Schilling, M. A., & Phelps, C. C. (2007).
Interfirm collaboration networks: The impact of large-scale network structure on firm innovation.
Management science, 53(7), 1113-1126.
Introduction
최근에 이르러 연구자들은 단순히 네트워크를 비유적으로만 다루는 대신, 실제 네트워크의 구조적 특성을 평가하고 이가 혁신에 미치는 영향을 연구하기 시작했다. 그러나 실증적 연구는 아직 산업 수준의 제휴 네트워크 구조가 회원사 혁신에 미치는 영향을 조사하지 않았다. 따라서 이 연구는 산업 수준의 기업 간 네트워크의 구조가 회원사의 혁신성에 미치는 영향을 조사한다. 특히 네트워크 내의 클러스터링(집중 연결)과 리치(광범위한 접근)라는 두 가지 주요 구조적 특성이 혁신적 성과을 증가시키는지 검증한다. 클러스터링은 네트워크 내에서 정보가 빠르게 전달될 수 있는 환경을 조성하며, 리치는 다양한 정보 소스에 쉽게 접근할 수 있도록 한다. 따라서 높은 클러스터링과 리치를 모두 갖춘 네트워크가 회원사의 창의적 성과가 크게 향상시킬 것이라는 가설을 세운다. 11개 산업 분야의 기업 제휴 네트워크에 속한 다양한 기업들의 혁신 성과에 대한 장기 데이터를 사용하여 이 가설을 검증한다. 분석 결과 높은 클러스터링과 넓은 리치를 가진 네트워크가 회원사의 창의성을 크게 향상시킨다는 것을 발견했다. 이는 네트워크의 구조가 산업 전반의 혁신에 중요한 역할을 할 수 있음을 시사한다. 이 연구는 기존 연구와 달리 여러 산업에 걸친 데이터를 사용하여 일반화 가능성을 높이고 있으며, 산업 수준의 네트워크 구조가 기업의 혁신 성능에 미치는 영향을 구체적으로 평가한 최초의 사례 중 하나로서 의의를 갖는다.
Large-Scale Interfirm Networks and Firm Knowledge Creation
저자들은 혁신 과정을 설명할 때 재조합 탐색 관점(recombinatory search perspective)을 채택한다. 즉 연구의 기본 전제는 혁신이 지식, 문제, 해결책의 새로운 재조합을 통해 이루어지는 탐색 과정이라는 것이다. 재조합 자원에 대한 더 큰 접근과 이해를 갖고 있는 기업은 혁신 노력에서 이점을 얻을 수 있다. 기업들이 서로 제휴를 맺으면서 직접적이거나 간접적인 관계의 네트워크를 형성하고, 이 네트워크를 통해 정보와 지식이 흐르게 된다. 즉, 네트워크는 다른 사람의 정보와 노하우에 접근할 수 있게 만들 수 있다. 그리고 이 정보의 흐름은 기업의 혁신 성과에 직접적인 영향을 미치게 된다.
이 연구에서는 제휴 네트워크의 구조가 어떻게 정보의 확산과 지식의 재조합 과정에 영향을 미치는지에 대해 논의한다. 특히 네트워크의 '클러스터링(Clustering)'과 '리치'라는 두 가지 구조적 특성이 확산에 중요한 영향을 미칠 수 있다.
클러스터링은 네트워크 내 특정 그룹의 기업들 사이에 더 많은 연결이 존재함을 의미하며, 이는 정보가 그 클러스터 내에서 신속하게 퍼지도록 만들 수 있다. 이 구조는 각 기업의 클러스터링 계수로 측정할 수 있으며, 이는 한 기업의 파트너들이 서로 직접 연결되어 있는 비율을 나타낸다. 네트워크 전체의 클러스터링 계수는 각 기업의 클러스터링 계수의 평균이다. 클러스터링은 네트워크 내 정보의 신속한 전파를 가능하게 하고, 정보의 정확도를 높여준다. 각 클러스터 내에서 정보는 빠르게 다른 기업들에게 전달되며, 여러 경로를 통한 정보의 전달은 정보가 왜곡되거나 누락되는 것을 줄여준다. 또한 클러스터 내의 밀집도는 문제에 대한 다양한 해석의 전파를 촉진하고, 집단적 문제 해결을 자극한다.
