2.1 소상공인 폐업의 경제적·사회적 중요성

소상공인 폐업은 단순한 개별 사업체의 퇴출을 넘어 지역경제, 고용시장, 사회안전망에 광범위한 파급효과를 미치는 중요한 경제 현상이다. 국내 연구에 따르면 코로나19 시기 소상공인의 폐업 위험이 급격히 증가하였고, 그 결과 지역 상권의 침체와 고용 불안정으로 이어졌다(이세미 & 유한별, 2022; 진승화 & 이민준, 2024). 미국의 경우 팬데믹 초기 43%의 소상공인이 일시 폐쇄를 경험하였으며, 위기가 4개월 지속될 경우 약 3,270만 개의 일자리가 감소할 것으로 예상되었다(Bartik et al., 2020). 캘리포니아 행정 데이터 분석 결과, 2020년 1-2분기에 소상공인의 폐업률이 대기업 대비 현저히 높았으며, 이는 소상공인이 대규모 경제 충격에 더욱 취약함을 보여준다(Fairlie et al., 2022).

이세미 & 유한별(2022)은 2020년 1분기부터 2021년 3분기까지 서울시 소상공인 데이터를 분석하여, 높은 임대료가 폐업률을 증가시키는 주요 요인임을 확인하였다. 또한 코로나19 시기 정책자금 지원이 폐업을 억제하는 효과가 있었으나, 지원 종료 시 대출 상환 부담으로 인한 폐업 가능성에 대한 우려가 제기되었다(류정란 & 이수기, 2022). 미국에서도 2020년 2월부터 4월까지 2개월 동안 약 330만 개(22%)의 소상공인이 폐업하였으며, 이는 저소득층과 소수민족 사업자에게 더욱 심각한 영향을 미쳤다(Fairlie, 2020). 이러한 연구들은 소상공인 폐업이 단순한 시장 퇴출이 아니라 사회경제적 불평등을 심화시키고 장기적 경제 회복을 저해하는 구조적 문제임을 시사한다. 따라서 폐업 위험을 사전에 예측하고 선제적으로 대응할 수 있는 분석 체계 구축이 요구된다.

2.2 기업 실패 예측 연구: 재무적 접근에서 비재무적 접근으로의 확장

기업 실패 예측 연구는 재무정보 기반 모형에서 출발하여 점차 비재무적 요인을 통합하는 방향으로 발전해왔다. Merton(1974)은 Black and Scholes(1973)의 옵션 가격결정 이론을 기업 부채에 적용하여 구조적 신용위험 모형을 제시하였으며, 이는 기업의 자산가치와 부채 수준을 기반으로 부도 확률을 산출하는 이론적 기반을 마련하였다. Altman(1968)의 Z-score 모형은 재무비율을 결합한 다변량 판별분석을 통해 상장 제조업체의 파산을 효과적으로 예측함으로써 기업 부도 예측 연구의 기초를 마련하였다. Ohlson(1980)은 로지스틱 회귀모형을 도입하여 파산 확률을 확률적 형태로 산출할 수 있는 새로운 접근을 제시하였고, 이후 의사결정나무, 신경망, 서포트벡터머신(SVM) 등 머신러닝 기반 알고리즘이 도입되면서 예측 성능이 지속적으로 향상되었다. 한편, 구조적 접근에서는 Vassalou and Xing(2004)이 DTD로 측정한 부도 위험이 주식 수익률 변동을 설명하는 중요한 요인임을 실증하였으며, Campbell et al.(2008)은 DTD가 재무비율과 결합될 때 부실 위험 예측에 유의미한 설명력을 제공함을 확인하였다.

