1. 서 론

대한민국 정부가 지역 불균형을 해소하고 지방자치 활성화를 위해서 시행한 국가균형발전특별법의 하나로 균형 발전특별회계(이하 균특회계)가 편성되었으며 이를 통해 각 지자체는 지역특화산업을 지원․육성하고 있다. 스타 기업 육성사업은 이러한 지역특화산업 육성사업의 일환으로 시행되었다.

이러한 지역특화산업 육성사업의 성과평가와 관련하여 많은 연구가 수행되었지만 대부분의 연구에서는 예산의 투입 대비 산출 분석과 지역별 비교 분석을 주로 보여줬고, 한 사업의 전 주기적인 효율성 분석에 대한 연구는 드물게 이루어졌다. 또한 R&D와 비R&D(Non-R&D) 분야의 복합적인 지원에 대한 고려가 이루어지지 않아 지원사업 투입과 성과 간의 단편적인 관계만을 보여주고 있다, 때문에 R&D와 비R&D에 대한 투입을 복합적으로 고려한 연구는 찾아보기 어렵다.

이에 본 연구는, 스타기업 육성 사업은 지정 기업군에 대한 지정기간(5년)동안 R&D와 비R&D지원을 함께 진행하며 분기별 현황조사가 이뤄지고 있는 점을 중시해, 투입 측면을 R&D와 비R&D측면을 동시에 고려해 복합적인 부 분에서 효율성을 분석했다.

본 연구는 아래와 같이 구성된다. 제2장에서 연구의 이론적 배경이 되는 효율성과 DEA(Data Envelopment Analysis)의 개념 그리고 DEA를 도구로 한 선행연구들을 살펴보았다. 제3장에서는 본 연구에 대한 순서도와 연구 모형과 같은 연구방법론을 다뤘다. 제4장은 데이터의 출처와 연구 방법론에 따른 기초분석 및 군집분석과 DEA의 과정과 내용을 설명했다. 제5장에서는 도출된 최적 효율 모델과 저효율모델의 특성에 대한 비교 분석을 수행하였으며 마지막으로 제6장 결론에서는 정책적 제언과 연구의 한계를 다뤘다.

2. 이론적 배경

2.1 효율성과 DEA

일반적으로 효율성(efficiency)은 자원(투입)을 활용한 결과물(산출)의 비율로 측정한다. 그러나 대부분의 조직은 여러 개의 자원을 활용하여 여러 개의 결과물을 생산하기 때문에 효율성을 계산하려면 여러 투입과 산출 요소에 가중치를 적용하여 총 투입과 산출을 계산하는 과정이 필요하다.

DEA란 다수의 투입․산출변수를 고려하여 의사결정유닛(Decision Making Units, 이하 DMU)을 상대적으로 비교하여 얼마나 적은 투입으로 더 많은 산출을 내는지에 따라서 그 효율성을 평가하는 비모수적 기법이다[5, 6, 7]. 이 때, 가장 효율적인 DMU의 효율성을 100%로 설정하여 이 모델과 비교한 다른 DMU의 효율성을 평가한다. 이에 따라 투입되는 모든 DMU의 효율성은 0과 100% 사이에 위치한다[9].

대표적인 DEA의 기법으로는 CCR모델과 BCC모델이 존재한다. 아래의 <Figure 1>은 두 모델을 비교한 그래프이다.

CCR 모델의 경우, 기술 효율성을 측정하여 투입의 비율과 산출의 비율이 고정되어있는 모델이다[2].

이때, y_rj는 j번째 DMU의 r번째 산출물이며, x_ij는 j번 째 DMU의 i번째 투입물, u_r, υ_i는 산출과 투입의 가중치, s는 산출의 수, m은 투입의 수가 된다. 이때 제약조건은 아래와 같다.

BCC 모델의 경우, 투입과 산출의 비율이 고정되어 있지 않고, 규모에 따라서 증가, 혹은 감소할 수 있는 모델이다[1, 13].

BCC모델의 수식 또한, CCR 모델과 동일한데, 추가된 제약조건을 통해서 규모의 영향을 제거한 순수 기술 효율성 측정을 할 수 있게 한다.

