검색 상세

정부 재정 지출 유형과 구조가 국민 행복에 미치는 영향 : AI 머신러닝을 활용하여

The Impact of National Fiscal Types and Structures on Happiness: AI MachineLearning Driven Analysis

  • 이지현 (G HYUN LEE, 대학원 행정학과 정책학전공)

초록/요약

본 연구는 국민행복을 중심에 두고, 정부 재정 지출의 유형과 구조가 복지국가 설계에 미치는 전략적 중요성을 실증적으로 분석하였다. 특히 예산제약 하에서 정부 재정지출과 국민행복 간의 관계를 최대화하는 복지국가 유형별 재정지출의 균형점을 도출하고자 하였다. 이를 위해 OECD 38개국(2007~2021년)의 패널데이터를 활용하여 표준화된 고정효과모형 등 회귀분석을 수행하였다. 아울러 비지도학습(PCA, K-means Clustering)과 지도학습(Random Forest), 그리고 해석 가능한 머신러닝 기법인 SHAP 분석을 적용하여, 빅데이터 기반 복지국가 유형 분류체계인 AI복지국가레짐(Lee’s Welfare Machine-learning Typology)을 구축하였다. 또한 복지국가별 재정전략을 도출하기 위해 기능별 재정지출이 국민행복에 미치는 영향을 분석하고, 각 국가의 재정 구조를 정량적으로 평가하기 위해 재정균형지수(L-FBI, Lee’s Fiscal Balance Index)를 새롭게 개발·도입하였다. 연구의 주요 분석 결과는 다음과 같다. 첫째, 머신러닝 기반의 패턴 인식 기법을 통해 복지국가 유형(LWM)을 도출하였으며, 이는 ‘전달방식’, ‘지출수준’, ‘정책역량’이라는 세 가지 이론적 축에 따라 복지국가를 구조적으로 설계한 새로운 분석 틀이다. 둘째, COFOG 분류체계에 따른 10개 기능별 지출 항목에 대해 고정효과모형을 적용하여, 각 기능별 지출이 국민행복에 미치는 효과를 실증 분석하였다. 그 결과, 일반행정, 국방, 문화, 교육 분야의 지출이 행복에 통계적으로 유의미한 영향을 미치는 것으로 나타났으며, 이러한 효과는 국가별 정책 안정성과 일관성에 따라 상이하게 나타났다. 더불어, 기능별 지출의 연도별 변동성을 나타내는 변동계수(CV)를 활용하여 정책 일관성과 제도 안정성에 대한 정량적 함의를 도출하였다. 셋째, 본 연구에서 새롭게 제시한 재정균형지수(Lee’s Fiscal Banlance Index)는 국가 간 재정지출 구조의 전략적 조화성과 정책설계의 일관성을 평가하기 위한 지표로서, 표준편차 기반 지수는 기능 간 지출 편중의 정도를, 엔트로피 기반 지수는 기능 간 자원 분배의 조화성(evenness)을 각각 정량화한다. 실증 결과, 지출의 총량보다 기능 간 균형성과 정책적 조화성이 국민행복에 더 큰 영향을 미치는 것으로 확인되었다. 결론적으로, 본 연구는 복지국가를 실증적으로 유형화하고, 기능별 재정지출의 효과성과 정책 일관성, 나아가 지출구조의 조화성과 균형성을 다차원적으로 분석함으로써, 복지정책 설계 및 평가에 적용 가능한 객관적이고 체계적인 기준을 제시하였다. 이는 복지국가 연구의 방법론적 진전을 촉진하고, 향후 정책 실무에서의 적용 가능성을 높이는 데 기여할 것으로 기대된다.

