시장 세분화는 산업 시장 또는 기업 간 거래(B2B) 시장의 복잡한 상황에서 마케팅 전략을 개선하고 자원을 효과적으로 배분하기 위해 필요한 도전적 과제이다. 대부분의 전통적 방법은 산업 시장의 금융 거래로부터 생성되는 방대하고 복잡하며 난해한 데이터를 처리하기 위한 포괄적이고 상세한 지침을 제공하지 못했다. 또한 이들은 기업이 여러 시장 세그먼트에 동시에 속할 수 있는 세그먼트 간 중첩의 성격을 종종 간과한다. 금융 거래 네트워크(FTNs)는 각각 기업과 거래를 나타내는 노드와 엣지로 그래프로 표현될 수 있다. 산업 시장 분석을 위해 네트워크 분석 연구가 제한된 수로 활용되었으나, 이러한 시도들은 거래 건수, 거래 규모, 거래의 방향, 기업별 속성과 같은 금융 거래의 중요한 특징을 포착하지 못했다. 본 연구에서는 기업의 속성뿐만 아니라 금융 다중 거래를 모두 활용하는 산업 시장 세분화를 위한 새로운 방법을 제안한다. 그래프 기반 생성 확률 모델을 통합함으로써, 금융 거래 데이터 내의 복잡하고 중첩되는 관계를 규명하고 이해할 수 있음을 보인다. 이후 제안한 방법을 실제 데이터셋에 적용한다. 그 결과, 제안한 방법은 거래형 산업 시장(B2B) 네트워크에서의 군집화(clustering) 및 커뮤니티 탐지(community detection)와 같은 네트워크 분석의 기존 방법들보다 우수함을 보여준다.

시장 세분화는 산업 시장 또는 기업 간 거래(B2B) 시장의 복잡한 상황에서 마케팅 전략을 개선하고 자원을 효과적으로 배분하기 위해 필요한 도전적 과제이다. 대부분의 전통적 방법은 산업 시장의 금융 거래로부터 생성되는 방대하고 복잡하며 난해한 데이터를 처리하기 위한 포괄적이고 상세한 지침을 제공하지 못했다. 또한 이들은 기업이 여러 시장 세그먼트에 동시에 속할 수 있는 세그먼트 간 중첩의 성격을 종종 간과한다. 금융 거래 네트워크(FTNs)는 각각 기업과 거래를 나타내는 노드와 엣지로 그래프로 표현될 수 있다. 산업 시장 분석을 위해 네트워크 분석 연구가 제한된 수로 활용되었으나, 이러한 시도들은 거래 건수, 거래 규모, 거래의 방향, 기업별 속성과 같은 금융 거래의 중요한 특징을 포착하지 못했다. 본 연구에서는 기업의 속성뿐만 아니라 금융 다중 거래를 모두 활용하는 산업 시장 세분화를 위한 새로운 방법을 제안한다. 그래프 기반 생성 확률 모델을 통합함으로써, 금융 거래 데이터 내의 복잡하고 중첩되는 관계를 규명하고 이해할 수 있음을 보인다. 이후 제안한 방법을 실제 데이터셋에 적용한다. 그 결과, 제안한 방법은 거래형 산업 시장(B2B) 네트워크에서의 군집화(clustering) 및 커뮤니티 탐지(community detection)와 같은 네트워크 분석의 기존 방법들보다 우수함을 보여준다.

