본 연구는 금융기관의 여신심사용 기술력 평가모형의 직접 활용 타당성 및 가능성을 검증하기 위해 첫째, 기술력 평가모형이 기업의 경영성과를 반영하고 있는지, 둘째, 현재의 기술등급 분류체계가 적절한지, 셋째, 그렇다면 기술등급 분류체계를 결정하는 중요 평가항목은 무엇인지를 검증하였다. 분석결과 재무적 성과(안정성), 비재무적 성과(기술환경)는 기술등급을 설명하는데 유의한 변수임이 증명되었다. 기술등급 분류체계는 군집 간 모든 평가항목(대항목 2개, 중학목 8개)에서 유의한 차이가 나타났으며, 평가항목의 상대적 중요도는 큰 차이를 보이지는 않았지만 기술금융 적합여부와 기술력 우수여부를 결정하는 1순위 변수로는 기술개발능력이 선정되었다. 기술금융 적합여부에 있어 2순위 변수로는 기업 경영관련 지표가, 기술력 우수기업 여부는 기술력 기반의 경쟁력 지표가 선정되었다. 종합하면 기술력 평가모형은 기업의 경영성과와 위험을 일정부분 반영한 모형이며, 기본적으로 기술개발능력을 중심으로 경영능력과 기술진보에 의한 경쟁력을 더하여 기술기반 중소기업의 미래를 예측하는 모형임을 의미한다. 이는 '미래진보성(forward-looking)' 기능의 기술력 평가모형이 기존의 신용평가모형과 결합했을 때 평가모형으로서 예측력과 안정성 개선에 긍정적 요인으로 작용할 수 있는 가능성이 있음을 시사한다.
본 연구는 금융기관의 여신심사용 기술력 평가모형의 직접 활용 타당성 및 가능성을 검증하기 위해 첫째, 기술력 평가모형이 기업의 경영성과를 반영하고 있는지, 둘째, 현재의 기술등급 분류체계가 적절한지, 셋째, 그렇다면 기술등급 분류체계를 결정하는 중요 평가항목은 무엇인지를 검증하였다. 분석결과 재무적 성과(안정성), 비재무적 성과(기술환경)는 기술등급을 설명하는데 유의한 변수임이 증명되었다. 기술등급 분류체계는 군집 간 모든 평가항목(대항목 2개, 중학목 8개)에서 유의한 차이가 나타났으며, 평가항목의 상대적 중요도는 큰 차이를 보이지는 않았지만 기술금융 적합여부와 기술력 우수여부를 결정하는 1순위 변수로는 기술개발능력이 선정되었다. 기술금융 적합여부에 있어 2순위 변수로는 기업 경영관련 지표가, 기술력 우수기업 여부는 기술력 기반의 경쟁력 지표가 선정되었다. 종합하면 기술력 평가모형은 기업의 경영성과와 위험을 일정부분 반영한 모형이며, 기본적으로 기술개발능력을 중심으로 경영능력과 기술진보에 의한 경쟁력을 더하여 기술기반 중소기업의 미래를 예측하는 모형임을 의미한다. 이는 '미래진보성(forward-looking)' 기능의 기술력 평가모형이 기존의 신용평가모형과 결합했을 때 평가모형으로서 예측력과 안정성 개선에 긍정적 요인으로 작용할 수 있는 가능성이 있음을 시사한다.
The purposes of this research are to verify: first, if the technology appraisal model reflects the company's management performance and the rates of bankruptcy and overdue; second, if the existing classification system of technology levels is suitable; and third, which is the most important appraisa...
The purposes of this research are to verify: first, if the technology appraisal model reflects the company's management performance and the rates of bankruptcy and overdue; second, if the existing classification system of technology levels is suitable; and third, which is the most important appraisal factor that defines the classification system of technology levels. As a result of the analysis, financial performance (stability) and non-financial performance (technology environment) proved to be significant variables in explaining technology ratings. According to the verification of the suitability of classification system, it appeared that there is a significant difference in all appraisal items of all groups. The result of neural networks model verification indicates that the most important variable was the R&D capacity, the second variables which determine the suitability of technology financing were indicators related to the company management. The second variables which determine a company's technological excellence were a company's technological base. To summarize, the technology appraisal model not only reflects both managerial performance and risks of a company, but also anticipates the future by converging the management competence and technological competitiveness into R&D capacity. This implies that if the 'forward-looking' technology appraisal model is integrated into the existing, credit rating model, the appraisal model may have positive impact on improving anticipation and stability.
