---
type: paper
slug: sungho-park-2025-dynamic-have-returns
title: >-
  How dynamic have the returns to education been with technological change? A
  case study from 1998 to 2021
authors:
  - '[[sungho-park]]'
  - '[[chulwoo-baek]]'
  - '[[jeongdonglee]]'
year: 2025
venue: '[[applied-economics-letters]]'
volume: '32'
issue: '15'
pages: 2229-2233
doi: 10.1080/13504851.2024.2332565
categories:
  - '[[labor-economics]]'
  - '[[innovation-economics]]'
methods:
  - '[[hausman-taylor-model]]'
  - '[[mincer-wage-function]]'
  - '[[panel-analysis]]'
themes:
  - '[[returns-to-education]]'
  - '[[knowledge-obsolescence]]'
  - '[[automation]]'
  - '[[lifelong-learning]]'
aliases: []
last_updated: '2026-05-17T21:30:00+09:00'
---
# How dynamic have the returns to education been with technological change? A case study from 1998 to 2021

*[[sungho-park]], [[chulwoo-baek]], [[jeongdonglee]] (2025)* · [[applied-economics-letters]] 32:2229-2233 · [DOI ↗](https://doi.org/10.1080/13504851.2024.2332565)

> 한국노동패널 (KLIPS) 1998~2021 년 자료로 [[returns-to-education]] (RTE) 의 *동학* 을 추정한 letter 논문. Mincer 회귀를 [[hausman-taylor-model]] 로 확장해 unobserved skill bias 를 통제하고, 자동화 가능성 (Probability of Replacement, POR) 으로 표본을 분할해 RTE 가 *형태적으로* 어떻게 변하는지 본다. 결과는 (i) RTE 가 2010~2013 년 8.11% 정점 이후 2018~2021 년 7% 까지 감소, (ii) high-POR 그룹에서 변동성과 최근 하락이 훨씬 큼, (iii) 졸업 후 경과 시간이 길수록 RTE 감소 폭이 최근 (2010~2021) 에 훨씬 커짐 ([[knowledge-obsolescence]] 가속). 한국 정규교육이 기술변화를 따라잡지 못한다는 진단과 [[lifelong-learning]] 의 필요성으로 닫는다.

- **RQ**: 기술변화가 가속되는 환경에서 [[returns-to-education]] 은 *시간에 따라 어떻게 변동* 하며, 그 형태는 자동화 위험에 따라 다른가? [[knowledge-obsolescence]] 의 속도는 가속됐는가?
- **방법론**: [[hausman-taylor-model]], [[mincer-wage-function]], [[panel-analysis]]
- **데이터**: 한국노동패널 (KLIPS) 1998~2021, 25~64 세 임금근로자, n = 111,767 obs · 16,960 명, POR 한국고용정보원 자료 (median split)
- **주요 발견**: 1998~2001 reference RTE = 4.78% → 2010~2013 정점 8.11% → 2018~2021 7%. high-POR 그룹은 큰 변동성 (특히 최근 급락), low-POR 그룹은 6% 수준 안정. 졸업 후 0~11 년 RTE 가 1998~2009 기간 9.8% 에서 2010~2021 기간 12.5% 로 *증가* 하나, 졸업 후 36 년 + 그룹은 9.5% → 7.8% 로 *급락* ([[knowledge-obsolescence]] 가속의 직접 증거).
- **시사점**: 한국 정규교육이 기술변화를 따라잡지 못함. 교육과정의 현재·미래 기술 반영 강화 + 정규 외 [[lifelong-learning]] 체계 구축이 필요.

