Inequality of Opportunity Analysis in Korea using Machine Learning

머신러닝을 이용한 한국의 기회불평등 분석

개인이 선택할 수 없는 환경에 의해 성취가 결정된다면 기회불평등이 존재한다. 기회불평등과 관련된 선행연구들에서는 연구자가 자의적으로 환경 변수를 선택하고 개인의 타입을 분류했다. 이에 본 연구는 머신러닝 기법을 활용하여 개인의 타입을 결정하는 환경 변수를 선별하고 이를 토대로 개인의 타입을 분류한 후, 한국의 소득기회불평등을 분석하였다. 구체적으로 조건부 추론 나무와 조건부 랜덤포레스트 모형을 통해 개인의 타입을 분류하고 소득기회불평등 추세를 도출하였다. 주요 연구 결과로는 첫째, 다양한 환경 변수들을 종합적으로 고려할 때, 한국의 소득기회불평등은 감소하는 추세를 보인다. 둘째, 부모의 학력과 업종, 종사상 지위 등 부모 환경 변수가 소득기회불평등에 미치는 영향이 크다. 이는 부모의 학력 등을 대리변수로 이용한 기존 연구 결과의 타당성을 뒷받침한다. 셋째, 과거에 비해 출생지와 성장지가 점차 소득기회불평등의 주요한 환경 변수로 작용하므로, 소득기회불평등을 발생하는 경로로서 지역에 대한 추가적인 연구가 필요하다. 넷째, 한국의 소득기회불평등 구조는 시간이 지나면서 점차 복잡하게 변화하고 있다. 본 연구는 머신러닝 기법을 활용해 데이터에 기반하여 개인의 타입을 분류한 점에서 기존 연구와 차이를 보이며, 한국에서 어떤 요인이 주요한 환경 변수로 작용하는 지를 확인한 측면에서 향후 한국의 기회불평등 연구 및 정책 설계에 활용할 수 있다는 의의가 있다.

Inequality of opportunity arises when individual outcomes are determined by circumstances beyond their control. In previous research on this topic, a common issue was the arbitrary selection of variables representing individual circumstances, which leads to subjective classification of individual types based on these variables. To address this problem, our study uses machine learning techniques to identify significant circumstances, categorize individual types, and analyze income inequality of opportunity in Korea. Specifically, we employ conditional inference trees and conditional random forest models. The key findings of our study are as follows. First, when comprehensively considering various circumstances, income inequality of opportunity in Korea shows a decreasing trend. Second, parental circumstances, related to parental education statuses, industries in which parents were engaged, and occupational statuses of parents, have substantial impacts on income inequality of opportunity. This supports the validity of existing studies that used parental education as a proxy for circumstances that individuals may experience. Third, the impact of regional factors such as birthplace and the growing place on income inequality of opportunity has increased over time. Last, the structure of income inequality of opportunity in Korea has been more complex over time. Compared to the previous studies, this study has the following advantages. We use machine learning techniques to classify individual types based on data without subjective variable selection. Also, our findings have significant implications for future research and policy development related to inequality of opportunity in Korea, particularly in that it promotes our understanding of the relative importance of variables that influence income inequality of opportunity in Korea.