Micro and Macro Perspectives on Production-Based Markups

Each language version is independently generated for its own context, not a direct translation.

🏭 1. 핵심 아이디어: "잔여물 (Residual) 의 비밀"

이 논문의 가장 중요한 메시지는 **"마진은 우리가 직접 보는 것이 아니라, 나머지 모든 것을 다 뺀 후 남는 '잔여물'이다"**라는 점입니다.

비유: 요리사의 비밀 레시피
imagine 한 식당 주인이 있습니다. 우리는 요리의 판매 가격은 알지만, **재료비 (마진)**는 정확히 모릅니다.
- 생산 접근법은 이렇게 말합니다. "음식을 만드는 데 들어간 **재료의 양 (생산성)**과 재료비가 차지하는 비중을 알면, 나머지 차이는 바로 '비밀 레시피 (마진)'일 거야!"
- 즉, 마진 = (재료의 생산성) / (재료비 비중)이라는 공식을 사용합니다.
- 이 방법의 장점은 **소비자가 무엇을 좋아하는지 (수요)**나 **시장이 어떻게 돌아가는지 (경쟁 구조)**를 복잡하게 추측할 필요 없다는 것입니다. 오직 '생산'만 보면 됩니다.

⚠️ 2. 문제점: "잔여물의 함정"

하지만 여기서 문제가 생깁니다. 잔여물 (마진) 이란 것은, 우리가 계산하지 못하거나 잘못 측정한 모든 오차가 쌓이는 곳이기 때문입니다.

비유: 저울의 오차
만약 저울이 정확하지 않다면, 무게를 잴 때 오차가 생깁니다. 이 오차가 '재료비'에 포함되면, 남은 '마진' 계산도 틀려집니다.
- 저자들은 말합니다: "최근 연구들에서 마진이 급격히 올랐다는 주장도 있고, 그렇지 않다는 주장도 있습니다. 왜 그럴까요? 바로 어떤 재료를 선택했는지, 어떤 공식을 썼는지에 따라 '오차'가 마진으로 잘못 계산되기 때문입니다."

🌳 3. "갈림길의 정원 (Garden of Forking Paths)"

논문의 제목처럼, 연구자들은 데이터를 분석할 때마다 수많은 갈림길에 서게 됩니다. 어떤 길을 선택하느냐에 따라 결과가 완전히 달라집니다.

🛤️ 갈림길 1: 어떤 재료를 볼 것인가? (노동 vs 자재)

상황: 기업이 물건을 만들 때 '노동 (사람)'과 '자재 (원자재)'를 모두 씁니다. 이론적으로는 둘 다 똑같은 마진을 보여줘야 합니다.
현실: 하지만 데이터를 보면 사람 (노동) 을 기준으로 계산하면 마진이 급증했다고 나옵니다. 반면 자재를 기준으로 계산하면 마진이 줄었다고 나옵니다.
비유: 같은 건물을 재고 있는데, 벽돌의 가격으로 계산하면 비싸고, 시공 인건비로 계산하면 쌉니다. 연구자들은 "어느 것이 진짜 마진일까?"라고 혼란에 빠집니다.
- 예시: 미국의 경우, 1970 년부터 2010 년까지 노동 기준으로는 마진이 90% 늘었다지만, 자재 기준으로는 50% 줄었습니다.

🛤️ 갈림길 2: 공식을 얼마나 유연하게 쓸 것인가?

상황: 생산성을 계산할 때, 모든 기업이 똑같은 공식을 쓴다고 가정할지 (단순한 공식), 아니면 기업마다 다른 공식을 쓸지 (복잡한 공식) 선택해야 합니다.
현실: 너무 단순한 공식을 쓰면, **기술의 차이 (생산성)**가 마진으로 잘못 계산됩니다.
비유: 모든 학생의 시험 성적을 '평균 점수'로만 비교하면, '공부 잘하는 학생'과 '공부 안 하는 학생'의 차이가 '선생님의 점수 조작'으로 오해받을 수 있습니다. 더 정교한 공식을 써야 진짜 실력을 알 수 있습니다.

