1. 서 론

1.1 연구의 배경 및 필요성

하이테크 중심의 혁신 벤처 생태계에서는 보유 지식재산권(IP)을 매개로 로열티면제법(Royalty Relief Method)과 같은 고도화된 기술가치평가 기법이 통용되며, 이는 대규모 자본 조달의 핵심 기제로 작용해 왔다. 이와는 대조적으로, 국가 경제 사업체의 절대다수를 점유하는 전통적 소상공인 부문(식음료, 도소매, 대면 서비스업 등)의 경우 특허출원이나 공식적 연구개발(R&D) 성과와 같은 명시적 권리를 증명하는 것이 현실적으로 불가능에 가깝다. 아울러 세무 신고 목적의 간편 장부에 의존함에 따라 외부감사 재무제표(Audited Financials)의 신뢰성이 현저히 낮아 이른바 씬파일러(Thin-Filer) 집단으로 분류되고 있다.

이러한 본질적 제약 조건은 영세 자영업자가 사업의 소유권을 이전하거나 금융기관을 통해 유동성을 확보하고자 할 때, 해당 비즈니스의 잠재적 성장 가치를 평가 산식에서 원천적으로 배제하게 만드는 기제로 작용한다. 실무적인 관점에서 이들의 자산은 임대보증금 및 설비의 물리적 감가상각이 반영된 ‘유형 자산(Tangible Assets)’에 국한되어 담보력을 인정받고 있다. 정작 영업 창출의 핵심 동인인 충성 고객층 두께, 디지털 브랜드 자산, 그리고 로컬 상권 내 배타적 점유력과 같은 무형의 지표들은 정보 비대칭성에 기인한 비공식적 권리금 협상표에 의존하게 됨으로써 전형적인 레몬 시장(Lemon Market)의 비효율을 양산하고 있다.

또한, 현대 자본시장의 가치평가(Valuation) 기제는 명시적 지식재산권(IP)과 외부감사에 의해 투명성이 담보된 재무제표를 핵심 매개로 작동한다. 그러나 실물 경제의 근간을 이루는 영세 소상공인 생태계는 정형화된 R&D 산출물이 부재하고, 조세 회피 목적이 혼재된 간편 장부에 의존함에 따라 심각한 ‘정보 비대칭성(Information Asymmetry)’을 노정하고 있다. 이러한 내재적 제약은 자본 공급자(금융기관)로 하여금 차주의 펀더멘털을 파악할 유인을 상실하게 만들며, 결과적으로 우량한 잠재력을 지닌 사업체조차 자금 조달 시장에서 배제되는 전형적인 ‘레몬 시장(Lemon Market)’의 구조적 시장 실패(Market Failure)를 고착화한다. 담보 위주의 획일적 담보 의존적 여신 관행은 이들 비즈니스의 무형 가치를 기각함으로써, 자본 배분의 비효율성 (Inefficiency of Capital Allocation)을 극대화하고 있다.

1.2 연구의 목적 및 연구 질문

본 연구의 핵심 목적은 명문화된 지식재산권(IP)이나 신뢰할 수 있는 재무제표가 부재한 영세 소상공인의 본질적 사업 가치를 계량적으로 추정하기 위해, 다차원적 비정형 대안 데이터(Alternative Data)에 기반한 독자적 통합 가치 평가 프레임워크(S-PACE 1.0)를 구축하는 데 있다. 이를 달성하기 위한 구체적인 세부 목적은 다음과 같이 요약된다.

1.3 연구의 범위 및 방법론

본 연구는 국내 영세 자영업자 및 소상공인 가운데 금융 이력이 부족하여 제도권 여신에서 구조적으로 배제된 ‘씬파일러(Thin-Filer)’ 집단을 주된 분석 대상으로 한정한다. 시간적 범위는 거시경제 변동성을 폭넓게 포괄하는 2018년부터 2023년까지 6개년으로 설정하였으며, 이질적인 산업별 재무 특성을 통제하기 위해 대상 업종을 도․소매업, 숙박․음식점업, 서비스업, 기술기반업 등 4대 핵심 세그먼트로 분류하여 접근하였다.

본 연구가 제안 모형의 타당성을 입증하기 위해 채택한 구체적 방법론은 다음과 같다.