The purposes of this research are to verify: first, if the technology appraisal model reflects the company's management performance and the rates of bankruptcy and overdue; second, if the existing classification system of technology levels is suitable; and third, which is the most important appraisal factor that defines the classification system of technology levels. As a result of the analysis, financial performance (stability) and non-financial performance (technology environment) proved to be significant variables in explaining technology ratings. According to the verification of the suitability of classification system, it appeared that there is a significant difference in all appraisal items of all groups. The result of neural networks model verification indicates that the most important variable was the R&D capacity, the second variables which determine the suitability of technology financing were indicators related to the company management. The second variables which determine a company's technological excellence were a company's technological base. To summarize, the technology appraisal model not only reflects both managerial performance and risks of a company, but also anticipates the future by converging the management competence and technological competitiveness into R&D capacity. This implies that if the 'forward-looking' technology appraisal model is integrated into the existing, credit rating model, the appraisal model may have positive impact on improving anticipation and stability.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
기술력 우수기업(T1∼T4)과 非 기술력 우수기업(T5∼T10), 기술금융 적합기업(T1∼T6)과 기술금융 부적합기업(T7∼T10) 의 비교를 통해 기술등급 분류체계의 적절성을 검증하고자 한다.
본 논문에서는 기술력 평가결과와 그에 따른 기술등급 분류체계에 대한 적합성이 핵심 연구 주제이다. 하지만 현재 운용되고 있는 기술금융 분류체계(기술금융 적합/부적합 기업, 기술력 우수/非우수기업)는 2014년 7월 적용되어 기술력 평가모형과 기술등급 체계 간 적합성에 대한 선행연구는 그 사례가 매우 적으며, 주제 또한 규제의 정당성 관점이나 활용방안 등으로 매우 제한적이다.
본 논문은 기술력 평가모형과 해당 모형의 결과가 적용되는 기술금융의 등급체계가 ‘미래진 보성(forward-looking)’에 중심을 둔 평가체계로서의 적합한지 규명하고자 했다는 점에서 기존 연구들과는 차이가 있다고 할 수 있다.
본 연구는 기술력 평가모형을 여신심사 시 직접적으로 활용하여 기업의 경영성과 및 위험 예측력을 증가시킬 수 있는지에 대한 검증을 목표로 시작되었다. 기술력 평가모형은 첫째, 기업의 경영성과와 부도 및 연체 위험을 목표로 하지 않고 경영주역량, 기술성, 사업성, 시장성 등을 중심으로 구성되어 신용위험과의 관계가 불명확하며, 둘째, 기술등급의 분류체계, 평가항 목의 구성과 결과가 ‘미래진보성(forward-looking)’을 위한 모형으로서 적합한지에 대한 지적이 지속되는 상황이었다.
제안 방법
기술력 우수기업(T1∼T4)과 非 기술력 우수기업(T5∼T10), 기술금융 적합기업(T1∼T6)과 기술금융 부적합기업(T7∼T10) 의 비교를 통해 기술등급 분류체계의 적절성을 검증하고자 한다. 기술력 평가항목을 변수로 설정하여 각 분류 간 유의한 차이가 있는지에 대해서는 T-test 분석을, 또한 차이가 있다면 어떠한 변수들이 우선순위를 가지고 분류의 잣대로 활용되는지 Machine Learning 기법을 통해 분석하고자 한다. 이를 통해 기술력 평가모형의 분류체계와 기술력 평가항목이 적절한지 알아보고자 하였으며, 통계분석은 ‘SPSS Statistics 22’와 ‘SPSS Modeler’를 사용하였다.
따라서 연구 1단계에서는 기술력 평가를 받은 기업들이 충분히 전체산업을 대표한다고 전제하고 평가기업들을 산업분류에 맞추어 기업의 평균 기술등급을 산업 기술등급으로 대용하였다. 여기에 산업별 재무, 비재무 데이터(한국은행 기업경영분석: 중소기업 기준 매출액증가율, 부채비율, 영업이익률, 한국생산성본부: 기술진보에 의한 총산출기여율)를 매핑하여 산업 기술 등급이 산업의 재무, 비재무적 성과를 설명하고 있는지에 대해 상관관계 분석을 실시하였다.