2.2 선행연구 검토

아래의 <Table 1>의 요약된 선행연구의 분석 결과는 다음과 같다.

Kang et al.[8]은 2013년도 제주도내의 47개 기업을 대상으로 CCR분석과 BCC분석 모델을 사용하여 연구했다. 투입변수로는 마케팅지원금, 기술지원금, 교육시간, 산출변수로는 매출액, 수출액, 종업원 수, 특허실적을 사용했다. 이때, BCC모델에서 평균과 표준편차의 값이 크게 나타나고, 시차효과가 발생했다.

Lee and Kim[11]은 2014년 하반기에서 2015년 상반기까지 전남 지역특화산업군의 57개 기업을 DMU로 하여 BCC모델과 CCR 모델을 이용하여 연구했다. 이때, 지원금액, 지원건수를 투입변수, 신규고용, 연평균 매출증가율을 산출변수로 지정하여 분석을 수행했다. 이때, CCR 모델에서는 4개사가, BCC 모델에선, 6개사가 효율적으로 도출되어 전체 6~10%가량의 기업지원모델만이 최적 효율모델로 나타났다.

Park and Moon[12]은 비수도권 13개 지자체의 지역산업기술개발사업 성공판정 기업(2003~2007까지) 342개사를 대상으로 연구를 진행했다. 투입변수로는 연구비, 지식 재산권 보유수, 연구기간을, 산출변수로는 특허, 논문, 매출액증가, 신규고용을 들어 지역별, 산업군 별로 CCR 분 석을 진행했다. 이때, 광산업분야에서는 과다투입이, 농생명분야에서는 과소산출이 나와 해당 모델의 효율성 개선이 필요했다.

Cho[4]는 2023년 경상국립대 창업지원사업 수혜기업 83개사를 대상으로 연구했다. 지원금과 현물대응자금, 현 금대응자금을 투입변수로, 매출증가와 신규고용, R&D사 업수주액과 지식재산권 출원수를 산출변수로 하여 BCC 모델을 사용한 분석을 진행했다. 이때 매출․고용 등 경제성과 효율성 측면에서는 9개의 최적 모델이, 연구성과 효율성에서는 4개의 최적 효율모델이 도출되었다.

Lee and Kim[10]은 강원도내 특화산업군 40개 기업을 대상으로 연구했다. 업력, 연구개발인력, 종업원수, 해외박람회 참가건수를 투입변수로 하고, 매출액, 고용, 특허출원, 시제품 생산 건수, 수출계약액을 산출변수로 하는 BCC 모델을 활용한 DEA 분석을 진행했다. 이때, 31개 기업의 효율성이 1로 도출되었고, 9개만이 0.5 ~ 0.95수준의 효율성을 기록하여, 평균 효율성은 94.4%에 육박하는 것으로 나타났다.

3. 연구 방법론

3.1 연구모형

본 연구는 2018년도부터 2023년까지 진행된 지역특화 산업 육성사업 중 스타기업 육성사업에 대한 효율성 분석이다. 세부 연구대상은 전북지역 스타기업 76개사이다. 연구의 주요 목표는 DEA을 통한 스타기업 중 최적 효율모 델을 도출하여 우수 기업군과 저효율 기업군의 특징과 차별성에 대한 파악이다. <Figure 2>는 이를 위해 수행한 본 연구의 전체적인 방법론을 나타낸다.

