)이 제안한 Propensity Score Difference- in-Differences(DID) Matching(PSM)에 해 설명

하고자 한다 이에 앞서 우선 이 방법론의 근간이 되는 Averge Treatment Effect for the Treated(ATT)(Rubin[1974])와 Propensity Score Matching(PSM)(Rosenbaum and Rubin[1983]) 일반에

해 소개하기로 한다

1 Average Treatment Effect for the Treated

결과에 향을 미치는 Treatment Variable로서 더미변수 를 가정하자 Treatment의 부여 여부

에 따라서 Treated Group(혹은 실험군)과 Untreated Group(혹은 조군)으로 구분할 수 있다 =1 (Treated Group)과 =0 (Untreated Group) 이때 잠재 결과치(Pontential Outcomes) 가 Treatement 여부에 따라 각기 ( )일 때 Average Treatment Effect(ATE)는 다음과 같다 그러나 이러한 통 인 계산방식은 Treatment가 무작

(Randomization)라는 가정하에서만 편 되지 않은 측치(Unbiased Estimates)를 제공할 수 있다 순수한 무작 실험이 아니라면 분석의 상이 데이터에서 Treatment 여부가 무작 인 경우는 드

물다 즉 특정한 요인들이 Treatment 참여 여부에 직간 인 향을 미치는 것이다 를 들어 특정약물의 효과를 알고 싶다고 하자 약물이 투여된 사람과 그 지 않은 사람의 건강상태를 악

하면 된다고 생각할 수 있다 그러나 약물이 투여되지 않은 사람은 개 건강한 사람들이기 때문

에 이들의 건강상태를 약물이 투여된 사람과 직 비교한다면 약물을 투여한 사람이 여 히 건강

상태가 나쁜 것으로만 나올 것이고 약물투여의 효과가 없다라고 결론짓게 될 것이다 비교 상은

건강한 사람이 아니라 약물이 투여된 집단만큼의 건강이 양호하지 않은 집단이어야 한다 이 게

건강하지 않는 사람과 비교할 때 약물 투여의 순수한 효과를 검증할 수 있다 이러한 무작 의 여

부로부터 발생하는 문제를 선택편의(Selection Bias)라고 한다데이터로부터 우리가 측할 수 있는 결과치는 Treated된 경우의 과 Untreated된 경우의

이다 선택편의의 문제가 발생할 때 Treatment의 효과를 제 로 알고자 한다면 우리가 비교해야

하는 상은 Treated 된 경우의 Treatment가 용되지 않았을 때의 결과 즉 ( |=1)이다 이러한

가상의 결과를 Counterfactual이라고 한다 (역시 Untreated된 경우의 Treatment가 용되었을 때 결

과 즉( |=0) 역시 Counterfactual이다) 다음의 표가 이를 간략히 정리하고 있다

선택편의(Selection Bias)의 문제하에서 Treatment의 효과를 측정하기 하여 체 집단에 한

Treatment Effect가 아닌 Treated Group에 한 Treatment Effect에 한정하여야 한다 이 게 한정된

집단 즉 Treated Group에 한 효과성 측정을 Average Treatment Effect for the Treated(ATT)라고 한

(1)

여기서 는 Counterfactual에 한 기 치이므로 자료로부터의 직 인 추정은 불

가능하다 Treatment Selection이 측 가능한 변수들의 특정한 집합 Z에 의존한다고 가정해 보자 Dawid(1979)의 표 법에 따르면 다음과 같은 계가 성립한다 ∐ 즉 Z를 통제하 을

때 Untreated Group의 값의 분포와 Treated Group이 만약 Treatment를 받지 아니하 을 때의

값의 분포(즉 Counterfactual의 분포)는 서로 동일하다는 것이다 이는 기 치에 한 다음과 같은

계를 내포한다

(2)

즉 counterfactual인 을 측치인 이 체할 수 있는 것이다 식

(2)의 계를 조건부 독립가정(Conditional Independence Assumption CIA)이라고 한다 Rubin(1974)은 조건부 독립가정(CIA)의 조건이 충족할 경우 ATT를 다음과 같이 측정할 수 있다고 제안한 바

있다

(3)

즉 직 으로 설명한다면 =1인 집단에 속한 특성 Z인 개체에 하여 동일 특성을 지닌 개

체를 =0인 그룹에서 찾아 그 둘의 Y값을 비교하면 되는 것이다 =1 집단 내의 모든 개체에

하여 동일한 계산을 한 뒤 이를 합산하면 ATT를 구하게 된다 그러나 이 방법 역시 일정 정도의 한계를 지닌다 만약 Z가 이산변수(Discrete Variable)가 아닌

연속변수(Continuous Variable)라면 =0 집단에서 동일한 Z를 가진 개체를 찾을 수 없으므로 이상

의 측정법을 용할 수 없다 한 특정 변수들이 집합인 Z에 포함된 변수들이 많은 경우 동일한

특성의 개체를 =0 집단으로부터 찾는 것이 어려울 수 있다 이러한 한계를 극복하고자 도입된 것

이 Propensity Score Matching 방식이다

2 Propensity Score Matching Estimator

Propensity Score(PS)를 Z 특성을 지닌 개체가 Treated될 확률로 정의하고 로 표시하도록

하자

Propensity Score equiv (4)

Rosenbaum and Rubin(1983)은 0ltP(Z)lt1이 모든 Z에 해 만족할 경우 다음의 계가 성립한다

는 것을 증명하 다

∐ rArr ∐ (5)

이 계식은 을 내포하므로 변수집합의 Z의 차원수

∐ rArr

(Dimensionability)가 클 경우에도 다음과 같이 다일변수 P(Z)를 활용하여 ATT를 구할 수 있다

(6)

샘 수의 유한성으로 인해 실제로 식의 두 번째 항을 추정하는 것은 간단치 않은 작업이

다 한 ATT의 추정은 Common Support 역 즉 Treated Group의 P(Z)의 분포와 Untreated Group의 P(Z)의 분포가 겹치는 Z의 역에 한정하여야 한다 Common Support를 벗어나는 역에 해

서는 비교가능한 Counterfactual를 찾기 힘들기 때문이다 이를 반 하여 주어진 샘 내에서 ATT를 추정할 수 있는 다양한 Propensity Score Matching(PSM) Estimator가 제안되었는데 이는 다음과

같이 요약될 수 있다(Todd[2006])

isincap

isin

(7)

여기서 는 Treated Group 구성원을 는 Untreated Group의 구성원을 나타낸다 는 Common Support 역 내의 개체들의 집합을 나타낸다 은 Treated Group의 구성원 Common Support 역에 속하는 개체들의 총수이다 는 가 치를 나타내는 것으로 두 Propensity Score의 거리

인 을 이용하여 결정된다 가 치 용방식에 따라 다양한 측정방식이 제시될 수

있다 이에 해서는 추후에 추가 으로 논의하도록 한다

3 Difference-in-Differences Matching Estimator

여기서 한 단계 발 된 방식의 PSM이 Heckman Ichimura and Todd (1997)에 의해 제시된

Difference-in-Differences(DID) Matching Estimator이다 앞서 ATT의 추정에서 측 가능한 특정 변수

들의 집합 Z가 주어졌을 때 결과치 가 Treatment에 독립 (즉 ∐ 이 성립)이라고 가정한

바 있다 그러나 Z에 포함되어야 할 많은 변수 측이 되지 않는 경우가 있을 수 있다 이러한

경우 계가 더 이상 성립하지 않아 앞서의 ATT 추정법은 정

당성을 상실한다 하지만 Longitudal Data가 주어진 경우 즉 Treatment 이 과 이후의 결과치( )가

주어진 경우 분석 상을 신에 lsquo의 변화분rsquo으로 변경함으로써 이러한 문제를 상당 부분 해

소할 수 있다 Treatment 이 과 이후 두 개의 시간 를 와 prime이라 한다면 분석 상을 이

아닌 prime prime 으로 둘 수 있는 것이다 이때 ATT를 추정하기 해서는

prime ∐ 의 가정이면 충분하게 된다 이는 앞서보다 훨씬 완화된 가정이므로 충족하기

가 보다 용이해진다 특히 측되지 않는 시간 불변(time-invariant)의 일부 변수가 Treatment Selection에 연 된 경우에도 이 변수가 와 prime에는 직 인 향을 미치더라도 prime 에 미치는 향이 없다면(즉 독립 이라면) 문제가 되지 않는 것이다17) 따라서 Longitudal Data가

17) 이 외에도 주어진 수치들이 데이터가 수집된 지역에 따라 Level이 다를 경우 Difference 변수를 활용함으로써 이러

한 Level 차이에서 기인한 편의(bias)를 해소할 수 있다

주어진 경우에 DID Matching Estimator는 매우 효과 인 도구로 활용될 수 있다 이때 DID Matching Estimator는 다음과 같은 방식으로 요약될 수 있을 것이다

isincap

prime prime prime

isin prime

(8)

본 연구에서는 앞서 소개한 DID Matching Estimator를 이용함으로써 시간불변(time-invariant)의

측되지 아니하는 변수들을 사 에 통제하고 보다 신뢰할 만한 분석 결과를 제시하고자 한다

4 Treatment Effect 측정방식

의 가 치를 결정하는 를 어떻게 설정하느냐에 따라 다양한 PSM Estimator가 존재한다 본 연구의 분석에서는 가장 활발히 이용되는 측정방식들로서 Nearest Neighbor Matching Radius Matching Kernel Matching 이 세 가지를 활용하기로 한다18)

가 Nearest Neighbor Matching

이 방식은 조군인 Untreated Group에 속한 개체 에서 Propensity Score가 실험군(Treated Group) 개체의 Score와 가장 근 한 개체를 선택하는 방식이다 즉 를 최소화시키

는 에 해서는 이고 나머지 에 해서는 이 성립한다 [그림 2]가 이

를 잘 형상화하고 있다 이때 Score가 근 한 개체를 하나가 아닌 복수로 선정함으로써 하나를

선정할 때보다 더욱 안정된 추정치를 얻을 수 있다 다만 매칭되는 개체 수가 무 많을 경우

가 크게 되어 편의(bias)가 증가할 수 있으므로 신 할 필요가 있다 개의 근

한 개체를 선택하는 경우 이들 개체 에 해서는 이 성립하고 나머지 에

해서는 이 성립한다 Nearest Neighbor Matching의 경우 가장 근 한 개체를 선택하 으나 가 무

커서 Counterfactual로서 부 합한 매칭이 이루어질 가능성이 있다 이를 보완하기 하여 Cochran and Rubin(1973)은 한 Caliper를 선정하여 매칭에 있어서 를 일정 한도로 제

한할 것을 제안한 바 있다 본 분석에서는 을 5개로 선정함으로써 편의(bias)를 이면서도 안정

된 추정치를 얻고자 하 으며 Caliper는 히 작은 0005로 설정하여 부 합한 매칭을 최소화하

고자 하 다19)

18) 이 외에도 주로 활용되는 측정방식으로 Stratification Matching Mahalanobis Matching 등이 있으나 이들을 활용한 결

과가 본 연구의 분석 결과와 크게 다르지 않다 Dehejia and Wahba(2002)는 Treated Group과 Untreated Group 간의

Propensity Score 분포가 상당 부분 서로 겹친다면 측정방식에 따른 분석 결과의 차이가 크지 않다는 을 강조한

바 있다 이는 실험군 한 개체에 해 매칭 가능한 충분한 수의 조군 개체들이 존재하기 때문이다 즉 측정방식의

차이에 따라 매칭이 되는 조군들의 특성이 크게 달라지지 않는 것이다 본 연구에서 추정한 Propensity Score 분포

는 Treated Group Untreated Group 두 집단 사이에 겹치는 부분이 매우 크다 이는 [그림 4]를 통해 쉽게 확인된다 19) 여기서 Caliper 설정은 실험군 개체와 매칭되는 조군 개체 사이의 PS 거리 즉 를 한 수 으로

제한하고자 함이다 부분의 실험군 개체의 경우 Caliper가 설정한 Boundary에 크게 제한을 받지 않으므로 히

작은 Caliper의 설정이면 편의(Bias)를 개선하기에 충분하다 본 분석에서 설정한 0005 이외에 0002이나 001을 사용

하여 보았으나 역시 결과의 차이가 크지 않음을 확인하 다

[그림 2] Nearest Neighbor Matching(n=1인 경우)

나 Radius Matching

이 방식은 일정 반경을 Caliper로 설정하고 Untreated Group에서 가 Caliper 이내인 모든 개체 를 Treated Group의 개체 에 매칭하는 방법이다(그림 3 참조) 개체 에 하여

Untreated Group으로부터 매칭된 개체의 수가 라면 이들에 해서는 이 성립하고 매칭이 안된 나머지 개체들에 해서는 이 성립한다 이 추정방식은 앞서 Nearest Neighbor Matching에 비해 Propensity Score가 근 한 조군 내의 보다 많은 개체를 분석에 활용할

수 있다는 장 이 있다 보다 많은 조군 내 개체를 활용할수록 Treatment Effects 측정의 정확성

(Precision)은 상승하게 된다 매칭이 가능한 조군 개체의 수가 충분히 많다면 Caliper는 작을수록 좋다 Caliper가 클수록

부 합한 매칭에 따른 Treatment Effects의 편 (Bias)이 커질 수 있기 때문이다 본 분석에서는 샘

의 수가 충분히 크기 때문에 Caliper를 0002로 설정하여 매우 근 한 개체들에 해서만 매칭이

이루어지도록 설정하 다20)

20) 다음 에서는 주어진 샘 을 활용하여 Propensity Score를 추정하고 있다 이 결과에 따르면 PS (01 0102)인 구간

에서 조군 개체 수가 116개 (02 0202) 구간에서 조군 개체 수가 32개 (03 0302) 구간에서 조군 개체 수가

12개에 이르는 것을 확인할 수 있다(표 6과 그림 4를 참조 바람) 즉 0002의 Caliper를 사용할 때 한 개의 실험군

개체에 해 10개 내지 100개 이상의 조군 개체들이 매칭되는 경우가 흔히 존재하는 것이다 반면 Caliper를 이보

다 작게 설정한다면 (특히 PS가 큰 구간에서는) 실험군 개체들과 매칭되는 조군 개체가 존재하지 않을 수 있다 를 들어 PS (04 0402)인 구간에서 조군 개체 수는 단 1개 존재하나 PS (0401 0402)인 구간에서는 무하다

따라서 본 연구에서는 최소의 Caliper이면서도 매칭되는 조군 개체의 수가 충분할 수 으로서 Caliper 0002를 선

정하 다 반면 민감성 테스트(Sensitivity Check)에 따르면 Caliper 0001이나 0003에서도 연구 결과의 차이가 크지

않음을 확인하 다

[그림 3] Radius Matching

다 Kernel Matching

이 방식은 Treated Group 내의 각 개체에 한 매칭을 Untreated Group 내의 모든 개체를 상

으로 진행하는 방식으로 에 따라 가 치를 부여한다 가 작을수

록 가 치가 커진다 이때 사용되는 가 치는 다음과 같이 표시될 수 있다

isin

(9)

여기서 G는 선택된 Kernel function을 은 Bandwidth Parameter를 표시한다 이 방식은

Heckman Ichimura and Todd(1998)에 의해 도입되었는데 주어진 모든 개체를 추정에 활용하므로

정보의 손실을 최소화할 수 있다는 장 이 있다 한 앞서의 두 추정방식과는 달리 인 인

Caliper의 설정이 불필요하다는 장 도 있다 Kernel의 선택에는 Gaussian Function(Normal Distribution) Biweight Function Epanechnikov Function 등 다양한 방식이 가능하나 본 분석에는

Normal Distribution을 채택하 다 Bandwidth Parameter로는 001을 선택하여 가 근

한 이들에게 충분한 가 치가 주어지도록 하 다21)

VI Propensity Score의 추정

주어진 자료에서 Treatment는 이직에 해당한다 이직에 한 Propensity Score(PS)를 추정하기

해서는 이직에 향을 미치는 주요 변수의 집합 을 사용하여야 한다 이들 변수는 다음 조건

을 만족하여야 한다 prime ∐ 즉 이직에 향을 미치는 주요 변수들을 통제한 후에

는 이직을 하지 않은 이들의 결과치 에 한 변화분 prime 의 분포가 이직을 한

이들이 만약 이직을 하지 않았을 때 상되는 결과치 에 한 변화분 prime 의 분

21) Bandwidth Parameter가 0005 002인 경우도 확인해 보았으나 결과에는 큰 차이가 발견되지 않았다

추정함수 Logistic Regression(이직 = 1 비이직 = 0)Z 추정계수 표 오차

직장유지의향 -0002 0004 직무유지의향 -0015 0004 성별(여성 1) -0104 0071

나이 -0138 0023 나이2 0001 0000

교육수 0169 0050 혼인 여부(미혼 1) -0056 0082

정규직 여부(정규직 1) 0342 0248 첫(혹은 두 번째) 일자리 여부 -0599 0068

임 수 (단 만원 로그) 0076 0601 임 수 (단 만원 로그)2 -0052 0063 종업원 규모(단 명 로그) -0084 0015

차수 교육 합도 0000 0001 임 만족도 0003 0002

근무환경만족도 -0004 0002 일자리만족도 -0003 0003

서비스 매직 여부 0459 0077 농어업 종사 여부 0324 0378

정규직 여부 times 교육수 -0131 0056 직장유지의향 times 직무유지의향 0000 0000

상수항 3558 1584 측 수 12754

결정계수( ) 00873

Log Likelihood -401098

포와 동일해야 하는 것이다 따라서 Propensity Score의 추정에 활용할 변수들은 앞서 일자리 이동

의 향요인에 한 분석을 통해 선별할 수 있다 특히 주어진 노동패 의 자료에서는 ldquo 재의

직장을 계속 다니고 싶은가(직장유지의향)rdquo와 ldquo 재 맡고 있는 일을 계속하고 싶은가(직무유지의

향)rdquo라는 이직의사와 련된 매우 긴요한 변수들이 포함되어 있는데 이들을 주요 변수의 집합

에 포함시킴으로써 이상의 조건이 보다 용이하게 충족될 수 있음을 기 할 수 있다 Propensity Score의 추정에는 Logistic Regression을 활용하 다 추정에 활용된 주요 변수들의 집합 과 각

변수에 한 추정계수는 lt표 5gt에 요약되어 있다

lt표 5gt Propensity Score의 추정방정식

주 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

앞서 일자리 이동 향요인에 한 분석에서 일자리 이동의 요한 결정변수로 악된 변수

들이 부분 PS 추정방정식에 포함되었다 만족도와 련한 변수 업무만족도 취업 안정성 만

족도 자기발 만족도 복지후생만족도 이상 네 변수는 일자리 향요인으로 통계 으로 유의하

게 악되었으나 PS 방정식에 추가된 일자리만족도 직장유지의향 직무유지의향 등과의 통계

상 계가 매우 높아 PS 추정방정식에 따로 포함시키지 않았다22) 한 추정방정식에는 일부

Interaction Terms들과 Higher Order Terms들을 추가하여 앞서 설명한 변수집합(Z)의 기본요건을 맞

추고자 하 다 추가 변수들은 Balancing Property를 충족하기 하여 선정되었는데 이에 해서는

아래에서 추가 부연한다Rosenbaum and Rubin(1983)에 따르면 PS는 다음 조건을 만족한다

∐ rArr

즉 PS를 통제한 뒤에는 변수집합 Z와 Treatment 여부 D가 상호 독립 이라는 것이다 이는 PS가 동일한 개체들에 해 Z의 평균값을 구한다면 Treatment를 받은 집단과 그 지 않은 집단 사이

에 차이가 없어야 한다는 을 내포한다 이를 Balancing Property라 한다 이를 검증하기 한 방

법으로 P(Z)를 여러 구간(Blocks)으로 나 뒤 각 구간에 한 Mean Difference Statistical T-test를

시행할 수 있다 일부 구간에 해 T-test가 만족하지 않는 경우에는 구간을 더욱 세분하여 진행하

고 여 히 만족이 되지 않는 경우에는 문제가 되는 일부 변수들의 Interaction Terms들과 Higher Order Terms들을 PS 추정방정식에 추가하여 앞서의 과정을 되풀이한다(Dehejia and Wahba[1999]) 앞서 언 된 Interaction Terms과 Higher Order Terms들은 이상의 과정을 거쳐 추가된 항들이다

Balancing Property 검증을 하여 다양한 PS 추정방정식을 설정하여 반복 인 Test를 수행하

다 최종 으로 lt표 5gt의 추정방정식에서 도출한 PS를 기 으로 lt표 6gt과 같이 10개의 Block을

구분한 뒤 Mean- Difference Statistical T-test를 진행하 다 Block 설정은 PS의 Common Support 역인 [00149 06]에 하여 이루어졌다 각 Block들에 한 T-test의 결과는 lt부표 2gt에 수록되어

있다 추정방정식에 도입된 독립변수 항이 총 20개이고 Block의 수는 10개이므로 총 200개의

Mean-Difference T-test가 시행되었다 lt부표 2gt에서 확인할 수 있듯이 5 Significance Level에서

부분의 Block들이 T-test를 통과하 다 통과에 실패한 테스트는 단 두 개로 Block 1의 lsquo정규직

여부rsquo에 한 테스트와 Block 8의 lsquo성별rsquo에 한 테스트이다 따라서 Block Test의 통과율이 99에

이르러 앞서의 PS 추정방정식이 Balancing Property를 체로 만족하고 있다고 결론내릴 수 있다 이상의 과정을 거쳐 확정된 PS 추정방정식을 이용하여 각 개체별로 PS를 구할 수 있다 [그림

4]는 이 게 구해진 PS에 하여 각 집단별 분포도를 제시하고 있다 Treated Group의 경우 PS의

분포가 Untreated Group에 비해 상 으로 우측으로 치우쳐 있음을 쉽게 확인할 수 있다 그리고

PS 분포에서 Common Support 역이 [00149 06]에 이른다는 것을 확인할 수 있다 이는 PS가

06보다 큰 경우에는 Treatment에 참여한 실험군 개체에 해 그에 상응하는 Counterfactual을 조

군으로부터 찾을 수 없음을 의미한다 따라서 PS를 활용한 Treatment의 효과 측정은 이 Common Support 역에 들어오는 실험군 개체들에 한정하여 이루어질 수밖에 없다

22) 를 들어 일자리만족도와 이들 네 변수와의 상 계수(Correlation Coefficient)는 각각 업무만족도(06536) 취업 안정

성 만족도(06014) 자기발 만족도(06279) 복지후생만족도(05514)에 이른다 이들을 포함시키더라도 반 인 결과

에는 큰 차이가 없다

(10)

02

46

8

0 2 4 6 8 0 2 4 6 8

Untreated Group Treated Group

DensityRough Density Curve

Den

sity

Propensity Score Distribu tion for Each Group

lt표 6gt Balancing Property 검증을 위한 Block 구분

Block 번호 Propensity Score 범 D=0 D=1 합계

1 00149 ~ 0025 655 10 665

2 0025 ~ 005 2128 59 2187

3 005 ~ 0075 2146 152 2298

4 0075 ~ 001 1744 200 1944

5 01 ~ 0125 1300 171 1471

6 0125 ~ 015 949 162 1111

7 015 ~ 02 1138 238 1376

8 02 ~ 03 845 242 1087

9 03 ~ 04 230 95 325

10 04 ~ 06 57 56 113

합계 11192 1385 12577

[그림 4] 각 집단별 Propensity Score 분포도

주 Common Support 역인 [00149 06]에 포함된 개체 수는 Untreated Group의 경우 11192명 Treated Group의 경우에

는 1385명임

VII 분석 결과

이제 구해진 PS를 활용하여 이직의 효과와 이직에 있어서 인 네트워크 활용의 효과성을 분

석할 비를 마련하 다 본 분석에서는 앞서 제3 에서 소개한 7가지의 성과지표에 하여 분석

을 진행할 것이다 우선 PS가 추정된 12754개체에 하여 PS를 고려하지 않은 단순비교를 진행해

성과지표의

연간 변화비교 상

이직자

평균

비이직자 평균

격차

(표 오차)

직장만족도 변화이직자 수 1379 3724 -0334 4058

비이직자 수 11274 (0466)

직무만족도 변화이직자 수 1386 2962 -0428 3389

비이직자 수 11285 (0466)

일자리만족도 변화이직자 수 1384 2944 0282 2662

비이직자 수 11261 (0489)

기술 합도 변화이직자 수 1383 2350 -0058 2408

비이직자 수 11245 (0684)

교육 합도 변화이직자 수 1389 2556 -0142 2697

비이직자 수 11300 (0689)

교육기술복합지수

변화

이직자 수 1383 2422 -0091 2513

비이직자 수 11245 (0664)

임 수 변화이직자 수 1384 9088 2782 6307

비이직자 수 11340 (1614)

보자 lt표 7gt은 이직자 집단과 비이직자 집단의 성과지표 변화를 단순비교한 것이다 표에서 확인

할 수 있듯이 이직자의 경우 모든 지표들에 하여 성과지표의 뚜렷한 증가가 목격되었다 비이

직자의 경우에는 임 수 이 2782만원 증가한 것을 제외하고 에 띄는 성과지표의 개선이 나타

나지 않았다23) 성과지표 개선에서 집단 간의 차이가 존재하는지를 검증하기 하여

Mean-Difference Statistical T-test를 진행하고 그 결과를 표에 수록하 다 모든 지표에 하여 이직

자 집단이 비이직자 집단에 비해 높은 증가세를 보인 것이 통계 으로 유의하게 확인된다 를 들

어 이직자 집단의 월평균 임 수 은 9088만원 상승한 것으로 나타나 비이직자 집단에 비해

6307만원만큼 큰 폭의 임 향상을 보 다 하지만 우리는 이상의 결과를 이직의 효과라고 단정

지을 수 없다 왜냐하면 이직의 효과는 이직자 집단에 속한 개체들의 성과 변화와 이들의

Counterfactual 즉 이들이 이직을 하지 않고 직장을 유지하 을 때의 성과 변화를 직 비교해

야 제 로 악되기 때문이다 이후 제시한 Propensity Score Matching에 의한 이직효과 측정은 이

러한 Counterfactual의 탐색에 기반한 분석 결과이다

lt표 7gt 주요 성과지표의 연간 변화 단순비교

주 1 성과지표의 변화에 한 집단 간 차이를 확인하기 하여 Mean-Difference Statistical T-test를 수행함 2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

23) 주어진 임 수 은 연간 임 상승률을 감안한 수치이기 때문에 비이직자의 임 은 불변이거나 하락하여야 정상이

다 재 악되는 비이직자들의 임 증가는 선택편의(Selection Bias) 문제에 의해 발생한 것으로 보인다 주어진 최

종샘 은 차수와 차수 모두에서 임 근로자로 악된 이들로 구성된다 취업시장에 신규로 진입하는 이들에

비하여 근속연수가 1년 많은 셈이다 한 차수에 임 근로자인 이들 임 상승폭이 작은 이들이 그 지 않은

이들보다 근로시장을 이탈할 가능성이 높다 이로 인하여 차수에 이어 차수까지 근로시장에 남아 있는 이들

은 상 으로 높은 임 상승을 보이는 것으로 단된다( 한 분석에 활용한 임 상승률이 lsquo임 구조기본통계조사rsquo의 표본으로부터 추정된 것이므로 노동패 표본과의 근본 차이로 인해 이상의 문제가 도출하 을 가능성도 일

부 배제할 수 없다)

공개채용 스카우트 소개나 추천 직 찾아가서 기타

인 네트워크

활용 구직

21 10 730 68 2

(69) (625) (8459) (1166) (556)

인 네트워크

비활용 구직

278 4 118 502 27

(9145) (250) (1367) (861) (750)

알 수 없음5 2 15 13 7

(164) (125) (174) (223) (1944)

총 사례 수 (1802명

)

304 16 863 583 36

(100) (100) (100) (100) (100)

이직 성격 분류비네트워크

경로-

네트워크

경로

비네트워크

경로-

본격 인 분석에 앞서 인 네트워크와 련하여 이직의 성격을 규명할 필요가 있다 인 네

트워크를 이직경로로 활용한 경우와 그 지 않은 경우로 구분지어 보도록 하자 이를 해 노동패

6차에서 10차까지의 체 경력직 취업자들을 상으로 한 lt부표 1gt의 lsquo경력직 취업자들의 일

자리 진입방식별 구직방법의 분포rsquo를 참조하도록 하자 노동패 에서 제공하는 일자리 진입방식

은 lsquo공개채용rsquo lsquo스카우트rsquo lsquo소개나 추천rsquo lsquo직 찾아가서rsquo lsquo기타rsquo 이 게 다섯 가지로 구분된다 이 lsquo공개채용rsquo 형태의 일자리 진입에서는 lsquo인터넷rsquo이나 lsquo매체 고rsquo를 활용한 구직이 체 사례

의 8486에 이른다 lsquo직 찾아가서rsquo 형태의 일자리 진입 역시 lsquo인터넷rsquo이나 lsquo매체 고rsquo 그리고

lsquo직 탐문rsquo 방식의 구직이 사례의 8113에 이른다 반면 lsquo소개나 추천rsquo 형태의 일자리 진입에서

는 lsquo친구나 친지rsquo를 통하거나 lsquo취업희망 직장의 지인rsquo 혹은 lsquo업무상 알게 된 지인rsquo을 통하는 경우

가 체의 81235에 이른다 즉 각 일자리 진입방식 간에 매우 뚜렷한 구직형태의 차이를 보여

주고 있다 lt부표 1gt의 성공한 구직방법 2 3 8 10 11을 인 네트워크를 활용한 구직으로 1 4 5 6 7 9를 그 지 않은 구직으로 분류하고 각 일자리 진입방식에 한 인 네트워크 활용도를

추산해 보면 다음 lt표 8gt과 같이 요약된다

lt표 8gt 일자리 진입방식별 이직의 성격 분류

주 ( ) 안은 각 일자리 진입방식에 한 이직 성격의 비 을 백분율로 표시함 자료 lt부표 1gt를 재구성한 것임

lt표 8gt에 요약된 바와 같이 lsquo공개채용rsquo과 lsquo직 찾아가서rsquo 형태의 일자리 진입에서 인 네트

워크를 활용하지 않은 구직이 각기 9145와 861에 이른다 반면 lsquo소개나 추천rsquo에서는 인 네

트워크를 활용한 구직이 8459에 이른다 이를 바탕으로 본 분석에서는 lsquo공개채용rsquo과 lsquo직 찾아

가서rsquo를 lsquo비네트워크 경로 이직rsquo으로 lsquo소개나 추천rsquo을 lsquo네트워크 경로 이직rsquo으로 구분한다 이 분류

에 따르면 15705명의 최종샘 에서 이직자로 악된 1560명 1438명의 체 인 구직경로 구

분이 가능하다 이 999명이 네트워크 경로 이직자로 439명이 비네트워크 경로 이직자로 분류

된다 한 앞서 PS가 추정된 12754명 에는 1391명이 이직자인데 그 891명은 네트워크 경

로 이직자로 387명은 비네트워크 경로 이직자로 분류된다

1 이직을 통한 개인만족도의 변화

아래 세 개의 도표 lt표 9gt lt표 10gt lt표 11gt은 이직을 통하여 개인의 만족도가 개선되는지의

여부를 PSM을 통하여 검증한 것이다 각각의 만족도지수(직장만족도 직무만족도 일자리만족도)에 하여 세 가지 방식의 PSM 추정치(Five Nearest Neighbors Radius Matching Kernel Matching)를

제시하고 있다앞서 lt표 7gt의 단순비교에서는 이직자와 비이직자의 연간 만족도변화가 100 만 에서

4058 (직장만족도) 3389 (직무만족도) 2662 (일자리만족도)만큼 차이가 나는 것으로 집계

되었다 그러나 PSM 방식으로 재추정된 이직의 만족도 개선효과는 각각 약 250 (직장) 216(직무) 155 (일자리)으로 나타났다24) 종합하면 단순비교 방식(표 7)은 PSM 활용방식(표 9

표 10 표 11)에 비해 이직의 만족도 개선효과를 약 1~15 만큼 과 추정하고 있음을 확인할 수

있다 이러한 상이 나타난 이유는 실제 이직한 이들이 그 지 않은 이들에 비해 기존 직장에서

의 만족도가 상 으로 낮았다는 데 있다 를 들어 주어진 최종샘 에서 이직자들의 기존 직장

에서의 직장만족도는 평균 5071 을 보이는 반면 같은 시기 비이직자들의 평균 직장만족도는 이

보다 무려 7 가까이 높은 5724 으로 나타났다 따라서 단순비교 방식에서는 이직을 통한 만족

도 개선효과가 다소 과장되어 추산되기 마련이다 이들 이직한 이들이 만약 기존 직장에 그 로 남아 있었다면 (이들의 만족도가 상 으로 낮

은 수 이므로) 다른 이들에 비해 보다 높은 수 의 만족도 개선을 한 해 사이에 경험하 을 것이

다 실제로 체 비이직자들의 연간 만족도의 변화가 각기 -0334 (직장) -0428(직무) 0282 (일자리)에 그치는 데 반해 실험군(이직자 집단)의 Counterfactual 즉 PS를 사용하여 실험군 개체에 매

칭된 (비이직자 집단 내) 조군 개체들의 만족도 변화는 각기 113 (직장) 066 (직무) 133 (일자리)에 이르 다(각 표의 lsquo매칭된 조군 변화(B)rsquo 항목 참조) 실험군 Counterfactual에서의 만족도

개선폭이 여타 비이직자들의 연간 만족도 개선폭보다 략 1 이상 높게 나타나는 것이다 이상

의 선택편의(Selection Bias) 문제가 히 통제될 때 이직의 순효과가 바르게 추정될 수 있다 앞서 시한 PSM 방식으로 추정된 이직의 만족도 개선효과는 이러한 선택편의 문제를

Counterfactual Framework으로 극복한 추정 결과라 할 수 있다 그럼 네트워크 경로 이직과 비네트워크 경로 이직 사이에 뚜렷한 차이가 존재하는지 살펴보도

록 하자 표에서 확인할 수 있듯이 두 경우 모두 이직의 만족도 개선효과가 통계 으로 유의한 수

에서 명확히 확인된다 네트워크 경로의 이직에서는 만족도 개선의 효과가 각기 220 (직장) 158 (직무) 117 (일자리)으로 확인되었고 비네트워크 경로의 이직에서는 각기 263 (직장) 284 (직무) 207 (일자리)으로 확인되었다 흥미로운 부분은 비네트워크 경로의 이직에서 이직

을 통한 만족도 개선의 효과가 소폭 높게 나타난 이다 이는 비네트워크 이직 사례들이 상당수

의 lsquo공개채용rsquo 입사자를 포함하기 때문에 나타난 상으로 보인다 lsquo공개채용rsquo은 주로 종업원 300인 이상의 규모가 큰 기업에서 집 으로 활용되고 있다25) 이들 큰 기업에 lsquo공개채용rsquo으로 입사

한 이들은 그 직장에 비해 주 인 만족도가 크게 향상되었을 것이다 이러한 lsquo공개채용rsquo 사례들이 비네트워크 이직의 만족도 개선효과를 다소 증폭시키는 역할을 하 을 것으로 추정된다

반면 비네트워크 이직을 통한 만족도 개선이 네트워크 이직에 비해 다소 크다고 하여 이것이

24) 이는 분석에 사용된 세 가지 방식의 PSM 추정치들을 산술평균하여 정리한 수치들임 25) 이 부분에 한 구체 인 설명은 발간 정인 한국개발연구원 정책연구시리즈 lsquo인 네트워크(개인의 사회 자본)

의 노동시장 효과 분석rsquo을 참조하기 바란다 ( 자에게 요청시 수령가능함)

이직과정에서의 인 네트워크 요성은 인정되지 않는다는 식으로 해석될 수 없음을 유념하여야

한다 국내 이직과정에서의 인 네트워크 의존도는 해외 주요국에 비해 상당히 높은 수 이다 략 65 안 의 경력직 취업자들이 인 네트워크를 활용하여 구직에 성공하 다고 추정되고 있

다26) 만약 재 이직을 고려하고 있는 국내 한 근로자가 구직활동에서 인 네트워크 활용을 포기

한다면 이 근로자의 이직 성공 가능성은 매우 낮아질 것이다 즉 개인의 이직 성공률을 높이기

해서는 평소에 꾸 한 구직 네트워크 리가 요청된다 할 수 있다 특히 이직수요라는 것은 많은

경우 자신의 의도와는 다르게 외부 충격으로 인해 발생한다 회사의 경제 환경이 변화하기도

하지만 자신의 심사가 바 기도 하고 가족의 갖가지 필요에 의해 이직이 요구되기도 한다 즉 언제 발생할지 모르는 이직수요에 히 응하기 해서는 이직의 주요한 통로라 할 수 있는 인

네트워크에 한 상시 리가 요청되는 것이다 따라서 이직을 고려한 인 네트워크의 상시

리 이를 한 개인의 갖가지 비용 지출은 향후 발생 가능한 험에 처하기 하여 자동

차나 암 보험을 구매하는 것과 같이 기꺼이 지불해야 할 미래에 한 투자라 할 수 있다

26) 역시 한국개발연구원 정책연구시리즈 lsquo인 네트워크(개인의 사회 자본)의 노동시장 효과 분석rsquo을 참조하기 바

란다

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1371) 3662 1201 2460 403

조군(11274) (0610)

Radius Matching 실험군(1362) 3543 1009 2534 436

조군(11274) (0581)

Kernel Matching(Normal) 실험군(1372) 3659 1165 2494 434

조군(11274) (0564)

체 이직효과 평균 362 113 250

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 3309 1169 2140 293

조군(11274) (0730)

Radius Matching 실험군(879) 3231 0939 2292 331

조군(11274) (0693)

Kernel Matching(Normal) 실험군(881) 3309 1146 2162 315

조군(11274) (0686)

네트워크 이직효과 평균 328 108 220

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(380) 4224 1525 2699 224

조군(11274) (1206)

Radius Matching 실험군(373) 3981 1438 2543 217

조군(11274) (1171)

Kernel Matching(Normal) 실험군(381) 4213 1565 2647 230

조군(11274) (1149)

비네트워크 이직효과 평균 414 151 263

lt표 9gt 이직을 통한 직장만족도 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1377) 2850 0701 2149 363

조군(11285) (0592)

Radius Matching 실험군(1368) 2767 0626 2140 381

조군(11285) (0562)

Kernel Matching(Normal) 실험군(1378) 2852 0648 2204 398

조군(11285) (0554)

체 이직효과 평균 282 066 216

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(884) 2302 0808 1494 211

조군(11285) (0707)

Radius Matching 실험군(882) 2256 0658 1598 238

조군(11285) (0670)

Kernel Matching(Normal) 실험군(884) 2302 0654 1648 249

조군(11285) (0661)

네트워크 이직효과 평균 229 071 158

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 3648 0577 3072 269

조군(11285) (1142)

Radius Matching 실험군(374) 3463 0774 2688 245

조군(11285) (1098)

Kernel Matching(Normal) 실험군(382) 3652 0888 2764 257

조군(11285) (1077)

비네트워크 이직효과 평균 359 075 284

lt표 10gt 이직을 통한 직무만족도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1375) 2909 1571 1338 217

조군(11261) (0617)

Radius Matching 실험군(1366) 2818 1276 1543 262

조군(11261) (0588)

Kernel Matching(Normal) 실험군(1376) 2907 1147 1760 303

조군(11261) (0581)

체 이직효과 평균 288 133 155

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(882) 2523 1626 0897 121

조군(11261) (0742)

Radius Matching 실험군(880) 2472 1246 1225 173

조군(11261) (0707)

Kernel Matching(Normal) 실험군(882) 2523 1139 1383 198

조군(11261) (1697)

네트워크 이직효과 평균 251 134 117

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 3609 1499 2110 176

조군(11261) (1196)

Radius Matching 실험군(374) 3409 1530 1879 163

조군(11261) (1151)

Kernel Matching(Normal) 실험군(382) 3599 1365 2235 197

조군(11261) (1133)

비네트워크 이직효과 평균 354 146 207

lt표 11gt 이직을 통한 일자리만족도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이 를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

2 이직을 통한 배치효율성의 변화

다음은 이직의 다른 측면인 일자리 재배치의 문제에 해 살펴보고자 한다 이직은 각 개인

에 있어서는 직장생활의 변화라 할 수 있지만 기업의 입장에서는 노동인력의 교환에 해당한다 따라서 이직을 통한 노동인력의 재배치가 과연 사회 반의 경제 이익을 창출하고 있는지를 따

져 볼 필요가 있다 앞서 lt표 7gt에서 기술수 교육수 교육기술복합지수 이 세 가지 합도에 해 이직자

비이직자 집단 내의 연간 변화를 정리한 바 있다 여기서 비이직자의 경우 각 지수에서 연간 합

도가 소폭 하락한 것으로 나타났고 이직자의 경우 합도가 크게 상승한 것으로 나타났다 비이

직자는 기술수 의 합도에서 0058 이 교육수 의 합도에서 0142 이 그리고 교육기술수

의 복합지수에서는 0091 이 하락한 데 반해 이직자들은 각기 2350 (기술) 2556 (교육) 2422(복합지수)의 합도 상승이 발견되었다 비이직자들의 합도 하락은 기술이나 경제환경의 변

화와 한 련이 있다 경쟁력 있는 기술 이에 한 사회 수요가 시간에 따라 변화하므로 직장에서의 자신의 기술 혹은 교육수 은 (평균 으로 보아) 이 보다 합성이 다소 떨어지게

마련이다 반면 이직자들의 합도 상승이 과연 이직의 순효과인지에 해서는 여 히 의문의 여

지가 크다 이직을 결행한 이들은 이 직장에서의 직무 련 합도가 평균 으로 크게 떨어지는

이들이다 를 들어 최종샘 에서 이직을 하지 않은 이들의 한 해 기술 합도는 평균 9066인 데 반해 이직을 결행한 이들의 한 해 (이 직장에서의) 기술 합도는 평균 8547 에 머무

는 것으로 나타났다 이들은 애 에 워낙 합도가 떨어지기 때문에 굳이 이직을 택하지 않더라

도 직무재배치나 직장 내 부서이동 등을 통하여 1년 사이에 상당한 정도의 합도 개선을 이루었

을 것으로 상된다따라서 이직을 통한 배치효율성의 개선효과 즉 반 인 근로자의 직무 련 합도 상승효

과를 명확히 규명하기 해서는 이직한 이들이 이직을 하지 아니하 을 때에 상되는 합도의

개선을 우선 추정해 볼 필요가 있다 이것은 앞서 설명하 듯이 Counterfactual의 추정을 통해서만

이 가능하다 lt표 12gt lt표 13gt lt표 14gt는 PSM을 이용하여 비이직자들의 정보로부터 이직자들의

Counterfactual을 추정한 뒤 이를 보고하고 있다 세 방식(Five Nearest Neighbors Radius Matching Kernel Matching)의 추정치를 산술평균하면 기술 합도에서는 088 교육 합도에서는 057 교육

기술복합지수에서는 075 의 상승이 확인되었다(각 표의 lsquo매칭된 조군 변화(B)rsquo 항목을 참조) 이를 실험군 즉 실제 이직자들의 합도 상승(각 표의 lsquo실험군 변화(A)rsquo 항목)과 비교하면 순이직

효과는 각기 131 (기술) 183 (교육) 140 (복합지수)에 이르는 것으로 결론지을 수 있다 반

면 교육과 복합지수에서는 이들 순이직효과가 통계 으로 유의하게 나타났으나 기술수 의

합도에서는 이 효과가 통계 으로 뚜렷하지 않았다 10의 유의도에서 검증할 때 Kernel Matching을 제외한 나머지 두 개의 PSM 매칭에서 통계 유의성을 확보할 수 없었다 이에 이직

을 통한 교육수 의 합도 개선효과는 분명한 반면 기술수 의 합도 개선은 통계 으로 입증

되지 않는다고 결론지을 수 있다 교육기술복합지수의 경우 이 두 가지 효과가 첩되어 나타난

것으로 교육수 의 합도 개선이 워낙 뚜렷하기 때문에 통계 으로 유의한 지수상승이 나타난

것으로 단된다 이상과 같이 이직을 통해 교육수 합도의 개선이 보다 효과 으로 이루어지

는 것은 채용과정에서 후보자의 교육수 이 기술수 에 비해 객 인 자료를 이용하여 검증하

기가 보다 용이하기 때문인 것으로 보인다

그럼 이직을 통한 배치효율성 개선 측면에서 인 네트워크의 역할을 살펴보도록 하자 네트

워크 경로 이직과 비네트워크 경로 이직으로 나 어 이직효과를 각기 추정해 보면 둘 사이에 의

외의 뚜렷한 차이가 존재함을 확인할 수 있다 네트워크 경로의 이직인 경우 이직을 통한 합도

개선효과가 통계 으로 유의한 수 에서 매우 높게 나타난다 이직의 순효과는 각기 213 (기술) 252 (교육) 126 (복합지수)에 이른다 반면 비네트워크 경로의 이직인 경우 이 효과는 모두 사

라져 버린다 즉 이직효과는 기술 합도 교육 합도 교육기술복합지수 모두에서 양과 음을 반복

하고 통계 유의성도 확보되지 않는다 즉 비네트워크 경로를 통한 이직에서는 일자리 재

배치를 통한 사회 반의 경제 이득을 기 할 수 없는 것이다 앞서 교육 합도 개선에 있어 이

직의 반 인 효과가 통계 으로 강하게 나타났는데 이 효과의 부분은 비네트워크 경로 이직

보다는 네트워크 경로 이직으로부터 창출된 것임을 짐작할 수 있다 특히 기술 합도를 보면 이직자들의 합도 개선은 네트워크와 비네트워크 이직 사이에 뚜렷

한 차이를 보이는데 네트워크 이직자들의 합도 개선은 평균 292 인 데 반해 비네트워크 이직

자들의 합도 개선은 평균 048 에 그친다 인 네트워크를 활용하지 않고 이직을 하 을 경우 이직을 하 음에도 불구하고 기술 합도의 개선은 평균 으로 거의 기 되지 않는 것이다 이는

앞서 주 만족도의 개선효과와 비교하여 매우 상반된 결과에 해당한다 이직을 통한 주 만

족도의 개선에서는 네트워크와 비네트워크 이직 모두 그 효과가 분명하 으며 특히 비네트워크

이직자들의 주 만족도 개선폭은 3 내지 4 에 이르 다 이는 네트워크 이직자들의 만족

도 개선폭에 비해서도 1 가량 높은 수치 다 따라서 이직이 반 으로 개인의 주 만족도

를 개선하는 효과가 있으나 배치효율성의 개선 측면에서는 오직 인 네트워크에 의존한 이직만

이 재배치의 분명한 경제 효과를 평균 으로 창출한다고 결론지을 수 있다 이러한 네트워크와 비네트워크 사이의 뚜렷한 이직효과의 차이는 네트워크가 지닌 정보 달

기능에 기인한 것으로 단된다 인 네트워크는 구인자와 구직자 사이에 훌륭한 정보 달 기능

을 수행하고 있다 구직자에게는 어떠한 일자리가 구직자의 기술능력 혹은 교육수 에 비추어

합한지에 한 정보를 제공하고 구인자에게는 구인자가 필요로 하는 합한 기술의 소유자가

구인지에 한 정보를 제공하는 것이다 이는 평소에 구인자와 구직자 모두를 아우르는 간 매개

로서의 인 네트워크가 있었기에 가능한 것이다 반면 비네트워크에서는 이러한 효과를 기 하

기 힘들다 비네트워크 채용에서는 주어진 서류와 단시간의 인터뷰 혹은 직무능력 테스트만을 가

지고 합한 인력을 선발하여야 한다 lsquo공개채용rsquo의 경우 많은 지원자들의 경쟁을 거치므로 상으로 보다 합한 후보자를 선별할 수 있을 것이다 그러나 lsquo직 찾아가서rsquo 형태의 입사에서는

이러한 경쟁의 과정 역시 생략되므로 높은 합도를 지닌 후보의 채용은 더욱 기 하기 힘들다 정리하자면 인 네트워크는 국내 노동시장에서 일자리와 일자리 후보 사이의 활발한 정보 달

기능을 수행함으로써 노동시장의 효율 작동을 돕고 있는 것이다 끝으로 이러한 네트워크 이직의 배치효율성이 모든 이직 사례에 일 으로 용되는 것이

아님을 주지할 필요가 있다 인 네트워크가 구인과 구직 사이의 lsquo연결(Networking)rsquo 기능을 수행

할 때 이상의 정 인 효과를 기 할 수 있을 것이나 이 둘 사이의 lsquo연 rsquo로서 기능할 때는 오히

려 역효과를 래할 수 있다 즉 인 네트워크를 통하여 합하지 않은 지원자를 연 로 채용시

키는 경우 해당 일자리에 한 매치 합성은 네트워크 이직으로 인해 오히려 감퇴할 수 있다 우리는 이상의 분석을 통하여 국내 노동시장에서 네트워크 이직의 반 인 교육 기술 수

합도 개선효과를 확인한 바 있다 이는 국내 노동시장의 고용 로세스에서 lsquo연 rsquo의 부정 효과

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1374) 2220 1095 1124 121

조군(11245) (0929)

Radius Matching 실험군(1365) 2088 0735 1353 155

조군(11245) (0874)

Kernel Matching(Normal) 실험군(1375) 2255 0795 1460 168

조군(11245) (0869)

체 이직효과 평균 219 088 131

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 2951 0919 2032 181

조군(11245) (1125)

Radius Matching 실험군(879) 2844 0746 2098 198

조군(11245) (1057)

Kernel Matching(Normal) 실험군(881) 2951 0702 2250 214

조군(11245) (1049)

네트워크 이직효과 평균 292 079 213

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 0525 2297 -1772 -096

조군(11245) (1840)

Radius Matching 실험군(374) 0267 0868 -0600 -034

조군(11245) (1753)

Kernel Matching(Normal) 실험군(382) 0654 1297 -0642 -037

조군(11245) (1746)

비네트워크 이직효과 평균 048 149 -100

보다는 구인구직 간 lsquo연결rsquo이라는 네트워크의 정 효과가 보다 강하게 작동하고 있음을 시사

한다

lt표 12gt 이직을 통한 기술적합도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1380) 2428 0630 1797 193

조군(11300) (0931)

Radius Matching 실험군(1371) 2298 0496 1802 207

조군(11300) (0872)

Kernel Matching(Normal) 실험군(1381) 2462 0586 1876 216

조군(11300) (0869)

체 이직효과 평균 240 057 183

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(886) 3047 0342 2705 245

조군(11300) (1106)

Radius Matching 실험군(884) 2885 0528 2357 227

조군(11300) (1037)

Kernel Matching(Normal) 실험군(886) 3047 0551 2496 243

조군(11300) (1029)

네트워크 이직효과 평균 299 047 252

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(382) 1702 2007 -0305 -016

조군(11300) (1891)

Radius Matching 실험군(375) 1600 0559 1041 058

조군(11300) (1788)

Kernel Matching(Normal) 실험군(383) 1828 0910 0917 051

조군(11300) (1793)

비네트워크 이직효과 평균 171 116 055

lt표 13gt 이직을 통한 교육적합도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1374) 2293 0893 1399 155

조군(11245) (0904)

Radius Matching 실험군(1365) 2161 0641 1520 179

조군(11245) (0850)

Kernel Matching(Normal) 실험군(1375) 2327 0711 1616 191

조군(11245) (0847)

체 이직효과 평균 226 075 140

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 2951 0643 2308 212

조군(11245) (1087)

Radius Matching 실험군(879) 2816 0662 2154 211

조군(11245) (1021)

Kernel Matching(Normal) 실험군(881) 2951 0645 2306 228

조군(11245) (1014)

네트워크 이직효과 평균 291 065 226

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 1115 2233 -1118 -062

조군(11245) (1816)

Radius Matching 실험군(374) 0936 0749 0187 011

조군(11245) (1727)

Kernel Matching(Normal) 실험군(382) 1243 1131 0112 007

조군(11245) (1726)

비네트워크 이직효과 평균 110 137 -027

lt표 14gt 이직을 통한 교육기술복합지수의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

3 이직을 통한 임금수준의 변화

다음은 이직을 통한 임 수 의 변화가 실재하는지 검토하고자 한다 네트워크 이직과 비네트

워크 이직을 나 어 볼 때 앞서 우리는 네트워크 이직이 일자리 매치 합도를 히 개선한다

고 밝힌 바 있다 임 이 근로자의 생산성 기여분을 그 로 반 한다고 한다면 네트워크 이직에

따른 매치 합도의 개선은 근로자의 임 상승으로 이어져야 할 것이다 앞서 lt표 7gt의 단순비교에서 이직자들의 연간 임 상승분이 평균 9088만원 비이직자들의 연

간 임 상승분은 2782만원으로 집계된 바 있다 둘 사이의 격차가 6307만원에 이른다 한 해 사

이에 이직한 이들의 연간 임 상승폭이 직장을 그 로 유지한 이들의 연간 임 상승폭 보다

히 높은 수 인 것이다 하지만 이러한 단순비교는 선택편의(Selectoin Bias) 문제를 역시 고려하지

않고 있으므로 이직의 직 인 임 상승효과라 볼 수는 없다 즉 실제로 이직을 결행한 이들의

이직 임 수 은 같은 시기 직장을 그 로 유지한 이들에 비해 상 으로 낮은 수 일 가능

성이 높다 이들이 직장을 그 로 유지하 다면 다른 이들에 비해 히 높은 수 의 임

상승을 경험하 을 것이다 실제 이직한 이들이 만약 이직을 하지 않고 직장을 그 로 유지하

을 때 상되는 임 상승분 즉 이직자 임 상승분의 Counterfactual을 PSM 방식을 활용하여 추

정한 수치가 lt표 15gt의 lsquo 조군 변화(B)rsquo에 요약되어 있다 이에 따르면 실제 이직자들이 이직을

하지 않았을 때 기 할 수 있는 임 상승분은 략 5만원 정도에 이르는 것으로 나타난다 따라

서 이직에 따른 임 상승의 순효과는 앞서 제시한 6307만원이 아닌 이보다 상당히 축소된 386만원이다 이는 lt표 15gt에 정리된 바와 같이 PSM을 활용한 세 가지 추정치의 산술평균으로 추산

된 값이다 한 이러한 이직의 임 상승효과는 통계 으로도 유의한 것으로 확인되었다 반면 네트워크 경로 이직자와 비네트워크 경로 이직자의 임 상승분을 비교해 보면 둘 사이

에 상당한 격차가 존재함을 쉽게 확인할 수 있다 네트워크 이직자들의 이직을 통한 임 상승효과

는 통계 으로 유의한 수 에서 략 384만원으로 추정되는 반면 비네트워크 이직자들의 임

효과는 -077만원이고 이는 통계 으로도 유의하지 않다 즉 네트워크를 활용하여 이직하 을

때 뚜렷한 임 상승이 기 되는 반면 인 네트워크를 활용하지 않고 이직하 을 때는 이 효과

를 확신할 수 없을 뿐더러 다소 하락할 가능성도 있는 것이다 따라서 앞서 확인된 이직을 통한

반 인 임 상승의 효과는 네트워크 이직을 통해 창출된 효과이며 비네트워크 이직을 통한

기여는 뚜렷하지 않은 것으로 결론지을 수 있다이직은 새로운 일자리에 자신의 기술 직무 능력을 응시키는 과정이다 따라서 임 상승

효과가 이직 기에 항상 담보되지는 않을 것이다 반면 인 네트워크를 활용하 을 때 자신에

게 보다 합한 일자리에 배치됨으로써 즉 자신의 능력과 잠재력을 보다 잘 발휘할 수 있는 직무

에 재배치됨으로써 이상의 추가 인 임 상승을 기 할 수 있는 것이다 이는 앞서 이직을 통한

배치효율성 검증에서 확인되었던 네트워크 이직의 기술수 (혹은 교육수 ) 합도 상승효과와

일맥상통하는 결과이다 인 네트워크를 활용한 이직은 임 근로자를 보다 합한 일자리에 재

배치하는 데 일조하고 이것이 생산성에의 보다 높은 기여를 창출함으로써 이직자들의 추가 인

임 상승으로 이어지는 것이다물론 이러한 해석은 평균 인 추세를 반 한 것임에 유념할 필요가 있다 네트워크 이직의 사례

에는 앞서 말한 생산 인 lsquo연결rsquo 효과가 아닌 비생산 인 lsquo연 rsquo 효과 혹은 정실인사(Nepotism)가

작동한 경우들도 상당할 것이다 이 경우 생산성에의 기여가 충분하지 않음에도 불구하고 기술이

나 능력에 비해 임 을 후하게 설정할 가능성이 높다 이러한 lsquo연 rsquo형 이직을 통한 임 상승 역

시 네트워크 이직의 임 상승효과라 볼 수는 있겠으나 이것이 일자리 배치효율성의 개선을 반

한다고 볼 수는 없는 것이다 따라서 앞서 추정한 네트워크 이직의 임 상승효과 384만원이

으로 일자리 매치 합도 개선효과에서 기인한다고 단정 지을 순 없다 한 비네트워크 이직 역

시 평균 으로 임 상승의 효과가 포착되지 않은 것일 뿐 비네트워크 이직의 표본 에는 실제로

임 이 크게 상승한 사례들도 상당히 존재할 수 있다 를 들어 lsquo공개채용rsquo 방식의 입사인 경우 경합자들에 비해 채용 합격자의 해당 일자리 합성이 보다 우수하다고 단되어 채용된 사례가

많을 것이다 이 게 경쟁을 거쳐 채용된 이들은 이 에 비해 상당히 높은 수 의 임 상승을 기

할 수 있다 반면 비네트워크 이직에서 반 인 임 상승의 효과가 포착되지 않는 것은 비네트워크 이직

이 격한 주 만족도의 개선을 이끌었던 것과 비교하여 매우 조 인 상이다 많은 이들의

상식과는 달리 이직의 결정은 임 만족도 수 과 직결되어 있지 않다 앞서 제4 에서 우리는 이

직의 향요인들을 분석해 본 바 있다 이직의 결정이 업무만족도 복지후생만족도 취업 안정성에

한 만족도 등 다양한 요소에 민감하게 반응하는 반면 임 에 한 만족도와는 통계 으로 유의

한 수 에서의 연 성이 포착되지 않았다 개인의 이직 결정은 임 이외에 다양한 요소들을 종합

으로 고려한 단 결과라 할 수 있다 체로 이직은 다양한 방면에서 개인의 주 만족도를

격하게 향상시킨다 반면 자신의 기술(교육)수 과 일자리의 매치 합성의 문제는 이직자들에

게는 부차 인 고려 상에 해당한다 임 수 의 개선 역시 이직 시 고려되는 한 요소이겠으나 인 요소는 아니고 다양한 향요인 의 하나로 볼 수 있는 것이다 이러한 에서 비네트워

크 이직이 다소 상반된 효과(즉 주 만족도의 한 개선효과와 미미한 수 의 임 개선효

과)를 동시에 보여주고 있는 것은 일견 자연스러운 상이다

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1375) 8887 5274 3613 184

조군(11340) (1962)

Radius Matching 실험군(1366) 8842 4813 4029 208

조군(11340) (1936)

Kernel Matching(Normal) 실험군(1376) 8861 4916 3945 206

조군(11340) (1880)

체 이직효과 평균 886 500 386

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(882) 8943 5519 3423 150

조군(11340) (2285)

Radius Matching 실험군(880) 8827 4855 3972 178

조군(11340) (2231)

Kernel Matching(Normal) 실험군(882) 8943 4819 4124 186

조군(11340) (2217)

네트워크 이직효과 평균 890 506 384

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 4772 5672 -0900 -024

조군(11340) (3685)

Radius Matching 실험군(374) 4805 5201 -0396 -011

조군(11340) (3661)

Kernel Matching(Normal) 실험군(382) 4691 5716 -1025 -028

조군(11340) (3601)

비네트워크 이직효과 평균 476 553 -077

lt표 15gt 이직을 통한 임금수준의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

VIII 구직 네트워크의 사회적 자본 추정

근로자 개인의 측면에서 구직 네트워크의 가치를 추정해 보자 앞서 네트워크 이직을 통한 임

상승효과를 3840만원으로 추정하 다 이는 2008년 기 액이다 연간 물가상승률을 감안하

면27) 2010년 재가로 4074만원에 해당한다 평소에 구직 네트워크를 히 리하여 이직에서

이를 활용한다면 한 번의 이직으로 4만원 안 의 추가 인 임 상승을 기 할 수 있는 것이다 연으로는 489만원 가량의 임 이 이직 이후 매년 추가 으로 지 되는 것으로 해석될 수 있다28)

한편 이직이라는 것은 근로자의 생애를 걸쳐 발생하는 사건이다 임 근로자를 심으로 한

재의 최종샘 에서 연간 일자리 이동비율은 평균 993에 이른다 직종 업종에 따라 혹은 재

직 회사의 규모에 따라 이직률에는 상당한 차이가 있겠으나 체 임 근로자를 상으로 하 을

때 략 10년에 한 번 정도의 이직이 상되는 것이다 임 근로자의 생애를 걸쳐 살펴보면

이직은 주로 직장생활 후기보다는 기에 집 되어 있다 [그림 5]는 최종샘 15705명 임 근로

자를 상으로 한 각 연령별 이직률 추이를 나타낸다 생애 이직률은 20 후반에 가장 높고 30 반에 주춤하다가 30 후반에 다시 상승하고 40 이후에 하강하는 추세임을 확인할 수

있다

[그림 5] 연령별 이직률(26세부터 59세까지)

(단 )

0

2

4

6

8

10

12

14

16

18

26 28 30 32 34 36 38 40 42 44 46 48 50 52 54 56 58

연령(만)

자료 노동패 5차부터 10차까지

이를 활용하면 임 근로자 한 사람이 평생에 걸쳐 기 할 수 있는 이직의 임 상승효과를 추

정해 볼 수 있다 첫 취업의 평균연령이 265세임을 고려하여 표 인 임 근로자(A Representative Worker)가 26세부터 60세까지 노동시장에 참여한다고 가정해 보자 인 네트워크

27) 여기에 연평균 물가상승률 3를 용하 다 실제 임 상승률도 2009년의 임 이 융 기 여 로 거의 동결이었

음을 고려할 때 2년간 략 6에 해당한다 28) 여기서는 네트워크 이직의 임 리미엄(연 489만원 상승)이 이직 후 매년 지속된다고 가정하고 있다 실제로

리미엄이 상당 기간 지속되는지 아니면 이직 후 빠르게 축소되는지에 한 국내 실증분석은 향후 과제로 남겨져

있다

를 활용한 이직만이 평균 인 임 상승효과를 가져온다는 을 고려할 때 구직 네트워크의 생애

가치()는 다음과 같이 요약된다29)

times timestimestimes (11)

여기서 는 연령 에서의 상 이직률(Job Transfer Rate)을 나타낸다 은 이직 시 인 네

트워크에 한 의존도 수 이다 는 네트워크 이직에 따른 월평균 임 상승의 효과이다 여기

에 [그림 5]에 요약된 이직률의 생애 추이를 에 입하자 여기서 경력직 이직자의 인 네트

워크 의존도가 60 반(plusmn5 이내)으로 추산된 을 고려하여 에 64를 입하도록 하자30) 그리고 에 앞서 추정한 네트워크 이직의 임 상승효과 4074만원(2010년 기 )을 입하면 구직 네트워크의 생애 가치()는 18720만원으로 집계된다 만약 에 이직률의 생애 추

이 신 최종샘 에서 구한 평균이직률 993를 연령 에 걸쳐 일률 으로 사용한다면 이와

유사한 수치인 18486만원을 얻을 수 있다 따라서 한국사회 임 근로자 한 사람의 구직 네트워크

가치는 보상 측면에서 략 일천 1870만원 수 인 것으로 결론지을 수 있다 물론 이 수치는 이직을 통한 이득만을 반 하고 있을 뿐 주 만족도의 개선효과는

반 하고 있지 않다 앞서 우리는 일자리 이동을 통해 창출되는 개인의 만족도 변화를 직장만족

도 직무만족도 일자리만족도 이 세 가지 측면에서 고려해 보았다 네트워크 이직과 비네트워크

이직 모두 만족도의 개선효과를 보 다 그러나 국내 노동시장에서 이직의 약 60 이상이 인

네트워크에 의존하고 있음을 고려할 때 임 근로자 한 개인이 구직 네트워크를 리하지 않는다

면 그의 이직률은 에서 60 이상 추락할 것이다 이를 고려하여 구직 네트워크의 생애 만족

도 개선효과()를 다음과 같이 요약할 수 있다31)

timestimestimestimes (12)

여기서 는 네트워크 이직을 통한 주 만족도의 개선폭을 나타낸다 앞서 네트워크 이직

이 창출하는 주 만족도의 개선효과가 100만 에서 220 (직장만족도) 158 (직무만족도) 117 (일자리만족도) 정도임을 확인하 다 이 세 수치의 평균치가 네트워크 이직의 만족도 개선

효과를 히 변하고 있다고 한다면 의 략 인 추정치는 165 이 된다 이를 입하면

구직 네트워크의 만족도 개선효과는 략 7582 으로 추산된다 만족도 1 을 으로 환산하

여 만원에 해당한다고 표시하면 구직 네트워크의 임 근로자 일인당 생애가치()는 임

상승효과()와 만족도 개선효과()의 합으로써 다음과 같이 요약된다

equiv (=18720+7582) (13)

구직 네트워크의 가치 (18720+7582n)만원이 함의하는 바를 명확히 규정하기는 쉽지 않다 특히 개인마다 일자리에서 얻는 주 만족도를 가치로 환산하는 방식이 다를 것이다 를 들

29) 구직 네트워크의 재 가치를 추산하기 해서는 시간할인률을 용할 필요가 있으나 여기서는 이를 생략하 다 시간할인률이 용된 추정치는 재 계산된 값보다 다소 하락할 것이다

30) 이에 한 보다 구체 인 설명은 본 논문의 보다 상세한 내용이 실린 한국개발연구원 정책연구시리즈로 출간 정

인 lsquo인 네트워크(개인의 사회 자본)의 노동시장 효과 분석rsquo 보고서를 참조 바란다 31) 앞서와 마찬가지로 구직 네트워크의 재 가치를 추산하기 해서는 시간할인률을 용할 필요가 있으나 여기서는

이를 생략하 다 시간할인률이 용된 추정치는 재 계산된 값보다 다소 하락할 것이다

어 어떤 이들에게는 이득만이 요하고 주 만족도는 경시될 수 있다 이들에게 n은

lsquo0rsquo에 가까운 것이다 반면 다른 이들에게는 일자리에서 얻는 주 만족도가 임 소득보다

몇 배 이상 요할 수 있다 이들에게 n은 1보다 큰 양수가 될 것이다 구직 네트워크의 가치를 수

치로 악해 보고자 n=1인 근로자를 상정해 보자32) 이 사람에게 만족도 1 은 1만원만큼의

효용을 창출한다 이 근로자에게 구직 네트워크의 종합 가치는 26302만원에 이른다고 평가할

수 있다 이러한 구직 네트워크의 종합 가치를 개인의 물 혹은 인 자본과 별하여 근로자

개인의 구직 네트워크 사회 자본이라 명할 수 있다추정한 구직 네트워크의 가치인 (18720+7582n)만원은 한국사회의 임 근로자 각 개인이 구직

네트워크의 유지 리를 하여 기꺼이 지불할 용의가 있는 비용을 나타낸다 만족도 1 이 1만원의 효용이 있다면 즉 n=1이라면 이는 1224개월치 월 ( 략 일년치 연 )에 해당한다33) 이는 결코 작지 않은 액수이다 한국사회의 구성원들은 다양한 방식으로 네트워크를 리하고 있다 동창회 동호회 업계 계자와의 술자리 각종 경조사 참여 Social Network Service(SNS) 활동 등

이 이에 해당한다 이들 활동은 그 자체로서 정서 효용을 창출하지만 생 인 경제 이득

한 간과할 수 없다 이는 업무에 필요한 유용한 정보의 획득이나 업거래망의 확장이기도 하고 구직 네트워크의 변 확 자기 PR(Public Relations)이기도 하다 네트워크의 리는 그에 상

응하는 비용을 수반한다 이는 만남에 따른 지출에서부터 시간사용까지를 포함한다 구직

네트워크의 효과성 측면에서 보았을 때 한국사회 근로자 개인은 상당한 비용( 를 들어 n=1인 경

우 략 일년치 연 에 해당하는 비용)을 구직 네트워크의 유지 리를 하여 생애를 거

쳐 기꺼이 지불할 용의가 있다고 볼 수 있는 것이다

IX 결론

이제까지 우리는 국내 고용시장에서의 인 네트워크 활용의 효과성을 다각 인 측면에서 살

펴보았다 인 네트워크를 활용한 이직의 직장생활만족도 개선효과는 100 만 에 약 165 34)

에 달하는 것으로 확인되었으며 직무 합도 개선효과는 100 만 에 약 197 35)에 이르는 것으

로 나타났다 한 인 네트워크를 활용한 이직은 임 상승을 동반하는데 그 규모는 월평균 임

으로 4074만원(2010년 기 )인 것으로 확인되었다 반면 인 네트워크를 활용하지 않은 이직

에서도 직장생활만족도의 개선효과가 일부 포착되었으나 일자리 합도에 한 개선이나 임 상

승효과는 확인되지 않았다 즉 구인자와 구직자를 연결시켜주는 인 네트워크의 효율 인 정보

달 기능이 확인된 것이다 이를 통해 임 근로자 개인의 구직 네트워크의 가치 즉 lsquo네트워크 사

회 자본rsquo을 추정해 보면 구직 네트워크의 생애 가치는 18720만원으로 집계되었으며 여기에 주 만족도에 한 보상 측면까지 고려하면 만족도 1 의 가치를 만원으로 환산

할 때 략 (18720+7582)만원에 이르는 것으로 집계되었다

32) 실제로 일반 인 수 에서 n은 1보다 상당히 클 것으로 상된다 주어진 표본에서 주 만족도의 평균은 략

55 내외인 반면 임 수 의 평균은 략 200만원 내외이다 즉 두 수치의 Scale이 네 배 가량 차이가 난다 33) 26302만원을 차수 임 수 (20247만원)의 2010년도 기 가치인 2148만원으로 나 면 1224개월이 나온다 34) 직장만족도 개선효과 220 직무만족도 개선효과 158 일자리만족도 개선효과 117 의 산술평균값 용 시 35) 기술 합도 개선효과 213 교육 합도 개선효과 252 교육기술복합지수 개선효과 126 의 산술평균값 용

참 고 문 헌

고용노동부 985172고용노동백서985173 2010김동헌김상호 「직업탐색과 자발 이직」 2001 경제학 공동학술 회 발표문 2010 김성훈 「사회연결망과 공식경로를 통한 첫 취업의 개인 결과와 사회 결과」 985172한국사회학985173 제39집 제1호

2005 김성훈 「 문직의 취업경로 사회연결망과 공식경로를 심으로」 985172한국사회학985173 제40집 제5호 2006 김성훈 「취업자의 사회연결망 활용에 한 향요인 연구」 985172노동경제논집985173 제26권 제3호 2003김용학 985172사회연결망 이론985173 박 사 2003류석춘 외 985172한국의 사회자본 역사와 실985173 백산출 사 2008 송호근김우식이재열 985172한국사회의 연결망 연구985173 서울 학교 출 부 2004안재희 985172구직과 제도 사회자본985173 한국학술정보(주) 2008우천식 편 985172한국경제사회와 사회 자본985173 한국개발연구원 2007이 면나인강 「직장만족도와 이직행 에 한 패 분석」 985172제5차 한국노동패 학술 회 논문집985173 2004이 면나인강 「비정규직의 이직 이직사유 근속기간에 한 연구」 985172제6차 한국노동패 학술 회 논

문집985173 2005이상호 「노동패 의 주 만족도 측정」 985172노동리뷰985173 통권 제17호 2006 pp77~86이병훈 「구직활동의 향요인에 한 탐색 연구」 985172노동경제논집985173 제25권 제1호 2002 pp1~21 통계청 985172경제활동인구조사985173 2010한국노동연구원 985172사업체패 조사985173 2007KDI 국제정책 학원 985172사회 자본 확충을 한 기본조사 정책연구985173 2007

Blau David and Philip Robins ldquoJob Search Outcomes for the Employed and Unemployedrdquo Journal of Political Economy 98(3) 1992 pp637~655

Bourdieu P ldquoThe Forms of Capitalrdquo in J G Richardson (ed) Handbook of Theory and Research for the Sociology of Education New York Greenwood 1986

Cochran William and Donald Rubin ldquoControlling Bias in Observational Studies A Reviewrdquo Sankhya 35 1973 pp417~446

Datcher Linda ldquoThe Impact of Informal Networks on Quit Behaviorrdquo Review of Economic Statistics 65(3) 1983 pp491~495

Dawid A ldquoConditional Independence in Statistical Theoryrdquo Journal of Royal Statistical Society B 41 1979 pp1~31

Dehejia R and S Wahba ldquoCausal Effects in Nonexperimental Studies Reevaluating the Evaluation of Training Programsrdquo Journal of the American Statistical Association 94 1999 pp1053~1062

Dehejia R and S Wahba ldquoPropensity Score-Matching Methods for Nonexperimental Causal Studiesrdquo The Review of Economics and Statistics 84 2002 pp151~161

Glaeser E D Laibson and B Sacerdote ldquoAn Economic Approach to Social Capitalrdquo The Economic Journal 112 2002

Gottschalk P and T Maloney ldquoInvoluntary Termination Unemployment and Job Matching A Test of Job Search Theoryrdquo Journal of Labor Economics 3 1985 pp109~123

Granovetter Mark S Getting A Job A Study of Contracts and Careers Chicago University of Chicago Press 1975

Heckman J H Ichimura J Smith and P Todd ldquoCharacterizing Selection Bias Using Experimental Datardquo Econometrica 66 1998 pp1017~1098

Heckman J H Ichimura and P Todd ldquoMatching as an Econometric Evaluation Estimator Evidence from Evaluating a Job Training Programrdquo Review of Economic Studies 64 1997 pp605~654

______ ldquoMatching as an Econometric Evaluation Estimatorrdquo Review of Economic Studies 65 1998 pp261~294Knack S and P Keefer ldquoDoes Capital Have and Economic Payoff A Cross Country Investigationrdquo Quarterly

Journal of Economics 62 1997 pp1251~1288 Lin Nan Social Capital A Theory of Social Structure and Action Cambridge Cambridge University Press 2001 Lin Nan Karen Cook and Ronald Burt (eds) Social Capital Theory and Research Aldine Transaction 2001 Marmaros David and Bruce Sacerdote ldquoPeer and Social Networks in Job Searchrdquo European Economic Review 46

2002 pp870~879Putnam Robert D Bowling Alone The Collapse and Revival of American Community New York Simon and

Schuster 2000Rosenbaum J S DeLuca S Miller and K Roy ldquoPathways into Work Short- and Long-Term Effects of Personal

and Institutional Tiesrdquo Sociology of Education 72(3) 1999 pp179~196Rosenbaum P and D Rubin ldquoThe Central Role of the Propensity Score on Observational Studies for Causal

Effectsrdquo Biometrika 70 1983 pp41~55Rubin D ldquoEstimating Causal Effects of Treatments in Randomized and Non-randomized Studiesrdquo Journal of

Educational Psychology 66 1974 pp688~701Simon Curtis and Warner John ldquoMatchmaker Matchmaker The Effect of Old-Boy Networks on Job Match

Quality Earnings and Tenurerdquo Journal of Labor Economics 10(3) 1992 pp306~330Todd Petra ldquoMatching Estimatorsrdquo unpublished manuscript 2006

성공한 구직방법

일자리 진입방식

합계공개

채용스카우트

소개나

추천

찾아가서기타

1 학교나 학원12 0 26 4 0 42

(395) (0) (301) (069) (0) (233)

2 교수나 교사2 0 8 0 0 10

(066) (0) (093) (0) (0) (055)

3 친구나 친지5 2 509 28 2 546

(164) (125) (5898) (48) (556) (303)

4 공공 안내소3 0 7 9 4 23

(099) (0) (081) (154) (1111) (128)

5 사설 안내소3 0 29 16 1 49

(099) (0) (336) (274) (278) (272)

6 매체 고53 1 21 209 13 297

(1743) (625) (243) (3585) (3611) (1648)

7 직 탐문2 0 13 85 0 100

(066) (0) (151) (1458) ((0) (555)

8 가족1 1 21 2 0 25

(033) (625) (243) (034) (0) (139)

9 인터넷205 3 22 179 9 418

(6743) (1875) (255) (307) (25) (232)

10 희망직장

지인

7 3 90 20 0 120(23) (1875) (1043) (343) (0) (666)

11 업무상

지인

6 4 102 18 0 130(197) (25) (1182) (309) (0) (721)

12 기타 5 2 15 13 7 42

(164) (125) (174) (223) (1944) (233)

합 계304 16 863 583 36 1802

(100) (100) (100) (100) (100) (100)

lt부표 1gt 경력직 취업자(1802명)의 일자리 진입방식별 구직방법의 분포

주 1 노동패 6차부터 10차까지의 신규 일자리 진입자 경력직 취업자를 상으로 함 2 ( ) 안은 각 일자리 진입방식에 한 성공한 구직방법의 백분율임

Block

번호

직장유지의

직무유지의

향성별 나이 나이

2 교육

혼인

여부

정규직

여부

첫(혹은

두 번째)

일자리

(로그)

격차 격차 격차 격차 격차 격차 격차 격차 격차 격차

1164 116 048 -102 -14913 -003 003 009 000 007

(455) (395) (011) (207) (19454) (044) (005) (004) (009) (013)

2-254 050 003 007 -1629 -022 -006 004 -002 001

(203) (191) (006) (123) 11232 (020) (004) (004) (006) (007)

3036 -076 002 -094 -7067 -001 000 -004 008 001

(131) (129) (004) (088) (7870) (012) (003) (003) (004) (004)

4-079 -117 -001 071 6428 000 -004 -002 001 -005

(128) (122) (004) (079) (6861) (010) (003) (003) (004) (003)

5026 144 -005 068 6211 -012 004 000 -006 -001

(142) (144) (004) (077) (6201) (010) (004) (003) (004) (004)

6061 152 -008 -043 -3655 006 002 002 -007 007

(151) (151) (004) (073) (5661) (010) (004) (004) (004) (004)

7010 -134 -002 043 2726 003 -002 001 003 001

(133) (131) (004) (058) (4296) (008) (004) (003) (003) (003)

8045 173 008 044 3233 007 000 -001 -001 -003

(146) (143) (004) (052) (3615) (007) (004) (003) (003) (003)

9128 -010 000 061 3033 -016 -003 006 -010 004

(259) (246) (006) (065) (3930) (012) (005) (006) 006 (006)

10500 114 013 -035 -1626 004 000 007 001 -003

(407) (394) (009) (081) (4454) (017) (007) (008) (009) (009)

lt부표 2-Agt Propensity Score 각 구간(Block)에 대한 Mean-Difference Statistical T-test 결과(I)

주 1 Untreated Group과 Treated Group의 각 항목에 한 Mean Difference를 테스트함 2 표시는 5 유의도 수 에서 테스트를 통과하지 못한 항목을 표시함3 ( ) 안은 표 오차임

lt부표 2-Bgt Propensity Score 각 구간(Block)에 대한 Mean-Difference Statistical T-test 결과(II)

Block

번호

(로그)2 종업원 규모 교육 합도 임 만족도근무

환경 만족도

일자리

만족도

서비스 매직

여부

농어업 종사

여부

정규직 times

교육

직장 times

직무유지의향

격차 격차 격차 격차 격차 격차 격차 격차 격차 격차

1052 054 202 656 -048 -101 002 001 003 25954

(147) (053) (379) (564) (480) (421) (005) (003) (047) (60638)

2-006 043 046 047 -303 -182 002 000 -004 -9827

(073) (027) (197) (247) (220) (188) (002) (001) (026) 25462

3006 011 -151 -030 255 013 -002 000 -011 -246

(041) (017) (158) (156) (142) (117) (002) (000) (018) (15776)

4-052 000 -075 -111 -046 -005 -004 000 -011 -10585

(034) (015) (155) (137) (133) (110) (002) (001) (016) (14203)

5-008 006 053 -047 -017 -036 003 000 -004 17636

(035) (017) (176) (152) (144) (123) (003) (001) (018) (16213)

6063 -005 273 049 211 040 -006 001 015 14659

(035) (017) (201) (150) (145) (124) (003) (001) (019) (16225)

7008 -018 -045 016 -031 005 005 000 010 -10640

(029) (014) (174) (127) (127) (108) (003) (001) (016) (13577)

8-022 -014 028 -028 -163 086 000 000 -001 6766

(028) (014) (189) (127) (131) (111) (003) (000) (017) (13784)

9037 -013 143 133 046 -070 001 -002 015 -1116

(047) (021) (371) (204) (227) (187) (006) (002) (029) (21779)

10-028 021 077 161 -247 -113 -013 002 019 13295

(074) (026) (612) (352) (366) (340) (009) (002) (038) (30459)

주 1 Untreated Group과 Treated Group의 각 항목에 한 Mean Difference를 테스트함 2 표시는 5 유의도 수 에서 테스트를 통과하지 못한 항목을 표시함3 ( ) 안은 표 오차임

Page 4: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal

이 차수 임 일자리 소유자의

일자리 이동

이 차수 비임 일자리 소유자의

일자리 이동

이 차수 임 일자리

유지14343 7536

이 차수 비임 일자리

유지8258 8613

새로운 임 일자리

진입2046 1075

새로운 비임 일자리

진입255 266

비임 일자리 진입 603 317 임 일자리 진입 417 435

차수 일자리 없음 2041 1072 차수 일자리 없음 658 686

합계 19033 100 합계 9588 100

[그림 1] 통합샘플(Pooled Dataset)의 구성도

lt표 1gt 일자리 소유자들의 연간 일자리 이동 현황

자료 노동패 5차부터 10차

이 통합샘 을 활용하여 국내 노동시장에서의 개 인 일자리 이동 황을 악해 볼 수 있

다 lt표 1gt은 이 차수에서 임 일자리 소유자 던 이들과 비임 일자리(즉 자 업자고용주 혹

은 무 가족종사자) 소유자 던 이들의 차수에서의 일자리 내역을 정리하고 있다 이 차수

에서 임 일자리 소유자 던 이들의 경우 단 7536만이 이 차수의 일자리를 그 로 유지하고

있는 것으로 나타났다 네 명 한 명의 임 근로자가 한 해 사이에 일자리를 옮기거나 그만둔

것이다 국내 노동시장에서 일자리 이동이 범 하게 이루어지고 있음을 확인할 수 있다 상당수

인 1072가 한 해 뒤 같은 시기에 무직상태인 것으로 나타났고 비슷한 규모인 1075는 새로운

임 일자리로 이동한 것으로 나타났다 비임 근로자로 환한 경우도 317에 달한다 반면 이 차수에서 비임 일자리를 소유한 이들의 경우 부분인 8613가 당시 일자리를 차수에서

그 로 유지하고 있는 것으로 나타났으며 단 701만이 새로운 비임 일자리를 시작하거나 임

일자리로 진입한 것으로 악되었다 특히 차수와 이 차수 모두에서 임 일자리 소유자로

악된 이들은 총 16389명으로 이들 2046명이 일 년 사이에 일자리를 이동한 것으로 나타나 임 근로자들 내부의 일자리 환 유동성이 125에 달하는 것으로 나타났다

이어서 분석에 활용할 최종샘 을 구성하기 하여 주어진 통합샘 에서 차수의 일자리가

없는 개인은 제외시켰으며 비임 일자리 소유자인 자 업자 무 가족종사자도 제외시켰다 최종 으로 차수에서 임 일자리 소유자로 악된 이들은 6차부터 10차까지 총 21199명으로 확

인되었는데 이들 이 차수의 임 일자리를 그 로 유지하고 있는 근로자가 15004명이며 새로운 임 근로 일자리에 진입한 경우가 6196명으로 악되었다 이들의 각 차수별 구성은 다음과

같다

차수(조사연도) 임 근로자 수 백분율

6차(2003년) 4211 1986

7차(2004년) 4257 2008

8차(2005년) 4085 1927

9차(2006년) 4300 2028

10차(2007년) 4346 205

합계 21199 100

여기서 이 일자리에 한 상세한 정보를 악할 수 없거나 이 차수에서 무직이었던 4393명을 우선 제하고 이 차수에서 비임 일자리 소유자 던 417명도 제하 다 나머지 16389명은

이 차수와 차수 모두에서 임 근로자라고 답한 이들이다 (이는 lt표 1gt에서 이 차수의 임

일자리 소유자 차수에서도 임 일자리 소유자로 악된 16389명과 동일한 수치이다) 분석자료의 신뢰도를 높이기 하여 다음의 경우들을 최종샘 의 구성에서 제하 다 우선 지난 한

해 동안 2번 이상 일자리를 옮긴 근로자 55명과 재의 임 근로 일자리를 이 차수에서는 자

신의 주된 일자리가 아니었다고 답한 15명을 제하 다 그리고 일자리 일련번호(Job Sequence)가

락된 2명을 추가로 제하 다 이직의 순효과만을 악할 수 있도록 비자발 이직자라고 밝힌

417명을 제하 다 다음으로 나이가 70세 이상인 임 근로자 114명을 제하 다6) 마지막으로 이 차수의 임 정보가 락된 81명을 제하 다 이로써 15705명의 최종샘 이 확보되었으며 이

들의 각 차수별 구성은 아래와 같다 본 최종샘 은 이 차수와 차수 모두에서 임 근로자라

고 밝힌 이들 요 변수가 락되었거나 비자발 이직을 비롯한 특수한 경우들을 제외하고

나머지 임 근로자들의 집합이라 할 수 있다

6) 이들 부분(97)은 한 해 사이에 일자리 이동이 없었던 것으로 나타나 근로자의 이직 특성을 보편 으로 변하기

힘든 특이치(Outliers)로 처리하 다

차수별 최종샘 백분율

5~6차 2927 1864

6~7차 3110 1980

7~8차 3100 1974

8~9차 3186 2029

9~10차 3382 2153

합계 15705 100

III 분석 변수

본 에서는 각 분석 변수에 한 체계 설명을 제시하고자 한다 분석에 활용되는 변수들에

한 기 통계량은 lt표 2gt와 lt표 3gt에 요약되어 있다

1 개인 및 일자리 특성변수

개인에 한 기 변수로는 성별 나이 교육수 7) 혼인 여부를 포함하 다 이 차수 즉 지

난 조사시 에서의 일자리에 한 기본정보로서 정규직 여부 첫(혹은 두 번째) 일자리 여부 임수 (로그) 기업 규모를 포함하 다 lsquo첫(혹은 두 번째) 일자리 여부rsquo는 당시 일자리가 생애 첫 번

째 혹은 두 번째 일자리에 해당하는가를 표시한다 lsquo임 수 (로그)rsquo은 임 상승률8)을 감안하여

2008년도 기 으로 환산된 월평균 임 액에 로그를 취한 값이다 2008년 기 의 실질임 으로 환

산하자면 임 상승률이 아닌 물가상승률을 이용하여야 할 것이나 본 분석의 목 이 실질임 의

변화를 정확히 추정하는 데 있지 아니하고 체 통합샘 에서의 임 수 의 증가 여부에 있으므

로 2008년 기 임 수 으로 일원화(Equalizing)하는 차원에서 임 상승률을 신 활용하 다 단 일부 응답자들이 월평균임 이 아닌 연 을 기입한 것으로 단되어 8명의 이 차수 월평균

임 을 무응답 처리하고 17명의 차수 월평균임 역시 무응답 처리하 다9) lsquo종업원 규모(로그)rsquo는 근무하는 직장의 종업원 수에 로그를 취한 값이다 단 응답자가 정확한 종업원 수가 아닌

1부터 10까지 종업원 규모의 등 만을 밝힌 경우 해당 등 이 아우르는 범 의 간값을 차용하

다 를 들어 3등 (종업원 10 ~ 29명) 직장인 경우 종업원 수를 195명이라 표시하 다10)

7) lsquo교육수 rsquo에 한 등 은 다음의 순서 로 1부터 8을 부여하 다 무학 등학교 학교 고등학교 2년제 학 4년제 학 학원 석사 학원 박사

8) 임 상승률의 계산에는 노동부의 lsquo고용형태별 근로실태조사(구 임 구조기본통계조사)rsquo에 수록된 상용근로자 5인 이

상 사업체의 6월 기 월평균임 을 활용하 다 이로부터 추정한 연간 임 상승률은 다음과 같다 2002~03년(836) 2003~04년(675) 2004~05년(723) 2005~06년(615) 2006~07년(408) 2007~08년(565)

9) 2002년 기 으로 환산된 월평균임 에서 8명의 이 차수 임 이 차수 임 보다 500만원 이상 높게 나타났고 17명의 차수 임 역시 이 차수 임 보다 500만원 이상 높게 나타났다 한 해 사이에 월 여가 500만원(2008년 기 으로 7238만원) 이상 변동하는 경우는 드물므로 이들이 월 여 신 연 을 기입한 것으로 단된다

10) 각 등 을 체한 종업원 수는 다음과 같다 1등 (25명) 2등 (7명) 3등 (195명) 4등 (395명) 5등 (595명) 6등 (845명) 7등 (1995명) 8등 (3995명) 9등 (7455명) 마지막 종업원 1000명 이상을 표시하는 10등 의 경우

다음으로 lsquo일자리(혹은 일)를 계속 유지하길 희망하는가rsquo에 한 응답으로 lsquo직장유지의향rsquo과

lsquo직무유지의향rsquo을 포함하 다 노동패 은 5단 로 lsquo 그 지 않다(1)rsquo부터 lsquo아주 그 다(5)rsquo까지를 표기하는데 본 분석에서는 이를 백단 로 환하여 lsquo 그 지 않다rsquo를 0 lsquo아주 그 다rsquo를 100 으로 표하 다11) lsquo업무만족도rsquo는 다음 네 가지 질의에 한 5단 응답을 역시 백단 로

환한 후 산술평균한 값이다 업무에 만족하나 업무에 열정 인가 업무를 즐겁게 하나 업무에

보람을 느끼나 그리고 다음 일곱 가지 역에 한 만족도 조사를 추가하 다 임 에 한 만족

도 취업의 안정성에 한 만족도 근로환경에 한 만족도 의사소통 인간 계에 한 만족도 개인의 발 가능성에 한 만족도 인사고과의 공정성에 한 만족도 복지후생에 한 만족도 본 분석에서는 이들 만족도에 한 5단 응답을 100 만 으로 환하여 사용하 는데 lsquo매우

만족rsquo을 100 으로 lsquo만족rsquo을 75 lsquo보통rsquo을 50 으로 lsquo불만족rsquo을 25 lsquo매우 불만족rsquo을 0 으로

처리하 다 lt표 2gt에서 보듯이 임 만족도와 복지후생만족도가 일반 으로 50 을 크게 하회하

는 반면 업무 직업안정성 인간 계에 한 만족도는 일반 으로 50 을 크게 상회하는 것을 확

인할 수 있다이 차수 일자리를 직종별 업종별로 구분하여 더미변수로 처리하 다 직종별로는 문 리직

(노동패 분류 0 lsquo의회의원 고 임직원 리자rsquo 1 lsquo 문가rsquo) 사무기술직( 분류 2 lsquo기술공

문가rsquo 3 lsquo사무 종사자rsquo 소분류 950 lsquo군인rsquo) 서비스 매직( 분류 4 lsquo서비스 종사자rsquo 5 lsquo 매

종사자rsquo) 농어민( 분류 6 lsquo농업 어업숙련 종사자rsquo) 생산기능직( 분류 7 lsquo기능원rsquo 8 lsquo장치

기계조작 종사자rsquo 9 lsquo단순노무자rsquo)로 구분하 다 업종별로는 농어업 종사( 분류 A lsquo농업 임

업rsquo B lsquo어업rsquo) 공업 종사( 분류 C lsquo 업rsquo D lsquo제조업rsquo) 건설업 종사( 분류 F) 도소매 숙박업

종사( 분류 G lsquo도매 소매업rsquo H lsquo숙박 음식 업rsquo) 서비스 련업 종사( 분류 E lsquo 기 가스 수도사업rsquo 외 각종 서비스 련 업종)으로 구분하 다

종업원 수를 1500명이라 표하 다 11) 5단 수 를 백단 수 로 환하기 하여 다음의 산술식을 활용한다 = 25(-1)

변수명 측 수 평균값표

편차최솟값 최댓값

개인

특성변수

성별(여성 1) 15705 037 048 0 1

나이 15705 4005 1081 18 69

교육수 15703 451 135 1 8

혼인 여부

(미혼 1)15705 027 045 0 1

일자리

특성변수

(이 차수

기 )

정규직 여부

(정규직 1)15659 076 043 0 1

첫(혹은 두 번째) 일자리

여부

15705 048 050 0 1

임 수

(단 만원 로그)15694 514 059 147 729

종업원 규모

(단 명 로그)12912 400 231 0 1097

만족도

련 변수

(이 차수

기 )

직장유지의향 15658 6516 1871 0 100

직무유지의향 15645 6409 1922 0 100

업무 만족도 15653 5936 1644 0 100

임 만족도 15656 4394 1927 0 100

취업 안정성 만족도 15645 5540 1938 0 100

근무환경 만족도 15653 5446 1848 0 100

인간 계 만족도 15631 5712 1629 0 100

자기발 만족도 15649 5088 1839 0 100

인사공정 만족도 15460 4975 1602 0 100

복지후생 만족도 15552 4569 1958 0 100

직종더미

(이 차수

기 )

문 리직 여부 15702 013 033 0 1

사무기술직 여부 15702 033 047 0 1

서비스 매직 여부 15702 013 034 0 1

농어민 여부 15702 001 008 0 1

생산기능직 여부 15702 041 049 0 1

업종더미

(이 차수

기 )

농어업 종사 여부 15703 001 008 0 1

공업 종사 여부 15703 026 044 0 1

건설업 종사 여부 15703 011 031 0 1

도소매 숙박업 종사 여부 15703 016 037 0 1

서비스 련업 종사 여부 15703 046 050 0 1

lt표 2gt 개인 및 일자리 특성변수별 기초통계량

2 이직 및 성과지표 관련 변수

최종샘 15705명 지난 조사시 이후 일자리를 이동한 임 근로자는 체의 약 10에 해

당하는 1560명이다 각 샘 에 한 이직 여부를 더미변수로 처리하 다 이직의 성과를 측정하

기 하여 다음의 일곱 가지 평가지표를 마련하 다 개인의 주 만족도와 련된 종합 지

표 세 가지(직장만족도 직무만족도 일자리만족도) 일자리 배치의 효율성과 련된 종합 지표

세 가지(기술 합도 교육 합도 교육기술복합지수) 그리고 임 수 이들에 한 기 통계량은

lt표 2gt에 요약되어 있다직장만족도는 다음 5가지 평가지표(5단 )의 평균값을 100 단 로 환산한 것이다 다닐 만한

직장인가 들어온 게 기쁜가 친구에게 추천하고 싶은가 다른 이에게 자랑할 수 있는가 계속 다

니고 싶은가(즉 앞서의 lsquo직장유지의향rsquo) 직무만족도는 앞서 제시한 lsquo업무만족도rsquo 련 네 가지 지

표와 lsquo직무유지의향rsquo을 합친 다섯 가지 평가지표를 산술평균하여 100 단 로 환산한 것이다 일자리만족도는 lsquo일자리에 해 반 으로 얼마나 만족하는가rsquo라는 질의에 한 5단 응답을 100

단 로 환산한 것이다 이들 세 가지 만족도와 련된 지표들의 연간 변화를 ( 차수 만족도

- 차수 만족도)로 측정하여 만족도 변화지표를 추가로 생성하 다 기술 합도는 lsquo 재 하는 일의 수 은 나의 기술(기능)과 비교하여 어느 정도인가rsquo라는 질의에

한 답변으로부터 구성하 다 응답자는 lsquo매우 낮다rsquo lsquo낮은 편이다rsquo lsquo맞다rsquo lsquo높은 편이다rsquo lsquo매우

높다rsquo 응답하도록 되어 있다12) 략 80 안 의 응답자가 다섯 응답 lsquo맞다rsquo에 답하 다 여기서 lsquo높은 편이다rsquo와 lsquo매우 높다rsquo에 한 응답은 체 응답자의 1 내외이다 하는 일의 수 이

매우 높거나 높은 편이다라는 것은 하는 일이 도 이며 자기 능력을 충분히 발휘할 기회가 많

다는 것을 의미하므로 합도가 낮다고만 평할 수는 없다 따라서 100 단 로 환산할 때 lsquo매우

낮다rsquo에 0 lsquo낮은 편이다rsquo에 50 lsquo맞다rsquo와 그 이상의 답변에 100 을 부여하 다13) 교육 합도

는 lsquo 재 하는 일의 수 은 나의 교육수 과 비교하여 어느 정도인가rsquo라는 질문에 한 답변으로

부터 구성하 으며 같은 방식으로 lsquo매우 낮다rsquo에 0 lsquo낮은 편이다rsquo에 50 lsquo맞다rsquo와 그 이상의

답변에 100 을 부여하 다 여기서 교육수 은 서류상에 기재되므로 서류상에 기재가 어려운 기

술수 과는 취업과정에서 다르게 취 된다 특히 인 네트워크는 교육수 보다 기술수 의 정보

달에 보다 유용한 채 로 작동할 가능성이 높다 따라서 이직의 종합 인 배치효율성 개선효과

를 측정하기 해서는 두 지표를 아우를 수 있는 독립 인 지표가 필요하다 도입된 lsquo교육기술복

합지수rsquo는 기술 합도와 교육 합도의 산술평균으로서 일자리 배치효율성에 한 종합 평가지

표로 작성되었다 이들 세 가지 배치효율성 련 지표들의 연간 변화를 ( 차수 배치효율성 -

차수 배치효율성)으로 측정하여 배치효율성의 변화분을 추가로 추출하 다 마지막으로 월평균임 (단 만원)의 치를 2008년 기 으로 환산하여 lsquo 차수 임 수 rsquo

과 lsquo 차수 임 수 rsquo을 구성하 다 앞서 lsquo임 수 (로그)rsquo 변수의 생성에 활용한 임 상승률을

그 로 차용하 다 lsquo임 수 변화rsquo는 ( 차수 임 수 - 이 차수 임 수 )으로 측정하 다 표에서 보는 바와 같이 차수 임 수 은 평균 202만 4700원으로 차수 임 수 은 평균

205만 8900원으로 집계되었고 평균 임 수 의 연간 상승분은 3만 4400원으로 나타났다

12) 응답자별 분포 lsquo매우 낮다(122)rsquo lsquo낮은 편이다(1727)rsquo lsquo맞다(8039)rsquo lsquo높은 편이다(106)rsquo lsquo매우 높다(006)rsquo 13) lsquo높은 편이다rsquo와 lsquo매우 높다rsquo가 차지하는 비 이 매우 낮아 이들을 합도가 lsquo낮은 편이다rsquo와 lsquo매우 낮다rsquo로 취 하여

도 분석 결과에는 의미있는 차이가 나타나지 않는다

변수명 측 수 평균값 표 편차 최솟값 최댓값

이직 여부(이직 1) 15705 0099 030 0 1

차수 직장만족도 15636 5659 1698 0 100

차수 직장만족도 15585 5679 1698 0 100

직장만족도 변화 15531 019 1636 -90 80

차수 직무만족도 15653 6052 1599 0 100

차수 직무만족도 15600 6056 1615 0 100

직무만족도 변화 15563 003 1641 -75 85

차수 일자리만족도 15596 5390 1618 0 100

차수 일자리만족도 15562 5454 1646 0 100

일자리만족도 변화 15468 065 1722 -100 75

차수 기술 합도 15613 9014 2138 0 100

차수 기술 합도 15590 9058 2146 0 100

기술 합도 변화 15509 044 2387 -100 100

차수 교육 합도 15656 8969 2169 0 100

차수 교육 합도 15620 9008 2186 0 100

교육 합도 변화 15582 040 2413 -100 100

차수 교육기술복합지수 15612 8991 2106 0 100

차수 교육기술복합지수 15590 9034 2119 0 100

교육기술복합지수 변화 15508 043 2318 -100 100

차수 임 수 (단 만원) 15697 20247 12055 0 146975

차수 임 수 (단 만원) 15658 20589 12406 625 146975

임 수 변화(단 만원) 15650 344 5619 -71931 56572

lt표 3gt 이직 및 성과지표별 기초통계량

IV 일자리 이동의 영향요인

본 에서는 일자리 이동에 향을 미치는 주요 요인들에 해 평가해 보도록 한다 이직확률

추정을 하여 로짓회귀분석(Logistic Regression)을 수행하 으며 여덟 가지 회귀분석모형에 해

그 결과를 lt표 4gt에 요약하 다 각 모형은 이 차수와 차수 사이의 이직 여부를 종속변수로

한다 모형 1은 개인 특성변수들과 일자리 특성변수들을 설명변수로 하 으며 모형 2는 여기에

교육 합도를 추가하 다 모형 3은 여기에 일과 일자리에 한 만족도를 측정하는 여덟 개 변수

를 추가하 다 모형 4에는 직종더미를 모형 5에는 업종더미를 모형 6에는 연차더미를 차례로 추

가하 다 모형 7은 모형 6에서 종업원 규모를 제하고 추정한 결과이다 종업원 규모에 응답하지

않은 샘 수가 체 최종샘 의 178에 달하므로 설명변수에서 종업원 규모를 뺀 모형 7은 샘

수를 극 화한 추정 결과를 제시한다 모형 8은 모형 6의 설명변수 교육 합도를 기술 합도로

체한 추정 결과이다 교육 합도와 기술 합도의 상 계수가 0913에 달하므로 하나의 모형에

두 변수를 모두 포함시키기보다 별도의 모형을 만들어 상호비교하는 방법을 택한 것이다 이들 모

형들의 하단에 lsquo평균치 이직확률rsquo을 표기하 다 lsquo평균치 이직확률rsquo은 추정에 활용된 변수들의 평

균치에서 계산한 이직확률을 나타낸다 즉 샘 내의 표 임 근로자(Representative Paid Worker)의 이직 가능성을 변하는 수치이다 주어진 모형들이 추정한 lsquo평균치 이직확률rsquo은 략

8 안 (76~902)이다 각 추정계수 우편에는 한계효과를 함께 표시하 는데 이는 설명변수가

한 단 상승할 때(더미변수의 경우 0에서 1로 바뀔 때) lsquo평균치 이직확률rsquo의 변동분을 나타낸다 lsquo평균치 이직확률rsquo과 한계효과 모두 100을 곱하여 백분율로 표기하 다

분석 결과에 따르면 네 가지 개인의 특성변수(나이 성별 교육수 혼인 여부) 에서는 나이

와 성별만이 통계 으로 유의한 향요인으로 확인되었다 여성의 경우 남성에 비해 이직확률이

략 11p 가량 낮은 것으로 나타났다 연령이 높을수록 이직확률이 낮아지는데 나이가 한 살

증가할수록 략 04p 가량 이직확률이 하락하 다 일자리 련 특성변수 에서 정규직 여부 첫(혹은 두 번째) 일자리 여부 임 수 종업원 규

모 모두 통계 으로 유의한 향요인으로 악되었다 정규직일 경우 비정규직에 비해 이직확률

이 2p 가량 하락하 다 생애 첫 번째(혹은 두 번째) 일자리인 경우 44p 가량 이직확률이 하락

하 다 그러나 이것이 노동시장 진입 기에 이직확률이 더 낮다는 식으로 해석될 수는 없다 그보다는 이 에 이직경험이 많은 이들은(즉 재 일자리가 생애 세 번째 혹은 그 이상인 이들은) 그들의 직업 특성으로 인하여 이 에 이직경험이 은 이들에 비해 향후 일 년간 다시 이직

할 확률이 44p 가량 높다라고 해석해야 할 것이다14) 임 수 이 높을수록 이직확률이 떨어지

는 것으로 나타났다 임 이 10 상승할 때 이직확률은 045p만큼 하락한다 종업원 규모 역시

이직확률과 부의 계를 가지는 것으로 나타났다 종업원 규모가 10 가량 큰 기업에서 근무하면 이직확률은 007p 가량 하락한다 이는 종업원 규모가 큰 기업일수록 내부 노동시장을 활용한

직무재배치가 용이하기 때문인 것으로 악된다교육 합도 혹은 기술 합도가 높을수록 이직확률이 하락하는 것으로 나타났다 교육 혹은 기

술 합도가 10 상승할 때 025p 가량 하락한다 재 하는 일이 나의 교육(혹은 기술) 수 보

다 낮다고 답한 경우( 합도 50 ) 수 이 맞다고 답한 경우( 합도 100 )보다 125p만큼 이직

확률이 증가하는 것을 의미한다 따라서 노동자의 기술 혹은 교육 수 에 합한 직무와 그에 합

당한 우가 이직확률을 떨어뜨리는 데 효과 임을 알 수 있다일자리만족도와 련한 여덟 가지 변수 에서 임 에 한 만족도 직장 내 인간 계에 한

만족도 인사고과의 공정성에 한 만족도는 이직에 유의미한 향을 미치지 못하는 것으로 나타

났다 특히 이 임 에 한 만족도가 이직 여부에 결정 역할을 하지 않는다는 은 흥미로운

결론이다 반면 취업 안정성에 한 만족도와 근로환경 복지후생에 한 만족도 그리고 업무

에 한 만족도는 이직확률과 통계 으로 유의한 부(-)의 계가 있음이 확인되었다 취업 안정성

에 한 만족도 근로환경의 만족도 그리고 업무만족도의 경우 100 만 에 10 향상 시 04p 가량 이직확률을 떨어트리는 것으로 나타났으며 이는 이들 만족도에 한 응답이 불만족(25 )에

14) 를 들어 주어진 최종샘 에서 직장경력이 많은 40세 이상인 이들만을 고려할 때 첫 번째(혹은 두 번째) 일자리

보유자 2711명의 연간 이직률은 262인 데 반해 두 번 이상 이직경험이 있는 이들 4410명의 연간 이직률은

859로 이직률이 597p 높은 것을 확인할 수 있다

서 보통(50 )으로 개선된 경우 1p만큼 이직확률이 감소하는 것을 의미한다 개인만족도 련

변수 이직확률에 가장 향력이 큰 변수는 복지후생 변수로서 이에 한 만족도는 10 향상

시 이직확률을 055p 가량 떨어트리는 것으로 나타났다 복지후생만족도에 한 응답이 불만족

(25 )에서 보통(50 )으로 개선된다면 략 138p만큼의 이직률 하락을 기 할 수 있는 것이다이상의 분석 결과는 국내 임 근로자의 이직 결정에 있어서 비임 측면에서의 만족도가

요한 역할을 한다고 주장한 김동헌김상호(2001)의 연구와 맥을 같이 한다15) 여러 해외 연구 결

과도 비임 요소의 요성을 강조한 바 있다 를 들어 Gottschalk and Maloney(1985)는

Michigan PSID(Panel Study of Income Dynamics)를 이용하여 이직 후 새로운 직장이 더 만족스럽

다고 응답한 사람들 가운데 그 41는 실질임 의 삭감을 감내한 것으로 밝힌 바 있다흥미로운 은 개인의 발 가능성에 한 만족도가 이직확률과는 정(+)의 계를 보인다는

이다 개인의 인 자본을 높일 수 있는 일을 하고 있을 때 이러한 자기발 을 활용하여 보다 우

가 좋은 직장으로 이동하는 경향이 있음을 확인한 것이다 자기발 에 한 만족도 10 상승이

045p만큼의 이직확률 증가와 연 된 것으로 확인되었다 를 들어 자기발 만족도에 한 응

답이 보통(50 )인 사원보다 만족(75 )인 사원의 이직확률이 113p 가량 높은 것이다직종에 따른 이직확률의 차이에서는 문 리직 종사자나 서비스 매직 종사자가 생산기능직

종사자에 비해 략 3p만큼 이직확률이 높다는 것을 확인하 다 반면 농어민의 경우 생산기능

직 종사자에 비해 6p만큼 이직확률이 낮았다 업종에 따른 이직확률의 차이에서는 업종 간의 큰

차이를 발견하기 어려웠다 다만 농어업 련 기업에 종사할 경우 공업 련 기업에 종사하는

경우보다 이직확률이 상당히( 략 15p만큼) 높아짐을 확인할 수 있었다 다만 노동패 은 군부

지역을 제외하고 도시지역만을 상으로 한 조사이기 때문에 농어민 혹은 농어업 련 산업의 종

사자에 한 자료는 매우 미흡한 수 이다16) 따라서 농어민이나 농어업 종사자에 한 이상의

결론은 신뢰도가 다소 떨어짐을 유념할 필요가 있다

15) 김동헌김상호(2001)는 노동패 의 1차 자료만을 활용하여 동일한 분석을 수행한 바 있으며 이들의 결론은 8가지

만족도 변수 취업 안정성 복지후생 인사공정에 한 만족도가 이직성향과 부(負)의 계를 가진다는 것이었다 이들의 연구에 비해 본 연구의 표본의 수가 보다 방 하고 다양한 배경 변수(업종더미 직종더미 회사규모)와 개인

특성변수(첫 일자리 여부 교육 합도 등)를 통제하고 있으므로 본 연구의 결과가 보다 신뢰할 만한 결과를 제시하

고 있다고 단된다 16) 최종샘 에서 농어민이 차지하는 비 은 1 미만이고 샘 수로는 101명에 그친다 농어업 련 기업의 종사자가

차지하는 비 역시 1 미만에 종사자 수 111명에 그친다

다항로짓회귀분석 모형 1 모형 2 모형 3 모형 4

종속변수 이직 여부 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과

성별(여성 1) -01627(00665) -1313 -01272

(00672) -1030 -00669(00701) -0536 -01378

(00753) -1081

나이 -00512(00041) -0420 -00513

(00041) -0421 -00510(00042) -0412 -00507

(00042) -0404

교육수 00263(0029) 0216 00135

(00294) 0111 00350(00306) 0283 00264

(00342) 0210

혼인 여부(미혼 1) 00531(00746) 0440 00601

(00748) 0498 00563(00757) 0459 00643

(00762) 0518

정규직 여부(정규직 1) -03042(00713) -2688 -02777

(00718) -2438 -02213(00743) -1887 -01853

(00751) -1544

첫(혹은 두 번째) 일자리 여부

-05513(00647) -4453 -05462

(00649) -4412 -05313(00656) -4227 -05429

(00659) -4258

임 수(단 만원 로그)

-05933(00709) -4868 -05360

(00727) -4398 -05253(00769) -4242 -05393

(00782) -4294

종업원 규모(단 명 로그)

-01019(00145) -0836 -01010

(00145) -0829 -00838(00149) -0677 -00691

(00149) -0550

차수 교육 합도 -00045(00012) -0037 -00031

(00014) -0025 -00030(00014) -0024

차수 기술 합도

업무만족도 -00031(00025) -0025 -00036

(00025) -0029

임 만족도 00025(00020) 0021 00029

(00020) 0023

취업 안정성 만족도 -00041(00021) -0033 -00044

(00021) -0035

근무환경만족도 -00049(00021) -0039 -00050

(00022) -0040

인간 계만족도 -00016(00024) -0013 -00015

(00024) -0012

자기발 만족도 00055(00023) 0045 00050

(00023) 0040

인사공정만족도 00006(00027) 0005 00011

(00027) 0009

복지후생만족도 -00069(00021) -0055 -00070

(00021) -0055

(기 생산기능직)

문 리직 여부 03710(01169) 3328

사무기술직 여부 -01145(00887) -0898

서비스 매직 여부 04280(00885) 3890

농어민 여부 -03201(04768) -2238

(기 공업 종사)농어업 종사 여부건설업 종사 여부도소매 숙박업 종사

여부서비스 련업 종사

여부연차 더미 No No No No

평균치 이직확률times100(각 변수의 평균치

기 )902 902 886 872

관측 수 12869   12829   12655   12652  

결정계수( ) 0070   0072   0076   0082  

lt표 4Agt 일자리 이동 영향요인 분석(I)

주 1 는 유의수 10 는 유의수 5 는 유의수 1를 의미함2 한계효과는 추정된 한계효과(marginal effects)를 백분율로 표시함3 더미변수의 한계효과는 변수값이 0에서 1로 변할 때 이직확률의 변화분을 나타냄(변수명의 표시가 더미변수)

다항로짓회귀분석 모형 5 모형 6 모형 7 모형 8

종속변수 이직 여부 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과

성별(여성 1) -01528(00759) -1194 -01482

(00760) -1154 -01872(00713) -1289 -01477

(00761) -1151

나이 -00505(00042) -0401 -00505

(00042) -0400 -00521(00040) -0366 -00504

(00042) -0399

교육수 00309(00345) 0245 00327

(00347) 0258 00113(00324) 0080 00346

(00345) 0274

혼인 여부(미혼 1) 00659(00764) 0529 00635

(00766) 0507 01045(00721) 0749 00684

(00767) 0548

정규직 여부(정규직 1) -02033(00770) -1696 -02075

(00776) -1727 -01213(00735) -0875 -02093

(00777) -1744

첫(혹은 두 번째) 일자리 여부

-05421(00660) -4240 -05445

(00661) -4241 -06294(00623) -4407 -05495

(00662) -4284

임 수(단 만원 로그)

-05309(00788) -4215 -05277

(00790) -4172 -06554(00702) -4602 -05288

(00791) -4186

종업원 규모(단 명 로그)

-00695(00151) -0552 -00690

(00152) -0546 -00685(00152) -0542

차수 교육 합도 -00028(00014) -0022 -00029

(00014) -0023 -00027(00013) -0019

차수 기술 합도 -00030(00014) -0024

업무만족도 -00038(00025) -0030 -00043

(00025) -0034 -00054(00023) -0038 -00045

(00025) -0036

임 만족도 00029(00020) 0023 00026

(00020) 0020 00027(00019) 0019 00026

(00020) 0020

취업 안정성 만족도 -00048(00021) -0038 -00045

(00021) -0035 -00051(00020) -0036 -00044

(00021) -0035

근무환경만족도 -00052(00022) -0041 -00054

(00022) -0042 -00053(00020) -0037 -00053

(00022) -0042

인간 계만족도 -00014(00024) -0011 -00015

(00024) -0012 -00014(00023) -0010 -00013

(00024) -0011

자기발 만족도 00054(00023) 0043 00057

(00023) 0045 00061(00022) 0043 00057

(00023) 0045

인사공정만족도 00010(00027) 0008 00011

(00027) 0009 -00006(00025) -0004 00014

(00027) 0011

복지후생만족도 -00069(00021) -0055 -00069

(00021) -0054 -00060(00020) -0042 -00068

(00021) -0053

(기 생산기능직)

문 리직 여부 03574(01203) 3183 03594

(01204) 3190 03478(01160) 2728 03514

(01204) 3114

사무기술직 여부 -01409(00916) -1098 -01365

(00917) -1060 -01322(00878) -0911 -01374

(00917) -1068

서비스 매직 여부 03146(01080) 2752 03136

(01081) 2732 02369(01012) 1793 03037

(01084) 2640

농어민 여부 -13598(06827) -6349 -13198

(06821) -6224 -12188(06557) -5262 -13254

(06828) -6246

(기 공업 종사)

농어업 종사 여부 12277(05423) 15765 12064

(05429) 15324 08109(05129) 7981 12026

(05431) 15270

건설업 종사 여부 -01858(01239) -1386 -01819

(01240) -1353 -01896(01146) -1251 -01797

(01240) -1339

도소매 숙박업 종사 여부

01413(01027) 1165 01417

(01028) 1163 02878(00976) 2200 01393

(01029) 1144

서비스 련업 종사 여부

00006(00808) 0005 00016

(00808) 0013 -00420(00778) -0295 -00024

(00809) -0019

연차 더미 No Yes Yes Yes평균치 이직확률times100

(각 변수의 평균치 기 ) 869 865 760 867

관측 수 12651   12651   15344   12614  

결정계수( ) 0083   0085   0091   0084  

lt표 4Bgt 일자리 이동 영향요인 분석(II)

주 1 는 유의수 10 는 유의수 5 는 유의수 1를 의미함 2 한계효과는 추정된 한계효과(marginal effects)를 백분율로 표시함 3 더미변수의 한계효과는 변수값이 0에서 1로 변할 때 이직확률의 변화분을 나타냄(변수명의 표시가 더미변수)

Group

Treated (=1) 측 가능 Counterfactual

Untreated (=0) Counterfactual 측 가능

V 분석 방법(Propensity Score Matching)

본 에서는 일자리 이동의 효과성 분석에 사용할 방법론으로서 Heckman Ichimura and Todd(1997)이 제안한 Propensity Score Difference- in-Differences(DID) Matching(PSM)에 해 설명

하고자 한다 이에 앞서 우선 이 방법론의 근간이 되는 Averge Treatment Effect for the Treated(ATT)(Rubin[1974])와 Propensity Score Matching(PSM)(Rosenbaum and Rubin[1983]) 일반에

해 소개하기로 한다

1 Average Treatment Effect for the Treated

결과에 향을 미치는 Treatment Variable로서 더미변수 를 가정하자 Treatment의 부여 여부

에 따라서 Treated Group(혹은 실험군)과 Untreated Group(혹은 조군)으로 구분할 수 있다 =1 (Treated Group)과 =0 (Untreated Group) 이때 잠재 결과치(Pontential Outcomes) 가 Treatement 여부에 따라 각기 ( )일 때 Average Treatment Effect(ATE)는 다음과 같다 그러나 이러한 통 인 계산방식은 Treatment가 무작

(Randomization)라는 가정하에서만 편 되지 않은 측치(Unbiased Estimates)를 제공할 수 있다 순수한 무작 실험이 아니라면 분석의 상이 데이터에서 Treatment 여부가 무작 인 경우는 드

물다 즉 특정한 요인들이 Treatment 참여 여부에 직간 인 향을 미치는 것이다 를 들어 특정약물의 효과를 알고 싶다고 하자 약물이 투여된 사람과 그 지 않은 사람의 건강상태를 악

하면 된다고 생각할 수 있다 그러나 약물이 투여되지 않은 사람은 개 건강한 사람들이기 때문

에 이들의 건강상태를 약물이 투여된 사람과 직 비교한다면 약물을 투여한 사람이 여 히 건강

상태가 나쁜 것으로만 나올 것이고 약물투여의 효과가 없다라고 결론짓게 될 것이다 비교 상은

건강한 사람이 아니라 약물이 투여된 집단만큼의 건강이 양호하지 않은 집단이어야 한다 이 게

건강하지 않는 사람과 비교할 때 약물 투여의 순수한 효과를 검증할 수 있다 이러한 무작 의 여

부로부터 발생하는 문제를 선택편의(Selection Bias)라고 한다데이터로부터 우리가 측할 수 있는 결과치는 Treated된 경우의 과 Untreated된 경우의

이다 선택편의의 문제가 발생할 때 Treatment의 효과를 제 로 알고자 한다면 우리가 비교해야

하는 상은 Treated 된 경우의 Treatment가 용되지 않았을 때의 결과 즉 ( |=1)이다 이러한

가상의 결과를 Counterfactual이라고 한다 (역시 Untreated된 경우의 Treatment가 용되었을 때 결

과 즉( |=0) 역시 Counterfactual이다) 다음의 표가 이를 간략히 정리하고 있다

선택편의(Selection Bias)의 문제하에서 Treatment의 효과를 측정하기 하여 체 집단에 한

Treatment Effect가 아닌 Treated Group에 한 Treatment Effect에 한정하여야 한다 이 게 한정된

집단 즉 Treated Group에 한 효과성 측정을 Average Treatment Effect for the Treated(ATT)라고 한

(1)

여기서 는 Counterfactual에 한 기 치이므로 자료로부터의 직 인 추정은 불

가능하다 Treatment Selection이 측 가능한 변수들의 특정한 집합 Z에 의존한다고 가정해 보자 Dawid(1979)의 표 법에 따르면 다음과 같은 계가 성립한다 ∐ 즉 Z를 통제하 을

때 Untreated Group의 값의 분포와 Treated Group이 만약 Treatment를 받지 아니하 을 때의

값의 분포(즉 Counterfactual의 분포)는 서로 동일하다는 것이다 이는 기 치에 한 다음과 같은

계를 내포한다

(2)

즉 counterfactual인 을 측치인 이 체할 수 있는 것이다 식

(2)의 계를 조건부 독립가정(Conditional Independence Assumption CIA)이라고 한다 Rubin(1974)은 조건부 독립가정(CIA)의 조건이 충족할 경우 ATT를 다음과 같이 측정할 수 있다고 제안한 바

있다

(3)

즉 직 으로 설명한다면 =1인 집단에 속한 특성 Z인 개체에 하여 동일 특성을 지닌 개

체를 =0인 그룹에서 찾아 그 둘의 Y값을 비교하면 되는 것이다 =1 집단 내의 모든 개체에

하여 동일한 계산을 한 뒤 이를 합산하면 ATT를 구하게 된다 그러나 이 방법 역시 일정 정도의 한계를 지닌다 만약 Z가 이산변수(Discrete Variable)가 아닌

연속변수(Continuous Variable)라면 =0 집단에서 동일한 Z를 가진 개체를 찾을 수 없으므로 이상

의 측정법을 용할 수 없다 한 특정 변수들이 집합인 Z에 포함된 변수들이 많은 경우 동일한

특성의 개체를 =0 집단으로부터 찾는 것이 어려울 수 있다 이러한 한계를 극복하고자 도입된 것

이 Propensity Score Matching 방식이다

2 Propensity Score Matching Estimator

Propensity Score(PS)를 Z 특성을 지닌 개체가 Treated될 확률로 정의하고 로 표시하도록

하자

Propensity Score equiv (4)

Rosenbaum and Rubin(1983)은 0ltP(Z)lt1이 모든 Z에 해 만족할 경우 다음의 계가 성립한다

는 것을 증명하 다

∐ rArr ∐ (5)

이 계식은 을 내포하므로 변수집합의 Z의 차원수

∐ rArr

(Dimensionability)가 클 경우에도 다음과 같이 다일변수 P(Z)를 활용하여 ATT를 구할 수 있다

(6)

샘 수의 유한성으로 인해 실제로 식의 두 번째 항을 추정하는 것은 간단치 않은 작업이

다 한 ATT의 추정은 Common Support 역 즉 Treated Group의 P(Z)의 분포와 Untreated Group의 P(Z)의 분포가 겹치는 Z의 역에 한정하여야 한다 Common Support를 벗어나는 역에 해

서는 비교가능한 Counterfactual를 찾기 힘들기 때문이다 이를 반 하여 주어진 샘 내에서 ATT를 추정할 수 있는 다양한 Propensity Score Matching(PSM) Estimator가 제안되었는데 이는 다음과

같이 요약될 수 있다(Todd[2006])

isincap

isin

(7)

여기서 는 Treated Group 구성원을 는 Untreated Group의 구성원을 나타낸다 는 Common Support 역 내의 개체들의 집합을 나타낸다 은 Treated Group의 구성원 Common Support 역에 속하는 개체들의 총수이다 는 가 치를 나타내는 것으로 두 Propensity Score의 거리

인 을 이용하여 결정된다 가 치 용방식에 따라 다양한 측정방식이 제시될 수

있다 이에 해서는 추후에 추가 으로 논의하도록 한다

3 Difference-in-Differences Matching Estimator

여기서 한 단계 발 된 방식의 PSM이 Heckman Ichimura and Todd (1997)에 의해 제시된

Difference-in-Differences(DID) Matching Estimator이다 앞서 ATT의 추정에서 측 가능한 특정 변수

들의 집합 Z가 주어졌을 때 결과치 가 Treatment에 독립 (즉 ∐ 이 성립)이라고 가정한

바 있다 그러나 Z에 포함되어야 할 많은 변수 측이 되지 않는 경우가 있을 수 있다 이러한

경우 계가 더 이상 성립하지 않아 앞서의 ATT 추정법은 정

당성을 상실한다 하지만 Longitudal Data가 주어진 경우 즉 Treatment 이 과 이후의 결과치( )가

주어진 경우 분석 상을 신에 lsquo의 변화분rsquo으로 변경함으로써 이러한 문제를 상당 부분 해

소할 수 있다 Treatment 이 과 이후 두 개의 시간 를 와 prime이라 한다면 분석 상을 이

아닌 prime prime 으로 둘 수 있는 것이다 이때 ATT를 추정하기 해서는

prime ∐ 의 가정이면 충분하게 된다 이는 앞서보다 훨씬 완화된 가정이므로 충족하기

가 보다 용이해진다 특히 측되지 않는 시간 불변(time-invariant)의 일부 변수가 Treatment Selection에 연 된 경우에도 이 변수가 와 prime에는 직 인 향을 미치더라도 prime 에 미치는 향이 없다면(즉 독립 이라면) 문제가 되지 않는 것이다17) 따라서 Longitudal Data가

17) 이 외에도 주어진 수치들이 데이터가 수집된 지역에 따라 Level이 다를 경우 Difference 변수를 활용함으로써 이러

한 Level 차이에서 기인한 편의(bias)를 해소할 수 있다

주어진 경우에 DID Matching Estimator는 매우 효과 인 도구로 활용될 수 있다 이때 DID Matching Estimator는 다음과 같은 방식으로 요약될 수 있을 것이다

isincap

prime prime prime

isin prime

(8)

본 연구에서는 앞서 소개한 DID Matching Estimator를 이용함으로써 시간불변(time-invariant)의

측되지 아니하는 변수들을 사 에 통제하고 보다 신뢰할 만한 분석 결과를 제시하고자 한다

4 Treatment Effect 측정방식

의 가 치를 결정하는 를 어떻게 설정하느냐에 따라 다양한 PSM Estimator가 존재한다 본 연구의 분석에서는 가장 활발히 이용되는 측정방식들로서 Nearest Neighbor Matching Radius Matching Kernel Matching 이 세 가지를 활용하기로 한다18)

가 Nearest Neighbor Matching

이 방식은 조군인 Untreated Group에 속한 개체 에서 Propensity Score가 실험군(Treated Group) 개체의 Score와 가장 근 한 개체를 선택하는 방식이다 즉 를 최소화시키

는 에 해서는 이고 나머지 에 해서는 이 성립한다 [그림 2]가 이

를 잘 형상화하고 있다 이때 Score가 근 한 개체를 하나가 아닌 복수로 선정함으로써 하나를

선정할 때보다 더욱 안정된 추정치를 얻을 수 있다 다만 매칭되는 개체 수가 무 많을 경우

가 크게 되어 편의(bias)가 증가할 수 있으므로 신 할 필요가 있다 개의 근

한 개체를 선택하는 경우 이들 개체 에 해서는 이 성립하고 나머지 에

해서는 이 성립한다 Nearest Neighbor Matching의 경우 가장 근 한 개체를 선택하 으나 가 무

커서 Counterfactual로서 부 합한 매칭이 이루어질 가능성이 있다 이를 보완하기 하여 Cochran and Rubin(1973)은 한 Caliper를 선정하여 매칭에 있어서 를 일정 한도로 제

한할 것을 제안한 바 있다 본 분석에서는 을 5개로 선정함으로써 편의(bias)를 이면서도 안정

된 추정치를 얻고자 하 으며 Caliper는 히 작은 0005로 설정하여 부 합한 매칭을 최소화하

고자 하 다19)

18) 이 외에도 주로 활용되는 측정방식으로 Stratification Matching Mahalanobis Matching 등이 있으나 이들을 활용한 결

과가 본 연구의 분석 결과와 크게 다르지 않다 Dehejia and Wahba(2002)는 Treated Group과 Untreated Group 간의

Propensity Score 분포가 상당 부분 서로 겹친다면 측정방식에 따른 분석 결과의 차이가 크지 않다는 을 강조한

바 있다 이는 실험군 한 개체에 해 매칭 가능한 충분한 수의 조군 개체들이 존재하기 때문이다 즉 측정방식의

차이에 따라 매칭이 되는 조군들의 특성이 크게 달라지지 않는 것이다 본 연구에서 추정한 Propensity Score 분포

는 Treated Group Untreated Group 두 집단 사이에 겹치는 부분이 매우 크다 이는 [그림 4]를 통해 쉽게 확인된다 19) 여기서 Caliper 설정은 실험군 개체와 매칭되는 조군 개체 사이의 PS 거리 즉 를 한 수 으로

제한하고자 함이다 부분의 실험군 개체의 경우 Caliper가 설정한 Boundary에 크게 제한을 받지 않으므로 히

작은 Caliper의 설정이면 편의(Bias)를 개선하기에 충분하다 본 분석에서 설정한 0005 이외에 0002이나 001을 사용

하여 보았으나 역시 결과의 차이가 크지 않음을 확인하 다

[그림 2] Nearest Neighbor Matching(n=1인 경우)

나 Radius Matching

이 방식은 일정 반경을 Caliper로 설정하고 Untreated Group에서 가 Caliper 이내인 모든 개체 를 Treated Group의 개체 에 매칭하는 방법이다(그림 3 참조) 개체 에 하여

Untreated Group으로부터 매칭된 개체의 수가 라면 이들에 해서는 이 성립하고 매칭이 안된 나머지 개체들에 해서는 이 성립한다 이 추정방식은 앞서 Nearest Neighbor Matching에 비해 Propensity Score가 근 한 조군 내의 보다 많은 개체를 분석에 활용할

수 있다는 장 이 있다 보다 많은 조군 내 개체를 활용할수록 Treatment Effects 측정의 정확성

(Precision)은 상승하게 된다 매칭이 가능한 조군 개체의 수가 충분히 많다면 Caliper는 작을수록 좋다 Caliper가 클수록

부 합한 매칭에 따른 Treatment Effects의 편 (Bias)이 커질 수 있기 때문이다 본 분석에서는 샘

의 수가 충분히 크기 때문에 Caliper를 0002로 설정하여 매우 근 한 개체들에 해서만 매칭이

이루어지도록 설정하 다20)

20) 다음 에서는 주어진 샘 을 활용하여 Propensity Score를 추정하고 있다 이 결과에 따르면 PS (01 0102)인 구간

에서 조군 개체 수가 116개 (02 0202) 구간에서 조군 개체 수가 32개 (03 0302) 구간에서 조군 개체 수가

12개에 이르는 것을 확인할 수 있다(표 6과 그림 4를 참조 바람) 즉 0002의 Caliper를 사용할 때 한 개의 실험군

개체에 해 10개 내지 100개 이상의 조군 개체들이 매칭되는 경우가 흔히 존재하는 것이다 반면 Caliper를 이보

다 작게 설정한다면 (특히 PS가 큰 구간에서는) 실험군 개체들과 매칭되는 조군 개체가 존재하지 않을 수 있다 를 들어 PS (04 0402)인 구간에서 조군 개체 수는 단 1개 존재하나 PS (0401 0402)인 구간에서는 무하다

따라서 본 연구에서는 최소의 Caliper이면서도 매칭되는 조군 개체의 수가 충분할 수 으로서 Caliper 0002를 선

정하 다 반면 민감성 테스트(Sensitivity Check)에 따르면 Caliper 0001이나 0003에서도 연구 결과의 차이가 크지

않음을 확인하 다

[그림 3] Radius Matching

다 Kernel Matching

이 방식은 Treated Group 내의 각 개체에 한 매칭을 Untreated Group 내의 모든 개체를 상

으로 진행하는 방식으로 에 따라 가 치를 부여한다 가 작을수

록 가 치가 커진다 이때 사용되는 가 치는 다음과 같이 표시될 수 있다

isin

(9)

여기서 G는 선택된 Kernel function을 은 Bandwidth Parameter를 표시한다 이 방식은

Heckman Ichimura and Todd(1998)에 의해 도입되었는데 주어진 모든 개체를 추정에 활용하므로

정보의 손실을 최소화할 수 있다는 장 이 있다 한 앞서의 두 추정방식과는 달리 인 인

Caliper의 설정이 불필요하다는 장 도 있다 Kernel의 선택에는 Gaussian Function(Normal Distribution) Biweight Function Epanechnikov Function 등 다양한 방식이 가능하나 본 분석에는

Normal Distribution을 채택하 다 Bandwidth Parameter로는 001을 선택하여 가 근

한 이들에게 충분한 가 치가 주어지도록 하 다21)

VI Propensity Score의 추정

주어진 자료에서 Treatment는 이직에 해당한다 이직에 한 Propensity Score(PS)를 추정하기

해서는 이직에 향을 미치는 주요 변수의 집합 을 사용하여야 한다 이들 변수는 다음 조건

을 만족하여야 한다 prime ∐ 즉 이직에 향을 미치는 주요 변수들을 통제한 후에

는 이직을 하지 않은 이들의 결과치 에 한 변화분 prime 의 분포가 이직을 한

이들이 만약 이직을 하지 않았을 때 상되는 결과치 에 한 변화분 prime 의 분

21) Bandwidth Parameter가 0005 002인 경우도 확인해 보았으나 결과에는 큰 차이가 발견되지 않았다

추정함수 Logistic Regression(이직 = 1 비이직 = 0)Z 추정계수 표 오차

직장유지의향 -0002 0004 직무유지의향 -0015 0004 성별(여성 1) -0104 0071

나이 -0138 0023 나이2 0001 0000

교육수 0169 0050 혼인 여부(미혼 1) -0056 0082

정규직 여부(정규직 1) 0342 0248 첫(혹은 두 번째) 일자리 여부 -0599 0068

임 수 (단 만원 로그) 0076 0601 임 수 (단 만원 로그)2 -0052 0063 종업원 규모(단 명 로그) -0084 0015

차수 교육 합도 0000 0001 임 만족도 0003 0002

근무환경만족도 -0004 0002 일자리만족도 -0003 0003

서비스 매직 여부 0459 0077 농어업 종사 여부 0324 0378

정규직 여부 times 교육수 -0131 0056 직장유지의향 times 직무유지의향 0000 0000

상수항 3558 1584 측 수 12754

결정계수( ) 00873

Log Likelihood -401098

포와 동일해야 하는 것이다 따라서 Propensity Score의 추정에 활용할 변수들은 앞서 일자리 이동

의 향요인에 한 분석을 통해 선별할 수 있다 특히 주어진 노동패 의 자료에서는 ldquo 재의

직장을 계속 다니고 싶은가(직장유지의향)rdquo와 ldquo 재 맡고 있는 일을 계속하고 싶은가(직무유지의

향)rdquo라는 이직의사와 련된 매우 긴요한 변수들이 포함되어 있는데 이들을 주요 변수의 집합

에 포함시킴으로써 이상의 조건이 보다 용이하게 충족될 수 있음을 기 할 수 있다 Propensity Score의 추정에는 Logistic Regression을 활용하 다 추정에 활용된 주요 변수들의 집합 과 각

변수에 한 추정계수는 lt표 5gt에 요약되어 있다

lt표 5gt Propensity Score의 추정방정식

주 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

앞서 일자리 이동 향요인에 한 분석에서 일자리 이동의 요한 결정변수로 악된 변수

들이 부분 PS 추정방정식에 포함되었다 만족도와 련한 변수 업무만족도 취업 안정성 만

족도 자기발 만족도 복지후생만족도 이상 네 변수는 일자리 향요인으로 통계 으로 유의하

게 악되었으나 PS 방정식에 추가된 일자리만족도 직장유지의향 직무유지의향 등과의 통계

상 계가 매우 높아 PS 추정방정식에 따로 포함시키지 않았다22) 한 추정방정식에는 일부

Interaction Terms들과 Higher Order Terms들을 추가하여 앞서 설명한 변수집합(Z)의 기본요건을 맞

추고자 하 다 추가 변수들은 Balancing Property를 충족하기 하여 선정되었는데 이에 해서는

아래에서 추가 부연한다Rosenbaum and Rubin(1983)에 따르면 PS는 다음 조건을 만족한다

∐ rArr

즉 PS를 통제한 뒤에는 변수집합 Z와 Treatment 여부 D가 상호 독립 이라는 것이다 이는 PS가 동일한 개체들에 해 Z의 평균값을 구한다면 Treatment를 받은 집단과 그 지 않은 집단 사이

에 차이가 없어야 한다는 을 내포한다 이를 Balancing Property라 한다 이를 검증하기 한 방

법으로 P(Z)를 여러 구간(Blocks)으로 나 뒤 각 구간에 한 Mean Difference Statistical T-test를

시행할 수 있다 일부 구간에 해 T-test가 만족하지 않는 경우에는 구간을 더욱 세분하여 진행하

고 여 히 만족이 되지 않는 경우에는 문제가 되는 일부 변수들의 Interaction Terms들과 Higher Order Terms들을 PS 추정방정식에 추가하여 앞서의 과정을 되풀이한다(Dehejia and Wahba[1999]) 앞서 언 된 Interaction Terms과 Higher Order Terms들은 이상의 과정을 거쳐 추가된 항들이다

Balancing Property 검증을 하여 다양한 PS 추정방정식을 설정하여 반복 인 Test를 수행하

다 최종 으로 lt표 5gt의 추정방정식에서 도출한 PS를 기 으로 lt표 6gt과 같이 10개의 Block을

구분한 뒤 Mean- Difference Statistical T-test를 진행하 다 Block 설정은 PS의 Common Support 역인 [00149 06]에 하여 이루어졌다 각 Block들에 한 T-test의 결과는 lt부표 2gt에 수록되어

있다 추정방정식에 도입된 독립변수 항이 총 20개이고 Block의 수는 10개이므로 총 200개의

Mean-Difference T-test가 시행되었다 lt부표 2gt에서 확인할 수 있듯이 5 Significance Level에서

부분의 Block들이 T-test를 통과하 다 통과에 실패한 테스트는 단 두 개로 Block 1의 lsquo정규직

여부rsquo에 한 테스트와 Block 8의 lsquo성별rsquo에 한 테스트이다 따라서 Block Test의 통과율이 99에

이르러 앞서의 PS 추정방정식이 Balancing Property를 체로 만족하고 있다고 결론내릴 수 있다 이상의 과정을 거쳐 확정된 PS 추정방정식을 이용하여 각 개체별로 PS를 구할 수 있다 [그림

4]는 이 게 구해진 PS에 하여 각 집단별 분포도를 제시하고 있다 Treated Group의 경우 PS의

분포가 Untreated Group에 비해 상 으로 우측으로 치우쳐 있음을 쉽게 확인할 수 있다 그리고

PS 분포에서 Common Support 역이 [00149 06]에 이른다는 것을 확인할 수 있다 이는 PS가

06보다 큰 경우에는 Treatment에 참여한 실험군 개체에 해 그에 상응하는 Counterfactual을 조

군으로부터 찾을 수 없음을 의미한다 따라서 PS를 활용한 Treatment의 효과 측정은 이 Common Support 역에 들어오는 실험군 개체들에 한정하여 이루어질 수밖에 없다

22) 를 들어 일자리만족도와 이들 네 변수와의 상 계수(Correlation Coefficient)는 각각 업무만족도(06536) 취업 안정

성 만족도(06014) 자기발 만족도(06279) 복지후생만족도(05514)에 이른다 이들을 포함시키더라도 반 인 결과

에는 큰 차이가 없다

(10)

02

46

8

0 2 4 6 8 0 2 4 6 8

Untreated Group Treated Group

DensityRough Density Curve

Den

sity

Propensity Score Distribu tion for Each Group

lt표 6gt Balancing Property 검증을 위한 Block 구분

Block 번호 Propensity Score 범 D=0 D=1 합계

1 00149 ~ 0025 655 10 665

2 0025 ~ 005 2128 59 2187

3 005 ~ 0075 2146 152 2298

4 0075 ~ 001 1744 200 1944

5 01 ~ 0125 1300 171 1471

6 0125 ~ 015 949 162 1111

7 015 ~ 02 1138 238 1376

8 02 ~ 03 845 242 1087

9 03 ~ 04 230 95 325

10 04 ~ 06 57 56 113

합계 11192 1385 12577

[그림 4] 각 집단별 Propensity Score 분포도

주 Common Support 역인 [00149 06]에 포함된 개체 수는 Untreated Group의 경우 11192명 Treated Group의 경우에

는 1385명임

VII 분석 결과

이제 구해진 PS를 활용하여 이직의 효과와 이직에 있어서 인 네트워크 활용의 효과성을 분

석할 비를 마련하 다 본 분석에서는 앞서 제3 에서 소개한 7가지의 성과지표에 하여 분석

을 진행할 것이다 우선 PS가 추정된 12754개체에 하여 PS를 고려하지 않은 단순비교를 진행해

성과지표의

연간 변화비교 상

이직자

평균

비이직자 평균

격차

(표 오차)

직장만족도 변화이직자 수 1379 3724 -0334 4058

비이직자 수 11274 (0466)

직무만족도 변화이직자 수 1386 2962 -0428 3389

비이직자 수 11285 (0466)

일자리만족도 변화이직자 수 1384 2944 0282 2662

비이직자 수 11261 (0489)

기술 합도 변화이직자 수 1383 2350 -0058 2408

비이직자 수 11245 (0684)

교육 합도 변화이직자 수 1389 2556 -0142 2697

비이직자 수 11300 (0689)

교육기술복합지수

변화

이직자 수 1383 2422 -0091 2513

비이직자 수 11245 (0664)

임 수 변화이직자 수 1384 9088 2782 6307

비이직자 수 11340 (1614)

보자 lt표 7gt은 이직자 집단과 비이직자 집단의 성과지표 변화를 단순비교한 것이다 표에서 확인

할 수 있듯이 이직자의 경우 모든 지표들에 하여 성과지표의 뚜렷한 증가가 목격되었다 비이

직자의 경우에는 임 수 이 2782만원 증가한 것을 제외하고 에 띄는 성과지표의 개선이 나타

나지 않았다23) 성과지표 개선에서 집단 간의 차이가 존재하는지를 검증하기 하여

Mean-Difference Statistical T-test를 진행하고 그 결과를 표에 수록하 다 모든 지표에 하여 이직

자 집단이 비이직자 집단에 비해 높은 증가세를 보인 것이 통계 으로 유의하게 확인된다 를 들

어 이직자 집단의 월평균 임 수 은 9088만원 상승한 것으로 나타나 비이직자 집단에 비해

6307만원만큼 큰 폭의 임 향상을 보 다 하지만 우리는 이상의 결과를 이직의 효과라고 단정

지을 수 없다 왜냐하면 이직의 효과는 이직자 집단에 속한 개체들의 성과 변화와 이들의

Counterfactual 즉 이들이 이직을 하지 않고 직장을 유지하 을 때의 성과 변화를 직 비교해

야 제 로 악되기 때문이다 이후 제시한 Propensity Score Matching에 의한 이직효과 측정은 이

러한 Counterfactual의 탐색에 기반한 분석 결과이다

lt표 7gt 주요 성과지표의 연간 변화 단순비교

주 1 성과지표의 변화에 한 집단 간 차이를 확인하기 하여 Mean-Difference Statistical T-test를 수행함 2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

23) 주어진 임 수 은 연간 임 상승률을 감안한 수치이기 때문에 비이직자의 임 은 불변이거나 하락하여야 정상이

다 재 악되는 비이직자들의 임 증가는 선택편의(Selection Bias) 문제에 의해 발생한 것으로 보인다 주어진 최

종샘 은 차수와 차수 모두에서 임 근로자로 악된 이들로 구성된다 취업시장에 신규로 진입하는 이들에

비하여 근속연수가 1년 많은 셈이다 한 차수에 임 근로자인 이들 임 상승폭이 작은 이들이 그 지 않은

이들보다 근로시장을 이탈할 가능성이 높다 이로 인하여 차수에 이어 차수까지 근로시장에 남아 있는 이들

은 상 으로 높은 임 상승을 보이는 것으로 단된다( 한 분석에 활용한 임 상승률이 lsquo임 구조기본통계조사rsquo의 표본으로부터 추정된 것이므로 노동패 표본과의 근본 차이로 인해 이상의 문제가 도출하 을 가능성도 일

부 배제할 수 없다)

공개채용 스카우트 소개나 추천 직 찾아가서 기타

인 네트워크

활용 구직

21 10 730 68 2

(69) (625) (8459) (1166) (556)

인 네트워크

비활용 구직

278 4 118 502 27

(9145) (250) (1367) (861) (750)

알 수 없음5 2 15 13 7

(164) (125) (174) (223) (1944)

총 사례 수 (1802명

)

304 16 863 583 36

(100) (100) (100) (100) (100)

이직 성격 분류비네트워크

경로-

네트워크

경로

비네트워크

경로-

본격 인 분석에 앞서 인 네트워크와 련하여 이직의 성격을 규명할 필요가 있다 인 네

트워크를 이직경로로 활용한 경우와 그 지 않은 경우로 구분지어 보도록 하자 이를 해 노동패

6차에서 10차까지의 체 경력직 취업자들을 상으로 한 lt부표 1gt의 lsquo경력직 취업자들의 일

자리 진입방식별 구직방법의 분포rsquo를 참조하도록 하자 노동패 에서 제공하는 일자리 진입방식

은 lsquo공개채용rsquo lsquo스카우트rsquo lsquo소개나 추천rsquo lsquo직 찾아가서rsquo lsquo기타rsquo 이 게 다섯 가지로 구분된다 이 lsquo공개채용rsquo 형태의 일자리 진입에서는 lsquo인터넷rsquo이나 lsquo매체 고rsquo를 활용한 구직이 체 사례

의 8486에 이른다 lsquo직 찾아가서rsquo 형태의 일자리 진입 역시 lsquo인터넷rsquo이나 lsquo매체 고rsquo 그리고

lsquo직 탐문rsquo 방식의 구직이 사례의 8113에 이른다 반면 lsquo소개나 추천rsquo 형태의 일자리 진입에서

는 lsquo친구나 친지rsquo를 통하거나 lsquo취업희망 직장의 지인rsquo 혹은 lsquo업무상 알게 된 지인rsquo을 통하는 경우

가 체의 81235에 이른다 즉 각 일자리 진입방식 간에 매우 뚜렷한 구직형태의 차이를 보여

주고 있다 lt부표 1gt의 성공한 구직방법 2 3 8 10 11을 인 네트워크를 활용한 구직으로 1 4 5 6 7 9를 그 지 않은 구직으로 분류하고 각 일자리 진입방식에 한 인 네트워크 활용도를

추산해 보면 다음 lt표 8gt과 같이 요약된다

lt표 8gt 일자리 진입방식별 이직의 성격 분류

주 ( ) 안은 각 일자리 진입방식에 한 이직 성격의 비 을 백분율로 표시함 자료 lt부표 1gt를 재구성한 것임

lt표 8gt에 요약된 바와 같이 lsquo공개채용rsquo과 lsquo직 찾아가서rsquo 형태의 일자리 진입에서 인 네트

워크를 활용하지 않은 구직이 각기 9145와 861에 이른다 반면 lsquo소개나 추천rsquo에서는 인 네

트워크를 활용한 구직이 8459에 이른다 이를 바탕으로 본 분석에서는 lsquo공개채용rsquo과 lsquo직 찾아

가서rsquo를 lsquo비네트워크 경로 이직rsquo으로 lsquo소개나 추천rsquo을 lsquo네트워크 경로 이직rsquo으로 구분한다 이 분류

에 따르면 15705명의 최종샘 에서 이직자로 악된 1560명 1438명의 체 인 구직경로 구

분이 가능하다 이 999명이 네트워크 경로 이직자로 439명이 비네트워크 경로 이직자로 분류

된다 한 앞서 PS가 추정된 12754명 에는 1391명이 이직자인데 그 891명은 네트워크 경

로 이직자로 387명은 비네트워크 경로 이직자로 분류된다

1 이직을 통한 개인만족도의 변화

아래 세 개의 도표 lt표 9gt lt표 10gt lt표 11gt은 이직을 통하여 개인의 만족도가 개선되는지의

여부를 PSM을 통하여 검증한 것이다 각각의 만족도지수(직장만족도 직무만족도 일자리만족도)에 하여 세 가지 방식의 PSM 추정치(Five Nearest Neighbors Radius Matching Kernel Matching)를

제시하고 있다앞서 lt표 7gt의 단순비교에서는 이직자와 비이직자의 연간 만족도변화가 100 만 에서

4058 (직장만족도) 3389 (직무만족도) 2662 (일자리만족도)만큼 차이가 나는 것으로 집계

되었다 그러나 PSM 방식으로 재추정된 이직의 만족도 개선효과는 각각 약 250 (직장) 216(직무) 155 (일자리)으로 나타났다24) 종합하면 단순비교 방식(표 7)은 PSM 활용방식(표 9

표 10 표 11)에 비해 이직의 만족도 개선효과를 약 1~15 만큼 과 추정하고 있음을 확인할 수

있다 이러한 상이 나타난 이유는 실제 이직한 이들이 그 지 않은 이들에 비해 기존 직장에서

의 만족도가 상 으로 낮았다는 데 있다 를 들어 주어진 최종샘 에서 이직자들의 기존 직장

에서의 직장만족도는 평균 5071 을 보이는 반면 같은 시기 비이직자들의 평균 직장만족도는 이

보다 무려 7 가까이 높은 5724 으로 나타났다 따라서 단순비교 방식에서는 이직을 통한 만족

도 개선효과가 다소 과장되어 추산되기 마련이다 이들 이직한 이들이 만약 기존 직장에 그 로 남아 있었다면 (이들의 만족도가 상 으로 낮

은 수 이므로) 다른 이들에 비해 보다 높은 수 의 만족도 개선을 한 해 사이에 경험하 을 것이

다 실제로 체 비이직자들의 연간 만족도의 변화가 각기 -0334 (직장) -0428(직무) 0282 (일자리)에 그치는 데 반해 실험군(이직자 집단)의 Counterfactual 즉 PS를 사용하여 실험군 개체에 매

칭된 (비이직자 집단 내) 조군 개체들의 만족도 변화는 각기 113 (직장) 066 (직무) 133 (일자리)에 이르 다(각 표의 lsquo매칭된 조군 변화(B)rsquo 항목 참조) 실험군 Counterfactual에서의 만족도

개선폭이 여타 비이직자들의 연간 만족도 개선폭보다 략 1 이상 높게 나타나는 것이다 이상

의 선택편의(Selection Bias) 문제가 히 통제될 때 이직의 순효과가 바르게 추정될 수 있다 앞서 시한 PSM 방식으로 추정된 이직의 만족도 개선효과는 이러한 선택편의 문제를

Counterfactual Framework으로 극복한 추정 결과라 할 수 있다 그럼 네트워크 경로 이직과 비네트워크 경로 이직 사이에 뚜렷한 차이가 존재하는지 살펴보도

록 하자 표에서 확인할 수 있듯이 두 경우 모두 이직의 만족도 개선효과가 통계 으로 유의한 수

에서 명확히 확인된다 네트워크 경로의 이직에서는 만족도 개선의 효과가 각기 220 (직장) 158 (직무) 117 (일자리)으로 확인되었고 비네트워크 경로의 이직에서는 각기 263 (직장) 284 (직무) 207 (일자리)으로 확인되었다 흥미로운 부분은 비네트워크 경로의 이직에서 이직

을 통한 만족도 개선의 효과가 소폭 높게 나타난 이다 이는 비네트워크 이직 사례들이 상당수

의 lsquo공개채용rsquo 입사자를 포함하기 때문에 나타난 상으로 보인다 lsquo공개채용rsquo은 주로 종업원 300인 이상의 규모가 큰 기업에서 집 으로 활용되고 있다25) 이들 큰 기업에 lsquo공개채용rsquo으로 입사

한 이들은 그 직장에 비해 주 인 만족도가 크게 향상되었을 것이다 이러한 lsquo공개채용rsquo 사례들이 비네트워크 이직의 만족도 개선효과를 다소 증폭시키는 역할을 하 을 것으로 추정된다

반면 비네트워크 이직을 통한 만족도 개선이 네트워크 이직에 비해 다소 크다고 하여 이것이

24) 이는 분석에 사용된 세 가지 방식의 PSM 추정치들을 산술평균하여 정리한 수치들임 25) 이 부분에 한 구체 인 설명은 발간 정인 한국개발연구원 정책연구시리즈 lsquo인 네트워크(개인의 사회 자본)

의 노동시장 효과 분석rsquo을 참조하기 바란다 ( 자에게 요청시 수령가능함)

이직과정에서의 인 네트워크 요성은 인정되지 않는다는 식으로 해석될 수 없음을 유념하여야

한다 국내 이직과정에서의 인 네트워크 의존도는 해외 주요국에 비해 상당히 높은 수 이다 략 65 안 의 경력직 취업자들이 인 네트워크를 활용하여 구직에 성공하 다고 추정되고 있

다26) 만약 재 이직을 고려하고 있는 국내 한 근로자가 구직활동에서 인 네트워크 활용을 포기

한다면 이 근로자의 이직 성공 가능성은 매우 낮아질 것이다 즉 개인의 이직 성공률을 높이기

해서는 평소에 꾸 한 구직 네트워크 리가 요청된다 할 수 있다 특히 이직수요라는 것은 많은

경우 자신의 의도와는 다르게 외부 충격으로 인해 발생한다 회사의 경제 환경이 변화하기도

하지만 자신의 심사가 바 기도 하고 가족의 갖가지 필요에 의해 이직이 요구되기도 한다 즉 언제 발생할지 모르는 이직수요에 히 응하기 해서는 이직의 주요한 통로라 할 수 있는 인

네트워크에 한 상시 리가 요청되는 것이다 따라서 이직을 고려한 인 네트워크의 상시

리 이를 한 개인의 갖가지 비용 지출은 향후 발생 가능한 험에 처하기 하여 자동

차나 암 보험을 구매하는 것과 같이 기꺼이 지불해야 할 미래에 한 투자라 할 수 있다

26) 역시 한국개발연구원 정책연구시리즈 lsquo인 네트워크(개인의 사회 자본)의 노동시장 효과 분석rsquo을 참조하기 바

란다

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1371) 3662 1201 2460 403

조군(11274) (0610)

Radius Matching 실험군(1362) 3543 1009 2534 436

조군(11274) (0581)

Kernel Matching(Normal) 실험군(1372) 3659 1165 2494 434

조군(11274) (0564)

체 이직효과 평균 362 113 250

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 3309 1169 2140 293

조군(11274) (0730)

Radius Matching 실험군(879) 3231 0939 2292 331

조군(11274) (0693)

Kernel Matching(Normal) 실험군(881) 3309 1146 2162 315

조군(11274) (0686)

네트워크 이직효과 평균 328 108 220

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(380) 4224 1525 2699 224

조군(11274) (1206)

Radius Matching 실험군(373) 3981 1438 2543 217

조군(11274) (1171)

Kernel Matching(Normal) 실험군(381) 4213 1565 2647 230

조군(11274) (1149)

비네트워크 이직효과 평균 414 151 263

lt표 9gt 이직을 통한 직장만족도 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1377) 2850 0701 2149 363

조군(11285) (0592)

Radius Matching 실험군(1368) 2767 0626 2140 381

조군(11285) (0562)

Kernel Matching(Normal) 실험군(1378) 2852 0648 2204 398

조군(11285) (0554)

체 이직효과 평균 282 066 216

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(884) 2302 0808 1494 211

조군(11285) (0707)

Radius Matching 실험군(882) 2256 0658 1598 238

조군(11285) (0670)

Kernel Matching(Normal) 실험군(884) 2302 0654 1648 249

조군(11285) (0661)

네트워크 이직효과 평균 229 071 158

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 3648 0577 3072 269

조군(11285) (1142)

Radius Matching 실험군(374) 3463 0774 2688 245

조군(11285) (1098)

Kernel Matching(Normal) 실험군(382) 3652 0888 2764 257

조군(11285) (1077)

비네트워크 이직효과 평균 359 075 284

lt표 10gt 이직을 통한 직무만족도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1375) 2909 1571 1338 217

조군(11261) (0617)

Radius Matching 실험군(1366) 2818 1276 1543 262

조군(11261) (0588)

Kernel Matching(Normal) 실험군(1376) 2907 1147 1760 303

조군(11261) (0581)

체 이직효과 평균 288 133 155

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(882) 2523 1626 0897 121

조군(11261) (0742)

Radius Matching 실험군(880) 2472 1246 1225 173

조군(11261) (0707)

Kernel Matching(Normal) 실험군(882) 2523 1139 1383 198

조군(11261) (1697)

네트워크 이직효과 평균 251 134 117

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 3609 1499 2110 176

조군(11261) (1196)

Radius Matching 실험군(374) 3409 1530 1879 163

조군(11261) (1151)

Kernel Matching(Normal) 실험군(382) 3599 1365 2235 197

조군(11261) (1133)

비네트워크 이직효과 평균 354 146 207

lt표 11gt 이직을 통한 일자리만족도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이 를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

2 이직을 통한 배치효율성의 변화

다음은 이직의 다른 측면인 일자리 재배치의 문제에 해 살펴보고자 한다 이직은 각 개인

에 있어서는 직장생활의 변화라 할 수 있지만 기업의 입장에서는 노동인력의 교환에 해당한다 따라서 이직을 통한 노동인력의 재배치가 과연 사회 반의 경제 이익을 창출하고 있는지를 따

져 볼 필요가 있다 앞서 lt표 7gt에서 기술수 교육수 교육기술복합지수 이 세 가지 합도에 해 이직자

비이직자 집단 내의 연간 변화를 정리한 바 있다 여기서 비이직자의 경우 각 지수에서 연간 합

도가 소폭 하락한 것으로 나타났고 이직자의 경우 합도가 크게 상승한 것으로 나타났다 비이

직자는 기술수 의 합도에서 0058 이 교육수 의 합도에서 0142 이 그리고 교육기술수

의 복합지수에서는 0091 이 하락한 데 반해 이직자들은 각기 2350 (기술) 2556 (교육) 2422(복합지수)의 합도 상승이 발견되었다 비이직자들의 합도 하락은 기술이나 경제환경의 변

화와 한 련이 있다 경쟁력 있는 기술 이에 한 사회 수요가 시간에 따라 변화하므로 직장에서의 자신의 기술 혹은 교육수 은 (평균 으로 보아) 이 보다 합성이 다소 떨어지게

마련이다 반면 이직자들의 합도 상승이 과연 이직의 순효과인지에 해서는 여 히 의문의 여

지가 크다 이직을 결행한 이들은 이 직장에서의 직무 련 합도가 평균 으로 크게 떨어지는

이들이다 를 들어 최종샘 에서 이직을 하지 않은 이들의 한 해 기술 합도는 평균 9066인 데 반해 이직을 결행한 이들의 한 해 (이 직장에서의) 기술 합도는 평균 8547 에 머무

는 것으로 나타났다 이들은 애 에 워낙 합도가 떨어지기 때문에 굳이 이직을 택하지 않더라

도 직무재배치나 직장 내 부서이동 등을 통하여 1년 사이에 상당한 정도의 합도 개선을 이루었

을 것으로 상된다따라서 이직을 통한 배치효율성의 개선효과 즉 반 인 근로자의 직무 련 합도 상승효

과를 명확히 규명하기 해서는 이직한 이들이 이직을 하지 아니하 을 때에 상되는 합도의

개선을 우선 추정해 볼 필요가 있다 이것은 앞서 설명하 듯이 Counterfactual의 추정을 통해서만

이 가능하다 lt표 12gt lt표 13gt lt표 14gt는 PSM을 이용하여 비이직자들의 정보로부터 이직자들의

Counterfactual을 추정한 뒤 이를 보고하고 있다 세 방식(Five Nearest Neighbors Radius Matching Kernel Matching)의 추정치를 산술평균하면 기술 합도에서는 088 교육 합도에서는 057 교육

기술복합지수에서는 075 의 상승이 확인되었다(각 표의 lsquo매칭된 조군 변화(B)rsquo 항목을 참조) 이를 실험군 즉 실제 이직자들의 합도 상승(각 표의 lsquo실험군 변화(A)rsquo 항목)과 비교하면 순이직

효과는 각기 131 (기술) 183 (교육) 140 (복합지수)에 이르는 것으로 결론지을 수 있다 반

면 교육과 복합지수에서는 이들 순이직효과가 통계 으로 유의하게 나타났으나 기술수 의

합도에서는 이 효과가 통계 으로 뚜렷하지 않았다 10의 유의도에서 검증할 때 Kernel Matching을 제외한 나머지 두 개의 PSM 매칭에서 통계 유의성을 확보할 수 없었다 이에 이직

을 통한 교육수 의 합도 개선효과는 분명한 반면 기술수 의 합도 개선은 통계 으로 입증

되지 않는다고 결론지을 수 있다 교육기술복합지수의 경우 이 두 가지 효과가 첩되어 나타난

것으로 교육수 의 합도 개선이 워낙 뚜렷하기 때문에 통계 으로 유의한 지수상승이 나타난

것으로 단된다 이상과 같이 이직을 통해 교육수 합도의 개선이 보다 효과 으로 이루어지

는 것은 채용과정에서 후보자의 교육수 이 기술수 에 비해 객 인 자료를 이용하여 검증하

기가 보다 용이하기 때문인 것으로 보인다

그럼 이직을 통한 배치효율성 개선 측면에서 인 네트워크의 역할을 살펴보도록 하자 네트

워크 경로 이직과 비네트워크 경로 이직으로 나 어 이직효과를 각기 추정해 보면 둘 사이에 의

외의 뚜렷한 차이가 존재함을 확인할 수 있다 네트워크 경로의 이직인 경우 이직을 통한 합도

개선효과가 통계 으로 유의한 수 에서 매우 높게 나타난다 이직의 순효과는 각기 213 (기술) 252 (교육) 126 (복합지수)에 이른다 반면 비네트워크 경로의 이직인 경우 이 효과는 모두 사

라져 버린다 즉 이직효과는 기술 합도 교육 합도 교육기술복합지수 모두에서 양과 음을 반복

하고 통계 유의성도 확보되지 않는다 즉 비네트워크 경로를 통한 이직에서는 일자리 재

배치를 통한 사회 반의 경제 이득을 기 할 수 없는 것이다 앞서 교육 합도 개선에 있어 이

직의 반 인 효과가 통계 으로 강하게 나타났는데 이 효과의 부분은 비네트워크 경로 이직

보다는 네트워크 경로 이직으로부터 창출된 것임을 짐작할 수 있다 특히 기술 합도를 보면 이직자들의 합도 개선은 네트워크와 비네트워크 이직 사이에 뚜렷

한 차이를 보이는데 네트워크 이직자들의 합도 개선은 평균 292 인 데 반해 비네트워크 이직

자들의 합도 개선은 평균 048 에 그친다 인 네트워크를 활용하지 않고 이직을 하 을 경우 이직을 하 음에도 불구하고 기술 합도의 개선은 평균 으로 거의 기 되지 않는 것이다 이는

앞서 주 만족도의 개선효과와 비교하여 매우 상반된 결과에 해당한다 이직을 통한 주 만

족도의 개선에서는 네트워크와 비네트워크 이직 모두 그 효과가 분명하 으며 특히 비네트워크

이직자들의 주 만족도 개선폭은 3 내지 4 에 이르 다 이는 네트워크 이직자들의 만족

도 개선폭에 비해서도 1 가량 높은 수치 다 따라서 이직이 반 으로 개인의 주 만족도

를 개선하는 효과가 있으나 배치효율성의 개선 측면에서는 오직 인 네트워크에 의존한 이직만

이 재배치의 분명한 경제 효과를 평균 으로 창출한다고 결론지을 수 있다 이러한 네트워크와 비네트워크 사이의 뚜렷한 이직효과의 차이는 네트워크가 지닌 정보 달

기능에 기인한 것으로 단된다 인 네트워크는 구인자와 구직자 사이에 훌륭한 정보 달 기능

을 수행하고 있다 구직자에게는 어떠한 일자리가 구직자의 기술능력 혹은 교육수 에 비추어

합한지에 한 정보를 제공하고 구인자에게는 구인자가 필요로 하는 합한 기술의 소유자가

구인지에 한 정보를 제공하는 것이다 이는 평소에 구인자와 구직자 모두를 아우르는 간 매개

로서의 인 네트워크가 있었기에 가능한 것이다 반면 비네트워크에서는 이러한 효과를 기 하

기 힘들다 비네트워크 채용에서는 주어진 서류와 단시간의 인터뷰 혹은 직무능력 테스트만을 가

지고 합한 인력을 선발하여야 한다 lsquo공개채용rsquo의 경우 많은 지원자들의 경쟁을 거치므로 상으로 보다 합한 후보자를 선별할 수 있을 것이다 그러나 lsquo직 찾아가서rsquo 형태의 입사에서는

이러한 경쟁의 과정 역시 생략되므로 높은 합도를 지닌 후보의 채용은 더욱 기 하기 힘들다 정리하자면 인 네트워크는 국내 노동시장에서 일자리와 일자리 후보 사이의 활발한 정보 달

기능을 수행함으로써 노동시장의 효율 작동을 돕고 있는 것이다 끝으로 이러한 네트워크 이직의 배치효율성이 모든 이직 사례에 일 으로 용되는 것이

아님을 주지할 필요가 있다 인 네트워크가 구인과 구직 사이의 lsquo연결(Networking)rsquo 기능을 수행

할 때 이상의 정 인 효과를 기 할 수 있을 것이나 이 둘 사이의 lsquo연 rsquo로서 기능할 때는 오히

려 역효과를 래할 수 있다 즉 인 네트워크를 통하여 합하지 않은 지원자를 연 로 채용시

키는 경우 해당 일자리에 한 매치 합성은 네트워크 이직으로 인해 오히려 감퇴할 수 있다 우리는 이상의 분석을 통하여 국내 노동시장에서 네트워크 이직의 반 인 교육 기술 수

합도 개선효과를 확인한 바 있다 이는 국내 노동시장의 고용 로세스에서 lsquo연 rsquo의 부정 효과

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1374) 2220 1095 1124 121

조군(11245) (0929)

Radius Matching 실험군(1365) 2088 0735 1353 155

조군(11245) (0874)

Kernel Matching(Normal) 실험군(1375) 2255 0795 1460 168

조군(11245) (0869)

체 이직효과 평균 219 088 131

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 2951 0919 2032 181

조군(11245) (1125)

Radius Matching 실험군(879) 2844 0746 2098 198

조군(11245) (1057)

Kernel Matching(Normal) 실험군(881) 2951 0702 2250 214

조군(11245) (1049)

네트워크 이직효과 평균 292 079 213

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 0525 2297 -1772 -096

조군(11245) (1840)

Radius Matching 실험군(374) 0267 0868 -0600 -034

조군(11245) (1753)

Kernel Matching(Normal) 실험군(382) 0654 1297 -0642 -037

조군(11245) (1746)

비네트워크 이직효과 평균 048 149 -100

보다는 구인구직 간 lsquo연결rsquo이라는 네트워크의 정 효과가 보다 강하게 작동하고 있음을 시사

한다

lt표 12gt 이직을 통한 기술적합도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1380) 2428 0630 1797 193

조군(11300) (0931)

Radius Matching 실험군(1371) 2298 0496 1802 207

조군(11300) (0872)

Kernel Matching(Normal) 실험군(1381) 2462 0586 1876 216

조군(11300) (0869)

체 이직효과 평균 240 057 183

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(886) 3047 0342 2705 245

조군(11300) (1106)

Radius Matching 실험군(884) 2885 0528 2357 227

조군(11300) (1037)

Kernel Matching(Normal) 실험군(886) 3047 0551 2496 243

조군(11300) (1029)

네트워크 이직효과 평균 299 047 252

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(382) 1702 2007 -0305 -016

조군(11300) (1891)

Radius Matching 실험군(375) 1600 0559 1041 058

조군(11300) (1788)

Kernel Matching(Normal) 실험군(383) 1828 0910 0917 051

조군(11300) (1793)

비네트워크 이직효과 평균 171 116 055

lt표 13gt 이직을 통한 교육적합도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1374) 2293 0893 1399 155

조군(11245) (0904)

Radius Matching 실험군(1365) 2161 0641 1520 179

조군(11245) (0850)

Kernel Matching(Normal) 실험군(1375) 2327 0711 1616 191

조군(11245) (0847)

체 이직효과 평균 226 075 140

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 2951 0643 2308 212

조군(11245) (1087)

Radius Matching 실험군(879) 2816 0662 2154 211

조군(11245) (1021)

Kernel Matching(Normal) 실험군(881) 2951 0645 2306 228

조군(11245) (1014)

네트워크 이직효과 평균 291 065 226

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 1115 2233 -1118 -062

조군(11245) (1816)

Radius Matching 실험군(374) 0936 0749 0187 011

조군(11245) (1727)

Kernel Matching(Normal) 실험군(382) 1243 1131 0112 007

조군(11245) (1726)

비네트워크 이직효과 평균 110 137 -027

lt표 14gt 이직을 통한 교육기술복합지수의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

3 이직을 통한 임금수준의 변화

다음은 이직을 통한 임 수 의 변화가 실재하는지 검토하고자 한다 네트워크 이직과 비네트

워크 이직을 나 어 볼 때 앞서 우리는 네트워크 이직이 일자리 매치 합도를 히 개선한다

고 밝힌 바 있다 임 이 근로자의 생산성 기여분을 그 로 반 한다고 한다면 네트워크 이직에

따른 매치 합도의 개선은 근로자의 임 상승으로 이어져야 할 것이다 앞서 lt표 7gt의 단순비교에서 이직자들의 연간 임 상승분이 평균 9088만원 비이직자들의 연

간 임 상승분은 2782만원으로 집계된 바 있다 둘 사이의 격차가 6307만원에 이른다 한 해 사

이에 이직한 이들의 연간 임 상승폭이 직장을 그 로 유지한 이들의 연간 임 상승폭 보다

히 높은 수 인 것이다 하지만 이러한 단순비교는 선택편의(Selectoin Bias) 문제를 역시 고려하지

않고 있으므로 이직의 직 인 임 상승효과라 볼 수는 없다 즉 실제로 이직을 결행한 이들의

이직 임 수 은 같은 시기 직장을 그 로 유지한 이들에 비해 상 으로 낮은 수 일 가능

성이 높다 이들이 직장을 그 로 유지하 다면 다른 이들에 비해 히 높은 수 의 임

상승을 경험하 을 것이다 실제 이직한 이들이 만약 이직을 하지 않고 직장을 그 로 유지하

을 때 상되는 임 상승분 즉 이직자 임 상승분의 Counterfactual을 PSM 방식을 활용하여 추

정한 수치가 lt표 15gt의 lsquo 조군 변화(B)rsquo에 요약되어 있다 이에 따르면 실제 이직자들이 이직을

하지 않았을 때 기 할 수 있는 임 상승분은 략 5만원 정도에 이르는 것으로 나타난다 따라

서 이직에 따른 임 상승의 순효과는 앞서 제시한 6307만원이 아닌 이보다 상당히 축소된 386만원이다 이는 lt표 15gt에 정리된 바와 같이 PSM을 활용한 세 가지 추정치의 산술평균으로 추산

된 값이다 한 이러한 이직의 임 상승효과는 통계 으로도 유의한 것으로 확인되었다 반면 네트워크 경로 이직자와 비네트워크 경로 이직자의 임 상승분을 비교해 보면 둘 사이

에 상당한 격차가 존재함을 쉽게 확인할 수 있다 네트워크 이직자들의 이직을 통한 임 상승효과

는 통계 으로 유의한 수 에서 략 384만원으로 추정되는 반면 비네트워크 이직자들의 임

효과는 -077만원이고 이는 통계 으로도 유의하지 않다 즉 네트워크를 활용하여 이직하 을

때 뚜렷한 임 상승이 기 되는 반면 인 네트워크를 활용하지 않고 이직하 을 때는 이 효과

를 확신할 수 없을 뿐더러 다소 하락할 가능성도 있는 것이다 따라서 앞서 확인된 이직을 통한

반 인 임 상승의 효과는 네트워크 이직을 통해 창출된 효과이며 비네트워크 이직을 통한

기여는 뚜렷하지 않은 것으로 결론지을 수 있다이직은 새로운 일자리에 자신의 기술 직무 능력을 응시키는 과정이다 따라서 임 상승

효과가 이직 기에 항상 담보되지는 않을 것이다 반면 인 네트워크를 활용하 을 때 자신에

게 보다 합한 일자리에 배치됨으로써 즉 자신의 능력과 잠재력을 보다 잘 발휘할 수 있는 직무

에 재배치됨으로써 이상의 추가 인 임 상승을 기 할 수 있는 것이다 이는 앞서 이직을 통한

배치효율성 검증에서 확인되었던 네트워크 이직의 기술수 (혹은 교육수 ) 합도 상승효과와

일맥상통하는 결과이다 인 네트워크를 활용한 이직은 임 근로자를 보다 합한 일자리에 재

배치하는 데 일조하고 이것이 생산성에의 보다 높은 기여를 창출함으로써 이직자들의 추가 인

임 상승으로 이어지는 것이다물론 이러한 해석은 평균 인 추세를 반 한 것임에 유념할 필요가 있다 네트워크 이직의 사례

에는 앞서 말한 생산 인 lsquo연결rsquo 효과가 아닌 비생산 인 lsquo연 rsquo 효과 혹은 정실인사(Nepotism)가

작동한 경우들도 상당할 것이다 이 경우 생산성에의 기여가 충분하지 않음에도 불구하고 기술이

나 능력에 비해 임 을 후하게 설정할 가능성이 높다 이러한 lsquo연 rsquo형 이직을 통한 임 상승 역

시 네트워크 이직의 임 상승효과라 볼 수는 있겠으나 이것이 일자리 배치효율성의 개선을 반

한다고 볼 수는 없는 것이다 따라서 앞서 추정한 네트워크 이직의 임 상승효과 384만원이

으로 일자리 매치 합도 개선효과에서 기인한다고 단정 지을 순 없다 한 비네트워크 이직 역

시 평균 으로 임 상승의 효과가 포착되지 않은 것일 뿐 비네트워크 이직의 표본 에는 실제로

임 이 크게 상승한 사례들도 상당히 존재할 수 있다 를 들어 lsquo공개채용rsquo 방식의 입사인 경우 경합자들에 비해 채용 합격자의 해당 일자리 합성이 보다 우수하다고 단되어 채용된 사례가

많을 것이다 이 게 경쟁을 거쳐 채용된 이들은 이 에 비해 상당히 높은 수 의 임 상승을 기

할 수 있다 반면 비네트워크 이직에서 반 인 임 상승의 효과가 포착되지 않는 것은 비네트워크 이직

이 격한 주 만족도의 개선을 이끌었던 것과 비교하여 매우 조 인 상이다 많은 이들의

상식과는 달리 이직의 결정은 임 만족도 수 과 직결되어 있지 않다 앞서 제4 에서 우리는 이

직의 향요인들을 분석해 본 바 있다 이직의 결정이 업무만족도 복지후생만족도 취업 안정성에

한 만족도 등 다양한 요소에 민감하게 반응하는 반면 임 에 한 만족도와는 통계 으로 유의

한 수 에서의 연 성이 포착되지 않았다 개인의 이직 결정은 임 이외에 다양한 요소들을 종합

으로 고려한 단 결과라 할 수 있다 체로 이직은 다양한 방면에서 개인의 주 만족도를

격하게 향상시킨다 반면 자신의 기술(교육)수 과 일자리의 매치 합성의 문제는 이직자들에

게는 부차 인 고려 상에 해당한다 임 수 의 개선 역시 이직 시 고려되는 한 요소이겠으나 인 요소는 아니고 다양한 향요인 의 하나로 볼 수 있는 것이다 이러한 에서 비네트워

크 이직이 다소 상반된 효과(즉 주 만족도의 한 개선효과와 미미한 수 의 임 개선효

과)를 동시에 보여주고 있는 것은 일견 자연스러운 상이다

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1375) 8887 5274 3613 184

조군(11340) (1962)

Radius Matching 실험군(1366) 8842 4813 4029 208

조군(11340) (1936)

Kernel Matching(Normal) 실험군(1376) 8861 4916 3945 206

조군(11340) (1880)

체 이직효과 평균 886 500 386

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(882) 8943 5519 3423 150

조군(11340) (2285)

Radius Matching 실험군(880) 8827 4855 3972 178

조군(11340) (2231)

Kernel Matching(Normal) 실험군(882) 8943 4819 4124 186

조군(11340) (2217)

네트워크 이직효과 평균 890 506 384

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 4772 5672 -0900 -024

조군(11340) (3685)

Radius Matching 실험군(374) 4805 5201 -0396 -011

조군(11340) (3661)

Kernel Matching(Normal) 실험군(382) 4691 5716 -1025 -028

조군(11340) (3601)

비네트워크 이직효과 평균 476 553 -077

lt표 15gt 이직을 통한 임금수준의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

VIII 구직 네트워크의 사회적 자본 추정

근로자 개인의 측면에서 구직 네트워크의 가치를 추정해 보자 앞서 네트워크 이직을 통한 임

상승효과를 3840만원으로 추정하 다 이는 2008년 기 액이다 연간 물가상승률을 감안하

면27) 2010년 재가로 4074만원에 해당한다 평소에 구직 네트워크를 히 리하여 이직에서

이를 활용한다면 한 번의 이직으로 4만원 안 의 추가 인 임 상승을 기 할 수 있는 것이다 연으로는 489만원 가량의 임 이 이직 이후 매년 추가 으로 지 되는 것으로 해석될 수 있다28)

한편 이직이라는 것은 근로자의 생애를 걸쳐 발생하는 사건이다 임 근로자를 심으로 한

재의 최종샘 에서 연간 일자리 이동비율은 평균 993에 이른다 직종 업종에 따라 혹은 재

직 회사의 규모에 따라 이직률에는 상당한 차이가 있겠으나 체 임 근로자를 상으로 하 을

때 략 10년에 한 번 정도의 이직이 상되는 것이다 임 근로자의 생애를 걸쳐 살펴보면

이직은 주로 직장생활 후기보다는 기에 집 되어 있다 [그림 5]는 최종샘 15705명 임 근로

자를 상으로 한 각 연령별 이직률 추이를 나타낸다 생애 이직률은 20 후반에 가장 높고 30 반에 주춤하다가 30 후반에 다시 상승하고 40 이후에 하강하는 추세임을 확인할 수

있다

[그림 5] 연령별 이직률(26세부터 59세까지)

(단 )

0

2

4

6

8

10

12

14

16

18

26 28 30 32 34 36 38 40 42 44 46 48 50 52 54 56 58

연령(만)

자료 노동패 5차부터 10차까지

이를 활용하면 임 근로자 한 사람이 평생에 걸쳐 기 할 수 있는 이직의 임 상승효과를 추

정해 볼 수 있다 첫 취업의 평균연령이 265세임을 고려하여 표 인 임 근로자(A Representative Worker)가 26세부터 60세까지 노동시장에 참여한다고 가정해 보자 인 네트워크

27) 여기에 연평균 물가상승률 3를 용하 다 실제 임 상승률도 2009년의 임 이 융 기 여 로 거의 동결이었

음을 고려할 때 2년간 략 6에 해당한다 28) 여기서는 네트워크 이직의 임 리미엄(연 489만원 상승)이 이직 후 매년 지속된다고 가정하고 있다 실제로

리미엄이 상당 기간 지속되는지 아니면 이직 후 빠르게 축소되는지에 한 국내 실증분석은 향후 과제로 남겨져

있다

를 활용한 이직만이 평균 인 임 상승효과를 가져온다는 을 고려할 때 구직 네트워크의 생애

가치()는 다음과 같이 요약된다29)

times timestimestimes (11)

여기서 는 연령 에서의 상 이직률(Job Transfer Rate)을 나타낸다 은 이직 시 인 네

트워크에 한 의존도 수 이다 는 네트워크 이직에 따른 월평균 임 상승의 효과이다 여기

에 [그림 5]에 요약된 이직률의 생애 추이를 에 입하자 여기서 경력직 이직자의 인 네트

워크 의존도가 60 반(plusmn5 이내)으로 추산된 을 고려하여 에 64를 입하도록 하자30) 그리고 에 앞서 추정한 네트워크 이직의 임 상승효과 4074만원(2010년 기 )을 입하면 구직 네트워크의 생애 가치()는 18720만원으로 집계된다 만약 에 이직률의 생애 추

이 신 최종샘 에서 구한 평균이직률 993를 연령 에 걸쳐 일률 으로 사용한다면 이와

유사한 수치인 18486만원을 얻을 수 있다 따라서 한국사회 임 근로자 한 사람의 구직 네트워크

가치는 보상 측면에서 략 일천 1870만원 수 인 것으로 결론지을 수 있다 물론 이 수치는 이직을 통한 이득만을 반 하고 있을 뿐 주 만족도의 개선효과는

반 하고 있지 않다 앞서 우리는 일자리 이동을 통해 창출되는 개인의 만족도 변화를 직장만족

도 직무만족도 일자리만족도 이 세 가지 측면에서 고려해 보았다 네트워크 이직과 비네트워크

이직 모두 만족도의 개선효과를 보 다 그러나 국내 노동시장에서 이직의 약 60 이상이 인

네트워크에 의존하고 있음을 고려할 때 임 근로자 한 개인이 구직 네트워크를 리하지 않는다

면 그의 이직률은 에서 60 이상 추락할 것이다 이를 고려하여 구직 네트워크의 생애 만족

도 개선효과()를 다음과 같이 요약할 수 있다31)

timestimestimestimes (12)

여기서 는 네트워크 이직을 통한 주 만족도의 개선폭을 나타낸다 앞서 네트워크 이직

이 창출하는 주 만족도의 개선효과가 100만 에서 220 (직장만족도) 158 (직무만족도) 117 (일자리만족도) 정도임을 확인하 다 이 세 수치의 평균치가 네트워크 이직의 만족도 개선

효과를 히 변하고 있다고 한다면 의 략 인 추정치는 165 이 된다 이를 입하면

구직 네트워크의 만족도 개선효과는 략 7582 으로 추산된다 만족도 1 을 으로 환산하

여 만원에 해당한다고 표시하면 구직 네트워크의 임 근로자 일인당 생애가치()는 임

상승효과()와 만족도 개선효과()의 합으로써 다음과 같이 요약된다

equiv (=18720+7582) (13)

구직 네트워크의 가치 (18720+7582n)만원이 함의하는 바를 명확히 규정하기는 쉽지 않다 특히 개인마다 일자리에서 얻는 주 만족도를 가치로 환산하는 방식이 다를 것이다 를 들

29) 구직 네트워크의 재 가치를 추산하기 해서는 시간할인률을 용할 필요가 있으나 여기서는 이를 생략하 다 시간할인률이 용된 추정치는 재 계산된 값보다 다소 하락할 것이다

30) 이에 한 보다 구체 인 설명은 본 논문의 보다 상세한 내용이 실린 한국개발연구원 정책연구시리즈로 출간 정

인 lsquo인 네트워크(개인의 사회 자본)의 노동시장 효과 분석rsquo 보고서를 참조 바란다 31) 앞서와 마찬가지로 구직 네트워크의 재 가치를 추산하기 해서는 시간할인률을 용할 필요가 있으나 여기서는

이를 생략하 다 시간할인률이 용된 추정치는 재 계산된 값보다 다소 하락할 것이다

어 어떤 이들에게는 이득만이 요하고 주 만족도는 경시될 수 있다 이들에게 n은

lsquo0rsquo에 가까운 것이다 반면 다른 이들에게는 일자리에서 얻는 주 만족도가 임 소득보다

몇 배 이상 요할 수 있다 이들에게 n은 1보다 큰 양수가 될 것이다 구직 네트워크의 가치를 수

치로 악해 보고자 n=1인 근로자를 상정해 보자32) 이 사람에게 만족도 1 은 1만원만큼의

효용을 창출한다 이 근로자에게 구직 네트워크의 종합 가치는 26302만원에 이른다고 평가할

수 있다 이러한 구직 네트워크의 종합 가치를 개인의 물 혹은 인 자본과 별하여 근로자

개인의 구직 네트워크 사회 자본이라 명할 수 있다추정한 구직 네트워크의 가치인 (18720+7582n)만원은 한국사회의 임 근로자 각 개인이 구직

네트워크의 유지 리를 하여 기꺼이 지불할 용의가 있는 비용을 나타낸다 만족도 1 이 1만원의 효용이 있다면 즉 n=1이라면 이는 1224개월치 월 ( 략 일년치 연 )에 해당한다33) 이는 결코 작지 않은 액수이다 한국사회의 구성원들은 다양한 방식으로 네트워크를 리하고 있다 동창회 동호회 업계 계자와의 술자리 각종 경조사 참여 Social Network Service(SNS) 활동 등

이 이에 해당한다 이들 활동은 그 자체로서 정서 효용을 창출하지만 생 인 경제 이득

한 간과할 수 없다 이는 업무에 필요한 유용한 정보의 획득이나 업거래망의 확장이기도 하고 구직 네트워크의 변 확 자기 PR(Public Relations)이기도 하다 네트워크의 리는 그에 상

응하는 비용을 수반한다 이는 만남에 따른 지출에서부터 시간사용까지를 포함한다 구직

네트워크의 효과성 측면에서 보았을 때 한국사회 근로자 개인은 상당한 비용( 를 들어 n=1인 경

우 략 일년치 연 에 해당하는 비용)을 구직 네트워크의 유지 리를 하여 생애를 거

쳐 기꺼이 지불할 용의가 있다고 볼 수 있는 것이다

IX 결론

이제까지 우리는 국내 고용시장에서의 인 네트워크 활용의 효과성을 다각 인 측면에서 살

펴보았다 인 네트워크를 활용한 이직의 직장생활만족도 개선효과는 100 만 에 약 165 34)

에 달하는 것으로 확인되었으며 직무 합도 개선효과는 100 만 에 약 197 35)에 이르는 것으

로 나타났다 한 인 네트워크를 활용한 이직은 임 상승을 동반하는데 그 규모는 월평균 임

으로 4074만원(2010년 기 )인 것으로 확인되었다 반면 인 네트워크를 활용하지 않은 이직

에서도 직장생활만족도의 개선효과가 일부 포착되었으나 일자리 합도에 한 개선이나 임 상

승효과는 확인되지 않았다 즉 구인자와 구직자를 연결시켜주는 인 네트워크의 효율 인 정보

달 기능이 확인된 것이다 이를 통해 임 근로자 개인의 구직 네트워크의 가치 즉 lsquo네트워크 사

회 자본rsquo을 추정해 보면 구직 네트워크의 생애 가치는 18720만원으로 집계되었으며 여기에 주 만족도에 한 보상 측면까지 고려하면 만족도 1 의 가치를 만원으로 환산

할 때 략 (18720+7582)만원에 이르는 것으로 집계되었다

32) 실제로 일반 인 수 에서 n은 1보다 상당히 클 것으로 상된다 주어진 표본에서 주 만족도의 평균은 략

55 내외인 반면 임 수 의 평균은 략 200만원 내외이다 즉 두 수치의 Scale이 네 배 가량 차이가 난다 33) 26302만원을 차수 임 수 (20247만원)의 2010년도 기 가치인 2148만원으로 나 면 1224개월이 나온다 34) 직장만족도 개선효과 220 직무만족도 개선효과 158 일자리만족도 개선효과 117 의 산술평균값 용 시 35) 기술 합도 개선효과 213 교육 합도 개선효과 252 교육기술복합지수 개선효과 126 의 산술평균값 용

참 고 문 헌

고용노동부 985172고용노동백서985173 2010김동헌김상호 「직업탐색과 자발 이직」 2001 경제학 공동학술 회 발표문 2010 김성훈 「사회연결망과 공식경로를 통한 첫 취업의 개인 결과와 사회 결과」 985172한국사회학985173 제39집 제1호

2005 김성훈 「 문직의 취업경로 사회연결망과 공식경로를 심으로」 985172한국사회학985173 제40집 제5호 2006 김성훈 「취업자의 사회연결망 활용에 한 향요인 연구」 985172노동경제논집985173 제26권 제3호 2003김용학 985172사회연결망 이론985173 박 사 2003류석춘 외 985172한국의 사회자본 역사와 실985173 백산출 사 2008 송호근김우식이재열 985172한국사회의 연결망 연구985173 서울 학교 출 부 2004안재희 985172구직과 제도 사회자본985173 한국학술정보(주) 2008우천식 편 985172한국경제사회와 사회 자본985173 한국개발연구원 2007이 면나인강 「직장만족도와 이직행 에 한 패 분석」 985172제5차 한국노동패 학술 회 논문집985173 2004이 면나인강 「비정규직의 이직 이직사유 근속기간에 한 연구」 985172제6차 한국노동패 학술 회 논

문집985173 2005이상호 「노동패 의 주 만족도 측정」 985172노동리뷰985173 통권 제17호 2006 pp77~86이병훈 「구직활동의 향요인에 한 탐색 연구」 985172노동경제논집985173 제25권 제1호 2002 pp1~21 통계청 985172경제활동인구조사985173 2010한국노동연구원 985172사업체패 조사985173 2007KDI 국제정책 학원 985172사회 자본 확충을 한 기본조사 정책연구985173 2007

Blau David and Philip Robins ldquoJob Search Outcomes for the Employed and Unemployedrdquo Journal of Political Economy 98(3) 1992 pp637~655

Bourdieu P ldquoThe Forms of Capitalrdquo in J G Richardson (ed) Handbook of Theory and Research for the Sociology of Education New York Greenwood 1986

Cochran William and Donald Rubin ldquoControlling Bias in Observational Studies A Reviewrdquo Sankhya 35 1973 pp417~446

Datcher Linda ldquoThe Impact of Informal Networks on Quit Behaviorrdquo Review of Economic Statistics 65(3) 1983 pp491~495

Dawid A ldquoConditional Independence in Statistical Theoryrdquo Journal of Royal Statistical Society B 41 1979 pp1~31

Dehejia R and S Wahba ldquoCausal Effects in Nonexperimental Studies Reevaluating the Evaluation of Training Programsrdquo Journal of the American Statistical Association 94 1999 pp1053~1062

Dehejia R and S Wahba ldquoPropensity Score-Matching Methods for Nonexperimental Causal Studiesrdquo The Review of Economics and Statistics 84 2002 pp151~161

Glaeser E D Laibson and B Sacerdote ldquoAn Economic Approach to Social Capitalrdquo The Economic Journal 112 2002

Gottschalk P and T Maloney ldquoInvoluntary Termination Unemployment and Job Matching A Test of Job Search Theoryrdquo Journal of Labor Economics 3 1985 pp109~123

Granovetter Mark S Getting A Job A Study of Contracts and Careers Chicago University of Chicago Press 1975

Heckman J H Ichimura J Smith and P Todd ldquoCharacterizing Selection Bias Using Experimental Datardquo Econometrica 66 1998 pp1017~1098

Heckman J H Ichimura and P Todd ldquoMatching as an Econometric Evaluation Estimator Evidence from Evaluating a Job Training Programrdquo Review of Economic Studies 64 1997 pp605~654

______ ldquoMatching as an Econometric Evaluation Estimatorrdquo Review of Economic Studies 65 1998 pp261~294Knack S and P Keefer ldquoDoes Capital Have and Economic Payoff A Cross Country Investigationrdquo Quarterly

Journal of Economics 62 1997 pp1251~1288 Lin Nan Social Capital A Theory of Social Structure and Action Cambridge Cambridge University Press 2001 Lin Nan Karen Cook and Ronald Burt (eds) Social Capital Theory and Research Aldine Transaction 2001 Marmaros David and Bruce Sacerdote ldquoPeer and Social Networks in Job Searchrdquo European Economic Review 46

2002 pp870~879Putnam Robert D Bowling Alone The Collapse and Revival of American Community New York Simon and

Schuster 2000Rosenbaum J S DeLuca S Miller and K Roy ldquoPathways into Work Short- and Long-Term Effects of Personal

and Institutional Tiesrdquo Sociology of Education 72(3) 1999 pp179~196Rosenbaum P and D Rubin ldquoThe Central Role of the Propensity Score on Observational Studies for Causal

Effectsrdquo Biometrika 70 1983 pp41~55Rubin D ldquoEstimating Causal Effects of Treatments in Randomized and Non-randomized Studiesrdquo Journal of

Educational Psychology 66 1974 pp688~701Simon Curtis and Warner John ldquoMatchmaker Matchmaker The Effect of Old-Boy Networks on Job Match

Quality Earnings and Tenurerdquo Journal of Labor Economics 10(3) 1992 pp306~330Todd Petra ldquoMatching Estimatorsrdquo unpublished manuscript 2006

성공한 구직방법

일자리 진입방식

합계공개

채용스카우트

소개나

추천

찾아가서기타

1 학교나 학원12 0 26 4 0 42

(395) (0) (301) (069) (0) (233)

2 교수나 교사2 0 8 0 0 10

(066) (0) (093) (0) (0) (055)

3 친구나 친지5 2 509 28 2 546

(164) (125) (5898) (48) (556) (303)

4 공공 안내소3 0 7 9 4 23

(099) (0) (081) (154) (1111) (128)

5 사설 안내소3 0 29 16 1 49

(099) (0) (336) (274) (278) (272)

6 매체 고53 1 21 209 13 297

(1743) (625) (243) (3585) (3611) (1648)

7 직 탐문2 0 13 85 0 100

(066) (0) (151) (1458) ((0) (555)

8 가족1 1 21 2 0 25

(033) (625) (243) (034) (0) (139)

9 인터넷205 3 22 179 9 418

(6743) (1875) (255) (307) (25) (232)

10 희망직장

지인

7 3 90 20 0 120(23) (1875) (1043) (343) (0) (666)

11 업무상

지인

6 4 102 18 0 130(197) (25) (1182) (309) (0) (721)

12 기타 5 2 15 13 7 42

(164) (125) (174) (223) (1944) (233)

합 계304 16 863 583 36 1802

(100) (100) (100) (100) (100) (100)

lt부표 1gt 경력직 취업자(1802명)의 일자리 진입방식별 구직방법의 분포

주 1 노동패 6차부터 10차까지의 신규 일자리 진입자 경력직 취업자를 상으로 함 2 ( ) 안은 각 일자리 진입방식에 한 성공한 구직방법의 백분율임

Block

번호

직장유지의

직무유지의

향성별 나이 나이

2 교육

혼인

여부

정규직

여부

첫(혹은

두 번째)

일자리

(로그)

격차 격차 격차 격차 격차 격차 격차 격차 격차 격차

1164 116 048 -102 -14913 -003 003 009 000 007

(455) (395) (011) (207) (19454) (044) (005) (004) (009) (013)

2-254 050 003 007 -1629 -022 -006 004 -002 001

(203) (191) (006) (123) 11232 (020) (004) (004) (006) (007)

3036 -076 002 -094 -7067 -001 000 -004 008 001

(131) (129) (004) (088) (7870) (012) (003) (003) (004) (004)

4-079 -117 -001 071 6428 000 -004 -002 001 -005

(128) (122) (004) (079) (6861) (010) (003) (003) (004) (003)

5026 144 -005 068 6211 -012 004 000 -006 -001

(142) (144) (004) (077) (6201) (010) (004) (003) (004) (004)

6061 152 -008 -043 -3655 006 002 002 -007 007

(151) (151) (004) (073) (5661) (010) (004) (004) (004) (004)

7010 -134 -002 043 2726 003 -002 001 003 001

(133) (131) (004) (058) (4296) (008) (004) (003) (003) (003)

8045 173 008 044 3233 007 000 -001 -001 -003

(146) (143) (004) (052) (3615) (007) (004) (003) (003) (003)

9128 -010 000 061 3033 -016 -003 006 -010 004

(259) (246) (006) (065) (3930) (012) (005) (006) 006 (006)

10500 114 013 -035 -1626 004 000 007 001 -003

(407) (394) (009) (081) (4454) (017) (007) (008) (009) (009)

lt부표 2-Agt Propensity Score 각 구간(Block)에 대한 Mean-Difference Statistical T-test 결과(I)

주 1 Untreated Group과 Treated Group의 각 항목에 한 Mean Difference를 테스트함 2 표시는 5 유의도 수 에서 테스트를 통과하지 못한 항목을 표시함3 ( ) 안은 표 오차임

lt부표 2-Bgt Propensity Score 각 구간(Block)에 대한 Mean-Difference Statistical T-test 결과(II)

Block

번호

(로그)2 종업원 규모 교육 합도 임 만족도근무

환경 만족도

일자리

만족도

서비스 매직

여부

농어업 종사

여부

정규직 times

교육

직장 times

직무유지의향

격차 격차 격차 격차 격차 격차 격차 격차 격차 격차

1052 054 202 656 -048 -101 002 001 003 25954

(147) (053) (379) (564) (480) (421) (005) (003) (047) (60638)

2-006 043 046 047 -303 -182 002 000 -004 -9827

(073) (027) (197) (247) (220) (188) (002) (001) (026) 25462

3006 011 -151 -030 255 013 -002 000 -011 -246

(041) (017) (158) (156) (142) (117) (002) (000) (018) (15776)

4-052 000 -075 -111 -046 -005 -004 000 -011 -10585

(034) (015) (155) (137) (133) (110) (002) (001) (016) (14203)

5-008 006 053 -047 -017 -036 003 000 -004 17636

(035) (017) (176) (152) (144) (123) (003) (001) (018) (16213)

6063 -005 273 049 211 040 -006 001 015 14659

(035) (017) (201) (150) (145) (124) (003) (001) (019) (16225)

7008 -018 -045 016 -031 005 005 000 010 -10640

(029) (014) (174) (127) (127) (108) (003) (001) (016) (13577)

8-022 -014 028 -028 -163 086 000 000 -001 6766

(028) (014) (189) (127) (131) (111) (003) (000) (017) (13784)

9037 -013 143 133 046 -070 001 -002 015 -1116

(047) (021) (371) (204) (227) (187) (006) (002) (029) (21779)

10-028 021 077 161 -247 -113 -013 002 019 13295

(074) (026) (612) (352) (366) (340) (009) (002) (038) (30459)

주 1 Untreated Group과 Treated Group의 각 항목에 한 Mean Difference를 테스트함 2 표시는 5 유의도 수 에서 테스트를 통과하지 못한 항목을 표시함3 ( ) 안은 표 오차임

Page 5: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal

일자리로 진입한 것으로 악되었다 특히 차수와 이 차수 모두에서 임 일자리 소유자로

악된 이들은 총 16389명으로 이들 2046명이 일 년 사이에 일자리를 이동한 것으로 나타나 임 근로자들 내부의 일자리 환 유동성이 125에 달하는 것으로 나타났다

이어서 분석에 활용할 최종샘 을 구성하기 하여 주어진 통합샘 에서 차수의 일자리가

없는 개인은 제외시켰으며 비임 일자리 소유자인 자 업자 무 가족종사자도 제외시켰다 최종 으로 차수에서 임 일자리 소유자로 악된 이들은 6차부터 10차까지 총 21199명으로 확

인되었는데 이들 이 차수의 임 일자리를 그 로 유지하고 있는 근로자가 15004명이며 새로운 임 근로 일자리에 진입한 경우가 6196명으로 악되었다 이들의 각 차수별 구성은 다음과

같다

차수(조사연도) 임 근로자 수 백분율

6차(2003년) 4211 1986

7차(2004년) 4257 2008

8차(2005년) 4085 1927

9차(2006년) 4300 2028

10차(2007년) 4346 205

합계 21199 100

여기서 이 일자리에 한 상세한 정보를 악할 수 없거나 이 차수에서 무직이었던 4393명을 우선 제하고 이 차수에서 비임 일자리 소유자 던 417명도 제하 다 나머지 16389명은

이 차수와 차수 모두에서 임 근로자라고 답한 이들이다 (이는 lt표 1gt에서 이 차수의 임

일자리 소유자 차수에서도 임 일자리 소유자로 악된 16389명과 동일한 수치이다) 분석자료의 신뢰도를 높이기 하여 다음의 경우들을 최종샘 의 구성에서 제하 다 우선 지난 한

해 동안 2번 이상 일자리를 옮긴 근로자 55명과 재의 임 근로 일자리를 이 차수에서는 자

신의 주된 일자리가 아니었다고 답한 15명을 제하 다 그리고 일자리 일련번호(Job Sequence)가

락된 2명을 추가로 제하 다 이직의 순효과만을 악할 수 있도록 비자발 이직자라고 밝힌

417명을 제하 다 다음으로 나이가 70세 이상인 임 근로자 114명을 제하 다6) 마지막으로 이 차수의 임 정보가 락된 81명을 제하 다 이로써 15705명의 최종샘 이 확보되었으며 이

들의 각 차수별 구성은 아래와 같다 본 최종샘 은 이 차수와 차수 모두에서 임 근로자라

고 밝힌 이들 요 변수가 락되었거나 비자발 이직을 비롯한 특수한 경우들을 제외하고

나머지 임 근로자들의 집합이라 할 수 있다

6) 이들 부분(97)은 한 해 사이에 일자리 이동이 없었던 것으로 나타나 근로자의 이직 특성을 보편 으로 변하기

힘든 특이치(Outliers)로 처리하 다

차수별 최종샘 백분율

5~6차 2927 1864

6~7차 3110 1980

7~8차 3100 1974

8~9차 3186 2029

9~10차 3382 2153

합계 15705 100

III 분석 변수

본 에서는 각 분석 변수에 한 체계 설명을 제시하고자 한다 분석에 활용되는 변수들에

한 기 통계량은 lt표 2gt와 lt표 3gt에 요약되어 있다

1 개인 및 일자리 특성변수

개인에 한 기 변수로는 성별 나이 교육수 7) 혼인 여부를 포함하 다 이 차수 즉 지

난 조사시 에서의 일자리에 한 기본정보로서 정규직 여부 첫(혹은 두 번째) 일자리 여부 임수 (로그) 기업 규모를 포함하 다 lsquo첫(혹은 두 번째) 일자리 여부rsquo는 당시 일자리가 생애 첫 번

째 혹은 두 번째 일자리에 해당하는가를 표시한다 lsquo임 수 (로그)rsquo은 임 상승률8)을 감안하여

2008년도 기 으로 환산된 월평균 임 액에 로그를 취한 값이다 2008년 기 의 실질임 으로 환

산하자면 임 상승률이 아닌 물가상승률을 이용하여야 할 것이나 본 분석의 목 이 실질임 의

변화를 정확히 추정하는 데 있지 아니하고 체 통합샘 에서의 임 수 의 증가 여부에 있으므

로 2008년 기 임 수 으로 일원화(Equalizing)하는 차원에서 임 상승률을 신 활용하 다 단 일부 응답자들이 월평균임 이 아닌 연 을 기입한 것으로 단되어 8명의 이 차수 월평균

임 을 무응답 처리하고 17명의 차수 월평균임 역시 무응답 처리하 다9) lsquo종업원 규모(로그)rsquo는 근무하는 직장의 종업원 수에 로그를 취한 값이다 단 응답자가 정확한 종업원 수가 아닌

1부터 10까지 종업원 규모의 등 만을 밝힌 경우 해당 등 이 아우르는 범 의 간값을 차용하

다 를 들어 3등 (종업원 10 ~ 29명) 직장인 경우 종업원 수를 195명이라 표시하 다10)

7) lsquo교육수 rsquo에 한 등 은 다음의 순서 로 1부터 8을 부여하 다 무학 등학교 학교 고등학교 2년제 학 4년제 학 학원 석사 학원 박사

8) 임 상승률의 계산에는 노동부의 lsquo고용형태별 근로실태조사(구 임 구조기본통계조사)rsquo에 수록된 상용근로자 5인 이

상 사업체의 6월 기 월평균임 을 활용하 다 이로부터 추정한 연간 임 상승률은 다음과 같다 2002~03년(836) 2003~04년(675) 2004~05년(723) 2005~06년(615) 2006~07년(408) 2007~08년(565)

9) 2002년 기 으로 환산된 월평균임 에서 8명의 이 차수 임 이 차수 임 보다 500만원 이상 높게 나타났고 17명의 차수 임 역시 이 차수 임 보다 500만원 이상 높게 나타났다 한 해 사이에 월 여가 500만원(2008년 기 으로 7238만원) 이상 변동하는 경우는 드물므로 이들이 월 여 신 연 을 기입한 것으로 단된다

10) 각 등 을 체한 종업원 수는 다음과 같다 1등 (25명) 2등 (7명) 3등 (195명) 4등 (395명) 5등 (595명) 6등 (845명) 7등 (1995명) 8등 (3995명) 9등 (7455명) 마지막 종업원 1000명 이상을 표시하는 10등 의 경우

다음으로 lsquo일자리(혹은 일)를 계속 유지하길 희망하는가rsquo에 한 응답으로 lsquo직장유지의향rsquo과

lsquo직무유지의향rsquo을 포함하 다 노동패 은 5단 로 lsquo 그 지 않다(1)rsquo부터 lsquo아주 그 다(5)rsquo까지를 표기하는데 본 분석에서는 이를 백단 로 환하여 lsquo 그 지 않다rsquo를 0 lsquo아주 그 다rsquo를 100 으로 표하 다11) lsquo업무만족도rsquo는 다음 네 가지 질의에 한 5단 응답을 역시 백단 로

환한 후 산술평균한 값이다 업무에 만족하나 업무에 열정 인가 업무를 즐겁게 하나 업무에

보람을 느끼나 그리고 다음 일곱 가지 역에 한 만족도 조사를 추가하 다 임 에 한 만족

도 취업의 안정성에 한 만족도 근로환경에 한 만족도 의사소통 인간 계에 한 만족도 개인의 발 가능성에 한 만족도 인사고과의 공정성에 한 만족도 복지후생에 한 만족도 본 분석에서는 이들 만족도에 한 5단 응답을 100 만 으로 환하여 사용하 는데 lsquo매우

만족rsquo을 100 으로 lsquo만족rsquo을 75 lsquo보통rsquo을 50 으로 lsquo불만족rsquo을 25 lsquo매우 불만족rsquo을 0 으로

처리하 다 lt표 2gt에서 보듯이 임 만족도와 복지후생만족도가 일반 으로 50 을 크게 하회하

는 반면 업무 직업안정성 인간 계에 한 만족도는 일반 으로 50 을 크게 상회하는 것을 확

인할 수 있다이 차수 일자리를 직종별 업종별로 구분하여 더미변수로 처리하 다 직종별로는 문 리직

(노동패 분류 0 lsquo의회의원 고 임직원 리자rsquo 1 lsquo 문가rsquo) 사무기술직( 분류 2 lsquo기술공

문가rsquo 3 lsquo사무 종사자rsquo 소분류 950 lsquo군인rsquo) 서비스 매직( 분류 4 lsquo서비스 종사자rsquo 5 lsquo 매

