스마트공장 지원 정부사업의 경제적 정책효과 분석

1. 서 론

4차 산업혁명과 함께 지능형 정보기술의 발달에 따라 공장의 자동화 라인과 빅데이터를 활용하여 생산을 효율적으로 운영하는 스마트공장의 도입이 증가하고 있다. 스마트공장이란 모든 생산과정을 정보통신 기술로 통합한 첨단 지능형 공장으로, 최소 비용과 시간으로 고객 맞춤형 제품을 생산할 수 있다는 장점이 있다. 이에 따라 정부는 4차 산업혁명 시대를 선도하기 위해 스마트공장 보급 및 확산을 지원하고 있다. 먼저 ‘제4차 과학기술 기본계획’을 5년간(2018∼2022) 수행하였으며, 초연결 네트워크 기반구축으로 개방형 플랫폼을 활용한 혁신 생태계를 구축하고자 하였다. 또한, 4차 산업혁명위원회는 2018년 ‘스마트 공장 확산 및 고도화 전략’을 발표하여 스마트제조 혁신을 통해 중소 제조기업의 경쟁력을 강화하는 정책을 제시하였다. 중소기업벤처부와 산업통상자원부는 2018년 ‘중소기업 스마트 제조혁신 전략’을 통해 중소기업 스마트공장 3만개를 구축하여 중소기업 제조강국을 실현하겠다는 비전을 발표하였다.

매년 구축된 스마트공장의 양적증대에 따라 이에 대한 성과를 객관적으로 조사하고 사후관리 방안을 도출하는 연구가 진행되고 있다. 기존 연구들은 주로 생산성과 품질 향상 등의 공정개선과 고용 및 매출액 증가에 대한 경영개선 성과를 살펴보았다. Son and Choi(2022)은 생산 효율적 측면에서 스마트공장이 긍정적인 효과가 있으며, 유지를 위해 실무현장의 교육 필요성을 강조하고 있다. Kang and Cho(2018)는 정부의 스마트 공장 구축 지원사업이 경영성과에 미치는 효과를 분석하였고, 2년 후부터 매출액 증가율이 비지원 기업보다 더 큰 것으로 나타났다. Kim et al.(2019)은 스마트화 수준이 공장의 생산성 성과지표에 어떤 영향을 미치는지 추정한 결과, 생산품의 1일 생산량, 제품불량률에서 개선효과가 있는 것으로 나타났다. 하지만 짧은 기간을 대상으로 하여 장기적인 생산성 증가 효과를 검증할 수 없었다는 한계점이 있었다. 또한 스마트공장이 여러 산업과 연계된 부가가치를 창출하고 있다는 점에도 불구하고 경제적 파급력과 타 산업과의 연관관계를 분석한 연구는 전무한 실정이다.

따라서 본 연구는 스마트공장 보급·확산사업에 참여한 16,325개 스마트공장 도입기업을 대상으로 두 가지 경제적 파급효과 분석을 수행한다. 첫째, 스마트공장 도입기업의 성장률, 비중, GDP 대비 기여도 수치를 구하여 이들의 전반적인 현황과 국내 경제에 어느 정도 기여하고 있는지를 살펴본다. 이를 통해, 국내 GDP 성장에 어느 산업이 중요한 역할을 해왔는지 분석하고 스마트공장 도입기업의 위치를 확인할 수 있다. 둘째, 산업연관분석을 적용하여 스마트공장 도입기업의 생산·부가가치·고용 유발계수와 산업 간 연관관계를 살펴본다. 이를 위해, 스마트공장 도입기업들이 속한 산업을 고려하여 재분류하고 한국은행의 산업연관표를 활용한다.

본 연구의 구성은 다음과 같다. 제1장에서는 연구 목적을 소개하고 제2장에서는 GDP기여도 분석 및 산업연관분석을 활용한 기존의 선행연구를 살펴본다. 제3장에서는 본 연구에 적용한 GDP 기여도 분석 방법과 산업연관분석 모형에 대해 설명한다. 제4장에서는 GDP 기여도 분석과 산업연관분석 결과를 살펴본 후 마지막으로 제5장에서 본 연구의 결론과 스마트공장 도입기업의 경쟁력 강화를 위한 시사점을 제시한다.

