<36305FB1E8BDC3C1DF2DC6C7BAB0BAD0BCAEBFA120C0C7C7D120B1E2BEF7BACEBDC72E687770>

Size: px

Start display at page:

Download "<36305FB1E8BDC3C1DF2DC6C7BAB0BAD0BCAEBFA120C0C7C7D120B1E2BEF7BACEBDC72E687770>"

아영 용
5 years ago
Views:

1 Journal of the Korea Academia-Industrial cooperation Society Vol. 17, No. 10 pp , ISSN / eissn 판별분석에의한기업부실예측력평가 : 서울지역특 1 급호텔사례분석 김시중우송대학교 C-MBA 대학원 Evaluation of Corporate Distress Prediction Power using the Discriminant Analysis: The Case of First-Class in Seoul Si-Joong Kim Graduate School of C-MBA, Woosong University 요약본연구는서울지역특1급호텔을대상으로 2015년도재무비율을변수로활용하여표준재무비율을산출하며, 다변량판별분석에의한부실예측모형개발및부실예측력평가에목적이있다. 서울소재 19개특1급호텔의 14개재무비율을분석대상으로선정하여실증분석을실시하였으며분석결과는다음과같다. 첫째, 분석결과우수기업과부실기업을판별하는 7개재무비율은유동비율, 차입금의존도, ㅊ영업이익대비이자보상비율, 매출액영업이익율, 자기자본순이익율, 영업현금흐름비율, 총자산회전율로나타났다. 둘째, 7개재무비율을활용하여우수기업과부실기업을판별하는판별함수를다변량판별분석에의해추정하였으며, 추정된판별함수를실제소속집단과예측집단으로분류가가능한가의예측력검정결과, 예측판별력의정확도는 87.9% 로분석되었다. 셋째, 추정된판별함수의예측판별력의정확도검증결과판별분석에의한부실예측모형의예측력은 78.95% 로분석되었다. 이러한분석결과, 호텔경영진은호텔기업의부실기업집단을판별하는 7개재무비율을중점적으로관리해야함을시사하고있다. 또한호텔기업이타산업과는뚜렷한재무구조의차이와부실예측지표가상이하며, 이에호텔기업대상의신용평가시스템구축시호텔기업의재무적특성을반영한시스템구축이필요함을시사하고있다. Abstract This study aims to develop a distress prediction model, in order to evaluate the distress prediction power for first-class hotels and to calculate the average financial ratio in the Seoul area by using the financial ratios of hotels in The sample data was collected from 19 first-class hotels in Seoul and the financial ratios extracted from 14 of these 19 hotels. The results show firstly that the seven financial ratios, viz. the current ratio, total borrowings and bonds payable to total assets, interest coverage ratio to operating income, operating income to sales, net income to stockholders' equity, ratio of cash flows from operating activities to sales and total assets turnover, enable the top-level corporations to be discriminated from the failed corporations and, secondly, by using these seven financial ratios, a discriminant function which classifies the corporations into top-level and failed ones is estimated by linear multiple discriminant analysis. The accuracy of prediction of this discriminant capability turned out to be 87.9%. The accuracy of the estimates obtained by discriminant analysis indicates that the distress prediction model's distress prediction power is 78.95%. According to the analysis results, hotel management groups which administrate low level corporations need to focus on the classification of these seven financial ratios. Furthermore, hotel corporations have very different financial structures and failure prediction indicators from other industries. In accordance with this finding, for the development of credit evaluation systems for such hotel corporations, there is a need for systems to be developed that reflect hotel corporations' financial features. Keywords: Distress Prediction Model, Distress Prediction Power, Financial Ratio Analysis, First Class Hotel, Multi-variate Discriminant Analysis * Corresponding Author : Si-Joong Kim(Woosong University) Tel.: sjkim@wsu.ac.kr Received July 14, 2016 Revised (1st August 16, 2016, 2nd August 25, 2016) Accepted October 7, 2016 Published October 31,

