AI technology specialization and national competitiveness

Youngsam Chun, Jisoo Hur, 황준석 (2024) · PLOS ONE 19:e0301091 · DOI ↗

본 연구는 국가의 인공지능 기술 전문화 (specialization) 를 결정하는 요인을 (i) 기존 기술 역량 (TECH_DENSITY), (ii) 과학–기술 cross-density (CROSS_DENSITY), (iii) 기술 복잡성 (TCI) 의 세 차원에서 분석한다. USPTO 의 1980-2019 AI 특허 407,386 건 (CPC 654 subclass), Web of Science SCIE 468,104 AI 논문 (230 discipline), 170 countries × 8 (5-year) periods 패널에 three-way-fixed-effects-panel-logit (country, technology, time FE) 로 ENTRY/EXIT 확률을 추정. 핵심 결과: 기존 기술 역량의 path dependence 가 강하게 작용하며, 과학 지식 (cross-density) 의 효과가 기술 복잡성보다 더 큼 — 신기술 영역 (AI) 에서 기존 기술 고도화보다 과학 지식과 산업의 통합 이 더 효과적임을 시사. 후발국 정책 함의: 단순 기술 emulation 보다 최신 AI 과학을 strategically 중요 sector 에 통합하는 전략.

• RQ: 국가의 인공지능 기술 specialization (RCA-based ENTRY/EXIT) 을 결정하는 핵심 요인은 무엇이며, 과학 지식 (cross-density) 과 기술 복잡성 (TCI) 중 어느 것이 더 큰 효과를 가지는가?
• 방법론: 현시 비교우위 (RCA) (Balassa 1965, ENTRY = $P(RCA_t > 1 | RCA_{t-1} < 1)$), knowledge-relatedness-density (Hidalgo & Hausmann path dependence proxy), science-technology-cross-density (Catalan et al. 2022 의 cross-proximity), method-of-reflections (Hidalgo & Hausmann 2009 의 ECI/TCI), three-way-fixed-effects-panel-logit (country + technology + time FE), 이분 네트워크 (country × technology)
• 데이터: USPTO via PATSTAT 2022 Spring (key-phrase WIPO PATENTSCOPE AI Index), 1980-2019, 654 CPC subclass × 204 countries × 8 (5-year) periods = (204 × 8 × 654) 특허 매트릭스 (407,386 patents); Web of Science SCIE 468,104 articles (170 countries × 8 periods × 230 disciplines); World Bank 경제 데이터; 1960-2018 전체 ~340,000 AI patent families + 1.6M papers (논문이 특허의 4.7배)
• 주요 발견: (1) TECH_DENSITY 강한 양 효과 — path dependence 가 AI specialization 의 가장 강한 driver; (2) CROSS_DENSITY 양 효과 — 국가의 기존 과학 portfolio 가 신기술 진입에 양; (3) TCI 양이지만 효과 더 작음 — 복잡한 기술은 진입 장벽 효과; (4) 과학 지식 효과 > 기술 복잡성 효과 — Catalan et al. (2022) 결과와 반대로, AI 같은 rapidly-evolving 분야에선 cross-density 가 dominant. 국가별 1위: 특허 US (202,867) > 한국 (48,915) > 일본 (36,548) > 독일 > 중국; 논문 US (115,120) ≈ 중국 (114,944) > 영국 > 독일 > 캐나다. CPC 1위 G06F (78,504), 디시플린 1위 Computer Science (AI) (84,501).
• 시사점: 후발국이 AI 경쟁력 확보하려면 단순한 기존 기술 고도화 (단순 TCI 올리기) 보다, 국가의 strategically 중요한 sector 에 최신 AI 과학 지식을 통합 하는 전략이 더 feasible 하고 효과적. 선진국 emulation 보단 niche 형성 우선.

