선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문의 목적은 소상공인 가맹점에서 발생한 신용카드 매출정보가 소상공인 부실모형에서 가맹점의 재무적 요인과 심사관의 판단정보를 보완할 수 있는 주요한 정보임을 확인하고 이를 활용하여 소상공인의 부실을 예측하는 모형을 개발하는 것이다. 또한 다양한 분류문제에서 우수한 성능을 보이는 SVM(Support Vector Machines)을 소상공인 부실예측에 적용하였다.
- , 2004). 본 연구에서는 다변량판변분석, 로지스틱 회귀분석, 의사결정나무(CART, C5.0), 인공신경망을 통해 모형을 개발하여 본 연구에서 제안하는 SVM모형과 그 예측력을 비교하고자 한다.
- 본 연구의 목적은 소상공인 신용 평가시 소상공인의 부정확한 재무적 요인과 심사관의 판단정보를 보완하기 위해 가맹점의 신용카드 매출정보의 활용 가능성을 제시하고, 이를 활용한 부실예측모형을 개발하는 것이다.
- 본 연구에서는 가맹점의 거래 중단 정보와 전국은행연합회의 신용불량 등재정보를 활용하여 소상공인의 부실을 정의하기로 한다. 이는 소상공인의 경우 신용불량이 발생하더라도 계속해서 매출이 발생하고 증가함으로 인해 자금회전이 회복될 수 있고, 가맹점의 신용카드 매출이 중단되었다고 하더라도 해당 신용카드 VAN 사에서 이탈하여 다른 VAN사로 전환한 경우일 수도 있기 때문에 위의 2가지 정보를 조합하여 부실을 정의하고자 한다.
제안 방법
- 신용카드 매출 정보를 이용하여 기간, 매출액, 거래건수, 중분류별 매출과 건수의 분위수, 매출패턴, 그리고 업종에 관련된 다양한 파생변수 40여개를 생성하였다. 그리고 각 파생변수들과 우량과 부실과의 교차분석을 통해 연관성을 살펴보았다.특히 거래의 지속성, 신용카드 매출 실적, 매출패턴, 업종의 부실율 등은 소상공인 부실과 연관성이 있는 것으로 나타났다.
- 본 논문의 목적은 소상공인 가맹점에서 발생한 신용카드 매출정보가 소상공인 부실모형에서 가맹점의 재무적 요인과 심사관의 판단정보를 보완할 수 있는 주요한 정보임을 확인하고 이를 활용하여 소상공인의 부실을 예측하는 모형을 개발하는 것이다. 또한 다양한 분류문제에서 우수한 성능을 보이는 SVM(Support Vector Machines)을 소상공인 부실예측에 적용하였다.
- 또한 이렇게 추출된 변수들을 통해 우량과 부실에 대한 최적의 예측력을 갖는 SVM 모형을 개발하였다. 시간적 제약에도 불구하고 최고의 예측력을 찾을 수 있는 격자탐색 방법을 통해 RBF 커널에서 74.
- 본 연구를 위해 K-VAN사의 서비스를 이용하는 412,773개의 가맹점에서 발생한 28개월 동안의 데이터 중 월별 신용카드 매출액과 건수 그리고 가맹점 정보를 통해 파생된 다양한 변수들을 부실예측모형의 설명변수로 사용하고, 전국은행연합회에서 얻은 가맹점과 가맹점주의 신용불량 등재정보와 신용카드 매출 중단 정보를 활용하여 목적변수인 소상공인 부실을 정의하고자 한다.
- , 2005). 본 연구에서는 C와 γ를 10의 승수로 조합하여 학습집단과 검증집단을 통해 최적의 C와 γ를 구했다.
- 본 연구에서는 SVM을 통한 모형을 설계하기 위해 RBF 커널과 d차 다항커널을 사용하였다. 이를 위해 학습집단을 위해 7-겹 교차타당성 분석을 통해 학습하고 실험도구로 Matlab LIBSVM을 사용하였다.
- 본 연구에서는 가맹점의 거래 중단 정보와 전국은행연합회의 신용불량 등재정보를 활용하여 소상공인의 부실을 정의하기로 한다. 이는 소상공인의 경우 신용불량이 발생하더라도 계속해서 매출이 발생하고 증가함으로 인해 자금회전이 회복될 수 있고, 가맹점의 신용카드 매출이 중단되었다고 하더라도 해당 신용카드 VAN 사에서 이탈하여 다른 VAN사로 전환한 경우일 수도 있기 때문에 위의 2가지 정보를 조합하여 부실을 정의하고자 한다.
