통계적 생명가치는 환경정책의 편익 산정에 있어 매우 중요한 역할을 한다. 예를 들어 대기오염물질의 감소에 따른 건강 편익의 최종적인 화폐가치화 단위로 활용되며 이는 비용편익 분석의 기초가 된다. 통계적 생명가치는 사망위험 감소를 위해 사회의 구성원이 지불하고자 하는 화폐적 가치로 정의될 수 있다 따라서 통계적 생명가치는 각 사회를 구성하고 있는 구성원의 특성에 따라 결정된다. 본 연구는 웹 설문조사를 통해 수집된 총 3,081명의 응답자를 질문의 형태에 따라 두 개의 표본으로 분리하여 선택실험법을 적용하였다. 추정결과 총 1,528명의 표본 집단의 자료를 통해 도출된 약 13억 원의 통계적 생명가치가 가장 적절한 것으로 나타났으며, 이는 국내 선행연구를 활용한 메타분석의 결과와 유사하다. 또한 응답자들은 사망위험을 감소시키기 위해 정부의 정책비용에 대한 지불보다는 개인 차원의 예방에 비용을 지불하는 것을 선호하는 것으로 나타났다.
통계적 생명가치는 환경정책의 편익 산정에 있어 매우 중요한 역할을 한다. 예를 들어 대기오염물질의 감소에 따른 건강 편익의 최종적인 화폐가치화 단위로 활용되며 이는 비용편익 분석의 기초가 된다. 통계적 생명가치는 사망위험 감소를 위해 사회의 구성원이 지불하고자 하는 화폐적 가치로 정의될 수 있다 따라서 통계적 생명가치는 각 사회를 구성하고 있는 구성원의 특성에 따라 결정된다. 본 연구는 웹 설문조사를 통해 수집된 총 3,081명의 응답자를 질문의 형태에 따라 두 개의 표본으로 분리하여 선택실험법을 적용하였다. 추정결과 총 1,528명의 표본 집단의 자료를 통해 도출된 약 13억 원의 통계적 생명가치가 가장 적절한 것으로 나타났으며, 이는 국내 선행연구를 활용한 메타분석의 결과와 유사하다. 또한 응답자들은 사망위험을 감소시키기 위해 정부의 정책비용에 대한 지불보다는 개인 차원의 예방에 비용을 지불하는 것을 선호하는 것으로 나타났다.
The value of a statistical life (VSL) plays a very important role in estimating the benefits of environmental policy. It is used, for example, as a unit of monetization of health benefits resulting from the reduction of air pollutants, which is the basis of cost-benefit analysis of policies. The VSL...
The value of a statistical life (VSL) plays a very important role in estimating the benefits of environmental policy. It is used, for example, as a unit of monetization of health benefits resulting from the reduction of air pollutants, which is the basis of cost-benefit analysis of policies. The VSL can be defined as the value that people of each society are willing to pay to reduce the risk of death, so the value should reflect the characteristics of its members. In this study, we apply a choice experiment with 3,081 respondents collected through a web survey were divided into two samples according to the type of questions. Among the various estimates, the most appropriate estimate of the VSL is about 1.3 billion won from 1,528 sample, which is similar to the results of the meta-analysis using estimates from prior studies conducted in Korea. In addition, this study shows that a private prevention program is preferred to reduce the risk of death from cancer rather than a public program.
The value of a statistical life (VSL) plays a very important role in estimating the benefits of environmental policy. It is used, for example, as a unit of monetization of health benefits resulting from the reduction of air pollutants, which is the basis of cost-benefit analysis of policies. The VSL can be defined as the value that people of each society are willing to pay to reduce the risk of death, so the value should reflect the characteristics of its members. In this study, we apply a choice experiment with 3,081 respondents collected through a web survey were divided into two samples according to the type of questions. Among the various estimates, the most appropriate estimate of the VSL is about 1.3 billion won from 1,528 sample, which is similar to the results of the meta-analysis using estimates from prior studies conducted in Korea. In addition, this study shows that a private prevention program is preferred to reduce the risk of death from cancer rather than a public program.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
미세먼지는 세계보건기구(WHO)가 2013년 사람에게 발암이 확인된 1군 발암물질로 지정할 정도로 암 발생의 원인이 되고 있다. 따라서 본 연구는 암으로 인한 사망확률 감소에 대한 응답자의 지불의사액을 추정하였다. 더불어 본 연구는 통계적 생명가치 추정과 관련된 최근 연구에서 가장 널리 사용되고 있는 진술선호방법(stated preference approach)중 실험선택법을 적용하였다.
본 연구는 환경정책으로 인해 발생하는 편익 중 건강편익을 산정하는 데 있어 필수적인 요소인 통계적 생명가치 도출을 목적으로 하고 있다. 특히 최근에는 대기오염 정책평 가를 위한 영향경로분석에서 화폐가치화에서 가장 널리 사용되는 개념이다.
