--- type: paper slug: yeongjun-yeo-2025-dualistic-nature-4ir title: >- Dualistic nature of the 4IR: Investigating the economy-wide impacts of the 4IR with a focus on Korean economy using a CGE analysis authors: - '[[yeongjun-yeo]]' - '[[won-sik-hwang]]' - '[[kiyoon-shin]]' - '[[chanyoung-hong]]' - '[[inha-oh]]' - '[[sungmoon-jung]]' - '[[jeongdonglee]]' year: 2025 venue: '[[telecommunications-policy]]' volume: '49' pages: '102928' doi: 10.1016/j.telpol.2025.102928 categories: - '[[innovation-economics]]' - '[[ict-policy]]' methods: - '[[cge-analysis]]' - '[[ces-function]]' - '[[panel-analysis]]' themes: - '[[fourth-industrial-revolution]]' - '[[routine-biased-technological-change]]' - '[[digital-transformation]]' - '[[labor-market-polarization]]' - '[[income-inequality]]' - '[[lifelong-learning]]' aliases: [] last_updated: '2026-05-17T21:30:00+09:00' --- # Dualistic nature of the 4IR: Investigating the economy-wide impacts of the 4IR with a focus on Korean economy using a CGE analysis *[[yeongjun-yeo]], [[won-sik-hwang]], [[kiyoon-shin]], [[chanyoung-hong]], [[inha-oh]], [[sungmoon-jung]], [[jeongdonglee]] (2025)* · [[telecommunications-policy]] 49:102928 · [DOI ↗](https://doi.org/10.1016/j.telpol.2025.102928) > [[fourth-industrial-revolution]] (4IR) 의 경제 시스템 전반 충격을 한국 경제 대상 동적 [[cge-analysis]] 으로 시뮬레이션한 논문. TEMIP (Technology and Economy Modeling for Innovation Policy Assessment) 모형 위에 [[routine-biased-technological-change]] (RBTC) 와 capital-biased technological change 를 multi-level nested [[ces-function]] 으로 내생화하고, 7 개 정책 시나리오 (BAU, DTDIFF, DTDIFFL, DTDIFF10/20, DTDIFF10L/20L) 로 4IR 의 *이중성* 을 정량 평가. 결론은 4IR 이 GDP 와 생산성을 증대시키지만 동시에 [[labor-market-polarization]] 과 [[income-inequality]] 를 심화시키며, [[lifelong-learning]] 기반 직무 전환이 이 이중성을 완화하는 핵심 정책 레버라는 것. - **RQ**: 4IR 의 경제 전반 충격은 무엇이고, 이 충격은 어떤 *조건* 에서 포용적 성장으로 전환되는가? - **방법론**: [[cge-analysis]], [[ces-function]] (multi-level nested), [[panel-analysis]] (탄력성 추정), 31 부문 산업분류, SAM (Social Accounting Matrix) - **데이터**: World KLEMS database + 통계청 지역별 고용조사 (2008~2020) + 한국 산업연관표, σ_RLD = 1.23~2.18, σ_LC = 0.74, σ_KC = 1.00 - **주요 발견**: 4IR 가속 시 GDP · 산업생산 증가, 그러나 routine-biased 자동화로 routinized 노동 실업률 상승 · task premium 확대 · 소득분배 악화. 학습 기반 endogenous 직무 전환 (L-시나리오) 도입 시 모든 효과가 *방향 전환* — GDP 추가 상승, routinized 실업률 BAU 이하, task premium 축소, 소득분배 BAU 보다 *개선*. - **시사점**: 4IR 정책은 기술 확산 공급정책 + 노동시장 적응성 정책 (vocational training · lifelong learning) 의 패키지로 설계돼야 한다. 정책의 영역이 과학기술·혁신을 넘어 교육·노동·복지로 확장돼야 한다는 통합 진단. ![4IR 의 거시경제 충격 채널 (Figure 1). 생산성 향상 (productivity improvements), routine-biased 기술 변화 (RBTC), 소비 변화 (consumption-side changes) 의 세 채널이 산업 · 노동시장 · 가계 부문을 통해 GDP · 분배 · 고용으로 전파되는 경로를 도식화. CGE 가 잡아내야 할 *복합 인과* 가 한 장에 정리된 frame.](/papers/202504_YeoY_Dualistic_nature_of_the_4IR_Investigating_the_economy_wide_impacts_of_the_4IR_with_a_focus_on_Korean_economy_using_a_CGE_analysis/fig1.jpeg) ## 요약 [[fourth-industrial-revolution]] (4IR) 은 AI · IoT · big data 의 융합으로 정의되는 *general-purpose technology* 의 paradigm shift 이며, 그 충격은 단일 산업이 아닌 *경제 시스템 전체* 로 spillover 한다. 