🕵️‍♂️ 4. 왜 이렇게 헷갈릴까? (실제 원인)

저자들은 이 혼란의 원인을 세 가지로 정리합니다.

보이지 않는 장벽 (Wedges): 기업이 실제로 지불하는 비용과 책상 위 가격 (시장 가격) 이 다를 수 있습니다.
- 비유: 회사가 노동자를 고용할 때, 임금 외에 은근한 협상 비용이나 조정 비용이 들면, 우리가 보는 '임금'만으로는 진짜 비용을 알 수 없습니다. 이 차이가 마진으로 잘못 계산됩니다.
데이터의 불완전함: 회계 장부에 '연구개발비 (R&D)'나 '마케팅 비용'이 '생산 비용'으로 제대로 분류되지 않는 경우가 많습니다.
- 비유: 식당이 '식재료'만 계산하고 '광고비'를 빼먹으면, 마진이 실제보다 훨씬 높게 나옵니다. 최근 연구들은 '광고비'를 어떻게 처리하느냐에 따라 마진 추세가 완전히 뒤바뀝니다.
통계적 함정: 우리가 사용하는 통계 도구가 너무 단순해서, 진짜 기술 발전과 마진을 구별하지 못합니다.

📢 5. 저자들의 제안: "투명하고, 검증하라!"

이 논문은 "이 방법이 쓸모없다"고 말하는 것이 아니라, **"더 조심스럽게, 투명하게 사용하자"**고 주장합니다.

투명성 (Transparency): 연구자들은 "내가 계산한 마진이 실제 마진인지, 아니면 기술 발전이나 데이터 오차인지"를 **R² (설명력)**라는 지표로 공개해야 합니다. "내 계산에서 마진이 전체 변동의 96% 를 설명한다면, 기술 발전은 4% 만 설명했다는 뜻이니, 이 결과가 너무 단순한 공식 때문일 수 있다"고 경고해야 합니다.
검증 (Stress-testing): 생산 접근법으로 계산한 마진이, 다른 방법 (예: 소비자 행동 분석) 으로 계산한 마진과 일치하는지 확인해야 합니다. 둘이 다르면 그 이유를 찾아야 합니다.
거시경제 연결: 기업 수준의 마진이 전체 경제 (GDP, 고용) 에 어떤 영향을 미치는지 더 정교하게 연구해야 합니다.

💡 요약: 이 논문이 우리에게 주는 교훈

마진 (Markup) 은 신비로운 숫자가 아닙니다. 그것은 우리가 모르는 것과 잘못 측정한 것이 쌓인 '잔여물'입니다.
같은 데이터라도 보는 각도 (어떤 재료를 쓰는지, 어떤 공식을 쓰는지) 에 따라 결과가 완전히 달라집니다.
최근 "기업의 독점력이 세졌다"는 주장이 사실인지, 아니면 "데이터를 잘못 해석한 것"인지 아직 확실하지 않습니다.
저자들은 경제학자들에게 "계산 결과를 맹신하지 말고, 그 뒤에 숨은 가정과 오차를 투명하게 공개하자"고 요청합니다.

결론적으로, 이 논문은 **"마진을 재는 것은 쉬운 일이 아니며, 우리가 가진 도구가 완벽하지 않다는 것을 인정하고 더 정직하게 연구하자"**는 강력한 메시지입니다.

Each language version is independently generated for its own context, not a direct translation.

이 논문은 존 퍼널드 (John Fernald), 아밋 간디 (Amit Gandhi), 디미트리예 루지치 (Dimitrije Ruzic), 제임스 트라이나 (James Traina) 가 작성한 것으로, 생산 기반 마크업 (Production-Based Markups) 추정을 위한 접근법을 검토하고 미시적 (기업 수준) 및 거시적 (경제 전체) 관점을 연결하려는 시도입니다.

이 논문은 마크업 (가격과 한계비용의 비율) 을 추정하는 데 있어 '생산 접근법'이 가진 강력한 확장성과 동시에 잔차 (residual) 로서 가지는 취약성을 심층적으로 분석합니다.

다음은 논문의 주요 내용을 기술적으로 요약한 것입니다.

