Current Issue

디지털 전자 전송 서비스는 정보통신기술을 매개로 실시간 또는 비대면 방식으로 국경을 넘어 전송 가능한 서비스 부문을 지칭한다. WTO는 DDS를 ‘인터넷 등 네트워크를 통해 제공될 수 있으며, 전자적 형태로 교환 가능한 서비스’로 정의하고 있다[3]. 즉, 전통적 교역에서 물리적 운송수단을 필요로 했던 서비스와 달리, DDS는 무형성을 전제로 하여 데이터 네트워크만으로 거래가 이뤄지는 것이 특징이다. 이러한 특성은 거래 비용 절감, 신속한 서비스 제공, 글로벌 시장 접근성 확대 등에서 기존 서비스 무역과 차별성을 형성한다.

국제 통계에서 DDS는 EBOPS(Extended Balance of Payments Services classification) 2010 분류 체계에 따라 표 1과 같이 정의된다.

WTO 통계에 따르면, 전 세계 서비스 수출에서 디지털 전자전송 가능 서비스가 차지하는 비중은 2010년 약 40%에서 2022년 54% 이상으로 증가하였다[4]. 특히 코로나19 팬데믹 기간 동안 원격근무, 온라인 금융거래, 스트리밍 서비스 확산 등으로 DDS 교역은 상대적으로 빠른 성장세를 기록하였다. 이러한 추세는 무역 구조의 디지털화를 가속화하며, 국가 경쟁력이 단순히 제조업 생산능력에 국한되지 않고 디지털 서비스 생산·전송 역량에 의해 좌우되는 시대가 도래했음을 시사한다.

인공지능은 국가 경쟁력의 핵심 요소로 자리매김하고 있으며, 이에 따라 각국 정부의 정책적 대응 역량과 기술적 기반을 종합적으로 평가할 필요성이 커지고 있다.

국가별 AI 역량 및 준비도를 평가하는 AI 지수는 다양한 기관에서 발표하고 있다. Stanford HAI의 AI Index Report는 2017년부터 AI의 기술적 진보와 경제적 영향을 추적하고 있으며[5], IMF는 2024년 AI Preparedness Index를 처음 발표하여 174개국의 AI 준비도를 평가하였다[6]. Global Index on Responsible AI는 2024년 6월 첫 보고서를 발표하였으며[7], OECD는 국가별 AI 정책 정보를 제공하고 있다[8].

GARI는 옥스퍼드 인사이트(Oxford Insights)에서 2017년부터 발간하는 지표이다. GARI는 표 2와 같이 3개 영역(pillars)과 이를 세분화한 10개 세부지표(dimensions)로 구성된다.

정부 영역(Government)은 AI 전략 수립 여부, 규제·윤리 체계, 디지털 행정 역량, 공공부문 AI 기술 수용성 등을 측정한다. 기술 영역(Technology Sector)은 기술산업의 성숙도, 혁신 역량, 인적 자본 등 정부가 AI를 도입·활용하는 데 필요한 민간 기술 생태계 기반을 평가한다. 데이터·인프라 영역(Data & Infrastructure)는 데이터의 가용성·대표성, ICT 인프라 수준, 초고속망 및 5G 보급, 슈퍼컴퓨터 활용 등 AI 실행의 물적 토대를 측정한다.

GARI 지수는 총 40개의 지표를 통해 점수를 산출하며, 모든 지표는 동일한 가중치로 평균화된다. 따라서 GARI는 단순한 기술 인프라뿐 아니라 정책·제도·인적 역량까지 포괄하는 종합지수라는 특징이 있다. 주요 국가별 GARI 지수는 표 3과 같다.

디지털 무역의 결정요인과 기술·AI가 무역 성과에 미치는 영향에 관한 연구는 점차 축적되고 있다. 먼저, 서비스 무역 결정요인과 관련하여 Luong과 Nguyen은 정보통신기술 발전이 서비스 무역 확대에 미치는 효과를 분석하였다[10]. 이들은 200여 개국을 대상으로 한 중력모형 추정을 통해 광대역, 모바일, 인터넷 이용률 등 ICT 인프라가 서비스 교역을 유의하게 증대시킨다고 보고하였다. 이는 디지털 인프라가 서비스 무역 확대의 핵심 동력임을 보여준다.

