1. Introduction
Due to the severity of South Korea’s low birth rate issue, the government has established the Basic Plan for Low Fertility and Aging Society over the past 20 years and implemented various related policies. After enacting the Framework Act on Low Fertility and Aging Society in 2005, the government has formulated and carried out five-year plans starting in 2006. As of 2025, the country is in the final phase of the 4th Basic Plan.
However, after fluctuating for some time, Korea's total fertility rate has shown a clear downward trend since 2015 and fell below 1.0 in 2018. The number of births also hovered around 400,000 from 2005 (approximately 438,000 births) to 2015, fluctuating over the decade, but has seen a continuous and steep decline since 2015. (Figure 1)
Figure 1: Trends in Total Fertility Rate and Number of Births in Korea (2000–2024)
(a) Total Fertility Rate (b) Number of Births
Amid active discussions on the effectiveness of low birth rate countermeasures, our study aims to estimate the causal impact of childbirth incentives on fertility rates in order to evaluate the effectiveness of such policies. The goal is to provide foundational data for assessing the viability of future policy implementations.
Our study is structured as follows. First, we reviews the current status of childbirth incentive policies. Since these policies vary in terms of initiation timing and benefit amounts across municipalities, our study examines trends by administrative district from 2005 to 2024. Second, we explores the effectiveness of these policies through a review of existing studies that analyzed whether such incentives have led to increases in fertility rates.
Third, our study focuses on the “100 Million Plus i-Dream” policy launched by Incheon Metropolitan City in 2024, which provides a total of 100 million KRW per child from birth to age 18 (see Section 2.1 Background). We estimates the causal effect of this policy on fertility rates. This focus is based on prior research indicating that existing childbirth incentive programs over the past 20 years have had limited effectiveness and have been insufficient to reverse the decline in fertility.
Moreover, evidence from international cases supports the idea that substantial, long-term support is necessary to influence fertility decisions. For instance, Australia’s 2004 Baby Bonus provided AUD 5,000 per child, a significant amount equivalent to one-ninth of the country’s average annual income at the time, regardless of birth order (Drago et al., 2009). Similarly, Quebec’s 1988 Allowance for Newborn Children achieved its goal of increasing fertility, though at a high cost of over $15,000 per additional child born due to the policy (Milligan, 2002).
Therefore, if Incheon’s 100 Million Plus i-Dream—which differs from past policies by offering substantial support throughout the entire child-rearing period—proves to have a distinct and positive impact on fertility, it could serve as a benchmark for future low birth rate policies in Korea.
The key distinctions between our study and previous research are as follows:
First, while prior studies have primarily estimated the impact of the amount of childbirth incentives on fertility rates, our study focuses on evaluating the causal effect of Incheon Metropolitan City’s “100 Million Plus i-Dream” policy on fertility. This choice stems from the limitations of estimating policy effects solely per unit of support amount. To accurately assess the impact of support amounts, one would need to construct a panel dataset encompassing all local governments that provide childbirth incentives. However, this is difficult due to several reasons: the timing of policy implementation varies across municipalities; there is often a lack of reliable data on the exact start dates and policy details; and the incentive schemes differ in terms of structure, naming, payment methods, and may be discontinued and later reinstated. For example, in Seoul, each district adopted the policy at different times and with varying amounts. Consequently, previous studies relied on population policy casebooks and local childbirth support policy compilations to separately collect childbirth incentive data at both metropolitan and municipal levels (Korea Labor Institute, 2021). To address the diversity in payment types (lump-sum vs. installments), duration, and frequency (monthly, quarterly, annually), incentives were defined as the total sum of cash support, whether paid all at once or over time for child-rearing purposes (Park Changwoo & Song Heonjae, 2014). Still, there remain concerns about the accuracy and reliability of such data constructions.
Moreover, prior studies on the effect of childbirth incentives on birth rates and the number of births have shown mixed results. Some have found statistically significant effects, while others identified no clear correlation. Even among studies reporting positive impacts, the effect size is generally small. Specifically, a 100,000 KRW increase in incentives was associated with an increase of only 0.048 births per 1,000 women of childbearing age (15–49), which amounts to just 0.14% of the average number of births per 1,000 women—statistically significant, but not substantial (Korea Labor Institute, 2021). Crucially, despite the implementation of these policies, the fertility rate has continued to decline. This raises a fundamental question of whether analyzing the variation in birth rates by support amount truly aids future policy decisions. Therefore, this study focuses on Incheon’s newly introduced policy, which significantly differs from conventional incentive programs.
