2.1.1 정부 R&D 예산의 구조적 역할 및 공급망 연계성

정부의 연구개발(R&D) 예산은 고등교육기관, 정부출연 연구기관, 산업체 간의 협력을 유도하고 지식 및 기술의 확산을 통해 국가 혁신역량을 강화하는 핵심 정책 수단으로 작용한다. OECD(2023a)의 『OECD 혁신 정책 검토: 한국 2023』 보고서에 따르면 정부 R&D 투자는 공공기관과 민간기업의 연계를 통해 기술이전, 시제품 개발, 고급 인력 양성 등 다양한 혁신 활동을 촉진하며, 이는 국가 차원의 과학기술 생태계 전반에 파급효과를 일으킨다고 명시하고 있다.

Hall and Lerner(2010) 역시 공공 및 민간 R&D 지출의 절반 이상이 고급 인력의 인건비로 사용되며, 그 외에도 장비 확충, 실험, 시설 구축, 시제품 개발, 안전설비, 인증 등 폭넓은 분야에 직접 투입된다고 분석함으로써, R&D 지출이 기술개발뿐 아니라 기자재 수요, 안전 기반 시설 조성, 평가 인증 등 공급망 하위 생태계에까지 영향을 미친다는 점을 실증적으로 보여준다.

Peñasco et al.(2021)은 공공 혁신 관련 재정 지원이 민간기업의 R&D 투자 확대, 장비 도입, 그리고 혁신성과 향상에 유의미한 영향을 미친다고 실증적 근거를 제시하였으며, OECD(2018) 또한 정부의 R&D 투자 확대가 민간 부문 투자 유발, 특허 출원 증가, 생산성 제고 등 혁신 지표뿐 아니라 기업의 재무성과 개선에도 이바지한다는 점을 강조하였다. 이러한 연구들은 R&D 예산이 단순히 수혜 기관에만 영향을 미치는 것이 아니라, 연구 수행과 관련된 기자재, 장비, 인력 등 공급망 전반에 걸쳐 구조적인 영향을 미친다는 사실을 이론적으로 뒷받침한다. 특히 R&D 예산의 증감은 해당 산업 생태계의 지속 가능성과 재무적 안정성에 중대한 영향을 미치는 변수로 작용한다.

2.1.2 정부 R&D 예산 변화의 공급망 파급효과

공급망 차원에서 보면, 정부 R&D 예산 축소는 상 위기관 또는 주요 수요처의 수요 위축으로 이어지며, 이는 공급망 상류 기업에 전달되는 수직적 파급효과(vertical spillover)를 통해 연쇄적 충격을 유발할 수 있다.

Havranek and Irsova(2011)는 수직적 파급효과는 상위 단계의 수요기관에서 발생한 충격이 공급망의 하위 공급자에게 연쇄적인 영향을 미치는 구조를 의미하며, 특히 재정 축소 시에는 이 파급이 대체로 부정적인 방향으로 작용할 수 있다고 설명하였다.

Ge and Bao(2024)는 제조 기업을 대상으로 한 연구에서, 상위 공급자에게 발생한 외부 충격이 하위 공급기업으로 전이되는 후방 파급효과(backward spillover)를 통해 공급망 전체의 복원력을 약화시킬 수 있다는 점을 실증적으로 입증하였다.

이러한 연쇄 반응은 특히, 공공예산 축소나 조달 정책 변경과 같은 정책적 충격에 취약한 산업군에서 더욱 두드러지게 나타난다.

2.1.3 조달 중심 기자재 시장의 구조적 취약성

연구안전장비와 같은 필수 기자재는 대부분 조달 시장에 기반하며, 이는 예산 변화에 따른 수요 변동에 직접 노출되는 구조를 형성한다.

OECD(2016)는 한국의 공공 조달 시스템이 국가의 R&D 정책 수행을 위한 핵심적 집행 메커니즘으로 기능하며, 특정 장비 및 서비스 시장은 정부 발주에 대한 높은 의존도로 인해 구조적 취약성을 내포하고 있다고 평가하였다.

이러한 맥락에서 연구안전장비 산업은 정부 예산 변화에 따라 수요가 급변할 수 있는 정책 민감 산업군(policy-sensitive sector)에 해당한다.

실제로 2023년 이후 한국 정부의 R&D 예산이 축소되면서, 대학 및 정부출연 연구기관의 기자재 구매력이 약화되었고, 이는 연구안전장비 조달업체의 신규 수요 감소, 납품 지연, 주문 불확실성 증가 등으로 이어지고 있다.

결과적으로 매출, 영업이익, 순이익 등 연구안전장비 조달기업의 재무 성과가 전방위적으로 하락할 가능성이 제기되고 있으며, 이는 정부 정책 변화가 연구안전장비 산업군에 미치는 재무적 파급효과(financial spillover)를 정량적으로 분석할 필요성을 강하게 시사한다.

