• 벤처창업연구
• /
• 제17권4호
• /
• pp.143-161
• /
• 2022

정부는 기업지원을 통하여 기업의 성장을 지원하며, 기업지원 사업의 컨트롤 타워로 중소벤처기업부를 설립하는 등 정책 효율성을 높이는 정책을 추진하고 있다. 그러나 정부의 기업지원 사업의 효율성에 대한 의견은 분분하며, 본 연구에서는 정부 기업 지원 사업이 기업성과에 어떤 영향을 미치는지와 내부적 요인인 흡수역량 및 만족도가 기업성장에 어떤 영향을 미치는지 확인하고자 한다. 정부의 기업지원 사업 수혜기업을 대상으로 설문을 통하여 연구를 진행하였으며, 선행연구들이 정부의 기업지원사업 중 재무적 지원을 중심으로 연구했던 것에 반해 정부 지원 사업을 재무적 지원과 비재무적 지원으로 구분하여 정부 기업지원의 효과를 분석하였으며, 흡수역량 및 기업지원 만족도를 구분하여 분석하였다. 이를 통해 정부의 기업지원 사업에 흡수역량 및 기업지원 만족도의 매개효과에 따라 기업의 재무적 성과 및 비재무적 성과에 미치는 효과를 실증분석하였다. 그 결과 정부의 재무적 지원과 비재무적 지원 모두 재무적 성과와 비재무적 성과에 긍정적 영향을 미쳤으며, 흡수역량 및 기업지원 만족도 모두 재무적 성과 및 비재무적 성과 모두를 매개하는 것으로 확인하였으며, 정(+)의 영향을 미치는 것으로 분석되었다. 이와 같은 연구 결과를 바탕으로 기업의 흡수역량을 향상하기 위해서는 조직문화 및 장기적 시점에서 조직 구성원들이 지식을 공유하고 발전할 수 있도록 사업을 구성을 구성하고 운영하고, 기업지원 만족도의 경우 공급자와 수요자 네트워크 구축을 통하여 기업이 직면한 문제를 정의하고 해결방안을 제안하거나 추가적 지원을 통하여 기업의 성장을 지원하는 시스템을 만들고 운영하며 공급자와 수요자 피드백을 통한 운영효율 개선 및 효율성 극대화 전략을 추진하여 기업지원 사업의 효율성을 개선하는 데 의미가 있을 것으로 기대된다.

