#1 연구 목적 및 배경 설명

오늘날 한국사회에서 주거 문제는 단순한 거주 형태가 아닌, 개인과 가구의 경제적 안정성에 중대한 영향을 미치는 요소로 주목받고 있다. 특히 자가, 전세, 월세와 같은 주거 점유 형태는 가계의 자산 축적, 부채 구조, 소비 여력에 따라 뚜렷한 차이를 보이며, 이는 장기적으로 사회·경제적 불평등의 구조를 심화시키는 원인이 되기도 한다.

그러나 이러한 주거 구조의 경제적 효과는 종종 단편적인 만족도 조사 수준에 머물러 논의되곤 한다. 본 연구는 자가, 전세, 월세로 대표되는 주거 점유 형태가 가계 재무건전성에 미치는 영향을 실증적으로 분석하고자 한다. 이를 위해 한국복지패널 데이터를 활용해 순자산, 부채비율, 소비율 등의 핵심 지표를 비교·분석함으로써, 주거 형태에 따른 구조적 차이를 구체적으로 파악한다.

이러한 분석을 통해 도출된 결과는 단순한 현황 파악에 그치지 않고, 향후 ‘도시 주거 안정성 확보’, ‘자산 불균형 해소’, ‘공공임대 및 자가 전환 정책’ 등과 같은 제도적 논의에 실증적 근거 자료로 활용될 수 있을 것이며, 보다 지속 가능하고 포용적인 도시 정책 수립에 기여할 수 있을 것으로 예상된다.

** 연구 질문 ** : “자가, 전세, 월세 거주자의 가계 지출 구조와 자산 수준은 통계적으로 유의미하게 다른가?”

#2 데이터에 대한 개괄적인 설명

본 연구는 한국복지패널조사(Korea Welfare Panel Study, KOWEPS) 데이터를 활용하였다. 해당 조사는 2006년부터 매년 반복적으로 실시되는 전국 단위의 종단 패널조사로, 가구와 개인을 추적하여 다양한 복지 관련 지표를 수집하고 있다.

한국복지패널데이터

한국보건사회연구원 발간
가구의 경제활동을 연구해 정책 지원에 반영할 목적
2006~2015년까지 전국에서 7000여 가구를 선정해 매년 추적 조사
경제활동, 생활실태, 복지욕구 등 수천 개 변수에 대한 정보로 구성

본 보고서에서는 2015년도(10차) 복지패널 데이터를 기반으로 분석을 진행하였다. 조사 대상은 전국의 일반 가구로, 표본은 약 6,000가구이며, 소득, 소비, 자산, 부채, 주거 형태, 고용, 건강, 가족 관계 등 천여 개에 달하는 변수들을 포함하고 있다. 이 데이터는 표본 설계가 잘 이루어져 있어 전국 가구의 생활 실태를 정량적으로 파악하기에 적합하다.

본 연구에서는 그중에서도 가계 재무건전성과 주거 점유 형태 간의 관계에 초점을 맞추어 다음의 주요 변수들을 활용하였다.

주거형태(house_type): 자가, 전세, 월세 등 주거 점유 유형을 나타냄
총자산(asset_total): 가구가 보유한 총 자산 규모
총부채(debt_total): 금융 및 비금융 부채를 포함한 총부채
소비지출(consumption_total): 월 기준 가구의 총 소비 지출
가구소득(income_total): 근로, 사업, 이전소득 등을 포함한 전체 가구 소득

또한, 위의 원시 변수들을 활용하여 아래의 파생 변수를 생성해 분석하였다.

순자산(net_asset) = 총자산 - 총부채
소비율(consumption_rate) = 소비지출 ÷ 소득
부채비율(debt_ratio) = 총부채 ÷ 총자산

이와 같은 구조는 간순 비교가 아닌 가계의 구조적 재무 여건 차이를 파악하기에 적절하며, 정책적 논의를 위한 정량 근거를 제시하는 데 효과적이다.

