본문 바로가기
KERD
논문KCI 등재

스타트업의 스케일업 성공 결정요인 이해에 관한 연구

A Study on Understanding the Determinants of Scale-up Success for Start-ups

최상민|송지훈|김재용
한국창업학회|2024.04|한국창업학회지 (Journal of the Korean Entrepreneurship Socieity)|제19권 제2호|pp. 203-235|DOI 10.24878/tkes.2024.19.2.203

0

조회

0

다운로드

1

인용

0

참고문헌

키워드

Machine learning머신러닝스타트업Start-up스케일업Scale-upCrunchbase성공예측Success prediction

초록

본 연구는 Crunchbase의 데이터를 이용해 국내 스타트업의 스케일업 성공에 영향을 미치는 결정요인 분석을 진행하였다. 이를 위해 투자를 받은 이력이 있는 3,750개의 국내 스타트업을 대상으로 머신러닝 기반 스케일업 성공예측 모델을 제안하고 이를 바탕으로 스케일업 성공 결정요인을 도출하였다. 총 14개의 서로 다른 머신러닝 알고리즘의 비교를 통해 최적의 모델을 선정 후, 하이퍼파라미터 튜닝을 통해 성능지표에 대한 최적화를 수행, 마지막으로 변수의 중요도를 측정하였다. 그 결과 총 17개의 변수 중 유사한 기업의 수, 총 투자자의 수, 기업이 보유한 특허 수, 펀딩 라운드 수 그리고 기업이 보유한 기술 스택 수가 중요 스케일업 성공 결정요인으로 확인되었다. 이는 성장 가능성이 큰 세부시장에서 활동하며 기술의 자립도와 다양성이 높은 기업일수록 스케일업 성공이 용이할 수 있음을 의미한다. 본 연구의 결과는 투자자의 투자 결정을 위한 도구로 활용될 수 있고, 스케일업 생태계 구축을 위한 정책적 제언을 수립하는 데 중요한 근거 자료를 제공할 수 있다. 나아가, 본 연구는 국내 스타트업 생태계에 대한 심층적인 이해를 제공하며, 이를 통해 향후 기업지원 정책 방향성 수립에도 기여할 수 있을 것으로 기대한다.

Abstract

This study analyzed the determinants of scale-up success of domestic startupsusing data from Crunchbase. For this purpose, a machine learning-based scale-upsuccess prediction model is proposed using data from 3,750 domestic startups,which has a history of receiving investment, and measured the contribution ofeach input variable on the success prediction. After selecting the optimal modelthrough a comparison of 14 different machine learning algorithms, we optimizedthe performance indicators through hyperparameter tuning, and then measuredthe importance of the variables. Out of the 17 variables, the number of similarcompanies, total number of investors, number of patents, number of fundingrounds, and number of technology stacks were identified as the importantscale-up success determinants. This suggests that firms operating in marketsegments with high growth potential and having high technology independenceand diversity might be more likely to succeed in scale-up. The results of thisstudy could be utilized as a tool for investors to make investment decisions andprovide important evidence for formulating policy recommendations to build aproper scale-up ecosystem. Furthermore, this study is also expected to contributeto the establishment of future business support policies based on an in-depthunderstanding of the domestic startup ecosystem.

참고문헌 (68)

