한국 정치 유권자 분석: '지지'를 넘어 '정체성'을 묻다

 

한국 정치 유권자 분석: '지지'를 넘어 '정체성'을 묻다

정당 지지도, '정체성'과 '태도'의 두 얼굴

대부분의 정치 여론조사에서 정당 지지율은 가장 기본적인 지표로 활용됩니다. 그러나 이 지지율을 깊이 있게 이해하려면, 유권자의 심리 상태를 '정체성(Identity)'과 '태도(Attitude)'라는 두 가지 핵심 개념으로 나누어 보아야 합니다. 이 두 개념은 정당을 향한 유권자의 마음이 얼마나 안정적이고 근본적인지를 결정합니다.

1. 정체성 (Identity): 정치적 뿌리

정체성은 특정 정당을 향한 장기적이고 안정적인 심리적 소속감 또는 유대감을 의미합니다. 이는 유권자가 스스로를 '나는 OO당 지지자'로 동일시하는 근본적인 정치적 정체성입니다.

  • 특징: 정체성은 개인의 가치관, 이념, 성장 배경 등 깊은 곳에 뿌리를 두고 있어 쉽게 변하지 않습니다. 마치 종교나 국적처럼, 정당이 실수를 하더라도 애착과 충성도를 유지하는 핵심 동력이 됩니다.

  • 측정 예시 (미국 PID): "귀하는 자신을 공화당원, 민주당원, 독립 중 어느 쪽이라고 생각하십니까?" (소속 여부를 직접 묻습니다.)

2. 태도 (Attitude): 현시점의 평가

태도는 특정 정당이나 후보에 대한 현재 시점의 호불호(선호) 또는 평가를 의미합니다. 이는 주로 단기적인 요인에 의해 영향을 받습니다.

  • 특징: 태도는 정책 변화, 시국 사건, 후보자의 발언 등 환경적 변화에 민감하게 반응하여 유동적으로 변화합니다. 태도는 정서적인 강도를 가지며, 이것이 곧 여론조사에서 흔히 보는 일일 지지율 등락으로 나타납니다.

  • 측정 예시 (감정 온도계): "OO당에 대해 0도(비호감)부터 100도(호감) 중 몇 도의 느낌을 받으십니까?" (감정의 강도를 측정합니다.)

한국적 맥락: '지지'와 '가까움'의 구분

우리나라의 정당 지지율 문항은 '정체성'보다는 '태도' 영역에 가깝습니다. 국내 유권자들은 정당에 대한 평가를 정책이나 사건 등 현안에 민감하게 반응하여, 지지율이 일희일비(一喜一悲)하는 경향이 강하기 때문입니다.

기존 '지지' 문항의 한계 (태도 지향)

한국에서 흔히 묻는 "현재 어느 정당을 지지하십니까?"라는 문항은 응답자가 지금 이 순간 가장 선호하는 정당을 선택하게 합니다. 이는 '현시점의 선택'을 묻는 것으로, 단기적인 태도 변화를 측정하는 데 유용하지만, 유권자의 깊은 정치적 성향을 파악하는 데는 한계가 있습니다.

한국적 '정체성' 포착을 위한 제안 (정체성 지향)

우리나라에서 미국의 '당원'과 같은 '소속' 개념을 직접 묻기 어려운 현실을 고려하여, '정체성적 유대감'을 간접적으로 측정하는 문항이 필요합니다.

우리는 '가까움'이라는 심리적 거리감과 '가치관 일치'라는 근거를 결합한 문항을 제안합니다.

제안: 한국형 정체성 지향 문항

단일 문항으로 유권자의 안정적 성향을 포착할 수 있는 최적의 문항은 다음과 같습니다.

"귀하는 본인 이념이나 평소 정책에 대한 선호 등을 고려했을 때, 우리나라에 있는 다음 정당 중에서 평소 어느 정당에 가장 '가깝다'고 느끼십니까?"

