특허기술의 질적 우수성과 활용가능성이 기술이전성과, 기업성과와 기술충성도에 미치는 영향 The impact of qualitative excellence and applicability of patent technology on technology transfer performance, firm performance and technology loyalty원문보기
특허와 관련된 선행연구들은 주로 기술이전 당사자인 기술 수요자의 관점이나 기술 사업화를 주제로 한 연구가 많이 수행되어 왔다. 그러나 기술공급자의 관점에서 특허기술의 우수성이나 활용 가능성 등이 기술이전성과나 기업성과 그리고 기술충성도에 미치는 영향에 대한 연구는 매우 미흡한 실정이다. 또한 국내에서는 특허데이터를 이용한 기계학습 기반의 예측모델링 연구가 많이 활성화 되어 있지 않은 실정이다. 따라서 향후 연구에서는 공공연구기관들이 특허기술에 대한 경쟁력을 확보할 수 있도록 지원하기 위해서 기술공급자의 관점에서 기술충성도의 결정요인이 무엇인가를 탐색하는 것이 필요하다. 또한 기계학습 기반의 기술충성도의 예측모델링을 통해 기술충성도를 예측하기 위한 노력도 요구된다. 위와 같은 연구의 필요성에 따라서 본 연구에서는 가설검증 연구와 ...
특허와 관련된 선행연구들은 주로 기술이전 당사자인 기술 수요자의 관점이나 기술 사업화를 주제로 한 연구가 많이 수행되어 왔다. 그러나 기술공급자의 관점에서 특허기술의 우수성이나 활용 가능성 등이 기술이전성과나 기업성과 그리고 기술충성도에 미치는 영향에 대한 연구는 매우 미흡한 실정이다. 또한 국내에서는 특허데이터를 이용한 기계학습 기반의 예측모델링 연구가 많이 활성화 되어 있지 않은 실정이다. 따라서 향후 연구에서는 공공연구기관들이 특허기술에 대한 경쟁력을 확보할 수 있도록 지원하기 위해서 기술공급자의 관점에서 기술충성도의 결정요인이 무엇인가를 탐색하는 것이 필요하다. 또한 기계학습 기반의 기술충성도의 예측모델링을 통해 기술충성도를 예측하기 위한 노력도 요구된다. 위와 같은 연구의 필요성에 따라서 본 연구에서는 가설검증 연구와 기계학습 기법에 의한 기술충성도의 예측모델을 구축하고 분석하였다. 먼저, 가설검증 연구에서는 기본적으로 A연구원이 보유하고 있는 특허기술 특성(질적 우수성과 활용가능성)이 기술이전성과, 기업성과 및 기술충성도에 미치는 영향을 규명하였다. 이외에도 특허기술 특성과 기술충성도 간에 기술이전성과와 기업성과가 매개 영향을 미치는지와 특허기술 특성과 기술이전성과, 기업성과 및 기술충성도 간의 관계에 파트너기업 여부가 조절 영향을 미치는가를 확인하기 위해서 조절효과분석을 수행하였다. 다음으로, 기계학습 알고리즘을 적용하여 기술충성도를 추정하고 예측하는 연구모델을 생성하고 평가하였다. 본 연구의 자료수집방법은 A연구원이 2017년 말 보유하고 있는 3,942건의 특허 중에서 기술평가지표가 존재하고 이전된 기업의 특성변수를 확인할 수 있는 746건으로 하였다. 기본통계 분석, 가설검증 및 기계학습을 통한 예측모델링을 위한 통계처리프로그램으로는 SPSS 25와 SmartPLS 3.0 그리고 SPSS Modeler 17을 사용하였다. 본 연구의 가설검증 결과를 요약하면 다음과 같다. 첫째, 기본 가설에 대한 검증 결과 모든 가설은 채택되었다. 먼저, 특허기술의 질적 우수성과 활용가능성의 정도가 높아질수록 기술이전성과와 기업성과는 높아지는 것으로 나타났다. 다음으로, 기술이전성과가 높아질수록 기업성과는 높아지며, 기업성과가 높아질수록 기술충성도가 높아지는 것으로 나타났다. 둘째, 특허기술의 질적 우수성과 활용가능성의 정도는 기술이전성과와 기업성과를 매개로 하여 기술충성도에 정의 유의한 영향을 미치는 것으로 나타났다. 셋째, 파트너기업 여부에 따른 조절효과 검증을 수행한 결과 기업성과가 기술충성도에 미치는 영향에 대한 경로에서만 통계적으로 유의한 차이가 있는 것으로 나타났다. 본 연구에서 기술충성도에 대한 예측모델을 구축하고 추정한 결과를 요약하면 다음과 같다. 첫째, 기계학습 알고리즘인 선형모델, 선형회귀모델 및 인공신경망모델을 분석한 결과 인공신경망모델이 가장 예측력의 정도가 높은 것으로 분석되었다. 둘째, 인공신경망모델을 통해 분석한 결과 기술충성도의 영향요인으로 매출액 변화율과 연구개발비 변화율 등이 다른 예측변인들에 비해 중요한 것으로 나타났다. 본 연구는 특허가치의 결정요인에 대한 선행연구의 결과를 토대로 기술공급자의 관점에서 기술마케팅을 수행하는데 필요한 기초정보를 제공하는데 필요한 연구모델을 제시하고 실증분석을 시행했다는 점에서 학문적인 의의가 있다. 이외에도 본 연구는 기존의 특허가치 결정요인에 관한 선행연구에 기초하여 특허기술의 질적 우수성과 활용가능성 요인에 대해 객관성을 확보하도록 공통항목으로 도출한 후, A연구원이 보유하고 있는 실제 특허기술에 대한 실 거래데이터를 수집하여 실증분석을 하였다는 점에서 의미가 있다고 하겠다. 또한 본 연구는 기술충성도의 예측을 위해서 기계학습 기법을 통한 예측모델링을 수행하고 실무적인 시사점을 도출했다는 점에서 의의가 있다.
특허와 관련된 선행연구들은 주로 기술이전 당사자인 기술 수요자의 관점이나 기술 사업화를 주제로 한 연구가 많이 수행되어 왔다. 그러나 기술공급자의 관점에서 특허기술의 우수성이나 활용 가능성 등이 기술이전성과나 기업성과 그리고 기술충성도에 미치는 영향에 대한 연구는 매우 미흡한 실정이다. 또한 국내에서는 특허데이터를 이용한 기계학습 기반의 예측모델링 연구가 많이 활성화 되어 있지 않은 실정이다. 따라서 향후 연구에서는 공공연구기관들이 특허기술에 대한 경쟁력을 확보할 수 있도록 지원하기 위해서 기술공급자의 관점에서 기술충성도의 결정요인이 무엇인가를 탐색하는 것이 필요하다. 또한 기계학습 기반의 기술충성도의 예측모델링을 통해 기술충성도를 예측하기 위한 노력도 요구된다. 위와 같은 연구의 필요성에 따라서 본 연구에서는 가설검증 연구와 기계학습 기법에 의한 기술충성도의 예측모델을 구축하고 분석하였다. 먼저, 가설검증 연구에서는 기본적으로 A연구원이 보유하고 있는 특허기술 특성(질적 우수성과 활용가능성)이 기술이전성과, 기업성과 및 기술충성도에 미치는 영향을 규명하였다. 이외에도 특허기술 특성과 기술충성도 간에 기술이전성과와 기업성과가 매개 영향을 미치는지와 특허기술 특성과 기술이전성과, 기업성과 및 기술충성도 간의 관계에 파트너기업 여부가 조절 영향을 미치는가를 확인하기 위해서 조절효과분석을 수행하였다. 