†Corresponding author : 정회원, 1. 서 론
해운산업은 국제 무역 흐름, 연료 가격, 금리 변동 등 외부 요인에 민감하게 반응하며, 글로벌 경제 불황과 같은 외부 충격에 따라 재무적 위기에 처하기 쉽다. 2008년 금융위기 이후 다수의 해운 기업이 파산을 겪으며, 해운 기업의 파산 가능성을 사전에 예측하는 중요성이 주목받았다(Cho et al., 2020). 해운업의 파산 리스크는 단일 기업에 그치지 않고 국가 경제에도 영향을 미치므로 정확한 예측 모델 개발이 필수적이다.
기존의 파산예측 연구는 재무 비율에 기반한 통계적 기법을 주로 사용했으나(Altman, 1968; Ohlson, 1980), 이러한 접근은 변수 간의 비선형 관계를 반영하는 데 한계가 있다. 최근에는 머신러닝과 딥러닝을 활용하여 복잡한 관계와 대규모 데이터를 효과적으로 처리하는 방식이 도입되고 있으며, XGBoost, CatBoost 등의 앙상블 모델이 해운 기업의 파산예측에 특히 유망한 대안으로 주목받고 있다(Kwon and Woo, 2023).
또한 해운 기업의 파산 가능성은 서비스 유형에 따라 영향을 미치는 요인이 다를 수 있다. 예를 들어, 벌크 운송 기업은 원자재 가격 변동에 민감하지만, 컨테이너 운송 기업은 비교적 안정적인 수익 구조를 보인다(Stopfold, 2008). 그러나 기존 연구는 해운 기업을 단일 집단으로 취급하여 서비스 유형별 특성을 반영한 연구가 부족한 실정이다.
이에 본 연구는 해운 기업의 서비스 유형별로 파산예측 모델을 개발하고, 머신러닝 모델을 활용하여 주요 리스크 요인을 분석함으로써 서비스별 맞춤형 리스크 관리 전략을 제안하고자 한다. 이를 통해 해운업의 재무 안정성을 강화하고 지속 가능한 경영에 기여할 수 있을 것으로 기대된다.
2. 선행 연구
2.1 전통적 파산예측 모델과 그 한계
전통적인 파산예측 연구는 주로 재무 비율을 기반으로 한 통계적 기법에 의존해왔다. Altman(1968)의 Z-Score 모델은 수익성, 레버리지, 유동성 등의 재무 비율을 활용하여 기업의 파산 가능성을 평가하는 대표적인 방법이다. 그러나 이 모델은 변수 간의 비선형 관계를 충분히 반영하지 못한다는 한계가 있다. Kim and Lee(2016)는 한국 해운 기업을 대상으로 다변량 판별 분석과 로지스틱 회귀를 활용하여 파산 위험을 예측했지만, 외부 경제 요인이나 비재무적 요인을 포함하지 못하는 제한이 있었다.
한진해운의 파산 사례는 이러한 전통적 모델의 한계를 명확히 보여준다. Shin et al.(2019)은 한진해운이 운임 시장의 변동성을 고려한 적절한 용선 전략을 수립하지 못했으며, 장기 계약과 높은 용선료가 재정적 부담으로 작용했음을 지적했다. Song et al.(2019)은 한진해운의 파산 원인을 외부 요인인 글로벌 운임 시장의 침체와 내부 요인인 비효율적인 경영 전략으로 구분하여 분석했다. 이는 단순한 재무 비율 분석으로는 복잡한 파산 요인을 충분히 설명하기 어렵다는 것을 시사한다.
2.2 머신러닝 기반 파산예측 모델과 설명 가능한 AI(XAI)
최근에는 머신러닝과 인공지능 기법이 파산예측 모델에 도입되어 전통적 통계 기법의 한계를 극복하고 있다. 머신러닝 모델은 비선형 관계를 학습하고 대규모 데이터를 처리하는 데 강점을 가지며, 금융 리스크 예측에서 높은 성능을 보인다. Kwon and Woo(2023)는 트리 기반의 변수 선택 기법을 활용하여 기존 통계 모델보다 우수한 예측 성능을 입증했다. 또한, Kim and Ahn(2016)은 랜덤 포레스트 모델을 적용하여 예측 정확도를 향상시켰다.
설명 가능한 인공지능(XAI) 기법의 활용도 증가하고 있다. SHAP 분석과 같은 XAI 기법은 모델의 예측 결과를 해석 가능하게 만들어 준다(Kim and Moon, 2023). 이는 금융 분야에서 모델의 투명성과 신뢰성을 높이는 데 중요한 역할을 한다.
