Strategic groups emerged by selecting R&D collaboration partners and firms' efficiency

Cheongho Na, Daeho Lee, 황준석, Changjun Lee (2020) · Asian Journal of Technology Innovation · DOI ↗

한국 제조업 기업 (KIS 2010, 1,164 관측치, 394 firms) 의 R&D 협력 파트너 포트폴리오를 K-means 로 클러스터링해 4 개 전략 그룹 (public, private I, private II, non-collaborator) 을 도출한다. Trans-log SFA (확률적 프론티어 분석) 로 그룹별 frontier 를 추정하고, 메타프론티어 분석 로 group frontier 와 meta-frontier 간 TGR (technology gap ratio) 을 계산해 그룹 간 효율성을 비교한다. Private II (계열사·컨설팅 중심) 가 TGR 0.905 로 최고, public (대학·정부 중심) 이 0.717 로 최저.

RQ: R&D 협력 파트너 포트폴리오가 만들어내는 전략 그룹은 무엇이며, 그룹 간 기술 효율성 (TGR) 은 어떻게 다른가? 이 차이는 산업·기업 크기·R&D 규모에 따라 어떻게 변하는가?
방법론: 클러스터 분석 (K-means, K=4 with 20/30 indices 다수결), SFA (확률적 프론티어 분석) (trans-log, random effects time-varying), 메타프론티어 분석 (LP & QP), Panel random effects regression
데이터: Korea Innovation Survey (KIS) 2010, STEPI 수행, 2007~2009; 제조업 중심; 1,164 관측치 (394 firms × ~3 년). 7 가지 파트너 (supply, demand, other firms, branches, private consulting, government, universities)
주요 발견: TE 평균은 public 최고 (0.574), private I 중간 (0.544), private II 최저 (0.482). TGR 은 정반대 — private II 최고 (0.905), private I 중간 (0.763), public 최저 (0.717). R&D 투자 무 (zero) 인 소기업은 public 협력이 더 유리.
시사점: 단순 “더 많은 협력” 이 아닌 어떤 파트너 조합이 효율적인지가 중요하며, public 협력은 patent 양은 늘리지만 commercialization 으로 이어지지 않아 long-run TGR 이 낮다.

R&D 협력 파트너 4 개 전략 그룹의 K-means 클러스터링 결과: public, private I, private II, non-collaborator 의 7 차원 파트너 포트폴리오 패턴.

요약

기존 R&D 협력 효율성 연구는 (i) 네트워크 특성 (size, diversity) 중심으로 파트너 동질성을 가정하거나 (Owen-Smith and Powell, 2004; Srivastava and Gnyawali, 2011), (ii) 단일 파트너 유형 효과 (Belderbos, Carree, and Lokshin, 2004) 에 집중해 파트너 포트폴리오의 strategic mix 가 만드는 전략 그룹 (strategic group) 의 효율성 차이를 거의 다루지 않았다. 본 논문은 Porter (1980) 와 McGee and Thomas (1986) 의 전략 그룹 개념을 R&D 협력 영역에 적용하고, 한국 KIS 2010 (STEPI 수행, 2007~2009) 의 제조업 1,164 관측치 (394 firms) 에 K-means 클러스터링과 stochastic frontier · meta-frontier 분석을 결합한다.

방법론은 3 단계다. (1) K-means 로 7 가지 파트너 (supply, demand, other firms, branches, private consulting, government, universities) 협력 패턴을 기준으로 firms 를 클러스터링. NbClust 의 30 인덱스 중 20 개가 K=4 를 추천해 4 개 그룹 (public · private I · private II · non-collaborator) 으로 분류. (2) Trans-log production function 으로 각 그룹의 frontier 를 SFA 추정 (input: 직원 수, 매출 원가; output: 매출). (3) LP·QP 최적화로 meta-frontier 추정 후 각 firm 의 TGR (= group frontier / meta-frontier) 계산. (4) Random effects panel regression 으로 TGR 을 그룹 더미 + 통제변수 (산업, age, size, geo-location, R&D spending) 와 상호작용항으로 회귀.

