연구 목적 및 배경 설명

2015년 인구주택총조사 기준 대한민국에서 종교를 가지고 있는 사람의 수는 21,553,674명입니다. 전체 인구가 49,052,389명이므로, 전체 인구대비 43%가 종교를 가지고 있는 것입니다. 현재는 어떨까요. 2023년 한국기독교목회자협회의 조사에 따르면 전체 인구의 36.6%만이 종교를 가지고 있습니다. 동일 조사에서 2017년 종교보유 비율이 46.6%인 것에 비교하면 21% 감소한 것입니다.
종교에 대한 인식을 어떨까요. 2020년 한국리서치의 조사에 따르면 불교와 천주교의 경우 호감도가 100점 만점에 50점. 개신교의 경우 28점에 불과했습니다.
이에는 코로나의 영향도 있을 것이라고 생각합니다. 우리나라에서 코로나-19가 확산하게 된 주요 원인 중 하나는 기독교의 이단인 대구 신천지의 구조적 문제 때문이었습니다. 이 때문에 종교가 우리나라에 부정적 영향을 미친다고 생각하는 사람의 숫자가 늘어난 것으로 짐작됩니다.
종교를 혐오하는 시선도 점차 증가하고 있음을 체감합니다. 종교의 부정적인 면을 이용하는 ’사이비’라는 키워드의 구글 키워드 트렌드 분석결과 2009년 이후 지속적으로 검색량이 증가하고 있습니다. 최근 전광훈 목사와 관련된 기독교 순수성 논란, 종교의 소득세 면세 논란 등 많은 논란이 종교와 연관되어 벌어지고 있는 가운데 종교에 관한 인식은 점차 나빠지고 있습니다.
저 또한 종교를 가지고 있음에도 불구하고 점차 종교에 대하여 부정적 시선을 가지게 되는 것 같습니다. 따라서, 이번 기회에 데이터 분석을 통해 실제로 종교가 한국 사회에서 어떤 위치를 차지하고 있는지, 어떤 영향력을 행사하고 있는지 방대한 양의 복지패널데이터를 사용하여 전반적으로 조사하고자 합니다.

데이터에 대한 개괄적인 설명

한국복지패널조사데이터 [2022년 17차 데이터] (출처: 한국보건사회연구원)

한국복지패널조사는 한국보건사회연구원 서울대학교사회복지연구소에서 진행하는 패널조사입니다. 2022년에는 7,865가구를 조사하였으며, 1차부터 조사된 원표본 가구수는 3,664가구입니다. 7차와 17차에 신규 표본을 추가하여 비슷한 수의 표본 수를 매년 유지하고 있습니다.
한국복지패널조사는 크게 가구용, 가구원용, 부가조사 세 가지로 구성되어 있습니다. 17차에서 진행한 부가조사는 복지인식에 관한 부가조사였으며, 3년을 주기로 ‘복지인식, 아동, 장애인’ 부가조사를 반복하여 진행합니다.
본 자료 분석에서는 복지패널조사데이터의 변수 중 17개의 변수를 사용할 예정입니다.
제가 사용할 데이터는 다음과 같습니다.

변수 번경한 변수 이름 변수 설명
가구ID ID 가구를 구분할 수 있는 키값이 되는 범주형 변수입니다. 같은 가구의 구성원이라면 같은 가구 ID를 지니고 있습니다.
성별 sex 성별에 대한 범주형 변수입니다.
출생년도 birth 출생년도에 대한 연속형 변수입니다.
교육수준(최종학력) education 최종 학력에 대한 범주형 변수입니다. 무학, 미취학, 초등학교, 중학교, 고등학교, 전문대학, 대학교, 대학원(석사), 대학원(박사)를 구분할 수 있습니다.
교육수준(학업상태) education_status 최종 학력 학업 상태를 나타내는 범주형 변수입니다. 무학, 미취학, 재학, 휴학, 중퇴, 졸업, 수료를 구분할 수 있습니다.
장애정도 disable 장애 정도에 대한 범주형 번수입니다. 비장애인, 장애 정도가 심한 등록장애인, 장애 정도가 심하지 않은 등록 장애인, 비등록 장애인을 구분할 수 있습니다.
종교유무 religion 본 분석에서 제일 중요한 종교 유무에 대한 범주형 번수입니다.
건강상태 health 건강 상태에 대한 범주형 변수입니다. 1부터 5까지 정수로 건강하지 않음부터 건강함으로 답변이 구성되어 있습니다.
월평균소득 income 가구원 개인의 월 평균 임금을 의미하는 연속형 변수입니다. 단위는 만원입니다.
가구종교지출 spend_religion 가구의 한 달 종교 관련 지출(십일조 포함)을 의미하는 연속형 변수입니다. 같은 가구 ID를 가지고 있다면, 같은 값을 가지고 있습니다. 단위는 만원입니다.
가구총지출 spend_total 가구의 한 달 총 지출을 의미하는 연속형 변수입니다. 같은 가구 ID를 가지고 있다면, 같은 값을 가지고 있습니다. 단위는 만원입니다.
개인기부금액 donation 개인의 연간 기부 총액을 의미하는 연속형 변수입니다. 단위는 만원입니다.
봉사유무 volunteer 개인의 자원봉사여부를 나타내는 범주형 변수입니다. 예, 아니오로 구성됩니다.
건강 만족도 happy_health 개인의 건강에 대한 만족도를 나타내는 범주형 변수입니다. 1은 불만족, 5는 만족을 의미합니다.
가족 만족도 happy_family 위와 같습니다.
사회적관계 만족도 happy_social 위와 같습니다.
여가 만족도 happy_rest 위와 같습니다.
삶 전반에 대한 만족도 happy_total 위와 같습니다.

데이터 정제 및 가공 과정

1. 데이터 불러오기 및 변수 이름 변경

2022년 17차 웨이브로 진행된 한국복지패널조사데이터의 가구용, 가구원용, 복지인식의 머지데이터를 ’raw_welfare’로 불러오고, 이를 welfare 데이터로 복사하였습니다.
복사하는 과정에서 자료 분석에서 필요한 열인 ’가구 ID, 성별, 출생년도, 교육수준, 장애정도, 종교유무, 건강상 태, 월평균소득, 가구종교지출, 가구총지출, 개인기부금액, 봉사유무, 건강 만족도, 가족 만족도, 사회적관계 만족도, 여가 만족도, 삶 전반에 대한 만족도’만을 선택하였으며, 이후 자료 분석의 용이성을 위하여 열의 이름을 변경하였습니다.

raw_welfare <- read.spss(file = "Koweps_hpwc17_2022_beta1.sav", to.data.frame = T)
## Warning in read.spss(file = "Koweps_hpwc17_2022_beta1.sav", to.data.frame = T):
## Koweps_hpwc17_2022_beta1.sav: Compression bias (0) is not the usual value of
## 100
## Warning in read.spss(file = "Koweps_hpwc17_2022_beta1.sav", to.data.frame = T):
## Koweps_hpwc17_2022_beta1.sav: Very long string record(s) found (record type 7,
## subtype 14), each will be imported in consecutive separate variables
welfare <-
  raw_welfare %>% 
  select(ID = h17_id,
         sex = h17_g3,                      # 성별
         birth = h17_g4,                    # 출생년도
         education = h17_g6,                # 교육 수준 (최종학력)
         education_status = h17_g7,         # 교육 수준 (학업 상태태)
         disable = h17_g9,                  # 장애 정도
         religion = h17_g11,                # 종교 유무
         health = h17_med2,                 # 건강 상태
         income = p1702_8aq1,               # 월 평균 소득
         spend_religion = h1707_6aq6,       # 가구 종교 지출
         spend_total = h1707_9,             # 가구 총 지출
         donation = p1704_5,                # 개인 기부 금액
         volunteer = p1704_4,               # 봉사 유무
         happy_health   = p1703_5,            # 건강 만족도
         happy_family   = p1703_8,            # 가족 만족도
         happy_social   = p1703_10,           # 사회적 관계 만족도
         happy_rest = p1703_11,             # 여가 만족도
         happy_total = p1703_12             # 삶 전반에 대한 만족도
         )

2. 변수 검토 및 전처리

각 변수를 검토하여 전처리 과정을 거치도록 하겠습니다.

성별

# 변수 검토하기
class(welfare$sex)
## [1] "numeric"
table(welfare$sex)
## 
##    1    2 
## 7471 9120

코드북에 따르면 1은 남성, 2는 여성을 의미합니다. 변수 검토 결과 이상치가 존재하지 않으므로 이상치 제거 과정은 생략합니다. 앞으로의 분석 용이성을 위하여 1에는 “male”을 2에는 “female”을 부여하도록 하겠습니다. 추가로 sex변수의 class를 factor로 변경하도록 하겠습니다.

# 성별 항목 이름 부여
welfare$sex <- ifelse(welfare$sex == 1, "남성", "여성")
table(welfare$sex)
## 
## 남성 여성 
## 7471 9120
#class 변경
welfare$sex <- as.factor(welfare$sex)

출생년도

# 변수 검토하기
summary(welfare$birth)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    1906    1949    1965    1969    1988    2021

코드북에 따르면 출생년도 변수의 모름/무응답은 9999입니다. 변수 검토 결과 이상치가 존재하지 않으므로 이상치 제거 과정은 생략합니다.
앞으로의 데이터 분석의 용이성을 위하여 출생년도 변수를 보고서 작성일인 2023년 기준 한국식 세는나이로 바꾸겠습니다.

#age 변수 추가
welfare <- welfare %>% 
  mutate(age = 2023-birth+1)

#확인하기
welfare %>% 
  select(birth, age) %>% 
  head(10)
##    birth age
## 1   1945  79
## 2   1948  76
## 3   1942  82
## 4   1962  62
## 5   1963  61
## 6   2003  21
## 7   1927  97
## 8   1934  90
## 9   1940  84
## 10  1970  54

교육 수준

#데이터 검토하기
table(welfare$education)
## 
##    1    2    3    4    5    6    7    8    9 
##  584  990 3716 2162 4290 1466 3003  329   51

코드북에 따르면, 교육 수준 변수는 다음과 같이 구성되어 있습니다.

