연구 목적 및 배경 설명

본 연구의 연구 질문은 다음과 같다: ‘이혼에 영향을 미치는 숨은 요인들은 무엇인가?’ 그리고 ‘이혼자와 기혼자의 가족 및 개인 관계 만족도는 어떻게 다른가?’. 최근 MBC 예능 프로그램 ‘아빠! 어디가?’에 아들 윤후와 함께 출연하여 행복한 가정 생활을 공개하며 많은 대중의 사랑을 받은 가수 윤민수 씨가 SNS를 통해 이혼 사실을 공개하여 큰 화제가 되었다. 이전에도 FT아일랜드의 최민환과 걸그룹 라붐 출신 율희, 라이머와 안현모 등 TV 프로그램에 출연하여 화목한 가정 생활을 드러낸 연예인들의 이혼 소식은 계속해서 보도 되어 왔다. 현재 대한민국에서 이혼은 유명인뿐만 아니라 사회 전반에 만연한 현상으로 자리 잡고 있다. 가정은 새로운 세대에게 건강한 가치를 전달하고, 가족 간의 관계를 통해 다른 사회 구성원들과의 건강한 관계를 구축하고, 의사소통 능력을 키우며 갈등을 해결하는 방법을 배우는 자연 학습장으로서 중요한 역할을 한다. 그러므로 오늘날 많은 가정이 해체되고 이혼율이 급증하고 있는 상황은 그 자체로도 많은 문제점을 야기하지만, 이혼 당사자들이나 그 자녀들만의 문제가 아니라 전체 사회의 문제이며, 우리 모두가 속한 공동체의 문제이자 책임이다. 본 연구는 이혼에 영향을 미치는 요인으로 널리 알려진 ‘배우자의 부정’, ‘성격 차이’ 외에도 미처 고려하지 못한 새로운 요인들을 파악하고자 한다. 또한, 이혼자와 기혼자의 가족 및 개인 관계에 대한 만족도를 비교하여 이혼 후의 상황을 분석하고자 한다. 이혼에 대한 전례 없는 데이터 분석을 통해 기존의 이혼 사유에 대한 시각을 넓히고, 이혼 이후의 삶에 대한 새로운 관심을 불러일으킬 수 있을 것이다. 즉, 이혼 문제에 대한 새로운 시각을 제시하고, 이혼 이후의 삶에 대한 사회적 관심을 높이는 것을 목표로 한다.

데이터에 대한 개괄적인 설명

연구의 데이터는 한국복지패널의 최신 통계인 ‘2023년 18차 한국복지패널데이터(가구용)’과 ‘2023년 18차 한국복지패널데이터(가구원용)’, 18차 2023년 18차 한국복지패널데이터(가구용, 가구원용, 장애인 머지)를 사용하였다. 연구의 종속변수는 ‘혼인상태’ 중 이혼과 기혼을 구분하여 설정하였다. 독립 변수는 1. 가족 내 갈등 요인 1-1. ‘부모님이 이혼 경험’을 ’무경험’과 ’유경험’으로 구분하였다. 1-2. 종속변수 ’혼인상태’ 중 ‘이혼’만 따로 구분하고 ’이혼’ 내에서 가족 간 갈등 요소인 ‘의견충돌’, ‘물건던짐’, ‘침착논의’, ‘서로비난’, ‘가끔때림’ 5가지 항목 각각의 응답에서 ‘그렇다’를 재설정하였습니다. 2. 경제적 상태 요인 2-1. ‘근로능력정도’는 ’근로가능’과 ’근로불가능’으로 크게 둘로 구분하였다. 2-2. ’주택가격’을 사용하였다. 3. 신체적 상태 요인 3-1. ‘건강상태’를 ’아주 건강’에서 ’건강이 아주 안 좋은 편’까지 5가지로 구분하였다. 3-2. ‘장애정도’를 ’장애인’과 ’비장애인’으로 분류하였다. 마지막으로, ’혼인상태’ 중 이혼과 기혼을 구분하여 독립변수로 설정하고, 이에 따른 종속 변수로 4.이혼 후 관계 만족도 4-1. ’가족생활에 대한 만족도’항목에 대한 응답을 ’매우불만족’에서 ’매우만족’까지 5가지로 구분하였다. 4-2. ’배우자와의 관계에 대한 만족도’항목에 대한 응답을 ’매우불만족’에서 ’매우만족’까지 5가지로 구분하였다.

데이터 정제 및 가공 과정

먼저, 필요한 데이터를 불러온 후 복사본을 만든다.

# 데이터 불러오기
raw_hwelfare23 <- read.spss(file = "Koweps_h18_2023_beta1.sav", to.data.frame = TRUE)
## Warning in read.spss(file = "Koweps_h18_2023_beta1.sav", to.data.frame = TRUE):
## Koweps_h18_2023_beta1.sav: Compression bias (0) is not the usual value of 100
## Warning in read.spss(file = "Koweps_h18_2023_beta1.sav", to.data.frame = TRUE):
## Koweps_h18_2023_beta1.sav: Very long string record(s) found (record type 7,
## subtype 14), each will be imported in consecutive separate variables
raw_pwelfare23 <- read.spss(file = "Koweps_p18_2023_beta1.sav", to.data.frame = TRUE)
## Warning in read.spss(file = "Koweps_p18_2023_beta1.sav", to.data.frame = TRUE):
## Koweps_p18_2023_beta1.sav: Compression bias (0) is not the usual value of 100
raw_hpdawelfare23 <- read.spss(file = "Koweps_hpda18_2023_beta1.sav", to.data.frame = TRUE)
## Warning in read.spss(file = "Koweps_hpda18_2023_beta1.sav", to.data.frame =
## TRUE): Koweps_hpda18_2023_beta1.sav: Compression bias (0) is not the usual
## value of 100
## Warning in read.spss(file = "Koweps_hpda18_2023_beta1.sav", to.data.frame =
## TRUE): Koweps_hpda18_2023_beta1.sav: Very long string record(s) found (record
## type 7, subtype 14), each will be imported in consecutive separate variables
# 복사본 만들기
hwelfare23 <- raw_hwelfare23
pwelfare23 <- raw_hpdawelfare23
hpdawelfare23 <- raw_hpdawelfare23

다음으로, 데이터의 구조와 특징을 파악하기 위해 데이터를 검토한다.

