The Korean Society For Biotechnology And Bioengineering

Current Issues

Korean Society for Biotechnology and Bioengineering Journal - Vol. 36, No. 1

[ Commentary ]
Korean Society for Biotechnology and Bioengineering Journal - Vol. 36, No. 1, pp.1-15
Abbreviation: KSBB J
ISSN: 1225-7117 (Print) 2288-8268 (Online)
Print publication date 31 Mar 2021
Received 08 Feb 2021 Revised 22 Mar 2021 Accepted 24 Mar 2021
DOI: https://doi.org/10.7841/ksbbj.2021.36.1.1

인수합병 거래 데이터를 활용한 헬스케어 기술기회탐색
김상욱1, 2 ; 최경현2, *
1솔브레인홀딩스(주) 바이오헬스케어본부 신사업전략팀
2한양대학교 기술경영전문대학원

Technology Opportunity Discovery Based on M&A Transactions Data in Healthcare Industry
Sang-Uk Kim1, 2 ; Gyunghyun Choi2, *
1New Business Strategy Team, Biohealthcare Division, Soulbrain Holdings Co., Ltd., Seongnam 13486, Korea
2Graduate School of Technology and Innovation Management, Hanyang University, Seoul 04763, Korea
Correspondence to : Graduate School of Technology and Innovation Management, Hanyang University, Seoul 04763, Korea Tel: +82-2-2220-2251, Fax: +82-2-2220-2255, Email: ghchoi@hanyang.ac.kr


© 2021 The Korean Society for Biotechnology and Bioengineering

Abstract

Global economic uncertainty, low growth and business complexity have put firms at risk of survival. Enterprises pursue sustainable growth and innovation through strategic technology management, but they are suffering from a lack of information on TOD(technology opportunity discovery) and the absence of diversification strategy for new business. It is necessary to conduct a TOD to find promising industry and technology that are conditions for future companies. In addition, TOD of healthcare technologies using M&A(mergers and acquisitions) transactions data have not been reported yet. Therefore, this study proposes a new methodology for exploring technological opportunities using M&A transactions data in healthcare industry. First, we theoretically confirm whether all M&A transactions are related to promising areas. Second, we analyze the global M&A trends by a time series analysis of M&A transactions by sectors over the last 20 years. Third, the association analysis was conducted using the number of M&A transactions between sectors, industries, and healthcare technologies to determine the degree of M&As connection. As a result, the overall trends of promising industry and healthcare technology could be identified. Also, It is expected that it will be used effectively to establish sustainable management strategy, business diversification strategy and technology strategy (research and development portfolio strategy, technology road map) in the future through the exploration of technology opportunity using the M&A transactions data.


Keywords: Mergers and Acquisitions(M&A), Diversification, Technology Opportunity Discovery(TOD), Promising Industry, New Business

1. INTRODUCTION

미·중 무역분쟁과 코로나 19 사태로 인한 글로벌 경기침체로 세계 경제의 불확실성(uncertainty)이 1997년 국제 통화 기금(IMF) 외환위기 이후 최고 수준으로 치솟았다 [1,2]. 글로벌 기업은 경제 위기를 예측하고 대응하기 위해 핵심 사업 (core business) 영역뿐만 아니라 동종사업 또는 이종사업을 포함하는 신규 사업(new business) 영역을 발굴하여 지속성장을 추구한다[3,4]. 애플, 마이크로소프트, 아마존, 구글, 페이스북 등 미국 5대 정보기술 기업들은 코로나 19에도 불구하고 각자의 신성장 동력으로 두 자릿수 성장을 이어갈 수 있었다 [5,6]. 애플의 경우, 서비스(애플 TV 등), 웨어러블 등과 같은 신성장 동력을 합하면 전년 동기 대비 올해 1분기에 18.7% 성장하였고 마이크로소프트의 경우, 클라우드 서비스와 오피스365, 링크트인과 같은 신규 사업을 합하면 전년 동기 대비 올해 1분기에 20.5% 성장하였다.

신성장 동력(new growth engine)을 탐색하고 사업 다각화 (business diversification)를 추구하는 기업들은 기존사업과의 시너지를 위해 핵심역량(core competency)을 바탕으로 신기술(new technology), 신제품(new product), 신사업(new business) 및 신시장(new market) 기회를 모색한다 [7-12]. 하지만 기업은 기술혁신 전략(technology innovation strategy)을 통해 지속성장 및 변화를 추구하지만 기술기회탐색(technology opportunity discovery, TOD)에 대한 정보 부족과 미래의 사업화 (commercialization)를 위한 낮은 수준의 능력 때문에 사업을 다각화하고 성장시키는데 어려움을 겪고 있다 [13-15]. 이러한 어려움을 극복하기 위해 유망 산업(promising industry), 유망 사업 (promising business), 유망 제품(promising product) 및 유망 기술(promising technology) 분야를 식별하기 위한 다양한 예측방법이 개발되었다 [16-18].

유망 산업 및 기술은 최근 몇 년간 시장에서 급속도로 성장하거나 출현하는 산업 및 기술 영역을 말한다. 미래 성장기업의 조건인 유망산업 및 기술을 찾기 위해 기술기회탐색을 수행할 필요성이 있다 [19]. 해외에는 기업, 언론, 민간기구 및 단체 등 다양한 유형의 기관에서 연구개발(research and development, TOD) 리스크를 완화하고 유망 산업에 대한 신뢰성 있고 충분한 증거를 제공하기 위해 주기적으로 미래 유망기술 예측 보고서를 발간하고 있고 국내는 정부 주도의 공공연구정책기관 중심으로 미래 유망기술을 발표하고 있다[20,21]. 해외 주요 발표 기관은 가트너(Gartner), 엠아이티(MIT), 세계경제포럼(WEF), 포브스(Forbes) 등이 있으며 주로 전문가 자문을 통하여 유망기술을 선정하고 있다 [22-25]. 또한 국내 공공기관 중심의 발표 기관은 한국생명공학연구원(KRIBB), 한국과학기술정보연구원(KISTI), 한국과학기술기획평가원(KISTEP), 한구연구재단(NRF), 한국정보화진흥원(NIA) 등이 있으며 바이오, ICT 등 해당 기관이 전문성을 보유하고 있는 특정 분야에 각기 다른 방법론을 통해 세부적인 미래유망기술을 도출하고 있다 [26,27].

산·학·연·관 모두에게 광범위하게 사용되어 있는 예측 기법은 주로 판단적 예측(judgmental forecasting) 방법과 계량서 지학적 분석 방법으로 나뉜다 [28,29]. 우선 판단적 예측 방법은 예측과 관련된 특정 분야의 통찰력을 가진 전문가나 패널의 의견에 의존한다 [30]. 전문가에 의한 판단방법은 경험적 근거가 부족하고 연구결과가 밝혀지기까지 오랜 시간이 걸릴 수 있는 영역 또는 불확실성이 높은 영역에 특히 유용하다. 그러나 이러한 판단방법은 유사한 상황에 대한 의사결정 기준을 적용할 때 개별 전문가나 패널의 의견이 편향될 수 있는 취약점이 있다. 둘째, 텍스트와 정보의 측정으로 정의되어지는 계량서지학 분석(bibliometric analysis)은 오늘날 과거를 이해하고 잠재적으로 미래를 예측하기 위해 사용된다 [31,32]. 기술 예측의 맥락에서, 계량서지학은 저널, 특허에 대한 최근 연구에 대한 정보로 최신 기술 동향을 파악하고 숨겨진 패턴을 발견하는데 도움이 된다. 또한 계량서지학은 정보 기술의 급속한 발전과 데이터베이스 시스템의 발달로 기술 예측에 있어 더욱 중요해지고 있고 문헌의 서술적 통계, 소속, 저자, 국가 및 협업을 분석하기 위해 다양한 유형의 계량서지학적 도구가 개발되었다 [31,33]. 그러나 계량서 지학적 분석 방법에는 질, 데이터베이스 변동, 편향 및 불일치를 포함한 여러 가지 단점이 있다 [34].

기존연구와 본 연구의 차이점은 크게 세 가지이다. 첫째, 본 연구에서 사용되는 인수합병(M&A) 거래 데이터는 유망하다고 여겨지는 산업 및 기술 분야에 대한 객관적 거래 정보를 나타내기 때문에 성장하고 있는 헬스케어 기술 분야를 즉시 식별하는데 적합한 정보를 포함하고 있다 [35-38]. 반면에 논문이나 특허에 기초한 계량서지학적 방법인 기존연구는 최종적으로 논문을 발표하거나 특허를 출원하는데 1~3년이 소요되고 그 이후 사업화에 실패할 수도 있기 때문에 시장에서 실용적으로 사용하기에는 부적합하다 [39-41]. 최근 이 문제점을 보완하기 위해 특허 및 상표 데이터베이스로부터 통합된 특허-제품 데이터베이스를 구축하여 기술기회탐색을 하고 있으나 헬스케어 기술에 사용하기에는 한계가 있다[42,43]. 왜냐하면 진단시약, 의료기기, 제약 등 헬스케어 제품들은 상표를 등록한다고 해서 제품 판매가 이루어지는 것이 아니라 대상제품 규제에 맞는 인허가를 받은 이후에 판매가 진행이 되기 때문이다.

둘째, M&A 거래 데이터는 기술사업화(technology commercialization)를 성공하여 인수되거나 매각된 자료임으로 실제 비즈니스를 잘 표현해 준다 [44-46]. 그러나 기존연구의 데이터인 논문이나 특허는 시장에서의 실제 비즈니스 거래에 근거한 정보가 포함되어 있지 않고 R&D 결과에 대한 출력으로 실제 사업화를 통한 신규 비즈니스가 출현하기 까지는 시간의 차이가 있다 [47,48]. 셋째, 본 연구에서는 제시한 연관성 분석(association analysis)을 더 낮은 수준까지 분석함으로써 보다 정교한 분석 결과를 도출하여 유망 산업 및 헬스케어 기술의 전반적인 동향을 파악할 수 있다. 그러나 기존연구는 상위 수준의 데이터를 이용하여 기술기회탐색을 진행하였기 때문에 유망 산업 및 하위 산업 결과만을 도출한다. 또한 M&A 거래 데이터를 활용한 헬스케어 기술의 기회탐색은 아직 보고된 사례가 없다. 향후 차세대 성장동력 발굴을 위한 새로운 비즈니스 기회를 모색할 수 있는 실용적이고 이용 가능한 방법론을 개발할 필요가 있다. 따라서 본 연구는 M&A 거래 데이터를 활용하여 유망 산업 및 기술 분야를 추천할 수 있는 기술기회탐색을 위한 새로운 방법론을 처음으로 제시하였다는데 의의가 있다.