신경망 모형은 노드에 따라 과잉적합위험(risk of over fitting)과 과소적합위험(risk of under fitting)이 존재하는데, 본 연구의 신경망 모형에서 최적노드는 역전파 학습 알고리즘(back propagation algorithm)을 사용하여 추가로 오류를 줄일 수 없을 때를 최적노드로 결정지었다. 이렇게 결정된 최적노드가 과잉적합위험, 과소적합위험에 노출되었는지를 확인하기 위해 전체데이터의 60%를 훈련 데이터, 20%를 테스트 데이터, 20%를 확인 데이터로 구분하여 위험노출 여부를 확인하였다.
신경망 분석을 위하여(그림 4), (그림 6)과 같이 입력층 1개층, 은닉층 1개층을 갖는 3층 구조의 퍼셉트론(perceptron)을 사용하였으며, 은닉층의 활성함수로는 쌍곡 탄젠트(hyperbolic tangent) 함수를 사용하였다. 입력층의 노드는 중항목과 바이어스 노드를 포함하여 9개를 사용하였다.
따라서 연구 1단계에서는 기술력 평가를 받은 기업들이 충분히 전체산업을 대표한다고 전제하고 평가기업들을 산업분류에 맞추어 기업의 평균 기술등급을 산업 기술등급으로 대용하였다. 여기에 산업별 재무, 비재무 데이터(한국은행 기업경영분석: 중소기업 기준 매출액증가율, 부채비율, 영업이익률, 한국생산성본부: 기술진보에 의한 총산출기여율)를 매핑하여 산업 기술 등급이 산업의 재무, 비재무적 성과를 설명하고 있는지에 대해 상관관계 분석을 실시하였다. 단, 기술진보에 의한 총산출기여율이 Outlier로 판명된 A01(농업), A03(어업)은 분석대상에서 제외하였다.
신경망 모형은 노드에 따라 과잉적합위험(risk of over fitting)과 과소적합위험(risk of under fitting)이 존재하는데, 본 연구의 신경망 모형에서 최적노드는 역전파 학습 알고리즘(back propagation algorithm)을 사용하여 추가로 오류를 줄일 수 없을 때를 최적노드로 결정지었다. 이렇게 결정된 최적노드가 과잉적합위험, 과소적합위험에 노출되었는지를 확인하기 위해 전체데이터의 60%를 훈련 데이터, 20%를 테스트 데이터, 20%를 확인 데이터로 구분하여 위험노출 여부를 확인하였다.
이를 위해 기업의 재무적 성과로 매출액증가율(성장성), 부채비율(안정성), 영업이익률(수익성)을 변수로 설정하고, 기업의 비재무적 성과로 R&D 집중도(기술환경), 기술진보에 의한 총산출기여율(R&D 생산성)을 변수로 설정하여 해당 변수들이 기술등급과 어떠한 상관관계와 회귀관계가 있는지를 분석하고자 한다.
현재의 기술등급 분류체계에서 모든 평가항목은 구분 기준으로서 유의미한 역할을 하고 있다는 결과를 얻었다. 이와 더불어 어떠한 평가항목이 기술금융 적합기업과 기술력 우수기업의 잣대가 되는지에 대한 중요성 검증을 통하여 평가항목의 상대적 중요도를 검증하였다.
평가항목은 대항목(2개), 중항목(8개), 소항목(기술신용평가기관에 따라 일반과 창업 모형으로 구분되며 16개∼33개로 다양)으로 구성되어 있으며, 4개 신용평가기관의 공통 평가항목인 대항목과 중 항목을 변수로 활용하였다.
출력층의 최종적 반응결과를 목표 값과 비교하여 그 차이를 감소시키는 역전파 학습 알고리즘(back propagation algorithm)을 통해 가중치를 조정함으로써 학습이 진행된다. 현재 4개 기술신용평가기관이 대항목, 중항목 수준에서는 동일한 평가항목을 사용하지만 평가결과의 결합을 통한 기술등급 도출에 대해서는 선형성을 전제할 수 없기 때문에 비모수적 방법으로서, 교호효과와 비선형성을 자동으로 찾아내며 선형성, 정규성, 등분산성 등의 가정이 필요치 않은 장점이 있는 신경망 모형 기법을 선택하여 적용하였다.