요약

인공지능 기술 의 국가 경쟁력은 1960-2018 약 34만 patent families + 160만 논문 (논문이 특허의 4.7배) 의 폭발적 성장과 함께 global rivalry 의 핵심 차원이 됐다 (Vaswani et al. 2017 “Attention Is All You Need” 의 Transformer → ChatGPT 까지의 progression 이 단적 예시). 그러나 어떤 국가가 어떤 AI 영역에서 specialization 을 달성하는지 의 결정 요인은 — 특히 path dependence vs 신과학 통합 의 상대적 비중은 — empirically 미해결. Catalan et al. (2022) 의 cross-proximity 개념을 AI 영역에 확장하고 Pugliese et al. (2019) 의 multi-layered approach 를 결합해 본 연구는 (i) 현시 비교우위 (RCA) 기반 ENTRY/EXIT, (ii) 기술 path dependence (TECH_DENSITY), (iii) science-technology cross-density (CROSS_DENSITY), (iv) 기술 복잡성 (TCI) 의 4 요인을 동시 추정한다.

데이터: USPTO via PATSTAT 2022 Spring (CPC 분류의 일관성과 unified standard 때문에 다른 patent office 제외; WIPO PATENTSCOPE AI Index 키워드 + CPC 매칭) 으로 1980-2019 AI 특허 407,386 건 추출 (204 countries × 8 5-year periods × 654 CPC subclass). Web of Science SCIE 만 사용 (SSCI, AHCI 제외 — 기술 inventions 직접 관련 한정), conference proceedings·reviews·books 제외, 1980-2019 총 468,104 articles (170 countries × 8 periods × 230 discipline). 국가 분류: 저자 institutional affiliation 기반, multi-country affiliation 시 각 국가에 동일 가중치, 2008 이전 WoS corresponding author 정확성 한계로 first author 기본. China 특허는 PATSTAT applicant 정보 inconsistency 로 underrepresented (UKIPO 식별).

종속변수: ENTRY (0/1, 국가가 시점 t 에 시점 t-1 엔 없던 RCA>1 기술을 새로 획득했는지), EXIT (반대 방향). 독립변수: TECH_DENSITY (Hidalgo 식 기술 relatedness × 국가 portfolio overlap), TCI (Method of Reflections), CROSS_DENSITY (science-tech min conditional probability 기반 cross-proximity 의 국가 portfolio overlap, 3-year lag — AI 분야는 Catalan 의 4-year 보다 빠른 adoption). 통제: POP, GDP_CAPITA, TECH_STOCK, TECH_SIZE (모두 log + 1-year lag). 모형: three-way-fixed-effects-panel-logit $ENTRY = \beta_1 \text{TECH\_DENSITY}_{t-1} + \beta_2 \text{TCI}_{t-1} + \beta_3 \text{CROSS\_DENSITY}_{t-3} + (\text{squared terms}) + \alpha_c + \gamma_j + \delta_t + \varepsilon$.

결과 (요약, table 본문에 미포함): TECH_DENSITY 가장 강한 양 효과 — path dependence 가 dominant; CROSS_DENSITY 양 효과 — 과학 portfolio 와 align 된 sector 에서 specialization 확률 상승; TCI 양 효과지만 cross-density 보다 약함 — 복잡 기술 자체는 lock-in 위험. 과학 지식 효과 > 기술 복잡성 효과 는 Catalan et al. (2022) 의 일반 기술 분야 결과 (TCI > cross-density) 와 반대로, AI 같은 general-purpose technology 의 self-productivity, diffusion potential, complementarity (Brynjolfsson et al. 2018) 가 작용했다는 해석. 함의: 후발국은 단순 기술 emulation 보다 strategically 중요한 sector 에 최신 AI 과학을 통합 하는 전략. 황준석 의 5기 (2024-2026) 국가 혁신 시스템·AI 연구 라인의 일환이며, The Nexus of Artificial Intelligence and Green Innovation: a Cross-Density Analysis at the Country Level 와 자매 작업으로 동일 cross-density framework 를 green technology 영역으로 확장한다.

