경북 산업용 헴프 규제자유특구 사업이 시행된 지 어느덧 1여 년이 지났으며 현시점은 규제자유특구 이후의 국내 대마 산업을 위하여 생산이력관리 측면의 미흡한 점에 대한 보완 및 검토가 필요한 때이다. 본 연구에서는 경북 산업용 헴프 규제자유특구 사업 내 대마 이력관리의 현황과 특징을 알아보고 파일럿 인터뷰, 쉐도잉, 사용자 여정 지도 등의 서비스디자인 도구를 활용하여 현 이력관리에 대한 문제점을 도출하였다. 이어 선행국가인 미국 오리건주의 대마 생산체계 및 합법적인 대마 시장을 위해 권고하고 있는 대마이력추적시스템(CTS)의 사례를 비교·분석하였으며 방향성으로는 생육 특성에 맞는 생산 전주기 이력관리로 안전성 확보, 실시간 관리가 가능한 효율적인 기술 적용 고안, 규제자유특구 사업 내의 이력정보 공유를 제안하였다. 본 연구를 통해 현 대마 생산이력관리 시스템 개선 및 향후 국내 대마 산업화의 이력관리체계에 대한 올바른 정착에 도움이 될 것으로 기대한다.
감사품질의 제고를 위해 감사인과 경영자 간 의견불일치 발생에 대한 이해는 필수적이며, 본 연구는 회계적 관점이 아닌 기업의 경영전략 유형이 감사위험과 회계감사 지연에 미치는 영향에 대해 분석하고자 한다. 이를 위해 유가증권 및 코스닥 상장기업의 2018년부터 2020년까지의 표본 2,910 기업-연도 자료를 이용하여 실증분석하였다. 본 연구의 실증분석결과는 다음과 같다. 첫째, 방어형 기업에 비해 선도형 기업은 신제품, 연구개발비용, 무형자산 등에 대한 감사절차를 확대시킬 수 있고, 경영자와 감사인 간에 의견불일치로 인해 감사지연을 증가시키는 것으로 나타났다. 둘째, KOSPI 상장 기업에 비해 KOSDAQ 내 선도형 기업은 재무보고품질이 낮아 감사지연을 더욱 증가시키는 것으로 나타났다. 본 연구의 결과는 기업의 경영전략이 감사인과 회사 간의 의견불일치 가능성에 영향을 미치는지 분석하고, 주식시장 별로 감사시차에 차이가 있는지 검증하였다. 본 연구결과는 감사위험이 높은 선도형 기업에 대해 감사인의 강한 주의의무가 필요함을 보여주며, 아울러 선도형의 정의를 통해 선도형 기업에 대한 강화된 감사제도와 구체적인 가이드라인을 제시할 수 있다는 정책의 의의를 갖는다. 또한 향후 선도형 기업을 구성하는 비재무적 요소와 감사위험의 관계를 규명하는 후속 연구가 수행될 것을 기대한다.
본 연구는 어떠한 경제요인이 분산프리미엄의 동역학과 관련되어 있는지 확인하고, 분산 프리미엄의 예측력과 관계된 경제지표를 검증하였다. 국내외 선행연구 등에서 주가/경기를 예측하는 정보력을 보유한다고 알려진, 11개의 일반경기변수, 8개의 금리연관변수, 3개의 금융시장변수, 11개의 투자자 심리 및 활동변수를 이용하여 단변량/다변량 회귀분석을 통해 분산프리미엄과 유의한 관련을 가지는 변수를 추출하였다. 그 결과 분산프리미엄의 변동성을 설명하는 변수는 원달러환율, 외환보유액, 역사적/내재 변동성, 그리고 금리변수들로 한정되었으며, 이 변수들의 분산프리미엄에 대한 수정결정계수는 65% 이상으로 높은 설명력을 보여주었다. 다음으로 분산프리미엄에 유의한 설명력을 가진 변수들을 이용해 1~6개월의 미래 주식수익률 및 변동성 변화를 예측함으로써 어떠한 변수의 정보력이 분산 프리미엄의 예측력과 관련되어 있는지 검증하였다. 예측분석을 수행한 결과, 분산프리미엄의 동역학과 관련된 변수들 중, 원달러환율만이 수익률/변동성에 대한 공통적으로 유의한 예측력을 보유하고 있었다. 이러한 결과는 분산프리미엄이 글로벌 위험요인과 관련되어 있다는 선행연구의 결과와 일관되며(Londono, 2012; Bollerslev et al., 2014), 분산프리미엄의 예측력이 대외변수에 대한 경제의 민감도와 관련이 있다고 해석할 수 있다.
