The Effect of Incentive Mechanism on Knowledge Transfer Network: An Agent-Based Model Approach

Rafi Ramadhan Isakh, 황준석 (2023) · IEEE International Conference on Technology Management, Operations and Decisions · DOI ↗

본 연구는 조직 내 지식 이전에서 그룹 기반 인센티브 메커니즘 (partnership scheme vs target-based scheme) 의 효과를 에이전트 기반 모형 (ABM) 로 시뮬레이션한다. 가상 공간 L=20, N=150 에이전트, 지식 fragment 20 개, von Neumann 이웃 vision=3, tolerance=5 의 setup 으로 partnership·target-based·no-incentive 세 시나리오 비교. 결과: (i) 인센티브는 지식 이전 효율과 양의 상관 — 인원·vision 증가 시 완료 시간 단축, (ii) 그러나 형성된 네트워크 구조는 세 시나리오 모두 random network (binomial degree distribution, power-law γ>3) 로 동일, (iii) target-based 가 link 수 (1,301) 로 partnership (1,238) 보다 많지만 average degree 는 유사. 함의: 효율 향상은 인센티브로 가능하나 협력 구조 재편 은 다른 개입 (조직 정렬·역할 매칭) 이 필요.

RQ: (a) 지식 이전 네트워크는 default 로 어떤 유형으로 분류되는가? (b) 그룹 기반 인센티브 메커니즘이 지식 이전 효율과 네트워크 구조에 어떤 영향을 미치는가?
방법론: 에이전트 기반 모형 (NetLogo 류 simulation, von Neumann 이웃, Rand & Rust 2011 verification protocol), 사회 네트워크 분석 (in-degree edges, degree distribution, power-law fit), utility-decision-model (sharing utility = cost + return + risk), degree-distribution-analysis (binomial vs scale-free 검정)
데이터: 합성 ABM simulation. 공간 L=20 (조직 평균 크기), N=150 (Dunbar number), 지식 fragment 20개, tolerance T=5, vision V=3, performance target R=0.5 (target-based 만)
주요 발견: (1) 지식 완료 시간은 직원 수·vision 증가 시 감소 (partnership scheme 에서 특히 뚜렷); (2) tolerance·vision 미세 조정은 큰 차이 없음; (3) 세 시나리오 모두 random network 위상 (degree peak 가 average 근처, power-law γ>3); (4) Link 수: target-based 1,301 > partnership 1,238 > no-incentive 미만; (5) average degree 는 모든 시나리오 유사.
시사점: 인센티브는 link 수와 효율을 끌어올리지만 네트워크 구조의 fundamental shift 를 만들지 못한다. 협력 구조 재편을 위해선 intrinsic motivation 정렬·hierarchical interaction 제약 같은 추가 개입이 필요. Star-shaped (계층) 구조의 congestion 문제 완화엔 인센티브가 accelerator 역할.

요약

지식 이전은 조직의 sustainable competitive advantage 의 핵심이지만 (Chen 2004; Hussein et al. 2016), 합리적 개인은 비용이 보상되지 않으면 참여하지 않으려 한다 — 따라서 인센티브 메커니즘이 자주 도입된다. Bartol & Srivastava (2002) 는 인센티브 효과가 지식 공유 유형에 의존 한다고 보았다 (monetary reward 는 공식적·개인적 contribution 에, intangible recognition 은 비공식 상호작용에 적합). 기존 실증 (Chang & Coyte 2014 의 시나리오 실험, Wickramasinghe & Widyaratne 2012 의 설문) 은 지식의 invisibility 라는 본질적 관찰 한계에 부딪힌다. 본 연구는 이 한계를 에이전트 기반 모형 로 우회해, 조직 내 인센티브 메커니즘이 효율 과 네트워크 구조 라는 두 종속변수에 미치는 효과를 분리 검증한다.

ABM setup: 공간 L=20 (조직 평균 크기, ref [25]), 에이전트 N=150 (Dunbar number, ref [27]), 각 에이전트는 길이 20 의 binary string 으로 지식 fragment 보유 여부 표현 (cognition 의 combinatory nature, Morone & Taylor 2004), tolerance T=5, vision V=3 (코어 토론 그룹 3-5인, Hirshman et al. 2011). Round 별 행동: (1) von Neumann 이웃에서 파트너 탐색, (2) 부족한 fragment 요청, (3) 파트너는 utility decision model 로 공유 여부 결정, (4) tolerance 초과 시 새 공간으로 이동 (personnel mobility 모사). Sharing utility $U_{share} = \text{cost} + \text{return} + \text{risk}$ , cost 는 지식 monopoly perception, return 은 firm 성과의 expected return, risk 는 incentive scheme 에 따라 partnership (다른 에이전트 참여 수준) 또는 target-based (target 달성 확률) 로 다르게 계산.

