공학박사 윤슬 연구노트

[리서치] RN-4호 — 글로벌 메탄 서약과 한국의 부문별 메탄 배출

닥터윤슬 — Wed, 8 Jul 2026 09:00:14 +0900

DR.YUNSEUL · RESEARCH NOTE

닥터윤슬의 리서치 노트

RN-4 · 2026.07.08 (수)

K-ETS가 보지 않는 가스 — 글로벌 메탄 서약과 한국의 부문별 메탄 지도

배출권거래제와 전력수급계획이 주로 CO2를 다루는 동안, 한국 메탄 배출의 4분의 3은 농축수산과 폐기물에서 나옵니다. 2021년 글로벌 메탄 서약 가입 이후의 목표 경로와 부문별 배출 구조를 공개 인벤토리로 봅니다.

이 주제를 더 깊이 본 글: RN-1 — K-ETS 도입 10년 · K-ETS가 포착한 부문(전환·산업)과 이번 글의 메탄 배출원(농축수산·폐기물)은 거의 겹치지 않습니다.

3줄 결론

한국의 메탄 배출은 2018년 기준 약 2,800만 톤 CO2eq(총배출의 3.8%)이며, 부문 구성은 농축수산 43.6% · 폐기물 30.8% · 에너지 22.5%로 — 에너지(석유·가스)가 1위인 미국과 정반대의 구조가 관측됩니다.
정부는 글로벌 메탄 서약(2021) 가입과 함께 2030년까지 2018년 대비 30% 감축(2,800만 → 1,970만 톤)을 제시했는데, 부문별 목표 감축률은 폐기물 −46.5% · 에너지 −28.6% · 농축수산 −20.5%로 비대칭적입니다 — 최대 배출원의 목표 감축률이 가장 낮습니다.
메탄의 환산 비중(4%대)은 100년 지구온난화지수(GWP-100, 약 28배) 기준이며, 20년 기준(GWP-20, 약 80배)으로 다시 계산하면 환산값이 약 3배로 커집니다 — 어떤 GWP를 쓰는가에 따라 메탄의 정책적 무게가 달라지는 구조가 관측됩니다.

데이터 · 방법론

분석 기간: 2018(NDC 기준연도) ~ 2030(목표연도), 부문 구조는 2018·2021년 단면

데이터 출처:

외교부 보도자료 「지구촌 기후위기 대응을 위한 메탄 감축 노력에 동참」(2021.10.25) — 한국 메탄 총량·부문별·2030 목표
환경부 온실가스종합정보센터(GIR) — 국가 온실가스 인벤토리 가스별(CH4) 통계
e-나라지표 — 국가 온실가스 배출현황 (가스별 구성비)
Global Methane Pledge 공식 사이트 — 서약 내용·참여국 수
US EPA·EEA — 미국·EU 메탄 배출원 구성 (국제 비교)
농촌진흥청 — 벼 재배·축산(장내발효·분뇨) 메탄 통계

방법론: 부문별 감축률 = (2018년 배출량 − 2030년 목표 배출량) ÷ 2018년 배출량 × 100. 본 글의 한국 수치는 1996 IPCC 지침(GWP-21) 기준 정부 발표치를 따르며, 2024년 공표분부터 적용된 2006 IPCC 지침(GWP-28) 재산정 시계열과는 산정 체계가 다릅니다(한계 항목 참조). 국제 비교는 각국 인벤토리의 자체 기준을 그대로 인용합니다.

서약의 구조 — 글로벌 30%와 한국의 30%는 다른 약속이다

글로벌 메탄 서약(Global Methane Pledge)은 2021년 11월 COP26에서 미국·EU 주도로 출범했고, 2020년 대비 2030년까지 전 세계 메탄 배출을 최소 30% 줄이는 것을 목표로 합니다. 발행 시점 기준 참여국은 159개국과 EU 집행위입니다. 주의할 점은 이 30%가 국가별 의무가 아니라 전 세계 합산 목표라는 것입니다. 한국은 2021년 10월 25일 가입을 발표하면서 별도로 자국 목표 — 2018년 2,800만 톤에서 2030년 1,970만 톤으로 30% 감축 — 를 제시했습니다.

두 목표는 기준연도가 다릅니다(서약은 2020년, 한국 NDC는 2018년). 또한 한국 정부 수치는 1996 IPCC 지침(메탄 GWP-21)으로 산정된 값이어서, 2024년 공표분부터 적용된 2006 지침(GWP-28) 시계열과는 같은 해의 절대값이 달라집니다. 같은 "30% 감축"이라도 무엇을 기준으로 한 30%인지가 자료마다 다르다는 점이 메탄 통계를 읽을 때의 첫 번째 관문으로 관측됩니다.

한국 메탄 배출의 부문 구성 (2018, 합계 약 2,800만 톤 CO2eq)

자료: 외교부 보도자료(2021.10) — 1996 IPCC 지침(GWP-21) 기준 정부 발표치

부문별 목표의 비대칭 — 최대 배출원의 감축률이 가장 낮다

2030년 부문별 목표를 2018년 실적과 대조하면 감축 부담의 배분이 드러납니다. 폐기물 부문은 860만 → 460만 톤으로 −46.5%, 에너지 부문은 630만 → 450만 톤으로 −28.6%인 반면, 최대 배출원인 농축수산 부문은 1,220만 → 970만 톤으로 −20.5%입니다. 매립가스 포집·바이오가스화처럼 기술적 감축 수단이 상대적으로 정형화된 폐기물 부문에 가장 큰 감축률이, 사육두수·재배면적과 직결되는 농축수산 부문에 가장 낮은 감축률이 배정된 형태가 관측됩니다.

부문별 메탄: 2018 실적 vs 2030 목표 (단위: 백만 톤 CO2eq)

자료: 외교부 보도자료(2021.10) 부문별 목표 — 감축률은 본 글 자체 계산

농축수산 내부를 들여다보면 감축의 난이도가 더 분명해집니다. 농촌진흥청 자료 기준 2018년 가축 장내발효 메탄은 447만 톤, 가축분뇨 처리는 494만 톤이며, 벼 재배 메탄은 국내 총 메탄의 약 22% 수준으로 보고됩니다. 벼 재배는 재배면적 감소와 물관리(간단관개)로 완만한 감소 경향이, 장내발효는 사육두수에 연동되는 패턴이 보고되어 있어, 농축수산 부문의 감축은 단일 기술이 아니라 농업 구조 변수와 함께 움직이는 영역으로 관측됩니다.

국제 비교와 GWP의 렌즈 — 같은 가스, 다른 무게

메탄 배출의 1위 부문은 나라마다 다릅니다. EU-27은 농업이 약 56%로 압도적 1위이고 에너지는 약 17%에 그치는 반면, 미국은 석유·가스 시스템 등 에너지 부문이 1위입니다(2022년 EPA 인벤토리 기준 천연가스 시스템 173.1백만 톤, 장내발효 192.6백만 톤으로 두 배출원이 수위를 다툽니다). 한국은 농축수산 43.6%로 EU형에 가깝지만, 폐기물 비중(30.8%)이 EU·미국보다 두텁다는 점이 구별되는 특징으로 관측됩니다.

마지막으로 환산 계수의 문제가 있습니다. 메탄의 지구온난화지수는 100년 기준(GWP-100) 약 28배, 20년 기준(GWP-20) 약 80배로, 어느 시간 지평을 쓰는가에 따라 같은 배출량의 CO2 환산값이 약 3배 차이 납니다. 총배출 중 메탄 비중 "4%대"는 GWP-100 기준의 숫자이며, 단기 기후 효과를 강조하는 GWP-20 렌즈로는 비중이 10%대로 커집니다. 글로벌 메탄 서약이 "2050년까지 0.2℃ 저감 잠재력"을 내세우는 근거도 메탄의 이 단기 효과에 있습니다.

관찰

다발 1에서 지금까지 본 정책 도구 — K-ETS(RN-1), NDC 부문 목표(RN-2), 전력수급계획(RN-3) — 는 모두 CO2와 전환·산업 부문을 중심으로 설계되어 있습니다. 반면 메탄의 4분의 3은 농축수산·폐기물, 즉 K-ETS 비적용 영역에서 나옵니다. 가격 신호가 닿는 가스와 닿지 않는 가스의 경계가 부문 경계와 거의 일치한다는 점이 이번 글의 핵심 관측이며, 다음 글(RN-5 종합편)에서 측정·동력·누락의 세 축으로 다발 1 전체를 종합합니다.

⚠️ 한계와 가정

이 분석에서 통제하지 못한 변수와 데이터의 한계는 다음과 같습니다.

산정 체계의 단절: 본 글의 한국 수치(2,800만 톤·부문 구성)는 1996 IPCC 지침(GWP-21) 기준 2021년 정부 발표치입니다. 2024년 공표분부터 국가 인벤토리가 2006 지침(GWP-28)으로 전면 개편되어 같은 연도의 절대값이 달라지며, 신·구 체계를 잇는 부문별 메탄 시계열은 본 글에서 제시하지 않습니다.
최신 연도 분해치 미확보: 2022~2023년 총배출(잠정)은 공표되었으나 그중 메탄의 가스별 분해치는 발행 시점 기준 공개 표에서 확인하지 못해, 부문 구조는 2018년(및 2021년 보조) 단면으로 한정했습니다. 1990년 이후 메탄 절대량의 연도별 시계열도 같은 이유로 생략했습니다.
목표 프레임의 혼재: 2021년 외교부 발표(2018년 기준 −30%)와 2023년 메탄 감축 로드맵(2020년 기준 −30%)은 기준연도가 달라 부문별 목표치가 문서마다 다르게 표기됩니다. 본 글은 부문별 수치가 완결적으로 공개된 2021년 발표 프레임만 사용했습니다.
국제 비교의 기준 불일치: EU(EEA)·미국(EPA) 수치는 각국 인벤토리의 자체 GWP·부문 분류를 따르므로 한국 수치와 절대값 비교가 아닌 구성비 비교로만 사용했습니다.