기존 연구는 4IR 의 생산성 효과나 노동 대체 효과를 부분적으로 다뤘지만, 산업 간 연계 · 가계 · 노동시장 · 정부의 *상호작용* 을 통합적으로 정량화한 작업은 부족했다. 본 논문은 [[jeongdonglee]] 그룹의 *CGE * [[ces-function]] 전통* (Hwang et al. 2021, 2022, [[yeongjun-yeo]] · Lee · Jung 2023) 의 TEMIP 모형을 4IR 맥락에서 확장 적용한다. 핵심 방법론은 *multi-level nested* [[ces-function]] 안에 4IR 의 두 핵심 특성을 내생화하는 것이다. 첫째, [[routine-biased-technological-change]] (RBTC) 는 routinized labor (RL) 와 *intangible digital transformation capital* (DT_IC, SW · AI) 의 대체 (σ_RLD = 1.23~2.18, 산업별), 이렇게 만들어진 RLD composite 과 *non-routinized labor* (NRL) 의 보완 (σ_LC = 0.74) 으로 captured. 둘째, capital-biased change 는 *tangible digital transformation capital* (DT_TC, IT · CT) 와 physical capital (K) 의 대체 (σ_KC = 1.00) 로 처리. World KLEMS 와 통계청 지역별 고용조사 (2008~2020) 로 산업별 탄력성을 econometrically 추정. 또 *endogenous* 직무 전환 (routine → non-routine) 을 학습 통한 skill upgrade 함수로 내생화. 가계 부문은 소득 5분위로 heterogeneous 처리. 7 개 시나리오 (BAU 기준점, DTDIFF/L = 4IR 확산 ± 학습, DTDIFF10/20 = 투자 10/20% 가속, +L = 학습 포함) 의 비교 결과는 *이중성* 을 명료하게 드러낸다. (i) GDP · 산업생산 · 부가가치 모두 4IR 가속에 따라 증가, 특히 디지털 전환 자본을 *고활용* 하는 제조업 (Sector B) 의 부가가치 증가가 가장 큼. (ii) 학습 없는 시나리오 (DTDIFF, DTDIFF10/20) 에서는 routinized 노동 실업률이 BAU 위로 상승하고, task premium (non-routine vs routine wage 비율) 이 확대되며, 하위 40% / 상위 20% 의 소득점유 비율 (percentile distribution index) 악화. (iii) 학습 기반 직무 전환 시나리오 (DTDIFFL, DTDIFF10L/20L) 에서는 모든 효과가 *방향 전환* — GDP 추가 상승, routinized 실업 BAU 이하, task premium BAU 이하, 소득분배 BAU *보다 개선*. 결론은 명료하다. 4IR 정책은 기술 공급 정책만으로는 *위험* 하며 노동시장 적응성 정책 (vocational training · [[lifelong-learning]]) 패키지가 필수. ## 핵심 결과 7 개 시나리오 정의: | 시나리오 | 4IR 기술 확산 | 노동시장 학습 | |---|---|---| | BAU | N/A | N/A | | DTDIFF | 추정 투자계수 | N/A | | DTDIFFL | 추정 투자계수 | 학습 통한 endogenous 직무 전환 | | DTDIFF10 / 10L | 투자계수 +10% | N/A / 학습 포함 | | DTDIFF20 / 20L | 투자계수 +20% | N/A / 학습 포함 | 산업 부가가치 (2030 년 BAU 대비) Sector B (제조업 · 디지털 고활용) 가 +10% 이상 증가, Sector D (디지털 자본 생산 서비스업) 가 가장 큰 *생산* 증가. Sector A (디지털 자본재 생산 제조업) 는 이미 디지털 자본 saturation 으로 marginal gain 작음. 노동시장 효과: routinized 노동 실업률 = DTDIFF 에서 BAU 위, DTDIFFL 에서 BAU 아래. Task premium = DTDIFF 가속 시 확대, DTDIFFL 시 BAU 이하로 압축. 소득분배 (percentile distribution index, 하위 40% / 상위 20%) = DTDIFF 시 BAU 보다 악화, DTDIFFL 시 BAU 보다 개선. 핵심 탄력성 (Table 1): | 파라미터 | 값 | 산업별 변동 | 출처 | |---|---:|---|---| | σ_RLD (routine labor ↔ DT_IC) | 1.23~2.18 | 산업별 다름 | 본 연구 추정 | | σ_LC (NRL ↔ RLD composite) | 0.74 | 전체 산업 | 본 연구 추정 | | σ_KC (K ↔ DT_TC) | 1.00 | 전체 산업 | Yeo et al. 2023 · Berg et al. 2018 | ## 방법론 노트 [[cge-analysis]] 의 강점은 외생 충격이 *모든 시장의 균형* 으로 어떻게 전파되는지 추적할 수 있다는 점이다. 본 모형은 multi-level nested [[ces-function]] 을 사용해 *서로 다른 substitution / complementarity* 를 단계별로 잡는다. 