• 지능정보연구
• /
• 제26권1호
• /
• pp.135-149
• /
• 2020

인공지능을 기반으로 한 다양한 연구들이 현대사회에 많은 변화를 불러일으키고 있다. 금융시장 역시 예외는 아니다. 로보어드바이저 개발이 활발하게 진행되고 있으며 전통적 방식의 단점을 보완하고 사람이 분석하기 어려운 부분을 대체하고 있다. 로보어드바이저는 인공지능 알고리즘으로 자동화된 투자 결정을 내려 다양한 자산배분 모형과 함께 활용되고 있다. 자산배분 모형 중 리스크패리티는 대표적인 위험 기반 자산배분 모형의 하나로 큰 자산을 운용하는 데 있어 안정성을 나타내고 현업에서 역시 널리 쓰이고 있다. 그리고 XGBoost 모형은 병렬화된 트리 부스팅 기법으로 제한된 메모리 환경에서도 수십억 가지의 예제로 확장이 가능할 뿐만 아니라 기존의 부스팅에 비해 학습속도가 매우 빨라 많은 분야에서 널리 활용되고 있다. 이에 본 연구에서 리스크패리티와 XGBoost를 장점을 결합한 모형을 제안하고자 한다. 기존에 널리 사용되는 최적화 자산배분 모형은 과거 데이터를 기반으로 투자 비중을 추정하기 때문에 과거와 실투자 기간 사이의 추정 오차가 발생하게 된다. 최적화 자산배분 모형은 추정 오차로 인해 포트폴리오 성과에서 악영향을 받게 된다. 본 연구는 XGBoost를 통해 실투자 기간의 변동성을 예측하여 최적화 자산배분 모형의 추정 오차를 줄여 모형의 안정성과 포트폴리오 성과를 개선하고자 한다. 본 연구에서 제시한 모형의 실증 검증을 위해 한국 주식시장의 10개 업종 지수 데이터를 활용하여 2003년부터 2019년까지 총 17년간 주가 자료를 활용하였으며 in-sample 1,000개, out-of-sample 20개씩 Moving-window 방식으로 예측 결과값을 누적하여 총 154회의 리밸런싱이 이루어진 백테스팅 결과를 도출하였다. 본 연구에서 제안한 자산배분 모형은 기계학습을 사용하지 않은 기존의 리스크패리티와 비교하였을 때 누적수익률 및 추정 오차에서 모두 개선된 성과를 보여주었다. 총 누적수익률은 45.748%로 리스크패리티 대비 약 5% 높은 결과를 보였고 추정오차 역시 10개 업종 중 9개에서 감소한 결과를 보였다. 실험 결과를 통해 최적화 자산배분 모형의 추정 오차를 감소시킴으로써 포트폴리오 성과를 개선하였다. 포트폴리오의 추정 오차를 줄이기 위해 모수 추정 방법에 관한 다양한 연구 사례들이 존재한다. 본 연구는 추정 오차를 줄이기 위한 새로운 추정방법으로 기계학습을 제시하여 최근 빠른 속도로 발전하는 금융시장에 맞는 진보된 인공지능형 자산배분 모형을 제시한 점에서 의의가 있다.

