Journal Archive

바이오 기술은 생물체의 기능과 정보를 이용해 각종 유용한 물질을 생산하는 기술을 의미하며, 바이오 산업은 바이오 기술을 기반으로 생물체의 기능과 정보를 활용하여 제품 및 서비스를 생산하는 산업을 의미한다. 바이오 기술과 산업은 크게 3가지로 구분할 수 있는데, 첫째, 레드 바이오(의료 및 제약 분야), 둘째, 화이트 바이오(환경 및 에너지 분야), 셋째, 그린 바이오(농업 및 식품 분야)다. 바이오 산업은 위험이 크지만, 고수익을 낼 수 있는 R&D Intensive 산업이기 때문에, 국가에서도 기술개발 및 사업화를 활성화하기 위해 많은 정책을 수립해왔다. 게다가 최근 기후변화, 식량위기, 에너지 전환, COVID-19와 같은 글로벌 난제가 증가하는 상황에서 바이오 산업이 핵심적인 역할을 수행할 수 있다는 기대 아래 전 지구적으로 관심이 높아지는 상황이다. 이에 따라 각국에서는 바이오 산업에 대한 적극적인 투자를 통해 새로운 지식을 창출하고 이를 확보하려는 전략들을 수립하고 있다. 국내에서도 바이오 산업에서 기술개발을 활성화하기 위한 다양한 정책을 시도하였는데, 그중 하나가 바이오 클러스터 정책이다. 2020년 기준 현재 국내에는 25개의 바이오 클러스터가 조성되어 있으며, 그 주체는 지자체, 민간기업, 정부 등 다양하다(김석관 외 2013).

Porter(2000)에 따르면, 클러스터는 특정 산업에서 활동하는 기업을 중심으로 관련 업체들이 인접함으로써 형성되는 지리적 밀집으로 정의할 수 있다. 이러한 지리적 밀집은 집적경제를 형성함으로써 클러스터 내 새로운 지식창출에 영향을 미친다(Livanis and Lamin, 2016). 한편, 클러스터와 같이 동종기업이 집적화되어 발생하는 집적경제뿐만 아니라 산업구조의 다양성에 따라 발생하는 집적경제, 소규모 기업의 밀집으로 발생하는 집적경제 등 다양한 집적경제 효과도 지식창출에 영향을 미친다(Glaeser et al., 1992). 이처럼 다양한 학자들에 의해 집적경제가 재정의되면서 집적경제의 효과를 실증적으로 검증하려는 여러 시도가 있었는데, 이러한 연구의 공통점을 살펴보면 집적경제의 효과를 긍정적으로 강조하고 있다는 것이다(Acs and Audretsch, 1989; Caballero and Jaffe, 1993; Lim, 2004).

최근 통신과 교통기술의 발전으로 집적경제의 효과를 회의적으로 바라보는 시각도 증가하고 있다. 하지만, 바이오 산업에서 기술혁신은 바이오에 특화된 지식을 보유하고 있는 연구자들 간의 지식교환, 연계, 통합을 수행하는 과정에서 이루어지기 때문에, 지식에 대한 정보를 제공하는 대학, 연구소 간의 지리적 근접성을 바탕으로 클러스터를 조성하여 집적경제의 효과를 누리는 것은 아직 필요하다고 볼 수 있다(문혜선 외, 2018). 다시 말해 바이오 분야에서의 기술개발은 관련 분야의 지식을 보유한 대학, 기업, 연구소들이 집결된 개별 지역에서 이루어지기 때문에, 바이오 산업에서 클러스터 조성을 통한 집적경제의 효과를 누리는 것은 여전히 중요한 정책이다.

