Using Machine Learning to Revisit the Merge and Acquisition (M&A) and Performance Relationship : Based on 10-K Annual Reports

그동안 인수합병 기업 간 자원 관련성이 인수합병 성과에 미치는 영향과 관련하여 다양한 연구가 진행되어 왔다. 그러나 이러한 연구들은 자원 관련성 측정의 적절성, 신뢰성, 포괄성 측면에서 다양한 문제점을 노출해왔다. 본 연구에서는 10-K 보고서의 비구조화된 텍스트를 데이터로 활용하여 이러한 문제점을 해결하고자 하였다. 보다 구체적으로 10-K 보고서를 기반으로 토픽모델링과 전문가 집단의 평가를 통합하여 자원 관련성을 측정하고 이러한 자원 관련성이 인수합병 성과에 미치는 영향을 파악하고자 하였다. 이를 위해 269개의 미국의 상장 기업 간 인수합병 공고와 해당 인수합병에 포함된 기업의 10-K 보고서를 분석하였다. 분석결과 제품 및 시장 자원 관련성과 경영 자원 관련성 모두 기업 성과에 부정적인 영향을 미치는 것을 파악하였다. 이는 자원 유사성을 강조한 기존 연구와 달리 자원의 비유사성이 인수합병 성과를 높인다는 연구결과와 일치한다. 본 연구는 머신러닝 기법을 활용하여 비구조화된 데이터로부터 자원 관련성 측정방법을 제시함으로써 표준분류체계와 같은 전통적인 분류 기반 접근법의 한계를 극복하고 이를 기반으로 인수합병 성과에 대한 보다 정밀한 이해를 제공하였다는 점에서 학문 및 실무적 의의가 있다고 할 수 있다.