1.미취학(만7세미만)
2.무학(만7세이상)
3.초등학교
4.중학교
5.고등학교
6.전문대학
7.대학교
8.대학원(석사)
9.대학원(박사)
99. 모름/무응답

위 데이터에는 99와 같은 이상치가 존재하지 않으므로 이상치 제거 과정은 건너뜁니다. 앞으로의 분석 용이성을 위하여 각 데이터에 위의 범례를 부여하도록 하겠습니다. 추가로, 추가한 범례 변수를 factor 유형으로 변경하도록 하겠습니다.

# 교육수준 범례 데이터프레임 생성
education <- c(1:9)
education_detail <- c("미취학(만7세미만)", "무학", "초등학교", "중학교", "고등학교", "전문대학", "대학교", "대학원(석사)","대학원(박사)")

# 교육수준과 교육수준범례 변수의 class를 factor로 변경
education <- factor(education, levels = education)
education_detail <- factor(education_detail, levels = education_detail)

name <- data.frame(education, education_detail)

welfare$education <- as.factor(welfare$education)

# 교육수준범례, welfare 합치기
welfare <- left_join(welfare, name, by = "education")

welfare$education <- as.numeric(welfare$education)

welfare %>% 
  select(education, education_detail) %>% 
  head()
##   education education_detail
## 1         4           중학교
## 2         3         초등학교
## 3         7           대학교
## 4         6         전문대학
## 5         5         고등학교
## 6         5         고등학교
# 데이터 검토하기
table(welfare$education_status)
## 
##     0     1     2     3     4     5 
##  1574  2031   137  1372    32 11445
welfare %>% 
  select(education_status, education_detail) %>% 
  filter(education_status == 0) %>% 
  group_by(education_detail) %>% 
  count()
## # A tibble: 2 × 2
## # Groups:   education_detail [2]
##   education_detail      n
##   <fct>             <int>
## 1 미취학(만7세미만)   584
## 2 무학                990

교육수준2 변수는 현재 어떤 교육 상태에 위치하는지를 나타내는 변수입니다. 코드북에 따르면 다음과 같습니다.

0.비해당
1.재학
2.휴학
3.중퇴
4.수료
5.졸업
9.모름/무응답

데이터 확인 결과 9는 존재하지 않으므로 이상치 처리 과정은 생략하도록 하겠습니다. 또한, 0인 경우는 무학과 미취학을 의미합니다. 따라서 여기서는 무학 및 미취학, 수료 또는 졸업, 재학중, 중퇴로 나누어 데이터를 정제하도록 하겠습니다.

# 데이터 전처리
welfare$education_status <- ifelse(welfare$education_status == 0, "무학 또는 미취학",
                                   ifelse(welfare$education_status %in% c(4,5), "수료 또는 졸업",
                                          ifelse(welfare$education_status %in% c(1,2), "재학 중",
                                                 "중퇴")))

table(welfare$education_status)
## 
## 무학 또는 미취학   수료 또는 졸업          재학 중             중퇴 
##             1574            11477             2168             1372

장애 정도

#데이터 검토하기
table(welfare$disable)
## 
##     0     1     2     3 
## 15016   570   956    49

코드북에 따르면 장애 정도 변수는 다음과 같이 구성되어 있습니다.

0.비해당(비장애인)
1.장애정도가 심한 장애인
2.장애정도가 심하지 않은 장애인
3.비등록 장애인(보훈처등록장애인포함)
9. 모름/무응답

위 데이터에는 9와 같은 이상치가 존재하지 않으므로, 이상치 제거 과정은 생략하겠습니다. 앞으로의 자료 분석의 용이성을 위하여 장애 정도 항목에 이름을 부여하도록 하겠습니다.

# 장애정도 항목 이름 부여
welfare$disable <- ifelse(welfare$disable == 0, "비해당(비장애인)",
                          ifelse(welfare$disable == 1, "장애정도가 심한 장애인",
                                 ifelse(welfare$disable == 2, "장애정도가 심하지 않은 장애인",
                                        "비등록 장애인(보훈처등록장애인포함)")))

# 확인하기
welfare %>% 
  select(disable) %>% 
  head()
##            disable
## 1 비해당(비장애인)
## 2 비해당(비장애인)
## 3 비해당(비장애인)
## 4 비해당(비장애인)
## 5 비해당(비장애인)
## 6 비해당(비장애인)

종교 유무

#데이터 검토하기
table(welfare$religion)
## 
##    1    2 
## 7421 9170
class(welfare$religion)
## [1] "numeric"

코드북에 따르면 종교 유무 항목의 경우 1은 있음, 2는 없음, 9는 모름 또는 무응답을 의미합니다. 데이터 검토 결과 1과 2로만 구성되어 있어 이상치가 존재하지 않으므로 이상치 제거 과정은 생략합니다. 앞으로의 데이터 처리의 용이성을 위하여 종교 유무의 범례 변수를 추가하겠습니다.

# 종교유무 범례 함수 추가
welfare$religion_name <- ifelse(welfare$religion == 1, "종교 있음", "종교 없음")

# 확인하기
welfare %>% 
  select(religion, religion_name) %>% 
  head()
##   religion religion_name
## 1        1     종교 있음
## 2        2     종교 없음
## 3        1     종교 있음
## 4        1     종교 있음
## 5        1     종교 있음
## 6        1     종교 있음

건강상태

table(welfare$health)
## 
##    1    2    3    4    5 
## 1517 8159 3585 2975  355

코드북에 따르면 1부터 5까지 아주 건강하다부터 건강이 안 좋다로 구성되어 있습니다. 모름 및 무응답은 9로 할당되어 있으나, 존재하지 않으므로 이상치 제거 과정은 생략합니다. 앞으로의 데이터 분석의 용이성을 위하여 코드북에서 항당된 대로 변수를 변경하고, class를 factor로 변경하도록 하겠습니다.

# health데이터 값 한글로 변경하기
welfare$health<- ifelse(welfare$health == 1, "아주 건강하다",
         ifelse(welfare$health == 2, "건강한 편이다",
                ifelse(welfare$health == 3, "보통이다",
                       ifelse(welfare$health == 4, "건강하지 않은 편이다",
                              "건강이 아주 안 좋다"))))

# 건강상태 변수 class를 factor로 변경
welfare$health <- factor(welfare$health,
                         levels = c("아주 건강하다", "건강한 편이다", "보통이다",
                                    "건강하지 않은 편이다", "건강이 아주 안 좋다"))

월 평균 소득과 월 평균 가구 지출

#데이터 검토하기
summary(welfare$income)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##     0.0   125.0   236.0   275.6   363.0  2017.0   10958
summary(welfare$spend_religion)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   0.000   0.000   0.000   4.796   2.500 316.700
summary(welfare$spend_total)
##     Min.  1st Qu.   Median     Mean  3rd Qu.     Max. 
##     23.0    182.0    359.0    441.3    566.0 114446.0

월 평균 소득과 월 평균 가구 총 지출, 월 평균 가구 종교 관련 지출에 관한 변수입니다. 코드북에 따르면 가구 지출과 월 평균 임금의 경우 모름 및 무응답이 9999로 설정되어 있습니다. 월 평균 소득과 월 가구 종교 관련 지출의 경우 최댓값이 9999가 아니므로, 이상치 처리 과정을 생략하도록 하겠습니다.
월 가구 총 지출 변수에서 모름/무응답에 할당된 답변인 9999보다 큰 답변이 있는 것을 확인할 수 있습니다. 더 자세히 확인하기 위하여 boxplot으로 본 변수를 확인하겠습니다.

# 데이터 분포 확인하기
boxplot(welfare$spend_total)


한 표본이 지나치게 큰 것을 확인할 수 있습니다. 저 포본을 자세히 확인하도록 하겠습니다.

# 이상치 추출하여 자세히 확인하기
welfare %>% 
  filter(spend_total > 9999)
##     ID  sex birth education education_status          disable religion
## 1 1912 남성  1980         7   수료 또는 졸업 비해당(비장애인)        1
## 2 1912 여성  1981         7   수료 또는 졸업 비해당(비장애인)        1
## 3 1912 남성  2012         3          재학 중 비해당(비장애인)        1
## 4 1912 남성  2016         1 무학 또는 미취학 비해당(비장애인)        1
##          health income spend_religion spend_total donation volunteer
## 1 건강한 편이다    525           54.2      114446       NA         2
## 2 건강한 편이다     NA           54.2      114446       36         1
## 3 건강한 편이다     NA           54.2      114446       NA        NA
## 4 건강한 편이다     NA           54.2      114446       NA        NA
##   happy_health happy_family happy_social happy_rest happy_total age
## 1            4            4            4          4           4  44
## 2            4            5            4          4           4  43
## 3           NA           NA           NA         NA          NA  12
## 4           NA           NA           NA         NA          NA   8
##    education_detail religion_name
## 1            대학교     종교 있음
## 2            대학교     종교 있음
## 3          초등학교     종교 있음
## 4 미취학(만7세미만)     종교 있음

가구 ID 1912인 본 표본의 경우 가구 총 지출이 지나치게 높게 기록되어 있는 것을 확인할 수 있습니다. 가구 전체 소득이 525만원임에도 가구 월 지출이 11억 4000만원인 것은 이상합니다. 따라서 본 가구의 포본은 제외하도록 하겠습니다.

#데이터 전처리
welfare <- welfare %>% 
  filter(!ID == 1912)

summary(welfare$spend_total)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    23.0   182.0   359.0   413.8   565.8  3265.0

이제 월 가구 총 지출의 최댓값이 3265인 것을 확인할 수 있습니다. 더이상의 이상치는 존재하지 않는 것으로 확인됩니다.

기부금액

#데이터 검토하기
summary(welfare$donation)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##    0.00   10.00   24.00   42.17   36.50 2000.00   15363
boxplot(welfare$donation)

qplot(welfare$donation)
## Warning: `qplot()` was deprecated in ggplot2 3.4.0.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## Warning: Removed 15363 rows containing non-finite values (`stat_bin()`).