이러한 특성은 단순한 시장 침체와 달리, 정책적 요인에 기인한 연구안전장비 공급망 기반 위험으로 볼 수 있으며, 그 실태를 정량적으로 분석하는 것은 재정 정책 설계 및 공급자 중심 산업 전략 수립 측면에서 중요한 정책적 시사점을 제공.

2.2.1 정부 R&D 정책 효과 분석의 기존 접근과 한계

지금까지의 정부 R&D 정책 효과 분석은 기술 성과(output), 논문 수, 특허 출원, 기술이전 실적 등 직접 성과 중심의 수혜 기관 분석에 집중됐다(Hall and Lerner, 2010; OECD, 2023).

Peñasco et al.(2021)는 공공 혁신 재정 지원이 민간의 R&D 투자, 장비 도입, 생산성 향상에 긍정적 영향을 미친다고 지적하며 간접 효과를 부분적으로 언급했으나, 조달업체나 공급자 차원에서 예산 축소가 재무 성과에 미치는 영향을 실증적으로 분석한 연구는 매우 부족하다.

특히, 조달시장 기반의 연구기자재 기업을 대상으로 한 재정 영향 선행 연구는 거의 없으며, 이에 따라 공급자 기반의 정책 파급효과를 구조적으로 이해 하기 위한 실증 기반이 미약한 상태이다.

2.2.2 공동조달 및 공급망 파급효과 관련 연구

OECD(2016)는 한국의 공동조달 시스템이 정책 수행의 중요한 메커니즘이고, 일부 시장에서는 과도한 의존을 유발하는 구조임을 지적하였으며, 특정 기자재의 경우 정부 예산이 거의 유일한 수요 원이라는 구조적 한계를 강조하였다.

Li and Bosworth(2020)는 공급망 내 타 기업의 R&D 활동이 자사 생산성에 유의미한 영향을 미친다는 긍정적 파급효과(positive spillover)를 규명하였고, Ge and Bao(2024)는 후방 파급 효과(backward spillover)를 통해 상류 기업의 변화가 공급망 전반의 회복력에 영향을 미친다는 점을 실증하였다.

이러한 연구들은 공급망의 구조적 상호작용을 정량적으로 밝히고 있으나, 공공 재정의 축소가 특정 기자재 공급자에게 미치는 재무적 충격을 다룬 연구는 부재하다.

본 연구는 이러한 선행 연구의 공백을 메우고자 한다.

2.2.3 정책 효과 분석을 위한 준 실험적 방법론

정책 효과를 정량적으로 분석하기 위한 계량모형은 지속적으로 발전해 왔으며, 특히 비무작위 정책 개입 상황에서 인과성을 식별하기 위한 준 실험적 접근(quasi-experimental design)이 주목받고 있다(Angrist and Pischke, 2009).

기존의 단순 회귀모형이나 패널 고정 효과 모형은 관측되지 않은 이질성을 충분히 통제하지 못해 내생성 문제(endogeneity)로 인한 추정의 왜곡 가능성이 존재한다.

이에 본 연구는 성향점수매칭(PSM), 이중차분법(DID), 합성통제법(SCM)의 3가지 준 실험적 방법론을 적용하여, 정책 시행 전후의 기업 단위 미시 데이터를 활용한 인과추론을 수행하였다.

첫째, Rosenbaum and Rubin(1983)은 성향점수(propensity score)를 관찰 공변량의 함수로서, 동일한 성향점수 조건에서 처리 여부가 공변량들과 독립이 되도록 만드는 balancing score 로 규정하였다. 이에 근거하여 성향점수매칭(PSM)은 관찰된 공변량으로 인한 선택편의를 완화하고 실험군과 통제군의 비교 가능성을 높이는 전처리 절차로 활용된다. Stuart(2010)은 성향점수매칭(PSM)이 관찰 기반 연구에서 무작위 실험을 모사함으로써 인과 효과 추정의 내적 타당성(internal validity)을 향상하는 주요 방법론임을 강조하였고, 성향점수매칭(PSM)이 통제군과 실험군 간 비교 가능성을 높여 인과성 검증에 이바지한다고 설명하였다.

둘째, 이중차분법(DID)은 정책의 개입 시점 전후의 실험군과 통제군의 변화량 차이를 비교하여, 시간 추세와 집단 간 차이를 동시에 고려한 순수한 처치 효과를 추정한다. 이 모형은 사전 동향이 유사하다는 평행추세(parallel trend) 가정을 전제로 하며, Angrist and Pischke(2009)는 이중차분법(DID)이 외생적인 정책 개입의 인과 효과를 식별하는 데 특히 유용한 방법론임을 강조하였다. 또한 Bertrand et al.(2004)은 이중차분법(DID) 모형에서 정책 개입 단위별로 클러스터 강건 표준오차(cluster-robust standard errors)를 적용해야 하며, 패널자료 분석 시 시간 및 집단 내 상관 오류를 적절히 통제하지 않으면 표준오차가 과소 추정될 수 있음을 경고하였다. 본 연구에서는 이 권고를 반영하여, 기업 수준 및 연도 수준의 클러스터 표준오차(clustered standard errors)를 적용함으로써 이중차분법(DID) 분석의 추정 정확성과 신뢰도를 높였다.

