그동안 투자자들은 기업의 재정적 리스크를 평가하기 위해 신용 등급을 사용해 왔다. 하지만 이는 중소기업(SME)에는 전혀 해당되지 않는 평가 방식일 때가 많았다. 홍콩중문대(CUHK) 경영대학교가 주도한 이번 연구에서는 공급망이란 요소를 살펴보면서 기울어진 운동장을 바로잡고, 신용 등급 평가 환경을 바꿀 수 있다는 점을 밝힌다.

기업이 자금을 조달하고 자본을 구성하는 방식에 신용 등급이 직접적인 영향을 미친다는 것은 잘 알려진 사실이다. 투자자들은 전형적으로 신용 등급이 높은 기업을 선호한다. 채무 불이행의 위험이 낮기 때문이다. 따라서 기업은 재정적으로 더 나은 옵션에 접근하기 위해 높은 신용 등급을 얻기 위해 분투한다.

하지만 신용 등급 평가 기관에 정기적으로 등급을 평가받는 비용이 상당히 높은 탓에 SME는 경쟁에 참여할 수 없는 경우가 많다. 동시에 대부분의 중소기업은 재무제표를 공개적으로 발행하지 않는다. 즉, 중소기업 데이터와 신용 등급 평가가 부족한 상황으로 인해 중소기업은 귀중한 자금 조달 면에서 불리한 위치에 처하게 된다.

이처럼 신용 등급 평가 환경의 빠진 고리를 해결하기 위해 홍콩중문대 경영대학교와 케임브리지 대학교의 연구진들이 팀을 이뤄 공급망 정보 자체가 신용 등급의 예측 가능성 및 정확도를 크게 향상할 수 있다는 점을 입증하는 강력한 방법을 개발했다. 예를 들어, 정기적으로 재무 및 경영 정보를 시장에 발표하는 기업들을 주요 공급망 파트너로 둔 중소기업은 잠재적으로 높은 등급을 받게 되므로 더 나은 조건으로 대출받을 기회를 얻을 수 있다. 또한 이런 접근 방식은 규제 기관, 금융 기관, 공급망 금융 업체 등의 의사 결정에도 영향을 미치게 된다.

연구진이 신용 등급 예측을 연구하면서 공급망이란 요소에 집중하기로 한 이유가 있다.

홍콩중문대 경영대학교 의사 결정 과학 및 관리 경제학과의 우징 조교수는 최근 수년 동안 기업의 재정 건전성에 공급망 협력 업체가 미치는 중대한 영향에 관한 연구가 많았다는 점을 지적했다.

우 교수는 “우리는 기업의 도산이 공급 업체의 주가에 부정적으로 영향을 미치는 것을 봐왔다. 공급업체의 성과가 기업 자산 평가액의 균형을 어떻게 뒤흔드는지도 봐왔다. 공급망의 변화는 망을 구성하는 협력 기업들에도 영향을 미친다”며 “공급망과 관련된 모든 정보가 각기 정도는 다르더라도 기업의 신용 등급에 영향을 미칠 수 있다고 보는 것이 당연하다”고 설명했다.

머신 러닝의 활용

기업을 분석하고 신용 등급을 부여하는 과정은 엄청난 양의 리소스를 처리해야 하는 힘든 작업이므로 대규모 기업만이 사용할 수 있는 도구가 됐다. 하지만 최근 들어 인공 지능과 머신 러닝(기계 학습) 기술이 발전하며, 기울어진 운동장을 바로잡을 수 있는 유망한 도구가 됐다.

최근 연구에서 우 교수와 홍콩중문대 경영대학교 의사 결정 과학 및 관리 경제학과장 숀 저우 교수, 케임브리지대 장 자오청 등 협력 연구진은 머신 러닝 프레임워크를 사용해 공급망 정보를 포함한 신용 등급 예측 알고리즘 모델을 개발했다. 이번 연구는 '공급망을 이용한 신용 등급 예측: 머신 러닝을 활용한 접근 방식'이란 제목으로 발표됐다.

저우 교수는 “머신 러닝 프레임워크는 최근 발표된 경제 및 금융 논문에서 예측 문제를 해결하는 굉장히 강력한 도구라는 것이 증명됐다. 공급망에 관한 공개된 데이터 세트에 머신 러닝 알고리즘을 활용함으로써 신용 등급 예측의 정확도를 크게 향상할 수 있었다”고 말했다.

특히 흥미로운 점은 주요 공급망 협력 업체의 공개 정보를 활용하면 재무 및 경영 데이터를 공개적으로 발표하지 않는 수많은 기업의 신용 등급 평가에도 이 방법을 적용할 수 있다는 점이다.

