비금융 대안정보의 신용리스크 예측에 미치는 효과: 미시데이터 기반의 실증분석과 이의 시사점
The Impact of Non-Financial Alternative Data on Credit Risk Assessment: Micro-Data Based Empirical Investigation and Its Implication
0
조회
0
다운로드
3
인용
0
참고문헌
키워드
초록
본 연구의 목적은 우리나라 소비자대출 부문에서 비금융 대안정보의 활용이 차주의 신용리스크 측정에 있어서 예측력 증대에 미치는 효과를 미시적 데이터를 통하여 실증적으로 분석하는데 있다. 이를 위하여 차주 단위의 데이터를 구축하여 소비자 신용위험에 대한 예측모형을 추정하였는데, 여기에는 기존의 신용거래 이력 중심의 전통적 신용평가인 CB(Credit Bureau) 신용평점에 추가하여 통신정보, 유통정보, 휴대폰 소액결제정보를 기초로 별도로 산정한 대안정보 신용평점을 설명변수로 포함하였다. 추정된 예측모형의 리스크 변별력을 판단하기 위한 기준으로는 AUC(area under the curve) 방식을 사용하였고, 대안정보 활용의 효과에 대한 평가는 신용정보부족자(thin-filer)와 신용정보보유자(thick-filer)에 대한 표본을 구분하여 진행하였다. 추정 결과 대안정보의 활용이 차주 신용리스크 모형의 예측력과 신용리스크 변별력을 유의미한 수준으로 향상시키는 것으로 나타났고, 이와 같은 효과는 신용정보부족자의 경우 더욱 큰 것으로 평가되었다. 상기 결과는 소비자 대출시장에서 비금융 대안정보를 빅데이터화하여 차주 신용리스크 예측에 활용하는 경우 대출자-차입자 간의 정보 비대칭성을 완화하여 신용자원 배분의 효율성을 향상시키는 한편, 특별히 대학생, 가정주부, 자영업자 중 신용이력이 부족한 소비자 계층에 대한 금융포용 확대의 사회적 후생효과를 유발할 수 있음을 시사한다.
Abstract
The goal of this study is to empirically investigate the impact of introducing non-financial alternative data into the assessment of credit risk. For this end, we establish an improved credit risk assessment model based on the individual borrower’s data, which includes alternative credit score made with non-financial data (i.e., mobile bills payment, purchase behavior, and mobile payment record) on top of the traditional CB (Credit Bureau) score. We apply the AUC (Area Under the Curve) for measuring the degree of improvement in credit risk assessment, separating thin-filer and thick-filer groups. Our test result shows that the inclusion of alternative credit score (based on the non-financial data) improves the forecasting performance as well as the accuracy in credit assessment model with statistical significance. It also shows that the degree of improvement is superior in the thin-filer group than the thick-filers. The result implies that the usage of big data that include non-financial information of customers into credit risk assessment can enhance the financial resource allocation by mitigating information asymmetry between lending institutions and borrowers. The result also reveals the possibility of financial inclusion with thin-filers, especially among college students, house wives, and small business owners, resulting in better social welfare effects.
참고문헌 (24)
- 권영준, "개인신용평가에서의 비금융정보의 경제적 효과", 한국경제연구, 29(2), pp.81~107 (2011), 한국경제연구학회
- 김미나, "소득 포트폴리오와 변동성이 가구 부실위험에 미치는 영향", 재무관리연구, 39(4), pp.153~180 (2022), 한국재무관리학회[DOI]
- 김영일, "가계의 종합적 특성을 고려한 연체위험 분석", 통계연구, 24(4), pp.48~74 (2019), 통계청[DOI]
- 김영일, "가계 채무불이행 위험의 결정요인에 대한 분석과 시사점", 금융연구, 32(2), pp.63~92 (2018), 한국금융학회[DOI]
- 김종윤, "온라인 상거래 데이터를 반영한 개인신용평가모형(커머스스코어) 개발", 정보화연구, 16(1), pp.45~55 (2019), 한국엔터프라이즈아키텍처학회[DOI]
- 정호성, "개인 소비 지출 및 소득 충격에 의한 채무 불이행 행태 분석", 금융정보연구, 10(2), pp.1~38 (2021), 한국금융정보학회[DOI]
- 윤상용, "개인의 인성 특성과 금융행태 특성 간의 관련성에 관한 연구", 기업과혁신연구, 42(4), pp.101~120 (2019), 지식경영연구원[DOI]
- 이준서, "개인차주의 대출행태 분석 및 잠재적 도산확률 추정", 재무관리연구, 36(1), pp.63~94 (2019), 한국재무관리학회[DOI]
- NICE 리서치센터, "대안정보를 활용한 금융시장 리스크 관리와 사회적 효용", 2022년 NICE 대안정보 세미나 제1세션 발표 자료 (2022)
- Berg, "On the Rise of FinTechs: Credit Scoring Using Digital Footprints", Review of Financial Studies, 33(7), pp.2845~2897 (2020)
- Björkegren, Daniel, "Behavior Revealed in Mobile Phone Usage Predicts Credit Repayment", World Bank Economic Review, 34(3), pp.618~634 (2020)
- Cho, Man, "FinTech Megatrends: What Welfare Implications Can We Draw for Financial Consumers?", International Review of Financial Consumers, 6(2), pp.29~45 (2021)
- Djeundje, "Enhancing Credit Scoring with Alternative Data", Expert Systems with Applications, 163, pp.113766~ (2021)
- Freedman, S., "The Information Value of Online Social Networks : Lessons from Peer-to-Peer Lending", International Journal of Industrial Organization, 51, pp.185~222 (2017)
- Real Denial Rate: A Better Way to Look at Who is Receiving Mortgage Credit, "Goodman", Urban Institute, ~ (2018)
- Scaling Up Affordable Lending: Inclusive Credit Scoring, "Henry, Nick", Responsible Finance, Oak Foundation, Coventry University, ~ (2018)
- Iyer, Rajkamal, "Screening Peers Softly: Inferring the Quality of Small Borrowers", Management Science, 62(6), pp.1554~1577 (2015)
- Jagtiani, J., "Do Fintech Lenders Penetrate Areas That Are Underserved by Traditional Banks?", Journal of Economics and Business, 100, pp.43~54 (2018)
- Measuring Mortgage Credit Accessibility, "Li, Wei", Urban Institute, ~ (2014)
- Lin, M., "Judging Borrowers by the Company They Keep: Friendship Networks and Information Asymmetry in Online Peer-to-Peer Lending", Management Science, 59(1), pp.17~35 (2013)
- Accelerating Financial Inclusion with New Data, "Loufield, Ethan", Center for Financial Inclusion, ~ (2018)
- Pedro, J. S., "User Modeling, Adaptation and Personalization", pp.195~207 (2015), Springer
- Puri, M., "What Do A Million Observations Have To Say About Loan Defaults? Opening The Black Box Of Relationships", Journal of Financial Intermediation, 31, pp.1~15 (2017)
- Give Credit Where Credit Is Due: Increasing Access to Affordable Mainstream Credit Using Alternative Data, "Turner, M. A.", Brookings Institution, ~ (2006)