Second, the empirical method employed in this study is Synthetic Difference-in-Differences (SDID), which allows for a more rigorous estimation of the causal effect of the childbirth incentive policy. Previous studies mainly used panel fixed effect models or difference-in-differences (DiD) approaches. We discuss this body of work in detail in Section 2.2. The advantage of SDID over traditional methods is as follows:
Unlike DiD, SDID constructs a weighted synthetic control group that more closely resembles the treated group pre-intervention, thereby reducing bias caused by non-parallel pre-treatment trends. Compared to fixed effects models, SDID combines the strengths of DiD and synthetic control methods, enabling more accurate and robust estimation, especially in contexts where treatment is not randomly assigned. Our methodological approach is discussed in detail in Section 3.
한국의 저출산 문제의 심각성에 따라 정부는 지난 20년간 저출산·고령사회 기본계획을 수립하고 다양한 저출산 정책을 시행하였다. 2005년 저출산 · 고령사회기본법을 제정한 후 2006년부터 5년 단위의 저출산 · 고령사회 기본계획을 수립하고 추진하여, 2025년 현재 제4차 저출산·고령사회 기본계획의 막바지에 있다.
그러나 증감을 반복하던 한국의 합계출산율은 2015년 이후로 뚜렷한 하락세가 이어져오고 있으며, 2018년에 1 미만으로 진입하였다. 한국의 출생아 수 역시 2005년 438,000여 명에서 2015년까지 10년간 증감을 반복하며 40만 명대의 출생아 수를 기록하고 있었지만 2015년 이후 지속적이고 가파른 하락세를 보인다. (figure 1)
figure 1: 한국의 2000년 ~ 2024년 합계출산율 및 출생아 수 추이
(a) 합계 출산율 (b) 출생아 수
이에 저출산 대책의 실효성에 대한 논의가 활발한 가운데 본 연구에서는 출산장려금 제도의 효과성을 검증하기 위해 출산장려금이 출산률 제고에 미치는 인과적 영향을 추정한다. 이는 향후 시행될 정책의 실효성 여부를 판단할 기초 자료를 마련하고자 함이다.
본 연구는 다음과 같이 구성되어 있다. 첫째, 출산장려금 정책 현황을 살펴본다. 출산장려금 제도는 시군구 단위로 도입시기와 지원 금액이 상이하다. 따라서 2005년부터 2024년까지 행정구역별 추세를 살펴본다. 둘째, 앞서 살펴본 출산장려금 제도가 출산율 증가로 이어졌는지를 분석한 선행연구를 통해 정책 효과를 고찰한다.
셋째, 본 연구에서는 인천광역시가 2024년 도입한 '1억 플러스 아이드림'(주석 - 2023년생부터 18세까지 아이에게 총 1억 원을 지원하는 것으로, 성장 전 단계를 중단없이 지원하는 정책이다. Section 2.1. Background 참조) 정책에 집중하여 인천광역시의 '1억 플러스 아이드림' 정책이 출산율 제고에 미치는 인과적 영향을 추정한다. 이는 앞서 살펴본 선행연구를 통해 지난 20년간 이어온 기존의 출산장려금 제도의 효과가 미미하고, 출산율의 감소세를 진정시키기에 역부족하였다는 사실에 기반한다. 또한 해외 연구 사례(주석 - 2004년 호주 정부가 도입한 Baby Bonus 정책은 출생순위에 관계없이 물가상승 및 연평균소득을 고려한 5,000 호주달러의 출산장려금을 지급하였으며, 이러한 금액수준은 2013년 기준으로 호주 연 평균소득 A$48,000의 1/9에 해당하는 막대한 금액수준이었다. (Drago, R. K. Sawyer, K. Sheffler, D. Warren & M. Woodem. (2009). Did Australia’s Baby Bonus Increase the Fertility Rate? Melbourne Institute Working Paper), 1988년 Quebec주의 Allowance for Newborn Children은 출산율 증가라는 목표를 달성하였지만, 추가 출생 한 건 당 발생한 비용은 매우 높았다. 인센티브가 없었다면 태어나지 않았을 아이 한 명당 공공재정에서 $15,000 이상의 비용이 들었다. (Milligan, K. (2002). Quebec’s Baby Bonus: Can Public Policy Raise Fertility?, Backgrounder, C.D. Howe Institute, January 2002.))를 통해, 출산 결정을 바꿀만큼의 규모와 장기적인 지원이 따랐을 때, 출산지원금의 효과를 관찰할 수 있었다는 연구 결과에 기반한다. 따라서 기존의 일회성 혹은 소규모 다회성 지원 금액과 달리, 양육 기간 전반에 걸쳐 상당한 금액을 지원하는 인천광역시의 '1억 플러스 아이드림'정책이 차별적인 효과를 가짐을 입증한다면, 향후 저출산 정책에 벤치마크가 될 수 있을 것이다.
