코로나 블루의 실존 여부를 바탕으로 한 무기력증의 원인 분석
박성신
2023.06.15
연구 목적 및 배경 설명
2023년 5월 5일, 약 3년 반 동안 전세계 다양한 영역에 큰 영향을 미친 코로나19의 국제적 공중 보건 비상사태가 해제되었다. 코로나19의 영향으로 인해 생긴 용어 중에는 코로나19 확산으로 일상에 큰 변화가 닥치면서 우울감이나 무기력증을 느끼게 되는 상황을 뜻하는 말인 코로나 블루(우울감)가 있는데, 현재 사회에서 이러한 용어의 잦은 사용으로 사람들이 느끼는 우울감과 무기력증의 이유를 코로나19의 영향인 것으로 생각하는 경향이 있다고 느꼈다. 부정적인 정서를 코로나 블루로 인한 보편적이고 일시적인 현상으로 단순하게 판단하는 것은 안일한 생각이다. 적절한 대응을 위해 우울과 무기력의 원인이 무엇인지 직면할 필요가 있다.
이에 대해 조사하기 위해 이번 보고서에서는 우선적으로 한국복지패널데이터에서 조사된 사람들의 인식을 바탕으로 코로나 블루의 실존 여부와 그 정도를 알아보고, 이어서 그 결과에 따라 두 가지 연구 중 하나를 택해 진행할 것이다. 코로나 블루의 영향이 크다면 코로나19가 만든 영향의 심각성을 강조하며 코로나19가 사회에 끼친 영향 중 어떤 것이 우울감과 무기력증에 영향을 크게 끼쳤을지를 파악해볼 것이다. 코로나 블루의 영향이 작거나 없다면 현 사회의 우울감과 무기력증이 코로나로 인한 일시적인 문제가 아니라 지속적인 문제로 나타나고 있다는 것으로 여기고, 사람들의 생활과 관련해서 어떤 부분이 우울감과 무기력증과 큰 연관성이 있을지 알아볼 것이다.
데이터에 대한 개괄적인 설명
이 연구의 전반부에서는 코로나19의 세계적 확산 전 3년과 후 3년을 비교하기 위해 한국복지패널 홈페이지에서 제공하는 2017년부터 2022년까지의 12차~17차 한국복지패널조사 자료를 이용한다. 사람들의 인식 측면을 바탕으로 조사하기 위해 6개년치의 생활습관, 가족관계 및 정신건강 분야에서의 설문을 활용했다. 우울감과 무기력증과 연관된 변수를 선정해 사용했다.
후반부에서는 주로 17차 한국복지패널조사 자료를 사용했다. 전반부에서 사용한 우울감과 무기력증에 연관된 변수에 더해 설문의 다른 변수를 추가로 활용하여 무기력증 변수와 연관성이 클 것으로 예상되는 자료를 선정했다. 소득, 근로 환경, 건강의 세 분야에서 각각 두 가지 변수를 선정해 활용했다.
데이터 정제 및 가공 과정
한국복지패널데이터에서 다운받은 데이터를 불러온다. 같은 과정이 6번 반복되기 때문에 2017년 자료를 불러와 변수를 할당하는 것만 보이게 하고, 불러온 2018년~2022년의 자료에 변수를 할당하는 과정은 echo = F를 통해 숨겼다.
raw_wel2017 <- read.spss(file = "Koweps_hpda12_2017_beta6.sav", to.data.frame = T)
wel2017 <- raw_wel2017 %>% select(gloom = p1205_11,
lethargy = p1205_12,
helplessness = p1205_19)
table(wel2017$gloom)##
## 1 2 3 4 9
## 8906 2513 474 141 489table(wel2017$lethargy)##
## 1 2 3 4 9
## 7349 3489 884 312 489table(wel2017$helplessness)##
## 1 2 3 4 9
## 9190 2087 533 224 489wel2017$gloom <- ifelse(wel2017$gloom == 9, NA, wel2017$gloom)
wel2017 <- wel2017 %>% filter(!is.na(gloom))
wel2017$lethargy <- ifelse(wel2017$lethargy == 9, NA, wel2017$lethargy)
wel2017 <- wel2017 %>% filter(!is.na(lethargy))
wel2017$helplessness <- ifelse(wel2017$helplessness == 9, NA, wel2017$helplessness)
wel2017 <- wel2017 %>% filter(!is.na(helplessness))raw_wel2018 <- read.spss(file = "Koweps_hpc13_2018_beta5.sav", to.data.frame = T)
raw_wel2019 <- read.spss(file = "Koweps_hpwc14_2019_beta4.sav", to.data.frame = T)
raw_wel2020 <- read.spss(file = "Koweps_hpda15_2020_beta3.sav", to.data.frame = T)
raw_wel2021 <- read.spss(file = "Koweps_hpc16_2021_beta2.sav", to.data.frame = T)
raw_wel2022 <- read.spss(file = "Koweps_hpwc17_2022_beta1.sav", to.data.frame = T)12~17차 한국복지패널 데이터를 불러온 후 우울감과 무기력증과 관련된 변수를 찾아 쉬운 변수명으로 바꾸어 할당했다.
‘(다) 상당히 우울’ 변수를 우울을 확인할 수 있는 우울 변수로, ‘(라) 모든일이 힘들게 느껴짐’ 변수를 무기력을 확인할 수 있는 무기력 변수로, ‘(카) 뭘 해 나갈 엄두가 나지 않음’ 변수를 무력감을 확인할 수 있는 무기력 변수로 설정했다. 우울은 gloom, 무기력은 lethargy, 무력감은 helplessness로 직역했다.
할당한 변수의 결측치를 제거했다.
welfare <- raw_wel2022 %>% select(lethargy = p1705_12,
income = p1702_31,
satisfy_income = p1703_6,
worktype = p1702_1,
satisfy_work = p1703_9,
medical = h1707_3aq8,
satisfy_health = p1703_5)다음은 코로나 블루의 실존 여부와 정도를 알아보고 계획한 분석에 사용하기 위해 필요한 변수이다. 우울, 무기력, 무력감 변수 중 약한 정도로도 심한 정도로도 무기력함을 느끼는 사람이 가장 많은 것으로 조사되어 많은 표본을 활용할 수 있을 것으로 예상되는 무기력 변수를 주로 사용하기로 결정했다.
