본문 바로가기
KERD
논문KCI 등재

비전통적 부도예측 모형: 비 재무적 요인과 내부 성과조정 요인

Non-traditional Default Models: Non-Financial and Internal Adjustment Factors

김성환|리우용샹|판진주
한국재무관리학회 (Korea Financial Management Association)|2024.08|재무관리연구 (THE KOREAN JOURNAL OF FINANCIAL MANAGEMENT)|제41권 제4호|pp. 1-25|DOI 10.22510/kjofm.2024.41.4.001

0

조회

0

다운로드

0

인용

0

참고문헌

키워드

Propensity Score Matching내생성Endogeneity성향점수 매칭비재무적 요인기업 부도내부성과 조정 요인Default ModelsNon-financial FactorsInternal Adjustment Factors
주제분류경영학

초록

기존 연구에서는 대체로 재무비율이나 기계 학습 등의 다양한 방법론을 적용하여 최선의 모형을 찾는 노력에 집중하고 있다. 반면, 본 연구에서는 Altman Z 등 전통적 방법론이나 그것을 확장한 유사한 연구에서의 부도 추정이 핵심 변수의 누락에 의한 모형 부적합성과 내생성이라는 심각한 문제에 노출되어 있음을 증명하고자 한다. 본 연구는 2020년부터 2021년까지의 한국 통계청의 기업활동조사 데이터를 활용하여 성향점수 대응(Propensity Score Matching: PSM) 모형을 사용하였다. 이를 통해 재무상태가 유사한 부도 및 비부도 기업을 선정하여 비교 분석함으로써 연구의 신뢰성을 높였다. 이러한 과정에서 전통적 모형에서 접근하는 재무비율 등의 한계점을 진단하고, 기업의 부도 결정에서 현실적으로 매우 중요하다고 판단되는 변수들이 모형 적합성 또는 예측 정확도를 얼마나 개선하는지를 평가하였다. 연구 결과는 다음과 같다. 첫째, 비전통적 특성변수 정보를 포함한 모형이 부도예측 성능을 현저히 향상하였다. 둘째, 관계회사 간 국내외 투자가 기업의 부도에 긍정적인 영향을 미쳤다. 특히, 과도한 해외 투자는 정보의 비대칭을 높여서 기업의 부도 가능성을 높이는 요인으로 작용하였다. 셋째, 주식형 비현금 인센티브 제도가 기업 부도에 미치는 영향은 통계적으로 유의하지 않았다. 넷째, 기업의 미래 성장과 실제 생존능력과 관련한 기업 내부성과의 개선이 부도확률에 유의한 영향을 미쳤다. 모형 적합도 측면에서 Altman Z 연구방법에 사용한 변수를 성향점수 대응 모형을 적용하더라도 전체적으로 50% 내외의 예측 정확도 수준에 머무른 반면, 기업의 대외 경쟁력이나 재무적 성과 개선과 관련한 다양한 기업 특성과 비재무적 성과 등을 반영할 때 전통적 모형보다 부도예측의 정확성을 70% 이상 수준으로 크게 개선하였다. 결과적으로 기업에 대한 부도 결정이 기업의 회생 가능성이나 안정성, 성장 가능성 등을 고려한 비 전통적 내부요소뿐만 아니라 의사결정 과정에서의 내생성 등 모형 적합성이 중요하다는 점을 알 수 있다.

Abstract

By utilizing data from the Korean Statistical Information Service (KOSIS) for the years 2020 to 2021 and employing the Propensity Score Matching (PSM) method, the study selected defaulted and non-defaulted firms with similar financial conditions and conducted predictive analyses to enhance the reliability of the research. This approach opens up the possibility of constructing more realistic prediction models that consider various non-financial factors, rather than relying solely on financial data. The study results showed that prediction models incorporating non-traditional financial factors had higher accuracy when financial conditions were similar, playing an important role in overcoming the limitations of existing models. The findings are as follows. First, models incorporating non-traditional corporate information significantly improved the performance of default predictions. Second, investments via related-party transactions, both domestic and international, had a positive impact on corporate defaults. Thus, firms’ internal adjustment efforts affect default risks significantly. Specifically, firms with excessive foreign investments were more vulnerable to economic shocks, thereby increasing the likelihood of default. Third, the effect of non-cash incentive systems on corporate defaults was not significant. Based on these findings, the incorporation of a variety of non-traditional and internal adjustment factors to differentiate between groups with similar financial conditions resulted in improved prediction accuracy in the models.

