Deep Learning Augmented Detection of Earnings Manipulation in African Listed Firms: A Multi-Model Comparative Study

기술 요약: 아프리카 상장 기업의 이익 조작 탐지를 위한 딥러닝 증강 기법

문제 제lement (Problem Statement)
이익 조작은 글로벌 자본 시장에서 지속적인 실패 요인으로 남아 있으며, 전통적인 탐지 도구들은 중대한 가치 파괴가 발생하기 전까지 정교한 수법을 식별하는 데 실패하는 경우가 많다. 아프리카 자본 시장에서는 상대적으로 젊은 규제 감독, 유연한 공시 요구 사항, 심각한 정보 비대칭성으로 인해 이러한 과제가 더욱 심화된다. 기존 문헌에 따르면, 전통적인 발생액 기반 모델(예: Jones 모델, Beneish M-score)은 자본 구조, 거버넌스 및 감사 품질의 구조적 차이로 인해 신흥 시장에서 높은 제1종 오류(Type I error) 및 제2종 오류(Type II error)를 보이는 경향이 있다. 또한, 아프리카 다국가 맥락 내에서 이익 조작 탐지를 위한 머신러닝(ML) 및 딥러닝 접근 방식의 적용과 비교 평가에 관한 피어 리뷰(peer-reviewed) 문헌은 현저히 부족한 실정이다.

연구 방법론 (Methodology)
본 연구는 남아프리카 공화국(요하네스버그 증권거래소), 나이지리아(나이지리아 증권거래소), 케냐(나이로비 증권거래소), 가나(가나 증권거래소)의 4개 아프리카 증권거래소에 상장된 80개 기업으로부터 추출한 800개의 기업-연도 관측치로 구성된 균형 패널 데이터셋을 활용한다. 연구 기간은 2015년부터 2024년까지이다.

• 종속 변수: 이익 조작 여부를 나타내는 이진 지표는 2단계 접근 방식을 통해 구축된다. 이익의 질은 총 자산으로 스케일링된 총 발생액(total accruals)의 절대값의 1에서 차감하여 계산된다. 이 분포의 하위 사분위수(25백분위수 임계값)에 해당하는 관측치는 조작 위험(1)으로 분류되며, 그 외에는 0으로 분류된다.
• 특성 집합 (Feature Sets): 본 연구는 두 가지 특성 집합을 사용한다:
  1. 전통적 특성: 법인세 차이(Book tax difference), 총자산이익률(ROA), 부채-자본 비율, 기업 규모, 이사회 독립성, Big Four 감사인 상태, 기관 소유 지분.
  2. 증강된 특성: 전통적 특성에 더해 5가지 변수를 추가함: 머신러닝(ML) 기반 부정 위험 점수, 인공지능(AI) 감사 도구 점수, 핵심 감사 사항(KAM) 개수, 계속기업 가정 불확실성 지표, 기관 품질 복합 지수.
• 모델 (Models): 네 가지 경쟁 모델이 개발되어 비교된다:
  1. M1: 전통적인 발생액 기반 프록시(Jones 모델 명세)만을 사용하는 전통적 로지스틱 회귀.
  2. M2: 증강된 특성 집합을 포함하는 머신러닝 증강 로지스틱 회귀.
  3. M3: 랜덤 포레스트 앙상블 (200개 트리).
  4. M4: 그래디언트 부스팅 모델 (딥러닝 프록시로 사용됨), 200회 반복, 최대 트리 깊이 4, 학습률 0.05로 설정.
• 검증 (Validation): 모델은 10-겹 층화 교차 검증(ten-fold stratified cross-validation), 표본 외 홀드아웃 테스트(20% 예약), 국가별 층화 검증을 통해 평가된다. 성능은 주로 ROC 곡선 아래 면적(AUC)과 평균 정밀도(Average Precision)로 측정되며, 특성 기여도는 Gini 불순도 감소를 통해 분석된다. 다중공선성은 분산 팽창 요인(VIF)을 사용하여 평가된다.