다음으로 개인 기부 금액 변수입니다. 코드북에 따르면, 본 액수는 연간 기부금액을 의미하고, 모름/무응답은 99999로 할당되어 있습니다. 본 변수는 매우 넓은 분포를 지니고 있습니다. 많은 사람들의 기부 금액에 비하여 일부 집단의 기부금액이 지나치게 높은 것이 그 원인으로 짐작됩니다. 따라서 이상치를 제거하도록 하겠습니다.

# 데이터 전처리
boxplot(welfare$donation)$stats

##      [,1]
## [1,]  0.0
## [2,] 10.0
## [3,] 24.0
## [4,] 36.5
## [5,] 74.0
welfare$donation <- ifelse(welfare$donation >= 0 & welfare$donation <= 74, welfare$donation, NA)

boxplot(welfare$donation)

봉사 유무

#데이터 검토하기
table(welfare$volunteer)
## 
##     1     2 
##  1223 12926
table(is.na(welfare$volunteer))
## 
## FALSE  TRUE 
## 14149  2437

코드북에 따르면, 1은 그렇다, 2는 아니다를 의미하고, 모름/무응답은 9로 할당되어 있습니다. 본 변수에는 이상치가 존재하지 않는 것으로 확인되므로, 이상치 처리 과정을 생략하도록 하겠습니다.

만족도

#데이터 검토하기
table(welfare$happy_health)
## 
##    1    2    3    4    5 
##  499 2945 3760 5758  509
table(welfare$happy_family)
## 
##    1    2    3    4    5 
##   59  391 2019 9394 1608
table(welfare$happy_social)
## 
##    1    2    3    4    5 
##   39  588 3445 8668  731
table(welfare$happy_rest)
## 
##    1    2    3    4    5 
##  144 1838 5512 5648  329
table(welfare$happy_total)
## 
##    1    2    3    4    5 
##   34  608 4653 7902  274
table(is.na(welfare$happy_health))
## 
## FALSE  TRUE 
## 13471  3115
table(is.na(welfare$happy_family))
## 
## FALSE  TRUE 
## 13471  3115
table(is.na(welfare$happy_social))
## 
## FALSE  TRUE 
## 13471  3115
table(is.na(welfare$happy_rest))
## 
## FALSE  TRUE 
## 13471  3115
table(is.na(welfare$happy_total))
## 
## FALSE  TRUE 
## 13471  3115

삶의 다양한 분야와 전반에 걸친 만족도에 대한 조사입니다. 코드북에 따르면 각 항목은 다음을 의미합니다.

1.매우불만족
2.대체로 만족
3.그저그렇다
4.대체로 만족
5.매우만족
9. 모름/무응답
NA. (미완가구원만)

본 변수들의 경우 결측치의 수가 모두 같은 것을 확인할 수 있습니다. 또한 이상치인 9가 존재하지 않으므로 이상치 처리 과정은 생략하겠습니다.

데이터 분석

1. 어떤 사람이 종교를 가질까

본 분석에서는 어떤 사람이 종교를 가질지에 대하여 살펴보도록 하겠습니다.

1-1) 종교 유무 차이에 따른 소득 분포 분석

종교의 유무와 소득 간의 관계를 분석하고자 합니다. 따라서 소득과 종교 유무 변수만 선택합니다.
추가로, boxplot으로 그래프를 만들 때, 가시성을 높이기 위하여 종교 있음의 1사분위수와 4사분위수를 변수로 저장합니다.
1. 소득 변수는 이상치가 굉장히 많은 변수였습니다. 2. 종교가 있는 집단의 경우 저소득 가구원이 많았습니다. 반면에 종교가 없는 집단의 경우 그래프의 꼴이 오른쪽으로 더 치우쳐 있는 꼴을 보입니다. 자세한 것은 boxplot을 통해 추후 확인하도록 하겠습니다.

income_sex_religion <- welfare %>% 
  select(income, religion_name) %>% 
  filter(!is.na(income))

head(income_sex_religion)
##   income religion_name
## 1    172     종교 없음
## 2    100     종교 있음
## 3    268     종교 있음
## 4    140     종교 있음
## 5     27     종교 있음
## 6    267     종교 없음
qplot(filter(income_sex_religion, religion_name == "종교 있음")$income)
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

qplot(filter(income_sex_religion, religion_name == "종교 없음")$income)
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

religion_income_yes <- boxplot(filter(income_sex_religion, religion_name == "종교 있음")$income)$stats

1-2) 성별에 따른 종교 보유율 분석

성별에 따른 종교 보유율을 분석하고자 합니다. 이를 위하여 성별 변수와 종교 유무 변수만을 선택합니다. 더불어 종교 보유율을 구하고자 합니다. 성별 별로 group_by한 이후에 종교 유무의 설문 방식을 활용하여 종교 보유율을 계산합니다. 종교 보유가 1, 종교 없음이 2이므로 우선 양 변수에 1씩 제거하여 종교 보유를 0, 종교 없음을 1로 설정합니다. 이후, 평균을 구하면 집단의 종교 미보유율을 구할 수 있습니다. 이후 1에서 종교 미보유율을 빼고, 100을 곱하여서 % 단위의 종교 보유율을 구하였습니다.

sex_religion <- welfare %>% 
  select(sex, religion) %>% 
  group_by(sex) %>% 
  summarise(religion_ratio = (1-mean(religion-1))*100)

sex_religion
## # A tibble: 2 × 2
##   sex   religion_ratio
##   <fct>          <dbl>
## 1 남성            38.8
## 2 여성            49.5

1-3) 연령에 따른 종교 보유율 분석

연령에 따른 종교 보유율을 분석하고자 합니다. 이를 위하여 앞선 성별에 따른 종교 보유율 분석과 동일한 과정을 수행하였습니다.
간단한 그래프를 그려 확인한 결과 약간의 추세선을 지니고 있는 것을 확인할 수 있습니다.

age_religion <- welfare %>% 
  select(age, religion) %>% 
  group_by(age) %>% 
  summarise(religion_ratio = (1-mean(religion-1))*100)

age_religion
## # A tibble: 105 × 2
##      age religion_ratio
##    <dbl>          <dbl>
##  1     3           15.8
##  2     4           23.1
##  3     5           22.6
##  4     6           24.1
##  5     7           29.1
##  6     8           34.0
##  7     9           30.1
##  8    10           30  
##  9    11           32.5
## 10    12           24.4
## # ℹ 95 more rows
qplot(age_religion$age, age_religion$religion_ratio)

1-4) 교육수준에 따른 종교 보유율 분석

교육수준에 따른 종교 보유율을 분석하고자 합니다. 이를 위하여 앞선 성별에 따른 종교 보유율 분석과 동일한 과정을 수행하였습니다. 그래프를 그리기 이전에, 각 학력 별 조사 인원을 확인하였습니다. 대학원의 경우 자료의 수가 다른 범주보다 작은 것을 확인할 수 있습니다. 결과를 곧이곧대로 믿으면 안 되겠습니다.

edu_religion <- welfare %>% 
  select(religion, education_detail) %>% 
  group_by(education_detail) %>% 
  summarise(religion_ratio = (1-mean(religion-1))*100)

edu_religion
## # A tibble: 9 × 2
##   education_detail  religion_ratio
##   <fct>                      <dbl>
## 1 미취학(만7세미만)           27.4
## 2 무학                        48.6
## 3 초등학교                    49.0
## 4 중학교                      49.9
## 5 고등학교                    43.6
## 6 전문대학                    38.0
## 7 대학교                      41.8
## 8 대학원(석사)                52.0
## 9 대학원(박사)                45.1
edu_status_religion <- welfare %>% 
  select(religion, education_detail, education_status) %>% 
  group_by(education_detail, education_status) %>% 
  summarise(religion_ratio = (1-mean(religion-1))*100,
            total_n = n())
## `summarise()` has grouped output by 'education_detail'. You can override using
## the `.groups` argument.
edu_status_religion
## # A tibble: 22 × 4
## # Groups:   education_detail [9]
##    education_detail  education_status religion_ratio total_n
##    <fct>             <chr>                     <dbl>   <int>
##  1 미취학(만7세미만) 무학 또는 미취학           27.4     583
##  2 무학              무학 또는 미취학           48.6     990
##  3 초등학교          수료 또는 졸업             53.7    2340
##  4 초등학교          재학 중                    30.3     768
##  5 초등학교          중퇴                       54.4     607
##  6 중학교            수료 또는 졸업             53.2    1528
##  7 중학교            재학 중                    36       400
##  8 중학교            중퇴                       52.1     234
##  9 고등학교          수료 또는 졸업             43.9    3723
## 10 고등학교          재학 중                    39.3     384
## # ℹ 12 more rows
qplot(welfare$education_detail)

1-5) 객관적인 건강 상태에 따른 종교 보유율 분석

객관적인 건강 상태에 따른 종교 보유율을 분석하고자 합니다. 객관적인 건강상태는 장애 등급으로 정의합니다. 앞선 과정과 동일한 과정을 수행하였습니다. 그리고, ‘비등록장애인(보훈처등록장애인포함)’ 항목을 ’비등록장애인’으로 수정하고, 장애 등급 변수인 disable의 class를 factor로 변환하도록 하겠습니다.

health_obj_religion <- welfare %>% 
  select(religion, disable) %>% 
  group_by(disable) %>% 
  summarise(religion_ratio = (1-mean(religion-1))*100)

health_obj_religion$disable <- ifelse(health_obj_religion$disable == "비등록 장애인(보훈처등록장애인포함)", "비등록 장애인", health_obj_religion$disable)

health_obj_religion$disable <- factor(health_obj_religion$disable, levels = c("비해당(비장애인)", "장애정도가 심하지 않은 장애인", "장애정도가 심한 장애인", "비등록 장애인"))

health_obj_religion
## # A tibble: 4 × 2
##   disable                       religion_ratio
##   <fct>                                  <dbl>
## 1 비등록 장애인                           46.9
## 2 비해당(비장애인)                        44.1
## 3 장애정도가 심하지 않은 장애인           51.1
## 4 장애정도가 심한 장애인                  50.5