• 지능정보연구
• /
• 제24권2호
• /
• pp.221-241
• /
• 2018

최근 딥러닝 기술이 주목을 받고 있다. 대중들의 관심을 받았던 국제 이미지 인식 기술 대회(ILSVR)와 알파고(AlphaGo)에서 사용된 딥러닝 기술이 바로 합성곱 신경망(CNN; Convolution Neural Network)이다. 합성곱 신경망은 입력 이미지를 작은 구역으로 나누어 부분적인 특징을 인식하고 이것을 결합하여 전체를 인식하는 특징을 가진다. 이러한 딥러닝 기술이 우리의 생활에 있어 많은 변화를 야기할 것이라는 기대를 주고 있지만 현재까지는 이미지 인식과 자연어 처리 등에 그 성과가 국한되어 있다. 비즈니스 문제에 대한 딥러닝 활용은 아직까지 초기 연구 단계로 향후 마케팅 응답 예측이나 허위 거래 식별, 부도 예측과 같은 전통적 비즈니스 문제들에 대해 보다 깊게 활용되고 그 성능이 입증된다면 딥러닝 기술의 활용 가치가 보다 더 주목받게 될 것으로 기대된다. 이러한 때 비교적 고객 식별이 용이하고 활용 가치가 높은 빅데이터를 보유하고 있는 전자상거래 기업의 사례를 바탕으로 하여 딥러닝 기술의 비즈니스 문제 해결 가능성을 진단해보는 것은 학술적으로 매우 의미 있는 시도라 할 수 있겠다. 이에 본 연구에서는 전자상거래 기업의 고객 행태 예측력을 높이기 위한 방안으로 합성곱 신경망을 활용한 '이종 정보 결합(Heterogeneous Information Integration)의 CNN 모델'을 제시한다. 이는 정형과 비정형 정보를 결합하여 다층 퍼셉트론 구조의 합성곱 신경망에서 학습시키는 모델로서 최적의 성능을 발휘하도록 '이종 정보 결합'과 '비정형 정보의 벡터 전환', 그리고 '다층 퍼셉트론 설계'로 하는 3개의 내부 아키텍처를 정의하고 각 아키텍처 단위로 구성되는 방식에 따른 성능을 평가하여 그 결과를 바탕으로 제안 모델을 확정하고 그 성능을 평가해보고자 한다. 고객 행태 예측을 위한 목표 변수는 전자상거래 기업에서 중요하게 관리하고 있는 재구매 고객, 이탈 고객, 고빈도 구매 고객, 고빈도 반품 고객, 고단가 구매 고객, 고할인 구매 고객 등 모두 6개의 이진 분류 문제로 정의한다. 제안한 모델의 유용성을 검증하기 위해서 국내 특정 전자상거래 기업의 실제 데이터를 활용하여 실험을 수행하였다. 실험 결과 정형과 비정형 정보를 결합하여 CNN을 활용한 제안 모델이 NBC(Naïve Bayes classification)과 SVM(Support vector machine), 그리고 ANN(Artificial neural network)에 비해서 예측 정확도와 F1 Measure가 높게 평가되었다. 또 NBC, SVM, ANN에서 정형 정보만을 사용할 때 보다 정형과 비정형 정보를 결합하여 입력 변수로 함께 활용한 경우에 예측 정확도가 향상되는 것으로 나타났다. 따라서 실험 결과로부터 비정형 정보의 활용이 고객 행태 예측의 정확도 향상에 기여한다는 점과 CNN 기법의 특징 추출 알고리즘이 VOC에 사용된 단어들의 분포와 위치 정보를 해석하여 문장의 의미를 파악하는데 효과적이라는 점을 실증적으로 확인하였다는데 그 의미가 있다고 할 수 있겠다. 이를 통해서 CNN 기법이 지금까지 소개된 이미지 인식이나 자연어 처리 분야 외에 비즈니스 문제 해결에도 활용 가치가 높다는 점을 확인하였다는데 이 연구의 의의가 있다 하겠다.