본 논문의 구성은 다음과 같다. 제 2장에서는 기술기회탐색에 대한 선행연구를 검토하고 글로벌 M&A 현황 및 M&A와 유망 분야와의 상관 관계에 대해 살펴보았다. 제 3장에서는 연구모형, 연구샘플 및 자료 수집 선정 및 실증적 연구방법에 대해 설명하였다. 제 4장에서는 제 3장에서 제안한 실증적 연구방법을 M&A 거래 데이터에 적용하여 기술기회탐색을 수행하였다. 또한 M&A 연결 정도를 파악하기 위해 섹터 간, 산업 간, 헬스케어 기술 간 인수합병 거래수를 이용하여 연관성 분석을 실시하였다. 제 5장에서는 M&A 거래 데이터 기반 기술기회탐색 방법론에 대한 결과에 대해 토의하고 시사점, 향후 연구 방향에 대해 제시하였다.


2. 이론적 배경
2.1. 기술기회탐색의 정의

최근 정부출연연구소 및 민간기업의 R&D 관련 주체들은 글로벌 경쟁이 심화되고 기술 및 제품의 수명주기가 크게 단축됨에 따라, 현재 수행하고 있는 연구과제, 비즈니스가 지속적인 이익을 가져다 줄 것이라고 확신하지 못하는 상황에 직면하고 있다. 이에 새로운 R&D 아이템을 개발하는 것은 투자 위험도가 상대적으로 높으나 미래유망기술 발굴이 기업이나 국가의 경쟁력 확보를 위한 핵심적인 요소로 간주되면서 기술기회탐색은 필수적인 프로세스로 받아들여지고 있다.

기업이나 연구기관, 국가 차원에서 기술기회를 탐색하는 것은 국가의 R&D 정책 및 기업의 R&D 전략 및 기술로드맵 개발에 중요한 이슈이고 기술 기회를 탐색함으로써 미래에 출현할 시장성, 기술성이 있는 성공적인 아이템을 찾을 수 있다 [49,50]. 또한 기술기반의 기업에게 있어 기술기회탐색은 해당 기업의 지속 가능한 발전(sustainable development)을 위한 단기·중기·장기 R&D 계획, 기술 및 제품 포트폴리오를 수립하는데 원동력이 된다 [51,52].

기술기회와 유사한 용어로는 기술예측 (technology forecasting), 기술전망 (technology foresight), 기술평가 (techno-logy assesment) 등이 있고 이전 연구에서 기술기회라는 용어는 시대에 따라 정의하고 있지만 대부분은 공통적인 견해를 보이고 있다. Nelson & Winter(1982)는 투입시간과 비용 측면에서 기술기회를 주어진 지식, 산업분야에서 얼마나 쉽게 혁신할 수 있는지에 대한 가능성으로 정의하였다 [53]. 기술기회는 연구 개발을 통해 달성된 특정 매개변수로서 이를 통해 개선된 제품이나 기능은 가치 증대의 관점에서 측정될 수 있다고 설명한다 [54]. Cohen(1995)은 기술기회가 단위 기술 진보당 소요되는 비용을 반영하기 때문에 기술 기회가 낮다는 것은 투자대비 낮은 진보가 있음을 의미하고, 기술 기회가 높다는 것은 투자대비 높은 기술적 진보임을 의미한다고 언급하였다 [55]. 일반적으로 기술이 가지고 있는 가능성 또는 가능성을 가진 기술로 특정한 기술 분야나 일반적인 과학 분야에서의 기술적 진보를 위한 가능성이라고 정의하였다 [56].

기술기회탐색이란 기술 및 제품의 개발과 활용을 통해 수익 창출이 가능한 기회를 발굴하는 과정으로 정의할 수 있다[51]. 기술의 진보를 이끌 수 있는 가능성, 혹은 그러한 가능성을 가진 기술의 도출과정으로 정의되고, 현 시점에서 개발을 통해 기술적, 경제적 가능성이 있다고 판단되는 특정 기술 및 제품을 찾는 과정으로 정의된다 [51]. 따라서 기술기회탐색은 기술이 가질 수 있는 기회와 기회가 될 수 있는 기술을 찾는 전략적 기술경영 활동을 의미하며, 기업의 입장에서는 사업타당성을 확보할 수 있는 기회가 될 수 있다. 또한 이전 연구마다 차이를 보이지만 대체적으로 기술의 진보를 이끌 수 있는 가능성 또는 그 집합을 의미한다.

2.2. 기술기회탐색 관련 연구

1990년대 Georgia Tech의 Alan Porter를 중심으로 떠오르는 과학 분야, 새로운 기술 연구, 연구 및 교육 투자의 우선순위를 결정과 자원 배분과 같은 의사결정의 과정을 체계화하려는 노력이 기술 인텔리전스를 기반으로 한 Technology Opportunities Analysis(TOA)이라는 프레임 워크로 시작되었다 [57,58].

기술기회탐색 방법은 크게 전문가 기반(정성적 접근 방법)객관적 자료분석(정량적 접근 방법)에 기반한 2가지 방법으로 구분된다. 정성적인 접근 방법에는 일반적인 기술 예측방법에서와 같이 델파이 기법(delphi method), 계층분석법(analytic hierarchy process), 네트워크분석법(analytic network process), 형태학적 분석법(morphological analysis) 등이 있다[59,60]. 그러나 기존의 정성적인 접근 방법은 정책적 의도 또는 관련분야 전문가의 선험적 지식에 주로 결정되는 경향을 보여 왔다. 또한 전문가의 정성적 분석을 기반으로 한 기존방법론의 경우 고비용과 많은 시간이 소요되며 분석결과의 편향, 주관성 등과 같은 한계점들이 발생할 수 있다.

기술혁신 전략을 위한 기술기회 방법론은 전문가 주관의 개입으로 인해 기술기회탐색 프로세스가 주관적으로 흘러가지 않도록 해야하며, 체계적이고 분석적인 시스템의 구축이 요구된다. 이에 따라 논문, 특허 등의 기술문서의 분석을 기반으로 하는 정량적 접근 방법의 기술기회탐색 방법론들은 최근의 정보화 기술의 급속한 발전과 더불어 다양한 연구자들에 의해 제시되어 왔다. 대량의 특허 자료분석에 기반한 기술기회탐색 연구는 정성적 접근 방법의 한계인 전문가에 대한 의존성을 줄이고, 새로운 기술기회 아이템을 착안 및 발굴할 수 있도록 지원한다는 관점에서 장점을 지닌다 [52,61].

반면에 헬스케어 산업에서의 서지 정보와 특허 분석과 같은 정량적인 접근 방법은 R&D의 성과인 논문과 특허가 데이터로 생성되기 까지 약 몇 년의 시간의 차이뿐만 아니라 기술사업화가 성공하여 실제 사업을 진출하기까지의 시간도고려할 때 실제 사업과의 연관성이 적은 단점이 있다. 예를들어, 미국 신약의 경우 임상 1상부터 FDA 승인까지 신약 개발에 걸린 기간은 평균 12.5년이고 승인후 판매가 가능하다.

따라서 본 연구에서는 M&A 거래 데이터를 통해 기술기회탐색을 함으로써 기존 정량적인 접근 방법에서 얻어지는 유망 분야의 선정 시기보다 빠르게 유망 분야를 발굴할 수 있고 이에 따라 글로벌 경쟁기업과의 기술적인 격차를 더 넓힐 수 있어 신규 사업을 진출하여 시장을 선점하는데 큰 장점이 있다.

2.3. 글로벌 M&A현황

기술기회와 인수합병(M&A)은 오래전부터 있어 왔고 더 이상 재계의 새로운 개념이 아니다. 인수합병(M&A)은 합병(mergers), 인수(acquisitions), 통합(consolidations), 자산 매입(purchase of assets), 경영인수(management acquisitions) 등 다양한 형태의 금융거래를 통해 기업이나 자산을 통합하는 것을 일컫는 총칭이다. 글로벌 비즈니스 환경에서 경쟁력의 증가는 M&A의 광범위한 적용에 큰 도움이 되었고 M&A는 1800년대 후반부터 존재감을 느끼기 시작했다 [62]. M&A의 진화(evolution)는 제1차 물결(1893년-1904년), 제2차 물결(1919년-1929년), 제3차 물결(1955년-1970년), 제4차 물결(1974년-1989년), 제5차 물결(1993년-2000년), 제6차 물결(2003년-2008년), 제7차 물결(2011년-현재)로 나누어진다[62,63]. 유망 산업 분야를 파악하기 전에 우리는 S&P Capital IQ의 글로벌 M&A 거래를 이용하여 최근 기간 동안의 M&A거래의 전반적인 동향을 조사했다. Fig. 1은 2000년부터 2019년까지 전 세계 M&A 거래수를 나타낸 것이다.


Fig. 1. 
The number of global M&A transactions from 2000 to 2019.

M&A 시장은 다소 변동이 있었지만 이 기간 동안 매우 활발하고 지속적으로 증가하고 있다. 2015년 글로벌 M&A 거래는 59,663건이었다. 2000~2019년 M&A 거래수의 연평균 성장률(CAGR)은 5.3%를 기록했다. 또한, Fig. 1은 최근 20년간 2007년, 2012년, 2015년 최고점을 가지는 3차례의 글로벌 M&A 활동을 보여주고 있다.

Fig. 2는 2000년부터 2019년까지 전 세계 M&A 거래 규모를 나타낸 것이다. 오늘날 물결의 가장 두드러진 특징은 거래 규모와 이러한 거래들이 성장하고 있는 속도다. 특히 글로벌 기업 및 대기업들이 합병이나 인수에 집중하면서 전략적 거래의 규모가 커져 10억 달러가 넘는 메가딜(megadeals)의 수가 기하급수적으로 증가했다. 거래 규모가 커지는 것은 통합(consolidations)에 대한 강한 추세와 전반적인 밸류에이션 수준이 높아졌기 때문이기도 하지만, 기업 인수 후 사업의 성공 시 기록적인 이익을 주는 데에서 기인한다.


Fig. 2. 
Global M&A deal size from 2000 to 2019.

