장애인의 생활과 삶 데이터 분석으로 알아보기
이윤호
2025-06-15
연구 목적 및 배경 설명
대부분의 사람은 장애를 가지고 있지 않기 때문에 장애인의 생활에 대해 제대로 공감하지 못하거나 편견을 가지고 있다. 그렇기에 본 연구에서는 장애 유무, 정도, 유형에 따라 인간의 삶에서 일상에 영향을 많이 주는 소득, 결혼유무, 교육수준, 경제 활동 상태를 비교하여 사람들이 장애인들의 삶을 조금 더 정확하게 인식할 수 있도록 함을 목표로 한다.
데이터에 대한 개괄적인 설명
한국 복지 패널 19차 조사에서 비장애인과 장애인의 일상 생활을 비교하기 위해서 경상소득, 혼인상태, 교육수준1, 장애종류, 장애정도(등급), 주된 경제활동 참여상태, 비경제활동사유 등을 불러와서 데이터 분석에 사용했다. 고른 항목들은 비장애인과 장애인의 삶 또는 일상생활을 비교하기에 유의미한 항목들이라 생각하여 선정했다.
데이터 분석
경상소득, 교육수준1, 혼인상태,주된된 경제활동 참여상태, 비경제활동사유, 장애종류, 장애정도(등급)을 각각 income, edu, marriage, economic_activity_status, inactive_reason, disability_type, disability_grade로 바꿔주었다. 그리고 혼인 상태를 잘 비교하기 위해 marriage_group 변수를 추가해서 “결혼”, “미혼”으로 구분했다.
raw_welfare_2024 <- read.spss(file = "Koweps_hpc19_2024_beta1.sav",
to.data.frame = T)
welfare_2024<-raw_welfare_2024
welfare_2024<-welfare_2024 %>%select( income = h19_din,
gender = h19_g3,
edu = h19_g6,
marriage = h19_g10,
code_job = h19_eco9,
code_industry = h19_eco8,
birth = h19_g4,
economic_activity_status = h19_eco4, #주된 경제활동 참여상태
inactive_reason = h19_eco11, #비경제 활동사유
disability_type= h19_g8,
disability_grade =h19_g9 )
welfare_2024 <- welfare_2024 %>%
mutate(disability_status = case_when(
is.na(disability_grade) ~ NA_character_,
disability_grade == 0 ~ "FALSE",
disability_grade %in% 1:3 ~ "TRUE",
TRUE ~ NA_character_
))
welfare_2024 <- welfare_2024 %>%
mutate(
marriage_group = case_when(
marriage %in% 1:4 ~ "결혼",
marriage == 5 ~ "미혼",
TRUE ~ NA_character_ # 0, 6, NA 전부 NA 처리
)
