Mapping product development trajectories: product citation network

Dawoon Jeong, Jeong-Dong Lee

<개요>
1. 본 연구는 논문 및 특허와 달리 명시적 인용 관계가 없는 제품 혁신 분야에서 과거와 현재 제품 간의 계승 관계를 정량적으로 파악하기 위해 '제품 인용 네트워크' 모델을 제안함
2. 이 모델은 제품의 기술적 특성을 임베딩 및 클러스터링 기법으로 정량화하여 모듈 구조를 파악하고, 시간 흐름에 따른 제품 간 모듈 유사성을 기반으로 인용 관계를 구축함
3. 모바일 제품 데이터에 대한 실증 분석을 통해 구축된 네트워크는 기업의 초기 파괴적 혁신 이후 점진적 혁신으로의 전환 패턴을 성공적으로 설명하며, 논문 및 특허 인용 네트워크 연구 방법론을 제품 혁신 연구에 적용할 수 있음을 입증함

1. 연구배경  
본 논문은 혁신을 “descent with modification”의 과정으로 보고 과거와 현재 혁신을 연결하는 궤적(trajetory)을 파악하는 데 인용(citation) 네트워크가 유용하다는 기존의 통찰에 착안하였다. 그러나 논문과 특허와 달리 제품에는 명시적 인용기록이 존재하지 않아 제품 혁신의 계보를 정량적으로 추적하기 어려운 한계가 있다. 이에 따라, 제품을 구성하는 기술적 특성들이 모듈로서 계승 및 재조합된다는 모듈성(modularity) 관점을 기반으로, 모듈 수준의 유사성을 통해 제품 간의 “latent citation”을 추정하고 이를 연결함으로써 제품 인용 네트워크(product citation network)를 구성하려는 동기를 제시한다.

2. 연구내용 
연구는 모바일 기기군(phones, tablets, smartwatches)을 대상으로 GSMArena에서 크롤링한 1994–2023년 데이터(총 12,554개 제품, 121개 제조사, 41,064개 technical characteristics, 62개 functionalities)를 사용하였다. 방법론은 네 단계로 구성되며(embedding → clustering → 모듈 매칭 → 네트워크 구성), 우선 제조사, 제품, technical characteristic, functionality 네 유형의 노드를 포함하는 heterogeneous graph를 구성하고Metapath2vec 및 Word2Vec 으로 노드 임베딩을 수행하여 각 기술특성을 벡터화하였다.

다음으로 각 제품 내에서 임베딩된 기술특성 벡터들을 t‑SNE로 차원축소한 뒤 K‑means와 silhouette 기준으로 최적의 K를 결정하여 클러스터로서 모듈을 도출하였다. 도출된 모듈들의 중심점(centroid) 간 거리를 이용해 후속 제품의 각 모듈이 어떤 이전 제품의 모듈과 가장 유사한지를 연결함으로써 방향과 가중치를 지닌 제품 인용 네트워크를 구축하였다. 마지막으로 구축된 네트워크에 대해 인용 네트워크 연구에서 흔히 사용하는 지표 중 특히disruption index를 제품 맥락에 맞게 재해석하여 적용하였다.

3. 분석결과 
본 논문에서 구축한 모바일 제품 인용 네트워크는 weighted and directed edge로 이루어진 복합그래프이며(Fig. 6), 네트워크의 위상적 특징으로는weighted indegree(피인용)가 멱법칙(power‑law) 분포를 따르고 weighted outdegree(인용)는 Poisson 유사 분포를 보였다(Fig. 7A,B).