2 판별분석에의한기업부실예측력평가 : 서울지역특 1 급호텔사례분석 1. 서론호텔기업은초기투자비용이높으며지속적인시설투자가요구되어지는산업분야이다. 국내의경우토지구입비부담이높아호텔건설을위한투자비가다른나라에비교하여높은편이다. 동일규모의호텔건설에소요되는투자비를비교하면, 대만은한국의절반정도, 미국은 3분의 1, 중국은 5분의 1 정도에불과하다. 이러한국내호텔건설초기의높은시설투자비가소요되는데비하여최근호텔의수익성 ( 투자회수기간및내부수익률등 ) 은타산업에비하여낮고, 특히총자산회전률등의기업의활동성지표는매우낮은특성을나타내고있다. 한국은행기업경영분석 [1] 자료를토대로 2013년부터 2015년까지 3개년간의국내호텔기업재무상태및경영성과분석결과, 매출액증가율등의성장성지표는높게나타나고있으나수익성지표 ( 총자산순이익율및자기자본순이익율등 ) 및활동성지표 ( 자기자본회전율등 ) 는낮게나타나고있다. 이러한호텔업계의현상황은최근한류등의긍정적영향으로인한외래방문객의증가에기인한매출의성장에도불구하고전반적인국내경기침체및경제외적인요인등의악재로낮은수익성과활동성을나타내어경영상의어려움이처해있다. 최근호텔기업의경영상의어려움으로인한부실과도산은단지호텔기업만의문제가아닌기업과관련된수많은이해관계자들을고려할때호텔기업의경영악화가능성을미리예방하기위한부실예측은매우중요한과제로대두되고있다. 호텔기업대상의부실예측모형구축은은행등금융기관이신용평가시스템혹은심사의사결정지원시스템을구축하는데중요한기반이되며, 연구결과는기업의평가와부실화의원인규명과악화방지등을위한자료로활용이가능하다. 부실예측을위한연구는국내 외의여러산업분야에서실무적으로활용되어지고있으며, 부실예측의정확성을높이기위한다양한분석기법이개발활용되었다. 부도예측에대한국내외선행연구들은단일변량 (single variate) 분석 (Profile 분석 ), Probit분석, 유전자알고리즘 (genetic algorithms) 분석, 인공신경망 (artificial neural network) 분석, Hybrid discriminant neural networks 분석, 로짓 (logit) 분석및다변량판별 (multi-variate discriminant) 분석등의분석기법을사용하며부도예측 의정확성을높이고자하였다. 그러나국내의부실예측에관한연구및실무적활용은대부분이상장기업등을대상으로하고있으며, 호텔기업대상의재무비율활용연구, 부실예측모형및부실예측력평가등의호텔기업의재무상태및경영성과를평가하는연구및실무적활용은부족한실정이었다. 특히, 호텔산업분야의부실예측모형이연구되지않아호텔기업의신용평가를위한측정과부실화의방지를위한연구가필요성이제기되고있다. 이에본연구는서울소재특1급호텔을대상으로 2015년기준의재무비율을산출하며, 이를변수로활용하여예측의정확성이높아실무적으로활용이많이되고있는다변량판별분석에의한부실예측모형을개발및부실예측모형의부실예측력을평가함에목적이있다. 2. 이론적고찰 2.1 부실예측에사용된통계적분석기법기업부실은여러요인이복합적으로작용하여발생되어예측방법또한다양할수밖에없는데일반적으로는현금흐름분석, 경영전략분석, 재무제표분석및시장정보분석등의 4가지접근방법이이용되어왔다 [2]. 부실기업예측에대한연구는주로모형의예측력을높이기위한기업부실의원인변수를탐색하는연구와새로운기법을이용한모형을개발하는쪽으로집약할수있다. 이러한노력의결과로좀더정교하고예측력있는새로운부실기업예측모형들이소개되고있다. 부실기업예측에대한대표적인연구로는단변량분석에의한부실기업예측모형을최초로개발한 Beaver[3] 로비교대상이되는기업의표본을산업전체에서구하지않고도산기업과비도산기업으로분리하여비교 분석하였다. 이것은흔히이분류검증이라고하는도산기업과비도산기업의재무비율이어떤차이가있는가를분석한후이자료를기준으로평가하는방법이다. Beaver의연구이후부도예측을위한계량적분석방법으로는프로빗 (probit) 분석, 인공신경망 (artificial neural network) 분석, 로짓 (logit) 분석및다변량판별 (multivariate discriminant) 분석등의다변량분석방법을들수있다. 다변량에의한부실예측모형에서가장대표적인접근 521

