[논문]데이터마이닝을 이용한 국민연금 부정수급 예측모형 개발 - 손해배상금 불성실 신고를 대상으로 -

차경엽

doi:10.5351/ckss.2010.17.1.001

문제 정의

그러나 환수사례 중 손해배상금 불성실 신고의 경우 민간 보험사를 통해 손해배상금을 수령하였는지, 수령한 금액을 정확히 신고하였는지를 확인하는 것이 필요하나 개인정보보호로 인해 자료 확보가 어려워 데이터 매칭방법을 통해 부당이득을 확인하기 어 렵 다. 따라서 본 연구는 국민 연금 부정수급 사례 중 손해배상금 불성실 신고 여부를 데 이 터마이 닝 기법을 이용하여 분석하고자 한다.
따라서 본 연구는 국민연금 운영의 효율적인 관리방안으로 데이터마이닝을 활용한 부정수급 예측모형을 개발하였다. 그동안 수급자의 특성을 분석한 연구는 있었으나 부정수급에 대한 특성을 분석한 연구는 없어 연구결과가 국민연금에서의 부정탐지를 위한 관리방안으로 활용될 수 있으리라 판단된다.
외국 감사원의 경우 데이터마이닝을 이용하여 리스크가 높은 감사대상을 우선 선정하여 감사하고 있어 효율적인 감사방법론으로 활용되고 있다. 따라서 우리나라도 감사기법으로 데이터마이닝을 적극 활용하는 방안이 요구되고 있으며 이를 위한 향후연구로서 연기금 등 공공부문의 부정 방지를 위한 예측모형을 개발하고자 한다.
본 연구는 국민연금의 부정수급을 방지하기 위해 데이터마이닝을 이용하여 예측모형을 개발하였다. 국민연금 부정수급 유형 중 기관 간 정보 공유로서 해결되지 않는 손해배상금 불성실 신고를 대상으로 분석하였다.

제안 방법

그리고 모형 선택을 위해 분석용 자료는 부정수급자와 정상수급자를 동일하게 추출하였으며 이를 위해 정상 수급자를 임의추출방식으로 부정수급자 수만큼 추출하였다. 이는 기존 자료의 부정수급 비율이 너무 낮아 분석의 신뢰성 이 낮을 수 있다는 판단에 따라 분석용 자료를 재구성하였다.
세부적으로 살펴보면, 장애연금의 경우, 연금가입기간, 산재 등 타급여가입, 일실이익, 장애등급이 , 유족연금은 산재 등 타급여 가입, 일실이 익, 손해배상금수령 여부가 정상수급과 부정수급을 구분하는 유의한 변수로 나타났다. 그리고 의사결정나무 모형, 로지스틱 회귀모형, 인공신경망 모형을 이용하여 모형의 예측력을 측정한 결과 의사결정나무 모형 이 우수한 것으로 나타나 이를 이용하여 예측모형을 수립하였다. 이 예측모형은 국민연금공단의 연금심사에 활용할 수 있으리라 판단된다.
국민연금 부정수급과 직접적인 연관성은 적으나 앞에서 제시한 유사사례 및 체납영향요인을 살펴본 결과, 정상집단과 그렇지 않은 집단을 구별하는 요인은 수급자의 신상정보, 소득정보, 장애정보 등이 유의한 것으로 나타났다. 따라서 손해배상금 불성실 신고의 특성요인으로 신상, 소득, 연금가입, 급여, 사고 정보를 수집하였다. 공단의「국민연금 DB 테이블 및 컬럼 현황」을 보면, DB테이블은 총 1, 395개이며 세부적으로 자격정보가 362개, 징수정보가 475개, 급여 및 중증장애정보가 410개, 고객정보가 148개로 구성되어 있다.
이는 기존 자료의 부정수급 비율이 너무 낮아 분석의 신뢰성 이 낮을 수 있다는 판단에 따라 분석용 자료를 재구성하였다. 또한 검증용 자료도 앞에서의 사례에서 언급하였듯이 외국의 연기금 부정수급율이 5% 내외로 발생하고 있어 현실 적용 가능한 모형을 수립하기 위해 임의추출방식으로 부정수급자의 비율을 5%로 맞추어서 표본을 구성하였다. 그리고 모형의 타당성은 일반적으로 사용하고 있는 평균자승오차(average square error), 오분류율(misclassification rate), 리프트 차트(lift chart)를 이용하였다.
부정수급과 연관성이 높은 변수를 선택하기 위해 변수 유형별로 구분하여 유의성을 검증하였다. 즉, 범주형 변수는 X²검정을 이용하였으며, 연속형 변수는 T검정 및 로짓모형의 일치도(concordant)를 통해 유의성을 검정하였다.
정상 수급자를 임의추출방식으로 부정수급자 수만큼 추출하였다. 이는 기존 자료의 부정수급 비율이 너무 낮아 분석의 신뢰성 이 낮을 수 있다는 판단에 따라 분석용 자료를 재구성하였다. 또한 검증용 자료도 앞에서의 사례에서 언급하였듯이 외국의 연기금 부정수급율이 5% 내외로 발생하고 있어 현실 적용 가능한 모형을 수립하기 위해 임의추출방식으로 부정수급자의 비율을 5%로 맞추어서 표본을 구성하였다.