주요 결과 (Key Results)

• 모델 성능: 머신러닝 증강 로지스틱 회귀(M2)는 0.745의 가장 높은 표본 외 AUC를 달로 기록하며, 전통적 로지스틱 회귀(M1, AUC 0.709)보다 3.5 퍼센트 포인트 높은 성능을 보였다. 랜덤 포레스트(M3)와 그래디언트 부스팅(M4) 모델은 표본 외 테스트에서 각각 AUC 0.680과 0.672를 기록하며 더 낮은 성능을 보였는데, 이는 본 샘플 크기에서는 증강된 특성을 가진 정규화된 로지스틱 회귀가 트리 기반 앙상블보다 샘플 효율성이 높음을 시사한다.
• 특성 중요도: 그래디언트 부스팅 모델에서 **총자산이익률(ROA)**이 지배적인 예측 변수(중요도 0.223)였으며, 그 뒤를 ML 부정 위험 점수(중요도 0.118), 기관 품질(0.104), 법인세 차이(0.100)가 이었다. 주목할 점은, AI 감사 도구 점수가 로짓 모델에서는 선형적 유의성이 낮았으나 비선형 앙상블에서는 중간 정도의 중요도(0.072)를 보였다는 것이며, 이는 조건부 효과를 시사한다.
• 국가적 이질성: 모델의 전이 가능성(transferability) 측에 있어 국가 간 상당한 차이가 관찰되었다. 가나는 0.696으로 가장 높은 국가별 AUC를 달성했고, 남아프리카 공화국(0.616), 나이지리아(0.549)가 그 뒤를 이었다. 케냐는 AUC 0.458을 기록하여 무작위 예측 기준선(0.50) 미만으로 떨어졌는데, 이는 발생액 기반 신호가 케냐 시장에서는 효과적이지 않음을 나타내며, 이는 얇고 유동성이 낮은 시장에서의 실질 이익 관리(real earnings management) 우세 때문인 것으로 보인다.
• 강건성 (Robustness): VIF 진단 결과, ML 부정 위험 점수와 법인세 차이 사이의 다중공선성(VIF ~4.57)이 관습적인 임계값인 5.0 미만으로 유지되어 특성 기여도의 해석 가능성을 입증했다. 결과는 다양한 강건성 체크, 즉 서로 다른 조작 임계값 적용 및 팬데믹 기간 제외 시에도 일관되게 나타났다.

의의 및 기여 (Significance and Contributions)
본 논문은 아프리카 다국가 패널 내에서 이익 조작 탐지를 위한 머신러닝 증강 모델을 체계적으로 평가하고 비교한 최초의 연구 중 하나로 자리매김한다. 주요 기여는 다음과 같다:

1. 경험적 벤치마킹: 특정 지역적 맥락에서 최초의 다중 모델 비교를 제공하며, ML 기반 부정 위험 점수와 감사 품질 신호를 결$합하여 전통적 발생액 모델을 증강하는 것이 표본 외 탐지 성능을 향상시킨다는 것을 입증한다.
2. 제도적 맥락화: 모델 성능이 제도적 이질성에 크게 의존함을 강조한다. 모델이 케냐에서는 실패하지만 가나에서는 성공한다는 발견은, 범아프리카적 "원 사이즈(one-size-fits-all)" 접근 방식보다는 국가별 맞춤형 캘리브레이션이 필요함을 시사한다.
3. 특성 기여도 분석: 전통적 변수와 함께 복합 ML 신호를 사용하는 것이 포렌식 회계에서 유효함을 검증하며, ML 부정 위험 점수가 단순한 재무 비율을 넘어 부정 삼각형(fraud triangle)의 압박(pressure)과 역량(capability) 차원을 포착하는 핵심 예측 변수임을 확인한다.
4. 실무적 시사점: 저자들은 아프리카 감사 규제 기관, 거래소 위원회, 그리고 Big Four 회계법인이 감사 계획에 ML 기반 부정 위험 점수를 통합해야 한다고 제안한다. 또한, 유동성이 낮은 시장(케냐 등)을 위한 탐지 프레임워크는 발생액 기반 신호만으로는 불충분하므로 실질 이익 관리를 나타내는 대리 변수를 포함하도록 진화해야 한다고 권고한다.

본 연구는 머신러닝 증강 모델이 전통적 방식보다 측정 가능한 개선을 제공하지만, 그 적용에는 현지 시장 구조와 규제 환경에 대한 세심한 적응이 필요하다는 결론을 내린다.