그러나 재무정보 기반 접근은 근본적 한계를 지닌다. 첫째, 재무정보는 분기 또는 연간 단위로 갱신되어 시의성이 낮고 급격한 경영환경 변화를 신속히 반영하기 어렵다. 둘째, 경영자 역량, 고객 만족도, 브랜드 평판과 같은 비재무적 요인을 고려하지 않아 실제 경영 위험의 복합적 구조를 충분히 설명하지 못한다. 또한 소상공인은 공시 의무가 없어 재무정보 접근이 제한적이며, 회계 인프라의 부재로 재무제표의 신뢰성과 비교 가능성이 확보되기 어렵다는 한계가 있다. Edmister(1972)와 Ciampi and Gordini(2010)는 중소기업 대상 예측 연구를 시도하였으나 여전히 재무지표 중심 접근에 머물렀다. 이처럼 재무정보 기반 모형은 추정 방법론 측면에서도 오차항의 분포 가정에 따라 예측 성능이 달라질 수 있다는 한계가 지적된 바 있다(최필선 외, 2007). 또한 국내 소상공인을 대상으로 한 연구에서도 거시경제변수(금리, 환율, 실업률 등)가 신용위험에 유의한 영향을 미침이 확인되었으며, 그 효과는 권역별로 이질적으로 나타났다(윤경영 & 김석진, 2013). Ciampi and Gordini(2010)는 경영자 학력, 업종 경험 등 비재무적 변수를 추가할 경우 예측 정확도가 67.8%에서 85.2%로 향상됨을 보고하며, 비재무적 요인이 소상공인 부도 예측에서 핵심적 역할을 수행함을 확인하였다. 모바일 기술과 온라인 플랫폼의 발전으로 소비자 행동을 실시간으로 관측할 수 있게 되면서, 이러한 데이터를 바탕으로 기업 부도 예측에 활용한 연구도 등장하기 시작하였다. Wang et al.(2016)은 Foursquare의 위치 기반 데이터를 활용하여 뉴욕시 레스토랑 폐점 예측에서 기존 모형 대비 오분류율을 60% 감소시켰다. 소비자의 ‘발로 하는 투표(voting with feet)’가 재무정보보다 더 신속하고 정확한 위험 신호를 제공할 수 있음을 보인 것이다. Zhang and Luo(2023)는 Yelp의 사진 데이터가 텍스트 리뷰보다 강력한 예측력을 보이며 최대 3년까지 유지됨을 보고했다.

소비자 행동 데이터는 재무정보 대비 세 가지 차별적 장점을 지닌다. 첫째, 실시간성이다. 재무정보가 분기별 또는 연간 단위로 갱신되는 반면, 소비자 행동 데이터는 일단위로 수집되어 급격한 변화를 즉시 포착할 수 있다(Liu et al., 2016; Timoshenko and Hauser, 2019). 둘째, 진정성이다. 소비자의 자발적 행동으로 생성되는 데이터이므로 회계 조작이나 의도적 왜곡의 위험이 낮다(Trusov et al., 2009). 셋째, 포괄성이다. 고객 만족도, 서비스 품질, 브랜드 이미지 등 재무정보로는 포착할 수 없는 다차원적 성과 요인을 반영한다(Luo et al., 2013). 소상공인에게 소비자 행동 데이터는 중요한 함의를 지닌다. 공시 의무가 없는 소상공인에게 이는 핵심적인 성과 측정 수단이 될 수 있다. Moe and Trusov(2011)과 Kumar et al.(2013)은 소규모 비즈니스에서 고객 중심 지표가 재무 성과의 선행 지표 역할을 한다고 실증했다. 국내에서도 소셜미디어 구전량이 브랜드 자산을 매개하여 기업의 재무성과에 유의한 영향을 미침이 확인되었으며, 특히 외식업과 같은 서비스 업종에서 그 효과가 강화되는 것으로 나타났다(이중원 & 박철, 2019).

그러나 기존 연구들은 개별 지표들을 독립적으로 활용하는 수준에 머물러, 이들을 종합적인 위험 평가 프레임워크로 통합할 이론적 기반이 부족했다. 재무 기반 연구가 구축한 구조적 위험 평가 모형과 소비자 행동 데이터를 결합하는 접근이 요구되고 있다.

2.3 구조적 신용위험 모형: DTD의 이론적 기초

DTD 모형은 여러 변형과 확장을 거쳐 발전해왔다. KMV Corporation은 주식시장 정보를 활용한 실무적 DTD 산출 방식을 제시하였고(Crosbie and Bohn, 2003), Bharath and Shumway(2008)는 단순화된 DTD 지표가 다양한 산업과 기업 규모에서 안정적인 예측력을 보인다는 점을 실증하였다. Afik et al.(2016)은 Merton 모형의 다양한 설정을 비교한 결과, 복잡한 변형 모델이 반드시 더 우수한 성과를 보이지는 않음을 보고하며, 핵심 구조의 적절한 구현이 중요함을 시사하였다. 소상공인에 대한 DTD 적용은 이론적으로 중요하지만 구조적 한계를 가진다.