이 문항이 정체성을 포착하는 두 가지 장치

  1. '가장 가깝다'는 심리적 거리감: '지지한다(선택)' 대신 '가깝다(유대감)'를 사용함으로써, 단순한 현시점의 평가가 아닌 장기간 형성된 심리적 애착을 묻습니다. 이는 정체성의 핵심 요소를 간접적으로 반영합니다.

  2. '이념이나 정책 선호 등을 고려했을 때'라는 명시: 응답자에게 단기적인 이슈가 아닌, 본인의 근본적인 가치관을 기준으로 판단하게 유도합니다. 이는 응답을 개인의 정치적 정체성과 연결시켜 응답의 안정성과 깊이를 더해줍니다.

결론: 분석의 차원 확대

이 제안 문항을 통해 얻은 데이터는 단순히 '오늘의 지지율(태도)'을 넘어, '변치 않는 정치적 뿌리(정체성)'를 보여줍니다.

  • '지지율'이 단기적인 승패를 예측하는 데 유용하다면,

  • '가까움 비율'은 선거를 관통하는 유권자의 장기적인 기반과 성향을 이해하는 데 결정적인 통찰을 제공할 것입니다.

이처럼 정체성과 태도를 모두 측정함으로써, 한국 정치 분석은 일희일비하는 여론의 파도 속에서도 유권자의 견고한 흐름을 읽어낼 수 있게 될 것입니다.

댓글

댓글 쓰기

이 블로그의 인기 게시물

5점 척도 분석 시 (환산) 평균값이 최상일까?

이미지
 중간 보기가 없는 2점이나 4점의 경우는 긍정비율(찬성, 만족 등)을 가지고 주로 분석을 한다. 그러나 중간 보기가 있는 3점이나 (특히) 5점의 경우 긍정비율보다는 평균값(3점 or 5점 만점, 아니면 이를 100점으로 환산)을 많이 활용한다. 왜 일까? 아마도 중간 보기의 해석이 어려워서일거다.  그러나 최근에 통계청 2018 사회조사 결과를 보면서 5점 척도의 경우 평균값을 활용하지 않는다는 것을 알게 되었다. 심지어 평균값 자체를 산출하지 않는다고 했다. 척도 간 등간성이 확실하지 않은 상황에서 평균을 내는 것은 결과치를 왜곡할 수 있다는 이유에서였다. 물론 1점에서 5점 사이의 주관식 값으로 응답을 받은 거라면 평균을 낼 것이라고 했다. (이 기회에 저의 취재(?)를 응해주신 사회조사 담당 통계청 직원분께 감사의 말씀을...^^)  사실 10여년 간 5점 척도를 활용한 문항을 분석할 때 비율을 쓸지 평균을 쓸지 고민을 많이 했었다. 물론 선배 리서처들의 보고서에서 대부분 평균을 활용했길래 그걸 따라했었다. 그러나 오늘부터는 평균과 이별해야겠다.
자세한 내용 보기

