본문 바로가기
KERD
논문KCI 등재

심층신경망의 설명가능성과 하이퍼파라미터 특성에 관한 연구 -중소기업 신용평가를 중심으로-

A Study on the Explainability and Hyperparameter Characteristics of Deep Neural Networks -A Case Study of SMEs Credit Scoring System-

이군희|김소정
신용보증기금 (Korea Credit Guarantee Fund)|2022.03|중소기업금융연구 (Journal of SME Finance)|제42권 제1호|pp. 3-37|DOI 10.33219/jsmef.2022.42.1.001

0

조회

0

다운로드

4

인용

0

참고문헌

키워드

SMEs중소기업Deep learning신용평가심층신경망설명 가능한 AI이상치Credit scoring systemeXplainalble AIOutliers

초록

일반적으로 중소기업의 재무제표에 대한 신뢰성 문제는 오랫동안 제기되어 왔으며 이에 따라 결측치 및 이상치 비중이 상대적으로 높을 뿐만 아니라 오류에 의한 값인지 실제 값인지 명확하게 확인하기 어렵다. 이러한 이유로 일반적으로 신용평가 모형 구축 시 결측치와 이상치 값을 모두 제거하기 때문에 정보의 활용성이 낮을 뿐만 아니라 정확하고 고도화된 모형 구축에 어려움이 있었다. 본 연구에서는 이러한 중소기업 신용평가의 비정형화된 정보의 활용가능성에 주목하여 결측치와 이상치를 고려한 신용평가모형을 구축한다. 이를 위한 분석자료는 중소기업통합시스템(SIMS)에 해당하는 기업을 선별하여 총 1,758,760개의 데이터이며, 알고리즘은 로지스틱 회귀모형과 심층신경망을 이용하였고, 설명 가능한 AI 기법(XAI)을 활용하여 유의한 변수를 도출하였다. 결과적으로, 로지스틱 회귀모형과 비교하여 심층신경망 모형의 AUC가 높았으며, 부도 예측에 기여도가 높은 변수들은 이상치 변수를 포함하여 제조업이 재무적 특징을 잘 반영한 결과를 보였다. 이에 따라 부도 예측에 영향을 미치는 변수를 해석하고, 모형이 갖는 사용변수의 제약성을 줄이고 모형의 안정성과 일반화가 가능하다는 결론을 내릴 수 있었다.

Abstract

In general, the reliability of financial statements of SMEs has been raised for a long time and it is difficult to study the advancement of credit scoring system due to the difficulty of data collection. Due to these reasons when constructing the general credit scoring system, the system eliminates the missing value and outliers. Furthermore, the system has a low application of information, and it has difficulty constructing an accurate and advanced model. This study aims to construct an ideal credit scoring system considering the missing value and outliers by focusing on the usage of unstructured information in SMEs credit scoring system. The number of this basis of analytic data consists of 1,758,760(pieces) and it is selected by SIMS. The algorithm is based on logistic regression and deep neural networks. Significant variables were derived using explainable AI (XAI). In conclusion, the AUC had a higher outcome than the logistic regression model. The variables with a higher level of contribution to bankruptcy expectation offered results of the financial characteristic of the manufacturing industry, including outliers. On the basis of results, the model defines the effect of variables of bankruptcy expectation. Also, it is concluded that a model is possible to reduce the constraintability of variables, offering stability and generalization.

참고문헌 (43)

  1. 곽세영, "중견기업의 운전자본관리와 경영성과", 호텔경영학연구, 29(1), pp.1~11 (2020), 한국호텔외식관광경영학회[DOI]
  2. 김남호, "중소기업 부실예측에 관한 분석모형 비교 연구", 중소기업금융연구, pp.3~42 (2004)
  3. 김성규, "중소기업 회계투명성 제고 방안", 중소기업금융연구, 38(3), pp.5~45 (2018), 신용보증기금[DOI]
  4. 김성진, "기업신용등급 예측을 위한 랜덤 포레스트의 응용", 산업혁신연구, 32(1), pp.187~211 (2016), 산업개발연구소[DOI]
  5. 김영숙, "외환 위기에서 환율 변동이 중소기업의 도산확률에 미친 영향", 중소기업연구, 25(4), pp.133~154 (2003), 한국중소기업학회
  6. 김진선, "재무변수 및 주식가격 변수를 이용한 회사채 신용등급 예측모형의 개발", 회계ㆍ세무와 감사 연구, (43), pp.185~217 (2006), 한국공인회계사회
  7. 김진휘, "중소기업의 신용평가와 기업규모에 관한 연구", 세무회계연구, 18, pp.145~167 (2006)
  8. 김태훈, "A Hybrid Under-sampling Approach for Better Bankruptcy Prediction", 지능정보연구, 21(2), pp.173~190 (2015), 한국지능정보시스템학회
  9. 김흥식, "한국기업에서 순운전자본의 결정요인에 관한 연구", 경영교육연구, 30(6), pp.123~144 (2015), 한국경영교육학회
  10. 박영규, "기업의 사회적 책임활동과 회사채 신용등급", Journal of The Korean Data Analysis Society, 17(1), pp.279~291 (2015), 한국자료분석학회
  11. 박종일, "비상장기업에 대한 외부감사가 재량적 발생액에 미치는 효과", 경영학연구, 43(4), pp.1257~1285 (2014), 한국경영학회
  12. 박주완, "인적자원관리 및 개발 변수의 기업신용평가 적용에 관한 연구 : 인적자본기업패널 자료를 이용하여", 중소기업금융연구, 39(4), pp.29~53 (2019), 신용보증기금[DOI]
  13. 반성식, "벤처기업의 성공도 평가지표로서 신용등급에 관한 연구", 대한경영학회지, 22(1), pp.267~283 (2009), 대한경영학회
  14. 유원종, "비재무적 요인이 중소벤처기업의 신용평가에 미치는 영향", 대한경영학회지, 28(12), pp.3191~3210 (2015), 대한경영학회[DOI]
  15. 유지영, "중소기업 현금보유수준이 투자에 미치는 영향에 관한 연구", 한국창업학회지, 12(3), pp.149~171 (2017), 한국창업학회[DOI]
  16. 윤종식, "신용카드 매출정보를 활용한 소상공인신용평가모형", 중소기업연구, 29(2), pp.73~98 (2007), 한국중소기업학회
  17. 이건창, "통계적 모형과 인공지능 모형을 결합한 기업신용평가 모형에 관한 연구", 한국경영과학회지, 21(1), pp.81~100 (1996)
  18. 이명곤, "내부회계관리제도의 취약점 : 이익조정 그리고 정보위험과의 관련성", 회계ㆍ세무와 감사 연구, (46), pp.61~97 (2007), 한국공인회계사회[DOI]
  19. 이영섭, "데이터마이닝 Cookbook" (2003), 교우사
  20. 이은규, "SHAP을 통한 AI 투명성 확보 연구", 디지털문화아카이브지, 4(1), pp.71~81 (2021), 문화융복합아카이빙연구소[DOI]
  21. 허광복, "중소기업 경영 및 회계 투명성 강화에 대한 제언", Korea Business Review, 16(1), pp.35~50 (2012), 한국경영학회
  22. Adadi, A, "Peeking Inside the Black-Box: A Survey on Explainable Artificial Intelligence (XAI)", IEEE, (6), pp.52138~52160 (2018)
  23. Bengio. Y, "Representation Learning: A Review and New Perspectives", IEEE, 35(8), pp.1798~1828 (2012)
  24. Dahl. G, "Improving deep neural networks for LVCSR using rectified linear units and dropout", IEEE, 26, pp.8609~8613 (2013)
  25. Doyle, J, "Accruals Quality and Internal Control over Financial Reporting" (2006), University of Utah, University of Washington and New York University
  26. Edward. I. Altman, "Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy", The Journal of Finance, 23(4), pp.589~609 (1968)
  27. Habib, K, "Determinants of SME growth; The influence of financing pattern. An empirical study based on Swedish data", Mangement Research Review, 39(9), pp.966~987 (2016)
  28. Holzinger. A, "What do we need to build explainable AI systems for the medical domain", arXiv:1712.09923, ~ (2017)
  29. Hosmer. D, "Applied Logistic Regression" (2000), Wiley Series in Probability and Statistics
  30. James. B, "Random Search for Hyper-ParameterOptimization", Journal of Machine Learning Research, 13(10), pp.281~305 (2012)
  31. Kim, J, "AI filtering and explainable AI", LAW & TECHNOLOGY, 16, pp.83~92 (2020)
  32. Kotsiantis, S. B, "Supervised Machine Learning: A Review of Classification Techniques", Informatica, 31(3), pp.3~24 (2007)
  33. Lee, J, "Access to finance for artificial intelligence regulation in the financial servicesindustry", European Business Organization Law Review, 21, pp.731~757 (2020)
  34. A disciplined approach to neural network hyper-parameters: Part 1 --learning rate, batch size, momentum, and weight decay, "Leslie N Smith", US Naval Research Laboratory, ~, pp.Technical Report, 5510-026 (2018)
  35. Lundberg, S. M, "Advances in Neural Information Processing Systems", pp.4765~4774 (2017)
  36. Mastersm, D, "Revisiting Small Batch Training for Deep Neural Networks", arXiv 1804.07612, ~ (2018)
  37. Nwankpa. C, "Activation Functions: Comparison of trends in Practice and Research for Deep Learning", International Conference on Computational Sciences and Technologies, 1811, pp.03378~ (2018)
  38. Rousseeuw, Peter J, "Robust statistics for outlier detection", WIREs, 1(1), pp.73~79 (2011)
  39. Sexton, D. L, "The Blackwell Handbook of Entrepreneurship" (2000), Blackwell Business
  40. Smith, SL, "Don't Decay the Learning Rate, Increase the Batch Size", ICLR (2018)
  41. Xavier. G, "Understanding the difficulty of training deep feedforward neural networks", Proceedings of the Thirteenth International Conference on Artificial Intelligence and Statistics, 9, pp.249~256 (2010)
  42. Yang, Y, "Strand interruptions confer strand preference during intracellular correction of a plasmid-borne mismatch in Saccharomyces cerevisiae", Curr Genet, 35(5), pp.499~505 (1999)
  43. Zheng. X, "FinBrain: When finance meets AI 2.0", Frontiers of Information Technology & Electronic Engineering, 20, pp.914~924 (2019)

관련 논문AI추천

중소기업 신용보강을 위한 딥러닝 기업 건전성 분류류두진, 송민찬한국금융공학회 · 金融工學硏究2022 · 제21권 제2호기업 신용평가 모형에 설명 가능한 AI 적용을 위한 TabNet 기반 프레임워크: 기업 신용평가 모형 연구를 중심으로김창효, 이군희, 정승호한국중소기업학회 · 중소기업연구2023 · 제45권 제3호데이터 클래스 불균형 상황에서 설명가능 인공지능을 이용한 기업부도예측모델의 적용과 해석에 관한 연구백동현, 윤종철한국산업경영시스템학회 · 한국산업경영시스템학회지2025 · 제48권 제1호데이터 불균형을 고려한 설명 가능한 인공지능 기반 기업부도예측 방법론 연구백동현, 허선우한국산업경영시스템학회 · 한국산업경영시스템학회지2022 · 제45권 제2호인공지능 기반 기업 부도예측 모델 실증 연구-시간적 특성을 반영한 개선을 중심으로이현, 김경영, 박중현, 정경민, 최희정한국IT정책경영학회 · 한국IT정책경영학회 논문지2023 · 제15권 제2호딥러닝 기반 부실기업 예측모형에 관한 연구김성수, 안은주, 조재혁한국산업경영학회 · 경영연구2021 · 제36권 제1호

이 간행물의 다른 논문 (2건)

기술집약 중소,중견기업의 원가행태 연구 -13대 혁신성장분야를 중심으로황희주, 손호성pp. 39-60기업발 스핀오프 창업 실태분석과 정책과제 -정부의 사내벤처 육성 프로그램을 중심으로-양현봉, 박종복pp. 61-90
원문 보기