판별분석에 의한 기업부실예측력 평가: 서울지역 특1급 호텔 사례 분석 Evaluation of Corporate Distress Prediction Power using the Discriminant Analysis: The Case of First-Class Hotels in Seoul원문보기
본 연구는 서울지역 특1급 호텔을 대상으로 2015년도 재무비율을 변수로 활용하여 표준재무비율을 산출하며, 다변량판별분석에 의한 부실예측모형 개발 및 부실예측력 평가에 목적이 있다. 서울소재 19개 특1급 호텔의 14개 재무비율을 분석대상으로 선정하여 실증분석을 실시하였으며 분석결과는 다음과 같다. 첫째, 분석결과 우수기업과 부실기업을 판별하는 7개 재무비율은 유동비율, 차입금의존도, 영업이익대비 이자보상비율, 매출액영업이익율, 자기자본순이익율, 영업현금흐름비율, 총자산회전율로 나타났다. 둘째, 7개 재무비율을 활용하여 우수기업과 부실기업을 판별하는 판별함수를 다변량판별분석에 의해 추정하였으며, 추정된 판별함수를 실제 소속집단과 예측집단으로 분류가 가능한가의 예측력 검정 결과, 예측 판별력의 정확도는 87.9%로 분석되었다. 셋째, 추정된 판별함수의 예측 판별력의 정확도 검증결과 판별분석에 의한 부실예측모형의 예측력은 78.95%로 분석되었다. 이러한 분석결과, 호텔 경영진은 호텔기업의 부실기업집단을 판별하는 7개 재무비율을 중점적으로 관리해야 함을 시사하고 있다. 또한 호텔기업이 타 산업과는 뚜렷한 재무구조의 차이와 부실예측 지표가 상이하며, 이에 호텔기업 대상의 신용평가시스템 구축 시 호텔기업의 재무적 특성을 반영한 시스템 구축이 필요함을 시사하고 있다.
본 연구는 서울지역 특1급 호텔을 대상으로 2015년도 재무비율을 변수로 활용하여 표준재무비율을 산출하며, 다변량 판별분석에 의한 부실예측모형 개발 및 부실예측력 평가에 목적이 있다. 서울소재 19개 특1급 호텔의 14개 재무비율을 분석대상으로 선정하여 실증분석을 실시하였으며 분석결과는 다음과 같다. 첫째, 분석결과 우수기업과 부실기업을 판별하는 7개 재무비율은 유동비율, 차입금의존도, 영업이익대비 이자보상비율, 매출액영업이익율, 자기자본순이익율, 영업현금흐름비율, 총자산회전율로 나타났다. 둘째, 7개 재무비율을 활용하여 우수기업과 부실기업을 판별하는 판별함수를 다변량판별분석에 의해 추정하였으며, 추정된 판별함수를 실제 소속집단과 예측집단으로 분류가 가능한가의 예측력 검정 결과, 예측 판별력의 정확도는 87.9%로 분석되었다. 셋째, 추정된 판별함수의 예측 판별력의 정확도 검증결과 판별분석에 의한 부실예측모형의 예측력은 78.95%로 분석되었다. 이러한 분석결과, 호텔 경영진은 호텔기업의 부실기업집단을 판별하는 7개 재무비율을 중점적으로 관리해야 함을 시사하고 있다. 또한 호텔기업이 타 산업과는 뚜렷한 재무구조의 차이와 부실예측 지표가 상이하며, 이에 호텔기업 대상의 신용평가시스템 구축 시 호텔기업의 재무적 특성을 반영한 시스템 구축이 필요함을 시사하고 있다.
This study aims to develop a distress prediction model, in order to evaluate the distress prediction power for first-class hotels and to calculate the average financial ratio in the Seoul area by using the financial ratios of hotels in 2015. The sample data was collected from 19 first-class hotels i...