또한 최근 연구결과에 따르면 통계적 생명가치의 추정에 있어 사망위험에 대한 표현, 사망원인 및 사망확률 감소를 위한 수단의 집행 주체 등에 따라 추정치가 달라진다. 본 연구에서는 사망확률에 대한 표현 방법 및 집행 주체에 따른 변화를 살펴보았다. 특히 국민들의 정부 정책에 대한 신뢰를 간접적으로 검정할 수 있도록 속성변수로 정부 정책비용과 개인 예방비용을 구분하여 제시하였다.
본 연구의 목적은 환경오염, 특히 대기오염(대표적으로 미세먼지)으로 인한 피해의 가치화, 다른 측면에서는 대기오염을 줄이기 위한 정책 분석에 있어 필수적인 편익 산정을 위한 영향경로분석에 있어 사용될 수 있는 통계적 생명가치를 도출하는 데 있다. 다만 그간 국내에서 진행된 통계적 생명가치 추정연구가 특정 분야의 정책에 대한 값을 도출 하였다면 본 연구는 환경오염으로 인해 발생 가능한 질병 자체에 초점을 두었다.
하지만 용어에서 오는 오해는 정책 입안자 및 비전문가들로 하여금 통계적 생명가치를 정책으로 인한 편익 산정에 활용하는 데 있어 주저하게 하는 요인으로 작용한다. 이러한 점에서 통계적 생명가치를 추정하는 개별 연구를 살펴보기 전에 이론적인 개념을 정리하고자 한다.3)
그간 국내에서는 해외 연구 결과를 편익이 전하여 국내 정책효과 분석에 적용하였지만 이는 통계적 생명가치의 개념상 명확한 한계가 존재한다. 이에 본 연구는 이러한 간극을 좁히는 데 기여하고자 한다.
가설 설정
암으로 인한 사망을 예방하는 것은 정부의 지원이나 정책보다 개인 차원에서 예방할 수 있는 문제로 인식하였을 수 있으며, 다른 한편으로는 정부 정책을 통한 예방보다는 개인 차원에서 필요한 비용을 사용하는 것이 더 효과적일 것이라고 판단하 였을 수 있다.16) 후자의 경우로 해석할 경우는 정부 정책의 신뢰도가 낮다고 해석될 수있다. 다만 암으로 인한 사망위험확률에 대한 표현 차이에서 오는 응답자의 반응의 차이는 검증되지 못하였다.
안소은 외(2018)에서 수집한 총 18개의 연구 중 11개의 연구가 조건부가치추정법을 활용한 연구이며 위험변화의 확률은 6/10,000~4/1,000,000의 범위를 형성하고 있다.7) 기존 연구에따르면 연구방법론과 위험변화확률은 추정치에 결정적인 영향을 미치게 된다. 특히 조사에서 제시된 위험변화확률은 통계적 생명가치가 지불의사액을 위험변화로 나눈 값으로 정의되는 것을 상기한다면 통계적 생명가치 추정치는 위험변화확률이 커질수록 작아지는 현상이 나타난다(Lindhjem et al.
확률효용모형은 개별응답자(i)가 선택기회(t)에서총 J개의 선택지 중 대안(j)을 선택함으로써 받게 되는 효용을 정확히 알고 있다고 가정 하고 이를 극대화하는 대안을 선택하게 된다. 다만 연구자는 각 개인이 선택하는 대안으 로부터 받게 되는 효용에 미치는 요소 중 일부를 관측하지 못한다고 가정한다. 이러한 점을 모형에 확률변수의 형태로 가정한다.
이를 통계적 생명가치에 적용하면 개인은 효용을 극대화하는 과정에서 사망위험을 감소시키는 선택(반대급부로 다른 재화에 대한 소비를 줄이는 선택)을 한다. 다만 이러한 과정에서 개인은 본인의 사망확률에 대해 정확히 알고 있으며 효용 극대화 과정에서 본인의 선택이 사망확률을 어떻게 변화시키는지 알고 있다고 가정한다. 논의의 단순화를 위해 1기 정태모형(one-period static model)에서 기대효용(expected utility) 극대화 문제를 표현하면 다음과 같다.
더불어 헤도닉 임금 추정방법은 실제 직업에서 오는 위험도와 관련 직업의 노동자가 인식하는 위험의 정도가 같다고 가정한다. 이는 위험한 직업을 선택한 사람의 위험에 대한 선호는 반영되나 해당 위험을 받아들이지 않은 사람, 즉 해당 직업군을 선택하지 않는 사람들의 선호는 반영되지 못하는 단점이 존재한다.
다만 연구자는 각 개인이 선택하는 대안으 로부터 받게 되는 효용에 미치는 요소 중 일부를 관측하지 못한다고 가정한다. 이러한 점을 모형에 확률변수의 형태로 가정한다. 따라서 확률변수 가산적인(additive) 형태로 가정하면 다음과 같이 모형식을 구성할 수 있다.