회귀분석은 변수의 정규성이 전제되어야하기 때문에 분포 상 정규분포에서 벗어난 R&D 집중도, 영업이익률, 부채비율에 대해서는 Log 변환을 취해서 사용하였다.
대상 데이터
본 연구에 사용된 데이터는 ‘14.07월∼’16.06월까지 4개 기술신용평가기관5) 의 기술력 평가 결과 123,973건을 기초로 한다.
연구 1단계에서는 기술진보의 총산출기여율이 Outlier로 분류되는 A01(농업), A03(어업)을 제외한 49개 산업을 분석대상으로 하였으며, 기술등급은 T1∼T10을 그대로 사용하였다.
연구 2단계에서는 기술력 평가를 받은 123,973건 중 대항목, 중항목 평가결과가 있는 평가건 116,472건을 사용하였다. 중항목은 총 5단계 등급이며 A=5점, B=4점, C=3점, D=2점, E=1점으로 환산하여 사용하였다.
연구 2단계인 기술등급 분류체계의 적절성 검증은 4개 기술신용평가기관의 기술력 평가 데이터를 활용하였다. 평가항목은 대항목(2개), 중항목(8개), 소항목(기술신용평가기관에 따라 일반과 창업 모형으로 구분되며 16개∼33개로 다양)으로 구성되어 있으며, 4개 신용평가기관의 공통 평가항목인 대항목과 중 항목을 변수로 활용하였다.
신경망 분석을 위하여(그림 4), (그림 6)과 같이 입력층 1개층, 은닉층 1개층을 갖는 3층 구조의 퍼셉트론(perceptron)을 사용하였으며, 은닉층의 활성함수로는 쌍곡 탄젠트(hyperbolic tangent) 함수를 사용하였다. 입력층의 노드는 중항목과 바이어스 노드를 포함하여 9개를 사용하였다. 입력층의 중항목 평가결과 값은 A=5점, B=4점, C=3점, D=2점, E=1점으로 변환하여 사용하였으며, 출력층은 기술금융 적합기업(T1~T6)과 기술금융 부적합기업(T7~T10)으로, 기술력 우수기업(T1~T4)과 非 기술력 우수기업(T5~T10)으로 분류하여 신경망 모형을 테스트하였다.
데이터처리
기술등급이 재무적, 비재무적 성과를 잘 반영하고 있는지에 대한 검증은 상관관계 분석과 회귀분석을 통해 실시하였다. 상관관계 분석 결과 재무적 성과에 대해서는 영업이익률(수익률), 부채비율(안정성)이 비재무적 성과에 대해서는 R&D 집중도(기술환경)와 기술진보의 총산출기여율(R&D 생산성)이 기술등급과 0.
상관관계 분석은 변수 간의 관계만을 보여주는 분석방법이기 때문에, 기술등급에 해당 재무적 성과와 비재무적 성과가 반영되었는지를 설명하기에는 불충분한 부분이 있다. 이를 보완하기 위해 기술등급을 종속변수로, 기업의 재무적 성과와 비재무적 성과를 독립변수로 설정하여 회귀분석을 실시하였다. 회귀분석은 변수의 정규성이 전제되어야하기 때문에 분포 상 정규분포에서 벗어난 R&D 집중도, 영업이익률, 부채비율에 대해서는 Log 변환을 취해서 사용하였다.
이를 통해 기술력 평가모형의 분류체계와 기술력 평가항목이 적절한지 알아보고자 하였으며, 통계분석은 ‘SPSS Statistics 22’와 ‘SPSS Modeler’를 사용하였다.
현재의 기술등급 분류체계인 기술금융 적합기업(T1∼T6) 대비 기술금융 부적합기업(T7∼ T10)과 기술력 우수기업(T1∼T4) 대비 非 기술력 우수기업(T5∼T10)의 평가결과에 대한 집단 간 차이가 있는지에 대해 T-Test를 실시하였다.