소상공인은 외부 충격에 취약하고 위험도가 높아 실시간 위험 모니터링의 필요성이 크지만(Beck et al., 2006), 비상장 기업이라는 특성상 자산의 시장가치가 관측되지 않아 전통적 DTD의 직접적 적용이 어렵다. 이는 DTD의 핵심 개념인 ‘자산 대비 부채 부담에 기반한 확률적 위험 평가’를 소상공인 맥락에 적용하는 데 있어 중요한 제약으로 작용한다. 본 연구는 이러한 제약을 해결하기 위해, 전통적 DTD에서의 자산가치 개념을 관측 가능한 시장가치가 아니라 그 경제적 기능에 초점을 두어 재해석한다. DTD에서의 자산가치는 구조적으로 기업의 미래 현금흐름 창출 능력을 반영하는 변수로 해석될 수 있다. 기업가치가 기대 현금흐름의 현재가치로 정의된다는 점에서(Damodaran, 2012), 이는 자산가치를 시장가격 자체가 아니라 그 경제적 기능에 초점을 두어 재해석할 이론적 근거를 제공한다. 따라서 비상장 소상공인에 DTD를 확장 적용하기 위해서는 시장가치를 대체할 수 있는 지표가 다음의 세 가지 조건을 충족해야 한다. 첫째, 미래 현금흐름 창출 능력을 반영해야 한다. 둘째, 시간에 따른 변동성을 통해 경영 상태 변화를 포착할 수 있어야 한다. 셋째, 일관된 기준에 따라 객관적으로 측정 가능해야 한다.

소비자 기반 브랜드자산(CBBE) 이론은 이러한 조건을 충족하는 이론적 토대를 제공한다(Keller, 1993). CBBE 이론에 따르면 소비자의 인지도, 만족, 충성도는 기업의 무형자산을 구성하며, 이는 장기적인 수익성과 기업가치의 원천으로 작용한다. 기존 연구들은 고객 만족도와 소비자 반응 지표가 현재 성과뿐 아니라 미래 수익성과 현금흐름의 선행지표로 기능함을 반복적으로 보고해왔다(Fornell et al., 2006; Luo and Homburg, 2007). Kim et al.(2003)은 호텔 산업 맥락에서 브랜드 충성도와 인지된 품질이 재무성과에 유의한 영향을 미침을 실증하였다. 더 나아가 소비자 행동 데이터는 고빈도·실시간으로 관측되며, 외부 충격이나 경영 환경 변화에 민감하게 반응한다(Liu et al., 2016; Timoshenko and Hauser, 2019). 이는 분기 또는 연 단위로 갱신되는 재무정보와 대비되는 특성으로, DTD 모형에서 요구하는 자산가치 변동성 개념과 구조적으로 부합한다. 또한 온라인 플랫폼에서 수집되는 리뷰 수, 평점, 페이지뷰, 체류시간 등은 자동화된 시스템을 통해 기록되며, 소비자의 자발적 행동에 기반하므로 일관성과 객관성을 갖춘 정량적 측정이 가능하다(Trusov et al., 2009). 따라서 소비자 행동 데이터는 미래 현금흐름 반영성, 시간적 변동성, 객관적 측정 가능성이라는 세 가지 요건을 충족함으로써 DTD 모형에서의 자산가치 개념을 기능적으로 대체할 수 있다. 본 연구는 이러한 이론적·실증적 근거를 바탕으로 소비자 행동 데이터를 비상장 소상공인의 자산가치 대리변수로 재정의하고, Merton(1974) 모형의 핵심인 확률적 신용위험 평가 프레임워크를 유지한 채 DTD의 적용 범위를 소상공인 영역으로 확장하고자 한다.

