Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본 기사는 과거 M&A 데이터를 분석하여 실패할 가능성이 높은 인수를 예측하는 AI 모델을 개발한 내용을 다룹니다. 상장 기업의 공시 자료(EDINET) 2,429건을 기반으로, 인수 전 알 수 있는 단 4가지 재무 지표만으로 실패 위험도를 약 10배 차이로 구분했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 Zenn ML의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기문득 과거의 방대한 M&A 데이터를 활용하여 실패하지 않는 인수를 찾을 수 있지 않을까 궁금해서 조사해 보았습니다.
금융청에서 운영하는 EDINET(전자공시시스템)을 살펴보니, 상장 기업의 인수합병(M&A)이 유가증권 보고서(상장 기업이 매년 제출하는 결산 보고서. 이하 '유보')에 6,000건 이상 기록되어 있었습니다. 이 중 2016년부터 2022년도까지 진행되었고 분석에 필요한 정보가 갖춰진 2,429건을 사용하여 '인수가 실패할지 여부'를 예측하는 AI 모델을 만들고자 합니다.
결론적으로, 인수 전에 알 수 있는 단 4가지 숫자만으로 실패하기 쉬운 인수와 그렇지 않은 인수의 실패율에 약 10배의 차이를 두었습니다.
여기서 '실패'란 인수한 후 3년 이내에 '지불했다고 인정한 금액이 과도했다(払いすぎた)'고 판명된 인수를 의미하며, 전체의 6건 중 1건꼴로 발생합니다. AI가 '위험하다'고 판단한 상위 20%의 인수에서는 3건 중 1건이 실패했습니다. 반면, '안전하다'고 판단한 하위 20%에서는 35건에 1건꼴입니다(2020년도 이후, AI를 만드는 데 사용하지 않은 인수를 확인하여 검증한 결과).
買う前の4つの数字だけで、失敗率に約10倍の差がついた
그림 1: 2019년도까지의 인수합병으로 만든 AI를 2020년도 이후의 869건에 적용해 본 결과
사용하는 숫자들은 상대방 가치에 더해서 지불한 비율, 업종 간 관계(동일 업종인지, 다른 업종인지), 자사의 자기자본비율, 그리고 자사에 대한 인수의 규모입니다. 그중에서도 의외였던 점은 빚이 적은 회사일수록 실패하는 경우가 많았다는 것입니다.
'인수 시점에서 알 수 있는 정보로 해당 인수가 실패할지 예측한다'는 문제로, 다음 절차에 따라 분석을 진행합니다.
먼저, 인수의 실패를 어떻게 계산할지 정해야 합니다.
예를 들어, 어떤 회사가 라멘 가게 전체를 3,000만 엔에 인수했다고 가정해 봅시다. 이 가게의 가치는 다음과 같이 1,000만 엔입니다(회계상으로는 이 금액을 순자산이라고 부릅니다).
| 금액 | |
|---|---|
| 가게가 보유한 것(주방 기기・식재료・레지 현금 등) | 1,300만 엔 |
| ... |
이 가게를 팔아 빚을 갚으면 1,000만 엔이 남는 가게입니다. 여기에 3,000만 엔을 지불한 것은 '이 맛과 단골손님이라면 앞으로 벌 수 있을 것'이라는 기대를 했기 때문입니다. 이 기대에 지불한 2,000만 엔이 추가된 금액(上乗せ)입니다. 인수한 측이 자기 돈으로 지불했는지, 은행에서 빌려서 지불했는지는 추가금액 계산에는 관계가 없습니다.
인수 후 시간이 지나서 기대했던 만큼 벌지 못한다는 것을 알게 될 때가 있습니다. 그때 회사는 추가된 2,000만 엔의 가치를 낮추고, 그만큼을 손실로 처리합니다. 회계상으로는 이 추가금을 **영업권(のれん)**이라고 하고, 낮추는 것을 **손상차손(減損)**이라고 부릅니다. 즉, 손상차손은 회사가 스스로 '지불했다고 인정한 금액이 과도했다'고 기록한 것입니다.
유보에는 어느 회사를 얼마에 인수했고 추가금이 얼마였는지 쓰여 있습니다. 지불했다고 인정한 금액이 과도했을 때도 대부분 상대방의 이름과 함께 적힙니다. 따라서, 인수 후 3년 이내에 그 인수의 추가금을 손실로 처리했는지 여부를 조사하여, 손실 처리한 인수를 '실패'로 계산합니다. 2,429건 중 실패는 15.6%였습니다.
목적 변수가 정해졌다면, 데이터를 집계하여 실패하기 쉬운 인수의 특징을 찾아봅시다. 특정 변수로 인수를 4개의 그룹으로 나누고, 그룹별 실패율을 비교합니다. 인수 목적, 대가 종류, 인수 전 실적 등 10가지의 변수를 시도했을 때, 차이가 명확하게 나타난 것은 다음 4가지였습니다.