- 이를 모형에 그대로 사용할 경우, 특정 매출 패턴을 가진 경우의 모형과 그 외 매출패턴을 가진 모형을 나누어 설명해야 하는 번거로움이 발생했다. 본 연구에서는 매출패턴을 방향값 1∼3, 정도값 1∼3으로 순서형 변수 형태로 나누어 모형에 적용했다.
- 신용카드 매출 정보를 이용하여 기간, 매출액, 거래건수, 중분류별 매출과 건수의 분위수, 매출패턴, 그리고 업종에 관련된 다양한 파생변수 40여개를 생성하였다. 그리고 각 파생변수들과 우량과 부실과의 교차분석을 통해 연관성을 살펴보았다.
- 신용카드 매출정보가 소상공인의 부실예측 모형에서 부실한 재무정보를 보완할 수 있는 대안으로써 중요한 정보임을 보여주는 이번 연구에서 가맹점의 신용카드 매출의 특성을 분석하고, 우량과 부실에 영향을 주는 주요한 변수인 업력, 지속적 영업력, 매출규모, 매출취약성으로 대변되는 변수들을 추출하였다. 업력을 대변하는 매출발생개월, 지속적 영업력을 대변하는 기준시점까지의 지속거래기간, 6개월 동안 거래중단 개월수, 최고 매출발생월과 최소 매출발생월 사이 기간이 선택되었다.
- 01%인 것으로 나타났으며, 맥주홀, 사무통신, 양식, 건축자재, 주방용구, 일식, 건강식품은 부실율이 4% 이상으로 높게 나타났다. 업종의 경우도 매출패턴과 같이 39개의 더미변수를 사용하기보다는 중분류 업종의 부실율을 5개의 구간으로 구간화하여 모형에 반영하였다.
- 09%의 낮은 예측력을 보였다. 이런 낮은 예측력을 평가항목들의 효율성 부족으로 보고 분석적 계층기법(AHP)을 통해 재무정보의 가중치 24.7%과 비재무정보의 가중치를 75.3%으로 나누고 재무정보는 사업성, 재정상태, 안정성으로 구분하고 비재무정보는 사업주에 대한 경영능력, 재정상태, 신뢰성, 안정성을 사실정보로 정의하고 사업 전망에 관한 사업성과 경영능력은 판단정보로 구분하는 모형을 제시하였다. Gim et al.
- 전체 412,773개의 연구 대상으로 결측치와 이상치를 제거하고 이를 통해 부실을 정의하고, 업종, 지속거래기간, 거래평균, 표준편차, 거래 패턴 등 다양한 매출정보와 우량과 부실 가맹점과의 분포를 분석하여 다양한 파생변수를 생성한다. 이렇게 생성된 다양한 파생변수를 이용하여 모형의 입력변수로 사용하며, 다양한 기법들을 통한 부실예측모형을 개발하여 비교분석한다.
- 이는 매출이 높고 거래가 많은 소수의 가맹점이 전체 가맹점의 평균을 끌어 올리는형태로 구간화를 위해 금액이나 건수로 등분 구간화 할 경우 실제 데이터의 왜곡이 발생할 수 있다. 이를 보완하기 위해 기간, 매출액, 건수에 관한 변수들의 분포를 반영하여 가맹점의 수를 활용하여 등분 구간화 하였다.
- 부실 가맹점은 전체 가맹점의 4% 미만에 불과함으로 우량가맹점과 부실 가맹점을 실제 비율로 표본 추출할 경우 우량 가맹점에 대한 학습이 과적합하여 부실 가맹점에 대한 학습이 이루어지기 어렵다. 이에 부실가맹점 예측 모형을 설계하기 위해 우량 가맹점과 부실 가맹점에서 각각 5,000개 가맹점들을 무작위로 표본 추출하고 이를 학습집합 7,000개, 검증집합 3,000개로 재구성하여 모형의 예측력을 검정하도록 한다.
- 인공신경망 모형은 입력층의 뉴런수 12개, 은닉층 1개, 출력층의 뉴런수 1개, 전이함수는 sigmod 함수를 사용하였고, 학습률과 모멘텀은 0.3으로 고정하였으며, 과 같이 학습회수를 1,000번, 2,000번, 3,000번으로 증가시키고 은닉층의 뉴런수를 6에서 24까지 2씩 증가시키면서 최적의 모형을 구하기 위해 반복 실험하였다.
