역시 응답자 중 2,000명의 데이터를 훈련용과 검정용(5:5)으로 나누어 분 석했다. 총 25개의 설문 문항을 독립 및 통제변수들로 활용하였으며, 정보 지원 필요성이 매우 높다고 선택한 실험군(정보 지원 고수요군)과 약간 이 하의 필요성을 선택한 대조군(수요 유보군)으로 구분하였다. 분석 결과는 기 획단계 소요기간(제곱근), 총 소요기간(제곱근), 벤처 기업 여부는 5.1절(기 획단계 선호군)과 동일하게 유의미했고, 국내 보유 특허 건수(제곱근), 영업 이익, 업력이 25개의 변수 중에서 분류하는데 유의미한 영향을 줄 수 있는 후보요인으로 나타났다(의사결정나무 분석 결과는 생략함).
응답 기업 2000개사 중 기술정보 지원 필요성이 매우 높다고 응답한 기업 은 730개이며, 약간 이하의 필요성을 응답한 기업은 1270개 기업이다. 각 집단의 공분산행렬의 동일성에 대한 검증(Box’M)을 실시한 결과 p-value 가 0.000으로서 “집단내 독립변수들 사이의 공분산 행렬이 동일하다.”는 가정은 유의수준 5%내에서 기각되어 그대로 판별분석을 할 수 없게 되었다.
즉, Box-M 통계량은 집단의 등분산성을 보는 것인데 등분산성이 인정되면 개별-집단의 공분산행렬을 사용해 적합시키면 되는데, 그렇지 않았기 때문 에 집단-내 공분산행렬을 사용해 적합시켰다.
의사결정나무 분석에서 유의미하게 제시된 6개의 독립변수를 사용하여 (기술)정보지원 고수요군 기업과 수요 유보군 기업의 판별식 적합도를 Wilks' Lamda를 통해 살펴보면, Wilks' Lamda의 수치가 작아 판별식이 통 계적으로 유의미함(두 집단의 차이가 있음)을 알 수 있다(<표 26> 참조).
<표 26> Wilks's lamda(기술정보 지원 고수요)
함수의 검정 Wilks의 람다 카이제곱 자유도 유의확률
1 0.979 41.906 2 0.000
집단 평균의 동질성 검증결과인 <표 27>에 따르면 기획 소요기간만 정보 지원 고수요군 기업을 판별하는데 판별력이 통계적으로 유의미함(p<0.05)을
보여주고 있다. 반면, 다른 5개 변수에 있어서 집단 간 차이는 비유의적으로
기술정보 지원 고수요군 여부에 따른 집단을 설명하는데 상대적 중요도를
있다. <표 30>의 정준판별함수 계수에 의한 판별함수(예측 모형)는 다음과 같다.
정준판별식 = 1.934(기획 소요기간(제곱근)) - 0.844(총 소요기간(제곱 근)) - 0.610
이 함수에 질문항목에 대한 수치를 대입하였을 때 정보 지원 고수요군 기 업의 중심점은 –0.192이였으며, 수요 유보군 기업의 중심점은 0.110이었다.
이는 향후에 새로운 개체(기업)가 어떤 집단으로 분류될지를 보여 주는 것 으로 어떤 개체의 값이 집단의 중심점에 가까운 개체일 때는 그 집단의 구 성원으로 판단할 수 있다.
다음의 <표 32>의 분류함수표는 새로운 분류대상을 어느 집단에 분류할 것인가를 결정하데 사용된다. 새로운 분류대상의 독립변수 값들을 다음의 분 류함수에 각각 대입하여 결과 값이 크면 큰 값을 나타낸 집단에 분류하고 결과 값이 작으면 작은 값을 나타낸 집단에 분류한다. 이는 향후 어떤 기업 이 정보 지원 고수요군 집단인가 아닌가를 예측하는데 도움이 될 것이다. 기 술정보 지원 고수요군 기업인 경우 상대적으로 총 소요기간의 계수가 크고 기획 소요기간의 계수는 적다. 이러한 결과는 정보 지원 고수요는 기획기간 은 짧지만 총 기술개발 소요기간은 장시간인 기술군과 관련된 기업들이 정 보 지원 사업의 대상이 될 수 있는 가능성이 커짐을 보여주고 있다. 5.1절에 서 개발기획 단계 지원 선호군과 반대되는 경향임에 주목할 필요가 있다.