#3 데이터 정제 및 가공 과정

3.1 데이터 불러오기

# 데이터 불러오기
raw_welfare <- read.spss(file = "~/Documents/2025_ICMDA/R_project/Koweps_hpc10_2015_beta10.sav", 
                         to.data.frame = TRUE)

## Warning in read.spss(file =
## "~/Documents/2025_ICMDA/R_project/Koweps_hpc10_2015_beta10.sav",
## :
## ~/Documents/2025_ICMDA/R_project/Koweps_hpc10_2015_beta10.sav:
## Compression bias (0) is not the usual value of 100

## Warning in read.spss(file =
## "~/Documents/2025_ICMDA/R_project/Koweps_hpc10_2015_beta10.sav",
## :
## ~/Documents/2025_ICMDA/R_project/Koweps_hpc10_2015_beta10.sav:
## Very long string record(s) found (record type 7, subtype
## 14), each will be imported in consecutive separate
## variables

# 복사본 만들기
welfare <- raw_welfare

한국복지패널조사 데이터를 불러온 후, 원활한 연구 진행을 위해 복사본을 만들었다.

3.2 주요 변수명 설정

# 변수명 설정
welfare <- welfare %>%
  select(
    house_type = h1001_110,        # 주거형태
    asset_total = h1010_aq6,       # 총자산
    debt_total = h1006_aq3,        # 총부채
    consumption_total = h1007_9,   # 소비지출
    income_total = h10_cin         # 가구소득
  )

summary(welfare)

##    house_type     asset_total        debt_total   
##  Min.   :1.000   Min.   :      0   Min.   :    0  
##  1st Qu.:5.000   1st Qu.:    150   1st Qu.:    0  
##  Median :5.000   Median :    500   Median :    0  
##  Mean   :4.452   Mean   :  11278   Mean   : 1578  
##  3rd Qu.:5.000   3rd Qu.:   2000   3rd Qu.:  450  
##  Max.   :5.000   Max.   :9999999   Max.   :60000  
##                                    NA's   :1687   
##  consumption_total  income_total   
##  Min.   :  20.0    Min.   :-27281  
##  1st Qu.: 159.0    1st Qu.:  1950  
##  Median : 306.0    Median :  4023  
##  Mean   : 346.5    Mean   :  4793  
##  3rd Qu.: 464.0    3rd Qu.:  6411  
##  Max.   :3724.0    Max.   :245758  
##

본 연구에 사용할 주요 변수들의 변수명을 바꿔주었다. 본 연구에서 주요 사용되는 변수로는 주거형태(house_type), 총자산(asset_total), 총부채(debt_total), 소비지출(consumption_total), 가구소득(income_total)이 있다.

3.3 결측값 및 이상치 제거

# 결측값 확인
table(is.na(welfare))

## 
## FALSE  TRUE 
## 81633  1687

# 결측값 제거하기
welfare <- welfare %>%
  filter(
    !is.na(house_type),
    !is.na(asset_total),
    !is.na(debt_total),
    !is.na(consumption_total),
    !is.na(income_total)
  )

table(is.na(welfare))

## 
## FALSE 
## 74885

본 연구에 사용할 주요 변수들의 결측값을 확인한 후, 제거하였다. 총 1,687개의 결측치를 확인하였고, 이후 결측치를 제거하였다.

# 이상치 제거하기 - 0이하의 값, 1%의 극단치 제거
welfare <- welfare %>%
  filter(
    asset_total > 0 & asset_total < quantile(asset_total, 0.99, na.rm = TRUE),
    debt_total >= 0 & debt_total < quantile(debt_total, 0.99, na.rm = TRUE),
    income_total > 0 & income_total < quantile(income_total, 0.99, na.rm = TRUE),
    consumption_total > 0 & consumption_total < quantile(consumption_total, 0.99, na.rm = TRUE))

# 이상치 제거하기 - house_type에서 값이 1, 2, 3인 경우만 필터링 (자가, 전세, 월세)
welfare <- welfare %>%
  filter(house_type %in% c(1, 2, 3))

glimpse(welfare)

