Determinants of Fertility through Machine Learning and Time Series Analysis and Response to Low Birth Crisis

• 발행기관: 한국지방행정학회
• 저자명: 이규태(Gyu-Tae Lee) 주상현(Sang-Hyeon Ju) 최영출(Young-Chool Choi) 이상엽(Sang-Yup Lee)
• 간행물 정보: 『한국지방행정학보』제22권 제1호, 1~21쪽, 전체 21쪽
• 주제분류: 사회과학 > 행정학
• 파일형태: PDF
• 발행일자: 2025.04.30

국문 초록

본 연구는 저출생 문제 해결을 위한 합계출산율(TFR)에 영향을 미치는 주요 요인을 체계적으로 분석하고, 머신러닝과 시계열 분석을 결합하여 장기적인 출산율 변화를 예측하는 것을 목적으로 한다. 한국은 2023년 기준 합계출산율 0.72명으로 OECD 국가 중 최저 수준을 기록하며, 인구 감소와 지역소멸 위기를 비롯한 사회적·경제적 문제에 직면해 있다. 저출생 문제는 노동력 부족, 고령화 심화, 사회복지 제도의 부담 증가와 같은 다양한 부정적 영향을 초래하며, 국가 경제 안정성과 사회 시스템의 지속 가능성을 위협하고 있다. 본 연구는 랜덤 포레스트, 인공신경망 등 머신러닝 기법과 ARIMA 기반 시계열 분석을 활용하여 출산율 변화의 주요 요인을 도출하고 장기적인 예측 모델을 개발하였다. 분석 결과, 경제적 지원, 보육시설 접근성, 육아휴직 제도, 주거 안정성이 출산율 개선의 핵심 요인으로 확인되었으며, 이러한 요인들의 상호작용이 출산율에 미치는 영향을 머신러닝 모델이 효과적으로 분석하였다. 머신러닝은 비선형적 관계와 복잡한 사회적 상호작용을 반영하는 데 있어 기존의 통계적 접근법보다 우수한 성능을 보였다. 본 연구는 데이터 기반의 다차원적 접근 방식을 통해 실효성 있는 정책 대안을 제시하며, 장기적 관점에서 지속 가능한 저출생 문제 해결 전략을 설계하는 데 기여하고자 한다.

영문 초록

The purposes of this study are to systematically analyze the factors influencing the Total Fertility Rate (TFR) and to develop a predictive model integrating machine learning and time-series analysis for effective policy formulation. South Korea, despite significant policy interventions over the past two decades, continues to experience a critical decline in fertility rates, recording an unprecedentedly low TFR of 0.78 in 2022, the lowest among all OECD countries. This demographic challenge poses severe threats to national economic stability, social security systems, and the sustainability of local communities, particularly in rural areas experiencing population decline. Through advanced data analytics, this study combines Random Forest, Neural Networks, and other machine learning algorithms with ARIMA-based time-series forecasting to identify key determinants influencing TFR and to predict long-term trends up to 2040. Key findings reveal that economic support, access to childcare facilities, parental leave policies, and housing stability are the most influential factors in improving fertility rates. The machine learning models outperformed traditional approaches, such as linear regression, in capturing non-linear relationships between variables and predicting complex social dynamics. This study provides valuable insights for policymakers, emphasizing the importance of multi-dimensional strategies and data-driven approaches in addressing the low birthrate crisis. Furthermore, the integration of machine learning and time-series models demonstrates a novel methodology for tackling demographic challenges and guiding evidence-based policy decisions.

목차

Ⅰ. Introduction

Ⅱ. Theoretical Background

Ⅲ. Methodology

Ⅳ. Results

Ⅴ. Conclusions

References

키워드

합계출산율 머신러닝 시계열 분석 저출생 정책 출산율 결정요인 정책 예측 Total fertility rate Machine learning Time-series analysis Low birthrate policy Fertility determinants Policy forecasting