)table(welfare_2024$marriage_group)##
## 결혼 미혼
## 11099 2526숫자로 구분되어 있던 장애종류도 disability_type_label를 추가하여 한국어로 바꾸어 주었다. 주된 경제활동 참여 상태와 비경제활동사유도 비슷한 처리를 했다.
#장애종류 바꾸기
welfare_2024 <- welfare_2024 %>%
mutate(disability_type_label = case_when(
disability_type == 0 ~ "비해당(비장애인)",
disability_type == 1 ~ "지체장애",
disability_type == 2 ~ "뇌병변장애",
disability_type == 3 ~ "시각장애",
disability_type == 4 ~ "청각장애",
disability_type == 5 ~ "언어장애",
disability_type == 6 ~ "정신지체(지적장애)",
disability_type == 7 ~ "발달장애(자폐성장애)",
disability_type == 8 ~ "정신장애",
disability_type == 9 ~ "신장장애",
disability_type == 10 ~ "심장장애",
disability_type == 11 ~ "호흡기장애",
disability_type == 12 ~ "간장애",
disability_type == 13 ~ "안면장애",
disability_type == 14 ~ "장루,요루장애",
disability_type == 15 ~ "간질장애(뇌전증장애)",
disability_type == 16 ~ "비등록장애인(보훈처등록장애인포함)",
TRUE ~ NA_character_
))#비경제 활동사유
welfare_2024 <- welfare_2024 %>%
mutate(inactive_reason_label = case_when(
inactive_reason == 1 ~ "근로무능력",
inactive_reason == 2 ~ "군복무",
inactive_reason == 3 ~ "정규교육기관 학업",
inactive_reason == 4 ~ "진학준비",
inactive_reason == 5 ~ "취업준비",
inactive_reason == 6 ~ "가사",
inactive_reason == 7 ~ "양육",
inactive_reason == 8 ~ "간병",
inactive_reason == 9 ~ "구직활동포기",
inactive_reason == 10 ~ "근로의사 없음",
inactive_reason == 11 ~ "기타",
TRUE ~ NA_character_
))#주된 경제활동 참여 상태
welfare_2024 <- welfare_2024 %>%
mutate(
economic_activity_status_code = economic_activity_status,
economic_activity_status = case_when(
economic_activity_status_code == 1 ~ "상용직 임금근로자",
economic_activity_status_code == 2 ~ "임시직 임금근로자",
economic_activity_status_code == 3 ~ "일용직 임금근로자",
economic_activity_status_code == 4 ~ "자활근로, 공공근로, 노인일자",
economic_activity_status_code == 5 ~ "고용주",
economic_activity_status_code == 6 ~ "자영업자",
economic_activity_status_code == 7 ~ "무급가족종사자",
economic_activity_status_code == 8 ~ "실업자(지난 4주간 적극적으로 구직활동을 함)",
economic_activity_status_code == 9 ~ "비경제 활동인구",
TRUE ~ NA_character_
)
)table(welfare_2024$disability_type_label)##
## 간장애 간질장애(뇌전증장애)
## 6 5
## 뇌병변장애 발달장애(자폐성장애)
## 121 13
## 비등록장애인(보훈처등록장애인포함) 비해당(비장애인)
## 42 13933
## 시각장애 신장장애
## 144 64
## 심장장애 안면장애
## 3 1
## 언어장애 장루,요루장애
## 5 7
## 정신장애 정신지체(지적장애)
## 43 103
## 지체장애 청각장애
## 698 228
## 호흡기장애
## 6table(welfare_2024$economic_activity_status)##
## 고용주
## 195
## 무급가족종사자
## 505
## 비경제 활동인구
## 5878
## 상용직 임금근로자
## 2678
## 실업자(지난 4주간 적극적으로 구직활동을 함)
## 140
## 일용직 임금근로자
## 400
## 임시직 임금근로자
## 1913
## 자영업자
## 1574
## 자활근로, 공공근로, 노인일자
## 750table(welfare_2024$inactive_reason_label)##
## 가사 간병 구직활동포기 군복무
## 766 27 224 31
## 근로무능력 근로의사 없음 기타 양육
## 148 3501 18 128
## 정규교육기관 학업 진학준비 취업준비
## 798 36 201소득 비교를 위한 데이터 분석(1)
일단 비장애인, 장애정도가 심한 장애인, 장애정도가 심하지 않은 장애인만을 남기고 NA값과 통계적으로 분석하기 모호한 비등록 장애인(보훈처등록장애인포함)은 제외시켰다. 그리고 분석을 봤을 때 사람들이 분석 결과를 공정하고, 객관적으로 볼 수 있게 하기 위해서 비장애인의 평균값이 아닌 중앙값을 비교를 위해 구했다.
# 3과 NA 제거, 0,1,2만 남기기
welfare_filtered <- welfare_2024 %>%
filter(disability_grade %in% c(0,1,2)) %>%
filter(!is.na(income)) # income NA도 제거
# 1) 비장애인(0) income 중앙값 계산
median_non_disabled <- welfare_2024 %>%
filter(disability_grade == 0, !is.na(income)) %>%
summarise(median_income = median(income)) %>%
pull(median_income)분석의 객관성을 위해서 장애정도가 1,2인 사람들의 income에서 이상치를 제거 후 평균 income을 구하였다. 또 비교를 위해 이를 비장애인의 income 중앙값에 대해 비율을 구했다.
