• 정신신체의학
• /
• 제28권2호
• /
• pp.126-134
• /
• 2020

연구목적 암 경험자의 직장복귀는 암 관리의 중요한 영역이 되었지만 암의 예방과 치료 영역에 비해 관련한 지원이 부족한 상태이다. 본 연구에서는 암환자와 암환자 가족을 대상으로 암 경험자 직장복귀지원에 대한 요구도 및 관련 요인을 조사하였다. 방 법 2019년 세 차례 진행된 암 경험자를 위한 음악회에 참석한 암환자 182명을 대상으로, 디스트레스 온도계 및 문제목록과 0~10점 범위의 직장복귀지원 요구도 평가도구를 적용하여 직장복귀지원에 대한 요구도 및 관련 요인을 조사하였다. 또한, 음악회에 참석한 암환자 가족 114명을 대상으로 디스트레스 온도계 및 문제목록과 직장복귀지원 요구도 평가도구를 사용하여, 가족의 시각에서 암환자의 직장복귀지원에 대한 요구도 및 관련 요인을 평가하도록 하였다. 암환자 군 182명과 암환자 가족 군 114명에 대해 두 군간의 직장복귀지원에 대한 요구도를 비교하였고, 각 집단의 요구도 관련 요인을 로지스틱 회귀분석을 통해 조사하였다. 결 과 암 경험자를 위한 직장복귀지원이 "매우 필요"하다고 보고한 비율이 암환자 군과 가족 군에서 각각 34.6%, 28.1%이었다. 암 경험자 직장복귀지원에 대한 요구도는 암환자 군에서 6.60±3.365점, 암환자 가족 군에서 6.17±3.454점으로 유의미한 차이가 없었다(p=0.282). 암환자가 스스로 평가한 직장복귀지원에 대한 요구도는 수술 치료 경험이 있는 경우(OR=2.592, p=0.007), 가임능력 문제를 경험하는 경우(OR=6.137, p=0.025), 외모 문제를 경험하는 경우(OR=2.081, p=0.041), 피로를 경험하는 경우(OR=2.330, p=0.020) 높은 것으로 나타났다. 암환자 가족이 평가한 암환자의 직장복귀지원에 대한 요구도는 암환자가 유방암 경험자인 경우(호흡기 암종 대비 OR=13.038, p=0.022 ; 혈액암 대비 OR=4.517, p=0.025 ; 기타 암종 대비 OR=13.102, p=0.019), 직장/학교 문제를 호소하는 경우(OR= 4.578, p= 0.005), 우울을 호소하는 경우(OR= 3.213, p=0.022) 높은 것으로 나타났다. 결 론 암 경험자 직장복귀지원에 대한 요구도가 암환자 군과 암환자 가족 군 모두에서 높고, 요구도와 관련된 요인은 두 군간에 차이가 있음을 확인하였다. 암 경험자를 위한 직장복귀지원 대책이 필요하며, 대책 수립에는 암환자의 임상적 특성, 디스트레스, 암환자와 가족간의 차이를 고려해야 함을 시사한다.

• 지식경영연구
• /
• 제24권1호
• /
• pp.245-271
• /
• 2023

최근 데이터 경제가 가속화되면서 경영학 분야에서는 데이터 매칭이라는 새로운 기법이 주목받고 있다. 데이터 매칭은 모집단이 같지만 서로 다른 표본에서 수집된 데이터셋을 합치는 기법 또는 처리 과정을 의미한다. 그중에서 통계적 매칭은 서로 다른 데이터를 결합하는데 있어서 사업자 번호와 같이 기준이 되는 변수가 없는 경우 통계적 함수를 활용하여 데이터를 매칭하는 방법이다. 선행연구 검토결과 경제학, 교육학, 보건, 의료 등 다양한 분야에서 통계적 매칭이 많이 사용되고 있는데 반해 경영학 분야는 제한적임을 확인할 수 있었다. 본 연구는 기존 경영학 분야에서 충분히 연구되지 않았던 통계적 매칭의 유용성을 검증하고 활용도를 높이는 방안을 연구하고자 한다. 연구목적을 달성하기 위해 본 연구에서는 2020 벤처기업정밀실태조사와 2020 한국기업혁신조사 자료를 활용하여 통계적 매칭 시뮬레이션을 수행하였다. 먼저, 선행연구를 바탕으로 통계적 매칭에 사용되는 변수를 선정하였다. 공통변수는 업종, 종업원수, 지역, 업력, 상장시장, 매출로 설정하였고, 검증을 위한 고유변수와 제공변수는 중소기업 혁신에서 가장 중요한 연구인력 비율과 R&D 비용으로 각각 설정하였다. 사전 검증을 위해 2020 벤처기업정밀실태조사 자료를 수여자 데이터 30%와 기여자 데이터 70%로 분할하였다. 통계적 매칭에는 마할라노비스 거리와 랜덤 핫덱을 결합한 방식을 사용하였고, 성능평가는 수여자 데이터와 원시 데이터의 평균값 비교와 커널 밀도 함수(Kernel Density Estimation)를 통해 데이터 분포를 비교하였다. 검증결과, 수여자 데이터 30%와 기여자 데이터 70%에서 추출된 매칭 데이터의 평균값이 통계적으로 유의한 차이가 없는 것으로 나타나 유사한 데이터가 매칭된다는 것을 확인하였다. 또한, 두 데이터의 커널 밀도 함수로 도출한 데이터 분포 역시 유사한 형태가 나타나는 것을 확인할 수 있었다. 사후 검증에는 2020 벤처기업정밀실태조사에서 임의로 30%를 수여자 데이터로 추출하고 2020 한국기업혁신조사 자료를 기여자 데이터로 설정하여 통계적 매칭을 수행하고 검증하였다. 사전 검증과 마찬가지로 공통변수는 업종, 종업원수, 지역, 업력, 상장시장, 매출로 설정하였고, 검증을 위한 고유변수는 연구 인력 비율과 R&D 비용으로 정의하였다. 분석 결과, 수여자 데이터의 연구인력 비율의 평균과 기여자 데이터의 평균은 예상과 다르게 통계적으로 차이가 있는 것으로 나타났다. 하지만 커널 밀도 함수에 따른 두 데이터의 분포는 유사한 형태를 보이는 것으로 조사되어 통계적 매칭의 적절성을 확인할 수 있었다. R&D 비용은 통계적 매칭 수행 결과, 수여자 데이터의 R&D 비용 평균과 기여자 데이터의 평균이 통계적으로 차이가 없었고, 커널 밀도 함수도 유사한 분포를 보이는 것으로 조사되었다. 이러한 결과는 모집단은 동일하지만 서로 다른 표본에서 수집된 자료를 통계적으로 결합하여 신뢰할 수 있는 새로운 데이터를 확보할 수 있다는 측면에서 큰 의의가 있다. 또한, 경영학 분야에서 많이 사용되지 않았던 데이터 매칭 방법론을 모의실험을 통해 타당성을 검증함으로써 연구용 데이터 확보와 연구방법론의 확장에 기여했다는 점에서 시사점을 가진다.