분석에 들어가기에 앞서 기업지원사업에서의 성과분석과 효율성 분석, 그리고 주요 분석 도구인 DEA에 대한 선행연구에 대해서 소개하고 주요 변수 및 연구 결과에 대해서 간략하게 비교했다, 3장에서는 연구에 대한 방법론과 순서에 대해서 세부적으로 다뤘다. 4장은 데이터 수집부터 전처리, 기초 분석 및 군집분석 등 분석 전반에 관련된 내용에 대해서 다뤘다. 자료 분석의 첫 단계에서는 중소기업기술정보진흥원의 분기별 스타기업 현황조사 데이터를 기반으로 한 매출액, 영업이익, 총 자산 등 재무지표와 4대 보험 사업장 가입자명부를 바탕으로 한 고용데이터, 전북 R&D 종합정보시스템을 바탕으로 한 기업지원데이터를 수집했다. 그후 수집된 데이터의 결측치 제거와 이상치의 처리, Min-Max 기법을 이용한 데이터 정규화(Normalization)와 같은 전처리(Data Preprocessing)를 수행했다. 전처리 이후에는 SPSS 25.0 통계 패키지를 이용한 상관분석과 전진-회귀분석(Forward Stepwise Regression) 을 이용해 DEA에 사용 할 변수를 도출했다. 이후 K-평균 클러스터(k-means Clustering) 분석 및 엘보우(Elbow) 기법을 이용해서 적정 DMU의 개수를 정하고 유사한 투입변 수를 가진 기업들을 군집화했다. 그 후 도출된 투입(R&D 지원금액, 비R&D 지원금액), 산출변수(매출액증감, 매출액변화율, 영업이익증감, 종업원증감, 총자산증감)를 이용한, 군집 DEA 분석을 통한 기업 성과의 효율성 분석을 진행했다. 이러한 분석 결과를 바탕으로 5장에서는 도출된 최적 효율모델과 저효율모델의 군집별 특성과 효율성의 개선 가능성에 대해서 다뤘고, 마지막으로 6장 결론에서는 스타기업 육성사업의 뒤를 이을 신규사업에 대한 정책적 제언과 연구의 한계를 다뤘다.

4. 자료분석

4.1 데이터 설명

<Table 2>와 같이 원본 데이터의 명목변수의 경우 설립 일자, 산업분류코드, 상장여부 등 10개의 변수로 구성되어 있으며, 비율변수의 경우 연도별 매출액 및 변화량, 고용 및 변화량, 영업이익 및 변화량 등 총 127개의 변수로 구성되어있다.

이 연구에서 다루는 재무, 고용데이터의 출처는 현재, 스타기업 육성사업을 포함하는 지역기업 성장사다리 지원 사업의 전담기관인 중소기업기술정보진흥원의 지역별 정기 스타기업 현황 조사 데이터(2018~2024)이다. 데이터 결측값의 경우 한국기업데이터 및 기업개별 재무제표를 참조했다. 기업지원데이터는 전북 테크노파크에서 관리하는 R&D 종합정보시스템의 5년간 스타기업에 대한 R&D와 비R&D 기업지원 투입 현황 데이터이다. <Table 3>은 상기 데이터의 연간 기본 현황을 나타낸다.

4.2 데이터 전처리

해당 데이터의 결측값은 데이터 추가 수집을 통해 존재하지 않아 별도의 결측값 처리는 진행하지 않았다.

데이터 이상치 탐지 및 처리 과정에서는 산점도를 이용했다. 그 결과 <Figure 3>과 같이 2018년도 데이터와 2021년도의 재무데이터 중 단위가 통일되지 않는 값이 일부 존재했다. 해당 데이터의 경우, 별도로 수집된 기업의 재무제표를 기반으로 이상치를 제거했다.

데이터 정규화의 경우, 고용과 매출 등 단위의 차이로 인하여 발생할 수 있는 효율성 분석 결과의 왜곡을 막기 위해서 Min-Max Scaling 기법을 적용했다.

이때, X는 원래 데이터 값, X_max는 데이터 집합 내의 최대값, X_min은 데이터 집합 내의 최소값을 말한다. 위 공식에 따라서 데이터 집단 내 모든 변수를 0과 1사이의 값으로 변환시켰다. 이를 통해 모든 변수의 가중치를 동일하게 두어, 효율성 분석의 공정성을 확보했다.

4.3 기초분석

이후 변수선정을 위해서 상관분석과 회귀분석을 수행 했다. 우선, 기업의 지정 연도별로 지원사업이 진행된 기간이 다르기 때문에 지정 연도별 상관분석을 진행했다.

