How dynamic have the returns to education been with technological change? A case study from 1998 to 2021

Sungho Park, Chulwoo Baek, 이정동 (2025) · Applied Economics Letters 32:2229-2233 · DOI ↗

한국노동패널 (KLIPS) 19982021 년 자료로 교육 수익률 (RTE) 의 동학 을 추정한 letter 논문. Mincer 회귀를 Hausman-Taylor 모형 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 20102013 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 (지식 진부화 가속). 한국 정규교육이 기술변화를 따라잡지 못한다는 진단과 평생 학습 의 필요성으로 닫는다.

RQ: 기술변화가 가속되는 환경에서 교육 수익률 은 시간에 따라 어떻게 변동 하며, 그 형태는 자동화 위험에 따라 다른가? 지식 진부화 의 속도는 가속됐는가?
방법론: Hausman-Taylor 모형, Mincer 임금함수, 패널 분석
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 (지식 진부화 가속의 직접 증거).
시사점: 한국 정규교육이 기술변화를 따라잡지 못함. 교육과정의 현재·미래 기술 반영 강화 + 정규 외 평생 학습 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.

요약

교육 수익률 (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 이정동 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 모형 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 지식 진부화 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 20182021 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) 지식 진부화 가속의 결정적 증거: 19982009 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 + 평생 학습 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%

지식 진부화 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. 지식 진부화 가 실시간 으로 일어남.

방법론 노트

Hausman-Taylor 모형 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. 이정동 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.

인접 그래프

1-hop 이웃 14개

인물 3
방법론 3
개념 2
주제 2
수록처 1
분류 2
논문 1

휠 = 확대/축소 · 드래그 = 이동 · hover = 라벨 · 클릭 = 페이지 이동

이 문서를 가리키는 페이지

논문 (1)

Dualistic nature of the 4IR: Investigating the economy-wide impacts of the 4IR with a focus on Korean economy using a CGE analysis

개념 (1)

평생 학습