서 론
지질자원 분야는 국가의 경제·사회적 기반을 형성하는 핵심 전략 영역으로, 국토 안전관리, 광물자원 확보, 에너지 자립, 환경 보전 등 다양한 국가 중장기 정책과 직결된다. 특히 최근에는 기후위기 심화, 글로벌 자원 공급망의 불안정성, 대규모 지질재해 증가, 에너지전환 가속화 등 복합적 환경 변화가 동시에 발생하면서, 국가 지질자원 연구기관에 요구되는 역할과 성과 수준이 과거보다 더욱 높아지고 있다. 이러한 변화 속에서 연구기관의 연구개발(R&D) 역량을 객관적으로 진단하고, 기술 분야별 성과 변화의 방향성과 효율성을 분석하는 일은 국가 연구개발 투자 전략을 고도화하는 데 반드시 필요한 과제가 되었다.
한국지질자원연구원(KIGAM)은 2020년부터 2024년까지의 중기 연구사업계획을 수립하며 지질·자원 연구 분야에서 요구되는 국가적 책무와 기술적 수요를 체계적으로 반영하고자 하였다. 해당 계획은 네 가지 전략목표 ① 국민안전과 재해대응을 위한 국토지질정보 제공, ② 국가 자원산업 견인을 위한 광물자원 확보 기술 개발, ③ 미래 에너지안보 대응을 위한 석유·가스자원 원천기술 개발, ④ 지속가능 사회 구현을 위한 지구환경변화 대응 기술 개발로 구성되었다. 또한 이러한 전략목표를 다시 여덟 개의 세부 성과목표로 구체화함으로써, 연구역량을 분야별로 집중하고 성과 달성을 체계적으로 관리하기 위한 전략적 기반을 마련하였다.
그러나 연구개발 성과는 단순한 산출 지표의 나열만으로는 기관의 기술 역량과 생산성 변화를 정확히 파악하기 어렵다. 특히 지질·자원 분야는 기술적 다양성이 크고, 연구 성과가 장기간에 걸쳐 축적되는 특성이 있어 전략목표 및 성과목표별 연구성과의 효율성 변화를 시계열적으로 분석하는 것이 중요하다. 또한 연구성과가 외부 환경 변화에 의해 영향을 받기 때문에, 성과의 절대적 수준뿐 아니라 투입 대비 산출의 변화, 즉 생산성의 동적 변화를 측정할 필요가 있다.
Malmquist Productivity Index는 이러한 시계열적 생산성 분석에 적합한 방법론으로, 효율성 변화(Catch-up)와 기술변화(Frontier-shift)를 동시에 고려하여 연구기관의 역량 변화를 정량적으로 평가할 수 있다(Hashimoto and Haneda, 2008). 특히 본 연구에서는 연구개발 투자액과 인력을 투입요소로, 논문·특허·기술이전·기술자문을 산출요소로 설정함으로써, KIGAM의 연구성과를 전략목표 및 성과목표에 따라 재분류한 후 각 기술 분야별 생산성 변화를 체계적으로 측정하였다.
본 연구의 목적은 2020년 대비 2024년까지 KIGAM의 연구성과가 전략목표별·성과목표별로 어떠한 생산성 변화를 보였는지를 정량적으로 분석하고, 이러한 변화가 기관의 연구역량 강화, 외부 환경 대응성, R&D 기획 체계에 제공하는 시사점을 도출하는 데 있다. 이를 통해 연구기관의 중장기 사업계획과 성과관리 체계의 과학적 기반을 강화하고, 향후 국가 연구개발 투자 전략 수립에 기여할 수 있는 실증적 근거를 제공하고자 한다.
본 론
KIGAM 연구사업계획(2020-2024) 전략목표 및 성과목표 현황
한국지질자원연구원은 2020-2024년 연구사업계획을 통해 국가 지질·자원 분야가 직면한 구조적 문제와 미래 기술 수요를 반영한 연구개발 체계를 수립하였다. 해당 계획은 기후위기 심화, 지진·지질재해 증가, 핵심광물 공급망 불안정, 에너지안보 위기 등 최근의 복합적 국가 현안을 해결하기 위한 방향성을 담고 있으며, 이를 기반으로 기관의 연구역량을 전략적으로 재편하였다. 연구사업계획은 크게 1. 국민안전 및 국토지질 공공정보 제공, 2. 전략광물 확보를 통한 국가 자원산업 견인, 3. 석유·가스자원 확보를 통한 미래 에너지안보 대응, 4. 지구환경 변화 대응을 통한 지속가능 사회 구현의 네 가지 전략목표로 구성된다. 이러한 전략목표는 지질재해 대응, 핵심광물 공급 안정화, 에너지 확보, 지하환경 보전 등 국가적 책무와 직결되는 연구 분야를 포괄하고 있다.