딥러닝(Deep learning) 기법은 패턴분석, 이미지분류 등 다양한 분야에서 높은 성과를 나타내고 있다. 특히, 주식시장 분석문제는 머신러닝 연구분야에서도 어려운 분야이므로 딥러닝이 많이 활용되는 영역이다. 본 연구에서는 패턴분석과 분류능력이 높은 딥러닝의 일종인 합성곱신경망(Convolutional Neural Network) 모델을 활용하여 주가방향 예측방법을 제안한다. 추가적으로 합성곱신경망 모델을 효율적으로 학습시키기 위한 속성선택(Feature Selection, FS)방법이 적용된다. 합성곱신경망 모델의 성과는 머신러닝 단일 분류기와 앙상블 분류기를 벤치마킹하여 객관적으로 검증된다. 본 연구에서 벤치마킹한 분류기는 로지스틱 회귀분석(Logistic Regression), 의사결정나무(Decision Tree), 인공신경망(Neural Network), 서포트 벡터머신(Support Vector Machine), 아다부스트(Adaboost), 배깅(Bagging), 랜덤포레스트(Random Forest)이다. 실증분석 결과, 속성선택을 적용한 합성곱신경망이 다른 벤치마킹 분류기보다 분류 성능이 상대적으로 높게 나타났다. 이러한 결과는 합성곱신경망 모델과 속성선택방법을 적용한 예측방법이 기업의 재무자료에 내포된 가치를 보다 정교하게 분석할 수 있는 가능성이 있음을 실증적으로 확인할 수 있었다.
선도환의 가격을 결정하는 접근방법에는 2차자산(derivative assets)이라는 선도계약의 기본특성에 기초한 재정거래(arbitrage)에 의한 방법이 가장 많이 이용되고 있다. 재정거래방식에는 선도환과 현물외환가격간의 상호관련성에 의하여 선도환가격을 이자율평가설(covered interest rate parity : CIRP), 즉 현물가격과 양국간의 이자율차이의 합으로 표시하고 있다. 특히 현물가격과 이자율은 모두 현재시점에서 의사결정자에게 알려져 있기때문에 선도환가격은 확실성하에서 결정되어 미래에 대한 예측이나 투자자의 위험회피도와는 관계없이 결정된다는 것이 특징이다. 이자율평가설에 관한 많은 실증연구는 거래 비용을 고려한 경우 현실적으로 적절하다고 보고 있다(Frenkel and Levich ; 1975, 1977). 다른 방법으로는 선도환의 미래예측기능에만 촛점을 맞추어 가격결정을 하는 투기, 예측접근방법(speculative efficiency approach : 이하에서는 SEA라 함)이 있다. 이 방법 중에서 가장 단순한 형태로 표시된 가설, 즉 '선도환가격은 미래기대현물가격과 같다'는 가설은 대부분의 실증분석에서 기각되고 있다. 이에 따라 SEA에서는 선도환가격이 미래에 대한 기대치뿐만 아니라 위험프리미엄까지 함께 포함하고 있다는 새로운 가설을 설정하고 이에 대한 실증분석을 진행한다. 이 가설은 이론적 모형에서 출발한 것이 아니기 때문에, 특히 기대치와 위험프레미엄 모두가 측정 불가능하다는 점으로 인하여 실증분석상 많은 어려움을 겪게 된다. 이러한 어려움을 피하기 위하여 많은 연구에서는 이자율평가설을 이용하여 선도환가격에 포함된 위험프레미엄에 대해 추론 내지 그 행태를 설명하려고 한다. 이자율평가설을 이용하여 분석모형을 설정하고 실증분석을 하는 것은 몇가지 근본적인 문제점을 내포하고 있다. 