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
- 다만, 정상 기업에서 어떤 방식으로 표본을 추출하는 가에 따라 모델의 파산 예측이 달라질 가능성이 있기 때문에 공정한 방법이 필요하다. 따라서 정상 기업에서 무작위 표본 추출을 하여 파산 기업의 수와 일치하도록 하였다.
- 전통적인 Z-Score와 기계 학습을 이용한 파산 예측과 같은 기존 연구들은 특정 산업 분야가 아닌 일반적인 기업을 대상으로 하기 때문에 기업들의 특성을 전혀 고려하고 있지 못하다. 본 논문에서는 건설 기업을 규모에 따라 각 기법들의 예측 능력을 비교하여 적응형 부스팅이 가장 우수함을 확인하였다.
- 본 논문은 건설 기업을 자본금 규모에 따라 세 등급으로 분류하고 각각에 대해 적응형 부스팅의 예측력을 분석하였다. 적응형 부스팅의 상대적 성능 측정을 위해 다른 기계 학습 방법인 인공 신경망, SVM(Support Vector Machine), 결정 트리와 비교를 수행하였다.
제안 방법
- 이는 상관계수가 높은 두 변수 중 하나를 제거해도 파산 예측 모델에 영향을 주지 않고 모델을 더 단순화할 수 있기 때문이다. 각 변수는 기업의 규모나 매출과 무관하게 적용할 수 있도록 비율로 계산하였다. 예를 들어 유동 자산(Current assets)과 관련한 변수인 CA/TA와 CA/CL의 경우 각각 총자산(Total assets)과 유동부채(Current liabilities)로 나눈 값을 사용한다.
- 건설기업을 대상으로 다양한 파산예측모형의 결과와 적응형 부스팅을 이용한 파산예측모형의 결과를 비교 분석해보았다. 이러한 결과는 우리에게 실무적으로 중요한 시사점을 준다.
- 규모별 분류를 위해 건설 기업의 자본금에 따라 소형, 중형 대형으로 분류하였다. 소형 건설 기업은 자본금 5억 미만, 중형 건설 기업은 자본금 5억 이상 500억 미만, 대형 건설 기업은 자본금 500억 이상인 기업으로 선정하였다.
- 기업의 파산 예측 중요성에 대해서 누구나 동의하지만 기업의 파산 시점을 어떻게 정의하느냐는 이견이 있을 수 있다. 본 논문에서는 워크아웃, 법정관리, 파산의 경우를 모두 파산 시점으로 정의하였다. 기업이 재무적 곤경에 처하면 주주, 채권자, 피고용인 등 여러 이해당사자들이 큰 고통에 직면한다.
- 약 분류기 알고리즘으로는 결정 트리를 사용하였고, 깊이(depth)는 1로 하였다. 즉 12개의 결정 트리 알고리즘은 각각 변수에 대해 분류기 학습을 수행한다.
- 정상 기업의 샘플은 파산 기업의 샘플과 수를 동일하게 하기 위해 실험 때마다 무작위로 표본 추출을 하기 때문에 각 기업 규모별 실험의 결과 합계가 전체 규모의 합과 일치 하지 않을 수 있다. 이를 보완하기 위해 실험을 10차례 반복하여 각 모델에 대해 중간값에 해당하는 결과를 선별하였다.
- 적응형 부스팅(AdaBoost)의 상대적 성능 비교를 위해 다른 기계 학습을 사용한 모델로 인공신경망과 SVM, 결정 트리를 실험하였다. 그리고 전통적 모델로 Z-score를 실험하였다.
- 본 논문은 건설 기업을 자본금 규모에 따라 세 등급으로 분류하고 각각에 대해 적응형 부스팅의 예측력을 분석하였다. 적응형 부스팅의 상대적 성능 측정을 위해 다른 기계 학습 방법인 인공 신경망, SVM(Support Vector Machine), 결정 트리와 비교를 수행하였다. 실제로 2008년부터 2012년까지 파산한 기업과 2012년 정상 운영중인 기업의 재무 자료를 사용하여 각 기법들의 예측력을 측정하였다.
- 적응형 부스팅의 약 분류기로 결정 트리(Decision tree)를 사용하였고, 단순 결정 트리와 비교를 위해 결정 트리를 사용한 모델에 대한 실험도 함께 수행했다. 인공 신경망 모델은 변수를 모두 입력으로 하고, 히든 레이어의 노드 수는 10개, 출력은 1개로 하였다.