새로 조사할 분야 중 소득(income) 분야에서는 ‘기대 수입’ 변수와 ‘(나)가족의 수입 만족도’변수를, 근로 환경(work) 분야에서는 ’근로 유형’ 변수와 ‘(마)직업 만족도’ 변수를, 건강(health) 분야에서는 ‘보건의료비’ 변수와 ‘(가)건강 만족도’ 변수를 사용했다. 변수 이름은 각 변수를 표현할 수 있는 영어를 골라 정했다.
welfare$lethargy <- ifelse(welfare$lethargy == 9, NA, welfare$lethargy)
welfare <- welfare %>% filter(!is.na(lethargy))
welfare$income <- ifelse(welfare$income == 9999, NA, welfare$income)
welfare_money <- welfare %>% filter(!is.na(income))
welfare$satisfy_income <- ifelse(welfare$satisfy_income == 9, NA, welfare$satisfy_income)
welfare_money <- welfare %>% filter(!is.na(satisfy_income))
welfare$worktype <- ifelse(welfare$worktype == 9, NA, welfare$worktype)
welfare_work <- welfare %>% filter(!is.na(worktype))
welfare$medical <- ifelse(welfare$medical == 9999, NA, welfare$medical)
welfare_health <- welfare %>% filter(!is.na(medical))
welfare$satisfy_work <- ifelse(welfare$satisfy_work == 9, NA, welfare$satisfy_work)
welfare_work <- welfare %>% filter(!is.na(satisfy_work))
welfare$satisfy_health <- ifelse(welfare$satisfy_health == 9, NA, welfare$satisfy_health)
welfare_health <- welfare %>% filter(!is.na(satisfy_health))각각의 분야에서는 무응답/모름으로 대답한 표본과 결측치를 제거했다.
boxplot(welfare$income)$stats
## [,1]
## [1,] 50
## [2,] 200
## [3,] 230
## [4,] 300
## [5,] 400welfare$income <- ifelse(welfare$income < 50 | welfare$income > 400, NA, welfare$income)
welfare_money <- welfare %>% filter(!is.na(income))연속변수인 기대소득의 경우 이상치도 제거했다.
boxplot(welfare$medical)$stats
## [,1]
## [1,] 0
## [2,] 7
## [3,] 15
## [4,] 31
## [5,] 67welfare$medical <- ifelse(welfare$medical > 67, NA, welfare$medical)
welfare_health <- welfare %>% filter(!is.na(medical))마찬가지로 연속변수인 보건의료비 변수도 이상치를 확인하고 제거했다.
데이터 분석
- 코로나 블루의 실존과 그 정도를 확인하기 위한 데이터 분석
year <- c(2017, 2018, 2019, 2020, 2021, 2022)
strong_gloom <- c((474+141)/12034*100, (463+130)/11704*100, (463+132)/11355*100, (489+142)/10758*100, (579+106)/10545*100, (602+148)/14152*100)
strong_lethargy <- c((884+312)/12034*100, (972+287)/11704*100, (911+314)/11355*100, (981+328)/10758*100, (979+341)/10545*100, (1190+353)/14152*100)
strong_helplessness <- c((533+224)/12034*100, (685+221)/11704*100, (605+266)/11355*100, (578+256)/10758*100, (610+287)/10545*100, (759+342)/14152*100)
weak_gloom <- c(2513/12034*100, 2332/11704*100, 2120/11355*100, 2197/10758*100, 2330/10545*100, 2958/14152*100)
weak_lethargy <- c(3489/12034*100, 3324/11704*100, 2906/11355*100, 3020/10758*100, 2947/10545*100, 4076/14152*100)
weak_helplessness <- c(2087/12034*100, 2218/11704*100, 1936/11355*100, 1843/10758*100, 1892/10545*100, 2533/14152*100)
corona_blue <- data.frame(year, strong_gloom, strong_lethargy, strong_helplessness, weak_gloom, weak_lethargy, weak_helplessness)
corona_blue$corona <- ifelse(year <= 2019, "X", "O")
corona_blue## year strong_gloom strong_lethargy strong_helplessness weak_gloom
## 1 2017 5.110520 9.938508 6.290510 20.88250
## 2 2018 5.066644 10.757006 7.740943 19.92481
## 3 2019 5.239982 10.788199 7.670630 18.67019
## 4 2020 5.865402 12.167689 7.752370 20.42201
## 5 2021 6.495970 12.517781 8.506401 22.09578
## 6 2022 5.299604 10.903053 7.779819 20.90164
## weak_lethargy weak_helplessness corona
## 1 28.99285 17.34253 X
## 2 28.40055 18.95079 X
## 3 25.59225 17.04976 X
## 4 28.07213 17.13144 O
## 5 27.94689 17.94215 O
## 6 28.80158 17.89853 Ocorona_blue %>% group_by(corona) %>% summarise(st_gloom = mean(strong_gloom), st_lethargy = mean(strong_lethargy), st_helplessness = mean(strong_helplessness), wk_gloom = mean(weak_gloom), wk_lethargy = mean(weak_lethargy), wk_helplessness = mean(weak_helplessness))## # A tibble: 2 × 7
## corona st_gloom st_lethargy st_helplessness wk_gloom wk_lethargy
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 O 5.89 11.9 8.01 21.1 28.3
## 2 X 5.14 10.5 7.23 19.8 27.7
## # ℹ 1 more variable: wk_helplessness <dbl>우울, 무기력, 무력감 변수의 답변은 이렇게 구성되어있다. 1. 극히
드물다(일주일에 1일 미만) 2. 가끔 있었다(일주일에 1-2일간)
3. 종종 있었다(일주일에 3-4일간) 4. 대부분 그랬다(일주일에 5일 이상)
2번, 3번, 4번으로 응답한 사람들을 묶어 약한 정도로라도 부정적인 정서를 느낀 그룹을 만들고, 3번, 4번으로 응답한 사람들을 묶어 심한 정도로 부정적인 정서를 느낀 그룹을 만들고자 했다. 연도 별로 이 그룹 인원 수가 전체 응답자 중 몇 퍼센트를 차지하는 지 알고 싶어 정제가 끝난 변수를 계산을 통해 백분율로 만들었다. 또한, 코로나19 발발 전 3년과 후 3년을 구분할 수 있는 변수도 넣었다. 이를 반영하여 백분율을 직접적으로 비교할 수 있는 새로운 표를 만들었다. 최종적으로는 코로나 전 3년의 수치와 후 3년의 수치를 각각 묶어 평균을 내어 비교하고자 했다.