- 본 실험은 <그림 1>과 같은 절차에 따라 진행했다. 전체 412,773개의 연구 대상으로 결측치와 이상치를 제거하고 이를 통해 부실을 정의하고, 업종, 지속거래기간, 거래평균, 표준편차, 거래 패턴 등 다양한 매출정보와 우량과 부실 가맹점과의 분포를 분석하여 다양한 파생변수를 생성한다. 이렇게 생성된 다양한 파생변수를 이용하여 모형의 입력변수로 사용하며, 다양한 기법들을 통한 부실예측모형을 개발하여 비교분석한다.
대상 데이터
- 또한 학습 속도면에서도 RBF 커널을 통한 학습이 d차 다항커널에 비해 빨랐다. 위의 결과를 통해 본 연구에서는 SVM은 RBF 커널의 C와 γ는 103과 10-3인 모형을 선정하였다.
데이터처리
- SVM과 나머지 분류기법들간의 정확도의 차이가 통계적으로 유의한지 여부를 검증하기 위해 명목변수의 두 집단간의 대응표본 차이 검정에 사용되는 멕네마(McNemar) 검정을 실시하였다. 멕네마 검정은 관련된 두 가지 이분형 변수에 대한 비모수 검정으로 카이제곱 분포를 사용하여 응답 변화를 확인하며, 전후 계획에서 실험적 조정에 따른 응답 변화 내용을 추적하는데 유용하다.
- 본 연구에서는 SVM의 예측률을 기존에 사용되었던 부실예측모형과 비교하기 위해, 인공신경망, 의사결정나무(CART, C5.0)은 클레멘타인(clementine) 8.5를 이용하고, 다변량판별분석, 로지스틱회귀분석 모형은 SPSS 12.0을 이용하여 설계하였다.
- 앞 절에서 생성한 22개의 파생변수들을 기준으로 SVM, 인공신경망, 의사결정나무, 다변량 판별분석, 로지스틱 회귀분석모형의 예측력을 비교하기 위해 단계적 로지스틱 회귀분석(stepwise logistic regression)을 이용하여 99% 신뢰수준하에서 유의한 12개의 변수 선택하여 분석에 사용할 최종 변수를 와 같이 구성하였다.
이론/모형
- 먼저 RBF 커널을 활용한 최적의 SVM을 구하기 위해 허용오차 C 와 커널모수인 γ을 격자탐색방법을 이용하였다. 격자탐색방법은 C와 γ의 여러 조합을 통해 최적의 C와 γ의 조합을 찾는 방법이다.
- 신용카드 매출정보를 통해 얻은 여러 파생변수들을 t-test를 통해 우량과 불량을 선별하는 유의한 변수들을 선정하여 부실 가맹점 예측 모형 생성에 적용한다.
- 의사결정나무 모형을 설계하기 위해 CART와 C5.0 알고리즘을 활용하여 최적의 모형을 설계하였다. CART를 이용한 모형은 가지의 깊이를 4에서 하나씩 늘려가면서 실험하였으며, 깊이가 8에서 학습집단은 74.
- 본 연구에서는 SVM을 통한 모형을 설계하기 위해 RBF 커널과 d차 다항커널을 사용하였다. 이를 위해 학습집단을 위해 7-겹 교차타당성 분석을 통해 학습하고 실험도구로 Matlab LIBSVM을 사용하였다.
성능/효과
- 0 알고리즘을 활용하여 최적의 모형을 설계하였다. CART를 이용한 모형은 가지의 깊이를 4에서 하나씩 늘려가면서 실험하였으며, 깊이가 8에서 학습집단은 74.70%, 검증집단은 70.33%(우량: 71.60%, 부실: 69.06%)로 가장 높은 예측력을 보였다. C5.
- SVM의 실험 결과 RBF 커널이 d차 다항커널 보다 1% 정도의 높은 예측력을 보였다. 또한 학습 속도면에서도 RBF 커널을 통한 학습이 d차 다항커널에 비해 빨랐다.
- 검증집단의 예측과 비예측 결과를 통해 멕네마 검정 실험 결과는 와 같이 SVM과 인공신경망은 유의한 차이가 없는 것으로 나타났으나 SVM과 의사결정나무, 다변량판별분석, 로지스틱회귀분석의 모형간에는 유의수준 1%하에서 예측결과의 통계적인 차이가 있는 것으로 나타나 다른 모형에 비해 예측력이 뛰어난 것을 확인할 수 있다.
