Ⅰ. 서 론

Ⅱ. 동태적 기법에 기반한 성장곡선 모형

1) 과학기술기본법 제14조 ②항에 의하면“정부는 과학기술의 발전을 촉진하기 위하여 국가적으로 중요한 핵심기술에 대한 기술수준을 평가하고 해당 기술수준의 향상을 위한 시책을 세우고 추진하여야 한다”라고 규정하고 있다(Ministry of Science, ICT and Future Planning, 2015). 또한 해양수산과학기술육성법 제정안 및 농림수산식품과학기술육성법 개정안 제13조 ②항에서“해양수산부장관은 해양수산과학기술의 발전을 촉진하기 위하여 중요한 핵심기술의 기술수준에 대하여 평가를 하고 그 기술수준의 향상을 위한 시책을 수립·추진하여야 한다”라고 규정하고 있다(Ministry of Oceans and Fisheries, 2014).
2) 기술수준의 정확한 표현은 이론적으로 기능모수와 기술모수의 값과 단위로 구성된다. 실제로는 기술수준평가의 대상인 기술의 범위가 하나의 모수 값으로 표현하기 불가능한 경우가 더욱 일반적이다. 우리나라의 경우, 일반적인 기술수준평가 결과 값의 표현은 비교대상 혹은 이론적 상한치를 100으로 기준하고 상대적인 값으로 대체한다. 기술격차의 경우에는 일반적으로 격차시간(예: 년 단위)으로 표현한다. 본 연구에서는 기술 수준 자체는 해당기술의 한 세대 기준으로 이론적 상한치를 100으로 가정한다. 또한 이를 보완하기 위해 기술의 발전단계 표기를 병행한다.
3) 통상 Sigmoid 함수 형태를 지니는 것으로 알려져 있다. 일명‘S-Curve’라고도 부른다(Panik, 2014).

 기술성장곡선 모형을 활용한 동태적 기술수 준 평가 방법의 장점은 첫째, 기술들의 시점별 위상분석과 시점간의 변화상황 등의 파악이 가 능하다는 점이다. 시점별 상대적 위상분석은 성 장곡선 상의 위치 파악으로 가능하며, 시점간의 변화 상황은 변화율(1차 미분인 곡선의 기울기) 추산으로 가능하다. 이렇게 되면 변화의 속도와 방향 그리고 과정을 파악할 수 있다(Bark, 2007a, 2007b). 둘째, 시계열 자료가 비선형일 경우 쉽 게 사용할 수 있는 예측기법이며, 시계열 자료가 많은 경우에는 예측력이 높아진다는 점이다. 실 제로 지금까지의 실증자료를 보면, S-curve는 다 양한 기술영역에서 일관되게 비교적 높은 예측 력을 보여주고 있다. 셋째, 기술의 세대교체가 일어나는 경우 즉, 대체곡선에도 적용이 가능하 다는 점이다. 마지막으로, 여러 개별기술의 특성 에 따라 기본적인 곡선함수의 식을 변형 내지 확 장하여 다양한 함수의 형태를 만들어낼 수 있다 는 점이다.

 단점으로는 기술발전의 이론적 한계값(L)에 대한 전문가의 지식과 정보가 현실적으로 한계 가 있을 수 있다는 점이다. 특히 기술발전의 속 도가 빠르고 성공의 위험성이 높은 첨단기술의 경우에는 L을 정확하게 추정하는 것이 사실상 불가능할 수도 있다. 모형의 특성상 L을 정확히 알지 못한다면 다른 과정을 정상적으로 수행해 도 설명력이 크게 떨어지는 것이 불가피하다 (Park, 2007).