정확한 계산을 위해 table 함수로 각 변수의 응답자 수를 확인해 직접 계산했고, 바로 위 문단에서 계획했던 대로 심한 정도로 부정적인 정서를 느낀 사람을 strong, 비교적 약한 정도로라도 부정적인 정서를 느낀 사람을 weak로 표현하여 그룹을 만들었다. 코로나 블루의 영향을 확인하기 위해 전 3년의 평균과 후 3년의 평균을 구하려 하였고, 평균을 내기 위해서 연도별로 특정 정서를 느낀 사람을 확인할 수 있는 표를 만들고 corona_blue라 이름 붙여 사용했다.
degree <- c("strong","strong","weak","weak")
corona <- c("corona","x","corona","x")
gloom_per <- c( 5.9, 5.1, 21.1, 19.9)
lethargy_per <- c(11.9, 10.5, 28.2, 27.6)
helplessness_per <- c(8.0, 7.2, 17.7, 17.8)
comparison <- data.frame(degree, corona, gloom_per, lethargy_per, helplessness_per)ggplot(data = comparison, aes(x = corona, y= gloom_per, fill = degree)) + geom_col() + ylim(0,100)
ggplot(data = comparison, aes(x = corona, y= lethargy_per, fill = degree)) + geom_col() + ylim(0,100)
ggplot(data = comparison, aes(x = corona, y= helplessness_per, fill = degree)) + geom_col() + ylim(0,100)
직관적으로 비교가 가능한 그래프의 형태로도 만들어보고자 했다. 데이터는 바로 위의 corona_blue 함수를 활용하여 비교용 comparison 그래프를 새로 만들었다. 우선, 강한 정도로 부정적인 정서를 느낀 사람은 전 3년보다 후 3년의 비율이 조금이라도 더 높았다. 한편, 약한 정도로 부정적인 정서를 느낀 사람은 전 3년의 비율 값 중 후 3년의 비율보다 높은 값이 존재하는 등 전 3년과 후 3년 중 어느 한 쪽이 높거나 낮다고 말할 수 없었다. 평균 값을 비교해보았을 때는 강한 정도로 부정적인 정서를 느낀 사람의 비율은 코로나 이후로 이전보다 적은 수치지만 확실히 늘었다고 할 수 있고, 약한 정도로 부정적인 정서를 느낀 사람도 무력감 변수를 제외하고는 평균적으로 코로나 이전보다 이후가 높게 측정되었다. strong 그룹과 weak 그룹을 합쳐 일주일에 1~2회 이상 부정적인 정서를 느꼈다고 응답한 사람의 수는 코로나 이전보다 이후가 조금이지만 늘었다는 것을 확인할 수도 있었다.
분석 결과, 코로나 블루의 영향은 존재했다고 볼 수 있지만 크지는 않았던 것으로 파악되었다. 이에 따라 현재의 우울, 무기력, 무력감은 코로나의 영향으로 인한 것인 일시적인 현상이라기보다는 코로나19 발발 이전의 사회부터 깊게 자리잡은 사회 문제 현상으로 볼 수 있다. 이어지는 분석과 그래프 작성에서는 연구 목적 및 배경 설명에서 계획했듯이 사회 문제에 대한 적절한 대응으로 나아가기 위해 우울, 무기력, 무력감이 사회 요인 중 어떤 것과 큰 연관성이 있을지 알아볼 것이다.
그래프 만들기
Figure 1
Figure1에서는 소득 분야와 무기력증의 관계를 파악해본다. 이후의 분석에 더 적합한 형태로 활용할 목적으로 weak 그룹의 정의는 weak 그룹(가끔 있었다(일주일에 1-2일간)로 응답한 표본 모음)에서 weak 그룹(가끔 있었다(일주일에 1-2일간), 종종 있었다(일주일에 3-4일간), 대부분 그랬다(일주일에 5일 이상) 중 하나로 응답한 표본 모음))으로 변경했다. ’약한 정도로 부정적인 정서를 느꼈다고 응답한 표본’에서 ’약한 정도로라도 부정적인 정서를 느꼈다고 응답한 표본’으로 바꾼 것이다.
welfare_money <- welfare_money %>% mutate(lethargy_strong = ifelse(lethargy > 2, "o", "x"))
welfare_money <- welfare_money %>% mutate(lethargy_weak = ifelse(lethargy > 1, "o", "x"))
ggplot(data = welfare_money, aes(x = lethargy_strong, y = income, colour = lethargy_strong)) + geom_boxplot() + labs(title="Correlation between feel strong lethargy and expected income", x="Feel strong lethargy",y="Income(Unit = 10,000 won)")
강한 정도로 부정적인 정서를 느꼈다고 응답한 표본과 그렇지 않은 표본을
비교하기 위한 그래프를 만들었다. 두 집단의 기대 소득 구간을 효과적으로
비교하기 위해 boxplot 형식을 선택했다. 가독성을 위해 각 집단의 분포
그래프를 colour를 사용해 구별하기로 했다.
strong 그룹에 속한 표본과 그렇지 않은 표본을 비교한 결과, strong 그룹에 속한 표본은 기대 소득 분포가 좁은 편인 것, 중앙값은 비교적 높으나 상위 25%값은 비교적 낮은 편에 위치해있음을 확인할 수 있었다. 이는 strong 그룹에 속한 표본들이 그렇지 않은 표본보다 상대적으로 높은 소득 수준을 가지고 있으나, 상위 소득층에 속하는 표본은 상대적으로 적다는 것을 알 수 있다. 상위 소득층과 하위 소득층 사이에 특정 소득 구간에서 강한 정도의 무기력을 느낀 사람이 많다고 생각해볼 수 있다. 특정 소득 구간이 월 당 250만원 전 후일 것도 예상해볼 수 있다.
