[논문]특허 데이터 및 재무 데이터를 활용한 글로벌 기업의 인공지능 하드웨어 연구개발 효율성 분석

박지민; 이봉규

doi:10.9717/kmms.2020.23.2.317

특허 데이터 및 재무 데이터를 활용한 글로벌 기업의 인공지능 하드웨어 연구개발 효율성 분석
Analysis of Research and Development Efficiency of Artificial Intelligence Hardware of Global Companies using Patent Data and Financial data 원문보기

멀티미디어학회논문지 = Journal of Korea Multimedia Society, v.23 no.2, 2020년, pp.317 - 327

박지민 (Dept of Technology and Business Administration Yonsei University) , 이봉규 (Graduate School of Information, Yonsei University)

Abstract ▼ AI-Helper

R&D(Research and Development) efficiency analysis is a very important issue in academia and industry. Although many studies have been conducted to analyze R&D(Research and Development) efficiency since the past, studies that analyzed R&D(Research and Development) efficiency considering both patentability and patent quality efficiency according to the financial performance of a company do not seem to have been actively conducted. In this study, measuring the patent application and patent quality efficiency according to financial performance, patent quality efficiency according to patent application were applied to corporate groups related to artificial intelligence hardware technology defined as GPU(Graphics Processing Unit), FPGA(Field Programmable Gate Array), ASIC(Application Specific Integrated Circuit) and Neuromorphic. We analyze the efficiency empirically and use Data Envelopment Analysis as a measure of efficiency. This study examines which companies group has high R&D(Research and Development) efficiency about artificial intelligence hardware technology.

주제어

표/그림 (14)

표 Table 1. Variable related to company's performance
표 Table 2. Number of Patent of Artificial Intelligence Semiconductor
그림 Fig. 1. Number of Patent by Artificial Intelligence Semi-conductor Technology.
그림 Fig. 2. Frame for Efficiency Analysis by Technology / Period.
그림 Fig. 3. Model for Analyzing Patent Performance Effi-ciency.
표 Table 3. Search Formula for Artificial Intelligence Semiconductor
그림 Fig. 4. R&D Efficiency about GPU (Graphics Processing Unit).
그림 Fig. 5. R&D Efficiency about FPGA(Field Programmable Gate Array).
그림 Fig. 6. R&D Efficiency about ASIC(Application Specific Integrated Circuit).
표 Table 4. R&D Efficiency about GPU (Graphics Processing Unit)
표 Table 5. R&D Efficiency about FPGA (Field Programmable Gate Array)
그림 Fig. 7. R&D Efficiency about Neuromorphic.
표 Table 6. R&D Efficiency about ASIC (Application Specific Integrated Circuit)
표 Table 7 R&D Efficiency about Neuromorphic

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

Joe Zhu (2000)는 단일의 효율성 분석 모델을 확장한 모델을 통해1) 고용자 수, 자산 및 주주지분을 투입변수로 하고 수익 및 순이익을 산출변수로 하여 기업의 수익성 효율성 분석(Stage1), 2) 수익성 효율성 분석(Stage1)의 산출변수인 수익 및 순이익을 투입변수로 하고 시장가치, 투자자 총수익 및 주당순이익을 산출변수로 하여 기업의 시장성 효율성 분석(Stage2) 및 3) 수익성 효율성 분석(Stage1)의 투입변수인 고용자 수, 자산 및 주주지분을 투입변수로 하고 시장성(stage2) 효율성 분석의 산출변수인 시장가치, 투자자 총수익 및 주당순이익을 산출변수로 하여 효율성 분석을 수행하였다[25]. 본 연구에서는 Joe Zhu (2000)에서 사용된 DEA 모형을 적용하여 인공지능 하드웨어관련 기업집단들의 1) 재무성과에 따른 특허출원 효율성, 2) 특허출원에 따른 특허품질 효율성 및 3) 재무성과에 따른 특허품질 효율성 분석을 수행하고자 한다.
본 연구에서는 선행연구의 특허 포트폴리오 분석 기법들을 결합하여 인공지능 하드웨어 기술을 보유한 기업집단의 기술별/기간별 연구·개발 효율성을 분석하고자 한다.
본 연구에서는 인공지능 하드웨어 기술 관련 기업들을 SIC(Standard Industrial Classification) 코드 기준으로 반도체, IT 및 기타 기업으로 분류한 후 DEA(Data Envelopment Analysis) 방법을 사용하여 R&D(Research and Development) 효율성을 분석하는 것을 목적으로 한다.
본 연구에서는 인공지능 하드웨어 기술을 보유한 글로벌 기업들의 산업집단(반도체, IT 및 기타 기업)별 연구·개발 효율성을 분석한다.