2. 선행연구

3. 분석 방법

본고의 경제적 정책효과 분석은 스마트공장 보급·확산사업 도입기업의 거시경제적 효과를 파악하기 위한 분석을 의미하며, GDP 기여도 분석과 산업연관분석으로 구분할 수 있다. GDP 기여도 분석으로 스마트공장 도입기업의 전반적인 현황과 국내 경제에 어느 정도 기여하고 있는지를 GDP와 제조업과 비교한다. 산업연관분석은 다양한 산업 분야에서 주고받는 영향을 파악하는 수단으로, 스마트공장 도입기업의 경제적 파급효과를 분석하고자 한다.

3.2 산업연관분석 방법

정부 사업으로 지원받은 스마트공장을 도입기업으로 인한 파급효과를 산업연관분석을 통해 파악하였다. 산업연관분석이란, 한 국가 경제에 존재하는 서로 다른 산업 간의 상호의존관계를 수량적으로 분석하는 방법을 의미한다. 이 방법은 산업간 주고받는 영향을 파악할 수 있다는 장점을 지니며, 다양한 산업 분야에서 경제적 파급효과를 알아보기 위한 수단으로 활용되고 있다(Ryu and Jeong, 2022). 본 연구에서 산업연관분석은 (1) 산업 재분류 및 통합 단계, (2) 양비례조정법(RAS)을 통한 2021년 산업연관표 작성 단계, (3) 수요유도형 모형과 전후방연쇄효과 분석을 통한 파급효과 도출 단계로 진행된다.

(1) 산업 재분류 및 통합

산업연관분석을 위해 고려해야 할 사항은 경제적 함의를 어느 수준에서 도출하고 이에 따라 부문을 어떻게 통합 또는 분류하느냐 결정하는 것이다(Lee et al., 2014). 공식통계로 발표된 투입산출표(Input-Output Table)는 ｢상품×상품｣ 행렬 형식의 통계표로 스마트폰, 자동차와 같이 소비자가 거래하는 단위인 재화와 서비스의 표준분류로 작성되어 있다. 이때, 정형화된 분류이므로 다양한 분야와 특정 목적에 모두 부합하기 어려운 한계점이 있다. 381개 내외 부문분류를 갖고 있는 투입산출표의 기본부문으로 분석하는 경우, 내생부문 행렬이 크기 때문에 행렬 연산과 결과 해석에 어려움이 있으며 차원이 큰 행렬의 연산 결과를 이용하면 함의를 찾기가 쉽지 않다.

Table 1.

Linkage between Korean Standard Industrial Classification and Industry Association for Smart Factory Adopters

스마트공장 도입기업의 업종은 통합대분류 30개로 부문분류 개수 중 90%를, 제조업에서 100%를 차지한다. 일부분 산업끼리 통합할 수 있지만, 대부분의 산업부문이 많이 통합된 표라면 투입산출표가 갖는 다부문에 기반한 경제분석의 장점이 약화된다. 이런 이유로, 산업연관표 재분류 방법은 ‘통합대분류 투입산출표에서 분석 대상인 특정 부문들을 분리하는 방식’을 활용한다. 해당 방식은 분석 대상인 특정 부문들을 도출하는 방식으로, Hong et al.(2019)은 스마트 팜 산업을 재분류하였고, Ryu and Jeong(2022)는 로봇산업 특수분류체계표를 근거로 서비스 로봇산업을 재분류하여 경제적 파급효과를 분석하였다.

본 연구에서도 새로운 스마트공장 도입기업으로 구성된 부문 분류를 도출하기 위해 투입산출표의 행과 열을 통합하였다. 다음과 같이 3개 부문으로 구성된 원래의 행렬 Z를 예로 들어 부문 통합 방법 수식을 나타내면 다음 식 (2)와 같다(Kim, 2021).

$\[ Z=\left[\begin{array}{ccc}{z}_{11}& z_{12}& z_{13}\\ z_{21}& z_{22}& z_{23}\\ z_{31}& z_{32}& z_{33}\end{array}\right] \]$

(2)

원래 행렬에서 부문 1과 부문 2를 통합한다면, Z의 제1열과 제2열을 더한 후 다시 1차 통합된 행렬로부터 제1행과 제2행을 더하여 최종적인 행렬을 구한다. 이 방법을 통하여 Z의 부문 1과 부문 2를 통합한 행렬을 Z*로 표기하고 Z*의 원소 z^*_ij로 구성된 행렬을 다음 식 (3)과 같이 나타낼 수 있다(Kim, 2021).