제안 방법
이러한 이유로 통계적 생명가치의 추정치를 소득 탄력성을 활용하여 가치이전(benefittransfer)한다(Viscusi and Masterman, 2017). Alberini and Scasny의 연구 중 소득 수준이 우리와 비슷한 이탈리아와 체코에서 진행된 연구의 결과를 활용하여 연 5만 원에서 40만 원까지의 비용 수준을 결정하였다.
다만 차이점은 ‘유형 1’ 표본의 설문응답자에게는 프로그램 실행으로 인해 감소되는 확률△(P)을 제시한 반면 ‘유형 2’의 응답자에게는 프로그램 실행으로 암으로 인한 사망확률이 감소되어 나타 나게 될 확률, 즉 P1(변화된 확률) = P0(현재확률) - △P(감소되는 확률)을 제시하였다.
추정결과 신영철 외(2017) 및 안소은 외 (2018)의 메타 연구의 추정치와 유사한 약 13억 원의 통계적 생명가치 추정치가 도출되었다. 더불어 본 연구에서는 암으로 인한 사망위험을 감소시키기 위한 수단으로 정부 차원의 정책과 개인 차원의 예방으로 구분하였으며 응답자는 자신이 선호하는 방법에 더많은 비용을 지불할 수 있게 선택실험법의 속성을 구성하였다. 이를 분석한 결과 응답자 들은 개인 차원의 예방에 비용을 지불하는 것을 선호하는 것으로 분석되었다.
본 연구에서는 사망위험수준에 대한 표현 방법을 달리하여 두 개의 그룹으로 구분하 였다. 두 그룹 모두에게 현재 암으로 인한 사망확률을 제시하였다. 다만 차이점은 ‘유형 1’ 표본의 설문응답자에게는 프로그램 실행으로 인해 감소되는 확률△(P)을 제시한 반면 ‘유형 2’의 응답자에게는 프로그램 실행으로 암으로 인한 사망확률이 감소되어 나타 나게 될 확률, 즉 P1(변화된 확률) = P0(현재확률) - △P(감소되는 확률)을 제시하였다.
다만 차이점은 ‘유형 1’ 표본의 설문응답자에게는 프로그램 실행으로 인해 감소되는 확률△(P)을 제시한 반면 ‘유형 2’의 응답자에게는 프로그램 실행으로 암으로 인한 사망확률이 감소되어 나타 나게 될 확률, 즉 P1(변화된 확률) = P0(현재확률) - △P(감소되는 확률)을 제시하였다. 또한 사망확률 감소로 인해 줄어들게 될 사망자 수도 함께 제시하였다.
해당 연구에서는 응답자를 세 그룹으로 나누어 한 그룹에 대해서는 통계적 생명가치 추정 연구에서 일반적으로 제시하는 위험확률, 예를 들어 ‘연간 1/100,000 사망확률 감소’를 제시한 반면 다른 한그룹에 대해서는 ‘연간 1/100,000 사망확률 감소에 해당되는 실제 사망자 감소자 수(즉, 1/100,000 × 총 시민의 수)’를 제시하였다. 마지막 한 그룹에 대해서는 두 가지 표현 모두를 제시하여 선택실험법을 진행하였다. 사망위험을 사망자 수만 제시된 그룹에서는 1/100,000 사망확률 감소에 대해 지불의사액이 1,236DKK(2013년 기준, 약 24만 원) 이추정되었으며 반대로 사망위험확률만 제시된 경우에는 560DKK8) (2013년 기준, 약 11만 원)로 약 1/2 정도로 낮은 수치가 도출되었다.
본 연구에서도 미리 확보된 온라인 패널을 대상으로 휴대전화 문자와 이메일을 통해 URL을 발송하여 응답자를 모집하였다. 모집단은 전국의 만 19세 이상의 성인남녀를 대상으로 지역별, 성별, 연령별 기준 비례할당추출 방법을 적용 하여 표본을 구성하였다. 총 26,271명을 대상으로 조사를 요청하여 최종 조사 완료한 인원은 3,081명이 최종 표본으로 선택되었다.
본 연구에서는 사망위험수준에 대한 표현 방법을 달리하여 두 개의 그룹으로 구분하 였다. 두 그룹 모두에게 현재 암으로 인한 사망확률을 제시하였다.
이는 기존 국내 선행연 구결과, 특히 메타연구를 통해 도출된 평균값과 매우 유사하게 분석되었다. 본 연구에서는 암으로 인한 사망위험 감소 수단을 정부 정책과 개인 예방으로 구분하였으며 응답자는 그 비중을 선택할 수 있게 설계하였다. 그 결과 암으로 인한 사망위험 감소를 위해 개인 예방비용으로 지불하는 것을 선호하는 것으로 나타났다.
본 연구에서는 앞 장에서 검토한 해외 연구를 바탕으로 기본 사망 감소확률을 ‘1명 /10,000명 감소’로 정하고 이를 기준으로 수준을 증가하는 방법을 적용하였다.