1-6) 주관적인 건강 상태에 따른 종교 보유율 분석

주관적인 건강 상태에 따른 종교 보유율을 분석하고자 합니다. 객관적인 건강상태는 각 표본이 응답한 건강 상태로 정의합니다. 앞선 과정과 동일한 과정을 수행하였습니다.

health_subj_religion <- welfare %>% 
  select(religion, health) %>% 
  group_by(health) %>% 
  summarise(religion_ratio = (1-mean(religion-1))*100)

health_subj_religion
## # A tibble: 5 × 2
##   health               religion_ratio
##   <fct>                         <dbl>
## 1 아주 건강하다                  33.6
## 2 건강한 편이다                  40.5
## 3 보통이다                       50.9
## 4 건강하지 않은 편이다           53.5
## 5 건강이 아주 안 좋다            52.7

2. 종교는 어떤 영향을 미치고 있는가

2-1) 종교 보유 유무와 사회 기부 금액의 상관관계 분석

종교 보유 유무에 따른 사회 기부 금액을 분석하고자 합니다. 이를 위하여 종교 보유 유무에 따라 사회 기부 금액의 평균을 구하였습니다. 표로 확인한 경우 종교가 있을 때, 기부 금액이 많음을 확인할 수 있습니다.

donate_religion <- welfare %>% 
  select(religion_name, donation) %>% 
  filter(!is.na(donation)) %>% 
  group_by(religion_name) %>% 
  summarise(donation_mean = mean(donation))

donate_religion
## # A tibble: 2 × 2
##   religion_name donation_mean
##   <chr>                 <dbl>
## 1 종교 없음              20.8
## 2 종교 있음              23.2

2-2) 종교 보유 유무와 봉사 우뮤의 상관관계 분석

종교 보유 유무와 봉사 유무를 서로 비교하고자 합니다. 이를 위하여 종교 보유 유무 변수와 봉사 유무 변수를 선택하고, 결측치를 제거하였습니다. 서로 group_by를 이용하여 종교 보유 유무와 봉사 유무에 따라 표본의 개수를 취합하였습니다.

봉사 유무 변수를 자원 봉사 한다와 하지 않는다로 항목을 변경하고, factor로 class를 변경하였습니다.
표로는 한 눈에 확인하기 어렵습니다. 그래프를 그려 추후 분석하겠습니다.

vol_religion <- welfare %>% 
  select(religion_name, volunteer) %>% 
  filter(!is.na(volunteer)) %>% 
  group_by(religion_name, volunteer) %>% 
  count()

vol_religion$volunteer <- ifelse(vol_religion$volunteer == 1, "자원봉사활동을 한다", "자원봉사활동을 하지 않는다")

vol_religion$volunteer <- as.factor(vol_religion$volunteer)

vol_religion
## # A tibble: 4 × 3
## # Groups:   religion_name, volunteer [4]
##   religion_name volunteer                      n
##   <chr>         <fct>                      <int>
## 1 종교 없음     자원봉사활동을 한다          534
## 2 종교 없음     자원봉사활동을 하지 않는다  7034
## 3 종교 있음     자원봉사활동을 한다          689
## 4 종교 있음     자원봉사활동을 하지 않는다  5892

2-3) 종교 관련 지출 금액 비율과 소득간의 상관관계 분석

종교 관련 지출 금액과 소득 간의 관계를 분석하고자 합니다. 다만, 종교 관련 지출 금액의 절대적인 비교는 소득 간의 격차를 고려하지 못하므로, 소득 대비 종교 관련 지출이 차지하는 비율을 계산하였습니다.


소득 변수는 가구원에 따라 다른 변수이나, 지출과 관련된 변수는 가구에 따른 변수입니다. 따라서, 가구ID를 사용하여 가구 별로 묶고 월 평균 가구 총 소득 매개 변수를 구하였습니다. 이후, 가구에서 종교를 아예 가지고 있지 않은 가구만 제외하였습니다.
간단히 확인한 결과 그다지 큰 관계가 보이지는 않습니다. 다만, 우하향하는 가상의 선을 그렸을 때, 그 선을 넘지 않는 분포를 보이고 있음을 확인할 수 있습니다. 더 자세히 그래프를 통해 분석하겠습니다.

income_religionspend <- welfare %>% 
  select(ID, income, spend_religion, religion) %>% 
  filter(!is.na(income) & !is.na(spend_religion)) %>% 
  group_by(ID) %>% 
  summarise(Monthly_household_income = sum(income),
            spend_religion = mean(spend_religion),
            Religions.related_expenditure = round(spend_religion/Monthly_household_income*100,3),
            religion = mean(religion)) %>% 
  filter(!religion == 2)

head(income_religionspend)
## # A tibble: 6 × 5
##      ID Monthly_household_income spend_religion Religions.related_exp…¹ religion
##   <dbl>                    <dbl>          <dbl>                   <dbl>    <dbl>
## 1     4                      100            0                     0         1   
## 2     6                      408           20.8                   5.10      1   
## 3     8                       27            2.5                   9.26      1   
## 4    16                      100            2.5                   2.5       1   
## 5    24                      783            2.8                   0.358     1.67
## 6    25                      680            0                     0         1.67
## # ℹ abbreviated name: ¹​Religions.related_expenditure
qplot(income_religionspend$Monthly_household_income, income_religionspend$Religions.related_expenditure)

추가로, 가구의 전체 지출 대비 종교 관련 지출에 관한 변수를 추가 한 데이터 프레임도 동일한 방법으로 생성하였습니다.
간단히 확인한 결과 앞선 분석과 마찬가지로 그다지 큰 관계가 보이지는 않습니다. 다만, 우하향하는 가상의 선을 그렸을 때, 그 선을 넘지 않는 분포를 보이고 있음을 확인할 수 있습니다. 더 자세히 그래프를 통해 분석하겠습니다.

spendratio_income <- welfare %>% 
  select(spend_total, spend_religion, income, ID, religion) %>% 
  filter(!is.na(spend_total) & !is.na(spend_religion) & !is.na(income)) %>% 
  group_by(ID) %>% 
  summarise(Fincome = sum(income),
            spendratio = round(mean(spend_religion)/mean(spend_total)*100, 2),
            religion = mean(religion)) %>% 
  filter(!religion == 2)

head(spendratio_income)
## # A tibble: 6 × 4
##      ID Fincome spendratio religion
##   <dbl>   <dbl>      <dbl>    <dbl>
## 1     4     100       0        1   
## 2     6     408       3.84     1   
## 3     8      27       2.94     1   
## 4    16     100       0.84     1   
## 5    24     783       0.5      1.67
## 6    25     680       0        1.67
qplot(spendratio_income$Fincome, spendratio_income$spendratio)

2-4) 종교와 삶의 만족도에 대한 상관관계 분석

종교 보유 유무가 삶의 만족도에 영향을 주는지 분석하고자 합니다. 우선, 종교 보유 유무에 따라 만족도의 각 항목인 건강, 가족관계, 사회관계, 여가, 삶 전반의 평균을 구하였습니다.

happy_religion <- welfare %>% 
  select(happy_health, happy_family, happy_social, happy_rest, happy_total, religion_name) %>% 
  filter(!is.na(happy_total)) %>% 
  group_by(religion_name) %>% 
  summarise(mean_health = mean(happy_health),
            mean_family = mean(happy_family),
            mean_social = mean(happy_social),
            mean_rest = mean(happy_rest),
            mean_total = mean(happy_total))

happy_religion
## # A tibble: 2 × 6
##   religion_name mean_health mean_family mean_social mean_rest mean_total
##   <chr>               <dbl>       <dbl>       <dbl>     <dbl>      <dbl>
## 1 종교 없음            3.28        3.89        3.69      3.32       3.58
## 2 종교 있음            3.13        3.91        3.72      3.30       3.57

이후, 열을 ‘종교 보유 유무’, ‘만족도’, ’구분’으로 바꾸고, 위의 데이터를 활용하여 새로운 데이터 프레임을 생성하였습니다. 그러고 난 뒤, 구분 변수인 kind의 class를 factor로 변경하여 순서를 지정해주었습니다.
표를 통하여 확인한 결과 종교 유무가 삶의 만족도에는 큰 영향을 끼지지 않는 것으로 확인됩니다.

happy_religion <- bind_rows(
data.frame(religion_name = happy_religion$religion_name,
           satisfaction = happy_religion$mean_health,
           kind = "건강에 대한 만족도"),
data.frame(religion_name = happy_religion$religion_name,
           satisfaction = happy_religion$mean_family,
           kind = "가족에 대한 만족도"),
data.frame(religion_name = happy_religion$religion_name,
           satisfaction = happy_religion$mean_social,
           kind = "사회관계에 대한 만족도"),
data.frame(religion_name = happy_religion$religion_name,
           satisfaction = happy_religion$mean_rest,
           kind = "여가에 대한 만족도"),
data.frame(religion_name = happy_religion$religion_name,
           satisfaction = happy_religion$mean_total,
           kind = "삶 전반에 대한 만족도")
)

happy_religion$kind <- 
  factor(happy_religion$kind, levels = c("건강에 대한 만족도", "가족에 대한 만족도", "사회관계에 대한 만족도","여가에 대한 만족도", "삶 전반에 대한 만족도"))

happy_religion
##    religion_name satisfaction                   kind
## 1      종교 없음     3.279944     건강에 대한 만족도
## 2      종교 있음     3.131412     건강에 대한 만족도
## 3      종교 없음     3.885255     가족에 대한 만족도
## 4      종교 있음     3.913078     가족에 대한 만족도
## 5      종교 없음     3.689588 사회관계에 대한 만족도
## 6      종교 있음     3.717226 사회관계에 대한 만족도
## 7      종교 없음     3.318798     여가에 대한 만족도
## 8      종교 있음     3.300665     여가에 대한 만족도
## 9      종교 없음     3.580992  삶 전반에 대한 만족도
## 10     종교 있음     3.572673  삶 전반에 대한 만족도

그래프 만들기

(최소 그래프 3개 / geom이 모두 달라야 함!)