This study aims to develop a distress prediction model, in order to evaluate the distress prediction power for first-class hotels and to calculate the average financial ratio in the Seoul area by using the financial ratios of hotels in 2015. The sample data was collected from 19 first-class hotels in Seoul and the financial ratios extracted from 14 of these 19 hotels. The results show firstly that the seven financial ratios, viz. the current ratio, total borrowings and bonds payable to total assets, interest coverage ratio to operating income, operating income to sales, net income to stockholders' equity, ratio of cash flows from operating activities to sales and total assets turnover, enable the top-level corporations to be discriminated from the failed corporations and, secondly, by using these seven financial ratios, a discriminant function which classifies the corporations into top-level and failed ones is estimated by linear multiple discriminant analysis. The accuracy of prediction of this discriminant capability turned out to be 87.9%. The accuracy of the estimates obtained by discriminant analysis indicates that the distress prediction model's distress prediction power is 78.95%. According to the analysis results, hotel management groups which administrate low level corporations need to focus on the classification of these seven financial ratios. Furthermore, hotel corporations have very different financial structures and failure prediction indicators from other industries. In accordance with this finding, for the development of credit evaluation systems for such hotel corporations, there is a need for systems to be developed that reflect hotel corporations' financial features.
This study aims to develop a distress prediction model, in order to evaluate the distress prediction power for first-class hotels and to calculate the average financial ratio in the Seoul area by using the financial ratios of hotels in 2015. The sample data was collected from 19 first-class hotels in Seoul and the financial ratios extracted from 14 of these 19 hotels. The results show firstly that the seven financial ratios, viz. the current ratio, total borrowings and bonds payable to total assets, interest coverage ratio to operating income, operating income to sales, net income to stockholders' equity, ratio of cash flows from operating activities to sales and total assets turnover, enable the top-level corporations to be discriminated from the failed corporations and, secondly, by using these seven financial ratios, a discriminant function which classifies the corporations into top-level and failed ones is estimated by linear multiple discriminant analysis. The accuracy of prediction of this discriminant capability turned out to be 87.9%. The accuracy of the estimates obtained by discriminant analysis indicates that the distress prediction model's distress prediction power is 78.95%. According to the analysis results, hotel management groups which administrate low level corporations need to focus on the classification of these seven financial ratios. Furthermore, hotel corporations have very different financial structures and failure prediction indicators from other industries. In accordance with this finding, for the development of credit evaluation systems for such hotel corporations, there is a need for systems to be developed that reflect hotel corporations' financial features.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구의 목적은 서울지역 특1급 호텔을 대상으로 표준재무비율을 산출하며, 재무비율을 활용하여 다변량 판별분석에 의한 부실예측모형의 개발과 예측력을 평가함에 있었다.
이에 본 연구는 서울소재 특1급 호텔을 대상으로 2015년 기준의 재무비율을 산출하며, 이를 변수로 활용하여 예측의 정확성이 높아 실무적으로 활용이 많이 되고 있는 다변량판별분석에 의한 부실예측모형을 개발 및 부실예측모형의 부실예측력을 평가함에 목적이 있다.
가설 설정
둘째, 예측모형은 특1급 호텔을 우수호텔기업과 부실호텔기업으로 판별하는데 신뢰성이 있어야 한다. 셋째, 어떤 특1급 호텔이 우수기업과 부실기업 중 어느 한쪽으로 분류될 사전확률(prior probability)과 판별기준점(cut-off point) 결정시 잘못 판별할 경우의 확률은 같은 것으로 가정한다.
제안 방법
본 연구에서의 부실예측에 사용된 변수는 ‘주식회회사의외부감사에관한 법률 제8조’에 따라 작성한 주요 14개 재무비율을 대상으로 한 선행연구[23, 24]에 기초하여 분석대상 변수로 유동비율, 부채비율, 차입금의존도, 영업이익대비이자보상비율, 매출액영업이익율, 매출액순이익율, 총자산순이익율, 자기자본순이익율, 총자산대비영업현금흐름비율, 매출액증가율, 영업이익증가율, 당기순이익증가율, 총자산증가율 및 총자산회전율 등의 14개의 재무비율을 선정하였다.
서울지역 특1급 19개 호텔의 2015년도 14개 재무비율을 활용하여 우수호텔기업과 부실호텔기업으로 의 판별을 위한 다변량판별분석을 실시하였으며 분석결과는 다음과 같다.
한편 재무비율을 종속변수로 활용한 기업집단 분류를 위하여 본 연구에서는 선행연구[23, 24]에서 활용된 14개 각 재무비율별 평균값에 기준하여 기업별 재무비율을 우수와 부실로 평가 후, 우수로 평가된 재무비율이 7개 이상이면 우수기업으로 7개 이하면 부실로 평가하는 기업분류 방식을 동일하게 적용하였다. 이러한 기업집단 분류방식에 의한 본 연구에서는 분석대상 19개의 호텔을 10개의 우수호텔기업과 9개의 부실호텔기업으로 분류하였다.