# 함수: boxplot으로 이상치 경계 구하기
get_income_bounds <- function(incomes) {
b <- boxplot(incomes, plot = FALSE)
return(c(lower = b$stats[1], upper = b$stats[5]))
}
# 장애정도 1, 2에 대해 boxplot 경계 계산 + 이상치 제거 후 평균 income
income_ratio <- welfare_2024 %>%
filter(disability_grade %in% c(1, 2), !is.na(income)) %>%
group_by(disability_grade) %>%
group_modify(~{
bounds <- get_income_bounds(.x$income)
.x %>%
filter(income >= bounds["lower"], income <= bounds["upper"]) %>%
summarise(mean_income = mean(income))
}) %>%
mutate(
disability_grade_label = case_when(
disability_grade == 1 ~ "심한 장애인",
disability_grade == 2 ~ "경미한 장애인"
),
income_ratio = mean_income / median_non_disabled
)소득 비교를 위한 데이터 분석(2)
장애종류를 기준으로 비장애인과의 소득을 비교하기 위해서 각 장애유형에서 income이상치를 제거하고, 각각의 평균 income을 구했다. 그리고 그 평균값이 비장애인의 중앙값 대비 비율이 어떠한지를 계산했다.
# boxplot 기준 이상치 경계 계산 함수
get_income_bounds <- function(incomes) {
b <- boxplot(incomes, plot = FALSE)
c(lower = b$stats[1], upper = b$stats[5])
}
# 각 장애유형별 평균 소득 → 비장애인 중앙값 대비 비율 계산 (이상치 제거 포함)
income_ratio_by_type <- welfare_2024 %>%
filter(disability_type %in% 1:15, !is.na(income)) %>%
group_by(disability_type) %>%
group_modify(~{
bounds <- get_income_bounds(.x$income)
.x %>%
filter(income >= bounds["lower"], income <= bounds["upper"]) %>%
summarise(mean_income = mean(income))
}) %>%
mutate(
income_ratio = mean_income / median_non_disabled,
disability_type_label = case_when(
disability_type == 1 ~ "지체장애",
disability_type == 2 ~ "뇌병변장애",
disability_type == 3 ~ "시각장애",
disability_type == 4 ~ "청각장애",
disability_type == 5 ~ "언어장애",
disability_type == 6 ~ "정신지체",
disability_type == 7 ~ "발달장애",
disability_type == 8 ~ "정신장애",
disability_type == 9 ~ "신장장애",
disability_type == 10 ~ "심장장애",
disability_type == 11 ~ "호흡기장애",
disability_type == 12 ~ "간장애",
disability_type == 13 ~ "안면장애",
disability_type == 14 ~ "장루/요루장애",
disability_type == 15 ~ "간질장애"
)
)결혼 비율 데이터 분석
결혼 비율 분석을 위해 disability_status별로 결혼, 미혼 비율을 구한 데이터를 만든다.
# 결혼 비율 데이터 준비
marriage_pie_data <- welfare_2024 %>%
filter(!is.na(disability_status), !is.na(marriage_group)) %>%
group_by(disability_status, marriage_group) %>%
summarise(n = n(), .groups = "drop") %>%
group_by(disability_status) %>%
mutate(
percent = round(n / sum(n) * 100, 1),
label = paste0(marriage_group, ": ", percent, "%")
)장애 종류에 따른 교육수준 비교를 위한 데이터 분석
교육수준을 “고등학교 이하”, “전문대학”, “대학교”, “대학원(석사)”, “대학원(박사)”로 나누고 산점도에서 점 하나를 1명으로 대응시키면 비장애인과 장애종류 유형별의 인원수가 차이가 많이 나기에 산점도에서 점 하나가 각 유형 인원수의 0.5%가 되도록 데이터를 정제했다.