• 벤처창업연구
• /
• 제19권2호
• /
• pp.215-235
• /
• 2024

인공지능(AI) 기술이 미래 국가 경쟁력을 좌우할 핵심 기술로 인식되면서 주요국의 AI 기술 및 산업 육성 정책 경쟁이 치열해지고 있다. 본 연구는 AI 산업 생태계의 근간인 AI 기업 창업에 대한 주요국의 정책을 분석하여 국내 정책 입안에 시사점을 제시하고자 한다. 조사 분석 대상국은 미국 스탠퍼드대학 HAI연구소에서 발표한 『2023 AI Index』의 신규 투자유치 기업 수 최상위 4개 국가와 EU로 선정하였고, 이들 국가와 국내 정책과 비교하여 전략적 함의를 제시하고자 한다. 미국은 2021년 '국가 AI 이니셔티브법(NAIIA)'을 제정했다. 동 법을 통해 AI 연구개발 분야에서 미국의 지속적인 리더십 보장, 공공 및 민간부문에서 신뢰할 수 있는 AI 시스템 개발, 사회 전반에 걸친 AI 시스템 생태계 구축 및 모든 연방기관에서 진행하는 AI 정책에 대한 DB 관리 및 접근성 강화를 추진하고 있다. 중국은 2021년 개최된 제14차 5개년(2021~2025년) 규획 및 2035년 장기 목표에서 7대 전략적 첨단기술 중 첫 번째로 AI를 명시하고 있으며, 2030년까지 글로벌 AI 1위 강국 도약을 목표로 다양한 정책을 전개하고 있다. 영국은 2021년 자금 지원 프로그램'Future Fund Breakthrough'을 통해 획기적인 연구개발 기업에 투자하고 있으며, 2022년 국가 AI 전략의 실행계획 등 AI 선도국 도약을 위한 국가 전략 마련으로 관련 투자를 확대하고 있다. 이스라엘은 혁신청을 중심으로 스타트업 기업에 대한 기술 투자를 지원하고 있는데, 혁신청은 향후 2년~15년 내 성과를 낼 투자와 신기술에 대한 규제 개혁을 주도하고 있다. EU는 중소기업의 AI 활용 지원을 위해 디지털 혁신 허브 네트워크를 강화하고 InvestEU(유럽전략투자기금)와 AI 투자기금을 조성하고 있다. 국내 도입을 검토할 주요국 정책은 국내 ICT 창업기업들로부터 정책 지원 수요가 높은 것으로 나타난 R&D 지원, 사업화 및 판로·마케팅·해외진출 지원 정책자금 지원 측면을 중심으로 도출하였다. 먼저 R&D 지원과 관련하여 미국의 '국가 AI R&D 전략 계획 2023'과 EU의 'AI 혁신 패키지' 검토를 제안한다. 특히 이들 정책은 국가가 관리하는 고성능슈퍼컴퓨터를 R&D에 활용할 수 있도록 하고 있어 AI 창업기업들이 R&D에 들이는 시간과 비용을 절감하는데 크게 도움을 준다. 다음으로 사업화 및 판로·마케팅·해외진출 지원에서는 미국 중소기업청(SBA)의 'SBIR과 STTR 지침' 중 '연방 및 주 기술(Federal And State Technology, FAST) 파트너십 프로그램'과 국방부와 공조하는 '상용화 준비(Commercialization Readiness Pilot. CRP) 프로그램'에 대한 벤치마킹을 제안한다. 이들 프로그램은 정부가 창업기업의 제품과 서비스 상용화를 지원하고 시장 출시 초기에 공공 부문이 적극적으로 구매하는 것을 골자로 한다. 이는 AI 창업기업의 혁신 제품과 서비스가 초기 시장에 안착하는 것은 물론 국내외 시장으로 진출하는 데 중요한 레퍼런스를 제공한다. 세 번째로 정책자금 지원에서는 영국기업은행(BBB)의 공동 투자 프로그램을 제안한다. 영국기업은행은 고성장 혁신기업 투자에 있어 외국계 국부 펀드의 참여도 적극적으로 유도하고 있고, 혁신 창업기업의 자금 조달 라운드에 개인들도 참여할 수 있는 Future Fund: Breakthrough 프로그램을 운영함으로써 AI 창업기업의 자금 마련을 지원하고 있다. 본 연구의 한계로는 제한된 수의 국가 분석, 비교 대상 국가들의 정책환경을 동일 조건 하에서 분석하지 못한 점 등을 들 수 있다.

• 지능정보연구
• /
• 제23권1호
• /
• pp.1-22
• /
• 2017

사업타당성 분석이나 기업 기술가치평가 등 미래의 사업에 대한 진입이나 투자 타당성을 분석하기 위해서는 새로운 사업과 관련한 시장을 추정하고 그 안에서 확보 가능한 매출을 객관적으로 추정하는 과정이 필수 불가결하다. 이런 신규 매출이나 시장규모의 추정 방법은 다양한 방법으로 구분이 가능한데 크게 정량적인 방법과 정성적인 방법으로 구분할 수 있다. 그러나 두 가지 방법 모두 많은 자원과 시간을 필요로 한다. 그래서 우리는 신규 사업의 평가지원을 위한 데이터 기반의 지능형 매출 예측 시스템을 제안하고자 한다. 본 연구는 사업타당성 분석이나 기술가치평가를 위한 신규 사업의 매출 추정 시스템을 개발하는데, 알고리즘 기반으로 전통적인 정량 예측방법 중 하나인 유추방법에 주목했다. 동일한 국내 산업에서 최근 창업한 기업의 매출 실적을 국내 신규 사업의 매출액을 추정하는 유추 대상 변수로 활용할 수 있는지 검토한다. 여기서 유추예측 대상은 최초 매출액과 초기 성장률이며, 주요 비교 차원은 산업분류, 창업시기 등이 고려된다. 특히 본 연구는 우리나라 창업 기업이 가지는 매출 성장률의 평균회귀 현상을 활용하는 지능형 정보 지원 시스템을 제안하다. 본 연구에서는 신규 매출 추정을 위해서 역사적 자료인 창업 매출 실적을 활용하는 방법이 적절한지 판단하기 위해서 잠재성장모형 등을 활용해 산업분류에 따른 신규 사업의 초기 매출액과 연도별 성장률이 산업분류별로 차이가 있는지 분석한다. 기존 기업의 창업 후 4년간 매출 성과의 종단자료를 잠재성장모형으로 분석하는데, 특정 산업분류에서 차이를 보여주는지 분석해 산업분류가 유추 예측에서 고려해야할 유의미한 변수인지 분석하는 것이다. 본 연구의 결과는 신속하고 객관적인 신규 사업 매출 추정을 가능하게 하는 지능형 정보시스템을 개발하게 해서 사업성타당성 분석이나 기술가치평가 과정의 효율성을 개선시켜 줄 것으로 기대된다.

