서 론

최근 국내외 에너지 산업 생태계 변화에 따라 제4차(’19~’28)와 제5차(’24~’33) 에너지기술 개발계획 및 제5차(’23~’27) 과학기술 기본계획에서는 16대 중점기술 분야 중 자원개발, 에너지 신소재, 태양광 등 에너지·자원 분야 국가 연구개발 사업의 지원 필요성이 확산되고 있다(MOTIE, 2019; MSIT, 2023; MOTIE, 2024). 이와 더불어, 자원 탐사·개발 분야에 대하여 정보통신 기술 및 소프트웨어인 ICT·SW 기반 기술을 적용한 유∙가스 생산성 향상, 극한지의 비전통 가스 개발을 위한 인프라 관리 및 유지보수 기술 확보와 관련한 기술 로드맵이 수립되었다(IITP, 2025). 두 분야의 기술 융합으로 인해 에너지·자원 분야 중 특히 자원 탐사·개발 분야의 운영 효율성 제고, 안전성 강화와 비용 절감이 가능하게 되었다. 또한, 신(新)기후체제 출범에 대응한 청정에너지 성장뿐 아니라 인공지능(Artificial Intelligence, AI), 빅데이터, 5G 등 ICT 혁신 기술이 반도체, 소프트웨어와 같은 다양한 분야에 적용됨으로써, ICT·AI·데이터 기반 디지털·지능형 에너지 산업으로 진화가 가속화되고 있다(MOTIE, 2014; MSIT, 2018; MOTIE, 2019).

정부 연구개발 예산은 최근 5년 동안 지속 확대되어 2025년 29.6조원으로 역대 최대규모를 달성하였으며, 전략기술(Strategic Technologies) 분야에 대하여 기존 4.9조원에서 2025년 6.4조원으로 확대 편성되었다(MOTIE, 2024).

이와 같은 배경으로 에너지·자원 및 ICT·SW 분야 기술 융합을 고려한 R&D 사업이 활발하게 진행되어 체계적인 효율성 평가가 필수적이나, 단기·정량 지표 중심의 기존 성과분석으로는 한계가 있다. Yoon and Lee(2022), Choi (2024) 선행연구 이외에도 Cho and Swang(2024)는 사업의 성과지표 특성과 기술적 성과의 영향을 분석하였고, Ro and Cho(2021)는 소프트웨어 기반 중심의 사업군으로 한정하여 효율성을 비교하였다. 그러나 미래 유망기술 관점과 중점 과학기술분류체계를 아우르는 종합적 분석은 미흡한 실정이다.

이 연구에서는 기술분류체계와 2023년에 발생한 사업 성과에 대한 조사를 바탕으로 자료포락분석 활용 모형을 설계하였다. 각 모형의 상대적 효율성 분석, 효율성을 극대화하기 위한 비효율의 원인분석 및 개선목표량(%)을 검토하여 제안하고자 한다. 특히 투입 요소별 성과 창출 패턴의 선형 기울기를 추산하고, 이와 더불어 보조적 해석으로 규모 효율성 및 질적 가중치가 반영된 1억원 당 가중 논문수를 나타내는 절대적 생산성과의 관계를 사분면 매트릭스 분석을 통해 해석함으로써, 기존 연구 대비 실효성 있는 정책적 가이드라인을 도출한 점에서 타 연구 대비 방법론적 차별성을 제시하고자 한다.

DEA 방법론

DEA 기법 중 Charnes et al.(1978)의 CCR(Charnes, Cooper, Rhodes) 모형은 기술효율성(Technical Efficiency, TE)을, Banker et al.(1984)의 BCC(Banker, Charnes, Cooper) 모형은 순수 기술효율성(Pure Technical Efficiency, PTE)을 도출한다(Kim, 2024). 또한, 규모 효율성(Scale Efficiency, SE)은 PTE 대비 TE 비율로 효율성은 0과 1 사잇값을 가진다(Boussofiane et al., 1991).

비효율 원인분석의 경우 규모수익(Returns to Scale, RTS)에 따라 규모수익체증(Increasing Returns to Scale, IRS), 규모수익불변(Constant Returns to scale, CRS), 규모수익체감(Decreasing Returns to Scale, DRS)의 상태 분석을 통해 투입 절감 또는 산출 증대와 같은 의사결정단위(Decision Making Unit, DMU)의 비효율 개선 방향을 제시할 수 있다(Pokushko et al., 2023; Kim, 2024).