1. 종교를 가지게 되는 원인 분석

Figure 1 소득과 종교는 서로 연관이 있을까?

종교 유무에 따른 소득의 분포는 서로 큰 차이가 없는 것으로 확인됩니다. 다만, 종교가 없는 집단이 있는 집단보다 약소하게 나마 소득이 높은 것을 확인할 수 있습니다. 또한 그 분포가 종교가 없는 집단이 있는 집단 보다 넓은 것을 확인할 수 있습니다. 다만, 큰 차이는 아니므로 소득과 종교는 서로 연관이 없다고 할 수 있을 것 같습니다.

income_sex_religion %>% 
  ggplot(aes(x=religion_name, y=income, color=religion_name)) +
  geom_boxplot(stat = "boxplot", coef = 0, show.legend = FALSE, width = 0.4) +
  ylim(0, 1000) +
  scale_color_manual(values = c("#4DAF4A", "#984EA3")) +
  ggtitle("종교 유무에 따른 소득 분포") +
  theme(plot.title = element_text(face = "bold", hjust = 0.5, size = 20, color = "darkblue")) +
  labs(x = "종교 유무", y = "월 평균 소득 (단위: 만원)", color = "종교 유무") +
  geom_hline(yintercept = religion_income_yes[2], linetype = "dashed", color = "red") +
  geom_hline(yintercept = religion_income_yes[4]-10, linetype = "dashed", color = "red") +
  annotate("text", x = 2.5, y = religion_income_yes[2] + 35, label = paste0(round(religion_income_yes[2], 2), "만원"), color = "red", size = 2.7) +
  annotate("text", x = 2.5, y = religion_income_yes[4]-10 + 35, label = paste0(round(religion_income_yes[4], 2), "만원"), color = "red", size = 2.7) +
  guides(color = FALSE)
## Warning: The `<scale>` argument of `guides()` cannot be `FALSE`. Use "none" instead as
## of ggplot2 3.3.4.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
## Warning: Removed 53 rows containing non-finite values (`stat_boxplot()`).

Figure 2 성별에 따라 종교 보유율에 차이가 있을까?

그래프를 확인한 결과 여성이 남성보다 종교 보유율이 높음을 확인할 수 있습니다.
실제로 교회를 다니는 사람 중에서도 여성의 비율이 더 많음을 알 수 있습니다. 왜 그럴까요?
다양한 이유가 있겠지만, 저는 사회적으로 학습된 이유가 크다고 생각합니다. 종교는 신도에게 ‘순종, 사랑’ 등의 가치를 강조하는 경향이 있습니다. 사회적으로 과거 여성에게 부여된 성 가치관이 바로 ’가정에 대한 순종과 사랑’이었는데요. 이러한 점이 영향을 끼쳤다고 생각합니다. 추가로, 종교 집단이 조금 더 여성에게 열려있는 집단이어서 그런 것 같기도 합니다.
결론적으로 성별에 따라 종교 보유율에는 큰 차이가 있었습니다.

sex_religion %>% 
  ggplot(aes(x=sex, y=religion_ratio, fill=sex)) +
  geom_col(width = 0.4) +
  scale_fill_manual(values = c("#377EB8", "#E41A1C")) +
  scale_y_continuous(limits = c(0, 60)) +
  ggtitle("성별에 따른 종교 보유율") +
  theme(plot.title = element_text(face = "bold", hjust = 0.5, size = 20, color = "darkblue")) +
  labs(x = "성별", y = "종교보유율 (단위: %)") +
  geom_text(aes(label = paste0(round(religion_ratio, 2), "%")), vjust = -1.5) +
  guides(fill = FALSE)

Figure 3 연령에 따라 종교 보유율에 차이가 있을까?

연령이 높아질 수록 유의미하게 종교 보유율이 높아짐을 알 수 있습니다. 95세 초과자의 경우 표본이 부족하여 생략하였습니다.
연령이 높아짐에 따라 종교 보유율이 높은 것은, 나이가 많을 수록 종교를 더욱 쉽게 믿는다는 이야기가 아닙니다. 제가 생각하기에 다음 두 가지가 연령에 따른 종교 보유율의 차이에 영향을 끼친 것으로 보입니다.
1. 정보의 습득 능력과 종교의 이미지 그리고 사고관의 형성 시기
추세선을 확인한다면, 60대를 전후로 하여 종교 보유율이 급격하게 올라가는 것을 확인할 수 있습니다.
우리의 사고관은 주로 10대에서 20대 전후로 형성되곤 합니다. 믿음도 마찬가지인데요. 어떻게 보면 형체가 없는 신을 믿는다는 것, 그것은 머리가 굳고 신념이 굳건해질 때 즈음에는 힘들 수 있습니다.
현재 우리는 과학이 주된 가치관인 시대를 살고 있습니다. 정보의 습득이 자유롭고, 종교의 폐악에 대한 정보 습득도 자유롭습니다. 이러한 점에서 연령대가 낮을 집단의 경우 종교 보유율이 낮음을 짐작할 수 있습니다.
2. 종교의 사회적 역할
종교는 일종의 사회적 커뮤니티의 역할을 수행합니다. 할머니, 할아버지 세대 분들이 새로운 커뮤니티로써 종교를 채택하여 이러한 결과가 나오는 것으로 추측합니다.
3. 가치관의 변화
우리는 다양한 가치관을 지니며 살아갑니다. 나이가 들수록 우리는 건강이 안 좋아짐을 느낍니다. 건강 변수에서 가장 큰 연관도를 가지는 변수는 나이 변수입니다. 이는 추후 다음 그래프를 통하여 설명하도록 하겠습니다.

결국 결론적으로 나이가 많은 사람이 종교를 더 많이 가지고 있었습니다.

age_religion %>% 
  ggplot(aes(x=age, y=religion_ratio)) +
  geom_line() +
  geom_smooth(color = "#FC4E07", method = "auto") +
  xlim(0, 95) +
  ggtitle("연령에 따른 종교보유율") +
  theme(plot.title = element_text(face = "bold", hjust = 0.5, size = 20, color = "darkblue")) +
  labs(x = "연령", y = "종교 보유율 (단위: %)") +
  geom_hline(yintercept = (1-mean(welfare$religion-1))*100, linetype = "dashed", color = "red") +
  annotate("text", x = 2, y = (1-mean(welfare$religion-1))*100 + 4, label = paste0("전체 평균: ", round((1-mean(welfare$religion-1))*100, 2), "%"), color = "red", size = 2.7)
## `geom_smooth()` using method = 'loess' and formula = 'y ~ x'
## Warning: Removed 12 rows containing non-finite values (`stat_smooth()`).
## Warning: Removed 12 rows containing missing values (`geom_line()`).

Figure 4~5 학력과 종교 보유 간의 관계가 있을까?

교육 수준에 따른 종교 보유율은 적당한 추세를 찾을 수 없었습니다. 다만, 집단을 대학원생, 고학력자, 학업중단자로 나누어 살펴보도록 하겠습니다.
대학원생과 학업중단자 모두 평균보다 종교 보유율이 높았습니다. 반면, 고학력자인 고등학생, 전문대학, 대학교까지 수료한 자의 경우 종교 보유 비율이 낮았습니다. 

edu_religion %>% 
  ggplot(aes(x=education_detail, y=religion_ratio, fill = education_detail)) +
  geom_col(width = 0.7) +
  scale_fill_brewer(palette = "Set1") +
  ggtitle("최종 학력에 따른 종교 보유율") +
  scale_y_continuous(limits = c(0, 65)) +
  theme(plot.title = element_text(face = "bold", hjust = 0.5, size = 20, color = "darkblue")) +
  labs(x = "최종 학력", y = "종교 보유율 (단위: %)") +
  geom_text(aes(label = paste0(round(religion_ratio, 2), "%")), vjust = 1.5, size = 3) +
  geom_hline(yintercept = (1-mean(welfare$religion-1))*100, linetype = "dashed", color = "red") +
  annotate("text", x = 1, y = (1-mean(welfare$religion-1))*100 + 2, label = paste0("전체 평균: ", round((1-mean(welfare$religion-1))*100, 2), "%"), color = "red", size = 2.7) +
  guides(fill = FALSE)


더 자세한 분석을 위하여 최종 학력과 학업 상태에 따른 종교 보유율을 보여주는 그래프를 만들었습니다. 본 그래프에는 최종 학력, 학업 상태, 종교 보유율, 인원이 모두 기록되어 있으므로 이를 간편하게 확인할 수 있는 인터렉티브 그래프와 한 눈에 확인할 수 있는 그래프를 활용하였습니다.

그래프의 양상은 학업상태에 따라 달랐습니다. 학업상태가 중퇴, 졸업 또는 수료인 경우 그래프의 추세가 대학교 또는 전문대학까지 감소함을 확인할 수 있습니다. 반면 석사, 박사 과정의 경우 종교보유율이 상승합니다.
전반적으로 재학중인 경우가 중퇴, 졸업 또는 수료인 경우보다 종교보유율이 낮았습니다.
제 분석은 다음과 같습니다.
1. 최종 학력이 초등학교, 중학교, 고등학교, 전문 대학 및 대학교인 경우
다음의 그래프에서 나타나는 것은 최종 학력입니다. 수료 또는 졸업/중퇴의 경우 이미 그 학교를 마쳤으나, 상급학교에 진학하지 않은 사람들입니다. 이러한 경우에는 학력이 높아질 수록 종교 보유율이 낮아짐을 알 수 있습니다.
다양한 것이 이유가 될 수 있으나, 저는 과학 중심의 교육이 종교에 대한 불신을 높이고, 학력이 높아질 수록 사회 현상에 대한 관심이 많아지기 때문에 종교에 대한 부정적 인식이 커지기 때문이라고 분석할 수 있습니다.