## Rows: 1,532
## Columns: 5
## $ house_type        <dbl> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,…
## $ asset_total       <dbl> 100, 200, 500, 10, 150, 100, 60,…
## $ debt_total        <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,…
## $ consumption_total <dbl> 74, 48, 87, 48, 95, 52, 305, 420…
## $ income_total      <dbl> 864, 600, 1619, 542, 1363, 387, …

본 연구에서 주요 사용되는 변수로는 주거형태(house_type), 총자산(asset_total), 총부채(debt_total), 소비지출(consumption_total), 가구소득(income_total) 데이터 중 값이 0이하의 값을 가지고 있거나 1%의 극단치를 제거해 주었다. 또한, 정확한 분석 결과를 얻기 위해 주거형태(house_type)가 가지고 있는 데이터 1(자가), 2(전세), 3(월세), 4(무상), 5(기타) 중 1(자가), 2(전세), 3(월세)만을 남기고 4(무상), 5(기타)를 제거하여 데이터를 가공하였다.

3.4 데이터 전처리 과정(consumption_total)

# 단위 보정 및 이상치 제거
welfare <- welfare %>%
  mutate(consumption_total = consumption_total * 10) %>%  # 단위 보정
  filter(
    !is.na(income_total), income_total > 0,
    !is.na(consumption_total), consumption_total >= 0,
    consumption_total <= income_total  # 소비가 소득보다 크면 이상치 → 제거
  )

glimpse(welfare)

## Rows: 1,312
## Columns: 5
## $ house_type        <dbl> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,…
## $ asset_total       <dbl> 100, 200, 500, 10, 150, 60, 500,…
## $ debt_total        <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,…
## $ consumption_total <dbl> 740, 480, 870, 480, 950, 3050, 4…
## $ income_total      <dbl> 864, 600, 1619, 542, 1363, 4722,…

원자료의 소비지출(consumption_total) 변수는 실제 단위보다 10배 축소되어 기록되어 있었기 때문에, ×10 연산을 통해 원래의 단위로 보정하였다. 이후 소비지출이 가구소득(income_total)보다 큰 경우는 현실적으로 타당하지 않다고 판단하여 이상치로 간주하고 제거하였다.

3.5 파생변수 생성

# 파생변수 생성
welfare <- welfare %>%
  mutate(
    net_asset = asset_total - debt_total, 
    # 순자산
    consumption_rate = consumption_total / income_total,         
    # 소비율
    debt_ratio = debt_total / asset_total        
    # 부채비율
    )

summary(welfare)

##    house_type     asset_total      debt_total     
##  Min.   :1.000   Min.   :    1   Min.   :    0.0  
##  1st Qu.:1.000   1st Qu.:   80   1st Qu.:    0.0  
##  Median :1.000   Median :  220   Median :    0.0  
##  Mean   :1.175   Mean   : 1158   Mean   :  307.3  
##  3rd Qu.:1.000   3rd Qu.:  700   3rd Qu.:    0.0  
##  Max.   :3.000   Max.   :27200   Max.   :13000.0  
##  consumption_total  income_total     net_asset     
##  Min.   : 250      Min.   :  286   Min.   :-12950  
##  1st Qu.: 600      1st Qu.:  773   1st Qu.:    50  
##  Median : 910      Median : 1215   Median :   200  
##  Mean   :1220      Mean   : 1743   Mean   :   851  
##  3rd Qu.:1570      3rd Qu.: 2237   3rd Qu.:   600  
##  Max.   :9130      Max.   :16283   Max.   : 27200  
##  consumption_rate   debt_ratio     
##  Min.   :0.1644   Min.   :  0.000  
##  1st Qu.:0.6794   1st Qu.:  0.000  
##  Median :0.7824   Median :  0.000  
##  Mean   :0.7497   Mean   :  2.457  
##  3rd Qu.:0.8341   3rd Qu.:  0.000  
##  Max.   :0.9990   Max.   :260.000

