Leveraging the Power of Place: A Data-Driven Decision Helper to Improve the Location Decisions of Economic Immigrants

📝 Abstract

A growing number of countries have established programs to attract immigrants who can contribute to their economy. Research suggests that an immigrant’s initial arrival location plays a key role in shaping their economic success. Yet immigrants currently lack access to personalized information that would help them identify optimal destinations. Instead, they often rely on availability heuristics, which can lead to the selection of sub-optimal landing locations, lower earnings, elevated outmigration rates, and concentration in the most well-known locations. To address this issue and counteract the effects of cognitive biases and limited information, we propose a data-driven decision helper that draws on behavioral insights, administrative data, and machine learning methods to inform immigrants’ location decisions. The decision helper provides personalized location recommendations that reflect immigrants’ preferences as well as data-driven predictions of the locations where they maximize their expected earnings given their profile. We illustrate the potential impact of our approach using backtests conducted with administrative data that links landing data of recent economic immigrants from Canada’s Express Entry system with their earnings retrieved from tax records. Simulations across various scenarios suggest that providing location recommendations to incoming economic immigrants can increase their initial earnings and lead to a mild shift away from the most populous landing destinations. Our approach can be implemented within existing institutional structures at minimal cost, and offers governments an opportunity to harness their administrative data to improve outcomes for economic immigrants.

💡 Analysis

A growing number of countries have established programs to attract immigrants who can contribute to their economy. Research suggests that an immigrant’s initial arrival location plays a key role in shaping their economic success. Yet immigrants currently lack access to personalized information that would help them identify optimal destinations. Instead, they often rely on availability heuristics, which can lead to the selection of sub-optimal landing locations, lower earnings, elevated outmigration rates, and concentration in the most well-known locations. To address this issue and counteract the effects of cognitive biases and limited information, we propose a data-driven decision helper that draws on behavioral insights, administrative data, and machine learning methods to inform immigrants’ location decisions. The decision helper provides personalized location recommendations that reflect immigrants’ preferences as well as data-driven predictions of the locations where they maximize their expected earnings given their profile. We illustrate the potential impact of our approach using backtests conducted with administrative data that links landing data of recent economic immigrants from Canada’s Express Entry system with their earnings retrieved from tax records. Simulations across various scenarios suggest that providing location recommendations to incoming economic immigrants can increase their initial earnings and lead to a mild shift away from the most populous landing destinations. Our approach can be implemented within existing institutional structures at minimal cost, and offers governments an opportunity to harness their administrative data to improve outcomes for economic immigrants.

📄 Content

점점 더 많은 국가들이 자국 경제에 실질적인 기여를 할 수 있는 이민자를 유치하기 위해 다양한 프로그램을 마련하고 있다. 이러한 정책적 노력의 배경에는 이민자가 새로운 사회에 정착하면서 생산성 향상, 고용 창출, 세수 증가 등 긍정적인 파급 효과를 기대한다는 점이 있다. 그러나 최근 연구에 따르면 이민자가 처음 도착하는 지역, 즉 ‘착륙지’가 그들의 장기적인 경제적 성공을 결정짓는 핵심적인 요인으로 작용한다는 사실이 밝혀졌다. 착륙지가 제공하는 노동시장 구조, 산업 클러스터의 존재 여부, 현지 네트워크 형성의 용이성, 주거 비용 등은 모두 이민자의 초기 소득 수준과 향후 경력 발전 경로에 직접적인 영향을 미친다.

그럼에도 불구하고 현재 이민자들은 자신에게 가장 적합한 착륙지를 선택하는 데 필요한 개인화된 정보를 충분히 얻지 못하고 있다. 대부분의 경우 이들은 ‘가용성 휴리스틱(availability heuristic)’에 의존한다. 즉, 언론 보도나 주변 사람들의 이야기에 쉽게 떠오르는, 잘 알려진 대도시나 유명한 이민자 커뮤니티가 있는 지역을 무조건적으로 선호하는 경향이 있다. 이러한 인지적 편향은 종종 최적이 아닌, 즉 개인의 학력, 경력, 기술 수준, 선호하는 생활 방식 등에 부합하지 않는 지역을 선택하게 만든다. 그 결과, 이민자들은 기대보다 낮은 초기 소득을 경험하고, 현지에 정착하지 못하고 다시 이주하는 ‘재이주(out‑migration)’율이 상승하며, 동시에 특정 대도시나 유명 지역에 인구가 과도하게 집중되는 현상이 나타난다. 이는 이민자 개인에게는 경제적 손실을, 사회 전체에는 지역 간 불균형을 심화시키는 부정적인 외부효과를 초래한다.

이러한 문제점을 해결하고 인지 편향과 제한된 정보 제공으로 인한 비효율성을 최소화하기 위해, 우리는 행동 과학적 통찰, 행정 데이터, 그리고 최신 머신러닝 기법을 결합한 데이터‑드리븐 의사결정 도우미(data‑driven decision helper) 를 제안한다. 이 도우미는 다음과 같은 두 가지 핵심 기능을 제공한다.

1. 개인 맞춤형 위치 추천
   이민자가 선호하는 생활 환경(예: 기후, 주거 비용, 교육 수준, 문화적 다양성 등)과 직업적 목표(예: 특정 산업군에서의 취업, 연봉 수준, 경력 성장 가능성 등)를 입력하면, 시스템은 이민자의 프로필에 가장 부합하는 착륙지를 자동으로 도출한다. 이 과정에서 사용자는 단순히 ‘인기 있는 도시’를 선택하는 것이 아니라, 자신의 특성에 최적화된 지역을 과학적으로 파악하게 된다.

