산업별 고용 중기 전망의 예측오차 영향요인 분석

• 영문명: Factors Influencing Forecast Errors in Medium-Term Industry Employment Projections
• 발행기관: 부경대학교 인문사회과학연구소
• 저자명: 황선웅(Sunoong Hwang)
• 간행물 정보: 『인문사회과학연구』제26권 제3호, 351~371쪽, 전체 21쪽
• 주제분류: 사회과학 > 사회과학일반
• 파일형태: PDF
• 발행일자: 2025.08.31

국문 초록

본 연구는 한국고용정보원이 2019년 중장기 인력수급 전망 보고서에서 2018년까지의 자료를 이용해 예측한 2023년 산업 소분류 취업자 수의 오차율을 살펴보고 어떠한 요인이 그러한 오차율에 영향을 미쳤는지를 분석한다. 산업별 예측 오차율, 과소 전망, 과대 전망 여부를 종속변수로 하는 회귀식을 추정하여 다음과 같은 결과를 얻었다. 첫째, 2019년 취업자 수 예측 오차율이 큰 산업일수록 2023년 취업자 수 예측 오차율이 컸다. 2019년 취업자 수를 과소 전망하거나 과대 전망한 산업은 2023년 취업자 수도 같은 방향으로 잘못 예측할 확률이 높았다. 이는 부정확한 단기 전망이 중기 전망의 정확성을 떨어뜨리는 주요 요인 중 하나임을 의미한다. 둘째, 2018-23년 취업자 수 증가율이 높은 산업은 2023년 취업자 수를 과소 전망할 확률이 높고 과대 전망할 확률이 낮았다. 취업자 수가 빠르게 증가하거나 감소한 산업을 적절히 예측하지 못한 것도 중기 전망 오차의 주요 요인 중 하나임을 보여준다. 셋째, 2013-18년 취업자 수 증가율이 높은 산업은 2023년 취업자 수를 과소 전망할 확률이 낮고 과대 전망할 확률이 높았다. 과거 추세에 대한 높은 의존성도 중기 전망 오차의 주요 요인 중 하나임을 보여준다. 중장기 고용 전망의 정확성 개선을 위한 시사점을 정리하면 다음과 같다. 첫째, 각 산업의 고용 추세를 잘 반영하는 예측 지표 개발에 더 많은 노력을 기울일 필요가 있다. 둘째, 산업 및 직업 구조가 급격한 변화하는 현재와 같은 상황에서는 과거 자료만으로 중장기 전망의 정확도를 높이는 데 상당한 한계가 있다. 대내외 경제 환경 변화가 고용 구조에 미치는 영향에 관한 기초 연구 결과를 전망 모형에 유연하게 반영할 필요가 있다. 텍스트 마이닝, 빅데이터 분석, 머신러닝 등 비정형적 데이터 분석 방법론을 도입하는 방안도 고려할 필요가 있다. 셋째, 중기 전망의 정확성을 높이기 위해 단기 전망의 예측력도 개선되어야 한다. 한 가지 방안은 혼합주기(mixed frequency) 방법론을 이용하는 것이다. 이는 보고서 발표 연도의 취업자 수에 대한 전망(nowcasting) 오차를 줄여 중기 전망의 정확성을 높이는 데 도움이 될 것이다.

영문 초록

This study investigates the factors influencing forecast errors in industry employment projections for 2023, published by the Korea Employment Information Service (KEIS) in its 2019 report, using data up to 2018. Our regression analysis yields three main findings. First, industries with large forecast errors for 2019 also showed large errors for 2023. Industries that under- or over-predicted 2019 employment tended to make the same type of error for 2023, indicating that inaccuracies in short-term forecasts reduce the accuracy of medium-term projections. Second, industries experiencing high employment growth from 2018 to 2023 were more likely to be under-predicted and less likely to be over-predicted in the 2023 forecasts, suggesting that the forecasting model struggled to capture rapid employment changes. Third, industries with high employment growth from 2013 to 2018 were less likely to be under-predicted but more likely to be over-predicted in forecasts for 2023, indicating that the model’s heavy reliance on past trends contributed to forecast errors. These findings have important implications for improving employment forecasting. First, the model should incorporate more accurate indicators of industry-specific employment trends. Second, relying solely on historical data is limited when industries and occupations are changing rapidly. The model needs to flexibly integrate research on how economic and structural shifts affect employment patterns. Moreover, adopting new approaches, such as text mining, big data analytics, and machine learning, could further enhance forecast accuracy. Third, improving short-term forecasts is crucial for strengthening medium-term projections. In particular, mixed-frequency methods may reduce nowcasting errors, thereby improving medium-term forecast reliability.

목차

Ⅰ. 서론

Ⅱ. 산업별 고용 전망치의 분포 특성

Ⅲ. 예측오차 영향요인 분석

Ⅳ. 결론

참고문헌

키워드

고용 전망 산업 예측오차 나우 캐스팅 Employment Prediction Industry Forecast Error Nowcasting