![자동화 가능성 (POR) 별 RTE 동학 (Figure 1). High-POR 그룹 (빨강) 은 변동성이 크고 최근 급락, low-POR 그룹 (파랑) 은 6% 부근 안정. RTE 의 *형태* 가 자동화 노출에 따라 다르다는 핵심 결과를 시각화.](/papers/202509_ParkS_How_dynamic_have_the_returns_to_education_been_with_technological_change_A_case_study_from_1998_to_2021/fig2.jpeg)

## 요약

[[returns-to-education]] (RTE) 는 인적자본 이론의 핵심 측정 대상이지만, 대부분 단면 시점의 *수준* 으로 추정되고 *동학* 은 후속 메타분석 (Psacharopoulos and Patrinos 2018 등) 으로 간접 추론돼 왔다. 그러나 기술 변화가 가속되고 디지털 전환이 진행되면서 정규교육에서 획득한 지식의 *진부화 (obsolescence)* 가 빨라지면, RTE 자체가 시간에 따라 동적으로 변할 것이라는 가설이 자연스럽다. 본 논문은 [[jeongdonglee]] anchor 의 *후기 (2017~2025) 불평등 실타래* 에 속하는 작업으로, "Growth versus equity" (2017), "Winners and losers in a knowledge-based economy" (2023), "THE SHRINKING MIDDLE" (2023) 의 4 부작 마지막 편이다.

방법은 두 갈래다. 첫째, KLIPS 1998~2021 의 임금근로자 패널을 [[hausman-taylor-model]] 로 추정. HT 모형은 (i) 시간 불변 + 외생, (ii) 시간 가변 + 외생, (iii) 시간 가변 + 내생, (iv) 시간 불변 + 내생 의 네 변수 그룹을 구분 처리해, schooling 같은 시간 불변 변수의 계수를 fixed-effect 와 호환되는 형태로 식별한다. unobserved individual ability bias 통제와 RTE 의 시간 가변 효과 (schooling × year-bucket dummy) 추정을 동시 달성. 둘째, 자동화 위험 (POR) 기준 표본 분할로 *RTE 동학의 형태* 가 자동화 노출에 따라 어떻게 다른지 비교. 셋째, 졸업 후 경과 시간을 12 년 구간으로 나눠 [[knowledge-obsolescence]] 가속 여부를 검증.

결과는 세 가지를 가리킨다. (i) 전체 RTE 는 1998~2001 의 4.78% 에서 2010~2013 의 8.11% 까지 상승 후 2018~2021 의 7% 까지 *감소*. 한국 학력 공급의 지속 증가에도 RTE 가 떨어지는 것은 수요가 줄거나 공급이 과잉이라는 의미이고, 정규교육이 기술변화를 *따라가지 못한다* 는 증거. (ii) High-POR 그룹은 변동성이 크고 최근 급락, low-POR 은 안정. 자동화의 *대체* 효과가 RTE 의 *형태* 자체를 바꾸고 있다. (iii) [[knowledge-obsolescence]] 가속의 결정적 증거: 1998~2009 기간엔 졸업 후 24~35 년 그룹 RTE 가 0~11 년 그룹보다 *높았으나* (10.75% vs 9.8%), 2010~2021 기간엔 거꾸로 *낮아진다* (10.3% vs 12.5%). 과거엔 정규교육 지식이 오래 유지됐지만 최근엔 *실시간으로* 진부화된다. 처방은 정규교육 + [[lifelong-learning]] 의 결합. Goldin and Katz (2008) 의 *education-technology race* 명제에 한국이 *지고 있다* 는 진단이다.

## 핵심 결과

RTE 의 시기별 동학 (HT 모형, Table 2 column 1, n = 111,767):

| 기간 | RTE | high-POR 그룹 RTE | low-POR 그룹 RTE |
|---|---:|---:|---:|
| 1998~2001 (ref) | 4.78% | 1.47% | 5.55% |
| 2002~2005 | 6.74% (+1.96) | 2.95% | 6.61% |
| 2006~2009 | 7.85% (+3.07) | 4.22% | 6.82% |
| 2010~2013 | 8.11% (+3.33) | 5.04% | 6.57% |
| 2014~2017 | 7.83% (+3.05) | 5.10% | 6.22% |
| 2018~2021 | 7.00% (+2.22) | 4.16% | 6.15% |

[[knowledge-obsolescence]] 동학 (Table 3, model 3): 졸업 후 경과 시간 (Eyear) 별 RTE 의 *시기 비교*:

| Eyear | 1998~2009 | 2010~2021 |
|---|---:|---:|
| 0~11 년 | 9.8% | 12.5% |
| 12~23 년 | 10.6% | 11.3% |
| 24~35 년 | 10.75% | 10.3% |
| 36+ 년 | 9.5% | 7.8% |

→ 과거엔 졸업 후 시간이 길수록 RTE 가 *유지되거나 증가* 했으나 최근엔 *급락*. [[knowledge-obsolescence]] 가 *실시간* 으로 일어남.