핵심 결과

변수	효과 방향	효과 크기 (상대)	해석
TECH_DENSITY (t-1)	+	가장 큼	Path dependence dominant — 기존 기술 역량이 신기술 진입의 1차 driver
CROSS_DENSITY (t-3)	+	큼 (TCI보다 큼)	과학-기술 cross-proximity 의 강한 spillover
TECH_COMPLEXITY (TCI)	+	작음	복잡 기술 진입 어려움 — barrier 역할
Squared 항 (모두)	검증	inverted-U 가능성	overspecialization 시 lock-in 위험
통제 (POP·GDP·TECH_STOCK)	+	표준	큰 경제·기술 stock = 진입 용이

Top AI knowledge producers	특허	논문
1위	US (202,867)	US (115,120)
2위	KR (48,915)	CN (114,944)
3위	JP (36,548)	UK (39,246)
4위	DE (35,995)	DE (26,235)
5위	CN (32,102)	CA (23,667)

Top CPC	특허	Top discipline	논문
G06F (computing)	78,504	Computer Science (AI)	84,501
G06N (neural net)	71,052	Engineering (E&E)	75,808
H04L (data transm)	38,946	Computer Science (Interdisc)	34,659
G06Q (business)	38,050	Computer Science (Inf Sys)	34,287
G06V (vision)	31,098	Neuroscience	33,175

• 표본: 204 countries × 8 (5-year) periods × 654 CPC subclass; TECH_DENSITY/TCI 26,300 obs, CROSS_DENSITY 19,035 obs
• 기간: 1980-2019 (AI winter 후 1990s 부활, 2000s 특허 급증, 2012 AlexNet/2017 Transformer 포함)

방법론 노트

현시 비교우위 (RCA) (Balassa 1965) 의 기술 버전:

$$RCA_{c,j,t} = \frac{\text{patent}_{c,j,t} / \sum_j \text{patent}_{c,j,t}}{\sum_c \text{patent}_{c,j,t} / \sum_c \sum_j \text{patent}_{c,j,t}}$$ $$ENTRY_{c,j,t} = P(RCA_{c,j,t} > 1 \mid RCA_{c,j,t-1} < 1)$$ $$EXIT_{c,j,t} = P(RCA_{c,j,t} < 1 \mid RCA_{c,j,t-1} > 1)$$

기술 relatedness (Hidalgo et al. 2007):

$$\varphi_{i,j,t} = P(RCA_{c,j,t} > 1 \mid RCA_{c,i,t} > 1)$$

knowledge-relatedness-density (국가 portfolio 기반):

$$\text{TECH\_DENSITY}_{c,j,t} = \frac{\sum_{j \in c, j \neq i} \varphi_{i,j,t}}{\sum_{i \neq j} \varphi_{i,j,t}} \times 100$$

science-technology-cross-density (Catalan et al. 2022, minimum conditional probability):

$$\varphi^X_{sci, tech, t} = \min\left\{ P(RCA_{sci,t} > 1 \mid RCA_{tech,t} > 1), \; P(RCA_{tech,t} > 1 \mid RCA_{sci,t} > 1) \right\}$$ $$\text{CROSS\_DENSITY}^X_{c,tech,t} = \frac{\sum_{tech \in c, tech \neq sci} \varphi^X_{sci,tech,t}}{\sum_{sci \neq tech} \varphi^X_{sci,tech,t}} \times 100$$

method-of-reflections (Hidalgo & Hausmann 2009) 의 TCI:

$$ECI = \frac{1}{\text{UBIQUITY}} \sum M_{c,j} \cdot TCI, \quad TCI = \frac{1}{\text{DIVERSITY}} \sum M_{c,j} \cdot ECI$$

여기서 $M_{c,j} = 1$ if $RCA \ge 1$, otherwise 0. iterate until stable.