본 연구와 선행 연구와의 차별점은 다음과 같다. 첫째, 선행 연구가 출산 장려금 지원 금액이 출산율에 미치는 영향을 추정하였다면, 본 연구에서는 인천광역시의 '1억 플러스 아이드림' 정책이 출산율에 미치는 영향을 추정한다. 이는 지원 금액 단위 당 영향력을 추정하는 것의 한계점에 기인한다. 만약 지원 금액의 영향력을 산정하고자 한다면, 출산 장려금을 지급하는 모든 기초자치단체의 패널 데이터를 구성하여야 한다. 하지만 각 기초자치단체의 정책 도입 시점이 상이하며, 정확한 도입시점과 정책 내용에 대한 자료가 부재한 경우가 빈번하다. 또한 지급 규모와 방법, 명칭이 상이하며, 정책이 중단되었다가 재도입되는 경우도 존재한다. 예를 들어, 서울의 경우, 구별로 도입시기와 규모가 다르다. 이에 따라 선행연구는 지자체 인구정책 사례집과 출산장려정책 사례집을 근거로 광역자치단체와 기초자치단체로 나누어 각 단위에서 지급되는 출산장려금 정보를 따로 수집하였다( 출산지원정책의 효과 분석, 한국노동연구원 2021). 또한 출산장려금의 지급 형태(일시, 분할), 지급 기간, 분할 단위(월, 분기, 연)의 다양성을 반영하기 위해 일시적 현금지원과 양육비 명목으로 분할 지급되는 현금지원의 총합으로 정의하였다(박창우 송헌재 2014). 그러나 여전히 정확한 데이터 구성의 어려움과 신뢰성에 대한 의구심이 존재한다.
더욱이, 출산지원금 정책이 출생아수와 출산율에 미치는 효과에 대한 선행 연구는 상반된 견해가 혼재한다. 유의미한 효과를 발견하기도 하고 상관관계를 발견하지 못하기도 한다. 긍정적인 영향력을 발견한 다수의 연구 결과에서도 그 효과는 미미한 편이다. 구체적으로, 출산장려금이 10만원 증가할 때 가임여성(15~49세) 천 명당 출생아 수는 0.048명 증가한다. 이는 가임여성 천 명당 출생아 수 평균의 0.14%에 해당하는 수준으로 출산장려금의 효과가 유의하긴 하지만 크다고 볼 수는 없다(출산지원정책의 효과 분석, 한국노동연구원 2021). 결정적으로, 정책의 시행에도 불구하고 출산율은 지속적으로 하락하여 왔다. 이는 출산 장려금의 지원 금액에 따른 출생아 수와 출산율의 변화를 추가적으로 분석하는 것이 향후 정책 결정에 도움이 될 것인지 근본적인 물음을 던진다. 따라서 본 연구에서는 기존의 출산장려금 제도와 차별성을 가지는 인천광역시의 새로운 제도에 주목한다.
둘째, 본 연구에서 제시하는 실증분석 방법은 Synthetic Difference-in-Differences (SDID)으로 이는 출산장려금 정책의 인과적 효과를 더 엄밀하게 추정한다. 선행연구에서 사용한 방법론은 panel fixed effect model과 difference-in-differences (DID)가 주를 이룬다. We discuss previous research in detail in section 2.2. 본 연구에서 사용한 합성 이중 차분법(Synthetic Difference-in-Differences)이 선행 연구의 방법론과 비교하여 갖는 장점은 다음과 같다. Unlike DiD, SDID constructs a weighted synthetic control group that more closely resembles the treated group pre-intervention, reducing bias from non-parallel trends. Compared to fixed effects models, SDID combines strengths of both DiD and synthetic control methods, leading to more accurate and robust estimates, especially when treatment is not randomly assigned. We discuss our methodological approach in detail in section 3.