The Journal of Information Systems (한국정보시스템학회지:정보시스템연구)

Korea Association of Information Systems (한국정보시스템학회)
권호 표지
DOI QR코드

DOI QR Code

Developing a Predictive Model of Young Job Seekers' Preference for Hidden Champions Using Machine Learning and Analyzing the Relative Importance of Preference Factors

머신러닝을 활용한 청년 구직자의 강소기업 선호 예측모형 개발 및 요인별 상대적 중요도 분석

  • 조윤주 (경희대학교 빅데이터응용학과) ;
  • 김진수 (경희대학교 빅데이터응용학과) ;
  • 배환석 (경희대학교 빅데이터응용학과) ;
  • 양성병 (경희대학교 경영학과/빅데이터응용학과) ;
  • 윤상혁 (한국기술교육대 산업경영학부)
  • Received : 2023.11.07
  • Accepted : 2023.12.20
  • Published : 2023.12.31
Download PDF
⟨ Previous Next ⟩

Abstract

Purpose This study aims to understand the inclinations of young job seekers towards "hidden champions" - small but competitive companies that are emerging as potential solutions to the growing disparity between youth-targeted job vacancies and job seekers. We utilize machine learning techniques to discern the appeal of these hidden champions. Design/methodology/approach We examined the characteristics of small and medium-sized enterprises using data sourced from the Ministry of Employment and Labor and Youth Worknet. By comparing the efficacy of five machine learning classification models (i.e., Logistic Regression, Random Forest Classifier, Gradient Boosting Classifier, LGBM Classifier, and XGB Classifier), we discovered that the predictive model utilizing the LGBM Classifier yielded the most consistent performance. Findings Our analysis of the relative significance of preference determinants revealed that industry type, geographical location, and employee count are pivotal factors influencing preference. Drawing from these insights, we propose targeted strategic interventions for policymakers, hidden champions, and young job seekers.