<Table 4>에서 보여주듯 2018년도 지정기업은 2020년 비R&D지원과 2022년 비R&D 지원이 2022년 영업이익의 증가에 유의미한 상관관계를 가지고 있는 것으로 나타났고, 2021년 R&D 지원의 경우, 2022년 기업의 총 자산 증가에 대해서 높은 상관관계를 가지고 있는 것으로 나타났다.

2019년도 스타기업 지정기업의 경우, 유의미한 변수가 도출되지 않았다.

2020년도 지정기업의 경우도, 비R&D 지원에서는 유의미한 상관관계가 나타나지 않았으나, <Table 5>와 같이 2021년 R&D 지원사업의 수혜기업의 경우, 2023년도에 유의미한 정도의 영업이익 증감에 대한 상관관계가 나타났다.

2021년도 지정기업의 경우에는 처음으로 고용 측면에서 양의 상관관계를 갖는 변수가 나타났다. <Table 6>의 2022년 R&D 지원사업의 수혜기업의 경우, 당해연도에 유의미한 정도의 상시 종업원수 증감 대한 상관관계가 나타났다.

마지막으로, 2022년 지정기업의 경우 <Table 7>과 같이 당해연도 비R&D 지원이 2022년 매출성장액과, 2022년 상시 종업원수 증감에 대해서 유의미한 상관관계를 가지고 있는 것으로 나타났다.

위 상관분석 결과로, 모든 지원내역이 모든 기업의 재무와 고용 성과에 영향을 미치지는 않지만, 통계적으로 유의미한 상관관계도 존재한다는 것이 확인되었다.

이에 더해, 상기 상관관계 분석을 통해 도출된 주요변수에 대한 선형회귀분석을 진행했다. 분석기법은 전진선택법(Forward Selection)을 선택했다. 전진선택법은 회귀분석의 변수 선택 기법 중 하나로, 단계적으로 변수를 추가하며 최적의 회귀모델을 찾아가는 방식이다. 본 연구에서는 유의미한 변수를 회귀 모델에 포함시키기 위해 통상적으로 사용되는 기준(입력기준 유의확률 0.05, 제거기준 유의 확률 0.1)보다 더 큰 입력과 제거기준을 적용(입력기준 유의확률 0.1, 제거기준 유의확률 0.2)하여 분석을 수행했다.

<Table 8>의 2018년도 선정기업의 실적의 경우, 2018년도의 기업지원현황이 2019년과, 2021년의 매출액 성장액에 주요 지표가 되며, 2020년의 기업지원 현황은 2022년의 기업 영업이익 증감에, 2021년도의 R&D 지원 현황은 2022년도의 총 자산 증감에 대해서 유의미한 변수가 되었다.

<Table 9>의 2019년도 선정 기업의 경우 2019년도의 기업지원 현황이, 2023년의 매출액 성장률에, 2021년의 R&D 지원이 2022년의 총자산 증감에 대한 유의확률 90% 수준에서 유의미한 것으로 나타났다.

<Table 10>의 2020년도 기업의 2021년 영업이익 증감의 경우, 90% 확률의 유의수준에서 24.5%의 설명력을 가지고 있다. 2020년도 기업의 2023년 영업이익 증감에 대해서는 2021년도 R&D 지원실적이 0.035(95% 수준)에서 유의미한 변수 관계를 보였다.

<Table 11>의 2021년도 지정기업의 2022년도 영업이익 증감의 경우, 2022년 R&D 지원 실적과 95%수준에서 유의 관계를 가지며, 37%의 설명력을 지닌다. 2022년도 상시 종업원 수 증감의 경우, 2022년 R&D 지원 실적과 95%수준에서 유의 관계를 가지며, 32%의 설명력을 지닌다. 2022년 R&D 지원 현황과 95%수준의 유의확률에서 설명될 수 있는 종속변수는 2022년 당해연도의 영업이익과 상시 종업원수가 된다.

<Table 12>의 2022년도 비R&D 지원 실적의 경우, 2022년도 지정기업의 매출액 증가율과 고용 증가, 기업 총자산 증가, 2023년도의 매출액 성장률에 유의미한 설명력을 주고 있는 변수로 보여진다.

