KR102249028B1 - 기업의 채무상환능력 평가시스템 - Google Patents

기업의 채무상환능력 평가시스템 Download PDF

Info

Publication number
KR102249028B1
KR102249028B1 KR1020190030818A KR20190030818A KR102249028B1 KR 102249028 B1 KR102249028 B1 KR 102249028B1 KR 1020190030818 A KR1020190030818 A KR 1020190030818A KR 20190030818 A KR20190030818 A KR 20190030818A KR 102249028 B1 KR102249028 B1 KR 102249028B1
Authority
KR
South Korea
Prior art keywords
debt repayment
company
financial data
evaluation
insolvency
Prior art date
Application number
KR1020190030818A
Other languages
English (en)
Other versions
KR20200111064A (ko
Inventor
김용표
조용식
안희진
권지민
홍민정
이정희
민의영
조현미
엄기철
최명신
이기세
김정호
Original Assignee
주식회사 포스코아이씨티
(주)이크레더블
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 포스코아이씨티, (주)이크레더블 filed Critical 주식회사 포스코아이씨티
Priority to KR1020190030818A priority Critical patent/KR102249028B1/ko
Publication of KR20200111064A publication Critical patent/KR20200111064A/ko
Application granted granted Critical
Publication of KR102249028B1 publication Critical patent/KR102249028B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof
    • G06Q40/025—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/12—Accounting

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Technology Law (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

타겟기업의 재무제표를 기초로 생성된 재무데이터뿐만 아니라 금융정보, 공공조달 정보 등을 포함하는 비재무데이터를 이용하여 채무상환능력을 평가할 수 있는 기업의 채무상환 능력 평가시스템은 타겟기업의 재무제표를 기초로 획득된 재무데이터 및 상기 재무데이터 외 비재무데이터를 획득하는 데이터 획득부; 평가시점부터 평가시점 이후인 미리 정해진 예측시점까지의 메인 예측기간을 복수개의 서브 예측기간으로 분할하고, 각 서브 예측기간에 대응되는 복수개의 채무상환능력 평가모델에 상기 재무데이터 및 상기 비재무데이터를 입력하여 상기 각 채무상환능력 평가모델 별로 상기 타겟기업의 채무상환능력 평가결과를 산출하는 제1 산출부; 및 상기 채무상환능력 평가모델 별로 산출된 채무상환능력 평가결과 중 적어도 하나의 평가결과를 이용하여 타겟기업의 최종 채무상환능력 평가결과를 산출하는 제2 산출부를 포함하는 것을 특징으로 한다.

