Bankruptcy Prediction via Hybrid Resampling and Stacking Ensemble Techniques with Explainable Artificial Intelligence (XAI)-Driven Analysis

技術要約：ハイブリッド・リサンプリングおよびスタッキング・アンサンブル手法を用いた、XAI駆動型分析による倒産予測

問題提起
本研究は、極端に不均衡な財務データセット（対象データセットにおいて少数派クラスである倒産企業が全集団のわずか約3.23%を占める）における、企業倒産の予測という極めて重要な課題に取り組んでいる。精度（Accuracy）のような従来の評価指標は、このような文脈では誤解を招く恐も多く、多数派クラスを優先してしまい、財務上の困難に直面している企業の検出に失敗することが多い。本論文は、倒産予測とはコストに敏感な意思決定問題であり、経営破綻した企業を見逃すこと（低リコール）は、誤報（偽陽性）よりも高い代償を伴うものであると主張している。さらに、この分野には、監査可能性、ガバナンス、および規制遵守を支えるために、予測性能だけでなく、解釈可能性を備えたモデルが求められている。

手法
本研究は、UCI機械学習リポジトリの台湾倒産予測データセット（6,819社の観測値、95個の予測変数）を利用した、包括的かつエンドツーエンドのフレームワークを採用している。手法は以下の4つの明確な段階で進行する。

1. 合意に基づく特徴量選択： 高次元の入力空間（95個の特徴量）を削減し、堅牢性を高めるために、5つの特徴量選択アルゴリズム（Whale Optimization (WOA)、Particle Swarm Optimization (PSO)、Salp Swarm Optimization (SSO)、Bat Algorithm (BA)、およびMutual Information (MI)）を適用した。5つのアルゴリズムのうち少なくとも2つによって特定された予測変数のみを保持するという、合意に基づく保持ルールを適用した。これにより、収益性、レバレッジ、支払能力、および運営効率に関連する指標を含む、23個の堅牢な変数へと特徴量セットを削減した。
2. ハイブリッド・リサンプリング： クラス不均衡に対処するため、訓練データに対して3つのハイブリッド・リサンプリング手法（SVM-SMOTE、SMOTE-Tomek、およびSMOTE-Edited Nearest Neighbors (SMOTE-ENN)）を実装した。これらの手法は、少数派クラスの完全性を維持しようと試みながら、バランスの取れた訓練分布を生成するために使用された。
3. モデル・アーキテクチャおよびスタッキング：
   • ベース・ラーナー（Base Learners）： 5つのアンサンブル機械学習分類器（Gradient Boosting (GB)、Extreme Gradient Boosting (XGB)、Histogram-based Gradient Boosting (HGB)、LightGBM (LGBM)、およびAdaBoost (AB)）を評価した。
   • メタ・ラーナー（Meta-Learners）： 5つのディープラーニング（DL）モデル（Recurrent Neural Network (RNN)、Long Short-Term Memory (LSTM)、Gated Recurrent Unit (GRU)、Deep Neural Network (DNN)、およびMulti-Layer Perceptron (MLP)）をテストした。
   • ハイブリッド・スタッキング： 5つの機械学習分類器をベース・ラーナーとし、5つのディープラーニングモデルの各々をメタ・ラーナーとするスタッキング・アンサンブル・フレームワークを構築し、25通りのユニークなハイブリッド構成を作成した。
4. 説明可能なAI (XAI)： 最良の性能を示したモデルに対し、グローバルおよびローカルの両レベルで特徴量の寄与を解釈するために、Shapley Additive exPlanations (SHAP) フレームワークを適用した。これにより、モデルの決定ロジックが経済理論と一致していることを確認した。

主な結果
研究では、精度、リコール、特異度、G-mean、およびROC-AUCを用いてモデルを評価した。主な知見は以下の通りである。

• リサンプリングの影響： リサンプリング戦略の選択が、モデルの挙動を大きく左右した。SVM-SMOTEおよびSMOTE-Tomekは、高精度および高特異度（非倒産企業の正確な特定）を優先したが、SMOTE-ENNは優れた少数派クラス検出（リコール）とバランスの取れた性能（G-mean）をもたらした。
• スタンドアロン・モデルの性能： スタンドアロンのモデルの中で、GRU分類器とSMOTE-ENNの組み合わせが、最高の全体的な予測バランスを実現し、リコール0.8627、G-mean 0.8517、およびROC-AUC 0.9431を記録した。
• スタッキング・アンサンブルの性能： ベース・ラーナーとして**(GB+XGB+HGB+LGBM+AB)を用い、メタ・ラーナーとしてLSTMを用いたSMOTE-ENNによるハイブリッド・スタッキング・アンサンブル**は、スタッキングされたモデルの中で、感度と特異度の間の最も強力な妥協点を提供した（リコール: 0.7255、G-mean: 0.8254、ROC-AUC: 0.9270）。
• モデル比較： 木ベースのアンサンブル（特にLGBM）は精度と特異度に優れていたが、ディープラーニング・モデル（MLP、GRU、LSTM、RNN）は、特にSMOTE-ENNの条件下において、リコールとG-meanにおいて機械学習モデルを一貫して上回った。
• 特徴量の重要性： SHAP分析により、レバレッジ、収益性、支払能力、および運営効率の指標（例：総資産に対する内部留保、ROA、負債比率、総資産回転率）が、倒産リスクの最も影響力のある予測因子であることが特定された。

意義および主張
本論文は、その主要な貢献は、クラス不均衡が単なる前処理上の厄介事ではなく、モデルの有用性を決定付ける中心的な要因であることを示した点にあると主張している。研究は以下の通りである。

1. ディープラーニングの生存能力： ディープラーニング・アーキテクチャ（特にGRUおよびLSTM）は、構造化された表形式のデータ設定においても、従来のブースティング手法よりもリコールにおいて優れた性能を示し、少数派である倒産クラスの検出において実質的な利点を提供する。
2. リサンプリング戦略の重要性： 「唯一の最善のリサンプリング手法」は存在しない。最適な選択は、運用上の目的によって異なる。SMOTE-ENNは、倒産の見逃しを最小限に抑えることが優先される早期警戒システムにおいて、特に効果的であることが示された。
3. 解釈可能性の統合： SHAPを統合することで、モデルが統計的なアーティファクトではなく、経済的に妥当なシグナル（収益性とレバレッジ）を捉えていることを検証し、これにより、ハイステークスな金融ガバナンスにおけるこれらのモデルの展開を支持している。
4. ベンチマーク： 本研究は、構造化された財務比率のみを用いた堅牢なベンチマークを確立しており、コンセンサスに基づく特徴量選択、ハイブリッド・リサンプリング、およびXAIを組み合わせた場合、伝統的な会計データが依然として非常に情報量が多いことを示唆している。

著者らは、本フレームワークがこの分野を前進させるものである一方で、今後の研究は、異なる規制および経済環境における堅牢性と汎用性をさらに高めるために、マルチ期間の軌跡や非構造化テキストデータの統合に焦点を当てるべきであると結論付けている。