TEMEP Wiki

How Susceptible are Skills to Obsolescence? A Task-Based Perspective of Human Capital Depreciation

Sonja Walter, 이정동 (2022) · Foresight and STI Governance 16:32-41 · DOI ↗

디지털화·자동화가 어떤 종류의 인적 자본을 가장 빨리 진부화 시키는가 라는 질문을. 독일 사회경제 패널 (GSOEP) 1984-2017 의 교육-경험-임금 패널에 Mincer 임금 방정식 + Neumann-Weiss 모델 확장 + 패널 고정효과 모형 적용. 핵심 발견: 고숙련일수록 감가상각 빠름 — 연간 숙련 진부화 율 직업 교육 (VET) (VET) 1.1% / Higher VET 1.4% / University 1.2%. 5 task type 분리 추정에서 비루틴 상호작용 과업 (Higher VET 2.3%, University 2.0%) 가 가장 빠른 진부화 — 기술 보완성 가 driver. 기술경영경제정책전공 의 제3기 거시-미시 통합 라인의 노동시장 micro counterpart 확장.

Task type 별 educational depreciation rate 분포 — 비루틴 interactive · 루틴 cognitive 가 가장 빠른 감가상각, 비루틴 analytical 이 가장 느린 감가상각. 고숙련 + 기술 complementarity 의 비대칭 패턴 시각화.

요약

기술경영경제정책전공 의 제3기 (2014-2021) 거시-미시 통합 cohort 의 노동시장 micro counterpart. Sonja Walter 의 Human capital depreciation and job tasks (HEAd’21 conference proceedings, 본 paper 의 예비 결과) 이 직접 선조. 본 paper 는 그 framework 을 peer-reviewed full paper 로 격상하면서 Russia-based foresight 학술지 의 정책 readership 으로 확장. 기술경영경제정책전공 의 교육-기술-노동 라인 (이정혜 의 returns to education + 신기윤·여영준 의 R&D-교육 CGE) 의 EU 실증 anchor 갈래.

이론 framework: Becker (1964) 의 human capital 의 두 감가상각 차원 — internal (연령·미사용) vs external (시장 가치 하락). Neuman · Weiss (1995) 의 schooling vintage 모델이 간접 측정 anchor — Mincer wage 회귀의 education × experience interaction 계수가 연간 감가상각률. 본 paper 는 이 framework 에 task type 차원 추가 — Spitz-Oener (2006) + Autor · Levy · Murnane (2003) 의 5 task taxonomy (비루틴 analytical, 비루틴 interactive, 비루틴 manual, 루틴 cognitive, 루틴 manual). 가설: H1a/b — 고등 교육 + 직업 교육이 일반 교육보다 빠른 감가상각, H2a/b — 기술 complementarity 강한 task + 기술 변화 강한 task 가 빠른 감가상각. 데이터는 독일 독일 사회경제 패널 (GSOEP) 34 년 패널 (1984-2017) — long-term variation 식별 + Dengler et al. (2014) 의 occupational task classification 결합. Muro et al. (2017) Brookings digitalization 자료로 task 별 기술 강도 + 기술 변화 강도 4-quadrant 매트릭스 구축.

결과 (full model spec 5, controls = personal + job + industry + tasks): 감가상각률 — VET pexper -0.011** (= 1.1%/yr), Higher VET pexper -0.014** (= 1.4%/yr), University pexper -0.012** (= 1.2%/yr). High school pexper +0.008** — 일반 고등학교 졸업자는 경험이 임금에 추가 기여, 즉 감가상각 안 됨. Task 분리 (model 3): 비루틴 interactive 의 Higher VET 2.3%, University 2.0% — 최고. 비루틴 analytical 의 Higher VET 1.2%, University 0.9% — 최저. 4-factor matrix (Table 4): 비루틴 interactive (관리·엔터테인먼트) 는 기술 강도 高 + 변화 高 → 감가상각 高, 비루틴 manual (수리·서비스) 는 기술 강도 低 + 변화 高 → 감가상각 中, 비루틴 analytical (연구·설계) 는 기술 강도 中 + 변화 低 → 감가상각 低. 한계: 단일 국가 (독일), 1984-2017 의 전통적 자동화 시대 — 생성형 AI 효과 (2017 이후) 미반영. 그러나 task × education 의 2-way 식별이 기술경영경제정책전공 의 축적 vs 진부화 긴장의 노동시장 quantitative anchor 제공.