본 연구와 같이 정책적 개입의 인과적 영향을 분석하는 국내 선행 연구들 역시 준실험적 방법론(DID 등)을 활용하여 정책 효과가 기업의 수익성 및 성장성에 미치는 영향을 추정하였다(우석진 외, 2018).

셋째, 합성통제법(SCM)은 실험군(정책 대상)의 반사실적 결과를 유사한 통제집단의 가중평균을 합성함으로써 구성하는 방법이다(Abadie et al., 2010).

본 연구에서는 성향점수매칭(PSM)을 통해 선정된 실험군(조달기업)에 대해 합성통제법(SCM)을 적용하여, 정책 충격 이후 실험군과 합성 통제군의 성과 차이(영업이익)를 정량적으로 분석하였다.

Abadie et al.(2010)을 참고하면 합성통제법(SCM)은 단일 사례 연구에서도 정책 효과 추정의 강건성을 확보할 수 있는 방법론이며, 평행추세 가정에 의존하는 이중차분법(DID)의 제한점을 보완할 수 있다고 하였다.

본 연구는 이들 세 가지 방법론을 상호 보완적으로 결합함으로써 정책 효과 추정의 내적 타당성과 외적 일반화를 동시에 확보하고자 한다.

다만, 본 연구에서 정부 R&D 예산 축소는 완전한 외생적 사건이라기보다는 정치·행정적 결정의 산물이므로 이를 준(準) 외생적 충격으로 규정하였다.

3.3.1 성향점수매칭(PSM)

먼저 실험군과 통제군의 관찰 가능한 공변량 균형을 확보하기 위해 Rosenbaum and Rubin(1983)은 성향점수매칭(PSM)이 공변량 분포를 균등하게 만드는 balancing score 로써 선택 편향을 줄이는 전처리 기법으로 설명하였으며, 본 연구에서는 2020~2022년 매출액, 자산, 자본을 공변량으로 활용하여 로지스틱 회귀 기반 성향 점수를 추정하였고, caliper = 0.1, 최근접 이웃 매칭을 비율 1로 설정해 실험군과 통제군의 1:1 유사 집단으로 구성하였다.

매칭 후 공변량 균형성은 표준화 평균 차이(SMD)로 평가하였고, SMD < 0.1 기준을 우선 적용하였다. 실제 실증 연구에서는 SMD < 0.25까지도 균형이 적절한 것으로 간주하는 경우가 많다(Austin, 2011).

3.3.2 이중차분법(DID)과 조절효과(Moderator) 분석

성향점수매칭(PSM)을 통해 균형화된 표본을 기반으로 이중차분법(DID) 회귀분석을 수행하여 정부 R&D 예산 축소 정책의 인과적 영향을 추정하였다. 이중차분법(DID) 분석에서는 정책 시행 전후의 실험군과 통제군 간의 성과 변화 차이를 비교함으로써, 외생적 정책 변화가 기업의 재무성과에 미치는 순수한 인과 효과를 식별할 수 있는 방법론으로 평가된다(Angrist and Pischke, 2009).

특히, 본 연구에서는 정책 효과의 이질성을 분석하기 위해 조절변수(Moderator) 및 삼차 상호작용항을 이중차분법(DID) 모형에 포함하였다. 구체적으로 종속변수는 영업이익 및 당기순이익으로 설정하고, 주요 독립변수는 실험군 여부(Treatment), 정책 시행 시점(Post), 그리고 $Treatment \times Post \times Moderator$의 형태로 상호작용항을 구성하였다. 조절변수로 영업이익 분석 모형에서는 조달의존도와 R&D 집중도, 당기순이익 분석 모형에서는 유동부채비율 및 비유동부채비율을 각각 활용하였다(표 5

분석은 기업 고정 효과(firm fixed effects) 및 연도 고정 효과(year fixed effects)를 포함한 패널 고정 효과 모형으로 수행하여, 기업의 고유 속성이나 거시적 경제 환경 변화로 인한 잠재적 혼란요인을 통제하였다(Wooldridge, 2010).

또한, Bertrand et al.(2004)의 권고에 따라 클러스터 표준오차(clustered standard errors)를 적용하여 시계열적 자기상관과 이질성을 통제하였다. 회귀 분석은 R 소프트웨어의 fixest 패키지를 활용하였으며, 생성된 회귀 계수(treat×post×moderator)는 정책 변경 이후 실험군에서 조절변수 수준에 따라 부가적으로 발생한 재무성과 변화를 의미한다.