분석대상 변수인 재무비율은 ‘주식회사의외부감사에 관한 법률 제8조’에 따라 참고자료로 작성의무가 있었던 다음의 주요 14개 재무비율로 선정하였다. 이러한 분석대상 변수인 표본기업 19개 서울지역 특1급 호텔의 2015년도 재무비율은 금융감독원 전자공시시스템을 통하여 공개된 각 호텔별 감사보고서의 재무상태표 및 손익계산서 등의 재무제표를 바탕으로 산출하였다.
한편 재무비율을 종속변수로 활용한 기업집단 분류를 위하여 본 연구에서는 선행연구[23, 24]에서 활용된 14개 각 재무비율별 평균값에 기준하여 기업별 재무비율을 우수와 부실로 평가 후, 우수로 평가된 재무비율이 7개 이상이면 우수기업으로 7개 이하면 부실로 평가하는 기업분류 방식을 동일하게 적용하였다. 이러한 기업집단 분류방식에 의한 본 연구에서는 분석대상 19개의 호텔을 10개의 우수호텔기업과 9개의 부실호텔기업으로 분류하였다.
대상 데이터
분석대상 변수인 재무비율은 ‘주식회사의외부감사에 관한 법률 제8조’에 따라 참고자료로 작성의무가 있었던 다음의 주요 14개 재무비율로 선정하였다.
실증분석에서 필요한 분석대상 기업은 한국관광호텔업협회의 자료를 토대로 서울지역 총 26개의 호텔가운데 19개 특1급 호텔을 선정하였다. 조사 모집단은 회계 연도를 기준으로 자료의 일관성을 유지하고 부실예측모형의 재무분석이 가능한 기업을 대상으로 한정하였다.
실증분석에서 필요한 분석대상 기업은 한국관광호텔업협회의 자료를 토대로 서울지역 총 26개의 호텔가운데 19개 특1급 호텔을 선정하였다. 조사 모집단은 회계 연도를 기준으로 자료의 일관성을 유지하고 부실예측모형의 재무분석이 가능한 기업을 대상으로 한정하였다. 7개 호텔은 유한회사로 ‘주식회사의외부감사에관한 법률 제8조’에 따라 감사보고서 작성의무가 없는 회사로 조사 모집단에서 제외되었다.
데이터처리
본 연구에서의 분석절차상 우수호텔기업과 부실호텔기업의 특성을 잘 구분해주는 변수들을 추출하기 위하여모수검정인 t-검정에 의한 유의성 검정을 시도하였다. t-검정 결과에 의하면 분석대상 14개의 재무비율 중에서 p<.
이러한 t-검정 결과에 근거하여 본 연구에서는 통계적으로 유의한 7개 변수를 활용하여 다변량판별분석을 실시하였다.
이론/모형
국내외의 선행연구 고찰 결과, 부실예측을 위하여 단일변량(single variate)분석(Profile 분석)[3], Probit분석[6, 7], 유전자 알고리즘(genetic algorithms)분석[8], 인공신경망(artificial neural network)분석[2, 7, 9, 10, 13], Hybrid discriminant neural networks 분석[12], 로짓(logit)분석[2, 7, 9, 10, 14, 15, 16, 17] 및 다변량판별(multi-variate discriminant) 분석[2, 4, 5, 7, 11, 14, 15, 16, 18, 19, 20, 21, 22] 등의 기법을 사용하였으며 예측의 정확성 향상을 통한 부실예측 기법의 다양화 및 발전이 이루어졌다.
성능/효과
t-검정 결과에 의하면 분석대상 14개의 재무비율 중에서 p<.05에서 통계적으로 유의한 변수는 총 7개(유동비율, 차입금의존도, 영업이익대비 이자보상비율, 매출액영업이익율, 자기자본순이익율, 영업현금흐름비율, 총자산회전율)인 것으로 분석되었다.
9%로 나타났다. 개발된 부실예측모형에 의거 실제소속집단과 예측집단으로의 분류 가능에 대한 검정 결과, 예측 판별력의 정확도는 78.95%로 나타났다.
