정부 중소기업 r&d 지원의 효과성 분석 연구: 기업 tfp 측정을 중심으로

기관-2019-064

정부 중소기업 R&D 지원의 효과성

분석 연구: 기업 TFP 측정을

중심으로

진 영 현

∙ 연구진

- 연구책임자

- 참여연구원

진영현 (한국과학기술기획평가원 연구위원)

이선명 (한국과학기술기획평가원 연구원)

기관-2019-064 정부 중소기업 R&D 지원의 효과성 분석 연구:

기업 TFP 측정을 중심으로

(연구기간 : 2019.4.1. ~ 2019.12.31)

∙ 발행인 : 김상선

∙ 발행처 : 한국과학기술기획평가원

(27740) 충청북도 음성군 맹동면 원중로 1339

Tel) 043-750-2300 Fax) 043-750-2680

∙ https://www.kistep.re.kr

∙ 인쇄 : 주식회사 동진문화사

요 약 문

❚ 1

요약문

[연구의 배경 및 목표]

’18년도 예산안 기준, 주요R&D사업(544개, 약 15조 원) 중 기업이 수혜 가능한

정부R&D사업은 230개(42.3%), 약 6조 4,463억 원(43.0%) 수준 (KISTEP

2018 특정평가보고서)

이 중 기업만 주관기관으로 수혜 가능한 사업은 32개(5.9%), 1,621억 원

(10.8%)

집행 기준, ’17년도 정부R&D 총 투자(19조 3,927억 원) 중 중소기업에

투자된 금액*은 3조 1,686억 원 (16.3%) (KISTEP, ’17년도 국가연구개발

조사분석 보고서)

* (국가연구개발과제 수행 주체(주관기관)가 중소기업이 과제 기준)

(출처: 2019 KISTEP 통계 백서)

최근 두 정책 연구 기관에서 상반된 결과를 보고

’17년 STEPI “중소기업 R&D 지원의 현황과 성과분석” ⇒ 긍정적 효과

- 매출액 증가율, 자산 증가율, 종업원 수 증가율, 부채 증가율 등에서 유의한

양의 효과

- 매출액 당 영업이익률 증가 등 수익성 증가는 통계적 유의성 없음

- 혁신역량 확충에 긍정적 효과 보고 (지원 후 3년까지 두드러지게 나타남)

’18년 KDI “중소기업 R&D 지원의 정책효과와 개선방안” ⇒ 오히려 부정적

효과

정부 중소기업 R&D 지원의 효과성 분석 연구: 기업 TFP 측정을 중심으로

2 ❚

- 지재권 외 모든 지표에서 수혜기업이 비수혜기업 보다 더디게 성장하거나 역성장

- 기업R&D 촉진, 지재권 확대를 이끌어 유형자산, 인적자산, 마케팅 투자에 인과적

기여

- 영업이익, 부가가치, 매출증대에서 실패하거나 유의하게 감소시킴

상기 연구 결과는 “중소기업 R&D의 효과”에 대한 관점 차이에 기인

기업의 성장, R&D의 효과성에 대한 관점 차이가 성과변수 선택에 영향

“대표적 성과변수를 사용하는 분석의 경우, 성과변수가 지나치게 다른 요인들의

영향을 받아 R&E 투자가 미치는 영향을 식별하기 어렵다” (최대승, 이규환,

2014)

중소기업 R&D 지원의 효과를 보편적×종합적으로 분석할 수 있는 지표

도입 및 측정

단순 재무 지표 중 성과 지표 선택이 아닌 기업의 성장 및 혁신역량을

측정할 수 있는 지표 도입

이를 위해, 기술진보·혁신을 통한 기업 생산성 증가를 측정할 수 있는

기업의 TFP를 도입하고 측정

세부적인 중소기업 지원 정책의 효과를 검증하기 위한 실증 분석 수행

정부R&D 지원이 기업 TFP에 미친 효과를 실증 분석

R&D와 관련성이 높은 非R&D 지원의 효과 분석을 병행

[연구의 방법]

총요소생산성(TFP)

기업 또는 국가의 산출물 중 노동과 자본의 투입으로 설명되지 않는 부분으로,

통상적으로 기술 진보의 대리변수로 간주

- 본 연구에서 R&D지원을 통해 기업이 획득한 “무형적” 성과의 대리변수로 설정

- 콥-더글라스 생산함수와 기업의 재무 데이터를 이용하여 산출(부가가치)-노동투입

-자본투입의 선형회귀식을 구하고, 잔차로부터 통계적으로 TFP 추정하는 것이

일반적

요 약 문

❚ 3

Y: 부가가치 또는 총산출 등, A: 총요소생산성

L: 노동투입량, K: 자본투입량,

a: Y에 대한 노동의 기여분, b: Y에 대한 자본의 기여분

총요소생산성(TFP) 추정: Levinsohn-Petrin 방법의 도입

노동, 자본의 투입과 기업의 생산성에는 양의 상관관계가 있다고 보는

것이 합리적이며, 이 경우 OLS 추정의 가정을 위배 (총요소생산성이 과소

추정되는 문제가 발생)

- 생산성이 높은 기업일수록 노동과 자본의 투입을 늘려 최대한의 산출을 내려는

것이 합리적 행동

- 내생성(endogeneity) 문제 해결을 위해 중간재 투입을 활용한 Levinsohn-

Petrin 방법을 사용하고자 함

yi,t: 부가가치 ei,t: 전력, 수도, 광열, 연료비 등

wi,t: 기업이 관측할 수 있는 TFP, kt, lt, et와 상관이 발생하여 내생성의 원인이 되는 부분

hi,t: 기업이 관측할 수 없는 TFP, kt, lt, et와 상관이 없는 부분

기업 재무정보 데이터 + NTIS자료 활용을 통한 패널데이터 구축

NICE평가정보로부터 기업의 재무정보와 종업원 수 정보를, NTIS자료로

부터 정부지원 R&D과제 수혜 기업 정보를 활용하여 (불균형) 패널데이터

구축

- 제조업 68% (기타 기계 및 장비 제조업 13.9%, 전자부품/컴퓨터/영상/음향/

통신장비제조업 10.49%)

- 중소기업 95.65%, 중견기업 3.57%, 대기업 0.77%


4 ❚

년도NTIS데이터

(A)

NICE

기본기업정보

존재

NICE재무존재

(B)

NICE재무연계

비중(B/A)

NICE재무

+종업원수 존재(C)

NICE재무

+종업원수

연계비중(C/A)

2012 6,539 6,141 5,265 80.52% 3,505 53.60%

2013 7,119 6,689 5,943 83.48% 4,058 57.00%

2014 7,534 7,065 6,379 84.67% 3,974 52.75%

2015 8,217 7,733 7,115 86.59% 6,585 80.14%

2016 8,873 8,390 7,722 87.03% 7,113 80.16%

2017 10,235 9,591 8,543 83.47% 7,960 77.77%

합계

(기업수)

48,517

(22,789사)

45,607

(20,796사)

40,967

(18,782사)

84.44%

(81.42%)

33,195

(15,469사)

68.42%

(67.88%)

TFP 산출 대상 실험군(R&D수혜기업) 및 대조군(R&D미수혜기업)

앞선 패널데이터 중 TFP 추정이 불가능한 관측치 제외(대응변수 누락,

2개년 연속 재무정보 누락 등)

대조군은 향후 성향 매칭을 고려 넓게 설정

R&D지원 기업 중 일반재정지원사업(非R&D) 지원 기업 매칭

년도R&D수혜기업합계

(A)=(B+C+D)

R&D수혜

TFP산출대상

(D)

미수혜산출대상

(E)

산출대상합계

(D+E)

R&D수혜대상중

생산성 산출 비중

{(D/A)}x100

2011 - - 50,220 50,220 -

2012 6,539 3,244 59,801 63,045 49.61%

2013 7,119 3,799 73,856 77,655 53.36%

2014 7,534 3,759 72,914 76,673 49.89%

2015 8,217 5,814 153,883 159,697 70.76%

2016 8,873 6,239 164,544 170,783 70.31%

2017 10,235 7,053 159,213 166,266 68.91%

2018 - - 108,970 108,970 -

합계

(기업수)

48,517

(22,789사)

29,908

(14,981사)

843,401

(253,216사)

873,309

(254,451사)

61.64%

(65.75%)

요 약 문

❚ 5

R&D사업과 일반재정지원사업의 시너지 효과 분석을 위한 분석 대상 일반재정

지원사업 선정

일관지원사업이란 중소기업이 필요로 하는 여러 가지 사업을 종합적·지속적

으로 지원해주는 수요자 중심의 지원 방식

- 정책적 우선순위가 높은 3개 기업군(일자리안정자금 수급, 스마트공장 도입,

수출역량 우수기업 등)에 대해 융자, R&D, 수출, 컨설팅 등 최대 4개까지 패키지

지원

일관지원 대상 사업 중, R&D 또는 기술혁신과 관련성이 높은 사업을

선정

- 스마트공장 구축 및 고도화 지원

- 개발기술사업화자금

- 혁신성장유망기업자금

- 제조현장스마트화자금

이 중, 자료가 협조된 개발기술사업화자금, 혁신성장유망기업자금, 제조현장스

마트화자금 수혜 기업을 매칭

[TFP 추정 결과]

LP 추정 결과, 노동·자본의 기여율이 OLS보다 낮게 추정됨

즉, TFP가 OLS에 비해 높게 추정되며, 이는 선행연구 결과와 일치

구분관측치 수

(기업 수)추정계수 구분

Levinsohn-

PetrinOLS

본연구

(ʼ11~ʼ18)

전산업

873,309

(254,451사)

로그자본계수

(p-value)

0.040

(0.000)

0.094

(0.000)

로그노동계수

(p-value)

0.781

(0.000)

0.857

(0.000)

본연구

(ʼ11~ʼ18)

광제조업 10인 이상

197,109

(49,847사)

로그자본계수

(p-value)

0.044

(0.000)

0.119

(0.000)

로그노동계수

(p-value)

0.807

(0.000)

0.887

(0.000)

장우현,양용현(2014)

(ʼ07~’09, ʼ11)


134,788

로그자본계수

(p-value)

0.186

(0.000)

0.219

(0.000)

로그노동계수

(p-value)

0.758

(0.000)

0.945

(0.000)


6 ❚

기업 당 평균 TFP는 2013년을 기준으로 증가 추세

부가가치에 3년 가량 선행하는 추세이나, 통계적 유의성은 검증 안됨

구분 2011년 2012년 2013년 2014년 2015년 2016년 2017년 2018년

기업 당 평균

부가가치(억원)101.26 82.51 71.00 74.35 50.47 47.63 56.39 74.15

기업 당 평균

총요소생산성12.1548 12.0807 12.0354 12.0710 12.1207 12.1832 12.1801 12.2746

대기업/중견기업과 중소기업의 TFP 격차는 증가 추세

2011년 3.7배에서 2018년 5.23배까지 벌어짐

요 약 문

❚ 7

구분 2011년 2012년 2013년 2014년 2015년 2016년 2017년 2018년

대기업

(A)13.3793 13.5774 13.5533 13.6141 13.7073 13.784 13.7866 13.8731

중견기업

(B)13.2372 13.3085 13.3445 13.3843 13.473 13.5649 13.5303 13.5485

중소기업

(C)12.0637 11.9924 11.959 11.992 12.0814 12.1441 12.1411 12.2189

대-중소기업

차이(A-C)1.3156 1.585 1.5943 1.6221 1.6259 1.6399 1.6455 1.6542

생산성 격차

= 3.73배 4.88배 4.92배 5.06배 5.08배 5.15배 5.18배 5.23배

[정부R&D 지원의 효과성 분석]

정부R&D 수혜 전 TFP 하락 추세이나, 수혜년도를 경계로 회복하고 상승

평균적으로, TFP 수준이 미수혜집단보다 높지만, 추세적으로 하락하는 기업이

정부R&D에 참여하며, 수혜 후 성장세로 전환

PSM과 DID를 이용한 효과성 분석 수행

PSM 특성변수: TFP(전년, 당해), 총자산, 부채, 자기자본, 유형자산, 매출액,

부가가치, 매출원가, 판관비, 인건비, 노동자수

기업규모, 업종 (제조업 중분류, 그 외 대분류), 관측년도는 exact matching


8 ❚

중소기업은 정부R&D 지원 2년차에 유의하게 대조군 대비 양(+)의 효과

지원 1년차에는 TFP가 증가하긴 하였으나 대조군 대비 상승폭이 적었고,

2년차부터 대조군 대비 상승폭이 커짐

대기업, 중견기업은 통계적으로 유의하지 않음

구분 T-3 T-2 T-1지원

당해년도T+1 T+2 T+3

대기업1년

DID

DID -0.1405 -0.0982 0.0179 -0.0886 0.0135 -0.0172 -0.0202

유의수준

(%)5

중견기업1년

DID

DID -0.0195 0.0063 0.0179 0.0028 -0.0270 0.0004 -0.0264

유의수준

(%)

중소기업1년

DID

DID 0.0068 0.0006 0.0454 0.0007 -0.0557 0.0097 0.0029

유의수준

(%)1 1 1 1 1 1

전체1년

DID

DID 0.0064 0.0012 0.0438 -0.0006 -0.0544 0.0125 0.0068

유의수준

(%)1 1 1 1 1 5

[TFP 증가의 영향 요인 분석]

Random effect panel model 적용: 기본모델

정부R&D 지원은 지원 후 2년에 TFP에 유의하게 긍정적 영향을 미침

기업 특성 모두 유의한 영향: 업력, 규모(평균 유형자산), 자체R&D 비용

요 약 문

❚ 9

변수1년 후 효과 2년 후 효과 3년 후 효과

Coef. S.E. Coef. S.E. Coef. S.E.

31.230*** 1.324 30.686*** 1.518 27.601*** 1.731

0.000 0.003 0.007 * 0.003 -0.001 0.004

창립연도 -0.010*** 0.001 -0.010*** 0.001 -0.009*** 0.001

ln(2년 평균 유형자산) 0.146*** 0.003 0.138*** 0.003 0.139*** 0.004

ln(R&D 비용) 0.005*** 0.001 0.004*** 0.001 0.002 ** 0.001

Number of Obs 21,834 15,626 10,867

Number of Groups 10,023 7,827 5,979

Random effect panel model 적용: 非R&D 교호효과

非R&D 복합지원은 유의하지 않거나 부정적 영향 (금액으로 분석해도

유사한 결과)

단, 정책수단 실시 이전의 사례로, 해석에 주의가 필요



31.150*** 1.322 30.619*** 1.517 27.530*** 1.729

(t) 0.000 0.003 0.007 * 0.003 -0.001 0.004

비R&D 유무 (t+1) -0.004*** 0.001 -0.002 0.001 -0.002 * 0.001

창립연도 -0.010*** 0.001 -0.010*** 0.001 -0.009*** 0.001

ln(2년 평균 유형자산) 0.146*** 0.003 0.138*** 0.003 0.139*** 0.004

ln(R&D 비용) 0.005*** 0.001 0.004*** 0.001 0.002 ** 0.001

Number of Obs 21,834 15,626 10,867


정부R&D 지원 2년 뒤, TFP 증감을 예측할 수 있는 결정나무 모형 분석

종속변수: 2년 후 TFP 증감 (더비변수, 1: TFP증가, 0: TFP감소)

설명(요인)변수: R&D지원금, 연구책임자 학위, 업력, 자체연구개발비, 기업

규모, 총자산, 해당연도 TFP


10 ❚

모델 선택 방법: 분석 샘플을 무작위로 5개로 분할

- 4개로 기계 학습, 1개로 예측 (교차 검증)

- 모델별 예측의 정확성 비교, 최선의 모델 선택

- 해당 모델에서 사용된 변수의 순위 확인

모델 후보:

- GLM (reference, 로지스틱회귀분석)

- 결정나무(Decision Tree)

- 랜덤포레스트 300 (Random Forest 300)

- 랜덤포레스트 1000 (Random Forest 1000)

랜덤포레스트 모델의 경우, 90%로 향후 TFP 증가 확률을 예측할 수 있음

해당 모델에서 사용된 요인변수(설명변수)의 순위

상위랭크: 기업특성(TFP, 자산, 자체R&D투자 등)

정부연구개발비, 연책 학위는 설명력 낮음 (많이 사용되지 않은 변수)

요 약 문

❚ 11

단, 가장 많이 사용된 TFP 경우, (-)방향임에 유의

- TFP가 작을수록 증가 확률 높음

[결론]

기업의 TFP 저하 시점에 정부R&D를 통해 TFP 반등에 성공

PSM과 DID 분석 결과, 지원 2년차부터 정책의 효과성 확인

패널분석 결과,

지원 2년 후 R&D과제 지원 효과 확인됨

기업 특성 (업력, 자산, 자체R&D투자)은 모두 유의하게 양(+)의 영향이

있음

일반재정지원사업(非R&D사업)의 교호효과는 확인되지 않음

과제특성(연구책임자 학력, 협력 유형) 또한 크게 유의하지 않음

기계학습을 통한 결정나무 분석 결과, R&D지원 후 TFP 증감에 영향을

미치는 중요 설명요인은 기업 자체의 특성

다만, TFP가 음(-)의 방향으로 영향을 미치는 점에 유의할 필요


12 ❚

[시사점]

중소기업과 대기업/중견기업의 TFP 격차 추이, 정부R&D를 통한 TFP

반등 등을 고려하면, 중소기업 R&D 지원의 타당성 및 효과성 인정할 수

있음

단독 과제 대비 협력 유형에 따른 지원 효과가 유의하지 않은 점은 향후

중소기업 협력 연구에 있어 내실화를 요하는 부분

非R&D 복합지원은 과거 사례에서 유의한 효과가 관찰되지 않았으나, 정책

시행 시점 이전의 사례 대상 결과로, 해석에 주의를 요함

기계학습을 통한 결정나무 등의 모델은 지원 효과를 높은 확률로 예측할 수

있을 것으로 기대되며, 데이터의 축적 및 설명요인이 보완된다면, 과제 선정

시 활용 가능성 높음. 다만, 정책적 목표와 의사결정 방향이 부합하는지는

검토 필요

목 차

❚ i

제1장 서 론 ·························································································1

제1절 연구의 필요성 ························································································3

제2절 연구의 목표 및 내용 ············································································5

제3절 연구 추진 방법 ······················································································6

제2장 선행연구 검토 ···········································································9

제1절 중소기업 R&D 지원을 위한 정책 도구 ·········································11

제2절 중소기업 R&D 직접지원의 효과성 분석 선행연구 ·····················12

제3장 분석 방법에 대한 이론적 배경 ··············································17

제1절 Levinsohn-Pertrin 방법을 사용한 TFP 추정 ································19

제2절 패널 분석 ······························································································23

제3절 의사결정트리 및 랜덤포레스트 분석 ··············································36

제4장 분석 데이터 선정 및 연계 ·····················································51

제1절 총요소생산성(TFP) 추정을 위한 데이터 ········································53

제2절 중소기업 R&D 사업 연관 일반재정지원사업 선정 ·····················60

제5장 분석 결과 ················································································71

제1절 TFP 측정 결과 ····················································································73

제2절 정부 지원 R&D 수혜의 효과 분석 ·················································77

제3절 정부 지원 R&D 효과의 영향요인 분석: 패널분석 ······················92

제4절 정부 지원 R&D 효과의 영향요인 분석: 결정나무 및

랜덤포레스트 분석 ············································································102

제6장 결론 및 시사점 ·····································································105

참고문헌 ···························································································110


ii ❚

<표 4-1> 생산함수 추정을 위한 항목 및 관측치 ·················································54

<표 4-2> 기업데이터와 NTIS 데이터 연계 결과 ··················································56

<표 4-3> 기업데이터-NTIS데이터 연계 결과 업종별·기업규모별 분포 ···········57

<표 4-4> TFP 산출 대상 기업 통계 ········································································59

<표 4-5> 중소벤처기업부 일관지원사업 대상 및 내용 ·······································60

<표 4-6> 스마트공장 도입기업 일관지원사업 대상 사업 ···································61

<표 4-7> 수출우수기업 일관지원사업 대상 사업 ·················································61

<표 4-8> 사람중심기업 일관지원사업 대상 사업 ·················································62

<표 5-1> 생산함수 추정 결과 및 선행연구와의 비교 ·········································73

<표 5-2> 연도별 기업 당 평균 부가가치와 총요소생산성 추이 ·······················75

<표 5-3> 기업 규모별 TFP 변화 추이 ····································································76

<표 5-4> 정부R&D 수혜경험에 따른 총요소생산성 평균값 추이 ····················77

<표 5-5> 정부R&D 수혜경험에 따른 수해연도별 총요소생산성 평균값 추이 ·78

<표 5-6> 성향매칭 전 기업규모별 총요소생산성 변화 ·······································81

<표 5-7> 성향매칭 후 기업규모별 총요소생산성 변화 ·······································85

<표 5-8> 3년 누적 DID가 높은 상위 10개 업종(중분류) ···································87

<표 5-9> 3년 누적 DID가 낮은 상위 10개 업종(중분류) ···································89

<표 5-10> 기본모형 분석결과 ···················································································92

<표 5-11> 비R&D 유무 분석결과 I ·········································································93

<표 5-12> 비R&D 지원금액 분석결과 ····································································94

<표 5-13> R&D지원 과제와 비R&D지원 과제의 상관관계 기초통계량 ·········95

<표 5-14> 연구유형 추가 분석결과 ·········································································96

<표 5-15> 연구책임자 학력 추가 분석결과 ···························································96

<표 5-16> 협력유형 추가 분석결과 ·········································································97

<표 5-17> 중소기업 샘플에 대한 기본모형 분석결과 ·········································98

<표 5-18> 비R&D 유무 분석결과 ············································································99

<표 5-19> 비R&D 지원금액 분석결과 ····································································99

<표 5-20> 연구유형 추가 분석결과 ·······································································100

<표 5-21> 연구책임자 학력 추가 분석결과 ·························································100

<표 5-22> 협력유형 추가 분석결과 ·······································································101

그 림 목 차

❚ iii

[그림 1-1] 수행주체별 정부 R&D 투자 현황 (’15년~’17년) ·································3

[그림 1-2] 연구 추진 체계 ···························································································7

[그림 3-1] 의사결정트리 기본적인 형태 ·································································38

[그림 3-2] 의사결정트리 기본적인 형태 ·································································43

[그림 3-3] 2년 후 부가가치 증가분을 예측하는 의사결정나무 분석 결과 ·····47

[그림 3-4] 의사결정트리 매출액 증가율 분석 결과 (4분류) ······························48

[그림 3-5] 분석 결과 ···································································································49

[그림 5-1] 정책효과 분석을 위한 DID 개념도 ······················································79

[그림 5-2] 기업규모별 정부R&D 수혜 전후 총요소생산성 추이 ······················80

[그림 5-3] 중소기업 정부R&D 수혜 전후 1년 이중차분(DID)효과 ··················81

[그림 5-4] 대조군 및 실험군의 성향매칭 전후 분포 비교 ·································84

[그림 5-5] 성향매칭 후 기업규모별 정부R&D 수혜 전후 총요소생산성 추이 ···· 84

[그림 5-6] 성향매칭 후 중소기업 정부R&D 수혜 전후 1년 이중차분(DID) 효과 ·····85

[그림 5-7] 각 기계학습 모델별 TFP 증가 예측의 정확성 ································103

[그림 5-8] 랜덤포레스트 1000 모델에서 사용된 요인변수 순위 ·····················103

[그림 5-9] 결정나무 예시 ·························································································104

서 론

제1장

제1장 서 론

❚ 3

제1장 서 론

제1절 연구의 필요성

’17년 기준 정부 R&D 총 투자(19조 3,927억원) 중 중소기업에 투자되는

금액*은 3조 1,686억원으로 약 16.3%를 차지

* 국가연구개발과제 수행 주체가 중소기업인 과제 기준

정부의 중소기업 R&D 투자는 ’15년 2.8조원, ’16년 2.9조원 등 지속 증가

추세이며, 2007년부터 연평균 8.4%가 증가하였음

최근 국정과제 등 관련 정책 환경에 따라 더욱 확대될 것으로 예상

출처: KISTEP 통계 백서(’19)

