The Role of Banks and Their Relationships in Corporate Default Predictions : 기업 부도 예측에서의 은행 역할과 관계 네트워크의 영향

국문 초록 (Abstract)

부도 예측 모형에서 금융기관의 정책, 경쟁 관계 그리고 관계 간 정보의 비대칭 문제 등이 부도 의사결정에 큰 영향을 미친다. 이러한 연구가 최근 컴퓨터 처리속도와 인공지능, 그리고 기계학습 기법을 동원한 연구를 가능하게 하였지만, 대부분의 연구가 기존 연구 내용은 대부분 재무비율 등을 다양한 형태로 반영하거나 새로운 기업을 적용하여 방법론의 개선이 있었으나 부도 의사결정에 본질적인 내생성과 외부요인에 대한 고민이 없어서 반복적인 내용에 기계학습 기법만 적용하는 수준에 머무르고 있다.
이를 위해 본 연구는 세 가지 상호보완적 접근법을 제시하였다. 첫째, 수정 KMV 모형(revised KMV model) 을 구축하여 이론적 부도결정 기준치(default point threshold, DPT)를 실제 기업별 자료를 이용해 탄력적으로 조정하여 실시간 부도확률을 산출함으로써, 은행 등의 실제 의사결정 기준을 모형에 적용하는 시도를 하였다. 분석 결과, 주가 기반 시장 신호는 회계지표를 넘어서는 선행적 예측력을 가지며, 수정된 DPT는 고정 임계값보다 부도 위험을 더 정확히 예측하였다.
둘째, 회귀기반 및 설명가능한 머신러닝(interpretable statistical learning) 방법을 적용하여 기업의 재무변수, 대출금액, 보증 관련 표현 빈도, 그리고 기업–은행 네트워크의 신용중심도 등을 통합 분석하였다. 그 결과, 신용중심도가 높은 기업일수록 부도위험이 오히려 증가한다는 관계가 확인되었다. 이러한 결과는 2016년 이후 중국 금융시장에서 ‘Too-connected-to-fail’ 구조가 약화되었음을 시사한다.
셋째, 다중모달(multimodal) 프레임워크를 제안하였다. Graph Neural Network(GNN)을 이용하여 기업–은행 대출 네트워크로부터 구조임베딩을 추출하고, RoBERTa 기반 텍스트임베딩을 통해 대출공시문서의 의미정보를 포착하였다. 구조임베딩과 텍스트임베딩을 결합한 모형은 기존 통계모형과 단일모달 학습모형 대비 유의한 예측정확도 향상을 보였다.
이상의 결과는 세 가지 접근법이 각각 단기예측의 정밀성(KMV), 해석가능성과 설명력(Interpretable ML), 다중모달(multimodal) 프레임워크(GNN–RoBERTa) 측면에서 상호보완적임을 보여준다. 본 연구는 구조모형, 통계학습, 딥러닝을 통합한 분석체계를 통해 이론적 일관성, 해석가능성, 예측정확성 간의 균형적 프레임워크를 제시하였다.
정책적 관점에서 본 연구는 2015년 이후 중국의 공급측 구조개혁과 디레버리징(deleveraging) 정책으로 대표되는 금융개혁 환경 속에서, 기업 부도위험 예측과 관련된 몇 가지 중요한 시사점을 제시한다. 우선, 시장기반 리스크 모니터링 체계의 강화가 필요하다. 정부의 암묵적 보증이 약화되고 금융감독이 엄격해진 이후, 시장신호를 통한 조기경보의 중요성이 한층 커졌다. 본 연구에서 활용된 KMV 모형의 Distance to Default(DD)는 재무제표 정보에 선행하여 기업의 부실 가능성을 탐지할 수 있는 유의한 지표로 확인되었으며, 이는 감독당국이 시장자료 기반의 리스크 지표를 조기경보체계에 적극 도입해야 함을 시사한다.
또한, 기업–은행 네트워크 구조의 집중도와 상호보증관계는 시스템 리스크의 주요 경로로 작용한다. 중국의 금융시장은 여전히 관계금융(relationship lending)을 중심으로 형성되어 있으며, 특히 지방은행과 지역기업 간의 밀접한 신용관계는 지역 내 부도위험의 확산을 촉진할 수 있다. 본 연구 결과, 신용중심도가 높은 기업일수록 부도위험이 낮지 않고 오히려 높아지는 경향이 나타났다. 이는 “Too-connected-to-fail” 메커니즘이 점차 약화되고 있음을 보여주며, 감독당국은 특정 지역이나 산업의 대출집중도와 상호보증구조를 정기적으로 모니터링할 필요가 있다. 대출 다변화(diversification)와 보증정보의 투명성 확보는 신용위험의 전이효과를 완화하는 핵심 수단이 될 것이다.
마지막으로, 대출공시문서의 텍스트 정보는 새로운 형태의 신용위험 신호로서 감독정책에 활용될 수 있다. 본 연구의 RoBERTa 기반 텍스트 분석 결과, 대출공시문서에 포함된 ‘보증’, ‘상환’, ‘연장’ 등의 언어적 표현이 실제 신용위험과 밀접하게 연관되어 있음이 확인되었다. 이는 비정형 텍스트 데이터가 전통적 재무지표를 보완할 수 있는 중요한 정보원임을 시사한다. 따라서 금융기관은 대출계약 및 공시문서의 표준화된 보고체계를 마련하고, 감독기관은 자연어처리(NLP) 기술을 활용한 데이터 기반 실시간 리스크 모니터링 시스템을 구축함으로써 보다 정교한 금융감독을 실현할 수 있을 것이다.
종합하면, 본 연구는 중국이 정책주도형 신용배분 체계에서 시장기반 위험관리 체계로 이행하는 과도기에 놓여 있음을 보여준다. 기업–은행 네트워크와 비정형 텍스트 데이터를 함께 활용하는 접근법은 이러한 제도적 변화 속에서 부도위험을 보다 정밀하게 측정하고, 금융안정성을 제고하기 위한 실증적 근거를 제공한다.