4つの変数は、どれも失敗率をはっきり分けた
그림 2: 어떤 변수든 낮은 쪽과 높은 쪽에서 실패율에 1.5~2.7배의 차이가 있었습니다
가장 큰 차이를 보인 것은 추가금액 비율입니다. 지불한 금액 중 상대방 가치를 초과하여 추가한 부분의 비율로, 라멘 가게 예시라면 67%가 됩니다. 추가금이 84% 이상인 인수는 21.7%가 실패했으며, 34% 미만인 인수(8.1%)의 약 2.7배였습니다.
업종 간 관계는 유보에 적힌 '인수한 이유'를 AI에게 읽게 하여 동일 업종・관련 업종・다른 업종으로 분류했습니다. 다른 업종을 인수할 경우, 실패율은 동일 업종의 약 2배였습니다.
가장 의외였던 것은 인수하는 쪽의 자기자본비율이었습니다. 회사의 자산 중 빚이 아니라 자체 돈으로 메우고 있는 비율로, 높을수록 재무 상태가 건전하다고 여겨집니다. 그런 회사라면 침착하게 좋은 건을 고를 수 있을 것 같다고 생각했습니다.
결과는 정반대였습니다. 자기자본비율이 65% 이상인 회사의 인수는 20.7%가 실패했으며, 34% 미만인 회사(10.4%)의 약 2배에 달했습니다.
그 이유는 데이터만으로는 알 수 없습니다. 필자는 심사 기준의 차이가 아닐까 생각합니다. 빚을 내서 사는 회사는 은행에 계획을 설명하고 가격이나 전망을 묻습니다. 자체 돈으로 살 수 있는 회사에는 그러한 외부 심사가 없습니다.
여기서는 두 가지 변수를 구분합니다. 신규 진입은 회사가 공시 자료에 적은 인수 목적의 분류로, 지금까지 해보지 않았던 사업을 시작하기 위한 인수를 말합니다. 업종 관계는 상대방이 사는 회사와 동업종인지, 관련 업종인지, 이업종인지를 분류한 것입니다. 예를 들어, 식품 제조업체가 냉동식품 회사를 사서 냉동식품을 새로 시작한다면 신규 진입이지만, 관련 업종입니다. 식품 제조업체가 소프트웨어 회사를 산다면, 신규 진입이면서 게다가 이업종입니다.
사는 목적별로 비교했을 때, 새로운 사업에 진입하기 위한 인수는 21.3%가 실패했습니다. 그 외의 목적(14.6%)보다 높아 '신규 진입은 위험하다'고 말할 수 있을 것 같습니다.
新規参入の失敗が多く見えたのは、異業種の買収が多かったから
그림 3: 신규 진입 인수 중 39%는 이업종 인수였다. 관련 업종 인수만 비교했을 때는 차이가 작아진다
그런데, 신규 진입 인수의 39%가 이업종 인수였습니다. 다른 목적에서는 2%밖에 없습니다. 관련 업종 인수만 다시 비교해 보니, 신규 진입은 17.5%, 그 외는 15.8%로 차이가 작아졌습니다. 신규 진입의 실패율이 높게 보였던 이유 중 상당 부분은 이업종 인수가 많이 포함되어 있었기 때문이었습니다.
어떤 변수의 차이가 사실은 다른 변수 때문에 생겨난 경우가 데이터 분석에서는 흔합니다. 그래서 네 가지 변수에 대해서도 다른 조건을 맞춰서 다시 비교해 봅니다. 인수 규모나 연도, 사는 목적 등이 비슷한 정도의 인수를 서로 비교하는 방식입니다. 네 가지 모두 우연으로는 설명하기 어려운 차이가 남아 있었습니다. 다만 업종 관계는 이업종 인수가 187건으로 적어 간신히 차이였습니다.
다음으로, 이 네 가지 변수로부터 실패 확률을 내는 예측 모델(AI)을 만듭니다. AI라고 해도, 사용하는 것은 기계 학습에서 가장 기본적인 방법 중 하나인 로지스틱 회귀입니다. 과거 인수들로부터 각 변수가 실패에 얼마나 영향을 미치는지 가중치를 배우고, 가중치를 곱해서 더한 값을 0~100%의 확률로 바꿉니다.
다만, 모델을 만든 것과 같은 데이터로 성적을 측정하면, 성적이 좋아 보이게 경향이 있습니다. 그래서 데이터를 시기별로 나누어 검증합니다(시계열 홀드아웃 검증). 2019년도까지의 인수 850건만으로 모델을 만들고, 모델 만드는 데 사용하지 않은 2020년도 이후의 869건으로 정확도를 측정합니다. 결과가 서두의 그림 1입니다. 검증에 사용된 869건의 실패율은 17.3%였고, 모델이 '안전'하다고 판정한 하위 20%에서는 2.9%였으나, '위험'하다고 판정한 상위 20%에서는 29.9%였습니다. 목적이나 실적 등의 변수를 더한 모델도 시도했지만, 예측 결과는 거의 바뀌지 않았습니다.
