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

현대 경제라는 복잡한 기계 장치 속에서, 중소기업은 모든 것을 돌아가게 만드는 필수적인 톱니바퀴 역할을 합니다. 이들은 수백만 명을 고용하고, 혁신을 주도하며, 국가 부의 근간을 형성합니다. 그러나 이 기업들은 끊임없이 높은 이해관계가 걸린 도박, 즉 채무를 상환하지 못할 위험인 디폴트(채무불이행)의 위험에 직면해 있습니다. 은행과 대출 기관들에게 어떤 기업이 실제로 실패하기 전에 이를 예측하는 것은 금융 안정성의 문제입니다. 수십 년 동안 전문가들은 회사의 자산, 부채, 이익과 같은 재무제표를 살펴보고 미래를 추측하는 수학적 모델을 사용하여 이 퍼즐을 풀기 위해 노력해 왔습니다. 이러한 전통적인 방식은 상당히 잘 작동하지만, 종종 회사의 역사를 단 하나의 정지된 스냅샷으로 취급하여 그 회사가 수년에 걸쳐 어떻게 변화했는지를 간과하곤 합니다. 또한 이들은 장부상의 숫자에 거의 전적으로 집중하느라, 누가 회사를 운영하는지 또는 어디에 위치해 있는지와 같은 다른 중요한 세부 사항들을 놓치는 경향이 있습니다.

이탈리아 나폴리 파르테노페 대학교의 연구팀은 이 문제를 바라보는 새로운 방식을 개발했는데, 이는 기업을 정적인 사진이 아닌 살아있는 이야기처럼 다루는 방식입니다. 연구진은 단 하나의 경직된 공식에 의존하는 대신, 여러 유형의 정보를 동시에 읽을 수 있는 정교한 컴퓨터 시스템을 구축했습니다. 이 시스템은 '멀티 인풋 뉴럴 네트워크(multi-input neural-network)'라고 불리며, 세 가지 뚜렷한 데이터 흐름을 소화하도록 설계되었습니다: 회사의 수년간의 재무 이력, 리더십 및 경영 구조의 특성, 그리고 해당 기업이 운영되는 특정 지역의 경제 상황입니다. 이러한 서로 다른 실타래를 엮어냄으로써, 연구진은 기존의 방식들이 놓치는 패턴과 연결고리를 볼 수 있는 모델을 만들어냈습니다. 그들의 연구는 기업의 실패 위험을 진정으로 이해하려면 단순히 대차대조표뿐만 아니라, 그 기업의 과거 궤적, 현재의 리더십, 그리고 주변 환경을 보아야 한다는 점을 시사합니다.

연구진은 2013년부터 2022년까지의 방대한 이탈리아 중소기업 데이터셋을 사용하여 이 새로운 접근 방식을 테스트했습니다. 그들은 최소 3년 이상 운영된 기성 기업들에 집중했으며, 재무 기록이 너무 짧거나 경영 구조가 너무 단순하여 이러한 유형의 분석에 필요한 상세한 이력을 제공하기 어려운 아주 작은 영세 기업들은 제외했습니다. 연구팀은 매년 발생하는 이익, 부채, 자산을 포함하여 수천 개의 기업에 대한 정보를 수집했을 뿐만 아니라, 이사회 구성원의 연령, 성별, 경력과 같은 세부 정보도 수집했습니다. 또한 각 기업이 기반을 둔 특정 지역을 기록했는데, 이는 지역 경제 상황이 기업의 성공에 영향을 미칠 수 있음을 인식했기 때문입니다.

이 다양한 정보를 처리하기 위해 연구진은 중앙 의사 결정 장치로 이어지는 세 개의 특화된 경로, 즉 '서브 네트워크(sub-networks)'를 가진 디지털 아키텍처를 구축했습니다. 첫 번째 경로는 매년 변하는 재무 데이터를 처리하도록 설계되었습니다. 이 부분은 단순히 최근 연도의 숫자만을 보는 대신, '장단기 메모리(Long Short-Term Memory)'라고 알려진 인공지능 기술을 사용합니다. 이 기술은 순서를 기억하는 데 탁로하며, 환자의 체온을 단 하루만 측정하는 것이 아니라 10년 치 건강 기록을 살펴보는 의사처럼, 기업의 수년간의 재무 이력을 살펴봄으로써 그 추세를 이해합니다. 두 번째 경로는 경영진에 관한 거버넌스 데이터를 처리합니다. 리더십 팀은 재무 수치만큼 자주 바뀌지 않기 때문에, 이 부분은 해당 정보를 회사의 구조에 대한 안정적인 사실 집합으로 취급합니다. 세 번째 경로는 지역 데이터를 처리하며, 지역명을 수치 코드로 변환하여 시스템이 서로 다른 지리적 영역이 비즈니스 위험에 어떻게 영향을 미치는지 학습할 수 있도록 합니다.