[그림 1-1] 수행주체별 정부 R&D 투자 현황 (’15년~’17년)

또한, 우리나라 정부의 중소기업 대상 R&D 투자는 총 정부R&D 투자

절대 규모가 우리나라를 상회하는 일본, 독일 등보다도 높은 수준

※ (’13년 기준, 백만달러) 한국 2,961 / 일본 1,310 / 독일 2,316

정부의 중소기업 R&D 지원 효과에 관해서는 기업의 성장과 R&D 유인에

긍정적으로 작용했다는 평가와 오히려 저성장･역성장 했다는 부정적 평가가

공존

대표적으로 비슷한 시기에 두 연구기관(KDI, STEPI)에서 발표된 실증연구가

상반된 결과를 보고하고 있음

(이하 “중소기업 R&D 지원 효과에 관한 실증분석 연구 비교”, 김주일, KISTEP R&D

예산정책센터 내부자료를 참고하여 재구성)


4 ❚

(1) 2017년 5월 발표된 “중소기업 R&D 지원이 현황과 성과분석”에서는 중소기업

R&D 지원이 긍정적 효과를 거두었다고 보고

- 중소기업 R&D 지원을 받은 기업이 받지 않았을 때 보다 매출액 증가율, 자산

증가율, 종업원 수 증가율, 부채 증가율의 모든 지표에서 유의한 양의 성과를

보임

- ROA 증가, ROE 증가, 매출액 당 영업이익률 증가 등 수익성 증가능 통계적

유의성 없음

- 혁신역량 확충에 긍정적 효과 보고 (지원 후 3년까지 두드러지게 나타남)

(2) 2018년 4월 발표된 “중소기업 R&D 지원의 정책효과와 개선방안”에서는

중소기업 R&D 지원이 오히려 부정적 효과를 보이고 있다고 보고

- 지원 1~3년 후 성과지표의 증감분 비교에서 지재권 외 모든 지표에서 수혜기업이

비수혜기업 보다 더디게 성장하거나 역성장

- 정부 R&D 지원이 기업 R&D 촉진, 지재권 확대를 이끌어 유형자산, 인적자산,

마케팅 투자에는 인과적으로 기여하였으나, 영업이익, 부가가치, 매출증대에서

실패하거나 유의하게 감소시킴

- 개별기업의 처치효과(treatment effect) 추정 결과 절반 이하의 수혜기업에서만

긍정적 처치효과 추정 -> 부정적 처치효과 예측 기업에 배분되는 자원을 긍정적

효과 예측 기업에 재분배 할 것을 권고

상기 두 실증연구가 상반되는 결과를 도출한 것은 기업의 성장 또는 R&D의

효과를 바라보는 관점 차이에 기인한 것으로 볼 수 있음

한편, 상기 두 실증연구 및 중소기업 R&D의 효과성을 분석하는 타 연구들은

대부분 성향점수매칭(Propensity Score Matching, PSM)과 이중차분법

(Difference in Difference, DID)을 방법론으로 차용하고 있으며, 정부과제

지원데이터와 기업재무데이터 중 중요한 성과변수(부가가치, 고용 등)을

추출하여 분석

이러한 분석의 경우, 위에서 언급한 기업의 성장, R&D 효과성에 대한

관점 차이가 성과변수 선택에 영향을 미치게 되고, 결과적으로 연구 결과의

중립성에 영향을 줄 수 있음

또한 대표적 성과변수를 사용하는 분석의 경우, 성과변수가 지나치게 다른

요인들의 영향을 받아 R&D 투자가 미치는 영향을 식별하기 어렵다는

단점을 지적하는 연구가 있음 (최대승, 이규환, 2014)

제1장 서 론

❚ 5

따라서, 정부의 중소기업 R&D 지원 효과를 종합적으로 분석하기 위해서는

먼저, “기업의 성장”, “R&D 효과성”에 대한 보편적인 관점의 도입이 필요하며,

이에 따라 주요 지표의 단순 변화 추이가 아닌 기업의 성장·혁신성을 종합적으로

분석･측정할 수 있는 방법이 도입될 필요

제2절 연구의 목표 및 내용

가. 연구의 목표

중소기업 R&D 지원의 효과를 보편적·종합적으로 분석할 수 있는 지표 도입 및

측정

단순 재무 지표 중 성과 지표 선택이 아닌 기업의 성장 및 혁신역량을 측정할 수

있는 지표 도입

이를 위해 기술진보·혁신울 통한 기업 생산성 증가를 측정할 수 있는 기업의

TFP를 도입하고 측정

세부적인 중소기업 지원 정책의 효과를 검증하기 위한 실증 분석 수행

정부R&D 지원이 기업 TFP에 미친 효과를 실증 분석

R&D와 관련성이 높은 非R&D 지원의 효과 분석을 병행

나. 연구의 내용

(기업 수준의 TFP 측정) 기업의 혁신성·기술진보를 추정하기 위한 방법으로

TFP 도입

TFP는 산출물 중 노동과 자본의 투입으로 설명되지 않는 부분을 의미하며,

통상적으로 기술 진보의 대리 변수로 간주

콥-더글라스 생산함수와 기업의 재무 데이터를 이용하여 산출(부가가치)-

노동투입-자본투입의 선형회귀식을 구하고, 그 잔차로부터 통계적으로 FTP

추정하는 것이 일반적

하지만, 노동･자본의 투입과 기업의 생산성(TFP)에는 양의 상관관계가 있다고

보는 것이 합리적*이며, 이 경우 OLS 추정의 가정을 위배. 이러한 내생성


6 ❚

문제를 해결하기 위해 본 연구에서는 중간재 투입을 활용한 Levinsohn-

Pertrin 방법을 사용하여 기업의 TFP를 추정**

* 생산성(TFP)가 높은 기업일수록 노동과 자본의 투입을 늘려 최대한의 산출을 내려하는

것이 합리적 행동이라고 볼 수 있음

** 본 방법은 “정부 연구개발 투자의 생산성 측정에 관한 연구(I)”, 진영현 (2018)에서

제안된 방법임

(정부R&D 지원의 효과성 분석) 정부 지원 수혜 기업과 PSM을 통해 선별한

비수혜 기업의 TFP 비교를 통해 정부R&D 지원의 효과성 분석

기업 특성에 따른 효과 차이 검증

정부R&D 지원 특성에 따른 효과 차이 검증

(R&D 관련 非R&D 지원의 효과성 분석) 최근 추진 중인 중소기업부의 R&D-

非R&D 일관지원(스크럼 방식, 패키지 지원) 방식의 효과성 예측을 위한 분석

중소기업부는 ’18년 4월부터 기존 분절적으로 운영되어 오던 자금, R&D,

수출, 컨설팅 지원을 연계하여 지원하는 일관지원사업을 시범도입

시범 도입 결과 수혜기업의 만족도가 높게 조사 되는 등 도입 초기 성공적으로

운영되고 있으나, 효과에 대해서는 예단하기 어려움

이에, 과거 R&D 과제와 非R&D 지원을 동시에 받은 기업의 성과를 분석하여

정책의 효과성을 예측

대상 사업은 융자/보조금 등 정책자금, 수출지원, 연구개발/사업화/마케팅

등 컨설팅 지원 중 R&D와 관련성이 높은 사업을 선정

제3절 연구 추진 방법

가. 기업 데이터 확보 및 TFP 측정

제안한 Levinsohn-Pertrin 방법을 사용하여 기업의 TFP를 측정하기 위해서는

일반적인 기업 재무정보 뿐 아니라 연구개발투자, 부가가치 정보 등을 추출할

필요

현재 국내 기업 재무 데이터를 제공하는 NICE평가정보, KED, 이크레더블

등 중, 본 연구에 필요한 사항을 직접 입력, 분석 가능한 형태로 제공하는

서비스를 확보

제1장 서 론

❚ 7

외부감사를 받는 기업들은 제조원가명세서를 공개하지 않고 있어 본 연구에

필요한 사항은 감사보고서 주석사항으로부터 추출해야 하며, 감사보고서 주석

사항을 분석 가능한 형태로 직접 입력하여 제공하는 서비스를 선택

나. 非R&D 지원 효과성 검증 방안

非R&D 사업의 경우, 관련 데이터 조사･분석 전담 기관이 지정되어 있지 않으며,

개별 사업 관리 기관에서 독자적으로 관리

중기부의 정책자금지원/수출지원의 경우 중소기업진흥공단에서 관리하고 있어,

먼저 중기부･산업부의 非R&D 사업 중 R&D와 연관성이 높은 사업을 먼저

선정*하고, 중기부 및 각 사업의 관리기관의 협조를 얻어 데이터 확보

* 중기부 일관지원사업 추진 대상 사업 등을 우선 검토

[그림 1-2] 연구 추진 체계

선행연구 검토

제2장

제2장 선행연구 검토

❚ 11

제2장 선행연구 검토1)

제1절 중소기업 R&D 지원을 위한 정책 도구

정부의 중소기업 연구개발지원은 크게 (1) 직접 재정지원, (2) 조세지원,

(3) 간접지원으로 구분이 가능

직접 재정지원은 출연금 형태의 국가연구개발사업, 연구개발 보조금 지원이

주된 정책 수단으로 본 연구에서 다루고자 하는 주요 정책수단임

조세지원은 기업 자체적으로 연구개발에 투입된 자금에 대해 연구개발세액공제

형태로 기업이 지출하는 세액을 감면하는 형태로 이루어짐

그 외, 최근 유럽을 중심으로 간접지원 방식이 추진되고 있으며, 대표적으로

다음과 같은 정책수단이 있음

- 국가혁신체계 관점에서 혁신주체 간 개방형 협력을 촉발하는 혁신바우처

(innovation voucher)

- 특정 정책방향에 맞는 혁신활동을 유발하는 혁신조달(public procurement

of innovation)

직접 재정지원과 조세지원은 연구개발 지원금의 투입 시점과 지원하고자 하는

대상 과제의 차이로 정책 지향점을 다르게 해석할 수 있음

조세지원은 기업이 자체적으로 수행하는 다양한 연구개발 프로젝트가 혜택의

대상이 될 수 있어 보다 자율적이고 친시장적인 정책수단으로 볼 수 있음

- 다만, 연구개발 프로젝트가 개시된 후 차년도 등 사후(ex-post)에 지원이 된다는 점,

기업의 규모에 따라 혜택 규모가 상이할 수 있다는 단점이 존재

직접지원은 연구개발이 시작되기 전에 사전(ex-ante)지원된다는 장점이 있으며,

정부 연구개발 지원사업을 통해 특정 기술분야/산업분야를 육성하기 위한

직접적인 정책수단으로 활용할 수 있음

- 지원금 규모를 사전에 예측 가능하여 기업이 자체적인 투자 포트폴리오를 작성하기

쉬운 장점이 있는 반면, 기업/시장의 수요를 반영하는데 한계가 존재

1) 본 장은 이병헌 외, “기업지원형 정부 R&D 투자 개선방안 연구”, 2019, KISTEP 위탁과제

보고서 중 “제3장 국가 중소기업 R&D 지원 효과성 문헌분석”의 내용을 참고하여 재구성


12 ❚

제2절 중소기업 R&D 직접지원의 효과성 분석 선행연구

직접 재정지원에 대한 선행 연구들은 촉진효과를 보고하고 있는 연구가 많은

가운데 일부 구축효과나 유의하지 않은 결과를 보고

이병헌 외 2019에서는 R&D 직접 재정지원 효과를 분석한 50개 논문 중

36건이 촉진효과를, 7건이 구축효과, 7건이 불분명하다고 보고한 것으로 분석

가. 투입 부가성

투입 부가성(input additionality)은 정부의 직접지원 후 기업 자체 연구개발

투자의 변화를 확인하는 것으로, 대부분의 문헌들은 정부지원이 기업의 연구개발

투자의 증가를 유발했는지 감소를 초래했는지를 실증분석 함으로써 정책의

영향력(leverage)을 분석

정부지원으로 기업의 연구개발투자가 증가할 수 있다면 개별기업의 혁신역량

강화로 인해 더 많은 혁신산출물이 창출될 것이라는 혁신의 선형모델에 기반하고

있으며, 부대적으로 이 과정에서 자연스러운 지식의 스필오버(spill-over)가

발생할 수 있다는 것을 전제로 하고 있음

그러나, 많은 투입부가성에 대한 연구들은 혼재된 결과를 보고하고 있음

연구재단 등재지에 등록된 실증분석 논문과 정책연구기관에서 출간한 보고서

등 총 68편을 분석한 결과, 투입부가성 논문 중 26편은 정부의 정책지원이

기업의 연구개발투자를 촉진하는 것으로, 4편은 구축하고 있는 것으로, 8편은

통계적 의미가 없거나 촉진과 구축이 함께 관찰되는 것으로 보고

해외연구의 경우 Cunningham et al. (2013)이 가장 많은 촉진효과를 보고하고

있으며, García‐Quevedo (2004)이 가장 적은 수의 촉진효과를 보고

Cunningham et al. (2013)은 30개의 실증분석 중 22개인 73%의 연구가

긍정적인 투입부가성을 보고하고 있으나,

Zúñiga‐Vicente et al. (2014)은 77편의 118개의 연구결과를 분석하여, 이중

약 60%인 71개의 결과가 촉진효과를, 약 20%인 23개가 부정적인 구축효과를,

약 20%인 24개가 혼재된(불확실한) 결과인 것으로 나타남

García‐Quevedo (2004)의 분석에서는 보다 약 50%의 연구들이 촉진효과를,

25%의 연구들이 구축효과를, 23%의 연구들이 혼재된 결과를 나타내고 있어

Zúñiga‐Vicente et al. (2014) 연구보다는 부정적인 비율이 조금 높은 편


❚ 13

직접 재정지원의 경우로만 한정하면, 많은 연구들이 정부지원이 민간기업 연구

개발투자를 촉진하다고 보고 (Alecke et al. (2012), Coccia (2012), Czarnitzki

(2006), 정승용 외 (2017), 신범철·이의영 (2009), 안승구 외 (2017) 등)

반면, 권남훈·고상원 (2004), 송호신 (2012)는 정부의 연구개발 직접 보조금은

기업의 자체 연구개발비에 대해 구축효과를 가짐을 보였으며, 김호·김병근

(2014)은 사례연구를 통해 보조금을 받은 12개 기업 중 10개 기업이 정부지원을

통하여 R&D 예산이 확보가 되면 기존에 연구개발 활동에 투자하고자 하는

예산을 다른 용도로 활용하는 것으로 나타나 구축효과가 나타남을 입증

혼재된 결과를 보고하고 있는 연구들은 경우에 따라 촉진효과와 구축효과가

나타날 수 있음을 시사

- 예를 들어, 유민화·박중구(2006)는 정부 R&D 보조금은 대기업일수록 대체효과를

나타내는 반면, 중소기업일수록 그렇지 않다는 것을 실증

한편, 보조금 효과는 그 양에 따라 달라질 수 있다는 연구들도 있는데, Guellec

and Van Pottelsberghe De La Potterie (2003)정부의 연구개발 보조금은

기업의 자체 연구개발 투자와 성과에 긍정적인 효과를 보이나 지나치면 그

효과가 오히려 감소하는 역-U자형(inverted U-shape)관계가 나타남을 실증

- 국내연구에서는 최환석·김양민 (2016), 오준병·장원창 (2008)이 정부의 보조금은

기업의 연구개발 지출을 촉진하는 보완적 효과를 보이나 연구개발비 중 정부보조금이

차지하는 비중이 클수록 구축 효과가 나타남을 입증

나. 산출 부가성

산출 부가성(output additionality)은 정부지원을 통해 어떠한 산출물이 창출

되었는지를 평가하며, 주로 기술혁신의 직접적인 성과물인 특허, 논문, 신제품

등과 최종적인 산출물인 재무성과(매출, ROI)에 미치는 영향을 분석

산출 부가성은 정부지원을 통한 산출물을 계량함으로써 직접적인 영향력을

평가한다는 의의

다만, 특허, 논문, 신제품이 혁신 성과물의 중간성과물이자 부분집합에 불과하기

때문에 혁신 성과물의 범위를 정확히 한정하고 측정하기 어렵다는 단점이

있으며 시간지연에 따라 혁신성과가 지연되어 나타날 수 있다는 점도 문제

또한, 최종 성과물인 매출 등 재무성과를 측정할 경우 기술혁신의 기여분이

어느 정도인가를 구분하기 곤란하다는 한계가 있음


14 ❚

기존 문헌은 투입 부가성처럼 산출 부가성의 영향력도 혼재되어 있음을 보이고

있는데, 이병헌 외 (2019)의 연구에 따르면, 국내연구의 경우 약 67%가,

Cunningham et al. (2013)의 분석결과에서는 50%의 분석결과가 긍정적

영향력을 보고

강석민 외 (2013)은 정부지원이 기업의 연구개발 노력을 긍정적으로 조절함으로써

혁신성과에 긍정적인 영향을 미친다고 주장했고, 노용환·송치승 (2014)은

정부지원이 특허성과 창출에, 신복균 외 (2017)는 노동생산성과 수익성에,

이정우 (2017)는 매출에 긍정적인 영향을 미치고 있음을 보임

- 해외 연구로는, Albors-Garrigos and Barrera (2011)는 정부보조금이 긍정적인

혁신성과를 유발함을, Un and Montoro-Sanchez (2010)는 기업이 자체 재원과

결합하여 정부재원을 활용할 경우 혁신성과를 향상시킬 수 있음을 실증

반면, 이상원·이선미(2019)는 통신산업에서 정부재원 연구개발 비중의 증가는

혁신에 부정적인 영향을 줄 수 있다고 하였으며, 이철주 외 (2012)는 연정부의

연구개발 보조금이 기업의 ROI에 음의 영향을 끼침을 실증

- 해외 연구에서는 Gelabert et al. (2009)는 높은 전유성을 가진 기업의 경우

정부지원이 구축효과를 보일 수 있음을 보였으며, Aoshima et al. (2011)은

정부의 재정지원이 기업의 기술사업화를 저해함을, Billings et al. (2004)는

정부의 재정지원을 받는 기업들의 생산성이 더 낮음을 보임

일부 연구들은 정부지원이 산출 부가성에 유의미한 영향을 미치지 못한다고

보고(박상문·이병헌 (2006), 김민창·성낙일 (2012))

- 해외 연구에서 Schneider and Veugelers (2010)는 대개 정부 보조금이 혁신

성과에 긍정적인 영향을 미치지만, 업력이 짧고 혁신적인 기업에 미치는 영향은

통계적으로 유의하지 않았음을 보임

다. 행동 부가성

행동 부가성(behavioural addtionality)는 혁신 정책에 의한 기업의 행동

변화를 관찰하는 것으로, 불확실성이 큰 프로젝트의 추진, 추가적인 연구개발

계획의 수립, 타 혁신주체와의 연계 등이 행동 부가성 분석의 대상이 됨 (Hsu et

al., 2009)

행동 부가성은 혁신을 선형적 블랙박스로 취급했던 기존 관점에서 벗어나

혁신의 내부 메커니즘을 관찰하고자 하는 것으로, 투입과 산출 같은 외생적


❚ 15

지표들보다 (정부의 정책으로 인해) 기업이 어떠한 행동 변화를 일으켰는지를

관찰함으로써 기업 혁신 메커니즘의 근본적 변화를 중요하게 고려

혁신 시스템 관점에서 기업은 하나의 혁신주체로서 수 많은 다른 혁신주체와

연결된 존재임을 강조

- 정책에 의한 기업의 행동변화가 연구원 교육, 연구개발 기회의 발굴, 다른 혁신주체와의

협업 등 비정형적 (intangible) 변화들을 유발할 수 있으며, 정책효과가 개별기업에

머무르지 않고 전체 시스템에 영향을 미칠 수 있기 때문에 혁신 정책에 의한

기업의 변화를 분석할 필요가 있음 (Wong and He ,2003; Clarysse et al.,

2009)

행동 부가성이 투입 및 산출부가성에 비해 상대적으로 새로운 개념이기 때문에

많은 분석이 진행되지 못했으나, 최근 연구들은 행동 부가성의 효과를 실증적으로

입증하려고 노력하고 있음

국내에서는 총 3건의 행동 부가성 연구가 진행되었는데, 2건은 긍정적인 효과를

1건은 혼재된 결과를 보고

- 국내 연구에서 윤지웅 (2013)은 국가연구개발비의 증가는 탐색적 활동을 증가시킴을

밝혔고, 최은영 (2015)는 정부지원이 R&D협력에 긍정적인 영향을 미침을 보임

- 그러나, 김호 (2014)의 정성연구에서 정부지원을 받은 기업 12개 중 정부지원이

없으면 프로젝트 수행이 불가능하다고 응답한 기업이 4개, 부분적으로 진행

가능하다고 한 기업이 5개, 상관없음으로 응답한 기업이 3개로 나타나 혼재된

행동 부가성이 관찰됨

7건의 해외 연구 중 6건은 긍정적인 효과를 1건은 혼재된 결과를 보고

- Feldman and Kelley (2003)은 미국의 ATP(Advanced Technology Program)을

분석하여 ATP가 고위험의 프로젝트를 진행하도록 돕는 순기능을 하고 있다고

하였으며, Arque-Castells and Mohnen (2011)은 스페인 기업데이터 분석을

통해 약 12%의 기업이 연구개발 세제 혜택으로 인해 연구개발에 새롭게 진입하였음을

보임

- Ahn et al. (Forthcoming)은 보조금의 양과 행동부가성에 대해 연구하였는데,

기업이 수령하는 보조금은 기업의 혁신협력에 긍정적인 영향을 미치나 지나치면

그 효과가 오히려 감소하는 역-U자형( inverted U-shape)관계가 나타남을

실증

분석 방법에 대한 이론적 배경

제3장

제3장 분석 방법에 대한 이론적 배경

❚ 19


제1절 Levinsohn-Pertrin 방법을 사용한 TFP 추정2)

가. 개관

총요소생산성(total-factor productivity:TFP)은 산출물 중 노동과 자본의

투입으로 설명되지 않는 부분을 의미하며, 통상적으로 국가 혹은 기업의 경제적

효율성을 측정하는데 활용

총요소생산성을 계산하는 데 있어서 다음과 같은 형태의 콥-더글라스 생산함수

(Cobb-Douglas production function)를 이용하는 것이 일반적

- Y는 부가가치 혹은 총산출 등이 되고, A는 총요소생산성, L은 노동투입량,

K는 자본투입량, α는 Y에 대한 노동의 기여분, β는 Y에 대한 자본의 기여분

Syverson(2011)의 서베이 연구에 따르면, 총요소생산성에 영향을 주는 요소로는

기업 내부적으로 경영의 관행 및 재능, 투입된 노동과 자본의 질, R&D와

정보시스템, 시행착오를 통한 학습, 제품혁신, 의사결정구조 등이 있다고

알려져 있음

- 한편 기업 외적인 요소로는 productivity spill-over, 경쟁, 시장간 경쟁, 무역 경쟁,

합리적 규제, 유연한 요소 시장 등이 총요소생산성에 영향을 준다고 알려져 있음

총요소생산성을 계산하기 위해서는 성장회계 방정식을 이용한 방법과 계량

경제학적 방법을 이용하여 생산함수를 통계적으로 추정하는 방법이 있음

먼저, 성장회계 방정식을 이용할 때는 매우 제한적인 가정 하에서 유도

중요한 가정으로는 생산함수가 규모에 대한 수확불변(constant return to

scale)이라는 조건이 필요

- 즉 위의 콥-더글라스 생산함수에서 α + β = 1 이라는 조건이 추가

2) 본 절은 진영현 외 (2018), 정부연구개발 투자의 생산성 측정에 관한 연구(I), KISTEP

연구보고 (일반 2018-14)에서 발췌하여 재정리


20 ❚

또한 투입요소 시장이 완전 경쟁적이고, 노동과 자본이 모두 가변적인

생산요소로서 즉각적으로 조정가능하다는 가정이 필요

기술변화는 생산함수의 형태에 중립적이라는 가정도 필요

콥-더글라스 생산함수에 로그를 취한 후 시간에 대해 미분하게 되면 다음과

같은 형태로 나타낼 수 있음

-

를 이용해 구할 수 있음(는 노동소득분배율)

한편 기업별 데이터를 이용하여 통계적으로 생산함수를 추정하여 총요소생산성을

구할 수 있음

이때 규모에 대한 수확불변 가정이 필요 없지만 기업단위의 패널자료가

확보되어야 함

콥-더글라수 생산함수에 로그를 취하면 ln ln ln ln 와 같이

선형식으로 변형할 수 있으며, 이를 통계적 추정을 위한 선형회귀모형으로

나타내면 다음과 같음

ln ln

- 총요소생산성 ln는 를 통하여 구할 수 있다.