제안 방법

Joe Zhu (2000)는 단일의 효율성 분석 모델을 확장한 모델을 통해1) 고용자 수, 자산 및 주주지분을 투입변수로 하고 수익 및 순이익을 산출변수로 하여 기업의 수익성 효율성 분석(Stage1), 2) 수익성 효율성 분석(Stage1)의 산출변수인 수익 및 순이익을 투입변수로 하고 시장가치, 투자자 총수익 및 주당순이익을 산출변수로 하여 기업의 시장성 효율성 분석(Stage2) 및 3) 수익성 효율성 분석(Stage1)의 투입변수인 고용자 수, 자산 및 주주지분을 투입변수로 하고 시장성(stage2) 효율성 분석의 산출변수인 시장가치, 투자자 총수익 및 주당순이익을 산출변수로 하여 효율성 분석을 수행하였다[25]. 본 연구에서는 Joe Zhu (2000)에서 사용된 DEA 모형을 적용하여 인공지능 하드웨어관련 기업집단들의 1) 재무성과에 따른 특허출원 효율성, 2) 특허출원에 따른 특허품질 효율성 및 3) 재무성과에 따른 특허품질 효율성 분석을 수행하고자 한다.
2) 인공지능 하드웨어 기술별로 특허가 출원된 전체 기간 및 최근 5년 기간을 시계열적으로 분석하는 프레임을 설정한 후 효율성 분석을 위해 사용할 재무성과 변수와 특허성과 변수를 선정한다.3) 선정한 변수들과 프레임을 사용하여 재무성과 대비 특허성과 효율성을 분석하는 모델을 설정한 후 자료포락분석법(DEA: Data Envelopment Analysis)의 CCR 모형을 통해 효율성 분석을 수행한다.
본 연구에서는 인공지능 하드웨어 기술 관련 기업들을 SIC(Standard Industrial Classification) 코드 기준으로 반도체, IT 및 기타 기업으로 분류한 후 DEA(Data Envelopment Analysis) 방법을 사용하여 R&D(Research and Development) 효율성을 분석하는 것을 목적으로 한다. 기존 산업을 유지하고 있던 기업 집단(반도체 기업)의 R&D(Research and Development) 효율성이 다른 산업(IT 및 기타 산업)에서 새롭게 진입하는 기업 집단들의 R&D(Research and Development) 효율성보다 높은지에 관해 연구문제를 설정하였으며, 기업의1) 재무성과에 따른 특허출원 효율성, 2) 특허출원에 따른 특허품질 효율성 및3) 재무성과에 따른 특허품질 효율성을 산출하여 실증분석을 수행하였다.
2) 인공지능 하드웨어 기술별로 특허가 출원된 전체 기간 및 최근 5년 기간을 시계열적으로 분석하는 프레임을 설정한 후 효율성 분석을 위해 사용할 재무성과 변수와 특허성과 변수를 선정한다.3) 선정한 변수들과 프레임을 사용하여 재무성과 대비 특허성과 효율성을 분석하는 모델을 설정한 후 자료포락분석법(DEA: Data Envelopment Analysis)의 CCR 모형을 통해 효율성 분석을 수행한다.
1을 통해 인공지능 하드웨어 관련된 4가지 모든 기술의 특허출원이 2015년도부터 기하급수적으로 증가하는 것을 알 수 있다. 따라서, 본 연구에서는 Tseng et al. (2011)과 Fabry et al. (2006)의 연구 방법을 결합하여 Fig. 2의 기술별/기간별 효율성 분석을 위한 프레임을 구성할 때 기간별 기준을 전체기간과 최근 5년(2015-2019)으로 나누었다[18,19]. 특허성과 관련 변수로는 ① 특허출원 수, ② 3패리 사이즈 이상 특허 수, ③ PCT(Patent Cooperation Treaty) 출원 수, ④ 특허등록 수, ⑤ 기업이 보유한 특허의 총 피인용수, ⑥ 평균 피인용 수 및 ⑦ 상위 10% 피인용 특허의 상대적 피인용수 비율을 사용하였다[18-20].
본 연구에서 특허 데이터는 분석기간 동안의 정량적인 값을 합산하여 분석을 수행하였다. 기업의 재무데이터의 경우 전체기간의 연구·개발 효율성을 분석하기 위해서는 추출된 특허 데이터를 기준으로 기업별 최초 특허출원이 있었던 연도를 시점으로 2019년도까지의 평균값을 산출하였다.
세계적 저널인 Nature와 컨설팅 회사인 Mckinsey에서는 인공지능 하드웨어를 GPU(Graphics Processing Unit), FPGA(Field Programmable Gate Array), ASIC(Application Specific Integrated Circuit)으로 정의하였고, 국내 R&D(Research and Development)관리 전담기관인 IITP 등에서는 상기 3가지 하드웨어뿐 아니라 Nueromorphic까지 포함하여 인공지능 하드웨어를 정의하였다[4-6]. 본 연구에서는 GPU(Graphics Processing Unit), FPGA(Field Programmable Gate Array), ASIC(Application Specific Integrated Circuit) 및 Nueromorphic을 인공지능 하드웨어 기술 특허 검색을 위한 키워드로 선정하였고, 인공지능 기술을 위한 특허를 선정하기 위해 AI, 머신러닝, 딥러닝 등의 키워드를 포함하여 특허 검색식을 만들었다.