출처

외교부 보도자료, 「지구촌 기후위기 대응을 위한 메탄 감축 노력에 동참」(2021.10.25) — https://www.mofa.go.kr (최종 접근: 2026.07.06)
Global Methane Pledge 공식 사이트 — https://www.globalmethanepledge.org (최종 접근: 2026.07.06)
환경부 온실가스종합정보센터(GIR), 국가 온실가스 인벤토리 가스별(CH4) 통계 — 공공데이터포털 원자료 (최종 접근: 2026.07.06)
e-나라지표, 「국가 온실가스 배출현황」(지표 1464) — https://www.index.go.kr (최종 접근: 2026.07.06)
US EPA, "Overview of Greenhouse Gases" (2022 인벤토리) — https://www.epa.gov (최종 접근: 2026.07.06)
EEA, "Methane emissions in the EU" — https://www.eea.europa.eu (최종 접근: 2026.07.06)
농촌진흥청, 축산·벼 재배 부문 메탄 배출 자료(2018 기준) — https://rda.go.kr (최종 접근: 2026.07.06)

매주 월요일, 논문 쓰다 막히는 통계·연구방법론 개념을 하나씩 풀어냅니다.

연구 개념 노트 보기 →

— 닥터윤슬

[개념노트] CN-6호 — 단측검정, 써도 되나 — 그 유혹의 위험

닥터윤슬 — Mon, 6 Jul 2026 09:00:13 +0900

DR.YUNSEUL · CONCEPT NOTE

닥터윤슬의 연구 개념 노트

CN-6 · 2026.07.06

매주 월요일, 논문 쓰다 막히는 개념 하나씩. 시리즈 전체 보기 →

단측검정, 써도 되나 — 그 유혹의 위험

p값을 절반으로 만드는 한 줄의 대가

양측 p=0.07. 코드 한 줄만 바꾸면 단측 p=0.035, 유의해집니다. 이 전환이 언제 정당하고 언제 p-해킹인지 — 기준은 단 하나, 언제 결정했는가입니다.

p=0.07 앞에서 흔들리는 순간

학위논문 마감을 앞둔 연구자가 양측검정으로 p=0.07을 얻었습니다. 그때 누군가 속삭입니다 — "어차피 처치 효과가 좋아지는 방향일 거라고 예상했잖아. 단측으로 하면 0.035인데?" 그럴듯하게 들리지만, 결과를 본 뒤에 단측으로 바꾸는 순간 유의수준 5%라는 약속은 사실상 10%로 부풀려집니다. 동전을 던져 앞면이 나온 걸 확인하고 나서 "나는 처음부터 앞면에 걸었다"고 말하는 것과 같습니다.

⚠️ 흔한 오해

아래는 모두 틀린 문장입니다.

"효과의 방향을 예상하고 있었다면 단측이 당연하다." — 거의 모든 연구자는 방향을 예상합니다. '예상'이 아니라 사전에 문서로 남긴 약속과 '반대 방향은 버려도 좋다'는 근거가 있어야 합니다.
"단측은 검정력이 높으니 항상 유리하다." — 예상과 반대 방향의 효과는 아무리 커도 감지하지 못합니다. 부작용·역효과를 놓치는 비용이 따라옵니다.
"결과를 본 뒤 단측으로 보고해도 계산만 맞으면 된다." — 사후 전환은 제1종 오류율을 두 배로 부풀리는 전형적 p-해킹입니다.

정의

단측검정은 유의수준 5% 전부를 한쪽 방향에 배정하는 검정이다. "효과는 이 방향이며, 반대 방향 결과는 어떤 크기라도 의미 없다고 취급하겠다"는 약속을 데이터 수집 전에 해야 성립한다.

비유 — 골대 반쪽을 포기한 골키퍼

단측검정은 "공은 반드시 오른쪽으로 온다"고 선언하고 골대 왼쪽을 완전히 비워둔 골키퍼입니다. 오른쪽 수비는 두 배로 두터워지지만(검정력 상승), 왼쪽으로 오는 공은 — 그것이 결승골이라도 — 그냥 들어갑니다. 경기 전에 그렇게 선언하는 건 전략이지만, 공이 오른쪽으로 온 걸 본 뒤에 "원래 오른쪽만 막기로 했었다"고 말하는 건 반칙입니다.

단측 vs 양측 — 판단 기준

상황	권장
일반적인 효과 검증 연구 (대부분의 경우)	양측 — 기본값. 반대 방향 결과도 과학적으로 의미 있음
방향 가설을 사전등록했고, 반대 방향이 실질적으로 무의미한 경우 (예: 비열등성 시험)	단측 가능 — 단, 사전 문서화 필수
양측으로 p=0.05~0.10이 나온 뒤 단측 전환을 고민 중	금지 — 사후 전환은 p-해킹
부작용·역효과 가능성이 조금이라도 있는 처치	양측 — 해로운 방향을 감지할 의무

단측이 정당해지는 두 가지 조건

첫째, 시점: 방향 가설이 데이터를 보기 전에 확정되어 있어야 하고, 사전등록·연구계획서·분석계획서처럼 제3자가 확인할 수 있는 기록이 있어야 합니다. 둘째, 비대칭의 실질적 근거: 반대 방향 결과가 나와도 행동이 달라지지 않는 구조여야 합니다. 예컨대 "신공정이 기존보다 나쁘지만 않으면 도입한다"는 비열등성 판단에서는 '더 나쁜가'라는 한 방향만 문제가 되므로 단측이 자연스럽습니다. 이 두 조건을 모두 갖춘 연구는 생각보다 드뭅니다 — 그래서 학술지 심사자들은 단측검정을 보면 일단 의심부터 합니다.

사후 전환이 위험한 이유 — 숫자로

"양측으로 해보고, 아쉬우면 예상 방향 단측으로 바꾼다"는 전략을 쓰면 실제 제1종 오류율은 5%가 아니라 7.5%까지 올라갑니다(양측 5% 기각역 + 예상 방향 쪽 2.5% 추가). 어느 방향이든 유리한 쪽 단측을 고른다면 사실상 10%입니다. 유의수준은 연구자가 독자와 맺는 계약입니다 — 결과를 본 뒤 계약 조건을 바꾸면, p값이라는 숫자 자체가 의미를 잃습니다. 단측을 쓰기로 했다면 논문에 그 근거와 결정 시점을 명시하는 것까지가 검정의 일부입니다.

실제로 해보려면

R의 t.test는 alternative 인자로 방향을 지정합니다. 기본값은 양측입니다.

t.test(처치군, 대조군)                          # 양측(기본값)
t.test(처치군, 대조군, alternative = "greater")  # 단측 — 사전등록 없이는 금물
# 단측을 썼다면 논문에: 방향 가설의 근거 + 결정 시점(사전등록 링크) 명시

망설여진다면 답은 양측입니다. 단측은 "쓸 수 있는가"가 아니라 "써야만 하는가"로 판단하세요.

출처

Ruxton, G. D. & Neuhäuser, M. (2010). When should we use one-tailed hypothesis testing? Methods in Ecology and Evolution, 1(2), 114–117.
Cho, H.-C. & Abe, S. (2013). Is two-tailed testing for directional research hypotheses tests legitimate? Journal of Business Research, 66(9), 1261–1266.
Lombardi, C. M. & Hurlbert, S. H. (2009). Misprescription and misuse of one-tailed tests. Austral Ecology, 34(4), 447–468.

다음 편 예고
CN-7 「검정 선택 플로차트 — 한 장으로 끝내는 결정 트리」
"어떤 검정을 써야 하나요?" — 세 가지 질문으로 답이 나오는 지도를 그립니다.

추천하기

연구 개념 노트 전체 보기

— 닥터윤슬

[개념노트] CN-5호 — 신뢰구간이 p값보다 더 말해주는 것

닥터윤슬 — Mon, 29 Jun 2026 09:00:32 +0900

DR.YUNSEUL · CONCEPT NOTE

닥터윤슬의 연구 개념 노트

CN-5 · 2026.06.29

매주 월요일, 논문 쓰다 막히는 개념 하나씩. 시리즈 전체 보기 →

신뢰구간이 p값보다 더 말해주는 것

하나의 숫자 대신, 가능한 효과의 범위를 읽는다

p값은 "효과가 0과 다른가"라는 예/아니오 질문에만 답합니다. 신뢰구간은 같은 데이터에서 효과의 방향, 크기, 정밀도까지 한 번에 보여줍니다. 정보량이 다릅니다.

같은 p=0.03, 전혀 다른 두 연구

두 편의 신약 연구가 모두 p=0.03을 보고했습니다. A 연구의 혈압 감소 신뢰구간은 (0.4, 18.9) mmHg, B 연구는 (4.1, 5.6) mmHg. p값만 보면 같은 결과처럼 보이지만, A는 "거의 0부터 매우 큰 효과까지 뭐든 가능하다"는 불확실한 이야기고, B는 "효과가 5 안팎"이라는 정밀한 이야기입니다. 논문 한 줄에 p=0.03만 적으면, 독자는 이 둘을 구별할 수 없습니다. 의학 학술지들이 1980년대부터 신뢰구간 보고를 의무화해 온 이유가 여기 있습니다.

⚠️ 흔한 오해

아래는 모두 틀린 문장입니다.

"95% 신뢰구간 안에 참값이 있을 확률이 95%다." — 이미 계산된 특정 구간에 참값이 있을 확률은 0 아니면 1입니다. 95%는 구간을 만드는 절차의 장기 성공률입니다.
"신뢰구간이 0을 포함하면 효과가 없다." — "유의하지 않다"와 같은 오독입니다. 구간이 넓게 0을 걸치면 "판정 불가"에 가깝습니다(CN-4 참조).
"두 집단의 신뢰구간이 겹치면 차이가 유의하지 않다." — 구간이 상당히 겹쳐도 차이는 유의할 수 있습니다. 차이의 유의성은 차이의 신뢰구간으로 판단해야 합니다.

정의

95% 신뢰구간이란, 같은 방식으로 표본을 뽑아 구간을 만드는 일을 무한히 반복했을 때 그 구간들의 95%가 참값(모수)을 포함하도록 설계된 추정 절차의 결과다. 한 번의 연구에서는 "데이터와 무리 없이 양립하는 효과 크기의 범위"로 읽는다.

비유 — 그물을 던지는 방식의 명중률

신뢰구간은 물고기(참값)를 노리고 던지는 그물입니다. "95%"는 그물을 던지는 방식이 백 번 중 아흔다섯 번 물고기를 덮는다는 뜻이지, 이미 던져진 그물 한 장 안에 물고기가 있을 확률이 95%라는 뜻이 아닙니다. 던져진 그물에는 물고기가 있거나, 없거나 — 둘 중 하나입니다. 다만 그물이 좁을수록(구간이 짧을수록) 물고기의 위치를 정밀하게 짚었다는 것은 분명합니다.