Description

기업의 채무상환능력 평가시스템{System for Debt Repayment Capability Evaluation Of Corporation}
본 발명은 신용평가에 관한 것으로서, 보다 구체적으로 기업의 신용평가에 관한 것이다.
기업간 거래에 있어서 거래처 기업 또는 투자처 기업(이하, '기업'이라 함)의 연체나 채무 불이행 등으로 인한 피해를 방지하기 위해 사전에 해당 기업의 채무상환능력 평가가 요구된다.
따라서, 기업의 부도 가능성이나 신용도의 크기 등을 객관적으로 수치화하여 기업의 채무상환능력을 객관적으로 평가하기 위한 신용평가 시스템이 제안된 바 있다.
일반적인 신용평가 시스템은 재무제표를 기초로 생성된 재무데이터를 이용하여 해당 기업의 채무상환능력을 평가한다. 하지만, 신용평가 시스템은 재무제표가 작성되기 이전까지의 재무데이터만을 이용하여 평가할 수 있고, 재무제표가 작성된 시점 이후에 발생된 재무데이터는 평가에 반영할 수 없기 때문에 해당 기업에 대한 채무상환능력이 정확하게 평가될 수 없다는 문제점이 있다.
또한, 신용평가 시스템은 평가시점 당시의 채무상환능력을 평가하기 때문에, 평가시점 이후의 어느 시점에서 채무상환능력에 문제가 발생될 여지가 있더라도, 이를 알 수 없다는 문제점이 있다.
본 발명은 상술한 문제점을 해결하기 위한 것으로서, 타겟기업의 재무제표를 기초로 생성된 재무데이터뿐만 아니라 금융정보, 공공조달 정보 등을 포함하는 비재무데이터를 이용하여 채무상환능력을 평가할 수 있는 기업의 채무상환 능력 평가시스템을 제공하는 것을 그 기술적 과제로 한다.
또한, 본 발명은 미리 정해진 예측기간 별로 채무상환능력을 평가하는 복수개의 채무상환능력평가 모델을 이용하여 예측기간 별로 타겟기업의 연체, 부실, 및 부도 중 적어도 하나의 발생가능성을 산출할 수 있는 기업의 채무상환 능력 평가시스템을 제공하는 것을 그 기술적 과제로 한다.
또한, 본 발명은 각 채무상환능력평가 모델이 부도나 연체가 발생된 부실기업의 재무데이터, 비재무데이터, 및 파생데이터 중 각 예측기간과 대응되는 부실예정기간에 발생된 부실기업의 재무데이터, 비재무데이터, 및 파생데이터가 학습되는 기업의 채무상환 능력 평가시스템을 제공하는 것을 그 기술적 과제로 한다.
상술한 목적을 달성하기 위한 본 발명의 일 측면에 따른 기업의 채무상환 능력 평가시스템은 타겟기업의 재무제표를 기초로 획득된 재무데이터 및 상기 재무데이터 외 비재무데이터를 획득하는 데이터 획득부; 평가시점부터 평가시점 이후인 미리 정해진 예측시점까지의 메인 예측기간을 복수개의 서브 예측기간으로 분할하고, 각 서브 예측기간에 대응되는 복수개의 채무상환능력 평가모델에 상기 재무데이터 및 상기 비재무데이터를 입력하여 상기 각 채무상환능력 평가모델 별로 상기 타겟기업의 채무상환능력 평가결과를 산출하는 제1 산출부; 및 상기 채무상환능력 평가모델 별로 산출된 채무상환능력 평가결과 중 적어도 하나의 평가결과를 이용하여 타겟기업의 최종 채무상환능력 평가결과를 산출하는 제2 산출부를 포함하는 것을 특징으로 한다.
본 발명에 따르면 타겟기업의 재무데이터뿐만 아니라 비재무데이터를 이용하여 채무상환능력을 평가할 수 있어 재무제표가 작성된 이후 타겟기업에 변동사항이 발생되더라도 이를 반영할 수 있어, 채무상환능력을 정확하게 산출할 수 있다는 효과가 있다.
본 발명에 따르면, 미리 정해진 예측기간 별로 채무상환능력을 평가하는 복수개의 채무상환능력평가 모델을 이용하여 타겟기업의 연체, 부실, 및 부도 중 적어도 하나의 발생가능성을 예측기간 별로 산출할 수 있기 때문에, 평가시점 당시에 타겟기업의 채무상환능력뿐 만 아니라, 평가시점 이후 시점의 타겟기업의 채무상환능력을 평가할 수 있다는 효과가 있다.
또한, 본 발명에 따르면, 타겟기업의 연체, 부실, 및 부도 중 적어도 하나의 발생가능성을 예측기간 별로 산출할 수 있기 때문에, 복수개의 예측기간 중 어느 하나의 제1 예측기간에 채무상환능력이 비정상이나 다른 예측기간에 채무상환능력이 정상인 경우 제1 예측기간의 채무상환능력을 정상으로 판단하는 것을 방지할 수 있다는 효과가 있다.
본 발명에 따르면, 타겟기업의 연체, 부실, 및 부도 중 적어도 하나의 발생가능성을 미리 정해진 예측기간 별로 산출할 수 있기 때문에, 타겟기업이 연체 또는 부도 발생 전에 타겟기업에 대한 대응을 모색할 수 있는 기회를 얻을 수 있어 경제적 손실을 최소화할 수 있다는 효과가 있다.
또한, 본 발명에 따르면 각 채무상환능력평가 모델이 부도나 연체가 발생된 부실기업의 재무데이터, 비재무데이터, 및 파생데이터 중 각 예측기간과 대응되는 부실예정기간에 발생된 부실기업의 재무데이터, 비재무데이터, 및 파생데이터가 학습되기 때문에, 각 채무상환능력평가 모델이 서로 다른 부실예정기간에 발생된 부실기업의 재무데이터, 비재무데이터, 및 파생데이터를 학습됨으로써, 예측기간 별로 정확하게 채무상환능력을 평가할 수 있다는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 기업의 채무상환능력 평가 시스템의 구성을 개략적으로 보여주는 도면이다.
도 2는 본 발명의 일 실시예에 따른 채무상환능력 평가시스템(100)의 구성을 보여주는 도면이다
도 3a는 본 발명의 일 실시예에 따른 제1 산출부가 부실확률에 대한 등급을 산출하기 위해 확률분포를 이용하는 것을 보여주는 도면이다.
도 3b는 본 발명의 일 실시예에 따른 등급 별 구성비를 보여주는 도면이다.
도 4은 본 발명의 일 실시예에 따른 제2 산출부의 구성을 보여주는 도면이다.
도 5a는 테이블 생성부가 생성하는 테이블의 일예를 보여주는 도면이다.
도 5b는 채무상환능력 레벨에 대한 일예를 보여주는 도면이다.
도 6은 본 발명의 일 실시예에 따른 모델링부가 채무상환능력 평가모델을 생성하는 것을 보여주는 도면이다.
도 7는 모델링부가 채무상환능력 평가모델을 검증하는 것의 일예를 보여주는 도면이다.
도 8a는 본 발명의 일 실시예에 따른 제1 내지 제4 모델이 예측기간 별로 부실확률을 산출하는 것을 보여주는 도면이다.
도 8b는 본 발명의 일 실시예에 따른 제1 모델이 예측기간 별로 부실확률을 산출하는 것을 보여주는 도면이다.
본 명세서에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 정의하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다.
"포함하다" 또는 "가지다" 등의 용어는 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
"적어도 하나"의 용어는 하나 이상의 관련 항목으로부터 제시 가능한 모든 조합을 포함하는 것으로 이해되어야 한다. 예를 들어, "제1 항목, 제2 항목 및 제 3항목 중에서 적어도 하나"의 의미는 제1 항목, 제2 항목 또는 제3 항목 각각 뿐만 아니라 제1 항목, 제2 항목 및 제3 항목 중에서 2개 이상으로부터 제시될 수 있는 모든 항목의 조합을 의미한다.
이하, 첨부되는 도면을 참고하여 본 발명의 실시예들에 대해 상세히 설명한다.
도 1은 본 발명의 일 실시예에 따른 기업의 채무상환능력 평가 시스템(이하 '채무상환능력 평가시스템'이라함)의 구성을 개략적으로 보여주는 도면이다.
사용자 단말기(10)는 채무상환능력의 평가 대상이 되는 기업(이하 '타겟기업'이라함)에 대한 식별정보를 사용자로부터 입력받아 채무상환능력 평가 시스템(100)으로 전송한다. 이때, 식별정보는 사업자 번호, 상호명 등을 포함할 수 있다.
사용자 단말기(10)는 모바일 단말, 태블릿 PC, 컴퓨터 등을 포함할 수 있다.
채무상환능력 평가시스템(100)은 사용자 단말기(10)의 요청에 따라 타겟기업의 채무상환능력을 평가한다. 구체적으로, 채무상환능력 평가시스템(100)은 타겟기업의 재무제표를 기초로 생성된 재무데이터 및 금융정보, 공공조달 정보 등을 포함하는 비재무데이터를 복수개의 채무상환능력 평가모델을 이용하여 미리 정해진 예측기간 별로 각각 분석하여 타겟기업의 채무상환능력을 평가할 수 있다.
이하, 도 2를 참조하여, 채무상환능력 평가시스템(100)을 보다 구체적으로 설명한다.
도 2는 본 발명의 일 실시예에 따른 채무상환능력 평가시스템(100)의 구성을 보여주는 도면이다. 도 2에 도시된 바와 같이, 채무상환능력 평가시스템(100)은 데이터 획득부(210), 파생데이터 생성부(220), 제1 산출부(230), 제2 산출부(240), 데이터베이스(245), 모델링부(250), 및 채무상환능력 평가모델(260)를 포함한다.
데이터획득부(210)는 타겟기업의 재무제표를 기초로 생성된 재무데이터 및 타겟기업의 재무데이터 외 비재무데이터를 획득한다. 일 실시예에 있어서, 데이터 획득부(210)는 사용자단말기(10)로부터 타겟기업의 식별정보가 수신되면, 수신된 타겟기업의 식별정보를 외부서버(20)로 전송함으로써 외부서버(20)로부터 타겟기업의 재무데이터 및 비재무데이터를 획득할 수 있다.
일 실시예에 있어서, 데이터획득부(210)가 획득하는 재무데이터는, 재무제표정보, 재무비율정보, 재무모형정보, 및 차입금정보 중 적어도 하나를 포함할 수 있다. 이때, 재무제표정보는 재무상태표정보, 손익계산서정보, 현금흐름정보 중 적어도 하나를 포함하고, 재무비율정보는 일반 재무비율정보를 포함한다. 재무모형정보는 재무모형 투입 변수정보 및 재무이슈정보 중 적어도 하나를 포함하고, 차입금정보는 차입금 여력 산출정보를 포함한다.
데이터획득부(210)가 획득하는 비재무데이터는 금융정보, 공공조달 정보, 인적자원 정보, 패널티 정보를 포함할 수 있다. 이때, 기업정보는 기업개요를 포함할 수 있고, 금융정보는 신용공여정보를 포함할 수 있다. 공공조달정보는 투찰정보 및 계약정보를 중 적어도 하나를 포함할 수 있다. 인적자원 정보는 국민연금 정보 및 채용공고 정보 중 적어도 하나를 포함할 수 있다. 패널티정보는 부정당처분 정보 및 건설면허처분 정보 중 적어도 하나를 포함할 수 있다.
