청년층 초기 일자리의 시퀀스 특성이 경력정착기 노동시장 성과에 미치는 영향: OMA와 CatBoost 기법을 중심으로

Abstract

노동시장 진입 초기의 일자리 경험은 청년들의 장기적인 경력 형성에 있어서 매우 중요하다. 청년기에는 비교적 잦은 일자리이동을 통해 다양한 경험을 축적하고, 생애 중후반기까지 이어질 경력을 탐색하는 경우가 많다. 따라서 노동시장 진입 이후 일정 기간 청년들이 어떤 일자리이동 경험을 하는지에 따라 경력정착기의 노동시장 성과가 크게 달라질 수 있다. 본 연구는 청년층의 노동시장 진입 및 이행에 있어 초기 일자리 경력의 시퀀스가 이후 노동시장 성과에 어떤 영향을 미치는지를 살펴보고자 한다. 한국교육고용패널조사(KEEP Ⅰ) 데이터를 활용하여 26세부터 30세까지 청년층의 초기 일자리이동 경력을 최적일치법(Optimal Matching Analysis; OMA)으로 군집화하였다. 분석 결과, 청년층의 초기 일자리 경력은 후퇴형ㆍ안정형ㆍ휴식형ㆍ준비형ㆍ유동형ㆍ창업형 등 6개 유형으로 분류되었다. 다음으로 ‘청년층 노동시장 이행 추적 조사’를 활용하여 초기 일자리 경력 유형이 34세 시점의 안정적 일자리 안착에 미치는 영향을 캣부스트(CatBoost) 분류모델과 SHAP 기법을 통해 분석하였다. 초기 일자리 경력 유형을 포함한 머신러닝 모형과 포함하지 않은 머신러닝 모형을 비교한 결과, 경력시퀀스 유형이 포함된 모형에서 예측 정확도가 5%가량 상승했다. 이는 초기 일자리이동 시퀀스 유형이 경력정착기의 노동시장 성과를 예측하는 데 중요한 요소라는 것을 시사한다. SHAP value 결과를 바탕으로 각 변수의 중요도와 방향성을 확인해 본 결과, ‘안정형’과 ‘준비형’이 경력정착기 일자리의 안정성을 높이는 가장 중요한 유형임이 나타났다. 본 연구의 분석 결과는 장기적인 경력에 있어 청년층의 초기 일자리 경력이 매우 중요하다는 점을 강하게 시사한다. 또한, 본 연구에서 활용한 최적일치법과 머신러닝 기법은 향후 노동시장 연구에서 일자리이동의 패턴과 그 영향을 분석하는 데 유용한 방법론으로 활용될 수 있을 것이라 기대한다.

This study investigates the influence of the early employment experience of young individuals as they enter the labor market, and assesses the long-term effects of this early experience on subsequent labor market outcomes. To conduct this analysis, data from the ‘Korean Education Employment Panel Survey(KEEP I)’ was employed to cluster the early employment trajectories of individuals aged 26 to 30 using Optimal Matching Analysis. The analysis identified six distinct employment trajectory types for this cohort: ‘Regressive’, ‘Stable’, ‘Resting’, ‘Prepared’, ‘Fluid’, and ‘Startup’. Following this, the ‘Youth Labor Market Transition Tracking Survey’ data was utilized to examine the relationship between these early employment trajectories and employment experiences at the age of 34. This examination was conducted using the CatBoost classification model and SHAP method. The study further explored changes in machine learning performance based on whether or not the clustering results of early employment trajectories were included as variables. The findings indicate a notable increase in prediction accuracy, approximately 5%, when the employment trajectory type variables were included in the model. This result suggests that the clustering of employment sequences is a significant predictor for labor market outcomes during the career establishment stage. Based on the SHAP value analysis, the ‘Stable’ and ‘Prepared’ types emerged as the most influential in enhancing job stability during the career establishment stage. In conclusion, this research emphasizes the critical role that early employment experiences of young individuals play in shaping long-term career outcomes. Additionally, the study posits that the methodologies deployed herein, specifically Optimal Matching Analysis and machine learning techniques, hold considerable promise as valuable tools for future labor market research.