본 연구에서는 인공지능 하드웨어 기술 관련 기업들을 기업집단(반도체 기업, IT 기업 및 기타 기업)으로 구분하여 재무성과 대비 특허출원 효율성, 특허출원 대비 특허품질 효율성 및 재무성과 대비 특허품질 효율성을 분석하였다. 효율성 분석은 기술별로 시계열적으로(전체기간 및 최근 5년) 구분하여 수행하였다.
인공지능기술 특허데이터를 분석한 선행연구에서는 IPC(International Patent Classification) 코드 G06F(전기에 의한 디지털 데이터처리)에서 관련 기술 출원이 활발함을 밝혀냈다[26]. 본 연구에서는 인공지능 하드웨어 기술 특허검색을 위한 IPC(International Patent Classification) 코드로 G06F를 선정하였고, 추가적으로 대한민국 특허청(KIPO)에서 제공하는 국제특허분류(IPC: International Patent Classification) 2019 프로그램을 분석한 후 인공지능 하드웨어와 관련된 IPC(International Patent Classification) 코드(G06F: 전기에 의한 디지털 데이터처리, G06K: 데이터의 인식; 데이터의 표시; 기록매체 및 취급, G06N: 특정 계산모델 방식의 컴퓨터시스템, G06T: 이미지 데이터 프로세싱)를 선정하였다. 선정한 키워드와 IPC(International Patent Classification) 코드로 작성된 특허 검색식은 Table 3과 같다.
선행연구에서는 R&D(Research and Development) 비용과 같은 재무성과를 투입변수로 하고 특허 수 등의 특허 관련 지표를 산출변수로 사용한 단일의 효율성 분석만을 수행하였지만, 본 연구에서는 재무성과 대비 특허출원 효율성, 특허출원 대비 특허품질 효율성 및 재무성과 대비 특허품질 효율성 함께 고려하여 연구를 수행하였다.
Stage3에서는 재무성과 대비 특허품질 효율성을 알 수 있다. 투입변수로 ROA(Return On Asset), RDI(Research and Development Intensity), 잠재적 슬랙(Potential Slack) 및 비흡수된 슬랙(Unabsorbed Slack)을 사용하였고, 산출변수로는 특허등록 수, 기업이 보유한 특허의 총 피인용 수, 기업이 보유한 특허의 평균 피인용 수 및 상위 10% 피인용 특허의 상대적 피인용수 비율을 사용하였다. 본 연구에서는 인공지능 반도체의 기술 특성과 산출을 최대화 하는 기업들의 목표를 고려하여 산출기준 CCR 모델을 사용하였으며, 기업집단별(반도체, IT 및 기타 기업) 효율성을 도출하기 위해 Joe Zhu (2000)의 연구에 기초하여 기업집단에 속한 개별 기업들의 효율성 값의 평균을 이용하였다[24,25].
Stage2를 통해서는 인공지능 하드웨어 기술 관련 기업집단(반도체, IT 및 기타 기업)의 특허출원 대비 특허품질 효율성을 알 수 있다. 투입변수로는 특허출원 수, 3패밀리사이즈 이상 특허 수 및 PCT(Patent Cooperation Treaty) 출원 수를 사용하였으며 산출변수로는 특허등록 수, 기업이 보유한 특허의 총 피인용 수, 기업이 보유한 특허의 평균 피인용 수 및 상위 10% 피인용 특허의 상대적 피인용수 비율을 사용하였다. Stage3에서는 재무성과 대비 특허품질 효율성을 알 수 있다.
2의 기술별/기간별 효율성 분석을 위한 프레임을 구성할 때 기간별 기준을 전체기간과 최근 5년(2015-2019)으로 나누었다[18,19]. 특허성과 관련 변수로는 ① 특허출원 수, ② 3패리 사이즈 이상 특허 수, ③ PCT(Patent Cooperation Treaty) 출원 수, ④ 특허등록 수, ⑤ 기업이 보유한 특허의 총 피인용수, ⑥ 평균 피인용 수 및 ⑦ 상위 10% 피인용 특허의 상대적 피인용수 비율을 사용하였다[18-20]. 청구항과 관련된 지표는 특허의 가치를 평가하는데 중요한 정성적 지표로 사용될 수 있지만, 정량적 지표로서는 적합하지 않다고 판단하여 본 연구에서는 사용하지 않았다.
본 연구에서는 인공지능 하드웨어 기술 관련 기업들을 기업집단(반도체 기업, IT 기업 및 기타 기업)으로 구분하여 재무성과 대비 특허출원 효율성, 특허출원 대비 특허품질 효율성 및 재무성과 대비 특허품질 효율성을 분석하였다. 효율성 분석은 기술별로 시계열적으로(전체기간 및 최근 5년) 구분하여 수행하였다.
본 연구에서는 인공지능 하드웨어 기술을 보유한 글로벌 기업들의 산업집단(반도체, IT 및 기타 기업)별 연구·개발 효율성을 분석한다. 효율성 분석을 수행하기 위해1) 선행연구를 기반으로 인공지능 하드웨어 관련 키워드 및 국제특허분류(IPC: International Patent Classification) 코드를 선정하여 특허 데이터를 추출한 후 특허 출원 상위 기업들을 대상으로 재무성과 데이터를 추출한다.