파생데이터 생성부(220)는 데이터 획득부(210)에 의해 획득된 타겟기업의 재무데이터 및 비재무데이터로부터 채무상환능력과 상관관계가 있는 파생데이터를 생성한다.
일 실시예에 있어서, 파생데이터는 매출액 대비 최근월 차입금 비율, 자기자본 대비 법인채무보증금액, 실질자본 대비 법인채무보증금액, 만기 3개월 신용공여금액 대 영업이익 비율, 자기자본 대비 전월말 차입금 비율, 월별 차입금 여력분석, 월별차입금의존도, 최근 3개월 간 평균 신용공여건수, 최근 3개월 간 평균 보증금액, 최근 3개월간 1금융권 대출한도 소진율, 월별 이자비용, 정책자금 비중, 어음할인 비중, 당좌대출 여부, 당좌거래 금액, 지급보증 비중, 담보비중, 당월입사율, 당월퇴사율, 당월종업원수 증감률, 전월대비 고지금액 증감률, 평균 고지금액, 3개월 퇴사율, 6개월 퇴사율, 3개월 입사율, 6개월 입사율, 3개월 종업원 증감율, 6개월 종업원 증감율, 3개월 1인 평균 고지금액 증감율, 6개월 1인 평균 고지금액 증감율 중 적어도 하나를 포함할 수 있다.
파생데이터 생성부(220)는 타겟기업의 재무데이터 및 비재무데이터로부터 파생데이터를 생성하여 제1 산출부(230)로 전송한다.
제1 산출부(230)는 타겟기업의 채무상환능력 평가결과를 산출한다. 구체적으로 제1 산출부(230)는 평가시점부터 평가시점 이후인 미리 정해진 예측시점까지의 메인 예측기간을 복수개의 서브 예측기간으로 분할한다. 제1 산출부(230)는 각 서브 예측기간에 대응되는 복수개의 채무상환능력 평가모델(260)에 타겟기업의 재무데이터 및 비재무데이터를 입력하여 각 채무상환능력 평가모델 별로 타겟기업의 채무상환능력 평가결과를 산출한다. 이때, 평가시점은 채무상환능력을 평가하는 시점을 의미한다.
상술한 실시예에 있어서, 제1 산출부(230)는 재무데이터 및 비재무 데이터만을 이용하는 것으로 설명하였지만, 제1 산출부(230)는 파생데이터 생성부(220)에 의해 생성된 파생데이터를 추가로 이용하여 타겟기업의 채무상환능력 평가결과를 산출할 수도 있다.
일 실시예에 있어서, 제1 산출부(230)는 미리 정해진 메인예측기간이 분할된 서브예측기간 별로 채무상환능력을 평가하는 복수개의 채무상환능력 평가모델(260)에 타겟기업의 재무데이터 및 비재무데이터를 입력하여 각 서브예측기간 별로 타겟기업의 부실이벤트 발생가능성을 나타내는 타겟등급을 산출한다.
구체적으로, 제1 산출부(230)는 복수개의 채무상환능력 평가모델(260)에 타겟기업의 재무데이터 및 비재무데이터를 입력하여 각 서브예측기간 별로 타겟기업의 부실확률을 산출하고, 각 서브예측기간 별로 산출된 부실확률을 미리 정해진 기준에 따라 타겟등급으로 산출한다.
일 실시예에 있어서, 각 서브예측기간은 메인 예측기간을 4분위로 분할할 수 있다. 이러한 실시예를 따르는 경우 복수개의 채무상환능력 평가모델(260)은 각 분위 별로 채무상환능력을 평가할 수 있다.
일 실시예에 있어서, 제1 산출부(230)는 각 서브예측기간 별로 산출된 부실확률이 기준 부실확률분포상에서 위치하는 구간에 따라 타겟등급으로 산출할 수 있다. 이때, 기준 부실확률분포는 각 채무상환능력 평가모델(260)에 복수개의 테스트데이터를 입력하여 산출된 복수개의 테스트 부실확률의 확률분포를 의미한다. 기준 부실확률분포 상에는 각 등급 별 구성비에 따라 각 등급의 구간이 설정되어 있을 수 있다.
예컨대, 도 3a및 3b에 도시된 바와 같이 기준 부실확률분포 상에는 각 등급별 구성비에 따라 구간 별로 등급이 설정될 수 있다. 이에 따라, 제1 산출부(230)는 각 서브예측기간 별로 산출된 부실확률이 기준 부실확률분포 상에 위치하는 구간에 따라 타겟등급을 산출할 수 있다. 도 3b에서는 7개의 등급이 존재하는 것으로 도시하였으나, 이는 하나의 예일 뿐 6개 이하의 등급이 존재할 수 8개 이상의 등급이 존재할 수도 있다.
본 발명에 따른 제1 산출부(230)가 각 채무상환능력 평가모델(260)별로 산출된 부실확률을 타겟등급으로 산출하는 이유는, 각 채무상환능력 평가모델(260)은 서로 다른 부실예정기간에 생성된 부실기업의 재무데이터, 비재무데이터, 및 파생데이터를 학습하여 생성되었기 때문에 각 부실확률 간에 우위를 판단할 수 없어 각 채무상환능력 평가모델(260)에서 산출된 부실확률을 타겟등급으로 변환하여 타겟등급간에 우위를 판단함으로써 하나의 결과값으로 산출하기 위함이다.
일 실시예에 있어서, 제1 산출부(230)는 타겟기업의 기업유형을 분류기준에 따라 판단하여 판단된 타겟기업의 기업유형에 따라 복수개의 채무상환능력 평가모델(260)을 선택할 수 있다. 이때, 분류기준은 업종, 기업규모, 외감기업여부 등을 포함할 수 있다. 이러한 실시예를 따르는 경우, 제1 산출부(230) 타겟기업의 기업유형에 따라 선택된 복수개의 채무상환능력 평가모델(260)에 타겟기업의 재무데이터, 비재무데이터, 및 파생데이터를 입력하여 서브예측기간 별 타겟등급을 산출할 수 잇다.
예컨대, 제1 산출부(230)는 타겟기업이 외감기업으로 판단된 경우, 외감기업에 대한 복수개의 채무상환능력 평가모델(260)에 타겟기업의 재무데이터, 비재무데이터, 및 파생데이터를 입력하여 예측기간 별 타겟등급을 산출할 수 있다.
제2 산출부는(240)는 제1 산출부(230)에 의해 채무상환능력 평가모델(260) 별로 산출된 채무상환능력 평가결과 중 적어도 하나의 평가결과를 이용하여 타겟기업의 최종 채무상환능력 평가결과를 산출한다.
일 실시예에 있어서, 제2 산출부(240)는 각 채무상환능력 평가모델(260) 별로 산출된 타겟기업의 채무상환능력들의 중간값, 타겟기업의 채무상환능력 평가결과들 중 가장 낮은 평가결과, 및 타겟기업의 채무상환능력 평가결과들 중 가장 높은 평가결과 중 어느 하나를 선택할 수 있다. 제2 산출부(240)는 선택된 평가결과를 이용하여 타겟기업의 최종 채무상환능력 평가결과를 산출할 수 있다.
예컨대, 제2 산출부(240)는 타겟기업의 채무상환능력들 중 가장 낮은 평가결과를 선택하고, 선택된 가장 낮은 평가결과를 타겟기업의 최종 채무상환능력 평가결과로 산출할 수 있다.
일 실시예에 있어서, 제2 산출부(240)는 제1 산출부(230)에 의해 산출된 복수개의 타겟등급을 이용하여 타겟기업의 타겟 채무상환능력 레벨을 산출한다. 구체적으로, 제2 산출부(230)는 각 서브예측기간 별로 산출된 복수개의 타겟등급 중 어느 하나인 최종 등급을 이용하여 타겟기업의 타겟 채무상환능력 레벨을 산출할 수 있다.
일 실시예에 있어서, 제2 산출부(240)는 평가시점부터 복수개의 채무상환능력 평가모델들의 각 서브예측기간에 포함된 기준시점까지 시간 축 상의 거리에 따라 채무상환능력 평가모델(260) 별 복수개의 등급들의 우선순위가 기록된 테이블을 이용하여 타겟기업의 타겟 채무상환능력 레벨을 산출할 수 있다. 이때, 평가시점은 채무상환능력을 평가하는 시점을 의미한다. 기준시점은 각 예측기간의 기산점 또는 종결점을 포함할 수 있다.
이를 위해, 제2 산출부(240)는 도 4에 도시된 바와 같이 테이블 생성부(410), 테이블 저장소(420), 등급선택부(430), 레벨결정부(440) 및 점수산출부(450)를 포함할 수 있다.
테이블 생성부(410)는 채무상환능력 평가모델(260) 별 복수개의 등급들의 우선순위가 기록된 테이블을 생성한다.
일례로, 테이블 생성부(410)는 n개의 채무상환능력 평가모델(260)과 m개의 등급이 존재할 때, n*m 개의 필드를 갖는 테이블을 생성할 수 있다. 이때, 각 필드에는 각 채무상환능력 평가모델 별 등급에 대한 우선순위가 기록될 수 있다.
예컨대, 도 5a에 도시된 바와 같이, 4 개의 제1 내지 제4 모델이 존재하고, 7개의 등급이 존재하는 경우, 테이블 생성부(410)는 28개의 필드를 갖는 테이블을 생성할 수 있다.
일 실시예에 있어서, 테이블 생성부는(410)는 각 테이블의 필드에 평가시점부터 각 채무상환능력 평가모델(260)의 예측기간의 기준시점까지 시간 축 상의 거리에 따라 각 채무상환능력 평가모델(260) 별 복수개의 등급들의 우선순위를 기록할 수 있다.
일 실시예에 있어서, 테이블 생성부(410)는 테이블 상에서 서로 다른 채무상환능력 평가모델(260)의 동일한 등급들은 평가시점부터 각 예측기간의 기준시점까지 시간 축 상의 거리가 짧을수록 우선순위가 높게 기록할 수 있고, 동일한 채무상환능력 평가모델(260)의 서로 다른 등급들은 등급이 높을수록 우선순위가 높게 기록할 수 있다. 이때, 등급이 높을수록 채무상환능력이 좋지 않는 것을 의미할 수 있다. 상술한 실시예와 달리, 반대로 등급이 낮을수록 채무상환능력이 좋지 않은 것을 의미하는 경우, 테이블 생성부(410)는 동일한 채무상환능력 평가모델(260)의 서로 다른 등급들은 등급이 낮을수록 우선순위가 높게 기록할 수 있다.
예컨대, 테이블생성부(410)는 도 5a에 도시된 바와 같이 평가시점부터 예측기간의 기준시점까지 시간 축 상 거리가 제1 내지 제4 모델에서 순차적으로 길어지는 경우, 동일한 등급간에 우선순위가 제1 모델 내지 제4모델에서 순차적으로 낮아지게 기록할 수 있다. 또한, 테이블 생성부(410)는 등급이 높을수록 채무상환능력이 좋지 않는 것을 의미하는 경우, 서로 다른 등급간에 등급이 높아질수록 우선순위가 높아지게 기록할 수 있다. 도 5a에서는 우선순위의 값이 작을수록 우선순위가 높은 것으로 도시하였으나, 이는 하나의 예일 뿐, 우선순위의 값이 클수록 우선순위가 높을 수도 있다.
