머신러닝 기반 기업 신용평가 알고리즘 공정성 실증 연구

Abstract

머신러닝 모델은 기업 신용평가 시스템에서 자동화된 리스크 평가와 의사결정 지원을 위해 널리 활용되고 있다. 그러나 기업 집단 간 데이터 분포와 특성 구조의 차이로 인해 그룹 수준의 예측 편향이 발생하면 시스템의 일관성과 신뢰성이 저해될 수 있다. 본 연구는 기업 유형을 민감 속성으로 설정하고, 실제 기업 데이터를 활용하여 머신러닝 기반 기업 신용평가 모델의 알고리즘 공정성(fairness)을 실증적으로 평가하였다. 스태킹 앙상블 기반 프레임워크 기반에서 전처리(pre-processing), 중처리(in-processing), 후처리(post-processing)의 세 가지 공정성 개입 방법을 적용하고 그 효과를 비교하였다. 실험에서는 예측 성능 지표로 ROC 곡선 아래 면적(AUC)을 사용하고, 그룹 수준 평가를 위해 인구통계학적 패리티, 기회균등, 균형된 기회 등 다양한 공정성 지표를 측정하였다. 분석 결과, 공정성 개선과 예측 성능 손실 사이에 상충관계(trade-off)가 존재하는 것으로 나타났다. 후처리 방법은 공정성을 크게 향상시켰으나 AUC는 다소 감소하였고, 중처리 방법은 비교적 작은 성능 저하로 공정성 향상을 달성하여 성능 안정성과 공정성 제약 간의 균형점을 제공하였다. 이러한 연구 결과는 실제 기업 신용평가 시스템에서 공정성 제약 적용 여부와 적절한 기법 선택에 대한 실무적 시사점을 제공한다.

Machine learning models are widely utilized in corporate credit scoring systems for automated risk assessment and decision support. However, group-level prediction bias arising from differences in data distribution and feature structures between corporate groups can undermine the consistency and reliability of these systems. This study empirically evaluates the algorithmic fairness of machine learning-based corporate credit scoring models using real-world corporate data, setting corporate type as a sensitive attribute. Under a stacking ensemble framework, we applied and compared the effects of three fairness intervention methods: pre-processing, in-processing, and post-processing. In the experiment, the Area Under the Receiver Operating Characteristic curve (AUC) was used as a metric for prediction performance, and various fairness metrics, such as Demographic Parity, Equal Opportunity, and Equalized Odds, were measured for group-level assessment. The analysis revealed a trade-off between fairness improvement and prediction performance loss. Post-processing methods significantly improved fairness but resulted in a decrease in AUC, whereas in-processing methods achieved fairness improvement with relatively minor performance degradation, offering a balance point between performance stability and fairness constraints. These findings provide practical implications for the application of fairness constraints and the selection of appropriate techniques in actual corporate credit scoring systems.