이론/모형
기술력 평가항목의 중요성 검증에는 Machine Learning 기법 중 신경망 모형을(Neural Networks) 사용하였다. 신경망 모형은 인간이 학습을 통해, 다음 행동을 수행하는 원리를 기계에 접목시킨 방법으로 Warren McCullocu과 Walter Pitts(1943)의 단층 퍼셉트론(SLP: SingleLayer Perceptron)을 시작으로 Minsky와 Paper(1986)에 의해 다층 퍼셉트론(MLP: Multi-Layer Perceptron)으로 진화하였다.
신경망 모형은 인간이 학습을 통해, 다음 행동을 수행하는 원리를 기계에 접목시킨 방법으로 Warren McCullocu과 Walter Pitts(1943)의 단층 퍼셉트론(SLP: SingleLayer Perceptron)을 시작으로 Minsky와 Paper(1986)에 의해 다층 퍼셉트론(MLP: Multi-Layer Perceptron)으로 진화하였다. 본 연구에 적용된 신경망 모형은 지도학습(Supervised) 중 다층 퍼셉트론(MLP: Multi-Layer Perceptron) 방식으로 입력층을 통해 들어온 데이터들은 은닉층에서 선형결합으로 연결되고, 이 선형결합 값이 커질수록 뉴런(Neuron)이 활성화되고, 작아질수록 비활성화된다. 출력층에서는 은닉층에서 보낸 신호를 결합하여 최종적 반응결과를 생성하게 된다.
출력층에서는 은닉층에서 보낸 신호를 결합하여 최종적 반응결과를 생성하게 된다. 출력층의 최종적 반응결과를 목표 값과 비교하여 그 차이를 감소시키는 역전파 학습 알고리즘(back propagation algorithm)을 통해 가중치를 조정함으로써 학습이 진행된다. 현재 4개 기술신용평가기관이 대항목, 중항목 수준에서는 동일한 평가항목을 사용하지만 평가결과의 결합을 통한 기술등급 도출에 대해서는 선형성을 전제할 수 없기 때문에 비모수적 방법으로서, 교호효과와 비선형성을 자동으로 찾아내며 선형성, 정규성, 등분산성 등의 가정이 필요치 않은 장점이 있는 신경망 모형 기법을 선택하여 적용하였다.
성능/효과
R&D 집중도는 유의수준 0.01 하에서 기술등급에 음(-)의 영향을 미치고 있으며, 부채비율은 유의수준 0.10 하에서 기술등급에 양(+)의 영향을 미치고 있다는 결론을 얻었으며, 이는 R&D 집중도가 증가하고 부채비율이 감소할수록 기술등급이 개선됨을 의미한다.
검증결과 기술력 평가모형은 기업의 경영성과와 부도 및 연체 위험을 목표로 설계되지 않았 음에도 불구하고, 기술등급과 기업의 재무적 성과(수익성, 안정성), 비재무적 성과(기술환경, R&D 생산성) 간 상관관계를 가지고 있음이 밝혀졌다.
기술금융 적합기업과 부적합기업 집단은 모든 평가항목이 유의수준 0.01 하에서 유의한 차이가 있는 것으로 나타났다. 또한, 기술력 우수기업과 非 기술력 우수기업 집단 간 T-test에서도모든 평가항목이 유의수준 0.
기술등급 분류체계의 적절성 검증 결과, 현재의 기술등급 분류체계(T1∼T4: 기술력 우수기업 vs. T5∼T10: 非 기술력 우수기업, T1∼T6: 기술금융 적합기업 vs. T7∼T10: 기술금융 부적합 기업)는 모든 평가항목(기술등급, 대항목 2개, 중항목 8개)에서 군집 간 유의한 차이가 있음이입증되었다.
기술력 우수기업여부를 구분하는 변수의 상대적 중요도는 기술금융 적합여부에 비하여 변수간 중요도의 큰 차이는 없었으며, 기술개발역량(0.16), 제품화역량(0.15), 시장경쟁력(0.14), 경영주역량(0.14), 경영진역량(0.13), 기술우위성(0.12), 수익전망(0.09), 시장현황(0.08) 순으로 집계되었다. 해당 중요도를 기준으로 기술력 우수기업여부에 대한 재분류를 실시하였을 때 분류의 정확도는 91.
기술력 평가모형은 첫째, 기업의 경영성과와 부도 및 연체 위험을 목표로 하지 않고 경영주역량, 기술성, 사업성, 시장성 등을 중심으로 구성되어 신용위험과의 관계가 불명확하며, 둘째, 기술등급의 분류체계, 평가항 목의 구성과 결과가 ‘미래진보성(forward-looking)’을 위한 모형으로서 적합한지에 대한 지적이 지속되는 상황이었다.