종사자rsquo) 농어민( 분류 6 lsquo농업 어업숙련 종사자rsquo) 생산기능직( 분류 7 lsquo기능원rsquo 8 lsquo장치

기계조작 종사자rsquo 9 lsquo단순노무자rsquo)로 구분하 다 업종별로는 농어업 종사( 분류 A lsquo농업 임

업rsquo B lsquo어업rsquo) 공업 종사( 분류 C lsquo 업rsquo D lsquo제조업rsquo) 건설업 종사( 분류 F) 도소매 숙박업

종사( 분류 G lsquo도매 소매업rsquo H lsquo숙박 음식 업rsquo) 서비스 련업 종사( 분류 E lsquo 기 가스 수도사업rsquo 외 각종 서비스 련 업종)으로 구분하 다

종업원 수를 1500명이라 표하 다 11) 5단 수 를 백단 수 로 환하기 하여 다음의 산술식을 활용한다 = 25(-1)

변수명 측 수 평균값표

편차최솟값 최댓값

개인

특성변수

성별(여성 1) 15705 037 048 0 1

나이 15705 4005 1081 18 69

교육수 15703 451 135 1 8

혼인 여부

(미혼 1)15705 027 045 0 1

일자리

특성변수

(이 차수

기 )

정규직 여부

(정규직 1)15659 076 043 0 1

첫(혹은 두 번째) 일자리

여부

15705 048 050 0 1

임 수

(단 만원 로그)15694 514 059 147 729

종업원 규모

(단 명 로그)12912 400 231 0 1097

만족도

련 변수

(이 차수

기 )

직장유지의향 15658 6516 1871 0 100

직무유지의향 15645 6409 1922 0 100

업무 만족도 15653 5936 1644 0 100

임 만족도 15656 4394 1927 0 100

취업 안정성 만족도 15645 5540 1938 0 100

근무환경 만족도 15653 5446 1848 0 100

인간 계 만족도 15631 5712 1629 0 100

자기발 만족도 15649 5088 1839 0 100

인사공정 만족도 15460 4975 1602 0 100

복지후생 만족도 15552 4569 1958 0 100

직종더미

(이 차수

기 )

문 리직 여부 15702 013 033 0 1

사무기술직 여부 15702 033 047 0 1

서비스 매직 여부 15702 013 034 0 1

농어민 여부 15702 001 008 0 1

생산기능직 여부 15702 041 049 0 1

업종더미

(이 차수

기 )

농어업 종사 여부 15703 001 008 0 1

공업 종사 여부 15703 026 044 0 1

건설업 종사 여부 15703 011 031 0 1

도소매 숙박업 종사 여부 15703 016 037 0 1

서비스 련업 종사 여부 15703 046 050 0 1

lt표 2gt 개인 및 일자리 특성변수별 기초통계량

2 이직 및 성과지표 관련 변수

최종샘 15705명 지난 조사시 이후 일자리를 이동한 임 근로자는 체의 약 10에 해

당하는 1560명이다 각 샘 에 한 이직 여부를 더미변수로 처리하 다 이직의 성과를 측정하

기 하여 다음의 일곱 가지 평가지표를 마련하 다 개인의 주 만족도와 련된 종합 지

표 세 가지(직장만족도 직무만족도 일자리만족도) 일자리 배치의 효율성과 련된 종합 지표

세 가지(기술 합도 교육 합도 교육기술복합지수) 그리고 임 수 이들에 한 기 통계량은

lt표 2gt에 요약되어 있다직장만족도는 다음 5가지 평가지표(5단 )의 평균값을 100 단 로 환산한 것이다 다닐 만한

직장인가 들어온 게 기쁜가 친구에게 추천하고 싶은가 다른 이에게 자랑할 수 있는가 계속 다

니고 싶은가(즉 앞서의 lsquo직장유지의향rsquo) 직무만족도는 앞서 제시한 lsquo업무만족도rsquo 련 네 가지 지

표와 lsquo직무유지의향rsquo을 합친 다섯 가지 평가지표를 산술평균하여 100 단 로 환산한 것이다 일자리만족도는 lsquo일자리에 해 반 으로 얼마나 만족하는가rsquo라는 질의에 한 5단 응답을 100

단 로 환산한 것이다 이들 세 가지 만족도와 련된 지표들의 연간 변화를 ( 차수 만족도

- 차수 만족도)로 측정하여 만족도 변화지표를 추가로 생성하 다 기술 합도는 lsquo 재 하는 일의 수 은 나의 기술(기능)과 비교하여 어느 정도인가rsquo라는 질의에

한 답변으로부터 구성하 다 응답자는 lsquo매우 낮다rsquo lsquo낮은 편이다rsquo lsquo맞다rsquo lsquo높은 편이다rsquo lsquo매우

높다rsquo 응답하도록 되어 있다12) 략 80 안 의 응답자가 다섯 응답 lsquo맞다rsquo에 답하 다 여기서 lsquo높은 편이다rsquo와 lsquo매우 높다rsquo에 한 응답은 체 응답자의 1 내외이다 하는 일의 수 이

매우 높거나 높은 편이다라는 것은 하는 일이 도 이며 자기 능력을 충분히 발휘할 기회가 많

다는 것을 의미하므로 합도가 낮다고만 평할 수는 없다 따라서 100 단 로 환산할 때 lsquo매우

낮다rsquo에 0 lsquo낮은 편이다rsquo에 50 lsquo맞다rsquo와 그 이상의 답변에 100 을 부여하 다13) 교육 합도

는 lsquo 재 하는 일의 수 은 나의 교육수 과 비교하여 어느 정도인가rsquo라는 질문에 한 답변으로

부터 구성하 으며 같은 방식으로 lsquo매우 낮다rsquo에 0 lsquo낮은 편이다rsquo에 50 lsquo맞다rsquo와 그 이상의

답변에 100 을 부여하 다 여기서 교육수 은 서류상에 기재되므로 서류상에 기재가 어려운 기

술수 과는 취업과정에서 다르게 취 된다 특히 인 네트워크는 교육수 보다 기술수 의 정보

달에 보다 유용한 채 로 작동할 가능성이 높다 따라서 이직의 종합 인 배치효율성 개선효과

를 측정하기 해서는 두 지표를 아우를 수 있는 독립 인 지표가 필요하다 도입된 lsquo교육기술복

합지수rsquo는 기술 합도와 교육 합도의 산술평균으로서 일자리 배치효율성에 한 종합 평가지

표로 작성되었다 이들 세 가지 배치효율성 련 지표들의 연간 변화를 ( 차수 배치효율성 -

차수 배치효율성)으로 측정하여 배치효율성의 변화분을 추가로 추출하 다 마지막으로 월평균임 (단 만원)의 치를 2008년 기 으로 환산하여 lsquo 차수 임 수 rsquo

과 lsquo 차수 임 수 rsquo을 구성하 다 앞서 lsquo임 수 (로그)rsquo 변수의 생성에 활용한 임 상승률을

그 로 차용하 다 lsquo임 수 변화rsquo는 ( 차수 임 수 - 이 차수 임 수 )으로 측정하 다 표에서 보는 바와 같이 차수 임 수 은 평균 202만 4700원으로 차수 임 수 은 평균

205만 8900원으로 집계되었고 평균 임 수 의 연간 상승분은 3만 4400원으로 나타났다

12) 응답자별 분포 lsquo매우 낮다(122)rsquo lsquo낮은 편이다(1727)rsquo lsquo맞다(8039)rsquo lsquo높은 편이다(106)rsquo lsquo매우 높다(006)rsquo 13) lsquo높은 편이다rsquo와 lsquo매우 높다rsquo가 차지하는 비 이 매우 낮아 이들을 합도가 lsquo낮은 편이다rsquo와 lsquo매우 낮다rsquo로 취 하여

도 분석 결과에는 의미있는 차이가 나타나지 않는다

변수명 측 수 평균값 표 편차 최솟값 최댓값

이직 여부(이직 1) 15705 0099 030 0 1

차수 직장만족도 15636 5659 1698 0 100

차수 직장만족도 15585 5679 1698 0 100

직장만족도 변화 15531 019 1636 -90 80

차수 직무만족도 15653 6052 1599 0 100

차수 직무만족도 15600 6056 1615 0 100

직무만족도 변화 15563 003 1641 -75 85

차수 일자리만족도 15596 5390 1618 0 100

차수 일자리만족도 15562 5454 1646 0 100

일자리만족도 변화 15468 065 1722 -100 75

차수 기술 합도 15613 9014 2138 0 100

차수 기술 합도 15590 9058 2146 0 100

기술 합도 변화 15509 044 2387 -100 100

차수 교육 합도 15656 8969 2169 0 100

차수 교육 합도 15620 9008 2186 0 100

교육 합도 변화 15582 040 2413 -100 100

차수 교육기술복합지수 15612 8991 2106 0 100

차수 교육기술복합지수 15590 9034 2119 0 100

교육기술복합지수 변화 15508 043 2318 -100 100

차수 임 수 (단 만원) 15697 20247 12055 0 146975

차수 임 수 (단 만원) 15658 20589 12406 625 146975

임 수 변화(단 만원) 15650 344 5619 -71931 56572

lt표 3gt 이직 및 성과지표별 기초통계량

IV 일자리 이동의 영향요인

본 에서는 일자리 이동에 향을 미치는 주요 요인들에 해 평가해 보도록 한다 이직확률

추정을 하여 로짓회귀분석(Logistic Regression)을 수행하 으며 여덟 가지 회귀분석모형에 해

그 결과를 lt표 4gt에 요약하 다 각 모형은 이 차수와 차수 사이의 이직 여부를 종속변수로

한다 모형 1은 개인 특성변수들과 일자리 특성변수들을 설명변수로 하 으며 모형 2는 여기에

교육 합도를 추가하 다 모형 3은 여기에 일과 일자리에 한 만족도를 측정하는 여덟 개 변수

를 추가하 다 모형 4에는 직종더미를 모형 5에는 업종더미를 모형 6에는 연차더미를 차례로 추

가하 다 모형 7은 모형 6에서 종업원 규모를 제하고 추정한 결과이다 종업원 규모에 응답하지

않은 샘 수가 체 최종샘 의 178에 달하므로 설명변수에서 종업원 규모를 뺀 모형 7은 샘

수를 극 화한 추정 결과를 제시한다 모형 8은 모형 6의 설명변수 교육 합도를 기술 합도로

체한 추정 결과이다 교육 합도와 기술 합도의 상 계수가 0913에 달하므로 하나의 모형에

두 변수를 모두 포함시키기보다 별도의 모형을 만들어 상호비교하는 방법을 택한 것이다 이들 모

형들의 하단에 lsquo평균치 이직확률rsquo을 표기하 다 lsquo평균치 이직확률rsquo은 추정에 활용된 변수들의 평

균치에서 계산한 이직확률을 나타낸다 즉 샘 내의 표 임 근로자(Representative Paid Worker)의 이직 가능성을 변하는 수치이다 주어진 모형들이 추정한 lsquo평균치 이직확률rsquo은 략

8 안 (76~902)이다 각 추정계수 우편에는 한계효과를 함께 표시하 는데 이는 설명변수가

한 단 상승할 때(더미변수의 경우 0에서 1로 바뀔 때) lsquo평균치 이직확률rsquo의 변동분을 나타낸다 lsquo평균치 이직확률rsquo과 한계효과 모두 100을 곱하여 백분율로 표기하 다

분석 결과에 따르면 네 가지 개인의 특성변수(나이 성별 교육수 혼인 여부) 에서는 나이

와 성별만이 통계 으로 유의한 향요인으로 확인되었다 여성의 경우 남성에 비해 이직확률이

략 11p 가량 낮은 것으로 나타났다 연령이 높을수록 이직확률이 낮아지는데 나이가 한 살

증가할수록 략 04p 가량 이직확률이 하락하 다 일자리 련 특성변수 에서 정규직 여부 첫(혹은 두 번째) 일자리 여부 임 수 종업원 규

모 모두 통계 으로 유의한 향요인으로 악되었다 정규직일 경우 비정규직에 비해 이직확률

이 2p 가량 하락하 다 생애 첫 번째(혹은 두 번째) 일자리인 경우 44p 가량 이직확률이 하락

하 다 그러나 이것이 노동시장 진입 기에 이직확률이 더 낮다는 식으로 해석될 수는 없다 그보다는 이 에 이직경험이 많은 이들은(즉 재 일자리가 생애 세 번째 혹은 그 이상인 이들은) 그들의 직업 특성으로 인하여 이 에 이직경험이 은 이들에 비해 향후 일 년간 다시 이직

할 확률이 44p 가량 높다라고 해석해야 할 것이다14) 임 수 이 높을수록 이직확률이 떨어지

는 것으로 나타났다 임 이 10 상승할 때 이직확률은 045p만큼 하락한다 종업원 규모 역시

이직확률과 부의 계를 가지는 것으로 나타났다 종업원 규모가 10 가량 큰 기업에서 근무하면 이직확률은 007p 가량 하락한다 이는 종업원 규모가 큰 기업일수록 내부 노동시장을 활용한

직무재배치가 용이하기 때문인 것으로 악된다교육 합도 혹은 기술 합도가 높을수록 이직확률이 하락하는 것으로 나타났다 교육 혹은 기

술 합도가 10 상승할 때 025p 가량 하락한다 재 하는 일이 나의 교육(혹은 기술) 수 보

다 낮다고 답한 경우( 합도 50 ) 수 이 맞다고 답한 경우( 합도 100 )보다 125p만큼 이직

확률이 증가하는 것을 의미한다 따라서 노동자의 기술 혹은 교육 수 에 합한 직무와 그에 합

당한 우가 이직확률을 떨어뜨리는 데 효과 임을 알 수 있다일자리만족도와 련한 여덟 가지 변수 에서 임 에 한 만족도 직장 내 인간 계에 한

만족도 인사고과의 공정성에 한 만족도는 이직에 유의미한 향을 미치지 못하는 것으로 나타

났다 특히 이 임 에 한 만족도가 이직 여부에 결정 역할을 하지 않는다는 은 흥미로운

결론이다 반면 취업 안정성에 한 만족도와 근로환경 복지후생에 한 만족도 그리고 업무

에 한 만족도는 이직확률과 통계 으로 유의한 부(-)의 계가 있음이 확인되었다 취업 안정성

에 한 만족도 근로환경의 만족도 그리고 업무만족도의 경우 100 만 에 10 향상 시 04p 가량 이직확률을 떨어트리는 것으로 나타났으며 이는 이들 만족도에 한 응답이 불만족(25 )에

14) 를 들어 주어진 최종샘 에서 직장경력이 많은 40세 이상인 이들만을 고려할 때 첫 번째(혹은 두 번째) 일자리

보유자 2711명의 연간 이직률은 262인 데 반해 두 번 이상 이직경험이 있는 이들 4410명의 연간 이직률은

859로 이직률이 597p 높은 것을 확인할 수 있다

서 보통(50 )으로 개선된 경우 1p만큼 이직확률이 감소하는 것을 의미한다 개인만족도 련

변수 이직확률에 가장 향력이 큰 변수는 복지후생 변수로서 이에 한 만족도는 10 향상

시 이직확률을 055p 가량 떨어트리는 것으로 나타났다 복지후생만족도에 한 응답이 불만족

(25 )에서 보통(50 )으로 개선된다면 략 138p만큼의 이직률 하락을 기 할 수 있는 것이다이상의 분석 결과는 국내 임 근로자의 이직 결정에 있어서 비임 측면에서의 만족도가

요한 역할을 한다고 주장한 김동헌김상호(2001)의 연구와 맥을 같이 한다15) 여러 해외 연구 결

과도 비임 요소의 요성을 강조한 바 있다 를 들어 Gottschalk and Maloney(1985)는

Michigan PSID(Panel Study of Income Dynamics)를 이용하여 이직 후 새로운 직장이 더 만족스럽

다고 응답한 사람들 가운데 그 41는 실질임 의 삭감을 감내한 것으로 밝힌 바 있다흥미로운 은 개인의 발 가능성에 한 만족도가 이직확률과는 정(+)의 계를 보인다는

이다 개인의 인 자본을 높일 수 있는 일을 하고 있을 때 이러한 자기발 을 활용하여 보다 우

가 좋은 직장으로 이동하는 경향이 있음을 확인한 것이다 자기발 에 한 만족도 10 상승이

045p만큼의 이직확률 증가와 연 된 것으로 확인되었다 를 들어 자기발 만족도에 한 응

답이 보통(50 )인 사원보다 만족(75 )인 사원의 이직확률이 113p 가량 높은 것이다직종에 따른 이직확률의 차이에서는 문 리직 종사자나 서비스 매직 종사자가 생산기능직

종사자에 비해 략 3p만큼 이직확률이 높다는 것을 확인하 다 반면 농어민의 경우 생산기능

직 종사자에 비해 6p만큼 이직확률이 낮았다 업종에 따른 이직확률의 차이에서는 업종 간의 큰

차이를 발견하기 어려웠다 다만 농어업 련 기업에 종사할 경우 공업 련 기업에 종사하는

경우보다 이직확률이 상당히( 략 15p만큼) 높아짐을 확인할 수 있었다 다만 노동패 은 군부

지역을 제외하고 도시지역만을 상으로 한 조사이기 때문에 농어민 혹은 농어업 련 산업의 종

사자에 한 자료는 매우 미흡한 수 이다16) 따라서 농어민이나 농어업 종사자에 한 이상의

결론은 신뢰도가 다소 떨어짐을 유념할 필요가 있다

15) 김동헌김상호(2001)는 노동패 의 1차 자료만을 활용하여 동일한 분석을 수행한 바 있으며 이들의 결론은 8가지

만족도 변수 취업 안정성 복지후생 인사공정에 한 만족도가 이직성향과 부(負)의 계를 가진다는 것이었다 이들의 연구에 비해 본 연구의 표본의 수가 보다 방 하고 다양한 배경 변수(업종더미 직종더미 회사규모)와 개인

특성변수(첫 일자리 여부 교육 합도 등)를 통제하고 있으므로 본 연구의 결과가 보다 신뢰할 만한 결과를 제시하

고 있다고 단된다 16) 최종샘 에서 농어민이 차지하는 비 은 1 미만이고 샘 수로는 101명에 그친다 농어업 련 기업의 종사자가

차지하는 비 역시 1 미만에 종사자 수 111명에 그친다

다항로짓회귀분석 모형 1 모형 2 모형 3 모형 4

종속변수 이직 여부 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과

성별(여성 1) -01627(00665) -1313 -01272

(00672) -1030 -00669(00701) -0536 -01378

(00753) -1081

나이 -00512(00041) -0420 -00513

(00041) -0421 -00510(00042) -0412 -00507

(00042) -0404

교육수 00263(0029) 0216 00135

(00294) 0111 00350(00306) 0283 00264

(00342) 0210

혼인 여부(미혼 1) 00531(00746) 0440 00601

(00748) 0498 00563(00757) 0459 00643

(00762) 0518

정규직 여부(정규직 1) -03042(00713) -2688 -02777

(00718) -2438 -02213(00743) -1887 -01853

(00751) -1544

첫(혹은 두 번째) 일자리 여부

-05513(00647) -4453 -05462

(00649) -4412 -05313(00656) -4227 -05429

(00659) -4258

임 수(단 만원 로그)

-05933(00709) -4868 -05360

(00727) -4398 -05253(00769) -4242 -05393

(00782) -4294

종업원 규모(단 명 로그)

-01019(00145) -0836 -01010

(00145) -0829 -00838(00149) -0677 -00691

(00149) -0550

차수 교육 합도 -00045(00012) -0037 -00031

(00014) -0025 -00030(00014) -0024

차수 기술 합도

업무만족도 -00031(00025) -0025 -00036

(00025) -0029

임 만족도 00025(00020) 0021 00029

(00020) 0023

취업 안정성 만족도 -00041(00021) -0033 -00044

(00021) -0035

근무환경만족도 -00049(00021) -0039 -00050

(00022) -0040

인간 계만족도 -00016(00024) -0013 -00015

(00024) -0012

자기발 만족도 00055(00023) 0045 00050

(00023) 0040

인사공정만족도 00006(00027) 0005 00011

(00027) 0009

복지후생만족도 -00069(00021) -0055 -00070

(00021) -0055

(기 생산기능직)

문 리직 여부 03710(01169) 3328

사무기술직 여부 -01145(00887) -0898

서비스 매직 여부 04280(00885) 3890

농어민 여부 -03201(04768) -2238

(기 공업 종사)농어업 종사 여부건설업 종사 여부도소매 숙박업 종사

여부서비스 련업 종사

여부연차 더미 No No No No

평균치 이직확률times100(각 변수의 평균치

기 )902 902 886 872

관측 수 12869   12829   12655   12652  

결정계수( ) 0070   0072   0076   0082  

lt표 4Agt 일자리 이동 영향요인 분석(I)

주 1 는 유의수 10 는 유의수 5 는 유의수 1를 의미함2 한계효과는 추정된 한계효과(marginal effects)를 백분율로 표시함3 더미변수의 한계효과는 변수값이 0에서 1로 변할 때 이직확률의 변화분을 나타냄(변수명의 표시가 더미변수)

다항로짓회귀분석 모형 5 모형 6 모형 7 모형 8

종속변수 이직 여부 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과

성별(여성 1) -01528(00759) -1194 -01482

(00760) -1154 -01872(00713) -1289 -01477

(00761) -1151

나이 -00505(00042) -0401 -00505

(00042) -0400 -00521(00040) -0366 -00504

(00042) -0399

교육수 00309(00345) 0245 00327

(00347) 0258 00113(00324) 0080 00346

(00345) 0274

혼인 여부(미혼 1) 00659(00764) 0529 00635

(00766) 0507 01045(00721) 0749 00684

(00767) 0548

정규직 여부(정규직 1) -02033(00770) -1696 -02075

(00776) -1727 -01213(00735) -0875 -02093

(00777) -1744

첫(혹은 두 번째) 일자리 여부

-05421(00660) -4240 -05445

(00661) -4241 -06294(00623) -4407 -05495

(00662) -4284

임 수(단 만원 로그)

-05309(00788) -4215 -05277

(00790) -4172 -06554(00702) -4602 -05288

(00791) -4186

종업원 규모(단 명 로그)

-00695(00151) -0552 -00690

(00152) -0546 -00685(00152) -0542

차수 교육 합도 -00028(00014) -0022 -00029

(00014) -0023 -00027(00013) -0019

차수 기술 합도 -00030(00014) -0024

업무만족도 -00038(00025) -0030 -00043

(00025) -0034 -00054(00023) -0038 -00045

(00025) -0036

임 만족도 00029(00020) 0023 00026

(00020) 0020 00027(00019) 0019 00026

(00020) 0020

취업 안정성 만족도 -00048(00021) -0038 -00045

(00021) -0035 -00051(00020) -0036 -00044

(00021) -0035

근무환경만족도 -00052(00022) -0041 -00054

(00022) -0042 -00053(00020) -0037 -00053

(00022) -0042

인간 계만족도 -00014(00024) -0011 -00015

(00024) -0012 -00014(00023) -0010 -00013

(00024) -0011

자기발 만족도 00054(00023) 0043 00057

(00023) 0045 00061(00022) 0043 00057

(00023) 0045

인사공정만족도 00010(00027) 0008 00011

(00027) 0009 -00006(00025) -0004 00014

(00027) 0011

복지후생만족도 -00069(00021) -0055 -00069

(00021) -0054 -00060(00020) -0042 -00068

(00021) -0053

(기 생산기능직)

문 리직 여부 03574(01203) 3183 03594

(01204) 3190 03478(01160) 2728 03514

(01204) 3114

사무기술직 여부 -01409(00916) -1098 -01365

(00917) -1060 -01322(00878) -0911 -01374

(00917) -1068

서비스 매직 여부 03146(01080) 2752 03136

(01081) 2732 02369(01012) 1793 03037

(01084) 2640

농어민 여부 -13598(06827) -6349 -13198

(06821) -6224 -12188(06557) -5262 -13254

(06828) -6246

(기 공업 종사)

농어업 종사 여부 12277(05423) 15765 12064

(05429) 15324 08109(05129) 7981 12026

(05431) 15270

건설업 종사 여부 -01858(01239) -1386 -01819

(01240) -1353 -01896(01146) -1251 -01797

(01240) -1339

도소매 숙박업 종사 여부

01413(01027) 1165 01417

(01028) 1163 02878(00976) 2200 01393

(01029) 1144

서비스 련업 종사 여부

00006(00808) 0005 00016

(00808) 0013 -00420(00778) -0295 -00024

(00809) -0019

연차 더미 No Yes Yes Yes평균치 이직확률times100

(각 변수의 평균치 기 ) 869 865 760 867

관측 수 12651   12651   15344   12614  

결정계수( ) 0083   0085   0091   0084  

lt표 4Bgt 일자리 이동 영향요인 분석(II)

주 1 는 유의수 10 는 유의수 5 는 유의수 1를 의미함 2 한계효과는 추정된 한계효과(marginal effects)를 백분율로 표시함 3 더미변수의 한계효과는 변수값이 0에서 1로 변할 때 이직확률의 변화분을 나타냄(변수명의 표시가 더미변수)

Group

Treated (=1) 측 가능 Counterfactual

Untreated (=0) Counterfactual 측 가능

V 분석 방법(Propensity Score Matching)

본 에서는 일자리 이동의 효과성 분석에 사용할 방법론으로서 Heckman Ichimura and Todd(1997)이 제안한 Propensity Score Difference- in-Differences(DID) Matching(PSM)에 해 설명

하고자 한다 이에 앞서 우선 이 방법론의 근간이 되는 Averge Treatment Effect for the Treated(ATT)(Rubin[1974])와 Propensity Score Matching(PSM)(Rosenbaum and Rubin[1983]) 일반에

해 소개하기로 한다

1 Average Treatment Effect for the Treated

결과에 향을 미치는 Treatment Variable로서 더미변수 를 가정하자 Treatment의 부여 여부

에 따라서 Treated Group(혹은 실험군)과 Untreated Group(혹은 조군)으로 구분할 수 있다 =1 (Treated Group)과 =0 (Untreated Group) 이때 잠재 결과치(Pontential Outcomes) 가 Treatement 여부에 따라 각기 ( )일 때 Average Treatment Effect(ATE)는 다음과 같다 그러나 이러한 통 인 계산방식은 Treatment가 무작

(Randomization)라는 가정하에서만 편 되지 않은 측치(Unbiased Estimates)를 제공할 수 있다 순수한 무작 실험이 아니라면 분석의 상이 데이터에서 Treatment 여부가 무작 인 경우는 드

물다 즉 특정한 요인들이 Treatment 참여 여부에 직간 인 향을 미치는 것이다 를 들어 특정약물의 효과를 알고 싶다고 하자 약물이 투여된 사람과 그 지 않은 사람의 건강상태를 악

하면 된다고 생각할 수 있다 그러나 약물이 투여되지 않은 사람은 개 건강한 사람들이기 때문

에 이들의 건강상태를 약물이 투여된 사람과 직 비교한다면 약물을 투여한 사람이 여 히 건강

상태가 나쁜 것으로만 나올 것이고 약물투여의 효과가 없다라고 결론짓게 될 것이다 비교 상은

건강한 사람이 아니라 약물이 투여된 집단만큼의 건강이 양호하지 않은 집단이어야 한다 이 게

건강하지 않는 사람과 비교할 때 약물 투여의 순수한 효과를 검증할 수 있다 이러한 무작 의 여

부로부터 발생하는 문제를 선택편의(Selection Bias)라고 한다데이터로부터 우리가 측할 수 있는 결과치는 Treated된 경우의 과 Untreated된 경우의

이다 선택편의의 문제가 발생할 때 Treatment의 효과를 제 로 알고자 한다면 우리가 비교해야

하는 상은 Treated 된 경우의 Treatment가 용되지 않았을 때의 결과 즉 ( |=1)이다 이러한

가상의 결과를 Counterfactual이라고 한다 (역시 Untreated된 경우의 Treatment가 용되었을 때 결

과 즉( |=0) 역시 Counterfactual이다) 다음의 표가 이를 간략히 정리하고 있다

선택편의(Selection Bias)의 문제하에서 Treatment의 효과를 측정하기 하여 체 집단에 한

Treatment Effect가 아닌 Treated Group에 한 Treatment Effect에 한정하여야 한다 이 게 한정된

집단 즉 Treated Group에 한 효과성 측정을 Average Treatment Effect for the Treated(ATT)라고 한

(1)

여기서 는 Counterfactual에 한 기 치이므로 자료로부터의 직 인 추정은 불

가능하다 Treatment Selection이 측 가능한 변수들의 특정한 집합 Z에 의존한다고 가정해 보자 Dawid(1979)의 표 법에 따르면 다음과 같은 계가 성립한다 ∐ 즉 Z를 통제하 을

때 Untreated Group의 값의 분포와 Treated Group이 만약 Treatment를 받지 아니하 을 때의

값의 분포(즉 Counterfactual의 분포)는 서로 동일하다는 것이다 이는 기 치에 한 다음과 같은

계를 내포한다

(2)

즉 counterfactual인 을 측치인 이 체할 수 있는 것이다 식

(2)의 계를 조건부 독립가정(Conditional Independence Assumption CIA)이라고 한다 Rubin(1974)은 조건부 독립가정(CIA)의 조건이 충족할 경우 ATT를 다음과 같이 측정할 수 있다고 제안한 바

있다

(3)

즉 직 으로 설명한다면 =1인 집단에 속한 특성 Z인 개체에 하여 동일 특성을 지닌 개

체를 =0인 그룹에서 찾아 그 둘의 Y값을 비교하면 되는 것이다 =1 집단 내의 모든 개체에

하여 동일한 계산을 한 뒤 이를 합산하면 ATT를 구하게 된다 그러나 이 방법 역시 일정 정도의 한계를 지닌다 만약 Z가 이산변수(Discrete Variable)가 아닌

연속변수(Continuous Variable)라면 =0 집단에서 동일한 Z를 가진 개체를 찾을 수 없으므로 이상

의 측정법을 용할 수 없다 한 특정 변수들이 집합인 Z에 포함된 변수들이 많은 경우 동일한

특성의 개체를 =0 집단으로부터 찾는 것이 어려울 수 있다 이러한 한계를 극복하고자 도입된 것

이 Propensity Score Matching 방식이다

2 Propensity Score Matching Estimator

Propensity Score(PS)를 Z 특성을 지닌 개체가 Treated될 확률로 정의하고 로 표시하도록

하자

Propensity Score equiv (4)

Rosenbaum and Rubin(1983)은 0ltP(Z)lt1이 모든 Z에 해 만족할 경우 다음의 계가 성립한다

는 것을 증명하 다

∐ rArr ∐ (5)

이 계식은 을 내포하므로 변수집합의 Z의 차원수

∐ rArr

(Dimensionability)가 클 경우에도 다음과 같이 다일변수 P(Z)를 활용하여 ATT를 구할 수 있다

(6)

샘 수의 유한성으로 인해 실제로 식의 두 번째 항을 추정하는 것은 간단치 않은 작업이

다 한 ATT의 추정은 Common Support 역 즉 Treated Group의 P(Z)의 분포와 Untreated Group의 P(Z)의 분포가 겹치는 Z의 역에 한정하여야 한다 Common Support를 벗어나는 역에 해

서는 비교가능한 Counterfactual를 찾기 힘들기 때문이다 이를 반 하여 주어진 샘 내에서 ATT를 추정할 수 있는 다양한 Propensity Score Matching(PSM) Estimator가 제안되었는데 이는 다음과

같이 요약될 수 있다(Todd[2006])

isincap

isin

(7)

여기서 는 Treated Group 구성원을 는 Untreated Group의 구성원을 나타낸다 는 Common Support 역 내의 개체들의 집합을 나타낸다 은 Treated Group의 구성원 Common Support 역에 속하는 개체들의 총수이다 는 가 치를 나타내는 것으로 두 Propensity Score의 거리

인 을 이용하여 결정된다 가 치 용방식에 따라 다양한 측정방식이 제시될 수

있다 이에 해서는 추후에 추가 으로 논의하도록 한다

3 Difference-in-Differences Matching Estimator

여기서 한 단계 발 된 방식의 PSM이 Heckman Ichimura and Todd (1997)에 의해 제시된

Difference-in-Differences(DID) Matching Estimator이다 앞서 ATT의 추정에서 측 가능한 특정 변수

들의 집합 Z가 주어졌을 때 결과치 가 Treatment에 독립 (즉 ∐ 이 성립)이라고 가정한

바 있다 그러나 Z에 포함되어야 할 많은 변수 측이 되지 않는 경우가 있을 수 있다 이러한

경우 계가 더 이상 성립하지 않아 앞서의 ATT 추정법은 정

당성을 상실한다 하지만 Longitudal Data가 주어진 경우 즉 Treatment 이 과 이후의 결과치( )가

주어진 경우 분석 상을 신에 lsquo의 변화분rsquo으로 변경함으로써 이러한 문제를 상당 부분 해

소할 수 있다 Treatment 이 과 이후 두 개의 시간 를 와 prime이라 한다면 분석 상을 이

아닌 prime prime 으로 둘 수 있는 것이다 이때 ATT를 추정하기 해서는

prime ∐ 의 가정이면 충분하게 된다 이는 앞서보다 훨씬 완화된 가정이므로 충족하기

가 보다 용이해진다 특히 측되지 않는 시간 불변(time-invariant)의 일부 변수가 Treatment Selection에 연 된 경우에도 이 변수가 와 prime에는 직 인 향을 미치더라도 prime 에 미치는 향이 없다면(즉 독립 이라면) 문제가 되지 않는 것이다17) 따라서 Longitudal Data가

17) 이 외에도 주어진 수치들이 데이터가 수집된 지역에 따라 Level이 다를 경우 Difference 변수를 활용함으로써 이러

한 Level 차이에서 기인한 편의(bias)를 해소할 수 있다

주어진 경우에 DID Matching Estimator는 매우 효과 인 도구로 활용될 수 있다 이때 DID Matching Estimator는 다음과 같은 방식으로 요약될 수 있을 것이다

isincap

prime prime prime

isin prime

(8)

본 연구에서는 앞서 소개한 DID Matching Estimator를 이용함으로써 시간불변(time-invariant)의

측되지 아니하는 변수들을 사 에 통제하고 보다 신뢰할 만한 분석 결과를 제시하고자 한다

4 Treatment Effect 측정방식

의 가 치를 결정하는 를 어떻게 설정하느냐에 따라 다양한 PSM Estimator가 존재한다 본 연구의 분석에서는 가장 활발히 이용되는 측정방식들로서 Nearest Neighbor Matching Radius Matching Kernel Matching 이 세 가지를 활용하기로 한다18)

가 Nearest Neighbor Matching

이 방식은 조군인 Untreated Group에 속한 개체 에서 Propensity Score가 실험군(Treated Group) 개체의 Score와 가장 근 한 개체를 선택하는 방식이다 즉 를 최소화시키

는 에 해서는 이고 나머지 에 해서는 이 성립한다 [그림 2]가 이

를 잘 형상화하고 있다 이때 Score가 근 한 개체를 하나가 아닌 복수로 선정함으로써 하나를

선정할 때보다 더욱 안정된 추정치를 얻을 수 있다 다만 매칭되는 개체 수가 무 많을 경우

가 크게 되어 편의(bias)가 증가할 수 있으므로 신 할 필요가 있다 개의 근

한 개체를 선택하는 경우 이들 개체 에 해서는 이 성립하고 나머지 에

해서는 이 성립한다 Nearest Neighbor Matching의 경우 가장 근 한 개체를 선택하 으나 가 무

커서 Counterfactual로서 부 합한 매칭이 이루어질 가능성이 있다 이를 보완하기 하여 Cochran and Rubin(1973)은 한 Caliper를 선정하여 매칭에 있어서 를 일정 한도로 제

한할 것을 제안한 바 있다 본 분석에서는 을 5개로 선정함으로써 편의(bias)를 이면서도 안정

된 추정치를 얻고자 하 으며 Caliper는 히 작은 0005로 설정하여 부 합한 매칭을 최소화하

고자 하 다19)

18) 이 외에도 주로 활용되는 측정방식으로 Stratification Matching Mahalanobis Matching 등이 있으나 이들을 활용한 결

과가 본 연구의 분석 결과와 크게 다르지 않다 Dehejia and Wahba(2002)는 Treated Group과 Untreated Group 간의

Propensity Score 분포가 상당 부분 서로 겹친다면 측정방식에 따른 분석 결과의 차이가 크지 않다는 을 강조한

바 있다 이는 실험군 한 개체에 해 매칭 가능한 충분한 수의 조군 개체들이 존재하기 때문이다 즉 측정방식의

차이에 따라 매칭이 되는 조군들의 특성이 크게 달라지지 않는 것이다 본 연구에서 추정한 Propensity Score 분포

는 Treated Group Untreated Group 두 집단 사이에 겹치는 부분이 매우 크다 이는 [그림 4]를 통해 쉽게 확인된다 19) 여기서 Caliper 설정은 실험군 개체와 매칭되는 조군 개체 사이의 PS 거리 즉 를 한 수 으로

제한하고자 함이다 부분의 실험군 개체의 경우 Caliper가 설정한 Boundary에 크게 제한을 받지 않으므로 히

작은 Caliper의 설정이면 편의(Bias)를 개선하기에 충분하다 본 분석에서 설정한 0005 이외에 0002이나 001을 사용

하여 보았으나 역시 결과의 차이가 크지 않음을 확인하 다

[그림 2] Nearest Neighbor Matching(n=1인 경우)

나 Radius Matching

이 방식은 일정 반경을 Caliper로 설정하고 Untreated Group에서 가 Caliper 이내인 모든 개체 를 Treated Group의 개체 에 매칭하는 방법이다(그림 3 참조) 개체 에 하여

Untreated Group으로부터 매칭된 개체의 수가 라면 이들에 해서는 이 성립하고 매칭이 안된 나머지 개체들에 해서는 이 성립한다 이 추정방식은 앞서 Nearest Neighbor Matching에 비해 Propensity Score가 근 한 조군 내의 보다 많은 개체를 분석에 활용할

수 있다는 장 이 있다 보다 많은 조군 내 개체를 활용할수록 Treatment Effects 측정의 정확성

(Precision)은 상승하게 된다 매칭이 가능한 조군 개체의 수가 충분히 많다면 Caliper는 작을수록 좋다 Caliper가 클수록

부 합한 매칭에 따른 Treatment Effects의 편 (Bias)이 커질 수 있기 때문이다 본 분석에서는 샘

의 수가 충분히 크기 때문에 Caliper를 0002로 설정하여 매우 근 한 개체들에 해서만 매칭이

이루어지도록 설정하 다20)

20) 다음 에서는 주어진 샘 을 활용하여 Propensity Score를 추정하고 있다 이 결과에 따르면 PS (01 0102)인 구간

에서 조군 개체 수가 116개 (02 0202) 구간에서 조군 개체 수가 32개 (03 0302) 구간에서 조군 개체 수가

12개에 이르는 것을 확인할 수 있다(표 6과 그림 4를 참조 바람) 즉 0002의 Caliper를 사용할 때 한 개의 실험군

개체에 해 10개 내지 100개 이상의 조군 개체들이 매칭되는 경우가 흔히 존재하는 것이다 반면 Caliper를 이보

다 작게 설정한다면 (특히 PS가 큰 구간에서는) 실험군 개체들과 매칭되는 조군 개체가 존재하지 않을 수 있다 를 들어 PS (04 0402)인 구간에서 조군 개체 수는 단 1개 존재하나 PS (0401 0402)인 구간에서는 무하다

따라서 본 연구에서는 최소의 Caliper이면서도 매칭되는 조군 개체의 수가 충분할 수 으로서 Caliper 0002를 선

정하 다 반면 민감성 테스트(Sensitivity Check)에 따르면 Caliper 0001이나 0003에서도 연구 결과의 차이가 크지

않음을 확인하 다

[그림 3] Radius Matching

다 Kernel Matching

이 방식은 Treated Group 내의 각 개체에 한 매칭을 Untreated Group 내의 모든 개체를 상

으로 진행하는 방식으로 에 따라 가 치를 부여한다 가 작을수

록 가 치가 커진다 이때 사용되는 가 치는 다음과 같이 표시될 수 있다

isin

(9)

여기서 G는 선택된 Kernel function을 은 Bandwidth Parameter를 표시한다 이 방식은

Heckman Ichimura and Todd(1998)에 의해 도입되었는데 주어진 모든 개체를 추정에 활용하므로

정보의 손실을 최소화할 수 있다는 장 이 있다 한 앞서의 두 추정방식과는 달리 인 인

Caliper의 설정이 불필요하다는 장 도 있다 Kernel의 선택에는 Gaussian Function(Normal Distribution) Biweight Function Epanechnikov Function 등 다양한 방식이 가능하나 본 분석에는

Normal Distribution을 채택하 다 Bandwidth Parameter로는 001을 선택하여 가 근

한 이들에게 충분한 가 치가 주어지도록 하 다21)

VI Propensity Score의 추정

주어진 자료에서 Treatment는 이직에 해당한다 이직에 한 Propensity Score(PS)를 추정하기

해서는 이직에 향을 미치는 주요 변수의 집합 을 사용하여야 한다 이들 변수는 다음 조건

을 만족하여야 한다 prime ∐ 즉 이직에 향을 미치는 주요 변수들을 통제한 후에

는 이직을 하지 않은 이들의 결과치 에 한 변화분 prime 의 분포가 이직을 한

이들이 만약 이직을 하지 않았을 때 상되는 결과치 에 한 변화분 prime 의 분

21) Bandwidth Parameter가 0005 002인 경우도 확인해 보았으나 결과에는 큰 차이가 발견되지 않았다

추정함수 Logistic Regression(이직 = 1 비이직 = 0)Z 추정계수 표 오차

직장유지의향 -0002 0004 직무유지의향 -0015 0004 성별(여성 1) -0104 0071

나이 -0138 0023 나이2 0001 0000

교육수 0169 0050 혼인 여부(미혼 1) -0056 0082

정규직 여부(정규직 1) 0342 0248 첫(혹은 두 번째) 일자리 여부 -0599 0068

임 수 (단 만원 로그) 0076 0601 임 수 (단 만원 로그)2 -0052 0063 종업원 규모(단 명 로그) -0084 0015

차수 교육 합도 0000 0001 임 만족도 0003 0002

근무환경만족도 -0004 0002 일자리만족도 -0003 0003

서비스 매직 여부 0459 0077 농어업 종사 여부 0324 0378

정규직 여부 times 교육수 -0131 0056 직장유지의향 times 직무유지의향 0000 0000

상수항 3558 1584 측 수 12754

결정계수( ) 00873

Log Likelihood -401098

포와 동일해야 하는 것이다 따라서 Propensity Score의 추정에 활용할 변수들은 앞서 일자리 이동

의 향요인에 한 분석을 통해 선별할 수 있다 특히 주어진 노동패 의 자료에서는 ldquo 재의

직장을 계속 다니고 싶은가(직장유지의향)rdquo와 ldquo 재 맡고 있는 일을 계속하고 싶은가(직무유지의

향)rdquo라는 이직의사와 련된 매우 긴요한 변수들이 포함되어 있는데 이들을 주요 변수의 집합

에 포함시킴으로써 이상의 조건이 보다 용이하게 충족될 수 있음을 기 할 수 있다 Propensity Score의 추정에는 Logistic Regression을 활용하 다 추정에 활용된 주요 변수들의 집합 과 각

변수에 한 추정계수는 lt표 5gt에 요약되어 있다

lt표 5gt Propensity Score의 추정방정식

주 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

앞서 일자리 이동 향요인에 한 분석에서 일자리 이동의 요한 결정변수로 악된 변수

들이 부분 PS 추정방정식에 포함되었다 만족도와 련한 변수 업무만족도 취업 안정성 만

족도 자기발 만족도 복지후생만족도 이상 네 변수는 일자리 향요인으로 통계 으로 유의하

게 악되었으나 PS 방정식에 추가된 일자리만족도 직장유지의향 직무유지의향 등과의 통계

상 계가 매우 높아 PS 추정방정식에 따로 포함시키지 않았다22) 한 추정방정식에는 일부

Interaction Terms들과 Higher Order Terms들을 추가하여 앞서 설명한 변수집합(Z)의 기본요건을 맞

추고자 하 다 추가 변수들은 Balancing Property를 충족하기 하여 선정되었는데 이에 해서는

아래에서 추가 부연한다Rosenbaum and Rubin(1983)에 따르면 PS는 다음 조건을 만족한다

∐ rArr

즉 PS를 통제한 뒤에는 변수집합 Z와 Treatment 여부 D가 상호 독립 이라는 것이다 이는 PS가 동일한 개체들에 해 Z의 평균값을 구한다면 Treatment를 받은 집단과 그 지 않은 집단 사이

에 차이가 없어야 한다는 을 내포한다 이를 Balancing Property라 한다 이를 검증하기 한 방

법으로 P(Z)를 여러 구간(Blocks)으로 나 뒤 각 구간에 한 Mean Difference Statistical T-test를

시행할 수 있다 일부 구간에 해 T-test가 만족하지 않는 경우에는 구간을 더욱 세분하여 진행하

고 여 히 만족이 되지 않는 경우에는 문제가 되는 일부 변수들의 Interaction Terms들과 Higher Order Terms들을 PS 추정방정식에 추가하여 앞서의 과정을 되풀이한다(Dehejia and Wahba[1999]) 앞서 언 된 Interaction Terms과 Higher Order Terms들은 이상의 과정을 거쳐 추가된 항들이다

Balancing Property 검증을 하여 다양한 PS 추정방정식을 설정하여 반복 인 Test를 수행하

다 최종 으로 lt표 5gt의 추정방정식에서 도출한 PS를 기 으로 lt표 6gt과 같이 10개의 Block을

구분한 뒤 Mean- Difference Statistical T-test를 진행하 다 Block 설정은 PS의 Common Support 역인 [00149 06]에 하여 이루어졌다 각 Block들에 한 T-test의 결과는 lt부표 2gt에 수록되어

있다 추정방정식에 도입된 독립변수 항이 총 20개이고 Block의 수는 10개이므로 총 200개의

Mean-Difference T-test가 시행되었다 lt부표 2gt에서 확인할 수 있듯이 5 Significance Level에서

부분의 Block들이 T-test를 통과하 다 통과에 실패한 테스트는 단 두 개로 Block 1의 lsquo정규직

여부rsquo에 한 테스트와 Block 8의 lsquo성별rsquo에 한 테스트이다 따라서 Block Test의 통과율이 99에

이르러 앞서의 PS 추정방정식이 Balancing Property를 체로 만족하고 있다고 결론내릴 수 있다 이상의 과정을 거쳐 확정된 PS 추정방정식을 이용하여 각 개체별로 PS를 구할 수 있다 [그림

4]는 이 게 구해진 PS에 하여 각 집단별 분포도를 제시하고 있다 Treated Group의 경우 PS의

분포가 Untreated Group에 비해 상 으로 우측으로 치우쳐 있음을 쉽게 확인할 수 있다 그리고

PS 분포에서 Common Support 역이 [00149 06]에 이른다는 것을 확인할 수 있다 이는 PS가

06보다 큰 경우에는 Treatment에 참여한 실험군 개체에 해 그에 상응하는 Counterfactual을 조

군으로부터 찾을 수 없음을 의미한다 따라서 PS를 활용한 Treatment의 효과 측정은 이 Common Support 역에 들어오는 실험군 개체들에 한정하여 이루어질 수밖에 없다

22) 를 들어 일자리만족도와 이들 네 변수와의 상 계수(Correlation Coefficient)는 각각 업무만족도(06536) 취업 안정

성 만족도(06014) 자기발 만족도(06279) 복지후생만족도(05514)에 이른다 이들을 포함시키더라도 반 인 결과

에는 큰 차이가 없다

(10)

02

46

8

0 2 4 6 8 0 2 4 6 8

Untreated Group Treated Group

DensityRough Density Curve

Den

sity

Propensity Score Distribu tion for Each Group

lt표 6gt Balancing Property 검증을 위한 Block 구분

Block 번호 Propensity Score 범 D=0 D=1 합계

1 00149 ~ 0025 655 10 665

2 0025 ~ 005 2128 59 2187

3 005 ~ 0075 2146 152 2298

4 0075 ~ 001 1744 200 1944

5 01 ~ 0125 1300 171 1471

6 0125 ~ 015 949 162 1111

7 015 ~ 02 1138 238 1376

8 02 ~ 03 845 242 1087

9 03 ~ 04 230 95 325

10 04 ~ 06 57 56 113

합계 11192 1385 12577

[그림 4] 각 집단별 Propensity Score 분포도

주 Common Support 역인 [00149 06]에 포함된 개체 수는 Untreated Group의 경우 11192명 Treated Group의 경우에

는 1385명임

VII 분석 결과

이제 구해진 PS를 활용하여 이직의 효과와 이직에 있어서 인 네트워크 활용의 효과성을 분

석할 비를 마련하 다 본 분석에서는 앞서 제3 에서 소개한 7가지의 성과지표에 하여 분석

을 진행할 것이다 우선 PS가 추정된 12754개체에 하여 PS를 고려하지 않은 단순비교를 진행해

성과지표의

연간 변화비교 상

이직자

평균

비이직자 평균

격차

(표 오차)

직장만족도 변화이직자 수 1379 3724 -0334 4058

비이직자 수 11274 (0466)

직무만족도 변화이직자 수 1386 2962 -0428 3389

비이직자 수 11285 (0466)

일자리만족도 변화이직자 수 1384 2944 0282 2662

비이직자 수 11261 (0489)

기술 합도 변화이직자 수 1383 2350 -0058 2408

비이직자 수 11245 (0684)

교육 합도 변화이직자 수 1389 2556 -0142 2697

비이직자 수 11300 (0689)

교육기술복합지수

변화

이직자 수 1383 2422 -0091 2513

비이직자 수 11245 (0664)

임 수 변화이직자 수 1384 9088 2782 6307

비이직자 수 11340 (1614)

보자 lt표 7gt은 이직자 집단과 비이직자 집단의 성과지표 변화를 단순비교한 것이다 표에서 확인

할 수 있듯이 이직자의 경우 모든 지표들에 하여 성과지표의 뚜렷한 증가가 목격되었다 비이

직자의 경우에는 임 수 이 2782만원 증가한 것을 제외하고 에 띄는 성과지표의 개선이 나타

나지 않았다23) 성과지표 개선에서 집단 간의 차이가 존재하는지를 검증하기 하여

Mean-Difference Statistical T-test를 진행하고 그 결과를 표에 수록하 다 모든 지표에 하여 이직

자 집단이 비이직자 집단에 비해 높은 증가세를 보인 것이 통계 으로 유의하게 확인된다 를 들

어 이직자 집단의 월평균 임 수 은 9088만원 상승한 것으로 나타나 비이직자 집단에 비해

6307만원만큼 큰 폭의 임 향상을 보 다 하지만 우리는 이상의 결과를 이직의 효과라고 단정

지을 수 없다 왜냐하면 이직의 효과는 이직자 집단에 속한 개체들의 성과 변화와 이들의

Counterfactual 즉 이들이 이직을 하지 않고 직장을 유지하 을 때의 성과 변화를 직 비교해

야 제 로 악되기 때문이다 이후 제시한 Propensity Score Matching에 의한 이직효과 측정은 이

러한 Counterfactual의 탐색에 기반한 분석 결과이다

lt표 7gt 주요 성과지표의 연간 변화 단순비교

주 1 성과지표의 변화에 한 집단 간 차이를 확인하기 하여 Mean-Difference Statistical T-test를 수행함 2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

23) 주어진 임 수 은 연간 임 상승률을 감안한 수치이기 때문에 비이직자의 임 은 불변이거나 하락하여야 정상이

다 재 악되는 비이직자들의 임 증가는 선택편의(Selection Bias) 문제에 의해 발생한 것으로 보인다 주어진 최

종샘 은 차수와 차수 모두에서 임 근로자로 악된 이들로 구성된다 취업시장에 신규로 진입하는 이들에

비하여 근속연수가 1년 많은 셈이다 한 차수에 임 근로자인 이들 임 상승폭이 작은 이들이 그 지 않은

이들보다 근로시장을 이탈할 가능성이 높다 이로 인하여 차수에 이어 차수까지 근로시장에 남아 있는 이들

은 상 으로 높은 임 상승을 보이는 것으로 단된다( 한 분석에 활용한 임 상승률이 lsquo임 구조기본통계조사rsquo의 표본으로부터 추정된 것이므로 노동패 표본과의 근본 차이로 인해 이상의 문제가 도출하 을 가능성도 일

부 배제할 수 없다)

공개채용 스카우트 소개나 추천 직 찾아가서 기타

인 네트워크

활용 구직

21 10 730 68 2

(69) (625) (8459) (1166) (556)

인 네트워크

비활용 구직

278 4 118 502 27

(9145) (250) (1367) (861) (750)

알 수 없음5 2 15 13 7

(164) (125) (174) (223) (1944)

총 사례 수 (1802명

)

304 16 863 583 36

(100) (100) (100) (100) (100)

이직 성격 분류비네트워크

경로-

네트워크

경로

비네트워크

경로-

본격 인 분석에 앞서 인 네트워크와 련하여 이직의 성격을 규명할 필요가 있다 인 네

트워크를 이직경로로 활용한 경우와 그 지 않은 경우로 구분지어 보도록 하자 이를 해 노동패

6차에서 10차까지의 체 경력직 취업자들을 상으로 한 lt부표 1gt의 lsquo경력직 취업자들의 일

자리 진입방식별 구직방법의 분포rsquo를 참조하도록 하자 노동패 에서 제공하는 일자리 진입방식

은 lsquo공개채용rsquo lsquo스카우트rsquo lsquo소개나 추천rsquo lsquo직 찾아가서rsquo lsquo기타rsquo 이 게 다섯 가지로 구분된다 이 lsquo공개채용rsquo 형태의 일자리 진입에서는 lsquo인터넷rsquo이나 lsquo매체 고rsquo를 활용한 구직이 체 사례

의 8486에 이른다 lsquo직 찾아가서rsquo 형태의 일자리 진입 역시 lsquo인터넷rsquo이나 lsquo매체 고rsquo 그리고

lsquo직 탐문rsquo 방식의 구직이 사례의 8113에 이른다 반면 lsquo소개나 추천rsquo 형태의 일자리 진입에서

는 lsquo친구나 친지rsquo를 통하거나 lsquo취업희망 직장의 지인rsquo 혹은 lsquo업무상 알게 된 지인rsquo을 통하는 경우

가 체의 81235에 이른다 즉 각 일자리 진입방식 간에 매우 뚜렷한 구직형태의 차이를 보여

주고 있다 lt부표 1gt의 성공한 구직방법 2 3 8 10 11을 인 네트워크를 활용한 구직으로 1 4 5 6 7 9를 그 지 않은 구직으로 분류하고 각 일자리 진입방식에 한 인 네트워크 활용도를

추산해 보면 다음 lt표 8gt과 같이 요약된다

lt표 8gt 일자리 진입방식별 이직의 성격 분류

주 ( ) 안은 각 일자리 진입방식에 한 이직 성격의 비 을 백분율로 표시함 자료 lt부표 1gt를 재구성한 것임

lt표 8gt에 요약된 바와 같이 lsquo공개채용rsquo과 lsquo직 찾아가서rsquo 형태의 일자리 진입에서 인 네트

워크를 활용하지 않은 구직이 각기 9145와 861에 이른다 반면 lsquo소개나 추천rsquo에서는 인 네

트워크를 활용한 구직이 8459에 이른다 이를 바탕으로 본 분석에서는 lsquo공개채용rsquo과 lsquo직 찾아

가서rsquo를 lsquo비네트워크 경로 이직rsquo으로 lsquo소개나 추천rsquo을 lsquo네트워크 경로 이직rsquo으로 구분한다 이 분류

에 따르면 15705명의 최종샘 에서 이직자로 악된 1560명 1438명의 체 인 구직경로 구

분이 가능하다 이 999명이 네트워크 경로 이직자로 439명이 비네트워크 경로 이직자로 분류

된다 한 앞서 PS가 추정된 12754명 에는 1391명이 이직자인데 그 891명은 네트워크 경

로 이직자로 387명은 비네트워크 경로 이직자로 분류된다

1 이직을 통한 개인만족도의 변화

아래 세 개의 도표 lt표 9gt lt표 10gt lt표 11gt은 이직을 통하여 개인의 만족도가 개선되는지의

여부를 PSM을 통하여 검증한 것이다 각각의 만족도지수(직장만족도 직무만족도 일자리만족도)에 하여 세 가지 방식의 PSM 추정치(Five Nearest Neighbors Radius Matching Kernel Matching)를

제시하고 있다앞서 lt표 7gt의 단순비교에서는 이직자와 비이직자의 연간 만족도변화가 100 만 에서

4058 (직장만족도) 3389 (직무만족도) 2662 (일자리만족도)만큼 차이가 나는 것으로 집계

되었다 그러나 PSM 방식으로 재추정된 이직의 만족도 개선효과는 각각 약 250 (직장) 216(직무) 155 (일자리)으로 나타났다24) 종합하면 단순비교 방식(표 7)은 PSM 활용방식(표 9

표 10 표 11)에 비해 이직의 만족도 개선효과를 약 1~15 만큼 과 추정하고 있음을 확인할 수

있다 이러한 상이 나타난 이유는 실제 이직한 이들이 그 지 않은 이들에 비해 기존 직장에서

의 만족도가 상 으로 낮았다는 데 있다 를 들어 주어진 최종샘 에서 이직자들의 기존 직장

에서의 직장만족도는 평균 5071 을 보이는 반면 같은 시기 비이직자들의 평균 직장만족도는 이

보다 무려 7 가까이 높은 5724 으로 나타났다 따라서 단순비교 방식에서는 이직을 통한 만족

도 개선효과가 다소 과장되어 추산되기 마련이다 이들 이직한 이들이 만약 기존 직장에 그 로 남아 있었다면 (이들의 만족도가 상 으로 낮

은 수 이므로) 다른 이들에 비해 보다 높은 수 의 만족도 개선을 한 해 사이에 경험하 을 것이

다 실제로 체 비이직자들의 연간 만족도의 변화가 각기 -0334 (직장) -0428(직무) 0282 (일자리)에 그치는 데 반해 실험군(이직자 집단)의 Counterfactual 즉 PS를 사용하여 실험군 개체에 매

칭된 (비이직자 집단 내) 조군 개체들의 만족도 변화는 각기 113 (직장) 066 (직무) 133 (일자리)에 이르 다(각 표의 lsquo매칭된 조군 변화(B)rsquo 항목 참조) 실험군 Counterfactual에서의 만족도

개선폭이 여타 비이직자들의 연간 만족도 개선폭보다 략 1 이상 높게 나타나는 것이다 이상

의 선택편의(Selection Bias) 문제가 히 통제될 때 이직의 순효과가 바르게 추정될 수 있다 앞서 시한 PSM 방식으로 추정된 이직의 만족도 개선효과는 이러한 선택편의 문제를

Counterfactual Framework으로 극복한 추정 결과라 할 수 있다 그럼 네트워크 경로 이직과 비네트워크 경로 이직 사이에 뚜렷한 차이가 존재하는지 살펴보도

록 하자 표에서 확인할 수 있듯이 두 경우 모두 이직의 만족도 개선효과가 통계 으로 유의한 수

에서 명확히 확인된다 네트워크 경로의 이직에서는 만족도 개선의 효과가 각기 220 (직장) 158 (직무) 117 (일자리)으로 확인되었고 비네트워크 경로의 이직에서는 각기 263 (직장) 284 (직무) 207 (일자리)으로 확인되었다 흥미로운 부분은 비네트워크 경로의 이직에서 이직

을 통한 만족도 개선의 효과가 소폭 높게 나타난 이다 이는 비네트워크 이직 사례들이 상당수

의 lsquo공개채용rsquo 입사자를 포함하기 때문에 나타난 상으로 보인다 lsquo공개채용rsquo은 주로 종업원 300인 이상의 규모가 큰 기업에서 집 으로 활용되고 있다25) 이들 큰 기업에 lsquo공개채용rsquo으로 입사

한 이들은 그 직장에 비해 주 인 만족도가 크게 향상되었을 것이다 이러한 lsquo공개채용rsquo 사례들이 비네트워크 이직의 만족도 개선효과를 다소 증폭시키는 역할을 하 을 것으로 추정된다

반면 비네트워크 이직을 통한 만족도 개선이 네트워크 이직에 비해 다소 크다고 하여 이것이

24) 이는 분석에 사용된 세 가지 방식의 PSM 추정치들을 산술평균하여 정리한 수치들임 25) 이 부분에 한 구체 인 설명은 발간 정인 한국개발연구원 정책연구시리즈 lsquo인 네트워크(개인의 사회 자본)

의 노동시장 효과 분석rsquo을 참조하기 바란다 ( 자에게 요청시 수령가능함)

이직과정에서의 인 네트워크 요성은 인정되지 않는다는 식으로 해석될 수 없음을 유념하여야

한다 국내 이직과정에서의 인 네트워크 의존도는 해외 주요국에 비해 상당히 높은 수 이다 략 65 안 의 경력직 취업자들이 인 네트워크를 활용하여 구직에 성공하 다고 추정되고 있

다26) 만약 재 이직을 고려하고 있는 국내 한 근로자가 구직활동에서 인 네트워크 활용을 포기

한다면 이 근로자의 이직 성공 가능성은 매우 낮아질 것이다 즉 개인의 이직 성공률을 높이기

해서는 평소에 꾸 한 구직 네트워크 리가 요청된다 할 수 있다 특히 이직수요라는 것은 많은

경우 자신의 의도와는 다르게 외부 충격으로 인해 발생한다 회사의 경제 환경이 변화하기도

하지만 자신의 심사가 바 기도 하고 가족의 갖가지 필요에 의해 이직이 요구되기도 한다 즉 언제 발생할지 모르는 이직수요에 히 응하기 해서는 이직의 주요한 통로라 할 수 있는 인

네트워크에 한 상시 리가 요청되는 것이다 따라서 이직을 고려한 인 네트워크의 상시

리 이를 한 개인의 갖가지 비용 지출은 향후 발생 가능한 험에 처하기 하여 자동

차나 암 보험을 구매하는 것과 같이 기꺼이 지불해야 할 미래에 한 투자라 할 수 있다

26) 역시 한국개발연구원 정책연구시리즈 lsquo인 네트워크(개인의 사회 자본)의 노동시장 효과 분석rsquo을 참조하기 바

란다

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1371) 3662 1201 2460 403

조군(11274) (0610)

Radius Matching 실험군(1362) 3543 1009 2534 436

조군(11274) (0581)

Kernel Matching(Normal) 실험군(1372) 3659 1165 2494 434

조군(11274) (0564)

체 이직효과 평균 362 113 250

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 3309 1169 2140 293

조군(11274) (0730)

Radius Matching 실험군(879) 3231 0939 2292 331

조군(11274) (0693)

Kernel Matching(Normal) 실험군(881) 3309 1146 2162 315

조군(11274) (0686)

네트워크 이직효과 평균 328 108 220

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(380) 4224 1525 2699 224

조군(11274) (1206)

Radius Matching 실험군(373) 3981 1438 2543 217

조군(11274) (1171)

Kernel Matching(Normal) 실험군(381) 4213 1565 2647 230

조군(11274) (1149)

비네트워크 이직효과 평균 414 151 263

lt표 9gt 이직을 통한 직장만족도 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1377) 2850 0701 2149 363

조군(11285) (0592)

Radius Matching 실험군(1368) 2767 0626 2140 381

조군(11285) (0562)

Kernel Matching(Normal) 실험군(1378) 2852 0648 2204 398

조군(11285) (0554)

체 이직효과 평균 282 066 216

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(884) 2302 0808 1494 211

조군(11285) (0707)

Radius Matching 실험군(882) 2256 0658 1598 238

조군(11285) (0670)

Kernel Matching(Normal) 실험군(884) 2302 0654 1648 249

조군(11285) (0661)

네트워크 이직효과 평균 229 071 158

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 3648 0577 3072 269

조군(11285) (1142)

Radius Matching 실험군(374) 3463 0774 2688 245

조군(11285) (1098)

Kernel Matching(Normal) 실험군(382) 3652 0888 2764 257

조군(11285) (1077)

비네트워크 이직효과 평균 359 075 284

lt표 10gt 이직을 통한 직무만족도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1375) 2909 1571 1338 217

조군(11261) (0617)

Radius Matching 실험군(1366) 2818 1276 1543 262

조군(11261) (0588)

Kernel Matching(Normal) 실험군(1376) 2907 1147 1760 303

조군(11261) (0581)

체 이직효과 평균 288 133 155

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(882) 2523 1626 0897 121

조군(11261) (0742)

Radius Matching 실험군(880) 2472 1246 1225 173

조군(11261) (0707)

Kernel Matching(Normal) 실험군(882) 2523 1139 1383 198

조군(11261) (1697)

네트워크 이직효과 평균 251 134 117

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 3609 1499 2110 176

조군(11261) (1196)

Radius Matching 실험군(374) 3409 1530 1879 163

조군(11261) (1151)

Kernel Matching(Normal) 실험군(382) 3599 1365 2235 197

조군(11261) (1133)

비네트워크 이직효과 평균 354 146 207

lt표 11gt 이직을 통한 일자리만족도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이 를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

2 이직을 통한 배치효율성의 변화

다음은 이직의 다른 측면인 일자리 재배치의 문제에 해 살펴보고자 한다 이직은 각 개인

에 있어서는 직장생활의 변화라 할 수 있지만 기업의 입장에서는 노동인력의 교환에 해당한다 따라서 이직을 통한 노동인력의 재배치가 과연 사회 반의 경제 이익을 창출하고 있는지를 따

져 볼 필요가 있다 앞서 lt표 7gt에서 기술수 교육수 교육기술복합지수 이 세 가지 합도에 해 이직자

비이직자 집단 내의 연간 변화를 정리한 바 있다 여기서 비이직자의 경우 각 지수에서 연간 합

도가 소폭 하락한 것으로 나타났고 이직자의 경우 합도가 크게 상승한 것으로 나타났다 비이

직자는 기술수 의 합도에서 0058 이 교육수 의 합도에서 0142 이 그리고 교육기술수

의 복합지수에서는 0091 이 하락한 데 반해 이직자들은 각기 2350 (기술) 2556 (교육) 2422(복합지수)의 합도 상승이 발견되었다 비이직자들의 합도 하락은 기술이나 경제환경의 변

화와 한 련이 있다 경쟁력 있는 기술 이에 한 사회 수요가 시간에 따라 변화하므로 직장에서의 자신의 기술 혹은 교육수 은 (평균 으로 보아) 이 보다 합성이 다소 떨어지게

마련이다 반면 이직자들의 합도 상승이 과연 이직의 순효과인지에 해서는 여 히 의문의 여

지가 크다 이직을 결행한 이들은 이 직장에서의 직무 련 합도가 평균 으로 크게 떨어지는

이들이다 를 들어 최종샘 에서 이직을 하지 않은 이들의 한 해 기술 합도는 평균 9066인 데 반해 이직을 결행한 이들의 한 해 (이 직장에서의) 기술 합도는 평균 8547 에 머무

는 것으로 나타났다 이들은 애 에 워낙 합도가 떨어지기 때문에 굳이 이직을 택하지 않더라

도 직무재배치나 직장 내 부서이동 등을 통하여 1년 사이에 상당한 정도의 합도 개선을 이루었

을 것으로 상된다따라서 이직을 통한 배치효율성의 개선효과 즉 반 인 근로자의 직무 련 합도 상승효

과를 명확히 규명하기 해서는 이직한 이들이 이직을 하지 아니하 을 때에 상되는 합도의

개선을 우선 추정해 볼 필요가 있다 이것은 앞서 설명하 듯이 Counterfactual의 추정을 통해서만

이 가능하다 lt표 12gt lt표 13gt lt표 14gt는 PSM을 이용하여 비이직자들의 정보로부터 이직자들의

Counterfactual을 추정한 뒤 이를 보고하고 있다 세 방식(Five Nearest Neighbors Radius Matching Kernel Matching)의 추정치를 산술평균하면 기술 합도에서는 088 교육 합도에서는 057 교육

기술복합지수에서는 075 의 상승이 확인되었다(각 표의 lsquo매칭된 조군 변화(B)rsquo 항목을 참조) 이를 실험군 즉 실제 이직자들의 합도 상승(각 표의 lsquo실험군 변화(A)rsquo 항목)과 비교하면 순이직

효과는 각기 131 (기술) 183 (교육) 140 (복합지수)에 이르는 것으로 결론지을 수 있다 반

면 교육과 복합지수에서는 이들 순이직효과가 통계 으로 유의하게 나타났으나 기술수 의

합도에서는 이 효과가 통계 으로 뚜렷하지 않았다 10의 유의도에서 검증할 때 Kernel Matching을 제외한 나머지 두 개의 PSM 매칭에서 통계 유의성을 확보할 수 없었다 이에 이직

을 통한 교육수 의 합도 개선효과는 분명한 반면 기술수 의 합도 개선은 통계 으로 입증

되지 않는다고 결론지을 수 있다 교육기술복합지수의 경우 이 두 가지 효과가 첩되어 나타난

것으로 교육수 의 합도 개선이 워낙 뚜렷하기 때문에 통계 으로 유의한 지수상승이 나타난

것으로 단된다 이상과 같이 이직을 통해 교육수 합도의 개선이 보다 효과 으로 이루어지

는 것은 채용과정에서 후보자의 교육수 이 기술수 에 비해 객 인 자료를 이용하여 검증하

기가 보다 용이하기 때문인 것으로 보인다

그럼 이직을 통한 배치효율성 개선 측면에서 인 네트워크의 역할을 살펴보도록 하자 네트

워크 경로 이직과 비네트워크 경로 이직으로 나 어 이직효과를 각기 추정해 보면 둘 사이에 의

외의 뚜렷한 차이가 존재함을 확인할 수 있다 네트워크 경로의 이직인 경우 이직을 통한 합도

개선효과가 통계 으로 유의한 수 에서 매우 높게 나타난다 이직의 순효과는 각기 213 (기술) 252 (교육) 126 (복합지수)에 이른다 반면 비네트워크 경로의 이직인 경우 이 효과는 모두 사

라져 버린다 즉 이직효과는 기술 합도 교육 합도 교육기술복합지수 모두에서 양과 음을 반복

하고 통계 유의성도 확보되지 않는다 즉 비네트워크 경로를 통한 이직에서는 일자리 재

배치를 통한 사회 반의 경제 이득을 기 할 수 없는 것이다 앞서 교육 합도 개선에 있어 이

직의 반 인 효과가 통계 으로 강하게 나타났는데 이 효과의 부분은 비네트워크 경로 이직

보다는 네트워크 경로 이직으로부터 창출된 것임을 짐작할 수 있다 특히 기술 합도를 보면 이직자들의 합도 개선은 네트워크와 비네트워크 이직 사이에 뚜렷

한 차이를 보이는데 네트워크 이직자들의 합도 개선은 평균 292 인 데 반해 비네트워크 이직

자들의 합도 개선은 평균 048 에 그친다 인 네트워크를 활용하지 않고 이직을 하 을 경우 이직을 하 음에도 불구하고 기술 합도의 개선은 평균 으로 거의 기 되지 않는 것이다 이는

앞서 주 만족도의 개선효과와 비교하여 매우 상반된 결과에 해당한다 이직을 통한 주 만

족도의 개선에서는 네트워크와 비네트워크 이직 모두 그 효과가 분명하 으며 특히 비네트워크

이직자들의 주 만족도 개선폭은 3 내지 4 에 이르 다 이는 네트워크 이직자들의 만족

도 개선폭에 비해서도 1 가량 높은 수치 다 따라서 이직이 반 으로 개인의 주 만족도

를 개선하는 효과가 있으나 배치효율성의 개선 측면에서는 오직 인 네트워크에 의존한 이직만

이 재배치의 분명한 경제 효과를 평균 으로 창출한다고 결론지을 수 있다 이러한 네트워크와 비네트워크 사이의 뚜렷한 이직효과의 차이는 네트워크가 지닌 정보 달

기능에 기인한 것으로 단된다 인 네트워크는 구인자와 구직자 사이에 훌륭한 정보 달 기능

을 수행하고 있다 구직자에게는 어떠한 일자리가 구직자의 기술능력 혹은 교육수 에 비추어

합한지에 한 정보를 제공하고 구인자에게는 구인자가 필요로 하는 합한 기술의 소유자가

구인지에 한 정보를 제공하는 것이다 이는 평소에 구인자와 구직자 모두를 아우르는 간 매개

로서의 인 네트워크가 있었기에 가능한 것이다 반면 비네트워크에서는 이러한 효과를 기 하

기 힘들다 비네트워크 채용에서는 주어진 서류와 단시간의 인터뷰 혹은 직무능력 테스트만을 가

지고 합한 인력을 선발하여야 한다 lsquo공개채용rsquo의 경우 많은 지원자들의 경쟁을 거치므로 상으로 보다 합한 후보자를 선별할 수 있을 것이다 그러나 lsquo직 찾아가서rsquo 형태의 입사에서는

이러한 경쟁의 과정 역시 생략되므로 높은 합도를 지닌 후보의 채용은 더욱 기 하기 힘들다 정리하자면 인 네트워크는 국내 노동시장에서 일자리와 일자리 후보 사이의 활발한 정보 달

기능을 수행함으로써 노동시장의 효율 작동을 돕고 있는 것이다 끝으로 이러한 네트워크 이직의 배치효율성이 모든 이직 사례에 일 으로 용되는 것이

아님을 주지할 필요가 있다 인 네트워크가 구인과 구직 사이의 lsquo연결(Networking)rsquo 기능을 수행

할 때 이상의 정 인 효과를 기 할 수 있을 것이나 이 둘 사이의 lsquo연 rsquo로서 기능할 때는 오히

려 역효과를 래할 수 있다 즉 인 네트워크를 통하여 합하지 않은 지원자를 연 로 채용시

키는 경우 해당 일자리에 한 매치 합성은 네트워크 이직으로 인해 오히려 감퇴할 수 있다 우리는 이상의 분석을 통하여 국내 노동시장에서 네트워크 이직의 반 인 교육 기술 수

합도 개선효과를 확인한 바 있다 이는 국내 노동시장의 고용 로세스에서 lsquo연 rsquo의 부정 효과

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1374) 2220 1095 1124 121

조군(11245) (0929)

Radius Matching 실험군(1365) 2088 0735 1353 155

조군(11245) (0874)

Kernel Matching(Normal) 실험군(1375) 2255 0795 1460 168

조군(11245) (0869)

체 이직효과 평균 219 088 131

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 2951 0919 2032 181

조군(11245) (1125)

Radius Matching 실험군(879) 2844 0746 2098 198

조군(11245) (1057)

Kernel Matching(Normal) 실험군(881) 2951 0702 2250 214

조군(11245) (1049)

네트워크 이직효과 평균 292 079 213

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 0525 2297 -1772 -096

조군(11245) (1840)

Radius Matching 실험군(374) 0267 0868 -0600 -034

조군(11245) (1753)

Kernel Matching(Normal) 실험군(382) 0654 1297 -0642 -037

조군(11245) (1746)

비네트워크 이직효과 평균 048 149 -100

보다는 구인구직 간 lsquo연결rsquo이라는 네트워크의 정 효과가 보다 강하게 작동하고 있음을 시사

한다

lt표 12gt 이직을 통한 기술적합도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1380) 2428 0630 1797 193

조군(11300) (0931)

Radius Matching 실험군(1371) 2298 0496 1802 207

조군(11300) (0872)

Kernel Matching(Normal) 실험군(1381) 2462 0586 1876 216

조군(11300) (0869)

체 이직효과 평균 240 057 183

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(886) 3047 0342 2705 245

조군(11300) (1106)

Radius Matching 실험군(884) 2885 0528 2357 227

조군(11300) (1037)

Kernel Matching(Normal) 실험군(886) 3047 0551 2496 243

조군(11300) (1029)

네트워크 이직효과 평균 299 047 252

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(382) 1702 2007 -0305 -016

조군(11300) (1891)

Radius Matching 실험군(375) 1600 0559 1041 058

조군(11300) (1788)

Kernel Matching(Normal) 실험군(383) 1828 0910 0917 051

조군(11300) (1793)

비네트워크 이직효과 평균 171 116 055

lt표 13gt 이직을 통한 교육적합도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1374) 2293 0893 1399 155

조군(11245) (0904)

Radius Matching 실험군(1365) 2161 0641 1520 179

조군(11245) (0850)

Kernel Matching(Normal) 실험군(1375) 2327 0711 1616 191

조군(11245) (0847)

체 이직효과 평균 226 075 140

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 2951 0643 2308 212

조군(11245) (1087)

Radius Matching 실험군(879) 2816 0662 2154 211

조군(11245) (1021)

Kernel Matching(Normal) 실험군(881) 2951 0645 2306 228

조군(11245) (1014)

네트워크 이직효과 평균 291 065 226

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 1115 2233 -1118 -062

조군(11245) (1816)

Radius Matching 실험군(374) 0936 0749 0187 011

조군(11245) (1727)

Kernel Matching(Normal) 실험군(382) 1243 1131 0112 007

조군(11245) (1726)

비네트워크 이직효과 평균 110 137 -027

lt표 14gt 이직을 통한 교육기술복합지수의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

3 이직을 통한 임금수준의 변화

다음은 이직을 통한 임 수 의 변화가 실재하는지 검토하고자 한다 네트워크 이직과 비네트

워크 이직을 나 어 볼 때 앞서 우리는 네트워크 이직이 일자리 매치 합도를 히 개선한다

고 밝힌 바 있다 임 이 근로자의 생산성 기여분을 그 로 반 한다고 한다면 네트워크 이직에

따른 매치 합도의 개선은 근로자의 임 상승으로 이어져야 할 것이다 앞서 lt표 7gt의 단순비교에서 이직자들의 연간 임 상승분이 평균 9088만원 비이직자들의 연

간 임 상승분은 2782만원으로 집계된 바 있다 둘 사이의 격차가 6307만원에 이른다 한 해 사

이에 이직한 이들의 연간 임 상승폭이 직장을 그 로 유지한 이들의 연간 임 상승폭 보다

히 높은 수 인 것이다 하지만 이러한 단순비교는 선택편의(Selectoin Bias) 문제를 역시 고려하지

않고 있으므로 이직의 직 인 임 상승효과라 볼 수는 없다 즉 실제로 이직을 결행한 이들의

이직 임 수 은 같은 시기 직장을 그 로 유지한 이들에 비해 상 으로 낮은 수 일 가능

성이 높다 이들이 직장을 그 로 유지하 다면 다른 이들에 비해 히 높은 수 의 임

상승을 경험하 을 것이다 실제 이직한 이들이 만약 이직을 하지 않고 직장을 그 로 유지하

을 때 상되는 임 상승분 즉 이직자 임 상승분의 Counterfactual을 PSM 방식을 활용하여 추

정한 수치가 lt표 15gt의 lsquo 조군 변화(B)rsquo에 요약되어 있다 이에 따르면 실제 이직자들이 이직을

하지 않았을 때 기 할 수 있는 임 상승분은 략 5만원 정도에 이르는 것으로 나타난다 따라

서 이직에 따른 임 상승의 순효과는 앞서 제시한 6307만원이 아닌 이보다 상당히 축소된 386만원이다 이는 lt표 15gt에 정리된 바와 같이 PSM을 활용한 세 가지 추정치의 산술평균으로 추산

된 값이다 한 이러한 이직의 임 상승효과는 통계 으로도 유의한 것으로 확인되었다 반면 네트워크 경로 이직자와 비네트워크 경로 이직자의 임 상승분을 비교해 보면 둘 사이

에 상당한 격차가 존재함을 쉽게 확인할 수 있다 네트워크 이직자들의 이직을 통한 임 상승효과

는 통계 으로 유의한 수 에서 략 384만원으로 추정되는 반면 비네트워크 이직자들의 임

효과는 -077만원이고 이는 통계 으로도 유의하지 않다 즉 네트워크를 활용하여 이직하 을

때 뚜렷한 임 상승이 기 되는 반면 인 네트워크를 활용하지 않고 이직하 을 때는 이 효과

를 확신할 수 없을 뿐더러 다소 하락할 가능성도 있는 것이다 따라서 앞서 확인된 이직을 통한

반 인 임 상승의 효과는 네트워크 이직을 통해 창출된 효과이며 비네트워크 이직을 통한

기여는 뚜렷하지 않은 것으로 결론지을 수 있다이직은 새로운 일자리에 자신의 기술 직무 능력을 응시키는 과정이다 따라서 임 상승

효과가 이직 기에 항상 담보되지는 않을 것이다 반면 인 네트워크를 활용하 을 때 자신에

게 보다 합한 일자리에 배치됨으로써 즉 자신의 능력과 잠재력을 보다 잘 발휘할 수 있는 직무

에 재배치됨으로써 이상의 추가 인 임 상승을 기 할 수 있는 것이다 이는 앞서 이직을 통한

배치효율성 검증에서 확인되었던 네트워크 이직의 기술수 (혹은 교육수 ) 합도 상승효과와

일맥상통하는 결과이다 인 네트워크를 활용한 이직은 임 근로자를 보다 합한 일자리에 재

배치하는 데 일조하고 이것이 생산성에의 보다 높은 기여를 창출함으로써 이직자들의 추가 인

임 상승으로 이어지는 것이다물론 이러한 해석은 평균 인 추세를 반 한 것임에 유념할 필요가 있다 네트워크 이직의 사례

에는 앞서 말한 생산 인 lsquo연결rsquo 효과가 아닌 비생산 인 lsquo연 rsquo 효과 혹은 정실인사(Nepotism)가

작동한 경우들도 상당할 것이다 이 경우 생산성에의 기여가 충분하지 않음에도 불구하고 기술이

나 능력에 비해 임 을 후하게 설정할 가능성이 높다 이러한 lsquo연 rsquo형 이직을 통한 임 상승 역

시 네트워크 이직의 임 상승효과라 볼 수는 있겠으나 이것이 일자리 배치효율성의 개선을 반

한다고 볼 수는 없는 것이다 따라서 앞서 추정한 네트워크 이직의 임 상승효과 384만원이

으로 일자리 매치 합도 개선효과에서 기인한다고 단정 지을 순 없다 한 비네트워크 이직 역

시 평균 으로 임 상승의 효과가 포착되지 않은 것일 뿐 비네트워크 이직의 표본 에는 실제로

임 이 크게 상승한 사례들도 상당히 존재할 수 있다 를 들어 lsquo공개채용rsquo 방식의 입사인 경우 경합자들에 비해 채용 합격자의 해당 일자리 합성이 보다 우수하다고 단되어 채용된 사례가

많을 것이다 이 게 경쟁을 거쳐 채용된 이들은 이 에 비해 상당히 높은 수 의 임 상승을 기

할 수 있다 반면 비네트워크 이직에서 반 인 임 상승의 효과가 포착되지 않는 것은 비네트워크 이직

이 격한 주 만족도의 개선을 이끌었던 것과 비교하여 매우 조 인 상이다 많은 이들의

상식과는 달리 이직의 결정은 임 만족도 수 과 직결되어 있지 않다 앞서 제4 에서 우리는 이

직의 향요인들을 분석해 본 바 있다 이직의 결정이 업무만족도 복지후생만족도 취업 안정성에

한 만족도 등 다양한 요소에 민감하게 반응하는 반면 임 에 한 만족도와는 통계 으로 유의

한 수 에서의 연 성이 포착되지 않았다 개인의 이직 결정은 임 이외에 다양한 요소들을 종합

으로 고려한 단 결과라 할 수 있다 체로 이직은 다양한 방면에서 개인의 주 만족도를

격하게 향상시킨다 반면 자신의 기술(교육)수 과 일자리의 매치 합성의 문제는 이직자들에

게는 부차 인 고려 상에 해당한다 임 수 의 개선 역시 이직 시 고려되는 한 요소이겠으나 인 요소는 아니고 다양한 향요인 의 하나로 볼 수 있는 것이다 이러한 에서 비네트워

크 이직이 다소 상반된 효과(즉 주 만족도의 한 개선효과와 미미한 수 의 임 개선효

과)를 동시에 보여주고 있는 것은 일견 자연스러운 상이다

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1375) 8887 5274 3613 184

조군(11340) (1962)

Radius Matching 실험군(1366) 8842 4813 4029 208

조군(11340) (1936)

Kernel Matching(Normal) 실험군(1376) 8861 4916 3945 206

조군(11340) (1880)

체 이직효과 평균 886 500 386

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(882) 8943 5519 3423 150

조군(11340) (2285)

Radius Matching 실험군(880) 8827 4855 3972 178

조군(11340) (2231)

Kernel Matching(Normal) 실험군(882) 8943 4819 4124 186

조군(11340) (2217)

네트워크 이직효과 평균 890 506 384

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 4772 5672 -0900 -024

조군(11340) (3685)

Radius Matching 실험군(374) 4805 5201 -0396 -011

조군(11340) (3661)

Kernel Matching(Normal) 실험군(382) 4691 5716 -1025 -028

조군(11340) (3601)

비네트워크 이직효과 평균 476 553 -077

lt표 15gt 이직을 통한 임금수준의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

VIII 구직 네트워크의 사회적 자본 추정

근로자 개인의 측면에서 구직 네트워크의 가치를 추정해 보자 앞서 네트워크 이직을 통한 임

상승효과를 3840만원으로 추정하 다 이는 2008년 기 액이다 연간 물가상승률을 감안하

면27) 2010년 재가로 4074만원에 해당한다 평소에 구직 네트워크를 히 리하여 이직에서

이를 활용한다면 한 번의 이직으로 4만원 안 의 추가 인 임 상승을 기 할 수 있는 것이다 연으로는 489만원 가량의 임 이 이직 이후 매년 추가 으로 지 되는 것으로 해석될 수 있다28)

한편 이직이라는 것은 근로자의 생애를 걸쳐 발생하는 사건이다 임 근로자를 심으로 한

재의 최종샘 에서 연간 일자리 이동비율은 평균 993에 이른다 직종 업종에 따라 혹은 재

직 회사의 규모에 따라 이직률에는 상당한 차이가 있겠으나 체 임 근로자를 상으로 하 을

때 략 10년에 한 번 정도의 이직이 상되는 것이다 임 근로자의 생애를 걸쳐 살펴보면

이직은 주로 직장생활 후기보다는 기에 집 되어 있다 [그림 5]는 최종샘 15705명 임 근로

자를 상으로 한 각 연령별 이직률 추이를 나타낸다 생애 이직률은 20 후반에 가장 높고 30 반에 주춤하다가 30 후반에 다시 상승하고 40 이후에 하강하는 추세임을 확인할 수

있다

[그림 5] 연령별 이직률(26세부터 59세까지)

(단 )

0

2

4

6

8

10

12

14

16

18

26 28 30 32 34 36 38 40 42 44 46 48 50 52 54 56 58

연령(만)

자료 노동패 5차부터 10차까지

이를 활용하면 임 근로자 한 사람이 평생에 걸쳐 기 할 수 있는 이직의 임 상승효과를 추

정해 볼 수 있다 첫 취업의 평균연령이 265세임을 고려하여 표 인 임 근로자(A Representative Worker)가 26세부터 60세까지 노동시장에 참여한다고 가정해 보자 인 네트워크

27) 여기에 연평균 물가상승률 3를 용하 다 실제 임 상승률도 2009년의 임 이 융 기 여 로 거의 동결이었

음을 고려할 때 2년간 략 6에 해당한다 28) 여기서는 네트워크 이직의 임 리미엄(연 489만원 상승)이 이직 후 매년 지속된다고 가정하고 있다 실제로

리미엄이 상당 기간 지속되는지 아니면 이직 후 빠르게 축소되는지에 한 국내 실증분석은 향후 과제로 남겨져

있다

를 활용한 이직만이 평균 인 임 상승효과를 가져온다는 을 고려할 때 구직 네트워크의 생애

가치()는 다음과 같이 요약된다29)

times timestimestimes (11)

여기서 는 연령 에서의 상 이직률(Job Transfer Rate)을 나타낸다 은 이직 시 인 네

트워크에 한 의존도 수 이다 는 네트워크 이직에 따른 월평균 임 상승의 효과이다 여기

에 [그림 5]에 요약된 이직률의 생애 추이를 에 입하자 여기서 경력직 이직자의 인 네트

워크 의존도가 60 반(plusmn5 이내)으로 추산된 을 고려하여 에 64를 입하도록 하자30) 그리고 에 앞서 추정한 네트워크 이직의 임 상승효과 4074만원(2010년 기 )을 입하면 구직 네트워크의 생애 가치()는 18720만원으로 집계된다 만약 에 이직률의 생애 추

이 신 최종샘 에서 구한 평균이직률 993를 연령 에 걸쳐 일률 으로 사용한다면 이와

유사한 수치인 18486만원을 얻을 수 있다 따라서 한국사회 임 근로자 한 사람의 구직 네트워크

가치는 보상 측면에서 략 일천 1870만원 수 인 것으로 결론지을 수 있다 물론 이 수치는 이직을 통한 이득만을 반 하고 있을 뿐 주 만족도의 개선효과는

반 하고 있지 않다 앞서 우리는 일자리 이동을 통해 창출되는 개인의 만족도 변화를 직장만족

도 직무만족도 일자리만족도 이 세 가지 측면에서 고려해 보았다 네트워크 이직과 비네트워크

이직 모두 만족도의 개선효과를 보 다 그러나 국내 노동시장에서 이직의 약 60 이상이 인

네트워크에 의존하고 있음을 고려할 때 임 근로자 한 개인이 구직 네트워크를 리하지 않는다

면 그의 이직률은 에서 60 이상 추락할 것이다 이를 고려하여 구직 네트워크의 생애 만족

도 개선효과()를 다음과 같이 요약할 수 있다31)

timestimestimestimes (12)

여기서 는 네트워크 이직을 통한 주 만족도의 개선폭을 나타낸다 앞서 네트워크 이직

이 창출하는 주 만족도의 개선효과가 100만 에서 220 (직장만족도) 158 (직무만족도) 117 (일자리만족도) 정도임을 확인하 다 이 세 수치의 평균치가 네트워크 이직의 만족도 개선

효과를 히 변하고 있다고 한다면 의 략 인 추정치는 165 이 된다 이를 입하면

구직 네트워크의 만족도 개선효과는 략 7582 으로 추산된다 만족도 1 을 으로 환산하

여 만원에 해당한다고 표시하면 구직 네트워크의 임 근로자 일인당 생애가치()는 임

상승효과()와 만족도 개선효과()의 합으로써 다음과 같이 요약된다

equiv (=18720+7582) (13)

구직 네트워크의 가치 (18720+7582n)만원이 함의하는 바를 명확히 규정하기는 쉽지 않다 특히 개인마다 일자리에서 얻는 주 만족도를 가치로 환산하는 방식이 다를 것이다 를 들

29) 구직 네트워크의 재 가치를 추산하기 해서는 시간할인률을 용할 필요가 있으나 여기서는 이를 생략하 다 시간할인률이 용된 추정치는 재 계산된 값보다 다소 하락할 것이다

30) 이에 한 보다 구체 인 설명은 본 논문의 보다 상세한 내용이 실린 한국개발연구원 정책연구시리즈로 출간 정

인 lsquo인 네트워크(개인의 사회 자본)의 노동시장 효과 분석rsquo 보고서를 참조 바란다 31) 앞서와 마찬가지로 구직 네트워크의 재 가치를 추산하기 해서는 시간할인률을 용할 필요가 있으나 여기서는

이를 생략하 다 시간할인률이 용된 추정치는 재 계산된 값보다 다소 하락할 것이다

어 어떤 이들에게는 이득만이 요하고 주 만족도는 경시될 수 있다 이들에게 n은

lsquo0rsquo에 가까운 것이다 반면 다른 이들에게는 일자리에서 얻는 주 만족도가 임 소득보다

몇 배 이상 요할 수 있다 이들에게 n은 1보다 큰 양수가 될 것이다 구직 네트워크의 가치를 수

치로 악해 보고자 n=1인 근로자를 상정해 보자32) 이 사람에게 만족도 1 은 1만원만큼의

효용을 창출한다 이 근로자에게 구직 네트워크의 종합 가치는 26302만원에 이른다고 평가할

수 있다 이러한 구직 네트워크의 종합 가치를 개인의 물 혹은 인 자본과 별하여 근로자

개인의 구직 네트워크 사회 자본이라 명할 수 있다추정한 구직 네트워크의 가치인 (18720+7582n)만원은 한국사회의 임 근로자 각 개인이 구직

네트워크의 유지 리를 하여 기꺼이 지불할 용의가 있는 비용을 나타낸다 만족도 1 이 1만원의 효용이 있다면 즉 n=1이라면 이는 1224개월치 월 ( 략 일년치 연 )에 해당한다33) 이는 결코 작지 않은 액수이다 한국사회의 구성원들은 다양한 방식으로 네트워크를 리하고 있다 동창회 동호회 업계 계자와의 술자리 각종 경조사 참여 Social Network Service(SNS) 활동 등

이 이에 해당한다 이들 활동은 그 자체로서 정서 효용을 창출하지만 생 인 경제 이득

한 간과할 수 없다 이는 업무에 필요한 유용한 정보의 획득이나 업거래망의 확장이기도 하고 구직 네트워크의 변 확 자기 PR(Public Relations)이기도 하다 네트워크의 리는 그에 상

응하는 비용을 수반한다 이는 만남에 따른 지출에서부터 시간사용까지를 포함한다 구직

네트워크의 효과성 측면에서 보았을 때 한국사회 근로자 개인은 상당한 비용( 를 들어 n=1인 경

우 략 일년치 연 에 해당하는 비용)을 구직 네트워크의 유지 리를 하여 생애를 거

쳐 기꺼이 지불할 용의가 있다고 볼 수 있는 것이다

IX 결론

이제까지 우리는 국내 고용시장에서의 인 네트워크 활용의 효과성을 다각 인 측면에서 살

펴보았다 인 네트워크를 활용한 이직의 직장생활만족도 개선효과는 100 만 에 약 165 34)

에 달하는 것으로 확인되었으며 직무 합도 개선효과는 100 만 에 약 197 35)에 이르는 것으

로 나타났다 한 인 네트워크를 활용한 이직은 임 상승을 동반하는데 그 규모는 월평균 임

으로 4074만원(2010년 기 )인 것으로 확인되었다 반면 인 네트워크를 활용하지 않은 이직

에서도 직장생활만족도의 개선효과가 일부 포착되었으나 일자리 합도에 한 개선이나 임 상

승효과는 확인되지 않았다 즉 구인자와 구직자를 연결시켜주는 인 네트워크의 효율 인 정보

달 기능이 확인된 것이다 이를 통해 임 근로자 개인의 구직 네트워크의 가치 즉 lsquo네트워크 사

회 자본rsquo을 추정해 보면 구직 네트워크의 생애 가치는 18720만원으로 집계되었으며 여기에 주 만족도에 한 보상 측면까지 고려하면 만족도 1 의 가치를 만원으로 환산

할 때 략 (18720+7582)만원에 이르는 것으로 집계되었다

32) 실제로 일반 인 수 에서 n은 1보다 상당히 클 것으로 상된다 주어진 표본에서 주 만족도의 평균은 략

55 내외인 반면 임 수 의 평균은 략 200만원 내외이다 즉 두 수치의 Scale이 네 배 가량 차이가 난다 33) 26302만원을 차수 임 수 (20247만원)의 2010년도 기 가치인 2148만원으로 나 면 1224개월이 나온다 34) 직장만족도 개선효과 220 직무만족도 개선효과 158 일자리만족도 개선효과 117 의 산술평균값 용 시 35) 기술 합도 개선효과 213 교육 합도 개선효과 252 교육기술복합지수 개선효과 126 의 산술평균값 용

참 고 문 헌

고용노동부 985172고용노동백서985173 2010김동헌김상호 「직업탐색과 자발 이직」 2001 경제학 공동학술 회 발표문 2010 김성훈 「사회연결망과 공식경로를 통한 첫 취업의 개인 결과와 사회 결과」 985172한국사회학985173 제39집 제1호

2005 김성훈 「 문직의 취업경로 사회연결망과 공식경로를 심으로」 985172한국사회학985173 제40집 제5호 2006 김성훈 「취업자의 사회연결망 활용에 한 향요인 연구」 985172노동경제논집985173 제26권 제3호 2003김용학 985172사회연결망 이론985173 박 사 2003류석춘 외 985172한국의 사회자본 역사와 실985173 백산출 사 2008 송호근김우식이재열 985172한국사회의 연결망 연구985173 서울 학교 출 부 2004안재희 985172구직과 제도 사회자본985173 한국학술정보(주) 2008우천식 편 985172한국경제사회와 사회 자본985173 한국개발연구원 2007이 면나인강 「직장만족도와 이직행 에 한 패 분석」 985172제5차 한국노동패 학술 회 논문집985173 2004이 면나인강 「비정규직의 이직 이직사유 근속기간에 한 연구」 985172제6차 한국노동패 학술 회 논

문집985173 2005이상호 「노동패 의 주 만족도 측정」 985172노동리뷰985173 통권 제17호 2006 pp77~86이병훈 「구직활동의 향요인에 한 탐색 연구」 985172노동경제논집985173 제25권 제1호 2002 pp1~21 통계청 985172경제활동인구조사985173 2010한국노동연구원 985172사업체패 조사985173 2007KDI 국제정책 학원 985172사회 자본 확충을 한 기본조사 정책연구985173 2007

Blau David and Philip Robins ldquoJob Search Outcomes for the Employed and Unemployedrdquo Journal of Political Economy 98(3) 1992 pp637~655

Bourdieu P ldquoThe Forms of Capitalrdquo in J G Richardson (ed) Handbook of Theory and Research for the Sociology of Education New York Greenwood 1986

Cochran William and Donald Rubin ldquoControlling Bias in Observational Studies A Reviewrdquo Sankhya 35 1973 pp417~446

Datcher Linda ldquoThe Impact of Informal Networks on Quit Behaviorrdquo Review of Economic Statistics 65(3) 1983 pp491~495

Dawid A ldquoConditional Independence in Statistical Theoryrdquo Journal of Royal Statistical Society B 41 1979 pp1~31

Dehejia R and S Wahba ldquoCausal Effects in Nonexperimental Studies Reevaluating the Evaluation of Training Programsrdquo Journal of the American Statistical Association 94 1999 pp1053~1062

Dehejia R and S Wahba ldquoPropensity Score-Matching Methods for Nonexperimental Causal Studiesrdquo The Review of Economics and Statistics 84 2002 pp151~161

Glaeser E D Laibson and B Sacerdote ldquoAn Economic Approach to Social Capitalrdquo The Economic Journal 112 2002

Gottschalk P and T Maloney ldquoInvoluntary Termination Unemployment and Job Matching A Test of Job Search Theoryrdquo Journal of Labor Economics 3 1985 pp109~123

Granovetter Mark S Getting A Job A Study of Contracts and Careers Chicago University of Chicago Press 1975

Heckman J H Ichimura J Smith and P Todd ldquoCharacterizing Selection Bias Using Experimental Datardquo Econometrica 66 1998 pp1017~1098

Heckman J H Ichimura and P Todd ldquoMatching as an Econometric Evaluation Estimator Evidence from Evaluating a Job Training Programrdquo Review of Economic Studies 64 1997 pp605~654

______ ldquoMatching as an Econometric Evaluation Estimatorrdquo Review of Economic Studies 65 1998 pp261~294Knack S and P Keefer ldquoDoes Capital Have and Economic Payoff A Cross Country Investigationrdquo Quarterly

Journal of Economics 62 1997 pp1251~1288 Lin Nan Social Capital A Theory of Social Structure and Action Cambridge Cambridge University Press 2001 Lin Nan Karen Cook and Ronald Burt (eds) Social Capital Theory and Research Aldine Transaction 2001 Marmaros David and Bruce Sacerdote ldquoPeer and Social Networks in Job Searchrdquo European Economic Review 46

2002 pp870~879Putnam Robert D Bowling Alone The Collapse and Revival of American Community New York Simon and

Schuster 2000Rosenbaum J S DeLuca S Miller and K Roy ldquoPathways into Work Short- and Long-Term Effects of Personal

and Institutional Tiesrdquo Sociology of Education 72(3) 1999 pp179~196Rosenbaum P and D Rubin ldquoThe Central Role of the Propensity Score on Observational Studies for Causal

Effectsrdquo Biometrika 70 1983 pp41~55Rubin D ldquoEstimating Causal Effects of Treatments in Randomized and Non-randomized Studiesrdquo Journal of

Educational Psychology 66 1974 pp688~701Simon Curtis and Warner John ldquoMatchmaker Matchmaker The Effect of Old-Boy Networks on Job Match

Quality Earnings and Tenurerdquo Journal of Labor Economics 10(3) 1992 pp306~330Todd Petra ldquoMatching Estimatorsrdquo unpublished manuscript 2006

성공한 구직방법

일자리 진입방식

합계공개

채용스카우트

소개나

추천

찾아가서기타

1 학교나 학원12 0 26 4 0 42

(395) (0) (301) (069) (0) (233)

2 교수나 교사2 0 8 0 0 10

(066) (0) (093) (0) (0) (055)

3 친구나 친지5 2 509 28 2 546

(164) (125) (5898) (48) (556) (303)

4 공공 안내소3 0 7 9 4 23

(099) (0) (081) (154) (1111) (128)

5 사설 안내소3 0 29 16 1 49

(099) (0) (336) (274) (278) (272)

6 매체 고53 1 21 209 13 297

(1743) (625) (243) (3585) (3611) (1648)

7 직 탐문2 0 13 85 0 100

(066) (0) (151) (1458) ((0) (555)

8 가족1 1 21 2 0 25

(033) (625) (243) (034) (0) (139)

9 인터넷205 3 22 179 9 418

(6743) (1875) (255) (307) (25) (232)

10 희망직장

지인

7 3 90 20 0 120(23) (1875) (1043) (343) (0) (666)

11 업무상

지인

6 4 102 18 0 130(197) (25) (1182) (309) (0) (721)

12 기타 5 2 15 13 7 42

(164) (125) (174) (223) (1944) (233)

합 계304 16 863 583 36 1802

(100) (100) (100) (100) (100) (100)

lt부표 1gt 경력직 취업자(1802명)의 일자리 진입방식별 구직방법의 분포

주 1 노동패 6차부터 10차까지의 신규 일자리 진입자 경력직 취업자를 상으로 함 2 ( ) 안은 각 일자리 진입방식에 한 성공한 구직방법의 백분율임

Block

번호

직장유지의

직무유지의

향성별 나이 나이

2 교육

혼인

여부

정규직

여부

첫(혹은

두 번째)

일자리

(로그)

격차 격차 격차 격차 격차 격차 격차 격차 격차 격차

1164 116 048 -102 -14913 -003 003 009 000 007

(455) (395) (011) (207) (19454) (044) (005) (004) (009) (013)

2-254 050 003 007 -1629 -022 -006 004 -002 001

(203) (191) (006) (123) 11232 (020) (004) (004) (006) (007)

3036 -076 002 -094 -7067 -001 000 -004 008 001

(131) (129) (004) (088) (7870) (012) (003) (003) (004) (004)

4-079 -117 -001 071 6428 000 -004 -002 001 -005

(128) (122) (004) (079) (6861) (010) (003) (003) (004) (003)

5026 144 -005 068 6211 -012 004 000 -006 -001

(142) (144) (004) (077) (6201) (010) (004) (003) (004) (004)

6061 152 -008 -043 -3655 006 002 002 -007 007

(151) (151) (004) (073) (5661) (010) (004) (004) (004) (004)

7010 -134 -002 043 2726 003 -002 001 003 001

(133) (131) (004) (058) (4296) (008) (004) (003) (003) (003)

8045 173 008 044 3233 007 000 -001 -001 -003

(146) (143) (004) (052) (3615) (007) (004) (003) (003) (003)

9128 -010 000 061 3033 -016 -003 006 -010 004

(259) (246) (006) (065) (3930) (012) (005) (006) 006 (006)

10500 114 013 -035 -1626 004 000 007 001 -003

(407) (394) (009) (081) (4454) (017) (007) (008) (009) (009)

lt부표 2-Agt Propensity Score 각 구간(Block)에 대한 Mean-Difference Statistical T-test 결과(I)

주 1 Untreated Group과 Treated Group의 각 항목에 한 Mean Difference를 테스트함 2 표시는 5 유의도 수 에서 테스트를 통과하지 못한 항목을 표시함3 ( ) 안은 표 오차임

lt부표 2-Bgt Propensity Score 각 구간(Block)에 대한 Mean-Difference Statistical T-test 결과(II)

Block

번호

(로그)2 종업원 규모 교육 합도 임 만족도근무

환경 만족도

일자리

만족도

서비스 매직

여부

농어업 종사

여부

정규직 times

교육

직장 times

직무유지의향

격차 격차 격차 격차 격차 격차 격차 격차 격차 격차

1052 054 202 656 -048 -101 002 001 003 25954

(147) (053) (379) (564) (480) (421) (005) (003) (047) (60638)

2-006 043 046 047 -303 -182 002 000 -004 -9827

(073) (027) (197) (247) (220) (188) (002) (001) (026) 25462

3006 011 -151 -030 255 013 -002 000 -011 -246

(041) (017) (158) (156) (142) (117) (002) (000) (018) (15776)

4-052 000 -075 -111 -046 -005 -004 000 -011 -10585

(034) (015) (155) (137) (133) (110) (002) (001) (016) (14203)

5-008 006 053 -047 -017 -036 003 000 -004 17636

(035) (017) (176) (152) (144) (123) (003) (001) (018) (16213)

6063 -005 273 049 211 040 -006 001 015 14659

(035) (017) (201) (150) (145) (124) (003) (001) (019) (16225)

7008 -018 -045 016 -031 005 005 000 010 -10640

(029) (014) (174) (127) (127) (108) (003) (001) (016) (13577)

8-022 -014 028 -028 -163 086 000 000 -001 6766

(028) (014) (189) (127) (131) (111) (003) (000) (017) (13784)

9037 -013 143 133 046 -070 001 -002 015 -1116

(047) (021) (371) (204) (227) (187) (006) (002) (029) (21779)

10-028 021 077 161 -247 -113 -013 002 019 13295

(074) (026) (612) (352) (366) (340) (009) (002) (038) (30459)

주 1 Untreated Group과 Treated Group의 각 항목에 한 Mean Difference를 테스트함 2 표시는 5 유의도 수 에서 테스트를 통과하지 못한 항목을 표시함3 ( ) 안은 표 오차임

Page 6: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal

차수별 최종샘 백분율

5~6차 2927 1864

6~7차 3110 1980

7~8차 3100 1974

8~9차 3186 2029

9~10차 3382 2153

합계 15705 100

III 분석 변수

본 에서는 각 분석 변수에 한 체계 설명을 제시하고자 한다 분석에 활용되는 변수들에

한 기 통계량은 lt표 2gt와 lt표 3gt에 요약되어 있다

1 개인 및 일자리 특성변수

개인에 한 기 변수로는 성별 나이 교육수 7) 혼인 여부를 포함하 다 이 차수 즉 지

난 조사시 에서의 일자리에 한 기본정보로서 정규직 여부 첫(혹은 두 번째) 일자리 여부 임수 (로그) 기업 규모를 포함하 다 lsquo첫(혹은 두 번째) 일자리 여부rsquo는 당시 일자리가 생애 첫 번

째 혹은 두 번째 일자리에 해당하는가를 표시한다 lsquo임 수 (로그)rsquo은 임 상승률8)을 감안하여

2008년도 기 으로 환산된 월평균 임 액에 로그를 취한 값이다 2008년 기 의 실질임 으로 환

산하자면 임 상승률이 아닌 물가상승률을 이용하여야 할 것이나 본 분석의 목 이 실질임 의

변화를 정확히 추정하는 데 있지 아니하고 체 통합샘 에서의 임 수 의 증가 여부에 있으므

로 2008년 기 임 수 으로 일원화(Equalizing)하는 차원에서 임 상승률을 신 활용하 다 단 일부 응답자들이 월평균임 이 아닌 연 을 기입한 것으로 단되어 8명의 이 차수 월평균

임 을 무응답 처리하고 17명의 차수 월평균임 역시 무응답 처리하 다9) lsquo종업원 규모(로그)rsquo는 근무하는 직장의 종업원 수에 로그를 취한 값이다 단 응답자가 정확한 종업원 수가 아닌

1부터 10까지 종업원 규모의 등 만을 밝힌 경우 해당 등 이 아우르는 범 의 간값을 차용하

다 를 들어 3등 (종업원 10 ~ 29명) 직장인 경우 종업원 수를 195명이라 표시하 다10)

7) lsquo교육수 rsquo에 한 등 은 다음의 순서 로 1부터 8을 부여하 다 무학 등학교 학교 고등학교 2년제 학 4년제 학 학원 석사 학원 박사

8) 임 상승률의 계산에는 노동부의 lsquo고용형태별 근로실태조사(구 임 구조기본통계조사)rsquo에 수록된 상용근로자 5인 이

상 사업체의 6월 기 월평균임 을 활용하 다 이로부터 추정한 연간 임 상승률은 다음과 같다 2002~03년(836) 2003~04년(675) 2004~05년(723) 2005~06년(615) 2006~07년(408) 2007~08년(565)

9) 2002년 기 으로 환산된 월평균임 에서 8명의 이 차수 임 이 차수 임 보다 500만원 이상 높게 나타났고 17명의 차수 임 역시 이 차수 임 보다 500만원 이상 높게 나타났다 한 해 사이에 월 여가 500만원(2008년 기 으로 7238만원) 이상 변동하는 경우는 드물므로 이들이 월 여 신 연 을 기입한 것으로 단된다

10) 각 등 을 체한 종업원 수는 다음과 같다 1등 (25명) 2등 (7명) 3등 (195명) 4등 (395명) 5등 (595명) 6등 (845명) 7등 (1995명) 8등 (3995명) 9등 (7455명) 마지막 종업원 1000명 이상을 표시하는 10등 의 경우

다음으로 lsquo일자리(혹은 일)를 계속 유지하길 희망하는가rsquo에 한 응답으로 lsquo직장유지의향rsquo과

lsquo직무유지의향rsquo을 포함하 다 노동패 은 5단 로 lsquo 그 지 않다(1)rsquo부터 lsquo아주 그 다(5)rsquo까지를 표기하는데 본 분석에서는 이를 백단 로 환하여 lsquo 그 지 않다rsquo를 0 lsquo아주 그 다rsquo를 100 으로 표하 다11) lsquo업무만족도rsquo는 다음 네 가지 질의에 한 5단 응답을 역시 백단 로

환한 후 산술평균한 값이다 업무에 만족하나 업무에 열정 인가 업무를 즐겁게 하나 업무에

보람을 느끼나 그리고 다음 일곱 가지 역에 한 만족도 조사를 추가하 다 임 에 한 만족

도 취업의 안정성에 한 만족도 근로환경에 한 만족도 의사소통 인간 계에 한 만족도 개인의 발 가능성에 한 만족도 인사고과의 공정성에 한 만족도 복지후생에 한 만족도 본 분석에서는 이들 만족도에 한 5단 응답을 100 만 으로 환하여 사용하 는데 lsquo매우

만족rsquo을 100 으로 lsquo만족rsquo을 75 lsquo보통rsquo을 50 으로 lsquo불만족rsquo을 25 lsquo매우 불만족rsquo을 0 으로

처리하 다 lt표 2gt에서 보듯이 임 만족도와 복지후생만족도가 일반 으로 50 을 크게 하회하

는 반면 업무 직업안정성 인간 계에 한 만족도는 일반 으로 50 을 크게 상회하는 것을 확

인할 수 있다이 차수 일자리를 직종별 업종별로 구분하여 더미변수로 처리하 다 직종별로는 문 리직

(노동패 분류 0 lsquo의회의원 고 임직원 리자rsquo 1 lsquo 문가rsquo) 사무기술직( 분류 2 lsquo기술공

문가rsquo 3 lsquo사무 종사자rsquo 소분류 950 lsquo군인rsquo) 서비스 매직( 분류 4 lsquo서비스 종사자rsquo 5 lsquo 매

종사자rsquo) 농어민( 분류 6 lsquo농업 어업숙련 종사자rsquo) 생산기능직( 분류 7 lsquo기능원rsquo 8 lsquo장치

기계조작 종사자rsquo 9 lsquo단순노무자rsquo)로 구분하 다 업종별로는 농어업 종사( 분류 A lsquo농업 임

업rsquo B lsquo어업rsquo) 공업 종사( 분류 C lsquo 업rsquo D lsquo제조업rsquo) 건설업 종사( 분류 F) 도소매 숙박업

종사( 분류 G lsquo도매 소매업rsquo H lsquo숙박 음식 업rsquo) 서비스 련업 종사( 분류 E lsquo 기 가스 수도사업rsquo 외 각종 서비스 련 업종)으로 구분하 다

종업원 수를 1500명이라 표하 다 11) 5단 수 를 백단 수 로 환하기 하여 다음의 산술식을 활용한다 = 25(-1)

변수명 측 수 평균값표

편차최솟값 최댓값

개인

특성변수

성별(여성 1) 15705 037 048 0 1

나이 15705 4005 1081 18 69

교육수 15703 451 135 1 8

혼인 여부

(미혼 1)15705 027 045 0 1

일자리

특성변수

(이 차수

기 )

정규직 여부

(정규직 1)15659 076 043 0 1

첫(혹은 두 번째) 일자리

여부

15705 048 050 0 1

임 수

(단 만원 로그)15694 514 059 147 729

종업원 규모

(단 명 로그)12912 400 231 0 1097

만족도

련 변수

(이 차수

기 )

직장유지의향 15658 6516 1871 0 100

직무유지의향 15645 6409 1922 0 100

업무 만족도 15653 5936 1644 0 100

임 만족도 15656 4394 1927 0 100

취업 안정성 만족도 15645 5540 1938 0 100

근무환경 만족도 15653 5446 1848 0 100

인간 계 만족도 15631 5712 1629 0 100

자기발 만족도 15649 5088 1839 0 100

인사공정 만족도 15460 4975 1602 0 100

복지후생 만족도 15552 4569 1958 0 100

직종더미

(이 차수

기 )

문 리직 여부 15702 013 033 0 1

사무기술직 여부 15702 033 047 0 1

서비스 매직 여부 15702 013 034 0 1

농어민 여부 15702 001 008 0 1

생산기능직 여부 15702 041 049 0 1

업종더미

(이 차수

기 )

농어업 종사 여부 15703 001 008 0 1

공업 종사 여부 15703 026 044 0 1

건설업 종사 여부 15703 011 031 0 1

도소매 숙박업 종사 여부 15703 016 037 0 1

서비스 련업 종사 여부 15703 046 050 0 1

lt표 2gt 개인 및 일자리 특성변수별 기초통계량

2 이직 및 성과지표 관련 변수

최종샘 15705명 지난 조사시 이후 일자리를 이동한 임 근로자는 체의 약 10에 해

당하는 1560명이다 각 샘 에 한 이직 여부를 더미변수로 처리하 다 이직의 성과를 측정하

기 하여 다음의 일곱 가지 평가지표를 마련하 다 개인의 주 만족도와 련된 종합 지

표 세 가지(직장만족도 직무만족도 일자리만족도) 일자리 배치의 효율성과 련된 종합 지표

세 가지(기술 합도 교육 합도 교육기술복합지수) 그리고 임 수 이들에 한 기 통계량은

lt표 2gt에 요약되어 있다직장만족도는 다음 5가지 평가지표(5단 )의 평균값을 100 단 로 환산한 것이다 다닐 만한

직장인가 들어온 게 기쁜가 친구에게 추천하고 싶은가 다른 이에게 자랑할 수 있는가 계속 다

니고 싶은가(즉 앞서의 lsquo직장유지의향rsquo) 직무만족도는 앞서 제시한 lsquo업무만족도rsquo 련 네 가지 지

표와 lsquo직무유지의향rsquo을 합친 다섯 가지 평가지표를 산술평균하여 100 단 로 환산한 것이다 일자리만족도는 lsquo일자리에 해 반 으로 얼마나 만족하는가rsquo라는 질의에 한 5단 응답을 100

단 로 환산한 것이다 이들 세 가지 만족도와 련된 지표들의 연간 변화를 ( 차수 만족도

- 차수 만족도)로 측정하여 만족도 변화지표를 추가로 생성하 다 기술 합도는 lsquo 재 하는 일의 수 은 나의 기술(기능)과 비교하여 어느 정도인가rsquo라는 질의에

한 답변으로부터 구성하 다 응답자는 lsquo매우 낮다rsquo lsquo낮은 편이다rsquo lsquo맞다rsquo lsquo높은 편이다rsquo lsquo매우

높다rsquo 응답하도록 되어 있다12) 략 80 안 의 응답자가 다섯 응답 lsquo맞다rsquo에 답하 다 여기서 lsquo높은 편이다rsquo와 lsquo매우 높다rsquo에 한 응답은 체 응답자의 1 내외이다 하는 일의 수 이

매우 높거나 높은 편이다라는 것은 하는 일이 도 이며 자기 능력을 충분히 발휘할 기회가 많

다는 것을 의미하므로 합도가 낮다고만 평할 수는 없다 따라서 100 단 로 환산할 때 lsquo매우

낮다rsquo에 0 lsquo낮은 편이다rsquo에 50 lsquo맞다rsquo와 그 이상의 답변에 100 을 부여하 다13) 교육 합도

는 lsquo 재 하는 일의 수 은 나의 교육수 과 비교하여 어느 정도인가rsquo라는 질문에 한 답변으로

부터 구성하 으며 같은 방식으로 lsquo매우 낮다rsquo에 0 lsquo낮은 편이다rsquo에 50 lsquo맞다rsquo와 그 이상의

답변에 100 을 부여하 다 여기서 교육수 은 서류상에 기재되므로 서류상에 기재가 어려운 기

술수 과는 취업과정에서 다르게 취 된다 특히 인 네트워크는 교육수 보다 기술수 의 정보

달에 보다 유용한 채 로 작동할 가능성이 높다 따라서 이직의 종합 인 배치효율성 개선효과

를 측정하기 해서는 두 지표를 아우를 수 있는 독립 인 지표가 필요하다 도입된 lsquo교육기술복

합지수rsquo는 기술 합도와 교육 합도의 산술평균으로서 일자리 배치효율성에 한 종합 평가지

표로 작성되었다 이들 세 가지 배치효율성 련 지표들의 연간 변화를 ( 차수 배치효율성 -

차수 배치효율성)으로 측정하여 배치효율성의 변화분을 추가로 추출하 다 마지막으로 월평균임 (단 만원)의 치를 2008년 기 으로 환산하여 lsquo 차수 임 수 rsquo

과 lsquo 차수 임 수 rsquo을 구성하 다 앞서 lsquo임 수 (로그)rsquo 변수의 생성에 활용한 임 상승률을

그 로 차용하 다 lsquo임 수 변화rsquo는 ( 차수 임 수 - 이 차수 임 수 )으로 측정하 다 표에서 보는 바와 같이 차수 임 수 은 평균 202만 4700원으로 차수 임 수 은 평균

205만 8900원으로 집계되었고 평균 임 수 의 연간 상승분은 3만 4400원으로 나타났다

12) 응답자별 분포 lsquo매우 낮다(122)rsquo lsquo낮은 편이다(1727)rsquo lsquo맞다(8039)rsquo lsquo높은 편이다(106)rsquo lsquo매우 높다(006)rsquo 13) lsquo높은 편이다rsquo와 lsquo매우 높다rsquo가 차지하는 비 이 매우 낮아 이들을 합도가 lsquo낮은 편이다rsquo와 lsquo매우 낮다rsquo로 취 하여

도 분석 결과에는 의미있는 차이가 나타나지 않는다

변수명 측 수 평균값 표 편차 최솟값 최댓값

이직 여부(이직 1) 15705 0099 030 0 1

차수 직장만족도 15636 5659 1698 0 100

차수 직장만족도 15585 5679 1698 0 100

직장만족도 변화 15531 019 1636 -90 80

차수 직무만족도 15653 6052 1599 0 100

차수 직무만족도 15600 6056 1615 0 100

직무만족도 변화 15563 003 1641 -75 85

차수 일자리만족도 15596 5390 1618 0 100

차수 일자리만족도 15562 5454 1646 0 100

일자리만족도 변화 15468 065 1722 -100 75

차수 기술 합도 15613 9014 2138 0 100

차수 기술 합도 15590 9058 2146 0 100

기술 합도 변화 15509 044 2387 -100 100

차수 교육 합도 15656 8969 2169 0 100

차수 교육 합도 15620 9008 2186 0 100

교육 합도 변화 15582 040 2413 -100 100

차수 교육기술복합지수 15612 8991 2106 0 100

차수 교육기술복합지수 15590 9034 2119 0 100

교육기술복합지수 변화 15508 043 2318 -100 100

차수 임 수 (단 만원) 15697 20247 12055 0 146975

차수 임 수 (단 만원) 15658 20589 12406 625 146975

임 수 변화(단 만원) 15650 344 5619 -71931 56572

lt표 3gt 이직 및 성과지표별 기초통계량

IV 일자리 이동의 영향요인

본 에서는 일자리 이동에 향을 미치는 주요 요인들에 해 평가해 보도록 한다 이직확률

추정을 하여 로짓회귀분석(Logistic Regression)을 수행하 으며 여덟 가지 회귀분석모형에 해

그 결과를 lt표 4gt에 요약하 다 각 모형은 이 차수와 차수 사이의 이직 여부를 종속변수로

한다 모형 1은 개인 특성변수들과 일자리 특성변수들을 설명변수로 하 으며 모형 2는 여기에

교육 합도를 추가하 다 모형 3은 여기에 일과 일자리에 한 만족도를 측정하는 여덟 개 변수

를 추가하 다 모형 4에는 직종더미를 모형 5에는 업종더미를 모형 6에는 연차더미를 차례로 추

가하 다 모형 7은 모형 6에서 종업원 규모를 제하고 추정한 결과이다 종업원 규모에 응답하지

않은 샘 수가 체 최종샘 의 178에 달하므로 설명변수에서 종업원 규모를 뺀 모형 7은 샘

수를 극 화한 추정 결과를 제시한다 모형 8은 모형 6의 설명변수 교육 합도를 기술 합도로

체한 추정 결과이다 교육 합도와 기술 합도의 상 계수가 0913에 달하므로 하나의 모형에

두 변수를 모두 포함시키기보다 별도의 모형을 만들어 상호비교하는 방법을 택한 것이다 이들 모

형들의 하단에 lsquo평균치 이직확률rsquo을 표기하 다 lsquo평균치 이직확률rsquo은 추정에 활용된 변수들의 평

균치에서 계산한 이직확률을 나타낸다 즉 샘 내의 표 임 근로자(Representative Paid Worker)의 이직 가능성을 변하는 수치이다 주어진 모형들이 추정한 lsquo평균치 이직확률rsquo은 략

8 안 (76~902)이다 각 추정계수 우편에는 한계효과를 함께 표시하 는데 이는 설명변수가

한 단 상승할 때(더미변수의 경우 0에서 1로 바뀔 때) lsquo평균치 이직확률rsquo의 변동분을 나타낸다 lsquo평균치 이직확률rsquo과 한계효과 모두 100을 곱하여 백분율로 표기하 다

분석 결과에 따르면 네 가지 개인의 특성변수(나이 성별 교육수 혼인 여부) 에서는 나이

와 성별만이 통계 으로 유의한 향요인으로 확인되었다 여성의 경우 남성에 비해 이직확률이

략 11p 가량 낮은 것으로 나타났다 연령이 높을수록 이직확률이 낮아지는데 나이가 한 살

증가할수록 략 04p 가량 이직확률이 하락하 다 일자리 련 특성변수 에서 정규직 여부 첫(혹은 두 번째) 일자리 여부 임 수 종업원 규

모 모두 통계 으로 유의한 향요인으로 악되었다 정규직일 경우 비정규직에 비해 이직확률

이 2p 가량 하락하 다 생애 첫 번째(혹은 두 번째) 일자리인 경우 44p 가량 이직확률이 하락

하 다 그러나 이것이 노동시장 진입 기에 이직확률이 더 낮다는 식으로 해석될 수는 없다 그보다는 이 에 이직경험이 많은 이들은(즉 재 일자리가 생애 세 번째 혹은 그 이상인 이들은) 그들의 직업 특성으로 인하여 이 에 이직경험이 은 이들에 비해 향후 일 년간 다시 이직

할 확률이 44p 가량 높다라고 해석해야 할 것이다14) 임 수 이 높을수록 이직확률이 떨어지

는 것으로 나타났다 임 이 10 상승할 때 이직확률은 045p만큼 하락한다 종업원 규모 역시

이직확률과 부의 계를 가지는 것으로 나타났다 종업원 규모가 10 가량 큰 기업에서 근무하면 이직확률은 007p 가량 하락한다 이는 종업원 규모가 큰 기업일수록 내부 노동시장을 활용한

직무재배치가 용이하기 때문인 것으로 악된다교육 합도 혹은 기술 합도가 높을수록 이직확률이 하락하는 것으로 나타났다 교육 혹은 기

술 합도가 10 상승할 때 025p 가량 하락한다 재 하는 일이 나의 교육(혹은 기술) 수 보

다 낮다고 답한 경우( 합도 50 ) 수 이 맞다고 답한 경우( 합도 100 )보다 125p만큼 이직

확률이 증가하는 것을 의미한다 따라서 노동자의 기술 혹은 교육 수 에 합한 직무와 그에 합

당한 우가 이직확률을 떨어뜨리는 데 효과 임을 알 수 있다일자리만족도와 련한 여덟 가지 변수 에서 임 에 한 만족도 직장 내 인간 계에 한

만족도 인사고과의 공정성에 한 만족도는 이직에 유의미한 향을 미치지 못하는 것으로 나타

났다 특히 이 임 에 한 만족도가 이직 여부에 결정 역할을 하지 않는다는 은 흥미로운

결론이다 반면 취업 안정성에 한 만족도와 근로환경 복지후생에 한 만족도 그리고 업무

에 한 만족도는 이직확률과 통계 으로 유의한 부(-)의 계가 있음이 확인되었다 취업 안정성

에 한 만족도 근로환경의 만족도 그리고 업무만족도의 경우 100 만 에 10 향상 시 04p 가량 이직확률을 떨어트리는 것으로 나타났으며 이는 이들 만족도에 한 응답이 불만족(25 )에

14) 를 들어 주어진 최종샘 에서 직장경력이 많은 40세 이상인 이들만을 고려할 때 첫 번째(혹은 두 번째) 일자리

보유자 2711명의 연간 이직률은 262인 데 반해 두 번 이상 이직경험이 있는 이들 4410명의 연간 이직률은

859로 이직률이 597p 높은 것을 확인할 수 있다

서 보통(50 )으로 개선된 경우 1p만큼 이직확률이 감소하는 것을 의미한다 개인만족도 련

변수 이직확률에 가장 향력이 큰 변수는 복지후생 변수로서 이에 한 만족도는 10 향상

시 이직확률을 055p 가량 떨어트리는 것으로 나타났다 복지후생만족도에 한 응답이 불만족

(25 )에서 보통(50 )으로 개선된다면 략 138p만큼의 이직률 하락을 기 할 수 있는 것이다이상의 분석 결과는 국내 임 근로자의 이직 결정에 있어서 비임 측면에서의 만족도가

요한 역할을 한다고 주장한 김동헌김상호(2001)의 연구와 맥을 같이 한다15) 여러 해외 연구 결

과도 비임 요소의 요성을 강조한 바 있다 를 들어 Gottschalk and Maloney(1985)는

Michigan PSID(Panel Study of Income Dynamics)를 이용하여 이직 후 새로운 직장이 더 만족스럽

다고 응답한 사람들 가운데 그 41는 실질임 의 삭감을 감내한 것으로 밝힌 바 있다흥미로운 은 개인의 발 가능성에 한 만족도가 이직확률과는 정(+)의 계를 보인다는

이다 개인의 인 자본을 높일 수 있는 일을 하고 있을 때 이러한 자기발 을 활용하여 보다 우

가 좋은 직장으로 이동하는 경향이 있음을 확인한 것이다 자기발 에 한 만족도 10 상승이

045p만큼의 이직확률 증가와 연 된 것으로 확인되었다 를 들어 자기발 만족도에 한 응

답이 보통(50 )인 사원보다 만족(75 )인 사원의 이직확률이 113p 가량 높은 것이다직종에 따른 이직확률의 차이에서는 문 리직 종사자나 서비스 매직 종사자가 생산기능직

종사자에 비해 략 3p만큼 이직확률이 높다는 것을 확인하 다 반면 농어민의 경우 생산기능

직 종사자에 비해 6p만큼 이직확률이 낮았다 업종에 따른 이직확률의 차이에서는 업종 간의 큰

차이를 발견하기 어려웠다 다만 농어업 련 기업에 종사할 경우 공업 련 기업에 종사하는

경우보다 이직확률이 상당히( 략 15p만큼) 높아짐을 확인할 수 있었다 다만 노동패 은 군부

지역을 제외하고 도시지역만을 상으로 한 조사이기 때문에 농어민 혹은 농어업 련 산업의 종

사자에 한 자료는 매우 미흡한 수 이다16) 따라서 농어민이나 농어업 종사자에 한 이상의

결론은 신뢰도가 다소 떨어짐을 유념할 필요가 있다

15) 김동헌김상호(2001)는 노동패 의 1차 자료만을 활용하여 동일한 분석을 수행한 바 있으며 이들의 결론은 8가지

만족도 변수 취업 안정성 복지후생 인사공정에 한 만족도가 이직성향과 부(負)의 계를 가진다는 것이었다 이들의 연구에 비해 본 연구의 표본의 수가 보다 방 하고 다양한 배경 변수(업종더미 직종더미 회사규모)와 개인

특성변수(첫 일자리 여부 교육 합도 등)를 통제하고 있으므로 본 연구의 결과가 보다 신뢰할 만한 결과를 제시하

고 있다고 단된다 16) 최종샘 에서 농어민이 차지하는 비 은 1 미만이고 샘 수로는 101명에 그친다 농어업 련 기업의 종사자가

차지하는 비 역시 1 미만에 종사자 수 111명에 그친다

다항로짓회귀분석 모형 1 모형 2 모형 3 모형 4

종속변수 이직 여부 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과

성별(여성 1) -01627(00665) -1313 -01272

(00672) -1030 -00669(00701) -0536 -01378

(00753) -1081

나이 -00512(00041) -0420 -00513

(00041) -0421 -00510(00042) -0412 -00507

(00042) -0404

교육수 00263(0029) 0216 00135

(00294) 0111 00350(00306) 0283 00264

(00342) 0210

혼인 여부(미혼 1) 00531(00746) 0440 00601

(00748) 0498 00563(00757) 0459 00643

(00762) 0518

정규직 여부(정규직 1) -03042(00713) -2688 -02777

(00718) -2438 -02213(00743) -1887 -01853

(00751) -1544

첫(혹은 두 번째) 일자리 여부

-05513(00647) -4453 -05462

(00649) -4412 -05313(00656) -4227 -05429

(00659) -4258

임 수(단 만원 로그)

-05933(00709) -4868 -05360

(00727) -4398 -05253(00769) -4242 -05393

(00782) -4294

종업원 규모(단 명 로그)

-01019(00145) -0836 -01010

(00145) -0829 -00838(00149) -0677 -00691

(00149) -0550

차수 교육 합도 -00045(00012) -0037 -00031

(00014) -0025 -00030(00014) -0024

차수 기술 합도

업무만족도 -00031(00025) -0025 -00036

(00025) -0029

임 만족도 00025(00020) 0021 00029

(00020) 0023

취업 안정성 만족도 -00041(00021) -0033 -00044

(00021) -0035

근무환경만족도 -00049(00021) -0039 -00050

(00022) -0040

인간 계만족도 -00016(00024) -0013 -00015

(00024) -0012

자기발 만족도 00055(00023) 0045 00050

(00023) 0040

인사공정만족도 00006(00027) 0005 00011

(00027) 0009

복지후생만족도 -00069(00021) -0055 -00070

(00021) -0055

(기 생산기능직)

문 리직 여부 03710(01169) 3328

사무기술직 여부 -01145(00887) -0898

서비스 매직 여부 04280(00885) 3890

농어민 여부 -03201(04768) -2238

(기 공업 종사)농어업 종사 여부건설업 종사 여부도소매 숙박업 종사

여부서비스 련업 종사

여부연차 더미 No No No No

평균치 이직확률times100(각 변수의 평균치

기 )902 902 886 872

관측 수 12869   12829   12655   12652  

결정계수( ) 0070   0072   0076   0082  

lt표 4Agt 일자리 이동 영향요인 분석(I)

주 1 는 유의수 10 는 유의수 5 는 유의수 1를 의미함2 한계효과는 추정된 한계효과(marginal effects)를 백분율로 표시함3 더미변수의 한계효과는 변수값이 0에서 1로 변할 때 이직확률의 변화분을 나타냄(변수명의 표시가 더미변수)

다항로짓회귀분석 모형 5 모형 6 모형 7 모형 8

종속변수 이직 여부 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과

성별(여성 1) -01528(00759) -1194 -01482

(00760) -1154 -01872(00713) -1289 -01477

(00761) -1151

나이 -00505(00042) -0401 -00505

(00042) -0400 -00521(00040) -0366 -00504

(00042) -0399

교육수 00309(00345) 0245 00327

(00347) 0258 00113(00324) 0080 00346

(00345) 0274

혼인 여부(미혼 1) 00659(00764) 0529 00635

(00766) 0507 01045(00721) 0749 00684

(00767) 0548

정규직 여부(정규직 1) -02033(00770) -1696 -02075

(00776) -1727 -01213(00735) -0875 -02093

(00777) -1744

첫(혹은 두 번째) 일자리 여부

-05421(00660) -4240 -05445

(00661) -4241 -06294(00623) -4407 -05495

(00662) -4284

임 수(단 만원 로그)

-05309(00788) -4215 -05277

(00790) -4172 -06554(00702) -4602 -05288

(00791) -4186

종업원 규모(단 명 로그)

-00695(00151) -0552 -00690

(00152) -0546 -00685(00152) -0542

차수 교육 합도 -00028(00014) -0022 -00029

(00014) -0023 -00027(00013) -0019

차수 기술 합도 -00030(00014) -0024

업무만족도 -00038(00025) -0030 -00043

(00025) -0034 -00054(00023) -0038 -00045

(00025) -0036

임 만족도 00029(00020) 0023 00026

(00020) 0020 00027(00019) 0019 00026

(00020) 0020

취업 안정성 만족도 -00048(00021) -0038 -00045

(00021) -0035 -00051(00020) -0036 -00044

(00021) -0035

근무환경만족도 -00052(00022) -0041 -00054

(00022) -0042 -00053(00020) -0037 -00053

(00022) -0042

인간 계만족도 -00014(00024) -0011 -00015

(00024) -0012 -00014(00023) -0010 -00013

(00024) -0011

자기발 만족도 00054(00023) 0043 00057

(00023) 0045 00061(00022) 0043 00057

(00023) 0045

인사공정만족도 00010(00027) 0008 00011

(00027) 0009 -00006(00025) -0004 00014

(00027) 0011

복지후생만족도 -00069(00021) -0055 -00069

(00021) -0054 -00060(00020) -0042 -00068

(00021) -0053

(기 생산기능직)

문 리직 여부 03574(01203) 3183 03594

(01204) 3190 03478(01160) 2728 03514

(01204) 3114

사무기술직 여부 -01409(00916) -1098 -01365

(00917) -1060 -01322(00878) -0911 -01374

(00917) -1068

서비스 매직 여부 03146(01080) 2752 03136

(01081) 2732 02369(01012) 1793 03037

(01084) 2640

농어민 여부 -13598(06827) -6349 -13198

(06821) -6224 -12188(06557) -5262 -13254

(06828) -6246

(기 공업 종사)

농어업 종사 여부 12277(05423) 15765 12064

(05429) 15324 08109(05129) 7981 12026

(05431) 15270

건설업 종사 여부 -01858(01239) -1386 -01819

(01240) -1353 -01896(01146) -1251 -01797

(01240) -1339

도소매 숙박업 종사 여부

01413(01027) 1165 01417

(01028) 1163 02878(00976) 2200 01393

(01029) 1144

서비스 련업 종사 여부

00006(00808) 0005 00016

(00808) 0013 -00420(00778) -0295 -00024

(00809) -0019

연차 더미 No Yes Yes Yes평균치 이직확률times100

(각 변수의 평균치 기 ) 869 865 760 867

관측 수 12651   12651   15344   12614  

결정계수( ) 0083   0085   0091   0084  

lt표 4Bgt 일자리 이동 영향요인 분석(II)

주 1 는 유의수 10 는 유의수 5 는 유의수 1를 의미함 2 한계효과는 추정된 한계효과(marginal effects)를 백분율로 표시함 3 더미변수의 한계효과는 변수값이 0에서 1로 변할 때 이직확률의 변화분을 나타냄(변수명의 표시가 더미변수)

Group

Treated (=1) 측 가능 Counterfactual

Untreated (=0) Counterfactual 측 가능

V 분석 방법(Propensity Score Matching)

본 에서는 일자리 이동의 효과성 분석에 사용할 방법론으로서 Heckman Ichimura and Todd(1997)이 제안한 Propensity Score Difference- in-Differences(DID) Matching(PSM)에 해 설명

하고자 한다 이에 앞서 우선 이 방법론의 근간이 되는 Averge Treatment Effect for the Treated(ATT)(Rubin[1974])와 Propensity Score Matching(PSM)(Rosenbaum and Rubin[1983]) 일반에

해 소개하기로 한다

1 Average Treatment Effect for the Treated

결과에 향을 미치는 Treatment Variable로서 더미변수 를 가정하자 Treatment의 부여 여부

에 따라서 Treated Group(혹은 실험군)과 Untreated Group(혹은 조군)으로 구분할 수 있다 =1 (Treated Group)과 =0 (Untreated Group) 이때 잠재 결과치(Pontential Outcomes) 가 Treatement 여부에 따라 각기 ( )일 때 Average Treatment Effect(ATE)는 다음과 같다 그러나 이러한 통 인 계산방식은 Treatment가 무작

(Randomization)라는 가정하에서만 편 되지 않은 측치(Unbiased Estimates)를 제공할 수 있다 순수한 무작 실험이 아니라면 분석의 상이 데이터에서 Treatment 여부가 무작 인 경우는 드

물다 즉 특정한 요인들이 Treatment 참여 여부에 직간 인 향을 미치는 것이다 를 들어 특정약물의 효과를 알고 싶다고 하자 약물이 투여된 사람과 그 지 않은 사람의 건강상태를 악

하면 된다고 생각할 수 있다 그러나 약물이 투여되지 않은 사람은 개 건강한 사람들이기 때문

에 이들의 건강상태를 약물이 투여된 사람과 직 비교한다면 약물을 투여한 사람이 여 히 건강

상태가 나쁜 것으로만 나올 것이고 약물투여의 효과가 없다라고 결론짓게 될 것이다 비교 상은

건강한 사람이 아니라 약물이 투여된 집단만큼의 건강이 양호하지 않은 집단이어야 한다 이 게

건강하지 않는 사람과 비교할 때 약물 투여의 순수한 효과를 검증할 수 있다 이러한 무작 의 여

부로부터 발생하는 문제를 선택편의(Selection Bias)라고 한다데이터로부터 우리가 측할 수 있는 결과치는 Treated된 경우의 과 Untreated된 경우의

이다 선택편의의 문제가 발생할 때 Treatment의 효과를 제 로 알고자 한다면 우리가 비교해야

하는 상은 Treated 된 경우의 Treatment가 용되지 않았을 때의 결과 즉 ( |=1)이다 이러한

가상의 결과를 Counterfactual이라고 한다 (역시 Untreated된 경우의 Treatment가 용되었을 때 결

과 즉( |=0) 역시 Counterfactual이다) 다음의 표가 이를 간략히 정리하고 있다

선택편의(Selection Bias)의 문제하에서 Treatment의 효과를 측정하기 하여 체 집단에 한

Treatment Effect가 아닌 Treated Group에 한 Treatment Effect에 한정하여야 한다 이 게 한정된

집단 즉 Treated Group에 한 효과성 측정을 Average Treatment Effect for the Treated(ATT)라고 한

(1)

여기서 는 Counterfactual에 한 기 치이므로 자료로부터의 직 인 추정은 불

가능하다 Treatment Selection이 측 가능한 변수들의 특정한 집합 Z에 의존한다고 가정해 보자 Dawid(1979)의 표 법에 따르면 다음과 같은 계가 성립한다 ∐ 즉 Z를 통제하 을

때 Untreated Group의 값의 분포와 Treated Group이 만약 Treatment를 받지 아니하 을 때의

값의 분포(즉 Counterfactual의 분포)는 서로 동일하다는 것이다 이는 기 치에 한 다음과 같은

계를 내포한다

(2)

즉 counterfactual인 을 측치인 이 체할 수 있는 것이다 식

(2)의 계를 조건부 독립가정(Conditional Independence Assumption CIA)이라고 한다 Rubin(1974)은 조건부 독립가정(CIA)의 조건이 충족할 경우 ATT를 다음과 같이 측정할 수 있다고 제안한 바

있다

(3)

즉 직 으로 설명한다면 =1인 집단에 속한 특성 Z인 개체에 하여 동일 특성을 지닌 개

체를 =0인 그룹에서 찾아 그 둘의 Y값을 비교하면 되는 것이다 =1 집단 내의 모든 개체에

하여 동일한 계산을 한 뒤 이를 합산하면 ATT를 구하게 된다 그러나 이 방법 역시 일정 정도의 한계를 지닌다 만약 Z가 이산변수(Discrete Variable)가 아닌

연속변수(Continuous Variable)라면 =0 집단에서 동일한 Z를 가진 개체를 찾을 수 없으므로 이상

의 측정법을 용할 수 없다 한 특정 변수들이 집합인 Z에 포함된 변수들이 많은 경우 동일한

특성의 개체를 =0 집단으로부터 찾는 것이 어려울 수 있다 이러한 한계를 극복하고자 도입된 것

이 Propensity Score Matching 방식이다

2 Propensity Score Matching Estimator

Propensity Score(PS)를 Z 특성을 지닌 개체가 Treated될 확률로 정의하고 로 표시하도록

하자

Propensity Score equiv (4)

Rosenbaum and Rubin(1983)은 0ltP(Z)lt1이 모든 Z에 해 만족할 경우 다음의 계가 성립한다

는 것을 증명하 다

∐ rArr ∐ (5)

이 계식은 을 내포하므로 변수집합의 Z의 차원수

∐ rArr

(Dimensionability)가 클 경우에도 다음과 같이 다일변수 P(Z)를 활용하여 ATT를 구할 수 있다

(6)

샘 수의 유한성으로 인해 실제로 식의 두 번째 항을 추정하는 것은 간단치 않은 작업이

다 한 ATT의 추정은 Common Support 역 즉 Treated Group의 P(Z)의 분포와 Untreated Group의 P(Z)의 분포가 겹치는 Z의 역에 한정하여야 한다 Common Support를 벗어나는 역에 해

서는 비교가능한 Counterfactual를 찾기 힘들기 때문이다 이를 반 하여 주어진 샘 내에서 ATT를 추정할 수 있는 다양한 Propensity Score Matching(PSM) Estimator가 제안되었는데 이는 다음과

같이 요약될 수 있다(Todd[2006])

isincap

isin

(7)

여기서 는 Treated Group 구성원을 는 Untreated Group의 구성원을 나타낸다 는 Common Support 역 내의 개체들의 집합을 나타낸다 은 Treated Group의 구성원 Common Support 역에 속하는 개체들의 총수이다 는 가 치를 나타내는 것으로 두 Propensity Score의 거리

인 을 이용하여 결정된다 가 치 용방식에 따라 다양한 측정방식이 제시될 수

있다 이에 해서는 추후에 추가 으로 논의하도록 한다

3 Difference-in-Differences Matching Estimator

여기서 한 단계 발 된 방식의 PSM이 Heckman Ichimura and Todd (1997)에 의해 제시된

Difference-in-Differences(DID) Matching Estimator이다 앞서 ATT의 추정에서 측 가능한 특정 변수

들의 집합 Z가 주어졌을 때 결과치 가 Treatment에 독립 (즉 ∐ 이 성립)이라고 가정한

바 있다 그러나 Z에 포함되어야 할 많은 변수 측이 되지 않는 경우가 있을 수 있다 이러한

경우 계가 더 이상 성립하지 않아 앞서의 ATT 추정법은 정

당성을 상실한다 하지만 Longitudal Data가 주어진 경우 즉 Treatment 이 과 이후의 결과치( )가

주어진 경우 분석 상을 신에 lsquo의 변화분rsquo으로 변경함으로써 이러한 문제를 상당 부분 해

소할 수 있다 Treatment 이 과 이후 두 개의 시간 를 와 prime이라 한다면 분석 상을 이

아닌 prime prime 으로 둘 수 있는 것이다 이때 ATT를 추정하기 해서는

prime ∐ 의 가정이면 충분하게 된다 이는 앞서보다 훨씬 완화된 가정이므로 충족하기

가 보다 용이해진다 특히 측되지 않는 시간 불변(time-invariant)의 일부 변수가 Treatment Selection에 연 된 경우에도 이 변수가 와 prime에는 직 인 향을 미치더라도 prime 에 미치는 향이 없다면(즉 독립 이라면) 문제가 되지 않는 것이다17) 따라서 Longitudal Data가

17) 이 외에도 주어진 수치들이 데이터가 수집된 지역에 따라 Level이 다를 경우 Difference 변수를 활용함으로써 이러

한 Level 차이에서 기인한 편의(bias)를 해소할 수 있다

주어진 경우에 DID Matching Estimator는 매우 효과 인 도구로 활용될 수 있다 이때 DID Matching Estimator는 다음과 같은 방식으로 요약될 수 있을 것이다

isincap

prime prime prime

isin prime

(8)

본 연구에서는 앞서 소개한 DID Matching Estimator를 이용함으로써 시간불변(time-invariant)의

측되지 아니하는 변수들을 사 에 통제하고 보다 신뢰할 만한 분석 결과를 제시하고자 한다

4 Treatment Effect 측정방식

의 가 치를 결정하는 를 어떻게 설정하느냐에 따라 다양한 PSM Estimator가 존재한다 본 연구의 분석에서는 가장 활발히 이용되는 측정방식들로서 Nearest Neighbor Matching Radius Matching Kernel Matching 이 세 가지를 활용하기로 한다18)

가 Nearest Neighbor Matching

이 방식은 조군인 Untreated Group에 속한 개체 에서 Propensity Score가 실험군(Treated Group) 개체의 Score와 가장 근 한 개체를 선택하는 방식이다 즉 를 최소화시키

는 에 해서는 이고 나머지 에 해서는 이 성립한다 [그림 2]가 이

를 잘 형상화하고 있다 이때 Score가 근 한 개체를 하나가 아닌 복수로 선정함으로써 하나를

선정할 때보다 더욱 안정된 추정치를 얻을 수 있다 다만 매칭되는 개체 수가 무 많을 경우

가 크게 되어 편의(bias)가 증가할 수 있으므로 신 할 필요가 있다 개의 근

한 개체를 선택하는 경우 이들 개체 에 해서는 이 성립하고 나머지 에

해서는 이 성립한다 Nearest Neighbor Matching의 경우 가장 근 한 개체를 선택하 으나 가 무

커서 Counterfactual로서 부 합한 매칭이 이루어질 가능성이 있다 이를 보완하기 하여 Cochran and Rubin(1973)은 한 Caliper를 선정하여 매칭에 있어서 를 일정 한도로 제

한할 것을 제안한 바 있다 본 분석에서는 을 5개로 선정함으로써 편의(bias)를 이면서도 안정

된 추정치를 얻고자 하 으며 Caliper는 히 작은 0005로 설정하여 부 합한 매칭을 최소화하

고자 하 다19)

18) 이 외에도 주로 활용되는 측정방식으로 Stratification Matching Mahalanobis Matching 등이 있으나 이들을 활용한 결

과가 본 연구의 분석 결과와 크게 다르지 않다 Dehejia and Wahba(2002)는 Treated Group과 Untreated Group 간의

Propensity Score 분포가 상당 부분 서로 겹친다면 측정방식에 따른 분석 결과의 차이가 크지 않다는 을 강조한

바 있다 이는 실험군 한 개체에 해 매칭 가능한 충분한 수의 조군 개체들이 존재하기 때문이다 즉 측정방식의

차이에 따라 매칭이 되는 조군들의 특성이 크게 달라지지 않는 것이다 본 연구에서 추정한 Propensity Score 분포

는 Treated Group Untreated Group 두 집단 사이에 겹치는 부분이 매우 크다 이는 [그림 4]를 통해 쉽게 확인된다 19) 여기서 Caliper 설정은 실험군 개체와 매칭되는 조군 개체 사이의 PS 거리 즉 를 한 수 으로

제한하고자 함이다 부분의 실험군 개체의 경우 Caliper가 설정한 Boundary에 크게 제한을 받지 않으므로 히

작은 Caliper의 설정이면 편의(Bias)를 개선하기에 충분하다 본 분석에서 설정한 0005 이외에 0002이나 001을 사용

하여 보았으나 역시 결과의 차이가 크지 않음을 확인하 다

[그림 2] Nearest Neighbor Matching(n=1인 경우)

나 Radius Matching

이 방식은 일정 반경을 Caliper로 설정하고 Untreated Group에서 가 Caliper 이내인 모든 개체 를 Treated Group의 개체 에 매칭하는 방법이다(그림 3 참조) 개체 에 하여

Untreated Group으로부터 매칭된 개체의 수가 라면 이들에 해서는 이 성립하고 매칭이 안된 나머지 개체들에 해서는 이 성립한다 이 추정방식은 앞서 Nearest Neighbor Matching에 비해 Propensity Score가 근 한 조군 내의 보다 많은 개체를 분석에 활용할

수 있다는 장 이 있다 보다 많은 조군 내 개체를 활용할수록 Treatment Effects 측정의 정확성

(Precision)은 상승하게 된다 매칭이 가능한 조군 개체의 수가 충분히 많다면 Caliper는 작을수록 좋다 Caliper가 클수록

부 합한 매칭에 따른 Treatment Effects의 편 (Bias)이 커질 수 있기 때문이다 본 분석에서는 샘

의 수가 충분히 크기 때문에 Caliper를 0002로 설정하여 매우 근 한 개체들에 해서만 매칭이

이루어지도록 설정하 다20)

20) 다음 에서는 주어진 샘 을 활용하여 Propensity Score를 추정하고 있다 이 결과에 따르면 PS (01 0102)인 구간

에서 조군 개체 수가 116개 (02 0202) 구간에서 조군 개체 수가 32개 (03 0302) 구간에서 조군 개체 수가

12개에 이르는 것을 확인할 수 있다(표 6과 그림 4를 참조 바람) 즉 0002의 Caliper를 사용할 때 한 개의 실험군

개체에 해 10개 내지 100개 이상의 조군 개체들이 매칭되는 경우가 흔히 존재하는 것이다 반면 Caliper를 이보

다 작게 설정한다면 (특히 PS가 큰 구간에서는) 실험군 개체들과 매칭되는 조군 개체가 존재하지 않을 수 있다 를 들어 PS (04 0402)인 구간에서 조군 개체 수는 단 1개 존재하나 PS (0401 0402)인 구간에서는 무하다

따라서 본 연구에서는 최소의 Caliper이면서도 매칭되는 조군 개체의 수가 충분할 수 으로서 Caliper 0002를 선

정하 다 반면 민감성 테스트(Sensitivity Check)에 따르면 Caliper 0001이나 0003에서도 연구 결과의 차이가 크지

않음을 확인하 다

[그림 3] Radius Matching

다 Kernel Matching

이 방식은 Treated Group 내의 각 개체에 한 매칭을 Untreated Group 내의 모든 개체를 상

으로 진행하는 방식으로 에 따라 가 치를 부여한다 가 작을수

록 가 치가 커진다 이때 사용되는 가 치는 다음과 같이 표시될 수 있다

isin

(9)

여기서 G는 선택된 Kernel function을 은 Bandwidth Parameter를 표시한다 이 방식은

Heckman Ichimura and Todd(1998)에 의해 도입되었는데 주어진 모든 개체를 추정에 활용하므로

정보의 손실을 최소화할 수 있다는 장 이 있다 한 앞서의 두 추정방식과는 달리 인 인

Caliper의 설정이 불필요하다는 장 도 있다 Kernel의 선택에는 Gaussian Function(Normal Distribution) Biweight Function Epanechnikov Function 등 다양한 방식이 가능하나 본 분석에는

Normal Distribution을 채택하 다 Bandwidth Parameter로는 001을 선택하여 가 근

한 이들에게 충분한 가 치가 주어지도록 하 다21)

VI Propensity Score의 추정

주어진 자료에서 Treatment는 이직에 해당한다 이직에 한 Propensity Score(PS)를 추정하기

해서는 이직에 향을 미치는 주요 변수의 집합 을 사용하여야 한다 이들 변수는 다음 조건

을 만족하여야 한다 prime ∐ 즉 이직에 향을 미치는 주요 변수들을 통제한 후에

는 이직을 하지 않은 이들의 결과치 에 한 변화분 prime 의 분포가 이직을 한

이들이 만약 이직을 하지 않았을 때 상되는 결과치 에 한 변화분 prime 의 분

21) Bandwidth Parameter가 0005 002인 경우도 확인해 보았으나 결과에는 큰 차이가 발견되지 않았다

추정함수 Logistic Regression(이직 = 1 비이직 = 0)Z 추정계수 표 오차

직장유지의향 -0002 0004 직무유지의향 -0015 0004 성별(여성 1) -0104 0071

나이 -0138 0023 나이2 0001 0000

교육수 0169 0050 혼인 여부(미혼 1) -0056 0082

정규직 여부(정규직 1) 0342 0248 첫(혹은 두 번째) 일자리 여부 -0599 0068

임 수 (단 만원 로그) 0076 0601 임 수 (단 만원 로그)2 -0052 0063 종업원 규모(단 명 로그) -0084 0015

차수 교육 합도 0000 0001 임 만족도 0003 0002

근무환경만족도 -0004 0002 일자리만족도 -0003 0003

서비스 매직 여부 0459 0077 농어업 종사 여부 0324 0378

정규직 여부 times 교육수 -0131 0056 직장유지의향 times 직무유지의향 0000 0000

상수항 3558 1584 측 수 12754

결정계수( ) 00873

Log Likelihood -401098

포와 동일해야 하는 것이다 따라서 Propensity Score의 추정에 활용할 변수들은 앞서 일자리 이동

의 향요인에 한 분석을 통해 선별할 수 있다 특히 주어진 노동패 의 자료에서는 ldquo 재의

직장을 계속 다니고 싶은가(직장유지의향)rdquo와 ldquo 재 맡고 있는 일을 계속하고 싶은가(직무유지의

향)rdquo라는 이직의사와 련된 매우 긴요한 변수들이 포함되어 있는데 이들을 주요 변수의 집합

에 포함시킴으로써 이상의 조건이 보다 용이하게 충족될 수 있음을 기 할 수 있다 Propensity Score의 추정에는 Logistic Regression을 활용하 다 추정에 활용된 주요 변수들의 집합 과 각

변수에 한 추정계수는 lt표 5gt에 요약되어 있다

lt표 5gt Propensity Score의 추정방정식

주 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

앞서 일자리 이동 향요인에 한 분석에서 일자리 이동의 요한 결정변수로 악된 변수

들이 부분 PS 추정방정식에 포함되었다 만족도와 련한 변수 업무만족도 취업 안정성 만

족도 자기발 만족도 복지후생만족도 이상 네 변수는 일자리 향요인으로 통계 으로 유의하

게 악되었으나 PS 방정식에 추가된 일자리만족도 직장유지의향 직무유지의향 등과의 통계

상 계가 매우 높아 PS 추정방정식에 따로 포함시키지 않았다22) 한 추정방정식에는 일부

Interaction Terms들과 Higher Order Terms들을 추가하여 앞서 설명한 변수집합(Z)의 기본요건을 맞

추고자 하 다 추가 변수들은 Balancing Property를 충족하기 하여 선정되었는데 이에 해서는

아래에서 추가 부연한다Rosenbaum and Rubin(1983)에 따르면 PS는 다음 조건을 만족한다

∐ rArr

즉 PS를 통제한 뒤에는 변수집합 Z와 Treatment 여부 D가 상호 독립 이라는 것이다 이는 PS가 동일한 개체들에 해 Z의 평균값을 구한다면 Treatment를 받은 집단과 그 지 않은 집단 사이

에 차이가 없어야 한다는 을 내포한다 이를 Balancing Property라 한다 이를 검증하기 한 방

법으로 P(Z)를 여러 구간(Blocks)으로 나 뒤 각 구간에 한 Mean Difference Statistical T-test를

시행할 수 있다 일부 구간에 해 T-test가 만족하지 않는 경우에는 구간을 더욱 세분하여 진행하

고 여 히 만족이 되지 않는 경우에는 문제가 되는 일부 변수들의 Interaction Terms들과 Higher Order Terms들을 PS 추정방정식에 추가하여 앞서의 과정을 되풀이한다(Dehejia and Wahba[1999]) 앞서 언 된 Interaction Terms과 Higher Order Terms들은 이상의 과정을 거쳐 추가된 항들이다

Balancing Property 검증을 하여 다양한 PS 추정방정식을 설정하여 반복 인 Test를 수행하

다 최종 으로 lt표 5gt의 추정방정식에서 도출한 PS를 기 으로 lt표 6gt과 같이 10개의 Block을

구분한 뒤 Mean- Difference Statistical T-test를 진행하 다 Block 설정은 PS의 Common Support 역인 [00149 06]에 하여 이루어졌다 각 Block들에 한 T-test의 결과는 lt부표 2gt에 수록되어

있다 추정방정식에 도입된 독립변수 항이 총 20개이고 Block의 수는 10개이므로 총 200개의

Mean-Difference T-test가 시행되었다 lt부표 2gt에서 확인할 수 있듯이 5 Significance Level에서

부분의 Block들이 T-test를 통과하 다 통과에 실패한 테스트는 단 두 개로 Block 1의 lsquo정규직

여부rsquo에 한 테스트와 Block 8의 lsquo성별rsquo에 한 테스트이다 따라서 Block Test의 통과율이 99에

이르러 앞서의 PS 추정방정식이 Balancing Property를 체로 만족하고 있다고 결론내릴 수 있다 이상의 과정을 거쳐 확정된 PS 추정방정식을 이용하여 각 개체별로 PS를 구할 수 있다 [그림

4]는 이 게 구해진 PS에 하여 각 집단별 분포도를 제시하고 있다 Treated Group의 경우 PS의

분포가 Untreated Group에 비해 상 으로 우측으로 치우쳐 있음을 쉽게 확인할 수 있다 그리고

PS 분포에서 Common Support 역이 [00149 06]에 이른다는 것을 확인할 수 있다 이는 PS가

06보다 큰 경우에는 Treatment에 참여한 실험군 개체에 해 그에 상응하는 Counterfactual을 조

군으로부터 찾을 수 없음을 의미한다 따라서 PS를 활용한 Treatment의 효과 측정은 이 Common Support 역에 들어오는 실험군 개체들에 한정하여 이루어질 수밖에 없다

22) 를 들어 일자리만족도와 이들 네 변수와의 상 계수(Correlation Coefficient)는 각각 업무만족도(06536) 취업 안정

성 만족도(06014) 자기발 만족도(06279) 복지후생만족도(05514)에 이른다 이들을 포함시키더라도 반 인 결과

에는 큰 차이가 없다

(10)

02

46

8

0 2 4 6 8 0 2 4 6 8

Untreated Group Treated Group

DensityRough Density Curve

Den

sity

Propensity Score Distribu tion for Each Group

lt표 6gt Balancing Property 검증을 위한 Block 구분

Block 번호 Propensity Score 범 D=0 D=1 합계

1 00149 ~ 0025 655 10 665

2 0025 ~ 005 2128 59 2187

3 005 ~ 0075 2146 152 2298

4 0075 ~ 001 1744 200 1944

5 01 ~ 0125 1300 171 1471

6 0125 ~ 015 949 162 1111

7 015 ~ 02 1138 238 1376

8 02 ~ 03 845 242 1087

9 03 ~ 04 230 95 325

10 04 ~ 06 57 56 113

합계 11192 1385 12577

[그림 4] 각 집단별 Propensity Score 분포도

주 Common Support 역인 [00149 06]에 포함된 개체 수는 Untreated Group의 경우 11192명 Treated Group의 경우에

는 1385명임

VII 분석 결과

이제 구해진 PS를 활용하여 이직의 효과와 이직에 있어서 인 네트워크 활용의 효과성을 분

석할 비를 마련하 다 본 분석에서는 앞서 제3 에서 소개한 7가지의 성과지표에 하여 분석

을 진행할 것이다 우선 PS가 추정된 12754개체에 하여 PS를 고려하지 않은 단순비교를 진행해

성과지표의

연간 변화비교 상

이직자

평균

비이직자 평균

격차

(표 오차)

직장만족도 변화이직자 수 1379 3724 -0334 4058

비이직자 수 11274 (0466)

직무만족도 변화이직자 수 1386 2962 -0428 3389

비이직자 수 11285 (0466)

일자리만족도 변화이직자 수 1384 2944 0282 2662

비이직자 수 11261 (0489)

기술 합도 변화이직자 수 1383 2350 -0058 2408

비이직자 수 11245 (0684)

교육 합도 변화이직자 수 1389 2556 -0142 2697

비이직자 수 11300 (0689)

교육기술복합지수

변화

이직자 수 1383 2422 -0091 2513

비이직자 수 11245 (0664)

임 수 변화이직자 수 1384 9088 2782 6307

비이직자 수 11340 (1614)

보자 lt표 7gt은 이직자 집단과 비이직자 집단의 성과지표 변화를 단순비교한 것이다 표에서 확인

할 수 있듯이 이직자의 경우 모든 지표들에 하여 성과지표의 뚜렷한 증가가 목격되었다 비이

직자의 경우에는 임 수 이 2782만원 증가한 것을 제외하고 에 띄는 성과지표의 개선이 나타

나지 않았다23) 성과지표 개선에서 집단 간의 차이가 존재하는지를 검증하기 하여

Mean-Difference Statistical T-test를 진행하고 그 결과를 표에 수록하 다 모든 지표에 하여 이직

자 집단이 비이직자 집단에 비해 높은 증가세를 보인 것이 통계 으로 유의하게 확인된다 를 들

어 이직자 집단의 월평균 임 수 은 9088만원 상승한 것으로 나타나 비이직자 집단에 비해

6307만원만큼 큰 폭의 임 향상을 보 다 하지만 우리는 이상의 결과를 이직의 효과라고 단정

지을 수 없다 왜냐하면 이직의 효과는 이직자 집단에 속한 개체들의 성과 변화와 이들의

Counterfactual 즉 이들이 이직을 하지 않고 직장을 유지하 을 때의 성과 변화를 직 비교해

야 제 로 악되기 때문이다 이후 제시한 Propensity Score Matching에 의한 이직효과 측정은 이

러한 Counterfactual의 탐색에 기반한 분석 결과이다

lt표 7gt 주요 성과지표의 연간 변화 단순비교

주 1 성과지표의 변화에 한 집단 간 차이를 확인하기 하여 Mean-Difference Statistical T-test를 수행함 2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

23) 주어진 임 수 은 연간 임 상승률을 감안한 수치이기 때문에 비이직자의 임 은 불변이거나 하락하여야 정상이

다 재 악되는 비이직자들의 임 증가는 선택편의(Selection Bias) 문제에 의해 발생한 것으로 보인다 주어진 최

종샘 은 차수와 차수 모두에서 임 근로자로 악된 이들로 구성된다 취업시장에 신규로 진입하는 이들에

비하여 근속연수가 1년 많은 셈이다 한 차수에 임 근로자인 이들 임 상승폭이 작은 이들이 그 지 않은

이들보다 근로시장을 이탈할 가능성이 높다 이로 인하여 차수에 이어 차수까지 근로시장에 남아 있는 이들

은 상 으로 높은 임 상승을 보이는 것으로 단된다( 한 분석에 활용한 임 상승률이 lsquo임 구조기본통계조사rsquo의 표본으로부터 추정된 것이므로 노동패 표본과의 근본 차이로 인해 이상의 문제가 도출하 을 가능성도 일

부 배제할 수 없다)

공개채용 스카우트 소개나 추천 직 찾아가서 기타

인 네트워크

활용 구직

21 10 730 68 2

(69) (625) (8459) (1166) (556)

인 네트워크

비활용 구직

278 4 118 502 27

(9145) (250) (1367) (861) (750)

알 수 없음5 2 15 13 7

(164) (125) (174) (223) (1944)

총 사례 수 (1802명

)

304 16 863 583 36

(100) (100) (100) (100) (100)

이직 성격 분류비네트워크

경로-

네트워크

경로

비네트워크

경로-

본격 인 분석에 앞서 인 네트워크와 련하여 이직의 성격을 규명할 필요가 있다 인 네

트워크를 이직경로로 활용한 경우와 그 지 않은 경우로 구분지어 보도록 하자 이를 해 노동패

6차에서 10차까지의 체 경력직 취업자들을 상으로 한 lt부표 1gt의 lsquo경력직 취업자들의 일

자리 진입방식별 구직방법의 분포rsquo를 참조하도록 하자 노동패 에서 제공하는 일자리 진입방식

은 lsquo공개채용rsquo lsquo스카우트rsquo lsquo소개나 추천rsquo lsquo직 찾아가서rsquo lsquo기타rsquo 이 게 다섯 가지로 구분된다 이 lsquo공개채용rsquo 형태의 일자리 진입에서는 lsquo인터넷rsquo이나 lsquo매체 고rsquo를 활용한 구직이 체 사례

의 8486에 이른다 lsquo직 찾아가서rsquo 형태의 일자리 진입 역시 lsquo인터넷rsquo이나 lsquo매체 고rsquo 그리고

lsquo직 탐문rsquo 방식의 구직이 사례의 8113에 이른다 반면 lsquo소개나 추천rsquo 형태의 일자리 진입에서

는 lsquo친구나 친지rsquo를 통하거나 lsquo취업희망 직장의 지인rsquo 혹은 lsquo업무상 알게 된 지인rsquo을 통하는 경우

가 체의 81235에 이른다 즉 각 일자리 진입방식 간에 매우 뚜렷한 구직형태의 차이를 보여

주고 있다 lt부표 1gt의 성공한 구직방법 2 3 8 10 11을 인 네트워크를 활용한 구직으로 1 4 5 6 7 9를 그 지 않은 구직으로 분류하고 각 일자리 진입방식에 한 인 네트워크 활용도를

추산해 보면 다음 lt표 8gt과 같이 요약된다

lt표 8gt 일자리 진입방식별 이직의 성격 분류

주 ( ) 안은 각 일자리 진입방식에 한 이직 성격의 비 을 백분율로 표시함 자료 lt부표 1gt를 재구성한 것임

lt표 8gt에 요약된 바와 같이 lsquo공개채용rsquo과 lsquo직 찾아가서rsquo 형태의 일자리 진입에서 인 네트

워크를 활용하지 않은 구직이 각기 9145와 861에 이른다 반면 lsquo소개나 추천rsquo에서는 인 네

트워크를 활용한 구직이 8459에 이른다 이를 바탕으로 본 분석에서는 lsquo공개채용rsquo과 lsquo직 찾아

가서rsquo를 lsquo비네트워크 경로 이직rsquo으로 lsquo소개나 추천rsquo을 lsquo네트워크 경로 이직rsquo으로 구분한다 이 분류

에 따르면 15705명의 최종샘 에서 이직자로 악된 1560명 1438명의 체 인 구직경로 구

분이 가능하다 이 999명이 네트워크 경로 이직자로 439명이 비네트워크 경로 이직자로 분류

된다 한 앞서 PS가 추정된 12754명 에는 1391명이 이직자인데 그 891명은 네트워크 경

로 이직자로 387명은 비네트워크 경로 이직자로 분류된다

1 이직을 통한 개인만족도의 변화

아래 세 개의 도표 lt표 9gt lt표 10gt lt표 11gt은 이직을 통하여 개인의 만족도가 개선되는지의

여부를 PSM을 통하여 검증한 것이다 각각의 만족도지수(직장만족도 직무만족도 일자리만족도)에 하여 세 가지 방식의 PSM 추정치(Five Nearest Neighbors Radius Matching Kernel Matching)를

제시하고 있다앞서 lt표 7gt의 단순비교에서는 이직자와 비이직자의 연간 만족도변화가 100 만 에서

4058 (직장만족도) 3389 (직무만족도) 2662 (일자리만족도)만큼 차이가 나는 것으로 집계

되었다 그러나 PSM 방식으로 재추정된 이직의 만족도 개선효과는 각각 약 250 (직장) 216(직무) 155 (일자리)으로 나타났다24) 종합하면 단순비교 방식(표 7)은 PSM 활용방식(표 9

표 10 표 11)에 비해 이직의 만족도 개선효과를 약 1~15 만큼 과 추정하고 있음을 확인할 수

있다 이러한 상이 나타난 이유는 실제 이직한 이들이 그 지 않은 이들에 비해 기존 직장에서

의 만족도가 상 으로 낮았다는 데 있다 를 들어 주어진 최종샘 에서 이직자들의 기존 직장

에서의 직장만족도는 평균 5071 을 보이는 반면 같은 시기 비이직자들의 평균 직장만족도는 이

보다 무려 7 가까이 높은 5724 으로 나타났다 따라서 단순비교 방식에서는 이직을 통한 만족

도 개선효과가 다소 과장되어 추산되기 마련이다 이들 이직한 이들이 만약 기존 직장에 그 로 남아 있었다면 (이들의 만족도가 상 으로 낮

은 수 이므로) 다른 이들에 비해 보다 높은 수 의 만족도 개선을 한 해 사이에 경험하 을 것이

다 실제로 체 비이직자들의 연간 만족도의 변화가 각기 -0334 (직장) -0428(직무) 0282 (일자리)에 그치는 데 반해 실험군(이직자 집단)의 Counterfactual 즉 PS를 사용하여 실험군 개체에 매

칭된 (비이직자 집단 내) 조군 개체들의 만족도 변화는 각기 113 (직장) 066 (직무) 133 (일자리)에 이르 다(각 표의 lsquo매칭된 조군 변화(B)rsquo 항목 참조) 실험군 Counterfactual에서의 만족도

개선폭이 여타 비이직자들의 연간 만족도 개선폭보다 략 1 이상 높게 나타나는 것이다 이상

의 선택편의(Selection Bias) 문제가 히 통제될 때 이직의 순효과가 바르게 추정될 수 있다 앞서 시한 PSM 방식으로 추정된 이직의 만족도 개선효과는 이러한 선택편의 문제를

Counterfactual Framework으로 극복한 추정 결과라 할 수 있다 그럼 네트워크 경로 이직과 비네트워크 경로 이직 사이에 뚜렷한 차이가 존재하는지 살펴보도

록 하자 표에서 확인할 수 있듯이 두 경우 모두 이직의 만족도 개선효과가 통계 으로 유의한 수

에서 명확히 확인된다 네트워크 경로의 이직에서는 만족도 개선의 효과가 각기 220 (직장) 158 (직무) 117 (일자리)으로 확인되었고 비네트워크 경로의 이직에서는 각기 263 (직장) 284 (직무) 207 (일자리)으로 확인되었다 흥미로운 부분은 비네트워크 경로의 이직에서 이직

을 통한 만족도 개선의 효과가 소폭 높게 나타난 이다 이는 비네트워크 이직 사례들이 상당수

의 lsquo공개채용rsquo 입사자를 포함하기 때문에 나타난 상으로 보인다 lsquo공개채용rsquo은 주로 종업원 300인 이상의 규모가 큰 기업에서 집 으로 활용되고 있다25) 이들 큰 기업에 lsquo공개채용rsquo으로 입사

한 이들은 그 직장에 비해 주 인 만족도가 크게 향상되었을 것이다 이러한 lsquo공개채용rsquo 사례들이 비네트워크 이직의 만족도 개선효과를 다소 증폭시키는 역할을 하 을 것으로 추정된다

반면 비네트워크 이직을 통한 만족도 개선이 네트워크 이직에 비해 다소 크다고 하여 이것이

24) 이는 분석에 사용된 세 가지 방식의 PSM 추정치들을 산술평균하여 정리한 수치들임 25) 이 부분에 한 구체 인 설명은 발간 정인 한국개발연구원 정책연구시리즈 lsquo인 네트워크(개인의 사회 자본)

의 노동시장 효과 분석rsquo을 참조하기 바란다 ( 자에게 요청시 수령가능함)

이직과정에서의 인 네트워크 요성은 인정되지 않는다는 식으로 해석될 수 없음을 유념하여야

한다 국내 이직과정에서의 인 네트워크 의존도는 해외 주요국에 비해 상당히 높은 수 이다 략 65 안 의 경력직 취업자들이 인 네트워크를 활용하여 구직에 성공하 다고 추정되고 있

다26) 만약 재 이직을 고려하고 있는 국내 한 근로자가 구직활동에서 인 네트워크 활용을 포기

한다면 이 근로자의 이직 성공 가능성은 매우 낮아질 것이다 즉 개인의 이직 성공률을 높이기

해서는 평소에 꾸 한 구직 네트워크 리가 요청된다 할 수 있다 특히 이직수요라는 것은 많은

경우 자신의 의도와는 다르게 외부 충격으로 인해 발생한다 회사의 경제 환경이 변화하기도

하지만 자신의 심사가 바 기도 하고 가족의 갖가지 필요에 의해 이직이 요구되기도 한다 즉 언제 발생할지 모르는 이직수요에 히 응하기 해서는 이직의 주요한 통로라 할 수 있는 인

네트워크에 한 상시 리가 요청되는 것이다 따라서 이직을 고려한 인 네트워크의 상시

리 이를 한 개인의 갖가지 비용 지출은 향후 발생 가능한 험에 처하기 하여 자동

차나 암 보험을 구매하는 것과 같이 기꺼이 지불해야 할 미래에 한 투자라 할 수 있다

26) 역시 한국개발연구원 정책연구시리즈 lsquo인 네트워크(개인의 사회 자본)의 노동시장 효과 분석rsquo을 참조하기 바

란다

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1371) 3662 1201 2460 403

조군(11274) (0610)

Radius Matching 실험군(1362) 3543 1009 2534 436

조군(11274) (0581)

Kernel Matching(Normal) 실험군(1372) 3659 1165 2494 434

조군(11274) (0564)

체 이직효과 평균 362 113 250

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 3309 1169 2140 293

조군(11274) (0730)

Radius Matching 실험군(879) 3231 0939 2292 331

조군(11274) (0693)

Kernel Matching(Normal) 실험군(881) 3309 1146 2162 315

조군(11274) (0686)

네트워크 이직효과 평균 328 108 220

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(380) 4224 1525 2699 224

조군(11274) (1206)

Radius Matching 실험군(373) 3981 1438 2543 217

조군(11274) (1171)

Kernel Matching(Normal) 실험군(381) 4213 1565 2647 230

조군(11274) (1149)

비네트워크 이직효과 평균 414 151 263

lt표 9gt 이직을 통한 직장만족도 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1377) 2850 0701 2149 363

조군(11285) (0592)

Radius Matching 실험군(1368) 2767 0626 2140 381

조군(11285) (0562)

Kernel Matching(Normal) 실험군(1378) 2852 0648 2204 398

조군(11285) (0554)

체 이직효과 평균 282 066 216

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(884) 2302 0808 1494 211

조군(11285) (0707)

Radius Matching 실험군(882) 2256 0658 1598 238

조군(11285) (0670)

Kernel Matching(Normal) 실험군(884) 2302 0654 1648 249

조군(11285) (0661)

네트워크 이직효과 평균 229 071 158

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 3648 0577 3072 269

조군(11285) (1142)

Radius Matching 실험군(374) 3463 0774 2688 245

조군(11285) (1098)

Kernel Matching(Normal) 실험군(382) 3652 0888 2764 257

조군(11285) (1077)

비네트워크 이직효과 평균 359 075 284

lt표 10gt 이직을 통한 직무만족도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1375) 2909 1571 1338 217

조군(11261) (0617)

Radius Matching 실험군(1366) 2818 1276 1543 262

조군(11261) (0588)

Kernel Matching(Normal) 실험군(1376) 2907 1147 1760 303

조군(11261) (0581)

체 이직효과 평균 288 133 155

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(882) 2523 1626 0897 121

조군(11261) (0742)

Radius Matching 실험군(880) 2472 1246 1225 173

조군(11261) (0707)

Kernel Matching(Normal) 실험군(882) 2523 1139 1383 198

조군(11261) (1697)

네트워크 이직효과 평균 251 134 117

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 3609 1499 2110 176

조군(11261) (1196)

Radius Matching 실험군(374) 3409 1530 1879 163

조군(11261) (1151)

Kernel Matching(Normal) 실험군(382) 3599 1365 2235 197

조군(11261) (1133)

비네트워크 이직효과 평균 354 146 207

lt표 11gt 이직을 통한 일자리만족도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이 를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

2 이직을 통한 배치효율성의 변화

다음은 이직의 다른 측면인 일자리 재배치의 문제에 해 살펴보고자 한다 이직은 각 개인

에 있어서는 직장생활의 변화라 할 수 있지만 기업의 입장에서는 노동인력의 교환에 해당한다 따라서 이직을 통한 노동인력의 재배치가 과연 사회 반의 경제 이익을 창출하고 있는지를 따

져 볼 필요가 있다 앞서 lt표 7gt에서 기술수 교육수 교육기술복합지수 이 세 가지 합도에 해 이직자

비이직자 집단 내의 연간 변화를 정리한 바 있다 여기서 비이직자의 경우 각 지수에서 연간 합

도가 소폭 하락한 것으로 나타났고 이직자의 경우 합도가 크게 상승한 것으로 나타났다 비이

직자는 기술수 의 합도에서 0058 이 교육수 의 합도에서 0142 이 그리고 교육기술수

의 복합지수에서는 0091 이 하락한 데 반해 이직자들은 각기 2350 (기술) 2556 (교육) 2422(복합지수)의 합도 상승이 발견되었다 비이직자들의 합도 하락은 기술이나 경제환경의 변

화와 한 련이 있다 경쟁력 있는 기술 이에 한 사회 수요가 시간에 따라 변화하므로 직장에서의 자신의 기술 혹은 교육수 은 (평균 으로 보아) 이 보다 합성이 다소 떨어지게

마련이다 반면 이직자들의 합도 상승이 과연 이직의 순효과인지에 해서는 여 히 의문의 여

지가 크다 이직을 결행한 이들은 이 직장에서의 직무 련 합도가 평균 으로 크게 떨어지는

이들이다 를 들어 최종샘 에서 이직을 하지 않은 이들의 한 해 기술 합도는 평균 9066인 데 반해 이직을 결행한 이들의 한 해 (이 직장에서의) 기술 합도는 평균 8547 에 머무

는 것으로 나타났다 이들은 애 에 워낙 합도가 떨어지기 때문에 굳이 이직을 택하지 않더라

도 직무재배치나 직장 내 부서이동 등을 통하여 1년 사이에 상당한 정도의 합도 개선을 이루었

을 것으로 상된다따라서 이직을 통한 배치효율성의 개선효과 즉 반 인 근로자의 직무 련 합도 상승효

과를 명확히 규명하기 해서는 이직한 이들이 이직을 하지 아니하 을 때에 상되는 합도의

개선을 우선 추정해 볼 필요가 있다 이것은 앞서 설명하 듯이 Counterfactual의 추정을 통해서만

이 가능하다 lt표 12gt lt표 13gt lt표 14gt는 PSM을 이용하여 비이직자들의 정보로부터 이직자들의

Counterfactual을 추정한 뒤 이를 보고하고 있다 세 방식(Five Nearest Neighbors Radius Matching Kernel Matching)의 추정치를 산술평균하면 기술 합도에서는 088 교육 합도에서는 057 교육

기술복합지수에서는 075 의 상승이 확인되었다(각 표의 lsquo매칭된 조군 변화(B)rsquo 항목을 참조) 이를 실험군 즉 실제 이직자들의 합도 상승(각 표의 lsquo실험군 변화(A)rsquo 항목)과 비교하면 순이직

효과는 각기 131 (기술) 183 (교육) 140 (복합지수)에 이르는 것으로 결론지을 수 있다 반

면 교육과 복합지수에서는 이들 순이직효과가 통계 으로 유의하게 나타났으나 기술수 의

합도에서는 이 효과가 통계 으로 뚜렷하지 않았다 10의 유의도에서 검증할 때 Kernel Matching을 제외한 나머지 두 개의 PSM 매칭에서 통계 유의성을 확보할 수 없었다 이에 이직

을 통한 교육수 의 합도 개선효과는 분명한 반면 기술수 의 합도 개선은 통계 으로 입증

되지 않는다고 결론지을 수 있다 교육기술복합지수의 경우 이 두 가지 효과가 첩되어 나타난

것으로 교육수 의 합도 개선이 워낙 뚜렷하기 때문에 통계 으로 유의한 지수상승이 나타난

것으로 단된다 이상과 같이 이직을 통해 교육수 합도의 개선이 보다 효과 으로 이루어지

는 것은 채용과정에서 후보자의 교육수 이 기술수 에 비해 객 인 자료를 이용하여 검증하

기가 보다 용이하기 때문인 것으로 보인다

그럼 이직을 통한 배치효율성 개선 측면에서 인 네트워크의 역할을 살펴보도록 하자 네트

워크 경로 이직과 비네트워크 경로 이직으로 나 어 이직효과를 각기 추정해 보면 둘 사이에 의

외의 뚜렷한 차이가 존재함을 확인할 수 있다 네트워크 경로의 이직인 경우 이직을 통한 합도

개선효과가 통계 으로 유의한 수 에서 매우 높게 나타난다 이직의 순효과는 각기 213 (기술) 252 (교육) 126 (복합지수)에 이른다 반면 비네트워크 경로의 이직인 경우 이 효과는 모두 사

라져 버린다 즉 이직효과는 기술 합도 교육 합도 교육기술복합지수 모두에서 양과 음을 반복

하고 통계 유의성도 확보되지 않는다 즉 비네트워크 경로를 통한 이직에서는 일자리 재

배치를 통한 사회 반의 경제 이득을 기 할 수 없는 것이다 앞서 교육 합도 개선에 있어 이

직의 반 인 효과가 통계 으로 강하게 나타났는데 이 효과의 부분은 비네트워크 경로 이직

보다는 네트워크 경로 이직으로부터 창출된 것임을 짐작할 수 있다 특히 기술 합도를 보면 이직자들의 합도 개선은 네트워크와 비네트워크 이직 사이에 뚜렷

한 차이를 보이는데 네트워크 이직자들의 합도 개선은 평균 292 인 데 반해 비네트워크 이직

자들의 합도 개선은 평균 048 에 그친다 인 네트워크를 활용하지 않고 이직을 하 을 경우 이직을 하 음에도 불구하고 기술 합도의 개선은 평균 으로 거의 기 되지 않는 것이다 이는

앞서 주 만족도의 개선효과와 비교하여 매우 상반된 결과에 해당한다 이직을 통한 주 만

족도의 개선에서는 네트워크와 비네트워크 이직 모두 그 효과가 분명하 으며 특히 비네트워크

이직자들의 주 만족도 개선폭은 3 내지 4 에 이르 다 이는 네트워크 이직자들의 만족

도 개선폭에 비해서도 1 가량 높은 수치 다 따라서 이직이 반 으로 개인의 주 만족도

를 개선하는 효과가 있으나 배치효율성의 개선 측면에서는 오직 인 네트워크에 의존한 이직만

이 재배치의 분명한 경제 효과를 평균 으로 창출한다고 결론지을 수 있다 이러한 네트워크와 비네트워크 사이의 뚜렷한 이직효과의 차이는 네트워크가 지닌 정보 달

기능에 기인한 것으로 단된다 인 네트워크는 구인자와 구직자 사이에 훌륭한 정보 달 기능

을 수행하고 있다 구직자에게는 어떠한 일자리가 구직자의 기술능력 혹은 교육수 에 비추어

합한지에 한 정보를 제공하고 구인자에게는 구인자가 필요로 하는 합한 기술의 소유자가

구인지에 한 정보를 제공하는 것이다 이는 평소에 구인자와 구직자 모두를 아우르는 간 매개

로서의 인 네트워크가 있었기에 가능한 것이다 반면 비네트워크에서는 이러한 효과를 기 하

기 힘들다 비네트워크 채용에서는 주어진 서류와 단시간의 인터뷰 혹은 직무능력 테스트만을 가

지고 합한 인력을 선발하여야 한다 lsquo공개채용rsquo의 경우 많은 지원자들의 경쟁을 거치므로 상으로 보다 합한 후보자를 선별할 수 있을 것이다 그러나 lsquo직 찾아가서rsquo 형태의 입사에서는

이러한 경쟁의 과정 역시 생략되므로 높은 합도를 지닌 후보의 채용은 더욱 기 하기 힘들다 정리하자면 인 네트워크는 국내 노동시장에서 일자리와 일자리 후보 사이의 활발한 정보 달

기능을 수행함으로써 노동시장의 효율 작동을 돕고 있는 것이다 끝으로 이러한 네트워크 이직의 배치효율성이 모든 이직 사례에 일 으로 용되는 것이

아님을 주지할 필요가 있다 인 네트워크가 구인과 구직 사이의 lsquo연결(Networking)rsquo 기능을 수행

할 때 이상의 정 인 효과를 기 할 수 있을 것이나 이 둘 사이의 lsquo연 rsquo로서 기능할 때는 오히

려 역효과를 래할 수 있다 즉 인 네트워크를 통하여 합하지 않은 지원자를 연 로 채용시

키는 경우 해당 일자리에 한 매치 합성은 네트워크 이직으로 인해 오히려 감퇴할 수 있다 우리는 이상의 분석을 통하여 국내 노동시장에서 네트워크 이직의 반 인 교육 기술 수

합도 개선효과를 확인한 바 있다 이는 국내 노동시장의 고용 로세스에서 lsquo연 rsquo의 부정 효과

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1374) 2220 1095 1124 121

조군(11245) (0929)

Radius Matching 실험군(1365) 2088 0735 1353 155

조군(11245) (0874)

Kernel Matching(Normal) 실험군(1375) 2255 0795 1460 168

조군(11245) (0869)

체 이직효과 평균 219 088 131

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 2951 0919 2032 181

조군(11245) (1125)

Radius Matching 실험군(879) 2844 0746 2098 198

조군(11245) (1057)

Kernel Matching(Normal) 실험군(881) 2951 0702 2250 214

조군(11245) (1049)

네트워크 이직효과 평균 292 079 213

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 0525 2297 -1772 -096

조군(11245) (1840)

Radius Matching 실험군(374) 0267 0868 -0600 -034

조군(11245) (1753)

Kernel Matching(Normal) 실험군(382) 0654 1297 -0642 -037

조군(11245) (1746)

비네트워크 이직효과 평균 048 149 -100

보다는 구인구직 간 lsquo연결rsquo이라는 네트워크의 정 효과가 보다 강하게 작동하고 있음을 시사

한다

lt표 12gt 이직을 통한 기술적합도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1380) 2428 0630 1797 193

조군(11300) (0931)

Radius Matching 실험군(1371) 2298 0496 1802 207

조군(11300) (0872)

Kernel Matching(Normal) 실험군(1381) 2462 0586 1876 216

조군(11300) (0869)

체 이직효과 평균 240 057 183

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(886) 3047 0342 2705 245

조군(11300) (1106)

Radius Matching 실험군(884) 2885 0528 2357 227

조군(11300) (1037)

Kernel Matching(Normal) 실험군(886) 3047 0551 2496 243

조군(11300) (1029)

네트워크 이직효과 평균 299 047 252

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(382) 1702 2007 -0305 -016

조군(11300) (1891)

Radius Matching 실험군(375) 1600 0559 1041 058

조군(11300) (1788)

Kernel Matching(Normal) 실험군(383) 1828 0910 0917 051

조군(11300) (1793)

비네트워크 이직효과 평균 171 116 055

lt표 13gt 이직을 통한 교육적합도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1374) 2293 0893 1399 155

조군(11245) (0904)

Radius Matching 실험군(1365) 2161 0641 1520 179

조군(11245) (0850)

Kernel Matching(Normal) 실험군(1375) 2327 0711 1616 191

조군(11245) (0847)

체 이직효과 평균 226 075 140

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 2951 0643 2308 212

조군(11245) (1087)

Radius Matching 실험군(879) 2816 0662 2154 211

조군(11245) (1021)

Kernel Matching(Normal) 실험군(881) 2951 0645 2306 228

조군(11245) (1014)

네트워크 이직효과 평균 291 065 226

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 1115 2233 -1118 -062

조군(11245) (1816)

Radius Matching 실험군(374) 0936 0749 0187 011

조군(11245) (1727)

Kernel Matching(Normal) 실험군(382) 1243 1131 0112 007

조군(11245) (1726)

비네트워크 이직효과 평균 110 137 -027

lt표 14gt 이직을 통한 교육기술복합지수의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

3 이직을 통한 임금수준의 변화

다음은 이직을 통한 임 수 의 변화가 실재하는지 검토하고자 한다 네트워크 이직과 비네트

워크 이직을 나 어 볼 때 앞서 우리는 네트워크 이직이 일자리 매치 합도를 히 개선한다

고 밝힌 바 있다 임 이 근로자의 생산성 기여분을 그 로 반 한다고 한다면 네트워크 이직에

따른 매치 합도의 개선은 근로자의 임 상승으로 이어져야 할 것이다 앞서 lt표 7gt의 단순비교에서 이직자들의 연간 임 상승분이 평균 9088만원 비이직자들의 연

간 임 상승분은 2782만원으로 집계된 바 있다 둘 사이의 격차가 6307만원에 이른다 한 해 사

이에 이직한 이들의 연간 임 상승폭이 직장을 그 로 유지한 이들의 연간 임 상승폭 보다

히 높은 수 인 것이다 하지만 이러한 단순비교는 선택편의(Selectoin Bias) 문제를 역시 고려하지

않고 있으므로 이직의 직 인 임 상승효과라 볼 수는 없다 즉 실제로 이직을 결행한 이들의

이직 임 수 은 같은 시기 직장을 그 로 유지한 이들에 비해 상 으로 낮은 수 일 가능

성이 높다 이들이 직장을 그 로 유지하 다면 다른 이들에 비해 히 높은 수 의 임

상승을 경험하 을 것이다 실제 이직한 이들이 만약 이직을 하지 않고 직장을 그 로 유지하

을 때 상되는 임 상승분 즉 이직자 임 상승분의 Counterfactual을 PSM 방식을 활용하여 추

정한 수치가 lt표 15gt의 lsquo 조군 변화(B)rsquo에 요약되어 있다 이에 따르면 실제 이직자들이 이직을

하지 않았을 때 기 할 수 있는 임 상승분은 략 5만원 정도에 이르는 것으로 나타난다 따라

서 이직에 따른 임 상승의 순효과는 앞서 제시한 6307만원이 아닌 이보다 상당히 축소된 386만원이다 이는 lt표 15gt에 정리된 바와 같이 PSM을 활용한 세 가지 추정치의 산술평균으로 추산

된 값이다 한 이러한 이직의 임 상승효과는 통계 으로도 유의한 것으로 확인되었다 반면 네트워크 경로 이직자와 비네트워크 경로 이직자의 임 상승분을 비교해 보면 둘 사이

에 상당한 격차가 존재함을 쉽게 확인할 수 있다 네트워크 이직자들의 이직을 통한 임 상승효과

는 통계 으로 유의한 수 에서 략 384만원으로 추정되는 반면 비네트워크 이직자들의 임

효과는 -077만원이고 이는 통계 으로도 유의하지 않다 즉 네트워크를 활용하여 이직하 을

때 뚜렷한 임 상승이 기 되는 반면 인 네트워크를 활용하지 않고 이직하 을 때는 이 효과

를 확신할 수 없을 뿐더러 다소 하락할 가능성도 있는 것이다 따라서 앞서 확인된 이직을 통한

반 인 임 상승의 효과는 네트워크 이직을 통해 창출된 효과이며 비네트워크 이직을 통한

기여는 뚜렷하지 않은 것으로 결론지을 수 있다이직은 새로운 일자리에 자신의 기술 직무 능력을 응시키는 과정이다 따라서 임 상승

효과가 이직 기에 항상 담보되지는 않을 것이다 반면 인 네트워크를 활용하 을 때 자신에

게 보다 합한 일자리에 배치됨으로써 즉 자신의 능력과 잠재력을 보다 잘 발휘할 수 있는 직무

에 재배치됨으로써 이상의 추가 인 임 상승을 기 할 수 있는 것이다 이는 앞서 이직을 통한

배치효율성 검증에서 확인되었던 네트워크 이직의 기술수 (혹은 교육수 ) 합도 상승효과와

일맥상통하는 결과이다 인 네트워크를 활용한 이직은 임 근로자를 보다 합한 일자리에 재

배치하는 데 일조하고 이것이 생산성에의 보다 높은 기여를 창출함으로써 이직자들의 추가 인

임 상승으로 이어지는 것이다물론 이러한 해석은 평균 인 추세를 반 한 것임에 유념할 필요가 있다 네트워크 이직의 사례

에는 앞서 말한 생산 인 lsquo연결rsquo 효과가 아닌 비생산 인 lsquo연 rsquo 효과 혹은 정실인사(Nepotism)가

작동한 경우들도 상당할 것이다 이 경우 생산성에의 기여가 충분하지 않음에도 불구하고 기술이

나 능력에 비해 임 을 후하게 설정할 가능성이 높다 이러한 lsquo연 rsquo형 이직을 통한 임 상승 역

시 네트워크 이직의 임 상승효과라 볼 수는 있겠으나 이것이 일자리 배치효율성의 개선을 반

한다고 볼 수는 없는 것이다 따라서 앞서 추정한 네트워크 이직의 임 상승효과 384만원이

으로 일자리 매치 합도 개선효과에서 기인한다고 단정 지을 순 없다 한 비네트워크 이직 역

시 평균 으로 임 상승의 효과가 포착되지 않은 것일 뿐 비네트워크 이직의 표본 에는 실제로

임 이 크게 상승한 사례들도 상당히 존재할 수 있다 를 들어 lsquo공개채용rsquo 방식의 입사인 경우 경합자들에 비해 채용 합격자의 해당 일자리 합성이 보다 우수하다고 단되어 채용된 사례가

많을 것이다 이 게 경쟁을 거쳐 채용된 이들은 이 에 비해 상당히 높은 수 의 임 상승을 기

할 수 있다 반면 비네트워크 이직에서 반 인 임 상승의 효과가 포착되지 않는 것은 비네트워크 이직

이 격한 주 만족도의 개선을 이끌었던 것과 비교하여 매우 조 인 상이다 많은 이들의

상식과는 달리 이직의 결정은 임 만족도 수 과 직결되어 있지 않다 앞서 제4 에서 우리는 이

직의 향요인들을 분석해 본 바 있다 이직의 결정이 업무만족도 복지후생만족도 취업 안정성에

한 만족도 등 다양한 요소에 민감하게 반응하는 반면 임 에 한 만족도와는 통계 으로 유의

한 수 에서의 연 성이 포착되지 않았다 개인의 이직 결정은 임 이외에 다양한 요소들을 종합

으로 고려한 단 결과라 할 수 있다 체로 이직은 다양한 방면에서 개인의 주 만족도를

격하게 향상시킨다 반면 자신의 기술(교육)수 과 일자리의 매치 합성의 문제는 이직자들에

게는 부차 인 고려 상에 해당한다 임 수 의 개선 역시 이직 시 고려되는 한 요소이겠으나 인 요소는 아니고 다양한 향요인 의 하나로 볼 수 있는 것이다 이러한 에서 비네트워

크 이직이 다소 상반된 효과(즉 주 만족도의 한 개선효과와 미미한 수 의 임 개선효

과)를 동시에 보여주고 있는 것은 일견 자연스러운 상이다

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1375) 8887 5274 3613 184

조군(11340) (1962)

Radius Matching 실험군(1366) 8842 4813 4029 208

조군(11340) (1936)

Kernel Matching(Normal) 실험군(1376) 8861 4916 3945 206

조군(11340) (1880)

체 이직효과 평균 886 500 386

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(882) 8943 5519 3423 150

조군(11340) (2285)

Radius Matching 실험군(880) 8827 4855 3972 178

조군(11340) (2231)

Kernel Matching(Normal) 실험군(882) 8943 4819 4124 186

조군(11340) (2217)

네트워크 이직효과 평균 890 506 384

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 4772 5672 -0900 -024

조군(11340) (3685)

Radius Matching 실험군(374) 4805 5201 -0396 -011

조군(11340) (3661)

Kernel Matching(Normal) 실험군(382) 4691 5716 -1025 -028

조군(11340) (3601)

비네트워크 이직효과 평균 476 553 -077

lt표 15gt 이직을 통한 임금수준의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

VIII 구직 네트워크의 사회적 자본 추정

근로자 개인의 측면에서 구직 네트워크의 가치를 추정해 보자 앞서 네트워크 이직을 통한 임

상승효과를 3840만원으로 추정하 다 이는 2008년 기 액이다 연간 물가상승률을 감안하

면27) 2010년 재가로 4074만원에 해당한다 평소에 구직 네트워크를 히 리하여 이직에서

이를 활용한다면 한 번의 이직으로 4만원 안 의 추가 인 임 상승을 기 할 수 있는 것이다 연으로는 489만원 가량의 임 이 이직 이후 매년 추가 으로 지 되는 것으로 해석될 수 있다28)

한편 이직이라는 것은 근로자의 생애를 걸쳐 발생하는 사건이다 임 근로자를 심으로 한

재의 최종샘 에서 연간 일자리 이동비율은 평균 993에 이른다 직종 업종에 따라 혹은 재

직 회사의 규모에 따라 이직률에는 상당한 차이가 있겠으나 체 임 근로자를 상으로 하 을

때 략 10년에 한 번 정도의 이직이 상되는 것이다 임 근로자의 생애를 걸쳐 살펴보면

이직은 주로 직장생활 후기보다는 기에 집 되어 있다 [그림 5]는 최종샘 15705명 임 근로

자를 상으로 한 각 연령별 이직률 추이를 나타낸다 생애 이직률은 20 후반에 가장 높고 30 반에 주춤하다가 30 후반에 다시 상승하고 40 이후에 하강하는 추세임을 확인할 수

있다

[그림 5] 연령별 이직률(26세부터 59세까지)

(단 )

0

2

4

6

8

10

12

14

16

18

26 28 30 32 34 36 38 40 42 44 46 48 50 52 54 56 58

연령(만)

자료 노동패 5차부터 10차까지

이를 활용하면 임 근로자 한 사람이 평생에 걸쳐 기 할 수 있는 이직의 임 상승효과를 추

정해 볼 수 있다 첫 취업의 평균연령이 265세임을 고려하여 표 인 임 근로자(A Representative Worker)가 26세부터 60세까지 노동시장에 참여한다고 가정해 보자 인 네트워크

27) 여기에 연평균 물가상승률 3를 용하 다 실제 임 상승률도 2009년의 임 이 융 기 여 로 거의 동결이었

음을 고려할 때 2년간 략 6에 해당한다 28) 여기서는 네트워크 이직의 임 리미엄(연 489만원 상승)이 이직 후 매년 지속된다고 가정하고 있다 실제로

리미엄이 상당 기간 지속되는지 아니면 이직 후 빠르게 축소되는지에 한 국내 실증분석은 향후 과제로 남겨져

있다

를 활용한 이직만이 평균 인 임 상승효과를 가져온다는 을 고려할 때 구직 네트워크의 생애

가치()는 다음과 같이 요약된다29)

times timestimestimes (11)

여기서 는 연령 에서의 상 이직률(Job Transfer Rate)을 나타낸다 은 이직 시 인 네

트워크에 한 의존도 수 이다 는 네트워크 이직에 따른 월평균 임 상승의 효과이다 여기

에 [그림 5]에 요약된 이직률의 생애 추이를 에 입하자 여기서 경력직 이직자의 인 네트

워크 의존도가 60 반(plusmn5 이내)으로 추산된 을 고려하여 에 64를 입하도록 하자30) 그리고 에 앞서 추정한 네트워크 이직의 임 상승효과 4074만원(2010년 기 )을 입하면 구직 네트워크의 생애 가치()는 18720만원으로 집계된다 만약 에 이직률의 생애 추

이 신 최종샘 에서 구한 평균이직률 993를 연령 에 걸쳐 일률 으로 사용한다면 이와

유사한 수치인 18486만원을 얻을 수 있다 따라서 한국사회 임 근로자 한 사람의 구직 네트워크

가치는 보상 측면에서 략 일천 1870만원 수 인 것으로 결론지을 수 있다 물론 이 수치는 이직을 통한 이득만을 반 하고 있을 뿐 주 만족도의 개선효과는

반 하고 있지 않다 앞서 우리는 일자리 이동을 통해 창출되는 개인의 만족도 변화를 직장만족

도 직무만족도 일자리만족도 이 세 가지 측면에서 고려해 보았다 네트워크 이직과 비네트워크

이직 모두 만족도의 개선효과를 보 다 그러나 국내 노동시장에서 이직의 약 60 이상이 인

네트워크에 의존하고 있음을 고려할 때 임 근로자 한 개인이 구직 네트워크를 리하지 않는다

면 그의 이직률은 에서 60 이상 추락할 것이다 이를 고려하여 구직 네트워크의 생애 만족

도 개선효과()를 다음과 같이 요약할 수 있다31)

timestimestimestimes (12)

여기서 는 네트워크 이직을 통한 주 만족도의 개선폭을 나타낸다 앞서 네트워크 이직

이 창출하는 주 만족도의 개선효과가 100만 에서 220 (직장만족도) 158 (직무만족도) 117 (일자리만족도) 정도임을 확인하 다 이 세 수치의 평균치가 네트워크 이직의 만족도 개선

효과를 히 변하고 있다고 한다면 의 략 인 추정치는 165 이 된다 이를 입하면

구직 네트워크의 만족도 개선효과는 략 7582 으로 추산된다 만족도 1 을 으로 환산하

여 만원에 해당한다고 표시하면 구직 네트워크의 임 근로자 일인당 생애가치()는 임

상승효과()와 만족도 개선효과()의 합으로써 다음과 같이 요약된다

equiv (=18720+7582) (13)

구직 네트워크의 가치 (18720+7582n)만원이 함의하는 바를 명확히 규정하기는 쉽지 않다 특히 개인마다 일자리에서 얻는 주 만족도를 가치로 환산하는 방식이 다를 것이다 를 들

29) 구직 네트워크의 재 가치를 추산하기 해서는 시간할인률을 용할 필요가 있으나 여기서는 이를 생략하 다 시간할인률이 용된 추정치는 재 계산된 값보다 다소 하락할 것이다

30) 이에 한 보다 구체 인 설명은 본 논문의 보다 상세한 내용이 실린 한국개발연구원 정책연구시리즈로 출간 정

인 lsquo인 네트워크(개인의 사회 자본)의 노동시장 효과 분석rsquo 보고서를 참조 바란다 31) 앞서와 마찬가지로 구직 네트워크의 재 가치를 추산하기 해서는 시간할인률을 용할 필요가 있으나 여기서는

이를 생략하 다 시간할인률이 용된 추정치는 재 계산된 값보다 다소 하락할 것이다

어 어떤 이들에게는 이득만이 요하고 주 만족도는 경시될 수 있다 이들에게 n은

lsquo0rsquo에 가까운 것이다 반면 다른 이들에게는 일자리에서 얻는 주 만족도가 임 소득보다

몇 배 이상 요할 수 있다 이들에게 n은 1보다 큰 양수가 될 것이다 구직 네트워크의 가치를 수

치로 악해 보고자 n=1인 근로자를 상정해 보자32) 이 사람에게 만족도 1 은 1만원만큼의

효용을 창출한다 이 근로자에게 구직 네트워크의 종합 가치는 26302만원에 이른다고 평가할

수 있다 이러한 구직 네트워크의 종합 가치를 개인의 물 혹은 인 자본과 별하여 근로자

개인의 구직 네트워크 사회 자본이라 명할 수 있다추정한 구직 네트워크의 가치인 (18720+7582n)만원은 한국사회의 임 근로자 각 개인이 구직

네트워크의 유지 리를 하여 기꺼이 지불할 용의가 있는 비용을 나타낸다 만족도 1 이 1만원의 효용이 있다면 즉 n=1이라면 이는 1224개월치 월 ( 략 일년치 연 )에 해당한다33) 이는 결코 작지 않은 액수이다 한국사회의 구성원들은 다양한 방식으로 네트워크를 리하고 있다 동창회 동호회 업계 계자와의 술자리 각종 경조사 참여 Social Network Service(SNS) 활동 등

이 이에 해당한다 이들 활동은 그 자체로서 정서 효용을 창출하지만 생 인 경제 이득

한 간과할 수 없다 이는 업무에 필요한 유용한 정보의 획득이나 업거래망의 확장이기도 하고 구직 네트워크의 변 확 자기 PR(Public Relations)이기도 하다 네트워크의 리는 그에 상

응하는 비용을 수반한다 이는 만남에 따른 지출에서부터 시간사용까지를 포함한다 구직

네트워크의 효과성 측면에서 보았을 때 한국사회 근로자 개인은 상당한 비용( 를 들어 n=1인 경

우 략 일년치 연 에 해당하는 비용)을 구직 네트워크의 유지 리를 하여 생애를 거

쳐 기꺼이 지불할 용의가 있다고 볼 수 있는 것이다

IX 결론

이제까지 우리는 국내 고용시장에서의 인 네트워크 활용의 효과성을 다각 인 측면에서 살

펴보았다 인 네트워크를 활용한 이직의 직장생활만족도 개선효과는 100 만 에 약 165 34)