- 이 때 파산 기업 재무 정보는 파산 기업의 파산 시점에서 직전 년도의 재무 정보를 사용하였고, 정상 기업의 재무 정보는 정상 기업의 2011년도 재무 정보를 사용하였다. 즉, 5년 간 파산한 기업의 파산 직전 1년 전 재무 정보와 정상 기업의 1년 전 재무 정보를 사용하여 1년 후 파산 유무를 예측하는 모델에 사용하였다.
대상 데이터
- 기업을 파산 기업과 정상 기업으로 나누고 파산 기업은 2008년부터 2012년 사이에 워크아웃, 법정관리, 파산한 기업으로 정의하고, 정상 기업은 2012년 12월 기준으로 파산하지 않은 기업으로 정의하였다. 결과적으로 파산 기업은 총 1381개, 정상 기업은 총 28481개를 선정하였다. 그리고 파산 기업과 정상 기업의 재무 정보를 수집하였다.
- 결과적으로 파산 기업은 총 1381개, 정상 기업은 총 28481개를 선정하였다. 그리고 파산 기업과 정상 기업의 재무 정보를 수집하였다. 이 때 파산 기업 재무 정보는 파산 기업의 파산 시점에서 직전 년도의 재무 정보를 사용하였고, 정상 기업의 재무 정보는 정상 기업의 2011년도 재무 정보를 사용하였다.
- 훈련 샘플과 테스트 샘플에는 각각 정상 기업과 파산 기업의 수가 동일하다. 기업 규모에 따른 실험에서도 80%를 훈련 샘플로 사용하고 20%를 테스트 샘플로 사용하였다.
- 예측이란 것은 현재의 자료를 토대로 미래의 상태를 판단하는 것으로, 본 논문의 예측 문제에서는 현재 재무 정보를 토대로 1년 후 기업의 파산 여부를 예측하도록 한다. 모델을 설정하고 모델의 예측력을 확인하기 위해서 파산 기업이 파산 시점에서 1년 전 재무 정보와 정상 기업의 1년전 재무 정보를 사용하였다.
- 적응형 부스팅의 상대적 성능 측정을 위해 다른 기계 학습 방법인 인공 신경망, SVM(Support Vector Machine), 결정 트리와 비교를 수행하였다. 실제로 2008년부터 2012년까지 파산한 기업과 2012년 정상 운영중인 기업의 재무 자료를 사용하여 각 기법들의 예측력을 측정하였다. 실험 결과 적응형 부스팅이 다른 기법에 비해 예측 결과가 좋았고, 특히 자본금 규모가 500억 이상인 기업의 경우 아주 우수한 결과를 보였다.
- 그리고 파산 기업과 정상 기업의 재무 정보를 수집하였다. 이 때 파산 기업 재무 정보는 파산 기업의 파산 시점에서 직전 년도의 재무 정보를 사용하였고, 정상 기업의 재무 정보는 정상 기업의 2011년도 재무 정보를 사용하였다. 즉, 5년 간 파산한 기업의 파산 직전 1년 전 재무 정보와 정상 기업의 1년 전 재무 정보를 사용하여 1년 후 파산 유무를 예측하는 모델에 사용하였다.
- 정상 기업과 파산 기업을 자본금 규모에 따라 분류한 후 파산 기업의 수만큼 정상 기업을 무작위로 표본 추출하여 파산 기업의 수와 동일하게 하였다. 전체 기업 샘플 수는 정상 기업 샘플 수와 파산 기업 샘플 수가 각각 1381로, 둘을 합하면 2762개이고, 이 중 80%인 2208개를 훈련 샘플로 사용하고 나머지 20%인 554개를 테스트 샘플로 사용하였다. 훈련 샘플과 테스트 샘플에는 각각 정상 기업과 파산 기업의 수가 동일하다.
데이터처리
- 적응형 부스팅(AdaBoost)의 상대적 성능 비교를 위해 다른 기계 학습을 사용한 모델로 인공신경망과 SVM, 결정 트리를 실험하였다. 그리고 전통적 모델로 Z-score를 실험하였다.
이론/모형
- 인공 신경망 모델은 변수를 모두 입력으로 하고, 히든 레이어의 노드 수는 10개, 출력은 1개로 하였다. SVM은 모델 변수를 특징(feature)로 하고, 커널 함수는 RBF를 사용하였다. 모든 기계 학습 기반 모델에서 타겟 값은 파산을 -1, 정상 기업을 1로 하였다.
