SMJ 2025 Q3) 창업의 문이 열리는 조건, 축소가 확장을 낳는 역설

가장 넓은 영역은 이미 축적된 연구 흐름의 최신 진전입니다(Q3). 이번 호에서 가장 두드러진 패턴은 창업에 참여하는 주체의 범위를 넓히는 다양한 경로가 동시에 탐색되고 있다는 점입니다. Law et al.¹은 CPS 데이터를 활용한 로지스틱 회귀분석과 도구변수^g7 접근을 통해, 스타트업 고용 경험이 여성과 흑인의 창업 진입 확률을 유의하게 높임을 실증합니다. 사회학습이론^g8과 자기효능감 이론에 기반한 이 연구는, 과소대표 집단이 스타트업에서 기업가적 역할 모델을 관찰하고 학습하는 과정이 창업의 심리적·기술적 장벽을 낮추는 메커니즘을 규명합니다. Stroube & Dushnitsky²는 Shopify 플랫폼 데이터와 미국 인구조사 데이터를 결합한 이중차분법 분석으로, 저코드 플랫폼 도입이 여성 및 소수인종의 전자상거래 창업을 유의하게 증가시킴을 보여줍니다. 기술 역량 격차가 창업의 핵심 장벽이라는 전제 하에, 코딩 없이 온라인 스토어를 구축할 수 있는 플랫폼이 이 장벽을 효과적으로 완화한다는 발견입니다.

지역사회 CSR과 사회적 이슈 참여가 조직의 학습과 정당성 확보로 이어지는 경로도 확인됩니다. Li et al.⁴은 중국 기업 패널 데이터와 도구변수를 활용하여, 지역사회 CSR 활동이 다양한 이해관계자와의 상호작용을 통해 탐색적 학습을 촉진하고 혁신 성과를 향상시키는 "도움을 통한 학습(learning by helping)" 메커니즘을 실증합니다. Wu et al.⁵은 미국 기업의 사회적 이슈 성명 데이터를 텍스트 분석과 패널 회귀로 분석하여, 지역 이해관계자의 관심사에 맞춤화된 사회적 이슈 참여가 일률적 참여보다 정당성^g9 획득에 효과적임을 보입니다. 두 연구는 CSR이 비용이 아닌 학습과 정당성의 전략적 원천임을 서로 다른 맥락에서 확인합니다.

임원의 출신 배경이 기업의 사회적 결과를 형성하는 패턴도 반복적으로 관찰됩니다. Park et al.⁶은 미국 금융기관 패널 데이터와 고정효과 회귀를 통해, 규제기관 출신 임원이 있는 기업이 규제 위반이 적고 유리한 규제 결과를 얻음을 실증하며, 이를 사회정체성이론^g10의 내집단 편향^g11 메커니즘으로 설명합니다. Bu et al.⁷은 S&P 500 기업 패널과 매칭 분석을 통해, 이민자 CEO가 이끄는 기업이 CEO 출신국에서의 사회적 무책임(CSI)^g12 행위를 유의하게 줄임을 보여줍니다. 상위계층이론^g13과 문화적 거리 이론에 기반한 이 발견은, CEO의 출신국에 대한 정체성 기반 책임감이 기업의 지리적 사회적 행동 패턴을 형성함을 시사합니다.

투자협정의 제도적 장치와 기업 내부 네트워크 구조가 가치 창출과 전유의 구조를 결정하는 연구도 패러다임의 확장에 기여합니다. Argyres et al.⁹은 미국 기업 특허 공동발명 네트워크 데이터와 패널 회귀를 통해, 내부 네트워크의 구조적 공백^g14이 클수록 다양한 지식 조합 기회를 통해 생성적 전유성^g15이 높아짐을 실증합니다. Cheng & Jandhyala¹⁰는 BIT/FTA 데이터와 FDI 데이터를 결합한 이중차분법 분석으로, ISDS^g16 조항이 포함된 투자협정이 호스트국의 제도적 위험을 감소시켜 FDI 유입을 증가시키며, 이 효과가 제도적 환경이 취약한 국가에서 더 큼을 보여줍니다.