1. 문제 제기 (The Problem)

마크업 추정의 중요성: 시장 지배력 (Market Power) 의 증가가 노동 소득 분배율 하락, 경제 이익 증가, 생산성 성장 둔화, 투자 약화 등 다양한 거시경제적 수수께끼를 설명할 수 있다는 주장이 제기되면서, 마크업 추정에 대한 관심이 급증했습니다.
생산 접근법의 양면성:
- 강점: 수요 체계나 시장 구조를 명시적으로 가정할 필요가 없어, 기업, 산업, 시간에 걸쳐 광범위하게 적용 가능합니다 (확장성).
- 약점: 마크업은 **잔차 (Residual)**입니다. 솔로우 (Solow) 잔차와 유사하게, 이론적으로는 깨끗하지만 측정 오차나 모델 오설정으로 인해 오염될 수 있습니다.
실증적 불일치: 동일한 데이터를 사용하더라도 연구자마다 다른 결론 (마크업 상승 vs 정체) 을 도출하는 경우가 많습니다. 이는 구현 방식의 미세한 차이가 결과에 얼마나 큰 영향을 미치는지 보여줍니다.

2. 방법론 (Methodology)

2.1 생산 기반 마크업의 기본 원리

1 차 조건 (FOC): 비용 최소화 가정 하에서, 유연한 투입재 (Flexible Input, 예: 노동, 원자재) 의 산출 탄력성 ( $\gamma$ ) 과 매출액 대비 비용 비중 ( $s$ ) 의 비율이 마크업 ( $\mu$ ) 과 같습니다.
$\mu = \frac{\gamma}{s}$
잔차로서의 마크업: 위 식에서 $\gamma$ 와 $s$ 를 관측하거나 추정하면, 마크업은 식이 성립하도록 남은 값 (잔차) 으로 결정됩니다. 따라서 $\gamma$ 나 $s$ 의 오차나 오측정은 모두 마크업 추정에 직접 반영됩니다.

2.2 구현의 선택지 (Garden of Forking Paths)

논문은 동일한 데이터라도 연구자의 선택에 따라 결과가 극명하게 달라지는 '분기하는 길의 정원'을 강조합니다.

어떤 투입재를 사용할 것인가? (노동 vs 원자재 vs 에너지 등)
- 이론적으로는 모든 유연한 투입재가 동일한 마크업을 줘야 하지만, 실제로는 투입재 선택에 따라 추세와 수준이 정반대로 나옵니다.
산출 탄력성을 얼마나 유연하게 모델링할 것인가?
- Cobb-Douglas(탄력성 고정) vs Translog/CES(탄력성 가변)
- 탄력성의 변동을 제한하면, 실제 기술적 이질성이 마크업 잔차로 흡수되어 마크업이 인위적으로 상승하는 것처럼 보일 수 있습니다.
총생산 (Gross Output) vs 부가가치 (Value Added)
- 거시 모델링을 위해 부가가치 생산 함수를 사용하는 경우가 많으나, 불완전 경쟁 하에서는 총생산 기반 마크업과 부가가치 기반 마크업이 일치하지 않으며, 부가가치 접근법은 편향을 초래할 수 있습니다.

3. 주요 기여 및 발견 (Key Contributions & Results)

3.1 실증적 불일치의 원인 규명

투입재 선택의 민감성: Raval (2023) 등의 연구를 인용하여, 미국 데이터를 기준으로 노동 기반 마크업은 1970~2010 년 사이 90% 증가한 반면, 원자재 기반 마크업은 50% 감소했다는 상반된 결과를 보여줍니다. 이는 투입재 시장의 마찰 (조정 비용, 독점적 구매력 등) 이 FOC 를 위반하게 만들어 마크업 추정을 왜곡함을 시사합니다.
기술 모델링의 중요성: Foster et al. (2024) 연구에 따르면, 산업 분류 수준 (2 자리 vs 4 자리) 이나 생산 함수의 유연성 (Cobb-Douglas vs Translog) 에 따라 마크업 추세가 안정적, 상승, 하락 등으로 완전히 달라집니다. 탄력성 추정이 제한적일수록 기술적 변동이 마크업으로 전가됩니다.

