Journal Archive

자동차산업은 지난 수십여 년간 국내 경제를 이끈 대표적인 기간산업으로 현재에도 자동차산업이 산업 전반에 미치는 파급효과는 매우 크다. 그러나 다른 산업과 마찬가지로 코로나19의 확산으로 인한 피해는 감당할 수 없는 수준으로까지 치닫고 있다(황선자 외, 2020). 특히 우리나라 자동차산업은 해외 판매 비중이 80%에 달하기 때문에 세계 자동차 수요의 대폭적인 감소가 중소 부품업계와 외국계 완성차업체에 치명적인 타격을 입힐 가능성도 배제할 수 없다(맹지은·이항구, 2020). 또한, 현재 자동차산업의 패러다임도 변화하고 있으며, 전통적인 내연기관 개념의 자동차가 인공지능, 자율주행 등의 기능을 탑재한 미래형자동차로 전환되고 있다. 이에 따라 자동차 부품의 종류와 개수, 전체적인 자동차산업의 구조도 변화될 것으로 예상된다. 부품 면에서는 기존 기계부품 수요가 감소하는 대신 전기장치부품 및 소프트웨어를 포함하는 새로운 기술기반 부품의 수요가 증가할 전망이다(한국은행 울산본부·경남본부, 2020). 전통적인 내연기관의 자동차 부품 수는 2만~3만 개 정도지만, 미래형자동차 전기차는 1만~1만 5,000개에 불과하다. 즉, 내연기관에 특화된 부품업체들은 생존이 어려워짐을 의미한다. 산업구조 면에서 전통적인 자동차산업은 소수의 완성차업체를 중심으로 폐쇄적이고 수직적인 산업구조가 특징적이지만 미래형자동차로의 기술적 이행이 가속화되면서 관련 기술 역량을 갖춘 기업의 유입 과정에서 개방적이고 수평적인 산업구조로 변화할 것으로 보인다.

자동차산업의 기술 경쟁력을 좌우하는 산업은 자동차부품산업이라고 할 수 있다. 자동차는 본래 크고 작은 수만 개의 부품을 필요로 하고, 이를 생산하는 대부분의 부품 업체가 하나의 완성차 업체만을 대상으로 하지 않기 때문에 자동차부품산업의 경우 특히 매우 복잡한 네트워크를 형성하고 있다. 이에 기존의 선행연구들에서는 네트워크 분석 기법을 활용하여 전반적인 기업 간의 네트워크 구조, 노드 단위에서의 분석은 가능하지만 네트워크상 유의한 구조 요인, 노드 간 연결에 영향을 미치는 노드 속성 등을 파악하기에는 한계가 있다. 따라서 산업구조 변화에 맞춰 새로운 산업육성을 위해서는 기존의 연구에서 활용되고 있는 네트워크 분석기법을 기반으로 네트워크를 형성하는 구조 요인 파악이 요청된다.

이에 본 연구에서는 경남의 미래형자동차부품산업을 대상으로 네트워크 분석과 네트워크 구조 형성 요인 파악을 위한 ERGM(Exponential Random Graph Model) 분석을 동시에 진행하고자 한다. 미래형자동차부품산업은 경남의 선도산업 중 하나로, 전기자동차(xEV) 관련 부품인 전동식 섀시 융합시스템, 전기동력전달시스템 등이 핵심 품목인 산업으로서, 경남의 미래산업을 이끌어나갈 분야이다.

분석방법으로는 먼저 네트워크의 공간적 시각화와 네트워크 기초통계량, 노드 중요도를 바탕으로 일차적인 네트워크 분석을 실시한다. 다음으로는 ERGM 분석을 통해 경남의 미래형자동차부품산업 네트워크에서 유의한 네트워크 구조는 어떤 것이 있고, 어떠한 영향요인이 기업 간 상호작용을 발생시키는지를 알아보고자 한다. 마지막으로 분석 결과를 바탕으로 경남 미래형자동차부품산업의 정책적 함의를 도출하고자 한다.

