Knowledge spillovers and innovation performance of the originator: The moderating effect of technological alliances

Yura Rosemary Jung, Jaehyun Lee, 황준석, Noelia Lombardo Gava (2024) · Journal of Innovation & Knowledge 9:100540 · DOI ↗

본 연구는 지식 파급 가 originator (지식 발원자) 의 후속 혁신 성과 (follow-on innovation) 에 미치는 양면 효과 를 Spillover Knowledge Pool (SKP) — 원본 지식 기반 위에 recipient firms 가 만든 모든 외부 지식 — 의 특성으로 분해하고, 기술 동맹 가 그 관계를 어떻게 조절하는지 분석한다. 1992-2001 미국 telecommunications equipment industry 62 firms × 10 years (443 firm-year) 패널에 poisson-pseudo-maximum-likelihood + firm/year FE 추정. 결과: (i) SKP 의 technological diversity 는 originator 후속 혁신에 양 효과 (β=2.305, p<0.01) — 1 SD 증가 시 +95.04% 후속 혁신; (ii) SKP × originator knowledge 의 technological overlap 는 음 효과 (β=−1.154, p<0.01) — 1 SD 증가 시 −14.44%; (iii) 기술 동맹 가 diversity 양 효과를 강화 (β=2.800, p<0.05), overlap 음 효과를 악화 (β=−2.892, p<0.01). Cohen-Levinthal absorptive capacity 의 PACAP vs RACAP 이원 분해로 해석.

RQ: SKP (Spillover Knowledge Pool) 의 technological diversity 와 technological overlap 가 originator 의 후속 혁신에 어떻게 다른 영향을 주는가? 기술 동맹 가 양 효과를 어떻게 조절하는가? — 학습 augmentation vs 누출 risk 의 trade-off.
방법론: poisson-pseudo-maximum-likelihood (PPML, Correia et al. 2020 — count DV·zero many·overdispersion robust), 패널 고정효과 모형 (firm + year FE), 조절 분석 (centered interaction term), shannon-diversity-index (SKP technological diversity), citation-weighted-patent-count (Trajtenberg 1990, $\sum (1 + C_i)$ with 3-year forward citation window), instrumental-variable-2sls (Combined Reporting Index for endogeneity check), Robustness: inverse-Herfindahl diversity, 대체 technological alliance 정의
데이터: USPTO patent (1987-2006) + SDC Platinum alliance (1987-2001) + Compustat/Datastream financials; 글로벌 telecommunications equipment manufacturing industry (SIC 3661/3663/3669), 1992-2001, 62 firms × 10 years = 443 firm-year (단일·분리 obs 제거 후); 58 US + 4 Canada + 2 Japan + 6 Europe/Israel. M&A 추적 + bankruptcy 처리.
주요 발견: H1 (SKP diversity → 양) 지지 (β=2.305, p<0.01; +95.04% effect size); H2 (SKP overlap → 음) 지지 (β=−1.154, p<0.01; −14.44%); H3 (alliance × diversity → 양 강화) 지지 (β=2.800, p<0.05); H4 (alliance × overlap → 음 악화) 지지 (β=−2.892, p<0.01). 통제: R&D intensity 음 (−6.51, p<0.01), current ratio 양 (+0.15, p<0.01). VIF < 5 (안전), Combined Reporting IV 로 endogeneity 부재.
시사점: 기업은 자신의 spillover pool 의 diversity 와 overlap 을 동시 모니터링해 alliance 전략을 차등화해야 함. Diversity 가 높으면 alliance 가 도구, overlap 가 높으면 alliance 가 위험. 정책적으로 산업별 spillover 패턴이 다르므로 alliance regulation 의 산업별 차등 필요.

SKP 의 technological diversity 와 overlap 이 originator 후속 혁신에 미치는 효과 + technological alliance 의 조절 효과 conceptual diagram. Cohen-Levinthal absorptive capacity 의 PACAP (acquisition+assimilation) vs RACAP (transformation+exploitation) 이원 분해가 mechanism 이론 기반.

요약

전통 knowledge-based view (KBV) 는 지식 파급 를 originator 가 deterring 해야 할 위험 (imitation, catch-up; Cohen et al. 2000; James et al. 2013) 으로 본다. 그러나 2010s 부터 일부 연구 (Yang et al. 2010; Yang & Steensma 2014; Alnuaimi & George 2016; Varshney & Jain 2023) 는 originator 가 recipient 의 후속 혁신에서 vicariously learn 해 자기 혁신을 강화할 수 있다는 양면 효과를 제기했다. Tesla 의 EV 특허 공개 (2014), Github·Arduino 의 open-source 등 real-world 사례가 이 통찰을 지지. 그러나 어떤 조건에서 양 효과가 우세한지, firm 전략 이 어떻게 그 조건을 modulate 하는지는 unclear. 본 연구는 이 공백을 흡수능력 의 PACAP (potential: acquisition·assimilation) vs RACAP (realized: transformation·exploitation) 이원 분해 (Zahra & George 2002) 위에서 SKP × technological alliance interaction 으로 메운다.

