• Proceedings of the Korea Technology Innovation Society Conference
• /
• 2017.11a
• /
• pp.499-510
• /
• 2017

기술혁신에는 본질적인 어려움이 따르는데, 이는 상당부분 기술이 지닌 불확실성에 기인한다. 따라서 혁신 추구의 어려움을 경감에는 혁신 예측 방법론이 큰 도움이 될 수 있다. 한편 최근 빅데이터와 인공지능에 큰 관심이 이어지며 특히 알파고의 알고리즘 중 하나인 딥 러닝이 뛰어난성능을 보이고 있다. 이에 본 연구는 혁신성과 예측에 있어 딥 러닝을 이용한 방법론을 접목하여 연구를 진행하였다.. 모델 구축 및 학습에 있어 KIS 2016 데이터를 이용하였으며, 투입 요인으로는 정보 원천의 사용도와 혁신 목적을 사용하였고 산출 요인으로는 혁신 성과 지표를 구성하여 사용하였다.

• Journal of Korea Technology Innovation Society
• /
• v.21 no.2
• /
• pp.818-837
• /
• 2018

Technological innovation has inherent difficulties, largely due to the uncertainties of technology. Thus, the forecasting methodology to reduce the risk of uncertainty in the innovation process has been presented both in quantitative and qualitative fields. On the other hand, big data and artificial intelligence have attracted great interest recently, and deep learning, which is one of the algorithms of AlphaGo, is showing excellent performance. In this study, deep learning methodology was applied to the prediction of innovation performance. To make the prediction model, we used KIS 2016 data. The input factors were importance of information source and innovation objectives and the output factor was innovation performance index, which was calculated for this study. As a result of the analysis, it can be confirmed that the accuracy of prediction is improved compared with the previous studies. As learning progressed, the degree of freedom of prediction also improved.

• 한국과학기술학회:학술대회논문집
• /
• 2015.12a
• /
• pp.119-135
• /
• 2015

이 논문의 주된 목적은 문헌 분석을 토대로 '예측'에 관한 STS적 이해와 함의를 제공하는 데 있다. 역사와 철학적 측면에서 볼 때 '예측'은 과학기술의 발전과정에 존재해왔다. 과학적 연구방식에서 '예측'과 관찰은 필수적이었고, 물리학, 기상학 등과 같은 분과학문에서도 '예측'은 중요한 역할을 차지했다. 기술의 혁신과정에 있어 미래에 대한 예상과 기대(expectations)에 대한 연구의 중요성은 로젠버그(Rosenberg, 1982)가 일찍이 강조한 바 있으며, 최근에는 STS 연구자들이 이러한 기대의 중요성에 주목하여 이른바 '기대의 사회학'(sociology of expectations)이라는 연구분야를 개척해왔다. 이 분야에서 초창기부터 활동해 온 반 렌트(van Lente, 1993)에 따르면, 기술의 혁신과 발전과정을 이해하기 위한 삼각 축, 즉 인공물(artefacts), 행위자(actors), 어젠다(agenda) 중 어젠다에 해당하는 기대와 전망(expectations and promises)에 관한 연구는 상대적으로 부족했다. 이러한 현실 인식은 우리나라의 STS연구에서 여전히 유효하다. 기술에 대한 기대와 전망은 단순히 '행위자'에 종속된 아이디어 차원이 아니며, '예측' 그 자체가 기술혁신분야에서 중요한 연구대상으로 주목될 필요가 있다. 최근에는 미래를 연구 대상으로 하는 미래학(futures studies) 분야가 형성되어 STS연구와의 접점이 확대하는 중이다. 이 논문에서는 이러한 현실 인식을 바탕으로 과학기술을 구성하는 중요한 요소로서 '예측'에 주목하고, 이러한 '예측'의 STS적 함의와 연구방향을 제시하고자 한다.

• Proceedings of the Korea Technology Innovation Society Conference
• /
• 2000.05a
• /
• pp.278-300
• /
• 2000

일본에서는 이미 1997년에 제 6회 기술예측조사를 실시하여 2025 년까지의 미래기술예측을 실시하였고 우리나라에서도 1998 년 6 월부터 약 1 년 반동안 중장기 기술예측을 실시하여 1999 년 11 월에 제 2 회 과학기술예측 결과를 발표하였다. 양국의 전자 정보ㆍ통신분야의 기술예측 결과를 비교ㆍ분석하여 양국의 기술예측결과의 특징을 살펴보고 정책적 활용방법을 모색해 본다.

• Proceedings of the Korea Technology Innovation Society Conference
• /
• 1999.05a
• /
• pp.485-524
• /
• 1999

• Proceedings of the Korean Institute of Navigation and Port Research Conference
• /
• 2005.10a
• /
• pp.327-332
• /
• 2005

This paper aims to analysis for evaluation factor and success prediction of port innovative cluster. This paper is divided three factors such ac policy, source and operation. In addition, three factors are divided into the twelve detail factors. the weight of each factor is calculated by Kohonen Network. At the result, this paper places the priority on the source factor.

• Proceedings of the Korea Technology Innovation Society Conference
• /
• 2013.10a
• /
• pp.311-317
• /
• 2013

• Asia-Pacific Journal of Business Venturing and Entrepreneurship
• /
• v.16 no.3
• /
• pp.73-86
• /
• 2021

The primary purpose of this paper is to explore the advanced models that predict entrepreneurial innovativeness most accurately. For the first time in the field of entrepreneurship research, it presents a model that predicts entrepreneurial innovativeness based on machine learning corresponding to data scientific approaches. It uses 22,099 the Global Entrepreneurship Monitor (GEM) data from 62 countries to build predictive models. Based on the data set consisting of 27 explanatory variables, it builds predictive models that are traditional statistical methods such as multiple regression analysis and machine learning models such as regression tree, random forest, XG boost, and artificial neural networks. Then, it compares the performance of each model. It uses indicators such as root mean square error (RMSE), mean analysis error (MAE) and correlation to evaluate the performance of the model. The analysis of result is that all five machine learning models perform better than traditional methods, while the best predictive performance model was XG boost. In predicting it through XG boost, the variables with high contribution are entrepreneurial opportunities and cross-term variables of market expansion, which indicates that the type of entrepreneur who wants to acquire opportunities in new markets exhibits high innovativeness.

• Proceedings of the Technology Innovation Conference
• /
• 2005.02a
• /
• pp.22-41
• /
• 2005

본 연구에서는 기업의 기술혁신활동 결정요인을 과학기술정책연구원이 발표한 KIS(Korean Innovation Survey) 2002를 활용하여 분석하였다. 특히 혁신활동에 있어서 기업규모와 네트워크의 역할에 초점을 맞추었다. 기술혁신활동을 제품혁신, 제품개선, 그리고 공정혁신으로 구분하였으며, 기술혁신활동의 결정요인으로 이윤율, 수출비율, 해외지분, 기업연령, 시장집중도, R&D활동 착수여부, 그리고 산업별 R&D집약도 등이 추가로 고려되었다. 분석된 표본은 제조업에 속한 1,124개 기업으로 정성적 분석방법인 로지스틱 회귀모형(logistic regression)을 사용하였다. 분석결과, 첫째 기업의 기술혁신활동 결정요인은 혁신유형에 따라서 다르게 분석되었다. 예를 들어, 기업규모와 기술혁신활동에 관한 슘페터 가설은 제품혁신에서는 성립하지 않는 것으로 나타났으나. 제품개선 및 공정혁신에 대해서는 성립하는 것으로 분석되었다. 둘째, 예측한 대로 소기업과 대기업간 기술혁신활동의 결정요인에 있어서 많은 차이점이 발견되었고, 이러한 차이는 제품혁신과 공정혁신에서 현격하게 나타났다. 셋째, 기업규모 및 혁신유형에 관계없이 외부적 네트워크는 기술혁신활동에 대해 정(正)(+)의 유의한 효과를 나타내어, 혁신활동에서 협력의 중요성을 확인해 주었다. 그러나 협력대상별 네트워크효과는 기업규모와 혁신유형에 따라서 많은 차이점을 보여주었다.

• Information and Communications Magazine
• /
• v.27 no.12
• /
• pp.35-43
• /
• 2010

본고에서는 스마트TV 혁신이 가져오는 시장의 변화를 전망하기 위해 '파괴적 혁신 이론' 과 애플 사례를 논의한 후, 스마트TV 혁신이 시장에 미치는 영향을 제작 유통 시스템, 시장규모 측면으로 나누어 분석하였다. 스마트TV는 '폐쇄형'을 '개방형' 시스템으로 전환, 유통/제작자간 관계를 개선하고, 개방형 채널 및 VOD 도입으로 4년 후 전체 방송시장이 14조 9,800억 원으로 성장하고, 개방형 IPTV로 인한 확대금액만 약 4,623억 원으로 전망되며, 방송시장 매출액 중 PP 차지 비중도 2013년 44.1%까지 1.7%포인트 확대, 직접 창출되는 일자리는 4년간 약 4,676개로 추정된다. 이의 생산유발효과는 2조 3,995억 원, 부가가치 유발효과는 1조 260억 원으로 예측되었다. 또한, 스마트TV 전체에서 도입을 예정하고 있는 TV앱스토어도 4년간 3,606억 원의 누적수익을 창출하며, 직접 창출되는 일자리는 약 2,322개, 생산유발 효과는 6,681억 원, 부가가치유발효과는 3,226억 원, TV앱스토어와 초기투자에 의해 기대되는 소프트웨어 시장고용확대 효과는 누적 3,586개로 예측되었다.