DEA 분석을 활용한 국내 시험림의 운영효율성 평가 = Evaluating the Operational Efficiency of Experimental Forests in South Korea Using Data Envelopment Analysis

국문 초록 (Abstract)

본 연구는 자료포락분석(Data Envelopment Analysis, DEA)을 활용하여 국내 시험림의 운영효율성을 정량적으로 평가하고, 효율성 제고를 위한 관리적 시사점을 도출하고자 하였다. 분석대상은 투입·산출 관계를 확인할 수 있는 41개 시험림 및 학술림으로 설정하였으며, 이하 이를 포괄하여 ‘시험림’으로 지칭하였다. 각 분석대상은 의사결정단위(Decision Making Unit, DMU)로 정의하였다. 투입요소는 지정면적, 관리예산, 관리인력으로 구성하였고, 산출요소는 활용인원, 논문성과, 지적재산권, 실무성과로 설정하였다. 분석에는 투입지향 DEA 모형을 적용하였으며, DEA의 세부 모형으로 CCR(Charnes-Cooper-Rhodes) 모형, BCC(Banker-Charnes-Cooper) 모형을 활용하였다. CCR 모형은 규모수익불변(Constant Returns to Scale, CRS) 조건의 기술효율성을, BCC 모형은 규모수익가변(Variable Returns to Scale, VRS) 조건의 순수기술효율성을 평가하기 위해 활용하였다. 또한 CCR 모형과 BCC 모형의 효율성 점수를 바탕으로 규모효율성을 산출하고, BCC 모형 결과를 기준으로 슬랙 분석을 수행하여 효율적 프론티어와 비교한 투입요소의 조정 가능성과 산출요소의 보완 가능성을 검토하였다. 분석 결과, CCR 모형에서는 효율성 점수가 100점인 DMU가 8개로 전체의 19.5%를 차지하였으며, 70점 미만의 효율성을 보인 DMU는 31개로 나타났다. BCC 모형에서는 효율성 점수가 100점인 DMU가 11개로 증가하였고, 70점 미만의 DMU는 23개로 감소하였다. CRS 효율성의 평균은 37.8점, VRS 효율성의 평균은 59.0점으로 나타나, 운영 규모의 차이를 고려할 경우 일부 DMU의 효율성이 개선되는 것으로 분석되었다. 규모효율성 분석에서는 30개 DMU에서 규모효율성 측면의 개선 여지가 확인되었으며, 슬랙 분석 결과 일부 DMU에서는 투입요소의 조정 가능성과 산출요소의 보완 가능성이 함께 나타났다. 이러한 결과는 시험림의 효율성 개선이 일률적인 자원 투입 확대만으로 이루어지기 어렵고, 각 시험림의 운영목적, 기능, 규모 여건에 맞는 차별적 관리전략이 필요함을 시사한다. 특히 규모효율성이 낮은 시험림은 운영 규모와 자원 배분의 적정성을, 순수기술효율성이 낮은 시험림은 투입자원의 활용 방식과 성과 창출 기반을 우선적으로 점검할 필요가 있다. 본 연구는 국내 시험림을 보다 체계적인 연구·교육·실증 기반으로 관리하기 위한 효율성 진단 자료를 제공했다는 점에서 의의가 있다.

다국어 초록 (Multilingual Abstract)

This study quantitatively evaluated the operational efficiency of experimental forests in South Korea using Data Envelopment Analysis (DEA) and derived managerial implications for improving their efficiency. The analysis included 41 designated experimental forests and university forests, hereafter collectively referred to as experimental forests, for which input and output relationships could be identified, and each forest was defined as a decision making unit (DMU). The input variables consisted of designated area, management budget, and management personnel, while the output variables consisted of the number of users, research papers, intellectual property rights, and practical outcomes. The input-oriented DEA model was applied in this study, and the CCR (Charnes-Cooper-Rhodes) and BCC (Banker-Charnes-Cooper) models were used as specific DEA models. The CCR model was used to estimate technical efficiency under constant returns to scale (CRS), while the BCC model was used to estimate pure technical efficiency under variable returns to scale (VRS). Scale efficiency was then calculated based on the efficiency scores from the CCR and BCC models. In addition, slack analysis was conducted based on the BCC model results to examine input adjustment possibilities and output improvement potential in comparison with the efficient frontier. The CCR model results showed that 8 DMUs achieved an efficiency score of 100, accounting for 19.5% of the total, while 31 DMUs had efficiency scores below 70. In the BC C model, the number of fully efficient DMUs increased to 11, and the number of DMUs with scores below 70 decreased to 23. The mean CRS efficiency score was 37.8, while the mean VRS efficiency score was 59.0, indicating that the efficiency of some DMUs improved when differences in operational scale were considered. The scale efficiency analysis showed that 30 DMUs had room for improvement in terms of scale efficiency, and the slack analysis indicated that some DMUs had both input adjustment needs and output improvement potential. These results suggest that improving the efficiency of experimental forests cannot be achieved simply by increasing resources uniformly. Instead, differentiated management strategies are needed according to the operational objectives, functions, and scale conditions of each forest. In particular, forests with low scale efficiency need to review the appropriateness of their operational scale and resource allocation, while forests with low pure technical efficiency need to examine how input resources are used and how performance outcomes are generated. This study provides efficiency diagnostic information that can support more systematic management of experimental forests as research, education, and field demonstration platforms.