첫째, 데이터 구축 및 전처리: 한국기업데이터(KED) 및 공공데이터포털 등에서 제공하는 공표 통계와 분포 정보를 준거로 하여 몬테카를로(Monte Carlo) 시뮬레이션을 수행하고, 총 10만 건 규모의 합성 데이터 풀을 구축하였다. 개별 관측치는 특정 실기업의 원자료를 직접 활용한 것이 아니라 실제 소상공인 집단의 주요 재무·비재무 특성이 나타내는 통계적 분포와 변수 간 관계를 반영하여 생성한 모의 자료이다. 따라서 본 데이터는 현실의 분포적 특성을 모사하기 위한 분석용 합성자료이며, 구체적인 데이터 생성 절차와 변수별 분포 설정, 해석상의 유의점은 5.1절에서 상세히 설명한다. 이후 예측모형 학습 과정에서 여신 데이터에서 나타날 수 있는 클래스 불균형(Class Imbalance)을 완화하기 위해 SMOTE(Synthetic Minority Over-sampling Technique)를 적용하였다.

둘째, 하이브리드(2-Track) 알고리즘 설계: 비정형 대안 데이터의 비선형적 상호작용을 포착하기 위해 트리 확장 기반 머신러닝 모형인 LightGBM과 XGBoost를 정량 평가 모형으로 가동하였다[2]. 이와 병행하여, 사업자의 정성적 잠재력(온라인 평판, 입지 등)을 심층 계측하기 위해 웹 리서치 AI Agent의 자율 크롤링 파이프라인과 KoBERT 기반 감성 분류기를 설계하였다(구체적 학습 설정은 3.2절 ①에 상술). 다만 본 연구의 실증 검증은 실제 리뷰 원문 코퍼스가 아닌 모의 데이터에 기반하므로, 감성 분류기는 모형 설계 수준에서 제시되며 지수값 자체는 5.1절의 합성 절차로 생성되었다.

셋째, 설명가능한 인공지능(XAI) 및 시뮬레이션 검증: 산출된 S-PACE 모형의 블랙박스(Black-box) 한계를 극복하고 심사의 공정성을 입증하고자 SHAP 및 LIME 기법을 병용하여 전역적․국소적 변수 기여도를 직관적으로 시각화하였다. 최종적으로 가상 대출 포트폴리오 시나리오를 전개하여, 기존 모형 대비 대출 승인율 상향 수용성과 부실률 억제 건전성을 실증적으로 교차 검증하였다.

2. 이론적 배경 및 선행 연구 고찰

2.1 소상공인의 연성 경쟁력과 대안 데이터

지역 상권에 기반을 둔 소상공인의 실효적 영업 가치는 형식적인 특허권의 유무가 아니라, 매장 위생 상태, 고객 응대 서비스 수준, 로컬 커뮤니티 내 브랜드 위상 등으로 구성된 ‘연성 경쟁력(Soft Competitiveness)’에 의해 그 본질이 결정된다. 과거에는 이를 정량적으로 측정할 보조 지표가 부재하여 정보 빈곤(Information Poverty)의 사각지대에 놓여 있었으나, 최근 배달 중개 플랫폼의 확산, 포털 기반의 영수증 인증 리뷰, 공공 부문의 상권정보시스템 (GIS) 개방 등이 맞물리며 영세 사업자의 동태적 경쟁력을 다각도로 포착할 수 있는 대안 데이터(Alternative Data) 인프라가 급격히 팽창하였다[6].

이론적 관점에서 이러한 대안 데이터는 정보비대칭 시장에서 차주가 자신의 유형(Type)을 저비용으로 입증하기 어려울 때, 제3자가 관측 가능한 행위 흔적을 통해 품질을 추론하게 하는 신호(Signal) 기제로 기능한다 Spence[15]. 특히 소상공인 부문의 대안 데이터는 세 가지 속성에서 전통적 재무제표 대비 우위를 지닌다. 첫째, 실시간성(Timeliness)이다. 부가가치세 신고 자료가 6개월 이상의 시차를 두고 확정되는 것과 달리, 결제 승인․전력 사용․리뷰 유입은 일 단위로 축적되어 사업체의 현재 상태를 반영한다. 둘째, 조작 곤란성(Verifiability)이다. 전력 사용량이나 플랫폼 결제 이력은 차주가 사후적으로 분식하기 어려운 행위 기반(Behavioral) 기록이다. 셋째, 포괄성(Coverage)이다. 간편장부 대상자를 포함한 전체 사업자에게서 발생하므로, 외부감사 대상 여부와 무관하게 수집이 가능하다.