대상 데이터

따라서 손해배상금 불성실 신고에 대한 예측모형을 개발하기 위해 전체자료를제3자 가해로 인해 장애 및 유족연금을 수급한 자를 대상으로 하였다. 2003년부터 2009년 4월까지 장애 연금 및 유족연금 수급자는 총 304, 481명이며, 연금별로는 장애연금 89, 449명 유족연금 215, 032명으로 구성되었다. 그리고 유족연금은 장애 연금 및 노령 연금 수급권자의 사망으로 인해 부양가족이 급여를 대신하여 수령하는 것으로 노령연금으로부터의 유족연금 수급자는 분석에서 제외하였다.
국민연금 부정수급 유형 중 기관 간 정보 공유로서 해결되지 않는 손해배상금 불성실 신고를 대상으로 분석하였다. 분석 결과, 부정수급에 영향을 미치는 요인은 수급자의 연금가입, 급여, 사고내역 인 것으로 나타났다.
여기서 지급정지기간은 손해배상금에서 의료비 등을 제외한 비용을 평균소득으로 나누어 산출하므로 손해배상금을 적게 신고할수록 지급기간은 늘어나며 수급자의 총 연금액은 원래보다 많아진다. 따라서 손해배상금 불성실 신고에 대한 예측모형을 개발하기 위해 전체자료를제3자 가해로 인해 장애 및 유족연금을 수급한 자를 대상으로 하였다. 2003년부터 2009년 4월까지 장애 연금 및 유족연금 수급자는 총 304, 481명이며, 연금별로는 장애연금 89, 449명 유족연금 215, 032명으로 구성되었다.

데이터처리

검증하였다. 즉, 범주형 변수는 X²검정을 이용하였으며, 연속형 변수는 T검정 및 로짓모형의 일치도(concordant)를 통해 유의성을 검정하였다. 범주형 변수의 유의성 검정결과, 장애연금의 경우 유의수준 1%하에서 연령대, 임의가입 경력을 제외하고 모든 변수가 유의한 것으로 분석되 었으며, 유족연금은 가입형태 변경, 산재 등 타급여가입, 손해배상금수령여부가유의변수로 나타났다.

이론/모형

또한 검증용 자료도 앞에서의 사례에서 언급하였듯이 외국의 연기금 부정수급율이 5% 내외로 발생하고 있어 현실 적용 가능한 모형을 수립하기 위해 임의추출방식으로 부정수급자의 비율을 5%로 맞추어서 표본을 구성하였다. 그리고 모형의 타당성은 일반적으로 사용하고 있는 평균자승오차(average square error), 오분류율(misclassification rate), 리프트 차트(lift chart)를 이용하였다. 장애연금을 분석한 결과, 평균 자승오차, 오분류율에서 의사결정나무가 다른 모형에 비해 우수한 것으로 나타났다.
손해배상금 불성실 신고에 의한 부정수급 예측 모형은 부정수급 여부를 목표변수로 하는 지도학습모형 인 로지스틱 회귀모형(logistic regression model), 의사결정나무 모형(decision tree model), 인공신경망 모형(neural network model)을 사용하였다. 여기서 모형구축은 불성실 신고자의 특성분석에서 유의확률이 1% 이하인 변수를 이용하였다.