앞서 논의한 바와 같이, 기존 연구는 재무 기반 구조적 접근과 소비자 행동 데이터 기반 예측 접근이 분리되어 있어, 재무정보 확보가 어려운 소상공인의 폐업 위험을 구조적으로 평가하는 데 한계가 있었다. 본 연구는 이러한 연구 공백을 해결하기 위해 Merton(1974)의 DTD 모형을 소상공인 맥락에 맞게 재구성하고, Keller(1993)의 CBBE 이론을 바탕으로 소비자 행동 데이터를 자산가치로 재정의하여 비재무 기반 구조적 위험 평가 체계를 구축하고자 한다. 이러한 연구 목적을 달성하기 위해 다음의 연구문제를 설정한다.

연구문제 1: 소비자 행동 데이터를 활용한 DTD 기반 구조적 위험 평가 접근법은 전통적인 개별 지표 중심 예측 모형 대비 우수한 예측 성능을 보이는가?

기존 연구들은 리뷰 수, 평점, 클릭 수, 체류시간 등 개별 소비자 행동 지표를 독립적으로 활용하여 폐점을 예측해왔다(Wang et al., 2016; Zhang and Luo, 2023). 그러나 이러한 접근은 개별 지표들을 종합적인 위험 평가 프레임워크로 통합하지 못했다. 본 연구는 동일한 소비자 행동 데이터를 사용하되, 이를 DTD 구조적 모형에 통합하여 ‘성과 대비 위험 부담’을 체계적으로 평가하는 것이 개별 지표를 단순히 나열하는 것보다 우수한 예측력을 제공하는지 검증한다. 이를 위해 동일한 표본과 알고리즘 환경에서 DTD 기반 변수 집합과 전통적 변수 집합의 예측 성능을 직접 비교한다.

연구문제 2: DTD 기반 위험 평가에서 어떤 요인들이 소상공인의 폐업 위험을 예측하는 핵심 요인으로 작용하는가?

DTD 모형은 자산가치 수준, 자산가치 변동성, 부채 부담을 통합적으로 고려한다. 소상공인 맥락에서는 장기적 성과 수준, 단기적 위험 추세, 지역별 비용 환경으로 재해석될 수 있다. 본 연구는 변수 중요도 분석을 통해 이들 요인의 상대적 기여도를 확인하고, 특히 단기 위험 추세가 폐업 위험이 급격히 악화되는 소상공인을 조기에 식별할 수 있는지 탐색한다. 이는 조기경보 시스템 구축을 위한 실무적 시사점을 제공한다.

연구문제 3: DTD 계산을 위한 최적 관측 기간(rolling window)은 무엇이며, 예측 성능은 관측 기간에 따라 어떻게 변화하는가?

DTD 모형에서 자산가치의 평균과 변동성을 계산하기 위한 관측 기간은 모형의 안정성과 반응성 간 trade-off를 결정한다. 너무 짧은 기간은 일시적 변동에 과도하게 민감하고, 너무 긴 기간은 위험 신호를 늦게 감지한다. 본 연구는 4주부터 52주까지 다양한 rolling window를 설정하여 예측 성능, 데이터 활용률, 조기 감지 능력을 종합적으로 평가하고, 조기경보 시스템에 가장 적합한 관측 기간을 도출한다.

3.1 데이터 소스 및 연구 대상

본 연구는 네이버 스마트플레이스 데이터를 활용한다. 이 데이터는 소상공인 폐점 예측 연구에 세 가지 측면에서 적합하다. 첫째, 소비자 행동 데이터와 폐점 정보를 동시에 확보할 수 있다. 페이지뷰, 체류시간, 리뷰, 클릭 등 다양한 소비자 행동 지표가 실시간으로 기록되며, 이를 행정안전부의 폐업 정보와 매칭하여 예측 모형의 학습과 검증이 가능하다. 둘째, 다양한 유형의 소비자 행동을 동시에 활용할 수 있어 이들 간의 상호작용을 포착하고 각 요인의 상대적 중요도를 비교할 수 있다. 셋째, 인터넷트렌드(2022)에 따르면, 2022년 네이버는 국내 검색 시장 점유율 약 61%를 차지하고 있으며, 특히 지역 기반 검색에서 강점을 보인다. 또한 스마트플레이스에는 약 227만 개의 업체가 등록되어 있어(네이버, 2022), 네이버는 국내 소상공인의 온라인 성과를 대표하는 플랫폼으로 활용하기에 적합하다. 비용 지표는 월평균 임대료를 기반으로 산출하였다. 임대료는 소상공인의 비용 구조에서 가장 큰 비중을 차지하는 고정비용이며, 지역별 경제 여건, 상권 수준, 접근성 등을 종합적으로 반영하는 시장 균형 가격이다(Porter, 1980). 한국부동산원의 ‘상업용부동산 임대동향조사’ 데이터를 활용하여 4개 건물 유형별 임대료를 해당 지역의 상업시설 분포를 고려하여 가중평균으로 산출하고, 시장 금리를 반영한 전환율을 적용하여 완전월세 기준으로 통일하였다. 최종 비용 지표(cost_score)는 $log1p(avg\_rent)$ 형태로 변환하여 정규성을 확보하였다.

