• 벤처창업연구
• /
• 제18권5호
• /
• pp.77-90
• /
• 2023

본 연구의 목적은 SNS 사용특성과 대출상품의 특성, 개인특성이 신용대출 상환에 미치는 영향력을 확인하여 SNS를 활용하는 대안신용평가가 기존 대출심사를 보완할 수 있는지를 검증하기 위함이다. 이를 위해 SNS를 활용하여 실제 대출심사에 반영하고 있는 T사 A 신용대출 프로그램 데이터를 이용하여 SNS 사용특성, 대출특성, 개인특성이 신용대출 상환에 미치는 영향력을 이항로지스틱 회귀분석을 통해 분석하였다. 분석결과 첫째, 사용자의 성격 및 개별 특성을 나타내는 프로필 사진의 경우 본인을 드러내지 않으려고 프로필 사진을 등록하지 않은 사람들과 달리 외향적인 경향의 사람이 선택할 가능성이 큰 본인 사진, 가족, 친구 등의 사적그룹 사진, 성실성의 경향이 강한 사람이 선택할 확률이 높은 취미 등 사회활동 사진, 개방성과 신경성이 높은 경향의 사람이 많이 선택하는 캐릭터·유머 사진, 개인의 사생활과 직결되는 가족·친구 등 사진을 SNS에 사용하는 사람들일수록 신용대출 상환에 적극적인 것으로 나타났다. 본인을 감추는 풍경 등의 사진 사용과 신용대출 상환과의 인과관계는 통계적으로 유의하지 않은 것으로 나타났다. 또한, SNS 사용량이 많을수록 신용대출 상환가능성이 높아지는 것으로 나타났다. 반면 SNS 소통량은 신용대출 상환가능성에 유의한 영향을 미치지 않는 것으로 나타났는데, 이는 소통량이라는 변수가 사용자가 직접 작성한 글보다는 타인의 댓글에 대한 공감을 나타내는 수동적 측면이 강하기 때문에 나타난 결과라 판단된다. 대출채권이 가진 특성을 나타내는 대출기간과 대출횟수도 신용대출 상환에 통계적으로 유의한 영향을 미치는 것으로 나타났다. 이는 대출기간과 대출횟수가 소액대출 상품에서도 중요한 영향요소로 고려되어야 함을 의미한다. 개인 특성 변수 중에서는 성별만 유의하게 나타났다. 이는 분석에 사용한 대출프로그램이 은행 등의 금융기관에서 대출이 불가능한 저신용 점수를 가진 20~30대 고객이 대부분인 상품으로 이용자의 나이와 신용점수에 있어서 차별성이 크지 않다는 것을 의미한다. 본 연구는 SNS사용량과 프로필 사진 등 기존 신용평가 연구에서 다루지 않은 변수를 사용하여 신용대출 상환과의 영향관계를 실증분석 하였다는 점에서 기존 연구와 차별성을 갖는다. SNS와 같은 주관적 비정형정보를 서민지원 대출심사에 활용한다면, 신용거래가 없어서 신용등급이 낮거나 단기적 유동성 함정에 빠진 차입자 즉 금융이력부족자(Thin filer)들이 신용거래 등의 금융 이력이 축적될 때까지의 신용비용에 대한 불이익을 감소시킬 수 있다는 점에서 의의가 있다.

• 지능정보연구
• /
• 제24권2호
• /
• pp.111-124
• /
• 2018

본 연구는 만성질환 중의 하나인 고지혈증 유병을 예측하는 분류모형을 개발하고자 한다. 이를 위해 SVM과 meta-learning 알고리즘을 이용하여 성과를 비교하였다. 또한 각 알고리즘에서 성과를 향상시키기 위해 변수선정 방법을 통해 유의한 변수만을 선정하여 투입하여 분석하였고 이 결과 역시 각각 성과를 비교하였다. 본 연구목적을 달성하기 위해 한국의료패널 2012년 자료를 이용하였고, 변수 선정을 위해 세 가지 방법을 사용하였다. 먼저 단계적 회귀분석(stepwise regression)을 실시하였다. 둘째, 의사결정나무(decision tree) 알고리즘을 사용하였다. 마지막으로 유전자 알고리즘을 사용하여 변수를 선정하였다. 한편, 이렇게 선정된 변수를 기준으로 SVM, meta-learning 알고리즘 등을 이용하여 고지혈증 환자분류 예측모형을 비교하였고, TP rate, precision 등을 사용하여 분류 성과를 비교분석하였다. 이에 대한 분석결과는 다음과 같다. 첫째, 모든 변수를 투입하여 분류한 결과 SVM의 정확도는 88.4%, 인공신경망의 정확도는 86.7%로 SVM의 정확도가 좀 더 높았다. 둘째, stepwise를 통해 선정된 변수만을 투입하여 분류한 결과 전체 변수를 투입하였을 때보다 각각 정확도가 약간 높았다. 셋째, 의사결정나무에 의해 선정된 변수 3개만을 투입하였을 때 인공신경망의 정확도가 SVM보다 높았다. 유전자 알고리즘을 통해 선정된 변수를 투입하여 분류한 결과 SVM은 88.5%, 인공신경망은 87.9%의 분류 정확도를 보여 주었다. 마지막으로, 본 연구에서 제안하는 meta-learning 알고리즘인 스태킹(stacking)을 적용한 결과로서, SVM과 MLP의 예측결과를 메타 분류기인 SVM의 입력변수로 사용하여 예측한 결과, 고지혈증 분류 정확도가 meta-learning 알고리즘 중에서는 가장 높은 것으로 나타났다.