Wang은 인공지능이 실물경제와 디지털 경제에 미치는 파급효과를 검토하면서, 제조업 생산성 향상과 전자상거래 확장을 통해 국가 경제 성장에 기여할 수 있음을 강조하였다[11]. Cui는 동남아시아를 대상으로 한 메타분석을 통해 AI 도입이 교역량 증가에 긍정적 영향을 미치며, 특히 기술 인프라와 제도 환경이 그 효과를 매개·조절한다고 밝혔다[12]. 이와 유사하게 WTO는 인공지능이 무역 비용 절감, 공급망 최적화, 언어 장벽 완화 등을 통해 디지털 전송 서비스 무역을 크게 증대시킬 잠재력을 지니고 있다고 평가하였다[13].

Sun and Trefler는 모바일 애플리케이션 서비스에 AI 알고리즘을 적용할 경우 해외 사용자 수가 10배 이상 증가하지만, 데이터 이동 제한이 있을 경우 그 효과가 절반으로 축소된다고 지적하였다[1]. 이는 AI의 효과가 제도·규제 환경에 따라 크게 달라질 수 있음을 보여준다. 이 외에도 여러 연구는 AI가 국가 간 비교우위 구조를 변화시키고, 무역비용을 낮추며, 특히 디지털 서비스 분야에서 새로운 성장 동력으로 작용할 수 있음을 보고하고 있다.

기존 연구는 디지털 인프라와 AI 기술이 무역 성과에 중요한 영향을 미친다는 점을 일관되게 보여주고 있다. 그러나 다수의 연구가 개별 국가나 특정 지역, 혹은 단일 산업을 중심으로 분석한 경우가 많아 국가 수준에서 AI 준비도와 디지털 서비스 무역 성과 간의 정량적 관계를 규명한 연구는 여전히 부족하다. 따라서 본 연구는 국가별 AI 준비도 지수와 디지털 전자 전송 서비스 수출 간의 관계를 실증적으로 분석함으로써 기존 문헌의 한계를 보완하고자 한다.

연구를 위한 모형으로는 국가의 AI 준비도가 디지털 전자 전송 서비스 수출에 미치는 영향을 분석하기 위하여 포아송 유사 최대우도추정(Poisson Pseudo Maximum Likelihood, PPML)을 기본 추정 방법으로 활용하였다. PPML은 무역 자료에서 자주 발생하는 0 수출값 문제와 이분산성 문제를 효과적으로 처리할 수 있으며, 로그 변환으로 인한 표본 손실을 방지할 수 있다는 장점이 있다[14].

분석에 사용된 표본은 OECD 38개국, 2020–2024년, 8개 DDS 부문을 아우르는 총 1,520개 균형 패널 관측치로 구성된다. 종속변수는 국가·연도·부문별 DDS 수출액(백만 달러)이며, 핵심 독립변수는 국가 AI 준비도 지수(GARI)의 총점과 3개 영역(Government, Technology, Infrastructure)이다. 통제변수에는 거시경제 요인(GDP, 인구, PPP 기준 1인당 GDP, 무역개방도), 디지털 인프라(브로드밴드 가입자 수, 보안 서버 수, 인터넷 이용률), 거버넌스 지표(WGI의 정부효과성, 규제의 질, 법치), 그리고 OECD 서비스무역제한지수(STRI)가 포함된다.

연구 모형은 다음과 같다.

여기서, DDS_i,s,t는 국가 𝑖, 부문 𝑠, 연도 𝑡의 DDS 수출액을 의미한다.

AI_i,t-1는 전년도 국가 AI 준비도 지수(GARI 총점 및 구성지표)이며, X_i,t-1는 통제변수 벡터, AI¯i와 Xi¯는 각각 국가별 AI 지표와 통제변수의 시간 평균값으로서 Mundlak 보정(Correlated Random Effects: CRE)을 구현하기 위해 포함된다. μ_i, τ_t, σ_s 는 각각 국가, 연도, 부문 고정 효과를 통제하기 위한 항이다.