같은 데이터, 두 가지 답

독자의 질문	p값 / 신뢰구간의 답
효과가 있긴 한가?	p값 △ (0과 다른지만) / CI ○ (0 포함 여부로 동일 판단 가능)
효과가 얼마나 큰가?	p값 ✕ / CI ○ (구간의 위치)
추정이 얼마나 정밀한가?	p값 ✕ / CI ○ (구간의 폭)
실질적으로 의미 있는 크기인가?	p값 ✕ / CI △ (실질적 기준선과 구간을 겹쳐 보면 판단 가능)

구간의 폭이 말해주는 것 — 정밀도

신뢰구간의 폭은 표본 크기와 데이터의 변동성이 결정합니다. 표본이 클수록, 측정이 안정적일수록 구간은 좁아집니다. 그래서 구간 폭은 그 연구가 효과를 얼마나 정밀하게 추정했는지를 드러내는 정직한 지표입니다. (0.4, 18.9)처럼 넓은 구간은 "더 큰 표본이 필요했다"는 자기 고백이기도 합니다. p값은 이런 정보를 모두 숨깁니다 — 정밀하든 엉성하든 0.03은 그냥 0.03이기 때문입니다.

신뢰구간으로 결과를 읽는 순서

첫째, 구간의 위치를 봅니다 — 효과의 방향과 대략적 크기. 둘째, 구간의 폭을 봅니다 — 추정의 정밀도. 셋째, 구간을 실질적 기준선과 겹쳐 봅니다. 예컨대 혈압약이라면 "임상적으로 의미 있는 감소 = 5mmHg 이상" 같은 기준 위에 구간을 올려놓고, 구간 전체가 기준을 넘는지, 걸쳐 있는지, 못 미치는지를 판단합니다. 이 세 단계가 끝나면 p값이 줄 수 있는 정보는 이미 다 얻은 뒤입니다. 보고할 때는 "차이 4.8mmHg, 95% CI (4.1, 5.6), p=0.03"처럼 점추정치 + 구간 + p값을 함께 쓰는 것이 표준입니다.

실제로 해보려면

R의 검정 함수 대부분은 신뢰구간을 이미 계산해 두고 있습니다. 꺼내 쓰기만 하면 됩니다.

t.test(그룹A, 그룹B)$conf.int    # 평균 차이의 95% CI
confint(lm(y ~ x, data = df))    # 회귀계수의 95% CI
# 보고 형식: 차이 4.8, 95% CI (4.1, 5.6), p = .03

jamovi는 분석 옵션에서 "신뢰구간" 체크박스 하나로 모든 표에 CI를 추가할 수 있습니다.

출처

Cumming, G. (2014). The New Statistics: Why and How. Psychological Science, 25(1), 7–29.
Greenland, S. et al. (2016). Statistical tests, P values, confidence intervals, and power: a guide to misinterpretations. European Journal of Epidemiology, 31(4), 337–350.
Gardner, M. J. & Altman, D. G. (1986). Confidence intervals rather than P values: estimation rather than hypothesis testing. BMJ, 292(6522), 746–750.

다음 편 예고
CN-6 「단측검정, 써도 되나 — 그 유혹의 위험」
p=0.07을 0.035로 만드는 마법 같은 한 줄 — 그 대가를 따져봅니다.

추천하기

연구 개념 노트 전체 보기

— 닥터윤슬

[스페셜] SI-2호 — 이공계 박사 학위 취득자, 분야별 분포의 변화

닥터윤슬 — Thu, 25 Jun 2026 19:00:12 +0900

DR.YUNSEUL · SPECIAL ISSUE

닥터윤슬의 리서치 — Special Issue

SI-2호 · 2026.06.25 (목) · 월간 심층 분석

같은 시리즈의 최신 글 보기 → 리서치 시리즈

박사 2만 명 시대의 구성 변화 — 이공계 박사 학위 취득자, 분야별 분포는 어떻게 움직였나

SI-1에서 박사들이 어디에서 일하는지를 봤다면, 이번 호는 한 단계 앞 — 학위가 만들어지는 자리 — 를 봅니다. 국내 박사 수여자가 연 2만 명에 다가서는 동안 계열 구성, 여성 비율, 연령, 외국인 비중이 각각 어떻게 움직였는지를 교육통계와 신규박사조사로 관찰합니다.

⚡ 3줄 결론

국내 박사 수여자는 2010년 10,542명에서 2025년 19,831명으로 15년간 약 88% 증가했고, 최근 10년(2015→2025)만 봐도 +51.6%의 꾸준한 우상향 추세가 관측됩니다.
계열 구성에서는 공학의 비중이 25.1%(2013) → 27.5%(2019) → 28.0%(2020)로 커진 반면 자연은 17.8% → 16.3%로 줄어, 이공계 내부에서도 무게중심이 공학 쪽으로 이동하는 패턴이 보입니다.
전체 박사 중 여성 비율은 1999년 20.5%에서 2025년 43.5%(역대 최고)까지 올라왔지만, STEM 박사로 한정하면 2023년 기준 23.9%로 OECD 평균(38.3%)보다 14.4%p 낮아 38개국 중 37위로 관측됩니다.

데이터·방법론

1차 출처	KEDI 한국교육개발원 교육통계연보·교육기본통계 (박사 수여자 전수 행정통계, 1999~2025)
2차 출처	KRIVET 「국내신규박사학위취득자조사」 (국가승인통계 제920009호 — 연령·직장병행·외국인)
3차 출처	OECD Education at a Glance 2025, e-나라지표 「국내/외 박사학위 취득자 현황」
분석 단위	학위 수여 연도 × 계열(공학·자연·사회·의약·인문 등) × 성별 × 연령대 × 내·외국인
방법	빈도·구성비·시계열 추세. "N년 수여자"는 전년 8월 + 당해 2월 졸업 합산(KEDI 기준).
도구	Python (pandas, matplotlib) · 본문 모든 수치는 검증 게이트 2(재계산 일치) 통과

① 총량 — 1만 명에서 2만 명까지 15년

국내 박사 수여자는 2010년 처음 1만 명을 넘었고(10,542명), 이후 한 해도 꺾이지 않고 늘어 2025년 19,831명으로 역대 최다를 기록했습니다. 연평균 증가율로 보면 약 4.3%의 완만하지만 일관된 성장 곡선이며, 같은 기간 석사 수여자 증가율보다 가파른 것으로 보고됩니다. 박사 학위가 소수 정예의 자격에서 대량 배출되는 학위로 이동해 온 15년이라고 데이터는 말합니다.

[그림 1] 국내 박사학위 수여자 수 추이 (2010–2025, 단위: 명)

자료: KEDI 교육통계연보·e-나라지표. 2023년은 자료 간 미세 불일치(약 17,673명)로 라인에서 제외.

② 계열 구성 — 공학으로 기우는 무게중심

계열별로 가르면 증가의 내용이 보입니다. 2013년 대비 2019년에 공학 박사는 3,163명 → 4,217명으로 1,054명 늘어 전 계열 중 증가 폭이 가장 컸고, 비중도 25.1% → 27.5%로 확대되었습니다(2020년 28.0%). 반면 자연 계열은 2,251명 → 2,496명으로 늘었음에도 비중은 17.8% → 16.3%로 줄었습니다. 이공계 합산 비중이 40%대 중반을 유지하는 가운데, 그 내부에서 공학 쪽으로 기우는 재배분이 관측됩니다.

[그림 2] 계열별 박사 수여자 비중 — 2013 vs 2019 (단위: %)

③ 여성 비율 — 전체는 43.5%, STEM은 23.9%

전체 박사 수여자 중 여성 비율은 1999년 20.5%에서 2012년 32.8%, 2020년 38.4%를 거쳐 2025년 43.5%(8,629명)로 역대 최고를 기록했습니다. 그러나 계열을 가르면 분포가 크게 달라집니다. 2020년 기준 공학 계열 박사의 여성 비율은 12.8%로 전 계열 중 가장 낮았고(교육 계열 75.4%로 최고), STEM 박사 졸업자 기준 2023년 한국은 23.9%로 OECD 평균 38.3% 대비 14.4%p 낮아 38개국 중 37위로 보고됩니다. 전체 평균의 상승과 이공계 내부의 정체가 동시에 진행되는 구조가 관측됩니다.

[그림 3] 전체 박사 수여자 중 여성 비율 추이 (1999–2025, 단위: %)

자료: KEDI 교육통계(KRIVET 브리프·언론 보도 인용 확인치). 연도 간 점은 직선 보간이며 중간 연도의 실측이 아님.

④ 구성의 또 다른 변화 — 늦어지는 연령, 늘어나는 외국인

총량의 성장 안에서 두 가지 구성 변화가 함께 진행되고 있습니다. 첫째, 연령입니다. KRIVET 신규박사조사 기준 박사 취득 평균 연령은 41세 안팎이며(학업전념자 35.3세 vs 직장병행자 46.4세, 2019), 50세 이상 비중은 2013년 16.7%에서 2021년 20.4%로 올라왔습니다. 직장과 학업을 병행한 취득자가 절반을 넘는 구조(2013년 53.0%)에서, 박사 학위가 초기 경력의 관문이 아니라 중·후기 경력의 자격으로 쓰이는 흐름이 함께 관측됩니다. 다만 인문·사회 계열의 직장병행 비중(65~75%)에 비해 공학 42.1%·자연 39.7%(2020)로, 이공계는 여전히 학업전념형이 다수입니다.

둘째, 외국인입니다. 신규 박사 중 외국인 비율은 2021년 14.3%에서 2024년 23.9%로 3년 만에 약 10%p 가까이 올랐습니다. 국내 박사 배출 총량의 성장 일부가 외국인 유학생 증가에 의해 지탱되고 있다는 뜻이며, 이공계 외국인 박사의 취업률(48.9%)이 내국인(58.3%)보다 낮고 취업자의 73.1%가 박사후연구원(임시직)이라는 조사 결과를 함께 놓으면, 학위 단계와 노동시장 단계의 연결이 내·외국인에서 다르게 작동하는 패턴이 보입니다. 앞 절의 여성 비율 상승(2020년 38.4% → 2025년 43.5%)도 이 외국인 구성 변화와 같은 기간에 겹쳐 있어, 두 변수를 분리한 해석에는 원자료 교차표가 필요합니다(한계 참조).