에 달하는 것으로 확인되었으며 직무 합도 개선효과는 100 만 에 약 197 35)에 이르는 것으

로 나타났다 한 인 네트워크를 활용한 이직은 임 상승을 동반하는데 그 규모는 월평균 임

으로 4074만원(2010년 기 )인 것으로 확인되었다 반면 인 네트워크를 활용하지 않은 이직

에서도 직장생활만족도의 개선효과가 일부 포착되었으나 일자리 합도에 한 개선이나 임 상

승효과는 확인되지 않았다 즉 구인자와 구직자를 연결시켜주는 인 네트워크의 효율 인 정보

달 기능이 확인된 것이다 이를 통해 임 근로자 개인의 구직 네트워크의 가치 즉 lsquo네트워크 사

회 자본rsquo을 추정해 보면 구직 네트워크의 생애 가치는 18720만원으로 집계되었으며 여기에 주 만족도에 한 보상 측면까지 고려하면 만족도 1 의 가치를 만원으로 환산

할 때 략 (18720+7582)만원에 이르는 것으로 집계되었다

32) 실제로 일반 인 수 에서 n은 1보다 상당히 클 것으로 상된다 주어진 표본에서 주 만족도의 평균은 략

55 내외인 반면 임 수 의 평균은 략 200만원 내외이다 즉 두 수치의 Scale이 네 배 가량 차이가 난다 33) 26302만원을 차수 임 수 (20247만원)의 2010년도 기 가치인 2148만원으로 나 면 1224개월이 나온다 34) 직장만족도 개선효과 220 직무만족도 개선효과 158 일자리만족도 개선효과 117 의 산술평균값 용 시 35) 기술 합도 개선효과 213 교육 합도 개선효과 252 교육기술복합지수 개선효과 126 의 산술평균값 용

참 고 문 헌

고용노동부 985172고용노동백서985173 2010김동헌김상호 「직업탐색과 자발 이직」 2001 경제학 공동학술 회 발표문 2010 김성훈 「사회연결망과 공식경로를 통한 첫 취업의 개인 결과와 사회 결과」 985172한국사회학985173 제39집 제1호

2005 김성훈 「 문직의 취업경로 사회연결망과 공식경로를 심으로」 985172한국사회학985173 제40집 제5호 2006 김성훈 「취업자의 사회연결망 활용에 한 향요인 연구」 985172노동경제논집985173 제26권 제3호 2003김용학 985172사회연결망 이론985173 박 사 2003류석춘 외 985172한국의 사회자본 역사와 실985173 백산출 사 2008 송호근김우식이재열 985172한국사회의 연결망 연구985173 서울 학교 출 부 2004안재희 985172구직과 제도 사회자본985173 한국학술정보(주) 2008우천식 편 985172한국경제사회와 사회 자본985173 한국개발연구원 2007이 면나인강 「직장만족도와 이직행 에 한 패 분석」 985172제5차 한국노동패 학술 회 논문집985173 2004이 면나인강 「비정규직의 이직 이직사유 근속기간에 한 연구」 985172제6차 한국노동패 학술 회 논

문집985173 2005이상호 「노동패 의 주 만족도 측정」 985172노동리뷰985173 통권 제17호 2006 pp77~86이병훈 「구직활동의 향요인에 한 탐색 연구」 985172노동경제논집985173 제25권 제1호 2002 pp1~21 통계청 985172경제활동인구조사985173 2010한국노동연구원 985172사업체패 조사985173 2007KDI 국제정책 학원 985172사회 자본 확충을 한 기본조사 정책연구985173 2007

Blau David and Philip Robins ldquoJob Search Outcomes for the Employed and Unemployedrdquo Journal of Political Economy 98(3) 1992 pp637~655

Bourdieu P ldquoThe Forms of Capitalrdquo in J G Richardson (ed) Handbook of Theory and Research for the Sociology of Education New York Greenwood 1986

Cochran William and Donald Rubin ldquoControlling Bias in Observational Studies A Reviewrdquo Sankhya 35 1973 pp417~446

Datcher Linda ldquoThe Impact of Informal Networks on Quit Behaviorrdquo Review of Economic Statistics 65(3) 1983 pp491~495

Dawid A ldquoConditional Independence in Statistical Theoryrdquo Journal of Royal Statistical Society B 41 1979 pp1~31

Dehejia R and S Wahba ldquoCausal Effects in Nonexperimental Studies Reevaluating the Evaluation of Training Programsrdquo Journal of the American Statistical Association 94 1999 pp1053~1062

Dehejia R and S Wahba ldquoPropensity Score-Matching Methods for Nonexperimental Causal Studiesrdquo The Review of Economics and Statistics 84 2002 pp151~161

Glaeser E D Laibson and B Sacerdote ldquoAn Economic Approach to Social Capitalrdquo The Economic Journal 112 2002

Gottschalk P and T Maloney ldquoInvoluntary Termination Unemployment and Job Matching A Test of Job Search Theoryrdquo Journal of Labor Economics 3 1985 pp109~123

Granovetter Mark S Getting A Job A Study of Contracts and Careers Chicago University of Chicago Press 1975

Heckman J H Ichimura J Smith and P Todd ldquoCharacterizing Selection Bias Using Experimental Datardquo Econometrica 66 1998 pp1017~1098

Heckman J H Ichimura and P Todd ldquoMatching as an Econometric Evaluation Estimator Evidence from Evaluating a Job Training Programrdquo Review of Economic Studies 64 1997 pp605~654

______ ldquoMatching as an Econometric Evaluation Estimatorrdquo Review of Economic Studies 65 1998 pp261~294Knack S and P Keefer ldquoDoes Capital Have and Economic Payoff A Cross Country Investigationrdquo Quarterly

Journal of Economics 62 1997 pp1251~1288 Lin Nan Social Capital A Theory of Social Structure and Action Cambridge Cambridge University Press 2001 Lin Nan Karen Cook and Ronald Burt (eds) Social Capital Theory and Research Aldine Transaction 2001 Marmaros David and Bruce Sacerdote ldquoPeer and Social Networks in Job Searchrdquo European Economic Review 46

2002 pp870~879Putnam Robert D Bowling Alone The Collapse and Revival of American Community New York Simon and

Schuster 2000Rosenbaum J S DeLuca S Miller and K Roy ldquoPathways into Work Short- and Long-Term Effects of Personal

and Institutional Tiesrdquo Sociology of Education 72(3) 1999 pp179~196Rosenbaum P and D Rubin ldquoThe Central Role of the Propensity Score on Observational Studies for Causal

Effectsrdquo Biometrika 70 1983 pp41~55Rubin D ldquoEstimating Causal Effects of Treatments in Randomized and Non-randomized Studiesrdquo Journal of

Educational Psychology 66 1974 pp688~701Simon Curtis and Warner John ldquoMatchmaker Matchmaker The Effect of Old-Boy Networks on Job Match

Quality Earnings and Tenurerdquo Journal of Labor Economics 10(3) 1992 pp306~330Todd Petra ldquoMatching Estimatorsrdquo unpublished manuscript 2006

성공한 구직방법

일자리 진입방식

합계공개

채용스카우트

소개나

추천

찾아가서기타

1 학교나 학원12 0 26 4 0 42

(395) (0) (301) (069) (0) (233)

2 교수나 교사2 0 8 0 0 10

(066) (0) (093) (0) (0) (055)

3 친구나 친지5 2 509 28 2 546

(164) (125) (5898) (48) (556) (303)

4 공공 안내소3 0 7 9 4 23

(099) (0) (081) (154) (1111) (128)

5 사설 안내소3 0 29 16 1 49

(099) (0) (336) (274) (278) (272)

6 매체 고53 1 21 209 13 297

(1743) (625) (243) (3585) (3611) (1648)

7 직 탐문2 0 13 85 0 100

(066) (0) (151) (1458) ((0) (555)

8 가족1 1 21 2 0 25

(033) (625) (243) (034) (0) (139)

9 인터넷205 3 22 179 9 418

(6743) (1875) (255) (307) (25) (232)

10 희망직장

지인

7 3 90 20 0 120(23) (1875) (1043) (343) (0) (666)

11 업무상

지인

6 4 102 18 0 130(197) (25) (1182) (309) (0) (721)

12 기타 5 2 15 13 7 42

(164) (125) (174) (223) (1944) (233)

합 계304 16 863 583 36 1802

(100) (100) (100) (100) (100) (100)

lt부표 1gt 경력직 취업자(1802명)의 일자리 진입방식별 구직방법의 분포

주 1 노동패 6차부터 10차까지의 신규 일자리 진입자 경력직 취업자를 상으로 함 2 ( ) 안은 각 일자리 진입방식에 한 성공한 구직방법의 백분율임

Block

번호

직장유지의

직무유지의

향성별 나이 나이

2 교육

혼인

여부

정규직

여부

첫(혹은

두 번째)

일자리

(로그)

격차 격차 격차 격차 격차 격차 격차 격차 격차 격차

1164 116 048 -102 -14913 -003 003 009 000 007

(455) (395) (011) (207) (19454) (044) (005) (004) (009) (013)

2-254 050 003 007 -1629 -022 -006 004 -002 001

(203) (191) (006) (123) 11232 (020) (004) (004) (006) (007)

3036 -076 002 -094 -7067 -001 000 -004 008 001

(131) (129) (004) (088) (7870) (012) (003) (003) (004) (004)

4-079 -117 -001 071 6428 000 -004 -002 001 -005

(128) (122) (004) (079) (6861) (010) (003) (003) (004) (003)

5026 144 -005 068 6211 -012 004 000 -006 -001

(142) (144) (004) (077) (6201) (010) (004) (003) (004) (004)

6061 152 -008 -043 -3655 006 002 002 -007 007

(151) (151) (004) (073) (5661) (010) (004) (004) (004) (004)

7010 -134 -002 043 2726 003 -002 001 003 001

(133) (131) (004) (058) (4296) (008) (004) (003) (003) (003)

8045 173 008 044 3233 007 000 -001 -001 -003

(146) (143) (004) (052) (3615) (007) (004) (003) (003) (003)

9128 -010 000 061 3033 -016 -003 006 -010 004

(259) (246) (006) (065) (3930) (012) (005) (006) 006 (006)

10500 114 013 -035 -1626 004 000 007 001 -003

(407) (394) (009) (081) (4454) (017) (007) (008) (009) (009)

lt부표 2-Agt Propensity Score 각 구간(Block)에 대한 Mean-Difference Statistical T-test 결과(I)

주 1 Untreated Group과 Treated Group의 각 항목에 한 Mean Difference를 테스트함 2 표시는 5 유의도 수 에서 테스트를 통과하지 못한 항목을 표시함3 ( ) 안은 표 오차임

lt부표 2-Bgt Propensity Score 각 구간(Block)에 대한 Mean-Difference Statistical T-test 결과(II)

Block

번호

(로그)2 종업원 규모 교육 합도 임 만족도근무

환경 만족도

일자리

만족도

서비스 매직

여부

농어업 종사

여부

정규직 times

교육

직장 times

직무유지의향

격차 격차 격차 격차 격차 격차 격차 격차 격차 격차

1052 054 202 656 -048 -101 002 001 003 25954

(147) (053) (379) (564) (480) (421) (005) (003) (047) (60638)

2-006 043 046 047 -303 -182 002 000 -004 -9827

(073) (027) (197) (247) (220) (188) (002) (001) (026) 25462

3006 011 -151 -030 255 013 -002 000 -011 -246

(041) (017) (158) (156) (142) (117) (002) (000) (018) (15776)

4-052 000 -075 -111 -046 -005 -004 000 -011 -10585

(034) (015) (155) (137) (133) (110) (002) (001) (016) (14203)

5-008 006 053 -047 -017 -036 003 000 -004 17636

(035) (017) (176) (152) (144) (123) (003) (001) (018) (16213)

6063 -005 273 049 211 040 -006 001 015 14659

(035) (017) (201) (150) (145) (124) (003) (001) (019) (16225)

7008 -018 -045 016 -031 005 005 000 010 -10640

(029) (014) (174) (127) (127) (108) (003) (001) (016) (13577)

8-022 -014 028 -028 -163 086 000 000 -001 6766

(028) (014) (189) (127) (131) (111) (003) (000) (017) (13784)

9037 -013 143 133 046 -070 001 -002 015 -1116

(047) (021) (371) (204) (227) (187) (006) (002) (029) (21779)

10-028 021 077 161 -247 -113 -013 002 019 13295

(074) (026) (612) (352) (366) (340) (009) (002) (038) (30459)

주 1 Untreated Group과 Treated Group의 각 항목에 한 Mean Difference를 테스트함 2 표시는 5 유의도 수 에서 테스트를 통과하지 못한 항목을 표시함3 ( ) 안은 표 오차임

Page 7: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal

다음으로 lsquo일자리(혹은 일)를 계속 유지하길 희망하는가rsquo에 한 응답으로 lsquo직장유지의향rsquo과

lsquo직무유지의향rsquo을 포함하 다 노동패 은 5단 로 lsquo 그 지 않다(1)rsquo부터 lsquo아주 그 다(5)rsquo까지를 표기하는데 본 분석에서는 이를 백단 로 환하여 lsquo 그 지 않다rsquo를 0 lsquo아주 그 다rsquo를 100 으로 표하 다11) lsquo업무만족도rsquo는 다음 네 가지 질의에 한 5단 응답을 역시 백단 로

환한 후 산술평균한 값이다 업무에 만족하나 업무에 열정 인가 업무를 즐겁게 하나 업무에

보람을 느끼나 그리고 다음 일곱 가지 역에 한 만족도 조사를 추가하 다 임 에 한 만족

도 취업의 안정성에 한 만족도 근로환경에 한 만족도 의사소통 인간 계에 한 만족도 개인의 발 가능성에 한 만족도 인사고과의 공정성에 한 만족도 복지후생에 한 만족도 본 분석에서는 이들 만족도에 한 5단 응답을 100 만 으로 환하여 사용하 는데 lsquo매우

만족rsquo을 100 으로 lsquo만족rsquo을 75 lsquo보통rsquo을 50 으로 lsquo불만족rsquo을 25 lsquo매우 불만족rsquo을 0 으로

처리하 다 lt표 2gt에서 보듯이 임 만족도와 복지후생만족도가 일반 으로 50 을 크게 하회하

는 반면 업무 직업안정성 인간 계에 한 만족도는 일반 으로 50 을 크게 상회하는 것을 확

인할 수 있다이 차수 일자리를 직종별 업종별로 구분하여 더미변수로 처리하 다 직종별로는 문 리직

(노동패 분류 0 lsquo의회의원 고 임직원 리자rsquo 1 lsquo 문가rsquo) 사무기술직( 분류 2 lsquo기술공

문가rsquo 3 lsquo사무 종사자rsquo 소분류 950 lsquo군인rsquo) 서비스 매직( 분류 4 lsquo서비스 종사자rsquo 5 lsquo 매

종사자rsquo) 농어민( 분류 6 lsquo농업 어업숙련 종사자rsquo) 생산기능직( 분류 7 lsquo기능원rsquo 8 lsquo장치

기계조작 종사자rsquo 9 lsquo단순노무자rsquo)로 구분하 다 업종별로는 농어업 종사( 분류 A lsquo농업 임

업rsquo B lsquo어업rsquo) 공업 종사( 분류 C lsquo 업rsquo D lsquo제조업rsquo) 건설업 종사( 분류 F) 도소매 숙박업

종사( 분류 G lsquo도매 소매업rsquo H lsquo숙박 음식 업rsquo) 서비스 련업 종사( 분류 E lsquo 기 가스 수도사업rsquo 외 각종 서비스 련 업종)으로 구분하 다

종업원 수를 1500명이라 표하 다 11) 5단 수 를 백단 수 로 환하기 하여 다음의 산술식을 활용한다 = 25(-1)

변수명 측 수 평균값표

편차최솟값 최댓값

개인

특성변수

성별(여성 1) 15705 037 048 0 1

나이 15705 4005 1081 18 69

교육수 15703 451 135 1 8

혼인 여부

(미혼 1)15705 027 045 0 1

일자리

특성변수

(이 차수

기 )

정규직 여부

(정규직 1)15659 076 043 0 1

첫(혹은 두 번째) 일자리

여부

15705 048 050 0 1

임 수

(단 만원 로그)15694 514 059 147 729

종업원 규모

(단 명 로그)12912 400 231 0 1097

만족도

련 변수

(이 차수

기 )

직장유지의향 15658 6516 1871 0 100

직무유지의향 15645 6409 1922 0 100

업무 만족도 15653 5936 1644 0 100

임 만족도 15656 4394 1927 0 100

취업 안정성 만족도 15645 5540 1938 0 100

근무환경 만족도 15653 5446 1848 0 100

인간 계 만족도 15631 5712 1629 0 100

자기발 만족도 15649 5088 1839 0 100

인사공정 만족도 15460 4975 1602 0 100

복지후생 만족도 15552 4569 1958 0 100

직종더미

(이 차수

기 )

문 리직 여부 15702 013 033 0 1

사무기술직 여부 15702 033 047 0 1

서비스 매직 여부 15702 013 034 0 1

농어민 여부 15702 001 008 0 1

생산기능직 여부 15702 041 049 0 1

업종더미

(이 차수

기 )

농어업 종사 여부 15703 001 008 0 1

공업 종사 여부 15703 026 044 0 1

건설업 종사 여부 15703 011 031 0 1

도소매 숙박업 종사 여부 15703 016 037 0 1

서비스 련업 종사 여부 15703 046 050 0 1

lt표 2gt 개인 및 일자리 특성변수별 기초통계량

2 이직 및 성과지표 관련 변수

최종샘 15705명 지난 조사시 이후 일자리를 이동한 임 근로자는 체의 약 10에 해

당하는 1560명이다 각 샘 에 한 이직 여부를 더미변수로 처리하 다 이직의 성과를 측정하

기 하여 다음의 일곱 가지 평가지표를 마련하 다 개인의 주 만족도와 련된 종합 지

표 세 가지(직장만족도 직무만족도 일자리만족도) 일자리 배치의 효율성과 련된 종합 지표

세 가지(기술 합도 교육 합도 교육기술복합지수) 그리고 임 수 이들에 한 기 통계량은

lt표 2gt에 요약되어 있다직장만족도는 다음 5가지 평가지표(5단 )의 평균값을 100 단 로 환산한 것이다 다닐 만한

직장인가 들어온 게 기쁜가 친구에게 추천하고 싶은가 다른 이에게 자랑할 수 있는가 계속 다

니고 싶은가(즉 앞서의 lsquo직장유지의향rsquo) 직무만족도는 앞서 제시한 lsquo업무만족도rsquo 련 네 가지 지

표와 lsquo직무유지의향rsquo을 합친 다섯 가지 평가지표를 산술평균하여 100 단 로 환산한 것이다 일자리만족도는 lsquo일자리에 해 반 으로 얼마나 만족하는가rsquo라는 질의에 한 5단 응답을 100

단 로 환산한 것이다 이들 세 가지 만족도와 련된 지표들의 연간 변화를 ( 차수 만족도

- 차수 만족도)로 측정하여 만족도 변화지표를 추가로 생성하 다 기술 합도는 lsquo 재 하는 일의 수 은 나의 기술(기능)과 비교하여 어느 정도인가rsquo라는 질의에

한 답변으로부터 구성하 다 응답자는 lsquo매우 낮다rsquo lsquo낮은 편이다rsquo lsquo맞다rsquo lsquo높은 편이다rsquo lsquo매우

높다rsquo 응답하도록 되어 있다12) 략 80 안 의 응답자가 다섯 응답 lsquo맞다rsquo에 답하 다 여기서 lsquo높은 편이다rsquo와 lsquo매우 높다rsquo에 한 응답은 체 응답자의 1 내외이다 하는 일의 수 이

매우 높거나 높은 편이다라는 것은 하는 일이 도 이며 자기 능력을 충분히 발휘할 기회가 많

다는 것을 의미하므로 합도가 낮다고만 평할 수는 없다 따라서 100 단 로 환산할 때 lsquo매우

낮다rsquo에 0 lsquo낮은 편이다rsquo에 50 lsquo맞다rsquo와 그 이상의 답변에 100 을 부여하 다13) 교육 합도

는 lsquo 재 하는 일의 수 은 나의 교육수 과 비교하여 어느 정도인가rsquo라는 질문에 한 답변으로

부터 구성하 으며 같은 방식으로 lsquo매우 낮다rsquo에 0 lsquo낮은 편이다rsquo에 50 lsquo맞다rsquo와 그 이상의

답변에 100 을 부여하 다 여기서 교육수 은 서류상에 기재되므로 서류상에 기재가 어려운 기

술수 과는 취업과정에서 다르게 취 된다 특히 인 네트워크는 교육수 보다 기술수 의 정보

달에 보다 유용한 채 로 작동할 가능성이 높다 따라서 이직의 종합 인 배치효율성 개선효과

를 측정하기 해서는 두 지표를 아우를 수 있는 독립 인 지표가 필요하다 도입된 lsquo교육기술복

합지수rsquo는 기술 합도와 교육 합도의 산술평균으로서 일자리 배치효율성에 한 종합 평가지

표로 작성되었다 이들 세 가지 배치효율성 련 지표들의 연간 변화를 ( 차수 배치효율성 -

차수 배치효율성)으로 측정하여 배치효율성의 변화분을 추가로 추출하 다 마지막으로 월평균임 (단 만원)의 치를 2008년 기 으로 환산하여 lsquo 차수 임 수 rsquo

과 lsquo 차수 임 수 rsquo을 구성하 다 앞서 lsquo임 수 (로그)rsquo 변수의 생성에 활용한 임 상승률을

그 로 차용하 다 lsquo임 수 변화rsquo는 ( 차수 임 수 - 이 차수 임 수 )으로 측정하 다 표에서 보는 바와 같이 차수 임 수 은 평균 202만 4700원으로 차수 임 수 은 평균

205만 8900원으로 집계되었고 평균 임 수 의 연간 상승분은 3만 4400원으로 나타났다

12) 응답자별 분포 lsquo매우 낮다(122)rsquo lsquo낮은 편이다(1727)rsquo lsquo맞다(8039)rsquo lsquo높은 편이다(106)rsquo lsquo매우 높다(006)rsquo 13) lsquo높은 편이다rsquo와 lsquo매우 높다rsquo가 차지하는 비 이 매우 낮아 이들을 합도가 lsquo낮은 편이다rsquo와 lsquo매우 낮다rsquo로 취 하여

도 분석 결과에는 의미있는 차이가 나타나지 않는다

변수명 측 수 평균값 표 편차 최솟값 최댓값

이직 여부(이직 1) 15705 0099 030 0 1

차수 직장만족도 15636 5659 1698 0 100

차수 직장만족도 15585 5679 1698 0 100

직장만족도 변화 15531 019 1636 -90 80

차수 직무만족도 15653 6052 1599 0 100

차수 직무만족도 15600 6056 1615 0 100

직무만족도 변화 15563 003 1641 -75 85

차수 일자리만족도 15596 5390 1618 0 100

차수 일자리만족도 15562 5454 1646 0 100

일자리만족도 변화 15468 065 1722 -100 75

차수 기술 합도 15613 9014 2138 0 100

차수 기술 합도 15590 9058 2146 0 100

기술 합도 변화 15509 044 2387 -100 100

차수 교육 합도 15656 8969 2169 0 100

차수 교육 합도 15620 9008 2186 0 100

교육 합도 변화 15582 040 2413 -100 100

차수 교육기술복합지수 15612 8991 2106 0 100

차수 교육기술복합지수 15590 9034 2119 0 100

교육기술복합지수 변화 15508 043 2318 -100 100

차수 임 수 (단 만원) 15697 20247 12055 0 146975

차수 임 수 (단 만원) 15658 20589 12406 625 146975

임 수 변화(단 만원) 15650 344 5619 -71931 56572

lt표 3gt 이직 및 성과지표별 기초통계량

IV 일자리 이동의 영향요인

본 에서는 일자리 이동에 향을 미치는 주요 요인들에 해 평가해 보도록 한다 이직확률

추정을 하여 로짓회귀분석(Logistic Regression)을 수행하 으며 여덟 가지 회귀분석모형에 해

그 결과를 lt표 4gt에 요약하 다 각 모형은 이 차수와 차수 사이의 이직 여부를 종속변수로

한다 모형 1은 개인 특성변수들과 일자리 특성변수들을 설명변수로 하 으며 모형 2는 여기에

교육 합도를 추가하 다 모형 3은 여기에 일과 일자리에 한 만족도를 측정하는 여덟 개 변수

를 추가하 다 모형 4에는 직종더미를 모형 5에는 업종더미를 모형 6에는 연차더미를 차례로 추

가하 다 모형 7은 모형 6에서 종업원 규모를 제하고 추정한 결과이다 종업원 규모에 응답하지

않은 샘 수가 체 최종샘 의 178에 달하므로 설명변수에서 종업원 규모를 뺀 모형 7은 샘

수를 극 화한 추정 결과를 제시한다 모형 8은 모형 6의 설명변수 교육 합도를 기술 합도로

체한 추정 결과이다 교육 합도와 기술 합도의 상 계수가 0913에 달하므로 하나의 모형에

두 변수를 모두 포함시키기보다 별도의 모형을 만들어 상호비교하는 방법을 택한 것이다 이들 모

형들의 하단에 lsquo평균치 이직확률rsquo을 표기하 다 lsquo평균치 이직확률rsquo은 추정에 활용된 변수들의 평

균치에서 계산한 이직확률을 나타낸다 즉 샘 내의 표 임 근로자(Representative Paid Worker)의 이직 가능성을 변하는 수치이다 주어진 모형들이 추정한 lsquo평균치 이직확률rsquo은 략

8 안 (76~902)이다 각 추정계수 우편에는 한계효과를 함께 표시하 는데 이는 설명변수가

한 단 상승할 때(더미변수의 경우 0에서 1로 바뀔 때) lsquo평균치 이직확률rsquo의 변동분을 나타낸다 lsquo평균치 이직확률rsquo과 한계효과 모두 100을 곱하여 백분율로 표기하 다

분석 결과에 따르면 네 가지 개인의 특성변수(나이 성별 교육수 혼인 여부) 에서는 나이

와 성별만이 통계 으로 유의한 향요인으로 확인되었다 여성의 경우 남성에 비해 이직확률이

략 11p 가량 낮은 것으로 나타났다 연령이 높을수록 이직확률이 낮아지는데 나이가 한 살

증가할수록 략 04p 가량 이직확률이 하락하 다 일자리 련 특성변수 에서 정규직 여부 첫(혹은 두 번째) 일자리 여부 임 수 종업원 규

모 모두 통계 으로 유의한 향요인으로 악되었다 정규직일 경우 비정규직에 비해 이직확률

이 2p 가량 하락하 다 생애 첫 번째(혹은 두 번째) 일자리인 경우 44p 가량 이직확률이 하락

하 다 그러나 이것이 노동시장 진입 기에 이직확률이 더 낮다는 식으로 해석될 수는 없다 그보다는 이 에 이직경험이 많은 이들은(즉 재 일자리가 생애 세 번째 혹은 그 이상인 이들은) 그들의 직업 특성으로 인하여 이 에 이직경험이 은 이들에 비해 향후 일 년간 다시 이직

할 확률이 44p 가량 높다라고 해석해야 할 것이다14) 임 수 이 높을수록 이직확률이 떨어지

는 것으로 나타났다 임 이 10 상승할 때 이직확률은 045p만큼 하락한다 종업원 규모 역시

이직확률과 부의 계를 가지는 것으로 나타났다 종업원 규모가 10 가량 큰 기업에서 근무하면 이직확률은 007p 가량 하락한다 이는 종업원 규모가 큰 기업일수록 내부 노동시장을 활용한

직무재배치가 용이하기 때문인 것으로 악된다교육 합도 혹은 기술 합도가 높을수록 이직확률이 하락하는 것으로 나타났다 교육 혹은 기

술 합도가 10 상승할 때 025p 가량 하락한다 재 하는 일이 나의 교육(혹은 기술) 수 보

다 낮다고 답한 경우( 합도 50 ) 수 이 맞다고 답한 경우( 합도 100 )보다 125p만큼 이직

확률이 증가하는 것을 의미한다 따라서 노동자의 기술 혹은 교육 수 에 합한 직무와 그에 합

당한 우가 이직확률을 떨어뜨리는 데 효과 임을 알 수 있다일자리만족도와 련한 여덟 가지 변수 에서 임 에 한 만족도 직장 내 인간 계에 한

만족도 인사고과의 공정성에 한 만족도는 이직에 유의미한 향을 미치지 못하는 것으로 나타

났다 특히 이 임 에 한 만족도가 이직 여부에 결정 역할을 하지 않는다는 은 흥미로운

결론이다 반면 취업 안정성에 한 만족도와 근로환경 복지후생에 한 만족도 그리고 업무

에 한 만족도는 이직확률과 통계 으로 유의한 부(-)의 계가 있음이 확인되었다 취업 안정성

에 한 만족도 근로환경의 만족도 그리고 업무만족도의 경우 100 만 에 10 향상 시 04p 가량 이직확률을 떨어트리는 것으로 나타났으며 이는 이들 만족도에 한 응답이 불만족(25 )에

14) 를 들어 주어진 최종샘 에서 직장경력이 많은 40세 이상인 이들만을 고려할 때 첫 번째(혹은 두 번째) 일자리

보유자 2711명의 연간 이직률은 262인 데 반해 두 번 이상 이직경험이 있는 이들 4410명의 연간 이직률은

859로 이직률이 597p 높은 것을 확인할 수 있다

서 보통(50 )으로 개선된 경우 1p만큼 이직확률이 감소하는 것을 의미한다 개인만족도 련

변수 이직확률에 가장 향력이 큰 변수는 복지후생 변수로서 이에 한 만족도는 10 향상

시 이직확률을 055p 가량 떨어트리는 것으로 나타났다 복지후생만족도에 한 응답이 불만족

(25 )에서 보통(50 )으로 개선된다면 략 138p만큼의 이직률 하락을 기 할 수 있는 것이다이상의 분석 결과는 국내 임 근로자의 이직 결정에 있어서 비임 측면에서의 만족도가

요한 역할을 한다고 주장한 김동헌김상호(2001)의 연구와 맥을 같이 한다15) 여러 해외 연구 결

과도 비임 요소의 요성을 강조한 바 있다 를 들어 Gottschalk and Maloney(1985)는

Michigan PSID(Panel Study of Income Dynamics)를 이용하여 이직 후 새로운 직장이 더 만족스럽

다고 응답한 사람들 가운데 그 41는 실질임 의 삭감을 감내한 것으로 밝힌 바 있다흥미로운 은 개인의 발 가능성에 한 만족도가 이직확률과는 정(+)의 계를 보인다는

이다 개인의 인 자본을 높일 수 있는 일을 하고 있을 때 이러한 자기발 을 활용하여 보다 우

가 좋은 직장으로 이동하는 경향이 있음을 확인한 것이다 자기발 에 한 만족도 10 상승이

045p만큼의 이직확률 증가와 연 된 것으로 확인되었다 를 들어 자기발 만족도에 한 응

답이 보통(50 )인 사원보다 만족(75 )인 사원의 이직확률이 113p 가량 높은 것이다직종에 따른 이직확률의 차이에서는 문 리직 종사자나 서비스 매직 종사자가 생산기능직

종사자에 비해 략 3p만큼 이직확률이 높다는 것을 확인하 다 반면 농어민의 경우 생산기능

직 종사자에 비해 6p만큼 이직확률이 낮았다 업종에 따른 이직확률의 차이에서는 업종 간의 큰

차이를 발견하기 어려웠다 다만 농어업 련 기업에 종사할 경우 공업 련 기업에 종사하는

경우보다 이직확률이 상당히( 략 15p만큼) 높아짐을 확인할 수 있었다 다만 노동패 은 군부

지역을 제외하고 도시지역만을 상으로 한 조사이기 때문에 농어민 혹은 농어업 련 산업의 종

사자에 한 자료는 매우 미흡한 수 이다16) 따라서 농어민이나 농어업 종사자에 한 이상의

결론은 신뢰도가 다소 떨어짐을 유념할 필요가 있다

15) 김동헌김상호(2001)는 노동패 의 1차 자료만을 활용하여 동일한 분석을 수행한 바 있으며 이들의 결론은 8가지

만족도 변수 취업 안정성 복지후생 인사공정에 한 만족도가 이직성향과 부(負)의 계를 가진다는 것이었다 이들의 연구에 비해 본 연구의 표본의 수가 보다 방 하고 다양한 배경 변수(업종더미 직종더미 회사규모)와 개인

특성변수(첫 일자리 여부 교육 합도 등)를 통제하고 있으므로 본 연구의 결과가 보다 신뢰할 만한 결과를 제시하

고 있다고 단된다 16) 최종샘 에서 농어민이 차지하는 비 은 1 미만이고 샘 수로는 101명에 그친다 농어업 련 기업의 종사자가

차지하는 비 역시 1 미만에 종사자 수 111명에 그친다

다항로짓회귀분석 모형 1 모형 2 모형 3 모형 4

종속변수 이직 여부 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과

성별(여성 1) -01627(00665) -1313 -01272

(00672) -1030 -00669(00701) -0536 -01378

(00753) -1081

나이 -00512(00041) -0420 -00513

(00041) -0421 -00510(00042) -0412 -00507

(00042) -0404

교육수 00263(0029) 0216 00135

(00294) 0111 00350(00306) 0283 00264

(00342) 0210

혼인 여부(미혼 1) 00531(00746) 0440 00601

(00748) 0498 00563(00757) 0459 00643

(00762) 0518

정규직 여부(정규직 1) -03042(00713) -2688 -02777

(00718) -2438 -02213(00743) -1887 -01853

(00751) -1544

첫(혹은 두 번째) 일자리 여부

-05513(00647) -4453 -05462

(00649) -4412 -05313(00656) -4227 -05429

(00659) -4258

임 수(단 만원 로그)

-05933(00709) -4868 -05360

(00727) -4398 -05253(00769) -4242 -05393

(00782) -4294

종업원 규모(단 명 로그)

-01019(00145) -0836 -01010

(00145) -0829 -00838(00149) -0677 -00691

(00149) -0550

차수 교육 합도 -00045(00012) -0037 -00031

(00014) -0025 -00030(00014) -0024

차수 기술 합도

업무만족도 -00031(00025) -0025 -00036

(00025) -0029

임 만족도 00025(00020) 0021 00029

(00020) 0023

취업 안정성 만족도 -00041(00021) -0033 -00044

(00021) -0035

근무환경만족도 -00049(00021) -0039 -00050

(00022) -0040

인간 계만족도 -00016(00024) -0013 -00015

(00024) -0012

자기발 만족도 00055(00023) 0045 00050

(00023) 0040

인사공정만족도 00006(00027) 0005 00011

(00027) 0009

복지후생만족도 -00069(00021) -0055 -00070

(00021) -0055

(기 생산기능직)

문 리직 여부 03710(01169) 3328

사무기술직 여부 -01145(00887) -0898

서비스 매직 여부 04280(00885) 3890

농어민 여부 -03201(04768) -2238

(기 공업 종사)농어업 종사 여부건설업 종사 여부도소매 숙박업 종사

여부서비스 련업 종사

여부연차 더미 No No No No

평균치 이직확률times100(각 변수의 평균치

기 )902 902 886 872

관측 수 12869   12829   12655   12652  

결정계수( ) 0070   0072   0076   0082  

lt표 4Agt 일자리 이동 영향요인 분석(I)

주 1 는 유의수 10 는 유의수 5 는 유의수 1를 의미함2 한계효과는 추정된 한계효과(marginal effects)를 백분율로 표시함3 더미변수의 한계효과는 변수값이 0에서 1로 변할 때 이직확률의 변화분을 나타냄(변수명의 표시가 더미변수)

다항로짓회귀분석 모형 5 모형 6 모형 7 모형 8

종속변수 이직 여부 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과

성별(여성 1) -01528(00759) -1194 -01482

(00760) -1154 -01872(00713) -1289 -01477

(00761) -1151

나이 -00505(00042) -0401 -00505

(00042) -0400 -00521(00040) -0366 -00504

(00042) -0399

교육수 00309(00345) 0245 00327

(00347) 0258 00113(00324) 0080 00346

(00345) 0274

혼인 여부(미혼 1) 00659(00764) 0529 00635

(00766) 0507 01045(00721) 0749 00684

(00767) 0548

정규직 여부(정규직 1) -02033(00770) -1696 -02075

(00776) -1727 -01213(00735) -0875 -02093

(00777) -1744

첫(혹은 두 번째) 일자리 여부

-05421(00660) -4240 -05445

(00661) -4241 -06294(00623) -4407 -05495

(00662) -4284

임 수(단 만원 로그)

-05309(00788) -4215 -05277

(00790) -4172 -06554(00702) -4602 -05288

(00791) -4186

종업원 규모(단 명 로그)

-00695(00151) -0552 -00690

(00152) -0546 -00685(00152) -0542

차수 교육 합도 -00028(00014) -0022 -00029

(00014) -0023 -00027(00013) -0019

차수 기술 합도 -00030(00014) -0024

업무만족도 -00038(00025) -0030 -00043

(00025) -0034 -00054(00023) -0038 -00045

(00025) -0036

임 만족도 00029(00020) 0023 00026

(00020) 0020 00027(00019) 0019 00026

(00020) 0020

취업 안정성 만족도 -00048(00021) -0038 -00045

(00021) -0035 -00051(00020) -0036 -00044

(00021) -0035

근무환경만족도 -00052(00022) -0041 -00054

(00022) -0042 -00053(00020) -0037 -00053

(00022) -0042

인간 계만족도 -00014(00024) -0011 -00015

(00024) -0012 -00014(00023) -0010 -00013

(00024) -0011

자기발 만족도 00054(00023) 0043 00057

(00023) 0045 00061(00022) 0043 00057

(00023) 0045

인사공정만족도 00010(00027) 0008 00011

(00027) 0009 -00006(00025) -0004 00014

(00027) 0011

복지후생만족도 -00069(00021) -0055 -00069

(00021) -0054 -00060(00020) -0042 -00068

(00021) -0053

(기 생산기능직)

문 리직 여부 03574(01203) 3183 03594

(01204) 3190 03478(01160) 2728 03514

(01204) 3114

사무기술직 여부 -01409(00916) -1098 -01365

(00917) -1060 -01322(00878) -0911 -01374

(00917) -1068

서비스 매직 여부 03146(01080) 2752 03136

(01081) 2732 02369(01012) 1793 03037

(01084) 2640

농어민 여부 -13598(06827) -6349 -13198

(06821) -6224 -12188(06557) -5262 -13254

(06828) -6246

(기 공업 종사)

농어업 종사 여부 12277(05423) 15765 12064

(05429) 15324 08109(05129) 7981 12026

(05431) 15270

건설업 종사 여부 -01858(01239) -1386 -01819

(01240) -1353 -01896(01146) -1251 -01797

(01240) -1339

도소매 숙박업 종사 여부

01413(01027) 1165 01417

(01028) 1163 02878(00976) 2200 01393

(01029) 1144

서비스 련업 종사 여부

00006(00808) 0005 00016

(00808) 0013 -00420(00778) -0295 -00024

(00809) -0019

연차 더미 No Yes Yes Yes평균치 이직확률times100

(각 변수의 평균치 기 ) 869 865 760 867

관측 수 12651   12651   15344   12614  

결정계수( ) 0083   0085   0091   0084  

lt표 4Bgt 일자리 이동 영향요인 분석(II)

주 1 는 유의수 10 는 유의수 5 는 유의수 1를 의미함 2 한계효과는 추정된 한계효과(marginal effects)를 백분율로 표시함 3 더미변수의 한계효과는 변수값이 0에서 1로 변할 때 이직확률의 변화분을 나타냄(변수명의 표시가 더미변수)

Group

Treated (=1) 측 가능 Counterfactual

Untreated (=0) Counterfactual 측 가능

V 분석 방법(Propensity Score Matching)

본 에서는 일자리 이동의 효과성 분석에 사용할 방법론으로서 Heckman Ichimura and Todd(1997)이 제안한 Propensity Score Difference- in-Differences(DID) Matching(PSM)에 해 설명

하고자 한다 이에 앞서 우선 이 방법론의 근간이 되는 Averge Treatment Effect for the Treated(ATT)(Rubin[1974])와 Propensity Score Matching(PSM)(Rosenbaum and Rubin[1983]) 일반에

해 소개하기로 한다

1 Average Treatment Effect for the Treated

결과에 향을 미치는 Treatment Variable로서 더미변수 를 가정하자 Treatment의 부여 여부

에 따라서 Treated Group(혹은 실험군)과 Untreated Group(혹은 조군)으로 구분할 수 있다 =1 (Treated Group)과 =0 (Untreated Group) 이때 잠재 결과치(Pontential Outcomes) 가 Treatement 여부에 따라 각기 ( )일 때 Average Treatment Effect(ATE)는 다음과 같다 그러나 이러한 통 인 계산방식은 Treatment가 무작

(Randomization)라는 가정하에서만 편 되지 않은 측치(Unbiased Estimates)를 제공할 수 있다 순수한 무작 실험이 아니라면 분석의 상이 데이터에서 Treatment 여부가 무작 인 경우는 드

물다 즉 특정한 요인들이 Treatment 참여 여부에 직간 인 향을 미치는 것이다 를 들어 특정약물의 효과를 알고 싶다고 하자 약물이 투여된 사람과 그 지 않은 사람의 건강상태를 악

하면 된다고 생각할 수 있다 그러나 약물이 투여되지 않은 사람은 개 건강한 사람들이기 때문

에 이들의 건강상태를 약물이 투여된 사람과 직 비교한다면 약물을 투여한 사람이 여 히 건강

상태가 나쁜 것으로만 나올 것이고 약물투여의 효과가 없다라고 결론짓게 될 것이다 비교 상은

건강한 사람이 아니라 약물이 투여된 집단만큼의 건강이 양호하지 않은 집단이어야 한다 이 게

건강하지 않는 사람과 비교할 때 약물 투여의 순수한 효과를 검증할 수 있다 이러한 무작 의 여

부로부터 발생하는 문제를 선택편의(Selection Bias)라고 한다데이터로부터 우리가 측할 수 있는 결과치는 Treated된 경우의 과 Untreated된 경우의

이다 선택편의의 문제가 발생할 때 Treatment의 효과를 제 로 알고자 한다면 우리가 비교해야

하는 상은 Treated 된 경우의 Treatment가 용되지 않았을 때의 결과 즉 ( |=1)이다 이러한

가상의 결과를 Counterfactual이라고 한다 (역시 Untreated된 경우의 Treatment가 용되었을 때 결

과 즉( |=0) 역시 Counterfactual이다) 다음의 표가 이를 간략히 정리하고 있다

선택편의(Selection Bias)의 문제하에서 Treatment의 효과를 측정하기 하여 체 집단에 한

Treatment Effect가 아닌 Treated Group에 한 Treatment Effect에 한정하여야 한다 이 게 한정된

집단 즉 Treated Group에 한 효과성 측정을 Average Treatment Effect for the Treated(ATT)라고 한

(1)

여기서 는 Counterfactual에 한 기 치이므로 자료로부터의 직 인 추정은 불

가능하다 Treatment Selection이 측 가능한 변수들의 특정한 집합 Z에 의존한다고 가정해 보자 Dawid(1979)의 표 법에 따르면 다음과 같은 계가 성립한다 ∐ 즉 Z를 통제하 을

때 Untreated Group의 값의 분포와 Treated Group이 만약 Treatment를 받지 아니하 을 때의

값의 분포(즉 Counterfactual의 분포)는 서로 동일하다는 것이다 이는 기 치에 한 다음과 같은

계를 내포한다

(2)

즉 counterfactual인 을 측치인 이 체할 수 있는 것이다 식

(2)의 계를 조건부 독립가정(Conditional Independence Assumption CIA)이라고 한다 Rubin(1974)은 조건부 독립가정(CIA)의 조건이 충족할 경우 ATT를 다음과 같이 측정할 수 있다고 제안한 바

있다

(3)

즉 직 으로 설명한다면 =1인 집단에 속한 특성 Z인 개체에 하여 동일 특성을 지닌 개

체를 =0인 그룹에서 찾아 그 둘의 Y값을 비교하면 되는 것이다 =1 집단 내의 모든 개체에

하여 동일한 계산을 한 뒤 이를 합산하면 ATT를 구하게 된다 그러나 이 방법 역시 일정 정도의 한계를 지닌다 만약 Z가 이산변수(Discrete Variable)가 아닌

연속변수(Continuous Variable)라면 =0 집단에서 동일한 Z를 가진 개체를 찾을 수 없으므로 이상

의 측정법을 용할 수 없다 한 특정 변수들이 집합인 Z에 포함된 변수들이 많은 경우 동일한

특성의 개체를 =0 집단으로부터 찾는 것이 어려울 수 있다 이러한 한계를 극복하고자 도입된 것

이 Propensity Score Matching 방식이다

2 Propensity Score Matching Estimator

Propensity Score(PS)를 Z 특성을 지닌 개체가 Treated될 확률로 정의하고 로 표시하도록

하자

Propensity Score equiv (4)

Rosenbaum and Rubin(1983)은 0ltP(Z)lt1이 모든 Z에 해 만족할 경우 다음의 계가 성립한다

는 것을 증명하 다

∐ rArr ∐ (5)

이 계식은 을 내포하므로 변수집합의 Z의 차원수

∐ rArr

(Dimensionability)가 클 경우에도 다음과 같이 다일변수 P(Z)를 활용하여 ATT를 구할 수 있다

(6)

샘 수의 유한성으로 인해 실제로 식의 두 번째 항을 추정하는 것은 간단치 않은 작업이

다 한 ATT의 추정은 Common Support 역 즉 Treated Group의 P(Z)의 분포와 Untreated Group의 P(Z)의 분포가 겹치는 Z의 역에 한정하여야 한다 Common Support를 벗어나는 역에 해

서는 비교가능한 Counterfactual를 찾기 힘들기 때문이다 이를 반 하여 주어진 샘 내에서 ATT를 추정할 수 있는 다양한 Propensity Score Matching(PSM) Estimator가 제안되었는데 이는 다음과

같이 요약될 수 있다(Todd[2006])

isincap

isin

(7)

여기서 는 Treated Group 구성원을 는 Untreated Group의 구성원을 나타낸다 는 Common Support 역 내의 개체들의 집합을 나타낸다 은 Treated Group의 구성원 Common Support 역에 속하는 개체들의 총수이다 는 가 치를 나타내는 것으로 두 Propensity Score의 거리

인 을 이용하여 결정된다 가 치 용방식에 따라 다양한 측정방식이 제시될 수

있다 이에 해서는 추후에 추가 으로 논의하도록 한다

3 Difference-in-Differences Matching Estimator

여기서 한 단계 발 된 방식의 PSM이 Heckman Ichimura and Todd (1997)에 의해 제시된

Difference-in-Differences(DID) Matching Estimator이다 앞서 ATT의 추정에서 측 가능한 특정 변수

들의 집합 Z가 주어졌을 때 결과치 가 Treatment에 독립 (즉 ∐ 이 성립)이라고 가정한

바 있다 그러나 Z에 포함되어야 할 많은 변수 측이 되지 않는 경우가 있을 수 있다 이러한

경우 계가 더 이상 성립하지 않아 앞서의 ATT 추정법은 정

당성을 상실한다 하지만 Longitudal Data가 주어진 경우 즉 Treatment 이 과 이후의 결과치( )가

주어진 경우 분석 상을 신에 lsquo의 변화분rsquo으로 변경함으로써 이러한 문제를 상당 부분 해

소할 수 있다 Treatment 이 과 이후 두 개의 시간 를 와 prime이라 한다면 분석 상을 이

아닌 prime prime 으로 둘 수 있는 것이다 이때 ATT를 추정하기 해서는

prime ∐ 의 가정이면 충분하게 된다 이는 앞서보다 훨씬 완화된 가정이므로 충족하기

가 보다 용이해진다 특히 측되지 않는 시간 불변(time-invariant)의 일부 변수가 Treatment Selection에 연 된 경우에도 이 변수가 와 prime에는 직 인 향을 미치더라도 prime 에 미치는 향이 없다면(즉 독립 이라면) 문제가 되지 않는 것이다17) 따라서 Longitudal Data가

17) 이 외에도 주어진 수치들이 데이터가 수집된 지역에 따라 Level이 다를 경우 Difference 변수를 활용함으로써 이러

한 Level 차이에서 기인한 편의(bias)를 해소할 수 있다

주어진 경우에 DID Matching Estimator는 매우 효과 인 도구로 활용될 수 있다 이때 DID Matching Estimator는 다음과 같은 방식으로 요약될 수 있을 것이다

isincap

prime prime prime

isin prime

(8)

본 연구에서는 앞서 소개한 DID Matching Estimator를 이용함으로써 시간불변(time-invariant)의

측되지 아니하는 변수들을 사 에 통제하고 보다 신뢰할 만한 분석 결과를 제시하고자 한다

4 Treatment Effect 측정방식

의 가 치를 결정하는 를 어떻게 설정하느냐에 따라 다양한 PSM Estimator가 존재한다 본 연구의 분석에서는 가장 활발히 이용되는 측정방식들로서 Nearest Neighbor Matching Radius Matching Kernel Matching 이 세 가지를 활용하기로 한다18)

가 Nearest Neighbor Matching

이 방식은 조군인 Untreated Group에 속한 개체 에서 Propensity Score가 실험군(Treated Group) 개체의 Score와 가장 근 한 개체를 선택하는 방식이다 즉 를 최소화시키

는 에 해서는 이고 나머지 에 해서는 이 성립한다 [그림 2]가 이

를 잘 형상화하고 있다 이때 Score가 근 한 개체를 하나가 아닌 복수로 선정함으로써 하나를

선정할 때보다 더욱 안정된 추정치를 얻을 수 있다 다만 매칭되는 개체 수가 무 많을 경우

가 크게 되어 편의(bias)가 증가할 수 있으므로 신 할 필요가 있다 개의 근

한 개체를 선택하는 경우 이들 개체 에 해서는 이 성립하고 나머지 에

해서는 이 성립한다 Nearest Neighbor Matching의 경우 가장 근 한 개체를 선택하 으나 가 무

커서 Counterfactual로서 부 합한 매칭이 이루어질 가능성이 있다 이를 보완하기 하여 Cochran and Rubin(1973)은 한 Caliper를 선정하여 매칭에 있어서 를 일정 한도로 제

한할 것을 제안한 바 있다 본 분석에서는 을 5개로 선정함으로써 편의(bias)를 이면서도 안정

된 추정치를 얻고자 하 으며 Caliper는 히 작은 0005로 설정하여 부 합한 매칭을 최소화하

고자 하 다19)

18) 이 외에도 주로 활용되는 측정방식으로 Stratification Matching Mahalanobis Matching 등이 있으나 이들을 활용한 결

과가 본 연구의 분석 결과와 크게 다르지 않다 Dehejia and Wahba(2002)는 Treated Group과 Untreated Group 간의

Propensity Score 분포가 상당 부분 서로 겹친다면 측정방식에 따른 분석 결과의 차이가 크지 않다는 을 강조한

바 있다 이는 실험군 한 개체에 해 매칭 가능한 충분한 수의 조군 개체들이 존재하기 때문이다 즉 측정방식의

차이에 따라 매칭이 되는 조군들의 특성이 크게 달라지지 않는 것이다 본 연구에서 추정한 Propensity Score 분포

는 Treated Group Untreated Group 두 집단 사이에 겹치는 부분이 매우 크다 이는 [그림 4]를 통해 쉽게 확인된다 19) 여기서 Caliper 설정은 실험군 개체와 매칭되는 조군 개체 사이의 PS 거리 즉 를 한 수 으로

제한하고자 함이다 부분의 실험군 개체의 경우 Caliper가 설정한 Boundary에 크게 제한을 받지 않으므로 히

작은 Caliper의 설정이면 편의(Bias)를 개선하기에 충분하다 본 분석에서 설정한 0005 이외에 0002이나 001을 사용

하여 보았으나 역시 결과의 차이가 크지 않음을 확인하 다

[그림 2] Nearest Neighbor Matching(n=1인 경우)

나 Radius Matching

이 방식은 일정 반경을 Caliper로 설정하고 Untreated Group에서 가 Caliper 이내인 모든 개체 를 Treated Group의 개체 에 매칭하는 방법이다(그림 3 참조) 개체 에 하여

Untreated Group으로부터 매칭된 개체의 수가 라면 이들에 해서는 이 성립하고 매칭이 안된 나머지 개체들에 해서는 이 성립한다 이 추정방식은 앞서 Nearest Neighbor Matching에 비해 Propensity Score가 근 한 조군 내의 보다 많은 개체를 분석에 활용할

수 있다는 장 이 있다 보다 많은 조군 내 개체를 활용할수록 Treatment Effects 측정의 정확성

(Precision)은 상승하게 된다 매칭이 가능한 조군 개체의 수가 충분히 많다면 Caliper는 작을수록 좋다 Caliper가 클수록

부 합한 매칭에 따른 Treatment Effects의 편 (Bias)이 커질 수 있기 때문이다 본 분석에서는 샘

의 수가 충분히 크기 때문에 Caliper를 0002로 설정하여 매우 근 한 개체들에 해서만 매칭이

이루어지도록 설정하 다20)

20) 다음 에서는 주어진 샘 을 활용하여 Propensity Score를 추정하고 있다 이 결과에 따르면 PS (01 0102)인 구간

에서 조군 개체 수가 116개 (02 0202) 구간에서 조군 개체 수가 32개 (03 0302) 구간에서 조군 개체 수가

12개에 이르는 것을 확인할 수 있다(표 6과 그림 4를 참조 바람) 즉 0002의 Caliper를 사용할 때 한 개의 실험군

개체에 해 10개 내지 100개 이상의 조군 개체들이 매칭되는 경우가 흔히 존재하는 것이다 반면 Caliper를 이보

다 작게 설정한다면 (특히 PS가 큰 구간에서는) 실험군 개체들과 매칭되는 조군 개체가 존재하지 않을 수 있다 를 들어 PS (04 0402)인 구간에서 조군 개체 수는 단 1개 존재하나 PS (0401 0402)인 구간에서는 무하다

따라서 본 연구에서는 최소의 Caliper이면서도 매칭되는 조군 개체의 수가 충분할 수 으로서 Caliper 0002를 선

정하 다 반면 민감성 테스트(Sensitivity Check)에 따르면 Caliper 0001이나 0003에서도 연구 결과의 차이가 크지

않음을 확인하 다

[그림 3] Radius Matching

다 Kernel Matching

이 방식은 Treated Group 내의 각 개체에 한 매칭을 Untreated Group 내의 모든 개체를 상

으로 진행하는 방식으로 에 따라 가 치를 부여한다 가 작을수

록 가 치가 커진다 이때 사용되는 가 치는 다음과 같이 표시될 수 있다

isin

(9)

여기서 G는 선택된 Kernel function을 은 Bandwidth Parameter를 표시한다 이 방식은

Heckman Ichimura and Todd(1998)에 의해 도입되었는데 주어진 모든 개체를 추정에 활용하므로

정보의 손실을 최소화할 수 있다는 장 이 있다 한 앞서의 두 추정방식과는 달리 인 인

Caliper의 설정이 불필요하다는 장 도 있다 Kernel의 선택에는 Gaussian Function(Normal Distribution) Biweight Function Epanechnikov Function 등 다양한 방식이 가능하나 본 분석에는

Normal Distribution을 채택하 다 Bandwidth Parameter로는 001을 선택하여 가 근

한 이들에게 충분한 가 치가 주어지도록 하 다21)

VI Propensity Score의 추정

주어진 자료에서 Treatment는 이직에 해당한다 이직에 한 Propensity Score(PS)를 추정하기

해서는 이직에 향을 미치는 주요 변수의 집합 을 사용하여야 한다 이들 변수는 다음 조건

을 만족하여야 한다 prime ∐ 즉 이직에 향을 미치는 주요 변수들을 통제한 후에

는 이직을 하지 않은 이들의 결과치 에 한 변화분 prime 의 분포가 이직을 한

이들이 만약 이직을 하지 않았을 때 상되는 결과치 에 한 변화분 prime 의 분

21) Bandwidth Parameter가 0005 002인 경우도 확인해 보았으나 결과에는 큰 차이가 발견되지 않았다

추정함수 Logistic Regression(이직 = 1 비이직 = 0)Z 추정계수 표 오차

직장유지의향 -0002 0004 직무유지의향 -0015 0004 성별(여성 1) -0104 0071

나이 -0138 0023 나이2 0001 0000

교육수 0169 0050 혼인 여부(미혼 1) -0056 0082

정규직 여부(정규직 1) 0342 0248 첫(혹은 두 번째) 일자리 여부 -0599 0068

임 수 (단 만원 로그) 0076 0601 임 수 (단 만원 로그)2 -0052 0063 종업원 규모(단 명 로그) -0084 0015

차수 교육 합도 0000 0001 임 만족도 0003 0002

근무환경만족도 -0004 0002 일자리만족도 -0003 0003

서비스 매직 여부 0459 0077 농어업 종사 여부 0324 0378

정규직 여부 times 교육수 -0131 0056 직장유지의향 times 직무유지의향 0000 0000

상수항 3558 1584 측 수 12754

결정계수( ) 00873

Log Likelihood -401098

포와 동일해야 하는 것이다 따라서 Propensity Score의 추정에 활용할 변수들은 앞서 일자리 이동

의 향요인에 한 분석을 통해 선별할 수 있다 특히 주어진 노동패 의 자료에서는 ldquo 재의

직장을 계속 다니고 싶은가(직장유지의향)rdquo와 ldquo 재 맡고 있는 일을 계속하고 싶은가(직무유지의

향)rdquo라는 이직의사와 련된 매우 긴요한 변수들이 포함되어 있는데 이들을 주요 변수의 집합

에 포함시킴으로써 이상의 조건이 보다 용이하게 충족될 수 있음을 기 할 수 있다 Propensity Score의 추정에는 Logistic Regression을 활용하 다 추정에 활용된 주요 변수들의 집합 과 각

변수에 한 추정계수는 lt표 5gt에 요약되어 있다

lt표 5gt Propensity Score의 추정방정식

주 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

앞서 일자리 이동 향요인에 한 분석에서 일자리 이동의 요한 결정변수로 악된 변수

들이 부분 PS 추정방정식에 포함되었다 만족도와 련한 변수 업무만족도 취업 안정성 만

족도 자기발 만족도 복지후생만족도 이상 네 변수는 일자리 향요인으로 통계 으로 유의하

게 악되었으나 PS 방정식에 추가된 일자리만족도 직장유지의향 직무유지의향 등과의 통계

상 계가 매우 높아 PS 추정방정식에 따로 포함시키지 않았다22) 한 추정방정식에는 일부

Interaction Terms들과 Higher Order Terms들을 추가하여 앞서 설명한 변수집합(Z)의 기본요건을 맞

추고자 하 다 추가 변수들은 Balancing Property를 충족하기 하여 선정되었는데 이에 해서는

아래에서 추가 부연한다Rosenbaum and Rubin(1983)에 따르면 PS는 다음 조건을 만족한다

∐ rArr

즉 PS를 통제한 뒤에는 변수집합 Z와 Treatment 여부 D가 상호 독립 이라는 것이다 이는 PS가 동일한 개체들에 해 Z의 평균값을 구한다면 Treatment를 받은 집단과 그 지 않은 집단 사이

에 차이가 없어야 한다는 을 내포한다 이를 Balancing Property라 한다 이를 검증하기 한 방

법으로 P(Z)를 여러 구간(Blocks)으로 나 뒤 각 구간에 한 Mean Difference Statistical T-test를

시행할 수 있다 일부 구간에 해 T-test가 만족하지 않는 경우에는 구간을 더욱 세분하여 진행하

고 여 히 만족이 되지 않는 경우에는 문제가 되는 일부 변수들의 Interaction Terms들과 Higher Order Terms들을 PS 추정방정식에 추가하여 앞서의 과정을 되풀이한다(Dehejia and Wahba[1999]) 앞서 언 된 Interaction Terms과 Higher Order Terms들은 이상의 과정을 거쳐 추가된 항들이다

Balancing Property 검증을 하여 다양한 PS 추정방정식을 설정하여 반복 인 Test를 수행하

다 최종 으로 lt표 5gt의 추정방정식에서 도출한 PS를 기 으로 lt표 6gt과 같이 10개의 Block을

구분한 뒤 Mean- Difference Statistical T-test를 진행하 다 Block 설정은 PS의 Common Support 역인 [00149 06]에 하여 이루어졌다 각 Block들에 한 T-test의 결과는 lt부표 2gt에 수록되어

있다 추정방정식에 도입된 독립변수 항이 총 20개이고 Block의 수는 10개이므로 총 200개의

Mean-Difference T-test가 시행되었다 lt부표 2gt에서 확인할 수 있듯이 5 Significance Level에서

부분의 Block들이 T-test를 통과하 다 통과에 실패한 테스트는 단 두 개로 Block 1의 lsquo정규직

여부rsquo에 한 테스트와 Block 8의 lsquo성별rsquo에 한 테스트이다 따라서 Block Test의 통과율이 99에

이르러 앞서의 PS 추정방정식이 Balancing Property를 체로 만족하고 있다고 결론내릴 수 있다 이상의 과정을 거쳐 확정된 PS 추정방정식을 이용하여 각 개체별로 PS를 구할 수 있다 [그림

4]는 이 게 구해진 PS에 하여 각 집단별 분포도를 제시하고 있다 Treated Group의 경우 PS의

분포가 Untreated Group에 비해 상 으로 우측으로 치우쳐 있음을 쉽게 확인할 수 있다 그리고

PS 분포에서 Common Support 역이 [00149 06]에 이른다는 것을 확인할 수 있다 이는 PS가

06보다 큰 경우에는 Treatment에 참여한 실험군 개체에 해 그에 상응하는 Counterfactual을 조

군으로부터 찾을 수 없음을 의미한다 따라서 PS를 활용한 Treatment의 효과 측정은 이 Common Support 역에 들어오는 실험군 개체들에 한정하여 이루어질 수밖에 없다

22) 를 들어 일자리만족도와 이들 네 변수와의 상 계수(Correlation Coefficient)는 각각 업무만족도(06536) 취업 안정

성 만족도(06014) 자기발 만족도(06279) 복지후생만족도(05514)에 이른다 이들을 포함시키더라도 반 인 결과

에는 큰 차이가 없다

(10)

02

46

8

0 2 4 6 8 0 2 4 6 8

Untreated Group Treated Group

DensityRough Density Curve

Den

sity

Propensity Score Distribu tion for Each Group

lt표 6gt Balancing Property 검증을 위한 Block 구분

Block 번호 Propensity Score 범 D=0 D=1 합계

1 00149 ~ 0025 655 10 665

2 0025 ~ 005 2128 59 2187

3 005 ~ 0075 2146 152 2298

4 0075 ~ 001 1744 200 1944

5 01 ~ 0125 1300 171 1471

6 0125 ~ 015 949 162 1111

7 015 ~ 02 1138 238 1376

8 02 ~ 03 845 242 1087

9 03 ~ 04 230 95 325

10 04 ~ 06 57 56 113

합계 11192 1385 12577

[그림 4] 각 집단별 Propensity Score 분포도

주 Common Support 역인 [00149 06]에 포함된 개체 수는 Untreated Group의 경우 11192명 Treated Group의 경우에

는 1385명임

VII 분석 결과

이제 구해진 PS를 활용하여 이직의 효과와 이직에 있어서 인 네트워크 활용의 효과성을 분

석할 비를 마련하 다 본 분석에서는 앞서 제3 에서 소개한 7가지의 성과지표에 하여 분석

을 진행할 것이다 우선 PS가 추정된 12754개체에 하여 PS를 고려하지 않은 단순비교를 진행해

성과지표의

연간 변화비교 상

이직자

평균

비이직자 평균

격차

(표 오차)

직장만족도 변화이직자 수 1379 3724 -0334 4058

비이직자 수 11274 (0466)

직무만족도 변화이직자 수 1386 2962 -0428 3389

비이직자 수 11285 (0466)

일자리만족도 변화이직자 수 1384 2944 0282 2662

비이직자 수 11261 (0489)

기술 합도 변화이직자 수 1383 2350 -0058 2408

비이직자 수 11245 (0684)

교육 합도 변화이직자 수 1389 2556 -0142 2697

비이직자 수 11300 (0689)

교육기술복합지수

변화

이직자 수 1383 2422 -0091 2513

비이직자 수 11245 (0664)

임 수 변화이직자 수 1384 9088 2782 6307

비이직자 수 11340 (1614)

보자 lt표 7gt은 이직자 집단과 비이직자 집단의 성과지표 변화를 단순비교한 것이다 표에서 확인

할 수 있듯이 이직자의 경우 모든 지표들에 하여 성과지표의 뚜렷한 증가가 목격되었다 비이

직자의 경우에는 임 수 이 2782만원 증가한 것을 제외하고 에 띄는 성과지표의 개선이 나타

나지 않았다23) 성과지표 개선에서 집단 간의 차이가 존재하는지를 검증하기 하여

Mean-Difference Statistical T-test를 진행하고 그 결과를 표에 수록하 다 모든 지표에 하여 이직

자 집단이 비이직자 집단에 비해 높은 증가세를 보인 것이 통계 으로 유의하게 확인된다 를 들

어 이직자 집단의 월평균 임 수 은 9088만원 상승한 것으로 나타나 비이직자 집단에 비해

6307만원만큼 큰 폭의 임 향상을 보 다 하지만 우리는 이상의 결과를 이직의 효과라고 단정

지을 수 없다 왜냐하면 이직의 효과는 이직자 집단에 속한 개체들의 성과 변화와 이들의

Counterfactual 즉 이들이 이직을 하지 않고 직장을 유지하 을 때의 성과 변화를 직 비교해

야 제 로 악되기 때문이다 이후 제시한 Propensity Score Matching에 의한 이직효과 측정은 이

러한 Counterfactual의 탐색에 기반한 분석 결과이다

lt표 7gt 주요 성과지표의 연간 변화 단순비교

주 1 성과지표의 변화에 한 집단 간 차이를 확인하기 하여 Mean-Difference Statistical T-test를 수행함 2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

23) 주어진 임 수 은 연간 임 상승률을 감안한 수치이기 때문에 비이직자의 임 은 불변이거나 하락하여야 정상이

다 재 악되는 비이직자들의 임 증가는 선택편의(Selection Bias) 문제에 의해 발생한 것으로 보인다 주어진 최

종샘 은 차수와 차수 모두에서 임 근로자로 악된 이들로 구성된다 취업시장에 신규로 진입하는 이들에

비하여 근속연수가 1년 많은 셈이다 한 차수에 임 근로자인 이들 임 상승폭이 작은 이들이 그 지 않은

이들보다 근로시장을 이탈할 가능성이 높다 이로 인하여 차수에 이어 차수까지 근로시장에 남아 있는 이들

은 상 으로 높은 임 상승을 보이는 것으로 단된다( 한 분석에 활용한 임 상승률이 lsquo임 구조기본통계조사rsquo의 표본으로부터 추정된 것이므로 노동패 표본과의 근본 차이로 인해 이상의 문제가 도출하 을 가능성도 일

부 배제할 수 없다)

공개채용 스카우트 소개나 추천 직 찾아가서 기타

인 네트워크

활용 구직

21 10 730 68 2

(69) (625) (8459) (1166) (556)

인 네트워크

비활용 구직

278 4 118 502 27

(9145) (250) (1367) (861) (750)

알 수 없음5 2 15 13 7

(164) (125) (174) (223) (1944)

총 사례 수 (1802명

)

304 16 863 583 36

(100) (100) (100) (100) (100)

이직 성격 분류비네트워크

경로-

네트워크

경로

비네트워크

경로-

본격 인 분석에 앞서 인 네트워크와 련하여 이직의 성격을 규명할 필요가 있다 인 네

트워크를 이직경로로 활용한 경우와 그 지 않은 경우로 구분지어 보도록 하자 이를 해 노동패

6차에서 10차까지의 체 경력직 취업자들을 상으로 한 lt부표 1gt의 lsquo경력직 취업자들의 일

자리 진입방식별 구직방법의 분포rsquo를 참조하도록 하자 노동패 에서 제공하는 일자리 진입방식

은 lsquo공개채용rsquo lsquo스카우트rsquo lsquo소개나 추천rsquo lsquo직 찾아가서rsquo lsquo기타rsquo 이 게 다섯 가지로 구분된다 이 lsquo공개채용rsquo 형태의 일자리 진입에서는 lsquo인터넷rsquo이나 lsquo매체 고rsquo를 활용한 구직이 체 사례

의 8486에 이른다 lsquo직 찾아가서rsquo 형태의 일자리 진입 역시 lsquo인터넷rsquo이나 lsquo매체 고rsquo 그리고

lsquo직 탐문rsquo 방식의 구직이 사례의 8113에 이른다 반면 lsquo소개나 추천rsquo 형태의 일자리 진입에서

는 lsquo친구나 친지rsquo를 통하거나 lsquo취업희망 직장의 지인rsquo 혹은 lsquo업무상 알게 된 지인rsquo을 통하는 경우

가 체의 81235에 이른다 즉 각 일자리 진입방식 간에 매우 뚜렷한 구직형태의 차이를 보여

주고 있다 lt부표 1gt의 성공한 구직방법 2 3 8 10 11을 인 네트워크를 활용한 구직으로 1 4 5 6 7 9를 그 지 않은 구직으로 분류하고 각 일자리 진입방식에 한 인 네트워크 활용도를

추산해 보면 다음 lt표 8gt과 같이 요약된다

lt표 8gt 일자리 진입방식별 이직의 성격 분류

주 ( ) 안은 각 일자리 진입방식에 한 이직 성격의 비 을 백분율로 표시함 자료 lt부표 1gt를 재구성한 것임

lt표 8gt에 요약된 바와 같이 lsquo공개채용rsquo과 lsquo직 찾아가서rsquo 형태의 일자리 진입에서 인 네트

워크를 활용하지 않은 구직이 각기 9145와 861에 이른다 반면 lsquo소개나 추천rsquo에서는 인 네

트워크를 활용한 구직이 8459에 이른다 이를 바탕으로 본 분석에서는 lsquo공개채용rsquo과 lsquo직 찾아

가서rsquo를 lsquo비네트워크 경로 이직rsquo으로 lsquo소개나 추천rsquo을 lsquo네트워크 경로 이직rsquo으로 구분한다 이 분류

에 따르면 15705명의 최종샘 에서 이직자로 악된 1560명 1438명의 체 인 구직경로 구

분이 가능하다 이 999명이 네트워크 경로 이직자로 439명이 비네트워크 경로 이직자로 분류

된다 한 앞서 PS가 추정된 12754명 에는 1391명이 이직자인데 그 891명은 네트워크 경

로 이직자로 387명은 비네트워크 경로 이직자로 분류된다

1 이직을 통한 개인만족도의 변화

아래 세 개의 도표 lt표 9gt lt표 10gt lt표 11gt은 이직을 통하여 개인의 만족도가 개선되는지의

여부를 PSM을 통하여 검증한 것이다 각각의 만족도지수(직장만족도 직무만족도 일자리만족도)에 하여 세 가지 방식의 PSM 추정치(Five Nearest Neighbors Radius Matching Kernel Matching)를

제시하고 있다앞서 lt표 7gt의 단순비교에서는 이직자와 비이직자의 연간 만족도변화가 100 만 에서

4058 (직장만족도) 3389 (직무만족도) 2662 (일자리만족도)만큼 차이가 나는 것으로 집계

되었다 그러나 PSM 방식으로 재추정된 이직의 만족도 개선효과는 각각 약 250 (직장) 216(직무) 155 (일자리)으로 나타났다24) 종합하면 단순비교 방식(표 7)은 PSM 활용방식(표 9

표 10 표 11)에 비해 이직의 만족도 개선효과를 약 1~15 만큼 과 추정하고 있음을 확인할 수

있다 이러한 상이 나타난 이유는 실제 이직한 이들이 그 지 않은 이들에 비해 기존 직장에서

의 만족도가 상 으로 낮았다는 데 있다 를 들어 주어진 최종샘 에서 이직자들의 기존 직장

에서의 직장만족도는 평균 5071 을 보이는 반면 같은 시기 비이직자들의 평균 직장만족도는 이

보다 무려 7 가까이 높은 5724 으로 나타났다 따라서 단순비교 방식에서는 이직을 통한 만족

도 개선효과가 다소 과장되어 추산되기 마련이다 이들 이직한 이들이 만약 기존 직장에 그 로 남아 있었다면 (이들의 만족도가 상 으로 낮

은 수 이므로) 다른 이들에 비해 보다 높은 수 의 만족도 개선을 한 해 사이에 경험하 을 것이

다 실제로 체 비이직자들의 연간 만족도의 변화가 각기 -0334 (직장) -0428(직무) 0282 (일자리)에 그치는 데 반해 실험군(이직자 집단)의 Counterfactual 즉 PS를 사용하여 실험군 개체에 매

칭된 (비이직자 집단 내) 조군 개체들의 만족도 변화는 각기 113 (직장) 066 (직무) 133 (일자리)에 이르 다(각 표의 lsquo매칭된 조군 변화(B)rsquo 항목 참조) 실험군 Counterfactual에서의 만족도

개선폭이 여타 비이직자들의 연간 만족도 개선폭보다 략 1 이상 높게 나타나는 것이다 이상

의 선택편의(Selection Bias) 문제가 히 통제될 때 이직의 순효과가 바르게 추정될 수 있다 앞서 시한 PSM 방식으로 추정된 이직의 만족도 개선효과는 이러한 선택편의 문제를

Counterfactual Framework으로 극복한 추정 결과라 할 수 있다 그럼 네트워크 경로 이직과 비네트워크 경로 이직 사이에 뚜렷한 차이가 존재하는지 살펴보도

록 하자 표에서 확인할 수 있듯이 두 경우 모두 이직의 만족도 개선효과가 통계 으로 유의한 수

에서 명확히 확인된다 네트워크 경로의 이직에서는 만족도 개선의 효과가 각기 220 (직장) 158 (직무) 117 (일자리)으로 확인되었고 비네트워크 경로의 이직에서는 각기 263 (직장) 284 (직무) 207 (일자리)으로 확인되었다 흥미로운 부분은 비네트워크 경로의 이직에서 이직

을 통한 만족도 개선의 효과가 소폭 높게 나타난 이다 이는 비네트워크 이직 사례들이 상당수

의 lsquo공개채용rsquo 입사자를 포함하기 때문에 나타난 상으로 보인다 lsquo공개채용rsquo은 주로 종업원 300인 이상의 규모가 큰 기업에서 집 으로 활용되고 있다25) 이들 큰 기업에 lsquo공개채용rsquo으로 입사

한 이들은 그 직장에 비해 주 인 만족도가 크게 향상되었을 것이다 이러한 lsquo공개채용rsquo 사례들이 비네트워크 이직의 만족도 개선효과를 다소 증폭시키는 역할을 하 을 것으로 추정된다

반면 비네트워크 이직을 통한 만족도 개선이 네트워크 이직에 비해 다소 크다고 하여 이것이

24) 이는 분석에 사용된 세 가지 방식의 PSM 추정치들을 산술평균하여 정리한 수치들임 25) 이 부분에 한 구체 인 설명은 발간 정인 한국개발연구원 정책연구시리즈 lsquo인 네트워크(개인의 사회 자본)

의 노동시장 효과 분석rsquo을 참조하기 바란다 ( 자에게 요청시 수령가능함)

이직과정에서의 인 네트워크 요성은 인정되지 않는다는 식으로 해석될 수 없음을 유념하여야

한다 국내 이직과정에서의 인 네트워크 의존도는 해외 주요국에 비해 상당히 높은 수 이다 략 65 안 의 경력직 취업자들이 인 네트워크를 활용하여 구직에 성공하 다고 추정되고 있

다26) 만약 재 이직을 고려하고 있는 국내 한 근로자가 구직활동에서 인 네트워크 활용을 포기

한다면 이 근로자의 이직 성공 가능성은 매우 낮아질 것이다 즉 개인의 이직 성공률을 높이기

해서는 평소에 꾸 한 구직 네트워크 리가 요청된다 할 수 있다 특히 이직수요라는 것은 많은

경우 자신의 의도와는 다르게 외부 충격으로 인해 발생한다 회사의 경제 환경이 변화하기도

하지만 자신의 심사가 바 기도 하고 가족의 갖가지 필요에 의해 이직이 요구되기도 한다 즉 언제 발생할지 모르는 이직수요에 히 응하기 해서는 이직의 주요한 통로라 할 수 있는 인

네트워크에 한 상시 리가 요청되는 것이다 따라서 이직을 고려한 인 네트워크의 상시

리 이를 한 개인의 갖가지 비용 지출은 향후 발생 가능한 험에 처하기 하여 자동

차나 암 보험을 구매하는 것과 같이 기꺼이 지불해야 할 미래에 한 투자라 할 수 있다

26) 역시 한국개발연구원 정책연구시리즈 lsquo인 네트워크(개인의 사회 자본)의 노동시장 효과 분석rsquo을 참조하기 바

란다

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1371) 3662 1201 2460 403

조군(11274) (0610)

Radius Matching 실험군(1362) 3543 1009 2534 436

조군(11274) (0581)

Kernel Matching(Normal) 실험군(1372) 3659 1165 2494 434

조군(11274) (0564)

체 이직효과 평균 362 113 250

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 3309 1169 2140 293

조군(11274) (0730)

Radius Matching 실험군(879) 3231 0939 2292 331

조군(11274) (0693)

Kernel Matching(Normal) 실험군(881) 3309 1146 2162 315

조군(11274) (0686)

네트워크 이직효과 평균 328 108 220

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(380) 4224 1525 2699 224

조군(11274) (1206)

Radius Matching 실험군(373) 3981 1438 2543 217

조군(11274) (1171)

Kernel Matching(Normal) 실험군(381) 4213 1565 2647 230

조군(11274) (1149)

비네트워크 이직효과 평균 414 151 263

lt표 9gt 이직을 통한 직장만족도 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1377) 2850 0701 2149 363

조군(11285) (0592)

Radius Matching 실험군(1368) 2767 0626 2140 381

조군(11285) (0562)

Kernel Matching(Normal) 실험군(1378) 2852 0648 2204 398

조군(11285) (0554)

체 이직효과 평균 282 066 216

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(884) 2302 0808 1494 211

조군(11285) (0707)

Radius Matching 실험군(882) 2256 0658 1598 238

조군(11285) (0670)

Kernel Matching(Normal) 실험군(884) 2302 0654 1648 249

조군(11285) (0661)

네트워크 이직효과 평균 229 071 158

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 3648 0577 3072 269

조군(11285) (1142)

Radius Matching 실험군(374) 3463 0774 2688 245

조군(11285) (1098)

Kernel Matching(Normal) 실험군(382) 3652 0888 2764 257

조군(11285) (1077)

비네트워크 이직효과 평균 359 075 284

lt표 10gt 이직을 통한 직무만족도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1375) 2909 1571 1338 217

조군(11261) (0617)

Radius Matching 실험군(1366) 2818 1276 1543 262

조군(11261) (0588)

Kernel Matching(Normal) 실험군(1376) 2907 1147 1760 303

조군(11261) (0581)

체 이직효과 평균 288 133 155

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(882) 2523 1626 0897 121

조군(11261) (0742)

Radius Matching 실험군(880) 2472 1246 1225 173

조군(11261) (0707)

Kernel Matching(Normal) 실험군(882) 2523 1139 1383 198

조군(11261) (1697)

네트워크 이직효과 평균 251 134 117

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 3609 1499 2110 176

조군(11261) (1196)

Radius Matching 실험군(374) 3409 1530 1879 163

조군(11261) (1151)

Kernel Matching(Normal) 실험군(382) 3599 1365 2235 197

조군(11261) (1133)

비네트워크 이직효과 평균 354 146 207

lt표 11gt 이직을 통한 일자리만족도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이 를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

2 이직을 통한 배치효율성의 변화

다음은 이직의 다른 측면인 일자리 재배치의 문제에 해 살펴보고자 한다 이직은 각 개인

에 있어서는 직장생활의 변화라 할 수 있지만 기업의 입장에서는 노동인력의 교환에 해당한다 따라서 이직을 통한 노동인력의 재배치가 과연 사회 반의 경제 이익을 창출하고 있는지를 따

져 볼 필요가 있다 앞서 lt표 7gt에서 기술수 교육수 교육기술복합지수 이 세 가지 합도에 해 이직자

비이직자 집단 내의 연간 변화를 정리한 바 있다 여기서 비이직자의 경우 각 지수에서 연간 합

도가 소폭 하락한 것으로 나타났고 이직자의 경우 합도가 크게 상승한 것으로 나타났다 비이

직자는 기술수 의 합도에서 0058 이 교육수 의 합도에서 0142 이 그리고 교육기술수

의 복합지수에서는 0091 이 하락한 데 반해 이직자들은 각기 2350 (기술) 2556 (교육) 2422(복합지수)의 합도 상승이 발견되었다 비이직자들의 합도 하락은 기술이나 경제환경의 변

화와 한 련이 있다 경쟁력 있는 기술 이에 한 사회 수요가 시간에 따라 변화하므로 직장에서의 자신의 기술 혹은 교육수 은 (평균 으로 보아) 이 보다 합성이 다소 떨어지게

마련이다 반면 이직자들의 합도 상승이 과연 이직의 순효과인지에 해서는 여 히 의문의 여

지가 크다 이직을 결행한 이들은 이 직장에서의 직무 련 합도가 평균 으로 크게 떨어지는

이들이다 를 들어 최종샘 에서 이직을 하지 않은 이들의 한 해 기술 합도는 평균 9066인 데 반해 이직을 결행한 이들의 한 해 (이 직장에서의) 기술 합도는 평균 8547 에 머무

는 것으로 나타났다 이들은 애 에 워낙 합도가 떨어지기 때문에 굳이 이직을 택하지 않더라

도 직무재배치나 직장 내 부서이동 등을 통하여 1년 사이에 상당한 정도의 합도 개선을 이루었

을 것으로 상된다따라서 이직을 통한 배치효율성의 개선효과 즉 반 인 근로자의 직무 련 합도 상승효

과를 명확히 규명하기 해서는 이직한 이들이 이직을 하지 아니하 을 때에 상되는 합도의

개선을 우선 추정해 볼 필요가 있다 이것은 앞서 설명하 듯이 Counterfactual의 추정을 통해서만

이 가능하다 lt표 12gt lt표 13gt lt표 14gt는 PSM을 이용하여 비이직자들의 정보로부터 이직자들의

Counterfactual을 추정한 뒤 이를 보고하고 있다 세 방식(Five Nearest Neighbors Radius Matching Kernel Matching)의 추정치를 산술평균하면 기술 합도에서는 088 교육 합도에서는 057 교육

기술복합지수에서는 075 의 상승이 확인되었다(각 표의 lsquo매칭된 조군 변화(B)rsquo 항목을 참조) 이를 실험군 즉 실제 이직자들의 합도 상승(각 표의 lsquo실험군 변화(A)rsquo 항목)과 비교하면 순이직

효과는 각기 131 (기술) 183 (교육) 140 (복합지수)에 이르는 것으로 결론지을 수 있다 반

면 교육과 복합지수에서는 이들 순이직효과가 통계 으로 유의하게 나타났으나 기술수 의

합도에서는 이 효과가 통계 으로 뚜렷하지 않았다 10의 유의도에서 검증할 때 Kernel Matching을 제외한 나머지 두 개의 PSM 매칭에서 통계 유의성을 확보할 수 없었다 이에 이직

을 통한 교육수 의 합도 개선효과는 분명한 반면 기술수 의 합도 개선은 통계 으로 입증

되지 않는다고 결론지을 수 있다 교육기술복합지수의 경우 이 두 가지 효과가 첩되어 나타난

것으로 교육수 의 합도 개선이 워낙 뚜렷하기 때문에 통계 으로 유의한 지수상승이 나타난

것으로 단된다 이상과 같이 이직을 통해 교육수 합도의 개선이 보다 효과 으로 이루어지

는 것은 채용과정에서 후보자의 교육수 이 기술수 에 비해 객 인 자료를 이용하여 검증하

기가 보다 용이하기 때문인 것으로 보인다

그럼 이직을 통한 배치효율성 개선 측면에서 인 네트워크의 역할을 살펴보도록 하자 네트

워크 경로 이직과 비네트워크 경로 이직으로 나 어 이직효과를 각기 추정해 보면 둘 사이에 의

외의 뚜렷한 차이가 존재함을 확인할 수 있다 네트워크 경로의 이직인 경우 이직을 통한 합도

개선효과가 통계 으로 유의한 수 에서 매우 높게 나타난다 이직의 순효과는 각기 213 (기술) 252 (교육) 126 (복합지수)에 이른다 반면 비네트워크 경로의 이직인 경우 이 효과는 모두 사

라져 버린다 즉 이직효과는 기술 합도 교육 합도 교육기술복합지수 모두에서 양과 음을 반복

하고 통계 유의성도 확보되지 않는다 즉 비네트워크 경로를 통한 이직에서는 일자리 재

배치를 통한 사회 반의 경제 이득을 기 할 수 없는 것이다 앞서 교육 합도 개선에 있어 이

직의 반 인 효과가 통계 으로 강하게 나타났는데 이 효과의 부분은 비네트워크 경로 이직

보다는 네트워크 경로 이직으로부터 창출된 것임을 짐작할 수 있다 특히 기술 합도를 보면 이직자들의 합도 개선은 네트워크와 비네트워크 이직 사이에 뚜렷

한 차이를 보이는데 네트워크 이직자들의 합도 개선은 평균 292 인 데 반해 비네트워크 이직

자들의 합도 개선은 평균 048 에 그친다 인 네트워크를 활용하지 않고 이직을 하 을 경우 이직을 하 음에도 불구하고 기술 합도의 개선은 평균 으로 거의 기 되지 않는 것이다 이는

앞서 주 만족도의 개선효과와 비교하여 매우 상반된 결과에 해당한다 이직을 통한 주 만

족도의 개선에서는 네트워크와 비네트워크 이직 모두 그 효과가 분명하 으며 특히 비네트워크

이직자들의 주 만족도 개선폭은 3 내지 4 에 이르 다 이는 네트워크 이직자들의 만족

도 개선폭에 비해서도 1 가량 높은 수치 다 따라서 이직이 반 으로 개인의 주 만족도

를 개선하는 효과가 있으나 배치효율성의 개선 측면에서는 오직 인 네트워크에 의존한 이직만

이 재배치의 분명한 경제 효과를 평균 으로 창출한다고 결론지을 수 있다 이러한 네트워크와 비네트워크 사이의 뚜렷한 이직효과의 차이는 네트워크가 지닌 정보 달

기능에 기인한 것으로 단된다 인 네트워크는 구인자와 구직자 사이에 훌륭한 정보 달 기능

을 수행하고 있다 구직자에게는 어떠한 일자리가 구직자의 기술능력 혹은 교육수 에 비추어

합한지에 한 정보를 제공하고 구인자에게는 구인자가 필요로 하는 합한 기술의 소유자가

구인지에 한 정보를 제공하는 것이다 이는 평소에 구인자와 구직자 모두를 아우르는 간 매개

로서의 인 네트워크가 있었기에 가능한 것이다 반면 비네트워크에서는 이러한 효과를 기 하

기 힘들다 비네트워크 채용에서는 주어진 서류와 단시간의 인터뷰 혹은 직무능력 테스트만을 가

지고 합한 인력을 선발하여야 한다 lsquo공개채용rsquo의 경우 많은 지원자들의 경쟁을 거치므로 상으로 보다 합한 후보자를 선별할 수 있을 것이다 그러나 lsquo직 찾아가서rsquo 형태의 입사에서는

이러한 경쟁의 과정 역시 생략되므로 높은 합도를 지닌 후보의 채용은 더욱 기 하기 힘들다 정리하자면 인 네트워크는 국내 노동시장에서 일자리와 일자리 후보 사이의 활발한 정보 달

기능을 수행함으로써 노동시장의 효율 작동을 돕고 있는 것이다 끝으로 이러한 네트워크 이직의 배치효율성이 모든 이직 사례에 일 으로 용되는 것이

아님을 주지할 필요가 있다 인 네트워크가 구인과 구직 사이의 lsquo연결(Networking)rsquo 기능을 수행

할 때 이상의 정 인 효과를 기 할 수 있을 것이나 이 둘 사이의 lsquo연 rsquo로서 기능할 때는 오히

려 역효과를 래할 수 있다 즉 인 네트워크를 통하여 합하지 않은 지원자를 연 로 채용시

키는 경우 해당 일자리에 한 매치 합성은 네트워크 이직으로 인해 오히려 감퇴할 수 있다 우리는 이상의 분석을 통하여 국내 노동시장에서 네트워크 이직의 반 인 교육 기술 수

합도 개선효과를 확인한 바 있다 이는 국내 노동시장의 고용 로세스에서 lsquo연 rsquo의 부정 효과

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1374) 2220 1095 1124 121

조군(11245) (0929)

Radius Matching 실험군(1365) 2088 0735 1353 155

조군(11245) (0874)

Kernel Matching(Normal) 실험군(1375) 2255 0795 1460 168

조군(11245) (0869)

체 이직효과 평균 219 088 131

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 2951 0919 2032 181

조군(11245) (1125)

Radius Matching 실험군(879) 2844 0746 2098 198

조군(11245) (1057)

Kernel Matching(Normal) 실험군(881) 2951 0702 2250 214

조군(11245) (1049)

네트워크 이직효과 평균 292 079 213

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 0525 2297 -1772 -096

조군(11245) (1840)

Radius Matching 실험군(374) 0267 0868 -0600 -034

조군(11245) (1753)

Kernel Matching(Normal) 실험군(382) 0654 1297 -0642 -037

조군(11245) (1746)

비네트워크 이직효과 평균 048 149 -100

보다는 구인구직 간 lsquo연결rsquo이라는 네트워크의 정 효과가 보다 강하게 작동하고 있음을 시사

한다

lt표 12gt 이직을 통한 기술적합도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1380) 2428 0630 1797 193

조군(11300) (0931)

Radius Matching 실험군(1371) 2298 0496 1802 207

조군(11300) (0872)

Kernel Matching(Normal) 실험군(1381) 2462 0586 1876 216

조군(11300) (0869)

체 이직효과 평균 240 057 183

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(886) 3047 0342 2705 245

조군(11300) (1106)

Radius Matching 실험군(884) 2885 0528 2357 227

조군(11300) (1037)

Kernel Matching(Normal) 실험군(886) 3047 0551 2496 243

조군(11300) (1029)

네트워크 이직효과 평균 299 047 252

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(382) 1702 2007 -0305 -016

조군(11300) (1891)

Radius Matching 실험군(375) 1600 0559 1041 058

조군(11300) (1788)

Kernel Matching(Normal) 실험군(383) 1828 0910 0917 051

조군(11300) (1793)

비네트워크 이직효과 평균 171 116 055

lt표 13gt 이직을 통한 교육적합도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1374) 2293 0893 1399 155

조군(11245) (0904)

Radius Matching 실험군(1365) 2161 0641 1520 179

조군(11245) (0850)

Kernel Matching(Normal) 실험군(1375) 2327 0711 1616 191

조군(11245) (0847)

체 이직효과 평균 226 075 140

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 2951 0643 2308 212

조군(11245) (1087)

Radius Matching 실험군(879) 2816 0662 2154 211

조군(11245) (1021)

Kernel Matching(Normal) 실험군(881) 2951 0645 2306 228

조군(11245) (1014)

네트워크 이직효과 평균 291 065 226

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 1115 2233 -1118 -062

조군(11245) (1816)

Radius Matching 실험군(374) 0936 0749 0187 011

조군(11245) (1727)

Kernel Matching(Normal) 실험군(382) 1243 1131 0112 007

조군(11245) (1726)

비네트워크 이직효과 평균 110 137 -027

lt표 14gt 이직을 통한 교육기술복합지수의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

3 이직을 통한 임금수준의 변화

다음은 이직을 통한 임 수 의 변화가 실재하는지 검토하고자 한다 네트워크 이직과 비네트

워크 이직을 나 어 볼 때 앞서 우리는 네트워크 이직이 일자리 매치 합도를 히 개선한다

고 밝힌 바 있다 임 이 근로자의 생산성 기여분을 그 로 반 한다고 한다면 네트워크 이직에

따른 매치 합도의 개선은 근로자의 임 상승으로 이어져야 할 것이다 앞서 lt표 7gt의 단순비교에서 이직자들의 연간 임 상승분이 평균 9088만원 비이직자들의 연

간 임 상승분은 2782만원으로 집계된 바 있다 둘 사이의 격차가 6307만원에 이른다 한 해 사

이에 이직한 이들의 연간 임 상승폭이 직장을 그 로 유지한 이들의 연간 임 상승폭 보다

히 높은 수 인 것이다 하지만 이러한 단순비교는 선택편의(Selectoin Bias) 문제를 역시 고려하지

않고 있으므로 이직의 직 인 임 상승효과라 볼 수는 없다 즉 실제로 이직을 결행한 이들의

이직 임 수 은 같은 시기 직장을 그 로 유지한 이들에 비해 상 으로 낮은 수 일 가능

성이 높다 이들이 직장을 그 로 유지하 다면 다른 이들에 비해 히 높은 수 의 임

상승을 경험하 을 것이다 실제 이직한 이들이 만약 이직을 하지 않고 직장을 그 로 유지하

을 때 상되는 임 상승분 즉 이직자 임 상승분의 Counterfactual을 PSM 방식을 활용하여 추

정한 수치가 lt표 15gt의 lsquo 조군 변화(B)rsquo에 요약되어 있다 이에 따르면 실제 이직자들이 이직을

하지 않았을 때 기 할 수 있는 임 상승분은 략 5만원 정도에 이르는 것으로 나타난다 따라

서 이직에 따른 임 상승의 순효과는 앞서 제시한 6307만원이 아닌 이보다 상당히 축소된 386만원이다 이는 lt표 15gt에 정리된 바와 같이 PSM을 활용한 세 가지 추정치의 산술평균으로 추산

된 값이다 한 이러한 이직의 임 상승효과는 통계 으로도 유의한 것으로 확인되었다 반면 네트워크 경로 이직자와 비네트워크 경로 이직자의 임 상승분을 비교해 보면 둘 사이

에 상당한 격차가 존재함을 쉽게 확인할 수 있다 네트워크 이직자들의 이직을 통한 임 상승효과

는 통계 으로 유의한 수 에서 략 384만원으로 추정되는 반면 비네트워크 이직자들의 임

효과는 -077만원이고 이는 통계 으로도 유의하지 않다 즉 네트워크를 활용하여 이직하 을

때 뚜렷한 임 상승이 기 되는 반면 인 네트워크를 활용하지 않고 이직하 을 때는 이 효과

를 확신할 수 없을 뿐더러 다소 하락할 가능성도 있는 것이다 따라서 앞서 확인된 이직을 통한

반 인 임 상승의 효과는 네트워크 이직을 통해 창출된 효과이며 비네트워크 이직을 통한

기여는 뚜렷하지 않은 것으로 결론지을 수 있다이직은 새로운 일자리에 자신의 기술 직무 능력을 응시키는 과정이다 따라서 임 상승

효과가 이직 기에 항상 담보되지는 않을 것이다 반면 인 네트워크를 활용하 을 때 자신에

게 보다 합한 일자리에 배치됨으로써 즉 자신의 능력과 잠재력을 보다 잘 발휘할 수 있는 직무

에 재배치됨으로써 이상의 추가 인 임 상승을 기 할 수 있는 것이다 이는 앞서 이직을 통한

배치효율성 검증에서 확인되었던 네트워크 이직의 기술수 (혹은 교육수 ) 합도 상승효과와

일맥상통하는 결과이다 인 네트워크를 활용한 이직은 임 근로자를 보다 합한 일자리에 재

배치하는 데 일조하고 이것이 생산성에의 보다 높은 기여를 창출함으로써 이직자들의 추가 인

임 상승으로 이어지는 것이다물론 이러한 해석은 평균 인 추세를 반 한 것임에 유념할 필요가 있다 네트워크 이직의 사례

에는 앞서 말한 생산 인 lsquo연결rsquo 효과가 아닌 비생산 인 lsquo연 rsquo 효과 혹은 정실인사(Nepotism)가

작동한 경우들도 상당할 것이다 이 경우 생산성에의 기여가 충분하지 않음에도 불구하고 기술이

나 능력에 비해 임 을 후하게 설정할 가능성이 높다 이러한 lsquo연 rsquo형 이직을 통한 임 상승 역

시 네트워크 이직의 임 상승효과라 볼 수는 있겠으나 이것이 일자리 배치효율성의 개선을 반

한다고 볼 수는 없는 것이다 따라서 앞서 추정한 네트워크 이직의 임 상승효과 384만원이

으로 일자리 매치 합도 개선효과에서 기인한다고 단정 지을 순 없다 한 비네트워크 이직 역

시 평균 으로 임 상승의 효과가 포착되지 않은 것일 뿐 비네트워크 이직의 표본 에는 실제로

임 이 크게 상승한 사례들도 상당히 존재할 수 있다 를 들어 lsquo공개채용rsquo 방식의 입사인 경우 경합자들에 비해 채용 합격자의 해당 일자리 합성이 보다 우수하다고 단되어 채용된 사례가

많을 것이다 이 게 경쟁을 거쳐 채용된 이들은 이 에 비해 상당히 높은 수 의 임 상승을 기

할 수 있다 반면 비네트워크 이직에서 반 인 임 상승의 효과가 포착되지 않는 것은 비네트워크 이직

이 격한 주 만족도의 개선을 이끌었던 것과 비교하여 매우 조 인 상이다 많은 이들의

상식과는 달리 이직의 결정은 임 만족도 수 과 직결되어 있지 않다 앞서 제4 에서 우리는 이

직의 향요인들을 분석해 본 바 있다 이직의 결정이 업무만족도 복지후생만족도 취업 안정성에

한 만족도 등 다양한 요소에 민감하게 반응하는 반면 임 에 한 만족도와는 통계 으로 유의

한 수 에서의 연 성이 포착되지 않았다 개인의 이직 결정은 임 이외에 다양한 요소들을 종합

으로 고려한 단 결과라 할 수 있다 체로 이직은 다양한 방면에서 개인의 주 만족도를

격하게 향상시킨다 반면 자신의 기술(교육)수 과 일자리의 매치 합성의 문제는 이직자들에

게는 부차 인 고려 상에 해당한다 임 수 의 개선 역시 이직 시 고려되는 한 요소이겠으나 인 요소는 아니고 다양한 향요인 의 하나로 볼 수 있는 것이다 이러한 에서 비네트워

크 이직이 다소 상반된 효과(즉 주 만족도의 한 개선효과와 미미한 수 의 임 개선효

과)를 동시에 보여주고 있는 것은 일견 자연스러운 상이다

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1375) 8887 5274 3613 184

조군(11340) (1962)

Radius Matching 실험군(1366) 8842 4813 4029 208

조군(11340) (1936)

Kernel Matching(Normal) 실험군(1376) 8861 4916 3945 206

조군(11340) (1880)

체 이직효과 평균 886 500 386

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(882) 8943 5519 3423 150

조군(11340) (2285)

Radius Matching 실험군(880) 8827 4855 3972 178

조군(11340) (2231)

Kernel Matching(Normal) 실험군(882) 8943 4819 4124 186

조군(11340) (2217)

네트워크 이직효과 평균 890 506 384

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 4772 5672 -0900 -024

조군(11340) (3685)

Radius Matching 실험군(374) 4805 5201 -0396 -011

조군(11340) (3661)

Kernel Matching(Normal) 실험군(382) 4691 5716 -1025 -028

조군(11340) (3601)

비네트워크 이직효과 평균 476 553 -077

lt표 15gt 이직을 통한 임금수준의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

VIII 구직 네트워크의 사회적 자본 추정

근로자 개인의 측면에서 구직 네트워크의 가치를 추정해 보자 앞서 네트워크 이직을 통한 임

상승효과를 3840만원으로 추정하 다 이는 2008년 기 액이다 연간 물가상승률을 감안하

면27) 2010년 재가로 4074만원에 해당한다 평소에 구직 네트워크를 히 리하여 이직에서

이를 활용한다면 한 번의 이직으로 4만원 안 의 추가 인 임 상승을 기 할 수 있는 것이다 연으로는 489만원 가량의 임 이 이직 이후 매년 추가 으로 지 되는 것으로 해석될 수 있다28)

한편 이직이라는 것은 근로자의 생애를 걸쳐 발생하는 사건이다 임 근로자를 심으로 한

재의 최종샘 에서 연간 일자리 이동비율은 평균 993에 이른다 직종 업종에 따라 혹은 재

직 회사의 규모에 따라 이직률에는 상당한 차이가 있겠으나 체 임 근로자를 상으로 하 을

때 략 10년에 한 번 정도의 이직이 상되는 것이다 임 근로자의 생애를 걸쳐 살펴보면

이직은 주로 직장생활 후기보다는 기에 집 되어 있다 [그림 5]는 최종샘 15705명 임 근로

자를 상으로 한 각 연령별 이직률 추이를 나타낸다 생애 이직률은 20 후반에 가장 높고 30 반에 주춤하다가 30 후반에 다시 상승하고 40 이후에 하강하는 추세임을 확인할 수

있다

[그림 5] 연령별 이직률(26세부터 59세까지)

(단 )

0

2

4

6

8

10

12

14

16

18

26 28 30 32 34 36 38 40 42 44 46 48 50 52 54 56 58

연령(만)

자료 노동패 5차부터 10차까지

이를 활용하면 임 근로자 한 사람이 평생에 걸쳐 기 할 수 있는 이직의 임 상승효과를 추

정해 볼 수 있다 첫 취업의 평균연령이 265세임을 고려하여 표 인 임 근로자(A Representative Worker)가 26세부터 60세까지 노동시장에 참여한다고 가정해 보자 인 네트워크

27) 여기에 연평균 물가상승률 3를 용하 다 실제 임 상승률도 2009년의 임 이 융 기 여 로 거의 동결이었

음을 고려할 때 2년간 략 6에 해당한다 28) 여기서는 네트워크 이직의 임 리미엄(연 489만원 상승)이 이직 후 매년 지속된다고 가정하고 있다 실제로

리미엄이 상당 기간 지속되는지 아니면 이직 후 빠르게 축소되는지에 한 국내 실증분석은 향후 과제로 남겨져

있다

를 활용한 이직만이 평균 인 임 상승효과를 가져온다는 을 고려할 때 구직 네트워크의 생애

가치()는 다음과 같이 요약된다29)

times timestimestimes (11)

여기서 는 연령 에서의 상 이직률(Job Transfer Rate)을 나타낸다 은 이직 시 인 네

트워크에 한 의존도 수 이다 는 네트워크 이직에 따른 월평균 임 상승의 효과이다 여기

에 [그림 5]에 요약된 이직률의 생애 추이를 에 입하자 여기서 경력직 이직자의 인 네트

워크 의존도가 60 반(plusmn5 이내)으로 추산된 을 고려하여 에 64를 입하도록 하자30) 그리고 에 앞서 추정한 네트워크 이직의 임 상승효과 4074만원(2010년 기 )을 입하면 구직 네트워크의 생애 가치()는 18720만원으로 집계된다 만약 에 이직률의 생애 추

이 신 최종샘 에서 구한 평균이직률 993를 연령 에 걸쳐 일률 으로 사용한다면 이와

유사한 수치인 18486만원을 얻을 수 있다 따라서 한국사회 임 근로자 한 사람의 구직 네트워크

가치는 보상 측면에서 략 일천 1870만원 수 인 것으로 결론지을 수 있다 물론 이 수치는 이직을 통한 이득만을 반 하고 있을 뿐 주 만족도의 개선효과는

반 하고 있지 않다 앞서 우리는 일자리 이동을 통해 창출되는 개인의 만족도 변화를 직장만족

도 직무만족도 일자리만족도 이 세 가지 측면에서 고려해 보았다 네트워크 이직과 비네트워크

이직 모두 만족도의 개선효과를 보 다 그러나 국내 노동시장에서 이직의 약 60 이상이 인

네트워크에 의존하고 있음을 고려할 때 임 근로자 한 개인이 구직 네트워크를 리하지 않는다

면 그의 이직률은 에서 60 이상 추락할 것이다 이를 고려하여 구직 네트워크의 생애 만족

도 개선효과()를 다음과 같이 요약할 수 있다31)

timestimestimestimes (12)

여기서 는 네트워크 이직을 통한 주 만족도의 개선폭을 나타낸다 앞서 네트워크 이직

이 창출하는 주 만족도의 개선효과가 100만 에서 220 (직장만족도) 158 (직무만족도) 117 (일자리만족도) 정도임을 확인하 다 이 세 수치의 평균치가 네트워크 이직의 만족도 개선

효과를 히 변하고 있다고 한다면 의 략 인 추정치는 165 이 된다 이를 입하면

구직 네트워크의 만족도 개선효과는 략 7582 으로 추산된다 만족도 1 을 으로 환산하

여 만원에 해당한다고 표시하면 구직 네트워크의 임 근로자 일인당 생애가치()는 임

상승효과()와 만족도 개선효과()의 합으로써 다음과 같이 요약된다

equiv (=18720+7582) (13)

구직 네트워크의 가치 (18720+7582n)만원이 함의하는 바를 명확히 규정하기는 쉽지 않다 특히 개인마다 일자리에서 얻는 주 만족도를 가치로 환산하는 방식이 다를 것이다 를 들

29) 구직 네트워크의 재 가치를 추산하기 해서는 시간할인률을 용할 필요가 있으나 여기서는 이를 생략하 다 시간할인률이 용된 추정치는 재 계산된 값보다 다소 하락할 것이다

30) 이에 한 보다 구체 인 설명은 본 논문의 보다 상세한 내용이 실린 한국개발연구원 정책연구시리즈로 출간 정

인 lsquo인 네트워크(개인의 사회 자본)의 노동시장 효과 분석rsquo 보고서를 참조 바란다 31) 앞서와 마찬가지로 구직 네트워크의 재 가치를 추산하기 해서는 시간할인률을 용할 필요가 있으나 여기서는

이를 생략하 다 시간할인률이 용된 추정치는 재 계산된 값보다 다소 하락할 것이다

어 어떤 이들에게는 이득만이 요하고 주 만족도는 경시될 수 있다 이들에게 n은

lsquo0rsquo에 가까운 것이다 반면 다른 이들에게는 일자리에서 얻는 주 만족도가 임 소득보다

몇 배 이상 요할 수 있다 이들에게 n은 1보다 큰 양수가 될 것이다 구직 네트워크의 가치를 수

치로 악해 보고자 n=1인 근로자를 상정해 보자32) 이 사람에게 만족도 1 은 1만원만큼의

효용을 창출한다 이 근로자에게 구직 네트워크의 종합 가치는 26302만원에 이른다고 평가할

수 있다 이러한 구직 네트워크의 종합 가치를 개인의 물 혹은 인 자본과 별하여 근로자

개인의 구직 네트워크 사회 자본이라 명할 수 있다추정한 구직 네트워크의 가치인 (18720+7582n)만원은 한국사회의 임 근로자 각 개인이 구직

네트워크의 유지 리를 하여 기꺼이 지불할 용의가 있는 비용을 나타낸다 만족도 1 이 1만원의 효용이 있다면 즉 n=1이라면 이는 1224개월치 월 ( 략 일년치 연 )에 해당한다33) 이는 결코 작지 않은 액수이다 한국사회의 구성원들은 다양한 방식으로 네트워크를 리하고 있다 동창회 동호회 업계 계자와의 술자리 각종 경조사 참여 Social Network Service(SNS) 활동 등

이 이에 해당한다 이들 활동은 그 자체로서 정서 효용을 창출하지만 생 인 경제 이득

한 간과할 수 없다 이는 업무에 필요한 유용한 정보의 획득이나 업거래망의 확장이기도 하고 구직 네트워크의 변 확 자기 PR(Public Relations)이기도 하다 네트워크의 리는 그에 상

응하는 비용을 수반한다 이는 만남에 따른 지출에서부터 시간사용까지를 포함한다 구직

네트워크의 효과성 측면에서 보았을 때 한국사회 근로자 개인은 상당한 비용( 를 들어 n=1인 경

우 략 일년치 연 에 해당하는 비용)을 구직 네트워크의 유지 리를 하여 생애를 거

쳐 기꺼이 지불할 용의가 있다고 볼 수 있는 것이다

IX 결론

이제까지 우리는 국내 고용시장에서의 인 네트워크 활용의 효과성을 다각 인 측면에서 살

펴보았다 인 네트워크를 활용한 이직의 직장생활만족도 개선효과는 100 만 에 약 165 34)

에 달하는 것으로 확인되었으며 직무 합도 개선효과는 100 만 에 약 197 35)에 이르는 것으

로 나타났다 한 인 네트워크를 활용한 이직은 임 상승을 동반하는데 그 규모는 월평균 임

으로 4074만원(2010년 기 )인 것으로 확인되었다 반면 인 네트워크를 활용하지 않은 이직

에서도 직장생활만족도의 개선효과가 일부 포착되었으나 일자리 합도에 한 개선이나 임 상

승효과는 확인되지 않았다 즉 구인자와 구직자를 연결시켜주는 인 네트워크의 효율 인 정보

달 기능이 확인된 것이다 이를 통해 임 근로자 개인의 구직 네트워크의 가치 즉 lsquo네트워크 사

회 자본rsquo을 추정해 보면 구직 네트워크의 생애 가치는 18720만원으로 집계되었으며 여기에 주 만족도에 한 보상 측면까지 고려하면 만족도 1 의 가치를 만원으로 환산

할 때 략 (18720+7582)만원에 이르는 것으로 집계되었다

32) 실제로 일반 인 수 에서 n은 1보다 상당히 클 것으로 상된다 주어진 표본에서 주 만족도의 평균은 략

55 내외인 반면 임 수 의 평균은 략 200만원 내외이다 즉 두 수치의 Scale이 네 배 가량 차이가 난다 33) 26302만원을 차수 임 수 (20247만원)의 2010년도 기 가치인 2148만원으로 나 면 1224개월이 나온다 34) 직장만족도 개선효과 220 직무만족도 개선효과 158 일자리만족도 개선효과 117 의 산술평균값 용 시 35) 기술 합도 개선효과 213 교육 합도 개선효과 252 교육기술복합지수 개선효과 126 의 산술평균값 용

참 고 문 헌

고용노동부 985172고용노동백서985173 2010김동헌김상호 「직업탐색과 자발 이직」 2001 경제학 공동학술 회 발표문 2010 김성훈 「사회연결망과 공식경로를 통한 첫 취업의 개인 결과와 사회 결과」 985172한국사회학985173 제39집 제1호

2005 김성훈 「 문직의 취업경로 사회연결망과 공식경로를 심으로」 985172한국사회학985173 제40집 제5호 2006 김성훈 「취업자의 사회연결망 활용에 한 향요인 연구」 985172노동경제논집985173 제26권 제3호 2003김용학 985172사회연결망 이론985173 박 사 2003류석춘 외 985172한국의 사회자본 역사와 실985173 백산출 사 2008 송호근김우식이재열 985172한국사회의 연결망 연구985173 서울 학교 출 부 2004안재희 985172구직과 제도 사회자본985173 한국학술정보(주) 2008우천식 편 985172한국경제사회와 사회 자본985173 한국개발연구원 2007이 면나인강 「직장만족도와 이직행 에 한 패 분석」 985172제5차 한국노동패 학술 회 논문집985173 2004이 면나인강 「비정규직의 이직 이직사유 근속기간에 한 연구」 985172제6차 한국노동패 학술 회 논

문집985173 2005이상호 「노동패 의 주 만족도 측정」 985172노동리뷰985173 통권 제17호 2006 pp77~86이병훈 「구직활동의 향요인에 한 탐색 연구」 985172노동경제논집985173 제25권 제1호 2002 pp1~21 통계청 985172경제활동인구조사985173 2010한국노동연구원 985172사업체패 조사985173 2007KDI 국제정책 학원 985172사회 자본 확충을 한 기본조사 정책연구985173 2007

Blau David and Philip Robins ldquoJob Search Outcomes for the Employed and Unemployedrdquo Journal of Political Economy 98(3) 1992 pp637~655

Bourdieu P ldquoThe Forms of Capitalrdquo in J G Richardson (ed) Handbook of Theory and Research for the Sociology of Education New York Greenwood 1986

Cochran William and Donald Rubin ldquoControlling Bias in Observational Studies A Reviewrdquo Sankhya 35 1973 pp417~446

Datcher Linda ldquoThe Impact of Informal Networks on Quit Behaviorrdquo Review of Economic Statistics 65(3) 1983 pp491~495

Dawid A ldquoConditional Independence in Statistical Theoryrdquo Journal of Royal Statistical Society B 41 1979 pp1~31

Dehejia R and S Wahba ldquoCausal Effects in Nonexperimental Studies Reevaluating the Evaluation of Training Programsrdquo Journal of the American Statistical Association 94 1999 pp1053~1062

Dehejia R and S Wahba ldquoPropensity Score-Matching Methods for Nonexperimental Causal Studiesrdquo The Review of Economics and Statistics 84 2002 pp151~161

Glaeser E D Laibson and B Sacerdote ldquoAn Economic Approach to Social Capitalrdquo The Economic Journal 112 2002

Gottschalk P and T Maloney ldquoInvoluntary Termination Unemployment and Job Matching A Test of Job Search Theoryrdquo Journal of Labor Economics 3 1985 pp109~123

Granovetter Mark S Getting A Job A Study of Contracts and Careers Chicago University of Chicago Press 1975

Heckman J H Ichimura J Smith and P Todd ldquoCharacterizing Selection Bias Using Experimental Datardquo Econometrica 66 1998 pp1017~1098

Heckman J H Ichimura and P Todd ldquoMatching as an Econometric Evaluation Estimator Evidence from Evaluating a Job Training Programrdquo Review of Economic Studies 64 1997 pp605~654

______ ldquoMatching as an Econometric Evaluation Estimatorrdquo Review of Economic Studies 65 1998 pp261~294Knack S and P Keefer ldquoDoes Capital Have and Economic Payoff A Cross Country Investigationrdquo Quarterly

Journal of Economics 62 1997 pp1251~1288 Lin Nan Social Capital A Theory of Social Structure and Action Cambridge Cambridge University Press 2001 Lin Nan Karen Cook and Ronald Burt (eds) Social Capital Theory and Research Aldine Transaction 2001 Marmaros David and Bruce Sacerdote ldquoPeer and Social Networks in Job Searchrdquo European Economic Review 46

2002 pp870~879Putnam Robert D Bowling Alone The Collapse and Revival of American Community New York Simon and

Schuster 2000Rosenbaum J S DeLuca S Miller and K Roy ldquoPathways into Work Short- and Long-Term Effects of Personal

and Institutional Tiesrdquo Sociology of Education 72(3) 1999 pp179~196Rosenbaum P and D Rubin ldquoThe Central Role of the Propensity Score on Observational Studies for Causal

Effectsrdquo Biometrika 70 1983 pp41~55Rubin D ldquoEstimating Causal Effects of Treatments in Randomized and Non-randomized Studiesrdquo Journal of

Educational Psychology 66 1974 pp688~701Simon Curtis and Warner John ldquoMatchmaker Matchmaker The Effect of Old-Boy Networks on Job Match

Quality Earnings and Tenurerdquo Journal of Labor Economics 10(3) 1992 pp306~330Todd Petra ldquoMatching Estimatorsrdquo unpublished manuscript 2006

성공한 구직방법

일자리 진입방식

합계공개

채용스카우트

소개나

추천

찾아가서기타

1 학교나 학원12 0 26 4 0 42

(395) (0) (301) (069) (0) (233)

2 교수나 교사2 0 8 0 0 10

(066) (0) (093) (0) (0) (055)

3 친구나 친지5 2 509 28 2 546

(164) (125) (5898) (48) (556) (303)

4 공공 안내소3 0 7 9 4 23

(099) (0) (081) (154) (1111) (128)

5 사설 안내소3 0 29 16 1 49

(099) (0) (336) (274) (278) (272)

6 매체 고53 1 21 209 13 297

(1743) (625) (243) (3585) (3611) (1648)

7 직 탐문2 0 13 85 0 100

(066) (0) (151) (1458) ((0) (555)

8 가족1 1 21 2 0 25

(033) (625) (243) (034) (0) (139)

9 인터넷205 3 22 179 9 418

(6743) (1875) (255) (307) (25) (232)

10 희망직장

지인

7 3 90 20 0 120(23) (1875) (1043) (343) (0) (666)

11 업무상

지인

6 4 102 18 0 130(197) (25) (1182) (309) (0) (721)

12 기타 5 2 15 13 7 42

(164) (125) (174) (223) (1944) (233)

합 계304 16 863 583 36 1802

(100) (100) (100) (100) (100) (100)

lt부표 1gt 경력직 취업자(1802명)의 일자리 진입방식별 구직방법의 분포

주 1 노동패 6차부터 10차까지의 신규 일자리 진입자 경력직 취업자를 상으로 함 2 ( ) 안은 각 일자리 진입방식에 한 성공한 구직방법의 백분율임

Block

번호

직장유지의

직무유지의

향성별 나이 나이

2 교육

혼인

여부

정규직

여부

첫(혹은

두 번째)

일자리

(로그)

격차 격차 격차 격차 격차 격차 격차 격차 격차 격차

1164 116 048 -102 -14913 -003 003 009 000 007

(455) (395) (011) (207) (19454) (044) (005) (004) (009) (013)

2-254 050 003 007 -1629 -022 -006 004 -002 001

(203) (191) (006) (123) 11232 (020) (004) (004) (006) (007)

3036 -076 002 -094 -7067 -001 000 -004 008 001

(131) (129) (004) (088) (7870) (012) (003) (003) (004) (004)

4-079 -117 -001 071 6428 000 -004 -002 001 -005

(128) (122) (004) (079) (6861) (010) (003) (003) (004) (003)

5026 144 -005 068 6211 -012 004 000 -006 -001

(142) (144) (004) (077) (6201) (010) (004) (003) (004) (004)

6061 152 -008 -043 -3655 006 002 002 -007 007

(151) (151) (004) (073) (5661) (010) (004) (004) (004) (004)

7010 -134 -002 043 2726 003 -002 001 003 001

(133) (131) (004) (058) (4296) (008) (004) (003) (003) (003)

8045 173 008 044 3233 007 000 -001 -001 -003

(146) (143) (004) (052) (3615) (007) (004) (003) (003) (003)

9128 -010 000 061 3033 -016 -003 006 -010 004

(259) (246) (006) (065) (3930) (012) (005) (006) 006 (006)

10500 114 013 -035 -1626 004 000 007 001 -003

(407) (394) (009) (081) (4454) (017) (007) (008) (009) (009)

lt부표 2-Agt Propensity Score 각 구간(Block)에 대한 Mean-Difference Statistical T-test 결과(I)

주 1 Untreated Group과 Treated Group의 각 항목에 한 Mean Difference를 테스트함 2 표시는 5 유의도 수 에서 테스트를 통과하지 못한 항목을 표시함3 ( ) 안은 표 오차임

lt부표 2-Bgt Propensity Score 각 구간(Block)에 대한 Mean-Difference Statistical T-test 결과(II)

Block

번호

(로그)2 종업원 규모 교육 합도 임 만족도근무

환경 만족도

일자리

만족도

서비스 매직

여부

농어업 종사

여부

정규직 times

교육

직장 times

직무유지의향

격차 격차 격차 격차 격차 격차 격차 격차 격차 격차

1052 054 202 656 -048 -101 002 001 003 25954

(147) (053) (379) (564) (480) (421) (005) (003) (047) (60638)

2-006 043 046 047 -303 -182 002 000 -004 -9827

(073) (027) (197) (247) (220) (188) (002) (001) (026) 25462

3006 011 -151 -030 255 013 -002 000 -011 -246

(041) (017) (158) (156) (142) (117) (002) (000) (018) (15776)

4-052 000 -075 -111 -046 -005 -004 000 -011 -10585

(034) (015) (155) (137) (133) (110) (002) (001) (016) (14203)

5-008 006 053 -047 -017 -036 003 000 -004 17636

(035) (017) (176) (152) (144) (123) (003) (001) (018) (16213)

6063 -005 273 049 211 040 -006 001 015 14659

(035) (017) (201) (150) (145) (124) (003) (001) (019) (16225)

7008 -018 -045 016 -031 005 005 000 010 -10640

(029) (014) (174) (127) (127) (108) (003) (001) (016) (13577)

8-022 -014 028 -028 -163 086 000 000 -001 6766

(028) (014) (189) (127) (131) (111) (003) (000) (017) (13784)

9037 -013 143 133 046 -070 001 -002 015 -1116

(047) (021) (371) (204) (227) (187) (006) (002) (029) (21779)

10-028 021 077 161 -247 -113 -013 002 019 13295

(074) (026) (612) (352) (366) (340) (009) (002) (038) (30459)

주 1 Untreated Group과 Treated Group의 각 항목에 한 Mean Difference를 테스트함 2 표시는 5 유의도 수 에서 테스트를 통과하지 못한 항목을 표시함3 ( ) 안은 표 오차임

Page 8: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal

변수명 측 수 평균값표

편차최솟값 최댓값

개인

특성변수

성별(여성 1) 15705 037 048 0 1

나이 15705 4005 1081 18 69

교육수 15703 451 135 1 8

혼인 여부

(미혼 1)15705 027 045 0 1

일자리

특성변수

(이 차수

기 )

정규직 여부

(정규직 1)15659 076 043 0 1

첫(혹은 두 번째) 일자리

여부

15705 048 050 0 1

임 수

(단 만원 로그)15694 514 059 147 729

종업원 규모

(단 명 로그)12912 400 231 0 1097

만족도

련 변수

(이 차수

기 )

직장유지의향 15658 6516 1871 0 100

직무유지의향 15645 6409 1922 0 100

업무 만족도 15653 5936 1644 0 100

임 만족도 15656 4394 1927 0 100

취업 안정성 만족도 15645 5540 1938 0 100

근무환경 만족도 15653 5446 1848 0 100

인간 계 만족도 15631 5712 1629 0 100

자기발 만족도 15649 5088 1839 0 100

인사공정 만족도 15460 4975 1602 0 100

복지후생 만족도 15552 4569 1958 0 100

직종더미

(이 차수

기 )

문 리직 여부 15702 013 033 0 1

사무기술직 여부 15702 033 047 0 1

서비스 매직 여부 15702 013 034 0 1

농어민 여부 15702 001 008 0 1

생산기능직 여부 15702 041 049 0 1

업종더미

(이 차수

기 )

농어업 종사 여부 15703 001 008 0 1

공업 종사 여부 15703 026 044 0 1

건설업 종사 여부 15703 011 031 0 1

도소매 숙박업 종사 여부 15703 016 037 0 1

서비스 련업 종사 여부 15703 046 050 0 1

lt표 2gt 개인 및 일자리 특성변수별 기초통계량

2 이직 및 성과지표 관련 변수

최종샘 15705명 지난 조사시 이후 일자리를 이동한 임 근로자는 체의 약 10에 해

당하는 1560명이다 각 샘 에 한 이직 여부를 더미변수로 처리하 다 이직의 성과를 측정하

기 하여 다음의 일곱 가지 평가지표를 마련하 다 개인의 주 만족도와 련된 종합 지

표 세 가지(직장만족도 직무만족도 일자리만족도) 일자리 배치의 효율성과 련된 종합 지표

세 가지(기술 합도 교육 합도 교육기술복합지수) 그리고 임 수 이들에 한 기 통계량은

lt표 2gt에 요약되어 있다직장만족도는 다음 5가지 평가지표(5단 )의 평균값을 100 단 로 환산한 것이다 다닐 만한

직장인가 들어온 게 기쁜가 친구에게 추천하고 싶은가 다른 이에게 자랑할 수 있는가 계속 다

니고 싶은가(즉 앞서의 lsquo직장유지의향rsquo) 직무만족도는 앞서 제시한 lsquo업무만족도rsquo 련 네 가지 지

표와 lsquo직무유지의향rsquo을 합친 다섯 가지 평가지표를 산술평균하여 100 단 로 환산한 것이다 일자리만족도는 lsquo일자리에 해 반 으로 얼마나 만족하는가rsquo라는 질의에 한 5단 응답을 100

단 로 환산한 것이다 이들 세 가지 만족도와 련된 지표들의 연간 변화를 ( 차수 만족도

- 차수 만족도)로 측정하여 만족도 변화지표를 추가로 생성하 다 기술 합도는 lsquo 재 하는 일의 수 은 나의 기술(기능)과 비교하여 어느 정도인가rsquo라는 질의에

한 답변으로부터 구성하 다 응답자는 lsquo매우 낮다rsquo lsquo낮은 편이다rsquo lsquo맞다rsquo lsquo높은 편이다rsquo lsquo매우

높다rsquo 응답하도록 되어 있다12) 략 80 안 의 응답자가 다섯 응답 lsquo맞다rsquo에 답하 다 여기서 lsquo높은 편이다rsquo와 lsquo매우 높다rsquo에 한 응답은 체 응답자의 1 내외이다 하는 일의 수 이

매우 높거나 높은 편이다라는 것은 하는 일이 도 이며 자기 능력을 충분히 발휘할 기회가 많

다는 것을 의미하므로 합도가 낮다고만 평할 수는 없다 따라서 100 단 로 환산할 때 lsquo매우

낮다rsquo에 0 lsquo낮은 편이다rsquo에 50 lsquo맞다rsquo와 그 이상의 답변에 100 을 부여하 다13) 교육 합도

는 lsquo 재 하는 일의 수 은 나의 교육수 과 비교하여 어느 정도인가rsquo라는 질문에 한 답변으로

부터 구성하 으며 같은 방식으로 lsquo매우 낮다rsquo에 0 lsquo낮은 편이다rsquo에 50 lsquo맞다rsquo와 그 이상의

답변에 100 을 부여하 다 여기서 교육수 은 서류상에 기재되므로 서류상에 기재가 어려운 기

술수 과는 취업과정에서 다르게 취 된다 특히 인 네트워크는 교육수 보다 기술수 의 정보

달에 보다 유용한 채 로 작동할 가능성이 높다 따라서 이직의 종합 인 배치효율성 개선효과

를 측정하기 해서는 두 지표를 아우를 수 있는 독립 인 지표가 필요하다 도입된 lsquo교육기술복

합지수rsquo는 기술 합도와 교육 합도의 산술평균으로서 일자리 배치효율성에 한 종합 평가지

표로 작성되었다 이들 세 가지 배치효율성 련 지표들의 연간 변화를 ( 차수 배치효율성 -

차수 배치효율성)으로 측정하여 배치효율성의 변화분을 추가로 추출하 다 마지막으로 월평균임 (단 만원)의 치를 2008년 기 으로 환산하여 lsquo 차수 임 수 rsquo

과 lsquo 차수 임 수 rsquo을 구성하 다 앞서 lsquo임 수 (로그)rsquo 변수의 생성에 활용한 임 상승률을

그 로 차용하 다 lsquo임 수 변화rsquo는 ( 차수 임 수 - 이 차수 임 수 )으로 측정하 다 표에서 보는 바와 같이 차수 임 수 은 평균 202만 4700원으로 차수 임 수 은 평균

205만 8900원으로 집계되었고 평균 임 수 의 연간 상승분은 3만 4400원으로 나타났다

12) 응답자별 분포 lsquo매우 낮다(122)rsquo lsquo낮은 편이다(1727)rsquo lsquo맞다(8039)rsquo lsquo높은 편이다(106)rsquo lsquo매우 높다(006)rsquo 13) lsquo높은 편이다rsquo와 lsquo매우 높다rsquo가 차지하는 비 이 매우 낮아 이들을 합도가 lsquo낮은 편이다rsquo와 lsquo매우 낮다rsquo로 취 하여

도 분석 결과에는 의미있는 차이가 나타나지 않는다

변수명 측 수 평균값 표 편차 최솟값 최댓값

이직 여부(이직 1) 15705 0099 030 0 1

차수 직장만족도 15636 5659 1698 0 100

차수 직장만족도 15585 5679 1698 0 100

직장만족도 변화 15531 019 1636 -90 80

차수 직무만족도 15653 6052 1599 0 100

차수 직무만족도 15600 6056 1615 0 100

직무만족도 변화 15563 003 1641 -75 85

차수 일자리만족도 15596 5390 1618 0 100

차수 일자리만족도 15562 5454 1646 0 100

일자리만족도 변화 15468 065 1722 -100 75

차수 기술 합도 15613 9014 2138 0 100

차수 기술 합도 15590 9058 2146 0 100

기술 합도 변화 15509 044 2387 -100 100

차수 교육 합도 15656 8969 2169 0 100

차수 교육 합도 15620 9008 2186 0 100

교육 합도 변화 15582 040 2413 -100 100

차수 교육기술복합지수 15612 8991 2106 0 100

차수 교육기술복합지수 15590 9034 2119 0 100

교육기술복합지수 변화 15508 043 2318 -100 100

차수 임 수 (단 만원) 15697 20247 12055 0 146975

차수 임 수 (단 만원) 15658 20589 12406 625 146975

임 수 변화(단 만원) 15650 344 5619 -71931 56572

lt표 3gt 이직 및 성과지표별 기초통계량

IV 일자리 이동의 영향요인

본 에서는 일자리 이동에 향을 미치는 주요 요인들에 해 평가해 보도록 한다 이직확률

추정을 하여 로짓회귀분석(Logistic Regression)을 수행하 으며 여덟 가지 회귀분석모형에 해

그 결과를 lt표 4gt에 요약하 다 각 모형은 이 차수와 차수 사이의 이직 여부를 종속변수로

한다 모형 1은 개인 특성변수들과 일자리 특성변수들을 설명변수로 하 으며 모형 2는 여기에

교육 합도를 추가하 다 모형 3은 여기에 일과 일자리에 한 만족도를 측정하는 여덟 개 변수

를 추가하 다 모형 4에는 직종더미를 모형 5에는 업종더미를 모형 6에는 연차더미를 차례로 추

가하 다 모형 7은 모형 6에서 종업원 규모를 제하고 추정한 결과이다 종업원 규모에 응답하지

않은 샘 수가 체 최종샘 의 178에 달하므로 설명변수에서 종업원 규모를 뺀 모형 7은 샘

수를 극 화한 추정 결과를 제시한다 모형 8은 모형 6의 설명변수 교육 합도를 기술 합도로

체한 추정 결과이다 교육 합도와 기술 합도의 상 계수가 0913에 달하므로 하나의 모형에

두 변수를 모두 포함시키기보다 별도의 모형을 만들어 상호비교하는 방법을 택한 것이다 이들 모

형들의 하단에 lsquo평균치 이직확률rsquo을 표기하 다 lsquo평균치 이직확률rsquo은 추정에 활용된 변수들의 평

균치에서 계산한 이직확률을 나타낸다 즉 샘 내의 표 임 근로자(Representative Paid Worker)의 이직 가능성을 변하는 수치이다 주어진 모형들이 추정한 lsquo평균치 이직확률rsquo은 략

8 안 (76~902)이다 각 추정계수 우편에는 한계효과를 함께 표시하 는데 이는 설명변수가

한 단 상승할 때(더미변수의 경우 0에서 1로 바뀔 때) lsquo평균치 이직확률rsquo의 변동분을 나타낸다 lsquo평균치 이직확률rsquo과 한계효과 모두 100을 곱하여 백분율로 표기하 다

분석 결과에 따르면 네 가지 개인의 특성변수(나이 성별 교육수 혼인 여부) 에서는 나이

와 성별만이 통계 으로 유의한 향요인으로 확인되었다 여성의 경우 남성에 비해 이직확률이

략 11p 가량 낮은 것으로 나타났다 연령이 높을수록 이직확률이 낮아지는데 나이가 한 살

증가할수록 략 04p 가량 이직확률이 하락하 다 일자리 련 특성변수 에서 정규직 여부 첫(혹은 두 번째) 일자리 여부 임 수 종업원 규

모 모두 통계 으로 유의한 향요인으로 악되었다 정규직일 경우 비정규직에 비해 이직확률

이 2p 가량 하락하 다 생애 첫 번째(혹은 두 번째) 일자리인 경우 44p 가량 이직확률이 하락

하 다 그러나 이것이 노동시장 진입 기에 이직확률이 더 낮다는 식으로 해석될 수는 없다 그보다는 이 에 이직경험이 많은 이들은(즉 재 일자리가 생애 세 번째 혹은 그 이상인 이들은) 그들의 직업 특성으로 인하여 이 에 이직경험이 은 이들에 비해 향후 일 년간 다시 이직

할 확률이 44p 가량 높다라고 해석해야 할 것이다14) 임 수 이 높을수록 이직확률이 떨어지

는 것으로 나타났다 임 이 10 상승할 때 이직확률은 045p만큼 하락한다 종업원 규모 역시

이직확률과 부의 계를 가지는 것으로 나타났다 종업원 규모가 10 가량 큰 기업에서 근무하면 이직확률은 007p 가량 하락한다 이는 종업원 규모가 큰 기업일수록 내부 노동시장을 활용한

직무재배치가 용이하기 때문인 것으로 악된다교육 합도 혹은 기술 합도가 높을수록 이직확률이 하락하는 것으로 나타났다 교육 혹은 기

술 합도가 10 상승할 때 025p 가량 하락한다 재 하는 일이 나의 교육(혹은 기술) 수 보

다 낮다고 답한 경우( 합도 50 ) 수 이 맞다고 답한 경우( 합도 100 )보다 125p만큼 이직

확률이 증가하는 것을 의미한다 따라서 노동자의 기술 혹은 교육 수 에 합한 직무와 그에 합

당한 우가 이직확률을 떨어뜨리는 데 효과 임을 알 수 있다일자리만족도와 련한 여덟 가지 변수 에서 임 에 한 만족도 직장 내 인간 계에 한

만족도 인사고과의 공정성에 한 만족도는 이직에 유의미한 향을 미치지 못하는 것으로 나타

났다 특히 이 임 에 한 만족도가 이직 여부에 결정 역할을 하지 않는다는 은 흥미로운

결론이다 반면 취업 안정성에 한 만족도와 근로환경 복지후생에 한 만족도 그리고 업무

에 한 만족도는 이직확률과 통계 으로 유의한 부(-)의 계가 있음이 확인되었다 취업 안정성

에 한 만족도 근로환경의 만족도 그리고 업무만족도의 경우 100 만 에 10 향상 시 04p 가량 이직확률을 떨어트리는 것으로 나타났으며 이는 이들 만족도에 한 응답이 불만족(25 )에

14) 를 들어 주어진 최종샘 에서 직장경력이 많은 40세 이상인 이들만을 고려할 때 첫 번째(혹은 두 번째) 일자리

보유자 2711명의 연간 이직률은 262인 데 반해 두 번 이상 이직경험이 있는 이들 4410명의 연간 이직률은

859로 이직률이 597p 높은 것을 확인할 수 있다

서 보통(50 )으로 개선된 경우 1p만큼 이직확률이 감소하는 것을 의미한다 개인만족도 련

변수 이직확률에 가장 향력이 큰 변수는 복지후생 변수로서 이에 한 만족도는 10 향상

시 이직확률을 055p 가량 떨어트리는 것으로 나타났다 복지후생만족도에 한 응답이 불만족

(25 )에서 보통(50 )으로 개선된다면 략 138p만큼의 이직률 하락을 기 할 수 있는 것이다이상의 분석 결과는 국내 임 근로자의 이직 결정에 있어서 비임 측면에서의 만족도가

요한 역할을 한다고 주장한 김동헌김상호(2001)의 연구와 맥을 같이 한다15) 여러 해외 연구 결

과도 비임 요소의 요성을 강조한 바 있다 를 들어 Gottschalk and Maloney(1985)는

Michigan PSID(Panel Study of Income Dynamics)를 이용하여 이직 후 새로운 직장이 더 만족스럽

다고 응답한 사람들 가운데 그 41는 실질임 의 삭감을 감내한 것으로 밝힌 바 있다흥미로운 은 개인의 발 가능성에 한 만족도가 이직확률과는 정(+)의 계를 보인다는

이다 개인의 인 자본을 높일 수 있는 일을 하고 있을 때 이러한 자기발 을 활용하여 보다 우

가 좋은 직장으로 이동하는 경향이 있음을 확인한 것이다 자기발 에 한 만족도 10 상승이

045p만큼의 이직확률 증가와 연 된 것으로 확인되었다 를 들어 자기발 만족도에 한 응

답이 보통(50 )인 사원보다 만족(75 )인 사원의 이직확률이 113p 가량 높은 것이다직종에 따른 이직확률의 차이에서는 문 리직 종사자나 서비스 매직 종사자가 생산기능직

종사자에 비해 략 3p만큼 이직확률이 높다는 것을 확인하 다 반면 농어민의 경우 생산기능

직 종사자에 비해 6p만큼 이직확률이 낮았다 업종에 따른 이직확률의 차이에서는 업종 간의 큰

차이를 발견하기 어려웠다 다만 농어업 련 기업에 종사할 경우 공업 련 기업에 종사하는

경우보다 이직확률이 상당히( 략 15p만큼) 높아짐을 확인할 수 있었다 다만 노동패 은 군부

지역을 제외하고 도시지역만을 상으로 한 조사이기 때문에 농어민 혹은 농어업 련 산업의 종

사자에 한 자료는 매우 미흡한 수 이다16) 따라서 농어민이나 농어업 종사자에 한 이상의

결론은 신뢰도가 다소 떨어짐을 유념할 필요가 있다

15) 김동헌김상호(2001)는 노동패 의 1차 자료만을 활용하여 동일한 분석을 수행한 바 있으며 이들의 결론은 8가지

만족도 변수 취업 안정성 복지후생 인사공정에 한 만족도가 이직성향과 부(負)의 계를 가진다는 것이었다 이들의 연구에 비해 본 연구의 표본의 수가 보다 방 하고 다양한 배경 변수(업종더미 직종더미 회사규모)와 개인

특성변수(첫 일자리 여부 교육 합도 등)를 통제하고 있으므로 본 연구의 결과가 보다 신뢰할 만한 결과를 제시하

고 있다고 단된다 16) 최종샘 에서 농어민이 차지하는 비 은 1 미만이고 샘 수로는 101명에 그친다 농어업 련 기업의 종사자가

차지하는 비 역시 1 미만에 종사자 수 111명에 그친다

다항로짓회귀분석 모형 1 모형 2 모형 3 모형 4

종속변수 이직 여부 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과

성별(여성 1) -01627(00665) -1313 -01272

(00672) -1030 -00669(00701) -0536 -01378

(00753) -1081

나이 -00512(00041) -0420 -00513

(00041) -0421 -00510(00042) -0412 -00507

(00042) -0404

교육수 00263(0029) 0216 00135

(00294) 0111 00350(00306) 0283 00264

(00342) 0210

혼인 여부(미혼 1) 00531(00746) 0440 00601

(00748) 0498 00563(00757) 0459 00643

(00762) 0518

정규직 여부(정규직 1) -03042(00713) -2688 -02777

(00718) -2438 -02213(00743) -1887 -01853

(00751) -1544

첫(혹은 두 번째) 일자리 여부

-05513(00647) -4453 -05462

(00649) -4412 -05313(00656) -4227 -05429

(00659) -4258

임 수(단 만원 로그)

-05933(00709) -4868 -05360

(00727) -4398 -05253(00769) -4242 -05393

(00782) -4294

종업원 규모(단 명 로그)

-01019(00145) -0836 -01010

(00145) -0829 -00838(00149) -0677 -00691

(00149) -0550

차수 교육 합도 -00045(00012) -0037 -00031

(00014) -0025 -00030(00014) -0024

차수 기술 합도

업무만족도 -00031(00025) -0025 -00036

(00025) -0029

임 만족도 00025(00020) 0021 00029

(00020) 0023

취업 안정성 만족도 -00041(00021) -0033 -00044

(00021) -0035

근무환경만족도 -00049(00021) -0039 -00050

(00022) -0040

인간 계만족도 -00016(00024) -0013 -00015

(00024) -0012

자기발 만족도 00055(00023) 0045 00050

(00023) 0040

인사공정만족도 00006(00027) 0005 00011

(00027) 0009

복지후생만족도 -00069(00021) -0055 -00070

(00021) -0055

(기 생산기능직)

문 리직 여부 03710(01169) 3328

사무기술직 여부 -01145(00887) -0898

서비스 매직 여부 04280(00885) 3890

농어민 여부 -03201(04768) -2238

(기 공업 종사)농어업 종사 여부건설업 종사 여부도소매 숙박업 종사

여부서비스 련업 종사

여부연차 더미 No No No No

평균치 이직확률times100(각 변수의 평균치

기 )902 902 886 872

관측 수 12869   12829   12655   12652  

결정계수( ) 0070   0072   0076   0082  

lt표 4Agt 일자리 이동 영향요인 분석(I)

주 1 는 유의수 10 는 유의수 5 는 유의수 1를 의미함2 한계효과는 추정된 한계효과(marginal effects)를 백분율로 표시함3 더미변수의 한계효과는 변수값이 0에서 1로 변할 때 이직확률의 변화분을 나타냄(변수명의 표시가 더미변수)

다항로짓회귀분석 모형 5 모형 6 모형 7 모형 8

종속변수 이직 여부 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과

성별(여성 1) -01528(00759) -1194 -01482

(00760) -1154 -01872(00713) -1289 -01477

(00761) -1151

나이 -00505(00042) -0401 -00505

(00042) -0400 -00521(00040) -0366 -00504

(00042) -0399

교육수 00309(00345) 0245 00327

(00347) 0258 00113(00324) 0080 00346

(00345) 0274

혼인 여부(미혼 1) 00659(00764) 0529 00635

(00766) 0507 01045(00721) 0749 00684

(00767) 0548

정규직 여부(정규직 1) -02033(00770) -1696 -02075

(00776) -1727 -01213(00735) -0875 -02093

(00777) -1744

첫(혹은 두 번째) 일자리 여부

-05421(00660) -4240 -05445

(00661) -4241 -06294(00623) -4407 -05495

(00662) -4284

임 수(단 만원 로그)

-05309(00788) -4215 -05277

(00790) -4172 -06554(00702) -4602 -05288

(00791) -4186

종업원 규모(단 명 로그)

-00695(00151) -0552 -00690

(00152) -0546 -00685(00152) -0542

차수 교육 합도 -00028(00014) -0022 -00029

(00014) -0023 -00027(00013) -0019

차수 기술 합도 -00030(00014) -0024

업무만족도 -00038(00025) -0030 -00043

(00025) -0034 -00054(00023) -0038 -00045

(00025) -0036

임 만족도 00029(00020) 0023 00026

(00020) 0020 00027(00019) 0019 00026

(00020) 0020

취업 안정성 만족도 -00048(00021) -0038 -00045

(00021) -0035 -00051(00020) -0036 -00044

(00021) -0035

근무환경만족도 -00052(00022) -0041 -00054

(00022) -0042 -00053(00020) -0037 -00053

(00022) -0042

인간 계만족도 -00014(00024) -0011 -00015

(00024) -0012 -00014(00023) -0010 -00013

(00024) -0011

자기발 만족도 00054(00023) 0043 00057

(00023) 0045 00061(00022) 0043 00057

(00023) 0045

인사공정만족도 00010(00027) 0008 00011

(00027) 0009 -00006(00025) -0004 00014

(00027) 0011

복지후생만족도 -00069(00021) -0055 -00069

(00021) -0054 -00060(00020) -0042 -00068

(00021) -0053

(기 생산기능직)

문 리직 여부 03574(01203) 3183 03594

(01204) 3190 03478(01160) 2728 03514

(01204) 3114

사무기술직 여부 -01409(00916) -1098 -01365

(00917) -1060 -01322(00878) -0911 -01374

(00917) -1068

서비스 매직 여부 03146(01080) 2752 03136

(01081) 2732 02369(01012) 1793 03037

(01084) 2640

농어민 여부 -13598(06827) -6349 -13198

(06821) -6224 -12188(06557) -5262 -13254

(06828) -6246

(기 공업 종사)

농어업 종사 여부 12277(05423) 15765 12064

(05429) 15324 08109(05129) 7981 12026

(05431) 15270

건설업 종사 여부 -01858(01239) -1386 -01819

(01240) -1353 -01896(01146) -1251 -01797

(01240) -1339

도소매 숙박업 종사 여부

01413(01027) 1165 01417

(01028) 1163 02878(00976) 2200 01393

(01029) 1144

서비스 련업 종사 여부

00006(00808) 0005 00016

(00808) 0013 -00420(00778) -0295 -00024

(00809) -0019

연차 더미 No Yes Yes Yes평균치 이직확률times100

(각 변수의 평균치 기 ) 869 865 760 867

관측 수 12651   12651   15344   12614  

결정계수( ) 0083   0085   0091   0084  

lt표 4Bgt 일자리 이동 영향요인 분석(II)

주 1 는 유의수 10 는 유의수 5 는 유의수 1를 의미함 2 한계효과는 추정된 한계효과(marginal effects)를 백분율로 표시함 3 더미변수의 한계효과는 변수값이 0에서 1로 변할 때 이직확률의 변화분을 나타냄(변수명의 표시가 더미변수)

Group

Treated (=1) 측 가능 Counterfactual

Untreated (=0) Counterfactual 측 가능

V 분석 방법(Propensity Score Matching)

본 에서는 일자리 이동의 효과성 분석에 사용할 방법론으로서 Heckman Ichimura and Todd(1997)이 제안한 Propensity Score Difference- in-Differences(DID) Matching(PSM)에 해 설명

하고자 한다 이에 앞서 우선 이 방법론의 근간이 되는 Averge Treatment Effect for the Treated(ATT)(Rubin[1974])와 Propensity Score Matching(PSM)(Rosenbaum and Rubin[1983]) 일반에

해 소개하기로 한다

1 Average Treatment Effect for the Treated

결과에 향을 미치는 Treatment Variable로서 더미변수 를 가정하자 Treatment의 부여 여부

에 따라서 Treated Group(혹은 실험군)과 Untreated Group(혹은 조군)으로 구분할 수 있다 =1 (Treated Group)과 =0 (Untreated Group) 이때 잠재 결과치(Pontential Outcomes) 가 Treatement 여부에 따라 각기 ( )일 때 Average Treatment Effect(ATE)는 다음과 같다 그러나 이러한 통 인 계산방식은 Treatment가 무작

(Randomization)라는 가정하에서만 편 되지 않은 측치(Unbiased Estimates)를 제공할 수 있다 순수한 무작 실험이 아니라면 분석의 상이 데이터에서 Treatment 여부가 무작 인 경우는 드

물다 즉 특정한 요인들이 Treatment 참여 여부에 직간 인 향을 미치는 것이다 를 들어 특정약물의 효과를 알고 싶다고 하자 약물이 투여된 사람과 그 지 않은 사람의 건강상태를 악

하면 된다고 생각할 수 있다 그러나 약물이 투여되지 않은 사람은 개 건강한 사람들이기 때문

에 이들의 건강상태를 약물이 투여된 사람과 직 비교한다면 약물을 투여한 사람이 여 히 건강

상태가 나쁜 것으로만 나올 것이고 약물투여의 효과가 없다라고 결론짓게 될 것이다 비교 상은

건강한 사람이 아니라 약물이 투여된 집단만큼의 건강이 양호하지 않은 집단이어야 한다 이 게

건강하지 않는 사람과 비교할 때 약물 투여의 순수한 효과를 검증할 수 있다 이러한 무작 의 여

부로부터 발생하는 문제를 선택편의(Selection Bias)라고 한다데이터로부터 우리가 측할 수 있는 결과치는 Treated된 경우의 과 Untreated된 경우의

이다 선택편의의 문제가 발생할 때 Treatment의 효과를 제 로 알고자 한다면 우리가 비교해야

하는 상은 Treated 된 경우의 Treatment가 용되지 않았을 때의 결과 즉 ( |=1)이다 이러한

가상의 결과를 Counterfactual이라고 한다 (역시 Untreated된 경우의 Treatment가 용되었을 때 결

과 즉( |=0) 역시 Counterfactual이다) 다음의 표가 이를 간략히 정리하고 있다

선택편의(Selection Bias)의 문제하에서 Treatment의 효과를 측정하기 하여 체 집단에 한

Treatment Effect가 아닌 Treated Group에 한 Treatment Effect에 한정하여야 한다 이 게 한정된

집단 즉 Treated Group에 한 효과성 측정을 Average Treatment Effect for the Treated(ATT)라고 한

(1)

여기서 는 Counterfactual에 한 기 치이므로 자료로부터의 직 인 추정은 불

가능하다 Treatment Selection이 측 가능한 변수들의 특정한 집합 Z에 의존한다고 가정해 보자 Dawid(1979)의 표 법에 따르면 다음과 같은 계가 성립한다 ∐ 즉 Z를 통제하 을

때 Untreated Group의 값의 분포와 Treated Group이 만약 Treatment를 받지 아니하 을 때의

값의 분포(즉 Counterfactual의 분포)는 서로 동일하다는 것이다 이는 기 치에 한 다음과 같은

계를 내포한다

(2)

즉 counterfactual인 을 측치인 이 체할 수 있는 것이다 식

(2)의 계를 조건부 독립가정(Conditional Independence Assumption CIA)이라고 한다 Rubin(1974)은 조건부 독립가정(CIA)의 조건이 충족할 경우 ATT를 다음과 같이 측정할 수 있다고 제안한 바

있다

(3)

즉 직 으로 설명한다면 =1인 집단에 속한 특성 Z인 개체에 하여 동일 특성을 지닌 개

체를 =0인 그룹에서 찾아 그 둘의 Y값을 비교하면 되는 것이다 =1 집단 내의 모든 개체에

하여 동일한 계산을 한 뒤 이를 합산하면 ATT를 구하게 된다 그러나 이 방법 역시 일정 정도의 한계를 지닌다 만약 Z가 이산변수(Discrete Variable)가 아닌

연속변수(Continuous Variable)라면 =0 집단에서 동일한 Z를 가진 개체를 찾을 수 없으므로 이상

의 측정법을 용할 수 없다 한 특정 변수들이 집합인 Z에 포함된 변수들이 많은 경우 동일한

특성의 개체를 =0 집단으로부터 찾는 것이 어려울 수 있다 이러한 한계를 극복하고자 도입된 것

이 Propensity Score Matching 방식이다

2 Propensity Score Matching Estimator

Propensity Score(PS)를 Z 특성을 지닌 개체가 Treated될 확률로 정의하고 로 표시하도록

하자

Propensity Score equiv (4)

Rosenbaum and Rubin(1983)은 0ltP(Z)lt1이 모든 Z에 해 만족할 경우 다음의 계가 성립한다

는 것을 증명하 다

∐ rArr ∐ (5)

이 계식은 을 내포하므로 변수집합의 Z의 차원수

∐ rArr

(Dimensionability)가 클 경우에도 다음과 같이 다일변수 P(Z)를 활용하여 ATT를 구할 수 있다

(6)

샘 수의 유한성으로 인해 실제로 식의 두 번째 항을 추정하는 것은 간단치 않은 작업이

다 한 ATT의 추정은 Common Support 역 즉 Treated Group의 P(Z)의 분포와 Untreated Group의 P(Z)의 분포가 겹치는 Z의 역에 한정하여야 한다 Common Support를 벗어나는 역에 해

서는 비교가능한 Counterfactual를 찾기 힘들기 때문이다 이를 반 하여 주어진 샘 내에서 ATT를 추정할 수 있는 다양한 Propensity Score Matching(PSM) Estimator가 제안되었는데 이는 다음과

같이 요약될 수 있다(Todd[2006])

isincap

isin

(7)

여기서 는 Treated Group 구성원을 는 Untreated Group의 구성원을 나타낸다 는 Common Support 역 내의 개체들의 집합을 나타낸다 은 Treated Group의 구성원 Common Support 역에 속하는 개체들의 총수이다 는 가 치를 나타내는 것으로 두 Propensity Score의 거리

인 을 이용하여 결정된다 가 치 용방식에 따라 다양한 측정방식이 제시될 수

있다 이에 해서는 추후에 추가 으로 논의하도록 한다

3 Difference-in-Differences Matching Estimator

여기서 한 단계 발 된 방식의 PSM이 Heckman Ichimura and Todd (1997)에 의해 제시된

Difference-in-Differences(DID) Matching Estimator이다 앞서 ATT의 추정에서 측 가능한 특정 변수

들의 집합 Z가 주어졌을 때 결과치 가 Treatment에 독립 (즉 ∐ 이 성립)이라고 가정한

바 있다 그러나 Z에 포함되어야 할 많은 변수 측이 되지 않는 경우가 있을 수 있다 이러한

경우 계가 더 이상 성립하지 않아 앞서의 ATT 추정법은 정

당성을 상실한다 하지만 Longitudal Data가 주어진 경우 즉 Treatment 이 과 이후의 결과치( )가

주어진 경우 분석 상을 신에 lsquo의 변화분rsquo으로 변경함으로써 이러한 문제를 상당 부분 해

소할 수 있다 Treatment 이 과 이후 두 개의 시간 를 와 prime이라 한다면 분석 상을 이

아닌 prime prime 으로 둘 수 있는 것이다 이때 ATT를 추정하기 해서는

prime ∐ 의 가정이면 충분하게 된다 이는 앞서보다 훨씬 완화된 가정이므로 충족하기

가 보다 용이해진다 특히 측되지 않는 시간 불변(time-invariant)의 일부 변수가 Treatment Selection에 연 된 경우에도 이 변수가 와 prime에는 직 인 향을 미치더라도 prime 에 미치는 향이 없다면(즉 독립 이라면) 문제가 되지 않는 것이다17) 따라서 Longitudal Data가

17) 이 외에도 주어진 수치들이 데이터가 수집된 지역에 따라 Level이 다를 경우 Difference 변수를 활용함으로써 이러

한 Level 차이에서 기인한 편의(bias)를 해소할 수 있다

주어진 경우에 DID Matching Estimator는 매우 효과 인 도구로 활용될 수 있다 이때 DID Matching Estimator는 다음과 같은 방식으로 요약될 수 있을 것이다

isincap

prime prime prime

isin prime

(8)

본 연구에서는 앞서 소개한 DID Matching Estimator를 이용함으로써 시간불변(time-invariant)의

측되지 아니하는 변수들을 사 에 통제하고 보다 신뢰할 만한 분석 결과를 제시하고자 한다

4 Treatment Effect 측정방식

의 가 치를 결정하는 를 어떻게 설정하느냐에 따라 다양한 PSM Estimator가 존재한다 본 연구의 분석에서는 가장 활발히 이용되는 측정방식들로서 Nearest Neighbor Matching Radius Matching Kernel Matching 이 세 가지를 활용하기로 한다18)

가 Nearest Neighbor Matching

이 방식은 조군인 Untreated Group에 속한 개체 에서 Propensity Score가 실험군(Treated Group) 개체의 Score와 가장 근 한 개체를 선택하는 방식이다 즉 를 최소화시키

는 에 해서는 이고 나머지 에 해서는 이 성립한다 [그림 2]가 이

를 잘 형상화하고 있다 이때 Score가 근 한 개체를 하나가 아닌 복수로 선정함으로써 하나를

선정할 때보다 더욱 안정된 추정치를 얻을 수 있다 다만 매칭되는 개체 수가 무 많을 경우

가 크게 되어 편의(bias)가 증가할 수 있으므로 신 할 필요가 있다 개의 근

한 개체를 선택하는 경우 이들 개체 에 해서는 이 성립하고 나머지 에

해서는 이 성립한다 Nearest Neighbor Matching의 경우 가장 근 한 개체를 선택하 으나 가 무

커서 Counterfactual로서 부 합한 매칭이 이루어질 가능성이 있다 이를 보완하기 하여 Cochran and Rubin(1973)은 한 Caliper를 선정하여 매칭에 있어서 를 일정 한도로 제

한할 것을 제안한 바 있다 본 분석에서는 을 5개로 선정함으로써 편의(bias)를 이면서도 안정

된 추정치를 얻고자 하 으며 Caliper는 히 작은 0005로 설정하여 부 합한 매칭을 최소화하

고자 하 다19)

18) 이 외에도 주로 활용되는 측정방식으로 Stratification Matching Mahalanobis Matching 등이 있으나 이들을 활용한 결

과가 본 연구의 분석 결과와 크게 다르지 않다 Dehejia and Wahba(2002)는 Treated Group과 Untreated Group 간의

Propensity Score 분포가 상당 부분 서로 겹친다면 측정방식에 따른 분석 결과의 차이가 크지 않다는 을 강조한

바 있다 이는 실험군 한 개체에 해 매칭 가능한 충분한 수의 조군 개체들이 존재하기 때문이다 즉 측정방식의

차이에 따라 매칭이 되는 조군들의 특성이 크게 달라지지 않는 것이다 본 연구에서 추정한 Propensity Score 분포

는 Treated Group Untreated Group 두 집단 사이에 겹치는 부분이 매우 크다 이는 [그림 4]를 통해 쉽게 확인된다 19) 여기서 Caliper 설정은 실험군 개체와 매칭되는 조군 개체 사이의 PS 거리 즉 를 한 수 으로

제한하고자 함이다 부분의 실험군 개체의 경우 Caliper가 설정한 Boundary에 크게 제한을 받지 않으므로 히

작은 Caliper의 설정이면 편의(Bias)를 개선하기에 충분하다 본 분석에서 설정한 0005 이외에 0002이나 001을 사용

하여 보았으나 역시 결과의 차이가 크지 않음을 확인하 다

[그림 2] Nearest Neighbor Matching(n=1인 경우)

나 Radius Matching

이 방식은 일정 반경을 Caliper로 설정하고 Untreated Group에서 가 Caliper 이내인 모든 개체 를 Treated Group의 개체 에 매칭하는 방법이다(그림 3 참조) 개체 에 하여

Untreated Group으로부터 매칭된 개체의 수가 라면 이들에 해서는 이 성립하고 매칭이 안된 나머지 개체들에 해서는 이 성립한다 이 추정방식은 앞서 Nearest Neighbor Matching에 비해 Propensity Score가 근 한 조군 내의 보다 많은 개체를 분석에 활용할

수 있다는 장 이 있다 보다 많은 조군 내 개체를 활용할수록 Treatment Effects 측정의 정확성

(Precision)은 상승하게 된다 매칭이 가능한 조군 개체의 수가 충분히 많다면 Caliper는 작을수록 좋다 Caliper가 클수록

부 합한 매칭에 따른 Treatment Effects의 편 (Bias)이 커질 수 있기 때문이다 본 분석에서는 샘

의 수가 충분히 크기 때문에 Caliper를 0002로 설정하여 매우 근 한 개체들에 해서만 매칭이

이루어지도록 설정하 다20)

20) 다음 에서는 주어진 샘 을 활용하여 Propensity Score를 추정하고 있다 이 결과에 따르면 PS (01 0102)인 구간

에서 조군 개체 수가 116개 (02 0202) 구간에서 조군 개체 수가 32개 (03 0302) 구간에서 조군 개체 수가

12개에 이르는 것을 확인할 수 있다(표 6과 그림 4를 참조 바람) 즉 0002의 Caliper를 사용할 때 한 개의 실험군

개체에 해 10개 내지 100개 이상의 조군 개체들이 매칭되는 경우가 흔히 존재하는 것이다 반면 Caliper를 이보

다 작게 설정한다면 (특히 PS가 큰 구간에서는) 실험군 개체들과 매칭되는 조군 개체가 존재하지 않을 수 있다 를 들어 PS (04 0402)인 구간에서 조군 개체 수는 단 1개 존재하나 PS (0401 0402)인 구간에서는 무하다

따라서 본 연구에서는 최소의 Caliper이면서도 매칭되는 조군 개체의 수가 충분할 수 으로서 Caliper 0002를 선

정하 다 반면 민감성 테스트(Sensitivity Check)에 따르면 Caliper 0001이나 0003에서도 연구 결과의 차이가 크지

않음을 확인하 다

[그림 3] Radius Matching

다 Kernel Matching

이 방식은 Treated Group 내의 각 개체에 한 매칭을 Untreated Group 내의 모든 개체를 상

으로 진행하는 방식으로 에 따라 가 치를 부여한다 가 작을수

록 가 치가 커진다 이때 사용되는 가 치는 다음과 같이 표시될 수 있다

isin

(9)

여기서 G는 선택된 Kernel function을 은 Bandwidth Parameter를 표시한다 이 방식은

Heckman Ichimura and Todd(1998)에 의해 도입되었는데 주어진 모든 개체를 추정에 활용하므로

정보의 손실을 최소화할 수 있다는 장 이 있다 한 앞서의 두 추정방식과는 달리 인 인

Caliper의 설정이 불필요하다는 장 도 있다 Kernel의 선택에는 Gaussian Function(Normal Distribution) Biweight Function Epanechnikov Function 등 다양한 방식이 가능하나 본 분석에는

Normal Distribution을 채택하 다 Bandwidth Parameter로는 001을 선택하여 가 근

한 이들에게 충분한 가 치가 주어지도록 하 다21)

VI Propensity Score의 추정

주어진 자료에서 Treatment는 이직에 해당한다 이직에 한 Propensity Score(PS)를 추정하기

해서는 이직에 향을 미치는 주요 변수의 집합 을 사용하여야 한다 이들 변수는 다음 조건

을 만족하여야 한다 prime ∐ 즉 이직에 향을 미치는 주요 변수들을 통제한 후에

는 이직을 하지 않은 이들의 결과치 에 한 변화분 prime 의 분포가 이직을 한

이들이 만약 이직을 하지 않았을 때 상되는 결과치 에 한 변화분 prime 의 분

21) Bandwidth Parameter가 0005 002인 경우도 확인해 보았으나 결과에는 큰 차이가 발견되지 않았다

추정함수 Logistic Regression(이직 = 1 비이직 = 0)Z 추정계수 표 오차

직장유지의향 -0002 0004 직무유지의향 -0015 0004 성별(여성 1) -0104 0071

나이 -0138 0023 나이2 0001 0000

교육수 0169 0050 혼인 여부(미혼 1) -0056 0082

정규직 여부(정규직 1) 0342 0248 첫(혹은 두 번째) 일자리 여부 -0599 0068

임 수 (단 만원 로그) 0076 0601 임 수 (단 만원 로그)2 -0052 0063 종업원 규모(단 명 로그) -0084 0015

차수 교육 합도 0000 0001 임 만족도 0003 0002

근무환경만족도 -0004 0002 일자리만족도 -0003 0003

서비스 매직 여부 0459 0077 농어업 종사 여부 0324 0378

정규직 여부 times 교육수 -0131 0056 직장유지의향 times 직무유지의향 0000 0000

상수항 3558 1584 측 수 12754

결정계수( ) 00873

Log Likelihood -401098

포와 동일해야 하는 것이다 따라서 Propensity Score의 추정에 활용할 변수들은 앞서 일자리 이동

의 향요인에 한 분석을 통해 선별할 수 있다 특히 주어진 노동패 의 자료에서는 ldquo 재의

직장을 계속 다니고 싶은가(직장유지의향)rdquo와 ldquo 재 맡고 있는 일을 계속하고 싶은가(직무유지의

향)rdquo라는 이직의사와 련된 매우 긴요한 변수들이 포함되어 있는데 이들을 주요 변수의 집합

에 포함시킴으로써 이상의 조건이 보다 용이하게 충족될 수 있음을 기 할 수 있다 Propensity Score의 추정에는 Logistic Regression을 활용하 다 추정에 활용된 주요 변수들의 집합 과 각

변수에 한 추정계수는 lt표 5gt에 요약되어 있다

lt표 5gt Propensity Score의 추정방정식

주 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

앞서 일자리 이동 향요인에 한 분석에서 일자리 이동의 요한 결정변수로 악된 변수

들이 부분 PS 추정방정식에 포함되었다 만족도와 련한 변수 업무만족도 취업 안정성 만

족도 자기발 만족도 복지후생만족도 이상 네 변수는 일자리 향요인으로 통계 으로 유의하

게 악되었으나 PS 방정식에 추가된 일자리만족도 직장유지의향 직무유지의향 등과의 통계

상 계가 매우 높아 PS 추정방정식에 따로 포함시키지 않았다22) 한 추정방정식에는 일부

Interaction Terms들과 Higher Order Terms들을 추가하여 앞서 설명한 변수집합(Z)의 기본요건을 맞

추고자 하 다 추가 변수들은 Balancing Property를 충족하기 하여 선정되었는데 이에 해서는

아래에서 추가 부연한다Rosenbaum and Rubin(1983)에 따르면 PS는 다음 조건을 만족한다

∐ rArr

즉 PS를 통제한 뒤에는 변수집합 Z와 Treatment 여부 D가 상호 독립 이라는 것이다 이는 PS가 동일한 개체들에 해 Z의 평균값을 구한다면 Treatment를 받은 집단과 그 지 않은 집단 사이

에 차이가 없어야 한다는 을 내포한다 이를 Balancing Property라 한다 이를 검증하기 한 방

법으로 P(Z)를 여러 구간(Blocks)으로 나 뒤 각 구간에 한 Mean Difference Statistical T-test를

시행할 수 있다 일부 구간에 해 T-test가 만족하지 않는 경우에는 구간을 더욱 세분하여 진행하

고 여 히 만족이 되지 않는 경우에는 문제가 되는 일부 변수들의 Interaction Terms들과 Higher Order Terms들을 PS 추정방정식에 추가하여 앞서의 과정을 되풀이한다(Dehejia and Wahba[1999]) 앞서 언 된 Interaction Terms과 Higher Order Terms들은 이상의 과정을 거쳐 추가된 항들이다

Balancing Property 검증을 하여 다양한 PS 추정방정식을 설정하여 반복 인 Test를 수행하

다 최종 으로 lt표 5gt의 추정방정식에서 도출한 PS를 기 으로 lt표 6gt과 같이 10개의 Block을

구분한 뒤 Mean- Difference Statistical T-test를 진행하 다 Block 설정은 PS의 Common Support 역인 [00149 06]에 하여 이루어졌다 각 Block들에 한 T-test의 결과는 lt부표 2gt에 수록되어

있다 추정방정식에 도입된 독립변수 항이 총 20개이고 Block의 수는 10개이므로 총 200개의

Mean-Difference T-test가 시행되었다 lt부표 2gt에서 확인할 수 있듯이 5 Significance Level에서

부분의 Block들이 T-test를 통과하 다 통과에 실패한 테스트는 단 두 개로 Block 1의 lsquo정규직

여부rsquo에 한 테스트와 Block 8의 lsquo성별rsquo에 한 테스트이다 따라서 Block Test의 통과율이 99에

이르러 앞서의 PS 추정방정식이 Balancing Property를 체로 만족하고 있다고 결론내릴 수 있다 이상의 과정을 거쳐 확정된 PS 추정방정식을 이용하여 각 개체별로 PS를 구할 수 있다 [그림

4]는 이 게 구해진 PS에 하여 각 집단별 분포도를 제시하고 있다 Treated Group의 경우 PS의

분포가 Untreated Group에 비해 상 으로 우측으로 치우쳐 있음을 쉽게 확인할 수 있다 그리고

PS 분포에서 Common Support 역이 [00149 06]에 이른다는 것을 확인할 수 있다 이는 PS가

06보다 큰 경우에는 Treatment에 참여한 실험군 개체에 해 그에 상응하는 Counterfactual을 조

군으로부터 찾을 수 없음을 의미한다 따라서 PS를 활용한 Treatment의 효과 측정은 이 Common Support 역에 들어오는 실험군 개체들에 한정하여 이루어질 수밖에 없다

22) 를 들어 일자리만족도와 이들 네 변수와의 상 계수(Correlation Coefficient)는 각각 업무만족도(06536) 취업 안정

성 만족도(06014) 자기발 만족도(06279) 복지후생만족도(05514)에 이른다 이들을 포함시키더라도 반 인 결과

에는 큰 차이가 없다

(10)

02

46

8

0 2 4 6 8 0 2 4 6 8

Untreated Group Treated Group

DensityRough Density Curve

Den

sity

Propensity Score Distribu tion for Each Group

lt표 6gt Balancing Property 검증을 위한 Block 구분

Block 번호 Propensity Score 범 D=0 D=1 합계

1 00149 ~ 0025 655 10 665

2 0025 ~ 005 2128 59 2187

3 005 ~ 0075 2146 152 2298

4 0075 ~ 001 1744 200 1944

5 01 ~ 0125 1300 171 1471

6 0125 ~ 015 949 162 1111

7 015 ~ 02 1138 238 1376

8 02 ~ 03 845 242 1087

9 03 ~ 04 230 95 325

10 04 ~ 06 57 56 113

합계 11192 1385 12577

[그림 4] 각 집단별 Propensity Score 분포도

주 Common Support 역인 [00149 06]에 포함된 개체 수는 Untreated Group의 경우 11192명 Treated Group의 경우에

는 1385명임

VII 분석 결과

이제 구해진 PS를 활용하여 이직의 효과와 이직에 있어서 인 네트워크 활용의 효과성을 분

석할 비를 마련하 다 본 분석에서는 앞서 제3 에서 소개한 7가지의 성과지표에 하여 분석

을 진행할 것이다 우선 PS가 추정된 12754개체에 하여 PS를 고려하지 않은 단순비교를 진행해

성과지표의

연간 변화비교 상

이직자

평균

비이직자 평균

격차

(표 오차)

직장만족도 변화이직자 수 1379 3724 -0334 4058

비이직자 수 11274 (0466)

직무만족도 변화이직자 수 1386 2962 -0428 3389

비이직자 수 11285 (0466)

일자리만족도 변화이직자 수 1384 2944 0282 2662

비이직자 수 11261 (0489)

기술 합도 변화이직자 수 1383 2350 -0058 2408

비이직자 수 11245 (0684)

교육 합도 변화이직자 수 1389 2556 -0142 2697

비이직자 수 11300 (0689)

교육기술복합지수

변화

이직자 수 1383 2422 -0091 2513

비이직자 수 11245 (0664)

임 수 변화이직자 수 1384 9088 2782 6307

비이직자 수 11340 (1614)

보자 lt표 7gt은 이직자 집단과 비이직자 집단의 성과지표 변화를 단순비교한 것이다 표에서 확인

할 수 있듯이 이직자의 경우 모든 지표들에 하여 성과지표의 뚜렷한 증가가 목격되었다 비이

직자의 경우에는 임 수 이 2782만원 증가한 것을 제외하고 에 띄는 성과지표의 개선이 나타

나지 않았다23) 성과지표 개선에서 집단 간의 차이가 존재하는지를 검증하기 하여

Mean-Difference Statistical T-test를 진행하고 그 결과를 표에 수록하 다 모든 지표에 하여 이직

자 집단이 비이직자 집단에 비해 높은 증가세를 보인 것이 통계 으로 유의하게 확인된다 를 들

어 이직자 집단의 월평균 임 수 은 9088만원 상승한 것으로 나타나 비이직자 집단에 비해

6307만원만큼 큰 폭의 임 향상을 보 다 하지만 우리는 이상의 결과를 이직의 효과라고 단정

지을 수 없다 왜냐하면 이직의 효과는 이직자 집단에 속한 개체들의 성과 변화와 이들의

Counterfactual 즉 이들이 이직을 하지 않고 직장을 유지하 을 때의 성과 변화를 직 비교해

야 제 로 악되기 때문이다 이후 제시한 Propensity Score Matching에 의한 이직효과 측정은 이

러한 Counterfactual의 탐색에 기반한 분석 결과이다

lt표 7gt 주요 성과지표의 연간 변화 단순비교

주 1 성과지표의 변화에 한 집단 간 차이를 확인하기 하여 Mean-Difference Statistical T-test를 수행함 2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

23) 주어진 임 수 은 연간 임 상승률을 감안한 수치이기 때문에 비이직자의 임 은 불변이거나 하락하여야 정상이

다 재 악되는 비이직자들의 임 증가는 선택편의(Selection Bias) 문제에 의해 발생한 것으로 보인다 주어진 최

종샘 은 차수와 차수 모두에서 임 근로자로 악된 이들로 구성된다 취업시장에 신규로 진입하는 이들에

비하여 근속연수가 1년 많은 셈이다 한 차수에 임 근로자인 이들 임 상승폭이 작은 이들이 그 지 않은

이들보다 근로시장을 이탈할 가능성이 높다 이로 인하여 차수에 이어 차수까지 근로시장에 남아 있는 이들

은 상 으로 높은 임 상승을 보이는 것으로 단된다( 한 분석에 활용한 임 상승률이 lsquo임 구조기본통계조사rsquo의 표본으로부터 추정된 것이므로 노동패 표본과의 근본 차이로 인해 이상의 문제가 도출하 을 가능성도 일

부 배제할 수 없다)

공개채용 스카우트 소개나 추천 직 찾아가서 기타

인 네트워크

활용 구직

21 10 730 68 2

(69) (625) (8459) (1166) (556)

인 네트워크

비활용 구직

278 4 118 502 27

(9145) (250) (1367) (861) (750)

알 수 없음5 2 15 13 7

(164) (125) (174) (223) (1944)

총 사례 수 (1802명

)

304 16 863 583 36

(100) (100) (100) (100) (100)

이직 성격 분류비네트워크

경로-

네트워크

경로

비네트워크

경로-

본격 인 분석에 앞서 인 네트워크와 련하여 이직의 성격을 규명할 필요가 있다 인 네

트워크를 이직경로로 활용한 경우와 그 지 않은 경우로 구분지어 보도록 하자 이를 해 노동패

6차에서 10차까지의 체 경력직 취업자들을 상으로 한 lt부표 1gt의 lsquo경력직 취업자들의 일

자리 진입방식별 구직방법의 분포rsquo를 참조하도록 하자 노동패 에서 제공하는 일자리 진입방식

은 lsquo공개채용rsquo lsquo스카우트rsquo lsquo소개나 추천rsquo lsquo직 찾아가서rsquo lsquo기타rsquo 이 게 다섯 가지로 구분된다 이 lsquo공개채용rsquo 형태의 일자리 진입에서는 lsquo인터넷rsquo이나 lsquo매체 고rsquo를 활용한 구직이 체 사례

의 8486에 이른다 lsquo직 찾아가서rsquo 형태의 일자리 진입 역시 lsquo인터넷rsquo이나 lsquo매체 고rsquo 그리고

lsquo직 탐문rsquo 방식의 구직이 사례의 8113에 이른다 반면 lsquo소개나 추천rsquo 형태의 일자리 진입에서

는 lsquo친구나 친지rsquo를 통하거나 lsquo취업희망 직장의 지인rsquo 혹은 lsquo업무상 알게 된 지인rsquo을 통하는 경우

가 체의 81235에 이른다 즉 각 일자리 진입방식 간에 매우 뚜렷한 구직형태의 차이를 보여

주고 있다 lt부표 1gt의 성공한 구직방법 2 3 8 10 11을 인 네트워크를 활용한 구직으로 1 4 5 6 7 9를 그 지 않은 구직으로 분류하고 각 일자리 진입방식에 한 인 네트워크 활용도를

추산해 보면 다음 lt표 8gt과 같이 요약된다

lt표 8gt 일자리 진입방식별 이직의 성격 분류

주 ( ) 안은 각 일자리 진입방식에 한 이직 성격의 비 을 백분율로 표시함 자료 lt부표 1gt를 재구성한 것임

lt표 8gt에 요약된 바와 같이 lsquo공개채용rsquo과 lsquo직 찾아가서rsquo 형태의 일자리 진입에서 인 네트

워크를 활용하지 않은 구직이 각기 9145와 861에 이른다 반면 lsquo소개나 추천rsquo에서는 인 네

트워크를 활용한 구직이 8459에 이른다 이를 바탕으로 본 분석에서는 lsquo공개채용rsquo과 lsquo직 찾아

가서rsquo를 lsquo비네트워크 경로 이직rsquo으로 lsquo소개나 추천rsquo을 lsquo네트워크 경로 이직rsquo으로 구분한다 이 분류

에 따르면 15705명의 최종샘 에서 이직자로 악된 1560명 1438명의 체 인 구직경로 구

분이 가능하다 이 999명이 네트워크 경로 이직자로 439명이 비네트워크 경로 이직자로 분류

된다 한 앞서 PS가 추정된 12754명 에는 1391명이 이직자인데 그 891명은 네트워크 경

로 이직자로 387명은 비네트워크 경로 이직자로 분류된다

1 이직을 통한 개인만족도의 변화

아래 세 개의 도표 lt표 9gt lt표 10gt lt표 11gt은 이직을 통하여 개인의 만족도가 개선되는지의

여부를 PSM을 통하여 검증한 것이다 각각의 만족도지수(직장만족도 직무만족도 일자리만족도)에 하여 세 가지 방식의 PSM 추정치(Five Nearest Neighbors Radius Matching Kernel Matching)를

제시하고 있다앞서 lt표 7gt의 단순비교에서는 이직자와 비이직자의 연간 만족도변화가 100 만 에서

4058 (직장만족도) 3389 (직무만족도) 2662 (일자리만족도)만큼 차이가 나는 것으로 집계

되었다 그러나 PSM 방식으로 재추정된 이직의 만족도 개선효과는 각각 약 250 (직장) 216(직무) 155 (일자리)으로 나타났다24) 종합하면 단순비교 방식(표 7)은 PSM 활용방식(표 9

표 10 표 11)에 비해 이직의 만족도 개선효과를 약 1~15 만큼 과 추정하고 있음을 확인할 수

있다 이러한 상이 나타난 이유는 실제 이직한 이들이 그 지 않은 이들에 비해 기존 직장에서

의 만족도가 상 으로 낮았다는 데 있다 를 들어 주어진 최종샘 에서 이직자들의 기존 직장

에서의 직장만족도는 평균 5071 을 보이는 반면 같은 시기 비이직자들의 평균 직장만족도는 이

보다 무려 7 가까이 높은 5724 으로 나타났다 따라서 단순비교 방식에서는 이직을 통한 만족

도 개선효과가 다소 과장되어 추산되기 마련이다 이들 이직한 이들이 만약 기존 직장에 그 로 남아 있었다면 (이들의 만족도가 상 으로 낮

은 수 이므로) 다른 이들에 비해 보다 높은 수 의 만족도 개선을 한 해 사이에 경험하 을 것이

다 실제로 체 비이직자들의 연간 만족도의 변화가 각기 -0334 (직장) -0428(직무) 0282 (일자리)에 그치는 데 반해 실험군(이직자 집단)의 Counterfactual 즉 PS를 사용하여 실험군 개체에 매

칭된 (비이직자 집단 내) 조군 개체들의 만족도 변화는 각기 113 (직장) 066 (직무) 133 (일자리)에 이르 다(각 표의 lsquo매칭된 조군 변화(B)rsquo 항목 참조) 실험군 Counterfactual에서의 만족도

개선폭이 여타 비이직자들의 연간 만족도 개선폭보다 략 1 이상 높게 나타나는 것이다 이상

의 선택편의(Selection Bias) 문제가 히 통제될 때 이직의 순효과가 바르게 추정될 수 있다 앞서 시한 PSM 방식으로 추정된 이직의 만족도 개선효과는 이러한 선택편의 문제를

Counterfactual Framework으로 극복한 추정 결과라 할 수 있다 그럼 네트워크 경로 이직과 비네트워크 경로 이직 사이에 뚜렷한 차이가 존재하는지 살펴보도

록 하자 표에서 확인할 수 있듯이 두 경우 모두 이직의 만족도 개선효과가 통계 으로 유의한 수

에서 명확히 확인된다 네트워크 경로의 이직에서는 만족도 개선의 효과가 각기 220 (직장) 158 (직무) 117 (일자리)으로 확인되었고 비네트워크 경로의 이직에서는 각기 263 (직장) 284 (직무) 207 (일자리)으로 확인되었다 흥미로운 부분은 비네트워크 경로의 이직에서 이직

을 통한 만족도 개선의 효과가 소폭 높게 나타난 이다 이는 비네트워크 이직 사례들이 상당수

의 lsquo공개채용rsquo 입사자를 포함하기 때문에 나타난 상으로 보인다 lsquo공개채용rsquo은 주로 종업원 300인 이상의 규모가 큰 기업에서 집 으로 활용되고 있다25) 이들 큰 기업에 lsquo공개채용rsquo으로 입사

한 이들은 그 직장에 비해 주 인 만족도가 크게 향상되었을 것이다 이러한 lsquo공개채용rsquo 사례들이 비네트워크 이직의 만족도 개선효과를 다소 증폭시키는 역할을 하 을 것으로 추정된다

반면 비네트워크 이직을 통한 만족도 개선이 네트워크 이직에 비해 다소 크다고 하여 이것이

24) 이는 분석에 사용된 세 가지 방식의 PSM 추정치들을 산술평균하여 정리한 수치들임 25) 이 부분에 한 구체 인 설명은 발간 정인 한국개발연구원 정책연구시리즈 lsquo인 네트워크(개인의 사회 자본)

의 노동시장 효과 분석rsquo을 참조하기 바란다 ( 자에게 요청시 수령가능함)

이직과정에서의 인 네트워크 요성은 인정되지 않는다는 식으로 해석될 수 없음을 유념하여야

한다 국내 이직과정에서의 인 네트워크 의존도는 해외 주요국에 비해 상당히 높은 수 이다 략 65 안 의 경력직 취업자들이 인 네트워크를 활용하여 구직에 성공하 다고 추정되고 있

다26) 만약 재 이직을 고려하고 있는 국내 한 근로자가 구직활동에서 인 네트워크 활용을 포기

한다면 이 근로자의 이직 성공 가능성은 매우 낮아질 것이다 즉 개인의 이직 성공률을 높이기

해서는 평소에 꾸 한 구직 네트워크 리가 요청된다 할 수 있다 특히 이직수요라는 것은 많은

경우 자신의 의도와는 다르게 외부 충격으로 인해 발생한다 회사의 경제 환경이 변화하기도

하지만 자신의 심사가 바 기도 하고 가족의 갖가지 필요에 의해 이직이 요구되기도 한다 즉 언제 발생할지 모르는 이직수요에 히 응하기 해서는 이직의 주요한 통로라 할 수 있는 인

네트워크에 한 상시 리가 요청되는 것이다 따라서 이직을 고려한 인 네트워크의 상시

리 이를 한 개인의 갖가지 비용 지출은 향후 발생 가능한 험에 처하기 하여 자동

차나 암 보험을 구매하는 것과 같이 기꺼이 지불해야 할 미래에 한 투자라 할 수 있다

26) 역시 한국개발연구원 정책연구시리즈 lsquo인 네트워크(개인의 사회 자본)의 노동시장 효과 분석rsquo을 참조하기 바

란다

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1371) 3662 1201 2460 403

조군(11274) (0610)

Radius Matching 실험군(1362) 3543 1009 2534 436

조군(11274) (0581)

Kernel Matching(Normal) 실험군(1372) 3659 1165 2494 434

조군(11274) (0564)

체 이직효과 평균 362 113 250

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 3309 1169 2140 293

조군(11274) (0730)

Radius Matching 실험군(879) 3231 0939 2292 331

조군(11274) (0693)

Kernel Matching(Normal) 실험군(881) 3309 1146 2162 315

조군(11274) (0686)

네트워크 이직효과 평균 328 108 220

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(380) 4224 1525 2699 224

조군(11274) (1206)

Radius Matching 실험군(373) 3981 1438 2543 217

조군(11274) (1171)

Kernel Matching(Normal) 실험군(381) 4213 1565 2647 230

조군(11274) (1149)

비네트워크 이직효과 평균 414 151 263

lt표 9gt 이직을 통한 직장만족도 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1377) 2850 0701 2149 363

조군(11285) (0592)

Radius Matching 실험군(1368) 2767 0626 2140 381

조군(11285) (0562)

Kernel Matching(Normal) 실험군(1378) 2852 0648 2204 398

조군(11285) (0554)

체 이직효과 평균 282 066 216

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(884) 2302 0808 1494 211

조군(11285) (0707)

Radius Matching 실험군(882) 2256 0658 1598 238

조군(11285) (0670)

Kernel Matching(Normal) 실험군(884) 2302 0654 1648 249

조군(11285) (0661)

네트워크 이직효과 평균 229 071 158

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 3648 0577 3072 269

조군(11285) (1142)

Radius Matching 실험군(374) 3463 0774 2688 245

조군(11285) (1098)

Kernel Matching(Normal) 실험군(382) 3652 0888 2764 257

조군(11285) (1077)

비네트워크 이직효과 평균 359 075 284

lt표 10gt 이직을 통한 직무만족도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1375) 2909 1571 1338 217

조군(11261) (0617)

Radius Matching 실험군(1366) 2818 1276 1543 262

조군(11261) (0588)

Kernel Matching(Normal) 실험군(1376) 2907 1147 1760 303

조군(11261) (0581)

체 이직효과 평균 288 133 155

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(882) 2523 1626 0897 121

조군(11261) (0742)

Radius Matching 실험군(880) 2472 1246 1225 173

조군(11261) (0707)

Kernel Matching(Normal) 실험군(882) 2523 1139 1383 198

조군(11261) (1697)

네트워크 이직효과 평균 251 134 117

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 3609 1499 2110 176

조군(11261) (1196)

Radius Matching 실험군(374) 3409 1530 1879 163

조군(11261) (1151)

Kernel Matching(Normal) 실험군(382) 3599 1365 2235 197

조군(11261) (1133)

비네트워크 이직효과 평균 354 146 207

lt표 11gt 이직을 통한 일자리만족도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이 를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

2 이직을 통한 배치효율성의 변화

다음은 이직의 다른 측면인 일자리 재배치의 문제에 해 살펴보고자 한다 이직은 각 개인

에 있어서는 직장생활의 변화라 할 수 있지만 기업의 입장에서는 노동인력의 교환에 해당한다 따라서 이직을 통한 노동인력의 재배치가 과연 사회 반의 경제 이익을 창출하고 있는지를 따

져 볼 필요가 있다 앞서 lt표 7gt에서 기술수 교육수 교육기술복합지수 이 세 가지 합도에 해 이직자

비이직자 집단 내의 연간 변화를 정리한 바 있다 여기서 비이직자의 경우 각 지수에서 연간 합

도가 소폭 하락한 것으로 나타났고 이직자의 경우 합도가 크게 상승한 것으로 나타났다 비이

직자는 기술수 의 합도에서 0058 이 교육수 의 합도에서 0142 이 그리고 교육기술수

의 복합지수에서는 0091 이 하락한 데 반해 이직자들은 각기 2350 (기술) 2556 (교육) 2422(복합지수)의 합도 상승이 발견되었다 비이직자들의 합도 하락은 기술이나 경제환경의 변

화와 한 련이 있다 경쟁력 있는 기술 이에 한 사회 수요가 시간에 따라 변화하므로 직장에서의 자신의 기술 혹은 교육수 은 (평균 으로 보아) 이 보다 합성이 다소 떨어지게

마련이다 반면 이직자들의 합도 상승이 과연 이직의 순효과인지에 해서는 여 히 의문의 여

지가 크다 이직을 결행한 이들은 이 직장에서의 직무 련 합도가 평균 으로 크게 떨어지는

이들이다 를 들어 최종샘 에서 이직을 하지 않은 이들의 한 해 기술 합도는 평균 9066인 데 반해 이직을 결행한 이들의 한 해 (이 직장에서의) 기술 합도는 평균 8547 에 머무

는 것으로 나타났다 이들은 애 에 워낙 합도가 떨어지기 때문에 굳이 이직을 택하지 않더라

도 직무재배치나 직장 내 부서이동 등을 통하여 1년 사이에 상당한 정도의 합도 개선을 이루었

을 것으로 상된다따라서 이직을 통한 배치효율성의 개선효과 즉 반 인 근로자의 직무 련 합도 상승효

과를 명확히 규명하기 해서는 이직한 이들이 이직을 하지 아니하 을 때에 상되는 합도의

개선을 우선 추정해 볼 필요가 있다 이것은 앞서 설명하 듯이 Counterfactual의 추정을 통해서만

이 가능하다 lt표 12gt lt표 13gt lt표 14gt는 PSM을 이용하여 비이직자들의 정보로부터 이직자들의

Counterfactual을 추정한 뒤 이를 보고하고 있다 세 방식(Five Nearest Neighbors Radius Matching Kernel Matching)의 추정치를 산술평균하면 기술 합도에서는 088 교육 합도에서는 057 교육

기술복합지수에서는 075 의 상승이 확인되었다(각 표의 lsquo매칭된 조군 변화(B)rsquo 항목을 참조) 이를 실험군 즉 실제 이직자들의 합도 상승(각 표의 lsquo실험군 변화(A)rsquo 항목)과 비교하면 순이직

효과는 각기 131 (기술) 183 (교육) 140 (복합지수)에 이르는 것으로 결론지을 수 있다 반

면 교육과 복합지수에서는 이들 순이직효과가 통계 으로 유의하게 나타났으나 기술수 의

합도에서는 이 효과가 통계 으로 뚜렷하지 않았다 10의 유의도에서 검증할 때 Kernel Matching을 제외한 나머지 두 개의 PSM 매칭에서 통계 유의성을 확보할 수 없었다 이에 이직

을 통한 교육수 의 합도 개선효과는 분명한 반면 기술수 의 합도 개선은 통계 으로 입증

되지 않는다고 결론지을 수 있다 교육기술복합지수의 경우 이 두 가지 효과가 첩되어 나타난

것으로 교육수 의 합도 개선이 워낙 뚜렷하기 때문에 통계 으로 유의한 지수상승이 나타난

것으로 단된다 이상과 같이 이직을 통해 교육수 합도의 개선이 보다 효과 으로 이루어지

는 것은 채용과정에서 후보자의 교육수 이 기술수 에 비해 객 인 자료를 이용하여 검증하

기가 보다 용이하기 때문인 것으로 보인다

그럼 이직을 통한 배치효율성 개선 측면에서 인 네트워크의 역할을 살펴보도록 하자 네트

워크 경로 이직과 비네트워크 경로 이직으로 나 어 이직효과를 각기 추정해 보면 둘 사이에 의

외의 뚜렷한 차이가 존재함을 확인할 수 있다 네트워크 경로의 이직인 경우 이직을 통한 합도

개선효과가 통계 으로 유의한 수 에서 매우 높게 나타난다 이직의 순효과는 각기 213 (기술) 252 (교육) 126 (복합지수)에 이른다 반면 비네트워크 경로의 이직인 경우 이 효과는 모두 사

라져 버린다 즉 이직효과는 기술 합도 교육 합도 교육기술복합지수 모두에서 양과 음을 반복

하고 통계 유의성도 확보되지 않는다 즉 비네트워크 경로를 통한 이직에서는 일자리 재

배치를 통한 사회 반의 경제 이득을 기 할 수 없는 것이다 앞서 교육 합도 개선에 있어 이

직의 반 인 효과가 통계 으로 강하게 나타났는데 이 효과의 부분은 비네트워크 경로 이직

보다는 네트워크 경로 이직으로부터 창출된 것임을 짐작할 수 있다 특히 기술 합도를 보면 이직자들의 합도 개선은 네트워크와 비네트워크 이직 사이에 뚜렷

한 차이를 보이는데 네트워크 이직자들의 합도 개선은 평균 292 인 데 반해 비네트워크 이직

자들의 합도 개선은 평균 048 에 그친다 인 네트워크를 활용하지 않고 이직을 하 을 경우 이직을 하 음에도 불구하고 기술 합도의 개선은 평균 으로 거의 기 되지 않는 것이다 이는

앞서 주 만족도의 개선효과와 비교하여 매우 상반된 결과에 해당한다 이직을 통한 주 만

족도의 개선에서는 네트워크와 비네트워크 이직 모두 그 효과가 분명하 으며 특히 비네트워크

이직자들의 주 만족도 개선폭은 3 내지 4 에 이르 다 이는 네트워크 이직자들의 만족

도 개선폭에 비해서도 1 가량 높은 수치 다 따라서 이직이 반 으로 개인의 주 만족도

를 개선하는 효과가 있으나 배치효율성의 개선 측면에서는 오직 인 네트워크에 의존한 이직만

이 재배치의 분명한 경제 효과를 평균 으로 창출한다고 결론지을 수 있다 이러한 네트워크와 비네트워크 사이의 뚜렷한 이직효과의 차이는 네트워크가 지닌 정보 달

기능에 기인한 것으로 단된다 인 네트워크는 구인자와 구직자 사이에 훌륭한 정보 달 기능

을 수행하고 있다 구직자에게는 어떠한 일자리가 구직자의 기술능력 혹은 교육수 에 비추어

합한지에 한 정보를 제공하고 구인자에게는 구인자가 필요로 하는 합한 기술의 소유자가

구인지에 한 정보를 제공하는 것이다 이는 평소에 구인자와 구직자 모두를 아우르는 간 매개

로서의 인 네트워크가 있었기에 가능한 것이다 반면 비네트워크에서는 이러한 효과를 기 하

기 힘들다 비네트워크 채용에서는 주어진 서류와 단시간의 인터뷰 혹은 직무능력 테스트만을 가

지고 합한 인력을 선발하여야 한다 lsquo공개채용rsquo의 경우 많은 지원자들의 경쟁을 거치므로 상으로 보다 합한 후보자를 선별할 수 있을 것이다 그러나 lsquo직 찾아가서rsquo 형태의 입사에서는

이러한 경쟁의 과정 역시 생략되므로 높은 합도를 지닌 후보의 채용은 더욱 기 하기 힘들다 정리하자면 인 네트워크는 국내 노동시장에서 일자리와 일자리 후보 사이의 활발한 정보 달

기능을 수행함으로써 노동시장의 효율 작동을 돕고 있는 것이다 끝으로 이러한 네트워크 이직의 배치효율성이 모든 이직 사례에 일 으로 용되는 것이

아님을 주지할 필요가 있다 인 네트워크가 구인과 구직 사이의 lsquo연결(Networking)rsquo 기능을 수행

할 때 이상의 정 인 효과를 기 할 수 있을 것이나 이 둘 사이의 lsquo연 rsquo로서 기능할 때는 오히

려 역효과를 래할 수 있다 즉 인 네트워크를 통하여 합하지 않은 지원자를 연 로 채용시

키는 경우 해당 일자리에 한 매치 합성은 네트워크 이직으로 인해 오히려 감퇴할 수 있다 우리는 이상의 분석을 통하여 국내 노동시장에서 네트워크 이직의 반 인 교육 기술 수

합도 개선효과를 확인한 바 있다 이는 국내 노동시장의 고용 로세스에서 lsquo연 rsquo의 부정 효과

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1374) 2220 1095 1124 121

조군(11245) (0929)

Radius Matching 실험군(1365) 2088 0735 1353 155

조군(11245) (0874)

Kernel Matching(Normal) 실험군(1375) 2255 0795 1460 168

조군(11245) (0869)

체 이직효과 평균 219 088 131

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 2951 0919 2032 181

조군(11245) (1125)

Radius Matching 실험군(879) 2844 0746 2098 198

조군(11245) (1057)

Kernel Matching(Normal) 실험군(881) 2951 0702 2250 214

조군(11245) (1049)

네트워크 이직효과 평균 292 079 213

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 0525 2297 -1772 -096

조군(11245) (1840)

Radius Matching 실험군(374) 0267 0868 -0600 -034

조군(11245) (1753)

Kernel Matching(Normal) 실험군(382) 0654 1297 -0642 -037

조군(11245) (1746)

비네트워크 이직효과 평균 048 149 -100

보다는 구인구직 간 lsquo연결rsquo이라는 네트워크의 정 효과가 보다 강하게 작동하고 있음을 시사

한다

lt표 12gt 이직을 통한 기술적합도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1380) 2428 0630 1797 193

조군(11300) (0931)

Radius Matching 실험군(1371) 2298 0496 1802 207

조군(11300) (0872)

Kernel Matching(Normal) 실험군(1381) 2462 0586 1876 216

조군(11300) (0869)

체 이직효과 평균 240 057 183

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(886) 3047 0342 2705 245

조군(11300) (1106)

Radius Matching 실험군(884) 2885 0528 2357 227

조군(11300) (1037)

Kernel Matching(Normal) 실험군(886) 3047 0551 2496 243

조군(11300) (1029)

네트워크 이직효과 평균 299 047 252

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(382) 1702 2007 -0305 -016

조군(11300) (1891)

Radius Matching 실험군(375) 1600 0559 1041 058

조군(11300) (1788)

Kernel Matching(Normal) 실험군(383) 1828 0910 0917 051

조군(11300) (1793)

비네트워크 이직효과 평균 171 116 055

lt표 13gt 이직을 통한 교육적합도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1374) 2293 0893 1399 155

조군(11245) (0904)

Radius Matching 실험군(1365) 2161 0641 1520 179

조군(11245) (0850)

Kernel Matching(Normal) 실험군(1375) 2327 0711 1616 191

조군(11245) (0847)

체 이직효과 평균 226 075 140

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 2951 0643 2308 212

조군(11245) (1087)

Radius Matching 실험군(879) 2816 0662 2154 211

조군(11245) (1021)

Kernel Matching(Normal) 실험군(881) 2951 0645 2306 228

조군(11245) (1014)

네트워크 이직효과 평균 291 065 226

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 1115 2233 -1118 -062

조군(11245) (1816)

Radius Matching 실험군(374) 0936 0749 0187 011

조군(11245) (1727)

Kernel Matching(Normal) 실험군(382) 1243 1131 0112 007

조군(11245) (1726)

비네트워크 이직효과 평균 110 137 -027

lt표 14gt 이직을 통한 교육기술복합지수의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

3 이직을 통한 임금수준의 변화

다음은 이직을 통한 임 수 의 변화가 실재하는지 검토하고자 한다 네트워크 이직과 비네트

워크 이직을 나 어 볼 때 앞서 우리는 네트워크 이직이 일자리 매치 합도를 히 개선한다

고 밝힌 바 있다 임 이 근로자의 생산성 기여분을 그 로 반 한다고 한다면 네트워크 이직에

따른 매치 합도의 개선은 근로자의 임 상승으로 이어져야 할 것이다 앞서 lt표 7gt의 단순비교에서 이직자들의 연간 임 상승분이 평균 9088만원 비이직자들의 연

간 임 상승분은 2782만원으로 집계된 바 있다 둘 사이의 격차가 6307만원에 이른다 한 해 사

이에 이직한 이들의 연간 임 상승폭이 직장을 그 로 유지한 이들의 연간 임 상승폭 보다

히 높은 수 인 것이다 하지만 이러한 단순비교는 선택편의(Selectoin Bias) 문제를 역시 고려하지

않고 있으므로 이직의 직 인 임 상승효과라 볼 수는 없다 즉 실제로 이직을 결행한 이들의

이직 임 수 은 같은 시기 직장을 그 로 유지한 이들에 비해 상 으로 낮은 수 일 가능

성이 높다 이들이 직장을 그 로 유지하 다면 다른 이들에 비해 히 높은 수 의 임

상승을 경험하 을 것이다 실제 이직한 이들이 만약 이직을 하지 않고 직장을 그 로 유지하

을 때 상되는 임 상승분 즉 이직자 임 상승분의 Counterfactual을 PSM 방식을 활용하여 추

정한 수치가 lt표 15gt의 lsquo 조군 변화(B)rsquo에 요약되어 있다 이에 따르면 실제 이직자들이 이직을

하지 않았을 때 기 할 수 있는 임 상승분은 략 5만원 정도에 이르는 것으로 나타난다 따라

서 이직에 따른 임 상승의 순효과는 앞서 제시한 6307만원이 아닌 이보다 상당히 축소된 386만원이다 이는 lt표 15gt에 정리된 바와 같이 PSM을 활용한 세 가지 추정치의 산술평균으로 추산

된 값이다 한 이러한 이직의 임 상승효과는 통계 으로도 유의한 것으로 확인되었다 반면 네트워크 경로 이직자와 비네트워크 경로 이직자의 임 상승분을 비교해 보면 둘 사이

에 상당한 격차가 존재함을 쉽게 확인할 수 있다 네트워크 이직자들의 이직을 통한 임 상승효과

는 통계 으로 유의한 수 에서 략 384만원으로 추정되는 반면 비네트워크 이직자들의 임

효과는 -077만원이고 이는 통계 으로도 유의하지 않다 즉 네트워크를 활용하여 이직하 을

때 뚜렷한 임 상승이 기 되는 반면 인 네트워크를 활용하지 않고 이직하 을 때는 이 효과

를 확신할 수 없을 뿐더러 다소 하락할 가능성도 있는 것이다 따라서 앞서 확인된 이직을 통한

반 인 임 상승의 효과는 네트워크 이직을 통해 창출된 효과이며 비네트워크 이직을 통한

기여는 뚜렷하지 않은 것으로 결론지을 수 있다이직은 새로운 일자리에 자신의 기술 직무 능력을 응시키는 과정이다 따라서 임 상승

효과가 이직 기에 항상 담보되지는 않을 것이다 반면 인 네트워크를 활용하 을 때 자신에

게 보다 합한 일자리에 배치됨으로써 즉 자신의 능력과 잠재력을 보다 잘 발휘할 수 있는 직무

에 재배치됨으로써 이상의 추가 인 임 상승을 기 할 수 있는 것이다 이는 앞서 이직을 통한

배치효율성 검증에서 확인되었던 네트워크 이직의 기술수 (혹은 교육수 ) 합도 상승효과와

일맥상통하는 결과이다 인 네트워크를 활용한 이직은 임 근로자를 보다 합한 일자리에 재

배치하는 데 일조하고 이것이 생산성에의 보다 높은 기여를 창출함으로써 이직자들의 추가 인

임 상승으로 이어지는 것이다물론 이러한 해석은 평균 인 추세를 반 한 것임에 유념할 필요가 있다 네트워크 이직의 사례

에는 앞서 말한 생산 인 lsquo연결rsquo 효과가 아닌 비생산 인 lsquo연 rsquo 효과 혹은 정실인사(Nepotism)가

작동한 경우들도 상당할 것이다 이 경우 생산성에의 기여가 충분하지 않음에도 불구하고 기술이

나 능력에 비해 임 을 후하게 설정할 가능성이 높다 이러한 lsquo연 rsquo형 이직을 통한 임 상승 역

시 네트워크 이직의 임 상승효과라 볼 수는 있겠으나 이것이 일자리 배치효율성의 개선을 반

한다고 볼 수는 없는 것이다 따라서 앞서 추정한 네트워크 이직의 임 상승효과 384만원이

으로 일자리 매치 합도 개선효과에서 기인한다고 단정 지을 순 없다 한 비네트워크 이직 역

시 평균 으로 임 상승의 효과가 포착되지 않은 것일 뿐 비네트워크 이직의 표본 에는 실제로

임 이 크게 상승한 사례들도 상당히 존재할 수 있다 를 들어 lsquo공개채용rsquo 방식의 입사인 경우 경합자들에 비해 채용 합격자의 해당 일자리 합성이 보다 우수하다고 단되어 채용된 사례가

많을 것이다 이 게 경쟁을 거쳐 채용된 이들은 이 에 비해 상당히 높은 수 의 임 상승을 기

할 수 있다 반면 비네트워크 이직에서 반 인 임 상승의 효과가 포착되지 않는 것은 비네트워크 이직

이 격한 주 만족도의 개선을 이끌었던 것과 비교하여 매우 조 인 상이다 많은 이들의

상식과는 달리 이직의 결정은 임 만족도 수 과 직결되어 있지 않다 앞서 제4 에서 우리는 이

직의 향요인들을 분석해 본 바 있다 이직의 결정이 업무만족도 복지후생만족도 취업 안정성에

한 만족도 등 다양한 요소에 민감하게 반응하는 반면 임 에 한 만족도와는 통계 으로 유의

한 수 에서의 연 성이 포착되지 않았다 개인의 이직 결정은 임 이외에 다양한 요소들을 종합

으로 고려한 단 결과라 할 수 있다 체로 이직은 다양한 방면에서 개인의 주 만족도를

격하게 향상시킨다 반면 자신의 기술(교육)수 과 일자리의 매치 합성의 문제는 이직자들에

게는 부차 인 고려 상에 해당한다 임 수 의 개선 역시 이직 시 고려되는 한 요소이겠으나 인 요소는 아니고 다양한 향요인 의 하나로 볼 수 있는 것이다 이러한 에서 비네트워

크 이직이 다소 상반된 효과(즉 주 만족도의 한 개선효과와 미미한 수 의 임 개선효

과)를 동시에 보여주고 있는 것은 일견 자연스러운 상이다

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1375) 8887 5274 3613 184

조군(11340) (1962)

Radius Matching 실험군(1366) 8842 4813 4029 208

조군(11340) (1936)

Kernel Matching(Normal) 실험군(1376) 8861 4916 3945 206

조군(11340) (1880)

체 이직효과 평균 886 500 386

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(882) 8943 5519 3423 150

조군(11340) (2285)

Radius Matching 실험군(880) 8827 4855 3972 178

조군(11340) (2231)

Kernel Matching(Normal) 실험군(882) 8943 4819 4124 186

조군(11340) (2217)

네트워크 이직효과 평균 890 506 384

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 4772 5672 -0900 -024

조군(11340) (3685)

Radius Matching 실험군(374) 4805 5201 -0396 -011

조군(11340) (3661)

Kernel Matching(Normal) 실험군(382) 4691 5716 -1025 -028

조군(11340) (3601)

비네트워크 이직효과 평균 476 553 -077

lt표 15gt 이직을 통한 임금수준의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

VIII 구직 네트워크의 사회적 자본 추정

근로자 개인의 측면에서 구직 네트워크의 가치를 추정해 보자 앞서 네트워크 이직을 통한 임

상승효과를 3840만원으로 추정하 다 이는 2008년 기 액이다 연간 물가상승률을 감안하

면27) 2010년 재가로 4074만원에 해당한다 평소에 구직 네트워크를 히 리하여 이직에서

이를 활용한다면 한 번의 이직으로 4만원 안 의 추가 인 임 상승을 기 할 수 있는 것이다 연으로는 489만원 가량의 임 이 이직 이후 매년 추가 으로 지 되는 것으로 해석될 수 있다28)

