A Multi-Input Approach for SME Default Using Explainable Deep Learning

現代の経済という複雑な機械の中で、中小企業はすべてを回転させ続けるための不可欠な歯車として機能しています。彼らは何百万人もの雇用を生み出し、イノベーションを推進し、国家の富の背骨を形成しています。しかし、これらの企業は、常に高い利害関係を伴うギャンブル、すなわちデフォルト（債務不履行）、つまり負債を返済できなくなるリスクに直面しています。銀行や貸し手にとって、どの企業が実際に破綻する前にその兆候を予測できるかどうかは、金融の安定に関わる問題です。数十年にわたり、専門家はこのパズルを解こうと、企業の資産、負債、利益といった財務諸表に基づき、将来を推測する数学的モデルを用いてきました。これらの伝統的な手法は合理的に機能しますが、多くの場合、企業の歴史を単一の時点における「スナップショット」として扱い、その企業が長年にわたってどのように変化してきたかという点を無視してしまいます。また、帳簿上の数字にほぼ独占的に焦点を当てるあまり、誰がその会社を運営しているのか、あるいはどこに位置しているのかといった、他の極めて重要な詳細を見落としがちです。

イタリアのナポリ・パルテノペ大学の研究チームは、この問題に対する新しい視点を開発しました。それは、ビジネスを静止した写真としてではなく、生きている物語として扱う方法です。研究者たちは、単一の硬直した公式に頼る代わりに、複数の種類の情報を同時に読み取ることができる高度なコンピュータシステムを構築しました。彼らがマルチ入力ニューラルネットワークと呼ぶこのシステムは、企業の数年間にわたる財務履歴、指導力および経営構造の特徴、そしてその企業が位置する特定の地域の経済状況という、3つの異なるデータの流れを消化するように設計されています。これらの異なる糸を織り合わせることで、研究者たちは古い手法では見逃してしまうパターンや関連性を見出すことができるモデルを作り上げました。彼らの研究は、企業の失敗のリスクを真に理解するためには、単なる貸借対照表だけでなく、その過去の軌跡、現在のリーダーシップ、そして周囲の環境を見なければならないことを示唆しています。

研究者たちは、2013年から2022年までの期間をカバーする、イタリアの中小企業の大規模なデータセットを用いてこの新しいアプローチをテストしました。彼らは、設立から少なくとも3年が経過している既成企業に焦만을し、非常に小規模なマイクロ企業は、財務記録が短すぎるか、あるいは経営構造が単純すぎて、この種の分析に必要な詳細な履歴を提供できないため除外しました。チームは、毎年の利益、負債、資産に加え、取締役の年齢、性別、経験などの詳細を含む、数千社の情報を収集しました。また、地域の経済状況がビジネスの成功に影響を与える可能性があることを認識し、各企業が拠点を置く特定の地域についても記録しました。

この多様な情報を処理するために、研究者たちは中央の意思決定ユニットに供給される3つの専門化された経路、すなわち「サブネットワーク」を備えたデジタル・アーキテクチャを構築しました。第一の経路は、毎年変化する財務データを扱うように設計されています。単に直近の年の数字を見るのではなく、この部分は「長短期記憶（Long Short-Term Memory）」として知られる人工知能の一種を使用します。この技術はシーケンス（連続性）を記憶することに特に優れており、医師が患者の体温を単日のデータとして見るのではなく、10年間の健康記録を見て判断するように、企業の財務履歴を数年間にわたって観察し、その傾向を理解します。第二の経路は、経営陣について記述するガバナンス・データを処理します。リーダーシップ・チームは財務数値ほど頻繁には入れ替わらないため、この部分はその情報を企業の構造に関する安定した事実のセットとして扱います。第三の経路は、地域データを処理し、地域の名前を数値コードに変換することで、システムが異なる地理的領域がビジネスのリスクにどのように影響するかを学習できるようにします。

これら3つの情報の流れが処理されると、それらは一つの統一された企業の全体像へと統合されます。この統合されたビューは、最終層へと送られ、翌年に企業がデフォルトする確率を算出します。研究者たちは、この新しいマルチ入力システムを、業界で一般的に使用されている3つの他の手法、すなわちロジスティック回帰として知られる伝統的な統計モデル、XGBoostと呼ばれる強力な機械学習ツール、そして時間のシーケンスを考慮しない標準的なディープラーニング・モデルと比較しました。彼らは、前年のデータに基づいて、どの企業が2021年と2022年に失敗するかを予測させることで、これらのモデルをテストしました。

結果として、この新しいマルチ入力アプローチが最も精度の高い予測因子であることが示されました。生存する企業と失敗する企業をいかに識別するかを検証するテストにおいて、この新システムは一貫して他のモデルを凌駕しました。それは、生存する企業と失敗する企業の両方を正しく特定するという点で最高のスコアを達成し、他のモデルよりも優れたバランスを実現しました。伝統的な統計モデルや標準的な機械学習ツールはより多くのエラーを出しましたが、新システムは新しいデータに適応し、「過学習（モデルが過去のデータを完璧に覚えすぎてしまい、将来の予測に失敗すること）」という一般的な落とし穴を回避する優れた能力を示しました。

単に誰が失敗するかを予測するだけでなく、研究者たちはなぜ自分たちのモデルがそのような決定を下したのかを理解したいと考えました。ディープラーニング・システムは、その内部ロジックがあまりに複雑であるため、人間がどのように結論に至ったかを容易に説明できない「ブラックボックス」であるとしばしば批判されます。これに対処するため、チームは、各情報が最終的な予測にどれだけ貢献したかを測定する「公平性の計算機」のような役割を果たす「シャプレー値（Shapley values）」という手法を用いました。彼らは、財務および経済指標が、予想通り、予測の最も強力な推進力であることを発見しました。しかし、分析の結果、企業のガバナンスの特性と地理的位置も、重要かつ無視できない役割を果たしているという重要な事実が明らかになりました。財務データが最も大きな重みを持ちましたが、モデルは、経営陣や地域の経済的文脈を無視することが、予測の精度を低下させることを示しました。例えば、地域データは最終的な決定への寄与は20パーセント未満でしたが、そのわずかな量でも、全体の精度を向上させるには十分に意味のあるものでした。

本研究は、単一のレンズを通してビジネスを見ることは、正確なリスク評価を行う上でもはや不十分であることを裏付けています。財務履歴、リーダーシップの詳細、および地域の文脈を、単一の柔軟なシステムへと統合することにより、研究者たちは企業の健全性をより完全かつ信頼性の高い視点から捉えるツールを作り上げました。彼らの研究は、ビジネスの失敗を予測する未来は、情報の各要素が時間の経過とともにどのように進化するかを尊重しながら、異なる種類のデータを同時に扱うことができるモデルにあることを示唆しています。このモデルは特にイタリア企業を対象にテストされましたが、そのアプローチは、貸し手やアナリストが、自らが支援する企業の複雑な現実をより良く理解するための青写真を提供しています。この知見は失敗のリスクを排除するものではありませんが、それをナビゲートするための、より明確で微細な地図を提供してくれるのです。