3 한국산학기술학회논문지제 17 권제 10 호, 2016 방법은다변량판별분석이다. Altman[4] 은판별분석을이용하여도산기업 33개와 33개비도산기업을표본기업으로 5개의재무비율을선정한후이것을전체표본에회귀분석하여판별함수를추정하였다. 이외에도다변량판별분석을활용한 Deakin[5] 의연구에서단변량분석보다는다변량판별분석이부실예측력이높은것으로주장하고있다. 이후에부실예측의정확성을높이기위하여새로운분석기법이활용되어 Ohlson[6] 은새로운분석방법인로짓분석을활용하였다. 1980년대후반부터인공신경망분석등의인공지능기법들이부도예측연구에도입되었고, 특히최근에는인공신경망과기존통계기법의성과를비교, 분석하는연구에서발전하여다양한통합방법론을통해모형의예측력을향상시키는방안들이제시되고있다. 국내외의선행연구고찰결과, 부실예측을위하여단일변량 (single variate) 분석 (Profile 분석 )[3], Probit분석 [6, 7], 유전자알고리즘 (genetic algorithms) 분석 [8], 인공신경망 (artificial neural network) 분석 [2, 7, 9, 10, 13], Hybrid discriminant neural networks 분석 [12], 로짓 (logit) 분석 [2, 7, 9, 10, 14, 15, 16, 17] 및다변량판별 (multi-variate discriminant) 분석 [2, 4, 5, 7, 11, 14, 15, 16, 18, 19, 20, 21, 22] 등의기법을사용하였으며예측의정확성향상을통한부실예측기법의다양화및발전이이루어졌다. 2.2 부실예측에사용된변수연구부실예측에서입력변수의선정은표본의선정과함께예측정확도에크게영향을끼치는요소중하나이다. 연구모형에따라입력변수의선정은다르게할수도있지만, 1966년 Beaver[3] 이후의연구들에서는주로기업의재무제표를통해쉽게도출될수있는전통적재무비율을대상으로가능한많은변수로투입한수통계적기법에의해변수를축소해나가는방법을사용하고있다 [2]. 선행연구에서는주로객관적으로신뢰할수있고기업의부도를잘나타내주는지표로서자료의입수가용이하고객관적인통계처리가가능한재무비율을대상으로하고있다. 국외연구에서는총자산이익율, 유동비율, 유보이익율, 당좌자산대총자본등이부실예측모형의중요입력변수로사용되었고, 국내에서는유동비율, 부채비율, 순운전자본비율, 유보이익율, 총자산회전율등이중요입력변 수로사용되었다 [2]. 이와같이부도를예측하는데있어국외에서중요시하는재무비율과국내에서중요시하는재무비율이차이를보이는것은국내와국외의기업환경의차이에의한것으로판단된다. 또한국내 외에의차이외에도연구자의연구목적이나연구자의관심분야에따라입력변수의선정에차이를보이고있음을알수있다. 상기의재무비율외에서현금흐름비율, 물가수준동향, 거시경제적변수및부가가치회계정보등이기업의부실예측력을높이는중요변수로고려되고있다 [2]. 본연구에서의부실예측에사용된변수는 주식회사의외부감사에관한법률제8조 에따라작성한주요 14 개재무비율을대상으로한선행연구 [23, 24] 에기초하여분석대상변수로유동비율, 부채비율, 차입금의존도, 영업이익대비이자보상비율, 매출액영업이익율, 매출액순이익율, 총자산순이익율, 자기자본순이익율, 총자산대비영업현금흐름비율, 매출액증가율, 영업이익증가율, 당기순이익증가율, 총자산증가율및총자산회전율등의 14 개의재무비율을선정하였다. Table 1. Target Hotel for Ratio Analysis Target *Exception of analysis 3. 실증분석 3.1 분석설계및분석의틀 분석대상기업 실증분석에서필요한분석대상기업은한국관광호텔업협회의자료를토대로서울지역총 26개의호텔가운데 19개특1급호텔을선정하였다. 조사모집단은회계연도를기준으로자료의일관성을유지하고부실예측모 Names of Number Renaissance Hotel Seoul, The Ritz-Carlton Seoul, Novotel Ambassador Seoul Gangnam, Intercontinental Seoul COEX, Imperial Palace Hotel, Grand Intercontinental Seoul Parnas, Mayfield Hotel, The-K Seoul Hotel, Seoul Palace Hotel, JW Marriott 19 Hotel Seoul, Lotte Hotel World, Grand Ambassador Seoul, The Plaza Hotel, Millenium Seoul Hilton, Sejong Hotel, Best Western Premier Seoul Garden Hotel, JW Marriott Dongdaemun Square Seoul, Shinsegae Chosun Hotel, Hotel Lotte Park Hyatt Seoul, SK Networks Walkerhill, Sheraton Seoul D Cube City Hotel, Grand Hilton Hotel, 7 Conrad Seoul Hotel, Grand Hyatt Seoul, Hotel Shilla 계 26 * Private hotel company / Hotel which dose not make annual report for Public 522