그런데 동종기업들이 밀집하여 네트워크를 형성하는 클러스터의 집적경제 효과는 항상 긍정적인 효과를 보이는 것이 아니라 성장과 쇠퇴라는 변화의 특징을 보인다(Audretsch and Feldman, 1996; Nesta and Mangematin, 2002; Kim and Park, 2015; Potter and Watts, 2011; Park and Kim, 2016). 이는 집적경제와 기술혁신이 선형관계가 아니라 비선형관계로 나타날 수 있음을 의미한다. 특히, 바이오 산업은 대규모 자본의 기술투자가 이루어졌다고 하여 새로운 지식이 곧바로 창출되는 경우는 드물다. 그 이유는 의료, 제약, 종자, 에너지 등과 같은 산업들은 실험과 검증을 동반하며 새로운 지식이 창출되기까지 상당한 오랜 시간이 걸리기 때문이다. 더불어 경제위기와 같은 외부환경 변화에도 영향을 받을 수 있다(김석관 외, 2013).

국내 바이오 산업 동향을 살펴보면 1997년 「벤처기업 육성에 관한 특별조치법」이 제정되면서 바이오 창업에 붐이 나타났으며, 그 결과 바이오 산업은 급속한 성장세를 보였다. 하지만, 2002년 이후 나스닥 거품 붕괴와 함께 벤처창업의 붐도 함께 줄어들기 시작했고, 코스닥 시장의 부진과 투자환경의 악화는 바이오 산업을 침체시켰다. 그러나 2004년 벤처기업 활성화 대책 발표, 제2차 생명공학육성기본계획 추진을 통해 바이오 기술과 산업의 성장을 위한 전략들을 수립 및 집행하였으며, 이와 동시에 2005년부터는 국내 바이오 클러스터도 조성되기 시작하였다(김석관 외, 2013; 문혜선 외, 2018).

이러한 배경에서 본 연구는 바이오 산업을 대상으로 집적경제가 특허출원에 미치는 효과를 실증적으로 분석한다. 그리고 동종산업의 기업이 밀집함으로써 발생하는 집적경제의 특허출원 효과가 선형관계가 아닌 비선형관계로 나타나는지 분석한다. 이를 통해 국내 바이오 산업의 집적경제와 특허출원 간의 관계에 대한 실증적 증거들을 제공하는 것을 목적으로 한다.

집적경제(Agglomeration economies)는 동종 및 이종산업이 특정지역에 집적함으로써 나타나는 일자리 및 지식 창출과 같은 긍정적 외부효과를 말한다. 동종산업이 집적함으로써 나타나는 외부효과는 지역화 경제(Specialization)이며, 이종산업이 집적함으로써 나타나는 외부효과는 도시화 경제(Urbanization)이다(Beaudry and Schiffauerova, 2009; 김의준 외, 2005). 특정지역에 동종산업이 집적함에 따라 발생하는 지역화 경제는 규모의 경제와 관련이 있으며, 특정지역에 이종산업이 집적함에 따라 발생하는 도시화 경제는 기술 습득과 같은 범위의 경제와 관련이 있다(장석명·박용치, 2009; 손정렬, 2011). 또한, Glaeser et al.(1992)는 집적경제와 지식창출의 관계를 설명하면서 지역화 경제에서도 소규모 기업들의 경쟁을 강조하고 있다.

지역화 경제와 도시화 경제를 발생시키는 외부효과는 정태적 외부효과(Static externalities)와 동태적 외부효과(Dynamic externalities)로 구분할 수 있다(Henderson, 1997). 정태적 외부효과는 노동, 인프라, 시장규모와 같이 기업들이 특정지역에 입지함으로써 얻을 수 있는 지리적·금전적 편익의 즉각적인 효과를 말한다. 반면, 동태적 외부효과는 활동 주체 간 상호작용에 기인하는 지식과 정보의 공유를 핵심으로 간주하며, 지식파급(Knowledge spillover)에 따른 효과는 즉각적으로 발생하는 것이 아니라 오랜 시간을 걸쳐 나타난다(Audretsch and Feldman, 1996; Nesta and Mangematin, 2002; Potter and Watts, 2011). 또한, 동태적 외부효과는 지식을 축적한 기업들의 R&D활동에 따른 지식파급으로 개별기업은 신제품 개발에서 비용절감, 신기술 학습 등의 효과를 발생시키기 때문에 혁신의 외부성(externalities of innovation)으로도 언급되고 있다(Johansson, 2004).