# 데이터 전처리
filtered_data <- welfare_2024 %>%
filter(
disability_type %in% 0:15,
!is.na(edu),
edu >= 3
) %>%
mutate(
edu_group = case_when(
edu %in% 3:5 ~ "고등학교 이하",
edu == 6 ~ "전문대학",
edu == 7 ~ "대학교",
edu == 8 ~ "대학원(석사)",
edu == 9 ~ "대학원(박사)"
),
edu_group = factor(edu_group, levels = c("고등학교 이하", "전문대학", "대학교", "대학원(석사)", "대학원(박사)"))
)
# 장애유형 순서 고정
disability_order <- c(
"비해당(비장애인)", "지체장애", "뇌병변장애", "시각장애", "청각장애", "언어장애",
"정신지체(지적장애)", "발달장애(자폐성장애)", "정신장애", "신장장애", "심장장애",
"호흡기장애", "간장애", "안면장애", "장루,요루장애", "간질장애(뇌전증장애)"
)
filtered_data <- filtered_data %>%
mutate(disability_type_label = factor(disability_type_label, levels = disability_order))
# 비율만큼 점을 복제한 데이터 생성
edu_grouped_data <- filtered_data %>%
group_by(disability_type_label, edu_group) %>%
summarise(n = n(), .groups = "drop") %>%
group_by(disability_type_label) %>%
mutate(
total = sum(n),
ratio = n / total,
dot_count = round(ratio / 0.005)
)
dots_data <- edu_grouped_data %>%
uncount(weights = dot_count) %>%
mutate(
edu_group = factor(
edu_group,
levels = c("고등학교 이하", "전문대학", "대학교", "대학원(석사)", "대학원(박사)")
)
)경제 활동 비교를 위한 데이터 분석(1)
경제적으로 불안정하다고 할 수 있는 “임시직 임금근로자”와 “일용직 임금근로자”를 “계약직 근로자로 묶었다. 그리고 비장애인, 심한 장애인, 경미한 장애인 이 세 유형에서 economic_activity_status 응답자 중에서”계약직 근로자”, “실업자” 그리고 “비경제 활동인구” 이 세 분류에 해당하는 비율을 각각 구했다.
# 1. 필요한 범위의 데이터 필터링
filtered_data2 <- welfare_2024 %>%
filter(disability_grade %in% 0:2)
# 2. economic_activity_status 통합
filtered_data2 <- filtered_data2 %>%
mutate(economic_activity_status = case_when(
economic_activity_status %in% c("임시직 임금근로자", "일용직 임금근로자") ~ "계약직 근로자",
TRUE ~ economic_activity_status
))
# 3. 대상 그룹만 필터링 (우리가 보고 싶은 세 그룹)
target_statuses <- c("계약직 근로자",
"실업자(지난 4주간 적극적으로 구직활동을 함)",
"비경제 활동인구")
# 4. 장애등급별 전체 economic_activity 응답자 수
total_by_grade <- filtered_data2 %>%
group_by(disability_grade) %>%
summarise(total_n = n(), .groups = "drop")
# 5. 각 상태별 인원수 계산
status_by_grade <- filtered_data2 %>%
filter(economic_activity_status %in% target_statuses) %>%
group_by(disability_grade, economic_activity_status) %>%
summarise(status_n = n(), .groups = "drop")
# 6. 병합 및 비율 계산
summary_data2 <- left_join(status_by_grade, total_by_grade, by = "disability_grade") %>%
mutate(rate = status_n / total_n,
disability_grade = factor(disability_grade,
levels = 0:2,
labels = c("비장애인", "심한 장애인", "경미한 장애인")))경제 활동 비교를 위한 데이터 분석(1)
비경제활동사유에서 그 비율이 높으면 문제로 꼽을 수 있는 1.근로무능력, 9.구직활동포기, 10. 근로의사 없음 이 세가지 답에 해당하는 비율이 전체 비경제활동사유에서 얼마만큼의 비율을 차지하는지를 비장애인과 심한 장애인, 경미한 장애인으로 나누어 구했다.
# 문제로 여겨지는 inactive_reason 1, 9, 10에 해당하는 비율 구하기
summary_data3 <- welfare_2024 %>%
filter(disability_grade %in% 0:2,
economic_activity_status == "비경제 활동인구") %>%
group_by(disability_grade) %>%
summarise(
total = n(),
issue_case = sum(inactive_reason %in% c(1, 9, 10), na.rm = TRUE)
) %>%
mutate(
rate = issue_case / total,
label = paste0(round(rate * 100, 1), "%"),
disability_grade = factor(disability_grade,
levels = c(0, 1, 2),
labels = c("비장애인", "심한 장애인", "경미한 장애인"))
)그래프 만들기
장애정도와 장애종류를 기준으로 비장애인과 장애인의 소득비교
이상치를 제외한 경미한 장애인과 심한 장애인의 소득은 비장애인의 중위소득과 비교해서 각각 0.496, 0.61의 비율로 나타났다. 사람들의 일반적인 생각과 다르게 심한 장애인의 소득이 경미한 장애인의 소득보다 많이 나왔다는 의문이 남지만, 장애인들의 경제적 여건이 비장애인에 비해 많이 어렵다는 점은 이견이 없을 것이다.