한편 이직이라는 것은 근로자의 생애를 걸쳐 발생하는 사건이다 임 근로자를 심으로 한

재의 최종샘 에서 연간 일자리 이동비율은 평균 993에 이른다 직종 업종에 따라 혹은 재

직 회사의 규모에 따라 이직률에는 상당한 차이가 있겠으나 체 임 근로자를 상으로 하 을

때 략 10년에 한 번 정도의 이직이 상되는 것이다 임 근로자의 생애를 걸쳐 살펴보면

이직은 주로 직장생활 후기보다는 기에 집 되어 있다 [그림 5]는 최종샘 15705명 임 근로

자를 상으로 한 각 연령별 이직률 추이를 나타낸다 생애 이직률은 20 후반에 가장 높고 30 반에 주춤하다가 30 후반에 다시 상승하고 40 이후에 하강하는 추세임을 확인할 수

있다

[그림 5] 연령별 이직률(26세부터 59세까지)

(단 )

0

2

4

6

8

10

12

14

16

18

26 28 30 32 34 36 38 40 42 44 46 48 50 52 54 56 58

연령(만)

자료 노동패 5차부터 10차까지

이를 활용하면 임 근로자 한 사람이 평생에 걸쳐 기 할 수 있는 이직의 임 상승효과를 추

정해 볼 수 있다 첫 취업의 평균연령이 265세임을 고려하여 표 인 임 근로자(A Representative Worker)가 26세부터 60세까지 노동시장에 참여한다고 가정해 보자 인 네트워크

27) 여기에 연평균 물가상승률 3를 용하 다 실제 임 상승률도 2009년의 임 이 융 기 여 로 거의 동결이었

음을 고려할 때 2년간 략 6에 해당한다 28) 여기서는 네트워크 이직의 임 리미엄(연 489만원 상승)이 이직 후 매년 지속된다고 가정하고 있다 실제로

리미엄이 상당 기간 지속되는지 아니면 이직 후 빠르게 축소되는지에 한 국내 실증분석은 향후 과제로 남겨져

있다

를 활용한 이직만이 평균 인 임 상승효과를 가져온다는 을 고려할 때 구직 네트워크의 생애

가치()는 다음과 같이 요약된다29)

times timestimestimes (11)

여기서 는 연령 에서의 상 이직률(Job Transfer Rate)을 나타낸다 은 이직 시 인 네

트워크에 한 의존도 수 이다 는 네트워크 이직에 따른 월평균 임 상승의 효과이다 여기

에 [그림 5]에 요약된 이직률의 생애 추이를 에 입하자 여기서 경력직 이직자의 인 네트

워크 의존도가 60 반(plusmn5 이내)으로 추산된 을 고려하여 에 64를 입하도록 하자30) 그리고 에 앞서 추정한 네트워크 이직의 임 상승효과 4074만원(2010년 기 )을 입하면 구직 네트워크의 생애 가치()는 18720만원으로 집계된다 만약 에 이직률의 생애 추

이 신 최종샘 에서 구한 평균이직률 993를 연령 에 걸쳐 일률 으로 사용한다면 이와

유사한 수치인 18486만원을 얻을 수 있다 따라서 한국사회 임 근로자 한 사람의 구직 네트워크

가치는 보상 측면에서 략 일천 1870만원 수 인 것으로 결론지을 수 있다 물론 이 수치는 이직을 통한 이득만을 반 하고 있을 뿐 주 만족도의 개선효과는

반 하고 있지 않다 앞서 우리는 일자리 이동을 통해 창출되는 개인의 만족도 변화를 직장만족

도 직무만족도 일자리만족도 이 세 가지 측면에서 고려해 보았다 네트워크 이직과 비네트워크

이직 모두 만족도의 개선효과를 보 다 그러나 국내 노동시장에서 이직의 약 60 이상이 인

네트워크에 의존하고 있음을 고려할 때 임 근로자 한 개인이 구직 네트워크를 리하지 않는다

면 그의 이직률은 에서 60 이상 추락할 것이다 이를 고려하여 구직 네트워크의 생애 만족

도 개선효과()를 다음과 같이 요약할 수 있다31)

timestimestimestimes (12)

여기서 는 네트워크 이직을 통한 주 만족도의 개선폭을 나타낸다 앞서 네트워크 이직

이 창출하는 주 만족도의 개선효과가 100만 에서 220 (직장만족도) 158 (직무만족도) 117 (일자리만족도) 정도임을 확인하 다 이 세 수치의 평균치가 네트워크 이직의 만족도 개선

효과를 히 변하고 있다고 한다면 의 략 인 추정치는 165 이 된다 이를 입하면

구직 네트워크의 만족도 개선효과는 략 7582 으로 추산된다 만족도 1 을 으로 환산하

여 만원에 해당한다고 표시하면 구직 네트워크의 임 근로자 일인당 생애가치()는 임

상승효과()와 만족도 개선효과()의 합으로써 다음과 같이 요약된다

equiv (=18720+7582) (13)

구직 네트워크의 가치 (18720+7582n)만원이 함의하는 바를 명확히 규정하기는 쉽지 않다 특히 개인마다 일자리에서 얻는 주 만족도를 가치로 환산하는 방식이 다를 것이다 를 들

29) 구직 네트워크의 재 가치를 추산하기 해서는 시간할인률을 용할 필요가 있으나 여기서는 이를 생략하 다 시간할인률이 용된 추정치는 재 계산된 값보다 다소 하락할 것이다

30) 이에 한 보다 구체 인 설명은 본 논문의 보다 상세한 내용이 실린 한국개발연구원 정책연구시리즈로 출간 정

인 lsquo인 네트워크(개인의 사회 자본)의 노동시장 효과 분석rsquo 보고서를 참조 바란다 31) 앞서와 마찬가지로 구직 네트워크의 재 가치를 추산하기 해서는 시간할인률을 용할 필요가 있으나 여기서는

이를 생략하 다 시간할인률이 용된 추정치는 재 계산된 값보다 다소 하락할 것이다

어 어떤 이들에게는 이득만이 요하고 주 만족도는 경시될 수 있다 이들에게 n은

lsquo0rsquo에 가까운 것이다 반면 다른 이들에게는 일자리에서 얻는 주 만족도가 임 소득보다

몇 배 이상 요할 수 있다 이들에게 n은 1보다 큰 양수가 될 것이다 구직 네트워크의 가치를 수

치로 악해 보고자 n=1인 근로자를 상정해 보자32) 이 사람에게 만족도 1 은 1만원만큼의

효용을 창출한다 이 근로자에게 구직 네트워크의 종합 가치는 26302만원에 이른다고 평가할

수 있다 이러한 구직 네트워크의 종합 가치를 개인의 물 혹은 인 자본과 별하여 근로자

개인의 구직 네트워크 사회 자본이라 명할 수 있다추정한 구직 네트워크의 가치인 (18720+7582n)만원은 한국사회의 임 근로자 각 개인이 구직

네트워크의 유지 리를 하여 기꺼이 지불할 용의가 있는 비용을 나타낸다 만족도 1 이 1만원의 효용이 있다면 즉 n=1이라면 이는 1224개월치 월 ( 략 일년치 연 )에 해당한다33) 이는 결코 작지 않은 액수이다 한국사회의 구성원들은 다양한 방식으로 네트워크를 리하고 있다 동창회 동호회 업계 계자와의 술자리 각종 경조사 참여 Social Network Service(SNS) 활동 등

이 이에 해당한다 이들 활동은 그 자체로서 정서 효용을 창출하지만 생 인 경제 이득

한 간과할 수 없다 이는 업무에 필요한 유용한 정보의 획득이나 업거래망의 확장이기도 하고 구직 네트워크의 변 확 자기 PR(Public Relations)이기도 하다 네트워크의 리는 그에 상

응하는 비용을 수반한다 이는 만남에 따른 지출에서부터 시간사용까지를 포함한다 구직

네트워크의 효과성 측면에서 보았을 때 한국사회 근로자 개인은 상당한 비용( 를 들어 n=1인 경

우 략 일년치 연 에 해당하는 비용)을 구직 네트워크의 유지 리를 하여 생애를 거

쳐 기꺼이 지불할 용의가 있다고 볼 수 있는 것이다

IX 결론

이제까지 우리는 국내 고용시장에서의 인 네트워크 활용의 효과성을 다각 인 측면에서 살

펴보았다 인 네트워크를 활용한 이직의 직장생활만족도 개선효과는 100 만 에 약 165 34)

에 달하는 것으로 확인되었으며 직무 합도 개선효과는 100 만 에 약 197 35)에 이르는 것으

로 나타났다 한 인 네트워크를 활용한 이직은 임 상승을 동반하는데 그 규모는 월평균 임

으로 4074만원(2010년 기 )인 것으로 확인되었다 반면 인 네트워크를 활용하지 않은 이직

에서도 직장생활만족도의 개선효과가 일부 포착되었으나 일자리 합도에 한 개선이나 임 상

승효과는 확인되지 않았다 즉 구인자와 구직자를 연결시켜주는 인 네트워크의 효율 인 정보

달 기능이 확인된 것이다 이를 통해 임 근로자 개인의 구직 네트워크의 가치 즉 lsquo네트워크 사

회 자본rsquo을 추정해 보면 구직 네트워크의 생애 가치는 18720만원으로 집계되었으며 여기에 주 만족도에 한 보상 측면까지 고려하면 만족도 1 의 가치를 만원으로 환산

할 때 략 (18720+7582)만원에 이르는 것으로 집계되었다

32) 실제로 일반 인 수 에서 n은 1보다 상당히 클 것으로 상된다 주어진 표본에서 주 만족도의 평균은 략

55 내외인 반면 임 수 의 평균은 략 200만원 내외이다 즉 두 수치의 Scale이 네 배 가량 차이가 난다 33) 26302만원을 차수 임 수 (20247만원)의 2010년도 기 가치인 2148만원으로 나 면 1224개월이 나온다 34) 직장만족도 개선효과 220 직무만족도 개선효과 158 일자리만족도 개선효과 117 의 산술평균값 용 시 35) 기술 합도 개선효과 213 교육 합도 개선효과 252 교육기술복합지수 개선효과 126 의 산술평균값 용

참 고 문 헌

고용노동부 985172고용노동백서985173 2010김동헌김상호 「직업탐색과 자발 이직」 2001 경제학 공동학술 회 발표문 2010 김성훈 「사회연결망과 공식경로를 통한 첫 취업의 개인 결과와 사회 결과」 985172한국사회학985173 제39집 제1호

2005 김성훈 「 문직의 취업경로 사회연결망과 공식경로를 심으로」 985172한국사회학985173 제40집 제5호 2006 김성훈 「취업자의 사회연결망 활용에 한 향요인 연구」 985172노동경제논집985173 제26권 제3호 2003김용학 985172사회연결망 이론985173 박 사 2003류석춘 외 985172한국의 사회자본 역사와 실985173 백산출 사 2008 송호근김우식이재열 985172한국사회의 연결망 연구985173 서울 학교 출 부 2004안재희 985172구직과 제도 사회자본985173 한국학술정보(주) 2008우천식 편 985172한국경제사회와 사회 자본985173 한국개발연구원 2007이 면나인강 「직장만족도와 이직행 에 한 패 분석」 985172제5차 한국노동패 학술 회 논문집985173 2004이 면나인강 「비정규직의 이직 이직사유 근속기간에 한 연구」 985172제6차 한국노동패 학술 회 논

문집985173 2005이상호 「노동패 의 주 만족도 측정」 985172노동리뷰985173 통권 제17호 2006 pp77~86이병훈 「구직활동의 향요인에 한 탐색 연구」 985172노동경제논집985173 제25권 제1호 2002 pp1~21 통계청 985172경제활동인구조사985173 2010한국노동연구원 985172사업체패 조사985173 2007KDI 국제정책 학원 985172사회 자본 확충을 한 기본조사 정책연구985173 2007

Blau David and Philip Robins ldquoJob Search Outcomes for the Employed and Unemployedrdquo Journal of Political Economy 98(3) 1992 pp637~655

Bourdieu P ldquoThe Forms of Capitalrdquo in J G Richardson (ed) Handbook of Theory and Research for the Sociology of Education New York Greenwood 1986

Cochran William and Donald Rubin ldquoControlling Bias in Observational Studies A Reviewrdquo Sankhya 35 1973 pp417~446

Datcher Linda ldquoThe Impact of Informal Networks on Quit Behaviorrdquo Review of Economic Statistics 65(3) 1983 pp491~495

Dawid A ldquoConditional Independence in Statistical Theoryrdquo Journal of Royal Statistical Society B 41 1979 pp1~31

Dehejia R and S Wahba ldquoCausal Effects in Nonexperimental Studies Reevaluating the Evaluation of Training Programsrdquo Journal of the American Statistical Association 94 1999 pp1053~1062

Dehejia R and S Wahba ldquoPropensity Score-Matching Methods for Nonexperimental Causal Studiesrdquo The Review of Economics and Statistics 84 2002 pp151~161

Glaeser E D Laibson and B Sacerdote ldquoAn Economic Approach to Social Capitalrdquo The Economic Journal 112 2002

Gottschalk P and T Maloney ldquoInvoluntary Termination Unemployment and Job Matching A Test of Job Search Theoryrdquo Journal of Labor Economics 3 1985 pp109~123

Granovetter Mark S Getting A Job A Study of Contracts and Careers Chicago University of Chicago Press 1975

Heckman J H Ichimura J Smith and P Todd ldquoCharacterizing Selection Bias Using Experimental Datardquo Econometrica 66 1998 pp1017~1098

Heckman J H Ichimura and P Todd ldquoMatching as an Econometric Evaluation Estimator Evidence from Evaluating a Job Training Programrdquo Review of Economic Studies 64 1997 pp605~654

______ ldquoMatching as an Econometric Evaluation Estimatorrdquo Review of Economic Studies 65 1998 pp261~294Knack S and P Keefer ldquoDoes Capital Have and Economic Payoff A Cross Country Investigationrdquo Quarterly

Journal of Economics 62 1997 pp1251~1288 Lin Nan Social Capital A Theory of Social Structure and Action Cambridge Cambridge University Press 2001 Lin Nan Karen Cook and Ronald Burt (eds) Social Capital Theory and Research Aldine Transaction 2001 Marmaros David and Bruce Sacerdote ldquoPeer and Social Networks in Job Searchrdquo European Economic Review 46

2002 pp870~879Putnam Robert D Bowling Alone The Collapse and Revival of American Community New York Simon and

Schuster 2000Rosenbaum J S DeLuca S Miller and K Roy ldquoPathways into Work Short- and Long-Term Effects of Personal

and Institutional Tiesrdquo Sociology of Education 72(3) 1999 pp179~196Rosenbaum P and D Rubin ldquoThe Central Role of the Propensity Score on Observational Studies for Causal

Effectsrdquo Biometrika 70 1983 pp41~55Rubin D ldquoEstimating Causal Effects of Treatments in Randomized and Non-randomized Studiesrdquo Journal of

Educational Psychology 66 1974 pp688~701Simon Curtis and Warner John ldquoMatchmaker Matchmaker The Effect of Old-Boy Networks on Job Match

Quality Earnings and Tenurerdquo Journal of Labor Economics 10(3) 1992 pp306~330Todd Petra ldquoMatching Estimatorsrdquo unpublished manuscript 2006

성공한 구직방법

일자리 진입방식

합계공개

채용스카우트

소개나

추천

찾아가서기타

1 학교나 학원12 0 26 4 0 42

(395) (0) (301) (069) (0) (233)

2 교수나 교사2 0 8 0 0 10

(066) (0) (093) (0) (0) (055)

3 친구나 친지5 2 509 28 2 546

(164) (125) (5898) (48) (556) (303)

4 공공 안내소3 0 7 9 4 23

(099) (0) (081) (154) (1111) (128)

5 사설 안내소3 0 29 16 1 49

(099) (0) (336) (274) (278) (272)

6 매체 고53 1 21 209 13 297

(1743) (625) (243) (3585) (3611) (1648)

7 직 탐문2 0 13 85 0 100

(066) (0) (151) (1458) ((0) (555)

8 가족1 1 21 2 0 25

(033) (625) (243) (034) (0) (139)

9 인터넷205 3 22 179 9 418

(6743) (1875) (255) (307) (25) (232)

10 희망직장

지인

7 3 90 20 0 120(23) (1875) (1043) (343) (0) (666)

11 업무상

지인

6 4 102 18 0 130(197) (25) (1182) (309) (0) (721)

12 기타 5 2 15 13 7 42

(164) (125) (174) (223) (1944) (233)

합 계304 16 863 583 36 1802

(100) (100) (100) (100) (100) (100)

lt부표 1gt 경력직 취업자(1802명)의 일자리 진입방식별 구직방법의 분포

주 1 노동패 6차부터 10차까지의 신규 일자리 진입자 경력직 취업자를 상으로 함 2 ( ) 안은 각 일자리 진입방식에 한 성공한 구직방법의 백분율임

Block

번호

직장유지의

직무유지의

향성별 나이 나이

2 교육

혼인

여부

정규직

여부

첫(혹은

두 번째)

일자리

(로그)

격차 격차 격차 격차 격차 격차 격차 격차 격차 격차

1164 116 048 -102 -14913 -003 003 009 000 007

(455) (395) (011) (207) (19454) (044) (005) (004) (009) (013)

2-254 050 003 007 -1629 -022 -006 004 -002 001

(203) (191) (006) (123) 11232 (020) (004) (004) (006) (007)

3036 -076 002 -094 -7067 -001 000 -004 008 001

(131) (129) (004) (088) (7870) (012) (003) (003) (004) (004)

4-079 -117 -001 071 6428 000 -004 -002 001 -005

(128) (122) (004) (079) (6861) (010) (003) (003) (004) (003)

5026 144 -005 068 6211 -012 004 000 -006 -001

(142) (144) (004) (077) (6201) (010) (004) (003) (004) (004)

6061 152 -008 -043 -3655 006 002 002 -007 007

(151) (151) (004) (073) (5661) (010) (004) (004) (004) (004)

7010 -134 -002 043 2726 003 -002 001 003 001

(133) (131) (004) (058) (4296) (008) (004) (003) (003) (003)

8045 173 008 044 3233 007 000 -001 -001 -003

(146) (143) (004) (052) (3615) (007) (004) (003) (003) (003)

9128 -010 000 061 3033 -016 -003 006 -010 004

(259) (246) (006) (065) (3930) (012) (005) (006) 006 (006)

10500 114 013 -035 -1626 004 000 007 001 -003

(407) (394) (009) (081) (4454) (017) (007) (008) (009) (009)

lt부표 2-Agt Propensity Score 각 구간(Block)에 대한 Mean-Difference Statistical T-test 결과(I)

주 1 Untreated Group과 Treated Group의 각 항목에 한 Mean Difference를 테스트함 2 표시는 5 유의도 수 에서 테스트를 통과하지 못한 항목을 표시함3 ( ) 안은 표 오차임

lt부표 2-Bgt Propensity Score 각 구간(Block)에 대한 Mean-Difference Statistical T-test 결과(II)

Block

번호

(로그)2 종업원 규모 교육 합도 임 만족도근무

환경 만족도

일자리

만족도

서비스 매직

여부

농어업 종사

여부

정규직 times

교육

직장 times

직무유지의향

격차 격차 격차 격차 격차 격차 격차 격차 격차 격차

1052 054 202 656 -048 -101 002 001 003 25954

(147) (053) (379) (564) (480) (421) (005) (003) (047) (60638)

2-006 043 046 047 -303 -182 002 000 -004 -9827

(073) (027) (197) (247) (220) (188) (002) (001) (026) 25462

3006 011 -151 -030 255 013 -002 000 -011 -246

(041) (017) (158) (156) (142) (117) (002) (000) (018) (15776)

4-052 000 -075 -111 -046 -005 -004 000 -011 -10585

(034) (015) (155) (137) (133) (110) (002) (001) (016) (14203)

5-008 006 053 -047 -017 -036 003 000 -004 17636

(035) (017) (176) (152) (144) (123) (003) (001) (018) (16213)

6063 -005 273 049 211 040 -006 001 015 14659

(035) (017) (201) (150) (145) (124) (003) (001) (019) (16225)

7008 -018 -045 016 -031 005 005 000 010 -10640

(029) (014) (174) (127) (127) (108) (003) (001) (016) (13577)

8-022 -014 028 -028 -163 086 000 000 -001 6766

(028) (014) (189) (127) (131) (111) (003) (000) (017) (13784)

9037 -013 143 133 046 -070 001 -002 015 -1116

(047) (021) (371) (204) (227) (187) (006) (002) (029) (21779)

10-028 021 077 161 -247 -113 -013 002 019 13295

(074) (026) (612) (352) (366) (340) (009) (002) (038) (30459)

주 1 Untreated Group과 Treated Group의 각 항목에 한 Mean Difference를 테스트함 2 표시는 5 유의도 수 에서 테스트를 통과하지 못한 항목을 표시함3 ( ) 안은 표 오차임

Page 9: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal

2 이직 및 성과지표 관련 변수

최종샘 15705명 지난 조사시 이후 일자리를 이동한 임 근로자는 체의 약 10에 해

당하는 1560명이다 각 샘 에 한 이직 여부를 더미변수로 처리하 다 이직의 성과를 측정하

기 하여 다음의 일곱 가지 평가지표를 마련하 다 개인의 주 만족도와 련된 종합 지

표 세 가지(직장만족도 직무만족도 일자리만족도) 일자리 배치의 효율성과 련된 종합 지표

세 가지(기술 합도 교육 합도 교육기술복합지수) 그리고 임 수 이들에 한 기 통계량은

lt표 2gt에 요약되어 있다직장만족도는 다음 5가지 평가지표(5단 )의 평균값을 100 단 로 환산한 것이다 다닐 만한

직장인가 들어온 게 기쁜가 친구에게 추천하고 싶은가 다른 이에게 자랑할 수 있는가 계속 다

니고 싶은가(즉 앞서의 lsquo직장유지의향rsquo) 직무만족도는 앞서 제시한 lsquo업무만족도rsquo 련 네 가지 지

표와 lsquo직무유지의향rsquo을 합친 다섯 가지 평가지표를 산술평균하여 100 단 로 환산한 것이다 일자리만족도는 lsquo일자리에 해 반 으로 얼마나 만족하는가rsquo라는 질의에 한 5단 응답을 100

단 로 환산한 것이다 이들 세 가지 만족도와 련된 지표들의 연간 변화를 ( 차수 만족도

- 차수 만족도)로 측정하여 만족도 변화지표를 추가로 생성하 다 기술 합도는 lsquo 재 하는 일의 수 은 나의 기술(기능)과 비교하여 어느 정도인가rsquo라는 질의에

한 답변으로부터 구성하 다 응답자는 lsquo매우 낮다rsquo lsquo낮은 편이다rsquo lsquo맞다rsquo lsquo높은 편이다rsquo lsquo매우

높다rsquo 응답하도록 되어 있다12) 략 80 안 의 응답자가 다섯 응답 lsquo맞다rsquo에 답하 다 여기서 lsquo높은 편이다rsquo와 lsquo매우 높다rsquo에 한 응답은 체 응답자의 1 내외이다 하는 일의 수 이

매우 높거나 높은 편이다라는 것은 하는 일이 도 이며 자기 능력을 충분히 발휘할 기회가 많

다는 것을 의미하므로 합도가 낮다고만 평할 수는 없다 따라서 100 단 로 환산할 때 lsquo매우

낮다rsquo에 0 lsquo낮은 편이다rsquo에 50 lsquo맞다rsquo와 그 이상의 답변에 100 을 부여하 다13) 교육 합도

는 lsquo 재 하는 일의 수 은 나의 교육수 과 비교하여 어느 정도인가rsquo라는 질문에 한 답변으로

부터 구성하 으며 같은 방식으로 lsquo매우 낮다rsquo에 0 lsquo낮은 편이다rsquo에 50 lsquo맞다rsquo와 그 이상의

답변에 100 을 부여하 다 여기서 교육수 은 서류상에 기재되므로 서류상에 기재가 어려운 기

술수 과는 취업과정에서 다르게 취 된다 특히 인 네트워크는 교육수 보다 기술수 의 정보

달에 보다 유용한 채 로 작동할 가능성이 높다 따라서 이직의 종합 인 배치효율성 개선효과

를 측정하기 해서는 두 지표를 아우를 수 있는 독립 인 지표가 필요하다 도입된 lsquo교육기술복

합지수rsquo는 기술 합도와 교육 합도의 산술평균으로서 일자리 배치효율성에 한 종합 평가지

표로 작성되었다 이들 세 가지 배치효율성 련 지표들의 연간 변화를 ( 차수 배치효율성 -

차수 배치효율성)으로 측정하여 배치효율성의 변화분을 추가로 추출하 다 마지막으로 월평균임 (단 만원)의 치를 2008년 기 으로 환산하여 lsquo 차수 임 수 rsquo

과 lsquo 차수 임 수 rsquo을 구성하 다 앞서 lsquo임 수 (로그)rsquo 변수의 생성에 활용한 임 상승률을

그 로 차용하 다 lsquo임 수 변화rsquo는 ( 차수 임 수 - 이 차수 임 수 )으로 측정하 다 표에서 보는 바와 같이 차수 임 수 은 평균 202만 4700원으로 차수 임 수 은 평균

205만 8900원으로 집계되었고 평균 임 수 의 연간 상승분은 3만 4400원으로 나타났다

12) 응답자별 분포 lsquo매우 낮다(122)rsquo lsquo낮은 편이다(1727)rsquo lsquo맞다(8039)rsquo lsquo높은 편이다(106)rsquo lsquo매우 높다(006)rsquo 13) lsquo높은 편이다rsquo와 lsquo매우 높다rsquo가 차지하는 비 이 매우 낮아 이들을 합도가 lsquo낮은 편이다rsquo와 lsquo매우 낮다rsquo로 취 하여

도 분석 결과에는 의미있는 차이가 나타나지 않는다

변수명 측 수 평균값 표 편차 최솟값 최댓값

이직 여부(이직 1) 15705 0099 030 0 1

차수 직장만족도 15636 5659 1698 0 100

차수 직장만족도 15585 5679 1698 0 100

직장만족도 변화 15531 019 1636 -90 80

차수 직무만족도 15653 6052 1599 0 100

차수 직무만족도 15600 6056 1615 0 100

직무만족도 변화 15563 003 1641 -75 85

차수 일자리만족도 15596 5390 1618 0 100

차수 일자리만족도 15562 5454 1646 0 100

일자리만족도 변화 15468 065 1722 -100 75

차수 기술 합도 15613 9014 2138 0 100

차수 기술 합도 15590 9058 2146 0 100

기술 합도 변화 15509 044 2387 -100 100

차수 교육 합도 15656 8969 2169 0 100

차수 교육 합도 15620 9008 2186 0 100

교육 합도 변화 15582 040 2413 -100 100

차수 교육기술복합지수 15612 8991 2106 0 100

차수 교육기술복합지수 15590 9034 2119 0 100

교육기술복합지수 변화 15508 043 2318 -100 100

차수 임 수 (단 만원) 15697 20247 12055 0 146975

차수 임 수 (단 만원) 15658 20589 12406 625 146975

임 수 변화(단 만원) 15650 344 5619 -71931 56572

lt표 3gt 이직 및 성과지표별 기초통계량

IV 일자리 이동의 영향요인

본 에서는 일자리 이동에 향을 미치는 주요 요인들에 해 평가해 보도록 한다 이직확률

추정을 하여 로짓회귀분석(Logistic Regression)을 수행하 으며 여덟 가지 회귀분석모형에 해

그 결과를 lt표 4gt에 요약하 다 각 모형은 이 차수와 차수 사이의 이직 여부를 종속변수로

한다 모형 1은 개인 특성변수들과 일자리 특성변수들을 설명변수로 하 으며 모형 2는 여기에

교육 합도를 추가하 다 모형 3은 여기에 일과 일자리에 한 만족도를 측정하는 여덟 개 변수

를 추가하 다 모형 4에는 직종더미를 모형 5에는 업종더미를 모형 6에는 연차더미를 차례로 추

가하 다 모형 7은 모형 6에서 종업원 규모를 제하고 추정한 결과이다 종업원 규모에 응답하지

않은 샘 수가 체 최종샘 의 178에 달하므로 설명변수에서 종업원 규모를 뺀 모형 7은 샘

수를 극 화한 추정 결과를 제시한다 모형 8은 모형 6의 설명변수 교육 합도를 기술 합도로

체한 추정 결과이다 교육 합도와 기술 합도의 상 계수가 0913에 달하므로 하나의 모형에

두 변수를 모두 포함시키기보다 별도의 모형을 만들어 상호비교하는 방법을 택한 것이다 이들 모

형들의 하단에 lsquo평균치 이직확률rsquo을 표기하 다 lsquo평균치 이직확률rsquo은 추정에 활용된 변수들의 평

균치에서 계산한 이직확률을 나타낸다 즉 샘 내의 표 임 근로자(Representative Paid Worker)의 이직 가능성을 변하는 수치이다 주어진 모형들이 추정한 lsquo평균치 이직확률rsquo은 략

8 안 (76~902)이다 각 추정계수 우편에는 한계효과를 함께 표시하 는데 이는 설명변수가

한 단 상승할 때(더미변수의 경우 0에서 1로 바뀔 때) lsquo평균치 이직확률rsquo의 변동분을 나타낸다 lsquo평균치 이직확률rsquo과 한계효과 모두 100을 곱하여 백분율로 표기하 다

분석 결과에 따르면 네 가지 개인의 특성변수(나이 성별 교육수 혼인 여부) 에서는 나이

와 성별만이 통계 으로 유의한 향요인으로 확인되었다 여성의 경우 남성에 비해 이직확률이

략 11p 가량 낮은 것으로 나타났다 연령이 높을수록 이직확률이 낮아지는데 나이가 한 살

증가할수록 략 04p 가량 이직확률이 하락하 다 일자리 련 특성변수 에서 정규직 여부 첫(혹은 두 번째) 일자리 여부 임 수 종업원 규

모 모두 통계 으로 유의한 향요인으로 악되었다 정규직일 경우 비정규직에 비해 이직확률

이 2p 가량 하락하 다 생애 첫 번째(혹은 두 번째) 일자리인 경우 44p 가량 이직확률이 하락

하 다 그러나 이것이 노동시장 진입 기에 이직확률이 더 낮다는 식으로 해석될 수는 없다 그보다는 이 에 이직경험이 많은 이들은(즉 재 일자리가 생애 세 번째 혹은 그 이상인 이들은) 그들의 직업 특성으로 인하여 이 에 이직경험이 은 이들에 비해 향후 일 년간 다시 이직

할 확률이 44p 가량 높다라고 해석해야 할 것이다14) 임 수 이 높을수록 이직확률이 떨어지

는 것으로 나타났다 임 이 10 상승할 때 이직확률은 045p만큼 하락한다 종업원 규모 역시

이직확률과 부의 계를 가지는 것으로 나타났다 종업원 규모가 10 가량 큰 기업에서 근무하면 이직확률은 007p 가량 하락한다 이는 종업원 규모가 큰 기업일수록 내부 노동시장을 활용한

직무재배치가 용이하기 때문인 것으로 악된다교육 합도 혹은 기술 합도가 높을수록 이직확률이 하락하는 것으로 나타났다 교육 혹은 기

술 합도가 10 상승할 때 025p 가량 하락한다 재 하는 일이 나의 교육(혹은 기술) 수 보

다 낮다고 답한 경우( 합도 50 ) 수 이 맞다고 답한 경우( 합도 100 )보다 125p만큼 이직

확률이 증가하는 것을 의미한다 따라서 노동자의 기술 혹은 교육 수 에 합한 직무와 그에 합

당한 우가 이직확률을 떨어뜨리는 데 효과 임을 알 수 있다일자리만족도와 련한 여덟 가지 변수 에서 임 에 한 만족도 직장 내 인간 계에 한

만족도 인사고과의 공정성에 한 만족도는 이직에 유의미한 향을 미치지 못하는 것으로 나타

났다 특히 이 임 에 한 만족도가 이직 여부에 결정 역할을 하지 않는다는 은 흥미로운

결론이다 반면 취업 안정성에 한 만족도와 근로환경 복지후생에 한 만족도 그리고 업무

에 한 만족도는 이직확률과 통계 으로 유의한 부(-)의 계가 있음이 확인되었다 취업 안정성

에 한 만족도 근로환경의 만족도 그리고 업무만족도의 경우 100 만 에 10 향상 시 04p 가량 이직확률을 떨어트리는 것으로 나타났으며 이는 이들 만족도에 한 응답이 불만족(25 )에

14) 를 들어 주어진 최종샘 에서 직장경력이 많은 40세 이상인 이들만을 고려할 때 첫 번째(혹은 두 번째) 일자리

보유자 2711명의 연간 이직률은 262인 데 반해 두 번 이상 이직경험이 있는 이들 4410명의 연간 이직률은

859로 이직률이 597p 높은 것을 확인할 수 있다

서 보통(50 )으로 개선된 경우 1p만큼 이직확률이 감소하는 것을 의미한다 개인만족도 련

변수 이직확률에 가장 향력이 큰 변수는 복지후생 변수로서 이에 한 만족도는 10 향상

시 이직확률을 055p 가량 떨어트리는 것으로 나타났다 복지후생만족도에 한 응답이 불만족

(25 )에서 보통(50 )으로 개선된다면 략 138p만큼의 이직률 하락을 기 할 수 있는 것이다이상의 분석 결과는 국내 임 근로자의 이직 결정에 있어서 비임 측면에서의 만족도가

요한 역할을 한다고 주장한 김동헌김상호(2001)의 연구와 맥을 같이 한다15) 여러 해외 연구 결

과도 비임 요소의 요성을 강조한 바 있다 를 들어 Gottschalk and Maloney(1985)는

Michigan PSID(Panel Study of Income Dynamics)를 이용하여 이직 후 새로운 직장이 더 만족스럽

다고 응답한 사람들 가운데 그 41는 실질임 의 삭감을 감내한 것으로 밝힌 바 있다흥미로운 은 개인의 발 가능성에 한 만족도가 이직확률과는 정(+)의 계를 보인다는

이다 개인의 인 자본을 높일 수 있는 일을 하고 있을 때 이러한 자기발 을 활용하여 보다 우

가 좋은 직장으로 이동하는 경향이 있음을 확인한 것이다 자기발 에 한 만족도 10 상승이

045p만큼의 이직확률 증가와 연 된 것으로 확인되었다 를 들어 자기발 만족도에 한 응

답이 보통(50 )인 사원보다 만족(75 )인 사원의 이직확률이 113p 가량 높은 것이다직종에 따른 이직확률의 차이에서는 문 리직 종사자나 서비스 매직 종사자가 생산기능직

종사자에 비해 략 3p만큼 이직확률이 높다는 것을 확인하 다 반면 농어민의 경우 생산기능

직 종사자에 비해 6p만큼 이직확률이 낮았다 업종에 따른 이직확률의 차이에서는 업종 간의 큰

차이를 발견하기 어려웠다 다만 농어업 련 기업에 종사할 경우 공업 련 기업에 종사하는

경우보다 이직확률이 상당히( 략 15p만큼) 높아짐을 확인할 수 있었다 다만 노동패 은 군부

지역을 제외하고 도시지역만을 상으로 한 조사이기 때문에 농어민 혹은 농어업 련 산업의 종

사자에 한 자료는 매우 미흡한 수 이다16) 따라서 농어민이나 농어업 종사자에 한 이상의

결론은 신뢰도가 다소 떨어짐을 유념할 필요가 있다

15) 김동헌김상호(2001)는 노동패 의 1차 자료만을 활용하여 동일한 분석을 수행한 바 있으며 이들의 결론은 8가지

만족도 변수 취업 안정성 복지후생 인사공정에 한 만족도가 이직성향과 부(負)의 계를 가진다는 것이었다 이들의 연구에 비해 본 연구의 표본의 수가 보다 방 하고 다양한 배경 변수(업종더미 직종더미 회사규모)와 개인

특성변수(첫 일자리 여부 교육 합도 등)를 통제하고 있으므로 본 연구의 결과가 보다 신뢰할 만한 결과를 제시하

고 있다고 단된다 16) 최종샘 에서 농어민이 차지하는 비 은 1 미만이고 샘 수로는 101명에 그친다 농어업 련 기업의 종사자가

차지하는 비 역시 1 미만에 종사자 수 111명에 그친다

다항로짓회귀분석 모형 1 모형 2 모형 3 모형 4

종속변수 이직 여부 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과

성별(여성 1) -01627(00665) -1313 -01272

(00672) -1030 -00669(00701) -0536 -01378

(00753) -1081

나이 -00512(00041) -0420 -00513

(00041) -0421 -00510(00042) -0412 -00507

(00042) -0404

교육수 00263(0029) 0216 00135

(00294) 0111 00350(00306) 0283 00264

(00342) 0210

혼인 여부(미혼 1) 00531(00746) 0440 00601

(00748) 0498 00563(00757) 0459 00643

(00762) 0518

정규직 여부(정규직 1) -03042(00713) -2688 -02777

(00718) -2438 -02213(00743) -1887 -01853

(00751) -1544

첫(혹은 두 번째) 일자리 여부

-05513(00647) -4453 -05462

(00649) -4412 -05313(00656) -4227 -05429

(00659) -4258

임 수(단 만원 로그)

-05933(00709) -4868 -05360

(00727) -4398 -05253(00769) -4242 -05393

(00782) -4294

종업원 규모(단 명 로그)

-01019(00145) -0836 -01010

(00145) -0829 -00838(00149) -0677 -00691

(00149) -0550

차수 교육 합도 -00045(00012) -0037 -00031

(00014) -0025 -00030(00014) -0024

차수 기술 합도

업무만족도 -00031(00025) -0025 -00036

(00025) -0029

임 만족도 00025(00020) 0021 00029

(00020) 0023

취업 안정성 만족도 -00041(00021) -0033 -00044

(00021) -0035

근무환경만족도 -00049(00021) -0039 -00050

(00022) -0040

인간 계만족도 -00016(00024) -0013 -00015

(00024) -0012

자기발 만족도 00055(00023) 0045 00050

(00023) 0040

인사공정만족도 00006(00027) 0005 00011

(00027) 0009

복지후생만족도 -00069(00021) -0055 -00070

(00021) -0055

(기 생산기능직)

문 리직 여부 03710(01169) 3328

사무기술직 여부 -01145(00887) -0898

서비스 매직 여부 04280(00885) 3890

농어민 여부 -03201(04768) -2238

(기 공업 종사)농어업 종사 여부건설업 종사 여부도소매 숙박업 종사

여부서비스 련업 종사

여부연차 더미 No No No No

평균치 이직확률times100(각 변수의 평균치

기 )902 902 886 872

관측 수 12869   12829   12655   12652  

결정계수( ) 0070   0072   0076   0082  

lt표 4Agt 일자리 이동 영향요인 분석(I)

주 1 는 유의수 10 는 유의수 5 는 유의수 1를 의미함2 한계효과는 추정된 한계효과(marginal effects)를 백분율로 표시함3 더미변수의 한계효과는 변수값이 0에서 1로 변할 때 이직확률의 변화분을 나타냄(변수명의 표시가 더미변수)

다항로짓회귀분석 모형 5 모형 6 모형 7 모형 8

종속변수 이직 여부 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과

성별(여성 1) -01528(00759) -1194 -01482

(00760) -1154 -01872(00713) -1289 -01477

(00761) -1151

나이 -00505(00042) -0401 -00505

(00042) -0400 -00521(00040) -0366 -00504

(00042) -0399

교육수 00309(00345) 0245 00327

(00347) 0258 00113(00324) 0080 00346

(00345) 0274

혼인 여부(미혼 1) 00659(00764) 0529 00635

(00766) 0507 01045(00721) 0749 00684

(00767) 0548

정규직 여부(정규직 1) -02033(00770) -1696 -02075

(00776) -1727 -01213(00735) -0875 -02093

(00777) -1744

첫(혹은 두 번째) 일자리 여부

-05421(00660) -4240 -05445

(00661) -4241 -06294(00623) -4407 -05495

(00662) -4284

임 수(단 만원 로그)

-05309(00788) -4215 -05277

(00790) -4172 -06554(00702) -4602 -05288

(00791) -4186

종업원 규모(단 명 로그)

-00695(00151) -0552 -00690

(00152) -0546 -00685(00152) -0542

차수 교육 합도 -00028(00014) -0022 -00029

(00014) -0023 -00027(00013) -0019

차수 기술 합도 -00030(00014) -0024

업무만족도 -00038(00025) -0030 -00043

(00025) -0034 -00054(00023) -0038 -00045

(00025) -0036

임 만족도 00029(00020) 0023 00026

(00020) 0020 00027(00019) 0019 00026

(00020) 0020

취업 안정성 만족도 -00048(00021) -0038 -00045

(00021) -0035 -00051(00020) -0036 -00044

(00021) -0035

근무환경만족도 -00052(00022) -0041 -00054

(00022) -0042 -00053(00020) -0037 -00053

(00022) -0042

인간 계만족도 -00014(00024) -0011 -00015

(00024) -0012 -00014(00023) -0010 -00013

(00024) -0011

자기발 만족도 00054(00023) 0043 00057

(00023) 0045 00061(00022) 0043 00057

(00023) 0045

인사공정만족도 00010(00027) 0008 00011

(00027) 0009 -00006(00025) -0004 00014

(00027) 0011

복지후생만족도 -00069(00021) -0055 -00069

(00021) -0054 -00060(00020) -0042 -00068

(00021) -0053

(기 생산기능직)

문 리직 여부 03574(01203) 3183 03594

(01204) 3190 03478(01160) 2728 03514

(01204) 3114

사무기술직 여부 -01409(00916) -1098 -01365

(00917) -1060 -01322(00878) -0911 -01374

(00917) -1068

서비스 매직 여부 03146(01080) 2752 03136

(01081) 2732 02369(01012) 1793 03037

(01084) 2640

농어민 여부 -13598(06827) -6349 -13198

(06821) -6224 -12188(06557) -5262 -13254

(06828) -6246

(기 공업 종사)

농어업 종사 여부 12277(05423) 15765 12064

(05429) 15324 08109(05129) 7981 12026

(05431) 15270

건설업 종사 여부 -01858(01239) -1386 -01819

(01240) -1353 -01896(01146) -1251 -01797

(01240) -1339

도소매 숙박업 종사 여부

01413(01027) 1165 01417

(01028) 1163 02878(00976) 2200 01393

(01029) 1144

서비스 련업 종사 여부

00006(00808) 0005 00016

(00808) 0013 -00420(00778) -0295 -00024

(00809) -0019

연차 더미 No Yes Yes Yes평균치 이직확률times100

(각 변수의 평균치 기 ) 869 865 760 867

관측 수 12651   12651   15344   12614  

결정계수( ) 0083   0085   0091   0084  

lt표 4Bgt 일자리 이동 영향요인 분석(II)

주 1 는 유의수 10 는 유의수 5 는 유의수 1를 의미함 2 한계효과는 추정된 한계효과(marginal effects)를 백분율로 표시함 3 더미변수의 한계효과는 변수값이 0에서 1로 변할 때 이직확률의 변화분을 나타냄(변수명의 표시가 더미변수)

Group

Treated (=1) 측 가능 Counterfactual

Untreated (=0) Counterfactual 측 가능

V 분석 방법(Propensity Score Matching)

본 에서는 일자리 이동의 효과성 분석에 사용할 방법론으로서 Heckman Ichimura and Todd(1997)이 제안한 Propensity Score Difference- in-Differences(DID) Matching(PSM)에 해 설명

하고자 한다 이에 앞서 우선 이 방법론의 근간이 되는 Averge Treatment Effect for the Treated(ATT)(Rubin[1974])와 Propensity Score Matching(PSM)(Rosenbaum and Rubin[1983]) 일반에

해 소개하기로 한다

1 Average Treatment Effect for the Treated

결과에 향을 미치는 Treatment Variable로서 더미변수 를 가정하자 Treatment의 부여 여부

에 따라서 Treated Group(혹은 실험군)과 Untreated Group(혹은 조군)으로 구분할 수 있다 =1 (Treated Group)과 =0 (Untreated Group) 이때 잠재 결과치(Pontential Outcomes) 가 Treatement 여부에 따라 각기 ( )일 때 Average Treatment Effect(ATE)는 다음과 같다 그러나 이러한 통 인 계산방식은 Treatment가 무작

(Randomization)라는 가정하에서만 편 되지 않은 측치(Unbiased Estimates)를 제공할 수 있다 순수한 무작 실험이 아니라면 분석의 상이 데이터에서 Treatment 여부가 무작 인 경우는 드

물다 즉 특정한 요인들이 Treatment 참여 여부에 직간 인 향을 미치는 것이다 를 들어 특정약물의 효과를 알고 싶다고 하자 약물이 투여된 사람과 그 지 않은 사람의 건강상태를 악

하면 된다고 생각할 수 있다 그러나 약물이 투여되지 않은 사람은 개 건강한 사람들이기 때문

에 이들의 건강상태를 약물이 투여된 사람과 직 비교한다면 약물을 투여한 사람이 여 히 건강

상태가 나쁜 것으로만 나올 것이고 약물투여의 효과가 없다라고 결론짓게 될 것이다 비교 상은

건강한 사람이 아니라 약물이 투여된 집단만큼의 건강이 양호하지 않은 집단이어야 한다 이 게

건강하지 않는 사람과 비교할 때 약물 투여의 순수한 효과를 검증할 수 있다 이러한 무작 의 여

부로부터 발생하는 문제를 선택편의(Selection Bias)라고 한다데이터로부터 우리가 측할 수 있는 결과치는 Treated된 경우의 과 Untreated된 경우의

이다 선택편의의 문제가 발생할 때 Treatment의 효과를 제 로 알고자 한다면 우리가 비교해야

하는 상은 Treated 된 경우의 Treatment가 용되지 않았을 때의 결과 즉 ( |=1)이다 이러한

가상의 결과를 Counterfactual이라고 한다 (역시 Untreated된 경우의 Treatment가 용되었을 때 결

과 즉( |=0) 역시 Counterfactual이다) 다음의 표가 이를 간략히 정리하고 있다

선택편의(Selection Bias)의 문제하에서 Treatment의 효과를 측정하기 하여 체 집단에 한

Treatment Effect가 아닌 Treated Group에 한 Treatment Effect에 한정하여야 한다 이 게 한정된

집단 즉 Treated Group에 한 효과성 측정을 Average Treatment Effect for the Treated(ATT)라고 한

(1)

여기서 는 Counterfactual에 한 기 치이므로 자료로부터의 직 인 추정은 불

가능하다 Treatment Selection이 측 가능한 변수들의 특정한 집합 Z에 의존한다고 가정해 보자 Dawid(1979)의 표 법에 따르면 다음과 같은 계가 성립한다 ∐ 즉 Z를 통제하 을

때 Untreated Group의 값의 분포와 Treated Group이 만약 Treatment를 받지 아니하 을 때의

값의 분포(즉 Counterfactual의 분포)는 서로 동일하다는 것이다 이는 기 치에 한 다음과 같은

계를 내포한다

(2)

즉 counterfactual인 을 측치인 이 체할 수 있는 것이다 식

(2)의 계를 조건부 독립가정(Conditional Independence Assumption CIA)이라고 한다 Rubin(1974)은 조건부 독립가정(CIA)의 조건이 충족할 경우 ATT를 다음과 같이 측정할 수 있다고 제안한 바

있다

(3)

즉 직 으로 설명한다면 =1인 집단에 속한 특성 Z인 개체에 하여 동일 특성을 지닌 개

체를 =0인 그룹에서 찾아 그 둘의 Y값을 비교하면 되는 것이다 =1 집단 내의 모든 개체에

하여 동일한 계산을 한 뒤 이를 합산하면 ATT를 구하게 된다 그러나 이 방법 역시 일정 정도의 한계를 지닌다 만약 Z가 이산변수(Discrete Variable)가 아닌

연속변수(Continuous Variable)라면 =0 집단에서 동일한 Z를 가진 개체를 찾을 수 없으므로 이상

의 측정법을 용할 수 없다 한 특정 변수들이 집합인 Z에 포함된 변수들이 많은 경우 동일한

특성의 개체를 =0 집단으로부터 찾는 것이 어려울 수 있다 이러한 한계를 극복하고자 도입된 것

이 Propensity Score Matching 방식이다

2 Propensity Score Matching Estimator

Propensity Score(PS)를 Z 특성을 지닌 개체가 Treated될 확률로 정의하고 로 표시하도록

하자

Propensity Score equiv (4)

Rosenbaum and Rubin(1983)은 0ltP(Z)lt1이 모든 Z에 해 만족할 경우 다음의 계가 성립한다

는 것을 증명하 다

∐ rArr ∐ (5)

이 계식은 을 내포하므로 변수집합의 Z의 차원수

∐ rArr

(Dimensionability)가 클 경우에도 다음과 같이 다일변수 P(Z)를 활용하여 ATT를 구할 수 있다

(6)

샘 수의 유한성으로 인해 실제로 식의 두 번째 항을 추정하는 것은 간단치 않은 작업이

다 한 ATT의 추정은 Common Support 역 즉 Treated Group의 P(Z)의 분포와 Untreated Group의 P(Z)의 분포가 겹치는 Z의 역에 한정하여야 한다 Common Support를 벗어나는 역에 해

서는 비교가능한 Counterfactual를 찾기 힘들기 때문이다 이를 반 하여 주어진 샘 내에서 ATT를 추정할 수 있는 다양한 Propensity Score Matching(PSM) Estimator가 제안되었는데 이는 다음과

같이 요약될 수 있다(Todd[2006])

isincap

isin

(7)

여기서 는 Treated Group 구성원을 는 Untreated Group의 구성원을 나타낸다 는 Common Support 역 내의 개체들의 집합을 나타낸다 은 Treated Group의 구성원 Common Support 역에 속하는 개체들의 총수이다 는 가 치를 나타내는 것으로 두 Propensity Score의 거리

인 을 이용하여 결정된다 가 치 용방식에 따라 다양한 측정방식이 제시될 수

있다 이에 해서는 추후에 추가 으로 논의하도록 한다

3 Difference-in-Differences Matching Estimator

여기서 한 단계 발 된 방식의 PSM이 Heckman Ichimura and Todd (1997)에 의해 제시된

Difference-in-Differences(DID) Matching Estimator이다 앞서 ATT의 추정에서 측 가능한 특정 변수

들의 집합 Z가 주어졌을 때 결과치 가 Treatment에 독립 (즉 ∐ 이 성립)이라고 가정한

바 있다 그러나 Z에 포함되어야 할 많은 변수 측이 되지 않는 경우가 있을 수 있다 이러한

경우 계가 더 이상 성립하지 않아 앞서의 ATT 추정법은 정

당성을 상실한다 하지만 Longitudal Data가 주어진 경우 즉 Treatment 이 과 이후의 결과치( )가

주어진 경우 분석 상을 신에 lsquo의 변화분rsquo으로 변경함으로써 이러한 문제를 상당 부분 해

소할 수 있다 Treatment 이 과 이후 두 개의 시간 를 와 prime이라 한다면 분석 상을 이

아닌 prime prime 으로 둘 수 있는 것이다 이때 ATT를 추정하기 해서는

prime ∐ 의 가정이면 충분하게 된다 이는 앞서보다 훨씬 완화된 가정이므로 충족하기

가 보다 용이해진다 특히 측되지 않는 시간 불변(time-invariant)의 일부 변수가 Treatment Selection에 연 된 경우에도 이 변수가 와 prime에는 직 인 향을 미치더라도 prime 에 미치는 향이 없다면(즉 독립 이라면) 문제가 되지 않는 것이다17) 따라서 Longitudal Data가

17) 이 외에도 주어진 수치들이 데이터가 수집된 지역에 따라 Level이 다를 경우 Difference 변수를 활용함으로써 이러

한 Level 차이에서 기인한 편의(bias)를 해소할 수 있다

주어진 경우에 DID Matching Estimator는 매우 효과 인 도구로 활용될 수 있다 이때 DID Matching Estimator는 다음과 같은 방식으로 요약될 수 있을 것이다

isincap

prime prime prime

isin prime

(8)

본 연구에서는 앞서 소개한 DID Matching Estimator를 이용함으로써 시간불변(time-invariant)의

측되지 아니하는 변수들을 사 에 통제하고 보다 신뢰할 만한 분석 결과를 제시하고자 한다

4 Treatment Effect 측정방식

의 가 치를 결정하는 를 어떻게 설정하느냐에 따라 다양한 PSM Estimator가 존재한다 본 연구의 분석에서는 가장 활발히 이용되는 측정방식들로서 Nearest Neighbor Matching Radius Matching Kernel Matching 이 세 가지를 활용하기로 한다18)

가 Nearest Neighbor Matching

이 방식은 조군인 Untreated Group에 속한 개체 에서 Propensity Score가 실험군(Treated Group) 개체의 Score와 가장 근 한 개체를 선택하는 방식이다 즉 를 최소화시키

는 에 해서는 이고 나머지 에 해서는 이 성립한다 [그림 2]가 이

를 잘 형상화하고 있다 이때 Score가 근 한 개체를 하나가 아닌 복수로 선정함으로써 하나를

선정할 때보다 더욱 안정된 추정치를 얻을 수 있다 다만 매칭되는 개체 수가 무 많을 경우

가 크게 되어 편의(bias)가 증가할 수 있으므로 신 할 필요가 있다 개의 근

한 개체를 선택하는 경우 이들 개체 에 해서는 이 성립하고 나머지 에

해서는 이 성립한다 Nearest Neighbor Matching의 경우 가장 근 한 개체를 선택하 으나 가 무

커서 Counterfactual로서 부 합한 매칭이 이루어질 가능성이 있다 이를 보완하기 하여 Cochran and Rubin(1973)은 한 Caliper를 선정하여 매칭에 있어서 를 일정 한도로 제

한할 것을 제안한 바 있다 본 분석에서는 을 5개로 선정함으로써 편의(bias)를 이면서도 안정

된 추정치를 얻고자 하 으며 Caliper는 히 작은 0005로 설정하여 부 합한 매칭을 최소화하

고자 하 다19)

18) 이 외에도 주로 활용되는 측정방식으로 Stratification Matching Mahalanobis Matching 등이 있으나 이들을 활용한 결

과가 본 연구의 분석 결과와 크게 다르지 않다 Dehejia and Wahba(2002)는 Treated Group과 Untreated Group 간의

Propensity Score 분포가 상당 부분 서로 겹친다면 측정방식에 따른 분석 결과의 차이가 크지 않다는 을 강조한

바 있다 이는 실험군 한 개체에 해 매칭 가능한 충분한 수의 조군 개체들이 존재하기 때문이다 즉 측정방식의

차이에 따라 매칭이 되는 조군들의 특성이 크게 달라지지 않는 것이다 본 연구에서 추정한 Propensity Score 분포

는 Treated Group Untreated Group 두 집단 사이에 겹치는 부분이 매우 크다 이는 [그림 4]를 통해 쉽게 확인된다 19) 여기서 Caliper 설정은 실험군 개체와 매칭되는 조군 개체 사이의 PS 거리 즉 를 한 수 으로

제한하고자 함이다 부분의 실험군 개체의 경우 Caliper가 설정한 Boundary에 크게 제한을 받지 않으므로 히

작은 Caliper의 설정이면 편의(Bias)를 개선하기에 충분하다 본 분석에서 설정한 0005 이외에 0002이나 001을 사용

하여 보았으나 역시 결과의 차이가 크지 않음을 확인하 다

[그림 2] Nearest Neighbor Matching(n=1인 경우)

나 Radius Matching

이 방식은 일정 반경을 Caliper로 설정하고 Untreated Group에서 가 Caliper 이내인 모든 개체 를 Treated Group의 개체 에 매칭하는 방법이다(그림 3 참조) 개체 에 하여

Untreated Group으로부터 매칭된 개체의 수가 라면 이들에 해서는 이 성립하고 매칭이 안된 나머지 개체들에 해서는 이 성립한다 이 추정방식은 앞서 Nearest Neighbor Matching에 비해 Propensity Score가 근 한 조군 내의 보다 많은 개체를 분석에 활용할

수 있다는 장 이 있다 보다 많은 조군 내 개체를 활용할수록 Treatment Effects 측정의 정확성

(Precision)은 상승하게 된다 매칭이 가능한 조군 개체의 수가 충분히 많다면 Caliper는 작을수록 좋다 Caliper가 클수록

부 합한 매칭에 따른 Treatment Effects의 편 (Bias)이 커질 수 있기 때문이다 본 분석에서는 샘

의 수가 충분히 크기 때문에 Caliper를 0002로 설정하여 매우 근 한 개체들에 해서만 매칭이

이루어지도록 설정하 다20)

20) 다음 에서는 주어진 샘 을 활용하여 Propensity Score를 추정하고 있다 이 결과에 따르면 PS (01 0102)인 구간

에서 조군 개체 수가 116개 (02 0202) 구간에서 조군 개체 수가 32개 (03 0302) 구간에서 조군 개체 수가

12개에 이르는 것을 확인할 수 있다(표 6과 그림 4를 참조 바람) 즉 0002의 Caliper를 사용할 때 한 개의 실험군

개체에 해 10개 내지 100개 이상의 조군 개체들이 매칭되는 경우가 흔히 존재하는 것이다 반면 Caliper를 이보

다 작게 설정한다면 (특히 PS가 큰 구간에서는) 실험군 개체들과 매칭되는 조군 개체가 존재하지 않을 수 있다 를 들어 PS (04 0402)인 구간에서 조군 개체 수는 단 1개 존재하나 PS (0401 0402)인 구간에서는 무하다

따라서 본 연구에서는 최소의 Caliper이면서도 매칭되는 조군 개체의 수가 충분할 수 으로서 Caliper 0002를 선

정하 다 반면 민감성 테스트(Sensitivity Check)에 따르면 Caliper 0001이나 0003에서도 연구 결과의 차이가 크지

않음을 확인하 다

[그림 3] Radius Matching

다 Kernel Matching

이 방식은 Treated Group 내의 각 개체에 한 매칭을 Untreated Group 내의 모든 개체를 상

으로 진행하는 방식으로 에 따라 가 치를 부여한다 가 작을수

록 가 치가 커진다 이때 사용되는 가 치는 다음과 같이 표시될 수 있다

isin

(9)

여기서 G는 선택된 Kernel function을 은 Bandwidth Parameter를 표시한다 이 방식은

Heckman Ichimura and Todd(1998)에 의해 도입되었는데 주어진 모든 개체를 추정에 활용하므로

정보의 손실을 최소화할 수 있다는 장 이 있다 한 앞서의 두 추정방식과는 달리 인 인

Caliper의 설정이 불필요하다는 장 도 있다 Kernel의 선택에는 Gaussian Function(Normal Distribution) Biweight Function Epanechnikov Function 등 다양한 방식이 가능하나 본 분석에는

Normal Distribution을 채택하 다 Bandwidth Parameter로는 001을 선택하여 가 근

한 이들에게 충분한 가 치가 주어지도록 하 다21)

VI Propensity Score의 추정

주어진 자료에서 Treatment는 이직에 해당한다 이직에 한 Propensity Score(PS)를 추정하기

해서는 이직에 향을 미치는 주요 변수의 집합 을 사용하여야 한다 이들 변수는 다음 조건

을 만족하여야 한다 prime ∐ 즉 이직에 향을 미치는 주요 변수들을 통제한 후에

는 이직을 하지 않은 이들의 결과치 에 한 변화분 prime 의 분포가 이직을 한

이들이 만약 이직을 하지 않았을 때 상되는 결과치 에 한 변화분 prime 의 분

21) Bandwidth Parameter가 0005 002인 경우도 확인해 보았으나 결과에는 큰 차이가 발견되지 않았다

추정함수 Logistic Regression(이직 = 1 비이직 = 0)Z 추정계수 표 오차

직장유지의향 -0002 0004 직무유지의향 -0015 0004 성별(여성 1) -0104 0071

나이 -0138 0023 나이2 0001 0000

교육수 0169 0050 혼인 여부(미혼 1) -0056 0082

정규직 여부(정규직 1) 0342 0248 첫(혹은 두 번째) 일자리 여부 -0599 0068

임 수 (단 만원 로그) 0076 0601 임 수 (단 만원 로그)2 -0052 0063 종업원 규모(단 명 로그) -0084 0015

차수 교육 합도 0000 0001 임 만족도 0003 0002

근무환경만족도 -0004 0002 일자리만족도 -0003 0003

서비스 매직 여부 0459 0077 농어업 종사 여부 0324 0378

정규직 여부 times 교육수 -0131 0056 직장유지의향 times 직무유지의향 0000 0000

상수항 3558 1584 측 수 12754

결정계수( ) 00873

Log Likelihood -401098

포와 동일해야 하는 것이다 따라서 Propensity Score의 추정에 활용할 변수들은 앞서 일자리 이동

의 향요인에 한 분석을 통해 선별할 수 있다 특히 주어진 노동패 의 자료에서는 ldquo 재의

직장을 계속 다니고 싶은가(직장유지의향)rdquo와 ldquo 재 맡고 있는 일을 계속하고 싶은가(직무유지의

향)rdquo라는 이직의사와 련된 매우 긴요한 변수들이 포함되어 있는데 이들을 주요 변수의 집합

에 포함시킴으로써 이상의 조건이 보다 용이하게 충족될 수 있음을 기 할 수 있다 Propensity Score의 추정에는 Logistic Regression을 활용하 다 추정에 활용된 주요 변수들의 집합 과 각

변수에 한 추정계수는 lt표 5gt에 요약되어 있다

lt표 5gt Propensity Score의 추정방정식

주 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

앞서 일자리 이동 향요인에 한 분석에서 일자리 이동의 요한 결정변수로 악된 변수

들이 부분 PS 추정방정식에 포함되었다 만족도와 련한 변수 업무만족도 취업 안정성 만

족도 자기발 만족도 복지후생만족도 이상 네 변수는 일자리 향요인으로 통계 으로 유의하

게 악되었으나 PS 방정식에 추가된 일자리만족도 직장유지의향 직무유지의향 등과의 통계

상 계가 매우 높아 PS 추정방정식에 따로 포함시키지 않았다22) 한 추정방정식에는 일부

Interaction Terms들과 Higher Order Terms들을 추가하여 앞서 설명한 변수집합(Z)의 기본요건을 맞

추고자 하 다 추가 변수들은 Balancing Property를 충족하기 하여 선정되었는데 이에 해서는

아래에서 추가 부연한다Rosenbaum and Rubin(1983)에 따르면 PS는 다음 조건을 만족한다

∐ rArr

즉 PS를 통제한 뒤에는 변수집합 Z와 Treatment 여부 D가 상호 독립 이라는 것이다 이는 PS가 동일한 개체들에 해 Z의 평균값을 구한다면 Treatment를 받은 집단과 그 지 않은 집단 사이

에 차이가 없어야 한다는 을 내포한다 이를 Balancing Property라 한다 이를 검증하기 한 방

법으로 P(Z)를 여러 구간(Blocks)으로 나 뒤 각 구간에 한 Mean Difference Statistical T-test를

시행할 수 있다 일부 구간에 해 T-test가 만족하지 않는 경우에는 구간을 더욱 세분하여 진행하

고 여 히 만족이 되지 않는 경우에는 문제가 되는 일부 변수들의 Interaction Terms들과 Higher Order Terms들을 PS 추정방정식에 추가하여 앞서의 과정을 되풀이한다(Dehejia and Wahba[1999]) 앞서 언 된 Interaction Terms과 Higher Order Terms들은 이상의 과정을 거쳐 추가된 항들이다

Balancing Property 검증을 하여 다양한 PS 추정방정식을 설정하여 반복 인 Test를 수행하

다 최종 으로 lt표 5gt의 추정방정식에서 도출한 PS를 기 으로 lt표 6gt과 같이 10개의 Block을

구분한 뒤 Mean- Difference Statistical T-test를 진행하 다 Block 설정은 PS의 Common Support 역인 [00149 06]에 하여 이루어졌다 각 Block들에 한 T-test의 결과는 lt부표 2gt에 수록되어

있다 추정방정식에 도입된 독립변수 항이 총 20개이고 Block의 수는 10개이므로 총 200개의

Mean-Difference T-test가 시행되었다 lt부표 2gt에서 확인할 수 있듯이 5 Significance Level에서

부분의 Block들이 T-test를 통과하 다 통과에 실패한 테스트는 단 두 개로 Block 1의 lsquo정규직

여부rsquo에 한 테스트와 Block 8의 lsquo성별rsquo에 한 테스트이다 따라서 Block Test의 통과율이 99에

이르러 앞서의 PS 추정방정식이 Balancing Property를 체로 만족하고 있다고 결론내릴 수 있다 이상의 과정을 거쳐 확정된 PS 추정방정식을 이용하여 각 개체별로 PS를 구할 수 있다 [그림

4]는 이 게 구해진 PS에 하여 각 집단별 분포도를 제시하고 있다 Treated Group의 경우 PS의

분포가 Untreated Group에 비해 상 으로 우측으로 치우쳐 있음을 쉽게 확인할 수 있다 그리고

PS 분포에서 Common Support 역이 [00149 06]에 이른다는 것을 확인할 수 있다 이는 PS가

06보다 큰 경우에는 Treatment에 참여한 실험군 개체에 해 그에 상응하는 Counterfactual을 조

군으로부터 찾을 수 없음을 의미한다 따라서 PS를 활용한 Treatment의 효과 측정은 이 Common Support 역에 들어오는 실험군 개체들에 한정하여 이루어질 수밖에 없다

22) 를 들어 일자리만족도와 이들 네 변수와의 상 계수(Correlation Coefficient)는 각각 업무만족도(06536) 취업 안정

성 만족도(06014) 자기발 만족도(06279) 복지후생만족도(05514)에 이른다 이들을 포함시키더라도 반 인 결과

에는 큰 차이가 없다

(10)

02

46

8

0 2 4 6 8 0 2 4 6 8

Untreated Group Treated Group

DensityRough Density Curve

Den

sity

Propensity Score Distribu tion for Each Group

lt표 6gt Balancing Property 검증을 위한 Block 구분

Block 번호 Propensity Score 범 D=0 D=1 합계

1 00149 ~ 0025 655 10 665

2 0025 ~ 005 2128 59 2187

3 005 ~ 0075 2146 152 2298

4 0075 ~ 001 1744 200 1944

5 01 ~ 0125 1300 171 1471

6 0125 ~ 015 949 162 1111

7 015 ~ 02 1138 238 1376

8 02 ~ 03 845 242 1087

9 03 ~ 04 230 95 325

10 04 ~ 06 57 56 113

합계 11192 1385 12577

[그림 4] 각 집단별 Propensity Score 분포도

주 Common Support 역인 [00149 06]에 포함된 개체 수는 Untreated Group의 경우 11192명 Treated Group의 경우에

는 1385명임

VII 분석 결과

이제 구해진 PS를 활용하여 이직의 효과와 이직에 있어서 인 네트워크 활용의 효과성을 분

석할 비를 마련하 다 본 분석에서는 앞서 제3 에서 소개한 7가지의 성과지표에 하여 분석

을 진행할 것이다 우선 PS가 추정된 12754개체에 하여 PS를 고려하지 않은 단순비교를 진행해

성과지표의

연간 변화비교 상

이직자

평균

비이직자 평균

격차

(표 오차)

직장만족도 변화이직자 수 1379 3724 -0334 4058

비이직자 수 11274 (0466)

직무만족도 변화이직자 수 1386 2962 -0428 3389

비이직자 수 11285 (0466)

일자리만족도 변화이직자 수 1384 2944 0282 2662

비이직자 수 11261 (0489)

기술 합도 변화이직자 수 1383 2350 -0058 2408

비이직자 수 11245 (0684)

교육 합도 변화이직자 수 1389 2556 -0142 2697

비이직자 수 11300 (0689)

교육기술복합지수

변화

이직자 수 1383 2422 -0091 2513

비이직자 수 11245 (0664)

임 수 변화이직자 수 1384 9088 2782 6307

비이직자 수 11340 (1614)

보자 lt표 7gt은 이직자 집단과 비이직자 집단의 성과지표 변화를 단순비교한 것이다 표에서 확인

할 수 있듯이 이직자의 경우 모든 지표들에 하여 성과지표의 뚜렷한 증가가 목격되었다 비이

직자의 경우에는 임 수 이 2782만원 증가한 것을 제외하고 에 띄는 성과지표의 개선이 나타

나지 않았다23) 성과지표 개선에서 집단 간의 차이가 존재하는지를 검증하기 하여

Mean-Difference Statistical T-test를 진행하고 그 결과를 표에 수록하 다 모든 지표에 하여 이직

자 집단이 비이직자 집단에 비해 높은 증가세를 보인 것이 통계 으로 유의하게 확인된다 를 들

어 이직자 집단의 월평균 임 수 은 9088만원 상승한 것으로 나타나 비이직자 집단에 비해

6307만원만큼 큰 폭의 임 향상을 보 다 하지만 우리는 이상의 결과를 이직의 효과라고 단정

지을 수 없다 왜냐하면 이직의 효과는 이직자 집단에 속한 개체들의 성과 변화와 이들의

Counterfactual 즉 이들이 이직을 하지 않고 직장을 유지하 을 때의 성과 변화를 직 비교해

야 제 로 악되기 때문이다 이후 제시한 Propensity Score Matching에 의한 이직효과 측정은 이

러한 Counterfactual의 탐색에 기반한 분석 결과이다

lt표 7gt 주요 성과지표의 연간 변화 단순비교

주 1 성과지표의 변화에 한 집단 간 차이를 확인하기 하여 Mean-Difference Statistical T-test를 수행함 2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

23) 주어진 임 수 은 연간 임 상승률을 감안한 수치이기 때문에 비이직자의 임 은 불변이거나 하락하여야 정상이

다 재 악되는 비이직자들의 임 증가는 선택편의(Selection Bias) 문제에 의해 발생한 것으로 보인다 주어진 최

종샘 은 차수와 차수 모두에서 임 근로자로 악된 이들로 구성된다 취업시장에 신규로 진입하는 이들에

비하여 근속연수가 1년 많은 셈이다 한 차수에 임 근로자인 이들 임 상승폭이 작은 이들이 그 지 않은

이들보다 근로시장을 이탈할 가능성이 높다 이로 인하여 차수에 이어 차수까지 근로시장에 남아 있는 이들

은 상 으로 높은 임 상승을 보이는 것으로 단된다( 한 분석에 활용한 임 상승률이 lsquo임 구조기본통계조사rsquo의 표본으로부터 추정된 것이므로 노동패 표본과의 근본 차이로 인해 이상의 문제가 도출하 을 가능성도 일

부 배제할 수 없다)

공개채용 스카우트 소개나 추천 직 찾아가서 기타

인 네트워크

활용 구직

21 10 730 68 2

(69) (625) (8459) (1166) (556)

인 네트워크

비활용 구직

278 4 118 502 27

(9145) (250) (1367) (861) (750)

알 수 없음5 2 15 13 7

(164) (125) (174) (223) (1944)

총 사례 수 (1802명

)

304 16 863 583 36

(100) (100) (100) (100) (100)

이직 성격 분류비네트워크

경로-

네트워크

경로

비네트워크

경로-

본격 인 분석에 앞서 인 네트워크와 련하여 이직의 성격을 규명할 필요가 있다 인 네

트워크를 이직경로로 활용한 경우와 그 지 않은 경우로 구분지어 보도록 하자 이를 해 노동패

6차에서 10차까지의 체 경력직 취업자들을 상으로 한 lt부표 1gt의 lsquo경력직 취업자들의 일

자리 진입방식별 구직방법의 분포rsquo를 참조하도록 하자 노동패 에서 제공하는 일자리 진입방식

은 lsquo공개채용rsquo lsquo스카우트rsquo lsquo소개나 추천rsquo lsquo직 찾아가서rsquo lsquo기타rsquo 이 게 다섯 가지로 구분된다 이 lsquo공개채용rsquo 형태의 일자리 진입에서는 lsquo인터넷rsquo이나 lsquo매체 고rsquo를 활용한 구직이 체 사례

의 8486에 이른다 lsquo직 찾아가서rsquo 형태의 일자리 진입 역시 lsquo인터넷rsquo이나 lsquo매체 고rsquo 그리고

lsquo직 탐문rsquo 방식의 구직이 사례의 8113에 이른다 반면 lsquo소개나 추천rsquo 형태의 일자리 진입에서

는 lsquo친구나 친지rsquo를 통하거나 lsquo취업희망 직장의 지인rsquo 혹은 lsquo업무상 알게 된 지인rsquo을 통하는 경우

가 체의 81235에 이른다 즉 각 일자리 진입방식 간에 매우 뚜렷한 구직형태의 차이를 보여

주고 있다 lt부표 1gt의 성공한 구직방법 2 3 8 10 11을 인 네트워크를 활용한 구직으로 1 4 5 6 7 9를 그 지 않은 구직으로 분류하고 각 일자리 진입방식에 한 인 네트워크 활용도를

추산해 보면 다음 lt표 8gt과 같이 요약된다

lt표 8gt 일자리 진입방식별 이직의 성격 분류

주 ( ) 안은 각 일자리 진입방식에 한 이직 성격의 비 을 백분율로 표시함 자료 lt부표 1gt를 재구성한 것임

lt표 8gt에 요약된 바와 같이 lsquo공개채용rsquo과 lsquo직 찾아가서rsquo 형태의 일자리 진입에서 인 네트

워크를 활용하지 않은 구직이 각기 9145와 861에 이른다 반면 lsquo소개나 추천rsquo에서는 인 네

트워크를 활용한 구직이 8459에 이른다 이를 바탕으로 본 분석에서는 lsquo공개채용rsquo과 lsquo직 찾아

가서rsquo를 lsquo비네트워크 경로 이직rsquo으로 lsquo소개나 추천rsquo을 lsquo네트워크 경로 이직rsquo으로 구분한다 이 분류

에 따르면 15705명의 최종샘 에서 이직자로 악된 1560명 1438명의 체 인 구직경로 구

분이 가능하다 이 999명이 네트워크 경로 이직자로 439명이 비네트워크 경로 이직자로 분류

된다 한 앞서 PS가 추정된 12754명 에는 1391명이 이직자인데 그 891명은 네트워크 경

로 이직자로 387명은 비네트워크 경로 이직자로 분류된다

1 이직을 통한 개인만족도의 변화

아래 세 개의 도표 lt표 9gt lt표 10gt lt표 11gt은 이직을 통하여 개인의 만족도가 개선되는지의

여부를 PSM을 통하여 검증한 것이다 각각의 만족도지수(직장만족도 직무만족도 일자리만족도)에 하여 세 가지 방식의 PSM 추정치(Five Nearest Neighbors Radius Matching Kernel Matching)를

제시하고 있다앞서 lt표 7gt의 단순비교에서는 이직자와 비이직자의 연간 만족도변화가 100 만 에서

4058 (직장만족도) 3389 (직무만족도) 2662 (일자리만족도)만큼 차이가 나는 것으로 집계

되었다 그러나 PSM 방식으로 재추정된 이직의 만족도 개선효과는 각각 약 250 (직장) 216(직무) 155 (일자리)으로 나타났다24) 종합하면 단순비교 방식(표 7)은 PSM 활용방식(표 9

표 10 표 11)에 비해 이직의 만족도 개선효과를 약 1~15 만큼 과 추정하고 있음을 확인할 수

있다 이러한 상이 나타난 이유는 실제 이직한 이들이 그 지 않은 이들에 비해 기존 직장에서

의 만족도가 상 으로 낮았다는 데 있다 를 들어 주어진 최종샘 에서 이직자들의 기존 직장

에서의 직장만족도는 평균 5071 을 보이는 반면 같은 시기 비이직자들의 평균 직장만족도는 이

보다 무려 7 가까이 높은 5724 으로 나타났다 따라서 단순비교 방식에서는 이직을 통한 만족

도 개선효과가 다소 과장되어 추산되기 마련이다 이들 이직한 이들이 만약 기존 직장에 그 로 남아 있었다면 (이들의 만족도가 상 으로 낮

은 수 이므로) 다른 이들에 비해 보다 높은 수 의 만족도 개선을 한 해 사이에 경험하 을 것이

다 실제로 체 비이직자들의 연간 만족도의 변화가 각기 -0334 (직장) -0428(직무) 0282 (일자리)에 그치는 데 반해 실험군(이직자 집단)의 Counterfactual 즉 PS를 사용하여 실험군 개체에 매

칭된 (비이직자 집단 내) 조군 개체들의 만족도 변화는 각기 113 (직장) 066 (직무) 133 (일자리)에 이르 다(각 표의 lsquo매칭된 조군 변화(B)rsquo 항목 참조) 실험군 Counterfactual에서의 만족도

개선폭이 여타 비이직자들의 연간 만족도 개선폭보다 략 1 이상 높게 나타나는 것이다 이상

의 선택편의(Selection Bias) 문제가 히 통제될 때 이직의 순효과가 바르게 추정될 수 있다 앞서 시한 PSM 방식으로 추정된 이직의 만족도 개선효과는 이러한 선택편의 문제를

Counterfactual Framework으로 극복한 추정 결과라 할 수 있다 그럼 네트워크 경로 이직과 비네트워크 경로 이직 사이에 뚜렷한 차이가 존재하는지 살펴보도

록 하자 표에서 확인할 수 있듯이 두 경우 모두 이직의 만족도 개선효과가 통계 으로 유의한 수

에서 명확히 확인된다 네트워크 경로의 이직에서는 만족도 개선의 효과가 각기 220 (직장) 158 (직무) 117 (일자리)으로 확인되었고 비네트워크 경로의 이직에서는 각기 263 (직장) 284 (직무) 207 (일자리)으로 확인되었다 흥미로운 부분은 비네트워크 경로의 이직에서 이직

을 통한 만족도 개선의 효과가 소폭 높게 나타난 이다 이는 비네트워크 이직 사례들이 상당수

의 lsquo공개채용rsquo 입사자를 포함하기 때문에 나타난 상으로 보인다 lsquo공개채용rsquo은 주로 종업원 300인 이상의 규모가 큰 기업에서 집 으로 활용되고 있다25) 이들 큰 기업에 lsquo공개채용rsquo으로 입사

한 이들은 그 직장에 비해 주 인 만족도가 크게 향상되었을 것이다 이러한 lsquo공개채용rsquo 사례들이 비네트워크 이직의 만족도 개선효과를 다소 증폭시키는 역할을 하 을 것으로 추정된다

반면 비네트워크 이직을 통한 만족도 개선이 네트워크 이직에 비해 다소 크다고 하여 이것이

24) 이는 분석에 사용된 세 가지 방식의 PSM 추정치들을 산술평균하여 정리한 수치들임 25) 이 부분에 한 구체 인 설명은 발간 정인 한국개발연구원 정책연구시리즈 lsquo인 네트워크(개인의 사회 자본)

의 노동시장 효과 분석rsquo을 참조하기 바란다 ( 자에게 요청시 수령가능함)

이직과정에서의 인 네트워크 요성은 인정되지 않는다는 식으로 해석될 수 없음을 유념하여야

한다 국내 이직과정에서의 인 네트워크 의존도는 해외 주요국에 비해 상당히 높은 수 이다 략 65 안 의 경력직 취업자들이 인 네트워크를 활용하여 구직에 성공하 다고 추정되고 있

다26) 만약 재 이직을 고려하고 있는 국내 한 근로자가 구직활동에서 인 네트워크 활용을 포기

한다면 이 근로자의 이직 성공 가능성은 매우 낮아질 것이다 즉 개인의 이직 성공률을 높이기

해서는 평소에 꾸 한 구직 네트워크 리가 요청된다 할 수 있다 특히 이직수요라는 것은 많은

경우 자신의 의도와는 다르게 외부 충격으로 인해 발생한다 회사의 경제 환경이 변화하기도

하지만 자신의 심사가 바 기도 하고 가족의 갖가지 필요에 의해 이직이 요구되기도 한다 즉 언제 발생할지 모르는 이직수요에 히 응하기 해서는 이직의 주요한 통로라 할 수 있는 인

네트워크에 한 상시 리가 요청되는 것이다 따라서 이직을 고려한 인 네트워크의 상시

리 이를 한 개인의 갖가지 비용 지출은 향후 발생 가능한 험에 처하기 하여 자동

차나 암 보험을 구매하는 것과 같이 기꺼이 지불해야 할 미래에 한 투자라 할 수 있다

26) 역시 한국개발연구원 정책연구시리즈 lsquo인 네트워크(개인의 사회 자본)의 노동시장 효과 분석rsquo을 참조하기 바

란다

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1371) 3662 1201 2460 403

조군(11274) (0610)

Radius Matching 실험군(1362) 3543 1009 2534 436

조군(11274) (0581)

Kernel Matching(Normal) 실험군(1372) 3659 1165 2494 434

조군(11274) (0564)

체 이직효과 평균 362 113 250

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 3309 1169 2140 293

조군(11274) (0730)

Radius Matching 실험군(879) 3231 0939 2292 331

조군(11274) (0693)

Kernel Matching(Normal) 실험군(881) 3309 1146 2162 315

조군(11274) (0686)

네트워크 이직효과 평균 328 108 220

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(380) 4224 1525 2699 224

조군(11274) (1206)

Radius Matching 실험군(373) 3981 1438 2543 217

조군(11274) (1171)

Kernel Matching(Normal) 실험군(381) 4213 1565 2647 230

조군(11274) (1149)

비네트워크 이직효과 평균 414 151 263

lt표 9gt 이직을 통한 직장만족도 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1377) 2850 0701 2149 363

조군(11285) (0592)

Radius Matching 실험군(1368) 2767 0626 2140 381

조군(11285) (0562)

Kernel Matching(Normal) 실험군(1378) 2852 0648 2204 398

조군(11285) (0554)

체 이직효과 평균 282 066 216

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(884) 2302 0808 1494 211

조군(11285) (0707)

Radius Matching 실험군(882) 2256 0658 1598 238

조군(11285) (0670)

Kernel Matching(Normal) 실험군(884) 2302 0654 1648 249

조군(11285) (0661)

네트워크 이직효과 평균 229 071 158

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 3648 0577 3072 269

조군(11285) (1142)

Radius Matching 실험군(374) 3463 0774 2688 245

조군(11285) (1098)

Kernel Matching(Normal) 실험군(382) 3652 0888 2764 257

조군(11285) (1077)

비네트워크 이직효과 평균 359 075 284

lt표 10gt 이직을 통한 직무만족도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1375) 2909 1571 1338 217

조군(11261) (0617)

Radius Matching 실험군(1366) 2818 1276 1543 262

조군(11261) (0588)

Kernel Matching(Normal) 실험군(1376) 2907 1147 1760 303

조군(11261) (0581)

체 이직효과 평균 288 133 155

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(882) 2523 1626 0897 121

조군(11261) (0742)

Radius Matching 실험군(880) 2472 1246 1225 173

조군(11261) (0707)

Kernel Matching(Normal) 실험군(882) 2523 1139 1383 198

조군(11261) (1697)

네트워크 이직효과 평균 251 134 117

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 3609 1499 2110 176

조군(11261) (1196)

Radius Matching 실험군(374) 3409 1530 1879 163

조군(11261) (1151)

Kernel Matching(Normal) 실험군(382) 3599 1365 2235 197

조군(11261) (1133)

비네트워크 이직효과 평균 354 146 207

lt표 11gt 이직을 통한 일자리만족도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이 를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

2 이직을 통한 배치효율성의 변화

다음은 이직의 다른 측면인 일자리 재배치의 문제에 해 살펴보고자 한다 이직은 각 개인

에 있어서는 직장생활의 변화라 할 수 있지만 기업의 입장에서는 노동인력의 교환에 해당한다 따라서 이직을 통한 노동인력의 재배치가 과연 사회 반의 경제 이익을 창출하고 있는지를 따

져 볼 필요가 있다 앞서 lt표 7gt에서 기술수 교육수 교육기술복합지수 이 세 가지 합도에 해 이직자

비이직자 집단 내의 연간 변화를 정리한 바 있다 여기서 비이직자의 경우 각 지수에서 연간 합

도가 소폭 하락한 것으로 나타났고 이직자의 경우 합도가 크게 상승한 것으로 나타났다 비이

직자는 기술수 의 합도에서 0058 이 교육수 의 합도에서 0142 이 그리고 교육기술수

의 복합지수에서는 0091 이 하락한 데 반해 이직자들은 각기 2350 (기술) 2556 (교육) 2422(복합지수)의 합도 상승이 발견되었다 비이직자들의 합도 하락은 기술이나 경제환경의 변

화와 한 련이 있다 경쟁력 있는 기술 이에 한 사회 수요가 시간에 따라 변화하므로 직장에서의 자신의 기술 혹은 교육수 은 (평균 으로 보아) 이 보다 합성이 다소 떨어지게

마련이다 반면 이직자들의 합도 상승이 과연 이직의 순효과인지에 해서는 여 히 의문의 여

지가 크다 이직을 결행한 이들은 이 직장에서의 직무 련 합도가 평균 으로 크게 떨어지는

이들이다 를 들어 최종샘 에서 이직을 하지 않은 이들의 한 해 기술 합도는 평균 9066인 데 반해 이직을 결행한 이들의 한 해 (이 직장에서의) 기술 합도는 평균 8547 에 머무

는 것으로 나타났다 이들은 애 에 워낙 합도가 떨어지기 때문에 굳이 이직을 택하지 않더라

도 직무재배치나 직장 내 부서이동 등을 통하여 1년 사이에 상당한 정도의 합도 개선을 이루었

을 것으로 상된다따라서 이직을 통한 배치효율성의 개선효과 즉 반 인 근로자의 직무 련 합도 상승효

과를 명확히 규명하기 해서는 이직한 이들이 이직을 하지 아니하 을 때에 상되는 합도의

개선을 우선 추정해 볼 필요가 있다 이것은 앞서 설명하 듯이 Counterfactual의 추정을 통해서만

이 가능하다 lt표 12gt lt표 13gt lt표 14gt는 PSM을 이용하여 비이직자들의 정보로부터 이직자들의

Counterfactual을 추정한 뒤 이를 보고하고 있다 세 방식(Five Nearest Neighbors Radius Matching Kernel Matching)의 추정치를 산술평균하면 기술 합도에서는 088 교육 합도에서는 057 교육

기술복합지수에서는 075 의 상승이 확인되었다(각 표의 lsquo매칭된 조군 변화(B)rsquo 항목을 참조) 이를 실험군 즉 실제 이직자들의 합도 상승(각 표의 lsquo실험군 변화(A)rsquo 항목)과 비교하면 순이직

효과는 각기 131 (기술) 183 (교육) 140 (복합지수)에 이르는 것으로 결론지을 수 있다 반

면 교육과 복합지수에서는 이들 순이직효과가 통계 으로 유의하게 나타났으나 기술수 의

합도에서는 이 효과가 통계 으로 뚜렷하지 않았다 10의 유의도에서 검증할 때 Kernel Matching을 제외한 나머지 두 개의 PSM 매칭에서 통계 유의성을 확보할 수 없었다 이에 이직

을 통한 교육수 의 합도 개선효과는 분명한 반면 기술수 의 합도 개선은 통계 으로 입증

되지 않는다고 결론지을 수 있다 교육기술복합지수의 경우 이 두 가지 효과가 첩되어 나타난

것으로 교육수 의 합도 개선이 워낙 뚜렷하기 때문에 통계 으로 유의한 지수상승이 나타난

것으로 단된다 이상과 같이 이직을 통해 교육수 합도의 개선이 보다 효과 으로 이루어지

는 것은 채용과정에서 후보자의 교육수 이 기술수 에 비해 객 인 자료를 이용하여 검증하

기가 보다 용이하기 때문인 것으로 보인다

그럼 이직을 통한 배치효율성 개선 측면에서 인 네트워크의 역할을 살펴보도록 하자 네트

워크 경로 이직과 비네트워크 경로 이직으로 나 어 이직효과를 각기 추정해 보면 둘 사이에 의

외의 뚜렷한 차이가 존재함을 확인할 수 있다 네트워크 경로의 이직인 경우 이직을 통한 합도

개선효과가 통계 으로 유의한 수 에서 매우 높게 나타난다 이직의 순효과는 각기 213 (기술) 252 (교육) 126 (복합지수)에 이른다 반면 비네트워크 경로의 이직인 경우 이 효과는 모두 사

라져 버린다 즉 이직효과는 기술 합도 교육 합도 교육기술복합지수 모두에서 양과 음을 반복

하고 통계 유의성도 확보되지 않는다 즉 비네트워크 경로를 통한 이직에서는 일자리 재

배치를 통한 사회 반의 경제 이득을 기 할 수 없는 것이다 앞서 교육 합도 개선에 있어 이

직의 반 인 효과가 통계 으로 강하게 나타났는데 이 효과의 부분은 비네트워크 경로 이직

보다는 네트워크 경로 이직으로부터 창출된 것임을 짐작할 수 있다 특히 기술 합도를 보면 이직자들의 합도 개선은 네트워크와 비네트워크 이직 사이에 뚜렷

한 차이를 보이는데 네트워크 이직자들의 합도 개선은 평균 292 인 데 반해 비네트워크 이직

자들의 합도 개선은 평균 048 에 그친다 인 네트워크를 활용하지 않고 이직을 하 을 경우 이직을 하 음에도 불구하고 기술 합도의 개선은 평균 으로 거의 기 되지 않는 것이다 이는

앞서 주 만족도의 개선효과와 비교하여 매우 상반된 결과에 해당한다 이직을 통한 주 만

족도의 개선에서는 네트워크와 비네트워크 이직 모두 그 효과가 분명하 으며 특히 비네트워크

이직자들의 주 만족도 개선폭은 3 내지 4 에 이르 다 이는 네트워크 이직자들의 만족

도 개선폭에 비해서도 1 가량 높은 수치 다 따라서 이직이 반 으로 개인의 주 만족도

를 개선하는 효과가 있으나 배치효율성의 개선 측면에서는 오직 인 네트워크에 의존한 이직만

이 재배치의 분명한 경제 효과를 평균 으로 창출한다고 결론지을 수 있다 이러한 네트워크와 비네트워크 사이의 뚜렷한 이직효과의 차이는 네트워크가 지닌 정보 달

기능에 기인한 것으로 단된다 인 네트워크는 구인자와 구직자 사이에 훌륭한 정보 달 기능

을 수행하고 있다 구직자에게는 어떠한 일자리가 구직자의 기술능력 혹은 교육수 에 비추어

합한지에 한 정보를 제공하고 구인자에게는 구인자가 필요로 하는 합한 기술의 소유자가

구인지에 한 정보를 제공하는 것이다 이는 평소에 구인자와 구직자 모두를 아우르는 간 매개

로서의 인 네트워크가 있었기에 가능한 것이다 반면 비네트워크에서는 이러한 효과를 기 하

기 힘들다 비네트워크 채용에서는 주어진 서류와 단시간의 인터뷰 혹은 직무능력 테스트만을 가

지고 합한 인력을 선발하여야 한다 lsquo공개채용rsquo의 경우 많은 지원자들의 경쟁을 거치므로 상으로 보다 합한 후보자를 선별할 수 있을 것이다 그러나 lsquo직 찾아가서rsquo 형태의 입사에서는

이러한 경쟁의 과정 역시 생략되므로 높은 합도를 지닌 후보의 채용은 더욱 기 하기 힘들다 정리하자면 인 네트워크는 국내 노동시장에서 일자리와 일자리 후보 사이의 활발한 정보 달

기능을 수행함으로써 노동시장의 효율 작동을 돕고 있는 것이다 끝으로 이러한 네트워크 이직의 배치효율성이 모든 이직 사례에 일 으로 용되는 것이

아님을 주지할 필요가 있다 인 네트워크가 구인과 구직 사이의 lsquo연결(Networking)rsquo 기능을 수행

할 때 이상의 정 인 효과를 기 할 수 있을 것이나 이 둘 사이의 lsquo연 rsquo로서 기능할 때는 오히

려 역효과를 래할 수 있다 즉 인 네트워크를 통하여 합하지 않은 지원자를 연 로 채용시

키는 경우 해당 일자리에 한 매치 합성은 네트워크 이직으로 인해 오히려 감퇴할 수 있다 우리는 이상의 분석을 통하여 국내 노동시장에서 네트워크 이직의 반 인 교육 기술 수

합도 개선효과를 확인한 바 있다 이는 국내 노동시장의 고용 로세스에서 lsquo연 rsquo의 부정 효과

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1374) 2220 1095 1124 121

조군(11245) (0929)

Radius Matching 실험군(1365) 2088 0735 1353 155

조군(11245) (0874)

Kernel Matching(Normal) 실험군(1375) 2255 0795 1460 168

조군(11245) (0869)

체 이직효과 평균 219 088 131

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 2951 0919 2032 181

조군(11245) (1125)

Radius Matching 실험군(879) 2844 0746 2098 198

조군(11245) (1057)

Kernel Matching(Normal) 실험군(881) 2951 0702 2250 214

조군(11245) (1049)

네트워크 이직효과 평균 292 079 213

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 0525 2297 -1772 -096

조군(11245) (1840)

Radius Matching 실험군(374) 0267 0868 -0600 -034

조군(11245) (1753)

Kernel Matching(Normal) 실험군(382) 0654 1297 -0642 -037

조군(11245) (1746)

비네트워크 이직효과 평균 048 149 -100

보다는 구인구직 간 lsquo연결rsquo이라는 네트워크의 정 효과가 보다 강하게 작동하고 있음을 시사

한다

lt표 12gt 이직을 통한 기술적합도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1380) 2428 0630 1797 193

조군(11300) (0931)

Radius Matching 실험군(1371) 2298 0496 1802 207

조군(11300) (0872)

Kernel Matching(Normal) 실험군(1381) 2462 0586 1876 216

조군(11300) (0869)

체 이직효과 평균 240 057 183

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(886) 3047 0342 2705 245

조군(11300) (1106)

Radius Matching 실험군(884) 2885 0528 2357 227

조군(11300) (1037)

Kernel Matching(Normal) 실험군(886) 3047 0551 2496 243

조군(11300) (1029)

네트워크 이직효과 평균 299 047 252

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(382) 1702 2007 -0305 -016

조군(11300) (1891)

Radius Matching 실험군(375) 1600 0559 1041 058

조군(11300) (1788)

Kernel Matching(Normal) 실험군(383) 1828 0910 0917 051

조군(11300) (1793)

비네트워크 이직효과 평균 171 116 055

lt표 13gt 이직을 통한 교육적합도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1374) 2293 0893 1399 155

조군(11245) (0904)

Radius Matching 실험군(1365) 2161 0641 1520 179

조군(11245) (0850)

Kernel Matching(Normal) 실험군(1375) 2327 0711 1616 191

조군(11245) (0847)

체 이직효과 평균 226 075 140

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 2951 0643 2308 212

조군(11245) (1087)

Radius Matching 실험군(879) 2816 0662 2154 211

조군(11245) (1021)

Kernel Matching(Normal) 실험군(881) 2951 0645 2306 228

조군(11245) (1014)

네트워크 이직효과 평균 291 065 226

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 1115 2233 -1118 -062

조군(11245) (1816)

Radius Matching 실험군(374) 0936 0749 0187 011

조군(11245) (1727)

Kernel Matching(Normal) 실험군(382) 1243 1131 0112 007

조군(11245) (1726)

비네트워크 이직효과 평균 110 137 -027

lt표 14gt 이직을 통한 교육기술복합지수의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

3 이직을 통한 임금수준의 변화

다음은 이직을 통한 임 수 의 변화가 실재하는지 검토하고자 한다 네트워크 이직과 비네트

워크 이직을 나 어 볼 때 앞서 우리는 네트워크 이직이 일자리 매치 합도를 히 개선한다

고 밝힌 바 있다 임 이 근로자의 생산성 기여분을 그 로 반 한다고 한다면 네트워크 이직에

따른 매치 합도의 개선은 근로자의 임 상승으로 이어져야 할 것이다 앞서 lt표 7gt의 단순비교에서 이직자들의 연간 임 상승분이 평균 9088만원 비이직자들의 연

간 임 상승분은 2782만원으로 집계된 바 있다 둘 사이의 격차가 6307만원에 이른다 한 해 사

이에 이직한 이들의 연간 임 상승폭이 직장을 그 로 유지한 이들의 연간 임 상승폭 보다

히 높은 수 인 것이다 하지만 이러한 단순비교는 선택편의(Selectoin Bias) 문제를 역시 고려하지

않고 있으므로 이직의 직 인 임 상승효과라 볼 수는 없다 즉 실제로 이직을 결행한 이들의

이직 임 수 은 같은 시기 직장을 그 로 유지한 이들에 비해 상 으로 낮은 수 일 가능

성이 높다 이들이 직장을 그 로 유지하 다면 다른 이들에 비해 히 높은 수 의 임

상승을 경험하 을 것이다 실제 이직한 이들이 만약 이직을 하지 않고 직장을 그 로 유지하

을 때 상되는 임 상승분 즉 이직자 임 상승분의 Counterfactual을 PSM 방식을 활용하여 추

정한 수치가 lt표 15gt의 lsquo 조군 변화(B)rsquo에 요약되어 있다 이에 따르면 실제 이직자들이 이직을

하지 않았을 때 기 할 수 있는 임 상승분은 략 5만원 정도에 이르는 것으로 나타난다 따라

서 이직에 따른 임 상승의 순효과는 앞서 제시한 6307만원이 아닌 이보다 상당히 축소된 386만원이다 이는 lt표 15gt에 정리된 바와 같이 PSM을 활용한 세 가지 추정치의 산술평균으로 추산

된 값이다 한 이러한 이직의 임 상승효과는 통계 으로도 유의한 것으로 확인되었다 반면 네트워크 경로 이직자와 비네트워크 경로 이직자의 임 상승분을 비교해 보면 둘 사이

에 상당한 격차가 존재함을 쉽게 확인할 수 있다 네트워크 이직자들의 이직을 통한 임 상승효과

는 통계 으로 유의한 수 에서 략 384만원으로 추정되는 반면 비네트워크 이직자들의 임

효과는 -077만원이고 이는 통계 으로도 유의하지 않다 즉 네트워크를 활용하여 이직하 을

때 뚜렷한 임 상승이 기 되는 반면 인 네트워크를 활용하지 않고 이직하 을 때는 이 효과

를 확신할 수 없을 뿐더러 다소 하락할 가능성도 있는 것이다 따라서 앞서 확인된 이직을 통한

반 인 임 상승의 효과는 네트워크 이직을 통해 창출된 효과이며 비네트워크 이직을 통한

기여는 뚜렷하지 않은 것으로 결론지을 수 있다이직은 새로운 일자리에 자신의 기술 직무 능력을 응시키는 과정이다 따라서 임 상승

효과가 이직 기에 항상 담보되지는 않을 것이다 반면 인 네트워크를 활용하 을 때 자신에

게 보다 합한 일자리에 배치됨으로써 즉 자신의 능력과 잠재력을 보다 잘 발휘할 수 있는 직무

에 재배치됨으로써 이상의 추가 인 임 상승을 기 할 수 있는 것이다 이는 앞서 이직을 통한

배치효율성 검증에서 확인되었던 네트워크 이직의 기술수 (혹은 교육수 ) 합도 상승효과와

일맥상통하는 결과이다 인 네트워크를 활용한 이직은 임 근로자를 보다 합한 일자리에 재

배치하는 데 일조하고 이것이 생산성에의 보다 높은 기여를 창출함으로써 이직자들의 추가 인

임 상승으로 이어지는 것이다물론 이러한 해석은 평균 인 추세를 반 한 것임에 유념할 필요가 있다 네트워크 이직의 사례

에는 앞서 말한 생산 인 lsquo연결rsquo 효과가 아닌 비생산 인 lsquo연 rsquo 효과 혹은 정실인사(Nepotism)가

작동한 경우들도 상당할 것이다 이 경우 생산성에의 기여가 충분하지 않음에도 불구하고 기술이

나 능력에 비해 임 을 후하게 설정할 가능성이 높다 이러한 lsquo연 rsquo형 이직을 통한 임 상승 역

시 네트워크 이직의 임 상승효과라 볼 수는 있겠으나 이것이 일자리 배치효율성의 개선을 반

한다고 볼 수는 없는 것이다 따라서 앞서 추정한 네트워크 이직의 임 상승효과 384만원이

으로 일자리 매치 합도 개선효과에서 기인한다고 단정 지을 순 없다 한 비네트워크 이직 역

시 평균 으로 임 상승의 효과가 포착되지 않은 것일 뿐 비네트워크 이직의 표본 에는 실제로

임 이 크게 상승한 사례들도 상당히 존재할 수 있다 를 들어 lsquo공개채용rsquo 방식의 입사인 경우 경합자들에 비해 채용 합격자의 해당 일자리 합성이 보다 우수하다고 단되어 채용된 사례가

많을 것이다 이 게 경쟁을 거쳐 채용된 이들은 이 에 비해 상당히 높은 수 의 임 상승을 기

할 수 있다 반면 비네트워크 이직에서 반 인 임 상승의 효과가 포착되지 않는 것은 비네트워크 이직

이 격한 주 만족도의 개선을 이끌었던 것과 비교하여 매우 조 인 상이다 많은 이들의

상식과는 달리 이직의 결정은 임 만족도 수 과 직결되어 있지 않다 앞서 제4 에서 우리는 이

직의 향요인들을 분석해 본 바 있다 이직의 결정이 업무만족도 복지후생만족도 취업 안정성에

한 만족도 등 다양한 요소에 민감하게 반응하는 반면 임 에 한 만족도와는 통계 으로 유의

한 수 에서의 연 성이 포착되지 않았다 개인의 이직 결정은 임 이외에 다양한 요소들을 종합

으로 고려한 단 결과라 할 수 있다 체로 이직은 다양한 방면에서 개인의 주 만족도를

격하게 향상시킨다 반면 자신의 기술(교육)수 과 일자리의 매치 합성의 문제는 이직자들에

게는 부차 인 고려 상에 해당한다 임 수 의 개선 역시 이직 시 고려되는 한 요소이겠으나 인 요소는 아니고 다양한 향요인 의 하나로 볼 수 있는 것이다 이러한 에서 비네트워

크 이직이 다소 상반된 효과(즉 주 만족도의 한 개선효과와 미미한 수 의 임 개선효

과)를 동시에 보여주고 있는 것은 일견 자연스러운 상이다

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1375) 8887 5274 3613 184

조군(11340) (1962)

Radius Matching 실험군(1366) 8842 4813 4029 208

조군(11340) (1936)

Kernel Matching(Normal) 실험군(1376) 8861 4916 3945 206

조군(11340) (1880)

체 이직효과 평균 886 500 386

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(882) 8943 5519 3423 150

조군(11340) (2285)

Radius Matching 실험군(880) 8827 4855 3972 178

조군(11340) (2231)

Kernel Matching(Normal) 실험군(882) 8943 4819 4124 186

조군(11340) (2217)

네트워크 이직효과 평균 890 506 384

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 4772 5672 -0900 -024

조군(11340) (3685)

Radius Matching 실험군(374) 4805 5201 -0396 -011

조군(11340) (3661)

Kernel Matching(Normal) 실험군(382) 4691 5716 -1025 -028

조군(11340) (3601)

비네트워크 이직효과 평균 476 553 -077

lt표 15gt 이직을 통한 임금수준의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

VIII 구직 네트워크의 사회적 자본 추정

근로자 개인의 측면에서 구직 네트워크의 가치를 추정해 보자 앞서 네트워크 이직을 통한 임

상승효과를 3840만원으로 추정하 다 이는 2008년 기 액이다 연간 물가상승률을 감안하

면27) 2010년 재가로 4074만원에 해당한다 평소에 구직 네트워크를 히 리하여 이직에서

이를 활용한다면 한 번의 이직으로 4만원 안 의 추가 인 임 상승을 기 할 수 있는 것이다 연으로는 489만원 가량의 임 이 이직 이후 매년 추가 으로 지 되는 것으로 해석될 수 있다28)

한편 이직이라는 것은 근로자의 생애를 걸쳐 발생하는 사건이다 임 근로자를 심으로 한

재의 최종샘 에서 연간 일자리 이동비율은 평균 993에 이른다 직종 업종에 따라 혹은 재

직 회사의 규모에 따라 이직률에는 상당한 차이가 있겠으나 체 임 근로자를 상으로 하 을

때 략 10년에 한 번 정도의 이직이 상되는 것이다 임 근로자의 생애를 걸쳐 살펴보면

이직은 주로 직장생활 후기보다는 기에 집 되어 있다 [그림 5]는 최종샘 15705명 임 근로

자를 상으로 한 각 연령별 이직률 추이를 나타낸다 생애 이직률은 20 후반에 가장 높고 30 반에 주춤하다가 30 후반에 다시 상승하고 40 이후에 하강하는 추세임을 확인할 수

있다

[그림 5] 연령별 이직률(26세부터 59세까지)

(단 )

0

2

4

6

8

10

12

14

16

18

26 28 30 32 34 36 38 40 42 44 46 48 50 52 54 56 58

연령(만)

자료 노동패 5차부터 10차까지

이를 활용하면 임 근로자 한 사람이 평생에 걸쳐 기 할 수 있는 이직의 임 상승효과를 추

정해 볼 수 있다 첫 취업의 평균연령이 265세임을 고려하여 표 인 임 근로자(A Representative Worker)가 26세부터 60세까지 노동시장에 참여한다고 가정해 보자 인 네트워크

27) 여기에 연평균 물가상승률 3를 용하 다 실제 임 상승률도 2009년의 임 이 융 기 여 로 거의 동결이었

음을 고려할 때 2년간 략 6에 해당한다 28) 여기서는 네트워크 이직의 임 리미엄(연 489만원 상승)이 이직 후 매년 지속된다고 가정하고 있다 실제로

리미엄이 상당 기간 지속되는지 아니면 이직 후 빠르게 축소되는지에 한 국내 실증분석은 향후 과제로 남겨져

있다

를 활용한 이직만이 평균 인 임 상승효과를 가져온다는 을 고려할 때 구직 네트워크의 생애

가치()는 다음과 같이 요약된다29)

times timestimestimes (11)

여기서 는 연령 에서의 상 이직률(Job Transfer Rate)을 나타낸다 은 이직 시 인 네

트워크에 한 의존도 수 이다 는 네트워크 이직에 따른 월평균 임 상승의 효과이다 여기

에 [그림 5]에 요약된 이직률의 생애 추이를 에 입하자 여기서 경력직 이직자의 인 네트

워크 의존도가 60 반(plusmn5 이내)으로 추산된 을 고려하여 에 64를 입하도록 하자30) 그리고 에 앞서 추정한 네트워크 이직의 임 상승효과 4074만원(2010년 기 )을 입하면 구직 네트워크의 생애 가치()는 18720만원으로 집계된다 만약 에 이직률의 생애 추

이 신 최종샘 에서 구한 평균이직률 993를 연령 에 걸쳐 일률 으로 사용한다면 이와

유사한 수치인 18486만원을 얻을 수 있다 따라서 한국사회 임 근로자 한 사람의 구직 네트워크

가치는 보상 측면에서 략 일천 1870만원 수 인 것으로 결론지을 수 있다 물론 이 수치는 이직을 통한 이득만을 반 하고 있을 뿐 주 만족도의 개선효과는

반 하고 있지 않다 앞서 우리는 일자리 이동을 통해 창출되는 개인의 만족도 변화를 직장만족

도 직무만족도 일자리만족도 이 세 가지 측면에서 고려해 보았다 네트워크 이직과 비네트워크

이직 모두 만족도의 개선효과를 보 다 그러나 국내 노동시장에서 이직의 약 60 이상이 인

네트워크에 의존하고 있음을 고려할 때 임 근로자 한 개인이 구직 네트워크를 리하지 않는다

면 그의 이직률은 에서 60 이상 추락할 것이다 이를 고려하여 구직 네트워크의 생애 만족

도 개선효과()를 다음과 같이 요약할 수 있다31)

timestimestimestimes (12)

여기서 는 네트워크 이직을 통한 주 만족도의 개선폭을 나타낸다 앞서 네트워크 이직

이 창출하는 주 만족도의 개선효과가 100만 에서 220 (직장만족도) 158 (직무만족도) 117 (일자리만족도) 정도임을 확인하 다 이 세 수치의 평균치가 네트워크 이직의 만족도 개선

효과를 히 변하고 있다고 한다면 의 략 인 추정치는 165 이 된다 이를 입하면

구직 네트워크의 만족도 개선효과는 략 7582 으로 추산된다 만족도 1 을 으로 환산하

여 만원에 해당한다고 표시하면 구직 네트워크의 임 근로자 일인당 생애가치()는 임

상승효과()와 만족도 개선효과()의 합으로써 다음과 같이 요약된다

equiv (=18720+7582) (13)

구직 네트워크의 가치 (18720+7582n)만원이 함의하는 바를 명확히 규정하기는 쉽지 않다 특히 개인마다 일자리에서 얻는 주 만족도를 가치로 환산하는 방식이 다를 것이다 를 들

29) 구직 네트워크의 재 가치를 추산하기 해서는 시간할인률을 용할 필요가 있으나 여기서는 이를 생략하 다 시간할인률이 용된 추정치는 재 계산된 값보다 다소 하락할 것이다

30) 이에 한 보다 구체 인 설명은 본 논문의 보다 상세한 내용이 실린 한국개발연구원 정책연구시리즈로 출간 정

인 lsquo인 네트워크(개인의 사회 자본)의 노동시장 효과 분석rsquo 보고서를 참조 바란다 31) 앞서와 마찬가지로 구직 네트워크의 재 가치를 추산하기 해서는 시간할인률을 용할 필요가 있으나 여기서는

이를 생략하 다 시간할인률이 용된 추정치는 재 계산된 값보다 다소 하락할 것이다

어 어떤 이들에게는 이득만이 요하고 주 만족도는 경시될 수 있다 이들에게 n은

lsquo0rsquo에 가까운 것이다 반면 다른 이들에게는 일자리에서 얻는 주 만족도가 임 소득보다

몇 배 이상 요할 수 있다 이들에게 n은 1보다 큰 양수가 될 것이다 구직 네트워크의 가치를 수

치로 악해 보고자 n=1인 근로자를 상정해 보자32) 이 사람에게 만족도 1 은 1만원만큼의

효용을 창출한다 이 근로자에게 구직 네트워크의 종합 가치는 26302만원에 이른다고 평가할

수 있다 이러한 구직 네트워크의 종합 가치를 개인의 물 혹은 인 자본과 별하여 근로자

개인의 구직 네트워크 사회 자본이라 명할 수 있다추정한 구직 네트워크의 가치인 (18720+7582n)만원은 한국사회의 임 근로자 각 개인이 구직

네트워크의 유지 리를 하여 기꺼이 지불할 용의가 있는 비용을 나타낸다 만족도 1 이 1만원의 효용이 있다면 즉 n=1이라면 이는 1224개월치 월 ( 략 일년치 연 )에 해당한다33) 이는 결코 작지 않은 액수이다 한국사회의 구성원들은 다양한 방식으로 네트워크를 리하고 있다 동창회 동호회 업계 계자와의 술자리 각종 경조사 참여 Social Network Service(SNS) 활동 등

이 이에 해당한다 이들 활동은 그 자체로서 정서 효용을 창출하지만 생 인 경제 이득

한 간과할 수 없다 이는 업무에 필요한 유용한 정보의 획득이나 업거래망의 확장이기도 하고 구직 네트워크의 변 확 자기 PR(Public Relations)이기도 하다 네트워크의 리는 그에 상

응하는 비용을 수반한다 이는 만남에 따른 지출에서부터 시간사용까지를 포함한다 구직

네트워크의 효과성 측면에서 보았을 때 한국사회 근로자 개인은 상당한 비용( 를 들어 n=1인 경

우 략 일년치 연 에 해당하는 비용)을 구직 네트워크의 유지 리를 하여 생애를 거

쳐 기꺼이 지불할 용의가 있다고 볼 수 있는 것이다

IX 결론

이제까지 우리는 국내 고용시장에서의 인 네트워크 활용의 효과성을 다각 인 측면에서 살

펴보았다 인 네트워크를 활용한 이직의 직장생활만족도 개선효과는 100 만 에 약 165 34)

에 달하는 것으로 확인되었으며 직무 합도 개선효과는 100 만 에 약 197 35)에 이르는 것으

로 나타났다 한 인 네트워크를 활용한 이직은 임 상승을 동반하는데 그 규모는 월평균 임

으로 4074만원(2010년 기 )인 것으로 확인되었다 반면 인 네트워크를 활용하지 않은 이직

에서도 직장생활만족도의 개선효과가 일부 포착되었으나 일자리 합도에 한 개선이나 임 상

승효과는 확인되지 않았다 즉 구인자와 구직자를 연결시켜주는 인 네트워크의 효율 인 정보

달 기능이 확인된 것이다 이를 통해 임 근로자 개인의 구직 네트워크의 가치 즉 lsquo네트워크 사

회 자본rsquo을 추정해 보면 구직 네트워크의 생애 가치는 18720만원으로 집계되었으며 여기에 주 만족도에 한 보상 측면까지 고려하면 만족도 1 의 가치를 만원으로 환산

할 때 략 (18720+7582)만원에 이르는 것으로 집계되었다

32) 실제로 일반 인 수 에서 n은 1보다 상당히 클 것으로 상된다 주어진 표본에서 주 만족도의 평균은 략

55 내외인 반면 임 수 의 평균은 략 200만원 내외이다 즉 두 수치의 Scale이 네 배 가량 차이가 난다 33) 26302만원을 차수 임 수 (20247만원)의 2010년도 기 가치인 2148만원으로 나 면 1224개월이 나온다 34) 직장만족도 개선효과 220 직무만족도 개선효과 158 일자리만족도 개선효과 117 의 산술평균값 용 시 35) 기술 합도 개선효과 213 교육 합도 개선효과 252 교육기술복합지수 개선효과 126 의 산술평균값 용

참 고 문 헌

고용노동부 985172고용노동백서985173 2010김동헌김상호 「직업탐색과 자발 이직」 2001 경제학 공동학술 회 발표문 2010 김성훈 「사회연결망과 공식경로를 통한 첫 취업의 개인 결과와 사회 결과」 985172한국사회학985173 제39집 제1호

2005 김성훈 「 문직의 취업경로 사회연결망과 공식경로를 심으로」 985172한국사회학985173 제40집 제5호 2006 김성훈 「취업자의 사회연결망 활용에 한 향요인 연구」 985172노동경제논집985173 제26권 제3호 2003김용학 985172사회연결망 이론985173 박 사 2003류석춘 외 985172한국의 사회자본 역사와 실985173 백산출 사 2008 송호근김우식이재열 985172한국사회의 연결망 연구985173 서울 학교 출 부 2004안재희 985172구직과 제도 사회자본985173 한국학술정보(주) 2008우천식 편 985172한국경제사회와 사회 자본985173 한국개발연구원 2007이 면나인강 「직장만족도와 이직행 에 한 패 분석」 985172제5차 한국노동패 학술 회 논문집985173 2004이 면나인강 「비정규직의 이직 이직사유 근속기간에 한 연구」 985172제6차 한국노동패 학술 회 논

문집985173 2005이상호 「노동패 의 주 만족도 측정」 985172노동리뷰985173 통권 제17호 2006 pp77~86이병훈 「구직활동의 향요인에 한 탐색 연구」 985172노동경제논집985173 제25권 제1호 2002 pp1~21 통계청 985172경제활동인구조사985173 2010한국노동연구원 985172사업체패 조사985173 2007KDI 국제정책 학원 985172사회 자본 확충을 한 기본조사 정책연구985173 2007

Blau David and Philip Robins ldquoJob Search Outcomes for the Employed and Unemployedrdquo Journal of Political Economy 98(3) 1992 pp637~655

Bourdieu P ldquoThe Forms of Capitalrdquo in J G Richardson (ed) Handbook of Theory and Research for the Sociology of Education New York Greenwood 1986

Cochran William and Donald Rubin ldquoControlling Bias in Observational Studies A Reviewrdquo Sankhya 35 1973 pp417~446

Datcher Linda ldquoThe Impact of Informal Networks on Quit Behaviorrdquo Review of Economic Statistics 65(3) 1983 pp491~495

Dawid A ldquoConditional Independence in Statistical Theoryrdquo Journal of Royal Statistical Society B 41 1979 pp1~31

Dehejia R and S Wahba ldquoCausal Effects in Nonexperimental Studies Reevaluating the Evaluation of Training Programsrdquo Journal of the American Statistical Association 94 1999 pp1053~1062

Dehejia R and S Wahba ldquoPropensity Score-Matching Methods for Nonexperimental Causal Studiesrdquo The Review of Economics and Statistics 84 2002 pp151~161

Glaeser E D Laibson and B Sacerdote ldquoAn Economic Approach to Social Capitalrdquo The Economic Journal 112 2002

Gottschalk P and T Maloney ldquoInvoluntary Termination Unemployment and Job Matching A Test of Job Search Theoryrdquo Journal of Labor Economics 3 1985 pp109~123

Granovetter Mark S Getting A Job A Study of Contracts and Careers Chicago University of Chicago Press 1975

Heckman J H Ichimura J Smith and P Todd ldquoCharacterizing Selection Bias Using Experimental Datardquo Econometrica 66 1998 pp1017~1098

Heckman J H Ichimura and P Todd ldquoMatching as an Econometric Evaluation Estimator Evidence from Evaluating a Job Training Programrdquo Review of Economic Studies 64 1997 pp605~654

______ ldquoMatching as an Econometric Evaluation Estimatorrdquo Review of Economic Studies 65 1998 pp261~294Knack S and P Keefer ldquoDoes Capital Have and Economic Payoff A Cross Country Investigationrdquo Quarterly

Journal of Economics 62 1997 pp1251~1288 Lin Nan Social Capital A Theory of Social Structure and Action Cambridge Cambridge University Press 2001 Lin Nan Karen Cook and Ronald Burt (eds) Social Capital Theory and Research Aldine Transaction 2001 Marmaros David and Bruce Sacerdote ldquoPeer and Social Networks in Job Searchrdquo European Economic Review 46

2002 pp870~879Putnam Robert D Bowling Alone The Collapse and Revival of American Community New York Simon and

Schuster 2000Rosenbaum J S DeLuca S Miller and K Roy ldquoPathways into Work Short- and Long-Term Effects of Personal

and Institutional Tiesrdquo Sociology of Education 72(3) 1999 pp179~196Rosenbaum P and D Rubin ldquoThe Central Role of the Propensity Score on Observational Studies for Causal

Effectsrdquo Biometrika 70 1983 pp41~55Rubin D ldquoEstimating Causal Effects of Treatments in Randomized and Non-randomized Studiesrdquo Journal of

Educational Psychology 66 1974 pp688~701Simon Curtis and Warner John ldquoMatchmaker Matchmaker The Effect of Old-Boy Networks on Job Match

Quality Earnings and Tenurerdquo Journal of Labor Economics 10(3) 1992 pp306~330Todd Petra ldquoMatching Estimatorsrdquo unpublished manuscript 2006

성공한 구직방법

일자리 진입방식

합계공개

채용스카우트

소개나

추천

찾아가서기타

1 학교나 학원12 0 26 4 0 42

(395) (0) (301) (069) (0) (233)

2 교수나 교사2 0 8 0 0 10

(066) (0) (093) (0) (0) (055)

3 친구나 친지5 2 509 28 2 546

(164) (125) (5898) (48) (556) (303)

4 공공 안내소3 0 7 9 4 23

(099) (0) (081) (154) (1111) (128)

5 사설 안내소3 0 29 16 1 49

(099) (0) (336) (274) (278) (272)

6 매체 고53 1 21 209 13 297

(1743) (625) (243) (3585) (3611) (1648)

7 직 탐문2 0 13 85 0 100

(066) (0) (151) (1458) ((0) (555)

8 가족1 1 21 2 0 25

(033) (625) (243) (034) (0) (139)

9 인터넷205 3 22 179 9 418

(6743) (1875) (255) (307) (25) (232)

10 희망직장

지인

7 3 90 20 0 120(23) (1875) (1043) (343) (0) (666)

11 업무상

지인

6 4 102 18 0 130(197) (25) (1182) (309) (0) (721)

12 기타 5 2 15 13 7 42

(164) (125) (174) (223) (1944) (233)

합 계304 16 863 583 36 1802

(100) (100) (100) (100) (100) (100)

lt부표 1gt 경력직 취업자(1802명)의 일자리 진입방식별 구직방법의 분포

주 1 노동패 6차부터 10차까지의 신규 일자리 진입자 경력직 취업자를 상으로 함 2 ( ) 안은 각 일자리 진입방식에 한 성공한 구직방법의 백분율임

Block

번호

직장유지의

직무유지의

향성별 나이 나이

2 교육

혼인

여부

정규직

여부

첫(혹은

두 번째)

일자리

(로그)

격차 격차 격차 격차 격차 격차 격차 격차 격차 격차

1164 116 048 -102 -14913 -003 003 009 000 007

(455) (395) (011) (207) (19454) (044) (005) (004) (009) (013)

2-254 050 003 007 -1629 -022 -006 004 -002 001

(203) (191) (006) (123) 11232 (020) (004) (004) (006) (007)

3036 -076 002 -094 -7067 -001 000 -004 008 001

(131) (129) (004) (088) (7870) (012) (003) (003) (004) (004)

4-079 -117 -001 071 6428 000 -004 -002 001 -005

(128) (122) (004) (079) (6861) (010) (003) (003) (004) (003)

5026 144 -005 068 6211 -012 004 000 -006 -001

(142) (144) (004) (077) (6201) (010) (004) (003) (004) (004)

6061 152 -008 -043 -3655 006 002 002 -007 007

(151) (151) (004) (073) (5661) (010) (004) (004) (004) (004)

7010 -134 -002 043 2726 003 -002 001 003 001

(133) (131) (004) (058) (4296) (008) (004) (003) (003) (003)

8045 173 008 044 3233 007 000 -001 -001 -003

(146) (143) (004) (052) (3615) (007) (004) (003) (003) (003)

9128 -010 000 061 3033 -016 -003 006 -010 004

(259) (246) (006) (065) (3930) (012) (005) (006) 006 (006)

10500 114 013 -035 -1626 004 000 007 001 -003

(407) (394) (009) (081) (4454) (017) (007) (008) (009) (009)

lt부표 2-Agt Propensity Score 각 구간(Block)에 대한 Mean-Difference Statistical T-test 결과(I)

주 1 Untreated Group과 Treated Group의 각 항목에 한 Mean Difference를 테스트함 2 표시는 5 유의도 수 에서 테스트를 통과하지 못한 항목을 표시함3 ( ) 안은 표 오차임

lt부표 2-Bgt Propensity Score 각 구간(Block)에 대한 Mean-Difference Statistical T-test 결과(II)

Block

번호

(로그)2 종업원 규모 교육 합도 임 만족도근무

환경 만족도

일자리

만족도

서비스 매직

여부

농어업 종사

여부

정규직 times

교육

직장 times

직무유지의향

격차 격차 격차 격차 격차 격차 격차 격차 격차 격차

1052 054 202 656 -048 -101 002 001 003 25954

(147) (053) (379) (564) (480) (421) (005) (003) (047) (60638)

2-006 043 046 047 -303 -182 002 000 -004 -9827

(073) (027) (197) (247) (220) (188) (002) (001) (026) 25462

3006 011 -151 -030 255 013 -002 000 -011 -246

(041) (017) (158) (156) (142) (117) (002) (000) (018) (15776)

4-052 000 -075 -111 -046 -005 -004 000 -011 -10585

(034) (015) (155) (137) (133) (110) (002) (001) (016) (14203)

5-008 006 053 -047 -017 -036 003 000 -004 17636

(035) (017) (176) (152) (144) (123) (003) (001) (018) (16213)

6063 -005 273 049 211 040 -006 001 015 14659

(035) (017) (201) (150) (145) (124) (003) (001) (019) (16225)

7008 -018 -045 016 -031 005 005 000 010 -10640

(029) (014) (174) (127) (127) (108) (003) (001) (016) (13577)

8-022 -014 028 -028 -163 086 000 000 -001 6766

(028) (014) (189) (127) (131) (111) (003) (000) (017) (13784)

9037 -013 143 133 046 -070 001 -002 015 -1116

(047) (021) (371) (204) (227) (187) (006) (002) (029) (21779)

10-028 021 077 161 -247 -113 -013 002 019 13295

(074) (026) (612) (352) (366) (340) (009) (002) (038) (30459)

주 1 Untreated Group과 Treated Group의 각 항목에 한 Mean Difference를 테스트함 2 표시는 5 유의도 수 에서 테스트를 통과하지 못한 항목을 표시함3 ( ) 안은 표 오차임

Page 10: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal

변수명 측 수 평균값 표 편차 최솟값 최댓값

이직 여부(이직 1) 15705 0099 030 0 1

차수 직장만족도 15636 5659 1698 0 100

차수 직장만족도 15585 5679 1698 0 100

직장만족도 변화 15531 019 1636 -90 80

차수 직무만족도 15653 6052 1599 0 100

차수 직무만족도 15600 6056 1615 0 100

직무만족도 변화 15563 003 1641 -75 85

차수 일자리만족도 15596 5390 1618 0 100

차수 일자리만족도 15562 5454 1646 0 100

일자리만족도 변화 15468 065 1722 -100 75

차수 기술 합도 15613 9014 2138 0 100

차수 기술 합도 15590 9058 2146 0 100

기술 합도 변화 15509 044 2387 -100 100

차수 교육 합도 15656 8969 2169 0 100

차수 교육 합도 15620 9008 2186 0 100

교육 합도 변화 15582 040 2413 -100 100

차수 교육기술복합지수 15612 8991 2106 0 100

차수 교육기술복합지수 15590 9034 2119 0 100

교육기술복합지수 변화 15508 043 2318 -100 100

차수 임 수 (단 만원) 15697 20247 12055 0 146975

차수 임 수 (단 만원) 15658 20589 12406 625 146975

임 수 변화(단 만원) 15650 344 5619 -71931 56572

lt표 3gt 이직 및 성과지표별 기초통계량

IV 일자리 이동의 영향요인

본 에서는 일자리 이동에 향을 미치는 주요 요인들에 해 평가해 보도록 한다 이직확률

추정을 하여 로짓회귀분석(Logistic Regression)을 수행하 으며 여덟 가지 회귀분석모형에 해

그 결과를 lt표 4gt에 요약하 다 각 모형은 이 차수와 차수 사이의 이직 여부를 종속변수로

한다 모형 1은 개인 특성변수들과 일자리 특성변수들을 설명변수로 하 으며 모형 2는 여기에

교육 합도를 추가하 다 모형 3은 여기에 일과 일자리에 한 만족도를 측정하는 여덟 개 변수

를 추가하 다 모형 4에는 직종더미를 모형 5에는 업종더미를 모형 6에는 연차더미를 차례로 추

가하 다 모형 7은 모형 6에서 종업원 규모를 제하고 추정한 결과이다 종업원 규모에 응답하지

않은 샘 수가 체 최종샘 의 178에 달하므로 설명변수에서 종업원 규모를 뺀 모형 7은 샘

수를 극 화한 추정 결과를 제시한다 모형 8은 모형 6의 설명변수 교육 합도를 기술 합도로

체한 추정 결과이다 교육 합도와 기술 합도의 상 계수가 0913에 달하므로 하나의 모형에

두 변수를 모두 포함시키기보다 별도의 모형을 만들어 상호비교하는 방법을 택한 것이다 이들 모

형들의 하단에 lsquo평균치 이직확률rsquo을 표기하 다 lsquo평균치 이직확률rsquo은 추정에 활용된 변수들의 평

균치에서 계산한 이직확률을 나타낸다 즉 샘 내의 표 임 근로자(Representative Paid Worker)의 이직 가능성을 변하는 수치이다 주어진 모형들이 추정한 lsquo평균치 이직확률rsquo은 략

8 안 (76~902)이다 각 추정계수 우편에는 한계효과를 함께 표시하 는데 이는 설명변수가

한 단 상승할 때(더미변수의 경우 0에서 1로 바뀔 때) lsquo평균치 이직확률rsquo의 변동분을 나타낸다 lsquo평균치 이직확률rsquo과 한계효과 모두 100을 곱하여 백분율로 표기하 다

분석 결과에 따르면 네 가지 개인의 특성변수(나이 성별 교육수 혼인 여부) 에서는 나이

와 성별만이 통계 으로 유의한 향요인으로 확인되었다 여성의 경우 남성에 비해 이직확률이

략 11p 가량 낮은 것으로 나타났다 연령이 높을수록 이직확률이 낮아지는데 나이가 한 살

증가할수록 략 04p 가량 이직확률이 하락하 다 일자리 련 특성변수 에서 정규직 여부 첫(혹은 두 번째) 일자리 여부 임 수 종업원 규

모 모두 통계 으로 유의한 향요인으로 악되었다 정규직일 경우 비정규직에 비해 이직확률

이 2p 가량 하락하 다 생애 첫 번째(혹은 두 번째) 일자리인 경우 44p 가량 이직확률이 하락

하 다 그러나 이것이 노동시장 진입 기에 이직확률이 더 낮다는 식으로 해석될 수는 없다 그보다는 이 에 이직경험이 많은 이들은(즉 재 일자리가 생애 세 번째 혹은 그 이상인 이들은) 그들의 직업 특성으로 인하여 이 에 이직경험이 은 이들에 비해 향후 일 년간 다시 이직

할 확률이 44p 가량 높다라고 해석해야 할 것이다14) 임 수 이 높을수록 이직확률이 떨어지

는 것으로 나타났다 임 이 10 상승할 때 이직확률은 045p만큼 하락한다 종업원 규모 역시

이직확률과 부의 계를 가지는 것으로 나타났다 종업원 규모가 10 가량 큰 기업에서 근무하면 이직확률은 007p 가량 하락한다 이는 종업원 규모가 큰 기업일수록 내부 노동시장을 활용한

직무재배치가 용이하기 때문인 것으로 악된다교육 합도 혹은 기술 합도가 높을수록 이직확률이 하락하는 것으로 나타났다 교육 혹은 기

술 합도가 10 상승할 때 025p 가량 하락한다 재 하는 일이 나의 교육(혹은 기술) 수 보

다 낮다고 답한 경우( 합도 50 ) 수 이 맞다고 답한 경우( 합도 100 )보다 125p만큼 이직

확률이 증가하는 것을 의미한다 따라서 노동자의 기술 혹은 교육 수 에 합한 직무와 그에 합

당한 우가 이직확률을 떨어뜨리는 데 효과 임을 알 수 있다일자리만족도와 련한 여덟 가지 변수 에서 임 에 한 만족도 직장 내 인간 계에 한

만족도 인사고과의 공정성에 한 만족도는 이직에 유의미한 향을 미치지 못하는 것으로 나타

났다 특히 이 임 에 한 만족도가 이직 여부에 결정 역할을 하지 않는다는 은 흥미로운

결론이다 반면 취업 안정성에 한 만족도와 근로환경 복지후생에 한 만족도 그리고 업무

에 한 만족도는 이직확률과 통계 으로 유의한 부(-)의 계가 있음이 확인되었다 취업 안정성

에 한 만족도 근로환경의 만족도 그리고 업무만족도의 경우 100 만 에 10 향상 시 04p 가량 이직확률을 떨어트리는 것으로 나타났으며 이는 이들 만족도에 한 응답이 불만족(25 )에

14) 를 들어 주어진 최종샘 에서 직장경력이 많은 40세 이상인 이들만을 고려할 때 첫 번째(혹은 두 번째) 일자리

보유자 2711명의 연간 이직률은 262인 데 반해 두 번 이상 이직경험이 있는 이들 4410명의 연간 이직률은

859로 이직률이 597p 높은 것을 확인할 수 있다

서 보통(50 )으로 개선된 경우 1p만큼 이직확률이 감소하는 것을 의미한다 개인만족도 련

변수 이직확률에 가장 향력이 큰 변수는 복지후생 변수로서 이에 한 만족도는 10 향상

시 이직확률을 055p 가량 떨어트리는 것으로 나타났다 복지후생만족도에 한 응답이 불만족

(25 )에서 보통(50 )으로 개선된다면 략 138p만큼의 이직률 하락을 기 할 수 있는 것이다이상의 분석 결과는 국내 임 근로자의 이직 결정에 있어서 비임 측면에서의 만족도가

요한 역할을 한다고 주장한 김동헌김상호(2001)의 연구와 맥을 같이 한다15) 여러 해외 연구 결

과도 비임 요소의 요성을 강조한 바 있다 를 들어 Gottschalk and Maloney(1985)는

Michigan PSID(Panel Study of Income Dynamics)를 이용하여 이직 후 새로운 직장이 더 만족스럽

다고 응답한 사람들 가운데 그 41는 실질임 의 삭감을 감내한 것으로 밝힌 바 있다흥미로운 은 개인의 발 가능성에 한 만족도가 이직확률과는 정(+)의 계를 보인다는

이다 개인의 인 자본을 높일 수 있는 일을 하고 있을 때 이러한 자기발 을 활용하여 보다 우

가 좋은 직장으로 이동하는 경향이 있음을 확인한 것이다 자기발 에 한 만족도 10 상승이

045p만큼의 이직확률 증가와 연 된 것으로 확인되었다 를 들어 자기발 만족도에 한 응

답이 보통(50 )인 사원보다 만족(75 )인 사원의 이직확률이 113p 가량 높은 것이다직종에 따른 이직확률의 차이에서는 문 리직 종사자나 서비스 매직 종사자가 생산기능직

종사자에 비해 략 3p만큼 이직확률이 높다는 것을 확인하 다 반면 농어민의 경우 생산기능

직 종사자에 비해 6p만큼 이직확률이 낮았다 업종에 따른 이직확률의 차이에서는 업종 간의 큰

차이를 발견하기 어려웠다 다만 농어업 련 기업에 종사할 경우 공업 련 기업에 종사하는

경우보다 이직확률이 상당히( 략 15p만큼) 높아짐을 확인할 수 있었다 다만 노동패 은 군부

지역을 제외하고 도시지역만을 상으로 한 조사이기 때문에 농어민 혹은 농어업 련 산업의 종

사자에 한 자료는 매우 미흡한 수 이다16) 따라서 농어민이나 농어업 종사자에 한 이상의

결론은 신뢰도가 다소 떨어짐을 유념할 필요가 있다

15) 김동헌김상호(2001)는 노동패 의 1차 자료만을 활용하여 동일한 분석을 수행한 바 있으며 이들의 결론은 8가지

만족도 변수 취업 안정성 복지후생 인사공정에 한 만족도가 이직성향과 부(負)의 계를 가진다는 것이었다 이들의 연구에 비해 본 연구의 표본의 수가 보다 방 하고 다양한 배경 변수(업종더미 직종더미 회사규모)와 개인

특성변수(첫 일자리 여부 교육 합도 등)를 통제하고 있으므로 본 연구의 결과가 보다 신뢰할 만한 결과를 제시하

고 있다고 단된다 16) 최종샘 에서 농어민이 차지하는 비 은 1 미만이고 샘 수로는 101명에 그친다 농어업 련 기업의 종사자가

차지하는 비 역시 1 미만에 종사자 수 111명에 그친다

다항로짓회귀분석 모형 1 모형 2 모형 3 모형 4

종속변수 이직 여부 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과

성별(여성 1) -01627(00665) -1313 -01272

(00672) -1030 -00669(00701) -0536 -01378

(00753) -1081

나이 -00512(00041) -0420 -00513

(00041) -0421 -00510(00042) -0412 -00507

(00042) -0404

교육수 00263(0029) 0216 00135

(00294) 0111 00350(00306) 0283 00264

(00342) 0210

혼인 여부(미혼 1) 00531(00746) 0440 00601

(00748) 0498 00563(00757) 0459 00643

(00762) 0518

정규직 여부(정규직 1) -03042(00713) -2688 -02777

(00718) -2438 -02213(00743) -1887 -01853

(00751) -1544

첫(혹은 두 번째) 일자리 여부

-05513(00647) -4453 -05462

(00649) -4412 -05313(00656) -4227 -05429

(00659) -4258

임 수(단 만원 로그)

-05933(00709) -4868 -05360

(00727) -4398 -05253(00769) -4242 -05393

(00782) -4294

종업원 규모(단 명 로그)

-01019(00145) -0836 -01010

(00145) -0829 -00838(00149) -0677 -00691

(00149) -0550

차수 교육 합도 -00045(00012) -0037 -00031

(00014) -0025 -00030(00014) -0024

차수 기술 합도

업무만족도 -00031(00025) -0025 -00036

(00025) -0029

임 만족도 00025(00020) 0021 00029

(00020) 0023

취업 안정성 만족도 -00041(00021) -0033 -00044

(00021) -0035

근무환경만족도 -00049(00021) -0039 -00050

(00022) -0040

인간 계만족도 -00016(00024) -0013 -00015

(00024) -0012

자기발 만족도 00055(00023) 0045 00050

(00023) 0040

인사공정만족도 00006(00027) 0005 00011

(00027) 0009

복지후생만족도 -00069(00021) -0055 -00070

(00021) -0055

(기 생산기능직)

문 리직 여부 03710(01169) 3328

사무기술직 여부 -01145(00887) -0898

서비스 매직 여부 04280(00885) 3890

농어민 여부 -03201(04768) -2238

(기 공업 종사)농어업 종사 여부건설업 종사 여부도소매 숙박업 종사

여부서비스 련업 종사

여부연차 더미 No No No No

평균치 이직확률times100(각 변수의 평균치

기 )902 902 886 872

관측 수 12869   12829   12655   12652  

결정계수( ) 0070   0072   0076   0082  

lt표 4Agt 일자리 이동 영향요인 분석(I)

주 1 는 유의수 10 는 유의수 5 는 유의수 1를 의미함2 한계효과는 추정된 한계효과(marginal effects)를 백분율로 표시함3 더미변수의 한계효과는 변수값이 0에서 1로 변할 때 이직확률의 변화분을 나타냄(변수명의 표시가 더미변수)

다항로짓회귀분석 모형 5 모형 6 모형 7 모형 8

종속변수 이직 여부 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과

성별(여성 1) -01528(00759) -1194 -01482

(00760) -1154 -01872(00713) -1289 -01477

(00761) -1151

나이 -00505(00042) -0401 -00505

(00042) -0400 -00521(00040) -0366 -00504

(00042) -0399

교육수 00309(00345) 0245 00327

(00347) 0258 00113(00324) 0080 00346

(00345) 0274

혼인 여부(미혼 1) 00659(00764) 0529 00635

(00766) 0507 01045(00721) 0749 00684

(00767) 0548

정규직 여부(정규직 1) -02033(00770) -1696 -02075

(00776) -1727 -01213(00735) -0875 -02093

(00777) -1744

첫(혹은 두 번째) 일자리 여부

-05421(00660) -4240 -05445

(00661) -4241 -06294(00623) -4407 -05495

(00662) -4284

임 수(단 만원 로그)

-05309(00788) -4215 -05277

(00790) -4172 -06554(00702) -4602 -05288

(00791) -4186

종업원 규모(단 명 로그)

-00695(00151) -0552 -00690

(00152) -0546 -00685(00152) -0542

차수 교육 합도 -00028(00014) -0022 -00029

(00014) -0023 -00027(00013) -0019

차수 기술 합도 -00030(00014) -0024

업무만족도 -00038(00025) -0030 -00043

(00025) -0034 -00054(00023) -0038 -00045

(00025) -0036

임 만족도 00029(00020) 0023 00026

(00020) 0020 00027(00019) 0019 00026

(00020) 0020

취업 안정성 만족도 -00048(00021) -0038 -00045

(00021) -0035 -00051(00020) -0036 -00044

(00021) -0035

근무환경만족도 -00052(00022) -0041 -00054

(00022) -0042 -00053(00020) -0037 -00053

(00022) -0042

인간 계만족도 -00014(00024) -0011 -00015

(00024) -0012 -00014(00023) -0010 -00013

(00024) -0011

자기발 만족도 00054(00023) 0043 00057

(00023) 0045 00061(00022) 0043 00057

(00023) 0045

인사공정만족도 00010(00027) 0008 00011

(00027) 0009 -00006(00025) -0004 00014

(00027) 0011

복지후생만족도 -00069(00021) -0055 -00069

(00021) -0054 -00060(00020) -0042 -00068

(00021) -0053

(기 생산기능직)

문 리직 여부 03574(01203) 3183 03594

(01204) 3190 03478(01160) 2728 03514

(01204) 3114

사무기술직 여부 -01409(00916) -1098 -01365

(00917) -1060 -01322(00878) -0911 -01374

(00917) -1068

서비스 매직 여부 03146(01080) 2752 03136

(01081) 2732 02369(01012) 1793 03037

(01084) 2640

농어민 여부 -13598(06827) -6349 -13198

(06821) -6224 -12188(06557) -5262 -13254

(06828) -6246

(기 공업 종사)

농어업 종사 여부 12277(05423) 15765 12064

(05429) 15324 08109(05129) 7981 12026

(05431) 15270

건설업 종사 여부 -01858(01239) -1386 -01819

(01240) -1353 -01896(01146) -1251 -01797

(01240) -1339

도소매 숙박업 종사 여부

01413(01027) 1165 01417

(01028) 1163 02878(00976) 2200 01393

(01029) 1144

서비스 련업 종사 여부

00006(00808) 0005 00016

(00808) 0013 -00420(00778) -0295 -00024

(00809) -0019

연차 더미 No Yes Yes Yes평균치 이직확률times100

(각 변수의 평균치 기 ) 869 865 760 867

관측 수 12651   12651   15344   12614  

결정계수( ) 0083   0085   0091   0084  

lt표 4Bgt 일자리 이동 영향요인 분석(II)

주 1 는 유의수 10 는 유의수 5 는 유의수 1를 의미함 2 한계효과는 추정된 한계효과(marginal effects)를 백분율로 표시함 3 더미변수의 한계효과는 변수값이 0에서 1로 변할 때 이직확률의 변화분을 나타냄(변수명의 표시가 더미변수)

Group

Treated (=1) 측 가능 Counterfactual

Untreated (=0) Counterfactual 측 가능

V 분석 방법(Propensity Score Matching)

본 에서는 일자리 이동의 효과성 분석에 사용할 방법론으로서 Heckman Ichimura and Todd(1997)이 제안한 Propensity Score Difference- in-Differences(DID) Matching(PSM)에 해 설명

하고자 한다 이에 앞서 우선 이 방법론의 근간이 되는 Averge Treatment Effect for the Treated(ATT)(Rubin[1974])와 Propensity Score Matching(PSM)(Rosenbaum and Rubin[1983]) 일반에

해 소개하기로 한다

1 Average Treatment Effect for the Treated

결과에 향을 미치는 Treatment Variable로서 더미변수 를 가정하자 Treatment의 부여 여부

에 따라서 Treated Group(혹은 실험군)과 Untreated Group(혹은 조군)으로 구분할 수 있다 =1 (Treated Group)과 =0 (Untreated Group) 이때 잠재 결과치(Pontential Outcomes) 가 Treatement 여부에 따라 각기 ( )일 때 Average Treatment Effect(ATE)는 다음과 같다 그러나 이러한 통 인 계산방식은 Treatment가 무작

(Randomization)라는 가정하에서만 편 되지 않은 측치(Unbiased Estimates)를 제공할 수 있다 순수한 무작 실험이 아니라면 분석의 상이 데이터에서 Treatment 여부가 무작 인 경우는 드

물다 즉 특정한 요인들이 Treatment 참여 여부에 직간 인 향을 미치는 것이다 를 들어 특정약물의 효과를 알고 싶다고 하자 약물이 투여된 사람과 그 지 않은 사람의 건강상태를 악

하면 된다고 생각할 수 있다 그러나 약물이 투여되지 않은 사람은 개 건강한 사람들이기 때문

에 이들의 건강상태를 약물이 투여된 사람과 직 비교한다면 약물을 투여한 사람이 여 히 건강

상태가 나쁜 것으로만 나올 것이고 약물투여의 효과가 없다라고 결론짓게 될 것이다 비교 상은

건강한 사람이 아니라 약물이 투여된 집단만큼의 건강이 양호하지 않은 집단이어야 한다 이 게

건강하지 않는 사람과 비교할 때 약물 투여의 순수한 효과를 검증할 수 있다 이러한 무작 의 여

부로부터 발생하는 문제를 선택편의(Selection Bias)라고 한다데이터로부터 우리가 측할 수 있는 결과치는 Treated된 경우의 과 Untreated된 경우의

이다 선택편의의 문제가 발생할 때 Treatment의 효과를 제 로 알고자 한다면 우리가 비교해야

하는 상은 Treated 된 경우의 Treatment가 용되지 않았을 때의 결과 즉 ( |=1)이다 이러한

가상의 결과를 Counterfactual이라고 한다 (역시 Untreated된 경우의 Treatment가 용되었을 때 결

과 즉( |=0) 역시 Counterfactual이다) 다음의 표가 이를 간략히 정리하고 있다

선택편의(Selection Bias)의 문제하에서 Treatment의 효과를 측정하기 하여 체 집단에 한

Treatment Effect가 아닌 Treated Group에 한 Treatment Effect에 한정하여야 한다 이 게 한정된

집단 즉 Treated Group에 한 효과성 측정을 Average Treatment Effect for the Treated(ATT)라고 한

(1)

여기서 는 Counterfactual에 한 기 치이므로 자료로부터의 직 인 추정은 불

가능하다 Treatment Selection이 측 가능한 변수들의 특정한 집합 Z에 의존한다고 가정해 보자 Dawid(1979)의 표 법에 따르면 다음과 같은 계가 성립한다 ∐ 즉 Z를 통제하 을

때 Untreated Group의 값의 분포와 Treated Group이 만약 Treatment를 받지 아니하 을 때의

값의 분포(즉 Counterfactual의 분포)는 서로 동일하다는 것이다 이는 기 치에 한 다음과 같은

계를 내포한다

(2)

즉 counterfactual인 을 측치인 이 체할 수 있는 것이다 식

(2)의 계를 조건부 독립가정(Conditional Independence Assumption CIA)이라고 한다 Rubin(1974)은 조건부 독립가정(CIA)의 조건이 충족할 경우 ATT를 다음과 같이 측정할 수 있다고 제안한 바

있다

(3)

즉 직 으로 설명한다면 =1인 집단에 속한 특성 Z인 개체에 하여 동일 특성을 지닌 개

체를 =0인 그룹에서 찾아 그 둘의 Y값을 비교하면 되는 것이다 =1 집단 내의 모든 개체에

하여 동일한 계산을 한 뒤 이를 합산하면 ATT를 구하게 된다 그러나 이 방법 역시 일정 정도의 한계를 지닌다 만약 Z가 이산변수(Discrete Variable)가 아닌

연속변수(Continuous Variable)라면 =0 집단에서 동일한 Z를 가진 개체를 찾을 수 없으므로 이상

의 측정법을 용할 수 없다 한 특정 변수들이 집합인 Z에 포함된 변수들이 많은 경우 동일한

특성의 개체를 =0 집단으로부터 찾는 것이 어려울 수 있다 이러한 한계를 극복하고자 도입된 것

이 Propensity Score Matching 방식이다

2 Propensity Score Matching Estimator

Propensity Score(PS)를 Z 특성을 지닌 개체가 Treated될 확률로 정의하고 로 표시하도록

하자

Propensity Score equiv (4)

Rosenbaum and Rubin(1983)은 0ltP(Z)lt1이 모든 Z에 해 만족할 경우 다음의 계가 성립한다

는 것을 증명하 다

∐ rArr ∐ (5)

이 계식은 을 내포하므로 변수집합의 Z의 차원수

∐ rArr

(Dimensionability)가 클 경우에도 다음과 같이 다일변수 P(Z)를 활용하여 ATT를 구할 수 있다

(6)

샘 수의 유한성으로 인해 실제로 식의 두 번째 항을 추정하는 것은 간단치 않은 작업이

다 한 ATT의 추정은 Common Support 역 즉 Treated Group의 P(Z)의 분포와 Untreated Group의 P(Z)의 분포가 겹치는 Z의 역에 한정하여야 한다 Common Support를 벗어나는 역에 해

서는 비교가능한 Counterfactual를 찾기 힘들기 때문이다 이를 반 하여 주어진 샘 내에서 ATT를 추정할 수 있는 다양한 Propensity Score Matching(PSM) Estimator가 제안되었는데 이는 다음과

같이 요약될 수 있다(Todd[2006])

isincap

isin

(7)

여기서 는 Treated Group 구성원을 는 Untreated Group의 구성원을 나타낸다 는 Common Support 역 내의 개체들의 집합을 나타낸다 은 Treated Group의 구성원 Common Support 역에 속하는 개체들의 총수이다 는 가 치를 나타내는 것으로 두 Propensity Score의 거리

인 을 이용하여 결정된다 가 치 용방식에 따라 다양한 측정방식이 제시될 수

있다 이에 해서는 추후에 추가 으로 논의하도록 한다

3 Difference-in-Differences Matching Estimator

여기서 한 단계 발 된 방식의 PSM이 Heckman Ichimura and Todd (1997)에 의해 제시된

Difference-in-Differences(DID) Matching Estimator이다 앞서 ATT의 추정에서 측 가능한 특정 변수

들의 집합 Z가 주어졌을 때 결과치 가 Treatment에 독립 (즉 ∐ 이 성립)이라고 가정한

바 있다 그러나 Z에 포함되어야 할 많은 변수 측이 되지 않는 경우가 있을 수 있다 이러한

경우 계가 더 이상 성립하지 않아 앞서의 ATT 추정법은 정

당성을 상실한다 하지만 Longitudal Data가 주어진 경우 즉 Treatment 이 과 이후의 결과치( )가

주어진 경우 분석 상을 신에 lsquo의 변화분rsquo으로 변경함으로써 이러한 문제를 상당 부분 해

소할 수 있다 Treatment 이 과 이후 두 개의 시간 를 와 prime이라 한다면 분석 상을 이

아닌 prime prime 으로 둘 수 있는 것이다 이때 ATT를 추정하기 해서는

prime ∐ 의 가정이면 충분하게 된다 이는 앞서보다 훨씬 완화된 가정이므로 충족하기

가 보다 용이해진다 특히 측되지 않는 시간 불변(time-invariant)의 일부 변수가 Treatment Selection에 연 된 경우에도 이 변수가 와 prime에는 직 인 향을 미치더라도 prime 에 미치는 향이 없다면(즉 독립 이라면) 문제가 되지 않는 것이다17) 따라서 Longitudal Data가

17) 이 외에도 주어진 수치들이 데이터가 수집된 지역에 따라 Level이 다를 경우 Difference 변수를 활용함으로써 이러

한 Level 차이에서 기인한 편의(bias)를 해소할 수 있다

주어진 경우에 DID Matching Estimator는 매우 효과 인 도구로 활용될 수 있다 이때 DID Matching Estimator는 다음과 같은 방식으로 요약될 수 있을 것이다

isincap

prime prime prime

isin prime

(8)

본 연구에서는 앞서 소개한 DID Matching Estimator를 이용함으로써 시간불변(time-invariant)의

측되지 아니하는 변수들을 사 에 통제하고 보다 신뢰할 만한 분석 결과를 제시하고자 한다

4 Treatment Effect 측정방식

의 가 치를 결정하는 를 어떻게 설정하느냐에 따라 다양한 PSM Estimator가 존재한다 본 연구의 분석에서는 가장 활발히 이용되는 측정방식들로서 Nearest Neighbor Matching Radius Matching Kernel Matching 이 세 가지를 활용하기로 한다18)

가 Nearest Neighbor Matching

이 방식은 조군인 Untreated Group에 속한 개체 에서 Propensity Score가 실험군(Treated Group) 개체의 Score와 가장 근 한 개체를 선택하는 방식이다 즉 를 최소화시키

는 에 해서는 이고 나머지 에 해서는 이 성립한다 [그림 2]가 이

를 잘 형상화하고 있다 이때 Score가 근 한 개체를 하나가 아닌 복수로 선정함으로써 하나를

선정할 때보다 더욱 안정된 추정치를 얻을 수 있다 다만 매칭되는 개체 수가 무 많을 경우

가 크게 되어 편의(bias)가 증가할 수 있으므로 신 할 필요가 있다 개의 근

한 개체를 선택하는 경우 이들 개체 에 해서는 이 성립하고 나머지 에

해서는 이 성립한다 Nearest Neighbor Matching의 경우 가장 근 한 개체를 선택하 으나 가 무

커서 Counterfactual로서 부 합한 매칭이 이루어질 가능성이 있다 이를 보완하기 하여 Cochran and Rubin(1973)은 한 Caliper를 선정하여 매칭에 있어서 를 일정 한도로 제

한할 것을 제안한 바 있다 본 분석에서는 을 5개로 선정함으로써 편의(bias)를 이면서도 안정

된 추정치를 얻고자 하 으며 Caliper는 히 작은 0005로 설정하여 부 합한 매칭을 최소화하

고자 하 다19)

18) 이 외에도 주로 활용되는 측정방식으로 Stratification Matching Mahalanobis Matching 등이 있으나 이들을 활용한 결

과가 본 연구의 분석 결과와 크게 다르지 않다 Dehejia and Wahba(2002)는 Treated Group과 Untreated Group 간의

Propensity Score 분포가 상당 부분 서로 겹친다면 측정방식에 따른 분석 결과의 차이가 크지 않다는 을 강조한

바 있다 이는 실험군 한 개체에 해 매칭 가능한 충분한 수의 조군 개체들이 존재하기 때문이다 즉 측정방식의

차이에 따라 매칭이 되는 조군들의 특성이 크게 달라지지 않는 것이다 본 연구에서 추정한 Propensity Score 분포

는 Treated Group Untreated Group 두 집단 사이에 겹치는 부분이 매우 크다 이는 [그림 4]를 통해 쉽게 확인된다 19) 여기서 Caliper 설정은 실험군 개체와 매칭되는 조군 개체 사이의 PS 거리 즉 를 한 수 으로

제한하고자 함이다 부분의 실험군 개체의 경우 Caliper가 설정한 Boundary에 크게 제한을 받지 않으므로 히

작은 Caliper의 설정이면 편의(Bias)를 개선하기에 충분하다 본 분석에서 설정한 0005 이외에 0002이나 001을 사용

하여 보았으나 역시 결과의 차이가 크지 않음을 확인하 다

[그림 2] Nearest Neighbor Matching(n=1인 경우)

나 Radius Matching

이 방식은 일정 반경을 Caliper로 설정하고 Untreated Group에서 가 Caliper 이내인 모든 개체 를 Treated Group의 개체 에 매칭하는 방법이다(그림 3 참조) 개체 에 하여

Untreated Group으로부터 매칭된 개체의 수가 라면 이들에 해서는 이 성립하고 매칭이 안된 나머지 개체들에 해서는 이 성립한다 이 추정방식은 앞서 Nearest Neighbor Matching에 비해 Propensity Score가 근 한 조군 내의 보다 많은 개체를 분석에 활용할

수 있다는 장 이 있다 보다 많은 조군 내 개체를 활용할수록 Treatment Effects 측정의 정확성

(Precision)은 상승하게 된다 매칭이 가능한 조군 개체의 수가 충분히 많다면 Caliper는 작을수록 좋다 Caliper가 클수록

부 합한 매칭에 따른 Treatment Effects의 편 (Bias)이 커질 수 있기 때문이다 본 분석에서는 샘

의 수가 충분히 크기 때문에 Caliper를 0002로 설정하여 매우 근 한 개체들에 해서만 매칭이

이루어지도록 설정하 다20)

20) 다음 에서는 주어진 샘 을 활용하여 Propensity Score를 추정하고 있다 이 결과에 따르면 PS (01 0102)인 구간

에서 조군 개체 수가 116개 (02 0202) 구간에서 조군 개체 수가 32개 (03 0302) 구간에서 조군 개체 수가

12개에 이르는 것을 확인할 수 있다(표 6과 그림 4를 참조 바람) 즉 0002의 Caliper를 사용할 때 한 개의 실험군

개체에 해 10개 내지 100개 이상의 조군 개체들이 매칭되는 경우가 흔히 존재하는 것이다 반면 Caliper를 이보

다 작게 설정한다면 (특히 PS가 큰 구간에서는) 실험군 개체들과 매칭되는 조군 개체가 존재하지 않을 수 있다 를 들어 PS (04 0402)인 구간에서 조군 개체 수는 단 1개 존재하나 PS (0401 0402)인 구간에서는 무하다

따라서 본 연구에서는 최소의 Caliper이면서도 매칭되는 조군 개체의 수가 충분할 수 으로서 Caliper 0002를 선

정하 다 반면 민감성 테스트(Sensitivity Check)에 따르면 Caliper 0001이나 0003에서도 연구 결과의 차이가 크지

않음을 확인하 다

[그림 3] Radius Matching

다 Kernel Matching

이 방식은 Treated Group 내의 각 개체에 한 매칭을 Untreated Group 내의 모든 개체를 상

으로 진행하는 방식으로 에 따라 가 치를 부여한다 가 작을수

록 가 치가 커진다 이때 사용되는 가 치는 다음과 같이 표시될 수 있다

isin

(9)

여기서 G는 선택된 Kernel function을 은 Bandwidth Parameter를 표시한다 이 방식은

Heckman Ichimura and Todd(1998)에 의해 도입되었는데 주어진 모든 개체를 추정에 활용하므로

정보의 손실을 최소화할 수 있다는 장 이 있다 한 앞서의 두 추정방식과는 달리 인 인

Caliper의 설정이 불필요하다는 장 도 있다 Kernel의 선택에는 Gaussian Function(Normal Distribution) Biweight Function Epanechnikov Function 등 다양한 방식이 가능하나 본 분석에는

Normal Distribution을 채택하 다 Bandwidth Parameter로는 001을 선택하여 가 근

한 이들에게 충분한 가 치가 주어지도록 하 다21)

VI Propensity Score의 추정

주어진 자료에서 Treatment는 이직에 해당한다 이직에 한 Propensity Score(PS)를 추정하기

해서는 이직에 향을 미치는 주요 변수의 집합 을 사용하여야 한다 이들 변수는 다음 조건

을 만족하여야 한다 prime ∐ 즉 이직에 향을 미치는 주요 변수들을 통제한 후에

는 이직을 하지 않은 이들의 결과치 에 한 변화분 prime 의 분포가 이직을 한

이들이 만약 이직을 하지 않았을 때 상되는 결과치 에 한 변화분 prime 의 분

21) Bandwidth Parameter가 0005 002인 경우도 확인해 보았으나 결과에는 큰 차이가 발견되지 않았다

추정함수 Logistic Regression(이직 = 1 비이직 = 0)Z 추정계수 표 오차

직장유지의향 -0002 0004 직무유지의향 -0015 0004 성별(여성 1) -0104 0071

나이 -0138 0023 나이2 0001 0000

교육수 0169 0050 혼인 여부(미혼 1) -0056 0082

정규직 여부(정규직 1) 0342 0248 첫(혹은 두 번째) 일자리 여부 -0599 0068

임 수 (단 만원 로그) 0076 0601 임 수 (단 만원 로그)2 -0052 0063 종업원 규모(단 명 로그) -0084 0015

차수 교육 합도 0000 0001 임 만족도 0003 0002

근무환경만족도 -0004 0002 일자리만족도 -0003 0003

서비스 매직 여부 0459 0077 농어업 종사 여부 0324 0378

정규직 여부 times 교육수 -0131 0056 직장유지의향 times 직무유지의향 0000 0000

상수항 3558 1584 측 수 12754

결정계수( ) 00873

Log Likelihood -401098

포와 동일해야 하는 것이다 따라서 Propensity Score의 추정에 활용할 변수들은 앞서 일자리 이동

의 향요인에 한 분석을 통해 선별할 수 있다 특히 주어진 노동패 의 자료에서는 ldquo 재의

직장을 계속 다니고 싶은가(직장유지의향)rdquo와 ldquo 재 맡고 있는 일을 계속하고 싶은가(직무유지의

향)rdquo라는 이직의사와 련된 매우 긴요한 변수들이 포함되어 있는데 이들을 주요 변수의 집합

에 포함시킴으로써 이상의 조건이 보다 용이하게 충족될 수 있음을 기 할 수 있다 Propensity Score의 추정에는 Logistic Regression을 활용하 다 추정에 활용된 주요 변수들의 집합 과 각

변수에 한 추정계수는 lt표 5gt에 요약되어 있다

lt표 5gt Propensity Score의 추정방정식

주 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

앞서 일자리 이동 향요인에 한 분석에서 일자리 이동의 요한 결정변수로 악된 변수

들이 부분 PS 추정방정식에 포함되었다 만족도와 련한 변수 업무만족도 취업 안정성 만

족도 자기발 만족도 복지후생만족도 이상 네 변수는 일자리 향요인으로 통계 으로 유의하

게 악되었으나 PS 방정식에 추가된 일자리만족도 직장유지의향 직무유지의향 등과의 통계

상 계가 매우 높아 PS 추정방정식에 따로 포함시키지 않았다22) 한 추정방정식에는 일부

Interaction Terms들과 Higher Order Terms들을 추가하여 앞서 설명한 변수집합(Z)의 기본요건을 맞

추고자 하 다 추가 변수들은 Balancing Property를 충족하기 하여 선정되었는데 이에 해서는

아래에서 추가 부연한다Rosenbaum and Rubin(1983)에 따르면 PS는 다음 조건을 만족한다

∐ rArr

즉 PS를 통제한 뒤에는 변수집합 Z와 Treatment 여부 D가 상호 독립 이라는 것이다 이는 PS가 동일한 개체들에 해 Z의 평균값을 구한다면 Treatment를 받은 집단과 그 지 않은 집단 사이

에 차이가 없어야 한다는 을 내포한다 이를 Balancing Property라 한다 이를 검증하기 한 방

법으로 P(Z)를 여러 구간(Blocks)으로 나 뒤 각 구간에 한 Mean Difference Statistical T-test를

시행할 수 있다 일부 구간에 해 T-test가 만족하지 않는 경우에는 구간을 더욱 세분하여 진행하

고 여 히 만족이 되지 않는 경우에는 문제가 되는 일부 변수들의 Interaction Terms들과 Higher Order Terms들을 PS 추정방정식에 추가하여 앞서의 과정을 되풀이한다(Dehejia and Wahba[1999]) 앞서 언 된 Interaction Terms과 Higher Order Terms들은 이상의 과정을 거쳐 추가된 항들이다

Balancing Property 검증을 하여 다양한 PS 추정방정식을 설정하여 반복 인 Test를 수행하

다 최종 으로 lt표 5gt의 추정방정식에서 도출한 PS를 기 으로 lt표 6gt과 같이 10개의 Block을

구분한 뒤 Mean- Difference Statistical T-test를 진행하 다 Block 설정은 PS의 Common Support 역인 [00149 06]에 하여 이루어졌다 각 Block들에 한 T-test의 결과는 lt부표 2gt에 수록되어

있다 추정방정식에 도입된 독립변수 항이 총 20개이고 Block의 수는 10개이므로 총 200개의

Mean-Difference T-test가 시행되었다 lt부표 2gt에서 확인할 수 있듯이 5 Significance Level에서

부분의 Block들이 T-test를 통과하 다 통과에 실패한 테스트는 단 두 개로 Block 1의 lsquo정규직

여부rsquo에 한 테스트와 Block 8의 lsquo성별rsquo에 한 테스트이다 따라서 Block Test의 통과율이 99에

이르러 앞서의 PS 추정방정식이 Balancing Property를 체로 만족하고 있다고 결론내릴 수 있다 이상의 과정을 거쳐 확정된 PS 추정방정식을 이용하여 각 개체별로 PS를 구할 수 있다 [그림

4]는 이 게 구해진 PS에 하여 각 집단별 분포도를 제시하고 있다 Treated Group의 경우 PS의

분포가 Untreated Group에 비해 상 으로 우측으로 치우쳐 있음을 쉽게 확인할 수 있다 그리고

PS 분포에서 Common Support 역이 [00149 06]에 이른다는 것을 확인할 수 있다 이는 PS가

06보다 큰 경우에는 Treatment에 참여한 실험군 개체에 해 그에 상응하는 Counterfactual을 조

군으로부터 찾을 수 없음을 의미한다 따라서 PS를 활용한 Treatment의 효과 측정은 이 Common Support 역에 들어오는 실험군 개체들에 한정하여 이루어질 수밖에 없다

22) 를 들어 일자리만족도와 이들 네 변수와의 상 계수(Correlation Coefficient)는 각각 업무만족도(06536) 취업 안정

성 만족도(06014) 자기발 만족도(06279) 복지후생만족도(05514)에 이른다 이들을 포함시키더라도 반 인 결과

에는 큰 차이가 없다

(10)

02

46

8

0 2 4 6 8 0 2 4 6 8

Untreated Group Treated Group

DensityRough Density Curve

Den

sity

Propensity Score Distribu tion for Each Group

lt표 6gt Balancing Property 검증을 위한 Block 구분

Block 번호 Propensity Score 범 D=0 D=1 합계

1 00149 ~ 0025 655 10 665

2 0025 ~ 005 2128 59 2187

3 005 ~ 0075 2146 152 2298

4 0075 ~ 001 1744 200 1944

5 01 ~ 0125 1300 171 1471

6 0125 ~ 015 949 162 1111

7 015 ~ 02 1138 238 1376

8 02 ~ 03 845 242 1087

9 03 ~ 04 230 95 325

10 04 ~ 06 57 56 113

합계 11192 1385 12577

[그림 4] 각 집단별 Propensity Score 분포도

주 Common Support 역인 [00149 06]에 포함된 개체 수는 Untreated Group의 경우 11192명 Treated Group의 경우에

는 1385명임

VII 분석 결과

이제 구해진 PS를 활용하여 이직의 효과와 이직에 있어서 인 네트워크 활용의 효과성을 분

석할 비를 마련하 다 본 분석에서는 앞서 제3 에서 소개한 7가지의 성과지표에 하여 분석

을 진행할 것이다 우선 PS가 추정된 12754개체에 하여 PS를 고려하지 않은 단순비교를 진행해

성과지표의

연간 변화비교 상

이직자

평균

비이직자 평균

격차

(표 오차)

직장만족도 변화이직자 수 1379 3724 -0334 4058

비이직자 수 11274 (0466)

직무만족도 변화이직자 수 1386 2962 -0428 3389

비이직자 수 11285 (0466)

일자리만족도 변화이직자 수 1384 2944 0282 2662

비이직자 수 11261 (0489)

기술 합도 변화이직자 수 1383 2350 -0058 2408

비이직자 수 11245 (0684)

교육 합도 변화이직자 수 1389 2556 -0142 2697

비이직자 수 11300 (0689)

교육기술복합지수

변화

이직자 수 1383 2422 -0091 2513

비이직자 수 11245 (0664)

임 수 변화이직자 수 1384 9088 2782 6307

비이직자 수 11340 (1614)

보자 lt표 7gt은 이직자 집단과 비이직자 집단의 성과지표 변화를 단순비교한 것이다 표에서 확인

할 수 있듯이 이직자의 경우 모든 지표들에 하여 성과지표의 뚜렷한 증가가 목격되었다 비이

직자의 경우에는 임 수 이 2782만원 증가한 것을 제외하고 에 띄는 성과지표의 개선이 나타

나지 않았다23) 성과지표 개선에서 집단 간의 차이가 존재하는지를 검증하기 하여

Mean-Difference Statistical T-test를 진행하고 그 결과를 표에 수록하 다 모든 지표에 하여 이직

자 집단이 비이직자 집단에 비해 높은 증가세를 보인 것이 통계 으로 유의하게 확인된다 를 들

어 이직자 집단의 월평균 임 수 은 9088만원 상승한 것으로 나타나 비이직자 집단에 비해

6307만원만큼 큰 폭의 임 향상을 보 다 하지만 우리는 이상의 결과를 이직의 효과라고 단정

지을 수 없다 왜냐하면 이직의 효과는 이직자 집단에 속한 개체들의 성과 변화와 이들의

Counterfactual 즉 이들이 이직을 하지 않고 직장을 유지하 을 때의 성과 변화를 직 비교해

야 제 로 악되기 때문이다 이후 제시한 Propensity Score Matching에 의한 이직효과 측정은 이

러한 Counterfactual의 탐색에 기반한 분석 결과이다

lt표 7gt 주요 성과지표의 연간 변화 단순비교

주 1 성과지표의 변화에 한 집단 간 차이를 확인하기 하여 Mean-Difference Statistical T-test를 수행함 2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

23) 주어진 임 수 은 연간 임 상승률을 감안한 수치이기 때문에 비이직자의 임 은 불변이거나 하락하여야 정상이

다 재 악되는 비이직자들의 임 증가는 선택편의(Selection Bias) 문제에 의해 발생한 것으로 보인다 주어진 최

종샘 은 차수와 차수 모두에서 임 근로자로 악된 이들로 구성된다 취업시장에 신규로 진입하는 이들에

비하여 근속연수가 1년 많은 셈이다 한 차수에 임 근로자인 이들 임 상승폭이 작은 이들이 그 지 않은

이들보다 근로시장을 이탈할 가능성이 높다 이로 인하여 차수에 이어 차수까지 근로시장에 남아 있는 이들

은 상 으로 높은 임 상승을 보이는 것으로 단된다( 한 분석에 활용한 임 상승률이 lsquo임 구조기본통계조사rsquo의 표본으로부터 추정된 것이므로 노동패 표본과의 근본 차이로 인해 이상의 문제가 도출하 을 가능성도 일

부 배제할 수 없다)

공개채용 스카우트 소개나 추천 직 찾아가서 기타

인 네트워크

활용 구직

21 10 730 68 2

(69) (625) (8459) (1166) (556)

인 네트워크

비활용 구직

278 4 118 502 27

(9145) (250) (1367) (861) (750)

알 수 없음5 2 15 13 7

(164) (125) (174) (223) (1944)

총 사례 수 (1802명

)

304 16 863 583 36

(100) (100) (100) (100) (100)

이직 성격 분류비네트워크

경로-

네트워크

경로

비네트워크

경로-

본격 인 분석에 앞서 인 네트워크와 련하여 이직의 성격을 규명할 필요가 있다 인 네

트워크를 이직경로로 활용한 경우와 그 지 않은 경우로 구분지어 보도록 하자 이를 해 노동패

6차에서 10차까지의 체 경력직 취업자들을 상으로 한 lt부표 1gt의 lsquo경력직 취업자들의 일

자리 진입방식별 구직방법의 분포rsquo를 참조하도록 하자 노동패 에서 제공하는 일자리 진입방식

은 lsquo공개채용rsquo lsquo스카우트rsquo lsquo소개나 추천rsquo lsquo직 찾아가서rsquo lsquo기타rsquo 이 게 다섯 가지로 구분된다 이 lsquo공개채용rsquo 형태의 일자리 진입에서는 lsquo인터넷rsquo이나 lsquo매체 고rsquo를 활용한 구직이 체 사례

의 8486에 이른다 lsquo직 찾아가서rsquo 형태의 일자리 진입 역시 lsquo인터넷rsquo이나 lsquo매체 고rsquo 그리고

lsquo직 탐문rsquo 방식의 구직이 사례의 8113에 이른다 반면 lsquo소개나 추천rsquo 형태의 일자리 진입에서

는 lsquo친구나 친지rsquo를 통하거나 lsquo취업희망 직장의 지인rsquo 혹은 lsquo업무상 알게 된 지인rsquo을 통하는 경우

가 체의 81235에 이른다 즉 각 일자리 진입방식 간에 매우 뚜렷한 구직형태의 차이를 보여

주고 있다 lt부표 1gt의 성공한 구직방법 2 3 8 10 11을 인 네트워크를 활용한 구직으로 1 4 5 6 7 9를 그 지 않은 구직으로 분류하고 각 일자리 진입방식에 한 인 네트워크 활용도를

추산해 보면 다음 lt표 8gt과 같이 요약된다

lt표 8gt 일자리 진입방식별 이직의 성격 분류

주 ( ) 안은 각 일자리 진입방식에 한 이직 성격의 비 을 백분율로 표시함 자료 lt부표 1gt를 재구성한 것임

lt표 8gt에 요약된 바와 같이 lsquo공개채용rsquo과 lsquo직 찾아가서rsquo 형태의 일자리 진입에서 인 네트

워크를 활용하지 않은 구직이 각기 9145와 861에 이른다 반면 lsquo소개나 추천rsquo에서는 인 네

트워크를 활용한 구직이 8459에 이른다 이를 바탕으로 본 분석에서는 lsquo공개채용rsquo과 lsquo직 찾아

가서rsquo를 lsquo비네트워크 경로 이직rsquo으로 lsquo소개나 추천rsquo을 lsquo네트워크 경로 이직rsquo으로 구분한다 이 분류

에 따르면 15705명의 최종샘 에서 이직자로 악된 1560명 1438명의 체 인 구직경로 구

분이 가능하다 이 999명이 네트워크 경로 이직자로 439명이 비네트워크 경로 이직자로 분류

된다 한 앞서 PS가 추정된 12754명 에는 1391명이 이직자인데 그 891명은 네트워크 경

로 이직자로 387명은 비네트워크 경로 이직자로 분류된다

1 이직을 통한 개인만족도의 변화

아래 세 개의 도표 lt표 9gt lt표 10gt lt표 11gt은 이직을 통하여 개인의 만족도가 개선되는지의

여부를 PSM을 통하여 검증한 것이다 각각의 만족도지수(직장만족도 직무만족도 일자리만족도)에 하여 세 가지 방식의 PSM 추정치(Five Nearest Neighbors Radius Matching Kernel Matching)를

제시하고 있다앞서 lt표 7gt의 단순비교에서는 이직자와 비이직자의 연간 만족도변화가 100 만 에서

4058 (직장만족도) 3389 (직무만족도) 2662 (일자리만족도)만큼 차이가 나는 것으로 집계

되었다 그러나 PSM 방식으로 재추정된 이직의 만족도 개선효과는 각각 약 250 (직장) 216(직무) 155 (일자리)으로 나타났다24) 종합하면 단순비교 방식(표 7)은 PSM 활용방식(표 9

표 10 표 11)에 비해 이직의 만족도 개선효과를 약 1~15 만큼 과 추정하고 있음을 확인할 수

있다 이러한 상이 나타난 이유는 실제 이직한 이들이 그 지 않은 이들에 비해 기존 직장에서

의 만족도가 상 으로 낮았다는 데 있다 를 들어 주어진 최종샘 에서 이직자들의 기존 직장

에서의 직장만족도는 평균 5071 을 보이는 반면 같은 시기 비이직자들의 평균 직장만족도는 이

보다 무려 7 가까이 높은 5724 으로 나타났다 따라서 단순비교 방식에서는 이직을 통한 만족

도 개선효과가 다소 과장되어 추산되기 마련이다 이들 이직한 이들이 만약 기존 직장에 그 로 남아 있었다면 (이들의 만족도가 상 으로 낮

은 수 이므로) 다른 이들에 비해 보다 높은 수 의 만족도 개선을 한 해 사이에 경험하 을 것이

다 실제로 체 비이직자들의 연간 만족도의 변화가 각기 -0334 (직장) -0428(직무) 0282 (일자리)에 그치는 데 반해 실험군(이직자 집단)의 Counterfactual 즉 PS를 사용하여 실험군 개체에 매

칭된 (비이직자 집단 내) 조군 개체들의 만족도 변화는 각기 113 (직장) 066 (직무) 133 (일자리)에 이르 다(각 표의 lsquo매칭된 조군 변화(B)rsquo 항목 참조) 실험군 Counterfactual에서의 만족도

개선폭이 여타 비이직자들의 연간 만족도 개선폭보다 략 1 이상 높게 나타나는 것이다 이상

의 선택편의(Selection Bias) 문제가 히 통제될 때 이직의 순효과가 바르게 추정될 수 있다 앞서 시한 PSM 방식으로 추정된 이직의 만족도 개선효과는 이러한 선택편의 문제를

Counterfactual Framework으로 극복한 추정 결과라 할 수 있다 그럼 네트워크 경로 이직과 비네트워크 경로 이직 사이에 뚜렷한 차이가 존재하는지 살펴보도

록 하자 표에서 확인할 수 있듯이 두 경우 모두 이직의 만족도 개선효과가 통계 으로 유의한 수

에서 명확히 확인된다 네트워크 경로의 이직에서는 만족도 개선의 효과가 각기 220 (직장) 158 (직무) 117 (일자리)으로 확인되었고 비네트워크 경로의 이직에서는 각기 263 (직장) 284 (직무) 207 (일자리)으로 확인되었다 흥미로운 부분은 비네트워크 경로의 이직에서 이직

을 통한 만족도 개선의 효과가 소폭 높게 나타난 이다 이는 비네트워크 이직 사례들이 상당수

의 lsquo공개채용rsquo 입사자를 포함하기 때문에 나타난 상으로 보인다 lsquo공개채용rsquo은 주로 종업원 300인 이상의 규모가 큰 기업에서 집 으로 활용되고 있다25) 이들 큰 기업에 lsquo공개채용rsquo으로 입사

한 이들은 그 직장에 비해 주 인 만족도가 크게 향상되었을 것이다 이러한 lsquo공개채용rsquo 사례들이 비네트워크 이직의 만족도 개선효과를 다소 증폭시키는 역할을 하 을 것으로 추정된다

반면 비네트워크 이직을 통한 만족도 개선이 네트워크 이직에 비해 다소 크다고 하여 이것이

24) 이는 분석에 사용된 세 가지 방식의 PSM 추정치들을 산술평균하여 정리한 수치들임 25) 이 부분에 한 구체 인 설명은 발간 정인 한국개발연구원 정책연구시리즈 lsquo인 네트워크(개인의 사회 자본)

의 노동시장 효과 분석rsquo을 참조하기 바란다 ( 자에게 요청시 수령가능함)

이직과정에서의 인 네트워크 요성은 인정되지 않는다는 식으로 해석될 수 없음을 유념하여야

한다 국내 이직과정에서의 인 네트워크 의존도는 해외 주요국에 비해 상당히 높은 수 이다 략 65 안 의 경력직 취업자들이 인 네트워크를 활용하여 구직에 성공하 다고 추정되고 있

다26) 만약 재 이직을 고려하고 있는 국내 한 근로자가 구직활동에서 인 네트워크 활용을 포기

한다면 이 근로자의 이직 성공 가능성은 매우 낮아질 것이다 즉 개인의 이직 성공률을 높이기

해서는 평소에 꾸 한 구직 네트워크 리가 요청된다 할 수 있다 특히 이직수요라는 것은 많은

경우 자신의 의도와는 다르게 외부 충격으로 인해 발생한다 회사의 경제 환경이 변화하기도

하지만 자신의 심사가 바 기도 하고 가족의 갖가지 필요에 의해 이직이 요구되기도 한다 즉 언제 발생할지 모르는 이직수요에 히 응하기 해서는 이직의 주요한 통로라 할 수 있는 인

네트워크에 한 상시 리가 요청되는 것이다 따라서 이직을 고려한 인 네트워크의 상시

리 이를 한 개인의 갖가지 비용 지출은 향후 발생 가능한 험에 처하기 하여 자동

차나 암 보험을 구매하는 것과 같이 기꺼이 지불해야 할 미래에 한 투자라 할 수 있다

26) 역시 한국개발연구원 정책연구시리즈 lsquo인 네트워크(개인의 사회 자본)의 노동시장 효과 분석rsquo을 참조하기 바

란다

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1371) 3662 1201 2460 403

조군(11274) (0610)

Radius Matching 실험군(1362) 3543 1009 2534 436

조군(11274) (0581)

Kernel Matching(Normal) 실험군(1372) 3659 1165 2494 434

조군(11274) (0564)

체 이직효과 평균 362 113 250

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 3309 1169 2140 293

조군(11274) (0730)

Radius Matching 실험군(879) 3231 0939 2292 331

조군(11274) (0693)

Kernel Matching(Normal) 실험군(881) 3309 1146 2162 315

조군(11274) (0686)

네트워크 이직효과 평균 328 108 220

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(380) 4224 1525 2699 224

조군(11274) (1206)

Radius Matching 실험군(373) 3981 1438 2543 217

조군(11274) (1171)

Kernel Matching(Normal) 실험군(381) 4213 1565 2647 230

조군(11274) (1149)

비네트워크 이직효과 평균 414 151 263

lt표 9gt 이직을 통한 직장만족도 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1377) 2850 0701 2149 363

조군(11285) (0592)

Radius Matching 실험군(1368) 2767 0626 2140 381

조군(11285) (0562)

Kernel Matching(Normal) 실험군(1378) 2852 0648 2204 398

조군(11285) (0554)

체 이직효과 평균 282 066 216

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(884) 2302 0808 1494 211

조군(11285) (0707)

Radius Matching 실험군(882) 2256 0658 1598 238

조군(11285) (0670)

Kernel Matching(Normal) 실험군(884) 2302 0654 1648 249

조군(11285) (0661)

네트워크 이직효과 평균 229 071 158

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 3648 0577 3072 269

조군(11285) (1142)

Radius Matching 실험군(374) 3463 0774 2688 245

조군(11285) (1098)

Kernel Matching(Normal) 실험군(382) 3652 0888 2764 257

조군(11285) (1077)

비네트워크 이직효과 평균 359 075 284

lt표 10gt 이직을 통한 직무만족도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1375) 2909 1571 1338 217

조군(11261) (0617)

Radius Matching 실험군(1366) 2818 1276 1543 262

조군(11261) (0588)

Kernel Matching(Normal) 실험군(1376) 2907 1147 1760 303

조군(11261) (0581)

체 이직효과 평균 288 133 155

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(882) 2523 1626 0897 121

조군(11261) (0742)

Radius Matching 실험군(880) 2472 1246 1225 173

조군(11261) (0707)

Kernel Matching(Normal) 실험군(882) 2523 1139 1383 198

조군(11261) (1697)

네트워크 이직효과 평균 251 134 117

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 3609 1499 2110 176

조군(11261) (1196)

Radius Matching 실험군(374) 3409 1530 1879 163

조군(11261) (1151)

Kernel Matching(Normal) 실험군(382) 3599 1365 2235 197

조군(11261) (1133)

비네트워크 이직효과 평균 354 146 207

lt표 11gt 이직을 통한 일자리만족도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이 를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

2 이직을 통한 배치효율성의 변화

다음은 이직의 다른 측면인 일자리 재배치의 문제에 해 살펴보고자 한다 이직은 각 개인

에 있어서는 직장생활의 변화라 할 수 있지만 기업의 입장에서는 노동인력의 교환에 해당한다 따라서 이직을 통한 노동인력의 재배치가 과연 사회 반의 경제 이익을 창출하고 있는지를 따

져 볼 필요가 있다 앞서 lt표 7gt에서 기술수 교육수 교육기술복합지수 이 세 가지 합도에 해 이직자

비이직자 집단 내의 연간 변화를 정리한 바 있다 여기서 비이직자의 경우 각 지수에서 연간 합

도가 소폭 하락한 것으로 나타났고 이직자의 경우 합도가 크게 상승한 것으로 나타났다 비이

직자는 기술수 의 합도에서 0058 이 교육수 의 합도에서 0142 이 그리고 교육기술수

의 복합지수에서는 0091 이 하락한 데 반해 이직자들은 각기 2350 (기술) 2556 (교육) 2422(복합지수)의 합도 상승이 발견되었다 비이직자들의 합도 하락은 기술이나 경제환경의 변

화와 한 련이 있다 경쟁력 있는 기술 이에 한 사회 수요가 시간에 따라 변화하므로 직장에서의 자신의 기술 혹은 교육수 은 (평균 으로 보아) 이 보다 합성이 다소 떨어지게

마련이다 반면 이직자들의 합도 상승이 과연 이직의 순효과인지에 해서는 여 히 의문의 여

지가 크다 이직을 결행한 이들은 이 직장에서의 직무 련 합도가 평균 으로 크게 떨어지는

이들이다 를 들어 최종샘 에서 이직을 하지 않은 이들의 한 해 기술 합도는 평균 9066인 데 반해 이직을 결행한 이들의 한 해 (이 직장에서의) 기술 합도는 평균 8547 에 머무

는 것으로 나타났다 이들은 애 에 워낙 합도가 떨어지기 때문에 굳이 이직을 택하지 않더라

도 직무재배치나 직장 내 부서이동 등을 통하여 1년 사이에 상당한 정도의 합도 개선을 이루었

을 것으로 상된다따라서 이직을 통한 배치효율성의 개선효과 즉 반 인 근로자의 직무 련 합도 상승효

과를 명확히 규명하기 해서는 이직한 이들이 이직을 하지 아니하 을 때에 상되는 합도의

개선을 우선 추정해 볼 필요가 있다 이것은 앞서 설명하 듯이 Counterfactual의 추정을 통해서만

이 가능하다 lt표 12gt lt표 13gt lt표 14gt는 PSM을 이용하여 비이직자들의 정보로부터 이직자들의

Counterfactual을 추정한 뒤 이를 보고하고 있다 세 방식(Five Nearest Neighbors Radius Matching Kernel Matching)의 추정치를 산술평균하면 기술 합도에서는 088 교육 합도에서는 057 교육

기술복합지수에서는 075 의 상승이 확인되었다(각 표의 lsquo매칭된 조군 변화(B)rsquo 항목을 참조) 이를 실험군 즉 실제 이직자들의 합도 상승(각 표의 lsquo실험군 변화(A)rsquo 항목)과 비교하면 순이직

효과는 각기 131 (기술) 183 (교육) 140 (복합지수)에 이르는 것으로 결론지을 수 있다 반

면 교육과 복합지수에서는 이들 순이직효과가 통계 으로 유의하게 나타났으나 기술수 의

합도에서는 이 효과가 통계 으로 뚜렷하지 않았다 10의 유의도에서 검증할 때 Kernel Matching을 제외한 나머지 두 개의 PSM 매칭에서 통계 유의성을 확보할 수 없었다 이에 이직

을 통한 교육수 의 합도 개선효과는 분명한 반면 기술수 의 합도 개선은 통계 으로 입증

되지 않는다고 결론지을 수 있다 교육기술복합지수의 경우 이 두 가지 효과가 첩되어 나타난

것으로 교육수 의 합도 개선이 워낙 뚜렷하기 때문에 통계 으로 유의한 지수상승이 나타난

것으로 단된다 이상과 같이 이직을 통해 교육수 합도의 개선이 보다 효과 으로 이루어지

는 것은 채용과정에서 후보자의 교육수 이 기술수 에 비해 객 인 자료를 이용하여 검증하

기가 보다 용이하기 때문인 것으로 보인다

그럼 이직을 통한 배치효율성 개선 측면에서 인 네트워크의 역할을 살펴보도록 하자 네트

워크 경로 이직과 비네트워크 경로 이직으로 나 어 이직효과를 각기 추정해 보면 둘 사이에 의

외의 뚜렷한 차이가 존재함을 확인할 수 있다 네트워크 경로의 이직인 경우 이직을 통한 합도

개선효과가 통계 으로 유의한 수 에서 매우 높게 나타난다 이직의 순효과는 각기 213 (기술) 252 (교육) 126 (복합지수)에 이른다 반면 비네트워크 경로의 이직인 경우 이 효과는 모두 사

라져 버린다 즉 이직효과는 기술 합도 교육 합도 교육기술복합지수 모두에서 양과 음을 반복

하고 통계 유의성도 확보되지 않는다 즉 비네트워크 경로를 통한 이직에서는 일자리 재

배치를 통한 사회 반의 경제 이득을 기 할 수 없는 것이다 앞서 교육 합도 개선에 있어 이

직의 반 인 효과가 통계 으로 강하게 나타났는데 이 효과의 부분은 비네트워크 경로 이직

보다는 네트워크 경로 이직으로부터 창출된 것임을 짐작할 수 있다 특히 기술 합도를 보면 이직자들의 합도 개선은 네트워크와 비네트워크 이직 사이에 뚜렷

한 차이를 보이는데 네트워크 이직자들의 합도 개선은 평균 292 인 데 반해 비네트워크 이직

자들의 합도 개선은 평균 048 에 그친다 인 네트워크를 활용하지 않고 이직을 하 을 경우 이직을 하 음에도 불구하고 기술 합도의 개선은 평균 으로 거의 기 되지 않는 것이다 이는

앞서 주 만족도의 개선효과와 비교하여 매우 상반된 결과에 해당한다 이직을 통한 주 만

족도의 개선에서는 네트워크와 비네트워크 이직 모두 그 효과가 분명하 으며 특히 비네트워크

이직자들의 주 만족도 개선폭은 3 내지 4 에 이르 다 이는 네트워크 이직자들의 만족

도 개선폭에 비해서도 1 가량 높은 수치 다 따라서 이직이 반 으로 개인의 주 만족도

를 개선하는 효과가 있으나 배치효율성의 개선 측면에서는 오직 인 네트워크에 의존한 이직만

이 재배치의 분명한 경제 효과를 평균 으로 창출한다고 결론지을 수 있다 이러한 네트워크와 비네트워크 사이의 뚜렷한 이직효과의 차이는 네트워크가 지닌 정보 달

기능에 기인한 것으로 단된다 인 네트워크는 구인자와 구직자 사이에 훌륭한 정보 달 기능

을 수행하고 있다 구직자에게는 어떠한 일자리가 구직자의 기술능력 혹은 교육수 에 비추어

합한지에 한 정보를 제공하고 구인자에게는 구인자가 필요로 하는 합한 기술의 소유자가

구인지에 한 정보를 제공하는 것이다 이는 평소에 구인자와 구직자 모두를 아우르는 간 매개

로서의 인 네트워크가 있었기에 가능한 것이다 반면 비네트워크에서는 이러한 효과를 기 하

기 힘들다 비네트워크 채용에서는 주어진 서류와 단시간의 인터뷰 혹은 직무능력 테스트만을 가

지고 합한 인력을 선발하여야 한다 lsquo공개채용rsquo의 경우 많은 지원자들의 경쟁을 거치므로 상으로 보다 합한 후보자를 선별할 수 있을 것이다 그러나 lsquo직 찾아가서rsquo 형태의 입사에서는

이러한 경쟁의 과정 역시 생략되므로 높은 합도를 지닌 후보의 채용은 더욱 기 하기 힘들다 정리하자면 인 네트워크는 국내 노동시장에서 일자리와 일자리 후보 사이의 활발한 정보 달

기능을 수행함으로써 노동시장의 효율 작동을 돕고 있는 것이다 끝으로 이러한 네트워크 이직의 배치효율성이 모든 이직 사례에 일 으로 용되는 것이

아님을 주지할 필요가 있다 인 네트워크가 구인과 구직 사이의 lsquo연결(Networking)rsquo 기능을 수행

할 때 이상의 정 인 효과를 기 할 수 있을 것이나 이 둘 사이의 lsquo연 rsquo로서 기능할 때는 오히

려 역효과를 래할 수 있다 즉 인 네트워크를 통하여 합하지 않은 지원자를 연 로 채용시

키는 경우 해당 일자리에 한 매치 합성은 네트워크 이직으로 인해 오히려 감퇴할 수 있다 우리는 이상의 분석을 통하여 국내 노동시장에서 네트워크 이직의 반 인 교육 기술 수

합도 개선효과를 확인한 바 있다 이는 국내 노동시장의 고용 로세스에서 lsquo연 rsquo의 부정 효과

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1374) 2220 1095 1124 121

조군(11245) (0929)

Radius Matching 실험군(1365) 2088 0735 1353 155

조군(11245) (0874)

Kernel Matching(Normal) 실험군(1375) 2255 0795 1460 168

조군(11245) (0869)

체 이직효과 평균 219 088 131

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 2951 0919 2032 181

조군(11245) (1125)

Radius Matching 실험군(879) 2844 0746 2098 198

조군(11245) (1057)

Kernel Matching(Normal) 실험군(881) 2951 0702 2250 214

조군(11245) (1049)

네트워크 이직효과 평균 292 079 213

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 0525 2297 -1772 -096

조군(11245) (1840)

Radius Matching 실험군(374) 0267 0868 -0600 -034

조군(11245) (1753)

Kernel Matching(Normal) 실험군(382) 0654 1297 -0642 -037

조군(11245) (1746)

비네트워크 이직효과 평균 048 149 -100

보다는 구인구직 간 lsquo연결rsquo이라는 네트워크의 정 효과가 보다 강하게 작동하고 있음을 시사

한다

lt표 12gt 이직을 통한 기술적합도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1380) 2428 0630 1797 193

조군(11300) (0931)

Radius Matching 실험군(1371) 2298 0496 1802 207

조군(11300) (0872)

Kernel Matching(Normal) 실험군(1381) 2462 0586 1876 216

조군(11300) (0869)

체 이직효과 평균 240 057 183

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(886) 3047 0342 2705 245

조군(11300) (1106)

Radius Matching 실험군(884) 2885 0528 2357 227

조군(11300) (1037)

Kernel Matching(Normal) 실험군(886) 3047 0551 2496 243

조군(11300) (1029)

네트워크 이직효과 평균 299 047 252

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(382) 1702 2007 -0305 -016

조군(11300) (1891)

Radius Matching 실험군(375) 1600 0559 1041 058

조군(11300) (1788)

Kernel Matching(Normal) 실험군(383) 1828 0910 0917 051

조군(11300) (1793)

비네트워크 이직효과 평균 171 116 055

lt표 13gt 이직을 통한 교육적합도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1374) 2293 0893 1399 155

조군(11245) (0904)

Radius Matching 실험군(1365) 2161 0641 1520 179

조군(11245) (0850)

Kernel Matching(Normal) 실험군(1375) 2327 0711 1616 191

조군(11245) (0847)

체 이직효과 평균 226 075 140

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 2951 0643 2308 212

조군(11245) (1087)

Radius Matching 실험군(879) 2816 0662 2154 211

조군(11245) (1021)

Kernel Matching(Normal) 실험군(881) 2951 0645 2306 228

조군(11245) (1014)

네트워크 이직효과 평균 291 065 226

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 1115 2233 -1118 -062

조군(11245) (1816)

Radius Matching 실험군(374) 0936 0749 0187 011

조군(11245) (1727)

Kernel Matching(Normal) 실험군(382) 1243 1131 0112 007

조군(11245) (1726)

비네트워크 이직효과 평균 110 137 -027

lt표 14gt 이직을 통한 교육기술복합지수의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

3 이직을 통한 임금수준의 변화

다음은 이직을 통한 임 수 의 변화가 실재하는지 검토하고자 한다 네트워크 이직과 비네트

워크 이직을 나 어 볼 때 앞서 우리는 네트워크 이직이 일자리 매치 합도를 히 개선한다

고 밝힌 바 있다 임 이 근로자의 생산성 기여분을 그 로 반 한다고 한다면 네트워크 이직에

따른 매치 합도의 개선은 근로자의 임 상승으로 이어져야 할 것이다 앞서 lt표 7gt의 단순비교에서 이직자들의 연간 임 상승분이 평균 9088만원 비이직자들의 연

간 임 상승분은 2782만원으로 집계된 바 있다 둘 사이의 격차가 6307만원에 이른다 한 해 사

이에 이직한 이들의 연간 임 상승폭이 직장을 그 로 유지한 이들의 연간 임 상승폭 보다

히 높은 수 인 것이다 하지만 이러한 단순비교는 선택편의(Selectoin Bias) 문제를 역시 고려하지

않고 있으므로 이직의 직 인 임 상승효과라 볼 수는 없다 즉 실제로 이직을 결행한 이들의

이직 임 수 은 같은 시기 직장을 그 로 유지한 이들에 비해 상 으로 낮은 수 일 가능

성이 높다 이들이 직장을 그 로 유지하 다면 다른 이들에 비해 히 높은 수 의 임

상승을 경험하 을 것이다 실제 이직한 이들이 만약 이직을 하지 않고 직장을 그 로 유지하

을 때 상되는 임 상승분 즉 이직자 임 상승분의 Counterfactual을 PSM 방식을 활용하여 추

정한 수치가 lt표 15gt의 lsquo 조군 변화(B)rsquo에 요약되어 있다 이에 따르면 실제 이직자들이 이직을

하지 않았을 때 기 할 수 있는 임 상승분은 략 5만원 정도에 이르는 것으로 나타난다 따라

서 이직에 따른 임 상승의 순효과는 앞서 제시한 6307만원이 아닌 이보다 상당히 축소된 386만원이다 이는 lt표 15gt에 정리된 바와 같이 PSM을 활용한 세 가지 추정치의 산술평균으로 추산

된 값이다 한 이러한 이직의 임 상승효과는 통계 으로도 유의한 것으로 확인되었다 반면 네트워크 경로 이직자와 비네트워크 경로 이직자의 임 상승분을 비교해 보면 둘 사이

에 상당한 격차가 존재함을 쉽게 확인할 수 있다 네트워크 이직자들의 이직을 통한 임 상승효과

는 통계 으로 유의한 수 에서 략 384만원으로 추정되는 반면 비네트워크 이직자들의 임

효과는 -077만원이고 이는 통계 으로도 유의하지 않다 즉 네트워크를 활용하여 이직하 을

때 뚜렷한 임 상승이 기 되는 반면 인 네트워크를 활용하지 않고 이직하 을 때는 이 효과

를 확신할 수 없을 뿐더러 다소 하락할 가능성도 있는 것이다 따라서 앞서 확인된 이직을 통한

반 인 임 상승의 효과는 네트워크 이직을 통해 창출된 효과이며 비네트워크 이직을 통한

기여는 뚜렷하지 않은 것으로 결론지을 수 있다이직은 새로운 일자리에 자신의 기술 직무 능력을 응시키는 과정이다 따라서 임 상승

효과가 이직 기에 항상 담보되지는 않을 것이다 반면 인 네트워크를 활용하 을 때 자신에

게 보다 합한 일자리에 배치됨으로써 즉 자신의 능력과 잠재력을 보다 잘 발휘할 수 있는 직무

에 재배치됨으로써 이상의 추가 인 임 상승을 기 할 수 있는 것이다 이는 앞서 이직을 통한

배치효율성 검증에서 확인되었던 네트워크 이직의 기술수 (혹은 교육수 ) 합도 상승효과와

일맥상통하는 결과이다 인 네트워크를 활용한 이직은 임 근로자를 보다 합한 일자리에 재

배치하는 데 일조하고 이것이 생산성에의 보다 높은 기여를 창출함으로써 이직자들의 추가 인

임 상승으로 이어지는 것이다물론 이러한 해석은 평균 인 추세를 반 한 것임에 유념할 필요가 있다 네트워크 이직의 사례

에는 앞서 말한 생산 인 lsquo연결rsquo 효과가 아닌 비생산 인 lsquo연 rsquo 효과 혹은 정실인사(Nepotism)가

작동한 경우들도 상당할 것이다 이 경우 생산성에의 기여가 충분하지 않음에도 불구하고 기술이

나 능력에 비해 임 을 후하게 설정할 가능성이 높다 이러한 lsquo연 rsquo형 이직을 통한 임 상승 역

시 네트워크 이직의 임 상승효과라 볼 수는 있겠으나 이것이 일자리 배치효율성의 개선을 반

한다고 볼 수는 없는 것이다 따라서 앞서 추정한 네트워크 이직의 임 상승효과 384만원이

으로 일자리 매치 합도 개선효과에서 기인한다고 단정 지을 순 없다 한 비네트워크 이직 역

시 평균 으로 임 상승의 효과가 포착되지 않은 것일 뿐 비네트워크 이직의 표본 에는 실제로

임 이 크게 상승한 사례들도 상당히 존재할 수 있다 를 들어 lsquo공개채용rsquo 방식의 입사인 경우 경합자들에 비해 채용 합격자의 해당 일자리 합성이 보다 우수하다고 단되어 채용된 사례가

많을 것이다 이 게 경쟁을 거쳐 채용된 이들은 이 에 비해 상당히 높은 수 의 임 상승을 기

할 수 있다 반면 비네트워크 이직에서 반 인 임 상승의 효과가 포착되지 않는 것은 비네트워크 이직

이 격한 주 만족도의 개선을 이끌었던 것과 비교하여 매우 조 인 상이다 많은 이들의

상식과는 달리 이직의 결정은 임 만족도 수 과 직결되어 있지 않다 앞서 제4 에서 우리는 이

직의 향요인들을 분석해 본 바 있다 이직의 결정이 업무만족도 복지후생만족도 취업 안정성에

한 만족도 등 다양한 요소에 민감하게 반응하는 반면 임 에 한 만족도와는 통계 으로 유의

한 수 에서의 연 성이 포착되지 않았다 개인의 이직 결정은 임 이외에 다양한 요소들을 종합

으로 고려한 단 결과라 할 수 있다 체로 이직은 다양한 방면에서 개인의 주 만족도를

격하게 향상시킨다 반면 자신의 기술(교육)수 과 일자리의 매치 합성의 문제는 이직자들에

게는 부차 인 고려 상에 해당한다 임 수 의 개선 역시 이직 시 고려되는 한 요소이겠으나 인 요소는 아니고 다양한 향요인 의 하나로 볼 수 있는 것이다 이러한 에서 비네트워

크 이직이 다소 상반된 효과(즉 주 만족도의 한 개선효과와 미미한 수 의 임 개선효

과)를 동시에 보여주고 있는 것은 일견 자연스러운 상이다

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1375) 8887 5274 3613 184

조군(11340) (1962)

Radius Matching 실험군(1366) 8842 4813 4029 208

조군(11340) (1936)

Kernel Matching(Normal) 실험군(1376) 8861 4916 3945 206

조군(11340) (1880)

체 이직효과 평균 886 500 386

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(882) 8943 5519 3423 150

조군(11340) (2285)

Radius Matching 실험군(880) 8827 4855 3972 178

조군(11340) (2231)

Kernel Matching(Normal) 실험군(882) 8943 4819 4124 186

조군(11340) (2217)

네트워크 이직효과 평균 890 506 384

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 4772 5672 -0900 -024

조군(11340) (3685)

Radius Matching 실험군(374) 4805 5201 -0396 -011

조군(11340) (3661)

Kernel Matching(Normal) 실험군(382) 4691 5716 -1025 -028

조군(11340) (3601)

비네트워크 이직효과 평균 476 553 -077

lt표 15gt 이직을 통한 임금수준의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

VIII 구직 네트워크의 사회적 자본 추정

근로자 개인의 측면에서 구직 네트워크의 가치를 추정해 보자 앞서 네트워크 이직을 통한 임

상승효과를 3840만원으로 추정하 다 이는 2008년 기 액이다 연간 물가상승률을 감안하

면27) 2010년 재가로 4074만원에 해당한다 평소에 구직 네트워크를 히 리하여 이직에서

이를 활용한다면 한 번의 이직으로 4만원 안 의 추가 인 임 상승을 기 할 수 있는 것이다 연으로는 489만원 가량의 임 이 이직 이후 매년 추가 으로 지 되는 것으로 해석될 수 있다28)

한편 이직이라는 것은 근로자의 생애를 걸쳐 발생하는 사건이다 임 근로자를 심으로 한

재의 최종샘 에서 연간 일자리 이동비율은 평균 993에 이른다 직종 업종에 따라 혹은 재

직 회사의 규모에 따라 이직률에는 상당한 차이가 있겠으나 체 임 근로자를 상으로 하 을

때 략 10년에 한 번 정도의 이직이 상되는 것이다 임 근로자의 생애를 걸쳐 살펴보면

이직은 주로 직장생활 후기보다는 기에 집 되어 있다 [그림 5]는 최종샘 15705명 임 근로

자를 상으로 한 각 연령별 이직률 추이를 나타낸다 생애 이직률은 20 후반에 가장 높고 30 반에 주춤하다가 30 후반에 다시 상승하고 40 이후에 하강하는 추세임을 확인할 수

있다

[그림 5] 연령별 이직률(26세부터 59세까지)

(단 )

0

2

4

6

8

10

12

14

16

18

26 28 30 32 34 36 38 40 42 44 46 48 50 52 54 56 58

연령(만)

자료 노동패 5차부터 10차까지

이를 활용하면 임 근로자 한 사람이 평생에 걸쳐 기 할 수 있는 이직의 임 상승효과를 추

정해 볼 수 있다 첫 취업의 평균연령이 265세임을 고려하여 표 인 임 근로자(A Representative Worker)가 26세부터 60세까지 노동시장에 참여한다고 가정해 보자 인 네트워크

27) 여기에 연평균 물가상승률 3를 용하 다 실제 임 상승률도 2009년의 임 이 융 기 여 로 거의 동결이었

음을 고려할 때 2년간 략 6에 해당한다 28) 여기서는 네트워크 이직의 임 리미엄(연 489만원 상승)이 이직 후 매년 지속된다고 가정하고 있다 실제로

리미엄이 상당 기간 지속되는지 아니면 이직 후 빠르게 축소되는지에 한 국내 실증분석은 향후 과제로 남겨져

있다

를 활용한 이직만이 평균 인 임 상승효과를 가져온다는 을 고려할 때 구직 네트워크의 생애

가치()는 다음과 같이 요약된다29)

times timestimestimes (11)

여기서 는 연령 에서의 상 이직률(Job Transfer Rate)을 나타낸다 은 이직 시 인 네

트워크에 한 의존도 수 이다 는 네트워크 이직에 따른 월평균 임 상승의 효과이다 여기

에 [그림 5]에 요약된 이직률의 생애 추이를 에 입하자 여기서 경력직 이직자의 인 네트

워크 의존도가 60 반(plusmn5 이내)으로 추산된 을 고려하여 에 64를 입하도록 하자30) 그리고 에 앞서 추정한 네트워크 이직의 임 상승효과 4074만원(2010년 기 )을 입하면 구직 네트워크의 생애 가치()는 18720만원으로 집계된다 만약 에 이직률의 생애 추

이 신 최종샘 에서 구한 평균이직률 993를 연령 에 걸쳐 일률 으로 사용한다면 이와

유사한 수치인 18486만원을 얻을 수 있다 따라서 한국사회 임 근로자 한 사람의 구직 네트워크

가치는 보상 측면에서 략 일천 1870만원 수 인 것으로 결론지을 수 있다 물론 이 수치는 이직을 통한 이득만을 반 하고 있을 뿐 주 만족도의 개선효과는

반 하고 있지 않다 앞서 우리는 일자리 이동을 통해 창출되는 개인의 만족도 변화를 직장만족

도 직무만족도 일자리만족도 이 세 가지 측면에서 고려해 보았다 네트워크 이직과 비네트워크

이직 모두 만족도의 개선효과를 보 다 그러나 국내 노동시장에서 이직의 약 60 이상이 인

네트워크에 의존하고 있음을 고려할 때 임 근로자 한 개인이 구직 네트워크를 리하지 않는다

면 그의 이직률은 에서 60 이상 추락할 것이다 이를 고려하여 구직 네트워크의 생애 만족

도 개선효과()를 다음과 같이 요약할 수 있다31)

timestimestimestimes (12)