일 실시예에 있어서, 테이블 생성부(410)는 테이블 상에서 채무상환능력 평가모델 별 복수개의 등급들을 적어도 하나 이상의 그룹으로 그룹핑하여 그룹 별 채무상환능력 레벨을 설정할 수 있다. 일례로, 테이블 생성부(410)는 테이블 상에서 채무상환능력 평가모델(260) 별 복수개의 등급 중 일부 등급들을 서로 다른 채무상환능력 평가모델(260)의 동일한 등급들간에 그룹핑하고, 다른 등급들을 동일한 채무상환능력 평가모델(260)의 서로 다른 연속적인 등급들간에 그룹핑할 수 있다. 이에 따라, 테이블 생성부(410)는 그룹핑된 그룹들에 채무상환능력 레벨을 설정할 수 있다.
예컨대, 테이블 생성부(410)는 도 5a에 도시된 바와 같이 제1 내지 제4 모델의 1등급간에 제1 그룹으로 그룹핑하고, 제1그룹을 1 레벨로 설정할 수 있다. 테이블 생성부(410)는 제1 내지 제4 모델의 2등급간에 제2 그룹으로 그룹핑하고, 제2그룹을 2 레벨로 설정할 수 있다. 테이블 생성부(410)는 제1 내지 제4 모델의 3등급간에 제3 그룹으로 그룹핑하고, 제3그룹을 3 레벨로 설정할 수 있다. 테이블 생성부(410)는 제1 내지 제4 모델의 4등급간에 제4 그룹으로 그룹핑하고, 제4그룹을 4 레벨로 설정할 수 있다. 테이블 생성부(410)는 제1 내지 제4 모델의 7등급간에 제7 그룹으로 그룹핑하고, 제7그룹을 7 레벨로 설정할 수 있다.
또한, 테이블 생성부(410)는 제1 모델의 5 내지 6등급을 제6B그룹으로 그룹핑하고 제6B 그룹을 6B레벨로 설정할 수 있다. 테이블 생성부(410)는 제2 모델의 5 내지 6등급을 제6A그룹으로 그룹핑하고 제6A 그룹을 6A레벨로 설정할 수 있다. 테이블 생성부(410)는 제3 모델의 5 내지 6등급을 제5B 그룹으로 그룹핑하고 제5B 그룹을 5B레벨로 설정할 수 있다. 테이블 생성부(410)는 제4 모델의 5 내지 6등급을 제5A그룹으로 그룹핑하고 제5A 그룹을 5A레벨로 설정할 수 있다.
도 5b에 도시된 바와 같이 테이블 생성부(410)에 의해 설정된 레벨은 오름차순으로 타겟기업의 채무상환능력이 낮아지는 것을 의미할 수 있다. 1 및 2 레벨은 타겟기업의 채무상환능력이 정상으로 볼 수 있고, 3 및 4레벨은 타겟기업의 채무상환능력에 관찰이 필요하다는 것을 의미할 수 있고, 5 내지 7레벨은 채무상환능력에 문제가 있다는 것을 의미할 수 있다.
이때, 5A 레벨은 평가시점으로부터 9개월 내지 12개월 내 타겟기업에 부실이벤트 발생가능성이 높다는 것을 의미할 수 있고, 5B 레벨은 평가시점으로부터 6개월 내지 9개월 내 타겟기업에 부실이벤트 발생가능성이 높다는 것을 의미할 수 있다. 또한, 6A 레벨은 평가시점으로부터 3개월 내지 6개월 내 타겟기업에 부실이벤트 발생가능성이 높다는 것을 의미할 수 있고, 6B 레벨은 평가시점으로부터 3개월 내에 타겟기업에 부실이벤트 발생가능성이 높다는 것을 의미할 수 있다. 7 레벨은 타겟기업에 이미 부실이벤트가 발생했다는 것을 의미할 수 있다.
테이블 생성부(410)는 생성된 테이블을 테이블 저장소(420)에 저장한다.
상술한 실시예에서는 테이블 생성부(410)가 제2 산출부(240)에 포함되는 것으로 설명하였으나, 테이블 생성부(410)는 별개의 구성으로 채무상환능력평가 시스템(100)에 포함될 수도 있다.
테이블 저장소(420)는 테이블 생성부에 의해 생성된 테이블이 저장된다. 테이블 저장소(420)는 데이터베이스 형태로 구현될 수 있다.
등급선택부(430)는 테이블 저장소(420)에 저장된 테이블을 이용하여 복수개의 타겟등급 중 각 타겟등급에 매칭되는 우선순위가 가장 높은 최종등급을 선택할 수 있다.
예컨대, 도 5a에 도시된 바와 같이, 제1 산출부(230)에 의해 제1 모델의 4 등급(우선순위: 13), 제2 모델의 3 등급(우선순위: 18), 제3 모델의 5 등급(우선순위: 10), 및 제4 모델의 6등급(우선순위: 11)이 산출되면, 등급선택부(430)는 우선순위가 가장 높은 제3 모델의 5 등급(우선순위: 10)을 최종등급으로 선택할 수 있다.
레벨결정부(440)는 등급선택부(430)에 의해 선택된 최종등급을 타겟기업의 타겟 채무상환능력 레벨로 결정한다. 일 실시예에 있어서, 레벨결정부(440)는 최종등급이 포함되는 그룹에 설정된 채무상환능력 레벨을 타겟기업의 타겟 채무상환능력 레벨로 결정할 수 있다.
예컨대, 도5a에 도시된 바와 같이, 등급선택부(430)에 의해 5등급이 최종등급으로 선택되면, 레벨결정부(440)는 5등급이 위치하는 필드를 포함되는 그룹에 설정된 5B레벨을 타겟기업의 타겟 채무상환능력 레벨로 결정할 수 있다.
레벨결정부(440)는 결정된 채무상환능력 레벨을 사용자단말기(10)로 전송한다.
점수산출부(450)는 타겟 채무상환능력 레벨을 채무상환능력 점수로 변환할 수 있다. 일 실시예에 있어서, 점수산출부(450)는 등급선택부(430)에 의해 선택된 최종등급이 위치하는 필드에 기록된 우선순위를 미리 정해진 수학식에 입력하여 타겟 채무상환능력 레벨을 타겟기업의 채무상환능력 점수로 변환할 수 있다. 일례로, 미리 정해진 수학식은 아래의 수학식1 일 수 있다.
Figure 112019027785250-pat00001
수학식 1에서 Y는 채무상환능력 점수를 의미하고, X는 우선순위를 의미한다.
예컨대, 도 5a에 도시된 바와 같이, 등급선택부(430)에 의해 5등급이 선택되면, 점수산출부(450)는 5 등급이 위치하는 필드에 기록된 우선순위인 10을 수학식 1에 입력하여 채무상환능력 점수를 산출할 수 있다. 이에 따라 제1 산출부(450)는 37점의 채무상환능력 점수를 산출 할 수 있다.
본 발명에 따른 점수산출부(450)가 채무상환능력 점수를 산출하는 이유는, 타겟기업의 채무상환능력 레벨을 더욱 세분화하여 정확한 채무상환능력을 사용자에게 제공하기 위함이다.
점수산출부(450)는 산출된 채무상환능력 점수를 사용자단말기(10)로 전송한다.
한편, 상술한 실시예에서는 제2 산출부(240)가 우선순위가 기록된 테이블을 이용하여 복수개의 타겟등급을 타겟 채무상환능력 레벨로 산출하나, 변형된 실시예에서는 제2 산출부(240)가 등급별 가중치를 이용하여 복수개의 타겟등급을 타겟 채무상환능력 레벨로 산출할 수 있다.
다시 도 2를 참조하면, 제2 산출부(240)는 데이터획득부(210)로부터 기 부실이벤트 발생정보를 수신하면, 타겟기업의 채무상환능력 레벨을 실제 부실이벤트 발생을 나타내는 레벨로 산출할 수 있다. 예컨대, 도 5b에 도시된 바와 같이, 제2 산출부(240)는 타겟기업에 기 부실이벤트가 발생되었으면 7 레벨을 산출할 수 있다.
데이터베이스(245)에는 모델링부(240)가 채무상환능력 평가모델(260)을 생성하기 위해 기업(이하 '비교기업' 이라 함)들의 재무데이터 및 비재무데이터가 저장되고, 파생데이터 생성부(220)에 의해 생성된 비교기업의 파생데이터가 저장된다. 이때, 비교기업에는 타겟기업이 포함될 수 있다.
일 실시예에 있어서, 데이터 베이스(245)에는 데이터획득부(210)에 의해 외부서버(20)로부터 비교기업들의 재무데이터 및 비재무데이터를 획득하여 저장될 수 있다.
모델링부(250)는 채무상환능력 평가모델(260)을 생성한다. 일 실시예에 있어서, 모델링부(250)는 GBM(Gradient Boosting Machine) 알고리즘을 이용하여 AI기반의 채무상환능력평가 모델(260)을 생성할 수 있다. 이때, GBM 알고리즘은 결정트리를 시퀀스적으로 생성하여 이전 트리의 에러를 수정함으로써 결과를 도출하는 알고리즘이다.
상술한 실시예와 달리, 모델링부(250)는 Random Forest 알고리즘, DNN(Deep Neural Network) 알고리즘 등 이용하여 AI기반의 채무상환능력평가 모델(260)을 생성할 수 있다.
일 실시예에 있어서, 모델링부(250)는 데이터베이스(245)에 저장된 비교기업의 재무데이터, 비재무데이터, 및 파생데이터를 학습하여 복수개의 채무상환능력 평가모델(260)을 생성한다.
특히 본 발명에 따른 모델링부(250)는 비교기업 중 부실이벤트가 발생된 부실기업의 재무데이터, 비재무데이터, 및 파생데이터를 학습하여 서브예측기간 별로 타겟기업의 채무상환능력을 평가하는 복수개의 채무상환능력 평가모델(260)을 생성한다. 이때, 부실이벤트는 단기연체, 공공연체, 금융연체, 카드연체, 상거래연체, 및 휴폐업 중 적어도 하나를 포함할 수 있다.
일 실시예에 있어서, 모델링부(250)는 부실이벤트가 발생된 부실기업의 재무데이터, 비재무데이터, 및 파생데이터 중 각 서브예측기간에 대응되는 부실예정기간에 발생된 재무데이터, 비재무데이터, 및 파생데이터를 학습하여 각 채무상환능력 평가모델을 생성할 수 있다.
이하, 도 6을 참조하여, 모델링부(250)가 복수개의 채무상환능력 평가모델(260)을 생성하는 것에 대해 보다 구체적으로 설명한다.
도 6은 본 발명의 일 실시예에 따른 모델링부(250)가 복수개의 채무상환능력 평가모델(260)을 생성하는 것을 보여주는 도면이다. 도 6에 도시된 바와 같이 모델링부(250)는 제1 학습부(610), 제2 학습부(620), 제3 학습부(630), 및 제4 학습부(640)를 포함한다. 또한, 모델링부(250)에 의해 생성되는 채무상환능력 평가모델(260)은 제1 모델(660), 제2 모델(670), 제3 모델(680), 및 제4 모델(690)을 포함한다.
도 6에서는 모델링부(250)가 4개의 학습부(610-640)를 포함하는 것으로 도시하였으나, 학습부는 3개 이하일 수도 있고, 5개 이상일 수 도 있다. 이에 따라 모델링부(260)에 의해 생성되는 4개의 모델(660-690)은 3개 이하일 수도 있고, 5개 이상일 수도 있다. 이하 설명의 편의를 위해 학습부(610-640) 및 모델(660-690)이 4개인 것으로 설명한다.