ggplot(data = welfare_money, aes(x = lethargy_weak, y = income, colour = lethargy_weak)) + geom_boxplot() + labs(title="Correlation between feel weak lethargy and expected income", x="Feel weak lethargy",y="Income(Unit = 10,000 won)")
이어서 약한 정도로라도 부정적인 정서를 느꼈다고 응답한 표본과 그렇지
않은 표본을 비교하기 위한 그래프를 만들었다. 제작 의도는 위의 boxplot
그래프와 같다.
weak 그룹에 속한 표본과 그렇지 않은 표본을 비교한 결과, weak 그룹에 속한 표본은 그렇지 않은 그룹보다 분포가 고르며, 중앙값과 상위 25%값 둘 다 상대적으로 높다는 결과를 도출할 수 있었다. 분포가 고르다는 점에서 다양한 소득 계층이 무기력을 느낀다고 생각해볼 수 있다. 약한 정도로라도 부정적인 정서를 느끼지 않는 그룹의 특징이 두드러지는데, 상대적으로 낮은 소득을 가진 사람들이 많고 상위 소득층도 적음에도 무기력의 정서를 덜 느낀다. 상대적으로 낮은 금액일지라도 225만원 전후의 적정한 수준의 소득이 우울을 덜 가져올 것이라고 생각해볼 수도 있다.
wel_money_strong_o<- welfare_money %>% filter(lethargy_strong == "o")
table(wel_money_strong_o$satisfy_income)##
## 1 2 3 4
## 4 8 6 1stronglethargy_o_incomesatisfy <- data.frame("answer" = c("very dissatisfied", "mostly dissatisfied", "so so", "mostly satisfied", "very satisfied"),
"count" = c(4,8,6,1,0))
stronglethargy_o_incomesatisfy$per <- round(stronglethargy_o_incomesatisfy$count/19*100)
stronglethargy_o_incomesatisfy$answer <- factor(stronglethargy_o_incomesatisfy$answer, levels = c("very dissatisfied", "mostly dissatisfied", "so so", "mostly satisfied", "very satisfied"))
wel_money_strong_x <- welfare_money %>% filter(lethargy_strong == "x")
table(wel_money_strong_x$satisfy_income)##
## 1 2 3 4 5
## 11 59 64 43 4stronglethargy_x_incomesatisfy <- data.frame("answer" = c("very dissatisfied", "mostly dissatisfied", "so so", "mostly satisfied", "very satisfied"),
"count" = c(11,59,64,43,4))
stronglethargy_x_incomesatisfy$per <- round(stronglethargy_x_incomesatisfy$count/181*100)
stronglethargy_x_incomesatisfy$answer <- factor(stronglethargy_x_incomesatisfy$answer, levels = c("very dissatisfied", "mostly dissatisfied", "so so", "mostly satisfied", "very satisfied"))소득 분야에서의 두 번째 그래프는 무기력 변수와 수입 만족도의 상관관계를 파악하는 용도이다. 비율을 비교하는 용도로 파이차트를 사용할 예정이다. 파이차트는 geom_bar()를 쓰는 ggplot 함수에 coord_polar()를 사용해 만들었다. 우선 strong 그룹에 속하는 표본/ strong 그룹에 속하지 않는 표본으로 분류한다. 수입 만족도 변수는 매우 불만족, 대체로 불만족, 그저그렇다, 대체로 만족 ,매우 만족의 다섯 가지 응답으로 구성되어있다. 계산을 통해 각 비율을 구하고 반올림 한 후 각 그룹의 수입 만족도 변수 비율은 어떠한지 비교하는 파이차트를 만들었다. 이 때 응답의 순서가 뒤섞이는 것을 막기 위해 factor를 사용했다.
ggplot(data = stronglethargy_o_incomesatisfy, aes(x = '', y = per, fill = answer))+
geom_bar(stat='identity', width = 1)+
coord_polar('y', start=0) +
geom_text(aes(label = paste0(round(per), "")), position = position_stack(vjust = 0.5), color = "black") + labs(title="Strong group's income satisfaction", x="",y="percent")
ggplot(data = stronglethargy_x_incomesatisfy, aes(x = '', y = per, fill = answer))+
geom_bar(stat='identity', width = 1) +
coord_polar('y', start=0) +
geom_text(aes(label = paste0(round(per), "")), position = position_stack(vjust = 0.5), color = "black") + labs(title="Non-Strong group's income satisfaction", x="",y="percent")
부정적인 정서를 심하게 느꼈다고 응답한 strong 그룹은 그렇지 않은 그룹에 비해 전체에서 ‘매우 불만족’과 ’대체로 불만족’ 응답이 차지하는 비율이 높았다. 수입에 대한 만족도가 낮을 수록 무기력함을 심하게 겪는다고 생각해볼 수 있다.
wel_money_weak_o <- welfare_money %>% filter(lethargy_weak == "o")
table(wel_money_weak_o$satisfy_income)##
## 1 2 3 4
## 11 39 28 16weaklethargy_o_incomesatisfy <- data.frame("answer" = c("very dissatisfied", "mostly dissatisfied", "so so", "mostly satisfied", "very satisfied"),
"count" = c(11,39,28,16,0))
weaklethargy_o_incomesatisfy$per <- round(weaklethargy_o_incomesatisfy$count/94*100)
weaklethargy_o_incomesatisfy$answer <- factor(weaklethargy_o_incomesatisfy$answer, levels = c("very dissatisfied", "mostly dissatisfied", "so so", "mostly satisfied", "very satisfied"))
wel_money_weak_x <- welfare_money %>% filter(lethargy_weak == "x")
table(wel_money_weak_x$satisfy_income)##
## 1 2 3 4 5
## 4 28 42 28 4weaklethargy_x_incomesatisfy <- data.frame("answer" = c("very dissatisfied", "mostly dissatisfied", "so so", "mostly satisfied", "very satisfied"),
"count" = c(4,28,42,28,4))
weaklethargy_x_incomesatisfy$per <- round(weaklethargy_x_incomesatisfy$count/106*100)
weaklethargy_x_incomesatisfy$answer <- factor(weaklethargy_x_incomesatisfy$answer, levels = c("very dissatisfied", "mostly dissatisfied", "so so", "mostly satisfied", "very satisfied"))다음은 weak 그룹에 속하는 표본과 weak 그룹에 속하지 않는 표본으로 분류한다. 위의 파이차트를 만들기 전의 단계와 비슷한 구조로 만들어진다.