세 시나리오 (partnership / target-based / no-incentive) 시뮬레이션 결과: (i) 효율 측면 — 직원 수·vision 증가는 완료 시간 단축, knowledge fragment 수 증가는 시간 증가. Tolerance·vision 의 fine adjustment 는 큰 차이 없음 (intrinsic motivation 만으로는 효율 개선 한계). (ii) 네트워크 구조 측면 — 세 시나리오 모두 random network (degree distribution 이 average 근처에서 binomial peak, power-law fit 시 γ>3 으로 random regime 충족). Link 수만 target-based 1,301 > partnership 1,238 으로 차이가 있고 average degree 는 동일. 저자들의 사전 기대 (incentive → scale-free network 형성) 는 기각: 에이전트가 as quickly as possible 지식 수집 을 목적하면서 자유롭게 상호작용하면, 특정 노드 집중이 발생하지 않고 random network 가 자연 산출된다. 황준석 그룹의 4기-5기 (2020-2026 경계) ABM·혁신 네트워크 시뮬레이션 라인의 일환이며, seungho-kim-2017-product-evolution-abm (제품 진화 ABM) 같은 자매 작업과 연결된다.

핵심 결과

Scheme	Links	Average Degree	Network Type	Power-law γ
No incentive	가장 적음	~ 동일	Random	> 3
Partnership	1,238	~ 동일	Random	> 3
Target-based	1,301	~ 동일	Random	> 3

ABM setup: N=150 agents, L=20 space, 20 knowledge fragments, T=5 tolerance, V=3 vision
효율 driver: 직원 수↑, vision↑ → 완료 시간↓; knowledge fragment 수↑ → 완료 시간↑
Tolerance·vision 미세 조정은 큰 효과 없음 (intrinsic motivation 한계)
Performance target R=0.5 (target-based only); higher target 이 때때로 효율 개선
모든 시나리오 degree distribution = binomial-like (random network 특성)

방법론 노트

핵심 식별은 utility-decision-model 에 기반한 에이전트의 sharing 결정:

U_{share} = \text{cost} + \text{return} + \text{risk}

\text{cost (monopoly)}_i = 1 - \frac{n_{\text{fragment}, i}}{N}

여기서 $n_{\text{fragment},i}$ 는 fragment $i$ 를 가진 에이전트 수, $N$ 은 전체 에이전트 수. monopoly 가 높을수록 (공유자 적을수록) cost ↑ → 공유 의향 ↓. 개별 performance 와 firm 전체 performance 는:

\text{performance} = \frac{\text{num of answers}}{\text{num of questions}}, \quad E = \sum_{i}^{N} \text{performance}_i, \quad \text{return} = \frac{E_{answers}}{N}

Risk 는 scheme 별로 다르게:

\text{risk}_{partnership} = \text{performance}, \quad \text{risk}_{target-based} = \Pr\left(\frac{E_{answers}}{E_{questions}} > \text{target}\right)

Partnership 은 revenue sharing 처럼 타 에이전트 참여 수준이 본인 risk (free-riding 노출). Target-based 는 forcing contract — target 달성 시 전부, 미달 시 0 (winner-takes-all). Verification 은 Rand & Rust (2011) protocol 의 세 단계 (micro/macro/input validation) 와 formalized model 기반 step-by-step debugging. 데이터 source 는 knowledge barter theory (Cowan & Jonard 2004), Kowalska-Styczeń et al. (2018), Li et al. (2021), Hirshman et al. (2011) 의 정량적 setup 을 따른다.

핵심 한계: 에이전트가 perfectly rational 이고 hierarchical structure 없이 누구와도 상호작용 가능 — 실제 조직의 star-shaped centrality 와 supervisor mediated 흐름을 반영하지 못함. 후속 연구로 (i) bounded rationality, (ii) hierarchical interaction rule 추가가 제안된다.

연구 계보

이론 기반은 Bartol & Srivastava (2002) 의 reward type-knowledge sharing 분류, Bock et al. (2005) 의 reward·association·contribution 3-factor 모델, Greenberg & Liebman (1990) 의 activity·social·material 분류, cognitive evaluation theory (Deci & Ryan 2013) 의 extrinsic-intrinsic 긴장. ABM 방법론은 Wooldridge & Jennings (1995) 의 intelligent agents 정의 (interactivity·reactivity·proactiveness·autonomy), Holland & Miller (1991) 의 artificial adaptive agents 전통, Cowan & Jonard (2004) 의 knowledge diffusion network model, Guechtouli et al. (2013) 의 expert-newcomer ABM 을 따른다. Verification 은 Rand & Rust (2011) 의 IJMR protocol. 직접 출발점은 Chang & Coyte (2014) 의 시나리오 실험과 Wickramasinghe & Widyaratne (2012) 의 설문 연구의 관찰 불가능성 한계 를 에이전트 기반 모형 로 우회하는 motivation. 황준석 의 4기-5기 ABM·시뮬레이션 라인에서 seungho-kim-2017-product-evolution-abm 같은 product evolution ABM 작업과 자매적이며, 동일한 agent-based 가설 검증 패러다임을 organizational learning context 로 확장.

인접 그래프

1-hop 이웃 7개

인물 2
방법론 3
수록처 1
분류 1

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

The Effect of Incentive Mechanism on Knowledge Transfer Network: An Agent-Based Model Approach

요약

핵심 결과

방법론 노트

연구 계보

See also

인접 그래프