- Z-score는 개인 회사(private firm)를 위한 모델을 사용하였다. 전체 기업 샘플에 비상장 기업도 상당수 포함되어 있기 때문이다.
- 수집한 기업의 재무 정보를 이용하여 [Table 1]과 같은 변수를 생성하여 모델에 적용하였다. 기업의 재무 정보에서 매출과 이익, 유동성, 채무, 자산을 설명할 수 있는 변수를 기존 유사연구에서 사용한 변수를 바탕으로 선정하였다(Wilson and Sharda, 1994; Altman, 2000; Min and Lee, 2005; Shin et al., 2005; Verikas et al., 2010; Sun et al., 2013). 또한 변수들 간에 상관계수가 낮은 변수를 선정함으로써, 서로 독립 가능성이 높은 변수를 채택하였다.
성능/효과
- T4에서 장부가치는 수집한 데이터에서 자본금(Capital)을 대신 사용하였다. 계산 결과 Z-score-private값이 2.9 초과이면 정상 기업, 1.23 미만이면 파산 기업, 그리고 중간 범위의 경우 예측 보류로 하였다.
- 금번 연구를 통해 적응형 부스팅을 이용한 파산예측모형 – 특히 건설업 부문에서– 이 적합함을 확인하였다.
- , 2013). 또한 변수들 간에 상관계수가 낮은 변수를 선정함으로써, 서로 독립 가능성이 높은 변수를 채택하였다. 이는 상관계수가 높은 두 변수 중 하나를 제거해도 파산 예측 모델에 영향을 주지 않고 모델을 더 단순화할 수 있기 때문이다.
- 실제로 2008년부터 2012년까지 파산한 기업과 2012년 정상 운영중인 기업의 재무 자료를 사용하여 각 기법들의 예측력을 측정하였다. 실험 결과 적응형 부스팅이 다른 기법에 비해 예측 결과가 좋았고, 특히 자본금 규모가 500억 이상인 기업의 경우 아주 우수한 결과를 보였다.
- 기계학습에서 종종 발생하는 과적합(overfitting) 문제가 예측력 저하로 이어지는 경우가 있다는 점을 감안할 때 우리가 사용한 기계학습 방법 모두 Z-score 방법에 비해 우수한 예측력을 보였다는 점은 특기할만 하다. 아울러 적응형 부스팅 방법이 모든 모형 중 가장 우수한 예측력을 보여주었으며, 특히 기업 규모가 큰 경우 예측력이 더욱 우수하다는 점은 적응형 부스팅의 실무적 적용에 매우 유용한 시사점을 준다고 할 수 있다.
- 우리가 연구결과 알 수 있었던 것은 전통적인 통계적 회귀분석 방법의 일종인 알트만의 Z-score 방법에 비해 기계학습 방법이 훨씬 더 우수한 예측력을 보였다는 점이다. 기계학습에서 종종 발생하는 과적합(overfitting) 문제가 예측력 저하로 이어지는 경우가 있다는 점을 감안할 때 우리가 사용한 기계학습 방법 모두 Z-score 방법에 비해 우수한 예측력을 보였다는 점은 특기할만 하다.
- 이러한 결과의 원인으로 건설 기업의 재무 비율 변수들의 분산이 큰 이유를 꼽을 수 있다. 이로 인해 Z-score의 예측력이 낮아지고, 마찬가지로 변동성에 영향을 받는 인공 신경망이나 SVM 또한 적응형 부스팅에 비해 상대적으로 예측력이 낮았다. 금번 연구를 통해 적응형 부스팅을 이용한 파산예측모형 – 특히 건설업 부문에서– 이 적합함을 확인하였다.
- 특히 기업 규모가 500억 이상인 대형 건설 기업의 경우 특히 상대적으로 더 우수함을 알 수 있다. 인공 신경망(ANN) 모델의 경우 소형 규모의 경우 AdaBoost보다 약간 더 예측력이 좋은 것으로 보이나, 의미를 부여할 만큼은 아닌 것으로 판단된다. SVM의 경우 실험 결과로 볼 때 파단 예측 모델로 적합하지 못한 것으로 판단된다.
후속연구
- 금번 연구를 통해 적응형 부스팅을 이용한 파산예측모형 – 특히 건설업 부문에서– 이 적합함을 확인하였다. 이 결과를 통해 건설기업과 관련된 주주 및 경영진, 채권자, 피고용인 등이 이를 활용하여 파산가능성을 미리 예측하고 고통을 최소화하기 위한 합리적인 의사결정을 하는데 도움이 되기를 기대한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.