TEMEP Wiki

A tale of two technological capabilities: economic growth revisited from a technological capability transition perspective

Jung-In Yeon, 이정동, Chulwoo Baek (2020) · The Journal of Technology Transfer · DOI ↗

Middle Innovation Trap 의 IC-DC framework 을 42 개국 1996~2016 패널 데이터로 처음 정량 검증한다. ISO9001, 제조업 부가가치, 특허, R&D 지출 등 10 개 지표를 합성지수 로 합성해 implementation-capability 와 design-capability 의 두 지표를 만들고, 그레인저 인과 검정 로 IC→DC 의 일방향 순차 발전 패턴을, panel-quantile-regression 으로 income level 별 두 capability 의 차별적 성장 기여를 보인다. middle-income trap 은 IC 의 한계수익 감소와 DC 의 미발달이 겹치는 capability transition trap 으로 재해석된다.

  • RQ: (1) 국가 기술역량은 IC (실행역량) 와 DC (설계역량) 의 두 type 으로 분해 가능한가? (2) 두 capability 의 발전은 어떤 순차 패턴 (IC→DC) 을 따르는가? (3) income level 에 따라 두 capability 의 경제성장 기여도가 어떻게 달라지는가? Lee et al. (2019) 의 이론 framework 의 42-국가 panel 정량 검증.
  • 방법론: 합성지수, 그레인저 인과 검정, 동적 패널 GMM, Arellano-Bond GMM, panel-quantile-regression, levin-lin-chu-test, cronbach-alpha
  • 데이터: 42 개국 (UNESCO 최단 데이터 수집 기간 기준 적격) 1996~2016 panel, IC = ISO9001 인증·trademark·제조업 부가가치·고용·gross fixed capital formation 5 지표, DC = 특허·산업디자인·high-tech 수출·R&D 인력·R&D 지출 5 지표. min-max 정규화 후 equal weight 합산. NTC = IC + DC.
  • 주요 발견: (1) Cronbach’s α: IC 0.749, DC 0.874 → 두 index 의 internal consistency 확보. (2) 그레인저 인과 검정 결과 NTC 12 구간 (early transition stage) 에서 IC→DC 일방향 인과 (Wald 20.08, p=0.002), 역방향은 비유의. (3) panel-quantile-regression 에서 IC 의 GDP per capita 효과는 저소득에서 1.49***, 고소득에서 0.58*** 로 감소, DC 는 저소득에서 0.07 (비유의), 고소득에서 0.52*** 로 증가 — 역전. (4) capability 전환 임계 구간: GDP 10,400 10,400 ~ 27,100 (4060 percentile), NTC 약 3 — upper-middle-income trap 의 zone 과 정확히 일치.
  • 시사점: middle-income trap 은 IC 만 누적된 상태에서 DC 로의 전환 실패에서 비롯된다. 이 구간의 정책은 IC 강화가 아니라 DC 축적 으로 전환해야 한다. R&D 지출 비중, 산업디자인, high-tech 수출 등 know-why 지표 강화가 핵심.

NTC 증가에 따른 IC/NTC 와 DC/NTC 의 compositional ratio 변화. 초기 단계는 IC-based (IC/NTC > 0.5), NTC ≈ 3 에서 IC 와 DC 의 비중 line 이 교차해 design-based 로 transition.

요약

본 paper 는 이정동 anchor 의 IC-DC 전환 명제 (implementation-capability 가 design-capability 의 전제 조건 이며 둘은 학습 mode 가 다르다 — 학습-실행 (learning-by-doing) vs learning-by-building) 의 42 개국 panel 차원 정량 검증 이다. 기존 national-technological-capability 지표 (UNDP TAI, WEF GCI, WIPO GII, UNIDO CIP 등) 는 cross-sectional ranking 에는 유용하지만 capability 의 동학 을 다루지 못했다. Radosevic-Yoruk (2018) 가 intensity · breadth · interaction 의 3 차원 분해를 시도했지만 IC-DC 와 같은 지식 type 기반 분해 는 아니었다. 본 paper 는 Lee et al. (2019) Foresight and STI Governance 의 conceptual framework 을 조작적 정의 (Table 1) 로 옮기고 10 개 지표로 합성한 것이 핵심 contribution. 지적 뿌리는 Bell-Pavitt (1992) 의 production capacity vs technological capability 구분, Kim (1997) 의 production-investment-innovation 3 요소, Lall (2000) 의 technological effort 분류 — 모두 역량의 type 차이 명제를 공유.

