머신러닝 모형을 활용한 창업기업의 후속투자 결정요인 분석

김선우; 이윤아; 서정민; 김강민

추천

검색

질문

자료유형: 학술저널

저자정보: 김선우 (과학기술정책연구원) 이윤아 (과학기술정책연구원) 서정민 (사이람) 김강민 (사이람)

저널정보: 한국벤처창업학회 벤처창업연구 벤처창업연구 제19권 제6호(통권 제96호)

발행연도: 2024.12

수록면: 161 - 174 (14page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

이 연구는 창업기업의 후속투자 규모를 결정짓는 요인을 머신러닝(기계학습)을 활용하여 분석한 연구이다. 분석대상은 기술창업기업으로 후속투자를 모니터링 할 수 있는 팁스 창업기업 885개사이다. 이들 기업의 후속투자 규모에 영향을 미치는 요인으로는 창업기업의 특성 변수 즉, 사업 분야, 이공계인력 비중, 지역, 매출 규모, 대표자 특징, 지분율 등 13개 지표와 초기투자사의 특성 변수 즉, 투자사 유형, 투자방식, 소재지 등 4개 지표, 그리고 투자 네트워크 변수 즉, 연결중심성, 커뮤니티, 근접중심성 등 4개 지표를 살펴보았다. 종속변수는 Series A 단계를 전후로 후속투자 규모를 구분하였다. 분석 결과, 투자 네트워크 분석 변수를 포함한 모델의 설명력이 창업기업이나 초기 투자사의 특성만을 포함한 모델보다 더 높았으며, 그 가운데 투자 네트워크 내 응집 그룹에 속하는지 여부가 후속투자에 영향을 미치는 것으로 나타났다. 또한, 팁스 창업기업의 매출 규모와 산업 분야도 후속투자 규모에 영향을 미쳤다. 연구의 시사점은 후속투자는 초기투자 단계와는 다르게 스타트업의 경쟁력, 성장가능성, 업계 네트워크(다른 투자자와의 협력, 시장 내 신뢰도, 업계 연결성 등)에 더 큰 영향을 받는다는 점이다. 초기투자사는 초기 성공에 중요한 역할을 하지만 후속투자 단계에서는 영향력이 낮게 나타났다. 연구의 한계는 창업기업 간 투자 네트워크가 창업기업과 투자사 간의 투자 관계를 기반으로 도출하여 간접적인 네트워크라는 점이다. 향후 창업기업과 창업기업 혹은 창업기업과 투자사 사이에 직접적인 상호작용에 대한 네트워크 데이터가 보완된다면 투자 네트워크 상에서 창업기업과 투자기관의 직접적인 영향력을 반영할 수 있을 것이다. 아울러 본 연구에서 7가지 기계학습 방법을 사용하여 분류 및 예측 성능을 정량적으로 비교 평가한 점도 탐색적 연구로 의의가 있다.

This study investigates the factors influencing the scale of follow-on investments in startups using machine learning-based models. The analysis focuses on 885 technology-based startups participating in the TIPS (Tech Incubator Program for Startups) initiative, selected for their capability to monitor follow-on investment activities. The determinants examined include (1) startup-specific variables: industry sector, proportion of STEM (science, technology, engineering, and mathematics) majors, geographic location, revenue size, founder characteristics, equity structure, and 13 related indicators; (2) characteristics of early-stage investors: investor type, investment method, geographic location, and 4 associated indicators; and (3) investment network variables: degree centrality, community structure, closeness centrality, and 4 network-related metrics. The study hypothesizes that the scale of follow-on investments varies depending on the attributes of the startups, the characteristics of early-stage investors, and the structural properties of the investment network. To test these hypotheses, data preprocessing techniques were employed to generate machine learning-based models, analyzing the influence of each variable. The findings aim to provide empirical insights into the determinants shaping the follow-on investment landscape in technology-driven startups. The empirical analysis results indicate that the explanatory power of the model improved when including investment network analysis variables. It was found that variables such as revenue, business sector, and investment network cohesion group of TIPS startups significantly influenced follow-up investments. The study suggests that investment network characteristics have a greater impact on follow-up investment stages than corporate information variables, such as startup characteristics and operator attributes. However, it acknowledges the limitation that the investment network among startups is indirect, based on the investment relationships between startups and investors. In future studies, supplementing with network data on direct interactions between startups or between startups and investors could better reflect the direct influence of startups and investors within the investment network. Additionally, this study provides valuable insights as an exploratory approach by quantitatively comparing and evaluating the classification and predictive performance of 7 machine learning methods.

#기술기반 창업기업 #초기투자사 #투자 네트워크 #후속투자 #머신러닝(기계학습) #tech startup #early-stage investors #investment network #follow-on investment #machine learning

참고문헌 (0)

참고문헌 신청

참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

김선우

소속기관 과학기술정책연구원

주요연구분야 사회과학 > 경영학 TOP 5% 복합학 > 기술정책 TOP 0.5%

논문수 28 이용수 6,736

김강민

소속기관 사이람

주요연구분야 사회과학 > 경영학

논문수 2 이용수 1,419

이 논문과 함께 이용한 논문

머신러닝 기반 미래 기업가치 예측 모델의 비교 연구: ESG 평가 등급 포함의 영향

강경구 , 박정열 , 나형종 대한경영학회지 2023 .09

재무비율과 거시경제 지표 기반 상장폐지 예측모형 개발: 최적화 및 머신러닝 기법 활용

황진경 , 송혜령 , 유동희 인터넷전자상거래연구 2023 .08

최근 본 자료

전체보기

UCI(KEPA) : I410-151-25-02-092236906

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (0)

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)