하지만 생산성이 높은 기업일수록 노동의 투입과 자본의 투입을 늘려 최대한의

산출을 내려 할 것으로 보는 것이 타당하고, 이는 OLS 추정의 가정을 위배

총요소생산성은 선형회귀식의 잔차를 통해 구할 수 있는데 만약 잔차항과

노동투입, 자본투입과 상관관계가 존재한다면 OLS추정의 가정을 위배하게

되며, 특히 잔차와 요소투입간의 양의 상관관계가 존재한다면 총요소생산성이

체계적으로 과소 추정되는 문제가 발생

이러한 내생성(endogeneity) 문제의 해결을 위해 몇 가지의 대안이 제시되어 있는데

그 중에서 중간재 투입을 활용한 대안이 Levinsohn and Pertrin(2003)의 방법론

최근 널리 이용되고 있으나, 다만 용수 및 전기료 등 중간재 투입에 대한

정보가 필요하여 최신의 기업정보 DB에 쌓여 있는 정보를 활용할 수 있는

환경에 적합


❚ 21

나. Levinsohn-Petrin의 생산함수 추정 방법

Levinsohn-Petrin(2003)에서는 산출에 대한 노동투입의 계수인 을 1단계

에서 추정하고 나머지 파라미터에 대한 추정치를 구하는 방법으로 내생성

(endogeneity) 문제에 접근. 이를 위해 다음과 같이 콥-더글라스 생산함수를

추정

(식1)

- :부가가치, :원재료 투입, :전력비, : 수도,광열,연료비 등

- : 기업이 관측할 수 있는 총요소생산성으로 , , , , 와 상관이

발생하여내생성의 원인이 되는 부분

- : 기업이 관측할 수 없는 부분으로 측정오차 혹은 예측 불가능한 영향

( , , , , 와 상관이 없는 부분.)

핵심적인 아이디어는 내생성의 원인이 되는 와 , ,, 사이에 상관이

있으니 를 관측 가능한 , , ,의 함수로 써서 제거한 상태에서 을

추정하고(1단계), 나머지 파라미터는 관측 시점의 차이에서 오는 정보에 대한

가정을 통해 적률조건(moment condition)을 도출하고, GMM(Generalized

Method of Moments) 목적함수를 최소화하는 조건으로 추정하는 것(2단계)

- 이때 을 먼저 추정하는 것은 이 가변적인 변수로 오차항과 상관이 더 클

것이라고 판단되기 때문

(1단계 추정) 몇 가지 가정이 만족한다는 조건 하에 로

놓고, 을 로

놓으면 (식1)을 (식2)로 바꿔 쓸 수 있음

가정 상 이라고 두고 (식2)에 조건부 기댓값을 취하면

(식3)이 되고,

(식2)에서 (식3)을 빼면 다음과 같이 (식4)를 얻을 수 있음

(식2)

- (식3)

= (식4)


22 ❚

이때 , 은 비모수 회귀방법인 LOESS

(locally weighted least squares regression)등을 활용하여 구할 수 있으며,

이후 OLS추정법을 이용하여 (식4)로부터 과 를 추정

(2단계 추정) 두 번째 단계에서는 , , , 에 대해 적률조건을 이용한

추정이 필요

적률조건을 얻기 위해서 관측 가능한 중에서 예측이 불가능한 부분( )을

정의

- 으로 나타낼 수 있는데 는 1차 마르코프 프로세스를

따른다고 가정

- 이때, 총요소생산성의 변화에서 예측 불가능한 부분은 이며, 기업의

활동상 논리적으로 가 실현되기 전에 이번 기의 와 이전기의 ,

, 가 결정되었다고 볼 수 있음. 따라서 다음과 같은 적률조건을 도출

- 이때, 를 , , , 의 함수로 나타낼 수 있다면 GMM 목적함수를

최소화하는 추정치를 얻을 수 있음

한편, (식1)에 를 대입하면,

이고,

이를 에 대해 정리하면,

(식5)

아직 추정되지 않은 , , , 은 콥-더글라스 생산함수의 OLS추정치로

놓고 , 을 얻을 수 있고, (식6)을 ,

를 이용하여

LOESS 추정방법을 통해 구함


❚ 23

- 참고로 Levinsohn-Petrin(2003)는 을 구하는데 있어 관측치의 시계열

구간을 몇 개의 덩어리로 나누어 사용

(식5)에 과 대입하면 또한 , , , 의 함수로

나타낼 수 있으며, 따라서 다음의 목적함수를 최소화하는 파라미터를 통해

, , , 을 추정

arg min

′′ (식7)

- : 도구변수 행렬, 도구변수는 { , … , ,.. ,

,..., ,..., },

- : 대칭 가중치 행렬, 모수의 수와 적률조건의 수가 같다면 는 단위행렬이

됨. 혹은 2단계 추정법을 이용할 수도 있는데, 구체적인 방법은 한치록(2017)의

313p와 Cameron and Trivedi(2005) Ch22에서 참조

이상의 과정을 통계프로그램을 이용하여 수행할 경우 (식4), (식6), (식7)을

추정

제2절 패널 분석

가. 개요

패널 데이터의 정의

패널 데이터(panel data)란 동일한 복수의 개체들을 복수의 시간에 걸쳐 관측한

자료로서, 복수의 개체들을 동일한 한 시점에서만 관측한 횡단면 데이터

(cross sectional data)나 한 개체를 복수의 시간에 걸쳐 관측한 시계열 데이터

(time series data)와는 구분됨

복수의 개체들을 복수의 시간에 걸쳐 관측했다고 하더라도 동일 개체가 아니라

매번 바뀐다면, 이는 패널 데이터가 아니라 반복된 횡단면 데이터(repeated

cross sectional data)


24 ❚

패널 데이터의 특징

패널 데이터는 횡단면 데이터와 시계열 데이터의 특징을 가지고 있으므로,

개체 간의 차이와 시간에 따른 차이를 모두 포함하고 있음

- 패널 데이터를 활용한 계량경제 모형에서는 개체에 따른 차이와 시간에 따른

차이를 모두 나타내기 위해 일반적으로 다음과 같이 표기

- 변수가 개체에 따라서만 변하면 , 시간에 따라서만 변하면 등의 형태로

표기하여 구분하는 것이 권장됨

모든 개체에 대해 관측 시간 동안 동일한 수의 자료가 있으면 균형패널 데이터

(balanced panel data), 개체 별로 관측 자료가 존재하는 시간이 다르면

불균형패널 데이터(unbalanced panel data)로 구분

- 불균형패널 데이터를 분석할 때에는 1) 불균형을 유발하는 개체들을 제외하고

균형패널 부분만 이용하거나, 2) 균형패널 데이터라고 가정한 채 분석을 진행하거나,

3) 불균형패널의 특성을 반영할 수 있는 개선된 방법론을 사용할 수 있음

패널 데이터에서의 상관관계

패널 데이터에서는 1) 정해진 시점에서 개체 간 상관관계인 동시적 상관

(contemporaneous correlation)과, 2) 동일한 개체 내에서 서로 다른 시점

간의 상관관계인 자기상관(autocorrelation)의 2가지 종류의 상관관계가 존재

패널 데이터를 이용한 분석에서 설명변수의 내생성을 판단할 때에는 시간

차원에 대한 고려도 필요

설명변수가 모든 시기(과거, 현재, 미래)의 오차항과 상관되지 않을 때 강외생성

(strict exogeneity), 현재 또는 미래의 오차항과 상관되지 않을 때 약외생성

(weak exogeneity), 미래의 오차항과만 상관되지 않을 때 동시기적 내생성

(contemporaneous endogeneity)

패널 데이터의 장점

동일 개체를 반복적으로 관찰할 수 있기 때문에 횡단면 데이터로는 추정할

수 없는 개체들의 동적인 모습을 볼 수 있음

각 개체에 내재되어 있는 특성을 분석에 반영할 수 있음

횡단면 또는 시계열 데이터에 비해 정보량이 많고 변수의 변동성이 커서 효율적인

추정량을 얻을 가능성이 높음


❚ 25

패널 데이터의 단점

동일 개체에 대해 반복적으로 관측해야 하므로, 횡단면이나 시계열에 비해

데이터를 수집하기가 어려움. 또한 이 과정에서 결측치가 발생할 가능성이

높아 데이터의 불완전성이 발생하는 경우가 많음.

국가, 지역 등을 하나의 개체로 조사한 패널 데이터에서는 개체 간 상관관계가

존재할 가능성이 높음(하지만 이는 모형 설정에서 충분히 해결할 수 있는

문제)

나. 패널 모형의 구분

활용하는 정보에 따른 패널 모형의 구분

개체 간 횡단면 관계 분석 : 집단간(between-group) 추정

개체 내 관계 분석 : 집단내(within-group) 추정

개체 간 및 개체 내 정보를 모두 활용하는 분석

기본적인 모형 : 오차성분(error component) 모형

오차()가 시간에 걸쳐 변하지 않는 개별효과()와 와 에 걸쳐 변하는

고유오차()로 구성되었다고 가정

대부분의 패널 데이터들이 시간은 짧고 개체 수는 많은 형태를 가지고 있기

때문에, 개체별 특징을 고려하여 개별효과()를 포함시킴

오차성분 모형에서는, 패널 개체별 이질성을 개별효과()를 통해 명시하고

있다는 점에서 일반 회귀모형과 차이가 있음. 회귀계수의 모수 는 모든

개체에 대해 동일하지만, 상수항인 는 개체에 따라 달라질 수 있음.

이때, 고유오차()는 일반적으로 설명변수(

)는 물론 개별효과()와도

상관되지 않으며, 고유오차()간 자기상관도 없다고 가정함.


26 ❚

종속변수의 과거값 이용 여부에 따른 패널 모형의 구분

선형 정태적 패널 모형 : 변수의 동태적 변화는 고려하지 않고, 개체별 시간별

데이터를 활용하여 변수들 간의 관계를 살펴보는 모형

선형 동태적 패널 모형 : 종속변수의 과거값을 설명변수의 일부로 활용함으로써

종속변수 과거값의 통제 여부에 따른 변수들 간의 관계를 살펴보는 모형

선형 정태적 모형 (1) - 개체 간 횡단명 관계

집단간(between effect, BE) 추정

- 패널 데이터에서 각 개체별로 시간에 따른 값들을 평균한 후, 이 평균값을 이용하여

회귀분석을 수행. 즉, 각 에 대해 시간에 따른 값들을 평균한 를 에 대해

회귀.

- 각 개체별로 시간에 따른 변화 정보는 압축하고, 개체 간 차이에만 주목하는

패널 분석 방법론으로, 패널 데이터에서 개체 간 횡단면 관계만을 추정

선형 정태적 모형 (2) - 개체 내 관계

고정효과(fixed effects, FE) 추정

- 설명변수( )가 고유오차(

)에 대해서는 강외생적이지만 개별효과()와는

상관되는 모형으로, 개별효과()가 확률변수가 아니게 됨

- 개별효과()는 오차항을 구성하는 성분으로 관측할 수 없기 때문에, 설명변수의

회귀계수인 를 측정하기 위해서는 개별효과()를 모형에서 제거할 수 있는

방법론이 필요

- 개별효과()가 고정효과인 모형에서는 서로 다른 개체 간에 종속변수에서의

차이가 설명변수()에 의한 것인지 아니면 개별효과()에 의한 것인지 구분할

수 없기 때문에, 개별효과()를 통제하여 설명변수()에 의한 효과만을 구분하는

것이 필요

- 가 고정될 때 의 편차와

의 편차를 회귀분석한 결과로, 기존 모형에서

패널 개체별 평균인 집단간 추정(BE) 모형을 빼면 다음과 같은 모형을 구할

수 있음


❚ 27

- 개별효과()가 모형에서 사라짐으로써 설명변수()와 상관되어 있다는 사실과

무관하게 에 대한 추정량을 구할 수 있게 됨

- 설명변수() 중 시간에 따라 변하지 않는 변수들(예: 개인에 대한 패널 데이터에서

성별 등)은 고정효과(FE) 모형의 추정 과정에서 제거되기 때문에 계수를 추정할

수 없음

더미변수 최소제곱(least squares dummy variables, LSDV) 추정

- 패널 데이터에서 각 개체()마다 개의 관측값이 존재하기 때문에, 개별효과()를

고정효과(FE) 모형에서처럼 제거하지 않고 직접 추정하는 것도 가능

- 개체별로 더미변수를 만들어 모형에 포함시키고, 각 개체()에 따라 서로 다른

를 추정할 수 있음

- LSDV 추정은 설명변수의 추정계수나 표준오차 등에 있어 고정효과(FE) 추정과

결과가 동일하나, 더미변수에 대한 추정도 포함되므로 분석에 시간이 더 소요된다는

단점이 있음

1차 차분(first difference, FD) 모형 추정

- 고정효과(FE) 모형과 마찬가지로 개별효과()를 제거하고자 할 때, 사용할

수 있는 모형

- 기본 모형에서 기에서 기로의 증가분을 구하면, 개체 내 시간에 따라서는

변화가 없는 개별효과()와 상수항()이 제거됨

- 를

에 대해 회귀분석하면 에 대한 추정량을 구할 수 있게 됨

이중차분(difference-in-difference, DID) 모형 추정

- 개체에 따른 개별효과() 외에 시간에 따른 개별효과( )를 가정할 수 있으며,

이는 시간 더미변수를 모형에 포함시킴으로써 가능

- 특히 사회과학 분야에서 정책의 효과 또는 의학 분야에서 처치의 효과가 종속변수에

미치는 영향을 살펴볼 때 사용됨

- 정책 시행여부에 따른 더미변수를 라고 하고, 선형 패널 모형을 다음과

같이 가정할 수 있음


28 ❚

- 인 패널 데이터라면, 는 일 때 0이고 일 때 1인 더미변수( )로

볼 수 있고 이 변수에 대한 계수()를 설정할 수 있음

- 위 식에서 1차 차분을 적용하면, 다음과 같은 모형이 됨

- 이 모형에서 에 대한 추정량은, 정책 시행여부와 시점의 두 차이를 모두 반영한 값.

즉, ‘정책을 시행한 경우에서의 시점에 따른 종속변수 차이’와 ‘정책을 시행하지

않은 경우에서의 시점에 따른 종속변수 차이’의 차이(이중차분)를 구함으로써

정책 시행의 순수한 효과를 측정할 수 있음

선형 정태적 모형 (3) - 개체 간 및 개체 내 관계

통합최소제곱법(pooled OLS, POLS) 추정

- 패널 데이터에서 각 개체별 시간별 값들을 모두 통합하여 일반적인 회귀분석을

수행

- 동일 개체 내 다른 시간에서의 값들을 독립된 개체의 형태로 간주하는 패널

분석 방법론으로, 패널 데이터의 구조를 활용하지 않고 개체와 시간에 관계없이

모든 관측값들을 모아서 추정

- 가령 50개 개체에 대해 8년이라는 시간에 걸친 패널 데이터가 있다고 가정할 때,

통합최소제곱법 추정은 400개(50×8)의 개체가 있다고 간주하여 회귀분석을

하는 방법

- 통합최소제곱법에 따른 추정량은 시기별 횡단면 추정량들의 가중평균

- 설명변수( )와 오차(

)가 독립이라고 가정할 때, 일반적으로 POLS 추정량은

일관적

- 오차()가 개체 간에는 독립이라고 가정하기에 무리가 없으나, 동일 개체

내에서 시간에 걸쳐 상관되기 쉬운 경향이 있음. 이 경우에는 각 개체별 시간에

걸친 관측값들을 하나의 클러스터로 간주하고, 클러스터 분산 추정량을 사용하는

것이 권장됨.

- 클러스터 표준오차를 사용할 때에는 클러스터(패널 데이터에서 개체)의 개수가

충분히 많아야 한다는 제약( ≥ )이 있음


❚ 29

임의효과(random effects, RE) 추정

- 개별효과()가 설명변수( )와 상관되지 않았을 때, 이 개별효과를 임의효과

(random effects)라 함 (상관될 경우, 고정효과라고 함)

- 오차성분 모형을 가정하고 개별효과()가 존재하는 패널 데이터에서는, 단순히

회귀분석하게 되면 오차()항의 1계 자기상관 문제로 인하여 효율적인 추정량을

얻을 수 없음.

≠

- 오차성분 모형에서 오차 공분산 구조에 관한 가정으로, 1) 와 는 서로

비상관이고, 2) 가 에 걸쳐 등분산이어야 하며, 3) 역시 와 에 걸쳐

비상관이고 등분산이어야 함

≠

≠

- 오차성분 모형에서 위와 같은 가정을 충족한다고 할 때, 와

를 안다면

오차()의 분산, 공분산을 알 수 있으므로 GLS 추정량을 구할 수 있음(RE

추정량). 만약 와

를 모른다고 하면, 이들에 대한 적절한 가정을 통해

FGLS 추정량을 구할 수 있음(RE FGLS 추정량)

- RE 추정량이 일관성을 가지기 위해서는, 설명변수( )가 개별효과()에 대해

외생적이면서 동시에 고유오차()에 대해서는 강외생적(모든 와 에서

와

가 서로 비상관)이어야 함

선형 동태적 모형

Anderson-Hsiao(AH) 추정

- 우변에 만 있는 가장 간단한 형태의 선형 동태적 패널 모형을 가정

- 선형 동태적 패널 모형은 일반적으로 동일한 개체 내에서의 시간에 따른 변화에

주목하기 때문에, 고정효과 모형을 사용

- 개별효과()를 제거하기 위해 차분을 적용하면,


30 ❚

- 설명변수 중 하나인 와 오차인 가 상관되게 됨

- 개별효과()를 제거하기 위해 변수별로 편차를 구하더라도(FE 추정방식) 여전히

와 의 상관문제가 남아있게 됨

- 따라서 및

와 상관되지 않는 도구변수를 찾아야 하는데, Anderson

& Hsiao (1981)는 를 도구변수로 사용하는 것을 제안

- 도구변수 (또는 )를 이용하여 설명변수( )를 설명하고, 추정된

로

를 설명

- Anderson-Hsiao(AH) 추정량은 다음과 같음

차분적률법(Difference GMM) 추정

- 외에도 오차 와 무관한 도구변수로 , 등 사용할 수 있는 변수들이

많음

- Arellano & Bond (1991)는 일반화된 적률법(generalized method of moments,

GMM)을 활용하여 이용가능한 도구변수들을 가장 효율적으로 이용하는 방법을

제시. 차분된 모형에 GMM을 적용한다고 하여 차분적률법이라고 명명.

- 차분하지 않은 모형에 차분한 도구변수를 사용하는 경우는 수준적률법(Levels

GMM), 차분적률법과 수준적률법의 모든 조건들을 활용하는 경우는 시스템적률법

(System GMM)이라 함

비선형 패널 모형

패널 프로빗

- 횡단면 데이터에서 종속변수가 더미변수인 경우에 일반적으로 프로빗(probit)

또는 로짓(logit) 모형을 사용하는데, 패널 데이터에서도 마찬가지. 다만, 오차항

에서 패널 특성을 고려한다는 점에서 차이가 있음

- 관찰되지 않는 종속변수(latent variable)를 라고 할 때, 모형


❚ 31

- 프로빗 모형에서 각 종속변수를 가질 확률은,

Pr

- 이 때, ∙은 표준정규분포의 누적확률밀도함수

- 패널 프로빗 모형에서는 고정효과 모형 등에서와 같이 개별효과()의 제거가

불가능하기 때문에, 일반적으로 확률효과 모형으로 추정

- 일치추정량을 얻기 위해서는 설명변수( )와 개별효과() 사이에 상관이 없어야 함

패널 토빗

- 토빗 모형(Tobit model)은 종속변수 관찰값 중 일부가 존재하지 않아 중도절단

(censored)된 데이터에서 주로 활용

- 프로빗 또는 로짓모형에서와 마찬가지로 관찰되지 않는 잠재적인 종속변수(latent

variable) 를 사용

- 패널 데이터에서의 토빗 모형은 오차성분모형의 기본 가정을 활용

- 좌측 중도절단(left-censoring) 패널 데이터에서는 아래와 같이 종속변수가

설정됨

,

, ≤

- 패널 토빗모형은 횡단면 데이터에서와 마찬가지로 최우추정법(MLE)을 이용하여

모수를 추정

다. 패널 분석 방법론의 효과성 분석 적용 사례

Cin, Kim, & Vonortas (2017) Small Business Economics

이론적 배경

- 정부 R&D 지원과 기업의 R&D 투자, 그리고 기업의 성과의 관계에 대해 실증적으로

탐구한 문헌들은 매우 많음. 기존 연구들은 크게 3가지 흐름으로 정리할 수 있음.

- 정부의 R&D 지원이 기업의 R&D 투자를 촉진하는가, 아니면 구축(crowd-out)

하는가?


32 ❚

- 주로 선진국들을 중심으로 이루어지고 있는 연구 주제인데, 선택편의(selection

bias)의 문제(일명 ‘picking the winners’ 문제)와 counterfactual(지원을 받지

않았을 경우를 가정한) 결과의 부재가 끊임없이 제기되어 옴. 정부 R&D 지원이

기업 R&D 투자 및 성과에 긍정적이라는 실증분석 결과가 조금 더 우세한 가운데,

오히려 저해한다는 반론도 계속 이어지고 있음

- R&D 투자로 대표되는 혁신의 투입(input)적 요소와 특허 등으로 대표되는

혁신의 산출(output)적 요소, 그리고 생산성에 이르는 관계. 여기서도 내생성

및 선택편의 문제의 해결이 중요한 이슈.

- 정부 R&D 지원이 기업의 성과에 미치는 영향에 대한 실증적 분석

- 대체로 정부의 R&D 지원은 기업의 혁신 활동 또는 R&D 활동의 강도를 높이는 데

긍정적인 영향을 미치는 것으로 나타남

- 많은 연구들이 정부의 R&D 지원 프로그램이 기업의 R&D 활동에 미치는 영향을

분석하였으나, 기업의 생산성에 미치는 영향에 대해서는 연구가 덜 되어있음

데이터

- 한국 제조업 기업들의 재무 데이터 및 공공 R&D 지원금 데이터 이용

- NICE(National Information and Credit Evaluation) 신용평가에서 제공하는

기업 재무 데이터와 중소벤처기업부(당시 중소기업청)에서 제공하는 정부 R&D

지원금 데이터를 결합

- NICE 기업 재무 데이터에는 2000년부터 2007년까지 상장 및 비상장기업의

대차대조표(balance sheet)와 손익계산서(profit and loss statement)의 항목들이

포함됨. 전 산업의 모든 규모의 기업들을 포괄하며 비공개 기업들에 대한 정보도

접근할 수 있다는 게 장점.

- 중소기업청의 정부 R&D 지원금 데이터 역시 2000년부터 2007년까지

- 데이터의 총 기업 수는 46,921개이고, 이 중 정부 R&D 지원금을 받은 기업은

1,757개, 받지 않은 기업은 45,164개.