분석의 정확성을 높이기 위해 기존 변수들을 조합하여 의미 있는 새로운 변수들을 생성하였다. 이를 통해 가계의 경제적 상태를 더 정교하게 비교할 수 있으며, 주거형태별 차이를 더욱 명확하게 파악할 수 있다.

net_asset (순자산) : 총자산(asset_total)에서 총부채(debt_total)를 차감하여 가계의 실제 자산 규모를 계산
→ 재무 건전성을 평가하는 데 중요한 지표
consumption_rate (소비율) : 소비지출(consumption_total)을 소득(income_total)으로 나누어 계산
→ 가구의 소득 중 소비에 쓰는 비율을 통해 생활 수준이나 소비 여력 등을 비교 가능
debt_ratio (부채비율) : 총부채를 총자산으로 나누어 산출
→ 자산 대비 부채의 부담 정도를 나타내며, 재정적 위험도를 평가하는 데 유용

이 변수들은 이후 시각화 및 통계분석에서 핵심 비교 지표로 활용된다.

3.6 범주형 변수 라벨링

# 범주형 변수 라벨링
welfare <- welfare %>%
  mutate(house_type = case_when(
    house_type == 1 ~ "자가",
    house_type == 2 ~ "전세",
    house_type == 3 ~ "월세",
    TRUE ~ NA_character_
  )) %>%
  mutate(house_type = factor(house_type, levels = c("자가", "전세", "월세")))

glimpse(welfare$house_type)

##  Factor w/ 3 levels "자가","전세",..: 1 1 1 1 1 1 1 1 1 1 ...

분석의 명확성과 해석 용이성을 높이기 위해, 숫자로 구성된 주거형태(house_type) 변수에 범주형 라벨을 부여하였다. 1, 2, 3으로 구성된 주거형태 값을 각각 “자가”, “전세”, “월세”로 변환하여 가독성을 높였다. 또한 factor() 함수를 사용해 변수의 범주 수준을 명시적으로 정의함으로써, 시각화나 분석 시 일관된 순서로 처리되도록 설정하였다.

#4 데이터 분석

# 주거형태 분포 확인
table(welfare$house_type)

## 
## 자가 전세 월세 
## 1132  131   49

library(ggplot2)

# 주거형태 빈도수를 데이터프레임으로 변환
house_type_dist <- welfare %>%
  count(house_type) %>%
  mutate(house_type = factor(house_type, levels = c("자가", "전세", "월세")))

library(ggplot2)

house_type_dist <- welfare %>%
  count(house_type) %>%
  mutate(
    house_type = factor(house_type, levels = c("자가", "전세", "월세")),
    percent = n / sum(n) * 100,
    label = paste0(house_type, "\n", round(percent, 1), "%")
  )

ggplot(house_type_dist, aes(x = "", y = percent, fill = house_type)) +
  geom_bar(stat = "identity", width = 1, color = "white") +
  coord_polar("y") +
  geom_text(aes(label = label), position = position_stack(vjust = 0.5), family = "AppleGothic") +
  scale_fill_manual(values = c("자가" = "#66c2a5", "전세" = "#fc8d62", "월세" = "#8da0cb")) +
  labs(title = "주거형태별 가구 비율 (도넛형)") +
  theme_void(base_family = "AppleGothic") +
  theme(
    plot.title = element_text(hjust = 0.5)
  )

이 그래프는 자가, 전세, 월세 세 가지 주거형태에 따른 가구 수 분포를 보여준다. 분석 결과, 전체 가구 중 ‘자가’ 비중이 압도적으로 높고, ’전세’와 ’월세’는 상대적으로 적은 수를 차지한다. 이는 데이터가 특정 주거형태(자가)에 편중되어 있다는 것을 의미하며, 이후 진행되는 소비율, 부채비율 등의 분석 결과가 자가 가구의 특성에 과도하게 영향을 받을 수 있음을 시사한다.
따라서 이러한 불균형은 해석 시 주의가 필요하며, 특히 전세나 월세와 같은 소수 집단에 대한 분석은 표본 수 부족으로 인한 통계적 불안정성을 고려해야 한다. 이 결과는 향후 주거정책이나 복지 분석 시 데이터 구성의 한계를 인식하고 보완할 필요가 있음을 보여준다.