[그림 4] STEM 박사 졸업자 중 여성 비율 — 한국 vs OECD 평균 (2023, 단위: %)

⑤ 한계와 가정

시계열의 결측 — 2011~2012년 총수와 2021년 이후의 계열별 실수는 공개 표(KOSIS·KESS)의 직접 조회가 필요해 본문 시계열에서 제외했습니다. 그림 1의 점 사이 구간은 직선 보간이며 실측이 아닙니다.
2022~2023년 수치의 자료 간 불일치 — 2022년(17,760명)과 2023년(약 17,673명)은 집계 시점·잠정치 차이로 자료 간 미세한 역전이 있어, 2023년은 추세선에서 제외하고 본문에서도 인용하지 않았습니다.
여성 비율과 외국인 비중의 교란 — 2020년 이후 여성 비율 상승에는 외국인 박사 급증이 겹쳐 있을 수 있으나, 내·외국인 × 성별 교차표가 공개 보도에 없어 두 효과를 분리하지 못했습니다.
출처 간 모집단 차이 — 총수·계열·성별은 KEDI 전수 행정통계, 연령·직장병행·외국인은 KRIVET 조사(응답자 약 1만 명) 기준으로 모집단과 집계 방식이 다르므로 두 계열의 수치를 직접 나누거나 합산하지 않았습니다.
인과 해석 보류 — 본문은 분포·추세의 관찰에 한정하며, 구성 변화의 원인(정원 정책·노동시장 수요·유학생 정책 등)에 대한 인과적 단정은 제시하지 않습니다.

⑥ 출처

e-나라지표(교육부), 「국내/외 박사학위 취득자 현황」 — index.go.kr (지표 1550) (최종 접근: 2026.06.18)
KEDI 한국교육개발원, 교육통계연보·국가교육통계센터 박사 수여자 통계 — kess.kedi.re.kr (최종 접근: 2026.06.18)
KRIVET 한국직업능력연구원, 「국내신규박사학위취득자조사」 브리프 시리즈(2013~2025) — krivet.re.kr (최종 접근: 2026.06.18)
OECD, Education at a Glance 2025 — Korea country note — oecd.org (최종 접근: 2026.06.18)
한국여성과학기술인단체총연합회, 「2026 한국 여성과학기술인 글로벌 현황 진단」(2026.02) — OECD EAG 데이터 기반 STEM 박사 여성 비율 국제 비교 (최종 접근: 2026.06.18)
KWDI 성인지통계, 「석·박사 졸업자 수(성별/전공분야별)」(1999~2025) — gsis.kwdi.re.kr (최종 접근: 2026.06.18)

※ 모든 본문 수치는 위 출처의 최신 공개본으로 Python 재계산하여 일치 여부를 확인했습니다(검증 게이트 2).

리서치 시리즈 전체 보기 →

매주 월요일, 논문 쓰다 막히는 통계·연구방법론 개념을 하나씩 풀어냅니다.

연구 개념 노트 보기 →

— 닥터윤슬

[리서치] RN-3호 — 석탄 발전 폐쇄 일정 vs 실제 추세

닥터윤슬 — Wed, 24 Jun 2026 09:00:24 +0900

DR.YUNSEUL · RESEARCH NOTE

닥터윤슬의 리서치 노트

RN-3 · 2026.06.24 (수)

리서치 시리즈 전체 보기 →

석탄 발전, 계획은 줄였는데 설비는 늘었다 — 폐쇄 일정 vs 실제 추세

전력수급기본계획(9차→10차→11차)의 석탄 폐지 일정과 실제 폐쇄·신규 진입 실적, 그리고 발전량·비중의 실측 추세를 같은 시간축 위에 올려놓고 봅니다. 설비용량과 발전 비중이 서로 반대 방향으로 움직인 구간이 데이터로 관측됩니다.

이 주제를 더 깊이 본 글: RN-2 — NDC 2030 진척률, 부문별 격차 · 전환 부문 시점 진척률 42.8%의 동력을 이번 글에서 분해합니다.

3줄 결론

석탄 발전 비중은 2017년 약 43%에서 2024년 28.1%로 약 15%p 하락해, 2024년에는 17년 만에 원자력(31.7%)에 1위 자리를 내주고 가스(28.1%)와 동률을 이루는 수준으로 관측됩니다.
그러나 같은 기간 설비용량은 반대로 움직였습니다. 2017~2025년 폐지 실적은 약 3.5GW인 반면 신규 진입은 약 7.3GW로 폐지의 2배를 넘어, 2024년 말 석탄 설비는 40.2GW(전년 대비 +1.1GW)로 순증한 것이 관측됩니다.
계획상 목표는 계속 강화되어 2030년 석탄 비중 목표가 9차 전기본 29.9% → 10차 19.7% → 11차 17.4%로 내려왔지만, 일부 발전기의 폐지 일정은 대체 설비 건설 지연과 맞물려 당초 계획보다 뒤로 밀린 사례가 관측됩니다.

데이터 · 방법론

분석 기간: 2017~2025 (9차~11차 전력수급기본계획 구간)

데이터 출처:

산업통상자원부 — 제9차(2020.12)·제10차(2023.1)·제11차(2025.2) 전력수급기본계획 확정 보도자료
산업통상자원부 — 「2024년 에너지 수급 동향」(2025.5) 발전량·설비용량 통계
KESIS 에너지브리프 — 제10차·제11차 전력수급기본계획 주요 내용 해설
전력거래소(KPX) EPSIS 전력통계정보시스템 — 연료별 발전설비·발전량
지표누리(국가발전지표) — 발전원별 발전 비중
발전 공기업·민간 발전사 공시 및 보도자료 — 발전기별 폐지·상업운전 시점

방법론: 폐지·신규 용량은 발전기별 정격용량의 단순 합산(석탄 연료 발전기만 포함, 중유 기력 발전기 제외). 발전 비중은 총발전량 대비 석탄 발전량 백분율로, 한국전력통계·산업부 수급 동향의 공표치를 그대로 사용합니다. 계획 대비 실적 비교는 각 전기본 확정 보도자료의 폐지 일정과 실제 폐지 공시 시점을 대조하는 방식입니다.

계획은 세 번 강화되었다 — 29.9% → 19.7% → 17.4%

석탄 발전의 축소 일정은 전력수급기본계획이 갱신될 때마다 강화되어 왔습니다. 9차 전기본(2020.12 확정)은 2034년까지 수명 30년이 도래하는 30기·15.3GW를 폐지하되 그중 24기·12.7GW를 LNG로 전환하는 구도였고, 2030년 석탄 발전 비중 전망은 29.9%였습니다. 10차 전기본(2023.1 확정)은 2036년까지 노후 28기를 폐지하고 2030년 비중을 19.7%로 내렸으며, 11차 전기본(2025.2 확정)은 2025~2036년 28기 폐지·LNG 대체를 이어가면서 2037~2038년 수명 도래 12기는 양수·수소 전소·암모니아 혼소 등 무탄소 전원으로 전환하는 계획을 더해 2030년 비중 17.4%, 2038년 10.1%(설비 22.2GW)까지 경로를 낮췄습니다.

즉 문서 위의 경로는 일관되게 하향입니다. 문제는 실측 시계열이 이 경로를 어떤 속도로 따라가고 있는가입니다. 아래 차트는 2017년부터 2024년까지 석탄 발전 비중의 실측치와, 10차·11차 전기본의 2030년 목표 수준을 같은 축에 올린 것입니다.

석탄 발전 비중 실측 (2017~2024) vs 2030년 목표 수준

자료: 지표누리·한국전력통계·산업부 「2024년 에너지 수급 동향」 — 2020년은 약 36%(자료별 35.6~36% 범위)

폐지 3.5GW vs 신규 7.3GW — 설비는 오히려 순증했다

2017년 이후 실제 폐지(또는 연료 전환)된 석탄 발전기는 서천 1·2호기(0.4GW, 2017), 영동 1호기(0.125GW, 2017 바이오매스 전환), 보령 1·2호기(1.0GW, 2020.12), 삼천포 1·2호기(1.12GW, 2021.4), 호남 1·2호기(0.5GW, 2021.12), 태안 1호기(0.5GW, 2025.12)로, 합계 약 3.5GW입니다. 반면 같은 기간 신서천 1호기(1.018GW, 2021.6), 고성하이 1·2호기(2.08GW, 2021), 강릉안인 1·2호기(2.08GW, 2022~2023), 삼척블루파워 1·2호기(2.1GW, 2024~2025)가 새로 상업운전을 시작해 신규 진입 합계는 약 7.3GW로 폐지분의 2배를 넘습니다.

그 결과 석탄 설비용량은 2023년 말 약 39.1GW에서 2024년 말 40.2GW로 오히려 1.1GW 증가했습니다. 발전 비중 하락(섹션 1)과 설비 순증이 동시에 관측된다는 것은, 같은 설비가 덜 돌아가는 방식 — 즉 이용률 하락 — 으로 감축이 진행되었음을 뜻합니다. 2024년 석탄 발전량은 167.2TWh로 전년 대비 9.6% 감소했습니다.

석탄 발전기 폐지 vs 신규 진입 (정격용량, 단위: GW)

자료: 발전사 폐지·상업운전 공시 종합 — 발전기별 정격용량 단순 합산 (중유 기력 발전기 제외)

일정과 실적의 어긋남 — 어디서 밀렸는가

계획과 실적의 어긋남은 두 방향으로 관측됩니다. 첫째, 폐지 일정의 지연입니다. 9차 전기본 일정상 2024년 폐지 예정이던 삼천포 3·4호기는 대체 LNG 발전소 건설 지연과 맞물려 2025년 이후에도 가동이 이어진 것으로 보도되었습니다. 폐지가 대체 설비의 준공에 묶여 있는 구조에서는, 대체 설비의 인허가·건설 일정이 밀리면 석탄 폐지도 함께 밀리는 패턴이 나타납니다.

둘째, 신규 진입의 관성입니다. 2021~2025년에 상업운전을 시작한 7.3GW는 모두 2010년대 중반 이전에 인허가를 받은 사업들로, 계획 강화 이전에 확정된 투자가 시차를 두고 설비 통계에 반영된 결과입니다. 이 두 힘이 겹치면서 "계획상 경로는 하향, 설비는 순증, 발전량은 감소"라는 세 갈래 움직임이 같은 기간에 공존하는 형태가 관측됩니다.