- Park(2001)은 판별분석(Discriminant Analysis)을 통해 소상공인 중 사고기업 100개와 정상기업 100개를 판별하는 예측모형을 도출하였다. 대출금연체, 부동산, 차입금 규모, 생활안정성과 같은 변수가 통계적으로 유의한 변수로 선택되었으며, 사고기업은 62%, 정상기업은 60%의 예측률을 보였다. Yang(2003)는 소상공인 중 사고기업 1,004개와 정상기업 1,995개를 로짓모형과 신경망으로 예측모형을 개발하였다.
- 매출패턴의 경우 <그림 3>과 같이 방향성과 정도를 의미하는 값으로 이루어져 방향성(+, 0, -)과 정도(+, 0, -)의 조합으로 9가지의 특성을 나타내는 명목변수임으로 더미(dummy)화하였다. 더미화하여 실험한 결과 매출패턴에 관련된 정보들이 특정 유형에 대해서만 유의한 변수로 추출되었다. 이를 모형에 그대로 사용할 경우, 특정 매출 패턴을 가진 경우의 모형과 그 외 매출패턴을 가진 모형을 나누어 설명해야 하는 번거로움이 발생했다.
- 또한 을 통해 신용불량등재가 발생하기 이전 6개월을 기준으로 가맹점의 분포가 1,000개 이상으로 증가하는 것을 볼 수 있으며, 이후 3개월을 기준으로 가맹점 분포가 500개 이하로 감소하는 것을 볼 수 있다.
- 또한 단란주점, 유흥주점, 안마시술소와 같은 유흥성이 강하여 은행권과 여신업에서 제외하는 업종을 제거하였다. 부실율이 가장 낮은 업종은 의료기관으로 0.83%였으며 레저업소, 학원, 수리서비스, 문구 · 완구, 농업용품, 숙박, 시계 · 귀금속 등으로 나타나 부실율이 2% 미만으로 낮은 업종으로 분석되었다. 부실율이 가장 높은 업종은 스넥칵테일이 5.
- 83%였으며 레저업소, 학원, 수리서비스, 문구 · 완구, 농업용품, 숙박, 시계 · 귀금속 등으로 나타나 부실율이 2% 미만으로 낮은 업종으로 분석되었다. 부실율이 가장 높은 업종은 스넥칵테일이 5.01%인 것으로 나타났으며, 맥주홀, 사무통신, 양식, 건축자재, 주방용구, 일식, 건강식품은 부실율이 4% 이상으로 높게 나타났다. 업종의 경우도 매출패턴과 같이 39개의 더미변수를 사용하기보다는 중분류 업종의 부실율을 5개의 구간으로 구간화하여 모형에 반영하였다.
- 2%의 예측력을 보이는 SVM 모형을 개발하였다. 선행연구에서 제시된 모형들 중 Gim and Jung(1999)이 제시한 신경망 모형이 70.7%의 예측력을 보이고 있지만, 이는 소상공인이 포함되어 있는 소기업의 도 · 소매 · 서비스업에 대한 부실예측이었으며 소상공인을 대상으로 한 연구는 대부분 60%대 예측율을 보이고 있어 본 연구를 통해 개발된 모형의 예측력이 더 우수함을 보였다.
- 또한 이렇게 추출된 변수들을 통해 우량과 부실에 대한 최적의 예측력을 갖는 SVM 모형을 개발하였다. 시간적 제약에도 불구하고 최고의 예측력을 찾을 수 있는 격자탐색 방법을 통해 RBF 커널에서 74.2%의 예측력을 보이는 SVM 모형을 개발하였다. 선행연구에서 제시된 모형들 중 Gim and Jung(1999)이 제시한 신경망 모형이 70.
- 실험결과 학습 횟수가 3,000회이고 은닉층의 뉴런수가 8개일 때 가장 우수한 예측력을 나타내는 것으로 분석되었다. 학습집단은 76.
- 앞 절에서 실험한 기법들의 예측정확도를 비교하면 SVM이다른 기법들에 비해 약 4% 높게 나타나고 있으며, 과 같이 SVM, 인공신경망, 의사결정나무, 다변량판별분석, 로지스틱회귀분석의 순으로 예측정확도가 나타났다.
- Yang(2003)는 소상공인 중 사고기업 1,004개와 정상기업 1,995개를 로짓모형과 신경망으로 예측모형을 개발하였다. 업력, 보증금액, 종업원수, 기차입금 등이 주요 변수로 선택되었으며, 로짓모형은 57%, 신경망은 58.09%의 낮은 예측력을 보였다. 이런 낮은 예측력을 평가항목들의 효율성 부족으로 보고 분석적 계층기법(AHP)을 통해 재무정보의 가중치 24.