4.1 주거형태별 순자산 비교

# 주거형태별 자산 통계
welfare_asset <- welfare %>%
  group_by(house_type) %>%
  summarise(
    평균_총자산 = mean(asset_total, na.rm = TRUE),
    평균_총부채 = mean(debt_total, na.rm = TRUE),
    평균_순자산 = mean(net_asset, na.rm = TRUE),
    표준편차_순자산 = sd(net_asset, na.rm = TRUE),
    관측치수 = n()
  )

welfare_asset

이 분석은 각 주거형태별로 자산의 특성을 파악하기 위해 진행되었다. 이를 위해 주거형태를 기준으로 집단을 나눈 뒤, 각 집단의 총자산, 총부채, 순자산의 평균과 순자산의 표준편차를 산출하였다. 또한 관측된 표본 수를 함께 확인함으로써 집단 간 비교의 신뢰성을 높였다. 이 과정을 통해 주거형태에 따라 자산 수준에 어떤 차이가 존재하는지를 전반적으로 파악할 수 있도록 하였다.

4.2 주거형태별 소비율 비교

# 주거형태별 소비율 통계
welfare_consumption <- welfare %>%
  mutate(consumption_rate = consumption_rate * 100)%>%
  group_by(house_type) %>%
  summarise(
    관측수 = n(),
    평균_소비율 = round(mean(consumption_rate, na.rm = TRUE), 1),
    중앙값_소비율 = round(median(consumption_rate, na.rm = TRUE), 1))

welfare_consumption

이 분석은 주거형태에 따른 소비율의 분포를 파악하기 위해 수행되었다. 이를 위해 소비율 지표를 백분율로 변환한 후, 주거형태별로 그룹화하여 평균 소비율과 중앙값 소비율을 계산하였다. 이 과정은 각 주거형태 집단의 소비성향을 비교 분석하고, 그룹 간 차이를 확인할 수 있도록 구성되었다.

4.3 주거형태별 부채비율 비교

 welfare %>%
  group_by(house_type) %>%
  summarise(
    평균_총자산 = round(mean(asset_total, na.rm = TRUE), 0),
    평균_총부채 = round(mean(debt_total, na.rm = TRUE), 0),
    평균_부채비율 = round(mean(debt_ratio*10, na.rm = TRUE), 3),
    표준편차 = round(sd(debt_ratio, na.rm = TRUE), 3),
    관측값_수 = n()
  )

이 분석은 주거형태에 따라 부채비율의 차이를 파악하기 위해 수행되었다. 각 주거형태별로 총자산과 총부채의 평균값을 산출한 뒤, 이를 바탕으로 부채비율(총부채 ÷ 총자산)의 평균과 표준편차를 계산하였다. 이를 통해 주거형태에 따른 재무 건전성 수준의 차이를 비교하고자 하였다.

#5 그래프(Figure)

5.1 Figure 1.(주거형태별 순자산 비교)

# 한글 폰트 설정 (macOS용)
library(extrafont)
theme_set(theme_gray(base_family = "AppleGothic")) 

welfare %>%
  group_by(house_type) %>%
  summarise(
    평균_총자산 = mean(asset_total, na.rm = TRUE),
    평균_총부채 = mean(debt_total, na.rm = TRUE),
    평균_순자산 = mean(net_asset, na.rm = TRUE)
  ) %>%
  pivot_longer(cols = -house_type, names_to = "지표", values_to = "금액") %>%
  mutate(지표 = factor(지표, levels = c("평균_총자산", "평균_총부채", "평균_순자산"))) %>%
  ggplot(aes(x = house_type, y = 금액, fill = 지표)) +
  geom_bar(stat = "identity", position = "dodge", width = 0.7) +
  geom_text(aes(label = scales::comma(금액)), 
            position = position_dodge(0.7), vjust = -0.4, size = 3.5, family = "AppleGothic") +
  scale_fill_manual(values = c("평균_총자산"="#66c2a5", "평균_총부채"="#fc8d62", "평균_순자산"="#4B6CB7"),
                    labels = c("총자산", "총부채", "순자산")) +
  labs(title = "주거형태별 총자산·총부채·순자산 평균 비교", x = "주거형태", y = "금액 (원)") +
  guides(fill = guide_legend(title = NULL)) +
  theme_minimal(base_family = "AppleGothic") +
  theme(plot.title = element_text(hjust = 0.5))