본 연구는 전통적 고정효과(FE) 모형이 아닌, PPML–CRE 모형을 기본 모형으로 채택하였다. Hausman 검정 결과, 카이제곱 통계량은 74.222(p<0.001)로 FE와 RE 간 추정치 차이가 통계적으로 유의하게 나타났으며, 국가별 시간불변적 특성이 내생성 문제를 야기 할 수 있음이 확인되었다.

FE 모형이 일관성(consistency) 측면에서 선호되나, 본 연구는 시간불변 변수의 효과를 보존하면서도 내생성을 통제할 수 있는 CRE(Mundlak 보정) 모형을 채택하였다. CRE는 국가 평균 변수를 포함하여 FE의 일관성과 RE의 효율성을 절충할 수 있다는 방법론적 장점이 있다.

특히 AI 총점 계수는 FE 모형에서 –0.040, CRE 모형에서 –0.0129로 추정되어 약 68%의 차이가 발생하였다. 이는 단순 FE 결과만을 보고할 경우 편향된 해석이 발생할 수 있음을 보여주며, CRE 모형의 활용이 타당함을 뒷받침한다. CRE는 국가 평균 변수를 추가하여 시간불변적 이질성을 반영함으로써, FE의 일관성과 RE의 효율성을 절충할 수 있다는 방법론적 장점이 있다.

모든 추정은 국가와 부문 단위의 2-way 클러스터링을 통해 표준오차를 산출하여 결과의 견고성을 확보하였다. 따라서 본 연구는 PPML–CRE(Mundlak 보정) 모형을 기본 분석틀로 설정하고, 비교를 위하여 FE 추정 결과를 병행 제시한다. 이러한 연구 흐름을 그림 1과 같이 정리하였다.

Fig. 1. 
Research methodology flowchart

분석 환경은 다음과 같다. 패널 회귀분석(PPML–CRE, 비교용 FE, 부문별 이질성 분석, Mundlak 보정, 강건성 검증)은 R 4.5.0 환경에서 수행하였으며, 주요 패키지는 fixest, modelsummary, marginaleffects를 사용하였다. 머신러닝 기반 랜덤포레스트 분석과 SHAP 변수 중요도 평가는 Python 3.13.5 환경에서 scikit-learn과 shap 라이브러리를 활용하였다. 데이터 전처리와 기초 통계량 산출은 Python의 pandas 라이브러리를 사용하였다.

분석 단위는 국가–연도–부문(8개 디지털 전자 전송 서비스, DDS)으로 스택(stack)하여 총 1,520개 관측치를 확보하였다(38개국 × 5개 연도 × 8개 부문).

데이터 출처는 표 4와 같다.

종속변수인 디지털 전자 전송 서비스(DDS) 수출액은 WTO의 디지털 전자 전송 서비스 품목 통계를 활용하였다.

독립변수인 국가 AI 준비도 지수(GARI)는 Oxford Insights에서 발간한 연간 자료를 사용하였으며, 분석에서는 총점과 3개 영역(Government, Technology, Infrastructure)뿐만 아니라 세부 지표를 활용하였다. 특히 모든 AI 변수는 원시 데이터 단계에서 전년도(t–1) 값을 반영하도록 구성하였다. 통제변수는 거시경제 부문 4개, 디지털 인프라 부문 3개, 제도 및 거버넌스 부문 3개, 디지털 규제 부문 1개를 포함하여 총 11개 변수로 구성되며, 각 변수는 세계은행 WDI(World Development Indicators) 데이터베이스와 OECD 자료를 활용하였다. 구체적인 변수 목록과 출처는 표 4에 제시하였다.

데이터 전처리 과정에서는 일부 국가·연도에서 발생한 결측치를 점검하였다. 결측치는 인접 연도 보간법(interpolation)을 사용하여 처리하였으며, 독립변수와 통제변수는 국가 간 차이를 비교할 수 있도록 z-score 표준화를 실시하였다.

주요 변수의 기초 통계량은 표 5로 정리하였다. 종속변수인 DDS 수출액을 보면, 국가–연도 수준에서 집계한 DDS 총 수출액의 평균은 약 80,314백만 달러이며, 최소 1,021백만 달러에서 최대 74만 1,043백만 달러까지 분포하여 국가 간 편차가 매우 큰 것으로 나타났다.

