머신러닝을 활용한 해운기업 파산 예측에 관한 연구

• 영문명: Bankruptcy Prediction in the Shipping Industry Based on Machine Learning Models
• 발행기관: 한국국제상학회
• 저자명: 권민수(Min-Su Kwon) 정대환(Dae-Hwan Jeong)
• 간행물 정보: 『국제상학』第39卷 第3號, 133~152쪽, 전체 20쪽
• 주제분류: 경제경영 > 무역학
• 파일형태: PDF
• 발행일자: 2024.09.30

국문 초록

본 연구에서는 해운 산업에서 파산 예측의 정확성을 높이기 위해 XGBoost와 LSTM과 같은 머신러닝모델을 개발하고 적용하는 것을 목표로 한다. 특히 대기업과 중소기업(SME) 간의 파산위험 요인을 분석하여, 산업의 복잡한 금융 및 거시경제 변수를 효과적으로 반영하지 못하는 기존 금융 모델의 한계를 보완하고자 한다. 본 연구는 2001년부터 2023년까지의 한국 해운 산업 데이터를 활용하며, 주요 재무 비율과 거시경제 지표를 포함한다. XGBoost와 LSTM을 포함한 고급 기계학습 기법을 적용하여 기존 연구방법인 판별분석과 로지스틱 회귀분석간 예측 정확성을 비교하고, 대기업과 중소기업 간 맞춤형 모델을 개발하는 데 중점을 두었다. 연구 결과, XGBoost 모델이 다른 모델들보다 파산 예측에서 우수한 성과를 보였으며, 해운 산업의 복잡한 금융 및 거시경제 변수를 효과적으로 처리하였다. 대기업은 내부 재무 건전성, 특히 자산 관리 효율성과 부채비율에 더 큰 영향을 받는 반면, 중소기업은 외부 경제 요인, 특히 금리 변동성과 글로벌 경제 상황에 더 민감한 것으로 나타났다. 대기업의 경우 거시경제 지표와 내부 재무 관리에 중점을 둔 전략이 중요하며, 중소기업은 외부 경제 요인에 대한 대응력 강화와 운영 효율성 개선이 필요하다. 이러한 맞춤형 접근은 해운 산업에서의 위험 관리와 전략적 의사결정에 기여하고자 한다.

영문 초록

Purpose: This study aims to enhance bankruptcy prediction accuracy in the shipping industry by using advanced machine learning models, specifically XGBoost and LSTM, comparing the predictive factors between large enterprises and SMEs. Research design, data, and methodology: Utilizing financial data from 2001 to 2023 for the Korean shipping industry, the study analyzes key financial ratios and macroeconomic indicators. XGBoost and LSTM models are employed to develop customized bankruptcy prediction models for large enterprises and SMEs. Results: The XGBoost model outperforms others, effectively handling complex financial and macroeconomic variables. Large enterprises are more influenced by internal financial factors, while SMEs are sensitive to external economic conditions like a shipping index. Conclusions: The study highlights the need for tailored prediction models to improve bankruptcy risk management in the shipping industry, especially focusing on the size of the company. Future research should explore model applicability across different regions, and should consider integrating real-time data for enhanced accuracy.

목차

Ⅰ. 서론

Ⅱ. 이론적 배경

Ⅲ. 연구모형 및 방법론

Ⅳ. 실증분석

Ⅴ. 결론

참고문헌

키워드

머신러닝 위험관리 파산예측 해운산업 Bankruptcy Prediction Machine Learning Risk Management Shipping Industry