새로운 연구에서 인공지능(AI)을 활용하여 기업의 파산 가능성을 더욱 정확하게 예측하고, 그 예측 과정을 투명하게 설명할 수 있는 프레임워크가 제시되었습니다. 이 프레임워크는 특히 파산 기업과 같이 데이터 수가 적은 '소수 클래스'를 탐지하는 데 어려움을 겪는 기존 모델의 한계를 극복하고자 개발되었으며, 재무 데이터의 불균형 문제를 해결하는 데 중점을 둡니다.
연구팀은 대만 기업 파산 예측 데이터셋을 활용해 이 프레임워크를 검증했습니다. 먼저, 여러 특징 선택(feature selection) 알고리즘을 통해 23개의 핵심 재무 변수를 추출하여 예측 모델의 입력 공간을 최적화했습니다. 이후 SVM-SMOTE, SMOTE-Tomek, SMOTE-ENN과 같은 하이브리드 리샘플링(resampling) 기법을 적용해 불균형한 데이터를 균형 있게 조정했습니다. 모델 비교에서는 그래디언트 부스팅(Gradient Boosting) 등 5가지 앙상블 머신러닝 모델과 순환 신경망(RNN), 장단기 기억망(LSTM) 등 5가지 딥러닝 모델을 사용했으며, 이들을 조합한 스태킹 앙상블(stacking ensemble) 기법도 적용했습니다. 특히 SMOTE-ENN과 GRU 모델의 조합이 파산 기업 탐지에서 가장 우수한 균형 잡힌 예측 성능을 보였으며, 스태킹 앙상블에서는 SMOTE-ENN과 (GB+XGB+HGB+LGBM+AB)+LSTM 조합이 민감도와 특이도 사이에서 가장 강력한 절충안을 제공했습니다.
이 프레임워크의 핵심은 설명 가능한 인공지능(XAI) 기법인 SHAP(SHapley Additive exPlanations)을 활용하여 예측 결과의 신뢰도를 높였다는 점입니다. SHAP 분석을 통해 부채 비율, 수익성, 지급 능력, 운영 효율성 지표 등이 파산 위험을 예측하는 데 가장 큰 영향을 미치는 요인임을 밝혀냈습니다. 이는 단순히 파산 여부를 예측하는 것을 넘어, 어떤 재무 지표가 왜 중요한지 이해할 수 있게 하여 기업 경영진이나 투자자가 보다 정보에 입각한 의사결정을 내릴 수 있도록 돕습니다. 결과적으로 이 연구는 재정적으로 어려움을 겪는 기업을 위한 더욱 신뢰할 수 있고 해석 가능한 조기 경보 시스템을 구축할 수 있는 기반을 마련했습니다.