먼저, 앞서 지적한 바와 같이 이자율평가설을 가정한다는 것은 SEA에서 주된 관심이 되는 미래예측이나 위험프레미엄과는 관계없이 선도가격이 결정 된다는 것을 의미한다. 따라서 이자율평가설을 가정하여 설정된 분석모형은 선도환시장의 효율성이나 균형가격결정에 대한 시사점을 제공할 수 없다는 것을 의미한다. 즉, 가정한 시장효율성을 실증분석을 통하여 다시 검증하려는 것과 같다. 이러한 개념적 차원에서의 문제점 이외에도 실증분석에서의 추정상의 문제점 또한 존재한다. 대부분의 연구들이 현물자산의 균형가격결정모형에 이자율평가설을 추가로 결합하기 때문에 이러한 방법으로 설정한 분석모형은 그 기초가 되는 현물가격모형과는 달리 자의적 조작이 가능한 형태로 나타나며 이를 이용한 모수의 추정은 불필요한 편기(bias)를 가지게 된다. 본 연구에서는 이러한 실증분석상의 편기에 관한 문제점이 명확하고 구체적으로 나타나는 Mark(1985)의 실증연구를 재분석하고 실증자료를 통하여 위험회피도의 추정치에 편기가 발생하는 근본원인이 이자율평가설을 부적절하게 사용하는데 있다는 것을 확인 하고자 한다. 실증분석결과는 본문의 <표 1>에 제시되어 있으며 그 내용을 간략하게 요약하면 다음과 같다. (A) 실증분석모형 : 본 연구에서는 다기간 자산가격결정모형중에서 대표적인 Lucas (1978)모형을 직접 사용한다. $$1={\beta}\;E_t[\frac{U'(C_{t+1})\;P_t\;s_{t+1}}{U'(C_t)\;P_{t+1}\;s_t}]$$ (2) $U'(c_t)$와 $P_t$는 t시점에서의 소비에 대한 한계효용과 소비재의 가격을, $s_t$와 $f_t$는 외환의 현물과 선도가격을, $E_t$와 ${\beta}$는 조건부 기대치와 시간할인계수를 나타낸다. Mark는 위의 식 (2)를 이자율평가설과 결합한 다음의 모형 (4)를 사용한다. $$0=E_t[\frac{U'(C_{t+1})\;P_t\;(s_{t+1}-f_t)}{U'(C_t)\;P_{t+1}\;s_t}]$$ (4) (B) 실증분석의 결과 위험회피계수 ${\gamma}$의 추정치 : Mark의 경우에는 ${\gamma}$의 추정치의 값이 0에서 50.38까지 매우 큰 폭의 변화를 보이고 있다. 특히 비내구성제품의 소비량과 선도프레미엄을 사용한 경우 ${\gamma}$의 추정치의 값은 17.51로 비정상적으로 높게 나타난다. 반면에 본 연구에서는 추정치가 1.3으로 주식시장자료를 사용한 다른 연구결과와 비슷한 수준이다. ${\gamma}$추정치의 정확도 : Mark에서는 추정치의 표준오차가 최소 15.65에서 최대 42.43으로 매우 높은 반면 본 연구에서는 0.3에서 0.5수준으로 상대적으로 매우 정확한 추정 결과를 보여주고 있다. 모형의 정확도 : 모형 (4)에 대한 적합도 검증은 시용된 도구변수(instrumental variables)의 종류에 따라 크게 차이가 난다. 시차변수(lagged variables)를 사용하지 않고 현재소비와 선도프레미엄만을 사용할 경우 모형 (4)는 2.8% 또는 2.3% 유의수준에서 기각되는 반면 모형 (2)는 5% 유의수준에서 기각되지 않는다. 위와같은 실증분석의 결과는 앞서 논의한 바와 같이 이자율평가설을 사용하여 균형자산가격 결정모형을 변형시킴으로써 불필요한 편기를 발생시킨다는 것을 명확하게 보여주는 것이다.