부문별 관측치 기준으로는 평균 10,039백만 달러, 최대 277,409백만 달러까지 나타나 서비스 부문별 불균형 역시 확인된다. 이는 OECD 국가 내에서도 디지털 서비스 수출 경쟁력의 편차가 크다는 점을 보여준다.

독립변수인 국가 AI 준비도 지수(GARI)는 평균이 68.11점으로 나타났으며, 국가 간 최소 42.55점에서 최대 88.16점까지 분포하였다. 세부 영역별로 보면, 정부 영역(Government)은 평균 72.16점으로 상대적으로 높은 수준을 보인 반면, 기술 영역(Technology)은 평균 52.37점으로 가장 낮은 수준을 보였다. 인프라 영역(Infrastructure)은 평균 79.81점으로 가장 높은 값을 기록하여, OECD 국가들이 기술 산업보다는 제도·인프라 측면에서 상대적으로 강점을 가진다는 점을 시사한다.

변수 간 상관관계를 살펴본 결과, GARI 총점과 세부 영역 간 상관계수가 0.79~0.87 수준으로 비교적 높게 나타났으며, 이는 동일 지수 내 영역별 특성이 상당히 중첩되어 있음을 시사한다. 그러나 AI 총점과 주요 통제변수(GDP, 인구, 무역개방도 등)와의 상관계수는 –0.21~0.46 범위에 분포하여, 극단적으로 높은 상관은 발견되지 않았다. DDS 수출액과 GDP 간 상관계수는 0.46으로 양의 관계를 보였으며, 인구와는 –0.21의 음의 상관이 확인되었다. 전반적으로 설명변수 간 다중 상관의 우려는 크지 않은 것으로 나타났다.

다중공선성 여부를 확인하기 위해 VIF(Variance Inflation Factor)를 산출하였다. 분석 결과, GARI 총점의 VIF가 8.42로 상대적으로 높은 수준을 보였으나, 세부 영역에서는 Government 1.46, Technology 2.49, Infrastructure 2.52로 나타나 허용 가능한 범위 내에 있었다. GDP, 인구, 무역개방도, WGI 지표, STRI 등 주요 통제변수의 VIF 역시 모두 2.0 이하로 나타나 다중공선성 문제는 실증 추정에 유의미한 영향을 주지 않는 것으로 판단된다.

국가 AI 준비도 지수(GARI)가 디지털 전자 전송 서비스(DDS) 수출에 미치는 평균적 효과를 확인하기 위해 PPML–CRE 모형을 적용한 결과는 표 6과 같다.

핵심 독립변수인 AI 준비도 총점(z-표준화) 의 계수는 –0.013(표준오차 0.036)으로 추정되었으며, 통계적으로 유의하지 않았다. 따라서 AI 준비도의 제고가 단기적으로 DDS 수출을 직접적으로 확대시키는 효과는 뚜렷하게 확인되지 않았다.

한편, 통제변수 가운데 GDP는 0.774로 추정되었으며, 1% 유의수준에서 통계적으로 유의한 양(+)의 효과를 보였다. 이는 경제 규모가 클수록 디지털 서비스 수출이 증가하는 경향을 보여준다. 그러나 인구 규모(–0.802, 표준오차 0.964), 1인당 GDP(PPP 기준, –0.251, 표준오차 0.263), 무역개방도(0.258, 표준오차 0.175)를 비롯하여 디지털 인프라 변수(브로드밴드 가입자 수, 보안 서버 수, 인터넷 이용률), 거버넌스 변수(정부효과성, 규제의 질, 법치), 서비스 무역 제한 지수(STRI)는 모두 통계적으로 유의하지 않은 결과로 나타났다.

또한 고정효과(FE) 모형과의 비교에서 유의한 차이가 확인되었다. Hausman 검정 결과, 카이제곱 통계량은 74.222(p<0.001)로 나타나 FE와 RE 계수 간 차이가 통계적으로 유의하였다. 특히 AI 총점 계수는 FE 모형에서 –0.040, CRE 모형에서 –0.0129로 추정되어 약 68%의 변화가 발생하였다. 이는 국가별 시간불변적 특성을 고려하지 않을 경우 추정치가 편향될 수 있음을 보여준다. 따라서 본 연구에서는 내생성 문제를 완화할 수 있는 CRE 접근법을 기본 분석틀로 채택한 것이 적절하였음을 확인해 준다. AI 준비도의 평균 효과가 비유의한 잠재적 원인으로는 다음을 고려할 수 있다. 첫째, 정책 수립과 무역 성과 간 시차(time lag), 둘째, GARI가 정부 역량을 측정하지만 민간 기업의 실제 AI 활용도를 직접 반영하지 못하는 측정 한계, 셋째, 부문 간 상이한 효과가 평균적으로 상쇄되는 이질성 문제 등이다.

