Earticle

초록

영어

[Purpose] This study uses Explainable AI (XAI) to enhance corporate financial distress (delisting) prediction accuracy while overcoming the limitations of traditional linear models (Altman Z-Score) and machine learning's "black-box" nature. Unlike prior single-model studies, it identifies heterogeneous, non-linear distress pathways across firm sizes and industries, ensuring robustness through expanded model comparisons and bias-corrected validation. [Methodology] Using Propensity Score Matching (PSM, 1:3), firms delisted from the Korean capital market (KOSPI/KOSDAQ) were matched with financially healthy firms, yielding a final sample of 461 firm-year observations. Independent variables comprise Altman's five financial ratios—liquidity (), cumulative profitability (), operating profitability (), market-value-based financial structure (), and asset turnover ()—with firm size and industry as moderating variables. Dynamic analyses were conducted one to three years prior to delisting (T-1 to T-3), comparing the Z-Score logistic regression (baseline) against Random Forest, XGBoost, LightGBM, and CatBoost, with hyperparameters tuned via Bayesian Optimization and final performance estimated through Repeated Nested Cross-Validation. Interpretation used SHAP (variable contribution and dynamic transition) and Partial Dependence Plots (PDP; non-linear thresholds by firm size and industry), with PDP robustness verified through Accumulated Local Effects (ALE) analysis. [Findings] First, machine learning consistently outperformed the traditional baseline across all time horizons (T-1 ROC-AUC: CatBoost 0.901, RF 0.897, XGBoost 0.888 vs 0.844; T-3: CatBoost 0.789, RF 0.785, XGBoost 0.782), with DeLong tests and NRI confirming statistical significance. Second, SHAP showed cumulative profitability () as the dominant top predictor across all periods - its contribution surging from 10.67%p to 18.95%p near delisting - alongside rising importance of asset turnover () and market confidence (). Third, PDP analysis showed large firms exhibiting a "cliff effect," with distress risk rising sharply beyond a critical threshold, whereas small firms displayed a gentler "survival tolerance" sustained by external financing. Fourth, Hypothesis 3, anticipating heightened sensitivity to asset turnover in the wholesale/retail industry, was rejected; instead, a "fixed-cost cliff effect" driven by reverse operating leverage was identified in IT/electronics manufacturing, where fixed-cost burdens are relatively high. [Implications] Academically, this study bridges XAI and non-linear corporate distress pathways, integrating too-big-to-fail, critical transition, zombie firm survival, and operating leverage theories with empirical machine-learning trajectories. Practically, auditors and rating agencies must adopt customized early-warning systems: treating large-firm deterioration as a severe systemic risk signal, assessing small firms via external financing capacity rather than losses alone, and prioritizing asset turnover() threshold deviations in manufacturing credit evaluations.