최근 리츠 인가의 증가로 대두되는 사안은 경영활동에 드는 자금을 어떻게 조달하는지와 투자 자금을 효율성 있게 운용함으로써 기대 수익률과 경영 극대화를 목표 설정에 맞게 실현될 수 있는지 대한 문제로 귀결되는 듯하다. 이에 본 연구는 국내 리츠가 운용된 2002년부터 2015년(2007~2009년, 글로벌 금융위기 기간의 파급효과 기간은 제외하였음)까지 리츠의 사업현황, 투자, 재무 등 경영 전반에 관련 자료를 구축하여 투자 유형별 특성을 분석하고 리츠의 부채비율에 영향을 미치는 요인을 분석하였다. 분석결과 리츠의 최대주주 성향이 법인, 연기금, 공제회, 은행, 증권, 보험 등의 비중이 높게 나타나며 최근 최대주주와 주요주주의 비중이 상승하고 있다. 리츠 투자에서 기관투자자 역할이 증대되면서 기관투자자가 리츠성장을 견인한 것으로 보인다. 기관투자자에서 자주 목격되는 동시 투자자에게 다른 금융기관보다 더 높은 이자율을 지급된 것으로 분석되어, 리츠가 동시투자자에 대하여 유인과 보상을 병행한 것으로 판단된다. 부채비율과 관련 변수 간의 영향요인에 대하여 다중회귀분석을 수행한 결과 부채비율이 수익성과는 음(-)의 관계를 맺어 자본조달순위이론을 지지하며, 투자기회(성장성)는 음(-)의 관계, 자산 규모와는 양(+)의 관계를 맺어 상충이론을 따르는 것으로 분석되었다. 이와 같은 연구결과는 국내 리츠가 공모형 리츠보다는 사모형 리츠 위주로 운용되고 있어 타인자본 조달 시 주식시장의 자금조달보다는 유형자산(대부분 부동산)의 담보에 의한 차입으로 운영되고 있는 리츠시장을 반영한 것으로 보인다. 또한, 글로벌 금융위기 이후 타인자본을 리츠 사업에 적극적으로 활용하고 있으며, 최대주주의 비중과 성향, 투자상품에 따라 부채비율이 결정되고 있음을 보여준다.
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.
투자자들은 기업의 내재가치 분석, 기술적 보조지표 분석 등 복잡한 분석보다 차트(chart)에 나타난 그래프(graph)의 모양으로 매매 시점을 찾는 직관적인 방법을 더 선호하는 편이다. 하지만 패턴(pattern) 분석 기법은 IT 구현의 난이도 때문에 사용자들의 요구에 비해 전산화가 덜 된 분야로 여겨진다. 최근에는 인공지능(artificial intelligence, AI) 분야에서 신경망을 비롯한 다양한 기계학습(machine learning) 기법을 사용하여 주가의 패턴을 연구하는 사례가 많아졌다. 특히 IT 기술의 발전으로 방대한 차트 데이터를 분석하여 주가 예측력이 높은 패턴을 발굴하는 것이 예전보다 쉬워졌다. 지금까지의 성과로 볼 때 가격의 단기 예측력은 높아졌지만, 장기 예측력은 한계가 있어서 장기 투자보다 단타 매매에서 활용되는 수준이다. 이외에 과거 기술력으로 인식하지 못했던 패턴을 기계적으로 정확하게 찾아내는 데 초점을 맞춘 연구도 있지만 찾아진 패턴이 매매에 적합한지 아닌지는 별개의 문제이기 때문에 실용적인 부분에서 취약할 수 있다. 본 연구는 주가 예측력이 있는 패턴을 찾으려는 기존 연구 방법과 달리 패턴들을 먼저 정의해 놓고 확률기반으로 선택해서 매매하는 방법을 제안한다. 5개의 전환점으로 정의한 Merrill(1980)의 M&W 파동 패턴은 32가지의 패턴으로 시장 국면 대부분을 설명할 수 있다. 