• 지능정보연구
• /
• 제18권3호
• /
• pp.185-202
• /
• 2012

오늘날 정보사회에서는 정보에 대한 가치를 인식하고, 이를 위한 정보의 활용과 수집이 중요해지고 있다. 얼굴 표정은 그림 하나가 수천개의 단어를 표현할 수 있듯이 수천 개의 정보를 지니고 있다. 이에 주목하여 최근 얼굴 표정을 통해 사람의 감정을 판단하여 지능형 서비스를 제공하기 위한 시도가 MIT Media Lab을 필두로 활발하게 이루어지고 있다. 전통적으로 기존 연구에서는 인공신경망, 중회귀분석 등의 기법을 통해 사람의 감정을 판단하는 연구가 이루어져 왔다. 하지만 중회귀모형은 예측 정확도가 떨어지고, 인공신경망은 성능은 뛰어나지만 기법 자체가 지닌 과적합화 문제로 인해 한계를 지닌다. 본 연구는 사람들의 자극에 대한 반응으로서 나타나는 얼굴 표정을 통해 감정을 추론해내는 지능형 모형을 개발하는 것을 목표로 한다. 기존 얼굴 표정을 통한 지능형 감정판단모형을 개선하기 위하여, Support Vector Regression(이하 SVR) 기법을 적용하는 새로운 모형을 제시한다. SVR은 기존 Support Vector Machine이 가진 뛰어난 예측 능력을 바탕으로, 회귀문제 영역을 해결하기 위해 확장된 것이다. 본 연구의 제안 모형의 목적은 사람의 얼굴 표정으로부터 쾌/불쾌 수준 그리고 몰입도를 판단할 수 있도록 설계되는 것이다. 모형 구축을 위해 사람들에게 적절한 자극영상을 제공했을 때 나타나는 얼굴 반응들을 수집했고, 이를 기반으로 얼굴 특징점을 도출 및 보정하였다. 이후 전처리 과정을 통해 통계적 유의변수를 추출 후 학습용과 검증용 데이터로 구분하여 SVR 모형을 통해 학습시키고, 평가되도록 하였다. 다수의 일반인들을 대상으로 수집된 실제 데이터셋을 기반으로 제안모형을 적용해 본 결과, 매우 우수한 예측 정확도를 보임을 확인할 수 있었다. 아울러, 중회귀분석이나 인공신경망 기법과 비교했을 때에도 본 연구에서 제안한 SVR 모형이 쾌/불쾌 수준 및 몰입도 모두에서 더 우수한 예측성과를 보임을 확인할 수 있었다. 이는 얼굴 표정에 기반한 감정판단모형으로서 SVR이 상당히 효과적인 수단이 될 수 있다는 점을 알 수 있었다.

• 지능정보연구
• /
• 제26권3호
• /
• pp.149-169
• /
• 2020

현 정부의 주요 국책사업 중 하나인 도시재생 뉴딜사업은 매년 100 곳씩, 5년간 500곳을대상으로 50조를 투자하여 낙후된 지역을 개발하는 것으로 언론과 지자체의 높은 이목이 집중되고 있다. 그러나, 현재 이 사업모델은 면적 규모에 따라 "우리동네 살리기, 주거정비지원형, 일반근린형, 중심시가지형, 경제기반형" 등 다섯 가지로 나뉘어 추진되어 그 지역 본래의 특성을 반영하지 못하고 있다. 국내 도시재생 성공 키워드는 "주민 참여", "지역특화" "부처협업", "민관협력"이다. 성공 키워드에 따르면 지자체에서 정부에게 도시재생 사업을 제안할 때 지역주민, 민간기업의 도움과 함께 도시의 특성을 정확히 이해하고 도시의 특성에 어울리는 방향으로 사업을 추진하는 것이 가장 중요하다는 것을 알 수 있다. 또한 도시재생 사업 후 발생하는 부작용 중 하나인 젠트리피케이션 문제를 고려하면 그 지역 특성에 맞는 도시재생 유형을 선정하여 추진하는 것이 중요하다. 이에 본 연구는 '도시재생 뉴딜 사업' 방법론의 한계점을 보완하기 위해, 기존 서울시가 지역 특성에 기반하여 추진하고 있는 "2025 서울시 도시재생 전략계획"의 도시재생 유형을 참고하여 도시재생 사업지에 맞는 도시재생 유형을 추천하는 시스템을 머신러닝 알고리즘을 활용하여 제안하고자 한다. 서울시 도시재생 유형은 "저이용저개발, 쇠퇴낙후, 노후주거, 역사문화자원 특화" 네 가지로 분류된다 (Shon and Park, 2017). 지역 특성을 파악하기 위해 총 4가지 도시재생 유형에 대해 사업이 진행된 22개의 지역에 대한 뉴스 미디어 10만여건의 텍스트 데이터를 수집하였다. 수집된 텍스트를 이용하여 도시재생 유형에 따른 지역별 주요 키워드를 도출하고 토픽모델링을 수행하여 유형별 차이가 있는 지 탐색해 보았다. 다음 단계로 주어진 텍스트를 기반으로 도시재생 유형을 추천하는 추천시스템 구축을 위해 텍스트 데이터를 벡터로 변환하여 머신러닝 분류모델을 개발하였고, 이를 검증한 결과 97% 정확도를 보였다. 따라서 본 연구에서 제안하는 추천 시스템은 도시재생 사업을 진행하는 과정에서 신규 사업지의 지역 특성에 기반한 도시재생 유형을 추천할 수 있을 것으로 기대된다.