이 세 가지 정보의 흐름이 처리되면, 이들은 하나의 통합된 기업 모습으로 결합됩니다. 이렇게 결합된 뷰는 최종 레이어로 전달되어 해당 기업이 내년에 디폴트할 확률을 계산합니다. 연구진은 이 새로운 멀티 인풋 시스템을 업계에서 흔히 사용되는 세 가지 다른 방법, 즉 로지스틱 회귀(logistic regression)라고 불리는 전통적인 통계 모델, XGBoost라고 불리는 강력한 머신러닝 도구, 그리고 시간적 순서를 고려하지 않는 표준 딥러닝 모델과 비교했습니다. 그들은 전년도에 가용한 데이터를 바탕으로 어떤 기업이 2021년과 2022년에 실패할지를 예측하도록 모델들을 테스트했습니다.

결과는 새로운 멀티 인풋 접근 방식이 가장 정확한 예측 도구임을 보여주었습니다. 모델이 생존할 기업과 실패할 기업을 얼마나 잘 구별하는지 테스트하는 실험에서, 이 새로운 시스템은 지속적으로 다른 모델들을 능가했습니다. 이 시스템은 생존할 기업과 실패할 기업을 모두 올바르게 식별하는 데 있어 가장 높은 점수를 기록하며 다른 모델들보다 더 나은 균형을 달了一습니다. 전통적인 통계 모델과 표준 머신러닝 도구들은 더 많은 오류를 범한 반면, 새 시스템은 새로운 데이터에 적응하고, 모델이 과거 데이터를 너무 완벽하게 암기하여 미래를 예측하지 못하는 현상인 '오버피팅(과적합)'의 함정을 피하는 데 탁월한 능력을 보여주었습니다.

단순히 누가 실패할지를 예측하는 것을 넘어, 연구진은 자신들의 모델이 왜 그러한 결정을 내렸는지 이해하고자 했습니다. 딥러닝 시스템은 내부 로직이 너무 복합적이어서 인간이 결론에 도달한 과정을 쉽게 설명할 수 없다는 의미에서 종종 '블랙박스'라고 비판받습니다. 이를 해결하기 위해 연구팀은 각 정보가 최종 예측에 얼마나 기여했는지를 측정하는 공정성 계산기 역할을 하는 '샤플리 값(Shapley values)' 기법을 사용했습니다. 그들은 재무 및 경제 지표가 예상대로 예측의 가장 강력한 동인임을 발견했습니다. 그러나 분석 결과, 기업의 거버나스 특성과 지리적 위치 또한 중요하고 무시할 수 없는 역할을 한다는 점이 밝혀졌습니다. 재무 데이터가 가장 큰 비중을 차지했지만, 모델은 경영진이나 지역 경제 맥락을 무시하는 것이 예측의 정확도를 떨어뜨릴 수 있음을 보여주었습니다. 예를 들어, 지역 데이터는 최종 결정에 20% 미만으로 기여했지만, 그 작은 양조차 전체적인 정확도를 높이는 데 의미 있는 수준이었습니다.

이 연구는 단일한 관점으로 비즈니스를 바라보는 것만으로는 정확한 리스크 평가에 더 이상 충분하지 않음을 확인시켜 줍니다. 재무 이력, 리더십 세부 사항, 그리고 지역적 맥락을 하나의 유연한 시스템으로 통합함으로써, 연구진은 기업의 건강 상태에 대해 더 완전하고 신뢰할 수 있는 뷰를 제공하는 도구를 만들어냈습니다. 그들의 연구는 비즈니스 실패를 예측하는 미래가 정보의 각 조각이 시간에 따라 어떻게 진화하는지를 존중하면서, 서로 다른 유형의 데이터를 동시에 처리할 수 있는 모델에 달려 있음을 시사합니다. 이 모델은 이탈리아 기업들을 대상으로 테스트되었지만, 이 접근 방식은 전 세계의 대출 기관과 분석가들이 자신들이 지원하는 기업들의 복잡한 현실을 더 잘 이해할 수 있는 청사진을 제공합니다. 이 결과가 실패의 위험 자체를 없애주는 것은 아니지만, 그 위험을 헤쳐 나가기 위한 더 명확하고 미묘한 지도를 제공합니다.