동태적 외부효과는 MAR 모형(MAR model), Jacobs 모형(Jacobs model), Porter 모형(Porter model)으로 구분할 수 있으며(Glaeser et al., 1992), 각각의 모형은 지식파급에 영향을 미치는 집적경제의 요소가 상이할 수 있음을 주장한다. 먼저, Marshall, Arrow, Romer에 의해 정형화된 MAR 모형은 지역화 경제에 따른 지식파급에 주목한다. 지식파급은 지식 그 자체가 교환되는 경우와 지식을 보유한 인적자본이 교환되는 경우로 구분할 수 있는데, 어떠한 형태이든지 MAR 모형에서 지식파급은 동종산업이 집적하여 지역화 경제가 나타날 때 극대화될 수 있다. Porter 모형에서도 지역화 경제가 지식파급에 영향을 미친다는 점에서 MAR 모형과 맥락을 같이 한다. 한편, Jacobs 모형에서는 지식파급이 산업 내부가 아니라 산업 외부에서 발생하는 것으로 보기 때문에, 지역 내 산업이 특화된 지역화 경제보다는 다양한 산업이 지역 내 입지해 있는 도시화 경제를 강조한다. 앞서 언급한 3가지 모형은 지식파급에 있어서 독점과 경쟁 중 어느 쪽이 지식파급에 긍정적 영향을 주는지도 상반된 주장을 한다. MAR 모형에서는 혁신의 전유성¹⁾에 주목하면서 독점이 혁신 활동의 전유에 적합하고 주장한다. 반면, Porter 모형과 Jacobs 모형에서는 경쟁이 새로운 기술을 채택하고 개발하도록 유도하는 데 긍정적인 영향을 준다고 주장한다. Porter 모형과 Jacobs 모형에서 논의되는 경쟁은 지역 내에서 체화된 아이디어의 경쟁을 의미한다. 소규모 기업에서 신제품 개발을 위한 진입이 쉽고 전문화된 소기업들 사이에서 국지화된 혁신 경쟁이 활발해지면서 새로운 지식이 창출된다(Batisse, 2002; Feldman and Audretsch, 1999; Gustavsson, 2003; Runiewicz- Wardyn, 2017; Sharma, 2017; 이종현·강명구, 2012; 임창호·김정섭, 2003; 한미량 외, 2008).

클러스터 효과를 살펴봄에 있어서 또 다른 접근은 진화론적 관점에서 클러스터 생애주기에 대한 접근이며(Menzel and Fornahl, 2010; Martin, 2010; Martin and Sunley, 2011), 이러한 이론적 논의는 집적경제의 효과가 선형이 아닐 수 있음을 증명한다(Van Klink and De Langen, 2001). 클러스터 생애주기란 클러스터 출현부터 쇠퇴까지 전체적인 과정을 다루는 이론이다. Pouder and John(1996)은 클러스터는 생애주기를 갖는다고 주장하는데, 그 내용을 살펴보면 처음에는 클러스터가 기업의 효율성을 증가시키지만, 시간이 지남에 따라 기업은 효율적인 다른 기술경로를 찾음으로써 기존 클러스터가 갖는 효율성은 점차 감소할 수 있다는 것이다. 즉, 클러스터가 생애주기를 따르며 고용자와 사업체 증가 등의 효과가 변화하는 이유는 클러스터에 입지한 기업들이 클러스터 내 다른 기업의 행태에 영향을 받기 때문이다.

