일본을 떠난 중국인, 한국으로 왔을까? 공개 데이터로 인과추론해봤습니다
2025년 12월부터 2026년 8월까지 9개월 동안 일본을 떠난 중국인은 408만 명, 같은 기간 한국에 도착한 중국인은 117만 명입니다. 두 숫자를 단순히 대응시키면 28.7%입니다. 무비사와 대일 여행 권고를 한 회귀식에 함께 넣어 추정해 보니, 두 효과가 시점별로 나뉘어 나타납니다. 다만 이 계산이 전환율을 증명하지는 않습니다.
이 글은 이런 분께 필요합니다
- DiD(차분의 차분)와 인과추론을 아직 안 써봤거나, 썼는데 실무에서 어떻게 검증하는지 궁금한 분
- 관광 정책 효과나 마케팅 효과 기사에 나오는 숫자의 출처를 확인하고 싶은 분
- OO 때문에 OO가 늘었다는 기사를 데이터로 검증해 보고 싶은 분석가
준비물은 Python 3.10 이상과 pandas, numpy, matplotlib입니다. 이번 글은 통계 패키지 없이 numpy로 직접 계산했습니다.
먼저 용어를 정리하겠습니다. 인과효과는 사건이 있을 때의 입국객과, 없었을 입국객의 차이입니다. 두 현실은 동시에 관측할 수 없으므로 비교군을 만들어 추정합니다. 이 글의 DiD는 처치 전후 변화에서 대조군의 전후 변화를 뺀 값입니다.
Step 1. 두 사건을 정확히 짚습니다
2025년 하반기에 관련 사건 두 개가 겹쳤습니다.
| 사건 | 날짜 | 누구에게 |
|---|---|---|
| 중국 단체관광객 한시 무사증 | 2025-09-29~2026-06-30 | 중국 국적 단체(3인 이상)만 |
| 중국 외교부 대일 여행 권고 | 2025-11-14 | 중국 국적, 일본 방문만 |
무사증은 한국만, 여행 권고는 일본만 적용됩니다. 이 비대칭 덕분에 두 효과를 나란히 볼 수 있습니다. 다만 두 사건이 6주 사이라, 따로따로 추정하면 서로를 섞어 먹습니다.
참고로 K-ETA는 이 시점에 폐지된 게 아닙니다. 일부 국가 대상 유예가 2025-12-31, 2026-12-31로 연장됐고 2027-01-01까지입니다. 분명한 날짜 사건은 중국 단체 무사증입니다.
Step 2. 비교군과 패널을 만듭니다
결과변수는 국적별 월간 입국자입니다. 한국은 「한국관광통계」, 일본은 JNTO 국적/월별 방일외객수를 씁니다.
대조군은 두 정책 어느 쪽에도 노출되지 않은 7개국, 미국·대만·태국·베트남·싱가포르·말레이시아·필리핀이었습니다. 이들은 이미 비자 면제 상태였고, 중국 단체 무사증 대상도 아니고, 일본 여행 권고 대상도 아닙니다.
일본 국적은 JNTO에 없습니다. 자국민은 일본 방문객이 아니어서요. 그래서 패널은 중국과 대조 7개국을 합쳐 8개국입니다.
CTL = ["US", "TW", "TH", "VN", "SG", "MY", "PH"]
kr = pd.read_csv("korea_arrivals_panel.csv", parse_dates=["ym"])
jp = pd.read_csv("japan_arrivals_panel.csv", parse_dates=["ym"])
a = kr[kr.iso2.isin(["CN"] + CTL)]
b = jp[jp.iso2.isin(["CN"] + CTL)]
d = a.merge(b, on=["iso2", "ym"], how="inner") # 8개국 × 2017-01~2026-08
Step 3. 로그점과 퍼센트, 여기서부터 헷갈립니다
계수는 로그점입니다. 퍼센트로 바꾸려면 exp(계수) - 1을 써야 합니다. 헷갈리면 숫자가 상당히 왜곡됩니다.
| 로그점 | 실제 퍼센트 |
|---|---|
| 0.164 | +17.8% |
| 0.830 | +129.5% |
| −0.830 | −56.4% |
0.164 로그점을 +16.4%라고 적으면 1.4%p 틀립니다. 이 글의 표는 모두 퍼센트로 바꿔서 적었습니다.