이러한 확장의 이면에는 기존 패러다임의 핵심 가정에 도전하는 연구도 공존합니다(Q4). Denrell et al.¹⁴은 수리모형과 개념적 분석을 통해, 열망 수준을 참조점^g17으로 해석할 때와 목표로 해석할 때 위험감수 행동에 대한 예측이 정반대로 뒤집힘을 보여줍니다. 기업행동이론^g18(BTOF)과 전망이론^g19이 열망 수준이라는 동일 개념을 서로 다른 방식으로 사용해왔음을 규명한 이 연구는, 기존 실증연구의 상충된 결과가 이론적 혼용에서 비롯되었을 가능성을 제기합니다. Jeon et al.¹³은 한국 공정거래위원회 대기업집단 랭킹과 M&A 데이터를 활용한 고정효과 음이항 회귀와 CEM^g20 매칭으로, 동일 계층 내에서도 경계 근접성에 따라 인수합병의 수준과 위험도가 달라짐을 실증합니다. 중간지위 순응 이론^g21이 암묵적으로 가정해온 계층 내 동질성에 도전하는 이 발견은, 계층 최상단 조직의 상향 이동 동기와 최하단 조직의 조건부 방어 행동이라는 새로운 메커니즘을 제시합니다.

여러 논문을 함께 읽으면 개별 논문에서 보이지 않는 패턴도 나타납니다(Q2). 첫 번째 수렴은 과소대표 집단의 창업 포용입니다. Law et al.¹의 고용 경험 경로, Stroube & Dushnitsky²의 디지털 도구 경로, Eaglin³의 점진적 진입 경로가 모두 창업의 진입 장벽을 낮추는 메커니즘을 다루며, 특히 세 연구 모두 기존의 "자원이 풍부한 창업자" 모형을 넘어 자원이 부족한 개인이 어떻게 창업에 접근할 수 있는지를 설명합니다. Eaglin³은 PSED/Kauffman Firm Survey 종단 데이터와 생존분석을 통해, 부분적이고 점진적으로 시작한(soft start) 기업이 급진적 진입 기업보다 생존율이 높으며 이는 초기 학습과 자원 축적의 이점에 기인함을 보여줍니다. 고용 경험, 기술 민주화, 점진적 진입이라는 서로 다른 경로가 "포용적 기업가정신"이라는 공통의 연구 의제로 수렴하고 있습니다.

두 번째 수렴은 의사결정자의 출신과 정체성이 기업의 사회적 행동 패턴을 만든다는 발견입니다. Wu et al.⁵의 맥락 적합적 사회적 이슈 참여, Park et al.⁶의 규제기관 출신 임원의 내집단 편향, Bu et al.⁷의 이민자 CEO의 출신국 책임감이 모두, 기업의 사회적 행동이 추상적 윤리 원칙이 아닌 의사결정자의 구체적 배경과 정체성에 의해 결정됨을 보여줍니다. 세 연구를 관통하는 메시지는, 기업의 사회적 전략을 이해하려면 "무엇을 하는가"만이 아니라 "누가 결정하는가"를 함께 봐야 한다는 것입니다.

이번 호에서 가장 주목할 발견은 아직 이름이 붙지 않은 새로운 전선입니다(Q1). 첫 번째 전선은 직관과 반대 방향으로 작동하는 전략 변수들의 체계적 등장입니다. Hashai et al.¹¹은 이스라엘 다국적기업 패널과 고정효과 회귀를 통해, 해외 시장에서 전략적으로 축소한 후 재확장하는 기업이 단순 확장 기업보다 높은 성과를 달성하며, 축소가 학습과 자원 재배치의 기회를 제공함을 보여줍니다. Gutierrez et al.⁸의 임금 투명성 연구에서도 투명성이 저성과자의 이직을 촉진하고 고성과자의 유지율을 높이는 동시에 사회비교^g22에 의한 불만족을 유발하는 양면적 결과가 관찰됩니다. 축소가 확장을, 투명성이 이직을 촉발하는 이러한 역설은, 전략 연구가 선형적 인과 모형을 넘어 비선형적이고 조건부인 메커니즘을 탐색해야 함을 시사합니다. 두 번째 전선은 전략 변수의 측정 혁신입니다. Masclans et al.¹²은 논문-특허 인용 데이터 기반 머신러닝 예측 모형으로 과학 연구의 상업적 잠재력을 사전에 식별하는 지표를 개발하며, 이 지표가 실제 기술이전 및 특허 인용과 높은 상관관계를 보임을 확인합니다. Frake et al.¹⁵의 부분식별 연구와 함께, 기존의 점추정 중심 측정 관행에 도전하는 새로운 접근이 부상하고 있습니다.