핵심 결과

Education / TaskNon-routine analyticalNon-routine interactiveNon-routine manualRoutine cognitiveRoutine manual
VET1.0% **1.9% ***1.5% ***1.6% ***1.2% ***
Higher VET1.2% ***2.3% ***1.9% ***2.1% ***1.5% ***
High school−0.8% * (성장)−0.8%0.0%−0.3%−1.1% *** (성장)
University0.9% *2.0% ***1.6% ***1.9% ***1.1% *

Note: 연간 감가상각률 (= -1 × pexper interaction 계수). *p<0.05, **p<0.01, ***p<0.001. 음수는 임금 추가 성장. 굵게: task type 별 max.

Full-model spec (Table 2, model 4 controls = personal + job + industry): 평균 감가상각 VET 1.1% · Higher VET 1.4% · University 1.2% · 경험 quadratic decay 0.1%/yr².

방법론 노트

핵심 통찰: Mincer 임금 회귀에 education × potential experience interaction 을 도입하면 그 계수가 연간 감가상각률 로 해석 가능 (Neuman-Weiss 1995). 직접 감가상각 측정의 자료적 어려움 (skill assessment 시계열 부재) 을 임금 동학 의 간접 식별로 해소. Task type 분리는 집계 평균이 가리는 이질성 surface — 일반 University 평균 1.2% 안에 비루틴 interactive 2.0% + 비루틴 analytical 0.9% 의 2 배 격차 가 숨어있음.

핵심 식 (Mincer 임금 방정식 확장):

ln⁡wit=β0+β1Edui+β2(Edui×pexperit)+β3pexperit+β4pexperit2+Xit+εit\ln w_{it} = \beta_0 + \beta_1 Edu_i + \beta_2 (Edu_i \times pexper_{it}) + \beta_3 pexper_{it} + \beta_4 pexper_{it}^2 + X_{it} + \varepsilon_{it}

여기서 witw_{it} 는 시점 t 에 individual i 의 시간당 임금, EduiEdu_i 는 5 categorical (Middle / VET / Higher VET / High school / University), pexperit=age−schooling durationpexper_{it} = \text{age} - \text{schooling duration}, XitX_{it} 는 personal · job · industry · task 5 type 의 controls. 핵심 모수 β2<0\beta_2 < 0 이 연간 감가상각률 (negative interaction = experience 진행과 함께 education premium 소실).

식별 전략: 패널 고정효과 모형 (individual fixed effect 제거 — time-invariant unobservable 통제) + robust clustered SE (heteroskedasticity + autocorrelation). Task type 분류는 Dengler et al. (2014) 의 dominant task type assignment — 각 직업에 1 dominant task type. 5 sample 분리 추정 (각 task type 별) 으로 education × pexper interaction 의 task-specific heterogeneity 식별. Robustness: 1984-2017 단일 panel 의 long-term 식별. Limitation: 직업 변경 시 task type 변화의 intra-person 식별 불가 (직업 변경 = treatment).

연구 계보

본 paper 의 직접 선조는 Human capital depreciation and job tasks (HEAd’21 conference 의 예비 결과 — 같은 1 저자 + 같은 framework). 외부의 Becker (1964, human capital 이론), Mincer (1974, Schooling, Experience, and Earnings), Neuman · Weiss (1995, schooling vintage 의 간접 측정), Spitz-Oener (2006, 독일 task framework), Autor · Levy · Murnane (2003, skill content of recent technological change — 본 paper 의 task-biased technical change anchor), Autor · Dorn (2013, job polarization 의 미국 실증), Frey · Osborne (2017, future of employment 의 자동화 위험). 방법론은 Backes-Gellner · Janssen (2009, skill obsolescence + task), Murillo (2011, Spain 실증), Weber (2014, specific vs general skill), Lentini · Gimenez (2019, OECD 산업별 감가상각). 이정동 author page anchor 의 제3기 (2014-2021) accumulation 의 학술적 기반 구축 시기 + 실타래 5: 불평등에 대한 관심 (2017-2025) 라인의 노동시장 micro 갈래. TEMEP 내 자매 작업은 Human capital depreciation and job tasks (직접 선조) 과 Revitalizing the race between technology and education: Investigating the growth strategy for the knowledge-based economy based on a CGE analysis (R&D-교육 race CGE — 같은 교육-기술-노동 라인의 macro counterpart) 과 Growth versus equity: A CGE analysis for effects of factor-biased technical progress on economic growth and employment (skill premium 의 CGE 측면).

See also

인접 그래프

1-hop 이웃 25개
  • 인물 2
  • 개관 1
  • 방법론 3
  • 개념 9
  • 주제 5
  • 수록처 1
  • 분류 1
  • 논문 3
휠 = 확대/축소 · 드래그 = 이동 · hover = 강조 · 클릭 = 페이지 이동