3.3.3 합성통제법(SCM)

본 연구에서는 정책 효과의 평균값에만 의존하지 않고, 기업별로 나타나는 정책 효과의 이질성을 확인하기 위하여 합성통제법(SCM)을 적용하였다. 구체적으로 ① 실험군에 속한 각 기업별(총 30개 사)로 ② 2020년부터 2022년까지의 영업이익 추세를 기준으로 유사한 특성(매출액, 자산, 자본)을 지닌 통제군 기업들의 데이터를 활용하였으며, ③ 사전처리기간 내 결과변수의 오차 제곱합(SSR: Sum of Squared Residuals)을 최소화하는 방향으로 가중치를 산출하고, ④ 이를 최적화하여 각 실험군에 대응하는 합성 통제군을 구축하였다. 이 과정에서 ⑤ 합성 통제군의 영업이익 경로가 해당 실험군 기업의 사전 실적과 최대한 유사해지도록 가중치가 자동적으로 조정되었다(표 15

이후 ⑥ 정책 시행 이후 시점인 2023 ~ 2024년의 실험군 기업과 합성 통제군 간의 영업이익 실적 차이를 정책 효과로 해석하였다.

이러한 방식은 단순히 전체 실험군의 평균 효과를 추정하는 데 그치지 않고, 개별 기업 수준에서 정책 효과의 이질성(heterogeneity)이 어떻게 나타나는지를 구체적으로 확인할 수 있다는 점에서 의미가 있다.

아울러, 합성통제법(SCM) 분석 결과에 따라 정책 효과가 긍정적으로 나타난 기업군(SCM Positive)과 부정적으로 나타난 기업군(SCM Negative)으로 분류한 후, 두 집단 간의 차별적 효과 및 그 조절 요인에 대해서도 추가 분석을 수행하였다. 이를 통해 정책 개입 외의 다른 요인에 의한 결과 변동 가능성을 최대한 통제하고, 추정된 정책 효과의 인과성을 한층 강화하였다.

3.3.4 이중차분법(DID)과 합성통제법(SCM) 교차 검증

정부 R&D 예산 축소 정책 효과의 인과적 추정을 위해 이중차분법(DID)과 합성통제법(SCM)을 병행 활용하였다.

이중차분법(DID) 분석은 정책 시행 전후 실험군과 통제군의 결과 변수 변화를 비교하여 평균 처리 효과를 산출하며, 평행추세(parallel trends) 가정 충족 여부에 따라 신뢰성이 좌우된다. 반면, 합성통제법(SCM)은 여러 대조군의 가중 조합으로 합성 대조군을 생성하여 개별 실험군의 잠재 반사실적 결과를 추정, 이중차분법(DID) 대비 더 높은 구조적 유연성과 미세한 가중치 조정 기능을 갖는다.

두 방법의 결과를 병행 분석함으로써 단순한 강건성 검증 절차를 넘어, ① 평행추세 가정의 보완 ② 개별 기업 수준의 반사실적(counterfactual) 추정 강화 ③ 정책 효과의 내적 일관성 확보라는 측면에서 의미가 있다. 따라서 두 방법의 상호 보완적 활용은 본 연구의 방법론적 강점으로 평가될 수 있다. 이와 같은 교차 검증은 한 방법의 한계를 다른 방법으로 보완하며, 본 연구의 정책 효과 해석에 대한 신뢰도를 높이기 위한 필수 절차이다.

3.3.5 통계 소프트웨어 및 분석 환경

본 연구의 실증 분석은 R 프로그래밍 환경(version 4.3.2)에서 수행되었으며, 분석 목적에 따라 다양한 전문 통계 패키지를 활용하였다. 패키지의 설치 및 관리는 pacman 패키지를 사용하여 통합적으로 수행하였고, pacman::p_load() 함수를 통해 주요 분석 도구인 fixest, tidyverse, cobalt, MatchIt, Synth 등을 로드하여 일관된 분석 환경을 구축하였다.

성향점수매칭(PSM)은 MatchIt 패키지를 사용하였으며, 매칭 후 공변량 균형성 진단과 시각화는 cobalt 로 진행하였다. 이중차분법(DID) 및 고정효과 회귀분석에는 fixest 패키지를 사용하여, 기업 고정효과(firm fixed effects) 및 연도 고정효과(year fixed effects)를 동시에 통제한 모형으로 추정하였다.

합성통제법(SCM)은 Synth 패키지를 사용하여 실험군 기업별로 사전 기간의 실적을 기준으로 유사한 통제군을 구성하고, 가중치를 최적화하여 반사실적(counterfactual) 시나리오를 구축하였다. 데이터 정제, 변수 처리, 분석 결과의 시각화 등 전반적인 분석 작업에는 tidyverse 패키지(예: dplyr, ggplot2, readr 등)를 통해 일관되게 수행하였다.

마지막으로, 본 연구는 분석의 재현성(reproducibility)과 투명성(transparency) 확보를 위하여, 모든 분석 코드를 주석과 함께 체계적으로 관리하였고, 사용된 패키지 버전 및 데이터 처리 과정도 별도로 기록하였다. 이러한 통계 환경 구성으로 분석 결과의 신뢰성과 학술적 엄밀성을 동시에 제고하는 데 이바지하고자 한다.