그룹 특징 선택 방법은 모델의 복잡도를 줄이기 위해 관련 없는 그룹 특징을 제거함으로써 중요한 그룹 특징을 선택한다. 그룹 특징 선택 방법 중에는 순위(ranking) 기법을 사용하는 방법이 몇 가지 있다. 순위 방법은 각 그룹의 상대적 중요도를 제공한다. 이를 위해 우리는 고차원 데이터에 대한 차원 축소 기법에 기반한 희소 그룹 특징 순위(sparse group feature ranking) 방법을 개발하였다. 첫째, 관련 없는 특징을 제거하기 위해 각 그룹에 대해 relief를 적용하였다. 둘째, 각 특징 그룹을 대표하는 새로운 특징을 추출한다. 이를 위해 각 특징 그룹에 대해 Fisher 선형 판별 분석(Fisher linear discriminant analysis, FDA)을 적용하여 그룹 특징의 차원을 단일 차원으로 축소한다. 마지막으로, 랜덤 포레스트를 적용한 뒤 다른 것들에 비해 중요도가 더 높은 중요한 특징을 선택함으로써 새로운 특징의 상대적 중요도를 추정한다. 이후 서로 다른 기계학습 알고리즘을 사용하여 모델을 학습하고 테스트하였다. 실험에서는 실제 상황의 고차원 데이터셋을 사용하여 제안 방법을 지도학습 기반 그룹 라쏘(supervised group lasso, SGL) 방법과 비교하였다. 그 결과, 제안 방법은 기존 그룹 특징 선택 방법과 마찬가지로 소수의 중요한 그룹 특징을 선택하며, 모든 그룹 특징에 대한 순위와 상대적 중요도를 제공함이 확인되었다. SGL은 로지스틱 회귀에서는 약간 더 나은 성능을 보였으나, 분류 성능 지표의 관점에서 제안 방법은 서포트 벡터 머신, 랜덤 포레스트, 그리고 그라디언트 부스팅에서 더 우수한 성능을 보였다.

금융 및 상업 거래의 신속한 디지털화는 사기의 위험을 크게 증가시켰으며, 이에 따라 고도화된 탐지 및 예방 메커니즘이 필요해졌다. 머신러닝(ML)과 딥러닝(DL) 기법을 활용하는 인공지능(AI)은 사기 탐지 및 보안 시스템에서 강력한 도구로 부상했다. AI 기반 모델은 사기 탐지의 정확도를 향상시켜 실시간 이상 탐지를 가능하게 하고 금융 손실을 줄인다. 그러나 데이터 프라이버시에 대한 우려, 모델 해석 가능성, 적대적 공격과 같은 과제들은 AI 기반 사기 예방에서 여전히 주요 난제로 남아 있다. 본 논문은 실시간 모니터링, 딥러닝 모델, 사이버보안 통합을 포함하여 AI 기반 사기 탐지의 발전을 탐구한다. 또한 사기 예방을 위한 AI 배치와 관련된 한계 및 규제상의 우려를 논의한다. 아울러 본 논문은 기존의 문제를 해결하고자 하는 연합학습(federated learning), 블록체인 통합, 설명가능한 AI(explainable AI)와 같은 새롭게 부상하는 동향을 강조한다. 현재의 환경과 향후 방향을 평가함으로써, 본 연구는 사기 탐지와 보안 분야에서 AI의 역할이 진화하는 양상에 대한 통찰을 제공한다.

금융 거래 네트워크는 기업 간 관계를 나타내며, 기업과 거래는 각각 노드와 엣지로 작용한다. 이러한 네트워크에서의 링크 예측은 잠재적인 향후 거래 또는 누락된 링크를 식별하여 의사결정과 시장 분석에 유용한 통찰을 제공하는 것을 목표로 한다. 일반 네트워크를 대상으로 한 여러 링크 예측 연구가 존재하지만, 금융 거래 네트워크의 고유한 특성을 구체적으로 다룬 연구는 제한적이다. 기존 연구는 종종 기업 간 거래의 방향성, 거래 네트워크의 계층적 성격, 노드 속성의 중요성과 같은 핵심 특성을 간과함으로써 정확한 링크 예측을 저해한다. 본 연구에서는 금융 거래 네트워크의 링크 예측을 위한 새로운 유사도 점수인 ‘속성-거래 유사도(ATS) 점수’를 제안한다. ATS 점수는 표준산업분류(Standard Industrial Classification, SIC) 코드와 같은 기업 속성과 거래 네트워크 토폴로지를 모두 통합하여 기업 간 관측되지 않은 링크를 예측한다. 우리의 방법은 향후 거래를 예측할 뿐 아니라 거래 네트워크의 계층적 구조를 보존한다. 네트워크 토폴로지와 기업 속성 빈도 모두를 활용함으로써, 본 방법은 보다 정확하고 신뢰할 수 있는 예측 결과를 도출한다. 실제 금융 거래 네트워크 데이터셋에 대한 실험적 평가는 ATS 점수 기반 링크 예측 방법이 기존의 유사도 기반 링크 예측 기법을 능가하며, 수신자 판단 곡선(receiver operating characteristic curve, AUC) 아래 면적(AUC) 관점에서 우수한 성능을 달성함을 보여준다. 이는 ATS 점수가 금융 거래 네트워크의 복잡한 관계와 역동성을 포착하는 데 효과적임을 시사한다.