국가 AI 준비도가 디지털 전자 전송 서비스(DDS) 수출에 미치는 효과가 부문별로 상이한지를 검증하기 위하여 섹터별 이질성 분석을 AI×섹터 상호작용 모형을 통해 추정하였다.

이 모형에서는 AI 준비도의 효과가 각 DDS 부문별로 차별적으로 작용할 수 있도록 허용하며, SF 부문을 기준으로 하여 다른 7개 부문의 상대적 효과를 측정한다. 분석에는 전체 1,520개 관측치(38개국 × 5년 × 8부문)가 사용되며, 국가 및 연도 고정효과와 함께 2-way 클러스터링된 표준오차를 적용하였다

분석 결과는 표 7과 같다. AI 준비도의 효과는 8개 DDS 부문별로 뚜렷한 차이를 보였다. 이 중 SH 부문에서 가장 강하고 통계적으로 유의한 양(+)의 효과가 관찰되었으며, AI 준비도가 1 표준편차 증가할 때 수출이 약 4.91% 확대되는 것(p<0.05)으로 나타났다. 반면, SK와 SG 또한 각각 4.27%, 3.97%의 양(+)의 계수를 보였으나, 통계적으로 유의하지는 않았다.

반대로 일부 부문에서는 음(–)의 효과가 확인되었다. 특히 SI2는 –5.41%로 가장 큰 음(–)의 계수를 보였으며, SI1(–3.90%), SF(–1.04%) 또한 음의 방향성을 나타냈다. 그러나 이들 부문 역시 통계적으로는 유의하지 않았다.

종합적으로 볼 때, AI 준비도의 평균적 효과는 크지 않지만 부문별로는 상당한 이질성이 존재함을 알 수 있다. 특히 SH 부문은 국가의 AI 준비도 제고로부터 뚜렷한 수혜를 받는 것으로 나타나, 디지털 무역 경쟁력 제고를 위한 부문별 차별화된 정책 전략의 필요성을 시사한다.

국가 AI 준비도 지수(GARI)를 정부(Government), 기술(Technology), 인프라(Infrastructure) 영역으로 구분하고, 각 영역 및 세부 지표별 효과를 검토하였다. 표 8은 PPML–CRE 모형을 적용한 추정 결과를 요약한 것이다.

분석 결과, 세 영역은 모두 음(–)의 방향성을 보였으나 통계적으로 유의하지 않았다. Government는 –1.41%, Technology는 –0.65%, Infrastructure는 –1.77%로 추정되었으며, 이는 AI 준비도의 구성요소가 DDS 수출과 직접적인 관계가 있다고 보기 어렵다는 점을 시사한다. 따라서 AI 준비도의 효과가 단기적으로는 DDS 수출에 직접 반영되지 않는다는 점을 의미한다. 이는 기술·제도·인프라 역량이 구축되더라도 교역 성과로 연결되기까지 일정한 시간차가 존재하거나, 국가별 산업 구조와 정책 환경의 차이가 결과에 영향을 미쳤을 가능성을 시사한다.

따라서 정책적 측면에서는 단순히 AI 역량을 강화하는 것만으로는 충분하지 않으며, 부문별·산업별 맥락을 고려한 제도적 보완과 인프라 활용 전략이 병행되어야 할 필요가 있다.

국가 AI 준비도의 평균적 효과와 섹터별·구성요소별 차이 분석은 전반적으로 통계적으로 유의하지 않거나 제한적인 수준에 머물렀다. 그러나 AI 역량의 파급효과는 국가의 제도적·경제적 조건과 서비스 부문의 특성에 따라 달라질 수 있으며, 단순 평균 효과만으로는 이러한 차이를 포착하기 어렵다.

