❏빅데이터의 성장 등으로 기존의 전통적 통계 분석 방식에서 나아가 보다 정확한 예측을 위한 분석적 접근들이 이루어지고 있는 실정

ㅇ머신러닝(Machine Learning)은 데이터에 기반을 두고 이의 패턴을 학습하는 것이 특징이며, 특히 미래 예측에 관한 문제에 대해 탁월한 성능을 보이는 것으로 알려짐

ㅇ재정, 노동, 교육 등 다양한 국가정책 관련 분야에서 정책 방안을 모색하기 위한 목적으로 이러한 분석 기법을 적용하려는 시도가 활발함

ㅇ그러나 중소기업 고용 또는 성장의 문제에 관하여 정책 설계를 고도화하고 신뢰성 있는 예측 모형을 개발하기 위해 머신러닝 기법을 적용하려는 시도는 아직 부족한 상황

❏(목적) 최근 예측 연구에서 활발히 활용되고 있는 머신러닝 방법을 적용하여 중소기업 성장 예측에 대한 새로운 시사점을 도출

ㅇ특히 본 연구는 중소기업의 고용 수준(고용의 양)에 관심을 두고 이를 예측하기 위한 탐색적 접근을 시도

ㅇ연구 내용은 크게 2가지 사항으로 구성: 1) 머신러닝 개념 및 특징 고찰, 2) 머신러닝 모형을 적용한 중소기업 고용 수준 예측 및 평가

❏중소기업의 고용 수준을 예측하는 분야에 대해 머신러닝 방법론을 적용한 예측모형 개발이 이루어지는 것이 필요

ㅇ본 연구는 기업 단위 자료인 SIMS를 바탕으로 머신러닝 기법을 적용하여 우수한 예측 성능을 보이는 모형을 확인함

ㅇ특히 의사결정트리 기반 앙상블 모형에 대한 머신러닝 방법론 간 비교와 더불어 벤치마크 모형과의 비교를 통해 머신러닝의 적용 가능성을 탐색

ㅇ기업 단위의 빅데이터를 기반으로 하는 경우 본 연구를 통해 확인한 LightGBM과 같은 기법이 유용할 것으로 판단

ㅇ구체적으로 중소기업의 고용 예측 전망 분야, 고용 상황에 따른 조기경보 시스템 분야 등을 개발하는 방향으로 머신러닝 방법의 적용 확대를 고려할 필요

❏중소기업 고용 예측 문제에 있어 정책지원의 역할을 주요한 변수로 고려하며, 분석 시 표본 데이터를 활용하려는 분석적 접근이 중요

ㅇ중소기업 관련 이슈에 있어 머신러닝을 적용한 기존 논의는 대게 기업의 재무, R&D 관련 정보를 활용하는 경향

ㅇ본 연구는 기업 재무, 거시경제 상황 관련 정보에 더하여 정책지원 자료를 분석 모형에 포함하였으며, 정책 변수에 대한 높은 중요도를 확인

ㅇ특히 본 연구에서 활용한 SIMS는 정부의 정책지원을 활용한 기업의 표준 자료임을 고려할 때 이를 머신러닝 방법으로 분석하는 것은 중요한 의미를 가짐

ㅇ머신러닝 기법이 빅데이터 분석 시 적용하는 방법임을 고려할 때 적은 수의 샘플을 토대로 하는 경우 분석 결과에 편의가 발생하는 ‘Small Sample Bias’에 대한 논의도 존재

ㅇ정책지원의 역할을 주요한 변수로 고려하며 표본 데이터를 활용하려는 접근을 통해 분석 결과의 신뢰성, 객관성을 더욱 제고할 수 있음

❏머신러닝 기법을 적용한 중소기업 예측 문제를 다루는 경우 데이터 수집, 관리 주기를 연 단위보다 축소하는 것이 바람직

ㅇ본 연구는 SIMS가 가지는 시계열 특성을 중요하게 보고 이를 반영한 예측을 수행하기 위해 LSTM 방법을 적용하였으나 앙상블 모형 대비 예측 성능이 부족한 것으로 나타남

ㅇ이러한 결과는 2010~2022년의 연 단위 데이터를 활용함으로 인해 일반적인 시계열 자료 분석의 관점에서 짧은 주기의 데이터를 적용한 점에 기인할 가능성 존재

ㅇLSTM을 적용한 논의가 일, 주 단위 수준에서 긴 시간 주기에 적용하고 있는 점에서 시계열 특성을 고려하는 방법론을 적용하려는 경우 그에 걸맞은 데이터 확보, 관리가 필요

ㅇ특히 중소기업 경보시스템 등을 개발하려는 경우 연 단위 데이터의 적용은 한계가 있을 것으로 보이며, 시간 주기를 이보다 축소한다면 더욱 적합한 예측 방법론 활용이 가능

❏다양한 기업 특성(업종, 소재지 등)을 구분한 분석을 통해 중소기업 고용 예측에 대한 주요 변수의 역할과 공헌 정도를 도출하는 것이 바람직

ㅇ본 연구는 중소기업의 고용 예측을 위해 머신러닝 방법론을 적용하는 탐색적 접근으로서 중소기업을 대상으로 분석을 실시

ㅇ중소기업은 다양한 특성으로 구분이 가능하며, 이로 인해 동일한 상황에서도 고용 상황이 다르게 나타날 수 있음

ㅇ특히 본 연구는 머신러닝 방법론을 통한 예측 성능을 벤치마크 모형과 비교하기 위해 시간불변(time-invariant)의 변수를 연구 모형에 반영하지 않음

ㅇ따라서 SIMS 자료 중 시간 불변의 정보 – 기업이 속한 업종, 소재지, 기업공개 여부, 법인 여부 – 를 고려하여 이를 구분한 분석을 통해 새로운 교훈을 확인할 수 있을 것임

ㅇ특히 특징을 구분한 분석을 통해 주요 변수의 역할 차이가 나타나는 경우 이를 정책 방안 강구 시 중요하게 고려하는 것이 바람직

* 자세한 내용은 첨부파일을 참조하여 주시기 바랍니다