$\[ Z^{*}=\left[\begin{array}{cc}{z}^{*}{}_{11}& z^{*}{}_{12}\\ z^{*}{}_{21}& z^{*}{}_{22}\end{array}\right]=\left[\begin{array}{cc}{z}_{11}+z_{12}+z_{21}+z_{22}& z_{13}+z_{23}\\ z_{31}+z_{32}& z_{33}\end{array}\right] \]$

(3)

본 연구에서 산업연관표 재분류 방법은 총 3단계로 이루어진다. 첫 번째 단계는 10차 한국표준산업분류의 중분류 업종코드와 산업연관표 통합중분류 및 통합대분류와 연계한다. 한국표준산업분류, 국제표준산업분류, 수입품목분류 등 각종 분류 체계는 통계 자료 작성에 활용되며, 국내 산업 통계는 한국표준산업분류에 따라 각 산업별 고용, 매출 등의 통계 자료가 작성된다(Park, 2022). 그리고 산업연관표는 모든 산업의 전체 경제 활동을 파악하기 위하여 국가 경제에서 일어난 재화나 서비스 거래를 하나의 표로 나타낸 것을 의미하며, 이를 기초로 국가 경제의 움직임이나 연관 관계를 규명할 수 있다(Leontief, 1936). 스마트공장 도입기업의 59가지 한국표준산업분류 중분류 업종코드와 산업연관표의 분류와 연계하여 향후 분석을 위한 스마트공장 도입기업의 부문을 확인한다.

두 번째 단계는 스마트공장 도입기업의 부문을 설정하고, 각 부문별 비율을 도출한다. 최종적으로 해당 분석에서 세분화하고자 하는 스마트공장 도입기업의 부문은 비제조업까지 포함하여 총 30개 부문으로 전체 산업연관표 통합대분류의 90%를 차지한다. 본 분석에서는 30개 스마트공장 도입기업 부문들을 통합하여 하나의 스마트공장 도입기업 부문을 추가하기 위해, 각 부문별 스마트공장 도입기업의 매출액 비율을 이용한다. 각 부문별 매출액 비율은 2019년 통계청 전국사업체조사에서 산업중분류별 매출액과 스마트공장 도입기업의 매출액 비중을 적용하여 산정하였다.

마지막 세 번째 단계는 최종 수정된 산업연관표 도출하는 것이다. 최종적인 스마트공장 도입기업 세분화 산업연관표의 부문분류는 스마트공장 도입기업 내역과 그렇지 않은 부문으로 구분될 수 있다. 기존 33개 부문인 산업연관표에서 ‘스마트공장 도입기업’을 추가하여 총 34개 부문으로 수정된 산업연관표를 도출한다.

(2) 양비례조정법(RAS)을 통한 2021년 산업연관표 작성

양비례조정법(biproportional adjustment method; 도출하는 식의 표기를 따서 ‘RAS’라고 명칭)이란, 기준 시점의 투입계수행렬을 이용하여 비교 시점의 투입계수행렬을 예측하는 데 이용하는 수학적 방법론을 의미한다. RAS 방법을 적용하기 위해서는, 기준 시점의 투입계수행렬, 비교 시점에서의 부문별 중간수요계와 중간투입계, 총산출액이 존재하여야 한다. 본 분석의 기준시점은 2019년 수정된 산업연관표(스마트공장 도입기업 포함)이고, 비교시점은 2020년 및 2021년으로 설정한다(<Figure 1>).

Figure 1.

Input-Output Tables for RAS Analysis

비교시점의 투입계수행렬 도출 수식은 다음 식 (4)와 같다(Stone, 1963; Bank of Korea, 2014; Kim, 2021).

$\[ A_1=Z^{\left(5\right)}\left(\hat{X}\right)-1={\hat{R}}^{\left(2\right)}{\hat{R}}^{\left(1\right)}{A}_0{\hat{S}}^{\left(1\right)}{\hat{S}}^{\left(2\right)}=\hat{R}{A}_0\hat{S} \]$

(4)

여기서, A₁는 비교 시점의 투입계수행렬, Z⁽ⁿ⁾는 비교 시점에서의 중간재 거래 행렬, $$ {\widehat{X}}_1$$는 비교 시점의 총산출액 벡터의 대각행렬, $$ {\widehat{R}}^{\left(n\right)}$$는 n차 행수정계수 벡터의 대각행렬, $$ {\widehat{S}}^{\left(n\right)}$$는 n차 열수정수 벡터의 대각행렬을 의미한다.

