장애인 경제적 소득의 중요성
미디어커뮤니케이션학부 20243631 한승주
2024.06.12
연구 목적 및 배경 설명
최근 장애를 치료하는데 많은 돈이 들어 부담이 된다는 영상과 대한민국의 장애인 빈곤율이 OECD 국가와 비교하였을 때 매우 심각한 수준이라는 문헌을 접하게 되었다. 이후 장애인이 이러한 경제적 문제를 해결하기 위해 취업을 하는 데는 차별을 받고 있지 않을까 생각하게 되었다. 조사하던 중 정부의 ‘장애인취업성공패키지’ 등의 지원과 ’장애인고용촉진 및 직업재활법’과 같이 법적 규제를 함에도 장애인의 취업에 어려움이 있다는 것을 알게 되었고 그렇다면 장애 치료에 경제적 여건이 얼마나 영향을 미치고, 정부 정책이 실시됨에 따라 장애인 취업 환경이 개선되었는지를 알아보려 한다.
데이터에 대한 개괄적인 설명
최신 통계인 2023년 18차 한국복지패널데이터를 주로 사용하였으며 ’장애인취업성공패키지’는 2018년, ’장애인 고용의무제도’는 2010년부터 실시되었 다는 점을 고려하여 과거 상황과 비교하기 위해 2008년 3차 한국복지패널데이터를 함께 사용하였다. 연구는 다음과 같이 진행하였다.
- 장애인의 기본적 현황을 조사하기 위해 장애 종류와 장애가 발생한 주된 원인을 분석하였다.
- 장애를 가진 후 경제적 상황의 변화를 알기 위해 장애를 가질 당시 가구 소득수준 변수와 현재 경상소득 데이터를 이용하였다. 장애를 가질 당시 가구 소득수준과 변수를 맞추기 위해 경상소득 또한 구간을 나눠 5개 등급으로 나누었다.
- 경제적 상황에 따라 충분한 치료를 받는지 달라지는지에 대해 조사하기 위해 구간을 나눠준 경상소득 데이터를 이용해 충분한 치료 여부를 소득수준에 따라 나누었다.
- 정부의 정책과 법 시행 이후 장애인 취업 환경이 개선되었는지 알아보기 위해 과거와 현재 취업시 차별경험여부 데이터를 이용하였다. 또한 더 나아가 임금과 승진에 대하여 차별경험여부 데이터를 추가적으로 이용하였다.
데이터 정제 및 가공 과정
1. 전체적인 데이터 정제 및 가공
한국복지패널 데이터의 복사본을 만든 후 사용할 변수들의 변수명을 바꿔주었다. ‘dis’는 장애의 ’disorder’, ‘discri’는 차별의 ’discrimination’, ‘cli’는 치료의 ’clinic’, ‘rea’는 이유의 ’reason’, ’prom’은 승진의 ’promotion’을 의미한다.
raw_welfare <- read.spss(file = "Koweps_hpda18_2023_beta1.sav",
to.data.frame = T)
raw_welfare_2 <- read.spss(file = "Koweps_da03_2008_beta18.sav",
to.data.frame = T)
wel <- raw_welfare
wel2 <- raw_welfare_2
wel <- rename(wel,
type = h18_g8,
reason = da18_1,
income_dis = da18_3,
income = h18_cin,
cli = da18_6,
cli_rea = da18_7,
discri_job = da18_28,
discri_income = da18_30,
discri_prom = da18_34)
wel2 <- rename(wel2,
discri_job = da03_28,
discri_income = da03_30,
discri_prom = da03_34)2. 가지고 있는 장애의 종류와 발생 원인 변수 데이터 정제 및 가공
가지고 있는 장애의 종류와 발생 원인 변수 데이터를 정제 및 가공해주었다. 장애 종류, 발생 원인 변수의 각 수치에 맞는 응답 값을 입력해주었다.