Step 4. 시계열로 먼저 봅니다
국적별 월간 입국자를 만 명 단위로 표시했습니다. 세로선은 사건 시점이며 효과 크기를 뜻하지 않습니다.
두 선이 같은 시점에 갈립니다. 2025년 10월까지는 중국인의 방일객이 방한객의 두 배 가까이였는데, 11~12월부터 급감합니다. JNTO 기준 2025년 11월 중국인 방일객은 56만 2,184명으로, 10월(71만 5,804명) 대비 21.5% 줄었습니다.
2026년 상반기를 전년 동기(2025년 상반기)와 비교하면 이렇게 갈립니다.
| 지표 | 2025 상반기 | 2026 상반기 | 변화 |
|---|---|---|---|
| 중국 → 한국 | 252만 7천 | 321만 2천 | +27.1% |
| 중국 → 일본 | 471만 9천 | 205만 8천 | −56.4% |
여기서 "중국인 관광객이 일본 대신 한국으로 쏠렸다"고 읽을 수 있습니다. 그런데 이건 비교군 없이 본 숫자입니다.
Step 5. 두 사건을 동시에 추정합니다
이게 이 글의 핵심 설계입니다. 두 사건이 겹치니, 따로따로 추정하면 10월부터 12월까지의 여행 권고 효과가 무사증 계수에 섞여 들어갑니다. 그래서 두 더미를 한 회귀식에 함께 넣습니다.
log(입국자[국가, 월]) = 국가×달력월 FE + 월 FE
+ 중국×무사증후 + 중국×여행권고후 + ε
- 국가×달력월 FE는 나라마다 다른 성수기와 비수기
- 월 FE는 모든 나라에 공통인 충격, 원화 환율·항공편·계엄 이후 회복 등
표준오차는 같은 나라 관측끼리 상관이 있으므로 국가 군집(CR1)으로, 나라가 8개뿐이라 와일드 군집 부트스트랩으로 계산했습니다. 부호패턴이 2의 8제곱, 256개뿐이라 전수조사했고, 다른 사건 더미를 방해항으로 함께 제거했습니다. 그래서 p값 최솟값이 0.0078입니다. p가 0이 나올 수 없는 구조입니다.
두 계수가 깔끔하게 나뉩니다.
| 결과변수 | 무사증 계수 | 여행 권고 계수 |
|---|---|---|
| 한국, 관광 목적 | +17.8% | −0.7% |
| 한국, 전체 입국 | +12.0% | +2.1% |
| 일본, 전체 입국 | +5.2% | −56.4% |
교차 항(무사증 → 일본 +5.2%, 여행 권고 → 한국 −0.7%)은 0에 가깝습니다. 정책 적용 대상이 아니기 때문입니다. 다만 이것이 "효과가 없다"는 뜻은 아닙니다. 여행 목적지 대체는 간접 경로로도 작동하니까요.
정리하면, 중국의 입국 변화는 한국에서는 무사증 시점 이후 +17.8%, 일본에서는 여행 권고 시점 이후 추가로 −56.4%로 추정됩니다. 사건 시점과 일치하는 조건부 연관이며, 각 정책의 순수한 인과효과를 확정하지는 못합니다.
부트스트랩 p값을 보면 무사증의 +17.8%는 p = 0.27로 0과 구분되지 않고, 여행 권고의 −56.4%는 p = 0.016입니다.
Step 6. 무작위화 추론: 한국 효과는 정말 중국인가
나라가 8개밖에 없으므로 표준오차에만 기대면 안 됩니다. 처치국을 8개국 중 아무 국가로 바꿔도 된다고 가정하고, 대만을 중국처럼 처치국으로 두면 어떤 값이 나오는지 봤습니다.
분홍이 실제 중국입니다. 대만이 +21.4%로 오히려 큽니다.
