The Nexus of Artificial Intelligence and Green Innovation: a Cross-Density Analysis at the Country Level

Youngsam Chun, 황준석 (2024) · Journal of the Knowledge Economy · DOI ↗

본 연구는 인공지능 기술 가 녹색 혁신 의 entry (신규 진입), exit (이탈), sustained specialization (지속) 세 활동에 미치는 시너지 효과를 139 개국 × 30 년 (1990-2019, 5-year 윈도우 6 개) 패널로 분석한다. 핵심 기여는 AI-Green Cross-Density 라는 새 metric — Pugliese et al. (2019) 의 cross-density 를 두 기술 영역 (AI × green) 사이의 minimum conditional probability 기반으로 정의 — 의 도입. 선형확률모형 + country/technology/time three-way-fixed-effects 추정 결과: (i) 기술 역량 (GREEN_DEN, AI_GREEN_DEN) 이 경제 부 (GDP_CAPITA) 보다 녹색 specialization 의 더 강한 driver (H1b 지지); (ii) green path dependence 확인 — 기존 녹색 portfolio 와 가까운 신기술이 더 잘 진입 (H2a/b 지지); (iii) AI-Green cross-density 효과는 중·저소득국에서 더 큼 (H3a 지지). 함의: AI 와 녹색 기술의 “twin transitions” 정책 패키지가 후발국의 녹색 catch-up 도구가 될 수 있음.

RQ: 국가 수준에서 인공지능 기술 가 녹색 혁신 의 entry / exit / sustained specialization 세 활동에 어떻게 영향을 미치는가? 그 효과는 국가 소득 수준에 따라 어떻게 다른가?
방법론: 현시 비교우위 (RCA) (Balassa 1965, 4 sector: entry / exit / sustained specialization / no-RCA), ai-green-cross-density (Pugliese et al. 2019 의 cross-density 를 AI×green 확장, minimum conditional probability), knowledge-relatedness-density (Hidalgo et al. 2007), technology-complexity-index (Balland et al. 2019, eigenvector 2위 Z-transform), 선형확률모형 (이항 종속변수, King-Zeng 권장, 다수 0 처리에 우수), three-way-fixed-effects (country × technology × time)
데이터: EPO PATSTAT (1990-2019, USPTO), OECD Env-Tech framework (72 CPC subclass for green), WIPO key-phrase for AI; 139 countries (인구 > 1M, 연간 ≥5 patents); 5-year non-overlapping windows (1990-94, 1995-99, …, 2015-19); 33 OECD nations 의 EPS 는 robustness check 용; World Bank GDP/POP
주요 발견: H1a/b 지지 — 기술 역량 > 경제 부 (특히 GREEN_DEN, AI_GREEN_DEN); H2a/b 지지 — 녹색 path dependence 강함 (relatedness density 높을수록 ENTRY 확률 상승, EXIT 감소); H3a 지지 — AI_GREEN_DEN 이 ENTRY 와 SUSTAINED 에 양 효과, 효과 크기는 최근 시기일수록·중·저소득국일수록 강함; lock-in 위험은 squared term 으로 일부 보임.
시사점: “Twin transitions” (green + digital) 정책의 empirical 근거 제공. 후발국 녹색 catch-up 전략으로 AI 통합이 추천됨 — 단순한 환경 규제 강화 (Porter Hypothesis) 보다 AI 기반 hybrid innovation (예: hybrid car) 이 더 효과적. 다만 AI 자체의 에너지 소비 (data center) 는 환경 부담이라 정책 설계 중요.

요약

녹색 경제로의 전환은 Porter Hypothesis (1995) 의 환경 규제 → 혁신 자극 명제에서 출발해, 점차 기술 능력 + GPT 통합 의 중요성으로 진화해왔다 (Pearson & Foxon 2012; Smith 2009). 동시에 인공지능 기술 는 GPT 로서 economic growth (Aghion et al. 2019; Trajtenberg 2019) 와 green transformation (Vinuesa et al. 2020; Liu et al. 2021; Yang et al. 2022; Qian et al. 2023) 양쪽에 동시 영향을 미친다는 인식이 확산됐다 — 특히 European policy 의 “twin transitions” 담론 (Bianchini et al. 2023; Cicerone et al. 2023; Stefan et al. 2022) 이 핵심 motivation. 그러나 두 기술의 interplay 의 정량 측정 은 거의 empty — Pugliese et al. (2019) 의 cross-density 가 multilayer network 의 coevolution 을 측정하는 framework 를 제공하지만 AI × green 직접 적용 사례는 본 연구가 처음.