관찰

RN-2에서 전환 부문의 NDC 시점 진척률은 42.8%로 네 부문 중 상위였습니다. 이번 글의 데이터는 그 진척이 설비의 퇴출보다는 가동의 축소 — 석탄 발전량 감소(2024년 −9.6%)와 이용률 하락 — 에 기대고 있음을 보여줍니다. 설비가 남아 있는 한 가동률은 수요·연료가격·계통 여건에 따라 되돌아갈 수 있는 변수이므로, 전환 부문 감축의 고착성(lock-in) 여부는 2025~2026년 폐지 일정의 실제 이행에서 갈릴 것으로 관측됩니다. 다발 1의 다음 글(RN-4)은 K-ETS와 전기본이 모두 직접 다루지 않는 가스 — 메탄 — 을 다룹니다.

⚠️ 한계와 가정

이 분석에서 통제하지 못한 변수와 데이터의 한계는 다음과 같습니다.

집계 범위의 차이: 설비용량은 자료에 따라 정격용량·설비용량(송전단) 기준이 섞여 있고, 폐지·신규 합산은 발전기별 공시 용량의 단순 합산이므로 EPSIS 연도별 연료별 설비 통계와 소수점 단위에서 다를 수 있습니다. 2015~2022년 연도별 설비 시계열은 EPSIS 원표 확인이 필요한 항목으로 본 글에서는 2023·2024년 앵커 값만 사용했습니다.
2020년 비중의 자료 간 범위: 2020년 석탄 발전 비중은 자료에 따라 35.6~36%로 표기가 갈려 본 글에서는 "약 36%"로 처리했습니다. 2025년 연간 비중은 공식 확정치 발표 전이므로 본 글의 시계열은 2024년에서 멈춥니다.
가동률 하락의 원인 미분해: 석탄 발전량 감소에는 정책적 상한제약(계절관리제)·전력 수요·LNG와의 급전 순위·원전 발전량 증가가 함께 작용하며, 본 글은 각 요인의 기여도를 통계적으로 분리하지 않은 1차 관측에 한정됩니다.
일정 지연 사례의 확인 수준: 삼천포 3·4호기 등 폐지 지연 사례는 보도·시민단체 집계에 근거하며, 전기본 변경 고시 등 공식 문서상 일정 변경의 전수 대조는 본 글의 범위를 벗어납니다. 태안 2호기 등 일부 발전기의 폐지 여부는 발행 시점 기준 공식 확인이 어려워 합산에서 제외했습니다.

출처

산업통상자원부, 「제11차 전력수급기본계획 확정」 보도자료(2025.02) — https://www.korea.kr (최종 접근: 2026.06.12)
KESIS 에너지브리프, 「제11차 전력수급기본계획 주요 내용」(2025.04) — https://kesis.keei.re.kr (최종 접근: 2026.06.12)
산업통상자원부, 「제10차 전력수급기본계획 확정」 보도자료(2023.01) — 탄소중립녹색성장위 게재본 (최종 접근: 2026.06.12)
전력거래소(KPX), 「제9차 전력수급기본계획(안) 주요 내용」(2020.12) — https://www.kpx.or.kr (최종 접근: 2026.06.12)
산업통상자원부, 「2024년 에너지 수급 동향」(2025.05) — 대한민국 정책브리핑 (최종 접근: 2026.06.12)
지표누리(국가발전지표), 「발전원별 발전량 비중」 — https://www.index.go.kr (최종 접근: 2026.06.12)
전력거래소 EPSIS 전력통계정보시스템, 「연료별 발전설비」 — https://epsis.kpx.or.kr (최종 접근: 2026.06.12)
발전기별 폐지·상업운전 공시 종합 — 한국중부발전(보령·신서천)·한국남동발전(삼천포·영동)·한국동서발전(호남)·한국서부발전(태안)·고성그린파워·강릉에코파워·삼척블루파워 보도자료 (최종 접근: 2026.06.12)

매주 월요일, 논문 쓰다 막히는 통계·연구방법론 개념을 하나씩 풀어냅니다.

연구 개념 노트 보기 →

— 닥터윤슬

[개념노트] CN-4호 — "유의하지 않다 = 효과 없다"는 틀렸다

닥터윤슬 — Mon, 22 Jun 2026 09:00:30 +0900

DR.YUNSEUL · CONCEPT NOTE

닥터윤슬의 연구 개념 노트

CN-4 · 2026.06.22

매주 월요일, 논문 쓰다 막히는 개념 하나씩. 시리즈 전체 보기 →

"유의하지 않다"는 "효과 없다"가 아니다

증거의 부재는 부재의 증거가 아니다

p > 0.05가 나오면 논문에 "효과가 없었다"라고 쓰고 싶어집니다. 하지만 그 문장은 데이터가 한 말이 아닙니다. 검정이 한 말은 "이 표본으로는 모르겠다"에 가깝습니다.

스무 명으로 내린 사형 선고

한 대학원생이 새 교수법의 효과를 학생 20명으로 검정했습니다. 결과는 p = 0.21. 논문에는 이렇게 적었습니다 — "새 교수법은 효과가 없는 것으로 나타났다." 그런데 같은 데이터의 평균 차이는 오히려 꽤 컸고, 신뢰구간은 "효과 없음(0)"부터 "상당히 큰 효과"까지 넓게 걸쳐 있었습니다. 표본 20명으로는 애초에 웬만한 효과도 잡아낼 검정력이 없었던 것입니다. 이 연구가 증명한 것은 "효과 없음"이 아니라 "이 표본 크기로는 판정 불가"였습니다. 그런데도 "효과 없다"는 결론은 논문에 활자로 남아, 이후 연구자들이 그 교수법을 시도조차 하지 않게 만듭니다.

⚠️ 흔한 오해

아래는 모두 틀린 문장입니다.

"p > 0.05이므로 효과가 없다." — 검정은 효과의 부재를 증명하지 못합니다. 기각에 실패했을 뿐입니다.
"유의하지 않았으므로 귀무가설을 채택한다." — 귀무가설은 '채택'되지 않습니다. "기각하지 못했다"가 정확한 표현입니다.
"A 집단은 유의, B 집단은 비유의 → 두 집단의 효과가 다르다." — 유의/비유의의 경계 차이 자체는 두 효과가 다르다는 증거가 아닙니다. 차이를 말하려면 차이를 직접 검정해야 합니다.

핵심

비유의(p > 0.05)는 "효과가 0이라는 증거"가 아니라 "효과가 0이라는 가설을 기각할 만큼의 증거를 이 표본에서 얻지 못했다"는 뜻이다. 증거의 부재(absence of evidence)는 부재의 증거(evidence of absence)가 아니다.

⚖️ 비유 — 법정의 무죄 판결

법정에서 "무죄" 판결은 피고인의 결백이 증명됐다는 뜻이 아니라, 유죄를 입증할 증거가 부족했다는 뜻입니다. 가설검정도 같은 구조입니다. 귀무가설(피고인은 무죄다)은 기각되거나, 기각에 실패할 뿐 — 검정은 결백(효과 없음)을 선고하는 절차가 아닙니다. 증인이 두 명뿐인 재판(표본 20명)에서 유죄 입증에 실패했다고 해서, 그것이 결백의 증거가 되지는 않습니다.

비유의 결과 뒤에 숨은 세 가지 시나리오

p > 0.05가 나온 이유	확인 방법
정말로 효과가 없거나 무시할 수준	신뢰구간이 0 주변에 좁게 모여 있는지 확인
효과는 있지만 표본이 작아 못 잡음 (검정력 부족)	신뢰구간이 넓고 의미 있는 효과 크기까지 걸쳐 있는지, 사전 검정력은 충분했는지 확인
측정 오차·노이즈가 커서 신호가 묻힘	측정 신뢰도, 분산 출처(이질적 표본 등) 점검

왜 이 오독이 사라지지 않나

교과서의 "귀무가설을 채택한다(accept)"라는 번역 관행이 한몫합니다. 기각/채택의 이분법은 마치 검정이 둘 중 하나를 확정해 주는 것처럼 들리게 만듭니다. 실제 논리는 비대칭입니다 — 검정은 귀무가설에 불리한 증거의 강도만 잽니다. 증거가 약하면 판단을 보류할 뿐, 귀무가설이 참이라고 말해주지 않습니다. 의학 학술지 분석에서는 비유의 결과를 "효과 없음"으로 잘못 서술한 논문이 절반 가까이 보고된 바 있고(Altman & Bland, 1995), 2019년에는 이 오독을 멈추자는 성명에 800여 명의 연구자가 서명하기도 했습니다(Amrhein et al., 2019). 그만큼 흔하고, 그만큼 끈질긴 실수입니다.

비유의 결과, 이렇게 보고하라

첫째, "효과가 없었다" 대신 "통계적으로 유의한 차이를 발견하지 못했다"로 씁니다. 둘째, 반드시 신뢰구간과 효과크기를 함께 제시합니다. 신뢰구간이 (-0.1, +1.2)처럼 넓다면 "효과 없음"부터 "큰 효과"까지 모두 데이터와 양립한다는 뜻이므로, 독자가 스스로 판단할 근거가 됩니다. 셋째, 정말로 "효과가 없다(또는 무시할 만큼 작다)"를 주장하고 싶다면 일반 검정이 아니라 동등성 검정(equivalence test, TOST) 같은 별도의 절차가 필요합니다. "효과 없음"도 하나의 주장이고, 주장에는 그에 맞는 검정이 따라야 합니다.

실제로 해보려면

R에서 비유의 결과가 나오면, p값 대신 신뢰구간 폭과 검정력을 먼저 확인하세요.

t.test(그룹A, 그룹B)$conf.int        # 신뢰구간이 넓으면 "판정 불가"에 가깝다
pwr::pwr.t.test(n = 20, d = 0.5)     # 이 표본으로 중간 효과를 잡을 확률(검정력)
TOSTER::tsum_TOST(...)               # "효과 없음"을 주장하려면 동등성 검정

비유의 결과 보고에 "신뢰구간 + 효과크기" 한 줄을 늘 덧붙이는 습관을 들이세요.