한국어

[연구목적]설명가능한 인공지능(XAI)을 활용해 기업 부실(상장폐지) 예측의 정확도를 높이는 동시에, 전통적 선형 모형(Altman Z-Score)과 기계학습의 ‘블랙박스’ 한계를 함께 극복하는 데 목적이 있다. 특히 단일 모형으로 일반화하던 기존 연구와 달리, 기업 규모와 산업 특성에 따라 부실이 진행되는 경로가 어떻게 이질적·비선형적으로 달라지는지를 식별하고, 확장된 비교모형과 편향 제거 검증으로 결과의 강건성을 확보하고자 한다. [연구방법]한국 자본시장(KOSPI·KOSDAQ)에서 재무적 부실로 상장폐지된 기업과 정상기업을 성향점수매칭(PSM, 1:3)하여 최종 461개 기업-연도 관측치를 구성하였다. 독립변수는 Altman의 5개 재무비율(유동성 , 누적수익성 , 영업수익성 , 시장가치 기반 재무구조 , 활동성 ), 조절변수는 기업규모와 산업특성이다. 부실 1~3년 전(T-1~T-3) 시점별 동태 분석을 수행하고, 전통적 Z-Score 로지스틱 회귀(Baseline)와 Random Forest·XGBoost·LightGBM·CatBoost를 Bayesian Optimization과 Repeated Nested Cross- Validation으로 비교하였다. 해석은 SHAP(변수 기여도·동태적 전이)과 PDP(규모·산업별 비선형 임계치, ALE로 강건성 재확인)로 수행하였다. [연구결과]첫째, 모든 시점에서 기계학습이 전통 모형을 일관되게 상회하였다(T-1 ROC-AUC: RF 0.897· XGBoost 0.888·CatBoost 0.901로 최고 vs 로지스틱 0.844; 장기 T-3도 RF 0.785·XGBoost 0.782·CatBoost 0.789로 가장 안정적이며 DeLong test·NRI로 유의성을 확인). 둘째, SHAP 분석에서 전 기간 누적수익성()이 압도적 1순위 판별 지표였고, 부실이 임박할수록 영향력이 10.67%p→18.95%p로 폭증하며 활동성()·시장 신인도()의 중요도가 부상하였다. 셋째, PDP 분석 결과 대형기업은 임계점에서 위험이 수직 상승하는 ‘절벽 효과’, 소형기업은 외부 자금 조달로 연명하는 완만한 ‘생존 내성’을 보였다. 넷째, 유통업의 활동성 민감도를 예상한 가설 3은 기각되고, 오히려 고정비 비중이 높은 IT·전자 제조업에서 역(逆)영업레버리지에 의한 ‘고정비 절벽’이 확인되었다. [연구의 시사점]학술적으로는 블랙박스를 XAI로 극복하여 규모·산업별 이질적·비선형 부실 경로를 식별하고, 대마불사 가설과 임계전이 이론의 결합, 한계기업 연명 메커니즘, 영업레버리지 이론을 비선형 궤적과 융합하며 강건성 검증으로 뒷받침한 점이 핵심 기여다. 실무적으로는 외부감사인·신용평가가 일률적 잣대 대신 ‘맞춤형 조기경보시스템’으로 전환할 필요를 제시한다. 즉 대형기업의 훼손은 시스템적 퇴출 경보로 엄중히 보고, 소형기업은 적자 지속 자체보다 외부 자금 조달 역량을 결합해 평가하며, 제조업 신용심사에서는 활동성() 임계치 이탈을 최우선 모니터링 대상으로 삼아야 한다.

목차

<국문요약>
Ⅰ. 서론
Ⅱ. 이론적 배경 및 연구가설
2.1 전통적 도산 예측과 기계학습의 도입
2.2 대형기업의 부실 경로와 시스템적 붕괴 가설
2.3 소형기업의 만성 적자 및 생존 내성 가설
2.4 산업별 활동성 경로와 유통업 특화 가설
Ⅲ. 연구절차 및 연구방법론
3.1 표본 선정 및 데이터 구성
3.2 변수의 정의 및 조작적 정의
3.3 분석 방법론 및 기계학습 모형 설정
3.4 해석 가능성 확보(XAI: SHAP 및 PDP)
Ⅳ. 실증분석 결과
4.1 기술통계량, 상관관계 및 기준모형 예측력
4.2 기계학습 모형 도입을 통한 성능 향상
4.3 SHAP 분석: 핵심 도산 판별 지표의 동태적 추적
4.4 PDP 분석: 기업 특성별 이질적 도산 경로와 비선형적 임계치
4.5 비교모형 확대 및 통계적 강건성 검증
Ⅴ. 결론
5.1 연구 결과의 요약
5.2 학술적 및 실무적 시사점
5.3 연구의 한계점 및 향후 연구 방향
참고문헌

키워드

저자

• 백인규 [ Baek In-Kyoo | 석박사통합과정, 단국대학교, 데이터지식서비스공학과 ] 제1저자
• 김태형 [ Kim Tae-Hyung | 교수, 단국대학교, 데이터지식서비스공학과 ] 교신저자

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  경영과 정보연구 [Management Information Systems review]

• 간기

  계간

• pISSN

  1598-2459

• 수록기간

  1997~2026

• 등재여부

  KCI 등재

• 십진분류

  KDC 325 DDC 658