2.4 M&A와 유망 분야(Promising Areas)의 관계

기업 간 경쟁이 거세지고 기업을 둘러싼 위험이 커지고 장수기업으로 생존하는 것이 매우 힘든 과제가 되고 있다. 특히 우리나라의 경우 경영환경의 변화가 극심해 장수기업의 출현이 더욱 어려워 졌다. 실제로 국내 기업의 수명에 대한 연구에 의하면, 시가 총액 순위 100대 기업의 10년 생존률은 47%, 40년간 존속 가능성은 12%에 지나지 않아 미국이 32%인 것에 비해 상대적으로 낮은 것으로 나타나고 있다 [64]. 이를 극복하기 위해 M&A는 업종을 불문하고 전 세계에서 일어나고 있으며, 따라서 이 활동과 관련된 기본 개념을 이해할 필요가 있다.

합병(merger)은 두 개 이상의 기업이 합병해 한 기업을 만들 때를 뜻한다. 합병은 2개 이상의 기업이 참여하는 증권(securities)거래로 정의되며, 1개 기업만이 살아남는다고 정의된다. 한 기업이 사업을 물리적으로 결합하지 않고 다른 기업의 자산이나 경영에 대한 효과적인 통제권을 획득하는 행위인 인수(acquisition)와는 대조적으로 일반적으로 두 개 이상의 기업의 주주들이 공동체의 기업들의 자원을 모으기로 결정할 때 합병(merger)이라고 불린다 [65].

모든 M&A 거래가 전통적인 벤처 투자처럼 유망한 분야를 대상으로 하는 것은 아니고 내부 변화와 전략적 목표를 위한 M&A 거래가 있을 수 있다. 따라서 M&A와 유망 분야(promising areas)의 관계를 분석하여 유망 분야를 중심으로 M&A 거래를 진행하고 있다.

문헌 리뷰에 따르면 M&A의 주요 이유는 신규사업 진출, 연구개발 역량 확보, 시장점유율 증가, 효율성 향상, 기업 성장, 최적화, 비용 절감, 리스크 감소 등이다. Colombo & Garrone(2006)은 M&A 거래 관련 62개 기업을 대상으로 한 조사에서 기술 관련 동기에 연구개발에서 리스크 확산, 경제의 규모와 범위, 기술자원에 대한 접근, 기술시장에서 유출과 경쟁의 감소 등이 포함되어 있다고 밝혔다 [66]. Kishore(2011)도 실증연구에서 M&A는 자원배분을 최적화하고 경제발전을 촉진하는데 중요한 역할을 할 뿐만 아니라 기업의 대외성장의 중요한 요소라고 주장했다 [67]. 따라서 시너지(Synergy)가 M&A의 중요한 이유인 것은 성패의 본질적 척도이기 때문이다.

1970년대부터의 M&A에 관한 오래된 연구에서는 연구개발 활동의 증가와 기술성과 향상은 M&A의 동기로서 거의 관련성이 없어 보이지만 오늘날에는 M&A가 기업의 기술 획득(technology acquisition)과 혁신 전략(innovation strategy) 특히 ICT와 바이오의약품(biopharmaceuticals) 같은 연구개발 집약적인 산업(R&D-intensive industries)에서 중요한 요소라고 하는 연구 결과가 많다 [68,69]. M&A를 통해 기업은 기존기술(existing technologies)을 소싱할 수 있으므로 사내 개발(in-house development)을 통해 실현 가능한 것보다 기술 포트폴리오(technology portfolio)의 격차를 더 빨리 좁힐 수 있다 [70]. 실제 많은 중견·중소기업은 R&D에 투자되어야 하는 긴 개발기간과 전략 방향에 따른 사업모델 확정의 의사결정의 어려움으로 자체 R&D의 대안을 필요로 하고 있다[71]. 또한 M&A는 피인수기업에 존재하는 지식과 기술을 재결합하여, 혁신을 창출하는 메커니즘을 제공한다 [72].

Hussinger(2010)는 실증분석을 통해 기업들이 기술역량(technological competencies)을 강화하기 위해 M&A에 임한다는 것을 보여주었다 [73]. 위의 문헌 검토를 바탕으로 기업이 M&A로 기술 역량(technological capability)과 성장 동력(growth engine)을 확보하고 생산성을 향상시켜 유망 산업 분야(promising industry areas) 및 유망 기술 분야(promising technology areas)에 진출함으로써 성장과 혁신을 도모하고 있음을 알 수 있다.

Mensah & Onumah(2017)는 이론적 및 경험적 리뷰에서 합병 동기를 가치향상(value enhancing) 및 비가치향상(nonvalue enhancing)인 두 범주로 분류할 수 있다는 것을 확인했다 [74]. 가치 향상 동기에는 실제 비용 절감, 재무적 또는 재분배 비용 절감, 효율성과 시너지, 시장 지배력 향상, 선제적 또는 방어적 징계 인수 등이 포함된다. 가치 향상 동기의 하나인 비용 절감에는 평균 또는 한계 생산 비용, 고정 비용, 재무 비용 및 연구개발 비용 감소가 포함되는데 유망기술을 발굴하여 신제품개발 및 프로세스 혁신을 통해 기존 기업 내에서 효율성과 생산성을 높임으로써 지속적 성장으로 이어질 수 있다. 따라서 M&A를 통한 비용 절감은 유망한 분야와 관련이 있다.

반면에 비가치 향상 동기는 다각화(diversification), 제국건설(empire building), 국제화, 위험분산, 불경기 등이다. 합병은 주주들을 희생시켜 자신의 부를 극대화하려는 경영자들에 의해 추진된다고 주장한다 [75]. 경영진의 이익 추구는 경영자의 효용을 극대화하는 것이며, 경영진은 기업의 이익이나 잠재 가치를 극대화하기 위해 노력한다. 또한 경영자들은 기업의 이윤을 극대화하기 위한 성장 잠재력과 혁신을 추구하며, 이를 위해 유망한 사업 분야에도 진출하고자 한다. 따라서 주주 및 경영자의 이익 추구는 유망 분야와도 관련이 있다.

M&A의 유형은 합병기업의 사업구조(business structure)에 따라 수직(vertical) M&A, 수평(horizontal) M&A, 제품확장형(product extention) M&A, 시장확장형(market extention) M&A, 다각적(conglomerate) M&A가 있고 경영진의 자발적, 의지적, 상호적 동의가 있을 때 우호적(friendly) M&A라고 하며 인수합병이 강제적이거나 대상 경영진의 의사에 반할 때는 적대적(hostile) M&A라고 한다. 또한 다른 유형으로는 국내(domestic) 및 크로스보더(cross-border) M&A로 분류될 수 있고 domestic M&A는 같은 국사 내 2개 기업이 참여하고, cross-border M&A(inbound M&A 또는 outbound M&A)는 다른 국가 2개 기업 간에 이뤄진다 [76,77]. M&A 거래 유형을 분석한 결과, 수평적, 수직적, 다각적 M&A가 모두 확장이나 성장을 시도하고 있으며, cross-border M&A도 국경과 무관하게 확대나 성장을 하기 때문에 유망 분야와 관련이 있다는 것을 알 수 있다.

Friendly M&A 및 긴급구제금융 M&A는 상호 합의에 의해 쌍방의 이익과 성장 가능성이 인정되기 때문에 유망한 분야와 관련이 있으나 hostile M&A는 동반성장을 위한 수단이 아니라 일방적 관계인 만큼 연결성(connectivity)이 유망한 분야와 관련이 있는지 검토할 필요가 있다. 그러나 대부분의 hostile M&A는 인수기업(Buyer)이 대상 기업(Target)의 자산을 강탈하고 파산시키지 않고 피인수기업의 핵심 사업을 재조정하고 운영 성과를 향상시키기 위해 기존 사업군과 시너지가 있는 유망 분야를 발굴하는데 집중한다 [78].

M&A 거래 유형 관련 문헌을 검토한 결과, 대부분의 M&A 거래가 유망한 분야를 찾는 데 도움이 된다. 대기업과 중소기업 M&A로 유망 산업과 기술 분야를 발굴하고 지속가능성(sustainability)을 모색하고 새로운 성장동력(new growth engines)을 얻기 위해 끊임없이 노력한다. 예를 들어, 글로벌 정밀화학 산업분야의 리더인 솔브레인홀딩스(주)는 바이오 헬스케어 유망분야를 신성장 동력으로 선정하였다. 글로벌 리딩 바이오기업으로 도약하기 위해 ARK Diagnostics, Inc. (2018년) 필두로 PixCell Medical Technologies Ltd.(2020년), ㈜진켐(2020년)을 인수하여 바이오헬스분야의 신사업을 시작하였다. ARK Diagnostics, Inc. 경우 2020년 총자산 108,457백만원, 당기 순손익 12,579 백만원을 달성하였다.

결론적으로 M&A 활동은 기업의 비유기적 성장(inorganic growth) 전략 중 하나이고 M&A 거래가 활발히 이뤄지는 분야는 유망한 분야로 볼 수 있다.


3. 연구모형
3.1 연구모형

Cordero(1990)는 기업의 경쟁우위를 유지하는 핵심 요소는 성공적 신제품을 반복해서 출시하는 것이고 조직의 혁신 프로세스의 지속적 관리 및 개선이 필요하며, 이를 위해 조직의 혁신 성과 측정이 필요하다고 하였다 [79]. 혁신 개발 프로세스에 따르면, 사업의 성공은 연구개발 자원(R&D resources) 뿐만 아니라 상업 자원 (commercialization resources)의 분배에 의해 결정된다고 보았다. 따라서 본 연구에서 기술기회탐색을 위해 technology unit(R&D) 입력에 대한 출력인 논문이나 특허를 데이터로 선정하지 않고 두 개의 프로세스(technology unit, commercialization unit)를 고려한 M&A 거래 데이터를 선정하였다 (Fig. 3).


Fig. 3. 
Innovative product development process. (input, output elements)

3.2. 연구샘플 및 자료 수집

M&A 거래에 대한 정보를 찾을 수 있는 여러 M&A 데이터 베이스(Data Base, DB)가 있다. 그러나 S&P Capital IQ만이 모든 M&A 거래에 대한 상세한 정보와 분석을 가장 세분화 된 수준에서 제공한다 [46]. 또한 전 세계 투자은행, 자산운용사, 사모펀드 기업, 기업 등에 정확한 금융정보를 제공한다.

Capital IQ, FactSet and PitchBook 중 Capital IQ의 장점은 산업분류체계, 재무정보, 추정치, DB 구성에 있다. Buy-side 투자심사역을 위한 소프트웨어 개발업으로 시작한 FactSet과는 다르게 S&P Global사의 Capital IQ는 M&A 업무를 전문으로 하는 Sell-side 행원을 위한 기업 및 Deal DB로 시작하여 지난 21년간 수 많은 데이터를 자체 수집 및 처리하며 신뢰 있는 DB 구축 하였다. 따라서 M&A 거래에 대한 상세한 분석을 할 수 있는 S&P Capital IQ로 선정하였다. 데이터 분석시 거래유형 중 사모투자 (private placement), 공모투자(public offering), 일괄등록 (shelf registration), 자사주매입(buybacks), 파산 (bankruptcies), 분리설립(spin-off), 분할설립 (split-off)을 제외하고 인수합병(merger and acquisition) 거래유형만을 사용하였다.