income_g_grade <- ggplot(income_ratio, aes(x = disability_grade_label, y = income_ratio, fill = disability_grade_label, text = paste0("비율: ", round(income_ratio, 3)))) +
geom_col() +
geom_hline(yintercept = 1, linetype = "dashed", color = "red") +
labs(title = "비장애인 소득 중앙값 대비 장애인 평균 소득 비율",
x = "장애등급",
y = "평균 소득 비율 (비장애인 중앙값 = 1)") +
theme_minimal() +
theme(legend.position = "none")
ggplotly(income_g_grade, tooltip = "text")분석 결과에서 간장애와 발달장애는 비장애인의 중위소득보다 꽤 높게 나왔다는 의문이 있다. 이는 극단적인 이상치는 제거했지만 은근한 왜곡값들이 남아서 그럴 수도 있고, 표본 자체가 작았기에 생기는 문제일 수도 있다. 위에서 경미한 장애인과 심한 장애인의 소득을 비교한 것과 같이 보면 장애의 정도보다는 장애의 종류가 소득에 더 큰 영향을 미치는 요인임을 알 수 있다.
# 선 그래프: y값(income_ratio)이 낮은 순서대로 정렬
income_g_type <- ggplot(income_ratio_by_type, aes(
x = reorder(disability_type_label, income_ratio), # 비율 기준으로 정렬
y = income_ratio,
group = 1,
text = paste0("비율: ", round(income_ratio, 3))
)) +
geom_line(color = "blue") +
geom_point(size = 3, color = "darkblue") +
geom_hline(yintercept = 1, linetype = "dashed", color = "red") +
labs(
title = "장애유형별 평균 소득 / 비장애인 소득 중앙값",
x = "장애유형 (소득비율 낮은 순)",
y = "평균소득 비율 (비장애인 중앙값 = 1)"
) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# 인터랙티브 plotly
ggplotly(income_g_type, tooltip = "text")비장애인과 장애인의 결혼비율 비교
장애를 가지고 있으면 혼인이 쉽지 않을 거라는 편견을 대중들이 은연중에 가지고 있지만, 통계에서는 그러한 편견과는 다르게 장애인의 결혼 비율이 비장애인의 결혼 비율보다 높게 나왔다.
# 장애인 pie chart
pie_true <- marriage_pie_data %>%
filter(disability_status == TRUE) %>%
plot_ly(
labels = ~marriage_group,
values = ~n,
type = 'pie',
textinfo = 'label+percent',
hoverinfo = 'text',
text = ~label,
title = list(text = "장애인", x = 0.75),
domain = list(x = c(0.5, 1)) # 오른쪽 절반
)
# 비장애인 pie chart
pie_false <- marriage_pie_data %>%
filter(disability_status == FALSE) %>%
plot_ly(
labels = ~marriage_group,
values = ~n,
type = 'pie',
textinfo = 'label+percent',
hoverinfo = 'text',
text = ~label,
title = list(text = "비장애인", x = 0.25),
domain = list(x = c(0, 0.5)) # 왼쪽 절반
)
# 두 plotly 객체를 수동으로 결합
fig <- subplot(pie_false, pie_true, nrows = 1, shareY = FALSE, titleX = TRUE)
fig <- fig %>% layout(title = "장애 여부에 따른 결혼 상태 비율 비교")
fig## Warning: 'layout' objects don't have these attributes: 'NA'
## Valid attributes include:
## '_deprecated', 'activeshape', 'annotations', 'autosize', 'autotypenumbers', 'calendar', 'clickmode', 'coloraxis', 'colorscale', 'colorway', 'computed', 'datarevision', 'dragmode', 'editrevision', 'editType', 'font', 'geo', 'grid', 'height', 'hidesources', 'hoverdistance', 'hoverlabel', 'hovermode', 'images', 'legend', 'mapbox', 'margin', 'meta', 'metasrc', 'modebar', 'newshape', 'paper_bgcolor', 'plot_bgcolor', 'polar', 'scene', 'selectdirection', 'selectionrevision', 'separators', 'shapes', 'showlegend', 'sliders', 'smith', 'spikedistance', 'template', 'ternary', 'title', 'transition', 'uirevision', 'uniformtext', 'updatemenus', 'width', 'xaxis', 'yaxis', 'barmode', 'bargap', 'mapType'비장애인과 장애종류별 교육수준 비교
신장장애와 뇌병변 장애는 산점도 그래프로 봤을 때 ‘고등학교이하’~’대학원(석사)’까지 비율이 비장애인과 그다지 큰 차이가 없다. 그러나 언어장애, 안면장애, 장루/요루장애는 모두 전문대학,대학교 이상의 학력을 가진 사람이 0.5%가 되지 않음을 알 수 있다. 이는 장애인의 교육수준과 관련해서는 장애의 유무보다는 장애의 종류가 관련성이 높음을 알 수 있다.