변수

- 종속변수 : 부가가치 생산성(value-added productivity)

- 각 기업별로 다품종으로 생산하는 제품의 양을 기준으로 생산성을 판단하기

어렵고, 최종 매출액을 기준으로 하면 중간재(intermediate material) 비용이

반영되지 않는다는 단점이 있음

- 부가가치 = 영업이익 + 인건비 + 이자비용 + 세금 등 + 감가상각

- R&D 지원금 : 기업에 직접적으로 지원되는 자금(grant)으로, 대출이나 조세혜택

등은 제외


❚ 33

- 중소기업청은 지원금을 받을 기업과 규모를 선정함에 있어 중소기업의 성과를

반영하여 타당성을 평가 → 이는 패널 분석 방법의 결정에 있어 내생성 및 선택편의

문제를 고려해야 함을 의미

분석 방법

- 일반적인 Cobb-Douglas 생산함수에서 시작

- 총요소생산성(total factor productivity) 에 R&D 지원 여부를 반영

- 기업의 R&D 투자(RND), 정부 R&D 지원 여부(D), 근로자에 대한 교육훈련

비용(Edu), 기업 연령(Age) 그리고 상수항()

- 생산함수 양측을 로 나누고 로그함수로 전환하면,

ln ln ×ln

ln ln ln ln

- 동적 패널 모형의 특성을 반영하고, 산업 더미, 시간 더미 등을 포함하여 모형을

확장

ln ln ×ln

ln ln ln ln

ln

- 시차가 있는 종속변수가 설명변수로 쓰이는 동적 패널 모형에서는, 해당 설명변수가

오차항과 상관되기 때문에 일반적인 임의효과(RE) 모형이나 고정효과(FE) 모형

으로는 일치된 추정량을 얻기가 어려움

- 이 동적 패널 모형에서 정부 R&D 지원금 여부는 오차항( )과 상관되기 쉬운데,

그 이유는 지원 기업의 선정 과정에 내생성이 존재하기 때문(원래 더 나은 성과를

가질 기업이 선정되어 성과가 향상될 수 있음)

- 본 연구에서는 이러한 선택편의(selection bias)의 문제도 해결하기 위해, 이중차분

(DID)과 2단계(2SLS) 토빗, 로짓, GMM 방법을 혼합하여 사용

- 2단계 임의효과 모형(2-stage RE)

1단계에서는 기업의 R&D 투자( )를 도구변수(시차 있는 생산성, 매출 등)와

정부 R&D 지원여부( )에 회귀. 이때, 정부 R&D 지원여부( )는 더미변수이기

때문에 패널 로짓 모형이 적용됨.


34 ❚

2단계에서는 1단계에서 추정된 기업의 R&D 투자( )와 정부 R&D 지원여부

( )의 추정량을 원래의 생산성 추정식에 넣고 회귀분석

- 기업의 R&D 투자는 중간에 중단될 수도 있기 때문에(절단 데이터), 이를 반영하기

위해 토빗(Tobit) 분석도 병행하여 시행

- 시차가 있는 종속변수를 설명변수에 포함함으로써 내생성 문제가 발생할 수

있기 때문에 GMM 방법도 병행하여 시행

- 시차가 있는 종속변수의 설명변수 사용에 따른 내생성과 기업의 R&D 투자

( )와 정부 R&D 지원 여부( ) 등의 내생성 등을 모두 고려하기 위해 2단계

토빗/로짓-GMM 및 2단계 토빗/로짓-system GMM 사용

- 1단계에서 기업의 R&D 투자( )에는 토빗 모형을, 정부 R&D 지원 여부( )에는

로짓 모형을 적용

- 2단계에서 생산성에 미치는 영향을 추정할 때에는 GMM 또는 system GMM

사용

분석 결과

- 기업의 R&D 투자( )는 1% 수준에서 (+) 영향의 유의성을 나타내고 있어,

기업 생산성 향상에 중요한 역할을 하는 것으로 나타남

- 기업의 R&D 투자( )와 정부 R&D 지원 여부( )의 상호작용항의 계수도

1% 수준에서 (+) 영향의 유의성이 나타남. 즉, 정부의 R&D 지원은 기업의

R&D 투자를 촉진함으로써 간접적으로 기업의 생산성 향상에 기여하는 것으로

나타남

Karhunen & Huovari (2015) Small Business Economics

개요

- 본 연구는 정부의 R&D 지원이 노동생산성에 미치는 영향을 실증분석을 통해

밝히고자 함

- 2000년부터 2012년까지의 핀란드 중소기업 데이터를 바탕으로 하고 있으며,

성향점수를 이용한 매칭과 이중차분 모형을 활용하여 선택편의 문제를 해결

데이터

- 핀란드 중소기업 데이터 활용(여러 출처의 데이터 결합)

- 본 연구에서 중소기업의 기준

10-249인 규모 (EC 기준은 0-249인데, 10인 이하는 제외)

연 매출액 5,000만 유로

- 핀란드는 정부의 중소기업 R&D 지원이 활발하게 이루어지는 국가로서, 기술혁신청

(Tekes, 현재는 Business Finland로 명칭 변경)이 대표적인 정부 기구


❚ 35

- 연간 6억 유로 이상을 공공 및 민간에 R&D 지원금으로 제공

- Tekes는 핀란드 전체 공공 R&D 자금 지원의 30% 이상을 차지하며, 그 금액의

70% 이상은 보조금 직접지원의 형태

- 최종적으로 전체 33,811개 기업 중 R&D 지원을 받은 기업(실험군)은 1,221개,

받지 못한 기업(대조군)은 32,590개

- 2000년부터 2012년까지의 패널 데이터를 활용하며, 정부 R&D 지원을 받은

후 5년까지의 효과를 추정하고자 함

변수

- 노동생산성(labour productivity) : 기업당 연간 부가가치 총액을 근로자 수로

나눈 값

- 과거에 정부 R&D 지원을 받은 이전 경험도 (가장 나중에) 정부 R&D 지원을

받을 가능성에 영향을 미칠 수 있다고 가정

1년 전(t-1), 2년 전(t-2), 3년 이전(t-3, t-4, …)에 받은 경험 여부를 더미변수

설정

- 이 외에도 대기업의 계열사 여부, 외국계 기업 여부, 해외 무역 여부, 특허

출원 여부, 지역 더미변수 18개, 산업 더미변수 14개, 연도 더미변수 등을 고려

분석 방법

- 정부 R&D 지원금이 모든 중소기업들을 대상으로 무작위로 배분되는 것이 아니기

때문에, 유사한 특성을 가진 수혜기업과 비수혜기업들을 매칭하는 것이 필요

- 정부 R&D 지원을 받을 확률에 기반한 프로빗 모형을 통해 단일 지표인 성향점수

(propensity score)를 계산

- 정부 R&D 지원을 받지 않은 기업 대비 받은 기업의 효과를 의미하는, 평균

처치 효과(average treatment effect)는 다음과 같음

- 는 정부 R&D 지원을 받은 기업의 노동생산성,

는 정부 R&D 지원을

받지 않은 기업의 노동생산성, 항은 비수혜기업의 수혜기업 대비 가중함수,

와 는 각각 수혜기업과 비수혜기업의 관찰값 수

- 성향점수(propensity score)를 이용한 매칭 방법은 선택편의 문제를 크게 줄일

수 있는데, 기업이 정부 R&D 지원을 받을 가능성에 영향을 미칠 수 있는 복수의

통제변수들을 고려해야 함


36 ❚

- 패널 데이터의 특성상 정부 R&D 지원의 전과 후와 같이 서로 다른 시간대의

결과값 차이를 구함으로써 추가적인 편향을 제거할 수 있음. 매칭과 이중차분모형

결합(combined matching and difference-in-difference, CDID)에서는 성

향점수를 계산함에 있어 다른 시간대에 대한 고려도 포함

′

′

- 와 ′를 각각 R&D 지원을 받기 전과 후를 의미

분석 결과

- 실증분석 결과 정부 R&D 지원을 받은 후 5년까지 노동생산성에 미치는 (+)

영향은 유의하게 나타나지 않음

- 오히려 지원을 받은 후 1~2년까지는 생산성 향상에 있어 2~4% 가량 (-) 영향을

미치는 것으로 나타남

- 대신 정부의 R&D 지원은 고용효과에 (+) 영향을 미쳤으며, 기업들의 생존율을

높이는 것으로 나타남

- 또한 정부 R&D 지원은 보유 기술 수준이 낮은 기업들(low-skill firm)의 인적자본

수준을 높이는 것으로 확인됨

제3절 의사결정트리 및 랜덤포레스트 분석

가. 의사결정트리

의사결정트리 개요

의사결정트리란?

- 하향식의 의사결정 구조를 모식화한 것으로, 맨 위쪽의 뿌리부터 줄기, 잎의

순서로 뻗어나가는 나무를 거꾸로 뒤집은 것과 같은 모양

- 주로 분류작업에 사용되는 기법으로, 대상인 데이터의 관측값들 사이의 중요

특성들을 추출하여 소집단으로 분류할 수 있는 규칙을 찾음

- 만들어진 의사결정트리는 새로운 데이터에 적용하여 예측의 목적으로 사용될

수도 있음

- 분류의 기준이 되는 규칙이 명확하기 때문에 이해하기가 쉽고 도출되는 결과를

해석하기에도 용이함

- 인공신경망과 함께 가장 많이 이용되고 있는 데이터마이닝 기법


❚ 37

- 보다 진화된 다양한 의사결정트리 방법론들이 계속해서 개발되고 있으며, 가장

많이 알려진 것은 CHAID(Hartigan, 1975), CART(Breiman et al., 1984),

C 4.5(Quinlan, 1993) 등

머신러닝에서 의사결정트리의 활용

- 머신러닝 모형 중 지도학습(supervised learning) 모형으로, 주로 예측 또는

분류 방법으로 활용됨

- 주로 불연속 데이터를 다루고, 데이터에 노이즈가 발생하더라도 강건한(robust)

결과를 보여주는 모형

- 주로 귀납적 추론이 필요한 경우에서 많이 활용됨

환자의 진료기록을 바탕으로 증상을 구분하는 경우

고객의 대출자료를 바탕으로 상환 불이행 가능성을 예측하는 경우

의사결정트리 개념

기본적인 형태

- parent node : 단위 구조 내에서 상위에 위치한 node

- child node : 단위 구조 내에서 하위에 위치한 node

- root node : 전체 의사결정트리에서 가장 상단에 위치하는 node

- terminal node : 전체 의사결정트리에서 가장 말단에 위치하는 node

- branch : 각 node들을 연결하는 역할

- depth : 의사결정트리에서 같은 수준에 있는 node들이 갈라진 횟수


38 ❚

[그림 3-1] 의사결정트리 기본적인 형태

수식적 표현

- 의사결정트리는 다음과 같이 표현할 수 있음

∈

- 은 terminal node에서 서로 겹치지 않는 예측변수들의 집합

, , 은 추정해야 할 모수로, 전체 데이터는 개의 영역 ⋯ 으로

나뉘고 각 영역에서 추정됨

의사결정트리의 분류 원리

기본 원리 : child node의 순도를 높이는 방향

- 의사결정트리의 depth가 가능한 한 짧으면서도 최적의 분류 결과를 나타낼

수 있도록 하는 것이 기본 원칙

- 가장 효율적인 방법은, child node의 순도가 가장 높게 나타나는 분류 기준을

찾는 것

- 순도를 측정하는 방법으로는 지니계수, 엔트로피 계수 등이 있는데, 이 값들은

불순도를 나타내는 값으로 (1-지니계수) 또는 (1-엔트로피 계수)의 값이 클수록

더 좋은 분류 방법으로 간주


❚ 39

- CART는 지니지수, C 4.5는 엔트로피 지수 활용 (CHAID는 불순도가 아닌

카이제곱값의 유의확률을 기준으로 분류)

지니지수(Gini index) =

- 는 node 내 서로 다른 특성을 가진 집단의 수, 는 node 내 각 집단의

관측값 수, 은 node 내 전체 관측값 수

- 엔트로피 지수(Entropy index) =

log

- 은 node 내 서로 다른 특성을 가진 집단의 수, 는 node 내 각 집단의

관측값 수의 전체 관측값 수 대비 비중

- 지니계수 또는 엔트로피 지수를 기준으로 구한 순도는 분류의 결과 child node가

대체로 매우 유사한 성질을 가지고 있을수록 높은 값을 가짐

적절한 크기의 의사결정트리 결정을 위한 원리 : 정지규칙과 가지치기

- 과대적합(over fitting) : 의사결정트리로 형성된 모형이 주어진 데이터를 지나치게

상세하고 정확하게 설명함으로써 필요 이상으로 복잡하고 큰 모형이 된 현상.

최종적인 모형이 오히려 엉뚱한 규칙들을 가지게 됨으로써 다른 데이터에서의

예측 오차가 커질 가능성이 있음.

- 과소적합(under fitting) : 과대적합과는 반대로 모형이 지나치게 간소화되어

주어진 데이터조차 제대로 설명하지 못하는 현상. 모형의 정확성이 크게 떨어져

유용성이 낮음.

- 정지규칙(stopping rule) : 일반적으로는 terminal node의 분류 대상이 1개만

남거나, 더 이상 순도가 올라가지 않을 때까지 의사결정트리는 depth가 깊어지게

됨. 하지만 일정 수준 이상으로 depth가 깊어지면, 과대적합의 문제가 발생하기

때문에 어떤 시점에서는 branch가 갈라지지 않도록 규칙을 정해둘 수가 있는데,

이를 정지규칙이라고 함. 반대로 과소적합 발생 시에는 정지규칙을 완화함으로써

모형을 좀 더 정확히 만들 수 있음

depth의 길이를 설정하는 방법 : 연구자가 임의로 depth의 길이를 설정해두면,

의사결정트리는 해당 길이까지만 child node를 형성하고 정지하게 됨

node의 관측값 수를 설정하는 방법 : 1) terminal node의 관측값 수가 최소

n개 이상이라고 설정하게 되면, n 미만인 경우에는 child node를 형성하지

않고 정지하게 됨. 2) child node를 형성하기 위한 최소 관측값 수를 n개로

설정하게 되면, n개 미만의 관측값을 가진 node에서는 더 이상 child node가

형성되지 않음.


40 ❚

- 가지치기(pruning) : 지나치게 branch가 많은 의사결정트리에서 적절치 않은

node들을 제거함으로써 과대적합 문제를 해결하는 방법. 가령, 순도의 증가가

너무 미비한 경우나 terminal node의 관측값이 너무 작은 경우에는 가지치기를

통해 조정하는 작업이 필요. 가지치기 과정에 있어 정해진 가이드라인은 없으며,

연구자의 판단하에 적절한 규모의 의사결정트리를 만드는 것이 중요. 일반적으로

머신러닝에서는 훈련용 자료(training data)와 검증용 자료(validation data)의

분류 오차가 벌어지는 시점에서 가지치기를 통해 의사결정트리를 다듬는 것이

권장됨.

의사결정트리 알고리즘

CHAID(chi-squared automatic interaction detection)

- 1975년 Hartigan에 의해 소개된 알고리즘으로 가장 오래된 방법

- 카이제곱검정 또는 분산분석의 F값을 기준으로 분류를 반복하여 의사결정트리를

형성하는 알고리즘

- 예측변수로는 질적척도의 변수만 사용할 수 있음

- 목적변수가 질적척도일 경우에는 카이제곱검정을, 양적척도일 경우에는 분산분석의

F값을 이용하여 node를 분류

카이제곱검정 : 1) 모든 예측변수들에 대해 카이제곱 통계량값과 p값을 계산하고,

유의미한 차이가 없는 범주들에 대해서는 병합 시행, 2) 가장 작은 p값을 가지는

예측변수를 기준으로 child node 형성

분산분석 F값 : 분산분석의 F값을 기준으로 예측변수의 범주별로 목표변수의

평균이 얼마나 다른지를 검정하고, F값에 대응하는 p값이 통계적으로 유의하면

분리를, 유의하지 않으면 병합을 하는 방법으로 child node를 형성

- 다지분리(multiway split) 가능 : parent node에서 3개 이상의 child node로

분류될 수 있음

CART(classification and regression trees)

- 1984년 Briemen과 동료 연구자들에 의해 소개된 알고리즘으로, 가장 보편적으로

사용되는 방법

- 전체 집단을 복수의 소집단으로 분류하는데, 소집단 내에서의 이질성은 낮도록

하고 소집단들 사이의 이질성은 높게끔 분류

- 예측변수로 질적척도 외에 양적척도의 변수도 사용할 수 있음

- terminal node의 불순도를 측정하는 기준으로 목적변수가 질적척도일 경우

지니지수(Gini index)를, 양적척도일 경우 분산의 감소량(variance reduction)를

사용


❚ 41

지니지수 : parent node에서 child node로 분화될 때, 지니지수의 감소량(parent

node의 지니지수 - 관측값 비율로 가중평균된 child node의 지니지수)을 계산하여

가장 크게 감소한 예측변수를 우선적으로 선정

분산의 감소량 : 지니지수와 마찬가지로 node가 분화할 때 분산이 가장 크게

감소하는 예측변수를 우선적으로 선정. parent node의 분산에서 관측값 비율로

가중평균된 child node의 분산을 뺀 값을 기준으로 함.

- CHAID와 다르게 이진분리만 가능

C 4.5

- Quinlan에 의해 개발되어 지속적으로 발전해 온 알고리즘으로, 변수의 제약이

없고 다지분리가 가능하여 최근 널리 사용되고 있는 추세

- CART와 유사하게 node별로 불순도를 측정하여 분리를 결정하는 방법인데,

지니지수가 아닌 엔트로피 지수를 사용

엔트로피 지수는 무질서도를 나타내는 지수로서, root node에서 가장 그 값이

크고 terminal node에서는 가장 작은 특성을 가짐

의사결정트리 방법의 장단점

의사결정트리 장점

- 구조가 단순하여 결과를 해석하고 이해하기에 용이함

- 자료의 척도(범주형 질적자료, 연속형 양적자료)에 대한 민감도가 낮음 : 자료를

그대로 사용하여 분류에 활용할 수 있으므로 데이터 전처리 과정에 소요되는

시간과 노력을 크게 줄일 수 있음

- 예측의 정확도가 높음 : 비모수적(non parametric) 모형으로 선형성, 정규성,

등분산성 등의 가정이 필요 없고, 이에 따라 예측의 정확성이 높은 편

의사결정트리 단점

- 연속형 양적자료에 대해서는 예측력이 떨어짐 : 의사결정트리 방식으로는 연속형

양적자료의 분류가 쉽지 않은데, 이를 해결하기 위해 범주형 질적자료로 전환할

경우 정보의 손실이 발생할 수 있음. 연속형 양적변수로만 자료가 구성되어

있을 경우, 인공신경망 등이 더 적합하다고 알려져 있음.

- 모형의 과대적합 발생 문제 : 적당한 정지규칙과 가지치기를 통해 의사결정트리의

규모를 제한하지 않으면, 과대적합이 발생하기 쉬움. 과대적합이 발생하면, 새로운 자료에

대해 분류 또는 예측을 하고자 할 때 오차 발생률이 매우 높아질 가능성이 있음.


42 ❚

- 표본의 크기에 민감함 : 입력자료가 너무 작으면 정확성이 떨어지고, 너무 크면

큰 컴퓨팅 파워를 필요로 함. 최근 들어 컴퓨팅 파워가 비약적으로 발전하고

있으나, 분석의 실효성을 위해서라도 적당한 크기의 표본과 한정된 예측변수의

범위를 사전에 결정할 필요가 있음.

- 분류 기준값의 경계선 근방에 있는 값에서는 오차가 발생할 가능성이 큼

나. 랜덤포레스트

개요

랜덤포레스트란?

- 랜덤포레스트는 앙상블(ensemble) 기법의 하나인데, 앙상블 기법은 주어진

자료를 가지고 여러 개의 모형을 만들고 그 모형들을 결합하여 최종적인 모형을

만드는 방법

랜덤포레스트 외에도 배깅(bagging), 부스팅(boosting) 등이 있음

- 학습 전용 훈련자료(training data)를 바탕으로 다수의 의사결정트리 모형들을

생성하고, 이 의사결정트리의 결합 모형에서 결과를 유도

- 학습 데이터에서 무작위로 표본을 추출하여 만들어진 다수의 의사결정트리를

활용하기 때문에 랜덤포레스트(random forest)라는 명칭이 붙여짐

- 2001년 Brieman이 제안한 머신러닝 알고리즘으로, 집단학습을 바탕으로 고정밀

분류, 회귀, 클러스터링 등을 구현할 수 있음

- 일반적으로 의사결정트리는 다른 알고리즘에 비해 정확도가 조금 낮아 약학습

(weak learning) 방법으로 분류되는데, 랜덤포레스트는 집단학습 방법을 결합함

으로써 정밀도를 향상시킴


❚ 43

[그림 3-2] 의사결정트리 기본적인 형태

그 외 앙상블 기법들

- 배깅(bagging) : Breiman (1996)에 의해 개발된 알고리즘으로, 예측모형의

불안정성을 제거하여 예측력을 향상시키는 역할을 함

예측모형의 불안정성이란, 자료의 작은 변화에도 모형이 크게 변하는 것을 의미함.

가령, 의사결정트리에서 첫 번째 node의 분화가 일어날 때 비슷한 예측변수가

존재할 경우 자료가 조금만 변해도 모형의 전체적인 모양이 크게 뒤바뀔 수

있음

배깅(bagging)은 bootstrap aggregating의 줄임말로서, 부트스트랩을 이용하여

무작위로 생성된 자료들에 대해 각각의 예측모형을 만들고 이를 조합하여 하나의

예측모형을 만드는 방법

훈련자료가 이라고 할 때, 배깅 알고리즘은 다음과 같음

1. 개의 부트스트랩 자료 ⋯ 를 생성

2. 각 에 대해 예측모형 생성

3. 개의 예측모형을 결합하여 최종 모형인 을 생성

회귀모형에서는

와 같이 평균 이용

류모형에서는 arg

와 같이 투표방식 이용


44 ❚

- 부스팅(boosting) : Freud & Schapire (1997)이 처음 제시한 알고리즘으로,

분류 문제를 위한 방법으로 사용. 예측력이 약한 모형들을 결합하여 강한 예측모형을

만드는 방법.

분류기(classifier)는 예측변수 x를 -1과 1로 할당하는 함수

약한 분류기인 를 결합하여 강한 분류기인 생성

은 각 약 분류기들의 결합 시 가중치

랜덤포레스트 개념

랜덤포레스트 절차

- 무작위성을 위해 의사결정트리를 만드는 표본을 부트스트랩을 통해 추출하고,

입력변수 역시 무작위 추출하여 결합

무작위로 뽑힌 의사결정트리들은 서로 간의 연관성이 약하다고 간주

- 훈련자료(training data)

∈ 에서 n개의 자료를 가지고

부트스트랩 표본

을 생성

- 의 입력변수 중 개만 무작위로 뽑아 의사결정트리를 생성. 일반적으로

정해놓은 depth의 단계까지만 진행

- 생성된 의사결정트리들을 선형결합하여 최종 학습기(learner)를 생성

랜덤포레스트 생성 기준

- 랜덤포레스트의 생성과정에서 다양한 기준들이 존재

부트스트랩 표본을 몇 개나 생성할 것인지 : 너무 적어서는 안 됨

입력변수 중 뽑는 개수의 비중은 어떻게 할 것인지

의사결정트리의 선형결합 방식은 어떻게 할 것인지 : 회귀분석에서는 평균값을,

분류 문제에서는 다수결의 방식을 사용하는 경향이 있음

랜덤포레스트 : 분류문제

- 랜덤포레스트 의 마진함수, 예측오차, 강도는 다음과 같이 정의됨

max ≠


❚ 45

랜덤포레스트의 시각화

- 예측에 사용되는 입력변수가 적으면(예: 2개 이내) 그래프 등을 통해 출력변수에

미치는 영향 등을 쉽게 확인할 수 있음

- 하지만 사용되는 변수의 개수가 많고, 랜덤포레스트와 같이 예측방법의 과정이

복잡한 경우에는 변수들의 영향력을 시각화하는 것이 어려움

- 부분 의존성 도표(partial dependence plot)

2001년 Friedman이 제안한 것으로, 학습기(learner)에 사용된 입력변수 중

일부만 따로 떼어 시각화하는 방법

∈인 입력변수를 사용하는 학습기(learner) 를 가정

에 대해 를 크기가 인 ⋯의 부분집합이라 하고,

⋯ 이라 하면, ∈이고 ∈

이때 의 영향력을 나타내기 위해 다음의 값을 고려할 수 있음

위의 값은 의 확률밀도함수 에 대해 다음과 같이 표현됨

이 값을 이용해 시각화하는 것이 부분 의존성 도표로, 값이 1이면 2차원, 2면

3차원 등의 그래프로 표현

다. 의사결정트리 및 랜덤포레스트 방법의 효과성 분석 적용 사례

이성호 (2017)

연구의 배경

- 한국은 중소기업의 혁신을 위한 R&D 보조금으로 연 3조원을 투입하고 있으며,

이는 미국에 이어 OECD 국가 중 두 번째로 큰 규모

- 기업 R&D 지원 성과를 평가하는 기존 연구들은 대체로 기업의 연구개발 투자를

촉진하였는지, 혹은 지식재산권과 같은 기술역량을 향상시켰는지를 중심으로

분석

- 중소기업 R&D 지원의 양적 규모가 크게 확대된 만큼 지원의 효과를 제고할

수 있도록 적절한 수혜자 선정모형의 개발 필요


46 ❚

수혜기업과 비수혜기업의 지원효과 비교

- 정부 R&D 지원의 수혜 중소기업과 비수혜 중소기업을 기초통계량을 통해 단순

비교

지원 시점에서는 비수혜기업에 비해 운영성과나 자금조달, 역량자산 등의 지표가

월등히 좋음

하지만 지원 후 2~3년 기간에서는 대다수 성과지표의 증가율이 수혜기업에서

더 낮게 나타남

영업이익과 R&D 투자는 오히려 역성장

- 비모수적 매칭방법과 모수적 회귀모형을 결합하여 R&D 지원 효과 추정

유전자매칭(genetic matching)을 통해 비수혜기업들을 선별하고 성과지표들의

2년 후 증가분 또는 증가율에 대해 회귀분석을 수행한 결과, 부가가치와 영업이익을

제외한 대다수의 지표에서 R&D 지원의 긍정적인 효과가 나타남. 즉, 지원의

순수한 효과는 긍정적인 편으로 나타남.