여기서 는 네트워크 이직을 통한 주 만족도의 개선폭을 나타낸다 앞서 네트워크 이직

이 창출하는 주 만족도의 개선효과가 100만 에서 220 (직장만족도) 158 (직무만족도) 117 (일자리만족도) 정도임을 확인하 다 이 세 수치의 평균치가 네트워크 이직의 만족도 개선

효과를 히 변하고 있다고 한다면 의 략 인 추정치는 165 이 된다 이를 입하면

구직 네트워크의 만족도 개선효과는 략 7582 으로 추산된다 만족도 1 을 으로 환산하

여 만원에 해당한다고 표시하면 구직 네트워크의 임 근로자 일인당 생애가치()는 임

상승효과()와 만족도 개선효과()의 합으로써 다음과 같이 요약된다

equiv (=18720+7582) (13)

구직 네트워크의 가치 (18720+7582n)만원이 함의하는 바를 명확히 규정하기는 쉽지 않다 특히 개인마다 일자리에서 얻는 주 만족도를 가치로 환산하는 방식이 다를 것이다 를 들

29) 구직 네트워크의 재 가치를 추산하기 해서는 시간할인률을 용할 필요가 있으나 여기서는 이를 생략하 다 시간할인률이 용된 추정치는 재 계산된 값보다 다소 하락할 것이다

30) 이에 한 보다 구체 인 설명은 본 논문의 보다 상세한 내용이 실린 한국개발연구원 정책연구시리즈로 출간 정

인 lsquo인 네트워크(개인의 사회 자본)의 노동시장 효과 분석rsquo 보고서를 참조 바란다 31) 앞서와 마찬가지로 구직 네트워크의 재 가치를 추산하기 해서는 시간할인률을 용할 필요가 있으나 여기서는

이를 생략하 다 시간할인률이 용된 추정치는 재 계산된 값보다 다소 하락할 것이다

어 어떤 이들에게는 이득만이 요하고 주 만족도는 경시될 수 있다 이들에게 n은

lsquo0rsquo에 가까운 것이다 반면 다른 이들에게는 일자리에서 얻는 주 만족도가 임 소득보다

몇 배 이상 요할 수 있다 이들에게 n은 1보다 큰 양수가 될 것이다 구직 네트워크의 가치를 수

치로 악해 보고자 n=1인 근로자를 상정해 보자32) 이 사람에게 만족도 1 은 1만원만큼의

효용을 창출한다 이 근로자에게 구직 네트워크의 종합 가치는 26302만원에 이른다고 평가할

수 있다 이러한 구직 네트워크의 종합 가치를 개인의 물 혹은 인 자본과 별하여 근로자

개인의 구직 네트워크 사회 자본이라 명할 수 있다추정한 구직 네트워크의 가치인 (18720+7582n)만원은 한국사회의 임 근로자 각 개인이 구직

네트워크의 유지 리를 하여 기꺼이 지불할 용의가 있는 비용을 나타낸다 만족도 1 이 1만원의 효용이 있다면 즉 n=1이라면 이는 1224개월치 월 ( 략 일년치 연 )에 해당한다33) 이는 결코 작지 않은 액수이다 한국사회의 구성원들은 다양한 방식으로 네트워크를 리하고 있다 동창회 동호회 업계 계자와의 술자리 각종 경조사 참여 Social Network Service(SNS) 활동 등

이 이에 해당한다 이들 활동은 그 자체로서 정서 효용을 창출하지만 생 인 경제 이득

한 간과할 수 없다 이는 업무에 필요한 유용한 정보의 획득이나 업거래망의 확장이기도 하고 구직 네트워크의 변 확 자기 PR(Public Relations)이기도 하다 네트워크의 리는 그에 상

응하는 비용을 수반한다 이는 만남에 따른 지출에서부터 시간사용까지를 포함한다 구직

네트워크의 효과성 측면에서 보았을 때 한국사회 근로자 개인은 상당한 비용( 를 들어 n=1인 경

우 략 일년치 연 에 해당하는 비용)을 구직 네트워크의 유지 리를 하여 생애를 거

쳐 기꺼이 지불할 용의가 있다고 볼 수 있는 것이다

IX 결론

이제까지 우리는 국내 고용시장에서의 인 네트워크 활용의 효과성을 다각 인 측면에서 살

펴보았다 인 네트워크를 활용한 이직의 직장생활만족도 개선효과는 100 만 에 약 165 34)

에 달하는 것으로 확인되었으며 직무 합도 개선효과는 100 만 에 약 197 35)에 이르는 것으

로 나타났다 한 인 네트워크를 활용한 이직은 임 상승을 동반하는데 그 규모는 월평균 임

으로 4074만원(2010년 기 )인 것으로 확인되었다 반면 인 네트워크를 활용하지 않은 이직

에서도 직장생활만족도의 개선효과가 일부 포착되었으나 일자리 합도에 한 개선이나 임 상

승효과는 확인되지 않았다 즉 구인자와 구직자를 연결시켜주는 인 네트워크의 효율 인 정보

달 기능이 확인된 것이다 이를 통해 임 근로자 개인의 구직 네트워크의 가치 즉 lsquo네트워크 사

회 자본rsquo을 추정해 보면 구직 네트워크의 생애 가치는 18720만원으로 집계되었으며 여기에 주 만족도에 한 보상 측면까지 고려하면 만족도 1 의 가치를 만원으로 환산

할 때 략 (18720+7582)만원에 이르는 것으로 집계되었다

32) 실제로 일반 인 수 에서 n은 1보다 상당히 클 것으로 상된다 주어진 표본에서 주 만족도의 평균은 략

55 내외인 반면 임 수 의 평균은 략 200만원 내외이다 즉 두 수치의 Scale이 네 배 가량 차이가 난다 33) 26302만원을 차수 임 수 (20247만원)의 2010년도 기 가치인 2148만원으로 나 면 1224개월이 나온다 34) 직장만족도 개선효과 220 직무만족도 개선효과 158 일자리만족도 개선효과 117 의 산술평균값 용 시 35) 기술 합도 개선효과 213 교육 합도 개선효과 252 교육기술복합지수 개선효과 126 의 산술평균값 용

참 고 문 헌

고용노동부 985172고용노동백서985173 2010김동헌김상호 「직업탐색과 자발 이직」 2001 경제학 공동학술 회 발표문 2010 김성훈 「사회연결망과 공식경로를 통한 첫 취업의 개인 결과와 사회 결과」 985172한국사회학985173 제39집 제1호

2005 김성훈 「 문직의 취업경로 사회연결망과 공식경로를 심으로」 985172한국사회학985173 제40집 제5호 2006 김성훈 「취업자의 사회연결망 활용에 한 향요인 연구」 985172노동경제논집985173 제26권 제3호 2003김용학 985172사회연결망 이론985173 박 사 2003류석춘 외 985172한국의 사회자본 역사와 실985173 백산출 사 2008 송호근김우식이재열 985172한국사회의 연결망 연구985173 서울 학교 출 부 2004안재희 985172구직과 제도 사회자본985173 한국학술정보(주) 2008우천식 편 985172한국경제사회와 사회 자본985173 한국개발연구원 2007이 면나인강 「직장만족도와 이직행 에 한 패 분석」 985172제5차 한국노동패 학술 회 논문집985173 2004이 면나인강 「비정규직의 이직 이직사유 근속기간에 한 연구」 985172제6차 한국노동패 학술 회 논

문집985173 2005이상호 「노동패 의 주 만족도 측정」 985172노동리뷰985173 통권 제17호 2006 pp77~86이병훈 「구직활동의 향요인에 한 탐색 연구」 985172노동경제논집985173 제25권 제1호 2002 pp1~21 통계청 985172경제활동인구조사985173 2010한국노동연구원 985172사업체패 조사985173 2007KDI 국제정책 학원 985172사회 자본 확충을 한 기본조사 정책연구985173 2007

Blau David and Philip Robins ldquoJob Search Outcomes for the Employed and Unemployedrdquo Journal of Political Economy 98(3) 1992 pp637~655

Bourdieu P ldquoThe Forms of Capitalrdquo in J G Richardson (ed) Handbook of Theory and Research for the Sociology of Education New York Greenwood 1986

Cochran William and Donald Rubin ldquoControlling Bias in Observational Studies A Reviewrdquo Sankhya 35 1973 pp417~446

Datcher Linda ldquoThe Impact of Informal Networks on Quit Behaviorrdquo Review of Economic Statistics 65(3) 1983 pp491~495

Dawid A ldquoConditional Independence in Statistical Theoryrdquo Journal of Royal Statistical Society B 41 1979 pp1~31

Dehejia R and S Wahba ldquoCausal Effects in Nonexperimental Studies Reevaluating the Evaluation of Training Programsrdquo Journal of the American Statistical Association 94 1999 pp1053~1062

Dehejia R and S Wahba ldquoPropensity Score-Matching Methods for Nonexperimental Causal Studiesrdquo The Review of Economics and Statistics 84 2002 pp151~161

Glaeser E D Laibson and B Sacerdote ldquoAn Economic Approach to Social Capitalrdquo The Economic Journal 112 2002

Gottschalk P and T Maloney ldquoInvoluntary Termination Unemployment and Job Matching A Test of Job Search Theoryrdquo Journal of Labor Economics 3 1985 pp109~123

Granovetter Mark S Getting A Job A Study of Contracts and Careers Chicago University of Chicago Press 1975

Heckman J H Ichimura J Smith and P Todd ldquoCharacterizing Selection Bias Using Experimental Datardquo Econometrica 66 1998 pp1017~1098

Heckman J H Ichimura and P Todd ldquoMatching as an Econometric Evaluation Estimator Evidence from Evaluating a Job Training Programrdquo Review of Economic Studies 64 1997 pp605~654

______ ldquoMatching as an Econometric Evaluation Estimatorrdquo Review of Economic Studies 65 1998 pp261~294Knack S and P Keefer ldquoDoes Capital Have and Economic Payoff A Cross Country Investigationrdquo Quarterly

Journal of Economics 62 1997 pp1251~1288 Lin Nan Social Capital A Theory of Social Structure and Action Cambridge Cambridge University Press 2001 Lin Nan Karen Cook and Ronald Burt (eds) Social Capital Theory and Research Aldine Transaction 2001 Marmaros David and Bruce Sacerdote ldquoPeer and Social Networks in Job Searchrdquo European Economic Review 46

2002 pp870~879Putnam Robert D Bowling Alone The Collapse and Revival of American Community New York Simon and

Schuster 2000Rosenbaum J S DeLuca S Miller and K Roy ldquoPathways into Work Short- and Long-Term Effects of Personal

and Institutional Tiesrdquo Sociology of Education 72(3) 1999 pp179~196Rosenbaum P and D Rubin ldquoThe Central Role of the Propensity Score on Observational Studies for Causal

Effectsrdquo Biometrika 70 1983 pp41~55Rubin D ldquoEstimating Causal Effects of Treatments in Randomized and Non-randomized Studiesrdquo Journal of

Educational Psychology 66 1974 pp688~701Simon Curtis and Warner John ldquoMatchmaker Matchmaker The Effect of Old-Boy Networks on Job Match

Quality Earnings and Tenurerdquo Journal of Labor Economics 10(3) 1992 pp306~330Todd Petra ldquoMatching Estimatorsrdquo unpublished manuscript 2006

성공한 구직방법

일자리 진입방식

합계공개

채용스카우트

소개나

추천

찾아가서기타

1 학교나 학원12 0 26 4 0 42

(395) (0) (301) (069) (0) (233)

2 교수나 교사2 0 8 0 0 10

(066) (0) (093) (0) (0) (055)

3 친구나 친지5 2 509 28 2 546

(164) (125) (5898) (48) (556) (303)

4 공공 안내소3 0 7 9 4 23

(099) (0) (081) (154) (1111) (128)

5 사설 안내소3 0 29 16 1 49

(099) (0) (336) (274) (278) (272)

6 매체 고53 1 21 209 13 297

(1743) (625) (243) (3585) (3611) (1648)

7 직 탐문2 0 13 85 0 100

(066) (0) (151) (1458) ((0) (555)

8 가족1 1 21 2 0 25

(033) (625) (243) (034) (0) (139)

9 인터넷205 3 22 179 9 418

(6743) (1875) (255) (307) (25) (232)

10 희망직장

지인

7 3 90 20 0 120(23) (1875) (1043) (343) (0) (666)

11 업무상

지인

6 4 102 18 0 130(197) (25) (1182) (309) (0) (721)

12 기타 5 2 15 13 7 42

(164) (125) (174) (223) (1944) (233)

합 계304 16 863 583 36 1802

(100) (100) (100) (100) (100) (100)

lt부표 1gt 경력직 취업자(1802명)의 일자리 진입방식별 구직방법의 분포

주 1 노동패 6차부터 10차까지의 신규 일자리 진입자 경력직 취업자를 상으로 함 2 ( ) 안은 각 일자리 진입방식에 한 성공한 구직방법의 백분율임

Block

번호

직장유지의

직무유지의

향성별 나이 나이

2 교육

혼인

여부

정규직

여부

첫(혹은

두 번째)

일자리

(로그)

격차 격차 격차 격차 격차 격차 격차 격차 격차 격차

1164 116 048 -102 -14913 -003 003 009 000 007

(455) (395) (011) (207) (19454) (044) (005) (004) (009) (013)

2-254 050 003 007 -1629 -022 -006 004 -002 001

(203) (191) (006) (123) 11232 (020) (004) (004) (006) (007)

3036 -076 002 -094 -7067 -001 000 -004 008 001

(131) (129) (004) (088) (7870) (012) (003) (003) (004) (004)

4-079 -117 -001 071 6428 000 -004 -002 001 -005

(128) (122) (004) (079) (6861) (010) (003) (003) (004) (003)

5026 144 -005 068 6211 -012 004 000 -006 -001

(142) (144) (004) (077) (6201) (010) (004) (003) (004) (004)

6061 152 -008 -043 -3655 006 002 002 -007 007

(151) (151) (004) (073) (5661) (010) (004) (004) (004) (004)

7010 -134 -002 043 2726 003 -002 001 003 001

(133) (131) (004) (058) (4296) (008) (004) (003) (003) (003)

8045 173 008 044 3233 007 000 -001 -001 -003

(146) (143) (004) (052) (3615) (007) (004) (003) (003) (003)

9128 -010 000 061 3033 -016 -003 006 -010 004

(259) (246) (006) (065) (3930) (012) (005) (006) 006 (006)

10500 114 013 -035 -1626 004 000 007 001 -003

(407) (394) (009) (081) (4454) (017) (007) (008) (009) (009)

lt부표 2-Agt Propensity Score 각 구간(Block)에 대한 Mean-Difference Statistical T-test 결과(I)

주 1 Untreated Group과 Treated Group의 각 항목에 한 Mean Difference를 테스트함 2 표시는 5 유의도 수 에서 테스트를 통과하지 못한 항목을 표시함3 ( ) 안은 표 오차임

lt부표 2-Bgt Propensity Score 각 구간(Block)에 대한 Mean-Difference Statistical T-test 결과(II)

Block

번호

(로그)2 종업원 규모 교육 합도 임 만족도근무

환경 만족도

일자리

만족도

서비스 매직

여부

농어업 종사

여부

정규직 times

교육

직장 times

직무유지의향

격차 격차 격차 격차 격차 격차 격차 격차 격차 격차

1052 054 202 656 -048 -101 002 001 003 25954

(147) (053) (379) (564) (480) (421) (005) (003) (047) (60638)

2-006 043 046 047 -303 -182 002 000 -004 -9827

(073) (027) (197) (247) (220) (188) (002) (001) (026) 25462

3006 011 -151 -030 255 013 -002 000 -011 -246

(041) (017) (158) (156) (142) (117) (002) (000) (018) (15776)

4-052 000 -075 -111 -046 -005 -004 000 -011 -10585

(034) (015) (155) (137) (133) (110) (002) (001) (016) (14203)

5-008 006 053 -047 -017 -036 003 000 -004 17636

(035) (017) (176) (152) (144) (123) (003) (001) (018) (16213)

6063 -005 273 049 211 040 -006 001 015 14659

(035) (017) (201) (150) (145) (124) (003) (001) (019) (16225)

7008 -018 -045 016 -031 005 005 000 010 -10640

(029) (014) (174) (127) (127) (108) (003) (001) (016) (13577)

8-022 -014 028 -028 -163 086 000 000 -001 6766

(028) (014) (189) (127) (131) (111) (003) (000) (017) (13784)

9037 -013 143 133 046 -070 001 -002 015 -1116

(047) (021) (371) (204) (227) (187) (006) (002) (029) (21779)

10-028 021 077 161 -247 -113 -013 002 019 13295

(074) (026) (612) (352) (366) (340) (009) (002) (038) (30459)

주 1 Untreated Group과 Treated Group의 각 항목에 한 Mean Difference를 테스트함 2 표시는 5 유의도 수 에서 테스트를 통과하지 못한 항목을 표시함3 ( ) 안은 표 오차임

Page 11: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal

않은 샘 수가 체 최종샘 의 178에 달하므로 설명변수에서 종업원 규모를 뺀 모형 7은 샘

수를 극 화한 추정 결과를 제시한다 모형 8은 모형 6의 설명변수 교육 합도를 기술 합도로

체한 추정 결과이다 교육 합도와 기술 합도의 상 계수가 0913에 달하므로 하나의 모형에

두 변수를 모두 포함시키기보다 별도의 모형을 만들어 상호비교하는 방법을 택한 것이다 이들 모

형들의 하단에 lsquo평균치 이직확률rsquo을 표기하 다 lsquo평균치 이직확률rsquo은 추정에 활용된 변수들의 평

균치에서 계산한 이직확률을 나타낸다 즉 샘 내의 표 임 근로자(Representative Paid Worker)의 이직 가능성을 변하는 수치이다 주어진 모형들이 추정한 lsquo평균치 이직확률rsquo은 략

8 안 (76~902)이다 각 추정계수 우편에는 한계효과를 함께 표시하 는데 이는 설명변수가

한 단 상승할 때(더미변수의 경우 0에서 1로 바뀔 때) lsquo평균치 이직확률rsquo의 변동분을 나타낸다 lsquo평균치 이직확률rsquo과 한계효과 모두 100을 곱하여 백분율로 표기하 다

분석 결과에 따르면 네 가지 개인의 특성변수(나이 성별 교육수 혼인 여부) 에서는 나이

와 성별만이 통계 으로 유의한 향요인으로 확인되었다 여성의 경우 남성에 비해 이직확률이

략 11p 가량 낮은 것으로 나타났다 연령이 높을수록 이직확률이 낮아지는데 나이가 한 살

증가할수록 략 04p 가량 이직확률이 하락하 다 일자리 련 특성변수 에서 정규직 여부 첫(혹은 두 번째) 일자리 여부 임 수 종업원 규

모 모두 통계 으로 유의한 향요인으로 악되었다 정규직일 경우 비정규직에 비해 이직확률

이 2p 가량 하락하 다 생애 첫 번째(혹은 두 번째) 일자리인 경우 44p 가량 이직확률이 하락

하 다 그러나 이것이 노동시장 진입 기에 이직확률이 더 낮다는 식으로 해석될 수는 없다 그보다는 이 에 이직경험이 많은 이들은(즉 재 일자리가 생애 세 번째 혹은 그 이상인 이들은) 그들의 직업 특성으로 인하여 이 에 이직경험이 은 이들에 비해 향후 일 년간 다시 이직

할 확률이 44p 가량 높다라고 해석해야 할 것이다14) 임 수 이 높을수록 이직확률이 떨어지

는 것으로 나타났다 임 이 10 상승할 때 이직확률은 045p만큼 하락한다 종업원 규모 역시

이직확률과 부의 계를 가지는 것으로 나타났다 종업원 규모가 10 가량 큰 기업에서 근무하면 이직확률은 007p 가량 하락한다 이는 종업원 규모가 큰 기업일수록 내부 노동시장을 활용한

직무재배치가 용이하기 때문인 것으로 악된다교육 합도 혹은 기술 합도가 높을수록 이직확률이 하락하는 것으로 나타났다 교육 혹은 기

술 합도가 10 상승할 때 025p 가량 하락한다 재 하는 일이 나의 교육(혹은 기술) 수 보

다 낮다고 답한 경우( 합도 50 ) 수 이 맞다고 답한 경우( 합도 100 )보다 125p만큼 이직

확률이 증가하는 것을 의미한다 따라서 노동자의 기술 혹은 교육 수 에 합한 직무와 그에 합

당한 우가 이직확률을 떨어뜨리는 데 효과 임을 알 수 있다일자리만족도와 련한 여덟 가지 변수 에서 임 에 한 만족도 직장 내 인간 계에 한

만족도 인사고과의 공정성에 한 만족도는 이직에 유의미한 향을 미치지 못하는 것으로 나타

났다 특히 이 임 에 한 만족도가 이직 여부에 결정 역할을 하지 않는다는 은 흥미로운

결론이다 반면 취업 안정성에 한 만족도와 근로환경 복지후생에 한 만족도 그리고 업무

에 한 만족도는 이직확률과 통계 으로 유의한 부(-)의 계가 있음이 확인되었다 취업 안정성

에 한 만족도 근로환경의 만족도 그리고 업무만족도의 경우 100 만 에 10 향상 시 04p 가량 이직확률을 떨어트리는 것으로 나타났으며 이는 이들 만족도에 한 응답이 불만족(25 )에

14) 를 들어 주어진 최종샘 에서 직장경력이 많은 40세 이상인 이들만을 고려할 때 첫 번째(혹은 두 번째) 일자리

보유자 2711명의 연간 이직률은 262인 데 반해 두 번 이상 이직경험이 있는 이들 4410명의 연간 이직률은

859로 이직률이 597p 높은 것을 확인할 수 있다

서 보통(50 )으로 개선된 경우 1p만큼 이직확률이 감소하는 것을 의미한다 개인만족도 련

변수 이직확률에 가장 향력이 큰 변수는 복지후생 변수로서 이에 한 만족도는 10 향상

시 이직확률을 055p 가량 떨어트리는 것으로 나타났다 복지후생만족도에 한 응답이 불만족

(25 )에서 보통(50 )으로 개선된다면 략 138p만큼의 이직률 하락을 기 할 수 있는 것이다이상의 분석 결과는 국내 임 근로자의 이직 결정에 있어서 비임 측면에서의 만족도가

요한 역할을 한다고 주장한 김동헌김상호(2001)의 연구와 맥을 같이 한다15) 여러 해외 연구 결

과도 비임 요소의 요성을 강조한 바 있다 를 들어 Gottschalk and Maloney(1985)는

Michigan PSID(Panel Study of Income Dynamics)를 이용하여 이직 후 새로운 직장이 더 만족스럽

다고 응답한 사람들 가운데 그 41는 실질임 의 삭감을 감내한 것으로 밝힌 바 있다흥미로운 은 개인의 발 가능성에 한 만족도가 이직확률과는 정(+)의 계를 보인다는

이다 개인의 인 자본을 높일 수 있는 일을 하고 있을 때 이러한 자기발 을 활용하여 보다 우

가 좋은 직장으로 이동하는 경향이 있음을 확인한 것이다 자기발 에 한 만족도 10 상승이

045p만큼의 이직확률 증가와 연 된 것으로 확인되었다 를 들어 자기발 만족도에 한 응

답이 보통(50 )인 사원보다 만족(75 )인 사원의 이직확률이 113p 가량 높은 것이다직종에 따른 이직확률의 차이에서는 문 리직 종사자나 서비스 매직 종사자가 생산기능직

종사자에 비해 략 3p만큼 이직확률이 높다는 것을 확인하 다 반면 농어민의 경우 생산기능

직 종사자에 비해 6p만큼 이직확률이 낮았다 업종에 따른 이직확률의 차이에서는 업종 간의 큰

차이를 발견하기 어려웠다 다만 농어업 련 기업에 종사할 경우 공업 련 기업에 종사하는

경우보다 이직확률이 상당히( 략 15p만큼) 높아짐을 확인할 수 있었다 다만 노동패 은 군부

지역을 제외하고 도시지역만을 상으로 한 조사이기 때문에 농어민 혹은 농어업 련 산업의 종

사자에 한 자료는 매우 미흡한 수 이다16) 따라서 농어민이나 농어업 종사자에 한 이상의

결론은 신뢰도가 다소 떨어짐을 유념할 필요가 있다

15) 김동헌김상호(2001)는 노동패 의 1차 자료만을 활용하여 동일한 분석을 수행한 바 있으며 이들의 결론은 8가지

만족도 변수 취업 안정성 복지후생 인사공정에 한 만족도가 이직성향과 부(負)의 계를 가진다는 것이었다 이들의 연구에 비해 본 연구의 표본의 수가 보다 방 하고 다양한 배경 변수(업종더미 직종더미 회사규모)와 개인

특성변수(첫 일자리 여부 교육 합도 등)를 통제하고 있으므로 본 연구의 결과가 보다 신뢰할 만한 결과를 제시하

고 있다고 단된다 16) 최종샘 에서 농어민이 차지하는 비 은 1 미만이고 샘 수로는 101명에 그친다 농어업 련 기업의 종사자가

차지하는 비 역시 1 미만에 종사자 수 111명에 그친다

다항로짓회귀분석 모형 1 모형 2 모형 3 모형 4

종속변수 이직 여부 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과

성별(여성 1) -01627(00665) -1313 -01272

(00672) -1030 -00669(00701) -0536 -01378

(00753) -1081

나이 -00512(00041) -0420 -00513

(00041) -0421 -00510(00042) -0412 -00507

(00042) -0404

교육수 00263(0029) 0216 00135

(00294) 0111 00350(00306) 0283 00264

(00342) 0210

혼인 여부(미혼 1) 00531(00746) 0440 00601

(00748) 0498 00563(00757) 0459 00643

(00762) 0518

정규직 여부(정규직 1) -03042(00713) -2688 -02777

(00718) -2438 -02213(00743) -1887 -01853

(00751) -1544

첫(혹은 두 번째) 일자리 여부

-05513(00647) -4453 -05462

(00649) -4412 -05313(00656) -4227 -05429

(00659) -4258

임 수(단 만원 로그)

-05933(00709) -4868 -05360

(00727) -4398 -05253(00769) -4242 -05393

(00782) -4294

종업원 규모(단 명 로그)

-01019(00145) -0836 -01010

(00145) -0829 -00838(00149) -0677 -00691

(00149) -0550

차수 교육 합도 -00045(00012) -0037 -00031

(00014) -0025 -00030(00014) -0024

차수 기술 합도

업무만족도 -00031(00025) -0025 -00036

(00025) -0029

임 만족도 00025(00020) 0021 00029

(00020) 0023

취업 안정성 만족도 -00041(00021) -0033 -00044

(00021) -0035

근무환경만족도 -00049(00021) -0039 -00050

(00022) -0040

인간 계만족도 -00016(00024) -0013 -00015

(00024) -0012

자기발 만족도 00055(00023) 0045 00050

(00023) 0040

인사공정만족도 00006(00027) 0005 00011

(00027) 0009

복지후생만족도 -00069(00021) -0055 -00070

(00021) -0055

(기 생산기능직)

문 리직 여부 03710(01169) 3328

사무기술직 여부 -01145(00887) -0898

서비스 매직 여부 04280(00885) 3890

농어민 여부 -03201(04768) -2238

(기 공업 종사)농어업 종사 여부건설업 종사 여부도소매 숙박업 종사

여부서비스 련업 종사

여부연차 더미 No No No No

평균치 이직확률times100(각 변수의 평균치

기 )902 902 886 872

관측 수 12869   12829   12655   12652  

결정계수( ) 0070   0072   0076   0082  

lt표 4Agt 일자리 이동 영향요인 분석(I)

주 1 는 유의수 10 는 유의수 5 는 유의수 1를 의미함2 한계효과는 추정된 한계효과(marginal effects)를 백분율로 표시함3 더미변수의 한계효과는 변수값이 0에서 1로 변할 때 이직확률의 변화분을 나타냄(변수명의 표시가 더미변수)

다항로짓회귀분석 모형 5 모형 6 모형 7 모형 8

종속변수 이직 여부 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과

성별(여성 1) -01528(00759) -1194 -01482

(00760) -1154 -01872(00713) -1289 -01477

(00761) -1151

나이 -00505(00042) -0401 -00505

(00042) -0400 -00521(00040) -0366 -00504

(00042) -0399

교육수 00309(00345) 0245 00327

(00347) 0258 00113(00324) 0080 00346

(00345) 0274

혼인 여부(미혼 1) 00659(00764) 0529 00635

(00766) 0507 01045(00721) 0749 00684

(00767) 0548

정규직 여부(정규직 1) -02033(00770) -1696 -02075

(00776) -1727 -01213(00735) -0875 -02093

(00777) -1744

첫(혹은 두 번째) 일자리 여부

-05421(00660) -4240 -05445

(00661) -4241 -06294(00623) -4407 -05495

(00662) -4284

임 수(단 만원 로그)

-05309(00788) -4215 -05277

(00790) -4172 -06554(00702) -4602 -05288

(00791) -4186

종업원 규모(단 명 로그)

-00695(00151) -0552 -00690

(00152) -0546 -00685(00152) -0542

차수 교육 합도 -00028(00014) -0022 -00029

(00014) -0023 -00027(00013) -0019

차수 기술 합도 -00030(00014) -0024

업무만족도 -00038(00025) -0030 -00043

(00025) -0034 -00054(00023) -0038 -00045

(00025) -0036

임 만족도 00029(00020) 0023 00026

(00020) 0020 00027(00019) 0019 00026

(00020) 0020

취업 안정성 만족도 -00048(00021) -0038 -00045

(00021) -0035 -00051(00020) -0036 -00044

(00021) -0035

근무환경만족도 -00052(00022) -0041 -00054

(00022) -0042 -00053(00020) -0037 -00053

(00022) -0042

인간 계만족도 -00014(00024) -0011 -00015

(00024) -0012 -00014(00023) -0010 -00013

(00024) -0011

자기발 만족도 00054(00023) 0043 00057

(00023) 0045 00061(00022) 0043 00057

(00023) 0045

인사공정만족도 00010(00027) 0008 00011

(00027) 0009 -00006(00025) -0004 00014

(00027) 0011

복지후생만족도 -00069(00021) -0055 -00069

(00021) -0054 -00060(00020) -0042 -00068

(00021) -0053

(기 생산기능직)

문 리직 여부 03574(01203) 3183 03594

(01204) 3190 03478(01160) 2728 03514

(01204) 3114

사무기술직 여부 -01409(00916) -1098 -01365

(00917) -1060 -01322(00878) -0911 -01374

(00917) -1068

서비스 매직 여부 03146(01080) 2752 03136

(01081) 2732 02369(01012) 1793 03037

(01084) 2640

농어민 여부 -13598(06827) -6349 -13198

(06821) -6224 -12188(06557) -5262 -13254

(06828) -6246

(기 공업 종사)

농어업 종사 여부 12277(05423) 15765 12064

(05429) 15324 08109(05129) 7981 12026

(05431) 15270

건설업 종사 여부 -01858(01239) -1386 -01819

(01240) -1353 -01896(01146) -1251 -01797

(01240) -1339

도소매 숙박업 종사 여부

01413(01027) 1165 01417

(01028) 1163 02878(00976) 2200 01393

(01029) 1144

서비스 련업 종사 여부

00006(00808) 0005 00016

(00808) 0013 -00420(00778) -0295 -00024

(00809) -0019

연차 더미 No Yes Yes Yes평균치 이직확률times100

(각 변수의 평균치 기 ) 869 865 760 867

관측 수 12651   12651   15344   12614  

결정계수( ) 0083   0085   0091   0084  

lt표 4Bgt 일자리 이동 영향요인 분석(II)

주 1 는 유의수 10 는 유의수 5 는 유의수 1를 의미함 2 한계효과는 추정된 한계효과(marginal effects)를 백분율로 표시함 3 더미변수의 한계효과는 변수값이 0에서 1로 변할 때 이직확률의 변화분을 나타냄(변수명의 표시가 더미변수)

Group

Treated (=1) 측 가능 Counterfactual

Untreated (=0) Counterfactual 측 가능

V 분석 방법(Propensity Score Matching)

본 에서는 일자리 이동의 효과성 분석에 사용할 방법론으로서 Heckman Ichimura and Todd(1997)이 제안한 Propensity Score Difference- in-Differences(DID) Matching(PSM)에 해 설명

하고자 한다 이에 앞서 우선 이 방법론의 근간이 되는 Averge Treatment Effect for the Treated(ATT)(Rubin[1974])와 Propensity Score Matching(PSM)(Rosenbaum and Rubin[1983]) 일반에

해 소개하기로 한다

1 Average Treatment Effect for the Treated

결과에 향을 미치는 Treatment Variable로서 더미변수 를 가정하자 Treatment의 부여 여부

에 따라서 Treated Group(혹은 실험군)과 Untreated Group(혹은 조군)으로 구분할 수 있다 =1 (Treated Group)과 =0 (Untreated Group) 이때 잠재 결과치(Pontential Outcomes) 가 Treatement 여부에 따라 각기 ( )일 때 Average Treatment Effect(ATE)는 다음과 같다 그러나 이러한 통 인 계산방식은 Treatment가 무작

(Randomization)라는 가정하에서만 편 되지 않은 측치(Unbiased Estimates)를 제공할 수 있다 순수한 무작 실험이 아니라면 분석의 상이 데이터에서 Treatment 여부가 무작 인 경우는 드

물다 즉 특정한 요인들이 Treatment 참여 여부에 직간 인 향을 미치는 것이다 를 들어 특정약물의 효과를 알고 싶다고 하자 약물이 투여된 사람과 그 지 않은 사람의 건강상태를 악

하면 된다고 생각할 수 있다 그러나 약물이 투여되지 않은 사람은 개 건강한 사람들이기 때문

에 이들의 건강상태를 약물이 투여된 사람과 직 비교한다면 약물을 투여한 사람이 여 히 건강

상태가 나쁜 것으로만 나올 것이고 약물투여의 효과가 없다라고 결론짓게 될 것이다 비교 상은

건강한 사람이 아니라 약물이 투여된 집단만큼의 건강이 양호하지 않은 집단이어야 한다 이 게

건강하지 않는 사람과 비교할 때 약물 투여의 순수한 효과를 검증할 수 있다 이러한 무작 의 여

부로부터 발생하는 문제를 선택편의(Selection Bias)라고 한다데이터로부터 우리가 측할 수 있는 결과치는 Treated된 경우의 과 Untreated된 경우의

이다 선택편의의 문제가 발생할 때 Treatment의 효과를 제 로 알고자 한다면 우리가 비교해야

하는 상은 Treated 된 경우의 Treatment가 용되지 않았을 때의 결과 즉 ( |=1)이다 이러한

가상의 결과를 Counterfactual이라고 한다 (역시 Untreated된 경우의 Treatment가 용되었을 때 결

과 즉( |=0) 역시 Counterfactual이다) 다음의 표가 이를 간략히 정리하고 있다

선택편의(Selection Bias)의 문제하에서 Treatment의 효과를 측정하기 하여 체 집단에 한

Treatment Effect가 아닌 Treated Group에 한 Treatment Effect에 한정하여야 한다 이 게 한정된

집단 즉 Treated Group에 한 효과성 측정을 Average Treatment Effect for the Treated(ATT)라고 한

(1)

여기서 는 Counterfactual에 한 기 치이므로 자료로부터의 직 인 추정은 불

가능하다 Treatment Selection이 측 가능한 변수들의 특정한 집합 Z에 의존한다고 가정해 보자 Dawid(1979)의 표 법에 따르면 다음과 같은 계가 성립한다 ∐ 즉 Z를 통제하 을

때 Untreated Group의 값의 분포와 Treated Group이 만약 Treatment를 받지 아니하 을 때의

값의 분포(즉 Counterfactual의 분포)는 서로 동일하다는 것이다 이는 기 치에 한 다음과 같은

계를 내포한다

(2)

즉 counterfactual인 을 측치인 이 체할 수 있는 것이다 식

(2)의 계를 조건부 독립가정(Conditional Independence Assumption CIA)이라고 한다 Rubin(1974)은 조건부 독립가정(CIA)의 조건이 충족할 경우 ATT를 다음과 같이 측정할 수 있다고 제안한 바

있다

(3)

즉 직 으로 설명한다면 =1인 집단에 속한 특성 Z인 개체에 하여 동일 특성을 지닌 개

체를 =0인 그룹에서 찾아 그 둘의 Y값을 비교하면 되는 것이다 =1 집단 내의 모든 개체에

하여 동일한 계산을 한 뒤 이를 합산하면 ATT를 구하게 된다 그러나 이 방법 역시 일정 정도의 한계를 지닌다 만약 Z가 이산변수(Discrete Variable)가 아닌

연속변수(Continuous Variable)라면 =0 집단에서 동일한 Z를 가진 개체를 찾을 수 없으므로 이상

의 측정법을 용할 수 없다 한 특정 변수들이 집합인 Z에 포함된 변수들이 많은 경우 동일한

특성의 개체를 =0 집단으로부터 찾는 것이 어려울 수 있다 이러한 한계를 극복하고자 도입된 것

이 Propensity Score Matching 방식이다

2 Propensity Score Matching Estimator

Propensity Score(PS)를 Z 특성을 지닌 개체가 Treated될 확률로 정의하고 로 표시하도록

하자

Propensity Score equiv (4)

Rosenbaum and Rubin(1983)은 0ltP(Z)lt1이 모든 Z에 해 만족할 경우 다음의 계가 성립한다

는 것을 증명하 다

∐ rArr ∐ (5)

이 계식은 을 내포하므로 변수집합의 Z의 차원수

∐ rArr

(Dimensionability)가 클 경우에도 다음과 같이 다일변수 P(Z)를 활용하여 ATT를 구할 수 있다

(6)

샘 수의 유한성으로 인해 실제로 식의 두 번째 항을 추정하는 것은 간단치 않은 작업이

다 한 ATT의 추정은 Common Support 역 즉 Treated Group의 P(Z)의 분포와 Untreated Group의 P(Z)의 분포가 겹치는 Z의 역에 한정하여야 한다 Common Support를 벗어나는 역에 해

서는 비교가능한 Counterfactual를 찾기 힘들기 때문이다 이를 반 하여 주어진 샘 내에서 ATT를 추정할 수 있는 다양한 Propensity Score Matching(PSM) Estimator가 제안되었는데 이는 다음과

같이 요약될 수 있다(Todd[2006])

isincap

isin

(7)

여기서 는 Treated Group 구성원을 는 Untreated Group의 구성원을 나타낸다 는 Common Support 역 내의 개체들의 집합을 나타낸다 은 Treated Group의 구성원 Common Support 역에 속하는 개체들의 총수이다 는 가 치를 나타내는 것으로 두 Propensity Score의 거리

인 을 이용하여 결정된다 가 치 용방식에 따라 다양한 측정방식이 제시될 수

있다 이에 해서는 추후에 추가 으로 논의하도록 한다

3 Difference-in-Differences Matching Estimator

여기서 한 단계 발 된 방식의 PSM이 Heckman Ichimura and Todd (1997)에 의해 제시된

Difference-in-Differences(DID) Matching Estimator이다 앞서 ATT의 추정에서 측 가능한 특정 변수

들의 집합 Z가 주어졌을 때 결과치 가 Treatment에 독립 (즉 ∐ 이 성립)이라고 가정한

바 있다 그러나 Z에 포함되어야 할 많은 변수 측이 되지 않는 경우가 있을 수 있다 이러한

경우 계가 더 이상 성립하지 않아 앞서의 ATT 추정법은 정

당성을 상실한다 하지만 Longitudal Data가 주어진 경우 즉 Treatment 이 과 이후의 결과치( )가

주어진 경우 분석 상을 신에 lsquo의 변화분rsquo으로 변경함으로써 이러한 문제를 상당 부분 해

소할 수 있다 Treatment 이 과 이후 두 개의 시간 를 와 prime이라 한다면 분석 상을 이

아닌 prime prime 으로 둘 수 있는 것이다 이때 ATT를 추정하기 해서는

prime ∐ 의 가정이면 충분하게 된다 이는 앞서보다 훨씬 완화된 가정이므로 충족하기

가 보다 용이해진다 특히 측되지 않는 시간 불변(time-invariant)의 일부 변수가 Treatment Selection에 연 된 경우에도 이 변수가 와 prime에는 직 인 향을 미치더라도 prime 에 미치는 향이 없다면(즉 독립 이라면) 문제가 되지 않는 것이다17) 따라서 Longitudal Data가

17) 이 외에도 주어진 수치들이 데이터가 수집된 지역에 따라 Level이 다를 경우 Difference 변수를 활용함으로써 이러

한 Level 차이에서 기인한 편의(bias)를 해소할 수 있다

주어진 경우에 DID Matching Estimator는 매우 효과 인 도구로 활용될 수 있다 이때 DID Matching Estimator는 다음과 같은 방식으로 요약될 수 있을 것이다

isincap

prime prime prime

isin prime

(8)

본 연구에서는 앞서 소개한 DID Matching Estimator를 이용함으로써 시간불변(time-invariant)의

측되지 아니하는 변수들을 사 에 통제하고 보다 신뢰할 만한 분석 결과를 제시하고자 한다

4 Treatment Effect 측정방식

의 가 치를 결정하는 를 어떻게 설정하느냐에 따라 다양한 PSM Estimator가 존재한다 본 연구의 분석에서는 가장 활발히 이용되는 측정방식들로서 Nearest Neighbor Matching Radius Matching Kernel Matching 이 세 가지를 활용하기로 한다18)

가 Nearest Neighbor Matching

이 방식은 조군인 Untreated Group에 속한 개체 에서 Propensity Score가 실험군(Treated Group) 개체의 Score와 가장 근 한 개체를 선택하는 방식이다 즉 를 최소화시키

는 에 해서는 이고 나머지 에 해서는 이 성립한다 [그림 2]가 이

를 잘 형상화하고 있다 이때 Score가 근 한 개체를 하나가 아닌 복수로 선정함으로써 하나를

선정할 때보다 더욱 안정된 추정치를 얻을 수 있다 다만 매칭되는 개체 수가 무 많을 경우

가 크게 되어 편의(bias)가 증가할 수 있으므로 신 할 필요가 있다 개의 근

한 개체를 선택하는 경우 이들 개체 에 해서는 이 성립하고 나머지 에

해서는 이 성립한다 Nearest Neighbor Matching의 경우 가장 근 한 개체를 선택하 으나 가 무

커서 Counterfactual로서 부 합한 매칭이 이루어질 가능성이 있다 이를 보완하기 하여 Cochran and Rubin(1973)은 한 Caliper를 선정하여 매칭에 있어서 를 일정 한도로 제

한할 것을 제안한 바 있다 본 분석에서는 을 5개로 선정함으로써 편의(bias)를 이면서도 안정

된 추정치를 얻고자 하 으며 Caliper는 히 작은 0005로 설정하여 부 합한 매칭을 최소화하

고자 하 다19)

18) 이 외에도 주로 활용되는 측정방식으로 Stratification Matching Mahalanobis Matching 등이 있으나 이들을 활용한 결

과가 본 연구의 분석 결과와 크게 다르지 않다 Dehejia and Wahba(2002)는 Treated Group과 Untreated Group 간의

Propensity Score 분포가 상당 부분 서로 겹친다면 측정방식에 따른 분석 결과의 차이가 크지 않다는 을 강조한

바 있다 이는 실험군 한 개체에 해 매칭 가능한 충분한 수의 조군 개체들이 존재하기 때문이다 즉 측정방식의

차이에 따라 매칭이 되는 조군들의 특성이 크게 달라지지 않는 것이다 본 연구에서 추정한 Propensity Score 분포

는 Treated Group Untreated Group 두 집단 사이에 겹치는 부분이 매우 크다 이는 [그림 4]를 통해 쉽게 확인된다 19) 여기서 Caliper 설정은 실험군 개체와 매칭되는 조군 개체 사이의 PS 거리 즉 를 한 수 으로

제한하고자 함이다 부분의 실험군 개체의 경우 Caliper가 설정한 Boundary에 크게 제한을 받지 않으므로 히

작은 Caliper의 설정이면 편의(Bias)를 개선하기에 충분하다 본 분석에서 설정한 0005 이외에 0002이나 001을 사용

하여 보았으나 역시 결과의 차이가 크지 않음을 확인하 다

[그림 2] Nearest Neighbor Matching(n=1인 경우)

나 Radius Matching

이 방식은 일정 반경을 Caliper로 설정하고 Untreated Group에서 가 Caliper 이내인 모든 개체 를 Treated Group의 개체 에 매칭하는 방법이다(그림 3 참조) 개체 에 하여

Untreated Group으로부터 매칭된 개체의 수가 라면 이들에 해서는 이 성립하고 매칭이 안된 나머지 개체들에 해서는 이 성립한다 이 추정방식은 앞서 Nearest Neighbor Matching에 비해 Propensity Score가 근 한 조군 내의 보다 많은 개체를 분석에 활용할

수 있다는 장 이 있다 보다 많은 조군 내 개체를 활용할수록 Treatment Effects 측정의 정확성

(Precision)은 상승하게 된다 매칭이 가능한 조군 개체의 수가 충분히 많다면 Caliper는 작을수록 좋다 Caliper가 클수록

부 합한 매칭에 따른 Treatment Effects의 편 (Bias)이 커질 수 있기 때문이다 본 분석에서는 샘

의 수가 충분히 크기 때문에 Caliper를 0002로 설정하여 매우 근 한 개체들에 해서만 매칭이

이루어지도록 설정하 다20)

20) 다음 에서는 주어진 샘 을 활용하여 Propensity Score를 추정하고 있다 이 결과에 따르면 PS (01 0102)인 구간

에서 조군 개체 수가 116개 (02 0202) 구간에서 조군 개체 수가 32개 (03 0302) 구간에서 조군 개체 수가

12개에 이르는 것을 확인할 수 있다(표 6과 그림 4를 참조 바람) 즉 0002의 Caliper를 사용할 때 한 개의 실험군

개체에 해 10개 내지 100개 이상의 조군 개체들이 매칭되는 경우가 흔히 존재하는 것이다 반면 Caliper를 이보

다 작게 설정한다면 (특히 PS가 큰 구간에서는) 실험군 개체들과 매칭되는 조군 개체가 존재하지 않을 수 있다 를 들어 PS (04 0402)인 구간에서 조군 개체 수는 단 1개 존재하나 PS (0401 0402)인 구간에서는 무하다

따라서 본 연구에서는 최소의 Caliper이면서도 매칭되는 조군 개체의 수가 충분할 수 으로서 Caliper 0002를 선

정하 다 반면 민감성 테스트(Sensitivity Check)에 따르면 Caliper 0001이나 0003에서도 연구 결과의 차이가 크지

않음을 확인하 다

[그림 3] Radius Matching

다 Kernel Matching

이 방식은 Treated Group 내의 각 개체에 한 매칭을 Untreated Group 내의 모든 개체를 상

으로 진행하는 방식으로 에 따라 가 치를 부여한다 가 작을수

록 가 치가 커진다 이때 사용되는 가 치는 다음과 같이 표시될 수 있다

isin

(9)

여기서 G는 선택된 Kernel function을 은 Bandwidth Parameter를 표시한다 이 방식은

Heckman Ichimura and Todd(1998)에 의해 도입되었는데 주어진 모든 개체를 추정에 활용하므로

정보의 손실을 최소화할 수 있다는 장 이 있다 한 앞서의 두 추정방식과는 달리 인 인

Caliper의 설정이 불필요하다는 장 도 있다 Kernel의 선택에는 Gaussian Function(Normal Distribution) Biweight Function Epanechnikov Function 등 다양한 방식이 가능하나 본 분석에는

Normal Distribution을 채택하 다 Bandwidth Parameter로는 001을 선택하여 가 근

한 이들에게 충분한 가 치가 주어지도록 하 다21)

VI Propensity Score의 추정

주어진 자료에서 Treatment는 이직에 해당한다 이직에 한 Propensity Score(PS)를 추정하기

해서는 이직에 향을 미치는 주요 변수의 집합 을 사용하여야 한다 이들 변수는 다음 조건

을 만족하여야 한다 prime ∐ 즉 이직에 향을 미치는 주요 변수들을 통제한 후에

는 이직을 하지 않은 이들의 결과치 에 한 변화분 prime 의 분포가 이직을 한

이들이 만약 이직을 하지 않았을 때 상되는 결과치 에 한 변화분 prime 의 분

21) Bandwidth Parameter가 0005 002인 경우도 확인해 보았으나 결과에는 큰 차이가 발견되지 않았다

추정함수 Logistic Regression(이직 = 1 비이직 = 0)Z 추정계수 표 오차

직장유지의향 -0002 0004 직무유지의향 -0015 0004 성별(여성 1) -0104 0071

나이 -0138 0023 나이2 0001 0000

교육수 0169 0050 혼인 여부(미혼 1) -0056 0082

정규직 여부(정규직 1) 0342 0248 첫(혹은 두 번째) 일자리 여부 -0599 0068

임 수 (단 만원 로그) 0076 0601 임 수 (단 만원 로그)2 -0052 0063 종업원 규모(단 명 로그) -0084 0015

차수 교육 합도 0000 0001 임 만족도 0003 0002

근무환경만족도 -0004 0002 일자리만족도 -0003 0003

서비스 매직 여부 0459 0077 농어업 종사 여부 0324 0378

정규직 여부 times 교육수 -0131 0056 직장유지의향 times 직무유지의향 0000 0000

상수항 3558 1584 측 수 12754

결정계수( ) 00873

Log Likelihood -401098

포와 동일해야 하는 것이다 따라서 Propensity Score의 추정에 활용할 변수들은 앞서 일자리 이동

의 향요인에 한 분석을 통해 선별할 수 있다 특히 주어진 노동패 의 자료에서는 ldquo 재의

직장을 계속 다니고 싶은가(직장유지의향)rdquo와 ldquo 재 맡고 있는 일을 계속하고 싶은가(직무유지의

향)rdquo라는 이직의사와 련된 매우 긴요한 변수들이 포함되어 있는데 이들을 주요 변수의 집합

에 포함시킴으로써 이상의 조건이 보다 용이하게 충족될 수 있음을 기 할 수 있다 Propensity Score의 추정에는 Logistic Regression을 활용하 다 추정에 활용된 주요 변수들의 집합 과 각

변수에 한 추정계수는 lt표 5gt에 요약되어 있다

lt표 5gt Propensity Score의 추정방정식

주 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

앞서 일자리 이동 향요인에 한 분석에서 일자리 이동의 요한 결정변수로 악된 변수

들이 부분 PS 추정방정식에 포함되었다 만족도와 련한 변수 업무만족도 취업 안정성 만

족도 자기발 만족도 복지후생만족도 이상 네 변수는 일자리 향요인으로 통계 으로 유의하

게 악되었으나 PS 방정식에 추가된 일자리만족도 직장유지의향 직무유지의향 등과의 통계

상 계가 매우 높아 PS 추정방정식에 따로 포함시키지 않았다22) 한 추정방정식에는 일부

Interaction Terms들과 Higher Order Terms들을 추가하여 앞서 설명한 변수집합(Z)의 기본요건을 맞

추고자 하 다 추가 변수들은 Balancing Property를 충족하기 하여 선정되었는데 이에 해서는

아래에서 추가 부연한다Rosenbaum and Rubin(1983)에 따르면 PS는 다음 조건을 만족한다

∐ rArr

즉 PS를 통제한 뒤에는 변수집합 Z와 Treatment 여부 D가 상호 독립 이라는 것이다 이는 PS가 동일한 개체들에 해 Z의 평균값을 구한다면 Treatment를 받은 집단과 그 지 않은 집단 사이

에 차이가 없어야 한다는 을 내포한다 이를 Balancing Property라 한다 이를 검증하기 한 방

법으로 P(Z)를 여러 구간(Blocks)으로 나 뒤 각 구간에 한 Mean Difference Statistical T-test를

시행할 수 있다 일부 구간에 해 T-test가 만족하지 않는 경우에는 구간을 더욱 세분하여 진행하

고 여 히 만족이 되지 않는 경우에는 문제가 되는 일부 변수들의 Interaction Terms들과 Higher Order Terms들을 PS 추정방정식에 추가하여 앞서의 과정을 되풀이한다(Dehejia and Wahba[1999]) 앞서 언 된 Interaction Terms과 Higher Order Terms들은 이상의 과정을 거쳐 추가된 항들이다

Balancing Property 검증을 하여 다양한 PS 추정방정식을 설정하여 반복 인 Test를 수행하

다 최종 으로 lt표 5gt의 추정방정식에서 도출한 PS를 기 으로 lt표 6gt과 같이 10개의 Block을

구분한 뒤 Mean- Difference Statistical T-test를 진행하 다 Block 설정은 PS의 Common Support 역인 [00149 06]에 하여 이루어졌다 각 Block들에 한 T-test의 결과는 lt부표 2gt에 수록되어

있다 추정방정식에 도입된 독립변수 항이 총 20개이고 Block의 수는 10개이므로 총 200개의

Mean-Difference T-test가 시행되었다 lt부표 2gt에서 확인할 수 있듯이 5 Significance Level에서

부분의 Block들이 T-test를 통과하 다 통과에 실패한 테스트는 단 두 개로 Block 1의 lsquo정규직

여부rsquo에 한 테스트와 Block 8의 lsquo성별rsquo에 한 테스트이다 따라서 Block Test의 통과율이 99에

이르러 앞서의 PS 추정방정식이 Balancing Property를 체로 만족하고 있다고 결론내릴 수 있다 이상의 과정을 거쳐 확정된 PS 추정방정식을 이용하여 각 개체별로 PS를 구할 수 있다 [그림

4]는 이 게 구해진 PS에 하여 각 집단별 분포도를 제시하고 있다 Treated Group의 경우 PS의

분포가 Untreated Group에 비해 상 으로 우측으로 치우쳐 있음을 쉽게 확인할 수 있다 그리고

PS 분포에서 Common Support 역이 [00149 06]에 이른다는 것을 확인할 수 있다 이는 PS가

06보다 큰 경우에는 Treatment에 참여한 실험군 개체에 해 그에 상응하는 Counterfactual을 조

군으로부터 찾을 수 없음을 의미한다 따라서 PS를 활용한 Treatment의 효과 측정은 이 Common Support 역에 들어오는 실험군 개체들에 한정하여 이루어질 수밖에 없다

22) 를 들어 일자리만족도와 이들 네 변수와의 상 계수(Correlation Coefficient)는 각각 업무만족도(06536) 취업 안정

성 만족도(06014) 자기발 만족도(06279) 복지후생만족도(05514)에 이른다 이들을 포함시키더라도 반 인 결과

에는 큰 차이가 없다

(10)

02

46

8

0 2 4 6 8 0 2 4 6 8

Untreated Group Treated Group

DensityRough Density Curve

Den

sity

Propensity Score Distribu tion for Each Group

lt표 6gt Balancing Property 검증을 위한 Block 구분

Block 번호 Propensity Score 범 D=0 D=1 합계

1 00149 ~ 0025 655 10 665

2 0025 ~ 005 2128 59 2187

3 005 ~ 0075 2146 152 2298

4 0075 ~ 001 1744 200 1944

5 01 ~ 0125 1300 171 1471

6 0125 ~ 015 949 162 1111

7 015 ~ 02 1138 238 1376

8 02 ~ 03 845 242 1087

9 03 ~ 04 230 95 325

10 04 ~ 06 57 56 113

합계 11192 1385 12577

[그림 4] 각 집단별 Propensity Score 분포도

주 Common Support 역인 [00149 06]에 포함된 개체 수는 Untreated Group의 경우 11192명 Treated Group의 경우에

는 1385명임

VII 분석 결과

이제 구해진 PS를 활용하여 이직의 효과와 이직에 있어서 인 네트워크 활용의 효과성을 분

석할 비를 마련하 다 본 분석에서는 앞서 제3 에서 소개한 7가지의 성과지표에 하여 분석

을 진행할 것이다 우선 PS가 추정된 12754개체에 하여 PS를 고려하지 않은 단순비교를 진행해

성과지표의

연간 변화비교 상

이직자

평균

비이직자 평균

격차

(표 오차)

직장만족도 변화이직자 수 1379 3724 -0334 4058

비이직자 수 11274 (0466)

직무만족도 변화이직자 수 1386 2962 -0428 3389

비이직자 수 11285 (0466)

일자리만족도 변화이직자 수 1384 2944 0282 2662

비이직자 수 11261 (0489)

기술 합도 변화이직자 수 1383 2350 -0058 2408

비이직자 수 11245 (0684)

교육 합도 변화이직자 수 1389 2556 -0142 2697

비이직자 수 11300 (0689)

교육기술복합지수

변화

이직자 수 1383 2422 -0091 2513

비이직자 수 11245 (0664)

임 수 변화이직자 수 1384 9088 2782 6307

비이직자 수 11340 (1614)

보자 lt표 7gt은 이직자 집단과 비이직자 집단의 성과지표 변화를 단순비교한 것이다 표에서 확인

할 수 있듯이 이직자의 경우 모든 지표들에 하여 성과지표의 뚜렷한 증가가 목격되었다 비이

직자의 경우에는 임 수 이 2782만원 증가한 것을 제외하고 에 띄는 성과지표의 개선이 나타

나지 않았다23) 성과지표 개선에서 집단 간의 차이가 존재하는지를 검증하기 하여

Mean-Difference Statistical T-test를 진행하고 그 결과를 표에 수록하 다 모든 지표에 하여 이직

자 집단이 비이직자 집단에 비해 높은 증가세를 보인 것이 통계 으로 유의하게 확인된다 를 들

어 이직자 집단의 월평균 임 수 은 9088만원 상승한 것으로 나타나 비이직자 집단에 비해

6307만원만큼 큰 폭의 임 향상을 보 다 하지만 우리는 이상의 결과를 이직의 효과라고 단정

지을 수 없다 왜냐하면 이직의 효과는 이직자 집단에 속한 개체들의 성과 변화와 이들의

Counterfactual 즉 이들이 이직을 하지 않고 직장을 유지하 을 때의 성과 변화를 직 비교해

야 제 로 악되기 때문이다 이후 제시한 Propensity Score Matching에 의한 이직효과 측정은 이

러한 Counterfactual의 탐색에 기반한 분석 결과이다

lt표 7gt 주요 성과지표의 연간 변화 단순비교

주 1 성과지표의 변화에 한 집단 간 차이를 확인하기 하여 Mean-Difference Statistical T-test를 수행함 2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

23) 주어진 임 수 은 연간 임 상승률을 감안한 수치이기 때문에 비이직자의 임 은 불변이거나 하락하여야 정상이

다 재 악되는 비이직자들의 임 증가는 선택편의(Selection Bias) 문제에 의해 발생한 것으로 보인다 주어진 최

종샘 은 차수와 차수 모두에서 임 근로자로 악된 이들로 구성된다 취업시장에 신규로 진입하는 이들에

비하여 근속연수가 1년 많은 셈이다 한 차수에 임 근로자인 이들 임 상승폭이 작은 이들이 그 지 않은

이들보다 근로시장을 이탈할 가능성이 높다 이로 인하여 차수에 이어 차수까지 근로시장에 남아 있는 이들

은 상 으로 높은 임 상승을 보이는 것으로 단된다( 한 분석에 활용한 임 상승률이 lsquo임 구조기본통계조사rsquo의 표본으로부터 추정된 것이므로 노동패 표본과의 근본 차이로 인해 이상의 문제가 도출하 을 가능성도 일

부 배제할 수 없다)

공개채용 스카우트 소개나 추천 직 찾아가서 기타

인 네트워크

활용 구직

21 10 730 68 2

(69) (625) (8459) (1166) (556)

인 네트워크

비활용 구직

278 4 118 502 27

(9145) (250) (1367) (861) (750)

알 수 없음5 2 15 13 7

(164) (125) (174) (223) (1944)

총 사례 수 (1802명

)

304 16 863 583 36

(100) (100) (100) (100) (100)

이직 성격 분류비네트워크

경로-

네트워크

경로

비네트워크

경로-

본격 인 분석에 앞서 인 네트워크와 련하여 이직의 성격을 규명할 필요가 있다 인 네

트워크를 이직경로로 활용한 경우와 그 지 않은 경우로 구분지어 보도록 하자 이를 해 노동패

6차에서 10차까지의 체 경력직 취업자들을 상으로 한 lt부표 1gt의 lsquo경력직 취업자들의 일

자리 진입방식별 구직방법의 분포rsquo를 참조하도록 하자 노동패 에서 제공하는 일자리 진입방식

은 lsquo공개채용rsquo lsquo스카우트rsquo lsquo소개나 추천rsquo lsquo직 찾아가서rsquo lsquo기타rsquo 이 게 다섯 가지로 구분된다 이 lsquo공개채용rsquo 형태의 일자리 진입에서는 lsquo인터넷rsquo이나 lsquo매체 고rsquo를 활용한 구직이 체 사례

의 8486에 이른다 lsquo직 찾아가서rsquo 형태의 일자리 진입 역시 lsquo인터넷rsquo이나 lsquo매체 고rsquo 그리고

lsquo직 탐문rsquo 방식의 구직이 사례의 8113에 이른다 반면 lsquo소개나 추천rsquo 형태의 일자리 진입에서

는 lsquo친구나 친지rsquo를 통하거나 lsquo취업희망 직장의 지인rsquo 혹은 lsquo업무상 알게 된 지인rsquo을 통하는 경우

가 체의 81235에 이른다 즉 각 일자리 진입방식 간에 매우 뚜렷한 구직형태의 차이를 보여

주고 있다 lt부표 1gt의 성공한 구직방법 2 3 8 10 11을 인 네트워크를 활용한 구직으로 1 4 5 6 7 9를 그 지 않은 구직으로 분류하고 각 일자리 진입방식에 한 인 네트워크 활용도를

추산해 보면 다음 lt표 8gt과 같이 요약된다

lt표 8gt 일자리 진입방식별 이직의 성격 분류

주 ( ) 안은 각 일자리 진입방식에 한 이직 성격의 비 을 백분율로 표시함 자료 lt부표 1gt를 재구성한 것임

lt표 8gt에 요약된 바와 같이 lsquo공개채용rsquo과 lsquo직 찾아가서rsquo 형태의 일자리 진입에서 인 네트

워크를 활용하지 않은 구직이 각기 9145와 861에 이른다 반면 lsquo소개나 추천rsquo에서는 인 네

트워크를 활용한 구직이 8459에 이른다 이를 바탕으로 본 분석에서는 lsquo공개채용rsquo과 lsquo직 찾아

가서rsquo를 lsquo비네트워크 경로 이직rsquo으로 lsquo소개나 추천rsquo을 lsquo네트워크 경로 이직rsquo으로 구분한다 이 분류

에 따르면 15705명의 최종샘 에서 이직자로 악된 1560명 1438명의 체 인 구직경로 구

분이 가능하다 이 999명이 네트워크 경로 이직자로 439명이 비네트워크 경로 이직자로 분류

된다 한 앞서 PS가 추정된 12754명 에는 1391명이 이직자인데 그 891명은 네트워크 경

로 이직자로 387명은 비네트워크 경로 이직자로 분류된다

1 이직을 통한 개인만족도의 변화

아래 세 개의 도표 lt표 9gt lt표 10gt lt표 11gt은 이직을 통하여 개인의 만족도가 개선되는지의

여부를 PSM을 통하여 검증한 것이다 각각의 만족도지수(직장만족도 직무만족도 일자리만족도)에 하여 세 가지 방식의 PSM 추정치(Five Nearest Neighbors Radius Matching Kernel Matching)를

제시하고 있다앞서 lt표 7gt의 단순비교에서는 이직자와 비이직자의 연간 만족도변화가 100 만 에서

4058 (직장만족도) 3389 (직무만족도) 2662 (일자리만족도)만큼 차이가 나는 것으로 집계

되었다 그러나 PSM 방식으로 재추정된 이직의 만족도 개선효과는 각각 약 250 (직장) 216(직무) 155 (일자리)으로 나타났다24) 종합하면 단순비교 방식(표 7)은 PSM 활용방식(표 9

표 10 표 11)에 비해 이직의 만족도 개선효과를 약 1~15 만큼 과 추정하고 있음을 확인할 수

있다 이러한 상이 나타난 이유는 실제 이직한 이들이 그 지 않은 이들에 비해 기존 직장에서

의 만족도가 상 으로 낮았다는 데 있다 를 들어 주어진 최종샘 에서 이직자들의 기존 직장

에서의 직장만족도는 평균 5071 을 보이는 반면 같은 시기 비이직자들의 평균 직장만족도는 이

보다 무려 7 가까이 높은 5724 으로 나타났다 따라서 단순비교 방식에서는 이직을 통한 만족

도 개선효과가 다소 과장되어 추산되기 마련이다 이들 이직한 이들이 만약 기존 직장에 그 로 남아 있었다면 (이들의 만족도가 상 으로 낮

은 수 이므로) 다른 이들에 비해 보다 높은 수 의 만족도 개선을 한 해 사이에 경험하 을 것이

다 실제로 체 비이직자들의 연간 만족도의 변화가 각기 -0334 (직장) -0428(직무) 0282 (일자리)에 그치는 데 반해 실험군(이직자 집단)의 Counterfactual 즉 PS를 사용하여 실험군 개체에 매

칭된 (비이직자 집단 내) 조군 개체들의 만족도 변화는 각기 113 (직장) 066 (직무) 133 (일자리)에 이르 다(각 표의 lsquo매칭된 조군 변화(B)rsquo 항목 참조) 실험군 Counterfactual에서의 만족도

개선폭이 여타 비이직자들의 연간 만족도 개선폭보다 략 1 이상 높게 나타나는 것이다 이상

의 선택편의(Selection Bias) 문제가 히 통제될 때 이직의 순효과가 바르게 추정될 수 있다 앞서 시한 PSM 방식으로 추정된 이직의 만족도 개선효과는 이러한 선택편의 문제를

Counterfactual Framework으로 극복한 추정 결과라 할 수 있다 그럼 네트워크 경로 이직과 비네트워크 경로 이직 사이에 뚜렷한 차이가 존재하는지 살펴보도

록 하자 표에서 확인할 수 있듯이 두 경우 모두 이직의 만족도 개선효과가 통계 으로 유의한 수

에서 명확히 확인된다 네트워크 경로의 이직에서는 만족도 개선의 효과가 각기 220 (직장) 158 (직무) 117 (일자리)으로 확인되었고 비네트워크 경로의 이직에서는 각기 263 (직장) 284 (직무) 207 (일자리)으로 확인되었다 흥미로운 부분은 비네트워크 경로의 이직에서 이직

을 통한 만족도 개선의 효과가 소폭 높게 나타난 이다 이는 비네트워크 이직 사례들이 상당수

의 lsquo공개채용rsquo 입사자를 포함하기 때문에 나타난 상으로 보인다 lsquo공개채용rsquo은 주로 종업원 300인 이상의 규모가 큰 기업에서 집 으로 활용되고 있다25) 이들 큰 기업에 lsquo공개채용rsquo으로 입사

한 이들은 그 직장에 비해 주 인 만족도가 크게 향상되었을 것이다 이러한 lsquo공개채용rsquo 사례들이 비네트워크 이직의 만족도 개선효과를 다소 증폭시키는 역할을 하 을 것으로 추정된다

반면 비네트워크 이직을 통한 만족도 개선이 네트워크 이직에 비해 다소 크다고 하여 이것이

24) 이는 분석에 사용된 세 가지 방식의 PSM 추정치들을 산술평균하여 정리한 수치들임 25) 이 부분에 한 구체 인 설명은 발간 정인 한국개발연구원 정책연구시리즈 lsquo인 네트워크(개인의 사회 자본)

의 노동시장 효과 분석rsquo을 참조하기 바란다 ( 자에게 요청시 수령가능함)

이직과정에서의 인 네트워크 요성은 인정되지 않는다는 식으로 해석될 수 없음을 유념하여야

한다 국내 이직과정에서의 인 네트워크 의존도는 해외 주요국에 비해 상당히 높은 수 이다 략 65 안 의 경력직 취업자들이 인 네트워크를 활용하여 구직에 성공하 다고 추정되고 있

다26) 만약 재 이직을 고려하고 있는 국내 한 근로자가 구직활동에서 인 네트워크 활용을 포기

한다면 이 근로자의 이직 성공 가능성은 매우 낮아질 것이다 즉 개인의 이직 성공률을 높이기

해서는 평소에 꾸 한 구직 네트워크 리가 요청된다 할 수 있다 특히 이직수요라는 것은 많은

경우 자신의 의도와는 다르게 외부 충격으로 인해 발생한다 회사의 경제 환경이 변화하기도

하지만 자신의 심사가 바 기도 하고 가족의 갖가지 필요에 의해 이직이 요구되기도 한다 즉 언제 발생할지 모르는 이직수요에 히 응하기 해서는 이직의 주요한 통로라 할 수 있는 인

네트워크에 한 상시 리가 요청되는 것이다 따라서 이직을 고려한 인 네트워크의 상시

리 이를 한 개인의 갖가지 비용 지출은 향후 발생 가능한 험에 처하기 하여 자동

차나 암 보험을 구매하는 것과 같이 기꺼이 지불해야 할 미래에 한 투자라 할 수 있다

26) 역시 한국개발연구원 정책연구시리즈 lsquo인 네트워크(개인의 사회 자본)의 노동시장 효과 분석rsquo을 참조하기 바

란다

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1371) 3662 1201 2460 403

조군(11274) (0610)

Radius Matching 실험군(1362) 3543 1009 2534 436

조군(11274) (0581)

Kernel Matching(Normal) 실험군(1372) 3659 1165 2494 434

조군(11274) (0564)

체 이직효과 평균 362 113 250

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 3309 1169 2140 293

조군(11274) (0730)

Radius Matching 실험군(879) 3231 0939 2292 331

조군(11274) (0693)

Kernel Matching(Normal) 실험군(881) 3309 1146 2162 315

조군(11274) (0686)

네트워크 이직효과 평균 328 108 220

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(380) 4224 1525 2699 224

조군(11274) (1206)

Radius Matching 실험군(373) 3981 1438 2543 217

조군(11274) (1171)

Kernel Matching(Normal) 실험군(381) 4213 1565 2647 230

조군(11274) (1149)

비네트워크 이직효과 평균 414 151 263

lt표 9gt 이직을 통한 직장만족도 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1377) 2850 0701 2149 363

조군(11285) (0592)

Radius Matching 실험군(1368) 2767 0626 2140 381

조군(11285) (0562)

Kernel Matching(Normal) 실험군(1378) 2852 0648 2204 398

조군(11285) (0554)

체 이직효과 평균 282 066 216

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(884) 2302 0808 1494 211

조군(11285) (0707)

Radius Matching 실험군(882) 2256 0658 1598 238

조군(11285) (0670)

Kernel Matching(Normal) 실험군(884) 2302 0654 1648 249

조군(11285) (0661)

네트워크 이직효과 평균 229 071 158

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 3648 0577 3072 269

조군(11285) (1142)

Radius Matching 실험군(374) 3463 0774 2688 245

조군(11285) (1098)

Kernel Matching(Normal) 실험군(382) 3652 0888 2764 257

조군(11285) (1077)

비네트워크 이직효과 평균 359 075 284

lt표 10gt 이직을 통한 직무만족도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1375) 2909 1571 1338 217

조군(11261) (0617)

Radius Matching 실험군(1366) 2818 1276 1543 262

조군(11261) (0588)

Kernel Matching(Normal) 실험군(1376) 2907 1147 1760 303

조군(11261) (0581)

체 이직효과 평균 288 133 155

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(882) 2523 1626 0897 121

조군(11261) (0742)

Radius Matching 실험군(880) 2472 1246 1225 173

조군(11261) (0707)

Kernel Matching(Normal) 실험군(882) 2523 1139 1383 198

조군(11261) (1697)

네트워크 이직효과 평균 251 134 117

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 3609 1499 2110 176

조군(11261) (1196)

Radius Matching 실험군(374) 3409 1530 1879 163

조군(11261) (1151)

Kernel Matching(Normal) 실험군(382) 3599 1365 2235 197

조군(11261) (1133)

비네트워크 이직효과 평균 354 146 207

lt표 11gt 이직을 통한 일자리만족도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이 를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

2 이직을 통한 배치효율성의 변화

다음은 이직의 다른 측면인 일자리 재배치의 문제에 해 살펴보고자 한다 이직은 각 개인

에 있어서는 직장생활의 변화라 할 수 있지만 기업의 입장에서는 노동인력의 교환에 해당한다 따라서 이직을 통한 노동인력의 재배치가 과연 사회 반의 경제 이익을 창출하고 있는지를 따

져 볼 필요가 있다 앞서 lt표 7gt에서 기술수 교육수 교육기술복합지수 이 세 가지 합도에 해 이직자

비이직자 집단 내의 연간 변화를 정리한 바 있다 여기서 비이직자의 경우 각 지수에서 연간 합

도가 소폭 하락한 것으로 나타났고 이직자의 경우 합도가 크게 상승한 것으로 나타났다 비이

직자는 기술수 의 합도에서 0058 이 교육수 의 합도에서 0142 이 그리고 교육기술수

의 복합지수에서는 0091 이 하락한 데 반해 이직자들은 각기 2350 (기술) 2556 (교육) 2422(복합지수)의 합도 상승이 발견되었다 비이직자들의 합도 하락은 기술이나 경제환경의 변

화와 한 련이 있다 경쟁력 있는 기술 이에 한 사회 수요가 시간에 따라 변화하므로 직장에서의 자신의 기술 혹은 교육수 은 (평균 으로 보아) 이 보다 합성이 다소 떨어지게

마련이다 반면 이직자들의 합도 상승이 과연 이직의 순효과인지에 해서는 여 히 의문의 여

지가 크다 이직을 결행한 이들은 이 직장에서의 직무 련 합도가 평균 으로 크게 떨어지는

이들이다 를 들어 최종샘 에서 이직을 하지 않은 이들의 한 해 기술 합도는 평균 9066인 데 반해 이직을 결행한 이들의 한 해 (이 직장에서의) 기술 합도는 평균 8547 에 머무

는 것으로 나타났다 이들은 애 에 워낙 합도가 떨어지기 때문에 굳이 이직을 택하지 않더라

도 직무재배치나 직장 내 부서이동 등을 통하여 1년 사이에 상당한 정도의 합도 개선을 이루었

을 것으로 상된다따라서 이직을 통한 배치효율성의 개선효과 즉 반 인 근로자의 직무 련 합도 상승효

과를 명확히 규명하기 해서는 이직한 이들이 이직을 하지 아니하 을 때에 상되는 합도의

개선을 우선 추정해 볼 필요가 있다 이것은 앞서 설명하 듯이 Counterfactual의 추정을 통해서만

이 가능하다 lt표 12gt lt표 13gt lt표 14gt는 PSM을 이용하여 비이직자들의 정보로부터 이직자들의

Counterfactual을 추정한 뒤 이를 보고하고 있다 세 방식(Five Nearest Neighbors Radius Matching Kernel Matching)의 추정치를 산술평균하면 기술 합도에서는 088 교육 합도에서는 057 교육

기술복합지수에서는 075 의 상승이 확인되었다(각 표의 lsquo매칭된 조군 변화(B)rsquo 항목을 참조) 이를 실험군 즉 실제 이직자들의 합도 상승(각 표의 lsquo실험군 변화(A)rsquo 항목)과 비교하면 순이직

효과는 각기 131 (기술) 183 (교육) 140 (복합지수)에 이르는 것으로 결론지을 수 있다 반

면 교육과 복합지수에서는 이들 순이직효과가 통계 으로 유의하게 나타났으나 기술수 의

합도에서는 이 효과가 통계 으로 뚜렷하지 않았다 10의 유의도에서 검증할 때 Kernel Matching을 제외한 나머지 두 개의 PSM 매칭에서 통계 유의성을 확보할 수 없었다 이에 이직

을 통한 교육수 의 합도 개선효과는 분명한 반면 기술수 의 합도 개선은 통계 으로 입증

되지 않는다고 결론지을 수 있다 교육기술복합지수의 경우 이 두 가지 효과가 첩되어 나타난

것으로 교육수 의 합도 개선이 워낙 뚜렷하기 때문에 통계 으로 유의한 지수상승이 나타난

것으로 단된다 이상과 같이 이직을 통해 교육수 합도의 개선이 보다 효과 으로 이루어지

는 것은 채용과정에서 후보자의 교육수 이 기술수 에 비해 객 인 자료를 이용하여 검증하

기가 보다 용이하기 때문인 것으로 보인다

그럼 이직을 통한 배치효율성 개선 측면에서 인 네트워크의 역할을 살펴보도록 하자 네트

워크 경로 이직과 비네트워크 경로 이직으로 나 어 이직효과를 각기 추정해 보면 둘 사이에 의

외의 뚜렷한 차이가 존재함을 확인할 수 있다 네트워크 경로의 이직인 경우 이직을 통한 합도

개선효과가 통계 으로 유의한 수 에서 매우 높게 나타난다 이직의 순효과는 각기 213 (기술) 252 (교육) 126 (복합지수)에 이른다 반면 비네트워크 경로의 이직인 경우 이 효과는 모두 사

라져 버린다 즉 이직효과는 기술 합도 교육 합도 교육기술복합지수 모두에서 양과 음을 반복

하고 통계 유의성도 확보되지 않는다 즉 비네트워크 경로를 통한 이직에서는 일자리 재

배치를 통한 사회 반의 경제 이득을 기 할 수 없는 것이다 앞서 교육 합도 개선에 있어 이

직의 반 인 효과가 통계 으로 강하게 나타났는데 이 효과의 부분은 비네트워크 경로 이직

보다는 네트워크 경로 이직으로부터 창출된 것임을 짐작할 수 있다 특히 기술 합도를 보면 이직자들의 합도 개선은 네트워크와 비네트워크 이직 사이에 뚜렷

한 차이를 보이는데 네트워크 이직자들의 합도 개선은 평균 292 인 데 반해 비네트워크 이직

자들의 합도 개선은 평균 048 에 그친다 인 네트워크를 활용하지 않고 이직을 하 을 경우 이직을 하 음에도 불구하고 기술 합도의 개선은 평균 으로 거의 기 되지 않는 것이다 이는

앞서 주 만족도의 개선효과와 비교하여 매우 상반된 결과에 해당한다 이직을 통한 주 만

족도의 개선에서는 네트워크와 비네트워크 이직 모두 그 효과가 분명하 으며 특히 비네트워크

이직자들의 주 만족도 개선폭은 3 내지 4 에 이르 다 이는 네트워크 이직자들의 만족

도 개선폭에 비해서도 1 가량 높은 수치 다 따라서 이직이 반 으로 개인의 주 만족도

를 개선하는 효과가 있으나 배치효율성의 개선 측면에서는 오직 인 네트워크에 의존한 이직만

이 재배치의 분명한 경제 효과를 평균 으로 창출한다고 결론지을 수 있다 이러한 네트워크와 비네트워크 사이의 뚜렷한 이직효과의 차이는 네트워크가 지닌 정보 달

기능에 기인한 것으로 단된다 인 네트워크는 구인자와 구직자 사이에 훌륭한 정보 달 기능

을 수행하고 있다 구직자에게는 어떠한 일자리가 구직자의 기술능력 혹은 교육수 에 비추어

합한지에 한 정보를 제공하고 구인자에게는 구인자가 필요로 하는 합한 기술의 소유자가

구인지에 한 정보를 제공하는 것이다 이는 평소에 구인자와 구직자 모두를 아우르는 간 매개

로서의 인 네트워크가 있었기에 가능한 것이다 반면 비네트워크에서는 이러한 효과를 기 하

기 힘들다 비네트워크 채용에서는 주어진 서류와 단시간의 인터뷰 혹은 직무능력 테스트만을 가

지고 합한 인력을 선발하여야 한다 lsquo공개채용rsquo의 경우 많은 지원자들의 경쟁을 거치므로 상으로 보다 합한 후보자를 선별할 수 있을 것이다 그러나 lsquo직 찾아가서rsquo 형태의 입사에서는

이러한 경쟁의 과정 역시 생략되므로 높은 합도를 지닌 후보의 채용은 더욱 기 하기 힘들다 정리하자면 인 네트워크는 국내 노동시장에서 일자리와 일자리 후보 사이의 활발한 정보 달

기능을 수행함으로써 노동시장의 효율 작동을 돕고 있는 것이다 끝으로 이러한 네트워크 이직의 배치효율성이 모든 이직 사례에 일 으로 용되는 것이

아님을 주지할 필요가 있다 인 네트워크가 구인과 구직 사이의 lsquo연결(Networking)rsquo 기능을 수행

할 때 이상의 정 인 효과를 기 할 수 있을 것이나 이 둘 사이의 lsquo연 rsquo로서 기능할 때는 오히

려 역효과를 래할 수 있다 즉 인 네트워크를 통하여 합하지 않은 지원자를 연 로 채용시

키는 경우 해당 일자리에 한 매치 합성은 네트워크 이직으로 인해 오히려 감퇴할 수 있다 우리는 이상의 분석을 통하여 국내 노동시장에서 네트워크 이직의 반 인 교육 기술 수

합도 개선효과를 확인한 바 있다 이는 국내 노동시장의 고용 로세스에서 lsquo연 rsquo의 부정 효과

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1374) 2220 1095 1124 121

조군(11245) (0929)

Radius Matching 실험군(1365) 2088 0735 1353 155

조군(11245) (0874)

Kernel Matching(Normal) 실험군(1375) 2255 0795 1460 168

조군(11245) (0869)

체 이직효과 평균 219 088 131

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 2951 0919 2032 181

조군(11245) (1125)

Radius Matching 실험군(879) 2844 0746 2098 198

조군(11245) (1057)

Kernel Matching(Normal) 실험군(881) 2951 0702 2250 214

조군(11245) (1049)

네트워크 이직효과 평균 292 079 213

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 0525 2297 -1772 -096

조군(11245) (1840)

Radius Matching 실험군(374) 0267 0868 -0600 -034

조군(11245) (1753)

Kernel Matching(Normal) 실험군(382) 0654 1297 -0642 -037

조군(11245) (1746)

비네트워크 이직효과 평균 048 149 -100

보다는 구인구직 간 lsquo연결rsquo이라는 네트워크의 정 효과가 보다 강하게 작동하고 있음을 시사

한다

lt표 12gt 이직을 통한 기술적합도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1380) 2428 0630 1797 193

조군(11300) (0931)

Radius Matching 실험군(1371) 2298 0496 1802 207

조군(11300) (0872)

Kernel Matching(Normal) 실험군(1381) 2462 0586 1876 216

조군(11300) (0869)

체 이직효과 평균 240 057 183

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(886) 3047 0342 2705 245

조군(11300) (1106)

Radius Matching 실험군(884) 2885 0528 2357 227

조군(11300) (1037)

Kernel Matching(Normal) 실험군(886) 3047 0551 2496 243

조군(11300) (1029)

네트워크 이직효과 평균 299 047 252

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(382) 1702 2007 -0305 -016

조군(11300) (1891)

Radius Matching 실험군(375) 1600 0559 1041 058

조군(11300) (1788)

Kernel Matching(Normal) 실험군(383) 1828 0910 0917 051

조군(11300) (1793)

비네트워크 이직효과 평균 171 116 055

lt표 13gt 이직을 통한 교육적합도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1374) 2293 0893 1399 155

조군(11245) (0904)

Radius Matching 실험군(1365) 2161 0641 1520 179

조군(11245) (0850)

Kernel Matching(Normal) 실험군(1375) 2327 0711 1616 191

조군(11245) (0847)

체 이직효과 평균 226 075 140

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 2951 0643 2308 212

조군(11245) (1087)

Radius Matching 실험군(879) 2816 0662 2154 211

조군(11245) (1021)

Kernel Matching(Normal) 실험군(881) 2951 0645 2306 228

조군(11245) (1014)

네트워크 이직효과 평균 291 065 226

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 1115 2233 -1118 -062

조군(11245) (1816)

Radius Matching 실험군(374) 0936 0749 0187 011

조군(11245) (1727)

Kernel Matching(Normal) 실험군(382) 1243 1131 0112 007

조군(11245) (1726)

비네트워크 이직효과 평균 110 137 -027

lt표 14gt 이직을 통한 교육기술복합지수의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

3 이직을 통한 임금수준의 변화

다음은 이직을 통한 임 수 의 변화가 실재하는지 검토하고자 한다 네트워크 이직과 비네트

워크 이직을 나 어 볼 때 앞서 우리는 네트워크 이직이 일자리 매치 합도를 히 개선한다

고 밝힌 바 있다 임 이 근로자의 생산성 기여분을 그 로 반 한다고 한다면 네트워크 이직에

따른 매치 합도의 개선은 근로자의 임 상승으로 이어져야 할 것이다 앞서 lt표 7gt의 단순비교에서 이직자들의 연간 임 상승분이 평균 9088만원 비이직자들의 연

간 임 상승분은 2782만원으로 집계된 바 있다 둘 사이의 격차가 6307만원에 이른다 한 해 사

이에 이직한 이들의 연간 임 상승폭이 직장을 그 로 유지한 이들의 연간 임 상승폭 보다

히 높은 수 인 것이다 하지만 이러한 단순비교는 선택편의(Selectoin Bias) 문제를 역시 고려하지

않고 있으므로 이직의 직 인 임 상승효과라 볼 수는 없다 즉 실제로 이직을 결행한 이들의

이직 임 수 은 같은 시기 직장을 그 로 유지한 이들에 비해 상 으로 낮은 수 일 가능

성이 높다 이들이 직장을 그 로 유지하 다면 다른 이들에 비해 히 높은 수 의 임

상승을 경험하 을 것이다 실제 이직한 이들이 만약 이직을 하지 않고 직장을 그 로 유지하

을 때 상되는 임 상승분 즉 이직자 임 상승분의 Counterfactual을 PSM 방식을 활용하여 추

정한 수치가 lt표 15gt의 lsquo 조군 변화(B)rsquo에 요약되어 있다 이에 따르면 실제 이직자들이 이직을

하지 않았을 때 기 할 수 있는 임 상승분은 략 5만원 정도에 이르는 것으로 나타난다 따라

서 이직에 따른 임 상승의 순효과는 앞서 제시한 6307만원이 아닌 이보다 상당히 축소된 386만원이다 이는 lt표 15gt에 정리된 바와 같이 PSM을 활용한 세 가지 추정치의 산술평균으로 추산

된 값이다 한 이러한 이직의 임 상승효과는 통계 으로도 유의한 것으로 확인되었다 반면 네트워크 경로 이직자와 비네트워크 경로 이직자의 임 상승분을 비교해 보면 둘 사이

에 상당한 격차가 존재함을 쉽게 확인할 수 있다 네트워크 이직자들의 이직을 통한 임 상승효과

는 통계 으로 유의한 수 에서 략 384만원으로 추정되는 반면 비네트워크 이직자들의 임

효과는 -077만원이고 이는 통계 으로도 유의하지 않다 즉 네트워크를 활용하여 이직하 을

때 뚜렷한 임 상승이 기 되는 반면 인 네트워크를 활용하지 않고 이직하 을 때는 이 효과

를 확신할 수 없을 뿐더러 다소 하락할 가능성도 있는 것이다 따라서 앞서 확인된 이직을 통한

반 인 임 상승의 효과는 네트워크 이직을 통해 창출된 효과이며 비네트워크 이직을 통한

기여는 뚜렷하지 않은 것으로 결론지을 수 있다이직은 새로운 일자리에 자신의 기술 직무 능력을 응시키는 과정이다 따라서 임 상승

효과가 이직 기에 항상 담보되지는 않을 것이다 반면 인 네트워크를 활용하 을 때 자신에

게 보다 합한 일자리에 배치됨으로써 즉 자신의 능력과 잠재력을 보다 잘 발휘할 수 있는 직무

에 재배치됨으로써 이상의 추가 인 임 상승을 기 할 수 있는 것이다 이는 앞서 이직을 통한

배치효율성 검증에서 확인되었던 네트워크 이직의 기술수 (혹은 교육수 ) 합도 상승효과와

일맥상통하는 결과이다 인 네트워크를 활용한 이직은 임 근로자를 보다 합한 일자리에 재

배치하는 데 일조하고 이것이 생산성에의 보다 높은 기여를 창출함으로써 이직자들의 추가 인

임 상승으로 이어지는 것이다물론 이러한 해석은 평균 인 추세를 반 한 것임에 유념할 필요가 있다 네트워크 이직의 사례

에는 앞서 말한 생산 인 lsquo연결rsquo 효과가 아닌 비생산 인 lsquo연 rsquo 효과 혹은 정실인사(Nepotism)가

작동한 경우들도 상당할 것이다 이 경우 생산성에의 기여가 충분하지 않음에도 불구하고 기술이

나 능력에 비해 임 을 후하게 설정할 가능성이 높다 이러한 lsquo연 rsquo형 이직을 통한 임 상승 역

시 네트워크 이직의 임 상승효과라 볼 수는 있겠으나 이것이 일자리 배치효율성의 개선을 반

한다고 볼 수는 없는 것이다 따라서 앞서 추정한 네트워크 이직의 임 상승효과 384만원이

으로 일자리 매치 합도 개선효과에서 기인한다고 단정 지을 순 없다 한 비네트워크 이직 역

시 평균 으로 임 상승의 효과가 포착되지 않은 것일 뿐 비네트워크 이직의 표본 에는 실제로

임 이 크게 상승한 사례들도 상당히 존재할 수 있다 를 들어 lsquo공개채용rsquo 방식의 입사인 경우 경합자들에 비해 채용 합격자의 해당 일자리 합성이 보다 우수하다고 단되어 채용된 사례가

많을 것이다 이 게 경쟁을 거쳐 채용된 이들은 이 에 비해 상당히 높은 수 의 임 상승을 기

할 수 있다 반면 비네트워크 이직에서 반 인 임 상승의 효과가 포착되지 않는 것은 비네트워크 이직

이 격한 주 만족도의 개선을 이끌었던 것과 비교하여 매우 조 인 상이다 많은 이들의

상식과는 달리 이직의 결정은 임 만족도 수 과 직결되어 있지 않다 앞서 제4 에서 우리는 이

직의 향요인들을 분석해 본 바 있다 이직의 결정이 업무만족도 복지후생만족도 취업 안정성에

한 만족도 등 다양한 요소에 민감하게 반응하는 반면 임 에 한 만족도와는 통계 으로 유의

한 수 에서의 연 성이 포착되지 않았다 개인의 이직 결정은 임 이외에 다양한 요소들을 종합

으로 고려한 단 결과라 할 수 있다 체로 이직은 다양한 방면에서 개인의 주 만족도를

격하게 향상시킨다 반면 자신의 기술(교육)수 과 일자리의 매치 합성의 문제는 이직자들에

게는 부차 인 고려 상에 해당한다 임 수 의 개선 역시 이직 시 고려되는 한 요소이겠으나 인 요소는 아니고 다양한 향요인 의 하나로 볼 수 있는 것이다 이러한 에서 비네트워

크 이직이 다소 상반된 효과(즉 주 만족도의 한 개선효과와 미미한 수 의 임 개선효

과)를 동시에 보여주고 있는 것은 일견 자연스러운 상이다

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1375) 8887 5274 3613 184

조군(11340) (1962)

Radius Matching 실험군(1366) 8842 4813 4029 208

조군(11340) (1936)

Kernel Matching(Normal) 실험군(1376) 8861 4916 3945 206

조군(11340) (1880)

체 이직효과 평균 886 500 386

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(882) 8943 5519 3423 150

조군(11340) (2285)

Radius Matching 실험군(880) 8827 4855 3972 178

조군(11340) (2231)

Kernel Matching(Normal) 실험군(882) 8943 4819 4124 186

조군(11340) (2217)

네트워크 이직효과 평균 890 506 384

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 4772 5672 -0900 -024

조군(11340) (3685)

Radius Matching 실험군(374) 4805 5201 -0396 -011

조군(11340) (3661)

Kernel Matching(Normal) 실험군(382) 4691 5716 -1025 -028

조군(11340) (3601)

비네트워크 이직효과 평균 476 553 -077

lt표 15gt 이직을 통한 임금수준의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

VIII 구직 네트워크의 사회적 자본 추정

근로자 개인의 측면에서 구직 네트워크의 가치를 추정해 보자 앞서 네트워크 이직을 통한 임

상승효과를 3840만원으로 추정하 다 이는 2008년 기 액이다 연간 물가상승률을 감안하

면27) 2010년 재가로 4074만원에 해당한다 평소에 구직 네트워크를 히 리하여 이직에서

이를 활용한다면 한 번의 이직으로 4만원 안 의 추가 인 임 상승을 기 할 수 있는 것이다 연으로는 489만원 가량의 임 이 이직 이후 매년 추가 으로 지 되는 것으로 해석될 수 있다28)

한편 이직이라는 것은 근로자의 생애를 걸쳐 발생하는 사건이다 임 근로자를 심으로 한

재의 최종샘 에서 연간 일자리 이동비율은 평균 993에 이른다 직종 업종에 따라 혹은 재

직 회사의 규모에 따라 이직률에는 상당한 차이가 있겠으나 체 임 근로자를 상으로 하 을

때 략 10년에 한 번 정도의 이직이 상되는 것이다 임 근로자의 생애를 걸쳐 살펴보면

이직은 주로 직장생활 후기보다는 기에 집 되어 있다 [그림 5]는 최종샘 15705명 임 근로

자를 상으로 한 각 연령별 이직률 추이를 나타낸다 생애 이직률은 20 후반에 가장 높고 30 반에 주춤하다가 30 후반에 다시 상승하고 40 이후에 하강하는 추세임을 확인할 수

있다

[그림 5] 연령별 이직률(26세부터 59세까지)

(단 )

0

2

4

6

8

10

12

14

16

18

26 28 30 32 34 36 38 40 42 44 46 48 50 52 54 56 58

연령(만)

자료 노동패 5차부터 10차까지

이를 활용하면 임 근로자 한 사람이 평생에 걸쳐 기 할 수 있는 이직의 임 상승효과를 추

정해 볼 수 있다 첫 취업의 평균연령이 265세임을 고려하여 표 인 임 근로자(A Representative Worker)가 26세부터 60세까지 노동시장에 참여한다고 가정해 보자 인 네트워크

27) 여기에 연평균 물가상승률 3를 용하 다 실제 임 상승률도 2009년의 임 이 융 기 여 로 거의 동결이었

음을 고려할 때 2년간 략 6에 해당한다 28) 여기서는 네트워크 이직의 임 리미엄(연 489만원 상승)이 이직 후 매년 지속된다고 가정하고 있다 실제로

리미엄이 상당 기간 지속되는지 아니면 이직 후 빠르게 축소되는지에 한 국내 실증분석은 향후 과제로 남겨져

있다

를 활용한 이직만이 평균 인 임 상승효과를 가져온다는 을 고려할 때 구직 네트워크의 생애

가치()는 다음과 같이 요약된다29)

times timestimestimes (11)

여기서 는 연령 에서의 상 이직률(Job Transfer Rate)을 나타낸다 은 이직 시 인 네

트워크에 한 의존도 수 이다 는 네트워크 이직에 따른 월평균 임 상승의 효과이다 여기

에 [그림 5]에 요약된 이직률의 생애 추이를 에 입하자 여기서 경력직 이직자의 인 네트

워크 의존도가 60 반(plusmn5 이내)으로 추산된 을 고려하여 에 64를 입하도록 하자30) 그리고 에 앞서 추정한 네트워크 이직의 임 상승효과 4074만원(2010년 기 )을 입하면 구직 네트워크의 생애 가치()는 18720만원으로 집계된다 만약 에 이직률의 생애 추

이 신 최종샘 에서 구한 평균이직률 993를 연령 에 걸쳐 일률 으로 사용한다면 이와

유사한 수치인 18486만원을 얻을 수 있다 따라서 한국사회 임 근로자 한 사람의 구직 네트워크

가치는 보상 측면에서 략 일천 1870만원 수 인 것으로 결론지을 수 있다 물론 이 수치는 이직을 통한 이득만을 반 하고 있을 뿐 주 만족도의 개선효과는

반 하고 있지 않다 앞서 우리는 일자리 이동을 통해 창출되는 개인의 만족도 변화를 직장만족

도 직무만족도 일자리만족도 이 세 가지 측면에서 고려해 보았다 네트워크 이직과 비네트워크

이직 모두 만족도의 개선효과를 보 다 그러나 국내 노동시장에서 이직의 약 60 이상이 인

네트워크에 의존하고 있음을 고려할 때 임 근로자 한 개인이 구직 네트워크를 리하지 않는다

면 그의 이직률은 에서 60 이상 추락할 것이다 이를 고려하여 구직 네트워크의 생애 만족

도 개선효과()를 다음과 같이 요약할 수 있다31)

timestimestimestimes (12)

여기서 는 네트워크 이직을 통한 주 만족도의 개선폭을 나타낸다 앞서 네트워크 이직

이 창출하는 주 만족도의 개선효과가 100만 에서 220 (직장만족도) 158 (직무만족도) 117 (일자리만족도) 정도임을 확인하 다 이 세 수치의 평균치가 네트워크 이직의 만족도 개선

효과를 히 변하고 있다고 한다면 의 략 인 추정치는 165 이 된다 이를 입하면

구직 네트워크의 만족도 개선효과는 략 7582 으로 추산된다 만족도 1 을 으로 환산하

여 만원에 해당한다고 표시하면 구직 네트워크의 임 근로자 일인당 생애가치()는 임

상승효과()와 만족도 개선효과()의 합으로써 다음과 같이 요약된다

equiv (=18720+7582) (13)

구직 네트워크의 가치 (18720+7582n)만원이 함의하는 바를 명확히 규정하기는 쉽지 않다 특히 개인마다 일자리에서 얻는 주 만족도를 가치로 환산하는 방식이 다를 것이다 를 들

29) 구직 네트워크의 재 가치를 추산하기 해서는 시간할인률을 용할 필요가 있으나 여기서는 이를 생략하 다 시간할인률이 용된 추정치는 재 계산된 값보다 다소 하락할 것이다

30) 이에 한 보다 구체 인 설명은 본 논문의 보다 상세한 내용이 실린 한국개발연구원 정책연구시리즈로 출간 정

인 lsquo인 네트워크(개인의 사회 자본)의 노동시장 효과 분석rsquo 보고서를 참조 바란다 31) 앞서와 마찬가지로 구직 네트워크의 재 가치를 추산하기 해서는 시간할인률을 용할 필요가 있으나 여기서는

이를 생략하 다 시간할인률이 용된 추정치는 재 계산된 값보다 다소 하락할 것이다

어 어떤 이들에게는 이득만이 요하고 주 만족도는 경시될 수 있다 이들에게 n은

lsquo0rsquo에 가까운 것이다 반면 다른 이들에게는 일자리에서 얻는 주 만족도가 임 소득보다

몇 배 이상 요할 수 있다 이들에게 n은 1보다 큰 양수가 될 것이다 구직 네트워크의 가치를 수

치로 악해 보고자 n=1인 근로자를 상정해 보자32) 이 사람에게 만족도 1 은 1만원만큼의

효용을 창출한다 이 근로자에게 구직 네트워크의 종합 가치는 26302만원에 이른다고 평가할

수 있다 이러한 구직 네트워크의 종합 가치를 개인의 물 혹은 인 자본과 별하여 근로자

개인의 구직 네트워크 사회 자본이라 명할 수 있다추정한 구직 네트워크의 가치인 (18720+7582n)만원은 한국사회의 임 근로자 각 개인이 구직

네트워크의 유지 리를 하여 기꺼이 지불할 용의가 있는 비용을 나타낸다 만족도 1 이 1만원의 효용이 있다면 즉 n=1이라면 이는 1224개월치 월 ( 략 일년치 연 )에 해당한다33) 이는 결코 작지 않은 액수이다 한국사회의 구성원들은 다양한 방식으로 네트워크를 리하고 있다 동창회 동호회 업계 계자와의 술자리 각종 경조사 참여 Social Network Service(SNS) 활동 등

이 이에 해당한다 이들 활동은 그 자체로서 정서 효용을 창출하지만 생 인 경제 이득

한 간과할 수 없다 이는 업무에 필요한 유용한 정보의 획득이나 업거래망의 확장이기도 하고 구직 네트워크의 변 확 자기 PR(Public Relations)이기도 하다 네트워크의 리는 그에 상

응하는 비용을 수반한다 이는 만남에 따른 지출에서부터 시간사용까지를 포함한다 구직

네트워크의 효과성 측면에서 보았을 때 한국사회 근로자 개인은 상당한 비용( 를 들어 n=1인 경

우 략 일년치 연 에 해당하는 비용)을 구직 네트워크의 유지 리를 하여 생애를 거

쳐 기꺼이 지불할 용의가 있다고 볼 수 있는 것이다

IX 결론

이제까지 우리는 국내 고용시장에서의 인 네트워크 활용의 효과성을 다각 인 측면에서 살

펴보았다 인 네트워크를 활용한 이직의 직장생활만족도 개선효과는 100 만 에 약 165 34)

에 달하는 것으로 확인되었으며 직무 합도 개선효과는 100 만 에 약 197 35)에 이르는 것으

로 나타났다 한 인 네트워크를 활용한 이직은 임 상승을 동반하는데 그 규모는 월평균 임

으로 4074만원(2010년 기 )인 것으로 확인되었다 반면 인 네트워크를 활용하지 않은 이직

에서도 직장생활만족도의 개선효과가 일부 포착되었으나 일자리 합도에 한 개선이나 임 상

승효과는 확인되지 않았다 즉 구인자와 구직자를 연결시켜주는 인 네트워크의 효율 인 정보

달 기능이 확인된 것이다 이를 통해 임 근로자 개인의 구직 네트워크의 가치 즉 lsquo네트워크 사

회 자본rsquo을 추정해 보면 구직 네트워크의 생애 가치는 18720만원으로 집계되었으며 여기에 주 만족도에 한 보상 측면까지 고려하면 만족도 1 의 가치를 만원으로 환산

할 때 략 (18720+7582)만원에 이르는 것으로 집계되었다

32) 실제로 일반 인 수 에서 n은 1보다 상당히 클 것으로 상된다 주어진 표본에서 주 만족도의 평균은 략

55 내외인 반면 임 수 의 평균은 략 200만원 내외이다 즉 두 수치의 Scale이 네 배 가량 차이가 난다 33) 26302만원을 차수 임 수 (20247만원)의 2010년도 기 가치인 2148만원으로 나 면 1224개월이 나온다 34) 직장만족도 개선효과 220 직무만족도 개선효과 158 일자리만족도 개선효과 117 의 산술평균값 용 시 35) 기술 합도 개선효과 213 교육 합도 개선효과 252 교육기술복합지수 개선효과 126 의 산술평균값 용

참 고 문 헌

고용노동부 985172고용노동백서985173 2010김동헌김상호 「직업탐색과 자발 이직」 2001 경제학 공동학술 회 발표문 2010 김성훈 「사회연결망과 공식경로를 통한 첫 취업의 개인 결과와 사회 결과」 985172한국사회학985173 제39집 제1호

2005 김성훈 「 문직의 취업경로 사회연결망과 공식경로를 심으로」 985172한국사회학985173 제40집 제5호 2006 김성훈 「취업자의 사회연결망 활용에 한 향요인 연구」 985172노동경제논집985173 제26권 제3호 2003김용학 985172사회연결망 이론985173 박 사 2003류석춘 외 985172한국의 사회자본 역사와 실985173 백산출 사 2008 송호근김우식이재열 985172한국사회의 연결망 연구985173 서울 학교 출 부 2004안재희 985172구직과 제도 사회자본985173 한국학술정보(주) 2008우천식 편 985172한국경제사회와 사회 자본985173 한국개발연구원 2007이 면나인강 「직장만족도와 이직행 에 한 패 분석」 985172제5차 한국노동패 학술 회 논문집985173 2004이 면나인강 「비정규직의 이직 이직사유 근속기간에 한 연구」 985172제6차 한국노동패 학술 회 논

문집985173 2005이상호 「노동패 의 주 만족도 측정」 985172노동리뷰985173 통권 제17호 2006 pp77~86이병훈 「구직활동의 향요인에 한 탐색 연구」 985172노동경제논집985173 제25권 제1호 2002 pp1~21 통계청 985172경제활동인구조사985173 2010한국노동연구원 985172사업체패 조사985173 2007KDI 국제정책 학원 985172사회 자본 확충을 한 기본조사 정책연구985173 2007

Blau David and Philip Robins ldquoJob Search Outcomes for the Employed and Unemployedrdquo Journal of Political Economy 98(3) 1992 pp637~655

Bourdieu P ldquoThe Forms of Capitalrdquo in J G Richardson (ed) Handbook of Theory and Research for the Sociology of Education New York Greenwood 1986

Cochran William and Donald Rubin ldquoControlling Bias in Observational Studies A Reviewrdquo Sankhya 35 1973 pp417~446

Datcher Linda ldquoThe Impact of Informal Networks on Quit Behaviorrdquo Review of Economic Statistics 65(3) 1983 pp491~495

Dawid A ldquoConditional Independence in Statistical Theoryrdquo Journal of Royal Statistical Society B 41 1979 pp1~31

Dehejia R and S Wahba ldquoCausal Effects in Nonexperimental Studies Reevaluating the Evaluation of Training Programsrdquo Journal of the American Statistical Association 94 1999 pp1053~1062

Dehejia R and S Wahba ldquoPropensity Score-Matching Methods for Nonexperimental Causal Studiesrdquo The Review of Economics and Statistics 84 2002 pp151~161

Glaeser E D Laibson and B Sacerdote ldquoAn Economic Approach to Social Capitalrdquo The Economic Journal 112 2002

Gottschalk P and T Maloney ldquoInvoluntary Termination Unemployment and Job Matching A Test of Job Search Theoryrdquo Journal of Labor Economics 3 1985 pp109~123

Granovetter Mark S Getting A Job A Study of Contracts and Careers Chicago University of Chicago Press 1975

Heckman J H Ichimura J Smith and P Todd ldquoCharacterizing Selection Bias Using Experimental Datardquo Econometrica 66 1998 pp1017~1098

Heckman J H Ichimura and P Todd ldquoMatching as an Econometric Evaluation Estimator Evidence from Evaluating a Job Training Programrdquo Review of Economic Studies 64 1997 pp605~654

______ ldquoMatching as an Econometric Evaluation Estimatorrdquo Review of Economic Studies 65 1998 pp261~294Knack S and P Keefer ldquoDoes Capital Have and Economic Payoff A Cross Country Investigationrdquo Quarterly

Journal of Economics 62 1997 pp1251~1288 Lin Nan Social Capital A Theory of Social Structure and Action Cambridge Cambridge University Press 2001 Lin Nan Karen Cook and Ronald Burt (eds) Social Capital Theory and Research Aldine Transaction 2001 Marmaros David and Bruce Sacerdote ldquoPeer and Social Networks in Job Searchrdquo European Economic Review 46

2002 pp870~879Putnam Robert D Bowling Alone The Collapse and Revival of American Community New York Simon and

Schuster 2000Rosenbaum J S DeLuca S Miller and K Roy ldquoPathways into Work Short- and Long-Term Effects of Personal

and Institutional Tiesrdquo Sociology of Education 72(3) 1999 pp179~196Rosenbaum P and D Rubin ldquoThe Central Role of the Propensity Score on Observational Studies for Causal

Effectsrdquo Biometrika 70 1983 pp41~55Rubin D ldquoEstimating Causal Effects of Treatments in Randomized and Non-randomized Studiesrdquo Journal of

Educational Psychology 66 1974 pp688~701Simon Curtis and Warner John ldquoMatchmaker Matchmaker The Effect of Old-Boy Networks on Job Match

Quality Earnings and Tenurerdquo Journal of Labor Economics 10(3) 1992 pp306~330Todd Petra ldquoMatching Estimatorsrdquo unpublished manuscript 2006

성공한 구직방법

일자리 진입방식

합계공개

채용스카우트

소개나

추천

찾아가서기타

1 학교나 학원12 0 26 4 0 42

(395) (0) (301) (069) (0) (233)

2 교수나 교사2 0 8 0 0 10

(066) (0) (093) (0) (0) (055)

3 친구나 친지5 2 509 28 2 546

(164) (125) (5898) (48) (556) (303)

4 공공 안내소3 0 7 9 4 23

(099) (0) (081) (154) (1111) (128)

5 사설 안내소3 0 29 16 1 49

(099) (0) (336) (274) (278) (272)

6 매체 고53 1 21 209 13 297

(1743) (625) (243) (3585) (3611) (1648)

7 직 탐문2 0 13 85 0 100

(066) (0) (151) (1458) ((0) (555)

8 가족1 1 21 2 0 25

(033) (625) (243) (034) (0) (139)

9 인터넷205 3 22 179 9 418

(6743) (1875) (255) (307) (25) (232)

10 희망직장

지인

7 3 90 20 0 120(23) (1875) (1043) (343) (0) (666)

11 업무상

지인

6 4 102 18 0 130(197) (25) (1182) (309) (0) (721)

12 기타 5 2 15 13 7 42

(164) (125) (174) (223) (1944) (233)

합 계304 16 863 583 36 1802

(100) (100) (100) (100) (100) (100)

lt부표 1gt 경력직 취업자(1802명)의 일자리 진입방식별 구직방법의 분포

주 1 노동패 6차부터 10차까지의 신규 일자리 진입자 경력직 취업자를 상으로 함 2 ( ) 안은 각 일자리 진입방식에 한 성공한 구직방법의 백분율임

Block

번호

직장유지의

직무유지의

향성별 나이 나이

2 교육

혼인

여부

정규직

여부

첫(혹은

두 번째)

일자리

(로그)

격차 격차 격차 격차 격차 격차 격차 격차 격차 격차

1164 116 048 -102 -14913 -003 003 009 000 007

(455) (395) (011) (207) (19454) (044) (005) (004) (009) (013)

2-254 050 003 007 -1629 -022 -006 004 -002 001

(203) (191) (006) (123) 11232 (020) (004) (004) (006) (007)

3036 -076 002 -094 -7067 -001 000 -004 008 001

(131) (129) (004) (088) (7870) (012) (003) (003) (004) (004)

4-079 -117 -001 071 6428 000 -004 -002 001 -005

(128) (122) (004) (079) (6861) (010) (003) (003) (004) (003)

5026 144 -005 068 6211 -012 004 000 -006 -001

(142) (144) (004) (077) (6201) (010) (004) (003) (004) (004)

6061 152 -008 -043 -3655 006 002 002 -007 007

(151) (151) (004) (073) (5661) (010) (004) (004) (004) (004)

7010 -134 -002 043 2726 003 -002 001 003 001

(133) (131) (004) (058) (4296) (008) (004) (003) (003) (003)

8045 173 008 044 3233 007 000 -001 -001 -003

(146) (143) (004) (052) (3615) (007) (004) (003) (003) (003)

9128 -010 000 061 3033 -016 -003 006 -010 004

(259) (246) (006) (065) (3930) (012) (005) (006) 006 (006)

10500 114 013 -035 -1626 004 000 007 001 -003

(407) (394) (009) (081) (4454) (017) (007) (008) (009) (009)

lt부표 2-Agt Propensity Score 각 구간(Block)에 대한 Mean-Difference Statistical T-test 결과(I)

주 1 Untreated Group과 Treated Group의 각 항목에 한 Mean Difference를 테스트함 2 표시는 5 유의도 수 에서 테스트를 통과하지 못한 항목을 표시함3 ( ) 안은 표 오차임

lt부표 2-Bgt Propensity Score 각 구간(Block)에 대한 Mean-Difference Statistical T-test 결과(II)

Block

번호

(로그)2 종업원 규모 교육 합도 임 만족도근무

환경 만족도

일자리

만족도

서비스 매직

여부

농어업 종사

여부

정규직 times

교육

직장 times

직무유지의향

격차 격차 격차 격차 격차 격차 격차 격차 격차 격차

1052 054 202 656 -048 -101 002 001 003 25954

(147) (053) (379) (564) (480) (421) (005) (003) (047) (60638)

2-006 043 046 047 -303 -182 002 000 -004 -9827

(073) (027) (197) (247) (220) (188) (002) (001) (026) 25462

3006 011 -151 -030 255 013 -002 000 -011 -246

(041) (017) (158) (156) (142) (117) (002) (000) (018) (15776)

4-052 000 -075 -111 -046 -005 -004 000 -011 -10585

(034) (015) (155) (137) (133) (110) (002) (001) (016) (14203)

5-008 006 053 -047 -017 -036 003 000 -004 17636

(035) (017) (176) (152) (144) (123) (003) (001) (018) (16213)

6063 -005 273 049 211 040 -006 001 015 14659

(035) (017) (201) (150) (145) (124) (003) (001) (019) (16225)

7008 -018 -045 016 -031 005 005 000 010 -10640

(029) (014) (174) (127) (127) (108) (003) (001) (016) (13577)

8-022 -014 028 -028 -163 086 000 000 -001 6766

(028) (014) (189) (127) (131) (111) (003) (000) (017) (13784)

9037 -013 143 133 046 -070 001 -002 015 -1116

(047) (021) (371) (204) (227) (187) (006) (002) (029) (21779)

10-028 021 077 161 -247 -113 -013 002 019 13295

(074) (026) (612) (352) (366) (340) (009) (002) (038) (30459)

주 1 Untreated Group과 Treated Group의 각 항목에 한 Mean Difference를 테스트함 2 표시는 5 유의도 수 에서 테스트를 통과하지 못한 항목을 표시함3 ( ) 안은 표 오차임

Page 12: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal

서 보통(50 )으로 개선된 경우 1p만큼 이직확률이 감소하는 것을 의미한다 개인만족도 련

변수 이직확률에 가장 향력이 큰 변수는 복지후생 변수로서 이에 한 만족도는 10 향상

시 이직확률을 055p 가량 떨어트리는 것으로 나타났다 복지후생만족도에 한 응답이 불만족

(25 )에서 보통(50 )으로 개선된다면 략 138p만큼의 이직률 하락을 기 할 수 있는 것이다이상의 분석 결과는 국내 임 근로자의 이직 결정에 있어서 비임 측면에서의 만족도가

요한 역할을 한다고 주장한 김동헌김상호(2001)의 연구와 맥을 같이 한다15) 여러 해외 연구 결

과도 비임 요소의 요성을 강조한 바 있다 를 들어 Gottschalk and Maloney(1985)는

Michigan PSID(Panel Study of Income Dynamics)를 이용하여 이직 후 새로운 직장이 더 만족스럽

다고 응답한 사람들 가운데 그 41는 실질임 의 삭감을 감내한 것으로 밝힌 바 있다흥미로운 은 개인의 발 가능성에 한 만족도가 이직확률과는 정(+)의 계를 보인다는

이다 개인의 인 자본을 높일 수 있는 일을 하고 있을 때 이러한 자기발 을 활용하여 보다 우

가 좋은 직장으로 이동하는 경향이 있음을 확인한 것이다 자기발 에 한 만족도 10 상승이

045p만큼의 이직확률 증가와 연 된 것으로 확인되었다 를 들어 자기발 만족도에 한 응

답이 보통(50 )인 사원보다 만족(75 )인 사원의 이직확률이 113p 가량 높은 것이다직종에 따른 이직확률의 차이에서는 문 리직 종사자나 서비스 매직 종사자가 생산기능직

종사자에 비해 략 3p만큼 이직확률이 높다는 것을 확인하 다 반면 농어민의 경우 생산기능

직 종사자에 비해 6p만큼 이직확률이 낮았다 업종에 따른 이직확률의 차이에서는 업종 간의 큰

차이를 발견하기 어려웠다 다만 농어업 련 기업에 종사할 경우 공업 련 기업에 종사하는

경우보다 이직확률이 상당히( 략 15p만큼) 높아짐을 확인할 수 있었다 다만 노동패 은 군부

지역을 제외하고 도시지역만을 상으로 한 조사이기 때문에 농어민 혹은 농어업 련 산업의 종

사자에 한 자료는 매우 미흡한 수 이다16) 따라서 농어민이나 농어업 종사자에 한 이상의

결론은 신뢰도가 다소 떨어짐을 유념할 필요가 있다

15) 김동헌김상호(2001)는 노동패 의 1차 자료만을 활용하여 동일한 분석을 수행한 바 있으며 이들의 결론은 8가지

만족도 변수 취업 안정성 복지후생 인사공정에 한 만족도가 이직성향과 부(負)의 계를 가진다는 것이었다 이들의 연구에 비해 본 연구의 표본의 수가 보다 방 하고 다양한 배경 변수(업종더미 직종더미 회사규모)와 개인

특성변수(첫 일자리 여부 교육 합도 등)를 통제하고 있으므로 본 연구의 결과가 보다 신뢰할 만한 결과를 제시하

고 있다고 단된다 16) 최종샘 에서 농어민이 차지하는 비 은 1 미만이고 샘 수로는 101명에 그친다 농어업 련 기업의 종사자가

차지하는 비 역시 1 미만에 종사자 수 111명에 그친다

다항로짓회귀분석 모형 1 모형 2 모형 3 모형 4

종속변수 이직 여부 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과

성별(여성 1) -01627(00665) -1313 -01272

(00672) -1030 -00669(00701) -0536 -01378

(00753) -1081

나이 -00512(00041) -0420 -00513

(00041) -0421 -00510(00042) -0412 -00507

(00042) -0404

교육수 00263(0029) 0216 00135

(00294) 0111 00350(00306) 0283 00264

(00342) 0210

혼인 여부(미혼 1) 00531(00746) 0440 00601

(00748) 0498 00563(00757) 0459 00643

(00762) 0518

정규직 여부(정규직 1) -03042(00713) -2688 -02777

(00718) -2438 -02213(00743) -1887 -01853

(00751) -1544

첫(혹은 두 번째) 일자리 여부

-05513(00647) -4453 -05462

(00649) -4412 -05313(00656) -4227 -05429

(00659) -4258

임 수(단 만원 로그)

-05933(00709) -4868 -05360

(00727) -4398 -05253(00769) -4242 -05393

(00782) -4294

종업원 규모(단 명 로그)

-01019(00145) -0836 -01010

(00145) -0829 -00838(00149) -0677 -00691

(00149) -0550

차수 교육 합도 -00045(00012) -0037 -00031

(00014) -0025 -00030(00014) -0024

차수 기술 합도

업무만족도 -00031(00025) -0025 -00036

(00025) -0029

임 만족도 00025(00020) 0021 00029

(00020) 0023

취업 안정성 만족도 -00041(00021) -0033 -00044

(00021) -0035

근무환경만족도 -00049(00021) -0039 -00050

(00022) -0040

인간 계만족도 -00016(00024) -0013 -00015

(00024) -0012

자기발 만족도 00055(00023) 0045 00050

(00023) 0040

인사공정만족도 00006(00027) 0005 00011

(00027) 0009

복지후생만족도 -00069(00021) -0055 -00070

(00021) -0055

(기 생산기능직)

문 리직 여부 03710(01169) 3328

사무기술직 여부 -01145(00887) -0898

서비스 매직 여부 04280(00885) 3890

농어민 여부 -03201(04768) -2238

(기 공업 종사)농어업 종사 여부건설업 종사 여부도소매 숙박업 종사

여부서비스 련업 종사

여부연차 더미 No No No No

평균치 이직확률times100(각 변수의 평균치

기 )902 902 886 872

관측 수 12869   12829   12655   12652  

결정계수( ) 0070   0072   0076   0082  

lt표 4Agt 일자리 이동 영향요인 분석(I)

주 1 는 유의수 10 는 유의수 5 는 유의수 1를 의미함2 한계효과는 추정된 한계효과(marginal effects)를 백분율로 표시함3 더미변수의 한계효과는 변수값이 0에서 1로 변할 때 이직확률의 변화분을 나타냄(변수명의 표시가 더미변수)

다항로짓회귀분석 모형 5 모형 6 모형 7 모형 8

종속변수 이직 여부 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과

성별(여성 1) -01528(00759) -1194 -01482

(00760) -1154 -01872(00713) -1289 -01477

(00761) -1151

나이 -00505(00042) -0401 -00505

(00042) -0400 -00521(00040) -0366 -00504

(00042) -0399

교육수 00309(00345) 0245 00327

(00347) 0258 00113(00324) 0080 00346

(00345) 0274

혼인 여부(미혼 1) 00659(00764) 0529 00635

(00766) 0507 01045(00721) 0749 00684

(00767) 0548

정규직 여부(정규직 1) -02033(00770) -1696 -02075

(00776) -1727 -01213(00735) -0875 -02093

(00777) -1744

첫(혹은 두 번째) 일자리 여부

-05421(00660) -4240 -05445

(00661) -4241 -06294(00623) -4407 -05495

(00662) -4284

임 수(단 만원 로그)

-05309(00788) -4215 -05277

(00790) -4172 -06554(00702) -4602 -05288

(00791) -4186

종업원 규모(단 명 로그)

-00695(00151) -0552 -00690

(00152) -0546 -00685(00152) -0542

차수 교육 합도 -00028(00014) -0022 -00029

(00014) -0023 -00027(00013) -0019

차수 기술 합도 -00030(00014) -0024

업무만족도 -00038(00025) -0030 -00043

(00025) -0034 -00054(00023) -0038 -00045

(00025) -0036

임 만족도 00029(00020) 0023 00026

(00020) 0020 00027(00019) 0019 00026

(00020) 0020

취업 안정성 만족도 -00048(00021) -0038 -00045

(00021) -0035 -00051(00020) -0036 -00044

(00021) -0035

근무환경만족도 -00052(00022) -0041 -00054

(00022) -0042 -00053(00020) -0037 -00053

(00022) -0042

인간 계만족도 -00014(00024) -0011 -00015

(00024) -0012 -00014(00023) -0010 -00013

(00024) -0011

자기발 만족도 00054(00023) 0043 00057

(00023) 0045 00061(00022) 0043 00057

(00023) 0045

인사공정만족도 00010(00027) 0008 00011

(00027) 0009 -00006(00025) -0004 00014

(00027) 0011

복지후생만족도 -00069(00021) -0055 -00069

(00021) -0054 -00060(00020) -0042 -00068

(00021) -0053

(기 생산기능직)

문 리직 여부 03574(01203) 3183 03594

(01204) 3190 03478(01160) 2728 03514

(01204) 3114

사무기술직 여부 -01409(00916) -1098 -01365

(00917) -1060 -01322(00878) -0911 -01374

(00917) -1068

서비스 매직 여부 03146(01080) 2752 03136

(01081) 2732 02369(01012) 1793 03037

(01084) 2640

농어민 여부 -13598(06827) -6349 -13198

(06821) -6224 -12188(06557) -5262 -13254

(06828) -6246

(기 공업 종사)

농어업 종사 여부 12277(05423) 15765 12064

(05429) 15324 08109(05129) 7981 12026

(05431) 15270

건설업 종사 여부 -01858(01239) -1386 -01819

(01240) -1353 -01896(01146) -1251 -01797

(01240) -1339

도소매 숙박업 종사 여부

01413(01027) 1165 01417

(01028) 1163 02878(00976) 2200 01393

(01029) 1144

서비스 련업 종사 여부

00006(00808) 0005 00016

(00808) 0013 -00420(00778) -0295 -00024

(00809) -0019

연차 더미 No Yes Yes Yes평균치 이직확률times100

(각 변수의 평균치 기 ) 869 865 760 867

관측 수 12651   12651   15344   12614  

결정계수( ) 0083   0085   0091   0084  

lt표 4Bgt 일자리 이동 영향요인 분석(II)

주 1 는 유의수 10 는 유의수 5 는 유의수 1를 의미함 2 한계효과는 추정된 한계효과(marginal effects)를 백분율로 표시함 3 더미변수의 한계효과는 변수값이 0에서 1로 변할 때 이직확률의 변화분을 나타냄(변수명의 표시가 더미변수)

Group

Treated (=1) 측 가능 Counterfactual

Untreated (=0) Counterfactual 측 가능

V 분석 방법(Propensity Score Matching)

본 에서는 일자리 이동의 효과성 분석에 사용할 방법론으로서 Heckman Ichimura and Todd(1997)이 제안한 Propensity Score Difference- in-Differences(DID) Matching(PSM)에 해 설명

하고자 한다 이에 앞서 우선 이 방법론의 근간이 되는 Averge Treatment Effect for the Treated(ATT)(Rubin[1974])와 Propensity Score Matching(PSM)(Rosenbaum and Rubin[1983]) 일반에

해 소개하기로 한다

1 Average Treatment Effect for the Treated

결과에 향을 미치는 Treatment Variable로서 더미변수 를 가정하자 Treatment의 부여 여부

에 따라서 Treated Group(혹은 실험군)과 Untreated Group(혹은 조군)으로 구분할 수 있다 =1 (Treated Group)과 =0 (Untreated Group) 이때 잠재 결과치(Pontential Outcomes) 가 Treatement 여부에 따라 각기 ( )일 때 Average Treatment Effect(ATE)는 다음과 같다 그러나 이러한 통 인 계산방식은 Treatment가 무작

(Randomization)라는 가정하에서만 편 되지 않은 측치(Unbiased Estimates)를 제공할 수 있다 순수한 무작 실험이 아니라면 분석의 상이 데이터에서 Treatment 여부가 무작 인 경우는 드

물다 즉 특정한 요인들이 Treatment 참여 여부에 직간 인 향을 미치는 것이다 를 들어 특정약물의 효과를 알고 싶다고 하자 약물이 투여된 사람과 그 지 않은 사람의 건강상태를 악

하면 된다고 생각할 수 있다 그러나 약물이 투여되지 않은 사람은 개 건강한 사람들이기 때문

에 이들의 건강상태를 약물이 투여된 사람과 직 비교한다면 약물을 투여한 사람이 여 히 건강

상태가 나쁜 것으로만 나올 것이고 약물투여의 효과가 없다라고 결론짓게 될 것이다 비교 상은

건강한 사람이 아니라 약물이 투여된 집단만큼의 건강이 양호하지 않은 집단이어야 한다 이 게

건강하지 않는 사람과 비교할 때 약물 투여의 순수한 효과를 검증할 수 있다 이러한 무작 의 여

부로부터 발생하는 문제를 선택편의(Selection Bias)라고 한다데이터로부터 우리가 측할 수 있는 결과치는 Treated된 경우의 과 Untreated된 경우의

이다 선택편의의 문제가 발생할 때 Treatment의 효과를 제 로 알고자 한다면 우리가 비교해야

하는 상은 Treated 된 경우의 Treatment가 용되지 않았을 때의 결과 즉 ( |=1)이다 이러한

가상의 결과를 Counterfactual이라고 한다 (역시 Untreated된 경우의 Treatment가 용되었을 때 결

과 즉( |=0) 역시 Counterfactual이다) 다음의 표가 이를 간략히 정리하고 있다

선택편의(Selection Bias)의 문제하에서 Treatment의 효과를 측정하기 하여 체 집단에 한

Treatment Effect가 아닌 Treated Group에 한 Treatment Effect에 한정하여야 한다 이 게 한정된

집단 즉 Treated Group에 한 효과성 측정을 Average Treatment Effect for the Treated(ATT)라고 한

(1)

여기서 는 Counterfactual에 한 기 치이므로 자료로부터의 직 인 추정은 불

가능하다 Treatment Selection이 측 가능한 변수들의 특정한 집합 Z에 의존한다고 가정해 보자 Dawid(1979)의 표 법에 따르면 다음과 같은 계가 성립한다 ∐ 즉 Z를 통제하 을

때 Untreated Group의 값의 분포와 Treated Group이 만약 Treatment를 받지 아니하 을 때의

값의 분포(즉 Counterfactual의 분포)는 서로 동일하다는 것이다 이는 기 치에 한 다음과 같은

계를 내포한다

(2)

즉 counterfactual인 을 측치인 이 체할 수 있는 것이다 식

(2)의 계를 조건부 독립가정(Conditional Independence Assumption CIA)이라고 한다 Rubin(1974)은 조건부 독립가정(CIA)의 조건이 충족할 경우 ATT를 다음과 같이 측정할 수 있다고 제안한 바

있다

(3)

즉 직 으로 설명한다면 =1인 집단에 속한 특성 Z인 개체에 하여 동일 특성을 지닌 개

체를 =0인 그룹에서 찾아 그 둘의 Y값을 비교하면 되는 것이다 =1 집단 내의 모든 개체에

하여 동일한 계산을 한 뒤 이를 합산하면 ATT를 구하게 된다 그러나 이 방법 역시 일정 정도의 한계를 지닌다 만약 Z가 이산변수(Discrete Variable)가 아닌

연속변수(Continuous Variable)라면 =0 집단에서 동일한 Z를 가진 개체를 찾을 수 없으므로 이상

의 측정법을 용할 수 없다 한 특정 변수들이 집합인 Z에 포함된 변수들이 많은 경우 동일한

특성의 개체를 =0 집단으로부터 찾는 것이 어려울 수 있다 이러한 한계를 극복하고자 도입된 것

이 Propensity Score Matching 방식이다

2 Propensity Score Matching Estimator

Propensity Score(PS)를 Z 특성을 지닌 개체가 Treated될 확률로 정의하고 로 표시하도록

하자

Propensity Score equiv (4)

Rosenbaum and Rubin(1983)은 0ltP(Z)lt1이 모든 Z에 해 만족할 경우 다음의 계가 성립한다

는 것을 증명하 다

∐ rArr ∐ (5)

이 계식은 을 내포하므로 변수집합의 Z의 차원수

∐ rArr

(Dimensionability)가 클 경우에도 다음과 같이 다일변수 P(Z)를 활용하여 ATT를 구할 수 있다

(6)

샘 수의 유한성으로 인해 실제로 식의 두 번째 항을 추정하는 것은 간단치 않은 작업이

다 한 ATT의 추정은 Common Support 역 즉 Treated Group의 P(Z)의 분포와 Untreated Group의 P(Z)의 분포가 겹치는 Z의 역에 한정하여야 한다 Common Support를 벗어나는 역에 해

서는 비교가능한 Counterfactual를 찾기 힘들기 때문이다 이를 반 하여 주어진 샘 내에서 ATT를 추정할 수 있는 다양한 Propensity Score Matching(PSM) Estimator가 제안되었는데 이는 다음과

같이 요약될 수 있다(Todd[2006])

isincap

isin

(7)

여기서 는 Treated Group 구성원을 는 Untreated Group의 구성원을 나타낸다 는 Common Support 역 내의 개체들의 집합을 나타낸다 은 Treated Group의 구성원 Common Support 역에 속하는 개체들의 총수이다 는 가 치를 나타내는 것으로 두 Propensity Score의 거리

인 을 이용하여 결정된다 가 치 용방식에 따라 다양한 측정방식이 제시될 수

있다 이에 해서는 추후에 추가 으로 논의하도록 한다

3 Difference-in-Differences Matching Estimator

여기서 한 단계 발 된 방식의 PSM이 Heckman Ichimura and Todd (1997)에 의해 제시된

Difference-in-Differences(DID) Matching Estimator이다 앞서 ATT의 추정에서 측 가능한 특정 변수

들의 집합 Z가 주어졌을 때 결과치 가 Treatment에 독립 (즉 ∐ 이 성립)이라고 가정한

바 있다 그러나 Z에 포함되어야 할 많은 변수 측이 되지 않는 경우가 있을 수 있다 이러한

경우 계가 더 이상 성립하지 않아 앞서의 ATT 추정법은 정

당성을 상실한다 하지만 Longitudal Data가 주어진 경우 즉 Treatment 이 과 이후의 결과치( )가

주어진 경우 분석 상을 신에 lsquo의 변화분rsquo으로 변경함으로써 이러한 문제를 상당 부분 해

소할 수 있다 Treatment 이 과 이후 두 개의 시간 를 와 prime이라 한다면 분석 상을 이

아닌 prime prime 으로 둘 수 있는 것이다 이때 ATT를 추정하기 해서는

prime ∐ 의 가정이면 충분하게 된다 이는 앞서보다 훨씬 완화된 가정이므로 충족하기

가 보다 용이해진다 특히 측되지 않는 시간 불변(time-invariant)의 일부 변수가 Treatment Selection에 연 된 경우에도 이 변수가 와 prime에는 직 인 향을 미치더라도 prime 에 미치는 향이 없다면(즉 독립 이라면) 문제가 되지 않는 것이다17) 따라서 Longitudal Data가

17) 이 외에도 주어진 수치들이 데이터가 수집된 지역에 따라 Level이 다를 경우 Difference 변수를 활용함으로써 이러

한 Level 차이에서 기인한 편의(bias)를 해소할 수 있다

주어진 경우에 DID Matching Estimator는 매우 효과 인 도구로 활용될 수 있다 이때 DID Matching Estimator는 다음과 같은 방식으로 요약될 수 있을 것이다

isincap

prime prime prime

isin prime

(8)

본 연구에서는 앞서 소개한 DID Matching Estimator를 이용함으로써 시간불변(time-invariant)의

측되지 아니하는 변수들을 사 에 통제하고 보다 신뢰할 만한 분석 결과를 제시하고자 한다

4 Treatment Effect 측정방식

의 가 치를 결정하는 를 어떻게 설정하느냐에 따라 다양한 PSM Estimator가 존재한다 본 연구의 분석에서는 가장 활발히 이용되는 측정방식들로서 Nearest Neighbor Matching Radius Matching Kernel Matching 이 세 가지를 활용하기로 한다18)

가 Nearest Neighbor Matching

이 방식은 조군인 Untreated Group에 속한 개체 에서 Propensity Score가 실험군(Treated Group) 개체의 Score와 가장 근 한 개체를 선택하는 방식이다 즉 를 최소화시키

는 에 해서는 이고 나머지 에 해서는 이 성립한다 [그림 2]가 이

를 잘 형상화하고 있다 이때 Score가 근 한 개체를 하나가 아닌 복수로 선정함으로써 하나를

선정할 때보다 더욱 안정된 추정치를 얻을 수 있다 다만 매칭되는 개체 수가 무 많을 경우

가 크게 되어 편의(bias)가 증가할 수 있으므로 신 할 필요가 있다 개의 근

한 개체를 선택하는 경우 이들 개체 에 해서는 이 성립하고 나머지 에

해서는 이 성립한다 Nearest Neighbor Matching의 경우 가장 근 한 개체를 선택하 으나 가 무

커서 Counterfactual로서 부 합한 매칭이 이루어질 가능성이 있다 이를 보완하기 하여 Cochran and Rubin(1973)은 한 Caliper를 선정하여 매칭에 있어서 를 일정 한도로 제

한할 것을 제안한 바 있다 본 분석에서는 을 5개로 선정함으로써 편의(bias)를 이면서도 안정

된 추정치를 얻고자 하 으며 Caliper는 히 작은 0005로 설정하여 부 합한 매칭을 최소화하

고자 하 다19)

18) 이 외에도 주로 활용되는 측정방식으로 Stratification Matching Mahalanobis Matching 등이 있으나 이들을 활용한 결

과가 본 연구의 분석 결과와 크게 다르지 않다 Dehejia and Wahba(2002)는 Treated Group과 Untreated Group 간의

Propensity Score 분포가 상당 부분 서로 겹친다면 측정방식에 따른 분석 결과의 차이가 크지 않다는 을 강조한

바 있다 이는 실험군 한 개체에 해 매칭 가능한 충분한 수의 조군 개체들이 존재하기 때문이다 즉 측정방식의

차이에 따라 매칭이 되는 조군들의 특성이 크게 달라지지 않는 것이다 본 연구에서 추정한 Propensity Score 분포

는 Treated Group Untreated Group 두 집단 사이에 겹치는 부분이 매우 크다 이는 [그림 4]를 통해 쉽게 확인된다 19) 여기서 Caliper 설정은 실험군 개체와 매칭되는 조군 개체 사이의 PS 거리 즉 를 한 수 으로

제한하고자 함이다 부분의 실험군 개체의 경우 Caliper가 설정한 Boundary에 크게 제한을 받지 않으므로 히

작은 Caliper의 설정이면 편의(Bias)를 개선하기에 충분하다 본 분석에서 설정한 0005 이외에 0002이나 001을 사용

하여 보았으나 역시 결과의 차이가 크지 않음을 확인하 다

[그림 2] Nearest Neighbor Matching(n=1인 경우)

나 Radius Matching

이 방식은 일정 반경을 Caliper로 설정하고 Untreated Group에서 가 Caliper 이내인 모든 개체 를 Treated Group의 개체 에 매칭하는 방법이다(그림 3 참조) 개체 에 하여

Untreated Group으로부터 매칭된 개체의 수가 라면 이들에 해서는 이 성립하고 매칭이 안된 나머지 개체들에 해서는 이 성립한다 이 추정방식은 앞서 Nearest Neighbor Matching에 비해 Propensity Score가 근 한 조군 내의 보다 많은 개체를 분석에 활용할

수 있다는 장 이 있다 보다 많은 조군 내 개체를 활용할수록 Treatment Effects 측정의 정확성

(Precision)은 상승하게 된다 매칭이 가능한 조군 개체의 수가 충분히 많다면 Caliper는 작을수록 좋다 Caliper가 클수록

부 합한 매칭에 따른 Treatment Effects의 편 (Bias)이 커질 수 있기 때문이다 본 분석에서는 샘

의 수가 충분히 크기 때문에 Caliper를 0002로 설정하여 매우 근 한 개체들에 해서만 매칭이

이루어지도록 설정하 다20)

20) 다음 에서는 주어진 샘 을 활용하여 Propensity Score를 추정하고 있다 이 결과에 따르면 PS (01 0102)인 구간

에서 조군 개체 수가 116개 (02 0202) 구간에서 조군 개체 수가 32개 (03 0302) 구간에서 조군 개체 수가

12개에 이르는 것을 확인할 수 있다(표 6과 그림 4를 참조 바람) 즉 0002의 Caliper를 사용할 때 한 개의 실험군

개체에 해 10개 내지 100개 이상의 조군 개체들이 매칭되는 경우가 흔히 존재하는 것이다 반면 Caliper를 이보

다 작게 설정한다면 (특히 PS가 큰 구간에서는) 실험군 개체들과 매칭되는 조군 개체가 존재하지 않을 수 있다 를 들어 PS (04 0402)인 구간에서 조군 개체 수는 단 1개 존재하나 PS (0401 0402)인 구간에서는 무하다

따라서 본 연구에서는 최소의 Caliper이면서도 매칭되는 조군 개체의 수가 충분할 수 으로서 Caliper 0002를 선

정하 다 반면 민감성 테스트(Sensitivity Check)에 따르면 Caliper 0001이나 0003에서도 연구 결과의 차이가 크지

않음을 확인하 다

[그림 3] Radius Matching

다 Kernel Matching

이 방식은 Treated Group 내의 각 개체에 한 매칭을 Untreated Group 내의 모든 개체를 상

으로 진행하는 방식으로 에 따라 가 치를 부여한다 가 작을수

록 가 치가 커진다 이때 사용되는 가 치는 다음과 같이 표시될 수 있다

isin

(9)

여기서 G는 선택된 Kernel function을 은 Bandwidth Parameter를 표시한다 이 방식은

Heckman Ichimura and Todd(1998)에 의해 도입되었는데 주어진 모든 개체를 추정에 활용하므로

정보의 손실을 최소화할 수 있다는 장 이 있다 한 앞서의 두 추정방식과는 달리 인 인

Caliper의 설정이 불필요하다는 장 도 있다 Kernel의 선택에는 Gaussian Function(Normal Distribution) Biweight Function Epanechnikov Function 등 다양한 방식이 가능하나 본 분석에는

Normal Distribution을 채택하 다 Bandwidth Parameter로는 001을 선택하여 가 근

한 이들에게 충분한 가 치가 주어지도록 하 다21)

VI Propensity Score의 추정

주어진 자료에서 Treatment는 이직에 해당한다 이직에 한 Propensity Score(PS)를 추정하기

해서는 이직에 향을 미치는 주요 변수의 집합 을 사용하여야 한다 이들 변수는 다음 조건

을 만족하여야 한다 prime ∐ 즉 이직에 향을 미치는 주요 변수들을 통제한 후에

는 이직을 하지 않은 이들의 결과치 에 한 변화분 prime 의 분포가 이직을 한

이들이 만약 이직을 하지 않았을 때 상되는 결과치 에 한 변화분 prime 의 분

21) Bandwidth Parameter가 0005 002인 경우도 확인해 보았으나 결과에는 큰 차이가 발견되지 않았다

추정함수 Logistic Regression(이직 = 1 비이직 = 0)Z 추정계수 표 오차

직장유지의향 -0002 0004 직무유지의향 -0015 0004 성별(여성 1) -0104 0071

나이 -0138 0023 나이2 0001 0000

교육수 0169 0050 혼인 여부(미혼 1) -0056 0082

정규직 여부(정규직 1) 0342 0248 첫(혹은 두 번째) 일자리 여부 -0599 0068

임 수 (단 만원 로그) 0076 0601 임 수 (단 만원 로그)2 -0052 0063 종업원 규모(단 명 로그) -0084 0015

차수 교육 합도 0000 0001 임 만족도 0003 0002

근무환경만족도 -0004 0002 일자리만족도 -0003 0003

서비스 매직 여부 0459 0077 농어업 종사 여부 0324 0378

정규직 여부 times 교육수 -0131 0056 직장유지의향 times 직무유지의향 0000 0000

상수항 3558 1584 측 수 12754

결정계수( ) 00873

Log Likelihood -401098

포와 동일해야 하는 것이다 따라서 Propensity Score의 추정에 활용할 변수들은 앞서 일자리 이동

의 향요인에 한 분석을 통해 선별할 수 있다 특히 주어진 노동패 의 자료에서는 ldquo 재의

직장을 계속 다니고 싶은가(직장유지의향)rdquo와 ldquo 재 맡고 있는 일을 계속하고 싶은가(직무유지의

향)rdquo라는 이직의사와 련된 매우 긴요한 변수들이 포함되어 있는데 이들을 주요 변수의 집합

에 포함시킴으로써 이상의 조건이 보다 용이하게 충족될 수 있음을 기 할 수 있다 Propensity Score의 추정에는 Logistic Regression을 활용하 다 추정에 활용된 주요 변수들의 집합 과 각

변수에 한 추정계수는 lt표 5gt에 요약되어 있다

lt표 5gt Propensity Score의 추정방정식

주 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

앞서 일자리 이동 향요인에 한 분석에서 일자리 이동의 요한 결정변수로 악된 변수

들이 부분 PS 추정방정식에 포함되었다 만족도와 련한 변수 업무만족도 취업 안정성 만

족도 자기발 만족도 복지후생만족도 이상 네 변수는 일자리 향요인으로 통계 으로 유의하

게 악되었으나 PS 방정식에 추가된 일자리만족도 직장유지의향 직무유지의향 등과의 통계

상 계가 매우 높아 PS 추정방정식에 따로 포함시키지 않았다22) 한 추정방정식에는 일부

Interaction Terms들과 Higher Order Terms들을 추가하여 앞서 설명한 변수집합(Z)의 기본요건을 맞

추고자 하 다 추가 변수들은 Balancing Property를 충족하기 하여 선정되었는데 이에 해서는

아래에서 추가 부연한다Rosenbaum and Rubin(1983)에 따르면 PS는 다음 조건을 만족한다

∐ rArr

즉 PS를 통제한 뒤에는 변수집합 Z와 Treatment 여부 D가 상호 독립 이라는 것이다 이는 PS가 동일한 개체들에 해 Z의 평균값을 구한다면 Treatment를 받은 집단과 그 지 않은 집단 사이

에 차이가 없어야 한다는 을 내포한다 이를 Balancing Property라 한다 이를 검증하기 한 방

법으로 P(Z)를 여러 구간(Blocks)으로 나 뒤 각 구간에 한 Mean Difference Statistical T-test를

시행할 수 있다 일부 구간에 해 T-test가 만족하지 않는 경우에는 구간을 더욱 세분하여 진행하

고 여 히 만족이 되지 않는 경우에는 문제가 되는 일부 변수들의 Interaction Terms들과 Higher Order Terms들을 PS 추정방정식에 추가하여 앞서의 과정을 되풀이한다(Dehejia and Wahba[1999]) 앞서 언 된 Interaction Terms과 Higher Order Terms들은 이상의 과정을 거쳐 추가된 항들이다

Balancing Property 검증을 하여 다양한 PS 추정방정식을 설정하여 반복 인 Test를 수행하

다 최종 으로 lt표 5gt의 추정방정식에서 도출한 PS를 기 으로 lt표 6gt과 같이 10개의 Block을

구분한 뒤 Mean- Difference Statistical T-test를 진행하 다 Block 설정은 PS의 Common Support 역인 [00149 06]에 하여 이루어졌다 각 Block들에 한 T-test의 결과는 lt부표 2gt에 수록되어

있다 추정방정식에 도입된 독립변수 항이 총 20개이고 Block의 수는 10개이므로 총 200개의

Mean-Difference T-test가 시행되었다 lt부표 2gt에서 확인할 수 있듯이 5 Significance Level에서

부분의 Block들이 T-test를 통과하 다 통과에 실패한 테스트는 단 두 개로 Block 1의 lsquo정규직

여부rsquo에 한 테스트와 Block 8의 lsquo성별rsquo에 한 테스트이다 따라서 Block Test의 통과율이 99에

이르러 앞서의 PS 추정방정식이 Balancing Property를 체로 만족하고 있다고 결론내릴 수 있다 이상의 과정을 거쳐 확정된 PS 추정방정식을 이용하여 각 개체별로 PS를 구할 수 있다 [그림

4]는 이 게 구해진 PS에 하여 각 집단별 분포도를 제시하고 있다 Treated Group의 경우 PS의

분포가 Untreated Group에 비해 상 으로 우측으로 치우쳐 있음을 쉽게 확인할 수 있다 그리고

PS 분포에서 Common Support 역이 [00149 06]에 이른다는 것을 확인할 수 있다 이는 PS가

06보다 큰 경우에는 Treatment에 참여한 실험군 개체에 해 그에 상응하는 Counterfactual을 조

군으로부터 찾을 수 없음을 의미한다 따라서 PS를 활용한 Treatment의 효과 측정은 이 Common Support 역에 들어오는 실험군 개체들에 한정하여 이루어질 수밖에 없다

22) 를 들어 일자리만족도와 이들 네 변수와의 상 계수(Correlation Coefficient)는 각각 업무만족도(06536) 취업 안정

성 만족도(06014) 자기발 만족도(06279) 복지후생만족도(05514)에 이른다 이들을 포함시키더라도 반 인 결과

에는 큰 차이가 없다

(10)

02

46

8

0 2 4 6 8 0 2 4 6 8

Untreated Group Treated Group

DensityRough Density Curve

Den

sity

Propensity Score Distribu tion for Each Group

lt표 6gt Balancing Property 검증을 위한 Block 구분

Block 번호 Propensity Score 범 D=0 D=1 합계

1 00149 ~ 0025 655 10 665

2 0025 ~ 005 2128 59 2187

3 005 ~ 0075 2146 152 2298

4 0075 ~ 001 1744 200 1944

5 01 ~ 0125 1300 171 1471

6 0125 ~ 015 949 162 1111

7 015 ~ 02 1138 238 1376

8 02 ~ 03 845 242 1087

9 03 ~ 04 230 95 325

10 04 ~ 06 57 56 113

합계 11192 1385 12577

[그림 4] 각 집단별 Propensity Score 분포도

주 Common Support 역인 [00149 06]에 포함된 개체 수는 Untreated Group의 경우 11192명 Treated Group의 경우에

는 1385명임

VII 분석 결과

이제 구해진 PS를 활용하여 이직의 효과와 이직에 있어서 인 네트워크 활용의 효과성을 분

석할 비를 마련하 다 본 분석에서는 앞서 제3 에서 소개한 7가지의 성과지표에 하여 분석

을 진행할 것이다 우선 PS가 추정된 12754개체에 하여 PS를 고려하지 않은 단순비교를 진행해

성과지표의

연간 변화비교 상

이직자

평균

비이직자 평균

격차

(표 오차)

직장만족도 변화이직자 수 1379 3724 -0334 4058

비이직자 수 11274 (0466)

직무만족도 변화이직자 수 1386 2962 -0428 3389

비이직자 수 11285 (0466)

일자리만족도 변화이직자 수 1384 2944 0282 2662

비이직자 수 11261 (0489)

기술 합도 변화이직자 수 1383 2350 -0058 2408

비이직자 수 11245 (0684)

교육 합도 변화이직자 수 1389 2556 -0142 2697

비이직자 수 11300 (0689)

교육기술복합지수

변화

이직자 수 1383 2422 -0091 2513

비이직자 수 11245 (0664)

임 수 변화이직자 수 1384 9088 2782 6307

비이직자 수 11340 (1614)

보자 lt표 7gt은 이직자 집단과 비이직자 집단의 성과지표 변화를 단순비교한 것이다 표에서 확인

할 수 있듯이 이직자의 경우 모든 지표들에 하여 성과지표의 뚜렷한 증가가 목격되었다 비이

직자의 경우에는 임 수 이 2782만원 증가한 것을 제외하고 에 띄는 성과지표의 개선이 나타

나지 않았다23) 성과지표 개선에서 집단 간의 차이가 존재하는지를 검증하기 하여

Mean-Difference Statistical T-test를 진행하고 그 결과를 표에 수록하 다 모든 지표에 하여 이직

자 집단이 비이직자 집단에 비해 높은 증가세를 보인 것이 통계 으로 유의하게 확인된다 를 들

어 이직자 집단의 월평균 임 수 은 9088만원 상승한 것으로 나타나 비이직자 집단에 비해

6307만원만큼 큰 폭의 임 향상을 보 다 하지만 우리는 이상의 결과를 이직의 효과라고 단정

지을 수 없다 왜냐하면 이직의 효과는 이직자 집단에 속한 개체들의 성과 변화와 이들의

Counterfactual 즉 이들이 이직을 하지 않고 직장을 유지하 을 때의 성과 변화를 직 비교해

야 제 로 악되기 때문이다 이후 제시한 Propensity Score Matching에 의한 이직효과 측정은 이

러한 Counterfactual의 탐색에 기반한 분석 결과이다

lt표 7gt 주요 성과지표의 연간 변화 단순비교

주 1 성과지표의 변화에 한 집단 간 차이를 확인하기 하여 Mean-Difference Statistical T-test를 수행함 2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

23) 주어진 임 수 은 연간 임 상승률을 감안한 수치이기 때문에 비이직자의 임 은 불변이거나 하락하여야 정상이

다 재 악되는 비이직자들의 임 증가는 선택편의(Selection Bias) 문제에 의해 발생한 것으로 보인다 주어진 최

종샘 은 차수와 차수 모두에서 임 근로자로 악된 이들로 구성된다 취업시장에 신규로 진입하는 이들에

비하여 근속연수가 1년 많은 셈이다 한 차수에 임 근로자인 이들 임 상승폭이 작은 이들이 그 지 않은

이들보다 근로시장을 이탈할 가능성이 높다 이로 인하여 차수에 이어 차수까지 근로시장에 남아 있는 이들

은 상 으로 높은 임 상승을 보이는 것으로 단된다( 한 분석에 활용한 임 상승률이 lsquo임 구조기본통계조사rsquo의 표본으로부터 추정된 것이므로 노동패 표본과의 근본 차이로 인해 이상의 문제가 도출하 을 가능성도 일

부 배제할 수 없다)

공개채용 스카우트 소개나 추천 직 찾아가서 기타

인 네트워크

활용 구직

21 10 730 68 2

(69) (625) (8459) (1166) (556)

인 네트워크

비활용 구직

278 4 118 502 27

(9145) (250) (1367) (861) (750)

알 수 없음5 2 15 13 7

(164) (125) (174) (223) (1944)

총 사례 수 (1802명

)

304 16 863 583 36

(100) (100) (100) (100) (100)

이직 성격 분류비네트워크

경로-

네트워크

경로

비네트워크

경로-

본격 인 분석에 앞서 인 네트워크와 련하여 이직의 성격을 규명할 필요가 있다 인 네

트워크를 이직경로로 활용한 경우와 그 지 않은 경우로 구분지어 보도록 하자 이를 해 노동패

6차에서 10차까지의 체 경력직 취업자들을 상으로 한 lt부표 1gt의 lsquo경력직 취업자들의 일

자리 진입방식별 구직방법의 분포rsquo를 참조하도록 하자 노동패 에서 제공하는 일자리 진입방식

은 lsquo공개채용rsquo lsquo스카우트rsquo lsquo소개나 추천rsquo lsquo직 찾아가서rsquo lsquo기타rsquo 이 게 다섯 가지로 구분된다 이 lsquo공개채용rsquo 형태의 일자리 진입에서는 lsquo인터넷rsquo이나 lsquo매체 고rsquo를 활용한 구직이 체 사례

의 8486에 이른다 lsquo직 찾아가서rsquo 형태의 일자리 진입 역시 lsquo인터넷rsquo이나 lsquo매체 고rsquo 그리고

lsquo직 탐문rsquo 방식의 구직이 사례의 8113에 이른다 반면 lsquo소개나 추천rsquo 형태의 일자리 진입에서

는 lsquo친구나 친지rsquo를 통하거나 lsquo취업희망 직장의 지인rsquo 혹은 lsquo업무상 알게 된 지인rsquo을 통하는 경우

가 체의 81235에 이른다 즉 각 일자리 진입방식 간에 매우 뚜렷한 구직형태의 차이를 보여

주고 있다 lt부표 1gt의 성공한 구직방법 2 3 8 10 11을 인 네트워크를 활용한 구직으로 1 4 5 6 7 9를 그 지 않은 구직으로 분류하고 각 일자리 진입방식에 한 인 네트워크 활용도를

추산해 보면 다음 lt표 8gt과 같이 요약된다

lt표 8gt 일자리 진입방식별 이직의 성격 분류

주 ( ) 안은 각 일자리 진입방식에 한 이직 성격의 비 을 백분율로 표시함 자료 lt부표 1gt를 재구성한 것임

lt표 8gt에 요약된 바와 같이 lsquo공개채용rsquo과 lsquo직 찾아가서rsquo 형태의 일자리 진입에서 인 네트

워크를 활용하지 않은 구직이 각기 9145와 861에 이른다 반면 lsquo소개나 추천rsquo에서는 인 네

트워크를 활용한 구직이 8459에 이른다 이를 바탕으로 본 분석에서는 lsquo공개채용rsquo과 lsquo직 찾아

가서rsquo를 lsquo비네트워크 경로 이직rsquo으로 lsquo소개나 추천rsquo을 lsquo네트워크 경로 이직rsquo으로 구분한다 이 분류

에 따르면 15705명의 최종샘 에서 이직자로 악된 1560명 1438명의 체 인 구직경로 구

분이 가능하다 이 999명이 네트워크 경로 이직자로 439명이 비네트워크 경로 이직자로 분류

된다 한 앞서 PS가 추정된 12754명 에는 1391명이 이직자인데 그 891명은 네트워크 경

로 이직자로 387명은 비네트워크 경로 이직자로 분류된다

1 이직을 통한 개인만족도의 변화

아래 세 개의 도표 lt표 9gt lt표 10gt lt표 11gt은 이직을 통하여 개인의 만족도가 개선되는지의

여부를 PSM을 통하여 검증한 것이다 각각의 만족도지수(직장만족도 직무만족도 일자리만족도)에 하여 세 가지 방식의 PSM 추정치(Five Nearest Neighbors Radius Matching Kernel Matching)를

제시하고 있다앞서 lt표 7gt의 단순비교에서는 이직자와 비이직자의 연간 만족도변화가 100 만 에서

4058 (직장만족도) 3389 (직무만족도) 2662 (일자리만족도)만큼 차이가 나는 것으로 집계

되었다 그러나 PSM 방식으로 재추정된 이직의 만족도 개선효과는 각각 약 250 (직장) 216(직무) 155 (일자리)으로 나타났다24) 종합하면 단순비교 방식(표 7)은 PSM 활용방식(표 9

표 10 표 11)에 비해 이직의 만족도 개선효과를 약 1~15 만큼 과 추정하고 있음을 확인할 수

있다 이러한 상이 나타난 이유는 실제 이직한 이들이 그 지 않은 이들에 비해 기존 직장에서

의 만족도가 상 으로 낮았다는 데 있다 를 들어 주어진 최종샘 에서 이직자들의 기존 직장

에서의 직장만족도는 평균 5071 을 보이는 반면 같은 시기 비이직자들의 평균 직장만족도는 이

보다 무려 7 가까이 높은 5724 으로 나타났다 따라서 단순비교 방식에서는 이직을 통한 만족

도 개선효과가 다소 과장되어 추산되기 마련이다 이들 이직한 이들이 만약 기존 직장에 그 로 남아 있었다면 (이들의 만족도가 상 으로 낮

은 수 이므로) 다른 이들에 비해 보다 높은 수 의 만족도 개선을 한 해 사이에 경험하 을 것이

다 실제로 체 비이직자들의 연간 만족도의 변화가 각기 -0334 (직장) -0428(직무) 0282 (일자리)에 그치는 데 반해 실험군(이직자 집단)의 Counterfactual 즉 PS를 사용하여 실험군 개체에 매

칭된 (비이직자 집단 내) 조군 개체들의 만족도 변화는 각기 113 (직장) 066 (직무) 133 (일자리)에 이르 다(각 표의 lsquo매칭된 조군 변화(B)rsquo 항목 참조) 실험군 Counterfactual에서의 만족도

개선폭이 여타 비이직자들의 연간 만족도 개선폭보다 략 1 이상 높게 나타나는 것이다 이상

의 선택편의(Selection Bias) 문제가 히 통제될 때 이직의 순효과가 바르게 추정될 수 있다 앞서 시한 PSM 방식으로 추정된 이직의 만족도 개선효과는 이러한 선택편의 문제를

Counterfactual Framework으로 극복한 추정 결과라 할 수 있다 그럼 네트워크 경로 이직과 비네트워크 경로 이직 사이에 뚜렷한 차이가 존재하는지 살펴보도

록 하자 표에서 확인할 수 있듯이 두 경우 모두 이직의 만족도 개선효과가 통계 으로 유의한 수

에서 명확히 확인된다 네트워크 경로의 이직에서는 만족도 개선의 효과가 각기 220 (직장) 158 (직무) 117 (일자리)으로 확인되었고 비네트워크 경로의 이직에서는 각기 263 (직장) 284 (직무) 207 (일자리)으로 확인되었다 흥미로운 부분은 비네트워크 경로의 이직에서 이직

을 통한 만족도 개선의 효과가 소폭 높게 나타난 이다 이는 비네트워크 이직 사례들이 상당수

의 lsquo공개채용rsquo 입사자를 포함하기 때문에 나타난 상으로 보인다 lsquo공개채용rsquo은 주로 종업원 300인 이상의 규모가 큰 기업에서 집 으로 활용되고 있다25) 이들 큰 기업에 lsquo공개채용rsquo으로 입사

한 이들은 그 직장에 비해 주 인 만족도가 크게 향상되었을 것이다 이러한 lsquo공개채용rsquo 사례들이 비네트워크 이직의 만족도 개선효과를 다소 증폭시키는 역할을 하 을 것으로 추정된다

반면 비네트워크 이직을 통한 만족도 개선이 네트워크 이직에 비해 다소 크다고 하여 이것이

24) 이는 분석에 사용된 세 가지 방식의 PSM 추정치들을 산술평균하여 정리한 수치들임 25) 이 부분에 한 구체 인 설명은 발간 정인 한국개발연구원 정책연구시리즈 lsquo인 네트워크(개인의 사회 자본)

의 노동시장 효과 분석rsquo을 참조하기 바란다 ( 자에게 요청시 수령가능함)

이직과정에서의 인 네트워크 요성은 인정되지 않는다는 식으로 해석될 수 없음을 유념하여야

한다 국내 이직과정에서의 인 네트워크 의존도는 해외 주요국에 비해 상당히 높은 수 이다 략 65 안 의 경력직 취업자들이 인 네트워크를 활용하여 구직에 성공하 다고 추정되고 있

다26) 만약 재 이직을 고려하고 있는 국내 한 근로자가 구직활동에서 인 네트워크 활용을 포기

한다면 이 근로자의 이직 성공 가능성은 매우 낮아질 것이다 즉 개인의 이직 성공률을 높이기

해서는 평소에 꾸 한 구직 네트워크 리가 요청된다 할 수 있다 특히 이직수요라는 것은 많은

경우 자신의 의도와는 다르게 외부 충격으로 인해 발생한다 회사의 경제 환경이 변화하기도

하지만 자신의 심사가 바 기도 하고 가족의 갖가지 필요에 의해 이직이 요구되기도 한다 즉 언제 발생할지 모르는 이직수요에 히 응하기 해서는 이직의 주요한 통로라 할 수 있는 인

네트워크에 한 상시 리가 요청되는 것이다 따라서 이직을 고려한 인 네트워크의 상시

리 이를 한 개인의 갖가지 비용 지출은 향후 발생 가능한 험에 처하기 하여 자동

차나 암 보험을 구매하는 것과 같이 기꺼이 지불해야 할 미래에 한 투자라 할 수 있다

26) 역시 한국개발연구원 정책연구시리즈 lsquo인 네트워크(개인의 사회 자본)의 노동시장 효과 분석rsquo을 참조하기 바

란다

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1371) 3662 1201 2460 403

조군(11274) (0610)

Radius Matching 실험군(1362) 3543 1009 2534 436

조군(11274) (0581)

Kernel Matching(Normal) 실험군(1372) 3659 1165 2494 434

조군(11274) (0564)

체 이직효과 평균 362 113 250

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 3309 1169 2140 293

조군(11274) (0730)

Radius Matching 실험군(879) 3231 0939 2292 331

조군(11274) (0693)

Kernel Matching(Normal) 실험군(881) 3309 1146 2162 315

조군(11274) (0686)

네트워크 이직효과 평균 328 108 220

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(380) 4224 1525 2699 224

조군(11274) (1206)

Radius Matching 실험군(373) 3981 1438 2543 217

조군(11274) (1171)

Kernel Matching(Normal) 실험군(381) 4213 1565 2647 230

조군(11274) (1149)

비네트워크 이직효과 평균 414 151 263

lt표 9gt 이직을 통한 직장만족도 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1377) 2850 0701 2149 363

조군(11285) (0592)

Radius Matching 실험군(1368) 2767 0626 2140 381

조군(11285) (0562)

Kernel Matching(Normal) 실험군(1378) 2852 0648 2204 398

조군(11285) (0554)

체 이직효과 평균 282 066 216

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(884) 2302 0808 1494 211

조군(11285) (0707)

Radius Matching 실험군(882) 2256 0658 1598 238

조군(11285) (0670)

Kernel Matching(Normal) 실험군(884) 2302 0654 1648 249

조군(11285) (0661)

네트워크 이직효과 평균 229 071 158

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 3648 0577 3072 269

조군(11285) (1142)

Radius Matching 실험군(374) 3463 0774 2688 245

조군(11285) (1098)

Kernel Matching(Normal) 실험군(382) 3652 0888 2764 257

조군(11285) (1077)

비네트워크 이직효과 평균 359 075 284

lt표 10gt 이직을 통한 직무만족도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1375) 2909 1571 1338 217

조군(11261) (0617)

Radius Matching 실험군(1366) 2818 1276 1543 262

조군(11261) (0588)

Kernel Matching(Normal) 실험군(1376) 2907 1147 1760 303

조군(11261) (0581)

체 이직효과 평균 288 133 155

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(882) 2523 1626 0897 121

조군(11261) (0742)

Radius Matching 실험군(880) 2472 1246 1225 173

조군(11261) (0707)

Kernel Matching(Normal) 실험군(882) 2523 1139 1383 198

조군(11261) (1697)

네트워크 이직효과 평균 251 134 117

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 3609 1499 2110 176

조군(11261) (1196)

Radius Matching 실험군(374) 3409 1530 1879 163

조군(11261) (1151)

Kernel Matching(Normal) 실험군(382) 3599 1365 2235 197

조군(11261) (1133)

비네트워크 이직효과 평균 354 146 207

lt표 11gt 이직을 통한 일자리만족도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이 를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

2 이직을 통한 배치효율성의 변화

다음은 이직의 다른 측면인 일자리 재배치의 문제에 해 살펴보고자 한다 이직은 각 개인

에 있어서는 직장생활의 변화라 할 수 있지만 기업의 입장에서는 노동인력의 교환에 해당한다 따라서 이직을 통한 노동인력의 재배치가 과연 사회 반의 경제 이익을 창출하고 있는지를 따

져 볼 필요가 있다 앞서 lt표 7gt에서 기술수 교육수 교육기술복합지수 이 세 가지 합도에 해 이직자

비이직자 집단 내의 연간 변화를 정리한 바 있다 여기서 비이직자의 경우 각 지수에서 연간 합

도가 소폭 하락한 것으로 나타났고 이직자의 경우 합도가 크게 상승한 것으로 나타났다 비이

직자는 기술수 의 합도에서 0058 이 교육수 의 합도에서 0142 이 그리고 교육기술수

의 복합지수에서는 0091 이 하락한 데 반해 이직자들은 각기 2350 (기술) 2556 (교육) 2422(복합지수)의 합도 상승이 발견되었다 비이직자들의 합도 하락은 기술이나 경제환경의 변

화와 한 련이 있다 경쟁력 있는 기술 이에 한 사회 수요가 시간에 따라 변화하므로 직장에서의 자신의 기술 혹은 교육수 은 (평균 으로 보아) 이 보다 합성이 다소 떨어지게

마련이다 반면 이직자들의 합도 상승이 과연 이직의 순효과인지에 해서는 여 히 의문의 여

지가 크다 이직을 결행한 이들은 이 직장에서의 직무 련 합도가 평균 으로 크게 떨어지는

이들이다 를 들어 최종샘 에서 이직을 하지 않은 이들의 한 해 기술 합도는 평균 9066인 데 반해 이직을 결행한 이들의 한 해 (이 직장에서의) 기술 합도는 평균 8547 에 머무

는 것으로 나타났다 이들은 애 에 워낙 합도가 떨어지기 때문에 굳이 이직을 택하지 않더라

도 직무재배치나 직장 내 부서이동 등을 통하여 1년 사이에 상당한 정도의 합도 개선을 이루었

을 것으로 상된다따라서 이직을 통한 배치효율성의 개선효과 즉 반 인 근로자의 직무 련 합도 상승효

과를 명확히 규명하기 해서는 이직한 이들이 이직을 하지 아니하 을 때에 상되는 합도의

개선을 우선 추정해 볼 필요가 있다 이것은 앞서 설명하 듯이 Counterfactual의 추정을 통해서만

이 가능하다 lt표 12gt lt표 13gt lt표 14gt는 PSM을 이용하여 비이직자들의 정보로부터 이직자들의

Counterfactual을 추정한 뒤 이를 보고하고 있다 세 방식(Five Nearest Neighbors Radius Matching Kernel Matching)의 추정치를 산술평균하면 기술 합도에서는 088 교육 합도에서는 057 교육

기술복합지수에서는 075 의 상승이 확인되었다(각 표의 lsquo매칭된 조군 변화(B)rsquo 항목을 참조) 이를 실험군 즉 실제 이직자들의 합도 상승(각 표의 lsquo실험군 변화(A)rsquo 항목)과 비교하면 순이직

효과는 각기 131 (기술) 183 (교육) 140 (복합지수)에 이르는 것으로 결론지을 수 있다 반

면 교육과 복합지수에서는 이들 순이직효과가 통계 으로 유의하게 나타났으나 기술수 의

합도에서는 이 효과가 통계 으로 뚜렷하지 않았다 10의 유의도에서 검증할 때 Kernel Matching을 제외한 나머지 두 개의 PSM 매칭에서 통계 유의성을 확보할 수 없었다 이에 이직

을 통한 교육수 의 합도 개선효과는 분명한 반면 기술수 의 합도 개선은 통계 으로 입증

되지 않는다고 결론지을 수 있다 교육기술복합지수의 경우 이 두 가지 효과가 첩되어 나타난

것으로 교육수 의 합도 개선이 워낙 뚜렷하기 때문에 통계 으로 유의한 지수상승이 나타난

것으로 단된다 이상과 같이 이직을 통해 교육수 합도의 개선이 보다 효과 으로 이루어지

는 것은 채용과정에서 후보자의 교육수 이 기술수 에 비해 객 인 자료를 이용하여 검증하

기가 보다 용이하기 때문인 것으로 보인다

그럼 이직을 통한 배치효율성 개선 측면에서 인 네트워크의 역할을 살펴보도록 하자 네트

워크 경로 이직과 비네트워크 경로 이직으로 나 어 이직효과를 각기 추정해 보면 둘 사이에 의

외의 뚜렷한 차이가 존재함을 확인할 수 있다 네트워크 경로의 이직인 경우 이직을 통한 합도

개선효과가 통계 으로 유의한 수 에서 매우 높게 나타난다 이직의 순효과는 각기 213 (기술) 252 (교육) 126 (복합지수)에 이른다 반면 비네트워크 경로의 이직인 경우 이 효과는 모두 사

라져 버린다 즉 이직효과는 기술 합도 교육 합도 교육기술복합지수 모두에서 양과 음을 반복

하고 통계 유의성도 확보되지 않는다 즉 비네트워크 경로를 통한 이직에서는 일자리 재

배치를 통한 사회 반의 경제 이득을 기 할 수 없는 것이다 앞서 교육 합도 개선에 있어 이

직의 반 인 효과가 통계 으로 강하게 나타났는데 이 효과의 부분은 비네트워크 경로 이직

보다는 네트워크 경로 이직으로부터 창출된 것임을 짐작할 수 있다 특히 기술 합도를 보면 이직자들의 합도 개선은 네트워크와 비네트워크 이직 사이에 뚜렷

한 차이를 보이는데 네트워크 이직자들의 합도 개선은 평균 292 인 데 반해 비네트워크 이직

자들의 합도 개선은 평균 048 에 그친다 인 네트워크를 활용하지 않고 이직을 하 을 경우 이직을 하 음에도 불구하고 기술 합도의 개선은 평균 으로 거의 기 되지 않는 것이다 이는

앞서 주 만족도의 개선효과와 비교하여 매우 상반된 결과에 해당한다 이직을 통한 주 만

족도의 개선에서는 네트워크와 비네트워크 이직 모두 그 효과가 분명하 으며 특히 비네트워크

이직자들의 주 만족도 개선폭은 3 내지 4 에 이르 다 이는 네트워크 이직자들의 만족

도 개선폭에 비해서도 1 가량 높은 수치 다 따라서 이직이 반 으로 개인의 주 만족도

를 개선하는 효과가 있으나 배치효율성의 개선 측면에서는 오직 인 네트워크에 의존한 이직만

이 재배치의 분명한 경제 효과를 평균 으로 창출한다고 결론지을 수 있다 이러한 네트워크와 비네트워크 사이의 뚜렷한 이직효과의 차이는 네트워크가 지닌 정보 달

기능에 기인한 것으로 단된다 인 네트워크는 구인자와 구직자 사이에 훌륭한 정보 달 기능

을 수행하고 있다 구직자에게는 어떠한 일자리가 구직자의 기술능력 혹은 교육수 에 비추어

합한지에 한 정보를 제공하고 구인자에게는 구인자가 필요로 하는 합한 기술의 소유자가

구인지에 한 정보를 제공하는 것이다 이는 평소에 구인자와 구직자 모두를 아우르는 간 매개

로서의 인 네트워크가 있었기에 가능한 것이다 반면 비네트워크에서는 이러한 효과를 기 하

기 힘들다 비네트워크 채용에서는 주어진 서류와 단시간의 인터뷰 혹은 직무능력 테스트만을 가

지고 합한 인력을 선발하여야 한다 lsquo공개채용rsquo의 경우 많은 지원자들의 경쟁을 거치므로 상으로 보다 합한 후보자를 선별할 수 있을 것이다 그러나 lsquo직 찾아가서rsquo 형태의 입사에서는

이러한 경쟁의 과정 역시 생략되므로 높은 합도를 지닌 후보의 채용은 더욱 기 하기 힘들다 정리하자면 인 네트워크는 국내 노동시장에서 일자리와 일자리 후보 사이의 활발한 정보 달

기능을 수행함으로써 노동시장의 효율 작동을 돕고 있는 것이다 끝으로 이러한 네트워크 이직의 배치효율성이 모든 이직 사례에 일 으로 용되는 것이

아님을 주지할 필요가 있다 인 네트워크가 구인과 구직 사이의 lsquo연결(Networking)rsquo 기능을 수행

할 때 이상의 정 인 효과를 기 할 수 있을 것이나 이 둘 사이의 lsquo연 rsquo로서 기능할 때는 오히

려 역효과를 래할 수 있다 즉 인 네트워크를 통하여 합하지 않은 지원자를 연 로 채용시

키는 경우 해당 일자리에 한 매치 합성은 네트워크 이직으로 인해 오히려 감퇴할 수 있다 우리는 이상의 분석을 통하여 국내 노동시장에서 네트워크 이직의 반 인 교육 기술 수

합도 개선효과를 확인한 바 있다 이는 국내 노동시장의 고용 로세스에서 lsquo연 rsquo의 부정 효과

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1374) 2220 1095 1124 121

조군(11245) (0929)

Radius Matching 실험군(1365) 2088 0735 1353 155

조군(11245) (0874)

Kernel Matching(Normal) 실험군(1375) 2255 0795 1460 168

조군(11245) (0869)

체 이직효과 평균 219 088 131

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 2951 0919 2032 181

조군(11245) (1125)

Radius Matching 실험군(879) 2844 0746 2098 198

조군(11245) (1057)

Kernel Matching(Normal) 실험군(881) 2951 0702 2250 214

조군(11245) (1049)

네트워크 이직효과 평균 292 079 213

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 0525 2297 -1772 -096

조군(11245) (1840)

Radius Matching 실험군(374) 0267 0868 -0600 -034

조군(11245) (1753)

Kernel Matching(Normal) 실험군(382) 0654 1297 -0642 -037

조군(11245) (1746)

비네트워크 이직효과 평균 048 149 -100

보다는 구인구직 간 lsquo연결rsquo이라는 네트워크의 정 효과가 보다 강하게 작동하고 있음을 시사

한다

lt표 12gt 이직을 통한 기술적합도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1380) 2428 0630 1797 193

조군(11300) (0931)

Radius Matching 실험군(1371) 2298 0496 1802 207

조군(11300) (0872)

Kernel Matching(Normal) 실험군(1381) 2462 0586 1876 216

조군(11300) (0869)

체 이직효과 평균 240 057 183

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(886) 3047 0342 2705 245

조군(11300) (1106)

Radius Matching 실험군(884) 2885 0528 2357 227

조군(11300) (1037)

Kernel Matching(Normal) 실험군(886) 3047 0551 2496 243

조군(11300) (1029)

네트워크 이직효과 평균 299 047 252

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(382) 1702 2007 -0305 -016

조군(11300) (1891)

Radius Matching 실험군(375) 1600 0559 1041 058

조군(11300) (1788)

Kernel Matching(Normal) 실험군(383) 1828 0910 0917 051

조군(11300) (1793)

비네트워크 이직효과 평균 171 116 055

lt표 13gt 이직을 통한 교육적합도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1374) 2293 0893 1399 155

조군(11245) (0904)

Radius Matching 실험군(1365) 2161 0641 1520 179

조군(11245) (0850)

Kernel Matching(Normal) 실험군(1375) 2327 0711 1616 191

조군(11245) (0847)

체 이직효과 평균 226 075 140

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 2951 0643 2308 212

조군(11245) (1087)

Radius Matching 실험군(879) 2816 0662 2154 211

조군(11245) (1021)

Kernel Matching(Normal) 실험군(881) 2951 0645 2306 228

조군(11245) (1014)

네트워크 이직효과 평균 291 065 226

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 1115 2233 -1118 -062

조군(11245) (1816)

Radius Matching 실험군(374) 0936 0749 0187 011

조군(11245) (1727)

Kernel Matching(Normal) 실험군(382) 1243 1131 0112 007

조군(11245) (1726)

비네트워크 이직효과 평균 110 137 -027

lt표 14gt 이직을 통한 교육기술복합지수의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

3 이직을 통한 임금수준의 변화

다음은 이직을 통한 임 수 의 변화가 실재하는지 검토하고자 한다 네트워크 이직과 비네트

워크 이직을 나 어 볼 때 앞서 우리는 네트워크 이직이 일자리 매치 합도를 히 개선한다

고 밝힌 바 있다 임 이 근로자의 생산성 기여분을 그 로 반 한다고 한다면 네트워크 이직에

따른 매치 합도의 개선은 근로자의 임 상승으로 이어져야 할 것이다 앞서 lt표 7gt의 단순비교에서 이직자들의 연간 임 상승분이 평균 9088만원 비이직자들의 연

간 임 상승분은 2782만원으로 집계된 바 있다 둘 사이의 격차가 6307만원에 이른다 한 해 사

이에 이직한 이들의 연간 임 상승폭이 직장을 그 로 유지한 이들의 연간 임 상승폭 보다

히 높은 수 인 것이다 하지만 이러한 단순비교는 선택편의(Selectoin Bias) 문제를 역시 고려하지

않고 있으므로 이직의 직 인 임 상승효과라 볼 수는 없다 즉 실제로 이직을 결행한 이들의

이직 임 수 은 같은 시기 직장을 그 로 유지한 이들에 비해 상 으로 낮은 수 일 가능

성이 높다 이들이 직장을 그 로 유지하 다면 다른 이들에 비해 히 높은 수 의 임

상승을 경험하 을 것이다 실제 이직한 이들이 만약 이직을 하지 않고 직장을 그 로 유지하

을 때 상되는 임 상승분 즉 이직자 임 상승분의 Counterfactual을 PSM 방식을 활용하여 추

정한 수치가 lt표 15gt의 lsquo 조군 변화(B)rsquo에 요약되어 있다 이에 따르면 실제 이직자들이 이직을

하지 않았을 때 기 할 수 있는 임 상승분은 략 5만원 정도에 이르는 것으로 나타난다 따라

서 이직에 따른 임 상승의 순효과는 앞서 제시한 6307만원이 아닌 이보다 상당히 축소된 386만원이다 이는 lt표 15gt에 정리된 바와 같이 PSM을 활용한 세 가지 추정치의 산술평균으로 추산

된 값이다 한 이러한 이직의 임 상승효과는 통계 으로도 유의한 것으로 확인되었다 반면 네트워크 경로 이직자와 비네트워크 경로 이직자의 임 상승분을 비교해 보면 둘 사이

에 상당한 격차가 존재함을 쉽게 확인할 수 있다 네트워크 이직자들의 이직을 통한 임 상승효과

는 통계 으로 유의한 수 에서 략 384만원으로 추정되는 반면 비네트워크 이직자들의 임

효과는 -077만원이고 이는 통계 으로도 유의하지 않다 즉 네트워크를 활용하여 이직하 을

때 뚜렷한 임 상승이 기 되는 반면 인 네트워크를 활용하지 않고 이직하 을 때는 이 효과

를 확신할 수 없을 뿐더러 다소 하락할 가능성도 있는 것이다 따라서 앞서 확인된 이직을 통한

반 인 임 상승의 효과는 네트워크 이직을 통해 창출된 효과이며 비네트워크 이직을 통한

기여는 뚜렷하지 않은 것으로 결론지을 수 있다이직은 새로운 일자리에 자신의 기술 직무 능력을 응시키는 과정이다 따라서 임 상승

효과가 이직 기에 항상 담보되지는 않을 것이다 반면 인 네트워크를 활용하 을 때 자신에

게 보다 합한 일자리에 배치됨으로써 즉 자신의 능력과 잠재력을 보다 잘 발휘할 수 있는 직무

에 재배치됨으로써 이상의 추가 인 임 상승을 기 할 수 있는 것이다 이는 앞서 이직을 통한

배치효율성 검증에서 확인되었던 네트워크 이직의 기술수 (혹은 교육수 ) 합도 상승효과와

일맥상통하는 결과이다 인 네트워크를 활용한 이직은 임 근로자를 보다 합한 일자리에 재

배치하는 데 일조하고 이것이 생산성에의 보다 높은 기여를 창출함으로써 이직자들의 추가 인

임 상승으로 이어지는 것이다물론 이러한 해석은 평균 인 추세를 반 한 것임에 유념할 필요가 있다 네트워크 이직의 사례

에는 앞서 말한 생산 인 lsquo연결rsquo 효과가 아닌 비생산 인 lsquo연 rsquo 효과 혹은 정실인사(Nepotism)가

작동한 경우들도 상당할 것이다 이 경우 생산성에의 기여가 충분하지 않음에도 불구하고 기술이

나 능력에 비해 임 을 후하게 설정할 가능성이 높다 이러한 lsquo연 rsquo형 이직을 통한 임 상승 역

시 네트워크 이직의 임 상승효과라 볼 수는 있겠으나 이것이 일자리 배치효율성의 개선을 반

한다고 볼 수는 없는 것이다 따라서 앞서 추정한 네트워크 이직의 임 상승효과 384만원이

으로 일자리 매치 합도 개선효과에서 기인한다고 단정 지을 순 없다 한 비네트워크 이직 역

시 평균 으로 임 상승의 효과가 포착되지 않은 것일 뿐 비네트워크 이직의 표본 에는 실제로

임 이 크게 상승한 사례들도 상당히 존재할 수 있다 를 들어 lsquo공개채용rsquo 방식의 입사인 경우 경합자들에 비해 채용 합격자의 해당 일자리 합성이 보다 우수하다고 단되어 채용된 사례가

많을 것이다 이 게 경쟁을 거쳐 채용된 이들은 이 에 비해 상당히 높은 수 의 임 상승을 기

할 수 있다 반면 비네트워크 이직에서 반 인 임 상승의 효과가 포착되지 않는 것은 비네트워크 이직

이 격한 주 만족도의 개선을 이끌었던 것과 비교하여 매우 조 인 상이다 많은 이들의

상식과는 달리 이직의 결정은 임 만족도 수 과 직결되어 있지 않다 앞서 제4 에서 우리는 이

직의 향요인들을 분석해 본 바 있다 이직의 결정이 업무만족도 복지후생만족도 취업 안정성에

한 만족도 등 다양한 요소에 민감하게 반응하는 반면 임 에 한 만족도와는 통계 으로 유의

한 수 에서의 연 성이 포착되지 않았다 개인의 이직 결정은 임 이외에 다양한 요소들을 종합

으로 고려한 단 결과라 할 수 있다 체로 이직은 다양한 방면에서 개인의 주 만족도를

격하게 향상시킨다 반면 자신의 기술(교육)수 과 일자리의 매치 합성의 문제는 이직자들에

게는 부차 인 고려 상에 해당한다 임 수 의 개선 역시 이직 시 고려되는 한 요소이겠으나 인 요소는 아니고 다양한 향요인 의 하나로 볼 수 있는 것이다 이러한 에서 비네트워

크 이직이 다소 상반된 효과(즉 주 만족도의 한 개선효과와 미미한 수 의 임 개선효

과)를 동시에 보여주고 있는 것은 일견 자연스러운 상이다

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1375) 8887 5274 3613 184

조군(11340) (1962)

Radius Matching 실험군(1366) 8842 4813 4029 208

조군(11340) (1936)

Kernel Matching(Normal) 실험군(1376) 8861 4916 3945 206

조군(11340) (1880)

체 이직효과 평균 886 500 386

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(882) 8943 5519 3423 150

조군(11340) (2285)

Radius Matching 실험군(880) 8827 4855 3972 178

조군(11340) (2231)

Kernel Matching(Normal) 실험군(882) 8943 4819 4124 186

조군(11340) (2217)

네트워크 이직효과 평균 890 506 384

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 4772 5672 -0900 -024

조군(11340) (3685)

Radius Matching 실험군(374) 4805 5201 -0396 -011

조군(11340) (3661)

Kernel Matching(Normal) 실험군(382) 4691 5716 -1025 -028

조군(11340) (3601)

비네트워크 이직효과 평균 476 553 -077

lt표 15gt 이직을 통한 임금수준의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

VIII 구직 네트워크의 사회적 자본 추정

근로자 개인의 측면에서 구직 네트워크의 가치를 추정해 보자 앞서 네트워크 이직을 통한 임

상승효과를 3840만원으로 추정하 다 이는 2008년 기 액이다 연간 물가상승률을 감안하

면27) 2010년 재가로 4074만원에 해당한다 평소에 구직 네트워크를 히 리하여 이직에서

이를 활용한다면 한 번의 이직으로 4만원 안 의 추가 인 임 상승을 기 할 수 있는 것이다 연으로는 489만원 가량의 임 이 이직 이후 매년 추가 으로 지 되는 것으로 해석될 수 있다28)

한편 이직이라는 것은 근로자의 생애를 걸쳐 발생하는 사건이다 임 근로자를 심으로 한

재의 최종샘 에서 연간 일자리 이동비율은 평균 993에 이른다 직종 업종에 따라 혹은 재

직 회사의 규모에 따라 이직률에는 상당한 차이가 있겠으나 체 임 근로자를 상으로 하 을

때 략 10년에 한 번 정도의 이직이 상되는 것이다 임 근로자의 생애를 걸쳐 살펴보면

이직은 주로 직장생활 후기보다는 기에 집 되어 있다 [그림 5]는 최종샘 15705명 임 근로

자를 상으로 한 각 연령별 이직률 추이를 나타낸다 생애 이직률은 20 후반에 가장 높고 30 반에 주춤하다가 30 후반에 다시 상승하고 40 이후에 하강하는 추세임을 확인할 수

있다

[그림 5] 연령별 이직률(26세부터 59세까지)

(단 )

0

2

4

6

8

10

12

14

16

18

26 28 30 32 34 36 38 40 42 44 46 48 50 52 54 56 58

연령(만)

자료 노동패 5차부터 10차까지

이를 활용하면 임 근로자 한 사람이 평생에 걸쳐 기 할 수 있는 이직의 임 상승효과를 추

정해 볼 수 있다 첫 취업의 평균연령이 265세임을 고려하여 표 인 임 근로자(A Representative Worker)가 26세부터 60세까지 노동시장에 참여한다고 가정해 보자 인 네트워크

27) 여기에 연평균 물가상승률 3를 용하 다 실제 임 상승률도 2009년의 임 이 융 기 여 로 거의 동결이었

음을 고려할 때 2년간 략 6에 해당한다 28) 여기서는 네트워크 이직의 임 리미엄(연 489만원 상승)이 이직 후 매년 지속된다고 가정하고 있다 실제로

리미엄이 상당 기간 지속되는지 아니면 이직 후 빠르게 축소되는지에 한 국내 실증분석은 향후 과제로 남겨져

있다

를 활용한 이직만이 평균 인 임 상승효과를 가져온다는 을 고려할 때 구직 네트워크의 생애

가치()는 다음과 같이 요약된다29)

times timestimestimes (11)

여기서 는 연령 에서의 상 이직률(Job Transfer Rate)을 나타낸다 은 이직 시 인 네

트워크에 한 의존도 수 이다 는 네트워크 이직에 따른 월평균 임 상승의 효과이다 여기

에 [그림 5]에 요약된 이직률의 생애 추이를 에 입하자 여기서 경력직 이직자의 인 네트

워크 의존도가 60 반(plusmn5 이내)으로 추산된 을 고려하여 에 64를 입하도록 하자30) 그리고 에 앞서 추정한 네트워크 이직의 임 상승효과 4074만원(2010년 기 )을 입하면 구직 네트워크의 생애 가치()는 18720만원으로 집계된다 만약 에 이직률의 생애 추

이 신 최종샘 에서 구한 평균이직률 993를 연령 에 걸쳐 일률 으로 사용한다면 이와

유사한 수치인 18486만원을 얻을 수 있다 따라서 한국사회 임 근로자 한 사람의 구직 네트워크

가치는 보상 측면에서 략 일천 1870만원 수 인 것으로 결론지을 수 있다 물론 이 수치는 이직을 통한 이득만을 반 하고 있을 뿐 주 만족도의 개선효과는

반 하고 있지 않다 앞서 우리는 일자리 이동을 통해 창출되는 개인의 만족도 변화를 직장만족

도 직무만족도 일자리만족도 이 세 가지 측면에서 고려해 보았다 네트워크 이직과 비네트워크

이직 모두 만족도의 개선효과를 보 다 그러나 국내 노동시장에서 이직의 약 60 이상이 인

네트워크에 의존하고 있음을 고려할 때 임 근로자 한 개인이 구직 네트워크를 리하지 않는다

면 그의 이직률은 에서 60 이상 추락할 것이다 이를 고려하여 구직 네트워크의 생애 만족

도 개선효과()를 다음과 같이 요약할 수 있다31)

timestimestimestimes (12)

여기서 는 네트워크 이직을 통한 주 만족도의 개선폭을 나타낸다 앞서 네트워크 이직

이 창출하는 주 만족도의 개선효과가 100만 에서 220 (직장만족도) 158 (직무만족도) 117 (일자리만족도) 정도임을 확인하 다 이 세 수치의 평균치가 네트워크 이직의 만족도 개선

효과를 히 변하고 있다고 한다면 의 략 인 추정치는 165 이 된다 이를 입하면

구직 네트워크의 만족도 개선효과는 략 7582 으로 추산된다 만족도 1 을 으로 환산하

여 만원에 해당한다고 표시하면 구직 네트워크의 임 근로자 일인당 생애가치()는 임

상승효과()와 만족도 개선효과()의 합으로써 다음과 같이 요약된다

equiv (=18720+7582) (13)

구직 네트워크의 가치 (18720+7582n)만원이 함의하는 바를 명확히 규정하기는 쉽지 않다 특히 개인마다 일자리에서 얻는 주 만족도를 가치로 환산하는 방식이 다를 것이다 를 들

29) 구직 네트워크의 재 가치를 추산하기 해서는 시간할인률을 용할 필요가 있으나 여기서는 이를 생략하 다 시간할인률이 용된 추정치는 재 계산된 값보다 다소 하락할 것이다

30) 이에 한 보다 구체 인 설명은 본 논문의 보다 상세한 내용이 실린 한국개발연구원 정책연구시리즈로 출간 정

인 lsquo인 네트워크(개인의 사회 자본)의 노동시장 효과 분석rsquo 보고서를 참조 바란다 31) 앞서와 마찬가지로 구직 네트워크의 재 가치를 추산하기 해서는 시간할인률을 용할 필요가 있으나 여기서는

이를 생략하 다 시간할인률이 용된 추정치는 재 계산된 값보다 다소 하락할 것이다

어 어떤 이들에게는 이득만이 요하고 주 만족도는 경시될 수 있다 이들에게 n은

lsquo0rsquo에 가까운 것이다 반면 다른 이들에게는 일자리에서 얻는 주 만족도가 임 소득보다

몇 배 이상 요할 수 있다 이들에게 n은 1보다 큰 양수가 될 것이다 구직 네트워크의 가치를 수

치로 악해 보고자 n=1인 근로자를 상정해 보자32) 이 사람에게 만족도 1 은 1만원만큼의

효용을 창출한다 이 근로자에게 구직 네트워크의 종합 가치는 26302만원에 이른다고 평가할

수 있다 이러한 구직 네트워크의 종합 가치를 개인의 물 혹은 인 자본과 별하여 근로자

개인의 구직 네트워크 사회 자본이라 명할 수 있다추정한 구직 네트워크의 가치인 (18720+7582n)만원은 한국사회의 임 근로자 각 개인이 구직

네트워크의 유지 리를 하여 기꺼이 지불할 용의가 있는 비용을 나타낸다 만족도 1 이 1만원의 효용이 있다면 즉 n=1이라면 이는 1224개월치 월 ( 략 일년치 연 )에 해당한다33) 이는 결코 작지 않은 액수이다 한국사회의 구성원들은 다양한 방식으로 네트워크를 리하고 있다 동창회 동호회 업계 계자와의 술자리 각종 경조사 참여 Social Network Service(SNS) 활동 등

이 이에 해당한다 이들 활동은 그 자체로서 정서 효용을 창출하지만 생 인 경제 이득

한 간과할 수 없다 이는 업무에 필요한 유용한 정보의 획득이나 업거래망의 확장이기도 하고 구직 네트워크의 변 확 자기 PR(Public Relations)이기도 하다 네트워크의 리는 그에 상

응하는 비용을 수반한다 이는 만남에 따른 지출에서부터 시간사용까지를 포함한다 구직

네트워크의 효과성 측면에서 보았을 때 한국사회 근로자 개인은 상당한 비용( 를 들어 n=1인 경

우 략 일년치 연 에 해당하는 비용)을 구직 네트워크의 유지 리를 하여 생애를 거

쳐 기꺼이 지불할 용의가 있다고 볼 수 있는 것이다

IX 결론

이제까지 우리는 국내 고용시장에서의 인 네트워크 활용의 효과성을 다각 인 측면에서 살

펴보았다 인 네트워크를 활용한 이직의 직장생활만족도 개선효과는 100 만 에 약 165 34)

에 달하는 것으로 확인되었으며 직무 합도 개선효과는 100 만 에 약 197 35)에 이르는 것으

로 나타났다 한 인 네트워크를 활용한 이직은 임 상승을 동반하는데 그 규모는 월평균 임

으로 4074만원(2010년 기 )인 것으로 확인되었다 반면 인 네트워크를 활용하지 않은 이직

에서도 직장생활만족도의 개선효과가 일부 포착되었으나 일자리 합도에 한 개선이나 임 상

승효과는 확인되지 않았다 즉 구인자와 구직자를 연결시켜주는 인 네트워크의 효율 인 정보

달 기능이 확인된 것이다 이를 통해 임 근로자 개인의 구직 네트워크의 가치 즉 lsquo네트워크 사

회 자본rsquo을 추정해 보면 구직 네트워크의 생애 가치는 18720만원으로 집계되었으며 여기에 주 만족도에 한 보상 측면까지 고려하면 만족도 1 의 가치를 만원으로 환산

할 때 략 (18720+7582)만원에 이르는 것으로 집계되었다

32) 실제로 일반 인 수 에서 n은 1보다 상당히 클 것으로 상된다 주어진 표본에서 주 만족도의 평균은 략

55 내외인 반면 임 수 의 평균은 략 200만원 내외이다 즉 두 수치의 Scale이 네 배 가량 차이가 난다 33) 26302만원을 차수 임 수 (20247만원)의 2010년도 기 가치인 2148만원으로 나 면 1224개월이 나온다 34) 직장만족도 개선효과 220 직무만족도 개선효과 158 일자리만족도 개선효과 117 의 산술평균값 용 시 35) 기술 합도 개선효과 213 교육 합도 개선효과 252 교육기술복합지수 개선효과 126 의 산술평균값 용

참 고 문 헌

고용노동부 985172고용노동백서985173 2010김동헌김상호 「직업탐색과 자발 이직」 2001 경제학 공동학술 회 발표문 2010 김성훈 「사회연결망과 공식경로를 통한 첫 취업의 개인 결과와 사회 결과」 985172한국사회학985173 제39집 제1호

2005 김성훈 「 문직의 취업경로 사회연결망과 공식경로를 심으로」 985172한국사회학985173 제40집 제5호 2006 김성훈 「취업자의 사회연결망 활용에 한 향요인 연구」 985172노동경제논집985173 제26권 제3호 2003김용학 985172사회연결망 이론985173 박 사 2003류석춘 외 985172한국의 사회자본 역사와 실985173 백산출 사 2008 송호근김우식이재열 985172한국사회의 연결망 연구985173 서울 학교 출 부 2004안재희 985172구직과 제도 사회자본985173 한국학술정보(주) 2008우천식 편 985172한국경제사회와 사회 자본985173 한국개발연구원 2007이 면나인강 「직장만족도와 이직행 에 한 패 분석」 985172제5차 한국노동패 학술 회 논문집985173 2004이 면나인강 「비정규직의 이직 이직사유 근속기간에 한 연구」 985172제6차 한국노동패 학술 회 논

문집985173 2005이상호 「노동패 의 주 만족도 측정」 985172노동리뷰985173 통권 제17호 2006 pp77~86이병훈 「구직활동의 향요인에 한 탐색 연구」 985172노동경제논집985173 제25권 제1호 2002 pp1~21 통계청 985172경제활동인구조사985173 2010한국노동연구원 985172사업체패 조사985173 2007KDI 국제정책 학원 985172사회 자본 확충을 한 기본조사 정책연구985173 2007

Blau David and Philip Robins ldquoJob Search Outcomes for the Employed and Unemployedrdquo Journal of Political Economy 98(3) 1992 pp637~655

Bourdieu P ldquoThe Forms of Capitalrdquo in J G Richardson (ed) Handbook of Theory and Research for the Sociology of Education New York Greenwood 1986

Cochran William and Donald Rubin ldquoControlling Bias in Observational Studies A Reviewrdquo Sankhya 35 1973 pp417~446

Datcher Linda ldquoThe Impact of Informal Networks on Quit Behaviorrdquo Review of Economic Statistics 65(3) 1983 pp491~495

Dawid A ldquoConditional Independence in Statistical Theoryrdquo Journal of Royal Statistical Society B 41 1979 pp1~31

Dehejia R and S Wahba ldquoCausal Effects in Nonexperimental Studies Reevaluating the Evaluation of Training Programsrdquo Journal of the American Statistical Association 94 1999 pp1053~1062

Dehejia R and S Wahba ldquoPropensity Score-Matching Methods for Nonexperimental Causal Studiesrdquo The Review of Economics and Statistics 84 2002 pp151~161

Glaeser E D Laibson and B Sacerdote ldquoAn Economic Approach to Social Capitalrdquo The Economic Journal 112 2002

Gottschalk P and T Maloney ldquoInvoluntary Termination Unemployment and Job Matching A Test of Job Search Theoryrdquo Journal of Labor Economics 3 1985 pp109~123

Granovetter Mark S Getting A Job A Study of Contracts and Careers Chicago University of Chicago Press 1975

Heckman J H Ichimura J Smith and P Todd ldquoCharacterizing Selection Bias Using Experimental Datardquo Econometrica 66 1998 pp1017~1098

Heckman J H Ichimura and P Todd ldquoMatching as an Econometric Evaluation Estimator Evidence from Evaluating a Job Training Programrdquo Review of Economic Studies 64 1997 pp605~654

______ ldquoMatching as an Econometric Evaluation Estimatorrdquo Review of Economic Studies 65 1998 pp261~294Knack S and P Keefer ldquoDoes Capital Have and Economic Payoff A Cross Country Investigationrdquo Quarterly

Journal of Economics 62 1997 pp1251~1288 Lin Nan Social Capital A Theory of Social Structure and Action Cambridge Cambridge University Press 2001 Lin Nan Karen Cook and Ronald Burt (eds) Social Capital Theory and Research Aldine Transaction 2001 Marmaros David and Bruce Sacerdote ldquoPeer and Social Networks in Job Searchrdquo European Economic Review 46

2002 pp870~879Putnam Robert D Bowling Alone The Collapse and Revival of American Community New York Simon and

Schuster 2000Rosenbaum J S DeLuca S Miller and K Roy ldquoPathways into Work Short- and Long-Term Effects of Personal

and Institutional Tiesrdquo Sociology of Education 72(3) 1999 pp179~196Rosenbaum P and D Rubin ldquoThe Central Role of the Propensity Score on Observational Studies for Causal

Effectsrdquo Biometrika 70 1983 pp41~55Rubin D ldquoEstimating Causal Effects of Treatments in Randomized and Non-randomized Studiesrdquo Journal of

Educational Psychology 66 1974 pp688~701Simon Curtis and Warner John ldquoMatchmaker Matchmaker The Effect of Old-Boy Networks on Job Match

Quality Earnings and Tenurerdquo Journal of Labor Economics 10(3) 1992 pp306~330Todd Petra ldquoMatching Estimatorsrdquo unpublished manuscript 2006

성공한 구직방법

일자리 진입방식

합계공개

채용스카우트

소개나

추천

찾아가서기타

1 학교나 학원12 0 26 4 0 42

(395) (0) (301) (069) (0) (233)

2 교수나 교사2 0 8 0 0 10

(066) (0) (093) (0) (0) (055)

3 친구나 친지5 2 509 28 2 546

(164) (125) (5898) (48) (556) (303)

4 공공 안내소3 0 7 9 4 23

(099) (0) (081) (154) (1111) (128)

5 사설 안내소3 0 29 16 1 49

(099) (0) (336) (274) (278) (272)

6 매체 고53 1 21 209 13 297

(1743) (625) (243) (3585) (3611) (1648)

7 직 탐문2 0 13 85 0 100

(066) (0) (151) (1458) ((0) (555)

8 가족1 1 21 2 0 25

(033) (625) (243) (034) (0) (139)

9 인터넷205 3 22 179 9 418

(6743) (1875) (255) (307) (25) (232)

10 희망직장

지인

7 3 90 20 0 120(23) (1875) (1043) (343) (0) (666)

11 업무상

지인

6 4 102 18 0 130(197) (25) (1182) (309) (0) (721)

12 기타 5 2 15 13 7 42

(164) (125) (174) (223) (1944) (233)

합 계304 16 863 583 36 1802

(100) (100) (100) (100) (100) (100)

lt부표 1gt 경력직 취업자(1802명)의 일자리 진입방식별 구직방법의 분포

주 1 노동패 6차부터 10차까지의 신규 일자리 진입자 경력직 취업자를 상으로 함 2 ( ) 안은 각 일자리 진입방식에 한 성공한 구직방법의 백분율임

Block

번호

직장유지의

직무유지의

향성별 나이 나이

2 교육

혼인

여부

정규직

여부

첫(혹은

두 번째)

일자리

(로그)

격차 격차 격차 격차 격차 격차 격차 격차 격차 격차

1164 116 048 -102 -14913 -003 003 009 000 007

(455) (395) (011) (207) (19454) (044) (005) (004) (009) (013)

2-254 050 003 007 -1629 -022 -006 004 -002 001

(203) (191) (006) (123) 11232 (020) (004) (004) (006) (007)

3036 -076 002 -094 -7067 -001 000 -004 008 001

(131) (129) (004) (088) (7870) (012) (003) (003) (004) (004)

4-079 -117 -001 071 6428 000 -004 -002 001 -005

(128) (122) (004) (079) (6861) (010) (003) (003) (004) (003)

5026 144 -005 068 6211 -012 004 000 -006 -001

(142) (144) (004) (077) (6201) (010) (004) (003) (004) (004)

6061 152 -008 -043 -3655 006 002 002 -007 007

(151) (151) (004) (073) (5661) (010) (004) (004) (004) (004)

7010 -134 -002 043 2726 003 -002 001 003 001

(133) (131) (004) (058) (4296) (008) (004) (003) (003) (003)

8045 173 008 044 3233 007 000 -001 -001 -003

(146) (143) (004) (052) (3615) (007) (004) (003) (003) (003)

9128 -010 000 061 3033 -016 -003 006 -010 004

(259) (246) (006) (065) (3930) (012) (005) (006) 006 (006)

10500 114 013 -035 -1626 004 000 007 001 -003

(407) (394) (009) (081) (4454) (017) (007) (008) (009) (009)

lt부표 2-Agt Propensity Score 각 구간(Block)에 대한 Mean-Difference Statistical T-test 결과(I)

주 1 Untreated Group과 Treated Group의 각 항목에 한 Mean Difference를 테스트함 2 표시는 5 유의도 수 에서 테스트를 통과하지 못한 항목을 표시함3 ( ) 안은 표 오차임

lt부표 2-Bgt Propensity Score 각 구간(Block)에 대한 Mean-Difference Statistical T-test 결과(II)

Block

번호

(로그)2 종업원 규모 교육 합도 임 만족도근무

환경 만족도

일자리

만족도

서비스 매직

여부

농어업 종사

여부

정규직 times

교육

직장 times

직무유지의향

격차 격차 격차 격차 격차 격차 격차 격차 격차 격차

1052 054 202 656 -048 -101 002 001 003 25954

(147) (053) (379) (564) (480) (421) (005) (003) (047) (60638)

2-006 043 046 047 -303 -182 002 000 -004 -9827

(073) (027) (197) (247) (220) (188) (002) (001) (026) 25462

3006 011 -151 -030 255 013 -002 000 -011 -246

(041) (017) (158) (156) (142) (117) (002) (000) (018) (15776)

4-052 000 -075 -111 -046 -005 -004 000 -011 -10585

(034) (015) (155) (137) (133) (110) (002) (001) (016) (14203)

5-008 006 053 -047 -017 -036 003 000 -004 17636

(035) (017) (176) (152) (144) (123) (003) (001) (018) (16213)

6063 -005 273 049 211 040 -006 001 015 14659

(035) (017) (201) (150) (145) (124) (003) (001) (019) (16225)

7008 -018 -045 016 -031 005 005 000 010 -10640

(029) (014) (174) (127) (127) (108) (003) (001) (016) (13577)

8-022 -014 028 -028 -163 086 000 000 -001 6766

(028) (014) (189) (127) (131) (111) (003) (000) (017) (13784)

9037 -013 143 133 046 -070 001 -002 015 -1116

(047) (021) (371) (204) (227) (187) (006) (002) (029) (21779)

10-028 021 077 161 -247 -113 -013 002 019 13295

(074) (026) (612) (352) (366) (340) (009) (002) (038) (30459)

주 1 Untreated Group과 Treated Group의 각 항목에 한 Mean Difference를 테스트함 2 표시는 5 유의도 수 에서 테스트를 통과하지 못한 항목을 표시함3 ( ) 안은 표 오차임

Page 13: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal

다항로짓회귀분석 모형 1 모형 2 모형 3 모형 4

종속변수 이직 여부 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과

성별(여성 1) -01627(00665) -1313 -01272

(00672) -1030 -00669(00701) -0536 -01378

(00753) -1081

나이 -00512(00041) -0420 -00513

(00041) -0421 -00510(00042) -0412 -00507

(00042) -0404

교육수 00263(0029) 0216 00135

(00294) 0111 00350(00306) 0283 00264

(00342) 0210

혼인 여부(미혼 1) 00531(00746) 0440 00601

(00748) 0498 00563(00757) 0459 00643

(00762) 0518

정규직 여부(정규직 1) -03042(00713) -2688 -02777

(00718) -2438 -02213(00743) -1887 -01853

(00751) -1544

첫(혹은 두 번째) 일자리 여부

-05513(00647) -4453 -05462

(00649) -4412 -05313(00656) -4227 -05429

(00659) -4258

임 수(단 만원 로그)

-05933(00709) -4868 -05360

(00727) -4398 -05253(00769) -4242 -05393

(00782) -4294

종업원 규모(단 명 로그)