각 전략목표는 다시 총 여덟 개의 세부 성과목표로 구체화되어 연구개발 수행의 명확한 방향성을 제공한다. 성과목표에는 국토지질정보 디지털화 및 재해 대응기술 개발(1-1, 1-2), 전략광물 탐사·정제 기술 및 북방자원 개발 기술(2-1, 2-2), 비전통 석유·가스자원 확보 기술과 해저 고해상 탐사기술(3-1, 3-2), CO2 지중저장·심부 지하공간 활용기술 및 지하수·지질환경 통합관리기술(4-1, 4-2) 등이 포함된다. 이러한 구성은 KIGAM이 수행하는 연구의 기술적 범위를 구조화하고, 투자 대비 성과를 목표지향적으로 측정할 수 있는 체계를 마련해준다. 또한 성과목표 단위의 구분은 기술 분야별 성과 변화, 연구역량 강화 수준, 정책 대응도 등을 정량적으로 분석할 수 있는 기반이 되며, 기관의 전략적 R&D 기획과 자원 배분의 효율성 제고에 중요한 역할을 한다.
분석 방법론
일반적으로 기관이나 기업에서 효율성이랑 투입 대비 산출을 의미한다. 그러나 실제 환경에서는 투입물과 산출물이 다양할 뿐만 아니라 투입-산출 영향관계가 모호한 경우가 다수 존재한다. 이를 위해 활용하는 방법이 자료포락분석(Data Envelopment Analysis)이다. DEA는 의사결정단위(Decision Making Unit, DMU) 간의 상대적 효율성을 평가하는 방법이다. DEA는 모수적으로 접근하는 방법과는 다르게 생산함수의 가정 없이 비모수적으로 접근한다(Hollingsworth et al., 1999). 그렇기 때문에 다수의 투입물과 산출물을 동시에 고려하면서도 그 관계가 모호한 경우 주로 활용된다. DEA는 이러한 장점으로 R&D 활동에 대한 효율성 분석에서 사용된다(Bae et al., 2021; Bae and Chun, 2024).
DEA는 규모수익(Returns to Scale)의 가정과 효율성 산출 방식에 따라 여러 모형으로 구분된다. 규모수익을 불변으로 전제하는 불변규모수익(Constant Returns to Scale, CRS) 모형과 규모에 따라 달라지는 것으로 보는 가변규모수익(Variable Returns to Scale, VRS) 모형이 대표적이며, 각각 CCR 모형(Charnes et al., 1978)과 BCC 모형(Banker et al., 1984)으로 불린다. 기관의 R&D 활동은 규모에 따른 효율성 차이가 발생할 수 있으나, 후속 분석과의 일관성을 위해 본 연구에서는 CRS 모형을 적용하였다.
한편 효율성 분석은 투입지향(Input-oriented)과 산출지향(Output-oriented) 접근으로 구분된다. 투입지향은 동일한 산출을 기준으로 투입요소의 절감 가능성을 평가하는 방식이며, 산출지향은 동일한 투입을 바탕으로 산출 증대 가능성을 측정한다. 기관의 R&D 의사결정은 예산, 인력 등 투입요소의 조정을 중심으로 이루어지므로 기존 연구에서는 투입지향 모형이 주로 활용되어 왔다(Park, 2008; Woo et al., 2021). 이에 본 연구에서도 분석 목적에 부합하는 투입지향 모형을 채택하였다. 다음 식 (1)은 투입지향 CRS모형 선형계획식이다.