양비례조정법을 통한 2021년 산업연관표 작성은 두 단계를 통해 이루어진다. 첫 번째 단계는 비교 시점 추계를 위한 연도별 증가율 도출한다. 비교 시점(2021년)의 값들을 추계하기 위해, ① 스마트공장 도입기업의 증가율은 한국기업데이터로부터 추출한 2019년부터 2021년까지의 전체 스마트공장 도입기업의 매출액 증가율을 이용하고, ② 다른 구분들은 관련 산업의 2019년부터 2021년까지의 매출액 증가율을 활용한다. 두 번째 단계는 비교 시점의 총산출액, 중간수요계, 중간투입계 도출한다. 증가율을 이용하여 2019년 산업연관표의 총산출액으로 2021년 산업연관표의 총산출액을 추정한다. 그 결과, 2021년 추정 산업연관표의 총산출액은 2019년 총산출액보다 14.18% 증가한 값으로 나타났다. 비교시점의 산업연관표 중간수요계는 총산출액과 마찬가지로 매출액 배분비율로 각 부문별 중간수요계를 도출한 후, 증가율을 이용하여 추정하였다. 중간투입계의 합계는 중간수요계의 합계와 동일하며, 중간투입계 값은 기존 값과 총산출 값 간의 비율로 계산하였다.

(3) 수요유도형 모형과 전후방연쇄효과 분석을 통한 파급효과 도출 방법

스마트공장 도입기업의 파급효과 분석 결과는 ① 수요유도형 모형 기반 생산, 부가가치, 고용 유발효과와 ② 전후방연쇄효과 분석 기반 타 산업과의 연관관계로 구분된다. 수요유도형 모형 분석이란, 스마트공장 도입기업이 국내 경제에 미치는 파급력을 생산, 부가가치, 고용 측면에서 측정하며 각각 수식은 다음 식 (5), 식 (6), 식 (7)과 같다(Kim, 2021).

$\[ \mathrm{\Delta }{X}^e={\left(I-A^e\right)}^{-1}{A}_k^e\mathrm{\Delta }{X}_k \]$

(5)

여기서, ΔX^e는 생산유발효과, A^e는 투입계수행렬 A에서 K부문이 포함된 열과 행을 제외시킨 행렬, $$ A_k^e$$는 투입계수행렬 A에서 K부문을 나타나는 열벡터 중에서 K부문 원소를 제외한 열벡터, X_k는 K부문의 투자액을 의미한다.

$\[ \mathrm{\Delta }{W}^e={\hat{V}}^e{\left(I-A^e\right)}^{-1}{A}_k^e\mathrm{\Delta }{X}_k \]$

(6)

여기서, ΔW^e는 부가가치유발효과, $$ {\widehat{V}}^e$$는 부가가치계수의 대각행렬에서 K부문의 행과 열을 제외시키고 남은 행렬을 의미한다.

$\[ \mathrm{\Delta }{N}^e={\hat{n}}^e{\left(I-A^e\right)}^{-1}{A}_k^e\mathrm{\Delta }{X}_k \]$

(7)

여기서, ΔN^e는 고용유발효과, $$ {\widehat{n}}^e$$는 고용유발계수의 대각행렬에서 K부문의 행과 열을 제외시키고 남은 행렬을 의미한다.

전후방연쇄효과분석이란, 스마트공장 도입기업의 최종수요 증가가 전 산업부문에 미치는 연관관계를 ‘감응도’와 ‘영향력’ 정도로 측정하여 판단하는 방법론이다. 전방연쇄효과는 영향력 계수를 이용하며 특정 부문의 산출물이 여타 부문의 생산활동을 위하여 중간재로 판매된 정도를 측정한다. 후방연쇄효과는 감응도 계수를 이용하며 특정 부문이 생산활동을 위하여 여타 부문으로부터 중간재를 구매한 정도를 측정한다(Kwon, 2020). 감응도계수(S)는 모든 산업부문의 생산물에 대한 최종 수요가 각각 한 단위씩 증가하였을 때 어떤 산업이 받는 영향으로 전방연쇄효과의 정도를 측정하며, 수식은 다음 식 (8)과 같다(Sin, 2019).

$\[ S=\frac{\sum _{j=1}^n{A}_{ij}}{\frac{1}{n}\sum _{j=1}^n\sum _{i=1}^n{A}_{ij}} \]$

(8)

여기서, n개의 산업 내 A_ij는 i번째 행산업과 j번째 열산업의 생산유발계수를 의미한다.

영향력계수(I )는 어떤 산업부문의 생산물에 대한 최종수요가 한 단위 증가하였을 경우 전산업부문에 미치는 영향으로 후방연쇄효과의 정도를 측정하며, 수식은 다음 식 (9)와 같다.