- 무사증 → 한국: 중국 +17.1%, 대만 +21.4%. 대만이 더 큽니다. 무작위화 p = 0.25. "중국인만 무사증 덕분에 한국에 더 많이 왔다"고 말하기 어렵습니다.
- 여행 권고 → 일본: 중국 −54.1%. 대조국 가운데 이보다 큰 절댓값을 가진 나라가 없습니다. 무작위화 p = 0.125로, 8개국이면 이게 최솟값 근처입니다.
즉 일본 쪽 변화는 중국만의 것으로 보이지만, 한국 쪽 +17.8%는 그렇지 않습니다.
Step 7. 전년 대비 편차로 사전추세를 봅니다
DiD는 처치 전후만 봅니다. 그 전후에 언제 변화가 일어났는지 보려면, 공개 직전 1년(2024-06~2025-05) 같은 달을 기준으로 편차를 그립니다.
- 한국은 무사증 발표 전부터 오르고 있었습니다. 2025년 6~9월 평균 격차가 +12.7 로그점, 약 +13.5%였습니다. 공개 후에 크게 꺾이지 않습니다.
- 일본은 여행 권고 전까지 0 근처였는데, 2025년 12월부터 수직으로 떨어집니다. 이후 9개월 평균이 −83.3 로그점, 약 −56.5%입니다.
한국의 +13.5%는 처치 전에도 있었습니다. 처치 전후만 비교하는 DiD는 이 상승분을 통째로 효과로 잡아갑니다. 그래서 +17.8%를 순수한 정책 효과로 읽으면 안 됩니다.
이 그래프는 기준연도가 정확히 1년이라 그 구간이 정의상 0이 됩니다. 일반적인 이벤트 스터디가 아니라 전년 대비 경로 비교이며, 사건 이전 경향을 따로 검정하는 용도로는 쓸 수 없습니다.
Step 8. 분해: 전환 비율의 조건부 계산
잃어버린 사람 중 한국으로 온 사람은 얼마인지를 단순한 산수로 봅니다. 9개월 합계, 즉 2025년 12월~2026년 8월을 2024년 12월~2025년 8월과 비교합니다.
- 중국 → 일본: 731만 명에서 324만 명으로, 408만 명 감소했습니다.
- 중국 → 한국: 404만 명에서 521만 명으로, 117만 명 증가했습니다.
- 중국 → 한국+일본 합계: 1,136만 명에서 845만 명으로, 25.6% 감소했습니다.
한국과 일본을 합친 값이 25.6% 줄었습니다. 일본 떠난 408만 명 중 한국으로 온 건 117만 명입니다.
여기서 117만은 상한이 아닙니다. 117만 408만에 대한 비율은, "한국 순증가가 전부 일본에서 넘어왔다"고 가정한 조건부 기술 비율입니다. 실제로는 기존 유입 증가분, 환율, 항공편 같은 이유로 한국에 온 사람이 섞여 있습니다. 다른 충격이 상쇄하는 만큼 순증가는 실제 전환량을 수학적으로 제한하지도 않습니다.
나머지 291만 명은 다른 동아시아 국가로 갔거나, 아예 동아시아 여행을 포기했을 겁니다. 한국으로 오지 않았다는 게 곧 여행을 포기했다는 뜻은 아닙니다. 이 데이터로는 그 둘을 구분할 수 없습니다.
Step 9. 위약 검정
진짜 효과라면 효과가 없었을 시점에도 나오면 안 됩니다. 실제 처치월인 2025년 10월을 뺀 2024년 1월~2025년 9월 자료에, 가짜 처치일 2024년 12월을 두고 돌렸습니다.
| 위약 | 기대 | 결과 |
|---|---|---|
| 가짜 처치일 2024-12 → 한국, 관광 | 0 근처 | +7.0% |
| 가짜 처치일 2024-12 → 일본 | 0 근처 | +28.2% |
한국 위약은 추정치 +17.8%보다 작습니다. 일본 위약은 +28.2%로 부호가 반대입니다. 이만큼 큰 위약이 나오면 "여행 권고가 일본 입국객을 −56.4% 만들었다"는 인과 해석은 약해집니다. 실제 추정값이 위약보다 크지만, 부호까지 뒤집힌 건 설명하기 어렵습니다.