성능/효과

또한 정우진 등 (2003)은 국민건강보험 지역보혐료 체납에 영향을 미치는 요인으로 성별, 연령별, 가족수, 월 소득액, 소득유형, 자가 및 자동차 소유여부 등을 선정하였다. 국민연금 부정수급과 직접적인 연관성은 적으나 앞에서 제시한 유사사례 및 체납영향요인을 살펴본 결과, 정상집단과 그렇지 않은 집단을 구별하는 요인은 수급자의 신상정보, 소득정보, 장애정보 등이 유의한 것으로 나타났다. 따라서 손해배상금 불성실 신고의 특성요인으로 신상, 소득, 연금가입, 급여, 사고 정보를 수집하였다.
또한 리프트 차트에서도 의사결정나무 모형이 상위등급에서의 리프트가 크고 하위등급의 리프트가 급격히 감소하여 로지스틱 회귀모형, 인공신경망 모형에 비해 예측력 이 우수하였다. 그리고 검증용 자료의 경우 정상 수급자를 정상수급자로 예측하는 비율이 83.8%, 부정수급자를 부정수급자로 예측하는 비율이 86.5%로 나타나 예측력을 우수한 것으로 나타났다. 그리고 유족연금의 경우도 평균자승오차, 오분류율, 리프트 차트에서 의사결정나무가 다른 모형에 비해 우수한 것으로 나타났다 (표 4, 5, 그림 1).
5%로 나타나 예측력을 우수한 것으로 나타났다. 그리고 유족연금의 경우도 평균자승오차, 오분류율, 리프트 차트에서 의사결정나무가 다른 모형에 비해 우수한 것으로 나타났다 (표 4, 5, 그림 1).
장애연금을 분석한 결과, 평균 자승오차, 오분류율에서 의사결정나무가 다른 모형에 비해 우수한 것으로 나타났다. 또한 리프트 차트에서도 의사결정나무 모형이 상위등급에서의 리프트가 크고 하위등급의 리프트가 급격히 감소하여 로지스틱 회귀모형, 인공신경망 모형에 비해 예측력 이 우수하였다. 그리고 검증용 자료의 경우 정상 수급자를 정상수급자로 예측하는 비율이 83.
범주형 변수의 유의성 검정결과, 장애연금의 경우 유의수준 1%하에서 연령대, 임의가입 경력을 제외하고 모든 변수가 유의한 것으로 분석되 었으며, 유족연금은 가입형태 변경, 산재 등 타급여가입, 손해배상금수령여부가유의변수로 나타났다. 또한 연속형 변수의 유의성 검정 결과, 장애 연금은 유의수준 1%하에서 수급전년도평균소득월액, 평균보험료 등급을, 유족연금은 가입 기간, 평균보험료 등급을 제외 하고 모든 변수가 유의한 것으로 분석되 었다 (표 3).
즉, 범주형 변수는 X²검정을 이용하였으며, 연속형 변수는 T검정 및 로짓모형의 일치도(concordant)를 통해 유의성을 검정하였다. 범주형 변수의 유의성 검정결과, 장애연금의 경우 유의수준 1%하에서 연령대, 임의가입 경력을 제외하고 모든 변수가 유의한 것으로 분석되 었으며, 유족연금은 가입형태 변경, 산재 등 타급여가입, 손해배상금수령여부가유의변수로 나타났다. 또한 연속형 변수의 유의성 검정 결과, 장애 연금은 유의수준 1%하에서 수급전년도평균소득월액, 평균보험료 등급을, 유족연금은 가입 기간, 평균보험료 등급을 제외 하고 모든 변수가 유의한 것으로 분석되 었다 (표 3).
부정수급 예측을 위해 의사결정나무 모형을 적용한 결과, 수급자의 연금가입정보, 급여정보, 사고내역정보가 유의한 것으로 나타났다. 세부적으로 살펴보면 장애연금의 경우, 연금가입기간, 산재 등타급여가입, 일실이익, 장애등급이, 유족연금은 산재 등 타급여가입, 일실이익, 손해배상금 수령 여부가 유의한 변수로 선정되었다.
국민연금 부정수급 유형 중 기관 간 정보 공유로서 해결되지 않는 손해배상금 불성실 신고를 대상으로 분석하였다. 분석 결과, 부정수급에 영향을 미치는 요인은 수급자의 연금가입, 급여, 사고내역 인 것으로 나타났다. 세부적으로 살펴보면, 장애연금의 경우, 연금가입기간, 산재 등 타급여가입, 일실이익, 장애등급이 , 유족연금은 산재 등 타급여 가입, 일실이 익, 손해배상금수령 여부가 정상수급과 부정수급을 구분하는 유의한 변수로 나타났다.