DEA 연구모형 설계

NRF(2025)의 2023년도 R&D 사업 분석 보고서를 활용하였으며, 투입 및 산출 변수의 원자료는 Fig. 1에 산포도로 나타내었다. 선행연구(Du and Seo, 2022; Kim and Oh, 2025; Um, 2025; Yeon and Son, 2025) 사례를 참고하여 설계한 DEA 활용 플로우차트는 Fig. 2와 같다. DEA 분석에 Frontier Analyst의 산출지향을 채택한 것은 R&D 사업의 확정된 연구비, 과제수의 투입을 바탕으로 논문수, 특허수의 산출 성과를 얼마나 증대시킬 수 있는가에 대한 성과평가의 실효성 측면에 부합하기 때문이다. 또한, 이 연구에서 모형 2~6의 경우 단년·동일년도에서의 투입과 산출변수 매칭은 해당 연도에 투입된 자원이 성과로 직결된다는 인과적 명제를 전제하는 것이 아니라, 2023년의 산출값이 최근 수년간의 지속적 투자 흐름과 그 누적적 성과 발현을 대리하는 지표로 기능함을 전제한다. 다만 효율성은 이러한 전제 위에서 산출된 특정 시점의 상대적 자원-성과의 단년도 단면(cross-section) 정합성을 나타내는 것으로 해석의 범위를 한정하며, 투입-산출 간 실제 시차를 명시적으로 반영하거나 다년도 시계열 자료를 확보한 분석은 후속 연구에서 다룰 필요가 있을 것으로 사료된다.

Fig. 1.

Raw data distribution of input and output variables for the six models (X-axis: input variables; Y-axis: output variables; legend: DMU No.).

Fig. 2.

Flowchart for the design of the DEA.

모형 1은 국가 과학기술 지식정보 서비스(National Science & Technology Information Service, NTIS)의 공개된 데이터 중 2018~2022년 중점 과학기술분류를 활용, 모형 2 ~ 6의 경우 2023년 표준분류체계 및 국가연구개발사업을 활용하여 기술분류 기반 모형 1(에너지·자원 및 ICT·SW 기술분류), 모형 5(과학기술표준분류), 모형 6(미래유망신기술, 6T)과, 사업 기반 모형 2(기후에너지사업), 모형 3(미래 ICT사업), 모형 4(원천연구개발사업) 총 6가지 모형으로 구성하였다.

각 모형에서 선별한 세부 DMU 구성은 Fig. 3에 명칭을 번역하여 나타내었으며 영문 공식 명칭에 해당하지 않는다. 모형 1~3, 5의 경우 Boussofiane et al.(1991), Fitzsimmons and Fitzsimmons(1993), Dyson et al.(2001) 등에 따라 투입 및 산출변수의 합 또는 곱에 비례하는 조건을 만족하는 DMU 12개로 설정하였으며, 모형 4의 경우 최소 조건을 만족하였을 뿐 아니라 Ro and Cho(2021)의 소프트웨어 적용 분류체계에 대하여 DMU 9개로 설정한 점을 고려하여 설계하였다. 다만 모형 6의 경우 위 선행 연구의 변수 대비 DMU 개수 설정 기준에서 벗어나지만, 모형 1, 5와 같이 기술분류 기반 모형의 DMU 대분류 수준(level)과 동일하게 유지하고 기타 분야를 제외한 미래유망신기술(6T) 전체를 아우르는 기술 분야를 반영하고자 6가지 대분류 기준을 DMU로 설정하였다. 즉, 최소 표본 기준 관점에서 모형 4는 일부 충족하는 반면 모형 6은 충족하지 않으므로 두 모형에 대해서는 변수 수 대비 DMU 개수 부족 측면에서 제한적인 결과로 고려가 필요하다. DEA의 판별력 확보를 위해 추후 모형 6의 경우 소분류 기준으로 DMU 개수를 추가하고 타 모형과 동일하게 DMU 개수를 12개 또는 이상으로 일치시켜 모형 간 분석해 볼 수 있다.

Fig. 3.

DMU names for the six models.