• 지능정보연구
• /
• 제18권2호
• /
• pp.143-156
• /
• 2012

누구나 뉴스와 주가 사이에는 밀접한 관계를 있을 것이라 생각한다. 그래서 뉴스를 통해 투자기회를 찾고, 투자이익을 얻을 수 있을 것으로 기대한다. 그렇지만 너무나 많은 뉴스들이 실시간으로 생성 전파되며, 정작 어떤 뉴스가 중요한지, 뉴스가 주가에 미치는 영향은 얼마나 되는지를 알아내기는 쉽지 않다. 본 연구는 이러한 뉴스들을 수집 분석하여 주가와 어떠한 관련이 있는지 분석하였다. 뉴스는 그 속성상 특정한 양식을 갖지 않는 비정형 텍스트로 구성되어있다. 이러한 뉴스 컨텐츠를 분석하기 위해 오피니언 마이닝이라는 빅데이터 감성분석 기법을 적용하였고, 이를 통해 주가지수의 등락을 예측하는 지능형 투자의사결정 모형을 제시하였다. 그리고, 모형의 유효성을 검증하기 위하여 마이닝 결과와 주가지수 등락 간의 관계를 통계 분석하였다. 그 결과 뉴스 컨텐츠의 감성분석 결과값과 주가지수 등락과는 유의한 관계를 가지고 있었으며, 좀 더 세부적으로는 주식시장 개장 전 뉴스들과 주가지수의 등락과의 관계 또한 통계적으로 유의하여, 뉴스의 감성분석 결과를 이용해 주가지수의 변동성 예측이 가능할 것으로 판단되었다. 이렇게 도출된 투자의사결정 모형은 여러 유형의 뉴스 중에서 시황 전망 해외 뉴스가 주가지수 변동을 가장 잘 예측하는 것으로 나타났고 로지스틱 회귀분석결과 분류정확도는 주가하락 시 70.0%, 주가상승 시 78.8%이며 전체평균은 74.6%로 나타났다.

• 지능정보연구
• /
• 제27권3호
• /
• pp.139-156
• /
• 2021

이미지 분류에서 딥러닝 모형을 사용하는 가장 큰 이유는 이미지의 전체적인 정보에서 각 지역 특징을 추출하여 서로의 관계를 고려할 수 있기 때문이다. 하지만 이미지의 지역 특징이 없는 감정 이미지 데이터는 CNN 모델이 적합하지 않을 수 있다. 이러한 감정 이미지 분류의 어려움을 해결하기 위하여 매년 많은 연구자들이 감정 이미지에 적합한 CNN기반 아키텍처를 제시하고 있다. 색깔과 사람 감정간의 관계에 대한 연구들도 수행되었으며, 색깔에 따라 다른 감정이 유도된다는 결과들이 도출되었다. 딥러닝을 활용한 연구에서도 색깔정보를 활용하여 이미지 감성분류에 적용하는 연구들이 있어왔으며, 이미지만을 가지고 분류 모형을 학습한 경우보다 이미지의 색깔 정보를 추가로 활용한 경우가 이미지 감성 분류 정확도를 더 높일 수 있었다. 본 연구는 사람이 이미지의 감정을 분류하는 기준 중 많은 부분을 차지하는 색감을 이용하여 이미지 감성 분류 정확도를 향상시키는 방안을 제안한다. 이미지의 RGB 값에 K 평균 군집화 방안을 적용하여 이미지를 대표하는 색을 추출하여, 각 감성 클래스 별 해당 색깔이 나올 확률을 가중치 식으로 변형 후 CNN 모델의 최종 Layer에 적용하는 이-단계 학습방안을 구현하였다. 이미지 데이터는 6가지 감정으로 분류되는 Emotion6와 8가지 감정으로 분류되는 Artphoto를 사용하였다. 학습에 사용한 CNN 모델은 Densenet169, Mnasnet, Resnet101, Resnet152, Vgg19를 사용하였으며, 성능 평가는 5겹 교차검증으로 CNN 모델에 이-단계 학습 방안을 적용하여 전후 성과를 비교하였다. CNN 아키텍처만을 활용한 경우보다 색 속성에서 추출한 정보를 함께 사용하였을 때 더 좋은 분류 정확도를 보였다.