다음으로, 기계학습 알고리즘을 적용하여 기술충성도를 추정하고 예측하는 연구모델을 생성하고 평가하였다. 본 연구의 자료수집방법은 A연구원이 2017년 말 보유하고 있는 3,942건의 특허 중에서 기술평가지표가 존재하고 이전된 기업의 특성변수를 확인할 수 있는 746건으로 하였다. 기본통계 분석, 가설검증 및 기계학습을 통한 예측모델링을 위한 통계처리프로그램으로는 SPSS 25와 SmartPLS 3.0 그리고 SPSS Modeler 17을 사용하였다. 본 연구의 가설검증 결과를 요약하면 다음과 같다. 첫째, 기본 가설에 대한 검증 결과 모든 가설은 채택되었다. 먼저, 특허기술의 질적 우수성과 활용가능성의 정도가 높아질수록 기술이전성과와 기업성과는 높아지는 것으로 나타났다. 다음으로, 기술이전성과가 높아질수록 기업성과는 높아지며, 기업성과가 높아질수록 기술충성도가 높아지는 것으로 나타났다. 둘째, 특허기술의 질적 우수성과 활용가능성의 정도는 기술이전성과와 기업성과를 매개로 하여 기술충성도에 정의 유의한 영향을 미치는 것으로 나타났다. 셋째, 파트너기업 여부에 따른 조절효과 검증을 수행한 결과 기업성과가 기술충성도에 미치는 영향에 대한 경로에서만 통계적으로 유의한 차이가 있는 것으로 나타났다. 본 연구에서 기술충성도에 대한 예측모델을 구축하고 추정한 결과를 요약하면 다음과 같다. 첫째, 기계학습 알고리즘인 선형모델, 선형회귀모델 및 인공신경망모델을 분석한 결과 인공신경망모델이 가장 예측력의 정도가 높은 것으로 분석되었다. 둘째, 인공신경망모델을 통해 분석한 결과 기술충성도의 영향요인으로 매출액 변화율과 연구개발비 변화율 등이 다른 예측변인들에 비해 중요한 것으로 나타났다. 본 연구는 특허가치의 결정요인에 대한 선행연구의 결과를 토대로 기술공급자의 관점에서 기술마케팅을 수행하는데 필요한 기초정보를 제공하는데 필요한 연구모델을 제시하고 실증분석을 시행했다는 점에서 학문적인 의의가 있다. 이외에도 본 연구는 기존의 특허가치 결정요인에 관한 선행연구에 기초하여 특허기술의 질적 우수성과 활용가능성 요인에 대해 객관성을 확보하도록 공통항목으로 도출한 후, A연구원이 보유하고 있는 실제 특허기술에 대한 실 거래데이터를 수집하여 실증분석을 하였다는 점에서 의미가 있다고 하겠다. 또한 본 연구는 기술충성도의 예측을 위해서 기계학습 기법을 통한 예측모델링을 수행하고 실무적인 시사점을 도출했다는 점에서 의의가 있다.
The Impact of Qualitative Excellence and Applicability of Patent Technology on Technology Transfer Performance, Firm Performance and Technology Loyalty
Jin-Hee PARK
Department of Management of Technology, Graduate School of Management of Technology <...
ABSTRACT
The Impact of Qualitative Excellence and Applicability of Patent Technology on Technology Transfer Performance, Firm Performance and Technology Loyalty
Jin-Hee PARK
Department of Management of Technology, Graduate School of Management of Technology
Supervised by Professor Ph.D. Gun-Kwon SHIN
Many studies have been conducted on the subject of technology buyers' perspectives and technology commercialization, which are considered to be one of the parties of technology transfer. However, seen from the perspective of technology suppliers, there is little research on the effects of patent technology excellence or applicability on technology transfer performance, firm performance and technology loyalty. Besides, in Korea, there is not much active research on prediction modeling based on machine learning using patent data. Therefore, in future research, it is necessary to explore the determinants of technology loyalty from the perspective of technology providers in order to support public research institutes so that they can secure competitiveness in patent technology. Also required in future research are efforts to predict technology loyalty through its predictive modeling based on machine learning. In line with these needs for future research, this study constructed and analyzed the prediction model of technical loyalty by hypothesis verification and machine learning technique. First, in the hypothesis verification study, the effects of the patent technology characteristics (qualitative excellence and applicability) possessed by the research institute A were found to have an effect on the technology transfer performance, the enterprise performance, and the technology loyalty. In addition, in order to confirm