[공모전] 노동공급 이탈 예측 모형을 활용한 노동력 회복 정책 및 개선방안 제언

📑 프로젝트 내용

❓주제 선정 배경

1. 노동력 변동성을 예측하여 지역별 노동력 이탈 현상 분석

2. 외부 변수(경제 성장률, 인구 이동 등)를 반영한 예측 결과 기반 노동력 회복 정책 제언 대시보드 제작

🔗 데이터 수집

🙋🏻‍♀️ 본인이 맡은 역할

⓵ 객관적 자료를 기반으로 복합적 지표 구성 제안

• 정의 : 지역별 인구 정보를 고려한 노동 숙련 인구 지표

• 계산 : (총 인구수 정규화 + 순이동자수 정규화 + 자연증감 정규화) / 3
→ 정규화는 MINMAX Scaler를 이용하여 0 ~ 100 사이의 값으로 계산하였습니다.

• 정의 : 지역별 경제 정보를 고려한 노동 숙련 경제 지표

• 계산 : (1인당 GRDP 정규화 + GRDP 성장률 정규화 + 1인당 산업 매출액 정규화) / 3
→ 정규화는 MINMAX Scaler를 이용하여 0 ~ 100 사이의 값으로 계산하였습니다.

• 정의 : 지역별 고용 정보를 고려한 노동 숙련 고용 지표

• 계산 : (인원부족률(역수) 정규화 + 미충원률(역수) 정규화 + 취업률 정규화 + 국민연금 가입자수 정규화) / 4
→ 정규화는 MINMAX Scaler를 이용하여 0 ~ 100 사이의 값으로 계산하였습니다.

⓶ 인구지표, 고용지표 데이터 전처리 및 지표 구성

• 데이터 명: 시군구_성_연령_5세_별_주민등록연앙인구, 시군구별_이동자수, 시도_인구동태건수_및_동태율_출생_사망_혼인_이혼
1. 시군구_성_연령_5세_별_주민등록연앙인구 파일
1. 연도 > 시도 > 성별 > 연령(10세 단위)으로 그룹화 후, 총 인구수 계산

PS = PS[~PS['시도별'].isin(['전국'])]
PS = PS[~PS['연령별'].isin(['계'])].reset_index(drop=True)

def find_upper_age_limit(group):
    def get_last_age(age_str):
        if '이상' in age_str:
            return int(age_str.split('세')[0])
        else:
            return int(age_str.split('-')[1].replace('세', ''))
    
    group['상한연령'] = group['연령별'].apply(get_last_age).max()
    return group

def group_ages_and_sum(group):
    upper_limit = group['상한연령'].iloc[0]
    
    def group_ages(age_str):
        start_age = int(age_str.split('-')[0]) if '-' in age_str else int(age_str.split('세')[0])
        
        if start_age >= upper_limit:
            return f'{upper_limit}세 이상'
        
        grouped_start_age = (start_age // 10) * 10
        return f'{grouped_start_age}-{grouped_start_age + 9}세'
    
    group['연령별'] = group['연령별'].apply(group_ages)
    
    group_sum = group.groupby(['시점', '시도별', '성별', '연령별'], as_index=False)['평균총인구수'].sum()
    
    return group_sum

PS = PS.groupby(['시점', '시도별', '성별']).apply(find_upper_age_limit)
PS = PS.groupby(['시점', '시도별', '성별']).apply(group_ages_and_sum).reset_index(drop=True)
PS = PS[PS['성별'] == '계'].reset_index()
PS_mean_region = PS.drop(columns=['index', '성별', '연령별'])
PS_mean_region

2. 시군구별_이동자수 파일
1. 연도 > 시도 > 순이동(명)으로 그룹화 후, 순이동자수 계산

PM = PM[~PM['시도별'].isin(['전국'])]
PM = PM[PM['항목'].isin(['순이동 (명)'])].reset_index()
PM = PM.drop(columns=['index'])
PM_mean_region = PM
PM_mean_region

3. 시도_인구동태건수_및_동태율_출생_사망_혼인_이혼 파일
1. 연도 > 시도 > 자연증가율(천명당)로 그룹화 후, 자연증감 계산

BS = BS[~BS['시도별'].isin(['국외', '전국'])]
BS = BS[BS['항목'].isin(['자연증가율 (천명당)'])].reset_index()
pd.set_option('display.float_format', lambda x: '%.1f' % x)
BS = BS.drop(columns=['index', 'level_0'])
BS_mean_region = BS
BS_mean_region

⓷ 대시보드 제작

💡성과/의의

📍대시보드 인사이트

📍프로젝트 의의

1. 객관적 자료를 기반으로 복합적 노동 숙련 지표 구성
1. 연구자료와 공문을 바탕으로 노동 숙련 지표를 구성하였습니다.
2. 지표별 가중치를 통일화하기 위해 min-max 정규화로 지표를 구성하였습니다.

2. 노동력 예측 모델 분석 결과 및 지표를 기반으로 한 대시보드 제공
1. RandomForest 모델로 분석한 노동력 예측 모델을 노동 이탈 현황 파악 대시보드에 추가함에 따라, 산업 및 지역별 노동 공급 편차를 확인 가능하도록 구성하였습니다.
2. 객관적 자료를 기반으로 구성된 노동 숙련 지표를 지역별 노동 숙련도 현황 대시보드에 추가함에 따라, 각 지표별 노동 숙련 현황 파악이 가능하도록 구성하였습니다.

3. Random Forest LIME 분석을 기반으로 한 지역 유형 분류 및 정책 제언
1. LIME 결과를 기반으로 영향을 미치는 요소가 유사한 시도를 묶어 6개 지역 유형으로 분류하였으며, 6개 지역별 평균 노동 숙련 지표를 확인하여 레벨을 부여하였습니다.
2. 분류된 6개 지역 그룹별로 미래 노동 공급에 도움이 되는 맞춤형 정책을 제언하였습니다.

📍아이디어 결론

💬 회고

➕ 보완할 점

• ‘노동 공급 현황 확인을 위한 대시보드: 플라이어’에서, 크게 지역별로만 분류하여 노동 이탈 혹은 공급을 확인한 부분이 아쉬웠습니다. 더 나아가 산업별 등 더 다양한 분류 기준을 사용하여 노동 이탈 혹은 공급을 확인하는 것이 목표입니다.

• 지표를 구성함에 있어 데이터를 수집하는 과정에서, 다양한 데이터를 고려하다 보니 모든 데이터의 시점, 주기 등을 일치화하는 과정에서 짧은 기간의 데이터 값으로만 지표를 구성한 점이 아쉬웠습니다.

🚶🏻‍♀️‍➡️ 성장한 점

• 이전의 대시보드를 제작할 때에는 다양하고 깊은 분석 모델을 활용하지 못한 점이 아쉬웠는데, 이번 대시보드에서는 깊은 분석 모델을 활용하여 함께 제공할 수 있었던 점이 의미있었습니다.

• ‘노동 공급 현황 확인을 위한 대시보드: 플라이어’를 바탕으로 지역별 취약 부분을 확인하고, 이에 따른 맞춤형 정책을 제언하는 시간이 의미있었습니다.