-01019(00145) -0836 -01010

(00145) -0829 -00838(00149) -0677 -00691

(00149) -0550

차수 교육 합도 -00045(00012) -0037 -00031

(00014) -0025 -00030(00014) -0024

차수 기술 합도

업무만족도 -00031(00025) -0025 -00036

(00025) -0029

임 만족도 00025(00020) 0021 00029

(00020) 0023

취업 안정성 만족도 -00041(00021) -0033 -00044

(00021) -0035

근무환경만족도 -00049(00021) -0039 -00050

(00022) -0040

인간 계만족도 -00016(00024) -0013 -00015

(00024) -0012

자기발 만족도 00055(00023) 0045 00050

(00023) 0040

인사공정만족도 00006(00027) 0005 00011

(00027) 0009

복지후생만족도 -00069(00021) -0055 -00070

(00021) -0055

(기 생산기능직)

문 리직 여부 03710(01169) 3328

사무기술직 여부 -01145(00887) -0898

서비스 매직 여부 04280(00885) 3890

농어민 여부 -03201(04768) -2238

(기 공업 종사)농어업 종사 여부건설업 종사 여부도소매 숙박업 종사

여부서비스 련업 종사

여부연차 더미 No No No No

평균치 이직확률times100(각 변수의 평균치

기 )902 902 886 872

관측 수 12869   12829   12655   12652  

결정계수( ) 0070   0072   0076   0082  

lt표 4Agt 일자리 이동 영향요인 분석(I)

주 1 는 유의수 10 는 유의수 5 는 유의수 1를 의미함2 한계효과는 추정된 한계효과(marginal effects)를 백분율로 표시함3 더미변수의 한계효과는 변수값이 0에서 1로 변할 때 이직확률의 변화분을 나타냄(변수명의 표시가 더미변수)

다항로짓회귀분석 모형 5 모형 6 모형 7 모형 8

종속변수 이직 여부 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과

성별(여성 1) -01528(00759) -1194 -01482

(00760) -1154 -01872(00713) -1289 -01477

(00761) -1151

나이 -00505(00042) -0401 -00505

(00042) -0400 -00521(00040) -0366 -00504

(00042) -0399

교육수 00309(00345) 0245 00327

(00347) 0258 00113(00324) 0080 00346

(00345) 0274

혼인 여부(미혼 1) 00659(00764) 0529 00635

(00766) 0507 01045(00721) 0749 00684

(00767) 0548

정규직 여부(정규직 1) -02033(00770) -1696 -02075

(00776) -1727 -01213(00735) -0875 -02093

(00777) -1744

첫(혹은 두 번째) 일자리 여부

-05421(00660) -4240 -05445

(00661) -4241 -06294(00623) -4407 -05495

(00662) -4284

임 수(단 만원 로그)

-05309(00788) -4215 -05277

(00790) -4172 -06554(00702) -4602 -05288

(00791) -4186

종업원 규모(단 명 로그)

-00695(00151) -0552 -00690

(00152) -0546 -00685(00152) -0542

차수 교육 합도 -00028(00014) -0022 -00029

(00014) -0023 -00027(00013) -0019

차수 기술 합도 -00030(00014) -0024

업무만족도 -00038(00025) -0030 -00043

(00025) -0034 -00054(00023) -0038 -00045

(00025) -0036

임 만족도 00029(00020) 0023 00026

(00020) 0020 00027(00019) 0019 00026

(00020) 0020

취업 안정성 만족도 -00048(00021) -0038 -00045

(00021) -0035 -00051(00020) -0036 -00044

(00021) -0035

근무환경만족도 -00052(00022) -0041 -00054

(00022) -0042 -00053(00020) -0037 -00053

(00022) -0042

인간 계만족도 -00014(00024) -0011 -00015

(00024) -0012 -00014(00023) -0010 -00013

(00024) -0011

자기발 만족도 00054(00023) 0043 00057

(00023) 0045 00061(00022) 0043 00057

(00023) 0045

인사공정만족도 00010(00027) 0008 00011

(00027) 0009 -00006(00025) -0004 00014

(00027) 0011

복지후생만족도 -00069(00021) -0055 -00069

(00021) -0054 -00060(00020) -0042 -00068

(00021) -0053

(기 생산기능직)

문 리직 여부 03574(01203) 3183 03594

(01204) 3190 03478(01160) 2728 03514

(01204) 3114

사무기술직 여부 -01409(00916) -1098 -01365

(00917) -1060 -01322(00878) -0911 -01374

(00917) -1068

서비스 매직 여부 03146(01080) 2752 03136

(01081) 2732 02369(01012) 1793 03037

(01084) 2640

농어민 여부 -13598(06827) -6349 -13198

(06821) -6224 -12188(06557) -5262 -13254

(06828) -6246

(기 공업 종사)

농어업 종사 여부 12277(05423) 15765 12064

(05429) 15324 08109(05129) 7981 12026

(05431) 15270

건설업 종사 여부 -01858(01239) -1386 -01819

(01240) -1353 -01896(01146) -1251 -01797

(01240) -1339

도소매 숙박업 종사 여부

01413(01027) 1165 01417

(01028) 1163 02878(00976) 2200 01393

(01029) 1144

서비스 련업 종사 여부

00006(00808) 0005 00016

(00808) 0013 -00420(00778) -0295 -00024

(00809) -0019

연차 더미 No Yes Yes Yes평균치 이직확률times100

(각 변수의 평균치 기 ) 869 865 760 867

관측 수 12651   12651   15344   12614  

결정계수( ) 0083   0085   0091   0084  

lt표 4Bgt 일자리 이동 영향요인 분석(II)

주 1 는 유의수 10 는 유의수 5 는 유의수 1를 의미함 2 한계효과는 추정된 한계효과(marginal effects)를 백분율로 표시함 3 더미변수의 한계효과는 변수값이 0에서 1로 변할 때 이직확률의 변화분을 나타냄(변수명의 표시가 더미변수)

Group

Treated (=1) 측 가능 Counterfactual

Untreated (=0) Counterfactual 측 가능

V 분석 방법(Propensity Score Matching)

본 에서는 일자리 이동의 효과성 분석에 사용할 방법론으로서 Heckman Ichimura and Todd(1997)이 제안한 Propensity Score Difference- in-Differences(DID) Matching(PSM)에 해 설명

하고자 한다 이에 앞서 우선 이 방법론의 근간이 되는 Averge Treatment Effect for the Treated(ATT)(Rubin[1974])와 Propensity Score Matching(PSM)(Rosenbaum and Rubin[1983]) 일반에

해 소개하기로 한다

1 Average Treatment Effect for the Treated

결과에 향을 미치는 Treatment Variable로서 더미변수 를 가정하자 Treatment의 부여 여부

에 따라서 Treated Group(혹은 실험군)과 Untreated Group(혹은 조군)으로 구분할 수 있다 =1 (Treated Group)과 =0 (Untreated Group) 이때 잠재 결과치(Pontential Outcomes) 가 Treatement 여부에 따라 각기 ( )일 때 Average Treatment Effect(ATE)는 다음과 같다 그러나 이러한 통 인 계산방식은 Treatment가 무작

(Randomization)라는 가정하에서만 편 되지 않은 측치(Unbiased Estimates)를 제공할 수 있다 순수한 무작 실험이 아니라면 분석의 상이 데이터에서 Treatment 여부가 무작 인 경우는 드

물다 즉 특정한 요인들이 Treatment 참여 여부에 직간 인 향을 미치는 것이다 를 들어 특정약물의 효과를 알고 싶다고 하자 약물이 투여된 사람과 그 지 않은 사람의 건강상태를 악

하면 된다고 생각할 수 있다 그러나 약물이 투여되지 않은 사람은 개 건강한 사람들이기 때문

에 이들의 건강상태를 약물이 투여된 사람과 직 비교한다면 약물을 투여한 사람이 여 히 건강

상태가 나쁜 것으로만 나올 것이고 약물투여의 효과가 없다라고 결론짓게 될 것이다 비교 상은

건강한 사람이 아니라 약물이 투여된 집단만큼의 건강이 양호하지 않은 집단이어야 한다 이 게

건강하지 않는 사람과 비교할 때 약물 투여의 순수한 효과를 검증할 수 있다 이러한 무작 의 여

부로부터 발생하는 문제를 선택편의(Selection Bias)라고 한다데이터로부터 우리가 측할 수 있는 결과치는 Treated된 경우의 과 Untreated된 경우의

이다 선택편의의 문제가 발생할 때 Treatment의 효과를 제 로 알고자 한다면 우리가 비교해야

하는 상은 Treated 된 경우의 Treatment가 용되지 않았을 때의 결과 즉 ( |=1)이다 이러한

가상의 결과를 Counterfactual이라고 한다 (역시 Untreated된 경우의 Treatment가 용되었을 때 결

과 즉( |=0) 역시 Counterfactual이다) 다음의 표가 이를 간략히 정리하고 있다

선택편의(Selection Bias)의 문제하에서 Treatment의 효과를 측정하기 하여 체 집단에 한

Treatment Effect가 아닌 Treated Group에 한 Treatment Effect에 한정하여야 한다 이 게 한정된

집단 즉 Treated Group에 한 효과성 측정을 Average Treatment Effect for the Treated(ATT)라고 한

(1)

여기서 는 Counterfactual에 한 기 치이므로 자료로부터의 직 인 추정은 불

가능하다 Treatment Selection이 측 가능한 변수들의 특정한 집합 Z에 의존한다고 가정해 보자 Dawid(1979)의 표 법에 따르면 다음과 같은 계가 성립한다 ∐ 즉 Z를 통제하 을

때 Untreated Group의 값의 분포와 Treated Group이 만약 Treatment를 받지 아니하 을 때의

값의 분포(즉 Counterfactual의 분포)는 서로 동일하다는 것이다 이는 기 치에 한 다음과 같은

계를 내포한다

(2)

즉 counterfactual인 을 측치인 이 체할 수 있는 것이다 식

(2)의 계를 조건부 독립가정(Conditional Independence Assumption CIA)이라고 한다 Rubin(1974)은 조건부 독립가정(CIA)의 조건이 충족할 경우 ATT를 다음과 같이 측정할 수 있다고 제안한 바

있다

(3)

즉 직 으로 설명한다면 =1인 집단에 속한 특성 Z인 개체에 하여 동일 특성을 지닌 개

체를 =0인 그룹에서 찾아 그 둘의 Y값을 비교하면 되는 것이다 =1 집단 내의 모든 개체에

하여 동일한 계산을 한 뒤 이를 합산하면 ATT를 구하게 된다 그러나 이 방법 역시 일정 정도의 한계를 지닌다 만약 Z가 이산변수(Discrete Variable)가 아닌

연속변수(Continuous Variable)라면 =0 집단에서 동일한 Z를 가진 개체를 찾을 수 없으므로 이상

의 측정법을 용할 수 없다 한 특정 변수들이 집합인 Z에 포함된 변수들이 많은 경우 동일한

특성의 개체를 =0 집단으로부터 찾는 것이 어려울 수 있다 이러한 한계를 극복하고자 도입된 것

이 Propensity Score Matching 방식이다

2 Propensity Score Matching Estimator

Propensity Score(PS)를 Z 특성을 지닌 개체가 Treated될 확률로 정의하고 로 표시하도록

하자

Propensity Score equiv (4)

Rosenbaum and Rubin(1983)은 0ltP(Z)lt1이 모든 Z에 해 만족할 경우 다음의 계가 성립한다

는 것을 증명하 다

∐ rArr ∐ (5)

이 계식은 을 내포하므로 변수집합의 Z의 차원수

∐ rArr

(Dimensionability)가 클 경우에도 다음과 같이 다일변수 P(Z)를 활용하여 ATT를 구할 수 있다

(6)

샘 수의 유한성으로 인해 실제로 식의 두 번째 항을 추정하는 것은 간단치 않은 작업이

다 한 ATT의 추정은 Common Support 역 즉 Treated Group의 P(Z)의 분포와 Untreated Group의 P(Z)의 분포가 겹치는 Z의 역에 한정하여야 한다 Common Support를 벗어나는 역에 해

서는 비교가능한 Counterfactual를 찾기 힘들기 때문이다 이를 반 하여 주어진 샘 내에서 ATT를 추정할 수 있는 다양한 Propensity Score Matching(PSM) Estimator가 제안되었는데 이는 다음과

같이 요약될 수 있다(Todd[2006])

isincap

isin

(7)

여기서 는 Treated Group 구성원을 는 Untreated Group의 구성원을 나타낸다 는 Common Support 역 내의 개체들의 집합을 나타낸다 은 Treated Group의 구성원 Common Support 역에 속하는 개체들의 총수이다 는 가 치를 나타내는 것으로 두 Propensity Score의 거리

인 을 이용하여 결정된다 가 치 용방식에 따라 다양한 측정방식이 제시될 수

있다 이에 해서는 추후에 추가 으로 논의하도록 한다

3 Difference-in-Differences Matching Estimator

여기서 한 단계 발 된 방식의 PSM이 Heckman Ichimura and Todd (1997)에 의해 제시된

Difference-in-Differences(DID) Matching Estimator이다 앞서 ATT의 추정에서 측 가능한 특정 변수

들의 집합 Z가 주어졌을 때 결과치 가 Treatment에 독립 (즉 ∐ 이 성립)이라고 가정한

바 있다 그러나 Z에 포함되어야 할 많은 변수 측이 되지 않는 경우가 있을 수 있다 이러한

경우 계가 더 이상 성립하지 않아 앞서의 ATT 추정법은 정

당성을 상실한다 하지만 Longitudal Data가 주어진 경우 즉 Treatment 이 과 이후의 결과치( )가

주어진 경우 분석 상을 신에 lsquo의 변화분rsquo으로 변경함으로써 이러한 문제를 상당 부분 해

소할 수 있다 Treatment 이 과 이후 두 개의 시간 를 와 prime이라 한다면 분석 상을 이

아닌 prime prime 으로 둘 수 있는 것이다 이때 ATT를 추정하기 해서는

prime ∐ 의 가정이면 충분하게 된다 이는 앞서보다 훨씬 완화된 가정이므로 충족하기

가 보다 용이해진다 특히 측되지 않는 시간 불변(time-invariant)의 일부 변수가 Treatment Selection에 연 된 경우에도 이 변수가 와 prime에는 직 인 향을 미치더라도 prime 에 미치는 향이 없다면(즉 독립 이라면) 문제가 되지 않는 것이다17) 따라서 Longitudal Data가

17) 이 외에도 주어진 수치들이 데이터가 수집된 지역에 따라 Level이 다를 경우 Difference 변수를 활용함으로써 이러

한 Level 차이에서 기인한 편의(bias)를 해소할 수 있다

주어진 경우에 DID Matching Estimator는 매우 효과 인 도구로 활용될 수 있다 이때 DID Matching Estimator는 다음과 같은 방식으로 요약될 수 있을 것이다

isincap

prime prime prime

isin prime

(8)

본 연구에서는 앞서 소개한 DID Matching Estimator를 이용함으로써 시간불변(time-invariant)의

측되지 아니하는 변수들을 사 에 통제하고 보다 신뢰할 만한 분석 결과를 제시하고자 한다

4 Treatment Effect 측정방식

의 가 치를 결정하는 를 어떻게 설정하느냐에 따라 다양한 PSM Estimator가 존재한다 본 연구의 분석에서는 가장 활발히 이용되는 측정방식들로서 Nearest Neighbor Matching Radius Matching Kernel Matching 이 세 가지를 활용하기로 한다18)

가 Nearest Neighbor Matching

이 방식은 조군인 Untreated Group에 속한 개체 에서 Propensity Score가 실험군(Treated Group) 개체의 Score와 가장 근 한 개체를 선택하는 방식이다 즉 를 최소화시키

는 에 해서는 이고 나머지 에 해서는 이 성립한다 [그림 2]가 이

를 잘 형상화하고 있다 이때 Score가 근 한 개체를 하나가 아닌 복수로 선정함으로써 하나를

선정할 때보다 더욱 안정된 추정치를 얻을 수 있다 다만 매칭되는 개체 수가 무 많을 경우

가 크게 되어 편의(bias)가 증가할 수 있으므로 신 할 필요가 있다 개의 근

한 개체를 선택하는 경우 이들 개체 에 해서는 이 성립하고 나머지 에

해서는 이 성립한다 Nearest Neighbor Matching의 경우 가장 근 한 개체를 선택하 으나 가 무

커서 Counterfactual로서 부 합한 매칭이 이루어질 가능성이 있다 이를 보완하기 하여 Cochran and Rubin(1973)은 한 Caliper를 선정하여 매칭에 있어서 를 일정 한도로 제

한할 것을 제안한 바 있다 본 분석에서는 을 5개로 선정함으로써 편의(bias)를 이면서도 안정

된 추정치를 얻고자 하 으며 Caliper는 히 작은 0005로 설정하여 부 합한 매칭을 최소화하

고자 하 다19)

18) 이 외에도 주로 활용되는 측정방식으로 Stratification Matching Mahalanobis Matching 등이 있으나 이들을 활용한 결

과가 본 연구의 분석 결과와 크게 다르지 않다 Dehejia and Wahba(2002)는 Treated Group과 Untreated Group 간의

Propensity Score 분포가 상당 부분 서로 겹친다면 측정방식에 따른 분석 결과의 차이가 크지 않다는 을 강조한

바 있다 이는 실험군 한 개체에 해 매칭 가능한 충분한 수의 조군 개체들이 존재하기 때문이다 즉 측정방식의

차이에 따라 매칭이 되는 조군들의 특성이 크게 달라지지 않는 것이다 본 연구에서 추정한 Propensity Score 분포

는 Treated Group Untreated Group 두 집단 사이에 겹치는 부분이 매우 크다 이는 [그림 4]를 통해 쉽게 확인된다 19) 여기서 Caliper 설정은 실험군 개체와 매칭되는 조군 개체 사이의 PS 거리 즉 를 한 수 으로

제한하고자 함이다 부분의 실험군 개체의 경우 Caliper가 설정한 Boundary에 크게 제한을 받지 않으므로 히

작은 Caliper의 설정이면 편의(Bias)를 개선하기에 충분하다 본 분석에서 설정한 0005 이외에 0002이나 001을 사용

하여 보았으나 역시 결과의 차이가 크지 않음을 확인하 다

[그림 2] Nearest Neighbor Matching(n=1인 경우)

나 Radius Matching

이 방식은 일정 반경을 Caliper로 설정하고 Untreated Group에서 가 Caliper 이내인 모든 개체 를 Treated Group의 개체 에 매칭하는 방법이다(그림 3 참조) 개체 에 하여

Untreated Group으로부터 매칭된 개체의 수가 라면 이들에 해서는 이 성립하고 매칭이 안된 나머지 개체들에 해서는 이 성립한다 이 추정방식은 앞서 Nearest Neighbor Matching에 비해 Propensity Score가 근 한 조군 내의 보다 많은 개체를 분석에 활용할

수 있다는 장 이 있다 보다 많은 조군 내 개체를 활용할수록 Treatment Effects 측정의 정확성

(Precision)은 상승하게 된다 매칭이 가능한 조군 개체의 수가 충분히 많다면 Caliper는 작을수록 좋다 Caliper가 클수록

부 합한 매칭에 따른 Treatment Effects의 편 (Bias)이 커질 수 있기 때문이다 본 분석에서는 샘

의 수가 충분히 크기 때문에 Caliper를 0002로 설정하여 매우 근 한 개체들에 해서만 매칭이

이루어지도록 설정하 다20)

20) 다음 에서는 주어진 샘 을 활용하여 Propensity Score를 추정하고 있다 이 결과에 따르면 PS (01 0102)인 구간

에서 조군 개체 수가 116개 (02 0202) 구간에서 조군 개체 수가 32개 (03 0302) 구간에서 조군 개체 수가

12개에 이르는 것을 확인할 수 있다(표 6과 그림 4를 참조 바람) 즉 0002의 Caliper를 사용할 때 한 개의 실험군

개체에 해 10개 내지 100개 이상의 조군 개체들이 매칭되는 경우가 흔히 존재하는 것이다 반면 Caliper를 이보

다 작게 설정한다면 (특히 PS가 큰 구간에서는) 실험군 개체들과 매칭되는 조군 개체가 존재하지 않을 수 있다 를 들어 PS (04 0402)인 구간에서 조군 개체 수는 단 1개 존재하나 PS (0401 0402)인 구간에서는 무하다

따라서 본 연구에서는 최소의 Caliper이면서도 매칭되는 조군 개체의 수가 충분할 수 으로서 Caliper 0002를 선

정하 다 반면 민감성 테스트(Sensitivity Check)에 따르면 Caliper 0001이나 0003에서도 연구 결과의 차이가 크지

않음을 확인하 다

[그림 3] Radius Matching

다 Kernel Matching

이 방식은 Treated Group 내의 각 개체에 한 매칭을 Untreated Group 내의 모든 개체를 상

으로 진행하는 방식으로 에 따라 가 치를 부여한다 가 작을수

록 가 치가 커진다 이때 사용되는 가 치는 다음과 같이 표시될 수 있다

isin

(9)

여기서 G는 선택된 Kernel function을 은 Bandwidth Parameter를 표시한다 이 방식은

Heckman Ichimura and Todd(1998)에 의해 도입되었는데 주어진 모든 개체를 추정에 활용하므로

정보의 손실을 최소화할 수 있다는 장 이 있다 한 앞서의 두 추정방식과는 달리 인 인

Caliper의 설정이 불필요하다는 장 도 있다 Kernel의 선택에는 Gaussian Function(Normal Distribution) Biweight Function Epanechnikov Function 등 다양한 방식이 가능하나 본 분석에는

Normal Distribution을 채택하 다 Bandwidth Parameter로는 001을 선택하여 가 근

한 이들에게 충분한 가 치가 주어지도록 하 다21)

VI Propensity Score의 추정

주어진 자료에서 Treatment는 이직에 해당한다 이직에 한 Propensity Score(PS)를 추정하기

해서는 이직에 향을 미치는 주요 변수의 집합 을 사용하여야 한다 이들 변수는 다음 조건

을 만족하여야 한다 prime ∐ 즉 이직에 향을 미치는 주요 변수들을 통제한 후에

는 이직을 하지 않은 이들의 결과치 에 한 변화분 prime 의 분포가 이직을 한

이들이 만약 이직을 하지 않았을 때 상되는 결과치 에 한 변화분 prime 의 분

21) Bandwidth Parameter가 0005 002인 경우도 확인해 보았으나 결과에는 큰 차이가 발견되지 않았다

추정함수 Logistic Regression(이직 = 1 비이직 = 0)Z 추정계수 표 오차

직장유지의향 -0002 0004 직무유지의향 -0015 0004 성별(여성 1) -0104 0071

나이 -0138 0023 나이2 0001 0000

교육수 0169 0050 혼인 여부(미혼 1) -0056 0082

정규직 여부(정규직 1) 0342 0248 첫(혹은 두 번째) 일자리 여부 -0599 0068

임 수 (단 만원 로그) 0076 0601 임 수 (단 만원 로그)2 -0052 0063 종업원 규모(단 명 로그) -0084 0015

차수 교육 합도 0000 0001 임 만족도 0003 0002

근무환경만족도 -0004 0002 일자리만족도 -0003 0003

서비스 매직 여부 0459 0077 농어업 종사 여부 0324 0378

정규직 여부 times 교육수 -0131 0056 직장유지의향 times 직무유지의향 0000 0000

상수항 3558 1584 측 수 12754

결정계수( ) 00873

Log Likelihood -401098

포와 동일해야 하는 것이다 따라서 Propensity Score의 추정에 활용할 변수들은 앞서 일자리 이동

의 향요인에 한 분석을 통해 선별할 수 있다 특히 주어진 노동패 의 자료에서는 ldquo 재의

직장을 계속 다니고 싶은가(직장유지의향)rdquo와 ldquo 재 맡고 있는 일을 계속하고 싶은가(직무유지의

향)rdquo라는 이직의사와 련된 매우 긴요한 변수들이 포함되어 있는데 이들을 주요 변수의 집합

에 포함시킴으로써 이상의 조건이 보다 용이하게 충족될 수 있음을 기 할 수 있다 Propensity Score의 추정에는 Logistic Regression을 활용하 다 추정에 활용된 주요 변수들의 집합 과 각

변수에 한 추정계수는 lt표 5gt에 요약되어 있다

lt표 5gt Propensity Score의 추정방정식

주 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

앞서 일자리 이동 향요인에 한 분석에서 일자리 이동의 요한 결정변수로 악된 변수

들이 부분 PS 추정방정식에 포함되었다 만족도와 련한 변수 업무만족도 취업 안정성 만

족도 자기발 만족도 복지후생만족도 이상 네 변수는 일자리 향요인으로 통계 으로 유의하

게 악되었으나 PS 방정식에 추가된 일자리만족도 직장유지의향 직무유지의향 등과의 통계

상 계가 매우 높아 PS 추정방정식에 따로 포함시키지 않았다22) 한 추정방정식에는 일부

Interaction Terms들과 Higher Order Terms들을 추가하여 앞서 설명한 변수집합(Z)의 기본요건을 맞

추고자 하 다 추가 변수들은 Balancing Property를 충족하기 하여 선정되었는데 이에 해서는

아래에서 추가 부연한다Rosenbaum and Rubin(1983)에 따르면 PS는 다음 조건을 만족한다

∐ rArr

즉 PS를 통제한 뒤에는 변수집합 Z와 Treatment 여부 D가 상호 독립 이라는 것이다 이는 PS가 동일한 개체들에 해 Z의 평균값을 구한다면 Treatment를 받은 집단과 그 지 않은 집단 사이

에 차이가 없어야 한다는 을 내포한다 이를 Balancing Property라 한다 이를 검증하기 한 방

법으로 P(Z)를 여러 구간(Blocks)으로 나 뒤 각 구간에 한 Mean Difference Statistical T-test를

시행할 수 있다 일부 구간에 해 T-test가 만족하지 않는 경우에는 구간을 더욱 세분하여 진행하

고 여 히 만족이 되지 않는 경우에는 문제가 되는 일부 변수들의 Interaction Terms들과 Higher Order Terms들을 PS 추정방정식에 추가하여 앞서의 과정을 되풀이한다(Dehejia and Wahba[1999]) 앞서 언 된 Interaction Terms과 Higher Order Terms들은 이상의 과정을 거쳐 추가된 항들이다

Balancing Property 검증을 하여 다양한 PS 추정방정식을 설정하여 반복 인 Test를 수행하

다 최종 으로 lt표 5gt의 추정방정식에서 도출한 PS를 기 으로 lt표 6gt과 같이 10개의 Block을

구분한 뒤 Mean- Difference Statistical T-test를 진행하 다 Block 설정은 PS의 Common Support 역인 [00149 06]에 하여 이루어졌다 각 Block들에 한 T-test의 결과는 lt부표 2gt에 수록되어

있다 추정방정식에 도입된 독립변수 항이 총 20개이고 Block의 수는 10개이므로 총 200개의

Mean-Difference T-test가 시행되었다 lt부표 2gt에서 확인할 수 있듯이 5 Significance Level에서

부분의 Block들이 T-test를 통과하 다 통과에 실패한 테스트는 단 두 개로 Block 1의 lsquo정규직

여부rsquo에 한 테스트와 Block 8의 lsquo성별rsquo에 한 테스트이다 따라서 Block Test의 통과율이 99에

이르러 앞서의 PS 추정방정식이 Balancing Property를 체로 만족하고 있다고 결론내릴 수 있다 이상의 과정을 거쳐 확정된 PS 추정방정식을 이용하여 각 개체별로 PS를 구할 수 있다 [그림

4]는 이 게 구해진 PS에 하여 각 집단별 분포도를 제시하고 있다 Treated Group의 경우 PS의

분포가 Untreated Group에 비해 상 으로 우측으로 치우쳐 있음을 쉽게 확인할 수 있다 그리고

PS 분포에서 Common Support 역이 [00149 06]에 이른다는 것을 확인할 수 있다 이는 PS가

06보다 큰 경우에는 Treatment에 참여한 실험군 개체에 해 그에 상응하는 Counterfactual을 조

군으로부터 찾을 수 없음을 의미한다 따라서 PS를 활용한 Treatment의 효과 측정은 이 Common Support 역에 들어오는 실험군 개체들에 한정하여 이루어질 수밖에 없다

22) 를 들어 일자리만족도와 이들 네 변수와의 상 계수(Correlation Coefficient)는 각각 업무만족도(06536) 취업 안정

성 만족도(06014) 자기발 만족도(06279) 복지후생만족도(05514)에 이른다 이들을 포함시키더라도 반 인 결과

에는 큰 차이가 없다

(10)

02

46

8

0 2 4 6 8 0 2 4 6 8

Untreated Group Treated Group

DensityRough Density Curve

Den

sity

Propensity Score Distribu tion for Each Group

lt표 6gt Balancing Property 검증을 위한 Block 구분

Block 번호 Propensity Score 범 D=0 D=1 합계

1 00149 ~ 0025 655 10 665

2 0025 ~ 005 2128 59 2187

3 005 ~ 0075 2146 152 2298

4 0075 ~ 001 1744 200 1944

5 01 ~ 0125 1300 171 1471

6 0125 ~ 015 949 162 1111

7 015 ~ 02 1138 238 1376

8 02 ~ 03 845 242 1087

9 03 ~ 04 230 95 325

10 04 ~ 06 57 56 113

합계 11192 1385 12577

[그림 4] 각 집단별 Propensity Score 분포도

주 Common Support 역인 [00149 06]에 포함된 개체 수는 Untreated Group의 경우 11192명 Treated Group의 경우에

는 1385명임

VII 분석 결과

이제 구해진 PS를 활용하여 이직의 효과와 이직에 있어서 인 네트워크 활용의 효과성을 분

석할 비를 마련하 다 본 분석에서는 앞서 제3 에서 소개한 7가지의 성과지표에 하여 분석

을 진행할 것이다 우선 PS가 추정된 12754개체에 하여 PS를 고려하지 않은 단순비교를 진행해

성과지표의

연간 변화비교 상

이직자

평균

비이직자 평균

격차

(표 오차)

직장만족도 변화이직자 수 1379 3724 -0334 4058

비이직자 수 11274 (0466)

직무만족도 변화이직자 수 1386 2962 -0428 3389

비이직자 수 11285 (0466)

일자리만족도 변화이직자 수 1384 2944 0282 2662

비이직자 수 11261 (0489)

기술 합도 변화이직자 수 1383 2350 -0058 2408

비이직자 수 11245 (0684)

교육 합도 변화이직자 수 1389 2556 -0142 2697

비이직자 수 11300 (0689)

교육기술복합지수

변화

이직자 수 1383 2422 -0091 2513

비이직자 수 11245 (0664)

임 수 변화이직자 수 1384 9088 2782 6307

비이직자 수 11340 (1614)

보자 lt표 7gt은 이직자 집단과 비이직자 집단의 성과지표 변화를 단순비교한 것이다 표에서 확인

할 수 있듯이 이직자의 경우 모든 지표들에 하여 성과지표의 뚜렷한 증가가 목격되었다 비이

직자의 경우에는 임 수 이 2782만원 증가한 것을 제외하고 에 띄는 성과지표의 개선이 나타

나지 않았다23) 성과지표 개선에서 집단 간의 차이가 존재하는지를 검증하기 하여

Mean-Difference Statistical T-test를 진행하고 그 결과를 표에 수록하 다 모든 지표에 하여 이직

자 집단이 비이직자 집단에 비해 높은 증가세를 보인 것이 통계 으로 유의하게 확인된다 를 들

어 이직자 집단의 월평균 임 수 은 9088만원 상승한 것으로 나타나 비이직자 집단에 비해

6307만원만큼 큰 폭의 임 향상을 보 다 하지만 우리는 이상의 결과를 이직의 효과라고 단정

지을 수 없다 왜냐하면 이직의 효과는 이직자 집단에 속한 개체들의 성과 변화와 이들의

Counterfactual 즉 이들이 이직을 하지 않고 직장을 유지하 을 때의 성과 변화를 직 비교해

야 제 로 악되기 때문이다 이후 제시한 Propensity Score Matching에 의한 이직효과 측정은 이

러한 Counterfactual의 탐색에 기반한 분석 결과이다

lt표 7gt 주요 성과지표의 연간 변화 단순비교

주 1 성과지표의 변화에 한 집단 간 차이를 확인하기 하여 Mean-Difference Statistical T-test를 수행함 2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

23) 주어진 임 수 은 연간 임 상승률을 감안한 수치이기 때문에 비이직자의 임 은 불변이거나 하락하여야 정상이

다 재 악되는 비이직자들의 임 증가는 선택편의(Selection Bias) 문제에 의해 발생한 것으로 보인다 주어진 최

종샘 은 차수와 차수 모두에서 임 근로자로 악된 이들로 구성된다 취업시장에 신규로 진입하는 이들에

비하여 근속연수가 1년 많은 셈이다 한 차수에 임 근로자인 이들 임 상승폭이 작은 이들이 그 지 않은

이들보다 근로시장을 이탈할 가능성이 높다 이로 인하여 차수에 이어 차수까지 근로시장에 남아 있는 이들

은 상 으로 높은 임 상승을 보이는 것으로 단된다( 한 분석에 활용한 임 상승률이 lsquo임 구조기본통계조사rsquo의 표본으로부터 추정된 것이므로 노동패 표본과의 근본 차이로 인해 이상의 문제가 도출하 을 가능성도 일

부 배제할 수 없다)

공개채용 스카우트 소개나 추천 직 찾아가서 기타

인 네트워크

활용 구직

21 10 730 68 2

(69) (625) (8459) (1166) (556)

인 네트워크

비활용 구직

278 4 118 502 27

(9145) (250) (1367) (861) (750)

알 수 없음5 2 15 13 7

(164) (125) (174) (223) (1944)

총 사례 수 (1802명

)

304 16 863 583 36

(100) (100) (100) (100) (100)

이직 성격 분류비네트워크

경로-

네트워크

경로

비네트워크

경로-

본격 인 분석에 앞서 인 네트워크와 련하여 이직의 성격을 규명할 필요가 있다 인 네

트워크를 이직경로로 활용한 경우와 그 지 않은 경우로 구분지어 보도록 하자 이를 해 노동패

6차에서 10차까지의 체 경력직 취업자들을 상으로 한 lt부표 1gt의 lsquo경력직 취업자들의 일

자리 진입방식별 구직방법의 분포rsquo를 참조하도록 하자 노동패 에서 제공하는 일자리 진입방식

은 lsquo공개채용rsquo lsquo스카우트rsquo lsquo소개나 추천rsquo lsquo직 찾아가서rsquo lsquo기타rsquo 이 게 다섯 가지로 구분된다 이 lsquo공개채용rsquo 형태의 일자리 진입에서는 lsquo인터넷rsquo이나 lsquo매체 고rsquo를 활용한 구직이 체 사례

의 8486에 이른다 lsquo직 찾아가서rsquo 형태의 일자리 진입 역시 lsquo인터넷rsquo이나 lsquo매체 고rsquo 그리고

lsquo직 탐문rsquo 방식의 구직이 사례의 8113에 이른다 반면 lsquo소개나 추천rsquo 형태의 일자리 진입에서

는 lsquo친구나 친지rsquo를 통하거나 lsquo취업희망 직장의 지인rsquo 혹은 lsquo업무상 알게 된 지인rsquo을 통하는 경우

가 체의 81235에 이른다 즉 각 일자리 진입방식 간에 매우 뚜렷한 구직형태의 차이를 보여

주고 있다 lt부표 1gt의 성공한 구직방법 2 3 8 10 11을 인 네트워크를 활용한 구직으로 1 4 5 6 7 9를 그 지 않은 구직으로 분류하고 각 일자리 진입방식에 한 인 네트워크 활용도를

추산해 보면 다음 lt표 8gt과 같이 요약된다

lt표 8gt 일자리 진입방식별 이직의 성격 분류

주 ( ) 안은 각 일자리 진입방식에 한 이직 성격의 비 을 백분율로 표시함 자료 lt부표 1gt를 재구성한 것임

lt표 8gt에 요약된 바와 같이 lsquo공개채용rsquo과 lsquo직 찾아가서rsquo 형태의 일자리 진입에서 인 네트

워크를 활용하지 않은 구직이 각기 9145와 861에 이른다 반면 lsquo소개나 추천rsquo에서는 인 네

트워크를 활용한 구직이 8459에 이른다 이를 바탕으로 본 분석에서는 lsquo공개채용rsquo과 lsquo직 찾아

가서rsquo를 lsquo비네트워크 경로 이직rsquo으로 lsquo소개나 추천rsquo을 lsquo네트워크 경로 이직rsquo으로 구분한다 이 분류

에 따르면 15705명의 최종샘 에서 이직자로 악된 1560명 1438명의 체 인 구직경로 구

분이 가능하다 이 999명이 네트워크 경로 이직자로 439명이 비네트워크 경로 이직자로 분류

된다 한 앞서 PS가 추정된 12754명 에는 1391명이 이직자인데 그 891명은 네트워크 경

로 이직자로 387명은 비네트워크 경로 이직자로 분류된다

1 이직을 통한 개인만족도의 변화

아래 세 개의 도표 lt표 9gt lt표 10gt lt표 11gt은 이직을 통하여 개인의 만족도가 개선되는지의

여부를 PSM을 통하여 검증한 것이다 각각의 만족도지수(직장만족도 직무만족도 일자리만족도)에 하여 세 가지 방식의 PSM 추정치(Five Nearest Neighbors Radius Matching Kernel Matching)를

제시하고 있다앞서 lt표 7gt의 단순비교에서는 이직자와 비이직자의 연간 만족도변화가 100 만 에서

4058 (직장만족도) 3389 (직무만족도) 2662 (일자리만족도)만큼 차이가 나는 것으로 집계

되었다 그러나 PSM 방식으로 재추정된 이직의 만족도 개선효과는 각각 약 250 (직장) 216(직무) 155 (일자리)으로 나타났다24) 종합하면 단순비교 방식(표 7)은 PSM 활용방식(표 9

표 10 표 11)에 비해 이직의 만족도 개선효과를 약 1~15 만큼 과 추정하고 있음을 확인할 수

있다 이러한 상이 나타난 이유는 실제 이직한 이들이 그 지 않은 이들에 비해 기존 직장에서

의 만족도가 상 으로 낮았다는 데 있다 를 들어 주어진 최종샘 에서 이직자들의 기존 직장

에서의 직장만족도는 평균 5071 을 보이는 반면 같은 시기 비이직자들의 평균 직장만족도는 이

보다 무려 7 가까이 높은 5724 으로 나타났다 따라서 단순비교 방식에서는 이직을 통한 만족

도 개선효과가 다소 과장되어 추산되기 마련이다 이들 이직한 이들이 만약 기존 직장에 그 로 남아 있었다면 (이들의 만족도가 상 으로 낮

은 수 이므로) 다른 이들에 비해 보다 높은 수 의 만족도 개선을 한 해 사이에 경험하 을 것이

다 실제로 체 비이직자들의 연간 만족도의 변화가 각기 -0334 (직장) -0428(직무) 0282 (일자리)에 그치는 데 반해 실험군(이직자 집단)의 Counterfactual 즉 PS를 사용하여 실험군 개체에 매

칭된 (비이직자 집단 내) 조군 개체들의 만족도 변화는 각기 113 (직장) 066 (직무) 133 (일자리)에 이르 다(각 표의 lsquo매칭된 조군 변화(B)rsquo 항목 참조) 실험군 Counterfactual에서의 만족도

개선폭이 여타 비이직자들의 연간 만족도 개선폭보다 략 1 이상 높게 나타나는 것이다 이상

의 선택편의(Selection Bias) 문제가 히 통제될 때 이직의 순효과가 바르게 추정될 수 있다 앞서 시한 PSM 방식으로 추정된 이직의 만족도 개선효과는 이러한 선택편의 문제를

Counterfactual Framework으로 극복한 추정 결과라 할 수 있다 그럼 네트워크 경로 이직과 비네트워크 경로 이직 사이에 뚜렷한 차이가 존재하는지 살펴보도

록 하자 표에서 확인할 수 있듯이 두 경우 모두 이직의 만족도 개선효과가 통계 으로 유의한 수

에서 명확히 확인된다 네트워크 경로의 이직에서는 만족도 개선의 효과가 각기 220 (직장) 158 (직무) 117 (일자리)으로 확인되었고 비네트워크 경로의 이직에서는 각기 263 (직장) 284 (직무) 207 (일자리)으로 확인되었다 흥미로운 부분은 비네트워크 경로의 이직에서 이직

을 통한 만족도 개선의 효과가 소폭 높게 나타난 이다 이는 비네트워크 이직 사례들이 상당수

의 lsquo공개채용rsquo 입사자를 포함하기 때문에 나타난 상으로 보인다 lsquo공개채용rsquo은 주로 종업원 300인 이상의 규모가 큰 기업에서 집 으로 활용되고 있다25) 이들 큰 기업에 lsquo공개채용rsquo으로 입사

한 이들은 그 직장에 비해 주 인 만족도가 크게 향상되었을 것이다 이러한 lsquo공개채용rsquo 사례들이 비네트워크 이직의 만족도 개선효과를 다소 증폭시키는 역할을 하 을 것으로 추정된다

반면 비네트워크 이직을 통한 만족도 개선이 네트워크 이직에 비해 다소 크다고 하여 이것이

24) 이는 분석에 사용된 세 가지 방식의 PSM 추정치들을 산술평균하여 정리한 수치들임 25) 이 부분에 한 구체 인 설명은 발간 정인 한국개발연구원 정책연구시리즈 lsquo인 네트워크(개인의 사회 자본)

의 노동시장 효과 분석rsquo을 참조하기 바란다 ( 자에게 요청시 수령가능함)

이직과정에서의 인 네트워크 요성은 인정되지 않는다는 식으로 해석될 수 없음을 유념하여야

한다 국내 이직과정에서의 인 네트워크 의존도는 해외 주요국에 비해 상당히 높은 수 이다 략 65 안 의 경력직 취업자들이 인 네트워크를 활용하여 구직에 성공하 다고 추정되고 있

다26) 만약 재 이직을 고려하고 있는 국내 한 근로자가 구직활동에서 인 네트워크 활용을 포기

한다면 이 근로자의 이직 성공 가능성은 매우 낮아질 것이다 즉 개인의 이직 성공률을 높이기

해서는 평소에 꾸 한 구직 네트워크 리가 요청된다 할 수 있다 특히 이직수요라는 것은 많은

경우 자신의 의도와는 다르게 외부 충격으로 인해 발생한다 회사의 경제 환경이 변화하기도

하지만 자신의 심사가 바 기도 하고 가족의 갖가지 필요에 의해 이직이 요구되기도 한다 즉 언제 발생할지 모르는 이직수요에 히 응하기 해서는 이직의 주요한 통로라 할 수 있는 인

네트워크에 한 상시 리가 요청되는 것이다 따라서 이직을 고려한 인 네트워크의 상시

리 이를 한 개인의 갖가지 비용 지출은 향후 발생 가능한 험에 처하기 하여 자동

차나 암 보험을 구매하는 것과 같이 기꺼이 지불해야 할 미래에 한 투자라 할 수 있다

26) 역시 한국개발연구원 정책연구시리즈 lsquo인 네트워크(개인의 사회 자본)의 노동시장 효과 분석rsquo을 참조하기 바

란다

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1371) 3662 1201 2460 403

조군(11274) (0610)

Radius Matching 실험군(1362) 3543 1009 2534 436

조군(11274) (0581)

Kernel Matching(Normal) 실험군(1372) 3659 1165 2494 434

조군(11274) (0564)

체 이직효과 평균 362 113 250

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 3309 1169 2140 293

조군(11274) (0730)

Radius Matching 실험군(879) 3231 0939 2292 331

조군(11274) (0693)

Kernel Matching(Normal) 실험군(881) 3309 1146 2162 315

조군(11274) (0686)

네트워크 이직효과 평균 328 108 220

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(380) 4224 1525 2699 224

조군(11274) (1206)

Radius Matching 실험군(373) 3981 1438 2543 217

조군(11274) (1171)

Kernel Matching(Normal) 실험군(381) 4213 1565 2647 230

조군(11274) (1149)

비네트워크 이직효과 평균 414 151 263

lt표 9gt 이직을 통한 직장만족도 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1377) 2850 0701 2149 363

조군(11285) (0592)

Radius Matching 실험군(1368) 2767 0626 2140 381

조군(11285) (0562)

Kernel Matching(Normal) 실험군(1378) 2852 0648 2204 398

조군(11285) (0554)

체 이직효과 평균 282 066 216

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(884) 2302 0808 1494 211

조군(11285) (0707)

Radius Matching 실험군(882) 2256 0658 1598 238

조군(11285) (0670)

Kernel Matching(Normal) 실험군(884) 2302 0654 1648 249

조군(11285) (0661)

네트워크 이직효과 평균 229 071 158

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 3648 0577 3072 269

조군(11285) (1142)

Radius Matching 실험군(374) 3463 0774 2688 245

조군(11285) (1098)

Kernel Matching(Normal) 실험군(382) 3652 0888 2764 257

조군(11285) (1077)

비네트워크 이직효과 평균 359 075 284

lt표 10gt 이직을 통한 직무만족도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1375) 2909 1571 1338 217

조군(11261) (0617)

Radius Matching 실험군(1366) 2818 1276 1543 262

조군(11261) (0588)

Kernel Matching(Normal) 실험군(1376) 2907 1147 1760 303

조군(11261) (0581)

체 이직효과 평균 288 133 155

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(882) 2523 1626 0897 121

조군(11261) (0742)

Radius Matching 실험군(880) 2472 1246 1225 173

조군(11261) (0707)

Kernel Matching(Normal) 실험군(882) 2523 1139 1383 198

조군(11261) (1697)

네트워크 이직효과 평균 251 134 117

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 3609 1499 2110 176

조군(11261) (1196)

Radius Matching 실험군(374) 3409 1530 1879 163

조군(11261) (1151)

Kernel Matching(Normal) 실험군(382) 3599 1365 2235 197

조군(11261) (1133)

비네트워크 이직효과 평균 354 146 207

lt표 11gt 이직을 통한 일자리만족도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이 를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

2 이직을 통한 배치효율성의 변화

다음은 이직의 다른 측면인 일자리 재배치의 문제에 해 살펴보고자 한다 이직은 각 개인

에 있어서는 직장생활의 변화라 할 수 있지만 기업의 입장에서는 노동인력의 교환에 해당한다 따라서 이직을 통한 노동인력의 재배치가 과연 사회 반의 경제 이익을 창출하고 있는지를 따

져 볼 필요가 있다 앞서 lt표 7gt에서 기술수 교육수 교육기술복합지수 이 세 가지 합도에 해 이직자

비이직자 집단 내의 연간 변화를 정리한 바 있다 여기서 비이직자의 경우 각 지수에서 연간 합

도가 소폭 하락한 것으로 나타났고 이직자의 경우 합도가 크게 상승한 것으로 나타났다 비이

직자는 기술수 의 합도에서 0058 이 교육수 의 합도에서 0142 이 그리고 교육기술수

의 복합지수에서는 0091 이 하락한 데 반해 이직자들은 각기 2350 (기술) 2556 (교육) 2422(복합지수)의 합도 상승이 발견되었다 비이직자들의 합도 하락은 기술이나 경제환경의 변

화와 한 련이 있다 경쟁력 있는 기술 이에 한 사회 수요가 시간에 따라 변화하므로 직장에서의 자신의 기술 혹은 교육수 은 (평균 으로 보아) 이 보다 합성이 다소 떨어지게

마련이다 반면 이직자들의 합도 상승이 과연 이직의 순효과인지에 해서는 여 히 의문의 여

지가 크다 이직을 결행한 이들은 이 직장에서의 직무 련 합도가 평균 으로 크게 떨어지는

이들이다 를 들어 최종샘 에서 이직을 하지 않은 이들의 한 해 기술 합도는 평균 9066인 데 반해 이직을 결행한 이들의 한 해 (이 직장에서의) 기술 합도는 평균 8547 에 머무

는 것으로 나타났다 이들은 애 에 워낙 합도가 떨어지기 때문에 굳이 이직을 택하지 않더라

도 직무재배치나 직장 내 부서이동 등을 통하여 1년 사이에 상당한 정도의 합도 개선을 이루었

을 것으로 상된다따라서 이직을 통한 배치효율성의 개선효과 즉 반 인 근로자의 직무 련 합도 상승효

과를 명확히 규명하기 해서는 이직한 이들이 이직을 하지 아니하 을 때에 상되는 합도의

개선을 우선 추정해 볼 필요가 있다 이것은 앞서 설명하 듯이 Counterfactual의 추정을 통해서만

이 가능하다 lt표 12gt lt표 13gt lt표 14gt는 PSM을 이용하여 비이직자들의 정보로부터 이직자들의

Counterfactual을 추정한 뒤 이를 보고하고 있다 세 방식(Five Nearest Neighbors Radius Matching Kernel Matching)의 추정치를 산술평균하면 기술 합도에서는 088 교육 합도에서는 057 교육

기술복합지수에서는 075 의 상승이 확인되었다(각 표의 lsquo매칭된 조군 변화(B)rsquo 항목을 참조) 이를 실험군 즉 실제 이직자들의 합도 상승(각 표의 lsquo실험군 변화(A)rsquo 항목)과 비교하면 순이직

효과는 각기 131 (기술) 183 (교육) 140 (복합지수)에 이르는 것으로 결론지을 수 있다 반

면 교육과 복합지수에서는 이들 순이직효과가 통계 으로 유의하게 나타났으나 기술수 의

합도에서는 이 효과가 통계 으로 뚜렷하지 않았다 10의 유의도에서 검증할 때 Kernel Matching을 제외한 나머지 두 개의 PSM 매칭에서 통계 유의성을 확보할 수 없었다 이에 이직

을 통한 교육수 의 합도 개선효과는 분명한 반면 기술수 의 합도 개선은 통계 으로 입증

되지 않는다고 결론지을 수 있다 교육기술복합지수의 경우 이 두 가지 효과가 첩되어 나타난

것으로 교육수 의 합도 개선이 워낙 뚜렷하기 때문에 통계 으로 유의한 지수상승이 나타난

것으로 단된다 이상과 같이 이직을 통해 교육수 합도의 개선이 보다 효과 으로 이루어지

는 것은 채용과정에서 후보자의 교육수 이 기술수 에 비해 객 인 자료를 이용하여 검증하

기가 보다 용이하기 때문인 것으로 보인다

그럼 이직을 통한 배치효율성 개선 측면에서 인 네트워크의 역할을 살펴보도록 하자 네트

워크 경로 이직과 비네트워크 경로 이직으로 나 어 이직효과를 각기 추정해 보면 둘 사이에 의

외의 뚜렷한 차이가 존재함을 확인할 수 있다 네트워크 경로의 이직인 경우 이직을 통한 합도

개선효과가 통계 으로 유의한 수 에서 매우 높게 나타난다 이직의 순효과는 각기 213 (기술) 252 (교육) 126 (복합지수)에 이른다 반면 비네트워크 경로의 이직인 경우 이 효과는 모두 사

라져 버린다 즉 이직효과는 기술 합도 교육 합도 교육기술복합지수 모두에서 양과 음을 반복

하고 통계 유의성도 확보되지 않는다 즉 비네트워크 경로를 통한 이직에서는 일자리 재

배치를 통한 사회 반의 경제 이득을 기 할 수 없는 것이다 앞서 교육 합도 개선에 있어 이

직의 반 인 효과가 통계 으로 강하게 나타났는데 이 효과의 부분은 비네트워크 경로 이직

보다는 네트워크 경로 이직으로부터 창출된 것임을 짐작할 수 있다 특히 기술 합도를 보면 이직자들의 합도 개선은 네트워크와 비네트워크 이직 사이에 뚜렷

한 차이를 보이는데 네트워크 이직자들의 합도 개선은 평균 292 인 데 반해 비네트워크 이직

자들의 합도 개선은 평균 048 에 그친다 인 네트워크를 활용하지 않고 이직을 하 을 경우 이직을 하 음에도 불구하고 기술 합도의 개선은 평균 으로 거의 기 되지 않는 것이다 이는

앞서 주 만족도의 개선효과와 비교하여 매우 상반된 결과에 해당한다 이직을 통한 주 만

족도의 개선에서는 네트워크와 비네트워크 이직 모두 그 효과가 분명하 으며 특히 비네트워크

이직자들의 주 만족도 개선폭은 3 내지 4 에 이르 다 이는 네트워크 이직자들의 만족

도 개선폭에 비해서도 1 가량 높은 수치 다 따라서 이직이 반 으로 개인의 주 만족도

를 개선하는 효과가 있으나 배치효율성의 개선 측면에서는 오직 인 네트워크에 의존한 이직만

이 재배치의 분명한 경제 효과를 평균 으로 창출한다고 결론지을 수 있다 이러한 네트워크와 비네트워크 사이의 뚜렷한 이직효과의 차이는 네트워크가 지닌 정보 달

기능에 기인한 것으로 단된다 인 네트워크는 구인자와 구직자 사이에 훌륭한 정보 달 기능

을 수행하고 있다 구직자에게는 어떠한 일자리가 구직자의 기술능력 혹은 교육수 에 비추어

합한지에 한 정보를 제공하고 구인자에게는 구인자가 필요로 하는 합한 기술의 소유자가

구인지에 한 정보를 제공하는 것이다 이는 평소에 구인자와 구직자 모두를 아우르는 간 매개

로서의 인 네트워크가 있었기에 가능한 것이다 반면 비네트워크에서는 이러한 효과를 기 하

기 힘들다 비네트워크 채용에서는 주어진 서류와 단시간의 인터뷰 혹은 직무능력 테스트만을 가

지고 합한 인력을 선발하여야 한다 lsquo공개채용rsquo의 경우 많은 지원자들의 경쟁을 거치므로 상으로 보다 합한 후보자를 선별할 수 있을 것이다 그러나 lsquo직 찾아가서rsquo 형태의 입사에서는

이러한 경쟁의 과정 역시 생략되므로 높은 합도를 지닌 후보의 채용은 더욱 기 하기 힘들다 정리하자면 인 네트워크는 국내 노동시장에서 일자리와 일자리 후보 사이의 활발한 정보 달

기능을 수행함으로써 노동시장의 효율 작동을 돕고 있는 것이다 끝으로 이러한 네트워크 이직의 배치효율성이 모든 이직 사례에 일 으로 용되는 것이

아님을 주지할 필요가 있다 인 네트워크가 구인과 구직 사이의 lsquo연결(Networking)rsquo 기능을 수행

할 때 이상의 정 인 효과를 기 할 수 있을 것이나 이 둘 사이의 lsquo연 rsquo로서 기능할 때는 오히

려 역효과를 래할 수 있다 즉 인 네트워크를 통하여 합하지 않은 지원자를 연 로 채용시

키는 경우 해당 일자리에 한 매치 합성은 네트워크 이직으로 인해 오히려 감퇴할 수 있다 우리는 이상의 분석을 통하여 국내 노동시장에서 네트워크 이직의 반 인 교육 기술 수

합도 개선효과를 확인한 바 있다 이는 국내 노동시장의 고용 로세스에서 lsquo연 rsquo의 부정 효과

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1374) 2220 1095 1124 121

조군(11245) (0929)

Radius Matching 실험군(1365) 2088 0735 1353 155

조군(11245) (0874)

Kernel Matching(Normal) 실험군(1375) 2255 0795 1460 168

조군(11245) (0869)

체 이직효과 평균 219 088 131

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 2951 0919 2032 181

조군(11245) (1125)

Radius Matching 실험군(879) 2844 0746 2098 198

조군(11245) (1057)

Kernel Matching(Normal) 실험군(881) 2951 0702 2250 214

조군(11245) (1049)

네트워크 이직효과 평균 292 079 213

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 0525 2297 -1772 -096

조군(11245) (1840)

Radius Matching 실험군(374) 0267 0868 -0600 -034

조군(11245) (1753)

Kernel Matching(Normal) 실험군(382) 0654 1297 -0642 -037

조군(11245) (1746)

비네트워크 이직효과 평균 048 149 -100

보다는 구인구직 간 lsquo연결rsquo이라는 네트워크의 정 효과가 보다 강하게 작동하고 있음을 시사

한다

lt표 12gt 이직을 통한 기술적합도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1380) 2428 0630 1797 193

조군(11300) (0931)

Radius Matching 실험군(1371) 2298 0496 1802 207

조군(11300) (0872)

Kernel Matching(Normal) 실험군(1381) 2462 0586 1876 216

조군(11300) (0869)

체 이직효과 평균 240 057 183

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(886) 3047 0342 2705 245

조군(11300) (1106)

Radius Matching 실험군(884) 2885 0528 2357 227

조군(11300) (1037)

Kernel Matching(Normal) 실험군(886) 3047 0551 2496 243

조군(11300) (1029)

네트워크 이직효과 평균 299 047 252

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(382) 1702 2007 -0305 -016

조군(11300) (1891)

Radius Matching 실험군(375) 1600 0559 1041 058

조군(11300) (1788)

Kernel Matching(Normal) 실험군(383) 1828 0910 0917 051

조군(11300) (1793)

비네트워크 이직효과 평균 171 116 055

lt표 13gt 이직을 통한 교육적합도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1374) 2293 0893 1399 155

조군(11245) (0904)

Radius Matching 실험군(1365) 2161 0641 1520 179

조군(11245) (0850)

Kernel Matching(Normal) 실험군(1375) 2327 0711 1616 191

조군(11245) (0847)

체 이직효과 평균 226 075 140

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 2951 0643 2308 212

조군(11245) (1087)

Radius Matching 실험군(879) 2816 0662 2154 211

조군(11245) (1021)

Kernel Matching(Normal) 실험군(881) 2951 0645 2306 228

조군(11245) (1014)

네트워크 이직효과 평균 291 065 226

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 1115 2233 -1118 -062

조군(11245) (1816)

Radius Matching 실험군(374) 0936 0749 0187 011

조군(11245) (1727)

Kernel Matching(Normal) 실험군(382) 1243 1131 0112 007

조군(11245) (1726)

비네트워크 이직효과 평균 110 137 -027

lt표 14gt 이직을 통한 교육기술복합지수의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

3 이직을 통한 임금수준의 변화

다음은 이직을 통한 임 수 의 변화가 실재하는지 검토하고자 한다 네트워크 이직과 비네트

워크 이직을 나 어 볼 때 앞서 우리는 네트워크 이직이 일자리 매치 합도를 히 개선한다

고 밝힌 바 있다 임 이 근로자의 생산성 기여분을 그 로 반 한다고 한다면 네트워크 이직에

따른 매치 합도의 개선은 근로자의 임 상승으로 이어져야 할 것이다 앞서 lt표 7gt의 단순비교에서 이직자들의 연간 임 상승분이 평균 9088만원 비이직자들의 연

간 임 상승분은 2782만원으로 집계된 바 있다 둘 사이의 격차가 6307만원에 이른다 한 해 사

이에 이직한 이들의 연간 임 상승폭이 직장을 그 로 유지한 이들의 연간 임 상승폭 보다

히 높은 수 인 것이다 하지만 이러한 단순비교는 선택편의(Selectoin Bias) 문제를 역시 고려하지

않고 있으므로 이직의 직 인 임 상승효과라 볼 수는 없다 즉 실제로 이직을 결행한 이들의

이직 임 수 은 같은 시기 직장을 그 로 유지한 이들에 비해 상 으로 낮은 수 일 가능

성이 높다 이들이 직장을 그 로 유지하 다면 다른 이들에 비해 히 높은 수 의 임

상승을 경험하 을 것이다 실제 이직한 이들이 만약 이직을 하지 않고 직장을 그 로 유지하

을 때 상되는 임 상승분 즉 이직자 임 상승분의 Counterfactual을 PSM 방식을 활용하여 추

정한 수치가 lt표 15gt의 lsquo 조군 변화(B)rsquo에 요약되어 있다 이에 따르면 실제 이직자들이 이직을

하지 않았을 때 기 할 수 있는 임 상승분은 략 5만원 정도에 이르는 것으로 나타난다 따라

서 이직에 따른 임 상승의 순효과는 앞서 제시한 6307만원이 아닌 이보다 상당히 축소된 386만원이다 이는 lt표 15gt에 정리된 바와 같이 PSM을 활용한 세 가지 추정치의 산술평균으로 추산

된 값이다 한 이러한 이직의 임 상승효과는 통계 으로도 유의한 것으로 확인되었다 반면 네트워크 경로 이직자와 비네트워크 경로 이직자의 임 상승분을 비교해 보면 둘 사이

에 상당한 격차가 존재함을 쉽게 확인할 수 있다 네트워크 이직자들의 이직을 통한 임 상승효과

는 통계 으로 유의한 수 에서 략 384만원으로 추정되는 반면 비네트워크 이직자들의 임

효과는 -077만원이고 이는 통계 으로도 유의하지 않다 즉 네트워크를 활용하여 이직하 을

때 뚜렷한 임 상승이 기 되는 반면 인 네트워크를 활용하지 않고 이직하 을 때는 이 효과

를 확신할 수 없을 뿐더러 다소 하락할 가능성도 있는 것이다 따라서 앞서 확인된 이직을 통한

반 인 임 상승의 효과는 네트워크 이직을 통해 창출된 효과이며 비네트워크 이직을 통한

기여는 뚜렷하지 않은 것으로 결론지을 수 있다이직은 새로운 일자리에 자신의 기술 직무 능력을 응시키는 과정이다 따라서 임 상승

효과가 이직 기에 항상 담보되지는 않을 것이다 반면 인 네트워크를 활용하 을 때 자신에

게 보다 합한 일자리에 배치됨으로써 즉 자신의 능력과 잠재력을 보다 잘 발휘할 수 있는 직무

에 재배치됨으로써 이상의 추가 인 임 상승을 기 할 수 있는 것이다 이는 앞서 이직을 통한

배치효율성 검증에서 확인되었던 네트워크 이직의 기술수 (혹은 교육수 ) 합도 상승효과와

일맥상통하는 결과이다 인 네트워크를 활용한 이직은 임 근로자를 보다 합한 일자리에 재

배치하는 데 일조하고 이것이 생산성에의 보다 높은 기여를 창출함으로써 이직자들의 추가 인

임 상승으로 이어지는 것이다물론 이러한 해석은 평균 인 추세를 반 한 것임에 유념할 필요가 있다 네트워크 이직의 사례

에는 앞서 말한 생산 인 lsquo연결rsquo 효과가 아닌 비생산 인 lsquo연 rsquo 효과 혹은 정실인사(Nepotism)가

작동한 경우들도 상당할 것이다 이 경우 생산성에의 기여가 충분하지 않음에도 불구하고 기술이

나 능력에 비해 임 을 후하게 설정할 가능성이 높다 이러한 lsquo연 rsquo형 이직을 통한 임 상승 역

시 네트워크 이직의 임 상승효과라 볼 수는 있겠으나 이것이 일자리 배치효율성의 개선을 반

한다고 볼 수는 없는 것이다 따라서 앞서 추정한 네트워크 이직의 임 상승효과 384만원이

으로 일자리 매치 합도 개선효과에서 기인한다고 단정 지을 순 없다 한 비네트워크 이직 역

시 평균 으로 임 상승의 효과가 포착되지 않은 것일 뿐 비네트워크 이직의 표본 에는 실제로

임 이 크게 상승한 사례들도 상당히 존재할 수 있다 를 들어 lsquo공개채용rsquo 방식의 입사인 경우 경합자들에 비해 채용 합격자의 해당 일자리 합성이 보다 우수하다고 단되어 채용된 사례가

많을 것이다 이 게 경쟁을 거쳐 채용된 이들은 이 에 비해 상당히 높은 수 의 임 상승을 기

할 수 있다 반면 비네트워크 이직에서 반 인 임 상승의 효과가 포착되지 않는 것은 비네트워크 이직

이 격한 주 만족도의 개선을 이끌었던 것과 비교하여 매우 조 인 상이다 많은 이들의

상식과는 달리 이직의 결정은 임 만족도 수 과 직결되어 있지 않다 앞서 제4 에서 우리는 이

직의 향요인들을 분석해 본 바 있다 이직의 결정이 업무만족도 복지후생만족도 취업 안정성에

한 만족도 등 다양한 요소에 민감하게 반응하는 반면 임 에 한 만족도와는 통계 으로 유의

한 수 에서의 연 성이 포착되지 않았다 개인의 이직 결정은 임 이외에 다양한 요소들을 종합

으로 고려한 단 결과라 할 수 있다 체로 이직은 다양한 방면에서 개인의 주 만족도를

격하게 향상시킨다 반면 자신의 기술(교육)수 과 일자리의 매치 합성의 문제는 이직자들에

게는 부차 인 고려 상에 해당한다 임 수 의 개선 역시 이직 시 고려되는 한 요소이겠으나 인 요소는 아니고 다양한 향요인 의 하나로 볼 수 있는 것이다 이러한 에서 비네트워

크 이직이 다소 상반된 효과(즉 주 만족도의 한 개선효과와 미미한 수 의 임 개선효

과)를 동시에 보여주고 있는 것은 일견 자연스러운 상이다

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1375) 8887 5274 3613 184

조군(11340) (1962)

Radius Matching 실험군(1366) 8842 4813 4029 208

조군(11340) (1936)

Kernel Matching(Normal) 실험군(1376) 8861 4916 3945 206

조군(11340) (1880)

체 이직효과 평균 886 500 386

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(882) 8943 5519 3423 150

조군(11340) (2285)

Radius Matching 실험군(880) 8827 4855 3972 178

조군(11340) (2231)

Kernel Matching(Normal) 실험군(882) 8943 4819 4124 186

조군(11340) (2217)

네트워크 이직효과 평균 890 506 384

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 4772 5672 -0900 -024

조군(11340) (3685)

Radius Matching 실험군(374) 4805 5201 -0396 -011

조군(11340) (3661)

Kernel Matching(Normal) 실험군(382) 4691 5716 -1025 -028

조군(11340) (3601)

비네트워크 이직효과 평균 476 553 -077

lt표 15gt 이직을 통한 임금수준의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

VIII 구직 네트워크의 사회적 자본 추정

근로자 개인의 측면에서 구직 네트워크의 가치를 추정해 보자 앞서 네트워크 이직을 통한 임

상승효과를 3840만원으로 추정하 다 이는 2008년 기 액이다 연간 물가상승률을 감안하

면27) 2010년 재가로 4074만원에 해당한다 평소에 구직 네트워크를 히 리하여 이직에서

이를 활용한다면 한 번의 이직으로 4만원 안 의 추가 인 임 상승을 기 할 수 있는 것이다 연으로는 489만원 가량의 임 이 이직 이후 매년 추가 으로 지 되는 것으로 해석될 수 있다28)

한편 이직이라는 것은 근로자의 생애를 걸쳐 발생하는 사건이다 임 근로자를 심으로 한

재의 최종샘 에서 연간 일자리 이동비율은 평균 993에 이른다 직종 업종에 따라 혹은 재

직 회사의 규모에 따라 이직률에는 상당한 차이가 있겠으나 체 임 근로자를 상으로 하 을

때 략 10년에 한 번 정도의 이직이 상되는 것이다 임 근로자의 생애를 걸쳐 살펴보면

이직은 주로 직장생활 후기보다는 기에 집 되어 있다 [그림 5]는 최종샘 15705명 임 근로

자를 상으로 한 각 연령별 이직률 추이를 나타낸다 생애 이직률은 20 후반에 가장 높고 30 반에 주춤하다가 30 후반에 다시 상승하고 40 이후에 하강하는 추세임을 확인할 수

있다

[그림 5] 연령별 이직률(26세부터 59세까지)

(단 )

0

2

4

6

8

10

12

14

16

18

26 28 30 32 34 36 38 40 42 44 46 48 50 52 54 56 58

연령(만)

자료 노동패 5차부터 10차까지

이를 활용하면 임 근로자 한 사람이 평생에 걸쳐 기 할 수 있는 이직의 임 상승효과를 추

정해 볼 수 있다 첫 취업의 평균연령이 265세임을 고려하여 표 인 임 근로자(A Representative Worker)가 26세부터 60세까지 노동시장에 참여한다고 가정해 보자 인 네트워크

27) 여기에 연평균 물가상승률 3를 용하 다 실제 임 상승률도 2009년의 임 이 융 기 여 로 거의 동결이었

음을 고려할 때 2년간 략 6에 해당한다 28) 여기서는 네트워크 이직의 임 리미엄(연 489만원 상승)이 이직 후 매년 지속된다고 가정하고 있다 실제로

리미엄이 상당 기간 지속되는지 아니면 이직 후 빠르게 축소되는지에 한 국내 실증분석은 향후 과제로 남겨져

있다

를 활용한 이직만이 평균 인 임 상승효과를 가져온다는 을 고려할 때 구직 네트워크의 생애

가치()는 다음과 같이 요약된다29)

times timestimestimes (11)

여기서 는 연령 에서의 상 이직률(Job Transfer Rate)을 나타낸다 은 이직 시 인 네

트워크에 한 의존도 수 이다 는 네트워크 이직에 따른 월평균 임 상승의 효과이다 여기

에 [그림 5]에 요약된 이직률의 생애 추이를 에 입하자 여기서 경력직 이직자의 인 네트

워크 의존도가 60 반(plusmn5 이내)으로 추산된 을 고려하여 에 64를 입하도록 하자30) 그리고 에 앞서 추정한 네트워크 이직의 임 상승효과 4074만원(2010년 기 )을 입하면 구직 네트워크의 생애 가치()는 18720만원으로 집계된다 만약 에 이직률의 생애 추

이 신 최종샘 에서 구한 평균이직률 993를 연령 에 걸쳐 일률 으로 사용한다면 이와

유사한 수치인 18486만원을 얻을 수 있다 따라서 한국사회 임 근로자 한 사람의 구직 네트워크

가치는 보상 측면에서 략 일천 1870만원 수 인 것으로 결론지을 수 있다 물론 이 수치는 이직을 통한 이득만을 반 하고 있을 뿐 주 만족도의 개선효과는

반 하고 있지 않다 앞서 우리는 일자리 이동을 통해 창출되는 개인의 만족도 변화를 직장만족

도 직무만족도 일자리만족도 이 세 가지 측면에서 고려해 보았다 네트워크 이직과 비네트워크

이직 모두 만족도의 개선효과를 보 다 그러나 국내 노동시장에서 이직의 약 60 이상이 인

네트워크에 의존하고 있음을 고려할 때 임 근로자 한 개인이 구직 네트워크를 리하지 않는다

면 그의 이직률은 에서 60 이상 추락할 것이다 이를 고려하여 구직 네트워크의 생애 만족

도 개선효과()를 다음과 같이 요약할 수 있다31)

timestimestimestimes (12)

여기서 는 네트워크 이직을 통한 주 만족도의 개선폭을 나타낸다 앞서 네트워크 이직

이 창출하는 주 만족도의 개선효과가 100만 에서 220 (직장만족도) 158 (직무만족도) 117 (일자리만족도) 정도임을 확인하 다 이 세 수치의 평균치가 네트워크 이직의 만족도 개선

효과를 히 변하고 있다고 한다면 의 략 인 추정치는 165 이 된다 이를 입하면

구직 네트워크의 만족도 개선효과는 략 7582 으로 추산된다 만족도 1 을 으로 환산하

여 만원에 해당한다고 표시하면 구직 네트워크의 임 근로자 일인당 생애가치()는 임

상승효과()와 만족도 개선효과()의 합으로써 다음과 같이 요약된다

equiv (=18720+7582) (13)

구직 네트워크의 가치 (18720+7582n)만원이 함의하는 바를 명확히 규정하기는 쉽지 않다 특히 개인마다 일자리에서 얻는 주 만족도를 가치로 환산하는 방식이 다를 것이다 를 들

29) 구직 네트워크의 재 가치를 추산하기 해서는 시간할인률을 용할 필요가 있으나 여기서는 이를 생략하 다 시간할인률이 용된 추정치는 재 계산된 값보다 다소 하락할 것이다

30) 이에 한 보다 구체 인 설명은 본 논문의 보다 상세한 내용이 실린 한국개발연구원 정책연구시리즈로 출간 정

인 lsquo인 네트워크(개인의 사회 자본)의 노동시장 효과 분석rsquo 보고서를 참조 바란다 31) 앞서와 마찬가지로 구직 네트워크의 재 가치를 추산하기 해서는 시간할인률을 용할 필요가 있으나 여기서는

이를 생략하 다 시간할인률이 용된 추정치는 재 계산된 값보다 다소 하락할 것이다

어 어떤 이들에게는 이득만이 요하고 주 만족도는 경시될 수 있다 이들에게 n은

lsquo0rsquo에 가까운 것이다 반면 다른 이들에게는 일자리에서 얻는 주 만족도가 임 소득보다

몇 배 이상 요할 수 있다 이들에게 n은 1보다 큰 양수가 될 것이다 구직 네트워크의 가치를 수

치로 악해 보고자 n=1인 근로자를 상정해 보자32) 이 사람에게 만족도 1 은 1만원만큼의

효용을 창출한다 이 근로자에게 구직 네트워크의 종합 가치는 26302만원에 이른다고 평가할

수 있다 이러한 구직 네트워크의 종합 가치를 개인의 물 혹은 인 자본과 별하여 근로자

개인의 구직 네트워크 사회 자본이라 명할 수 있다추정한 구직 네트워크의 가치인 (18720+7582n)만원은 한국사회의 임 근로자 각 개인이 구직

네트워크의 유지 리를 하여 기꺼이 지불할 용의가 있는 비용을 나타낸다 만족도 1 이 1만원의 효용이 있다면 즉 n=1이라면 이는 1224개월치 월 ( 략 일년치 연 )에 해당한다33) 이는 결코 작지 않은 액수이다 한국사회의 구성원들은 다양한 방식으로 네트워크를 리하고 있다 동창회 동호회 업계 계자와의 술자리 각종 경조사 참여 Social Network Service(SNS) 활동 등

이 이에 해당한다 이들 활동은 그 자체로서 정서 효용을 창출하지만 생 인 경제 이득

한 간과할 수 없다 이는 업무에 필요한 유용한 정보의 획득이나 업거래망의 확장이기도 하고 구직 네트워크의 변 확 자기 PR(Public Relations)이기도 하다 네트워크의 리는 그에 상

응하는 비용을 수반한다 이는 만남에 따른 지출에서부터 시간사용까지를 포함한다 구직

네트워크의 효과성 측면에서 보았을 때 한국사회 근로자 개인은 상당한 비용( 를 들어 n=1인 경

우 략 일년치 연 에 해당하는 비용)을 구직 네트워크의 유지 리를 하여 생애를 거

쳐 기꺼이 지불할 용의가 있다고 볼 수 있는 것이다

IX 결론

이제까지 우리는 국내 고용시장에서의 인 네트워크 활용의 효과성을 다각 인 측면에서 살

펴보았다 인 네트워크를 활용한 이직의 직장생활만족도 개선효과는 100 만 에 약 165 34)

에 달하는 것으로 확인되었으며 직무 합도 개선효과는 100 만 에 약 197 35)에 이르는 것으

로 나타났다 한 인 네트워크를 활용한 이직은 임 상승을 동반하는데 그 규모는 월평균 임

으로 4074만원(2010년 기 )인 것으로 확인되었다 반면 인 네트워크를 활용하지 않은 이직

에서도 직장생활만족도의 개선효과가 일부 포착되었으나 일자리 합도에 한 개선이나 임 상

승효과는 확인되지 않았다 즉 구인자와 구직자를 연결시켜주는 인 네트워크의 효율 인 정보

달 기능이 확인된 것이다 이를 통해 임 근로자 개인의 구직 네트워크의 가치 즉 lsquo네트워크 사

회 자본rsquo을 추정해 보면 구직 네트워크의 생애 가치는 18720만원으로 집계되었으며 여기에 주 만족도에 한 보상 측면까지 고려하면 만족도 1 의 가치를 만원으로 환산

할 때 략 (18720+7582)만원에 이르는 것으로 집계되었다

32) 실제로 일반 인 수 에서 n은 1보다 상당히 클 것으로 상된다 주어진 표본에서 주 만족도의 평균은 략

55 내외인 반면 임 수 의 평균은 략 200만원 내외이다 즉 두 수치의 Scale이 네 배 가량 차이가 난다 33) 26302만원을 차수 임 수 (20247만원)의 2010년도 기 가치인 2148만원으로 나 면 1224개월이 나온다 34) 직장만족도 개선효과 220 직무만족도 개선효과 158 일자리만족도 개선효과 117 의 산술평균값 용 시 35) 기술 합도 개선효과 213 교육 합도 개선효과 252 교육기술복합지수 개선효과 126 의 산술평균값 용

참 고 문 헌

고용노동부 985172고용노동백서985173 2010김동헌김상호 「직업탐색과 자발 이직」 2001 경제학 공동학술 회 발표문 2010 김성훈 「사회연결망과 공식경로를 통한 첫 취업의 개인 결과와 사회 결과」 985172한국사회학985173 제39집 제1호

2005 김성훈 「 문직의 취업경로 사회연결망과 공식경로를 심으로」 985172한국사회학985173 제40집 제5호 2006 김성훈 「취업자의 사회연결망 활용에 한 향요인 연구」 985172노동경제논집985173 제26권 제3호 2003김용학 985172사회연결망 이론985173 박 사 2003류석춘 외 985172한국의 사회자본 역사와 실985173 백산출 사 2008 송호근김우식이재열 985172한국사회의 연결망 연구985173 서울 학교 출 부 2004안재희 985172구직과 제도 사회자본985173 한국학술정보(주) 2008우천식 편 985172한국경제사회와 사회 자본985173 한국개발연구원 2007이 면나인강 「직장만족도와 이직행 에 한 패 분석」 985172제5차 한국노동패 학술 회 논문집985173 2004이 면나인강 「비정규직의 이직 이직사유 근속기간에 한 연구」 985172제6차 한국노동패 학술 회 논

문집985173 2005이상호 「노동패 의 주 만족도 측정」 985172노동리뷰985173 통권 제17호 2006 pp77~86이병훈 「구직활동의 향요인에 한 탐색 연구」 985172노동경제논집985173 제25권 제1호 2002 pp1~21 통계청 985172경제활동인구조사985173 2010한국노동연구원 985172사업체패 조사985173 2007KDI 국제정책 학원 985172사회 자본 확충을 한 기본조사 정책연구985173 2007

Blau David and Philip Robins ldquoJob Search Outcomes for the Employed and Unemployedrdquo Journal of Political Economy 98(3) 1992 pp637~655

Bourdieu P ldquoThe Forms of Capitalrdquo in J G Richardson (ed) Handbook of Theory and Research for the Sociology of Education New York Greenwood 1986

Cochran William and Donald Rubin ldquoControlling Bias in Observational Studies A Reviewrdquo Sankhya 35 1973 pp417~446

Datcher Linda ldquoThe Impact of Informal Networks on Quit Behaviorrdquo Review of Economic Statistics 65(3) 1983 pp491~495

Dawid A ldquoConditional Independence in Statistical Theoryrdquo Journal of Royal Statistical Society B 41 1979 pp1~31

Dehejia R and S Wahba ldquoCausal Effects in Nonexperimental Studies Reevaluating the Evaluation of Training Programsrdquo Journal of the American Statistical Association 94 1999 pp1053~1062

Dehejia R and S Wahba ldquoPropensity Score-Matching Methods for Nonexperimental Causal Studiesrdquo The Review of Economics and Statistics 84 2002 pp151~161

Glaeser E D Laibson and B Sacerdote ldquoAn Economic Approach to Social Capitalrdquo The Economic Journal 112 2002

Gottschalk P and T Maloney ldquoInvoluntary Termination Unemployment and Job Matching A Test of Job Search Theoryrdquo Journal of Labor Economics 3 1985 pp109~123

Granovetter Mark S Getting A Job A Study of Contracts and Careers Chicago University of Chicago Press 1975

Heckman J H Ichimura J Smith and P Todd ldquoCharacterizing Selection Bias Using Experimental Datardquo Econometrica 66 1998 pp1017~1098

Heckman J H Ichimura and P Todd ldquoMatching as an Econometric Evaluation Estimator Evidence from Evaluating a Job Training Programrdquo Review of Economic Studies 64 1997 pp605~654

______ ldquoMatching as an Econometric Evaluation Estimatorrdquo Review of Economic Studies 65 1998 pp261~294Knack S and P Keefer ldquoDoes Capital Have and Economic Payoff A Cross Country Investigationrdquo Quarterly

Journal of Economics 62 1997 pp1251~1288 Lin Nan Social Capital A Theory of Social Structure and Action Cambridge Cambridge University Press 2001 Lin Nan Karen Cook and Ronald Burt (eds) Social Capital Theory and Research Aldine Transaction 2001 Marmaros David and Bruce Sacerdote ldquoPeer and Social Networks in Job Searchrdquo European Economic Review 46

2002 pp870~879Putnam Robert D Bowling Alone The Collapse and Revival of American Community New York Simon and

Schuster 2000Rosenbaum J S DeLuca S Miller and K Roy ldquoPathways into Work Short- and Long-Term Effects of Personal

and Institutional Tiesrdquo Sociology of Education 72(3) 1999 pp179~196Rosenbaum P and D Rubin ldquoThe Central Role of the Propensity Score on Observational Studies for Causal

Effectsrdquo Biometrika 70 1983 pp41~55Rubin D ldquoEstimating Causal Effects of Treatments in Randomized and Non-randomized Studiesrdquo Journal of

Educational Psychology 66 1974 pp688~701Simon Curtis and Warner John ldquoMatchmaker Matchmaker The Effect of Old-Boy Networks on Job Match

Quality Earnings and Tenurerdquo Journal of Labor Economics 10(3) 1992 pp306~330Todd Petra ldquoMatching Estimatorsrdquo unpublished manuscript 2006

성공한 구직방법

일자리 진입방식

합계공개

채용스카우트

소개나

추천

찾아가서기타

1 학교나 학원12 0 26 4 0 42

(395) (0) (301) (069) (0) (233)

2 교수나 교사2 0 8 0 0 10

(066) (0) (093) (0) (0) (055)

3 친구나 친지5 2 509 28 2 546

(164) (125) (5898) (48) (556) (303)

4 공공 안내소3 0 7 9 4 23

(099) (0) (081) (154) (1111) (128)

5 사설 안내소3 0 29 16 1 49

(099) (0) (336) (274) (278) (272)

6 매체 고53 1 21 209 13 297

(1743) (625) (243) (3585) (3611) (1648)

7 직 탐문2 0 13 85 0 100

(066) (0) (151) (1458) ((0) (555)

8 가족1 1 21 2 0 25

(033) (625) (243) (034) (0) (139)

9 인터넷205 3 22 179 9 418

(6743) (1875) (255) (307) (25) (232)

10 희망직장

지인

7 3 90 20 0 120(23) (1875) (1043) (343) (0) (666)

11 업무상

지인

6 4 102 18 0 130(197) (25) (1182) (309) (0) (721)

12 기타 5 2 15 13 7 42

(164) (125) (174) (223) (1944) (233)

합 계304 16 863 583 36 1802

(100) (100) (100) (100) (100) (100)

lt부표 1gt 경력직 취업자(1802명)의 일자리 진입방식별 구직방법의 분포

주 1 노동패 6차부터 10차까지의 신규 일자리 진입자 경력직 취업자를 상으로 함 2 ( ) 안은 각 일자리 진입방식에 한 성공한 구직방법의 백분율임

Block

번호

직장유지의

직무유지의

향성별 나이 나이

2 교육

혼인

여부

정규직

여부

첫(혹은

두 번째)

일자리

(로그)

격차 격차 격차 격차 격차 격차 격차 격차 격차 격차

1164 116 048 -102 -14913 -003 003 009 000 007

(455) (395) (011) (207) (19454) (044) (005) (004) (009) (013)

2-254 050 003 007 -1629 -022 -006 004 -002 001

(203) (191) (006) (123) 11232 (020) (004) (004) (006) (007)

3036 -076 002 -094 -7067 -001 000 -004 008 001

(131) (129) (004) (088) (7870) (012) (003) (003) (004) (004)

4-079 -117 -001 071 6428 000 -004 -002 001 -005

(128) (122) (004) (079) (6861) (010) (003) (003) (004) (003)

5026 144 -005 068 6211 -012 004 000 -006 -001

(142) (144) (004) (077) (6201) (010) (004) (003) (004) (004)

6061 152 -008 -043 -3655 006 002 002 -007 007

(151) (151) (004) (073) (5661) (010) (004) (004) (004) (004)

7010 -134 -002 043 2726 003 -002 001 003 001

(133) (131) (004) (058) (4296) (008) (004) (003) (003) (003)

8045 173 008 044 3233 007 000 -001 -001 -003

(146) (143) (004) (052) (3615) (007) (004) (003) (003) (003)

9128 -010 000 061 3033 -016 -003 006 -010 004

(259) (246) (006) (065) (3930) (012) (005) (006) 006 (006)

10500 114 013 -035 -1626 004 000 007 001 -003

(407) (394) (009) (081) (4454) (017) (007) (008) (009) (009)

lt부표 2-Agt Propensity Score 각 구간(Block)에 대한 Mean-Difference Statistical T-test 결과(I)

주 1 Untreated Group과 Treated Group의 각 항목에 한 Mean Difference를 테스트함 2 표시는 5 유의도 수 에서 테스트를 통과하지 못한 항목을 표시함3 ( ) 안은 표 오차임

lt부표 2-Bgt Propensity Score 각 구간(Block)에 대한 Mean-Difference Statistical T-test 결과(II)

Block

번호

(로그)2 종업원 규모 교육 합도 임 만족도근무

환경 만족도

일자리

만족도

서비스 매직

여부

농어업 종사

여부

정규직 times

교육

직장 times

직무유지의향

격차 격차 격차 격차 격차 격차 격차 격차 격차 격차

1052 054 202 656 -048 -101 002 001 003 25954

(147) (053) (379) (564) (480) (421) (005) (003) (047) (60638)

2-006 043 046 047 -303 -182 002 000 -004 -9827

(073) (027) (197) (247) (220) (188) (002) (001) (026) 25462

3006 011 -151 -030 255 013 -002 000 -011 -246

(041) (017) (158) (156) (142) (117) (002) (000) (018) (15776)

4-052 000 -075 -111 -046 -005 -004 000 -011 -10585

(034) (015) (155) (137) (133) (110) (002) (001) (016) (14203)

5-008 006 053 -047 -017 -036 003 000 -004 17636

(035) (017) (176) (152) (144) (123) (003) (001) (018) (16213)

6063 -005 273 049 211 040 -006 001 015 14659

(035) (017) (201) (150) (145) (124) (003) (001) (019) (16225)

7008 -018 -045 016 -031 005 005 000 010 -10640

(029) (014) (174) (127) (127) (108) (003) (001) (016) (13577)

8-022 -014 028 -028 -163 086 000 000 -001 6766

(028) (014) (189) (127) (131) (111) (003) (000) (017) (13784)

9037 -013 143 133 046 -070 001 -002 015 -1116

(047) (021) (371) (204) (227) (187) (006) (002) (029) (21779)

10-028 021 077 161 -247 -113 -013 002 019 13295

(074) (026) (612) (352) (366) (340) (009) (002) (038) (30459)

주 1 Untreated Group과 Treated Group의 각 항목에 한 Mean Difference를 테스트함 2 표시는 5 유의도 수 에서 테스트를 통과하지 못한 항목을 표시함3 ( ) 안은 표 오차임

Page 14: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal

다항로짓회귀분석 모형 5 모형 6 모형 7 모형 8

종속변수 이직 여부 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과 추정계수(표 오차) 한계효과 추정계수

(표 오차) 한계효과

성별(여성 1) -01528(00759) -1194 -01482

(00760) -1154 -01872(00713) -1289 -01477

(00761) -1151

나이 -00505(00042) -0401 -00505

(00042) -0400 -00521(00040) -0366 -00504

(00042) -0399

교육수 00309(00345) 0245 00327

(00347) 0258 00113(00324) 0080 00346

(00345) 0274

혼인 여부(미혼 1) 00659(00764) 0529 00635

(00766) 0507 01045(00721) 0749 00684

(00767) 0548

정규직 여부(정규직 1) -02033(00770) -1696 -02075

(00776) -1727 -01213(00735) -0875 -02093

(00777) -1744

첫(혹은 두 번째) 일자리 여부

-05421(00660) -4240 -05445

(00661) -4241 -06294(00623) -4407 -05495

(00662) -4284

임 수(단 만원 로그)

-05309(00788) -4215 -05277

(00790) -4172 -06554(00702) -4602 -05288

(00791) -4186

종업원 규모(단 명 로그)

-00695(00151) -0552 -00690

(00152) -0546 -00685(00152) -0542

차수 교육 합도 -00028(00014) -0022 -00029

(00014) -0023 -00027(00013) -0019

차수 기술 합도 -00030(00014) -0024

업무만족도 -00038(00025) -0030 -00043

(00025) -0034 -00054(00023) -0038 -00045

(00025) -0036

임 만족도 00029(00020) 0023 00026

(00020) 0020 00027(00019) 0019 00026

(00020) 0020

취업 안정성 만족도 -00048(00021) -0038 -00045

(00021) -0035 -00051(00020) -0036 -00044

(00021) -0035

근무환경만족도 -00052(00022) -0041 -00054

(00022) -0042 -00053(00020) -0037 -00053

(00022) -0042

인간 계만족도 -00014(00024) -0011 -00015

(00024) -0012 -00014(00023) -0010 -00013

(00024) -0011

자기발 만족도 00054(00023) 0043 00057

(00023) 0045 00061(00022) 0043 00057

(00023) 0045

인사공정만족도 00010(00027) 0008 00011

(00027) 0009 -00006(00025) -0004 00014

(00027) 0011

복지후생만족도 -00069(00021) -0055 -00069

(00021) -0054 -00060(00020) -0042 -00068

(00021) -0053

(기 생산기능직)

문 리직 여부 03574(01203) 3183 03594

(01204) 3190 03478(01160) 2728 03514

(01204) 3114

사무기술직 여부 -01409(00916) -1098 -01365

(00917) -1060 -01322(00878) -0911 -01374

(00917) -1068

서비스 매직 여부 03146(01080) 2752 03136

(01081) 2732 02369(01012) 1793 03037

(01084) 2640

농어민 여부 -13598(06827) -6349 -13198

(06821) -6224 -12188(06557) -5262 -13254

(06828) -6246

(기 공업 종사)

농어업 종사 여부 12277(05423) 15765 12064

(05429) 15324 08109(05129) 7981 12026

(05431) 15270

건설업 종사 여부 -01858(01239) -1386 -01819

(01240) -1353 -01896(01146) -1251 -01797

(01240) -1339

도소매 숙박업 종사 여부

01413(01027) 1165 01417

(01028) 1163 02878(00976) 2200 01393

(01029) 1144

서비스 련업 종사 여부

00006(00808) 0005 00016

(00808) 0013 -00420(00778) -0295 -00024

(00809) -0019

연차 더미 No Yes Yes Yes평균치 이직확률times100

(각 변수의 평균치 기 ) 869 865 760 867

관측 수 12651   12651   15344   12614  

결정계수( ) 0083   0085   0091   0084  

lt표 4Bgt 일자리 이동 영향요인 분석(II)

주 1 는 유의수 10 는 유의수 5 는 유의수 1를 의미함 2 한계효과는 추정된 한계효과(marginal effects)를 백분율로 표시함 3 더미변수의 한계효과는 변수값이 0에서 1로 변할 때 이직확률의 변화분을 나타냄(변수명의 표시가 더미변수)

Group

Treated (=1) 측 가능 Counterfactual

Untreated (=0) Counterfactual 측 가능

V 분석 방법(Propensity Score Matching)

본 에서는 일자리 이동의 효과성 분석에 사용할 방법론으로서 Heckman Ichimura and Todd(1997)이 제안한 Propensity Score Difference- in-Differences(DID) Matching(PSM)에 해 설명

하고자 한다 이에 앞서 우선 이 방법론의 근간이 되는 Averge Treatment Effect for the Treated(ATT)(Rubin[1974])와 Propensity Score Matching(PSM)(Rosenbaum and Rubin[1983]) 일반에

해 소개하기로 한다

1 Average Treatment Effect for the Treated

결과에 향을 미치는 Treatment Variable로서 더미변수 를 가정하자 Treatment의 부여 여부

에 따라서 Treated Group(혹은 실험군)과 Untreated Group(혹은 조군)으로 구분할 수 있다 =1 (Treated Group)과 =0 (Untreated Group) 이때 잠재 결과치(Pontential Outcomes) 가 Treatement 여부에 따라 각기 ( )일 때 Average Treatment Effect(ATE)는 다음과 같다 그러나 이러한 통 인 계산방식은 Treatment가 무작

(Randomization)라는 가정하에서만 편 되지 않은 측치(Unbiased Estimates)를 제공할 수 있다 순수한 무작 실험이 아니라면 분석의 상이 데이터에서 Treatment 여부가 무작 인 경우는 드

물다 즉 특정한 요인들이 Treatment 참여 여부에 직간 인 향을 미치는 것이다 를 들어 특정약물의 효과를 알고 싶다고 하자 약물이 투여된 사람과 그 지 않은 사람의 건강상태를 악

하면 된다고 생각할 수 있다 그러나 약물이 투여되지 않은 사람은 개 건강한 사람들이기 때문

에 이들의 건강상태를 약물이 투여된 사람과 직 비교한다면 약물을 투여한 사람이 여 히 건강

상태가 나쁜 것으로만 나올 것이고 약물투여의 효과가 없다라고 결론짓게 될 것이다 비교 상은

건강한 사람이 아니라 약물이 투여된 집단만큼의 건강이 양호하지 않은 집단이어야 한다 이 게

건강하지 않는 사람과 비교할 때 약물 투여의 순수한 효과를 검증할 수 있다 이러한 무작 의 여

부로부터 발생하는 문제를 선택편의(Selection Bias)라고 한다데이터로부터 우리가 측할 수 있는 결과치는 Treated된 경우의 과 Untreated된 경우의

이다 선택편의의 문제가 발생할 때 Treatment의 효과를 제 로 알고자 한다면 우리가 비교해야

하는 상은 Treated 된 경우의 Treatment가 용되지 않았을 때의 결과 즉 ( |=1)이다 이러한

가상의 결과를 Counterfactual이라고 한다 (역시 Untreated된 경우의 Treatment가 용되었을 때 결

과 즉( |=0) 역시 Counterfactual이다) 다음의 표가 이를 간략히 정리하고 있다

선택편의(Selection Bias)의 문제하에서 Treatment의 효과를 측정하기 하여 체 집단에 한

Treatment Effect가 아닌 Treated Group에 한 Treatment Effect에 한정하여야 한다 이 게 한정된

집단 즉 Treated Group에 한 효과성 측정을 Average Treatment Effect for the Treated(ATT)라고 한

(1)

여기서 는 Counterfactual에 한 기 치이므로 자료로부터의 직 인 추정은 불

가능하다 Treatment Selection이 측 가능한 변수들의 특정한 집합 Z에 의존한다고 가정해 보자 Dawid(1979)의 표 법에 따르면 다음과 같은 계가 성립한다 ∐ 즉 Z를 통제하 을

때 Untreated Group의 값의 분포와 Treated Group이 만약 Treatment를 받지 아니하 을 때의

값의 분포(즉 Counterfactual의 분포)는 서로 동일하다는 것이다 이는 기 치에 한 다음과 같은

계를 내포한다

(2)

즉 counterfactual인 을 측치인 이 체할 수 있는 것이다 식

(2)의 계를 조건부 독립가정(Conditional Independence Assumption CIA)이라고 한다 Rubin(1974)은 조건부 독립가정(CIA)의 조건이 충족할 경우 ATT를 다음과 같이 측정할 수 있다고 제안한 바

있다

(3)

즉 직 으로 설명한다면 =1인 집단에 속한 특성 Z인 개체에 하여 동일 특성을 지닌 개

체를 =0인 그룹에서 찾아 그 둘의 Y값을 비교하면 되는 것이다 =1 집단 내의 모든 개체에

하여 동일한 계산을 한 뒤 이를 합산하면 ATT를 구하게 된다 그러나 이 방법 역시 일정 정도의 한계를 지닌다 만약 Z가 이산변수(Discrete Variable)가 아닌

연속변수(Continuous Variable)라면 =0 집단에서 동일한 Z를 가진 개체를 찾을 수 없으므로 이상

의 측정법을 용할 수 없다 한 특정 변수들이 집합인 Z에 포함된 변수들이 많은 경우 동일한

특성의 개체를 =0 집단으로부터 찾는 것이 어려울 수 있다 이러한 한계를 극복하고자 도입된 것

이 Propensity Score Matching 방식이다

2 Propensity Score Matching Estimator

Propensity Score(PS)를 Z 특성을 지닌 개체가 Treated될 확률로 정의하고 로 표시하도록

하자

Propensity Score equiv (4)

Rosenbaum and Rubin(1983)은 0ltP(Z)lt1이 모든 Z에 해 만족할 경우 다음의 계가 성립한다

는 것을 증명하 다

∐ rArr ∐ (5)

이 계식은 을 내포하므로 변수집합의 Z의 차원수

∐ rArr

(Dimensionability)가 클 경우에도 다음과 같이 다일변수 P(Z)를 활용하여 ATT를 구할 수 있다

(6)

샘 수의 유한성으로 인해 실제로 식의 두 번째 항을 추정하는 것은 간단치 않은 작업이

다 한 ATT의 추정은 Common Support 역 즉 Treated Group의 P(Z)의 분포와 Untreated Group의 P(Z)의 분포가 겹치는 Z의 역에 한정하여야 한다 Common Support를 벗어나는 역에 해

서는 비교가능한 Counterfactual를 찾기 힘들기 때문이다 이를 반 하여 주어진 샘 내에서 ATT를 추정할 수 있는 다양한 Propensity Score Matching(PSM) Estimator가 제안되었는데 이는 다음과

같이 요약될 수 있다(Todd[2006])

isincap

isin

(7)

여기서 는 Treated Group 구성원을 는 Untreated Group의 구성원을 나타낸다 는 Common Support 역 내의 개체들의 집합을 나타낸다 은 Treated Group의 구성원 Common Support 역에 속하는 개체들의 총수이다 는 가 치를 나타내는 것으로 두 Propensity Score의 거리

인 을 이용하여 결정된다 가 치 용방식에 따라 다양한 측정방식이 제시될 수

있다 이에 해서는 추후에 추가 으로 논의하도록 한다

3 Difference-in-Differences Matching Estimator

여기서 한 단계 발 된 방식의 PSM이 Heckman Ichimura and Todd (1997)에 의해 제시된

Difference-in-Differences(DID) Matching Estimator이다 앞서 ATT의 추정에서 측 가능한 특정 변수

들의 집합 Z가 주어졌을 때 결과치 가 Treatment에 독립 (즉 ∐ 이 성립)이라고 가정한

바 있다 그러나 Z에 포함되어야 할 많은 변수 측이 되지 않는 경우가 있을 수 있다 이러한

경우 계가 더 이상 성립하지 않아 앞서의 ATT 추정법은 정

당성을 상실한다 하지만 Longitudal Data가 주어진 경우 즉 Treatment 이 과 이후의 결과치( )가

주어진 경우 분석 상을 신에 lsquo의 변화분rsquo으로 변경함으로써 이러한 문제를 상당 부분 해

소할 수 있다 Treatment 이 과 이후 두 개의 시간 를 와 prime이라 한다면 분석 상을 이

아닌 prime prime 으로 둘 수 있는 것이다 이때 ATT를 추정하기 해서는

prime ∐ 의 가정이면 충분하게 된다 이는 앞서보다 훨씬 완화된 가정이므로 충족하기

가 보다 용이해진다 특히 측되지 않는 시간 불변(time-invariant)의 일부 변수가 Treatment Selection에 연 된 경우에도 이 변수가 와 prime에는 직 인 향을 미치더라도 prime 에 미치는 향이 없다면(즉 독립 이라면) 문제가 되지 않는 것이다17) 따라서 Longitudal Data가

17) 이 외에도 주어진 수치들이 데이터가 수집된 지역에 따라 Level이 다를 경우 Difference 변수를 활용함으로써 이러

한 Level 차이에서 기인한 편의(bias)를 해소할 수 있다

주어진 경우에 DID Matching Estimator는 매우 효과 인 도구로 활용될 수 있다 이때 DID Matching Estimator는 다음과 같은 방식으로 요약될 수 있을 것이다

isincap

prime prime prime

isin prime

(8)

본 연구에서는 앞서 소개한 DID Matching Estimator를 이용함으로써 시간불변(time-invariant)의

측되지 아니하는 변수들을 사 에 통제하고 보다 신뢰할 만한 분석 결과를 제시하고자 한다

4 Treatment Effect 측정방식

의 가 치를 결정하는 를 어떻게 설정하느냐에 따라 다양한 PSM Estimator가 존재한다 본 연구의 분석에서는 가장 활발히 이용되는 측정방식들로서 Nearest Neighbor Matching Radius Matching Kernel Matching 이 세 가지를 활용하기로 한다18)

가 Nearest Neighbor Matching

이 방식은 조군인 Untreated Group에 속한 개체 에서 Propensity Score가 실험군(Treated Group) 개체의 Score와 가장 근 한 개체를 선택하는 방식이다 즉 를 최소화시키

는 에 해서는 이고 나머지 에 해서는 이 성립한다 [그림 2]가 이

를 잘 형상화하고 있다 이때 Score가 근 한 개체를 하나가 아닌 복수로 선정함으로써 하나를

선정할 때보다 더욱 안정된 추정치를 얻을 수 있다 다만 매칭되는 개체 수가 무 많을 경우

가 크게 되어 편의(bias)가 증가할 수 있으므로 신 할 필요가 있다 개의 근

한 개체를 선택하는 경우 이들 개체 에 해서는 이 성립하고 나머지 에

해서는 이 성립한다 Nearest Neighbor Matching의 경우 가장 근 한 개체를 선택하 으나 가 무

커서 Counterfactual로서 부 합한 매칭이 이루어질 가능성이 있다 이를 보완하기 하여 Cochran and Rubin(1973)은 한 Caliper를 선정하여 매칭에 있어서 를 일정 한도로 제

한할 것을 제안한 바 있다 본 분석에서는 을 5개로 선정함으로써 편의(bias)를 이면서도 안정

된 추정치를 얻고자 하 으며 Caliper는 히 작은 0005로 설정하여 부 합한 매칭을 최소화하

고자 하 다19)

18) 이 외에도 주로 활용되는 측정방식으로 Stratification Matching Mahalanobis Matching 등이 있으나 이들을 활용한 결

과가 본 연구의 분석 결과와 크게 다르지 않다 Dehejia and Wahba(2002)는 Treated Group과 Untreated Group 간의

Propensity Score 분포가 상당 부분 서로 겹친다면 측정방식에 따른 분석 결과의 차이가 크지 않다는 을 강조한

바 있다 이는 실험군 한 개체에 해 매칭 가능한 충분한 수의 조군 개체들이 존재하기 때문이다 즉 측정방식의

차이에 따라 매칭이 되는 조군들의 특성이 크게 달라지지 않는 것이다 본 연구에서 추정한 Propensity Score 분포

는 Treated Group Untreated Group 두 집단 사이에 겹치는 부분이 매우 크다 이는 [그림 4]를 통해 쉽게 확인된다 19) 여기서 Caliper 설정은 실험군 개체와 매칭되는 조군 개체 사이의 PS 거리 즉 를 한 수 으로

제한하고자 함이다 부분의 실험군 개체의 경우 Caliper가 설정한 Boundary에 크게 제한을 받지 않으므로 히

작은 Caliper의 설정이면 편의(Bias)를 개선하기에 충분하다 본 분석에서 설정한 0005 이외에 0002이나 001을 사용

하여 보았으나 역시 결과의 차이가 크지 않음을 확인하 다

[그림 2] Nearest Neighbor Matching(n=1인 경우)

나 Radius Matching

이 방식은 일정 반경을 Caliper로 설정하고 Untreated Group에서 가 Caliper 이내인 모든 개체 를 Treated Group의 개체 에 매칭하는 방법이다(그림 3 참조) 개체 에 하여

Untreated Group으로부터 매칭된 개체의 수가 라면 이들에 해서는 이 성립하고 매칭이 안된 나머지 개체들에 해서는 이 성립한다 이 추정방식은 앞서 Nearest Neighbor Matching에 비해 Propensity Score가 근 한 조군 내의 보다 많은 개체를 분석에 활용할

수 있다는 장 이 있다 보다 많은 조군 내 개체를 활용할수록 Treatment Effects 측정의 정확성

(Precision)은 상승하게 된다 매칭이 가능한 조군 개체의 수가 충분히 많다면 Caliper는 작을수록 좋다 Caliper가 클수록

부 합한 매칭에 따른 Treatment Effects의 편 (Bias)이 커질 수 있기 때문이다 본 분석에서는 샘

의 수가 충분히 크기 때문에 Caliper를 0002로 설정하여 매우 근 한 개체들에 해서만 매칭이

이루어지도록 설정하 다20)

20) 다음 에서는 주어진 샘 을 활용하여 Propensity Score를 추정하고 있다 이 결과에 따르면 PS (01 0102)인 구간

에서 조군 개체 수가 116개 (02 0202) 구간에서 조군 개체 수가 32개 (03 0302) 구간에서 조군 개체 수가

12개에 이르는 것을 확인할 수 있다(표 6과 그림 4를 참조 바람) 즉 0002의 Caliper를 사용할 때 한 개의 실험군

개체에 해 10개 내지 100개 이상의 조군 개체들이 매칭되는 경우가 흔히 존재하는 것이다 반면 Caliper를 이보

다 작게 설정한다면 (특히 PS가 큰 구간에서는) 실험군 개체들과 매칭되는 조군 개체가 존재하지 않을 수 있다 를 들어 PS (04 0402)인 구간에서 조군 개체 수는 단 1개 존재하나 PS (0401 0402)인 구간에서는 무하다

따라서 본 연구에서는 최소의 Caliper이면서도 매칭되는 조군 개체의 수가 충분할 수 으로서 Caliper 0002를 선

정하 다 반면 민감성 테스트(Sensitivity Check)에 따르면 Caliper 0001이나 0003에서도 연구 결과의 차이가 크지

않음을 확인하 다

[그림 3] Radius Matching

다 Kernel Matching

이 방식은 Treated Group 내의 각 개체에 한 매칭을 Untreated Group 내의 모든 개체를 상

으로 진행하는 방식으로 에 따라 가 치를 부여한다 가 작을수

록 가 치가 커진다 이때 사용되는 가 치는 다음과 같이 표시될 수 있다

isin

(9)

여기서 G는 선택된 Kernel function을 은 Bandwidth Parameter를 표시한다 이 방식은

Heckman Ichimura and Todd(1998)에 의해 도입되었는데 주어진 모든 개체를 추정에 활용하므로

정보의 손실을 최소화할 수 있다는 장 이 있다 한 앞서의 두 추정방식과는 달리 인 인

Caliper의 설정이 불필요하다는 장 도 있다 Kernel의 선택에는 Gaussian Function(Normal Distribution) Biweight Function Epanechnikov Function 등 다양한 방식이 가능하나 본 분석에는

Normal Distribution을 채택하 다 Bandwidth Parameter로는 001을 선택하여 가 근

한 이들에게 충분한 가 치가 주어지도록 하 다21)

VI Propensity Score의 추정

주어진 자료에서 Treatment는 이직에 해당한다 이직에 한 Propensity Score(PS)를 추정하기

해서는 이직에 향을 미치는 주요 변수의 집합 을 사용하여야 한다 이들 변수는 다음 조건

을 만족하여야 한다 prime ∐ 즉 이직에 향을 미치는 주요 변수들을 통제한 후에

는 이직을 하지 않은 이들의 결과치 에 한 변화분 prime 의 분포가 이직을 한

이들이 만약 이직을 하지 않았을 때 상되는 결과치 에 한 변화분 prime 의 분

21) Bandwidth Parameter가 0005 002인 경우도 확인해 보았으나 결과에는 큰 차이가 발견되지 않았다

추정함수 Logistic Regression(이직 = 1 비이직 = 0)Z 추정계수 표 오차

직장유지의향 -0002 0004 직무유지의향 -0015 0004 성별(여성 1) -0104 0071

나이 -0138 0023 나이2 0001 0000

교육수 0169 0050 혼인 여부(미혼 1) -0056 0082

정규직 여부(정규직 1) 0342 0248 첫(혹은 두 번째) 일자리 여부 -0599 0068

임 수 (단 만원 로그) 0076 0601 임 수 (단 만원 로그)2 -0052 0063 종업원 규모(단 명 로그) -0084 0015

차수 교육 합도 0000 0001 임 만족도 0003 0002

근무환경만족도 -0004 0002 일자리만족도 -0003 0003

서비스 매직 여부 0459 0077 농어업 종사 여부 0324 0378

정규직 여부 times 교육수 -0131 0056 직장유지의향 times 직무유지의향 0000 0000

상수항 3558 1584 측 수 12754

결정계수( ) 00873

Log Likelihood -401098

포와 동일해야 하는 것이다 따라서 Propensity Score의 추정에 활용할 변수들은 앞서 일자리 이동

의 향요인에 한 분석을 통해 선별할 수 있다 특히 주어진 노동패 의 자료에서는 ldquo 재의

직장을 계속 다니고 싶은가(직장유지의향)rdquo와 ldquo 재 맡고 있는 일을 계속하고 싶은가(직무유지의

향)rdquo라는 이직의사와 련된 매우 긴요한 변수들이 포함되어 있는데 이들을 주요 변수의 집합

에 포함시킴으로써 이상의 조건이 보다 용이하게 충족될 수 있음을 기 할 수 있다 Propensity Score의 추정에는 Logistic Regression을 활용하 다 추정에 활용된 주요 변수들의 집합 과 각

변수에 한 추정계수는 lt표 5gt에 요약되어 있다

lt표 5gt Propensity Score의 추정방정식

주 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

앞서 일자리 이동 향요인에 한 분석에서 일자리 이동의 요한 결정변수로 악된 변수

들이 부분 PS 추정방정식에 포함되었다 만족도와 련한 변수 업무만족도 취업 안정성 만

족도 자기발 만족도 복지후생만족도 이상 네 변수는 일자리 향요인으로 통계 으로 유의하

게 악되었으나 PS 방정식에 추가된 일자리만족도 직장유지의향 직무유지의향 등과의 통계

상 계가 매우 높아 PS 추정방정식에 따로 포함시키지 않았다22) 한 추정방정식에는 일부

Interaction Terms들과 Higher Order Terms들을 추가하여 앞서 설명한 변수집합(Z)의 기본요건을 맞

추고자 하 다 추가 변수들은 Balancing Property를 충족하기 하여 선정되었는데 이에 해서는

아래에서 추가 부연한다Rosenbaum and Rubin(1983)에 따르면 PS는 다음 조건을 만족한다

∐ rArr

즉 PS를 통제한 뒤에는 변수집합 Z와 Treatment 여부 D가 상호 독립 이라는 것이다 이는 PS가 동일한 개체들에 해 Z의 평균값을 구한다면 Treatment를 받은 집단과 그 지 않은 집단 사이

에 차이가 없어야 한다는 을 내포한다 이를 Balancing Property라 한다 이를 검증하기 한 방

법으로 P(Z)를 여러 구간(Blocks)으로 나 뒤 각 구간에 한 Mean Difference Statistical T-test를

시행할 수 있다 일부 구간에 해 T-test가 만족하지 않는 경우에는 구간을 더욱 세분하여 진행하

고 여 히 만족이 되지 않는 경우에는 문제가 되는 일부 변수들의 Interaction Terms들과 Higher Order Terms들을 PS 추정방정식에 추가하여 앞서의 과정을 되풀이한다(Dehejia and Wahba[1999]) 앞서 언 된 Interaction Terms과 Higher Order Terms들은 이상의 과정을 거쳐 추가된 항들이다

Balancing Property 검증을 하여 다양한 PS 추정방정식을 설정하여 반복 인 Test를 수행하

다 최종 으로 lt표 5gt의 추정방정식에서 도출한 PS를 기 으로 lt표 6gt과 같이 10개의 Block을

구분한 뒤 Mean- Difference Statistical T-test를 진행하 다 Block 설정은 PS의 Common Support 역인 [00149 06]에 하여 이루어졌다 각 Block들에 한 T-test의 결과는 lt부표 2gt에 수록되어

있다 추정방정식에 도입된 독립변수 항이 총 20개이고 Block의 수는 10개이므로 총 200개의

Mean-Difference T-test가 시행되었다 lt부표 2gt에서 확인할 수 있듯이 5 Significance Level에서

부분의 Block들이 T-test를 통과하 다 통과에 실패한 테스트는 단 두 개로 Block 1의 lsquo정규직

여부rsquo에 한 테스트와 Block 8의 lsquo성별rsquo에 한 테스트이다 따라서 Block Test의 통과율이 99에

이르러 앞서의 PS 추정방정식이 Balancing Property를 체로 만족하고 있다고 결론내릴 수 있다 이상의 과정을 거쳐 확정된 PS 추정방정식을 이용하여 각 개체별로 PS를 구할 수 있다 [그림

4]는 이 게 구해진 PS에 하여 각 집단별 분포도를 제시하고 있다 Treated Group의 경우 PS의

분포가 Untreated Group에 비해 상 으로 우측으로 치우쳐 있음을 쉽게 확인할 수 있다 그리고

PS 분포에서 Common Support 역이 [00149 06]에 이른다는 것을 확인할 수 있다 이는 PS가

06보다 큰 경우에는 Treatment에 참여한 실험군 개체에 해 그에 상응하는 Counterfactual을 조

군으로부터 찾을 수 없음을 의미한다 따라서 PS를 활용한 Treatment의 효과 측정은 이 Common Support 역에 들어오는 실험군 개체들에 한정하여 이루어질 수밖에 없다

22) 를 들어 일자리만족도와 이들 네 변수와의 상 계수(Correlation Coefficient)는 각각 업무만족도(06536) 취업 안정

성 만족도(06014) 자기발 만족도(06279) 복지후생만족도(05514)에 이른다 이들을 포함시키더라도 반 인 결과

에는 큰 차이가 없다

(10)

02

46

8

0 2 4 6 8 0 2 4 6 8

Untreated Group Treated Group

DensityRough Density Curve

Den

sity

Propensity Score Distribu tion for Each Group

lt표 6gt Balancing Property 검증을 위한 Block 구분

Block 번호 Propensity Score 범 D=0 D=1 합계

1 00149 ~ 0025 655 10 665

2 0025 ~ 005 2128 59 2187

3 005 ~ 0075 2146 152 2298

4 0075 ~ 001 1744 200 1944

5 01 ~ 0125 1300 171 1471

6 0125 ~ 015 949 162 1111

7 015 ~ 02 1138 238 1376

8 02 ~ 03 845 242 1087

9 03 ~ 04 230 95 325

10 04 ~ 06 57 56 113

합계 11192 1385 12577

[그림 4] 각 집단별 Propensity Score 분포도

주 Common Support 역인 [00149 06]에 포함된 개체 수는 Untreated Group의 경우 11192명 Treated Group의 경우에

는 1385명임

VII 분석 결과

이제 구해진 PS를 활용하여 이직의 효과와 이직에 있어서 인 네트워크 활용의 효과성을 분

석할 비를 마련하 다 본 분석에서는 앞서 제3 에서 소개한 7가지의 성과지표에 하여 분석

을 진행할 것이다 우선 PS가 추정된 12754개체에 하여 PS를 고려하지 않은 단순비교를 진행해

성과지표의

연간 변화비교 상

이직자

평균

비이직자 평균

격차

(표 오차)

직장만족도 변화이직자 수 1379 3724 -0334 4058

비이직자 수 11274 (0466)

직무만족도 변화이직자 수 1386 2962 -0428 3389

비이직자 수 11285 (0466)

일자리만족도 변화이직자 수 1384 2944 0282 2662

비이직자 수 11261 (0489)

기술 합도 변화이직자 수 1383 2350 -0058 2408

비이직자 수 11245 (0684)

교육 합도 변화이직자 수 1389 2556 -0142 2697

비이직자 수 11300 (0689)

교육기술복합지수

변화

이직자 수 1383 2422 -0091 2513

비이직자 수 11245 (0664)

임 수 변화이직자 수 1384 9088 2782 6307

비이직자 수 11340 (1614)

보자 lt표 7gt은 이직자 집단과 비이직자 집단의 성과지표 변화를 단순비교한 것이다 표에서 확인

할 수 있듯이 이직자의 경우 모든 지표들에 하여 성과지표의 뚜렷한 증가가 목격되었다 비이

직자의 경우에는 임 수 이 2782만원 증가한 것을 제외하고 에 띄는 성과지표의 개선이 나타

나지 않았다23) 성과지표 개선에서 집단 간의 차이가 존재하는지를 검증하기 하여

Mean-Difference Statistical T-test를 진행하고 그 결과를 표에 수록하 다 모든 지표에 하여 이직

자 집단이 비이직자 집단에 비해 높은 증가세를 보인 것이 통계 으로 유의하게 확인된다 를 들

어 이직자 집단의 월평균 임 수 은 9088만원 상승한 것으로 나타나 비이직자 집단에 비해

6307만원만큼 큰 폭의 임 향상을 보 다 하지만 우리는 이상의 결과를 이직의 효과라고 단정

지을 수 없다 왜냐하면 이직의 효과는 이직자 집단에 속한 개체들의 성과 변화와 이들의

Counterfactual 즉 이들이 이직을 하지 않고 직장을 유지하 을 때의 성과 변화를 직 비교해

야 제 로 악되기 때문이다 이후 제시한 Propensity Score Matching에 의한 이직효과 측정은 이

러한 Counterfactual의 탐색에 기반한 분석 결과이다

lt표 7gt 주요 성과지표의 연간 변화 단순비교

주 1 성과지표의 변화에 한 집단 간 차이를 확인하기 하여 Mean-Difference Statistical T-test를 수행함 2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

23) 주어진 임 수 은 연간 임 상승률을 감안한 수치이기 때문에 비이직자의 임 은 불변이거나 하락하여야 정상이

다 재 악되는 비이직자들의 임 증가는 선택편의(Selection Bias) 문제에 의해 발생한 것으로 보인다 주어진 최

종샘 은 차수와 차수 모두에서 임 근로자로 악된 이들로 구성된다 취업시장에 신규로 진입하는 이들에

비하여 근속연수가 1년 많은 셈이다 한 차수에 임 근로자인 이들 임 상승폭이 작은 이들이 그 지 않은

이들보다 근로시장을 이탈할 가능성이 높다 이로 인하여 차수에 이어 차수까지 근로시장에 남아 있는 이들

은 상 으로 높은 임 상승을 보이는 것으로 단된다( 한 분석에 활용한 임 상승률이 lsquo임 구조기본통계조사rsquo의 표본으로부터 추정된 것이므로 노동패 표본과의 근본 차이로 인해 이상의 문제가 도출하 을 가능성도 일

부 배제할 수 없다)

공개채용 스카우트 소개나 추천 직 찾아가서 기타

인 네트워크

활용 구직

21 10 730 68 2

(69) (625) (8459) (1166) (556)

인 네트워크

비활용 구직

278 4 118 502 27

(9145) (250) (1367) (861) (750)

알 수 없음5 2 15 13 7

(164) (125) (174) (223) (1944)

총 사례 수 (1802명

)

304 16 863 583 36

(100) (100) (100) (100) (100)

이직 성격 분류비네트워크

경로-

네트워크

경로

비네트워크

경로-

본격 인 분석에 앞서 인 네트워크와 련하여 이직의 성격을 규명할 필요가 있다 인 네

트워크를 이직경로로 활용한 경우와 그 지 않은 경우로 구분지어 보도록 하자 이를 해 노동패

6차에서 10차까지의 체 경력직 취업자들을 상으로 한 lt부표 1gt의 lsquo경력직 취업자들의 일

자리 진입방식별 구직방법의 분포rsquo를 참조하도록 하자 노동패 에서 제공하는 일자리 진입방식

은 lsquo공개채용rsquo lsquo스카우트rsquo lsquo소개나 추천rsquo lsquo직 찾아가서rsquo lsquo기타rsquo 이 게 다섯 가지로 구분된다 이 lsquo공개채용rsquo 형태의 일자리 진입에서는 lsquo인터넷rsquo이나 lsquo매체 고rsquo를 활용한 구직이 체 사례

의 8486에 이른다 lsquo직 찾아가서rsquo 형태의 일자리 진입 역시 lsquo인터넷rsquo이나 lsquo매체 고rsquo 그리고

lsquo직 탐문rsquo 방식의 구직이 사례의 8113에 이른다 반면 lsquo소개나 추천rsquo 형태의 일자리 진입에서

는 lsquo친구나 친지rsquo를 통하거나 lsquo취업희망 직장의 지인rsquo 혹은 lsquo업무상 알게 된 지인rsquo을 통하는 경우

가 체의 81235에 이른다 즉 각 일자리 진입방식 간에 매우 뚜렷한 구직형태의 차이를 보여

주고 있다 lt부표 1gt의 성공한 구직방법 2 3 8 10 11을 인 네트워크를 활용한 구직으로 1 4 5 6 7 9를 그 지 않은 구직으로 분류하고 각 일자리 진입방식에 한 인 네트워크 활용도를

추산해 보면 다음 lt표 8gt과 같이 요약된다

lt표 8gt 일자리 진입방식별 이직의 성격 분류

주 ( ) 안은 각 일자리 진입방식에 한 이직 성격의 비 을 백분율로 표시함 자료 lt부표 1gt를 재구성한 것임

lt표 8gt에 요약된 바와 같이 lsquo공개채용rsquo과 lsquo직 찾아가서rsquo 형태의 일자리 진입에서 인 네트

워크를 활용하지 않은 구직이 각기 9145와 861에 이른다 반면 lsquo소개나 추천rsquo에서는 인 네

트워크를 활용한 구직이 8459에 이른다 이를 바탕으로 본 분석에서는 lsquo공개채용rsquo과 lsquo직 찾아

가서rsquo를 lsquo비네트워크 경로 이직rsquo으로 lsquo소개나 추천rsquo을 lsquo네트워크 경로 이직rsquo으로 구분한다 이 분류

에 따르면 15705명의 최종샘 에서 이직자로 악된 1560명 1438명의 체 인 구직경로 구

분이 가능하다 이 999명이 네트워크 경로 이직자로 439명이 비네트워크 경로 이직자로 분류

된다 한 앞서 PS가 추정된 12754명 에는 1391명이 이직자인데 그 891명은 네트워크 경

로 이직자로 387명은 비네트워크 경로 이직자로 분류된다

1 이직을 통한 개인만족도의 변화

아래 세 개의 도표 lt표 9gt lt표 10gt lt표 11gt은 이직을 통하여 개인의 만족도가 개선되는지의

여부를 PSM을 통하여 검증한 것이다 각각의 만족도지수(직장만족도 직무만족도 일자리만족도)에 하여 세 가지 방식의 PSM 추정치(Five Nearest Neighbors Radius Matching Kernel Matching)를

제시하고 있다앞서 lt표 7gt의 단순비교에서는 이직자와 비이직자의 연간 만족도변화가 100 만 에서

4058 (직장만족도) 3389 (직무만족도) 2662 (일자리만족도)만큼 차이가 나는 것으로 집계

되었다 그러나 PSM 방식으로 재추정된 이직의 만족도 개선효과는 각각 약 250 (직장) 216(직무) 155 (일자리)으로 나타났다24) 종합하면 단순비교 방식(표 7)은 PSM 활용방식(표 9

표 10 표 11)에 비해 이직의 만족도 개선효과를 약 1~15 만큼 과 추정하고 있음을 확인할 수

있다 이러한 상이 나타난 이유는 실제 이직한 이들이 그 지 않은 이들에 비해 기존 직장에서

의 만족도가 상 으로 낮았다는 데 있다 를 들어 주어진 최종샘 에서 이직자들의 기존 직장

에서의 직장만족도는 평균 5071 을 보이는 반면 같은 시기 비이직자들의 평균 직장만족도는 이

보다 무려 7 가까이 높은 5724 으로 나타났다 따라서 단순비교 방식에서는 이직을 통한 만족

도 개선효과가 다소 과장되어 추산되기 마련이다 이들 이직한 이들이 만약 기존 직장에 그 로 남아 있었다면 (이들의 만족도가 상 으로 낮

은 수 이므로) 다른 이들에 비해 보다 높은 수 의 만족도 개선을 한 해 사이에 경험하 을 것이

다 실제로 체 비이직자들의 연간 만족도의 변화가 각기 -0334 (직장) -0428(직무) 0282 (일자리)에 그치는 데 반해 실험군(이직자 집단)의 Counterfactual 즉 PS를 사용하여 실험군 개체에 매

칭된 (비이직자 집단 내) 조군 개체들의 만족도 변화는 각기 113 (직장) 066 (직무) 133 (일자리)에 이르 다(각 표의 lsquo매칭된 조군 변화(B)rsquo 항목 참조) 실험군 Counterfactual에서의 만족도

개선폭이 여타 비이직자들의 연간 만족도 개선폭보다 략 1 이상 높게 나타나는 것이다 이상

의 선택편의(Selection Bias) 문제가 히 통제될 때 이직의 순효과가 바르게 추정될 수 있다 앞서 시한 PSM 방식으로 추정된 이직의 만족도 개선효과는 이러한 선택편의 문제를

Counterfactual Framework으로 극복한 추정 결과라 할 수 있다 그럼 네트워크 경로 이직과 비네트워크 경로 이직 사이에 뚜렷한 차이가 존재하는지 살펴보도

록 하자 표에서 확인할 수 있듯이 두 경우 모두 이직의 만족도 개선효과가 통계 으로 유의한 수

에서 명확히 확인된다 네트워크 경로의 이직에서는 만족도 개선의 효과가 각기 220 (직장) 158 (직무) 117 (일자리)으로 확인되었고 비네트워크 경로의 이직에서는 각기 263 (직장) 284 (직무) 207 (일자리)으로 확인되었다 흥미로운 부분은 비네트워크 경로의 이직에서 이직

을 통한 만족도 개선의 효과가 소폭 높게 나타난 이다 이는 비네트워크 이직 사례들이 상당수

의 lsquo공개채용rsquo 입사자를 포함하기 때문에 나타난 상으로 보인다 lsquo공개채용rsquo은 주로 종업원 300인 이상의 규모가 큰 기업에서 집 으로 활용되고 있다25) 이들 큰 기업에 lsquo공개채용rsquo으로 입사

한 이들은 그 직장에 비해 주 인 만족도가 크게 향상되었을 것이다 이러한 lsquo공개채용rsquo 사례들이 비네트워크 이직의 만족도 개선효과를 다소 증폭시키는 역할을 하 을 것으로 추정된다

반면 비네트워크 이직을 통한 만족도 개선이 네트워크 이직에 비해 다소 크다고 하여 이것이

24) 이는 분석에 사용된 세 가지 방식의 PSM 추정치들을 산술평균하여 정리한 수치들임 25) 이 부분에 한 구체 인 설명은 발간 정인 한국개발연구원 정책연구시리즈 lsquo인 네트워크(개인의 사회 자본)

의 노동시장 효과 분석rsquo을 참조하기 바란다 ( 자에게 요청시 수령가능함)

이직과정에서의 인 네트워크 요성은 인정되지 않는다는 식으로 해석될 수 없음을 유념하여야

한다 국내 이직과정에서의 인 네트워크 의존도는 해외 주요국에 비해 상당히 높은 수 이다 략 65 안 의 경력직 취업자들이 인 네트워크를 활용하여 구직에 성공하 다고 추정되고 있

다26) 만약 재 이직을 고려하고 있는 국내 한 근로자가 구직활동에서 인 네트워크 활용을 포기

한다면 이 근로자의 이직 성공 가능성은 매우 낮아질 것이다 즉 개인의 이직 성공률을 높이기

해서는 평소에 꾸 한 구직 네트워크 리가 요청된다 할 수 있다 특히 이직수요라는 것은 많은

경우 자신의 의도와는 다르게 외부 충격으로 인해 발생한다 회사의 경제 환경이 변화하기도

하지만 자신의 심사가 바 기도 하고 가족의 갖가지 필요에 의해 이직이 요구되기도 한다 즉 언제 발생할지 모르는 이직수요에 히 응하기 해서는 이직의 주요한 통로라 할 수 있는 인

네트워크에 한 상시 리가 요청되는 것이다 따라서 이직을 고려한 인 네트워크의 상시

리 이를 한 개인의 갖가지 비용 지출은 향후 발생 가능한 험에 처하기 하여 자동

차나 암 보험을 구매하는 것과 같이 기꺼이 지불해야 할 미래에 한 투자라 할 수 있다

26) 역시 한국개발연구원 정책연구시리즈 lsquo인 네트워크(개인의 사회 자본)의 노동시장 효과 분석rsquo을 참조하기 바

란다

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1371) 3662 1201 2460 403

조군(11274) (0610)

Radius Matching 실험군(1362) 3543 1009 2534 436

조군(11274) (0581)

Kernel Matching(Normal) 실험군(1372) 3659 1165 2494 434

조군(11274) (0564)

체 이직효과 평균 362 113 250

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 3309 1169 2140 293

조군(11274) (0730)

Radius Matching 실험군(879) 3231 0939 2292 331

조군(11274) (0693)

Kernel Matching(Normal) 실험군(881) 3309 1146 2162 315

조군(11274) (0686)

네트워크 이직효과 평균 328 108 220

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(380) 4224 1525 2699 224

조군(11274) (1206)

Radius Matching 실험군(373) 3981 1438 2543 217

조군(11274) (1171)

Kernel Matching(Normal) 실험군(381) 4213 1565 2647 230

조군(11274) (1149)

비네트워크 이직효과 평균 414 151 263

lt표 9gt 이직을 통한 직장만족도 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1377) 2850 0701 2149 363

조군(11285) (0592)

Radius Matching 실험군(1368) 2767 0626 2140 381

조군(11285) (0562)

Kernel Matching(Normal) 실험군(1378) 2852 0648 2204 398

조군(11285) (0554)

체 이직효과 평균 282 066 216

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(884) 2302 0808 1494 211

조군(11285) (0707)

Radius Matching 실험군(882) 2256 0658 1598 238

조군(11285) (0670)

Kernel Matching(Normal) 실험군(884) 2302 0654 1648 249

조군(11285) (0661)

네트워크 이직효과 평균 229 071 158

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 3648 0577 3072 269

조군(11285) (1142)

Radius Matching 실험군(374) 3463 0774 2688 245

조군(11285) (1098)

Kernel Matching(Normal) 실험군(382) 3652 0888 2764 257

조군(11285) (1077)

비네트워크 이직효과 평균 359 075 284

lt표 10gt 이직을 통한 직무만족도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1375) 2909 1571 1338 217

조군(11261) (0617)

Radius Matching 실험군(1366) 2818 1276 1543 262

조군(11261) (0588)

Kernel Matching(Normal) 실험군(1376) 2907 1147 1760 303

조군(11261) (0581)

체 이직효과 평균 288 133 155

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(882) 2523 1626 0897 121

조군(11261) (0742)

Radius Matching 실험군(880) 2472 1246 1225 173

조군(11261) (0707)

Kernel Matching(Normal) 실험군(882) 2523 1139 1383 198

조군(11261) (1697)

네트워크 이직효과 평균 251 134 117

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 3609 1499 2110 176

조군(11261) (1196)

Radius Matching 실험군(374) 3409 1530 1879 163

조군(11261) (1151)

Kernel Matching(Normal) 실험군(382) 3599 1365 2235 197

조군(11261) (1133)

비네트워크 이직효과 평균 354 146 207

lt표 11gt 이직을 통한 일자리만족도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이 를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

2 이직을 통한 배치효율성의 변화

다음은 이직의 다른 측면인 일자리 재배치의 문제에 해 살펴보고자 한다 이직은 각 개인

에 있어서는 직장생활의 변화라 할 수 있지만 기업의 입장에서는 노동인력의 교환에 해당한다 따라서 이직을 통한 노동인력의 재배치가 과연 사회 반의 경제 이익을 창출하고 있는지를 따

져 볼 필요가 있다 앞서 lt표 7gt에서 기술수 교육수 교육기술복합지수 이 세 가지 합도에 해 이직자

비이직자 집단 내의 연간 변화를 정리한 바 있다 여기서 비이직자의 경우 각 지수에서 연간 합

도가 소폭 하락한 것으로 나타났고 이직자의 경우 합도가 크게 상승한 것으로 나타났다 비이

직자는 기술수 의 합도에서 0058 이 교육수 의 합도에서 0142 이 그리고 교육기술수

의 복합지수에서는 0091 이 하락한 데 반해 이직자들은 각기 2350 (기술) 2556 (교육) 2422(복합지수)의 합도 상승이 발견되었다 비이직자들의 합도 하락은 기술이나 경제환경의 변

화와 한 련이 있다 경쟁력 있는 기술 이에 한 사회 수요가 시간에 따라 변화하므로 직장에서의 자신의 기술 혹은 교육수 은 (평균 으로 보아) 이 보다 합성이 다소 떨어지게

마련이다 반면 이직자들의 합도 상승이 과연 이직의 순효과인지에 해서는 여 히 의문의 여

지가 크다 이직을 결행한 이들은 이 직장에서의 직무 련 합도가 평균 으로 크게 떨어지는

이들이다 를 들어 최종샘 에서 이직을 하지 않은 이들의 한 해 기술 합도는 평균 9066인 데 반해 이직을 결행한 이들의 한 해 (이 직장에서의) 기술 합도는 평균 8547 에 머무

는 것으로 나타났다 이들은 애 에 워낙 합도가 떨어지기 때문에 굳이 이직을 택하지 않더라

도 직무재배치나 직장 내 부서이동 등을 통하여 1년 사이에 상당한 정도의 합도 개선을 이루었

을 것으로 상된다따라서 이직을 통한 배치효율성의 개선효과 즉 반 인 근로자의 직무 련 합도 상승효

과를 명확히 규명하기 해서는 이직한 이들이 이직을 하지 아니하 을 때에 상되는 합도의

개선을 우선 추정해 볼 필요가 있다 이것은 앞서 설명하 듯이 Counterfactual의 추정을 통해서만

이 가능하다 lt표 12gt lt표 13gt lt표 14gt는 PSM을 이용하여 비이직자들의 정보로부터 이직자들의

Counterfactual을 추정한 뒤 이를 보고하고 있다 세 방식(Five Nearest Neighbors Radius Matching Kernel Matching)의 추정치를 산술평균하면 기술 합도에서는 088 교육 합도에서는 057 교육

기술복합지수에서는 075 의 상승이 확인되었다(각 표의 lsquo매칭된 조군 변화(B)rsquo 항목을 참조) 이를 실험군 즉 실제 이직자들의 합도 상승(각 표의 lsquo실험군 변화(A)rsquo 항목)과 비교하면 순이직

효과는 각기 131 (기술) 183 (교육) 140 (복합지수)에 이르는 것으로 결론지을 수 있다 반

면 교육과 복합지수에서는 이들 순이직효과가 통계 으로 유의하게 나타났으나 기술수 의

합도에서는 이 효과가 통계 으로 뚜렷하지 않았다 10의 유의도에서 검증할 때 Kernel Matching을 제외한 나머지 두 개의 PSM 매칭에서 통계 유의성을 확보할 수 없었다 이에 이직

을 통한 교육수 의 합도 개선효과는 분명한 반면 기술수 의 합도 개선은 통계 으로 입증

되지 않는다고 결론지을 수 있다 교육기술복합지수의 경우 이 두 가지 효과가 첩되어 나타난

것으로 교육수 의 합도 개선이 워낙 뚜렷하기 때문에 통계 으로 유의한 지수상승이 나타난

것으로 단된다 이상과 같이 이직을 통해 교육수 합도의 개선이 보다 효과 으로 이루어지

는 것은 채용과정에서 후보자의 교육수 이 기술수 에 비해 객 인 자료를 이용하여 검증하

기가 보다 용이하기 때문인 것으로 보인다

그럼 이직을 통한 배치효율성 개선 측면에서 인 네트워크의 역할을 살펴보도록 하자 네트

워크 경로 이직과 비네트워크 경로 이직으로 나 어 이직효과를 각기 추정해 보면 둘 사이에 의

외의 뚜렷한 차이가 존재함을 확인할 수 있다 네트워크 경로의 이직인 경우 이직을 통한 합도

개선효과가 통계 으로 유의한 수 에서 매우 높게 나타난다 이직의 순효과는 각기 213 (기술) 252 (교육) 126 (복합지수)에 이른다 반면 비네트워크 경로의 이직인 경우 이 효과는 모두 사

라져 버린다 즉 이직효과는 기술 합도 교육 합도 교육기술복합지수 모두에서 양과 음을 반복

하고 통계 유의성도 확보되지 않는다 즉 비네트워크 경로를 통한 이직에서는 일자리 재

배치를 통한 사회 반의 경제 이득을 기 할 수 없는 것이다 앞서 교육 합도 개선에 있어 이

직의 반 인 효과가 통계 으로 강하게 나타났는데 이 효과의 부분은 비네트워크 경로 이직

보다는 네트워크 경로 이직으로부터 창출된 것임을 짐작할 수 있다 특히 기술 합도를 보면 이직자들의 합도 개선은 네트워크와 비네트워크 이직 사이에 뚜렷

한 차이를 보이는데 네트워크 이직자들의 합도 개선은 평균 292 인 데 반해 비네트워크 이직

자들의 합도 개선은 평균 048 에 그친다 인 네트워크를 활용하지 않고 이직을 하 을 경우 이직을 하 음에도 불구하고 기술 합도의 개선은 평균 으로 거의 기 되지 않는 것이다 이는

앞서 주 만족도의 개선효과와 비교하여 매우 상반된 결과에 해당한다 이직을 통한 주 만

족도의 개선에서는 네트워크와 비네트워크 이직 모두 그 효과가 분명하 으며 특히 비네트워크

이직자들의 주 만족도 개선폭은 3 내지 4 에 이르 다 이는 네트워크 이직자들의 만족

도 개선폭에 비해서도 1 가량 높은 수치 다 따라서 이직이 반 으로 개인의 주 만족도

를 개선하는 효과가 있으나 배치효율성의 개선 측면에서는 오직 인 네트워크에 의존한 이직만

이 재배치의 분명한 경제 효과를 평균 으로 창출한다고 결론지을 수 있다 이러한 네트워크와 비네트워크 사이의 뚜렷한 이직효과의 차이는 네트워크가 지닌 정보 달

기능에 기인한 것으로 단된다 인 네트워크는 구인자와 구직자 사이에 훌륭한 정보 달 기능

을 수행하고 있다 구직자에게는 어떠한 일자리가 구직자의 기술능력 혹은 교육수 에 비추어

합한지에 한 정보를 제공하고 구인자에게는 구인자가 필요로 하는 합한 기술의 소유자가

구인지에 한 정보를 제공하는 것이다 이는 평소에 구인자와 구직자 모두를 아우르는 간 매개

로서의 인 네트워크가 있었기에 가능한 것이다 반면 비네트워크에서는 이러한 효과를 기 하

기 힘들다 비네트워크 채용에서는 주어진 서류와 단시간의 인터뷰 혹은 직무능력 테스트만을 가

지고 합한 인력을 선발하여야 한다 lsquo공개채용rsquo의 경우 많은 지원자들의 경쟁을 거치므로 상으로 보다 합한 후보자를 선별할 수 있을 것이다 그러나 lsquo직 찾아가서rsquo 형태의 입사에서는

이러한 경쟁의 과정 역시 생략되므로 높은 합도를 지닌 후보의 채용은 더욱 기 하기 힘들다 정리하자면 인 네트워크는 국내 노동시장에서 일자리와 일자리 후보 사이의 활발한 정보 달

기능을 수행함으로써 노동시장의 효율 작동을 돕고 있는 것이다 끝으로 이러한 네트워크 이직의 배치효율성이 모든 이직 사례에 일 으로 용되는 것이

아님을 주지할 필요가 있다 인 네트워크가 구인과 구직 사이의 lsquo연결(Networking)rsquo 기능을 수행

할 때 이상의 정 인 효과를 기 할 수 있을 것이나 이 둘 사이의 lsquo연 rsquo로서 기능할 때는 오히

려 역효과를 래할 수 있다 즉 인 네트워크를 통하여 합하지 않은 지원자를 연 로 채용시

키는 경우 해당 일자리에 한 매치 합성은 네트워크 이직으로 인해 오히려 감퇴할 수 있다 우리는 이상의 분석을 통하여 국내 노동시장에서 네트워크 이직의 반 인 교육 기술 수

합도 개선효과를 확인한 바 있다 이는 국내 노동시장의 고용 로세스에서 lsquo연 rsquo의 부정 효과

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1374) 2220 1095 1124 121

조군(11245) (0929)

Radius Matching 실험군(1365) 2088 0735 1353 155

조군(11245) (0874)

Kernel Matching(Normal) 실험군(1375) 2255 0795 1460 168

조군(11245) (0869)

체 이직효과 평균 219 088 131

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 2951 0919 2032 181

조군(11245) (1125)

Radius Matching 실험군(879) 2844 0746 2098 198

조군(11245) (1057)

Kernel Matching(Normal) 실험군(881) 2951 0702 2250 214

조군(11245) (1049)

네트워크 이직효과 평균 292 079 213

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 0525 2297 -1772 -096

조군(11245) (1840)

Radius Matching 실험군(374) 0267 0868 -0600 -034

조군(11245) (1753)

Kernel Matching(Normal) 실험군(382) 0654 1297 -0642 -037

조군(11245) (1746)

비네트워크 이직효과 평균 048 149 -100

보다는 구인구직 간 lsquo연결rsquo이라는 네트워크의 정 효과가 보다 강하게 작동하고 있음을 시사

한다

lt표 12gt 이직을 통한 기술적합도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1380) 2428 0630 1797 193

조군(11300) (0931)

Radius Matching 실험군(1371) 2298 0496 1802 207

조군(11300) (0872)

Kernel Matching(Normal) 실험군(1381) 2462 0586 1876 216

조군(11300) (0869)

체 이직효과 평균 240 057 183

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(886) 3047 0342 2705 245

조군(11300) (1106)

Radius Matching 실험군(884) 2885 0528 2357 227

조군(11300) (1037)

Kernel Matching(Normal) 실험군(886) 3047 0551 2496 243

조군(11300) (1029)

네트워크 이직효과 평균 299 047 252

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(382) 1702 2007 -0305 -016

조군(11300) (1891)

Radius Matching 실험군(375) 1600 0559 1041 058

조군(11300) (1788)

Kernel Matching(Normal) 실험군(383) 1828 0910 0917 051

조군(11300) (1793)

비네트워크 이직효과 평균 171 116 055

lt표 13gt 이직을 통한 교육적합도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1374) 2293 0893 1399 155

조군(11245) (0904)

Radius Matching 실험군(1365) 2161 0641 1520 179

조군(11245) (0850)

Kernel Matching(Normal) 실험군(1375) 2327 0711 1616 191

조군(11245) (0847)

체 이직효과 평균 226 075 140

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 2951 0643 2308 212

조군(11245) (1087)

Radius Matching 실험군(879) 2816 0662 2154 211

조군(11245) (1021)

Kernel Matching(Normal) 실험군(881) 2951 0645 2306 228

조군(11245) (1014)

네트워크 이직효과 평균 291 065 226

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 1115 2233 -1118 -062

조군(11245) (1816)

Radius Matching 실험군(374) 0936 0749 0187 011

조군(11245) (1727)

Kernel Matching(Normal) 실험군(382) 1243 1131 0112 007

조군(11245) (1726)

비네트워크 이직효과 평균 110 137 -027

lt표 14gt 이직을 통한 교육기술복합지수의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

3 이직을 통한 임금수준의 변화

다음은 이직을 통한 임 수 의 변화가 실재하는지 검토하고자 한다 네트워크 이직과 비네트

워크 이직을 나 어 볼 때 앞서 우리는 네트워크 이직이 일자리 매치 합도를 히 개선한다

고 밝힌 바 있다 임 이 근로자의 생산성 기여분을 그 로 반 한다고 한다면 네트워크 이직에

따른 매치 합도의 개선은 근로자의 임 상승으로 이어져야 할 것이다 앞서 lt표 7gt의 단순비교에서 이직자들의 연간 임 상승분이 평균 9088만원 비이직자들의 연

간 임 상승분은 2782만원으로 집계된 바 있다 둘 사이의 격차가 6307만원에 이른다 한 해 사

이에 이직한 이들의 연간 임 상승폭이 직장을 그 로 유지한 이들의 연간 임 상승폭 보다

히 높은 수 인 것이다 하지만 이러한 단순비교는 선택편의(Selectoin Bias) 문제를 역시 고려하지

않고 있으므로 이직의 직 인 임 상승효과라 볼 수는 없다 즉 실제로 이직을 결행한 이들의

이직 임 수 은 같은 시기 직장을 그 로 유지한 이들에 비해 상 으로 낮은 수 일 가능

성이 높다 이들이 직장을 그 로 유지하 다면 다른 이들에 비해 히 높은 수 의 임

상승을 경험하 을 것이다 실제 이직한 이들이 만약 이직을 하지 않고 직장을 그 로 유지하

을 때 상되는 임 상승분 즉 이직자 임 상승분의 Counterfactual을 PSM 방식을 활용하여 추

정한 수치가 lt표 15gt의 lsquo 조군 변화(B)rsquo에 요약되어 있다 이에 따르면 실제 이직자들이 이직을

하지 않았을 때 기 할 수 있는 임 상승분은 략 5만원 정도에 이르는 것으로 나타난다 따라

서 이직에 따른 임 상승의 순효과는 앞서 제시한 6307만원이 아닌 이보다 상당히 축소된 386만원이다 이는 lt표 15gt에 정리된 바와 같이 PSM을 활용한 세 가지 추정치의 산술평균으로 추산

된 값이다 한 이러한 이직의 임 상승효과는 통계 으로도 유의한 것으로 확인되었다 반면 네트워크 경로 이직자와 비네트워크 경로 이직자의 임 상승분을 비교해 보면 둘 사이

에 상당한 격차가 존재함을 쉽게 확인할 수 있다 네트워크 이직자들의 이직을 통한 임 상승효과

는 통계 으로 유의한 수 에서 략 384만원으로 추정되는 반면 비네트워크 이직자들의 임

효과는 -077만원이고 이는 통계 으로도 유의하지 않다 즉 네트워크를 활용하여 이직하 을

때 뚜렷한 임 상승이 기 되는 반면 인 네트워크를 활용하지 않고 이직하 을 때는 이 효과

를 확신할 수 없을 뿐더러 다소 하락할 가능성도 있는 것이다 따라서 앞서 확인된 이직을 통한

반 인 임 상승의 효과는 네트워크 이직을 통해 창출된 효과이며 비네트워크 이직을 통한

기여는 뚜렷하지 않은 것으로 결론지을 수 있다이직은 새로운 일자리에 자신의 기술 직무 능력을 응시키는 과정이다 따라서 임 상승

효과가 이직 기에 항상 담보되지는 않을 것이다 반면 인 네트워크를 활용하 을 때 자신에

게 보다 합한 일자리에 배치됨으로써 즉 자신의 능력과 잠재력을 보다 잘 발휘할 수 있는 직무

에 재배치됨으로써 이상의 추가 인 임 상승을 기 할 수 있는 것이다 이는 앞서 이직을 통한

배치효율성 검증에서 확인되었던 네트워크 이직의 기술수 (혹은 교육수 ) 합도 상승효과와

일맥상통하는 결과이다 인 네트워크를 활용한 이직은 임 근로자를 보다 합한 일자리에 재

배치하는 데 일조하고 이것이 생산성에의 보다 높은 기여를 창출함으로써 이직자들의 추가 인

임 상승으로 이어지는 것이다물론 이러한 해석은 평균 인 추세를 반 한 것임에 유념할 필요가 있다 네트워크 이직의 사례

에는 앞서 말한 생산 인 lsquo연결rsquo 효과가 아닌 비생산 인 lsquo연 rsquo 효과 혹은 정실인사(Nepotism)가

작동한 경우들도 상당할 것이다 이 경우 생산성에의 기여가 충분하지 않음에도 불구하고 기술이

나 능력에 비해 임 을 후하게 설정할 가능성이 높다 이러한 lsquo연 rsquo형 이직을 통한 임 상승 역

시 네트워크 이직의 임 상승효과라 볼 수는 있겠으나 이것이 일자리 배치효율성의 개선을 반

한다고 볼 수는 없는 것이다 따라서 앞서 추정한 네트워크 이직의 임 상승효과 384만원이

으로 일자리 매치 합도 개선효과에서 기인한다고 단정 지을 순 없다 한 비네트워크 이직 역

시 평균 으로 임 상승의 효과가 포착되지 않은 것일 뿐 비네트워크 이직의 표본 에는 실제로

임 이 크게 상승한 사례들도 상당히 존재할 수 있다 를 들어 lsquo공개채용rsquo 방식의 입사인 경우 경합자들에 비해 채용 합격자의 해당 일자리 합성이 보다 우수하다고 단되어 채용된 사례가

많을 것이다 이 게 경쟁을 거쳐 채용된 이들은 이 에 비해 상당히 높은 수 의 임 상승을 기

할 수 있다 반면 비네트워크 이직에서 반 인 임 상승의 효과가 포착되지 않는 것은 비네트워크 이직

이 격한 주 만족도의 개선을 이끌었던 것과 비교하여 매우 조 인 상이다 많은 이들의

상식과는 달리 이직의 결정은 임 만족도 수 과 직결되어 있지 않다 앞서 제4 에서 우리는 이

직의 향요인들을 분석해 본 바 있다 이직의 결정이 업무만족도 복지후생만족도 취업 안정성에

한 만족도 등 다양한 요소에 민감하게 반응하는 반면 임 에 한 만족도와는 통계 으로 유의

한 수 에서의 연 성이 포착되지 않았다 개인의 이직 결정은 임 이외에 다양한 요소들을 종합

으로 고려한 단 결과라 할 수 있다 체로 이직은 다양한 방면에서 개인의 주 만족도를

격하게 향상시킨다 반면 자신의 기술(교육)수 과 일자리의 매치 합성의 문제는 이직자들에

게는 부차 인 고려 상에 해당한다 임 수 의 개선 역시 이직 시 고려되는 한 요소이겠으나 인 요소는 아니고 다양한 향요인 의 하나로 볼 수 있는 것이다 이러한 에서 비네트워

크 이직이 다소 상반된 효과(즉 주 만족도의 한 개선효과와 미미한 수 의 임 개선효

과)를 동시에 보여주고 있는 것은 일견 자연스러운 상이다

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1375) 8887 5274 3613 184

조군(11340) (1962)

Radius Matching 실험군(1366) 8842 4813 4029 208

조군(11340) (1936)

Kernel Matching(Normal) 실험군(1376) 8861 4916 3945 206

조군(11340) (1880)

체 이직효과 평균 886 500 386

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(882) 8943 5519 3423 150

조군(11340) (2285)

Radius Matching 실험군(880) 8827 4855 3972 178

조군(11340) (2231)

Kernel Matching(Normal) 실험군(882) 8943 4819 4124 186

조군(11340) (2217)

네트워크 이직효과 평균 890 506 384

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 4772 5672 -0900 -024

조군(11340) (3685)

Radius Matching 실험군(374) 4805 5201 -0396 -011

조군(11340) (3661)

Kernel Matching(Normal) 실험군(382) 4691 5716 -1025 -028

조군(11340) (3601)

비네트워크 이직효과 평균 476 553 -077

lt표 15gt 이직을 통한 임금수준의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

VIII 구직 네트워크의 사회적 자본 추정

근로자 개인의 측면에서 구직 네트워크의 가치를 추정해 보자 앞서 네트워크 이직을 통한 임

상승효과를 3840만원으로 추정하 다 이는 2008년 기 액이다 연간 물가상승률을 감안하

면27) 2010년 재가로 4074만원에 해당한다 평소에 구직 네트워크를 히 리하여 이직에서

이를 활용한다면 한 번의 이직으로 4만원 안 의 추가 인 임 상승을 기 할 수 있는 것이다 연으로는 489만원 가량의 임 이 이직 이후 매년 추가 으로 지 되는 것으로 해석될 수 있다28)

한편 이직이라는 것은 근로자의 생애를 걸쳐 발생하는 사건이다 임 근로자를 심으로 한

재의 최종샘 에서 연간 일자리 이동비율은 평균 993에 이른다 직종 업종에 따라 혹은 재

직 회사의 규모에 따라 이직률에는 상당한 차이가 있겠으나 체 임 근로자를 상으로 하 을

때 략 10년에 한 번 정도의 이직이 상되는 것이다 임 근로자의 생애를 걸쳐 살펴보면

이직은 주로 직장생활 후기보다는 기에 집 되어 있다 [그림 5]는 최종샘 15705명 임 근로

자를 상으로 한 각 연령별 이직률 추이를 나타낸다 생애 이직률은 20 후반에 가장 높고 30 반에 주춤하다가 30 후반에 다시 상승하고 40 이후에 하강하는 추세임을 확인할 수

있다

[그림 5] 연령별 이직률(26세부터 59세까지)

(단 )

0

2

4

6

8

10

12

14

16

18

26 28 30 32 34 36 38 40 42 44 46 48 50 52 54 56 58

연령(만)

자료 노동패 5차부터 10차까지

이를 활용하면 임 근로자 한 사람이 평생에 걸쳐 기 할 수 있는 이직의 임 상승효과를 추

정해 볼 수 있다 첫 취업의 평균연령이 265세임을 고려하여 표 인 임 근로자(A Representative Worker)가 26세부터 60세까지 노동시장에 참여한다고 가정해 보자 인 네트워크

27) 여기에 연평균 물가상승률 3를 용하 다 실제 임 상승률도 2009년의 임 이 융 기 여 로 거의 동결이었

음을 고려할 때 2년간 략 6에 해당한다 28) 여기서는 네트워크 이직의 임 리미엄(연 489만원 상승)이 이직 후 매년 지속된다고 가정하고 있다 실제로

리미엄이 상당 기간 지속되는지 아니면 이직 후 빠르게 축소되는지에 한 국내 실증분석은 향후 과제로 남겨져

있다

를 활용한 이직만이 평균 인 임 상승효과를 가져온다는 을 고려할 때 구직 네트워크의 생애

가치()는 다음과 같이 요약된다29)

times timestimestimes (11)

여기서 는 연령 에서의 상 이직률(Job Transfer Rate)을 나타낸다 은 이직 시 인 네

트워크에 한 의존도 수 이다 는 네트워크 이직에 따른 월평균 임 상승의 효과이다 여기

에 [그림 5]에 요약된 이직률의 생애 추이를 에 입하자 여기서 경력직 이직자의 인 네트

워크 의존도가 60 반(plusmn5 이내)으로 추산된 을 고려하여 에 64를 입하도록 하자30) 그리고 에 앞서 추정한 네트워크 이직의 임 상승효과 4074만원(2010년 기 )을 입하면 구직 네트워크의 생애 가치()는 18720만원으로 집계된다 만약 에 이직률의 생애 추

이 신 최종샘 에서 구한 평균이직률 993를 연령 에 걸쳐 일률 으로 사용한다면 이와

유사한 수치인 18486만원을 얻을 수 있다 따라서 한국사회 임 근로자 한 사람의 구직 네트워크

가치는 보상 측면에서 략 일천 1870만원 수 인 것으로 결론지을 수 있다 물론 이 수치는 이직을 통한 이득만을 반 하고 있을 뿐 주 만족도의 개선효과는

반 하고 있지 않다 앞서 우리는 일자리 이동을 통해 창출되는 개인의 만족도 변화를 직장만족

도 직무만족도 일자리만족도 이 세 가지 측면에서 고려해 보았다 네트워크 이직과 비네트워크

이직 모두 만족도의 개선효과를 보 다 그러나 국내 노동시장에서 이직의 약 60 이상이 인

네트워크에 의존하고 있음을 고려할 때 임 근로자 한 개인이 구직 네트워크를 리하지 않는다

면 그의 이직률은 에서 60 이상 추락할 것이다 이를 고려하여 구직 네트워크의 생애 만족

도 개선효과()를 다음과 같이 요약할 수 있다31)

timestimestimestimes (12)

여기서 는 네트워크 이직을 통한 주 만족도의 개선폭을 나타낸다 앞서 네트워크 이직

이 창출하는 주 만족도의 개선효과가 100만 에서 220 (직장만족도) 158 (직무만족도) 117 (일자리만족도) 정도임을 확인하 다 이 세 수치의 평균치가 네트워크 이직의 만족도 개선

효과를 히 변하고 있다고 한다면 의 략 인 추정치는 165 이 된다 이를 입하면

구직 네트워크의 만족도 개선효과는 략 7582 으로 추산된다 만족도 1 을 으로 환산하

여 만원에 해당한다고 표시하면 구직 네트워크의 임 근로자 일인당 생애가치()는 임

상승효과()와 만족도 개선효과()의 합으로써 다음과 같이 요약된다

equiv (=18720+7582) (13)

구직 네트워크의 가치 (18720+7582n)만원이 함의하는 바를 명확히 규정하기는 쉽지 않다 특히 개인마다 일자리에서 얻는 주 만족도를 가치로 환산하는 방식이 다를 것이다 를 들

29) 구직 네트워크의 재 가치를 추산하기 해서는 시간할인률을 용할 필요가 있으나 여기서는 이를 생략하 다 시간할인률이 용된 추정치는 재 계산된 값보다 다소 하락할 것이다

30) 이에 한 보다 구체 인 설명은 본 논문의 보다 상세한 내용이 실린 한국개발연구원 정책연구시리즈로 출간 정

인 lsquo인 네트워크(개인의 사회 자본)의 노동시장 효과 분석rsquo 보고서를 참조 바란다 31) 앞서와 마찬가지로 구직 네트워크의 재 가치를 추산하기 해서는 시간할인률을 용할 필요가 있으나 여기서는

이를 생략하 다 시간할인률이 용된 추정치는 재 계산된 값보다 다소 하락할 것이다

어 어떤 이들에게는 이득만이 요하고 주 만족도는 경시될 수 있다 이들에게 n은

lsquo0rsquo에 가까운 것이다 반면 다른 이들에게는 일자리에서 얻는 주 만족도가 임 소득보다

몇 배 이상 요할 수 있다 이들에게 n은 1보다 큰 양수가 될 것이다 구직 네트워크의 가치를 수

치로 악해 보고자 n=1인 근로자를 상정해 보자32) 이 사람에게 만족도 1 은 1만원만큼의

효용을 창출한다 이 근로자에게 구직 네트워크의 종합 가치는 26302만원에 이른다고 평가할

수 있다 이러한 구직 네트워크의 종합 가치를 개인의 물 혹은 인 자본과 별하여 근로자

개인의 구직 네트워크 사회 자본이라 명할 수 있다추정한 구직 네트워크의 가치인 (18720+7582n)만원은 한국사회의 임 근로자 각 개인이 구직

네트워크의 유지 리를 하여 기꺼이 지불할 용의가 있는 비용을 나타낸다 만족도 1 이 1만원의 효용이 있다면 즉 n=1이라면 이는 1224개월치 월 ( 략 일년치 연 )에 해당한다33) 이는 결코 작지 않은 액수이다 한국사회의 구성원들은 다양한 방식으로 네트워크를 리하고 있다 동창회 동호회 업계 계자와의 술자리 각종 경조사 참여 Social Network Service(SNS) 활동 등

이 이에 해당한다 이들 활동은 그 자체로서 정서 효용을 창출하지만 생 인 경제 이득

한 간과할 수 없다 이는 업무에 필요한 유용한 정보의 획득이나 업거래망의 확장이기도 하고 구직 네트워크의 변 확 자기 PR(Public Relations)이기도 하다 네트워크의 리는 그에 상

응하는 비용을 수반한다 이는 만남에 따른 지출에서부터 시간사용까지를 포함한다 구직

네트워크의 효과성 측면에서 보았을 때 한국사회 근로자 개인은 상당한 비용( 를 들어 n=1인 경

우 략 일년치 연 에 해당하는 비용)을 구직 네트워크의 유지 리를 하여 생애를 거

쳐 기꺼이 지불할 용의가 있다고 볼 수 있는 것이다

IX 결론

이제까지 우리는 국내 고용시장에서의 인 네트워크 활용의 효과성을 다각 인 측면에서 살

펴보았다 인 네트워크를 활용한 이직의 직장생활만족도 개선효과는 100 만 에 약 165 34)

에 달하는 것으로 확인되었으며 직무 합도 개선효과는 100 만 에 약 197 35)에 이르는 것으

로 나타났다 한 인 네트워크를 활용한 이직은 임 상승을 동반하는데 그 규모는 월평균 임

으로 4074만원(2010년 기 )인 것으로 확인되었다 반면 인 네트워크를 활용하지 않은 이직

에서도 직장생활만족도의 개선효과가 일부 포착되었으나 일자리 합도에 한 개선이나 임 상

승효과는 확인되지 않았다 즉 구인자와 구직자를 연결시켜주는 인 네트워크의 효율 인 정보

달 기능이 확인된 것이다 이를 통해 임 근로자 개인의 구직 네트워크의 가치 즉 lsquo네트워크 사

회 자본rsquo을 추정해 보면 구직 네트워크의 생애 가치는 18720만원으로 집계되었으며 여기에 주 만족도에 한 보상 측면까지 고려하면 만족도 1 의 가치를 만원으로 환산

할 때 략 (18720+7582)만원에 이르는 것으로 집계되었다

32) 실제로 일반 인 수 에서 n은 1보다 상당히 클 것으로 상된다 주어진 표본에서 주 만족도의 평균은 략

55 내외인 반면 임 수 의 평균은 략 200만원 내외이다 즉 두 수치의 Scale이 네 배 가량 차이가 난다 33) 26302만원을 차수 임 수 (20247만원)의 2010년도 기 가치인 2148만원으로 나 면 1224개월이 나온다 34) 직장만족도 개선효과 220 직무만족도 개선효과 158 일자리만족도 개선효과 117 의 산술평균값 용 시 35) 기술 합도 개선효과 213 교육 합도 개선효과 252 교육기술복합지수 개선효과 126 의 산술평균값 용

참 고 문 헌

고용노동부 985172고용노동백서985173 2010김동헌김상호 「직업탐색과 자발 이직」 2001 경제학 공동학술 회 발표문 2010 김성훈 「사회연결망과 공식경로를 통한 첫 취업의 개인 결과와 사회 결과」 985172한국사회학985173 제39집 제1호

2005 김성훈 「 문직의 취업경로 사회연결망과 공식경로를 심으로」 985172한국사회학985173 제40집 제5호 2006 김성훈 「취업자의 사회연결망 활용에 한 향요인 연구」 985172노동경제논집985173 제26권 제3호 2003김용학 985172사회연결망 이론985173 박 사 2003류석춘 외 985172한국의 사회자본 역사와 실985173 백산출 사 2008 송호근김우식이재열 985172한국사회의 연결망 연구985173 서울 학교 출 부 2004안재희 985172구직과 제도 사회자본985173 한국학술정보(주) 2008우천식 편 985172한국경제사회와 사회 자본985173 한국개발연구원 2007이 면나인강 「직장만족도와 이직행 에 한 패 분석」 985172제5차 한국노동패 학술 회 논문집985173 2004이 면나인강 「비정규직의 이직 이직사유 근속기간에 한 연구」 985172제6차 한국노동패 학술 회 논

문집985173 2005이상호 「노동패 의 주 만족도 측정」 985172노동리뷰985173 통권 제17호 2006 pp77~86이병훈 「구직활동의 향요인에 한 탐색 연구」 985172노동경제논집985173 제25권 제1호 2002 pp1~21 통계청 985172경제활동인구조사985173 2010한국노동연구원 985172사업체패 조사985173 2007KDI 국제정책 학원 985172사회 자본 확충을 한 기본조사 정책연구985173 2007

Blau David and Philip Robins ldquoJob Search Outcomes for the Employed and Unemployedrdquo Journal of Political Economy 98(3) 1992 pp637~655

Bourdieu P ldquoThe Forms of Capitalrdquo in J G Richardson (ed) Handbook of Theory and Research for the Sociology of Education New York Greenwood 1986

Cochran William and Donald Rubin ldquoControlling Bias in Observational Studies A Reviewrdquo Sankhya 35 1973 pp417~446

Datcher Linda ldquoThe Impact of Informal Networks on Quit Behaviorrdquo Review of Economic Statistics 65(3) 1983 pp491~495

Dawid A ldquoConditional Independence in Statistical Theoryrdquo Journal of Royal Statistical Society B 41 1979 pp1~31

Dehejia R and S Wahba ldquoCausal Effects in Nonexperimental Studies Reevaluating the Evaluation of Training Programsrdquo Journal of the American Statistical Association 94 1999 pp1053~1062

Dehejia R and S Wahba ldquoPropensity Score-Matching Methods for Nonexperimental Causal Studiesrdquo The Review of Economics and Statistics 84 2002 pp151~161

Glaeser E D Laibson and B Sacerdote ldquoAn Economic Approach to Social Capitalrdquo The Economic Journal 112 2002

Gottschalk P and T Maloney ldquoInvoluntary Termination Unemployment and Job Matching A Test of Job Search Theoryrdquo Journal of Labor Economics 3 1985 pp109~123

Granovetter Mark S Getting A Job A Study of Contracts and Careers Chicago University of Chicago Press 1975

Heckman J H Ichimura J Smith and P Todd ldquoCharacterizing Selection Bias Using Experimental Datardquo Econometrica 66 1998 pp1017~1098

Heckman J H Ichimura and P Todd ldquoMatching as an Econometric Evaluation Estimator Evidence from Evaluating a Job Training Programrdquo Review of Economic Studies 64 1997 pp605~654

______ ldquoMatching as an Econometric Evaluation Estimatorrdquo Review of Economic Studies 65 1998 pp261~294Knack S and P Keefer ldquoDoes Capital Have and Economic Payoff A Cross Country Investigationrdquo Quarterly

Journal of Economics 62 1997 pp1251~1288 Lin Nan Social Capital A Theory of Social Structure and Action Cambridge Cambridge University Press 2001 Lin Nan Karen Cook and Ronald Burt (eds) Social Capital Theory and Research Aldine Transaction 2001 Marmaros David and Bruce Sacerdote ldquoPeer and Social Networks in Job Searchrdquo European Economic Review 46

2002 pp870~879Putnam Robert D Bowling Alone The Collapse and Revival of American Community New York Simon and

Schuster 2000Rosenbaum J S DeLuca S Miller and K Roy ldquoPathways into Work Short- and Long-Term Effects of Personal

and Institutional Tiesrdquo Sociology of Education 72(3) 1999 pp179~196Rosenbaum P and D Rubin ldquoThe Central Role of the Propensity Score on Observational Studies for Causal

Effectsrdquo Biometrika 70 1983 pp41~55Rubin D ldquoEstimating Causal Effects of Treatments in Randomized and Non-randomized Studiesrdquo Journal of

Educational Psychology 66 1974 pp688~701Simon Curtis and Warner John ldquoMatchmaker Matchmaker The Effect of Old-Boy Networks on Job Match

Quality Earnings and Tenurerdquo Journal of Labor Economics 10(3) 1992 pp306~330Todd Petra ldquoMatching Estimatorsrdquo unpublished manuscript 2006

성공한 구직방법

일자리 진입방식

합계공개

채용스카우트

소개나

추천

찾아가서기타

1 학교나 학원12 0 26 4 0 42

(395) (0) (301) (069) (0) (233)

2 교수나 교사2 0 8 0 0 10

(066) (0) (093) (0) (0) (055)

3 친구나 친지5 2 509 28 2 546

(164) (125) (5898) (48) (556) (303)

4 공공 안내소3 0 7 9 4 23

(099) (0) (081) (154) (1111) (128)

5 사설 안내소3 0 29 16 1 49

(099) (0) (336) (274) (278) (272)

6 매체 고53 1 21 209 13 297

(1743) (625) (243) (3585) (3611) (1648)

7 직 탐문2 0 13 85 0 100

(066) (0) (151) (1458) ((0) (555)

8 가족1 1 21 2 0 25

(033) (625) (243) (034) (0) (139)

9 인터넷205 3 22 179 9 418

(6743) (1875) (255) (307) (25) (232)

10 희망직장

지인

7 3 90 20 0 120(23) (1875) (1043) (343) (0) (666)

11 업무상

지인

6 4 102 18 0 130(197) (25) (1182) (309) (0) (721)

12 기타 5 2 15 13 7 42

(164) (125) (174) (223) (1944) (233)

합 계304 16 863 583 36 1802

(100) (100) (100) (100) (100) (100)

lt부표 1gt 경력직 취업자(1802명)의 일자리 진입방식별 구직방법의 분포

주 1 노동패 6차부터 10차까지의 신규 일자리 진입자 경력직 취업자를 상으로 함 2 ( ) 안은 각 일자리 진입방식에 한 성공한 구직방법의 백분율임

Block

번호

직장유지의

직무유지의

향성별 나이 나이

2 교육

혼인

여부

정규직

여부

첫(혹은

두 번째)

일자리

(로그)

격차 격차 격차 격차 격차 격차 격차 격차 격차 격차

1164 116 048 -102 -14913 -003 003 009 000 007

(455) (395) (011) (207) (19454) (044) (005) (004) (009) (013)

2-254 050 003 007 -1629 -022 -006 004 -002 001

(203) (191) (006) (123) 11232 (020) (004) (004) (006) (007)

3036 -076 002 -094 -7067 -001 000 -004 008 001

(131) (129) (004) (088) (7870) (012) (003) (003) (004) (004)

4-079 -117 -001 071 6428 000 -004 -002 001 -005

(128) (122) (004) (079) (6861) (010) (003) (003) (004) (003)

5026 144 -005 068 6211 -012 004 000 -006 -001

(142) (144) (004) (077) (6201) (010) (004) (003) (004) (004)

6061 152 -008 -043 -3655 006 002 002 -007 007

(151) (151) (004) (073) (5661) (010) (004) (004) (004) (004)

7010 -134 -002 043 2726 003 -002 001 003 001

(133) (131) (004) (058) (4296) (008) (004) (003) (003) (003)

8045 173 008 044 3233 007 000 -001 -001 -003

(146) (143) (004) (052) (3615) (007) (004) (003) (003) (003)

9128 -010 000 061 3033 -016 -003 006 -010 004

(259) (246) (006) (065) (3930) (012) (005) (006) 006 (006)

10500 114 013 -035 -1626 004 000 007 001 -003

(407) (394) (009) (081) (4454) (017) (007) (008) (009) (009)

lt부표 2-Agt Propensity Score 각 구간(Block)에 대한 Mean-Difference Statistical T-test 결과(I)

주 1 Untreated Group과 Treated Group의 각 항목에 한 Mean Difference를 테스트함 2 표시는 5 유의도 수 에서 테스트를 통과하지 못한 항목을 표시함3 ( ) 안은 표 오차임

lt부표 2-Bgt Propensity Score 각 구간(Block)에 대한 Mean-Difference Statistical T-test 결과(II)

Block

번호

(로그)2 종업원 규모 교육 합도 임 만족도근무

환경 만족도

일자리

만족도

서비스 매직

여부

농어업 종사

여부

정규직 times

교육

직장 times

직무유지의향

격차 격차 격차 격차 격차 격차 격차 격차 격차 격차

1052 054 202 656 -048 -101 002 001 003 25954

(147) (053) (379) (564) (480) (421) (005) (003) (047) (60638)

2-006 043 046 047 -303 -182 002 000 -004 -9827

(073) (027) (197) (247) (220) (188) (002) (001) (026) 25462

3006 011 -151 -030 255 013 -002 000 -011 -246

(041) (017) (158) (156) (142) (117) (002) (000) (018) (15776)

4-052 000 -075 -111 -046 -005 -004 000 -011 -10585

(034) (015) (155) (137) (133) (110) (002) (001) (016) (14203)

5-008 006 053 -047 -017 -036 003 000 -004 17636

(035) (017) (176) (152) (144) (123) (003) (001) (018) (16213)

6063 -005 273 049 211 040 -006 001 015 14659

(035) (017) (201) (150) (145) (124) (003) (001) (019) (16225)

7008 -018 -045 016 -031 005 005 000 010 -10640

(029) (014) (174) (127) (127) (108) (003) (001) (016) (13577)

8-022 -014 028 -028 -163 086 000 000 -001 6766

(028) (014) (189) (127) (131) (111) (003) (000) (017) (13784)

9037 -013 143 133 046 -070 001 -002 015 -1116

(047) (021) (371) (204) (227) (187) (006) (002) (029) (21779)

10-028 021 077 161 -247 -113 -013 002 019 13295

(074) (026) (612) (352) (366) (340) (009) (002) (038) (30459)

주 1 Untreated Group과 Treated Group의 각 항목에 한 Mean Difference를 테스트함 2 표시는 5 유의도 수 에서 테스트를 통과하지 못한 항목을 표시함3 ( ) 안은 표 오차임

Page 15: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal

Group

Treated (=1) 측 가능 Counterfactual

Untreated (=0) Counterfactual 측 가능

V 분석 방법(Propensity Score Matching)

본 에서는 일자리 이동의 효과성 분석에 사용할 방법론으로서 Heckman Ichimura and Todd(1997)이 제안한 Propensity Score Difference- in-Differences(DID) Matching(PSM)에 해 설명

하고자 한다 이에 앞서 우선 이 방법론의 근간이 되는 Averge Treatment Effect for the Treated(ATT)(Rubin[1974])와 Propensity Score Matching(PSM)(Rosenbaum and Rubin[1983]) 일반에

해 소개하기로 한다

1 Average Treatment Effect for the Treated

결과에 향을 미치는 Treatment Variable로서 더미변수 를 가정하자 Treatment의 부여 여부

에 따라서 Treated Group(혹은 실험군)과 Untreated Group(혹은 조군)으로 구분할 수 있다 =1 (Treated Group)과 =0 (Untreated Group) 이때 잠재 결과치(Pontential Outcomes) 가 Treatement 여부에 따라 각기 ( )일 때 Average Treatment Effect(ATE)는 다음과 같다 그러나 이러한 통 인 계산방식은 Treatment가 무작

(Randomization)라는 가정하에서만 편 되지 않은 측치(Unbiased Estimates)를 제공할 수 있다 순수한 무작 실험이 아니라면 분석의 상이 데이터에서 Treatment 여부가 무작 인 경우는 드

물다 즉 특정한 요인들이 Treatment 참여 여부에 직간 인 향을 미치는 것이다 를 들어 특정약물의 효과를 알고 싶다고 하자 약물이 투여된 사람과 그 지 않은 사람의 건강상태를 악

하면 된다고 생각할 수 있다 그러나 약물이 투여되지 않은 사람은 개 건강한 사람들이기 때문

에 이들의 건강상태를 약물이 투여된 사람과 직 비교한다면 약물을 투여한 사람이 여 히 건강

상태가 나쁜 것으로만 나올 것이고 약물투여의 효과가 없다라고 결론짓게 될 것이다 비교 상은

건강한 사람이 아니라 약물이 투여된 집단만큼의 건강이 양호하지 않은 집단이어야 한다 이 게

건강하지 않는 사람과 비교할 때 약물 투여의 순수한 효과를 검증할 수 있다 이러한 무작 의 여

부로부터 발생하는 문제를 선택편의(Selection Bias)라고 한다데이터로부터 우리가 측할 수 있는 결과치는 Treated된 경우의 과 Untreated된 경우의

이다 선택편의의 문제가 발생할 때 Treatment의 효과를 제 로 알고자 한다면 우리가 비교해야

하는 상은 Treated 된 경우의 Treatment가 용되지 않았을 때의 결과 즉 ( |=1)이다 이러한

가상의 결과를 Counterfactual이라고 한다 (역시 Untreated된 경우의 Treatment가 용되었을 때 결

과 즉( |=0) 역시 Counterfactual이다) 다음의 표가 이를 간략히 정리하고 있다

선택편의(Selection Bias)의 문제하에서 Treatment의 효과를 측정하기 하여 체 집단에 한

Treatment Effect가 아닌 Treated Group에 한 Treatment Effect에 한정하여야 한다 이 게 한정된

집단 즉 Treated Group에 한 효과성 측정을 Average Treatment Effect for the Treated(ATT)라고 한

(1)

여기서 는 Counterfactual에 한 기 치이므로 자료로부터의 직 인 추정은 불

가능하다 Treatment Selection이 측 가능한 변수들의 특정한 집합 Z에 의존한다고 가정해 보자 Dawid(1979)의 표 법에 따르면 다음과 같은 계가 성립한다 ∐ 즉 Z를 통제하 을

때 Untreated Group의 값의 분포와 Treated Group이 만약 Treatment를 받지 아니하 을 때의

값의 분포(즉 Counterfactual의 분포)는 서로 동일하다는 것이다 이는 기 치에 한 다음과 같은

계를 내포한다

(2)

즉 counterfactual인 을 측치인 이 체할 수 있는 것이다 식

(2)의 계를 조건부 독립가정(Conditional Independence Assumption CIA)이라고 한다 Rubin(1974)은 조건부 독립가정(CIA)의 조건이 충족할 경우 ATT를 다음과 같이 측정할 수 있다고 제안한 바

있다

(3)

즉 직 으로 설명한다면 =1인 집단에 속한 특성 Z인 개체에 하여 동일 특성을 지닌 개

체를 =0인 그룹에서 찾아 그 둘의 Y값을 비교하면 되는 것이다 =1 집단 내의 모든 개체에

하여 동일한 계산을 한 뒤 이를 합산하면 ATT를 구하게 된다 그러나 이 방법 역시 일정 정도의 한계를 지닌다 만약 Z가 이산변수(Discrete Variable)가 아닌

연속변수(Continuous Variable)라면 =0 집단에서 동일한 Z를 가진 개체를 찾을 수 없으므로 이상

의 측정법을 용할 수 없다 한 특정 변수들이 집합인 Z에 포함된 변수들이 많은 경우 동일한

특성의 개체를 =0 집단으로부터 찾는 것이 어려울 수 있다 이러한 한계를 극복하고자 도입된 것

이 Propensity Score Matching 방식이다

2 Propensity Score Matching Estimator

Propensity Score(PS)를 Z 특성을 지닌 개체가 Treated될 확률로 정의하고 로 표시하도록

하자

Propensity Score equiv (4)

Rosenbaum and Rubin(1983)은 0ltP(Z)lt1이 모든 Z에 해 만족할 경우 다음의 계가 성립한다

는 것을 증명하 다

∐ rArr ∐ (5)

이 계식은 을 내포하므로 변수집합의 Z의 차원수

∐ rArr

(Dimensionability)가 클 경우에도 다음과 같이 다일변수 P(Z)를 활용하여 ATT를 구할 수 있다

(6)

샘 수의 유한성으로 인해 실제로 식의 두 번째 항을 추정하는 것은 간단치 않은 작업이

다 한 ATT의 추정은 Common Support 역 즉 Treated Group의 P(Z)의 분포와 Untreated Group의 P(Z)의 분포가 겹치는 Z의 역에 한정하여야 한다 Common Support를 벗어나는 역에 해

서는 비교가능한 Counterfactual를 찾기 힘들기 때문이다 이를 반 하여 주어진 샘 내에서 ATT를 추정할 수 있는 다양한 Propensity Score Matching(PSM) Estimator가 제안되었는데 이는 다음과

같이 요약될 수 있다(Todd[2006])

isincap

isin

(7)

여기서 는 Treated Group 구성원을 는 Untreated Group의 구성원을 나타낸다 는 Common Support 역 내의 개체들의 집합을 나타낸다 은 Treated Group의 구성원 Common Support 역에 속하는 개체들의 총수이다 는 가 치를 나타내는 것으로 두 Propensity Score의 거리

인 을 이용하여 결정된다 가 치 용방식에 따라 다양한 측정방식이 제시될 수

있다 이에 해서는 추후에 추가 으로 논의하도록 한다

3 Difference-in-Differences Matching Estimator

여기서 한 단계 발 된 방식의 PSM이 Heckman Ichimura and Todd (1997)에 의해 제시된

Difference-in-Differences(DID) Matching Estimator이다 앞서 ATT의 추정에서 측 가능한 특정 변수

들의 집합 Z가 주어졌을 때 결과치 가 Treatment에 독립 (즉 ∐ 이 성립)이라고 가정한

바 있다 그러나 Z에 포함되어야 할 많은 변수 측이 되지 않는 경우가 있을 수 있다 이러한

경우 계가 더 이상 성립하지 않아 앞서의 ATT 추정법은 정

당성을 상실한다 하지만 Longitudal Data가 주어진 경우 즉 Treatment 이 과 이후의 결과치( )가

주어진 경우 분석 상을 신에 lsquo의 변화분rsquo으로 변경함으로써 이러한 문제를 상당 부분 해

소할 수 있다 Treatment 이 과 이후 두 개의 시간 를 와 prime이라 한다면 분석 상을 이

아닌 prime prime 으로 둘 수 있는 것이다 이때 ATT를 추정하기 해서는

prime ∐ 의 가정이면 충분하게 된다 이는 앞서보다 훨씬 완화된 가정이므로 충족하기

가 보다 용이해진다 특히 측되지 않는 시간 불변(time-invariant)의 일부 변수가 Treatment Selection에 연 된 경우에도 이 변수가 와 prime에는 직 인 향을 미치더라도 prime 에 미치는 향이 없다면(즉 독립 이라면) 문제가 되지 않는 것이다17) 따라서 Longitudal Data가

17) 이 외에도 주어진 수치들이 데이터가 수집된 지역에 따라 Level이 다를 경우 Difference 변수를 활용함으로써 이러

한 Level 차이에서 기인한 편의(bias)를 해소할 수 있다

주어진 경우에 DID Matching Estimator는 매우 효과 인 도구로 활용될 수 있다 이때 DID Matching Estimator는 다음과 같은 방식으로 요약될 수 있을 것이다

isincap

prime prime prime

isin prime

(8)

본 연구에서는 앞서 소개한 DID Matching Estimator를 이용함으로써 시간불변(time-invariant)의

측되지 아니하는 변수들을 사 에 통제하고 보다 신뢰할 만한 분석 결과를 제시하고자 한다

4 Treatment Effect 측정방식

의 가 치를 결정하는 를 어떻게 설정하느냐에 따라 다양한 PSM Estimator가 존재한다 본 연구의 분석에서는 가장 활발히 이용되는 측정방식들로서 Nearest Neighbor Matching Radius Matching Kernel Matching 이 세 가지를 활용하기로 한다18)

가 Nearest Neighbor Matching

이 방식은 조군인 Untreated Group에 속한 개체 에서 Propensity Score가 실험군(Treated Group) 개체의 Score와 가장 근 한 개체를 선택하는 방식이다 즉 를 최소화시키

는 에 해서는 이고 나머지 에 해서는 이 성립한다 [그림 2]가 이

를 잘 형상화하고 있다 이때 Score가 근 한 개체를 하나가 아닌 복수로 선정함으로써 하나를

선정할 때보다 더욱 안정된 추정치를 얻을 수 있다 다만 매칭되는 개체 수가 무 많을 경우

가 크게 되어 편의(bias)가 증가할 수 있으므로 신 할 필요가 있다 개의 근

한 개체를 선택하는 경우 이들 개체 에 해서는 이 성립하고 나머지 에

해서는 이 성립한다 Nearest Neighbor Matching의 경우 가장 근 한 개체를 선택하 으나 가 무

커서 Counterfactual로서 부 합한 매칭이 이루어질 가능성이 있다 이를 보완하기 하여 Cochran and Rubin(1973)은 한 Caliper를 선정하여 매칭에 있어서 를 일정 한도로 제

한할 것을 제안한 바 있다 본 분석에서는 을 5개로 선정함으로써 편의(bias)를 이면서도 안정

된 추정치를 얻고자 하 으며 Caliper는 히 작은 0005로 설정하여 부 합한 매칭을 최소화하

고자 하 다19)

18) 이 외에도 주로 활용되는 측정방식으로 Stratification Matching Mahalanobis Matching 등이 있으나 이들을 활용한 결

과가 본 연구의 분석 결과와 크게 다르지 않다 Dehejia and Wahba(2002)는 Treated Group과 Untreated Group 간의

Propensity Score 분포가 상당 부분 서로 겹친다면 측정방식에 따른 분석 결과의 차이가 크지 않다는 을 강조한

바 있다 이는 실험군 한 개체에 해 매칭 가능한 충분한 수의 조군 개체들이 존재하기 때문이다 즉 측정방식의

차이에 따라 매칭이 되는 조군들의 특성이 크게 달라지지 않는 것이다 본 연구에서 추정한 Propensity Score 분포

는 Treated Group Untreated Group 두 집단 사이에 겹치는 부분이 매우 크다 이는 [그림 4]를 통해 쉽게 확인된다 19) 여기서 Caliper 설정은 실험군 개체와 매칭되는 조군 개체 사이의 PS 거리 즉 를 한 수 으로

제한하고자 함이다 부분의 실험군 개체의 경우 Caliper가 설정한 Boundary에 크게 제한을 받지 않으므로 히

작은 Caliper의 설정이면 편의(Bias)를 개선하기에 충분하다 본 분석에서 설정한 0005 이외에 0002이나 001을 사용

하여 보았으나 역시 결과의 차이가 크지 않음을 확인하 다

[그림 2] Nearest Neighbor Matching(n=1인 경우)

나 Radius Matching

이 방식은 일정 반경을 Caliper로 설정하고 Untreated Group에서 가 Caliper 이내인 모든 개체 를 Treated Group의 개체 에 매칭하는 방법이다(그림 3 참조) 개체 에 하여

Untreated Group으로부터 매칭된 개체의 수가 라면 이들에 해서는 이 성립하고 매칭이 안된 나머지 개체들에 해서는 이 성립한다 이 추정방식은 앞서 Nearest Neighbor Matching에 비해 Propensity Score가 근 한 조군 내의 보다 많은 개체를 분석에 활용할

수 있다는 장 이 있다 보다 많은 조군 내 개체를 활용할수록 Treatment Effects 측정의 정확성

(Precision)은 상승하게 된다 매칭이 가능한 조군 개체의 수가 충분히 많다면 Caliper는 작을수록 좋다 Caliper가 클수록

부 합한 매칭에 따른 Treatment Effects의 편 (Bias)이 커질 수 있기 때문이다 본 분석에서는 샘

의 수가 충분히 크기 때문에 Caliper를 0002로 설정하여 매우 근 한 개체들에 해서만 매칭이

이루어지도록 설정하 다20)

20) 다음 에서는 주어진 샘 을 활용하여 Propensity Score를 추정하고 있다 이 결과에 따르면 PS (01 0102)인 구간

에서 조군 개체 수가 116개 (02 0202) 구간에서 조군 개체 수가 32개 (03 0302) 구간에서 조군 개체 수가

12개에 이르는 것을 확인할 수 있다(표 6과 그림 4를 참조 바람) 즉 0002의 Caliper를 사용할 때 한 개의 실험군

개체에 해 10개 내지 100개 이상의 조군 개체들이 매칭되는 경우가 흔히 존재하는 것이다 반면 Caliper를 이보

다 작게 설정한다면 (특히 PS가 큰 구간에서는) 실험군 개체들과 매칭되는 조군 개체가 존재하지 않을 수 있다 를 들어 PS (04 0402)인 구간에서 조군 개체 수는 단 1개 존재하나 PS (0401 0402)인 구간에서는 무하다

따라서 본 연구에서는 최소의 Caliper이면서도 매칭되는 조군 개체의 수가 충분할 수 으로서 Caliper 0002를 선

정하 다 반면 민감성 테스트(Sensitivity Check)에 따르면 Caliper 0001이나 0003에서도 연구 결과의 차이가 크지

않음을 확인하 다

[그림 3] Radius Matching

다 Kernel Matching

이 방식은 Treated Group 내의 각 개체에 한 매칭을 Untreated Group 내의 모든 개체를 상

으로 진행하는 방식으로 에 따라 가 치를 부여한다 가 작을수

록 가 치가 커진다 이때 사용되는 가 치는 다음과 같이 표시될 수 있다

isin

(9)

여기서 G는 선택된 Kernel function을 은 Bandwidth Parameter를 표시한다 이 방식은

Heckman Ichimura and Todd(1998)에 의해 도입되었는데 주어진 모든 개체를 추정에 활용하므로

정보의 손실을 최소화할 수 있다는 장 이 있다 한 앞서의 두 추정방식과는 달리 인 인

Caliper의 설정이 불필요하다는 장 도 있다 Kernel의 선택에는 Gaussian Function(Normal Distribution) Biweight Function Epanechnikov Function 등 다양한 방식이 가능하나 본 분석에는

Normal Distribution을 채택하 다 Bandwidth Parameter로는 001을 선택하여 가 근

한 이들에게 충분한 가 치가 주어지도록 하 다21)

VI Propensity Score의 추정

주어진 자료에서 Treatment는 이직에 해당한다 이직에 한 Propensity Score(PS)를 추정하기

해서는 이직에 향을 미치는 주요 변수의 집합 을 사용하여야 한다 이들 변수는 다음 조건

을 만족하여야 한다 prime ∐ 즉 이직에 향을 미치는 주요 변수들을 통제한 후에

는 이직을 하지 않은 이들의 결과치 에 한 변화분 prime 의 분포가 이직을 한

이들이 만약 이직을 하지 않았을 때 상되는 결과치 에 한 변화분 prime 의 분

21) Bandwidth Parameter가 0005 002인 경우도 확인해 보았으나 결과에는 큰 차이가 발견되지 않았다

추정함수 Logistic Regression(이직 = 1 비이직 = 0)Z 추정계수 표 오차

직장유지의향 -0002 0004 직무유지의향 -0015 0004 성별(여성 1) -0104 0071

나이 -0138 0023 나이2 0001 0000

교육수 0169 0050 혼인 여부(미혼 1) -0056 0082

정규직 여부(정규직 1) 0342 0248 첫(혹은 두 번째) 일자리 여부 -0599 0068

임 수 (단 만원 로그) 0076 0601 임 수 (단 만원 로그)2 -0052 0063 종업원 규모(단 명 로그) -0084 0015

차수 교육 합도 0000 0001 임 만족도 0003 0002

근무환경만족도 -0004 0002 일자리만족도 -0003 0003

서비스 매직 여부 0459 0077 농어업 종사 여부 0324 0378

정규직 여부 times 교육수 -0131 0056 직장유지의향 times 직무유지의향 0000 0000

상수항 3558 1584 측 수 12754

결정계수( ) 00873

Log Likelihood -401098

포와 동일해야 하는 것이다 따라서 Propensity Score의 추정에 활용할 변수들은 앞서 일자리 이동

의 향요인에 한 분석을 통해 선별할 수 있다 특히 주어진 노동패 의 자료에서는 ldquo 재의

직장을 계속 다니고 싶은가(직장유지의향)rdquo와 ldquo 재 맡고 있는 일을 계속하고 싶은가(직무유지의

향)rdquo라는 이직의사와 련된 매우 긴요한 변수들이 포함되어 있는데 이들을 주요 변수의 집합

에 포함시킴으로써 이상의 조건이 보다 용이하게 충족될 수 있음을 기 할 수 있다 Propensity Score의 추정에는 Logistic Regression을 활용하 다 추정에 활용된 주요 변수들의 집합 과 각

변수에 한 추정계수는 lt표 5gt에 요약되어 있다

lt표 5gt Propensity Score의 추정방정식

주 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

앞서 일자리 이동 향요인에 한 분석에서 일자리 이동의 요한 결정변수로 악된 변수

들이 부분 PS 추정방정식에 포함되었다 만족도와 련한 변수 업무만족도 취업 안정성 만

족도 자기발 만족도 복지후생만족도 이상 네 변수는 일자리 향요인으로 통계 으로 유의하

게 악되었으나 PS 방정식에 추가된 일자리만족도 직장유지의향 직무유지의향 등과의 통계

상 계가 매우 높아 PS 추정방정식에 따로 포함시키지 않았다22) 한 추정방정식에는 일부

Interaction Terms들과 Higher Order Terms들을 추가하여 앞서 설명한 변수집합(Z)의 기본요건을 맞

추고자 하 다 추가 변수들은 Balancing Property를 충족하기 하여 선정되었는데 이에 해서는

아래에서 추가 부연한다Rosenbaum and Rubin(1983)에 따르면 PS는 다음 조건을 만족한다

∐ rArr

즉 PS를 통제한 뒤에는 변수집합 Z와 Treatment 여부 D가 상호 독립 이라는 것이다 이는 PS가 동일한 개체들에 해 Z의 평균값을 구한다면 Treatment를 받은 집단과 그 지 않은 집단 사이

에 차이가 없어야 한다는 을 내포한다 이를 Balancing Property라 한다 이를 검증하기 한 방

법으로 P(Z)를 여러 구간(Blocks)으로 나 뒤 각 구간에 한 Mean Difference Statistical T-test를

시행할 수 있다 일부 구간에 해 T-test가 만족하지 않는 경우에는 구간을 더욱 세분하여 진행하

고 여 히 만족이 되지 않는 경우에는 문제가 되는 일부 변수들의 Interaction Terms들과 Higher Order Terms들을 PS 추정방정식에 추가하여 앞서의 과정을 되풀이한다(Dehejia and Wahba[1999]) 앞서 언 된 Interaction Terms과 Higher Order Terms들은 이상의 과정을 거쳐 추가된 항들이다

Balancing Property 검증을 하여 다양한 PS 추정방정식을 설정하여 반복 인 Test를 수행하

다 최종 으로 lt표 5gt의 추정방정식에서 도출한 PS를 기 으로 lt표 6gt과 같이 10개의 Block을

구분한 뒤 Mean- Difference Statistical T-test를 진행하 다 Block 설정은 PS의 Common Support 역인 [00149 06]에 하여 이루어졌다 각 Block들에 한 T-test의 결과는 lt부표 2gt에 수록되어

있다 추정방정식에 도입된 독립변수 항이 총 20개이고 Block의 수는 10개이므로 총 200개의

Mean-Difference T-test가 시행되었다 lt부표 2gt에서 확인할 수 있듯이 5 Significance Level에서

부분의 Block들이 T-test를 통과하 다 통과에 실패한 테스트는 단 두 개로 Block 1의 lsquo정규직

여부rsquo에 한 테스트와 Block 8의 lsquo성별rsquo에 한 테스트이다 따라서 Block Test의 통과율이 99에

이르러 앞서의 PS 추정방정식이 Balancing Property를 체로 만족하고 있다고 결론내릴 수 있다 이상의 과정을 거쳐 확정된 PS 추정방정식을 이용하여 각 개체별로 PS를 구할 수 있다 [그림

4]는 이 게 구해진 PS에 하여 각 집단별 분포도를 제시하고 있다 Treated Group의 경우 PS의

분포가 Untreated Group에 비해 상 으로 우측으로 치우쳐 있음을 쉽게 확인할 수 있다 그리고

PS 분포에서 Common Support 역이 [00149 06]에 이른다는 것을 확인할 수 있다 이는 PS가

06보다 큰 경우에는 Treatment에 참여한 실험군 개체에 해 그에 상응하는 Counterfactual을 조

군으로부터 찾을 수 없음을 의미한다 따라서 PS를 활용한 Treatment의 효과 측정은 이 Common Support 역에 들어오는 실험군 개체들에 한정하여 이루어질 수밖에 없다

22) 를 들어 일자리만족도와 이들 네 변수와의 상 계수(Correlation Coefficient)는 각각 업무만족도(06536) 취업 안정

성 만족도(06014) 자기발 만족도(06279) 복지후생만족도(05514)에 이른다 이들을 포함시키더라도 반 인 결과

에는 큰 차이가 없다

(10)

02

46

8

0 2 4 6 8 0 2 4 6 8

Untreated Group Treated Group

DensityRough Density Curve

Den

sity

Propensity Score Distribu tion for Each Group

lt표 6gt Balancing Property 검증을 위한 Block 구분

Block 번호 Propensity Score 범 D=0 D=1 합계

1 00149 ~ 0025 655 10 665

2 0025 ~ 005 2128 59 2187

3 005 ~ 0075 2146 152 2298

4 0075 ~ 001 1744 200 1944

5 01 ~ 0125 1300 171 1471

6 0125 ~ 015 949 162 1111

7 015 ~ 02 1138 238 1376

8 02 ~ 03 845 242 1087

9 03 ~ 04 230 95 325

10 04 ~ 06 57 56 113

합계 11192 1385 12577

[그림 4] 각 집단별 Propensity Score 분포도

주 Common Support 역인 [00149 06]에 포함된 개체 수는 Untreated Group의 경우 11192명 Treated Group의 경우에

는 1385명임

VII 분석 결과

이제 구해진 PS를 활용하여 이직의 효과와 이직에 있어서 인 네트워크 활용의 효과성을 분

석할 비를 마련하 다 본 분석에서는 앞서 제3 에서 소개한 7가지의 성과지표에 하여 분석

을 진행할 것이다 우선 PS가 추정된 12754개체에 하여 PS를 고려하지 않은 단순비교를 진행해

성과지표의

연간 변화비교 상

이직자

평균

비이직자 평균

격차

(표 오차)

직장만족도 변화이직자 수 1379 3724 -0334 4058

비이직자 수 11274 (0466)

직무만족도 변화이직자 수 1386 2962 -0428 3389

비이직자 수 11285 (0466)

일자리만족도 변화이직자 수 1384 2944 0282 2662

비이직자 수 11261 (0489)

기술 합도 변화이직자 수 1383 2350 -0058 2408

비이직자 수 11245 (0684)

교육 합도 변화이직자 수 1389 2556 -0142 2697

비이직자 수 11300 (0689)

교육기술복합지수

변화

이직자 수 1383 2422 -0091 2513

비이직자 수 11245 (0664)

임 수 변화이직자 수 1384 9088 2782 6307

비이직자 수 11340 (1614)

보자 lt표 7gt은 이직자 집단과 비이직자 집단의 성과지표 변화를 단순비교한 것이다 표에서 확인

할 수 있듯이 이직자의 경우 모든 지표들에 하여 성과지표의 뚜렷한 증가가 목격되었다 비이

직자의 경우에는 임 수 이 2782만원 증가한 것을 제외하고 에 띄는 성과지표의 개선이 나타

나지 않았다23) 성과지표 개선에서 집단 간의 차이가 존재하는지를 검증하기 하여

Mean-Difference Statistical T-test를 진행하고 그 결과를 표에 수록하 다 모든 지표에 하여 이직

자 집단이 비이직자 집단에 비해 높은 증가세를 보인 것이 통계 으로 유의하게 확인된다 를 들

어 이직자 집단의 월평균 임 수 은 9088만원 상승한 것으로 나타나 비이직자 집단에 비해

6307만원만큼 큰 폭의 임 향상을 보 다 하지만 우리는 이상의 결과를 이직의 효과라고 단정

지을 수 없다 왜냐하면 이직의 효과는 이직자 집단에 속한 개체들의 성과 변화와 이들의

Counterfactual 즉 이들이 이직을 하지 않고 직장을 유지하 을 때의 성과 변화를 직 비교해

야 제 로 악되기 때문이다 이후 제시한 Propensity Score Matching에 의한 이직효과 측정은 이

러한 Counterfactual의 탐색에 기반한 분석 결과이다

lt표 7gt 주요 성과지표의 연간 변화 단순비교

주 1 성과지표의 변화에 한 집단 간 차이를 확인하기 하여 Mean-Difference Statistical T-test를 수행함 2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

23) 주어진 임 수 은 연간 임 상승률을 감안한 수치이기 때문에 비이직자의 임 은 불변이거나 하락하여야 정상이

다 재 악되는 비이직자들의 임 증가는 선택편의(Selection Bias) 문제에 의해 발생한 것으로 보인다 주어진 최

종샘 은 차수와 차수 모두에서 임 근로자로 악된 이들로 구성된다 취업시장에 신규로 진입하는 이들에

비하여 근속연수가 1년 많은 셈이다 한 차수에 임 근로자인 이들 임 상승폭이 작은 이들이 그 지 않은

이들보다 근로시장을 이탈할 가능성이 높다 이로 인하여 차수에 이어 차수까지 근로시장에 남아 있는 이들

은 상 으로 높은 임 상승을 보이는 것으로 단된다( 한 분석에 활용한 임 상승률이 lsquo임 구조기본통계조사rsquo의 표본으로부터 추정된 것이므로 노동패 표본과의 근본 차이로 인해 이상의 문제가 도출하 을 가능성도 일

부 배제할 수 없다)

공개채용 스카우트 소개나 추천 직 찾아가서 기타

인 네트워크

활용 구직

21 10 730 68 2

(69) (625) (8459) (1166) (556)

인 네트워크

비활용 구직

278 4 118 502 27

(9145) (250) (1367) (861) (750)

알 수 없음5 2 15 13 7

(164) (125) (174) (223) (1944)

총 사례 수 (1802명

)

304 16 863 583 36

(100) (100) (100) (100) (100)

이직 성격 분류비네트워크

경로-

네트워크

경로

비네트워크

경로-

본격 인 분석에 앞서 인 네트워크와 련하여 이직의 성격을 규명할 필요가 있다 인 네

트워크를 이직경로로 활용한 경우와 그 지 않은 경우로 구분지어 보도록 하자 이를 해 노동패

6차에서 10차까지의 체 경력직 취업자들을 상으로 한 lt부표 1gt의 lsquo경력직 취업자들의 일

자리 진입방식별 구직방법의 분포rsquo를 참조하도록 하자 노동패 에서 제공하는 일자리 진입방식

은 lsquo공개채용rsquo lsquo스카우트rsquo lsquo소개나 추천rsquo lsquo직 찾아가서rsquo lsquo기타rsquo 이 게 다섯 가지로 구분된다 이 lsquo공개채용rsquo 형태의 일자리 진입에서는 lsquo인터넷rsquo이나 lsquo매체 고rsquo를 활용한 구직이 체 사례

의 8486에 이른다 lsquo직 찾아가서rsquo 형태의 일자리 진입 역시 lsquo인터넷rsquo이나 lsquo매체 고rsquo 그리고

lsquo직 탐문rsquo 방식의 구직이 사례의 8113에 이른다 반면 lsquo소개나 추천rsquo 형태의 일자리 진입에서

는 lsquo친구나 친지rsquo를 통하거나 lsquo취업희망 직장의 지인rsquo 혹은 lsquo업무상 알게 된 지인rsquo을 통하는 경우

가 체의 81235에 이른다 즉 각 일자리 진입방식 간에 매우 뚜렷한 구직형태의 차이를 보여

주고 있다 lt부표 1gt의 성공한 구직방법 2 3 8 10 11을 인 네트워크를 활용한 구직으로 1 4 5 6 7 9를 그 지 않은 구직으로 분류하고 각 일자리 진입방식에 한 인 네트워크 활용도를

추산해 보면 다음 lt표 8gt과 같이 요약된다

lt표 8gt 일자리 진입방식별 이직의 성격 분류

주 ( ) 안은 각 일자리 진입방식에 한 이직 성격의 비 을 백분율로 표시함 자료 lt부표 1gt를 재구성한 것임

lt표 8gt에 요약된 바와 같이 lsquo공개채용rsquo과 lsquo직 찾아가서rsquo 형태의 일자리 진입에서 인 네트

워크를 활용하지 않은 구직이 각기 9145와 861에 이른다 반면 lsquo소개나 추천rsquo에서는 인 네

트워크를 활용한 구직이 8459에 이른다 이를 바탕으로 본 분석에서는 lsquo공개채용rsquo과 lsquo직 찾아

가서rsquo를 lsquo비네트워크 경로 이직rsquo으로 lsquo소개나 추천rsquo을 lsquo네트워크 경로 이직rsquo으로 구분한다 이 분류

에 따르면 15705명의 최종샘 에서 이직자로 악된 1560명 1438명의 체 인 구직경로 구

분이 가능하다 이 999명이 네트워크 경로 이직자로 439명이 비네트워크 경로 이직자로 분류

된다 한 앞서 PS가 추정된 12754명 에는 1391명이 이직자인데 그 891명은 네트워크 경

로 이직자로 387명은 비네트워크 경로 이직자로 분류된다

1 이직을 통한 개인만족도의 변화

아래 세 개의 도표 lt표 9gt lt표 10gt lt표 11gt은 이직을 통하여 개인의 만족도가 개선되는지의

여부를 PSM을 통하여 검증한 것이다 각각의 만족도지수(직장만족도 직무만족도 일자리만족도)에 하여 세 가지 방식의 PSM 추정치(Five Nearest Neighbors Radius Matching Kernel Matching)를

제시하고 있다앞서 lt표 7gt의 단순비교에서는 이직자와 비이직자의 연간 만족도변화가 100 만 에서

4058 (직장만족도) 3389 (직무만족도) 2662 (일자리만족도)만큼 차이가 나는 것으로 집계

되었다 그러나 PSM 방식으로 재추정된 이직의 만족도 개선효과는 각각 약 250 (직장) 216(직무) 155 (일자리)으로 나타났다24) 종합하면 단순비교 방식(표 7)은 PSM 활용방식(표 9

표 10 표 11)에 비해 이직의 만족도 개선효과를 약 1~15 만큼 과 추정하고 있음을 확인할 수

있다 이러한 상이 나타난 이유는 실제 이직한 이들이 그 지 않은 이들에 비해 기존 직장에서

의 만족도가 상 으로 낮았다는 데 있다 를 들어 주어진 최종샘 에서 이직자들의 기존 직장

에서의 직장만족도는 평균 5071 을 보이는 반면 같은 시기 비이직자들의 평균 직장만족도는 이

보다 무려 7 가까이 높은 5724 으로 나타났다 따라서 단순비교 방식에서는 이직을 통한 만족

도 개선효과가 다소 과장되어 추산되기 마련이다 이들 이직한 이들이 만약 기존 직장에 그 로 남아 있었다면 (이들의 만족도가 상 으로 낮

은 수 이므로) 다른 이들에 비해 보다 높은 수 의 만족도 개선을 한 해 사이에 경험하 을 것이

다 실제로 체 비이직자들의 연간 만족도의 변화가 각기 -0334 (직장) -0428(직무) 0282 (일자리)에 그치는 데 반해 실험군(이직자 집단)의 Counterfactual 즉 PS를 사용하여 실험군 개체에 매

칭된 (비이직자 집단 내) 조군 개체들의 만족도 변화는 각기 113 (직장) 066 (직무) 133 (일자리)에 이르 다(각 표의 lsquo매칭된 조군 변화(B)rsquo 항목 참조) 실험군 Counterfactual에서의 만족도

개선폭이 여타 비이직자들의 연간 만족도 개선폭보다 략 1 이상 높게 나타나는 것이다 이상

의 선택편의(Selection Bias) 문제가 히 통제될 때 이직의 순효과가 바르게 추정될 수 있다 앞서 시한 PSM 방식으로 추정된 이직의 만족도 개선효과는 이러한 선택편의 문제를

Counterfactual Framework으로 극복한 추정 결과라 할 수 있다 그럼 네트워크 경로 이직과 비네트워크 경로 이직 사이에 뚜렷한 차이가 존재하는지 살펴보도

록 하자 표에서 확인할 수 있듯이 두 경우 모두 이직의 만족도 개선효과가 통계 으로 유의한 수

에서 명확히 확인된다 네트워크 경로의 이직에서는 만족도 개선의 효과가 각기 220 (직장) 158 (직무) 117 (일자리)으로 확인되었고 비네트워크 경로의 이직에서는 각기 263 (직장) 284 (직무) 207 (일자리)으로 확인되었다 흥미로운 부분은 비네트워크 경로의 이직에서 이직

을 통한 만족도 개선의 효과가 소폭 높게 나타난 이다 이는 비네트워크 이직 사례들이 상당수

의 lsquo공개채용rsquo 입사자를 포함하기 때문에 나타난 상으로 보인다 lsquo공개채용rsquo은 주로 종업원 300인 이상의 규모가 큰 기업에서 집 으로 활용되고 있다25) 이들 큰 기업에 lsquo공개채용rsquo으로 입사

한 이들은 그 직장에 비해 주 인 만족도가 크게 향상되었을 것이다 이러한 lsquo공개채용rsquo 사례들이 비네트워크 이직의 만족도 개선효과를 다소 증폭시키는 역할을 하 을 것으로 추정된다

반면 비네트워크 이직을 통한 만족도 개선이 네트워크 이직에 비해 다소 크다고 하여 이것이

24) 이는 분석에 사용된 세 가지 방식의 PSM 추정치들을 산술평균하여 정리한 수치들임 25) 이 부분에 한 구체 인 설명은 발간 정인 한국개발연구원 정책연구시리즈 lsquo인 네트워크(개인의 사회 자본)

의 노동시장 효과 분석rsquo을 참조하기 바란다 ( 자에게 요청시 수령가능함)

이직과정에서의 인 네트워크 요성은 인정되지 않는다는 식으로 해석될 수 없음을 유념하여야

한다 국내 이직과정에서의 인 네트워크 의존도는 해외 주요국에 비해 상당히 높은 수 이다 략 65 안 의 경력직 취업자들이 인 네트워크를 활용하여 구직에 성공하 다고 추정되고 있

다26) 만약 재 이직을 고려하고 있는 국내 한 근로자가 구직활동에서 인 네트워크 활용을 포기

한다면 이 근로자의 이직 성공 가능성은 매우 낮아질 것이다 즉 개인의 이직 성공률을 높이기

해서는 평소에 꾸 한 구직 네트워크 리가 요청된다 할 수 있다 특히 이직수요라는 것은 많은

경우 자신의 의도와는 다르게 외부 충격으로 인해 발생한다 회사의 경제 환경이 변화하기도

하지만 자신의 심사가 바 기도 하고 가족의 갖가지 필요에 의해 이직이 요구되기도 한다 즉 언제 발생할지 모르는 이직수요에 히 응하기 해서는 이직의 주요한 통로라 할 수 있는 인

네트워크에 한 상시 리가 요청되는 것이다 따라서 이직을 고려한 인 네트워크의 상시

리 이를 한 개인의 갖가지 비용 지출은 향후 발생 가능한 험에 처하기 하여 자동

차나 암 보험을 구매하는 것과 같이 기꺼이 지불해야 할 미래에 한 투자라 할 수 있다

26) 역시 한국개발연구원 정책연구시리즈 lsquo인 네트워크(개인의 사회 자본)의 노동시장 효과 분석rsquo을 참조하기 바

란다

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1371) 3662 1201 2460 403

조군(11274) (0610)

Radius Matching 실험군(1362) 3543 1009 2534 436

조군(11274) (0581)

Kernel Matching(Normal) 실험군(1372) 3659 1165 2494 434

조군(11274) (0564)

체 이직효과 평균 362 113 250

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 3309 1169 2140 293

조군(11274) (0730)

Radius Matching 실험군(879) 3231 0939 2292 331

조군(11274) (0693)

Kernel Matching(Normal) 실험군(881) 3309 1146 2162 315

조군(11274) (0686)

네트워크 이직효과 평균 328 108 220

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(380) 4224 1525 2699 224

조군(11274) (1206)

Radius Matching 실험군(373) 3981 1438 2543 217

조군(11274) (1171)

Kernel Matching(Normal) 실험군(381) 4213 1565 2647 230

조군(11274) (1149)

비네트워크 이직효과 평균 414 151 263

lt표 9gt 이직을 통한 직장만족도 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1377) 2850 0701 2149 363

조군(11285) (0592)

Radius Matching 실험군(1368) 2767 0626 2140 381

조군(11285) (0562)

Kernel Matching(Normal) 실험군(1378) 2852 0648 2204 398

조군(11285) (0554)

체 이직효과 평균 282 066 216

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(884) 2302 0808 1494 211

조군(11285) (0707)

Radius Matching 실험군(882) 2256 0658 1598 238

조군(11285) (0670)

Kernel Matching(Normal) 실험군(884) 2302 0654 1648 249

조군(11285) (0661)

네트워크 이직효과 평균 229 071 158

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 3648 0577 3072 269

조군(11285) (1142)

Radius Matching 실험군(374) 3463 0774 2688 245

조군(11285) (1098)

Kernel Matching(Normal) 실험군(382) 3652 0888 2764 257

조군(11285) (1077)

비네트워크 이직효과 평균 359 075 284

lt표 10gt 이직을 통한 직무만족도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1375) 2909 1571 1338 217

조군(11261) (0617)

Radius Matching 실험군(1366) 2818 1276 1543 262

조군(11261) (0588)

Kernel Matching(Normal) 실험군(1376) 2907 1147 1760 303

조군(11261) (0581)

체 이직효과 평균 288 133 155

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(882) 2523 1626 0897 121

조군(11261) (0742)

Radius Matching 실험군(880) 2472 1246 1225 173

조군(11261) (0707)

Kernel Matching(Normal) 실험군(882) 2523 1139 1383 198

조군(11261) (1697)

네트워크 이직효과 평균 251 134 117

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 3609 1499 2110 176

조군(11261) (1196)

Radius Matching 실험군(374) 3409 1530 1879 163

조군(11261) (1151)

Kernel Matching(Normal) 실험군(382) 3599 1365 2235 197

조군(11261) (1133)

비네트워크 이직효과 평균 354 146 207

lt표 11gt 이직을 통한 일자리만족도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이 를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

2 이직을 통한 배치효율성의 변화

다음은 이직의 다른 측면인 일자리 재배치의 문제에 해 살펴보고자 한다 이직은 각 개인

에 있어서는 직장생활의 변화라 할 수 있지만 기업의 입장에서는 노동인력의 교환에 해당한다 따라서 이직을 통한 노동인력의 재배치가 과연 사회 반의 경제 이익을 창출하고 있는지를 따

져 볼 필요가 있다 앞서 lt표 7gt에서 기술수 교육수 교육기술복합지수 이 세 가지 합도에 해 이직자

비이직자 집단 내의 연간 변화를 정리한 바 있다 여기서 비이직자의 경우 각 지수에서 연간 합

도가 소폭 하락한 것으로 나타났고 이직자의 경우 합도가 크게 상승한 것으로 나타났다 비이

직자는 기술수 의 합도에서 0058 이 교육수 의 합도에서 0142 이 그리고 교육기술수

의 복합지수에서는 0091 이 하락한 데 반해 이직자들은 각기 2350 (기술) 2556 (교육) 2422(복합지수)의 합도 상승이 발견되었다 비이직자들의 합도 하락은 기술이나 경제환경의 변

화와 한 련이 있다 경쟁력 있는 기술 이에 한 사회 수요가 시간에 따라 변화하므로 직장에서의 자신의 기술 혹은 교육수 은 (평균 으로 보아) 이 보다 합성이 다소 떨어지게

마련이다 반면 이직자들의 합도 상승이 과연 이직의 순효과인지에 해서는 여 히 의문의 여

지가 크다 이직을 결행한 이들은 이 직장에서의 직무 련 합도가 평균 으로 크게 떨어지는

이들이다 를 들어 최종샘 에서 이직을 하지 않은 이들의 한 해 기술 합도는 평균 9066인 데 반해 이직을 결행한 이들의 한 해 (이 직장에서의) 기술 합도는 평균 8547 에 머무

는 것으로 나타났다 이들은 애 에 워낙 합도가 떨어지기 때문에 굳이 이직을 택하지 않더라

도 직무재배치나 직장 내 부서이동 등을 통하여 1년 사이에 상당한 정도의 합도 개선을 이루었

을 것으로 상된다따라서 이직을 통한 배치효율성의 개선효과 즉 반 인 근로자의 직무 련 합도 상승효

과를 명확히 규명하기 해서는 이직한 이들이 이직을 하지 아니하 을 때에 상되는 합도의

개선을 우선 추정해 볼 필요가 있다 이것은 앞서 설명하 듯이 Counterfactual의 추정을 통해서만

이 가능하다 lt표 12gt lt표 13gt lt표 14gt는 PSM을 이용하여 비이직자들의 정보로부터 이직자들의

Counterfactual을 추정한 뒤 이를 보고하고 있다 세 방식(Five Nearest Neighbors Radius Matching Kernel Matching)의 추정치를 산술평균하면 기술 합도에서는 088 교육 합도에서는 057 교육

기술복합지수에서는 075 의 상승이 확인되었다(각 표의 lsquo매칭된 조군 변화(B)rsquo 항목을 참조) 이를 실험군 즉 실제 이직자들의 합도 상승(각 표의 lsquo실험군 변화(A)rsquo 항목)과 비교하면 순이직

효과는 각기 131 (기술) 183 (교육) 140 (복합지수)에 이르는 것으로 결론지을 수 있다 반

면 교육과 복합지수에서는 이들 순이직효과가 통계 으로 유의하게 나타났으나 기술수 의

합도에서는 이 효과가 통계 으로 뚜렷하지 않았다 10의 유의도에서 검증할 때 Kernel Matching을 제외한 나머지 두 개의 PSM 매칭에서 통계 유의성을 확보할 수 없었다 이에 이직

을 통한 교육수 의 합도 개선효과는 분명한 반면 기술수 의 합도 개선은 통계 으로 입증

되지 않는다고 결론지을 수 있다 교육기술복합지수의 경우 이 두 가지 효과가 첩되어 나타난

것으로 교육수 의 합도 개선이 워낙 뚜렷하기 때문에 통계 으로 유의한 지수상승이 나타난

것으로 단된다 이상과 같이 이직을 통해 교육수 합도의 개선이 보다 효과 으로 이루어지

는 것은 채용과정에서 후보자의 교육수 이 기술수 에 비해 객 인 자료를 이용하여 검증하

기가 보다 용이하기 때문인 것으로 보인다

그럼 이직을 통한 배치효율성 개선 측면에서 인 네트워크의 역할을 살펴보도록 하자 네트

워크 경로 이직과 비네트워크 경로 이직으로 나 어 이직효과를 각기 추정해 보면 둘 사이에 의

외의 뚜렷한 차이가 존재함을 확인할 수 있다 네트워크 경로의 이직인 경우 이직을 통한 합도

개선효과가 통계 으로 유의한 수 에서 매우 높게 나타난다 이직의 순효과는 각기 213 (기술) 252 (교육) 126 (복합지수)에 이른다 반면 비네트워크 경로의 이직인 경우 이 효과는 모두 사

라져 버린다 즉 이직효과는 기술 합도 교육 합도 교육기술복합지수 모두에서 양과 음을 반복

하고 통계 유의성도 확보되지 않는다 즉 비네트워크 경로를 통한 이직에서는 일자리 재

배치를 통한 사회 반의 경제 이득을 기 할 수 없는 것이다 앞서 교육 합도 개선에 있어 이

직의 반 인 효과가 통계 으로 강하게 나타났는데 이 효과의 부분은 비네트워크 경로 이직

보다는 네트워크 경로 이직으로부터 창출된 것임을 짐작할 수 있다 특히 기술 합도를 보면 이직자들의 합도 개선은 네트워크와 비네트워크 이직 사이에 뚜렷

한 차이를 보이는데 네트워크 이직자들의 합도 개선은 평균 292 인 데 반해 비네트워크 이직

자들의 합도 개선은 평균 048 에 그친다 인 네트워크를 활용하지 않고 이직을 하 을 경우 이직을 하 음에도 불구하고 기술 합도의 개선은 평균 으로 거의 기 되지 않는 것이다 이는

앞서 주 만족도의 개선효과와 비교하여 매우 상반된 결과에 해당한다 이직을 통한 주 만

족도의 개선에서는 네트워크와 비네트워크 이직 모두 그 효과가 분명하 으며 특히 비네트워크

이직자들의 주 만족도 개선폭은 3 내지 4 에 이르 다 이는 네트워크 이직자들의 만족

도 개선폭에 비해서도 1 가량 높은 수치 다 따라서 이직이 반 으로 개인의 주 만족도

를 개선하는 효과가 있으나 배치효율성의 개선 측면에서는 오직 인 네트워크에 의존한 이직만

이 재배치의 분명한 경제 효과를 평균 으로 창출한다고 결론지을 수 있다 이러한 네트워크와 비네트워크 사이의 뚜렷한 이직효과의 차이는 네트워크가 지닌 정보 달

기능에 기인한 것으로 단된다 인 네트워크는 구인자와 구직자 사이에 훌륭한 정보 달 기능

을 수행하고 있다 구직자에게는 어떠한 일자리가 구직자의 기술능력 혹은 교육수 에 비추어

합한지에 한 정보를 제공하고 구인자에게는 구인자가 필요로 하는 합한 기술의 소유자가

구인지에 한 정보를 제공하는 것이다 이는 평소에 구인자와 구직자 모두를 아우르는 간 매개

로서의 인 네트워크가 있었기에 가능한 것이다 반면 비네트워크에서는 이러한 효과를 기 하

기 힘들다 비네트워크 채용에서는 주어진 서류와 단시간의 인터뷰 혹은 직무능력 테스트만을 가

지고 합한 인력을 선발하여야 한다 lsquo공개채용rsquo의 경우 많은 지원자들의 경쟁을 거치므로 상으로 보다 합한 후보자를 선별할 수 있을 것이다 그러나 lsquo직 찾아가서rsquo 형태의 입사에서는

이러한 경쟁의 과정 역시 생략되므로 높은 합도를 지닌 후보의 채용은 더욱 기 하기 힘들다 정리하자면 인 네트워크는 국내 노동시장에서 일자리와 일자리 후보 사이의 활발한 정보 달

기능을 수행함으로써 노동시장의 효율 작동을 돕고 있는 것이다 끝으로 이러한 네트워크 이직의 배치효율성이 모든 이직 사례에 일 으로 용되는 것이

아님을 주지할 필요가 있다 인 네트워크가 구인과 구직 사이의 lsquo연결(Networking)rsquo 기능을 수행

할 때 이상의 정 인 효과를 기 할 수 있을 것이나 이 둘 사이의 lsquo연 rsquo로서 기능할 때는 오히

려 역효과를 래할 수 있다 즉 인 네트워크를 통하여 합하지 않은 지원자를 연 로 채용시

키는 경우 해당 일자리에 한 매치 합성은 네트워크 이직으로 인해 오히려 감퇴할 수 있다 우리는 이상의 분석을 통하여 국내 노동시장에서 네트워크 이직의 반 인 교육 기술 수

합도 개선효과를 확인한 바 있다 이는 국내 노동시장의 고용 로세스에서 lsquo연 rsquo의 부정 효과

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1374) 2220 1095 1124 121

조군(11245) (0929)

Radius Matching 실험군(1365) 2088 0735 1353 155

조군(11245) (0874)

Kernel Matching(Normal) 실험군(1375) 2255 0795 1460 168

조군(11245) (0869)

체 이직효과 평균 219 088 131

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 2951 0919 2032 181

조군(11245) (1125)

Radius Matching 실험군(879) 2844 0746 2098 198

조군(11245) (1057)

Kernel Matching(Normal) 실험군(881) 2951 0702 2250 214

조군(11245) (1049)

네트워크 이직효과 평균 292 079 213

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 0525 2297 -1772 -096

조군(11245) (1840)

Radius Matching 실험군(374) 0267 0868 -0600 -034

조군(11245) (1753)

Kernel Matching(Normal) 실험군(382) 0654 1297 -0642 -037

조군(11245) (1746)

비네트워크 이직효과 평균 048 149 -100

보다는 구인구직 간 lsquo연결rsquo이라는 네트워크의 정 효과가 보다 강하게 작동하고 있음을 시사

한다

lt표 12gt 이직을 통한 기술적합도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1380) 2428 0630 1797 193

조군(11300) (0931)

Radius Matching 실험군(1371) 2298 0496 1802 207

조군(11300) (0872)

Kernel Matching(Normal) 실험군(1381) 2462 0586 1876 216

조군(11300) (0869)

체 이직효과 평균 240 057 183

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(886) 3047 0342 2705 245

조군(11300) (1106)

Radius Matching 실험군(884) 2885 0528 2357 227

조군(11300) (1037)

Kernel Matching(Normal) 실험군(886) 3047 0551 2496 243

조군(11300) (1029)

네트워크 이직효과 평균 299 047 252

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(382) 1702 2007 -0305 -016

조군(11300) (1891)

Radius Matching 실험군(375) 1600 0559 1041 058

조군(11300) (1788)

Kernel Matching(Normal) 실험군(383) 1828 0910 0917 051

조군(11300) (1793)

비네트워크 이직효과 평균 171 116 055

lt표 13gt 이직을 통한 교육적합도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1374) 2293 0893 1399 155

조군(11245) (0904)

Radius Matching 실험군(1365) 2161 0641 1520 179

조군(11245) (0850)

Kernel Matching(Normal) 실험군(1375) 2327 0711 1616 191

조군(11245) (0847)

체 이직효과 평균 226 075 140

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 2951 0643 2308 212

조군(11245) (1087)

Radius Matching 실험군(879) 2816 0662 2154 211

조군(11245) (1021)

Kernel Matching(Normal) 실험군(881) 2951 0645 2306 228

조군(11245) (1014)

네트워크 이직효과 평균 291 065 226

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 1115 2233 -1118 -062

조군(11245) (1816)

Radius Matching 실험군(374) 0936 0749 0187 011

조군(11245) (1727)

Kernel Matching(Normal) 실험군(382) 1243 1131 0112 007

조군(11245) (1726)

비네트워크 이직효과 평균 110 137 -027

lt표 14gt 이직을 통한 교육기술복합지수의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

3 이직을 통한 임금수준의 변화

다음은 이직을 통한 임 수 의 변화가 실재하는지 검토하고자 한다 네트워크 이직과 비네트

워크 이직을 나 어 볼 때 앞서 우리는 네트워크 이직이 일자리 매치 합도를 히 개선한다

고 밝힌 바 있다 임 이 근로자의 생산성 기여분을 그 로 반 한다고 한다면 네트워크 이직에

따른 매치 합도의 개선은 근로자의 임 상승으로 이어져야 할 것이다 앞서 lt표 7gt의 단순비교에서 이직자들의 연간 임 상승분이 평균 9088만원 비이직자들의 연

간 임 상승분은 2782만원으로 집계된 바 있다 둘 사이의 격차가 6307만원에 이른다 한 해 사

이에 이직한 이들의 연간 임 상승폭이 직장을 그 로 유지한 이들의 연간 임 상승폭 보다

히 높은 수 인 것이다 하지만 이러한 단순비교는 선택편의(Selectoin Bias) 문제를 역시 고려하지

않고 있으므로 이직의 직 인 임 상승효과라 볼 수는 없다 즉 실제로 이직을 결행한 이들의

이직 임 수 은 같은 시기 직장을 그 로 유지한 이들에 비해 상 으로 낮은 수 일 가능

성이 높다 이들이 직장을 그 로 유지하 다면 다른 이들에 비해 히 높은 수 의 임

상승을 경험하 을 것이다 실제 이직한 이들이 만약 이직을 하지 않고 직장을 그 로 유지하

을 때 상되는 임 상승분 즉 이직자 임 상승분의 Counterfactual을 PSM 방식을 활용하여 추

정한 수치가 lt표 15gt의 lsquo 조군 변화(B)rsquo에 요약되어 있다 이에 따르면 실제 이직자들이 이직을

하지 않았을 때 기 할 수 있는 임 상승분은 략 5만원 정도에 이르는 것으로 나타난다 따라

서 이직에 따른 임 상승의 순효과는 앞서 제시한 6307만원이 아닌 이보다 상당히 축소된 386만원이다 이는 lt표 15gt에 정리된 바와 같이 PSM을 활용한 세 가지 추정치의 산술평균으로 추산

된 값이다 한 이러한 이직의 임 상승효과는 통계 으로도 유의한 것으로 확인되었다 반면 네트워크 경로 이직자와 비네트워크 경로 이직자의 임 상승분을 비교해 보면 둘 사이

에 상당한 격차가 존재함을 쉽게 확인할 수 있다 네트워크 이직자들의 이직을 통한 임 상승효과

는 통계 으로 유의한 수 에서 략 384만원으로 추정되는 반면 비네트워크 이직자들의 임

효과는 -077만원이고 이는 통계 으로도 유의하지 않다 즉 네트워크를 활용하여 이직하 을

때 뚜렷한 임 상승이 기 되는 반면 인 네트워크를 활용하지 않고 이직하 을 때는 이 효과

를 확신할 수 없을 뿐더러 다소 하락할 가능성도 있는 것이다 따라서 앞서 확인된 이직을 통한

반 인 임 상승의 효과는 네트워크 이직을 통해 창출된 효과이며 비네트워크 이직을 통한

기여는 뚜렷하지 않은 것으로 결론지을 수 있다이직은 새로운 일자리에 자신의 기술 직무 능력을 응시키는 과정이다 따라서 임 상승

효과가 이직 기에 항상 담보되지는 않을 것이다 반면 인 네트워크를 활용하 을 때 자신에

게 보다 합한 일자리에 배치됨으로써 즉 자신의 능력과 잠재력을 보다 잘 발휘할 수 있는 직무

에 재배치됨으로써 이상의 추가 인 임 상승을 기 할 수 있는 것이다 이는 앞서 이직을 통한

배치효율성 검증에서 확인되었던 네트워크 이직의 기술수 (혹은 교육수 ) 합도 상승효과와

일맥상통하는 결과이다 인 네트워크를 활용한 이직은 임 근로자를 보다 합한 일자리에 재

배치하는 데 일조하고 이것이 생산성에의 보다 높은 기여를 창출함으로써 이직자들의 추가 인

임 상승으로 이어지는 것이다물론 이러한 해석은 평균 인 추세를 반 한 것임에 유념할 필요가 있다 네트워크 이직의 사례

에는 앞서 말한 생산 인 lsquo연결rsquo 효과가 아닌 비생산 인 lsquo연 rsquo 효과 혹은 정실인사(Nepotism)가

작동한 경우들도 상당할 것이다 이 경우 생산성에의 기여가 충분하지 않음에도 불구하고 기술이

나 능력에 비해 임 을 후하게 설정할 가능성이 높다 이러한 lsquo연 rsquo형 이직을 통한 임 상승 역

시 네트워크 이직의 임 상승효과라 볼 수는 있겠으나 이것이 일자리 배치효율성의 개선을 반

한다고 볼 수는 없는 것이다 따라서 앞서 추정한 네트워크 이직의 임 상승효과 384만원이

으로 일자리 매치 합도 개선효과에서 기인한다고 단정 지을 순 없다 한 비네트워크 이직 역

시 평균 으로 임 상승의 효과가 포착되지 않은 것일 뿐 비네트워크 이직의 표본 에는 실제로

임 이 크게 상승한 사례들도 상당히 존재할 수 있다 를 들어 lsquo공개채용rsquo 방식의 입사인 경우 경합자들에 비해 채용 합격자의 해당 일자리 합성이 보다 우수하다고 단되어 채용된 사례가

많을 것이다 이 게 경쟁을 거쳐 채용된 이들은 이 에 비해 상당히 높은 수 의 임 상승을 기

할 수 있다 반면 비네트워크 이직에서 반 인 임 상승의 효과가 포착되지 않는 것은 비네트워크 이직

이 격한 주 만족도의 개선을 이끌었던 것과 비교하여 매우 조 인 상이다 많은 이들의

상식과는 달리 이직의 결정은 임 만족도 수 과 직결되어 있지 않다 앞서 제4 에서 우리는 이

직의 향요인들을 분석해 본 바 있다 이직의 결정이 업무만족도 복지후생만족도 취업 안정성에

한 만족도 등 다양한 요소에 민감하게 반응하는 반면 임 에 한 만족도와는 통계 으로 유의

한 수 에서의 연 성이 포착되지 않았다 개인의 이직 결정은 임 이외에 다양한 요소들을 종합

으로 고려한 단 결과라 할 수 있다 체로 이직은 다양한 방면에서 개인의 주 만족도를

격하게 향상시킨다 반면 자신의 기술(교육)수 과 일자리의 매치 합성의 문제는 이직자들에

게는 부차 인 고려 상에 해당한다 임 수 의 개선 역시 이직 시 고려되는 한 요소이겠으나 인 요소는 아니고 다양한 향요인 의 하나로 볼 수 있는 것이다 이러한 에서 비네트워

크 이직이 다소 상반된 효과(즉 주 만족도의 한 개선효과와 미미한 수 의 임 개선효

과)를 동시에 보여주고 있는 것은 일견 자연스러운 상이다

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1375) 8887 5274 3613 184

조군(11340) (1962)

Radius Matching 실험군(1366) 8842 4813 4029 208

조군(11340) (1936)

Kernel Matching(Normal) 실험군(1376) 8861 4916 3945 206

조군(11340) (1880)

체 이직효과 평균 886 500 386

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(882) 8943 5519 3423 150

조군(11340) (2285)

Radius Matching 실험군(880) 8827 4855 3972 178

조군(11340) (2231)

Kernel Matching(Normal) 실험군(882) 8943 4819 4124 186

조군(11340) (2217)

네트워크 이직효과 평균 890 506 384

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 4772 5672 -0900 -024

조군(11340) (3685)

Radius Matching 실험군(374) 4805 5201 -0396 -011

조군(11340) (3661)

Kernel Matching(Normal) 실험군(382) 4691 5716 -1025 -028

조군(11340) (3601)

비네트워크 이직효과 평균 476 553 -077

lt표 15gt 이직을 통한 임금수준의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

VIII 구직 네트워크의 사회적 자본 추정

근로자 개인의 측면에서 구직 네트워크의 가치를 추정해 보자 앞서 네트워크 이직을 통한 임

상승효과를 3840만원으로 추정하 다 이는 2008년 기 액이다 연간 물가상승률을 감안하

면27) 2010년 재가로 4074만원에 해당한다 평소에 구직 네트워크를 히 리하여 이직에서

이를 활용한다면 한 번의 이직으로 4만원 안 의 추가 인 임 상승을 기 할 수 있는 것이다 연으로는 489만원 가량의 임 이 이직 이후 매년 추가 으로 지 되는 것으로 해석될 수 있다28)

한편 이직이라는 것은 근로자의 생애를 걸쳐 발생하는 사건이다 임 근로자를 심으로 한

재의 최종샘 에서 연간 일자리 이동비율은 평균 993에 이른다 직종 업종에 따라 혹은 재

직 회사의 규모에 따라 이직률에는 상당한 차이가 있겠으나 체 임 근로자를 상으로 하 을

때 략 10년에 한 번 정도의 이직이 상되는 것이다 임 근로자의 생애를 걸쳐 살펴보면

이직은 주로 직장생활 후기보다는 기에 집 되어 있다 [그림 5]는 최종샘 15705명 임 근로

자를 상으로 한 각 연령별 이직률 추이를 나타낸다 생애 이직률은 20 후반에 가장 높고 30 반에 주춤하다가 30 후반에 다시 상승하고 40 이후에 하강하는 추세임을 확인할 수

있다

[그림 5] 연령별 이직률(26세부터 59세까지)

(단 )

0

2

4

6

8

10

12

14

16

18

26 28 30 32 34 36 38 40 42 44 46 48 50 52 54 56 58

연령(만)

자료 노동패 5차부터 10차까지

이를 활용하면 임 근로자 한 사람이 평생에 걸쳐 기 할 수 있는 이직의 임 상승효과를 추

정해 볼 수 있다 첫 취업의 평균연령이 265세임을 고려하여 표 인 임 근로자(A Representative Worker)가 26세부터 60세까지 노동시장에 참여한다고 가정해 보자 인 네트워크

27) 여기에 연평균 물가상승률 3를 용하 다 실제 임 상승률도 2009년의 임 이 융 기 여 로 거의 동결이었

음을 고려할 때 2년간 략 6에 해당한다 28) 여기서는 네트워크 이직의 임 리미엄(연 489만원 상승)이 이직 후 매년 지속된다고 가정하고 있다 실제로

리미엄이 상당 기간 지속되는지 아니면 이직 후 빠르게 축소되는지에 한 국내 실증분석은 향후 과제로 남겨져

있다

를 활용한 이직만이 평균 인 임 상승효과를 가져온다는 을 고려할 때 구직 네트워크의 생애

가치()는 다음과 같이 요약된다29)

times timestimestimes (11)

여기서 는 연령 에서의 상 이직률(Job Transfer Rate)을 나타낸다 은 이직 시 인 네

트워크에 한 의존도 수 이다 는 네트워크 이직에 따른 월평균 임 상승의 효과이다 여기

에 [그림 5]에 요약된 이직률의 생애 추이를 에 입하자 여기서 경력직 이직자의 인 네트

워크 의존도가 60 반(plusmn5 이내)으로 추산된 을 고려하여 에 64를 입하도록 하자30) 그리고 에 앞서 추정한 네트워크 이직의 임 상승효과 4074만원(2010년 기 )을 입하면 구직 네트워크의 생애 가치()는 18720만원으로 집계된다 만약 에 이직률의 생애 추

이 신 최종샘 에서 구한 평균이직률 993를 연령 에 걸쳐 일률 으로 사용한다면 이와

유사한 수치인 18486만원을 얻을 수 있다 따라서 한국사회 임 근로자 한 사람의 구직 네트워크

가치는 보상 측면에서 략 일천 1870만원 수 인 것으로 결론지을 수 있다 물론 이 수치는 이직을 통한 이득만을 반 하고 있을 뿐 주 만족도의 개선효과는

반 하고 있지 않다 앞서 우리는 일자리 이동을 통해 창출되는 개인의 만족도 변화를 직장만족

도 직무만족도 일자리만족도 이 세 가지 측면에서 고려해 보았다 네트워크 이직과 비네트워크

이직 모두 만족도의 개선효과를 보 다 그러나 국내 노동시장에서 이직의 약 60 이상이 인

네트워크에 의존하고 있음을 고려할 때 임 근로자 한 개인이 구직 네트워크를 리하지 않는다

면 그의 이직률은 에서 60 이상 추락할 것이다 이를 고려하여 구직 네트워크의 생애 만족

도 개선효과()를 다음과 같이 요약할 수 있다31)

timestimestimestimes (12)

여기서 는 네트워크 이직을 통한 주 만족도의 개선폭을 나타낸다 앞서 네트워크 이직

이 창출하는 주 만족도의 개선효과가 100만 에서 220 (직장만족도) 158 (직무만족도) 117 (일자리만족도) 정도임을 확인하 다 이 세 수치의 평균치가 네트워크 이직의 만족도 개선

효과를 히 변하고 있다고 한다면 의 략 인 추정치는 165 이 된다 이를 입하면

구직 네트워크의 만족도 개선효과는 략 7582 으로 추산된다 만족도 1 을 으로 환산하

여 만원에 해당한다고 표시하면 구직 네트워크의 임 근로자 일인당 생애가치()는 임

상승효과()와 만족도 개선효과()의 합으로써 다음과 같이 요약된다

equiv (=18720+7582) (13)

구직 네트워크의 가치 (18720+7582n)만원이 함의하는 바를 명확히 규정하기는 쉽지 않다 특히 개인마다 일자리에서 얻는 주 만족도를 가치로 환산하는 방식이 다를 것이다 를 들

29) 구직 네트워크의 재 가치를 추산하기 해서는 시간할인률을 용할 필요가 있으나 여기서는 이를 생략하 다 시간할인률이 용된 추정치는 재 계산된 값보다 다소 하락할 것이다

30) 이에 한 보다 구체 인 설명은 본 논문의 보다 상세한 내용이 실린 한국개발연구원 정책연구시리즈로 출간 정

인 lsquo인 네트워크(개인의 사회 자본)의 노동시장 효과 분석rsquo 보고서를 참조 바란다 31) 앞서와 마찬가지로 구직 네트워크의 재 가치를 추산하기 해서는 시간할인률을 용할 필요가 있으나 여기서는

이를 생략하 다 시간할인률이 용된 추정치는 재 계산된 값보다 다소 하락할 것이다

어 어떤 이들에게는 이득만이 요하고 주 만족도는 경시될 수 있다 이들에게 n은

lsquo0rsquo에 가까운 것이다 반면 다른 이들에게는 일자리에서 얻는 주 만족도가 임 소득보다

몇 배 이상 요할 수 있다 이들에게 n은 1보다 큰 양수가 될 것이다 구직 네트워크의 가치를 수

치로 악해 보고자 n=1인 근로자를 상정해 보자32) 이 사람에게 만족도 1 은 1만원만큼의

효용을 창출한다 이 근로자에게 구직 네트워크의 종합 가치는 26302만원에 이른다고 평가할

수 있다 이러한 구직 네트워크의 종합 가치를 개인의 물 혹은 인 자본과 별하여 근로자

개인의 구직 네트워크 사회 자본이라 명할 수 있다추정한 구직 네트워크의 가치인 (18720+7582n)만원은 한국사회의 임 근로자 각 개인이 구직

네트워크의 유지 리를 하여 기꺼이 지불할 용의가 있는 비용을 나타낸다 만족도 1 이 1만원의 효용이 있다면 즉 n=1이라면 이는 1224개월치 월 ( 략 일년치 연 )에 해당한다33) 이는 결코 작지 않은 액수이다 한국사회의 구성원들은 다양한 방식으로 네트워크를 리하고 있다 동창회 동호회 업계 계자와의 술자리 각종 경조사 참여 Social Network Service(SNS) 활동 등

이 이에 해당한다 이들 활동은 그 자체로서 정서 효용을 창출하지만 생 인 경제 이득

한 간과할 수 없다 이는 업무에 필요한 유용한 정보의 획득이나 업거래망의 확장이기도 하고 구직 네트워크의 변 확 자기 PR(Public Relations)이기도 하다 네트워크의 리는 그에 상

응하는 비용을 수반한다 이는 만남에 따른 지출에서부터 시간사용까지를 포함한다 구직

네트워크의 효과성 측면에서 보았을 때 한국사회 근로자 개인은 상당한 비용( 를 들어 n=1인 경

우 략 일년치 연 에 해당하는 비용)을 구직 네트워크의 유지 리를 하여 생애를 거

쳐 기꺼이 지불할 용의가 있다고 볼 수 있는 것이다

IX 결론

이제까지 우리는 국내 고용시장에서의 인 네트워크 활용의 효과성을 다각 인 측면에서 살

펴보았다 인 네트워크를 활용한 이직의 직장생활만족도 개선효과는 100 만 에 약 165 34)

에 달하는 것으로 확인되었으며 직무 합도 개선효과는 100 만 에 약 197 35)에 이르는 것으

로 나타났다 한 인 네트워크를 활용한 이직은 임 상승을 동반하는데 그 규모는 월평균 임

으로 4074만원(2010년 기 )인 것으로 확인되었다 반면 인 네트워크를 활용하지 않은 이직

에서도 직장생활만족도의 개선효과가 일부 포착되었으나 일자리 합도에 한 개선이나 임 상

승효과는 확인되지 않았다 즉 구인자와 구직자를 연결시켜주는 인 네트워크의 효율 인 정보

달 기능이 확인된 것이다 이를 통해 임 근로자 개인의 구직 네트워크의 가치 즉 lsquo네트워크 사

회 자본rsquo을 추정해 보면 구직 네트워크의 생애 가치는 18720만원으로 집계되었으며 여기에 주 만족도에 한 보상 측면까지 고려하면 만족도 1 의 가치를 만원으로 환산

할 때 략 (18720+7582)만원에 이르는 것으로 집계되었다

32) 실제로 일반 인 수 에서 n은 1보다 상당히 클 것으로 상된다 주어진 표본에서 주 만족도의 평균은 략

55 내외인 반면 임 수 의 평균은 략 200만원 내외이다 즉 두 수치의 Scale이 네 배 가량 차이가 난다 33) 26302만원을 차수 임 수 (20247만원)의 2010년도 기 가치인 2148만원으로 나 면 1224개월이 나온다 34) 직장만족도 개선효과 220 직무만족도 개선효과 158 일자리만족도 개선효과 117 의 산술평균값 용 시 35) 기술 합도 개선효과 213 교육 합도 개선효과 252 교육기술복합지수 개선효과 126 의 산술평균값 용

참 고 문 헌

고용노동부 985172고용노동백서985173 2010김동헌김상호 「직업탐색과 자발 이직」 2001 경제학 공동학술 회 발표문 2010 김성훈 「사회연결망과 공식경로를 통한 첫 취업의 개인 결과와 사회 결과」 985172한국사회학985173 제39집 제1호

2005 김성훈 「 문직의 취업경로 사회연결망과 공식경로를 심으로」 985172한국사회학985173 제40집 제5호 2006 김성훈 「취업자의 사회연결망 활용에 한 향요인 연구」 985172노동경제논집985173 제26권 제3호 2003김용학 985172사회연결망 이론985173 박 사 2003류석춘 외 985172한국의 사회자본 역사와 실985173 백산출 사 2008 송호근김우식이재열 985172한국사회의 연결망 연구985173 서울 학교 출 부 2004안재희 985172구직과 제도 사회자본985173 한국학술정보(주) 2008우천식 편 985172한국경제사회와 사회 자본985173 한국개발연구원 2007이 면나인강 「직장만족도와 이직행 에 한 패 분석」 985172제5차 한국노동패 학술 회 논문집985173 2004이 면나인강 「비정규직의 이직 이직사유 근속기간에 한 연구」 985172제6차 한국노동패 학술 회 논

문집985173 2005이상호 「노동패 의 주 만족도 측정」 985172노동리뷰985173 통권 제17호 2006 pp77~86이병훈 「구직활동의 향요인에 한 탐색 연구」 985172노동경제논집985173 제25권 제1호 2002 pp1~21 통계청 985172경제활동인구조사985173 2010한국노동연구원 985172사업체패 조사985173 2007KDI 국제정책 학원 985172사회 자본 확충을 한 기본조사 정책연구985173 2007

Blau David and Philip Robins ldquoJob Search Outcomes for the Employed and Unemployedrdquo Journal of Political Economy 98(3) 1992 pp637~655

Bourdieu P ldquoThe Forms of Capitalrdquo in J G Richardson (ed) Handbook of Theory and Research for the Sociology of Education New York Greenwood 1986

Cochran William and Donald Rubin ldquoControlling Bias in Observational Studies A Reviewrdquo Sankhya 35 1973 pp417~446

Datcher Linda ldquoThe Impact of Informal Networks on Quit Behaviorrdquo Review of Economic Statistics 65(3) 1983 pp491~495

Dawid A ldquoConditional Independence in Statistical Theoryrdquo Journal of Royal Statistical Society B 41 1979 pp1~31

Dehejia R and S Wahba ldquoCausal Effects in Nonexperimental Studies Reevaluating the Evaluation of Training Programsrdquo Journal of the American Statistical Association 94 1999 pp1053~1062

Dehejia R and S Wahba ldquoPropensity Score-Matching Methods for Nonexperimental Causal Studiesrdquo The Review of Economics and Statistics 84 2002 pp151~161

Glaeser E D Laibson and B Sacerdote ldquoAn Economic Approach to Social Capitalrdquo The Economic Journal 112 2002

Gottschalk P and T Maloney ldquoInvoluntary Termination Unemployment and Job Matching A Test of Job Search Theoryrdquo Journal of Labor Economics 3 1985 pp109~123

Granovetter Mark S Getting A Job A Study of Contracts and Careers Chicago University of Chicago Press 1975

Heckman J H Ichimura J Smith and P Todd ldquoCharacterizing Selection Bias Using Experimental Datardquo Econometrica 66 1998 pp1017~1098

Heckman J H Ichimura and P Todd ldquoMatching as an Econometric Evaluation Estimator Evidence from Evaluating a Job Training Programrdquo Review of Economic Studies 64 1997 pp605~654

______ ldquoMatching as an Econometric Evaluation Estimatorrdquo Review of Economic Studies 65 1998 pp261~294Knack S and P Keefer ldquoDoes Capital Have and Economic Payoff A Cross Country Investigationrdquo Quarterly

Journal of Economics 62 1997 pp1251~1288 Lin Nan Social Capital A Theory of Social Structure and Action Cambridge Cambridge University Press 2001 Lin Nan Karen Cook and Ronald Burt (eds) Social Capital Theory and Research Aldine Transaction 2001 Marmaros David and Bruce Sacerdote ldquoPeer and Social Networks in Job Searchrdquo European Economic Review 46

2002 pp870~879Putnam Robert D Bowling Alone The Collapse and Revival of American Community New York Simon and

Schuster 2000Rosenbaum J S DeLuca S Miller and K Roy ldquoPathways into Work Short- and Long-Term Effects of Personal

and Institutional Tiesrdquo Sociology of Education 72(3) 1999 pp179~196Rosenbaum P and D Rubin ldquoThe Central Role of the Propensity Score on Observational Studies for Causal

Effectsrdquo Biometrika 70 1983 pp41~55Rubin D ldquoEstimating Causal Effects of Treatments in Randomized and Non-randomized Studiesrdquo Journal of

Educational Psychology 66 1974 pp688~701Simon Curtis and Warner John ldquoMatchmaker Matchmaker The Effect of Old-Boy Networks on Job Match

Quality Earnings and Tenurerdquo Journal of Labor Economics 10(3) 1992 pp306~330Todd Petra ldquoMatching Estimatorsrdquo unpublished manuscript 2006

성공한 구직방법

일자리 진입방식

합계공개

채용스카우트

소개나

추천

찾아가서기타

1 학교나 학원12 0 26 4 0 42

(395) (0) (301) (069) (0) (233)

2 교수나 교사2 0 8 0 0 10

(066) (0) (093) (0) (0) (055)

3 친구나 친지5 2 509 28 2 546

(164) (125) (5898) (48) (556) (303)

4 공공 안내소3 0 7 9 4 23

(099) (0) (081) (154) (1111) (128)

5 사설 안내소3 0 29 16 1 49

(099) (0) (336) (274) (278) (272)

6 매체 고53 1 21 209 13 297

(1743) (625) (243) (3585) (3611) (1648)

7 직 탐문2 0 13 85 0 100

(066) (0) (151) (1458) ((0) (555)

8 가족1 1 21 2 0 25

(033) (625) (243) (034) (0) (139)

9 인터넷205 3 22 179 9 418

(6743) (1875) (255) (307) (25) (232)

10 희망직장

지인

7 3 90 20 0 120(23) (1875) (1043) (343) (0) (666)

11 업무상

지인

6 4 102 18 0 130(197) (25) (1182) (309) (0) (721)

12 기타 5 2 15 13 7 42

(164) (125) (174) (223) (1944) (233)

합 계304 16 863 583 36 1802

(100) (100) (100) (100) (100) (100)

lt부표 1gt 경력직 취업자(1802명)의 일자리 진입방식별 구직방법의 분포

주 1 노동패 6차부터 10차까지의 신규 일자리 진입자 경력직 취업자를 상으로 함 2 ( ) 안은 각 일자리 진입방식에 한 성공한 구직방법의 백분율임

Block

번호

직장유지의

직무유지의

향성별 나이 나이

2 교육

혼인

여부

정규직

여부

첫(혹은

두 번째)

일자리

(로그)

격차 격차 격차 격차 격차 격차 격차 격차 격차 격차

1164 116 048 -102 -14913 -003 003 009 000 007

(455) (395) (011) (207) (19454) (044) (005) (004) (009) (013)

2-254 050 003 007 -1629 -022 -006 004 -002 001

(203) (191) (006) (123) 11232 (020) (004) (004) (006) (007)

3036 -076 002 -094 -7067 -001 000 -004 008 001

(131) (129) (004) (088) (7870) (012) (003) (003) (004) (004)

4-079 -117 -001 071 6428 000 -004 -002 001 -005

(128) (122) (004) (079) (6861) (010) (003) (003) (004) (003)

5026 144 -005 068 6211 -012 004 000 -006 -001

(142) (144) (004) (077) (6201) (010) (004) (003) (004) (004)

6061 152 -008 -043 -3655 006 002 002 -007 007

(151) (151) (004) (073) (5661) (010) (004) (004) (004) (004)

7010 -134 -002 043 2726 003 -002 001 003 001

(133) (131) (004) (058) (4296) (008) (004) (003) (003) (003)

8045 173 008 044 3233 007 000 -001 -001 -003

(146) (143) (004) (052) (3615) (007) (004) (003) (003) (003)

9128 -010 000 061 3033 -016 -003 006 -010 004

(259) (246) (006) (065) (3930) (012) (005) (006) 006 (006)

10500 114 013 -035 -1626 004 000 007 001 -003

(407) (394) (009) (081) (4454) (017) (007) (008) (009) (009)

lt부표 2-Agt Propensity Score 각 구간(Block)에 대한 Mean-Difference Statistical T-test 결과(I)

주 1 Untreated Group과 Treated Group의 각 항목에 한 Mean Difference를 테스트함 2 표시는 5 유의도 수 에서 테스트를 통과하지 못한 항목을 표시함3 ( ) 안은 표 오차임

lt부표 2-Bgt Propensity Score 각 구간(Block)에 대한 Mean-Difference Statistical T-test 결과(II)

Block

번호

(로그)2 종업원 규모 교육 합도 임 만족도근무

환경 만족도

일자리

만족도

서비스 매직

여부

농어업 종사

여부

정규직 times

교육

직장 times

직무유지의향

격차 격차 격차 격차 격차 격차 격차 격차 격차 격차

1052 054 202 656 -048 -101 002 001 003 25954

(147) (053) (379) (564) (480) (421) (005) (003) (047) (60638)

2-006 043 046 047 -303 -182 002 000 -004 -9827

(073) (027) (197) (247) (220) (188) (002) (001) (026) 25462

3006 011 -151 -030 255 013 -002 000 -011 -246

(041) (017) (158) (156) (142) (117) (002) (000) (018) (15776)

4-052 000 -075 -111 -046 -005 -004 000 -011 -10585

(034) (015) (155) (137) (133) (110) (002) (001) (016) (14203)

5-008 006 053 -047 -017 -036 003 000 -004 17636

(035) (017) (176) (152) (144) (123) (003) (001) (018) (16213)

6063 -005 273 049 211 040 -006 001 015 14659

(035) (017) (201) (150) (145) (124) (003) (001) (019) (16225)

7008 -018 -045 016 -031 005 005 000 010 -10640

(029) (014) (174) (127) (127) (108) (003) (001) (016) (13577)

8-022 -014 028 -028 -163 086 000 000 -001 6766

(028) (014) (189) (127) (131) (111) (003) (000) (017) (13784)

9037 -013 143 133 046 -070 001 -002 015 -1116

(047) (021) (371) (204) (227) (187) (006) (002) (029) (21779)

10-028 021 077 161 -247 -113 -013 002 019 13295

(074) (026) (612) (352) (366) (340) (009) (002) (038) (30459)

주 1 Untreated Group과 Treated Group의 각 항목에 한 Mean Difference를 테스트함 2 표시는 5 유의도 수 에서 테스트를 통과하지 못한 항목을 표시함3 ( ) 안은 표 오차임

Page 16: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal

(1)

여기서 는 Counterfactual에 한 기 치이므로 자료로부터의 직 인 추정은 불

가능하다 Treatment Selection이 측 가능한 변수들의 특정한 집합 Z에 의존한다고 가정해 보자 Dawid(1979)의 표 법에 따르면 다음과 같은 계가 성립한다 ∐ 즉 Z를 통제하 을

때 Untreated Group의 값의 분포와 Treated Group이 만약 Treatment를 받지 아니하 을 때의

값의 분포(즉 Counterfactual의 분포)는 서로 동일하다는 것이다 이는 기 치에 한 다음과 같은

계를 내포한다

(2)

즉 counterfactual인 을 측치인 이 체할 수 있는 것이다 식

(2)의 계를 조건부 독립가정(Conditional Independence Assumption CIA)이라고 한다 Rubin(1974)은 조건부 독립가정(CIA)의 조건이 충족할 경우 ATT를 다음과 같이 측정할 수 있다고 제안한 바

있다

(3)

즉 직 으로 설명한다면 =1인 집단에 속한 특성 Z인 개체에 하여 동일 특성을 지닌 개

체를 =0인 그룹에서 찾아 그 둘의 Y값을 비교하면 되는 것이다 =1 집단 내의 모든 개체에

하여 동일한 계산을 한 뒤 이를 합산하면 ATT를 구하게 된다 그러나 이 방법 역시 일정 정도의 한계를 지닌다 만약 Z가 이산변수(Discrete Variable)가 아닌

연속변수(Continuous Variable)라면 =0 집단에서 동일한 Z를 가진 개체를 찾을 수 없으므로 이상

의 측정법을 용할 수 없다 한 특정 변수들이 집합인 Z에 포함된 변수들이 많은 경우 동일한

특성의 개체를 =0 집단으로부터 찾는 것이 어려울 수 있다 이러한 한계를 극복하고자 도입된 것

이 Propensity Score Matching 방식이다

2 Propensity Score Matching Estimator

Propensity Score(PS)를 Z 특성을 지닌 개체가 Treated될 확률로 정의하고 로 표시하도록

하자

Propensity Score equiv (4)

Rosenbaum and Rubin(1983)은 0ltP(Z)lt1이 모든 Z에 해 만족할 경우 다음의 계가 성립한다

는 것을 증명하 다

∐ rArr ∐ (5)

이 계식은 을 내포하므로 변수집합의 Z의 차원수

∐ rArr

(Dimensionability)가 클 경우에도 다음과 같이 다일변수 P(Z)를 활용하여 ATT를 구할 수 있다

(6)

샘 수의 유한성으로 인해 실제로 식의 두 번째 항을 추정하는 것은 간단치 않은 작업이

다 한 ATT의 추정은 Common Support 역 즉 Treated Group의 P(Z)의 분포와 Untreated Group의 P(Z)의 분포가 겹치는 Z의 역에 한정하여야 한다 Common Support를 벗어나는 역에 해

서는 비교가능한 Counterfactual를 찾기 힘들기 때문이다 이를 반 하여 주어진 샘 내에서 ATT를 추정할 수 있는 다양한 Propensity Score Matching(PSM) Estimator가 제안되었는데 이는 다음과

같이 요약될 수 있다(Todd[2006])

isincap

isin

(7)

여기서 는 Treated Group 구성원을 는 Untreated Group의 구성원을 나타낸다 는 Common Support 역 내의 개체들의 집합을 나타낸다 은 Treated Group의 구성원 Common Support 역에 속하는 개체들의 총수이다 는 가 치를 나타내는 것으로 두 Propensity Score의 거리

인 을 이용하여 결정된다 가 치 용방식에 따라 다양한 측정방식이 제시될 수

있다 이에 해서는 추후에 추가 으로 논의하도록 한다

3 Difference-in-Differences Matching Estimator

여기서 한 단계 발 된 방식의 PSM이 Heckman Ichimura and Todd (1997)에 의해 제시된

Difference-in-Differences(DID) Matching Estimator이다 앞서 ATT의 추정에서 측 가능한 특정 변수

들의 집합 Z가 주어졌을 때 결과치 가 Treatment에 독립 (즉 ∐ 이 성립)이라고 가정한

바 있다 그러나 Z에 포함되어야 할 많은 변수 측이 되지 않는 경우가 있을 수 있다 이러한

경우 계가 더 이상 성립하지 않아 앞서의 ATT 추정법은 정

당성을 상실한다 하지만 Longitudal Data가 주어진 경우 즉 Treatment 이 과 이후의 결과치( )가

주어진 경우 분석 상을 신에 lsquo의 변화분rsquo으로 변경함으로써 이러한 문제를 상당 부분 해

소할 수 있다 Treatment 이 과 이후 두 개의 시간 를 와 prime이라 한다면 분석 상을 이

아닌 prime prime 으로 둘 수 있는 것이다 이때 ATT를 추정하기 해서는

prime ∐ 의 가정이면 충분하게 된다 이는 앞서보다 훨씬 완화된 가정이므로 충족하기

가 보다 용이해진다 특히 측되지 않는 시간 불변(time-invariant)의 일부 변수가 Treatment Selection에 연 된 경우에도 이 변수가 와 prime에는 직 인 향을 미치더라도 prime 에 미치는 향이 없다면(즉 독립 이라면) 문제가 되지 않는 것이다17) 따라서 Longitudal Data가

17) 이 외에도 주어진 수치들이 데이터가 수집된 지역에 따라 Level이 다를 경우 Difference 변수를 활용함으로써 이러

한 Level 차이에서 기인한 편의(bias)를 해소할 수 있다

주어진 경우에 DID Matching Estimator는 매우 효과 인 도구로 활용될 수 있다 이때 DID Matching Estimator는 다음과 같은 방식으로 요약될 수 있을 것이다

isincap

prime prime prime

isin prime

(8)

본 연구에서는 앞서 소개한 DID Matching Estimator를 이용함으로써 시간불변(time-invariant)의

측되지 아니하는 변수들을 사 에 통제하고 보다 신뢰할 만한 분석 결과를 제시하고자 한다

4 Treatment Effect 측정방식

의 가 치를 결정하는 를 어떻게 설정하느냐에 따라 다양한 PSM Estimator가 존재한다 본 연구의 분석에서는 가장 활발히 이용되는 측정방식들로서 Nearest Neighbor Matching Radius Matching Kernel Matching 이 세 가지를 활용하기로 한다18)

가 Nearest Neighbor Matching

이 방식은 조군인 Untreated Group에 속한 개체 에서 Propensity Score가 실험군(Treated Group) 개체의 Score와 가장 근 한 개체를 선택하는 방식이다 즉 를 최소화시키

는 에 해서는 이고 나머지 에 해서는 이 성립한다 [그림 2]가 이

를 잘 형상화하고 있다 이때 Score가 근 한 개체를 하나가 아닌 복수로 선정함으로써 하나를

선정할 때보다 더욱 안정된 추정치를 얻을 수 있다 다만 매칭되는 개체 수가 무 많을 경우

가 크게 되어 편의(bias)가 증가할 수 있으므로 신 할 필요가 있다 개의 근

한 개체를 선택하는 경우 이들 개체 에 해서는 이 성립하고 나머지 에

해서는 이 성립한다 Nearest Neighbor Matching의 경우 가장 근 한 개체를 선택하 으나 가 무

커서 Counterfactual로서 부 합한 매칭이 이루어질 가능성이 있다 이를 보완하기 하여 Cochran and Rubin(1973)은 한 Caliper를 선정하여 매칭에 있어서 를 일정 한도로 제

한할 것을 제안한 바 있다 본 분석에서는 을 5개로 선정함으로써 편의(bias)를 이면서도 안정

된 추정치를 얻고자 하 으며 Caliper는 히 작은 0005로 설정하여 부 합한 매칭을 최소화하

고자 하 다19)

18) 이 외에도 주로 활용되는 측정방식으로 Stratification Matching Mahalanobis Matching 등이 있으나 이들을 활용한 결

과가 본 연구의 분석 결과와 크게 다르지 않다 Dehejia and Wahba(2002)는 Treated Group과 Untreated Group 간의

Propensity Score 분포가 상당 부분 서로 겹친다면 측정방식에 따른 분석 결과의 차이가 크지 않다는 을 강조한

바 있다 이는 실험군 한 개체에 해 매칭 가능한 충분한 수의 조군 개체들이 존재하기 때문이다 즉 측정방식의

차이에 따라 매칭이 되는 조군들의 특성이 크게 달라지지 않는 것이다 본 연구에서 추정한 Propensity Score 분포

는 Treated Group Untreated Group 두 집단 사이에 겹치는 부분이 매우 크다 이는 [그림 4]를 통해 쉽게 확인된다 19) 여기서 Caliper 설정은 실험군 개체와 매칭되는 조군 개체 사이의 PS 거리 즉 를 한 수 으로

제한하고자 함이다 부분의 실험군 개체의 경우 Caliper가 설정한 Boundary에 크게 제한을 받지 않으므로 히

작은 Caliper의 설정이면 편의(Bias)를 개선하기에 충분하다 본 분석에서 설정한 0005 이외에 0002이나 001을 사용

하여 보았으나 역시 결과의 차이가 크지 않음을 확인하 다

[그림 2] Nearest Neighbor Matching(n=1인 경우)

나 Radius Matching

이 방식은 일정 반경을 Caliper로 설정하고 Untreated Group에서 가 Caliper 이내인 모든 개체 를 Treated Group의 개체 에 매칭하는 방법이다(그림 3 참조) 개체 에 하여

Untreated Group으로부터 매칭된 개체의 수가 라면 이들에 해서는 이 성립하고 매칭이 안된 나머지 개체들에 해서는 이 성립한다 이 추정방식은 앞서 Nearest Neighbor Matching에 비해 Propensity Score가 근 한 조군 내의 보다 많은 개체를 분석에 활용할

수 있다는 장 이 있다 보다 많은 조군 내 개체를 활용할수록 Treatment Effects 측정의 정확성

(Precision)은 상승하게 된다 매칭이 가능한 조군 개체의 수가 충분히 많다면 Caliper는 작을수록 좋다 Caliper가 클수록

부 합한 매칭에 따른 Treatment Effects의 편 (Bias)이 커질 수 있기 때문이다 본 분석에서는 샘

의 수가 충분히 크기 때문에 Caliper를 0002로 설정하여 매우 근 한 개체들에 해서만 매칭이

이루어지도록 설정하 다20)

20) 다음 에서는 주어진 샘 을 활용하여 Propensity Score를 추정하고 있다 이 결과에 따르면 PS (01 0102)인 구간

에서 조군 개체 수가 116개 (02 0202) 구간에서 조군 개체 수가 32개 (03 0302) 구간에서 조군 개체 수가

12개에 이르는 것을 확인할 수 있다(표 6과 그림 4를 참조 바람) 즉 0002의 Caliper를 사용할 때 한 개의 실험군

개체에 해 10개 내지 100개 이상의 조군 개체들이 매칭되는 경우가 흔히 존재하는 것이다 반면 Caliper를 이보

다 작게 설정한다면 (특히 PS가 큰 구간에서는) 실험군 개체들과 매칭되는 조군 개체가 존재하지 않을 수 있다 를 들어 PS (04 0402)인 구간에서 조군 개체 수는 단 1개 존재하나 PS (0401 0402)인 구간에서는 무하다

따라서 본 연구에서는 최소의 Caliper이면서도 매칭되는 조군 개체의 수가 충분할 수 으로서 Caliper 0002를 선

정하 다 반면 민감성 테스트(Sensitivity Check)에 따르면 Caliper 0001이나 0003에서도 연구 결과의 차이가 크지

않음을 확인하 다

[그림 3] Radius Matching

다 Kernel Matching

이 방식은 Treated Group 내의 각 개체에 한 매칭을 Untreated Group 내의 모든 개체를 상

으로 진행하는 방식으로 에 따라 가 치를 부여한다 가 작을수

록 가 치가 커진다 이때 사용되는 가 치는 다음과 같이 표시될 수 있다

isin

(9)

여기서 G는 선택된 Kernel function을 은 Bandwidth Parameter를 표시한다 이 방식은

Heckman Ichimura and Todd(1998)에 의해 도입되었는데 주어진 모든 개체를 추정에 활용하므로

정보의 손실을 최소화할 수 있다는 장 이 있다 한 앞서의 두 추정방식과는 달리 인 인

Caliper의 설정이 불필요하다는 장 도 있다 Kernel의 선택에는 Gaussian Function(Normal Distribution) Biweight Function Epanechnikov Function 등 다양한 방식이 가능하나 본 분석에는

Normal Distribution을 채택하 다 Bandwidth Parameter로는 001을 선택하여 가 근

한 이들에게 충분한 가 치가 주어지도록 하 다21)

VI Propensity Score의 추정

주어진 자료에서 Treatment는 이직에 해당한다 이직에 한 Propensity Score(PS)를 추정하기

해서는 이직에 향을 미치는 주요 변수의 집합 을 사용하여야 한다 이들 변수는 다음 조건

을 만족하여야 한다 prime ∐ 즉 이직에 향을 미치는 주요 변수들을 통제한 후에

는 이직을 하지 않은 이들의 결과치 에 한 변화분 prime 의 분포가 이직을 한

이들이 만약 이직을 하지 않았을 때 상되는 결과치 에 한 변화분 prime 의 분

21) Bandwidth Parameter가 0005 002인 경우도 확인해 보았으나 결과에는 큰 차이가 발견되지 않았다

추정함수 Logistic Regression(이직 = 1 비이직 = 0)Z 추정계수 표 오차

직장유지의향 -0002 0004 직무유지의향 -0015 0004 성별(여성 1) -0104 0071

나이 -0138 0023 나이2 0001 0000

교육수 0169 0050 혼인 여부(미혼 1) -0056 0082

정규직 여부(정규직 1) 0342 0248 첫(혹은 두 번째) 일자리 여부 -0599 0068

임 수 (단 만원 로그) 0076 0601 임 수 (단 만원 로그)2 -0052 0063 종업원 규모(단 명 로그) -0084 0015

차수 교육 합도 0000 0001 임 만족도 0003 0002

근무환경만족도 -0004 0002 일자리만족도 -0003 0003

서비스 매직 여부 0459 0077 농어업 종사 여부 0324 0378

정규직 여부 times 교육수 -0131 0056 직장유지의향 times 직무유지의향 0000 0000

상수항 3558 1584 측 수 12754

결정계수( ) 00873

Log Likelihood -401098

포와 동일해야 하는 것이다 따라서 Propensity Score의 추정에 활용할 변수들은 앞서 일자리 이동

의 향요인에 한 분석을 통해 선별할 수 있다 특히 주어진 노동패 의 자료에서는 ldquo 재의

직장을 계속 다니고 싶은가(직장유지의향)rdquo와 ldquo 재 맡고 있는 일을 계속하고 싶은가(직무유지의

향)rdquo라는 이직의사와 련된 매우 긴요한 변수들이 포함되어 있는데 이들을 주요 변수의 집합

에 포함시킴으로써 이상의 조건이 보다 용이하게 충족될 수 있음을 기 할 수 있다 Propensity Score의 추정에는 Logistic Regression을 활용하 다 추정에 활용된 주요 변수들의 집합 과 각

변수에 한 추정계수는 lt표 5gt에 요약되어 있다

lt표 5gt Propensity Score의 추정방정식

주 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

앞서 일자리 이동 향요인에 한 분석에서 일자리 이동의 요한 결정변수로 악된 변수

들이 부분 PS 추정방정식에 포함되었다 만족도와 련한 변수 업무만족도 취업 안정성 만

족도 자기발 만족도 복지후생만족도 이상 네 변수는 일자리 향요인으로 통계 으로 유의하

게 악되었으나 PS 방정식에 추가된 일자리만족도 직장유지의향 직무유지의향 등과의 통계

상 계가 매우 높아 PS 추정방정식에 따로 포함시키지 않았다22) 한 추정방정식에는 일부

Interaction Terms들과 Higher Order Terms들을 추가하여 앞서 설명한 변수집합(Z)의 기본요건을 맞

추고자 하 다 추가 변수들은 Balancing Property를 충족하기 하여 선정되었는데 이에 해서는

아래에서 추가 부연한다Rosenbaum and Rubin(1983)에 따르면 PS는 다음 조건을 만족한다

∐ rArr

즉 PS를 통제한 뒤에는 변수집합 Z와 Treatment 여부 D가 상호 독립 이라는 것이다 이는 PS가 동일한 개체들에 해 Z의 평균값을 구한다면 Treatment를 받은 집단과 그 지 않은 집단 사이

에 차이가 없어야 한다는 을 내포한다 이를 Balancing Property라 한다 이를 검증하기 한 방

법으로 P(Z)를 여러 구간(Blocks)으로 나 뒤 각 구간에 한 Mean Difference Statistical T-test를

시행할 수 있다 일부 구간에 해 T-test가 만족하지 않는 경우에는 구간을 더욱 세분하여 진행하

고 여 히 만족이 되지 않는 경우에는 문제가 되는 일부 변수들의 Interaction Terms들과 Higher Order Terms들을 PS 추정방정식에 추가하여 앞서의 과정을 되풀이한다(Dehejia and Wahba[1999]) 앞서 언 된 Interaction Terms과 Higher Order Terms들은 이상의 과정을 거쳐 추가된 항들이다

Balancing Property 검증을 하여 다양한 PS 추정방정식을 설정하여 반복 인 Test를 수행하

다 최종 으로 lt표 5gt의 추정방정식에서 도출한 PS를 기 으로 lt표 6gt과 같이 10개의 Block을

구분한 뒤 Mean- Difference Statistical T-test를 진행하 다 Block 설정은 PS의 Common Support 역인 [00149 06]에 하여 이루어졌다 각 Block들에 한 T-test의 결과는 lt부표 2gt에 수록되어

있다 추정방정식에 도입된 독립변수 항이 총 20개이고 Block의 수는 10개이므로 총 200개의

Mean-Difference T-test가 시행되었다 lt부표 2gt에서 확인할 수 있듯이 5 Significance Level에서

부분의 Block들이 T-test를 통과하 다 통과에 실패한 테스트는 단 두 개로 Block 1의 lsquo정규직

여부rsquo에 한 테스트와 Block 8의 lsquo성별rsquo에 한 테스트이다 따라서 Block Test의 통과율이 99에

이르러 앞서의 PS 추정방정식이 Balancing Property를 체로 만족하고 있다고 결론내릴 수 있다 이상의 과정을 거쳐 확정된 PS 추정방정식을 이용하여 각 개체별로 PS를 구할 수 있다 [그림

4]는 이 게 구해진 PS에 하여 각 집단별 분포도를 제시하고 있다 Treated Group의 경우 PS의

분포가 Untreated Group에 비해 상 으로 우측으로 치우쳐 있음을 쉽게 확인할 수 있다 그리고

PS 분포에서 Common Support 역이 [00149 06]에 이른다는 것을 확인할 수 있다 이는 PS가

06보다 큰 경우에는 Treatment에 참여한 실험군 개체에 해 그에 상응하는 Counterfactual을 조

군으로부터 찾을 수 없음을 의미한다 따라서 PS를 활용한 Treatment의 효과 측정은 이 Common Support 역에 들어오는 실험군 개체들에 한정하여 이루어질 수밖에 없다

22) 를 들어 일자리만족도와 이들 네 변수와의 상 계수(Correlation Coefficient)는 각각 업무만족도(06536) 취업 안정

성 만족도(06014) 자기발 만족도(06279) 복지후생만족도(05514)에 이른다 이들을 포함시키더라도 반 인 결과

에는 큰 차이가 없다

(10)

02

46

8

0 2 4 6 8 0 2 4 6 8

Untreated Group Treated Group

DensityRough Density Curve

Den

sity

Propensity Score Distribu tion for Each Group

lt표 6gt Balancing Property 검증을 위한 Block 구분

Block 번호 Propensity Score 범 D=0 D=1 합계

1 00149 ~ 0025 655 10 665

2 0025 ~ 005 2128 59 2187

3 005 ~ 0075 2146 152 2298

4 0075 ~ 001 1744 200 1944

5 01 ~ 0125 1300 171 1471

6 0125 ~ 015 949 162 1111

7 015 ~ 02 1138 238 1376

8 02 ~ 03 845 242 1087

9 03 ~ 04 230 95 325

10 04 ~ 06 57 56 113

합계 11192 1385 12577

[그림 4] 각 집단별 Propensity Score 분포도

주 Common Support 역인 [00149 06]에 포함된 개체 수는 Untreated Group의 경우 11192명 Treated Group의 경우에

는 1385명임

VII 분석 결과

이제 구해진 PS를 활용하여 이직의 효과와 이직에 있어서 인 네트워크 활용의 효과성을 분

석할 비를 마련하 다 본 분석에서는 앞서 제3 에서 소개한 7가지의 성과지표에 하여 분석

을 진행할 것이다 우선 PS가 추정된 12754개체에 하여 PS를 고려하지 않은 단순비교를 진행해

성과지표의

연간 변화비교 상

이직자

평균

비이직자 평균

격차

(표 오차)

직장만족도 변화이직자 수 1379 3724 -0334 4058

비이직자 수 11274 (0466)

직무만족도 변화이직자 수 1386 2962 -0428 3389

비이직자 수 11285 (0466)

일자리만족도 변화이직자 수 1384 2944 0282 2662

비이직자 수 11261 (0489)

기술 합도 변화이직자 수 1383 2350 -0058 2408

비이직자 수 11245 (0684)

교육 합도 변화이직자 수 1389 2556 -0142 2697

비이직자 수 11300 (0689)

교육기술복합지수

변화

이직자 수 1383 2422 -0091 2513

비이직자 수 11245 (0664)

임 수 변화이직자 수 1384 9088 2782 6307

비이직자 수 11340 (1614)

보자 lt표 7gt은 이직자 집단과 비이직자 집단의 성과지표 변화를 단순비교한 것이다 표에서 확인

할 수 있듯이 이직자의 경우 모든 지표들에 하여 성과지표의 뚜렷한 증가가 목격되었다 비이

직자의 경우에는 임 수 이 2782만원 증가한 것을 제외하고 에 띄는 성과지표의 개선이 나타

나지 않았다23) 성과지표 개선에서 집단 간의 차이가 존재하는지를 검증하기 하여

Mean-Difference Statistical T-test를 진행하고 그 결과를 표에 수록하 다 모든 지표에 하여 이직

자 집단이 비이직자 집단에 비해 높은 증가세를 보인 것이 통계 으로 유의하게 확인된다 를 들

어 이직자 집단의 월평균 임 수 은 9088만원 상승한 것으로 나타나 비이직자 집단에 비해

6307만원만큼 큰 폭의 임 향상을 보 다 하지만 우리는 이상의 결과를 이직의 효과라고 단정

지을 수 없다 왜냐하면 이직의 효과는 이직자 집단에 속한 개체들의 성과 변화와 이들의

Counterfactual 즉 이들이 이직을 하지 않고 직장을 유지하 을 때의 성과 변화를 직 비교해

야 제 로 악되기 때문이다 이후 제시한 Propensity Score Matching에 의한 이직효과 측정은 이

러한 Counterfactual의 탐색에 기반한 분석 결과이다

lt표 7gt 주요 성과지표의 연간 변화 단순비교

주 1 성과지표의 변화에 한 집단 간 차이를 확인하기 하여 Mean-Difference Statistical T-test를 수행함 2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

23) 주어진 임 수 은 연간 임 상승률을 감안한 수치이기 때문에 비이직자의 임 은 불변이거나 하락하여야 정상이

다 재 악되는 비이직자들의 임 증가는 선택편의(Selection Bias) 문제에 의해 발생한 것으로 보인다 주어진 최

종샘 은 차수와 차수 모두에서 임 근로자로 악된 이들로 구성된다 취업시장에 신규로 진입하는 이들에

비하여 근속연수가 1년 많은 셈이다 한 차수에 임 근로자인 이들 임 상승폭이 작은 이들이 그 지 않은

이들보다 근로시장을 이탈할 가능성이 높다 이로 인하여 차수에 이어 차수까지 근로시장에 남아 있는 이들

은 상 으로 높은 임 상승을 보이는 것으로 단된다( 한 분석에 활용한 임 상승률이 lsquo임 구조기본통계조사rsquo의 표본으로부터 추정된 것이므로 노동패 표본과의 근본 차이로 인해 이상의 문제가 도출하 을 가능성도 일

부 배제할 수 없다)

공개채용 스카우트 소개나 추천 직 찾아가서 기타

인 네트워크

활용 구직

21 10 730 68 2

(69) (625) (8459) (1166) (556)

인 네트워크

비활용 구직

278 4 118 502 27

(9145) (250) (1367) (861) (750)

알 수 없음5 2 15 13 7

(164) (125) (174) (223) (1944)

총 사례 수 (1802명

)

304 16 863 583 36

(100) (100) (100) (100) (100)

이직 성격 분류비네트워크

경로-

네트워크

경로

비네트워크

경로-

본격 인 분석에 앞서 인 네트워크와 련하여 이직의 성격을 규명할 필요가 있다 인 네

트워크를 이직경로로 활용한 경우와 그 지 않은 경우로 구분지어 보도록 하자 이를 해 노동패

6차에서 10차까지의 체 경력직 취업자들을 상으로 한 lt부표 1gt의 lsquo경력직 취업자들의 일

자리 진입방식별 구직방법의 분포rsquo를 참조하도록 하자 노동패 에서 제공하는 일자리 진입방식

은 lsquo공개채용rsquo lsquo스카우트rsquo lsquo소개나 추천rsquo lsquo직 찾아가서rsquo lsquo기타rsquo 이 게 다섯 가지로 구분된다 이 lsquo공개채용rsquo 형태의 일자리 진입에서는 lsquo인터넷rsquo이나 lsquo매체 고rsquo를 활용한 구직이 체 사례

의 8486에 이른다 lsquo직 찾아가서rsquo 형태의 일자리 진입 역시 lsquo인터넷rsquo이나 lsquo매체 고rsquo 그리고

lsquo직 탐문rsquo 방식의 구직이 사례의 8113에 이른다 반면 lsquo소개나 추천rsquo 형태의 일자리 진입에서

는 lsquo친구나 친지rsquo를 통하거나 lsquo취업희망 직장의 지인rsquo 혹은 lsquo업무상 알게 된 지인rsquo을 통하는 경우

가 체의 81235에 이른다 즉 각 일자리 진입방식 간에 매우 뚜렷한 구직형태의 차이를 보여

주고 있다 lt부표 1gt의 성공한 구직방법 2 3 8 10 11을 인 네트워크를 활용한 구직으로 1 4 5 6 7 9를 그 지 않은 구직으로 분류하고 각 일자리 진입방식에 한 인 네트워크 활용도를

추산해 보면 다음 lt표 8gt과 같이 요약된다

lt표 8gt 일자리 진입방식별 이직의 성격 분류

주 ( ) 안은 각 일자리 진입방식에 한 이직 성격의 비 을 백분율로 표시함 자료 lt부표 1gt를 재구성한 것임

lt표 8gt에 요약된 바와 같이 lsquo공개채용rsquo과 lsquo직 찾아가서rsquo 형태의 일자리 진입에서 인 네트

워크를 활용하지 않은 구직이 각기 9145와 861에 이른다 반면 lsquo소개나 추천rsquo에서는 인 네

트워크를 활용한 구직이 8459에 이른다 이를 바탕으로 본 분석에서는 lsquo공개채용rsquo과 lsquo직 찾아

가서rsquo를 lsquo비네트워크 경로 이직rsquo으로 lsquo소개나 추천rsquo을 lsquo네트워크 경로 이직rsquo으로 구분한다 이 분류

에 따르면 15705명의 최종샘 에서 이직자로 악된 1560명 1438명의 체 인 구직경로 구

분이 가능하다 이 999명이 네트워크 경로 이직자로 439명이 비네트워크 경로 이직자로 분류

된다 한 앞서 PS가 추정된 12754명 에는 1391명이 이직자인데 그 891명은 네트워크 경

로 이직자로 387명은 비네트워크 경로 이직자로 분류된다

1 이직을 통한 개인만족도의 변화

아래 세 개의 도표 lt표 9gt lt표 10gt lt표 11gt은 이직을 통하여 개인의 만족도가 개선되는지의

여부를 PSM을 통하여 검증한 것이다 각각의 만족도지수(직장만족도 직무만족도 일자리만족도)에 하여 세 가지 방식의 PSM 추정치(Five Nearest Neighbors Radius Matching Kernel Matching)를

제시하고 있다앞서 lt표 7gt의 단순비교에서는 이직자와 비이직자의 연간 만족도변화가 100 만 에서

4058 (직장만족도) 3389 (직무만족도) 2662 (일자리만족도)만큼 차이가 나는 것으로 집계

되었다 그러나 PSM 방식으로 재추정된 이직의 만족도 개선효과는 각각 약 250 (직장) 216(직무) 155 (일자리)으로 나타났다24) 종합하면 단순비교 방식(표 7)은 PSM 활용방식(표 9

표 10 표 11)에 비해 이직의 만족도 개선효과를 약 1~15 만큼 과 추정하고 있음을 확인할 수

있다 이러한 상이 나타난 이유는 실제 이직한 이들이 그 지 않은 이들에 비해 기존 직장에서

의 만족도가 상 으로 낮았다는 데 있다 를 들어 주어진 최종샘 에서 이직자들의 기존 직장

에서의 직장만족도는 평균 5071 을 보이는 반면 같은 시기 비이직자들의 평균 직장만족도는 이

보다 무려 7 가까이 높은 5724 으로 나타났다 따라서 단순비교 방식에서는 이직을 통한 만족

도 개선효과가 다소 과장되어 추산되기 마련이다 이들 이직한 이들이 만약 기존 직장에 그 로 남아 있었다면 (이들의 만족도가 상 으로 낮

은 수 이므로) 다른 이들에 비해 보다 높은 수 의 만족도 개선을 한 해 사이에 경험하 을 것이

다 실제로 체 비이직자들의 연간 만족도의 변화가 각기 -0334 (직장) -0428(직무) 0282 (일자리)에 그치는 데 반해 실험군(이직자 집단)의 Counterfactual 즉 PS를 사용하여 실험군 개체에 매

칭된 (비이직자 집단 내) 조군 개체들의 만족도 변화는 각기 113 (직장) 066 (직무) 133 (일자리)에 이르 다(각 표의 lsquo매칭된 조군 변화(B)rsquo 항목 참조) 실험군 Counterfactual에서의 만족도

개선폭이 여타 비이직자들의 연간 만족도 개선폭보다 략 1 이상 높게 나타나는 것이다 이상

의 선택편의(Selection Bias) 문제가 히 통제될 때 이직의 순효과가 바르게 추정될 수 있다 앞서 시한 PSM 방식으로 추정된 이직의 만족도 개선효과는 이러한 선택편의 문제를

Counterfactual Framework으로 극복한 추정 결과라 할 수 있다 그럼 네트워크 경로 이직과 비네트워크 경로 이직 사이에 뚜렷한 차이가 존재하는지 살펴보도

록 하자 표에서 확인할 수 있듯이 두 경우 모두 이직의 만족도 개선효과가 통계 으로 유의한 수

에서 명확히 확인된다 네트워크 경로의 이직에서는 만족도 개선의 효과가 각기 220 (직장) 158 (직무) 117 (일자리)으로 확인되었고 비네트워크 경로의 이직에서는 각기 263 (직장) 284 (직무) 207 (일자리)으로 확인되었다 흥미로운 부분은 비네트워크 경로의 이직에서 이직

을 통한 만족도 개선의 효과가 소폭 높게 나타난 이다 이는 비네트워크 이직 사례들이 상당수

의 lsquo공개채용rsquo 입사자를 포함하기 때문에 나타난 상으로 보인다 lsquo공개채용rsquo은 주로 종업원 300인 이상의 규모가 큰 기업에서 집 으로 활용되고 있다25) 이들 큰 기업에 lsquo공개채용rsquo으로 입사

한 이들은 그 직장에 비해 주 인 만족도가 크게 향상되었을 것이다 이러한 lsquo공개채용rsquo 사례들이 비네트워크 이직의 만족도 개선효과를 다소 증폭시키는 역할을 하 을 것으로 추정된다

반면 비네트워크 이직을 통한 만족도 개선이 네트워크 이직에 비해 다소 크다고 하여 이것이

24) 이는 분석에 사용된 세 가지 방식의 PSM 추정치들을 산술평균하여 정리한 수치들임 25) 이 부분에 한 구체 인 설명은 발간 정인 한국개발연구원 정책연구시리즈 lsquo인 네트워크(개인의 사회 자본)

의 노동시장 효과 분석rsquo을 참조하기 바란다 ( 자에게 요청시 수령가능함)

이직과정에서의 인 네트워크 요성은 인정되지 않는다는 식으로 해석될 수 없음을 유념하여야

한다 국내 이직과정에서의 인 네트워크 의존도는 해외 주요국에 비해 상당히 높은 수 이다 략 65 안 의 경력직 취업자들이 인 네트워크를 활용하여 구직에 성공하 다고 추정되고 있

다26) 만약 재 이직을 고려하고 있는 국내 한 근로자가 구직활동에서 인 네트워크 활용을 포기

한다면 이 근로자의 이직 성공 가능성은 매우 낮아질 것이다 즉 개인의 이직 성공률을 높이기

해서는 평소에 꾸 한 구직 네트워크 리가 요청된다 할 수 있다 특히 이직수요라는 것은 많은

경우 자신의 의도와는 다르게 외부 충격으로 인해 발생한다 회사의 경제 환경이 변화하기도

하지만 자신의 심사가 바 기도 하고 가족의 갖가지 필요에 의해 이직이 요구되기도 한다 즉 언제 발생할지 모르는 이직수요에 히 응하기 해서는 이직의 주요한 통로라 할 수 있는 인

네트워크에 한 상시 리가 요청되는 것이다 따라서 이직을 고려한 인 네트워크의 상시

리 이를 한 개인의 갖가지 비용 지출은 향후 발생 가능한 험에 처하기 하여 자동

차나 암 보험을 구매하는 것과 같이 기꺼이 지불해야 할 미래에 한 투자라 할 수 있다

26) 역시 한국개발연구원 정책연구시리즈 lsquo인 네트워크(개인의 사회 자본)의 노동시장 효과 분석rsquo을 참조하기 바

란다

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1371) 3662 1201 2460 403

조군(11274) (0610)

Radius Matching 실험군(1362) 3543 1009 2534 436

조군(11274) (0581)

Kernel Matching(Normal) 실험군(1372) 3659 1165 2494 434

조군(11274) (0564)

체 이직효과 평균 362 113 250

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 3309 1169 2140 293

조군(11274) (0730)

Radius Matching 실험군(879) 3231 0939 2292 331

조군(11274) (0693)

Kernel Matching(Normal) 실험군(881) 3309 1146 2162 315

조군(11274) (0686)

네트워크 이직효과 평균 328 108 220

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(380) 4224 1525 2699 224

조군(11274) (1206)

Radius Matching 실험군(373) 3981 1438 2543 217

조군(11274) (1171)

Kernel Matching(Normal) 실험군(381) 4213 1565 2647 230

조군(11274) (1149)

비네트워크 이직효과 평균 414 151 263

lt표 9gt 이직을 통한 직장만족도 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1377) 2850 0701 2149 363

조군(11285) (0592)

Radius Matching 실험군(1368) 2767 0626 2140 381

조군(11285) (0562)

Kernel Matching(Normal) 실험군(1378) 2852 0648 2204 398

조군(11285) (0554)

체 이직효과 평균 282 066 216

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(884) 2302 0808 1494 211

조군(11285) (0707)

Radius Matching 실험군(882) 2256 0658 1598 238

조군(11285) (0670)

Kernel Matching(Normal) 실험군(884) 2302 0654 1648 249

조군(11285) (0661)

네트워크 이직효과 평균 229 071 158

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 3648 0577 3072 269

조군(11285) (1142)

Radius Matching 실험군(374) 3463 0774 2688 245

조군(11285) (1098)

Kernel Matching(Normal) 실험군(382) 3652 0888 2764 257

조군(11285) (1077)

비네트워크 이직효과 평균 359 075 284

lt표 10gt 이직을 통한 직무만족도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1375) 2909 1571 1338 217

조군(11261) (0617)

Radius Matching 실험군(1366) 2818 1276 1543 262

조군(11261) (0588)

Kernel Matching(Normal) 실험군(1376) 2907 1147 1760 303

조군(11261) (0581)

체 이직효과 평균 288 133 155

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(882) 2523 1626 0897 121

조군(11261) (0742)

Radius Matching 실험군(880) 2472 1246 1225 173

조군(11261) (0707)

Kernel Matching(Normal) 실험군(882) 2523 1139 1383 198

조군(11261) (1697)

네트워크 이직효과 평균 251 134 117

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 3609 1499 2110 176

조군(11261) (1196)

Radius Matching 실험군(374) 3409 1530 1879 163

조군(11261) (1151)

Kernel Matching(Normal) 실험군(382) 3599 1365 2235 197

조군(11261) (1133)

비네트워크 이직효과 평균 354 146 207

lt표 11gt 이직을 통한 일자리만족도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이 를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

2 이직을 통한 배치효율성의 변화

다음은 이직의 다른 측면인 일자리 재배치의 문제에 해 살펴보고자 한다 이직은 각 개인

에 있어서는 직장생활의 변화라 할 수 있지만 기업의 입장에서는 노동인력의 교환에 해당한다 따라서 이직을 통한 노동인력의 재배치가 과연 사회 반의 경제 이익을 창출하고 있는지를 따

져 볼 필요가 있다 앞서 lt표 7gt에서 기술수 교육수 교육기술복합지수 이 세 가지 합도에 해 이직자

비이직자 집단 내의 연간 변화를 정리한 바 있다 여기서 비이직자의 경우 각 지수에서 연간 합

도가 소폭 하락한 것으로 나타났고 이직자의 경우 합도가 크게 상승한 것으로 나타났다 비이

직자는 기술수 의 합도에서 0058 이 교육수 의 합도에서 0142 이 그리고 교육기술수

의 복합지수에서는 0091 이 하락한 데 반해 이직자들은 각기 2350 (기술) 2556 (교육) 2422(복합지수)의 합도 상승이 발견되었다 비이직자들의 합도 하락은 기술이나 경제환경의 변

화와 한 련이 있다 경쟁력 있는 기술 이에 한 사회 수요가 시간에 따라 변화하므로 직장에서의 자신의 기술 혹은 교육수 은 (평균 으로 보아) 이 보다 합성이 다소 떨어지게

마련이다 반면 이직자들의 합도 상승이 과연 이직의 순효과인지에 해서는 여 히 의문의 여

지가 크다 이직을 결행한 이들은 이 직장에서의 직무 련 합도가 평균 으로 크게 떨어지는

이들이다 를 들어 최종샘 에서 이직을 하지 않은 이들의 한 해 기술 합도는 평균 9066인 데 반해 이직을 결행한 이들의 한 해 (이 직장에서의) 기술 합도는 평균 8547 에 머무

는 것으로 나타났다 이들은 애 에 워낙 합도가 떨어지기 때문에 굳이 이직을 택하지 않더라

도 직무재배치나 직장 내 부서이동 등을 통하여 1년 사이에 상당한 정도의 합도 개선을 이루었

을 것으로 상된다따라서 이직을 통한 배치효율성의 개선효과 즉 반 인 근로자의 직무 련 합도 상승효

과를 명확히 규명하기 해서는 이직한 이들이 이직을 하지 아니하 을 때에 상되는 합도의

개선을 우선 추정해 볼 필요가 있다 이것은 앞서 설명하 듯이 Counterfactual의 추정을 통해서만

이 가능하다 lt표 12gt lt표 13gt lt표 14gt는 PSM을 이용하여 비이직자들의 정보로부터 이직자들의

Counterfactual을 추정한 뒤 이를 보고하고 있다 세 방식(Five Nearest Neighbors Radius Matching Kernel Matching)의 추정치를 산술평균하면 기술 합도에서는 088 교육 합도에서는 057 교육

기술복합지수에서는 075 의 상승이 확인되었다(각 표의 lsquo매칭된 조군 변화(B)rsquo 항목을 참조) 이를 실험군 즉 실제 이직자들의 합도 상승(각 표의 lsquo실험군 변화(A)rsquo 항목)과 비교하면 순이직

효과는 각기 131 (기술) 183 (교육) 140 (복합지수)에 이르는 것으로 결론지을 수 있다 반

면 교육과 복합지수에서는 이들 순이직효과가 통계 으로 유의하게 나타났으나 기술수 의

합도에서는 이 효과가 통계 으로 뚜렷하지 않았다 10의 유의도에서 검증할 때 Kernel Matching을 제외한 나머지 두 개의 PSM 매칭에서 통계 유의성을 확보할 수 없었다 이에 이직

을 통한 교육수 의 합도 개선효과는 분명한 반면 기술수 의 합도 개선은 통계 으로 입증

되지 않는다고 결론지을 수 있다 교육기술복합지수의 경우 이 두 가지 효과가 첩되어 나타난

것으로 교육수 의 합도 개선이 워낙 뚜렷하기 때문에 통계 으로 유의한 지수상승이 나타난

것으로 단된다 이상과 같이 이직을 통해 교육수 합도의 개선이 보다 효과 으로 이루어지

는 것은 채용과정에서 후보자의 교육수 이 기술수 에 비해 객 인 자료를 이용하여 검증하

기가 보다 용이하기 때문인 것으로 보인다

그럼 이직을 통한 배치효율성 개선 측면에서 인 네트워크의 역할을 살펴보도록 하자 네트

워크 경로 이직과 비네트워크 경로 이직으로 나 어 이직효과를 각기 추정해 보면 둘 사이에 의

외의 뚜렷한 차이가 존재함을 확인할 수 있다 네트워크 경로의 이직인 경우 이직을 통한 합도

개선효과가 통계 으로 유의한 수 에서 매우 높게 나타난다 이직의 순효과는 각기 213 (기술) 252 (교육) 126 (복합지수)에 이른다 반면 비네트워크 경로의 이직인 경우 이 효과는 모두 사

라져 버린다 즉 이직효과는 기술 합도 교육 합도 교육기술복합지수 모두에서 양과 음을 반복

하고 통계 유의성도 확보되지 않는다 즉 비네트워크 경로를 통한 이직에서는 일자리 재

배치를 통한 사회 반의 경제 이득을 기 할 수 없는 것이다 앞서 교육 합도 개선에 있어 이

직의 반 인 효과가 통계 으로 강하게 나타났는데 이 효과의 부분은 비네트워크 경로 이직

보다는 네트워크 경로 이직으로부터 창출된 것임을 짐작할 수 있다 특히 기술 합도를 보면 이직자들의 합도 개선은 네트워크와 비네트워크 이직 사이에 뚜렷

한 차이를 보이는데 네트워크 이직자들의 합도 개선은 평균 292 인 데 반해 비네트워크 이직

자들의 합도 개선은 평균 048 에 그친다 인 네트워크를 활용하지 않고 이직을 하 을 경우 이직을 하 음에도 불구하고 기술 합도의 개선은 평균 으로 거의 기 되지 않는 것이다 이는

앞서 주 만족도의 개선효과와 비교하여 매우 상반된 결과에 해당한다 이직을 통한 주 만

족도의 개선에서는 네트워크와 비네트워크 이직 모두 그 효과가 분명하 으며 특히 비네트워크

이직자들의 주 만족도 개선폭은 3 내지 4 에 이르 다 이는 네트워크 이직자들의 만족

도 개선폭에 비해서도 1 가량 높은 수치 다 따라서 이직이 반 으로 개인의 주 만족도

를 개선하는 효과가 있으나 배치효율성의 개선 측면에서는 오직 인 네트워크에 의존한 이직만

이 재배치의 분명한 경제 효과를 평균 으로 창출한다고 결론지을 수 있다 이러한 네트워크와 비네트워크 사이의 뚜렷한 이직효과의 차이는 네트워크가 지닌 정보 달

기능에 기인한 것으로 단된다 인 네트워크는 구인자와 구직자 사이에 훌륭한 정보 달 기능

을 수행하고 있다 구직자에게는 어떠한 일자리가 구직자의 기술능력 혹은 교육수 에 비추어

합한지에 한 정보를 제공하고 구인자에게는 구인자가 필요로 하는 합한 기술의 소유자가

구인지에 한 정보를 제공하는 것이다 이는 평소에 구인자와 구직자 모두를 아우르는 간 매개

로서의 인 네트워크가 있었기에 가능한 것이다 반면 비네트워크에서는 이러한 효과를 기 하

기 힘들다 비네트워크 채용에서는 주어진 서류와 단시간의 인터뷰 혹은 직무능력 테스트만을 가

지고 합한 인력을 선발하여야 한다 lsquo공개채용rsquo의 경우 많은 지원자들의 경쟁을 거치므로 상으로 보다 합한 후보자를 선별할 수 있을 것이다 그러나 lsquo직 찾아가서rsquo 형태의 입사에서는

이러한 경쟁의 과정 역시 생략되므로 높은 합도를 지닌 후보의 채용은 더욱 기 하기 힘들다 정리하자면 인 네트워크는 국내 노동시장에서 일자리와 일자리 후보 사이의 활발한 정보 달

기능을 수행함으로써 노동시장의 효율 작동을 돕고 있는 것이다 끝으로 이러한 네트워크 이직의 배치효율성이 모든 이직 사례에 일 으로 용되는 것이

아님을 주지할 필요가 있다 인 네트워크가 구인과 구직 사이의 lsquo연결(Networking)rsquo 기능을 수행

할 때 이상의 정 인 효과를 기 할 수 있을 것이나 이 둘 사이의 lsquo연 rsquo로서 기능할 때는 오히

려 역효과를 래할 수 있다 즉 인 네트워크를 통하여 합하지 않은 지원자를 연 로 채용시

키는 경우 해당 일자리에 한 매치 합성은 네트워크 이직으로 인해 오히려 감퇴할 수 있다 우리는 이상의 분석을 통하여 국내 노동시장에서 네트워크 이직의 반 인 교육 기술 수

합도 개선효과를 확인한 바 있다 이는 국내 노동시장의 고용 로세스에서 lsquo연 rsquo의 부정 효과

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1374) 2220 1095 1124 121

조군(11245) (0929)

Radius Matching 실험군(1365) 2088 0735 1353 155

조군(11245) (0874)

Kernel Matching(Normal) 실험군(1375) 2255 0795 1460 168

조군(11245) (0869)

체 이직효과 평균 219 088 131

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 2951 0919 2032 181

조군(11245) (1125)

Radius Matching 실험군(879) 2844 0746 2098 198

조군(11245) (1057)

Kernel Matching(Normal) 실험군(881) 2951 0702 2250 214

조군(11245) (1049)

네트워크 이직효과 평균 292 079 213

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 0525 2297 -1772 -096

조군(11245) (1840)

Radius Matching 실험군(374) 0267 0868 -0600 -034

조군(11245) (1753)

Kernel Matching(Normal) 실험군(382) 0654 1297 -0642 -037

조군(11245) (1746)

비네트워크 이직효과 평균 048 149 -100

보다는 구인구직 간 lsquo연결rsquo이라는 네트워크의 정 효과가 보다 강하게 작동하고 있음을 시사

한다

lt표 12gt 이직을 통한 기술적합도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1380) 2428 0630 1797 193

조군(11300) (0931)

Radius Matching 실험군(1371) 2298 0496 1802 207

조군(11300) (0872)

Kernel Matching(Normal) 실험군(1381) 2462 0586 1876 216

조군(11300) (0869)

체 이직효과 평균 240 057 183

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(886) 3047 0342 2705 245

조군(11300) (1106)

Radius Matching 실험군(884) 2885 0528 2357 227

조군(11300) (1037)

Kernel Matching(Normal) 실험군(886) 3047 0551 2496 243

조군(11300) (1029)

네트워크 이직효과 평균 299 047 252

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(382) 1702 2007 -0305 -016

조군(11300) (1891)

Radius Matching 실험군(375) 1600 0559 1041 058

조군(11300) (1788)

Kernel Matching(Normal) 실험군(383) 1828 0910 0917 051

조군(11300) (1793)

비네트워크 이직효과 평균 171 116 055

lt표 13gt 이직을 통한 교육적합도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1374) 2293 0893 1399 155

조군(11245) (0904)

Radius Matching 실험군(1365) 2161 0641 1520 179

조군(11245) (0850)

Kernel Matching(Normal) 실험군(1375) 2327 0711 1616 191

조군(11245) (0847)

체 이직효과 평균 226 075 140

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 2951 0643 2308 212

조군(11245) (1087)

Radius Matching 실험군(879) 2816 0662 2154 211

조군(11245) (1021)

Kernel Matching(Normal) 실험군(881) 2951 0645 2306 228

조군(11245) (1014)

네트워크 이직효과 평균 291 065 226

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 1115 2233 -1118 -062

조군(11245) (1816)

Radius Matching 실험군(374) 0936 0749 0187 011

조군(11245) (1727)

Kernel Matching(Normal) 실험군(382) 1243 1131 0112 007

조군(11245) (1726)

비네트워크 이직효과 평균 110 137 -027

lt표 14gt 이직을 통한 교육기술복합지수의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

3 이직을 통한 임금수준의 변화

다음은 이직을 통한 임 수 의 변화가 실재하는지 검토하고자 한다 네트워크 이직과 비네트

워크 이직을 나 어 볼 때 앞서 우리는 네트워크 이직이 일자리 매치 합도를 히 개선한다

고 밝힌 바 있다 임 이 근로자의 생산성 기여분을 그 로 반 한다고 한다면 네트워크 이직에

따른 매치 합도의 개선은 근로자의 임 상승으로 이어져야 할 것이다 앞서 lt표 7gt의 단순비교에서 이직자들의 연간 임 상승분이 평균 9088만원 비이직자들의 연

간 임 상승분은 2782만원으로 집계된 바 있다 둘 사이의 격차가 6307만원에 이른다 한 해 사

이에 이직한 이들의 연간 임 상승폭이 직장을 그 로 유지한 이들의 연간 임 상승폭 보다

히 높은 수 인 것이다 하지만 이러한 단순비교는 선택편의(Selectoin Bias) 문제를 역시 고려하지

않고 있으므로 이직의 직 인 임 상승효과라 볼 수는 없다 즉 실제로 이직을 결행한 이들의

이직 임 수 은 같은 시기 직장을 그 로 유지한 이들에 비해 상 으로 낮은 수 일 가능

성이 높다 이들이 직장을 그 로 유지하 다면 다른 이들에 비해 히 높은 수 의 임

상승을 경험하 을 것이다 실제 이직한 이들이 만약 이직을 하지 않고 직장을 그 로 유지하

을 때 상되는 임 상승분 즉 이직자 임 상승분의 Counterfactual을 PSM 방식을 활용하여 추

정한 수치가 lt표 15gt의 lsquo 조군 변화(B)rsquo에 요약되어 있다 이에 따르면 실제 이직자들이 이직을

하지 않았을 때 기 할 수 있는 임 상승분은 략 5만원 정도에 이르는 것으로 나타난다 따라

서 이직에 따른 임 상승의 순효과는 앞서 제시한 6307만원이 아닌 이보다 상당히 축소된 386만원이다 이는 lt표 15gt에 정리된 바와 같이 PSM을 활용한 세 가지 추정치의 산술평균으로 추산

된 값이다 한 이러한 이직의 임 상승효과는 통계 으로도 유의한 것으로 확인되었다 반면 네트워크 경로 이직자와 비네트워크 경로 이직자의 임 상승분을 비교해 보면 둘 사이

에 상당한 격차가 존재함을 쉽게 확인할 수 있다 네트워크 이직자들의 이직을 통한 임 상승효과

는 통계 으로 유의한 수 에서 략 384만원으로 추정되는 반면 비네트워크 이직자들의 임

효과는 -077만원이고 이는 통계 으로도 유의하지 않다 즉 네트워크를 활용하여 이직하 을

때 뚜렷한 임 상승이 기 되는 반면 인 네트워크를 활용하지 않고 이직하 을 때는 이 효과

를 확신할 수 없을 뿐더러 다소 하락할 가능성도 있는 것이다 따라서 앞서 확인된 이직을 통한

반 인 임 상승의 효과는 네트워크 이직을 통해 창출된 효과이며 비네트워크 이직을 통한

기여는 뚜렷하지 않은 것으로 결론지을 수 있다이직은 새로운 일자리에 자신의 기술 직무 능력을 응시키는 과정이다 따라서 임 상승

효과가 이직 기에 항상 담보되지는 않을 것이다 반면 인 네트워크를 활용하 을 때 자신에

게 보다 합한 일자리에 배치됨으로써 즉 자신의 능력과 잠재력을 보다 잘 발휘할 수 있는 직무

에 재배치됨으로써 이상의 추가 인 임 상승을 기 할 수 있는 것이다 이는 앞서 이직을 통한

배치효율성 검증에서 확인되었던 네트워크 이직의 기술수 (혹은 교육수 ) 합도 상승효과와

일맥상통하는 결과이다 인 네트워크를 활용한 이직은 임 근로자를 보다 합한 일자리에 재

배치하는 데 일조하고 이것이 생산성에의 보다 높은 기여를 창출함으로써 이직자들의 추가 인

임 상승으로 이어지는 것이다물론 이러한 해석은 평균 인 추세를 반 한 것임에 유념할 필요가 있다 네트워크 이직의 사례

에는 앞서 말한 생산 인 lsquo연결rsquo 효과가 아닌 비생산 인 lsquo연 rsquo 효과 혹은 정실인사(Nepotism)가

작동한 경우들도 상당할 것이다 이 경우 생산성에의 기여가 충분하지 않음에도 불구하고 기술이

나 능력에 비해 임 을 후하게 설정할 가능성이 높다 이러한 lsquo연 rsquo형 이직을 통한 임 상승 역

시 네트워크 이직의 임 상승효과라 볼 수는 있겠으나 이것이 일자리 배치효율성의 개선을 반

한다고 볼 수는 없는 것이다 따라서 앞서 추정한 네트워크 이직의 임 상승효과 384만원이

으로 일자리 매치 합도 개선효과에서 기인한다고 단정 지을 순 없다 한 비네트워크 이직 역

시 평균 으로 임 상승의 효과가 포착되지 않은 것일 뿐 비네트워크 이직의 표본 에는 실제로

임 이 크게 상승한 사례들도 상당히 존재할 수 있다 를 들어 lsquo공개채용rsquo 방식의 입사인 경우 경합자들에 비해 채용 합격자의 해당 일자리 합성이 보다 우수하다고 단되어 채용된 사례가

많을 것이다 이 게 경쟁을 거쳐 채용된 이들은 이 에 비해 상당히 높은 수 의 임 상승을 기

할 수 있다 반면 비네트워크 이직에서 반 인 임 상승의 효과가 포착되지 않는 것은 비네트워크 이직

이 격한 주 만족도의 개선을 이끌었던 것과 비교하여 매우 조 인 상이다 많은 이들의

상식과는 달리 이직의 결정은 임 만족도 수 과 직결되어 있지 않다 앞서 제4 에서 우리는 이

직의 향요인들을 분석해 본 바 있다 이직의 결정이 업무만족도 복지후생만족도 취업 안정성에

한 만족도 등 다양한 요소에 민감하게 반응하는 반면 임 에 한 만족도와는 통계 으로 유의

한 수 에서의 연 성이 포착되지 않았다 개인의 이직 결정은 임 이외에 다양한 요소들을 종합

으로 고려한 단 결과라 할 수 있다 체로 이직은 다양한 방면에서 개인의 주 만족도를

격하게 향상시킨다 반면 자신의 기술(교육)수 과 일자리의 매치 합성의 문제는 이직자들에

게는 부차 인 고려 상에 해당한다 임 수 의 개선 역시 이직 시 고려되는 한 요소이겠으나 인 요소는 아니고 다양한 향요인 의 하나로 볼 수 있는 것이다 이러한 에서 비네트워

크 이직이 다소 상반된 효과(즉 주 만족도의 한 개선효과와 미미한 수 의 임 개선효

과)를 동시에 보여주고 있는 것은 일견 자연스러운 상이다

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1375) 8887 5274 3613 184

조군(11340) (1962)

Radius Matching 실험군(1366) 8842 4813 4029 208

조군(11340) (1936)

Kernel Matching(Normal) 실험군(1376) 8861 4916 3945 206

조군(11340) (1880)

체 이직효과 평균 886 500 386

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(882) 8943 5519 3423 150

조군(11340) (2285)

Radius Matching 실험군(880) 8827 4855 3972 178

조군(11340) (2231)

Kernel Matching(Normal) 실험군(882) 8943 4819 4124 186

조군(11340) (2217)

네트워크 이직효과 평균 890 506 384

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 4772 5672 -0900 -024

조군(11340) (3685)

Radius Matching 실험군(374) 4805 5201 -0396 -011

조군(11340) (3661)

Kernel Matching(Normal) 실험군(382) 4691 5716 -1025 -028

조군(11340) (3601)

비네트워크 이직효과 평균 476 553 -077

lt표 15gt 이직을 통한 임금수준의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

VIII 구직 네트워크의 사회적 자본 추정

근로자 개인의 측면에서 구직 네트워크의 가치를 추정해 보자 앞서 네트워크 이직을 통한 임

상승효과를 3840만원으로 추정하 다 이는 2008년 기 액이다 연간 물가상승률을 감안하

면27) 2010년 재가로 4074만원에 해당한다 평소에 구직 네트워크를 히 리하여 이직에서

이를 활용한다면 한 번의 이직으로 4만원 안 의 추가 인 임 상승을 기 할 수 있는 것이다 연으로는 489만원 가량의 임 이 이직 이후 매년 추가 으로 지 되는 것으로 해석될 수 있다28)

한편 이직이라는 것은 근로자의 생애를 걸쳐 발생하는 사건이다 임 근로자를 심으로 한

재의 최종샘 에서 연간 일자리 이동비율은 평균 993에 이른다 직종 업종에 따라 혹은 재

직 회사의 규모에 따라 이직률에는 상당한 차이가 있겠으나 체 임 근로자를 상으로 하 을

때 략 10년에 한 번 정도의 이직이 상되는 것이다 임 근로자의 생애를 걸쳐 살펴보면

이직은 주로 직장생활 후기보다는 기에 집 되어 있다 [그림 5]는 최종샘 15705명 임 근로

자를 상으로 한 각 연령별 이직률 추이를 나타낸다 생애 이직률은 20 후반에 가장 높고 30 반에 주춤하다가 30 후반에 다시 상승하고 40 이후에 하강하는 추세임을 확인할 수

있다

[그림 5] 연령별 이직률(26세부터 59세까지)

(단 )

0

2

4

6

8

10

12

14

16

18

26 28 30 32 34 36 38 40 42 44 46 48 50 52 54 56 58

연령(만)

자료 노동패 5차부터 10차까지

이를 활용하면 임 근로자 한 사람이 평생에 걸쳐 기 할 수 있는 이직의 임 상승효과를 추

정해 볼 수 있다 첫 취업의 평균연령이 265세임을 고려하여 표 인 임 근로자(A Representative Worker)가 26세부터 60세까지 노동시장에 참여한다고 가정해 보자 인 네트워크

27) 여기에 연평균 물가상승률 3를 용하 다 실제 임 상승률도 2009년의 임 이 융 기 여 로 거의 동결이었

음을 고려할 때 2년간 략 6에 해당한다 28) 여기서는 네트워크 이직의 임 리미엄(연 489만원 상승)이 이직 후 매년 지속된다고 가정하고 있다 실제로

리미엄이 상당 기간 지속되는지 아니면 이직 후 빠르게 축소되는지에 한 국내 실증분석은 향후 과제로 남겨져

있다

를 활용한 이직만이 평균 인 임 상승효과를 가져온다는 을 고려할 때 구직 네트워크의 생애

가치()는 다음과 같이 요약된다29)

times timestimestimes (11)

여기서 는 연령 에서의 상 이직률(Job Transfer Rate)을 나타낸다 은 이직 시 인 네

트워크에 한 의존도 수 이다 는 네트워크 이직에 따른 월평균 임 상승의 효과이다 여기

에 [그림 5]에 요약된 이직률의 생애 추이를 에 입하자 여기서 경력직 이직자의 인 네트

워크 의존도가 60 반(plusmn5 이내)으로 추산된 을 고려하여 에 64를 입하도록 하자30) 그리고 에 앞서 추정한 네트워크 이직의 임 상승효과 4074만원(2010년 기 )을 입하면 구직 네트워크의 생애 가치()는 18720만원으로 집계된다 만약 에 이직률의 생애 추

이 신 최종샘 에서 구한 평균이직률 993를 연령 에 걸쳐 일률 으로 사용한다면 이와

유사한 수치인 18486만원을 얻을 수 있다 따라서 한국사회 임 근로자 한 사람의 구직 네트워크

가치는 보상 측면에서 략 일천 1870만원 수 인 것으로 결론지을 수 있다 물론 이 수치는 이직을 통한 이득만을 반 하고 있을 뿐 주 만족도의 개선효과는

반 하고 있지 않다 앞서 우리는 일자리 이동을 통해 창출되는 개인의 만족도 변화를 직장만족

도 직무만족도 일자리만족도 이 세 가지 측면에서 고려해 보았다 네트워크 이직과 비네트워크

이직 모두 만족도의 개선효과를 보 다 그러나 국내 노동시장에서 이직의 약 60 이상이 인

네트워크에 의존하고 있음을 고려할 때 임 근로자 한 개인이 구직 네트워크를 리하지 않는다

면 그의 이직률은 에서 60 이상 추락할 것이다 이를 고려하여 구직 네트워크의 생애 만족

도 개선효과()를 다음과 같이 요약할 수 있다31)

timestimestimestimes (12)

여기서 는 네트워크 이직을 통한 주 만족도의 개선폭을 나타낸다 앞서 네트워크 이직

이 창출하는 주 만족도의 개선효과가 100만 에서 220 (직장만족도) 158 (직무만족도) 117 (일자리만족도) 정도임을 확인하 다 이 세 수치의 평균치가 네트워크 이직의 만족도 개선

효과를 히 변하고 있다고 한다면 의 략 인 추정치는 165 이 된다 이를 입하면

구직 네트워크의 만족도 개선효과는 략 7582 으로 추산된다 만족도 1 을 으로 환산하

여 만원에 해당한다고 표시하면 구직 네트워크의 임 근로자 일인당 생애가치()는 임

상승효과()와 만족도 개선효과()의 합으로써 다음과 같이 요약된다

equiv (=18720+7582) (13)

구직 네트워크의 가치 (18720+7582n)만원이 함의하는 바를 명확히 규정하기는 쉽지 않다 특히 개인마다 일자리에서 얻는 주 만족도를 가치로 환산하는 방식이 다를 것이다 를 들

29) 구직 네트워크의 재 가치를 추산하기 해서는 시간할인률을 용할 필요가 있으나 여기서는 이를 생략하 다 시간할인률이 용된 추정치는 재 계산된 값보다 다소 하락할 것이다

30) 이에 한 보다 구체 인 설명은 본 논문의 보다 상세한 내용이 실린 한국개발연구원 정책연구시리즈로 출간 정

인 lsquo인 네트워크(개인의 사회 자본)의 노동시장 효과 분석rsquo 보고서를 참조 바란다 31) 앞서와 마찬가지로 구직 네트워크의 재 가치를 추산하기 해서는 시간할인률을 용할 필요가 있으나 여기서는

이를 생략하 다 시간할인률이 용된 추정치는 재 계산된 값보다 다소 하락할 것이다

어 어떤 이들에게는 이득만이 요하고 주 만족도는 경시될 수 있다 이들에게 n은

lsquo0rsquo에 가까운 것이다 반면 다른 이들에게는 일자리에서 얻는 주 만족도가 임 소득보다

몇 배 이상 요할 수 있다 이들에게 n은 1보다 큰 양수가 될 것이다 구직 네트워크의 가치를 수

치로 악해 보고자 n=1인 근로자를 상정해 보자32) 이 사람에게 만족도 1 은 1만원만큼의

효용을 창출한다 이 근로자에게 구직 네트워크의 종합 가치는 26302만원에 이른다고 평가할

수 있다 이러한 구직 네트워크의 종합 가치를 개인의 물 혹은 인 자본과 별하여 근로자

개인의 구직 네트워크 사회 자본이라 명할 수 있다추정한 구직 네트워크의 가치인 (18720+7582n)만원은 한국사회의 임 근로자 각 개인이 구직

네트워크의 유지 리를 하여 기꺼이 지불할 용의가 있는 비용을 나타낸다 만족도 1 이 1만원의 효용이 있다면 즉 n=1이라면 이는 1224개월치 월 ( 략 일년치 연 )에 해당한다33) 이는 결코 작지 않은 액수이다 한국사회의 구성원들은 다양한 방식으로 네트워크를 리하고 있다 동창회 동호회 업계 계자와의 술자리 각종 경조사 참여 Social Network Service(SNS) 활동 등

이 이에 해당한다 이들 활동은 그 자체로서 정서 효용을 창출하지만 생 인 경제 이득

한 간과할 수 없다 이는 업무에 필요한 유용한 정보의 획득이나 업거래망의 확장이기도 하고 구직 네트워크의 변 확 자기 PR(Public Relations)이기도 하다 네트워크의 리는 그에 상

응하는 비용을 수반한다 이는 만남에 따른 지출에서부터 시간사용까지를 포함한다 구직

네트워크의 효과성 측면에서 보았을 때 한국사회 근로자 개인은 상당한 비용( 를 들어 n=1인 경

우 략 일년치 연 에 해당하는 비용)을 구직 네트워크의 유지 리를 하여 생애를 거

쳐 기꺼이 지불할 용의가 있다고 볼 수 있는 것이다

IX 결론

이제까지 우리는 국내 고용시장에서의 인 네트워크 활용의 효과성을 다각 인 측면에서 살

펴보았다 인 네트워크를 활용한 이직의 직장생활만족도 개선효과는 100 만 에 약 165 34)

에 달하는 것으로 확인되었으며 직무 합도 개선효과는 100 만 에 약 197 35)에 이르는 것으

로 나타났다 한 인 네트워크를 활용한 이직은 임 상승을 동반하는데 그 규모는 월평균 임

으로 4074만원(2010년 기 )인 것으로 확인되었다 반면 인 네트워크를 활용하지 않은 이직

에서도 직장생활만족도의 개선효과가 일부 포착되었으나 일자리 합도에 한 개선이나 임 상

승효과는 확인되지 않았다 즉 구인자와 구직자를 연결시켜주는 인 네트워크의 효율 인 정보

달 기능이 확인된 것이다 이를 통해 임 근로자 개인의 구직 네트워크의 가치 즉 lsquo네트워크 사

회 자본rsquo을 추정해 보면 구직 네트워크의 생애 가치는 18720만원으로 집계되었으며 여기에 주 만족도에 한 보상 측면까지 고려하면 만족도 1 의 가치를 만원으로 환산

할 때 략 (18720+7582)만원에 이르는 것으로 집계되었다

32) 실제로 일반 인 수 에서 n은 1보다 상당히 클 것으로 상된다 주어진 표본에서 주 만족도의 평균은 략

55 내외인 반면 임 수 의 평균은 략 200만원 내외이다 즉 두 수치의 Scale이 네 배 가량 차이가 난다 33) 26302만원을 차수 임 수 (20247만원)의 2010년도 기 가치인 2148만원으로 나 면 1224개월이 나온다 34) 직장만족도 개선효과 220 직무만족도 개선효과 158 일자리만족도 개선효과 117 의 산술평균값 용 시 35) 기술 합도 개선효과 213 교육 합도 개선효과 252 교육기술복합지수 개선효과 126 의 산술평균값 용

참 고 문 헌

고용노동부 985172고용노동백서985173 2010김동헌김상호 「직업탐색과 자발 이직」 2001 경제학 공동학술 회 발표문 2010 김성훈 「사회연결망과 공식경로를 통한 첫 취업의 개인 결과와 사회 결과」 985172한국사회학985173 제39집 제1호

2005 김성훈 「 문직의 취업경로 사회연결망과 공식경로를 심으로」 985172한국사회학985173 제40집 제5호 2006 김성훈 「취업자의 사회연결망 활용에 한 향요인 연구」 985172노동경제논집985173 제26권 제3호 2003김용학 985172사회연결망 이론985173 박 사 2003류석춘 외 985172한국의 사회자본 역사와 실985173 백산출 사 2008 송호근김우식이재열 985172한국사회의 연결망 연구985173 서울 학교 출 부 2004안재희 985172구직과 제도 사회자본985173 한국학술정보(주) 2008우천식 편 985172한국경제사회와 사회 자본985173 한국개발연구원 2007이 면나인강 「직장만족도와 이직행 에 한 패 분석」 985172제5차 한국노동패 학술 회 논문집985173 2004이 면나인강 「비정규직의 이직 이직사유 근속기간에 한 연구」 985172제6차 한국노동패 학술 회 논

문집985173 2005이상호 「노동패 의 주 만족도 측정」 985172노동리뷰985173 통권 제17호 2006 pp77~86이병훈 「구직활동의 향요인에 한 탐색 연구」 985172노동경제논집985173 제25권 제1호 2002 pp1~21 통계청 985172경제활동인구조사985173 2010한국노동연구원 985172사업체패 조사985173 2007KDI 국제정책 학원 985172사회 자본 확충을 한 기본조사 정책연구985173 2007

Blau David and Philip Robins ldquoJob Search Outcomes for the Employed and Unemployedrdquo Journal of Political Economy 98(3) 1992 pp637~655

Bourdieu P ldquoThe Forms of Capitalrdquo in J G Richardson (ed) Handbook of Theory and Research for the Sociology of Education New York Greenwood 1986

Cochran William and Donald Rubin ldquoControlling Bias in Observational Studies A Reviewrdquo Sankhya 35 1973 pp417~446

Datcher Linda ldquoThe Impact of Informal Networks on Quit Behaviorrdquo Review of Economic Statistics 65(3) 1983 pp491~495

Dawid A ldquoConditional Independence in Statistical Theoryrdquo Journal of Royal Statistical Society B 41 1979 pp1~31

Dehejia R and S Wahba ldquoCausal Effects in Nonexperimental Studies Reevaluating the Evaluation of Training Programsrdquo Journal of the American Statistical Association 94 1999 pp1053~1062

Dehejia R and S Wahba ldquoPropensity Score-Matching Methods for Nonexperimental Causal Studiesrdquo The Review of Economics and Statistics 84 2002 pp151~161

Glaeser E D Laibson and B Sacerdote ldquoAn Economic Approach to Social Capitalrdquo The Economic Journal 112 2002

Gottschalk P and T Maloney ldquoInvoluntary Termination Unemployment and Job Matching A Test of Job Search Theoryrdquo Journal of Labor Economics 3 1985 pp109~123

Granovetter Mark S Getting A Job A Study of Contracts and Careers Chicago University of Chicago Press 1975

Heckman J H Ichimura J Smith and P Todd ldquoCharacterizing Selection Bias Using Experimental Datardquo Econometrica 66 1998 pp1017~1098

Heckman J H Ichimura and P Todd ldquoMatching as an Econometric Evaluation Estimator Evidence from Evaluating a Job Training Programrdquo Review of Economic Studies 64 1997 pp605~654

______ ldquoMatching as an Econometric Evaluation Estimatorrdquo Review of Economic Studies 65 1998 pp261~294Knack S and P Keefer ldquoDoes Capital Have and Economic Payoff A Cross Country Investigationrdquo Quarterly

Journal of Economics 62 1997 pp1251~1288 Lin Nan Social Capital A Theory of Social Structure and Action Cambridge Cambridge University Press 2001 Lin Nan Karen Cook and Ronald Burt (eds) Social Capital Theory and Research Aldine Transaction 2001 Marmaros David and Bruce Sacerdote ldquoPeer and Social Networks in Job Searchrdquo European Economic Review 46

2002 pp870~879Putnam Robert D Bowling Alone The Collapse and Revival of American Community New York Simon and

Schuster 2000Rosenbaum J S DeLuca S Miller and K Roy ldquoPathways into Work Short- and Long-Term Effects of Personal

and Institutional Tiesrdquo Sociology of Education 72(3) 1999 pp179~196Rosenbaum P and D Rubin ldquoThe Central Role of the Propensity Score on Observational Studies for Causal

Effectsrdquo Biometrika 70 1983 pp41~55Rubin D ldquoEstimating Causal Effects of Treatments in Randomized and Non-randomized Studiesrdquo Journal of

Educational Psychology 66 1974 pp688~701Simon Curtis and Warner John ldquoMatchmaker Matchmaker The Effect of Old-Boy Networks on Job Match

Quality Earnings and Tenurerdquo Journal of Labor Economics 10(3) 1992 pp306~330Todd Petra ldquoMatching Estimatorsrdquo unpublished manuscript 2006

성공한 구직방법

일자리 진입방식

합계공개

채용스카우트

소개나

추천

찾아가서기타

1 학교나 학원12 0 26 4 0 42

(395) (0) (301) (069) (0) (233)

2 교수나 교사2 0 8 0 0 10

(066) (0) (093) (0) (0) (055)

3 친구나 친지5 2 509 28 2 546

(164) (125) (5898) (48) (556) (303)

4 공공 안내소3 0 7 9 4 23

(099) (0) (081) (154) (1111) (128)

5 사설 안내소3 0 29 16 1 49

(099) (0) (336) (274) (278) (272)

6 매체 고53 1 21 209 13 297

(1743) (625) (243) (3585) (3611) (1648)

7 직 탐문2 0 13 85 0 100

(066) (0) (151) (1458) ((0) (555)

8 가족1 1 21 2 0 25

(033) (625) (243) (034) (0) (139)

9 인터넷205 3 22 179 9 418

(6743) (1875) (255) (307) (25) (232)

10 희망직장

지인

7 3 90 20 0 120(23) (1875) (1043) (343) (0) (666)

11 업무상

지인

6 4 102 18 0 130(197) (25) (1182) (309) (0) (721)

12 기타 5 2 15 13 7 42

(164) (125) (174) (223) (1944) (233)

합 계304 16 863 583 36 1802

(100) (100) (100) (100) (100) (100)

lt부표 1gt 경력직 취업자(1802명)의 일자리 진입방식별 구직방법의 분포

주 1 노동패 6차부터 10차까지의 신규 일자리 진입자 경력직 취업자를 상으로 함 2 ( ) 안은 각 일자리 진입방식에 한 성공한 구직방법의 백분율임

Block

번호

직장유지의

직무유지의

향성별 나이 나이

2 교육

혼인

여부

정규직

여부

첫(혹은

두 번째)

일자리

(로그)

격차 격차 격차 격차 격차 격차 격차 격차 격차 격차

1164 116 048 -102 -14913 -003 003 009 000 007

(455) (395) (011) (207) (19454) (044) (005) (004) (009) (013)

2-254 050 003 007 -1629 -022 -006 004 -002 001

(203) (191) (006) (123) 11232 (020) (004) (004) (006) (007)

3036 -076 002 -094 -7067 -001 000 -004 008 001

(131) (129) (004) (088) (7870) (012) (003) (003) (004) (004)

4-079 -117 -001 071 6428 000 -004 -002 001 -005

(128) (122) (004) (079) (6861) (010) (003) (003) (004) (003)

5026 144 -005 068 6211 -012 004 000 -006 -001

(142) (144) (004) (077) (6201) (010) (004) (003) (004) (004)

6061 152 -008 -043 -3655 006 002 002 -007 007

(151) (151) (004) (073) (5661) (010) (004) (004) (004) (004)

7010 -134 -002 043 2726 003 -002 001 003 001

(133) (131) (004) (058) (4296) (008) (004) (003) (003) (003)

8045 173 008 044 3233 007 000 -001 -001 -003

(146) (143) (004) (052) (3615) (007) (004) (003) (003) (003)

9128 -010 000 061 3033 -016 -003 006 -010 004

(259) (246) (006) (065) (3930) (012) (005) (006) 006 (006)

10500 114 013 -035 -1626 004 000 007 001 -003

(407) (394) (009) (081) (4454) (017) (007) (008) (009) (009)

lt부표 2-Agt Propensity Score 각 구간(Block)에 대한 Mean-Difference Statistical T-test 결과(I)

주 1 Untreated Group과 Treated Group의 각 항목에 한 Mean Difference를 테스트함 2 표시는 5 유의도 수 에서 테스트를 통과하지 못한 항목을 표시함3 ( ) 안은 표 오차임

lt부표 2-Bgt Propensity Score 각 구간(Block)에 대한 Mean-Difference Statistical T-test 결과(II)

Block

번호

(로그)2 종업원 규모 교육 합도 임 만족도근무

환경 만족도

일자리

만족도

서비스 매직

여부

농어업 종사

여부

정규직 times

교육

직장 times

직무유지의향

격차 격차 격차 격차 격차 격차 격차 격차 격차 격차

1052 054 202 656 -048 -101 002 001 003 25954

(147) (053) (379) (564) (480) (421) (005) (003) (047) (60638)

2-006 043 046 047 -303 -182 002 000 -004 -9827

(073) (027) (197) (247) (220) (188) (002) (001) (026) 25462

3006 011 -151 -030 255 013 -002 000 -011 -246

(041) (017) (158) (156) (142) (117) (002) (000) (018) (15776)

4-052 000 -075 -111 -046 -005 -004 000 -011 -10585

(034) (015) (155) (137) (133) (110) (002) (001) (016) (14203)

5-008 006 053 -047 -017 -036 003 000 -004 17636

(035) (017) (176) (152) (144) (123) (003) (001) (018) (16213)

6063 -005 273 049 211 040 -006 001 015 14659

(035) (017) (201) (150) (145) (124) (003) (001) (019) (16225)

7008 -018 -045 016 -031 005 005 000 010 -10640

(029) (014) (174) (127) (127) (108) (003) (001) (016) (13577)

8-022 -014 028 -028 -163 086 000 000 -001 6766

(028) (014) (189) (127) (131) (111) (003) (000) (017) (13784)

9037 -013 143 133 046 -070 001 -002 015 -1116

(047) (021) (371) (204) (227) (187) (006) (002) (029) (21779)

10-028 021 077 161 -247 -113 -013 002 019 13295

(074) (026) (612) (352) (366) (340) (009) (002) (038) (30459)

주 1 Untreated Group과 Treated Group의 각 항목에 한 Mean Difference를 테스트함 2 표시는 5 유의도 수 에서 테스트를 통과하지 못한 항목을 표시함3 ( ) 안은 표 오차임

Page 17: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal

(Dimensionability)가 클 경우에도 다음과 같이 다일변수 P(Z)를 활용하여 ATT를 구할 수 있다

(6)

샘 수의 유한성으로 인해 실제로 식의 두 번째 항을 추정하는 것은 간단치 않은 작업이

다 한 ATT의 추정은 Common Support 역 즉 Treated Group의 P(Z)의 분포와 Untreated Group의 P(Z)의 분포가 겹치는 Z의 역에 한정하여야 한다 Common Support를 벗어나는 역에 해

서는 비교가능한 Counterfactual를 찾기 힘들기 때문이다 이를 반 하여 주어진 샘 내에서 ATT를 추정할 수 있는 다양한 Propensity Score Matching(PSM) Estimator가 제안되었는데 이는 다음과

같이 요약될 수 있다(Todd[2006])

isincap

isin

(7)

여기서 는 Treated Group 구성원을 는 Untreated Group의 구성원을 나타낸다 는 Common Support 역 내의 개체들의 집합을 나타낸다 은 Treated Group의 구성원 Common Support 역에 속하는 개체들의 총수이다 는 가 치를 나타내는 것으로 두 Propensity Score의 거리

인 을 이용하여 결정된다 가 치 용방식에 따라 다양한 측정방식이 제시될 수

있다 이에 해서는 추후에 추가 으로 논의하도록 한다

3 Difference-in-Differences Matching Estimator

여기서 한 단계 발 된 방식의 PSM이 Heckman Ichimura and Todd (1997)에 의해 제시된

Difference-in-Differences(DID) Matching Estimator이다 앞서 ATT의 추정에서 측 가능한 특정 변수

들의 집합 Z가 주어졌을 때 결과치 가 Treatment에 독립 (즉 ∐ 이 성립)이라고 가정한

바 있다 그러나 Z에 포함되어야 할 많은 변수 측이 되지 않는 경우가 있을 수 있다 이러한

경우 계가 더 이상 성립하지 않아 앞서의 ATT 추정법은 정

당성을 상실한다 하지만 Longitudal Data가 주어진 경우 즉 Treatment 이 과 이후의 결과치( )가

주어진 경우 분석 상을 신에 lsquo의 변화분rsquo으로 변경함으로써 이러한 문제를 상당 부분 해

소할 수 있다 Treatment 이 과 이후 두 개의 시간 를 와 prime이라 한다면 분석 상을 이

아닌 prime prime 으로 둘 수 있는 것이다 이때 ATT를 추정하기 해서는

prime ∐ 의 가정이면 충분하게 된다 이는 앞서보다 훨씬 완화된 가정이므로 충족하기

가 보다 용이해진다 특히 측되지 않는 시간 불변(time-invariant)의 일부 변수가 Treatment Selection에 연 된 경우에도 이 변수가 와 prime에는 직 인 향을 미치더라도 prime 에 미치는 향이 없다면(즉 독립 이라면) 문제가 되지 않는 것이다17) 따라서 Longitudal Data가

17) 이 외에도 주어진 수치들이 데이터가 수집된 지역에 따라 Level이 다를 경우 Difference 변수를 활용함으로써 이러

한 Level 차이에서 기인한 편의(bias)를 해소할 수 있다

주어진 경우에 DID Matching Estimator는 매우 효과 인 도구로 활용될 수 있다 이때 DID Matching Estimator는 다음과 같은 방식으로 요약될 수 있을 것이다

isincap

prime prime prime

isin prime

(8)

본 연구에서는 앞서 소개한 DID Matching Estimator를 이용함으로써 시간불변(time-invariant)의

측되지 아니하는 변수들을 사 에 통제하고 보다 신뢰할 만한 분석 결과를 제시하고자 한다

4 Treatment Effect 측정방식

의 가 치를 결정하는 를 어떻게 설정하느냐에 따라 다양한 PSM Estimator가 존재한다 본 연구의 분석에서는 가장 활발히 이용되는 측정방식들로서 Nearest Neighbor Matching Radius Matching Kernel Matching 이 세 가지를 활용하기로 한다18)

가 Nearest Neighbor Matching

이 방식은 조군인 Untreated Group에 속한 개체 에서 Propensity Score가 실험군(Treated Group) 개체의 Score와 가장 근 한 개체를 선택하는 방식이다 즉 를 최소화시키

는 에 해서는 이고 나머지 에 해서는 이 성립한다 [그림 2]가 이

를 잘 형상화하고 있다 이때 Score가 근 한 개체를 하나가 아닌 복수로 선정함으로써 하나를

선정할 때보다 더욱 안정된 추정치를 얻을 수 있다 다만 매칭되는 개체 수가 무 많을 경우

가 크게 되어 편의(bias)가 증가할 수 있으므로 신 할 필요가 있다 개의 근

한 개체를 선택하는 경우 이들 개체 에 해서는 이 성립하고 나머지 에

해서는 이 성립한다 Nearest Neighbor Matching의 경우 가장 근 한 개체를 선택하 으나 가 무

커서 Counterfactual로서 부 합한 매칭이 이루어질 가능성이 있다 이를 보완하기 하여 Cochran and Rubin(1973)은 한 Caliper를 선정하여 매칭에 있어서 를 일정 한도로 제

한할 것을 제안한 바 있다 본 분석에서는 을 5개로 선정함으로써 편의(bias)를 이면서도 안정

된 추정치를 얻고자 하 으며 Caliper는 히 작은 0005로 설정하여 부 합한 매칭을 최소화하

고자 하 다19)

18) 이 외에도 주로 활용되는 측정방식으로 Stratification Matching Mahalanobis Matching 등이 있으나 이들을 활용한 결

과가 본 연구의 분석 결과와 크게 다르지 않다 Dehejia and Wahba(2002)는 Treated Group과 Untreated Group 간의

Propensity Score 분포가 상당 부분 서로 겹친다면 측정방식에 따른 분석 결과의 차이가 크지 않다는 을 강조한

바 있다 이는 실험군 한 개체에 해 매칭 가능한 충분한 수의 조군 개체들이 존재하기 때문이다 즉 측정방식의

차이에 따라 매칭이 되는 조군들의 특성이 크게 달라지지 않는 것이다 본 연구에서 추정한 Propensity Score 분포

는 Treated Group Untreated Group 두 집단 사이에 겹치는 부분이 매우 크다 이는 [그림 4]를 통해 쉽게 확인된다 19) 여기서 Caliper 설정은 실험군 개체와 매칭되는 조군 개체 사이의 PS 거리 즉 를 한 수 으로

제한하고자 함이다 부분의 실험군 개체의 경우 Caliper가 설정한 Boundary에 크게 제한을 받지 않으므로 히

작은 Caliper의 설정이면 편의(Bias)를 개선하기에 충분하다 본 분석에서 설정한 0005 이외에 0002이나 001을 사용

하여 보았으나 역시 결과의 차이가 크지 않음을 확인하 다

[그림 2] Nearest Neighbor Matching(n=1인 경우)

나 Radius Matching

이 방식은 일정 반경을 Caliper로 설정하고 Untreated Group에서 가 Caliper 이내인 모든 개체 를 Treated Group의 개체 에 매칭하는 방법이다(그림 3 참조) 개체 에 하여

Untreated Group으로부터 매칭된 개체의 수가 라면 이들에 해서는 이 성립하고 매칭이 안된 나머지 개체들에 해서는 이 성립한다 이 추정방식은 앞서 Nearest Neighbor Matching에 비해 Propensity Score가 근 한 조군 내의 보다 많은 개체를 분석에 활용할

수 있다는 장 이 있다 보다 많은 조군 내 개체를 활용할수록 Treatment Effects 측정의 정확성

(Precision)은 상승하게 된다 매칭이 가능한 조군 개체의 수가 충분히 많다면 Caliper는 작을수록 좋다 Caliper가 클수록

부 합한 매칭에 따른 Treatment Effects의 편 (Bias)이 커질 수 있기 때문이다 본 분석에서는 샘

의 수가 충분히 크기 때문에 Caliper를 0002로 설정하여 매우 근 한 개체들에 해서만 매칭이

이루어지도록 설정하 다20)

20) 다음 에서는 주어진 샘 을 활용하여 Propensity Score를 추정하고 있다 이 결과에 따르면 PS (01 0102)인 구간

에서 조군 개체 수가 116개 (02 0202) 구간에서 조군 개체 수가 32개 (03 0302) 구간에서 조군 개체 수가

12개에 이르는 것을 확인할 수 있다(표 6과 그림 4를 참조 바람) 즉 0002의 Caliper를 사용할 때 한 개의 실험군

개체에 해 10개 내지 100개 이상의 조군 개체들이 매칭되는 경우가 흔히 존재하는 것이다 반면 Caliper를 이보

다 작게 설정한다면 (특히 PS가 큰 구간에서는) 실험군 개체들과 매칭되는 조군 개체가 존재하지 않을 수 있다 를 들어 PS (04 0402)인 구간에서 조군 개체 수는 단 1개 존재하나 PS (0401 0402)인 구간에서는 무하다

따라서 본 연구에서는 최소의 Caliper이면서도 매칭되는 조군 개체의 수가 충분할 수 으로서 Caliper 0002를 선

정하 다 반면 민감성 테스트(Sensitivity Check)에 따르면 Caliper 0001이나 0003에서도 연구 결과의 차이가 크지

않음을 확인하 다

[그림 3] Radius Matching

다 Kernel Matching

이 방식은 Treated Group 내의 각 개체에 한 매칭을 Untreated Group 내의 모든 개체를 상

으로 진행하는 방식으로 에 따라 가 치를 부여한다 가 작을수

록 가 치가 커진다 이때 사용되는 가 치는 다음과 같이 표시될 수 있다

isin

(9)

여기서 G는 선택된 Kernel function을 은 Bandwidth Parameter를 표시한다 이 방식은

Heckman Ichimura and Todd(1998)에 의해 도입되었는데 주어진 모든 개체를 추정에 활용하므로

정보의 손실을 최소화할 수 있다는 장 이 있다 한 앞서의 두 추정방식과는 달리 인 인

Caliper의 설정이 불필요하다는 장 도 있다 Kernel의 선택에는 Gaussian Function(Normal Distribution) Biweight Function Epanechnikov Function 등 다양한 방식이 가능하나 본 분석에는

Normal Distribution을 채택하 다 Bandwidth Parameter로는 001을 선택하여 가 근

한 이들에게 충분한 가 치가 주어지도록 하 다21)

VI Propensity Score의 추정

주어진 자료에서 Treatment는 이직에 해당한다 이직에 한 Propensity Score(PS)를 추정하기

해서는 이직에 향을 미치는 주요 변수의 집합 을 사용하여야 한다 이들 변수는 다음 조건

을 만족하여야 한다 prime ∐ 즉 이직에 향을 미치는 주요 변수들을 통제한 후에

는 이직을 하지 않은 이들의 결과치 에 한 변화분 prime 의 분포가 이직을 한

이들이 만약 이직을 하지 않았을 때 상되는 결과치 에 한 변화분 prime 의 분

21) Bandwidth Parameter가 0005 002인 경우도 확인해 보았으나 결과에는 큰 차이가 발견되지 않았다

추정함수 Logistic Regression(이직 = 1 비이직 = 0)Z 추정계수 표 오차

직장유지의향 -0002 0004 직무유지의향 -0015 0004 성별(여성 1) -0104 0071

나이 -0138 0023 나이2 0001 0000

교육수 0169 0050 혼인 여부(미혼 1) -0056 0082

정규직 여부(정규직 1) 0342 0248 첫(혹은 두 번째) 일자리 여부 -0599 0068

임 수 (단 만원 로그) 0076 0601 임 수 (단 만원 로그)2 -0052 0063 종업원 규모(단 명 로그) -0084 0015

차수 교육 합도 0000 0001 임 만족도 0003 0002

근무환경만족도 -0004 0002 일자리만족도 -0003 0003

서비스 매직 여부 0459 0077 농어업 종사 여부 0324 0378

정규직 여부 times 교육수 -0131 0056 직장유지의향 times 직무유지의향 0000 0000

상수항 3558 1584 측 수 12754

결정계수( ) 00873

Log Likelihood -401098

포와 동일해야 하는 것이다 따라서 Propensity Score의 추정에 활용할 변수들은 앞서 일자리 이동

의 향요인에 한 분석을 통해 선별할 수 있다 특히 주어진 노동패 의 자료에서는 ldquo 재의

직장을 계속 다니고 싶은가(직장유지의향)rdquo와 ldquo 재 맡고 있는 일을 계속하고 싶은가(직무유지의

향)rdquo라는 이직의사와 련된 매우 긴요한 변수들이 포함되어 있는데 이들을 주요 변수의 집합

에 포함시킴으로써 이상의 조건이 보다 용이하게 충족될 수 있음을 기 할 수 있다 Propensity Score의 추정에는 Logistic Regression을 활용하 다 추정에 활용된 주요 변수들의 집합 과 각

변수에 한 추정계수는 lt표 5gt에 요약되어 있다

lt표 5gt Propensity Score의 추정방정식

주 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

앞서 일자리 이동 향요인에 한 분석에서 일자리 이동의 요한 결정변수로 악된 변수

들이 부분 PS 추정방정식에 포함되었다 만족도와 련한 변수 업무만족도 취업 안정성 만

족도 자기발 만족도 복지후생만족도 이상 네 변수는 일자리 향요인으로 통계 으로 유의하

게 악되었으나 PS 방정식에 추가된 일자리만족도 직장유지의향 직무유지의향 등과의 통계

상 계가 매우 높아 PS 추정방정식에 따로 포함시키지 않았다22) 한 추정방정식에는 일부

Interaction Terms들과 Higher Order Terms들을 추가하여 앞서 설명한 변수집합(Z)의 기본요건을 맞

추고자 하 다 추가 변수들은 Balancing Property를 충족하기 하여 선정되었는데 이에 해서는

아래에서 추가 부연한다Rosenbaum and Rubin(1983)에 따르면 PS는 다음 조건을 만족한다

∐ rArr

즉 PS를 통제한 뒤에는 변수집합 Z와 Treatment 여부 D가 상호 독립 이라는 것이다 이는 PS가 동일한 개체들에 해 Z의 평균값을 구한다면 Treatment를 받은 집단과 그 지 않은 집단 사이

에 차이가 없어야 한다는 을 내포한다 이를 Balancing Property라 한다 이를 검증하기 한 방

법으로 P(Z)를 여러 구간(Blocks)으로 나 뒤 각 구간에 한 Mean Difference Statistical T-test를

시행할 수 있다 일부 구간에 해 T-test가 만족하지 않는 경우에는 구간을 더욱 세분하여 진행하

고 여 히 만족이 되지 않는 경우에는 문제가 되는 일부 변수들의 Interaction Terms들과 Higher Order Terms들을 PS 추정방정식에 추가하여 앞서의 과정을 되풀이한다(Dehejia and Wahba[1999]) 앞서 언 된 Interaction Terms과 Higher Order Terms들은 이상의 과정을 거쳐 추가된 항들이다

Balancing Property 검증을 하여 다양한 PS 추정방정식을 설정하여 반복 인 Test를 수행하

다 최종 으로 lt표 5gt의 추정방정식에서 도출한 PS를 기 으로 lt표 6gt과 같이 10개의 Block을

구분한 뒤 Mean- Difference Statistical T-test를 진행하 다 Block 설정은 PS의 Common Support 역인 [00149 06]에 하여 이루어졌다 각 Block들에 한 T-test의 결과는 lt부표 2gt에 수록되어

있다 추정방정식에 도입된 독립변수 항이 총 20개이고 Block의 수는 10개이므로 총 200개의

Mean-Difference T-test가 시행되었다 lt부표 2gt에서 확인할 수 있듯이 5 Significance Level에서

부분의 Block들이 T-test를 통과하 다 통과에 실패한 테스트는 단 두 개로 Block 1의 lsquo정규직

여부rsquo에 한 테스트와 Block 8의 lsquo성별rsquo에 한 테스트이다 따라서 Block Test의 통과율이 99에

이르러 앞서의 PS 추정방정식이 Balancing Property를 체로 만족하고 있다고 결론내릴 수 있다 이상의 과정을 거쳐 확정된 PS 추정방정식을 이용하여 각 개체별로 PS를 구할 수 있다 [그림

4]는 이 게 구해진 PS에 하여 각 집단별 분포도를 제시하고 있다 Treated Group의 경우 PS의

분포가 Untreated Group에 비해 상 으로 우측으로 치우쳐 있음을 쉽게 확인할 수 있다 그리고

PS 분포에서 Common Support 역이 [00149 06]에 이른다는 것을 확인할 수 있다 이는 PS가

06보다 큰 경우에는 Treatment에 참여한 실험군 개체에 해 그에 상응하는 Counterfactual을 조

군으로부터 찾을 수 없음을 의미한다 따라서 PS를 활용한 Treatment의 효과 측정은 이 Common Support 역에 들어오는 실험군 개체들에 한정하여 이루어질 수밖에 없다

22) 를 들어 일자리만족도와 이들 네 변수와의 상 계수(Correlation Coefficient)는 각각 업무만족도(06536) 취업 안정

성 만족도(06014) 자기발 만족도(06279) 복지후생만족도(05514)에 이른다 이들을 포함시키더라도 반 인 결과

에는 큰 차이가 없다

(10)

02

46

8

0 2 4 6 8 0 2 4 6 8

Untreated Group Treated Group

DensityRough Density Curve

Den

sity

Propensity Score Distribu tion for Each Group

lt표 6gt Balancing Property 검증을 위한 Block 구분

Block 번호 Propensity Score 범 D=0 D=1 합계

1 00149 ~ 0025 655 10 665

2 0025 ~ 005 2128 59 2187

3 005 ~ 0075 2146 152 2298

4 0075 ~ 001 1744 200 1944

5 01 ~ 0125 1300 171 1471

6 0125 ~ 015 949 162 1111

7 015 ~ 02 1138 238 1376

8 02 ~ 03 845 242 1087

9 03 ~ 04 230 95 325

10 04 ~ 06 57 56 113

합계 11192 1385 12577

[그림 4] 각 집단별 Propensity Score 분포도

주 Common Support 역인 [00149 06]에 포함된 개체 수는 Untreated Group의 경우 11192명 Treated Group의 경우에

는 1385명임

VII 분석 결과

이제 구해진 PS를 활용하여 이직의 효과와 이직에 있어서 인 네트워크 활용의 효과성을 분

석할 비를 마련하 다 본 분석에서는 앞서 제3 에서 소개한 7가지의 성과지표에 하여 분석

을 진행할 것이다 우선 PS가 추정된 12754개체에 하여 PS를 고려하지 않은 단순비교를 진행해

성과지표의

연간 변화비교 상

이직자

평균

비이직자 평균

격차

(표 오차)

직장만족도 변화이직자 수 1379 3724 -0334 4058

비이직자 수 11274 (0466)

직무만족도 변화이직자 수 1386 2962 -0428 3389

비이직자 수 11285 (0466)

일자리만족도 변화이직자 수 1384 2944 0282 2662

비이직자 수 11261 (0489)

기술 합도 변화이직자 수 1383 2350 -0058 2408

비이직자 수 11245 (0684)

교육 합도 변화이직자 수 1389 2556 -0142 2697

비이직자 수 11300 (0689)

교육기술복합지수

변화

이직자 수 1383 2422 -0091 2513

비이직자 수 11245 (0664)

임 수 변화이직자 수 1384 9088 2782 6307

비이직자 수 11340 (1614)

보자 lt표 7gt은 이직자 집단과 비이직자 집단의 성과지표 변화를 단순비교한 것이다 표에서 확인

할 수 있듯이 이직자의 경우 모든 지표들에 하여 성과지표의 뚜렷한 증가가 목격되었다 비이

직자의 경우에는 임 수 이 2782만원 증가한 것을 제외하고 에 띄는 성과지표의 개선이 나타

나지 않았다23) 성과지표 개선에서 집단 간의 차이가 존재하는지를 검증하기 하여

Mean-Difference Statistical T-test를 진행하고 그 결과를 표에 수록하 다 모든 지표에 하여 이직

자 집단이 비이직자 집단에 비해 높은 증가세를 보인 것이 통계 으로 유의하게 확인된다 를 들

어 이직자 집단의 월평균 임 수 은 9088만원 상승한 것으로 나타나 비이직자 집단에 비해

6307만원만큼 큰 폭의 임 향상을 보 다 하지만 우리는 이상의 결과를 이직의 효과라고 단정

지을 수 없다 왜냐하면 이직의 효과는 이직자 집단에 속한 개체들의 성과 변화와 이들의

Counterfactual 즉 이들이 이직을 하지 않고 직장을 유지하 을 때의 성과 변화를 직 비교해

야 제 로 악되기 때문이다 이후 제시한 Propensity Score Matching에 의한 이직효과 측정은 이

러한 Counterfactual의 탐색에 기반한 분석 결과이다

lt표 7gt 주요 성과지표의 연간 변화 단순비교

주 1 성과지표의 변화에 한 집단 간 차이를 확인하기 하여 Mean-Difference Statistical T-test를 수행함 2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

23) 주어진 임 수 은 연간 임 상승률을 감안한 수치이기 때문에 비이직자의 임 은 불변이거나 하락하여야 정상이

다 재 악되는 비이직자들의 임 증가는 선택편의(Selection Bias) 문제에 의해 발생한 것으로 보인다 주어진 최

종샘 은 차수와 차수 모두에서 임 근로자로 악된 이들로 구성된다 취업시장에 신규로 진입하는 이들에

비하여 근속연수가 1년 많은 셈이다 한 차수에 임 근로자인 이들 임 상승폭이 작은 이들이 그 지 않은

이들보다 근로시장을 이탈할 가능성이 높다 이로 인하여 차수에 이어 차수까지 근로시장에 남아 있는 이들

은 상 으로 높은 임 상승을 보이는 것으로 단된다( 한 분석에 활용한 임 상승률이 lsquo임 구조기본통계조사rsquo의 표본으로부터 추정된 것이므로 노동패 표본과의 근본 차이로 인해 이상의 문제가 도출하 을 가능성도 일

부 배제할 수 없다)

공개채용 스카우트 소개나 추천 직 찾아가서 기타

인 네트워크

활용 구직

21 10 730 68 2

(69) (625) (8459) (1166) (556)

인 네트워크

비활용 구직

278 4 118 502 27

(9145) (250) (1367) (861) (750)

알 수 없음5 2 15 13 7

(164) (125) (174) (223) (1944)

총 사례 수 (1802명

)

304 16 863 583 36

(100) (100) (100) (100) (100)

이직 성격 분류비네트워크

경로-

네트워크

경로

비네트워크

경로-

본격 인 분석에 앞서 인 네트워크와 련하여 이직의 성격을 규명할 필요가 있다 인 네

트워크를 이직경로로 활용한 경우와 그 지 않은 경우로 구분지어 보도록 하자 이를 해 노동패

6차에서 10차까지의 체 경력직 취업자들을 상으로 한 lt부표 1gt의 lsquo경력직 취업자들의 일

자리 진입방식별 구직방법의 분포rsquo를 참조하도록 하자 노동패 에서 제공하는 일자리 진입방식

은 lsquo공개채용rsquo lsquo스카우트rsquo lsquo소개나 추천rsquo lsquo직 찾아가서rsquo lsquo기타rsquo 이 게 다섯 가지로 구분된다 이 lsquo공개채용rsquo 형태의 일자리 진입에서는 lsquo인터넷rsquo이나 lsquo매체 고rsquo를 활용한 구직이 체 사례

의 8486에 이른다 lsquo직 찾아가서rsquo 형태의 일자리 진입 역시 lsquo인터넷rsquo이나 lsquo매체 고rsquo 그리고

lsquo직 탐문rsquo 방식의 구직이 사례의 8113에 이른다 반면 lsquo소개나 추천rsquo 형태의 일자리 진입에서

는 lsquo친구나 친지rsquo를 통하거나 lsquo취업희망 직장의 지인rsquo 혹은 lsquo업무상 알게 된 지인rsquo을 통하는 경우

가 체의 81235에 이른다 즉 각 일자리 진입방식 간에 매우 뚜렷한 구직형태의 차이를 보여

주고 있다 lt부표 1gt의 성공한 구직방법 2 3 8 10 11을 인 네트워크를 활용한 구직으로 1 4 5 6 7 9를 그 지 않은 구직으로 분류하고 각 일자리 진입방식에 한 인 네트워크 활용도를

추산해 보면 다음 lt표 8gt과 같이 요약된다

lt표 8gt 일자리 진입방식별 이직의 성격 분류

주 ( ) 안은 각 일자리 진입방식에 한 이직 성격의 비 을 백분율로 표시함 자료 lt부표 1gt를 재구성한 것임

lt표 8gt에 요약된 바와 같이 lsquo공개채용rsquo과 lsquo직 찾아가서rsquo 형태의 일자리 진입에서 인 네트

워크를 활용하지 않은 구직이 각기 9145와 861에 이른다 반면 lsquo소개나 추천rsquo에서는 인 네

트워크를 활용한 구직이 8459에 이른다 이를 바탕으로 본 분석에서는 lsquo공개채용rsquo과 lsquo직 찾아

가서rsquo를 lsquo비네트워크 경로 이직rsquo으로 lsquo소개나 추천rsquo을 lsquo네트워크 경로 이직rsquo으로 구분한다 이 분류

에 따르면 15705명의 최종샘 에서 이직자로 악된 1560명 1438명의 체 인 구직경로 구

분이 가능하다 이 999명이 네트워크 경로 이직자로 439명이 비네트워크 경로 이직자로 분류

된다 한 앞서 PS가 추정된 12754명 에는 1391명이 이직자인데 그 891명은 네트워크 경

로 이직자로 387명은 비네트워크 경로 이직자로 분류된다

1 이직을 통한 개인만족도의 변화

아래 세 개의 도표 lt표 9gt lt표 10gt lt표 11gt은 이직을 통하여 개인의 만족도가 개선되는지의

여부를 PSM을 통하여 검증한 것이다 각각의 만족도지수(직장만족도 직무만족도 일자리만족도)에 하여 세 가지 방식의 PSM 추정치(Five Nearest Neighbors Radius Matching Kernel Matching)를

제시하고 있다앞서 lt표 7gt의 단순비교에서는 이직자와 비이직자의 연간 만족도변화가 100 만 에서

4058 (직장만족도) 3389 (직무만족도) 2662 (일자리만족도)만큼 차이가 나는 것으로 집계

되었다 그러나 PSM 방식으로 재추정된 이직의 만족도 개선효과는 각각 약 250 (직장) 216(직무) 155 (일자리)으로 나타났다24) 종합하면 단순비교 방식(표 7)은 PSM 활용방식(표 9

표 10 표 11)에 비해 이직의 만족도 개선효과를 약 1~15 만큼 과 추정하고 있음을 확인할 수

있다 이러한 상이 나타난 이유는 실제 이직한 이들이 그 지 않은 이들에 비해 기존 직장에서

의 만족도가 상 으로 낮았다는 데 있다 를 들어 주어진 최종샘 에서 이직자들의 기존 직장

에서의 직장만족도는 평균 5071 을 보이는 반면 같은 시기 비이직자들의 평균 직장만족도는 이

보다 무려 7 가까이 높은 5724 으로 나타났다 따라서 단순비교 방식에서는 이직을 통한 만족

도 개선효과가 다소 과장되어 추산되기 마련이다 이들 이직한 이들이 만약 기존 직장에 그 로 남아 있었다면 (이들의 만족도가 상 으로 낮

은 수 이므로) 다른 이들에 비해 보다 높은 수 의 만족도 개선을 한 해 사이에 경험하 을 것이

다 실제로 체 비이직자들의 연간 만족도의 변화가 각기 -0334 (직장) -0428(직무) 0282 (일자리)에 그치는 데 반해 실험군(이직자 집단)의 Counterfactual 즉 PS를 사용하여 실험군 개체에 매

칭된 (비이직자 집단 내) 조군 개체들의 만족도 변화는 각기 113 (직장) 066 (직무) 133 (일자리)에 이르 다(각 표의 lsquo매칭된 조군 변화(B)rsquo 항목 참조) 실험군 Counterfactual에서의 만족도

개선폭이 여타 비이직자들의 연간 만족도 개선폭보다 략 1 이상 높게 나타나는 것이다 이상

의 선택편의(Selection Bias) 문제가 히 통제될 때 이직의 순효과가 바르게 추정될 수 있다 앞서 시한 PSM 방식으로 추정된 이직의 만족도 개선효과는 이러한 선택편의 문제를

Counterfactual Framework으로 극복한 추정 결과라 할 수 있다 그럼 네트워크 경로 이직과 비네트워크 경로 이직 사이에 뚜렷한 차이가 존재하는지 살펴보도

록 하자 표에서 확인할 수 있듯이 두 경우 모두 이직의 만족도 개선효과가 통계 으로 유의한 수

에서 명확히 확인된다 네트워크 경로의 이직에서는 만족도 개선의 효과가 각기 220 (직장) 158 (직무) 117 (일자리)으로 확인되었고 비네트워크 경로의 이직에서는 각기 263 (직장) 284 (직무) 207 (일자리)으로 확인되었다 흥미로운 부분은 비네트워크 경로의 이직에서 이직

을 통한 만족도 개선의 효과가 소폭 높게 나타난 이다 이는 비네트워크 이직 사례들이 상당수

의 lsquo공개채용rsquo 입사자를 포함하기 때문에 나타난 상으로 보인다 lsquo공개채용rsquo은 주로 종업원 300인 이상의 규모가 큰 기업에서 집 으로 활용되고 있다25) 이들 큰 기업에 lsquo공개채용rsquo으로 입사

한 이들은 그 직장에 비해 주 인 만족도가 크게 향상되었을 것이다 이러한 lsquo공개채용rsquo 사례들이 비네트워크 이직의 만족도 개선효과를 다소 증폭시키는 역할을 하 을 것으로 추정된다

반면 비네트워크 이직을 통한 만족도 개선이 네트워크 이직에 비해 다소 크다고 하여 이것이

24) 이는 분석에 사용된 세 가지 방식의 PSM 추정치들을 산술평균하여 정리한 수치들임 25) 이 부분에 한 구체 인 설명은 발간 정인 한국개발연구원 정책연구시리즈 lsquo인 네트워크(개인의 사회 자본)

의 노동시장 효과 분석rsquo을 참조하기 바란다 ( 자에게 요청시 수령가능함)

이직과정에서의 인 네트워크 요성은 인정되지 않는다는 식으로 해석될 수 없음을 유념하여야

한다 국내 이직과정에서의 인 네트워크 의존도는 해외 주요국에 비해 상당히 높은 수 이다 략 65 안 의 경력직 취업자들이 인 네트워크를 활용하여 구직에 성공하 다고 추정되고 있

다26) 만약 재 이직을 고려하고 있는 국내 한 근로자가 구직활동에서 인 네트워크 활용을 포기

한다면 이 근로자의 이직 성공 가능성은 매우 낮아질 것이다 즉 개인의 이직 성공률을 높이기

해서는 평소에 꾸 한 구직 네트워크 리가 요청된다 할 수 있다 특히 이직수요라는 것은 많은

경우 자신의 의도와는 다르게 외부 충격으로 인해 발생한다 회사의 경제 환경이 변화하기도

하지만 자신의 심사가 바 기도 하고 가족의 갖가지 필요에 의해 이직이 요구되기도 한다 즉 언제 발생할지 모르는 이직수요에 히 응하기 해서는 이직의 주요한 통로라 할 수 있는 인

네트워크에 한 상시 리가 요청되는 것이다 따라서 이직을 고려한 인 네트워크의 상시

리 이를 한 개인의 갖가지 비용 지출은 향후 발생 가능한 험에 처하기 하여 자동

차나 암 보험을 구매하는 것과 같이 기꺼이 지불해야 할 미래에 한 투자라 할 수 있다

26) 역시 한국개발연구원 정책연구시리즈 lsquo인 네트워크(개인의 사회 자본)의 노동시장 효과 분석rsquo을 참조하기 바

란다

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1371) 3662 1201 2460 403

조군(11274) (0610)

Radius Matching 실험군(1362) 3543 1009 2534 436

조군(11274) (0581)

Kernel Matching(Normal) 실험군(1372) 3659 1165 2494 434

조군(11274) (0564)

체 이직효과 평균 362 113 250

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 3309 1169 2140 293

조군(11274) (0730)

Radius Matching 실험군(879) 3231 0939 2292 331

조군(11274) (0693)

Kernel Matching(Normal) 실험군(881) 3309 1146 2162 315

조군(11274) (0686)

네트워크 이직효과 평균 328 108 220

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(380) 4224 1525 2699 224

조군(11274) (1206)

Radius Matching 실험군(373) 3981 1438 2543 217

조군(11274) (1171)

Kernel Matching(Normal) 실험군(381) 4213 1565 2647 230

조군(11274) (1149)

비네트워크 이직효과 평균 414 151 263

lt표 9gt 이직을 통한 직장만족도 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1377) 2850 0701 2149 363

조군(11285) (0592)

Radius Matching 실험군(1368) 2767 0626 2140 381

조군(11285) (0562)

Kernel Matching(Normal) 실험군(1378) 2852 0648 2204 398

조군(11285) (0554)

체 이직효과 평균 282 066 216

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(884) 2302 0808 1494 211

조군(11285) (0707)

Radius Matching 실험군(882) 2256 0658 1598 238

조군(11285) (0670)

Kernel Matching(Normal) 실험군(884) 2302 0654 1648 249

조군(11285) (0661)

네트워크 이직효과 평균 229 071 158

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 3648 0577 3072 269

조군(11285) (1142)

Radius Matching 실험군(374) 3463 0774 2688 245

조군(11285) (1098)

Kernel Matching(Normal) 실험군(382) 3652 0888 2764 257

조군(11285) (1077)

비네트워크 이직효과 평균 359 075 284

lt표 10gt 이직을 통한 직무만족도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1375) 2909 1571 1338 217

조군(11261) (0617)

Radius Matching 실험군(1366) 2818 1276 1543 262

조군(11261) (0588)

Kernel Matching(Normal) 실험군(1376) 2907 1147 1760 303

조군(11261) (0581)

체 이직효과 평균 288 133 155

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(882) 2523 1626 0897 121

조군(11261) (0742)

Radius Matching 실험군(880) 2472 1246 1225 173

조군(11261) (0707)

Kernel Matching(Normal) 실험군(882) 2523 1139 1383 198

조군(11261) (1697)

네트워크 이직효과 평균 251 134 117

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 3609 1499 2110 176

조군(11261) (1196)

Radius Matching 실험군(374) 3409 1530 1879 163

조군(11261) (1151)

Kernel Matching(Normal) 실험군(382) 3599 1365 2235 197

조군(11261) (1133)

비네트워크 이직효과 평균 354 146 207

lt표 11gt 이직을 통한 일자리만족도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이 를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

2 이직을 통한 배치효율성의 변화

다음은 이직의 다른 측면인 일자리 재배치의 문제에 해 살펴보고자 한다 이직은 각 개인

에 있어서는 직장생활의 변화라 할 수 있지만 기업의 입장에서는 노동인력의 교환에 해당한다 따라서 이직을 통한 노동인력의 재배치가 과연 사회 반의 경제 이익을 창출하고 있는지를 따

져 볼 필요가 있다 앞서 lt표 7gt에서 기술수 교육수 교육기술복합지수 이 세 가지 합도에 해 이직자

비이직자 집단 내의 연간 변화를 정리한 바 있다 여기서 비이직자의 경우 각 지수에서 연간 합

도가 소폭 하락한 것으로 나타났고 이직자의 경우 합도가 크게 상승한 것으로 나타났다 비이

직자는 기술수 의 합도에서 0058 이 교육수 의 합도에서 0142 이 그리고 교육기술수

의 복합지수에서는 0091 이 하락한 데 반해 이직자들은 각기 2350 (기술) 2556 (교육) 2422(복합지수)의 합도 상승이 발견되었다 비이직자들의 합도 하락은 기술이나 경제환경의 변

화와 한 련이 있다 경쟁력 있는 기술 이에 한 사회 수요가 시간에 따라 변화하므로 직장에서의 자신의 기술 혹은 교육수 은 (평균 으로 보아) 이 보다 합성이 다소 떨어지게

마련이다 반면 이직자들의 합도 상승이 과연 이직의 순효과인지에 해서는 여 히 의문의 여

지가 크다 이직을 결행한 이들은 이 직장에서의 직무 련 합도가 평균 으로 크게 떨어지는

이들이다 를 들어 최종샘 에서 이직을 하지 않은 이들의 한 해 기술 합도는 평균 9066인 데 반해 이직을 결행한 이들의 한 해 (이 직장에서의) 기술 합도는 평균 8547 에 머무

는 것으로 나타났다 이들은 애 에 워낙 합도가 떨어지기 때문에 굳이 이직을 택하지 않더라

도 직무재배치나 직장 내 부서이동 등을 통하여 1년 사이에 상당한 정도의 합도 개선을 이루었

을 것으로 상된다따라서 이직을 통한 배치효율성의 개선효과 즉 반 인 근로자의 직무 련 합도 상승효

과를 명확히 규명하기 해서는 이직한 이들이 이직을 하지 아니하 을 때에 상되는 합도의

개선을 우선 추정해 볼 필요가 있다 이것은 앞서 설명하 듯이 Counterfactual의 추정을 통해서만

이 가능하다 lt표 12gt lt표 13gt lt표 14gt는 PSM을 이용하여 비이직자들의 정보로부터 이직자들의

Counterfactual을 추정한 뒤 이를 보고하고 있다 세 방식(Five Nearest Neighbors Radius Matching Kernel Matching)의 추정치를 산술평균하면 기술 합도에서는 088 교육 합도에서는 057 교육

기술복합지수에서는 075 의 상승이 확인되었다(각 표의 lsquo매칭된 조군 변화(B)rsquo 항목을 참조) 이를 실험군 즉 실제 이직자들의 합도 상승(각 표의 lsquo실험군 변화(A)rsquo 항목)과 비교하면 순이직

효과는 각기 131 (기술) 183 (교육) 140 (복합지수)에 이르는 것으로 결론지을 수 있다 반

면 교육과 복합지수에서는 이들 순이직효과가 통계 으로 유의하게 나타났으나 기술수 의

합도에서는 이 효과가 통계 으로 뚜렷하지 않았다 10의 유의도에서 검증할 때 Kernel Matching을 제외한 나머지 두 개의 PSM 매칭에서 통계 유의성을 확보할 수 없었다 이에 이직

을 통한 교육수 의 합도 개선효과는 분명한 반면 기술수 의 합도 개선은 통계 으로 입증

되지 않는다고 결론지을 수 있다 교육기술복합지수의 경우 이 두 가지 효과가 첩되어 나타난

것으로 교육수 의 합도 개선이 워낙 뚜렷하기 때문에 통계 으로 유의한 지수상승이 나타난

것으로 단된다 이상과 같이 이직을 통해 교육수 합도의 개선이 보다 효과 으로 이루어지

는 것은 채용과정에서 후보자의 교육수 이 기술수 에 비해 객 인 자료를 이용하여 검증하

기가 보다 용이하기 때문인 것으로 보인다

그럼 이직을 통한 배치효율성 개선 측면에서 인 네트워크의 역할을 살펴보도록 하자 네트

워크 경로 이직과 비네트워크 경로 이직으로 나 어 이직효과를 각기 추정해 보면 둘 사이에 의

외의 뚜렷한 차이가 존재함을 확인할 수 있다 네트워크 경로의 이직인 경우 이직을 통한 합도

개선효과가 통계 으로 유의한 수 에서 매우 높게 나타난다 이직의 순효과는 각기 213 (기술) 252 (교육) 126 (복합지수)에 이른다 반면 비네트워크 경로의 이직인 경우 이 효과는 모두 사

라져 버린다 즉 이직효과는 기술 합도 교육 합도 교육기술복합지수 모두에서 양과 음을 반복

하고 통계 유의성도 확보되지 않는다 즉 비네트워크 경로를 통한 이직에서는 일자리 재

배치를 통한 사회 반의 경제 이득을 기 할 수 없는 것이다 앞서 교육 합도 개선에 있어 이

직의 반 인 효과가 통계 으로 강하게 나타났는데 이 효과의 부분은 비네트워크 경로 이직

보다는 네트워크 경로 이직으로부터 창출된 것임을 짐작할 수 있다 특히 기술 합도를 보면 이직자들의 합도 개선은 네트워크와 비네트워크 이직 사이에 뚜렷

한 차이를 보이는데 네트워크 이직자들의 합도 개선은 평균 292 인 데 반해 비네트워크 이직

자들의 합도 개선은 평균 048 에 그친다 인 네트워크를 활용하지 않고 이직을 하 을 경우 이직을 하 음에도 불구하고 기술 합도의 개선은 평균 으로 거의 기 되지 않는 것이다 이는

앞서 주 만족도의 개선효과와 비교하여 매우 상반된 결과에 해당한다 이직을 통한 주 만

족도의 개선에서는 네트워크와 비네트워크 이직 모두 그 효과가 분명하 으며 특히 비네트워크

이직자들의 주 만족도 개선폭은 3 내지 4 에 이르 다 이는 네트워크 이직자들의 만족

도 개선폭에 비해서도 1 가량 높은 수치 다 따라서 이직이 반 으로 개인의 주 만족도

를 개선하는 효과가 있으나 배치효율성의 개선 측면에서는 오직 인 네트워크에 의존한 이직만

이 재배치의 분명한 경제 효과를 평균 으로 창출한다고 결론지을 수 있다 이러한 네트워크와 비네트워크 사이의 뚜렷한 이직효과의 차이는 네트워크가 지닌 정보 달

기능에 기인한 것으로 단된다 인 네트워크는 구인자와 구직자 사이에 훌륭한 정보 달 기능

을 수행하고 있다 구직자에게는 어떠한 일자리가 구직자의 기술능력 혹은 교육수 에 비추어

합한지에 한 정보를 제공하고 구인자에게는 구인자가 필요로 하는 합한 기술의 소유자가

구인지에 한 정보를 제공하는 것이다 이는 평소에 구인자와 구직자 모두를 아우르는 간 매개

로서의 인 네트워크가 있었기에 가능한 것이다 반면 비네트워크에서는 이러한 효과를 기 하

기 힘들다 비네트워크 채용에서는 주어진 서류와 단시간의 인터뷰 혹은 직무능력 테스트만을 가

지고 합한 인력을 선발하여야 한다 lsquo공개채용rsquo의 경우 많은 지원자들의 경쟁을 거치므로 상으로 보다 합한 후보자를 선별할 수 있을 것이다 그러나 lsquo직 찾아가서rsquo 형태의 입사에서는

이러한 경쟁의 과정 역시 생략되므로 높은 합도를 지닌 후보의 채용은 더욱 기 하기 힘들다 정리하자면 인 네트워크는 국내 노동시장에서 일자리와 일자리 후보 사이의 활발한 정보 달

기능을 수행함으로써 노동시장의 효율 작동을 돕고 있는 것이다 끝으로 이러한 네트워크 이직의 배치효율성이 모든 이직 사례에 일 으로 용되는 것이

아님을 주지할 필요가 있다 인 네트워크가 구인과 구직 사이의 lsquo연결(Networking)rsquo 기능을 수행

할 때 이상의 정 인 효과를 기 할 수 있을 것이나 이 둘 사이의 lsquo연 rsquo로서 기능할 때는 오히

려 역효과를 래할 수 있다 즉 인 네트워크를 통하여 합하지 않은 지원자를 연 로 채용시

키는 경우 해당 일자리에 한 매치 합성은 네트워크 이직으로 인해 오히려 감퇴할 수 있다 우리는 이상의 분석을 통하여 국내 노동시장에서 네트워크 이직의 반 인 교육 기술 수

합도 개선효과를 확인한 바 있다 이는 국내 노동시장의 고용 로세스에서 lsquo연 rsquo의 부정 효과

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1374) 2220 1095 1124 121

조군(11245) (0929)

Radius Matching 실험군(1365) 2088 0735 1353 155

조군(11245) (0874)

Kernel Matching(Normal) 실험군(1375) 2255 0795 1460 168

조군(11245) (0869)

체 이직효과 평균 219 088 131

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 2951 0919 2032 181

조군(11245) (1125)

Radius Matching 실험군(879) 2844 0746 2098 198

조군(11245) (1057)

Kernel Matching(Normal) 실험군(881) 2951 0702 2250 214

조군(11245) (1049)

네트워크 이직효과 평균 292 079 213

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 0525 2297 -1772 -096

조군(11245) (1840)

Radius Matching 실험군(374) 0267 0868 -0600 -034

조군(11245) (1753)

Kernel Matching(Normal) 실험군(382) 0654 1297 -0642 -037

조군(11245) (1746)

비네트워크 이직효과 평균 048 149 -100

보다는 구인구직 간 lsquo연결rsquo이라는 네트워크의 정 효과가 보다 강하게 작동하고 있음을 시사

한다

lt표 12gt 이직을 통한 기술적합도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1380) 2428 0630 1797 193

조군(11300) (0931)

Radius Matching 실험군(1371) 2298 0496 1802 207

조군(11300) (0872)

Kernel Matching(Normal) 실험군(1381) 2462 0586 1876 216

조군(11300) (0869)

체 이직효과 평균 240 057 183

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(886) 3047 0342 2705 245

조군(11300) (1106)

Radius Matching 실험군(884) 2885 0528 2357 227

조군(11300) (1037)

Kernel Matching(Normal) 실험군(886) 3047 0551 2496 243

조군(11300) (1029)

네트워크 이직효과 평균 299 047 252

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(382) 1702 2007 -0305 -016

조군(11300) (1891)

Radius Matching 실험군(375) 1600 0559 1041 058

조군(11300) (1788)

Kernel Matching(Normal) 실험군(383) 1828 0910 0917 051

조군(11300) (1793)

비네트워크 이직효과 평균 171 116 055

lt표 13gt 이직을 통한 교육적합도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1374) 2293 0893 1399 155

조군(11245) (0904)

Radius Matching 실험군(1365) 2161 0641 1520 179

조군(11245) (0850)

Kernel Matching(Normal) 실험군(1375) 2327 0711 1616 191

조군(11245) (0847)

체 이직효과 평균 226 075 140

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 2951 0643 2308 212

조군(11245) (1087)

Radius Matching 실험군(879) 2816 0662 2154 211

조군(11245) (1021)

Kernel Matching(Normal) 실험군(881) 2951 0645 2306 228

조군(11245) (1014)

네트워크 이직효과 평균 291 065 226

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 1115 2233 -1118 -062

조군(11245) (1816)

Radius Matching 실험군(374) 0936 0749 0187 011

조군(11245) (1727)

Kernel Matching(Normal) 실험군(382) 1243 1131 0112 007

조군(11245) (1726)

비네트워크 이직효과 평균 110 137 -027

lt표 14gt 이직을 통한 교육기술복합지수의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

3 이직을 통한 임금수준의 변화

다음은 이직을 통한 임 수 의 변화가 실재하는지 검토하고자 한다 네트워크 이직과 비네트

워크 이직을 나 어 볼 때 앞서 우리는 네트워크 이직이 일자리 매치 합도를 히 개선한다

고 밝힌 바 있다 임 이 근로자의 생산성 기여분을 그 로 반 한다고 한다면 네트워크 이직에

따른 매치 합도의 개선은 근로자의 임 상승으로 이어져야 할 것이다 앞서 lt표 7gt의 단순비교에서 이직자들의 연간 임 상승분이 평균 9088만원 비이직자들의 연

간 임 상승분은 2782만원으로 집계된 바 있다 둘 사이의 격차가 6307만원에 이른다 한 해 사

이에 이직한 이들의 연간 임 상승폭이 직장을 그 로 유지한 이들의 연간 임 상승폭 보다

히 높은 수 인 것이다 하지만 이러한 단순비교는 선택편의(Selectoin Bias) 문제를 역시 고려하지

않고 있으므로 이직의 직 인 임 상승효과라 볼 수는 없다 즉 실제로 이직을 결행한 이들의

이직 임 수 은 같은 시기 직장을 그 로 유지한 이들에 비해 상 으로 낮은 수 일 가능

성이 높다 이들이 직장을 그 로 유지하 다면 다른 이들에 비해 히 높은 수 의 임

상승을 경험하 을 것이다 실제 이직한 이들이 만약 이직을 하지 않고 직장을 그 로 유지하

을 때 상되는 임 상승분 즉 이직자 임 상승분의 Counterfactual을 PSM 방식을 활용하여 추

정한 수치가 lt표 15gt의 lsquo 조군 변화(B)rsquo에 요약되어 있다 이에 따르면 실제 이직자들이 이직을

하지 않았을 때 기 할 수 있는 임 상승분은 략 5만원 정도에 이르는 것으로 나타난다 따라

서 이직에 따른 임 상승의 순효과는 앞서 제시한 6307만원이 아닌 이보다 상당히 축소된 386만원이다 이는 lt표 15gt에 정리된 바와 같이 PSM을 활용한 세 가지 추정치의 산술평균으로 추산

된 값이다 한 이러한 이직의 임 상승효과는 통계 으로도 유의한 것으로 확인되었다 반면 네트워크 경로 이직자와 비네트워크 경로 이직자의 임 상승분을 비교해 보면 둘 사이

에 상당한 격차가 존재함을 쉽게 확인할 수 있다 네트워크 이직자들의 이직을 통한 임 상승효과

는 통계 으로 유의한 수 에서 략 384만원으로 추정되는 반면 비네트워크 이직자들의 임

효과는 -077만원이고 이는 통계 으로도 유의하지 않다 즉 네트워크를 활용하여 이직하 을

때 뚜렷한 임 상승이 기 되는 반면 인 네트워크를 활용하지 않고 이직하 을 때는 이 효과

를 확신할 수 없을 뿐더러 다소 하락할 가능성도 있는 것이다 따라서 앞서 확인된 이직을 통한

반 인 임 상승의 효과는 네트워크 이직을 통해 창출된 효과이며 비네트워크 이직을 통한

기여는 뚜렷하지 않은 것으로 결론지을 수 있다이직은 새로운 일자리에 자신의 기술 직무 능력을 응시키는 과정이다 따라서 임 상승

효과가 이직 기에 항상 담보되지는 않을 것이다 반면 인 네트워크를 활용하 을 때 자신에

게 보다 합한 일자리에 배치됨으로써 즉 자신의 능력과 잠재력을 보다 잘 발휘할 수 있는 직무

에 재배치됨으로써 이상의 추가 인 임 상승을 기 할 수 있는 것이다 이는 앞서 이직을 통한

배치효율성 검증에서 확인되었던 네트워크 이직의 기술수 (혹은 교육수 ) 합도 상승효과와

일맥상통하는 결과이다 인 네트워크를 활용한 이직은 임 근로자를 보다 합한 일자리에 재

배치하는 데 일조하고 이것이 생산성에의 보다 높은 기여를 창출함으로써 이직자들의 추가 인

임 상승으로 이어지는 것이다물론 이러한 해석은 평균 인 추세를 반 한 것임에 유념할 필요가 있다 네트워크 이직의 사례

에는 앞서 말한 생산 인 lsquo연결rsquo 효과가 아닌 비생산 인 lsquo연 rsquo 효과 혹은 정실인사(Nepotism)가

작동한 경우들도 상당할 것이다 이 경우 생산성에의 기여가 충분하지 않음에도 불구하고 기술이

나 능력에 비해 임 을 후하게 설정할 가능성이 높다 이러한 lsquo연 rsquo형 이직을 통한 임 상승 역

시 네트워크 이직의 임 상승효과라 볼 수는 있겠으나 이것이 일자리 배치효율성의 개선을 반

한다고 볼 수는 없는 것이다 따라서 앞서 추정한 네트워크 이직의 임 상승효과 384만원이

으로 일자리 매치 합도 개선효과에서 기인한다고 단정 지을 순 없다 한 비네트워크 이직 역

시 평균 으로 임 상승의 효과가 포착되지 않은 것일 뿐 비네트워크 이직의 표본 에는 실제로

임 이 크게 상승한 사례들도 상당히 존재할 수 있다 를 들어 lsquo공개채용rsquo 방식의 입사인 경우 경합자들에 비해 채용 합격자의 해당 일자리 합성이 보다 우수하다고 단되어 채용된 사례가

많을 것이다 이 게 경쟁을 거쳐 채용된 이들은 이 에 비해 상당히 높은 수 의 임 상승을 기

할 수 있다 반면 비네트워크 이직에서 반 인 임 상승의 효과가 포착되지 않는 것은 비네트워크 이직

이 격한 주 만족도의 개선을 이끌었던 것과 비교하여 매우 조 인 상이다 많은 이들의

상식과는 달리 이직의 결정은 임 만족도 수 과 직결되어 있지 않다 앞서 제4 에서 우리는 이

직의 향요인들을 분석해 본 바 있다 이직의 결정이 업무만족도 복지후생만족도 취업 안정성에

한 만족도 등 다양한 요소에 민감하게 반응하는 반면 임 에 한 만족도와는 통계 으로 유의

한 수 에서의 연 성이 포착되지 않았다 개인의 이직 결정은 임 이외에 다양한 요소들을 종합

으로 고려한 단 결과라 할 수 있다 체로 이직은 다양한 방면에서 개인의 주 만족도를

격하게 향상시킨다 반면 자신의 기술(교육)수 과 일자리의 매치 합성의 문제는 이직자들에

게는 부차 인 고려 상에 해당한다 임 수 의 개선 역시 이직 시 고려되는 한 요소이겠으나 인 요소는 아니고 다양한 향요인 의 하나로 볼 수 있는 것이다 이러한 에서 비네트워

크 이직이 다소 상반된 효과(즉 주 만족도의 한 개선효과와 미미한 수 의 임 개선효

과)를 동시에 보여주고 있는 것은 일견 자연스러운 상이다

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1375) 8887 5274 3613 184

조군(11340) (1962)

Radius Matching 실험군(1366) 8842 4813 4029 208

조군(11340) (1936)

Kernel Matching(Normal) 실험군(1376) 8861 4916 3945 206

조군(11340) (1880)

체 이직효과 평균 886 500 386

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(882) 8943 5519 3423 150

조군(11340) (2285)

Radius Matching 실험군(880) 8827 4855 3972 178

조군(11340) (2231)

Kernel Matching(Normal) 실험군(882) 8943 4819 4124 186

조군(11340) (2217)

네트워크 이직효과 평균 890 506 384

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 4772 5672 -0900 -024

조군(11340) (3685)

Radius Matching 실험군(374) 4805 5201 -0396 -011

조군(11340) (3661)

Kernel Matching(Normal) 실험군(382) 4691 5716 -1025 -028

조군(11340) (3601)

비네트워크 이직효과 평균 476 553 -077

lt표 15gt 이직을 통한 임금수준의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

VIII 구직 네트워크의 사회적 자본 추정

근로자 개인의 측면에서 구직 네트워크의 가치를 추정해 보자 앞서 네트워크 이직을 통한 임

상승효과를 3840만원으로 추정하 다 이는 2008년 기 액이다 연간 물가상승률을 감안하

면27) 2010년 재가로 4074만원에 해당한다 평소에 구직 네트워크를 히 리하여 이직에서

이를 활용한다면 한 번의 이직으로 4만원 안 의 추가 인 임 상승을 기 할 수 있는 것이다 연으로는 489만원 가량의 임 이 이직 이후 매년 추가 으로 지 되는 것으로 해석될 수 있다28)

한편 이직이라는 것은 근로자의 생애를 걸쳐 발생하는 사건이다 임 근로자를 심으로 한

재의 최종샘 에서 연간 일자리 이동비율은 평균 993에 이른다 직종 업종에 따라 혹은 재

직 회사의 규모에 따라 이직률에는 상당한 차이가 있겠으나 체 임 근로자를 상으로 하 을

때 략 10년에 한 번 정도의 이직이 상되는 것이다 임 근로자의 생애를 걸쳐 살펴보면

이직은 주로 직장생활 후기보다는 기에 집 되어 있다 [그림 5]는 최종샘 15705명 임 근로

자를 상으로 한 각 연령별 이직률 추이를 나타낸다 생애 이직률은 20 후반에 가장 높고 30 반에 주춤하다가 30 후반에 다시 상승하고 40 이후에 하강하는 추세임을 확인할 수

있다

[그림 5] 연령별 이직률(26세부터 59세까지)

(단 )

0

2

4

6

8

10

12

14

16

18

26 28 30 32 34 36 38 40 42 44 46 48 50 52 54 56 58

연령(만)

자료 노동패 5차부터 10차까지

이를 활용하면 임 근로자 한 사람이 평생에 걸쳐 기 할 수 있는 이직의 임 상승효과를 추

정해 볼 수 있다 첫 취업의 평균연령이 265세임을 고려하여 표 인 임 근로자(A Representative Worker)가 26세부터 60세까지 노동시장에 참여한다고 가정해 보자 인 네트워크

27) 여기에 연평균 물가상승률 3를 용하 다 실제 임 상승률도 2009년의 임 이 융 기 여 로 거의 동결이었

음을 고려할 때 2년간 략 6에 해당한다 28) 여기서는 네트워크 이직의 임 리미엄(연 489만원 상승)이 이직 후 매년 지속된다고 가정하고 있다 실제로

리미엄이 상당 기간 지속되는지 아니면 이직 후 빠르게 축소되는지에 한 국내 실증분석은 향후 과제로 남겨져

있다

를 활용한 이직만이 평균 인 임 상승효과를 가져온다는 을 고려할 때 구직 네트워크의 생애

가치()는 다음과 같이 요약된다29)

times timestimestimes (11)

여기서 는 연령 에서의 상 이직률(Job Transfer Rate)을 나타낸다 은 이직 시 인 네

트워크에 한 의존도 수 이다 는 네트워크 이직에 따른 월평균 임 상승의 효과이다 여기

에 [그림 5]에 요약된 이직률의 생애 추이를 에 입하자 여기서 경력직 이직자의 인 네트

워크 의존도가 60 반(plusmn5 이내)으로 추산된 을 고려하여 에 64를 입하도록 하자30) 그리고 에 앞서 추정한 네트워크 이직의 임 상승효과 4074만원(2010년 기 )을 입하면 구직 네트워크의 생애 가치()는 18720만원으로 집계된다 만약 에 이직률의 생애 추

이 신 최종샘 에서 구한 평균이직률 993를 연령 에 걸쳐 일률 으로 사용한다면 이와

유사한 수치인 18486만원을 얻을 수 있다 따라서 한국사회 임 근로자 한 사람의 구직 네트워크

가치는 보상 측면에서 략 일천 1870만원 수 인 것으로 결론지을 수 있다 물론 이 수치는 이직을 통한 이득만을 반 하고 있을 뿐 주 만족도의 개선효과는

반 하고 있지 않다 앞서 우리는 일자리 이동을 통해 창출되는 개인의 만족도 변화를 직장만족

도 직무만족도 일자리만족도 이 세 가지 측면에서 고려해 보았다 네트워크 이직과 비네트워크

이직 모두 만족도의 개선효과를 보 다 그러나 국내 노동시장에서 이직의 약 60 이상이 인

네트워크에 의존하고 있음을 고려할 때 임 근로자 한 개인이 구직 네트워크를 리하지 않는다

면 그의 이직률은 에서 60 이상 추락할 것이다 이를 고려하여 구직 네트워크의 생애 만족

도 개선효과()를 다음과 같이 요약할 수 있다31)

timestimestimestimes (12)

여기서 는 네트워크 이직을 통한 주 만족도의 개선폭을 나타낸다 앞서 네트워크 이직

이 창출하는 주 만족도의 개선효과가 100만 에서 220 (직장만족도) 158 (직무만족도) 117 (일자리만족도) 정도임을 확인하 다 이 세 수치의 평균치가 네트워크 이직의 만족도 개선

효과를 히 변하고 있다고 한다면 의 략 인 추정치는 165 이 된다 이를 입하면

구직 네트워크의 만족도 개선효과는 략 7582 으로 추산된다 만족도 1 을 으로 환산하

여 만원에 해당한다고 표시하면 구직 네트워크의 임 근로자 일인당 생애가치()는 임

상승효과()와 만족도 개선효과()의 합으로써 다음과 같이 요약된다

equiv (=18720+7582) (13)

구직 네트워크의 가치 (18720+7582n)만원이 함의하는 바를 명확히 규정하기는 쉽지 않다 특히 개인마다 일자리에서 얻는 주 만족도를 가치로 환산하는 방식이 다를 것이다 를 들

29) 구직 네트워크의 재 가치를 추산하기 해서는 시간할인률을 용할 필요가 있으나 여기서는 이를 생략하 다 시간할인률이 용된 추정치는 재 계산된 값보다 다소 하락할 것이다

30) 이에 한 보다 구체 인 설명은 본 논문의 보다 상세한 내용이 실린 한국개발연구원 정책연구시리즈로 출간 정

인 lsquo인 네트워크(개인의 사회 자본)의 노동시장 효과 분석rsquo 보고서를 참조 바란다 31) 앞서와 마찬가지로 구직 네트워크의 재 가치를 추산하기 해서는 시간할인률을 용할 필요가 있으나 여기서는

이를 생략하 다 시간할인률이 용된 추정치는 재 계산된 값보다 다소 하락할 것이다

어 어떤 이들에게는 이득만이 요하고 주 만족도는 경시될 수 있다 이들에게 n은

lsquo0rsquo에 가까운 것이다 반면 다른 이들에게는 일자리에서 얻는 주 만족도가 임 소득보다

몇 배 이상 요할 수 있다 이들에게 n은 1보다 큰 양수가 될 것이다 구직 네트워크의 가치를 수

치로 악해 보고자 n=1인 근로자를 상정해 보자32) 이 사람에게 만족도 1 은 1만원만큼의

효용을 창출한다 이 근로자에게 구직 네트워크의 종합 가치는 26302만원에 이른다고 평가할

수 있다 이러한 구직 네트워크의 종합 가치를 개인의 물 혹은 인 자본과 별하여 근로자

개인의 구직 네트워크 사회 자본이라 명할 수 있다추정한 구직 네트워크의 가치인 (18720+7582n)만원은 한국사회의 임 근로자 각 개인이 구직

네트워크의 유지 리를 하여 기꺼이 지불할 용의가 있는 비용을 나타낸다 만족도 1 이 1만원의 효용이 있다면 즉 n=1이라면 이는 1224개월치 월 ( 략 일년치 연 )에 해당한다33) 이는 결코 작지 않은 액수이다 한국사회의 구성원들은 다양한 방식으로 네트워크를 리하고 있다 동창회 동호회 업계 계자와의 술자리 각종 경조사 참여 Social Network Service(SNS) 활동 등

이 이에 해당한다 이들 활동은 그 자체로서 정서 효용을 창출하지만 생 인 경제 이득

한 간과할 수 없다 이는 업무에 필요한 유용한 정보의 획득이나 업거래망의 확장이기도 하고 구직 네트워크의 변 확 자기 PR(Public Relations)이기도 하다 네트워크의 리는 그에 상

응하는 비용을 수반한다 이는 만남에 따른 지출에서부터 시간사용까지를 포함한다 구직

네트워크의 효과성 측면에서 보았을 때 한국사회 근로자 개인은 상당한 비용( 를 들어 n=1인 경

우 략 일년치 연 에 해당하는 비용)을 구직 네트워크의 유지 리를 하여 생애를 거

쳐 기꺼이 지불할 용의가 있다고 볼 수 있는 것이다

IX 결론

이제까지 우리는 국내 고용시장에서의 인 네트워크 활용의 효과성을 다각 인 측면에서 살

펴보았다 인 네트워크를 활용한 이직의 직장생활만족도 개선효과는 100 만 에 약 165 34)

에 달하는 것으로 확인되었으며 직무 합도 개선효과는 100 만 에 약 197 35)에 이르는 것으

로 나타났다 한 인 네트워크를 활용한 이직은 임 상승을 동반하는데 그 규모는 월평균 임

으로 4074만원(2010년 기 )인 것으로 확인되었다 반면 인 네트워크를 활용하지 않은 이직

에서도 직장생활만족도의 개선효과가 일부 포착되었으나 일자리 합도에 한 개선이나 임 상

승효과는 확인되지 않았다 즉 구인자와 구직자를 연결시켜주는 인 네트워크의 효율 인 정보

달 기능이 확인된 것이다 이를 통해 임 근로자 개인의 구직 네트워크의 가치 즉 lsquo네트워크 사

회 자본rsquo을 추정해 보면 구직 네트워크의 생애 가치는 18720만원으로 집계되었으며 여기에 주 만족도에 한 보상 측면까지 고려하면 만족도 1 의 가치를 만원으로 환산

할 때 략 (18720+7582)만원에 이르는 것으로 집계되었다

32) 실제로 일반 인 수 에서 n은 1보다 상당히 클 것으로 상된다 주어진 표본에서 주 만족도의 평균은 략

55 내외인 반면 임 수 의 평균은 략 200만원 내외이다 즉 두 수치의 Scale이 네 배 가량 차이가 난다 33) 26302만원을 차수 임 수 (20247만원)의 2010년도 기 가치인 2148만원으로 나 면 1224개월이 나온다 34) 직장만족도 개선효과 220 직무만족도 개선효과 158 일자리만족도 개선효과 117 의 산술평균값 용 시 35) 기술 합도 개선효과 213 교육 합도 개선효과 252 교육기술복합지수 개선효과 126 의 산술평균값 용

참 고 문 헌

고용노동부 985172고용노동백서985173 2010김동헌김상호 「직업탐색과 자발 이직」 2001 경제학 공동학술 회 발표문 2010 김성훈 「사회연결망과 공식경로를 통한 첫 취업의 개인 결과와 사회 결과」 985172한국사회학985173 제39집 제1호

2005 김성훈 「 문직의 취업경로 사회연결망과 공식경로를 심으로」 985172한국사회학985173 제40집 제5호 2006 김성훈 「취업자의 사회연결망 활용에 한 향요인 연구」 985172노동경제논집985173 제26권 제3호 2003김용학 985172사회연결망 이론985173 박 사 2003류석춘 외 985172한국의 사회자본 역사와 실985173 백산출 사 2008 송호근김우식이재열 985172한국사회의 연결망 연구985173 서울 학교 출 부 2004안재희 985172구직과 제도 사회자본985173 한국학술정보(주) 2008우천식 편 985172한국경제사회와 사회 자본985173 한국개발연구원 2007이 면나인강 「직장만족도와 이직행 에 한 패 분석」 985172제5차 한국노동패 학술 회 논문집985173 2004이 면나인강 「비정규직의 이직 이직사유 근속기간에 한 연구」 985172제6차 한국노동패 학술 회 논

문집985173 2005이상호 「노동패 의 주 만족도 측정」 985172노동리뷰985173 통권 제17호 2006 pp77~86이병훈 「구직활동의 향요인에 한 탐색 연구」 985172노동경제논집985173 제25권 제1호 2002 pp1~21 통계청 985172경제활동인구조사985173 2010한국노동연구원 985172사업체패 조사985173 2007KDI 국제정책 학원 985172사회 자본 확충을 한 기본조사 정책연구985173 2007

Blau David and Philip Robins ldquoJob Search Outcomes for the Employed and Unemployedrdquo Journal of Political Economy 98(3) 1992 pp637~655

Bourdieu P ldquoThe Forms of Capitalrdquo in J G Richardson (ed) Handbook of Theory and Research for the Sociology of Education New York Greenwood 1986

Cochran William and Donald Rubin ldquoControlling Bias in Observational Studies A Reviewrdquo Sankhya 35 1973 pp417~446

Datcher Linda ldquoThe Impact of Informal Networks on Quit Behaviorrdquo Review of Economic Statistics 65(3) 1983 pp491~495

Dawid A ldquoConditional Independence in Statistical Theoryrdquo Journal of Royal Statistical Society B 41 1979 pp1~31

Dehejia R and S Wahba ldquoCausal Effects in Nonexperimental Studies Reevaluating the Evaluation of Training Programsrdquo Journal of the American Statistical Association 94 1999 pp1053~1062

Dehejia R and S Wahba ldquoPropensity Score-Matching Methods for Nonexperimental Causal Studiesrdquo The Review of Economics and Statistics 84 2002 pp151~161

Glaeser E D Laibson and B Sacerdote ldquoAn Economic Approach to Social Capitalrdquo The Economic Journal 112 2002

Gottschalk P and T Maloney ldquoInvoluntary Termination Unemployment and Job Matching A Test of Job Search Theoryrdquo Journal of Labor Economics 3 1985 pp109~123

Granovetter Mark S Getting A Job A Study of Contracts and Careers Chicago University of Chicago Press 1975

Heckman J H Ichimura J Smith and P Todd ldquoCharacterizing Selection Bias Using Experimental Datardquo Econometrica 66 1998 pp1017~1098

Heckman J H Ichimura and P Todd ldquoMatching as an Econometric Evaluation Estimator Evidence from Evaluating a Job Training Programrdquo Review of Economic Studies 64 1997 pp605~654

______ ldquoMatching as an Econometric Evaluation Estimatorrdquo Review of Economic Studies 65 1998 pp261~294Knack S and P Keefer ldquoDoes Capital Have and Economic Payoff A Cross Country Investigationrdquo Quarterly

Journal of Economics 62 1997 pp1251~1288 Lin Nan Social Capital A Theory of Social Structure and Action Cambridge Cambridge University Press 2001 Lin Nan Karen Cook and Ronald Burt (eds) Social Capital Theory and Research Aldine Transaction 2001 Marmaros David and Bruce Sacerdote ldquoPeer and Social Networks in Job Searchrdquo European Economic Review 46

2002 pp870~879Putnam Robert D Bowling Alone The Collapse and Revival of American Community New York Simon and

Schuster 2000Rosenbaum J S DeLuca S Miller and K Roy ldquoPathways into Work Short- and Long-Term Effects of Personal

and Institutional Tiesrdquo Sociology of Education 72(3) 1999 pp179~196Rosenbaum P and D Rubin ldquoThe Central Role of the Propensity Score on Observational Studies for Causal

Effectsrdquo Biometrika 70 1983 pp41~55Rubin D ldquoEstimating Causal Effects of Treatments in Randomized and Non-randomized Studiesrdquo Journal of

Educational Psychology 66 1974 pp688~701Simon Curtis and Warner John ldquoMatchmaker Matchmaker The Effect of Old-Boy Networks on Job Match

Quality Earnings and Tenurerdquo Journal of Labor Economics 10(3) 1992 pp306~330Todd Petra ldquoMatching Estimatorsrdquo unpublished manuscript 2006

성공한 구직방법

일자리 진입방식

합계공개

채용스카우트

소개나

추천

찾아가서기타

1 학교나 학원12 0 26 4 0 42

(395) (0) (301) (069) (0) (233)

2 교수나 교사2 0 8 0 0 10

(066) (0) (093) (0) (0) (055)

3 친구나 친지5 2 509 28 2 546

(164) (125) (5898) (48) (556) (303)

4 공공 안내소3 0 7 9 4 23

(099) (0) (081) (154) (1111) (128)

5 사설 안내소3 0 29 16 1 49

(099) (0) (336) (274) (278) (272)

6 매체 고53 1 21 209 13 297

(1743) (625) (243) (3585) (3611) (1648)

7 직 탐문2 0 13 85 0 100

(066) (0) (151) (1458) ((0) (555)

8 가족1 1 21 2 0 25

(033) (625) (243) (034) (0) (139)

9 인터넷205 3 22 179 9 418

(6743) (1875) (255) (307) (25) (232)

10 희망직장

지인

7 3 90 20 0 120(23) (1875) (1043) (343) (0) (666)

11 업무상

지인

6 4 102 18 0 130(197) (25) (1182) (309) (0) (721)

12 기타 5 2 15 13 7 42

(164) (125) (174) (223) (1944) (233)

합 계304 16 863 583 36 1802

(100) (100) (100) (100) (100) (100)

lt부표 1gt 경력직 취업자(1802명)의 일자리 진입방식별 구직방법의 분포

주 1 노동패 6차부터 10차까지의 신규 일자리 진입자 경력직 취업자를 상으로 함 2 ( ) 안은 각 일자리 진입방식에 한 성공한 구직방법의 백분율임

Block

번호

직장유지의

직무유지의

향성별 나이 나이

2 교육

혼인

여부

정규직

여부

첫(혹은

두 번째)

일자리

(로그)

격차 격차 격차 격차 격차 격차 격차 격차 격차 격차

1164 116 048 -102 -14913 -003 003 009 000 007

(455) (395) (011) (207) (19454) (044) (005) (004) (009) (013)

2-254 050 003 007 -1629 -022 -006 004 -002 001

(203) (191) (006) (123) 11232 (020) (004) (004) (006) (007)

3036 -076 002 -094 -7067 -001 000 -004 008 001

(131) (129) (004) (088) (7870) (012) (003) (003) (004) (004)

4-079 -117 -001 071 6428 000 -004 -002 001 -005

(128) (122) (004) (079) (6861) (010) (003) (003) (004) (003)

5026 144 -005 068 6211 -012 004 000 -006 -001

(142) (144) (004) (077) (6201) (010) (004) (003) (004) (004)

6061 152 -008 -043 -3655 006 002 002 -007 007

(151) (151) (004) (073) (5661) (010) (004) (004) (004) (004)

7010 -134 -002 043 2726 003 -002 001 003 001

(133) (131) (004) (058) (4296) (008) (004) (003) (003) (003)

8045 173 008 044 3233 007 000 -001 -001 -003

(146) (143) (004) (052) (3615) (007) (004) (003) (003) (003)

9128 -010 000 061 3033 -016 -003 006 -010 004

(259) (246) (006) (065) (3930) (012) (005) (006) 006 (006)

10500 114 013 -035 -1626 004 000 007 001 -003

(407) (394) (009) (081) (4454) (017) (007) (008) (009) (009)

lt부표 2-Agt Propensity Score 각 구간(Block)에 대한 Mean-Difference Statistical T-test 결과(I)

주 1 Untreated Group과 Treated Group의 각 항목에 한 Mean Difference를 테스트함 2 표시는 5 유의도 수 에서 테스트를 통과하지 못한 항목을 표시함3 ( ) 안은 표 오차임

lt부표 2-Bgt Propensity Score 각 구간(Block)에 대한 Mean-Difference Statistical T-test 결과(II)

Block

번호

(로그)2 종업원 규모 교육 합도 임 만족도근무

환경 만족도

일자리

만족도

서비스 매직

여부

농어업 종사

여부

정규직 times

교육

직장 times

직무유지의향

격차 격차 격차 격차 격차 격차 격차 격차 격차 격차

1052 054 202 656 -048 -101 002 001 003 25954

(147) (053) (379) (564) (480) (421) (005) (003) (047) (60638)

2-006 043 046 047 -303 -182 002 000 -004 -9827

(073) (027) (197) (247) (220) (188) (002) (001) (026) 25462

3006 011 -151 -030 255 013 -002 000 -011 -246

(041) (017) (158) (156) (142) (117) (002) (000) (018) (15776)

4-052 000 -075 -111 -046 -005 -004 000 -011 -10585

(034) (015) (155) (137) (133) (110) (002) (001) (016) (14203)

5-008 006 053 -047 -017 -036 003 000 -004 17636

(035) (017) (176) (152) (144) (123) (003) (001) (018) (16213)

6063 -005 273 049 211 040 -006 001 015 14659

(035) (017) (201) (150) (145) (124) (003) (001) (019) (16225)

7008 -018 -045 016 -031 005 005 000 010 -10640

(029) (014) (174) (127) (127) (108) (003) (001) (016) (13577)

8-022 -014 028 -028 -163 086 000 000 -001 6766

(028) (014) (189) (127) (131) (111) (003) (000) (017) (13784)

9037 -013 143 133 046 -070 001 -002 015 -1116

(047) (021) (371) (204) (227) (187) (006) (002) (029) (21779)

10-028 021 077 161 -247 -113 -013 002 019 13295

(074) (026) (612) (352) (366) (340) (009) (002) (038) (30459)

주 1 Untreated Group과 Treated Group의 각 항목에 한 Mean Difference를 테스트함 2 표시는 5 유의도 수 에서 테스트를 통과하지 못한 항목을 표시함3 ( ) 안은 표 오차임

Page 18: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal

주어진 경우에 DID Matching Estimator는 매우 효과 인 도구로 활용될 수 있다 이때 DID Matching Estimator는 다음과 같은 방식으로 요약될 수 있을 것이다

isincap

prime prime prime

isin prime

(8)

본 연구에서는 앞서 소개한 DID Matching Estimator를 이용함으로써 시간불변(time-invariant)의

측되지 아니하는 변수들을 사 에 통제하고 보다 신뢰할 만한 분석 결과를 제시하고자 한다

4 Treatment Effect 측정방식

의 가 치를 결정하는 를 어떻게 설정하느냐에 따라 다양한 PSM Estimator가 존재한다 본 연구의 분석에서는 가장 활발히 이용되는 측정방식들로서 Nearest Neighbor Matching Radius Matching Kernel Matching 이 세 가지를 활용하기로 한다18)

가 Nearest Neighbor Matching

이 방식은 조군인 Untreated Group에 속한 개체 에서 Propensity Score가 실험군(Treated Group) 개체의 Score와 가장 근 한 개체를 선택하는 방식이다 즉 를 최소화시키

는 에 해서는 이고 나머지 에 해서는 이 성립한다 [그림 2]가 이

를 잘 형상화하고 있다 이때 Score가 근 한 개체를 하나가 아닌 복수로 선정함으로써 하나를

선정할 때보다 더욱 안정된 추정치를 얻을 수 있다 다만 매칭되는 개체 수가 무 많을 경우

가 크게 되어 편의(bias)가 증가할 수 있으므로 신 할 필요가 있다 개의 근

한 개체를 선택하는 경우 이들 개체 에 해서는 이 성립하고 나머지 에

해서는 이 성립한다 Nearest Neighbor Matching의 경우 가장 근 한 개체를 선택하 으나 가 무

커서 Counterfactual로서 부 합한 매칭이 이루어질 가능성이 있다 이를 보완하기 하여 Cochran and Rubin(1973)은 한 Caliper를 선정하여 매칭에 있어서 를 일정 한도로 제

한할 것을 제안한 바 있다 본 분석에서는 을 5개로 선정함으로써 편의(bias)를 이면서도 안정

된 추정치를 얻고자 하 으며 Caliper는 히 작은 0005로 설정하여 부 합한 매칭을 최소화하

고자 하 다19)

18) 이 외에도 주로 활용되는 측정방식으로 Stratification Matching Mahalanobis Matching 등이 있으나 이들을 활용한 결

과가 본 연구의 분석 결과와 크게 다르지 않다 Dehejia and Wahba(2002)는 Treated Group과 Untreated Group 간의

Propensity Score 분포가 상당 부분 서로 겹친다면 측정방식에 따른 분석 결과의 차이가 크지 않다는 을 강조한

바 있다 이는 실험군 한 개체에 해 매칭 가능한 충분한 수의 조군 개체들이 존재하기 때문이다 즉 측정방식의

차이에 따라 매칭이 되는 조군들의 특성이 크게 달라지지 않는 것이다 본 연구에서 추정한 Propensity Score 분포

는 Treated Group Untreated Group 두 집단 사이에 겹치는 부분이 매우 크다 이는 [그림 4]를 통해 쉽게 확인된다 19) 여기서 Caliper 설정은 실험군 개체와 매칭되는 조군 개체 사이의 PS 거리 즉 를 한 수 으로

제한하고자 함이다 부분의 실험군 개체의 경우 Caliper가 설정한 Boundary에 크게 제한을 받지 않으므로 히

작은 Caliper의 설정이면 편의(Bias)를 개선하기에 충분하다 본 분석에서 설정한 0005 이외에 0002이나 001을 사용

하여 보았으나 역시 결과의 차이가 크지 않음을 확인하 다

[그림 2] Nearest Neighbor Matching(n=1인 경우)

나 Radius Matching

이 방식은 일정 반경을 Caliper로 설정하고 Untreated Group에서 가 Caliper 이내인 모든 개체 를 Treated Group의 개체 에 매칭하는 방법이다(그림 3 참조) 개체 에 하여