4.1.1 성향점수매칭(PSM) 분석 결과

실험군과 통제군 간의 공변량 균형을 확보하기 위해 성향점수매칭(PSM)을 수행하였다(표 6

4.1.2 성향점수매칭(PSM) 후 공변량 분석

성향점수매칭(PSM) 적용 결과, 실험군과 통제군 간의 사전 특성에 대한 공변량 균형이 유의미하게 개선되었으나, 모델별로 상이한 특성을 보였다. 모델 1은 매칭된 표본 수가 적고, 표준화 평균차(SMD)의 평균값이 0.367로 확인되어 균형 수준이 낮아 분석에서 제외하였다. 모델 2는 SMD 전 항목이 0.1 미만으로 우수한 균형을 보였으나, 매칭 표본 수가 19개에 불과하여 통계적 검정력 확보에 한계가 있었다. 이에 반해 모델 3은 SMD 평균이 0.154 수준으로 양호한 균형을 보이며, 매칭 표본 수 30개를 확보하여 분석의 적절성과 검정력을 동시에 만족시켰다(표 7

특히, 모델 3에서는 모든 공변량의 SMD 가 0.25 미만으로 감소하였으며, 이는 실험군과 통제군이 통계적으로 동일한 집단으로 구성되었음을 시사한다. 이러한 결과는 성향점수매칭이 관찰 가능한 특성에 기반한 선택 편향을 효과적으로 통제할 수 있음을 실증적으로 입증한 것으로 해석된다.

따라서, 본 연구에서는 모델 3을 주 분석 대상으로 채택하였고, 모델 2는 강건성 검증을 위한 보조 분석으로 활용하였다. 이와 같은 이중 접근법은 분석 결과의 신뢰성과 타당성을 제고하는 데 이바지한다.

성향점수매칭(PSM) 결과에 대한 수치적 평가는 본문과 표 7에 서술하였으며, 각 모델별 공변량 균형 수준은 다음 <그림 3~5>

4.2.1 모델 2(실험군 vs. 통제군 2)의 당기순이익 영향 분석 결과

모델 2에서 당기순이익(net_profit)에 대한 정책 효과의 이질성을 확인하기 위해 수행한 회귀분석 결과, 정책 시행 이후 실험군과 통제군 2와 당기순이익의 순수한 차이를 나타내는 상호작용항(treat:post)은 양(+)의 계수(1,613.46)를 보였으나, 통계적으로는 유의하지 않은 수준으로 나타났다(p=0.137). 이는 평균적인 수준에서는 예산 축소가 당기순이익에 미친 효과가 뚜렷하지 않음을 의미한다.

그러나 조절변수를 포함한 삼중 상호작용 분석에서는 유의미한 이질적 효과가 관찰되었다. 특히, 유동부채비율과의 삼중 상호작용항(treat:post:cur_ratio)은 -3,536.11의 계수로, 5% 유의수준에서 통계적으로 유의하였다(p=0.046). 이는 정책 시행 이후 유동부채비율이 1%포인트 증가할 때마다, 당기순이익이 평균 약 3,536만 원 감소한다는 것을 의미한다. 유동성이 취약한 기업일수록 예산 축소에 따른 수익성 악화의 영향이 더욱 크다는 점을 시사한다.

또한, 비유동부채비율과의 상호작용항(treat:post:nocur_ratio) 역시 -3,208.68의 음의 계수를 보여, 재무적 경직성이 높은 기업일수록 정책 충격에 취약할 수 있음을 나타냈다(p=0.094). 비록 통계적으로는 10% 유의수준에서 근접한 결과이지만, 방향성과 효과 크기 측면에서는 유의미한 정책적 함의를 도출할 수 있다.

종합하면, 당기순이익에 대한 영향 분석 결과는 정부 R&D 예산 축소의 평균적 효과는 뚜렷하지 않지만, 기업의 재무 구조에 따라 정책 효과의 방향성과 크기가 유의미하게 달라지는 이질적 특성이 존재함을 보여준다.

4.2.2 모델 2(실험군 vs. 통제군 2)의 영업이익 영향 분석 결과

모델 2에서 영업이익(op_profit) 영향에 대한 정책 효과의 이질성을 확인하기 위해 수행한 회귀분석 결과, 표 9

반면, 정부조달의존도(g2b_ratio)와 관련된 상호작용항들은 모두 통계적으로 유의하지 않았고, 삼중상호작용항(treat:post:g2b_ratio) 또한 다중공선성 문제로 분석 모형에서 제외되었다.

4.2.3 모델 3(실험군 vs. 통제군 전체)의 당기순이익 영향 분석 결과

모델 3에서 당기순이익(net_profit) 영향에 대한 정책 효과의 이질성을 확인하기 위해 수행한 회귀분석한 결과 표 10

유동부채비율과의 삼중 상호작용항(treat:post:cur_ratio)의 계수는 -10,988.75로 나타났으며, 이는 5% 유의수준에서 통계적으로 유의하였다($p=0.0424$). 이는 정책 시행 이후 유동부채비율이 1% 포인트 증가할 경우, 당기순이익에 대한 정책 효과가 평균적으로 약 10,989만 원 감소함을 의미한다. 즉, 재무 구조가 취약한 기업일수록 정책의 부정적 영향을 더 크게 받는다는 것을 시사한다. 비유동부채와의 삼중 상호작용항(treat:post:ncur_ratio)은 -2,354.53의 음의 계수를 보였으나 유의하지 않았다($p=0.140$), 다만 방향성은 유사하였다. 유동부채비율과 비유동부채비율 자체의 직접효과(cur_ratio, ncur_ratio)는 모두 음(-)의 계수로 나타났으며, 각각 5% 및 1% 유의수준에서 통계적으로 유의하였다. 이는 기업의 부채비율이 높을수록 당기순이익이 감소하는 경향을 의미한다.