Van Klink and De Langen(2001)은 가치사슬의 특징, 전략적 관계, 클러스터의 역동성, 협력적 영역, 성공이라는 결정요소 기준을 활용하여 클러스터 생애주기를 총 4단계(발전, 확장, 성숙, 전이)로 구분하였다. 연구에 따르면 클러스터의 경제적 효과는 영구적인 발전요인이 되지 못하며, 긍정적 효과의 요인들은 시간 변화에 따라 감소한다고 설명한다(Jacobs, 1970; Martin and Sunley, 2006). Martin(2010)은 산업별로 클러스터의 생애주기가 매우 다양하게 나타날 수 있다고 설명하면서, 재생 또는 재활성화 단계, 지속적 변화와 변형의 단계, 안정적 균형상태의 고착단계로 구분하고 있다. Menzel and Fornahl(2010)도 생애주기를 총 4단계(발생, 성장, 유지, 쇠퇴)로 구분하여 설명한다. 발생단계에서는 소수의 소기업이 증가 및 새로운 기술접근에 따른 이질성이 증가하는 단계이다. 성장단계는 고용증가와 지식의 이질성에 따른 기술혁신이 나타나는 단계인데, 특히 지식의 이질성은 클러스터가 지속하는데, 핵심 요소로 간주한다. 따라서 지식의 이질성이 지속되지 못하면 클러스터는 쇠퇴하며, 이것이 다시 증가하면 클러스터는 다시 새로운 성장단계에 진입한다. 이러한 이질성의 증가는 클러스터가 형성됨에 따라 점진적으로 이루어질 수 있으며, 기술경로에서 새로운 지식을 클러스터로 통합시키며 이질성을 유지시킨다. 유지단계에서는 이러한 기술의 이질성이 감소하며, 쇠퇴단계에서는 클러스터가 회복력이 감소한다. Shin and Hassink(2011)의 연구에서도 생애주기를 4단계(발전, 확장, 성숙, 전이)로 구분한다. 이러한 구분은 Van Klink and De Langen(2001)의 클러스터 생애주기와 연결된다.

한편, Swann(1998)은 일반 사업체보다 연구소에 집중하여 클러스터의 생애주기를 제시하고 있다. Swann(1998)은 클러스터 생애주기 단계를 총 6단계로 구분하는데, 이를 좀 더 구체적으로 설명하면 연구기관에서 새로운 기술을 확보하는 단계, 연구기관에서 기술을 제품으로 만들어 상용화하는 단계, 개발되어 상용화된 기술을 토대로 기업들이 증가하기 시작하는 단계, 전문적인 지원기관이 등장하여 클러스터의 운영을 위한 서비스를 본격적으로 제공하기 시작하는 단계, 기업들이 성장하고 자체적으로 혁신을 실천하는 단계, 기업들이 매우 성숙하여 스스로 사업의 다각화에 나서는 단계이다.

본 연구는 바이오 산업을 대상으로 ‘바이오 산업의 집적경제가 특허출원에 영향을 미치며, 집적경제 중 지역화 경제의 효과는 비선형일 것이다.’라는 연구가설을 설정하고, 해당 연구가설이 지지받을 수 있는지 아닌지를 검증하기 위하여 진행되었다. 기존 연구에서도 집적경제와 특허출원과의 인과관계를 실증적으로 증명했지만, 집적경제 효과의 비선형관계까지 살펴본 연구는 부족하다. 이러한 점에서 본 연구가 밝히고자 하는 집적경제 효과와 비선형관계는 집적경제 이론과 생애주기 이론을 검증할 수 있다는 점에서 차별성을 보인다.

집적경제와 지식창출 간의 관계를 살펴봄에 있어서, 본 연구에서도 기존 연구와 마찬가지로 지식의 대리변수로 특허를 활용하였다(Feldman, 1999; Martinus et al., 2020; Sonn and Park, 2011; 이희연, 2010). 한편, 분석을 위해서는 바이오 산업과 특허를 연계할 필요가 있는데, 이를 위해 특허청(2019)의 보고서(IP 전략적 제휴를 위한 수행 방법론 연구 및 실제 - 바이오)에서 제시하는 KSIC-IPC 연계표를 활용하였다. 본 보고서에서는 그린 바이오, 레드 바이오, 화이트 바이오로 구분하여 KSIC를 제시하고 있으며, KSIC와 연계한 IPC도 함께 제공하고 있다.²⁾ 이에 따라 KSIC에 해당하는 자료는 통계청의 사업체기초통계조사 자료를 활용하였으며, IPC에 해당하는 자료는 특허청의 지역별 특허출원건수를 활용하였다. 자료의 수집방법은 아래 <그림 1>과 같다.