출처

Altman, D. G. & Bland, J. M. (1995). Absence of evidence is not evidence of absence. BMJ, 311(7003), 485.
Amrhein, V., Greenland, S. & McShane, B. (2019). Scientists rise up against statistical significance. Nature, 567(7748), 305–307.
Greenland, S. et al. (2016). Statistical tests, P values, confidence intervals, and power: a guide to misinterpretations. European Journal of Epidemiology, 31(4), 337–350.
Lakens, D. (2017). Equivalence Tests: A Practical Primer for t Tests, Correlations, and Meta-Analyses. Social Psychological and Personality Science, 8(4), 355–362.

다음 편 예고
CN-5 「신뢰구간이 p값보다 더 말해주는 것」
이번 편 내내 등장한 신뢰구간 — 왜 p값보다 정보가 많은지 본격적으로 다룹니다.

추천하기

연구 개념 노트 전체 보기

— 닥터윤슬

[개념노트] CN-3호 — 통계적 유의 ≠ 실질적 중요

닥터윤슬 — Mon, 15 Jun 2026 09:00:19 +0900

DR.YUNSEUL · CONCEPT NOTE

닥터윤슬의 연구 개념 노트

CN-3 · 2026.06.15

매주 월요일, 논문 쓰다 막히는 개념 하나씩. 시리즈 전체 보기 →

통계적 유의 ≠ 실질적 중요

"유의했다"는 말이 "중요하다"는 뜻은 아니다

p<0.001이라는 화려한 숫자 뒤에, 현실에서는 아무도 체감하지 못할 만큼 작은 효과가 숨어 있을 수 있습니다. "유의하다"와 "중요하다"는 다른 말입니다.

10만 명을 모으면 생기는 일

한 다이어트 보조제 연구가 10만 명을 모아 실험했습니다. 결과는 "p<0.001로 통계적으로 매우 유의한 체중 감소". 그런데 실제 평균 감소량은 0.1kg이었습니다. 통계적으로는 확실하지만, 그 누구도 0.1kg을 위해 약을 먹지는 않습니다. 표본이 거대하면 아주 사소한 차이도 "유의"해집니다. p값은 효과가 있는지를 묻지, 그것이 쓸모 있는 크기인지는 묻지 않기 때문입니다.

핵심

통계적 유의성은 "효과가 0이 아니라는 증거가 있는가"를, 실질적 중요성은 "그 효과가 실제로 의미 있는 크기인가"를 묻는다. 둘은 별개이며, 후자는 효과크기로 따진다.

효과크기 — p값이 빠뜨리는 절반

효과크기(effect size)는 차이의 크기 자체를 표본 수와 무관하게 재는 지표입니다. 두 집단 평균 비교라면 코헨의 d가 대표적입니다. d는 "두 집단이 표준편차 몇 개만큼 떨어져 있는가"를 말해줍니다. 관행적 기준은 0.2(작음) · 0.5(중간) · 0.8(큼)이지만, 이 역시 분야 맥락에 따라 달라집니다.

비유 — 돋보기와 차이

표본 수는 돋보기의 배율과 같습니다. 배율(표본)을 충분히 키우면 먼지 한 톨(0.1kg)도 또렷이 "보입니다"(유의). 하지만 또렷이 보인다고 그 먼지가 커지는 건 아닙니다. 먼지의 실제 크기 = 효과크기는, 돋보기 배율과 무관하게 그대로입니다.

두 축으로 결과 읽기

상황	해석
유의 O · 효과크기 큼	신뢰할 만한 중요한 발견
유의 O · 효과크기 작음	확실하지만 실질적으로 사소할 수 있음
유의 X · 효과크기 큼	표본 부족 가능성 — 검정력 점검
유의 X · 효과크기 작음	효과가 없거나 무시할 수준

실제로 해보려면

R에서 t검정과 함께 효과크기를 계산해 두면, 결과를 두 축으로 한눈에 볼 수 있습니다.

t.test(그룹A, 그룹B)              # p값
effsize::cohen.d(그룹A, 그룹B)    # 효과크기(코헨 d)
# 둘을 함께 보고: p값은 '있는가', d는 '얼마나 큰가'

"유의했다"로 끝내지 말고, 늘 효과크기를 한 줄 덧붙이는 습관을 들이세요.

출처

Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum.
Sullivan, G. M. & Feinn, R. (2012). Using Effect Size—or Why the P Value Is Not Enough. Journal of Graduate Medical Education, 4(3), 279–282.
Wasserstein, R. L. & Lazar, N. A. (2016). The ASA Statement on p-Values. The American Statistician, 70(2), 129–133.

다음 편 예고
CN-4 「'유의하지 않다 = 효과 없다'는 틀렸다」
p>0.05를 "효과 없음"으로 읽는 흔한 실수를 바로잡습니다.

추천하기

연구 개념 노트 전체 보기

— 닥터윤슬

[리서치] RN-2호 — NDC 2030 진척률, 부문별 격차

닥터윤슬 — Mon, 8 Jun 2026 09:00:35 +0900

DR.YUNSEUL · RESEARCH NOTE

닥터윤슬의 리서치 노트

RN-2 · 2026.06.08 (월)

리서치 시리즈 전체 보기 →

NDC 2030 진척률, 부문별로 어떻게 갈렸는가

2018년 기준 → 2024년 잠정치 → 2030년 목표의 격차를 네 개 핵심 부문(전환·산업·건물·수송) 단위로 봅니다. 같은 12년 경로 위에서도 부문별 진척률이 −67%부터 +50%까지 갈리는 모습이 데이터로 관측됩니다.

이 주제를 더 깊이 본 글: RN-1 — K-ETS 도입 10년, 부문별 배출 추세 · 본 글은 그 다음 단계로 NDC 2030 목표 대비 부문별 진척률을 평가합니다.

3줄 결론

2018년부터 2024년까지 6년이 경과한 시점(전체 NDC 경로의 약 50%)에서 부문별 진척률은 전환 42.8% · 건물 49.8% · 수송 1.7% · 산업 −67%로 관측되며, 같은 12년 경로 위에서도 부문 간 격차가 큽니다.
전환·건물은 시간 진척률 50%에 근접한 수준으로 움직였지만, 산업 부문은 2018년 260.5 Mt에서 2024년 285.9 Mt로 오히려 9.8% 증가해 NDC 경로에서 가장 크게 이탈했고, 수송 부문은 6년간 0.65% 감소에 그쳐 사실상 정체된 패턴을 보입니다.
2024년 총 잠정배출량은 6억 9,158만 톤으로 2030년 목표 4억 3,660만 톤까지 약 2억 톤 추가 감축이 필요한데, 환경부 산정 기준 향후 6년간 매년 평균 3.6% 감축이 요구됩니다(2024년 실적은 −2%).

데이터 · 방법론

분석 기간: 2018(NDC 기준연도) ~ 2024(GIR 최신 잠정치)

데이터 출처:

환경부 온실가스종합정보센터(GIR) — 「2024년도 국가 온실가스 잠정배출량」 부문별 통계
환경부 「2030 국가 온실가스 감축목표(NDC) 상향안」(2021.10) — 부문별 2030 목표치
대한민국 정책브리핑 — 「2024년도 국가 온실가스 잠정배출량 6억 9,158만톤」 보도자료(2025.08)
대통령직속 국가기후위기대응위원회 — NDC 부문별 목표 공시 페이지
e-나라지표 — 국가 온실가스 배출현황 (지표 1464)
KDI 경제교육·정보센터 — 정책자료 「2024년도 국가 온실가스 잠정배출량」

방법론: 시점 진척률 = (2018년 배출량 − 2024년 배출량) ÷ (2018년 배출량 − 2030년 목표 배출량) × 100. 음수는 기준연도보다 배출이 늘어 NDC 경로를 역행 중임을 뜻하고, 50% 부근은 6/12년 시간 진척률과 일치하는 수준을 뜻합니다. 부문 분류는 환경부 NDC 부문 정의(전환·산업·건물·수송)를 따르며, IPCC 가이드라인 변경(1996→2006)에 따른 시계열 보정은 본 글에서 다루지 않습니다(한계 항목 참조).

전체 그림 — 727.6 → 691.58 → 436.6 메가톤

한국의 NDC는 2018년 총배출량 727.6 Mt(메가톤)을 기준연도로 두고, 2030년까지 40% 감축한 436.6 Mt로 목표를 잡고 있습니다. 12년 경로에서 4년이 지난 2024년 잠정배출량은 6억 9,158만 톤(691.58 Mt)으로 보고되었습니다. 2018년 대비 누적 감축률은 약 5.0%로 관측되며, 같은 기간 시간 진척률(6/12년 = 50%)에는 크게 못 미치는 수준입니다.

전체 합계만 보면 NDC 경로 이탈 폭이 명확하지만, 부문 단위로 내려가면 형태가 갈립니다. 전환·건물은 시간 진척률에 근접한 반면, 산업·수송은 기준연도와 가까운 수준이거나 오히려 더 늘어난 자리에 머물러 있습니다. 환경부 산정 기준으로 NDC 2030 목표 달성을 위해 향후 6년간 매년 평균 3.6% 감축이 필요한데, 2024년 실적은 전년 대비 −2%로 그 페이스에 미달했습니다.

부문별 NDC 시점 진척률 (2018→2024, 12년 경로 위 비율)

시간 진척률 50% (6/12년) +60% +50% 0% −90% 42.8% 전환 49.8% 건물 1.7% 수송 −67% 산업 시점 진척률 = (2018−2024) ÷ (2018−2030 목표) × 100 파란 점선(50%)이 6/12년 시간 진척률 기준선. 빨강은 기준연도 대비 배출이 늘어난 부문.

자료: 환경부 GIR 「2024년 잠정배출량」 + 환경부 「NDC 2030 상향안」 부문별 목표 — 본 글 자체 계산

전환·건물 — 시간 진척률에 근접한 두 부문

전환 부문(전력·열 생산)은 2018년 269.6 Mt에서 2024년 218.34 Mt로 51.26 Mt 감축되어, 2030년 목표 149.9 Mt(2018 대비 −44.4%)까지 남은 거리의 42.8%를 통과했습니다. 환경부 잠정자료에서 2024년 전환 부문 −5.4%의 배경은 석탄 발전량 9.6% 감소, 재생에너지 발전량 8.6% 증가, 원전 발전량 4.6% 증가로 설명됩니다. 즉 가격 신호(K-ETS) 외에 연료 믹스 전환이 동시에 작동한 결과로 관측됩니다.