또한 회귀분석 결과에서도 R&D 집중도와 부채비율은 기술력 평가모형의 결과인 기술등급에 일정부분 반영되고 있음이 증명되었다.
01 하에서 유의한 차이가 있는 것으로 나타났다. 또한, 기술력 우수기업과 非 기술력 우수기업 집단 간 T-test에서도모든 평가항목이 유의수준 0.01 하에서 유의한 차이가 있는 것으로 나타났다. 이는 현재의 기술 등급 분류체계에 있어 모든 평가항목들이 구분 기준을 결정하는 잣대로서 충분한 역할을 하고 있다고 해석할 수 있다.
상관계수는 R&D 집중도(-0.693), 부채비율(0.403)이 다소 높은 상관관계를 보이며, 기술진보의 총산출기여율(-0.314), 영업이익률(-0.232)은 낮은 상관관계를 보이고 있다.
상관관계 분석 결과 재무적 성과에 대해서는 영업이익률(수익률), 부채비율(안정성)이 비재무적 성과에 대해서는 R&D 집중도(기술환경)와 기술진보의 총산출기여율(R&D 생산성)이 기술등급과 0.01 유의수준 하에서 유의한 관계가 있는 것으로 나타났다.
07) 순으로 집계되었다. 해당 중요도를 기준으로 기술금융 적합여부에 대한 분류를 재실시하였을 때, 분류의 정확도는 88.6%로 상당히 높은 수준의 예측력을 보여준다.
08) 순으로 집계되었다. 해당 중요도를 기준으로 기술력 우수기업여부에 대한 재분류를 실시하였을 때 분류의 정확도는 91.6%로 상당히 높은 수준의 예측력을 보여준다.
현재의 기술등급 분류체계에서 모든 평가항목은 구분 기준으로서 유의미한 역할을 하고 있다는 결과를 얻었다. 이와 더불어 어떠한 평가항목이 기술금융 적합기업과 기술력 우수기업의 잣대가 되는지에 대한 중요성 검증을 통하여 평가항목의 상대적 중요도를 검증하였다.
회귀분석 결과 수정된 R2 =0.577(57.7%)로 기업의 재무적 성과와 비재무적 성과의 기술등급에 대한 설명력을 나타내며, 분산분석의 F값은 14.091로 유의수준 0.01 하에서 회귀선이 모델에 적합한 것으로 나타났다.
후속연구
즉, 기술금융 적합여부인 T1∼T6 등급 기업의 평가항목 점수와 T7∼T10 등급 기업의 평가항목 점수의 비교를 통해 기술력 평가가 기술기반 중소기업의 ‘미래’와 관련이 높은 항목을 기준으로 평가되고 있는지 검증해볼 필요가 있다.
첫 번째로, 신동호(2015), 차우준(2016)이 지적한 대로 기술력 평가가 신용평가 모형의 한 부분으로 인정받으려면, 기술력 평가가 기업의 재무성과와 부도 및 연체율과 유의한 관계가 있는지에 대한 검증이 필요하다. 또한, 기술력 평가 모형이 ‘미래진보성(forward-looking)’의 기능을 충분히 수행하고 있는지에 대해서 기술력과 관련된 비재무적 지표들이 기술력 평가모형에 반영되고 있는지 검증이 필요하다.
본 논문은 신용평가모형으로서의 기술력 평가모형의 직접적 활용 가능성을 찾는데 의미가 있다고 볼 수 있다. 하지만 데이터 수집의 한계로 기업의 부도 및 연체 위험률과 기술력 평가모형 간 관계는 검증하지 못하였으며, 기술력 평가모형과 기업의 재무적, 비재무적 성과에 대한 관계 분석도 시차를 고려하지 않은 회귀분석과 상관관계 분석에 그치고 있기 때문에 추후 연구 과제로서 검증이 추가되어야 한다.
질의응답
핵심어
질문
논문에서 추출한 답변
여신심사용 기술력 평가모형의 직접 활용 타당성 및 가능성을 검증을 위한 세가지 방법은?