다만, 부가가치와 영업이익 등 재무적 성과로의 효과는 나타나지 않음

수혜기업 선정모형

- 의사결정트리 방법을 이용하여, 2년 후 부가가치 증가분에 영향을 미치는 요인들을

식별

- 의사결정트리에서 분화된 node별로 개체의 수, 평균적인 특징들을 비교

연간 지재권 등록 수가 3개 이상인 11번 그룹(또는 node)은 전체 기업 수 대비

1% 정도의 소규모 그룹이지만 수혜기업 중에서는 약 11%에 달함. 하지만 부가가치

변화량은 -87억원으로 가장 크게 감소한 그룹

9번 그룹은 연간 지재권 등록 수가 2개 이하면서 소기업인 그룹으로, 전체

기업 수의 65%가 속해있는데 수혜기업 비중은 50%로 낮음. 이들 그룹의 부가가치

변화량은 평균 1억원 정도

- 성장이 예상되는 그룹에서는 전체 수 대비 수혜비중이 낮고, 오히려 역성장이

예상되는 소수의 그룹에서 수혜비중이 높기 때문에, 수혜기업들의 부가가치

증가분이 낮게 나타난다고 결론

- 전체 모집단을 부가가치 증가분에 따라 십분위로 나누고 수혜의 효과를 살펴본

결과, 상위 4개 분위에서는 양(+)의 효과가, 하위 6개 분위에서는 음(-)의 효과가

나타남. 특히 최하위 분위에서 수혜에 따른 부정적 효과가 아주 크게 나타남.

이 분위에 속한 기업들은 부가가치, 자본규모, 업력, 지재권등록이 큰 특징을

가진 기존 기업.


❚ 47

자료 : 이성호 (2017)

[그림 3-3] 2년 후 부가가치 증가분을 예측하는 의사결정나무 분석 결과

장필성 외 (2018)

연구 개요

- 동일한 정부 R&D 지원의 효과가 기업의 특성에 따라 다르게 나타날 수 있다는

점을 감안하여, 적절한 수혜기업이란 무엇인지에 대해 예측모형을 수립할 필요

대두

머신러닝 모형을 통해 정부 R&D 지원이 기업 성과에 미치는 영향을 예측하고,

그 성능을 확인

- 기업 대상 R&D 지원의 성과로는 매출액, 고용, 추가투자, 임금을 살펴봄

- 정부 R&D 지원정책의 순효과를 측정하기 위해 대조군 기업들에 대한 비교값을

활용

- 성향점수매칭(PSM), 의사결정트리, 딥러닝 등의 결과를 비교함으로써 정부

R&D 지원 효과의 분석에 있어 머신러닝 방법의 적용 가능성을 탐색


48 ❚

의사결정트리 모형

- 학습세트(train set)와 검증세트(test set)의 비율을 8:2로 구분

- 의사결정트리의 depth나 최소 분류 개체수 등의 모수(parameter)를 결정하기

위해 Scikit-Learn 라이브러리의 GridSearchCV 활용

하나의 node 당 개체수는 100개 이상, 의사결정트리의 depth는 5~20 사이로

지정하여 쏠림현상 방지

- 1~3년차 매출액 증가율 값이 양(+)이면서 상위 50%인 그룹은 노란색, 하위

50%인 그룹은 분홍색이며, 음(-)인 그룹 가운데 상위 50%와 하위 50%는 각각

초록색과 파란색으로 표현

- 각 그룹별로 영업이익률, 총자산, 종업원 수, 종업원 증가율, 업력 등이 구분되며

이 정보들을 바탕으로 정부 R&D 지원에 따른 매출액 증가율이 양(+)인지

음(-)인지를 예측할 수 있게 됨

- 하지만 모형의 정확도 측면에서는 아래에서 다룰 딥러닝 모형에 비해 다소 낮은

것으로 나타남

자료 : 장필성 (2018)

[그림 3-4] 의사결정트리 매출액 증가율 분석 결과 (4분류)

딥러닝 분석 모형

- 머신러닝에서는 예측변수(종속변수)가 연속변수일 경우 학습이 원활하지 않기

때문에, 본 연구에서는 정책효과 값들을 (+)와 (-)의 두 가지 범주로 구분하고,

각각을 중간값을 기준으로 한 번 나눠 총 4개의 범주로 구분

- 기업별 일반 정보 및 연구개발 관련 정보들은 설명변수로, 성과지표들은 범주화하여

종속변수로 활용

- 딥러닝 분석에 사용한 라이브러리는 텐서플로우(Tensorflow)와 케라스(Keras)


❚ 49

딥러닝 분석 결과

- 대다수의 성과지표에 있어 검증세트에서의 정확도가 65% 이상인 것으로 나타남.

특히 R&D 증가율은 1~3년차에서 77.86%로 가장 높게 나타남.

- 대다수의 성과지표들은 1년차에 비해 1~3년차에서의 정확도가 더 높게 나타났는데,

장기누적성과에서는 단기적 요인에 의한 데이터의 노이즈 영향이 감소하기 때문

으로 판단됨

- 동일한 변수 세트를 활용하여, 매출액 증가율과 R&D 증가율을 성과변수로

하는 로짓모형을 비교

다만, 로짓모형은 딥러닝과 같은 히든레이어가 따로 없어 1차적인 선형관계만을

가지고 예측하게 됨

빨간색 표시는 딥러닝 모형의 예측이 정확히 맞은 기업들, 녹색 표시는 로짓모형의

예측이 정확히 맞은 기업들. 딥러닝 모형에 의한 예측이 더 넓은 범위에서 높은

정확도를 보이고 있음.

자료 : 장필성 (2018)

[그림 3-5] 분석 결과

딥러닝 모형의 사용에 따른 장점과 한계점

- 연구자의 임의적인 가정 대신 입력하는 데이터에 따라 적합도 높은 모형이

채택됨으로써 객관성을 확보할 수 있음

- 정부의 R&D 지원과 같은 공공부문에서의 지출은 설득력 있는 절차와 체계가

중요한데, 딥러닝 모형은 변수 간 관계가 복잡하여 이를 이해할 수 있게 설명하는

것이 어려움.


50 ❚

- 일반적인 인과관계 분석을 위한 모형들과 달리 딥러닝 모형은 주어진 결론 외에

그 이면에 있는 다른 상황에 대한 해석이 어려움

- 딥러닝과 같은 인공지능 모형이 가치중립적이지 않을 수 있음. 즉, 성별이나

인종 혹은 식별되지 않은 어떠한 형태의 편견을 바탕으로 결론을 내릴 가능성이

존재함.

분석 데이터 선정 및 연계

제4장

제4장 분석 데이터 선정 및 연계

❚ 53


제1절 총요소생산성(TFP) 추정을 위한 데이터

가. 생산함수 추정을 위한 관측치

생산함수 추정을 위해 필요한 부가가치(Y), 자본(K), 노동(L), 대용변수(e)에

대한 관측치는 아래 표와 같음

선행연구들과 차별점은 세분화된 기업정보를 통해 데이터의 품질을 높였다는 점

특히 원가명세서를 잘 공개하지 않는 외부감사대상 기업들의 부가가치는 감사

보고서상 주석사항의 정보를 바탕으로 재무제표에서 계산된 정보를 보완

각 변수는 물가지수로 실질화하여 생산함수 추정에 이용

부가가치는 생산자물가지수:총지수를 사용하였고, 유형자산은 생산자물가지수:

자본재지수를 이용

대용변수는 생산자물가지수: 전기가스수도지수를 적용하여 실질화

유형자산은 재무상태표 상 관측년도의 당기말 기준 값으로 전년도 유형자산과

평균한 값을 사용

원자료의 금액 단위는 모두 천원 단위를 이용


54 ❚

<표 4-1> 생산함수 추정을 위한 항목 및 관측치

항목자료

원천

개념적

구성

중간 산출

계정

재무상태표

계정

손익계산서

계정

원가명세서

계정

Y

(부가

가치)

감사

보고서

주석

사항

인건비

임차료

리스

세금과

공과감

가상각

+부가가치

주석

(ac22)

- - -

이익 +이익 -+법인세차감전순

이익(12-8000)-

재무

입력

부가

가치

(20-40

90)

인건비

+인건비

및 노무비

(21-9540)

->판매비와 관리비

+인건비(12-4100)

+노무비

(15-2000)

+복리후생비 - -

>경비

+복리후생비

(15-3240)

순금융

비용

+금융비용

(12-9390)-

>영업외비용

+이자비용

(12-6110)

+사채이자

(12-6120)

+매출채권매각

손실(12-6132)

-

-이자수익 -

>영업외수익

-이자수익

(12-5101)

-

임차

/리스료

+임차료 -

>판매비와관리비

>일반관리비

+임차료비용

(12-4215)

>경비

+임차료비용

(15-3160)

+리스료 -


>일반괸리비

+리스료

(12-4226)

>경비

+리스료

(15-3241)

세금과

공과+세금과공과 -


>일반관리비

+세금과공과

(12-4214)

>경비

+세금과공과

(15-3150)

이익

/감가

상각

+이익 -

+법인세차감

전순이익

(12-8000)

-


❚ 55

항목자료

원천

개념적

구성

중간 산출

계정

재무상태표

계정

손익계산서

계정

원가명세서

계정

+감가상각

(12-9100)-


>일반괸리비

+감가상각비

(12-4216)

>영업외비용

+감가상각비

(유휴자산상각)

(12-6245)

+특별상각

(12-6167)

>경비

+감가상각비

(15-3130)

+무형자

산상각

무형자산

상각

+무형자산

상각-


>기타판관비

+무형자산상각비

(12-4450)

>영업외비용


(12-6210)

>경비


(15-3244)

K

(자본)

재무

입력

>유형자산

+유형자산(계)

(11-3200)

-토지

(11-3110)

-건설중인

자산

(11-3199)

- -

e

(대용

변수)

재무

입력-

>판매비및관리비

>일반관리비

+수도광열비

(12-4213)

>경비

+전력비

(15-3110)

+수도광열비

(15-3120)

+연료비

(15-3115)

L

(노동)정부 공공데이터 및 NICE평가정보가 기업평가 시 취득한 종업원 수 정보


56 ❚

나. 기업 데이터 및 정부R&D 지원 데이터 연계

기업의 재무정보 및 종업원 수 정보는 NICE평가정보의 데이터를, 정부지원

R&D사업 수혜 기업은 NTIS자료를 활용

두 정보를 기업체 기준으로 연결한 결과는 다음 표와 같음

<표 4-2> 기업데이터와 NTIS 데이터 연계 결과

년도NTIS데이터

(A)

NICE

기본기업

정보존재

NICE재무존재

(B)

NICE재무연계

비중

(B/A)

NICE재무

+종업원수

존재(C)

NICE재무

+종업원수

연계비중(C/A)

2012 6,539 6,141 5,265 80.52% 3,505 53.60%

2013 7,119 6,689 5,943 83.48% 4,058 57.00%

2014 7,534 7,065 6,379 84.67% 3,974 52.75%

2015 8,217 7,733 7,115 86.59% 6,585 80.14%

2016 8,873 8,390 7,722 87.03% 7,113 80.16%

2017 10,235 9,591 8,543 83.47% 7,960 77.77%

합계

(기업수)

48,517

(22,789사)

45,607

(20,796사)

40,967

(18,782사)

84.44%

(81.42%)

33,195

(15,469사)

68.42%

(67.88%)

정부R&D수혜는 여러 해에 걸쳐 반복적으로 받는 기업이 존재하며, NICE의

기업정보도 기업의 생멸에 따라 년도별로 유지되거나 바뀔 수 있음으로 불균형

패널데이터(unbalanced panel data)

NTIS상 정부지원 R&D수혜기업 중 업종, 기업규모, 주소 및 상호 등 NICE의

기본 기업정보와 연계되는 비중은 90% 이상이었으며, 재무 데이터와의

연계비중은 80% 이상

총요소생산성 추정을 위해서는 재무정보와 함께 종업원 수에 대한 자료도

확보되어야 하며, 재무와 종업원 수가 동시에 연계된 비중은 2012년~2014년

까지는 50% 수준이었으나 2015년도 이후부터는 80% 수준

2015년 이후 정부의 공공데이터 공개정책으로 기업 단위 종업원 수 정보

확보가 용이해짐


❚ 57

NICE의 기본 기업정보와 연계되는 기업 20,796사의 기업규모 및 업종별 분포는

다음과 같음

업종은 편의상 제조업은 중분류 수준으로 나머지 업종은 대분류 수준으로

구분하여 표시하였다.

제조업의 비중이 14,217사로 전체의 68% 이상을 차지

제조업 중에서는 기타 기계 및 장비 제조업이 2,889사(13.89%), 전자부품/

컴퓨터/영상/음향/통신장비 제조업이 2,182사(10.49%)로 상대적으로 높은

비중을 차지

비제조업 가운데에는 정보통신업이 2,985사(14.35%)로 가장 높은 비중을

보였고, 전문/과학/기술 서비스업이 1,577사(7.85%)로 그 뒤를 이었음

기업 규모별로는 중소기업이 19,891사로 95.65%를 차지하였고, 중견기업은

742사(3.57%), 대기업은 161사(0.77%)

<표 4-3> 기업데이터-NTIS데이터 연계 결과 업종별·기업규모별 분포

표준산업분류 대기업중견

기업

중소

기업기타 합계

업종별

비중

A00000 농업, 임업 및 어업 1 - 126 - 127 0.61%

B00000 광업 - - 3 - 3 0.01%

C10000 식료품 제조업 5 30 716 - 751 3.61%

C11000 음료 제조업 - 4 58 - 62 0.30%

C12000 담배 제조업 1 - - - 1 0.00%

C13000 섬유제품 제조업; 의복제외 1 3 373 - 377 1.81%

C14000의복, 의복 액세서리 및

모피제품 제조업- 5 92 - 97 0.47%

C15000 가죽, 가방 및 신발 제조업 - 1 78 - 79 0.38%

C16000 목재 및 나무제품 제조업; 가구 제외 - - 48 - 48 0.23%

C17000 펄프, 종이 및 종이제품 제조업 - 6 67 - 73 0.35%

C18000 인쇄 및 기록매체 복제업 - - 33 - 33 0.16%

C19000 코크스, 연탄 및 석유정제품 제조업 3 1 16 - 20 0.10%

C20000화학물질 및 화학제품 제조업;

의약품 제외19 62 1,108 - 1,189 5.72%

C21000 의료용 물질 및 의약품 제조업 3 50 254 - 307 1.48%

C22000 고무 및 플라스틱제품 제조업 3 25 531 - 559 2.69%


58 ❚

표준산업분류 대기업중견

기업

중소

기업기타 합계

업종별

비중

C23000 비금속 광물제품 제조업 1 17 260 - 278 1.34%

C24000 1차 금속 제조업 7 20 240 - 267 1.28%

C25000금속가공제품 제조업; 기계 및

가구 제외1 25 681 - 707 3.40%

C26000전자부품,컴퓨터,영상,음향 및

통신장비 제조업12 88 2,082 - 2,182 10.49%

C27000의료, 정밀, 광학기기 및

시계 제조업4 18 1,367 - 1,389 6.68%

C28000 전기장비 제조업 5 24 1,312 - 1,341 6.45%

C29000 기타 기계 및 장비 제조업 9 71 2,809 - 2,889 13.89%

C30000 자동차 및 트레일러 제조업 10 131 773 - 914 4.40%

C31000 기타 운송장비 제조업 12 9 305 - 326 1.57%

C32000 가구 제조업 - 1 64 - 65 0.31%

C33000 기타 제품 제조업 - 3 255 - 258 1.24%

C34000 산업용 기계 및 장비 수리업 - 1 4 - 5 0.02%

D00000전기, 가스, 증기 및

공기조절 공급업2 1 10 - 13 0.06%

E00000수도, 하수 및

폐기물 처리, 원료 재생업- 3 64 - 67 0.32%

F00000 건설업 16 20 485 - 521 2.51%

G00000 도매 및 소매업 5 25 976 - 1,006 4.84%

H00000 운수 및 창고업 4 5 21 - 30 0.14%

I00000 숙박 및 음식점업 1 1 5 - 7 0.03%

J00000 정보통신업 16 32 2,937 - 2,985 14.35%

K00000 금융 및 보험업 12 18 21 - 51 0.25%

L00000 부동산업 - 1 11 - 12 0.06%

M00000 전문, 과학 및 기술 서비스업 7 34 1,534 2 1,577 7.58%

N00000사업시설 관리, 사업 지원 및

임대 서비스업1 4 62 - 67 0.32%

P00000 교육 서비스업 - 1 54 - 55 0.26%

Q00000 보건업 및 사회복지 서비스업 - - 10 - 10 0.05%

R00000예술, 스포츠 및

여가관련 서비스업- 1 21 - 22 0.11%

S00000협회 및 단체, 수리 및

기타 개인 서비스업- 1 25 - 26 0.13%

합계 161 742 19,891 2 20,796 100.00%

기업규모별 비중 0.77% 3.57% 95.65% 0.01% 100.00%


❚ 59

생산함수 추정에는 그 정의 및 필요한 변수의 속성 상 보다 정밀한 정보가

필요

NICE의 재무와 종업원 수가 연계된 기업 중 생산함수의 추정방법론상 총요소

생산성을 추정할 수 없는 관측치를 제외

부가가치가 음수(-)이거나, 대용변수를 구하는데 값의 누락이 발생한 기업

제외

재무자료의 충실성이 낮은 관측치도 제외

2개년 연속 재무정보가 없어서 생산활동에 투입된 평균 유형자산을 구할 수

없는 기업, 손익계산서상 매출원가가 존재하지만 원가명세서가 확보되지 않거나

감사보고서 상의 주석으로 부가가치를 공시하지 않아 정확한 부가가치 계산이

불가능한 경우도 제외

2011년~2018년 NICE기업정보 중 873,309건(254,451사)를 대상으로 생산

함수를 추정하고, 총요소생산성을 산출

이러한 사유로 정부지원R&D사업 수혜기업 중 총요소생산성 산출대상 관측치는

다소 감소

<표 4-4> TFP 산출 대상 기업 통계

년도

R&D수혜기업

합계

(A)=(B+C+D)

R&D수혜

TFP산출대상

(D)

미수혜산출대상

(E)

산출대상합계

(D+E)

R&D수혜대상중

생산성 산출 비중

{(D/A)}x100

2011 - - 50,220 50,220 -

2012 6,539 3,244 59,801 63,045 49.61%

2013 7,119 3,799 73,856 77,655 53.36%

2014 7,534 3,759 72,914 76,673 49.89%

2015 8,217 5,814 153,883 159,697 70.76%

2016 8,873 6,239 164,544 170,783 70.31%

2017 10,235 7,053 159,213 166,266 68.91%

2018 - - 108,970 108,970 -

합계

(기업수)

48,517

(22,789사)

29,908

(14,981사)

843,401

(253,216사)

873,309

(254,451사)

61.64%

(65.75%)


60 ❚

제2절 중소기업 R&D 사업 연관 일반재정지원사업 선정

가. 분석 대상 사업의 선정

중소기업에 대한 지원 전담 부처인 중소벤처기업부에서 추진 중인 사업으로

한정하여 대상 사업 선정 작업을 진행

중소벤처기업부에서는 ’18년 4월 중소기업이 필요로 하는 여러 지원사업을

각각의 중소기업 지원기관이 스크럼 방식으로 지원하는 일관지원사업을 시범

도입하여 운영 중임

이에, 일관지원사업 대상 사업을 우선적으로 분석하여 대상사업을 선정하였음

(1) 중소벤처기업부 일관지원사업 개요

일관지원은 중소기업이 필요로 하는 여러 가지 사업을 종합적·지속적으로

지원해주는 수요자 중심의 지원방식임

정책적 우선순위가 높은 3개 기업군을 대상으로 기업이 희망하는 사업들을

일괄 신청접수 및 평가하여 최대 4개까지 패키지로 일관지원

<표 4-5> 중소벤처기업부 일관지원사업 대상 및 내용

구분 일안자금 수급기업 스마트공장 도입기업 수출역량 우수기업

지원대상고용증가율 10%이상

일안자금 수급기업

고용 창출기업으로

스마트공장 도입기업

수출기업으로

고용･수출･매출 증가 기업

지원내용3개 분야, 9개 사업

(융자, R&D, 수출)

4개 분야, 8개 사업

(융자, R&D, 수출, 컨설팅)

4개 분야, 7개 사업

(융자, R&D, 수출,

스마트공장)


❚ 61

(2) 기업군 별 일관지원 대상사업

스마트공장 도입기업 일관지원사업

지원내용: 자금, R&D, 수출, 스마트공장, 경영 분야 8개 사업 중 신청기업이

선택한 복수의 사업

<표 4-6> 스마트공장 도입기업 일관지원사업 대상 사업

분야 단위사업명

자금

제조현장스마트화자금

신시장진출지원자금(내수기업수출기업화, 수출기업글로벌기업화)

개발기술사업화자금

R&D구매조건부신제품개발

제품공정개선R&D

수출 수출바우처

스마트 스마트공장구축 및 고도화 지원

경영 중소기업컨설팅지원

수출우수기업 일관지원사업

지원내용: 자금, R&D, 수출, 스마트공장 분야 8개 사업 중 신청기업이 선택한

복수의 사업

<표 4-7> 수출우수기업 일관지원사업 대상 사업


자금


혁신창업기업자금

개발기술사업화자금

R&D

구매조건부신제품개발


산학연협력 신사업 R&D 바우처


스마트

공장스마트공장구축 및 고도화 지원


62 ❚

사람중심기업 일관지원사업

지원내용: 자금, R&D, 수출, 스마트공장, 경영 분야 9개 사업 중 신청기업이

선택한 복수의 사업

<표 4-8> 사람중심기업 일관지원사업 대상 사업


자금

일자리창출촉진자금

혁신성장유망기업자금


R&D

산학연collabo R&D


산학연협력 신사업 R&D 바우처


스마트

공장스마트공장구축 및 고도화 지원

경영 중소기업컨설팅지원

(3) 일관지원사업 대상 사업 분석 결과

R&D사업을 제외한 자금, 수출, 스마트공장, 경영 분야 각 사업의 빈도수는

아래와 같음

분야 단위사업명 빈도

자금

신시장진출지원자금(내수기업수출기업화, 수출기업글로벌기업화) 3

혁신성장유망기업자금 2

개발기술사업화자금 2

제조현장스마트화자금 1

일자리창출촉진자금 1

수출 수출바우처 3

스마트

공장스마트공장구축 및 고도화 지원 3

경영 중소기업컨설팅지원 2

빈도수가 1인 사업을 제외한 나머지 사업을 분석 대상으로 선정


❚ 63

� 자금 분야 일관지원사업

① 신시장창출지원자금

수출인프라 조성을 위한 생산설비 자금 및 수출품 생산비용 지원을 통해 수출

중소기업을 육성

지원규모: 1,800억원(’17년 업체당 평균 2.6억원, ’18년 업체당 평균 2.2억원)