전환점만으로 패턴을 분류하기 때문에 패턴 인식의 정확도를 높이기 위해 드는 비용을 줄일 수 있다. 32개 패턴으로 만들 수 있는 조합의 수는 전수 테스트가 불가능한 수준이다. 그래서 최적화 문제와 관련한 연구들에서 가장 많이 사용되고 있는 인공지능 알고리즘(algorithm) 중 하나인 유전자 알고리즘(genetic algorithm, GA)을 이용하였다. 그리고 미래의 주가가 과거를 반영한다 해도 같게 움직이지 않기 때문에 전진 분석(walk-forward analysis, WFA)방법을 적용하여 과최적화(overfitting)의 실수를 줄이도록 하였다. 20종목씩 6개의 포트폴리오(portfolio)를 구성하여 테스트해 본 결과에 따르면 패턴 매매에서 가격 변동성이 어느 정도 수반되어야 하며 패턴이 진행 중일 때보다 패턴이 완성된 후에 진입, 청산하는 것이 효과적임을 확인하였다.
기업과 소비자간 전자 상거래 시장이 급속히 성장하고 있으나 많은 전문가들은 아직도 그 잠재력을 충분히 발휘하지 못하고 있다고 주장한다. 이에 대한 이유로 온라인 쇼핑환경이 지니는 인간적 사회적 요소의 부재를 들고 있다. 온라인 쇼핑은 전통적인 면대면 상거래에 비해 보다 비인적이며 익명성이 강해 인간적인 온정과 사회성이 부족하다. 본 연구에서는 전통적 상거래에 비해 온라인 쇼핑이 가지는 태생적 한계인 면대면 사회적 상호작용을 대신할 수 있는 개념으로 사회적 실재감을 도입하여 사회적 실재감의 선 후행변수간의 관계를 규명하고자 하였다. 이러한 연구 목적을 달성하기 위하여 본 연구주제와 관련 있는 마케팅, 심리학, 커뮤니케이션 연구분야의 연구결과들을 고찰하였으며, 이를 기반으로 하여 연구모형을 제시하였다. 제시된 연구모형을 검증하기 위하여 자기 보고식 설문지를 사용하여 자료를 수집하였다. 본 설문의 응답자들은 최소 5회 이상 인터넷 구매를 경험한 소비자들로 구성하였는데, 이는 사회적 실재감에 대한 지각은 인터넷 쇼핑몰과의 잦은 접촉이 있어야만 생길 수 있는 지각으로 판단하였기 때문이다. 실증분석 결과는 다음과 같다. 먼저 쇼핑몰의 맞춤화 노력은 지각된 사회적 실재감에 유의한 영향을 미치는 것으로 나타났다. 둘째, 쇼핑몰의 반응성 역시 지각된 사회적 실재감에 유의한 영향을 미치는 것으로 나타났다. 따라서 쇼핑몰은 고객의 요구에 다양한 방법으로 신속하고 성실하게 반응함으로써 사회적 실재감을 높일 수 있다. 셋째, 지각된 게시판 활동성은 사회적 실재감에 영향을 미치는 것으로 나타났다. 쇼핑몰 운영자는 자사 게시판을 적극적으로 활성화하여 소비자의 사회적 실재감을 높일 수 있을 것이다. 마지막으로 지각된 사회적 실재감은 쇼핑몰 신뢰와 즐거움에 영향을 미치고 쇼핑몰 신뢰와 즐거움은 쇼핑몰 충성도에 유의한 영향을 미치는 것으로 나타났다. 이러한 결과는 기존 온라인 쇼핑에 관한 연구의 중심이 되고 있는 쇼핑몰 충성도와 신뢰 형성에 사회적 실재감이 중요한 영향요인임을 의미하는 것으로 쇼핑몰 신뢰와 충성도를 위한 새로운 전략적 시사점을 제공하고 있다고 볼 수 있다.