주) 상세 설명은 Appendix B 참조. 구조적 부재 분석은 Appendix E 참조.

가장 넓은 영역은 검증된 방법론의 최신 진화입니다(Q3). 이중차분법(DID)과 자연실험 설계가 전략경영 연구에서 인과추론의 표준 도구로 정착하는 추세가 이번 호에서 뚜렷합니다. Cheng & Jandhyala¹⁰는 투자협정의 ISDS 조항 도입이라는 제도적 변화를 활용한 이중차분법으로 FDI 유입의 인과 효과를 추정하고, Stroube & Dushnitsky²는 저코드 플랫폼 도입의 시차를 활용한 DID 설계로 창업 포용 효과를 분리합니다. Gutierrez et al.⁸은 임금 투명성 법제화를 자연실험으로 활용하여 생산성 변화의 인과적 추정을 시도합니다. 도구변수(IV)와 매칭을 결합한 내생성 통제도 확산되고 있습니다. Law et al.¹은 CPS 데이터에 도구변수 접근을 결합하고, Li et al.⁴은 중국 기업 패널에 고정효과와 도구변수를 동시에 적용하며, Bu et al.⁷은 S&P 500 데이터에 매칭 분석을 추가하여 선택 편의를 통제합니다.

이러한 정교화의 이면에서 방법론적 통념에 대한 도전도 진행되고 있습니다(Q4). Frake et al.¹⁵은 부분식별 방법론의 전략경영 연구 적용 가능성을 시연하며, 기존 점추정치가 식별 가정에 민감하게 의존함을 보여줍니다. Manski bounds를 활용한 구간 추정은, 강한 가정 없이도 인과 효과의 신뢰할 수 있는 범위를 제공한다는 점에서 기존의 "점추정 + 유의성 검정" 패러다임에 정면으로 도전합니다. Denrell et al.¹⁴은 수리모형과 개념적 분석이라는 방법론으로 열망 수준 개념 내부의 논리적 모순을 드러내며, 실증 데이터가 아닌 이론적 엄밀성으로 기존 연구의 한계를 지적하는 방법론적 접근을 보여줍니다.

개별 논문의 방법론적 선택이 교차분석에서는 수렴으로 드러납니다(Q2). 첫 번째 수렴은 고정효과 패널 회귀가 전략경영 실증연구의 공통 문법으로 자리잡고 있다는 점입니다. Park et al.⁶의 금융기관 패널, Argyres et al.⁹의 특허 네트워크 패널, Hashai et al.¹¹의 다국적기업 패널, Jeon et al.¹³의 대기업집단 패널까지, 이번 호 실증연구의 대부분이 기업(또는 기업집단) 고정효과 모형을 기본 사양으로 채택합니다. 두 번째 수렴은 텍스트 분석, 특허 인용, 플랫폼 데이터를 활용한 비전통적 변수 측정의 확산입니다. Wu et al.⁵은 기업의 사회적 이슈 성명을 텍스트 분석으로 정량화하고, Masclans et al.¹²은 논문-특허 인용 네트워크에 머신러닝을 적용하며, Stroube & Dushnitsky²는 Shopify 플랫폼의 행동 데이터를 대규모로 활용합니다. 전략 연구에서 측정 가능한 변수의 범위가 빠르게 확장되고 있습니다.