목차 (Table of Contents)

• I. Introduction 1
• II. Market and Loan Relationship-based Default Prediction 4
• 2.1 Introduction 4
• 2.2 Literature Review 6
• 2.2.1 Corporate Default Prediction 6
• 2.2.2 The Merton Model and KMV Model 7
• 2.3 Model and Empirical Analysis 9
• 2.3.1 Introduction to the KMV Model 9
• 2.3.2 KMV Model Parameter Selection 11
• 2.3.3 Revised KMV Model Parameter Selection 13
• 2.4 Empirical Analysis 14
• 2.4.1 Definition of Variables 14
• 2.4.2 Sample Selection and Research Model Specification 15
• 2.4.3 Empirical Analysis 16
• 2.5 Conclusion 23
• III. Firm-bank Relationship-based Default Prediction: Using An Explainable Machine Learning Approach 25
• 3.1 Introduction 25
• 3.2 Literature Review 28
• 3.2.1 Credit Relationship Network and Corporate Default Risk 28
• 3.2.2 Financial Institutions and Corporate Default Risk 30
• 3.2.3 Intrinsically Interpretable Models 31
• 3.2.4 Black-box Models and Post-hoc Explanation Methods 32
• 3.3 Research Hypotheses and Methods 33
• 3.3.1 Research Hypotheses 33
• 3.3.2 Empirical Model 35
• 3.3.3 Explanation Methods 39
• 3.4 Empirical result 42
• 3.4.1 Data Description 42
• 3.4.2 Experimental result 45
• 3.5 Conclusion 63
• IV. Firm-bank Relationship-based Default Prediction: Using A Multimodal Machine Learning Approach 65
• 4.1 Introduction 65
• 4.2 Literature Review 67
• 4.2.1 Graph Neural Networks Methods 67
• 4.2.2 Natural Language Processing 68
• 4.3 Research Methodology 70
• 4.3.1 Embedding via Graph Neural Network Framework 70
• 4.3.2 Sentence Embedding via Chinese RoBERTa-wwm-ext 73
• 4.4 Empirical Analysis 76
• 4.4.1 Data Description 76
• 4.4.2 Empirical Analysis 77
• 4.5 Conclusion 83
• V. Conclusions 85
• Reference 89