비상장기업(非上場企業)이 최초로 주식시장(株式市場)에 발행하는 신주(新株)가 실제가치에 비해 낮은 가격(價格)에 상장(上場)되는 신주(新株)의 저평가현상(低評價現象)이 번번히 일어나고 있으나 아직 그 원인(原因)이 명확히 밝혀지고 있지 않다. 또한 신주발행(新株發行)을 통한 자본조달(資本調達)의 효율성(效率性)에 관한 기존(旣存)의 연구도 전무(前無)하다. 본고(本稿)에서는 기업(企業)의 수익성(收益性)에 관하여 기업주(企業主)의 우월(優越)한 정보(情報)를 가정한 신호경기적(信號競技的) 모델의 분석(分析)을 통하여 신주(新株)의 저가상장(低價上場) 원인(原因)을 밝혀내고 아울러 신주발행(新株發行)을 통한 자본조달(資本調達)의 효율성(效率性)을 검토해 보았다. 모델의 분리균형(分離均衡)의 분석(分析)을 통해 밝혀진 주요 결과는 다음과 같다. 고수익성(高收益性)프로젝트를 가진 기업주(企業主)는 프로젝트가 저수익성(低收益性)인 경우에는 선택할 유인(誘因)이 없는 발행조건 중 자신에게 가장 유리한 조건을 선택함으로써 투자자들에게 기업이 고수익성(高收益性)임을 입증(立證)하고자 하며 이 과정에서 선택된 고수익성기업(高收益性企業)의 발행조건의 성격은 다음과 같다. 첫째, 넓은 범위와 모수(母數)값에 대해 신주가격(新株價格)은 판매대금(販賣代金)이 기업(企業)에 유입(流入)된 이후 1주(株)에 해당하는 기업(企業)의 가치에 미달한다. 둘째, 기업(企業)에 유입(流入)되는 자본(資本)은 프로젝트로부터의 잠재적(潛在的) 이윤(利潤)을 극대화(極大化)하는 액수에 미달한다. 따라서 신주(新株)의 저가상장(低價上場)은 고수익성기업주(高收益性企業主)의 신호행위(信號行爲)의 결과이며 또한 신주(新株)의 저가상장(低價上場)은 저투자(低投資)를 의미한다.
본 웹사이트에 게시된 이메일 주소가 전자우편 수집 프로그램이나
그 밖의 기술적 장치를 이용하여 무단으로 수집되는 것을 거부하며,
이를 위반시 정보통신망법에 의해 형사 처벌됨을 유념하시기 바랍니다.
[게시일 2004년 10월 1일]
이용약관
제 1 장 총칙
제 1 조 (목적)
이 이용약관은 KoreaScience 홈페이지(이하 “당 사이트”)에서 제공하는 인터넷 서비스(이하 '서비스')의 가입조건 및 이용에 관한 제반 사항과 기타 필요한 사항을 구체적으로 규정함을 목적으로 합니다.
제 2 조 (용어의 정의)
① "이용자"라 함은 당 사이트에 접속하여 이 약관에 따라 당 사이트가 제공하는 서비스를 받는 회원 및 비회원을
말합니다.
② "회원"이라 함은 서비스를 이용하기 위하여 당 사이트에 개인정보를 제공하여 아이디(ID)와 비밀번호를 부여
받은 자를 말합니다.
③ "회원 아이디(ID)"라 함은 회원의 식별 및 서비스 이용을 위하여 자신이 선정한 문자 및 숫자의 조합을
말합니다.
④ "비밀번호(패스워드)"라 함은 회원이 자신의 비밀보호를 위하여 선정한 문자 및 숫자의 조합을 말합니다.
제 3 조 (이용약관의 효력 및 변경)
① 이 약관은 당 사이트에 게시하거나 기타의 방법으로 회원에게 공지함으로써 효력이 발생합니다.