4.2.4 모델 3(실험군 vs. 통제군 전체)의 영업이익 영향 분석 결과

모델 3에서 영업이익(op_profit)에 대한 정책 효과의 이질성을 확인하기 위해 수행한 회귀분석 결과, 표 11

한편, 정책 효과의 이질성을 나타내는 삼중 상호작용항(treat:post:rnd_ratio)은 7,573.20의 양의 계수를 보였으나, 통계적으로는 유의하지 않았다($p=0.242$). 이는 정책 시행 이후 R&D 집중도가 높은 기업이 상대적으로 덜 부정적인 영향을 받았거나, 일정 수준의 완충 효과를 가졌을 가능성을 시사하지만, 통계적 신뢰도는 낮아 해석에 주의가 필요하다.

또한, 조달의존도(g2b_ratio) 및 관련 이차 상호작용항들(post:g2b_ratio, treat:rnd_ratio 등)은 모두 통계적으로 유의하지 않았으며, 정부 조달 비중이 정책 효과에 유의미한 조절 요인으로 작용한다는 실증적 증거는 관찰되지 않았다. 삼중 상호작용항(treat:post:g2b_ratio)은 다중공선성 문제로 분석 모형에서 제외되었다.

4.2.5 이중차분법(DID) 분석에 의한 모델 2, 모델 3 해석 종합

1) 정책 충격의 당기순이익에 대한 영향

표 12

먼저, 모델 2(통제군 2)에서는 treat:post 항의 계수가 1,613.46(p=0.137), 모델 3(전체 통제군)에서는 treat:post 항의 계수가 2,311.534(p=0.056)으로 나타났으며, 이는 정책 시행 이후 실험군의 당기순이익이 평균적으로 증가하는 경향이 있으나 통계적으로 유의하지는 않은 수준이다.

그러나 모델 2(통제군 2)에서 treat:post:cur_ratio 항은 -3,536.11(p=0.046)로 통계적으로 유의한 음의 효과를 보였다. 이는 유동부채비율이 1% 포인트 증가할 때마다 당기순이익이 약 3,536만 원 감소함을 의미하며, 유동성 취약 기업일수록 정책 충격에 더 민감하게 반응했음을 시사한다.

모델 3(전체 통제군 포함 분석)에서도 $treat:post:cur\_ratio$ 항은 -10,988.75(p=0.042)로 유사한 방향성과 함께 통계적으로 유의한 부정적 효과를 보여주었다. 이는 두 모형에서 모두 정책 시행 이후 유동부채비율이 높은 기업일수록 수익성 악화 폭이 더 크게 나타난다는 점을 일관되게 입증한 결과이다.

한편, 비유동부채비율($treat:post:nocur\_ratio$)은 두 모델 모두에서 통계적으로 유의하지 않았지만 (모델 2 p=0.094, 모델 3 p=0.144), 음(-)의 값 계수로 정책 효과를 악화시키는 방향성은 논리적으로 일관되며, 단기 반응성의 한계, 분산 부족, 다중공선성, 회계상 반영 시차 등의 요인으로 인해 통계적으로 유의하지 않았을 가능성이 높다.

2) 정책 충격의 영업이익에 대한 영향

표 13

3) 최종 이중차분법(DID) 분석 후 가설 검증 결과 (모델 3 기준)

성향점수매칭(PSM) 이후, 매칭 품질이 가장 우수했던 모델 2에서도 위와 같이 이중차분법(DID) 분석을 별도로 수행한 결과, 정책 효과 및 조절효과의 방향성과 유의성 수준이 모델 3과 일관되게 나타남에 따라, 모델 3을 최종 분석 모형으로 채택하고 가설 검정을 수행하였다.

표 14

앞서 수행한 이중차분법(DID) 분석을 통해 정부 정책 시행이 기업의 수익성에 미치는 평균적 효과를 추정하였으며, 특히 유동부채비율과 같은 재무적 특성이 정책 효과를 통계적으로 유의하게 조절함을 실증적으로 확인하였다. 그러나 이중차분법(DID)은 집단 간 평균 차이에 기반한 분석 방법으로, 개별 기업이 가지는 고유한 특성이나 이질적인 정책 반응을 충분히 반영하는 데 한계가 있다. 특히 정책 효과가 기업별로 다르게 나타날 수 있는 상황에서는 이중차분법(DID) 분석만으로는 정책의 미시적 효과를 체계적으로 식별하기 어렵다. 이에 본 연구는 더욱 정밀한 정책 효과 식별과 개별 기업 수준의 동태적 분석을 위해, 아래와 같이 합성통제법(SCM)을 추가로 수행하였다.