분석은 세 단계. (1) 합성지수 합성: 5 + 5 지표를 min-max 정규화 후 equal weight 합산해 IC, DC 산출. IC 의 5 지표는 ISO9001 인증·trademark·제조업 부가가치·고용·gross fixed capital formation — know-how 기반 실행 의 proxy. DC 의 5 지표는 patent 출원·산업디자인·high-tech 수출·R&D 인력·R&D 지출 — know-why 기반 설계 의 proxy. cronbach-alpha (IC 0.749, DC 0.874) 와 composite reliability (0.726, 0.869) 로 internal consistency 확보. (2) Hypothesis 1 — IC → DC 순차성: NTC 단계별 ([NTC≤1: initial], [1<NTC≤2: early transition], [2<NTC: late transition]) 분할 panel 에 그레인저 인과 검정 (Dumitrescu-Hurlin 2012) 시행. initial stage 에서는 양방향 비유의, transition stages 에서 IC→DC 의 단방향 인과 유의 (Wald 18.7420.08, p=0.0020.003). levin-lin-chu-test 로 단위근 사전 확인 (귀무 기각 5% level), 5-year lag (AIC). (3) Hypothesis 2 — 소득 level 별 차별적 기여: panel-quantile-regression (10~90 percentile) 에서 IC 계수는 1.49→0.58 로 monotonic 감소, DC 계수는 0.07 (10 percentile, 비유의) → 0.65 (80 percentile) 로 증가. (4) Hypothesis 3 — global connections (trade/GDP) 의 IC·DC 영향: Arellano-Bond GMM 으로 1-year lag dependent variable 을 instrument 화. trade share 의 IC 계수 0.126*** , DC 계수 0.080** — IC 가 더 민감 (know-how 의 흡수가 export-import 활동에 더 의존). AR(1) test 로 first-differenced error 의 autocorrelation 확인 후 no serial correlation 가정 유지.

발견의 정책 함의는 강력하다. middle-income trap 의 임계 구간 (GDP 10,400 10,400~27,100) 이 (a) IC 의 한계 효과가 감소하고 (b) DC 의 효과가 아직 본격화되지 않은 구간 — author page 의 “IC 단계 처방을 DC 단계 문제에 적용하면 오진” 명제의 정량 증거다. capability transition trap 이라는 새 용어가 이 paper 의 기여 — middle-income trap 의 원인을 역량 합성 (composition) 의 정체 로 재정의한다. 한국 · 대만 · 중국이 transition zone 의 sample 안에 위치하는 것이 기술경영경제정책전공 의 정책 관심사와 직결. caveat: tacit knowledge 와 institutional context 의 quality 측면을 10 개 지표로 모두 잡을 수 없음. 고소득 80 percentile 이상에서 두 capability 의 누적 효과가 약화된 것이 측정 한계 때문인지 진짜 saturation 인지 미해결. 또 어느 국가가 transition 에 성공·실패하는가 의 case-by-case 분석은 후속 연구로 남김.

핵심 결과

분석단계 / 분위IC 계수DC 계수
Granger (IC→DC)initial (NTC≤1)Wald 8.94 (p=0.91)Wald 9.07 (p=0.90)
Grangerearly transition (1<NTC≤2)Wald 20.08* (p=0.002)Wald 6.58 (p=0.65)
Grangerlate transition (NTC>2)Wald 18.75* (p=0.003)Wald 10.86 (p=0.47)
Panel Quantile (logGDPpc)10% ($2,580)1.49*0.07 (n.s.)
40% ($10,400)1.35*0.46*
60% ($27,100)1.15*0.41*
80% ($39,700)0.86*0.64*
Dynamic Panel (trade share)IC0.126*—
DC—0.080

핵심 패턴: (a) Granger 인과는 transition stage 에서만 IC→DC 일방향. (b) Quantile 회귀의 IC 계수는 분위가 높아질수록 monotonic 감소 (1.49→0.58), DC 계수는 증가 (0.07→0.52). (c) 두 capability 의 contribution 이 교차 하는 구간이 정확히 upper-middle-income 영역.