저우 교수는 “중소기업은 재정적 제약이 있고, 외부 자금 조달에 의존해 경영을 유지하는 경우가 많기 때문에 비전통적인 방식으로 중소기업의 신용 등급을 평가할 수 있게 되면, 중소기업이 더 쉽게 자본을 조달하는 데 도움이 될 것”이라고 덧붙였다.

또 저우 교수는 이런 기업에서 공급망이 자사의 신용 등급에 영향을 미친다는 점을 파악하면 등급을 높이기 위해 경영 및 공급망 관련 전략을 추가로 조정할 수 있다는 점을 지적했다.

강력한 예측 가능성

이번 연구에서는 2004년부터 2019년까지의 데이터를 활용해 금융 기관이 아닌 미국 기업 1134개를 샘플로 구성했다. 데이터는 컴퓨스타트 데이터베이스의 10-K 연례 보고서 및 팩트세트 리비어의 공급망 관찰 데이터를 주로 활용했다. 후자의 경우 전화 회의 녹취록, 보도 자료, 웹사이트 등 광범위하고 포괄적인 자료를 다룬다. 이번 연구에 포함된 기업은 평균 11.56개의 공급 업체와 7.57개의 고객사와 거래했다.

연구진은 각기 다른 머신 러닝 모델을 사용해 자신들이 개발한 고유 모델을 시험하고, 해당 모델이 강력하며 정확하다는 점을 확인했다. 기준 신용 등급 예측 모델에 공급망이란 변수를 추가하자 정확도가 추가하지 않았을 때와 비교했을 때 5% 향상됐다. 또 연구진은 대상 기업의 속성 없이 공급망 정보만 사용해도 이 모델로 신용 등급을 합리적으로 예측할 수 있다는 사실도 확인했다.

우 교수는 “이 같은 결과로 봤을 때 우리의 접근 방식이 중소기업처럼 공개적으로 재무 정보에 접근할 수 없는 많은 기업에 적용될 잠재성이 있다는 점을 알 수 있다. 공급망 정보를 활용하는 방법을 적용해 해당 기업의 신용 등급을 평가하는 것”이라며 “이는 공급망 협력 업체와 금융 기관이 기업의 리스크를 평가하고, 각 기업에 맞는 금융 상품과 서비스를 설계하는 데 도움이 될 것”이라고 말했다.

연구 결과에는 미묘한 차이가 존재한다. 공급망 데이터를 신용 등급 예측에 포함하는 것은 기업이 운영을 위해 공급망에 크게 의존할 경우 더 의미 있고 유용했다. 제조업과 리테일이 이런 기업에 해당한다. 연구에서 금융 업체를 제외한 것도 기업 운영에 공급망 의존도가 낮기 때문이다.

리테일 기업의 경우에는 공급망이란 변수를 포함하면 예측 정확도가 8.5% 높아졌다. 제조업의 경우 6.7% 정확도가 올라갔다. 리테일과 제조업이 아닌 부문에서는 정확도가 4% 이상 올라가지 않았다. 이런 차이는 공급망과 고객사에 대한 의존도로 설명할 수 있다. 공급망 협력 업체에 의존도가 높을수록 재정적 연계가 강해지기 때문이다. 결과적으로 신용 위험이 공급망 전반에 걸쳐 더 크게 확산한다.

규제 기관과 정부도 이렇게 공급망을 따라 전파되는 신용 위험에 대한 새로운 연구에 주목해야 한다. 한 기업이 채무 불이행 상태가 되면 그 기업의 신용 위험이 공급망을 따라 다른 기업으로 전파되고, 실물 경제에 훨씬 큰 영향을 불러일으킬 수 있기 때문이다.

이번 연구는 위험 전파를 방지하기 위해 신용 등급을 더 면밀하게 모니터링해야 하는 기업의 유형을 규제 기관이 파악하는 데 도움이 될 수 있다. 중소기업은 전 세계 일자리의 절반 이상을 제공하지만, 종종 신용 등급이 없어서 전통적인 금융 시장에서 차별 대상이 되곤 했다. 이번 연구 결과는 정부가 중소기업이 자금 조달 비용을 줄이는 데 도움이 되는 정책을 제정하는 데에도 도움이 될 것이다. 마지막으로 연구진은 정부가 공급망 데이터와 머신 러닝 알고리즘을 활용해 금융 포용성과 경제 발전을 향상할 수 있는 자동화된 신용 등급 평가의 사용을 장려해야 한다고 밝혔다.

출처 : 홍콩중문대 경영대학교(CUHK Business School)