2.3 해운산업 특성을 반영한 맞춤형 파산예측 모델의 필요성
해운산업은 경제적 외부 충격에 민감하며, 수요와 공급의 비탄력성으로 인해 특수한 위험 요인을 가진다. Yoon et al. (2018)은 신호 접근법을 활용하여 해운 기업의 조기 경보 모델을 개발하고, 글로벌 경제 지표와 선행 지수를 반영하여 파산 리스크를 조기에 감지할 수 있음을 보였다. 2008년 금융 위기 이후 한국의 해운 기업들이 겪은 구조조정과 파산 사례는 외부 환경 변화가 해운산업에 큰 영향을 미친다는 것을 보여준다(Cho et al., 2020).
특히 해운 서비스 유형에 따라 파산 리스크 요인이 다를 수 있다. 벌크 운송 기업은 원자재 가격의 변동에 민감하고, 컨테이너 운송 기업은 비교적 안정적인 수익 구조를 가진다(Stopford, 2009). 그러나 기존 연구들은 해운산업을 단일 집단으로 취급하여 서비스 유형별 특성을 충분히 반영하지 못했다.
3. 연구 모형 및 방법론
본 연구는 해운 서비스 유형별로 해운 기업의 파산예측을 수행하기 위해 다양한 머신러닝 모델을 활용하여 모델 성능을 비교하고, 변수 중요도를 평가함으로써 서비스 유형에 따른 파산예측 모델의 적합성을 분석하고자 하였다. 첫째, 데이터 수집 및 전처리를 통해 분석에 필요한 데이터를 준비하였다. 둘째, 선행 연구를 바탕으로 예측에 활용할 변수를 선정하였다. 셋째, 전통적 모델과 머신러닝 모델을 구축하고, 하이퍼파라미터 튜닝을 통해 성능을 최적화하였다. 넷째, SMOTE 기법을 적용하여 데이터 불균형 문제를 개선하였다. 다섯째, 성능 지표를 사용하여 각 모델의 예측 성능을 비교·평가하였다. 마지막으로, SHAP 분석을 통해 해운 서비스 유형별 주요 리스크 요인을 파악하고 비교하여, 해운 기업의 파산 리스크 관리에 대한 시사점을 도출하였다.
3.1 데이터 수집 및 전처리
본 연구는 2001년부터 2023년까지의 재무 및 비재무 데이터를 활용하여 해운 서비스 유형별 파산 예측 모델을 구축하였다. 연구에 활용된 데이터는 한국거래소(KRX)와 금융감독원 전자공시시스템(DART)에서 수집하였으며, 한국해운협회(KSA)에 등록된 기업을 대상으로 분석을 수행하였다. 파산 위험이 발생하기 이전부터 점진적으로 증가한다는 가정하에, 파산 연도 및 그 전년도를 위험 발생 기간으로 설정하였고, 해당 기간의 데이터에 1의 값을, 그 외 기간의 데이터에는 0의 값을 부여하였다. 분석 대상은 벌크 운송, 탱커 운송, 컨테이너 운송 기업으로 구분하여 유형별로 비교·분석하였다.
수집된 데이터의 현황은 <Figure 2>에 나타난 바와 같이, 2008년 글로벌 금융위기와 2016년 한진해운 파산 사건이 해운업계의 부도율에 큰 영향을 미친 것을 알 수 있다. 금융위기 직후 부도율이 급등한 후에도 해운업계는 지속적인 부도 리스크에 노출되었으며, 특히 2014년에는 24%에 이르는 높은 부도율을 기록하였다.
본 연구는 데이터의 품질을 높이기 위해 먼저 결측값 비율이 높은 변수는 분석에서 제외하였고, 주요 변수는 로그 변환을 통해 정규성을 확보하였다. 이상치는 사분위 범위(IQR) 방법을 사용하여 제거하였다.
본 연구에서는 별도의 변수 선정과정을 수행하지 않았다. 이는 최신 머신러닝 모델들이 다수의 변수를 효과적으로 처리할 수 있으며, 변수 간의 복잡한 상호작용을 통해 높은 해석력을 유지할 수 있기 때문이다. 특징 선택을 통해 변수를 축소할 경우, 중요한 변수가 제외되거나 복합 변수로 대체되어 모델의 투명성과 해석 가능성이 저하될 우려가 있다(Molnar, 2020). 따라서 본 연구는 변수의 완전성을 유지하여 모델의 해석력을 높이고, 최신 머신러닝 모델의 강점을 최대한 활용함으로써 연구의 투명성과 신뢰성을 확보하였다.