제1 학습부(610)는 데이터베이스(245)에 저장된 비교기업 중 부실이벤트가 발생된 부실기업의 재무데이터, 비재무데이터, 및 파생데이터를 학습하여 제1 모델(660)을 생성한다. 구체적으로, 제1 학습부(610)는 부실이벤트가 발생된 부실기업의 재무데이터, 비재무데이터, 및 파생데이터 중 부실기업에 부실이벤트가 발생된 부실시점부터 부실시점 이전인 제1 부실예정시점까지의 제1 부실예정기간 동안 발생된 재무데이터, 비재무데이터, 및 파생데이터를 학습하여 제1 모델(660)을 생성한다.
예컨대, 제1 부실예정시점은 부실시점으로부터 3개월전을 의미할 수 있다. 이러한 예를 따를때, 제1 학습부(610)는 부실이벤트가 발생한 부실시점부터 3개월전 사이에 발생된 부실기업의 재무데이터, 비재무데이터, 및 파생데이터를 학습하여 제1 모델(660)을 생성할 수 있다.
제2 학습부(620)는 데이터베이스(245)에 저장된 비교기업 중 부실이벤트가 발생된 부실기업의 재무데이터, 비재무데이터, 및 파생데이터를 학습하여 제2 모델(670)을 생성한다. 구체적으로, 제2 학습부(620)는 부실기업의 재무데이터, 비재무데이터, 및 파생데이터 중 제1 부실예정시점부터 제1 부실예정시점 이전인 제2 부실예정시점까지의 제2 부실예정기간 동안 발생된 재무데이터, 비재무데이터, 및 파생데이터를 학습하여 제2 모델(670)을 생성한다.
예컨대, 제2 부실예정시점은 제1 부실예정시점으로부터 3개월전을 의미할 수 있다. 이러한 예를 따를때, 제2 학습부(620)는 부실이벤트가 발생하기 3개월전 내지 6개월전 사이에 발생된 부실기업의 재무데이터, 비재무데이터, 및 파생데이터를 학습하여 제2 모델(670)을 생성할 수 있다.
제3 학습부(630)는 데이터베이스(245)에 저장된 비교기업 중 부실이벤트가 발생된 부실기업의 재무데이터, 비재무데이터, 및 파생데이터를 학습하여 제3 모델(680)을 생성한다. 구체적으로, 제3 학습부(630)는 부실기업의 재무데이터, 비재무데이터, 및 파생데이터 중 제2 학습시점부터 제2 부실예정시점 이전인 제3 부실예정시점까지의 제3 부실예정기간 동안 발생된 재무데이터, 비재무데이터, 및 파생데이터를 학습하여 제3 모델(680)을 생성한다.
예컨대, 제3 부실예정시점은 제2 부실예정시점으로부터 3개월전을 의미할 수 있다. 이러한 예를 따를때, 제3 학습부(630)는 부실이벤트가 발생하기 3개월전 내지 6개월전 사이에 발생된 부실기업의 재무데이터, 비재무데이터, 및 파생데이터를 학습하여 제3 모델(680)을 생성할 수 있다.
제4 학습부(640)는 데이터베이스(245)에 저장된 비교기업 중 부실이벤트가 발생된 부실기업의 재무데이터, 비재무데이터, 및 파생데이터를 학습하여 제4 모델(690)을 생성한다. 구체적으로, 제3 학습부(640)는 부실기업의 재무데이터, 비재무데이터, 및 파생데이터 중 제3 부실예정시점부터 제3 부실예정시점 이전인 제4 부실예정시점까지의 제4 부실예정기간 동안 발생된 재무데이터, 비재무데이터, 및 파생데이터를 학습하여 제4 모델(690)을 생성한다.
예컨대, 제4 부실예정시점은 제3 부실예정시점으로부터 3개월전을 의미할 수 있다. 이러한 예를 따를때, 제4 학습부(640)는 부실이벤트가 발생하기 9개월전 내지 12개월전 사이에 발생된 부실기업의 재무데이터, 비재무데이터, 및 파생데이터를 학습하여 제4 모델(690)을 생성할 수 있다.
다시 도 2를 참조하면, 일 실시예에 있어서 모델링부(250)는 부실이벤트가 발생된 부실기업의 기업유형 별로 복수개의 채무상환능력 평가모델(260)을 각각 생성할 수 있다. 이때, 기업유형은 기업을 분류하는 분류기준으로 설정될 수 있다. 일 실시예에 있어서, 분류기준은 업종, 기업규모, 외감기업 여부 등을 포함할 수 있다. 여기서 외감기업은 의무적으로 회계감사를 받아야하는 기업을 의미한다.
예컨대, 분류기준이 기업규모 및 외감기업여부인 경우, 모델링부(250)는 비교기업의 기업규모 및 외감기업여부에 따라 분류된 기업유형 별로 복수개의 채무상환능력 평가모델(260)을 생성할 수 있다. 이때, 기업유형은 외감기업, 비외감기업, 비외감기업 중 소기업(이하 '소기업'이라함), 및 개인사업자을 포함할 수 있다.
이러한 예를 따를 때, 모델링부(250)는 복수개의 비교기업 중 외감기업에 해당하는 부실기업의 재무데이터, 비재무데이터, 및 파생데이터를 이용하여 복수개의 채무상환능력 평가모델(260)을 생성할 수 있다. 또한, 모델링부(250)는 복수개의 부실기업 중 비외감기업에 해당하는 부실기업의 재무데이터, 비재무데이터, 및 파생데이터를 이용하여 복수개의 채무상환능력 평가모델(260)을 생성할 수 있다. 또한, 모델링부(250)는 복수개의 부실기업 중 소기업에 해당하는 부실기업의 재무데이터, 비재무데이터, 및 파생데이터를 이용하여 복수개의 채무상환능력 평가모델(260)을 생성할 수 있다. 또한, 모델링부(250)는 복수개의 부실기업 중 개인사업자에 해당하는 부실기업의 재무데이터, 비재무데이터, 및 파생데이터를 이용하여 복수개의 채무상환능력 평가모델(260)을 생성할 수 있다.
이러한 실시예를 따르는 경우, 모델링부(250)는 k개의 기업유형과 l개의 예측기간에 따라 k*l개의 채무상환능력평가 모델(260)을 생성할 수 있다.
예컨대, 모델링부(250)가 포함하는 제1 내지 제4 학습부(610-640)는 부실이벤트가 발생된 외감기업의 재무데이터, 비재무데이터, 및 파생데이터로 학습하여 제1 내지 제4 외감기업 모델을 생성할 수 있다.
또한, 제1 내지 제4 학습부(610-640)는 부실이벤트가 발생된 비외감기업의 재무데이터, 비재무데이터, 및 파생데이터로 학습하여 제1 내지 제4 비외감기업 모델을 생성할 수 있다.
또한, 제1 내지 제4 학습부(610-640)는 부실이벤트가 발생된 소기업의 재무데이터, 비재무데이터, 및 파생데이터로 학습하여 제1 내지 제4 소기업 모델을 생성할 수 있다.
또한, 제1 내지 제4 학습부(610-640)는 부실이벤트가 발생된 개인사업자의 재무데이터, 비재무데이터, 및 파생데이터로 학습된 제1 내지 제4 개인사업자 모델이 생성될 수 있다.
모델링부(250)는 생성된 복수개의 채무상환능력 평가 모델(260)에 테스트 데이터를 입력하여 비교기업의 실제부실확률과 매칭여부를 검증할 수 있다. 이때, 테스트 데이터는 비교기업의 재무데이터, 비재무데이터 및 파생데이터를 포함할 수 있다. 일 실시예에 있어서, 모델링부(250)는 AUC(Area Under the ROC Curve) 또는 KS 통계량(Kolmogorov Smirnov Statistics)를 이용하여 복수개의 채무상환능력 평가모델(250)를 검증할 수 있다. 예컨대, 도 7에 도시된 바와 같이 모델링부(250)는 복수개의 채무상환능력 평가모델을 검증할 수 있다.
이러한 실시예를 따르는 경우, 모델링부(250)가 포함하는 제1 내지 제4 학습부(660-690)가 각각 제1 내지 제4모델의 검증을 수행하거나, 모델링부(250)가 복수개의 채무상환능력평가모델(260)의 검증을 수행하는 별도의 검증부(미도시)를 더 포함할 수 있다.
복수개의 채무상환능력 평가모델(260)은 타겟기업의 재무데이터, 및 비재무데이터를 입력받아 미리 정해진 서브예측기간 별로 타겟기업에 부실이벤트가 발생될 부실확률을 산출한다. 구체적으로, 복수개의 채무상환능력 평가모델(250)은 제1 산출부(230)에 의해 타겟기업의 재무데이터, 및 비재무데이터가 입력되면, 각 채무상환능력 평가모델은 미리 정해진 서브예측기간 별로 타겟기업에 부실이벤트가 발생될 부실확률을 산출한다. 일 실시예에 있어서, 복수개의 채무상환능력 평가모델(250)은 제1 산출부(230)에 의해 파생데이터를 추가로 입력받아, 서브예측기간 별로 타겟기업에 부실이벤트가 발생될 부실확률을 산출할 수 잇다.
일 실시예에 있어서, 서브예측기간은 일별, 월별, 분기별 중 적어도 하나로 결정될 수 있다. 이러한 실시예를 따르는 경우, 복수개의 채무상환능력평가 모델(260)은 일별, 월별, 분기별 중 적어도 하나의 각 예측기간에 따라 타겟기업의 채무상환능력을 평가할 수 있다.
일 실시예에 있어서, 서브예측기간은 메인 예측기간을 4분위로 분할할 수 있다. 이러한 실시예를 따를 때, 복수개의 채무상환능력 평가모델(260)은 각 분위 별로 채무상환능력을 평가할 수 있다.
일 실시예에 있어서, 각 채무상환능력 평가모델(260)은 메인예측기간을 복수개의 서브 예측기간으로 분할하고, 분할된 각 서브예측기간에 대응되는 부실기업의 부실예정기간별로 학습될 수 있다. 구체적으로 각 채무상환능력 평가모델(260)은 부실이벤트가 발생된 부실기업의 재무데이터, 비재무데이터, 및 파생데이터 중 각 서브예측기간에 대응되는 부실예정기간에 발생된 부실기업의 재무데이터, 비재무데이터, 및 파생데이터가 학습될 수 있다.
이하, 도 6를 참조하여 복수개의 채무상환능력 평가모델(260)에 대해 보다 구체적으로 설명한다.
도 6에 도시된 바와 같이 복수개의 채무상환능력 평가모델(260)은 제1 모델(660), 제2 모델(670), 제3 모델(680), 및 제4 모델(690)을 포함할 수 있다. 상술한 바와 같이 4개의 모델(660-690)은 3개 이하 일 수 있고, 5개 이상일 수 있다.
제1 모델(660)은 제1 산출부(230)에 의해 타겟기업의 재무데이터, 비재무데이터 및 파생데이터가 입력되면, 평가시점부터 제1 서브예측시점까지의 제1 서브예측기간 동안 타겟기업에 부실이벤트가 발생될 부실확률을 산출한다. 이때, 제1 예측시점은 평가시점보다 이후 시점을 의미한다.
예컨대, 제1 서브예측시점은 평가시점으로부터 3개월후를 의미할 수 있다. 이러한 예를 따를때, 제1 모델(660)은 평가시점부터 3개월까지 타겟기업에 부실이벤트가 발생될 부실확률을 산출할 수 있다.
일 실시예에 있어서, 제1 모델(660)은 제1 학습부(610)에 의해 부실기업에 부실이벤트가 발생된 부실시점부터 부실시점 이전인 제1 부실예정시점까지의 제1 부실예정기간 동안 발생된 상기 부실기업의 재무데이터, 비재무데이터, 및 파생데이터가 학습될 수 있다.