해외 실증연구들 또한 이러한 대안 데이터의 정보 가치를 뒷받침한다. Berg et al.[1]은 이커머스 이용 과정에서 남는 디지털 족적(Digital Footprint)만으로 구축한 신용평가가 전통적 신용평점과 대등하거나 이를 상회하는 부도 판별력을 보임을 확인하였고, Jagtiani and Lemieux[6]는 LendingClub 자료를 통해 대안 데이터 결합 시 신용점수가 동일한 차주 간에도 리스크 변별이 가능해짐을 보고하였다. Khandani et al.[7]은 머신러닝 기반 소비자 신용위험 모형이 전통 모형 대비 비용 기준 6~25%의 손실 절감 효과를 가짐을 제시한 바 있다. 본 연구는 이러한 국제적 증거를 국내 소상공인 부문의 가치평가(Valuation) 문제로 확장하는 위치에 있다.

2.2 전통적 평가 체계의 한계

작금의 제도권 금융 및 공적 보증기관이 운용하는 여신 심사 알고리즘은 사업주 개인의 정형화된 신용평점(CB Score)과 이력상의 금융 연체 기록에 과도하게 의존하는 구조적 편향성을 띠고 있다. 이는 사업체 단위의 펀더멘털 가치(Fundamental Business Value)를 온전히 평가하는 기업가치 산정 본연의 목적에서 벗어나, 대출자의 과거 지불 능력에 기댄 방어적 리스크 관리에 매몰되어 있음을 시사한다. 결과적으로 이는 고성장 잠재력을 지닌 소상공인 계층에 대한 자본 공급의 심각한 동맥경화를 초래한다.

이러한 구조적 편향은 두 가지 경로로 심화된다. 첫째, 신용이력 부재와 고위험의 혼동이다. 씬파일러의 낮은 신용평점은 상당 부분 정보의 부재(Absence of Information)에서 비롯됨에도, 기존 심사 체계는 이를 부정적 정보(Negative Information)와 동일하게 취급한다. 그 결과 연체 이력이 전무하더라도 금융거래 이력이 얇다는 이유만으로 고위험군으로 분류되는 제1종 오류가 체계적으로 발생한다. 둘째, 심사 단위의 착시이다. 대표자 개인의 과거 신용 사건(예: 폐업 경험에 따른 연체)이 현재 운영 중인 사업체의 펀더멘털과 무관하게 여신 한도를 결정함으로써, 영업이 견실한 사업체가 대표자 이력 때문에 배제되는 사례가 빈발한다.

나아가 담보 중심 여신 관행은 경기순응성(Procyclicality)의 문제를 내포한다. 부동산 담보가치는 경기 하강기에 동반 하락하므로, 자금이 가장 필요한 시점에 여신 한도가 축소되는 역설이 발생한다. 한편 사업체의 무형 가치가 제도권 평가에서 배제된 공백은 비공식 권리금 시장이 대신 채우고 있으나, 권리금은 표준화된 산정 기준과 검증 장치가 없어 정보우위자에게 유리한 가격이 형성되기 쉽다. 요컨대 공식 부문의 가치평가 부재는 단순한 기술적 결함이 아니라, 자원배분 왜곡과 거래비용 증가라는 실질적인 사회적 비용을 발생시키고 있다.

2.3 대안신용평가(ACS) 연구의 공백 및 구조적 한계와 극복 과제

Berg et al.[1], Jagtiani and Lemieux[6]를 필두로 한 제반 선행연구들은[4, 5, 8, 12, 13] 디지털 족적(Digital Footprint)을 매개로 한 대안신용평가의 효용을 수리적으로 입증해 냈다. 그러나 해당 문헌군 대다수는 핀테크 생태계 내에서의 단순 부도율(PD, Probability of Default) 하락이나 채무 상환 확률 추론에만 분석의 초점을 맞추고 있다는 한계가 뚜렷하다. 특히, 담보나 특허권이 전무한 기층 소상공인의 실체적 ‘비즈니스 가치’를 재무 회계적 무형자산(Goodwill)으로 환산하고, 이를 가치평가 승수(Valuation Multiple)와 직접적으로 연동시킨 연구 시도는 현시점까지 부재한 실정이다. 본 연구는 이처럼 기존 연구들이 간과해 온 인식론적, 기술적 공백을 극복하고자 소상공인 특화형 5대 연성 경쟁력 지수를 구조화하였으며, 이를 단편적인 대출 심사를 넘어선 포괄적 가치평가 프레임워크로 진일보시켰다는 측면에서 차별적 학술 가치를 획득한다.

