[논문 리뷰] Unfolding the innovation system for the development of countries: co-evolution of Science, Technology and Production

Emanuele Pugliese, Giulio Cimini외 4명|IMT Institutional Repository (IMT School for Advanced Studies Lucca)|2017. 07. 17.

Economic and Technological Innovation인용 수 7

한 줄 요약

이 논문은 국별 과학, 기술, 산업 생산의 공진화를 분석하기 위해 다층 네트워크 모델을 제안한다. 문헌정보학적 자료, 특허 데이터, 무역 데이터를 활용하여, 기술이 미래의 산업 및 과학적 성과를 예측하는 데 가장 강력한 예측 변수임을 규명한다. 이는 과학 → 특허 → 제품으로 이어지는 전통적인 선형 흐름을 뒤집는 것으로, 능력 맵핑과 시차 상호작용을 통해 장기적인 국가 혁신 궤적을 예측할 수 있게 한다.

ABSTRACT

We show that the space in which scientific, technological and economic developments interplay with each other can be mathematically shaped using pioneering multilayer network and complexity techniques. We build the tri-layered network of human activities (scientific production, patenting, and industrial production) and study the interactions among them, also taking into account the possible time delays. Within this construction we can identify which capabilities and prerequisites are needed to be competitive in a given activity, and even measure how much time is needed to transform, for instance, the technological know-how into economic wealth and scientific innovation, being able to make predictions with a very long time horizon. Quite unexpectedly, we find empirical evidence that the naive knowledge flow from science, to patents, to products is not supported by data, being instead technology the best predictor for industrial and scientific production for the next decades.

연구 동기 및 목표

• 국가 간 과학, 기술, 산업 활동의 공진화를 동적이고 다층적인 시스템으로 모델링하기.
• 기술적 지식에서 경제적 및 과학적 성과로의 전환을 위해 필요한 능력과 시차를 규명하기.
• 실증 데이터와 네트워크 분석을 통해 기존의 선형 혁신 모델(과학 → 특허 → 제품)을 도전하기.
• 다층 간 상호작용과 통계적 유의성 검정을 기반으로 장기적인 국가 혁신 궤적 예측 프레임워크 개발하기.
• 다양한 시차에서 기술이 미래 과학적 및 산업적 경쟁력 예측에 미치는 영향을 정량화하기.

제안 방법

• 국가 간 경쟁 우위를 세계 평균 대비로 기반으로 하여, 과학(S), 기술(T), 생산(P) 분야의 활동과 연결하는 인접행렬 $ M^L_{c,a}(y) $ 를 사용해 삼중층 네트워크를 구축한다.
• 활동 간 공존의 통계적 유의성을 평가하기 위해 노멀 모델을 활용하여, 다양한 층 간 비랜덤적 중첩된 능력 요구사항을 식별한다.
• 다양한 시차 $ \Delta y $ 에서 유의미한 다층 간 연결 비율을 측정하기 위해 신호 대 잡음 비율 $ \Phi^{L_1 \to L_2}(\Delta y) $ 를 정의한다.
• Scopus(과학 논문 데이터), Patstat(특허 데이터), UN COMTRADE(수출 데이터)의 데이터를 사용하여 지리적, 시간적, 주제적 다수의 집계 수준에서 분석한다.
• 세밀하거나 단기적 동역학을 분석할 경우 통계적 검정력을 향상시키기 위해 연간 데이터를 통합한다.
• 물리학의 하위 분야와 같은 계층적 활동 분류 체계를 활용하여, 다양한 해상도 수준에서 결과를 분석한다.

실험 결과

연구 질문

• RQ1 국가가 산업 생산에서 경쟁력을 확보하기 위해 필요한 핵심 능력은 무엇이며, 과학적 및 기술적 활동과 어떻게 관련되어 있는가?
• RQ2 기술 개발, 과학적 성과, 산업 수출 간의 시간 지연이 국가 혁신 궤적에 미치는 영향은 어떠한가?
• RQ3 과학 또는 직접적인 혁신 유입과 비교해 기술이 미래 산업 및 과학적 성과를 얼마나 잘 예측하는가?
• RQ4 표준 선형 혁신 경로(과학 → 특허 → 제품)는 다층 네트워크 상호작용의 실증적 데이터에 의해 지지되는가?
• RQ5 분석 척도(시간적, 지리적, 주제적)가 유의미한 다층 관계 탐지에 미치는 영향은 어떠한가?

주요 결과

• 기술이 미래 산업 및 과학적 성과를 예측하는 데 가장 강력한 예측 변수이며, 다양한 시차에서 다층 간 신호 대 잡음 비율이 기준 기대치(5%)를 크게 초월한다.
• 과학 → 특허 → 제품으로 이어지는 단순 선형 혁신 흐름은 실증 데이터에 의해 지지되지 않으며, 오히려 기술이 혁신 시스템의 중심 허브 역할을 한다.
• 활동 간 전환에 필요한 능력과 시차를 식별함으로써, 국가 혁신 궤적의 장기 예측이 가능해진다.
• 99% 유의성 기준을 검증하기 위해 최소 100개의 노멀 모델 실현이 필요하며, 99.9% 기준에서는 1,000개가 필요함을 시사하며, 강력한 통계적 샘플링의 필요성을 강조한다.
• 집계 수준(시간적, 지리적, 주제적) 선택은 통계적 검정력과 신호 탐지에 결정적인 영향을 미치며, 더 세밀한 해상도에서는 노이즈를 줄이기 위해 더 긴 시간 창이 필요하다.
• 실증 결과에 따르면, 특히 고해상도 수준에서 과학적 또는 특허 분야만으로는 '데스크톱 컴퓨터'와 같은 제품의 수출 성과를 예측하는 데 비해, 기술 분야가 훨씬 더 예측력이 높음을 보여준다.