목적 본 연구는 규칙 기반 시스템과 관계 기반 시스템을 각각 대표하는 미국과 중국을 비교함으로써 제도적 환경이 벤처캐피탈(VC) 신디케이션의 효과에 어떻게 영향을 미치는지 탐색하는 것을 목표로 한다. VC 신디케이션은 자원 풀링, 위험 분담 및 성과를 향상시키는 협업을 가능하게 한다는 점에서 종종 강조되지만, 그 성과는 제도적 제약에 따라 상당히 달라질 수 있다. 본 연구는 특히 글로벌 신디케이션과 투자자 경험이 서로 다른 거버넌스 맥락에서 스타트업의 엑싯(exit) 성과를 개선하는지 여부를 조사한다. 이를 통해 본 연구는 반도체와 같은 딥테크 산업에서 신디케이션 전략이 기업가적 성과를 강화하거나 저해하는 경계조건을 검토함으로써 제도이론에 기여한다. 연구설계/방법론/접근 CB Insights의 독창적 데이터 세트를 활용하여 저자들은 미국과 중국의 반도체 부문에서 1,391개 스타트업에 걸친 11,545건의 VC 투자 라운드를 분석한다. 저자들은 신디케이션의 특징이 스타트업의 엑싯 확률과 연결되는 제도화된 가설을 수립하고, 로지스틱 회귀와 IV-Probit 모형을 사용하여 강건성을 검증하며 내생성 문제를 다룬다. 모형은 국가 간 제도 차이를 포착하기 위해 국가별로 각각 추정한다. 저자들은 신디케이션의 구조적 측면(예: 신디케이트 규모, 외국 투자자 참여)과 관계적 특성(예: 투자자 경험의 평균 및 분산)을 함께 살펴, 이러한 요인이 국가 단위의 제도적 맥락과 어떻게 상호작용하는지를 평가한다. 연구결과 결과는 VC 신디케이션의 조건부 가치를 부각한다. 미국에서는 글로벌 신디케이션이 스타트업 엑싯 성공과 정(+)의 관련성을 보이며, 이는 국경을 초월한 협업을 촉진하는 공식적 제도의 역할을 반영한다. 그러나 신디케이트 규모와 투자자 경험은 제한적이거나 일관되지 않은 효과를 보인다. 반면 중국에서는 국내 신디케이션과 글로벌 신디케이션 모두가 엑싯 성과와 부(-)의 관련성을 보이는데, 이는 조정의 어려움과 제도적 마찰(institutional frictions) 때문일 가능성이 크다. 투자자 경험은 혼재된 효과를 나타내며, 폐쇄적인 관시(guanxi) 네트워크가 때때로 더 광범위한 전략적 지원을 제약하는 것으로 나타난다. 이러한 결과는 신디케이션의 이점이 보편적이지 않으며 제도적 적합성과 신뢰 메커니즘에 크게 의존함을 시사한다. 독창성/가치 본 연구는 VC 신디케이션 성과가 신디케이트의 구조와 제도적 맥락 간의 정합성(alignment)에 따라 어떻게 달라지는지를 규명함으로써 제도이론을 진전시킨다. 저자들은 관계 기반 경제에서 신디케이션의 기대된 이점을 뒤집을 수 있는 조절력으로서 ‘제도적 마찰(institutional friction)’ 개념을 도입한다. 연구 결과는 규칙 기반 환경에서는 글로벌 신디케이션이 성공을 높이지만, 비공식적 거버넌스가 지배적인 곳에서는 성과가 저조할 수 있음을 보여준다. 본 연구는 신디케이션 전략이 제도적 현실에 맞춤되어야 함을 제시함으로써 정책결정자와 실무자에게 실행 가능한 시사점을 제공한다. 또한 이는 벤처금융, 제도적 공백(institutional voids), 그리고 국경을 넘는 기업가적 생태계의 교차 영역에 대해 상대적으로 덜 연구된 주제에 경험적으로 기여한다.