<표 32> 분류 함수 계수(기술정보 지원 고수요)
기술정보 지원 필요성(고수요)
수요 유보군 고수요군
기획 소요기간 1.176 0.591
총 소요기간 1.728 1.983
(상수) -5.723 -5.551
Fisher의 선형 판별함수
분류함수가 표본 기업의 분류를 얼마나 잘 예측하는가를 나타내는 정오분 류결과가 <표 33>에 제시되어 있는데, 의사결정나무 분석의 데이터분할과
같은 검정비교를 위해서 순차제거복원 분류를 통해 교차유효값을 산출했다.
<표 33>을 보면 고수요군 기업 730개 중 433(원래)와 433개(교차유효)를 각각 정확히 예측해 판별함수는 모두 59.3%의 적중률(hit ratio)을 보였다.
의사결정나무 분석 결과의 정확도인 <표 7>과 비교하면 다소 낮아졌지만, 선호 기업군의 적중률은 오히려 7배 가까이 크게 상승되어 고수요기업을 판 별하고자할 경우 오히려 보다 적절한 판별력을 보였다.
<표 33> 모형의 분류 적중률(기술정보 지원 고수요)
정보지원 필요성 예측 소속집단
수요 유보군 고수요군 전체
원래값
빈도 수요 유보군 711 559 1270
고수요군 297 433 730
% 수요 유보군 56.0 44.0 100.0
고수요군 40.7 59.3 100.0
교차 유효값b
빈도 수요 유보군 711 559 1270
고수요군 297 433 730
% 수요 유보군 56.0 44.0 100.0
고수요군 40.7 59.3 100.0
a. 원래의 집단 케이스 중 57.2%이(가) 올바로 분류되었습니다.
b. 분석시 해당 케이스에 대해서만 교차유효화가 수행됩니다. 교차유효화시 각 케이스는 해당 케이스를 제외한 모든 케이스로부터 파생된 함수별로 분류됩니다.
c. 교차유효화 집단 케이스 중 57.2%이(가) 올바로 분류되었습니다.
제 6 장 결론 및 정책적 시사점 6.1 결론
정부는 재무적 또는 비재무적으로 다양한 중소기업 R&D 지원정책을 수행 하고 있는데, 그 중에서 재무적인 지원은 많은 연구와 경험을 통해 상대적으 로 정책적 효과 연구가 진행되어 왔다. 그러나 비 재무적인 지원 정책에 대 한 연구는 최근 활발해져 왔는데, 대표적인 비재무적 지원 정책중 하나인 R&D 정보 지원의 효과나 관련 기관의 역할에 대해 특히 거의 연구된 바가 없다.
본 보고서에서는 이런 R&D 정보 지원과 중소기업의 여러 가지 조건들이 어떤 관계가 있는지 탐색적으로 연구하고자 했다. R&D 정보 지원을 경험한 기업들(실험집단)의 특징과 대조군의 특징을 비교분석해서 프로파일링 했고, 나아가주요 수요 집단으로 예상되는 R&D 기획 지원 고수요 집단의 특징도 프로파일링(영향 요인)했다. 의사결정나무 분석의 결과에 따르면 R&D 기획 지원이나 정보지원을 경험 기업을 분류하는 공통적으로 큰 영향을 주는 요 인 정부자금비율이었다. 즉 최근까지 R&D 정보 제공을 받은 기업은 연구개 발 투자에서 전반적으로 정부 지원이 차지하는 비중이 높았다. 또한 기술 매 출액과 특허관련 변수(지재권 출원, 국내 특허 보유)이 분류에 영향을 주는 요인으로 밝혀졌다. 기술적 성과가 이미 어느 수준 이상인 기업들이 이미 R&D 정보 지원을 경험한 것으로 나타났다.