#장애종류 변수 검토 및 전처리
wel$type <- ifelse(wel$type == 0, NA, wel$type)
wel$type <- ifelse(wel$type == 1, "지체장애",
ifelse(wel$type == 2, "뇌병변장애",
ifelse(wel$type == 3, "시각장애",
ifelse(wel$type == 4, "시각장애",
ifelse(wel$type == 5, "언어장애",
ifelse(wel$type == 6, "정신지체",
ifelse(wel$type == 7, "발달장애",
ifelse(wel$type ==8, "정신장애",
ifelse(wel$type == 9, "신장장애",
ifelse(wel$type == 10, "심장장애",
ifelse(wel$type == 11, "호흡기장애",
ifelse(wel$type ==12, "간장애",
ifelse(wel$type == 13, "안면장애",
ifelse(wel$type == 14, "장루, 요루장애",
ifelse(wel$type == 15, "간질장애", "비등록장애인")))))))))))))))
table(is.na(wel$type))##
## FALSE TRUE
## 1537 14394#장애발생원인 변수 검토 및 전처리
wel$reason <- ifelse(wel$reason == 1, "선천적", ifelse(wel$reason == 2, "출생시", ifelse(wel$reason == 3, "후천적", ifelse(wel$reason == 4, "원인불명", NA))))
table(wel$reason)##
## 선천적 원인불명 출생시 후천적
## 102 399 14 7903. 장애를 가지게 된 당시, 현재 소득 변수 데이터 정제 및 가공
장애를 가지게 된 당시, 현재 소득 변수 데이터를 정제 및 가공해주었다. 장애를 가지게 된 당시 소득수준 변수의 각 수치에 맞는 응답 값을 입력해주었다. 경상소득 변수의 0, 20, 40, 60, 80, 100%의 값을 알아내 장애를 가지게 된 당시 응답 값과 동일하게 소득 구간을 나눠 ’income_5’에 할당하였다.
#장애를 가지게 된 당시 가구 소득수준 변수 검토 및 전처리
wel$income_dis <- ifelse(wel$income_dis == 1, "매우부유", ifelse(wel$income_dis == 2, "부유", ifelse(wel$income_dis == 3, "보통", ifelse(wel$income_dis == 4, "가난", ifelse(wel$income_dis == 5, "매우가난", NA)))))
table(wel$income_dis)##
## 가난 매우가난 매우부유 보통 부유
## 454 87 3 729 100#현재 경상소득 변수 검토 및 전처리
wel %>%
arrange(desc(income)) %>%
select(income) %>%
slice(1, 3186, 6372, 9558, 12744, 15931)## income
## 1 63860
## 2 9665
## 3 6796
## 4 4170
## 5 2072
## 6 -2165wel$income_5 <- ifelse(wel$income > 9665, "매우부유", ifelse(wel$income > 6796, "부유", ifelse(wel$income > 4170, "보통", ifelse(wel$income > 2072, "가난", "매우가난"))))
table(wel$income) %>% head(5)##
## -2165 -737 -405 -365 5
## 1 2 1 2 14. 충분한 치료 여부와 치료를 받지 않는 이유 변수 데이터 정제 및 가공
충분한 치료 여부와 치료를 받지 않는 이유 변수 데이터를 정제 및 가공해주었다. 충분한 치료를 받지 않는 이유 변수의 각 수치에 맞는 응답 값을 입력해주었다.