ggplot(data = weaklethargy_o_incomesatisfy, aes(x = '', y = per, fill = answer))+
geom_bar(stat='identity', width = 1)+
coord_polar('y', start=0) +
geom_text(aes(label = paste0(round(per), "")), position = position_stack(vjust = 0.5), color = "black") + labs(title="Weak group's income satisfaction", x="",y="percent")
ggplot(data = weaklethargy_x_incomesatisfy, aes(x = '', y = per, fill = answer))+
geom_bar(stat='identity', width = 1)+
coord_polar('y', start=0) +
geom_text(aes(label = paste0(round(per), "")), position = position_stack(vjust = 0.5), color = "black") + labs(title="Non-Weak group's income satisfaction", x="",y="percent")
약한 정도로라도 무기력함을 느낀 그룹이 그렇지 않은 그룹에 비해 전체에서
‘매우 불만족’과 ’대체로 불만족’ 응답이 차지하는 비율이 높았다. 수입에
대한 만족도가 무기력에 영향을 준다고 생각해볼 수 있다.
Figure 2
Figure2에서는 근로 분야와 무기력증의 관계를 파악해본다. 우선, 근로 유형에 따라 무기력함을 느끼는 정도를 알아보는 것을 목적으로 분석을 시작한다.
welfare_work <- welfare_work %>% mutate(lethargy_degree = ifelse(lethargy > 2, "strong", ifelse(lethargy < 2, "non_lethargy", "weak_non_strong")))
welfare_work$worktype <- ifelse(welfare_work$worktype == 1, "wage worker", ifelse(welfare_work$worktype == 2, "self-employed/employer", ifelse(welfare_work$worktype == 3, "unpaid family worker", ifelse(welfare_work$worktype == 4, "unemployed (workable)", "unemployed (non-workable)"))))
welfare_work$lethargy_degree <- factor(welfare_work$lethargy_degree, levels = c("strong", "weak_non_strong", "non_lethargy"))
welfare_work$worktype <- factor(welfare_work$worktype, levels = c("wage worker", "self-employed/employer", "unpaid family worker", "unemployed (workable)", "unemployed (non-workable)"))무기력함을 느끼는 정도를 파악하기 위해 변수 lethargy_degree를 추가하고 ifelse를 이용해 “strong”, “weak_non_strong”, “non_lethargy”로 분류한다. 추가로 각 근로 유형에 대한 이해도를 높일 수 있도록 기존의 번호로 치환되었던 응답에서 적절한 영어 변수로 이름을 변경한다. 순서가 뒤섞이지 않도록 factor 또한 이용한다.
ggplot(data = welfare_work, aes(x = worktype, fill = lethargy_degree)) + geom_bar() + coord_flip() + labs(title="Worktype population and lethargy degree")
그래프를 통해서는 각 근로 유형에 속한 표본의 수와 각 유형에서 무기력함을
느끼는 정도가 어떻게 나타나는지 파악해볼 수 있다. 간단하게는
임금근로자가 일할 능력이 있는 무직보다는 무기력함을 덜 느낀다는 것을 알
수 있다. 하지만, 일할 능력이 없는 무직을 나타내는 “unemployed
(workable)”가 매우 적은 표본 수를 가지고 있는 등 비교 방식에 한계가 있어
비율 비교를 위한 표를 하나 추가로 생성하기로 했다.
welfare_work %>% group_by(worktype) %>% count(lethargy_degree)## # A tibble: 15 × 3
## # Groups: worktype [5]
## worktype lethargy_degree n
## <fct> <fct> <int>
## 1 wage worker strong 408
## 2 wage worker weak_non_strong 1551
## 3 wage worker non_lethargy 3695
## 4 self-employed/employer strong 166
## 5 self-employed/employer weak_non_strong 586
## 6 self-employed/employer non_lethargy 1083
## 7 unpaid family worker strong 70
## 8 unpaid family worker weak_non_strong 210
## 9 unpaid family worker non_lethargy 289
## 10 unemployed (workable) strong 887
## 11 unemployed (workable) weak_non_strong 1719
## 12 unemployed (workable) non_lethargy 2785
## 13 unemployed (non-workable) strong 12
## 14 unemployed (non-workable) weak_non_strong 10
## 15 unemployed (non-workable) non_lethargy 3worktype <- c("wage worker", "self-employed/employer", "unpaid family worker", "unemployed (workable)", "unemployed (non-workable)")
worktype_strong <- c(408/(408+1551+3695)*100, 166/(166+586+1083)*100, 70/(70+210+289)*100, 887/(887+1719+2785)*100, 12/(12+10+3)*100)
worktype_weak<- c((408+1551)/(408+1551+3695)*100, (166+586)/(166+586+1083)*100, (70+210)/(70+210+289)*100, (887+1719)/(887+1719+2785)*100, (12+10)/(12+10+3)*100)
worktype_relation <- data.frame(worktype, worktype_strong, worktype_weak)group_by(worktype) %>% count(lethargy_degree)를 통해 각 표본의 수를 구한 다음 직접 비율을 계산했다.
worktype_relation## worktype worktype_strong worktype_weak
## 1 wage worker 7.216130 34.64804
## 2 self-employed/employer 9.046322 40.98093
## 3 unpaid family worker 12.302285 49.20914
## 4 unemployed (workable) 16.453348 48.33983
## 5 unemployed (non-workable) 48.000000 88.00000이 표에 따르면, 임금 근로자 < 자영업자와 고용주 < 무급 가족 종사자 < 근로 능력있는 무직 < 근로 능력 없는 순으로 심한 무기력함을 느낀다는 것을 알 수 있었다. 약한 정도의 무기력함에서는 근로 능력있는 무직과 무급 가족 종사자의 순서가 바뀐다. 임금근로자보다 자영업자가 무기력함을 더 많이 느낀다는 것, 근로 능력이 없는 무직의 무기력함이 심각한 수준이라는 것 등을 알 수 있다.