 또한 단기적인 추정에는 적합하다고 볼 수 있 지만 관찰된 값으로부터 관찰되지 않은 미래의 값을 추정한다는 측면에서 한계가 있다. 더구나 최근에는 기술의 변화 속도뿐만 아니라 기술의 혁신에 영향을 미치는 사회경제시스템도 무척 빠르게 변화하고 있기 때문에 불확실성이 존재 한다(Kim, et al., 2009). 본 연구에서 검토할 성장곡선 모형에 대한 논 의는 Ritz & Strebig(2013), Seber & Wild(1989) 및 Panik(2014)을 참조하였다(Table 1 참조). 소개한 성장곡선 모형들의 공통된 특징은 추정해야 할 모수가 두 개라는 점이다. Table 1에서 설명하는 것처럼 두 개의 모수는 각각 성장곡선의 형태를 결정하는 모수인 형태모수(shape parameter)와 변곡점에 도달하는 시간을 결정하는 모수인 곡 선의 위치모수(location parameter)이다. 결과적 으로 형태모수는 기술의 변화추이 혹은 형태를 결정하며 위치모수는 변곡점의 시간적 위치를 결정한다. 변곡점을 중심으로 좌·우 대칭의 특 성을 지니는 모형들은 Logistic, Log-Logistic 및 Log-Normal 모형들이다. Gompertz 및 Weibull 모 형은 좌·우 비대칭의 특성을 지닌다.

 좌·우 대칭의 특성을 대표적으로 나타내는 Logistic 모형은 1838년 Verhulst가 장기(organ) 혹 은 인구(population)의 성장을 묘사하면서 경험에 의해 도출된 것으로 알려져 있다. Robertson(1908) 은 화학물질의 자연적 현상인 분해속도를 관찰 하면서 생화학 물질의 자연적인 성장과정을 이 모형으로 설명하였다. 이 모형은 모형 자체의 단 순성으로 인해 기술의 성장곡선 추정에 대표적 으로 많이 적용되었다. 하지만 좌·우 대칭의 특 성이 너무 강하여 현실적으로 기술의 변화 혹은 성장 패턴을 잘 반영하는지에 대한 심층적인 검 토는 거의 없었다(Bark, 2007a, 2007b).

 Logistic 모형에서의 시간 변수인 t를 로그의 형태로 변형한 것이 Log-Logistic 모형이다. 이 모형은 약물(drug) 혹은 독성물질(toxin)이 인체 에 작용하는 반응곡선을 도출하는 데에 주로 활 용되고 있다. Brian & Cousens(1989)는 이 모형 의 발전된 형태를 통해 기준치 이하의 복용이 건 강증진에 미치는 효과(hormetic effect of low dosages)를 찾아내었다. Log-Normal 모형은 Log-Logistic 모형과 매우 흡사하다. 다만, 두 모형은 곡선의 양극단(tails)에서 다른 형태를 보인다. 국내의 경우, Choi, et al.(2000)가 인구성장 예측 에 Log-Normal 모형을 적용한 사례가 있다.

 좌·우 대칭 가정을 완화한 비대칭 모형의 대 표적인 모형은 Gompertz 모형이라고 할 수 있다. 이것은 Gompertz(1825)가 연령별 사망률을 구하 기 위해서 제안한 모형으로 알려져 있다. 이 모 형은 Wright(1926)가 성장곡선 모형으로 사용한 바 있으며, Medawar(1940)는 닭심장의 성장을 추정하기 위해 이 모형을 사용하기도 하였다. 기 술의 성장곡선 모형으로 국내에서는 대표적으 로 가장 많이 활용되고 있다.

 Weibull 모형은 Weibull(1951)이 소개한 모형 으로 생존분석과 신뢰성 공학 분야에서 널리 사 용되고 있는 것으로 알려져 있다. 이 모형은 Logistic 모형이나 Gompertz 모형에 비해 변곡점 의 위치 설정이 유연하다는 특성이 있다. 국내의 경우, Jin, et al.(2013)가 천연가스의 수요 전망에 활용한 사례가 있다.

