본 연구는 2001-2016년 기간에 걸쳐 우리나라 영세소매업체의 창ㆍ폐업 동향 및 생존율을 '전국사업체조사' 자료에 기초해 분석하고, 대형유통업체(대형종합소매업체)의 시장진입이 이 기간 중 창업한 영세소매업체의 폐업확률에 미친 영향을 콕스 비례해저드모형(Cox proportional hazards model)을 활용해 분석한다. 본 연구의 분석결과에 따르면, 분석기간 중 어떤 시ㆍ군ㆍ구에 입지한 대형유통업체 수가 다른 지역과 비교해 1개 더 많을수록 해당지역에 소재한 영세소매업체의 폐업확률은 약 0.7% 증가하는 경향을 보였다. 아울러 대형유통업체의 시장진입이 영세소매업체의 폐업에 미치는 영향은 종합소매업보다 전문소매업에서 더 크게 나타났다. 하지만 이 폐업확률 증가정도는 영세소매업체의 생존율과 비교해 그다지 크지 않았을 뿐 아니라, 2010년대에 들어서면서 대형유통업체의 영향력도 상당히 줄어들었다. 본 연구는 이 분석결과에 기초해 유통산업규제와 관련한 정책적 시사점을 제공한다.

The objective of this study is twofold. First, this study analyzes the start-up, survival, and closure of small retailers in Korea over the period 2001-2016 using micro-data collected from the Census on Establishments. Second, it examines the effects of large retailers (large general retailers), such as large discount stores, on the failure probability of small retailers by applying a Cox proportional hazards model. Empirical results indicate that as the number of large retailers increased by one, the failure probability of small retailers rose by 0.7%. In addition, the effects of large retailers on the failure of small retailers was greater in specialized retailers than in general retailers. On the other hand, the aforementioned increase in the failure probability may be considerably small compared to the number of small retailers which failed within a short period of time after their start-up. Moreover, the influence of large retailers on the closure of small retailers decreased or almost disappeared in the 2010s. Based on these results, this study provides policy implications on distribution industry regulation.

본 연구에서 다루는 이산선택 모형은 합병, 시장획정, 경쟁효과 분석 등 산업조직론 연구에 중요한 기능을 수행하고 있다. 만약 최근의 기계학습 연구성과를 반영하여 기존의 계량경제학모형보다 예측력이 우수하면서도, 결과의 해석 또한 어렵지 않은 이산선택 모형을 사용할 수 있다면 관련 산업조직연구의 성과를 향상시키는데 큰 기여를 할 것이다. 이러한 문제의식에서 본 연구는 그래디언트 부스팅(GB) 앙상블 모형을 소개하고 기존 연구에 실제 사용되었던 소비자 선택 데이터를 이용하여, 기존 모형에 비해 기계학습 모형이 매우 우수한 예측력을 가지고 있음을 실증하고 있다. 또한 기존 계량모형이 대부분 선형 모수적 모형인데 비해 GB 모형은 분포에 대한 가정 없이 매우 유연한 형태로 선택결과를 예측하고 분석결과를 시각화할 수 있음을 설명한다. 부수적으로 본 연구는 최근 이슈가 되고 있는 빅데이터, 인공지능 분석에 대한 산업조직 학계의 관심을 촉구하는 선도적 역할을 할 수 있을 것으로 기대된다.

The discrete choice model we analyze in this study plays a pivotal role in the research of industrial organization such as for merger, market definition and measuring a competition effect. We show that an ensemble machine learning model can greatly help improving the predictive fit of the model for discrete choice data. We introduce a gradient boosting (GB) classification technique, and exemplify the usefulness of the technique applying for an actual brand choice data utilized in the previous research. The GB model turns out predicting the future choices better than in the conventional econometric models owing to its nonlinear, nonparametric properties. A graphical interpretation is provided to ascertain the marginal impact of covariates. Particularly, we hope that this study plays a pioneering role in enriching the empirical research for the field of industrial organization.

In the literature on dynamically inconsistent preferences, there is a concern over the feasibility of estimating time preference parameters using observational data. This paper examines the estimability of time preference parameters by performing Monte Carlo simulations of the time preference estimator proposed in the dynamic discrete choice literature. The analysis shows that precise estimation of the quasi-hyperbolic discount function based on observational discrete choice data is indeed challenging and requires a very large sample. The analysis also shows that wrongly assuming exponential discounting, when the true time preferences are quasi-hyperbolic, could lead to an estimate of discount rate that is even smaller than the true long-run discount rate, let alone the true short-run discount rate, implying that researchers cannot be assured that they will at least get things right 'on average.' I further discuss other estimation issues empirical researchers are likely to encounter in estimating quasi-hyperbolic time preferences.