첫째, 표본기업의 변수 및 판별점수들은 다변량 정규분포를 이루어야 한다. 둘째, 예측모형은 특1급 호텔을 우수호텔기업과 부실호텔기업으로 판별하는데 신뢰성이 있어야 한다. 셋째, 어떤 특1급 호텔이 우수기업과 부실기업 중 어느 한쪽으로 분류될 사전확률(prior probability)과 판별기준점(cut-off point) 결정시 잘못 판별할 경우의 확률은 같은 것으로 가정한다.
본 연구대상 호텔기업의 안정성을 나타내는 재무비율인 독립변수 유동비율, 차입금의존도 및 영업이익대비 이자보상비율, 수익성지표들의 독립변수 중에 매출액영업이익율, 자기자본순이익율 및 영업현금흐름비율 및 활동성 지표로서 총자산회전율이 통계적으로 유의하나 다른 독립변수 매출액증가율, 영업이익증가율, 당기순이익증가율 및 총자산증가율은 통계적으로 유의하지 않아서 우수호텔기업과 부실호텔기업을 판별해주는 판별력이 없는 것으로 분석되고 있다.
판별분석에 의한 특1급 호텔의 부실예측모형의 도출을 위해 설정한 기본가정은 다음과 같다. 첫째, 표본기업의 변수 및 판별점수들은 다변량 정규분포를 이루어야 한다. 둘째, 예측모형은 특1급 호텔을 우수호텔기업과 부실호텔기업으로 판별하는데 신뢰성이 있어야 한다.
추정된 판별함수를 실제 소속집단과 예측집단으로 분류가 가능한가의 예측력 검정 결과, 예측 판별력의 정확도는 87.9%로 나타났다. 개발된 부실예측모형에 의거 실제소속집단과 예측집단으로의 분류 가능에 대한 검정 결과, 예측 판별력의 정확도는 78.
판별분석 결과 우수기업 및 부실기업을 판별하는 재무비율은 유동비율, 차입금의존도, 영업이익대비 이자보상비율, 매출액영업이익율, 자기자본순이익율, 영업현금흐름비율, 총자산회전율로 분석되었다.
0%로 나타내고 있다. 한편 우수기업이 부실기업으로 그리고 부실기업이 우수기업으로의 오분류될 확률은 22.2% 및 20.0%인 것으로 분석되었다. 이러한 본 연구의 판결결과에 대한 전체적 예측 판별력의 정확도는 78.
후속연구
첫째, 판별분석기법에 의해서만 부실예측이 이루어져 다른 분석기법에 의한 결과와 부실예측모형별 예측력을 비교․평가하지 않았다는 점이다. 둘째, 다른 지역과 다른 등급의 호텔을 분석대상의 표본으로 포함시키지 않고 단지 서울지역의 특1급 호텔로 한정하여 분석이 이루어져 본 연구 결과를 일반화 할 수 없고 제한적으로 서울지역 특1급 호텔을 대상으로 적용하여야 한다는 점이다. 셋째, 재무적 정보이외의 호텔기업의 가치를 결정할 수 있는 비재무적 정보를 고려한 연구가 수용된다면 보다 유용성 있는 부실예측모형이 활용될 수 있을 것이다.
본 연구는 1992년 일부 호텔을 대상으로 호텔산업 표준재무비율을 산출[24]한 후 호텔대상의 경영분석 자료가 부족한 점을 고려 할 때 본 연구에서 제시한 표준재무비율 및 부실예측모형은 호텔업계에서의 경영분석의 기초지표, 경영평가 자료 및 호텔기업의 부실징후 파악 등의 호텔이해관계자들의 의사결정 도구로 활용이 가능하다. 이러한 본 연구의 분석결과, 호텔기업이 타 산업과는 뚜렷한 재무구조의 차이와 부실예측 지표가 상이하며, 이에 호텔기업 대상의 신용평가시스템 구축 시 호텔기업의 재무적 특성을 반영한 시스템의 구축이 필요함을 시사하고 있다.
둘째, 다른 지역과 다른 등급의 호텔을 분석대상의 표본으로 포함시키지 않고 단지 서울지역의 특1급 호텔로 한정하여 분석이 이루어져 본 연구 결과를 일반화 할 수 없고 제한적으로 서울지역 특1급 호텔을 대상으로 적용하여야 한다는 점이다. 셋째, 재무적 정보이외의 호텔기업의 가치를 결정할 수 있는 비재무적 정보를 고려한 연구가 수용된다면 보다 유용성 있는 부실예측모형이 활용될 수 있을 것이다. 아울러 새로운 재무적 변수의 개발에도 노력을 기울여야 할 것이다.