#장애와 관련해 충분한 치료를 받는지 여부 변수 검토 및 전처리
wel$cli <- ifelse(wel$cli == 1, "yes", ifelse(wel$cli == 2, "no", NA))
table(wel$cli)##
## no yes
## 849 524#충분한 치료를 받지 않는 이유 변수 검토 및 전처리
wel$cli_rea <- ifelse(wel$cli_rea == 1, "경제적으로 어려워서", ifelse(wel$cli_rea == 2, "그대로 두어도 괜찮거나 곧 나을 것 같아서", ifelse(wel$cli_rea == 3, "치료해도 나을 것 같지 않아서", ifelse(wel$cli_rea == 4, "치료해도 효과가 없다고 해서", ifelse(wel$cli_rea == 5, "치료받기 싫어서", ifelse(wel$cli_rea == 6, "주위의 시선 때문에", ifelse(wel$cli_rea == 7, "근처에 치료기관이 없어서", ifelse(wel$cli_rea == 8, "시간이 없어서", ifelse(wel$cli_rea == 9, "치료 받으러 다니기 불편해서", ifelse(wel$cli_rea == 10, "기타", NA))))))))))
table(wel$cli_rea)##
## 경제적으로 어려워서
## 34
## 그대로 두어도 괜찮거나 곧 나을 것 같아서
## 48
## 근처에 치료기관이 없어서
## 3
## 기타
## 2
## 시간이 없어서
## 3
## 주위의 시선 때문에
## 1
## 치료 받으러 다니기 불편해서
## 50
## 치료받기 싫어서
## 8
## 치료해도 나을 것 같지 않아서
## 370
## 치료해도 효과가 없다고 해서
## 3305. 취업/임금/승진시 차별경험여부 변수 데이터 정제 및 가공
취업/임금/승진시 차별경험여부 변수 데이터를 정제 및 가공해주었다. 과거와 현재를 비교하기 위해 2008년 데이터와 2023년 데이터를 각각 다른 데이터에 할당해주었다.
#취업시 차별경험여부 변수(2023) 검토 및 전처리
wel$discri_job <- ifelse(wel$discri_job == 1, "yes", ifelse(wel$discri_job == 2, "no", NA))
table(wel$discri_job)##
## no yes
## 230 14#임금과 관련한 차별경험여부 변수(2023) 검토 및 전처리
wel$discri_income <- ifelse(wel$discri_income == 1, "yes", ifelse(wel$discri_income == 2, "no", NA))
table(wel$discri_income)##
## no yes
## 317 5#승진과 관련한 차별경험여부 변수(2023) 검토 및 전처리
wel$discri_prom <- ifelse(wel$discri_prom == 1, "yes", ifelse(wel$discri_prom == 2, "no", NA))
table(wel$discri_prom)##
## no
## 274#취업시 차별경험여부 변수(2008) 검토 및 전처리
wel2$discri_job <- ifelse(wel2$discri_job == 1, "yes", ifelse(wel2$discri_job == 2, "no", NA))
table(wel2$discri_job)##
## no yes
## 99 43#임금과 관련한 차별경험여부(2008) 변수 검토 및 전처리
wel2$discri_income <- ifelse(wel2$discri_income == 1, "yes", ifelse(wel2$discri_income == 2, "no", NA))
table(wel2$discri_income)##
## no yes
## 302 30#승진과 관련한 차별경험여부(2008) 변수 검토 및 전처리
wel2$discri_prom <- ifelse(wel2$discri_prom == 1, "yes", ifelse(wel2$discri_prom == 2, "no", NA))
table(wel2$discri_prom)##
## no yes
## 130 11데이터 분석
1.장애 종류 데이터 분석
장애 종류 데이터를 분석하였다. dis_type에 장애의 종류와 그 수를 할당하였다.
dis_type <- wel %>%
select(type) %>%
filter(!is.na(type)) %>%
count(type) %>%
mutate(perc = n/sum(n)*100)
dis_type## type n perc
## 1 간장애 4 0.26024723
## 2 간질장애 5 0.32530904
## 3 뇌병변장애 127 8.26284971
## 4 발달장애 13 0.84580351
## 5 비등록장애인 46 2.99284320
## 6 시각장애 387 25.17891997
## 7 신장장애 64 4.16395576
## 8 심장장애 3 0.19518543
## 9 안면장애 1 0.06506181
## 10 언어장애 7 0.45543266
## 11 장루, 요루장애 7 0.45543266
## 12 정신장애 41 2.66753416
## 13 정신지체 101 6.57124268
## 14 지체장애 725 47.16981132
## 15 호흡기장애 6 0.390370852. 장애 발생 원인 데이터 분석
장애 발생 원인 데이터를 분석하였다. dis_reason에 장애 발생 원인과 그 수를 할당하였다.
