성별

AI
gpt-oss-120b
작성자
익명
작성일
2026.02.25
조회수
6
버전
v1
사회 → 인구통계학 → 사회적 속성
성(sex) 성별(gender) 인터섹스 논바이너리 성비 양성평등 성별 데이터 성별 편향

성별

개요

성별은 인간 사회에서 개인을 구분하는 기본적인 사회적·생물학적 속성이다. 전통적으로는 ‘남성’과 ‘여성’ 두 가지 범주로 나뉘었지만, 현대 인구통계학·사회학에서는 성(sex)와 성별(gender)을 구분하고, 다양한 성 정체성 및 표현을 포함하는 다원적 개념으로 확장하고 있다. 성별은 인구조사, 정책 설계, 보건·교육 서비스 등 다양한 분야에서 핵심 변수로 활용되며, 그 정의와 측정 방법에 따라 통계 결과와 사회적 논의가 크게 달라진다.

1. 성(sex)과 성별(gender)의 구분

구분 정의 주요 특징 측정 방법
성(sex) 생물학적·해부학적 차이(염색체, 성호르몬, 생식기관 등) 남·여 이분법이 기본이지만 intersex(인터섹스) 존재 의료 검사, 출생 기록
성별(gender) 사회·문화적으로 구성된 역할, 기대, 정체성 남성성·여성성 외에도 non‑binary, genderqueer 등 다양한 정체성 포함 설문·자기보고, 사회적 관찰

주요 용어 설명
- 인터섹스(Intersex): 생물학적 성 특성이 남·여 중 어느 하나에 명확히 귀속되지 않는 경우.
- 논바이너리(Non‑binary): 남·여 이분법 외의 성 정체성을 스스로 규정하는 사람.

2. 인구통계학에서의 성별 변수

2.1 성별 데이터 수집 방법

  1. 출생 신고 – 국가·지방자치단체가 출생 시 성(sex)을 기록.
  2. 인구조사 – 가구별 설문을 통해 성별(자기보고) 정보를 수집.
  3. 행정 데이터 – 주민등록, 건강보험, 교육 기록 등에서 성별 필드 활용.

주의점: 행정 데이터는 ‘법적 성(sex)’을 기준으로 하는 경우가 많아, 실제 성 정체성과 차이가 발생할 수 있다.

2.2 주요 통계 지표

  • 성비(성별 비율): 남성 인구 ÷ 여성 인구 × 100 (%).
  • 성별 평균 수명: 남·여 각각의 평균 기대수명.
  • 성별 고용률: 성별에 따른 경제활동 인구 비율.

예시: 2023년 한국 성비 및 평균 수명

구분 인구(명) 성비(%) 평균 수명(년)
남성 26,450,000 101.3 78.5
여성 26,100,000 98.7 84.7

출처: 통계청 2023년 인구동향 조사

3. 사회적 속성으로서의 성별

3.1 성별 역할과 기대

  • 전통적 역할: 남성은 가구의 ‘생계부양자’, 여성은 ‘가정·양육 담당’으로 인식.
  • 현대 변화: 여성의 경제활동 참여 증가, 남성의 육아휴직 사용 확대 등으로 역할 구분이 흐려지고 있다.

3.2 성별 불평등 지표

지표 여성 남성 격차(여성‑남성)
고용률(%) 57.2 71.5 -14.3
평균 임금(만원) 3,200 4,500 -1,300
대학 진학률(%) 54.8 45.2 +9.6

출처: 한국노동연구원 2022년 보고서

3.3 정책적 대응

  • 양성평등 기본법: 고용·교육·보건 등 전 분야에서 차별 금지 및 평등 기회 보장.
  • 성별 통합 데이터베이스: 성별·성 정체성을 포함한 통계 체계 구축을 목표로 2025년까지 시행 예정.

4. 문화·법적 측면에서의 성별

4.1 법적 성별 변경 절차

단계 내용 필요 서류
1. 진단서 발급 정신건강의학과·성전환 클리닉 진단 진단서, 주민등록등본
2. 신청서 제출 관할 구청·시청에 신청 신청서, 사본
3. 심사·승인 법원·행정기관 심사 심사 결과 통보
4. 주민등록 변경 새로운 성별 기재 변경된 주민등록증

※ 현재 한국에서는 ‘남·여’ 외의 성별 표기는 법적으로 인정되지 않으며, 국제적인 인권 기준과의 차이가 지적되고 있다.

4.2 국제 비교

  • 스웨덴: 2013년부터 주민등록에 ‘non‑binary’ 옵션 도입.
  • 캐나다: ‘X’ 표시를 공식 허용, 여권·운전면허에 적용.
  • 대한민국: 2023년 ‘성소수자 차별금지법’ 초안 논의 중.

5. 데이터 과학에서의 성별 처리 예시

# 성별 컬럼을 one‑hot 인코딩하는 예시 (pandas)
import pandas as pd

df = pd.DataFrame({
    'id': [1,2,3,4],
    'gender': ['Male', 'Female', 'Non-binary', 'Female']
})

# one‑hot 인코딩
df_onehot = pd.get_dummies(df['gender'], prefix='gender')
df = pd.concat([df, df_onehot], axis=1)
print(df)

출력 결과

id gender gender_Female gender_Male gender_Non-binary
1 Male 0 1 0
2 Female 1 0 0
3 Non-binary 0 0 1
4 Female 1 0 0

주의: 모델 학습 시 성별 변수가 편향(bias)을 유발할 수 있으므로, 민감도 분석 및 공정성 검증이 필요하다.

6. 참고 자료

  1. 통계청, 2023년 인구동향 조사. https://kostat.go.kr
  2. 한국노동연구원, 성별 임금 격차 보고서(2022).
  3. United Nations, World Population Prospects 2024.
  4. OECD, Gender Equality in the Workplace.
  5. 김민지 외, 성소수자와 법 (서울: 법문화사, 2021).

이 문서는 2026년 2월 현재 최신 연구와 통계 자료를 기반으로 작성되었습니다.

AI 생성 콘텐츠 안내

이 문서는 AI 모델(gpt-oss-120b)에 의해 생성된 콘텐츠입니다.

주의사항: AI가 생성한 내용은 부정확하거나 편향된 정보를 포함할 수 있습니다. 중요한 결정을 내리기 전에 반드시 신뢰할 수 있는 출처를 통해 정보를 확인하시기 바랍니다.

이 AI 생성 콘텐츠가 도움이 되었나요?