$\[ I=\frac{\sum _{i=1}^n{A}_{ij}}{\frac{1}{n}\sum _{j=1}^n\sum _{i=1}^n{A}_{ij}} \]$

(9)

여기서, n개의 산업 내 A_ij는 i번째 행산업과 j번째 열산업의 생산유발계수를 의미한다.

4. 경제적 정책효과 분석 결과

4.1 GDP 기여도 분석 결과

GDP 기여도 분석 결과 중 명목 GDP와 제조업 및 스마트공장의 명목 부가가치에 대한 추이는 <Table 2>에서 확인할 수 있다. 스마트공장 도입기업의 부가가치는 2021년까지 지원받은 전체 16,325개 기업에 대해 분석한 결과, 2014년 48.2조 원에서 2021년 74조 원으로 꾸준히 증가하고 있으며, GDP 대비 비중은 3.1%에서 3.6%로 상승했다. 연도별 누적으로 지원받은 스마트공장 부가가치는 2014년 0.9조 원에서 2021년 74조 원으로, 평균 GDP 대비 비중은 2014년 0.1% (275개 기업)에서 2021년 3.6% (16,325개 기업)으로 상승했다.

Table 2.

Trends of Nominal GDP and Value Added(Unit: KRW 1 trillion, %)

GDP 기여도 분석 결과 중 실질 GDP와 제조업 및 스마트공장의 실질 부가가치에 대한 추이 그리고 성장률은 <Table 3>에서 확인할 수 있다. 2014년부터 2021년까지 도입기업의 부가가치 평균 성장률은 5.6%로 GDP 평균 성장률(2.6%)과 제조업 평균 성장률(2.6%)보다 높게 나타났다. 이때, 스마트공장 도입기업이 2021년 성장률 -0.9% 하락하였으며, 이 원인은 코로나와 인플레이션으로 인한 재고상승으로 볼 수 있다. 2020년 코로나19에 따른 충격이 소비 부진에 큰 영향을 미쳐 전체적인 GDP 성장률이 하락하였고 이는 재고를 증가시켜 차년도의 생산 활동이 줄어들었다. 소비 부진으로 기업의 제품 재고가 늘어나면서 스마트공장 도입기업의 2021년 재고에 대한 투자가 전년도보다 줄어들어 부가가치 성장률 감소에 영향을 미쳤다.

Table 3.

Trends in Growth Rate of Companies Introducing Smart Factories (Unit: KRW 1 trillion, %)

스마트공장 도입기업의 GDP 성장기여도는 <Table 4>에서 확인할 수 있다. 국민경제에 스마트공장 도입기업의 국내 경제성장 기여도는 평균 0.2%p로, 타 제조업 분야(컴퓨터, 전자 및 광학기기 제조업 제외)보다 높게 나타났다. 제조업 중분류 업종의 GDP 성장기여도는 컴퓨터, 전자 및 광학기기 제조업(0.5%p)이 가장 높으며, 화학물질 및 화학제품 제조업과 기계 및 장비 제조업(0.1%p) 순으로 높게 나타났다.

Table 4.

Contribution to GDP of Manufacturing and Smart Factory

4.2 산업연관분석 결과

(1) 산업 재분류 및 통합 결과

산업 재분류 및 통합을 위해 스마트공장 도입기업의 부문을 설정하고, 각 부문별 스마트공장의 매출액 비율을 한국표준산업분류 중분류 업종코드 기준으로 도출하였다(<Table 5>). 그 결과, 제조업에서 스마트공장 도입기업이 배분받는 대상부문은 음식료품(23.52%), 섬유 및 가죽제품(11.18%), 목재 및 종이, 인쇄(33.88%), 석탄 및 석유제품(0.36%), 화학제품(19.47%), 비금속광물제품(21.31%), 1차 금속제품(10.86%), 금속가공제품(47.90%), 컴퓨터, 전자 및 광학기기(7.22%), 전기장비(27.45%), 기계 및 장비(40.14%), 운송장비(18.56%), 기타 제조업 제품(27.40%), 제조임가공 및 산업용 장비 수리(6.61%)가 있다. 비제조업에서 스마트공장 도입기업이 배분받는 대상부문은 농림수산품(6.35%), 광산품(0.46%), 전력, 가스 및 증기(0.08%), 수도, 폐기물처리 및 재활용서비스(2.29%), 건설(1.07%), 도소매 및 상품중개서비스(0.79%), 운송서비스(0.12%), 음식점 및 숙박서비스(0.01%), 정보통신 및 방송 서비스(0.28%), 부동산서비스(0.03%), 전문, 과학 및 기술 서비스(0.18%), 사업지원서비스(1.03%), 기타 서비스(4.60%)가 있다.