3.2 변수 선정
본 연구에서는 해운산업의 파산예측 모델 구축을 위해 재무 변수, 비재무 변수, 거시경제 변수를 체계적으로 선정하였으며, 기존 파산예측 선행연구에서 유의미한 영향을 미친 요인들과 해운산업의 특성을 종합적으로 고려하여 이루어졌다.
재무 변수는 기업의 재무 건전성을 평가하기 위해 선정되었다. 주요 항목으로는 레버리지(부채비율, 총채무/총자산 비율), 수익성 지표(ROA, ROE, 매출액 수익률), 유동성 지표(유동비율, 유동자산 대비 매출액) 등이 포함되어 있으며, 기업의 성장성(총매출 증가율, 총자산 성장률)과 기업 규모(총자산의 로그값)를 반영하여 기업 운영 효율성을 평가하였다.
비재무 변수는 해운산업의 특성을 반영하기 위해 기업 연령, 보유 선박 수를 포함하였다. 기업 연령은 기업의 운영 경험을 나타내며, 보유 선박 수는 기업 규모를 반영한다.
거시경제 변수는 해운 기업의 파산 위험에 영향을 미치는 외부 요인을 고려하여 선정되었다. 글로벌 금리 변동을 반영하는 LIBOR, 원/달러 환율, 브렌트유 가격, 해상 운임 변동성을 나타내는 Baltic Dry Index(BDI), 세계 경제 성장률과 세계 물동량 성장률을 통해 외부 경제 환경과 해운업 수요의 변화를 평가하였다.
3.3 연구 모형
본 연구에서는 기존 선행 연구에서 선정되었던, 전통적인 선형 모델과 비선형 머신러닝 모델을 활용하여 해운 서비스 유형별 파산예측 성능을 비교하였다.
1) 로지스틱 회귀: 이진 분류 문제에서 널리 사용되며 해석이 용이하나, 다중 공선성에 민감하다.
2) 서포트 벡터 머신: 비선형 데이터에 효과적이며, 대규모 데이터에서는 속도와 메모리 효율성이 떨어진다.
3) 의사결정나무: 해석이 용이하나 과적합 문제가 발생할 수 있어 가지치기(pruning)가 필요하다.
4) 랜덤 포레스트: 여러 의사결정나무의 앙상블로 예측 성능을 높이며 모델의 안정성을 강화한다.
5) XGBoost: 병렬 학습과 과적합 제어를 통해 높은 정확도를 보이는 트리 부스팅 모델로, 성능이 입증되었다.
6) LightGBM: 효율적인 계산과 메모리 사용을 통해 빠르고 정확한 성능을 제공하며, 대규모 데이터 처리에 강점이 있다.
7) CatBoost: 범주형 변수 처리에 특화된 Gradient Boosting 모델로, 과적합을 줄이며 높은 성능을 보인다.
8) BalancedBaggingClassifier: 불균형 데이터 세트에 효과적인 모델로, 데이터 균형을 맞추어 예측 성능을 개선한다.
모델 최적화를 위해 Grid Search를 사용하여 하이퍼파라미터 튜닝을 수행하였다. Grid Search는 모든 하이퍼파라미터 조합을 평가하여 최적값을 선정하는 방식으로, 각 모델에 대해주요 하이퍼파라미터를 최적화하여 예측 성능을 극대화하였다.
4. 실증 분석
본 연구에서는 해운 서비스 유형별 파산예측 모델의 성능을 비교하기 위해 기존 선형 모델과 최신 비선형 머신러닝 모델을 평가하였다. 각 유형의 ROC-AUC값을 비교함으로써 선형 모델의 한계와 비선형 모델의 장점을 파악하고자 하였다. 이를 통해, 데이터의 특성에 따른 적합성에 대한 시사점을 도출하였다.
4.1 해운서비스 별 예측 능력 비교분석
벌크 운송 유형에서는 LightGBM(AUC = 0.9246)과CatBoost(AUC = 0.9362) 모델이 가장 높은 예측력을 보였다. 이들 최신 비선형 모델은 데이터의 복잡한 패턴과 변수 간 상호작용을 효과적으로 반영하여 우수한 성능을 기록하였다. 반면, 로지스틱 회귀모델은 AUC가 0.8350으로, 비선형 모델들보다 예측력이 다소 떨어지는 결과를 보였다. 이는 선형 모델이 변수 간 상관관계나 비선형적 특성을 충분히 반영하지 못하는 한계를 가지고 있음을 나타낸다.