# 데이터 검토하기
head(hwelfare23)
tail(hwelfare23)
View(hwelfare23)
dim(hwelfare23)
str(hwelfare23)
summary(hwelfare23)

head(pwelfare23)
tail(pwelfare23)
View(pwelfare23)
dim(pwelfare23)
str(pwelfare23)
summary(pwelfare23)

head(hpdawelfare23)
tail(hpdawelfare23)
View(hpdawelfare23)
dim(hpdawelfare23)
str(hpdawelfare23)
summary(hpdawelfare23)

데이터 분석을 위해 필요한 변수를 선택한 후, 알아보기 쉽도록 변수명을 바꾼다.

# 필요한 변수 선택 및 이름 변경
hwelfare23 <- hwelfare23 %>%
   select(h18_id, 
          주택가격 = h1806_6,
          의견충돌 = h1817_3,
          물건던짐 = h1817_4,
          침착논의 = h1817_5,
          서로비난 = h1817_6,
          가끔때림 = h1817_7)
       
pwelfare23 <- raw_pwelfare23 %>%
  select(h18_id,
         가족생활에대한만족도 = p1805_aq1,
         배우자와의관계에대한만족도 = p1805_aq2,
         부모이혼경험 = np1806_33)

hpdawelfare23 <- raw_hpdawelfare23 %>%
   select(h18_id,
          혼인상태 = h18_g10,
          근로능력정도 = h18_eco2,
          건강상태 = h18_med2,
          장애정도 = h18_g9)

마지막으로, 가구 패널 ID를 기준으로 세 데이터를 병합한 후 중복된 값을 제거한다.

# 데이터 병합
merged_data <- hwelfare23 %>%
  left_join(pwelfare23, by = "h18_id") %>%
  left_join(hpdawelfare23, by = "h18_id")
## Warning in left_join(., pwelfare23, by = "h18_id"): Detected an unexpected many-to-many relationship between `x` and `y`.
## ℹ Row 4 of `x` matches multiple rows in `y`.
## ℹ Row 28 of `y` matches multiple rows in `x`.
## ℹ If a many-to-many relationship is expected, set `relationship =
##   "many-to-many"` to silence this warning.
## Warning in left_join(., hpdawelfare23, by = "h18_id"): Detected an unexpected many-to-many relationship between `x` and `y`.
## ℹ Row 4 of `x` matches multiple rows in `y`.
## ℹ Row 4 of `y` matches multiple rows in `x`.
## ℹ If a many-to-many relationship is expected, set `relationship =
##   "many-to-many"` to silence this warning.
# 중복 가구패널 제외하기
merged_data <- merged_data %>% distinct()

이제 변수 각각을 검토하고 전처리를 한다.

혼인상태 변수를 종속변수로 활용하기 위해 ‘혼인상태’ 항목(h18_g10)에 대한 응답 중 ’1. 유배우’로 ’기혼’을 그리고 ’3.이혼’으로 ’이혼’을 설정한다.

# 혼인상태 변수 검토 및 전처리
class(merged_data$혼인상태)
## [1] "numeric"
table(merged_data$혼인상태) #이상치 없음
## 
##     0     1     2     3     4     5     6 
##  4640 16043  3904  1901   255  6934    60
table(is.na(merged_data$혼인상태)) #결측치 없음
## 
## FALSE 
## 33737
merged_data$혼인상태 <- ifelse(merged_data$혼인상태 == 1, "기혼",
                               ifelse(merged_data$혼인상태 == 3, "이혼", NA))

독립 변수 중 가족 내 갈등 요인에 해당하는 ‘부모님이 이혼 경험’ 항목(np1806_33)의 응답 중 ’1. 그렇지 않다’를 ’무경험’으로 ’2. 그렇다’를 ’유경험’으로 설정한다.

# 부모 이혼 경험 변수 검토 및 전처리
class(merged_data$부모이혼경험)
## [1] "numeric"
table(merged_data$부모이혼경험) #이상치 없음
## 
##    1    2    3 
## 5384  192    6
table(is.na(merged_data$부모이혼경험)) #결측치 있음
## 
## FALSE  TRUE 
##  5582 28155
merged_data$부모이혼경험 <- ifelse(merged_data$부모이혼경험 == 1, "무경험", 
                                   ifelse(merged_data$부모이혼경험 == 2, "유경험", NA))

종속변수 ‘혼인상태’ 중 ‘이혼’만 따로 구분하고 ’이혼’ 내에서 ‘(가) 가족원간 의견충돌이 잦은 경우’, ‘(나) 가족원간 화가 나서 물건을 집어 던지는 경우’, ‘(다) 가족원간 침착하게 문제를 논의하는 경우’, ‘(라) 가족원간 자주 서로 비난하는 경우’, ‘(마) 가족원간 가끔 때리는 경우’ 항목 각각의 응답 ‘3. 보통이다’, ‘4. 그런편이다’, ’5. 매우 그렇다’를 합쳐서 ’그렇다’로 재설정한다.