  1. 김가영, "ERIS 모델에 따른 청년 스타트업 스케일업(Scale-up)성공사례분석 : 알트에이 사례를 중심으로", 한국진로창업경영학회지, 6(2), pp.107~128 (2022)
  2. 국내·외 고성장기업 지원정책 및 시사점, "김서희", 정보통신산업진흥원, ~ (2019)
  3. 김영범, "액셀러레이팅과 기업가정신이 스타트업의 스케일업에 미치는 영향에 관한실증 연구", 한국창업학회지, 16(6), pp.149~175 (2021)
  4. 김용덕, "스타트업 투자결정요인에 관한 연구", 지역산업연구, 46(1), pp.3~24 (2023)
  5. 김인숙, "ERIS 모델 기반 창업지속요인 분석 : 조직 리질리언스를 중심으로", 벤처창업연구, 16(5), pp.15~29 (2021)
  6. 김정호, "제조업 내 벤처기업의 스케일업 과정과 결정 요인 : 성숙기업과 스타트업의 사례분석", 한국혁신학회지, 17(4), pp.1~24 (2022)
  7. 김정호, "하드웨어 유니콘의 스케일업 요인에 관한 연구 : 해외 유니콘과 국내 예비유니콘의 사례 비교", 한국창업학회지, 18(3), pp.325~352 (2023)
  8. 김충현, "지역 중소기업의 스케일업(Scale-up)을 위한 성공요인에 대한 연구 : Triple Helix 모형을 중심으로", 경영컨설팅연구, 20(2), pp.11~22 (2020)
  9. 송지훈, "스타트업 데이터 기반의 시장융합 다이내믹스 분석 : 한국을 중심으로", 한국산업융합학회논문집, 25(4), pp.627~636 (2022)
  10. 안경민, "ERIS 모델을 활용한 중소기업의 스케일업 성공요인 및 정책적 시사점", 중소기업정책연구, 7(3), pp.1~38 (2022)
  11. 원종현, "기계학습의 하이퍼파라미터 최적화 연구 동향", 한국통신학회논문지, 48(6), pp.733~747 (2023)
  12. 양기수, "자연어 추론에서의 교차 검증 앙상블 기법", 정보과학회논문지, 48(2), pp.154~159 (2021)
  13. 유한별, "한국 지방소멸 요인과 극복 방안에 관한 연구 : 머신러닝 방법을 통한 탐색", 지방정부연구, 24(4), pp.443~476 (2021)
  14. 윤인경, "의약 바이오 벤처기업의 상장사례연구 : 에이비엘바이오의 기술특례상장을 중심으로", Korea Business Review, 23(4), pp.187~210 (2019)
  15. 윤혜미, "스타트업의 스케일업 창업생태계 구성요소의 IPA 분석", 벤처창업연구, 17(6), pp.25~37 (2022)
  16. 이창한, "글로벌 위성 데이터 활용산업의 형성과정과 융합을 통한 신시장 창출 패러다임 연구", 한국산업융합학회논문집, 26(3), pp.483~497 (2023)
  17. 이현호, "스타트업의 초기 성공을 결정하는 요인에 관한 연구", 벤처창업연구, 12(1), pp.1~13 (2017)
  18. 임명성, "제조업과 정보통신기술의 융합 : 스마트 팩토리 4. 0에 기반한 한국 제조업 3. 0 성공 전략", 디지털융복합연구, 14(3), pp.219~226 (2016)
  19. 신승용, "창업자의 경험 특성이 스타트업의 성과에 미치는 영향에 관한 연구 : ICT 기술창업 스타트업을 중심으로", 한국창업학회지, 16(1), pp.185~205 (2021)
  20. 왜 창업인가?: 지역특화 스타트업 육성 및 스케일업 정책 지원방안 연구, KOSME 중소벤처기업 정책연구 리포트, "정병옥", 중소벤처기업진흥공단, ~ (2022)
  21. 조만석, "미국 창업정책 동향과 시사점", 동향과 이슈, 29, pp.1~18 (2017)
  22. 최종민, "혁신형 창업기업의 입지 만족도가 기업 이전 의도에 미치는 영향 : 수도권과 비수도권 기업을 중심으로", 벤처창업연구, 16(6), pp.57~68 (2021)
  23. "2021년 기업생멸행정통계 결과" (2022)[URL]
  24. 스케일업을 위한 스타트업 생태계 국제비교 및 진단, "한국무역협회", 한국무역협회 국제무역통상연구원, ~ (2023)
  25. 황정섭, "ICT 스타트업 스케일업 성공요인 연구 : ERIS 모델 적용 사례연구", 디지털융복합연구, 19(4), pp.89~101 (2021)
  26. 허주연, "스타트업 액셀러레이터 투자결정요인의 중요도 및 우선순위에 대한 연구", 벤처창업연구, 15(6), pp.27~42 (2020)
  27. 홍대웅, "글로벌 창업기업 스케일업(Scale-up)지원 정책 분석을 통한 국내 스케일업 정책 방향에 관한 연구", 벤처창업연구, 14(6), pp.11~27 (2019)
  28. Ali, H., "Imbalance class problems in data mining : A review", Indonesian Journal of Electrical Engineering and Computer Science, 14(3), pp.1560~1571 (2019)
  29. Altmann, A., "Permutation importance : a corrected feature importance measure", Bioinformatics, 26(10), pp.1340~1347 (2010)
  30. Arroyo, J., "Assessment of machine learning performance for decision support in venture capital investments", IEEE Access, 7, pp.124233~124231 (2019)
  31. Bailetti, T., "An Ecosystem-Based Job-Creation Engine Fuelled by Te chnology Entrepreneurs", Technology Innovation Management Review, 3(2), pp.31~40 (2013)
  32. Balakrishnama, S., "Linear discriminant analysis-a brief tuto rial", Institute for Signal and information Processing, 18, pp.1~8 (1998)
  33. Bergstra, J., "Random search for hyper-parameter optimization", Journal of Machine Learning Research, 13(2), pp.281~305 (2012)
  34. Breiman, L., "Random forests", Machine Learning, 45, pp.5~32 (2001)
  35. Chatterjee, S., "SME Entrepreneurshi p and Digitalization–the Potentialities and Moderating Role of Demographic Factor s", Technological Forecasting and Social Change, 179, pp.121648~ (2022)
  36. Chawla, N. V., "SMOTE : synth etic minority over-sampling technique", Journal of Artificial Intelligence Research, 16, pp.321~357 (2002)
  37. Chege, S. M., "Information Technology Innovation and Its Impact on Job Creation by SMEs in Developing Countries : An Analysis of the Literature Review", Technology Analysis & Strategic Management, 32(3), pp.256~271 (2020)
  38. Chemmanur, T. J., "How does venture capital financing improve efficiency in private firms? A look beneath the surface", The Review of Financial Studies, 24(12), pp.4037~4090 (2011)
  39. Chen, H., "Shield attitude prediction based on Bayesian-LGBM machine learning", Information Sciences, 632, pp.105~129 (2023)
  40. Chen, T., "Xgboost: A scalable tree boosting system", Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (2016)