핵심 식 (Eq. 1, 생산성 spillover): $$ SPOV_i = \exp(\Delta RND \cdot \text{rdelas}) \cdot \exp(\Delta DT_{TC} \cdot \text{tcelas}) \cdot \exp(\Delta DT_{IC} \cdot \text{icelas}) \cdot \exp(\Delta OTRRND \cdot \text{othelas}) $$ 여기서 $\Delta$ 는 각 자본 stock (R&D, digital tangible, digital intangible, 타산업 R&D) 의 상대비중 변화, elasticity 계수는 산업별 추정. 요소 결합의 nested CES (Eq. 2, 3, 4): $$ KC_i = \gamma_i^{KC} \left( \theta_i^K K_{i,t}^{-\rho_i^{KC}} + (1-\theta_i^K) DT_{TC_{i,t}}^{-\rho_i^{KC}} \right)^{-1/\rho_i^{KC}} $$ $$ RLD_i = \gamma_i^{RLD} \left( \theta_i^{RL} RL_{i,t}^{-\rho_i^{RLD}} + (1-\theta_i^{RL}) DT_{IC_{i,t}}^{-\rho_i^{RLD}} \right)^{-1/\rho_i^{RLD}} $$ $$ LC_i = \gamma_i^{LC} \left( \theta_i^{RLD} RLD_{i,t}^{-\rho_i^{LC}} + (1-\theta_i^{RLD}) NRL_{i,t}^{-\rho_i^{LC}} \right)^{-1/\rho_i^{LC}} $$ 여기서 $K$ = 물리자본, $DT_{TC}$ = 디지털 tangible 자본 (IT · CT 의 Cobb-Douglas 결합), $RL$ = routinized labor, $DT_{IC}$ = 디지털 intangible 자본 (SW 중심), $NRL$ = non-routinized labor. $\rho = (1-\sigma)/\sigma$ 의 ρ-σ 변환으로 substitution elasticity 가 정의된다. σ > 1 이면 substitution, σ < 1 이면 complementarity. non-routinized labor 의 wage curve (Eq. 5): $$ \frac{w_{nrl}}{P_c} = (ur^{nrl})^{\beta} $$ 여기서 $ur^{nrl}$ 은 non-routine 노동 실업률, $\beta$ 는 실질임금-실업률 탄력성. Routinized 노동은 최저임금 floor 가 binding 될 때 unemployment 발생. 식별은 (i) World KLEMS · 통계청 데이터의 산업별 panel 로 σ 추정 + (ii) BAU 와 정책 시나리오의 *반사실 비교* 로 충격 효과 식별. 31 개 산업 (디지털 자본재 생산 / 활용 / 비활용 분류) × 7 시나리오 × 2008~2030 dynamic 시뮬레이션. ## 연구 계보 직접적 방법론 조상은 [[jeongdonglee]] 그룹의 *CGE-TEMIP 라인* — Hwang et al. (2021, 2022) 의 TEMIP 모형 원형, [[yeongjun-yeo]] · Lee · Jung (2023, [[yeongjun-yeo-2023-evaluation-impacts]] 같은 sibling), [[yeongjun-yeo]] and Lee (2020) 의 4IR · RBTC 모형. 명시적 인용. 개념적 조상은 Acemoglu and Restrepo (2019) 의 *automation and new tasks* 이론, Autor and Dorn (2013) 의 *task polarization* 가설, Frey and Osborne (2017) · Arntz et al. (2016) 의 *직업별 자동화 위험* 척도, Brynjolfsson and McAfee (2014) 의 *Second Machine Age* 일반정보론. [[jeongdonglee]] anchor page 의 *실타래 5: 불평등에 대한 관심* (2017~2025) 분류에 따르면, 본 논문은 sibling [[jeongdonglee-2017-growth-equity]] (Growth versus equity, CGE 기반 분배 분석의 첫 작품), [[yeongjun-yeo-2023-winners-losers]] (Winners and losers in a knowledge-based economy), [[sungho-park-2025-dynamic-have-returns]] (RTE 동학), [[jeongdonglee-2023-shrinking-middle]] (THE SHRINKING MIDDLE) 와 함께 *기술변화의 분배 효과 정량화* 라인의 핵심 작업이다. [[yeongjun-yeo]] · [[won-sik-hwang]] · [[chanyoung-hong]] · [[inha-oh]] 의 CGE 공저 라인 (10 년 이상 누적) 의 후기 종합 작품이기도 하다. ## See also - [[cge-analysis]] - [[ces-function]] - [[routine-biased-technological-change]] - [[fourth-industrial-revolution]] - [[digital-transformation]] - [[labor-market-polarization]] - [[income-inequality]] - [[lifelong-learning]] - [[automation]] - [[yeongjun-yeo]] - [[won-sik-hwang]] - [[kiyoon-shin]] - [[chanyoung-hong]] - [[inha-oh]] - [[sungmoon-jung]] - [[jeongdonglee]] - [[sungho-park-2025-dynamic-have-returns]]