상기 기초분석을 통해 <Table 13>과 같이 전체 변수 중 투입변수가 설명력을 가지는 매출액증감, 매출증감율, 영업이익증감, 고용증감, 기업총자산증감의 5가지 변수를 종속변수로 설정하고 분석을 수행했다.

4.4 군집분석

데이터 전처리 및 기초 분석 이후 DEA를 수행하기 위한 의사결정단위(DMU)를 확정짓기 위한 클러스터링을 진행했다. DEA는 DMU간의 효율성을 평가하는 기법이 기 때문에, 데이터의 이질성이 커질수록 모델의 복잡성이 커지고 결과 해석에 대한 어려움이 발생할 수 있다. 본 연구에서는 그룹화를 통하여, 이질적인 DMU간의 비교에서 발생 할 수 있는 왜곡을 최소화하고, 동질성을 향상시켰다.

그룹화 방식으로는 IBM SPSS 25 소프트웨어를 이용한 K-평균 군집분석(K-Means Clustering)을 진행하였으며, 최적 군집의 선정 방법으로는 엘보우 기법(Elbow Method)을 이용했다. K-평균 군집 분석은, 유클리드 거리를 이용하여 최적의 군집을 도출하는 기법이며, 엘보우 기법은 각 군집 내 데이터와 군집 중심점 간의 거리 제곱합(SSE)이 급격하게 감소하는 지점을 찾아서 최적 군집수를 도출하는 기법이다.

위의 기초분석으로 도출된 이용 가능한 변수를 모두 투입한 군집분석을 첫 번째로 진행했다. 이때 투입되는 변수는 매출액증감, 매출증감율, 영업이익증감, 고용증감, 기업 총자산증감의 4개의 재무적 변수와 1개의 고용변수, 그리고 투입변수 역할을 하는 R&D와 비R&D 지원사업 투입 금액까지 총 7개의 변수이다.

<Figure 4>의 그래프가 나타내듯 분석결과 k= 5일 때, SSE값의 변화량이 절반으로 줄어드는 경향을 보였다. 하지만 3번과 4번 군집에 대부분의 모수가 할당되어 DEA에 적합하지 않았다.

산출변수만을 대상으로 하는 K-평균 군집분석을 진행 했을 때, <Figure 5>와 같이 k= 3, k= 5 이 두 지점에서 확연한 SSE값의 변화를 확인할 수 있었다. 이에 효율성 분석을 위해서 3개의 DMU는 각 군집의 유사성이 5개의 DMU 대비 부족하다고 판단하여, k= 5의 사례를 엘보우 포인트로 설정했다. 이때, 각 군집의 분포가 3번째 군집의 n=10, 4번째 군집의 n=62로 전체 데이터의 80%이상이 4번째 군집에 몰려 있어, 각 군집이 고르게 케이스를 대표하고 있다고 보기 어려웠다.

마지막으로, 보통의 군집분석에서 통용되는 기업에 투입된 R&D와 비R&D 지원사업 투입금액을 변수로 하여 K-평균 군집분석을 진행했다.

<Figure 6>에서 SSE 값이 급격하게 떨어지는 군집의 개수는 각각 k= 5, k= 10 지점으로, <Table 14>의 k= 10일 때의 각 군집의 케이스를 살펴보면, 치우침 없이 고르게 분포되어 있고 SSE변화량도 0.4 미만으로 해당 지점을 본 연구의 군집설정 지점으로 잡고 데이터를 10개 집단으로 나눈 후 분석을 진행했다. 군집별 특성의 경우 후술한 연구 결과에서 상세하게 다루었다.

4.5 DEA

DEA분석은 각 DMU의 효율성을 아래와 같은 수식으로 분석한다.

본 연구에서 분석하고자 하는 비R&D 지원과 R&D 지원의 투입이 기업의 재무와 고용 등의 정량 산출값에 대한 최적 효율에 대한 영향이므로, DEA 기법 중 규모에 따라 투입산출가변을 가정하는 모델인 BCC과 CCR모델 모두 활용하여 분석을 진행했다.