또한 S&P Capital IQ 산업 부문은 글로벌 금융권이 활용하기 위해 1999년 Morgan Stanley Capital International(MSCI)과 Standard & Poor’s(S&P)가 개발한 산업분류체계(industry taxonomy)인 GICS를 기반으로 11개 섹터(수준 1), 24개 산업군(수준 2), 68개 산업(수준 3), 157개 하위산업군(수준 4)으로 구성된 4단계 계층 분류 프레임워크가 포함되어 있다. GICS는 S&P 및 MSCI 금융시장 지수의 기준으로 각 기업이 주요 사업활동의 정의에 따라 하위산업과 해당 산업·산업군·색터에 할당된다. 섹터(sectors)는 대규모 기업집단을 분류할 수 있는 일반적 섹터 중 하나이다. 반면에 한 산업(industry)은 매우 유사한 사업 활동을 가진 회사들의 훨씬 더 구체적인 집단을 설명한다. 또한 모든 산업 섹터의 공통 하위 수준은 기업 수익을 창출하는 사업 활동을 면밀하게 기술하는 GICS의 하위 산업(수준 4)에 해당한다.

3.3. 분석방법

S&P Capital IQ의 산업부문 최상위 수준(수준 1)에서 섹터간 연관성 분석(association analysis)을 실시한다 [80]. m(인수기업 섹터, buyer’s sector) x n(피인수기업 섹터, target’s sector) 매트릭스를 수준 1에 대해 구축하여 섹터 간 M&A 연결 구조(association structure)를 분석한다. 매트릭스 구성은 섹터 간 M&A 거래수를 기준으로 하고 유망 산업 분야(promising industrial areas)의 섹터는 전체 기간(2000년-2019년)동안 각각 4년으로 구성된 5개 기간을 분석해 도출한다.

또한 S&P Capital IQ의 산업부문 수준 4에서 동일한 방법으로 하위산업간 연관성 분석(association analysis)을 실시한다. M&A 거래수를 이용하여 기술 간 연관성 분석을 위해 헬스케어 섹터를 10개의 헬스케어 대표 기술로 분류하였고 분석을 수행하였다


4. 실증분석
4.1 섹터별 M&A 거래의 시계열 분석

Fig. 4는 최근 20년(2000년-2019년) 동안 11개 섹터의 M&A 거래수(number of M&A deals)를 기준으로 한 누적 M&A 거래 분석 결과를 나타낸 것이다. 2000년부터 2019년까지 섹터별로 다소 격차가 있지만 대부분의 업종에서 M&A 거래수가 크게 늘고 있다.


Fig. 4. 
Cumulative number of M&A transactions by sectors.

특히 섹터 중에서는 산업재(industrials), 부동산(real estate), 경기관련소비재(consumer discretionary), 정보기술(information technology), 통신서비스(communication services), 금융(financials), 소재(materials), 헬스케어(health care)이 M&A 거래에서 차지하는 비중이 크고, 지속적이고 빠르게 증가하는 추세를 보이고 있다.

이와는 대조적으로, 유틸리티(utilities), 에너지(energy), 필수 소비재(consumer staples)와 같은 섹터는, 2019년 누적 M&A 거래수가 4만 건 이하인 경우 시간이 지날수록 거래수가 계속 증가하고 있지만 상대적으로 낮은 비중을 차지하고 있다.

Table 1은 섹터별 누적 M&A 거래수를 바탕으로 시계열 데이터의 단순 선형 회귀 분석(simple linear regression analysis)을 나타낸다. Table 1에서 보듯이 모든 섹터의 회귀 분석 결과는 양의 상관관계이고 유의수준 1%(0.01) 에서 모든 섹터의 M&A거래량에 대한 회귀계수는 유의한 것으로 확인된다. 또한 부동산, 산업재, 경기관련소비재, 정보기술 등으로 M&A 거래수에 따라 성장속도가 다른 섹터보다 크다는 의미다.

Table 1 
Regression analysis of the cumulative number of M&A transactions by sector
Sectors Regression Coefficient P-Value
Consumer Discretionary  23,615 0.00017*
Consumer Staples  9,389 0.00040*
Energy  6,729 0.00310*
Financials  13,462 0.00020*
Health Care  12,424 0.00264*
Industrials  32,521 0.00024*
Information Technology  19,457 0.00244*
Materials  12,918 0.00025*
Real Estate  36,553 0.00713*
Communication Services  13,586 0.00014*
Utilities  4,634 0.00200*
*p<0.01

Fig. 5는 섹터별 5개 기간(period)별 상대적 M&A 거래수를 분석하고 비교한다. M&A 거래의 상대적 수는 각 기간의 모든 섹터 총 M&A 거래수에 대한 섹터별 M&A 빈도의 상대적 비율(relative ratio)로 결정된다. 부동산 섹터의 경우 기간 1부터 기간 4까지 상대적 M&A 거래수가 가파르게 증가해 빠른 성장세를 보이다가 기간 4부터 기간 5까지는 상대적 M&A 거래수 감소하고 있다.


Fig. 5. 
Relative number of M&A transactions by sectors.

부동산 섹터의 경우 기간 1부터 기간 4까지 상대적 M&A 거래수가 가파르게 증가해 빠른 성장세를 보이다가 기간 4부터 기간 5까지는 상대적 M&A 거래수 감소하고 있다. 반면에 금융, 통신서비스 섹터는 상대적 M&A 거래수가 시간이 지날수록 감소하고 있다. 또한 산업재, 정보기술, 경기관련소비재 섹터는 기간에 따라 상대적 M&A 거래수보다 상대적 M&A 거래수보다 높은 구간이 있고 유틸리티, 에너지, 필수소비재, 소재 ,헬스케어 섹터는 상대적 M&A 거래수에 큰 차이가 없다.

Fig. 5의 분석결과를 기간별 4년 단위로 나누어 제시하였지만 분석대상을 섹터보다 하위 단계로 세분화하고 분석 기간을 짧게 더 세분화하면 보다 구체적으로 파악할 수 있다.

4.2. 섹터(수준 1)간 연관성 분석

Table 2는 모든 섹터의 최상위 수준(수준 1)에서 섹터간 연관성 분석 결과를 나타낸다. 전체 기간 동안(2000년-2019년, 20년) 11개 인수기업 및 11개 피인수기업 섹터 간 총 623,191건의 거래가 이뤄졌다. 단 인수기업(매수자) 또는 피인수기업(대상)이 없는 경우 M&A 거래수에서 제외했다.

Table 2 
Inter-sector association analysis over 20 years
Target Sectors Consumer Discretionary Consumer Staples Energy Financials Healthcare Industrials Information Technology Materials Real Estate Telecommunication Services Utilities Total
Buyer Sectors
Consumer Discretionary Period 1 3,472 93 23 107 78 484 299 136 79 293 10 5,074
Period 2 7,526 313 59 184 112 1,032 484 326 319 501 23 10,879
Period 3 8,548 371 66 172 171 1,157 453 359 928 528 60 12,813
Period 4 9,333 430 78 164 163 1,177 632 299 1,825 686 50 14,837
Period 5 9,812 487 60 161 198 1,448 805 249 780 658 63 14,721
20 years 38,691 1,694 286 788 722 5,298 2,673 1,369 3,931 2,666 206 58,324
Consumer Staples Period 1 322 1,929 3 37 99 98 26 75 15 26 5 2,635
Period 2 609 4,462 48 72 201 312 52 161 74 64 14 6,069
Period 3 766 4,868 36 85 201 423 53 164 186 49 23 6,854
Period 4 608 4,866 36 62 190 329 45 170 234 59 21 6,620
Period 5 603 5,008 28 58 245 255 74 152 105 56 16 6,600
20 years 2,908 21,133 151 314 936 1,417 250 722 614 254 79 28,778
Energy Period 1 78 8 1,570 72 9 237 87 98 6 36 102 2,303
Period 2 174 36 4,011 126 25 625 106 317 9 56 200 5,685
Period 3 190 31 4,702 97 18 608 95 342 90 34 231 6,438
Period 4 141 37 3,862 43 11 458 52 274 122 26 189 5,215
Period 5 125 20 2,883 34 9 334 60 230 77 16 193 3,981
20 years 708 132 17,028 372 72 2,262 400 1,261 304 168 915 23,622
Financials Period 1 1,202 414 117 5,236 423 1,715 1,097 516 495 672 88 11,975
Period 2 3,382 942 373 8,477 1,059 4,004 1,719 1,209 2,626 1,256 404 25,451
Period 3 2,605 894 496 8,677 1,133 3,664 1,491 1,054 5,476 983 508 26,981
Period 4 3,253 1,047 578 9,209 1,421 4,119 1,925 1,289 11,349 1,106 766 36,062
Period 5 2,962 1,122 357 9,149 1,686 4,172 2,708 1,127 9,968 1,073 1,045 35,369
20 years 13,404 4,419 1,921 40,748 5,722 17,674 8,940 5,195 29,914 5,090 2,811 135,838
Healthcare Period 1 138 83 10 140 2,805 234 339 71 13 97 1 3,931
Period 2 197 174 21 184 5,373 336 357 151 38 119 4 6,954
Period 3 204 194 43 138 6,386 352 257 200 85 113 4 7,976
Period 4 237 250 33 122 7,686 319 236 148 172 97 6 9,306
Period 5 223 436 20 140 8,626 375 336 170 143 130 11 10,610
20 years 999 1,137 127 724 30,876 1,616 1,525 740 451 556 26 38,777
Industrials Period 1 945 69 90 250 133 5,582 1,081 510 89 422 114 9,285
Period 2 2,052 314 344 504 297 12,977 1,666 1,262 336 573 292 20,617
Period 3 2,569 431 507 635 484 19,225 2,121 1,756 1,001 764 509 30,002
Period 4 1,887 343 502 531 422 16,159 1,822 1,292 1,183 653 445 25,239
Period 5 1,832 392 338 588 509 16,988 2,331 1,198 704 692 443 26,015
20 years 9,285 1,549 1,781 2,508 1,845 70,931 9,021 6,018 3,313 3,104 1,803 111,158
Information Technology Period 1 403 11 21 304 123 878 7,082 71 25 938 10 9,866
Period 2 531 21 51 320 189 1,278 9,432 147 54 1,046 21 13,090
Period 3 498 16 41 296 243 1,247 9,096 204 90 1,120 53 12,904
Period 4 454 32 56 264 272 1,450 10,077 205 112 1,441 87 14,450
Period 5 539 32 34 348 347 1,608 11,350 155 92 1,458 66 16,029
20 years 2,425 112 203 1,532 1,174 6,461 47,037 782 373 6,003 237 66,339
Materials Period 1 220 67 77 88 65 370 135 2,333 11 57 33 3,456
Period 2 453 137 423 142 136 959 141 6,228 54 57 81 8,811
Period 3 464 168 456 185 137 1,076 140 7,785 157 56 94 10,718
Period 4 311 183 314 85 161 1,099 128 6,185 146 44 85 8,741
Period 5 262 229 164 99 182 1,218 172 6,629 179 38 68 9,240
20 years 1,710 784 1,434 599 681 4,722 716 29,160 547 252 361 40,966
Real Estate Period 1 195 29 7 76 32 101 51 14 1,042 39 1 1,587
Period 2 1,062 106 19 187 111 395 94 73 4,638 84 20 6,789
Period 3 797 109 27 205 232 692 104 79 9,941 83 39 12,308
Period 4 1,242 125 22 220 524 751 121 63 19,999 106 35 23,208
Period 5 954 99 14 168 410 420 149 55 13,257 115 44 15,685
20 years 4,250 468 89 856 1,309 2,359 519 284 48,877 427 139 59,577
Telecommunication Services Period 1 335 14 3 164 43 309 941 23 15 4,358 2 6,207
Period 2 558 21 25 150 93 512 1,212 41 33 7,674 11 10,330
Period 3 631 34 26 137 85 547 1,217 47 87 7,194 9 10,014
Period 4 695 52 25 134 117 515 1,580 49 113 7,431 12 10,723
Period 5 651 45 16 139 107 550 1,660 24 115 6,684 11 10,002
20 years 2,870 166 95 724 445 2,433 6,610 184 363 33,341 45 47,276
Utilities Period 1 27 1 145 25 4 134 33 26 5 46 809 1,255
Period 2 47 10 210 29 4 266 41 44 16 36 1,538 2,241
Period 3 54 6 283 44 5 350 58 52 41 28 1,968 2,889
Period 4 46 11 223 29 7 350 60 28 40 19 2,087 2,900
Period 5 57 6 184 36 7 425 91 22 24 34 2,365 3,251
20 years 231 34 1,045 163 27 1,525 283 172 126 163 8,767 12,536
Total Period 1 7,337 2,718 2,066 6,499 3,814 10,142 11,171 3,873 1,795 6,984 1,175 57,574
Period 2 16,591 6,536 5,584 10,375 7,600 22,696 15,304 9,959 8,197 11,466 2,608 116,916
Period 3 17,326 7,122 6,683 10,671 9,095 29,341 15,085 12,042 18,082 10,952 3,498 139,897
Period 4 18,207 7,376 5,729 10,863 10,974 26,726 16,678 10,002 35,295 11,668 3,783 157,301
Period 5 18,020 7,876 4,098 10,920 12,326 27,793 19,736 10,011 25,444 10,954 4,325 151,503
20 years 77,481 31,628 24,160 49,328 43,809 116,698 77,974 45,887 88,813 52,024 15,389 623,191