대상 데이터

특허 데이터는 특허정보진흥센터에서 제공하는 키위(KIWEE)에서 선행연구를 기반으로 작성한 검색식으로 검색을 수행하여 추출하였다. 검색결과 1988년부터 2019년 4월까지 미국, 일본, 유럽, 중국특허청 및 WIPO(World Intellectual Property Organization) 등에서 특허 데이터 3001개를 추출하였으며, 기술별 특허 출원 수는 Table 2와 같다. 재무데이터는 Thomson Reuters에서 제공하는 EIKON에서 추출하였으며, 인공지능 하드웨어 기술별 특허출원 수 상위 기업들을 대상으로 ROA(Return On Asset), RDI(Research and Development Intensity), 잠재적 슬랙(Potential Slack) 및 비흡수된 슬랙(Unabsorbed Slack) 데이터를 수집하였다.
검색결과 1988년부터 2019년 4월까지 미국, 일본, 유럽, 중국특허청 및 WIPO(World Intellectual Property Organization) 등에서 특허 데이터 3001개를 추출하였으며, 기술별 특허 출원 수는 Table 2와 같다. 재무데이터는 Thomson Reuters에서 제공하는 EIKON에서 추출하였으며, 인공지능 하드웨어 기술별 특허출원 수 상위 기업들을 대상으로 ROA(Return On Asset), RDI(Research and Development Intensity), 잠재적 슬랙(Potential Slack) 및 비흡수된 슬랙(Unabsorbed Slack) 데이터를 수집하였다.
Stage1을 통해 인공지능 하드웨어 기술 관련 기업집단(반도체, IT 및 기타 기업)의 재무성과 대비 특허출원 효율성을 알 수 있다. 투입변수로는 ROA(Return On Asset), RDI(Research and Development Intensity), 잠재적 슬랙(Potential Slack) 및 비흡수된 슬랙(Unabsorbed Slack)을 사용하였고, 산출변수로서 특허출원 수, 3패밀리 사이즈 이상 특허 수 및 PCT(Patent Cooperation Treaty) 출원 수를 사용하였다. Stage2를 통해서는 인공지능 하드웨어 기술 관련 기업집단(반도체, IT 및 기타 기업)의 특허출원 대비 특허품질 효율성을 알 수 있다.
특허 데이터는 특허정보진흥센터에서 제공하는 키위(KIWEE)에서 선행연구를 기반으로 작성한 검색식으로 검색을 수행하여 추출하였다. 검색결과 1988년부터 2019년 4월까지 미국, 일본, 유럽, 중국특허청 및 WIPO(World Intellectual Property Organization) 등에서 특허 데이터 3001개를 추출하였으며, 기술별 특허 출원 수는 Table 2와 같다.