이로부터 소수의 제품이 다수의 모듈 상속을 받는 반면 대부분 제품은 유사한 수의 선행 제품을 참조한다는 구조적 결론을 얻었다. 기업별 분석에서Apple은 자사 제품 간의 모듈 계승 비율(self‑citation)과 자사 제품이 피인용되는 정도(self‑cited)에서 높은 값으로 나타나 강한 path‑dependence를 보였고, Oppo, Lenovo, Realme 등은 높은 indegree를 보이면서도 self‑citation은 낮아 타사 모듈 차용이 상대적으로 많음을 확인하였다(Fig. 7C). 사례 분석에서 Apple iPhone 4는 iPhone 3GS로부터 다수의 모듈을 계승했으며 동시에 타사 제품들로부터 모듈을 재조합해 구성된 것이 Table 2에 정리되어 있다. 제품 혁신의 파괴성(disruptiveness)을 측정하기 위해 Funk and Owen-Smith (2017)이 제시한 disruption index를 사용했다. 이 지표를 바탕으로 대표적 기업별 사례(Apple, Samsung, Nokia, Huawei)를 분석한 결과, 대부분 기업은 시장 진입 초기에 상대적으로 높은 파괴성(disruption)을 보이고 시간이 지남에 따라 점차 파과성이 감소하는 일반적 패턴을 보였다(Fig. 9, 10). 개별 제품 사례로 보면 Apple iPhone 4의 경우, 다수의 모듈을 직전 모델(iPhone 3GS)로부터 계승하고 타사 제품과도 재조합된 설계를 보였으므로 파괴적이라기보다 기존 궤적을 잇는 집적적(consolidating) 역할에 가까웠다. 또한 임베딩 하이퍼파라미터를 변경해 수행한 강건성 검토에서 핵심 지표들은 원본 모델과 높은 상관을 유지하여 결과의 안정성이 확인되었다.

<논문 서지 정보>
Jeong, D., & Lee, J. D. (2025). Mapping product development trajectories: product citation network. Scientometrics, 1-30. https://doi.org/10.1007/s11192-025-05395-y

<용어정리>
▶ Embedding (Metapath2vec / Word2Vec 기반) : 임베딩은 비정형한 객체(예: 제품의 기술특성)를 수치 벡터로 바꾸어 컴퓨터가 "의미적 유사성"을 계산할 수 있게 하는 기법이다. 본 연구에서는 Company, Product, Technical characteristic, Functionality로 구성한 메타패스를 따라 노드 시퀀스를 샘플링하고 Metapath2vec(Word2Vec 활용)를 써서 각 기술특성의 의미적 위치를 수치화했다. 이렇게 얻은 벡터는 이후 모듈 유사도 측정과 클러스터링의 기초가 된다.

▶ Heterogeneous graph & Metapath : heterogeneous graph는 서로 다른 유형의 노드(예: 회사·제품·특성·기능)를 함께 나타내는 그래프이다. Metapath는 그래프에서 관심 있는 유형들의 경로(예: Company → Product → Technical characteristic → Functionality)를 정의하여 어떤 맥락으로 노드들을 연결할지 결정한다. 연구에서는 이 메타패스를 통해 제품 설계의 논리(“회사가 제품을 만들고, 제품이 특정 기술특성을 갖고, 그 특성이 기능을 제공한다”)를 임베딩 학습에 반영했다.

▶ Clustering : 임베딩으로 얻은 기술특성 벡터들을 제품 내부에서 그룹화하여 '모듈'을 추출한다. 먼저 t‑SNE 같은 차원축소로 시각적·계산적 유리함을 만든 뒤 K‑means로 군집을 만들고, Silhouette 지수로 최적의 군집 수(K)를 선택한다. 이렇게 도출된 군집 하나가 제품의 기능적·설계적 모듈로 해석되어 이후 제품 간 계승(상속) 관계를 찾는 단위가 된다.

▶ Product citation network : 제품에는 논문·특허처럼 명시적 인용표시가 없으므로, 본 연구는 'latent citation' 개념을 도입하여 모듈 단위의 유사성이 높은 경우를 사실상의 인용(계승)으로 간주한다. 네트워크의 노드는 제품이고, 한 제품이 다른 제품으로부터 상속한 모듈 수를 가중치로 하는 방향성 엣지를 연결하여 제품 인용 네트워크를 구성한다. 이 네트워크를 통해 제품 계보, 핵심 참고(많이 인용된) 제품, 기업 내부의 자기계승(self‑citation) 정도 등을 분석할 수 있다.

▶ Disruption index : 이 지수는 한 노드(제품)가 이후 혁신 흐름을 '바꿨는지'를 정량화하는 지표로, 제품 맥락에서는 후속 제품들이 focal 제품만 계승했는지 또는 선행제품도 함께 계승했는지 등을 바탕으로 계산한다. (Funk and Owen-Smith, 2017)