welfare_work <- welfare_work %>% mutate(lethargy_strong = ifelse(lethargy > 2, "o", "x"))
welfare_work <- welfare_work %>% mutate(lethargy_weak = ifelse(lethargy > 1, "o", "x"))
wel_work_strong_o <- welfare_work %>% filter(lethargy_strong == "o")
table(wel_work_strong_o$satisfy_work)##
## 1 2 3 4 5
## 47 319 706 454 17stronglethargy_o_worksatisfy <- data.frame("answer" = c("very dissatisfied", "mostly dissatisfied", "so so", "mostly satisfied", "very satisfied"),
"count" = c(41,319,706,454,17))
stronglethargy_o_worksatisfy$per <- round(stronglethargy_o_worksatisfy$count/1537*100)
stronglethargy_o_worksatisfy$answer <- factor(stronglethargy_o_worksatisfy$answer, levels = c("very dissatisfied", "mostly dissatisfied", "so so", "mostly satisfied", "very satisfied"))
wel_work_strong_x <- welfare_work %>% filter(lethargy_strong == "x")
table(wel_work_strong_x$satisfy_work)##
## 1 2 3 4 5
## 74 908 4027 6451 471stronglethargy_x_worksatisfy <- data.frame("answer" = c("very dissatisfied", "mostly dissatisfied", "so so", "mostly satisfied", "very satisfied"),
"count" = c(74,908,4027,6451,471))
stronglethargy_x_worksatisfy$per <- round(stronglethargy_x_worksatisfy$count/11931*100)
stronglethargy_x_worksatisfy$answer <- factor(stronglethargy_x_worksatisfy$answer, levels = c("very dissatisfied", "mostly dissatisfied", "so so", "mostly satisfied", "very satisfied"))근로 환경 분야에서의 두 번째 그래프는 무기력 변수와 직업 만족도의 상관관계를 파악하는 용도이다. 소득 분야의 두 번째 그래프와 비슷한 방식으로 그래프를 만든다. 비율을 비교하는 용도로 파이차트를 사용할 예정이다. 파이차트는 geom_bar()를 쓰는 ggplot 함수에 coord_polar()를 사용해 만들었다. 우선 strong 그룹에 속하는 표본/ strong 그룹에 속하지 않는 표본으로 분류한다. 직업 만족도 변수는 매우 불만족, 대체로 불만족, 그저그렇다, 대체로 만족 ,매우 만족의 다섯 가지 응답으로 구성되어있다. 계산을 통해 각 비율을 구하고 반올림 한 후 각 그룹의 직업 만족도 변수 비율은 어떠한지 비교하는 파이차트를 만들었다. 이 때 응답의 순서가 뒤섞이는 것을 막기 위해 factor를 사용했다.
ggplot(data = stronglethargy_o_worksatisfy, aes(x = '', y = per, fill = answer))+
geom_bar(stat='identity', width = 1)+
coord_polar('y', start=0) +
geom_text(aes(label = paste0(round(per), "")), position = position_stack(vjust = 0.5), color = "black") + labs(title="Strong group's work satisfaction", x="",y="percent")
ggplot(data = stronglethargy_x_worksatisfy, aes(x = '', y = per, fill = answer))+
geom_bar(stat='identity', width = 1) +
coord_polar('y', start=0) +
geom_text(aes(label = paste0(round(per), "")), position = position_stack(vjust = 0.5), color = "black") + labs(title="Non-Strong group's work satisfaction", x="",y="percent")
부정적인 정서를 심하게 느꼈다고 응답한 strong 그룹은 그렇지 않은 그룹에
비해 전체에서 ‘매우 불만족’과 ’대체로 불만족’ 응답이 차지하는 비율이
높았다. 직업에 대한 만족도가 낮을 수록 무기력함을 심하게 겪는다고
생각해볼 수 있다.
wel_work_weak_o <- welfare_work %>% filter(lethargy_weak == "o")
table(wel_work_weak_o$satisfy_work)##
## 1 2 3 4 5
## 86 804 2504 2143 82weaklethargy_o_worksatisfy <- data.frame("answer" = c("very dissatisfied", "mostly dissatisfied", "so so", "mostly satisfied", "very satisfied"),
"count" = c(86,804,2504,2143,82))
weaklethargy_o_worksatisfy$per <- round(weaklethargy_o_worksatisfy$count/5619*100)
weaklethargy_o_worksatisfy$answer <- factor(weaklethargy_o_worksatisfy$answer, levels = c("very dissatisfied", "mostly dissatisfied", "so so", "mostly satisfied", "very satisfied"))
wel_work_weak_x <- welfare_work %>% filter(lethargy_weak == "x")
table(wel_work_weak_x$satisfy_work)##
## 1 2 3 4 5
## 35 423 2229 4762 406weaklethargy_x_worksatisfy <- data.frame("answer" = c("very dissatisfied", "mostly dissatisfied", "so so", "mostly satisfied", "very satisfied"),
"count" = c(35,423,2229,4762,406))
weaklethargy_x_worksatisfy$per <- round(weaklethargy_x_worksatisfy$count/7855*100)
weaklethargy_x_worksatisfy$answer <- factor(weaklethargy_x_worksatisfy$answer, levels = c("very dissatisfied", "mostly dissatisfied", "so so", "mostly satisfied", "very satisfied"))다음은 weak 그룹에 속하는 표본과 weak 그룹에 속하지 않는 표본으로 분류한다. 위의 파이차트를 만들기 전의 단계와 비슷한 구조로 만들어진다.
ggplot(data = weaklethargy_o_worksatisfy, aes(x = '', y = per, fill = answer))+
geom_bar(stat='identity', width = 1) +
coord_polar('y', start=0) +
geom_text(aes(label = paste0(round(per), "")), position = position_stack(vjust = 0.5), color = "black") + labs(title="Weak group's work satisfaction", x="",y="percent")
ggplot(data = weaklethargy_x_worksatisfy, aes(x = '', y = per, fill = answer))+
geom_bar(stat='identity', width = 1) +
coord_polar('y', start=0) +
geom_text(aes(label = paste0(round(per), "")), position = position_stack(vjust = 0.5), color = "black") + labs(title="Non-Weak group's work satisfaction", x="",y="percent")
약한 정도로라도 무기력함을 느낀 그룹은 그렇지 않은 그룹에 비해 ‘매우
불만족’과 ’대체로 불만족’ 응답이 전체에서 더 높은 비율을 차지했다.