이때, 투입변수는 각 연도별 비R&D 지원과 R&D 지원 투자 금액이 되고, 산출변수로는 기초 분석의 결과 투입변수와 유의미한 관계가 있는 것으로 도출된 매출액증감, 매출증감율, 영업이익증감, 고용증감, 기업총자산증감의 5년 평균값으로 진행했다. 분석도구는 Frontier Analyst for DEA를 이용했다.

<Table 15>의 평균값을 기준으로 DEA 분석을 진행한 결과, 각각의 독립변수 투입 시 0에 수렴하는 값의 존재로 인하여, 모든 유닛 효율성 100%가 되는 결과의 왜곡이 발생했다.

위의 문제를 해결하기 위해서, 투입변수를 <Table 16> 과 같이 비R&D 지원과 R&D 지원현황의 5년간 평균값으로 조정했다.

<Figure 7>은 위의 데이터를 이용한 DEA분석을 통해 도출한 각 DMU의 최적모델에 대한 CCR 분석의 분포도이다.

DEA 분석결과, <Table 17>과 같이 1번 DMU와 6번 DMU의 효율성이 100%로 가장 효율적인 모델로 도출 되었으며, 2번 DMU와 9번 DMU의 상대적 효율성이 40% 미만으로 상대적으로 비효율적인 것으로 나타났다.

다음은 BCC 분석을 이용하여 분석을 진행했다. 분석결과, <Figure 8>과 같이 규모수익가변을 가정했을 때, 대부분 군집의 효율성이 개선되어 8개의 군집이 최적모델로 나타났다.

또한 <Table 18>과 같이 5번 군집의 경우, 규모수익가변을 가정했을 때, 효율성이 악화되어 상대적으로 낮은 효율 모델로 도출되었으며 9번 모델의 경우 2가지 분석에서 모두 효율성이 가장 낮은 것으로 나타났다.

5. 분석결과

5.1 최적 효율 모델의 특성 분석

도출된 효율 점수표를 바탕으로 각 최적효율 DMU의 특성을 분석했다. CCR 모델의 1번 DMU의 경우, 2018년도 지정기업 8개사와 2020년도 지정기업 3개사, 2021년도 지정기업 3개사로 구성된 총 13개의 케이스를 갖는 DMU 이다. 이때, 13개사의 케이스 중 11개사가 특수목적용지능 형기계부품의 주력산업 분야를 영위하고 있으며, 전체 업력 평균인 20년 대비 2년가량 더 긴 22년의 업력을 가진다. 또한, 스타기업의 평균 특허 출원 건이 기업 당 5.76건 임에 반해 1번 군집의 경우, 7.07개로 평균보다 1.3개가량 많게 나타났다. 특허 등록건수 또한 스타기업 평균이 8.7 개인데 반해서 9.46개로 전체 평균에 비해서 0.7개량 특허 보유 건수가 많았다.

이를 통해 지원사업 외적으로 지식재산권 확보에 힘을 쓴 스타기업군이 지원사업 투입에 시너지 효과를 내서 더 좋은 효율성을 기록했음을 알 수 있다.

CCR 모델의 6번 군집의 경우 5개 기업으로 구성된 DMU이다. 이 중 3개사는 특수목적용지능형기계부품산업군이며, 2개사는 탄소융복합소재분야의 산업군이다. 이 그룹의 경우, 코스닥 상장사 1개사와 코넥스 상장사 1개사가 있어 IPO를 통해 기업가치가 상승한 기업이 지속적인 기술개발을 통해서 더욱더 높은 효율성 보였다. 또한 R&D 투자비율도 전체 평균 3.01% 대비 4.70%로 연구개발에의 지속적인 투자가 이루졌음을 알 수 있다.