Figure 1. 
Method of collect patent and employment data

그린 바이오에 해당하는 제조업은 C1000(식료품 제조업), C1100(음료 제조업), C2020(합성고무 및 플라스틱 물질 제조업), C2041(잉크, 페인트, 코팅제 및 유사제품 제조업)이며, 이에 해당하는 IPC코드는 A23(식품 또는 식료품), C13K(당 공업), C12C, C12G(생화학; 맥주; 주정; 포도주; 식초; 미생물학; 효소학), C05B, C05C, C05F(비료; 그 제조), A01N(임업; 축산; 수렵; 포획; 어업)이다. 레드 바이오에 해당하는 제조업은 C2100(의료용 물질 및 의약품 제조업), C2710(의료용 기기 제조업), C2720(측정, 시험, 항해, 제어 및 기타 정밀 기기 제조업; 광학 기기 제외)이며, 이에 해당하는 IPC코드는 A61K(위생학; 의학 또는 수의학), A61L(위생학; 의학 또는 수의학), C07K(유기화학), C12N(생화학; 미생물학; 효소학; 돌연변이 또는 유전자공학), A61B(위생학; 의학 또는 수의학), C12M(생화학; 미생물학; 효소학; 돌연변이 또는 유전자공학), G01N(측정; 시험)이다. 화이트 바이오에 해당하는 제조업은 C1300(섬유제품 제조업; 의복 제외), C2043(세제, 화장품 및 광택제 제조업), C2049(그 외 기타 화학제품 제조업), C2300(비금속 광물제품 제조업), C2919(기타 일반 목적용 기계 제조업)이며, 이에 해당하는 IPC코드는 D06L(섬유), A61Q(위생학; 의학 또는 수의학), C14C(원피; 나피; 생피; 피혁), B32L(적층제), B01D(물리적 방법; 화학적 방법 또는 장치일반), F24F(가열; 레인지; 환기)이다. 자세한 분류는 <표 1>과 같다.

본 연구에서 활용한 종속변수와 독립변수는 <표 2>를 통해 확인할 수 있다. 종속변수는 특허출원 건수를 종사자로 나눈 비율이며, 독립변수는 집적경제의 효과를 나타내는 변수들로 구성되어 있다.

집적경제의 효과 중 지역화 경제(Specialization)는 그린 바이오, 레드 바이오, 화이트 바이오 제조업의 LQ지수뿐만 아니라, 비선형관계를 살펴보기 위하여 각 LQ지수의 제곱항을 포함하였다. 또한, 연구개발 서비스업의 LQ지수도 포함하여 분석하였다. 그 이유는 서론에서 언급하였듯이 최근 바이오 산업에서도 환경이 변화하면서 전통적인 생명과학 기술 이외에도, ICT, AI, NT 등 외부 기술 분야와의 융합이 증가하는 추세이기 때문이다. 따라서 이러한 산업의 서비스를 대표할 수 있는 연구개발 서비스업의 LQ지수도 포함하여 분석을 수행하였다. 집적경제 효과 중 도시화 경제(Urbanization)는 허쉬만 허핀달 지수(HHI)의 역수를 사용하였는데, HHI는 소수 기업의 과점 시장에서 시장 집중도를 평가하는 데 유용하기 때문에 기존 연구에서도 HHI지수의 역수를 활용하여 산업의 다양성 지수를 파악하고 있다(Choi and Park, 2020; Livanis and Lamin, 2016; 황지우·강명구, 2021). 따라서 본 연구에서도 HHI의 역수를 활용하여 바이오 산업의 다양성 지수를 계산하여 분석에 활용하였다. 마지막으로 집적경제의 효과 중 소규모 기업 간의 경쟁(Competition)은 바이오 제조업 종사자 수 대비 바이오 제조업 사업체 수의 비율을 전국으로 보정하여 사용하였다(Glaeser et al., 1992).