먼저 𝑥𝑖𝑗와 𝑦𝑟𝑗는 각각 DMU𝑗의 𝑖번째 투입과 𝑟번째 산출을 의미하며, 𝑥𝑖𝑜와 𝑦𝑟𝑜는 평가대상 DMUo의 투입 및 산출값을 나타낸다. 𝜆𝑗는 DMU𝑗가 평가대상 DMUo의 효율적 프런티어를 구성하는 데 기여하는 가중치로서, DEA 프런티어의 선형결합을 형성하는 변수이다. 식에 포함된 𝑆𝑖−와 𝑆𝑟+는 각각 투입의 과잉(input slack)과 산출의 부족(output slack)을 의미하며, 𝜃는 평가대상 DMU의 효율성 점수에 해당한다. 마지막으로 𝜖은 매우 작은 양수로서, 슬랙 변수의 값을 고려하기 위한 보조항이다.
DEA는 다수의 투입과 산출을 기반으로 효율성을 평가할 수 있다는 장점이 있으나, 시간의 흐름에 따른 프런티어 변화까지는 반영하지 못한다는 제약이 존재한다(Lee and Lee, 2016). 이는 동일한 DMU라도 시점이 달라짐에 따라 효율성이 어떻게 변동하는지를 DEA만으로는 충분히 파악하기 어렵다는 의미이다. 이러한 한계를 보완하기 위해 시계열 기반의 생산성 변화를 분석할 때는 Malmquist Productivity Index(MPI)가 널리 활용된다. MPI는 Caves et al.(1982)이 제안한 거리함수 접근을 토대로 하며, Färe et al.(1994)가 이를 DEA 모형에 적용한 것이 식 (2)에 해당한다.
위 식에서 𝐷0𝑡(𝑥𝑡, 𝑦𝑡)와 𝐷0𝑡+1(𝑥𝑡+1, 𝑦𝑡+1)는 각각 시점 𝑡와 𝑡+1에서의 거리함수로, 해당 시점의 기술 프런티어를 기준으로 효율적 산출에 얼마나 근접해 있는지를 측정한다. 또한 𝐷0𝑡(𝑥𝑡+1, 𝑦𝑡+1)과 𝐷0𝑡+1(𝑥𝑡, 𝑦𝑡)는 서로 다른 시점의 투입 및 산출값을 상대 시점의 프런티어에 투영한 값으로, 이를 통해 시간에 따른 기술변화와 효율성 변화를 분리하여 평가할 수 있다.
식 (2)을 식 (3), 식 (4)과 같이 두 부분으로 나누었을 때 좌측에 제시되는 식 (3)은 Catch-up(CU) 지수로 동일한 DMU가 두 시점 사이에서 프런티어에 얼마나 더 가까워졌는지 혹은 멀어졌는지를 보여주는 지표이다. 이러한 CU는 조직 내부 요인의 변화가 효율성에 미친 영향을 반영한다. 우측 식 (4)인 Frontier-shift(FS) 지수는 프런티어 자체가 시기별로 어떻게 이동했는지를 나타내며, 정책·경제 상황·기술발전 등 외부 환경의 변화와 관련된다. 결과적으로 두 기간 간의 효율성 변화은 MPI는 조직 내부의 효율성 변화인 CU와 외부 환경의 변화인 FS의 곱의 값을 가진다. 세 지표는 모두 1을 기준으로 값이 커지면 개선, 작아지면 저하로 해석할 수 있다.
데이터
한국지질자원연구원의 전략목표 및 성과목표 단위의 효율성을 비교 분석하기 위해 R&D 효율성과 관련된 투입물과 산출물을 설정하였다. 투입물로는 경제적 R&D 투자에 해당하는 기본사업비와 수탁사업비로 설정하였고, 인적 투자에 해당하는 인건비를 투입물로 추가하였다. 산출물에는 R&D 활동의 학술적 산출물인 논문 수, 경제적 산출물인 특허 수, 그리고 기술사업화 성과에 해당하는 기술료로 설정하였다. 투입물과 산출물은 R&D 활동의 특성을 고려하여 time-lag를 1년으로 설정하여 데이터를 활용하였다. 투입물과 산출물 간의 time-lag 설정으로 인해 2023년 투입물에 대한 산출물은 2024년에 해당한다. 그러나 2024년의 경우 아직 산출물의 규모를 평가하기에 데이터 수가 부족하여 해당 년도는 제외하였다. 결과적으로, 2019-2022년도의 투입물과 2020-2023년도의 산출물을 매칭하여 사용한 것이다(Table 1).
Table 1.