M&A 거래가 가장 많은 섹터는 산업체(매수자)와 산업체(대상)로 이 기간 동안 70,931건의 거래가 성사됐다. 매수자 관점(buyer’s perspective)에서 전 기간에 걸쳐 가장 많이 거래된 섹터는 금융(135,838건)으로 전체 거래의 21.8%를 차지했고 산업재(111,158건, 17.8%), 정보기술(66,339건, 10.6%)순이었다. 거래대상(Target)은 산업재(116,698건, 18.7%)이 가장 많았고 부동산(88,813건, 14.3%), 정보기술(77,974건, 12.5%) 순이었다.

2000년-2003년(기간 1) 동안 11개 매수자 및 11개 대상 섹터 간 거래는 57,574건이었다. 매수자로 가장 적극적으로 참여한 섹터는 금융(11,975건 거래)으로 기간 1 전체 거래의20.8%를 차지했다. M&A 거래에서 가장 적극적인 대상 섹터는 정보기술(10,142건, 19.4%)이었고, 산업재(10,142건, 17.6%)순이었다. 기간 1에서 M&A 거래가 가장 많이 발생한 곳은 정보기술(매수자)과 정보기술(대상) 간 거래로 7,082건이었다.

2004년-2007년(기간 2) 동안 11개 매수자 및 11개 대상 섹터 간 거래는 116,916건이었다. 매수자로 가장 적극적으로 참여한 섹터는 금융(25,451건)으로 기간 2 전체 거래의 21.8%를 차지했다. M&A 거래에서 가장 적극적인 대상 섹터는 산업재(22,696건, 19.4%)이었고 경기관련소비재(16,591건, 14.2%)순이었다. 기간 2에서 M&A 거래가 가장 많이 발생한 곳은 산업재(매수자)와 산업재(대상) 간 거래로 12,977건이었다.

2008년-2011년(기간 3) 동안 11개 매수자 및 11개 대상 섹터 간 거래는 139,897건이었다. 매수자로 가장 적극적으로 참여한 섹터는 산업재(30,002건)로 기간 3 전체 거래의 21.4%를 차지했다. M&A 거래에서 가장 적극적인 대상 섹터는 산업재(29,341건, 21.0%), 부동산(18,082건, 12.9%) 순이었다. 기간 3에서 M&A 거래가 가장 많이 발생한 곳은 산업재(매수자)와 산업재(대상) 간 거래로 19,225건이었다.

2012년-2015년(기간 4) 동안 11개 매수자 및 11개 대상 섹터 간 거래는 157,301건이었다. 매수자로 가장 적극적으로 참여한 섹터는 금융(19,717건)으로 기간 4 전체 거래의 19.0%를 차지했다. M&A 거래에서 가장 적극적인 대상 섹터는 부동산(35,295건, 22.4%), 산업재(26,726건, 17.0%) 순이었다. 기간 4에서 M&A 거래가 가장 많이 발생한 곳은 부동산(매수자)와 부동산(대상) 간 거래로 19,999건이었다.

2016년-2019년(기간 5) 동안 11개 매수자 및 11개 대상 섹터 간 거래는 151,503건이었다. 매수자로 가장 적극적으로 참여한 섹터는 금융(35,369건)으로 기간 5 전체 거래의 23.3%를 차지했다. 인수합병(M&A) 거래에서 가장 적극적인 대상 부문은 산업재(27,793건, 18.3%)이었고, 부동산(25,444건, 16.8%) 순이었다. 기간 5에서 M&A 거래가 가장 많이 발생한 곳은 산업재(매수자)와 산업재(대상) 간 거래로 16,988건이었다.

4.3. 유망 하위산업(수준 4) 간 연관성 분석

Table 3은 하위산업간 연관성 분석 결과(수준 4)를 나타낸다. 20년 동안 157개 매수자 및 157개 대상 하위산업 간 거래는 총 623,191건이었다. M&A 거래수가 가장 많은 하위산업은asset management and custody banks(매수자)과 real estate operating companies(대상) 간 거래였다.

Table 3 
Inter-sector association analysis over 20 years
Period Ranking Buyer Target
Sub-Industry (Number of Deal; %) Sub-Industry (Number of Deal; %)
Period 1
(2000-2003)
1 Asset Management and Custody Banks (3,227; 9.5%) Real Estate Operating Companies (4,253; 6.5%)
2 Application Software (1,946; 5.7%) Application Software (4,075; 6.3%)
3 IT Consulting and Other Services (861; 2.5%) Packaged Foods and Meats (2,623; 4.0%)
Period 2
(2004-2007)
1 Asset Management and Custody Banks (6,476; 9.8%) Real Estate Operating Companies (6,651; 5.1%)
2 Application Software (4,231; 6.4%) Application Software (5,406; 4.1%)
3 Packaged Foods and Meats (1,880; 2.8%) Hotels, Resorts and Cruise Linies (3,551; 2.7%)
Period 3
(2008-2011)
1 Asset Management and Custody Banks (8,260; 8.7%) Real Estate Operating Companies (19,977; 12.1%)
2 Construction and Engineering (2,523; 2.7%) Application Software (5,156; 3.1%)
3 Real Estate Development (2,409; 2.6%) Construction and Engineering (4,288; 2.6%)
Period 4
(2012-2015)
1 Asset Management and Custody Banks (10,078; 8.8%) Real Estate Operating Companies (43,418; 21.0%)
2 Real Estate Development (3,681; 3.2%) Application Software (6,944; 3.4%)
3 Real Estate Operating Companies (3,611; 3.2%) Construction and Engineering (4,077; 2.0%)
Period 5
(2016-2019)
1 Asset Management and Custody Banks (9,529; 8.8%) Real Estate Operating Companies (31,140; 16.0%)
2 Application Software (3,744; 3.4%) Application Software (8,922; 5.0%)
3 Real Estate Operating Companies (2,860; 2.6%) Construction and Engineering (4,477; 2.3%)

2000년-2003년(기간 1) 동안 매수자로 가장 적극적으로 참여한 하위산업은 asset management and custody banks(3,227건)으로 이 기간 전체 거래의 9.5%를 차지했다. M&A 거래에서 가장 적극적으로 대상이 된 하위산업은 real estate operating companies(4,253건, 6.5%)로 가장 많았고, application software(4,075건, 6.3%)가 뒤를 이었다. 기간 1 동안 가장 많이 M&A 거래된 하위산업은 asset management and custodybanks(매수자)와 real estate operating companies(대상)가 각각 차지했다.

2004년-2007년(기간 2)동안 매수자로 가장 적극적으로 참여한 하위산업은 asset management and custody banks(6,476건, 9.8%)이었다. M&A 거래에서 가장 적극적으로 대상이 된 하위산업은 real estate operating companies(6,651건, 5.1%)로 가장 많았고, application software(5,406건, 4.1%)가 그 뒤를 이었다. 기간 2 동안 가장 많이 M&A 거래된 하위산업은 asset management and custody banks(매수자)와 real estate operating companies(대상)가 각각 차지했다.

2008년-2011년(기간 3) 동안 매수자로 가장 적극적으로 참여한 하위산업은 asset management and custody banks(8,260건)으로 이 기간 전체 거래의 8.7%를 차지했고, construction and engineering(2,523건, 2.7%)이 뒤를 이었다. M&A 거래에서 가장 적극적으로 대상이 된 하위산업은 real estate operating companies(19,977건, 12.1%)였고, application software(5,156건, 3.1%)가 뒤를 이었다. 기간 3 동안 가장 많이 M&A 거래된 하위산업은 asset management and custody banks(매수자)와 real estate operating companies(대상)가 각각 차지했다.