참고문헌 (66)

  1. 권혁건, "RNN(Recurrent Neural Network)을 이용한 기업부도예측 모형에서 회계정보의 동적 변화 연구", 지능정보연구, 23(3), pp.139~153 (2017)
  2. 김지홍, "특수관계자와의 거래가 발생액의 질에 미치는 영향", 회계정보연구, 27(1), pp.133~156 (2009)
  3. 김진회, "특수관계자와의 거래가 기업의 경영성과에 미치는 영향", 대한경영학회지, 24(1), pp.569~585 (2011)
  4. 김형준, "기업부도예측과 기계학습", 금융공학연구, 18(3), pp.131~152 (2019)
  5. 남재우, "기업도산예측을 위한 생존분석 기법의 응용", 금융학회지, 5(3), pp.29~61 (2000)
  6. 남주하, "부도예측 모형", 한국경제연구원, 12 (1995)
  7. 남주하, "금융기관의 부실화 예측 모형 분석", 국제경제연구, 4(1), pp.34~46 (1998)
  8. 남주하, "기업집단의 내부시장과 부도위험과의 관계분석", 한국증권학회지, 25(1), pp.1~30 (1999)
  9. 도영호, "실질경제성장률이 중소기업 산업별 부도율에 미치는 영향 : 구조적 VAR 모형을 이용하여", 중소기업연구, 38(3), pp.25~48 (2016)
  10. 박승록, "기업집단의 내부거래와 효율성에 관한 연구", 한국경제연구원, 11(1), pp.7~74 (2002)
  11. 신동령, "기업부실예측에 있어 생산성지표의 유용성에 관한 연구", 한국생산성학회지, 20(2), pp.4~22 (2006)
  12. 안경희, "신용등급변경가능성이 자본조달에 미치는 영향 : 채권 내재등급(BIR)과 신용등급(AR)의 차이를 중심으로", 금융공학연구, 17(2), pp.23~52 (2018)
  13. 안정환, "연립방정식모형을 이용한 기업부도위험과 부채구조의 실증분석", 서강경제 논집, 30(1), pp.1~25 (2001)
  14. 엄하늘, "머신러닝 기반 기업부도위험 예측모델 검증 및 정책적 제언 : 스태킹 앙상블 모델을 통한 개선을 중심으로", 지능정보연구, 26(2), pp.105~129 (2020)
  15. 오세경, "임의의 부도발생 시점을 고려한 부도예측 모형에 관한 연구", 재무관리연구, 32(4), pp.23~51 (2015)
  16. 오우석, "인공지능기법을 이용한 기업부도예측", 대한산업경영학회지, 15(1), pp.17~32 (2017)
  17. 이상호, "중소전자기업의 생존요인 분석", 국제경제연구, 4(2), pp.93~112 (1998)
  18. 이유림, "관계회사 간 거래가 기업부실에 미치는 영향", 한국재무학회 학술대회, pp.1475~1502 (2014)
  19. 이인로, "국내 주식시장의 부도위험 이례현상에 관한 연구", 한국증권학회지, 45(5), pp.1097~1129 (2016)
  20. 이인로, "회계정보와 시장정보를 이용한 부도예측 모형의 평가 연구", 재무연구, 28(4), pp.626~666 (2015)
  21. 이재식, "인공신경망을 이용한 중소기업도산 예측에 있어서의 비재무정보의 유용성 검증", 한국전문가시스템학회지, 1(1), pp.123~134 (1995)
  22. 이찬호, "기업구조조정 혁신을 위한 선제적 한계기업 예측모형에 관한 연구", 기술혁신학회지, 23(4), pp.637~667 (2020)
  23. 임경묵, "우리나라 기업집단의 내부거래에 관한 연구", 한국개발연구원 연구정책 세미나, pp.1~46 (2007)
  24. 조재혁, "딥러닝 기반 부실기업 예측모형에 관한 연구", 경영연구, 36(1), pp.199~113 (2021)
  25. 차성재, "딥러닝 시계열 알고리즘 적용한 기업부도예측 모형 유용성 검증", 지능정보 연구, 24(4), pp.1~32 (2018)
  26. 최정원, "텍스트마이닝 방법론을 활용한 기업 부도예측 연구", 생산성논집, 29(1), pp.201~228 (2015)
  27. 최정호, "기업지배구조와 내부거래 및 기업가치에 관한 연구", 한국회계학회 학술연구발표회 논문집, (2), pp.1~26 (2009)
  28. The Determinants of Firm Survival, "Agarwal, R.", 1~34 (1999)
  29. Alexandropoulos, S. A. N., "A Deep Dense Neural Network for Bankruptcy Prediction", International Conference on Engineering Applications of Neural Networks, pp.435~444 (2019)
  30. Alexeev, M. V., "Lenders’ Reputation and the Soft Budget Constraint", Economics Letters, 84(1), pp.69~73 (2004)
  31. Alexeev, M. V., "The Soft Budget Constraint and the Korean Financial Crisis", Journal of Economic Behavior & Organization, 68(1), pp.178~193 (2008)
  32. Altman, E. I., "Financial Ratios, Discriminant, Analysis and the Prediction of Corporate Bankruptcy", Journal of Finance, 23(4), pp.589~609 (1968)
  33. Altman, E. I., "Credit Risk Management of Banks(Korean)", pp.379~410 (1996)
  34. Aretz, K., "Do Stock Returns Really Decrease with Default Risk? New International Evidence", Management Science, 64(8), pp.3469~3970 (2018)
  35. Arratia, A., "Using Convolutional Neural Networks to Predict Corporate Bankruptcy", Applied Economics Letters, 26(16), pp.1335~1339 (2019)
  36. Baldwin, J., "Firm Entry and Exit in the Canadian Manufacturing Sector", Canadian Journal of Economics, 33(2), pp.300~323 (1990)
  37. Beaver, W. H., "Financial Ratios As Predictors of Failure", Journal of Accounting Research, pp.71~111 (1966)
  38. Berger, P., "Causes and Consequences of Corporate Refocusing Programs", Review of Financial Studies, 12(2), pp.311~345 (1999)
  39. Bonfim, D., "Credit Risk Drivers: Evaluating the Contribution of Firm Level Information and of Macroeconomic Dynamics", Journal of Banking & Finance, 33(2), pp.281~299 (2009)
  40. Brogaard, J., "Stock Liquidity and Default Risk", Journal of Financial Economics, 124(3), pp.486~502 (2017)