② 당 사이트는 이 약관을 개정할 경우에 적용일자 및 개정사유를 명시하여 현행 약관과 함께 당 사이트의
초기화면에 그 적용일자 7일 이전부터 적용일자 전일까지 공지합니다. 다만, 회원에게 불리하게 약관내용을
변경하는 경우에는 최소한 30일 이상의 사전 유예기간을 두고 공지합니다. 이 경우 당 사이트는 개정 전
내용과 개정 후 내용을 명확하게 비교하여 이용자가 알기 쉽도록 표시합니다.
제 4 조(약관 외 준칙)
① 이 약관은 당 사이트가 제공하는 서비스에 관한 이용안내와 함께 적용됩니다.
② 이 약관에 명시되지 아니한 사항은 관계법령의 규정이 적용됩니다.
제 2 장 이용계약의 체결
제 5 조 (이용계약의 성립 등)
① 이용계약은 이용고객이 당 사이트가 정한 약관에 「동의합니다」를 선택하고, 당 사이트가 정한
온라인신청양식을 작성하여 서비스 이용을 신청한 후, 당 사이트가 이를 승낙함으로써 성립합니다.
② 제1항의 승낙은 당 사이트가 제공하는 과학기술정보검색, 맞춤정보, 서지정보 등 다른 서비스의 이용승낙을
포함합니다.
제 6 조 (회원가입)
서비스를 이용하고자 하는 고객은 당 사이트에서 정한 회원가입양식에 개인정보를 기재하여 가입을 하여야 합니다.
제 7 조 (개인정보의 보호 및 사용)
당 사이트는 관계법령이 정하는 바에 따라 회원 등록정보를 포함한 회원의 개인정보를 보호하기 위해 노력합니다. 회원 개인정보의 보호 및 사용에 대해서는 관련법령 및 당 사이트의 개인정보 보호정책이 적용됩니다.
제 8 조 (이용 신청의 승낙과 제한)
① 당 사이트는 제6조의 규정에 의한 이용신청고객에 대하여 서비스 이용을 승낙합니다.
② 당 사이트는 아래사항에 해당하는 경우에 대해서 승낙하지 아니 합니다.
- 이용계약 신청서의 내용을 허위로 기재한 경우
- 기타 규정한 제반사항을 위반하며 신청하는 경우
제 9 조 (회원 ID 부여 및 변경 등)
① 당 사이트는 이용고객에 대하여 약관에 정하는 바에 따라 자신이 선정한 회원 ID를 부여합니다.
② 회원 ID는 원칙적으로 변경이 불가하며 부득이한 사유로 인하여 변경 하고자 하는 경우에는 해당 ID를
해지하고 재가입해야 합니다.
③ 기타 회원 개인정보 관리 및 변경 등에 관한 사항은 서비스별 안내에 정하는 바에 의합니다.
제 3 장 계약 당사자의 의무
제 10 조 (KISTI의 의무)
① 당 사이트는 이용고객이 희망한 서비스 제공 개시일에 특별한 사정이 없는 한 서비스를 이용할 수 있도록
하여야 합니다.
② 당 사이트는 개인정보 보호를 위해 보안시스템을 구축하며 개인정보 보호정책을 공시하고 준수합니다.
③ 당 사이트는 회원으로부터 제기되는 의견이나 불만이 정당하다고 객관적으로 인정될 경우에는 적절한 절차를
거쳐 즉시 처리하여야 합니다. 다만, 즉시 처리가 곤란한 경우는 회원에게 그 사유와 처리일정을 통보하여야
합니다.
제 11 조 (회원의 의무)
① 이용자는 회원가입 신청 또는 회원정보 변경 시 실명으로 모든 사항을 사실에 근거하여 작성하여야 하며,
허위 또는 타인의 정보를 등록할 경우 일체의 권리를 주장할 수 없습니다.
② 당 사이트가 관계법령 및 개인정보 보호정책에 의거하여 그 책임을 지는 경우를 제외하고 회원에게 부여된
ID의 비밀번호 관리소홀, 부정사용에 의하여 발생하는 모든 결과에 대한 책임은 회원에게 있습니다.