# '이혼' 상태의 데이터 필터링
divorced_data <- merged_data %>%
  filter(혼인상태 == "이혼")


# 가족 간 갈등 요소 변수 검토 및 전처리
class(divorced_data$의견충돌)
## [1] "numeric"
table(divorced_data$의견충돌) # 이상치 없음
## 
##    0    1    2    3    4    5 
##  115 1086  526  108   60    6
table(is.na(divorced_data$의견충돌)) # 결측치 없음
## 
## FALSE 
##  1901
class(divorced_data$물건던짐)
## [1] "numeric"
table(divorced_data$물건던짐) # 이상치 없음
## 
##    0    1    2    3    4    5 
##  115 1506  239   23   14    4
table(is.na(divorced_data$물건던짐)) # 결측치 없음
## 
## FALSE 
##  1901
class(divorced_data$침착논의)
## [1] "numeric"
table(divorced_data$침착논의) # 이상치 없음
## 
##    0    1    2    3    4    5 
##  115   20  142  404 1037  183
table(is.na(divorced_data$침착논의)) # 결측치 없음
## 
## FALSE 
##  1901
class(divorced_data$서로비난)
## [1] "numeric"
table(divorced_data$서로비난) # 이상치 없음
## 
##    0    1    2    3    4 
##  115 1212  454   80   40
table(is.na(divorced_data$서로비난)) # 결측치 없음
## 
## FALSE 
##  1901
class(divorced_data$가끔때림)
## [1] "numeric"
table(divorced_data$가끔때림) # 이상치 없음
## 
##    0    1    2    3    4 
##  115 1657  102   20    7
table(is.na(divorced_data$가끔때림)) # 결측치 없음
## 
## FALSE 
##  1901
divorced_data$의견충돌 <- ifelse(divorced_data$의견충돌 %in% c(3, 4, 5), "그렇다", NA)
divorced_data$물건던짐 <- ifelse(divorced_data$물건던짐 %in% c(3, 4, 5), "그렇다", NA)
divorced_data$물건던짐 <- ifelse(divorced_data$물건던짐 %in% c(3, 4, 5), "그렇다", NA)
divorced_data$침착논의 <- ifelse(divorced_data$침착논의 %in% c(3, 4, 5), "그렇다", NA)
divorced_data$가끔때림 <- ifelse(divorced_data$가끔때림 %in% c(3, 4, 5), "그렇다", NA)

독립 변수 중 경제적 요인에 해당하는 ‘근로 능력 정도’ 항목(h18_eco4)의 응답 중 ’1. 근로가능’과 ’2. 단순근로가능(집에서 돈벌이를 할수 있는 정도)’를 합하여 ’근로가능’으로 나머지는 ’근로불가능’으로 재구성한다.

# 근로 능력 정도 변수 검토 및 전처리
class(merged_data$근로능력정도)
## [1] "numeric"
table(merged_data$근로능력정도) #이상치 없음
## 
##     0     1     2     3     4 
##  3776 24858  2384  2296   423
table(is.na(merged_data$근로능력정도)) #결측치 있음
## 
## FALSE 
## 33737
merged_data$근로능력정도 <- ifelse(merged_data$근로능력정도 %in% c(1, 2), "근로가능", "근로불가능")

독립 변수 중 신체적 상태 요인에 해당하는 ‘건강 상태’ 항목(h18_med2)의 응답의 ‘1.아주 건강하다’을 ’아주 건강’, ‘2.건강한 편이다’을 ’건강한 편’, ‘3.보통이다’를 ’보통’, ‘4.건강하지 않은 편이다’를 ’건강하지 않은 편’, ’5.건강이 아주 안 좋다’를 ’건강이 아주 안 좋은 편’으로 합치거나 배제하는 것 없이 그대로 재구성한다.

# 건강 상태 변수 검토 및 전처리
class(merged_data$건강상태)
## [1] "numeric"
table(merged_data$건강상태) #이상치 없음
## 
##     1     2     3     4     5 
##  3283 17278  7282  5223   671
table(is.na(merged_data$건강상태)) #결측치 없음
## 
## FALSE 
## 33737
merged_data$건강상태 <- ifelse(merged_data$건강상태 == 1, "아주 건강",
                               ifelse(merged_data$건강상태 == 2, "건강한 편",
                                      ifelse(merged_data$건강상태 == 3, "보통",
                                             ifelse(merged_data$건강상태 == 4, "건강하지 않은 편",
                                                    ifelse(merged_data$건강상태 == 5, "건강이 아주 안 좋은 편", NA)))))

독립 변수 중 신체적 상태 요인에 해당하는 ‘장애 정도’ 항목(h18_g9)의 응답의 ‘0.비해당(비장애인)’만 ’비장애인’, 나머지 ‘1.장애정도가 심한 장애인’, ‘2.장애정도가 심하지 않은 장애’, ‘3.비등록 장애인(보훈처등록장애인포함)’ 모두를 합쳐서 ’장애인’으로 설정하여 재구성한다.

# 장애정도 변수 검토 및 전처리
class(merged_data$장애정도)
## [1] "numeric"
table(merged_data$장애정도) #이상치 없음
## 
##     0     1     2     3 
## 30491  1221  1921   104
table(is.na(merged_data$장애정도)) 
## 
## FALSE 
## 33737
merged_data$장애정도 <- ifelse(merged_data$장애정도 == 0, "비장애인", "장애인")

데이터 분석

1.가족 내 갈등

1-1.부모 이혼 경험 요인

부모의 이혼 경험이 응답자의 이혼 여부에 미친 영향을 분석하고자 한다. 기혼과 이혼 응답자들 각각에서 부모의 이혼 경험이 있는 경우(유경험)와 없는 경우(무경험)의 비율을 산출한다. 혼인 상태에 따른 두 그룹(기혼 및 이혼) 간의 유경험 비율을 비교하여, 부모의 이혼 경험이 응답자의 이혼 여부에 미친 영향을 평가한다. 이를 통해 가족 내 갈등과 관련된 부모 이혼 경험 여부가 이혼에 영향을 미치는 숨은 요인이 될 가능성을 판단한다. 이 과정에서 기혼과 이혼 응답자의 수가 다르기 때문에, 각각의 그룹 내에서 부모 이혼 경험 전체 중 유경험과 무경험의 비율을 계산하여 비교한다. 이를 통해 전체 표본 수의 차이가 비교 결과에 영향을 미치지 않도록 한다.

# '부모이혼경험' 데이터 필터링
parent_data <- merged_data %>%
  filter(!is.na(혼인상태) & !is.na(부모이혼경험)) %>%
  group_by(혼인상태, 부모이혼경험) %>%
  summarise(n = n(), .groups = 'drop') %>%  
  group_by(혼인상태) %>%
  mutate(tot = sum(n),
         perc = round(n / tot * 100, 2))

1-2. 가족 간 갈등 요소 요인

가족 간 갈등 요소가 이혼에 미친 영향을 분석하고자 한다. 이를 위해, 각 갈등 요소가 이혼자들 사이에서 얼마나 빈번하게 발생하는지를 분석하고자 한다. 가족 간 갈등 요소로 제시된 5가지 응답 항목에 대해 결측치가 아닌 응답의 빈도를 산출하여, 각 갈등 요소의 발생 빈도를 파악한 후 요소끼리 비교 분석한다. 이를 통해 가족 내 갈등과 관련된 가족 간 갈등의 어떤 요소가 이혼에 영향을 미치는 숨은 요인이 될 수 있을지 판단한다.