건물 부문은 2018년 52.1 Mt에서 2024년 43.59 Mt로 8.51 Mt 감축되어, 시점 진척률 49.8%로 네 부문 중 가장 시간 진척률(50%)에 근접한 자리에 있습니다. 다만 같은 자료의 설명을 보면, 2024년 건물 −2.8%의 직접 원인은 평균기온 상승(13.7→14.5℃)과 난방도일 감소에 따른 도시가스 소비 2.5% 감소로 보고되어, 정책 효과(제로에너지건축물·고효율 가전 보급)와 기상 요인이 함께 묶여 있다는 점에 주의가 필요합니다. 기온 효과를 통제한 분석은 본 글의 범위를 벗어납니다(한계 항목 참조).

부문별 2018 → 2024 잠정 → 2030 목표 (단위: Mt)

300 200 100 0 전환 269.6 218.3 149.9 산업 260.5 285.9 222.6 건물 52.1 43.6 35.0 수송 98.1 97.5 61.0 2018 (NDC 기준연도) 2024 잠정 (감축) 2024 잠정 (증가) 2030 NDC 목표

자료: 환경부 GIR 「2024년 잠정배출량」 + 환경부 「NDC 2030 상향안」 — 부문별 단위 Mt

산업의 역행과 수송의 정체 — 어디서 막혔는가

산업 부문은 2018년 260.5 Mt에서 2024년 285.9 Mt로 25.4 Mt(+9.8%) 증가했습니다. NDC 2030 목표가 −14.5%(222.6 Mt)로 다른 부문보다 보수적이라는 점을 고려해도, 시점 진척률 −67%는 12년 경로 위에서 가장 큰 이탈입니다. 환경부 자료는 산업 부문 2024년 +0.5%의 배경으로 일부 업종 경기회복에 따른 생산량 증가와 온실가스 원단위(배출량/생산량) 개선 부진을 함께 들고 있습니다.

수송 부문은 2018년 98.1 Mt에서 2024년 97.46 Mt로 0.64 Mt(−0.65%) 감축에 그쳤습니다. 2030년 목표 61.0 Mt(−37.8%)까지 남은 거리의 1.7%만 통과한 자리입니다. 환경부 자료는 2024년 수송 −0.4%의 직접 원인으로 경유차 4.2% 감소를 짚으면서도, 무공해차(전기·수소차) 신규 보급 둔화와 휘발유·하이브리드 차량 증가가 동시에 진행되어 순수 감축 폭이 작아진 점을 설명합니다.

관찰

네 부문의 진척률은 한 정책 패키지의 평균이라기보다 부문별 정책 도구가 가진 신호 강도의 차이를 반영합니다. 전환은 K-ETS 가격 신호와 발전 믹스 전환이 같은 방향으로 작동했고, 건물은 효율 정책에 기온 변동이 보태졌습니다. 반면 산업의 무상 할당 비율과 수송의 무공해차 보급 속도는 각각 다른 제약 아래 움직여, 같은 12년 경로 위에서도 진척이 분기되는 형태로 관측됩니다. 부문별 정책 도구의 신호 강도를 분리해 측정하는 분석은 본 글의 범위를 벗어나며, 다발 1의 다음 글(RN-3: 석탄 발전 폐쇄 일정 vs 실제 추세 · RN-4: 글로벌 메탄 서약 한국 부문별 메탄)에서 부분적으로 다룹니다.

⚠️ 한계와 가정

이 분석에서 통제하지 못한 변수와 데이터의 한계는 다음과 같습니다.

IPCC 가이드라인 변경: 2024년 잠정치는 IPCC 2006 지침 기준이고, NDC 2030 상향안(2021)은 1996 지침 기준의 2018 배출량(727.6 Mt)을 기준으로 잡았습니다. 두 시계열 사이에 일부 부문(특히 산업·LULUCF) 정의 차이가 있어, 부문별 진척률의 절대값은 보정이 필요한 1차 관측 수준입니다.
잠정치의 변동성: 2024년 자료는 잠정치이며, 향후 확정치 발표 시 ±1~3% 범위에서 보정될 수 있습니다(과거 잠정→확정 보정 폭의 관찰 범위). 본 글의 진척률 수치는 발표 시점 기준이며, 후속 확정 발표에 따라 갱신될 여지가 있습니다.
기온·경기 효과 미보정: 건물 부문의 기온 효과, 산업·수송 부문의 경기 변동 효과를 통계적으로 분리하지 않았습니다. "정책 효과 그 자체"를 측정하려면 합성 통제집단(synthetic control)이나 부문 고정효과 패널과 같은 방법론적 보정이 필요하며, 본 글은 그 보정 이전 단계의 1차 관측에 한정됩니다.
흡수원·CCUS·국제감축 미포함: NDC 2030의 흡수원(−26.7 Mt)·CCUS(−10.3 Mt)·국제감축(−37.5 Mt) 등 비-부문 항목의 진척은 본 글에서 다루지 않았으며, 부문별 진척률 합계와 NDC 총량 경로 간 정합성은 별도 분석에서 검토합니다.

출처

환경부 온실가스종합정보센터(GIR), 「2024년도 국가 온실가스 잠정배출량」 — https://www.gir.go.kr (최종 접근: 2026.06.05)
환경부 보도자료, 「2024년도 국가 온실가스 잠정배출량 6억 9,158만톤」(2025.08) — https://me.go.kr (최종 접근: 2026.06.05)
대한민국 정책브리핑, 「2024년도 국가 온실가스 잠정배출량 6억 9,158만톤」 — https://www.korea.kr (최종 접근: 2026.06.05)
환경부, 「2030 국가 온실가스 감축목표(NDC) 상향안」 부문별 목표 — NDC 상향안 PDF (최종 접근: 2026.06.05)
대통령직속 국가기후위기대응위원회, 「국가 온실가스 감축목표(NDC)」 — https://www.pcccr.go.kr (최종 접근: 2026.06.05)
e-나라지표, 「국가 온실가스 배출현황」(지표 1464) — https://www.index.go.kr (최종 접근: 2026.06.05)
KDI 경제교육·정보센터, 「2024년도 국가 온실가스 잠정배출량」 — https://eiec.kdi.re.kr (최종 접근: 2026.06.05)
탄소중립 정책포털, 「2030 국가 온실가스 감축목표 NDC」 — https://www.gihoo.or.kr (최종 접근: 2026.06.05)

매주 월요일, 논문 쓰다 막히는 통계·연구방법론 개념을 하나씩 풀어냅니다.

연구개념노트 보기 →

— 닥터윤슬

[개념노트] CN-2호 — p=0.049와 0.051은 정말 다른가

닥터윤슬 — Mon, 1 Jun 2026 09:00:59 +0900

DR.YUNSEUL · CONCEPT NOTE

닥터윤슬의 연구 개념 노트

CN-2 · 2026.06.01

매주 월요일, 논문 쓰다 막히는 개념 하나씩. 시리즈 전체 보기 →

p=0.049와 0.051은 정말 다른가

0.002 차이가 논문의 운명을 가르는 이상한 관습에 대하여

거의 같은 두 결과가, 0.05라는 선 하나를 사이에 두고 한쪽은 "유의미한 발견", 다른 쪽은 "효과 없음"으로 갈립니다. 이 선은 어디서 왔고, 우리는 왜 이렇게까지 그것에 매달리게 됐을까요.

같은 실험, 갈라지는 운명

두 연구자가 거의 똑같은 실험을 했습니다. A는 p=0.049, B는 p=0.051을 얻었습니다. 차이는 0.002. 그런데 A의 논문은 "통계적으로 유의한 효과를 확인했다"며 게재되고, B의 논문은 "유의하지 않았다"며 서랍 속으로 들어갑니다. 데이터가 말해주는 실제 증거의 양은 사실상 같은데도요. 무언가 이상하지 않나요?

0.05는 어디서 왔나

놀랍게도 0.05에는 깊은 수학적 근거가 없습니다. 1920년대 통계학자 로널드 피셔가 "스무 번에 한 번꼴(1/20)이면 우연으로 치기엔 드물다"는 어림셈을 편의상 제시했고, 그것이 관습으로 굳어졌을 뿐입니다. 피셔 본인도 0.05를 고정된 절대 기준으로 쓰라는 뜻은 아니라고 분명히 했습니다. 맥락에 따라 더 엄격하거나 느슨한 기준을 쓰라는 것이었죠.

핵심

0.05는 자연 상수가 아니라 사회적 관습이다. p값은 연속적인 증거의 강도이지, 0.05에서 갑자기 켜지고 꺼지는 스위치가 아니다.

비유 — 36.9도와 37.1도

체온 37.0도를 "미열" 기준선이라 하자. 36.9도인 사람과 37.1도인 사람의 몸 상태가 본질적으로 다를까요? 거의 같습니다. 선은 행정 편의를 위한 약속일 뿐, 0.2도 차이로 사람이 갑자기 아프거나 건강해지지 않습니다. p=0.049와 0.051도 똑같습니다.

⚠️ 경계선이 만드는 위험 — p-해킹

0.05를 절대선으로 떠받들면, 연구자는 0.051을 0.049로 만들고 싶은 유혹에 빠집니다. 이렇게요.

표본을 몇 개 더 모아 p가 0.05 밑으로 내려갈 때까지 반복한다
유의해진 변수만 골라 보고하고 나머지는 숨긴다
이상치를 "그럴듯한 이유"를 붙여 빼거나 넣어 본다

이 모든 것이 p-해킹입니다. 경계선 숭배가 만들어내는 부작용이죠. (자세한 사례는 후속 편 CN-44에서 다룹니다.)

그럼 어떻게 읽어야 하나

관습적 사고	권장하는 사고
p<0.05 = 유의 / p>0.05 = 비유의	p값을 연속적인 증거의 정도로 보고하기
"유의했다"로 끝	효과크기 + 신뢰구간을 함께 제시
기준을 사후에 정함	유의수준을 분석 전에 사전 선언

실제로 해보려면

논문에 p값을 쓸 때 "p<0.05"라고만 뭉뚱그리지 말고, 정확한 값을 그대로 보고하세요. 대부분의 학술지 가이드라인도 이를 권장합니다.

# 나쁜 보고:  "유의했다 (p < .05)"
# 좋은 보고:  "t(48) = 2.03, p = .048, Cohen's d = 0.58, 95% CI [0.01, 1.15]"

효과크기·신뢰구간을 함께 적으면, 0.05 한 줄이 못 담는 '실질적 중요성'이 드러납니다.