시간적 범위를 2006년부터 2019년까지로 한 이유는 바이오 벤처의 붐은 1990년대 후반부터 시작되었지만, 2000년대 초반 침체기를 겪었고, 2000년대 중반부터 다시 활성화되기 시작하기 때문이다. 게다가 바이오 클러스터도 2005년 이후부터 많이 조성되기 시작했다. 또 다른 이유는 산업분류코드(KSIC)가 8차에서 9차로 2006년부터 변경되었다. 이러한 전반적인 상황을 고려할 때, 분석의 시간적 범위를 2006년부터 설정하는 것이 적절하다고 판단하였다. 그래서 2006년부터 시작하여 사업체기초통계조사의 최근 자료가 제공되고 있는 2019년까지로 시간적 범위를 설정하였다. 분석의 공간적 범위는 227개의 시군구로 구분하였다.³⁾

분석자료는 횡단과 종단을 모두 포함하는 패널자료로 구성되었기 때문에, 패널분석을 수행하였다. 패널자료를 사용하면 개별 관측치에 대한 반복 측정이 가능하므로 변동을 파악할 수 있으며, 동적 연구가 가능하다는 장점이 있다. 다만, 종속변수와 오차항에서 공간적 자기상관관계가 나타나면 이를 모형에 포함할 필요성이 있는데, 이런 경우 적절한 모형이 공간패널모형이다. 공간패널모형을 이해하기 위해서는 공간가중행렬을 고려한 공간적 자기상관관계와 패널모형에 대한 이해가 필요하다.

1) 공간가중행렬과 공간적 자기상관성

공간을 고려한 통계적 추론모형을 분석할 때 필요한 조건은 지역 간 종속변수에 공간적 자기상관관계를 갖고 있어야 한다. 공간적 자기상관관계를 살펴보기 위해서는 공간가중행렬 W를 먼저 고려할 필요가 있다. 여기서 W는 N×N의 정방행렬의 형태를 지니는데, 그 원소인 w_ij는 i지역과 j지역의 상호작용 강도를 나타낸다. i지역과 j지역이 공간적으로 인접하면 wij0=1이며, 인접하지 않으면 wij0=0이다. 다만, 계산의 단순화와 변수해석의 용이성을 위해 각 행의 합계가 1이 되도록 정규화한 행렬을 사용한다(Anselin et al., 2008: 628). 공간가중행렬을 만드는 방법은 인접기반과 거리기반의 2가지 방법이 존재한다. 인접기반은 폴리곤의 점과 선을 활용하여 인접하는 경우 1로 가정하며, 거리기반의 경우 이론적, 경험적 증거들을 기반으로 특정 거리를 설정하여 거리 안에 있는 지역을 1로 가정한다. 본 연구에서는 거리기반을 활용하기에 이론적, 경험적 근거들이 부족하므로 인접기반을 활용하여 가중행렬을 만들었으며, 인접기반에서도 선뿐만 아니라 점도 공유하는 경우 인접지역으로 간주하는 Queen방식을 활용하였다.

공간가중행렬을 활용하여 공간적 자기상관성이 Moran’s I를 산출할 수 있다. Moran’s I는 전역적 모란지수(Global Moran’s I)와 국지적 모란지수(Local Moran’s I)로 구분할 수 있다. 먼저, 전역적 모란지수는 전역적 공간 자기상관관계를 나타내는 지수이며, 산출식은 (1)과 같다. y_i는 i지역의 관측값, y_j는 j지역의 관측값, y¯는 관측값의 평균, w_ij는 공간가중행렬 W의 원소이다. 이 지수는 관측값의 공간적 군집성이 강할수록 1에 가까우며, 반대로 높은 값과 낮은 값이 규칙적으로 분포할수록 -1에 가까워진다.

(1)

국지적 모란지수는 국지적 군집을 파악하는 데 활용되며, 산출식은 (2)와 같다. 국지적 모란지수가 유의미한 정(+)의 값을 가지는 국지적 군집의 경우에는 해당 지역과 인접 지역의 관측값이 모두 높거나(‘High-High’) 모두 낮게 나타난다(‘Low-Low’). 그리고 국지적 모란지수가 유의미한 부(-)의 값을 가지는 국지적 공간 이상값의 경우에는 해당 지역과 인접 지역의 관측값이 높으면서 낮거나(‘High-Low’), 낮으면서 높은 모습을 나타난다(‘Low-High’).