이러한 실시예를 따를대, 제1 부실예정기간은 제1 서브예측기간에 대응될 수 있다. 예컨대, 제1 서브예측기간이 평가시점부터 3개월까지이면, 제1 부실예정기간은 부실시점부터 3개월전까지이다.
제2 모델(670)은 제1 산출부(230)에 의해 타겟기업의 재무데이터, 비재무데이터 및 파생데이터가 입력되면, 제1 서브예측시점부터 제2 서브예측시점까지의 제2 서브예측기간 동안 타겟기업에 부실이벤트가 발생될 부실확률을 산출한다. 이때, 제2 서브예측시점은 제1 서브예측시점보다 이후 시점을 의미한다.
예컨대, 제2 서브예측시점은 제1 서브예측시점으로부터 3개월후를 의미할 수 있다. 이러한 예를 따를때, 제2 모델(670)은 평가시점으로부터 3개월 이후부터 6개월까지 타겟기업에 부실이벤트가 발생될 확률을 산출할 수 있다.
일 실시예에 있어서, 제2 모델(670)은 제2 학습부(620)에 의해 제1 부실예정시점부터 제1 부실예정시점 이전인 제2 부실예정시점까지의 제2 부실예정기간 동안 발생된 상기 부실기업의 재무데이터, 비재무데이터, 및 파생데이터가 학습될 수 있다.
이러한 실시예를 따를대, 제2 부실예정기간은 제2 서브예측기간에 대응될 수 있다. 예컨대, 제2 서브예측기간이 평가시점으로부터 3개월 이후부터 6개월까지이면, 제2 부실예정기간은 부실시점으로부터 3개월전부터 6개월전까지이다.
제3 모델(680)은 제1 산출부(230)에 의해 타겟기업의 재무데이터, 비재무데이터 및 파생데이터가 입력되면, 제2 서브예측시점부터 제3 서브예측시점까지의 제3 서브예측기간 동안 타겟기업에 부실이벤트가 발생될 부실확률을 산출한다. 이때, 제3 서브예측시점은 제2 서브예측시점보다 이후 시점을 의미한다.
예컨대, 제3 서브예측시점은 제2 서브예측시점으로부터 3개월후를 의미할 수 있다. 이러한 예를 따를때, 제3 모델은(680)은 평가시점으로부터 6개월 이후부터 9개월까지 타겟기업에 부실이벤트가 발생될 확률을 산출할 수 있다.
일 실시예에 있어서, 제3 모델(680)은 제3 학습부(630)에 의해 제2 부실예정시점부터 제2 부실예정시점 이전인 제3 부실예정시점까지의 제3 부실예정기간 동안 발생된 상기 부실기업의 재무데이터, 비재무데이터, 및 파생데이터가 학습될 수 있다.
이러한 실시예를 따를대, 제3 부실예정기간은 제3 서브예측기간에 대응될 수 있다. 예컨대, 제3 서브예측기간이 평가시점으로부터 6개월 이후부터 9개월까지이면, 제3 부실예정기간은 부실시점으로부터 6개월전부터 9개월전까지이다.
제4 모델(690)은 제1 산출부(230)에 의해 타겟기업의 재무데이터, 비재무데이터 및 파생데이터가 입력되면, 제3 서브예측시점부터 제4 서브예측시점까지의 제4 서브예측기간 동안 타겟기업에 부실이벤트가 발생될 부실확률을 산출한다. 이때, 제4 서브예측시점은 제3 서브예측시점보다 이후 시점을 의미한다.
예컨대, 제4 서브예측시점은 제3 서브예측시점으로부터 3개월후를 의미할 수 있다. 이러한 예를 따를때, 제4 모델(690)은 평가시점으로부터 9개월 이후부터 12개월까지 타겟기업에 부실이벤트가 발생될 확률을 산출할 수 있다.
일 실시예에 있어서, 제4 모델(690)은 제4 학습부(640)에 의해 제3 부실예정시점부터 제3 부실예정시점 이전인 제4 부실예정시점까지의 제4 부실예정기간 동안 발생된 상기 부실기업의 재무데이터, 비재무데이터, 및 파생데이터가 학습될 수 있다.
이러한 실시예를 따를대, 제4 부실예정기간은 제4 서브예측기간에 대응될 수 있다. 예컨대, 제4 서브예측기간이 평가시점으로부터 9개월 이후부터 12개월까지이면, 제4 부실예정기간은 부실시점으로부터 9개월전부터 12개월전까지이다.
본 발명에 따른 제1 내지 제4 모델(660-690)은 도 8a에 도시된 바와 같이 제1 내지 제4 서브예측기간에 타겟기업의 부실확률을 산출할 수 있다. 상술한 실시예와 달리 변형된 실시예에 있어서, 하나의 제1 모델(660)이 도 8b에 도시된 바와 같이 제1 내지 제4 서브예측기간에 타겟기업의 부실확률을 각각 산출할 수 있다. 또한, 다른 변형된 실시예에 있어서, 하나의 제1 모델(660)이 제1 내지 제4 서브예측기간의 총 예측기간동안 부실확률을 산출할 수도 있을 것이다.
일 실시예에서, 제1 내지 제4 모델(660-690)은 제1 내지 제4 학습부(610-640)에 의해 기업유형 별로 생성될 수 있다. 이때, 기업유형은 외감기업, 비외감기업, 소기업, 및 개인사업자 중 적어도 하나를 포함한다.
이러한 실시예를 따를때, 제1 모델 내지 제4 모델(660-690)은 기업유형에 따라 각각 복수개일 수 있다.
예컨대, 기업유형이 외감기업, 비외감기업, 소기업, 및 개인사업자인 경우, 제1 내지 제4 모델(660-690)은 제1 내지 제4 외감기업 모델일 수 있고, 제1 내지 제4 모델(660-690)은 제1 내지 제4 비외감기업 모델일 수 있다. 또한, 제1 내지 제4 모델(660-690)은 제1 내지 제4 소기업 모델일 수 있고, 제1 내지 제4 모델(660-690)은 제1 내지 제4 개인사업자 모델일 수 있다. 이에 따라 4개의 제1 내지 제4 모델(660)이 학습부(610-640)에 의해 생성될 수 있다.
한편, 채무상환능력 평가시스템(100)은 도 2에 도시된 바와 같이 채무상환능력의 정확도를 향상시키기 위해 채무상환능력평가 보정모델(280) 및 보정부(290)를 더 포함할 수 있다.
제1 산출부(230)는 복수개의 채무상환능력평가 보정모델(280)에 타겟기업의 재무데이터, 비재무데이터, 및 파생데이터 입력하고, 추가로 타겟기업의 상거래데이터를 입력하여 각 예측기간 별로 타겟기업의 보정 부실확률을 산출하고, 각 예측기간 별로 산출된 보정 부실확률을 미리 정해진 기준에 따라 타겟 보정등급으로 산출한다. 일 실시예에 있어서, 상거래데이터는 기업 내부 거래내역데이터로써, 채권 미회수정보를 포함할 수 있다.
제2 산출부(240)는 제1 산출부(230)에 의해 산출된 복수개의 타겟 보정등급을 이용하여 타겟기업의 타겟 채무상환능력 보정레벨을 산출한다. 구체적으로, 제2 산출부(230)는 각 예측기간 별로 산출된 복수개의 타겟보정등급 중 어느 하나인 최종 보정등급을 이용하여 타겟기업의 타겟 채무상환능력 보정레벨을 산출할 수 있다.
모델링부(250)는 부실이벤트가 발생된 부실기업의 재무데이터, 비재무데이터, 및 파생데이터뿐 만 아니라, 부실기업의 상거래데이터를 추가로 학습하여 미리 정해진 서브예측기간 내에서 타겟기업의 채무상환능력을 평가하는 복수개의 채무상환능력평가 보정모델(280)을 생성한다.
본 발명에 따른 모델링부(250)가 상거래데이터를 추가로 학습하여 채무상환능력평가 보정모델(280)을 생성하는 이유는, 일반적으로 기업 부실 진행에 있어 가장 우선하여 나타나는 증거가 거래처에 대한 상거래 연체이기 때문에, 이에 대한 정보를 포함하고 있는 상거래데이터를 학습하여 복수개의 채무상환능력평가 보정모델(280)을 생성함으로써, 타겟기업의 채무상환능력을 더욱 정확하게 평가할 수 있게 하기 위함이다.
복수개의 채무상환능력평가 보정모델(280)은 미리 정해진 서브예측기간 별로 타겟기업에 부실이벤트가 발생될 보정 부실확률을 산출한다. 구체적으로, 복수개의 채무상환능력평가 보정모델(280)은 제1 산출부(230)에 의해 타겟기업의 재무데이터, 비재무데이터, 파생데이터, 및 상거래데이터가 입력되면, 각 채무상환능력평가 보정모델(280)은 미리 정해진 서브예측기간 별로 타겟기업에 부실이벤트가 발생될 보정 부실확률을 산출한다.
보정부(290)는 제2 산출부(240)에 의해 산출된 타겟 채무상환능력평가 레벨 및 보정레벨을 비교하여 채무상환능력평가 레벨과 채무상환능력평가 보정레벨이 미리 정해진 기준값 이상 차이가 나면, 타겟 채무상환능력평가 레벨을 타겟 채무상환능력평가 보정레벨로 보정한다. 보정부(290)는 보정된 타겟 채무상환능력평가 보정레벨을 사용자 단말기(10)로 전송한다.
한편, 채무상환능력 평가시스템(100)은 지불여력 평가부(295)를 더 포함할 수 있다.
지불여력 평가부(295)는 재무제표가 있는 기업의 재무데이터 중 차입금정보와 해당 기업의 비재무데이터 중 신용공여 정보간의 상관관계 분석을 통해 학습하여 생성된 한계차입금 추론모델(미도시) 및 적정차입금 추론모델(미도시)을 이용하여 타겟기업의 지불여력을 산출할 수 있다. 이때, 한계차입금은 영업활동, 자산, 산업평균 등을 고려하여 타겟기업이 한계치까지 부담할 수 있는 차입금을 의미하고 적정차입금은, 영업활동을 고려하여 타겟기업이 부담할 수 있는 차입금을 의미한다. 지불여력은 한계차입금 및 적정차입금의 금액의 구간을 의미할 수 있다.
다시 도 1을 참조하면, 외부서버(20)는 타겟기업에 대한 재무제표를 기초로 재무데이터 및 타겟기업에 대한 비재무데이터를 수집하여 채무상환능력 평가시스템(100)으로 전송한다. 일 실시예에 있어서 외부서버(20)는 타겟기업에 기 부실이벤트가 발생되었으면, 기 부실이벤트 발생정보를 데이터 획득부(210)를 통해 제2 산출부(240)로 전송할 수 있다.
본 발명이 속하는 기술분야의 당업자는 상술한 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다.
그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로 이해해야만 한다. 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 기업의 채무상환능력 평가시스템
210: 데이터획득부 220: 파생데이터 생성부
230: 제1 산출부 240: 제2 산출부
250: 모델링부 260: 채무상환능력 평가모델
280: 채무상환능력평가 보정모델 290: 보정부
295: 지불여력 평가부