4 판별분석에의한기업부실예측력평가 : 서울지역특 1 급호텔사례분석 형의재무분석이가능한기업을대상으로한정하였다. 7 개호텔은유한회사로 주식회사의외부감사에관한법률제8조 에따라감사보고서작성의무가없는회사로조사모집단에서제외되었다 분석대상변수선정및내용 분석대상변수인재무비율은 주식회사의외부감사에관한법률제8조 에따라참고자료로작성의무가있었던다음의주요 14개재무비율로선정하였다. 이러한분석대상변수인표본기업 19개서울지역특1급호텔의 2015년도재무비율은금융감독원전자공시시스템을통하여공개된각호텔별감사보고서의재무상태표및손익계산서등의재무제표를바탕으로산출하였다. Table 2. Financial Ratios for Target Hotel Analysis Types of Stability Financial Ratios Current ratio, Debt ratio, Total borrowings and bonds payable to total assets, Interest coverage ratio to operating income Operating income to sales, Net income to sales, Net income to assets, Net income to stockholders equity, Ratio of cash flows Profitability from operating activities to sales Growth Growth rate of sales, Growth rate of operating income Growth rate of net income, Growth rate of total assets Evaluation item Number Indicator Total assets turnover 1 Activity Total 14 한편재무비율을종속변수로활용한기업집단분류를위하여본연구에서는선행연구 [23, 24] 에서활용된 14 개각재무비율별평균값에기준하여기업별재무비율을우수와부실로평가후, 우수로평가된재무비율이 7개이상이면우수기업으로 7개이하면부실로평가하는기업분류방식을동일하게적용하였다. 이러한기업집단분류방식에의한본연구에서는분석대상 19개의호텔을 10개의우수호텔기업과 9개의부실호텔기업으로분류하였다 통계분석의틀본연구에서의분석절차상우수호텔기업과부실호텔기업의특성을잘구분해주는변수들을추출하기위하여 모수검정인 t- 검정에의한유의성검정을시도하였다. t-검정결과에의하면분석대상 14개의재무비율중에서 p<.05에서통계적으로유의한변수는총 7개 ( 유동비율, 차입금의존도, 영업이익대비이자보상비율, 매출액영업이익율, 자기자본순이익율, 영업현금흐름비율, 총자산회전율 ) 인것으로분석되었다. Table 3. t-test Results Stability Profitability Growth Variables Mean Value Topleveled Failure Result of t-test t-value Sig. Current ratio Debt ratio Total borrowings and bonds payable to total assets Interest coverage ratio to operating income Operating income to sales , Net income to sales Net income to assets Net income to stockholders equity Ratio of cash flows from operating activities to sales Growth rate of sales Growth rate of operating income Growth rate of net income Growth rate of total assets Indicator Activity Total assets turnover Note: p-value: **: p<.01, *: p<.05 본연구대상호텔기업의안정성을나타내는재무비율인독립변수유동비율, 차입금의존도및영업이익대비이자보상비율, 수익성지표들의독립변수중에매출액영업이익율, 자기자본순이익율및영업현금흐름비율및활동성지표로서총자산회전율이통계적으로유의하나다른독립변수매출액증가율, 영업이익증가율, 당기순이익 523