결과: 말할 수 있는 것과 없는 것
| 질문 | 답 | 근거 |
|---|---|---|
| 일본 순감소와 한국 순증가의 비율은? | 28.7% | 조건부 기술 비율, 전환율의 상한 아님 |
| 일본 쪽 변화가 중국인에게 국한됐나? | 그럴 가능성이 높음 | 무작위화에서 8개국 중 절댓값 1위 |
| 무사증이 중국인 방한을 늘렸나? | +17.8%로 추정되나 인과 확정 아님 | 사전추세 +13.5% 존재, 대만 +21.4%와 겹침 |
| 여행 권고가 일본 붕괴를 만들었나? | 인과 해석은 약함 | 위약 +28.2%로 추정치의 절반 |
| 떠난 중국인 모두가 한국으로 왔나? | 아니오 | 중국 → 한국+일본 합계 25.6% 감소 |
정리하면, 수치가 잘 말해주는 건 중국인의 일본 여행이 2025년 12월부터 실제로 줄었다는 것입니다. 확실하지 않은 건 그 사람들 중 몇이 한국으로 왔느냐입니다. 기사의 "쏠렸다"는 서술은 이 자료로 지지되지 않습니다.
이 한계를 넘어가려면 다음 자료가 필요합니다.
- 중국의 목적지별 출국 통계. 목적지로 나눠 봐야 전환인지, 여행 포기인지 구분됩니다.
- 항공편 좌석 데이터. 한중 직항과 한일 직항 감편이 같은 시기에 있었습니다.
- 더 긴 사전 기간. 현재는 2024년 1월부터라, 무사증 직전 추세를 충분히 분리하지 못합니다.
자주 막히는 지점
| 문제 | 원인 | 해결 |
|---|---|---|
| JNTO에서 일본 국적이 안 나옴 | 자국민은 방문객이 아님 | 분석 대상에서 제외하고 본문에 명시 |
| 두 정책이 겹쳐 효과를 못 쪼갬 | 따로 추정하면 서로 섞임 | 두 더미를 한 식에 동시 추정 |
| 계수를 %로 그대로 적음 | 계수는 로그점 | exp(계수) - 1로 변환 |
| 부트스트랩 p가 점추정과 어긋남 | 다른 사건 더미를 빼먹음 | 관심 계수와 다른 더미를 함께 제거 |
| 부트스트랩 p가 0으로 나옴 | 군집 8개면 부호패턴이 256개뿐 | 전수조사하고 최소값을 2/256으로 명시 |
| 기준연도가 0으로 뭉개짐 | 기준연도가 1년이라 정의상 0 | 전년 대비 편차라고 이름 붙이고 한계 명시 |
| DiD 계수가 이상하게 큼 | 사전 기간에 2022년 COVID가 섞임 | 표본을 2024-01 이후로 제한 |
| DiD 계수가 nan이 됨 | 국가×월 추세 FE가 특정 국가를 완전 포화 | FE에서 중복 항 제거 |
| 위약이 추정치와 비슷한 크기 | 사전추세 존재 | 인과 표현을 조건부 연관 표현으로 낮춤 |
원자료와 코드를 공개합니다
python3 analyze.py
python3 make_charts.py charts
- out/results.json: 이 글의 모든 추정치
- out/event_study_korea.csv, event_study_japan.csv: 월별 전년 대비 편차
처음 질문은 일본을 떠난 중국인이 한국으로 올까요였습니다. 분석을 마친 지금의 답은 올 수는 있지만, 그것이 잃어버린 것의 3분의 1도 안 된다는 것입니다. 그리고 그 3분의 1조차 정책의 순수한 효과로 보기 어렵습니다. 기사의 숫자는 비교군 없이 읽으면 크게 부풀려집니다.
출처
자료 확인일: 2026년 10월 3일.