# 가족 간 갈등 요소 별 빈도 계산
issue_counts <- divorced_data %>%
  summarise(
    의견충돌 = sum(!is.na(의견충돌)),
    물건던짐 = sum(!is.na(물건던짐)),
    침착논의 = sum(!is.na(침착논의)),
    서로비난 = sum(!is.na(서로비난)),
    가끔때림 = sum(!is.na(가끔때림))
    ) %>%
  pivot_longer(cols = everything(), names_to = "issue", values_to = "count")

2.경제적 상태

2-1.근로 능력 정도 요인

근로능력정도가 기혼과 이혼에 미친 영향을 분석하고자 한다. 이를 위해, 혼인 상태가 기혼 및 이혼인 응답자들을 대상으로 근로능력정도에 따른 비율을 비교 분석한다. 기혼과 이혼 응답자 각각에서 근로능력정도가 “근로 가능”과 “근로 불가능”으로 나타난 비율을 산출한다. 혼인 상태에 따른 두 그룹(기혼 및 이혼) 간의 근로 가능 비율을 비교하여, 근로능력정도가 응답자의 혼인 상태에 미친 영향을 평가한다. 이를 통해 경제적 상태와 연관된 근로 가능 여부가 이혼에 영향을 미치는 숨은 요인이 될 가능성을 판단한다.
이 과정에서 기혼과 이혼 응답자의 수가 다르기 때문에, 각각의 그룹 내에서 전체 근로능력정도 중 “근로 가능”과 “근로 불가능”의 비율을 계산하여 비교한다. 이를 통해 전체 표본 수의 차이가 비교 결과에 영향을 미치지 않도록 한다.

# '근로능력정도' 데이터 필터링
work_data <- merged_data %>%
  filter(!is.na(혼인상태) & !is.na(근로능력정도))

# 기혼자와 이혼자 각각의 근로가능과 근로불가능 비율 계산
proportion_data <- work_data %>%
  group_by(혼인상태, 근로능력정도) %>%
  summarise(count = n(), .groups = 'drop') %>%
  group_by(혼인상태) %>%
  mutate(proportion = count / sum(count) * 100)

2-2.주택 가격 요인

주택 가격이 기혼과 이혼 여부에 미친 영향을 분석하고자 한다. 이를 위해 기혼 및 이혼 응답자들의 주택 가격 분포를 비교하여 분석한다. 이를 통해 경제적 상태와 연관된 주택 가격이 이혼에 영향을 미치는 숨은 요인이 될 가능성을 판단한다.

# '주택가격' 데이터 필터링
house_data <- merged_data %>%
  filter(!is.na(혼인상태) & 혼인상태 %in% c("이혼", "기혼") & !is.na(주택가격))

3.신체적 상태

3-1.건강 상태 요인

건강 상태에 대한 5가지 응답 항목에 대한 분석을 수행한다. 기혼과 이혼 응답자들 각각에서 건강 상태에 대한 각 응답 항목에 대해 비율을 산출하고 기혼과 이혼 별로 전체적인 건상 상태 응답의 분포를 확인하여 비교한다. 이를 통해 신체적 상태와 연관된 건강 상태가 이혼에 영향을 미치는 숨은 요인이 될 가능성을 판단한다. 이 과정에서 기혼과 이혼 응답자의 수가 다르기 때문에, 각각의 그룹 내에서 전체 응답 항목 중 각 응답 항목의 비율을 계산하여 비교한다. 이를 통해 전체 표본 수의 차이가 비교 결과에 영향을 미치지 않도록 한다.

# '건강상태' 데이터 필터링
health_data <- merged_data %>%
  filter(!is.na(혼인상태) & !is.na(건강상태))

# 건강 상태별 빈도 계산 및 비율 계산
health_status_summary <- health_data %>%
  group_by(혼인상태, 건강상태) %>%
  summarise(count = n(), .groups = 'drop') %>%
  group_by(혼인상태) %>%
  mutate(total = sum(count),
         proportion = (count / total) * 100)

3-2.장애정도 요인

장애정도가 기혼과 이혼에 미친 영향을 분석하고자 한다. 이를 위해, 혼인 상태가 기혼 및 이혼인 응답자들을 대상으로 장애정도에 따른 비율을 비교 분석한다. 기혼과 이혼 응답자 각각에서 장애정도가 “장애인”과 “비장애인”으로 나타난 비율을 산출한다. 혼인 상태에 따른 두 그룹(기혼 및 이혼) 간의 장애인 비율을 비교한다. 이를 통해 신체적상태와 연관된 장애 유무가 이혼에 영향을 미치는 숨은 요인이 될 가능성을 판단한다. 이 과정에서 기혼과 이혼 응답자의 수가 다르기 때문에, 각각의 그룹 내에서 전체 장애정도 중 “장애인”과 “비장애인”의 비율을 계산하여 비교한다. 이를 통해 전체 표본 수의 차이가 비교 결과에 영향을 미치지 않도록 한다.

# '장애정도' 데이터 필터링
disability_data <- merged_data %>%
  filter(!is.na(혼인상태) & !is.na(장애정도))

# 유배우자와 이혼 각각의 장애인과 비장애인 비율 계산
proportion_data <- disability_data %>%
  group_by(혼인상태, 장애정도) %>%
  summarise(count = n(), .groups = 'drop') %>%
  group_by(혼인상태) %>%
  mutate(proportion = count / sum(count) * 100)

4.이혼 후의 가족 관련 만족도

4-1. 가족생활에 대한 만족도

가족생활에 대한 만족도에 대한 7가지 응답에 대한 분석을 수행한다. 응답의 점수 분포를 확인하여 비교한다. 이를 통해 이혼 후의 가족 관련 만족도와 연관된 가족생활에 대한 만족도가 이혼자와 기혼자끼리 어떻게 다른지를 파악한다.