4.3.1 합성통제법(SCM)에 의한 합성 통제군 추출 (각 실험군(30개 사)에 대해 60개씩 총 30회, 1800개 통제군)

합성통제법(SCM)은 처리군(실험군)의 반사실적(counterfactual)을 추정하기 위해 통제군 내에서 가중치를 조합하여 ‘가상의 통제군(합성통제군)’을 구성하는 방법이다. 여기서 산출된 가중치(weight) 값은 각 실험군과 가장 유사한 경향을 보이는 합성 통제군 들이 실험군의 반사실적을 얼마나 잘 대표하는지를 나타내며, 가중치의 합은 1로 정규화된다. 가중치가 클수록 해당 합성 통제군이 실험군의 반사실적을 설명하는 데 더 큰 기여를 하고 있음을 의미한다.

각 실험군에 대해 다음과 같은 변수 조합을 활용하여 합성통제군의 가중치를 추정하였다. 종속변수는 영업이익의 로그값($log\_op\_profit$)으로 설정하였으며, 설명변수(공변량)에는 매출액 로그($log\_sales$), 자산의 로그($log\_assets$), 자본금의 로그($log\_equity$)를 포함하였다. 모형의 예측 구간은 정책 시행 이전 기간(2020~2022년)으로 설정하였고, 처리 구간은 정책 시행 이후(2023~2024년)로 구분하였다. 가중치 예측 오차 제곱합(SSR: Sum of Squared Residuals)을 최소화하는 방향으로 최적화되었으며, 이를 통해 각 실험군과 가장 유사한 재무적 특성을 보이는 통제군의 선형결합으로 합성통제군을 구성하였다.

합성통제법(SCM) 분석은 Synth 패키지의 dataprep() 및 synth() 함수를 통해 수행하였으며, 각 실험군별로 가장 유사한 통제군 조합 상위 5개와 그 가중치를 다음 표 15와 같이 도출하였다. 표 15는 실험군별로 산출된 합성통제군(SCM) 가중치 결과를 요약한 것으로, 가중치 합계는 각 실험군의 가중치 총합(이론적으로 1이며 계산 오차로 인해 $\pm0.001$ 수준의 편차가 존재함)을 나타낸다. 주요 통제군 ID 는 각 실험군에 대해 가장 높은 가중치를 부여받은 통제군의 ID 이며, 주요 가중치는 이들 기업이 해당 실험군 반사실적 추정에 기여하는 비율을 나타낸다.

표 15의 해석 예로는 실험군 ID 1번 기업은 통제군 ID 16, 6, 29, 28, 79로 구성된 합성통제군으로 설명되며, 각 기업의 가중치는 각각 0.231, 0.1065, 0.0683, 0.0306, 0.0297 등으로 산출되었다. 이는 통제군 16번 기업이 해당 실험군의 반사실적을 가장 잘 설명하는 기업임을 의미하며, 이에 가장 큰 가중치가 부여된 것이다. 실험군 별로 도출된 가중치는 해당 실험군과 가장 유사한 통제군을 중심으로 구성되며, 정책 시행 이전 시점(2020~2022)의 공변량에 대해 최적의 매칭을 이루도록 합성되었다. 이를 통해 각 실험군의 반사실적을 도출하고, 실제값과의 차이를 avg_gap_post 로 계산하여 아래와 같이 2개의 그룹으로 나누어 비교하였다.

4.3.2 정책 효과(Negative, Positive) 2개 그룹 비교

2020~2022년의 재무정보를 기반으로 예측된 통제군의 영업이익과 실험군의 실제 영업이익 간 차이(avg_gap_post)를 산출하여, 표 16

합성통제법(SCM)을 통해 도출된 $avg\_gap\_post$는 사후 기간(2023~2024년) 동안 합성통제모형이 예측한 영업이익과 실험군의 영업이익 간의 평균 차이를 의미하며, 이는 정책 효과 자체를 직접 측정하기보다는, 정책 충격 이후 기업의 실적 차이를 통해 기업의 대응력 또는 구조적 유연성을 간접적으로 나타내는 지표로 해석된다.

표 17

이는 동일한 정책에도 불구하고 기업별로 다른 반응이 존재하며, 일부 기업은 정책 변화에 효과적으로 적응하거나 대체 수익원을 확보하여 성과가 개선된 반면, 일부 기업은 정책 충격에 취약함을 시사한다. 이러한 결과는 정책 충격 이후 기업 간 반응의 이질성이 존재함을 실증적으로 보여주며, 특히, R&D 집중도, 유동성 안정성, G2B 의존도 등 기업의 구조적 특성에 따라 정책의 파급효과가 달라졌음을 시사한다.