방법론 노트

합성지수 합성은 UNIDO (2017), Filippetti-Peyrache (2011), Radosevic-Yoruk (2018) 의 전통을 따르되 IC-DC 의 type-based 분해가 차별점. 지식 type (know-how vs know-why) × 학습 mechanism (learning-by-doing vs learning-by-building) 의 두 축으로 sub-indicator 를 선택한다는 design rule 이 본 paper 의 contribution — 기존 지표가 intensity, breadth 같은 측정 차원 으로 분해된 데 비해 본 paper 는 지식 본성의 type 차원 으로 분해.

핵심 식:

X~i,t=Xi,t−XminXmax−Xmin,ICi,t=∑X~∈ICX~i,t,DCi,t=∑X~∈DCX~i,t,NTCi,t=ICi,t+DCi,t\tilde{X}_{i,t} = \frac{X_{i,t} - X^{min}}{X^{max} - X^{min}}, \quad IC_{i,t} = \sum_{\tilde{X} \in IC} \tilde{X}_{i,t}, \quad DC_{i,t} = \sum_{\tilde{X} \in DC} \tilde{X}_{i,t}, \quad NTC_{i,t} = IC_{i,t} + DC_{i,t}

그레인저 인과 검정 (Dumitrescu-Hurlin) 의 heterogeneous panel 식:

DCi,t=αi+∑k=1Kβi(k)ICi,t−k+∑k=1Kγi(k)DCi,t−k+εi,tDC_{i,t} = \alpha_i + \sum_{k=1}^{K} \beta_i^{(k)} IC_{i,t-k} + \sum_{k=1}^{K} \gamma_i^{(k)} DC_{i,t-k} + \varepsilon_{i,t}

여기서 K=5K=5 (AIC), X~\tilde{X} 는 min-max 정규화 변수. panel-quantile-regression 은 두 단계 — 1단계에서 panel-level effect 제거, 2단계에서 9 quantile 회귀. Arellano-Bond GMM 으로 lagged dependent variable 의 endogeneity 통제, AR(1) 검정으로 first-differenced error 의 autocorrelation 확인. 식별의 핵심은 NTC stage 분할 — 단일 식이 아니라 stage 별 인과 구조 차이를 관찰하는 설계. Dumitrescu-Hurlin (2012) 의 heterogeneous panel Granger test 는 각 panel unit (country) 별 lag coefficient 가 다를 수 있음을 허용 — country-specific 학습 속도 차이를 통제. Wald 통계량은 null: no causality for all panels 에 대한 평균 효과 검증. 어떤 country 에서 인과가 나타나는지는 별도 분석으로 남김 (본 paper 의 일반화 한계).

연구 계보

직접 predecessor 는 Middle Innovation Trap (Lee, Yeon, Baek 등 2019 Foresight and STI Governance) — 본 paper 가 정량화하는 conceptual framework 의 source. Bell-Pavitt (1992), Kim (1997), Lall (2000) 의 know-how vs know-why 구분이 framework 의 지적 뿌리. Abramovitz (1986) 의 social capability, Cohen-Levinthal (1990) 의 absorptive capacity, Fagerberg-Verspagen 의 technology gap model 이 IC-DC 분해의 전사 (前史). 중진국 함정 문헌은 Gill-Kharas (2007), Eichengreen et al. (2013), Felipe et al. (2017), Bulman et al. (2017), Radosevic-Yoruk (2018), Kang et al. (2015) 가 sibling. method 측면에서 Dumitrescu-Hurlin (2012) 의 heterogeneous panel Granger test, Arellano-Bond (1991) 의 dynamic panel GMM 이 도구의 source. 이정동 anchor 의 제3기 핵심 작업 (1.2 IC-DC 전환 · 1.9 middle innovation trap) 의 정량 백본. sibling: Role of production in fostering innovation 가 production-innovation 의 path-dependent 연결을 보였다면 본 paper 는 capability-economic-growth 의 stage-dependent 연결을 본다.

See also

인접 그래프

1-hop 이웃 20개
  • 인물 3
  • 개관 1
  • 방법론 4
  • 개념 2
  • 주제 2
  • 수록처 1
  • 분류 2
  • 논문 5
이정동Chulwoo BaekJung-In Yeon기술경영경제정책전공그레인저 인과 검정동적 패널 GMM합성지수Arellano-Bond GMM중진국 함정흡수능력기술 능력학습-실행 (learning-b…The Journal of Te…혁신 경제학development-econo… A tale of two technol…
휠 = 확대/축소 · 드래그 = 이동 · hover = 라벨 · 클릭 = 페이지 이동