Description of the data
| Category | Indicator | Period | Reference |
| Input | Basic Project Cost | 2019-2022 | Bae et al. (2021) Bang (2020) Lee and Park (2005) Wang (2007) Hwang et al. (2018) |
| Commissioned Project Cost | |||
| Personnel Expenses | |||
| Ouput | Number of Articles (SCIE) | 2020-2023 | |
| Number of Patents | |||
| Royalty |
효율성 분석을 위한 DMU의 경우 한국지질자원연구원의 성과목표 단위로 설정하였다. 구체적으로 국토지질정보 디지털화 및 재해 대응기술 개발을 DMU1-1과 DMU1-2, 전략광물 탐사·정제 기술 및 북방자원 개발 기술을 DMU2-1과 DMU2-2), 비전통 석유·가스자원 확보 기술과 해저 고해상 탐사기술을 DMU3-1과 DMU3-2, CO2 지중저장·심부 지하공간 활용기술 및 지하수·지질환경 통합관리기술 DMU4-1과 DMU4-2로 설정하였다. 각 DMU의 투입물 및 산출물의 평균 규모는 다음과 같다(Table 2).
Table 2.
Mean of Inputs and Outputs by DMU
분석 결과
한국지질자원연구원의 전략목표 전체를 대상으로 2019-2022년 R&D 효율성 변화를 분석한 결과는 다음과 같다(Table 3). MPI는 2019-2020년에 48.82%의 큰 폭 증가(MPI=1.4882)를 보였다. 이러한 MPI는 CU*FS의 값을 가지므로, 동일기간 CU가 43.16% 증가한 점에서 다수의 DMU가 프런티어에 근접하는 방향으로 내부역량을 신속하게 개선한 데 기인한다. 반면 FS는 3.00% 증가에 그쳐 외부환경의 구조적 변화는 비교적 작았던 것으로 나타났다.
Table 3.
Malmquist Productivity Index Results for All DMUs
| Index | 2019-2020 | 2020-2021 | 2021-2022 | |||
| Score | Δ% | Score | Δ% | Score | Δ% | |
| MPI | 1.4882 | 48.82 | 0.8374 | ‒16.26 | 0.8010 | ‒19.9 |
| CU | 1.4316 | 43.16 | 1.0351 | 3.51 | 0.8542 | ‒14.58 |
| FS | 1.0300 | 3.00 | 0.7975 | ‒20.25 | 0.9149 | ‒8.51 |
그러나 2020-2021년에는 MPI가 0.8374(‒16.26%)로 나타나 효율성 감소가 시작되었으며, 이는 FS가 ‒20.25%로 급락한 데서 주로 기인한다. 즉, 2021년의 생산성 하락은 개별 연구조직의 노력보다는 국가 연구환경의 변화, 코로나19로 인한 현장 연구 제한, 공급망 변동 등 외부환경이 프런티어를 후퇴시킨 영향이 더 컸음을 의미한다. 2021-2022년에는 MPI가 추가로 ‒19.90% 감소하였으며, 이 시기에는 CU(‒14.58%)와 FS(‒8.51%)가 동반 감소하는 양상이 나타났다. 이는 내부역량 약화와 외부환경 변화가 복합적으로 작용하며 생산성이 조정 국면에 들어간 것으로 보인다.
2019년을 기준으로 효율성 변화의 비율을 산출하면 다음과 같다(Table 4). 누적 CU는 2020-2021년에 꾸준히 증가하다가 2022년에 일부 조정되었으나, 여전히 2019년 대비 내부역량은 확장된 상태(1.2882)를 유지하였다. 반면 누적 FS는 2021년 ‒19.24%, 2022년 ‒28.39%로 지속 감소하여, 외부환경의 구조적 변화가 연구성과 생산성에 중장기적으로 제약을 준 것으로 나타났다. 이는 기관 내부의 연구역량 제고 노력에도 불구하고, 기술환경·정책환경·산업수요 변화 속도가 더 빨랐음을 의미한다.
Table 4.