직업에 대한 만족도가 무기력을 느끼는 여부에 영향을 준다고 생각해볼 수
있다.
Figure 3
Figure3에서는 건강 분야와 무기력증의 관계를 파악해본다. 우선, 의료비를 내는 정도에 따라 무기력함을 느끼는 정도를 알아보는 것을 목적으로 분석을 시작한다.
welfare_health <- welfare_health %>% mutate(lethargy_strong = ifelse(lethargy > 2, "o", "x"))
welfare_health <- welfare_health %>% mutate(lethargy_weak = ifelse(lethargy > 1, "o", "x"))앞서 진행했던 분석의 과정과 마찬가지로 의료 분야에서의 strong 그룹과 weak 그룹을 생성해주며 시작한다.
ggplot(data = welfare_health, aes(x = lethargy_strong, y = medical, colour = lethargy_strong)) + geom_boxplot()
ggplot(data = welfare_health, aes(x = lethargy_weak, y = medical, colour = lethargy_weak)) + geom_boxplot()
무기력함을 심하게 느끼는 그룹과 그렇지 않은 그룹의 중앙선은 비슷했다. 큰
차이는 아니지만 상위 25%에 위치한 값은 무기력함을 심하게 느끼는 그룹이
더 높았다. 보건의료비 금액 자체에도 큰 차이는 없지만, 그럼에도
보건의료비를 조금 더 많이 내는 사람이 무기력함을 심하게 느끼는 그룹에 더
많다고 볼 수 있다.
무기력함을 약하게라도 느끼는 그룹과 그렇지 않은 그룹은 앞서 심하게 느끼는 그룹과 그렇지 않은 그룹의 비교 결과와 비슷했지만, 약하게라도 느끼는 그룹의 중앙선이 더 위에 있다는 차이가 있다. 이 또한 큰 차이는 없지만 무기력함을 약하게라도 느끼는 그룹이 보건의료비를 평균적으로 더 많이 낸다고 생각해볼 수 있다.
welfare_health <- welfare_health %>% mutate(lethargy_strong = ifelse(lethargy > 2, "o", "x"))
welfare_health <- welfare_health %>% mutate(lethargy_weak = ifelse(lethargy > 1, "o", "x"))
wel_health_strong_o <- welfare_health %>% filter(lethargy_strong == "o")
table(wel_health_strong_o$satisfy_work)##
## 1 2 3 4 5
## 43 302 643 414 16stronglethargy_o_healthsatisfy <- data.frame("answer" = c("very dissatisfied", "mostly dissatisfied", "so so", "mostly satisfied", "very satisfied"),
"count" = c(42, 302, 643, 414, 16 ))
stronglethargy_o_healthsatisfy$per <- round(stronglethargy_o_healthsatisfy$count/1417*100)
stronglethargy_o_healthsatisfy$answer <- factor(stronglethargy_o_healthsatisfy$answer, levels = c("very dissatisfied", "mostly dissatisfied", "so so", "mostly satisfied", "very satisfied"))
wel_health_strong_x <- welfare_health %>% filter(lethargy_strong == "x")
table(wel_health_strong_x$satisfy_work)##
## 1 2 3 4 5
## 73 835 3741 5937 428stronglethargy_x_healthsatisfy <- data.frame("answer" = c("very dissatisfied", "mostly dissatisfied", "so so", "mostly satisfied", "very satisfied"),
"count" = c(73, 835, 3741, 5937, 428 ))
stronglethargy_x_healthsatisfy$per <- round(stronglethargy_x_healthsatisfy$count/11014*100)
stronglethargy_x_healthsatisfy$answer <- factor(stronglethargy_x_healthsatisfy$answer, levels = c("very dissatisfied", "mostly dissatisfied", "so so", "mostly satisfied", "very satisfied"))건강 분야에서의 두 번째 그래프는 무기력 변수와 건강 만족도의 상관관계를 파악하는 용도이다. 앞선 두 분야의 두 번째 그래프와 비슷한 형태의 함수를 쓰므로 마찬가지로 비슷한 방식으로 그래프를 만든다. 비율을 비교하는 용도로 파이차트를 사용할 예정이다. 파이차트는 geom_bar()를 쓰는 ggplot 함수에 coord_polar()를 사용해 만들었다. 우선 strong 그룹에 속하는 표본/ strong 그룹에 속하지 않는 표본으로 분류한다. 건강 만족도 변수는 매우 불만족, 대체로 불만족, 그저그렇다, 대체로 만족 ,매우 만족의 다섯 가지 응답으로 구성되어있다. 계산을 통해 각 비율을 구하고 반올림 한 후 각 그룹의 건강 만족도 변수 비율은 어떠한지 비교하는 파이차트를 만들었다. 이 때 응답의 순서가 뒤섞이는 것을 막기 위해 factor를 사용했다.
ggplot(data = stronglethargy_o_healthsatisfy, aes(x = '', y = per, fill = answer))+
geom_bar(stat='identity', width = 1)+
coord_polar('y', start=0) +
geom_text(aes(label = paste0(round(per), "")), position = position_stack(vjust = 0.5), color = "black") + labs(title="Strong group's health satisfaction", x="",y="percent")
ggplot(data = stronglethargy_x_healthsatisfy, aes(x = '', y = per, fill = answer))+
geom_bar(stat='identity', width = 1)+
coord_polar('y', start=0) +
geom_text(aes(label = paste0(round(per), "")), position = position_stack(vjust = 0.5), color = "black") + labs(title="Non-Strong group's health satisfaction", x="",y="percent")
부정적인 정서를 심하게 느꼈다고 응답한 strong 그룹은 그렇지 않은 그룹에
비해 전체에서 ‘매우 불만족’과 ’대체로 불만족’ 응답이 차지하는 비율이
높았다. 건강에 대한 만족도가 낮을 수록 무기력함을 심하게 겪는다고
생각해볼 수 있다.