# '가족생활에대한만족도' 데이터 필터링
family_data <- merged_data %>%
  filter(!is.na(혼인상태) & !is.na(가족생활에대한만족도))

4-2. 배우자와의 관계에 대한 만족도

건강 상태에 대한 5가지 응답 항목에 대한 분석을 수행한다. 각 응답 항목에 대해 결측치가 아닌 응답의 빈도를 산출하고 기혼과 이혼 별로 전체적인 건상 상태 응답의 분포를 확인하여 비교한다. 이를 통해 이혼 후의 가족 관련 만족도와 연관된 배우자와의 관계에 대한 만족도가 이혼자와 기혼자끼리 어떻게 다른지를 파악한다.

# '배우자와의관계에대한만족도' 데이터 필터링
spouse_data <- merged_data %>%
  filter(!is.na(혼인상태) & !is.na(배우자와의관계에대한만족도))

그래프 작성

1.가족 내 갈등에 따른 차이 분석

1-1.부모 이혼 경험 요인 비율 비교

각 그룹 내에서 비율을 쉽게 비교할 수 있도록 해주는 막대 그래프의 특성을 활용하여 기혼자와 이혼자 그룹 내에서 부모 이혼 경험 유무에 따른 비율 차이를 명확히 시각화하고자 도형 유형을 막대 그래프로 선택한다. 또한, 색상 구분을 통해 유경험과 무경험을 쉽게 구별할 수 있고, 혼인 상태별로 그룹화된 막대를 통해 두 그룹 간의 차이를 한눈에 파악할 수 있도록 한다.

parent_data <- merged_data %>%
  filter(!is.na(혼인상태) & !is.na(부모이혼경험)) %>%
  group_by(혼인상태, 부모이혼경험) %>%
  summarise(n = n(), .groups = 'drop') %>%  
  group_by(혼인상태) %>%
  mutate(tot = sum(n),
         perc = round(n / tot * 100, 2)) %>% 
  ggplot(aes(x = 혼인상태, y=perc, fill = 부모이혼경험)) +
  geom_col() +
  coord_flip() 

print(parent_data)

위 막대그래프의 x축은 비율(perc)을, y축은 혼인 상태(이혼 및 기혼)를 나타내며, 막대의 색상은 부모 이혼 경험의 유무를 나타낸다. 이를 통해 기혼자와 이혼자의 부모 이혼 경험(유경험)과 무경험의 비율 차이를 명확히 나타내고 있다. 이혼자 그룹에서 부모 이혼 경험의 유경험 비율이 기혼자 그룹에 비해 높다는 점은 부모의 이혼 경험이 자녀의 이혼 가능성에 중요한 영향을 미칠 수 있음을 시사한다. 따라서 가족 내 갈등과 연관된 부모 이혼 경험이 이혼에 영향을 미치는 숨은 요인이 될 가능성이 있다고 판단할 수 있다.

1-2. 가족 간 갈등 요소 빈도 비교

막대 그래프는 각 요소별로 빈도를 명확하게 비교할 수 있는 시각화 방법이다. 그러므로 갈등 요소별 빈도를 쉽게 비교할 수 있도록 막대 그래프를 선택한다. 또한, 5가지의 갈등 요소의 색을 모두 다르게 하여 명확하게 구별하고, 한눈에 다양한 요소들을 비교할 수 있도록 한다.

# 각 요소의 빈도 계산
issue_counts <- divorced_data %>%
  summarise(
    의견충돌 = sum(!is.na(의견충돌)),
    물건던짐 = sum(!is.na(물건던짐)),
    침착논의 = sum(!is.na(침착논의)),
    서로비난 = sum(!is.na(서로비난)),
    가끔때림 = sum(!is.na(가끔때림))
    ) %>%
  pivot_longer(cols = everything(), names_to = "issue", values_to = "count")

# 그래프 생성
bar_plot <- ggplot(issue_counts, aes(x = issue, y = count, fill = issue)) +
  geom_bar(stat = "identity") +
  labs(title = "이혼자 데이터 내 가족 간 갈등 요소 비교",
       x = "갈등 요소",
       y = "빈도",
       fill = "갈등 요소") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

print(bar_plot)

위 막대대그래프의 y축은 빈도를 나타내며, x축은 각 갈등 요소를 나타낸다. ’가족원간 자주 서로 비난하는 경우’는 2000회 이상의 응답을 기록하여 가장 높은 빈도를 보인다. 이는 이혼자들 사이에서 가족원 간의 비난이 자주 발생하고 있으며, 이러한 비난이 이혼의 주요 갈등 요소 중 하나일 가능성이 높음을 시사한다. 다음으로, 높은 빈도를 보인 것은 ’가족원간 침착하게 문제를 논의하는 경우’로 약 1700회의 응답을 보인다. 이는 5가지 갈등 요소 항 목 중 긍정적인 해결 방법인 ’침착한 문제 논의’가 비교적 많이 발생하고 있음을 알 수 있다. 다음으로, ’가족원간 의견 충돌이 잦은 경우’는 약 200회의 응답으로, 비교적 낮은 빈도를 보인다. 이는 의견 충돌 자체는 빈번하지만, 다른 요소들에 비해 이혼에 미치는 영향은 상대적으로 적을 수 있음을 나타낸다. ’가족원간 화가 나서 물건을 집어 던지는 경우’와 ’가족원간 가끔 때리는 경우’는 그 빈도가 매우 낮다. 이는 물리적인 갈등이 이혼의 주요 원인 중 하나로 작용하지 않을 가능성이 있음을 보여준다. 따라서 가족원간 자주 비난하는 경우는 이혼의 숨은 원인 중 하나로 작용할 수 있으며, 이는 이혼 후 관계 만족도에도 큰 영향을 미칠 수 있다. 착하게 문제를 논의하는 경우는 갈등 해결의 긍정적인 요소로 작용할 수 있지만, 빈도가 높은 경우 이 역시 이혼의 숨은 원인으로 작용할 수 있다.

2. 경제적 상태

2-1. 근로능력정도 비율 비교

전체에서 각 부분이 차지하는 비율을 직관적으로 보여주기 적합하다는 파이 차트의 특성을 활용해 혼인 상태에 따른 근로 가능 및 근로 불가능 비율을 한눈에 파악할 수 있도록 하고자 파이 차트, 즉 원그래프를 선택한한다. 이에 더해 두 개의 파이 차트를 나란히 배치하여 기혼자와 이혼자 간의 비율 차이를 쉽게 비교할 수 있도록 한다.

