Machine Learning Feature Importance vs. Fixed-Effects Regression: Which Variables Actually Drive CSR–Firm Value Relationships in Africa?

기술 요약: 아프리카 CSR 연구에서의 머신러닝 변수 중요도와 고정 효과 회귀 분석 비교

문제 제기
아프리카 자본 시장에서 기업 사회적 책임(CSR) 공시와 기업 가치 사이의 관계에 관한 실증 연구는 역사적으로 고정 효과(fixed-effects, FE) 패널 회귀 분석에 의존해 왔다. 이러한 접근 방식은 CSR과 기업 가치 간의 관계가 양(+)의 방향이라는 일반적인 합의를 구축하는 데 기여했으나, 이 관계의 진정한 동인을 가리는 두 가지 결정적인 방법론적 약점을 지니고 있다:

1. 변수 선택 편향(Variable Selection Bias): 제한된 통제 변수만을 사전 지정함으로써, 이론적으로 충분히 설명되지 않은 중요한 조절 변수를 누락할 위험이 있다.
2. 선형성 가정(Linearity Assumption): 표준 FE 회귀 분석은 선형 가법적 효과를 강요하므로, CSR 맥락에서 이론적으로 타당할 수 있는 비선형성, 임계값 효과(threshold effects) 또는 이질적 처치 효과를 탐지하지 못한다.

결과적으로, 전통적인 방식은 복잡한 상호작용을 놓치거나 기계적 상관관계가 있는 변수에 유의성을 잘못 부여할 수 있기 때문에, 어떤 변수가 기업 가치를 강력하게 견인하는지에 대한 모호함이 존재한다.

연구 방법론
본 연구는 2015년부터 2024년까지 4개국(남아프리카 공화국, 나이지리아, 케냐, 가나) 80개 기업의 800개 기업-연도 관측치로 구성된 균형 패널을 사용하여 2단계 비교 프레임워크를 채택한다. 데이터셋에는 CSR 공시(GRI G3.1), 재무 성과, 기업 지배구조 및 제도적 품질을 아우르는 83개의 예측 변수가 포함된다.

1. 머신러닝(ML) 발견: 저자들은 데이터 기반의 변수 중요도 순위를 생성하기 위해 랜덤 포레스트(Random Forest, RF)와 그래디언트 부스팅(Gradient Boosting, GB) 알고리즘을 활용한다. 해석 가능성과 계량 경제 결과와의 비교 가능성을 보장하기 위해, 모델 예측을 개별 변수의 기여도로 분해하는 SHAP(Shapley Additive Explanations)을 적용한다. 모델은 시계열 누수(temporal leakage)를 방지하기 위해 20152022년 데이터로 학습되고 20232024년 데이터로 테스트된다.
2. 계량 경제 벤치마크: 동일한 83개의 예측 변수를 사용하는 이원 고정 효과(two-way fixed-effects) 회귀 분석(개체 및 연도 고정 효과)이 인과 추론 벤치마크 역할을 한다.
3. 일치성 프레임워크(Concordance Framework): 본 연구는 RF, GB, SHAP 및 표준화된 FE 회귀 계수 간의 변수 중요도 순위를 비교한다. 변수는 다음 세 가지 범주로 분류된다:
   • 일치(Concordant): 모든 방법론에서 순위 차이가 5위 이내인 경우.
   • FE 과소평가(FE-Underweighted): ML이 FE보다 해당 변수를 현저히 높게(8위 이상) 평가하는 경우로, 이는 FE가 비선형성이나 임계값 효과를 놓치고 있음을 시사한다.
   • FE 과대평가(FE-Overweighted): FE가 ML보다 해당 변수를 현저히 높게 평가하는 경우로, 이는 FE의 유의성이 실제 예측력이 아닌 기계적 내부 상관관계에서 기인함을 시사한다.

주요 결과
분석 결과, 상위권 예측 변수들에 대해 높은 수준의 일치성(Spearman $\rho = 0.91$)이 나타났으며, 이는 기존 문헌에서 다뤄진 핵심 변수들의 타당성을 입증한다. 모든 방법론이 공통적으로 식별한 상위 4개 동인은 CSR 점수, 총자산이익률(ROA), 제도적 품질, 그리고 기업 규모이다.