핵심 idea: SKP (Yang et al. 2010 정의: originator 지식 기반 위에 recipient 들이 만든 모든 외부 지식 + 그들의 다른 지식) 의 두 차원 — (a) absolute technological diversity (shannon-diversity-index 로 측정한 SKP 의 기술 분야 분산도); (b) relative technological overlap (SKP 와 originator existing knowledge 의 primary main class 공통 비율) — 이 originator 의 vicarious learning 의 기회 vs 도전 을 다르게 결정한다. H1: 높은 diversity 는 PACAP 와 RACAP 양쪽에서 양 효과 (다양한 recombination 후보). H2: 높은 overlap 는 originator 의 differentiation 어려움 + aspiration level 하락 (Cyert & March 1963; Festinger 1954) → RACAP 약화. H3: alliance 는 partner 의 R&D routine 노출로 diversity 의 양 효과 강화. H4: alliance 는 tacit knowledge leakage (Lei et al. 1997; Becerra et al. 2008) 로 overlap 상황을 더 악화 (이미 differentiation 어려운 데 자기 know-how 도 누출).

데이터: 미국·캐나다·일본·유럽 등 글로벌 telecommunications equipment manufacturing industry (SIC 3661/3663/3669) 의 1992-2001 패널 — 인터넷·모바일 통신 boom 과 1996 Telecom Act 등 R&D 집약·alliance 활발한 시기 (dotcom 거품 종료 직전까지). 100 firms 중 patent·financial 가용성으로 79 → spillover 없는 firm-year 제외 → 70 firms → 최종 62 firms × 10 years × 443 firm-year. USPTO patent 1987-2006 (5-year lag for SKP construction), SDC Platinum alliance 1987-2001, Compustat/Datastream financials. M&A 처리·bankruptcy 제외. 종속변수: citation-weighted-patent-count $WPC_j = \sum_i^{n_j} (1 + C_i)$ (3-year forward citation window, Mehta et al. 2010 의 citation peak 시기 정렬), 1-year lag from independent vars.

추정: poisson-pseudo-maximum-likelihood (PPML, Correia et al. 2020 — count DV·zero 많음·overdispersion robust) + firm/year 패널 고정효과 모형, mean-centered interaction (Dawson 2014 권장). 결과 (Table 2): H1 (β=2.305, p<0.01), H2 (β=−1.154, p<0.01), H3 (β=2.800, p<0.05), H4 (β=−2.892, p<0.01) 모두 지지. Marginal effect plot (Greene 2010 권장, non-linear 모델의 interaction 해석) 으로 alliance 수준별 SKP diversity/overlap 효과의 통계적 유의성 시각화. Robustness: inverse-Herfindahl diversity, García-Canal et al. (2008) 의 대체 alliance 정의 모두 일관. Endogeneity check: Combined Reporting Index 를 IV 로 사용한 2SLS 로 alliance 의 endogeneity 부재 확인. 황준석 의 5기 (2024-2026) knowledge spillover·alliance 라인의 일환이고, Noelia Lombardo Gava (Harvard Business School MBA) 와의 글로벌 협업 작업.

핵심 결과

가설	변수	계수 (Model 4)	p	Effect size (1 SD)	결론
H1	Tech diversity (SKP)	2.1608 ***	<0.01	+95.04%	지지
H2	Tech overlap	−0.6606 *	<0.10	−14.44%	지지
H3	Tech diversity × Alliance	2.7995 **	<0.05	양 효과 강화	지지
H4	Tech overlap × Alliance	−2.8915 ***	<0.01	음 효과 악화	지지
Control	R&D intensity	−6.1592 ***	<0.01	—	음 (예상과 반대)
Control	Current ratio	0.1773 ***	<0.01	—	양

변수	Mean	SD
Subsequent innovation performance	547.54	1505.44
Tech diversity of SKP	3.76	1.28
Tech overlap	0.58	0.24
Tech alliance	0.70	0.50
R&D intensity	0.10	0.07

표본: 62 firms × 1992-2001 × 443 firm-year (telecommunications equipment, SIC 3661/3663/3669)
모형: PPML + firm/year FE; mean-centered interaction; VIF < 5
Robustness: inverse-HHI diversity, 대체 alliance 정의 모두 일관; IV 2SLS endogeneity 부재

방법론 노트

shannon-diversity-index 로 SKP 의 기술적 다양성 측정 (Ahuja & Katila 2001; Van Rijnsoever et al. 2015):

\text{Technological diversity of SKP}_{it} = \sum_{k=1}^{n} p_k \ln\left(\frac{1}{p_k}\right)

여기서 $p_k$ 는 firm $i$ 의 SKP 에서 기술 분야 $k$ 의 patent 비율, $n$ 은 originator 가 ≥1 granted patent 보유한 기술 분야 수.