# 데이터 선택 및 전처리
work_data <- merged_data %>%
  filter(!is.na(혼인상태) & !is.na(근로능력정도))

# 기혼자와 이혼자 각각의 근로가능과 근로불가능 비율 계산
proportion_data <- work_data %>%
  group_by(혼인상태, 근로능력정도) %>%
  summarise(count = n(), .groups = 'drop') %>%
  group_by(혼인상태) %>%
  mutate(proportion = count / sum(count) * 100)

# 원 그래프 생성
pie_chart <- ggplot(proportion_data, aes(x = "", y = proportion, fill = 근로능력정도)) +
  geom_bar(stat = "identity", width = 1) +
  coord_polar(theta = "y") +
  facet_wrap(~혼인상태) +
  labs(title = "혼인 상태에 따른 근로가능 및 근로불가능 비율 (단위: %)",
       fill = "근로능력정도") +
  theme_minimal() +
  theme(axis.title.x = element_blank(), axis.title.y = element_blank(), 
        panel.grid = element_blank(), axis.text.x = element_blank(), 
        axis.ticks = element_blank())

print(pie_chart)

위 원그래프에서 붉은색은 근로 가능을, 푸른색은 근로 불가능을 나타낸다. 기혼자와 이혼자 모두에서 근로 가능 비율이 높지만, 이혼자에서 근로 불가능 비율이 상대적으로 더 높게 나타났다. 이는 근로 무능력이 혼인상태태에 부정적인 영향을 미칠 수 있음을 시사한다. 따라서 경제적 상태와 연관된 근로 가능 여부가 이혼에 영향을 미치는 숨은 요인이 될 가능성이 있다고 판단할 수 있다.

2-2. 주택 가격 분포 비교

상자 그림은 데이터의 중앙값, 사분위수 범위, 이상치 등을 한눈에 파악할 수 있게 한다. 이러한 특성을 활용하여 주택 가격의 전반적인 분포와 특성을 쉽게 이해할 수 있으므로 상자 그림을 선택한다. 또한, 두 개의 상자 그림을 나란히 배치하여 기혼자와 이혼자의 주택 가격 분포를 비교할 수 있도록 한다.

# 데이터 필터링
house_data <- merged_data %>%
  filter(!is.na(혼인상태) & 혼인상태 %in% c("이혼", "기혼") & !is.na(주택가격))

# 상자 그림 생성
box_plot <- ggplot(house_data, aes(x = 혼인상태, y = 주택가격, fill = 혼인상태)) +
  geom_boxplot() +
  labs(title = "혼인상태에 따른 주택 가격 비교",
       x = "혼인상태",
       y = "주택가격",
       fill = "혼인상태") +
  theme_minimal()

print(box_plot)

위 상자그림의 x축은 혼인상태, y축은 주택가격을 나타내며, 상자의 색상은 기혼과 이혼을 구분하여 나타낸다. 기혼자와 이혼자 모두 주택 가격의 대부분이 중간 정도의 범위에 집중되어 있지만, 기혼자의 주택 가격 중앙값이 상대적으로 높은 수준에 위치한다. 반면, 이혼자의 주택 가격 중앙값은 낮은 수준에 위치한다. 이는 기혼자가 이혼자보다 주택 가격에서 더 높은 가치를 보유하고 있음을 시사한다. 그룹 모두에서 이상치가 나타나며, 일부 주택 가격은 극단적으로 높은 값을 보인다. 이는 소수의 응답자가 매우 높은 주택 가치를 보유하고 있음을 나타낸다. 이를 통해 경제적 상태와 연관된 주택 가격이 이혼에 영향을 미치는 숨은 요인이 될 가능성이 없지는 않다고 판단할 수 있다.

3. 신체적 요인

3-1. 건강상태 분포 비교

두 개의 꺾은선을 나란히 배치하여 기혼자와 이혼자의 건강 상태에 대한 응답 항목 간 비율 차이를 쉽게 비교하기 위해 꺾은선 그래프(line plot)를 선택한다.

# '건강상태' 데이터 필터링
health_data <- merged_data %>%
  filter(!is.na(혼인상태) & !is.na(건강상태))

# 건강 상태 응답 항목별 빈도 계산 및 비율 계산
health_status_summary <- health_data %>%
  group_by(혼인상태, 건강상태) %>%
  summarise(count = n()) %>%
  group_by(혼인상태) %>%
  mutate(total = sum(count),
         proportion = (count / total) * 100)
## `summarise()` has grouped output by '혼인상태'. You can override using the
## `.groups` argument.
# 그래프 생성
ggplot(data = health_status_summary, aes(x = 건강상태, y = proportion, color = 혼인상태, group = 혼인상태)) +
  geom_line() +
  geom_point() +
  labs(title = "혼인 상태에 따른 건강 상태 비율",
       x = "건강 상태",
       y = "비율 (%)") +
  scale_color_manual(values = c("기혼" = "red", "이혼" = "blue")) +
  theme_minimal() +
  theme(plot.title = element_text(face = "bold", hjust = 0.5, size = 20, color = "black"))

위 꺾은선 그래프의 x축은 건강상태, y축은 비율을 나타내며, 선의 색상은 기혼과 이혼을 구분하여 나타낸다. 기혼자와 이혼자 모두에서 “건강한 편”과 “보통” 상태가 가장 높은 비율을 차지하고, “건강이 아주 좋은 편”과 “건강이 아주 안 좋은 편”은 낮은 비율을 차지합니다. 이러한 분포는 두 그룹 간의 건강 상태에 큰 차이가 없음을 시사한다. 그래프에서 보듯이, 혼인 상태와 건강 상태 간의 비율 변동이 엎치락뒤치락하는 경향을 보인다. 이는 혼인 상태와 건강 상태 간의 연관성이 명확하게 드러나지 않는다는 점을 드러낸다. 따라서, 혼인 상태와 건강 상태 간의 직접적인 연관성은 크지 않다고 결론지을 수 있다.