more

초록/요약

This study empirically analyzes the strategic importance of the types and structures of National fiscal expenditures in Stereotyping welfare states, with a central focus on national happiness. Specifically, it seeks to identify the optimal balance point of fiscal expenditure for each welfare state type that maximizes happiness under budget constraints. Using panel data from 38 OECD countries spanning 2007 to 2021, standardized fixed effects regression models were employed. In addition, both unsupervised learning (PCA, K-means Clustering) and supervised learning (Random Forest), along with interpretable machine learning techniques (SHAP), were applied to develop a big data-based typology of welfare states: the Lee’s Welfare Machine-learning Typology (LWM). To derive tailored fiscal strategies for each welfare regime, the study examined the effects of functional government expenditures on national happiness and introduced a new index, the Lee’s Fiscal Balance Index (L-FBI), to quantitatively evaluate the fiscal structure of each country. The core findings of the study are as follows. First, through pattern recognition using machine learning algorithms, the study derived an empirical classification of welfare state types (LWM), which is theoretically structured along three key dimensions: delivery method, expenditure level, and policy capacity. Second, using the COFOG classification system, fixed effects models were applied to ten functional categories of government expenditure, revealing how each function contributes to national happiness. The analysis showed that expenditures in general public services, defense, culture, and education significantly affect happiness, with the magnitude and direction of these effects varying according to the stability and consistency of national policy frameworks. Furthermore, the study calculated the coefficient of variation (CV) for each functional expenditure over time, providing insights into the consistency and predictability of fiscal policy. Third, the newly developed Lee’s Fiscal Balance Index (L-FBI) serves as a quantitative tool for assessing the structural coherence and strategic diversity of public spending across countries. The standard deviation-based index measures the degree of spending concentration among functions, while the entropy-based index quantifies the evenness of resource allocation. Empirical results demonstrate that balance and coherence in functional allocation have a greater impact on national happiness than the total level of expenditure. In conclusion, this study offers a multi-dimensional, structural approach to analyzing welfare state typologies, evaluating the effectiveness and consistency of function-specific fiscal policies, and assessing the harmony and balance of fiscal structures. By proposing empirically grounded and objective criteria for policy design and evaluation, the study contributes both theoretically and practically to the development of welfare state research methodologies and their real-world applications.

more

목차

Ⅰ. 서론 1
1. 연구배경과 목적 1
2. 주요 분석 결과 8
3. 학문적·정책적 기여 10
4. 연구의 차별성과 활용가능성 12
Ⅱ. 선행연구 검토: 의의와 비판 15
1. 선행연구 이론적 논의 15
2. 선행연구의 비판 21
Ⅲ. 머신러닝을 활용한 복지국가레짐의 분류 25
1. 선행연구 25
2. 원자료 및 방법론 37
2.1 분석모형 37
2.2 변수의 정의 및 출처 45
3. 실증분석 46
3.1. 주성분 분석 46
3.2. 군집분석 55
3.3. 랜덤포레스트: LWM이론축의 구조적 결정요인해석 78
3.4. SHAP 기반 분석으로의 확장: 변수별 영향력의 해석 88
3.5. LEE’s Welfare Machine-learning Typology 종합 정리 116
4. 소결 132
Ⅳ. 정부의 기능별 재정 지출과 국민 행복 136
1. 기능별 재정 지출의 의의 및 선행연구 136
2. 데이터 및 기초통계 146
2.1 원자료 및 방법론 146
2.2 기초통계량 155
3. 실증분석 161
4. 머신러닝기반 복지국가유형별 정부 재정 지출 분석 169
4.1 연구 배경 및 목적 169
4.2 데이터 및 분석방법 170
4.3 머신러닝 기반 복지국가유형별 지출 구조 비교 171
4.4 머신러닝기반 복지국가유형별 국가 사례 비교 177
4.5 시계열 추이 분석: 지출구조의 안정성 및 전환성 190
5. 소결 230
Ⅴ. 재정균형지수(Lee’s Fiscal Balance Index) 234
1. 재정 균형 평가의 필요성 234
2. 이론적 배경 및 선행연구 235
3. 분석자료 및 변수설정 243
4. 재정균형지수 설계 및 측정 방법 244
4.1. 표준편차 재정균형지수 244
4.2. 정규화된 엔트로피 재정균형지수 245
5. 머신러닝 기반 복지 국가 유형별 재정 균형 지수 비교 248
5.1 국가별 기능 간 재정균형지수 분석 248
5.2 머신러닝 기반 복지국가 유형별 재정균형지수 비교 253
5.3 상·하위 국가 사례 비교 257
5.4 머신러닝 기반 복지 국가 유형 내 분산도 비교 264
5.5 재정균형지수와 국민 행복 관계 분석 269
6. 소결 277
Ⅵ. 결론 286
1. 연구결과 286
2. 정책적 시사점 287
3. 학문적기여 289
4. 연구의 한계 291
5. 연구의 의의와 학술적 가치 292
6. 후속연구방향 294
참고문헌 296
부록 315
A. [3장] PCA모형의 추정 절차 315
B. [3장] 주성분 선택 기준 및 설명력 평가 318
C. [3장] K-means 클러스터 모형의 추정 절차 321
D. [3장] 랜덤 포레스트 모형의 추정 절차 324
E. [4장] 재정균형지수 산출 방법론 보완 설명 328

more
반출 Meta View 목록