지역의 산학협력과 산업다양성은 어떻게 지역혁신을 창출하는가? : 설명가능 머신러닝을 통한 상호작용 효과 분석을 중심으로

How Do University-Industry Collaboration and Industrial Diversity Generate Regional Innvoation?: An Interatction-Effect Analysis Using Explainable Machine Learning

본 연구는 한국 17개 광역지자체를 대상으로, 지역의 산업다양성과 산학연 협력이 지역경제 성장과 기술혁신에 미치는 영향을 비교·분석하였다. 이론적으로는 MAR 외부성, Jacobs 외부성, 삼중나선을 통합 프레임으로 설정하였다. 방법적으로는 고정효과 패널회귀로 방향성과 기초적 인과단서를 확보한 뒤, CatBoost/XGBoost–SHAP을 결합해 비선형성, 임계효과, 조절효과를 식별하였다. 분석 결과, 산업다양성은 GRDP와 일관된 음(–)의 관계를 보여 전문화·집중이 생산성 효율을 통해 성장에 유리함을 시사한 반면, 특허에서는 중·고수준 구간에서 기여도가 커지는 U형 비선형 효과가 확인되어 이종 산업 간 지식결합의 이점을 뒷받침하였다. 산학연 협력은 GRDP에서 임계수준을 넘을 때 성장 기여가 강화되었고, 특허의 경우 협력이 논문화에 치우치면 단기적 특허화로의 전환이 약화될 수 있으나, 상위 R&D 기업 기반이 충분하면 이 부정적 추세가 완충·전환되는 조절효과가 나타났다. 이러한 결과는 목표와 역량에 따른 전략 이원화를 제안한다. 성장 우선 지역은 핵심 산업의 전문화와 앵커기업 기반 확충, 임계 수준 이상으로 협력을 유도가 요구되며, 기술혁신을 중점으로 두는 지역은 산업다양성 확대와 교차협력의 질 제고를 대기업 R&D 기반과 결합해야 한다. 방법론적으로 본 연구는 패널–머신러닝–SHAP 파이프라인을 통해 비선형·임계·상호작용 메커니즘을 가시화하였다.

This study examines how regional industrial diversity and industry–university– research (IUR) collaboration affect regional economic growth and technological innovation across 17 Korean metropolitan regions. Theoretically, it adopts an integrated framework combining MAR externalities, Jacobs externalities, and the Triple Helix. Methodologically, it first employs a fixed-effects panel regression to identify directionality and basic causal cues, then combines CatBoost/XGBoost with SHAP to detect nonlinearity, threshold effects, and moderation effects. The analysis shows that industrial diversity has a consistently negative association with GRDP, suggesting that specialization and concentration are advantageous for growth via productivity efficiency. By contrast, for patents, industrial diversity exhibits a U-shaped nonlinear effect, with higher contributions in the mid-to-upper range, supporting the benefits of cross-industry knowledge recombination. IUR collaboration strengthens its contribution to GRDP once it surpasses a certain threshold, whereas for patents, collaboration may weaken short-term conversion to patenting if it skews toward publication; however, this negative tendency is mitigated—or reversed—where a strong base of top R&D firms exists, indicating an moderation effect. These findings imply a bifurcated strategy tailored to goals and capabilities: regions prioritizing growth should reinforce specialization, anchor-firm bases, and intervention designs that push collaboration beyond the threshold; regions prioritizing technological innovation should expand industrial diversity and raise the quality of cross-sector collaboration in conjunction with large-firm R&D capacity. Methodologically, by linking panel methods with machine learning and SHAP, the study visualizes nonlinear, threshold, and interaction mechanisms, providing fine-grained, actionable evidence for university–region innovation design.