3. 사례연구

비교검토 동태적 접근개념에 의한 기술성장 모형을 통 한 국 내 기 술 수 준 평 가 의 최 초 연 구 는 Bark(2007a, 2007b)으로 Kim, et al.(1999)의 자료 를 원용하여 Logistic 모형과 Gompertz 모형을 8 개 특정 소분류 기술 단위에 시범적으로 적용하 였다. 이후 연구의 내용을 개선·발전시켜 10개 건설엔지니어링 분야에 적용하였으며, 이어서 수산과학기술 분야에 적용하였다(Bark, et al. 2010; Bark, et al., 2013). 이를 통해 기술성장 모 형의 동태적 특성을 활용하여 미래 시점에서의 기술수준을 예측하는 방안을 제안하였으며, 이를 통해 경주식 분석기법 (racing oriented analysis) 활용과 기술수준 경쟁력 지수개발의 가능성을 제시하였다.

 한국과학기술기획평가원(Korea Institute of Science & Technology Evaluation and Planning: KISTEP)의 연구팀들은 국가차원에서 다양한 시 점과 관련 분야에 대해 기술수준평가를 시행하고 있다. 대표적으로 Byeon, et al.(2008)와 Kim, et al.(2009)는 90개 중점과학기술 분야를 대상으 로 Logistic 모형과 Gompertz 모형을 적용하였으 며, Kim, et al.(2010), Han, et al.(2010), Ryu(2012) 등은 각각 해양과학, 바이오칩·센서, 그리고 정 보전자기술 분야에 대해서 동일한 두 가지 모형 을 적용하여 기술수준을 평가하였다(<Table 2> 참조). Kim, et al.(2009, 2010)는 기술수준의 지속 적인 변화 양상을 결정하는 정책인자(변수)들에 대한 논의를 포함하였으나 기술수준과 정책인 자 사이의 상관관계에 대한 동태적 변화에 대한 분석은 시행하지 않았다.

 이러한 연구들의 경우 실제 기술수준의 다양 한 변화를 반영하는 가능한 기술성장 모형에 대 한 비교·검토 관련 논의는 시도하지 않았다. 또 한 Logistic 모형과 Gompertz 모형의 적용에 국한 된 한계점을 보이고 있다(Kim, et al., 2010). 그러나 앞에서 논의한 것처럼 이 두 성장곡선 모형 이외에도 다양한 형태의 성장곡선 모형이 존재할 수 있으며, 이들에 대한 적용 및 결과에 대한 검토 및 분석은 필요하다⁴⁾.

4) 성장곡선의 다양한 모형에 대한 소개는 Seber & Wild(1989), 제7장과 Panik(2014)을 참조하면 된다.

Ⅲ. 사례분석 대상

분석대상 분야는 유해생물제어(hazard control of organism), 수 산 환 경 복 원 (environment restoration), 그리고 어군탐색(fish cluster detect) 분 야이다(Table 3 참조). 이 세 가지 소분류 분야는 수산과학기술 분야의 대분류 기준으로는 각각 수산환경과 어업생산에 해당하는 분야이다⁵⁾. 유해 생물제어 및 수산환경복원 분야는 해당 기술분야 의 정의에 따르면 대체로 생명체적인 유기적인 특성이 강하다. 어군탐색 분야는 상대적으로 유 기적인 특성과 무기적인 특성이 혼합되어 있다.

 본 연구에서 사용한 원자료(raw data)는 Bark, et al.(2013)에서 추출한 것이다. 수산과학기술 분야 전체 전문가 총 895명으로 구성된 전문가 패널을 활용한 전문가용 설문응답 방식을 통하여 최종적으로 191명의 복수응답을 통해 447개 의 설문응답을 달성하였다. 이 중 본 연구의 사 례 분석대상인 세 분야에 대한 응답 수는 각각 70, 70 및 40개이다(Table 4 참조).

 주요 설문항목의 내용은 우선 평가대상의 기 술보유 주체를 한국과 최고기술보유국가로 정 했으며, 조사시점은 2013년(현재)과 2016년(3년 후), 그리고 이론적 상한치 도달시점이다. 응답 내용의 정확도를 높이기 위해서 응답자의 전문 도와 응답 기술분야의 상대적인 중요도에 대한 설문을 포함하였다⁶⁾. 또한 응답 해당기술의 기 술수명 주기상의 단계를 선택하도록 하였다. 기술수준에 대한 응답은 해당기술의 수명주기상 이론적인 한계값을 100으로 설정할 경우 각각의 해당 기술수준은 어느 값에 해당하는지를 적도록 하였다.