그러나 중위권 변수에서는 상당한 불일치가 나타났으며, 이는 FE 방식의 구체적인 한계를 드러낸다:

• FE 과소평가 변수 (지배구조 및 제도): ML은 이사회 독립성, 환경 공시, CEO 겸직(CEO Duality), 정치적 리스크를 FE가 제시하는 것보다 실질적으로 더 중요한 변수로 식별한다. SHAP 분석은 이러한 불일치의 원인을 밝혀낸다:
  • 임계값 효과: 이사회 독립성은 40% 임계값을 초과할 때만 가치를 창출한다. 이 수준 미만에서는 독립 이사들이 경영진을 제약할 수 있는 결정적 규모를 갖추지 못한다.
  • 비선형성: 환경 공시는 사회적 공시보다 기업 가치를 2.3배 더 강력하게 견인하며, 이는 총합적 CSR 점수로는 가려지는 미묘한 차이이다.
  • 맥락적 상호작용: CEO 겸직의 부정적 영향은 제도적 품질에 따라 달라지며, 남아프리카 공화국이 아닌 가나와 나이지리아에서만 유의미하게 나타난다.
• FE 과대평가 변수 (재무 구조): 매출 성장률, 레버리지, 유동비율과 같은 변수들은 FE 모델에서는 통계적으로 유의미하게 나타나지만, ML 모델에서는 낮은 예측 중요도를 보인다. 연구는 이를 토빈의 Q(Tobin's Q)와 기계적 상관관계를 가진 결과로 보며, 이는 실제 가치의 진정한 인과적 동인을 반영하지 않는다.
• 종속 변수 강건성: 종속 변수로 표준화된 경제적 부가가치(EVA)를 사용할 경우 CSR 점수의 중요도가 하락하는데, 이는 CSR이 직접적인 영업 성과(EVA)보다는 주로 시장 인식 채널(Tobin's Q)을 통해 작동함을 확인시켜 준다.

주요 기여

1. 방법론적 혁신: 본 논문은 "발견을 위한 ML, 추론을 위한 회귀"라는 재현 가능한 워크플로우를 도입한다. 저자들은 회귀 모델을 지정하기 전, 비선형성과 임계값을 식별하기 위한 진단 도구로서 ML 변수 중요도를 사용할 것을 제안하며, 이를 통해 명세 오류(specification error)를 줄일 수 있다고 주장한다.
2. 아프리카 시장에 대한 실질적 통찰:
   • 환경 공시가 아프리카에서 CSR-가치 관계의 주요 동인이며, 사회적 차원을 압도한다는 점을 입증한다.
   • 40% 이사회 독립성 임계값을 식별하여, 지배구조 개혁이 단순히 평균적인 대표성을 목표로 하는 것이 아니라 효과를 발휘하기 위해 반드시 임계 규모를 달성해야 함을 시사한다.
   • CEO 겸직과 같은 지배구조 메커니즘의 국가별 차이를 강조하며, 아프리카 시장 전반에 걸친 일률적인 지배구조 정책에 반론을 제기한다.
3. 명세 오류의 분류 체계: 표준 패널 회귀 분석에서 비선형성으로 인해 과소평가되거나 기계적 상관관계로 인해 과대평가되는 변수들에 대한 분류 체계를 제공한다.

의의 및 주장
저자들은 본 연구가 아프리카 CSR 연구 맥-락에서 ML과 FE 회귀 분석 간의 일치성을 체계적으로 평가한 첫 번째 연구라고 주장한다. 연구 결과는 전통적인 FE 모델이 상위 수준의 선형적 동인들에 대해서는 유효하지만, 지배구조 및 제도적 변수의 복잡성을 포착하는 데는 체계적으로 실패한다는 점을 보여준다.

본 논문은 ML이 인과 추론을 대체한다고 주장하는 것이 아니라, ML이 변수 발견과 명세 진단에 필수적이라고 주장한다. 숨겨된 임계값과 상호작용을 밝혀냄으로써, ML은 연구자들이 비선형적 현실을 반영하는 더 정확한 회귀 모델을 구축할 수 있도록 돕는다. 제안된 일치성 프레임워크는 신흥 시장의 패널 데이터 연구에서 누락된 변수 편향과 통계적 유의성의 오해를 피하기 위해 반드시 거쳐야 할 사전 명세 단계로 제시된다.