적응형 부스팅을 이용한 파산 예측 모형 = 건설업을 중심으로

국문 초록 (Abstract)

2013년 건설 경기 전망 보고서에 따르면 주택건설경기 침체 상황의 지속으로 건설 기업의 유동성 위기가 지속될 것으로 전망된다. 건설업은 파산으로 인한 사회적 파급효과가 다른 산업에 비해 큰 편이지만, 업종의 특성상 다른 산업과는 상이한 자본구조와 부채비율, 현금흐름을 가지고 있어서 기업의 파산 예측이 더 어려운 측면이 있다. 건설업은 레버리지가 큰 산업으로 부채비율이 매우 높은 업종이며 현금흐름이 프로젝트 후반부에 집중되는 특성이 있다. 그리고 경기사이클에 따른 부침이 매우 심하여 경기하강국면에선 파산이 급증하는 양상을 보인다. 건설업이 레버리지 산업인 이상 건설업체의 파산율 증가는 여신을 공여한 은행에 큰 부담으로 작용한다. 그럼에도 그간의 파산예측모델이 주로 금융기관에 집중되어 왔고 건설업종에 특화된 연구는 드물었다.
기업의 재무 자료를 바탕으로 한 파산 예측 모델에 대한 연구는 오래 전부터 다양하게 진행되었다. 하지만, 일반적인 기업 전체를 대상으로 하는 모델이기 때문에, 건설 기업과 같이 유동성이 큰 기업의 예측에는 적절하지 못할 수 있다. 건설 산업은 오랜 사업 기간과 대규모 투자, 그리고 투자금 회수가 오래 걸리는 특징을 갖는 자본 집약 산업이다. 이로 인해 다른 산업과는 상이한 자본 구조를 갖기 마련이고, 다른 산업의 기업 재무 위험도를 판단하는 기준과 동일한 적용이 곤란할 수 있다.
최근에는 기계 학습을 바탕으로 한 기업 파산 예측 연구가 활발하다. 기계 학습의 대표적 응용 분야인 패턴 인식을 기업의 파산 예측에 응용한 것이다. 기업의 재무 정보를 바탕으로 패턴을 작성하고 이 패턴이 파산 위험 군에 속하는지 안전한 군에 속하는지 판단하는 것이다.
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. 실험 결과 적응형 부스팅이 다른 기법에 비해 예측 결과가 좋았고, 특히 자본금 규모가 500억 이상인 기업의 경우 아주 우수한 결과를 보였다.

참고문헌 (Reference)

1 Altman, E. I., "Predicting financial distress of companies: revisiting the Z-score and ZETA models" Stern School of Business, New York University 9-12, 2000

2 Verikas, A, "Hybrid and ensemble-based soft computing techniques in bankruptcy prediction:a survey" 14 (14): 995-1010, 2010

3 Qiu-yue Tai, "GA-based Normalization Approach in Back-propagation Neural Network for Bankruptcy Prediction Modeling" 한국지능정보시스템학회 16 (16): 1-14, 2010

4 Kim, M. J., "Ensemble Learning for Solving Data Imbalance in Bankruptcy Prediction" 15 (15): 1-15, 2009

5 NICE, "Credit Information Service"

6 신택수, "Corporate Credit Rating based on Bankruptcy Probability Using AdaBoost Algorithm-based Support Vector Machine" 한국지능정보시스템학회 17 (17): 25-41, 2011

7 Min, J. H., "Bankruptcy prediction using support vector machine with optimal choice of kernel function parameters" 28 (28): 603-614, 2005

8 Wilson, R. L., "Bankruptcy prediction using neural networks" 11 (11): 545-557, 1994

9 Alfaro, E., "Bankruptcy forecasting: An empirical comparison of AdaBoost and neural networks" 45 (45): 110-122, 2008

10 Shin, K. S., "An application of support vector machines in bankruptcy prediction model" 28 (28): 127-135, 2005

11 Sun, J., "AdaBoost and Bagging Ensemble Approaches with Neural Network as Base Learner for Financial Distress Prediction of Chinese Construction and Real Estate Companies" 2013 (2013): 47-59, 2013

12 Freund, Y., "A desiciontheoretic generalization of on-line learning and an application to boosting" 904 : 23-37, 1995

13 Construction Economy Research Institute of Korea, "2013 Construction Market Outlook Report" 2012