dis_reason <- wel %>%
select(reason) %>%
filter(!is.na(reason)) %>%
count(reason)
dis_reason## reason n
## 1 선천적 102
## 2 원인불명 399
## 3 출생시 14
## 4 후천적 7903.현재 소득 수준에 따른 충분한 치료 여부 분석
현재 소득 수준에 따른 충분한 치료 여부를 분석하였다. income_cli에 극단치를 제거한 경상수입과 충분한 치료 여부를 할당하였고 income_cli5에 치료여부, 현재소득수준을 할당하였고 소득 수준에 따라 충분한 치료의 비율을 나타냈다.
income_cli <- wel %>%
select(cli, income) %>%
filter(!is.na(cli)) %>%
arrange(desc(income))
boxplot(income_cli$income)$stats
## [,1]
## [1,] 44
## [2,] 1470
## [3,] 2341
## [4,] 4339
## [5,] 8641income_cli$income <- ifelse(income_cli$income < 44 | income_cli$income > 8641, NA, income_cli$income)
income_cli <- income_cli %>%
filter(!is.na(income))
income_cli %>%
head(5)## cli income
## 1 no 8641
## 2 no 8603
## 3 no 8598
## 4 yes 8591
## 5 yes 8570income_cli5 <- wel %>%
select(cli, income_5) %>%
filter(!is.na(cli))%>%
group_by(income_5, cli) %>%
summarise(count=n()) %>%
mutate(perc = count/sum(count)*100)## `summarise()` has grouped output by 'income_5'. You can override using the
## `.groups` argument.income_cli5$income_5 <- factor(income_cli5$income_5, levels = c("매우가난", "가난", "보통","부유","매우부유"))
income_cli5## # A tibble: 10 × 4
## # Groups: income_5 [5]
## income_5 cli count perc
## <fct> <chr> <int> <dbl>
## 1 가난 no 253 60.7
## 2 가난 yes 164 39.3
## 3 매우가난 no 378 63
## 4 매우가난 yes 222 37
## 5 매우부유 no 45 58.4
## 6 매우부유 yes 32 41.6
## 7 보통 no 116 62.7
## 8 보통 yes 69 37.3
## 9 부유 no 57 60.6
## 10 부유 yes 37 39.44. 현재 소득 수준에 따른 치료 부족 이유 분석
현재 소득 수준에 따른 치료 부족 이유를 분석하였다. income_cli_rea에 현재 소득수준, 충분한 치료를 받지 않는 이유를 할당해주고 각각의 수를 세주었다.
income_cli_rea <- wel %>%
select(cli_rea, income_5) %>%
filter(!is.na(cli_rea))%>%
group_by(income_5) %>%
count(cli_rea)
income_cli_rea## # A tibble: 32 × 3
## # Groups: income_5 [5]
## income_5 cli_rea n
## <chr> <chr> <int>
## 1 가난 경제적으로 어려워서 3
## 2 가난 그대로 두어도 괜찮거나 곧 나을 것 같아서 14
## 3 가난 기타 2
## 4 가난 시간이 없어서 1
## 5 가난 치료 받으러 다니기 불편해서 13
## 6 가난 치료해도 나을 것 같지 않아서 116
## 7 가난 치료해도 효과가 없다고 해서 104
## 8 매우가난 경제적으로 어려워서 24
## 9 매우가난 그대로 두어도 괜찮거나 곧 나을 것 같아서 18
## 10 매우가난 근처에 치료기관이 없어서 1
## # ℹ 22 more rows5. 장애를 가진 당시 가구의 소득과 현재 소득 분석
장애를 가진 당시 가구의 소득과 현재 소득을 분석하였다. 소득 수준을 단계에 따라 정렬하고 각 단계로의 변화 수를 세주었다.