연구 기간은 2022년 4월 18일부터 2023년 8월 28일까지 약 16개월이며, 대상 업종은 음식점업과 미용업을 중심으로 소비자 접촉이 빈번하고 온라인 리뷰 활동이 활발한 서비스업을 포함한다. 최종 분석 데이터는 153,291개 관측치(3,008개 업체)로 구성된 주 단위 패널 데이터다.

3.2 주요 변수 구성

본 연구의 주요 변수는 크게 소비자 행동 지표, 감정 분석 지표, 비용 지표로 구성된다. 표 1은 각 변수의 조작적 정의와 이론적 근거를 제시한다. 소비자 행동 지표는 Keller(1993)의 소비자 기반 브랜드자산(CBBE) 이론에 따라 해석하였다. 페이지뷰는 브랜드 인지도를, 체류시간은 탐색 깊이와 구매 의향을 반영한다. Liu et al.(2016)은 체류시간이 실제 구매 행동과 높은 상관관계를 보인다고 실증하였다. 클릭수는 전화걸기, 길찾기, 정보 저장 등 구체적 행동으로의 전환을 나타내며(Moe and Fader, 2004), 리뷰수는 실제 이용 고객 수와 경험 공유 의지를 동시에 반영한다(Chevalier and Mayzlin, 2006). 감정 분석 지표는 리뷰 텍스트에 담긴 고객 경험의 깊이와 질을 정량화한다. Tirunillai and Tellis(2012)는 감정 분석이 단순 평점보다 기업 성과와 더 높은 상관관계를 보인다고 실증하였다. 본 연구는 수집된 리뷰를 문장 단위로 분리(KSS)하고, XLM-RoBERTa-large 기반의 다언어 zero-shot classification 모델(Conneau et al., 2020)을 활용하여 각 리뷰의 감정을 분류하였다. 모델은 각 리뷰에 대해 긍정 및 부정 라벨의 확률값을 산출하며, 본 연구는 긍정 확률값을 긍정 감정 점수(positive_score)로 사용하였다. 행복, 슬픔 등 세분화된 감정 상태는 각각 0-1 범위의 확률값으로 측정하였다.

3.3 폐점 정보 및 표본 구성

폐점 여부는 행정안전부의 ‘지방행정 인허가 정보’ 데이터베이스를 활용하여 법적 폐업일자를 확인했다. 네이버 스마트플레이스 등록 업체명 및 주소지 매칭을 통해 연구 기간 내 폐점한 업체를 식별하여, 단순한 온라인 활동 중단이 아닌 실제 사업 종료를 객관적으로 확인했다. 예측 목적 변수는 현재 시점에서 향후 4주 내 폐점 여부로 설정했다.

실제 폐점 업체는 생존 업체 대비 소수이므로, 클래스 불균형 문제를 완화하기 위해 각 폐점 업체에 대해 동일한 업종, 동일한 행정동, 동일한 주차에 온라인 활동이 확인되는 생존 업체 후보군 중에서 1개씩 무작위로 추출하여 1:1 매칭을 수행했다. 이를 통해 업체 단위로는 폐점과 생존이 균형을 이루도록 구성했다. 단, 폐점 업체는 폐업일까지만 관측되는 반면 생존 업체는 전체 연구 기간 동안 관측되므로, 최종 관측치 단위에서는 생존 업체의 관측치가 더 많아 폐업 관련 관측치 비율은 약 3.5%로 나타났다. DTD 계산을 위한 최소 관측 기간(8주)을 확보한 업체들만 최종 분석에 포함했다.