위 그래프는 주거형태별로 총자산, 총부채, 순자산의 평균과 표준편차를 비교한 것이다. 분석 결과, ‘자가’ 가구는 순자산이 평균 1,017.2로 가장 높고, 부채도 가장 적은 편(219.6)이어서 재정적으로 가장 안정적인 상태로 나타났다. 반면 ‘전세’와 ‘월세’ 가구는 순자산이 음수(-335.2, -353.2)로, 부채가 자산을 초과한 상태임을 보여준다. 특히 월세 가구는 부채가 자산보다 약 350 이상 많아 재정위험에 더 취약할 가능성이 크다.

또한, 세 주거형태 모두 표준편차가 매우 커서(자기 3,216 / 전세 2,268 / 월세 2,582) 재정상태가 가구별로 매우 이질적이라는 점도 확인된다. 관측치 수(n)가 자가에 크게 편중되어 있으므로 전체 평균이 자가 중심으로 왜곡될 가능성도 존재한다.

5.2 Figure 2.(주거형태별 소비율 비교)

welfare_consumption <- welfare %>%
  mutate(consumption_rate = consumption_rate * 100)

welfare_consumption %>%
  ggplot(aes(x = house_type, y = consumption_rate, fill = house_type)) +
  geom_boxplot(outlier.shape = 16, outlier.size = 1.5, width = 0.6) +
  coord_cartesian(ylim = c(0, 100)) +
  scale_fill_manual(values = c("자가"="#66c2a5", "전세"="#fc8d62", "월세"="#8da0cb")) +
  labs(
    title = "주거형태별 소비율 분포 비교",
    x = "주거형태", y = "소비율 (%)"
  ) +
  theme_minimal(base_family = "AppleGothic") +
  theme(
    plot.title = element_text(hjust = 0.5),
    legend.position = "none"
  )

위 그래프는 주거형태별 평균 소비율과 중앙값 소비율을 비교한 것이다. 분석 결과, 전세 거주 가구의 소비율이 평균 79.7%, 중앙값 80.0%로 가장 높게 나타났다. 자가 거주 가구는 평균 74.5%, 월세는 평균 74.0%로 비슷한 수준이었다.

이는 전세 가구가 자산은 적고 부채는 많지만, 현재 소득 대부분을 소비에 사용하는 경향이 있음을 시사한다. 반면 자가나 월세 가구는 상대적으로 소비율이 낮은데, 특히 월세 가구는 평균과 중앙값 모두 가장 낮아 생활비 절약 가능성 또는 소득 대비 지출 여력 부족을 반영할 수 있다.