이론/모형

Greve (2013)와 Chen(2008) 등은 기업의 성과와 기술 탐색의 관계에 관한 연구를 수행하였다. 기업의 기술탐색에 영향을 주는 성과지표 변수로서 ROA(Return On Asset), RDI(Research and Development Intensity), 잠재적 슬랙(Potential Slack) 및 비흡수된 슬랙(Unabsorbed Slack)을 사용하였으며 각 지표는 Table 1과 같이 정의된다[22-23].
청구항과 관련된 지표는 특허의 가치를 평가하는데 중요한 정성적 지표로 사용될 수 있지만, 정량적 지표로서는 적합하지 않다고 판단하여 본 연구에서는 사용하지 않았다. 기업의 재무성과지표는 선행연구에 기초하여 ① ROA(Return On Asset), ② RDI(Research and Development Intensity), ③ 잠재적 슬랙(Potential Slack) 및 ④ 비흡수된 슬랙 (Unabsorbed Slack)을 사용하였다[22-23].
투입변수로 ROA(Return On Asset), RDI(Research and Development Intensity), 잠재적 슬랙(Potential Slack) 및 비흡수된 슬랙(Unabsorbed Slack)을 사용하였고, 산출변수로는 특허등록 수, 기업이 보유한 특허의 총 피인용 수, 기업이 보유한 특허의 평균 피인용 수 및 상위 10% 피인용 특허의 상대적 피인용수 비율을 사용하였다. 본 연구에서는 인공지능 반도체의 기술 특성과 산출을 최대화 하는 기업들의 목표를 고려하여 산출기준 CCR 모델을 사용하였으며, 기업집단별(반도체, IT 및 기타 기업) 효율성을 도출하기 위해 Joe Zhu (2000)의 연구에 기초하여 기업집단에 속한 개별 기업들의 효율성 값의 평균을 이용하였다[24,25].

