Assessing reskilling programs to manage the European green transition
이 연구는 노동자의 기존 전이 가능한 기술을 활용하는 개별 맞춤형 재교육 프로그램이 유럽의 노동 시장 전환을 관리하는 데 있어 표준화된 녹색 또는 디지털 교육보다 훨씬 더 효과적이며, 궁극적으로 총소득 손실을 줄이고, 단순히 위험에 처한 일자리 수에만 기반한 자금 지원보다는 지역 특화적인 정책이 필요함을 강조한다는 점을 입증한다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
유럽 경제는 화석 연료에서 더 깨끗한 에너지원으로 전환함에 따라 심오한 변화를 겪고 있습니다. 흔히 탈탄소화라고 불리는 이 전환은 단순히 풍력 터빈을 건설하거나 태양광 패널을 설치하는 것만이 아닙니다. 이는 근본적으로 사람에 관한 문제입니다. 석탄, 석유, 가스에 의존하는 산업이 축소됨에 따라, 이들을 움직였던 노동자들은 힘겨운 미래에 직면하게 됩니다. 동시에 새로운 녹색 경제가 성장하고 있지만, 확장되는 역할들을 채울 숙련된 노동자는 부족한 경우가 많습니다. 정책 입안자들의 핵심 과제는 단순히 새로운 인프라를 구축하는 것이 아니라, 인적 자원이 사라지는 일자리에서 새롭게 부상하는 일자리로 어떻게 이동할 수 있게 하느냐 하는 것입니다. 이를 위해서는 노동자들이 새로운 능력을 습득하는 과정, 즉 재교육(reskilling)에 대한 명확한 이해와 어떤 유형의 훈련이 실제로 새로운 경력을 여는 열쇠가 되는지에 대한 이해가 필요합니다.
수십 년 동안, 특정 신규 기술, 특히 '녹색' 또는 '디지털'이라고 명명된 기술들이 쇠퇴하는 산업에 종사하는 노동자들에게 황금 티켓이 될 것이라는 가정이 지배적이었습니다. 그 논리는 타당해 보였습니다. 만약 오염 때문에 일자리를 잃었다면, 오염을 해결하는 법을 배우는 것이 해결책이 되어야 합니다. 만약 자동화 때문에 일자리를 잃었다면, 코딩을 배우는 것이 답이 되어야 합니다. 그러나 독일 뮌헨 공과대학교 연구진의 새로운 연구는 이러한 단순한 사고방식에 이의를 제기합니다. 10개 유럽 국가의 수천 명의 노동자의 학습 여정을 시뮬레이션한 결과, 연구팀은 재교육의 가장 효과적인 방법이 전적으로 노동자가 어디에서 시작하여 어디로 가고자 하는지에 달려 있다는 것을 발견했습니다. 모두에게 적용되는 단 하나의 보편적인 교육 프로그램은 없으며, 녹색 기술이나 디지털 기술을 독립적으로 가르치는 데 집중하는 인기 있는 방식은 오히려 많은 이들에게 가장 비효율적인 경로가 될 수 있습니다.
연구진은 이러한 잠재적인 경력 전환을 지도하기 위해 상세한 컴퓨터 시뮬레이션을 구축했습니다. 그들은 수천 개의 서로 다른 직업에 필요한 기술에 대한 실제 데이터를 사용하였고, 이를 유럽의 실제 노동력과 매칭했습니다. 모델 내에서 그들은 네 가지 뚜렷한 훈련 접근 방식을 테스트했습니다. 첫 세 가지는 모든 노동자가 동일한 기술 세트를 배우는 표준화된 프로그램이었습니다. 하나는 의사소통 및 관리와 같은 전이 가능한 기술에 집중한 프로그램, 또 하나는 오염 방지와 같은 녹색 기술에 집중한 프로그램, 마지막은 코딩과 같은 디지털 기술에 집중한 프로그램이었습니다. 네 번째 접근 방식은 달랐습니다. 그것은 맞춤형이었습니다. 모든 이에게 동일한 목록을 주는 대신, 이 프로그램은 특정 노동자가 이미 알고 있는 것이 무엇인지 살펴보고, 그들의 기존 능력과 가장 잘 보완될 수 있는 구체적인 새로운 기술을 가르쳤습니다. 즉, 현재의 현실로부터 새로운 직업으로 가는 다리를 놓는 방식이었습니다.
시뮬레이션 결과, 프로그램의 성과는 이동하는 방향에 따라 현저한 차이를 보였습니다. 디젤 정비사나 탄광 운영자와 같이 사라질 위험이 있는 직업을 떠나는 노동자들의 경우, 맞춤형 접근 방식이 단연 가장 효과적이었습니다. 이 노동자들은 자신의 기존 프로필에 맞는 단 4개의 새로운 구체적 기술만을 배워도 새로운 직업 옵션을 확보할 수 있었습니다. 반면, 이들이 전이 가능한 기술에 초점을 맞춘 표준화된 프로그램을 따를 경우, 단 하나의 새로운 직업을 얻기 위해 약 13개의 새로운 기술을 배워야 했습니다. 녹색 및 디지털 프로그램은 이 집단에게 훨씬 더 낮은 성과를 보였습니다. 많은 경우 노동자들이 상당한 수의 기술을 배웠음에도 불구하고, 해당 기술들이 다른 직업의 요구 사항과 충분히 겹치지 않아 결국 새로운 역할을 수행할 자격을 갖추지 못했습니다.