데이터: EPO PATSTAT 의 1990-2019 patent (USPTO), OECD Env-Tech framework (Haščič & Migotto 2015) 의 72 CPC subclass 로 green tech 식별, WIPO PATENTSCOPE AI Index 의 key-phrase 매칭으로 AI tech 식별. 139 countries 선정 기준: 인구 > 1M + 연간 ≥5 patents (green + AI 양쪽). 5-year non-overlapping windows 6 개 (1990-94, 1995-99, …, 2015-19) 로 시계열 noise 완화 + 5-year AI→green lag 식별 가능. 33 OECD nations 의 EPS index 는 robustness only (cross-country coverage 한계).

종속변수: GREEN RCA 의 시점간 전환으로 정의된 세 활동 — ENTRY (t-1: RCA<1, t: RCA>1), SUSTAINED SPECIALIZATION (t-1, t: 모두 RCA>1), EXIT (t-1: RCA>1, t: RCA<1). 독립변수: GREEN_DEN (국가의 기존 녹색 기술 portfolio 와 신기술의 relatedness density), AI_GREEN_DEN (국가의 AI portfolio 와 신녹색기술의 cross-relatedness density). 통제: TECH_STOCK, GREEN_TCI (green technology complexity), POP, GDP_CAPITA. 모형: 선형확률모형 + country/technology/time three-way-fixed-effects $GREEN\_INNO_{c,j,t} = \beta_1 GREEN\_DEN_{c,j,t-5} + \beta_2 AI\_GREEN\_DEN_{c,t-5} + \beta_{3-7} CONTROL_{c,j,t-5} + \alpha_c + \lambda_j + \delta_t + \varepsilon_{c,j,t}$ . King & Zeng (2001) 의 권고에 따라 LPM 이 logit 보다 0 다수 binary 종속변수에 더 적합. 5-year lag 는 AI 의 green 영향이 patent application 까지 도달하는 시간.

결과 (요약): (1) GREEN_DEN 강한 양 효과 — 기존 녹색 portfolio 와의 relatedness 가 ENTRY 의 핵심 driver, EXIT 의 핵심 inhibitor; (2) AI_GREEN_DEN 양 효과 — AI 와 green 의 cross-density 가 ENTRY 와 SUSTAINED 모두 향상; (3) AI_GREEN_DEN 의 효과는 최근 시기일수록 더 크고, 중·저소득국에서 더 강함 — AI 가 economic catch-up 의 도구; (4) GDP_CAPITA 와 같은 경제 변수는 기술 변수보다 효과 작음 (H1b 지지); (5) GREEN_TCI 도 양 효과지만 cross-density 가 더 강함. AI technology specialization and national competitiveness 와 자매 작업으로 동일 cross-density framework 를 AI 단일 도메인 → AI × green 양 도메인으로 확장. 황준석 의 5기 (2024-2026) 국가 혁신 시스템·AI 정책 라인의 일환.

핵심 결과

가설	변수	효과	결론
H1a	기술·경제·제도 역량 → 녹색 RCA	+	지지
H1b	기술 역량 > 경제·제도 역량	TECH 가 dominant	지지
H2a	기존 녹색 기술과의 relatedness → 신녹색 ENTRY	+	지지
H2b	GREEN_DEN 높을수록 ENTRY 효과 강화	+	지지
H3a	AI_GREEN_DEN → ENTRY (RCA 보유국)	+	지지
H3b	AI_GREEN_DEN → SUSTAINED	+	지지
(heterogeneity)	AI_GREEN_DEN 효과 vs 소득 수준	중·저소득국에서 더 큼	추가 발견
(heterogeneity)	AI_GREEN_DEN 효과 vs 시기	최근일수록 더 큼	추가 발견

표본: 139 countries × 6 (5-year) periods × 72 green CPC subclass
기간: 1990-2019 (Porter Hypothesis 발표 직후~AlphaGo·ChatGPT 직전)
추정: LPM + three-way FE (country, green tech, time); EPS index 는 33 OECD robustness only

방법론 노트

본 연구의 핵심 metric ai-green-cross-density 는 Pugliese et al. (2019) 의 cross-density 를 두 기술 영역 (AI × green) 사이로 확장한 새 측정. 두 기술 간 relatedness 는 minimum conditional probability:

\varphi^X_{i,j} = \min\left\{ P(AI\_RCA_i > 1 \mid GREEN\_RCA_j > 1), \; P(GREEN\_RCA_j > 1 \mid AI\_RCA_i > 1) \right\}

이를 국가 portfolio 에 가중평균:

AI\_GREEN\_DEN_{c,j,t} = \frac{\sum_{j \in c, j \neq i} \varphi^X_{i,j,t}}{\sum_{i \neq j} \varphi^X_{i,j,t}} \times 100

종속변수는 GREEN RCA (Balassa 1965 기술 버전) 의 시점간 전환:

RCA_{c,j,t} = \frac{\text{patent}_{c,j,t} / \sum_j \text{patent}_{c,j,t}}{\sum_c \text{patent}_{c,j,t} / \sum_c \sum_j \text{patent}_{c,j,t}}

ENTRY_{c,j,t} = P(GREEN\_RCA_{c,j,t} > 1 \mid GREEN\_RCA_{c,j,t-1} < 1)

SUSTAINED_{c,j,t} = P(GREEN\_RCA_{c,j,t} > 1 \mid GREEN\_RCA_{c,j,t-1} > 1)

EXIT_{c,j,t} = P(GREEN\_RCA_{c,j,t} < 1 \mid GREEN\_RCA_{c,j,t-1} > 1)

technology-complexity-index (Balland et al. 2019) 는 Method of Reflections 대신 incidence matrix $M_{c,j,t}$ 의 product $C = M M^T$ 의 2위 eigenvector 의 Z-transform:

GREENTCI_{j,t} = \frac{\vec{Q} - \langle \vec{Q} \rangle}{\text{stdev}(Q)}

추정식 (선형확률모형 + three-way-fixed-effects):

GREEN\_INNO_{c,j,t} = \beta_1 GREEN\_DEN_{c,j,t-5} + \beta_2 AI\_GREEN\_DEN_{c,t-5}

+ \beta_{3-7} CONTROL_{c,j,t-5} + \alpha_c + \lambda_j + \delta_t + \varepsilon_{c,j,t}

식별 strategy: (i) LPM 은 logit 대비 다수 0 binary 종속변수에 robust (King & Zeng 2001), Balland et al. (2019) 가 검증; (ii) 3-way FE (country/tech/time) 로 모든 unobserved heterogeneity 흡수; (iii) 5-year lag 로 AI → green 의 reverse causality 완화 + AI 의 green 영향 도달 시간 반영; (iv) Sample 제한 (인구 1M+, ≥5 patents) 으로 data noise 감소 (Hidalgo 2021 권고); (v) Heterogeneity 분석으로 소득 수준별·시기별 효과 차이 식별. 한계: PATSTAT inconsistency (China underrepresented), patent 만으로 green innovation 의 process innovation 못 잡음, EPS coverage 좁아 robustness only.

연구 계보

이론 기반: Porter Hypothesis (Porter & Vanderlinde 1995) — 환경 규제 → 혁신 자극, Pearson & Foxon (2012) — 기술 능력 우선론, Fankhauser et al. (2013) — green race. Path dependence 와 relatedness: Boschma (2017), Hidalgo et al. (2007, 2018), Santoalha & Boschma (2021), Barbieri et al. (2020). AI 의 GPT 성격: Aghion et al. (2019), Trajtenberg (2019), Brynjolfsson et al. (2018), Cockburn et al. (2019). AI × green 직접 분석은 Kopka & Grashof (2022), Zhao & Qian (2023), 중국 sector 분석 Liu et al. (2021), Yang et al. (2022), Yin et al. (2023). 핵심 직접 출발점: Pugliese et al. (2019) 의 cross-density 와 multilayer network framework, Catalan et al. (2022) 의 science-tech cross-density 확장. technology-complexity-index 는 Balland et al. (2019). RCA-based ENTRY/EXIT 의 four-quadrant 정식화는 본 연구의 specific contribution. 황준석 의 5기 (2024-2026) 국가 혁신 시스템 라인의 일환이며, AI technology specialization and national competitiveness 의 직접 후속·자매 작업 — AI 단일 specialization 의 결정 요인 분석 → AI 가 다른 (green) 기술 영역에 미치는 cross-effect 로 확장.

인접 그래프

1-hop 이웃 10개

인물 2
방법론 4
개념 1
수록처 1
분류 1
논문 1

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

이 문서를 가리키는 페이지

논문 (1)

AI technology specialization and national competitiveness