Table 5.

Calculating the Proportion of Divisions Including Smart Factory Adopters(Unit: million won)

(2) 양비례조정법(RAS)을 통한 2021년 산업연관표 작성 결과

양비례조정법을 이용하는 이유는 2020년~2021년 산업연관분석을 수행해야 하지만 현재 산업연관표는 2019년까지 공개된 상태이다. 이런 데이터의 한계점으로 2019년 이후의 분석은 RAS 방법으로 성과를 추정하여 분석하였다. RAS 분석 후 중간투입계와 중간수요계를 모두 만족하는 중간재 거래 행렬을 도출하기 쉽지 않으므로 수렴조건은 0.000001로 설정하였다. 증가율을 이용하여 2019년 산업연관표의 총산출액으로 2021년 산업연관표의 총산출액을 추정한 결과, 2021년 추정 산업연관표의 총산출액은 2019년 산출액보다 14.18% 증가한 값으로 나타났다.

(3) 수요유도형 모형과 전후방연쇄효과 분석을 통한 파급효과 도출 결과

산업연관분석을 통해 산업별 생산·부가가치·고용유발계수를 도출하였다(<Table 6>). 생산유발계수 결과를 예로 들면, 스마트공장 도입기업에 대한 최종수요가 한 단위 발생하면 화학제품은 0.191단위만큼, 전문, 과학 및 기술 서비스는 0.115 단위만큼, 도소매 및 상품중개서비스는 0.117 단위만큼 순으로 생산이 유발되었다. 여기서 최종수요란, 공급된 상품이 어떤 산업의 중간재가 아닌 소비, 투자, 수출 등 최종재로 판매되는 내역을 의미한다. 최종수요가 1단위 증가할 때 이를 충족시키기 위해 각 산업에서 직·간접으로 유발되는 산출액의 크기를 나타내는 것을 생산유발계수라고 한다. 보통 최종수요 발생에 따른 국내 생산 파급효과만을 정확히 계측하기 위해 생산유발계수행렬이 사용된다(Gao et al., 2020). 즉, 최종수요 10억 원 증가에 따라 화학제품은 1.91억 원, 전문, 과학 및 기술 서비스는 1.15억, 도소매 및 상품중개서비스는 1.17억 생산유발액이 도출되었다. 2019~2021년간 연간 평균 스마트공장 도입기업의 전체 산업 생산유발계수는 2.92, 부가가치유발계수는 1.00, 고용유발계수는 7.7(명/10억 원)로 추정되었다.

Table 6.

Production, Value-added, and Employment Inducement Coefficients(year=2021)

스마트공장도입기업을 제외한 생산유발계수·부가가치유발계수·고용유발계수의 연도별 합계를 도출한 결과는 다음과 같다. 생산유발계수의 연도별 합계는 2019년 1.670, 2020년 1.523, 2021년 1.873으로 나타났다. 2019-2021년 기간에 스마트공장도입기업이 100억 원에 소비·투자·수출하였을 경우 타 산업에서 창출되는 3년간 생산이 약 506.6억 원, 3년간 부가가치는 약 193.6억 원, 고용은 약 164명에 달하는 것으로 추정되었다(<Table 7>).

Table 7.

The Ripple Effect of Companies Introducing Smart Factories (when Consuming, Investing, and Exporting KRW 10 billion)

스마트공장 도입기업의 최종수요 증가가 전 산업부문에 미치는 연관관계를 ‘감응도’와 ‘영향력’ 정도로 측정하여 판단하였다(<Table 8>). 그 결과, 스마트공장 도입기업의 2021년 영향력 계수는 1.2490, 감응도 계수는 2.2725로 모두 평균인 1보다 높은 것으로 나타났다. 스마트공장 도입기업 분야의 최종수요 증가가 전 산업부문에 미치는 영향력과 경기변동의 영향을 받는 정도 모두 타 산업분야에 비해 상대적으로 높다고 볼 수 있다.

Table 8.