리치는 네트워크 내에서 한 기업이 다른 많은 기업들과 짧은 경로를 통해 연결될 수 있는 능력을 의미한다. 리치는 기업이 네트워크를 통해 접근할 수 있는 정보의 범위와 다양성을 증가시킨다. 짧은 평균 경로 길이를 가진 네트워크에서는 정보와 지식의 확산이 더 빠르고 정확하게 이루어진다. 따라서 네트워크의 리치가 높을수록 기업은 더 많은 기업과 더 빠르게 연결되어 다양한 정보에 접근할 수 있으며 이는 새로운 지식의 재조합 가능성을 높일 수 있다.
제휴 형성에는 비용이 많이 들고 제약이 따르기 때문에 지식의 신속한 교환과 통합을 촉진하기 위해 밀집된 클러스터를 형성하는 것과 더 넓은 범위의 기업에 대한 짧은 경로를 만들기 위해 링크를 구축하는 것 사이에 균형이 필요하다. 클러스터링과 리치의 결합을 통해 기업이 보다 광범위하고 다양한 정보를 신속하게 통합하고 교환할 수 있게 함으로써, 지식 창출을 증대시킬 수 있다. 이는 기업 지식 창출에 미치는 영향에서 클러스터링과 리치 사이의 상호작용이 존재할 수 있음을 의미한다. 이러한 논리에 따라 높은 수준의 클러스터링과 리치를 결합한 제휴 네트워크에 참여하는 기업은 이러한 특성을 나타내지 않는 네트워크에 참여하는 기업보다 더 많은 지식 창출을 보여줄 것이라는 가설을 세웠다.
Methods
1990년부터 2000년까지 미국의 11개 고기술 제조 산업에 속하는 기업들의 대규모 패널 데이터를 사용하였다. 11개 산업은 모두 높은 기술 집약도를 가지고 있어 특허 활동이 활발하다는 공통점이 있다. 또한 첨단기술산업이기 때문에 지식 창출 활동이 중요하고, 이 산업에 종사하는 기업은 제휴를 적극적으로 활용한다.
제휴 데이터는 Thomson Corp의 SDC Platinum 데이터베이스를 통해 수집된 데이터를 기반으로 한다. 네트워크 구성 기준에 따라 결과 데이터 세트에는 3,663개 제휴에 참여한 1,106개 회사가 포함되었다. 많은 제휴에서 2개 이상의 참여 기업이 포함되므로 쌍방의 수는 총 5,306개로 더 많다. 네트워크의 구조는 UCINET 6 소프트웨어를 사용하여 분석되었으며, 각 산업에 대해 별도의 제휴 네트워크가 생성되었다. 각 네트워크는 3년 동안의 창을 기준으로 구축되며, 이는 총 66개의 네트워크 스냅샷을 생성했다. 네트워크는 무방향 이진 인접 행렬로 구성되며, 같은 쌍의 기업 간 다중 제휴는 하나의 링크로 처리되었다. 제휴의 지속 기간은 일반적으로 보고되지 않기 때문에 연구자들은 제휴 관계가 평균적으로 3년간 지속된다는 최근의 경험적 연구를 바탕으로 이 기간을 설정하였다. 모든 제휴 유형을 분석에 포함시키지만, 기술 교환 또는 명시적 목적을 위해 형성된 각 네트워크의 제휴 비율은 통제한다.
종속변수는 특허(Patents)이다. 특허는 조직의 지식 창출을 나타내는 외부에서 검증된 측정치이다. 특허 수는 새로운 제품 도입과 발명 수와 높은 상관 관계를 보이며, 고기술 산업에서는 특히 중요한 혁신 지표로 여겨진다. 그러나 특허 성향이 산업에 따라 달라질 수 있어 편향의 잠재적 원인이 될 수 있다. 따라서 산업 선택, 산업별 R&D 강도 통제, 산업 고정 효과 통제를 통해 편향을 해결하고자 노력했다. 특허 데이터는 Delphion 데이터베이스를 사용하여 수집되었으며, 1993년부터 2000년까지 각 회사의 연간 특허 수를 모회사 수준까지 집계하여 사용하였다.