5) 분류체계의 결정과정에 대해서는 Bark, et al.(2013)의 제3장(pp.12－19) 및 부록B(pp.165－170)를 참조하면 된다. 5차에 걸친 수산과학기술 분야 전문가 패널 검토를 거친 후에 관계기관 공동회의를 거쳐 최종 확정을 하였으며 소요기간은 2012년 10월부터 2013년 2월까지 약 4개월이다.
6) 해당 분야에 대한 전문가 응답의 전문도는 10점 척도 기준으로 모두 9점 이상으로 비교적 높은 것으로 파악되었다. 세 분야의 수산과학기술 분야에서 차지하는 상대적인 중요도는 5점 척도 기준으로 각각 3.8, 4.3 및 3.3이었다.

Ⅳ. 성장곡선 모형 분석

1. 분석개요

 이 연구에서 사용한 성장곡선모형 적용 및 결 과 분석도구는 통계 소프트웨어인“R”이다⁷⁾. 이는 비선형 형태의 기술성장곡선 모형을 실제 의 자료에 적용하는 데에 적합한 도구로서 이를 활용하여 우선 전문가 패널의 응답 자료를 Logistic, Log-Logistic, Log-Normal, Gompertz, Weibull 5개 성장곡선 모형들에 적용하여 각 곡 선모형의 모수를 추정하였다⁸⁾. 그리고 해당 수 산과학기술 3개 소분류 분야인 유해생물제어, 수산환경복원 및 어군탐색 분야별로 각각의 기 술성장곡선 모형에 대한 모수를 비선형회귀분 석을 통해 추정한 후 성장곡선 모형이 자료에 적 합한지 추정 결과에 대한 적합성 여부를 검정하 였다 ⁹⁾.

 적합성 여부의 정도는 적합결여 검정(lack-offit test)에 서 얻은 Akaike 정보 기준 지수 (Akaike’s Information Criterion: AIC)값과 추정 잔여표준오차(estimated residual standard error)를 토대로 한 p-value를 통해 판단한다. AIC는 적용 모형의 결과를 설명력과 간명성의 측면에서 나 타내는 지수이다. 모형의 적용 결과를 비교할 때 독립변수가 많은 모형이 설명력 면에서 유리하 기 때문에 이를 상쇄하는 측면에서 모형의 간명 성(혹은 절약성)을 동시에 살펴보는 것이다. 두 측면의 종합적 지수인 AIC 값이 낮을수록 해당 성장곡선 모형의 적합도가 상대적으로 더 적절 한 것으로 해석한다. 또한 p-value가 높을수록 통 계적 관점에서 해당 성장곡선 모형의 적합도가 상대적으로 더 적절한 것으로 해석한다¹⁰⁾.

2. 분석 결과

수산과학기술 분야 중 성장곡선 배경 및 이론 이 상대적으로 적합하게 적용될 것으로 판단한 소분류 기준 세 분야에 대한 각각의 성장곡선 모 형 모수의 추정값과 추정된 모수값을 적용한 모 형들의 적합성 여부는 Table 5에서 보는 것과 같 다. 우선 각각의 모형에 대한 모수추정의 통계적 유의성은 모수 추정값에 대한 p-value가 모두 0.00에 가깝게 나타나 유의하였다. 추정 곡선모 형의 적합성 여부는 두 가지 특성을 보였다. 하 나는 대체로 한국의 경우에 적용한 곡선모형의 적합성 여부가 최고기술보유국의 경우에 비해 상대적으로 다소 유의성이 높았다¹¹⁾. 또한 최고 기술보유국 및 한국의 두 경우 모두 5개의 성장 곡선 모형의 적합성 여부는 대체로 적합하였다. 다만, 그동안 기존의 연구에서 공통적으로 사용 되어 온 Gompertz 모형의 적합도 여부가 다른 모 형들의 경우에 비해 상대적으로 통계적 유의성 이 낮았다. 다른 비대칭 비선형 모형인 Weibull 모형의 적합도 여부에 대한 p-value는 Gompertz 모형의 그것에 비해 상대적으로 높았다. 그 이유 는 Weibull 모형의 경우, 변곡점의 위치 설정이 상대적으로 유연하기 때문인 것으로 보인다. 그 러나 5개 모형 모두 통계적으로는 적합성이 유 의한 것으로 판명되었다.