이에 두 가지 추가 분석을 수행하였다. 첫째, AI 효과가 디지털 인프라, 무역개방도, 거버넌스 수준에 따라 달라지는지 조건부 상호작용을 검토하고, 비선형성 및 임계값 효과를 점검하였다. 둘째, AI 준비도의 세부 지표(10개)와 서비스 부문(8개) 간 상호작용을 분석하여, 총점 분석에서 드러나지 않았던 세부적·차별적 효과를 탐색하였다. 이를 통해 국가 AI 역량과 디지털 서비스 수출 간 관계의 이질성을 보다 정밀하게 규명하고, 정책적 시사점을 도출하고자 하였다.

표 9는 조건부 효과 및 비선형성 검증 결과를 요약한 것이다. 분석 결과, AI 준비도의 효과는 디지털 인프라·무역개방도·거버넌스 수준에 따라 차이를 보였으며, 특히 인프라와 제도 조건이 양호한 국가에서 상대적으로 긍정적인 효과가 확인되었다. 또한 AI 준비도를 사분위수로 구분한 비선형 검증에서는 상위 그룹(Q4) 대비 하위 그룹(Q1)에서 –0.053(표준오차 0.020)의 유의한 음(–)의 효과가 나타났다. 이는 단순한 선형 관계로는 설명되지 않는 임계효과가 존재할 수 있음을 의미한다. Triangulation 접근에서도 추정 방식에 따라 부호가 달라지는 등 불안정성이 있었으나, 평균적 효과가 크지 않다는 점은 공통적으로 확인되었다. 아울러 최소 검출가능 효과(MDE)가 ±7.89%로 산출되어, 소규모 효과가 완전히 배제되지는 않음을 보여준다.

표 10은 GARI의 세부 지표와 8개 서비스 부문 간 상호작용을 분석한 결과를 정리한 것이다. 총점 수준에서는 유의한 결과가 제한적이었지만, 세부 조합에서는 SH, SK, SG 부문에서 특정 지표가 강한 양(+)의 효과를 보였다. 예컨대 SH 부문에서는 인프라 품질과 혁신역량이 DDS 수출 확대와 유의한 양의 관계를 나타냈으며, SK 부문에서는 AI 비전과 인재역량 지표가 긍정적으로 작용하였다. SG 부문에서는 거버넌스 적응력이 중요한 요인으로 도출되었다. 반면, SI2는 여러 지표에서 일관된 음(–)의 효과를 보여 구조적 한계를 시사하였다. 다만 80개 조합 중 보정 후 유의하게 남은 것은 극히 소수였으며, 다중비교 보정 이후에는 2개만이 유의하게 나타났다.

종합하면, AI 준비도는 단순 총점 수준에서는 뚜렷한 효과가 확인되지 않았으나, 조건부·세부 조합 차원에서는 이질성이 존재하는 것으로 나타났다. 이는 국가 AI 역량 강화가 모든 국가와 부문에서 일괄적으로 작동하기보다는, 특정 제도적 조건과 지식집약적 부문에서 효과가 발휘될 가능성을 시사한다. 따라서 정책적으로는 총체적 지수 제고보다 세부 역량별 맞춤형 전략과 부문별 차별화된 접근이 필요하다는 점을 보여준다.

AI 준비도 지수의 효과는 대체로 통계적으로 유의하지 않은 것으로 나타났다. 본 절에서는 이러한 결과의 안정성을 확인하기 위해 Mundlak 보정, 다양한 강건성 검증, 조건부 효과 및 비선형성 분석을 수행하였다.

기존의 패널 회귀분석 결과가 대체로 통계적 유의성을 확보하지 못한다는 점을 고려하여, 보완적 방법으로 머신러닝(Random Forest: RF) 모형을 활용하였다.

RF는 다수의 의사결정나무를 무작위로 생성하고 이를 종합하는 앙상블 기법으로, 변수 간 비선형 관계와 상호작용 효과를 포착할 수 있다는 장점을 지닌다. 또한 Out-of-Bag(OOB) 샘플을 활용한 교차검증을 통해 예측 성능을 평가할 수 있어, 기존 회귀분석 결과의 강건성을 점검하는 데 유용하다.

분석에서는 OECD 38개국, 2020–2024년, 8개 DDS 부문으로 구성된 패널 데이터를 이용하여 RF 모형을 추정하였다