지원대상: 내수기업의 수출기업화자금과 수출기업의 글로벌화자금으로 구분

(내수기업 수출기업화) 내수기업 또는 수출 첫걸음 기업(수출 10만불 미나) 중

생산품(용역, 서비스 포함)을 수출하고자 하는 중소기업

(수출기업 글로벌화) 수출 유망기업(수출 10만불 이상) 중 생산품(용역, 서비스 포함)을

수출하고자 하는 중소기업

융자범위:

(시설자금) 수출제품 생산을 위한 생산설비, 시험검사장비 도입, 정보와 촉진

및 서비스제공 등에 소요되는 자금(건축 및 사업장 구입자금 제외)

(운전자금) 해외마케팅 등 판로개척 비용, 해외인증 획득 비용, 수출품 생산을

위한 원부자재 구입 등에 소요되는 자금

융자방식: 중진공이 자금 신청·접수와 함께 기업평가를 통해 융자대상 기업을

결정한 후 직접 대출

② 신성장기반자금 – 혁신성장융망기업자금, 제조현장스마트화자금

사업성과 기술성이 우수한 성장유망중소기업의 생산성향상, 고부가가치화 등

경쟁력 강화에 필요한 자금을 지원하여 성장 동력 창출

지원규모: 8,800억원(’18년 업체당 평균 6.4억원)

지원대상: 혁신성장유망자금, 제조현장스마트화자금으로 구분

(혁신성장유망) 「중소기업기본법」 상의 업력 7년 이상 중소기업

(제조현장스마트화자금) 스마트공장 추진 기업 중 ① 스마트공장 보급사업

참여기업, ② 4차산업혁명 관련 신산업·신기술 영위기업, ③ ICT기반 생산

효율화를 위한 자동화 시설 도입기업


64 ❚

융자범위:

(시설자금)

- 생산설비 및 시험검사장비 도입 등에 소요되는 자금

- 스마트공장, 공정혁신 및 자동화 구축 등에 소요되는 자금

- 정보화 촉진 및 서비스 제공 등에 소요되는 자금

- 공정설치 및 안정성평가 등에 소요되는 자금

- 유통 및 물류시설 등에 소요되는 자금

- 무역·수출 안전시설 설치 등에 소요되는 자금

- 사업장 건축자금, 토지구입비, 임차보증금

- 사업장 확보자금

- 조성공사비

- 기타 생산성 향상, 생산환경 개선 및 후생복지지설 등에 소요되는 자금

(운전자금)

- 위 시설자금을 융자받은 기업 중 시설도입 후 소요되는 초기 가동비(시설자금의

50% 이내)

융자방식: 중진공이 자금 신청·접수와 함께 기업평가를 통하여 융자대상 결정

후 중진공(직접대출) 또는 금융회사(대리대출)에서 대출

③ 창업기업지원자금 - 개발기술사업화자금

우수한 기술력과 사업성은 있으나 자금력이 부족한 중소·벤처기업의 창업을

활성화하고 고용창출을 도모

지원규모: 2조 1,300억원(’18년 업체당 평균 2.2억원)

지원대상: 「중소기업창업 지원법」제2조에 의한 창업자로서 같은 법 제3조에

따라 창업에서 제외되는 업종을 영위하지 않는 중소기업

(혁신창업지원) 사업 개시일로부터 7년 미만(신청·접수일 기준)인 중소기업

및 창업을 준비 중인 자「중소기업기본법」 상의 업력 7년 이상 중소기업

(일자리창출촉진) 사업 개시일로부터 7년 미만(신청·접수일 기준)인 중소기업

중 다음에 해당되는 기업 – 3년 연속 일자리 증가, 최근 1년이내 청년 근로자

고용기업, 청년 근로자 30% 이상 고용기업, 청년 추가고용 장려금 지원사업


❚ 65

참여기업, 내일채움공제 가입기업, 일자리 안정자금 수급기업, 미래 성과공유제

도입기업 등

(개발기술사업화) 「중소기업기본법」상의 중소기업으로서, ① 다음 중 하나에

해당되는 기술을 사업화하고자 하는 기업 ② 자체 기술을 사업화하고자 하는

Inno-Biz, Main-Biz, 벤처기업

- 산업통상자원부, 중소벤처기업부 등 정부 또는 지자체 출연 연구개발사업에

참여하여 기술개발에 성공(완료)한 기술

- 특허, 실용신안 또는 저작권 등록 기술

- 정부 및 정부 공인기관이 인증한 기술 (신기술, 전력신기술, 건설신기술, 보건신기술 등)

- 국내·외의 대학, 연구기관, 기업, 기술거래기관 등으로부터 이전 받은 기술

- 「기술의 이전 및 사업화 촉진에 관한 법률」상 기술평가기관으로부터 기술평가인증을

받은 기술

- 기업부설연구소 및 연구개발전담부서(한국산업기술진흥협회 인정) 보유 기업이

개발한 기술

- 특허청의 IP-R&D 전략지원사업에 참여하여 개발을 완료한 기술

- (청년전용창업) 대표자가 만 39세 이하로 사업 개시일로부터 3년 미만(신청·접수일

기준)인 중소기업 및 창업을 준비 중인 자

융자범위:

(시설자금)

- 생산설비 및 시험검사장비 도입 등에 소요되는 자금

- 공정설치 및 안정성평가 등에 소요되는 자금

- 유통 및 물류시설 등에 소요되는 자금

- 사업장 건축자금, 토지구입비, 임차보증금

- 사업장 확보자금

(투자자금)

- 지식재산권(특허, 상표권 등) 매입, 외부 연구용역(디자인, 앱 개발 등) 비용

- SW 구입 등 정보화 촉진 및 서비스 제공 등에 소요되는 자금

(운전자금)

- 창업소요 비용, 제품생산 비용 및 기업경영에 소요되는 자금

- 개발기술의 사업화에 소요되는 원부자재 구입비용, 시장개척비용


66 ❚

융자방식:

(혁신창업지원자금) 중진공이 자금신청·접수와 함께 기업평가를 통하여 융자

대상 결정 후 중진공(직접대출) 또는 금융회사(대리대출)에서 대출

(개발기술사업화자금) 중진공 직접대출

(청년전용창업자금) 중진공이 자금신청·접수와 함께 교육·컨설팅 실시 및

사업계획서 등에 대한 평가를 통하여 융자대상 결정 후 직접대출(융자상환금

조정형)

� 수출 분야 일관지원사업

① 수출바우처

중소기업 수출규모별(스타트업, 내수, 초보, 유망, 성장, 강소)로 수출 전 과정에

이르는 마케팅 활동을 맞춤형으로 지원

지원규모: 985억원(2,662여개사)

지원대상: 중소기업기본법상 제조업, 제조관련 서비스업, 지식서비스업을 영위

하는 내수 및 수출 중소기업

세부사업명 지원대상

스타트업 혁신적인 비즈니스 모델을 갖출 창업 7년 이내 해외진출 희망 스타트업

내수기업 전년도 수출실적 ‘0’인 내수 중소기업

수출초보 전년도 수출실적 ‘10만불 미만’인 중소기업

수출유망 전년도 수출실적 ‘10~100만불 미만’인 중소기업

수출성장 전년도 수출실적 ‘100~500만불 미만’인 중소기업

글로벌강소 전년도 수출실적 ‘500만불 이상’이고 매출액 100~1,000억원인 중소기업

지원내용:

브랜드개발, 외국어 포장 디자인, 홍보·광고, 전시회, 인증 등 수출바우처

메뉴판에 있는 해외 마케팅 서비스를 지원하며, 서비스 비용의 최대 70%

지원


❚ 67

수출 바우처 서비스 메뉴판: 디자인 개발, 홍보동영상, 조사/일반 컨설팅,

통번역, 역량강화 교육, 해외규격인증, 특허/지재권/시험, 서류대행/현지등록

/환보험, 홍보/광고, 브랜드 개발·관리, 전시회/행사/해외영업지원, 법무·

세무·회계 컨설팅

지원방식: 수출바우처사이트를 활용. 단, 중진공에서 수행하는 사업

� 스마트공장 분야 일관지원사업

① 스마트공장 구축 및 고도화 지원

제품설계·생산공정 개선 등을 위한 스마트공장 솔류션 구축, 솔류션 연동

자동화장비·제어기 센서 등 구입 지원 및 ICT를 접목한 생산현장 맞춤형

생산정보시스템 구축 지원

지원규모: 3,125억원(4,000개, 민간포함)

지원대상: 국내 중소·종견 제조기업

조선기자재 업체, 위기지역 소재기업, 일자리 안정자금 수혜 기업, 노동시간

조기단축기업, 청년친화형 산단, 스마트산단 입주기업, 노후산단 재생사업

전정지구 입주기업, 소비재 수출기업, 사업재편 승인기업, 로봇 도입 관련

기업, 에너지신산업 관련 기업, 정보보호 인증 기업은 선정시 가점

지원내용:

(지원분야) 현장자동화/공장운영 및 실시간 최적화, 제품개발지원시스템, 공급

사슬관리/최적화, 기업자원관리시스템

(지원조건)

- 스마트공장구축: 미 구축기업 대상 최초 구축 비용 지원, 기업당 총 사업비의

50%, 최대 1억원

- 고도화지원: 기 구축기업 대상 고도화 비용 지원, 기업당 총 사업비의 50%,

최대 1.5억원

담당기관: 중소기업기술정보진흥원 스마트기업지원실


68 ❚

� 경영 분야 일관지원사업

① 중소기업컨설팅지원

경제 및 정책환경 변화에 따른 맞춤형 컨설팅을 지원하여 중소기업의 지속성장을

위한 근본체질 강화 및 글로벌 경쟁력 확보

지원규모: 63.42억원(400개사)

특화형컨설팅 (100개사), 규제대응컨설팅(220개사), 정보보안컨설팅(80개사)

지원대상: 중소기업기본법 상의 중소기업 중 다음의 기업

특화형 컨설팅: 미래성장산업, 제조업 서비스화, 신서비스업분야, 사업전화,

중소기업간 협업, 스마트공장 구축 등

규제대응 컨설팅: 노동시간 단축, 취저임금제, 화학물질관리(환관법 및 화평법) 등

정보보안 컨설팅: 정보보안 역량향상, 정보통신(ICT)기반 시스템 분석, 유럽

개인정보보허법(EU GDPR) 대응 등

지원내용: 과제 및 업력에 따라 전체 컨설팅 비용의 일정 부분을 지원

정부지원비율(90%), 최대 1,500만원

담당기관: 중소기업진흥공단 진단성장처

나. 분석 대상 사업

R&D 또는 기술혁신 측면에서 관련성이 높은 사업, 사업 규모가 커 대상 기업의

수가 많은 사업을 우선 분석

(1순위) 스마트분야, 스마트공장 구축 및 고도화 지원

사유: 기술혁신과 관련성 높음, 지원 대상 수 많음 (4,000개 사)

예상되는 문제점: 사업 추진 연도가 오래되지 않아 R&D지원 분석 대상과

미스매치될 수 있음

(2순위) 자금분야, 창업기업지원자금(개발기술사업화자금)

사유: 정부 지원을 받아 개발된 기술이 있는 기업이 주 대상임


❚ 69

예상되는 문제점: 해당 내역사업으로 지원 받은 기업 수 제한적일 것으로

예상

(3순위) 자금분야, 신성장기반자금(혁신성장융망기업자금, 제조현장스마트화

자금)

사유: 혁신성이 높은 기업 지원, 대상 기업 수 많음 (2,000개 사 이상)

분석 결과

제5장

제5장 분석 결과

❚ 73


제1절 TFP 측정 결과

생산함수 추정 결과는 아래 표와 같음

생산함수 추정관련 선행연구인 장우현·양용현(2014)와 마찬가지로 Levinsohn-

Petrin모형이 OLS모형에 비해 가변적인 생산요소인 노동의 기여율이 낮게 추정

<표 5-1> 생산함수 추정 결과 및 선행연구와의 비교

구분관측치 수

(기업 수)추정계수 구분

Levinsohn-

PetrinOLS

본연구

('11~'18)

전산업

873,309

(254,451사)

로그자본계수

(p-value)

0.040

(0.000)

0.094

(0.000)

로그노동계수

(p-value)

0.781

(0.000)

0.857

(0.000)

본연구

('11~'18)


197,109

(49,847사)

로그자본계수

(p-value)

0.044

(0.000)

0.119

(0.000)

로그노동계수

(p-value)

0.807

(0.000)

0.887

(0.000)

장우현,양용현(2014)

(‘07~’09,‘11)


134,788

로그자본계수

(p-value)

0.186

(0.000)

0.219

(0.000)

로그노동계수

(p-value)

0.758

(0.000)

0.945

(0.000)


74 ❚

추정결과 중 눈에 띄는 점은 2007년~2009년 및 2011년 자료를 이용한 결과에

비해 2011년~2018년 자료를 이용한 추정결과에서 자본의 기여도가 현저하게

낮아졌다는 점

통계청의 광업제조업조사 조사 대상인 광제조업 10인 이상의 자료로 한정하여

추정한 결과도 크게 다르지 않음

각종 변수들을 적용 대상 범위를 조정해가며 추정해보았으나 추정년도를

2011년도에 가깝게 줄일 때만 로그자본계수가 의미있는 수준으로 증가

반면 전산업의 총요소생산성은 2013년도를 전후로 하여 상승하는 추세로

전환되는 모습

자본의 가격이라고 할 수 있는 금리 수준이 2011년 이후 급격하게 하락하고

있다는 점을 고려할 때, 우리나라 기업들의 생산함수가 구조적 변화를 겪었다고

생각해 볼 수 있음

유형자산의 기여도 하락을 무형의 요소인 총요소생산성이 대체해나가고 있는

추세라고 해석할 수도 있음

이러한 현상은 국내에만 국한된 것은 아닌 것으로 보임

- J. Haskel·S. Westlake(2017)은 유형자산의 중요성이 사라지고 측정하기

힘든 무형자산이 핵심적인 자산으로 자리잡고 있다고 주장

- 번스타인 리서치의 필립 카슨-슬라이젝은 유형자산 투자는 경제분석에서 더

이상 중요하지 않다고 주장(For how long can today’s global economic

expansion last?. The Economist. Jul 13th 2019).


❚ 75

기업의 부가가치와 총요소생산성 도표에서 볼 수 있듯이 총요소생산성은 기업이

창출하는 부가가가치 수준에 3년가량 선행하는 추세

이러한 배경에서 측정하기 힘든 자산의 성격인 총요소생산성에 대한 분석

은 기업 성장 전략에 중요한 자리를 차지할 것

<표 5-2> 연도별 기업 당 평균 부가가치와 총요소생산성 추이

구분 2011년 2012년 2013년 2014년 2015년 2016년 2017년 2018년

기업 당 평균

부가가치(억원)101.26 82.51 71.00 74.35 50.47 47.63 56.39 74.15

기업 당 평균

총요소생산성12.1548 12.0807 12.0354 12.0710 12.1207 12.1832 12.1801 12.2746


76 ❚

대기업과 중소기업의 총요소생산성 격차는 2011년 3.72배 차이에서 매년

꾸준하게 벌어져 2018년에는 5.23배 까지 증가

중소기업의 총요소생산성은 2013년도까지 하락 추세에 있다가 이후 상승

추세로 반전

이에 반해 대기업과 중견기업은 매년 꾸준한 상승 추세

<표 5-3> 기업 규모별 TFP 변화 추이

구분 2011년 2012년 2013년 2014년 2015년 2016년 2017년 2018년

대기업

(A)13.3793 13.5774 13.5533 13.6141 13.7073 13.784 13.7866 13.8731

중견기업

(B)13.2372 13.3085 13.3445 13.3843 13.473 13.5649 13.5303 13.5485

중소기업

(C)12.0637 11.9924 11.959 11.992 12.0814 12.1441 12.1411 12.2189

대-중소기

업

차이(A-C)

1.3156 1.585 1.5943 1.6221 1.6259 1.6399 1.6455 1.6542

생산성 격차

= 3.73배 4.88배 4.92배 5.06배 5.08배 5.15배 5.18배 5.23배


❚ 77

제2절 정부 지원 R&D 수혜의 효과 분석

가. 정부R&D 수혜 경험 여부와 TFP 변화 추이

정부지원R&D 사업의 수혜 경험(‘12년~’17년) 여부에 따른 총요소생산성

추세는 다음 그림과 같음

수혜 경험이 있는 집단이 그렇지 않은 집단에 비해 총요소생산성 수준이 높지만

증가율에 있어서는 정체되고 있는 모습

미수혜 집단이 2013년도를 경계로 총요소생산성이 증가하는 추세를 보이는 반면

수혜기업은 오히려 감소하는 모습이 보여 두 집단 간 차이가 좁혀지고 있음

- 다만 2018년도 수혜기업 집단의 증가 폭은 더 높았다.

<표 5-4> 정부R&D 수혜경험에 따른 총요소생산성 평균값 추이

구분 2011년 2012년 2013년 2014년 2015년 2016년 2017년 2018년

수혜

(A)12.3555 12.2830 12.2455 12.2655 12.2306 12.2479 12.2323 12.4256

미수혜

(B)12.1278 12.0546 12.0106 12.0483 12.1120 12.1783 12.1760 12.2612

차이

(A-B)0.2277 0.2284 0.2349 0.2172 0.1186 0.0696 0.0563 0.1644

격차

1.26배 1.26배 1.26배 1.24배 1.13배 1.07배 1.06배 1.18배


78 ❚

정부지원R&D 사업의 수혜집단을 수혜년도 별로 나누어 비교해보면, 미수혜

기업의 추세와 관계없이 정부지원R&D 사업의 수혜집단은 수혜년도 전까지

하락하는 추세에 있다가 수혜년도를 경계로 회복하고 상승하는 추세

총요소생산성 수준이 높지만 추세적으로 하락하는 기업이 정부지원R&D 사업에

참여하며, 수혜 후에는 수혜를 받지 않는 집단보다 높은 성장세로 전환

<표 5-5> 정부R&D 수혜경험에 따른 수해연도별 총요소생산성 평균값 추이

구분 2011년 2012년 2013년 2014년 2015년 2016년 2017년 2018년

수혜

년도

2012년 12.4448 12.3750 12.4476 12.5362 12.6218 12.6873 12.6865 12.7692

2013년 12.4461 12.3897 12.2987 12.4247 12.5151 12.5921 12.5808 12.6905

2014년 12.5337 12.4700 12.4030 12.3341 12.4879 12.5930 12.5853 12.7003

2015년 12.4389 12.3913 12.3497 12.3567 12.2216 12.3551 12.3804 12.5286

2016년 12.4298 12.4028 12.3596 12.3711 12.2701 12.2122 12.2947 12.4540

2017년 12.4263 12.3886 12.3536 12.3650 12.3075 12.2820 12.1776 12.4027


❚ 79

나. 정부R&D 지원 전후 성과지표 단순 비교

정부지원R&D 사업 후 미수혜기업과 성과비교를 위해 이중차분법(Difference

in Difference: DID)을 이용

를 성과변수라고 할 때, 이중차분법으로 계산한 정책효과는 다음과 같음

관심이 있는 정책의 효과는 수혜군의 지원 전후 성과지표의 차분값과 동일시점

미수혜군 차분값간의 차이

이를 통해 수혜군과 미수혜군의 공통추세로 발생하는 성과를 제거하고

정책수혜로 발생하는 성과효과를 추정

DID = { 수혜 지원후 수혜 지원전 }

- { 미수혜 지원후 미수혜 지원전 }

[그림 5-1] 정책효과 분석을 위한 DID 개념도

이중차분법을 이용한 DID추정치는 아래처럼 3개의 더미변수로 이루어진

회귀식에서 와 같음

이후 효과분석에 제시된 추정값 및 유의성 수준은 아래 회귀식을 통해 추정한

에 대한 추정치 및 표준오차를 이용


80 ❚

지원시점전 지원시점후

미수혜 수혜

정부R&D지원은 년 중에 벌어지고 관측데이터의 단위는 연말임으로 관측년도별로

1년 단위 이중차분값을 구해놓고 지원년도를 전후로 어떠한 변화가 있었는지

관측

즉 T+2년도에 제시된 DID값은 T+1~T+2간의 이중차분값이며 지원 당해시점

으로부터 누적 DID값은 T+1년도에 표시된 DID값에 누적시점까지 표시된

DID값을 합산

즉 누적 T+2 DID값은 (T+1기의 DID) + (T+2기의 DID)

정부지원R&D 사업 후 중소기업의 총요소생산성은 상승 추세로 반전

미수혜 기업의 총요소생산성 변화와 이중차분법으로 지원효과를 비교한 결과

1년차 총요소생산성 증가폭이 미수혜 기업에 비해 더 크게 나타남

- 하지만 그 크기가 작아 통계적 유의성을 나타낼 수준은 아님

지원 전까지 수혜기업의 총요소생산성 누적 3개년 간 하락은 –0.03이었고

통계적으로 유의한 수준

[그림 5-2] 기업규모별 정부R&D 수혜 전후 총요소생산성 추이


❚ 81

[그림 5-3] 중소기업 정부R&D 수혜 전후 1년 이중차분(DID)효과

<표 5-6> 성향매칭 전 기업규모별 총요소생산성 변화



3년 누적 DID

(T+1

~T+3)

대기업

수혜

평균값 14.1658 14.1687 14.1520 14.1934 14.2882 14.3209 14.3857

관측

치수284 376 478 507 481 415 343

표준

편차1.2034 1.1957 1.2153 1.1765 1.0988 1.0652 1.0344

미수혜

평균값 13.5042 13.5464 13.5746 13.6079 13.7375 13.8006 13.8592

관측

치수2,720 3,596 4,644 5,265 4,785 3,734 2,827

표준

편차1.2921 1.2598 1.2639 1.2420 1.1553 1.1302 1.1255

1년

DID

DID -0.1200 -0.0393 -0.0448 0.0080 -0.0347 -0.0305 0.0062 -0.0590

유의

수준(%)10

중견

기업

수혜

평균값 13.3974 13.4373 13.4677 13.4773 13.5376 13.5631 13.5869

관측

치수1,397 1,769 2,167 2,266 2,174 1,793 1,434

표준

편차0.6928 0.6533 0.6637 0.7133 0.6901 0.7285 0.7345

미수혜

평균값 13.3395 13.3654 13.4036 13.4288 13.4962 13.5264 13.5609

관측

치수9,045 11,766 14,717 16,101 15,021 12,052 9,313

표준

편차1.0050 1.0126 1.0191 1.0629 1.0190 1.0159 1.0007


82 ❚



3년 누적 DID

(T+1

~T+3)

1년

DID

DID -0.0074 0.0140 -0.0078 -0.0156 -0.0071 -0.0047 -0.0106 -0.0224

유의

수준(%)