whether the transfer of technology transfer performance and firm performance mediate between the characteristics of patent technology and technology loyalty, and whether or not the partnership affects the relationship between patent technology characteristics, technology transfer performance, firm performance, and technology loyalty, analysis of moderation effects was performed. Second, a research model for estimating and predicting technical loyalty by applying machine learning algorithm was created and evaluated. The data for analysis were 746 cases where the technology evaluation index was available and the characteristics of transferred companies could be confirmed. They were drawn from 3,942 patents possessed by research institute A at the end of 2017. SPSS 25, SmartPLS 3.0, and SPSS Modeler 17 were used as statistical processing programs for basic statistical analysis, hypothesis testing, and predictive modeling through machine learning. The results of this study are as follows. First, all hypotheses were adopted as a result of verification of the basic hypothesis. First of all, it was found that as the quality of patent technology and the degree of application possibility increased, so did the technology transfer performance and the enterprise performance. Next, the higher the technology transfer performance, the higher was the firm performance, while the higher the firm performance, the higher was the technical loyalty. Second, it was found that the qualitative excellence of patent technology and its degree of utilization had a positive effect on the technological loyalty through the technology transfer performance and firm performance. Third, as a result of verifying the moderating effects of partner firms, it was found that there was a statistically significant difference only in the effect of firm performance on technical loyalty. The results of this study are summarized as follows. First, the artificial neural network model was found to have the highest predictive power out of the three models of machine learning algorithm: linear model, linear regression model and artificial neural network model. Second, as a result of analysis of the artificial neural network model, it was found that the change rate of sales and that of R&D expenditure are more important than other predictors of technology loyalty. This study has academic significance in that it presents research models and provides empirical analysis for providing basic information necessary to perform technical marketing from the perspective of technology suppliers based on the results of previous studies on determinants of patent value. In addition, the present study is based on the previous studies on the determinants of the value of the patent. The study is also significant in that it collected the actual transaction data for analysis after deriving the qualitative excellence and applicability factors of the patent technology as common items in order to secure objectivity. In addition, this study is meaningful in that it predicts model loyalty through machine learning technique and draws practical implications for predicting technology loyalty.