wel_health_weak_o <- welfare_health %>% filter(lethargy_weak == "o")
table(wel_health_weak_o$satisfy_work)##
## 1 2 3 4 5
## 81 750 2314 1955 77weaklethargy_o_healthsatisfy <- data.frame("answer" = c("very dissatisfied", "mostly dissatisfied", "so so", "mostly satisfied", "very satisfied"),
"count" = c(81, 750, 2314, 1955, 77))
weaklethargy_o_healthsatisfy$per <- round(weaklethargy_o_healthsatisfy$count/5177*100)
weaklethargy_o_healthsatisfy$answer <- factor(weaklethargy_o_healthsatisfy$answer, levels = c("very dissatisfied", "mostly dissatisfied", "so so", "mostly satisfied", "very satisfied"))
wel_health_weak_x <- welfare_health %>% filter(lethargy_weak == "x")
table(wel_health_weak_x$satisfy_work)##
## 1 2 3 4 5
## 35 387 2070 4396 367weaklethargy_x_healthsatisfy <- data.frame("answer" = c("very dissatisfied", "mostly dissatisfied", "so so", "mostly satisfied", "very satisfied"),
"count" = c(35, 387, 2070, 4396, 367))
weaklethargy_x_healthsatisfy$per <- round(weaklethargy_x_healthsatisfy$count/7255*100)
weaklethargy_x_healthsatisfy$answer <- factor(weaklethargy_x_healthsatisfy$answer, levels = c("very dissatisfied", "mostly dissatisfied", "so so", "mostly satisfied", "very satisfied"))다음은 weak 그룹에 속하는 표본과 weak 그룹에 속하지 않는 표본으로 분류한다. 위의 파이차트를 만들기 전의 단계와 비슷한 구조로 만들어진다.
ggplot(data = weaklethargy_o_healthsatisfy, aes(x = '', y = per, fill = answer))+
geom_bar(stat='identity', width = 1)+
coord_polar('y', start=0) +
geom_text(aes(label = paste0(round(per), "")), position = position_stack(vjust = 0.5), color = "black") + labs(title="Weak group's health satisfaction", x="",y="percent")
ggplot(data = weaklethargy_x_healthsatisfy, aes(x = '', y = per, fill = answer))+
geom_bar(stat='identity', width = 1)+
coord_polar('y', start=0) +
geom_text(aes(label = paste0(round(per), "")), position = position_stack(vjust = 0.5), color = "black") + labs(title="Non-Weak group's health satisfaction", x="",y="percent")
약한 정도로라도 무기력함을 느낀 그룹이 그렇지 않은 그룹에 비해 전체에서
‘매우 불만족’과 ’대체로 불만족’ 응답이 차지하는 비율이 높았다. 이러한
결과는 건강에 대한 만족도가 무기력을 느끼는 여부에 영향을 미칠 수 있는
가능성을 시사한다.
결과 설명 및 해석
조사는 강한 정도의 무기력과 약한 정도의 무기력을 분리해서 조사했다.
우선, 데이터 분석 파트에서는 코로나 블루의 영향이 실존했다고 볼 수는 있지만 그 영향이 작은 편인 것을 알아냈다. 이 결과를 바탕으로 현재 사회에는 우울, 무기력, 무력감이 코로나19로 인한 일시적으로 나타난게 아니라 사회에 계속해서 존재해온 상황이며, 이 부정적인 정서들을 적극적으로 대응해야 할 사회 문제로 정의했다. 이어지는 보고서에서는 부정적인 정서 중 무기력을 선택해 무기력 변수와 소득 분야, 근로 환경 분야, 건강 분야의 변수 간의 연관성을 파악해본다.
소득 분야에서는 기대 수입과 가족의 수입 만족도를 위주로 조사했다. 기대 수입 변수를 통해서 상위 소득층과 하위 소득층 사이에 특정 소득 구간, 그래프에서는 월 기대 수입 250만 전후에서 에서 강한 정도의 무기력을 느낀 사람이 많은 것, 상대적으로 낮은 금액일지라도 월 기대 수입 225만원 전후의 소득이 우울을 덜 가져올 수 있다는 것 등을 분석했다. 수입 만족도 변수를 통해서는 수입 만족도 변수가 무기력증과 연관이 있으며, 수입 만족도가 낮을수록 무기력증을 더 느끼는 것으로 파악했다. 특정 소득층을 자세히 조사해 어떤 이유로 그 소득층에서 무기력을 많이 느끼는지를 조사하는 것 등으로 이어질 수 있겠다.
근로 환경 분야에서는 근로 유형 별 무기력을 느끼는 정도와 직업 만족도를 위주로 조사했다. 근로 유형 별 무기력을 느끼는 정도를 분석하며 임금 근로자 < 자영업자와 고용주 < 무급 가족 종사자 < 근로 능력있는 무직 < 근로 능력 없는 순으로 심한 무기력함을 느낀다는 것을 알 수 있었다. 임금근로자보다 자영업자가 무기력함을 더 많이 느낀다는 것, 근로 능력이 없는 무직의 무기력함이 심각한 수준이라는 것 등을 알 수 있다. 자영업자가 임금근로자보다 무기력한 원인을 분석하는 것, 근로 능력이 없는 사람에 대한 처우 개선 등의 대응책으로 이어질 수 있겠다. 직업 만족도 변수를 통해서는 직업에 덜 만족할수록 무기력함을 더 많이 느낀다는 것을 알 수 있었다.
건강 분야에서는 보건의료비 분포와 건강 만족도를 위주로 조사했다. 보건의료비와 무기력함은 큰 연관성이 없는 것으로 파악된다. 보건의료비를 내지 못해 무기력함을 느끼는 표본도, 과한 보건의료비를 지불하는 것으로 인해 무기력함을 느끼는 표본도 존재하는 등 여러 이유로 뚜렷한 상관관계를 가지지는 않는 것 같다. 건강 만족도 변수를 조사하며 본인의 건강에 만족하는 정도가 낮을수록 무기력함을 더 많이 느낀다는 것을 알 수 있었다.