성능/효과

1) 특허 수는 출원특허 수, 공개특허 수 및 등록특허 수로 분류할 수 있으며, 기업의 특허 수를 추적하여 기업의 연구·개발 활동의 발전과 기술 개발 동향을 관찰 할 수 있다.
국제지수를 통해 특허 포트폴리오를 비즈니스 관점에서 분석하여 기업의 시장 규모와 품질을 관찰할 수 있다. 3) 피인용수는 기술 개발의 원동력을 나타낸다. 특허의 기술적 영향을 평가하는데 사용되며, 높은 피인용 인덱스 값을 가질수록 미래의 발병에 중요하고 필수적인 특허로 판단된다.
특허의 기술적 영향을 평가하는데 사용되며, 높은 피인용 인덱스 값을 가질수록 미래의 발병에 중요하고 필수적인 특허로 판단된다.4) 청구항은 출원된 기술의 보호범위를 나타낸다. 독립항은 출원된 발명의 본질적인 신규성을 나타내고, 종속항은 혁신의 상세한 특징들을 기술한다.
연구문제인 ‘인공지능 하드웨어 기술과 관련하여 기존 산업을 유지하고 있던 기업집단(반도체 기업)들의 연구·개발 효율성이 다른 산업에서 새롭게 진입하는 기업집단(IT 및 기타 기업)들의 연구·개발 효율성보다 높은가?’ 와 관련해서는 일부 기술의 일부 기간에서 그러하다는 것을 알 수 있었다. GPU(Graphics Processing Unit)기술 전체기간(Overall Years)의 모든 효율성(Stage1-3)과 FPGA(Field Programmable Gate Array)기술 전체기간(Overall Years)의 재무성과 대비 특허출원 효율성(Stage1), 최근 5년(Last 5Years)의 재무성과 대비 특허품질 효율성(Stage3), Neuromorphic기술의 최근 5년(Last 5 Years) 특허출원 대비 특허품질 효율성(Stage2)과 재무성과 대비 특허품질 효율성(Stage3)에서 반도체 기업집단이 가장 높은 효율성을 보여주었다.
또한, 연구결과를 통해 인공지능 하드웨어 기술과 관련하여 각 기술별로 시장점유율이 높은 기업이 R&D 효율성도 높다는 것을 실증적으로 보여줌으로 우리나라 기업 및 연구기관이 글로벌 기업들의 급격한 성장에 대응하기 위해 연구·개발 전략을 수립해야 한다는 인사이트를 준다는 점에서 산업적으로도 의의가 있다 할 수 있겠다.
본 연구는 인공지능 하드웨어 기술과 관련된 기업들의 연구·개발 효율성을 분석한 초기 연구라는 점과, DEA(Data Envelopment Analysis)를 이용하여 R&D(Research and Development) 효율성을 분석할 때, 선행연구들이 가지고 있던 한계점을 극복했다는 점에서 학문적으로 의의가 있다.
4는 각 기업집단의 GPU(Graphics Processing Unit) 기술 연구·개발 효율성을 나타내며, 구체적인 값은 Table 4와 같다. 전체기간(Overall Years)의 효율성을 살펴보면 재무성과 대비 특허출원 효율성(Stage1), 특허출원 대비 특허품질 효율성(Stage2) 및 재무성과 대비 특허품질 효율성(Stage3)값 모두 반도체 기업집단이 가장 높게 나타났다. 이러한 결과는 GPU(Graphics Processing Unit) 시장의 선도기업인 NVIDIA, AMD 및 Intel(반도체 기업집단)의 특허성과가 월등히 높기 때문인 것으로 보인다.
5는 FPGA(Field Programmable Gate Array) 기술 연구·개발 효율성을 나타내며, 구체적인 값은 Table 5와 같다. 전체기간(Overall Years)의 효율성을 살펴보면 재무성과 대비 특허출원 효율성(Stage1)은 반도체 기업집단이 가장 높게 나타났으며, 특허출원대비 특허품질 효율성(Stage2)과 재무성과 대비 특허품질 효율성(Stage3)은 기타 기업 및 IT 기업이 반도체 기업보다 높게 나타났다. 이러한 결과는 FPGA(Field Programmable Gate Array) 시장의 선도기업인 Xilinx와 Lattice Semiconductor(반도체 기업집단)의 특허출원 수가 다른 기업들과 비교했을 때 월등히 많으나.
7은 Neuromorphic 기술 연구·개발 효율성을 나타내며,을 나타내며 구체적인 값은 Table 7과 같다. 전체기간(Overall Years)의 효율성을 살펴보면 재무성과 대비 특허품질 효율성(Stage3)은 반도체 기업집단이 가장 높게 나타났지만, 재무성과 대비 특허출원 효율성(Stage1)과 특허출원 대비 특허품질 효율성(Stage2)은 그렇지 않다는 것을 볼 수 있다. 이러한 결과는 IBM이 오랜 기간 연구·개발을 수행하면서 Intel, Qualcomm, Samsung Electronics 등 반도체 기업집단보다 높은 R&D 성과를 창출했기 때문인 것으로 보인다.