2012년-2015년(기간 4) 동안 매수자로 가장 적극적으로 참여한 하위산업은 asset management and custody banks(10,078건)으로 이 기간 전체 거래의 8.8%를 차지했다. M&A 거래에서 가장 적극적으로 대상이 된 하위산업은 real estate operating companies(43,418건, 21.0%)로 가장 많았고, application software(6,944건, 3.4%)가 뒤를 이었다. 기간 4 동안 가장 많이 M&A 거래된 하위산업은 asset management and custody banks(매수자)과 real estate operating companies(대상)가 각각 차지했다.

마지막으로 2016년-2019년(기간 5) 동안 매수자로 가장 적극적으로 참여한 하위산업은 asset management and custody banks(9,529건, 8.8%)이었다. M&A 거래에서 가장 적극적으로 대상이 된 하위산업은 real estate operating companies (31,140건, 16.0%), application software(8,922건, 5.0%) 순이었다. 기간 5 동안 가장 많이 M&A 거래된 하위산업은 asset management and custody banks(매수자)와 real estate operating companies(대상)가 각각 차지했다.

4.4. 헬스케어 기술 간 연관성 분석

헬스케어 섹터를 10개의 기술군(biotechnology, health care distributors, health care equipment, health care facilities, health care services, health care supplies, healthcare industry software, life sciences tools and services, managed health care, pharmaceuticals)을 헬스케어 대표 기술로 분류하였고 Table 4는 헬스케어 기술 간 연관성 분석 결과를 나타낸다. 2000년-2003년(기간 1) 동안 매수자로 가장 적극적으로 참여한 헬스케어 기술은 health care equipment(485건)으로 이 기간 전체 거래의 19.9%를 차지했다. M&A 거래에서 가장 적극적으로 대상이 된 헬스케어 기술은 health care equipment(440건, 18.0%)로 가장 많았고, health care services(432건, 17.7%)가 뒤를 이었다.

Table 4 
Inter-healthcare technologies association analysis
Period Ranking Buyer Target
Technology (Number of Deal; %) Technology (Number of Deal; %)
Period 1
(2000-2003)
1 Health Care Equipment (485; 19.9%) Health Care Equipment (440; 18.0%)
2 Pharmaceuticals (408; 16.7%) Health Care Services (432; 17.7%)
3 Health Care Services (383; 15.7%) Pharmaceuticals (422; 17.3%)
Most Deal Pharmaceuticals-Pharmaceuticals (310; 12.7%)
Period 2
(2004-2007)
1 Health Care Services (947; 19.3%) Health Care Services (986; 20.1%)
2 Health Care Facilities (923; 18.8%) Health Care Facilities (925; 18.9%)
3 Pharmaceuticals (842; 17.2%) Pharmaceuticals (866; 17.7%)
Most Deal Health Care Facilities-Health Care Facilities (725; 14.8%)
Period 3
(2008-2011)
1 Health Care Faciltieis (1,426; 23.9%) Health Care Services (1,388; 23.3%)
2 Health Care Services (1,164; 19.5%) Health Care Facilities (1,294; 21.7%)
3 Pharmaceuticals (1,045; 17.5%) Pharmaceuticals (1,019; 17.1%)
Most Deal Health Care Facilities-Health Care Facilities (1,070; 18.0%)
Period 4
(2012-2015)
1 Health Care Facilities (1,865; 27.5%) Health Care Facilities (1,772; 26.1%)
2 Health Care Services (1,446; 21.3%) Health Care Services (1,636; 24.1%)
3 Pharmaceuticals (1,044; 15.4%) Pharmaceuticals (1,008; 14.8%)
Most Deal Health Care Facilities-Health Care Facilities (1,455; 21.4%)
Period 5
(2016-2019)
1 Health Care Services (1,939; 25.9%) Health Care Services (2.071; 27.6%)
2 Health Care Facilities (1,746; 23.3%) Health Care Facilities (1,767; 23.6%)
3 Pharmaceuticals (1,311; 17.5%) Pharmaceuticals (1,154; 15.4%)
Most Deal Health Care Services-Health Care Services (1,393; 18.6%)

기간 1 동안 매수자-대상 간 가장 많이 M&A 거래된 헬스케어 기술(most transaction)은 pharmaceuticals(매수자)와 pharmaceuticals(대상)으로 확인되었다. 분석한 결과, 글로벌 health care equipment 기업인 GE Healthcare사는 의 인수합병을 하였는데 의료기기 제품 강화를 위해 11건(health care equipment 기술군: ultrasound probes 기술, blood pressure cuff adapters 기술, vision DST gamma camera 기술 등)의 제품확장형 인수합병하였고 전·후방산업(수직계열화) 관련기술의 영역 확대를 위해 4건의 수직(health care services 기술군: real-time OneSource services 기술) 인수합병하였고 의료기기-소프트웨어의 상호의존성을 높여 시장점유율을 높이기 위해 surgery information management software(healthcare industry software 기술군) 기술을 가진 iPath사를 인수합병하였다. 또한 글로벌 pharmaceuticals 기업인 Amgen사는 신약 파이프라인 다각화를 위해 제품확장형(pharmaceuticals 기술군: autoimmune disorders 치료 기술, protein kinase용 small molecule inhibitors 치료 기술, needle-free drug delivery based jet injection systems 플랫폼 기술 등) 인수합병하였다.

2004년-2007년(기간 2)동안 매수자로 가장 적극적으로 참여한 헬스케어 기술은 health care services(947건, 19.3%)이었다. M&A 거래에서 가장 적극적으로 대상이 된 헬스케어 기술은 health care services(986건, 20.1%)로 가장 많았고, health care facilities(925건, 18.9%)가 그 뒤를 이었다. 기간 2동안 매수자-대상 간 가장 많이 M&A 거래된 헬스케어 기술(most transaction)은 health care facilities(매수자)와 health care facilities(대상)간의 거래였다. 분석한 결과, 글로벌 health care services 기업인 CVS Health사는 고객별 소프트웨어 통합을 위해 수평(health care services 기술군: prescription software 기술, retail clinic services software 기술) 인수합병 하였다. 또한 글로벌 health care facilities 기업인 NovaMed사는 적응증 관련 의료 기술의 확장을 위해 제품확장형 (health care facilities 기술군: plastic surgery 기술, eye surgery laser 기술, gynecology surgery 기술 등) 인수합병하였다.

2008년-2011년(기간 3) 동안 매수자로 가장 적극적으로 참여한 헬스케어 기술은 health care facilities(1,426건, 23.9%)이었다. M&A 거래에서 가장 적극적으로 대상이 된 헬스케어 기술은 health care services(1,388건, 23.3%)였고, health care facilities(1,294건, 21.7%)가 뒤를 이었다. 따라서 기간 3동안 매수자-대상 간 가장 많이 M&A 거래된 헬스케어 기술(most transaction)은 health care facilities(매수자)와 health care facilities(대상)간의 거래였다. 분석한 결과, 글로벌 health care facilities 기업인 U.S. Healthworks사는 상품 라인업을 확장하는 관련다각화를 위해 시장확장형(health care services 기술군: orthopaedic physical therapy 기술, urgent care 기술 등) 인수합병하였다. 또한 글로벌 health care facilities 기업인 The Ensign Group사는 고령화에 따른 수요증가에 발맞추어 수평(health care facilities 기술군: rehabilitation 기술, home health based telemedicine 기술) 인수합병하였다.

2012년-2015년(기간 4) 동안 매수자로 가장 적극적으로 참여한 헬스케어 기술은 health care facilities(1,865건)으로 이 기간 전체 거래의 27.5%를 차지했다. M&A 거래에서 가장적극적으로 대상이 된 헬스케어 기술은 health care facilities(1,772건, 26.1%)로 가장 많았고, health care services(1,636건, 24.1%)가 뒤를 이었다. 따라서 기간 4 동안 매수자-대상 간 가장 많이 M&A 거래된 헬스케어 기술(most transaction)은 health care facilities(매수자)와 health care facilities(대상)간의 거래였다. 분석한 결과, 글로벌 pharmaceuticals 기업인 Allergan사는 신약 파이프라인 및 성형치료 기술 강화를 위해 수평(pharmaceuticals 기술군: CNS disorders 치료 기술, glaucoma treatment 기술, antifungal 치료 기술, aesthetics 기술) 인수합병하였다. 또한 글로벌 health care facilities 기업인 Acadia Healthcare사는 사업다각화를 위해 제품확장형(health care facilities 기술군: eating disorder 관리 기술, behavioral medicine 기술, acute psychiatric 관련 기술) 인수합병하였다.

마지막으로 2016년-2019년(기간 5) 동안 매수자로 가장 적극적으로 참여한 헬스케어 기술은 health care services(1,939건, 25.9%)이었다. M&A 거래에서 가장 적극적으로 대상이 된 헬스케어 기술은 health care services(2.071건, 27.6%), health care facilities(1,767건, 23.6%) 순이었다. 따라서 기간 5 동안 매수자-대상 간 가장 많이 M&A 거래된 헬스케어 기술(most transaction)은 health care services(매수자)와 health care services(대상)간의 거래였다. 분석한 결과, 글로벌 health care services 기업인 Quest Diagnostics사는 제품 및 서비스 다각화를 위해 제품확장형(health care services 기술군: molecular test 기술, point-of-care test 기술, Immnunoassay 기술, rapid test 기술 등) 인수합병하였고 MEDNAX사는 서비스 포트폴리화 강화를 위해 수평(health care services 기술군: diagnostic radiology 기술, eye care 기술, anesthesia 기술 등) 인수합병하였다.

결론적으로 모든 기간 동안 매수자(기술)-대상(기술) 간의 연관성 분석을 통하여 기술(지식)의 흐름을 확인하였고 헬스케어 유망기술 기회탐색을 위한 새로운 툴로 사용할 수 있다.


