기업성과 벤치마킹을 위한 베이지안 트리 모델

본 논문은 “통계적 벤치마킹”이라는 문제를 기업 성과 평가에 적용한다. 전통적인 벤치마킹은 회귀 잔차를 이용해 기대값을 보정하지만, ROA와 같은 회계 지표는 비대칭적이고 무거운 꼬리를 가지며, 공변량에 따라 변동성도 달라지는 조건부 이분산을 보인다. 이러한 특성은 선형 모델이나 단순 잔차 분석으로는 충분히 다루기 어렵다. 저자는 먼저 관측된 ROA r_i 를 경험적 누적분포 F̂를 통해 균등 변수 u_i 로 변환하고, 이를 정규분포 역함수 Φ⁻¹에 적용해 잠재 정규 변수 z_i 를 만든다. 이 변환은 “Gaussian copula” 접근법으로, 원본 데이터의 복잡한 분포 형태를 정규화된 잠재 공간으로 옮긴다. 대규모 표본(N≈645 000) 덕분에 경험적 분포와 실제 분포가 거의 일치하므로, 변환 과정에서 큰 편향이 발생하지 않는다. 그 다음 단계에서는 z_i 의 조건부 평균 μ_i 와 분산 σ_i² 를 공변량 x_i (산업, 규모, 레버리지, 국가, 시장점유율 등)에 기반해 추정한다. 여기서 핵심은 베이지안 회귀 트리, 특히 BART(Bayesian Additive Regression Trees)를 사용한다는 점이다. 트리는 비선형 관계와 지역적 이분산을 자동으로 포착한다. 각 리프 노드에서는 해당 구간에 속하는 기업들의 μ와 σ를 베이지안 사후 분포로 추정하고, 전체 트리 구조는 MCMC를 통해 샘플링한다. 결과적으로 각 기업에 대해 “벤치마크 점수” y_i = (z_i − μ_i)/σ_i 를 얻는다. 이 점수는 기대값과 변동성을 동시에 조정한 표준화 잔차이며, 표준 정규분포를 따르는 것이 이론적으로 보장된다. 벤치마크 점수를 이용해 기업별 시간적 성과 궤적 θ_i(t) 를 모델링한다. 저자는 Gaussian process prior를 부여해 연속적인 시간 흐름을 매끄럽게 연결하고, 각 기업의 궤적이 영(0)과 유의하게 차이나는지를 검정한다. 다중 가설 검정 문제는 베이지안 FDR 제어를 적용해 해결한다. 구체적으로, 사후 확률 P(θ_i(t)≠0 | 데이터) 가 사전 설정된 임계값을 초과하는 기업을 “지속적 초과 성과” 기업으로 식별한다. 실증 분석에서는 1966년부터 2008년까지 93개 국가, 53 038개 기업, 645 456개 연도별 ROA 관측치를 사용한다. 데이터 탐색 단계에서 ROA는 좌측 꼬리가 길고, 산업·규모·국가에 따라 평균과 분산이 크게 달라지는 것을 확인한다. 변환 후 표준화 잔차는 거의 표준 정규분포를 따르며, 트리 모델이 μ와 σ를 효과적으로 추정함을 보여준다. 베이지안 다중 검정 결과, 전 세계 기업 중 실제로 통계적으로 유의한 지속적 초과 성과를 보인 기업은 극히 소수에 불과했다. 대부분의 기업은 공변량에 의해 설명 가능한 범위 내에서 성과를 보였으며, “우수 기업”이라는 직관적 믿음은 우연에 기인한 경우가 많았다. 논문의 주요 기여는 다음과 같다. 첫째, 무거운 꼬리와 비대칭성을 가진 대규모 회계 데이터에 베이지안 Gaussian copula와 회귀 트리를 결합한 변환‑모델링 프레임워크를 제시한다. 둘째, 조건부 평균·분산을 동시에 추정함으로써 전통적인 잔차 기반 벤치마킹의 한계를 극복한다. 셋째, 베이지안 다중 가설 검정을 통해 시간에 걸친 기업 성과 궤적을 동시에 검정하고, FDR을 제어함으로써 의미 있는 초과 성과 기업을 신뢰성 있게 식별한다. 넷째, 실증 결과를 통해 전 세계적으로 체계적인 초과 성과는 매우 드물다는 실증적 결론을 도출한다. 이 연구는 기업 성과 평가, 투자 포트폴리오 구성, 전략적 관리 등 다양한 분야에 적용 가능하며, 특히 복잡한 분포와 이분산을 가진 대규모 데이터에 대한 베이지안 비모수 접근법의 실용성을 보여준다. 향후 연구에서는 보다 정교한 사전 정보 활용, 다른 회계 지표와의 다변량 확장, 그리고 실시간 업데이트 가능한 온라인 베이지안 알고리즘 개발 등이 제안된다.