5.3 Figure 3.(주거형태별 부채비율 비교)

# macOS 한글 폰트용
library(extrafont)
theme_set(theme_gray(base_family = "AppleGothic"))

welfare %>%
  group_by(house_type) %>%
  summarise(
    평균_총자산 = mean(asset_total, na.rm = TRUE),
    평균_총부채 = mean(debt_total, na.rm = TRUE),
    평균_부채비율 = mean(debt_ratio * 10, na.rm = TRUE)  # % 단위로 환산
  ) %>%
  pivot_longer(cols = -house_type, names_to = "지표", values_to = "금액") %>%
  mutate(지표 = factor(지표, levels = c("평균_총자산", "평균_총부채", "평균_부채비율"))) %>%
  ggplot(aes(x = house_type, y = 금액, fill = 지표)) +
  geom_bar(stat = "identity", position = "dodge", width = 0.7) +
  geom_text(aes(label = round(금액, 1)),
            position = position_dodge(0.7), vjust = -0.4, size = 3.5, family = "AppleGothic") +
  scale_fill_manual(
    values = c("평균_총자산" = "#66c2a5", "평균_총부채" = "#fc8d62", "평균_부채비율" = "#4B6CB7"),
    labels = c("총자산", "총부채", "부채비율(%)")
  ) +
  labs(
    title = "주거형태별 총자산·총부채·부채비율 평균 비교",
    x = "주거형태", y = "금액 / 비율"
  ) +
  guides(fill = guide_legend(title = NULL)) +
  theme_minimal(base_family = "AppleGothic") +
  theme(plot.title = element_text(hjust = 0.5))

위 그래프는 주거형태에 따라 평균 자산, 부채, 그리고 부채비율의 차이를 보여준다. 자가 거주 가구는 평균 자산이 1237로 가장 높고 평균 부채는 220으로 낮아, 평균 부채비율이 약 20%에 불과하다. 이는 자산에 비해 부채 부담이 작다는 뜻이며, 재정적으로 가장 안정적인 구조라고 볼 수 있다.
반면 전세 가구는 평균 자산이 445로 낮지만 부채는 780에 달해 평균 부채비율이 약 35%로 자가보다 높은 수준이다. 이는 전세금 마련을 위해 대출에 의존하는 전세 구조의 특성을 반영한다.
월세 가구는 평균 자산 720보다 부채가 더 많은 1073으로, 평균 부채비율이 101%를 넘는다. 이는 곧 자산보다 부채가 더 많다는 뜻으로, 재정적으로 매우 불안정한 상태임을 나타낸다. 특히 월세 가구의 부채비율 표준편차가 25.7로 가장 커서, 일부는 극단적으로 높은 부채를 지니고 있다는 점도 확인할 수 있다.
이처럼 주거형태에 따라 재정 건전성의 격차가 뚜렷하며, 특히 월세 가구의 재정위험이 가장 크다는 점에서 정책적 지원의 우선순위를 고려해야 한다.

#6 결론 및 정책적 시사점

본 연구는 한국복지패널 2015년도(10차) 데이터를 기반으로, 자가, 전세, 월세 등 주거 점유 형태가 가계의 재무 건전성 지표에 미치는 영향을 실증적으로 분석하였다. 주요 분석 지표로는 순자산(net_asset), 부채비율(debt_ratio), 소비지출율(consumption_rate)이 활용되었으며, 각 지표에 대해 주거 형태 간의 통계적 차이를 검토하였다.

데이터 분석 결과, 주거 형태에 따라 가계의 재무 구조는 유의미하게 상이한 양상을 보이는 것으로 나타났다. 자가 거주 가구는 전세 및 월세 거주 가구에 비해 평균 순자산이 높고, 부채비율이 낮은 경향을 보였다. 반면, 월세 가구는 소득 대비 소비지출 비율이 가장 높고, 순자산은 가장 낮은 수준을 기록하여 재무적 취약성이 가장 두드러지는 주거군으로 확인 되었다.

이러한 결과는 주거 점유 형태가 단순한 점유 형태가 아니라, 가계의 장기적 자산 형성과 경제적 안정성에 중대한 영향을 미치는 구조적 변수임을 시사한다. 특히 월세 중심의 주거 형태가 고착화될 경우, 자산 축적의 기회가 제한되고, 고정지출 부담이 장기간 지속되어 계층 간 자산 불평등을 심화시킬 수 있다. 이는 도시 내 주거 격차와 사회경제적 불균형의 확산으로 이어질 가능성이 크다.

따라서 본 연구의 결과는 향후 주거 관련 도시 정책 및 복지정책 설계에 있어 지속 가능한 도시 주거 체계 구축과 자산 불균형 완화를 위한 실증적 근거를 제공할 수 있다.

주거 점유 형태가 가계 재무건전성에 미치는 영향

임종연(Lim Jong Yeon)

2025-06-17 Tue