중소

기업

수혜

평균값 12.2325 12.2164 12.1877 12.1111 12.2410 12.3168 12.3953

관측

치수11,175 16,319 22,038 27,128 23,068 16,375 11,329

표준

편차0.7700 0.7873 0.8170 0.8682 0.7970 0.7795 0.7527

미수혜

평균값 12.1013 12.1067 12.1042 12.0758 12.2033 12.2896 12.3689

관측

치수153,675 264,781 424,375 625,216 472,975 305,919 191,476

표준

편차0.9263 0.9115 0.9094 0.9383 0.8845 0.8730 0.8761

1년

DID

DID 0.0001 -0.0214 -0.0263 -0.0483 0.0024 -0.0104 -0.0009 -0.0088

유의

수준(%)1 1 1 1

그 외

수혜

평균값 10.9692 11.6347 12.0331 11.6675 10.8666 11.1197

관측

치수1 2 3 3 2 1

표준

편차0.6858 1.4183 1.5164 0.3524

미수혜

평균값 11.9865 12.1114 12.1163 12.0317 12.2043 12.2751 12.2912

관측

치수1,163 2,494 4,813 8,408 5,547 3,139 1,734

표준

편차1.4321 1.4440 1.4292 1.5368 1.4336 1.4405 1.4458

1년

DID

DID 0.6606 0.4829 -0.5381 -0.8717 0.2370 -1.1728

유의

수준(%)

전체

수혜

평균값 12.4018 12.3731 12.3381 12.2499 12.3888 12.4817 12.5777

관측

치수12,856 18,465 24,685 29,904 25,726 18,585 13,107

표준

편차0.8949 0.9020 0.9269 0.9704 0.9117 0.9080 0.8959

미수혜

평균값 12.1906 12.1774 12.1622 12.1208 12.2571 12.3527 12.4428

관측

치수166,603 282,637 448,549 654,990 498,328 324,844 205,350

표준

편차0.9977 0.9731 0.9640 0.9863 0.9379 0.9326 0.9412

1년

DID

DID 0.0050 -0.0155 -0.0198 -0.0468 0.0027 -0.0027 0.0059 0.0058

유의

수준(%)1 1 1 1


❚ 83

다. 성향점수매칭추정(PSME) 대조군 설정 후 성과지표 비교

성향점수매칭추정(PSME)을 통해 대조군을 추출한 다음 비교 수행

매칭에 사용될 특성변수는 총요소생산성, 총자산, 부채, 자기자본, 유형자산,

매출액, 부가가치, 매출원가, 판매및관리비, 인건비, 노동자수를 사용

영업이익 지표는 음수인 사례가 많아 로그변환이 적절하지 않아 제외

- 기업회계 정의상 영업이익 = 매출액-(매출원가+판매및관리비) 임으로 영업이익을

제외하더라도 그 구성을 이루는 요소가 모두 포함되어 있어 매칭에 큰 문제는

없을 것으로 판단

정부R&D지원 사업에 참여하는 기업집단의 생산성이 하락하는 추세임을 확인

하였음으로 특성변수는 당해연도와 전년도 값을 모두 사용하여 매칭

기업규모, 업종(제조업 중분류기준, 그 외 산업 대분류) 및 관측년도는 서로

완전히 일치하도록 매칭(exact matching)

대조군에는 2012년~2017년 사이에 정부R&D지원 수혜경험이 없는 기업들로만

구성

세부적인 대조군 매칭방법은 성향점수 계산에 로짓(logit)모형, 짝짓기 시에는

성향점수가 가장 가까운 표본(Nearest Neighbour), 측정한 정책효과는 처리군에

한정한 평균처리 효과(Average Treatment Effect on Treated: ATT)를

이용

ATT는 수혜 미수혜 수혜로 정의. 즉 지원받은 기업을 대상으로

가상적으로 지원을 받지 않았을 상황에 짝지어 지원받은 효과를 계산

성향매칭 통해 총요소생산성 추정대상 수혜기업의 관측치 29,908건 및 미수혜

기업 843,401건이 각각 24,208건 씩 실험군 및 대조군 짝으로 설정

미수혜기업 관측치 성향매칭 후 대조군과 실험군이 유사한 성향점수의 분포를

보이고 있는 것을 확인


84 ❚

[그림 5-4] 대조군 및 실험군의 성향매칭 전후 분포 비교

성향매칭으로 대조군을 설정한 후 이중차분법으로 비교한 결과, 중소기업은

정부R&D 지원 2년차에 유의하게 대조군 대비 양(+)의 효과

지원 1년차에는 TFP가 증가하긴 하였으나 대조군 대비 상승폭이 적었고,

2년차부터 대조군 대비 상승폭이 커짐

대기업, 중견기업은 통계적으로 유의하지 않음

[그림 5-5] 성향매칭 후 기업규모별 정부R&D 수혜 전후 총요소생산성 추이


❚ 85

[그림 5-6] 성향매칭 후 중소기업 정부R&D 수혜 전후 1년 이중차분(DID) 효과

<표 5-7> 성향매칭 후 기업규모별 총요소생산성 변화



3년 누적 DID

(T+1

~T+3)

대기업

수혜

평균값 14.3157 14.2585 14.2373 14.3302 14.4173 14.4344 14.4761

관측

치수248 336 434 434 416 359 300

표준

편차1.1347 1.2052 1.2180 1.0968 1.0492 1.0422 1.0139

미수혜

평균값 13.4886 13.5296 13.4905 13.6721 13.7457 13.7799 13.8419

관측

치수231 318 434 434 406 338 271

표준

편차1.1554 1.1999 1.1913 1.0314 0.9621 1.0147 1.0235

1년

DID

DID -0.1405 -0.0982 0.0179 -0.0886 0.0135 -0.0172 -0.0202 -0.0239

유의

수준(%)5

중견

기업

수혜

평균값 13.4113 13.4495 13.4677 13.4999 13.5453 13.5674 13.5973

관측

치수1,333 1,694 2,119 2,119 2,047 1,695 1,351

표준

편차0.6518 0.6360 0.6629 0.6586 0.6765 0.7086 0.7211

미수혜 평균값 13.3307 13.3626 13.3629 13.3923 13.4648 13.4865 13.5428


86 ❚



3년 누적 DID

(T+1

~T+3)

관측

치수1,296 1,669 2,119 2,119 2,044 1,681 1,323

표준

편차0.7333 0.7422 0.7787 0.7288 0.7267 0.7258 0.7106

1년

DID

DID -0.0195 0.0063 0.0179 0.0028 -0.0270 0.0004 -0.0264 -0.0530

유의

수준(%)

중소

기업

수혜

평균값 12.2558 12.2376 12.2052 12.2425 12.3333 12.4021 12.4680

관측

치수10,491 15,480 21,653 21,653 18,738 13,048 8,938

표준

편차0.7605 0.7690 0.7942 0.7684 0.7458 0.7372 0.7254

미수혜

평균값 12.2978 12.2790 12.2012 12.2378 12.3844 12.4435 12.5064

관측

치수9,488 14,741 21,653 21,653 17,961 12,325 8,495

표준

편차0.7449 0.7408 0.8092 0.7892 0.7314 0.7339 0.7256

1년

DID

DID 0.0068 0.0006 0.0454 0.0007 -0.0557 0.0097 0.0029 -0.0431

유의

수준(%)1 1 1 1 1 1 1

그 외

수혜

평균값 10.9692 11.6347 11.9897 10.7983 11.1158 11.1197

관측

치수1 2 2 2 1 1

표준

편차0.6858 2.0030 0.2558

미수혜

평균값 7.8906 6.7240 12.2374 12.2902 11.8645

관측

치수2 2 1 1 1

표준

편차5.4204 7.1259

1년

DID

DID 1.5216 -6.7049 0.2647 0.4297 -6.0105

유의

수준(%)

전체

수혜

평균값 12.4257 12.3935 12.3520 12.3899 12.4911 12.5811 12.6688

관측

치수12,072 17,511 24,208 24,208 21,203 15,103 10,590

표준

편차0.8841 0.8865 0.9062 0.8846 0.8716 0.8776 0.8811

미수혜

평균값 12.4443 12.4109 12.3256 12.3641 12.5196 12.5972 12.6781

관측

치수11,015 16,728 24,208 24,208 20,412 14,345 10,090

표준 0.8383 0.8338 0.8941 0.8746 0.8230 0.8334 0.8347


❚ 87

정부지원R&D의 총요소생산성 효과를 산업별로 보면 관측치 수가 적어 통계적

유의성이 발견되는 산업이 많지는 않았으나, 지원 후 3년 누적 DID값 크기를

상위 10개 업종(중분류)을 순위별로 보면 다음과 같음

부동산업(0.70 : 2.02배), 어업(0.49 : 1.64배), 소매업; 자동차 제외(0.48

: 1.62배), 정보서비스업(0.44 : 1.55배, 5%수준 유의), 교육서비스업(0.43:

1.55배), 음식점 및 주점업(0.43 : 1.54배), 인쇄 및 기록매체 복제업(0.42

: 1.54배), 전기/가스/증기 및 공기조절 공급업(0.27 : 1.32배) 육상운송

및 파이프라인 운송업(0.27 : 1.31배), 컴퓨터 프로그래밍/시스템 통합업

(0.26 : 1.30배, 5%수준 유의)

<표 5-8> 3년 누적 DID가 높은 상위 10개 업종(중분류)



3년 누적 DID

(T+1

~T+3)

편차

1년

DID

DID 0.0064 0.0012 0.0438 -0.0006 -0.0544 0.0125 0.0068 -0.0351

유의

수준(%)1 1 1 1 1 5 5

구분

(DID 상위 10개 업종)

지원


3년 누적 DID

(T+1~T+3)

L68000 부동산업

수혜

평균값 12.2398 12.2374 12.3247 12.5039

관측치수 13 12 9 3

표준편차 0.7966 1.0573 0.9258 0.5862

미수혜

평균값 12.1232 12.6505 12.7981 11.6858

관측치수 13 8 4 2

표준편차 1.2146 1.0800 1.2553 2.2673

1년

DID

DID 0.1633 -0.5297 -0.0604 1.2916 0.7015

유의수준(%)

A03000 어업

수혜

평균값 11.9087 12.0194 12.2862 12.7746

관측치수 8 5 2 2

표준편차 0.7923 0.6102 0.7684 0.0778

미수혜

평균값 12.1342 12.3873 12.4977 12.5060

관측치수 15 13 7 6

표준편차 1.2998 1.4044 0.4091 0.2819

1년

DID

DID -0.4097 -0.1425 0.1565 0.4800 0.4941

유의수준(%)

G47000소매업; 자동차

제외수혜

평균값 12.4800 12.6356 12.9461 13.2945

관측치수 27 23 15 10

표준편차 1.2240 1.3111 1.2091 1.1887


88 ❚

구분


지원


3년 누적 DID

(T+1~T+3)

미수혜

평균값 12.3339 12.4382 12.5236 12.6635

관측치수 84 71 38 26

표준편차 0.8383 0.8194 0.8755 0.8495

1년

DID

DID -0.1474 0.0513 0.2251 0.2084 0.4848

유의수준(%)

J63000 정보서비스업

수혜

평균값 12.1093 12.3002 12.5247 12.7261

관측치수 123 110 84 57

표준편차 1.2628 1.1153 1.0919 1.2153

미수혜

평균값 12.2861 12.3480 12.3818 12.4639

관측치수 198 158 111 71

표준편차 0.7633 0.9252 0.7041 0.6974

1년

DID

DID -0.1200 0.1289 0.1907 0.1194 0.4390

유의수준(%) 10 5

P85000 교육 서비스업

수혜

평균값 11.8690 12.1832 12.0867 12.1935

관측치수 40 32 23 14

표준편차 0.9919 0.8347 0.9598 0.9506

미수혜

평균값 11.8105 11.9343 11.9456 11.7001

관측치수 40 31 23 15

표준편차 0.8604 0.7742 1.2571 1.0605

1년

DID

DID 0.1450 0.1904 -0.1078 0.3523 0.4349

유의수준(%)

I56000음식점 및

주점업

수혜

평균값 13.2482 13.2274 13.5509 13.7733

관측치수 10 10 6 4

표준편차 0.5481 0.6364 0.4444 0.1039

미수혜

평균값 12.7114 12.5887 12.7029 12.8055

관측치수 7 7 5 3

표준편차 0.7486 0.9492 0.9557 0.7946

1년

DID

DID 0.2360 0.1019 0.2093 0.1199 0.4311

유의수준(%)

C18000

인쇄 및

기록매체

복제업

수혜

평균값 11.9853 12.3905 12.6172 12.5140

관측치수 22 18 11 9

표준편차 0.8944 0.6564 0.6496 0.5211

미수혜

평균값 12.5918 12.6254 12.6276 12.6987

관측치수 22 21 11 9

표준편차 0.5730 0.5025 0.3563 0.4035

1년

DID

DID -0.0500 0.3717 0.2245 -0.1743 0.4218

유의수준(%)

D35000

전기, 가스,

증기 및

공기조절

공급업

수혜

평균값 14.2438 14.1805 14.4723 14.6426

관측치수 20 20 15 12

표준편차 1.2356 1.2363 0.7280 0.4787

미수혜 평균값 13.9982 14.1410 14.2439 14.1223


❚ 89

3년 누적 DID가 낮은 하위 10개 업종(중분류)을 순위별로 보면 비금속광물

광업; 연료용 제외(-0.83: 대조군 대비 0.44배), 하수/폐수 및 분뇨 처리업

(-0.73: 0.48배), 창작/예술 및 여가관련 서비스업(-0.66: 0.52배), 폐기물

수집/운반/처리 및 원료 재생업(-0.52: 0.60배), 금융 및 보험 관련 서비스업

(-0.44: 0.64배), 사업지원 서비스업(-0.44: 0.64배), 개인 및 소비용품

수리업(-0.43: 0.65배), 숙박업(-0.43: 0.65배), 종합 건설업(-0.39: 0.68배,

5%수준 유의), 항공 운송업(-0.35: 0.70배, 10%수준 유의) 순

<표 5-9> 3년 누적 DID가 낮은 상위 10개 업종(중분류)

구분


지원


3년 누적 DID

(T+1~T+3)

관측치수 20 18 14 11

표준편차 0.8544 0.7634 0.3896 1.1261

1년

DID

DID -0.0298 -0.2062 0.1889 0.2919 0.2746

유의수준(%)

H49000

육상운송 및

파이프라인

운송업

수혜

평균값 13.9727 14.2453 14.8835 14.3181

관측치수 6 5 3 3

표준편차 0.9953 0.9772 0.4767 0.5297

미수혜

평균값 11.3653 11.5291 11.7209 11.4428

관측치수 10 9 7 5

표준편차 1.1451 0.9742 1.6208 1.8251

1년

DID

DID -0.0461 0.1088 0.4464 -0.2873 0.2679

유의수준(%)

J62000

컴퓨터

프로그래밍,

시스템 통합 및

관리업

수혜

평균값 12.1267 12.2445 12.4104 12.5991

관측치수 222 192 144 100

표준편차 0.9435 0.9335 0.8913 0.9132

미수혜

평균값 12.0035 12.0709 12.1222 12.2110

관측치수 414 367 270 191

표준편차 0.7530 0.7401 0.7511 0.6319

1년

DID

DID 0.0022 0.0503 0.1146 0.0999 0.2649

유의수준(%) 5

구분

(DID 하위 10개 업종)

지원


3년 누적 DID

(T+1~T+3)

B07000

비금속광물

광업; 연료용

제외

수혜

평균값 13.1843 13.2242 13.2296 13.2269

관측치수 5 5 4 3

표준편차 0.0825 0.0493 0.0551 0.0672

미수혜 평균값 12.4036 12.7130 12.9822 13.2750


90 ❚

구분


지원


3년 누적 DID

(T+1~T+3)

관측치수 9 8 6 3

표준편차 1.2841 0.6193 0.6786 0.2842

1년

DID

DID -0.1316 -0.2695 -0.2638 -0.2955 -0.8289

유의수준(%)

E37000하수, 폐수 및

분뇨 처리업

수혜

평균값 12.2360 11.9678 11.9694 11.8852

관측치수 15 15 12 11

표준편차 1.2449 1.5390 1.7087 1.7750

미수혜

평균값 12.0212 11.9863 11.3977 12.3992

관측치수 5 5 5 2

표준편차 0.6728 0.7503 1.1666 0.3631

1년

DID

DID -0.1645 -0.2334 0.5903 -1.0857 -0.7288

유의수준(%)

R90000

창작, 예술 및

여가관련

서비스업

수혜

평균값 12.0966 11.9650 12.2682 12.2700

관측치수 17 15 12 10

표준편차 1.0011 1.2914 0.9913 1.0302

미수혜

평균값 11.8173 11.7146 12.3098 12.6502

관측치수 3 3 2 2

표준편차 0.8366 0.6862 0.0045 0.1028

1년

DID

DID 0.1844 -0.0289 -0.2919 -0.3386 -0.6594

유의수준(%)

E38000

폐기물 수집,

운반, 처리 및

원료 재생업

수혜

평균값 12.6652 12.7704 12.5160 12.7419

관측치수 41 35 19 7

표준편차 0.6801 0.7113 0.9504 0.6403

미수혜

평균값 12.3970 12.6804 12.7761 12.9923

관측치수 91 84 56 42

표준편차 0.8839 0.6072 0.6708 0.5271

1년

DID

DID 0.0175 -0.1783 -0.3502 0.0098 -0.5187

유의수준(%) 5

K66000금융 및 보험

관련 서비스업

수혜

평균값 12.2398 12.3515 13.0278 12.5591

관측치수 4 4 3 2

표준편차 0.2329 0.3886 1.1353 0.1261

미수혜

평균값 12.3057 12.5288 12.8743 13.0654

관측치수 28 25 19 15

표준편차 1.4941 1.0757 0.9035 0.8062

1년

DID

DID 0.1991 -0.1114 0.3308 -0.6598 -0.4404

유의수준(%)

N75000 사업지원 수혜 평균값 12.1164 12.1606 12.1452 12.0410


❚ 91

구분


지원


3년 누적 DID

(T+1~T+3)

서비스업

관측치수 38 29 18 11

표준편차 0.7309 0.6540 0.5383 0.6549

미수혜

평균값 11.9889 12.0970 12.1878 12.3531

관측치수 41 36 23 18

표준편차 1.0054 1.0809 0.8571 0.6413

1년

DID

DID 0.0748 -0.0639 -0.1062 -0.2695 -0.4397

유의수준(%)

S95000

개인 및

소비용품

수리업

수혜

평균값 12.1184 12.1424 12.3531 12.6598

관측치수 9 6 4 2

표준편차 0.3708 0.2198 0.3133 0.2308

미수혜

평균값 12.0833 12.4108 12.6863 13.0551

관측치수 14 10 5 2

표준편차 0.7789 0.5243 0.6313 0.9838

1년

DID

DID 0.0309 -0.3035 -0.0648 -0.0621 -0.4304

유의수준(%)

I55000 숙박업

수혜

평균값 12.3465 12.5184 12.3820 12.3517

관측치수 1 1 1 1

표준편차

미수혜

평균값 12.9574 12.9934 13.2541 13.3892

관측치수 4 4 2 2

표준편차 0.5515 0.3260 0.7880 0.6693

1년

DID

DID -0.2937 0.1359 -0.3971 -0.1655 -0.4266

유의수준(%)

F41000 종합 건설업

수혜

평균값 12.9093 13.0924 13.1351 13.1793

관측치수 182 165 125 94

표준편차 1.1162 0.9507 0.9421 0.9713

미수혜

평균값 12.2993 12.6846 12.8422 12.9615

관측치수 260 212 155 121

표준편차 1.3382 1.1495 0.9828 0.9848

1년

DID

DID -0.0282 -0.2022 -0.1149 -0.0751 -0.3922

유의수준(%) 10 5

H51000 항공 운송업

수혜

평균값 15.1159 15.1886 15.2338 15.2891

관측치수 5 5 5 4

표준편차 0.0828 0.2358 0.2312 0.2254

미수혜

평균값 14.5773 14.7093 14.9212 15.1010

관측치수 2 2 2 2

표준편차 0.0758 0.1109 0.1889 0.0654

1년

DID

DID 0.0713 -0.0593 -0.1668 -0.1244 -0.3505

유의수준(%) 10


92 ❚

제3절 정부 지원 R&D 효과의 영향요인 분석: 패널분석

가. 전체 기업에 대한 정부R&D 지원 효과 영향 요인

분석모형은 Random effects model in panel data를 사용

ln ×ln ×

where, ln Gov RND= ln(국가 R&D 지원 총액)