  41. Cortes, C., "Support-vector networks", Machine learning, 20, pp.273~297 (1995)
  42. Using Crunchbase for Economic and Managerial Research, "Dalle, J.", OECD Publishing, ~, pp.OECD Science, Technology and Industry Working Papers, No. 2017 (2017), 08
  43. Davila, A., "Venture capital financing and the growth of startup firms", Journal of Business Venturing, 18(6), pp.689~708 (2003)
  44. Dellermann, D., "Finding the Unicorn: Predicting Early Stage Startup Success through a Hybrid Intelligence Method", International Conference on Information Systems (ICIS) (2021)
  45. From startup to scale-up: examining public policies for the financing of high-growth ventures, "Duruflé, G.", Bruegel, ~, pp.Bruegel Working Paper, No. 2017 (2017), 04
  46. Eurostat and OECD, "Eurostat-OECD Manual on Business Demography Statistics", OECD, ~ (2007)
  47. Freund, Y., "A decision-theoretic generalization of on-line learning and an application to boosting", Journal of Computer and System Sciences, 55(1), pp.119~139 (1997)
  48. Gartner, W. B., "A Conceptual Framework for Describing the Phenomenon of New Venture Creation", Academy of Management Review, 10(4), pp.696~706 (1985)
  49. Grichnik, D., "Beyond environmental scarcity : Human and social capital as driving forces of bootstrapping activities", Journal of Business Venturing, 29(2), pp.310~326 (2014)
  50. Hastie, T., "Flexible discriminant analysis by optimal scoring", Journal of the American Statistical Association, 89(428), pp.1255~1270 (1994)
  51. Tech Starts: High-Technology Business Formation and Job Creation in the United States, Ewing Marion Kauffman Foundation Research Series, "Hathaway, I.", Ewing Marion Kauffman Foundation, ~ (2013)
  52. Huang, L., "Research on taxi travel time prediction based on GBDT machine learning method", International Conference on Instrumentation &Measurement, Computer, Communication and Control (IMCCC), pp.718~722 (2018)
  53. Ke, G., "Lightgbm : A highly efficient gradient boosting decision tree", Advances in Neural Information Processing Systems, 30, pp.1~9 (2017)
  54. Kim, J., "How to Succeed in the Market? Predicting Startup Success Using a Machine Learning Approach", Technological Forecasting and Social Change, 193, pp.122614~ (2023)
  55. Malakouti, S. M., "Machine learning techniques for classifying dangerous asteroids", MethodsX, 11, pp.102337~ (2023)
  56. Man vs. Machine in Predicting Successful Entrepreneurs: Evidence from a Business Plan Competition in Nigeria, "McKenzie, D. J.", World Bank, 1~66, pp.World Bank Policy Research Working Paper, Vol.8271 (2017)
  57. Nazir, A., "The impact of funding on market valuation in technology start-up firms : Implication for open innovation", Journal of Open Innovation, Technology, Market, and Complexity, 9(2), pp.100028~ (2023)
  58. OECD, "Understanding Firm Growth: Helping SMEs Scale Up, OECD Studies on SMEs and Entrepreneurship" (2021), OECD Publishing
  59. Ries, E., "The lean startup: How today's entrepreneurs use continuous innovation to create radically successful businesses" (2011), Crown Publishg Group
  60. Ross, G., "CapitalVX : A Machine Learning Model for Startup Selection and Exit Prediction", The Journal of Finance and Data Science, 7, pp.94~114 (2021)
  61. Singh, D., "Investigating the impact of data normalization on classification performance", Applied Soft Computing, 97, pp.105524~ (2020)
  62. High-Growth Firms and the Future of the American Economy, "Stangler, D.", Ewing Marion Kauffman Foundation, ~ (2010)
  63. "The Global Startup Ecosystem Report GSER 2020: The New Norm al for the Global Startup Economy and the Impact of COVID-19" (2020)[URL]
  64. "The Global Startup Ecosystem Report GSER 2023" (2023)[URL]
  65. Thabtah, F., "Data imbalance in classification : Experimental evaluation", Information Sciences, 513, pp.429~441 (2020)
  66. "How startups drive economic recovery while growing responsibly" (2022)[URL]
  67. Yang, L., "On hyperparameter optimization of machine learning algorithms : Theory and practice", Neurocomputing, 415, pp.295~316 (2020)
  68. Żbikowski, K., "A Machine Learning, Bias-free Approach for Pred icting Business Success Using Crunchbase Data", Information Processing & Management, 58(4), pp.102555~ (2021)