본 연구는 금융기관의 여신심사용 기술력 평가모형의 직접 활용 타당성 및 가능성을 검증하기 위해 첫째, 기술력 평가모형이 기업의 경영성과를 반영하고 있는지, 둘째, 현재의 기술등급 분류체계가 적절한지, 셋째, 그렇다면 기술등급 분류체계를 결정하는 중요 평가항목은 무엇인지를 검증하였다. 분석결과 재무적 성과(안정성), 비재무적 성과(기술환경)는 기술등급을 설명하는데 유의한 변수임이 증명되었다.
본문에서 설명하는 재무제표만으로 신용평가할시 예상되는 문제점은?
재무제표는 결국 기업의 ‘과거’이며 신용평가모형은 이러한 ‘과거’가 ‘미래’의 경영성과를 통계적으로 충분히 추론한다는 가설을 전제하고 있다. 하지만 신용평가는 경영실적이 취약한 대부분의 신생기업에 적용할 시 ‘과거’를 전제로 하기에 필연적으로 정보의 비대칭으로 인한 기술력이 우수한 신생기업에 원활한 자금조달을 하지 못하는 시장실패에 직면할 수밖에 없다.
기술등급을 설명하는데 유의한 변수는?
본 연구는 금융기관의 여신심사용 기술력 평가모형의 직접 활용 타당성 및 가능성을 검증하기 위해 첫째, 기술력 평가모형이 기업의 경영성과를 반영하고 있는지, 둘째, 현재의 기술등급 분류체계가 적절한지, 셋째, 그렇다면 기술등급 분류체계를 결정하는 중요 평가항목은 무엇인지를 검증하였다. 분석결과 재무적 성과(안정성), 비재무적 성과(기술환경)는 기술등급을 설명하는데 유의한 변수임이 증명되었다. 기술등급 분류체계는 군집 간 모든 평가항목(대항목 2개, 중학목 8개)에서 유의한 차이가 나타났으며, 평가항목의 상대적 중요도는 큰 차이를 보이지는 않았지만 기술금융 적합여부와 기술력 우수여부를 결정하는 1순위 변수로는 기술개발능력이 선정되었다.
참고문헌 (31)
강요셉 (2014), "기술사업화 촉진을 위한 기술금융의 역할과 변화방향", 한국과학기술기획평가원 ISSUE PAPER, 제 2014-05.
권혁진 (2006), "기술평가기업의 도산분석을 통한 저위험 모형구축에 관한 연구", 건국대학교대학원 박사학위 논문.
김권식.이강훈 (2015), "규제의 정당성 관점에서 본 기술평가 제도의 개선방안", 사회과학연구, 27(2): 113-135.
김상윤 (2006), "중소 IT 제조기업 대상의 기술력평가 체계에 관한 연구", 연세대학교 대학원 석사학위 논문.
김장호.주기종 (2013), "기업가정신이 혁신역량 및 혁신성과에 미치는 영향", 한국경영공학회지, 18(2): 1-14.
김태호.한봉희 (2009), "중소기업의 기술평가등급과 재무성과 간의 연관성", 대한경영학회지, 22(5): 2789-2808.
David, A. and Baruch, L. (1998), "The Value Relevance of Intangibles: The Case of Software Capitalization", Journal of Accounting Research, 36(3): 161-191.
Ernst, H. (2001), "Patent Application and Subsequent Changes of Performance: Evidence from Time-series Cross-section Analyses on the Firm Level", Research Policy, 30: 143-157.
Griliches, Z. (1990), "Patent Statistics as Economic Indicators", Journal of Economic Literature, 28(4): 1661-1707.
Jo, H. R. and Lee, J. J. (1996), "The Relationship between and Entrepreneur's Background and Performance in a New Venture", Technovation, 16(4): 161-171.
Sohn, S. Y. and Moon, T. H. (2003), "Structural Equation Model for Predicting Technology Commercialization Success Index(TCSI)", Technological Forecasting and Social Change, 70(9): 885-899.
Sohn, S. Y., Kim, H. S. and Moon, T. H. (2007), "Predicting the Financial Performance Index of Technology Fund for SME Using Structural Equation Model", Expert Systems with Applications, 32(3): 890-898.
Stuart, R. and Abetti, P. A. (1990), "Impact of Entrepreneurial and Management Experience on Early Performance", Journal of Business Venturing, 5(3): 151-162.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.