• 지능정보연구
• /
• 제22권1호
• /
• pp.139-157
• /
• 2016

앙상블 분류기란 개별 분류기보다 더 좋은 성과를 내기 위해 다수의 분류기를 결합하는 것을 의미한다. 이와 같은 앙상블 분류기는 단일 분류기의 일반화 성능을 향상시키는데 매우 유용한 것으로 알려져 있다. 랜덤 서브스페이스 앙상블 기법은 각각의 기저 분류기들을 위해 원 입력 변수 집합으로부터 랜덤하게 입력 변수 집합을 선택하며 이를 통해 기저 분류기들을 다양화 시키는 기법이다. k-최근접 이웃(KNN: k nearest neighbor)을 기저 분류기로 하는 랜덤 서브스페이스 앙상블 모형의 성과는 단일 모형의 성과를 개선시키는 데 효과적인 것으로 알려져 있으며, 이와 같은 랜덤 서브스페이스 앙상블의 성과는 각 기저 분류기를 위해 랜덤하게 선택된 입력 변수 집합과 KNN의 파라미터 k의 값이 중요한 영향을 미친다. 하지만, 단일 모형을 위한 k의 최적 선택이나 단일 모형을 위한 입력 변수 집합의 최적 선택에 관한 연구는 있었지만 KNN을 기저 분류기로 하는 앙상블 모형에서 이들의 최적화와 관련된 연구는 없는 것이 현실이다. 이에 본 연구에서는 KNN을 기저 분류기로 하는 앙상블 모형의 성과 개선을 위해 각 기저 분류기들의 k 파라미터 값과 입력 변수 집합을 동시에 최적화하는 새로운 형태의 앙상블 모형을 제안하였다. 본 논문에서 제안한 방법은 앙상블을 구성하게 될 각각의 KNN 기저 분류기들에 대해 최적의 앙상블 성과가 나올 수 있도록 각각의 기저 분류기가 사용할 파라미터 k의 값과 입력 변수를 유전자 알고리즘을 이용해 탐색하였다. 제안한 모형의 검증을 위해 국내 기업의 부도 예측 관련 데이터를 가지고 다양한 실험을 하였으며, 실험 결과 제안한 모형이 기존의 앙상블 모형보다 기저 분류기의 다양화와 예측 성과 개선에 효과적임을 알 수 있었다.