최근 핀테크(FinTech) 및 빅테크(BigTech) 기업들을 중심으로 통신료 납부 내역이나 이커머스 플랫폼 내 매출 기록을 활용한 1세대 대안신용평가(ACS) 모형이 앞다투어 출시되고 있으나, 이들 역시 뚜렷한 구조적 한계를 노출하고 있다.

첫째, 데이터의 플랫폼 종속성(Platform Dependency) 및 독점화 현상이다. 특정 대형 플랫폼이 산출하는 대안 신용점수는 자사 인프라 내에서 활발히 영업하는 온라인 가맹점의 데이터만을 과대포장하는 경향이 있다. 이는 플랫폼에 입점하지 않은 오프라인 중심의 전통적 영세 자영업자 들을 평가 대상에서 원천 배제함으로써, 정보 비대칭을 해소하려는 대안 모형이 도리어 새로운 형태의 ‘디지털 소외(Digital Exclusion)’를 파생시키는 모순을 낳고 있다.

둘째, 파편화된 정량 지표 위주의 편식 현상이다. 기존의 대안 모형들 역시 통신료, 공과금 납부 이력 등 전산화가 용이한 일부 얕은(Shallow) 대안 데이터의 기계적 수합에 머무르고 있다. 즉, 소상공인 사업체의 진정한 잠재력을 판가름하는 핵심 동인인 경영자의 고유한 숙련도, 상권 내에서의 실질적 평판, 거시적 트렌드 부합성 등 다면적인 ‘정성적(Qualitative)’ 역량을 심층적으로 계측하고 심사에 융합하는 알고리즘적 토대가 충분히 갖추어 있지 않다.

결과적으로 본 연구에서 고안한 S-PACE 1.0 모형은 바로 이러한 1세대 ACS 체계들의 구조적 한계를 보완하기 위하여, 정량적 데이터 모형의 맹점을 자율형 웹 리서치 AI Agent 기반의 비계량 분석으로 보완하는 이중(2-Track) 매트릭스 아키텍처를 채택하였다.

3. S-PACE 1.0: 소상공인 대안 기업가치 평가 모형 설계

본 연구를 통해 설계된 S-PACE 1.0 아키텍처는 개별 사업장의 동태적 잉여 현금흐름(FCF)을 기저(Baseline)로 삼고, 이에 비정형 대안 데이터로 추출된 ‘로컬 상권 및 디지털 평판 승수(Multiple)’를 결합하여 무형 영업권의 내재 가치를 계량적으로 도출하는 독자적 알고리즘 메커니즘을 채택하고 있다.

3.1 기준 현금흐름(Base Cash Flow) 추정

산정 로직: 국세청 부가세 신고 자료가 지니는 시계열적 지연성을 극복하기 위하여, 오픈뱅킹 API 및 POS 단말기 승인 데이터를 기반으로 최근 6개월간의 월평균 잉여 현금흐름(FCF)을 동태적으로 추정한다.

관측 창을 최근 6개월로 설정한 것은 추정의 최신성과 계절 변동의 상쇄 간 균형을 고려한 결과이다. 창이 지나치게 짧으면 특정 성수기․비수기 효과가 과대 반영되고, 지나치게 길면 상권 변화나 업황 전환과 같은 구조적 변동을 희석시킨다. 이에 본 모형은 6개월 관측치에 업종별 계절 팩터(Seasonal Factor)를 보정한 후, 최근 월에 더 큰 가중치를 부여하는 가중이동평균(Weighted Moving Average) 방식으로 월평균 FCF를 산출한다. 일회성 대규모 입출금(보증금 반환, 설비 매각 대금 등)은 반복성 검정을 통해 식별하여 추정에서 제외함으로써 극단치의 왜곡을 통제한다.

구체적인 산출 절차는 네 단계로 구성된다. ① 오픈뱅킹 API로 수집된 계좌 거래내역에서 사업 관련 입출금과 개인 용도 거래를 분리하고(사업․가계 혼용 계좌 보정), ② POS 승인 데이터와 대사(Reconciliation)하여 현금매출 누락분을 추정 보완하며, ③ 임차료․인건비․재료비 등 반복성 지출을 차감하여 월별 잉여 현금흐름을 도출한 뒤, ④ 계절조정과 가중평균을 거쳐 기준 현금흐름(FCF_avg) 과 그 변동성(표준편차)을 함께 산출한다. 변동성 정보는 3.3절의 Risk Penalty 산정에 투입되어, 동일한 평균 현금 흐름이라도 안정성이 낮은 사업체에 보수적인 가치가 부여되도록 설계하였다. 이는 부가세 신고 자료의 시계열 지연성을 극복하는 동시에, 추정치의 신뢰구간을 심사자에게 제공한다는 점에서 기존 정태적 소득 추정 방식과 구별된다.

