KCI등재
Big Data의 통계기법을 이용한 기업고용 성장요인 분석 = An Analysis of Employment Growth Using Big Data
저자
윤종인 (백석대학교)
발행기관
충남대학교 경영경제연구소(Management & Economics Research Institute, Chungnam National University)
학술지명
권호사항
발행연도
2020
작성언어
Korean
주제어
등재정보
KCI등재
자료형태
학술저널
수록면
79-105(27쪽)
KCI 피인용횟수
0
DOI식별코드
제공처
This study analyzes the determinants of firm’s employment growth in Korea over the last 30 years. The overfitting problem results from predictions by the usual statistical techniques. To deal with it, we use the big data tools, such as LASSO, validation and cross validation.
We obtained some statistical results. First, LASSO works better in out-of-sample performances. Second, model selection by LASSO critically depends on the tuning parameters which are different according to whether MSE or MAE are used as prediction error measures.
Parsimonious model comprises just 7 predictors which are constant, age, per capita fixed capital, current asset/asset, EBIT/asset, one industrial dummy and one annual dummy. The previous employment size is shrinked to zero in the parsimonious model. This is consistent with the well-known Gibrat’s law.
Policy implications are as follows. To promote job creation, the more start-up firms, the more fixed investment, the less financial risk and the viable operating activities are required. But policies protecting small and medium-sized firms are not helpful to create jobs.
본 연구는 지난 30년간 우리나라 개별 기업의 고용 성장을 예측하는데 도움이 되는 모형을 찾고자 하였다. 기존의 통계기법을 이용하면 과도적합화(overfitting)에 빠질 수 있으므로 LASSO, 승인, 교차승인 등 빅데이터 통계기법을 이용하였다. 주요 통계학적 결과는 다음과 같다. 첫째 LASSO의 표본 외 예측성과는 최소자승법의 것보다 우수하였다. 둘째 LASSO를 이용하여 모형을 선택할 때 튜닝 모수는 매우 중요한 요소인데, 이는 예측오차의 측정치로 MSE 또는 MAE 중 어느 것을 이용하는가에 따라 달랐다. 따라서 최소자승법보다는 LASSO를 이용하는 것이 좋지만 튜닝 모수의 선택에 따라 LASSO에 의한 모형선택은 영향을 받게 된다.
LASSO에 의해 선택된 간결한 모형은 불과 7개의 설명변수로 이루어져 있다. 예측에 도움이 되는 순서대로 열거하면, 기업의 연령, 1인당 고정자본, 유동자산/총자산, 영업이익/총자산. 그리고 산업별 더미변수와 연도별 더미변수 1개씩이었다. 반면에 전년도 고용 규모의 추정계수는 간결한 모형에서 0으로 축소되었다. 이는 기존의 고용 규모와 고용 성장의 관계가 알려진 것보다 중요하지 않음을 보여준다. 실증분석결과로부터 다음과 같은 정책적 함의를 도출할 수 있다. 일자리 창출을 위해서는 신생 기업의 창업을 촉진하고 기업의 고정투자를 늘려야 한다. 또한 재무적 안정성과 활발한 영업활동은 고용의 성장을 위해 중요한 요인으로 작용한다. 반면에 중소기업과 대기업을 차별하는 정책은 일자리창출에 도움이 되지 않는다.
분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)