 분석대상 세 분야 중 2013년 현재 기준 최고기 술보유국과 우리나라의 기술수준이 상대적으로 높은 분야는 어군탐색 분야이다. 최고기술보유 국의 기술수준 추정값은 77.7〜85.0이며, 같은 시기 우리나라의 수준 추정값은 58.5〜67.5이다. 상대적으로 가장 낮은 분야는 수산환경복원 분 야이다. 각각 최고기술보유국은 64.0〜72.3, 우 리나라는 44.4〜51.9이었다. 유해생물제어 분야 의 경우에는 최고기술보유국이 71.3〜75.3, 우리 나라가 47.4〜53.7이다(Table 6 참조¹²⁾).

7) 본 연구에서는 R 통계패키지 사용에 관한 내용은 R Package, Version 3.1.1 (http://www.R-project.org)를 참조하였다.
8) 5개의 성장곡선 모형을 비교분석하는 연구는 이 연구가 국내에서는 처음이며 그동안 과학기술 분야에 대한 성장곡선 모형 적용은 거의 모두 Logistic 모형과 Gompertz 모형의 경우이었다(이 논문 Table 2 참조).
9) 추정 곡선모형의 적합성 검정은 정확하게 표현한다면 적합성 결여 검정(lack of fit test)이라고 할 수 있다. 즉,
적합성 결여를 대안가설(HA)로 설정하여 대안가설이 채택되지 않는 경우 적합한 것으로 판단하는 것이다.
10) Ritz & Strebig, 2013, pp.97–98.
11) 전문가 패널의 응답에 의하면 유해생물제어, 수산환경복원 및 어군탐색 분야의 최고기술보유국가는 각각 미
국, 미국 및 노르웨이인 것으로 나타났다.
12) 2020년의 기술수준을 예측하는 배경은 국립수산과학원(NIFS)은‘세계 일류 수산연구기관’으로의 도약을 위한 구체적인 목표로‘2020년 선진국 대비 90% 수산과학 기술력 확보’라는 목표를 설정한 것에 따른 것이다(Cho, et al., 2010, p.205). 2010년의 기술수준 추정(시뮬레이션) 시도는 Bark, et al.(2013)에서는 전문가 패널조사를 당시의 현재 시점(2013년)과 향후 3년 후(2016년)에 국한하여 실시한 것에 대한 검토 차원이다.

 3년 후인 2016년에는 최고기술보유국의 경우 어군탐색 88.2〜93.2, 수산환경복원 78.5〜83.3, 유해생물제어 81.5〜83.1로 분석되었으며, 우리 나라의 경우에는 각각 75.0〜78.2, 수산환경복원 60.8〜62.2, 유해생물제어 63.5〜64.9로 분석되 었다.

 Table 7은 Table 6에서 보인 해당기술 분야 각 각의 기술수준 값에 대응하는 기술의 발전단계 를 나타낸 것이다. 어군탐색 분야의 경우, 최고 기술보유국은 2013년까지 확장기를 거쳐 2020 년에는 성숙기 말기에 도달하는 것으로 추정된 다. 우리나라의 경우에는 2016년까지 확장기를 거쳐 2020년에는 성숙기에 돌입할 것으로 보인 다. 수산환경복원 분야에서는 최고기술보유국 의 경우 2016년 확장기를 지나 2020년에는 성숙 기에 돌입할 것으로 보이며, 우리나라의 경우에 는 2016년에 확장기 초기를 거쳐 2020년에는 성 숙기 초기에 돌입할 것으로 보인다. 유해생물제 어 분야에서는 최고기술보유국은 2016년 성숙 기 초기에 돌입하여 2020년에는 성숙기 중기에 도달할 것으로 보인다.