추정식 (three-way-fixed-effects-panel-logit):

$$ENTRY_{c,j,t} = \beta_1 \text{TECH\_DENSITY}_{c,j,t-1} + \beta_2 \text{TCI}_{j,t-1} + \beta_3 \text{CROSS\_DENSITY}_{c,j,t-3}$$ $$+ \beta_{4-6} \text{squared terms} + \beta_{7-10} \text{controls}_{c,j,t-1} + \alpha_c + \gamma_j + \delta_t + \varepsilon_{c,j,t}$$

식별 strategy: (i) 3-year lag for CROSS_DENSITY (AI 의 빠른 adoption 반영, Catalan 의 4-year 보다 짧음), 1-year for TECH_DENSITY/TCI; (ii) country + technology + time three-way FE 로 cross-sectional·time-invariant heterogeneity 모두 흡수; (iii) squared term 으로 inverted-U 검정 (lock-in 위험); (iv) RCA-based ENTRY/EXIT 은 absolute patent count 의 변동성 (patent law 변화, country-level patenting behavior) 을 회피. Robustness check: key-phrase vs CPC-only vs hybrid 분류, time lag 0-4 변화. 한계: China 데이터 underrepresentation (PATSTAT applicant info), USPTO bias (non-US 기업 미국 시장 진입 우선이라 일부 country 의 국내 use 누락), GPT 효과 미반영 (TCI 만으론 AI 의 self-productivity·diffusion 못 잡음).

연구 계보

현시 비교우위 (RCA) 의 기원은 Balassa (1965), 그 기술 응용은 Boschma et al. (2015), Petralia et al. (2017), Catalan et al. (2022) 라인. Path dependence / 기술 relatedness 는 Hidalgo & Hausmann (2009, “The building blocks of economic complexity”) 와 Hidalgo et al. (2007) 의 product space, method-of-reflections 의 ECI/TCI. science-technology-cross-density 는 Catalan et al. (2022, Research Policy) 의 핵심 기여로, 본 연구가 AI 영역에 직접 확장한 출발점. Multi-layered network 는 Pugliese et al. (2019). 지리적 knowledge spillover 는 Jaffe et al. (1993). AI 분류는 WIPO PATENTSCOPE AI Index (2019) 와 다양한 key-phrase / CPC 매칭 전략 비교 (Liu et al. 2021; Cockburn et al. 2018). General-purpose technology 로서의 AI 의 self-productivity·diffusion·complementarity 는 Brynjolfsson et al. (2018), Trajtenberg (2018). 신기술 진입의 잠재적 lock-in 문제는 Arthur (1989), David (1985) 의 path dependence 전통. 황준석 의 5기 (2024-2026) 국가 혁신 시스템·AI 정책 라인의 일환이며, 동일 cross-density framework 를 green technology 영역으로 적용한 The Nexus of Artificial Intelligence and Green Innovation: a Cross-Density Analysis at the Country Level 가 직접 자매 작업.

See also

• 황준석
• Youngsam Chun
• Jisoo Hur
• PLOS ONE
• 인공지능 기술
• national-competitiveness
• 현시 비교우위 (RCA)
• science-technology-cross-density
• method-of-reflections
• three-way-fixed-effects-panel-logit
• 경로 의존성
• 지식 파급
• The Nexus of Artificial Intelligence and Green Innovation: a Cross-Density Analysis at the Country Level

인접 그래프

1-hop 이웃 14개

• 인물 3
• 방법론 3
• 개념 2
• 수록처 1
• 분류 1
• 논문 4

↻ 초기화

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

이 문서를 가리키는 페이지

논문 (4)

• Dynamic patterns of AI technology diffusion: focusing on time series clustering and patent analysis
• Exploring trends and topics in hybrid intelligence using keyword co-occurrence networks and topic modelling
• Measuring ethics level of technological topics using phylogenetic tree
• The Nexus of Artificial Intelligence and Green Innovation: a Cross-Density Analysis at the Country Level

인물 (1)

• 황준석