Claims (17)

  1. 타겟기업의 재무제표를 기초로 획득된 재무데이터 및 상기 재무데이터 외 비재무데이터를 획득하는 데이터 획득부;
    평가시점부터 평가시점 이후인 미리 정해진 예측시점까지의 메인 예측기간을 n개(n은 2이상의 자연수)의 서브 예측기간으로 분할하고, 각 서브 예측기간에 대응되는 n개의 채무상환능력 평가모델에 상기 재무데이터 및 상기 비재무데이터를 입력하여 상기 채무상환능력 평가모델 별로 상기 타겟기업의 채무상환능력 평가결과를 각각 산출하는 제1 산출부; 및
    상기 n개의 채무상환능력 평가모델 별로 산출된 n개의 채무상환능력 평가결과 중 적어도 하나의 평가결과를 이용하여 타겟기업의 최종 채무상환능력 평가결과를 산출하는 제2 산출부를 포함하고,
    상기 n개의 채무상환능력 평가모델은 미리 정해진 m개(m은 2이상의 자연수)의 등급들 중 어느 하나를 타겟등급으로 결정하여 상기 타겟기업의 채무상환능력 평가결과를 산출하고,
    상기 제2 산출부는 상기 n개의 채무상환능력 평가모델 및 상기 m개의 등급에 따라 부여된 우선순위를 기초로 상기 n개의 채무상환능력 평가모델에 의해 산출된 타겟등급들의 우선순위들을 결정하고, 우선순위가 가장 높은 타겟등급을 최종등급으로 산출하여 상기 타겟기업의 최종 채무상환능력 평가결과를 산출하는 것을 특징으로 하는 기업의 채무상환 능력 평가시스템.
  2. 제1항에 있어서,
    상기 n개의 채무상환능력 평가모델은 상기 각 서브 예측기간에 대응되는 부실기업의 부실예정기간별로 학습되는 것을 특징으로 하는 기업의 채무상환능력 평가시스템.
  3. 제2항에 있어서,
    상기 n개의 채무상환능력 평가모델은 상기 부실예정기간에 따른 부실기업의 재무데이터 및 비재무데이터가 학습되어 서로 다른 평가모델로 형성되는 것을 특징으로 하는 기업의 채무상환능력 평가시스템.
  4. 제1항에 있어서,
    상기 n개의 채무상환능력평가 모델은,
    부실기업에 부실이벤트가 발생된 부실시점부터 상기 부실시점 이전인 제1 부실예정시점까지의 제1 부실예정기간 동안 발생된 상기 부실기업의 재무데이터, 및 비재무데이터가 학습된 제1 모델; 및
    상기 제1 부실예정시점부터 제1 부실예정시점 이전인 제2 부실예정시점까지의 제2 부실예정기간 동안 발생된 상기 부실기업의 재무데이터 및 비재무데이터가 학습된 제2 모델을 포함하는 것을 특징으로 하는 기업의 채무상환능력 평가시스템.
  5. 제4항에 있어서,
    상기 각 서브예측기간은 전체 예측기간을4분위로 분할하고, 상기 n개의 채무상환능력 평가모델은 각 분위 별로 채무상환능력을 평가하며,
    상기 n개의 채무상환능력평가 모델은,
    상기 제2 부실예정시점부터 제2 부실예정시점 이전인 제3 부실예정시점까지의 제3 부실예정기간 동안 발생된 상기 부실기업의 재무데이터 및 비재무데이터가 학습된 제3 모델; 및
    상기 제3 부실예정시점부터 제3 부실예정시점 이전인 제4 부실예정시점까지의 제4 부실예정기간 동안 발생된 상기 부실기업의 재무데이터 및 비재무데이터가 학습된 제4 모델을 더 포함하는 것을 특징으로 하는 기업의 채무상환능력 평가시스템.
  6. 제1항에 있어서,
    상기 n개의 채무상환능력평가 모델은 부실기업의 재무데이터 및 비재무데이터로부터 생성된 파생데이터를 추가로 학습되는 것을 특징으로 하는 기업의 채무상환능력 평가시스템.
  7. 삭제
  8. 삭제
  9. 제1항에 있어서,
    상기 제2 산출부는,
    상기 최종등급에 매칭되는 우선순위를 미리 정해진 수학식에 입력하여 채무상환능력 점수로 산출하는 점수산출부를 더 포함하는 것을 특징으로 하는 기업의 채무상환능력 평가시스템.
  10. 제1항에 있어서,
    상기 제2 산출부는,
    채무상환능력 평가모델 별 복수개의 등급들이 적어도 하나 이상의 그룹으로 그룹핑된 그룹 별 채무상환능력 레벨을 설정하고, 채무상환능력 평가모델 별로 산출된 복수개의 타겟등급 중 상기 최종등급이 포함되는 그룹에 설정된 채무상환능력 레벨을 상기 타겟기업의 타겟 채무상환능력 레벨로 산출하는 것을 특징으로 하는 기업의 채무상환능력 평가시스템.
  11. 제1항에 있어서,
    상기 제2 산출부는,
    채무상환능력 평가모델 별 복수개의 등급 중 일부 등급들이 서로 다른 채무상환능력 평가모델의 동일한 등급들간에 그룹핑되고, 다른 등급들이 동일한 채무상환능력 평가모델의 서로 다른 연속적인 등급들간에 그룹핑된 그룹별 채무상환능력 레벨을 설정하고, 복수개의 타겟등급 중 상기 최종등급이 포함되는 그룹에 설정된 채무상환능력 레벨을 상기 타겟기업의 타겟 채무상환능력 레벨로 산출하는 것을 특징으로 하는 기업의 채무상환능력 평가시스템.
  12. 제1항에 있어서,
    상기 비재무데이터는 타겟기업의 기업정보, 신용공여정보, 투찰정보, 계약정보, 국민연금 정보, 채용공고 정보, 부정당처분 정보, 및 건설면허처분 정보 중 적어도 하나를 포함하는 것을 특징으로 하는 기업의 채무상환능력 평가시스템.
  13. 제1항에 있어서,
    상기 재무데이터는 재무제표정보, 재무비율정보, 재무모형정보, 및 차입금정보 중 적어도 하나를 포함하는 것을 특징으로 하는 기업의 채무상환 능력 평가시스템.
  14. 제1항에 있어서,
    상기 재무데이터 및 비재무데이터로부터 상기 채무상환능력과 상관관계가 있는 파생데이터를 생성하는 파생데이터 생성부를 더 포함하고,
    상기 제1 산출부는 상기 파생데이터를 추가로 이용하여 타겟기업의 채무상환능력을 산출하는 것을 특징으로 하는 기업의 채무상환 능력 평가시스템.
  15. 제1항에 있어서,
    상기 각 서브 예측기간에 대응되는 미리 정해진 각 부실예정기간 별로 부실이벤트가 발생된 부실기업의 재무데이터, 비재무데이터, 및 파생데이터를 학습하여 상기 n개의 채무상환능력 평가 모델을 생성하는 모델링부를 더 포함하는 것을 특징으로 하는 기업의 채무상환 능력 평가시스템.
  16. 제15항에 있어서,
    상기 부실이벤트는 단기연체, 공공 연체, 금융 연체, 카드 연체, 상거래 연체, 및 휴폐업 중 적어도 하나를 포함하는 것을 특징으로 하는 기업의 채무상환 능력 평가시스템.
  17. 제1항에 있어서,
    상기 n개의 채무상환능력 평가모델을 생성하는 모델링부를 더 포함하고,
    상기 모델링부는 기업유형 별로 상기 n개의 채무상환능력 평가모델을 각각 생성하고,
    상기 제1 산출부는 상기 타겟기업이 속하는 기업유형에 매칭되어 있는 n개의 채무상환능력평가 모델을 선택하고, 상기 n개의 채무상환능력 평가모델 별로 타겟기업의 채무상환능력 평가결과를 산출하는 것을 특징으로 하는 기업의 채무상환능력 평가시스템.
KR1020190030818A 2019-03-18 2019-03-18 기업의 채무상환능력 평가시스템 KR102249028B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190030818A KR102249028B1 (ko) 2019-03-18 2019-03-18 기업의 채무상환능력 평가시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190030818A KR102249028B1 (ko) 2019-03-18 2019-03-18 기업의 채무상환능력 평가시스템