Technological overlap (Cloodt et al. 2006; Sears & Hoetker 2014 의 acquirer–target overlap 응용):

\text{Technological overlap}_{it} = \frac{\text{patents in tech classes common to originator's SKP and knowledge base}_{it}}{\text{total patents in originator's SKP}_{it}}

종속변수 citation-weighted-patent-count (Trajtenberg 1990; Hall et al. 2005):

WPC_j = \sum_{i}^{n_j} (1 + C_i)

여기서 $C_i$ 는 patent $i$ 가 3-year forward window (t+1 to t+3) 에서 받은 citation 수, $n_j$ 는 firm $j$ 가 연도 $t$ 에 출원해 결국 granted 된 patent 수.

기술 동맹 는 geometric mean (Zheng & Yang 2015) — 같은 partner 와 repeated alliance 의 비중을 반영:

\text{Technological alliance}_{it} = \left( \prod_j T_{ij} \right)^{1/N}

여기서 $T_{ij}$ 는 originator $i$ 가 partner $j$ 와 t-5 to t-1 사이 형성한 alliance 수, $N$ 은 같은 기간 총 alliance 수. log 변환 후 모형에 투입.

추정 poisson-pseudo-maximum-likelihood (Silva & Tenreyro 2011; Correia et al. 2020) 는 (i) count DV (WPC), (ii) zero 많은 분포, (iii) overdispersion 에 robust. firm/year FE 로 time-invariant heterogeneity 와 macro shock 모두 흡수. Endogeneity check 는 Combined Reporting Index (Li et al. 2019) 를 IV 로 사용 — alliance 형성에 영향 주지만 originator 후속 혁신과 직접 무관한 변수.

식별 strategy 의 핵심: SKP 의 time window 를 5-year (originator knowledge accumulation 5년 + spillover 5년) 로 설정 — Yang et al. (2010) 의 10-year 대비 짧음, 이는 patent citation 의 peak 가 3 년 내 + 5 년 이후 급감 (Gittelman & Kogut 2003; Kim et al. 2012; Mehta et al. 2010) 라는 evidence 에 정렬. 1992-2001 telecommunications equipment 선택은 (a) 빠른 기술 변화, (b) 활발한 spillover, (c) frequent alliance formation, (d) dotcom bubble 종료 직전이라 macro confounder 회피. 한계: (a) patent 만으로 spillover 측정해 trade secret 등 strategically 비공개 지식 누락, (b) 단일 산업이라 일반화 한계, (c) 1992-2001 시기 한정으로 최근 AI·open-source 시대 spillover 패턴 미반영.

연구 계보

이론 기반은 흡수능력 의 Cohen & Levinthal (1990) → Zahra & George (2002) 의 PACAP/RACAP 이원 분해, 지식 파급 의 측정은 Jaffe (1986), Jaffe et al. (1993), Almeida (1996), Yang et al. (2010, Strategic Management Journal) 의 SKP concept. 지식 기반 관점 의 spillover deterrence 전통은 Kogut & Zander (1992), Cohen et al. (2000), Awate & Makhija (2022); 양 효과 지지 라인은 Yang & Steensma (2014), Alnuaimi & George (2016), Jee & Sohn (2023), Varshney & Jain (2023). Vicarious learning 은 Cyert & March (1963), Gavetti & Levinthal (2000), March (1991). 본 연구의 직접 출발점은 Yang et al. (2010) — SKP concept 와 한 산업 대상 분석 framework, 단 본 연구는 technological diversity vs overlap 분해 + alliance moderation 으로 명시 확장. Technological alliance 의 양면 효과 (학습 vs 누출) 는 Hagedoorn (1993), Oxley (1997), Lin et al. (2012), Lucena & Roper (2016), Subramanian et al. (2018), Becerra et al. (2008). PPML 추정은 Silva & Tenreyro (2011), Correia et al. (2020). 황준석 의 5기 (2024-2026) knowledge spillover·alliance 협력 라인의 일환이고, Noelia Lombardo Gava (Harvard Business School MBA, 현 National Institute of Green Technology) 와의 협업 — 자매 작업 How to leverage the impact of firm-specific uncertainty on innovation performance? Moderating effects of alliance stage and partner type in the pharmaceutical industry 는 uncertainty × alliance moderation 을 pharmaceutical industry 에서 분석, 본 연구는 spillover × alliance moderation 을 telecommunications industry 에서 분석. 두 작업이 황준석 그룹의 alliance 의 contingent 효과 라인을 함께 형성.

인접 그래프

1-hop 이웃 13개

인물 4
방법론 3
개념 3
수록처 1
분류 1
논문 1

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

Knowledge spillovers and innovation performance of the originator: The moderating effect of technological alliances

요약

핵심 결과

방법론 노트

연구 계보

See also

인접 그래프