📊 통계학

Working Capital Financing and Firm Performance:A Machine Mislearning Approach - A comment on Mahmood, Ahmed, Hussain &amp; Ben-Zaied (2025)

이 논평은 Mahmood 등(2025)의 연구가 운전자본 조달과 기업 성과 간의 비교 과정에서 범한 방법론적 오류를 비판하며, 특히 주성분 분석의 오분류, 트리 기반 모델에 대한 선형 회귀 통계의 잘못된 보고, 그리고 머신러닝 모델이 고정 효과 모델보다 우수하다는 연구의 결론을 저해하는 상호 모순적인 추정치의 존재를 강조한다.

원저자: Gwenael Piaser

게시일 2026-10-19

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Gwenael Piaser

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

비즈니스의 세계에서 기업들은 두 가지 상충하는 필요성 사이에서 끊임없이 줄타기를 합니다. 바로 일상적인 비용을 지불하기 위해 충분한 현금을 보유하는 것과, 그 돈을 투자하여 성장하고 이익을 창출하는 것입니다. 이러한 균형 잡기는 운전자본 관리(working capital management)라고 불립니다. 수십 년 동안 경제학자들은 이 관계를 위한 완벽한 공식을 찾으려고 노력해 왔으며, 흔히 기업이 단기 재무를 더 효율적으로 관리할수록 더 많은 수익을 낼 것이라고 가정해 왔습니다. 하지만 현실 세계는 결코 직선적이지 않습니다. 때로는 너무 많은 현금을 보유하는 것이 너무 적은 것만큼이나 나쁠 수 있으며, 이는 최적의 중간 지점이 존재하는 곡선을 만들어냅니다. 이러한 복잡한 패턴을 이해하기 위해 연구자들은 점점 더 머신러닝이라고 불리는 컴퓨터 프로그램에 의존하고 있습니다. 이 도구들은 전통적인 통계 방식이 놓칠 수 있는 방대한 양의 데이터 속에서 숨겨진 형태와 연결 고리를 찾아내도록 설계되었으며, 기업의 재무적 결정이 실제 성공에 어떻게 영향을 미치는지에 대한 새로운 시각을 제공합니다.

마무드(Mahmood), 아메드(Ahmed), 후세인(Hussain), 그리고 벤-자이드(Ben-Zaied)라는 연구자로 구성된 최근의 한 연구는 이러한 현대적 접근 방식을 중국 제조업체에 적용하고자 했습니다. 그들은 거의 20년에 걸친 15,000개 이상의 기업-연도 관측치를 수집했으며, 자신들의 머신러닝 모델이 수년간 사용되어 온 표준 방식보다 운전자본과 이익 사이의 관계를 더 잘 설명할 수 있음을 증명하고자 했습니다. 그들은 자신들의 컴퓨터 모델이 데이터를 더 긴밀하게 적합시키고 더 높은 정확도 점수를 생성하기 때문에 우월하다고 주장했습니다. 그러나 그웬엘 피아세르(Gwenael Piaser)라는 연구자의 날카로운 비판은 이 연구가 타당한 질문을 던지고 있음에도 불구하고, 근본적인 오류 위에 세워져 있다고 지적했습니다. 이 비판은 해당 연구가 사용했다고 주장하는 머신러닝 도구를 실제로 사용하지 않았으며, 최종 보고서에 제시된 숫자들은 내부적으로 모순된다는 사실을 밝혀냈습니다.