4.1 DTD 프레임워크 확장 및 구현

Merton(1974)의 DTD 모형은 자산가치(V), 부채가치(L), 변동성(σ)의 세 요소로 구성된다. 비상장 소상공인은 시장가치 정보가 존재하지 않아 전통적 DTD 계산이 불가능하다. 그러나 Afik et al.(2016)과 Bharath and Shumway(2008)의 연구는 단순화된 DTD 접근법이 복잡한 변형 모델들만큼 효과적일 수 있음을 보여주었다. 본 연구는 이러한 “단순성의 가치” 원칙에 따라, DTD 의 핵심 개념인 ‘성과 대비 위험 부담’을 유지하되 각 구성요소를 소상공인 맥락에 맞게 재정의한다.

4.2 Rolling Window 최적화 및 통계적 검정

DTD 계산에서 rolling window 크기는 모형의 안정성과 반응성 간 trade-off 를 결정한다. 너무 짧은 window 는 일시적 변동에 과도하게 민감하고, 너무 긴 window 는 실제 위험 신호를 늦게 감지한다. 본 연구는 최소 4주부터 최대 52주까지 4주 간격으로 총18개 구간을 설정하여 최적 window 를 탐색했다. 각 window 크기별로 5-fold 시계열 교차검증을 실시하여 특정 데이터 분할에 의한 우연적 결과를 배제했다. 주요 성능 지표로는 AUC 를 사용하되, 보조 지표로 Precision, Recall, F1-score 도 함께 고려했다. 예측 성능뿐만 아니라 데이터 활용률, 계산 효율성, 조기 예측 가능성 등 실무적 제약도 함께 평가했다. 또한 최고 성능 window 와 최소 window 간 AUC 차이의 통계적 유의성 검정을 위해 DeLong test(DeLong et al., 1988)를 수행하였다. DeLong test 는 동일한 테스트 셋에서 생성된 두 ROC 곡선의 AUC 를 비교하는 비모수적 검정 방법이며, 유의수준 α = 0.05를 기준으로 판단하였다. 그러나 통계적 유의성과 함께 실무적 효율성을 균형적으로 고려하는 실용성 원칙(parsimony principle)을 적용했다. Bharath and Shumway(2008)가 제시한 바와 같이, 미세한 성능 향상이 추가적인 데이터 수집 비용, 계산 복잡성, 예측 지연 등의 비용을 상쇄하는지를 종합적으로 평가했다.

4.3 예측 모델 구축 및 비교

DTD 접근법의 실제 기여도를 검증하기 위해 두 가지 변수 집합을 구성하였다. 전통적 지표 기반 변수 집합(Traditional set)은 기존 연구에서 검증된 소비자 행동 지표들(리뷰수, 감정점수, 클릭수, 체류시간, 페이지뷰 등)로 구성된다. DTD 기반 변수 집합(DTD_Basic)은 최적화된 DTD 지표(DTD_1y_cost, DTD_slope4)와 필수 통제변수(cost_score)로 구성된다. 동일한 데이터와 동일한 예측 알고리즘을 사용하여 두 접근법을 직접 비교함으로써, DTD 의 ‘종합적 위험 평가’ 개념이 ‘개별 지표의 단순 활용’보다 우수한지 검증할 수 있다. DTD 변수들의 특성을 고려하여 네 가지 알고리즘을 비교하였다. Random Forest 는 변수 간 상호작용 효과 탐지와 해석가능성에 적합하며, XGBoost 는 최고 성능 달성을 위한 고도화된 앙상블 기법이다. Logistic Regression 은 해석가능한 기준선과 선형 효과 확인을 위해, SVM 은 대안적 비선형 패턴 인식 방법으로 포함하였다. 각 알고리즘별로 주요 하이퍼파라미터를 최적화하고, 클래스 불균형을 고려하여 class_weight 조정을 적용하였다. 시계열 교차검증을 통해 과적합을 방지하였다. 조기 경보 시스템에서는 정밀도와 재현율의 균형이 중요하므로 F1-Score 최대화 방법을 채택하였다. 전통적인 0.5 고정 임계값은 클래스 불균형이나 비용 차이를 고려하지 않으므로, F1 최적화를 통해 실제 데이터 특성과 비즈니스 요구사항을 반영한 임계값을 도출하였다. 이는 소상공인 조기경보 시스템에서 과도한 개입 비용과 위험 간과 비용 간의 최적 균형을 달성한다.