4.3.3 SCM Positive / Negative 그룹의 특성과 전체 평균 비교

합성통제법(SCM) 분석 결과, 정책 효과가 Positive 로 나타난 기업군과 Negative 로 나타난 기업군은 R&D 투자, 조달 매출, 유동/비유동 부채 비중에서 뚜렷한 재무적 특성을 보였다. 특히, R&D 지출과 조달 매출의 로그값에서 Positive 그룹이 Negative 그룹보다 월등히 높게 나타나, SCM 효과의 분기점으로 작용했을 가능성을 시사한다. 표 18

유동부채는 Negative 그룹(7.28)이 Positive 그룹(6.71)보다 높게 나타나 유동성 부담이 크고 재정 건전성이 낮을 수 있음을 시사한다. 반면, 비유동부채는 Positive 그룹(6.47)이 Negative 그룹(5.80)보다 높게 나타나, 장기부채 활용도가 높고 장기적인 재무 구조가 더 안정적일 가능성이 크다. R&D 투자는 Positive 그룹(4.46)이 All Average(3.39)와 Negative 그룹(3.45)에 비해 현저히 높아, 기술 혁신 및 경쟁력 강화를 위한 적극적인 투자 성향이 반영된 것으로 해석된다. 또한, 정부조달 매출(G2B 매출) 역시 Positive 그룹(5.88)이 Negative 그룹(5.13)보다 높게 나타나, 공공사업 연계도가 높은 기업일수록 오히려, 정부 정책 효과에 더 긍정적으로 반응했음을 암시한다.

종합적으로 R&D 투자($\log\_rnd\_exp$) 및 정부조달 매출($\log\_g2b\_sales$)에서 높은 값을 보인 Positive 그룹은 기술집약적이면서도 공공기관과의 거래 비중이 높은 기업군으로 해석되며, 이들이 정부 정책에 더 유연하게 대응했을 것으로 파악된다. 반면 Negative 그룹은 유동부채 비중이 높고, 장기적인 재무 건전성이 낮으며, R&D 지출도 적은 특성을 보이며, 정책 영향을 충분히 흡수하지 못했을 가능성이 높다. 다만, 이러한 경향이 모든 기업에 일관되게 적용되는 것은 아닌 평균값이었으며, 이에 따라 아래와 같이 각 그룹별로 세분된 분석을 추가로 수행하였다.

4.3.4 SCM Positive · Negative 그룹 간 영업성과 조절효과 분석

앞서 수행한 합성통제법(SCM)을 통해 정부의 R&D 예산 축소 정책이 기업 단위의 영업이익에 미친 영향을 정량적으로 측정하였다. 이에 따라, 정책 시행 이후 실험군 기업의 실제 영업이익이 합성통제군 예측값보다 높게 나타난 기업군을 SCM Positive 그룹, 낮게 나타난 기업군을 SCM Negative 그룹으로 구분하였다. 각 그룹의 특성을 설명하고자 유동부채($\log\_cur\_liab$), 비유동부채($\log\_nocur\_liab$), R&D 비용($\log\_rnd\_exp$), 조달 매출($\log\_g2b\_sales$)을 설명변수로 설정하여 회귀분석을 실시하였다.

1) SCM Positive 그룹 영업이익 조절효과 분석

SCM Positive 그룹을 대상으로 정책 시행 이후 영업이익 차이($avg\_gap\_post$)에 대한 회귀분석을 실시한 결과, 표 20

2) SCM Negative 그룹 영업이익 조절효과 분석

SCM Negative 그룹을 대상으로 정책 시행 이후 영업이익 차이(avg_gap_post)에 대한 회귀분석을 실시한 결과, 표 21

4.3.5 그룹별 합성통제법(SCM) 분석 결론 요약

표 22

Negative 그룹에서는 음(-)의 추정치를 가지며 유의하지 않지만($\beta = -0.2845$, $p = 0.1094$), 조달에 의존적인 기업 중 일부는 정책 축소에 더 민감하게 반응했을 가능성을 시사한다. 부채 관련 변수들(log_cur_liab, log_nocur_liab)은 두 그룹 모두에서 통계적으로 유의하지 않으며, 특히 Positive 그룹에서 유동부채는 오히려 양(+)의 계수를 가지는 반면, Negative 그룹에서는 음(-)의 계수를 보여 재무 구조의 차이가 정책 효과의 민감도에 영향을 줄 수 있음을 나타낸다. 다만, p 값이 모두 0.1을 넘는 수준으로 명확한 해석보다는 보완 지표 또는 후속 분석이 필요한 항목으로 간주된다.

이러한 결과는 정책 충격의 효과가 기업 간에 이질적으로 나타날 뿐 아니라, 동일한 조절 변수라 하더라도 그룹에 따라 방향성이 상반될 수 있음을 보여준다. 따라서 정책 설계 및 평가 시에는 단순한 평균 효과 분석을 넘어, 기업의 기술 역량, 재무 구조, 시장 의존성 등 내재적 특성을 반영한 정밀한 계층별 분석이 요구된다. 나아가, 고위험군에 해당하는 Negative 그룹을 중심으로 조절변수 기반의 정책 표적화 전략을 수립한다면 더욱 실효성 있는 제도 설계가 가능할 것으로 기대된다.