Publications (2)

Publication Number Publication Date
KR20200111064A KR20200111064A (ko) 2020-09-28
KR102249028B1 true KR102249028B1 (ko) 2021-05-06

Family

ID=72800940

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190030818A KR102249028B1 (ko) 2019-03-18 2019-03-18 기업의 채무상환능력 평가시스템

Country Status (1)

Country Link
KR (1) KR102249028B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230092270A (ko) 2021-12-17 2023-06-26 신용보증기금 채무자 상환능력 평가 방법

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114418725A (zh) * 2021-11-29 2022-04-29 浙江创邻科技有限公司 一种基于图模型的对公信贷评估方法及***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013080456A (ja) * 2011-09-21 2013-05-02 Norihide Noda 企業評価システム、企業評価方法及び企業評価プログラム
KR101326177B1 (ko) * 2012-12-14 2013-11-07 전문건설공제조합 단기지급능력 평가시스템
JP2018049400A (ja) * 2016-09-20 2018-03-29 株式会社ココペリインキュベート 財務情報分析システム、及びプログラム
JP2018081462A (ja) * 2016-11-15 2018-05-24 シーロムパートナーズ税理士法人 財務予測システム、財務予測方法、及び財務予測プログラム
KR101908353B1 (ko) * 2017-09-01 2018-10-22 대한민국(우정사업본부) 기업 평가 시스템 및 그 평가 방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101726870B1 (ko) * 2015-08-24 2017-04-14 한국산업은행 기업금융 조기경보 방법
KR102044205B1 (ko) * 2015-12-30 2019-11-13 주식회사 솔리드웨어 빅데이터와 기계학습을 이용한 타겟 정보 예측 시스템 및 예측 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013080456A (ja) * 2011-09-21 2013-05-02 Norihide Noda 企業評価システム、企業評価方法及び企業評価プログラム
KR101326177B1 (ko) * 2012-12-14 2013-11-07 전문건설공제조합 단기지급능력 평가시스템
JP2018049400A (ja) * 2016-09-20 2018-03-29 株式会社ココペリインキュベート 財務情報分析システム、及びプログラム
JP2018081462A (ja) * 2016-11-15 2018-05-24 シーロムパートナーズ税理士法人 財務予測システム、財務予測方法、及び財務予測プログラム
KR101908353B1 (ko) * 2017-09-01 2018-10-22 대한민국(우정사업본부) 기업 평가 시스템 및 그 평가 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230092270A (ko) 2021-12-17 2023-06-26 신용보증기금 채무자 상환능력 평가 방법

Also Published As

Publication number Publication date
KR20200111064A (ko) 2020-09-28

Similar Documents

Publication Publication Date Title
KR102246782B1 (ko) 상거래데이터를 이용한 ai기반의 평가모델을 포함하는 기업의 채무상환능력 평가시스템
Amani et al. Data mining applications in accounting: A review of the literature and organizing framework
Bellini IFRS 9 and CECL Credit Risk Modelling and Validation: A Practical Guide with Examples Worked in R and SAS
Banker et al. Implications of impairment decisions and assets' cash-flow horizons for conservatism research
Platt et al. Predicting corporate financial distress: Reflections on choice-based sample bias
Doumpos et al. Estimating and explaining the financial performance of property and casualty insurers: A two-stage analysis
TW580627B (en) System and method for efficiently providing due diligence knowledge and a computer therefor
US20040015376A1 (en) Method and system to value projects taking into account political risks
US20150026039A1 (en) System and method for predicting consumer credit risk using income risk based credit score
CN111754116B (zh) 一种基于标签画像技术的信用评估方法及装置
MXPA01008622A (es) Evaluacion rapida de portafolios de activos tales como instrumentos financieros.
Bandyopadhyay Managing portfolio credit risk in banks
Tserng et al. A grey system theory‐based default prediction model for construction firms
Klieštik et al. Prediction of financial health of business entities in transition economies
KR102249028B1 (ko) 기업의 채무상환능력 평가시스템
Rajput et al. Do exchange rate changes have symmetric or asymmetric effects on international trade integration?
Li Determinants of Banks ‘Profitability and its Implication on Risk Management Practices: Panel Evidence from the UK in the Period
Blackman Jr New venture planning: The role of technological forecasting
Guerra et al. Value creation and investment projects: An application of fuzzy sensitivity analysis to project financing transactions
Breeden et al. Impacts of Covid-19 on model risk management
KR102249015B1 (ko) 기업의 채무지불여력 산출시스템
Eko et al. Improving credit scoring model of mortgage financing with smote methods in sharia banking
Chortareas et al. Credit risk modelling within the euro area in the covid‐19 period: evidence from an icas framework
Friedhoff et al. A framework for assessing technology risks in transaction-based extended enterprises: US capital market case
YAMIN et al. Multiples and stock price, new approach for relative valuation through neural network

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant