국민의 복잡 다양한 복지수요에 대응하기 위하여 각종 사회보장 급여의 신설 변경(수정 보완)이 지속적으로 이루어지고 있다. 이처럼 사회보장 급여를 신규로 만들고 수정하는데 앞서 행 재정적으로 발생가능한 문제점에 대비하기 위하여 수급변동을 정확하게 예측할 수 있는 시뮬레이션이 요구된다. 하지만 관련 선행 연구가 미흡하고 신규 대상자의 데이터 수집이 어렵기 때문에 수급 시뮬레이션을 수행하는 것은 불가능한 실정이다. 본 연구는 사회보장 급여의 수급 시뮬레이션을 수행하기 위한 시론적인 차원에서 '10년 인구 총조사 마이크로 데이터를 기반으로 재정패널 데이터와 통계적 매칭을 통해 소득재산이 포함된 전국민 기초 데이터를 생성하고, '10년 기준으로 대상자 규모가 가장 큰 급여 가운데 하나인 기초노령연금에 대해 마이크로 시뮬레이션 방법론을 적용하여 수급 시뮬레이션을 수행하였다. 아울러, 시뮬레이션 기초데이터와 재정 패널 데이터, 기초노령연금 시범분석 결과와 기초노령연금 실제 수급자 데이터에 대한 비교를 통해 분석결과의 정합성을 검증하였다.
국민의 복잡 다양한 복지수요에 대응하기 위하여 각종 사회보장 급여의 신설 변경(수정 보완)이 지속적으로 이루어지고 있다. 이처럼 사회보장 급여를 신규로 만들고 수정하는데 앞서 행 재정적으로 발생가능한 문제점에 대비하기 위하여 수급변동을 정확하게 예측할 수 있는 시뮬레이션이 요구된다. 하지만 관련 선행 연구가 미흡하고 신규 대상자의 데이터 수집이 어렵기 때문에 수급 시뮬레이션을 수행하는 것은 불가능한 실정이다. 본 연구는 사회보장 급여의 수급 시뮬레이션을 수행하기 위한 시론적인 차원에서 '10년 인구 총조사 마이크로 데이터를 기반으로 재정패널 데이터와 통계적 매칭을 통해 소득재산이 포함된 전국민 기초 데이터를 생성하고, '10년 기준으로 대상자 규모가 가장 큰 급여 가운데 하나인 기초노령연금에 대해 마이크로 시뮬레이션 방법론을 적용하여 수급 시뮬레이션을 수행하였다. 아울러, 시뮬레이션 기초데이터와 재정 패널 데이터, 기초노령연금 시범분석 결과와 기초노령연금 실제 수급자 데이터에 대한 비교를 통해 분석결과의 정합성을 검증하였다.
This study performed statistical matching using population census microdata and financial panel data. It generated the national basic data for simulation including income and property. Using this data the basic old-age pension, which is one of the biggest benefits, simulation was performed by applyi...
This study performed statistical matching using population census microdata and financial panel data. It generated the national basic data for simulation including income and property. Using this data the basic old-age pension, which is one of the biggest benefits, simulation was performed by applying the micro simulation methodology. In addition, we verified the coherence of the analysis results by comparing simulation basic data and financial panel data, basic old-age pension pilot simulation analysis results and basic old&-age pension actual beneficiary data.
This study performed statistical matching using population census microdata and financial panel data. It generated the national basic data for simulation including income and property. Using this data the basic old-age pension, which is one of the biggest benefits, simulation was performed by applying the micro simulation methodology. In addition, we verified the coherence of the analysis results by comparing simulation basic data and financial panel data, basic old-age pension pilot simulation analysis results and basic old&-age pension actual beneficiary data.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
후)사회보장급여의">사회보장 급여의 시뮬레이션을 대상으로 하는 연구가 매우 미진한 상황으로 인해 여기서는 복지정책의 대상집단의 규모를 추정한 각종 연구를 중심으로 선행연구를 살펴보고 그 함의를 제시하였다.
이러한 시점에서 본 연구는 사회보장 급여의 시뮬레이션의 본격적인 수행에 앞서 시론적인 연구로써 시뮬레이션의 적용가능성을 검증하고자 하였다. 이를 위해 인구총조사와 재정패널 데이터의 통계적 매칭을 통해 시뮬레이션에
제안 방법
본 연구에서 적용한 기초노령연금 수급 시뮬레이션 모델은 활용가능한 데이터를 고려하여 구성한 것으로 실제 기초노령연금 수급자를 판정하는데 적용되는 기준을 매우 단순화한 것이다. 그럼에도 불구하고 전체 대상자인 65세 이상 노인 가운데 수급자 비율에 있어서 시뮬레이션과 실제가 매우 유사하게 나타나는 것을
본 연구에서는 접근 가능한 통계를 이용하여 전국민을 모집단으로 하는 대표성 있는 인구집단을 설정하고,이들의 인적·사회적 특성을 토대로 소득재산 자료를 생성하여 사회보장 급여의 수급 가능여부를 마이크로단위로 분석할 수 있는 시뮬레이션 모델을 개발하였다.
후)선정 기준을">선정기준을 적용하는 모델을 수립하여 마이크로 시뮬레이션을 수행하였다. 아울러 데이터 구성 및 시뮬레이션 결과를 검증하고, 이러한 시뮬레이션 모델의 활용방안을 제시하였다.
여기서는 사회보장 급여 가운데 하나인 기초노령연금을 적용하여 수급 시뮬레이션을 수행하는 과정을 소개하고, 그 결과를 검증하였다.
후)적용 가능성을">적용가능성을 검증하고자 하였다. 이를 위해 인구총조사와 재정패널 데이터의 통계적 매칭을 통해 시뮬레이션에 요구되는 데이터를 구성하고, 이를 활용하여 현행 사회보장 급여 가운데 대상자 규모가 가장 큰 급여에 속하는 기초노령연금의 대상자 선정기준을 적용하는 모델을 수립하여 마이크로 시뮬레이션을 수행하였다. 아울러 데이터 구성 및 시뮬레이션 결과를 검증하고, 이러한 시뮬레이션 모델의 활용방안을 제시하였다.
이상의 연구를 종합해볼 때 그 간 연구들은 차상위계층을 위시한 빈곤층 등 특정 정책집단의 규모를 추정하는 것을 중심으로 이루어졌으며, 추정방법 역시 소규모 조사자료를 활용하여 특정 기준선 아래 대상집단을 매크로한 접근을 통해 도출하였다. 이러한 모습을 볼 때 우리나라 사회보장 환경 및 제도의 변경에 따른 변화를 보다 정확하게 가늠하기 위해서는 국민 개개인의 속성을 반영하는 대규모의 데이터 구성과 시뮬레이션 분석이 요구된다.
통계적 매칭은 세부적인 방법론에 따른 검증을 위해 다양한 기법 및 거리함수를 적용하였다. 랜덤핫덱(Random Hotdeck)과 최근접 이웃 핫덱(Nearest Neighbor Distance Hotdeck) 2가지 기법을 적용하였으며, 이를 위한 거리함수는 맨하탄(Manhattan), 마할라노비스(Mahalanobis), 유클리디안(Euclidean) 3가지를 활용하였다.
통계적 매칭을 위한 공여계층(Donor Class)은 ‘성별’과 ‘거주지역’으로 설정하였고, 세부 매칭변수는 기준파일․제공파일 데이터 상관관계에 따른 설명력을 기준으로 최종학력, 연령, 혼인상태 등으로 선정하여 소득재산 데이터를 생성하였다.