(2018)에서 추정된 계수 값을 활용하였으며 패널 혼합로짓모형을 사용하여 설계하였다. 선택문항 셋을 총 28개로 설계후 이를 4개 블록으로 구분하여 적용하였다. 예를 들어 1안으로 ‘(3명/10,000명 감소, 정부프로그램비용 40만 원/연, 개인프로그램 5만 원)’ 2안으로 ‘(5명/10,000명 감소, 정부프로그램비용 20만 원/연, 개인프로그램 40만 원)’과 ‘선택하지 않음’으로 구성된 선택 집합이 제시되었다.
더불어 본 연구는 통계적 생명가치 추정과 관련된 최근 연구에서 가장 널리 사용되고 있는 진술선호방법(stated preference approach)중 실험선택법을 적용하였다. 설문 설계는 D-Efficient 베이지안 방법을 적용하였으며 Prior 선택에 있어서는 관련 국내 연구가 부족하여 해외 연구에서 추정된 계수 값을 활용 하였다. 웹 설문조사를 통해 총 3,081명의 표본을 확보하여 분석하였다.
기존 국내 선행연구에서는 주로 조건부 가치추정법이 선호된 반면 통계적 생명가치를 추정하는 최근 해외 선행연구는 선택실험법을 활용도가 높다. 이러한 점에서 본 연구는 선택실험법을 활용하여 통계적 생명가치를 추정하였다. 또한 최근 연구결과에 따르면 통계적 생명가치의 추정에 있어 사망위험에 대한 표현, 사망원인 및 사망확률 감소를 위한 수단의 집행 주체 등에 따라 추정치가 달라진다.
따라서 정부 차원의 정책비용과 개인 차원의 예방 비용은 항상 혼재되어 있기 마련이다. 총 3가지의 속성과 속성별 수준을 이용하여 선택실험 설문지를 설계하였다. 설문 설계는 전문 소프트웨어(NGene Software)를 이용하여 분산-공분산 행렬을 최적화하는 D-Efficient 베이지안 방법을 적용하였다.
Alberini and Scasny(2011)는 이탈리아와 체코, 두 국가에서 각각 1,906명, 1,500명을 대상으로 선택실험법을 적용하여 통계적 생명가치를 추정하였다. 통계적 생명가치에 영향을 미치는 주요 속성변수로는 사망원인(암, 교통사고, 호흡기 질환)과 위험을 줄이는 주체(정부 혹은 개인)를 설정하였다. 추정결과 암으로 인한 사망에 대한 통계적 생명 가치(VSL)가 높은 현상, 즉 암 프리미엄(cancer premium)과 함께 공공정책에 대한 높은지불의사(public program premium)가 있는 것을 확인하였다.
본 연구에서는 사망확률에 대한 표현 방법 및 집행 주체에 따른 변화를 살펴보았다. 특히 국민들의 정부 정책에 대한 신뢰를 간접적으로 검정할 수 있도록 속성변수로 정부 정책비용과 개인 예방비용을 구분하여 제시하였다.
총 26,271명을 대상으로 조사를 요청하여 최종 조사 완료한 인원은 3,081명이 최종 표본으로 선택되었다. 특히 본 조사에서 응답자는 휴대전화나 PC 중 하나의 기기 중 하나를 선택하여 응답할 수 있게 설계하였다. 최종 응답자는 PC와 휴대전화가 각각 1,062명과 2,091명으로 휴대전화의 편의성으로 인해 더 많은 응답자가 휴대전화를 선택하였다.
웹 설문조사를 통해 총 3,081명의 표본을 확보하여 분석하였다. 표본을 설문 유형에 따라 두 개의 그룹으로 나누어 진행하였다. 추정결과 신영철 외(2017) 및 안소은 외 (2018)의 메타 연구의 추정치와 유사한 약 13억 원의 통계적 생명가치 추정치가 도출되었다.
하지만 Alberini and Scasny (2018)는 두 가지의 비용 중 하나를 선택하는 “all or nothing” 형태로 제시한 반면 본 연구에서는 개인적 예방과 정부 정책비용의 포트폴리오 형식으로 제시하였다.
해당 연구에서는 응답자를 세 그룹으로 나누어 한 그룹에 대해서는 통계적 생명가치 추정 연구에서 일반적으로 제시하는 위험확률, 예를 들어 ‘연간 1/100,000 사망확률 감소’를 제시한 반면 다른 한그룹에 대해서는 ‘연간 1/100,000 사망확률 감소에 해당되는 실제 사망자 감소자 수(즉, 1/100,000 × 총 시민의 수)’를 제시하였다.
대상 데이터
먼저 신영철 외(2017)은 총 18개의 연구에서 도출된 61개의 추정을 활용하여 메타회귀분석을 실시하였다. 대상이 되는 18개의 연구는 1996년에서 2016년까지의 약 20년간 국내에서 추정된 통계적 생명가치 혹은 지불의사액을 활용하였다. 신영철 외(2017)은 사망위험의 유형, 특성 및 방법론 등을 설명변수로 하는 메타회귀분석을 통해 약 13억 원의 추정 치를 도출하였고, 안소은 외(2018)은 OECD(2012)에서 권고한 데이터 선별작업 가이드라인에 따라 최종적으로 총 16개 연구의 66개의 추정치를 이용한 메타회귀분석을 통해약 12.