아울러 최근 인공지능 기본계획(2026~2028) 등 AI 기술의 정책적 중요성을 고려할 때, AI 기술 확산의 기반이 되는 에너지·자원 및 ICT·SW 분야는 R&D 투자전략에서 지속적으로 강조되어 온 핵심 분야로 단년도의 투입-산출 전환 효율만으로 판단하기보다 다년간 축적된 연구개발 투자가 실제 기술적 성과로 이어지는 구조적 효율성을 살펴보는 것이 정책적 함의 측면에서 더 유용하다고 판단하였다. 이에 따라 모형 1은 두 기술 영역에 한하여 NTIS를 통해 확보한 2018~2022년 4개년 중점 과학기술분류의 연구개발 투자와 성과 간 누적 데이터를 기반으로 에너지·자원 기술 대분류 내에 전력 및 에너지저장, 신재생에너지, 원자력, 핵융합 가속기, 자원 개발 및 활용 세부 분야를 모두 반영함으로써, 단년도 자료를 활용한 모형 2~6 대비 분석 대상의 시간적 범위 자체가 상이하게 설계하고자 하였다. 모형 1의 누적 데이터 기반 중장기적 연구개발 효율성을 평가하고, 향후 관련 분야에 대한 정책적 자원배분 방향을 논의하는데 실질적 시사점을 제공하고자 한다.

DEA 효율성 분석 결과

투입 및 산출변수 상관관계 분석 결과

투입 및 산출변수 설정의 적절성을 파악하기 위하여 변수 간 상관관계를 분석하였으며, 각 모형의 변수 쌍에 대한 R값과 p-value는 Fig. 4에 나타내었다. 각 모형의 상관관계 분석 결과 전반적으로 R값이 1에 가까운 양(+)의 상관관계를 보였으며, p-value는 대부분 0.1 미만으로 도출되어 통계적으로 유의미한 것으로 나타났다.

Fig. 4.

Results of correlation analyses between pairs of variables for the six models.

모형 간 DEA 효율성 분석 결과

각 모형의 평균 효율성을 비교하면 기술분류 기반 중 모형 5의 DMU 평균은 TE 0.838, PTE 0.947로 가장 크게 도출되어 모형 5의 벤치마킹을 고려할 수 있다. 또한 사업 기반 모형 중 모형 4의 DMU 평균은 TE 0.780, PTE 0.905로 가장 크게 도출되어 모형 4의 벤치마킹을 고려할 수 있다.

각 모형의 CCR, BCC 효율성 값이 1(100%)로 나타난 DMU의 점유율을 비교하면 모형 5는 CCR 41.7%, BCC 75.0%로 타 모형 대비 최대치로 나타나 벤치마킹할 수 있다. 더불어 효율성이 1로 나타난 DMU들의 사업 특성을 분석한다면 추가적인 심층 해석이 가능할 것으로 사료 된다. 각 모형 간의 비교가 아닌 모형 내 DMU별 세부 분석한 결과는 Fig. 5에 나타내었다.

Fig. 5.

DEA efficiency (CCR, BCC, and SE) by DMU for the six models.

Fig. 5(a) 모형 1의 DMU5(자원 개발 및 활용)는 TE 0.905, PTE 1.0, SE 0.905이며, DMU9(컴퓨팅·소프트웨어)는 TE 0.534, PTE 0.574, SE 0.930으로, DMU5와 9는 TE와 PTE 값의 차이가 작아 SE는 최적 규모에 근접해 있음을 확인하였다.

Fig. 5(b) 모형 2의 BCC는 CCR 모형의 TE 값이 1인 DMU1, 6을 포함하여 총 7개 DMU가 효율성 1(100%)을 달성한 것을 확인하였다. DMU2(에너지클라우드기술개발), 12(탄소자원화플랫폼화합물제조기술개발)의 SE는 0.9 이상으로 양호한 규모 효율성을 가진다. Fig. 5(c) 모형 3의 규모 효율성인 SE를 살펴보면, 반도체 분야 사업들은 대체로 규모 효율성이 양호한 것으로 나타났다. Fig. 5(d) 모형 4의 규모 효율성인 SE를 살펴보면 DMU1(기후변화대응기술개발사업), 7(다부처국가생명연구자원선진화사업), 9(STEAM연구사업)는 0.8 미만의 규모 효율을 보여 규모 측면에서 비효율성이 부분적으로 확인된다. Fig. 5(e) 모형 5의 기술 분야별로 살펴보면 TE, PTE, SE의 경우 DMU8(에너지/자원)은 0.832, 1.0, 0.832으로, DMU11(정보/통신)은 0.588, 0.753, 0.78으로 도출되어 DMU8에서 높은 효율성 값을 나타내었다.