5 한국산학기술학회논문지제 17 권제 10 호, 2016 증가율및총자산증가율은통계적으로유의하지않아서우수호텔기업과부실호텔기업을판별해주는판별력이없는것으로분석되고있다. 이러한 t-검정결과에근거하여본연구에서는통계적으로유의한 7개변수를활용하여다변량판별분석을실시하였다. 3.2 판별분석에의한부실예측모형의분석 분석의기본가정판별분석에의한특1급호텔의부실예측모형의도출을위해설정한기본가정은다음과같다. 첫째, 표본기업의변수및판별점수들은다변량정규분포를이루어야한다. 둘째, 예측모형은특1급호텔을우수호텔기업과부실호텔기업으로판별하는데신뢰성이있어야한다. 셋째, 어떤특1급호텔이우수기업과부실기업중어느한쪽으로분류될사전확률 (prior probability) 과판별기준점 (cut-off point) 결정시잘못판별할경우의확률은같은것으로가정한다 판별분석결과판별함수의통계값을요약하면다음과같다. 판별함수는집단간의관련정도를나타내는정준상관 (canonical correlation) 관계는 0.951, 그리고판별함수의고유값 (eigenvalue) 은 9.468로총분산의 100% 를설명하고있다. Table 4. Eigenvalues Eigenvalue % of Variance Cumulative % Canonical Correlation 9.468a 한편 Wilks 람다는설명력이높으며, 카이제곱 ( ) 의확률값 0.026< α=0.05이므로판별함수는유의한것으로나타났다. Table 5. Wilks Lambda Wilks Lambda Chi-square Df Sig 년서울지역특1급호텔을대상으로우수호텔기업과부실호텔기업으로의기업집단분류를위한다변량판별분석결과, 통계적으로유의한추정된계수로구성된판별함수는다음과같다. Z = X X X X X X X7 Z *= 여기서, X1: 유동비율, X2: 차입금의존도, X3: 영업이익대비이장보상비율, X4: 매출액영업이익율, X5: 자기자본순이익율, X6: 영업현금흐름비율, X7: 총자산회전율을나타내고있다. 판별점 ( Z * ) 은 0 으로특정기업의판별함수의값이 0 보다작으면우수기업으로 0보다크면부실기업으로구분된다. 한편판별함수의집단중심점의판별점수는우수기업이 3.068, 부실기업은 로나타나고있다. 본판별함수가원시자료 (raw data) 를그대로입력하여판별함수를도출한것이므로특정호텔의판별점수를구하려면해당변수의비율을대입하면된다 부실예측모형의예측력 도출된함수가통계적으로유의하다하더라도반드시효율적인함수라고할수없다. 판별함수의효율성은실제의예측능력에의해결정되기때문이다. 본실증분석에서추정된판별함수를실제소속집단과예측집단으로분류가가능한가의예측능력의정확도를검증한결과는다음과같다. 우수기업이우수기업으로분류될확률, 즉판별적중률은 77.8%, 부실기업이부실기업으로분류될확률은 80.0% 로나타내고있다. 한편우수기업이부실기업으로그리고부실기업이우수기업으로의오분류될확률은 22.2% 및 20.0% 인것으로분석되었다. 이러한본연구의판결결과에대한전체적예측판별력의정확도는 78.95% 에달하고있는것으로분석되고있다. Table 6. Classification Results Observed Group Predicted Group Top-leveled Failure Total Top-leveled % Failure % * 78.95% of original grouped cases correctly classified. 524