탱커 운송 유형에서도 CatBoost 모델이 AUC 0.8944로 가장 높은 성능을 보였고, LightGBM 모델 역시 AUC 0.8849로 유사한 성능을 나타냈다. 로지스틱 회귀 모델은 AUC 0.7808을 기록하여, 최신 비선형 모델들보다 예측력이 다소 떨어졌다. 이 결과는 탱커 유형의 파산예측에서 전통적인 선형 모델이 변수 간 복잡한 상호작용이나 비선형적 요인을 반영하는 데 한계를 가지고 있음을 시사한다.
컨테이너 운송 유형에서는 CatBoost 모델이 AUC 0.9510으로 가장 뛰어난 예측력을 보였고, SVM과 LightGBM 모델 역시 각각 AUC 0.9429와 0.9163으로 높은 성능을 기록하였다. 반면, 로지스틱 회귀 모델은 AUC 0.9265를 기록하여 비선형 모델들에 비해서는 다소 낮은 성능을 보였으나, 다른 유형들에 비해서는 선형 모델로서 상대적으로 높은 예측력을 나타냈다. 이는 컨테이너 운송이 다른 운송 유형에 비해 상대적으로 예측 변수들이 선형적인 경향을 보일 가능성을 시사한다. 글로벌 무역량의 변화와 같은 특정한 외부 변수들이 주요 예측 요인으로 작용하기 때문에, 비선형 모델이 더 높은 성능을 보이기는 했지만, 선형 모델도 어느 정도 유효한 예측력을 발휘한 것으로 보인다.
4.2 결과 해석 및 주요 변수 선정
본 연구에서는 해운 서비스 유형별 파산예측 모델에서 중요 변수를 해석하기 위해 SHAP(SHapley Additive exPlanations) 값을 활용하였다. 각 서비스 유형에 따라 파산에 영향을 미치는 주요 요인을 비교함으로써, 기업의 재무 특성과 외부 경제 요인이 유형별 파산 위험에 미치는 상이한 영향력을 규명하고자 하였다.
4.2.1 벌크 운송(Bulk Carrier) 유형
SHAP 분석 결과에 따르면, 기업 규모가 벌크 운송 기업의 파산 예측에서 가장 중요한 변수로 나타났으며, 기업 규모가 클수록 파산 위험이 감소하는 경향이 확인되었다. 이는 대규모 기업이 외부 경제적 충격에 더 큰 저항력을 가진다는 것을 시사한다. 유동자산과 총매출 증가율은 기업의 파산 위험에 중요한 영향을 미치는 변수로 나타났으며, 유동자산이 많고 매출 성장률이 높은 기업일수록 파산 위험이 낮아지는 경향을 보였다. 이는 벌크 운송 산업이 글로벌 경제 환경과 수익성 증대에 크게 의존한다는 점에서 중요한 시사점을 제공한다. 주주 자본과 순이자 마진은 파산 가능성에 주요한 영향을 미치는 변수로 분석되었으며, 이는 벌크 운송 기업이 단기 유동성과 자본 구조의 건전성을 유지하는 것이 중요함을 보여준다.
4.2.2 탱커(Tanker) 유형
SHAP 분석 결과에 따르면, 자산 대비 재고자산 비율이 탱커 운송 기업의 파산 예측에서 가장 중요한 변수로 도출되었다. 재고자산 비율이 높을수록 파산 위험이 증가하는 경향을 보였으며, 이는 유동성이 부족한 자산 구조가 재무 안정성을 약화시킬 수 있음을 시사한다.
4.2.3 컨테이너(Container) 유형
컨테이너 운송 유형에서 SHAP 분석 결과, 보유 선박 수가 파산 예측에서 가장 큰 영향을 미치는 변수로 나타났으며 (mean SHAP value = 0.7830), 선박 자산 규모가 클수록 파산 위험이 감소하는 경향을 보였다. 이는 보유 선박의 규모가 컨테이너 운송 기업의 재무 안정성과 직접적으로 연관됨을 시사한다. 총자산 대비 장기 부채는 비율이 높을수록 부채 부담 증가로 인해 파산 위험이 커질 가능성을 나타냈으며, 기업 연령은 낮은 경우 신생 기업의 안정성 부족으로 파산 리스크가 증가할 수 있음을 보여준다.
4.5 시사점 및 논의점
연구 결과에 따르면, 서비스 유형에 따라 파산에 영향을 미치는 리스크 요인과 그 중요도가 달라져 차별화된 관리 접근이 요구됨을 확인하였다.