2. 재학 중인 경우
초등학교, 중학교, 고등학교에 재학 중인 학생의 경우 최종학력이 이러한 학교인 경우와는 반대로 상급학교에 진학할 수록 종교 보유율이 상승 또는 유지함을 알 수 있습니다.
이것에도 분명 다양한 이유가 존재하겠지만, 제가 생각하는 큰 이유는 초등학교, 중학교 시절 부모와 함께 종교를 가지며 주류 문화에 대한 반발심이 존재하여 종교 보유율이 낮음으로 짐작됩니다. 그러나, 고등학교에서의 입시 불확실성, 전문대학/대학교에서의 취업 불확실성이 기복신앙을 이끌어 종교 보유율을 높인 것으로 추측합니다.

3. 대학원생인 경우
본 그래프에서 제일 의문이었던 점은 대학원생의 종교 보유율이 매우 높았다는 것입니다. 다양한 추측할 할 수 있겠습니다만, 본 데이터에서 종교를 가진 사람 중 대학원생은 450명이 채 안 됩니다. 따라서 과대대표 되었을 수 있다고 추측합니다.
다만, 과대대표가 아닌, 정말로 대학원생이 대학생보다 종교보유율이 높다면 이는 학위 및 앞으로의 미래에 대한 스트레스가 지속적인 학업으로 증가했기 때문이 아닐까 추측합니다.



결론적으로, 재학중인 경우 대학교까지는 학력이 높으면 종교를 가지는 경향이 있고, 학업을 마친 경우에는 학력이 높을수록 종교를 덜 가지는 경향이 있었습니다.

edu_status_religion %>%
  filter(!education_detail %in% c("미취학(만7세미만)", "무학")) %>% 
  ggplot(aes(x=education_detail, y=religion_ratio, fill = education_status, color=total_n)) +
  geom_col(width = 0.7, position = "dodge") +
  scale_fill_brewer(palette = "Set1") +
  ggtitle("최종 학력과 학업 상태에 따른 종교 보유율") +
  theme(plot.title = element_text(face = "bold", hjust = 0.5, size = 20, color = "darkblue")) +
  labs(x = "최종 학력", y = "종교 보유율 (단위: %)", fill = "학업 상태") +
  geom_hline(yintercept = (1-mean(welfare$religion-1))*100, linetype = "dashed", color = "red") +
  annotate("text", x = 1.05, y = (1-mean(welfare$religion-1))*100 + 30, label = paste0("전체 평균: ", round((1-mean(welfare$religion-1))*100, 2), "%"), color = "red", size = 2.5) +
  coord_flip() +
  facet_wrap(~education_status, nrow=2, ncol=2) +
  guides(color = FALSE)

graph_edu <- edu_status_religion %>% 
  ggplot(aes(x=education_detail, y=religion_ratio, fill = education_status, color=total_n)) +
  geom_col(width = 0.7, position = "dodge") +
  scale_fill_brewer(palette = "Set1") +
  ggtitle("최종 학력과 학업 상태에 따른 종교 보유율") +
  theme(plot.title = element_text(face = "bold", hjust = 0.5, size = 20, color = "darkblue")) +
  labs(x = "최종 학력", y = "종교 보유율 (단위: %)", fill = "학업 상태") +
  geom_hline(yintercept = (1-mean(welfare$religion-1))*100, linetype = "dashed", color = "red") +
  annotate("text", x = 1.2, y = (1-mean(welfare$religion-1))*100 + 2, label = paste0("전체 평균: ", round((1-mean(welfare$religion-1))*100+3, 2), "%"), color = "red", size = 2.7) +
  guides(color = FALSE)

ggplotly(graph_edu)

Figure 6 건강상태와 종교는 관계가 있을까?

건강은 우리가 챙길 수는 있지만, 절대적으로 상태를 유지할 수는 없습니다. 건강이 악화되면 전지전능한 신의 존재를 더욱 잘 믿게 될 것이라고 생각하여, 건강상태와 종교 간의 관계를 분석하고자 했습니다.
우선, 건강상태를 나타내는 두 변수를 준비했습니다. 하나는 객관적인 관점에서의 건강상태인 장애등급입니다. 장애 정도는 국가에서 인정하고 등록되는 것으로 객관적인 건강상태의 지표라고 할 수 있습니다. 아래 왼쪽 그래프가 장애등급에 따른 종교 보유율을 나타낸 그래프입니다.
또 다른 하나는 주관적인 관점에서의 건강상태인 ’건강상태’입니다. 설문지에서 ’얼마나 건강하냐’라고 물은 질문에 아주 건강하다부터 건강하지 않다까지 5개의 선지 중 하나를 택하는 설문의 특성상 본 질문의 답변이 주관적일 수밖에 없으리라 생각했습니다. 아래 오른쪽 그래프가 이러한 건강상태에 따른 종교 보유율을 나타내는 그래프입니다.

다음과 같은 분석이 가능합니다. 우선, 비장애인보다 장애인이 종교를 가지는 비율이 높았습니다. 또한, 주관적으로 건강이 좋지 않다고 생각했던 사람들도 종교를 가지고 있는 비율이 높았습니다.
꼭 그런것은 아니겠지만, 결국 종교라는 것은 건강이 안 좋을 때의 불안감을 해소하기 위하여 택하는 수단 중 하나가 될 수 있다는 것을 알 수 있습니다. 또한, 사람들은 결핍할 때, 종교를 찾는 것을 알 수 있습니다. (위 그래프에서는 건강의 결핍이었죠.) 어느 정도 나이가 많을 수록 종교를 가지는 비율이 높아지는 것에 대한 답변이 될 수 있습니다. 나이가 많아질 수록 건강상태가 악화되고, 종교를 찾는 비율이 높이지는 것이죠. 다만, 무엇이 선후관계를 지니는지는 본 분석에서는 밝힐 수 없을 듯 합니다. 

graph_1 <- health_obj_religion %>% 
  ggplot(aes(x = disable, y = religion_ratio, fill=disable)) +
  geom_col() +
  ggtitle("객관적인 건강 상태와 종교 보유율") +
  scale_fill_brewer(palette = "Greens") +
  scale_y_continuous(limits = c(0, 65)) +
  scale_x_discrete(guide = guide_axis(n.dodge = 2)) +
  theme(plot.title = element_text(face = "bold", hjust = 0.5, size = 12, color = "darkblue"),
        axis.text = element_text(size = 7)) +
  labs(x = "장애 정도", y = "종교 보유율 (단위: %)") +
  geom_text(aes(label = paste0(round(religion_ratio, 2), "%")), vjust = -1.5, size = 3) +
  guides(fill = FALSE)

graph_2 <- health_subj_religion %>% 
  ggplot(aes(x = health, y = religion_ratio, fill=health)) +
  geom_col() +
  scale_fill_brewer(palette = "Reds") +
  ggtitle("주관적인 건강 상태와 종교 보유율") +
  scale_y_continuous(limits = c(0, 65)) +
  scale_x_discrete(guide = guide_axis(n.dodge = 2)) +
  theme(plot.title = element_text(face = "bold", hjust = 0.5, size = 12, color = "darkblue"),
        axis.text = element_text(size = 7)) +
  labs(x = "건강 상태", y = "") +
  geom_text(aes(label = paste0(round(religion_ratio, 2), "%")), vjust = -1.5, size = 3) +
  guides(fill = FALSE)



title <- ggdraw() +
  draw_label("객관적인 및 주관적인 건강 상태와 종교 보유율", 
             fontface = "bold", 
             x = 0.5, y = 0.05,  
             hjust = 0.5, vjust = 0,
             size = 20, color = "darkblue")

grid.arrange(title, arrangeGrob(graph_1, graph_2, ncol = 2), heights = c(0.1, 1))

2. 종교는 어떤 영향을 미치고 있는가

Figure 7~8 종교와 사회 기여는 연관이 있을까?

종교와 기부
종교와 사회 기여도의 연관성을 살펴보기 위하여, 두 가지 변수를 활용했습니다.
첫 번째 변수는 평균 연간 사회 기부 금액입니다. 연간 사회 기부 금액이 종교를 가진 집단이 종교를 가지지 않은 집단보다 더 많은 것을 확인할 수 있습니다. 종교가 연간 사회 기부 금액의 양에 영향을 미친 것으로 고려됩니다. (종교가 없는 집단이 종교가 있던 집단보다 소득이 높음에도 종교가 있는 집단의 평균 기부 금액이 많은 것 때문입니다. )
분포를 통해서 살펴보면, 금액의 평균도 높았지만, 정기 후원 가격도 더욱 높음을 알 수 있습니다. 종교가 있는 집단이 종교가 없는 집단보다 월 4,5만원 후원자가 더 많았습니다. 종교가 없는 집단의 경우 월 2만원 이하에 더욱 많이 분포되어 있었습니다.
기부자 비율도 차이가 있었습니다. 종교가 있는 집단이 종교가 없는 집단에 비하여 기부하는 비율이 3%p 적었습니다. 비율 차이가 있음에도, 종교가 있는 집단의 평균 기부 금액이 높고, 월에 4만원 이상 기부하는 인원이 많은 것을 확인할 수 있었습니다. 이로써 종교가 기부 참여를 독려한다고 보기는 어렵지만, 기부에 참여하는 경우 더 많은 금액을 기부한다는 결론을 얻을 수 있습니다. 