Results of forward and backward chaining

5. 결론

본 연구에서는 스마트공장 도입기업이 국가 경제에 미치는 경제적 파급효과 정도를 파악하였다. 이를 위해, 2014년부터 2021년까지 스마트공장 구축사업으로부터 지원받은 스마트공장 도입기업의 성장률, 비중, GDP 대비 기여도 현황을 살펴보고 산업연관분석을 진행하였다. 도입기업의 국민경제 성장기여도를 구하여 국민경제가 성장하는데 어느 정도 중요한 역할을 해왔는지 분석했다. 그리고 산업연관분석을 위해 스마트공장 도입기업을 재분류하고, 한국은행의 2019년 산업연관표 연장표를 활용하여 수요유도형 모형, 전후방연쇄효과 분석을 수행하였다.

분석 결과를 살펴보면 다음과 같다. 첫째, 스마트공장 도입기업의 부가가치는 2014년 48.2조 원에서 2021년 74조 원으로, GDP 대비 비중은 3.1%에서 3.6%로 상승하였다. 그리고 국내 경제성장 기여도는 연평균 0.2%p로 나타났으며, 이는 ‘컴퓨터, 전자 및 광학기기 제조업’을 제외한 다른 제조업 산업보다 기여도가 높다. 둘째, 산업연관분석으로 2019년부터 2021년까지 스마트공장 도입기업의 3년간 타 산업에서 창출되는 생산유발효과는 약 506.6억 원, 부가가치유발효과는 193.6억 원, 고용유발효과는 약 164명으로 나타났으며, 스마트공장 도입기업의 유발계수가 제조업 중소기업보다 높은 것으로 볼 수 있다. 셋째, 전후방연쇄효과를 분석하여 스마트공장 도입기업의 감응도 계수와 영향력 계수를 도출하여 산업 구조를 파악하였다. 그 결과, 스마트공장 도입기업은 전방연쇄효과와 후방연쇄효과가 모두 평균 1보다 높은 핵심 산업인 것을 확인할 수 있었다.

본 연구 결과, 스마트공장 보급·확산사업에 참여한 기업의 GDP 기여 및 생산·부가가치·고용 파급효과 등에서 경제적 정책효과가 창출된 것으로 보았다. 스마트공장 도입기업은 산출물이 다른 생산 활동을 위해 중간재로 판매도 많으며, 다른 부분으로부터 중간재를 구매한 정도도 많은 핵심 산업으로 나타났다. 이는 여러 산업에 경제적 파급력이 있다고 볼 수 있으며 스마트공장 도입기업은 산업 전반에 긍정적인 영향을 끼치는 것을 확인하였다. 본 결과는 사업에 참여한 기업의 경제적 측면 정책효과를 살펴보는 방법을 도출하여 향후 국가 정책 개발의 방향성 제시에 시사점을 제공할 것으로 기대한다.

Acknowledgments

이 논문은 2023년 대한민국 교육부와 한국연구재단의 인문사회분야 중견연구자지원사업의 지원을 받아 수행된 연구임(NRF-2023S1A5A2A01075014).