미래 수요와 관련해서 R&D 기획 지원이나 정보지원 필요성을 아주 높게 생각하고 있는 기업을 프로파일링한 결과, R&D 기획에는 연구원 합계, 지재 권 출원, 제품화 실적 등이 중요한 영향 요인이고, 정보 지원에는 개발이나 기획 소요기간, 기술개발 실적, 벤처 기업 여부 등이 중요한 영향으로 나타 났다. 또한 연구개발의 4개 단계 중에서 개발기획 단계의 지원이 가장 중요 하다 생각한 기업을 프로파일링한 결과는 개발이나 기획 소요기간, 제품화 실적, 벤처 기업 여부가 중요한 영향 요인으로 밝혀졌다. 여기서 주목해야 하는 것은 그동안 간과했던, 총 개발기간과 기획 소요기간이 수요 대상 기업 이 관련 R&D 정보 제공을 필요로 하는데 큰 영향을 주고 있다는 것이다.
또한 R&D 기획을 필요로 하는 기업과 정보 제공을 원하는 기업에서 총 개 발 기간과 기간의 특징이 달랐다. 기획의 지원을 필요로 하는 기업은 총 개 발 기간에서 기획기간이 상대적 긴 기업이 기획지원을 필요로 했던 반면, 정 보지원을 원하는 기업은 오히려 총 개발기간에 비해서 기획기간의 상대적으 로 짧으며, 특히 개발기간이 긴 기업이었다.
판별분석을 통해서 구체적인 수요 예측 모형도 개발했다. 개발기획 단계 지원, R&D 기획 지원, 기술정보 지원의 기업 수요를 예측할 수 있는 정준판 별함수롤 도출했고 그 결과를 정리하면 다음과 같다.
1) 개발기획 단계 지원 선호 (정준)판별식 = 0.823(총 소요기간(제곱근)) -1.830(기획 소요기간(제곱근)) + 0.117(기술개발 성공 건수(제곱근)) + 0.259(지재권 출원 건수(제곱근)) - 0.019
2) R&D 기획 지원 수요 (정준)판별식 = 1.293(지재권 출원 건수(제곱 근)) - 0.488(국내 특허 보유 건수(제곱근)) + 0.234
3) 기술정보 지원 (정준)판별식 = 1.934(기획 소요기간(제곱근)) - 0.844(총 소요기간(제곱근)) - 0.610
<표 34> 예측모형별 판별함수의 중심점
예측모형 고수요군 저수요군
개발기획 단계 지원 선호 -0.538 0.158
R&D 기획 지원 수요 -0.100 0.075
기술정보 지원 수요 -0.192 0.110
상기식과 중심점을 활용하면, 새로운 분류대상을 어느 집단에 분류할 것인 가를 결정할 수 있다. 새로운 분류대상의 독립변수 값들을 상기 판별식에 대 입하여 결과 값이 어느 중심점에 가까운지로 집단을 분류할 수 있다. 이는 향후 어떤 기업이 정보 지원 고수요군 집단인가 아닌가를 예측하는데 도움 이 될 것이다.
이상의 도출 과정에서는 다변량 분석을 통한 접근의 장단점을 확인할 수 있었는데, 의사결정나무 분석 방법은 매우 많은 수의 변량을 별다른 조치(변 수 변환)등이 없이 활용해서 직관적으로 영향을 요인을 찾고 간편하게 예측
모델을 만들 수 있다는 장점을 확인할 수 있었던 반면, 시뮬레이션 마다 다 소 다른 결과가 제시되어(훈련/검정 자료 구분 등) 결과 해석이 어렵고, 상 대적으로 작은 값(수요군, 경험군)은 잘 예측하지 못하는 문제점을 확인할 수 있었다. 판별분석은 독립변수의 선정에 노력이 필요하고 변환의 노력까지 필요하며, 상대적으로 낮은 정확도를 보였지만, 다양한 결과 제공과 비교적 균형 잡힌(수요군 예측력) 정확도를 보여주는 확인할 수 있었다.
향후에는 자료를 추가로 확보하고, 독립변수의 대상을 확보할 필요가 있으 며, 의사결정나무 분석의 다양한 분석방법이나 조건에 대한 추가 적용이 필 요하다, 특히 판별분석을 활용하는 경우 각 변수의 선정에 대한 이론적 근 거의 확보도 필요하다고 할 수 있다.
6.2 정책적 시사점
여기서 도출된 결과를 통해 향후 중소기업 기술혁신을 위한 기획지원이나
여기서 도출된 결과를 통해 향후 중소기업 기술혁신을 위한 기획지원이나