A hybrid PLS-SEM and convolutional neural network analysis of artificial intelligence adoption intention in SMEs

기술 요약: 중소기업(SME)의 AI 도입 의도에 관한 하이브리드 PLS-SEM 및 합성곱 신경망(CNN) 분석

문제 제로 (Problem Statement)
기술 채택, 특히 중소기업(SME)의 인공지능(AI) 채택에 관한 실증 연구는 역사적으로 부분최소제곱 구조방정식 모델링(PLS-SEM)에 의존해 왔다. 이 방식은 가설 검증과 표본 내 분산 설명에는 효과적이지만, 다음과 같은 세 가지 결정적인 한계에 직면한다:

1. 예측 타당성 (Predictive Validity): 모델이 표본 외 예측 성능보다는 표본 내 설명력($R^2$)을 기준으로 평가되는 경우가 많아, 모델의 전이 가능성(transportability)을 과대평가할 위험이 있다.
2. 함수 형태의 가정 (Functional Form Assumptions): 전통적인 PLS-SEM은 선형 관계를 가정하므로, 채택 행동에 내재된 잠재적 비선형 역학(예: 역량 임계값 또는 수확 감소)을 포착하지 못한다.
3. 결함이 있는 하이브리드 방법론 (Flawed Hybrid Methodologies): SEM과 인공신경망(ANN)을 결합하는 기존의 하이브리드 접근 방식은 일반적으로 구조 모델에서 도출된 구성 개념 점수(construct scores)를 사용하여 신경망을 학습시키고 별도의 데이터 분할에서 이를 평가한다. 이러한 방법론은 구조 모델과 예측 모델 간의 공식적이고 통계적으로 엄격한 비교를 방해하여, "상호 검증"이라는 주장을 검증 불가능하게 만든다.

연구 방법론 (Methodology)
본 연구는 1,210개의 나이지리아 중소기업 데이터를 적용하여 통합된 2단계 평가 프레임워크를 제안한다. 이 설계는 세 가지 명시적인 아키텍처 결합을 통해 확인적 단계와 예측적 단계를 통합한다:

1. 1단계: 확인적 PLS-SEM (Confirmatory PLS-SEM)

   • 목적: 통합된 기술-조직-환경(TOE), 혁신 확산(DOI), 그리고 행동 프레임워크를 기반으로 측정 모델을 검증하고, 잠재 구성 개념을 추정하며 가설을 검증한다.
   • 모델: 15개 구성 개념(13개 선행 요인, 1개 매개 변수, 1개 결과 변수)과 15개 가설을 가진 구조 모델.
   • 출력: 다음 단계의 기초가 되는 검증된 구성 개념 점수와 표준화된 경로 계수.

2. 2단계: 예측적 합성곱 신경망 (Predictive Convolutional Neural Network, CNN)

   • 입력 표현: 단순한 구성 개념 점수가 아닌, 각 응답자를 2D 텐서($14 \times 6$)로 인코딩한다. 행은 14개의 검증된 구성 개념(13개 선행 요인 + 매개 변수)을 나타내고, 열은 유지된 지표(indicators)를 나타낸다.
   • 아키텍처:
     • 구성 개념 내 합성곱 (Within-Construct Convolution): 1D 커널(특히 $1 \times 3$)이 지표 축을 따라 슬라이딩하며 PLS-SEM의 "외적 모델(outer model)"에 상응하는 집계 기능을 학습한다.
     • 구성 개념 간 합성곱 (Across-Construct Convolution): 1D 커널(특히 $3 \times 1$)이 구성 개념 축을 따라 슬라이딩하며 구성 개념 간 관계를 학습하여, 학습된 "내적 모델(inner model)"의 상응물 역할을 한다.
   • 평가 프로토콜: 결정적으로, CNN, PLS-SEM 구조 모델, 그리고 네 가지 대안 벤치마크(피드포워드 ANN, 랜덤 포레스트, 구성 개념 점수 기반 CNN, 최소제곱법)는 동일한 10-겹 교차 검증(10-fold cross-validation) 분할을 사용하여 평가된다. 이는 공정한 표본 외 비교를 보장한다.
   • 통계적 엄격성: 성능 차이는 대응 표본 t-검정, 윌콕슨 부호 순위 검정 및 효과 크기(Cohen's $d$)를 사용하여 평가된다.