부정수급 예측을 위해 의사결정나무 모형을 적용한 결과, 수급자의 연금가입정보, 급여정보, 사고내역정보가 유의한 것으로 나타났다. 세부적으로 살펴보면 장애연금의 경우, 연금가입기간, 산재 등타급여가입, 일실이익, 장애등급이, 유족연금은 산재 등 타급여가입, 일실이익, 손해배상금 수령 여부가 유의한 변수로 선정되었다. 즉, 장애연금의 경우 연금가입기간이 100.
분석 결과, 부정수급에 영향을 미치는 요인은 수급자의 연금가입, 급여, 사고내역 인 것으로 나타났다. 세부적으로 살펴보면, 장애연금의 경우, 연금가입기간, 산재 등 타급여가입, 일실이익, 장애등급이 , 유족연금은 산재 등 타급여 가입, 일실이 익, 손해배상금수령 여부가 정상수급과 부정수급을 구분하는 유의한 변수로 나타났다. 그리고 의사결정나무 모형, 로지스틱 회귀모형, 인공신경망 모형을 이용하여 모형의 예측력을 측정한 결과 의사결정나무 모형 이 우수한 것으로 나타나 이를 이용하여 예측모형을 수립하였다.
그리고 모형의 타당성은 일반적으로 사용하고 있는 평균자승오차(average square error), 오분류율(misclassification rate), 리프트 차트(lift chart)를 이용하였다. 장애연금을 분석한 결과, 평균 자승오차, 오분류율에서 의사결정나무가 다른 모형에 비해 우수한 것으로 나타났다. 또한 리프트 차트에서도 의사결정나무 모형이 상위등급에서의 리프트가 크고 하위등급의 리프트가 급격히 감소하여 로지스틱 회귀모형, 인공신경망 모형에 비해 예측력 이 우수하였다.
세부적으로 살펴보면 장애연금의 경우, 연금가입기간, 산재 등타급여가입, 일실이익, 장애등급이, 유족연금은 산재 등 타급여가입, 일실이익, 손해배상금 수령 여부가 유의한 변수로 선정되었다. 즉, 장애연금의 경우 연금가입기간이 100.5개월 미만인 수급자가 장애등급 4급 이하의 장애를 얻어 공단에 일실이 익을 수령하였다고 신고한 경우의 부정수급율이 35.9%로 가장높았다. 그리고 유족연금의 경우는 산재 등 타급여에 가입되어 있는 수급자가 일실이익이 3천만 원 이하인 것으로 신고한 경우의 부정수급율이 23.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

데이터마이닝을 이용한 국민연금 부정수급 예측모형 개발 - 손해배상금 불성실 신고를 대상으로 -
An Application of Data-Mining Tool in Fraud Pension Payment Prediction 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

참고문헌 (5)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

데이터마이닝을 이용한 국민연금 부정수급 예측모형 개발 - 손해배상금 불성실 신고를 대상으로 - An Application of Data-Mining Tool in Fraud Pension Payment Prediction 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

참고문헌 (5)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

데이터마이닝을 이용한 국민연금 부정수급 예측모형 개발 - 손해배상금 불성실 신고를 대상으로 -
An Application of Data-Mining Tool in Fraud Pension Payment Prediction 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper