정책효과를 분석하는데 있어 가장 중요한 이슈 중 하나는 선택편의(selection bias)를 통제하는데 있다. 효율적으로 선택편의를 통제하기 위하여 성향점수 매칭을 통한 이 중차분분석(PSM-DID)기법이 널리 사용되어오고 있으나, 이는 수혜집단과 비수혜집단에 포 함된 표본들이 집단에 따라 동질적인 정책효과를 지닌다는 과감한 가정을 필요로 한다. 본 연구는 수혜집단 내에서 이질적으로 나타나는 정책효과를 추정해보고자 성향점수 분위에 따 라 수혜집단과 비수혜집단을 매칭하여 정책수혜여부에 따른 매출성장효과를 분석하였다. 이 를 위하여 2020년 수행된 소재부품장비 R&D지원사업에 참여한 239개 중소기업을 수혜집단 으로 선정하였으며, 이들 기업의 성향점수를 산출한 뒤 8개 분위로 나누어 비수혜집단과 성 향점수 매칭을 수행하였다. 이후 분위별 이중차분분석을 통해 정책지원으로 인한 매출성장 률을 산출하였다. 그 결과 가장 낮은 분위의 집단에서 가장 큰 정책효과가 관찰되었으며, 3개 년 매출 성장률과 특허출원건수가 높은 기업집단들이 탁월한 정책효과를 누린 것으로 나타 났다. 연구의 결과는 성향점수 분위에 따른 이질적 정책효과 분석기법이 산업정책기획을 위 한 수혜기업의 선정기준, 지원범위 등을 조정하는데 효과적으로 사용될 수 있음을 시사한다.
현대에는 개인 연구자 대부분이 지식생산기관에 소속되어 지식생산기관의 유 형과 지식생산기관 간의 협력이 과학 지식생산에 미치는 영향이 높음에도 불구하고, 지식생 산기관이 정확히 식별되지 않아 과학 지식생산 과정을 실증적으로 파악하는 데는 한계가 있 다. 본 연구는 지식생산기관의 식별 정확도를 높이는 방법을 제안하였다. 구체적으로 디지털 헬스 분야의 PubMed 서지정보를 수집한 후 알고리즘을 적용하기 전 데이터 처리 단계에서 ‘맥락적 연결’을 활용하여 기관정보의 불완전성을 해소하고, 알고리즘 적용단계에서는 기관 명 모호성(IND)을 개선하는 방법을 제시하였다. 본 연구가 산출한 ‘지식생산기관 데이터셋’ 과 동일한 서지정보를 대상으로 하는 기존 공개 데이터셋인 ‘PKG datasets’을 비교했을 때, 본 연구가 제시한 방법은 지식생산기관 데이터셋에 포함된 대상 데이터 수를 2배로 증가시켰으며, 국가별 순위도 보다 정확하게 반영하였다. 또한 한국 지식생산기관의 디지털 헬스 분야 기여도가 과소 또는 과대 평가되고 있다는 사실도 발견하였다. 본 연구에서 제시한 방 법은 향후 과학지식을 생산하고 과학 혁신을 달성하는 데 있어 지식생신기관의 역할을 실증 적으로 연구하는 데 기여할 것으로 판단된다.
본 연구는 한국노동연구원의 사업체패널에 새롭게 포함된 스마트공장 관련 정 보들을 활용하여 스마트공장이 노동수요에 미칠 영향을 추정했다. 스마트공장의 도입은 전 반적으로 생산직의 업무량을 감소시키며, 스마트공장 수준이 고도화 될 수록 업무량 감소 정 도는 더욱 커진다. 특히 동일제품을 반복 생산하는 공정에서 두드러진다. 반대로 스마트공장 이 표방하는 지능화 및 연결성과 관련된 관리직, 기술전문직 등의 직종이나, 다양한 제품의 혼류 생산을 구현하는 과정의 생산직의 경우 업무량이 늘어나는 것이 관찰된다. 이는 기존 연구에서 제시한 결과와 전반적으로 부합한다. 본 연구의 의의는 최종 노동수요가 아닌 스마 트공장이 표준적인 업무량에 직접적으로 미치는 영향을 추정했다는 데 있다.