3-2. 장애정도 비율 비교

파이 차트(원그래프)는 전체에서 각 부분이 차지하는 비율을 직관적으로 보여주기 적합하다. 따라서 혼인 상태 각각의 장애인 및 비장애인 비율을 한눈에 파악할 수 있도록 하고자 파이 차트를 선택한한다. 이에 더해 두 개의 파이 차트를 나란히 배치하여 기혼자와 이혼자 간의 장애정도 비율 차이를 쉽게 비교할 수 있도록 한다.

# 데이터 선택 및 전처리
disability_data <- merged_data %>%
  filter(!is.na(혼인상태) & !is.na(장애정도))

# 유배우자와 이혼 각각의 장애인과 비장애인 비율 계산
proportion_data <- disability_data %>%
  group_by(혼인상태, 장애정도) %>%
  summarise(count = n(), .groups = 'drop') %>%
  group_by(혼인상태) %>%
  mutate(proportion = count / sum(count) * 100)

# 원 그래프 생성
pie_chart <- ggplot(proportion_data, aes(x = "", y = proportion, fill = 장애정도)) +
  geom_bar(stat = "identity", width = 1) +
  coord_polar(theta = "y") +
  facet_wrap(~혼인상태) +
  labs(title = "혼인 상태에 따른 장애인과 비장애인 비율 (단위: %)",
       fill = "장애 정도") +
  theme_minimal() +
  theme(axis.title.x = element_blank(), axis.title.y = element_blank(), 
        panel.grid = element_blank(), axis.text.x = element_blank(), 
        axis.ticks = element_blank())

print(pie_chart)

위 원그래프의 붉은색은 비장애인, 푸른색은 장애인을 나타낸다. 기혼자와 이혼자 모두에서 비장애인 비율이 높지만, 이혼자에서 장애인 비율이 상대적으로 더 높게 나타났다. 이는 근로 무능력이 혼인상태에 부정적인 영향을 미칠 수 있음을 시사한다. 따라서 신체적 상태와 연관된 장애 유무가 이혼에 영향을 미치는 숨은 요인이 될 가능성이 있다고 판단할 수 있다.

4.이혼 후의 가족 관련 만족

4-1.가족생활에 대한 만족도 비교

상자 그림은 데이터의 중앙값, 사분위수 범위, 이상치 등을 한눈에 파악할 수 있게 한다. 이러한 특성을 활용하여 가족생활에 대한 만족도의 전반적인 분포와 특성을 쉽게 이해할 수 있으므로 상자 그림을 선택한다. 또한, 두 개의 상자 그림을 나란히 배치하여 기혼자와 이혼자의 가족생활에 대한 만족도 분포를 비교할 수 있도록 한다.

# '가족생활에 대한 만족도'와 '혼인상태' 데이터 필터링
family_data <- merged_data %>%
  filter(!is.na(혼인상태) & !is.na(가족생활에대한만족도))

ggplot(data = family_data, aes(x = 혼인상태, y = 가족생활에대한만족도, fill = 혼인상태)) + geom_boxplot()

위 상자그림의 x축은 혼인상태, y축은 가족생활계에 대한 만족도를 나타내며, 상자의 색상은 기혼과 이혼을 구분하여 나타낸다. 기혼자와 이혼자의 중앙값은 거의 동일하며, 두 그룹 모두 보통 수준의 만족도를 나타낸다. 하지만, 기혼자의 사분위수 범위는 약 4.0에서 6.0 사이로, 데이터의 중간 50%가 이 범위에 포함된다. 이는 기혼자의 만족도가 비교적 일관되게 분포되어 있음을 나타낸다. 또한, 최솟값과 최댓값이 각각 약 2.5와 로 만족도가 전체적으로 높은 편이다. 반면, 이혼자의 사분위수 범위는약 3.0에서 7.0 사이로, 데이터의 중간 50%가 이 범위에 포함된다. 이는 이혼자의 만족도가 더 넓은 범위로 분포되어 있음을 나타내며, 최솟값과 최댓값은 각각 0.0과 8.0인 것을 보아 이혼자의 만족도가 기혼자보다 변동성이 더 크다. 이는 이혼 후 가족 생활에 대한 만족도가 매우 다양한 경험을 반영할 수 있음을 시사한다. 따라서 이는 이혼이 가족 생활에 대한 만족에 미치는 부정적인 영향을 시사한다.

4-2.배우자와의 관계에 대한 만족도 비교

상자 그림은 데이터의 중앙값, 사분위수 범위, 이상치 등을 한눈에 파악할 수 있게 한다. 이러한 특성을 활용하여 배우자와의 관계에 대한 만족도의 전반적인 분포와 특성을 쉽게 이해할 수 있으므로 상자 그림을 선택한다. 또한, 두 개의 상자 그림을 나란히 배치하여 기혼자와 이혼자의 배우자와의 관계에 대한 만족도 분포를 비교할 수 있도록 한다.

# '가족생활에 대한 만족도'와 '혼인상태' 데이터 필터링
spouse_data <- merged_data %>%
  filter(!is.na(혼인상태) & !is.na(배우자와의관계에대한만족도))

ggplot(data = spouse_data, aes(x = 혼인상태, y = 배우자와의관계에대한만족도, fill = 혼인상태)) + geom_boxplot()

위 상자그림의 x축은 혼인상태, y축은 배우자와의 관계에 대한 만족도를를 나타내며, 상자의 색상은 기혼과 이혼을 구분하여 나타낸다. 기혼자의 중앙값이 약 5인 반면, 이혼자의 중앙값은 약 2로 나타났다. 이는 기혼자가 배우자 관계에 대해 더 높은 만족도를 보고하는 경향이 있음을 나타낸다. 기혼자의 만족도 분포는 3에서 7 사이로 넓게 분포되어 있는 반면, 이혼자의 만족도 분포는 0에서 5 사이로 나타나 이혼자가 기혼자에 비해 전반적으로 낮은 만족도를 보고하고 있음을 알 수 있다. 기혼자와 이혼자 모두에서 이상치가 존재하지만, 이혼자의 경우 이상치가 더 두드러집니다. 이는 이혼자 중에서도 배우자와의 관계에 대해 높은 만족도를 보고한 사례가 있음을 의미한다. 이를 통해 이혼이 배우자와의 관계 만족도에 미치는 영향을 분석하여, 기혼자와 이혼자 간의 관계 만족도 차이를 확인하였다. 기혼자가 전반적으로 더 높은 만족도를 보고하는 반면, 이혼자는 상대적으로 낮은 만족도를 나타냈다. 이는 이혼이 배우자와의의 관계에 대한 만족에 미치는 부정적인 영향을 시사한다.