  우리나라의 경우는 2020년까지 성숙기 초기 에 도달할 것으로 보인다. 분석결과 세 분야의 기술변화의 속도를 가장 보수적으로 추정하는 모형은 Gompertz 모형인 것으로 나타났다. 2013 년 기준으로 이전의 기술수준 추정평가 결과가 다른 추정모형의 적용에 비해 상대적으로 높게 나타났으며, 2013년 이후부터는 상대적으로 낮 게 예측되어 기술변화의 속도가 상대적으로 가 장 늦은 것으로 분석되고 있다.

 이러한 분석 결과는 성장곡선 모형의 적용시 Gompertz 모형을 활용하는 경우에는 향후의 기 술수준 예측값이 상대적으로 절하될 수 있음을 시사한다. 또한 같은 비대칭 모형 중의 하나인 Weibull 모형을 적용할 경우, 대칭 모형들의 추 정 기술수준 값에 비교적 근사하면서 Gompertz 모형 적용 경우에 비해 변화의 폭이 상대적으로 큰 것으로 분석된다(Fig. 4부터 Fig. 9까지 참조).

 Fig. 4와 Fig. 5는 각각 유해생물제어 분야에서 의 최고기술보유국과 우리나라의 기술수준의 변화 형태를 2005년부터 2025년까지 5개 모형별 로 추정하여 본 것이다. 왼쪽부터 오른쪽까지의 각각의 점들은 2010, 2013(현재), 2016 및 2020년 특정시점에서의 모형별 기술수준 추정값을 나 타낸 것이다. Fig. 6과 Fig. 7은 수산환경복원 분 야의 경우이며, Fig. 8과 Fig. 9는 어군탐색 분야의 경우이다.

세 분야에 대한 5개 성장곡선 모형별 추정결 과 비교에 따르면 두 가지 특징이 발견된다. 하 나는 최고기술보유국의 경우가 우리나라의 경 우에 비해 모형별 추정결과의 편차가 상대적으 로 큰 것으로 보인다. 다른 하나는 세 분야 중 유기적 특성이 상대적으로 약한 어군탐색 분야의 경우에는 모형별 편차의 크기가 더욱 크다.

Ⅴ. 결 론

 성장곡선 모형의 적용은 유기적인 특성을 지 니는 대상에 대한 시도로부터 시작이 되었다 (Panik, 2014). 따라서 성장곡선 모형의 적용 가 능성에 대한 시도는 실증연구에서도 유기적 성 격이 강한 기술분야에 대한 사례연구로부터 우선되어야 한다. 수산과학기술 분야 중 유해생물 제어, 수산환경복원 및 어군탐색 세 분야의 경우 는 유기적인 성격이 상대적으로 강하다. 따라서 성장곡선 모형의 적용 가능성 및 적절성이 상대 적으로 높은 분야이다. 유해생물제어, 수산환경복원 및 어군탐색 세 분야를 대상으로 5개의 성장곡선 모형의 적용 결과 형태모수와 위치모수의 추정 값에 대한 통 계적 유의성은 모두 통과하였다. 또한 추정된 모 수를 적용한 모형의 적합도에 대한 통계적 유의 성도 모두 통과되었다. 모형의 적합도에 관한 모 형별 비교분석 결과 대칭 변곡점의 특성을 지닌 Logistic, Log-Logistic 및 Log-Normal 모형과 비 대칭 변곡점의 특성을 가지면서 변곡점에 대한 제약이 유연한 Weibull 모형이 상대적으로 Gompertz 모형에 비해서 적합도 검정 결과가 양 호한 것으로 나타났다.