경남의 미래형자동차부품산업 네트워크를 분석하기 위해 한국기업데이터(KoDATA)를 사용하였다. 한국기업데이터는 약 1,100만 개에 이르는 국내 최대의 기업정보를 제공하고 있으며, 250여 명의 전문 신용조사원들이 기업체들을 직접 현장 조사하여 확인한 신뢰성 있는 정보를 제공한다. 한국기업데이터는 기업의 주소, 산업코드, 종업원 수, 매출액, 총자산 등 기업 속성 데이터뿐만 아니라 이들의 거래관계(구매처 기업, 판매처 기업 각 최대 3개 기업) 데이터를 제공한다. 본 연구는 한국기업데이터로부터 경남 기업 데이터 32,900건을 확보하였다. 이 중 미래형자동차부품산업에 해당하는 기업들을 추출하기 위해 경남 전략산업 육성 종합계획(산업연구원, 2020)의 미래형자동차부품산업 세부업종 분류에 따라 23개 산업코드를 기준으로 필터링하였다. 한편, 경남 기업들의 거래처는 경남지역뿐 아니라 전국에 분포하고 있으나, 경남 외의 지역 기업에 대한 속성 데이터와 이들의 거래관계 데이터는 확보가 현실적으로 어려운 실정이다. 따라서 기준 기업에 대한 구매처, 판매처도 경남 외의 기업은 제외하고, 경남 기업에 대해서만 통계적으로 산업 네트워크를 파악하고자 하였다. 이에 따라, 경남 외 기업들과의 거래관계만 있는(즉, 경남 기업과의 거래관계가 없는) 기업들은 분석에서 제외하였다. 또한 기업의 속성도 분석에 활용할 것이기 때문에, 기업의 속성에 결측치가 있는 기업도 제외하였다. 그 결과, 총 306개의 기준 기업이 추출되었고, 이들의 거래기업 중 기준 기업과 중복되는 기업은 제외하고 나머지 기업들을 추가하여 총 1,097개의 기업으로 구성된 노드 데이터를 구축하였다.

본 연구에 활용한 1,097개 기업의 기초통계량은 <표 2>와 같다. 시·군별로 나누어 살펴보면, 창원이 421개로 가장 많고, 다음 김해시(298개), 함안군(167개), 진주시(67개) 순이다. 평균 종사자 수는 204명이며, 시·군별로는 진주시가 920명으로 가장 많고, 다음 함안군(340명), 창원시(285명), 거제시(262명) 순이다. 평균 매출액은 81,396,766원이며, 시·군별로는 김해시가 272,918,908원으로 가장 많고, 함안군(197,081,897원), 진주시(143,237,005원), 창원시(126,368,755원) 순이다. 따라서 분석에 활용한 미래형자동차부품산업 관련 기업은 창원, 김해, 함안, 진주, 거제에 집중 분포하고 있음을 알 수 있다.

거래관계, 엣지(edge) 데이터는 binary 네트워크로 노드(node) 간 엣지가 있을 경우 1, 그렇지 않은 경우는 0으로 표시하여 인접행렬(adjacency matrix)을 구축하였다. 그 결과 노드는 1,097개, 엣지는 997개이다.

네트워크분석은 일차적으로 지리적 분포를 반영하여 네트워크를 시각화하고, 네트워크 통계량을 도출하여 전체 네트워크의 대략적인 구조를 추정하고자 한다. 다음 노드중심성을 도출하여 노드의 연결정도, 매개성, 다른 노드들과의 거리 등을 고려하였을 때, 중심이 되는 노드와 해당 노드들의 특성을 파악하고자 한다. 마지막으로 ERGM을 활용하여 실제 네트워크를 잘 구현하는 모형을 구축 및 검증하고, 네트워크에 유의한 영향을 주는 내부 구조 요인과 양자 간 변수(노드 간 속성값의 차이)를 탐색하고자 한다.

1) 노드중심성(Node centrality)

노드중심성은 관점에 따라 연결중심성(Degree centrality), 매개중심성(Betweenness centrality), 근접중심성(Closeness centrality) 등으로 측정할 수 있다(김혜림·문태헌, 2021). 연결중심성은 해당 노드가 네트워크 내에서 다른 노드들과 연결되어 있는 링크의 합으로 산출된다(강아롬 외, 2019). Freeman(1979)은 연결중심성이 관계 활동 양을 반영하며, 연결중심성이 높은 행위자는 다른 행위자들과 직접적인 관계를 맺고 있으므로, 원하는 정보를 획득할 확률이 높고, 네트워크 내에서 영향력이 크다고 설명하였다. 산정방식은 식 (1)과 같다(전희주, 2015).