5.1 기술통계 및 데이터 특성

최종 분석 대상은 153,291개 관측치(3,008개 업체)로 구성된 균형 패널 데이터다. 1:1 매칭을 통해 업체 단위로는 폐점과 생존이 균형을 이루도록 설계했으나, 폐점 업체는 폐업일까지만 관측되고 생존 업체는 전체 연구 기간 동안 관측되므로 관측치 단위에서는 폐업 관련 관측치 비율이 약 3.5%로 나타났다. 업종별로는 음식점 85.3%, 미용업 12.2%, 교육·학문 1.5%, 숙박업 0.7%로 구성되었으며, 업종별 폐업률은 숙박업 3.79%, 교육·학문 3.74%, 음식점 3.52% 순으로 나타나 업종 간 차이가 크지 않았다. 주요 DTD 변수의 기술통계를 살펴보면, DTD_1y_cost 의 평균은 14.943(표준편차 13.086)로 우편향 분포를 보였다. 이는 대부분 소상공인이 상대적으로 안전한 위치에 있지만 소수의 고위험 업체가 존재함을 나타낸다. DTD_slope4의 평균은 0.13(표준편차 8.742)로 대체로 완만한 변화를 보이지만, 최솟값 -320.373에서 최댓값 246.806까지의 극단값은 일부 업체에서 급격한 DTD 변화가 발생함을 시사한다. cost_score 는 평균 10.149(표준편차 0.372)로 비교적 안정적인 분포를 보였으며, perf_score 는 평균 20.525(표준편차 4.258)로 로그를 취해 분포를 정규화하였다.

5.2 DTD 모델의 검증

표 5

학습 특성에 따라 달라진다. Random Forest 와 XGBoost 는 변수 간 비선형 상호작용을 효과적으로 포착할 수 있으며, DTD_1y_cost 와 DTD_slope4, cost_score 간의 조건부 관계를 학습함으로써 DTD 프레임워크의 정보를 보다 효과적으로 활용한다. 반면 Logistic Regression 은 변수의 선형 결합만을 허용하는 구조적 제약으로 인해, 비선형적 관계가 존재할 수 있는 DTD 변수들의 정보를 제한적으로만 반영한다. 이로 인해 DTD_Basic 의 구조적 장점이 선형 모형에서는 충분히 발현되지 않는다. 종합하면, DTD 프레임워크는 소비자 행동 데이터를 구조적 신용위험 지표로 변환하는 데 본질적 기여를 지니며, 그 효과는 비선형 학습 능력을 갖춘 알고리즘과 결합될 때 가장 효과적으로 실현된다. 이미 경제적 의미에 따라 구조적으로 정의되어 있어 순차적 오차 보정보다는 독립적 분할을 통한 학습이 더 효과적으로 작동한 것으로 해석된다. 또한 Random Forest 는 변수 중요도 해석이 상대적으로 안정적이라는 점에서(Breiman, 2001) 조기경보 시스템의 설명가능성 측면에서도 장점을 가진다. 이에 따라 본 연구는 Random Forest 를 최종 모델로 선택하였다.

5.3 DTD Basic 모델 최적화 및 예측 매커니즘

표 7

표 8

위험 수준, 위험 변화 추세, 지역 비용 환경이 상호보완적인 예측 정보를 제공함을 시사한다. DTD_1y_cost 의 높은 중요도는 Merton(1974) 모형의 핵심 개념인 ‘성과 대비 위험 부담’이 소상공인 폐점 예측에서도 주요 메커니즘으로 작동함을 의미한다. 이는 충분한 고객 기반을 확보한 업체일수록 동일한 비용 부담에 대한 상대적 여력이 크며, 따라서 외부 충격에 대한 완충 능력이 높다는 점을 반영한다. DTD_slope4의 기여도는 위험도의 동적 변화가 조기경보에서 중요한 역할을 함을 보여준다. 이는 Duffie and Lando(2001)가 강조한 동적 위험 측정의 중요성과 일치한다. 마지막으로 cost_score 는 온라인 성과와는 독립적으로 지역별 운영비용이 폐업 위험에 유의미한 영향을 미침을 보여준다. 종합하면, DTD_Basic 모델은 현재 위험 수준(DTD_1y_cost), 위험 변화 속도(DTD_slope4), 지역 환경(cost_score)이라는 세 가지 상호보완적 요인을 동시에 포착한다. Random Forest 에서 AUC 0.871, F1-Score 0.614, 재현율 80.3%를 달성하여, 실제 폐업 위험 업체의 약 80%를 조기에 감지할 수 있음을 확인했다.