Cumulative Malmquist Productivity Index Results for All DMUs with 2019 as the Baseline
| Index | 2020 | 2021 | 2022 | |||
| Score | Δ% | Score | Δ% | Score | Δ% | |
| MPI | 1.4882 | 48.82 | 1.2468 | 24.68 | 0.9943 | ‒0.57 |
| CU | 1.4316 | 43.16 | 1.4409 | 44.09 | 1.2882 | 28.82 |
| FS | 1.0300 | 3.00 | 0.8076 | ‒19.24 | 0.7161 | ‒28.39 |
DMU1-1은 분석기간 동안 뚜렷한 생산성 저하 흐름을 보였다(Table 5). 2019-2020년의 MPI는 0.9411로 소폭 감소하였는데, 이는 효율성 변화(CU)가 정체된 상태에서 기술변화(FS)가 소폭 후퇴한 데 따른 결과로 외부환경의 영향이 주된 요인이었다. 그러나 2020-2021년에는 MPI가 0.5076까지 급락하였으며, 특히 FS가 44.37% 감소한 것으로 나타나 외부환경의 급격한 변화가 생산성 하락을 결정적으로 유발한 것으로 분석된다. 2021-2022년 시기의 특징은 CU가 51.02% 감소한 점으로, 이는 내부역량 자체가 약화되면서 생산성이 추가적으로 악화된 것으로 해석된다. 전체적으로 DMU 1-1은 분석 후반기에 내부역량 저하로 인한 구조적 문제까지 결합되면서 지속적인 생산성 저하 국면에 머문 것으로 보인다.
Table 5.
Malmquist Productivity Index Results for DMU1-1
| DMU: 1-1 | 2019-2020 | 2020-2021 | 2021-2022 | |||
| Score | Δ% | Score | Δ% | Score | Δ% | |
| MPI | 0.9411 | ‒5.89 | 0.5076 | ‒49.24 | 0.5217 | ‒47.83 |
| CU | 1.0000 | 0.00 | 0.9125 | ‒8.75 | 0.4898 | ‒51.02 |
| FS | 0.9411 | ‒5.89 | 0.5563 | ‒44.37 | 1.0650 | 6.50 |
DMU1-2는 분석 초기에 가장 높은 수준의 생산성 향상을 기록한 반면, 이후 조정 과정을 거쳐 재상승하는 비교적 역동적인 패턴을 나타냈다(Table 6). 2019-2020년 MPI는 2.0855로 크게 증가하였는데, 이는 CU가 132.67% 증가한 데서 확인되듯 내부역량 강화가 생산성 상승을 주도한 것으로 해석된다. 2020-2021년에는 CU와 FS가 각각 약 10%씩 감소하면서 MPI도 0.8006으로 하락하였으며, 이는 내부와 외부 요인이 동시에 작용한 조정 국면으로 볼 수 있다. 2021-2022년에는 FS가 소폭 감소함에도 불구하고 CU가 34.69% 증가하면서 MPI가 1.2368로 회복되었고, 이는 내부역량 중심의 성과창출 구조가 여전히 유효함을 보여준다. 종합적으로 DMU 1-2는 변동성 속에서도 내부역량 기반의 성장 가능성이 가장 뚜렷하게 나타난 분야라 할 수 있다.
Table 6.
Malmquist Productivity Index Results for DMU1-2
| DMU: 1-2 | 2019-2020 | 2020-2021 | 2021-2022 | |||
| Score | Δ% | Score | Δ% | Score | Δ% | |
| MPI | 2.0855 | 108.55 | 0.8006 | ‒19.94 | 1.2368 | 23.68 |
| CU | 2.3267 | 132.67 | 0.8962 | ‒10.38 | 1.3469 | 34.69 |
| FS | 0.8964 | ‒10.36 | 0.8934 | ‒10.66 | 0.9182 | ‒8.18 |
DMU2-1은 분석기간 전반에 걸쳐 내부역량의 변화가 거의 없는 것으로 나타났다(Table 7). CU가 3년 연속 1.000으로 추정되어 연구 수행 과정에서 투입 대비 산출의 효율성 자체는 일정 수준을 유지한 것으로 볼 수 있다. 이에 따라 전체 생산성 변화는 FS의 변동에 따라 전적으로 좌우되었다. 2019-2020년에는 FS가 6.10% 증가하면서 MPI도 동일한 폭으로 상승하였고, 2020-2021년에는 FS가 19.70% 감소하여 생산성이 크게 하락하였다. 2021-2022년에는 FS가 다소 회복되었음에도 여전히 기준치보다 낮은 수준을 유지하였다. 이는 해당 분야가 외부 기술환경·탐사 조건·정책 변화 등 외생적 요인에 매우 민감하며, 내부역량 강화가 생산성 변화를 견인하지 못하는 구조적 특성을 갖고 있음을 알 수 있다.