독립변수는 클러스터링과 리치이다. 클러스터링은 전체 클러스터링 계수(Clustering Coefficient)로 측정하였다. 클러스터링 계수는 네트워크 내에서 특정 기업의 파트너가 서로 연결되어 있는 비율을 나타낸다. UCINET 6 소프트웨어를 사용하여 각 기업의 클러스터링 계수를 계산하고, 네트워크 전체에 대한 평균 값을 도출하였다. 변수의 범위는 0에서 1까지이며 값이 클수록 클러스터링이 증가함을 나타낸다. 리치는 주어진 기업에서 다른 모든 기업까지의 도달 가능성과 그 거리를 고려하여 평균 거리 가중 리치(Average Distance-weighted Reach)로 측정하였다. 네트워크 내의 각 기업 간 최소 거리를 바탕으로 계산되며, 이는 네트워크의 연결성과 접근성을 나타낸다. 범위는 0에서 n까지이며 클수록 리치가 높다는 것을 의미한다. 클러스터링과 리치의 상호작용항은 클러스터링과 리치의 곱으로 측정하였다.
기업 수준 통제변수로는 사전 표본 특허(Presample Patents), 중간성 중심성(Betweenness Centrality), 지역 효율성 (Local Efficiency)을 사용하였다. 사전 표본 특허는 각 기업이 샘플에 참여하기 전 5년 동안 획득한 특허 수로 측정하였다. 이는 기업의 초기 지식 축적을 나타내며, 이질성을 통제하는 데 사용된다. 중간성 중심성은 기업이 네트워크 내에서 차지하는 중앙 위치의 정도를 나타낸다. 이는 기업이 얼마나 많은 제휴를 통해 정보를 중개하는 중요한 위치에 있는지를 측정한다. 지역 효율성은 기업의 파트너들이 얼마나 비중복적인지를 나타내며, 이는 구조적 공백의 존재를 나타낸다. 비중복적인 연결이 많을수록 정보와 자원의 독립적 접근이 가능하다는 것을 의미한다.
산업(네트워크) 수준의 통제변수로는 네트워크 밀도(Network Density), 네트워크 중앙집중도(Centralization), 산업 R&D 강도(Industry R&D Intensity)를 사용하였다. 네트워크 밀도는 네트워크 내 가능한 연결의 수 대비 실제 연결의 수로 계산되었다. 이 변수는 네트워크 내에서 정보가 얼마나 쉽게 퍼질 수 있는지를 나타내며, 정보의 확산 속도와 범위가 밀도와 함께 증가한다는 것을 보여준다. 중앙집중도는 Freeman의 그룹 중간성 중앙집중도 지수를 사용하여 계산되었다. 이는 네트워크 내에서 일부 노드를 통해 모든 연결이 이루어지는 정도를 나타내며, 네트워크의 정보 전달과 혁신 전파 능력에 영향을 미친다. 산업 R&D 강도는 각 산업의 연구개발 강도는 연구개발 비용 대비 매출의 비율로 측정하였다. 이 변수는 산업별 혁신에 대한 강조의 차이를 반영하며, 특허 활동의 산업별 차이를 조정하는 데 사용된다.
과잉 분산을 보이는 특허 데이터에 적합한 모델로 포아송 회귀 모델(Poisson regression model)을 고려하였으나, 평균과 분산이 같다는 가정 때문에 적절하지 않았다. 따라서 네거티브 이항 회귀 모델(Negative binomial regression model)을 사용하여 과잉 분산을 효과적으로 처리하고자 하였다. 또한 개별 미관찰 효과를 고려하여 과잉 분산을 허용하고, 분석에는 고정 효과와 무작위 효과 모두를 포함하는 방식으로 구현하였다. 연도별 고정 효과와 산업 더미 변수를 사용해 시간과 산업에 따른 변동을 통제하고, 기업 수준의 미관찰 효과를 고려하여 사전 표본 특허를 활용하여 기업의 초기 지식 수준을 추가로 통제하였다. 다양한 시차를 적용한 모델을 Limdep 8.0을 사용하여 추정하고, 고정 효과와 무작위 효과 모델의 결과를 비교하여 연구 결과의 견고성을 검증했다.