그러나 연구진이 풍력 터빈 기술자와 같은 저탄소 직종으로 이동하려는 노동자들을 살펴보았을 때, 이야기는 반전되었습니다. 이들에게 목표는 광범위하고 복리적인 능력을 요구하는 전문 분야로 진입하는 것이었습니다. 이 경우 맞춤형 접근 방식은 비효율적이었는데, 노동자들이 일치하는 직업을 찾기 위해 최대 26개의 새로운 기술을 배워야 했기 때문입니다. 여러 산업에서 두루 쓰이는 일반적인 능력을 다루는 표준화된 전이 기술 프로그램이 가장 효과적이었으며, 이 프로그램을 통해 노동자들은 약 17개의 기술을 배운 후 저탄소 직종에 도달할 수 있었습니다. 이는 맞춤형 훈련이 쇠퇴하는 산업에서 사람들을 빠르게 벗어나게 하는 데는 도움이 되지만, 새로운 전문 녹색 경제로 사람들을 진입시키는 데는 폭넓고 일반적인 기술이 더 유용하다는 점을 시사합니다.
연구는 또한 이러한 전환의 재정적 현실을 강조했습니다. 위험 직종에 있는 노동자들이 맞춤형 접근 방식을 통해 새로운 역할로 전환했을 때, 초기 소득 감소는 약 20%였습니다. 이는 상당한 하락이지만, 시뮬레이션에 따르면 더 많은 기술을 계속 학습함에 따라 수입은 결국 이전 수준까지 회복되었습니다. 흥ente하게도, 전이 기술 프로그램은 완료하는 데 더 오랜 시간이 걸리지만, 결국 더 높은 수익을 가져다주었습니다. 일부 노동자들은 20개의 기술을 배운 후 소득이 최대 50%까지 증가하는 것을 보여주었습니다. 연구진은 맞춤형 경로가 노동자를 새로운 직업으로 더 빠르게 인도하지만, 전이 기술 경로는 긴 훈련 기간과 초기 임금 삭감을 견뎌낼 수 있다면 더 높은 장기적 소득 상한선을 제공할 수 있다고 언급했습니다.
가장 놀라운 발견 중 하나는 재교육의 난이도가 지역 내 위험에 처한 일자리의 수와 일치하지 않는다는 점이었습니다. 우리는 탄광이나 공장이 가장 많은 지역이 전환하기 가장 어려울 것이라고 가정할 수 있습니다. 그러나 데이터는 이것이 사실이 아님을 보여주었습니다. 폴란드와 체코의 일부 지역처럼 위험에 처한 일자리가 많은 지역은 오히려 노동자들이 재교육하기 상대적으로 쉬운 경로를 가지고 있었는데, 이는 지역 노동 시장이 접근 가능한 대안을 많이 제공했기 때문입니다. 반대로 스페인과 그리스의 일부 지역처럼 위험한 일자리가 적은 지역이 오히려 노동자들을 위한 새로운 역할을 찾는 데 훨씬 더 큰 어려움을 겪었습니다. 이는 이는 단순히 상실된 일자리 수에 기반한 자금 지원이 잘못된 방향으로 흐를 수 있음을 의미하며, 지원이 절실하지 않은 지역에 돈을 쏟아붓는 동시에 기술 격차가 극복 불가능한 곳을 놓칠 수 있음을 뜻합니다.
연구진은 현재 녹색 및 디지털 기술에 과도하게 강조점을 두는 정책적 추세가 시뮬레이션 결과와 일치하지 않을 수 있다고 결론지었습니다. 시뮬레이션에 따르면 이러한 좁은 범위의 프로그램들은 쇠퇴하는 산업의 노동자들에게 새로운 직업 옵션을 열어주는 데 자주 실패했습니다. 대신, 효과적인 정책은 유연해야 합니다. 고탄소 산업을 떠나는 노동자들을 위해서는 그들이 이미 알고 있는 것을 바탕으로 구축하여 새로운 경력으로 빠르고 관리 가능한 도약을 할 수 있도록 맞춤형 프로그램을 제공해야 합니다. 새로운 녹색 경제의 역할을 채우려는 이들에게는 폭넓고 전이 가능한 훈련이 더 가치 있습니다. 이 연구는 '원 사이즈 핏 올(one-size-fits-all)' 방식은 통하지 않을 것이며, 앞으로의 길은 훈련을 노동자의 구체적인 여정과 지역 노동 시장의 독특한 조건에 맞추는 작업이 되어야 함을 시사합니다. 이러한 미묘한 차이가 없다면, 녹색 전환은 성공을 위해 필요한 바로 그 사람들을 뒤처지게 만들 위험이 있습니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.