Table 7.
Malmquist Productivity Index Results for DMU2-1
| DMU: 2-1 | 2019-2020 | 2020-2021 | 2021-2022 | |||
| Score | Δ% | Score | Δ% | Score | Δ% | |
| MPI | 1.0610 | 6.10 | 0.8030 | ‒19.70 | 0.8989 | ‒10.11 |
| CU | 1.0000 | 0.00 | 1.0000 | 0.00 | 1.0000 | 0.00 |
| FS | 1.0610 | 6.10 | 0.8030 | ‒19.70 | 0.8989 | ‒10.11 |
DMU2-2는 생산성 변동폭이 가장 크고 내부 및 외부요인이 모두 강하게 작용한 사례이다(Table 8). 2019-2020년 MPI는 3.1011로 분석대상 DMU 중 가장 높은 증가율을 보였으며, 이는 CU(150.90%)와 FS(23.60%)가 동시에 상승한 결과로 내부성과와 외부환경 적합성이 모두 개선된 시기였다. 2020-2021년에는 CU(‒8.19%)와 FS(‒11.97%)가 동시에 감소하며 MPI가 0.8083으로 하락하였으나 2021-2022년에는 CU(+8.92%)와 FS(+17.52%)가 모두 상승하면서 MPI가 1.2800으로 회복되었다. 이는 해당 분야가 외부환경의 긍정적인 변화에 민감하게 반응하면서도 내부역량 역시 비교적 안정적으로 유지되고 있음을 보여준다.
Table 8.
Malmquist Productivity Index Results for DMU2-2
| DMU: 2-2 | 2019-2020 | 2020-2021 | 2021-2022 | |||
| Score | Δ% | Score | Δ% | Score | Δ% | |
| MPI | 3.1011 | 210.11 | 0.8083 | ‒19.17 | 1.2800 | 28.00 |
| CU | 2.5090 | 150.90 | 0.9181 | ‒8.19 | 1.0892 | 8.92 |
| FS | 1.2360 | 23.60 | 0.8803 | ‒11.97 | 1.1752 | 17.52 |
DMU3-1은 분석 초기에 내부역량이 크게 향상되었음에도 외부환경의 제약으로 인해 생산성 증가폭이 제한되는 특징을 보였다(Table 9). 2019-2020년에는 CU가 32.79% 증가하였으나 FS가 10.02% 감소하여 MPI는 1.1948에 그쳤다. 2020-2021년에는 CU가 소폭 증가(2.52%)했음에도 FS 감소폭이 더 컸기 때문에 MPI는 0.9431로 하락하였다. 2021-2022년에는 CU와 FS 모두 감소하여 MPI가 0.6129로 급락하였으며, 이는 내부역량의 약화와 기술환경 변화의 부정적 영향이 동시에 작용한 결과이다. 전체적으로 DMU3-1은 외부환경 변화에 대한 대응력이 충분하지 않은 가운데, 내부 성과창출 능력도 안정적으로 유지되지 못한 것으로 판단된다.
Table 9.
Malmquist Productivity Index Results for DMU3-1
| DMU: 3-1 | 2019-2020 | 2020-2021 | 2021-2022 | |||
| Score | Δ% | Score | Δ% | Score | Δ% | |
| MPI | 1.1948 | 19.48 | 0.9431 | ‒5.69 | 0.6129 | ‒38.71 |
| CU | 1.3279 | 32.79 | 1.0252 | 2.52 | 0.8545 | ‒14.55 |
| FS | 0.8998 | ‒10.02 | 0.9199 | ‒8.01 | 0.7173 | ‒28.27 |
DMU3-2는 분석기간 동안 가장 극단적인 변동성을 보인 분야이다(Table 10). 2019-2020년에는 CU와 FS가 모두 10% 이상 증가하면서 MPI가 1.2271로 상승하였다. 2020-2021년에는 FS가 10.56% 감소하였으나 CU가 64.17% 크게 증가하여 MPI는 1.4684로 분석기간 내 가장 높은 증가폭을 기록하였다. 그러나 2021-2022년에는 CU(‒64.39%)와 FS(‒42.17%)가 모두 급락하여 MPI가 0.2059로 크게 감소하였다. 이는 내부역량의 불안정성이 외부환경 변화와 결합하여 생산성 변동이 매우 크게 나타난 것으로, 단기적 성과는 높았으나 지속적 역량 축적은 미흡한 구조적 특성을 보여준다.
