앙상블 학습을 이용한 내부통제 결함기업의 예측
Prediction of Internal Control Weakness Using Ensemble Learning
김명종(부산대학교)
11권 2호, 103~114쪽
초록
본 연구에서는 내부통제시스템 평가모형에 대한 앙상블 학습의 도입 가능성을 검토하기 위하여 배깅 의사결정트리, 부스팅 의사결정트리, 인공신경망, 의사결정트리를 이용하여 내부통제시스템 평가모형을 개발하고 각 모형의 예측력을 비교하였다. 이를 위하여 2006년부터 2009년까지 국내 유가증권 상장법인과 코스닥시장 등록법인 중 111개의 내부통제 취약 기업과 333개의 정상 기업을 대상으로 내부통제평가 모형을 개발하였다. 개발 모형의 예측정확성 검증 결과에서, 단순평균 정확도는 배깅 의사결정트리(79.8%), 부스팅 의사결정트리(79.6%), 인공신경망(77.9%), 의사결정트리(76.7%) 순으로 나타났으며 T-Test 결과, 1% 수준에서 앙상블 학습이 인공신경망 및 의사결정트리 모형보다 우수한 예측력를 보유하고 있는 것으로 나타났다. 또한 내부통제 평가모형에서 일반적으로 관찰되는 데이터 불균형을 고려한 가중평균 정확도 역시 부스팅 의사결정트리(64.1%), 배깅 의사결정트리(60.6%), 인공신경망(57.5%), 의사결정트리(57.2%) 순으로 나타났으며, 앙상블 학습과 인공신경망 및 의사결정트리의 예측력이 1% 수준에서 유의적인 차이가 존재하는 것으로 분석되었다. 본 연구는 내부통제평가 모형에 앙상블 학습을 도입하였고, 도입 결과 앙상블 학습을 이용하여 우수한 예측력을 보유한 효과적인 내부통제평가 모형의 구축 가능성을 제시하였다.
Abstract
This study is to develop internal control assessment models by applying Bagging algorithms, Boosting algorithms, neural networks, and decision tree, and to compare the prediction accuracy of those models. Empirical results with ICW prediction on Korea firms indicate that the prediction accuracy of Bagging algorithms, Boosting algorithms, neural networks, and deci-sion tree is 79.8%, 79.6%, 77.9%, and 76.7%, respectively. The results of T-Test show that the prediction accuracies of two ensemble models are significantly better than neural networks and decision tree at 1% level. In comparison using geometric prediction accuracy, two ensemble techniques show higher prediction accuracy than neural networks and decision tree at 1% level. This study demonstrates that ensemble techniques can be applied to the implementation of effective internal control as-sessment models with high accuracy.
- 발행기관:
- 엘지씨엔에스
- DOI:
- http://dx.doi.org/
- 분류:
- 경영학