5.4 Rolling Window 최적화

표 9

연구의 한계 및 향후 과제

본 연구는 소상공인의 폐업 위험을 구조적으로 평가하기 위한 새로운 분석 체계를 제시하였으나, 몇 가지 한계가 존재한다. 첫째, 본 연구의 예측 변수는 온라인 플랫폼 데이터에 기반하고 있어 사업주 개인 수준의 요인이나 경영 역량, 재무적 의사결정과 같은 내적 요인을 충분히 반영하지 못했다. 향후 연구에서는 사업주의 경영 경험, 자금 운용 구조, 창업 동기 등과 같은 특성 정보를 플랫폼 데이터와 결합함으로써, 폐업 위험 예측의 설명력을 높이고 경영자의 행동 특성이 실제 경영 안정성과 위험 수준에 어떤 방식으로 작용하는지를 보다 정교하게 규명할 필요가 있다. 둘째, 분석 기간이 약 16개월로 제한되어 있어, 경기 변동이나 계절 요인 등 장기 경제 사이클을 충분히 고려하지 못했다. 장기 시계열 데이터를 활용한 후속 연구를 통해 모형의 시간적 안정성과 금리, 물가, 정책 변화와 같은 외생적 충격에 대한 민감도를 검증한다면, 본 모형의 실증적 타당성을 한층 강화할 수 있을 것이다. 셋째, 본 연구는 데이터 설계와 변수 선택 과정에서 1:1 매칭을 통해 업체 단위로는 균형을 이루었으나, 관측 기간의 차이로 인해 관측치 단위에서는 폐업 관련 관측치 비율이 약 3.5%로 나타났다. 이로 인해 절대적 폐업 확률 추정에는 제약이 있으므로, 결과 해석 시 상대적 위험 순위에 초점을 두는 것이 적절하다.

향후 연구에서는 관측치 단위 균형을 고려한 가중치 조정이나 확률 보정 기법을 적용할 필요가 있다. 또한 비용 부담 요인으로 지역별 임대료만을 사용하였으나, 인건비, 원재료비, 금리 환경 등은 제외되었다. 임대료가 소상공인의 가장 큰 고정비용이자 지역 경제 환경을 반영하는 대표 지표이기는 하나, 업종별·규모별 비용 구조의 이질성을 충분히 반영하지 못하는 한계가 있다. 향후 연구에서는 가중치 조정 또는 비용 민감 학습 기법을 적용하고, 업종별 특성을 반영한 다차원적 비용 지표를 활용할 필요가 있다. 넷째, 본 연구는 DTD 기반 접근법의 예측 효율성과 주요 변수를 확인하였으나, 각 요인이 폐점으로 이어지는 구체적 인과 경로에 대한 분석은 이루어지지 않았다. 예를 들어, 비용 부담 요인이 누적되어 경영 압박으로 전환되는 과정이나 단기 위험 추세의 급격한 변동이 실제 폐점 결정에 미치는 영향을 구조적으로 규명하는 추가 연구가 필요하다.

마지막으로, 본 연구가 제시한 조기경보 시스템은 위험 사업자의 조기 식별을 목표로 하지만, 예측 결과의 활용 방식에 따라 의도하지 않은 부작용이 발생할 수 있다. 예측 정보가 지원이 아닌 배제의 근거로 사용될 경우, 고위험 사업자에 대한 대출 제한이나 거래 기회 축소 등 낙인 효과가 발생하여 오히려 폐점을 가속화할 위험이 있다. 따라서 본 연구의 예측 결과는 개별 사업자에 대한 판단 기준이 아니라, 선제적 지원 정책과 연계된 참고 지표로 활용되어야 하며, 예측 정보의 공개 범위와 활용 방식에 대해서는 제도적 가이드라인이 필요하다.