Corporate Bankruptcy Prediction Model using Explainable AI-based Feature Selection

Gundoo Moon; Kyoung-jae Kim

추천

검색

질문

자료유형: 학술저널

저자정보: Gundoo Moon (KCA) Kyoung-jae Kim (Dongguk University)

저널정보: 한국지능정보시스템학회 지능정보연구 지능정보연구 제29권 제2호

발행연도: 2023.6

수록면: 241 - 265 (25page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

기업의 부실 예측 모델은 기업의 재무 상태를 객관적으로 모니터링하는 데 필수적인 도구 역할을 한다. 적시에 경고하고 대응 조치를 용이하게 하며 파산 위험을 완화하고 성과를 개선하기 위한 효과적인 관리 전략을 수립할 수 있도록 지원한다. 투자자와 금융 기관은 금융 손실을 최소화하기 위해 부실 예측 모델을 이용한다. 기업 부실 예측을 위한 인공지능(AI) 기술 활용에 대한 관심이 높아지면서 이 분야에 대한 광범위한 연구가 진행되고 있다. 해석 가능성과 신뢰성이 강조되며 기업 부실 예측에서 설명 가능한 AI 모델에 대한 수요가 증가하고 있다. 널리 채택된 SHAP(SHapley Additive exPlanations) 기법은 유망한 성능을 보여주었으나 변수 수에 따른 계산 비용, 처리 시간, 확장성 문제 등의 한계가 있다. 이 연구는 전체 데이터 세트를 사용하는 대신 부트스트랩 된 데이터 하위 집합에서 SHAP 값을 평균화하여 변수 수를 줄이는 새로운 변수 선택 접근법을 소개한다. 이 기술은 뛰어난 예측 성능을 유지하면서 계산 효율을 향상시키는 것을 목표로 한다. 해석 가능성이 높은 선택된 변수를 사용하여 랜덤 포레스트, XGBoost 및 C5.0 모델을 훈련하여 분류 결과를 얻고자 한다. 분류 결과는 고성능 모델 설계를 목표로 soft voting을 통해 생성된 앙상블 모델의 분류 정확성과 비교한다. 이 연구는 1,698개 한국 경공업 기업의 데이터를 활용하고 부트스트래핑을 사용하여 고유한 데이터 그룹을 생성한다. 로지스틱 회귀 분석은 각 데이터 그룹의 SHAP 값을 계산하는 데 사용되며, SHAP 값 평균은 최종 SHAP 값을 도출하기 위해 계산된다. 제안된 모델은 해석 가능성을 향상시키고 우수한 예측 성능을 달성하는 것을 목표로 한다.

A corporate insolvency prediction model serves as a vital tool for objectively monitoring the financial condition of companies. It enables timely warnings, facilitates responsive actions, and supports the formulation of effective management strategies to mitigate bankruptcy risks and enhance performance. Investors and financial institutions utilize default prediction models to minimize financial losses. As the interest in utilizing artificial intelligence (AI) technology for corporate insolvency prediction grows, extensive research has been conducted in this domain. However, there is an increasing demand for explainable AI models in corporate insolvency prediction, emphasizing interpretability and reliability. The SHAP (SHapley Additive exPlanations) technique has gained significant popularity and has demonstrated strong performance in various applications. Nonetheless, it has limitations such as computational cost, processing time, and scalability concerns based on the number of variables. This study introduces a novel approach to variable selection that reduces the number of variables by averaging SHAP values from bootstrapped data subsets instead of using the entire dataset. This technique aims to improve computational efficiency while maintaining excellent predictive performance. To obtain classification results, we aim to train random forest, XGBoost, and C5.0 models using carefully selected variables with high interpretability. The classification accuracy of the ensemble model, generated through soft voting as the goal of high-performance model design, is compared with the individual models. The study leverages data from 1,698 Korean light industrial companies and employs bootstrapping to create distinct data groups. Logistic Regression is employed to calculate SHAP values for each data group, and their averages are computed to derive the final SHAP values. The proposed model enhances interpretability and aims to achieve superior predictive performance.

#Explainable AI #Corporate Bankruptcy Prediction #SHAP #Random Forest #XGBoost #설명가능 인공지능 #기업부실예측

참고문헌 (61)

참고문헌 신청

Adadi, A. and M. Berrada, “Peeking inside the black-box: a survey on explainable artificial intelligence (XAI).”, IEEE access, 6 (2018), 52138~52160.

Ahn, Y. A. and H. J. Cho, “A Study on XAI-based Clinical Decision Support System”, Journal of the Korea Contents Association, Vol.21, No.12(2021), 13~22.

Bastani, O., C. Kim, and H. Bastani., “Interpreting blackbox models via model extraction.” arXiv preprint arXiv:1705.08504 (2017).

Bemš, J., O. Starý, M. Macaš, J. Žegklitz and P. Pošík, P, “Innovative default prediction approach.”, Expert Systems with Applications, 42.17-18 (2015): 6277~6285.

Brenes, R. F., A. Johannssen, and N. Chukhrova, “An intelligent bankruptcy prediction model using a multilayer perceptron.”, Intelligent Systems with Applications, (2022), 200136.

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

문건두

소속기관 동국대학교

주요연구분야 사회과학 > 경영학 공학 > 산업공학

논문수 5 이용수 460

Kyoung-jae Kim

소속기관 동국대학교

주요연구분야 공학 > 산업공학 TOP 5% 공학 > 컴퓨터학

논문수 69 이용수 11,158

이 논문과 함께 이용한 논문

韓國의 獨寡占企業의 集中度 및 利潤率

姜泰景啓明大學校ㆍ桃山學院大學國際學術세미나 1988 .12

빅테크 기업의 ESG 경영이 브랜드이미지, 신뢰 및 이용의도에 미치는 영향에 관한 연구: 대화형 인공지능(LLMs A.I) 사용자를 대상으로

김지훈 대한경영학회지 2023 .12

AI 챗봇 광고에 대한 이용자 반응에 미치는 영향 요인 탐구 : AI 챗봇의 유형, 프로필 이미지, 광고 메시지 초점을 중심으로

최정현 , 김지호 한국광고홍보학보 2023 .10

사회공학기법과 AI를 활용한 산업보안컨설팅 프레임워크

이지원 , 이승빈 , 민상원 외 1명 한국정보통신학회 종합학술대회 논문집 2023 .10

포장용 패키지 제품 생산에 R-CNN, 생성형 AI 적용 분석

김효영 , 박대우 한국정보통신학회 종합학술대회 논문집 2023 .10

최근 본 자료

전체보기

UCI(KEPA) : I410-ECN-0102-2023-003-001752264

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (61)

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)