대상 데이터
본 연구의 인구집단은 통계청에서 5년마다 수행하는 인구총조사 결과를 활용하여 구성하였다. 가장 최근
이론/모형
통계적 매칭은 세부적인 방법론에 따른 검증을 위해 다양한 기법 및 거리함수를 적용하였다. 랜덤핫덱(Random Hotdeck)과 최근접 이웃 핫덱(Nearest Neighbor Distance Hotdeck) 2가지 기법을 적용하였으며, 이를 위한 거리함수는 맨하탄(Manhattan), 마할라노비스(Mahalanobis), 유클리디안(Euclidean) 3가지를 활용하였다. 이를 통해 인구집단의 소득재산
성능/효과
후)거리함수별로">거리함수 별로 맨하탄 2,479(3,876)만원, 마할라노비스 2,479(3,746)만원, 유클리디안은 2,484(3,869)만원으로 나타났다. 그 결과 개인소득은 랜덤핫덱보다 유사하게 나타났으며, 가구소득은 랜덤핫덱이 보다 유사하게 나타났다. 로그를 적용하여 도출한 데이터별
금융재산과 부채를 살펴보면 재정패널의 금융재산 평균은 4,070만원, 최근접이웃핫덱이 각각 4,131만원, 4,157만원, 4,114만원이며, 재정패널 부채 평균은 8,632 만원, 최근접이웃핫덱이 각각 8,579만원, 8,641만원, 8,657만원으로 최근접이웃핫덱이 보다 유사하게 나타났다.
32%)으로 가장 유사하게 나타났다. 다음으로 지원가구 유형의 경우 노인단독 1,938,112명(52.18%), 노인부부 1인수급 351,246명(9.46%), 노인부부 2인수급 1,425,078명(38.37%)으로 나타나는 가운데 랜덤핫덱 유클리디안이 단독가구 44,833명(49.18%), 노인부부 1인수급 10,114명(11.1%), 노인부부 2인수급 36,208명(39.72%)로 가장 유사하게 나타났다.
후)전 국민에">전국민에 대한 대표성을 가지는 인구집단을 새롭게 구성한 것이 아니라, 인구총조사라는 대규모 조사를 통해 구성되어진 집단을 사용하였다는 것이다. 둘째, 기초노령연금 수급 시뮬레이션 모델링 과정에서 제공파일 데이터수집 및 활용의 한계로 인해 모델이 크게 단순화되었다. 마지막으로 과거
먼저 성별의 경우 실제 수급대상자가 총 3,714,436명중 남성이 1,304,632명(35.12%), 여성이 2,409,804명(64.88%)으로 나타나는 가운데 시뮬레이션의 경우 랜덤핫덱 마할라노비스가 전체 90,650명 중 남성이 35,063명(38.86%), 여성이 55,587명(61.32%)으로 가장 유사하게 나타났다. 다음으로
먼저 소득에 대해 가구를 기준으로 결합한 값을 기준으로 보면 재정패널의 평균이 2,520 (3,736)만원으로 최근접이웃핫덱이 각각의 거리함수 별로 맨하탄 2,479(3,876)만원, 마할라노비스 2,479(3,746)만원, 유클리디안은 2,484(3,869)만원으로 나타났다. 그 결과 개인소득은 랜덤핫덱보다 유사하게 나타났으며, 가구소득은 랜
본 연구가 가지는 시론적 성격을 고려해볼 때 사회보장 영역에서 기존에 시도하지 않은 새로운 기법을 활용하여 분석데이터를 구성하고, 비록 기초노령연금이라는 단일 급여를 대상으로 하였지만 제도의 특성을 반영한 시뮬레이션 모델을 구성․적용하였다는 측면에서의의를 찾아볼 수 있다.
후)사회보장급여의">사회보장 급여의 수급 시뮬레이션 수행을 위해 인구집단에 대해 통계적 매칭을 통해 생성한 기초데이터의 검증결과 핫덱 및 거리함수에 상관없이 전반적으로 제공파일인 재정패널과 유사하게 나타났으며, 사회보장 급여 가운데 하나인 기초노령연금 수급 시뮬레이션을 구성하여 대상자 규모를 분석한 결과 실제 수급대상자 비율과 유사하게 나타났다.
성별 및 지원가구 유형별 대상자 비율이 매칭기법 및 거리함수를 막론하고 전반적으로 유사하게 나타난 반면, 지역별 대상자 비율은 실제 수급 대상자 비율과 다소 차이가 나타나는 것으로 나타났다. 상대적으로 오차의
소득인정액이 선정기준액 이하인 가구에게 수급판정을 내린 시뮬레이션 결과를 살펴보면 최근접이웃핫덱 의 수급율이 실제 수급율과 유사했으며, 마할라노비스 거리함수를 사용한 데이터가 67.78%로 가장 유사하게 나타났다[표 5].