다만, 이 검증 결과는 실제보다 좋게 나오고 있을 가능성이 있습니다. 네 가지 설명 변수는 2020년도 이후를 포함한 전 기간의 데이터를 살펴보고 선택했습니다. 2019년도 데이터만으로 봐도, 네 가지 모두 같은 방향의 차이가 나타납니다.
또한, 건별로 맞지는 않습니다. '위험'하다고 판정한 상위 20%에서도 3건 중 2건은 실패하지 않았습니다. 이 모델의 활용처는 후보군에 순위를 매기고, 확률이 높은 후보일수록 신중하게 심사하는 것입니다.
이 모델은 인수의 후보를 좁힐 때 사용할 수 있습니다. 가상의 A사(총자산 500억 엔, 자기자본비율 55%)가 네 개의 회사를 인수하는 것을 검토한다고 가정해 봅시다. 후보별로 예상 인수 금액, 상대방의 순자산(라면 가게 예시의 1,000만 엔에 해당하는 금액. 일부만 살 경우 그 비율을 곱한 금액), 업종 관계를 CSV 파일에 작성하여 모델에 넣습니다. 금액 단위는 억 엔입니다.
$ cat candidates.csv
name,price,target_net_assets,acquirer_assets,equity_ratio,relatedness
B사,15,12,500,0.55,동업종
...
同じ買い手でも、候補によって失敗の確率は9%から34%まで開く
그림 4: 동업종이라도, 비싸게 사는 E사는 과거 평균(15.5%)보다 위험하다
여기서 평균 15.5%는 모델을 만드는 데 사용한 1,719건의 실패율입니다. 동종 업계에서도 상가 붙은 비율이 95%인 E사는 21%로, 평균보다 위험합니다.
인수 금액만 바꿔서 계산하면, 가격에 따라 확률이 어떻게 변하는지도 볼 수 있습니다.
C社を14億円より高く買うと、失敗の見積もりが過去の平均を上回る
그림 5: C사의 인수 금액만 바꿔 모델에 넣었을 때의 실패 확률
C사의 경우, 인수 금액이 14억 엔을 넘으면 모델의 추정치가 과거 평균을 초과합니다. 현재 제시액인 20억 엔이라면 18%입니다.
이 수치는 가격을 낮추면 실패하지 않는다는 의미가 아닙니다. 과거 유사한 인수의 중 얼마나 많이 과도하게 지불했는지를 추정한 것입니다. 상대방 사업의 미래성은 반영되어 있지 않습니다. 모델의 확률은 위험한 쪽에서 실제보다 낮게 나오는 경향도 있습니다 (가장 위험한 20%에서, 추정치의 평균은 20%, 실제는 30%). 가격을 생각할 때 하나의 자료로 사용해 주십시오.
자사 맞춤형으로 다시 만들 수도 있습니다. 같은 업종의 인수만으로 재학습하면 그 산업의 경향에 맞는 모델이 됩니다. 다만 건수가 적으면 결과가 흔들리므로, 관련 업종을 모아서 건수를 확보해야 합니다. 자사의 과거 인수 결과나, 자사가 수집할 수 있는 변수(상대방 매출 증가 등)를 추가할 수도 있습니다.
원인까지는 말할 수 없습니다. 상가 붙은 비율이 높은 인수는 원래 어려운 건일 수도 있습니다. 싸게 산다고 해서 반드시 잘 되는 것은 아닙니다.
실패를 적게 계산했을 가능성이 있습니다. 인수 후 3년까지의 재무제표가 없는 회사(상장 폐지한 회사 등)의 인수는 제외했습니다. 또한, 재무제표에 상대방 이름과 함께 손실이 기재되어 있지 않으면 실패하지 않았다고 계산하고 있습니다.
회계 규칙이나 업종 차이는 통일하지 않았습니다. 일본 회계 기준과 국제 회계 기준에서는 상가 붙은 처리 방식이 다릅니다. 국제 회계 기준의 회사 실패율은 8.2%였고, 일본 기준의 회사는 16.3%였습니다. 자기자본비율 등의 차이에 이 차이가 섞여 있을 가능성이 있습니다.
인수 대장(CSV)과 데이터 수집부터 모델/그림까지의 코드를 공개했습니다. 대장을 사용하면 자신의 업종 인수만으로 같은 비교가 할 수 있습니다.
데이터. 재무제표 37,551건(2016년 10월~2025년 9월 제출)에서 인수 관련 부분(
다른 조건들을 갖추어 비교했습니다. 인수 규모, 목적, 산업 관계, 대가(현금인지 주식인지), 매수 회사의 재무 및 실적, 그리고 인수한 연도를 동시에 고려하는 로지스틱 회귀 분석을 통해 확인했습니다.
출처: EDINET 열람(제출) 사이트 (https://disclosure2.edinet-fsa.go.jp/ ), 공공 데이터 이용 규약 (제1.0판) (https://www.digital.go.jp/resources/open_data/public_data_license_v1.0 ）。合同会社Asmirai가 유가증권 보고서에서 AI를 사용하여 인수를 추출하고 가공한 것입니다. 국가가 만든 정보 그 자체는 아닙니다.