graph_don_1 <- donate_religion %>% 
  ggplot(aes(x = religion_name, y = donation_mean, fill = religion_name)) + 
  geom_col(width = 0.4) +
  scale_y_continuous(limits = c(0, 72), breaks = c(0, 12, 24, 36, 48, 60, 72)) +
  scale_fill_manual(values = c("#4DAF4A", "#984EA3")) +
  ggtitle("종교 보유 유무에 따른 \n 평균 연간 사회 기부 금액 평균") +
  theme(plot.title = element_text(face = "bold", hjust = 0.5, size = 12, color = "darkblue")) +
  labs(x = "종교 보유 유무", y = "연간 사회 기부 금액 (단위: 만원)") +
  geom_text(aes(label = round(donation_mean, 2)), vjust = -1.5) +
  guides(fill = FALSE)

graph_don_2 <- welfare %>% 
  select(religion_name, donation) %>% 
  filter(!is.na(donation)) %>% 
  ggplot(aes(x = religion_name, y = donation, color=religion_name)) + 
  geom_hline(yintercept = 12, linetype = "dashed", color = "red") +
  geom_hline(yintercept = 24, linetype = "dashed", color = "red") +
  geom_hline(yintercept = 36, linetype = "dashed", color = "red") +
  geom_hline(yintercept = 48, linetype = "dashed", color = "red") +
  geom_hline(yintercept = 60, linetype = "dashed", color = "red") +
  geom_jitter() +
  scale_y_continuous(limits = c(0, 72), breaks = c(0, 12, 24, 36, 48, 60, 72)) +
  scale_color_manual(values = c("#4DAF4A", "#984EA3")) +
  ggtitle("종교 보유 유무에 따른 \n 평균 연간 사회 기부 금액 분포") +
  theme(plot.title = element_text(face = "bold", hjust = 0.5, size = 12, color = "darkblue")) +
  labs(x = "종교 보유 유무", y = "") +
  guides(color = FALSE)

graph_don_3 <- welfare %>% 
  select(religion_name, donation) %>% 
  filter(!is.na(donation)) %>% 
  mutate(donation_onoff = ifelse(donation == 0, 0, 1)) %>% 
  group_by(religion_name) %>% 
  summarise(ratio = mean(donation_onoff)*100) %>% 
  ggplot(aes(x = religion_name, y = ratio, fill = religion_name)) + 
  geom_col(width = 0.4) +
  scale_y_continuous(limits = c(0, 100)) +
  scale_fill_manual(values = c("#4DAF4A", "#984EA3")) +
  ggtitle("종교 보유 유무에 따른 \n 기부자 비율") +
  theme(plot.title = element_text(face = "bold", hjust = 0.5, size = 12, color = "darkblue")) +
  labs(x = "종교 보유 유무", y = "기부자 비율 (단위: %)") +
  geom_text(aes(label = round(ratio, 2)), vjust = -1.5) +
  guides(fill = FALSE)
  
  
title_don <- ggdraw() +
  draw_label("종교 보유 유무에 따른 평균 연간 사회 기부에 관한 그래프", 
             fontface = "bold", 
             x = 0.5, y = 0.05,  
             hjust = 0.5, vjust = 0,
             size = 20, color = "darkblue")

grid.arrange(title_don, arrangeGrob(graph_don_1, graph_don_2, graph_don_3, ncol = 3), heights = c(0.1, 1))
## Warning: Removed 67 rows containing missing values (`geom_point()`).

종교와 봉사
종교와 봉사 활동 간의 관계를 알기 위하여 다음의 4개의 원 그래프를 그렸습니다. 상단의 두개의 그래프는 종교 유무에 따른 봉사활동 참여 비율을 나타낸 그래프입니다. 하단의 두개의 그래프는 봉사활동 참여 유무에 따른 종교 보유자 참여 유무를 나타낸 그래프입니다.
종교를 가지고 있는 집단은 종교를 가지고 있지 않은 집단보다 3%p 더 많이 종교를 가지고 있었습니다. 자본 봉사자 중에서도 종교가 있는 사람이 종교가 없는 사람보다 많았습니다.
종교가 봉사 참여 독려에 영향을 준다고 결론 지을 수 있겠습니다.

graph_vol_1 <- vol_religion %>% 
  filter(religion_name == "종교 있음") %>% 
  ggplot(aes(x='', y=n, fill=volunteer)) +
  geom_bar(stat='identity') +
  theme_void()+
  coord_polar('y', start=0)+
  geom_text(aes(label=paste0(round(n/sum(n)*100,1), '%')),
            position=position_stack(vjust=0.5),
            color='black', size=3) +
  ggtitle("종교를 가지고 있는 사람들의 \n 자원봉사활동 시행 여부") +
  labs(fill = "자원봉사활동 시행 여부") +
  theme(plot.title = element_text(face = "bold", hjust = 0.5, size = 12, color = "darkblue")) +
  theme(legend.position = "bottom")

graph_vol_2 <- vol_religion %>% 
  filter(religion_name == "종교 없음") %>% 
  ggplot(aes(x='', y=n, fill=volunteer)) +
  geom_bar(stat='identity') +
  theme_void()+
  coord_polar('y', start=0)+
  geom_text(aes(label=paste0(round(n/sum(n)*100,1), '%')),
            position=position_stack(vjust=0.5),
            color='black', size=3) +
  ggtitle("종교를 가지고 있지 않은 사람들의 \n 자원봉사활동 시행 여부") +
  theme(plot.title = element_text(face = "bold", hjust = 0.5, size = 12, color = "darkblue")) +
  guides(fill = FALSE)


graph_vol_3 <- vol_religion %>% 
  filter(volunteer == "자원봉사활동을 한다") %>% 
  ggplot(aes(x='', y=n, fill=religion_name)) +
  geom_bar(stat='identity') +
  scale_fill_manual(values = c("#4DAF4A", "#984EA3")) +
  theme_void()+
  coord_polar('y', start=0)+
  geom_text(aes(label=paste0(round(n/sum(n)*100,1), '%')),
            position=position_stack(vjust=0.5),
            color='black', size=3) +
  ggtitle("자원봉사활동을 시행하는 사람들의 \n 종교보유 유무") +
  labs(fill = "종교 보유 유무") +
  theme(plot.title = element_text(face = "bold", hjust = 0.5, size = 12, color = "darkblue")) +
  theme(legend.position = "bottom")

graph_vol_4 <- vol_religion %>% 
  filter(volunteer == "자원봉사활동을 하지 않는다") %>% 
  ggplot(aes(x='', y=n, fill=religion_name)) +
  geom_bar(stat='identity') +
  scale_fill_manual(values = c("#4DAF4A", "#984EA3")) +
  theme_void()+
  coord_polar('y', start=0)+
  geom_text(aes(label=paste0(round(n/sum(n)*100,1), '%')),
            position=position_stack(vjust=0.5),
            color='black', size=3) +
  ggtitle("자원봉사활동을 시행하지 않는 사람들의 \n 종교보유 유무") +
  theme(plot.title = element_text(face = "bold", hjust = 0.5, size = 12, color = "darkblue")) +
  guides(fill = FALSE)


title_vol <- ggdraw() +
  draw_label("종교 보유 유무와 자원봉사활동 시행 여부", 
             fontface = "bold", 
             x = 0.5, y = 0.05, 
             hjust = 0.5, vjust = 0,
             size = 20, color = "darkblue")
# 그래프 1과 2의 범례 생성
legend_vol_12 <- get_legend(graph_vol_1) 

# 그래프 3과 4의 범례 생성
legend_vol_34 <- get_legend(graph_vol_3)

# 그래프 1과 3의 범례 제거
graph_vol_1 <- graph_vol_1 + guides(fill = FALSE)
graph_vol_3 <- graph_vol_3 + guides(fill = FALSE)
# 그래프 1과 2, 그래프 3와 4, 범례를 가로로 배치하여 조합
grid.arrange(title_vol,
             arrangeGrob(graph_vol_12,
                         arrangeGrob(legend_vol_12, nrow = 1),
                         ncol = 1,
                         heights = c(1, 0.2)),
             arrangeGrob(graph_vol_34,
                         arrangeGrob(legend_vol_34, nrow = 1),
                         ncol = 1,
                         heights = c(1, 0.2)),
             ncol = 1,
             heights = c(0.1, 1, 1),
             top = NULL)


Figure 7~8 소결론
종교는 사회에 긍정적으로 기여한다고 말할 수 있을 것 같습니다.
종교를 가진 집단의 기부율이 더욱 높은 것은 아니었지만, 평균 기부 금액과 월에 고액(4~5만원)을 기부하는 경향이 있었습니다.
종교를 가진 집단의 봉사율이 종교를 가지지 않은 집단보다 높았고, 봉사자 중에서도 종교인의 비율이 높았습니다.
다 그런 것은 아니겠지만, 종교는 기부와 봉사를 독려하는 역할을 사회적으로 수행할 수 있다고 고려됩니다.
다만, 기부처와 봉사처가 어디인지 밝혀지지 않아 종교 내 집단에서만 이러한 사회 기여를 하고 있을 우려가 존재합니다.

Figure 9 종교와 헌금, 소득간의 관계가 존재할까?

종교에 대한 부정적 인식은 대체로 헌금 강요에서 비롯되는 것 같아 이를 조사하고자 합니다. 좌측의 그래프는 소득에 따라 소득 대비 종교에 지출하는 금액을 나타낸 그래프입니다. 우측의 그래프는 소득에 따라 전체 지출 대비 종교에 지출하는 금액을 나타낸 그래프 입니다. 두 그래프 모두 우하향하는 가상의 선을 따라 산점도가 나타나있는 것을 확인할 수 있습니다.
흥미로운 점은 가구 소득이 낮을 수록 가구 소득과 지출에서 종교 지출이 차지하는 비중이 높다는 것입니다. 좌측의 그래프의 경우 명확한 우하향 지수함수 꼴의 가상의 한도선을 확인할 수 있습니다. 가구 소득이 250만원 이하인 가구의 경우 가구 소득의 20% 이상을 종교에 지출하는 가구가 빈번하게 나타납니다. 반면에 가구 소득이 1000만원 이상인 가구의 경우 가구 소득의 10% 이상 종교에 지출하는 가구는 찾기 어렵습니다. 가구 소득과 종교에 지출하는 비율의 한도선이 반비례한다고 말할 수 있겠습니다.
앞선 그래프와 달리 우측의 그래프는 조금 더 퍼져있는 것을 확인할 수 있습니다. 다만 여전히 직선의 한도선이 보임을 알 수 있습니다. 여기서도 소득이 낮을수록 가구의 총 지출 대비 종교 지출의 비율이 높음을 짐작할 수 있습니다.
이러한 현상이 나타난 것에 대한 원인으로는 앞서 찾아본 ’어떤 사람이 종교를 가지는가’의 분석 결과를 인용할 수 있습니다. 종교의 보유와 연관을 지닌 항목은 건강, 성별, 소득, 연령이었습니다. 특히 주관적 체감의 건강의 경우 충분히 비례한다고 말 할 수 있을 정도로 건강한 사람과 건강하지 않는 사람의 신자 비율에 차이가 나타났습니다. 저는 이러한 것에 대한 원인으로 해결되지 못하는 현상에 대하여 전지전능한 신의 권능을 기대하는 것이라고 분석하였는데요. 소득이 낮을 수록, 시행할 수 있는 수단보다는 종교에 더욱 기대는 모습(기복신앙)이 나타나는 것 같습니다. 