• 시큐리티연구
• /
• 제33호
• /
• pp.103-135
• /
• 2012

본 연구는 국가중요시설 경비원의 직무여건 실태와 직무만족도의 관계를 알아보는데 목적이 있다. 국가중요시설 경비원들의 실상을 직접적으로 파악 분석하고자 통상적인 측정도구인 설문지를 활용하여 부산과 울산지역의 국가중요시설인 공항 및 항만지역과 일반사업장에 근무 중인 경비원을 대상으로 하였다. 시설주 및 경비업체 담당자에게 충분한 설문취지를 설명하고 문항을 사전 검토하였고 총400부를 배포하였으며 이중 논제의도와 부적합한 설문지를 제외한 331부(82.8%)를 분석에 활용하였다. 수집된 자료의 통계처리는 데이터코딩과 클리닝과정을 거쳐 SPSS version 15.0 통계패키지 프로그램을 활용하여 빈도분석, 신뢰도분석, t-test, 일원변량분석, 상관관계분석, 회귀분석을 실시하였다. 국가중요시설에 대한 경비원의 직무여건 실태와 직무만족도의 관계를 대인관계, 직무특성, 직무환경, 보수 요인으로 구분하고 일반적인 특성에 따른 직무만족도의 차이를 검증하였다. 이상의 연구방법을 통하여 얻은 결론을 보면 일반적인 경향은 저임금과 열악한 현장 환경은 지속되고 있었다. 일반적인 특성에서 남자가 여자보다 직무만족 수준이 높았고, 연령은 많고 학력은 낮을수록 높았으며, 경력과 소득이 많을수록, 시설보안요원보다 청원경찰이나 검색 및 안내요원이 높았고 입사 전 학생인 경우가 가장 낮게 회사원과 기타 직업군이 비교적 높은 직무만족도를 보였다. 상관관계 분석결과 직무만족이 높을수록 이직의사는 낮아지고 조직몰입도는 증가했다. 회귀분석결과 직무만족도가 이직의사와 조직몰입에 유의미한 영향을 미치는 것으로 나타났고, 직무특성과 직무환경 수준이 낮을수록 이직의사에 영향을 미쳤고, 직무특성에 대한 만족도와 대인관계, 보수, 직무환경 수준이 높을수록 조직몰입에 영향을 미쳤다. 금번의 연구결과를 종합하면 국가중요시설 경비인력 현장에서의 직무여건 개선노력, 청원경찰과 특수경비원간, 조직 내 상하 간의 대인관계 정립, 실질적인 보수 현실화를 포함한 정책적인 제도의 뒷받침이 절실하다.

• 한국방사선학회논문지
• /
• 제11권5호
• /
• pp.303-312
• /
• 2017

감마나이프 방사선수술(GKRS)의 핵심 목표는 병변에 처방 등선량 표면의 일치성을 최대화하고 병변 주변부 정상 조직의 방사선 효과를 최소화하는 것이다. 일치성 지표, 적용 범위, 선택성, 빔-온 시간, 기울기 지표(GI), 일치성/기울기 지표(CGI)와 같은 치료계획의 질과 관련된 다양한 종류의 지표들이 존재한다. 이 가운데 최상의 치료계획 평가 도구로서 우리는 일치성 지표, GI 및 CGI를 반드시 확인해야 한다. 특히 건강한 정상조직의 합병증과 관련된 GI 및 CGI는 일치성 지표보다 더욱더 중요하게 여겨진다. 그래서 저자는 치료계획 시스템 렉셀 감마플랜(LGP) 및 검증 방법 가변 타원체 모형화 기술(VEMT)을 사용하여 광범위하게 적용되고 있는 GI 뿐 만 아니고 CGI, 새로이 정의된 일치성/기울기 지표를 계산하고 통계적으로 분석하였다. 본 연구는 GKRS로 치료받은 두개 내 병변을 가진 10명의 환자를 대상으로 하였다. 저자는 단지네 인자들: 처방 등선량 체적, 최대 선량의 30% 이상 체적, 병변 체적, 처방 등선량 절반의 체적 만을 가지고 LGP와 VEMT를 이용해서 지표를 계산했다. 모든 데이터는 두 가지 다른 측정기법을 비교하는데 사용되는 통계적 방법인 Paired t-test로 분석되었다. 10명의 사례에서 LGP와 VEMT 사이에 GI의 통계적 유의성은 관찰되지 않았다. GI의 차이는 -0.14에서 0.01 사이의 범위였다. LGP와 VEMT의 두 가지 방법으로 계산된 새롭게 정의된 기울기 지표 또한 통계적으로 유의하지 않았다. 저자는 LGP와 VEMT 사이에 처방 등선량 체적에 대한 통계적 차이를 발견하지 못했다. 최상의 치료계획을 결정하기 위한 또 하나의 평가 지표인 CGI도 통계적으로 유의하지 않았고 CGI의 차이는 -4에서 3까지 이었다. 똑같이 GKRS에 적합하게 새로이 정의된 일치성/기울기 지표도 통계 분석을 통해서 치료계획 평가를 위한 훌륭한 측정 기준으로 여겨진다. 통계분석 결과 VEMT는 GKRS에서 최상의 치료계획을 평가하기 위해 GI, 새로운 기울기 지표, CGI 및 새로운 CGI를 고려했을 때 LGP와 우수한 일치를 보였다. 저자는 LGP 및 VEMT를 통해서 빠르고 쉬운 평가도구의 적용성으로 인하여 GI 뿐 만 아니라 CGI와 새로이 정의된 CGI가 널리 사용되기를 기대한다.