일반재산과 자동차를 살펴보면, 재정패널의 일반재산 평균은 24,097만원이며, 최근접이웃핫덱이 각각 23,489만원, 23,581만원, 23,459만원으로 보다 유사하게 나타났다. 재정패널의
후)최근접이웃 핫덱이">최근접이웃핫덱이 각각 23,489만원, 23,581만원, 23,459만원으로 보다 유사하게 나타났다. 재정패널의 자동차 가액 평균은 850만원이며, 랜덤핫덱이 각각 856만원, 859만원, 855만원으로 최근접이웃핫덱보다 유사하게 나타났다.
하지만 다음과 같은 한계를 가지고 있다. 첫째, 인구집단을 설정하는데 있어 현실에 존재하지 않지만 전국민에 대한 대표성을 가지는 인구집단을 새롭게 구성한 것이 아니라, 인구총조사라는 대규모 조사를 통해 구성되어진 집단을 사용하였다는 것이다. 둘째, 기초노령연금 수급 시뮬레이션 모델링 과정에서
후속연구
후)수급 판정에">수급판정에
적용되는 기준을 적용할 수 있도록 해야 할 것이다. 아울러 대상자의 행태 변화 및 시간의 흐름을 반영하여 미래의 변화를 예측할 수 있는 다년도 시점의 동태적 시뮬레이션으로 수행되어야 할 것이다.
후)기준 변화에">기준변화에 따른 역효과를 줄이고, 긍정적인 효과를 제고할 수 있을 것이다. 아울러, 개별 사회보장 급여의 특성을 반영함으로 인해 표준화되지 못하고 복잡하게 구성된 각종 급여의 기준을 표준화하고 단순화하는데 있어서도 기여를 할 수 있을 것이다.
이러한 상황에서 전인구를 모집단으로 하는 대표성 있는 인구집단의 데이터를 토대로 각종 사회보장 급여의 대상자 선정기준을 적용하는 시뮬레이션을 수행한다면 불합리한 급여기준을 객관적 근거를 토대로 개선할 수 있을 것이며, 그 과정에서 다양한 조건식을 바탕으로 미세한 조정을 위한 심층분석을 수행하는 경우 기준변화에 따른 역효과를 줄이고, 긍정적인 효과를 제고할 수 있을 것이다. 아울러, 개별
이러한 한계를 고려해볼 때 후속 연구는 현실에 존재하지 않지만 대표성을 가지는 대규모 인구집단을 구성할 수 있는 방법론을 모색해야 할 것이며, 실제 급여의 수급판정에 적용되는 기준을 적용할 수 있도록 해야 할 것이다. 아울러 대상자의 행태 변화 및 시간의 흐름을 반영하여 미래의 변화를 예측할 수 있는 다년도 시점의 동태적 시뮬레이션으로 수행되어야 할 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
재산이란?
재산은 가구 단위이며, ‘금융재산’, ‘일반재산’ ‘자동 차’ 5 , ‘부채’로 구분된다. 세부적인 사항은 [표 2]와 같다.
국민의 복잡한 복지수요에 대응하기 위해 정부는 어떠한 노력을 하는가?
각종 사회적 위험으로부터 국민을 보호하고 나날이 증가하는 국민의 복잡한 복지수요에 대응하기 위하여 정부는 복지예산 확충, 체계적인 계획수립 및 추진, 관련 법률의 제․개정을 추진하는 등의 노력을 지속적으로 기울이고 있다. 이러한 노력은 실제로 기초노령연금의 기초연금 확대 개편(’14.
국민의 복잡한 복지수요에 대한 정부 노력의 성과는?
각종 사회적 위험으로부터 국민을 보호하고 나날이 증가하는 국민의 복잡한 복지수요에 대응하기 위하여 정부는 복지예산 확충, 체계적인 계획수립 및 추진, 관련 법률의 제․개정을 추진하는 등의 노력을 지속적으로 기울이고 있다. 이러한 노력은 실제로 기초노령연금의 기초연금 확대 개편(’14.7월)과 국민기초생활보장의 맞춤형 개별급여로의 전면개편(’15.7월) 등과 같이 사회 보장 급여의 확대․개편으로 이어져 국민의 복지수준을 제고하는 가시적인 성과로 나타나고 있기도 하다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.