관련 논문AI추천

머신러닝 모형을 활용한 창업기업의 후속투자 결정요인 분석김강민, 김선우, 서정민, 이윤아한국벤처창업학회 · 벤처창업연구2024 · 제19권 제6호스타트업의 스케일업 창업생태계 구성요소의 IPA 분석남정민, 윤혜미한국벤처창업학회 · 벤처창업연구2022 · 제17권 제6호기계학습 기반 고성장기업 예측모형 구축 및 실증에 관한 연구장훈한국중소기업학회 · 중소기업연구2023 · 제45권 제1호인공지능 기법을 이용한 혁신역량과 중소기업 성장 예측연구: 혁신 외부요인이 예측에 미치는 영향 중심으로박재민, 유태훈한국혁신학회 · 한국혁신학회지2025 · 제20권 제1호스타트업 액셀러레이터의 투자 규모별 투자결정요인에 대한 연구정승화, 허주연한국중소기업학회 · 중소기업연구2021 · 제43권 제1호ERIS 모델을 활용한 중소기업의 스케일업 성공요인 및 정책적 시사점권상집, 안경민중소벤처기업연구원 · 중소기업정책연구2022 · 제7권 제3호

이 간행물의 다른 논문 (6건)

창업기업이 인지하는 ESG가 기업가정신에 미치는 영향에 관한 연구: ESG 인식도와 필요성을 중심으로김창완, 김나현pp. 119-150기술기반 창업 활성화를 위한 기술융합 트렌드와 유망기술 분석에 대한 연구: 대화형 AI를 중심으로송영화, 최선아pp. 151-171창업가의 연령이 재창업 속도에 미치는 영향:자기효능감 및 심리적 가족지원의 조절효과엔크바타르 오양가, 최자영pp. 173-201지역R&D 활동 특성에 관한 연구- 공동연구개발 협력활동을 중심으로이원빈pp. 237-274텍스트마이닝 기법을 활용한 바이오 기술사업화 변화 분석이지은, 배기수pp. 275-294
원문 보기