③ 회원은 당 사이트 및 제 3자의 지적 재산권을 침해해서는 안 됩니다.
제 4 장 서비스의 이용
제 12 조 (서비스 이용 시간)
① 서비스 이용은 당 사이트의 업무상 또는 기술상 특별한 지장이 없는 한 연중무휴, 1일 24시간 운영을
원칙으로 합니다. 단, 당 사이트는 시스템 정기점검, 증설 및 교체를 위해 당 사이트가 정한 날이나 시간에
서비스를 일시 중단할 수 있으며, 예정되어 있는 작업으로 인한 서비스 일시중단은 당 사이트 홈페이지를
통해 사전에 공지합니다.
② 당 사이트는 서비스를 특정범위로 분할하여 각 범위별로 이용가능시간을 별도로 지정할 수 있습니다. 다만
이 경우 그 내용을 공지합니다.
제 13 조 (홈페이지 저작권)
① NDSL에서 제공하는 모든 저작물의 저작권은 원저작자에게 있으며, KISTI는 복제/배포/전송권을 확보하고
있습니다.
② NDSL에서 제공하는 콘텐츠를 상업적 및 기타 영리목적으로 복제/배포/전송할 경우 사전에 KISTI의 허락을
받아야 합니다.
③ NDSL에서 제공하는 콘텐츠를 보도, 비평, 교육, 연구 등을 위하여 정당한 범위 안에서 공정한 관행에
합치되게 인용할 수 있습니다.
④ NDSL에서 제공하는 콘텐츠를 무단 복제, 전송, 배포 기타 저작권법에 위반되는 방법으로 이용할 경우
저작권법 제136조에 따라 5년 이하의 징역 또는 5천만 원 이하의 벌금에 처해질 수 있습니다.
제 14 조 (유료서비스)
① 당 사이트 및 협력기관이 정한 유료서비스(원문복사 등)는 별도로 정해진 바에 따르며, 변경사항은 시행 전에
당 사이트 홈페이지를 통하여 회원에게 공지합니다.
② 유료서비스를 이용하려는 회원은 정해진 요금체계에 따라 요금을 납부해야 합니다.
제 5 장 계약 해지 및 이용 제한
제 15 조 (계약 해지)
회원이 이용계약을 해지하고자 하는 때에는 [가입해지] 메뉴를 이용해 직접 해지해야 합니다.
제 16 조 (서비스 이용제한)
① 당 사이트는 회원이 서비스 이용내용에 있어서 본 약관 제 11조 내용을 위반하거나, 다음 각 호에 해당하는
경우 서비스 이용을 제한할 수 있습니다.
- 2년 이상 서비스를 이용한 적이 없는 경우
- 기타 정상적인 서비스 운영에 방해가 될 경우
② 상기 이용제한 규정에 따라 서비스를 이용하는 회원에게 서비스 이용에 대하여 별도 공지 없이 서비스 이용의
일시정지, 이용계약 해지 할 수 있습니다.
제 17 조 (전자우편주소 수집 금지)
회원은 전자우편주소 추출기 등을 이용하여 전자우편주소를 수집 또는 제3자에게 제공할 수 없습니다.
제 6 장 손해배상 및 기타사항
제 18 조 (손해배상)
당 사이트는 무료로 제공되는 서비스와 관련하여 회원에게 어떠한 손해가 발생하더라도 당 사이트가 고의 또는 과실로 인한 손해발생을 제외하고는 이에 대하여 책임을 부담하지 아니합니다.
제 19 조 (관할 법원)
서비스 이용으로 발생한 분쟁에 대해 소송이 제기되는 경우 민사 소송법상의 관할 법원에 제기합니다.
[부 칙]
1. (시행일) 이 약관은 2016년 9월 5일부터 적용되며, 종전 약관은 본 약관으로 대체되며, 개정된 약관의 적용일 이전 가입자도 개정된 약관의 적용을 받습니다.