Keywords

References

  1. 길재욱, 김송희, 이은정, "강소기업을 위한 히든 챔피언 선정 효과에 관한 연구," 한국증권학회지, 제46권, 제3호, 2017, pp. 687-722. https://doi.org/10.26845/KJFS.2017.06.46.3.687
  2. 김수욱, "글로벌 강소기업의 성공 요인 분석," 기업가정신과벤처연구, 제13권, 제1호, 2010, pp. 87-114.
  3. 김영생, "중소기업의 취업 정보와 청년층 구직활동의 미스매치," 취업진로연구, 제1권, 제1호, 2011, pp. 127-144.
  4. 김영직, 조민효, "4년제 대졸 청년들의 구직선호 유형별 진로경향 및 근로여건 분석: 잠재적 집단분석과 다항 로지스틱 회귀분석을 통하여," 한국정책학회 동계학술발표논문집, 2015, pp. 1095-1127.
  5. 김형석, 이정환, "청년구직자의 중소기업 취업과 선호일자리 정보가치에 대한 인식차이 비교 연구," 경영과정보연구, 제40권, 제4호, 2021, pp. 49-66. https://doi.org/10.29214/DAMIS.2021.40.4.003
  6. 대한상공회의소, "청년 구직자 일자리 인식조사", 대한상공회의소 고용노동정책팀기고, 2023.05.25.
  7. 류옥현, 이충석, "중소기업 구인 해결을 위한 구직자 중심의 기업평가모형 개발", 중소기업연구, 제32권, 제1호, 2010, pp. 89-105.
  8. 매일일보, "중소기업 인력난 심화에도... '그냥 쉬는' 청년 50만명 육박", 김혜나 기고, 2023.03.27.
  9. 이동훈, 김태형. "머신러닝 기법을 활용한 대졸 구직자 취업 예측모델에 관한 연구." 정보시스템연구, 제29권, 제2호, 2020, pp. 287-306.
  10. 윤병운, 이성주, "중소기업의 오픈 이노베이션 모형," 기술혁신학회지, 제13권, 제1호, 2010, pp. 160-183.
  11. 이병환, 허문구, "강소기업의 전략, 환경 및 조직구조가 기업활동과 성과에 미치는 영향: 구성 형태적 접근," 전략경영연구, 제17권, 제3호, 2014, pp. 139-161. https://doi.org/10.17786/JSM.2014.17.3.007
  12. 이영주, 윤동진, "글로벌 강소기업으로 성장하기 위한 역량," 국제경영연구, 제26권, 제2호, 2015, pp. 33-61. https://doi.org/10.14365/ibj.2015.26.2.2
  13. 이정록, "지역 일자리에 대한 잠재적 구직자의 선호도 분석: 광양제철소 협력사를 사례로," 한국경제지리학회지, 제22권, 제3호, 2019, pp. 337-350. https://doi.org/10.23841/EGSK.2019.22.3.337
  14. 이정환, 김동욱, "청년구직자의 중소기업 고용주 브랜드 인식이 취업의향에 미치는 영향 분석," 한국콘텐츠학회논문지, 제22권, 제4호, 2022, pp. 292-300. https://doi.org/10.5392/JKCA.2022.22.04.292
  15. 이충석, 류옥현, "구직자 유형별 직장선택 요인에 대한 탐색적 연구,"중 소기업연구, 제33권, 제4호, 2011, pp. 5-18.
  16. 중소기업신문, "독일 강소기업의 성장비결은", 나종호 기고, 2022.10.31.
  17. 정동균, 이종화, 이현규, "머신러닝을 이용한 국내 수입 자동차 구매 해약 예측 모델 연구: H 수입차 딜러사 대상으로," 정보시스템연구, 제30권, 제2호, 2021, pp. 105-126.
  18. 정인교, 전재완, 조정란, 한하늘, 홍진영, "강소기업의 성장 영향 요인 분석," 인하대학교 정석물류통상연구원 연구총서, 2014, pp. 1-35.
  19. 전주 MBC, "1년 내내 채용 중... 중소기업 구인난 심각", 고차원 기고, 2023.06.06.
  20. 장호준, 고영희, "한국의 글로벌 강소기업의 성공요인에 대한 사례 연구: IT 산업 분야를 중심으로," 국제경영리뷰, 제18권, 제2호, 2014, pp. 25-56.
  21. 최재우, 강운선, "4년제 대학 졸업 구직자의 구직선호 유형과 성별과 졸업대학 소재 지역에따른 차이," 동아인문학, 제33권, 2015, pp. 633-652.
  22. 청년워크넷, (2023), 강소기업선정기업 홈페이지, https://www.work.go.kr/jobyoung/main.do
  23. 통계청, "연령/활동상태별(쉬었음) 비경제활동 인구," 고용통계과 기고, 2023.10.13.
  24. 허성호, "구인기업과 구직자 간의 채용경향성 비교 연구: 채용프로세스를중심으로," 디지털융복합연구, 제18권, 제7호, 2020, pp. 85-92. https://doi.org/10.14400/JDC.2020.18.7.085
  25. KBS, "졸업 후 미취업 '청년 백수' 126만명... "절반은 대졸 이상", 공민경 기고, 2023.08.27.
  26. Akiba, T., Sano, S., Yanase, T., Ohta, T., and Koyama, M., "Optuna: A next-generation hyperparameter optimization framework," Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2019, pp. 2623-2631.
  27. Breiman, L., and Cutler, R. A., "Random forests," Machine learning, Vol. 45, 2001, pp. 5-32. https://doi.org/10.1023/A:1010933404324
  28. Chen, T., and Guestrin, C., "XGBoost: A scalable tree boosting system," Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Auguest 2016, pp. 785-794.
  29. Freedman, D., and Diaconis, P., "On the histogram as a density estimator: L2 theory," Zeitschrift fur Wahrscheinlichkeitstheorie und verwandte Gebiete, Vol. 57, No. 4, 1981, pp. 453-476. https://doi.org/10.1007/BF01025868
  30. Friedman, J. H., "Greedy function approximation: A gradient boosting machine," Annals of Statistics, Vol. 29, No. 5, 2001, pp. 1189-1232. https://doi.org/10.1214/aos/1013203451
  31. Harris, C. R., Millman, K. J., van der Walt, S. J., Gommers, R., Virtanen, P., Cournapeau, D., and Oliphant, T. E., "Array programming with NumPy," Nature, Vol. 585, No. 7825, 2020, pp. 357-362. https://doi.org/10.1038/s41586-020-2649-2
  32. Hosmer Jr, D. W., Lemeshow, S., and Sturdivant, R. X., "Applied logistic regression," John Wiley & Sons, Vol. 398, 2013.
  33. Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., and Liu, T.-Y., "LightGBM: A highly efficient gradient boosting decision tree," Proceedings of the 31st Conference on Neural Information Processing Systems, Vol. 30, 2017.
  34. Lee, M., Song, Y. H., Li, L., Lee, K. Y., and Yang, S.-B., "Detecting fake reviews with supervised machine learning algorithms," The Service Industries Journal, Vol. 42, No. 13-14, 2022, pp. 1101-1121. https://doi.org/10.1080/02642069.2022.2054996
  35. Lundberg, S. M., and Lee, S.-I., "A unified approach to interpreting model predictions," Proceedings of the 31st Conference on Neural Information Processing Systems, Vol. 30, 2017
  36. Novakovic, J. D., Veljovic, A., Ilic, S. S., Papic, Z., and Tomovic, M., "Evaluation of classification models in machine learning," Theory and Applications of Mathematics & Computer Science, Vol. 7, No. 1, 2017, pp. 39-46.
  37. Rousseeuw, P. J., and Hubert, M., "Robust statistics for outlier detection," Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, Vol. 1, No. 1, 2011, pp. 73-79. https://doi.org/10.1002/widm.2
  38. Sarker, I. H., "Machine learning: Algorithms, real-world applications and research directions," SN Computer Science, Vol. 2, No. 3, 2021, pp. 160.