선택실험법은 한 설문자에게 속성의 수준을 변경한 선택지를 반복 질문함으로서 선호를 조사하게 되는데 최근에는 시간 및 비용의 절약과 데이터 관리 등의 장점을 가지는웹 설문방법이 주로 이용된다. 본 연구에서도 미리 확보된 온라인 패널을 대상으로 휴대전화 문자와 이메일을 통해 URL을 발송하여 응답자를 모집하였다. 모집단은 전국의 만 19세 이상의 성인남녀를 대상으로 지역별, 성별, 연령별 기준 비례할당추출 방법을 적용 하여 표본을 구성하였다.
, 2011). 본 연구에서도 진술선호법을 적용한 연구를 대상으로 검토하였다.
설문 설계는 D-Efficient 베이지안 방법을 적용하였으며 Prior 선택에 있어서는 관련 국내 연구가 부족하여 해외 연구에서 추정된 계수 값을 활용 하였다. 웹 설문조사를 통해 총 3,081명의 표본을 확보하여 분석하였다. 표본을 설문 유형에 따라 두 개의 그룹으로 나누어 진행하였다.
모집단은 전국의 만 19세 이상의 성인남녀를 대상으로 지역별, 성별, 연령별 기준 비례할당추출 방법을 적용 하여 표본을 구성하였다. 총 26,271명을 대상으로 조사를 요청하여 최종 조사 완료한 인원은 3,081명이 최종 표본으로 선택되었다. 특히 본 조사에서 응답자는 휴대전화나 PC 중 하나의 기기 중 하나를 선택하여 응답할 수 있게 설계하였다.
특히 본 조사에서 응답자는 휴대전화나 PC 중 하나의 기기 중 하나를 선택하여 응답할 수 있게 설계하였다. 최종 응답자는 PC와 휴대전화가 각각 1,062명과 2,091명으로 휴대전화의 편의성으로 인해 더 많은 응답자가 휴대전화를 선택하였다.
데이터처리
또한 모든 경우에 있어 정부 정책비용에 대한 계수가 통계적으로 유의하지 않게 도출되어 본 연구에서는 전체 표본을 이용한 경우와 ‘유형 1’의 추정결과에서 사망 확률의 추정계수와 개인 지출비용의 추정계수를 이용하여 통계적 생명가치를 추정하였다.
이론/모형
웹 설문방법을 통해 수집된 자료를 통해 일반적인 확률효용모형(RUM: Random Utility Model)을 통해 분석하였다.
13) 이를 적용하기 위해서는 Prior값이 필요한데, 이는 Alberini and Scasny(2011, 2018) 및 Kjær et al.(2018)에서 추정된 계수 값을 활용하였으며 패널 혼합로짓모형을 사용하여 설계하였다. 선택문항 셋을 총 28개로 설계후 이를 4개 블록으로 구분하여 적용하였다.
따라서 본 연구는 암으로 인한 사망확률 감소에 대한 응답자의 지불의사액을 추정하였다. 더불어 본 연구는 통계적 생명가치 추정과 관련된 최근 연구에서 가장 널리 사용되고 있는 진술선호방법(stated preference approach)중 실험선택법을 적용하였다. 설문 설계는 D-Efficient 베이지안 방법을 적용하였으며 Prior 선택에 있어서는 관련 국내 연구가 부족하여 해외 연구에서 추정된 계수 값을 활용 하였다.
12) 이를 기준으로 ‘3명/10,000명 감소’에서 ‘7명/10,000명 감소’로 높은 확률을 제시하였다. 선행연구 중 Alberini and Scasny가 수행한 연구를 참고하여 비용의 수준을 결정하였다. Alberini and Scasny는 통계적 생명가치 추정과 관련된 다양한 방법론의 적용뿐만 아니라 다양한 국가에서 선택 실험법을 진행하였다.
총 3가지의 속성과 속성별 수준을 이용하여 선택실험 설문지를 설계하였다. 설문 설계는 전문 소프트웨어(NGene Software)를 이용하여 분산-공분산 행렬을 최적화하는 D-Efficient 베이지안 방법을 적용하였다.13) 이를 적용하기 위해서는 Prior값이 필요한데, 이는 Alberini and Scasny(2011, 2018) 및 Kjær et al.
주: WTP 분포 계산은 Krinsky and Robb의 몬테칼로방법을 이용함.
성능/효과
(2018)는 확률이 주는 상대적인 모호함 으로 인해 낮은 지불의사액이 도출되었다고 분석하고 있다.9) 확률만 제시한 경우보다 확률에 해당하는 실제 사망 감소 가능 숫자를 보여주는 경우 응답자가 이해하기 쉬운 측면이 있어 약 2배에 해당되는 지불의사액을 나타냄을 확인할 수 있다. Kjær et al.