  41. Campbell, J. Y., "Search of Distress Risk", Journal of Finance, 63(6), pp.2899~2939 (2008)
  42. Chang, S. J., "Economic Performance of Group-Affiliated Companies in Korea : Intragroup Resource Sharing and Internal Business Transactions", Academy of Management Journal, 43(3), pp.429~448 (2000)
  43. Coase, R. H., "The Nature of the Firm", Economica, 4(16), pp.386~405 (1937)
  44. Dakovic, R., "Bankruptcy Prediction in Norway : a Comparison Study", Applied Economics Letters, 17(17), pp.1739~1746 (2010)
  45. Figlewski, S., "Modeling the Effect of Macroeconomic Factors on Corporate Default and Credit Rating Transitions", International Review of Economics and Finance, 21(1), pp.87~105 (2012)
  46. Glover, B., "The Expected Cost of Default", Journal of Financial Economics, 119(2), pp.284~299 (2016)
  47. Honjo, Y., "Business Failure of New Firm: An Empirical Analysis Using a Multiplicative Hazard Model", International Journal of Industrial Organization, 18, pp.557~574 (2000)
  48. Jessen, C., "Robustness of Distance-to-Default", Journal of Banking & Finance, 50, pp.493~505 (2015)
  49. Kim, H. J., "A Comparative Study on Bankruptcy Prediction Models: Altman Z-Score, Ohlson O-Score, and Campbell Hilscher Szilagyi Models", Journal of Economic Research, 24(2), pp.201~232 (2019)
  50. Kim, H. J., "The Impact of Machine Learning and Deep Learning Models on Bankruptcy Prediction During Economic Downturns", Journal of Finance and Economics, 45(3), pp.355~372 (2020)
  51. Kim, S., "Essays on the Soft Budget Constraint", pp.2003
  52. Kukuk, M., "Corporate Credit Default Models: A Mixed Logit Approach", Review of Quantitative Finance and Accounting, 40(3), pp.467~483 (2013)
  53. Lins, K. V., "Is Corporate Diversification Beneficial in Emerging Market?", Financial Management, 31(2), pp.5~32 (2002)
  54. Mai, F., "Deep Learning Models for Bankruptcy Prediction Using Textual Disclosures", European Journal of Operational Research, 274, pp.743~758 (2019)
  55. Mata, J., "Life Duration of New Firms", Journal of Industrial Economics, 3, pp.227~245 (1994)
  56. Máté D., "Comparative Analysis of Machine Learning Models for Bankruptcy Prediction in the Context of Pakistani Companies", Risks, 11(10), pp.176~ (2023)[DOI]
  57. Nam, C., "Bankruptcy Prediction Using a Discrete　Time Duration Model Incorporating Temporal and Macroeconomic Dependencies", Journal of Forecasting, 27(6), pp.493~506 (2008)
  58. Odom, M. D., "A Neural Network Model for Bankruptcy Prediction", International Joint Conference on Neural Networks, pp.163~168 (1990)
  59. Ohlson, J. A., "Financial Ratios and the Probabilistic Prediction of Bankruptcy", Journal of Accounting Research, 18(1), pp.109~131 (1980)
  60. Pan, Y., "How Management Risk Affects Corporate Debt", Review of Financial Studies, 31(9), pp.3491~3531 (2018)
  61. Sanders, G. W., "Incentive Structure of CEO Stock Option Pay and Stock Ownership : The Moderating Effects of Firm Risk", Managerial Finance, 25(10), pp.61~75 (1999)
  62. Shumway, T., "Forecasting Bankruptcy More Accurately : A Simple Hazard Model", Journal of Business, 74(1), pp.101~124 (2001)
  63. Tian, S., "Variable Selection and Corporate Bankruptcy Forecasts", Journal of Banking & Finance, 52, pp.89~100 (2015)
  64. Traczynski, J., "Firm Default Prediction: a Bayesian Model-Averaging Approach", Journal of Financial and Quantitative Analysis, 52(3), pp.1211~1245 (2017)
  65. Vochozka, M., "Bankruptcy or Success? The Effective Prediction of a Company’s Financial Development Using LSTM", Sustainability, 12(18), pp.1~17 (2020)
  66. Zmijewski, M. E., "Methodological Issues Related to the Estimation of Financial Distress Prediction Models", Journal of Accounting Research, 22, pp.59~82 (1984)