Table 10.
Malmquist Productivity Index Results for DMU3-2
| DMU: 3-2 | 2019-2020 | 2020-2021 | 2021-2022 | |||
| Score | Δ% | Score | Δ% | Score | Δ% | |
| MPI | 1.2271 | 22.71 | 1.4684 | 46.84 | 0.2059 | ‒79.41 |
| CU | 1.1058 | 10.58 | 1.6417 | 64.17 | 0.3561 | ‒64.39 |
| FS | 1.1097 | 10.97 | 0.8944 | ‒10.56 | 0.5783 | ‒42.17 |
DMU4-1은 초기에는 내부역량과 외부환경이 동시에 개선되었으나 후반기에는 상반된 요인이 시기별로 교차하며 생산성 변화를 이끌었다(Table 11). 2019-2020년에는 CU(+18.32%)와 FS(+8.88%)가 모두 증가해 MPI가 1.2883으로 안정적 성장세를 보였다. 그러나 2020-2021년에는 FS가 42.97% 급락하며 MPI는 0.5059로 크게 감소하였고, 2021-2022년에는 FS가 다시 개선되었으나 CU가 감소하면서 MPI는 0.7241로 여전히 낮은 수준에 머물렀다. 이 분야는 외부환경의 영향력이 강한 동시에 내부역량도 일정하게 유지되지 못하는 특성을 나타냈다.
Table 11.
Malmquist Productivity Index Results for DMU4-1
| DMU: 4-1 | 2019-2020 | 2020-2021 | 2021-2022 | |||
| Score | Δ% | Score | Δ% | Score | Δ% | |
| MPI | 1.2883 | 28.83 | 0.5059 | ‒49.41 | 0.7241 | ‒27.59 |
| CU | 1.1832 | 18.32 | 0.8871 | ‒11.29 | 0.6969 | ‒30.31 |
| FS | 1.0888 | 8.88 | 0.5703 | ‒42.97 | 1.0391 | 3.91 |
DMU4-2는 분석기간 동안 CU가 연속으로 1.000으로 추정되어 내부역량 변화가 거의 없는 것으로 나타났다(Table 12). 이에 따라 생산성 변화는 전적으로 FS에 의해 결정되었다. 2019-2020년 FS는 소폭 증가하여 MPI도 1.0069로 거의 변동이 없었으나, 2020-2021년에는 FS가 13.77% 감소하여 MPI도 동일 폭으로 하락하였다. 2021-2022년에도 FS가 7.27% 감소하며 MPI는 0.9273으로 낮아졌다. 이는 해당 분야가 내부적 효율성 향상보다는 외부 환경 직접적으로 종속되는 구조를 지니고 있음을 보여준다.
결 론
한국지질자원연구원이 2020-2024년 연구사업계획을 통해 수립한 4대 전략목표와 8대 성과목표는 국가가 직면한 복합적 환경 변화-기후위기, 지진·지질재해 증가, 핵심광물 공급망 불안정, 에너지안보 위기, 지하환경 관리 문제를 직접적으로 해결하기 위한 구조적 대응체계로 설계되었다. 본 연구의 생산성 분석 결과는 이러한 전략목표별 연구체계가 실제로 어떻게 작동해 왔는지를 정량적으로 보여주며, 특히 전략목표별·성과목표별 성과의 차이가 KIGAM의 정책적 개선 방향 설정에 중요한 기반이 될 수 있음을 시사한다.
첫째, 전략목표 1(국민안전 및 국토지질 공공정보 제공)과 관련된 성과목표(1-1, 1-2)는 외부환경의 구조적 영향이 강하게 작용하는 분야라는 점이 확인된다. 지진·활성단층 연구와 국토지질정보 구축은 정책 수요·현장 접근성·재해 발생 여부 등 외생 요인에 크게 좌우되기 때문에, 생산성 변동이 비교적 크거나 단기적인 외부 충격에 민감하게 반응하는 경향을 보였다. 이는 해당 분야가 외부환경 변화에 선제적으로 대응할 수 있는 연구 인프라 확충, 예를 들어 AI 기반 지질정보 분석, 실시간 지진 감시체계 강화, 원격 탐사기술의 확대가 필요함을 시사한다. 특히 성과목표 1-1에서 관찰된 후반기 내부역량 약화는 기초자료 구축·장기 누적형 연구의 특성이 제 역할을 하기 위해 지속적 투자와 안정적 연구환경 조성이 필요하다는 점을 보여준다.