(2)

2) 공간패널모형

공간적 상호작용을 고려하지 않는 합동선형회귀모형은 식 (3)과 같다. 식 (3)에서 i는 지역을 나타내며, t는 시점을 나타낸다. 따라서 y_it는 i지역 t시점에서 관측되는 종속변수의 값, x_it는 i지역 t시점에서의 독립변수 관측값, β는 추정할 계수를 나타낸다. 오차항 e_it는 다시 μ_i와 ε_it 구분할 수 있는데, 여기서 μ_i는 시간에 따라 변하지 않는 패널개체특성을 나타내며, ε_it는 패널 개체에 따라 변하는 순수 오차항을 의미한다. 다시 말해, μ_i는 공간효과로서 모형에 포함되지 않은 모든 시불변 변수를 통제하고 일반적인 횡단면분석에서의 발생할 수 있는 추정치 편향을 제거하는 역할을 하며, ε_it는 i지역 및 t시점에서의 오차항으로서 iid를 따른다(Elhorst, 2014: 38). μ_i를 가정하는 방법에 따라 추정모형이 달라지는데, 고정효과 모형에서는 μ_i를 패널 개체별로 고정된 모수로 해석하며, 확률효과 모형에서는 μ_i를 확률분포를 따르는 확률변수로 해석한다.

(3)

공간적 상호작용은 종속변수, 독립변수, 오차항에 추가될 수 있는데, 공간적 상호작용을 어디에 포함하느냐에 따라 공간시차모형(spatial lag model, SLM), 공간오차모형(spatial error model, SEM), 공간더빈모형(spatial durbin model, SDM)으로 구분할 수 있다.

식 (3)의 합동선형회귀모형에서 공간적 상호작용을 고려한 공간시차모형(SLM)은 식 (4)로 표현할 수 있다. 이 모형에서는 해당 지역의 종속변수가 독립변수뿐만 아니라 인접 지역의 종속변수에 의해서도 영향을 받을 수 있다고 가정한다. ρ는 공간자기회귀계수로 인접지역의 종속변수가 해당 지역의 종속변수에 미치는 영향의 정도를 의미한다(Anselin et al., 2008).

(4)

공간오차모형(SEM)은 식 (5)와 같이 표현될 수 있는데, 이 모형에서는 종속변수가 해당 지역의 특성의 영향을 받으며, 오차들이 공간적으로 상관되어 있다고 가정한다. v_it은 공간적 자기상관 오차항을 의미하며, λ는 공간자기상관계수를 나타낸다(Anselin et al., 2008).

(5)

공간더빈모형(SDM)은 종속변수가 해당 지역의 특성뿐만 아니라 인접 지역의 특성과 종속변수에 의해서도 영향을 받을 수 있다고 가정한다. 즉, 식 (6)에서 볼 수 있듯이 공간시차모형에 공간시차를 포함한 독립변수 ∑j=1N wijxjt가 추가된 형태를 지닌다.

(6)

LeSage and Pace(2010)에 따르면 점추정치를 활용하여 영향의 정도를 해석하는 것은 잘못된 결론을 내릴 수 있다. 그 이유는 공간의 상호작용을 고려하는 공간회귀모형에서 하나의 공간단위의 독립변수는 해당 공간단위의 종속변수에만 영향(직접효과)을 미치는 것이 아니라 다른 공간단위의 종속변수에도 영향(간접효과)을 미칠 수 있기 때문이다. 직접효과는 해당 지역의 종속변수에 대한 독립변수의 변화충격을 측정하면서, 이러한 변화충격이 인접지역을 거쳐 돌아오는 충격의 효과까지도 포함한다. 반면, 간접효과는 해당지역 종속변수에 대한 인접지역 변수들의 공간적 파급효과를 측정한다. 일반적으로, 간접효과는 ‘외생변수인 어떤 특정 요소가 변화할 때 다른 모든 공간단위의 종속변수에 미치는 영향’으로 해석된다(Elhorst, 2014: 21). 앞서 제시한 SLM과 SDM의 식은 직접효과와 간접효과를 간단한 형태로 나타내면 다음과 같이 변형할 수 있다.

(7)

SLM의 (I-ρW)^-1β_k 및 SDM의 (I-ρW)^-1(β_k+Wθ_k)에서 대각원소는 직접효과를 비대각원소는 간접효과를 나타낸다. 이렇게 직접 및 간접효과는 공간단위별로 다르게 나타나지만, LeSage and Pace(2010)는 이들 효과를 각각 하나의 요약 추정치(one summary indicator)로 나타내는 방법을 제안하였다(Elhorst, 2014: 21).