가장 주목할 만한 방법론적 혁신은 아직 널리 채택되지 않은 새로운 연구 설계의 등장입니다(Q1). Masclans et al.¹²은 과학 논문의 상업적 잠재력을 사전 예측하는 머신러닝 모형을 개발하며, 이 예측 지표가 실제 기술이전 결과와 높은 상관관계를 보임을 검증합니다. 이는 전략 연구에서 머신러닝이 단순한 분류 도구가 아닌 이론적으로 의미 있는 잠재 변수의 측정 도구로 발전하고 있음을 시사합니다. Eaglin³은 PSED/Kauffman Firm Survey 종단 데이터에 생존분석과 성장곡선 모형을 결합하여 초기 조건의 장기 효과를 추적하는 연구 설계를 제시합니다. 단면 데이터에서의 성과 비교를 넘어, 창업 초기 조건이 시간에 따라 어떻게 누적적으로 기업 궤적을 형성하는지를 추적하는 이 접근은 기업가정신 연구의 방법론적 확장을 보여줍니다.

주) 상세 설명은 Appendix C 참조.

RTM이 "무엇을 연구하는가", RMM이 "어떻게 연구하는가"의 지형도라면, RDM은 "무엇으로 연구하는가"의 지형도입니다. 13편의 실증 논문이 활용한 데이터를 질적/양적(Qualitative/Quantitative)과 기존 활용/신규 탐색(Exploitation/Exploration)이라는 두 축으로 배치하면, 데이터 전략의 구조적 패턴이 드러납니다. 13편 전원이 양적 실증(100%)이며, 이 중 12편이 검증된 기존 DB를 활용하고(Q3), 1편만이 맞춤형 측정을 개발합니다(Q4). 이 분포가 전달하는 메시지는 명확합니다 — 전략경영 실증 연구는 기존 DB 인프라 위에 견고하게 구축되어 있으며, 데이터 혁신의 여지가 열려 있습니다.

CPS·Shopify·Compustat — 미국 중심 공개/상업 데이터가 전략경영 연구의 물적 기반입니다

Q3(검증된 기존 DB 활용)에 12편이 집중되어 있습니다. Law et al.¹의 스타트업 고용 데이터는 CPS(공개)에서, Stroube & Dushnitsky²의 저코드 플랫폼 데이터는 Shopify(상업)에서, Eaglin³의 창업 종단 데이터는 PSED/Kauffman Firm Survey(공개)에서 출발합니다. Wu et al.⁵과 Bu et al.⁷의 S&P 기업 데이터는 대학 구독 DB에서, Cheng & Jandhyala¹⁰의 투자협정 데이터는 WTO/정부 공식 기록(공개)에서, Jeon et al.¹³의 재벌 데이터는 KFTC 공정위 발표(행정)+Thomson Reuters SDC(대학구독)에서 나옵니다. 15편 중 8편(62%)이 미국 단일 국가 데이터를 사용하며, 다국가 비교 설계는 2편([10][11])에 불과합니다. 공개 데이터(CPS, PSED, WTO)와 대학 구독 DB(Compustat, Thomson Reuters)의 조합이 이번 호의 물적 기반입니다.

12편이 같은 종류의 DB에서 출발하되, DID·IV·매칭으로 인과를 추출하는 식별 전략이 차별화의 핵심입니다

같은 유형의 DB를 쓰더라도 식별 전략에 따라 발견이 달라집니다. Cheng & Jandhyala¹⁰는 투자협정 ISDS 조항 도입을 자연실험으로, Gutierrez et al.⁸은 임금 투명성 법제화를 자연실험으로, Stroube & Dushnitsky²는 저코드 플랫폼 도입 시차를 활용한 DID로 각각 인과 효과를 분리합니다. Li et al.⁴은 중국 기업 패널에 고정효과+IV를, Bu et al.⁷은 S&P 500에 CEM 매칭을 적용합니다. 새 DB가 아니라 기존 DB에서 인과를 추출하는 전략이 12편의 공통된 차별화 방식입니다.