관련 논문AI추천

대출기관의 부도 의사결정과 부실예측 모형의 내생성김성환, 박천식, 전성민한국산업경영학회 · 경영연구2011 · 제26권 제1호도산예측에서 신용등급정보의 유용성오희장한국경제통상학회 · 경제연구2005 · 제23권 제2호미관측 공통요인과 전이효과를 고려한 기업실패 예측 연구: 머신러닝과 전통적인 모형 비교박해랑, 조용민예금보험공사 · 금융안정연구2023 · 제24권 제2호부도확률 예측에서 미시정보와 거시정보의 역할반주희, 원재환예금보험공사 · 금융안정연구2012 · 제13권 제2호중소벤처기업의 비재무적요인 분석을 통한 도산예측에 관한 연구김용성, 유왕진, 이철규한국창업학회 · 한국창업학회지2013 · 제8권 제2호머신러닝과 오버샘플링(oversampling)을 이용한 상장기업 부도예측 연구노시현, 한희준한국계량경제학회 · 계량경제학보2025 · 제36권 제2호

이 간행물의 다른 논문 (3건)

교육투자가 가구 창업과 고소득 가구 확률에 미치는 영향김성환, 정혜민pp. 27-52CFFA를 이용한 내재변동성 측정과 공모전환사채의 내재변동성 및 역사적변동성과 비교분석김재훈, 최명수, 강형구pp. 53-81횡단면 모멘텀 투자성과의 분포적 위험 특성엄철준pp. 83-120
원문 보기