분석결과

국가 R&D를 지원받고 모든 연도에 TFP 상승에 영향을 끼침

- 2년도에 영향이 가장 크게 나타났음

- 국가 R&D 규모가 1% 증가하면 연도별 TFP는 1년차 0.6%, 2년차 1.4%, 3년차

0.9% 증가라는 것으로 나타남

R&D비용과 기업의 규모를 나타나는 2년 평균 유형자산, 업력 또한 기업

TFP 상승에 긍정적인 영향을 미침

- 이때 업력의 경우 창립연도를 사용

- 오래된 기업일수록 TFP에 긍정적 영향을 미친다면 음의 추정값 도출됨



33.274*** 1.168 32.488*** 1.329 28.250*** 1.488

0.006 ** 0.003 0.014*** 0.003 0.009*** 0.004

창립연도 -0.012*** 0.001 -0.011*** 0.001 -0.009*** 0.001

ln(2년 평균 유형자산) 0.004*** 0.001 0.003*** 0.001 0.001*** 0.001

ln(자체R&D) 0.170*** 0.003 0.170*** 0.003 0.180 0.004

Number of Obs 24,473 17,821 12,630


<표 5-10> 기본모형 분석결과

주 : *** 1%　유의수준, ** 5%　유의수준, * 10%　유의수준

국가 R&D 지원 유형별 지원효과 분석: 과제특성 교호효과 분석

앞선 분석결과에 따르면 국가 R&D 지원이 기업 TFP에 긍정적인 영향을 미침


❚ 93

따라서 이후 국가 R&D 지원 유형별 효과에 대한 세부분석을 수행함

비R&D 지원 유무 및 지원금액 교호효과 분석

분석모형: Random effect panel data analysis

- ln ×

ln 비 여부


※ 비R&D 지원금액 분석 역시 위 수식의 여부만 지원금액으로 대체하여 수행. 이때

지원금액은 ln(지원금액)으로 계산. 지원금액 단위는 천원

분석결과

- 어떠한 형태로 분석하더라도 비R&D 지원여부 및 지원 총액에 대한 복합지원

효과는 부정적인 것으로 드러남

- 샘플 기초통계량을 살펴보면, 비R&D는 R&D지원기업보다 미지원기업에게 더

많이 지원된 경향이 있음

- 특히 2017년을 제외하면 모두 같은 현상이 발생하는 것으로 나타남

- 2017년에도 기업개수가 기준일 경우 미지원기업 수가 우세함

- 따라서 앞서 분석 결과는 R&D지원기업만을 샘플로 했으므로 많은 비R&D

과제 데이터가 누락되어 있음. 하지만 이러한 표본 구성상의 차이점을 고려하

지 않으면 R&D과제와 비R&D과제의 부정적인 시너지 효과가 있는 것으로

해석될 수 있으니 유의해야 함



33.162*** 1.166 32.391*** 1.328 28.145*** 1.485

(t) 0.006 ** 0.003 0.014*** 0.003 0.009 ** 0.004

비R&D 유무 (t+1) -0.005*** 0.001 -0.002 ** 0.001 -0.003 ** 0.001

창립연도 -0.012*** 0.001 -0.011*** 0.001 -0.009*** 0.001

ln(2년 평균 유형자산) 0.170*** 0.003 0.170*** 0.003 0.180*** 0.004

ln(R&D 비용) 0.004*** 0.001 0.003*** 0.001 0.001 0.001

Number of Obs 24,473 17,821 12,630


<표 5-11> 비R&D 유무 분석결과 I

주 : *** 1%　유의수준, ** 5%　유의수준, * 10%　유의수준


94 ❚



33.176*** 1.166 32.404*** 1.328 28.159*** 1.485

(t) 0.006 ** 0.003 0.014*** 0.003 0.009 ** 0.004

비R&D 금액 (t+1) -0.000*** 0.000 -0.000 ** 0.000 -0.000 ** 0.000

창립연도 -0.012*** 0.001 -0.011*** 0.001 -0.009*** 0.001

ln(2년 평균 유형자산) 0.170*** 0.003 0.170*** 0.003 0.180*** 0.004

ln(R&D 비용) 0.004*** 0.001 0.003*** 0.001 0.001 0.001

Number of Obs 24,473 17,821 12,630


<표 5-12> 비R&D 지원금액 분석결과

주 : *** 1%　유의수준, ** 5%　유의수준, * 10%　유의수준


❚ 95

연도 지원 구분 비R&D 지원금액 비R&D 과제개수 비R&D 기업개수

2012

R&D 미지원 236,691 647 407

R&D 지원 152,287 478 195

합계 388,978 1,125 602

2013

R&D 미지원 248,151 686 476

R&D 지원 149,400 462 245

합계 397,551 1,148 721

2014

R&D 미지원 221,062 622 485

R&D 지원 165,305 409 206

합계 386,367 1,031 691

2015

R&D 미지원 188,582 618 507

R&D 지원 136,031 463 280

합계 324,614 1,081 787

2016

R&D 미지원 207,724 598 505

R&D 지원 184,424 530 327

합계 392,148 1,128 832

2017

R&D 미지원 192,815 544 442

R&D 지원 194,904 649 388

합계 387,719 1,193 830

합계

R&D 미지원 1,591,308 4,482 3,311

R&D 지원 982,351 2,991 1,641

합계 2,573,660 7,473 4,952

<표 5-13> R&D지원 과제와 비R&D지원 과제의 상관관계 기초통계량

과제 특성별 추가분석: 교호효과 분석


ln ×

ln

협력유형 등


분석결과: 연구유형

- 개발연구는 모든 연도에서 개발연구가 TFP를 감소시키는 것으로 나타남

- 반면 응용연구는 1년 후 TFP를 증가시키는 것으로 나타남


96 ❚



33.018*** 1.167 32.163*** 1.326 28.075*** 1.488

0.008*** 0.003 0.017*** 0.003 0.010*** 0.004

개발연구 -0.002*** 0.001 -0.004*** 0.001 -0.002 * 0.001

기초연구 0.001 0.001 -0.001 0.001 0.001 0.001

응용연구 0.002 ** 0.001 0.001 0.001 0.001 0.001

창립연도 -0.012*** 0.001 -0.011*** 0.001 -0.009*** 0.001

ln(2년 평균 유형자산) 0.171*** 0.003 0.170*** 0.003 0.180*** 0.004

ln(R&D 비용) 0.004*** 0.001 0.003*** 0.001 0.001 0.001

Number of Obs 24,473 17,821 12,630


<표 5-14> 연구유형 추가 분석결과

주 : *** 1%　유의수준, ** 5%　유의수준, * 10%　유의수준

분석결과: 연구책임자 학력

- 책임자 학력의 경우 정부지원 R&D에 미치는 영향이 대개 유의미하지 않았음

- 다만 3년 후 효과의 경우 박사가 책임자일 경우 긍정적 영향이 존재



33.274*** 1.168 32.466*** 1.329 28.289*** 1.488

0.006 ** 0.003 0.015*** 0.003 0.007 * 0.004

박사 -0.000 0.001 -0.001 0.001 0.001 * 0.001

석사 0.000 0.000 -0.001 0.001 0.000 0.001

창립연도 -0.012*** 0.001 -0.011*** 0.001 -0.009*** 0.001

ln(2년 평균 유형자산) 0.170*** 0.003 0.170*** 0.003 0.180*** 0.004

ln(R&D 비용) 0.004*** 0.001 0.003*** 0.001 0.001 0.001

Number of Obs 24,473 17,821 12,630


<표 5-15> 연구책임자 학력 추가 분석결과

주 : *** 1%　유의수준, ** 5%　유의수준, * 10%　유의수준


❚ 97

분석결과: 협력유형

- 협력유형에 따른 효과는 연도별로 일관성이 떨어지는 것으로 드러남

- 1년 차에는 산학연 협력에 대해서만 긍정적인 효과가 있는 것으로 나타남

- 2년 차에는 협력유형에 상관 없이 TFP에 대해 영향을 미치는 것으로 나타남

- 2년 차의 경우 산학연이 긍정적인 영향을 미침

- 3년 차의 경우 산연 협력에 대해서만 긍정적인 효과가 있는 것으로 드러남



33.275*** 1.169 32.466*** 1.330 28.327*** 1.488

0.002 0.003 0.011*** 0.004 0.006 0.004

산산 0.001 0.001 0.000 0.001 0.001 0.001

산연 0.001 0.001 0.001 0.001 0.002 * 0.001

산학 0.000 0.000 0.000 0.001 0.000 0.001

산학연 0.002*** 0.001 0.003*** 0.001 0.000 0.001

창립연도 -0.012*** 0.001 -0.011*** 0.001 -0.009*** 0.001

ln(2년 평균 유형자산) 0.170*** 0.003 0.169*** 0.003 0.179*** 0.004

ln(R&D 비용) 0.004*** 0.001 0.003*** 0.001 0.001 0.001

Number of Obs 24,473 17,821 12,630


<표 5-16> 협력유형 추가 분석결과

주 : *** 1%　유의수준, ** 5%　유의수준, * 10%　유의수준

나. 중소기업에 대한 정부R&D 지원 효과 영향 요인

분석모형은 Random effects model in panel data를 사용

ln ×ln ×


분석결과

국가 R&D를 지원받은 중소기업은 2년도에만 영향을 끼치는 것으로 나타남

R&D비용과 기업의 규모를 나타나는 2년 평균 유형자산, 업력 또한 기업

TFP 상승에 긍정적인 영향을 미침


98 ❚

- 이때 업력의 경우 창립일수를 사용

- 오래된 기업일수록 TFP에 긍정적 영향을 미친다면 음의 추정값 도출됨



31.230*** 1.324 30.686*** 1.518 27.601*** 1.731

0.000 0.003 0.007 * 0.003 -0.001 0.004

창립연도 -0.010*** 0.001 -0.010*** 0.001 -0.009*** 0.001

ln(2년 평균 유형자산) 0.146*** 0.003 0.138*** 0.003 0.139*** 0.004

ln(R&D 비용) 0.005*** 0.001 0.004*** 0.001 0.002 ** 0.001

Number of Obs 21,834 15,626 10,867


<표 5-17> 중소기업 샘플에 대한 기본모형 분석결과

주 : *** 1%　유의수준, ** 5%　유의수준, * 10%　유의수준

비R&D 지원 유무 및 지원금액 교호효과 분석


- ln ×

ln 비 여부


※ 비R&D 지원금액 분석 역시 위 수식의 여부만 지원금액으로 대체하여 수행. 이때

지원금액은 ln(지원금액)으로 계산. 지원금액 단위는 천원

분석결과

- 어떠한 형태로 분석하더라도 비R&D 지원여부 및 지원 총액에 대한 복합지원

효과는 부정적인 것으로 드러남


❚ 99



31.150*** 1.322 30.619*** 1.517 27.530*** 1.729

(t) 0.000 0.003 0.007 * 0.003 -0.001 0.004

비R&D 유무 (t+1) -0.004*** 0.001 -0.002 0.001 -0.002 * 0.001

창립연도 -0.010*** 0.001 -0.010*** 0.001 -0.009*** 0.001

ln(2년 평균 유형자산) 0.146*** 0.003 0.138*** 0.003 0.139*** 0.004

ln(R&D 비용) 0.005*** 0.001 0.004*** 0.001 0.002 ** 0.001

Number of Obs 21,834 15,626 10,867


<표 5-18> 비R&D 유무 분석결과

주 : *** 1%　유의수준, ** 5%　유의수준, * 10%　유의수준



31.167*** 1.322 30.634*** 1.517 27.546*** 1.729

(t) 0.000 0.003 0.007 * 0.003 -0.001 0.004

비R&D 금액 (t+1) -0.000*** 0.000 -0.000 0.000 -0.000 0.000

창립연도 -0.010*** 0.001 -0.010*** 0.001 -0.009*** 0.001

ln(2년 평균 유형자산) 0.146*** 0.003 0.138*** 0.003 0.139*** 0.004

ln(R&D 비용) 0.005*** 0.001 0.004*** 0.001 0.002 ** 0.001

Number of Obs 21,834 15,626 10,867


<표 5-19> 비R&D 지원금액 분석결과

주 : *** 1%　유의수준, ** 5%　유의수준, * 10%　유의수준

과제 특성별 추가분석: 교호효과 분석


ln ×

ln

협력유형 등



100 ❚

분석결과: 연구유형

- 2년 후 TFP에만 긍정적이었음

- 개발연구와 기초연구일 경우 TFP 하락이 드러남



31.087*** 1.323 30.502*** 1.517 27.543*** 1.732

0.001 0.003 0.010*** 0.004 0.000 0.004

개발연구 -0.002*** 0.001 -0.003*** 0.001 -0.001 0.001

기초연구 0.000 0.001 -0.002 ** 0.001 -0.001 0.001

응용연구 0.001 0.001 -0.001 0.001 -0.000 0.002

창립연도 -0.010*** 0.001 -0.010*** 0.001 -0.009*** 0.001

ln(2년 평균 유형자산) 0.147*** 0.003 0.138*** 0.003 0.139*** 0.004

ln(R&D 비용) 0.005*** 0.001 0.004*** 0.001 0.002 ** 0.001

Number of Obs 21,834 15,626 10,867


<표 5-20> 연구유형 추가 분석결과

주 : *** 1%　유의수준, ** 5%　유의수준, * 10%　유의수준

분석결과: 연구책임자 학력

- 책임자 학력의 경우 정부지원 R&D에 미치는 영향은 고학력일수록 부정적으로

드러남



31.121*** 1.323 30.491*** 1.517 27.517*** 1.733

0.002 0.003 0.009*** 0.004 -0.000 0.004

박사 -0.002*** 0.001 -0.002*** 0.001 -0.001 0.001

석사 -0.000 0.001 -0.001 * 0.001 -0.001 0.001

창립연도 -0.010*** 0.001 -0.010*** 0.001 -0.009*** 0.001

ln(2년 평균 유형자산) 0.146*** 0.003 0.138*** 0.003 0.139*** 0.004

ln(R&D 비용) 0.005*** 0.001 0.004*** 0.001 0.002 ** 0.001

Number of Obs 21,834 15,626 10,867


<표 5-21> 연구책임자 학력 추가 분석결과

주 : *** 1%　유의수준, ** 5%　유의수준, * 10%　유의수준


❚ 101

분석결과: 협력유형

- 협력유형에 대한 효과는 미미한 것으로 드러남

- 1년 차에는 산학 협력에 대해서만 긍정적인 효과가 있는 것으로 나타남

- 2년 차에는 산학연 협력에 대해서만 긍정적인 효과가 있는 것으로 나타남



31.317*** 1.326 30.724*** 1.519 27.729*** 1.732

-0.003 0.003 0.004 0.004 -0.002 0.004

산산 0.000 0.001 -0.001 0.001 0.000 0.001

산연 0.001 0.001 0.001 0.001 0.002 0.001

산학 0.001 * 0.001 0.001 0.001 0.001 0.001

산학연 0.001 0.001 0.002 * 0.001 -0.001 0.001

창립연도 -0.011*** 0.001 -0.010*** 0.001 -0.009*** 0.001

ln(2년 평균 유형자산) 0.146*** 0.003 0.137*** 0.003 0.139*** 0.004

ln(R&D 비용) 0.005*** 0.001 0.004*** 0.001 0.002 ** 0.001

Number of Obs 21,834 15,626 10,867


<표 5-22> 협력유형 추가 분석결과

주 : *** 1%　유의수준, ** 5%　유의수준, * 10%　유의수준


102 ❚

제4절 정부 지원 R&D 효과의 영향요인 분석: 결정나무 및

랜덤포레스트 분석

정부R&D 지원 2년 뒤, TFP 증감을 예측할 수 있는 결정나무 모형 분석을 수행

종속변수는 2년 후 TFP 증감으로 설정 (더미변수, 1: TFP 증가, 0: TFP 감소)

설명(요인)변수는 정부R&D 지원금, 연구책임자 학력, 업력, 자체연구개발비,

기업 규모, 총 자산, 해당연도의 TFP

모델선택 방법: 분석 샘플을 무작위로 5개로 분할한 뒤, 4개의 샘플로 기계학습

수행, 나머지 1개로 예측 수행(교차검증)

- 모델별 예측의 정확성을 비교하여 최선의 모델을 선택

- 해당 모델에서 사용된 변수의 순위를 확인

모델후보: GLM(reference, 로지스틱회귀분석), 결정나무(Decision Tree),

랜덤포레서트 300 (Random Forest 300), 랜덤포레스트 1000 (Random

Forest 1000)

랜덤포레스트 모델의 경우, 90%의 확률로 향후 TFP 증가 여부를 예측할 수

있었음

향후 과제 수행 기업 선정 시 활용할 수 있는 모델이나, 예측에 사용되는

변수의 의미를 분석하여 신중한 접근 필요(사유 하기에 기술)

해당 모델에서 사용된 요인변수(설명변수)의 순위를 살펴보면 다음과 같음

상위에 랭크된 설명 변수는 기업특성을 나타내는 변수로, TFP, 자산, 자체연구

개비, 업력 등

정부연구개발비와 연구책임자의 학력 등은 기업 특성 대비 설명력이 낮은

것으로 나타남

가장 많이 사용된 TFP의 경우, 음(-)의 방향임에 유의할 필요

- 즉, TFP가 낮았던 기업이 차년도 TFP가 증가할 확률이 높다는 의미로, 단순히

TFP 증가만을 위해서는 현재 TFP가 낮은 기업에 투자하는 것이 유리하다는

결론


❚ 103

[그림 5-7] 각 기계학습 모델별 TFP 증가 예측의 정확성

[그림 5-8] 랜덤포레스트 1000 모델에서 사용된 요인변수 순위


104 ❚

[그림 5-9] 결정나무 예시

결론 및 시사점

제6장

제6장 결론 및 시사점

❚ 107


가. 결론

중소기업은 기업의 TFP 저하 시점에 정부R&D를 통해 TFP 반등에 성공하고

있는 것으로 나타났으며, 정부의 R&D 지원이 기업 혁신역량에 긍정적인 영항을

주는 것으로 보여짐

PSM과 DID를 활용한 분석 결과, 정부R&D 지원 2년차부터 수혜기업의 TFP

증가가 비수혜기업 대비 큰 것으로 나타나 정책의 효과성을 확인할 수 있었음

기업 TFP 증가의 영향요인을 찾기 위한 패널 분석 결과,

PSM/DID 분석 결과와 동일하게 지원 2년 후 정부R&D 지원의 효과가 확인되었음

기업의 특성(업력, 자산, 자체R&D 투자금)은 모두 유의하게 양(+)의 영향이

있음

일반재정지원사업(비R&D사업) 복합지원의 교호효과는 확인되지 않았음

연구과제의 특성(연구책임자의 학력, 협력 유형, 연구개발 단계) 또한 크게

유의한 요인으로 작용하지 않음

기계학습을 통한 결정나무/랜덤포레스트 분석 결과, R&D 지원 후 TFP 증감을

일부 모델의 경우 정확도 90% 이상의 확률로 예측할 수 있었으며, TFP 증감에

영향을 미치는 중요 설명요인을 확인할 수 있었음

TFP 증감에 영향을 미치는 중요 설명요인은 기업 자체의 특성(TFP, 업력,

자산, 자체R&D비용 등)이며, 정부R&D 지원, 연구책임자의 학력 등은 상대적

으로 비중이 낮은 설명요인임

기업 자체 특성 중 TFP의 경우, 음(-)의 방향으로 영향을 미치는 점에 유의할

필요가 있음. 즉, TFP가 낮은 기업일수록 향후 TFP의 증가 확률이 높음


108 ❚

나. 시사점

중소기업과 대기업/중견기업의 TFP 격차 추이, 정부R&D를 통한 TFP 반등

등을 고려하면, 중소기업 R&D 지원의 타당성 및 효과성 인정할 수 있음

정부R&D 지원 수혜 중소기업들의 TFP 하락 추세가 (가정 1)과거 1년과

동일한 폭으로 지속되었을 것으로 가정하거나, (가정 2)수혜 받지 않은 다른

중소기업의 TFP 추세와 같다고 가정, 또는 (가정 3)PSM 매칭 기업들의 추세와

같을 것이라는 가정할 경우, 각 가정에 따른 정부R&D 지원의 효과는 다음과

같음

가정 정책효과

1. 수혜 전 1년 하락 폭 만큼 하락(+)0.0533

5.47% 향상

2. 미수혜 기업들과 같은 추세(+)0.0024

0.24% 향상

3. 성향매칭된 미수혜 기업들과 같은 추세(+)0.0097

1.00% 향상 (2년 뒤)

단독 과제 대비 협력 유형에 따른 지원 효과가 유의하지 않은 점은 향후 중소기업

협력 연구에 있어 내실화를 요하는 부분

기업의 현장 수요 등에 기반하여 협력형 과제를 추진하고 있으나, 그 효과

및 실제적인 추진 사유, 진행과정에의 기업과 협력 주체간 역할분담 등 이슈가

꾸준히 제기되고 있음

非R&D 복합지원은 과거 사례에서 유의한 효과가 관찰되지 않았으나, 정책

시행 시점 이전의 사례 대상 결과로, 해석에 주의를 요함

본 연구에서 분석한 R&D-비R&D 과제 복합지원 데이터는 일관지원사업

추진 이전에 정책적 의도를 갖지 않고 우연한 기회에 R&D 과제와 비R&D

과제를 동시 또는 시차를 가지고 지원을 받은 기업을 대상으로 하였음

따라서, 본 결과에 근거하여 현재 정책적 의도를 가지고 추진 중인 일관지원사업의

효과가 없을 것으로 단정하기는 어려우며, 그만큼 신중한 접근이 필요한 것으로

해석할 수 있음


❚ 109

기계학습을 통한 결정나무 등의 모델은 지원 효과를 높은 확률로 예측할 수 있을

것으로 기대되며, 데이터의 축적 및 설명요인이 보완된다면, 과제 선정 시 활용

가능성 높음. 다만, 정책적 목표와 의사결정 방향이 부합하는지는 검토 필요

TFP를 높이기 위해서는 현재 TFP가 낮은 기업(생산성이 낮거나, 혁신적이지

않은 기업)을 지원해야한다는 결론

정부R&D 지원의 역할을 어떤 방향에서 접근할지, 즉, 혁신역량이 낮은 기업을 보조해

주기 위한 것인지, 보다 혁신적인 기술·제품을 개발하여 해당 기업 및 그로부터의

낙수효과를 기대하는 것인지에 따라 결과의 활용 방향이 달라질 수 있음

다. 연구의 한계

본 연구 추진에 있어 다음과 같은 현실적인 분석의 한계와 문제점이 존재하였음

한 기업이 복수의 연구과제를 추진하는 현실에서 오는 문제점

- 여러 설명변수(과제의 특성)가 한 개의 종속변수(기업의 TFP변화)로 귀결되어,

과제의 특성이 반영될 여지가 줄어드는 효과가 있음

R&D지원 전략 또는 연구과제의 성격을 규정할 설명 변수가 부족함

- 추진되는 연구과제에 반영되는 “실제적”인 면을 설명할 수 있는 변수가 부족.

예를 들어, 생산 과정에서의 현장애로사항 해결을 위한 과제인지, 도전적이고

혁신적인 과제인지를 판별할 수 있는 설명변수가 부족함

그 외에도 아래와 같은 근본적인 연구의 한계 및 문제점을 발견하였음

TFP가 중소기업 지원의 효과성을 설명하기에 충분한 변수인가?

- R&D지원을 통해 달성할 수 있는 무형의 효과를 측정할 수 있는 대리변수로

의미를 가질 수 있으나, TFP 자체가 기업·업종·산업 등의 특성에 따라 다른

특성(예를 들면 성장곡선)을 가질 수 있음

중소기업 R&D 지원의 방향성 또는 철학에 따라 성과의 대리 변수 및 측정

방법을 변화시킬 필요

- 본 연구에서는 TFP를 성과의 대리변수로, TFP 증가를 정책의 목표로 설정하여

효과성을 검증

- 중소기업 R&D지원의 목적이, 혁신적인 기업을 보다 혁신적으로 육성할지, 혁신적

이지 못한 기업을 혁신적으로 변화시킬지, 보다 많은 기업들에게 혁신의 기회를

제공할지에 따라 성과 측정 방법 및 과제·수혜기업 선정 방향이 조정될 필요


110 ❚

[참고문헌]

김주일 (2018), 「중소기업 R&D 지원 효과에 관한 실증분석 연구 비

교」, 한국과학기술기획평가원 R&D예산정책센터 내부자료

민인식·최필선 (2016) STATA 패널데이터 분석. (주)지필미디어.

오미애, 최현수, 김수현, 장준혁, 진재현, 천미경 (2017) 기계학습

(Machine Learning) 기반 사회보장 빅데이터 분석 및 예측모형 연구.

한국보건사회연구원.

오승환, 김선우.(2017). 중소기업 R&D 지원의 현황과 성과분석, STEPI

Insight, 제211호, 과학기술정책연구원.

오승환, 김선우.(2018). 중소기업 R&D 지원의 성과와 방향 , STEPI

Insight, 제224호, 과학기술정책연구원.

우석진. (2017). 정책분석을 위한 STATA, 경기 파주, 지필미디어, pp.171

이성호 (2017) 중소기업 연구개발 지원정책 수혜자 선정모형 연구. 정책

연구시리즈 2017-12. 한국개발연구원.

이성호 (2018), 「중소기업 R&D 지원의 정책효과와 개선방안」, KDI

Focus, 제89호

이훈영 (2014) 이훈영교수의 연구조사방법론(제2판). 청람.

장우현, 양용현, 우석진. (2014). 중소기업지원정책의 개선방안에 관한

연구(II), 한국개발연구원.

장필성 외 (2018) R&D 투자영향평가 체계 구축(3차년도). 정책연구

2018-04. 과학기술정책연구원.

진영현 (2018), 「정부 연구개발 투자의 생산성 측정에 관한 연구(I)」, 한

국과학기술기획평가원

최대승, 이규환. (2014). R&D투자의 효과분석 모형 수립을 위한 탐색연

구, 한국과학기술기획평가원.

한치록 (2017) 패널데이터강의. 박영사.

Anderson, T. W., & Hsiao, C. (1981). Estimation of dynamic models with

error components. Journal of the American statistical Association,

76(375), 598-606.

Arellano, M., & Bond, S. (1991). Some tests of specification for panel

data: Monte Carlo evidence and an application to employment

equations. The Review of Economic Studies, 58(2), 277-297.

Chad Syverson. (2011). What Determines Productivity?, Journal of

Economic Literature, 49, pp.326-365

Cin, B. C., Kim, Y. J., & Vonortas, N. S. (2017). The impact of public

R&D subsidy on small firm productivity: evidence from Korean

SMEs. Small Business Economics, 48(2), 345-360.

참고문헌

❚ 111

For how long can today’s global economic expansion last?. The

Economist. (2019, Jul 13th). Retrieved from https://www.economist.com/briefing/

2019/07/13/for-how-long-can-todays-global-economic-expansion-last

J. Haskel and S. Westlake. (2017). Capitalism Without Capital: The Rise

of the Intangible Economy, Princeton University Press, Princeton

James Levinsohn and Amil Petrin. (2013). Estimating Production

Functions Using Inputs to Control for Unobservables, The Review

of Economic Studies, 70, pp.317-341.

Karhunen, H., & Huovari, J. (2015). R&D subsidies and productivity in

SMEs. Small Business Economics, 45(4), 805-823.

Randall S. Jones, Jae Wan Lee. (2018). Enhancing dynamism in SMEs

and entrepreneur ship in Korea, OECD Economics Department

Working Papers No.1510. pp.10-12.

Saul Lach, Zvika Neeman, Mark Schankerman. (2017). Government

Financing of R&D: A Mechanism Design Approach, CEPR Discussion

Paper No. DP12199

정부 중소기업 r&d 지원의 효과성 분석 연구: 기업 tfp 측정을 중심으로

Documents