(1)

매개중심성은 사이중심성이라고도 하며 한 노드가 다른 노드들 사이에 위치하는 정도를 의미한다(정보권·이학연, 2014). 매개중심성이 높은 노드는 전체 노드 간 경로 가운데 최단경로상에 위치하는 횟수가 많은 노드이며, 서로 다른 그룹 사이를 연결하는 노드로 볼 수 있다. 일반적으로 노드 v의 매개중심성(C_B(v))은 식 (2)와 같다(허명회, 2012).

(2)

근접중심성은 인접중심성이라고도 하며 한 노드가 네트워크의 다른 모든 노드들과 근접하는 정도를 의미한다(정보권·이학연, 2014). 이는 해당 노드와 다른 모든 노드 간 평균 최단거리의 역수로 정의된다(김홍석·이태림, 2013). 일반적으로 n개의 노드로 구성된 네트워크에서 노드 i의 근접중심성(C_c(i))은 식 (3)과 같다(허명회, 2012).

(3)

2) 사회연결망 이론과 ERGM(Exponential Random Graph Model)

Holland and Leinhardt(1981)는 사회 네트워크에 대한 로그 선형 모형을 최초로 제안하였다. 이를 P1 모형이라 부르며, 두 행위자 간의 독립성을 가정한 것이 특징이다. P1 모형은 사회 네트워크 연구에서 상당히 확장되고 일반화되어 왔으나 공간 통계의 발전을 기반으로 Frank and Strauss(1986)는 Markov Random Graph Model을 도입하고, Markov 구조에 대한 의존 형태를 소개하고 있으며, 이를 P* 모형이라 부른다(Hunter et al., 2008a). 이후 Wasserman and Pattison(1996)은 P* 모형을 지속적으로 발전시켜왔으나 Pseudo-likelihood estimation을 이용한 초기 P* 모형은 네트워크의 복잡성을 적절하게 반영할 수 없어 관찰된 네트워크를 제대로 재현하지 못하는 한계점을 드러냈다(Robins and Morris, 2007). 이러한 문제를 해결하기 위해 Snijders(2002)와 Hunter and Handock(2006)는 Markov Chain Monte Carlo Maximum Likelihood 기법을 이용하여 네트워크를 모형화할 것을 제안하였으며, 이후 이 모델에 관계의 분포, 이행성 등 다양한 관계의 의존성(tie dependency)에 대한 가정을 추가함으로써 현재의 ERGM 기법으로 자리잡게 되었다(박현희, 2019).

ERGM의 토대가 되는 사회연결망 이론은 다음과 같은 가정을 전제로 한다. 사회연결망에는 사회적 관계의 가장 기본적인 속성인 상호호혜성(Reciprocity)이 존재한다. 두 사회적 주체는 일방적인 관계보다는 서로 주고받는 관계를 맺는 성향이 존재한다는 것이다(Wasserman and Faust, 1994). 상호호혜성은 가장 일반적인 사회규범으로 인식되기 때문에 종종 사회적 신뢰수준을 측정하는 척도로 간주되기도 한다. 즉, 상호호혜적 성향이 높은 집단은 구성원들 간의 사회적 신뢰수준이 높다고 추정할 수 있는 것이다(Coleman, 1988).

또한, 추이성(Transitivity)이 존재하는데, 이는 A가 B, C와 친구 사이일 경우 B와 C가 친구 사이가 될 가능성이 높음을 의미한다. Granovetter(1973)는 위와 같은 경우에서 B와 C 간의 관계가 형성되지 않는 현상을 극히 비자연스러운 것으로 보고 이를 “금지된 삼자관계(Forbidden triad)”라 명명하였으며, 네트워크에서는 개인들이 현재의 사회적 관계를 바탕으로 점차 연결망을 확장해나가는 추이성 현상이 보편적으로 나타난다고 하였다.

사회적 연결망의 또 다른 전제는 동종선호(Homophily) 현상이다. 동종선호란 사회적 관계에서 개인이 자신과 유사한 특징을 갖는 타인과 관계를 맺고자 하는 성향을 의미한다(McPherson and Smith-Lovin, 1987). 동종선호 현상은 집단 수준에서 어떤 공통점 또는 공동의 목표를 갖는 개인들은 응집력이 강한 하위집단(Cohesive subgroup)을 구성하게 되는 일종의 군집(Clustering) 현상으로 이어지기도 한다(박현희, 2019). 이와 같이 사회 네트워크에서는 각 주체들 간의 관계가 비독립적인 것으로 보고 있기 때문에, 상호 독립성을 전제하는 회귀분석을 네트워크 분석에 적용하는 것은 한계가 있다. ERGM은 이러한 한계점을 극복하기 위해 개발된 기법이라 할 수 있으며, 해당 네트워크에서 관찰된 군집 현상의 주된 원인이 무엇인지 검증할 수 있다는 점에서 사회연결망의 구조와 그 기저의 역학에 대한 이해를 높일 수 있다는 장점이 있다(박현희, 2019).