Fig. 5(f) 모형 6의 기술 분야별로 자세히 살펴보면 DMU1(정보기술, IT)과 5(환경에너지 기술, ET)는 CCR, BCC, SE의 경우 각각 0.585, 0.588, 0.994와, 0.903, 0.911, 0.991으로 도출되었다. 즉 DMU1은 DMU5에 비해 상대적으로 낮은 효율성 값으로 나타나 투입 규모에 비해 산출이 부족하여 효율 개선 필요성이 큰 분야로 볼 수 있다.

각 모형의 참조 집합 분석 결과는 Table 1과 같다. CCR과 BCC의 비효율 DMU는 효율 DMU와 소수점 셋째 자리에서 절삭한 선형결합 계수인 람다(𝜆) 값으로 구성된 참조 집합으로 도출하였으며, 각 모형의 효율 사업들은 여러 사업의 개선 준거점 역할을 한다.

효율성 상위 그룹의 변수 간 선형관계 분석 결과

사업 기반 모형 2, 3, 4의 BCC 상위 효율성 30% 이상 그룹에 포함되는 DMU에 대한 변수 쌍 분포 및 선형 기울기 값을 Fig. 6에 제시하였다. Fig. 6 (a) 연구비 투입 대비 논문수 산출의 기울기는 1.15, (b) 과제수 투입 대비 논문수 산출의 기울기는 5.29, (c) 연구비 투입 대비 특허수 산출의 기울기는 0.58, (d) 과제수 투입 대비 특허수 산출의 기울기는 2.74로 추산되었다. 결론적으로 BCC 기준 상위 30% 이상의 효율성을 가지기 위해서는 투입 및 산출변수 4개 조합에 대한 변수 쌍의 기울기는 해당 값 이상이어야 함을 알 수 있었다. 그러나 해당 변수쌍의 기울기 추정에 활용된 표본 수가 21개에 불과하여 도출된 계수의 통계적 유의성이 충분히 확보되었다고 보기는 어렵다. 따라서 이러한 소표본 하에서 도출된 기울기는 표본의 구성 변화에 민감하게 반응할 수 있으므로 결과는 확정적 관계 보다 두 변수 간의 잠정적 경향성을 시사하는 참고적 지표로 해석되어야 하며, 향후 표본 수를 확대한 검증을 통해 유의한 상관관계를 추산할 수 있다.

Fig. 6.

Linear slopes of variables for the top 30% efficiency group in the BCC model (Models 2, 3, and 4).

비효율 원인분석 및 개선방안

비효율 원인 분석

Fig. 7은 각 모형의 PTE 또는 SE로 인한 비효율 DMU 점유율 결과이다. Fig. 7(a)의 기술분류체계 기반 모형 1, 5, 6을 자세히 살펴본다. 모형 1에서 에너지·자원(DMU1~5) 분야는 PTE 2개(1, 3), SE 1개(5)로, ICT·SW(DMU6~12) 분야는 PTE 3개(6, 9, 11), SE 3개(7, 8, 10)로 도출되었으므로 두 기술 분야는 비효율 요인이 혼재된 양상임을 알 수 있다. 모형 5의 DMU8(에너지/자원)은 SE로, DMU11(정보/통신)은 PTE로 나타나 DMU별 기술분류 특성을 고려하여 규모 조정과 내부 효율 향상을 병행하는 접근이 필요하다. 모형 6은 PTE 3개, SE 2개로 도출되었으며 특히 DMU1(정보기술, IT)과 DMU5(환경에너지기술, ET)는 기술적 요인인 PTE로 나타났다.

Fig. 7.

Shares of causes of inefficiency (PTE, SE) by DMU for the six models.

모형 1, 2, 5, 6은 비효율 요인이 혼재된 양상, 모형 3, 4는 SE가 주된 요인임을 알 수 있었다. 비효율의 요인이 SE인 경우 효율성 향상을 위해 투입 예산의 증액 등을 통한 규모 최적화 전략, PTE인 경우 조직 운영, 성과관리 제도 개선, 기술 활용과 운영관리 전략으로 DMU별 특성도 동시에 고려한 개선 방안이 요구된다.