3.2 데이터 및 계량경제학적 한계

데이터의 결함:
- 수익 vs 물량 데이터: 대부분의 미시 데이터는 물량 (Quantity) 이 아닌 수익 (Revenue) 을 기록합니다. 이는 관측되지 않은 가격 ( $p$ ) 을 잔차에 포함시켜, 생산성 ( $a$ ) 과 가격 ( $p$ ) 을 구분하지 못하게 만듭니다.
- 투입재 측정 오류: 무형자산 (Intangible capital), SG&A(판매관리비) 의 처리, 자본의 장부 가치 대 경제적 가치 불일치 등이 마크업 추정을 왜곡합니다. 특히 SG&A 를 생산적 투입재로 간주하느냐 비용으로 간주하느냐에 따라 마크업 상승 추세가 크게 달라집니다.
계량경제학적 함정:
- 내생성 문제: 생산성 충격과 투입재 선택의 상관관계 (Layer 1) 와 관측되지 않은 가격의 상관관계 (Layer 2) 가 존재합니다.
- 통제 함수 (Control Function) 의 한계: Olley-Pakes, Levinsohn-Petrin 등 기존 방법은 생산성만 고려하도록 설계되었으나, 불완전 경쟁 하에서는 가격 변동도 통제해야 하므로 식별이 어렵습니다.
- Bond et al. (2021) 의 결과: 가격 데이터를 보정하지 않고 수익 데이터만으로 탄력성을 추정하면, 계산된 마크업이 항상 1 이 되어 (Tautology) 실제 마크업에 대한 정보가 전혀 없게 될 수 있음을 지적합니다.

3.3 제안된 진단 도구 및 해결책

R² 분해 (Transparency): 매출액 비중 ( $s$ ) 의 변동 중 산출 탄력성 ( $\gamma$ ) 이 설명하는 비율과 마크업 ( $\mu$ ) 이 설명하는 비율을 분해할 것을 제안합니다. 현재 많은 연구에서 탄력성 추정이 제한되어 있어, 매출액 변동의 90% 이상을 마크업이 설명하는 경우가 많습니다. 이는 기술적 변동이 마크업으로 잘못 흡수되었을 가능성을 경고합니다.
스트레스 테스트: 생산 기반 마크업 추정을 수요 기반 추정치 (IO), 시뮬레이션 (알려진 진리), 자연 실험 결과와 비교하여 검증할 것을 요구합니다.

4. 의의 및 시사점 (Significance)

이론과 측정의 간극: 생산 접근법은 시장 구조를 가정하지 않는다는 장점이 있지만, 그로 인해 '잔차'에 모든 오차가 쌓이게 됩니다. 이는 확장성 (Scalability) 의 대가입니다.
거시경제적 함의:
- 마크업 상승이 '나쁜' 것 (진입 장벽, 비효율) 인지 '좋은' 것 (혁신 보상, 고정비 회수) 인지는 생산 접근법만으로는 알 수 없습니다. 구조적 모델이 필요합니다.
- 기업 수준의 마크업 이질성을 거시 모델에 어떻게 집계 (Aggregation) 할 것인지에 대한 논의가 필요합니다. 특히 중간재 투입재의 마크업은 생산에 대한 세금처럼 작용하여 전체 생산성을 떨어뜨릴 수 있습니다.
향후 연구 방향:
1. 투명성: 탄력성과 마크업이 매출액 변동에 기여하는 정도를 R²로 보고해야 함.
2. 검증: 생산 기반 추정치를 수요 기반 추정치나 실험적 증거와 비교하여 검증해야 함.
3. 집계: 기업 수준의 이질성을 거시 모델에 올바르게 반영하는 방법론 개발이 필요함.

결론

이 논문은 생산 기반 마크업 추정이 "마법 같은 도구"가 아니라, 데이터 품질, 모델 설정, 계량경제학적 방법에 매우 민감한 잔차 기반 추정임을 강력하게 경고합니다. 연구자들은 다양한 선택지가 결과에 미치는 영향을 투명하게 보고하고, 외부 증거와 교차 검증 (Cross-validation) 을 통해 시장 지배력에 대한 신뢰할 수 있는 증거를 축적해야 한다고 주장합니다.