본 연구에서는 암으로 인한 사망위험 감소 수단을 정부 정책과 개인 예방으로 구분하였으며 응답자는 그 비중을 선택할 수 있게 설계하였다. 그 결과 암으로 인한 사망위험 감소를 위해 개인 예방비용으로 지불하는 것을 선호하는 것으로 나타났다. 이러한 결과는 다양하게 해석될 여지가 있다.
이는 선택실험에 대한 응답 전 주어진 설명이 응답자로 하여금 위험감소 확률에 대한 속성을 충분히 인지할 만큼 충분하지 못하였거나 잘못 전달되었을 가능성이 있다. 더불어 암으로 인한 위험확률을 감소하기 위해 지불해야 하는 비용 변수에 대한 추정 계수 중 정부 정책을 위한 비용에 대한 변수는 통계적으로 유의하지 않게 도출되었다. 앞서 속성 설계 부분에서 설명한 바와 같이 본 연구는 다른 선행연구와 달리 위험감소를 위한 지불의사액을 정부 정책비용과 개인 투자비용의 포트폴리오로 설정하고 이에 대한 비중을 응답자가 선택하는 형태를 취하였다.
따라서 본 연구의 결과 가장 적절한 통계적 생명가치 추정치는 ‘유형 1’ 표본만을 이용한 경우로 판단할 수 있다.
마지막 한 그룹에 대해서는 두 가지 표현 모두를 제시하여 선택실험법을 진행하였다. 사망위험을 사망자 수만 제시된 그룹에서는 1/100,000 사망확률 감소에 대해 지불의사액이 1,236DKK(2013년 기준, 약 24만 원) 이추정되었으며 반대로 사망위험확률만 제시된 경우에는 560DKK8) (2013년 기준, 약 11만 원)로 약 1/2 정도로 낮은 수치가 도출되었다. 이에 반해 확률과 사망자 수가 모두 제공된 그룹에서는 중간 정도의 수치인 888DKK(2013년 기준, 약 17만 원)가 지불의사액 으로 추정되었다.
웹 설문조사를 통해 수집된 총 3,081개의 표본을 활용하여 통계적 생명가치 추정결과는 약 6.6~6.7억 원이였으나 통계적 유의성을 고려하여 가장 적합한 추정치는 ‘유형 1’ 의 1,528개의 표본을 이용하여 추정한 약 13억 원으로 나타났다.
더불어 본 연구에서는 암으로 인한 사망위험을 감소시키기 위한 수단으로 정부 차원의 정책과 개인 차원의 예방으로 구분하였으며 응답자는 자신이 선호하는 방법에 더많은 비용을 지불할 수 있게 선택실험법의 속성을 구성하였다. 이를 분석한 결과 응답자 들은 개인 차원의 예방에 비용을 지불하는 것을 선호하는 것으로 분석되었다.
<표 3>은 수집된 자료의 기초통계량을 보여주고 있다. 전체 표본에서 연령이 낮은 응답자일수록 PC보다는 휴대전화를 이용하여 설문에 응답하는 경향이 높음을 확인할 수있다. 또한 소득 및 학력 역시 PC를 이용한 경우가 더 높은데 이는 연령과 상관관계가 높기 때문에 나타나는 현상이다.
전체 표본을 활용한 경우 비록 통계적으로 유의한 결과가 도출되었지만 ‘유형 2’의자료를 함께 활용하였다는 점에서 ‘유형 1’ 자료만을 활용하여 도출한 결과가 본 연구에서 보다 선호되는 추정결과이다.
나이와 위험확률 감소의 교차항은 음의 값을 가지는 반면 소득 및 가족 중 암 경험 유무는 양의 값을 가진다. 지불의사액이 위험확률에 대한 계수를 비용에 대한 계수로 나눈 값으로 도출되는 것을 상기하면 나이가 많을수록 지불의사액이 낮게 나타나고 소득 및 암 경험 유무는 지불의사액을 높이는 것으로 나타났다. 이러한 결과는 우리의 직관과 일치하는 방향으로 도출되었다.
추정결과 암으로 인한 사망에 대한 통계적 생명 가치(VSL)가 높은 현상, 즉 암 프리미엄(cancer premium)과 함께 공공정책에 대한 높은지불의사(public program premium)가 있는 것을 확인하였다. 추정결과 기존의 연구의 추정치보다 매우 높은 400만(2008년 기준, 약 64억 원)에서 1,000만 유로(2008년 기준, 약 161억 원)의 통계적 생명가치의 추정치를 제시하였다.
통계적 생명가치에 영향을 미치는 주요 속성변수로는 사망원인(암, 교통사고, 호흡기 질환)과 위험을 줄이는 주체(정부 혹은 개인)를 설정하였다. 추정결과 암으로 인한 사망에 대한 통계적 생명 가치(VSL)가 높은 현상, 즉 암 프리미엄(cancer premium)과 함께 공공정책에 대한 높은지불의사(public program premium)가 있는 것을 확인하였다. 추정결과 기존의 연구의 추정치보다 매우 높은 400만(2008년 기준, 약 64억 원)에서 1,000만 유로(2008년 기준, 약 161억 원)의 통계적 생명가치의 추정치를 제시하였다.