특히 모형 5의 경우 DMU8의 중분류는 기초·원천 연구부터 실증·상용화 단계까지 기술성숙도가 상이한 분류체계로 구성되어 있으므로 다른 DMU와 비교 시 DMU8에서 규모 비효율이 발생했을 가능성이 크다. 기술성숙도(Technology Readiness Level, TRL) 단계별 예산으로 분리하는 등의 방법으로 투입자원을 재배치할 필요가 있으며, 실증설비 가동률, 상용화 전환율 등 인프라·실증형 R&D의 특성을 반영하는 성과지표 개선이 필요할 것으로 사료된다. DMU11의 무선통신, 정보통신융합디바이스 등 하위 기술영역은 국제 표준 경쟁이나 세대교체 주기가 빠른 편이므로 투입을 얼마나 시의적절하게 운용했는가의 문제로 PTE 비효율의 원인이 된다. 운영·관리 정합성 회복 중심으로 투입자원을 재배치하고 표준특허 비율, 피인용 지수 등 질적 지표를 병행 반영한 성과지표로 개선하는 것을 권장한다. 다른 모형들 또한 모형 5와 같이 도메인의 연구개발 특성을 고려한 투입 자원 재배치나 성과지표 개선을 통한 산업적, 기술적 심층 고찰이 뒷받침되어야 할 것이다.

규모수익 RTS 분석

Fig. 8에서는 규모수익 RTS의 상태에 대한 점유율을 나타내었다. IRS 상태는 투입의 증가 비율보다 산출의 증가 비율이 높기 때문에 규모의 확대를 통해 효율성을 개선시킬 수 있다. CRS는 투입이 증가하면 산출도 비례하여 증가하여 규모와 상관없이 효율성이 일정하고, DRS 상태는 투입의 증가 비율보다 산출의 증가 비율이 낮기 때문에 투입의 축소를 통해 효율성을 개선시킬 수 있다(ETRI, 2021).

Fig. 8.

Shares of RTS state (IRS, CRS, and DRS) by DMU for the six models.

Fig. 8(a)의 기술분류체계 기반 모형 1, 5, 6을 자세히 살펴본다. 모형 1은 최적 규모인 CRS 상태에서 벗어나 DRS 58.3%, IRS 41.7% 점유율로 나타났다. 두 기술 분야 간 비교하면 모형 1의 에너지·자원 기술 분야(DMU1~5)의 경우 DMU 2개(2, 3)는 IRS, DMU 3개(1, 4, 5)는 DRS 상태이다. ICT·SW 기술 분야(DMU6~12)의 경우 DMU 3개(6, 8, 9)는 IRS, DMU 4개(7, 10 11, 12)는 DRS 상태로 나타났다. 모형 5는 IRS 3개를 제외한 대부분 DMU가 DRS로 특히 DMU8(에너지/자원)은 DRS, DMU11(정보/통신)은 IRS 상태로 나타났다. 효율성 향상을 위해서는 DMU별 사업특성 및 DRS에 대한 투입 요소 감소를 고려한 적정 규모를 유지하는 전략이 관리 측면에서 적합하다고 볼 수 있다. 모형 6은 DMU1(정보기술, IT)과 DMU5(환경에너지기술, ET) 모두 DRS로 도출되었다. 각 기술 분야에 해당하는 사업 및 과제의 선별과 집중을 통해 예산을 조정하고 적정 규모를 유지하는 것이 효율성 제고에 필수적이다. 결론적으로 각 모형의 DMU를 포함한 IRS, CRS, DRS의 점유율을 비교하자면, 모형 1, 3, 5, 6은 DRS, 모형 4는 IRS와 DRS 분포가 균형을 이루고, 모형 2만 IRS 상태의 점유율이 우세한 것으로 나타났다.

효율성 상위 그룹의 비효율 개선목표량

각 모형에서 CCR, BCC 효율성 상위 30% 이상에 속하는 DMU들은 평균 이상의 효율을 보인 우수 효율 그룹으로 최선의 개선을 위해서는 높은 효율에도 불구하고 어떠한 추가 개선목표량(%)이 필요한지 분석하고자 하였다. 각 모형에 대하여 BCC 기준 상위 30% 이상 그룹의 효율성은 1(100%)으로 완전 효율인 경우가 대부분이었으므로, 개선목표량은 0의 값으로 해당없는 것으로 도출되었다. 사업 초기 단계에서 논문 수나 특허 출원 등의 정량적 성과가 없는 성과 공백 DMU는 개선목표량 분석 대상에서 제외하였다. 또한, 모형 1의 경우 CCR 기준 상위 30% 이상 그룹의 효율성은 DMU별 개선목표량이 0의 값이었으므로 해당 DMU들은 제외 후, CCR 상위 50% 이상 효율성을 가지는 DMU로 추가 선별하였다. 모형 1의 구간 조정은 일관된 비율 기준을 확대한 것이 아니라, 표본 수가 제한적이고 모형 간 이질성이 존재하는 상황에서 고정 임계값 대신 데이터의 실제 분포에 따라 임계값을 적응적으로 조정함으로써 해석 가능한 최소한의 개선목표량이 관측되는 지점까지 확인한다는 분석 절차의 일관성을 전제로 한다.