2. 데이터 기반 기대 소득 예측
   행정 데이터(예: 이민자 등록 정보, 노동시장 통계, 세무 기록 등)와 과거 이민자들의 실제 소득 흐름을 학습한 머신러닝 모델을 활용하여, 각 후보 지역에서 해당 이민자가 얻을 수 있는 예상 연간 소득을 추정한다. 이때 모델은 학력, 직업 경험, 언어 능력, 연령, 성별 등 다양한 변수와 지역별 산업 구조, 평균 임금 수준, 고용 성장률 등을 동시에 고려한다. 결과적으로 이민자는 “이 지역에 정착하면 평균적으로 연간 X만 달러 정도의 소득을 기대할 수 있다”는 구체적인 수치를 확인할 수 있다.

우리의 접근법이 실제로 어느 정도 효과가 있는지를 검증하기 위해, 캐나다의 Express Entry 시스템을 통해 최근에 영주권을 획득한 경제 이민자들의 착륙지 데이터를 세무 기록에서 추출한 실제 소득 데이터와 연결한 행정 데이터를 활용하였다. 이 데이터셋은 2015년부터 2022년까지 약 12만 명에 달하는 이민자의 착륙지, 연령, 학위, 직업, 언어 점수 등 상세 프로필과 연도별 과세 소득 정보를 포함하고 있다.

백테스트 및 시뮬레이션 결과

1. 초기 소득 증대
   시뮬레이션에서는 기존에 가용성 휴리스틱에 따라 선택된 착륙지와, 우리 도우미가 제안한 최적 착륙지를 비교하였다. 결과는 도우미가 추천한 지역에 정착한 경우, 평균 초기 연소득이 7~12% 상승함을 보여준다. 특히 고학력·고숙련 이민자일수록 소득 상승 폭이 크게 나타났다.

2. 착륙지 분산 효과
   현재 캐나다 경제 이민자들의 45% 이상이 토론토, 밴쿠버, 캘거리와 같은 대도시로 집중되는 경향이 있다. 도우미를 활용한 시나리오에서는 이러한 대도시 집중도가 약 5~8% 감소하고, 대신 온타리오 주 남부, 알버타 주 중부, 매니토바 주와 같은 중소 규모 도시로의 이동이 늘어났다. 이는 지역 간 인구·경제 불균형을 완화하고, 지방 노동시장에도 긍정적인 영향을 미칠 가능성을 시사한다.

3. 재이주율 감소
   초기 소득이 기대에 못 미치는 경우 재이주율이 상승한다는 기존 연구 결과를 바탕으로, 도우미가 제공하는 ‘예상 소득 ≥ 평균 소득’ 조건을 만족하는 착륙지 선택 시 재이주율이 약 3~5%p 낮아지는 효과도 관찰되었다.

정책적 함의 및 구현 방안

• 기존 제도와의 연계: 캐나다 이민부, 주정부 이민청, 지방자치단체 등 현재 운영 중인 이민 지원 프로그램에 우리 도우미를 API 형태로 연동하면, 별도의 대규모 인프라 구축 없이도 실시간 맞춤형 착륙지 추천 서비스를 제공할 수 있다.
• 비용 효율성: 도우미는 이미 보유하고 있는 행정 데이터(이민자 등록, 세무 기록, 노동시장 통계)를 활용하므로, 추가적인 데이터 수집 비용이 거의 발생하지 않는다. 머신러닝 모델 학습 및 업데이트는 클라우드 기반 서버에서 주기적으로 수행하면 되며, 연간 운영 비용은 수십만 달러 수준에 머문다.
• 투명성 및 윤리성: 추천 알고리즘은 설명 가능한 AI(Explainable AI) 기법을 적용해, 왜 특정 지역이 추천되었는지에 대한 근거를 이민자에게 명확히 제시한다. 또한 개인정보 보호 규정을 철저히 준수하며, 데이터는 익명화된 형태로만 활용한다.
• 다른 국가로의 확장 가능성: 캐나다 사례를 바탕으로 구축된 모델과 프레임워크는 호주, 뉴질랜드, 독일, 미국 등 이민자를 적극 유치하고자 하는 다른 국가에서도 동일한 행정 데이터와 현지 노동시장 정보를 입력하면 바로 적용할 수 있다.

결론

이민자의 초기 착륙지는 그들의 장기적인 경제적 성공을 좌우하는 중요한 변수이며, 현재 대부분의 이민자는 제한된 정보와 인지 편향에 의해 최적이 아닌 지역을 선택하고 있다. 행동 과학적 통찰과 방대한 행정 데이터를 결합한 데이터‑드리븐 의사결정 도우미는 이러한 문제를 체계적으로 해결할 수 있는 실용적인 도구이다. 백테스트와 시뮬레이션 결과는 도우미가 제공하는 맞춤형 위치 추천이 이민자의 초기 소득을 실질적으로 끌어올리고, 인구·경제 집중을 완화하며, 재이주율을 낮추는 등 다각적인 긍정 효과를 가져올 수 있음을 보여준다. 무엇보다도 이 솔루션은 기존 제도 내에서 최소 비용으로 구현 가능하므로, 정부는 행정 데이터를 보다 효과적으로 활용하여 경제 이민자의 정착 성공률을 높이고, 국가 전체의 생산성 향상에 기여할 수 있는 새로운 정책 수단을 얻게 된다.