#장애를 가진 당시 가구의 소득과 현재 소득 분석
wel$income_5 <- factor(wel$income_5, levels = c("매우가난", "가난", "보통","부유","매우부유"))
wel$income_dis <- factor(wel$income_dis, levels = c("매우가난", "가난", "보통","부유","매우부유"))
income_change <- table(wel$income_5, wel$income_dis)
income_change_df <- as.data.frame(income_change)
income_change_df %>%
head(5)## Var1 Var2 Freq
## 1 매우가난 매우가난 42
## 2 가난 매우가난 32
## 3 보통 매우가난 5
## 4 부유 매우가난 6
## 5 매우부유 매우가난 26. 차별경험여부 분석
6-1. 취업 시 차별경험여부 분석
취업 시 차별경험여부를 분석하였다. discri_job에 차별경험여부와 응답 수, 퍼센트를 할당했으며 2008년 자료에는 ’time’에 ’past’를, 2023년 자료에는 ’now’를 할당하여 하나로 묶어주었다.
discri_job2 <- wel2 %>%
filter(!is.na(discri_job)) %>%
select(discri_job) %>%
group_by(discri_job) %>%
summarise(count=n()) %>%
mutate(perc = count/sum(count)*100)
discri_job2$time <- "past"
discri_job1 <- wel %>%
filter(!is.na(discri_job)) %>%
select(discri_job) %>%
group_by(discri_job) %>%
summarise(count=n()) %>%
mutate(perc = count/sum(count)*100)
discri_job1$time <- "now"
discri_job <- bind_rows(discri_job2, discri_job1)
discri_job## # A tibble: 4 × 4
## discri_job count perc time
## <chr> <int> <dbl> <chr>
## 1 no 99 69.7 past
## 2 yes 43 30.3 past
## 3 no 230 94.3 now
## 4 yes 14 5.74 now6-2. 임금과 관련한 차별경험여부 분석
임금과 관련한 차별경험여부를 분석하였다. discri_income 에 차별경험여부와 응답 수, 퍼센트를 할당했으며 2008년 자료에는 ’time’에 ’past’를, 2023년 자료에는 ’now’를 할당하여 하나로 묶어주었다.
discri_income2 <- wel2 %>%
filter(!is.na(discri_income)) %>%
select(discri_income) %>%
group_by(discri_income) %>%
summarise(count=n()) %>%
mutate(perc = count/sum(count)*100)
discri_income2$time <- "past"
discri_income1 <- wel %>%
filter(!is.na(discri_income)) %>%
select(discri_income) %>%
group_by(discri_income) %>%
summarise(count=n()) %>%
mutate(perc = count/sum(count)*100)
discri_income1$time <- "now"
discri_income <- bind_rows(discri_income2, discri_income1)
discri_income## # A tibble: 4 × 4
## discri_income count perc time
## <chr> <int> <dbl> <chr>
## 1 no 302 91.0 past
## 2 yes 30 9.04 past
## 3 no 317 98.4 now
## 4 yes 5 1.55 now6-3. 승진과 관련한 차별경험여부 분석
승진과 관련한 차별경험여부를 분석하였다. discri_prom에 차별경험여부와 응답 수, 퍼센트를 할당했으며 2008년 자료에는 ’time’에 ’past’를, 2023년 자료에는 ’now’를 할당하여 하나로 묶어주었다.