문제의 핵심은 연구자들이 자신들의 방법론을 기술한 방식에 있습니다. 그들은 데이터를 점점 더 작은 그룹으로 나누어 예측을 수행하는 특정 유형의 컴퓨터 알고리즘인 "회귀 트리(regression trees)"와 "랜덤 포레스트(random forests)"를 사용한다고 명시했습니다. 이러한 도구들은 저자가 발표한 것과 같은 종류의 결과를 생성하지 않습니다. 진정한 트리 기반 모델은 통계적 유의성을 나타내는 별표와 표준 오차가 붙은 부호 있는 숫자 목록을 생성하지 않으며, 전통적인 선형 방정식에서만 사용되는 척도인 F-통계량도 생성하지 않습니다. 대신, 이러한 컴퓨터 모델은 어떤 변수가 가장 중요한지에 대한 순위와 모델이 새로운 데이터를 얼마나 잘 예측하는지에 대한 추정치를 생성합니다. 피아세르는 원본 연구의 표들이 머신러닝 알고리즘이 아니라 전형적인 구식 선형 회귀의 결과물과 정확히 일치한다고 지적합니다. 연구의 방정식에 수동으로 추가된 제곱항(squared terms)과 상호작용 변수(interaction variables)의 존재는 연구자들이 "의사결정 나무(decision tree)"라고 명명했음에도 불구하고 실제로는 전통적인 선형 모델을 실행했음을 확증합니다.

혼란은 보고된 구체적인 숫자를 볼 때 더욱 깊어집니다. 연구는 "랜덤 포레스트 회귀 알고리즘 결과"라는 제목의 표를 제시하지만, 그 안의 숫자들은 두 가지 서로 다른 모델이 뒤섞인 혼란스러운 상태입니다. 주요 관심 변수에 대해서는 전통적인 고정 효과 모델(fixed-effects model)과 완벽하게 일치하는 값을 나열한 반면, 통제 변수와 전체 정확도 점수는 랜덤 포레스트 모델의 것을 따르고 있습니다. 하나의 모델이 한 방법의 계수(coefficients)와 다른 방법의 정확도 점수를 동시에 생성하는 것은 수학적으로 불가능합니다. 더욱이, 연구는 핵심 변수에 대해 동일한 계수를 세 번이나 반복해서 제시하면서도, 텍스트와 표에는 세 가지 완전히 다른 값을 나타냈습니다. 이는 데이터가 일관되게 처리되지 않았거나, 최종 숫자들이 적절한 검증 없이 서로 다른 출처에서 조립되었음을 시사합니다.

또 다른 중대한 문제는 주성분 분석(principal component analysis)의 사용입니다. 저자는 이를 머신러닝 모델과 동등한 수준의 경쟁적인 추정 방법 중 하나로 나열했습니다. 그러나 주성분 분석은 변수 간의 관계를 추정하는 방법이 아니라, 많은 측정치를 하나의 더 깔끔한 요약본으로 결합하여 데이터를 단순화하는 데 사용되는 도구입니다. 즉, 이는 실제 분석이 시작되기 전에 수행되는 단계이지, 가설을 테스트하는 방법이 아닙니다. 이를 다른 모델의 라이벌로 취급함으로써, 이 연구는 데이터 정제 도구를 정답을 찾는 방법과 비교하는 범주 오류를 범했습니다. 또한, 연구는 "윈저라이징(winsorizing)"이라는 데이터 세척 과정을 원시 데이터에 한 번, 그리고 변수를 결합한 후에 다시 한 번 적용했습니다. 이러한 이중 압축은 데이터의 극단치를 인위적으로 매끄럽게 만들어, 견고한 모델이 다루어야 할 예측하기 어려운 사례들을 숨김으로써 모델이 실제보다 더 정확해 보이도록 만들었을 가능성이 큽니다.

궁극적으로, 비판은 머신러닝 모델이 전통적인 방식보다 기업 성과의 분산을 더 잘 설명한다는 원본 연구의 핵심 주장이 근거가 없다고 결론지었습니다. 비교 방식이 모델이 이미 학습한 데이터에 얼마나 잘 적합하는지를 측정하는 데 의존했는데, 이는 모델이 데이터를 학습하는 것이 아니라 단순히 학습 데이터를 암기하도록 만드는 방식이기 때문에 복잡한 모델에 유리합니다. 모델을 보지 못한 새로운 데이터로 테스트하지 않았기 때문에, 보고된 높은 정확도 점수는 의미가 없습니다. 또한 연구는 다른 과학자들이 작업을 검증할 수 있도록 원시 데이터나 컴퓨터 코드를 제공하지 않았으며, 이로 인해 불일치 문제를 원작자 외에는 해결할 수 없게 만들었습니다. 운전자본이 수익성에 어떻게 영향을 미치는지에 대한 질문은 세계 경제에 여전히 중요한 문제이지만, 머신러닝을 사용하여 이에 답하려 했던 이번 시도는 자신이 사용하고자 했던 도구조차 제대로 익히지 못한 것으로 보입니다. 제시된 숫자들은 그들이 주장하는 고급 알고리즘의 결과물을 반영하지 못하며, 그로부터 도출된 결론 또한 신뢰할 수 없습니다.