BCC 모델의 효율성 우수 모델은 최적 효율모델이 8개 로 도출되어 <Table 19>와 같이 최적 효율모델의 평균과 스타기업 전체와의 비교를 진행했다. 우선 R&D 투자액의 경우 최적 효율 모델의 경우 기업 당 평균 40백만원을 더 투자했다. 연구개발 투자비율 또한 저효율 기업군 대비 높은 비율을 기록하였고, 국내 특허출원과 등록 건수도 전체 대비 높은 숫자를 기록함을 볼 수 있었다.

5.2 저효율 모델의 특성 분석

각 모델에서 낮은 효율성을 기록한 2개의 집단에 대해서도 그 특성을 분석하겠다. 우선 CCR 모델에서의 2번 군집에 대해서 살펴보았다.

10개 기업으로 구성된 2번 군집은 6개의 특수목적용지 능형기계부품기업, 2개의 탄소융복합소재기업, 2개의 농생 명바이오기업으로 구성되며 <Table 20>은 해당 군집의 개선가능성을 보여준다. 투입변수에서는 각 변수당 65.28%의 투입에 대한 절약을 통해 효율성을 개선할 수 있으며, 산출변수에서는 자산증가와 고용증가에 대해서 각각 17.81%와 9.34%의 개선 가능성을 보였다. 또한, 최적 효율 모델과는 반대로 스타기업의 평균 특허 출원 건이 기업 당 5.76건임에 반해 2번 군집의 경우, 4.2개로 평균보다 1.5개 적고, 특허 등록건수도 평균 8.7개인데 반해 5.8개로 전체 평균에 비해 3개량 특허 건수가 적게 나타났다. 특히 농생명 바이오 기업의 경우 특허 출원건수가 2기업 모두 0개로 도출되어 등록특허 보유를 위한 출원 단계에 대한 기술 개발이 원활이 이루어지지 않음을 알 수 있다.

CCR과 BCC 두 모델에서 모두 비효율적으로 도출된 9번 군집에 대해서도 살펴보았다.

5개 기업으로 구성된 9번 군집은 5개의 특수목적용지능형기계부품기업으로 구성 되며, 5개 기업 모두 2020년에 선정된 기업이다. <Table 21>은 9번 군집의 CCR과 BBC 두 모델에서의 개선가능성을 나타냈다. CCR 모델의 투입변수에서는 각 변수당 68.01%의 투입에 대한 절약을 통해 효율성을 개선할 수 있으며, 산출변수에서는 자산증가와 고용증가에 대해서 각각 23.40%와 11.32%의 개선 가능성을 보였다. BCC 모델의 투입변수에서는 각 변수당 63.93% 의 투입에 대한 절약을 통해 효율성을 개선할 수 있으며, 산출변수에서는 자산증가와 고용증가에 대해서 각각 19.93%와 6.67%의 개선 가능성을 보였다. 평균 특허 출원의 경우, 기업 당 5.76건임에 반해 9번 군집의 경우, 4.17개로 평균보다 1.5개 적고, 특허 등록건수도 평균 8.7개인데 반해서 9번 군집의 경우 3.4개로 전체 스타기업 평균에 비해서 매우 적게 나타났다. 이에 더해 2020년 기업의 경우 스타기업 지정 이후 지원이 시행된 상황에서 코로나-19로 인한 소비 위축과 긴축재정 등으로 실제 지원요건 외의 외부 요인에 대해서 영향을 받았던 것으로 추정된다. [3]

마지막으로 BCC 모델에서 저효율을 보이는 5번 군집에 대해서 살펴보았다. 10개 기업으로 구성된 5번 군집은 5개의 특수목적용지능형기계부품기업, 1개의 탄소융복합소재기업, 4개의 농생명바이오기업으로 구성된다. <Table 22>에서 나타난 개선가능성으로는 투입변수에서는 R&D 투입이 44.97%, 비R&D에 대한 투입이 39.65%의 절약이 필요하다. 산출변수에서는 자산증가와 고용증가에 대해서 각각 10.06%와 3.77%의 개선 가능성을 보였다. 또한 평균 특허 출원이 5번 군집도, 4.2개로 평균보다 1.5개 적고, 특허 등록건수도 4.3개로 전체 스타기업 평균에 비해서 4.4 개량 특허 보유 건수가 적게 나타났다. 또한 이 모델에서도 2021년 지정 이후, 아직 끝나지 않은 코로나 사태로 인하여 기업지원에 대한 효율성에 대한 매출 및 고용 관련 지표가 외부 요인으로 인하여 낮게 측정된 것으로 보인다.