아울러 방사형 효율성을 1단계에서 우선 확정한 뒤 2단계에서 잔여 비방사형 여유분 슬랙(slack)을 보완적으로 산출하는 절차로, Fig. 9는 양(+)의 y축은 논문수, 특허수와 같은 산출변수의 과소 산출로 인한 산출증가 목표량인 과소산출량(under output, %)을 나타내며 방사형 확장분과 비방사형 잔여 슬랙 성분이 합산된 값으로 도출한다. 음(–)의 y축은 연구비, 과제수와 같은 투입변수의 과다 투입으로 인한 투입감소 목표량인 과다투입량(over input, %)으로 슬랙에서 기인한 값을 나타낸 결과이다. Fig. 9의 가로축에서 볼 수 있듯이 CCR 효율성은 모형 1 DMU 5개(1, 5, 6, 7, 11), 모형 2 DMU 1개(2), 모형 3 해당 없음, 모형 4 DMU 1개(3), 모형 5 해당 없음, 모형 6 DMU 1개(5)로 총 8개로 도출되었다. 즉, 전체 모형에 대하여 CCR 상위 30% 또는 50%(모형 1) 효율성 그룹의 약 33.3%가 개선목표량이 있는 것으로 나타났다.

Fig. 9.

Improvement targets for inefficient DMUs within the top 30% or 50% efficiency levels of CCR for the six models.

효율성 및 생산성 분석

규모 효율성인 SE는 상대적 효율성 지표로 X축, 1억원당 가중 논문수는 절대적 생산성 지표인 Y축으로 평균값의 실선으로 구성된 사분면의 DMU 분포를 Fig. 10에 나타내었다.

Fig. 10.

Quadrant distribution of the relationships between scale efficiency (SE) and the number of papers per KRW 100 million (productivity) for the six models.

Fig. 10 1사분면은 SE와 생산성이 모두 높은 고효율성 및 고생산성 유형, 2사분면은 SE는 낮으나 생산성은 높은 저효율성 및 고생산성 유형, 3사분면은 SE와 생산성 모두 낮은 저효율성 및 저생산성 유형, 4사분면은 SE는 높으나 생산성은 낮은 고효율성 및 저생산성 유형으로 분류하였다. 1사분면에 포함된 DMU 분포는 벤치마킹을 권장, 3사분면에 포함된 DMU 분포는 벤치마킹을 지양한다. 2사분면은 SE가 낮아 규모 확장을 위한 투입 대비 산출 비율을 증대시킬 방안이 요구된다. 4사분면은 SE가 높으나 생산성은 낮아 증대시킬 방안이 요구되는 영역으로 해당 DMU는 질적 수준을 고려한 논문수의 증가가 필요하다.

각 모형 간 비교 시 모형 4의 경우 1사분면에서는 점유율 44.4%로 최대값, 3사분면에서는 점유율 22.2%로 최소값으로 도출되어 모형 4를 벤치마킹하는 것으로 고려할 수 있다. 반대로 모형 2의 경우 1사분면에서는 점유율 16.7%로 최소값으로 도출되어 모형 2의 벤치마킹은 지양하는 것으로 고려할 수 있다. Fig. 10 (a)~(f)의 1사분면(고효율, 고생산)에 해당하는 DMU별 사업 특성과 성과지표 설계치 등을 추후 분석해 볼 필요가 있다. 특히 모형 2는 벤치마킹을 지양하는 것으로 도출됨에 따라 과다투입 예산을 다른 DMU로 재배치 하여야 하는 경우 등을 대비하여 DEA 효율성만을 기준으로 평가하는 것을 넘어 자원 안보에 실질적으로 기여하는 요소를 분석해 볼 필요가 있다. 모형 2의 도메인 내에서 동질 DMU 그룹을 나누고 그룹별 또는 가중치 방식으로 전략성을 반영한 뒤, 산출변수 보완을 위한 자원 안보에 특화된 별도의 성과지표를 추가한 심층분석을 제안한다.

