Earticle

초록

한국어

기업 부실 예측 모델은 부도와 같은 사후적 사건에 집중하여, 그 전 단계의 중요한 위험 신호인 비적정 감사의견을 예측하는 데 한계가 있었습니다. 기업 간 상호작용으로 전파되는 네트워크 리스크를 포착하지 못하는 한계가 있었다. 본 연구는 이러한 한계를 극복하고자 그래프 신경망(GNN)을 활용하여 기업의 구조적 연결성을 반영한 비적정 감사의견 예측 모델을 제안한다. 금융감독원 DART 공시 데이터를 기반으로 2,057개 상장기업의 5년간 재무 정보와 감사의견을 수집하고, 기업 간 출자 관계와 감사인 공유 관계를 통합하여 약 45만 건의 엣지로 구성된 이중 관계 네트워크(Dual-edge Network)를 구축하였다. 기업의 잠재적 부실 징후는 외부감사인의 비적정 감사의견을 기준으로 정의하였으며, GCN, GraphSAGE, GATv2 등 다양한 GNN 모델을 적용하여 로지스틱 회귀 및 XGBoost와 같은 전통적 모델과 성능을 비교 평가하였다. 실험 결과, 하이퍼파라미터 튜닝을 거친 GraphSAGE 모델이 비적정 감사의견 기업(소수 클래스) 탐지 성능에서 F1-Score 0.551과 ROC-AUC 0.936을 기록하며 종합적으로 가장 안정적인 예측력을 보였다. 이는 기업 네트워크 내 위험 신호를 효과적으로 일반화하여 학습하는 능력의 중요성을 입증한다. GNNExplainer를 통한 분석은 모델 예측의 해석 가능성을 제시했으며, 본 연구 결과는 금융기관, 투자자, 감사인이 기업의 감사 리스크(Audit Risk)를 사전에 식별하는 조기 경보 시스템으로 활용되어 실무적으로 기여할 수 있다. 향후 시계열 데이터를 반영한 동적 그래프 모델링 및 공급망 등 다양한 관계를 통합하는 연구로 확장될 수 있을 것이다.

영어

Traditional models for predicting corporate failure or audit risk have relied heavily on the financial indicators of individual firms, failing to capture network risks that propagate through inter-firm interactions. To address this limitation, this study proposes an audit risk prediction model that incorporates structural connectivity among companies using Graph Neural Networks (GNNs). Based on public disclosure data from the Financial Supervisory Service’s DART system, we collected five years of financial information and audit opinions for 2,057 listed companies. By integrating equity investment relationships and shared auditor connections, we constructed a dual-edge network consisting of approximately 450,000 edges. Audit risk was defined according to external audit opinions, and various GNN models—including GCN, GraphSAGE, and GATv2—were evaluated and compared with traditional models such as logistic regression and XGBoost. Experimental results show that the hyperparameter-tuned GraphSAGE model achieved the most stable and comprehensive predictive performance in detecting at-risk firms (minority class), with an F1-Score of 0.551 and an ROC-AUC of 0.936. This highlights the importance of effectively learning and generalizing risk signals embedded within corporate networks. Moreover, analysis using GNNExplainer provided interpretability into the model’s predictions. The findings of this study offer practical implications for improving audit risk management systems and advancing network-based risk management in financial institutions. Future research can be extended to dynamic graph modeling by incorporating time-series data and integrating additional relational dimensions such as supply chain links.

목차

요약
Ⅰ. 서론
1.1 연구의 배경
1.2 연구 목적 및 필요성
Ⅱ. 이론적 배경 및 선행연구
2.1 전통적 신용위험 모형의 한계와 네트워크 패러다임
2.2 금융 네트워크를 활용한 부실 예측 및 감사의견 연구 동향
Ⅲ. 데이터 수집 및 전처리
3.1 데이터 수집 및 구성
3.2 그래프 데이터 구성
3.3 그래프 신경망(GNN)의 주요 아키텍처
3.4 사용 모델 및 비교 모델
3.5 사용된 변수 정의 및 기술 통계
3.6 모델 입력을 위한 데이터 구조
Ⅳ. 실험 설계 및 결과
4.1 실험환경
4.2 데이터셋 구성 및 전처리
4.3 평가지표
4.4 실험 결과 및 분석
4.5 모델 예측의 해석 가능성 분석(XAI)
Ⅴ. 결론 및 시사점
5.1 연구요약
5.2 연구의 시사점
5.3 연구의 한계 및 향후 과제
참고문헌
Abstract

저자

• 강지형 [ Ji Hyung Kang | 서울과학종합대학원대학교 AI전문대학원 AI빅데이터 석사과정 ]
• 오태연 [ Taeyeon Oh | 서울과학종합대학원대학교 AI전문대학원 조교수 ] 교신저자

참고문헌