## 방법론 노트

[[hausman-taylor-model]] 은 패널 데이터에서 *시간 불변* 변수의 계수도 fixed-effect 와 호환되게 추정할 수 있는 방법으로, 변수를 (i) $X_{1it}$ (시간 가변, 외생), (ii) $X_{2it}$ (시간 가변, 내생), (iii) $Z_{1i}$ (시간 불변, 외생), (iv) $Z_{2i}$ (시간 불변, 내생) 의 네 그룹으로 나눠 instrument 를 구성한다. 식별의 핵심은 $X_{1it}$ 의 within-transformation 이 $Z_{2i}$ 의 도구로 작동한다는 것.

추정 모형:

$$
\ln W_{it} = \beta_1 S_i + \beta_2 \text{Age}_{it} + \beta_3 \text{Exp}_{it} + \beta_4 \text{Exp}^2_{it} + \beta_5 \text{Gender}_i + \sum_{k=2}^{6} \beta_{4+k} (S_i \times \text{Year}_{k,i}) + \alpha_i + \eta_{it}
$$

여기서 $S_i$ 는 교육연수 (time-invariant endogenous), $\text{Year}_{k,i}$ 는 4 년 구간 dummy, $\alpha_i$ 는 unobserved individual effect (내생변수와 상관), $\eta_{it}$ 는 일반 오차항. $\beta_1$ 이 1998~2001 reference RTE, $\beta_1 + \beta_{4+k}$ 가 $k$ 번째 기간 RTE. POR 분할은 한국고용정보원이 발표하는 *직업별 자동화 대체 70% 이상 노동자 비율* 의 median (15%) 기준 high/low 이분법. Hausman test 결과 (2) (3) 두 모형 모두 fixed-effect 를 지지하나, FE 에선 $S_i$ 의 계수가 추정 불가능하므로 HT 가 자연스러운 대안.

## 연구 계보

직접적 방법론 조상은 Hausman and Taylor (1981, *Econometrica*) 의 HT estimator, Mincer (1974) 의 wage function (서론 명시 인용), Card (2001, *Econometrica*) · Heckman et al. (2018, *JPE*) 의 RTE bias correction 계열, 그리고 Psacharopoulos and Patrinos (2018, *Education Economics*) 의 RTE 메타분석 (본 논문이 *동학을 정밀하게 추정* 하는 후속 작업으로 명시). 개념적 조상은 Goldin and Katz (2008) 의 *The Race Between Education and Technology* (결론에서 인용, 본 논문이 그 race 의 한국 패배 증거를 제시). 자동화 변수는 Arntz, Gregory, Zierahn (2016, *OECD WP*) 와 Frey and Osborne (2017, *Technological Forecasting & Social Change*) 의 직업별 자동화 위험 척도. [[jeongdonglee]] anchor page 의 *실타래 5: 불평등에 대한 관심* (2017~2025) 분류에 따르면, 본 논문은 sibling [[jeongdonglee-2017-growth-equity]] (Growth versus equity), [[yeongjun-yeo-2023-winners-losers]] (Winners and losers in a knowledge-based economy), [[jeongdonglee-2023-shrinking-middle]] (THE SHRINKING MIDDLE) 와 함께 *기술변화의 분배 효과* 4 부작을 이룬다. [[chulwoo-baek]] 공저자 라인 (TFP · 자동화 · 인적자본) 의 후기 작업이기도 하다.

## See also

- [[returns-to-education]]
- [[hausman-taylor-model]]
- [[mincer-wage-function]]
- [[knowledge-obsolescence]]
- [[lifelong-learning]]
- [[automation]]
- [[panel-analysis]]
- [[sungho-park]]
- [[chulwoo-baek]]
- [[jeongdonglee]]
- [[yeongjun-yeo-2025-dualistic-nature-4ir]]