본 연구는 1992년 일부 호텔을 대상으로 호텔산업 표준재무비율을 산출[24]한 후 호텔대상의 경영분석 자료가 부족한 점을 고려 할 때 본 연구에서 제시한 표준재무비율 및 부실예측모형은 호텔업계에서의 경영분석의 기초지표, 경영평가 자료 및 호텔기업의 부실징후 파악 등의 호텔이해관계자들의 의사결정 도구로 활용이 가능하다. 이러한 본 연구의 분석결과, 호텔기업이 타 산업과는 뚜렷한 재무구조의 차이와 부실예측 지표가 상이하며, 이에 호텔기업 대상의 신용평가시스템 구축 시 호텔기업의 재무적 특성을 반영한 시스템의 구축이 필요함을 시사하고 있다.
아울러 새로운 재무적 변수의 개발에도 노력을 기울여야 할 것이다. 이러한 본 연구의 한계는 후속 연구로 보완되어야 할 것이다.
본 연구의 한계는 다음과 같다. 첫째, 판별분석기법에 의해서만 부실예측이 이루어져 다른 분석기법에 의한 결과와 부실예측모형별 예측력을 비교․평가하지 않았다는 점이다. 둘째, 다른 지역과 다른 등급의 호텔을 분석대상의 표본으로 포함시키지 않고 단지 서울지역의 특1급 호텔로 한정하여 분석이 이루어져 본 연구 결과를 일반화 할 수 없고 제한적으로 서울지역 특1급 호텔을 대상으로 적용하여야 한다는 점이다.
질의응답
핵심어
질문
논문에서 추출한 답변
한국은행 자료에 따르면 2013년부터 2015년까지 국내 호텔기업 재무상태 및 경영성과 분석 시 수익성 지표와 활동성 지표는 어떻게 분석되는가?
한국은행 기업경영분석[1] 자료를 토대로 2013년부터 2015년까지 3개년 간의 국내 호텔기업 재무상태 및 경영성과 분석결과, 매출액증가율 등의 성장성 지표는 높게 나타나고 있으나 수익성 지표(총자산순이익율 및 자기자본순이익율 등) 및 활동성 지표(자기자본회전율 등)는 낮게 나타나고 있다. 이러한 호텔업계의 현 상황은 최근 한류 등의 긍정적 영향으로 인한 외래방문객의 증가에 기인한 매출의 성장에도 불구하고 전반적인 국내 경기침체 및 경제외적인 요인 등의 악재로 낮은 수익성과 활동성을 나타내어 경영상의 어려움이 처해있다
호텔기업의 산업적 특징은 무엇인가?
호텔기업은 초기 투자비용이 높으며 지속적인 시설투자가 요구되어지는 산업분야이다. 국내의 경우 토지구입비 부담이 높아 호텔건설을 위한 투자비가 다른 나라에 비교하여 높은 편이다.
국내의 경우 호텔기업의 건설 투자 비용이 다른 나라에 비교해 높은 이유는 무엇인가?
호텔기업은 초기 투자비용이 높으며 지속적인 시설투자가 요구되어지는 산업분야이다. 국내의 경우 토지구입비 부담이 높아 호텔건설을 위한 투자비가 다른 나라에 비교하여 높은 편이다. 동일 규모의 호텔 건설에 소요되는 투자비를 비교하면, 대만은 한국의 절반정도, 미국은 3분의 1, 중국은 5분의 1 정도에 불과하다.
참고문헌 (24)
Bank of Korea, "Financial Statement Analysis for 2014", 2015.
J. H. Nam & K. B. Yi, "Non-Financial Information and Comparison of Bankruptcy Prediction Model", Seogang Economic Review, vol. 31 no. 1, pp. 1-29, 2002.