discri_prom2 <- wel2 %>%
filter(!is.na(discri_prom)) %>%
select(discri_prom) %>%
group_by(discri_prom) %>%
summarise(count=n()) %>%
mutate(perc = count/sum(count)*100)
discri_prom2$time <- "past"
discri_prom1 <- wel %>%
filter(!is.na(discri_prom)) %>%
select(discri_prom) %>%
group_by(discri_prom) %>%
summarise(count=n()) %>%
complete(discri_prom = c("yes", "no"), fill = list(count = 0)) %>%
mutate(perc = count/sum(count)*100)
discri_prom1$time <- "now"
discri_prom <- bind_rows(discri_prom2, discri_prom1)
discri_prom## # A tibble: 4 × 4
## discri_prom count perc time
## <chr> <int> <dbl> <chr>
## 1 no 130 92.2 past
## 2 yes 11 7.80 past
## 3 no 274 100 now
## 4 yes 0 0 now그래프 만들기
장애 종류 그래프
지체장애 725명, 시각장애 387명, 뇌병변장애 127명 순으로 수치가 높음을 확인할 수 있다.
dis_type## type n perc
## 1 간장애 4 0.26024723
## 2 간질장애 5 0.32530904
## 3 뇌병변장애 127 8.26284971
## 4 발달장애 13 0.84580351
## 5 비등록장애인 46 2.99284320
## 6 시각장애 387 25.17891997
## 7 신장장애 64 4.16395576
## 8 심장장애 3 0.19518543
## 9 안면장애 1 0.06506181
## 10 언어장애 7 0.45543266
## 11 장루, 요루장애 7 0.45543266
## 12 정신장애 41 2.66753416
## 13 정신지체 101 6.57124268
## 14 지체장애 725 47.16981132
## 15 호흡기장애 6 0.39037085ggplot(data = dis_type, aes(x = type, y = n, fill = factor(type))) +
geom_bar(stat = "identity") +
labs(title = "장애의 종류", x = "종류", y = "수") +
geom_text(aes(label = paste0(round(n,1), '명')), vjust = -0.5, size = 3) +
coord_flip()
장애 발생 원인
후천적 요인이 790명으로 가장 많고 원인불명, 선천적, 출생시 요인이 뒤따름을 확인할 수 있다. 후천적 요인으로는 질환, 사고가 있다.
dis_reason## reason n
## 1 선천적 102
## 2 원인불명 399
## 3 출생시 14
## 4 후천적 790ggplot(data = dis_reason, aes(x=reason, y=n, fill = factor(reason)))+
geom_bar(stat = "identity") +
labs(title = "장애 발생 원인", x = "원인", y = "수") +
geom_text(aes(label = paste0(round(n,1), '명')), vjust = -0.5, size = 3)
소득에 따른 충분한 치료 여부와 소득의 변화
큰 차이는 아니나 충분한 치료를 받는 집단의 소득 평균이 더 높음을 볼 수 있다.
#소득에 따른 충분한 치료 여부
income_cli %>% head(5)## cli income
## 1 no 8641
## 2 no 8603
## 3 no 8598
## 4 yes 8591
## 5 yes 8570ggplot(data = income_cli, aes(x=cli, y=income))+
geom_boxplot()+
labs(title = "소득에 따른 충분한 치료 여부", x = "충분한 치료 여부", y = "소득")
또한 소득 수준을 나눠 확인해보면 매우가난한 집단이 가장 충분한 치료를 받지 못하고 매우 부유한 집단이 가장 충분한 치료를 받고 있음을 확인할 수 있다.
income_cli5## # A tibble: 10 × 4
## # Groups: income_5 [5]
## income_5 cli count perc
## <fct> <chr> <int> <dbl>
## 1 가난 no 253 60.7
## 2 가난 yes 164 39.3
## 3 매우가난 no 378 63
## 4 매우가난 yes 222 37
## 5 매우부유 no 45 58.4
## 6 매우부유 yes 32 41.6
## 7 보통 no 116 62.7
## 8 보통 yes 69 37.3
## 9 부유 no 57 60.6
## 10 부유 yes 37 39.4ggplot(data= income_cli5, aes(x=income_5, y=perc, fill=cli)) +
geom_col() +
labs(title = "소득에 따른 충분한 치료 여부",x="", y = "충분한 치료 여부")+
coord_flip()
전체적인 그래프가 좌측-중앙 하단에 치중되어 있고 y=x 선을 그었을 때 선을 기준으로 아래 부분의 색이 더 진한 것을 통하여 평균적으로 소득 수준이 좋지 않아졌음을 확인할 수 있다.
ggplot(income_change_df, aes(x = Var2, y = Var1, fill = Freq)) +
geom_tile() +
geom_text(aes(label = Freq), color = "black", size = 3) +
scale_fill_gradient(low = "white", high = "pink") +
labs(x = "과거 소득 등급", y = "현재 소득 등급", fill = "빈도") +
theme_minimal() +
ggtitle("과거와 현재 소득 등급의 변화")
취업/임금/승진에 관련한 차별 경험 여부
2008년과 2023년을 비교하였을 때 세 그래프 모두 2023년을 나타내는 붉은 색의 그래프가 더 가파르다는 것을 통해 장애인의 취업 환경이 더 나아졌다는 것을 확인할 수 있다.
discri_job## # A tibble: 4 × 4
## discri_job count perc time
## <chr> <int> <dbl> <chr>
## 1 no 99 69.7 past
## 2 yes 43 30.3 past
## 3 no 230 94.3 now
## 4 yes 14 5.74 nowggplot(discri_job, aes(x = discri_job, y = perc, group = time, color = time)) +
geom_line() +
geom_point() +
labs(title = "과거와 현재의 취업 차별 경험 여부", x = "경험 여부", y = "") +
geom_text(aes(label = paste0(round(perc,1), '%')), vjust = 1.5, size = 3) +
theme_minimal()
discri_income## # A tibble: 4 × 4
## discri_income count perc time
## <chr> <int> <dbl> <chr>
## 1 no 302 91.0 past
## 2 yes 30 9.04 past
## 3 no 317 98.4 now
## 4 yes 5 1.55 nowggplot(discri_income, aes(x = discri_income, y = perc, group = time, color = time)) +
geom_line() +
geom_point() +
labs(title = "과거와 현재의 임금 차별 경험 여부", x = "경험 여부", y = "") +
geom_text(aes(label = paste0(round(perc,1), '%')), vjust = 1.5, size = 3) +
theme_minimal()
discri_prom## # A tibble: 4 × 4
## discri_prom count perc time
## <chr> <int> <dbl> <chr>
## 1 no 130 92.2 past
## 2 yes 11 7.80 past
## 3 no 274 100 now
## 4 yes 0 0 nowggplot(discri_prom, aes(x = discri_prom, y = perc, group = time, color = time)) +
geom_line() +
geom_point() +
labs(title = "과거와 현재의 승진 차별 경험 여부", x = "경험 여부", y = "") +
geom_text(aes(label = paste0(round(perc,1), '%')), vjust = 1.5, size = 3) +
theme_minimal()
결론
장애의 종류 그래프를 통해 지체장애, 시각장애, 뇌병변장애인이 많다는 것을 확인할 수 있다. 허나 회사에 취업하려 하면 중증 장애이거나 손을 사용하지 못하거나, 말을 잘 하지 못하면 지원할 수 없다는 답변을 받고 좌절하는 사례를 접하였다. 대부분의 장애가 후천적으로 발생한 것과 연계하여 직장을 다니던 중 장애가 생긴다면 회사에서는 해당 직원을 해고하는 경향이 높다는 기사를 또한 접하였다. 장애인의 대부분은 경제적으로 여유가 있는 상황이 아니며 장애를 치료하는 과정에서 상당한 경제적 지원이 요구되는데 이를 위해서라면 장애인의 취업 또한 절실한 상황이다. 현재 정부의 다양한 정책과 법률로써 장애인의 고용을 일정부분 돕고 있긴 하나 여전히 차별을 겪는 사람이 존재하고 취업을 하지 못하고 있는 사람들이 존재하기에 정부는 더욱 다양한 정책으로써 장애인의 취업차별을 해소하기 위해 노력해야 할 것이다.