• 기업가정신과 벤처연구
• /
• 제19권2호
• /
• pp.53-68
• /
• 2016

기술 학습, 기업가정신, 혁신, 창의성에 대한 동기 및 관련 활동은 아시아 국가들의 경제 발전의 원동력이었다. 기술 발전의 초기에는 기술 학습과 기업가정신이 선진국들을 효과적으로 따라잡을 수 있는 방안으로 작용하였다. 왜냐하면 이를 통하여 기업들은 상대적으로 낮은 리스크를 가지고 기술과 지식을 빠르게 축적할 수 있었기 때문이다. 그러나 기술 발전의 후기에는 혁신과 창의성이 보다 중요하게 작용하였다. 본 연구의 목적은 1) 기술 학습 성과에 영향을 미치는 요소들 (학습 역량)과 2) 창의적인 조직 및 경제 환경 구축을 위한 혁신 역량 강화에 필요한 과제들을 규명하는 것이다. 본 연구의 핵심 내용은 탈추격 시대에서의 학습 역량과 연관되어 있다. 문헌 연구 및 한국의 경제발전 사례를 바탕으로 본 연구에서는 기술 학습에 영향을 미치는 다양한 요소들로 구성된 기술 학습 모형을 제시하였다. 이와 관련하여 세 가지 가설을 설정하였고, 한국의 공작기계 제조업체들로부터 데이터를 수집하였다. 또한 해당 업체들의 CEO들과 R&D 책임자들을 대상으로 구조화된 설문을 수행하였다. 이를 바탕으로 상관 분석과 ANOVA를 수행하여 가설을 검증하였다. 추가로 사례 분석과 정책 분석을 수행하여 혁신 활성인자와 방해인자들을 규명하였고, 이를 근거로 혁신 역량 강화를 위한 방안을 제시하였다. 실증 분석 결과를 기반으로 1) 기술 축적정도 2) 기술인력들의 잠재력 3) 확고한 기술적 노력 4) 학습에 대한 의지 5) 최고 경영층의 지원 6) 공식적인 기술 학습 시스템 7) 높은 학습 동기 8) 적절한 기술 선택 9) 명백한 목표 설정과 같은 기업의 학습 잠재력과 활동(학습 역량)을 규명하였다. 이와 같은 학습 역량은 경제 발전 초기 기업의 학습 성과를 결정하였다. 또한 기술발전 단계별로 기술학습을 위해 필요한 핵심 요소들이 상이하였다. 통계 및 정책 분석을 통하여 기술학습은 기술발전 과정의 본질적인 원칙으로 이해될 수 있음을 입증하였다. 선제적이고 창의적인 학습은 후기에, 대응적이고 모방적인 학습은 초기에 활성화 되었다. 추가로 본 연구에서는 탈추격 시대에서의 혁신역량 및 혁신활동 강화의 원동력 또는 촉진 요소를 탐색하였다. 예비 사례분석 결과는 1) CEO의 전략적 의지와 기업 문화 2) 리더십과 변화 주도 챔피언의 존재 3) 디자인 원칙과 방식 4) 에코시스템과 협력체계, 5) 지속적 R&D 투자가 혁신역량 및 혁신활동 강화의 촉진 요소로 작용함을 보여주었다.