3.2 AI 기반 연성 경쟁력 지수(Soft-Power Index) 산출 공식

기존의 재무 데이터 및 단순 상권 지표를 넘어, 조업의 일관성, 경영자의 성실성, 인적 자본을 포괄하는 5대 지수를 통해 소상공인의 무형자산을 정량화한다.

3.2.1 온라인 평판 지수 (Online Sentiment Index, S i)

소비자 리뷰 텍스트의 감성 극성(polarity)을 분류하여 브랜드 로열티를 계량화한다. 감성 분류기는 한국어 사전 학습 언어모형 KoBERT(12-layer Transformer, 한국어 위키․뉴스 코퍼스 기반 사전학습)를 백본으로 채택하고, 문장 표현([CLS] 토큰)에 완전연결층과 소프트맥스 계층을 부착한 문장 분류 헤드를 결합하여 소상공인 리뷰 도메인에 대한 파인튜닝(fine-tuning)을 수행하는 구조로 설계하였다. 사전학습 가중치를 동결하지 않고 전 계층을 갱신하는 전면 파인튜닝(full fine-tuning) 방식을 적용하며, 주요 하이퍼파라미터는 최대 시퀀스 길이 128 토큰, 배치 크기 32, 학습률 2×10⁻⁵(AdamW 최적화), 학습 에폭 4회, 드롭아웃 0.1로 설정하고, 검증 손실 기준의 조기 종료(Early Stopping)를 병용하여 과적합을 통제한다.

감성 분류 체계는 긍정(Positive)․중립(Neutral)․부정 (Negative)의 3범주로 구성한다. 소상공인 리뷰는 별점과 텍스트가 병기되는 구조적 특성을 지니므로, 학습 라벨은 별점 기반의 약지도(weakly-supervised) 라벨을 1차로 부여하되(4~5점=긍정, 3점=중립, 1~2점=부정), 별점과 텍스트 극성이 상충하는 표본(예: 최고 별점에 불만 서술이 병기된 경우)에 대해서는 2인의 평정자가 교차 검수하여 라벨을 확정하는 준지도(semi-supervised) 절차를 채택한다. 평정자 간 일치도는 Cohen’s κ로 보고하며, κ가 0.70 미만인 항목은 제3평정자를 투입하여 조정한다.

학습 데이터는 본 연구의 분석 대상인 4대 업종 세그먼트(도․소매업, 숙박․음식점업, 서비스업, 기술기반업)에서 균등 표집한 리뷰 약 2만 건 규모로 구성하며, 학습․검증․평가를 7:1.5:1.5로 분할한다. 리뷰 텍스트 특유의 클래스 불균형(긍정 편중)은 손실함수의 클래스 가중치(class weight)로 보정하고, 분류 성능은 층화 5겹 교차검증 하의 macro-F1을 주 지표로 평가한다. 전처리 단계에서는 이모지․반복 자모의 정규화, 20자 미만 무의미 리뷰의 제거, 3.6절의 허위 리뷰 필터링을 순차 적용한다.

이상의 절차를 통해 산출된 개별 리뷰의 긍정 확률을 시계열 가중 평균하여 온라인 평판 지수를 정의한다.

여기서 x j는 사업체 i에 대한 j번째 리뷰의 토큰 시퀀스, y j는 해당 리뷰의 감성 라벨, w j는 리뷰 작성 시점의 경과 기간에 대한 지수감가 가중치이다. 각 기호의 정의와 값의 범위는 <Table 1>에 일괄 정리하였다.

3.2.2 상권 입지 지수(Location Power Index, L i)

공공 GIS 데이터를 바탕으로 유동인구 및 집객 시설과의 거리를 고려하여 배후 수요 장악력을 수리적으로 도출한다.

3.2.3 조업 연속성 지수(Operation Continuity Index, O i)

사업장의 물리적 활력도 및 장기적 안정성을 대리하는 지표로, 전력 사용량의 변동성(안정적 조업)과 중소기업중앙회 노란우산공제 납부의 일관성을 결합한다. 기존 금융권이 파악하지 못하는 ‘실제 매장이 얼마나 일관되게 운영되는가’를 직접적으로 측정한다.