6. 결 론

6.1 정책적 제언

본 연구를 통해 나타난 분석 결과를 통해 우리는 기존 스타기업 육성사업의 종료에 따른 새로운 지역특화산업분야의 신규사업의 지향점에 대해 살펴 볼 수 있다. 우선 최적 효율모델의 공통적인 특징으로는 지식재산권 보유 건 수가 상대적으로 많고, 혁신에 대한 지속적인 투자를 진행함을 보였다. 이러한 결과를 고려했을 때, 신규 지역특화 산업 관련 지원사업에서는 지식재산권 확보와 R&D 투자에 대한 강점을 가진 수혜기업군이 중심이 되는 것이 필요하다.

이와 반대로, 저효율성을 보인 기업군의 주요 특성으로는 농생명바이오(특히, 식품분야)와 같은 기업들은 초기 기술개발목표 설정에 어려움을 느끼고, R&D에 대한 투자 또한 소극적으로 보였다. 이러한 분야에 대해서는 초기 R&D 단계에 대한 지원 강화가 효과적일 것이다. 이는 신규사업 기획 시 R&D과제기획 및 시장분석, 기술로드맵 컨설팅 등 사업화 전략 수립과 R&D가 연계되어, 기술개발을 통한 해당 분야의 실제 시장진출과 R&D 성과물에 대한 활용도를 높이는 결과를 가능케 할 것이다. 또한 코로나-19 등 외부 환경요인에 민감한 산업군에 대해서는 향후 유사한 사태 발생 시에도 큰 문제를 겪지 않고 기업의 사업을 영위 할 수 있도록 위기대응 및 회복지원을 포함한 사업화 자금 지원 등에 대한 고려가 필요하다.

이와 같은 방향으로 지역특화산업분야의 신규 사업을 기획하고, 산업별 및 기업별 맞춤형 지원 전략을 강화한다면 기존 스타기업 육성사업의 성과를 확장하여 전북지역의 특화산업에 대한 경쟁력을 더욱 강화할 수 있을 것으로 보인다.

6.2 연구의 한계

본 연구에서는 DEA 기법을 이용하여 전북지역 스타기업 육성사업 전체 사업기간의 기업지원현황에 대해서 군집별 효율성을 분석하고 정책적인 제언을 제시했으나, 몇 가지 보완점이 있다.

첫 번째, 본 연구는 전북지역의 스타기업에 한정된 데이터를 사용하였기 때문에, 특정 지역의 분석 결과를 타 지역의 지원사업에 일반화 시키는데 한계를 보인다.

두 번째, 정성 데이터는 기업의 경쟁력과 성장 가능성을 평가하는 데 중요한 역할을 할 수 있지만 수집 및 조작적 정의의 어려움으로 인해 분석에 포함되지 않았다. 다음 연구에서는 추가 데이터를 수집․분석하는 것이 필요하다.

세 번째로, 이 연구의 또 다른 한계는 데이터 수집 기간이 제한적이었다는 점이다. 기업 성장과 지원 사업의 효과는 장기적인 관점에서 분석될 필요가 있어 더 긴 기간의 데이터 분석이 요구된다. 다음 연구에서는 지원 사업 종료 이후 충분한 기간을 확보하고 후속 성과를 추적하여 장기적인 데이터를 확보할 필요가 있다.

마지막으로, DEA 분석은 각 DMU의 상대 비교에 의존하기 때문에, 특정 군집이 효율성 분석 결과를 오염시킬 수 있는 단점이 있다. 이를 보완하기 위해 이후 연구에서는 DEA 분석과 함께 확률 프론티어 분석(SFA, Stochastic Frontier Analysis) 등 추가적인 효율성 분석 방법을 병행하여 신뢰성 있는 결과를 도출할 필요가 있다.