Masclans의 ML 모형이 논문-특허 인용에서 상업적 잠재력을 예측합니다 — 맞춤형 측정이 새로운 데이터 자산을 만듭니다

Q4(맞춤형 DB 개발)는 1편이지만, 데이터 전략의 방향성을 제시합니다. Masclans et al.¹²은 논문-특허 인용 네트워크에 머신러닝 모형을 적용하여, 과학 논문의 상업적 잠재력을 사전 예측하는 새로운 지표를 구축했습니다. 기존 DB(특허 인용 데이터)에서 출발하되, ML로 기존에 측정 불가능했던 잠재 변수를 최초로 체계화한 사례입니다. 데이터 구축 자체가 학술적 기여이며, 후속 연구에서 즉시 활용 가능한 인프라로 기능합니다.

주) 주) 실증 논문 13편 대상. 수리모형/개념 논문 1편([14])과 방법론 논문 1편([15])은 제외.

저코드 플랫폼의 창업 포용 효과를 다른 국가와 플랫폼에서 이중차분법으로 검증할 수 있습니다

RTM Q2-1에서 확인된 과소대표 집단의 창업 포용 수렴과 RMM Q3-1의 이중차분법 확산을 교차하면, 저코드 플랫폼의 포용 효과를 미국 외 맥락에서 검증하는 비교 연구가 가능해집니다. Stroube & Dushnitsky²의 Shopify 기반 발견을 한국(네이버 스마트스토어), 동남아시아(Shopee, Lazada), 인도(Meesho)로 확장하여 문화·제도적 맥락의 조절 효과를 탐색하는 연구가 이어질 수 있을 것입니다. Law et al.¹의 고용 경험 효과와 Eaglin³의 점진적 진입 효과를 비미국 맥락에서 동시에 검증하면, 세 경로의 상대적 효과 크기를 비교할 수 있는 통합 프레임워크를 구축하는 데 기여할 수 있습니다. (Action Item #1)

해외 축소 후 재확장 기업의 학습 메커니즘을 머신러닝 텍스트 분석으로 대규모 추적할 수 있습니다

RTM Q1-1에서 부각된 전략적 역설과 RMM Q1-1의 머신러닝 측정 혁신을 교차하면, 해외 축소-재확장 패턴의 학습 메커니즘을 대규모로 추적하는 연구가 열립니다. Hashai et al.¹¹이 발견한 축소의 확장 효과가 어떤 조건에서 작동하는지를 규명하려면, 축소 기간 중 조직학습 지표(특허 출원, 기술 논문, 연차 보고서의 학습 관련 언어)를 추적해야 합니다. Masclans et al.¹²의 머신러닝 예측 모형 접근을 차용하여, 해외 축소 기업의 공시 문서와 특허 데이터에서 학습 강도를 자동 측정하고 재확장 성과와의 관계를 검증하는 연구가 고려해볼 만합니다. (Action Item #2)

한국 기업의 ESG 성명을 텍스트 분석으로 수집하여 맞춤형 사회적 이슈 참여의 효과를 바로 검증할 수 있습니다

RTM Q3-2의 CSR 전략적 가치와 RMM Q2-2의 텍스트·플랫폼 데이터 활용을 교차하면, 공개 데이터를 활용하여 비교적 신속하게 착수할 수 있는 연구가 도출됩니다. Wu et al.⁵의 맞춤형 사회적 이슈 참여 발견을 한국 상장기업 맥락으로 확장하여, 기업의 ESG 보고서와 지속가능경영 보도자료를 텍스트 분석으로 정량화하고, 지역(본사 소재지) 이해관계자의 관심사와의 일치 정도가 기업 가치에 미치는 영향을 검증할 수 있습니다. Li et al.⁴의 "도움을 통한 학습" 메커니즘과 결합하여, 맞춤형 CSR이 학습과 정당성 모두에 기여하는지를 한국 맥락에서 동시에 검증하면 이론적 기여를 높일 수 있을 것입니다. (Action Item #3)