(단, E t는 주 단위 평균 전기사용량, w o 1와 w o 2는 머신러닝 모형 기반의 Feature Importance 가중치)

3.2.4 디지털 경영 지수 (Digital Management Index, D i)

경영자의 디지털 리터러시(Digital Literacy)와 재무적 규율을 평가하기 위하여 금융․B2B 플랫폼 트래픽 및 전자세금계산서 발행 주기를 지수화한다. 이는 단편적인 연체 이력에 의존하던 기존 심사에서 벗어나 경영자의 능동 적인 자금 관리 의지를 정량화한다.

3.2.5 인적자본 안정성(Human Capital Stability, H i)

서비스업 종사자의 핵심 자산인 종업원 숙련도와 조직 안정성을 계량화한다. 인적 자산의 가치를 무형자산으로 치환하는 핵심 변수이다.

3.3 최종 기업가치(Total Business Valuation, TV) 산출 공식

전통적인 수익환원법(Income Approach)을 변용하여, 기초 현금흐름에 5대 연성 경쟁력 지수로 도출된 ‘대안 멀티플(M_alt)’을 승수(Multiplier)로 적용함으로써 총 기업가치를 산정한다. 대안 멀티플 M_alt는 5대 지수의 가중합에 비선형 활성화 함수(e.g., Sigmoid)를 적용한 스케일링 팩터에 지역별 동종업계 기준 멀티플(M₀)을 곱하여 도출된다.

위 수식에서 Risk Penalty는 해당 상권의 폐업률과 차주 신용 리스크를 재무적 리스크 프리미엄으로 환산한 값이 다. 본 모형을 통해 도출된 추가 가치 분배분은 소상공인의 실증적 ‘영업권(Goodwill)’으로 해석되며, 기존 여신 심사에서는 측정되지 않았던 진정한 펀더멘탈 가치를 반영 하여 대안 금융 대출 한도의 준거점이 된다.

기준 멀티플 M₀의 결정 절차는 다음과 같다. M₀는 지역(시군구)×업종(표준산업분류 중분류) 격자별로, 국토교통부 상가 권리금 실태 통계와 업종별 월평균 영업이익 공표 자료로부터 산출한 “영업 권리금 ÷ 월평균 잉여현금흐름” 비율의 중앙값으로 정의한다. 권리금 시장은 제도권 평가가 부재한 상황에서도 시장 참여자들이 무형 영업권에 지불해 온 관행적 배수를 관측할 수 있는 유일한 준거이기 때문이다. 격자별 표본이 30건 미만인 경우 상위 지역 단위의 값을 축소(shrinkage) 적용하며, M₀는 연 1회 갱신을 원칙으로 한다. 민감도 계수 γ와 스케일링 함수 f(․)의 형태는 학습 데이터에 대한 교차검증으로 결정하고, 그 값과 갱신 이력은 평가 보고서에 명시한다.

3.4 공적 보증기관 심사 모형과의 구조적 차별성

신용보증기금이나 소상공인시장진흥공단 등 공적 보증주체들 역시 나름의 심사 툴을 고도화해 왔으나, 기저에 깔린 전통적 CB 체계의 보수주의적 굴레를 온전히 벗어던지지 못하는 형국이다.

공적 보증기관 모형은 심사의 본질적 대상이 ‘대표자 개인’으로, 사업주 개인의 정형화된 신용평점(CB Score)과 기존 대출 보유량에 극도로 의존하나, S-PACE 1.0 모형은 심사의 대상이 ‘사업체 자체의 비즈니스 가치’로, 대표자 개인이 아닌, 해당 사업장이 상권 내에서 지니는 장악력, 고객 충성도, 실제 조업 활력도 등 펀더멘탈(Fundamental)을 기준으로 한다.

공적 보증기관 모형은 세무 신고 자료, 연체 이력 등 ‘과거 지향적이고 정태적인(Static) 금융 데이터’에 일방적으로 의존하여, 이는 씬파일러(Thin-Filer) 집단인 소상공인의 실태를 반영하지 못하나, S-PACE 1.0 모형은 딥러닝(KoBERT) 기반 온라인 감성 리뷰, GIS 상권 유동인구 궤적, POS 결제 빈도 등 ‘미래 지향적이고 동태적인(Dynamic) 비정형 대안 데이터’를 실시간으로 가공하여 반영한다.