 5개의 성장곡선 모형을 적용한 결과, 분석대상 기간인 2010년부터 2020년 사이에 기술수준 이 상대적으로 높은 분야는 최고기술보유국 및 우리나라 모두 어군탐색 분야인 것으로 분석되 었다. 최고기술보유국의 기술수준은 2016년에 이론적 상한값(100) 대비 90에 이르게 되며 기술 의 발전단계로는 성숙기 중반에 도달하여 이후 2020년까지는 쇠퇴기 직전 단계까지 발전할 것 으로 예측된다. 따라서 최고기술보유국의 이 분 야 기술은 이미 차세대 기술의 적용 단계로 이동 할 가능성이 크다고 생각된다. 대조적으로 우리 나라의 해당 분야 기술수준과 발전단계는 2016 년까지 80에 다소 못 미치는 확장기 중반 단계에 머물 것으로 보여 최고기술보유국과의 기술차 이(격차)는 질적인 측면에서 상당히 큰 것으로 추정이 된다.

 어군탐색 분야에 이어 기술수준이 다음으로 높은 분야는 최고기술보유국 및 우리나라 모두 유해생물제어 분야이며, 수산환경복원 분야의 기술수준이 최고기술보유국 및 우리나라 모두 상대적으로 가장 낮은 것으로 분석되었다. 수산 환경복원 분야의 기술발전(변화)의 속도는 유해 생물제어 분야에 비해 상대적으로 빨라서 최고 기술보유국과 우리나라의 경우 모두 2020년에는 두 분야의 기술수준 및 발전단계가 거의 비슷해 질 것으로 분석되었다. 그러나 두 분야의 경우, 최고기술보유국의 기술수준 및 발전단계는 2020년까지 90을 상회하여 성숙기 중반 단계까 지 이동할 것으로 보이는 반면, 우리나라의 경우 는 80 정도로서 성숙기 돌입 직전단계에 머물 것 으로 보인다. 결론적으로 이 두 분야의 경우에도 최고기술보유국의 경우에는 2020년 이전에 다 음 세대의 기술단계로 이동할 것으로 보인다.

 성장곡선 모형을 통한 동태적 접근방식의 기 술수준평가는 기존의 기술수준평가가 다루지 못한 시간의 흐름에 따른 차세대 기술 단계로의 상향이동을 감지할 수 있다. 또한 기술변화의 속 도와 방향에 대한 평가대상 주체별 추정을 가능 하게 하여 추정결과를 비교·분석할 수 있다. 따 라서 해당 기술 분야의 기술수준 향상을 위한 시 책을 세우고 추진하기 위한 기본적이고 일차적 인 정보를 제공할 수 있다. 또한 신기술의 발굴 이나 개발을 유도하는 데에 유효한 자료로서 활 용될 수 있다.

 이 연구는 기존의 기술수준평가 실증연구에 서는 적용이 시도되지 않았던 Weibull 모형이 Gompertz 모형 못지않은 추정결과를 보여 주었 음을 입증하였다. 이것은 기존의 사례연구들이 모두 공통적으로 Gompertz 모형만을 적용한 것 에 대한 새로운 가능성을 제시한 것이다. 특정 평가대상 기술의 속성이나 특성에 따른 기술의 변화 형태는 다양할 수 있다. 향후 기술의 특성 별로 적용이 가장 적합한 성장곡선 모형을 찾아 내는 노력이 요구된다.

 마지막으로 기술의 변화는 기술 자체의 특성 에 따른 것이기는 하지만, 해당 기술의 관련 주 체가 위치한 환경, 제도, 정책 및 전략 등에 따라 서 형태모수와 위치모수의 값은 다양하게 추정 될 수 있다. 따라서 다양한 모수 추정값을 결정 하는 인자들은 실질적으로 어떤 것이며, 이러한 인자들의 영향력은 시간의 흐름에 따라 어떻게 변화하는지에 대한 심층적이고 체계적인 연구 가 궁극적으로 필요하다. 이러한 연구의 결과는 최종적으로 기술수준의 향상 및 새로운 기술의 개발 시책에 실효성 있는 대안을 제시할 수 있을 것이다.