ERGM 측정은 몬테카를로 마르코프 체인(Markov chain Monte Carlo)의 시뮬레이션 알고리즘으로 근사치의 자료를 생성하게 되고, 이 무작위의 자료가 유의성을 확보하기 위해 2,000번의 반복측정을 수행하고, t값을 통해 측정된 파라미터의 유의성을 확인한다(서인석, 2018). t값은 몬테카를로 시뮬레이션을 통해 도출된 파라미터 계수값들의 편차값들의 평균을 표준편차로 나눈 값이다. 즉, 이 값은 파라미터 계수값을 산출함에 있어서 각각의 시뮬레이션 결과가 반복적으로 같은 값에 수렴되는 정도를 의미하며, 0에 가까울수록 결과가 우수하다고 평가할 수 있다. ERGM 식은 아래와 같다(Robins et al., 2007).

(4)

이때, A는 모든 구조구성요인(configuration)의 합, η_A는 특정 구조구성요인 A의 파라미터, g_A(y) = Π_yij∈Ayij 해당 구조구성요인 A가 관찰된 경우의 네트워크 통계량, k는 표준화를 위한 상수값을 의미한다(박현희, 2019). 본 연구에서는 통계 소프트웨어 R을 사용하여 ERGM을 네트워크 분석에 활용하였다.

통계 소프트웨어인 R 프로그램을 이용하여 네트워크를 시각화하였다(그림 1). 좌측 상단 그림은 노드의 위치를 무작위로 배치한 네트워크 그림이며, 우측 상단 그림은 기업의 주소지를 지오코딩으로 좌표로 변환하여 노드의 실제 위치를 반영한 네트워크를 그리고, 지도 위에 시각화한 결과이다.

Figure 1. 
Gyeongnam future automotive parts industry network

좌측 상단 그림을 통해 463번 기업과 378번 기업을 중심으로 두 개의 하위 집단이 분리되며, 두 집단은 각 집단의 중심 기업 간 몇몇 매개기업을 통해 연결되는 양극화 구조(Polarized structure)를 확인하였다. 우측 상단 그림을 통해 경남의 미래형자동차부품산업 관련 기업은 주로 창원시, 김해시, 함안군 등 중부권과 동부권에 위치하고 있으며, 네트워크는 시·군·구 행정구역 경계에 얽매이지 않고 형성되어 있음을 확인할 수 있다.

경남 미래형자동차부품산업 네트워크의 중심 기업으로 파악되는 463번 기업, 378번 기업과 직접적인 연결을 맺고 있는 기업의 네트워크 분포는 <그림 1>의 하단과 같다. 463번 기업은 국내 유일한 자동차 엔진 제조 부품사이며, 친환경 자동차부품을 생산하고 있는 기업이기 때문에 1차 연결기업이 많은 중심기업으로 도출된 것으로 판단된다. 378번 기업은 자동차 변속기 및 차축 등을 제조하는 전문업체이며, 신성장동력 관련 투자를 확충하고 있는 기업이기 때문에 1차 연결기업은 적으나 연결이 여러 차례 길게 이어지는 중심기업으로 도출된 것으로 판단된다. 463번 기업의 1차 연결기업은 평균 종사자 수가 46명, 평균 매출액이 16,628,744원, 378번 기업의 1차 연결기업은 평균 종사자 수가 18명, 평균 매출액이 4,820,681원으로 463번 기업이 378번 기업보다 큰 규모의 기업들과 거래하고 있음을 확인하였다. 또한 463번 기업과 378번 기업의 1차 연결기업의 업종은 공통적으로 C30331(자동차용 신품 동력 전달장치 제조업), C30399(그 외 자동차용 신품 부품 제조업)이 대부분이었다.