주요 결과 (Key Results)

• 구조적 발견: 15개 가설이 모두 지지되었다. 모델은 AI 인지도(AI Awareness) 분산의 61.1%, AI 도입 의도(AI Adoption Intention) 분산의 54.7%를 설명했다.
  • 매개 효과: AI 인지도는 13개 선행 요인 중 12개에 대해 도입 의도에 대한 완전 매개 효과를 보였다.
  • 신뢰 (Trust): AI에 대한 신뢰는 유일하게 보완적 부분 매개(complementary partial mediation)를 보이는 구성 개념으로, 인지도뿐만 아니라 직접적으로도 의도에 영향을 미쳤다.
• 예측 성능:
  • 아이템-텐서(item-tensor) CNN은 PLS-SEM 구조 벤치마크 대비 표본 외 RMSE를 2.06% 감소시켰다 ($p = 0.032$).
  • 그러나, CNN은 피드포워드 신경망이나 랜덤 포레스트보다 유의미하게 우수한 성능을 보이지 않았다. 이는 성능 향상이 특정 합성곱 아키텍처나 네트워크 깊이 때문이라기보다, 선형 함수 형태의 가정을 완화했기 때문임을 시사한다.
  • 차원 축소의 가치: 모든 68개 원시 지표를 사용해 학습된 OLS 모델은 두 개의 예측 변수를 가진 구조 모델보다 유의미하게 낮은 성능을 보였다(RMSE가 2.97% 더 높음). 이는 검증된 측정 모델을 통한 이론 기반의 차원 축소가 예측 성능을 유지하는 데 필수적임을 확인시켜 준다.
• 중요도 분석: CNN의 순열 중요도(Permutation importance)와 PLS-SEM의 표준화된 경로 계수는 광범한 일치성을 보였으며(Spearian $\rho = 0.503$), 두 프레임워크 모두에서 AI 인지도와 신뢰가 지배적인 예측 요인으로 식별되었다.

의의 및 주장 (Significance and Claims)
본 논문은 방법론적 투명성과 엄격성을 해결함으로써 하이브리드 SEM-ANN 연구를 진전시킨다고 주장한다:

1. 아키텍처 통합: 구성 개념의 입력 표현이 딥 네트워크의 입력을 정의하도록 하는 하이브리드 아키텍처를 공식화하여, 확증 단계와 예측 단계 사이의 연결을 단순히 순차적인 것이 아닌 아키텍처적 관계로 만들었다.
2. 반증 가능한 테스트: 모든 모델을 동일한 교차 검증 폴드에서 평가하고 대응 표본 통계 검정을 실시함으로써, 본 연구는 하이브리드 문헌에서 보기 드문 추론적 투명성을 제공한다. 이는 "신경망에 의한 구조 모델의 확인"이라는 주장이 동일한 데이터 분할에서 구조 모델과 신경 모델이 함께 테스트될 때만 유효함을 보여준다.
3. 측정 이론의 역할: 본 연구는 이론 기반의 차원 축소(PLS-SEM을 통해)가 고차원의 원시 데이터에 적용된 유연한 추정치보다 예측 정보를 더 잘 보존한다는 실증적 증거를 제공한다.
4. 실질적 통찰: 연구 결과는 확산 이론의 "단계적 의사결정 논리"를 강화하며, 맥락적 요인들이 도입 의도에 영향을 미치는 과정에서 AI 인지도가 거의 보편적인 관문 역할을 함을 밝히고, 신뢰가 독특한 이중 경로 동인으로서 작용함을 확인한다.

저자들은 관찰된 선형 모델 대비 예측 이득이 미미하다는 점(몇 퍼센트 포인트 수준)과, 특정 CNN 아키텍처가 이 맥락에서 랜덤 포레스트와 같은 더 단순한 비선형 베이스라인보다 우위를 점하지 못했다는 점을 인정하며 신중한 입장을 유지한다. 본 연구의 주요 기여는 딥러닝 자체의 우월성보다는 엄격한 비교를 위한 방법론적 프레임워크를 제시하는 데 있다.