- 신용카드 매출정보가 소상공인의 부실예측 모형에서 부실한 재무정보를 보완할 수 있는 대안으로써 중요한 정보임을 보여주는 이번 연구에서 가맹점의 신용카드 매출의 특성을 분석하고, 우량과 부실에 영향을 주는 주요한 변수인 업력, 지속적 영업력, 매출규모, 매출취약성으로 대변되는 변수들을 추출하였다. 업력을 대변하는 매출발생개월, 지속적 영업력을 대변하는 기준시점까지의 지속거래기간, 6개월 동안 거래중단 개월수, 최고 매출발생월과 최소 매출발생월 사이 기간이 선택되었다. 또한 가맹점의 매출규모를 대변하는 평균 매출액, 3개월간 건수평균 분위수, 3개월간 거래 패턴(방향, 정도) 그리고 매출취약성을 대변하는 최고액과 최소액의 차이금액, 월 최소건수, 6개월 최소매출액, 중분류 업종의 부도율과 같은 중요한 변수을 찾아냈다.
- 유의성 검정 결과 매출발생 개월수가 가장 유의한 변수로 나타나 가맹점의 업력이 소상공인의 부실예측모형에서 중요한 역할을 하고 있음을 알 수 있다. 또한 최대매출월과 최소매출월 사이 기간과 기준시점까지의 지속거래기간, 6개월 동안 거래중단 개월수와 같이 지속적인 영업이 이루어지는 가맹점도 부실에 중요한 역할을 하고 있음을 알 수 있다.
- 이렇게 파생된 변수들을 모형의 입력변수로 사용하기 위해 구간화하여 t-test한 결과 신뢰수준 95%내에서 유의하게 판단되는 변수 22개를 과 같이 도출하였다.
- 그리고 각 파생변수들과 우량과 부실과의 교차분석을 통해 연관성을 살펴보았다.특히 거래의 지속성, 신용카드 매출 실적, 매출패턴, 업종의 부실율 등은 소상공인 부실과 연관성이 있는 것으로 나타났다.
- 국내에서 Gim and Jong(1999)은 중소기업과 소기업을 분리한 부실예측모형 설계의 유용성을 주장하였다. 특히 소상공인이 포함되어 있는 도 · 소매 · 서비스업을 AHP(Analytic Hierarchy process), 다변량판별분석 (MDA), 의사결정나무분석(CHAID), 신경망(NN) 알고리즘으로 개발하여 각각 63.8%, 65.5%, 55.2%, 70.7%의 예측 성능을 보이는 모형을 개발했다. Park(2001)은 판별분석(Discriminant Analysis)을 통해 소상공인 중 사고기업 100개와 정상기업 100개를 판별하는 예측모형을 도출하였다.
- 하지만 과 같이 검증집단의 예측력과 비교해 볼 때, C는 103,γ는 10-3, d는 3일 경우 학습집단의 예측력은 79.2%(우량: 79.95%, 부실: 78.44%), 검증집단의 예측력은 73.6%(우량: 74.46%, 부실: 72.8%)로 최적의 예측력을 갖는 것으로 나타났다
- 하지만 와 같이 검증집단을 통해 검증한 결과 70.83%(우량: 71.4%, 부실: 86.96)로 다른 모수에 비해 낮은 예측력을 보이고 있었다.
- 실험결과 학습 횟수가 3,000회이고 은닉층의 뉴런수가 8개일 때 가장 우수한 예측력을 나타내는 것으로 분석되었다. 학습집단은 76.20%, 검증집단은 73.13%(우량: 73.76%, 부실: 72.53% )의 예측률을 보였다.
- 학습집단의 격자탐색과 검증집단의 격자탐색을 조합해 볼 때, C와 γ는 103과 10-3에서 학습집단은 79.0% (우량: 79.55%, 부실: 78.44%), 검증집단은 74.20% (우량: 74.86% , 부실: 88.66%)으로 최적의 예측률을 갖는 것으로 분석하였다.
후속연구
- 본 연구에서 나타나는 한계점을 고려한 향후 연구로는 GIS(Geographic Information System)를 통한 상권분석 및 입지분석 정보와 신용카드 매출정보를 소상공인 신용평가 모형에 적용하고, 다양한 커널함수를 사용하여 성능과 시간적으로 최적의 모수를 갖는 SVM에 대한 연구가 진행될 것이다.
- 본 연구의 한계는 자료 수집의 한계로 인해 각 가맹점주 정보와 재정상태, 경영능력 등에 관한 정보를 모형에 적용하지 못했다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.