graph_income_1 <- income_religionspend %>% 
  ggplot(aes(x=Monthly_household_income, y=Religions.related_expenditure)) +
  geom_point() +
  xlim(0,2000) +
  ylim(0,75) +
  ggtitle("월 평균 가구 소득과 \n 소득 대비 종교 관련 지출에 관한 그래프") +
  theme(plot.title = element_text(face = "bold", hjust = 0.5, size = 12, color = "darkblue")) +
  labs(x = "월 평균 가구 소득 (단위: 만원)", y = "가구 소득 대비 종교 관련 지출 (단위:%)")


graph_income_2 <- spendratio_income %>% 
  ggplot(aes(x=Fincome, y=spendratio)) +
  geom_point() +
  xlim(0,2000) +
  ylim(0,30) +
  ggtitle("월 평균 가구 소득과 \n 가구 지출 대비 종교 관련 지출에 관한 그래프") +
  theme(plot.title = element_text(face = "bold", hjust = 0.5, size = 12, color = "darkblue")) +
  labs(x = "월 평균 가구 소득 (단위: 만원)", y = "가구 지출 대비 종교 관련 지출 (단위:%)")

title_income <- ggdraw() +
  draw_label("종교 관련 지출과 소득 간의 관계에 관한 그래프", 
             fontface = "bold", 
             x = 0.5, y = 0.05, 
             hjust = 0.5, vjust = 0,
             size = 20, color = "darkblue")

grid.arrange(title_income, arrangeGrob(graph_income_1, graph_income_2, ncol = 2), heights = c(0.1, 1))
## Warning: Removed 19 rows containing missing values (`geom_point()`).
## Warning: Removed 14 rows containing missing values (`geom_point()`).

Figure 10 종교는 우리의 삶을 만족스럽게 바꿀까?

앞서 살펴본 결과를 토대로 종교가 우리의 삶을 만족스럽게 바꿀지에 대하여 알아보고자 합니다. 이를 위하여 삶의 만족도에 대한 조사 설문을 활용했습니다.
예상과는 달리 종교는 우리의 삶에 대한 만족도에 큰 영향을 차지하지 않는 것으로 확인되었습니다. 종교를 지닌 집단과 지니지 않은 집단 모두 모든 항목에서 0.05 이내의 차이만을 보였기 때문입니다. 우리의 삶에 대한 만족도에 종교가 영향을 끼치지 못하는 것은 어쩌면 당연할지도 모르겠습니다. 종교가 있는 사람은 종교가 있는 대로 사회 생활과 신앙 생활을 통해 삶에 대한 만족도를 지니고, 종교가 없는 사람은 종교가 없는대로 사회 생활과 다른 여가 활동을 통해 삶에 대한 만족도를 지님을 알 수 있었습니다.
다만, 몇가지 분석이 가능합니다. 첫 번째로는 건강 변수와 맞물려, 종교를 가진 집단이 자신의 건강에 조금 더 불만족임을 확인할 수 있습니다. 두 번째로는 사회 관계의 만족 결과에 따라, 종교를 가진 집단이 자신의 사회적 관계에 약소하게나마 만족하고 있음을 볼 수 있습니다.

happy_religion %>% 
  ggplot(aes(x = kind, y=satisfaction, fill=religion_name)) +
  geom_col(position = "dodge") +
  scale_fill_manual(values = c("#4DAF4A", "#984EA3")) +
  scale_y_continuous(limits = c(0, 5)) +
  ggtitle("종교 보유 유무와 삶에 대한 만족도에 관한 그래프") +
  theme(plot.title = element_text(face = "bold", hjust = 0.5, size = 20, color = "darkblue")) +
  labs(x = "분야", y = "만족도 (5점 만점, 높을수록 만족스러움)", fill="종교 유무") +
  geom_text(aes(label = round(satisfaction,2)), position = position_dodge(width = 0.9), vjust = -0.5)

결론

종교를 가지고 있는 집단은 종교를 가지지 않은 집단에 비하여 다양한 특징을 가지고 있었습니다.

우선, 종교를 가지고 있는 집단이 그렇지 않은 집단보다 소득이 낮게 분포되어 있었습니다. 남성보다는 여성이 유의미 하게 종교를 더 많이 가지고 있었고, 연령이 높아질 수록 종교를 더 많이 가지고 있었습니다. 단순 최종학력으로 따지면, 학력이 높아질수록 종교를 더 적게 가지고 있었습니다. 건강이 안 좋을수록 종교를 더 많이 가지고 있기도 하였습니다. 여기서 분석할 수 있는 것은 종교는 단순히 믿음만으로 설명되는 사회 현상이 아니라는 것입니다.
종교는 크게 두 가지의 이유로 가지게 되는 것으로 짐작됩니다. 첫 번째는 건강상태가 나쁠수록 종교 보유율이 높아지고, 종교를 가지고 있는 집단이 조금 더 소득이 낮은 것을 보아 종교는 결핍에 대한 충족을 목적으로 하여 기복신앙(*복을 기원함을 목적으로 믿는 신앙, 기독교와 불교 모두에서 사용함)을 중심으로 한다는 것을 알 수 있습니다. 두 번째는 커뮤니티에 대한 갈망이 있습니다. 연령이 높을 수록, 여성일 수록, 최종 학력이 낮을 수록 종교 보유율이 높았습니다. 종교는 또 하나의 커뮤니티가 될 수 있습니다. 사회적 관계를 형성하기 쉽지 않은 고령층과 과거 사회 진출이 어려웠던 여성, 사회적인 편견을 받는 최종학력이 낮은 성인이 이를 방증합니다.
우리가 종교를 바라볼 때, 종교의 부정적인면을 부각하여 바라보기 마련입니다. 다만, 종교를 가지게 되는 사람들은 부정적인면이 아닌 긍정적인 면을 보고 종교를 가지게 됩니다. 종교의 폐단(특히 사이비 문제)를 보고 명확히 해결하기 위하여, 우선적으로는 사회 복지가 충족되어야 한다고 생각합니다. 건강하지 않은 종교를 가지게 되는 이유로도 바로 ’결핍에 대한 충족’과 ’사회 커뮤니티 참여’가 있을 것이기 때문입니다. 국가 복지 정책을 통해 사회 취약층의 결핍을 충족하고, 사회 커뮤니티를 건강한 방법으로 형성하여 건강하지 못한 종교에 빠지게 되는 것을 방지해야 할 것입니다.

종교가 사회에 미치는 영향은 우리의 인식처럼 부정적이지만은 않았습니다. 앞서 보았던 것처럼, 종교를 보유한 집단과 보유하지 않은 집단의 기부자 비율은 큰 차이가 나지 않았습니다. (오히려 종교를 보유하지 않은 집단의 기부자 비율이 더 높았습니다.) 다만, 그 금액에서 종교를 가지고 있는 집단이 종교를 가지고 있지 않은 집단보다 더 많은 금액을 기부하는 경향이 있었습니다. 그래서 평균 금액도 더 높은 것으로 추측됩니다. 봉사와 관련해서도 차이를 확인했습니다. 종교를 가지고 있는 집단이 가지지 않은 집단보다 자원봉사 참여 비율이 높았습니다. 또한, 자원봉사자 중에서도 종교를 가지고 있는 집단이 차지하는 비율이 더 높았습니다. 이러한 면에서는 종교가 사회에 기여하고 있다고 확인할 수 있었습니다.
종교에 대한 지출은 곧 종교에 얼마나 심취해 있는지를 보여주는 지표라고 생각됩니다. 제가 분석한 바에 따르면, 소득이 낮을수록 ①소득 대비 종교 관련 지출과 ②가구 총 지출 대비 종교 관련 지출 모두 높았습니다. 소득이 낮을 수록 종교에 심취하는 현상이 나타나는 것으로 보입니다. 이는 종교를 가지게 되는 원인과 엮어 이해할 수 있을 것 같습니다.
종교가 사실은 우리 삶의 만족도에 큰 영향을 미치지는 못하는 것으로 확인되었습니다. 앞서 언급했던 것처럼, 우리 삶의 만족도는 다른 것의 영향을 받는 변수가 아닌 것으로 짐작되기도 합니다. 앞서, 종교를 믿는 집단 분석에 따르면 종교를 가진 집단과 가지지 않은 집단의 다른 변수 차이가 있었음에도 만족도에는 별 다른 차이가 보이지 않았기 때문입니다. (다만, 앞선 분석에서도 언급했듯이 건강과 사회 관계 만족도는 차이를 보였습니다.)

우리 인류는 종교와 함께 발전해왔습니다. 과학의 발전이 다가오면서 종교의 영향력이 줄어들고 있으나, 여전히 우리는 결핍을 종교로 채우고 있음을 알 수 있었습니다. 또한, 종교의 전파 영향력이 줄어든 것일 뿐이지 종교가 수행하는 긍정적 역할은 수행하고 있음을 알 수 있었습니다. 다만, 부정적인 영향으로 소득이 적음에도 그 소득에 비하여 지나치게 높은 종교 지출을 하는 등의 좋지는 않은 신앙을 가진 사람도 있음을 확인할 수 있었습니다. 앞으로 사회 복지 정책이 더 잘 가춰진다면, 앞으로 종교는 오로지 ’신앙’으로 나아가야 할 것입니다. 부정적인 영향력을 줄이고, 대한민국의 종교 사회가 더 건강해지길 바랍니다.