Results
네거티브 이항 회귀 모델을 사용하여 제휴 네트워크의 클러스터링과 리치가 기업의 특허 활동에 미치는 영향을 분석하였다. 데이터는 1년, 2년, 3년의 시차를 두고 분석되었으며, 각 모델은 클러스터링과 리치의 직접적인 효과 및 이들의 상호작용 효과를 포함한다. 모델은 클러스터링과 리치의 직접 효과를 평가하였다. 초기 모델에서는 이러한 효과가 크게 나타나지 않았다. 클러스터링과 리치의 상호작용 효과는 2년 및 3년 시차 모델에서 통계적으로 유의미한 긍정적 영향이 나타났다. 1년 시차에서는 유의미하지 않았다. 이는 네트워크의 구조적 특성이 시간이 지남에 따라 특허 활동에 더 큰 영향을 미친다는 것을 시사한다. 상호작용 효과의 분석에서 클러스터링과 리치의 단독 효과는 0의 값을 가질 때는 대체로 부정적 또는 유의미하지 않게 나타나지만, 서로의 값이 증가함에 따라 긍정적인 효과로 변화한다. 이러한 결과는 클러스터링과 리치가 서로를 강화하며, 두 변수 모두 적정 수준 이상일 때 긍정적인 특허 활동을 촉진한다는 것을 나타낸다. 통제변수는 사전 표본 특허와 산업 및 시간 효과가 유의미한 것으로 나타났다. 다양한 로버스트 체크를 수행하여 결과의 견고성을 검증했다. 포아송 고정 효과 모델을 사용한 분석도 수행되었으며, 이 모델에서도 비슷한 결과가 나타나 연구 결과의 신뢰도를 높였다.
Discussion
제휴 네트워크의 구조적 특성인 클러스터링과 리치가 기업의 혁신 성과에 미치는 영향을 분석하였다. 연구 결과, 클러스터링과 리치의 결합이 기업의 특허 활동을 증가시키는 것으로 나타났으며, 이 효과는 2년 및 3년의 시차를 둔 모델에서 더 강하게 나타났다. 이는 협업의 혁신적 이점이 즉시 실현되지 않을 수 있음을 시사한다. 연구 결과는 로버스트 체크와 다양한 통제 변수를 사용하여 검증되었다.
연구 결과는 소규모 세계 네트워크에 관한 최근 이론과 일치하며, 클러스터링과 리치가 지식의 다양성과 접근성을 증가시켜 창의적 재조합을 촉진한다는 Uzzi와 Spiro의 주장을 뒷받침한다. 또한 산업 수준에서의 제휴 네트워크 구조가 혁신에 미치는 영향을 최초로 조사함으로써, 네트워크 밀도와 효율성이 혁신을 어떻게 증진시키는지에 대한 토론에 기여한다. 뿐만 아니라 지식의 외부성이 혁신과 생산성 성장에 중요하다는 것을 확인하며, 제휴 네트워크가 지식 외부성의 중요한 매개체가 될 수 있음을 제시한다. 연구 결과는 혁신이 네트워크 밀도에 의해 향상되는지 아니면 효율성에 의해 향상되는지에 대한 논쟁에 대한 답을 제공한다. 로컬 밀도와 글로벌 효율성은 동시에 존재할 수 있으며, 이러한 조합이 혁신을 향상시킬 수 있다. 또한 이 연구는 지식이 한 기업에서 다른 기업으로 저렴한 비용으로 이전될 수 있는 외부성의 중요성을 강조한다. 이는 지식의 지리적 및 기술적 근접성이 파급 효과의 범위에 영향을 미칠 수 있음을 시사한다.
그러나 연구에는 몇 가지 한계가 있다. 제휴 지속 기간의 평균 가정, 네트워크 특성 외의 다른 요인들의 영향 무시, 기업 특성과 지식의 성격이 지식 창출에 미치는 영향을 고려하지 않은 점 등이 있다. 제휴 관계가 평균적으로 3년간 지속된다고 가정했으나, 이 가정이 정확하지 않을 경우 관찰된 네트워크의 연결성이 실제보다 낮게 평가될 수 있다. 이로 인해 연구 결과에 편향이 생길 수 있다. 또한 이 연구는 제휴 네트워크의 구조적 특성에 초점을 맞추고 있으며, 제휴 자체의 특성(예: 강도, 거버넌스 구조, 범위)은 다루지 않았다. 뿐만 아니라 기업의 특성이나 지식이 전달되고 재조합되는 방식에 어떻게 영향을 미치는지에 대해 다루지 않았고, 지식의 성격(예: 암묵 지식 대 명시 지식, 복잡 대 단순)이 지식 창출 및 혁신 과정에 미치는 영향도 포함하지 않았다. 그리고 연구는 주로 제휴를 자주 사용하는 산업에 제한되어 일반화할 수 있다. 매우 희박한 네트워크 특성을 가진 산업에서는 클러스터링이나 의미 있는 리치를 관찰하기 어려울 수 있기 때문이다. 이 연구는 제휴 네트워크와 지식 창출 간의 관계를 이해하는 데 중요한 기여를 하지만, 이와 같은 한계들을 인식하고 이를 기반으로 향후 연구에서 더욱 심도 깊은 분석이 이루어질 필요가 있다.