Untreated Group으로부터 매칭된 개체의 수가 라면 이들에 해서는 이 성립하고 매칭이 안된 나머지 개체들에 해서는 이 성립한다 이 추정방식은 앞서 Nearest Neighbor Matching에 비해 Propensity Score가 근 한 조군 내의 보다 많은 개체를 분석에 활용할

수 있다는 장 이 있다 보다 많은 조군 내 개체를 활용할수록 Treatment Effects 측정의 정확성

(Precision)은 상승하게 된다 매칭이 가능한 조군 개체의 수가 충분히 많다면 Caliper는 작을수록 좋다 Caliper가 클수록

부 합한 매칭에 따른 Treatment Effects의 편 (Bias)이 커질 수 있기 때문이다 본 분석에서는 샘

의 수가 충분히 크기 때문에 Caliper를 0002로 설정하여 매우 근 한 개체들에 해서만 매칭이

이루어지도록 설정하 다20)

20) 다음 에서는 주어진 샘 을 활용하여 Propensity Score를 추정하고 있다 이 결과에 따르면 PS (01 0102)인 구간

에서 조군 개체 수가 116개 (02 0202) 구간에서 조군 개체 수가 32개 (03 0302) 구간에서 조군 개체 수가

12개에 이르는 것을 확인할 수 있다(표 6과 그림 4를 참조 바람) 즉 0002의 Caliper를 사용할 때 한 개의 실험군

개체에 해 10개 내지 100개 이상의 조군 개체들이 매칭되는 경우가 흔히 존재하는 것이다 반면 Caliper를 이보

다 작게 설정한다면 (특히 PS가 큰 구간에서는) 실험군 개체들과 매칭되는 조군 개체가 존재하지 않을 수 있다 를 들어 PS (04 0402)인 구간에서 조군 개체 수는 단 1개 존재하나 PS (0401 0402)인 구간에서는 무하다

따라서 본 연구에서는 최소의 Caliper이면서도 매칭되는 조군 개체의 수가 충분할 수 으로서 Caliper 0002를 선

정하 다 반면 민감성 테스트(Sensitivity Check)에 따르면 Caliper 0001이나 0003에서도 연구 결과의 차이가 크지

않음을 확인하 다

[그림 3] Radius Matching

다 Kernel Matching

이 방식은 Treated Group 내의 각 개체에 한 매칭을 Untreated Group 내의 모든 개체를 상

으로 진행하는 방식으로 에 따라 가 치를 부여한다 가 작을수

록 가 치가 커진다 이때 사용되는 가 치는 다음과 같이 표시될 수 있다

isin

(9)

여기서 G는 선택된 Kernel function을 은 Bandwidth Parameter를 표시한다 이 방식은

Heckman Ichimura and Todd(1998)에 의해 도입되었는데 주어진 모든 개체를 추정에 활용하므로

정보의 손실을 최소화할 수 있다는 장 이 있다 한 앞서의 두 추정방식과는 달리 인 인

Caliper의 설정이 불필요하다는 장 도 있다 Kernel의 선택에는 Gaussian Function(Normal Distribution) Biweight Function Epanechnikov Function 등 다양한 방식이 가능하나 본 분석에는

Normal Distribution을 채택하 다 Bandwidth Parameter로는 001을 선택하여 가 근

한 이들에게 충분한 가 치가 주어지도록 하 다21)

VI Propensity Score의 추정

주어진 자료에서 Treatment는 이직에 해당한다 이직에 한 Propensity Score(PS)를 추정하기

해서는 이직에 향을 미치는 주요 변수의 집합 을 사용하여야 한다 이들 변수는 다음 조건

을 만족하여야 한다 prime ∐ 즉 이직에 향을 미치는 주요 변수들을 통제한 후에

는 이직을 하지 않은 이들의 결과치 에 한 변화분 prime 의 분포가 이직을 한

이들이 만약 이직을 하지 않았을 때 상되는 결과치 에 한 변화분 prime 의 분

21) Bandwidth Parameter가 0005 002인 경우도 확인해 보았으나 결과에는 큰 차이가 발견되지 않았다

추정함수 Logistic Regression(이직 = 1 비이직 = 0)Z 추정계수 표 오차

직장유지의향 -0002 0004 직무유지의향 -0015 0004 성별(여성 1) -0104 0071

나이 -0138 0023 나이2 0001 0000

교육수 0169 0050 혼인 여부(미혼 1) -0056 0082

정규직 여부(정규직 1) 0342 0248 첫(혹은 두 번째) 일자리 여부 -0599 0068

임 수 (단 만원 로그) 0076 0601 임 수 (단 만원 로그)2 -0052 0063 종업원 규모(단 명 로그) -0084 0015

차수 교육 합도 0000 0001 임 만족도 0003 0002

근무환경만족도 -0004 0002 일자리만족도 -0003 0003

서비스 매직 여부 0459 0077 농어업 종사 여부 0324 0378

정규직 여부 times 교육수 -0131 0056 직장유지의향 times 직무유지의향 0000 0000

상수항 3558 1584 측 수 12754

결정계수( ) 00873

Log Likelihood -401098

포와 동일해야 하는 것이다 따라서 Propensity Score의 추정에 활용할 변수들은 앞서 일자리 이동

의 향요인에 한 분석을 통해 선별할 수 있다 특히 주어진 노동패 의 자료에서는 ldquo 재의

직장을 계속 다니고 싶은가(직장유지의향)rdquo와 ldquo 재 맡고 있는 일을 계속하고 싶은가(직무유지의

향)rdquo라는 이직의사와 련된 매우 긴요한 변수들이 포함되어 있는데 이들을 주요 변수의 집합

에 포함시킴으로써 이상의 조건이 보다 용이하게 충족될 수 있음을 기 할 수 있다 Propensity Score의 추정에는 Logistic Regression을 활용하 다 추정에 활용된 주요 변수들의 집합 과 각

변수에 한 추정계수는 lt표 5gt에 요약되어 있다

lt표 5gt Propensity Score의 추정방정식

주 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

앞서 일자리 이동 향요인에 한 분석에서 일자리 이동의 요한 결정변수로 악된 변수

들이 부분 PS 추정방정식에 포함되었다 만족도와 련한 변수 업무만족도 취업 안정성 만

족도 자기발 만족도 복지후생만족도 이상 네 변수는 일자리 향요인으로 통계 으로 유의하

게 악되었으나 PS 방정식에 추가된 일자리만족도 직장유지의향 직무유지의향 등과의 통계

상 계가 매우 높아 PS 추정방정식에 따로 포함시키지 않았다22) 한 추정방정식에는 일부

Interaction Terms들과 Higher Order Terms들을 추가하여 앞서 설명한 변수집합(Z)의 기본요건을 맞

추고자 하 다 추가 변수들은 Balancing Property를 충족하기 하여 선정되었는데 이에 해서는

아래에서 추가 부연한다Rosenbaum and Rubin(1983)에 따르면 PS는 다음 조건을 만족한다

∐ rArr

즉 PS를 통제한 뒤에는 변수집합 Z와 Treatment 여부 D가 상호 독립 이라는 것이다 이는 PS가 동일한 개체들에 해 Z의 평균값을 구한다면 Treatment를 받은 집단과 그 지 않은 집단 사이

에 차이가 없어야 한다는 을 내포한다 이를 Balancing Property라 한다 이를 검증하기 한 방

법으로 P(Z)를 여러 구간(Blocks)으로 나 뒤 각 구간에 한 Mean Difference Statistical T-test를

시행할 수 있다 일부 구간에 해 T-test가 만족하지 않는 경우에는 구간을 더욱 세분하여 진행하

고 여 히 만족이 되지 않는 경우에는 문제가 되는 일부 변수들의 Interaction Terms들과 Higher Order Terms들을 PS 추정방정식에 추가하여 앞서의 과정을 되풀이한다(Dehejia and Wahba[1999]) 앞서 언 된 Interaction Terms과 Higher Order Terms들은 이상의 과정을 거쳐 추가된 항들이다

Balancing Property 검증을 하여 다양한 PS 추정방정식을 설정하여 반복 인 Test를 수행하

다 최종 으로 lt표 5gt의 추정방정식에서 도출한 PS를 기 으로 lt표 6gt과 같이 10개의 Block을

구분한 뒤 Mean- Difference Statistical T-test를 진행하 다 Block 설정은 PS의 Common Support 역인 [00149 06]에 하여 이루어졌다 각 Block들에 한 T-test의 결과는 lt부표 2gt에 수록되어

있다 추정방정식에 도입된 독립변수 항이 총 20개이고 Block의 수는 10개이므로 총 200개의

Mean-Difference T-test가 시행되었다 lt부표 2gt에서 확인할 수 있듯이 5 Significance Level에서

부분의 Block들이 T-test를 통과하 다 통과에 실패한 테스트는 단 두 개로 Block 1의 lsquo정규직

여부rsquo에 한 테스트와 Block 8의 lsquo성별rsquo에 한 테스트이다 따라서 Block Test의 통과율이 99에

이르러 앞서의 PS 추정방정식이 Balancing Property를 체로 만족하고 있다고 결론내릴 수 있다 이상의 과정을 거쳐 확정된 PS 추정방정식을 이용하여 각 개체별로 PS를 구할 수 있다 [그림

4]는 이 게 구해진 PS에 하여 각 집단별 분포도를 제시하고 있다 Treated Group의 경우 PS의

분포가 Untreated Group에 비해 상 으로 우측으로 치우쳐 있음을 쉽게 확인할 수 있다 그리고

PS 분포에서 Common Support 역이 [00149 06]에 이른다는 것을 확인할 수 있다 이는 PS가

06보다 큰 경우에는 Treatment에 참여한 실험군 개체에 해 그에 상응하는 Counterfactual을 조

군으로부터 찾을 수 없음을 의미한다 따라서 PS를 활용한 Treatment의 효과 측정은 이 Common Support 역에 들어오는 실험군 개체들에 한정하여 이루어질 수밖에 없다

22) 를 들어 일자리만족도와 이들 네 변수와의 상 계수(Correlation Coefficient)는 각각 업무만족도(06536) 취업 안정

성 만족도(06014) 자기발 만족도(06279) 복지후생만족도(05514)에 이른다 이들을 포함시키더라도 반 인 결과

에는 큰 차이가 없다

(10)

02

46

8

0 2 4 6 8 0 2 4 6 8

Untreated Group Treated Group

DensityRough Density Curve

Den

sity

Propensity Score Distribu tion for Each Group

lt표 6gt Balancing Property 검증을 위한 Block 구분

Block 번호 Propensity Score 범 D=0 D=1 합계

1 00149 ~ 0025 655 10 665

2 0025 ~ 005 2128 59 2187

3 005 ~ 0075 2146 152 2298

4 0075 ~ 001 1744 200 1944

5 01 ~ 0125 1300 171 1471

6 0125 ~ 015 949 162 1111

7 015 ~ 02 1138 238 1376

8 02 ~ 03 845 242 1087

9 03 ~ 04 230 95 325

10 04 ~ 06 57 56 113

합계 11192 1385 12577

[그림 4] 각 집단별 Propensity Score 분포도

주 Common Support 역인 [00149 06]에 포함된 개체 수는 Untreated Group의 경우 11192명 Treated Group의 경우에

는 1385명임

VII 분석 결과

이제 구해진 PS를 활용하여 이직의 효과와 이직에 있어서 인 네트워크 활용의 효과성을 분

석할 비를 마련하 다 본 분석에서는 앞서 제3 에서 소개한 7가지의 성과지표에 하여 분석

을 진행할 것이다 우선 PS가 추정된 12754개체에 하여 PS를 고려하지 않은 단순비교를 진행해

성과지표의

연간 변화비교 상

이직자

평균

비이직자 평균

격차

(표 오차)

직장만족도 변화이직자 수 1379 3724 -0334 4058

비이직자 수 11274 (0466)

직무만족도 변화이직자 수 1386 2962 -0428 3389

비이직자 수 11285 (0466)

일자리만족도 변화이직자 수 1384 2944 0282 2662

비이직자 수 11261 (0489)

기술 합도 변화이직자 수 1383 2350 -0058 2408

비이직자 수 11245 (0684)

교육 합도 변화이직자 수 1389 2556 -0142 2697

비이직자 수 11300 (0689)

교육기술복합지수

변화

이직자 수 1383 2422 -0091 2513

비이직자 수 11245 (0664)

임 수 변화이직자 수 1384 9088 2782 6307

비이직자 수 11340 (1614)

보자 lt표 7gt은 이직자 집단과 비이직자 집단의 성과지표 변화를 단순비교한 것이다 표에서 확인

할 수 있듯이 이직자의 경우 모든 지표들에 하여 성과지표의 뚜렷한 증가가 목격되었다 비이

직자의 경우에는 임 수 이 2782만원 증가한 것을 제외하고 에 띄는 성과지표의 개선이 나타

나지 않았다23) 성과지표 개선에서 집단 간의 차이가 존재하는지를 검증하기 하여

Mean-Difference Statistical T-test를 진행하고 그 결과를 표에 수록하 다 모든 지표에 하여 이직

자 집단이 비이직자 집단에 비해 높은 증가세를 보인 것이 통계 으로 유의하게 확인된다 를 들

어 이직자 집단의 월평균 임 수 은 9088만원 상승한 것으로 나타나 비이직자 집단에 비해

6307만원만큼 큰 폭의 임 향상을 보 다 하지만 우리는 이상의 결과를 이직의 효과라고 단정

지을 수 없다 왜냐하면 이직의 효과는 이직자 집단에 속한 개체들의 성과 변화와 이들의

Counterfactual 즉 이들이 이직을 하지 않고 직장을 유지하 을 때의 성과 변화를 직 비교해

야 제 로 악되기 때문이다 이후 제시한 Propensity Score Matching에 의한 이직효과 측정은 이

러한 Counterfactual의 탐색에 기반한 분석 결과이다

lt표 7gt 주요 성과지표의 연간 변화 단순비교

주 1 성과지표의 변화에 한 집단 간 차이를 확인하기 하여 Mean-Difference Statistical T-test를 수행함 2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

23) 주어진 임 수 은 연간 임 상승률을 감안한 수치이기 때문에 비이직자의 임 은 불변이거나 하락하여야 정상이

다 재 악되는 비이직자들의 임 증가는 선택편의(Selection Bias) 문제에 의해 발생한 것으로 보인다 주어진 최

종샘 은 차수와 차수 모두에서 임 근로자로 악된 이들로 구성된다 취업시장에 신규로 진입하는 이들에

비하여 근속연수가 1년 많은 셈이다 한 차수에 임 근로자인 이들 임 상승폭이 작은 이들이 그 지 않은

이들보다 근로시장을 이탈할 가능성이 높다 이로 인하여 차수에 이어 차수까지 근로시장에 남아 있는 이들

은 상 으로 높은 임 상승을 보이는 것으로 단된다( 한 분석에 활용한 임 상승률이 lsquo임 구조기본통계조사rsquo의 표본으로부터 추정된 것이므로 노동패 표본과의 근본 차이로 인해 이상의 문제가 도출하 을 가능성도 일

부 배제할 수 없다)

공개채용 스카우트 소개나 추천 직 찾아가서 기타

인 네트워크

활용 구직

21 10 730 68 2

(69) (625) (8459) (1166) (556)

인 네트워크

비활용 구직

278 4 118 502 27

(9145) (250) (1367) (861) (750)

알 수 없음5 2 15 13 7

(164) (125) (174) (223) (1944)

총 사례 수 (1802명

)

304 16 863 583 36

(100) (100) (100) (100) (100)

이직 성격 분류비네트워크

경로-

네트워크

경로

비네트워크

경로-

본격 인 분석에 앞서 인 네트워크와 련하여 이직의 성격을 규명할 필요가 있다 인 네

트워크를 이직경로로 활용한 경우와 그 지 않은 경우로 구분지어 보도록 하자 이를 해 노동패

6차에서 10차까지의 체 경력직 취업자들을 상으로 한 lt부표 1gt의 lsquo경력직 취업자들의 일

자리 진입방식별 구직방법의 분포rsquo를 참조하도록 하자 노동패 에서 제공하는 일자리 진입방식

은 lsquo공개채용rsquo lsquo스카우트rsquo lsquo소개나 추천rsquo lsquo직 찾아가서rsquo lsquo기타rsquo 이 게 다섯 가지로 구분된다 이 lsquo공개채용rsquo 형태의 일자리 진입에서는 lsquo인터넷rsquo이나 lsquo매체 고rsquo를 활용한 구직이 체 사례

의 8486에 이른다 lsquo직 찾아가서rsquo 형태의 일자리 진입 역시 lsquo인터넷rsquo이나 lsquo매체 고rsquo 그리고

lsquo직 탐문rsquo 방식의 구직이 사례의 8113에 이른다 반면 lsquo소개나 추천rsquo 형태의 일자리 진입에서

는 lsquo친구나 친지rsquo를 통하거나 lsquo취업희망 직장의 지인rsquo 혹은 lsquo업무상 알게 된 지인rsquo을 통하는 경우

가 체의 81235에 이른다 즉 각 일자리 진입방식 간에 매우 뚜렷한 구직형태의 차이를 보여

주고 있다 lt부표 1gt의 성공한 구직방법 2 3 8 10 11을 인 네트워크를 활용한 구직으로 1 4 5 6 7 9를 그 지 않은 구직으로 분류하고 각 일자리 진입방식에 한 인 네트워크 활용도를

추산해 보면 다음 lt표 8gt과 같이 요약된다

lt표 8gt 일자리 진입방식별 이직의 성격 분류

주 ( ) 안은 각 일자리 진입방식에 한 이직 성격의 비 을 백분율로 표시함 자료 lt부표 1gt를 재구성한 것임

lt표 8gt에 요약된 바와 같이 lsquo공개채용rsquo과 lsquo직 찾아가서rsquo 형태의 일자리 진입에서 인 네트

워크를 활용하지 않은 구직이 각기 9145와 861에 이른다 반면 lsquo소개나 추천rsquo에서는 인 네

트워크를 활용한 구직이 8459에 이른다 이를 바탕으로 본 분석에서는 lsquo공개채용rsquo과 lsquo직 찾아

가서rsquo를 lsquo비네트워크 경로 이직rsquo으로 lsquo소개나 추천rsquo을 lsquo네트워크 경로 이직rsquo으로 구분한다 이 분류

에 따르면 15705명의 최종샘 에서 이직자로 악된 1560명 1438명의 체 인 구직경로 구

분이 가능하다 이 999명이 네트워크 경로 이직자로 439명이 비네트워크 경로 이직자로 분류

된다 한 앞서 PS가 추정된 12754명 에는 1391명이 이직자인데 그 891명은 네트워크 경

로 이직자로 387명은 비네트워크 경로 이직자로 분류된다

1 이직을 통한 개인만족도의 변화

아래 세 개의 도표 lt표 9gt lt표 10gt lt표 11gt은 이직을 통하여 개인의 만족도가 개선되는지의

여부를 PSM을 통하여 검증한 것이다 각각의 만족도지수(직장만족도 직무만족도 일자리만족도)에 하여 세 가지 방식의 PSM 추정치(Five Nearest Neighbors Radius Matching Kernel Matching)를

제시하고 있다앞서 lt표 7gt의 단순비교에서는 이직자와 비이직자의 연간 만족도변화가 100 만 에서

4058 (직장만족도) 3389 (직무만족도) 2662 (일자리만족도)만큼 차이가 나는 것으로 집계

되었다 그러나 PSM 방식으로 재추정된 이직의 만족도 개선효과는 각각 약 250 (직장) 216(직무) 155 (일자리)으로 나타났다24) 종합하면 단순비교 방식(표 7)은 PSM 활용방식(표 9

표 10 표 11)에 비해 이직의 만족도 개선효과를 약 1~15 만큼 과 추정하고 있음을 확인할 수

있다 이러한 상이 나타난 이유는 실제 이직한 이들이 그 지 않은 이들에 비해 기존 직장에서

의 만족도가 상 으로 낮았다는 데 있다 를 들어 주어진 최종샘 에서 이직자들의 기존 직장

에서의 직장만족도는 평균 5071 을 보이는 반면 같은 시기 비이직자들의 평균 직장만족도는 이

보다 무려 7 가까이 높은 5724 으로 나타났다 따라서 단순비교 방식에서는 이직을 통한 만족

도 개선효과가 다소 과장되어 추산되기 마련이다 이들 이직한 이들이 만약 기존 직장에 그 로 남아 있었다면 (이들의 만족도가 상 으로 낮

은 수 이므로) 다른 이들에 비해 보다 높은 수 의 만족도 개선을 한 해 사이에 경험하 을 것이

다 실제로 체 비이직자들의 연간 만족도의 변화가 각기 -0334 (직장) -0428(직무) 0282 (일자리)에 그치는 데 반해 실험군(이직자 집단)의 Counterfactual 즉 PS를 사용하여 실험군 개체에 매

칭된 (비이직자 집단 내) 조군 개체들의 만족도 변화는 각기 113 (직장) 066 (직무) 133 (일자리)에 이르 다(각 표의 lsquo매칭된 조군 변화(B)rsquo 항목 참조) 실험군 Counterfactual에서의 만족도

개선폭이 여타 비이직자들의 연간 만족도 개선폭보다 략 1 이상 높게 나타나는 것이다 이상

의 선택편의(Selection Bias) 문제가 히 통제될 때 이직의 순효과가 바르게 추정될 수 있다 앞서 시한 PSM 방식으로 추정된 이직의 만족도 개선효과는 이러한 선택편의 문제를

Counterfactual Framework으로 극복한 추정 결과라 할 수 있다 그럼 네트워크 경로 이직과 비네트워크 경로 이직 사이에 뚜렷한 차이가 존재하는지 살펴보도

록 하자 표에서 확인할 수 있듯이 두 경우 모두 이직의 만족도 개선효과가 통계 으로 유의한 수

에서 명확히 확인된다 네트워크 경로의 이직에서는 만족도 개선의 효과가 각기 220 (직장) 158 (직무) 117 (일자리)으로 확인되었고 비네트워크 경로의 이직에서는 각기 263 (직장) 284 (직무) 207 (일자리)으로 확인되었다 흥미로운 부분은 비네트워크 경로의 이직에서 이직

을 통한 만족도 개선의 효과가 소폭 높게 나타난 이다 이는 비네트워크 이직 사례들이 상당수

의 lsquo공개채용rsquo 입사자를 포함하기 때문에 나타난 상으로 보인다 lsquo공개채용rsquo은 주로 종업원 300인 이상의 규모가 큰 기업에서 집 으로 활용되고 있다25) 이들 큰 기업에 lsquo공개채용rsquo으로 입사

한 이들은 그 직장에 비해 주 인 만족도가 크게 향상되었을 것이다 이러한 lsquo공개채용rsquo 사례들이 비네트워크 이직의 만족도 개선효과를 다소 증폭시키는 역할을 하 을 것으로 추정된다

반면 비네트워크 이직을 통한 만족도 개선이 네트워크 이직에 비해 다소 크다고 하여 이것이

24) 이는 분석에 사용된 세 가지 방식의 PSM 추정치들을 산술평균하여 정리한 수치들임 25) 이 부분에 한 구체 인 설명은 발간 정인 한국개발연구원 정책연구시리즈 lsquo인 네트워크(개인의 사회 자본)

의 노동시장 효과 분석rsquo을 참조하기 바란다 ( 자에게 요청시 수령가능함)

이직과정에서의 인 네트워크 요성은 인정되지 않는다는 식으로 해석될 수 없음을 유념하여야

한다 국내 이직과정에서의 인 네트워크 의존도는 해외 주요국에 비해 상당히 높은 수 이다 략 65 안 의 경력직 취업자들이 인 네트워크를 활용하여 구직에 성공하 다고 추정되고 있

다26) 만약 재 이직을 고려하고 있는 국내 한 근로자가 구직활동에서 인 네트워크 활용을 포기

한다면 이 근로자의 이직 성공 가능성은 매우 낮아질 것이다 즉 개인의 이직 성공률을 높이기

해서는 평소에 꾸 한 구직 네트워크 리가 요청된다 할 수 있다 특히 이직수요라는 것은 많은

경우 자신의 의도와는 다르게 외부 충격으로 인해 발생한다 회사의 경제 환경이 변화하기도

하지만 자신의 심사가 바 기도 하고 가족의 갖가지 필요에 의해 이직이 요구되기도 한다 즉 언제 발생할지 모르는 이직수요에 히 응하기 해서는 이직의 주요한 통로라 할 수 있는 인

네트워크에 한 상시 리가 요청되는 것이다 따라서 이직을 고려한 인 네트워크의 상시

리 이를 한 개인의 갖가지 비용 지출은 향후 발생 가능한 험에 처하기 하여 자동

차나 암 보험을 구매하는 것과 같이 기꺼이 지불해야 할 미래에 한 투자라 할 수 있다

26) 역시 한국개발연구원 정책연구시리즈 lsquo인 네트워크(개인의 사회 자본)의 노동시장 효과 분석rsquo을 참조하기 바

란다

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1371) 3662 1201 2460 403

조군(11274) (0610)

Radius Matching 실험군(1362) 3543 1009 2534 436

조군(11274) (0581)

Kernel Matching(Normal) 실험군(1372) 3659 1165 2494 434

조군(11274) (0564)

체 이직효과 평균 362 113 250

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 3309 1169 2140 293

조군(11274) (0730)

Radius Matching 실험군(879) 3231 0939 2292 331

조군(11274) (0693)

Kernel Matching(Normal) 실험군(881) 3309 1146 2162 315

조군(11274) (0686)

네트워크 이직효과 평균 328 108 220

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(380) 4224 1525 2699 224

조군(11274) (1206)

Radius Matching 실험군(373) 3981 1438 2543 217

조군(11274) (1171)

Kernel Matching(Normal) 실험군(381) 4213 1565 2647 230

조군(11274) (1149)

비네트워크 이직효과 평균 414 151 263

lt표 9gt 이직을 통한 직장만족도 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1377) 2850 0701 2149 363

조군(11285) (0592)

Radius Matching 실험군(1368) 2767 0626 2140 381

조군(11285) (0562)

Kernel Matching(Normal) 실험군(1378) 2852 0648 2204 398

조군(11285) (0554)

체 이직효과 평균 282 066 216

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(884) 2302 0808 1494 211

조군(11285) (0707)

Radius Matching 실험군(882) 2256 0658 1598 238

조군(11285) (0670)

Kernel Matching(Normal) 실험군(884) 2302 0654 1648 249

조군(11285) (0661)

네트워크 이직효과 평균 229 071 158

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 3648 0577 3072 269

조군(11285) (1142)

Radius Matching 실험군(374) 3463 0774 2688 245

조군(11285) (1098)

Kernel Matching(Normal) 실험군(382) 3652 0888 2764 257

조군(11285) (1077)

비네트워크 이직효과 평균 359 075 284

lt표 10gt 이직을 통한 직무만족도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1375) 2909 1571 1338 217

조군(11261) (0617)

Radius Matching 실험군(1366) 2818 1276 1543 262

조군(11261) (0588)

Kernel Matching(Normal) 실험군(1376) 2907 1147 1760 303

조군(11261) (0581)

체 이직효과 평균 288 133 155

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(882) 2523 1626 0897 121

조군(11261) (0742)

Radius Matching 실험군(880) 2472 1246 1225 173

조군(11261) (0707)

Kernel Matching(Normal) 실험군(882) 2523 1139 1383 198

조군(11261) (1697)

네트워크 이직효과 평균 251 134 117

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 3609 1499 2110 176

조군(11261) (1196)

Radius Matching 실험군(374) 3409 1530 1879 163

조군(11261) (1151)

Kernel Matching(Normal) 실험군(382) 3599 1365 2235 197

조군(11261) (1133)

비네트워크 이직효과 평균 354 146 207

lt표 11gt 이직을 통한 일자리만족도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이 를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

2 이직을 통한 배치효율성의 변화

다음은 이직의 다른 측면인 일자리 재배치의 문제에 해 살펴보고자 한다 이직은 각 개인

에 있어서는 직장생활의 변화라 할 수 있지만 기업의 입장에서는 노동인력의 교환에 해당한다 따라서 이직을 통한 노동인력의 재배치가 과연 사회 반의 경제 이익을 창출하고 있는지를 따

져 볼 필요가 있다 앞서 lt표 7gt에서 기술수 교육수 교육기술복합지수 이 세 가지 합도에 해 이직자

비이직자 집단 내의 연간 변화를 정리한 바 있다 여기서 비이직자의 경우 각 지수에서 연간 합

도가 소폭 하락한 것으로 나타났고 이직자의 경우 합도가 크게 상승한 것으로 나타났다 비이

직자는 기술수 의 합도에서 0058 이 교육수 의 합도에서 0142 이 그리고 교육기술수

의 복합지수에서는 0091 이 하락한 데 반해 이직자들은 각기 2350 (기술) 2556 (교육) 2422(복합지수)의 합도 상승이 발견되었다 비이직자들의 합도 하락은 기술이나 경제환경의 변

화와 한 련이 있다 경쟁력 있는 기술 이에 한 사회 수요가 시간에 따라 변화하므로 직장에서의 자신의 기술 혹은 교육수 은 (평균 으로 보아) 이 보다 합성이 다소 떨어지게

마련이다 반면 이직자들의 합도 상승이 과연 이직의 순효과인지에 해서는 여 히 의문의 여

지가 크다 이직을 결행한 이들은 이 직장에서의 직무 련 합도가 평균 으로 크게 떨어지는

이들이다 를 들어 최종샘 에서 이직을 하지 않은 이들의 한 해 기술 합도는 평균 9066인 데 반해 이직을 결행한 이들의 한 해 (이 직장에서의) 기술 합도는 평균 8547 에 머무

는 것으로 나타났다 이들은 애 에 워낙 합도가 떨어지기 때문에 굳이 이직을 택하지 않더라

도 직무재배치나 직장 내 부서이동 등을 통하여 1년 사이에 상당한 정도의 합도 개선을 이루었

을 것으로 상된다따라서 이직을 통한 배치효율성의 개선효과 즉 반 인 근로자의 직무 련 합도 상승효

과를 명확히 규명하기 해서는 이직한 이들이 이직을 하지 아니하 을 때에 상되는 합도의

개선을 우선 추정해 볼 필요가 있다 이것은 앞서 설명하 듯이 Counterfactual의 추정을 통해서만

이 가능하다 lt표 12gt lt표 13gt lt표 14gt는 PSM을 이용하여 비이직자들의 정보로부터 이직자들의

Counterfactual을 추정한 뒤 이를 보고하고 있다 세 방식(Five Nearest Neighbors Radius Matching Kernel Matching)의 추정치를 산술평균하면 기술 합도에서는 088 교육 합도에서는 057 교육

기술복합지수에서는 075 의 상승이 확인되었다(각 표의 lsquo매칭된 조군 변화(B)rsquo 항목을 참조) 이를 실험군 즉 실제 이직자들의 합도 상승(각 표의 lsquo실험군 변화(A)rsquo 항목)과 비교하면 순이직

효과는 각기 131 (기술) 183 (교육) 140 (복합지수)에 이르는 것으로 결론지을 수 있다 반

면 교육과 복합지수에서는 이들 순이직효과가 통계 으로 유의하게 나타났으나 기술수 의

합도에서는 이 효과가 통계 으로 뚜렷하지 않았다 10의 유의도에서 검증할 때 Kernel Matching을 제외한 나머지 두 개의 PSM 매칭에서 통계 유의성을 확보할 수 없었다 이에 이직

을 통한 교육수 의 합도 개선효과는 분명한 반면 기술수 의 합도 개선은 통계 으로 입증

되지 않는다고 결론지을 수 있다 교육기술복합지수의 경우 이 두 가지 효과가 첩되어 나타난

것으로 교육수 의 합도 개선이 워낙 뚜렷하기 때문에 통계 으로 유의한 지수상승이 나타난

것으로 단된다 이상과 같이 이직을 통해 교육수 합도의 개선이 보다 효과 으로 이루어지

는 것은 채용과정에서 후보자의 교육수 이 기술수 에 비해 객 인 자료를 이용하여 검증하

기가 보다 용이하기 때문인 것으로 보인다

그럼 이직을 통한 배치효율성 개선 측면에서 인 네트워크의 역할을 살펴보도록 하자 네트

워크 경로 이직과 비네트워크 경로 이직으로 나 어 이직효과를 각기 추정해 보면 둘 사이에 의

외의 뚜렷한 차이가 존재함을 확인할 수 있다 네트워크 경로의 이직인 경우 이직을 통한 합도

개선효과가 통계 으로 유의한 수 에서 매우 높게 나타난다 이직의 순효과는 각기 213 (기술) 252 (교육) 126 (복합지수)에 이른다 반면 비네트워크 경로의 이직인 경우 이 효과는 모두 사

라져 버린다 즉 이직효과는 기술 합도 교육 합도 교육기술복합지수 모두에서 양과 음을 반복

하고 통계 유의성도 확보되지 않는다 즉 비네트워크 경로를 통한 이직에서는 일자리 재

배치를 통한 사회 반의 경제 이득을 기 할 수 없는 것이다 앞서 교육 합도 개선에 있어 이

직의 반 인 효과가 통계 으로 강하게 나타났는데 이 효과의 부분은 비네트워크 경로 이직

보다는 네트워크 경로 이직으로부터 창출된 것임을 짐작할 수 있다 특히 기술 합도를 보면 이직자들의 합도 개선은 네트워크와 비네트워크 이직 사이에 뚜렷

한 차이를 보이는데 네트워크 이직자들의 합도 개선은 평균 292 인 데 반해 비네트워크 이직

자들의 합도 개선은 평균 048 에 그친다 인 네트워크를 활용하지 않고 이직을 하 을 경우 이직을 하 음에도 불구하고 기술 합도의 개선은 평균 으로 거의 기 되지 않는 것이다 이는

앞서 주 만족도의 개선효과와 비교하여 매우 상반된 결과에 해당한다 이직을 통한 주 만

족도의 개선에서는 네트워크와 비네트워크 이직 모두 그 효과가 분명하 으며 특히 비네트워크

이직자들의 주 만족도 개선폭은 3 내지 4 에 이르 다 이는 네트워크 이직자들의 만족

도 개선폭에 비해서도 1 가량 높은 수치 다 따라서 이직이 반 으로 개인의 주 만족도

를 개선하는 효과가 있으나 배치효율성의 개선 측면에서는 오직 인 네트워크에 의존한 이직만

이 재배치의 분명한 경제 효과를 평균 으로 창출한다고 결론지을 수 있다 이러한 네트워크와 비네트워크 사이의 뚜렷한 이직효과의 차이는 네트워크가 지닌 정보 달

기능에 기인한 것으로 단된다 인 네트워크는 구인자와 구직자 사이에 훌륭한 정보 달 기능

을 수행하고 있다 구직자에게는 어떠한 일자리가 구직자의 기술능력 혹은 교육수 에 비추어

합한지에 한 정보를 제공하고 구인자에게는 구인자가 필요로 하는 합한 기술의 소유자가

구인지에 한 정보를 제공하는 것이다 이는 평소에 구인자와 구직자 모두를 아우르는 간 매개

로서의 인 네트워크가 있었기에 가능한 것이다 반면 비네트워크에서는 이러한 효과를 기 하

기 힘들다 비네트워크 채용에서는 주어진 서류와 단시간의 인터뷰 혹은 직무능력 테스트만을 가

지고 합한 인력을 선발하여야 한다 lsquo공개채용rsquo의 경우 많은 지원자들의 경쟁을 거치므로 상으로 보다 합한 후보자를 선별할 수 있을 것이다 그러나 lsquo직 찾아가서rsquo 형태의 입사에서는

이러한 경쟁의 과정 역시 생략되므로 높은 합도를 지닌 후보의 채용은 더욱 기 하기 힘들다 정리하자면 인 네트워크는 국내 노동시장에서 일자리와 일자리 후보 사이의 활발한 정보 달

기능을 수행함으로써 노동시장의 효율 작동을 돕고 있는 것이다 끝으로 이러한 네트워크 이직의 배치효율성이 모든 이직 사례에 일 으로 용되는 것이

아님을 주지할 필요가 있다 인 네트워크가 구인과 구직 사이의 lsquo연결(Networking)rsquo 기능을 수행

할 때 이상의 정 인 효과를 기 할 수 있을 것이나 이 둘 사이의 lsquo연 rsquo로서 기능할 때는 오히

려 역효과를 래할 수 있다 즉 인 네트워크를 통하여 합하지 않은 지원자를 연 로 채용시

키는 경우 해당 일자리에 한 매치 합성은 네트워크 이직으로 인해 오히려 감퇴할 수 있다 우리는 이상의 분석을 통하여 국내 노동시장에서 네트워크 이직의 반 인 교육 기술 수

합도 개선효과를 확인한 바 있다 이는 국내 노동시장의 고용 로세스에서 lsquo연 rsquo의 부정 효과

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1374) 2220 1095 1124 121

조군(11245) (0929)

Radius Matching 실험군(1365) 2088 0735 1353 155

조군(11245) (0874)

Kernel Matching(Normal) 실험군(1375) 2255 0795 1460 168

조군(11245) (0869)

체 이직효과 평균 219 088 131

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 2951 0919 2032 181

조군(11245) (1125)

Radius Matching 실험군(879) 2844 0746 2098 198

조군(11245) (1057)

Kernel Matching(Normal) 실험군(881) 2951 0702 2250 214

조군(11245) (1049)

네트워크 이직효과 평균 292 079 213

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 0525 2297 -1772 -096

조군(11245) (1840)

Radius Matching 실험군(374) 0267 0868 -0600 -034

조군(11245) (1753)

Kernel Matching(Normal) 실험군(382) 0654 1297 -0642 -037

조군(11245) (1746)

비네트워크 이직효과 평균 048 149 -100

보다는 구인구직 간 lsquo연결rsquo이라는 네트워크의 정 효과가 보다 강하게 작동하고 있음을 시사

한다

lt표 12gt 이직을 통한 기술적합도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1380) 2428 0630 1797 193

조군(11300) (0931)

Radius Matching 실험군(1371) 2298 0496 1802 207

조군(11300) (0872)

Kernel Matching(Normal) 실험군(1381) 2462 0586 1876 216

조군(11300) (0869)

체 이직효과 평균 240 057 183

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(886) 3047 0342 2705 245

조군(11300) (1106)

Radius Matching 실험군(884) 2885 0528 2357 227

조군(11300) (1037)

Kernel Matching(Normal) 실험군(886) 3047 0551 2496 243

조군(11300) (1029)

네트워크 이직효과 평균 299 047 252

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(382) 1702 2007 -0305 -016

조군(11300) (1891)

Radius Matching 실험군(375) 1600 0559 1041 058

조군(11300) (1788)

Kernel Matching(Normal) 실험군(383) 1828 0910 0917 051

조군(11300) (1793)

비네트워크 이직효과 평균 171 116 055

lt표 13gt 이직을 통한 교육적합도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1374) 2293 0893 1399 155

조군(11245) (0904)

Radius Matching 실험군(1365) 2161 0641 1520 179

조군(11245) (0850)

Kernel Matching(Normal) 실험군(1375) 2327 0711 1616 191

조군(11245) (0847)

체 이직효과 평균 226 075 140

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 2951 0643 2308 212

조군(11245) (1087)

Radius Matching 실험군(879) 2816 0662 2154 211

조군(11245) (1021)

Kernel Matching(Normal) 실험군(881) 2951 0645 2306 228

조군(11245) (1014)

네트워크 이직효과 평균 291 065 226

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 1115 2233 -1118 -062

조군(11245) (1816)

Radius Matching 실험군(374) 0936 0749 0187 011

조군(11245) (1727)

Kernel Matching(Normal) 실험군(382) 1243 1131 0112 007

조군(11245) (1726)

비네트워크 이직효과 평균 110 137 -027

lt표 14gt 이직을 통한 교육기술복합지수의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

3 이직을 통한 임금수준의 변화

다음은 이직을 통한 임 수 의 변화가 실재하는지 검토하고자 한다 네트워크 이직과 비네트

워크 이직을 나 어 볼 때 앞서 우리는 네트워크 이직이 일자리 매치 합도를 히 개선한다

고 밝힌 바 있다 임 이 근로자의 생산성 기여분을 그 로 반 한다고 한다면 네트워크 이직에

따른 매치 합도의 개선은 근로자의 임 상승으로 이어져야 할 것이다 앞서 lt표 7gt의 단순비교에서 이직자들의 연간 임 상승분이 평균 9088만원 비이직자들의 연

간 임 상승분은 2782만원으로 집계된 바 있다 둘 사이의 격차가 6307만원에 이른다 한 해 사

이에 이직한 이들의 연간 임 상승폭이 직장을 그 로 유지한 이들의 연간 임 상승폭 보다

히 높은 수 인 것이다 하지만 이러한 단순비교는 선택편의(Selectoin Bias) 문제를 역시 고려하지

않고 있으므로 이직의 직 인 임 상승효과라 볼 수는 없다 즉 실제로 이직을 결행한 이들의

이직 임 수 은 같은 시기 직장을 그 로 유지한 이들에 비해 상 으로 낮은 수 일 가능

성이 높다 이들이 직장을 그 로 유지하 다면 다른 이들에 비해 히 높은 수 의 임

상승을 경험하 을 것이다 실제 이직한 이들이 만약 이직을 하지 않고 직장을 그 로 유지하

을 때 상되는 임 상승분 즉 이직자 임 상승분의 Counterfactual을 PSM 방식을 활용하여 추

정한 수치가 lt표 15gt의 lsquo 조군 변화(B)rsquo에 요약되어 있다 이에 따르면 실제 이직자들이 이직을

하지 않았을 때 기 할 수 있는 임 상승분은 략 5만원 정도에 이르는 것으로 나타난다 따라

서 이직에 따른 임 상승의 순효과는 앞서 제시한 6307만원이 아닌 이보다 상당히 축소된 386만원이다 이는 lt표 15gt에 정리된 바와 같이 PSM을 활용한 세 가지 추정치의 산술평균으로 추산

된 값이다 한 이러한 이직의 임 상승효과는 통계 으로도 유의한 것으로 확인되었다 반면 네트워크 경로 이직자와 비네트워크 경로 이직자의 임 상승분을 비교해 보면 둘 사이

에 상당한 격차가 존재함을 쉽게 확인할 수 있다 네트워크 이직자들의 이직을 통한 임 상승효과

는 통계 으로 유의한 수 에서 략 384만원으로 추정되는 반면 비네트워크 이직자들의 임

효과는 -077만원이고 이는 통계 으로도 유의하지 않다 즉 네트워크를 활용하여 이직하 을

때 뚜렷한 임 상승이 기 되는 반면 인 네트워크를 활용하지 않고 이직하 을 때는 이 효과

를 확신할 수 없을 뿐더러 다소 하락할 가능성도 있는 것이다 따라서 앞서 확인된 이직을 통한

반 인 임 상승의 효과는 네트워크 이직을 통해 창출된 효과이며 비네트워크 이직을 통한

기여는 뚜렷하지 않은 것으로 결론지을 수 있다이직은 새로운 일자리에 자신의 기술 직무 능력을 응시키는 과정이다 따라서 임 상승

효과가 이직 기에 항상 담보되지는 않을 것이다 반면 인 네트워크를 활용하 을 때 자신에

게 보다 합한 일자리에 배치됨으로써 즉 자신의 능력과 잠재력을 보다 잘 발휘할 수 있는 직무

에 재배치됨으로써 이상의 추가 인 임 상승을 기 할 수 있는 것이다 이는 앞서 이직을 통한

배치효율성 검증에서 확인되었던 네트워크 이직의 기술수 (혹은 교육수 ) 합도 상승효과와

일맥상통하는 결과이다 인 네트워크를 활용한 이직은 임 근로자를 보다 합한 일자리에 재

배치하는 데 일조하고 이것이 생산성에의 보다 높은 기여를 창출함으로써 이직자들의 추가 인

임 상승으로 이어지는 것이다물론 이러한 해석은 평균 인 추세를 반 한 것임에 유념할 필요가 있다 네트워크 이직의 사례

에는 앞서 말한 생산 인 lsquo연결rsquo 효과가 아닌 비생산 인 lsquo연 rsquo 효과 혹은 정실인사(Nepotism)가

작동한 경우들도 상당할 것이다 이 경우 생산성에의 기여가 충분하지 않음에도 불구하고 기술이

나 능력에 비해 임 을 후하게 설정할 가능성이 높다 이러한 lsquo연 rsquo형 이직을 통한 임 상승 역

시 네트워크 이직의 임 상승효과라 볼 수는 있겠으나 이것이 일자리 배치효율성의 개선을 반

한다고 볼 수는 없는 것이다 따라서 앞서 추정한 네트워크 이직의 임 상승효과 384만원이

으로 일자리 매치 합도 개선효과에서 기인한다고 단정 지을 순 없다 한 비네트워크 이직 역

시 평균 으로 임 상승의 효과가 포착되지 않은 것일 뿐 비네트워크 이직의 표본 에는 실제로

임 이 크게 상승한 사례들도 상당히 존재할 수 있다 를 들어 lsquo공개채용rsquo 방식의 입사인 경우 경합자들에 비해 채용 합격자의 해당 일자리 합성이 보다 우수하다고 단되어 채용된 사례가

많을 것이다 이 게 경쟁을 거쳐 채용된 이들은 이 에 비해 상당히 높은 수 의 임 상승을 기

할 수 있다 반면 비네트워크 이직에서 반 인 임 상승의 효과가 포착되지 않는 것은 비네트워크 이직

이 격한 주 만족도의 개선을 이끌었던 것과 비교하여 매우 조 인 상이다 많은 이들의

상식과는 달리 이직의 결정은 임 만족도 수 과 직결되어 있지 않다 앞서 제4 에서 우리는 이

직의 향요인들을 분석해 본 바 있다 이직의 결정이 업무만족도 복지후생만족도 취업 안정성에

한 만족도 등 다양한 요소에 민감하게 반응하는 반면 임 에 한 만족도와는 통계 으로 유의

한 수 에서의 연 성이 포착되지 않았다 개인의 이직 결정은 임 이외에 다양한 요소들을 종합

으로 고려한 단 결과라 할 수 있다 체로 이직은 다양한 방면에서 개인의 주 만족도를

격하게 향상시킨다 반면 자신의 기술(교육)수 과 일자리의 매치 합성의 문제는 이직자들에

게는 부차 인 고려 상에 해당한다 임 수 의 개선 역시 이직 시 고려되는 한 요소이겠으나 인 요소는 아니고 다양한 향요인 의 하나로 볼 수 있는 것이다 이러한 에서 비네트워

크 이직이 다소 상반된 효과(즉 주 만족도의 한 개선효과와 미미한 수 의 임 개선효

과)를 동시에 보여주고 있는 것은 일견 자연스러운 상이다

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1375) 8887 5274 3613 184

조군(11340) (1962)

Radius Matching 실험군(1366) 8842 4813 4029 208

조군(11340) (1936)

Kernel Matching(Normal) 실험군(1376) 8861 4916 3945 206

조군(11340) (1880)

체 이직효과 평균 886 500 386

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(882) 8943 5519 3423 150

조군(11340) (2285)

Radius Matching 실험군(880) 8827 4855 3972 178

조군(11340) (2231)

Kernel Matching(Normal) 실험군(882) 8943 4819 4124 186

조군(11340) (2217)

네트워크 이직효과 평균 890 506 384

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 4772 5672 -0900 -024

조군(11340) (3685)

Radius Matching 실험군(374) 4805 5201 -0396 -011

조군(11340) (3661)

Kernel Matching(Normal) 실험군(382) 4691 5716 -1025 -028

조군(11340) (3601)

비네트워크 이직효과 평균 476 553 -077

lt표 15gt 이직을 통한 임금수준의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

VIII 구직 네트워크의 사회적 자본 추정

근로자 개인의 측면에서 구직 네트워크의 가치를 추정해 보자 앞서 네트워크 이직을 통한 임

상승효과를 3840만원으로 추정하 다 이는 2008년 기 액이다 연간 물가상승률을 감안하

면27) 2010년 재가로 4074만원에 해당한다 평소에 구직 네트워크를 히 리하여 이직에서

이를 활용한다면 한 번의 이직으로 4만원 안 의 추가 인 임 상승을 기 할 수 있는 것이다 연으로는 489만원 가량의 임 이 이직 이후 매년 추가 으로 지 되는 것으로 해석될 수 있다28)

한편 이직이라는 것은 근로자의 생애를 걸쳐 발생하는 사건이다 임 근로자를 심으로 한

재의 최종샘 에서 연간 일자리 이동비율은 평균 993에 이른다 직종 업종에 따라 혹은 재

직 회사의 규모에 따라 이직률에는 상당한 차이가 있겠으나 체 임 근로자를 상으로 하 을

때 략 10년에 한 번 정도의 이직이 상되는 것이다 임 근로자의 생애를 걸쳐 살펴보면

이직은 주로 직장생활 후기보다는 기에 집 되어 있다 [그림 5]는 최종샘 15705명 임 근로

자를 상으로 한 각 연령별 이직률 추이를 나타낸다 생애 이직률은 20 후반에 가장 높고 30 반에 주춤하다가 30 후반에 다시 상승하고 40 이후에 하강하는 추세임을 확인할 수

있다

[그림 5] 연령별 이직률(26세부터 59세까지)

(단 )

0

2

4

6

8

10

12

14

16

18

26 28 30 32 34 36 38 40 42 44 46 48 50 52 54 56 58

연령(만)

자료 노동패 5차부터 10차까지

이를 활용하면 임 근로자 한 사람이 평생에 걸쳐 기 할 수 있는 이직의 임 상승효과를 추

정해 볼 수 있다 첫 취업의 평균연령이 265세임을 고려하여 표 인 임 근로자(A Representative Worker)가 26세부터 60세까지 노동시장에 참여한다고 가정해 보자 인 네트워크

27) 여기에 연평균 물가상승률 3를 용하 다 실제 임 상승률도 2009년의 임 이 융 기 여 로 거의 동결이었

음을 고려할 때 2년간 략 6에 해당한다 28) 여기서는 네트워크 이직의 임 리미엄(연 489만원 상승)이 이직 후 매년 지속된다고 가정하고 있다 실제로

리미엄이 상당 기간 지속되는지 아니면 이직 후 빠르게 축소되는지에 한 국내 실증분석은 향후 과제로 남겨져

있다

를 활용한 이직만이 평균 인 임 상승효과를 가져온다는 을 고려할 때 구직 네트워크의 생애

가치()는 다음과 같이 요약된다29)

times timestimestimes (11)

여기서 는 연령 에서의 상 이직률(Job Transfer Rate)을 나타낸다 은 이직 시 인 네

트워크에 한 의존도 수 이다 는 네트워크 이직에 따른 월평균 임 상승의 효과이다 여기

에 [그림 5]에 요약된 이직률의 생애 추이를 에 입하자 여기서 경력직 이직자의 인 네트

워크 의존도가 60 반(plusmn5 이내)으로 추산된 을 고려하여 에 64를 입하도록 하자30) 그리고 에 앞서 추정한 네트워크 이직의 임 상승효과 4074만원(2010년 기 )을 입하면 구직 네트워크의 생애 가치()는 18720만원으로 집계된다 만약 에 이직률의 생애 추

이 신 최종샘 에서 구한 평균이직률 993를 연령 에 걸쳐 일률 으로 사용한다면 이와

유사한 수치인 18486만원을 얻을 수 있다 따라서 한국사회 임 근로자 한 사람의 구직 네트워크

가치는 보상 측면에서 략 일천 1870만원 수 인 것으로 결론지을 수 있다 물론 이 수치는 이직을 통한 이득만을 반 하고 있을 뿐 주 만족도의 개선효과는

반 하고 있지 않다 앞서 우리는 일자리 이동을 통해 창출되는 개인의 만족도 변화를 직장만족

도 직무만족도 일자리만족도 이 세 가지 측면에서 고려해 보았다 네트워크 이직과 비네트워크

이직 모두 만족도의 개선효과를 보 다 그러나 국내 노동시장에서 이직의 약 60 이상이 인

네트워크에 의존하고 있음을 고려할 때 임 근로자 한 개인이 구직 네트워크를 리하지 않는다

면 그의 이직률은 에서 60 이상 추락할 것이다 이를 고려하여 구직 네트워크의 생애 만족

도 개선효과()를 다음과 같이 요약할 수 있다31)

timestimestimestimes (12)

여기서 는 네트워크 이직을 통한 주 만족도의 개선폭을 나타낸다 앞서 네트워크 이직

이 창출하는 주 만족도의 개선효과가 100만 에서 220 (직장만족도) 158 (직무만족도) 117 (일자리만족도) 정도임을 확인하 다 이 세 수치의 평균치가 네트워크 이직의 만족도 개선

효과를 히 변하고 있다고 한다면 의 략 인 추정치는 165 이 된다 이를 입하면

구직 네트워크의 만족도 개선효과는 략 7582 으로 추산된다 만족도 1 을 으로 환산하

여 만원에 해당한다고 표시하면 구직 네트워크의 임 근로자 일인당 생애가치()는 임

상승효과()와 만족도 개선효과()의 합으로써 다음과 같이 요약된다

equiv (=18720+7582) (13)

구직 네트워크의 가치 (18720+7582n)만원이 함의하는 바를 명확히 규정하기는 쉽지 않다 특히 개인마다 일자리에서 얻는 주 만족도를 가치로 환산하는 방식이 다를 것이다 를 들

29) 구직 네트워크의 재 가치를 추산하기 해서는 시간할인률을 용할 필요가 있으나 여기서는 이를 생략하 다 시간할인률이 용된 추정치는 재 계산된 값보다 다소 하락할 것이다

30) 이에 한 보다 구체 인 설명은 본 논문의 보다 상세한 내용이 실린 한국개발연구원 정책연구시리즈로 출간 정

인 lsquo인 네트워크(개인의 사회 자본)의 노동시장 효과 분석rsquo 보고서를 참조 바란다 31) 앞서와 마찬가지로 구직 네트워크의 재 가치를 추산하기 해서는 시간할인률을 용할 필요가 있으나 여기서는

이를 생략하 다 시간할인률이 용된 추정치는 재 계산된 값보다 다소 하락할 것이다

어 어떤 이들에게는 이득만이 요하고 주 만족도는 경시될 수 있다 이들에게 n은

lsquo0rsquo에 가까운 것이다 반면 다른 이들에게는 일자리에서 얻는 주 만족도가 임 소득보다

몇 배 이상 요할 수 있다 이들에게 n은 1보다 큰 양수가 될 것이다 구직 네트워크의 가치를 수

치로 악해 보고자 n=1인 근로자를 상정해 보자32) 이 사람에게 만족도 1 은 1만원만큼의

효용을 창출한다 이 근로자에게 구직 네트워크의 종합 가치는 26302만원에 이른다고 평가할

수 있다 이러한 구직 네트워크의 종합 가치를 개인의 물 혹은 인 자본과 별하여 근로자

개인의 구직 네트워크 사회 자본이라 명할 수 있다추정한 구직 네트워크의 가치인 (18720+7582n)만원은 한국사회의 임 근로자 각 개인이 구직

네트워크의 유지 리를 하여 기꺼이 지불할 용의가 있는 비용을 나타낸다 만족도 1 이 1만원의 효용이 있다면 즉 n=1이라면 이는 1224개월치 월 ( 략 일년치 연 )에 해당한다33) 이는 결코 작지 않은 액수이다 한국사회의 구성원들은 다양한 방식으로 네트워크를 리하고 있다 동창회 동호회 업계 계자와의 술자리 각종 경조사 참여 Social Network Service(SNS) 활동 등

이 이에 해당한다 이들 활동은 그 자체로서 정서 효용을 창출하지만 생 인 경제 이득

한 간과할 수 없다 이는 업무에 필요한 유용한 정보의 획득이나 업거래망의 확장이기도 하고 구직 네트워크의 변 확 자기 PR(Public Relations)이기도 하다 네트워크의 리는 그에 상

응하는 비용을 수반한다 이는 만남에 따른 지출에서부터 시간사용까지를 포함한다 구직

네트워크의 효과성 측면에서 보았을 때 한국사회 근로자 개인은 상당한 비용( 를 들어 n=1인 경

우 략 일년치 연 에 해당하는 비용)을 구직 네트워크의 유지 리를 하여 생애를 거

쳐 기꺼이 지불할 용의가 있다고 볼 수 있는 것이다

IX 결론

이제까지 우리는 국내 고용시장에서의 인 네트워크 활용의 효과성을 다각 인 측면에서 살

펴보았다 인 네트워크를 활용한 이직의 직장생활만족도 개선효과는 100 만 에 약 165 34)

에 달하는 것으로 확인되었으며 직무 합도 개선효과는 100 만 에 약 197 35)에 이르는 것으

로 나타났다 한 인 네트워크를 활용한 이직은 임 상승을 동반하는데 그 규모는 월평균 임

으로 4074만원(2010년 기 )인 것으로 확인되었다 반면 인 네트워크를 활용하지 않은 이직

에서도 직장생활만족도의 개선효과가 일부 포착되었으나 일자리 합도에 한 개선이나 임 상

승효과는 확인되지 않았다 즉 구인자와 구직자를 연결시켜주는 인 네트워크의 효율 인 정보

달 기능이 확인된 것이다 이를 통해 임 근로자 개인의 구직 네트워크의 가치 즉 lsquo네트워크 사

회 자본rsquo을 추정해 보면 구직 네트워크의 생애 가치는 18720만원으로 집계되었으며 여기에 주 만족도에 한 보상 측면까지 고려하면 만족도 1 의 가치를 만원으로 환산

할 때 략 (18720+7582)만원에 이르는 것으로 집계되었다

32) 실제로 일반 인 수 에서 n은 1보다 상당히 클 것으로 상된다 주어진 표본에서 주 만족도의 평균은 략

55 내외인 반면 임 수 의 평균은 략 200만원 내외이다 즉 두 수치의 Scale이 네 배 가량 차이가 난다 33) 26302만원을 차수 임 수 (20247만원)의 2010년도 기 가치인 2148만원으로 나 면 1224개월이 나온다 34) 직장만족도 개선효과 220 직무만족도 개선효과 158 일자리만족도 개선효과 117 의 산술평균값 용 시 35) 기술 합도 개선효과 213 교육 합도 개선효과 252 교육기술복합지수 개선효과 126 의 산술평균값 용

참 고 문 헌

고용노동부 985172고용노동백서985173 2010김동헌김상호 「직업탐색과 자발 이직」 2001 경제학 공동학술 회 발표문 2010 김성훈 「사회연결망과 공식경로를 통한 첫 취업의 개인 결과와 사회 결과」 985172한국사회학985173 제39집 제1호

2005 김성훈 「 문직의 취업경로 사회연결망과 공식경로를 심으로」 985172한국사회학985173 제40집 제5호 2006 김성훈 「취업자의 사회연결망 활용에 한 향요인 연구」 985172노동경제논집985173 제26권 제3호 2003김용학 985172사회연결망 이론985173 박 사 2003류석춘 외 985172한국의 사회자본 역사와 실985173 백산출 사 2008 송호근김우식이재열 985172한국사회의 연결망 연구985173 서울 학교 출 부 2004안재희 985172구직과 제도 사회자본985173 한국학술정보(주) 2008우천식 편 985172한국경제사회와 사회 자본985173 한국개발연구원 2007이 면나인강 「직장만족도와 이직행 에 한 패 분석」 985172제5차 한국노동패 학술 회 논문집985173 2004이 면나인강 「비정규직의 이직 이직사유 근속기간에 한 연구」 985172제6차 한국노동패 학술 회 논

문집985173 2005이상호 「노동패 의 주 만족도 측정」 985172노동리뷰985173 통권 제17호 2006 pp77~86이병훈 「구직활동의 향요인에 한 탐색 연구」 985172노동경제논집985173 제25권 제1호 2002 pp1~21 통계청 985172경제활동인구조사985173 2010한국노동연구원 985172사업체패 조사985173 2007KDI 국제정책 학원 985172사회 자본 확충을 한 기본조사 정책연구985173 2007

Blau David and Philip Robins ldquoJob Search Outcomes for the Employed and Unemployedrdquo Journal of Political Economy 98(3) 1992 pp637~655

Bourdieu P ldquoThe Forms of Capitalrdquo in J G Richardson (ed) Handbook of Theory and Research for the Sociology of Education New York Greenwood 1986

Cochran William and Donald Rubin ldquoControlling Bias in Observational Studies A Reviewrdquo Sankhya 35 1973 pp417~446

Datcher Linda ldquoThe Impact of Informal Networks on Quit Behaviorrdquo Review of Economic Statistics 65(3) 1983 pp491~495

Dawid A ldquoConditional Independence in Statistical Theoryrdquo Journal of Royal Statistical Society B 41 1979 pp1~31

Dehejia R and S Wahba ldquoCausal Effects in Nonexperimental Studies Reevaluating the Evaluation of Training Programsrdquo Journal of the American Statistical Association 94 1999 pp1053~1062

Dehejia R and S Wahba ldquoPropensity Score-Matching Methods for Nonexperimental Causal Studiesrdquo The Review of Economics and Statistics 84 2002 pp151~161

Glaeser E D Laibson and B Sacerdote ldquoAn Economic Approach to Social Capitalrdquo The Economic Journal 112 2002

Gottschalk P and T Maloney ldquoInvoluntary Termination Unemployment and Job Matching A Test of Job Search Theoryrdquo Journal of Labor Economics 3 1985 pp109~123

Granovetter Mark S Getting A Job A Study of Contracts and Careers Chicago University of Chicago Press 1975

Heckman J H Ichimura J Smith and P Todd ldquoCharacterizing Selection Bias Using Experimental Datardquo Econometrica 66 1998 pp1017~1098

Heckman J H Ichimura and P Todd ldquoMatching as an Econometric Evaluation Estimator Evidence from Evaluating a Job Training Programrdquo Review of Economic Studies 64 1997 pp605~654

______ ldquoMatching as an Econometric Evaluation Estimatorrdquo Review of Economic Studies 65 1998 pp261~294Knack S and P Keefer ldquoDoes Capital Have and Economic Payoff A Cross Country Investigationrdquo Quarterly

Journal of Economics 62 1997 pp1251~1288 Lin Nan Social Capital A Theory of Social Structure and Action Cambridge Cambridge University Press 2001 Lin Nan Karen Cook and Ronald Burt (eds) Social Capital Theory and Research Aldine Transaction 2001 Marmaros David and Bruce Sacerdote ldquoPeer and Social Networks in Job Searchrdquo European Economic Review 46

2002 pp870~879Putnam Robert D Bowling Alone The Collapse and Revival of American Community New York Simon and

Schuster 2000Rosenbaum J S DeLuca S Miller and K Roy ldquoPathways into Work Short- and Long-Term Effects of Personal

and Institutional Tiesrdquo Sociology of Education 72(3) 1999 pp179~196Rosenbaum P and D Rubin ldquoThe Central Role of the Propensity Score on Observational Studies for Causal

Effectsrdquo Biometrika 70 1983 pp41~55Rubin D ldquoEstimating Causal Effects of Treatments in Randomized and Non-randomized Studiesrdquo Journal of

Educational Psychology 66 1974 pp688~701Simon Curtis and Warner John ldquoMatchmaker Matchmaker The Effect of Old-Boy Networks on Job Match

Quality Earnings and Tenurerdquo Journal of Labor Economics 10(3) 1992 pp306~330Todd Petra ldquoMatching Estimatorsrdquo unpublished manuscript 2006

성공한 구직방법

일자리 진입방식

합계공개

채용스카우트

소개나

추천

찾아가서기타

1 학교나 학원12 0 26 4 0 42

(395) (0) (301) (069) (0) (233)

2 교수나 교사2 0 8 0 0 10

(066) (0) (093) (0) (0) (055)

3 친구나 친지5 2 509 28 2 546

(164) (125) (5898) (48) (556) (303)

4 공공 안내소3 0 7 9 4 23

(099) (0) (081) (154) (1111) (128)

5 사설 안내소3 0 29 16 1 49

(099) (0) (336) (274) (278) (272)

6 매체 고53 1 21 209 13 297

(1743) (625) (243) (3585) (3611) (1648)

7 직 탐문2 0 13 85 0 100

(066) (0) (151) (1458) ((0) (555)

8 가족1 1 21 2 0 25

(033) (625) (243) (034) (0) (139)

9 인터넷205 3 22 179 9 418

(6743) (1875) (255) (307) (25) (232)

10 희망직장

지인

7 3 90 20 0 120(23) (1875) (1043) (343) (0) (666)

11 업무상

지인

6 4 102 18 0 130(197) (25) (1182) (309) (0) (721)

12 기타 5 2 15 13 7 42

(164) (125) (174) (223) (1944) (233)

합 계304 16 863 583 36 1802

(100) (100) (100) (100) (100) (100)

lt부표 1gt 경력직 취업자(1802명)의 일자리 진입방식별 구직방법의 분포

주 1 노동패 6차부터 10차까지의 신규 일자리 진입자 경력직 취업자를 상으로 함 2 ( ) 안은 각 일자리 진입방식에 한 성공한 구직방법의 백분율임

Block

번호

직장유지의

직무유지의

향성별 나이 나이

2 교육

혼인

여부

정규직

여부

첫(혹은

두 번째)

일자리

(로그)

격차 격차 격차 격차 격차 격차 격차 격차 격차 격차

1164 116 048 -102 -14913 -003 003 009 000 007

(455) (395) (011) (207) (19454) (044) (005) (004) (009) (013)

2-254 050 003 007 -1629 -022 -006 004 -002 001

(203) (191) (006) (123) 11232 (020) (004) (004) (006) (007)

3036 -076 002 -094 -7067 -001 000 -004 008 001

(131) (129) (004) (088) (7870) (012) (003) (003) (004) (004)

4-079 -117 -001 071 6428 000 -004 -002 001 -005

(128) (122) (004) (079) (6861) (010) (003) (003) (004) (003)

5026 144 -005 068 6211 -012 004 000 -006 -001

(142) (144) (004) (077) (6201) (010) (004) (003) (004) (004)

6061 152 -008 -043 -3655 006 002 002 -007 007

(151) (151) (004) (073) (5661) (010) (004) (004) (004) (004)

7010 -134 -002 043 2726 003 -002 001 003 001

(133) (131) (004) (058) (4296) (008) (004) (003) (003) (003)

8045 173 008 044 3233 007 000 -001 -001 -003

(146) (143) (004) (052) (3615) (007) (004) (003) (003) (003)

9128 -010 000 061 3033 -016 -003 006 -010 004

(259) (246) (006) (065) (3930) (012) (005) (006) 006 (006)

10500 114 013 -035 -1626 004 000 007 001 -003

(407) (394) (009) (081) (4454) (017) (007) (008) (009) (009)

lt부표 2-Agt Propensity Score 각 구간(Block)에 대한 Mean-Difference Statistical T-test 결과(I)

주 1 Untreated Group과 Treated Group의 각 항목에 한 Mean Difference를 테스트함 2 표시는 5 유의도 수 에서 테스트를 통과하지 못한 항목을 표시함3 ( ) 안은 표 오차임

lt부표 2-Bgt Propensity Score 각 구간(Block)에 대한 Mean-Difference Statistical T-test 결과(II)

Block

번호

(로그)2 종업원 규모 교육 합도 임 만족도근무

환경 만족도

일자리

만족도

서비스 매직

여부

농어업 종사

여부

정규직 times

교육

직장 times

직무유지의향

격차 격차 격차 격차 격차 격차 격차 격차 격차 격차

1052 054 202 656 -048 -101 002 001 003 25954

(147) (053) (379) (564) (480) (421) (005) (003) (047) (60638)

2-006 043 046 047 -303 -182 002 000 -004 -9827

(073) (027) (197) (247) (220) (188) (002) (001) (026) 25462

3006 011 -151 -030 255 013 -002 000 -011 -246

(041) (017) (158) (156) (142) (117) (002) (000) (018) (15776)

4-052 000 -075 -111 -046 -005 -004 000 -011 -10585

(034) (015) (155) (137) (133) (110) (002) (001) (016) (14203)

5-008 006 053 -047 -017 -036 003 000 -004 17636

(035) (017) (176) (152) (144) (123) (003) (001) (018) (16213)

6063 -005 273 049 211 040 -006 001 015 14659

(035) (017) (201) (150) (145) (124) (003) (001) (019) (16225)

7008 -018 -045 016 -031 005 005 000 010 -10640

(029) (014) (174) (127) (127) (108) (003) (001) (016) (13577)

8-022 -014 028 -028 -163 086 000 000 -001 6766

(028) (014) (189) (127) (131) (111) (003) (000) (017) (13784)

9037 -013 143 133 046 -070 001 -002 015 -1116

(047) (021) (371) (204) (227) (187) (006) (002) (029) (21779)

10-028 021 077 161 -247 -113 -013 002 019 13295

(074) (026) (612) (352) (366) (340) (009) (002) (038) (30459)

주 1 Untreated Group과 Treated Group의 각 항목에 한 Mean Difference를 테스트함 2 표시는 5 유의도 수 에서 테스트를 통과하지 못한 항목을 표시함3 ( ) 안은 표 오차임

Page 19: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal

[그림 2] Nearest Neighbor Matching(n=1인 경우)

나 Radius Matching

이 방식은 일정 반경을 Caliper로 설정하고 Untreated Group에서 가 Caliper 이내인 모든 개체 를 Treated Group의 개체 에 매칭하는 방법이다(그림 3 참조) 개체 에 하여

Untreated Group으로부터 매칭된 개체의 수가 라면 이들에 해서는 이 성립하고 매칭이 안된 나머지 개체들에 해서는 이 성립한다 이 추정방식은 앞서 Nearest Neighbor Matching에 비해 Propensity Score가 근 한 조군 내의 보다 많은 개체를 분석에 활용할

수 있다는 장 이 있다 보다 많은 조군 내 개체를 활용할수록 Treatment Effects 측정의 정확성

(Precision)은 상승하게 된다 매칭이 가능한 조군 개체의 수가 충분히 많다면 Caliper는 작을수록 좋다 Caliper가 클수록

부 합한 매칭에 따른 Treatment Effects의 편 (Bias)이 커질 수 있기 때문이다 본 분석에서는 샘

의 수가 충분히 크기 때문에 Caliper를 0002로 설정하여 매우 근 한 개체들에 해서만 매칭이

이루어지도록 설정하 다20)

20) 다음 에서는 주어진 샘 을 활용하여 Propensity Score를 추정하고 있다 이 결과에 따르면 PS (01 0102)인 구간

에서 조군 개체 수가 116개 (02 0202) 구간에서 조군 개체 수가 32개 (03 0302) 구간에서 조군 개체 수가

12개에 이르는 것을 확인할 수 있다(표 6과 그림 4를 참조 바람) 즉 0002의 Caliper를 사용할 때 한 개의 실험군

개체에 해 10개 내지 100개 이상의 조군 개체들이 매칭되는 경우가 흔히 존재하는 것이다 반면 Caliper를 이보

다 작게 설정한다면 (특히 PS가 큰 구간에서는) 실험군 개체들과 매칭되는 조군 개체가 존재하지 않을 수 있다 를 들어 PS (04 0402)인 구간에서 조군 개체 수는 단 1개 존재하나 PS (0401 0402)인 구간에서는 무하다

따라서 본 연구에서는 최소의 Caliper이면서도 매칭되는 조군 개체의 수가 충분할 수 으로서 Caliper 0002를 선

정하 다 반면 민감성 테스트(Sensitivity Check)에 따르면 Caliper 0001이나 0003에서도 연구 결과의 차이가 크지

않음을 확인하 다

[그림 3] Radius Matching

다 Kernel Matching

이 방식은 Treated Group 내의 각 개체에 한 매칭을 Untreated Group 내의 모든 개체를 상

으로 진행하는 방식으로 에 따라 가 치를 부여한다 가 작을수

록 가 치가 커진다 이때 사용되는 가 치는 다음과 같이 표시될 수 있다

isin

(9)

여기서 G는 선택된 Kernel function을 은 Bandwidth Parameter를 표시한다 이 방식은

Heckman Ichimura and Todd(1998)에 의해 도입되었는데 주어진 모든 개체를 추정에 활용하므로

정보의 손실을 최소화할 수 있다는 장 이 있다 한 앞서의 두 추정방식과는 달리 인 인

Caliper의 설정이 불필요하다는 장 도 있다 Kernel의 선택에는 Gaussian Function(Normal Distribution) Biweight Function Epanechnikov Function 등 다양한 방식이 가능하나 본 분석에는

Normal Distribution을 채택하 다 Bandwidth Parameter로는 001을 선택하여 가 근

한 이들에게 충분한 가 치가 주어지도록 하 다21)

VI Propensity Score의 추정

주어진 자료에서 Treatment는 이직에 해당한다 이직에 한 Propensity Score(PS)를 추정하기

해서는 이직에 향을 미치는 주요 변수의 집합 을 사용하여야 한다 이들 변수는 다음 조건

을 만족하여야 한다 prime ∐ 즉 이직에 향을 미치는 주요 변수들을 통제한 후에

는 이직을 하지 않은 이들의 결과치 에 한 변화분 prime 의 분포가 이직을 한

이들이 만약 이직을 하지 않았을 때 상되는 결과치 에 한 변화분 prime 의 분

21) Bandwidth Parameter가 0005 002인 경우도 확인해 보았으나 결과에는 큰 차이가 발견되지 않았다

추정함수 Logistic Regression(이직 = 1 비이직 = 0)Z 추정계수 표 오차

직장유지의향 -0002 0004 직무유지의향 -0015 0004 성별(여성 1) -0104 0071

나이 -0138 0023 나이2 0001 0000

교육수 0169 0050 혼인 여부(미혼 1) -0056 0082

정규직 여부(정규직 1) 0342 0248 첫(혹은 두 번째) 일자리 여부 -0599 0068

임 수 (단 만원 로그) 0076 0601 임 수 (단 만원 로그)2 -0052 0063 종업원 규모(단 명 로그) -0084 0015

차수 교육 합도 0000 0001 임 만족도 0003 0002

근무환경만족도 -0004 0002 일자리만족도 -0003 0003

서비스 매직 여부 0459 0077 농어업 종사 여부 0324 0378

정규직 여부 times 교육수 -0131 0056 직장유지의향 times 직무유지의향 0000 0000

상수항 3558 1584 측 수 12754

결정계수( ) 00873

Log Likelihood -401098

포와 동일해야 하는 것이다 따라서 Propensity Score의 추정에 활용할 변수들은 앞서 일자리 이동

의 향요인에 한 분석을 통해 선별할 수 있다 특히 주어진 노동패 의 자료에서는 ldquo 재의

직장을 계속 다니고 싶은가(직장유지의향)rdquo와 ldquo 재 맡고 있는 일을 계속하고 싶은가(직무유지의

향)rdquo라는 이직의사와 련된 매우 긴요한 변수들이 포함되어 있는데 이들을 주요 변수의 집합

에 포함시킴으로써 이상의 조건이 보다 용이하게 충족될 수 있음을 기 할 수 있다 Propensity Score의 추정에는 Logistic Regression을 활용하 다 추정에 활용된 주요 변수들의 집합 과 각

변수에 한 추정계수는 lt표 5gt에 요약되어 있다

lt표 5gt Propensity Score의 추정방정식

주 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

앞서 일자리 이동 향요인에 한 분석에서 일자리 이동의 요한 결정변수로 악된 변수

들이 부분 PS 추정방정식에 포함되었다 만족도와 련한 변수 업무만족도 취업 안정성 만

족도 자기발 만족도 복지후생만족도 이상 네 변수는 일자리 향요인으로 통계 으로 유의하

게 악되었으나 PS 방정식에 추가된 일자리만족도 직장유지의향 직무유지의향 등과의 통계

상 계가 매우 높아 PS 추정방정식에 따로 포함시키지 않았다22) 한 추정방정식에는 일부

Interaction Terms들과 Higher Order Terms들을 추가하여 앞서 설명한 변수집합(Z)의 기본요건을 맞

추고자 하 다 추가 변수들은 Balancing Property를 충족하기 하여 선정되었는데 이에 해서는

아래에서 추가 부연한다Rosenbaum and Rubin(1983)에 따르면 PS는 다음 조건을 만족한다

∐ rArr

즉 PS를 통제한 뒤에는 변수집합 Z와 Treatment 여부 D가 상호 독립 이라는 것이다 이는 PS가 동일한 개체들에 해 Z의 평균값을 구한다면 Treatment를 받은 집단과 그 지 않은 집단 사이

에 차이가 없어야 한다는 을 내포한다 이를 Balancing Property라 한다 이를 검증하기 한 방

법으로 P(Z)를 여러 구간(Blocks)으로 나 뒤 각 구간에 한 Mean Difference Statistical T-test를

시행할 수 있다 일부 구간에 해 T-test가 만족하지 않는 경우에는 구간을 더욱 세분하여 진행하

고 여 히 만족이 되지 않는 경우에는 문제가 되는 일부 변수들의 Interaction Terms들과 Higher Order Terms들을 PS 추정방정식에 추가하여 앞서의 과정을 되풀이한다(Dehejia and Wahba[1999]) 앞서 언 된 Interaction Terms과 Higher Order Terms들은 이상의 과정을 거쳐 추가된 항들이다

Balancing Property 검증을 하여 다양한 PS 추정방정식을 설정하여 반복 인 Test를 수행하

다 최종 으로 lt표 5gt의 추정방정식에서 도출한 PS를 기 으로 lt표 6gt과 같이 10개의 Block을

구분한 뒤 Mean- Difference Statistical T-test를 진행하 다 Block 설정은 PS의 Common Support 역인 [00149 06]에 하여 이루어졌다 각 Block들에 한 T-test의 결과는 lt부표 2gt에 수록되어

있다 추정방정식에 도입된 독립변수 항이 총 20개이고 Block의 수는 10개이므로 총 200개의

Mean-Difference T-test가 시행되었다 lt부표 2gt에서 확인할 수 있듯이 5 Significance Level에서

부분의 Block들이 T-test를 통과하 다 통과에 실패한 테스트는 단 두 개로 Block 1의 lsquo정규직

여부rsquo에 한 테스트와 Block 8의 lsquo성별rsquo에 한 테스트이다 따라서 Block Test의 통과율이 99에

이르러 앞서의 PS 추정방정식이 Balancing Property를 체로 만족하고 있다고 결론내릴 수 있다 이상의 과정을 거쳐 확정된 PS 추정방정식을 이용하여 각 개체별로 PS를 구할 수 있다 [그림

4]는 이 게 구해진 PS에 하여 각 집단별 분포도를 제시하고 있다 Treated Group의 경우 PS의

분포가 Untreated Group에 비해 상 으로 우측으로 치우쳐 있음을 쉽게 확인할 수 있다 그리고

PS 분포에서 Common Support 역이 [00149 06]에 이른다는 것을 확인할 수 있다 이는 PS가

06보다 큰 경우에는 Treatment에 참여한 실험군 개체에 해 그에 상응하는 Counterfactual을 조

군으로부터 찾을 수 없음을 의미한다 따라서 PS를 활용한 Treatment의 효과 측정은 이 Common Support 역에 들어오는 실험군 개체들에 한정하여 이루어질 수밖에 없다

22) 를 들어 일자리만족도와 이들 네 변수와의 상 계수(Correlation Coefficient)는 각각 업무만족도(06536) 취업 안정

성 만족도(06014) 자기발 만족도(06279) 복지후생만족도(05514)에 이른다 이들을 포함시키더라도 반 인 결과

에는 큰 차이가 없다

(10)

02

46

8

0 2 4 6 8 0 2 4 6 8

Untreated Group Treated Group

DensityRough Density Curve

Den

sity

Propensity Score Distribu tion for Each Group

lt표 6gt Balancing Property 검증을 위한 Block 구분

Block 번호 Propensity Score 범 D=0 D=1 합계

1 00149 ~ 0025 655 10 665

2 0025 ~ 005 2128 59 2187

3 005 ~ 0075 2146 152 2298

4 0075 ~ 001 1744 200 1944

5 01 ~ 0125 1300 171 1471

6 0125 ~ 015 949 162 1111

7 015 ~ 02 1138 238 1376

8 02 ~ 03 845 242 1087

9 03 ~ 04 230 95 325

10 04 ~ 06 57 56 113

합계 11192 1385 12577

[그림 4] 각 집단별 Propensity Score 분포도

주 Common Support 역인 [00149 06]에 포함된 개체 수는 Untreated Group의 경우 11192명 Treated Group의 경우에

는 1385명임

VII 분석 결과

이제 구해진 PS를 활용하여 이직의 효과와 이직에 있어서 인 네트워크 활용의 효과성을 분

석할 비를 마련하 다 본 분석에서는 앞서 제3 에서 소개한 7가지의 성과지표에 하여 분석

을 진행할 것이다 우선 PS가 추정된 12754개체에 하여 PS를 고려하지 않은 단순비교를 진행해

성과지표의

연간 변화비교 상

이직자

평균

비이직자 평균

격차

(표 오차)

직장만족도 변화이직자 수 1379 3724 -0334 4058

비이직자 수 11274 (0466)

직무만족도 변화이직자 수 1386 2962 -0428 3389

비이직자 수 11285 (0466)

일자리만족도 변화이직자 수 1384 2944 0282 2662

비이직자 수 11261 (0489)

기술 합도 변화이직자 수 1383 2350 -0058 2408

비이직자 수 11245 (0684)

교육 합도 변화이직자 수 1389 2556 -0142 2697

비이직자 수 11300 (0689)

교육기술복합지수

변화

이직자 수 1383 2422 -0091 2513

비이직자 수 11245 (0664)

임 수 변화이직자 수 1384 9088 2782 6307

비이직자 수 11340 (1614)

보자 lt표 7gt은 이직자 집단과 비이직자 집단의 성과지표 변화를 단순비교한 것이다 표에서 확인

할 수 있듯이 이직자의 경우 모든 지표들에 하여 성과지표의 뚜렷한 증가가 목격되었다 비이

직자의 경우에는 임 수 이 2782만원 증가한 것을 제외하고 에 띄는 성과지표의 개선이 나타

나지 않았다23) 성과지표 개선에서 집단 간의 차이가 존재하는지를 검증하기 하여

Mean-Difference Statistical T-test를 진행하고 그 결과를 표에 수록하 다 모든 지표에 하여 이직

자 집단이 비이직자 집단에 비해 높은 증가세를 보인 것이 통계 으로 유의하게 확인된다 를 들

어 이직자 집단의 월평균 임 수 은 9088만원 상승한 것으로 나타나 비이직자 집단에 비해

6307만원만큼 큰 폭의 임 향상을 보 다 하지만 우리는 이상의 결과를 이직의 효과라고 단정

지을 수 없다 왜냐하면 이직의 효과는 이직자 집단에 속한 개체들의 성과 변화와 이들의

Counterfactual 즉 이들이 이직을 하지 않고 직장을 유지하 을 때의 성과 변화를 직 비교해

야 제 로 악되기 때문이다 이후 제시한 Propensity Score Matching에 의한 이직효과 측정은 이

러한 Counterfactual의 탐색에 기반한 분석 결과이다

lt표 7gt 주요 성과지표의 연간 변화 단순비교

주 1 성과지표의 변화에 한 집단 간 차이를 확인하기 하여 Mean-Difference Statistical T-test를 수행함 2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

23) 주어진 임 수 은 연간 임 상승률을 감안한 수치이기 때문에 비이직자의 임 은 불변이거나 하락하여야 정상이

다 재 악되는 비이직자들의 임 증가는 선택편의(Selection Bias) 문제에 의해 발생한 것으로 보인다 주어진 최

종샘 은 차수와 차수 모두에서 임 근로자로 악된 이들로 구성된다 취업시장에 신규로 진입하는 이들에

비하여 근속연수가 1년 많은 셈이다 한 차수에 임 근로자인 이들 임 상승폭이 작은 이들이 그 지 않은

이들보다 근로시장을 이탈할 가능성이 높다 이로 인하여 차수에 이어 차수까지 근로시장에 남아 있는 이들

은 상 으로 높은 임 상승을 보이는 것으로 단된다( 한 분석에 활용한 임 상승률이 lsquo임 구조기본통계조사rsquo의 표본으로부터 추정된 것이므로 노동패 표본과의 근본 차이로 인해 이상의 문제가 도출하 을 가능성도 일

부 배제할 수 없다)

공개채용 스카우트 소개나 추천 직 찾아가서 기타

인 네트워크

활용 구직

21 10 730 68 2

(69) (625) (8459) (1166) (556)

인 네트워크

비활용 구직

278 4 118 502 27

(9145) (250) (1367) (861) (750)

알 수 없음5 2 15 13 7

(164) (125) (174) (223) (1944)

총 사례 수 (1802명

)

304 16 863 583 36

(100) (100) (100) (100) (100)

이직 성격 분류비네트워크

경로-

네트워크

경로

비네트워크

경로-

본격 인 분석에 앞서 인 네트워크와 련하여 이직의 성격을 규명할 필요가 있다 인 네

트워크를 이직경로로 활용한 경우와 그 지 않은 경우로 구분지어 보도록 하자 이를 해 노동패

6차에서 10차까지의 체 경력직 취업자들을 상으로 한 lt부표 1gt의 lsquo경력직 취업자들의 일

자리 진입방식별 구직방법의 분포rsquo를 참조하도록 하자 노동패 에서 제공하는 일자리 진입방식

은 lsquo공개채용rsquo lsquo스카우트rsquo lsquo소개나 추천rsquo lsquo직 찾아가서rsquo lsquo기타rsquo 이 게 다섯 가지로 구분된다 이 lsquo공개채용rsquo 형태의 일자리 진입에서는 lsquo인터넷rsquo이나 lsquo매체 고rsquo를 활용한 구직이 체 사례

의 8486에 이른다 lsquo직 찾아가서rsquo 형태의 일자리 진입 역시 lsquo인터넷rsquo이나 lsquo매체 고rsquo 그리고

lsquo직 탐문rsquo 방식의 구직이 사례의 8113에 이른다 반면 lsquo소개나 추천rsquo 형태의 일자리 진입에서

는 lsquo친구나 친지rsquo를 통하거나 lsquo취업희망 직장의 지인rsquo 혹은 lsquo업무상 알게 된 지인rsquo을 통하는 경우

가 체의 81235에 이른다 즉 각 일자리 진입방식 간에 매우 뚜렷한 구직형태의 차이를 보여

주고 있다 lt부표 1gt의 성공한 구직방법 2 3 8 10 11을 인 네트워크를 활용한 구직으로 1 4 5 6 7 9를 그 지 않은 구직으로 분류하고 각 일자리 진입방식에 한 인 네트워크 활용도를

추산해 보면 다음 lt표 8gt과 같이 요약된다

lt표 8gt 일자리 진입방식별 이직의 성격 분류

주 ( ) 안은 각 일자리 진입방식에 한 이직 성격의 비 을 백분율로 표시함 자료 lt부표 1gt를 재구성한 것임

lt표 8gt에 요약된 바와 같이 lsquo공개채용rsquo과 lsquo직 찾아가서rsquo 형태의 일자리 진입에서 인 네트

워크를 활용하지 않은 구직이 각기 9145와 861에 이른다 반면 lsquo소개나 추천rsquo에서는 인 네

트워크를 활용한 구직이 8459에 이른다 이를 바탕으로 본 분석에서는 lsquo공개채용rsquo과 lsquo직 찾아

가서rsquo를 lsquo비네트워크 경로 이직rsquo으로 lsquo소개나 추천rsquo을 lsquo네트워크 경로 이직rsquo으로 구분한다 이 분류

에 따르면 15705명의 최종샘 에서 이직자로 악된 1560명 1438명의 체 인 구직경로 구

분이 가능하다 이 999명이 네트워크 경로 이직자로 439명이 비네트워크 경로 이직자로 분류

된다 한 앞서 PS가 추정된 12754명 에는 1391명이 이직자인데 그 891명은 네트워크 경

로 이직자로 387명은 비네트워크 경로 이직자로 분류된다

1 이직을 통한 개인만족도의 변화

아래 세 개의 도표 lt표 9gt lt표 10gt lt표 11gt은 이직을 통하여 개인의 만족도가 개선되는지의

여부를 PSM을 통하여 검증한 것이다 각각의 만족도지수(직장만족도 직무만족도 일자리만족도)에 하여 세 가지 방식의 PSM 추정치(Five Nearest Neighbors Radius Matching Kernel Matching)를

제시하고 있다앞서 lt표 7gt의 단순비교에서는 이직자와 비이직자의 연간 만족도변화가 100 만 에서

4058 (직장만족도) 3389 (직무만족도) 2662 (일자리만족도)만큼 차이가 나는 것으로 집계

되었다 그러나 PSM 방식으로 재추정된 이직의 만족도 개선효과는 각각 약 250 (직장) 216(직무) 155 (일자리)으로 나타났다24) 종합하면 단순비교 방식(표 7)은 PSM 활용방식(표 9

표 10 표 11)에 비해 이직의 만족도 개선효과를 약 1~15 만큼 과 추정하고 있음을 확인할 수

있다 이러한 상이 나타난 이유는 실제 이직한 이들이 그 지 않은 이들에 비해 기존 직장에서

의 만족도가 상 으로 낮았다는 데 있다 를 들어 주어진 최종샘 에서 이직자들의 기존 직장

에서의 직장만족도는 평균 5071 을 보이는 반면 같은 시기 비이직자들의 평균 직장만족도는 이

보다 무려 7 가까이 높은 5724 으로 나타났다 따라서 단순비교 방식에서는 이직을 통한 만족

도 개선효과가 다소 과장되어 추산되기 마련이다 이들 이직한 이들이 만약 기존 직장에 그 로 남아 있었다면 (이들의 만족도가 상 으로 낮

은 수 이므로) 다른 이들에 비해 보다 높은 수 의 만족도 개선을 한 해 사이에 경험하 을 것이

다 실제로 체 비이직자들의 연간 만족도의 변화가 각기 -0334 (직장) -0428(직무) 0282 (일자리)에 그치는 데 반해 실험군(이직자 집단)의 Counterfactual 즉 PS를 사용하여 실험군 개체에 매

칭된 (비이직자 집단 내) 조군 개체들의 만족도 변화는 각기 113 (직장) 066 (직무) 133 (일자리)에 이르 다(각 표의 lsquo매칭된 조군 변화(B)rsquo 항목 참조) 실험군 Counterfactual에서의 만족도

개선폭이 여타 비이직자들의 연간 만족도 개선폭보다 략 1 이상 높게 나타나는 것이다 이상

의 선택편의(Selection Bias) 문제가 히 통제될 때 이직의 순효과가 바르게 추정될 수 있다 앞서 시한 PSM 방식으로 추정된 이직의 만족도 개선효과는 이러한 선택편의 문제를

Counterfactual Framework으로 극복한 추정 결과라 할 수 있다 그럼 네트워크 경로 이직과 비네트워크 경로 이직 사이에 뚜렷한 차이가 존재하는지 살펴보도

록 하자 표에서 확인할 수 있듯이 두 경우 모두 이직의 만족도 개선효과가 통계 으로 유의한 수

에서 명확히 확인된다 네트워크 경로의 이직에서는 만족도 개선의 효과가 각기 220 (직장) 158 (직무) 117 (일자리)으로 확인되었고 비네트워크 경로의 이직에서는 각기 263 (직장) 284 (직무) 207 (일자리)으로 확인되었다 흥미로운 부분은 비네트워크 경로의 이직에서 이직

을 통한 만족도 개선의 효과가 소폭 높게 나타난 이다 이는 비네트워크 이직 사례들이 상당수

의 lsquo공개채용rsquo 입사자를 포함하기 때문에 나타난 상으로 보인다 lsquo공개채용rsquo은 주로 종업원 300인 이상의 규모가 큰 기업에서 집 으로 활용되고 있다25) 이들 큰 기업에 lsquo공개채용rsquo으로 입사

한 이들은 그 직장에 비해 주 인 만족도가 크게 향상되었을 것이다 이러한 lsquo공개채용rsquo 사례들이 비네트워크 이직의 만족도 개선효과를 다소 증폭시키는 역할을 하 을 것으로 추정된다

반면 비네트워크 이직을 통한 만족도 개선이 네트워크 이직에 비해 다소 크다고 하여 이것이

24) 이는 분석에 사용된 세 가지 방식의 PSM 추정치들을 산술평균하여 정리한 수치들임 25) 이 부분에 한 구체 인 설명은 발간 정인 한국개발연구원 정책연구시리즈 lsquo인 네트워크(개인의 사회 자본)

의 노동시장 효과 분석rsquo을 참조하기 바란다 ( 자에게 요청시 수령가능함)

이직과정에서의 인 네트워크 요성은 인정되지 않는다는 식으로 해석될 수 없음을 유념하여야

한다 국내 이직과정에서의 인 네트워크 의존도는 해외 주요국에 비해 상당히 높은 수 이다 략 65 안 의 경력직 취업자들이 인 네트워크를 활용하여 구직에 성공하 다고 추정되고 있

다26) 만약 재 이직을 고려하고 있는 국내 한 근로자가 구직활동에서 인 네트워크 활용을 포기

한다면 이 근로자의 이직 성공 가능성은 매우 낮아질 것이다 즉 개인의 이직 성공률을 높이기

해서는 평소에 꾸 한 구직 네트워크 리가 요청된다 할 수 있다 특히 이직수요라는 것은 많은

경우 자신의 의도와는 다르게 외부 충격으로 인해 발생한다 회사의 경제 환경이 변화하기도

하지만 자신의 심사가 바 기도 하고 가족의 갖가지 필요에 의해 이직이 요구되기도 한다 즉 언제 발생할지 모르는 이직수요에 히 응하기 해서는 이직의 주요한 통로라 할 수 있는 인

네트워크에 한 상시 리가 요청되는 것이다 따라서 이직을 고려한 인 네트워크의 상시

리 이를 한 개인의 갖가지 비용 지출은 향후 발생 가능한 험에 처하기 하여 자동

차나 암 보험을 구매하는 것과 같이 기꺼이 지불해야 할 미래에 한 투자라 할 수 있다

26) 역시 한국개발연구원 정책연구시리즈 lsquo인 네트워크(개인의 사회 자본)의 노동시장 효과 분석rsquo을 참조하기 바

란다

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1371) 3662 1201 2460 403

조군(11274) (0610)

Radius Matching 실험군(1362) 3543 1009 2534 436

조군(11274) (0581)

Kernel Matching(Normal) 실험군(1372) 3659 1165 2494 434

조군(11274) (0564)

체 이직효과 평균 362 113 250

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 3309 1169 2140 293

조군(11274) (0730)

Radius Matching 실험군(879) 3231 0939 2292 331

조군(11274) (0693)

Kernel Matching(Normal) 실험군(881) 3309 1146 2162 315

조군(11274) (0686)

네트워크 이직효과 평균 328 108 220

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(380) 4224 1525 2699 224

조군(11274) (1206)

Radius Matching 실험군(373) 3981 1438 2543 217

조군(11274) (1171)

Kernel Matching(Normal) 실험군(381) 4213 1565 2647 230

조군(11274) (1149)

비네트워크 이직효과 평균 414 151 263

lt표 9gt 이직을 통한 직장만족도 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1377) 2850 0701 2149 363

조군(11285) (0592)

Radius Matching 실험군(1368) 2767 0626 2140 381

조군(11285) (0562)

Kernel Matching(Normal) 실험군(1378) 2852 0648 2204 398

조군(11285) (0554)

체 이직효과 평균 282 066 216

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(884) 2302 0808 1494 211

조군(11285) (0707)

Radius Matching 실험군(882) 2256 0658 1598 238

조군(11285) (0670)

Kernel Matching(Normal) 실험군(884) 2302 0654 1648 249

조군(11285) (0661)

네트워크 이직효과 평균 229 071 158

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 3648 0577 3072 269

조군(11285) (1142)

Radius Matching 실험군(374) 3463 0774 2688 245

조군(11285) (1098)

Kernel Matching(Normal) 실험군(382) 3652 0888 2764 257

조군(11285) (1077)

비네트워크 이직효과 평균 359 075 284

lt표 10gt 이직을 통한 직무만족도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1375) 2909 1571 1338 217

조군(11261) (0617)

Radius Matching 실험군(1366) 2818 1276 1543 262

조군(11261) (0588)

Kernel Matching(Normal) 실험군(1376) 2907 1147 1760 303

조군(11261) (0581)

체 이직효과 평균 288 133 155

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(882) 2523 1626 0897 121

조군(11261) (0742)

Radius Matching 실험군(880) 2472 1246 1225 173

조군(11261) (0707)

Kernel Matching(Normal) 실험군(882) 2523 1139 1383 198

조군(11261) (1697)

네트워크 이직효과 평균 251 134 117

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 3609 1499 2110 176

조군(11261) (1196)

Radius Matching 실험군(374) 3409 1530 1879 163

조군(11261) (1151)

Kernel Matching(Normal) 실험군(382) 3599 1365 2235 197

조군(11261) (1133)

비네트워크 이직효과 평균 354 146 207

lt표 11gt 이직을 통한 일자리만족도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이 를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

2 이직을 통한 배치효율성의 변화

다음은 이직의 다른 측면인 일자리 재배치의 문제에 해 살펴보고자 한다 이직은 각 개인

에 있어서는 직장생활의 변화라 할 수 있지만 기업의 입장에서는 노동인력의 교환에 해당한다 따라서 이직을 통한 노동인력의 재배치가 과연 사회 반의 경제 이익을 창출하고 있는지를 따

져 볼 필요가 있다 앞서 lt표 7gt에서 기술수 교육수 교육기술복합지수 이 세 가지 합도에 해 이직자

비이직자 집단 내의 연간 변화를 정리한 바 있다 여기서 비이직자의 경우 각 지수에서 연간 합

도가 소폭 하락한 것으로 나타났고 이직자의 경우 합도가 크게 상승한 것으로 나타났다 비이

직자는 기술수 의 합도에서 0058 이 교육수 의 합도에서 0142 이 그리고 교육기술수

의 복합지수에서는 0091 이 하락한 데 반해 이직자들은 각기 2350 (기술) 2556 (교육) 2422(복합지수)의 합도 상승이 발견되었다 비이직자들의 합도 하락은 기술이나 경제환경의 변

화와 한 련이 있다 경쟁력 있는 기술 이에 한 사회 수요가 시간에 따라 변화하므로 직장에서의 자신의 기술 혹은 교육수 은 (평균 으로 보아) 이 보다 합성이 다소 떨어지게

마련이다 반면 이직자들의 합도 상승이 과연 이직의 순효과인지에 해서는 여 히 의문의 여

지가 크다 이직을 결행한 이들은 이 직장에서의 직무 련 합도가 평균 으로 크게 떨어지는

이들이다 를 들어 최종샘 에서 이직을 하지 않은 이들의 한 해 기술 합도는 평균 9066인 데 반해 이직을 결행한 이들의 한 해 (이 직장에서의) 기술 합도는 평균 8547 에 머무

는 것으로 나타났다 이들은 애 에 워낙 합도가 떨어지기 때문에 굳이 이직을 택하지 않더라

도 직무재배치나 직장 내 부서이동 등을 통하여 1년 사이에 상당한 정도의 합도 개선을 이루었

을 것으로 상된다따라서 이직을 통한 배치효율성의 개선효과 즉 반 인 근로자의 직무 련 합도 상승효

과를 명확히 규명하기 해서는 이직한 이들이 이직을 하지 아니하 을 때에 상되는 합도의

개선을 우선 추정해 볼 필요가 있다 이것은 앞서 설명하 듯이 Counterfactual의 추정을 통해서만

이 가능하다 lt표 12gt lt표 13gt lt표 14gt는 PSM을 이용하여 비이직자들의 정보로부터 이직자들의

Counterfactual을 추정한 뒤 이를 보고하고 있다 세 방식(Five Nearest Neighbors Radius Matching Kernel Matching)의 추정치를 산술평균하면 기술 합도에서는 088 교육 합도에서는 057 교육

기술복합지수에서는 075 의 상승이 확인되었다(각 표의 lsquo매칭된 조군 변화(B)rsquo 항목을 참조) 이를 실험군 즉 실제 이직자들의 합도 상승(각 표의 lsquo실험군 변화(A)rsquo 항목)과 비교하면 순이직

효과는 각기 131 (기술) 183 (교육) 140 (복합지수)에 이르는 것으로 결론지을 수 있다 반

면 교육과 복합지수에서는 이들 순이직효과가 통계 으로 유의하게 나타났으나 기술수 의

합도에서는 이 효과가 통계 으로 뚜렷하지 않았다 10의 유의도에서 검증할 때 Kernel Matching을 제외한 나머지 두 개의 PSM 매칭에서 통계 유의성을 확보할 수 없었다 이에 이직

을 통한 교육수 의 합도 개선효과는 분명한 반면 기술수 의 합도 개선은 통계 으로 입증

되지 않는다고 결론지을 수 있다 교육기술복합지수의 경우 이 두 가지 효과가 첩되어 나타난

것으로 교육수 의 합도 개선이 워낙 뚜렷하기 때문에 통계 으로 유의한 지수상승이 나타난

것으로 단된다 이상과 같이 이직을 통해 교육수 합도의 개선이 보다 효과 으로 이루어지

는 것은 채용과정에서 후보자의 교육수 이 기술수 에 비해 객 인 자료를 이용하여 검증하

기가 보다 용이하기 때문인 것으로 보인다

그럼 이직을 통한 배치효율성 개선 측면에서 인 네트워크의 역할을 살펴보도록 하자 네트

워크 경로 이직과 비네트워크 경로 이직으로 나 어 이직효과를 각기 추정해 보면 둘 사이에 의

외의 뚜렷한 차이가 존재함을 확인할 수 있다 네트워크 경로의 이직인 경우 이직을 통한 합도

개선효과가 통계 으로 유의한 수 에서 매우 높게 나타난다 이직의 순효과는 각기 213 (기술) 252 (교육) 126 (복합지수)에 이른다 반면 비네트워크 경로의 이직인 경우 이 효과는 모두 사

라져 버린다 즉 이직효과는 기술 합도 교육 합도 교육기술복합지수 모두에서 양과 음을 반복

하고 통계 유의성도 확보되지 않는다 즉 비네트워크 경로를 통한 이직에서는 일자리 재

배치를 통한 사회 반의 경제 이득을 기 할 수 없는 것이다 앞서 교육 합도 개선에 있어 이

직의 반 인 효과가 통계 으로 강하게 나타났는데 이 효과의 부분은 비네트워크 경로 이직

보다는 네트워크 경로 이직으로부터 창출된 것임을 짐작할 수 있다 특히 기술 합도를 보면 이직자들의 합도 개선은 네트워크와 비네트워크 이직 사이에 뚜렷

한 차이를 보이는데 네트워크 이직자들의 합도 개선은 평균 292 인 데 반해 비네트워크 이직

자들의 합도 개선은 평균 048 에 그친다 인 네트워크를 활용하지 않고 이직을 하 을 경우 이직을 하 음에도 불구하고 기술 합도의 개선은 평균 으로 거의 기 되지 않는 것이다 이는

앞서 주 만족도의 개선효과와 비교하여 매우 상반된 결과에 해당한다 이직을 통한 주 만

족도의 개선에서는 네트워크와 비네트워크 이직 모두 그 효과가 분명하 으며 특히 비네트워크

이직자들의 주 만족도 개선폭은 3 내지 4 에 이르 다 이는 네트워크 이직자들의 만족

도 개선폭에 비해서도 1 가량 높은 수치 다 따라서 이직이 반 으로 개인의 주 만족도

를 개선하는 효과가 있으나 배치효율성의 개선 측면에서는 오직 인 네트워크에 의존한 이직만

이 재배치의 분명한 경제 효과를 평균 으로 창출한다고 결론지을 수 있다 이러한 네트워크와 비네트워크 사이의 뚜렷한 이직효과의 차이는 네트워크가 지닌 정보 달

기능에 기인한 것으로 단된다 인 네트워크는 구인자와 구직자 사이에 훌륭한 정보 달 기능

을 수행하고 있다 구직자에게는 어떠한 일자리가 구직자의 기술능력 혹은 교육수 에 비추어

합한지에 한 정보를 제공하고 구인자에게는 구인자가 필요로 하는 합한 기술의 소유자가

구인지에 한 정보를 제공하는 것이다 이는 평소에 구인자와 구직자 모두를 아우르는 간 매개

로서의 인 네트워크가 있었기에 가능한 것이다 반면 비네트워크에서는 이러한 효과를 기 하

기 힘들다 비네트워크 채용에서는 주어진 서류와 단시간의 인터뷰 혹은 직무능력 테스트만을 가

지고 합한 인력을 선발하여야 한다 lsquo공개채용rsquo의 경우 많은 지원자들의 경쟁을 거치므로 상으로 보다 합한 후보자를 선별할 수 있을 것이다 그러나 lsquo직 찾아가서rsquo 형태의 입사에서는

이러한 경쟁의 과정 역시 생략되므로 높은 합도를 지닌 후보의 채용은 더욱 기 하기 힘들다 정리하자면 인 네트워크는 국내 노동시장에서 일자리와 일자리 후보 사이의 활발한 정보 달

기능을 수행함으로써 노동시장의 효율 작동을 돕고 있는 것이다 끝으로 이러한 네트워크 이직의 배치효율성이 모든 이직 사례에 일 으로 용되는 것이

아님을 주지할 필요가 있다 인 네트워크가 구인과 구직 사이의 lsquo연결(Networking)rsquo 기능을 수행

할 때 이상의 정 인 효과를 기 할 수 있을 것이나 이 둘 사이의 lsquo연 rsquo로서 기능할 때는 오히

려 역효과를 래할 수 있다 즉 인 네트워크를 통하여 합하지 않은 지원자를 연 로 채용시

키는 경우 해당 일자리에 한 매치 합성은 네트워크 이직으로 인해 오히려 감퇴할 수 있다 우리는 이상의 분석을 통하여 국내 노동시장에서 네트워크 이직의 반 인 교육 기술 수

합도 개선효과를 확인한 바 있다 이는 국내 노동시장의 고용 로세스에서 lsquo연 rsquo의 부정 효과

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1374) 2220 1095 1124 121

조군(11245) (0929)

Radius Matching 실험군(1365) 2088 0735 1353 155

조군(11245) (0874)

Kernel Matching(Normal) 실험군(1375) 2255 0795 1460 168

조군(11245) (0869)

체 이직효과 평균 219 088 131

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 2951 0919 2032 181

조군(11245) (1125)

Radius Matching 실험군(879) 2844 0746 2098 198

조군(11245) (1057)

Kernel Matching(Normal) 실험군(881) 2951 0702 2250 214

조군(11245) (1049)

네트워크 이직효과 평균 292 079 213

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 0525 2297 -1772 -096

조군(11245) (1840)

Radius Matching 실험군(374) 0267 0868 -0600 -034

조군(11245) (1753)

Kernel Matching(Normal) 실험군(382) 0654 1297 -0642 -037

조군(11245) (1746)

비네트워크 이직효과 평균 048 149 -100

보다는 구인구직 간 lsquo연결rsquo이라는 네트워크의 정 효과가 보다 강하게 작동하고 있음을 시사

한다

lt표 12gt 이직을 통한 기술적합도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1380) 2428 0630 1797 193

조군(11300) (0931)

Radius Matching 실험군(1371) 2298 0496 1802 207

조군(11300) (0872)

Kernel Matching(Normal) 실험군(1381) 2462 0586 1876 216

조군(11300) (0869)

체 이직효과 평균 240 057 183

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(886) 3047 0342 2705 245

조군(11300) (1106)

Radius Matching 실험군(884) 2885 0528 2357 227

조군(11300) (1037)

Kernel Matching(Normal) 실험군(886) 3047 0551 2496 243

조군(11300) (1029)

네트워크 이직효과 평균 299 047 252

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(382) 1702 2007 -0305 -016

조군(11300) (1891)

Radius Matching 실험군(375) 1600 0559 1041 058

조군(11300) (1788)

Kernel Matching(Normal) 실험군(383) 1828 0910 0917 051

조군(11300) (1793)

비네트워크 이직효과 평균 171 116 055

lt표 13gt 이직을 통한 교육적합도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1374) 2293 0893 1399 155

조군(11245) (0904)

Radius Matching 실험군(1365) 2161 0641 1520 179

조군(11245) (0850)

Kernel Matching(Normal) 실험군(1375) 2327 0711 1616 191

조군(11245) (0847)

체 이직효과 평균 226 075 140

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 2951 0643 2308 212

조군(11245) (1087)

Radius Matching 실험군(879) 2816 0662 2154 211

조군(11245) (1021)

Kernel Matching(Normal) 실험군(881) 2951 0645 2306 228

조군(11245) (1014)

네트워크 이직효과 평균 291 065 226

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 1115 2233 -1118 -062

조군(11245) (1816)

Radius Matching 실험군(374) 0936 0749 0187 011

조군(11245) (1727)

Kernel Matching(Normal) 실험군(382) 1243 1131 0112 007

조군(11245) (1726)

비네트워크 이직효과 평균 110 137 -027

lt표 14gt 이직을 통한 교육기술복합지수의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

3 이직을 통한 임금수준의 변화

다음은 이직을 통한 임 수 의 변화가 실재하는지 검토하고자 한다 네트워크 이직과 비네트

워크 이직을 나 어 볼 때 앞서 우리는 네트워크 이직이 일자리 매치 합도를 히 개선한다

고 밝힌 바 있다 임 이 근로자의 생산성 기여분을 그 로 반 한다고 한다면 네트워크 이직에

따른 매치 합도의 개선은 근로자의 임 상승으로 이어져야 할 것이다 앞서 lt표 7gt의 단순비교에서 이직자들의 연간 임 상승분이 평균 9088만원 비이직자들의 연

간 임 상승분은 2782만원으로 집계된 바 있다 둘 사이의 격차가 6307만원에 이른다 한 해 사

이에 이직한 이들의 연간 임 상승폭이 직장을 그 로 유지한 이들의 연간 임 상승폭 보다

히 높은 수 인 것이다 하지만 이러한 단순비교는 선택편의(Selectoin Bias) 문제를 역시 고려하지

않고 있으므로 이직의 직 인 임 상승효과라 볼 수는 없다 즉 실제로 이직을 결행한 이들의

이직 임 수 은 같은 시기 직장을 그 로 유지한 이들에 비해 상 으로 낮은 수 일 가능

성이 높다 이들이 직장을 그 로 유지하 다면 다른 이들에 비해 히 높은 수 의 임

상승을 경험하 을 것이다 실제 이직한 이들이 만약 이직을 하지 않고 직장을 그 로 유지하

을 때 상되는 임 상승분 즉 이직자 임 상승분의 Counterfactual을 PSM 방식을 활용하여 추

정한 수치가 lt표 15gt의 lsquo 조군 변화(B)rsquo에 요약되어 있다 이에 따르면 실제 이직자들이 이직을

하지 않았을 때 기 할 수 있는 임 상승분은 략 5만원 정도에 이르는 것으로 나타난다 따라

서 이직에 따른 임 상승의 순효과는 앞서 제시한 6307만원이 아닌 이보다 상당히 축소된 386만원이다 이는 lt표 15gt에 정리된 바와 같이 PSM을 활용한 세 가지 추정치의 산술평균으로 추산

된 값이다 한 이러한 이직의 임 상승효과는 통계 으로도 유의한 것으로 확인되었다 반면 네트워크 경로 이직자와 비네트워크 경로 이직자의 임 상승분을 비교해 보면 둘 사이

에 상당한 격차가 존재함을 쉽게 확인할 수 있다 네트워크 이직자들의 이직을 통한 임 상승효과

는 통계 으로 유의한 수 에서 략 384만원으로 추정되는 반면 비네트워크 이직자들의 임

효과는 -077만원이고 이는 통계 으로도 유의하지 않다 즉 네트워크를 활용하여 이직하 을

때 뚜렷한 임 상승이 기 되는 반면 인 네트워크를 활용하지 않고 이직하 을 때는 이 효과

를 확신할 수 없을 뿐더러 다소 하락할 가능성도 있는 것이다 따라서 앞서 확인된 이직을 통한

반 인 임 상승의 효과는 네트워크 이직을 통해 창출된 효과이며 비네트워크 이직을 통한

기여는 뚜렷하지 않은 것으로 결론지을 수 있다이직은 새로운 일자리에 자신의 기술 직무 능력을 응시키는 과정이다 따라서 임 상승

효과가 이직 기에 항상 담보되지는 않을 것이다 반면 인 네트워크를 활용하 을 때 자신에

게 보다 합한 일자리에 배치됨으로써 즉 자신의 능력과 잠재력을 보다 잘 발휘할 수 있는 직무

에 재배치됨으로써 이상의 추가 인 임 상승을 기 할 수 있는 것이다 이는 앞서 이직을 통한

배치효율성 검증에서 확인되었던 네트워크 이직의 기술수 (혹은 교육수 ) 합도 상승효과와

일맥상통하는 결과이다 인 네트워크를 활용한 이직은 임 근로자를 보다 합한 일자리에 재

배치하는 데 일조하고 이것이 생산성에의 보다 높은 기여를 창출함으로써 이직자들의 추가 인

임 상승으로 이어지는 것이다물론 이러한 해석은 평균 인 추세를 반 한 것임에 유념할 필요가 있다 네트워크 이직의 사례

에는 앞서 말한 생산 인 lsquo연결rsquo 효과가 아닌 비생산 인 lsquo연 rsquo 효과 혹은 정실인사(Nepotism)가

작동한 경우들도 상당할 것이다 이 경우 생산성에의 기여가 충분하지 않음에도 불구하고 기술이

나 능력에 비해 임 을 후하게 설정할 가능성이 높다 이러한 lsquo연 rsquo형 이직을 통한 임 상승 역

시 네트워크 이직의 임 상승효과라 볼 수는 있겠으나 이것이 일자리 배치효율성의 개선을 반

한다고 볼 수는 없는 것이다 따라서 앞서 추정한 네트워크 이직의 임 상승효과 384만원이

으로 일자리 매치 합도 개선효과에서 기인한다고 단정 지을 순 없다 한 비네트워크 이직 역

시 평균 으로 임 상승의 효과가 포착되지 않은 것일 뿐 비네트워크 이직의 표본 에는 실제로

임 이 크게 상승한 사례들도 상당히 존재할 수 있다 를 들어 lsquo공개채용rsquo 방식의 입사인 경우 경합자들에 비해 채용 합격자의 해당 일자리 합성이 보다 우수하다고 단되어 채용된 사례가

많을 것이다 이 게 경쟁을 거쳐 채용된 이들은 이 에 비해 상당히 높은 수 의 임 상승을 기

할 수 있다 반면 비네트워크 이직에서 반 인 임 상승의 효과가 포착되지 않는 것은 비네트워크 이직

이 격한 주 만족도의 개선을 이끌었던 것과 비교하여 매우 조 인 상이다 많은 이들의

상식과는 달리 이직의 결정은 임 만족도 수 과 직결되어 있지 않다 앞서 제4 에서 우리는 이

직의 향요인들을 분석해 본 바 있다 이직의 결정이 업무만족도 복지후생만족도 취업 안정성에

한 만족도 등 다양한 요소에 민감하게 반응하는 반면 임 에 한 만족도와는 통계 으로 유의

한 수 에서의 연 성이 포착되지 않았다 개인의 이직 결정은 임 이외에 다양한 요소들을 종합

으로 고려한 단 결과라 할 수 있다 체로 이직은 다양한 방면에서 개인의 주 만족도를

격하게 향상시킨다 반면 자신의 기술(교육)수 과 일자리의 매치 합성의 문제는 이직자들에

게는 부차 인 고려 상에 해당한다 임 수 의 개선 역시 이직 시 고려되는 한 요소이겠으나 인 요소는 아니고 다양한 향요인 의 하나로 볼 수 있는 것이다 이러한 에서 비네트워

크 이직이 다소 상반된 효과(즉 주 만족도의 한 개선효과와 미미한 수 의 임 개선효

과)를 동시에 보여주고 있는 것은 일견 자연스러운 상이다

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1375) 8887 5274 3613 184

조군(11340) (1962)

Radius Matching 실험군(1366) 8842 4813 4029 208

조군(11340) (1936)

Kernel Matching(Normal) 실험군(1376) 8861 4916 3945 206

조군(11340) (1880)

체 이직효과 평균 886 500 386

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(882) 8943 5519 3423 150

조군(11340) (2285)

Radius Matching 실험군(880) 8827 4855 3972 178

조군(11340) (2231)

Kernel Matching(Normal) 실험군(882) 8943 4819 4124 186

조군(11340) (2217)

네트워크 이직효과 평균 890 506 384

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 4772 5672 -0900 -024

조군(11340) (3685)

Radius Matching 실험군(374) 4805 5201 -0396 -011

조군(11340) (3661)

Kernel Matching(Normal) 실험군(382) 4691 5716 -1025 -028

조군(11340) (3601)

비네트워크 이직효과 평균 476 553 -077

lt표 15gt 이직을 통한 임금수준의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

VIII 구직 네트워크의 사회적 자본 추정

근로자 개인의 측면에서 구직 네트워크의 가치를 추정해 보자 앞서 네트워크 이직을 통한 임

상승효과를 3840만원으로 추정하 다 이는 2008년 기 액이다 연간 물가상승률을 감안하

면27) 2010년 재가로 4074만원에 해당한다 평소에 구직 네트워크를 히 리하여 이직에서

이를 활용한다면 한 번의 이직으로 4만원 안 의 추가 인 임 상승을 기 할 수 있는 것이다 연으로는 489만원 가량의 임 이 이직 이후 매년 추가 으로 지 되는 것으로 해석될 수 있다28)

한편 이직이라는 것은 근로자의 생애를 걸쳐 발생하는 사건이다 임 근로자를 심으로 한

재의 최종샘 에서 연간 일자리 이동비율은 평균 993에 이른다 직종 업종에 따라 혹은 재

직 회사의 규모에 따라 이직률에는 상당한 차이가 있겠으나 체 임 근로자를 상으로 하 을

때 략 10년에 한 번 정도의 이직이 상되는 것이다 임 근로자의 생애를 걸쳐 살펴보면

이직은 주로 직장생활 후기보다는 기에 집 되어 있다 [그림 5]는 최종샘 15705명 임 근로

자를 상으로 한 각 연령별 이직률 추이를 나타낸다 생애 이직률은 20 후반에 가장 높고 30 반에 주춤하다가 30 후반에 다시 상승하고 40 이후에 하강하는 추세임을 확인할 수

있다

[그림 5] 연령별 이직률(26세부터 59세까지)

(단 )

0

2

4

6

8

10

12

14

16

18

26 28 30 32 34 36 38 40 42 44 46 48 50 52 54 56 58

연령(만)

자료 노동패 5차부터 10차까지

이를 활용하면 임 근로자 한 사람이 평생에 걸쳐 기 할 수 있는 이직의 임 상승효과를 추

정해 볼 수 있다 첫 취업의 평균연령이 265세임을 고려하여 표 인 임 근로자(A Representative Worker)가 26세부터 60세까지 노동시장에 참여한다고 가정해 보자 인 네트워크

27) 여기에 연평균 물가상승률 3를 용하 다 실제 임 상승률도 2009년의 임 이 융 기 여 로 거의 동결이었

음을 고려할 때 2년간 략 6에 해당한다 28) 여기서는 네트워크 이직의 임 리미엄(연 489만원 상승)이 이직 후 매년 지속된다고 가정하고 있다 실제로

리미엄이 상당 기간 지속되는지 아니면 이직 후 빠르게 축소되는지에 한 국내 실증분석은 향후 과제로 남겨져

있다

를 활용한 이직만이 평균 인 임 상승효과를 가져온다는 을 고려할 때 구직 네트워크의 생애

가치()는 다음과 같이 요약된다29)

times timestimestimes (11)

여기서 는 연령 에서의 상 이직률(Job Transfer Rate)을 나타낸다 은 이직 시 인 네

트워크에 한 의존도 수 이다 는 네트워크 이직에 따른 월평균 임 상승의 효과이다 여기

에 [그림 5]에 요약된 이직률의 생애 추이를 에 입하자 여기서 경력직 이직자의 인 네트

워크 의존도가 60 반(plusmn5 이내)으로 추산된 을 고려하여 에 64를 입하도록 하자30) 그리고 에 앞서 추정한 네트워크 이직의 임 상승효과 4074만원(2010년 기 )을 입하면 구직 네트워크의 생애 가치()는 18720만원으로 집계된다 만약 에 이직률의 생애 추

이 신 최종샘 에서 구한 평균이직률 993를 연령 에 걸쳐 일률 으로 사용한다면 이와

유사한 수치인 18486만원을 얻을 수 있다 따라서 한국사회 임 근로자 한 사람의 구직 네트워크

가치는 보상 측면에서 략 일천 1870만원 수 인 것으로 결론지을 수 있다 물론 이 수치는 이직을 통한 이득만을 반 하고 있을 뿐 주 만족도의 개선효과는

반 하고 있지 않다 앞서 우리는 일자리 이동을 통해 창출되는 개인의 만족도 변화를 직장만족

도 직무만족도 일자리만족도 이 세 가지 측면에서 고려해 보았다 네트워크 이직과 비네트워크

이직 모두 만족도의 개선효과를 보 다 그러나 국내 노동시장에서 이직의 약 60 이상이 인

네트워크에 의존하고 있음을 고려할 때 임 근로자 한 개인이 구직 네트워크를 리하지 않는다

면 그의 이직률은 에서 60 이상 추락할 것이다 이를 고려하여 구직 네트워크의 생애 만족

도 개선효과()를 다음과 같이 요약할 수 있다31)

timestimestimestimes (12)

여기서 는 네트워크 이직을 통한 주 만족도의 개선폭을 나타낸다 앞서 네트워크 이직

이 창출하는 주 만족도의 개선효과가 100만 에서 220 (직장만족도) 158 (직무만족도) 117 (일자리만족도) 정도임을 확인하 다 이 세 수치의 평균치가 네트워크 이직의 만족도 개선

효과를 히 변하고 있다고 한다면 의 략 인 추정치는 165 이 된다 이를 입하면

구직 네트워크의 만족도 개선효과는 략 7582 으로 추산된다 만족도 1 을 으로 환산하

여 만원에 해당한다고 표시하면 구직 네트워크의 임 근로자 일인당 생애가치()는 임

상승효과()와 만족도 개선효과()의 합으로써 다음과 같이 요약된다

equiv (=18720+7582) (13)

구직 네트워크의 가치 (18720+7582n)만원이 함의하는 바를 명확히 규정하기는 쉽지 않다 특히 개인마다 일자리에서 얻는 주 만족도를 가치로 환산하는 방식이 다를 것이다 를 들

29) 구직 네트워크의 재 가치를 추산하기 해서는 시간할인률을 용할 필요가 있으나 여기서는 이를 생략하 다 시간할인률이 용된 추정치는 재 계산된 값보다 다소 하락할 것이다

30) 이에 한 보다 구체 인 설명은 본 논문의 보다 상세한 내용이 실린 한국개발연구원 정책연구시리즈로 출간 정

인 lsquo인 네트워크(개인의 사회 자본)의 노동시장 효과 분석rsquo 보고서를 참조 바란다 31) 앞서와 마찬가지로 구직 네트워크의 재 가치를 추산하기 해서는 시간할인률을 용할 필요가 있으나 여기서는

이를 생략하 다 시간할인률이 용된 추정치는 재 계산된 값보다 다소 하락할 것이다

어 어떤 이들에게는 이득만이 요하고 주 만족도는 경시될 수 있다 이들에게 n은

lsquo0rsquo에 가까운 것이다 반면 다른 이들에게는 일자리에서 얻는 주 만족도가 임 소득보다

몇 배 이상 요할 수 있다 이들에게 n은 1보다 큰 양수가 될 것이다 구직 네트워크의 가치를 수

치로 악해 보고자 n=1인 근로자를 상정해 보자32) 이 사람에게 만족도 1 은 1만원만큼의

효용을 창출한다 이 근로자에게 구직 네트워크의 종합 가치는 26302만원에 이른다고 평가할

수 있다 이러한 구직 네트워크의 종합 가치를 개인의 물 혹은 인 자본과 별하여 근로자

개인의 구직 네트워크 사회 자본이라 명할 수 있다추정한 구직 네트워크의 가치인 (18720+7582n)만원은 한국사회의 임 근로자 각 개인이 구직

네트워크의 유지 리를 하여 기꺼이 지불할 용의가 있는 비용을 나타낸다 만족도 1 이 1만원의 효용이 있다면 즉 n=1이라면 이는 1224개월치 월 ( 략 일년치 연 )에 해당한다33) 이는 결코 작지 않은 액수이다 한국사회의 구성원들은 다양한 방식으로 네트워크를 리하고 있다 동창회 동호회 업계 계자와의 술자리 각종 경조사 참여 Social Network Service(SNS) 활동 등

이 이에 해당한다 이들 활동은 그 자체로서 정서 효용을 창출하지만 생 인 경제 이득

한 간과할 수 없다 이는 업무에 필요한 유용한 정보의 획득이나 업거래망의 확장이기도 하고 구직 네트워크의 변 확 자기 PR(Public Relations)이기도 하다 네트워크의 리는 그에 상

응하는 비용을 수반한다 이는 만남에 따른 지출에서부터 시간사용까지를 포함한다 구직

네트워크의 효과성 측면에서 보았을 때 한국사회 근로자 개인은 상당한 비용( 를 들어 n=1인 경

우 략 일년치 연 에 해당하는 비용)을 구직 네트워크의 유지 리를 하여 생애를 거

쳐 기꺼이 지불할 용의가 있다고 볼 수 있는 것이다

IX 결론

이제까지 우리는 국내 고용시장에서의 인 네트워크 활용의 효과성을 다각 인 측면에서 살

펴보았다 인 네트워크를 활용한 이직의 직장생활만족도 개선효과는 100 만 에 약 165 34)

에 달하는 것으로 확인되었으며 직무 합도 개선효과는 100 만 에 약 197 35)에 이르는 것으

로 나타났다 한 인 네트워크를 활용한 이직은 임 상승을 동반하는데 그 규모는 월평균 임

으로 4074만원(2010년 기 )인 것으로 확인되었다 반면 인 네트워크를 활용하지 않은 이직

에서도 직장생활만족도의 개선효과가 일부 포착되었으나 일자리 합도에 한 개선이나 임 상

승효과는 확인되지 않았다 즉 구인자와 구직자를 연결시켜주는 인 네트워크의 효율 인 정보

달 기능이 확인된 것이다 이를 통해 임 근로자 개인의 구직 네트워크의 가치 즉 lsquo네트워크 사

회 자본rsquo을 추정해 보면 구직 네트워크의 생애 가치는 18720만원으로 집계되었으며 여기에 주 만족도에 한 보상 측면까지 고려하면 만족도 1 의 가치를 만원으로 환산

할 때 략 (18720+7582)만원에 이르는 것으로 집계되었다

32) 실제로 일반 인 수 에서 n은 1보다 상당히 클 것으로 상된다 주어진 표본에서 주 만족도의 평균은 략

55 내외인 반면 임 수 의 평균은 략 200만원 내외이다 즉 두 수치의 Scale이 네 배 가량 차이가 난다 33) 26302만원을 차수 임 수 (20247만원)의 2010년도 기 가치인 2148만원으로 나 면 1224개월이 나온다 34) 직장만족도 개선효과 220 직무만족도 개선효과 158 일자리만족도 개선효과 117 의 산술평균값 용 시 35) 기술 합도 개선효과 213 교육 합도 개선효과 252 교육기술복합지수 개선효과 126 의 산술평균값 용

참 고 문 헌

고용노동부 985172고용노동백서985173 2010김동헌김상호 「직업탐색과 자발 이직」 2001 경제학 공동학술 회 발표문 2010 김성훈 「사회연결망과 공식경로를 통한 첫 취업의 개인 결과와 사회 결과」 985172한국사회학985173 제39집 제1호

2005 김성훈 「 문직의 취업경로 사회연결망과 공식경로를 심으로」 985172한국사회학985173 제40집 제5호 2006 김성훈 「취업자의 사회연결망 활용에 한 향요인 연구」 985172노동경제논집985173 제26권 제3호 2003김용학 985172사회연결망 이론985173 박 사 2003류석춘 외 985172한국의 사회자본 역사와 실985173 백산출 사 2008 송호근김우식이재열 985172한국사회의 연결망 연구985173 서울 학교 출 부 2004안재희 985172구직과 제도 사회자본985173 한국학술정보(주) 2008우천식 편 985172한국경제사회와 사회 자본985173 한국개발연구원 2007이 면나인강 「직장만족도와 이직행 에 한 패 분석」 985172제5차 한국노동패 학술 회 논문집985173 2004이 면나인강 「비정규직의 이직 이직사유 근속기간에 한 연구」 985172제6차 한국노동패 학술 회 논

문집985173 2005이상호 「노동패 의 주 만족도 측정」 985172노동리뷰985173 통권 제17호 2006 pp77~86이병훈 「구직활동의 향요인에 한 탐색 연구」 985172노동경제논집985173 제25권 제1호 2002 pp1~21 통계청 985172경제활동인구조사985173 2010한국노동연구원 985172사업체패 조사985173 2007KDI 국제정책 학원 985172사회 자본 확충을 한 기본조사 정책연구985173 2007

Blau David and Philip Robins ldquoJob Search Outcomes for the Employed and Unemployedrdquo Journal of Political Economy 98(3) 1992 pp637~655

Bourdieu P ldquoThe Forms of Capitalrdquo in J G Richardson (ed) Handbook of Theory and Research for the Sociology of Education New York Greenwood 1986

Cochran William and Donald Rubin ldquoControlling Bias in Observational Studies A Reviewrdquo Sankhya 35 1973 pp417~446

Datcher Linda ldquoThe Impact of Informal Networks on Quit Behaviorrdquo Review of Economic Statistics 65(3) 1983 pp491~495

Dawid A ldquoConditional Independence in Statistical Theoryrdquo Journal of Royal Statistical Society B 41 1979 pp1~31

Dehejia R and S Wahba ldquoCausal Effects in Nonexperimental Studies Reevaluating the Evaluation of Training Programsrdquo Journal of the American Statistical Association 94 1999 pp1053~1062

Dehejia R and S Wahba ldquoPropensity Score-Matching Methods for Nonexperimental Causal Studiesrdquo The Review of Economics and Statistics 84 2002 pp151~161

Glaeser E D Laibson and B Sacerdote ldquoAn Economic Approach to Social Capitalrdquo The Economic Journal 112 2002

Gottschalk P and T Maloney ldquoInvoluntary Termination Unemployment and Job Matching A Test of Job Search Theoryrdquo Journal of Labor Economics 3 1985 pp109~123

Granovetter Mark S Getting A Job A Study of Contracts and Careers Chicago University of Chicago Press 1975

Heckman J H Ichimura J Smith and P Todd ldquoCharacterizing Selection Bias Using Experimental Datardquo Econometrica 66 1998 pp1017~1098

Heckman J H Ichimura and P Todd ldquoMatching as an Econometric Evaluation Estimator Evidence from Evaluating a Job Training Programrdquo Review of Economic Studies 64 1997 pp605~654

______ ldquoMatching as an Econometric Evaluation Estimatorrdquo Review of Economic Studies 65 1998 pp261~294Knack S and P Keefer ldquoDoes Capital Have and Economic Payoff A Cross Country Investigationrdquo Quarterly

Journal of Economics 62 1997 pp1251~1288 Lin Nan Social Capital A Theory of Social Structure and Action Cambridge Cambridge University Press 2001 Lin Nan Karen Cook and Ronald Burt (eds) Social Capital Theory and Research Aldine Transaction 2001 Marmaros David and Bruce Sacerdote ldquoPeer and Social Networks in Job Searchrdquo European Economic Review 46

2002 pp870~879Putnam Robert D Bowling Alone The Collapse and Revival of American Community New York Simon and

Schuster 2000Rosenbaum J S DeLuca S Miller and K Roy ldquoPathways into Work Short- and Long-Term Effects of Personal

and Institutional Tiesrdquo Sociology of Education 72(3) 1999 pp179~196Rosenbaum P and D Rubin ldquoThe Central Role of the Propensity Score on Observational Studies for Causal

Effectsrdquo Biometrika 70 1983 pp41~55Rubin D ldquoEstimating Causal Effects of Treatments in Randomized and Non-randomized Studiesrdquo Journal of

Educational Psychology 66 1974 pp688~701Simon Curtis and Warner John ldquoMatchmaker Matchmaker The Effect of Old-Boy Networks on Job Match

Quality Earnings and Tenurerdquo Journal of Labor Economics 10(3) 1992 pp306~330Todd Petra ldquoMatching Estimatorsrdquo unpublished manuscript 2006

성공한 구직방법

일자리 진입방식

합계공개

채용스카우트

소개나

추천

찾아가서기타

1 학교나 학원12 0 26 4 0 42

(395) (0) (301) (069) (0) (233)

2 교수나 교사2 0 8 0 0 10

(066) (0) (093) (0) (0) (055)

3 친구나 친지5 2 509 28 2 546

(164) (125) (5898) (48) (556) (303)

4 공공 안내소3 0 7 9 4 23

(099) (0) (081) (154) (1111) (128)

5 사설 안내소3 0 29 16 1 49

(099) (0) (336) (274) (278) (272)

6 매체 고53 1 21 209 13 297

(1743) (625) (243) (3585) (3611) (1648)

7 직 탐문2 0 13 85 0 100

(066) (0) (151) (1458) ((0) (555)

8 가족1 1 21 2 0 25

(033) (625) (243) (034) (0) (139)

9 인터넷205 3 22 179 9 418

(6743) (1875) (255) (307) (25) (232)

10 희망직장

지인

7 3 90 20 0 120(23) (1875) (1043) (343) (0) (666)

11 업무상

지인

6 4 102 18 0 130(197) (25) (1182) (309) (0) (721)

12 기타 5 2 15 13 7 42

(164) (125) (174) (223) (1944) (233)

합 계304 16 863 583 36 1802

(100) (100) (100) (100) (100) (100)

lt부표 1gt 경력직 취업자(1802명)의 일자리 진입방식별 구직방법의 분포

주 1 노동패 6차부터 10차까지의 신규 일자리 진입자 경력직 취업자를 상으로 함 2 ( ) 안은 각 일자리 진입방식에 한 성공한 구직방법의 백분율임

Block

번호

직장유지의

직무유지의

향성별 나이 나이

2 교육

혼인

여부

정규직

여부

첫(혹은

두 번째)

일자리

(로그)

격차 격차 격차 격차 격차 격차 격차 격차 격차 격차

1164 116 048 -102 -14913 -003 003 009 000 007

(455) (395) (011) (207) (19454) (044) (005) (004) (009) (013)

2-254 050 003 007 -1629 -022 -006 004 -002 001

(203) (191) (006) (123) 11232 (020) (004) (004) (006) (007)

3036 -076 002 -094 -7067 -001 000 -004 008 001

(131) (129) (004) (088) (7870) (012) (003) (003) (004) (004)

4-079 -117 -001 071 6428 000 -004 -002 001 -005

(128) (122) (004) (079) (6861) (010) (003) (003) (004) (003)

5026 144 -005 068 6211 -012 004 000 -006 -001

(142) (144) (004) (077) (6201) (010) (004) (003) (004) (004)

6061 152 -008 -043 -3655 006 002 002 -007 007

(151) (151) (004) (073) (5661) (010) (004) (004) (004) (004)

7010 -134 -002 043 2726 003 -002 001 003 001

(133) (131) (004) (058) (4296) (008) (004) (003) (003) (003)

8045 173 008 044 3233 007 000 -001 -001 -003

(146) (143) (004) (052) (3615) (007) (004) (003) (003) (003)

9128 -010 000 061 3033 -016 -003 006 -010 004

(259) (246) (006) (065) (3930) (012) (005) (006) 006 (006)

10500 114 013 -035 -1626 004 000 007 001 -003

(407) (394) (009) (081) (4454) (017) (007) (008) (009) (009)

lt부표 2-Agt Propensity Score 각 구간(Block)에 대한 Mean-Difference Statistical T-test 결과(I)

주 1 Untreated Group과 Treated Group의 각 항목에 한 Mean Difference를 테스트함 2 표시는 5 유의도 수 에서 테스트를 통과하지 못한 항목을 표시함3 ( ) 안은 표 오차임

lt부표 2-Bgt Propensity Score 각 구간(Block)에 대한 Mean-Difference Statistical T-test 결과(II)

Block

번호

(로그)2 종업원 규모 교육 합도 임 만족도근무

환경 만족도

일자리

만족도

서비스 매직

여부

농어업 종사

여부

정규직 times

교육

직장 times

직무유지의향

격차 격차 격차 격차 격차 격차 격차 격차 격차 격차

1052 054 202 656 -048 -101 002 001 003 25954

(147) (053) (379) (564) (480) (421) (005) (003) (047) (60638)

2-006 043 046 047 -303 -182 002 000 -004 -9827

(073) (027) (197) (247) (220) (188) (002) (001) (026) 25462

3006 011 -151 -030 255 013 -002 000 -011 -246

(041) (017) (158) (156) (142) (117) (002) (000) (018) (15776)

4-052 000 -075 -111 -046 -005 -004 000 -011 -10585

(034) (015) (155) (137) (133) (110) (002) (001) (016) (14203)

5-008 006 053 -047 -017 -036 003 000 -004 17636

(035) (017) (176) (152) (144) (123) (003) (001) (018) (16213)

6063 -005 273 049 211 040 -006 001 015 14659

(035) (017) (201) (150) (145) (124) (003) (001) (019) (16225)

7008 -018 -045 016 -031 005 005 000 010 -10640

(029) (014) (174) (127) (127) (108) (003) (001) (016) (13577)

8-022 -014 028 -028 -163 086 000 000 -001 6766

(028) (014) (189) (127) (131) (111) (003) (000) (017) (13784)

9037 -013 143 133 046 -070 001 -002 015 -1116

(047) (021) (371) (204) (227) (187) (006) (002) (029) (21779)

10-028 021 077 161 -247 -113 -013 002 019 13295

(074) (026) (612) (352) (366) (340) (009) (002) (038) (30459)

주 1 Untreated Group과 Treated Group의 각 항목에 한 Mean Difference를 테스트함 2 표시는 5 유의도 수 에서 테스트를 통과하지 못한 항목을 표시함3 ( ) 안은 표 오차임

Page 20: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal

[그림 3] Radius Matching

다 Kernel Matching

이 방식은 Treated Group 내의 각 개체에 한 매칭을 Untreated Group 내의 모든 개체를 상

으로 진행하는 방식으로 에 따라 가 치를 부여한다 가 작을수

록 가 치가 커진다 이때 사용되는 가 치는 다음과 같이 표시될 수 있다

isin

(9)

여기서 G는 선택된 Kernel function을 은 Bandwidth Parameter를 표시한다 이 방식은

Heckman Ichimura and Todd(1998)에 의해 도입되었는데 주어진 모든 개체를 추정에 활용하므로

정보의 손실을 최소화할 수 있다는 장 이 있다 한 앞서의 두 추정방식과는 달리 인 인

Caliper의 설정이 불필요하다는 장 도 있다 Kernel의 선택에는 Gaussian Function(Normal Distribution) Biweight Function Epanechnikov Function 등 다양한 방식이 가능하나 본 분석에는

Normal Distribution을 채택하 다 Bandwidth Parameter로는 001을 선택하여 가 근

한 이들에게 충분한 가 치가 주어지도록 하 다21)

VI Propensity Score의 추정

주어진 자료에서 Treatment는 이직에 해당한다 이직에 한 Propensity Score(PS)를 추정하기

해서는 이직에 향을 미치는 주요 변수의 집합 을 사용하여야 한다 이들 변수는 다음 조건

을 만족하여야 한다 prime ∐ 즉 이직에 향을 미치는 주요 변수들을 통제한 후에

는 이직을 하지 않은 이들의 결과치 에 한 변화분 prime 의 분포가 이직을 한

이들이 만약 이직을 하지 않았을 때 상되는 결과치 에 한 변화분 prime 의 분

21) Bandwidth Parameter가 0005 002인 경우도 확인해 보았으나 결과에는 큰 차이가 발견되지 않았다

추정함수 Logistic Regression(이직 = 1 비이직 = 0)Z 추정계수 표 오차

직장유지의향 -0002 0004 직무유지의향 -0015 0004 성별(여성 1) -0104 0071

나이 -0138 0023 나이2 0001 0000

교육수 0169 0050 혼인 여부(미혼 1) -0056 0082

정규직 여부(정규직 1) 0342 0248 첫(혹은 두 번째) 일자리 여부 -0599 0068

임 수 (단 만원 로그) 0076 0601 임 수 (단 만원 로그)2 -0052 0063 종업원 규모(단 명 로그) -0084 0015

차수 교육 합도 0000 0001 임 만족도 0003 0002

근무환경만족도 -0004 0002 일자리만족도 -0003 0003

서비스 매직 여부 0459 0077 농어업 종사 여부 0324 0378

정규직 여부 times 교육수 -0131 0056 직장유지의향 times 직무유지의향 0000 0000

상수항 3558 1584 측 수 12754

결정계수( ) 00873

Log Likelihood -401098

포와 동일해야 하는 것이다 따라서 Propensity Score의 추정에 활용할 변수들은 앞서 일자리 이동

의 향요인에 한 분석을 통해 선별할 수 있다 특히 주어진 노동패 의 자료에서는 ldquo 재의

직장을 계속 다니고 싶은가(직장유지의향)rdquo와 ldquo 재 맡고 있는 일을 계속하고 싶은가(직무유지의

향)rdquo라는 이직의사와 련된 매우 긴요한 변수들이 포함되어 있는데 이들을 주요 변수의 집합

에 포함시킴으로써 이상의 조건이 보다 용이하게 충족될 수 있음을 기 할 수 있다 Propensity Score의 추정에는 Logistic Regression을 활용하 다 추정에 활용된 주요 변수들의 집합 과 각

변수에 한 추정계수는 lt표 5gt에 요약되어 있다

lt표 5gt Propensity Score의 추정방정식

주 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

앞서 일자리 이동 향요인에 한 분석에서 일자리 이동의 요한 결정변수로 악된 변수

들이 부분 PS 추정방정식에 포함되었다 만족도와 련한 변수 업무만족도 취업 안정성 만

족도 자기발 만족도 복지후생만족도 이상 네 변수는 일자리 향요인으로 통계 으로 유의하

게 악되었으나 PS 방정식에 추가된 일자리만족도 직장유지의향 직무유지의향 등과의 통계

상 계가 매우 높아 PS 추정방정식에 따로 포함시키지 않았다22) 한 추정방정식에는 일부

Interaction Terms들과 Higher Order Terms들을 추가하여 앞서 설명한 변수집합(Z)의 기본요건을 맞

추고자 하 다 추가 변수들은 Balancing Property를 충족하기 하여 선정되었는데 이에 해서는

아래에서 추가 부연한다Rosenbaum and Rubin(1983)에 따르면 PS는 다음 조건을 만족한다

∐ rArr

즉 PS를 통제한 뒤에는 변수집합 Z와 Treatment 여부 D가 상호 독립 이라는 것이다 이는 PS가 동일한 개체들에 해 Z의 평균값을 구한다면 Treatment를 받은 집단과 그 지 않은 집단 사이

에 차이가 없어야 한다는 을 내포한다 이를 Balancing Property라 한다 이를 검증하기 한 방

법으로 P(Z)를 여러 구간(Blocks)으로 나 뒤 각 구간에 한 Mean Difference Statistical T-test를

시행할 수 있다 일부 구간에 해 T-test가 만족하지 않는 경우에는 구간을 더욱 세분하여 진행하

고 여 히 만족이 되지 않는 경우에는 문제가 되는 일부 변수들의 Interaction Terms들과 Higher Order Terms들을 PS 추정방정식에 추가하여 앞서의 과정을 되풀이한다(Dehejia and Wahba[1999]) 앞서 언 된 Interaction Terms과 Higher Order Terms들은 이상의 과정을 거쳐 추가된 항들이다

Balancing Property 검증을 하여 다양한 PS 추정방정식을 설정하여 반복 인 Test를 수행하

다 최종 으로 lt표 5gt의 추정방정식에서 도출한 PS를 기 으로 lt표 6gt과 같이 10개의 Block을

구분한 뒤 Mean- Difference Statistical T-test를 진행하 다 Block 설정은 PS의 Common Support 역인 [00149 06]에 하여 이루어졌다 각 Block들에 한 T-test의 결과는 lt부표 2gt에 수록되어

있다 추정방정식에 도입된 독립변수 항이 총 20개이고 Block의 수는 10개이므로 총 200개의

Mean-Difference T-test가 시행되었다 lt부표 2gt에서 확인할 수 있듯이 5 Significance Level에서

부분의 Block들이 T-test를 통과하 다 통과에 실패한 테스트는 단 두 개로 Block 1의 lsquo정규직

여부rsquo에 한 테스트와 Block 8의 lsquo성별rsquo에 한 테스트이다 따라서 Block Test의 통과율이 99에

이르러 앞서의 PS 추정방정식이 Balancing Property를 체로 만족하고 있다고 결론내릴 수 있다 이상의 과정을 거쳐 확정된 PS 추정방정식을 이용하여 각 개체별로 PS를 구할 수 있다 [그림

4]는 이 게 구해진 PS에 하여 각 집단별 분포도를 제시하고 있다 Treated Group의 경우 PS의

분포가 Untreated Group에 비해 상 으로 우측으로 치우쳐 있음을 쉽게 확인할 수 있다 그리고

PS 분포에서 Common Support 역이 [00149 06]에 이른다는 것을 확인할 수 있다 이는 PS가

06보다 큰 경우에는 Treatment에 참여한 실험군 개체에 해 그에 상응하는 Counterfactual을 조

군으로부터 찾을 수 없음을 의미한다 따라서 PS를 활용한 Treatment의 효과 측정은 이 Common Support 역에 들어오는 실험군 개체들에 한정하여 이루어질 수밖에 없다

22) 를 들어 일자리만족도와 이들 네 변수와의 상 계수(Correlation Coefficient)는 각각 업무만족도(06536) 취업 안정

성 만족도(06014) 자기발 만족도(06279) 복지후생만족도(05514)에 이른다 이들을 포함시키더라도 반 인 결과

에는 큰 차이가 없다

(10)

02

46

8

0 2 4 6 8 0 2 4 6 8

Untreated Group Treated Group

DensityRough Density Curve

Den

sity

Propensity Score Distribu tion for Each Group

lt표 6gt Balancing Property 검증을 위한 Block 구분

Block 번호 Propensity Score 범 D=0 D=1 합계

1 00149 ~ 0025 655 10 665

2 0025 ~ 005 2128 59 2187

3 005 ~ 0075 2146 152 2298

4 0075 ~ 001 1744 200 1944

5 01 ~ 0125 1300 171 1471

6 0125 ~ 015 949 162 1111

7 015 ~ 02 1138 238 1376

8 02 ~ 03 845 242 1087

9 03 ~ 04 230 95 325

10 04 ~ 06 57 56 113

합계 11192 1385 12577

[그림 4] 각 집단별 Propensity Score 분포도

주 Common Support 역인 [00149 06]에 포함된 개체 수는 Untreated Group의 경우 11192명 Treated Group의 경우에

는 1385명임

VII 분석 결과

이제 구해진 PS를 활용하여 이직의 효과와 이직에 있어서 인 네트워크 활용의 효과성을 분

석할 비를 마련하 다 본 분석에서는 앞서 제3 에서 소개한 7가지의 성과지표에 하여 분석

을 진행할 것이다 우선 PS가 추정된 12754개체에 하여 PS를 고려하지 않은 단순비교를 진행해

성과지표의

연간 변화비교 상

이직자

평균

비이직자 평균

격차

(표 오차)

직장만족도 변화이직자 수 1379 3724 -0334 4058

비이직자 수 11274 (0466)

직무만족도 변화이직자 수 1386 2962 -0428 3389

비이직자 수 11285 (0466)

일자리만족도 변화이직자 수 1384 2944 0282 2662

비이직자 수 11261 (0489)

기술 합도 변화이직자 수 1383 2350 -0058 2408

비이직자 수 11245 (0684)

교육 합도 변화이직자 수 1389 2556 -0142 2697

비이직자 수 11300 (0689)

교육기술복합지수

변화

이직자 수 1383 2422 -0091 2513

비이직자 수 11245 (0664)

임 수 변화이직자 수 1384 9088 2782 6307

비이직자 수 11340 (1614)

보자 lt표 7gt은 이직자 집단과 비이직자 집단의 성과지표 변화를 단순비교한 것이다 표에서 확인

할 수 있듯이 이직자의 경우 모든 지표들에 하여 성과지표의 뚜렷한 증가가 목격되었다 비이

직자의 경우에는 임 수 이 2782만원 증가한 것을 제외하고 에 띄는 성과지표의 개선이 나타

나지 않았다23) 성과지표 개선에서 집단 간의 차이가 존재하는지를 검증하기 하여

Mean-Difference Statistical T-test를 진행하고 그 결과를 표에 수록하 다 모든 지표에 하여 이직

자 집단이 비이직자 집단에 비해 높은 증가세를 보인 것이 통계 으로 유의하게 확인된다 를 들

어 이직자 집단의 월평균 임 수 은 9088만원 상승한 것으로 나타나 비이직자 집단에 비해

6307만원만큼 큰 폭의 임 향상을 보 다 하지만 우리는 이상의 결과를 이직의 효과라고 단정

지을 수 없다 왜냐하면 이직의 효과는 이직자 집단에 속한 개체들의 성과 변화와 이들의

Counterfactual 즉 이들이 이직을 하지 않고 직장을 유지하 을 때의 성과 변화를 직 비교해

야 제 로 악되기 때문이다 이후 제시한 Propensity Score Matching에 의한 이직효과 측정은 이

러한 Counterfactual의 탐색에 기반한 분석 결과이다

lt표 7gt 주요 성과지표의 연간 변화 단순비교

주 1 성과지표의 변화에 한 집단 간 차이를 확인하기 하여 Mean-Difference Statistical T-test를 수행함 2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

23) 주어진 임 수 은 연간 임 상승률을 감안한 수치이기 때문에 비이직자의 임 은 불변이거나 하락하여야 정상이

다 재 악되는 비이직자들의 임 증가는 선택편의(Selection Bias) 문제에 의해 발생한 것으로 보인다 주어진 최

종샘 은 차수와 차수 모두에서 임 근로자로 악된 이들로 구성된다 취업시장에 신규로 진입하는 이들에

비하여 근속연수가 1년 많은 셈이다 한 차수에 임 근로자인 이들 임 상승폭이 작은 이들이 그 지 않은

이들보다 근로시장을 이탈할 가능성이 높다 이로 인하여 차수에 이어 차수까지 근로시장에 남아 있는 이들

은 상 으로 높은 임 상승을 보이는 것으로 단된다( 한 분석에 활용한 임 상승률이 lsquo임 구조기본통계조사rsquo의 표본으로부터 추정된 것이므로 노동패 표본과의 근본 차이로 인해 이상의 문제가 도출하 을 가능성도 일

부 배제할 수 없다)

공개채용 스카우트 소개나 추천 직 찾아가서 기타

인 네트워크

활용 구직

21 10 730 68 2

(69) (625) (8459) (1166) (556)

인 네트워크

비활용 구직

278 4 118 502 27

(9145) (250) (1367) (861) (750)

알 수 없음5 2 15 13 7

(164) (125) (174) (223) (1944)

총 사례 수 (1802명

)

304 16 863 583 36

(100) (100) (100) (100) (100)

이직 성격 분류비네트워크

경로-

네트워크

경로

비네트워크

경로-

본격 인 분석에 앞서 인 네트워크와 련하여 이직의 성격을 규명할 필요가 있다 인 네

트워크를 이직경로로 활용한 경우와 그 지 않은 경우로 구분지어 보도록 하자 이를 해 노동패

6차에서 10차까지의 체 경력직 취업자들을 상으로 한 lt부표 1gt의 lsquo경력직 취업자들의 일

자리 진입방식별 구직방법의 분포rsquo를 참조하도록 하자 노동패 에서 제공하는 일자리 진입방식

은 lsquo공개채용rsquo lsquo스카우트rsquo lsquo소개나 추천rsquo lsquo직 찾아가서rsquo lsquo기타rsquo 이 게 다섯 가지로 구분된다 이 lsquo공개채용rsquo 형태의 일자리 진입에서는 lsquo인터넷rsquo이나 lsquo매체 고rsquo를 활용한 구직이 체 사례

의 8486에 이른다 lsquo직 찾아가서rsquo 형태의 일자리 진입 역시 lsquo인터넷rsquo이나 lsquo매체 고rsquo 그리고

lsquo직 탐문rsquo 방식의 구직이 사례의 8113에 이른다 반면 lsquo소개나 추천rsquo 형태의 일자리 진입에서

는 lsquo친구나 친지rsquo를 통하거나 lsquo취업희망 직장의 지인rsquo 혹은 lsquo업무상 알게 된 지인rsquo을 통하는 경우

가 체의 81235에 이른다 즉 각 일자리 진입방식 간에 매우 뚜렷한 구직형태의 차이를 보여

주고 있다 lt부표 1gt의 성공한 구직방법 2 3 8 10 11을 인 네트워크를 활용한 구직으로 1 4 5 6 7 9를 그 지 않은 구직으로 분류하고 각 일자리 진입방식에 한 인 네트워크 활용도를

추산해 보면 다음 lt표 8gt과 같이 요약된다

lt표 8gt 일자리 진입방식별 이직의 성격 분류

주 ( ) 안은 각 일자리 진입방식에 한 이직 성격의 비 을 백분율로 표시함 자료 lt부표 1gt를 재구성한 것임

lt표 8gt에 요약된 바와 같이 lsquo공개채용rsquo과 lsquo직 찾아가서rsquo 형태의 일자리 진입에서 인 네트

워크를 활용하지 않은 구직이 각기 9145와 861에 이른다 반면 lsquo소개나 추천rsquo에서는 인 네

트워크를 활용한 구직이 8459에 이른다 이를 바탕으로 본 분석에서는 lsquo공개채용rsquo과 lsquo직 찾아

가서rsquo를 lsquo비네트워크 경로 이직rsquo으로 lsquo소개나 추천rsquo을 lsquo네트워크 경로 이직rsquo으로 구분한다 이 분류

에 따르면 15705명의 최종샘 에서 이직자로 악된 1560명 1438명의 체 인 구직경로 구

분이 가능하다 이 999명이 네트워크 경로 이직자로 439명이 비네트워크 경로 이직자로 분류

된다 한 앞서 PS가 추정된 12754명 에는 1391명이 이직자인데 그 891명은 네트워크 경

로 이직자로 387명은 비네트워크 경로 이직자로 분류된다

1 이직을 통한 개인만족도의 변화

아래 세 개의 도표 lt표 9gt lt표 10gt lt표 11gt은 이직을 통하여 개인의 만족도가 개선되는지의

여부를 PSM을 통하여 검증한 것이다 각각의 만족도지수(직장만족도 직무만족도 일자리만족도)에 하여 세 가지 방식의 PSM 추정치(Five Nearest Neighbors Radius Matching Kernel Matching)를

제시하고 있다앞서 lt표 7gt의 단순비교에서는 이직자와 비이직자의 연간 만족도변화가 100 만 에서

4058 (직장만족도) 3389 (직무만족도) 2662 (일자리만족도)만큼 차이가 나는 것으로 집계

되었다 그러나 PSM 방식으로 재추정된 이직의 만족도 개선효과는 각각 약 250 (직장) 216(직무) 155 (일자리)으로 나타났다24) 종합하면 단순비교 방식(표 7)은 PSM 활용방식(표 9

표 10 표 11)에 비해 이직의 만족도 개선효과를 약 1~15 만큼 과 추정하고 있음을 확인할 수

있다 이러한 상이 나타난 이유는 실제 이직한 이들이 그 지 않은 이들에 비해 기존 직장에서

의 만족도가 상 으로 낮았다는 데 있다 를 들어 주어진 최종샘 에서 이직자들의 기존 직장

에서의 직장만족도는 평균 5071 을 보이는 반면 같은 시기 비이직자들의 평균 직장만족도는 이

보다 무려 7 가까이 높은 5724 으로 나타났다 따라서 단순비교 방식에서는 이직을 통한 만족

도 개선효과가 다소 과장되어 추산되기 마련이다 이들 이직한 이들이 만약 기존 직장에 그 로 남아 있었다면 (이들의 만족도가 상 으로 낮

은 수 이므로) 다른 이들에 비해 보다 높은 수 의 만족도 개선을 한 해 사이에 경험하 을 것이

다 실제로 체 비이직자들의 연간 만족도의 변화가 각기 -0334 (직장) -0428(직무) 0282 (일자리)에 그치는 데 반해 실험군(이직자 집단)의 Counterfactual 즉 PS를 사용하여 실험군 개체에 매

칭된 (비이직자 집단 내) 조군 개체들의 만족도 변화는 각기 113 (직장) 066 (직무) 133 (일자리)에 이르 다(각 표의 lsquo매칭된 조군 변화(B)rsquo 항목 참조) 실험군 Counterfactual에서의 만족도

개선폭이 여타 비이직자들의 연간 만족도 개선폭보다 략 1 이상 높게 나타나는 것이다 이상

의 선택편의(Selection Bias) 문제가 히 통제될 때 이직의 순효과가 바르게 추정될 수 있다 앞서 시한 PSM 방식으로 추정된 이직의 만족도 개선효과는 이러한 선택편의 문제를

Counterfactual Framework으로 극복한 추정 결과라 할 수 있다 그럼 네트워크 경로 이직과 비네트워크 경로 이직 사이에 뚜렷한 차이가 존재하는지 살펴보도

록 하자 표에서 확인할 수 있듯이 두 경우 모두 이직의 만족도 개선효과가 통계 으로 유의한 수

에서 명확히 확인된다 네트워크 경로의 이직에서는 만족도 개선의 효과가 각기 220 (직장) 158 (직무) 117 (일자리)으로 확인되었고 비네트워크 경로의 이직에서는 각기 263 (직장) 284 (직무) 207 (일자리)으로 확인되었다 흥미로운 부분은 비네트워크 경로의 이직에서 이직

을 통한 만족도 개선의 효과가 소폭 높게 나타난 이다 이는 비네트워크 이직 사례들이 상당수

의 lsquo공개채용rsquo 입사자를 포함하기 때문에 나타난 상으로 보인다 lsquo공개채용rsquo은 주로 종업원 300인 이상의 규모가 큰 기업에서 집 으로 활용되고 있다25) 이들 큰 기업에 lsquo공개채용rsquo으로 입사

한 이들은 그 직장에 비해 주 인 만족도가 크게 향상되었을 것이다 이러한 lsquo공개채용rsquo 사례들이 비네트워크 이직의 만족도 개선효과를 다소 증폭시키는 역할을 하 을 것으로 추정된다

반면 비네트워크 이직을 통한 만족도 개선이 네트워크 이직에 비해 다소 크다고 하여 이것이

24) 이는 분석에 사용된 세 가지 방식의 PSM 추정치들을 산술평균하여 정리한 수치들임 25) 이 부분에 한 구체 인 설명은 발간 정인 한국개발연구원 정책연구시리즈 lsquo인 네트워크(개인의 사회 자본)

의 노동시장 효과 분석rsquo을 참조하기 바란다 ( 자에게 요청시 수령가능함)

이직과정에서의 인 네트워크 요성은 인정되지 않는다는 식으로 해석될 수 없음을 유념하여야

한다 국내 이직과정에서의 인 네트워크 의존도는 해외 주요국에 비해 상당히 높은 수 이다 략 65 안 의 경력직 취업자들이 인 네트워크를 활용하여 구직에 성공하 다고 추정되고 있

다26) 만약 재 이직을 고려하고 있는 국내 한 근로자가 구직활동에서 인 네트워크 활용을 포기

한다면 이 근로자의 이직 성공 가능성은 매우 낮아질 것이다 즉 개인의 이직 성공률을 높이기

해서는 평소에 꾸 한 구직 네트워크 리가 요청된다 할 수 있다 특히 이직수요라는 것은 많은

경우 자신의 의도와는 다르게 외부 충격으로 인해 발생한다 회사의 경제 환경이 변화하기도

하지만 자신의 심사가 바 기도 하고 가족의 갖가지 필요에 의해 이직이 요구되기도 한다 즉 언제 발생할지 모르는 이직수요에 히 응하기 해서는 이직의 주요한 통로라 할 수 있는 인

네트워크에 한 상시 리가 요청되는 것이다 따라서 이직을 고려한 인 네트워크의 상시

리 이를 한 개인의 갖가지 비용 지출은 향후 발생 가능한 험에 처하기 하여 자동

차나 암 보험을 구매하는 것과 같이 기꺼이 지불해야 할 미래에 한 투자라 할 수 있다

26) 역시 한국개발연구원 정책연구시리즈 lsquo인 네트워크(개인의 사회 자본)의 노동시장 효과 분석rsquo을 참조하기 바

란다

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1371) 3662 1201 2460 403

조군(11274) (0610)

Radius Matching 실험군(1362) 3543 1009 2534 436

조군(11274) (0581)

Kernel Matching(Normal) 실험군(1372) 3659 1165 2494 434

조군(11274) (0564)

체 이직효과 평균 362 113 250

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 3309 1169 2140 293

조군(11274) (0730)

Radius Matching 실험군(879) 3231 0939 2292 331

조군(11274) (0693)

Kernel Matching(Normal) 실험군(881) 3309 1146 2162 315

조군(11274) (0686)

네트워크 이직효과 평균 328 108 220

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(380) 4224 1525 2699 224

조군(11274) (1206)

Radius Matching 실험군(373) 3981 1438 2543 217

조군(11274) (1171)

Kernel Matching(Normal) 실험군(381) 4213 1565 2647 230

조군(11274) (1149)

비네트워크 이직효과 평균 414 151 263

lt표 9gt 이직을 통한 직장만족도 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1377) 2850 0701 2149 363

조군(11285) (0592)

Radius Matching 실험군(1368) 2767 0626 2140 381

조군(11285) (0562)

Kernel Matching(Normal) 실험군(1378) 2852 0648 2204 398

조군(11285) (0554)

체 이직효과 평균 282 066 216

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(884) 2302 0808 1494 211

조군(11285) (0707)

Radius Matching 실험군(882) 2256 0658 1598 238

조군(11285) (0670)

Kernel Matching(Normal) 실험군(884) 2302 0654 1648 249

조군(11285) (0661)

네트워크 이직효과 평균 229 071 158

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 3648 0577 3072 269

조군(11285) (1142)

Radius Matching 실험군(374) 3463 0774 2688 245

조군(11285) (1098)

Kernel Matching(Normal) 실험군(382) 3652 0888 2764 257

조군(11285) (1077)

비네트워크 이직효과 평균 359 075 284

lt표 10gt 이직을 통한 직무만족도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1375) 2909 1571 1338 217

조군(11261) (0617)

Radius Matching 실험군(1366) 2818 1276 1543 262

조군(11261) (0588)

Kernel Matching(Normal) 실험군(1376) 2907 1147 1760 303

조군(11261) (0581)

체 이직효과 평균 288 133 155

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(882) 2523 1626 0897 121

조군(11261) (0742)

Radius Matching 실험군(880) 2472 1246 1225 173

조군(11261) (0707)

Kernel Matching(Normal) 실험군(882) 2523 1139 1383 198

조군(11261) (1697)

네트워크 이직효과 평균 251 134 117

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 3609 1499 2110 176

조군(11261) (1196)

Radius Matching 실험군(374) 3409 1530 1879 163

조군(11261) (1151)

Kernel Matching(Normal) 실험군(382) 3599 1365 2235 197

조군(11261) (1133)

비네트워크 이직효과 평균 354 146 207

lt표 11gt 이직을 통한 일자리만족도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이 를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

2 이직을 통한 배치효율성의 변화

다음은 이직의 다른 측면인 일자리 재배치의 문제에 해 살펴보고자 한다 이직은 각 개인

에 있어서는 직장생활의 변화라 할 수 있지만 기업의 입장에서는 노동인력의 교환에 해당한다 따라서 이직을 통한 노동인력의 재배치가 과연 사회 반의 경제 이익을 창출하고 있는지를 따

져 볼 필요가 있다 앞서 lt표 7gt에서 기술수 교육수 교육기술복합지수 이 세 가지 합도에 해 이직자

비이직자 집단 내의 연간 변화를 정리한 바 있다 여기서 비이직자의 경우 각 지수에서 연간 합

도가 소폭 하락한 것으로 나타났고 이직자의 경우 합도가 크게 상승한 것으로 나타났다 비이

직자는 기술수 의 합도에서 0058 이 교육수 의 합도에서 0142 이 그리고 교육기술수

의 복합지수에서는 0091 이 하락한 데 반해 이직자들은 각기 2350 (기술) 2556 (교육) 2422(복합지수)의 합도 상승이 발견되었다 비이직자들의 합도 하락은 기술이나 경제환경의 변

화와 한 련이 있다 경쟁력 있는 기술 이에 한 사회 수요가 시간에 따라 변화하므로 직장에서의 자신의 기술 혹은 교육수 은 (평균 으로 보아) 이 보다 합성이 다소 떨어지게

마련이다 반면 이직자들의 합도 상승이 과연 이직의 순효과인지에 해서는 여 히 의문의 여

지가 크다 이직을 결행한 이들은 이 직장에서의 직무 련 합도가 평균 으로 크게 떨어지는

이들이다 를 들어 최종샘 에서 이직을 하지 않은 이들의 한 해 기술 합도는 평균 9066인 데 반해 이직을 결행한 이들의 한 해 (이 직장에서의) 기술 합도는 평균 8547 에 머무

는 것으로 나타났다 이들은 애 에 워낙 합도가 떨어지기 때문에 굳이 이직을 택하지 않더라

도 직무재배치나 직장 내 부서이동 등을 통하여 1년 사이에 상당한 정도의 합도 개선을 이루었

을 것으로 상된다따라서 이직을 통한 배치효율성의 개선효과 즉 반 인 근로자의 직무 련 합도 상승효

과를 명확히 규명하기 해서는 이직한 이들이 이직을 하지 아니하 을 때에 상되는 합도의

개선을 우선 추정해 볼 필요가 있다 이것은 앞서 설명하 듯이 Counterfactual의 추정을 통해서만

이 가능하다 lt표 12gt lt표 13gt lt표 14gt는 PSM을 이용하여 비이직자들의 정보로부터 이직자들의

Counterfactual을 추정한 뒤 이를 보고하고 있다 세 방식(Five Nearest Neighbors Radius Matching Kernel Matching)의 추정치를 산술평균하면 기술 합도에서는 088 교육 합도에서는 057 교육

기술복합지수에서는 075 의 상승이 확인되었다(각 표의 lsquo매칭된 조군 변화(B)rsquo 항목을 참조) 이를 실험군 즉 실제 이직자들의 합도 상승(각 표의 lsquo실험군 변화(A)rsquo 항목)과 비교하면 순이직

효과는 각기 131 (기술) 183 (교육) 140 (복합지수)에 이르는 것으로 결론지을 수 있다 반

면 교육과 복합지수에서는 이들 순이직효과가 통계 으로 유의하게 나타났으나 기술수 의

합도에서는 이 효과가 통계 으로 뚜렷하지 않았다 10의 유의도에서 검증할 때 Kernel Matching을 제외한 나머지 두 개의 PSM 매칭에서 통계 유의성을 확보할 수 없었다 이에 이직

을 통한 교육수 의 합도 개선효과는 분명한 반면 기술수 의 합도 개선은 통계 으로 입증

되지 않는다고 결론지을 수 있다 교육기술복합지수의 경우 이 두 가지 효과가 첩되어 나타난

것으로 교육수 의 합도 개선이 워낙 뚜렷하기 때문에 통계 으로 유의한 지수상승이 나타난

것으로 단된다 이상과 같이 이직을 통해 교육수 합도의 개선이 보다 효과 으로 이루어지

는 것은 채용과정에서 후보자의 교육수 이 기술수 에 비해 객 인 자료를 이용하여 검증하

기가 보다 용이하기 때문인 것으로 보인다

그럼 이직을 통한 배치효율성 개선 측면에서 인 네트워크의 역할을 살펴보도록 하자 네트

워크 경로 이직과 비네트워크 경로 이직으로 나 어 이직효과를 각기 추정해 보면 둘 사이에 의

외의 뚜렷한 차이가 존재함을 확인할 수 있다 네트워크 경로의 이직인 경우 이직을 통한 합도

개선효과가 통계 으로 유의한 수 에서 매우 높게 나타난다 이직의 순효과는 각기 213 (기술) 252 (교육) 126 (복합지수)에 이른다 반면 비네트워크 경로의 이직인 경우 이 효과는 모두 사

라져 버린다 즉 이직효과는 기술 합도 교육 합도 교육기술복합지수 모두에서 양과 음을 반복

하고 통계 유의성도 확보되지 않는다 즉 비네트워크 경로를 통한 이직에서는 일자리 재

배치를 통한 사회 반의 경제 이득을 기 할 수 없는 것이다 앞서 교육 합도 개선에 있어 이

직의 반 인 효과가 통계 으로 강하게 나타났는데 이 효과의 부분은 비네트워크 경로 이직

보다는 네트워크 경로 이직으로부터 창출된 것임을 짐작할 수 있다 특히 기술 합도를 보면 이직자들의 합도 개선은 네트워크와 비네트워크 이직 사이에 뚜렷

한 차이를 보이는데 네트워크 이직자들의 합도 개선은 평균 292 인 데 반해 비네트워크 이직

자들의 합도 개선은 평균 048 에 그친다 인 네트워크를 활용하지 않고 이직을 하 을 경우 이직을 하 음에도 불구하고 기술 합도의 개선은 평균 으로 거의 기 되지 않는 것이다 이는

앞서 주 만족도의 개선효과와 비교하여 매우 상반된 결과에 해당한다 이직을 통한 주 만

족도의 개선에서는 네트워크와 비네트워크 이직 모두 그 효과가 분명하 으며 특히 비네트워크

이직자들의 주 만족도 개선폭은 3 내지 4 에 이르 다 이는 네트워크 이직자들의 만족

도 개선폭에 비해서도 1 가량 높은 수치 다 따라서 이직이 반 으로 개인의 주 만족도

를 개선하는 효과가 있으나 배치효율성의 개선 측면에서는 오직 인 네트워크에 의존한 이직만

이 재배치의 분명한 경제 효과를 평균 으로 창출한다고 결론지을 수 있다 이러한 네트워크와 비네트워크 사이의 뚜렷한 이직효과의 차이는 네트워크가 지닌 정보 달

기능에 기인한 것으로 단된다 인 네트워크는 구인자와 구직자 사이에 훌륭한 정보 달 기능

을 수행하고 있다 구직자에게는 어떠한 일자리가 구직자의 기술능력 혹은 교육수 에 비추어

합한지에 한 정보를 제공하고 구인자에게는 구인자가 필요로 하는 합한 기술의 소유자가

구인지에 한 정보를 제공하는 것이다 이는 평소에 구인자와 구직자 모두를 아우르는 간 매개

로서의 인 네트워크가 있었기에 가능한 것이다 반면 비네트워크에서는 이러한 효과를 기 하

기 힘들다 비네트워크 채용에서는 주어진 서류와 단시간의 인터뷰 혹은 직무능력 테스트만을 가

지고 합한 인력을 선발하여야 한다 lsquo공개채용rsquo의 경우 많은 지원자들의 경쟁을 거치므로 상으로 보다 합한 후보자를 선별할 수 있을 것이다 그러나 lsquo직 찾아가서rsquo 형태의 입사에서는

이러한 경쟁의 과정 역시 생략되므로 높은 합도를 지닌 후보의 채용은 더욱 기 하기 힘들다 정리하자면 인 네트워크는 국내 노동시장에서 일자리와 일자리 후보 사이의 활발한 정보 달

기능을 수행함으로써 노동시장의 효율 작동을 돕고 있는 것이다 끝으로 이러한 네트워크 이직의 배치효율성이 모든 이직 사례에 일 으로 용되는 것이

아님을 주지할 필요가 있다 인 네트워크가 구인과 구직 사이의 lsquo연결(Networking)rsquo 기능을 수행

할 때 이상의 정 인 효과를 기 할 수 있을 것이나 이 둘 사이의 lsquo연 rsquo로서 기능할 때는 오히

려 역효과를 래할 수 있다 즉 인 네트워크를 통하여 합하지 않은 지원자를 연 로 채용시

키는 경우 해당 일자리에 한 매치 합성은 네트워크 이직으로 인해 오히려 감퇴할 수 있다 우리는 이상의 분석을 통하여 국내 노동시장에서 네트워크 이직의 반 인 교육 기술 수

합도 개선효과를 확인한 바 있다 이는 국내 노동시장의 고용 로세스에서 lsquo연 rsquo의 부정 효과

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1374) 2220 1095 1124 121

조군(11245) (0929)

Radius Matching 실험군(1365) 2088 0735 1353 155

조군(11245) (0874)

Kernel Matching(Normal) 실험군(1375) 2255 0795 1460 168

조군(11245) (0869)

체 이직효과 평균 219 088 131

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 2951 0919 2032 181

조군(11245) (1125)

Radius Matching 실험군(879) 2844 0746 2098 198

조군(11245) (1057)

Kernel Matching(Normal) 실험군(881) 2951 0702 2250 214

조군(11245) (1049)

네트워크 이직효과 평균 292 079 213

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 0525 2297 -1772 -096

조군(11245) (1840)

Radius Matching 실험군(374) 0267 0868 -0600 -034

조군(11245) (1753)

Kernel Matching(Normal) 실험군(382) 0654 1297 -0642 -037

조군(11245) (1746)

비네트워크 이직효과 평균 048 149 -100

보다는 구인구직 간 lsquo연결rsquo이라는 네트워크의 정 효과가 보다 강하게 작동하고 있음을 시사

한다

lt표 12gt 이직을 통한 기술적합도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1380) 2428 0630 1797 193

조군(11300) (0931)

Radius Matching 실험군(1371) 2298 0496 1802 207

조군(11300) (0872)

Kernel Matching(Normal) 실험군(1381) 2462 0586 1876 216

조군(11300) (0869)

체 이직효과 평균 240 057 183

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(886) 3047 0342 2705 245

조군(11300) (1106)

Radius Matching 실험군(884) 2885 0528 2357 227

조군(11300) (1037)

Kernel Matching(Normal) 실험군(886) 3047 0551 2496 243

조군(11300) (1029)

네트워크 이직효과 평균 299 047 252

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(382) 1702 2007 -0305 -016

조군(11300) (1891)

Radius Matching 실험군(375) 1600 0559 1041 058

조군(11300) (1788)

Kernel Matching(Normal) 실험군(383) 1828 0910 0917 051

조군(11300) (1793)

비네트워크 이직효과 평균 171 116 055

lt표 13gt 이직을 통한 교육적합도의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1374) 2293 0893 1399 155

조군(11245) (0904)

Radius Matching 실험군(1365) 2161 0641 1520 179

조군(11245) (0850)

Kernel Matching(Normal) 실험군(1375) 2327 0711 1616 191

조군(11245) (0847)

체 이직효과 평균 226 075 140

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(881) 2951 0643 2308 212

조군(11245) (1087)

Radius Matching 실험군(879) 2816 0662 2154 211

조군(11245) (1021)

Kernel Matching(Normal) 실험군(881) 2951 0645 2306 228

조군(11245) (1014)

네트워크 이직효과 평균 291 065 226

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 1115 2233 -1118 -062

조군(11245) (1816)

Radius Matching 실험군(374) 0936 0749 0187 011

조군(11245) (1727)

Kernel Matching(Normal) 실험군(382) 1243 1131 0112 007

조군(11245) (1726)

비네트워크 이직효과 평균 110 137 -027

lt표 14gt 이직을 통한 교육기술복합지수의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

3 이직을 통한 임금수준의 변화

다음은 이직을 통한 임 수 의 변화가 실재하는지 검토하고자 한다 네트워크 이직과 비네트

워크 이직을 나 어 볼 때 앞서 우리는 네트워크 이직이 일자리 매치 합도를 히 개선한다

고 밝힌 바 있다 임 이 근로자의 생산성 기여분을 그 로 반 한다고 한다면 네트워크 이직에

따른 매치 합도의 개선은 근로자의 임 상승으로 이어져야 할 것이다 앞서 lt표 7gt의 단순비교에서 이직자들의 연간 임 상승분이 평균 9088만원 비이직자들의 연

간 임 상승분은 2782만원으로 집계된 바 있다 둘 사이의 격차가 6307만원에 이른다 한 해 사

이에 이직한 이들의 연간 임 상승폭이 직장을 그 로 유지한 이들의 연간 임 상승폭 보다

히 높은 수 인 것이다 하지만 이러한 단순비교는 선택편의(Selectoin Bias) 문제를 역시 고려하지

않고 있으므로 이직의 직 인 임 상승효과라 볼 수는 없다 즉 실제로 이직을 결행한 이들의

이직 임 수 은 같은 시기 직장을 그 로 유지한 이들에 비해 상 으로 낮은 수 일 가능

성이 높다 이들이 직장을 그 로 유지하 다면 다른 이들에 비해 히 높은 수 의 임

상승을 경험하 을 것이다 실제 이직한 이들이 만약 이직을 하지 않고 직장을 그 로 유지하

을 때 상되는 임 상승분 즉 이직자 임 상승분의 Counterfactual을 PSM 방식을 활용하여 추

정한 수치가 lt표 15gt의 lsquo 조군 변화(B)rsquo에 요약되어 있다 이에 따르면 실제 이직자들이 이직을

하지 않았을 때 기 할 수 있는 임 상승분은 략 5만원 정도에 이르는 것으로 나타난다 따라

서 이직에 따른 임 상승의 순효과는 앞서 제시한 6307만원이 아닌 이보다 상당히 축소된 386만원이다 이는 lt표 15gt에 정리된 바와 같이 PSM을 활용한 세 가지 추정치의 산술평균으로 추산

된 값이다 한 이러한 이직의 임 상승효과는 통계 으로도 유의한 것으로 확인되었다 반면 네트워크 경로 이직자와 비네트워크 경로 이직자의 임 상승분을 비교해 보면 둘 사이

에 상당한 격차가 존재함을 쉽게 확인할 수 있다 네트워크 이직자들의 이직을 통한 임 상승효과

는 통계 으로 유의한 수 에서 략 384만원으로 추정되는 반면 비네트워크 이직자들의 임

효과는 -077만원이고 이는 통계 으로도 유의하지 않다 즉 네트워크를 활용하여 이직하 을

때 뚜렷한 임 상승이 기 되는 반면 인 네트워크를 활용하지 않고 이직하 을 때는 이 효과

를 확신할 수 없을 뿐더러 다소 하락할 가능성도 있는 것이다 따라서 앞서 확인된 이직을 통한

반 인 임 상승의 효과는 네트워크 이직을 통해 창출된 효과이며 비네트워크 이직을 통한

기여는 뚜렷하지 않은 것으로 결론지을 수 있다이직은 새로운 일자리에 자신의 기술 직무 능력을 응시키는 과정이다 따라서 임 상승

효과가 이직 기에 항상 담보되지는 않을 것이다 반면 인 네트워크를 활용하 을 때 자신에

게 보다 합한 일자리에 배치됨으로써 즉 자신의 능력과 잠재력을 보다 잘 발휘할 수 있는 직무

에 재배치됨으로써 이상의 추가 인 임 상승을 기 할 수 있는 것이다 이는 앞서 이직을 통한

배치효율성 검증에서 확인되었던 네트워크 이직의 기술수 (혹은 교육수 ) 합도 상승효과와

일맥상통하는 결과이다 인 네트워크를 활용한 이직은 임 근로자를 보다 합한 일자리에 재

배치하는 데 일조하고 이것이 생산성에의 보다 높은 기여를 창출함으로써 이직자들의 추가 인

임 상승으로 이어지는 것이다물론 이러한 해석은 평균 인 추세를 반 한 것임에 유념할 필요가 있다 네트워크 이직의 사례

에는 앞서 말한 생산 인 lsquo연결rsquo 효과가 아닌 비생산 인 lsquo연 rsquo 효과 혹은 정실인사(Nepotism)가

작동한 경우들도 상당할 것이다 이 경우 생산성에의 기여가 충분하지 않음에도 불구하고 기술이

나 능력에 비해 임 을 후하게 설정할 가능성이 높다 이러한 lsquo연 rsquo형 이직을 통한 임 상승 역

시 네트워크 이직의 임 상승효과라 볼 수는 있겠으나 이것이 일자리 배치효율성의 개선을 반

한다고 볼 수는 없는 것이다 따라서 앞서 추정한 네트워크 이직의 임 상승효과 384만원이

으로 일자리 매치 합도 개선효과에서 기인한다고 단정 지을 순 없다 한 비네트워크 이직 역

시 평균 으로 임 상승의 효과가 포착되지 않은 것일 뿐 비네트워크 이직의 표본 에는 실제로

임 이 크게 상승한 사례들도 상당히 존재할 수 있다 를 들어 lsquo공개채용rsquo 방식의 입사인 경우 경합자들에 비해 채용 합격자의 해당 일자리 합성이 보다 우수하다고 단되어 채용된 사례가

많을 것이다 이 게 경쟁을 거쳐 채용된 이들은 이 에 비해 상당히 높은 수 의 임 상승을 기

할 수 있다 반면 비네트워크 이직에서 반 인 임 상승의 효과가 포착되지 않는 것은 비네트워크 이직

이 격한 주 만족도의 개선을 이끌었던 것과 비교하여 매우 조 인 상이다 많은 이들의

상식과는 달리 이직의 결정은 임 만족도 수 과 직결되어 있지 않다 앞서 제4 에서 우리는 이

직의 향요인들을 분석해 본 바 있다 이직의 결정이 업무만족도 복지후생만족도 취업 안정성에

한 만족도 등 다양한 요소에 민감하게 반응하는 반면 임 에 한 만족도와는 통계 으로 유의

한 수 에서의 연 성이 포착되지 않았다 개인의 이직 결정은 임 이외에 다양한 요소들을 종합

으로 고려한 단 결과라 할 수 있다 체로 이직은 다양한 방면에서 개인의 주 만족도를

격하게 향상시킨다 반면 자신의 기술(교육)수 과 일자리의 매치 합성의 문제는 이직자들에

게는 부차 인 고려 상에 해당한다 임 수 의 개선 역시 이직 시 고려되는 한 요소이겠으나 인 요소는 아니고 다양한 향요인 의 하나로 볼 수 있는 것이다 이러한 에서 비네트워

크 이직이 다소 상반된 효과(즉 주 만족도의 한 개선효과와 미미한 수 의 임 개선효

과)를 동시에 보여주고 있는 것은 일견 자연스러운 상이다

매칭방식비교집단

(샘 수)실험군

변화(A)

매칭된

조군

변화(B)

이직효과 (A-B)(표 오차)

T-stat

체 이직효과

Five Nearest Neighbors 실험군(1375) 8887 5274 3613 184

조군(11340) (1962)

Radius Matching 실험군(1366) 8842 4813 4029 208

조군(11340) (1936)

Kernel Matching(Normal) 실험군(1376) 8861 4916 3945 206

조군(11340) (1880)

체 이직효과 평균 886 500 386

네트워크 경로 이직효과

Five Nearest Neighbors 실험군(882) 8943 5519 3423 150

조군(11340) (2285)

Radius Matching 실험군(880) 8827 4855 3972 178

조군(11340) (2231)

Kernel Matching(Normal) 실험군(882) 8943 4819 4124 186

조군(11340) (2217)

네트워크 이직효과 평균 890 506 384

비네트워크 경로 이직효과

Five Nearest Neighbors 실험군(381) 4772 5672 -0900 -024

조군(11340) (3685)

Radius Matching 실험군(374) 4805 5201 -0396 -011

조군(11340) (3661)

Kernel Matching(Normal) 실험군(382) 4691 5716 -1025 -028

조군(11340) (3601)

비네트워크 이직효과 평균 476 553 -077

lt표 15gt 이직을 통한 임금수준의 변화

주 1 Five Nearest Neighbors Matching에서는 Caliper를 0005로 Radius Matching에서는 이를 0002로 설정함 한

Kernel Matching에서는 Kernel로 정규분포를 사용하고 Bandwidth는 001로 설정함2 는 유의수 10 는 유의수 5 는 유의수 1를 의미함

VIII 구직 네트워크의 사회적 자본 추정

근로자 개인의 측면에서 구직 네트워크의 가치를 추정해 보자 앞서 네트워크 이직을 통한 임

상승효과를 3840만원으로 추정하 다 이는 2008년 기 액이다 연간 물가상승률을 감안하

면27) 2010년 재가로 4074만원에 해당한다 평소에 구직 네트워크를 히 리하여 이직에서

이를 활용한다면 한 번의 이직으로 4만원 안 의 추가 인 임 상승을 기 할 수 있는 것이다 연으로는 489만원 가량의 임 이 이직 이후 매년 추가 으로 지 되는 것으로 해석될 수 있다28)

한편 이직이라는 것은 근로자의 생애를 걸쳐 발생하는 사건이다 임 근로자를 심으로 한

재의 최종샘 에서 연간 일자리 이동비율은 평균 993에 이른다 직종 업종에 따라 혹은 재

직 회사의 규모에 따라 이직률에는 상당한 차이가 있겠으나 체 임 근로자를 상으로 하 을

때 략 10년에 한 번 정도의 이직이 상되는 것이다 임 근로자의 생애를 걸쳐 살펴보면

이직은 주로 직장생활 후기보다는 기에 집 되어 있다 [그림 5]는 최종샘 15705명 임 근로

자를 상으로 한 각 연령별 이직률 추이를 나타낸다 생애 이직률은 20 후반에 가장 높고 30 반에 주춤하다가 30 후반에 다시 상승하고 40 이후에 하강하는 추세임을 확인할 수

있다

[그림 5] 연령별 이직률(26세부터 59세까지)

(단 )

0

2

4

6

8

10

12

14

16

18

26 28 30 32 34 36 38 40 42 44 46 48 50 52 54 56 58

연령(만)

자료 노동패 5차부터 10차까지

이를 활용하면 임 근로자 한 사람이 평생에 걸쳐 기 할 수 있는 이직의 임 상승효과를 추

정해 볼 수 있다 첫 취업의 평균연령이 265세임을 고려하여 표 인 임 근로자(A Representative Worker)가 26세부터 60세까지 노동시장에 참여한다고 가정해 보자 인 네트워크

27) 여기에 연평균 물가상승률 3를 용하 다 실제 임 상승률도 2009년의 임 이 융 기 여 로 거의 동결이었

음을 고려할 때 2년간 략 6에 해당한다 28) 여기서는 네트워크 이직의 임 리미엄(연 489만원 상승)이 이직 후 매년 지속된다고 가정하고 있다 실제로

리미엄이 상당 기간 지속되는지 아니면 이직 후 빠르게 축소되는지에 한 국내 실증분석은 향후 과제로 남겨져

있다

를 활용한 이직만이 평균 인 임 상승효과를 가져온다는 을 고려할 때 구직 네트워크의 생애

가치()는 다음과 같이 요약된다29)

times timestimestimes (11)

여기서 는 연령 에서의 상 이직률(Job Transfer Rate)을 나타낸다 은 이직 시 인 네

트워크에 한 의존도 수 이다 는 네트워크 이직에 따른 월평균 임 상승의 효과이다 여기

에 [그림 5]에 요약된 이직률의 생애 추이를 에 입하자 여기서 경력직 이직자의 인 네트

워크 의존도가 60 반(plusmn5 이내)으로 추산된 을 고려하여 에 64를 입하도록 하자30) 그리고 에 앞서 추정한 네트워크 이직의 임 상승효과 4074만원(2010년 기 )을 입하면 구직 네트워크의 생애 가치()는 18720만원으로 집계된다 만약 에 이직률의 생애 추

이 신 최종샘 에서 구한 평균이직률 993를 연령 에 걸쳐 일률 으로 사용한다면 이와

유사한 수치인 18486만원을 얻을 수 있다 따라서 한국사회 임 근로자 한 사람의 구직 네트워크

가치는 보상 측면에서 략 일천 1870만원 수 인 것으로 결론지을 수 있다 물론 이 수치는 이직을 통한 이득만을 반 하고 있을 뿐 주 만족도의 개선효과는

반 하고 있지 않다 앞서 우리는 일자리 이동을 통해 창출되는 개인의 만족도 변화를 직장만족

도 직무만족도 일자리만족도 이 세 가지 측면에서 고려해 보았다 네트워크 이직과 비네트워크

이직 모두 만족도의 개선효과를 보 다 그러나 국내 노동시장에서 이직의 약 60 이상이 인

네트워크에 의존하고 있음을 고려할 때 임 근로자 한 개인이 구직 네트워크를 리하지 않는다

면 그의 이직률은 에서 60 이상 추락할 것이다 이를 고려하여 구직 네트워크의 생애 만족

도 개선효과()를 다음과 같이 요약할 수 있다31)

timestimestimestimes (12)

여기서 는 네트워크 이직을 통한 주 만족도의 개선폭을 나타낸다 앞서 네트워크 이직

이 창출하는 주 만족도의 개선효과가 100만 에서 220 (직장만족도) 158 (직무만족도) 117 (일자리만족도) 정도임을 확인하 다 이 세 수치의 평균치가 네트워크 이직의 만족도 개선

효과를 히 변하고 있다고 한다면 의 략 인 추정치는 165 이 된다 이를 입하면

구직 네트워크의 만족도 개선효과는 략 7582 으로 추산된다 만족도 1 을 으로 환산하

여 만원에 해당한다고 표시하면 구직 네트워크의 임 근로자 일인당 생애가치()는 임

상승효과()와 만족도 개선효과()의 합으로써 다음과 같이 요약된다

equiv (=18720+7582) (13)

구직 네트워크의 가치 (18720+7582n)만원이 함의하는 바를 명확히 규정하기는 쉽지 않다 특히 개인마다 일자리에서 얻는 주 만족도를 가치로 환산하는 방식이 다를 것이다 를 들

29) 구직 네트워크의 재 가치를 추산하기 해서는 시간할인률을 용할 필요가 있으나 여기서는 이를 생략하 다 시간할인률이 용된 추정치는 재 계산된 값보다 다소 하락할 것이다

30) 이에 한 보다 구체 인 설명은 본 논문의 보다 상세한 내용이 실린 한국개발연구원 정책연구시리즈로 출간 정

인 lsquo인 네트워크(개인의 사회 자본)의 노동시장 효과 분석rsquo 보고서를 참조 바란다 31) 앞서와 마찬가지로 구직 네트워크의 재 가치를 추산하기 해서는 시간할인률을 용할 필요가 있으나 여기서는

이를 생략하 다 시간할인률이 용된 추정치는 재 계산된 값보다 다소 하락할 것이다

어 어떤 이들에게는 이득만이 요하고 주 만족도는 경시될 수 있다 이들에게 n은

lsquo0rsquo에 가까운 것이다 반면 다른 이들에게는 일자리에서 얻는 주 만족도가 임 소득보다

몇 배 이상 요할 수 있다 이들에게 n은 1보다 큰 양수가 될 것이다 구직 네트워크의 가치를 수

치로 악해 보고자 n=1인 근로자를 상정해 보자32) 이 사람에게 만족도 1 은 1만원만큼의

효용을 창출한다 이 근로자에게 구직 네트워크의 종합 가치는 26302만원에 이른다고 평가할

수 있다 이러한 구직 네트워크의 종합 가치를 개인의 물 혹은 인 자본과 별하여 근로자

개인의 구직 네트워크 사회 자본이라 명할 수 있다추정한 구직 네트워크의 가치인 (18720+7582n)만원은 한국사회의 임 근로자 각 개인이 구직

네트워크의 유지 리를 하여 기꺼이 지불할 용의가 있는 비용을 나타낸다 만족도 1 이 1만원의 효용이 있다면 즉 n=1이라면 이는 1224개월치 월 ( 략 일년치 연 )에 해당한다33) 이는 결코 작지 않은 액수이다 한국사회의 구성원들은 다양한 방식으로 네트워크를 리하고 있다 동창회 동호회 업계 계자와의 술자리 각종 경조사 참여 Social Network Service(SNS) 활동 등

이 이에 해당한다 이들 활동은 그 자체로서 정서 효용을 창출하지만 생 인 경제 이득

한 간과할 수 없다 이는 업무에 필요한 유용한 정보의 획득이나 업거래망의 확장이기도 하고 구직 네트워크의 변 확 자기 PR(Public Relations)이기도 하다 네트워크의 리는 그에 상

응하는 비용을 수반한다 이는 만남에 따른 지출에서부터 시간사용까지를 포함한다 구직

네트워크의 효과성 측면에서 보았을 때 한국사회 근로자 개인은 상당한 비용( 를 들어 n=1인 경

우 략 일년치 연 에 해당하는 비용)을 구직 네트워크의 유지 리를 하여 생애를 거

쳐 기꺼이 지불할 용의가 있다고 볼 수 있는 것이다

IX 결론

이제까지 우리는 국내 고용시장에서의 인 네트워크 활용의 효과성을 다각 인 측면에서 살

펴보았다 인 네트워크를 활용한 이직의 직장생활만족도 개선효과는 100 만 에 약 165 34)

에 달하는 것으로 확인되었으며 직무 합도 개선효과는 100 만 에 약 197 35)에 이르는 것으

로 나타났다 한 인 네트워크를 활용한 이직은 임 상승을 동반하는데 그 규모는 월평균 임

으로 4074만원(2010년 기 )인 것으로 확인되었다 반면 인 네트워크를 활용하지 않은 이직

에서도 직장생활만족도의 개선효과가 일부 포착되었으나 일자리 합도에 한 개선이나 임 상

승효과는 확인되지 않았다 즉 구인자와 구직자를 연결시켜주는 인 네트워크의 효율 인 정보

달 기능이 확인된 것이다 이를 통해 임 근로자 개인의 구직 네트워크의 가치 즉 lsquo네트워크 사

회 자본rsquo을 추정해 보면 구직 네트워크의 생애 가치는 18720만원으로 집계되었으며 여기에 주 만족도에 한 보상 측면까지 고려하면 만족도 1 의 가치를 만원으로 환산

할 때 략 (18720+7582)만원에 이르는 것으로 집계되었다

32) 실제로 일반 인 수 에서 n은 1보다 상당히 클 것으로 상된다 주어진 표본에서 주 만족도의 평균은 략

55 내외인 반면 임 수 의 평균은 략 200만원 내외이다 즉 두 수치의 Scale이 네 배 가량 차이가 난다 33) 26302만원을 차수 임 수 (20247만원)의 2010년도 기 가치인 2148만원으로 나 면 1224개월이 나온다 34) 직장만족도 개선효과 220 직무만족도 개선효과 158 일자리만족도 개선효과 117 의 산술평균값 용 시 35) 기술 합도 개선효과 213 교육 합도 개선효과 252 교육기술복합지수 개선효과 126 의 산술평균값 용

참 고 문 헌

고용노동부 985172고용노동백서985173 2010김동헌김상호 「직업탐색과 자발 이직」 2001 경제학 공동학술 회 발표문 2010 김성훈 「사회연결망과 공식경로를 통한 첫 취업의 개인 결과와 사회 결과」 985172한국사회학985173 제39집 제1호

2005 김성훈 「 문직의 취업경로 사회연결망과 공식경로를 심으로」 985172한국사회학985173 제40집 제5호 2006 김성훈 「취업자의 사회연결망 활용에 한 향요인 연구」 985172노동경제논집985173 제26권 제3호 2003김용학 985172사회연결망 이론985173 박 사 2003류석춘 외 985172한국의 사회자본 역사와 실985173 백산출 사 2008 송호근김우식이재열 985172한국사회의 연결망 연구985173 서울 학교 출 부 2004안재희 985172구직과 제도 사회자본985173 한국학술정보(주) 2008우천식 편 985172한국경제사회와 사회 자본985173 한국개발연구원 2007이 면나인강 「직장만족도와 이직행 에 한 패 분석」 985172제5차 한국노동패 학술 회 논문집985173 2004이 면나인강 「비정규직의 이직 이직사유 근속기간에 한 연구」 985172제6차 한국노동패 학술 회 논

문집985173 2005이상호 「노동패 의 주 만족도 측정」 985172노동리뷰985173 통권 제17호 2006 pp77~86이병훈 「구직활동의 향요인에 한 탐색 연구」 985172노동경제논집985173 제25권 제1호 2002 pp1~21 통계청 985172경제활동인구조사985173 2010한국노동연구원 985172사업체패 조사985173 2007KDI 국제정책 학원 985172사회 자본 확충을 한 기본조사 정책연구985173 2007

Blau David and Philip Robins ldquoJob Search Outcomes for the Employed and Unemployedrdquo Journal of Political Economy 98(3) 1992 pp637~655

Bourdieu P ldquoThe Forms of Capitalrdquo in J G Richardson (ed) Handbook of Theory and Research for the Sociology of Education New York Greenwood 1986

Cochran William and Donald Rubin ldquoControlling Bias in Observational Studies A Reviewrdquo Sankhya 35 1973 pp417~446

Datcher Linda ldquoThe Impact of Informal Networks on Quit Behaviorrdquo Review of Economic Statistics 65(3) 1983 pp491~495

Dawid A ldquoConditional Independence in Statistical Theoryrdquo Journal of Royal Statistical Society B 41 1979 pp1~31

Dehejia R and S Wahba ldquoCausal Effects in Nonexperimental Studies Reevaluating the Evaluation of Training Programsrdquo Journal of the American Statistical Association 94 1999 pp1053~1062

Dehejia R and S Wahba ldquoPropensity Score-Matching Methods for Nonexperimental Causal Studiesrdquo The Review of Economics and Statistics 84 2002 pp151~161

Glaeser E D Laibson and B Sacerdote ldquoAn Economic Approach to Social Capitalrdquo The Economic Journal 112 2002

Gottschalk P and T Maloney ldquoInvoluntary Termination Unemployment and Job Matching A Test of Job Search Theoryrdquo Journal of Labor Economics 3 1985 pp109~123

Granovetter Mark S Getting A Job A Study of Contracts and Careers Chicago University of Chicago Press 1975

Heckman J H Ichimura J Smith and P Todd ldquoCharacterizing Selection Bias Using Experimental Datardquo Econometrica 66 1998 pp1017~1098

Heckman J H Ichimura and P Todd ldquoMatching as an Econometric Evaluation Estimator Evidence from Evaluating a Job Training Programrdquo Review of Economic Studies 64 1997 pp605~654

______ ldquoMatching as an Econometric Evaluation Estimatorrdquo Review of Economic Studies 65 1998 pp261~294Knack S and P Keefer ldquoDoes Capital Have and Economic Payoff A Cross Country Investigationrdquo Quarterly

Journal of Economics 62 1997 pp1251~1288 Lin Nan Social Capital A Theory of Social Structure and Action Cambridge Cambridge University Press 2001 Lin Nan Karen Cook and Ronald Burt (eds) Social Capital Theory and Research Aldine Transaction 2001 Marmaros David and Bruce Sacerdote ldquoPeer and Social Networks in Job Searchrdquo European Economic Review 46

2002 pp870~879Putnam Robert D Bowling Alone The Collapse and Revival of American Community New York Simon and

Schuster 2000Rosenbaum J S DeLuca S Miller and K Roy ldquoPathways into Work Short- and Long-Term Effects of Personal

and Institutional Tiesrdquo Sociology of Education 72(3) 1999 pp179~196Rosenbaum P and D Rubin ldquoThe Central Role of the Propensity Score on Observational Studies for Causal

Effectsrdquo Biometrika 70 1983 pp41~55Rubin D ldquoEstimating Causal Effects of Treatments in Randomized and Non-randomized Studiesrdquo Journal of

Educational Psychology 66 1974 pp688~701Simon Curtis and Warner John ldquoMatchmaker Matchmaker The Effect of Old-Boy Networks on Job Match

Quality Earnings and Tenurerdquo Journal of Labor Economics 10(3) 1992 pp306~330Todd Petra ldquoMatching Estimatorsrdquo unpublished manuscript 2006

성공한 구직방법

일자리 진입방식

합계공개

채용스카우트

소개나

추천

찾아가서기타

1 학교나 학원12 0 26 4 0 42

(395) (0) (301) (069) (0) (233)

2 교수나 교사2 0 8 0 0 10

(066) (0) (093) (0) (0) (055)

3 친구나 친지5 2 509 28 2 546

(164) (125) (5898) (48) (556) (303)

4 공공 안내소3 0 7 9 4 23

(099) (0) (081) (154) (1111) (128)

5 사설 안내소3 0 29 16 1 49

(099) (0) (336) (274) (278) (272)

6 매체 고53 1 21 209 13 297

(1743) (625) (243) (3585) (3611) (1648)

7 직 탐문2 0 13 85 0 100

(066) (0) (151) (1458) ((0) (555)

8 가족1 1 21 2 0 25

(033) (625) (243) (034) (0) (139)

9 인터넷205 3 22 179 9 418

(6743) (1875) (255) (307) (25) (232)

10 희망직장

지인

7 3 90 20 0 120(23) (1875) (1043) (343) (0) (666)

11 업무상

지인

6 4 102 18 0 130(197) (25) (1182) (309) (0) (721)

12 기타 5 2 15 13 7 42

(164) (125) (174) (223) (1944) (233)

합 계304 16 863 583 36 1802

(100) (100) (100) (100) (100) (100)

lt부표 1gt 경력직 취업자(1802명)의 일자리 진입방식별 구직방법의 분포

주 1 노동패 6차부터 10차까지의 신규 일자리 진입자 경력직 취업자를 상으로 함 2 ( ) 안은 각 일자리 진입방식에 한 성공한 구직방법의 백분율임

Block

번호

직장유지의

직무유지의

향성별 나이 나이

2 교육

혼인

여부

정규직

여부

첫(혹은

두 번째)

일자리

(로그)

격차 격차 격차 격차 격차 격차 격차 격차 격차 격차

1164 116 048 -102 -14913 -003 003 009 000 007

(455) (395) (011) (207) (19454) (044) (005) (004) (009) (013)

2-254 050 003 007 -1629 -022 -006 004 -002 001

(203) (191) (006) (123) 11232 (020) (004) (004) (006) (007)

3036 -076 002 -094 -7067 -001 000 -004 008 001

(131) (129) (004) (088) (7870) (012) (003) (003) (004) (004)

4-079 -117 -001 071 6428 000 -004 -002 001 -005

(128) (122) (004) (079) (6861) (010) (003) (003) (004) (003)

5026 144 -005 068 6211 -012 004 000 -006 -001

(142) (144) (004) (077) (6201) (010) (004) (003) (004) (004)

6061 152 -008 -043 -3655 006 002 002 -007 007

(151) (151) (004) (073) (5661) (010) (004) (004) (004) (004)

7010 -134 -002 043 2726 003 -002 001 003 001

(133) (131) (004) (058) (4296) (008) (004) (003) (003) (003)

8045 173 008 044 3233 007 000 -001 -001 -003

(146) (143) (004) (052) (3615) (007) (004) (003) (003) (003)

9128 -010 000 061 3033 -016 -003 006 -010 004

(259) (246) (006) (065) (3930) (012) (005) (006) 006 (006)

10500 114 013 -035 -1626 004 000 007 001 -003

(407) (394) (009) (081) (4454) (017) (007) (008) (009) (009)

lt부표 2-Agt Propensity Score 각 구간(Block)에 대한 Mean-Difference Statistical T-test 결과(I)

주 1 Untreated Group과 Treated Group의 각 항목에 한 Mean Difference를 테스트함 2 표시는 5 유의도 수 에서 테스트를 통과하지 못한 항목을 표시함3 ( ) 안은 표 오차임

lt부표 2-Bgt Propensity Score 각 구간(Block)에 대한 Mean-Difference Statistical T-test 결과(II)

Block

번호

(로그)2 종업원 규모 교육 합도 임 만족도근무

환경 만족도

일자리

만족도

서비스 매직

여부

농어업 종사

여부

정규직 times

교육

직장 times

직무유지의향

격차 격차 격차 격차 격차 격차 격차 격차 격차 격차

1052 054 202 656 -048 -101 002 001 003 25954

(147) (053) (379) (564) (480) (421) (005) (003) (047) (60638)

2-006 043 046 047 -303 -182 002 000 -004 -9827

(073) (027) (197) (247) (220) (188) (002) (001) (026) 25462

3006 011 -151 -030 255 013 -002 000 -011 -246

(041) (017) (158) (156) (142) (117) (002) (000) (018) (15776)

4-052 000 -075 -111 -046 -005 -004 000 -011 -10585

(034) (015) (155) (137) (133) (110) (002) (001) (016) (14203)

5-008 006 053 -047 -017 -036 003 000 -004 17636

(035) (017) (176) (152) (144) (123) (003) (001) (018) (16213)

6063 -005 273 049 211 040 -006 001 015 14659

(035) (017) (201) (150) (145) (124) (003) (001) (019) (16225)

7008 -018 -045 016 -031 005 005 000 010 -10640

(029) (014) (174) (127) (127) (108) (003) (001) (016) (13577)

8-022 -014 028 -028 -163 086 000 000 -001 6766

(028) (014) (189) (127) (131) (111) (003) (000) (017) (13784)

9037 -013 143 133 046 -070 001 -002 015 -1116

(047) (021) (371) (204) (227) (187) (006) (002) (029) (21779)

10-028 021 077 161 -247 -113 -013 002 019 13295

(074) (026) (612) (352) (366) (340) (009) (002) (038) (30459)

주 1 Untreated Group과 Treated Group의 각 항목에 한 Mean Difference를 테스트함 2 표시는 5 유의도 수 에서 테스트를 통과하지 못한 항목을 표시함3 ( ) 안은 표 오차임

Page 21: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal
Page 22: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal
Page 23: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal
Page 24: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal
Page 25: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal
Page 26: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal
Page 27: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal
Page 28: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal
Page 29: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal
Page 30: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal
Page 31: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal
Page 32: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal
Page 33: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal
Page 34: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal
Page 35: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal
Page 36: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal
Page 37: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal
Page 38: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal
Page 39: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal
Page 40: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal
Page 41: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal
Page 42: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal
Page 43: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal
Page 44: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal
Page 45: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal
Page 46: 인적 네트워크의 노동시장 효과 분석²½제학공동_2011_김영철... · 2017. 9. 2. · 다. 또한 이외에도, Granovetter(1975) 이후 비공식경로(Informal