한계점

본 연구는 이혼의 다양한 영향 요인과 이혼 후 관계 만족도를 비교 분석하였으며, 다음과 같은 한계점과 시사점을 도출하였다. 이혼자 집단의 경우, 이혼 전후의 ‘근로 능력 정도’와 ’주택 가격’, ‘장애 정도’에 차이가 있을 수 있다. 이혼 전후 근로 능력이 변화했을 가능성, 이혼 후 이사나 시세 변화 등으로 인한 주택 가격 변동 및 후천적 장애 발병 가능성을 배제할 수 없다. 이러한 변수들의 변화를 충분히 반영하지 못한 점은 본 연구의 한계점으로 작용한다. 연구 초반에 설정한 바에 따라 이혼자가 이혼 전 혼인 상태였을 때의 ’근로 능력 정도’, ‘주택 가격’, ’장애 정도’를 기혼자와 비교하고자 하였으나, 주어진 자료에서 해당 데이터를 추출할 수 없었다는 점에서 아쉬움이 남는다. 이러한 한계점이 있지만 이혼 문제에 대한 새로운 시각을 제시하고, 이혼 이후의 삶에 대한 사회적 관심을 높이는 것을 목표로 한다는 앞서 언급한 대로 이혼 후의 삶의 근로 능력 정도에 대해 새로운 시사점을 제시하고자 한다. 이혼자가 근로 불가능 상태에 더 많이 처해 있다는 결과는 이혼 후 경제적 어려움을 겪을 가능성이 높음을 시사한다. 이는 이혼 후 경제적 자립을 지원하기 위한 정책적 노력이 필요함을 강조하며, 근로 능력 향상을 위한 다양한 지원 방안을 모색할 필요가 있음을 나타낸다. 이혼 후의 근로 능력 정도만을 고려한다면, 이혼이 근로 능력에 부정적 영향을 줄 가능성도 제기할 수 있다. 이는 이혼 후의 경제적 안정을 위해 정서적 및 사회적 지원이 필요함을 시사한다. 연구의 전반적인 흐름은 이혼과 기혼 집단 내 특정 요인의 비율과 빈도 차이를 비교한 것이다. 따라서 연구에서 고려한 요인 외에도 수많은 요인이 상호작용했을 가능성이 크다. 이는 본 연구 결과가 확정적 결론을 도출하기보다는, 이혼 문제에 대한 새로운 시각과 가능성을 제시하고, 이를 통해 이혼 문제에 관심을 유발하는 데 중점을 두었다는 점을 명시하고자 한다.

결론 및 시사점

본 연구는 이혼 영향 요인 파악 및 이혼 후 관계 만족도 비교 연구를 수행하여 다음과 같은 결과를 도출하였다. 첫째, 기혼자와 이혼자의 부모 이혼 경험(유경험)과 무경험의 비율 차이를 분석한 결과, 이혼자 그룹에서 부모 이혼 경험의 유경험 비율이 기혼자 그룹에 비해 높다는 점을 확인하였다. 이는 부모의 이혼 경험이 자녀의 이혼 가능성에 중요한 영향을 미칠 수 있음을 시사한다. 둘째, 가족 내 갈등 요소를 분석한 결과, ’가족원간 자주 서로 비난하는 경우’가 가장 높은 빈도를 보였으며, 이는 이혼의 주요 갈등 요소 중 하나일 가능성을 나타낸다. 셋째, 근로 능력 정도가 혼인 상태에 미치는 영향을 분석한 결과, 이혼자에서 근로 불가능 비율이 상대적으로 높게 나타나 근로 무능력이 혼인 상태에 부정적인 영향을 미칠 수 있음을 시사한다. 넷째, 혼인 상태에 따른 주택 가격 분포를 비교한 결과, 기혼자의 주택 가격 중앙값이 이혼자보다 상대적으로 높은 수준에 위치하며, 이는 기혼자가 이혼자보다 더 높은 주택 가치를 보유하여 더 나은 경제적 상태를 갖추었다는 뜻으로 주택 가격 또한 혼인 상태에 영향을 미치는 요인일 가능성이 있다. 다섯째, 건강 상태와 혼인 상태를 비교 분석한 결과, 두 그룹 간의 큰 차이가 없음을 확인하였다. 여섯째, 장애 유무에 따른 혼인 상태를 분석한 결과, 이혼자에서 장애인 비율이 상대적으로 더 높게 나타났다. 이는 장애유무가 혼인 상태에 영향을 미칠 수 있음을 시사한다. 일곱째, 가족 생활에 대한 만족도를 비교한 결과, 이혼자가 기혼자보다 가족 생활에 대한 만족도가 낮고, 만족도 분포가 더 넓다는 점을 확인하였다. 여덟째, 배우자와의 관계 만족도를 분석한 결과, 기혼자가 전반적으로 더 높은 만족도를 보고하는 반면, 이혼자는 상대적으로 낮은 만족도를 나타냈다. 이는 이혼이 배우자 관계에 미치는 부정적인 영향을 시사한다. 이러한 결과들은 다양한 요인이 이혼에 영향을 미친다는 점과 이혼 후 관계 만족도는 기혼에 비해 낮다는 점을 보여준다. 이를 통해 본 연구는 이혼의 다양한 숨겨진 영향 요인과 이혼 후 관계 만족도에 대한 이해를 높이는 데 기여하고자 하였다. 이외에도 알려지지 않은 다양한 이혼 원인이 있음을 인지하고 이에 대한 관심을 갖고 파악하려는 연구가 향후에도 이어지길 바란다. 또한, 이혼 예방 및 이혼 후 관계 만족도 향상을 위한 실질적인 방안을 마련하는 것이 중요함을 제안한다. 국가적 차원에서는 이혼을 중대한 사회적 문제로 인식하며 해결을 위해 정서적 지원, 상담 프로그램, 경제적 지원 및 사회적 네트워크 강화 등의 지원 프로그램을 개발하고 정책적 노력을 기울이는 것이 필요하다.