기술분류체계 기반 모형 1의 1사분면에서는 에너지·자원(DMU1~5) 분야 5개 중 3개(1, 2, 5), ICT·SW(DMU 6~12) 분야 7개 중 2개(6, 12)로 도출되었다. 즉, 모형 1에서 1사분면에 포함된 DMU는 총 12개 중 5개(1, 2, 5, 6, 12)인 약 41.6%의 점유율이며, 해당 DMU를 벤치마킹하는 것으로 고려할 수 있다. 모형 5는 DMU 5개(1, 2, 3, 4, 6)로 41.6%, 모형 6은 DMU 2개(1, 3)로 33.3%가 1사분면에 포함되어 벤치마킹하는 것으로 고려할 수 있다.

각 모형에 대하여 1사분면인 고효율 및 고생산 영역에 포함되어 벤치마킹하여야 하는 DMU의 점유율은 모형 1 41.6%, 모형 2 16.7%, 모형 3 25.0%, 모형 4 44.4%, 모형 5 41.6%, 모형 6 33.3%로 추산하였다.

추가로 Fig. 10 (a)~(f) 사업 기반 모형 2, 3, 4에 대하여 1사분면에 포함된 DMU만 재구성한 결과는 Fig. 11에 나타내었다. 재구성한 1사분면에는 모형 4의 DMU3(차세대지능형반도체기술개발), 5(미래뇌융합 기술개발), 6(뇌질환극복연구사업), 8(미래소재디스커버리사업)이 포함되었다. 모형 4의 DMU3, 5, 6, 8에 대한 평균값의 경우 연구비 대비 논문수는 0.013, 연구비 대비 특허수는 0.006, 과제수 대비 논문수는 4.798, 과제수 대비 특허수는 2.359로 추산하였다.

Fig. 11.

Reconfiguration of efficiency and productivity in the first quadrant.

결 론

이 연구에서는 에너지·자원과 ICT·SW 분야를 아우르는 기술분류체계 및 R&D 사업을 기반으로 6가지 모형을 설계하고 DEA를 활용하여 각 모형의 DMU별 상대적 효율성과 비효율 DMU에 대한 참조집합을 도출하였으며, 기술분류 기반 중 모형 5를, 사업 기반 중 모형 4를 벤치마킹하는 것으로 제시하였다. 사업 기반 모형 2, 3, 4의 효율성 상위 30% 이상 그룹의 선형관계 분석 결과 연구비 대비 논문수 및 특허수의 기울기는 1.15와 0.58, 과제수 대비 논문수 및 특허수의 기울기는 5.29와 2.74로 추산되었다. 나아가 비효율 원인을 규명하고 구체적인 개선 목표량(%)을 도출한 결과, 전체 모형에 대한 CCR 상위 30% 또는 50%(모형 1) 효율성 그룹 중 33.3%가 개선목표량이 있는 것으로 나타났으며, 과다 투입으로 인한 연구비와 과제수의 개선목표량(%)은 –50 ~ 0 범위 내로 과소 산출로 인한 논문수와 특허수의 개선목표량(%)은 0 ~ 100 범위 내로 도출되었다. 이와 더불어 규모 효율성과 절대적 생산성인 1억원 당 논문수의 사분면 분포 해석 결과 모형 4는 성과관리 측면에서 적극적인 벤치마킹이 권장되는 반면, 모형 2는 투입 자원의 재배치 및 지표 개선이 필요하여 벤치마킹을 지양하는 것으로 제안함으로써 차별화된 정책적 시사점을 도출할 수 있는 실무적 활용도가 높은 분석 틀을 제시하였다는 점에서 의미가 있다.

다만, 모형 2~6의 경우 투입-산출 간 시차 및 누적효과를 통제하지 못하였다는 한계로 인해 효율성 값은 단년도 단면 효율성으로 해석되어야 하고 이에 따라 특정 모형에 대한 벤치마킹 결론은 정책적 함의를 내포하는 해석의 안정성 측면에서 제한적이다. 추후 통계적으로 도출된 효율성 결과를 담당자 인터뷰나 과제 수행 이력 검토 등 정성적 방법으로 보완하여 시차로 인한 왜곡 가능성이 있는 DMU를 식별할 수 있다. 또한, 모집단을 대표할 수 있는 3개년 이상 대량의 시계열 데이터 특히 연구비의 누적값 등을 확보한다면 Super-CCR 모형을 활용하여 DMU별 시간 변화에 따른 누적변수를 고려한 동태적 효율성 변동 패턴을 확인할 수 있을 것이다. 만약 시계열 데이터 확보가 어려운 경우 ‘같은 해의 투입과 산출’이 아니라 ‘투입 이후 일정 시차를 둔 산출’을 시차 매칭, 특정 시점의 값 대신 최근 2~3년간의 평균 또는 누적값을 사용하여 일시적 변동의 영향을 완화할 수 있다.