둘째, 전략목표 2(전략광물 확보 및 북방자원 개발)은 국내외 공급망 변동성과 국제 자원정책 변화의 영향을 크게 받는 영역으로, 분석 결과에서도 외부환경(FS)의 변화가 생산성 변동을 주도하는 유형(성과목표 2-1)이 존재하였다. 전략광물 확보 기술은 자원가격, 국제정세, 해외 탐사 접근성, 민간 기업의 수요 변화에 직접적으로 연동되므로, 내부 효율성(CU)만으로 생산성을 안정적으로 유지하기 어렵다. 따라서 이 분야는 대외환경 분석 기반의 적응적 연구전략, 해외 협력 네트워크 강화, 시뮬레이션 기반 탐사기술 등 외생적 제약을 줄일 수 있는 기술·정책적 대응이 요구된다. 동시에 북방·ASEAN 등 지역별 자원 접근성 변화에 맞춰 성과목표의 주기적 재조정이 필요하다.
셋째, 전략목표 3(석유·가스자원 확보)는 내부역량 강화가 성과를 직접적으로 견인하는 분야(성과목표3-2)가 존재함을 보여준다. 비전통 자원 회수 기술, 고해상 해저탐사기술 등은 연구 인프라·전문 인력·모델링 역량이 성과의 주요 결정 요인이기 때문이다. 그러나 일부 DMU에서는 내부역량 변동성이 매우 크게 나타나 생산성의 극단적 등락을 초래하였다. 이러한 특성은 해당 분야가 기술 전문성의 안정적 축적, 핵심 인력의 장기 확보, 대형 장비·전산 기술 기반의 지속적 업그레이드 등 구조적 역량관리 전략을 필요로 함을 의미한다. 즉, 전략목표 3은 외부환경 대응보다 내부역량의 질적 안정화가 더 중요한 정책 방향이다.
넷째, 전략목표 4(지구환경 변화 대응)의 성과목표(4-1, 4-2)는 CO2 저장, 심부 지하공간 활용, 지하수·지질환경 관리 등 국가 장기정책과 밀접하게 연관되어 있어 외부환경의 영향을 크게 받는 동시에, 분야 자체의 성숙도나 기술 난이도에 따라 내부역량(CU)이 쉽게 변화하지 않는 특징이 나타났다(DMU 4-2 등). 이는 해당 분야가 정책환경 변화의 속도에 비해 기술 개발 주기가 길고, 인프라 구축이 결정적 요인임을 의미한다. 따라서 중장기 안정성을 확보하기 위해서는 다년도 대형 프로그램, 실증 인프라 구축, 정부 부처 간 협력체계 정비가 필요하며, CO2 저장과 지하공간 활용 기술은 국가 전략과 연동된 장기 연구체계 내에서 운영될 필요가 있다.
본 연구의 생산성 분석 결과, 전략목표별 생산성 변동은 외부 요인에 의해 상이한 영향을 받는 것으로 나타났다. 이러한 결과는 각 전략목표가 국가적 정책환경 변화, 예를 들어 자원안보 강화, 탄소중립 이행, 지질재해 대응 요구 등 정부 연구수요와 일정 부분 연계되어 있음을 시사한다. 외부요인의 민감도가 높게 나타난 전략목표일수록 국가적 수요 변동의 영향을 직접적으로 받는 구조적 특성을 보이며, 이는 KIGAM의 4대 전략목표·8대 성과목표 체계가 국가적 수요와 정합성을 갖추고 있음을 뒷받침한다.
또한 전략목표 간 생산성 변동 패턴이 서로 다르게 나타난 점은 기존의 일괄적 R&D 관리 방식에서 벗어나, 전략목표 수준의 거시적 조정과 성과목표 단위의 미시적 조정을 병행하는 전략적 접근이 필요함을 보여준다. 본 연구에서 도출한 정량적 분석 결과는 이러한 전략적 재설계의 필요성을 실증적으로 제시하며, KIGAM의 중기 R&D 기획과 성과관리체계가 외부환경 변화에 민첩하고 유연하게 대응하도록 개선하는데 중요한 근거자료로 기능할 수 있다.