6 판별분석에의한기업부실예측력평가 : 서울지역특 1 급호텔사례분석 4. 결론본연구의목적은서울지역특1급호텔을대상으로표준재무비율을산출하며, 재무비율을활용하여다변량판별분석에의한부실예측모형의개발과예측력을평가함에있었다. 서울지역특1급 19개호텔의 2015년도 14개재무비율을활용하여우수호텔기업과부실호텔기업으로의판별을위한다변량판별분석을실시하였으며분석결과는다음과같다. 판별분석결과우수기업및부실기업을판별하는재무비율은유동비율, 차입금의존도, 영업이익대비이자보상비율, 매출액영업이익율, 자기자본순이익율, 영업현금흐름비율, 총자산회전율로분석되었다. 추정된판별함수를실제소속집단과예측집단으로분류가가능한가의예측력검정결과, 예측판별력의정확도는 87.9% 로나타났다. 개발된부실예측모형에의거실제소속집단과예측집단으로의분류가능에대한검정결과, 예측판별력의정확도는 78.95% 로나타났다. 본연구결과를선행연구와직접적으로비교하기에는표본기업의성격이나표본의크기, 기업의규모, 분석시점, 지역적특성등여러가지측면에서상당한차이가있을수있다. 그러나선행연구 [2, 13, 15, 23, 24] 에서판별분석에의한부실예측모형의예측력이 % 의수준인것에비교할때본연구의예측정확도 78.95% 는선행연구의예측력의범주에속하는것으로파악되었다. 본연구는 1992년일부호텔을대상으로호텔산업표준재무비율을산출 [24] 한후호텔대상의경영분석자료가부족한점을고려할때본연구에서제시한표준재무비율및부실예측모형은호텔업계에서의경영분석의기초지표, 경영평가자료및호텔기업의부실징후파악등의호텔이해관계자들의의사결정도구로활용이가능하다. 이러한본연구의분석결과, 호텔기업이타산업과는뚜렷한재무구조의차이와부실예측지표가상이하며, 이에호텔기업대상의신용평가시스템구축시호텔기업의재무적특성을반영한시스템의구축이필요함을시사하고있다. 본연구의한계는다음과같다. 첫째, 판별분석기법에의해서만부실예측이이루어져다른분석기법에의한결과와부실예측모형별예측력을비교 평가하지않았다 는점이다. 둘째, 다른지역과다른등급의호텔을분석대상의표본으로포함시키지않고단지서울지역의특1 급호텔로한정하여분석이이루어져본연구결과를일반화할수없고제한적으로서울지역특1급호텔을대상으로적용하여야한다는점이다. 셋째, 재무적정보이외의호텔기업의가치를결정할수있는비재무적정보를고려한연구가수용된다면보다유용성있는부실예측모형이활용될수있을것이다. 아울러새로운재무적변수의개발에도노력을기울여야할것이다. 이러한본연구의한계는후속연구로보완되어야할것이다. References [1] Bank of Korea, Financial Statement Analysis for 2014, [2] J. H. Nam & K. B. Yi, Non-Financial Information and Comparison of Bankruptcy Prediction Model, Seogang Economic Review, vol. 31 no. 1, pp. 1-29, [3] W. H. Beaver, Financial Ratios as Predictors of Failure, Journal of Accounting Research, vol. 5, pp , DOI: [4] E. I. Altman, Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy, Journal of Finance, vol. 23 no. 4, pp , DOI: [5] E. B. Deakin, A Discriminant Analysis of Predictors of Business Failure, Journal of Accounting Research, vol. 16 Spring, pp , DOI: [6] J. A. Ohlson, Financial Ratios and the Probability Prediction of Bankruptcy, Journal of Accounting Research, vol. 18 no. 1, pp , DOI: [7] T. H. Lin, A Cross Model Study of Corporate Financial Distress Prediction in Taiwan: Multiple discriminant analysis, logit, probit and neural networks models, Neurocomputing, vol. 72, pp , [8] J. K. Ok, Integrated Corporate Bankruptcy Prediction Model Using Genetic Algorithms, Doctoral thesis, Graduate School of Dongkuk University, [9] P. R. Kummar & V. Ravi, Bankruptcy Prediction in Banks and Firms via Statistical and Intelligent Techniques A Review, European Journal of Operational Research, vol. 180, pp. 1-28, [10] F. M. Tseng & Y. C. Hu, Comparing four bankruptcy prediction models: Logit, quadratic interval logit, neural and fuzzy neural networks, Expert Systems with Applications, vol. 37, pp , [11] S. J. Lee & W. S. Choi, A multi-industry bankruptcy prediction model using back-propagation neural network and multi-variate discriminant analysis, Expert Systems 525

한국산학기술학회논문지제 17 권제 10 호, 2016 with Applications, vol. 40, pp. 2941-2946, 2013. [12] F. Z. Azayite & S.