ABSTRACT
The Impact of Qualitative Excellence and Applicability of Patent Technology on Technology Transfer Performance, Firm Performance and Technology Loyalty
Jin-Hee PARK
Department of Management of Technology, Graduate School of Management of Technology
Supervised by Professor Ph.D. Gun-Kwon SHIN
Many studies have been conducted on the subject of technology buyers' perspectives and technology commercialization, which are considered to be one of the parties of technology transfer. However, seen from the perspective of technology suppliers, there is little research on the effects of patent technology excellence or applicability on technology transfer performance, firm performance and technology loyalty. Besides, in Korea, there is not much active research on prediction modeling based on machine learning using patent data. Therefore, in future research, it is necessary to explore the determinants of technology loyalty from the perspective of technology providers in order to support public research institutes so that they can secure competitiveness in patent technology. Also required in future research are efforts to predict technology loyalty through its predictive modeling based on machine learning. In line with these needs for future research, this study constructed and analyzed the prediction model of technical loyalty by hypothesis verification and machine learning technique. First, in the hypothesis verification study, the effects of the patent technology characteristics (qualitative excellence and applicability) possessed by the research institute A were found to have an effect on the technology transfer performance, the enterprise performance, and the technology loyalty. In addition, in order to confirm whether the transfer of technology transfer performance and firm performance mediate between the characteristics of patent technology and technology loyalty, and whether or not the partnership affects the relationship between patent technology characteristics, technology transfer performance, firm performance, and technology loyalty, analysis of moderation effects was performed. Second, a research model for estimating and predicting technical loyalty by applying machine learning algorithm was created and evaluated. The data for analysis were 746 cases where the technology evaluation index was available and the characteristics of transferred companies could be confirmed. They were drawn from 3,942 patents possessed by research institute A at the end of 2017. SPSS 25, SmartPLS 3.0, and SPSS Modeler 17 were used as statistical processing programs for basic statistical analysis, hypothesis testing, and predictive modeling through machine learning. The results of this study are as follows. First, all hypotheses were adopted as a result of verification of the basic hypothesis. First of all, it was found that as the quality of patent technology and the degree of application possibility increased, so did the technology transfer performance and the enterprise performance. Next, the higher the technology transfer performance, the higher was the firm performance, while the higher the firm performance, the higher was the technical loyalty. Second, it was found that the qualitative excellence of patent technology and its degree of utilization had a positive effect on the technological loyalty through the technology transfer performance and firm performance. Third, as a result of verifying the moderating effects of partner firms, it was found that there was a statistically significant difference only in the effect of firm performance on technical loyalty. The results of this study are summarized as follows. First, the artificial neural network model was found to have the highest predictive power out of the three models of machine learning algorithm: linear model, linear regression model and artificial neural network model. Second, as a result of analysis of the artificial neural network model, it was found that the change rate of sales and that of R&D expenditure are more important than other predictors of technology loyalty. This study has academic significance in that it presents research models and provides empirical analysis for providing basic information necessary to perform technical marketing from the perspective of technology suppliers based on the results of previous studies on determinants of patent value. In addition, the present study is based on the previous studies on the determinants of the value of the patent. The study is also significant in that it collected the actual transaction data for analysis after deriving the qualitative excellence and applicability factors of the patent technology as common items in order to secure objectivity. In addition, this study is meaningful in that it predicts model loyalty through machine learning technique and draws practical implications for predicting technology loyalty.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.