벌크 운송 기업의 경우, 기업 규모, 유동자산, 그리고 총매출 증가율이 주요 파산 리스크 요인으로 나타났다. 이는 벌크 운송 기업이 대규모일수록 외부 경제적 충격에 대한 내성이 강하며, 대외 무역 환경에 민감하게 반응한다는 점을 시사한다. 따라서 벌크 운송 기업은 환율 및 금리 변동에 따른 재무 리스크를 줄이기 위해 헤지 도구를 활용할 필요가 있다. 또한, 자산 회전과 물동량 증가에 대응할 수 있도록 현금 흐름 관리와 자산 유동화를 통해 단기 유동성을 확보하고 재무 구조의 유연성을 강화할 수 있다.
탱커 운송 기업의 경우, 자산 대비 재고자산, 총자산 대비 이익잉여금, 그리고 총부채가 파산 리스크에 큰 영향을 미치는 요인으로 나타났다. 이는 탱커 운송 기업이 높은 부채 비율과 자산 유동성에 크게 의존하며, 재고 관리와 축적된 이익이 재무 안정성에 중요한 역할을 한다는 것을 의미한다. 따라서 탱커 운송 기업은 부채 구조를 개선하고 리파이낸싱을 통해 재무 부담을 줄여야 한다. 예를 들어, 부채 만기를 연장하거나 낮은 금리로 전환하여 부채 부담을 완화하고 자산 운용 효율성을 높이는 방안을 고려할 수 있다.
5. 결 론
본 연구는 해운 서비스 유형별 주요 파산 요인을 분석하고 이를 바탕으로 차별화된 리스크 관리 전략을 제시함으로써, 해운 기업의 재무 안정성을 강화하는 데 기여하고자 하였다. 해운산업은 외부 경제 환경 변화에 민감하게 반응하며, 서비스 유형에 따라 재무 리스크 요인이 다르게 작용할 수 있다. 본 연구에서는 벌크, 탱커, 컨테이너 운송이라는 세 가지 해운 서비스 유형을 대상으로 머신러닝 기반 파산예측 모델을 구축하고, 유형별 리스크 요인의 중요성과 예측 성능을 비교 분석하였다. 특히 CatBoost와 LightGBM 등 최신 비선형 머신러닝 모델을 포함한 다양한 예측 기법을 적용하여 해운산업의 특성과 데이터의 복잡성을 효과적으로 반영하였다.
연구 결과에 따르면, 비선형 모델이 선형 모델보다 높은 예측 정확도를 보였으며, 이는 해운 기업의 파산 리스크가 비선형적인 변수 간 상호작용에 크게 영향을 받는다는 점을 시사한다. 또한, SHAP 분석을 통해 각 변수의 중요도를 시각화하여 파산예측에 미치는 영향을 구체적으로 파악하였다. SHAP 분석 결과, 서비스 유형별로 파산 리스크에 기여하는 주요 변수가 상이함을 확인하였으며, 예를 들어 벌크 운송에서는 기업 규모, 유동자산과 같은 유동성 요인이 중요하게 작용하고, 탱커 운송에서는 부채와 관련된 요인이 핵심 변수로 나타났다. 이러한 결과는 해운 기업이 각 서비스 유형에 최적화된 리스크 관리 전략을 수립할 수 있는 실증적 근거를 제공한다.
이러한 결과는 다음과 같은 시사점을 제공한다. 첫째, 학문적 시사점으로서, 서비스 유형별 특성과 비선형적 리스크 요인을 고려한 파산예측 모델을 제시하여 재무 리스크 분석 분야의 연구 범위를 확장하였다. 이는 해운산업의 복잡한 재무 구조와 시장 동향을 이해하는 데 필요한 이론적 기반을 강화한다. 둘째, 정책적 시사점으로서, 해운정책 입안자들은 서비스 유형별로 상이한 파산 요인을 고려하여 차별화된 규제와 지원 정책을 수립해야 한다. 예를 들어, 탱커 운송 기업에는 부채 관리에 초점을 맞춘 재정 안정화 정책이 필요할 수 있다. 셋째, 실무적 시사점으로서, 해운기업 경영진은 도출된 주요 리스크 요인을 기반으로 서비스 유형별 맞춤형 리스크 관리 전략을 수립할 수 있다. 벌크 운송 기업은 유동성 관리에 집중하여 파산 위험을 감소시킬 수 있다.
이러한 시사점들은 해운산업이 직면한 경제적 불확실성에 효과적으로 대응하기 위한 중요한 도구와 지침을 제공하며, 향후 해운기업의 재무 리스크 관리와 정책 수립에 유용하게 활용될 것으로 기대된다.
PDF Links
PubReader
ePub Link
Full text via DOI
Download Citation
Print
