본 연구는 재무정보 중심의 전통적인 부도 예측모형이 과거 정보인 회계적인 관점에서 미래 관점에서 성장관점에서 산업․시장 구조적 경쟁요인을 충분히 반영하지 못한다는 한계를 보완하고, 예측력과 해석 가능성을 동시에 제고하는 분석 틀을 제시하는 것을 목적으로 한다. 이를 위해 부도위험을 연속형 지표인 부도거리(Distance to Default, DD)와 부도 여부(Default_D)로 구분하여 장기적 부도위험 수준과 단기 부도 발생 가능성을 병행 분석하였다. 주요 설명변수로는 산업집중도(HHI), 산업 성장률, 시장점유율, 기업 매출액 증가율을 포함하였다. 분석 방법론으로는 로지스틱 회귀, 고정효과 패널 회귀, 콕스 비례위험모형 등 전통 계량경제학 기법과 함께, Explainable AI 부스팅 머신(EBM)과 XGBoost를 구축하여 산업별 시장경쟁 구도(global) 및 기업별 재무적 특성(local) 수준의 해석을 수행하였다.

실증분석에는 CSMAR 데이터베이스에서 수집한 2016년부터 2023년까지의 중국 A주 상장기업 정보를 사용하였다. 분석 결과, DD 모형에서는 산업집중도가 부도 위험에 양(+)의 영향을, 산업의 매출액 증가율, 시장점유율과 기업의 매출액 증가율은 음(-)의 영향을 미치며 모두 통계적으로 유의하였다. 반면 부도여부를 종속변수로 한 모형에서는 기업의 매출액 증가율만이 유의한 음(-)의 효과를 보였다. 예측 성능은 XGBoost가 가장 우수하였고, EBM이 그 뒤를 이었으며, 로지스틱 회귀는 상대적으로 낮았다. 해석 결과, DD가 모든 모형에서 핵심 변수임이 확인되었고, 산업 수준 변수도 예측력 향상에 기여하였다. 특히 EBM은 산업 매출 증가율과 부도위험 간 비선형 관계를 규명하였고, XGBoost의 SHAP 분석 역시 정책적으로 유의미한 인사이트를 제공하였다.

본 연구는 산업․시장 경쟁 요인을 계량적으로 반영함으로써 부도 위험 분석의 범위를 확장하고, Explainable AI 기법을 통해 학문적․정책적 수준에서 예측․해석 통합형 모형을 제시했다는 점에서 의의가 있다.

주제어：기업 부도, 부도 거리, 산업 성장성, 기업 경쟁력, Explainable AI, EBM, XGBoost, SHAP