• 지능정보연구
• /
• 제24권4호
• /
• pp.1-32
• /
• 2018

본 연구는 경제적으로 국내에 큰 영향을 주었던 글로벌 금융위기를 기반으로 총 10년의 연간 기업데이터를 이용한다. 먼저 시대 변화 흐름에 일관성있는 부도 모형을 구축하는 것을 목표로 금융위기 이전(2000~2006년)의 데이터를 학습한다. 이후 매개 변수 튜닝을 통해 금융위기 기간이 포함(2007~2008년)된 유효성 검증 데이터가 학습데이터의 결과와 비슷한 양상을 보이고, 우수한 예측력을 가지도록 조정한다. 이후 학습 및 유효성 검증 데이터를 통합(2000~2008년)하여 유효성 검증 때와 같은 매개변수를 적용하여 모형을 재구축하고, 결과적으로 최종 학습된 모형을 기반으로 시험 데이터(2009년) 결과를 바탕으로 딥러닝 시계열 알고리즘 기반의 기업부도예측 모형이 유용함을 검증한다. 부도에 대한 정의는 Lee(2015) 연구와 동일하게 기업의 상장폐지 사유들 중 실적이 부진했던 경우를 부도로 선정한다. 독립변수의 경우, 기존 선행연구에서 이용되었던 재무비율 변수를 비롯한 기타 재무정보를 포함한다. 이후 최적의 변수군을 선별하는 방식으로 다변량 판별분석, 로짓 모형, 그리고 Lasso 회귀분석 모형을 이용한다. 기업부도예측 모형 방법론으로는 Altman(1968)이 제시했던 다중판별분석 모형, Ohlson(1980)이 제시한 로짓모형, 그리고 비시계열 기계학습 기반 부도예측모형과 딥러닝 시계열 알고리즘을 이용한다. 기업 데이터의 경우, '비선형적인 변수들', 변수들의 '다중 공선성 문제', 그리고 '데이터 수 부족'이란 한계점이 존재한다. 이에 로짓 모형은 '비선형성'을, Lasso 회귀분석 모형은 '다중 공선성 문제'를 해결하고, 가변적인 데이터 생성 방식을 이용하는 딥러닝 시계열 알고리즘을 접목함으로서 데이터 수가 부족한 점을 보완하여 연구를 진행한다. 현 정부를 비롯한 해외 정부에서는 4차 산업혁명을 통해 국가 및 사회의 시스템, 일상생활 전반을 아우르기 위해 힘쓰고 있다. 즉, 현재는 다양한 산업에 이르러 빅데이터를 이용한 딥러닝 연구가 활발히 진행되고 있지만, 금융 산업을 위한 연구분야는 아직도 미비하다. 따라서 이 연구는 기업 부도에 관하여 딥러닝 시계열 알고리즘 분석을 진행한 초기 논문으로서, 금융 데이터와 딥러닝 시계열 알고리즘을 접목한 연구를 시작하는 비 전공자에게 비교분석 자료로 쓰이기를 바란다.