4. 플랫폼 노동 분석 방법

다항선형회귀분석

본 게시물은 정확한 수치는 비공개하며, 경향성에 대해 주로 논한다.

연구가설

- 가설1.(숙련도) 판매자의 전문 경력년수가 길수록 소득이 증가할 것이다. 

- 가설2.(신뢰성) 판매자의 평가점수가 높을수록 소득이 증가할 것이다. 

- 가설3.(경제성) 판매자의 서비스 가격이 낮을수록 소득이 증가할 것이다. 

- 가설4.(편의성) 판매자의 평균 응답시간이 빠를수록 소득이 증가할 것이다.

원자료 (Raw Data)

본 연구는 일감 중개시장의 매출 81.2% 이상* 차지하고 있는 재능마켓형 플랫폼(이후 A*)을 대상으로 한다. 원자료(Raw data)는 판매자 프로필 상의 공개정보를 통해 수집한 최근 O년 간(2***년~2022년)의 인적용역 거래 데이터이다.  2023년 기준 가장 활성화 되어 있는 디자인 분야에 게시된 서비스 갯수는 OO,949건이다. 뒤를 이어 IT개발은 OO,737건, 통번역은 OO,673건이 게시중이다. 

참고) 자료의 유형

① 횡단면 자료(Cross-Sectional data) : 일정시점에서 하나 이상의 변수에 대해 수집된 자료
② 시계열 자료(Time Series data) : 일별, 주별, 월별, 분기별, 연도별 등 시간에 걸쳐 수집한 자료
③ 합동 횡단면 자료(Pooled Cross Sections data) : 횡단면 자료와 시계열자료가 결합된 자료
④ 패널자료(Panel data) : 동일한 횡단면 단위에 기준을 두고 시간의 흐름에 따라 수집한 자료

기초통계량

<표> 기초통계량

일부 자료 비공개

누적된 일감 갯수는 약 60만 건이며, 전문분야별로는 디자인 72.1%, 통·번역 15.4%, SW개발 12.4%순으로 거래가 많았다. 일감을 수주한 회원유형은 개인회원 65.6%, 기업회원 34.4%이다. 

<표> 회원수 및 일감건수 (%)

원자료 2차 가공

분석방법

시계열 데이터를 포함*하여 일반적인 다항선형회귀분석(Polynomial Regression)의 고정효과(Within Effect)와 확률효과(Random Effect) 를 비교 분석하였다.     

※ 패널 합동(pooling) 모형 분석은 시계열 자료와 횡단면 자료의 통합(Pooling)  분석을 말한다. 

**고정효과(Within Effect)  모형 분석은 시간의 영향을 받지 않는 변수를 뚯하며, 관측하지 못한 변수를 모형에 넣고 시간에 따라 영향을 받지 않도록 고정하여 분석 하는 것을 말한다.

***확률효과(Random Effect)  모형 분석은 예측변수 단위 간의 차이를 회계 계수 중 절편계수의 차이에 대한 분석을 하는 것을 말한다.

상관요인

종속변수는  '중개수수료'를 공제하기 전/후의 ‘플랫폼 노동 소득수준’이며, 독립변수는 ‘서비스 평가점수, 서비스 가격, 평균 응답시간, 전문 경력년수’이다. 통제변수는 ‘연락가능시간, 작업소요기간, 플랫폼 활동기간’을 두었다. 

본격적인 회귀분석에 앞서 변수 간의 상관관계를 살펴본 결과, 전술한 바와 같이 독립변수(서비스 평가점수, 평균 응답시간, 전문 경력년수 등)는 플랫폼 노동자의 소득과 양(+)의 상관관계를 가지고 있는 것으로 나타났다. 분석 결과 유의확률(p)이 0.5보다 작게 나타나 가설이 채택되었으며 유의미한 영향을 주는 것으로 확인되었다. (전통적인 임금결정 요인의 경우 학력보다 경력이 플랫폼 노동자의 소득과 더 큰 양(+)의 상관관계가 있다.)