핵심 결과는 TE 와 TGR 의 역방향 순위다. Within-group 평균 TE 는 public 최고 (0.574), private I 중간 (0.544), private II 최저 (0.482) 다. 그러나 TGR (그룹 frontier 와 meta-frontier 의 격차) 은 정반대다. Private II (계열사·컨설팅 중심) 가 0.905 로 최고, private I (공급·수요·경쟁사) 가 0.763, public (대학·정부) 이 0.717 로 최저다. 회귀 분석은 private II 가 private I 대비 유의한 양 (β=0.166, 1% 유의), public 은 유의한 음 (β=−0.034, 1%) 임을 보인다. 단, R&D 투자 무 (zero) 인 소기업의 경우 public 협력이 private I 보다 유리 (β=0.037, 5% 유의). 산업·기업 크기와의 상호작용에서 private II × 전자·전기·광학 산업이 유의 양, public × 100~999 직원 및 10,000+ 직원이 유의 양으로 나타난다. 정책 함의는 (1) 정부 출연 연구소 협력은 patent 양은 늘리지만 commercialization 으로 이어지는 long-run TGR 향상엔 약하고 (Walsh et al., 2016 와 일관), (2) R&D 역량이 없는 소기업에는 public 협력이 효과적인 cap-building 수단, (3) 충분한 R&D 역량을 갖춘 기업은 계열사·다양한 파트너의 strategic mix (private II) 가 가장 효율적이라는 것이다.

핵심 결과

전략 그룹	파트너 핵심	TE (평균)	TGR (LP)	TE* = TE × TGR
Public	대학·정부	0.574	0.717	0.411
Private I	공급·수요·경쟁	0.544	0.763	0.414
Private II	계열사·컨설팅	0.482	0.905	0.427

회귀 계수 (TGR 종속)	Model 1	Model 2 (산업)	Model 3 (firm size)	Model 4 (R&D scale)
Private II (vs Private I)	0.166***	0.168***	0.165***	0.191***
Public (vs Private I)	−0.034***	−0.037***	−0.066***	+0.037*

N: 1,164 firm-year (394 firms).
데이터: KIS 2010 (STEPI, 2007~2009).
K 선택: NbClust 30 인덱스 중 20 개가 K=4 추천.

방법론 노트

생산함수 추정은 trans-log SFA 다.

\ln Y_{it} = \beta_0 + \sum_{m=1}^{2} \beta_m \ln x_{mit} + \sum_{m=1}^{2}\sum_{k=1, k\geq m}^{2} \beta_{mk} \ln x_{mit} \ln x_{kit} + V_{it} - U_{it}

여기서 $Y_{it}$ 는 매출, $x_1$ 은 직원 수 (labor), $x_2$ 는 매출 원가 (operating cost), $V_{it} \sim N(0, \sigma_V^2)$ 는 noise, $U_{it} \geq 0$ 는 비효율성 (half-normal). 그룹별로 $\hat{\beta}_{(j)}$ 를 추정한 뒤 meta-frontier 는

\min_{\beta^*} \sum_{t}\sum_{i} |x_{it}\beta^* - x_{it}\hat{\beta}_{(j)}|, \quad \text{s.t. } x_{it}\beta^* \geq x_{it}\hat{\beta}_{(j)} \ \forall j

(LP 최적화) 와 QP (제곱합) 두 가지로 추정한다. TGR (technology gap ratio) 은 $e^{x_{it}\hat{\beta}_{(j)}}/e^{x_{it}\beta^*}$ 이고, 전체 효율성은 $TE^*_{it} = TE_{it} \times TGR_{it}$ 다. TGR 을 종속변수로 한 random effects panel regression 은 $TGR_{it} = \alpha + \beta_1 \text{Group}_i + \beta_2 X_{it} + \beta_3 (\text{Group}_i \times X_{it}) + v_i + \varepsilon_{it}$ 형식이다.

연구 계보

황준석 그룹의 SFA (확률적 프론티어 분석) · ICT 효율성 라인에 위치하며 동일 그룹의 R&D Partner Type, Product Life-cycle, and Innovation Performance of High-technology Ventures (단계별 단일 파트너 효과) 와 자매 작업이다. Belderbos et al. (2018) 의 R&D 협력 progression 연구를 K-means 클러스터링으로 운영화한 점이 방법론적 기여다. Battese, Rao, and O’Donnell (2004) 의 meta-frontier 프레임워크를 R&D 효율성 도메인에 직접 적용한 사례 중 하나이며, Changjun Lee · Daeho Lee 의 ICT 산업 효율성 연구 라인 (C. Lee et al., 2015, 2017; Ryu et al., 2019) 의 일부다.

인접 그래프

1-hop 이웃 13개

인물 4
방법론 3
개념 2
주제 1
수록처 1
분류 1
논문 1

휠 = 확대/축소 · 드래그 = 이동 · hover = 라벨 · 클릭 = 페이지 이동

이 문서를 가리키는 페이지

논문 (1)

R&D Partner Type, Product Life-cycle, and Innovation Performance of High-technology Ventures