후속연구

인공지능 하드웨어 기술과 관련하여 시장에서 의미 있는 시장점유율을 차지하는 기업 중에 벤처기업들이 다수 있다. 그러나 본 연구에는 벤처기업들의 재무데이터를 획득하지 못하여 벤처기업들을 연구에 반영하지 못한 한계가 있다. 둘째, 정량적 데이터 분석의 한계이다.
둘째, 정량적 데이터 분석의 한계이다. 본 연구는 R&D(Research and Development) 효율성을 분석하기 위해 정량적인 데이터를 사용하여 개별 특허의 가치 측면을 충분히 반영하지 못했다는 점에서 한계가 있다. 그럼에도 정량적인 데이터를 통해 주관적인 의견을 배제하였다는 점에서 기존의 연구가 가지고 있던 한계를 보완하였다.
그럼에도 정량적인 데이터를 통해 주관적인 의견을 배제하였다는 점에서 기존의 연구가 가지고 있던 한계를 보완하였다. 추후 인공지능 하드웨어 기술에 관한 연구·개발이 활발히 진행되어 패널 데이터를 확보하게 된다면 기업집단 뿐 아니라 개별 기업의 R&D(Research and Development) 효율성을 분석하는 흥미로운 연구도 수행할 수 있을 것으로 사료된다.
하지만, 선행연구들에서는 R&D 비용과 같은 재무성과를 투입변수로 하고 특허 수 등의 특허 관련 지표를 산출변수로 사용한 단일의 효율성 분석만을 수행하였을 뿐, 재무성과 대비 특허출원 효율성, 특허출원 대비 특허품질 효율성 및 재무성과 대비 특허품질 효율성을 함께 고려하여 연구를 수행하지 못한 한계점이 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	DEA 모형의 종류는 어떻게 나눌 수 있는가?	DEA(Data Envelopment Analysis) 모형의 종류는 크게 다음과 같이 나눌 수 있다. 먼저 규모수익에 대한 가정에 따라 불변규모수익(CRS: Constant Return to Scale)을 가정하는 CCR 모형과 가변규모수익(VRS: Variable Return to Scale)을 가정하는 BCC 모형으로 나눌 수 있다. 또한 지향성에 따라 투입요소에 초점을 두는 투입기준(Input oriented) 모형과 산출요소에 초점을 두는 산출기준(Output oriented)모형으로 나눌 수 있다[24].
	특허지표들은 무엇으로 분류할 수 있는가?	특허지표는 특허분석의 기본이 되는 지표이다. 선행연구에 의하면 특허지표들은 1) 특허 수, 2) 국제지수, 3) 피인용수 및 4) 청구항으로 분류할 수 있다.1) 특허 수는 출원특허 수, 공개특허 수 및 등록특허 수로 분류할 수 있으며, 기업의 특허 수를 추적하여 기업의 연구·개발 활동의 발전과 기술 개발 동향을 관찰 할 수 있다.
	특허지표란?	특허지표는 특허분석의 기본이 되는 지표이다. 선행연구에 의하면 특허지표들은 1) 특허 수, 2) 국제지수, 3) 피인용수 및 4) 청구항으로 분류할 수 있다.

참고문헌 (26)

IITP, ICT R&D Technology Roadmap 2023 - Artificial Intelligence Semiconductor, 2018.
Nature Electronics, Does AI Have a Hardware Problem?, Editorial, 2018.
McKinsey & Company, Artificial-intelligence hardware: New Opportunities for Semiconductor Companies, 2019.
Y.Y. Kor, "Direct and Interaction Effects of Top Management Team and Board Compositions on R&D Investment Strategy," Strategic Management Journal, Vol. 27, No. 11, pp. 1081-1099, 2006.

상세보기
A. Pessoa, Innovation and Economic Growth: What is the Actual Importance of R&D?, Universidade do Porto, Faculdade de Economia do Porto, 2007.
V. Thomas, S. Sharma, and S.K. Jain, "Using Patents and Publications to Assess R&D Efficiency in the States of the USA," World Patent Information, Vol. 33, No. 1, pp. 4-10, 2011.

상세보기
R. Smith, "Commentary: The Power of the Unrelenting Impact Factor-is It a Force for Good or Harm?," International Journal of Epidemiology, Vol. 35, No. 5, pp. 1129-1130, 2006.

상세보기
J.M. Campanario, "Large Increases and Decreases in Journal Impact Factors in Only One Year: The Effect of Journal Self Citations," Journal of the American Society for Information Science and Technology, Vol. 62, No. 2, pp. 230-235, 2011.

상세보기
S.H. Chang and C.Y. Fan, "Patent Technology Networks and Technology Development Trends of Neuromorphic System," Proceeding of International Conference on Mobile and Wireless Technology, Mobile and Wireless Technology 2018, pp. 287-297, 2018.
M. Shibata, Y. Ohtsuka, M. Takahashi, and K. Okamoto, "Advanced FPGA Technology Trend Based on Patent Analysis with Link Mining," Proceeding of International Conference on Electronics Packaging and iMAPS All Asia Conference, pp.147-151, 2018.
H.S. Jang and S.C. Lee, "A Comparative Analysis of the Change in R&D Efficiency: A Case of R&D Leaders in the Technology Industry," Technology Analysis and Strategic Management, Vol. 28, No. 8, pp. 886-900, 2016.

상세보기
H.Y. Lee and Y.T. Park, "An International Comparison of R&D Efficiency: DEA Approach," Asian Journal of Technology Innovation, Vol. 13, No. 2, pp. 207-222, 2005.

상세보기
S.K. Lee, G. Mogi, S.K. Lee, and J.W. Kim, "Econometric Analysis of the R&D Performance in the National Hydrogen Energy Technology Development for Measuring Relative Efficiency: The Fuzzy AHP/DEA Integrated Model Approach," International J ournal of Hydrogen Energy, Vol. 35, pp. 2236-2246, 2010.

상세보기
H.W. Kim, J.H. Kim, and S.K. Kim, "Measuring the Efficiency of Technology Innovation of the Global Green Car Companies by ANP/ DEA Model," Journal of Technology Innovation, Vol. 20, No. 3, pp. 256-286, 2012.
Y.S. Chen and B.Y. Che, "Patent Indicators as Output Variables of DEA to Evaluate the Efficiency of the Computer Communication Equipment Industry in United States," Applied Economics, Vol. 44, No. 11, pp. 1429-1432, 2012.

상세보기
S.C. Park, "Patent Application and Trend of Imaging System Applied to Automotive," Korea Multimedia Society, Vol. 14, Issue 1, pp. 11-15, 2010.
H. Ernst, "Patent Information for Strategic Technology Management," World Patent Information, Vol. 25, Issue 3, pp. 233-242, 2003.

상세보기
AK. Chakrabarti and I. Dror "Technology Transfers and Knowledge Interactions Among Defence Firms in the USA: An Analysis of Patent Citations," International Journal of Technology Management, Vol. 9, Issue 5, pp. 757-770, 1994.

상세보기
F.M. Tseng, C.H. Hsieh, Y.N. Peng, and Y. W. Chu, "Using Patent Data to Analyze Trends and the Technological Strategies of the Amorphous Silicon Thin-film Solar Cell Industry," Technological Forecasting and Social Change, Vol. 78, Issue 2, pp. 332-345, 2011.

상세보기
B. Fabry, H. Ernst, J. Langholz, and M. Koster, "Patent Portfolio Analysis as a Useful Tool for Identifying R&D and Business Opportunities- An Empirical Application in the Nutrition and Health Industry," World Patent Information, Vol. 28, Issue 3, pp. 215-225, 2006.

상세보기
J.H. Kim and Y.J. Han, "Analysis of Huawei's PCT Patent Applications," Journal of the Korea Institute of Information and Communication Engineering, Vol. 19, No. 11, pp. 2507-2517, 2015.

원문보기 상세보기
H.R. Greve, "A Behavioral Theory of R&D Expenditures and Innovations: Evidence from Shipbuilding," The Academy of Management Journal, Vol. 46, No. 6, pp. 685-702, 2013.

상세보기
W.R. Chen and K.D. Miller "Situational and Institutional Determinants of Firms' R&D Search Intensity," Strategic Management Journal, Vol. 28, Issue 4, pp. 369-381, 2007.

상세보기
J.D. Lee and D.H. Oh, Efficiency Analysis Theory (DEA : Data Envelopment Analysis) , Seoul, IB Book, 2010.
J. Zhu, "Multi-factor Performance Measure Model with an Application to Fortune 500 Companies," European Journal of Operational Research, Vol. 123, Issue 1, pp. 105-124, 2000.

상세보기
H. Oh, H.J. Lee, and T.W. Chang "A Study on the Technology Convergence of Artificial Intelligence through Patent Analysis," ICIC Express sLetters, Vol. 12, No. 7, pp. 699-706, 2018.

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증