공적 보증기관 모형은 대출금을 떼일 확률(PD, Probability of Default)을 계산하여 리스크를 회피하는 ‘하방 위험(Downside Risk) 통제 모형’으로, 평가 결과가 주로 등급(Score)으로 산출되나, S-PACE 1.0 모형은 소상공인의 연성 경쟁력을 잉여현금흐름(FCF)에 결합하여 재무 회계적 ‘영업권(Goodwill)’으로 수리화하는 ‘상방 잠재력(Upside Potential) 가치평가 모형’을 적용하여, 결과가 구체적인 기업가치 ‘금액(KRW)’으로 환산된다.

공적 보증기관 모형은 정보 비대칭성으로 인해 우량한 소상공인에게도 보수적인 한도를 부여하여, 이른바 레몬 시장(Lemon Market) 현상과 자금 공급의 혼란을 초래할 수 있으나, S-PACE 1.0 모형은 숨겨진 무형자산을 자본화함으로써 리스크 선별력을 훼손하지 않고도 실질적인 대출 한도를 확장시켜, ‘지속 가능한 포용 금융(Sustainable Financial Inclusion)의 실증적 논거가 된다.

3.5 대안 데이터 수집의 법적 기반과 접근권

본 모형이 투입하는 대안 데이터는 수집 경로에 따라 법적 요건이 상이하며, 금융기관이 정보주체의 관여 없이 임의로 접근할 수 있는 정보가 아니라는 점을 명확히 할 필요가 있다. 첫째, 오픈뱅킹 계좌거래 내역과 금융앱 이용 정보는 ｢신용정보의 이용 및 보호에 관한 법률｣ 제33조의2의 개인신용정보 전송요구권(마이데이터)에 근거하여, 정보주체인 소상공인이 본인신용정보관리회사 또는 금융기관에 전송을 요구하는 방식으로 적법하게 수집된다. 둘째, 상권 지리정보와 유동인구는 ｢공공데이터의 제공 및 이용 활성화에 관한 법률｣에 따라 개방된 비개인정보로서 접근 제약이 없다. 셋째, 플랫폼 리뷰․평점은 공개된 정보이나 플랫폼 약관과 기술적 접근 통제의 적용을 받으므로, 대량 자동수집 대신 플랫폼과의 API 제휴 또는 사업자 본인이 자기 계정에서 내려받아 제출하는 경로를 원칙으로 한다. 넷째, 전력 사용량과 노란우산공제 납부 이력은 현행 마이데이터 전송요구권의 범위 밖에 있는 정보로서, 한국전력․중소기업중앙회와의 기관 간 제휴와 ｢개인정보 보호법｣ 제15조 및 제17조에 따른 정보주체의 개별 동의가 전제되어야 하며, 이 경로가 확보되기 전까지 해당 지수는 결측으로 처리된다.

실무 적용 시에는 여신 신청 단계에서 수집 항목․이용 목적․보유 기간을 특정한 일괄 전자동의를 취득하는 프로토콜을 상정한다. 동의가 거부되거나 법적 경로가 미비한 항목은 강제 수집하지 아니하고 3.6절의 보정 로직으로 대체한다. 요컨대 본 모형의 이론적 완결성과 별개로, 지수별 데이터의 실제 가용성은 마이데이터 적용 범위의 확대 등 법제도 정비의 진전에 의존하며, 이는 모형 적용의 경계 조건을 구성한다. 지수별 데이터의 수집 경로와 현행 접근성은 <Table 2>와 같다.

3.6 디지털 소외 사업체 보정과 데이터 품질 통제

온라인 플랫폼 활용도가 낮은 전통 장수 점포(노포)는 오프라인 영업력이 우수함에도 온라인 평판 지수(Si)와 디지털 경영 지수(Di)가 구조적으로 과소 측정될 위험이 있다. 본 모형은 이를 세 단계로 보정한다. 첫째, 대체 지표의 투입이다. Si가 결측이거나 유효 리뷰 수가 임계치(예: 연 30건) 미만인 경우, 카드 승인 데이터 기반 재방문 결제 비율, 현금영수증 발행 추이, 영수증 인증 기반 오프라인 설문을 대체 지표로 산입한다. 둘째, 가중치 재배분이다. 관측 불가한 지수의 가중치는 관측 가능한 지수(Oi, Hi 등)로 비례 재배분하되, 단일 지수의 가중치가 전체의 35%를 초과하지 않도록 상한을 두어 특정 지표에 대한 과잉 의존을 방지한다. 셋째, 업력 보정항이다. 장기 존속 자체가 생존 선별(survivorship)을 통과한 신호라는 점을 반영하여, 업력 10년 이상 사업체에는 승수 스케일링에 업력 보정계수를 가산한다. 보정의 적용 여부와 내역은 평가 보고서에 명시한다.