2006년, 2012년, 2019년 3시기로 나누어 특허출원개수와 LQ지수의 공간적 분포의 변화를 살펴보았다. 2006년과 2019년은 분석범위의 시작과 끝을 의미한다. 한편, 문혜선 외(2018)에서는 국내 산업클러스터 정책변화를 1단계(형성기), 2단계(성장기), 3단계(성숙기)로 구분하는데, 단계별 시기를 살펴보면, 1단계는 2005년부터 2009년, 2단계는 2010년부터 2012년, 3단계는 2013년부터 2017년을 의미한다. 본 연구에서는 이러한 기준을 활용하여 2006년과 2019년뿐만 아니라 2단계의 마지막 시기인 2012년도를 포함하여 종속변수의 독립변수의 공간적 분포변화를 살펴보았으며 그 결과는 다음과 같다.⁴⁾

그린 바이오 특허출원이 많은 상위 10개 광역시도를 살펴보면, 2006년과 2012년에는 서울과 전북이 가장 많았으며, 2019년에는 경기와 전북에서 특허출원이 가장 많았다. 수도권 이외 전북에서 그린 바이오 특허출원이 많은 이유는 한국 식품산업클러스터 조성에 따른 영향으로 볼 수 있다. 따라서 그린 바이오의 LQ지수가 가장 높은 상위 10개 광역시도에서도 호남권의 전남과 전북에서 높게 나타나고 있었다.

레드 바이오 특허출원이 많은 상위 10개 광역시도를 살펴보면, 2006년, 2012년, 2019년 모두 경기와 서울에서 높게 나타나고 있었으며, 다음으로는 대전과 충남에서 특허출원이 활발하게 이루어지고 있었다. 이러한 이유는 수도권에 제약회사가 많이 밀집해 있으며, 그 외 충북에는 오송바이오클러스터, 대전에는 여러 연구기관이 밀집되어 있기 때문으로 볼 수 있다. 그 결과 LQ지수도 경기, 충북, 서울지역이 높게 나타나고 있었다.

화이트 바이오 특허출원이 높은 상위 10개 광역시도를 살펴보면, 경기, 경북, 서울지역에서 높게 나타나는 것을 확인할 수 있다. 화이트 바이오는 생명공학을 산업생산 공정에 응용하는 것으로써, 바이오 연료를 활용하여 친환경 소재를 개발하는 것이기 때문에 수도권에서도 제조업이 강한 경기도에서 특허출원이 가장 활발하게 이루어지는 것을 확인할 수 있다. 최근 화성시에서도 화이트 바이오 클러스터 조성을 선포하였는데, 이러한 맥락에서 이해될 수 있다. 한편, LQ지수는 경기뿐만 아니라 경북과 충북도 높게 나타났다.

종사자 대비 특허출원 비율의 공간적 자기상관관계를 살펴보면 다음과 같다.⁵⁾

전역적 모란 I지수(Global Moran’s I)의 결과를 살펴보면, 2006년에는 공간적 자기상관관계는 높지 않지만, 시간이 지날수록 점차 높아지는 것을 확인할 수 있다. 국지적 모란 I지수(Local Moran’s I)의 결과를 살펴보면 다음과 같다. 먼저, 바이오 제조업 전체를 대상으로 살펴보면, 2006년에는 종사자 대비 특허출원 건수의 Hot spot 지역이 수도권뿐만 아니라 충남, 대구, 경북과 같은 비수도권에서도 나타나는 것을 확인할 수 있었다. 하지만, 시간이 지남에 따라 Hot Spot 지역이 비수도권에서는 나타나지 않았으며, 오히려 수도권에 집중되어 나타나고 있었다. 상기 내용을 정리하면, 시간이 지날수록 바이오 제조업의 특허출원 활동의 수도권 집중현상이 강하게 나타나는 것을 확인할 수 있다. 이러한 경향은 바이오 제조업을 구분하여 살펴보아도 유사한 경향을 보여주고 있다.