W. H. Beaver, "Financial Ratios as Predictors of Failure", Journal of Accounting Research, vol. 5, pp. 71-111, 1966. DOI: http://dx.doi.org/10.2307/2490171
E. I. Altman, "Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy", Journal of Finance, vol. 23 no. 4, pp. 589-609, 1968. DOI: http://dx.doi.org/10.1111/j.1540-6261.1968.tb00843.x
E. B. Deakin, "A Discriminant Analysis of Predictors of Business Failure", Journal of Accounting Research, vol. 16 Spring, pp. 167-179, 1972. DOI: http://dx.doi.org/10.2307/2490225
J. A. Ohlson, "Financial Ratios and the Probability Prediction of Bankruptcy", Journal of Accounting Research, vol. 18 no. 1, pp. 109-131, 1980. DOI: http://dx.doi.org/10.2307/2490395
T. H. Lin, "A Cross Model Study of Corporate Financial Distress Prediction in Taiwan: Multiple discriminant analysis, logit, probit and neural networks models", Neurocomputing, vol. 72, pp. 3507-3516, 2009.
J. K. Ok, "Integrated Corporate Bankruptcy Prediction Model Using Genetic Algorithms", Doctoral thesis, Graduate School of Dongkuk University, 2010.
P. R. Kummar & V. Ravi, "Bankruptcy Prediction in Banks and Firms via Statistical and Intelligent Techniques - A Review", European Journal of Operational Research, vol. 180, pp. 1-28, 2007.
F. M. Tseng & Y. C. Hu, "Comparing four bankruptcy prediction models: Logit, quadratic interval logit, neural and fuzzy neural networks", Expert Systems with Applications, vol. 37, pp. 1846-1853, 2010.
S. J. Lee & W. S. Choi, "A multi-industry bankruptcy prediction model using back-propagation neural network and multi-variate discriminant analysis", Expert Systems with Applications, vol. 40, pp. 2941-2946, 2013.
F. Z. Azayite & S. Achchab, "Hybrid Discriminant Neural Networks for Bankruptcy Prediction and Risk Scoring", Computer Science, vol. 83, pp. 670-674, 2016.
H. G. Baek, "An Empirical Study on Predicting Corporate Failure", Master's thesis, Graduate School of Economics of Yonsei Universiy, 2011.
O. K. Kwon, "An Empirical Study on the Forecasting Model of Specialty Constructors' Insolvency", Master's thesis, Graduate School of Industrial and Entrepreneurial Management of Chungang University, 2011.
H. K. Kim, "Management Performance Evaluation and Failure Prediction Models for Financial Institutions: Focusing on the cooperative financial institutions", Doctoral thesis, Graduate School of Hankuk University of Foreign Studies, 2012.
K. H. Kang, "Developing a Model to Predict the Insolvency of Medium and Small General Contractors", Master's thesis, Graduate School of Engineering of Hanyang University, 2012.
G. Z. Wang, "A Study on the Prediction to Failure of medium and small sized Enterprises in China", Master's thesis, Graduate School of Paichai University, 2015.
S. C. Huang, Y. C. Tang, C. W. Lee, & M. J. Chang, "Kernel local Fisher discriminant analysis based manifold-regularized SVM model for financial distress predictions", Expert Systems with Applications, vol. 39, pp. 3855-3861, 2012.
M. Karas & M. Reznakova, "Predicting bankruptcy under alternative conditions: the effect of a change in industry and time period on the accuracy of the model", Social and Behavioral Sciences, vol. 213, pp. 397-403, 2015.
S. J. Kim, "A Study on Prediction of Corporate Bankruptcy of a Discriminant Analysis Model", Social Science Review of Sangmyung Womans University, vol. 5, pp. 107-133, 1993.
S. K. Min, S. Y. Kim, & B. S. Choi, "A Method of Credit Analysis for an Insurance of Letter of Guarantee Using the Discriminant Analysis", Social Science Review of Hansung University, vol. 14 no. 1, pp. 241-259, 2000.
H. G. Cho & Y. S. Kim, "A Study on the Distress Prediction about Financial Characteristics of the Saemaeul Kumko", The Journal of Eurasian Studies, vol. 8 no. 2, pp. 25-47, 2011.
S. J. Kim, "Comparing Distress Prediction Models to the Hotel Corporate Structure: Based on Predictive Power", Journal of Tourism Science, vol. 28 no. 4, pp. 9-26. 2005.
S. J. Kim, K. W. Hong, "A Study on the Comparing the Prediction Powers of Corporate Group of Classifying for the Convention Corporate", Journal of Event & Convention, vol. 1 no. 1, pp. 23-41. 2005.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.