인공지능을 활용한 금융취약층 신용위험 분류 및 특성 분석
Classifying and Analyzing Individual Credit Risk among the Financially Vulnerable Using Artificial Intelligence
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
현대사회에서 금융접근성과 신용도는 개인의 경제활동과 삶의 질에 큰 영향을 미친다. 이 연구의 목표는 개인의 신용도를 예측하는 인공지능 모형을 개발하고 그 예측모형을 이용하여 개인의 신용위험 수준을 판별하는 것이다. 예측모형의 개발과 분석을 위한 자료로 2014년 1월부터 2024년 5월까지의 기간 중 개인워크아웃 신규 신청자에 대한 행정데이터를 이용하였다. 자료에 포함된 사례는 총 791,393명이다. 인공지능의 개발을 위해 세 가지의 지도학습 알고리즘—신경망 모형, 랜덤 포레스트 모형, 나이브 베이즈 분류 모형—을 사용하여 모형의 적합성을 평가하였고, 그 결과 나이브 베이즈 분류 모형이 최적으로 나타났다. 주요 결과는 다음과 같다. 첫째, 머신러닝을 이용한 신용위험 수준의 정확도는 86.19%에 도달하였다. 정확도는 실제로 신용위험 ‘높음’으로 기록된 사례가 예측 모형을 통한 예측의 결과 역시 동일하게 나오는 정도(민감도)와 실제로 신용위험 ‘낮음’으로 기록된 사례가 예측 모형에서도 동일한 결과가 나오는 정도(특이도)가 전체 분석대상 집단에서 어느 정도의 비중을 차지하는지를 보여준다. 둘째, 신용위험 ‘높음’과 연관된 주요 특성은 20대와 30대의 청년층, 대졸 이상의 학력, 상용직에 비해 자영업과 일용직, 기혼에 비해 미혼의 혼인지위, 많은 부양가족 수, 많은 채무 개수로 나타났다. 이 연구는 인공지능을 적용하여 개인의 경제적 상황을 파악하고 예측한 선도적 시도의 사례이다. 정형데이터인 행정데이터를 이용하고, 판별형 인공지능 모형을 적용하여, 금융경제 활동과 경제적 재기의 중요한 요소인 신용위험 수준을, 효과적이고 효율적으로 파악할 수 있음을 보여주었다. 또한 개인워크아웃 이용자의 신용도 및 신용위험과 연관된 요인들에 관한 이해를 높이고 예방과 지원이 필요한 집단을 식별하는 가능성을 제시하였다.
Abstract
This study aims to develop an artificial intelligence model that predicts individual credit risk. The data for this study was administrative data of new applicants for debt relief programs between January 2014 and May 2024. The sample includes a total of 791,393 individuals. Three supervised learning algorithms—neural network model, random forest model, and naive Bayes classification model—were employed to evaluate model performance. The naive Bayes classification model was selected as the optimal model. The main findings are as follows: First, the accuracy of identifying credit risk prediction using machine learning was 86.19%. Accuracy here refers to the proportion of correctly predicted cases in the overall dataset, including both the sensitivity(how well the model identifies cases that are actually poor credit) and the specificity(how well the model identifies cases that are actually good credit). Second, the key characteristics associated with poor credit include being in the 20s or 30s age group, having a college degree or higher, being self-employed or in temporary employment as compared to full-time employment, being unmarried, having more dependents, and having many debts. This study demonstrates that credit risk—a key factor in financial activities and economic recovery—can be effectively and efficiently identified through artificial intelligence-based classification and analysis. Furthermore, this study enhances our understanding of the factors related to credit risk among users of debt relief programs and helps identify at-risk groups that may need support to prevent deteriorating credit risk.