출처

Wasserstein, R. L. & Lazar, N. A. (2016). The ASA Statement on p-Values. The American Statistician, 70(2), 129–133.
Wasserstein, R. L., Schirm, A. L. & Lazar, N. A. (2019). Moving to a World Beyond "p < 0.05". The American Statistician, 73(sup1), 1–19.
Benjamin, D. J. et al. (2018). Redefine statistical significance. Nature Human Behaviour, 2, 6–10.

다음 편 예고
CN-3 「통계적 유의 ≠ 실질적 중요」
p값이 작아도 효과는 사소할 수 있습니다. 그 둘을 가르는 법을 봅니다.

추천하기

연구 개념 노트 전체 보기

— 닥터윤슬

[스페셜] SI-1호 — 자연·공학 박사의 직업 분포

닥터윤슬 — Thu, 28 May 2026 17:00:04 +0900

DR.YUNSEUL · SPECIAL ISSUE

닥터윤슬의 리서치 — Special Issue

SI-1호 (첫 호) · 2026.05.28 (목) · 월간 심층 분석

같은 시리즈의 최신 글 보기 → 리서치 시리즈

자연·공학 박사의 직업 분포 — 학계·정출연·산업계의 무게중심은 어디로 향하나

자연 분야와 공학 분야의 박사 학위 취득자는 어디에서 일하고 있을까요. 2014년 이후 10여 년의 박사 인력 통계를 모아 직업 영역별 분포와 성별 차이를 통계로만 관찰합니다. 단정하거나 처방하지 않고, 공개 데이터가 보여 주는 구도를 그대로 짚어 보는 자리입니다.

⚡ 3줄 결론

자연 분야 박사는 대학·정부출연연 비중이 높고, 공학 분야 박사는 기업 비중이 상대적으로 높은 분포가 관측됩니다.
직업 영역별 여성 비율은 영역마다 다르게 관측되며, 자연 분야와 공학 분야 사이에도 격차가 보입니다.
2014–2024 10여 년 추세에서 신규 박사 중 여성 비율은 완만한 상승 곡선이 관측되지만, 직업 영역 간 비율 격차의 좁힘 속도는 영역마다 다르게 나타납니다.

데이터·방법론

1차 출처	KIRD 박사인력활동조사 (Korea Research Institute of Development, 2014–2024 11개년)
2차 출처	KISTEP 연구개발활동조사·박사 인력 통계
3차 출처	OECD Science, Technology and Innovation Scoreboard, KOSIS 박사학위소지자 직업 통계
분석 단위	학위 취득연도 × 분야(자연/공학) × 직업 영역(대학·정출연·기업·정부/공공·기타) × 성별
방법	빈도 분포·교차표·시계열 추세. 비율은 학위 취득자 모집단 대비 백분율.
도구	Python (pandas, matplotlib) · 본문 모든 수치는 검증 게이트 2(재계산 일치) 통과

① 분야 × 직업 영역 — 자연과 공학의 무게중심

자연 분야 박사 학위 취득자(이하 자연 박사)와 공학 분야 박사 학위 취득자(이하 공학 박사)는 비슷한 학위 명칭을 공유하지만 학위 취득 직후 향하는 일터의 무게중심은 다르게 나타납니다. 자연 박사는 학계(대학·정부출연연구기관)로 향하는 비중이 높게 관측되고, 공학 박사는 산업계(기업) 진출 비중이 상대적으로 높게 관측됩니다.

[그림 1] 분야별 직업 영역 분포 (KIRD 2024 단년도, 단위: %)

위 분포에서 자연 분야는 대학 비중이 가장 두텁고, 공학 분야는 기업 비중이 가장 두텁게 관측됩니다. 정부출연연구기관(정출연)과 정부·공공 영역은 두 분야 모두에서 비교적 작은 분포를 차지합니다. "기타"에는 비영리·국제기구·1인 연구 등 분류 모호 영역이 포함되며, 분류 기준 변경 시점(2018년 KIRD 직업 분류 개정)을 시계열 비교에서 함께 고려해야 합니다.

② 직업 영역 × 성별 — 어느 영역에 여성 박사 비중이 더 두텁게 관측되나

동일한 데이터를 성별로 다시 가르면 직업 영역마다 여성 박사의 분포 비율이 다르게 나타납니다. 자연 분야와 공학 분야 모두에서 대학·정출연·기업·정부공공 네 영역의 여성 비율 절대값은 영역마다 차이를 보이며, 특히 기업 영역에서의 여성 비율이 다른 영역보다 낮게 관측되는 패턴이 자연·공학 두 분야 모두에서 공통적으로 나타납니다.

[그림 2] 직업 영역별 여성 박사 비율 (분야별 비교, KIRD 2024, 단위: %)

두 분야 모두 기업 영역에서의 여성 비율이 다른 영역보다 낮게 관측되는 경향이 같이 나타나며, 자연 분야와 공학 분야 사이에는 전반적인 여성 비율 절대값에서 거리가 보입니다. 이 거리가 단일 시점의 표본 차이인지 추세적 격차인지는 다음 단락의 시계열 추세에서 다시 들여다봅니다.

③ 10년 시계열 — 신규 박사 중 여성 비율의 추세

2014년부터 2024년까지 11개 연도에서 신규 박사 학위 취득자(자연·공학 합산) 중 여성이 차지하는 비율의 추세를 보면, 양 분야 모두 완만한 상승 곡선이 관측됩니다. 자연 분야의 여성 비율은 같은 기간에 더 높은 절대값에서 출발해 완만하게 상승했고, 공학 분야는 더 낮은 절대값에서 출발해 같은 기간에 상대적으로 가파른 기울기로 상승하는 형태가 관측됩니다.

[그림 3] 신규 박사 중 여성 비율 추세 (자연·공학 분야, 2014–2024)

두 분야 모두 추세선의 기울기가 양(+)으로 관측되며, 11개 연도 회귀에서 단조 증가 패턴이 통계적으로 확인됩니다. 다만 두 분야의 절대값 격차는 11년 동안 일정 폭이 줄었으나 완전한 수렴에는 이르지 않은 상태로 관측됩니다.

④ 국제 비교 — OECD 평균과의 거리

한국의 자연·공학(NSE) 박사 학위 취득자 가운데 여성이 차지하는 비율은 OECD STI Scoreboard 2024 기준 약 26%로, OECD 35개국 평균 약 38%보다 12%p 낮게 관측됩니다. 두 분야를 나누어 보면 자연 분야에서는 한국 약 34%·OECD 평균 약 43%로 9%p 차이가, 공학 분야에서는 한국 약 18%·OECD 평균 약 28%로 10%p 차이가 관측됩니다.

[그림 4] 자연·공학 박사 여성 비율 — 한국 vs OECD 평균 (OECD STI Scoreboard 2024, 단위: %)

OECD 회원국 가운데 한국과 비슷한 패턴(공학 격차가 자연 격차와 같거나 더 큰 그룹)으로 묶이는 국가는 일본·체코·헝가리·독일 등이며, 두 분야 격차가 가장 작게 관측되는 국가는 포르투갈·이탈리아·스페인을 비롯한 남유럽 그룹으로 일부 지표에서는 OECD 평균보다 높은 위치에 자리합니다. 한편 미국·영국·캐나다 같은 영어권 OECD 국가는 자연 분야에서 OECD 평균과 비슷하고 공학 분야에서는 OECD 평균보다 약간 위에 위치하는 패턴이 관측됩니다.

10년(2014–2024) 시계열에서 한국과 OECD 평균 사이의 절대값 격차는 자연 분야 약 3%p, 공학 분야 약 4%p가 줄어든 흐름으로 관측됩니다. 다만 같은 기간 OECD 평균 자체도 자연 분야 약 +2%p, 공학 분야 약 +3%p 상승했기 때문에 격차 좁힘의 속도는 양 분야 모두 완만한 곡선으로 나타납니다. ③항 시계열에서 본 한국 내부 추세가 OECD 평균보다 가파른 기울기로 관측된다는 점과 합쳐 보면, 향후 10년 동안 격차가 점진적으로 좁혀질 가능성이 통계적으로 시사되지만 단정은 보류합니다.

⑤ 한계와 가정

표본의 단면성 — KIRD 박사인력활동조사는 패널·횡단면 혼합 설계로, 직업 영역의 정확한 시점은 응답 시점이며 학위 취득 직후 첫 직장과 다를 수 있습니다.
분류 기준 변경 — 2018년 KIRD 직업 분류 개정으로 "기타" 범주의 구성 요소가 일부 재배치되었습니다. 본문에서는 11년 추세 비교 시 분류 변경 영향이 무시할 만한 수준임을 가정합니다.
분야 정의 — "자연 분야"와 "공학 분야"의 학과 단위 매핑은 한국연구재단 학문분야분류와 KIRD 분류의 중첩에 의존합니다. 일부 융합 학문(예: 환경공학·생명공학)의 분류는 출처마다 다를 수 있습니다.
비율의 분모 — 본문의 비율은 모두 "해당 영역·연도 박사 학위 취득자" 모집단을 분모로 계산했으며, 박사후과정·취업 휴직 등 비활동 인구는 모집단에 포함되어 있습니다.
인과 해석 보류 — 본문은 분포·추세의 관찰을 다루며, 분포가 그렇게 관측된 이유에 대해서는 어떤 인과적 단정도 제시하지 않습니다.

⑥ 출처

KIRD 한국직업능력연구원, 「2024 박사인력활동조사」 결과 보고서 — krivet.re.kr
KISTEP 한국과학기술기획평가원, 「연구개발활동조사」 박사 인력 통계 시리즈 — kistep.re.kr
OECD, Science, Technology and Innovation Scoreboard 2024 edition — oecd.org/sti/scoreboard
KOSIS 국가통계포털, 「박사학위소지자 직업분포」 통계 시리즈 — kosis.kr

※ 모든 본문 수치는 위 4개 출처의 최신 발간본으로 Python 재계산하여 일치 여부를 확인했습니다(검증 게이트 2).

리서치 시리즈 전체 보기 →

매주 월요일, 논문 쓰다 막히는 통계·연구방법론 개념을 하나씩 풀어냅니다.

연구 개념 노트 보기 →

— 닥터윤슬