네트워크 전체적인 특징을 파악하기 위해 네트워크 구조와 관련된 통계량을 산출하였다(표 3). 네트워크 크기는 네트워크를 이루고 있는 노드 수와 엣지 수를 나타낸다. 네트워크 밀도는 총 엣지 수를 네트워크 내에서 가능한 모든 엣지 수로 나누어 산출하는데, 기업들이 긴밀하게 연결되어 있는지, 느슨하게 연결되어 있는지를 알 수 있다. 상호호혜성은 사회적 관계의 가장 기본적인 속성으로, 두 사회적 주체(Social entities)는 일방적인 관계보다는 서로 주고받는 관계를 맺는 성향이 존재한다는 것이다(Wasserman and Faust, 1994). 네트워크 평균거리는 네트워크상 임의의 두 노드가 평균적으로 몇 단계의 링크를 걸쳐서 연결이 가능한지를 의미한다(김혜림·문태헌, 2021). 추이성은 관계의 추이성이 성립되는 상대적 빈도로 친구의 친구가 되고 싶은 비율이며, (B→C)의 패턴의 수를 (B→A→C) 패턴의 수로 나눈 값으로 나타낸다(전희주, 2015). 집중도(Centralization)는 네트워크 전체가 하나의 중심으로 집중된 정도이다.

경남의 미래형자동차부품산업 네트워크의 크기는 노드 1097개, 엣지 997개이며, 밀도는 0.0008이다. 네트워크 평균거리는 방향성을 고려하지 않을 경우는 6.3749, 방향성을 고려할 경우는 3.3692이다. 상호호혜성은 0.1464, 추이성은 0.0048, 집중도는 0.0156으로 도출되었다. 네트워크 통계량 산출 결과를 종합하면 밀도가 비교적 낮고, 평균 연결거리는 짧으며, 네트워크 집중도가 높은 것으로 보아 경남 미래형자동차부품산업 네트워크는 분절된 형태의 네트워크임을 알 수 있다. 또한 상호호혜성과 추이성은 비교적 높게 나타나 각각의 분절된 그룹 내 노드들은 높은 신뢰성을 바탕으로 서로 결집되어 있음을 알 수 있다.

노드중심성 상위 20위 기업은 <표 4>와 같다. 기업 정보 보호를 위해 기업명은 노드 번호로 대체하였다. 노드의 연결중심성은 네트워크 시각화 결과와 같이 463번 기업 39, 378번 기업 11 순으로 높게 나타났다. 463번 기업과 378번 기업은 눈에 띄는 하위그룹을 형성하고 있으나 둘은 차이가 있다. 463번 기업은 직접적인 연결이 많은 반면, 378번 기업은 직접적인 연결이 463번 기업보다 적으나 이들이 다시 연결 관계를 맺고 있는 기업은 많은 것으로 나타났다. 연결중심성이 높은 기업은 위치 면에서는 창원시, 김해시, 진주시, 함안군 등 다양한 지역에 위치하고 있는 기업으로 나타났다. 경남은 각 지역별로 비교적 고르게 직접적인 연결이 많은 기업이 분포하고 있는 것으로 해석된다.

매개중심성이 높은 기업은 대부분 창원시에 위치하고 있는 기업이며, 연결중심성 1, 2위를 차지한 463번 기업과 378번 기업 모두 매개중심성도 높게 나타났다. 또한 매개중심성 기준 상위 20개 노드 중 10개의 노드가 463번 기업과 직접적으로 연결을 맺고 있는 기업이었다. 매개중심성은 네트워크 내에서 노드별 매개자 혹은 중재자 역할로서의 중심성을 측정하는 것으로, 매개중심성이 높은 노드일수록 네트워크의 흐름을 제어할 수 있는 통제력이 커진다(김혜림·문태헌, 2021).

근접중심성이 높은 기업은 대부분 창원시, 함안군에 위치하고 있는 기업으로 나타났다. 연결중심성과 매개중심성이 모두 높았던 378번 기업은 근접중심성 상위 20위에는 포함되지 않았다. 네트워크 시각화 결과에서와 마찬가지로 378번 기업은 여러 차례 길게 연결이 이어지나, 직접적으로 일차적인 연결을 맺고 있는 기업은 적기 때문이다. 근접중심성이 높다는 것은 자신이 가진 자원을 전체 네트워크에 가장 빠르게 배포하고 확산시킬 수 있음을 의미한다(김지영·이선희, 2013). 노드중심성이 높게 나타난 기업의 속성 평균값은 종사자 수, 매출액 모두 연결중심성, 매개중심성, 근접중심성 순으로 크게 나타났다.