5. 결론 및 시사점

사업 다각화를 추구하는 기업은 내부 핵심역량을 고려해 신기술, 신제품, 신사업, 신산업에서 기회를 모색하고 있다. 그러나 기업들은 사업 다각화를 위한 정보, 기회가 부족하고 기술사업화 역량이 낮기 때문에 성장 및 혁신에 어려움을 겪고 있다. 따라서 미래 성장을 위한 신규 사업 기회를 모색할 수 있는 실용적이고 활용 가능한 방법론을 개발할 필요가 있다. 선행연구에서 자주 사용되었던 생성되기까지 약 몇 년의 시간 차이가 있는 특허와 논문의 데이터를 활용하여 유망산업 및 기술기회를 탐색뿐만 아니라 R&D 개발이후 기술사업화가 성공하여 실제 사업을 진출하기까지의 시간도 고려할 때 실제 사업과의 연관성이 적은 단점이 있어 이번 연구에서는 M&A 거래 데이터를 사용하였다. 또한 인수합병 거래 데이터를 활용한 헬스케어 기술의 기회탐색은 아직 보고된 사례가 없다.

결론적으로 M&A 거래 데이터를 활용해 유망 산업 및 유망 기술 분야를 추천할 수 있는 새로운 기술기회탐색 방법론을 제시하였다.

연구결과를 통해 도출한 주요결과는 다음과 같다. 첫째, 모든 인수합병 거래가 유망 분야와 연관성이 있는지 이론적으로 확인하였다. 기업은 지속성장을 위해 차세대 성장동력을 얻고 혁신과 성장을 위해 유망 산업, 유망 시장 및 유망 기술에 진출하기 위해 끊임없이 노력한다. 선행연구 검토를 통해 기업이 M&A를 활용하여 기술력과 신성장 동력을 확보하고 생산성을 향상시켜 유망 산업 및 유망 기술 분야에 진출함으로써 성장과 혁신을 모색하고 있음을 알게 되었다. 또한 M&A의 목적과 M&A 거래 유형을 조사한 결과 대부분 M&A 거래가 유망한 분야(산업 및 기술)를 찾는데 도움이 된다고 확인 하였다.

둘째, S&P Capital IQ의 섹터(수준 1)의 M&A 데이터를 추출한 후 섹터별 M&A 거래수에 대한 시계열 분석을 통해 글로벌 M&A 동향을 분석하였다. 구체적으로는 최근 20년간(2000년-2019년) 11개 섹터의 M&A 거래수를 기준으로 누적 M&A 거래수에 대한 분석과 누적 M&A 거래수에 대한 회귀분석 결과를 통해 대부분의 업종에서 M&A 거래수가 크게 늘어나는 경향을 확인하였다. 추가적으로 섹터별 상대적 M&A 거래수를 분석하고 비교하였다. 분석한 결과, 부동산 섹터의 경우 기간 1부터 기간 4까지 상대적 M&A 거래수가 가파르게 증가해 빠른 성장세를 보였고 반면에 금융, 통신서비스 섹터는 전체 기간 동안 상대적 M&A 거래수가 시간이 지날수록 감소하였다.

셋째, 인수합병 연결 정도를 파악하기 위해 섹터 간, 산업간, 기술 간 인수합병 거래수를 이용하여 연관성 분석을 실시하였다. 본 연구에서 섹터 간의 관계를 분석하기 위해 m(매수자, Buyer) x n(대상, Target) 매트릭스를 구축하였고 총 623,191건의 M&A 거래에 대한 최상위 수준(수준 1)에서 전체 기간 및 각 4년 기간(2000년-2003년, 2004년-2007년, 2008년-2011년, 2012년-2015년, 2016년-2019년)에 따라 섹터 간 연관성 분석을 실시했다. 분석한 결과, M&A 거래가 가장 많은 섹터는 산업체(매수자)와 산업체(대상)로 이 기간 동안 70,931건의 거래가 성사됐다. 매수자 관점에서 전 기간에 걸쳐 가장 많이 거래된 섹터는 금융(135,838건)으로 전체 거래의 21.8%를 차지했고 산업재(111,158건, 17.8%), 정보기술(66,339건, 10.6%) 순이었다. 거래대상은 산업재(116,698건, 18.7%)이 가장 많았고 부동산(88,813건, 14.3%), 정보기술(77,974건, 12.5%) 순이었다.

추가적으로 산업(수준 4) 간 연관성 분석한 결과, M&A 거래수가 가장 많은 하위산업은 asset management and custody banks(매수자)과 real estate operating companies(대상) 간 거래였다. 또한 헬스케어 섹터를 10개의 기술군을 헬스케어 대표 기술로 분류하였고 헬스케어 기술 간 연관성 분석 결과를 확인 하였다. 각 기간 동안 매수자-대상 간 가장 많이 M&A 거래된 헬스케어 기술(most transaction)을 분석해 보았을때 유망기술로 지식의 흐름이 연결되어 진다는 것을 확인하였다. 따라서 섹터 간 M&A 거래수를 활용하여 유망 산업과 유망 기술의 전반적인 동향을 파악할 수 있었다.

본 연구에서 도출된 연구 결과의 가능한 용도는 다음과 같다. 첫째, 다양한 비유기적 성장을 위한 오픈 이노베이션 활동 중 M&A 거래 정보를 기반으로 한 분석 결과를 유망 산업 및 기술 분야를 발굴하는 데이터로 활용할 수 있다. 둘째, 이 정보는 유망 산업 및 기술, 산업 동향을 찾고자 하는 투자 은행가, R&D 정책 입안자, 연구개발 정책 입안자, 최고경영자, 최고 기술 책임자에게 유용할 것이다. 마지막으로 M&A 거래 데이터를 활용한 기술기회탐색을 통해 향후 지속가능한 경영전략, 사업다각화 전략 및 기술 전략(연구개발 포트폴리오 전략, 기술로드맵) 수립에 효과적으로 활용될 것으로 기대된다.

본 연구는 몇 가지의 한계점을 가지고 있다. 첫째, 섹터(수준 1) 간, 하위산업(수준 4) 간, 헬스케어 유망기술 간 연관성 분석은 데이터의 수준이 제한적이다. S&P Capital IQ의 분류체계는 상위 수준(수준 1)으로 갈수록 산업 분야를 나타내고 보다 세분화된 하위수준(수준 4)에서는 하위 산업 분야를 나타내지만 이 연구에서 사용한 헬스케어 대표 10개 기술은 정확한 세분화가 되어 있지 않아 정확한 유망기술을 탐색하지 못하였다. 따라서 이 한계를 해결하기 위해 본 연구에서 제시한 연관성 분석을 더 낮은 수준으로 확대함으로써 산업, 하위산업, 기술 분야까지 관계를 분석함으로써 보다 정교한 분석 결과를 도출할 것으로 기대한다. 둘째, 헬스케어 기술기회탐색시 동종산업 기술인 헬스케어 기술 간의 연관성 분석을 통한 유망기술 탐색에 한계가 있다. 최근에는 이종산업간 업종의 경계가 모호해 지고 신사업 진출과 사업 다각화를 위해 이종산업 간의 M&A가 늘어나고 이에 따라 여러 기술이 융합된 기술기회탐색에 대한 필요성이 증가하고 있다.

이러한 한계점들을 고려하여 추후 연구로는 낮은 수준까지 정확하게 세분화가 된 기술분류의 M&A 거래 데이터를 활용하여 유망 산업부터 특정 기술까지 기술기회탐색하는 연구가 필요하다.

또한 융합기술에 대한 기술기회를 탐색할 수 있는 새로운 방법론에 대한 연구가 진행 되어야 할 것이다.