이중차분법(DID)과 평행추세가정: 횡단 데이터로 정책 효과 측정하기

  서론: 시간의 흐름 속 ‘스냅샷’으로 정책 효과 측정하기, 횡단조사와 이중차분법(DID) 어떤 정책이 시행된 후, 그 효과를 과학적으로 측정하고 싶다고 가정해 봅시다. 가장 이상적인 방법은 정책의 영향을 받은 사람들과 받지 않은 사람들을 수년간 추적하는 종단조사(패널조사)를 실시하는 것입니다. 하지만 이는 막대한 비용과 시간이 소요되어 현실적으로 불가능한 경우가 많습니다. 그렇다면 우리에게 주어진 것이 특정 정책 시행 **‘전(before)’**과 **‘후(after)’**에 각각 실시된, 서로 다른 사람들을 대상으로 한 두 번의 횡단 웹서베이 데이터뿐이라면 어떨까요? 마치 특정 장소의 풍경을 다른 시간대에 찍은 두 장의 ‘스냅샷 사진’만 가지고 그곳에서 일어난 ‘변화의 원인’을 추론해야 하는 상황과 같습니다. 바로 이러한 제약 속에서 정책의 순수한 효과를 분리해내는 통계적 현미경이 바로 ‘이중차분법(DID)’입니다. 1. 분석을 위한 준비물: 필요한 데이터의 구조와 요건 횡단조사 데이터로 DID 분석을 수행하기 위해서는, 단순히 두 시점의 데이터가 있는 것만으로는 부족합니다. 다음과 같은 데이터 구조가 반드시 필요합니다. 두 개 이상의 횡단조사 데이터 : 정책 시행 전 과 후 , 최소 두 번의 조사가 필요합니다. 물론, 정책 시행 전 여러 시점의 데이터가 있다면 분석의 신뢰도는 훨씬 더 높아집니다. 동일한 표집틀과 모집단 : 각 시점의 조사는 동일한 모집단(예: 대한민국 성인)을 대상으로, 일관된 표집틀(예: 휴대전화 가상번호)을 사용하여 수행되어야 합니다. 처치집단(Treatment Group)과 통제집단(Control Group)의 구분 : 조사 데이터 내에, 정책의 영향을 받은 ‘처치집단’과 받지 않은 ‘통제집단’을 명확하게 구분할 수 있는 변수가 있어야 합니다. 예를 들어, ‘서울시’에만 특정 청년수당 정책이 도입되었다면, ‘거주 지역’ 변수를 통해 서울 거주자는 처치집단, 그 외 지역 거주자는 통제집단으로 나눌 수 있습니다. 일관된 결과변...
자세한 내용 보기

선거 여론조사 가중치 분석: 셀 가중 vs 림 가중, 무엇이 더 나은가?

  서론: 표본을 ‘유권자 전체’로 만드는 마법, 가중치와 두 가지 해법 선거여론조사는 보통 1,000여 명의 표본을 통해 수천만 명에 달하는 전체 유권자의 민심을 추정하는 작업입니다. 하지만 우리가 무작위로 추출한 1,000명의 인구통계학적 특성(성별, 연령, 지역 등)은 실제 유권자 전체의 구성비와 정확히 일치하지 않을 가능성이 높습니다. 예를 들어, 조사에 더 적극적인 60대 이상 응답자가 20대 응답자보다 더 많이 표집될 수 있습니다. 이때, 각 응답자에게 특정 ‘가중값’을 부여하여, 표본 내 각 그룹의 비율을 실제 유권자 비율과 동일하게 인위적으로 조정하는 과정을 **‘가중치 부여(Weighting)’**라고 합니다. 이는 마치 사진의 색감을 실제 풍경과 똑같이 맞추는 ‘색 보정’ 작업과 같습니다. 이 중요한 보정 작업을 수행하는 대표적인 두 가지 기법이 바로 셀 가중과 림 가중이며, 두 기법은 서로 다른 철학과 장단점을 가집니다. 1. 가장 직관적인 저울, 셀 가중(Cell Weighting)의 원리와 한계 셀 가중은 가장 이해하기 쉽고 직관적인 가중치 부여 방식입니다. 가중치를 부여하려는 모든 변수들을 동시에 교차시켜 다차원의 ‘셀(Cell)’을 만들고, 각 셀의 표본 비율을 모집단 비율과 일치시키는 방법입니다. 원리 : 한국 선거조사의 표준인 ‘성별-연령-지역’ 3가지 변수로 가중치를 준다고 가정해 봅시다. 셀 가중은 이 3가지 변수를 모두 결합한 ‘남자-20대-서울’, ‘여자-50대-경기/인천’과 같은 매우 구체적인 셀을 만듭니다. 그리고 각 셀마다 [실제 유권자 구성비(%)] / [표본 내 구성비(%)] 공식을 적용하여 가중값을 계산합니다. 예를 들어, 실제 ‘남자-20대-서울’ 유권자가 전체의 3%인데, 우리 표본에서는 2%만 차지했다면, 이 셀에 속한 모든 응답자에게는 3 / 2 = 1.5 의 가중치가 부여됩니다. 장점 : 원리가 명확하고, 각 셀의 인구 구성비를 정확히 알고 있으며, 셀마다 충분한 표본 수가 확보된다면 이론적으로...
자세한 내용 보기