ggplot(dots_data, aes(x = disability_type_label, y = edu_group)) +
geom_jitter(width = 0.25, height = 0.25, alpha = 0.6, color = "#1f77b4", size = 1.5) +
labs(
title = "장애 유형별 교육 수준 분포 (0.5%당 점 하나)",
x = "장애 유형",
y = "교육 수준"
) +
theme_minimal() +
theme(
axis.text.x = element_text(angle = 45, hjust = 1),
plot.title = element_text(face = "bold")
)
장애정도에 따라 비장애인과의 경제 활동 상태 비교
심한 장애인과 경미한 장애인 그룹 둘 다 비장애인에 비해 비경제 활동인구가 압도적으로 많음을 알 수 있다.
g_economic_activity <- ggplot(summary_data2, aes(x = disability_grade, y = rate, fill = economic_activity_status)) +
geom_col(position = "dodge") +
labs(
x = "장애 여부",
y = "비율",
fill = "경제활동 상태",
title = "장애 여부에 따른 계약직/실업자/비경제활동 비율"
) +
theme_minimal()
plotly::ggplotly(g_economic_activity)심한 장애인과 경미한 장애인 두 그룹 모두 비장애인에 비해 (근로무능력/구직포기/근로의사 없음)중 하나에 해당하는 비율이 압도적으로 높게 나왔다. 이는 장애인이 비장애인에 비해 능력이나 정신적인 어려움으로 인해 경제활동을 하지 못하는 경우가 많음을 시사한다.
# 시각화
ggplot(summary_data3, aes(x = disability_grade, y = rate, fill = disability_grade)) +
geom_col(width = 0.6) +
geom_text(aes(label = label), vjust = -0.3) +
ylim(0, max(summary_data3$rate) * 1.1) +
labs(
x = "장애 여부",
y = "비율",
title = "비경제활동 인구 중 주요 문제 사유(근로무능력/구직포기/근로의사 없음) 비율"
) +
theme_minimal() +
theme(legend.position = "none")
결론
장애의 유무가 결혼 비율에 큰 영향을 끼치지 않는다는 일반 대중의 편견과는 다른 의외의 분석도 나왔다. 하지만 우리가 직접적으로는 아니더라도 간접적으로 듣거나 짐작하고 있었던 장애인의 소득, 교육수준, 경제활동 부분에서는 우리의 직감이나 간접적인 느낌으로는 알 수 없었던 유용한 데이터나 나온 것 같다. 위에서 봤듯 장애인의 소득은 장애의 유무, 정도도 영향을 끼치지만, 장애의 종류에 따라 소득이 크게 달라진다는 점을 알았다. 또 장애의 종류에 따라 교육수준도 큰 차이가 났다. 이러한 결과들은 앞으로 우리가 주변의 장애인들을 바라볼 때 그리고 그들을 위해 사회에 목소리를 낼 때 단순히 ’장애인 배려’나 ’장애인 복지’만을 외칠 것이 아니라 특정 장애종류에 따라 다른 ’배려’와 다른 ’복지’가 필요하다는 것을 인식해야 함을 보여준다. 경제활동 부분에서 비장애인보다 경제활동을 하지 않는 비율이 높고, 그러한 이유가 (근로무능력/구직포기/근로의사 없음) 이 세가지 비율이 굉장히 높다는 것은 단순히 경제적인 지원금이 아니라 사회가 장애인들에게 능력 향상, 정신 상담 등의 프로그램으로 장애인들이 스스로 사회에 나가 경제활동을 할 수 있게 도와줘야 함을 시사한다.