References
1. An, S. (2020) 2020 World Economic Outlook. Korea Institute for International Economic Policy, Sejong, Korea.
2. Korea Economic Research Institute (2020) Differences between Major and Current Crises and Future Prospects. pp. 1-36. KERI Insight 20-04, Korea Economic Research Institute, Seoul, Korea.
3. Ahmed, P. K., and C. D. Shepherdand (2012) Innovation Management: Context, Strategies, Systems and Processes, Pearson Prentice Hall, Upper Saddle River, NJ, USA.
4. Tidd, J., and J. R. Bessant (2013) Managing Innovation: Integrating Technological, Market and Organizational Change. 5th Edition, John Wiley & Sons, Hoboken, NJ, USA.
5. Maeil Business Newspaper. Covid-19 winning IT dinosaurs had a secret new business. https://www.mk.co.kr/news/world/view/2020/ 05/451253/.(2020).
6. The Seoul Economic Daily, Apple, Microsoft, Securing new growth engines with M&A. https://signal.sedaily.com/NewsView/ 1Z2RFA4SHP/GX14.(2020).
7. Chung, S. (2016) Strategic management of technology. 4th ed. Parkyoungsa, Seoul, Korea.
8. Choi, J. W. (2017) Management Strategy for Open Innovation in Korean Biochip Industry. DBA Thesis. Durham University, Durham, Uk.
9. Kim, S. U., A. K. Yagati, J. Min, and J. W. Choi (2010) Nanoscale protein-based memory device composed of recombinant azurin. Biomaterials. 31: 1293-1298.
10. Lee, J., and G. Choi (2019) A dominance-based network method for ranking efficient decision-making units in data envelopment analysis. Sustainability. 278: 533-545.
11. Lee, T., S. U. Kim, J. Min, and J. W. Choi (2010) Multi-level biomemory device consisting of recombinant azurin/cytochrome c. Advanced Materials. 22: 510-514.
12. Yagati, A. K., S. U. Kim, T. Lee, J. Min, and J. W. Choi (2017) Recombinant azurin-CdSe/ZnS hybrid structures for nanoscale resistive random access memory device. Biosensors and Bioelectronics. 90: 23-30.
13. Kang, W. and G. Choi (2017) R&D opportunity technology selection in intelligent video surveillance industry. Journal of Korea Technology Innovation Society. 20: 781-804.
14. Yeo, I. K. (2013) Technology commercialization: theory and practice. Hakhyunsa, Paju, Korea.
15. Lee, J., C. Kim, and G. Choi (2019) Exploring data envelopment analysis for measuring collaborated innovation efficiency of small and medium-sized enterprises in korea. European Journal of Operational Research. 278: 533-545.
16. Kim, S. U. and G. Choi (2020) A study on technology forecasting of in vitro diagnostics industry using TFDEA. Journal of Korea Technology Innovation Society. 23: 258-288.
17. Nam, D. and G. Choi (2018) Technology trend analysis in the automotive semiconductor industry using topic model and patent analysis. Journal of Korea Technology Innovation Society. 21: 1155-1178.
18. Shin, H. S. (2013) A study of technological forecasting for GPU using technology rate of change. M.S. Thesis. Hanyang University, Seoul, Korea.
19. Kim, C. S., and J. Shin (2013) A study on technology opportunities development based on corporate technology competency. Proceedings of the Fall Conference of Korean Institute of Industrial Engineers. November 15. Suwon, Korea.
20. Jeong, J. S., and Y. E. Kim (2019) 2020 ICT Issues and Top 9 Trend Forecasts. IT&Future Strategy 2019-7. National Information Society Agency, Daegu, Korea.
21. Ahn, J. (2020) KISTEP 10 Emerging Technologies 2020: In the Hyperconnected and Superintelligent Era. Korea Institute of Sci14 Korean Society for Biotechnology and Bioengineering Journal 36(1): 1-15 (2021) ence & Technology Evaluation and Planning, Chungcheongbukdo, Korea.
22. Gartner (2019) Top 10 Strategic Technology Trends for 2020. Gartner, Stamford, CT, USA.
23. IBM (2019) 5 in 5. IBM, Endicott, NY, USA.
24. MIT Technology Review (2019) 10 Breakthrough Technologies 2019. MIT Technology Review, Cambridge, MA, USA.
25. World Economic Forum (2019) Top 10 Emerging Technologies 2019. World Economic Forum, Cologny, Geneva, CH.
26. Nam, Y. J., M. O. Kim, and H. Y. Kim (2020) 2020 Bio Future Promising Technologies. BioINsay No. 45. Biotech Policy Research Center, Daejeon, Korea.
27. Korea Institute of Science and Technology Information (2019) 2019 KISTI Future Promising Technologies. Korea Institute of Science and Technology Information, Seoul, Korea.
28. Cho, Y., and T. U. Daim (2013) Technology forecasting methods. In: T. Daim, T. Oliver, and J. Kim (eds.). In Research and Technology Management in the Electricity Industry: Methods, Tools and Case Studies. Springer, London, UK.
29. Kavanagh, S., and D. Williams (2014) Making the best use of judgmental forecasting. Government Finance Review 8-16.
30. Tetlock, P. E. (2005) Expert Political Judgment: How Good Is It? How Can We Know? Princeton University Press, Princeton, NJ, USA.
31. Caviggioli, F. (2016) Technology fusion: Identification and analysis of the drivers of technology convergence using patent data. Technovation. 55-56: 22-32.
32. Daim, T. U., G. Rueda, H. Martin, and P. Gerdsri (2006) Forecasting emerging technologies: Use of bibliometrics and patent analysis. Technological Forecasting and Social Change. 278: 533-545.
33. Yoon, B., and Y. Jeong (2015) Development of patent roadmap based on technology roadmap by analyzing patterns of patent development. Technovation. 39-40: 37-52.
34. Lee, Y. H., O. J. Kwon, and B. Y. Coh (2011) Study on the emerging technology-product portfolio generation based on firm’s technology capability. Journal of Korea Technology Innovation Society. 14: 1187-1208.
35. Kim, S. Y. (2018) Who's Buying What? Future Technology Signal from M&A Data. 2nd Issue, Data Insight, Korea Institute of Science and Technology Information, Seoul, Korea.
36. Suh, E., S. Lee, and J. S. KOO (2005) The strategic M&A approach based on the leading SME’s PMI failure case. Journal of Strategic Management 17: 51-69.
37. Ryou, H. S. (2012) The case study on hana financial group's M&A of KEB. Journal of Strategic Management. 15: 43-65.
38. Morgan, J. P. (2019) Global M&A Outlook: Unlocking Value in a Dynamic Market. Morgan, J. P., NY, USA.
39. Jeong, D. H., and H. S. Joo (2018) Discovering interdisciplinary convergence technologies using content analysis technique based on topic modeling. Journal of the Korean Society for Information Management. 35: 77-100.
40. Jeong, D. H., and Joo H. S. (2019) Topical prescriptive analytics system for automatic recommendation of convergence technology. Biotechnology and Bioprocess Engineering. 24: 893-906.
41. Lee, G., D. Kim, and C. Lee (2020) A sequential pattern mining approach to identifying potential areas for business diversification. Asian Journal of Technology Innovation. 28: 21-41.
42. Lee, C., D. Jeon, J. M. Ahn, and O. Kwon (2020) Navigating a product landscape for technology opportunity analysis: A word2vec approach using an integrated patent-product database. Technovation. 96-97: 102140.
43. Kim, H., S. Hong, O. Kwon, and C. Lee (2017) Concentric diversification based on technological capabilities: Link analysis of products and technologies. Technological Forecasting and Social Change. 118: 246-257.
44. FactSet, FactSet Online. https://www.factset.com.(2020).
45. PitchBook, PitchBook Online. https://get.pitchbook.com/pitchbook-financial-database. (2020).
46. S&P(Standard & Poor’s) Capital IQ, Capital IQ Online. https:// www.capitaliq.com.(2020).
47. An, Q., X. Liu, Y. Li, and B. Xiong (2019) Resource planning of chinese commercial banking systems using two-stage inverse data envelopment analysis with undesirable outputs. PLoS ONE 14: e0218214.
48. Lee, J., C. Kim, and G. Choi (2016) The effect of external R&D on the innovation efficiency: An empirical study of manufacturing industries in korea. Journal of Society of Korea Industrial and Systems Engineering. 39: 125-136.
49. Park, H., W. Seo, B. Y. Coh, J. Lee, and J. Yoon (2014) Technology opportunity discovery based on firms’ technologies and products. Journal of the Korean Institute of Industrial Engineers 40: 442-450.
50. Korea Institute of Science and Technology Information, KISTI TOD system. https://tod.kisti.re.kr/index.do.(2020).
51. Korea Institute of Science and Technology Information (2012) Design and Construction of a Knowledgebase for Technology Opportunity Discovery. Korea Institute of Science and Technology Information, Daejeon, Korea.
52. Yoon, J., and K. Kim (2011) Identifying rapidly evolving technological trends for R&D planning using SAO-based semantic patent networks. Scientometric. 88: 213-228.
53. Nelson, R. R., and S. G. Winter (1982) An Evolutionary Theory of Economic Change. Harvard University Press, Cambridge, MA, USA.
54. Klevorick, A. K., R. C. Levin, R. R. Nelson, and S. G. Winter (1995) On the sources and significance of interindustry differences in technological opportunities. Research Policy. 24: 185-205.
55. Cohen, W. M. (1995) Empirical Studies of Innovative Activity, Handbook of the Economics of Innovation and Technological Change. Basil Blackwell Publishing, Oxford, UK.
56. Olsson, O. (2005) Technological opportunity and growth. Journal of Economic Growth. 10: 31-53.
57. Go, B. Y., and Y. H. Mun (2011) Technology intelligence activities and technology opportunity development system. Proceedings of the Korea Technology Innovation Society Conference. November 11. Cheonan, Korea.
58. Zhu, D., and A. L. Porter (2002) Automated extraction and visualization of information for technological intelligence and forecasting. Technological Forecasting and Social Change. 69: 495-506.
59. Yoon, B., and Y. Park (2005) A systematic approach for identify인수합병 거래 데이터를 활용한 헬스케어 기술기회탐색 15 ing technology opportunities: Keyword-based morphology analysis. Technological Forecasting and Social Change. 72: 145-160.
60. Yoon, B. R. Phaal, and D. Probert (2008) Morphology analysis for technology roadmapping: Application of text mining. R&D Management. 38: 51-68.
61. Yoon, J., and K. Kim (2012) Detecting signals of new technological opportunities using semantic patent analysis and outlier detection. Scientometrics. 90: 445-461.
62. Cleverism, A Historical Analysis of M&A Waves. https://www. cleverism.com/historicalanalysis-ma-waves-mergers-acquisition. (2020).
63. Mantravadi, P., and A. V. Reddy (2008) Post-merger performance of acquiring firms from different industries in india. International Research Journal of Finance and Economics. 22: 192-204.
64. Lee, B. J. (2005) The Conditions of a 100-year-old Company. pp. 8-15. CEO REPORT, LG Economic Research Institute, Seoul, Korea.
65. Gupta, P. K. (2012) Mergers and acquisitions (M&A): The strategic concepts for the nuptials of corporatie sector. Innovative Journal of Business and Management. 1: 60-68.
66. Colombo, M. G., and P. Garrone (2006) The sample of M&A: descriptive statistics. In: B. C. Cassiman, and G. Massimo (eds.). In Mergers & Acquisitions: The Innovation Impact. Edward Elgar Publishing, Cheltenham, UK.
67. Kishore, R. M. (2011) Strategic Financial Management: Comprehensive Text Book with Case Studies. Taxmann, New Delhi, IN.
68. De Jong, H. W. (1976) Theory and evidence concerning mergers: An international comparison. pp. 81-90. In: A. P. Jacquemin, and H. W. De Jong (eds.). In Markets, Corporate Behaviour and the State. NijhoÚ, Hague, Netherlands.
69. Hagedoorn, J., and G. Duysters (2002) The effect of mergers and acquisitions on the technological performance of companies in a high-tech environment. Technology Analysis and Strategic Management. 14: 67-85.
70. Capron, L., and W. Mitchell (2009) Selection capability: How capability gaps and internal social frictions affect internal and external strategic renewal. Organization Science. 20: 294-312.
71. BCG(Boston Consulting Group) (2015) The Most Innovative Companies 2015. Boston Consulting Group, Boston, MA, USA.
72. Stellner, F. (2015) The impact of technological distance on M&A target choice and transaction value. In: F. Stellner, (eds.). In Technological Distance: Theoretical Foundations, Statistical Analysis and Application to Mergers and Acquisitions. Max Planck Institute for Innovation & Competition Research Paper 15-12, Norderstedt, Germany.
73. Hussinger, K. (2010) On the importance of technological relatedness: SMEs versus large acquisition targets. Technovation. 30: 57-64.
74. Mensah, E., and J. M. Onumah (2017) Mergers and acquisitions in the era of globalization: The ghanaian experience. Journal of Finance and Accounting. 17: 96-114.
75. Trautwein, F. (1990) Merger motives and merger prescriptions. Strategic Management Journal. 11: 283-295.
76. Banerjee, T., and A. Nayak (2015) Comparing domestic and crossborder mergers and acquisitions in the pharmaceutical industry. Atlantic Economic Journal. 43: 489-499.
77. Liu, Q., and L. D. Qiu (2013) Characteristics of acquirers and targets in domestic and cross-border mergers and acquisitions. Review of Development Economics. 17: 474-493.
78. Damodaran, A. (2012) Investment Valuation: Tools and Techniques for Determining the Value of Any Asset, University Edition, John Wiley & Sons, Hoboken, NJ, USA.
79. Cordero, R. (1990) The measurement of innovation performance in the firm: An overview. Research Policy. 19: 185-192.
80. Kim, S. S. (2021) Association rules of comorbidities in patients hospitalized for lung cancer. Journal of Health Informatics and Statistics. 46: 100-109.