모형 1의 경우 대규모·장기 투자가 특징인 에너지·자원 분야와 비교적 단기 성과 창출이 용이한 ICT·SW 분야에 대하여 두 도메인의 근본적인 생산 함수 형태가 다를 수 있음에도 하나의 단일 프론티어 모형으로 묶어 동시에 평가하였으므로 DEA의 동질성 가정이 완전히 충족되었다고 보기 어려운 한계를 지닌다. 이에 따라 도출된 효율성 값 및 비효율 원인(PTE/SE) 도출 결과는 순수한 관리적 비효율뿐 아니라 기술적 이질성에서 비롯된 구조적 요인을 일부 내포하고 있을 가능성이 있다. 따라서 모형 1에서는 세부 기술분야를 자본집약도 및 성과발현 주기에 따라 재구분하여 별도의 그룹 프론티어로 부가 분석하거나, 모형 1에서만 메타프론티어(meta-frontier) 분석을 통해 그룹 간 기술격차를 통제한 추가 검증을 수행함으로써 이 연구의 통합 프론티어 결과가 이질성으로 인해 왜곡되었을 가능성을 추정할 수 있다.

나아가 모형 1~6은 서로 다른 DMU 구성·개수·분류체계·자료연도를 가짐에 따라 각 모형의 효율성 값은 상이한 프론티어 위에서 도출된 것으로, 모형 간 기술 수준 차이 자체를 규명하지 못하여 우열을 논하기 어려운 한계를 지닌다. 이에 따라 전체 모형의 DMU를 통합한 공통 메타프론티어를 추정하고 기술격차비율(TGR) 개념을 이용하여 각 모형의 차이를 분석함으로써 보완이 가능할 것이다. 다만 필요시 추가로 사업 기반 모형군과 기술분류 기반 모형군까지 구분하여 메타프론티어를 별도로 적용할 수 있고, 이를 통해 이 연구에서 특정 분야에서의 낮은 효율성 및 비효율 원인이 PTE로 인한 경우 해당 분야가 운영 미숙에 기인한 것인지 또는 모형 간 공통 프론티어와의 구조적 거리에 기인한 것인지 분석해 볼 수 있다.

이 연구에서 설계한 사업 기반 3개 모형은 TRL 측면에서 뚜렷한 차이를 보인다. 모형 2는 실용화 지향 사업의 비중이 높으나 원천기술 단계부터 제품화·실증 단계까지 비교적 넓은 스펙트럼으로 TRL 3~8 구간에 걸쳐 있다. 모형 3은 양자기술 관련 탐색적 연구와 연구인프라·생태계 조성형 사업의 비중이 높아 TRL 1~5 구간에 집중되어 상용화 이전의 저성숙도 연구 중심으로 구성되어 있다. 모형 4는 대부분의 세부사업이 TRL 1~3의 기초·탐색적 연구에 해당한다. 다만 이러한 사업 기반 각 모형의 TRL 구간 추정은 사업명 등에 근거한 판단이므로, 실제 사업계획서나 성과관리 지침에 TRL이 공식 명시되어 있다면 해당 자료로 교차 확인이 필요하다. DEA는 동질적인 DMU 간 효율성 비교를 가정하므로, 기초·응용·개발 초기 연구 단계에 해당하는 TRL 1~5의 경우는 논문수, 피인용수, 특허 출원·등록수 등을 활용하고, 실증·사업화 연구 단계에 해당하는 TRL 6~9의 경우는 모형 1의 DMU5 자원개발 및 활용(석유, 가스, 광물 등) 기술 분야와 같이 대규모·고비용·장기 프로젝트로 분류되는 사업군에 대하여 기술이전 건수, 기술이전료, 사업화 매출, 로열티 수입 등의 지표를 활용함으로써 TRL 단계별로 상이함을 반영한 혼합 성과지표에 대한 분석이 가능할 것이다. 이와 더불어 DMU 분석 대상을 넓히고자 하는 경우 국제 공동연구까지 확대 적용하여 국가 및 기관 단위의 글로벌 전략 수립 시에도 활용할 수 있다.

이 연구의 결과는 두 기술 분야 융합형 국가연구개발사업의 기획, 평가, 환류의 전 주기에 걸친 성과관리체계 구축을 위한 기초 자료로 활용될 수 있을 것으로 기대된다.