머신러닝을 활용한 비재무 정보의 신용위험 예측 분석 - ESG 성과, 애널리스트 커버리지, 탄소배출 정보를 중심으로

Abstract

비재무 정보와 신용위험의 관계를 다룬 기존 연구는 신용평가 등급 공표가 일부 기업을 위주로 이루어짐에 따라그 영향에 대한 식별이 어려웠다. 본 연구는 기존의 신용등급을 머신러닝 모형을 통해 학습한 후, 조절 변수로 활용하여 통제한 후 다양한 비재무 정보와 부도거리로 측정된 신용위험의 관계를 분석하였다. 본 연구의 분석 결과는 다음과 같다. 첫째, 본 연구는 비자발적 상장 폐지 기업을 표본으로 기업의 ‘부실 확률’을 활용하여 분석하였으며, 그결과 학습된 머신러닝 모형이 이들 기업의 부실 패턴을 잘 설명함을 확인하여 측도의 정확성을 검토하였다. 둘째, 머신러닝 학습 데이터를 통제하여 분석한 결과 비재무 정보 중 ESG 성과의 지배구조(G) 성과가 기업의 부도 확률을 줄여주는 효과가 있는 것을 강건하게 확인하였다. 반면, 사회(S), 애널리스트 커버리지, 탄소배출 정보는 부도거리와 관계가 크게 유의하지 않았다. 본 연구의 주요 공헌점은 다음과 같다. 첫째, 본 연구는 머신러닝 모형을 바탕으로채권 발행기업 위주로 한정적으로 제공되던 신용평가 관련 분석을 다양한 표본 기업에 대해 확장할 수 있는 프레임워크를 제시하였다. 둘째, 본 연구는 기존 신용평가 영역의 재무 정보 외에도 지배구조(G) 등 일부 ESG 정보가 신용등급 평가에 고려될 만한 것으로 확인하였다. 셋째, 과거 분석이 부족하던 비자발적 상장폐지 기업과 재무 성과의관계를 연결해 신용위험 관점에서 분석 가능한 프레임워크를 제공하였다.

Previous research has inadequately explained the relationship between non-financial information and credit risk due to the selective assignment of credit ratings to firms. This study addresses this limitation by employing machine learning techniques trained on firms’ past credit ratings and using the resulting variable as a control to analyze the relationship between non-financial factors and credit risk, measured by the distance to default (DD). The key findings of this study are as follows. First, using a sample of involuntarily delisted firms, we confirm that our trained machine learning model effectively captures default patterns. Second, we find that governance (G) among ESG factors significantly reduces default probability. In contrast, social (S) factor, analyst coverage, and carbon emissions do not show a significant relationship with DD. This study makes several contributions. First, by employing a machine learning framework, our research extends beyond the traditional focus on bond-issuing firms. Second, we highlight that specific ESG factors, particularly governance (G), should be incorporated into credit rating assessments along with traditional financial indicators. Third, our research provides an analytical framework for examining the relationship between involuntarily delisted firms and their financial performance.