7 한국산학기술학회논문지제 17 권제 10 호, 2016 with Applications, vol. 40, pp , [12] F. Z. Azayite & S. Achchab, Hybrid Discriminant Neural Networks for Bankruptcy Prediction and Risk Scoring, Computer Science, vol. 83, pp , [13] H. G. Baek, An Empirical Study on Predicting Corporate Failure, Master s thesis, Graduate School of Economics of Yonsei Universiy, [14] O. K. Kwon, An Empirical Study on the Forecasting Model of Specialty Constructors Insolvency, Master s thesis, Graduate School of Industrial and Entrepreneurial Management of Chungang University, [15] H. K. Kim, Management Performance Evaluation and Failure Prediction Models for Financial Institutions: Focusing on the cooperative financial institutions, Doctoral thesis, Graduate School of Hankuk University of Foreign Studies, [16] K. H. Kang, Developing a Model to Predict the Insolvency of Medium and Small General Contractors, Master s thesis, Graduate School of Engineering of Hanyang University, [17] G. Z. Wang, A Study on the Prediction to Failure of medium and small sized Enterprises in China, Master s thesis, Graduate School of Paichai University, [18] S. C. Huang, Y. C. Tang, C. W. Lee, & M. J. Chang, Kernel local Fisher discriminant analysis based manifold-regularized SVM model for financial distress predictions, Expert Systems with Applications, vol. 39, pp , [19] M. Karas & M. Reznakova, Predicting bankruptcy under alternative conditions: the effect of a change in industry and time period on the accuracy of the model, Social and Behavioral Sciences, vol. 213, pp , [20] S. J. Kim, A Study on Prediction of Corporate Bankruptcy of a Discriminant Analysis Model, Social Science Review of Sangmyung Womans University, vol. 5, pp , [21] S. K. Min, S. Y. Kim, & B. S. Choi, A Method of Credit Analysis for an Insurance of Letter of Guarantee Using the Discriminant Analysis, Social Science Review of Hansung University, vol. 14 no. 1, pp , [22] H. G. Cho & Y. S. Kim, A Study on the Distress Prediction about Financial Characteristics of the Saemaeul Kumko, The Journal of Eurasian Studies, vol. 8 no. 2, pp , [23] S. J. Kim, Comparing Distress Prediction Models to the Hotel Corporate Structure: Based on Predictive Power, Journal of Tourism Science, vol. 28 no. 4, pp [24] S. J. Kim, K. W. Hong, A Study on the Comparing the Prediction Powers of Corporate Group of Classifying for the Convention Corporate, Journal of Event & Convention, vol. 1 no. 1, pp 김시중 (Si-Joong Kim) [ 정회원 ] 1986년 6월 : 빈대학교관광경영학과 ( 경영학사 )( 오스트리아 ) 1989년 6월 : 빈대학교대학원관광경영학 교통경영학전공 ( 경영학석사 ) 1992년 4월 : 빈대학교대학원관광경영학 경영학전공 ( 경영학박사 ) 1995년 3월 : 우송대학교 C-MBA 대학원교수 < 관심분야 > 관광경영분석, 관광경제, 관광마케팅 526

지능정보연구제 16 권제 1 호 2010 년 3 월 (pp.71~92),.,.,., Support Vector Machines,,., KOSPI200.,. * 지능정보연구제 16 권제 1 호 2010 년 3 월

지능정보연구제 16 권제 1 호 2010 년 3 월 (pp.71~92),.,.,., Support Vector Machines,,., 2004 5 2009 12 KOSPI200.,. * 2009. 지능정보연구제 16 권제 1 호 2010 년 3 월 김선웅 안현철 社 1), 28 1, 2009, 4. 1. 지능정보연구제 16 권제 1 호 2010 년 3 월 Support