References

• Bank of Korea (2014), Explanation of Input-Output Analysis, Bank of Korea.
• Benitez, G. B., Ayala, N. F., and Frank, A. G. (2020), Industry 4.0 Innovation Ecosystems: An Evolutionary Perspective on Value Cocreation, International Journal of Production Economics, 228, 107735. [https://doi.org/10.1016/j.ijpe.2020.107735]
• Choi, C. Y. and Min, Y. J. (2020), A Analysis of the Economic Effect of the Intelligent Information Technology Industry According to the 4th Industrial Revolution, Journal of Corporation and Innovation, 43(3), 123-137.
• Choy, J. L. C., Wu, J., Long, C., and Lin, Y. B. (2020), Ubiquitous and Low Power Vehicles Speed Monitoring for Intelligent Transport Systems, IEEE Sensors Journal, 20(11), 5656-5665. [https://doi.org/10.1109/JSEN.2020.2974829]
• Chung, S. I. and Park, H. (2021), The Influencing Factors of SME’s Acceptance Intention to Advance Smart Factory, Journal of Digital Convergence, 19(6), 199-211.
• Dalenogare, L. S., Benitez, G. B., Ayala, N. F., and Frank, A. G. (2018), The Expected Contribution of Industry 4.0 Technologies for Industrial Performance, International Journal of Production economics, 204, 383-394. [https://doi.org/10.1016/j.ijpe.2018.08.019]
• Gao, J. X., Yu, W., and Lee, H. J. (2020), The Analysis of Economic Effect Analysis of Media Industry by Input-out Table, Journal of Korea Culture Industry, 20(1), 21-31. [https://doi.org/10.35174/JKCI.2020.03.20.1.21]
• Hahm, H. J. (2017), A Study of Smart Factory Policy For ICT-Based, The e-Business Studies, 18(6), 363-380. [https://doi.org/10.20462/TeBS.2017.12.18.6.363]
• Hong, J. P., Kim, D., and Hong, S. J. (2019), National Economic Effects of Smart Farm: Using Input-output Analysis, Korean Industrial Economic Association, 32, 1313-1332. [https://doi.org/10.22558/jieb.2019.08.32.4.1313]
• Jeon, K. and Kang, C. (2008), How to Calculate Growth Contribution of a Chain Time Series, Quarterly National Account, 2008(4).
• Jung, K., Park, Y., Jin, H., and Lee, I. (2015), Analysis of ICT Industry: Situation and Its Direction, 14-115, KISDI.
• Kalsoom, T., Ramzan, N., Ahmed, S., and Ur-Rehman, M. (2020), Advances in Sensor Technologies in the Era of Smart Factory and Industry 4.0, Sensors, 20(23), 6783. [https://doi.org/10.3390/s20236783]
• Kang, J. S. and Cho, K. T. (2018), An Analysis of the Effect of Government Support on Automation and Smart Factory, Journal of Korea Technology Innovation Society, 21(2), 738-766.
• Kim, H. D., Lee, K. G., Yoon, J. W., and Youm, S. (2019), Effect of SMEs Business Conditions on Smart Factory Level, Korean Journal of Business Administration, 32(9), 1561-1579. [https://doi.org/10.18032/kaaba.2019.32.9.1561]
• Kim, I. S. (2020), A Study on the Success Cases of the German Automated Smart Factories, a Key Research Subject to the Fourth Industrial Revolution, and the Introduction of Smart Factories to Korea: Proposal of Policies and Strategies for the Construction of Smart Factories in Korea, The Review of Eurasian Studies, 17(3), 189-213.
• Kim, J. R. and Lee, S. J. (2020), Factors Affecting Technology Acceptance of Smart Factory, Journal of Information Technology Applications & Management, 27(1), 75-95.
• Kim, M. H., Jung, S. H., and Lee, C. G. (2019), Smart Policy Plan for the Smartization of Factories, KDI FOCUS, 97, 1-8.
• Kim, T. J. (2021), Input-Output Analysis using R, Seoul: Hannarae Academy.
• Kwon, T. H. (2020), Input-Output Analysis, Seoul: Chung Ram Publishing.
• Lass, S. and Gronau, N. (2020), A Factory Operating System for Extending Existing Factories to Industry 4.0, Computers in Industry, 115, 103128. [https://doi.org/10.1016/j.compind.2019.103128]
• Lee, H. D., Han, K. S., and Lee, S. H. (2014), A Study on the Segmentation of Fisheries Sectors in Korean Input-Output Tables and Application Plans, Korea Maritime Institute, 1-174.
• Lee, J. M., Kim, J. J., and Lee, Y. H. (2019), A study on Compilation and Analysis of 2015 Korean SME’s Input Output Table, Korea Institute for Industrial Economics & Trade, 1-197.
• Leontief, W. W. (1936), Quantitative Input and Output Relations in the Economic Systems of the United States, The Review of Economic Statistics, 105-125. [https://doi.org/10.2307/1927837]
• Park, C. (2022), A Study for Improvement a New Classification System of Shipbuilding Equipment Industry Reflecting the Technological Changes, Regional Industry Review, 45(1), 231-266. [https://doi.org/10.33932/rir.45.1.10]
• Ryu, S. E. and Jeong, I. J. (2022), Input-Output Analysis of Service Robot Industry, Journal of Korean Society of Industrial land Systems Engineering, 45(4), 142-149. [https://doi.org/10.11627/jksie.2022.45.4.142]
• Sin, Y. J. (2019), A Study on the Structure and Impact Analysis of the Core Components Industry of the 4th Industrial Revolution, The e-Business Studies, 20, 221-239. [https://doi.org/10.20462/TeBS.2019.8.20.4.221]
• Son, Y. J. and Choi, H. Y. (2022), A Study on Smart Factory Introduction Cases and Sustainable Effect, Journal of Practical Engineering Education, 14(1), 127-136.
• Stone (1963), A Programme for Growth: Input-Output Relationships 1954-1966, Department of Applied Economics University of Cambridge.
• Wilkesmann, M. and Wilkesmann, U. (2018), Industry 4.0–organizing Routines or Innovations? Journal of Information and Knowledge Management Systems, 48(2), 238-254. [https://doi.org/10.1108/VJIKMS-04-2017-0019]