기술 요약: Mahmood et al. (2025)에 대한 논평

문제 제기
Mahood et al. (2025)은 중국 제조업 기업의 균형 패널 데이터(2000~2018년)를 사용하여 단기 운전자본 금융(WCF)과 기업 수익성 간의 관계를 조사한다. 원 논문은 비선려적이고 오목한(역 U자형) 관계를 가설로 세우며, 소유 구조, 기업 규모 및 레버리지에 의해 조절된다고 주장한다. 방법론적으로, 저자는 표준 고정 효과(FE) 패널 모델을 두 가지 "머신러닝" 추정치인 회귀 트리(regression tree) 및 랜덤 포레스트(random forest)와 비교한다고 주장한다. 저자는 더 높게 보고된 $R^2$ 와 $F$ -통계치를 근거로 트리 기반 모델이 "분산을 더 잘 설명한다"고 결론짓는다.

G. Piaser가 작성한 이 논평은 원 논문의 근본적인 방법론적 결함, 내부적 불일치, 그리고 통계적 출력값의 왜곡을 지적한다. 다루고자 하는 핵심 문제는 WCF와 수익성이라는 경제적 질문이 아니라, 이를 규명하기 위해 사용된 계량경제학 및 머신러닝 구현의 타당성이다.

방법론 및 비판
본 논평은 외부 데이터를 재추정할 필요 없이, 원 논문의 텍ist, 방정식, 표의 내부 일관성을 점검하는 검증 접근 방식을 채택한다. 비판은 세 가지 주요 방법론적 실패에 집중한다.

주성분 분석(PCA)의 오분류:
원 논문은 PCA를 회귀 트리 및 랜덤 포레스트와 함께 경쟁 추정치로 나열한다. Piaser는 이것이 범주 오류라고 주장한다. PCA는 여러 문헌적 대리 변수들로부터 "마스터 프록시"를 생성하기 위한 비지도 학습 차원 축소 기법이지, 종속 변수와 독립 변수 간의 관계를 모델링하는 지도 학습 추정치가 아니다. PCA는 대상 변수에 대한 계수, 유의 수준 또는 $R^2$ 값을 생성하지 않는다. 원 논문에서 PCA는 단지 전처리 단계로서 기능할 뿐이며, 이를 모델 비교 표에 포함시킨 것은 논리적으로 타당하지 않다.
머신러닝 출력값의 왜곡:
논평은 원 논문의 "의사결정 트리(Decision Tree)" 및 "랜덤 포레스트(Random Forest)"로 라벨링된 표들이 트리 기반 방식이 생성할 수 없는 수치들을 보고하고 있음을 보여준다. 구체적으로, 해당 표들은 부호가 있는 계수, 모수적 표준 오차, $t$ -통계량, 유의성 별표( $*$ ), 그리고 $F$ -통계량을 나열하고 있다.

트리 기반 방식의 특성: 회귀 트리와 랜덤 포레스트는 예측 공간을 영역으로 분할하고 해당 영역 내에서 상수 값을 예측한다. 이들은 전역적 파라미터 벡터( $\beta$ )를 산출하지 않으며, 모수적 표준 오차나 $F$ -통계량(ANOVA 분해를 통한 선형 모델의 정의)을 생성하지 않는다.
선형 회귀의 증거: 수동으로 구성된 이차항( $WCF^2$ )과 상호작용 항( $WCF \times \text{dummy}$ )의 존재는 파라미터적 선형 명세를 확증한다. 트리 기반 방식은 재귀적 분할을 통해 비선형성과 상호작용을 근사하므로, 이러한 수동 항의 구성은 불필요하다. 보고된 표들은 머신러닝 결과로 오기된 표준 최소제곱법(OLS) 또는 고정 효과(Fixed-Effects) 출력물임이 확인되었다.