앞서 속성 설계 부분에서 설명한 바와 같이 본 연구는 다른 선행연구와 달리 위험감소를 위한 지불의사액을 정부 정책비용과 개인 투자비용의 포트폴리오로 설정하고 이에 대한 비중을 응답자가 선택하는 형태를 취하였다. 추정결과는 응답자들은 정부정책을 통한 사망위험 감소보다는 개인 차원의 예방비용 지출을 통하는 방법을 선호한다는 것을 보여주고 있다. 나이와 위험확률 감소의 교차항은 음의 값을 가지는 반면 소득 및 가족 중 암 경험 유무는 양의 값을 가진다.
(2018) 은 사망자 수는 공포의 이미지를 형성하게 하여 응답자로 하여금 위험에 대해 과대추정 하게 하는 역할을 한다고 결론짓고 있다. 특히 응답자의 수치적 능력이 부족한 응답장의 경우 사망위험에 대한 표현 방법에 크게 영향을 받는 것으로 나타났다. 한편 Alberini and Scasny(2018)는 이탈리아, 네덜란드, 영국, 체코 등 유럽의 4개국에 대해 선택실험 법을 적용하여 통계적 생명가치를 추정하였다.
후속연구
본 연구의 목적은 환경오염, 특히 대기오염(대표적으로 미세먼지)으로 인한 피해의 가치화, 다른 측면에서는 대기오염을 줄이기 위한 정책 분석에 있어 필수적인 편익 산정을 위한 영향경로분석에 있어 사용될 수 있는 통계적 생명가치를 도출하는 데 있다. 다만 그간 국내에서 진행된 통계적 생명가치 추정연구가 특정 분야의 정책에 대한 값을 도출 하였다면 본 연구는 환경오염으로 인해 발생 가능한 질병 자체에 초점을 두었다. 미세먼지는 세계보건기구(WHO)가 2013년 사람에게 발암이 확인된 1군 발암물질로 지정할 정도로 암 발생의 원인이 되고 있다.
따라서 해외연구를 통해 도출된 통계적 생명가치의 추정치를 편익 이전(benefit transfer)하여 국내의 환경정책의 편익을 산정하는 경우 매우 신중하여야 하며 근본적인 한계가 존재하게 된다. 또한 국내의 사회경제적 요인이 반영된 통계적 생명가치 추정연구가 필요함을 의미한다.
먼저 국내외의 정책분석에서 다양하게 활용되고 있는 통계적 생명가치 추정의 메타 분석 연구를 통해 추정치의 범위를 참고할 필요가 있다. 통계적 생명가치를 추정하는 연구는 크게 진술선호법(stated-preference approach)과 헤도닉 임금접근법(Hedonic wage approach)로 구분될 수 있다.
따라서 단계별 영향을 추정하는 영향경로분석에서의 화폐가치화에 해당하는 통계적 생명가치 추정이 필요하지 않았다. 하지만 보다 엄밀한 정책효과 분석을 위해서는 가능한 범위에서 영향 경로분석을 적용할 필요가 있으며 이를 위해서는 보다 다양한 형태의 통계적 생명가치 추정연구가 필요하며 이를 토대로 메타연구가 진행되어야 한다.
질의응답
핵심어
질문
논문에서 추출한 답변
통계적 생명가치란?
통계적 생명가치(Value of Statistical Life, VSL)는 환경정책으로 인한 인간의 사망위험 감소를 화폐적 가치화하는 데 가장 널리 사용되는 개념이다. 다만 통계적 생명가치라는 용어가 주는 오해로 인해 인간의 생명에 대한 직접적인 화폐적 평가로 잘못 해석되기도 한다.
통계적 생명가치은 어떤 역할은 하는가?
통계적 생명가치는 환경정책의 편익 산정에 있어 매우 중요한 역할을 한다. 예를 들어 대기오염물질의 감소에 따른 건강 편익의 최종적인 화폐가치화 단위로 활용되며 이는 비용편익 분석의 기초가 된다.
환경정책의 분석 혹은 수립에 있어 인간의 건강 및 생명에 대한 부분을 화폐 가치화하는 것이 필수적인 이유는?
환경오염이 인간사회에 가져오는 가장 큰 부정적 영향은 인간의 건강이며더 나아가서 생명과 직결된다. 환경정책으로 인한 편익 역시 다양한 형태로 나타나지만 인간의 건강의 증진이 가장 큰 부분을 차지한다. 따라서 환경정책의 분석 혹은 수립에 있어 인간의 건강 및 생명에 대한 부분을 화폐 가치화하는 것은 필수적이다.
참고문헌 (26)
신영철 외, 화학물질 관리를 위한 사회경제성 분석 기반 구축(II), 국립환경과학원, 2017.
안소은 외, 환경. 경제 통합분석을 위한 환경가치 종합연구: 부문별 영향평가 및 가치추정, 한국환경정책. 평가연구원, 2018.
Alberini, A. and M. Scasny, "Context and the VSL: Evidence from a Stated Preference Study in Italy and the Czech Republic," Environmental Resource Economics, Vol. 49, 2011, pp. 511-538.
Alberini, A. and M. Scasny, "Exploring heterogeneity in the value of a statistical life: Cause of death v. risk perceptions," Ecological Economics. Vol. 94, 2013, pp. 143-155.
Alberini, A., and M. Scasny, "The benefits of avoiding cancer (or dying from cancer): Evidence from a four- country study," Journal of Health Economics, Vol. 57, 2018, pp. 249-262.
Andersson, H., and N. Treich, "The value of statistical life," A Handbook of Transport Economics, 2011, pp. 412-443.
Campbell, R. M., T. J. Venn, and N. M. Anderson, "Cost and performance tradeoffs between mail and internet survey modes in a nonmarket valuation study," Journal of Environmental Management, Vol. 210, 2018, pp. 316-327.
Choi, K. S., K. J. Lee, and B. W. Lee, "Determining the value of reduction in radiation risk using the contingent valuation method," Annals of Nuclear Energy, Vol. 28, 2011, pp. 1431-1445.
Cropper, M., J. K. Hammitt, and L. A. Robinson, "Valuing Mortality Risk Reductions: Progress and Challenges," Annual Review of Resource Economics, Vol. 3, No. 1, 2011, pp. 313-336.
Dekker, T., R. Brouwer, M. Hofkes, and K. Moeltner, "The Effect of Risk Context on the Value of a Statistical Life: A Bayesian Meta-model," Environmental and Resource Economics, Vol. 49, No. 4, 2011, pp. 597-624.
Freeman III, A. M., J. A. Herriges, and C. L. Kling, "The Measurement of Environmental and Resource Values: Theory and Methods," Third. ed. Resources for the Future, 2014.
Gilmore, E. A., J. Heo, N. Z. Muller, C. W. Tessum, J. D. Hill, J. D. Marshall, and P. J. Adams, "An inter-comparison of the social costs of air quality from reduced-complexity models," Environmental Research Letters, Vol. 14, No. 7, 2019.
Hanley, N., D. MacMillan, R. E. Wright, C. Bullock, I. Simpson, D. Parsisson, and B. Crabtree, "Contingent Valuation Versus Choice Experiments: Estimating the Benefits of Environmentally Sensitive Areas in Scotland," Journal of Agricultural Economics, Vol. 49, No. 1, 1998, pp. 1-15.
Heo, J., P. J. Adams, and H. O. Gao, "Reduced-form modeling of public health impacts of inorganic PM2.5 and precursor emissions," Atmospheric Environment, Vol. 137, 2016, pp. 80-89.
Herriges, J. A., and C. L. Kling, "Nonlinear Income Effects in Random Utility Models," The Review of Economics and Statistics, Vol. 81, No. 1, 1999, pp. 62-72.
Kjaer, T., J. S. Nielsen, and A. R. Hole, "An investigation into procedural (in)variance in the valuation of mortality risk reductions," Journal of Environmental Economics and Management, Vol. 89, 2018, pp. 278-284.
Kochi, I., B. Hubbell, and R. Kramer, "An Empirical Bayes Approach to Combining and Comparing Estimates of the Value of a Statistical Life for Environmental Policy Analysis," Environmental and Resource Economics, Vol. 34, No. 3, 2006, pp. 385-406.
Lindhjem, H., S. Navrud, and N. A. Braathen, "Valuing lives saved through environmental, transport and health policies: A Meta-analysis of stated preference studies," OECD, 2010.
Lindhjem, H., S. Navrud, N. A. Braathen, and V. Biausque, "Valuing Mortality Risk Reductions from Environmental, Transport, and Health Policies: A Global Meta-Analysis of Stated Preference Studies," Risk Analysis, Vol. 31, No. 9, 2011, pp. 1381-1407.
Muller, N. Z., R. Mendelsohn, and W. Nordhaus, "Environmental accounting for pollution in the United States economy," American Economic Review, Vol. 101, No. 5, 2011, pp. 1649-1675.
OECD, Mortality Risk Valuation in Environment, Health and Transport Policies, OECD Publishing, 2012.
Parry, I., D. Heine, E. Lis, and S. Li, "Getting Energy Prices Right: From Principles to Practice," International Monetary Fund, 2014.
Tessum, C. W., J. D. Hill, and J. D. Marshall, "InMAP: A model for air pollution interventions," PLoS ONE, Vol. 12, No. 4, 2017, pp. 1-26.
Train, K. E., "Discrete choice methods with simulation. Cambridge University Press," Cambridge, 2009.
Viscusi, W. K., and C. J. Masterman, "Income Elasticities and Global Values of a Statistical Life," Journal of Benefit-Cost Analysis, Vol. 8, No. 2, 2017, pp. 226-250.
Viscusi, W. K., and J. E. Aldy, "The value of statistical live: a critical review of market estimates throughout the world," The Journal of Risk and Uncertainty, Vol. 27, No. 1, 2003, pp. 5-76.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.