내부 수치적 불일치:
논평은 결과의 재현성을 불가능하게 만드는 심각한 수치적 불일치를 기록한다.

혼합 열(Hybrid Columns): "Random forest regression algorithm results"라는 제목의 표 13은 두 개의 서로 다른 모델이 혼합된 형태임이 드러났다. 핵심 변수( $WCF$ 및 $WCF^2$ )의 계수는 고정 효과 추정치와 일치하는 반면, 통제 변수, $R^2$ , $F$ -통계량은 랜덤 포레스트 추정치와 일치한다. 특정 계수 벡터에 의해 기계적으로 결정되는 $R^2$ 의 특성상, 단일 적합 모델에서 이러한 조합은 수학적으로 불가능하다.
상충하는 계수: 랜덤 포레스트 모델에서의 $WCF$ 전체 샘플 계수는 0.598(본문), 0.403(표 13), 0.323(표 7)의 세 가지 서로 호환되지 않는 값으로 세 번 보고되었다.
데이터 불일치: 표본 크기(15,238개 vs 15,239개 관측치) 및 하위 샘플 수(예: 표마다 167개에서 679개 사이로 변동하는 섬유 산업 관측치)에서 불일치가 존재한다.

주요 발견 및 결과
본 논평은 WCF와 수익성에 관한 새로운 실증적 결과를 제시하는 것이 목적이 아니다. 대신, 그 "결과"는 원 논문의 방법론적 무질서함을 폭로하는 것이다.

유효하지 않은 모델 비교: 머신러닝 모델이 고정 효과 모델보다 우수하다는 핵심 주장은 인샘플(in-sample) $R^2$ 값의 비교에 기초하고 있다. 논평은 유연한 트리 기반 모델이 (올바르게 구현되었다면) 간결한 선형 모델보다 기계적으로 더 높은 인샘플 적합도를 달성할 것이기에, 이러한 비교는 정보 가치가 없다고 주장한다. 유효한 비교를 위해서는 아웃오브샘플(out-of-sample) 또는 교차 검증된 오차 지표가 보고되어야 한다.
데이터 처리 결함: 원 논문은 이중 윈저라이징(winsorization)을 적용한다(먼저 원시 대리 변수에 대해 5% 적용 후, 생성된 주성분에 대해 10% 적용). 이 절차는 데이터의 분산을 두 번 압축하여 $R^2$ 를 인위적으로 부풀리고 기울기 추정치를 감쇄시키지만, 이에 대한 민감도 분석은 제공되지 않았다.
재현성 실패: 복제 데이터셋, 코드 또는 기업 식별자를 제공하지 않는 독점 CSMAR 데이터를 사용했다는 점과 보고된 수치 간의 내부적 모순을 고려할 때, 결과의 검증이나 재구성이 불가능하다.

의의 및 주장
본 논문은 원 논문의 방법론, 보고된 통계치 및 수치의 "내부 일관성"을 평가한다는 겸허한 목표를 가진다. 그 의의는 다음과 같다.

방법론적 교정: PCA가 추정 도구가 아닌 특징 생성 도구라는 점과, 트리 기반 방식이 선형 회귀 스타일의 계수 및 $F$ -통계량을 생성하지 않는다는 점을 명확히 한다.
재현성 경고: 선형 회귀 출력을 머신러닝 결과로 오기한 점과 보고된 수치들의 모순을 들어, 원 논문의 결론이 보고된 증거에 의해 뒷받침되지 않음을 강조한다.
연구 윤리: 복제 데이터셋과 코드가 없는 상태에서, 그리고 문서화된 불일치가 존재하는 상황에서, 이 맥락에서의 머신러닝 접근법의 우월성에 관한 원 논문의 연구 결과는 수용될 수 없음을 강조한다.

논평은 원 논문의 핵심 주장, 즉 머신러닝 모델이 데이터를 더 정확하게 설명한다는 주장이 통계적 객체의 오용과 유효한 일반화 지표의 부재로 인해 그 자체의 논리적 근거를 상실했다고 결론짓는다.

유사한 논문