아울러 실데이터 적용 시의 노이즈 통제를 위하여 다음의 품질 절차를 둔다. 허위 리뷰는 단기간 집중 작성, 동일 작성자의 반복 작성, 구매 미인증 등 조작 의심 패턴을 필터링하고 영수증 인증 리뷰에 가중을 부여하여 통제한다. 전력 사용량은 계절․업종 효과를 이중 차분으로 제거한 잔차 변동성을 사용하며, 일회성 이벤트(리모델링 휴업 등)는 반복성 검정으로 식별하여 제외한다. 이러한 통제에도 불구하고 잔존하는 측정오차는 지수의 신뢰구간으로 보고되어 리스크 페널티 산정(5.5절)에 반영된다.

4. 가상 시뮬레이션 및 실증 분석

설계된 모형의 실무적 적용 가능성을 검증하기 위해, 특허를 미보유한 영세 자영업체 가상 사례(성수동 소재 3년 차 개인 베이커리)를 대상으로 시뮬레이션을 수행하였다.

4.1 기초 자산 및 데이터 현황

본 사례는 전통적 심사 기준으로는 전형적인 씬파일러 기각 사례에 해당한다. 대표자 신용등급(CB 7등급)과 제한적 유형자산(7,000만 원)만으로는 추가 여신의 근거가 성립하지 않기 때문이다. 그러나 제시된 대안 데이터를 3.2절의 5대 지수에 대응시키면 평가의 관점이 달라진다. 포털 평점 4.8과 긍정 리뷰 92%(1,200건)는 온라인 평판 지수(Si)의 상위 구간에 해당하고, 반경 500m 유동인구 증가율 15%는 상권 입지 지수(Li)의 개선 추세를, 월평균 잉여 현금흐름 800만 원의 지속 창출은 조업 연속성(Oi)의 안정성을 각각 시사한다. 즉 본 사례는 "대표자 신용은 열위하나 사업체 펀더멘털은 우량한" 유형으로, 개인 신용 중심 심사와 사업체 가치 중심 심사가 상반된 결론에 도달하는 대표적 상황을 구성한다. 이하의 시뮬레이션은 이 괴리가 가치평가 금액으로 어떻게 계량화되는지를 보여준다.

4.2 가치 평가 시뮬레이션 결과 비교

전통적 여신 모형은 당해 베이커리를 ‘저신용 등급의 재무 지표가 열위한 영세 차주’로 분류하여 담보 가치를 7천만 원으로 한정짓고 추가 여신을 거절하였다. 그러나 S-PACE 1.0 모형은 자연어 처리(NLP) 분석을 통해 형성된 견고한 고객층(Si 상위 수준)과 긍정적인 입지 변화(Li)를 정량화함으로써 1.5억 원의 무형 영업권(Goodwill)을 객관적으로 입증하였다. 이는 소상공인의 비정형 동태적 데이터가 자본시장의 명시적 특허권에 상응하는 무형자산 가치로 환산될 수 있음을 시사한다.

심사 재현성(reproducibility)을 위하여 승수 18.75의 도출 과정을 단계별로 제시하면 <Table 4>와 같다. 본 사례의 계산은 제3.3절의 산식 M_alt = M₀ × [1 + γ × f(S, L, O, D, H)]를 그대로 따른다. 서울 소재 베이커리 업종의 기준 멀티플 M₀는 권리금 통계 기반 “영업 권리금 ÷ 월평균 FCF” 중앙값인 12.5(월 FCF 기준)로 설정되었고, 사례 업체의 5대 지수 가중결합 스케일링 값 f(․)는 0.50(온라인 평판 상위 구간과 상권 개선 추세가 반영된 시그모이드 변환 후 값), 민감도 계수 γ는 1.0이다. 이에 따라 M_alt = 12.5 × (1 + 1.0 × 0.50) = 18.75가 도출되고, 무형 영업권은 월평균 FCF 800만 원 × 18.75 = 1억 5,000만 원, 총 기업가치는 유형자산 7,000만 원을 더한 2억 2,000만 원이 된다(본 사례의 리스크 페널티는 상권 폐업률 하위 구간으로 0을 적용). 제시된 모수 값은 예시이며, 실제 적용에서는 3.3절의 절차에 따라 지역․업종․시점별로 갱신된 값이 사용된다.

4.3 추가 시뮬레이션: 업종별 가치평가 사례

본 모형의 업종별 범용성을 입증하기 위해, 이질적인 영업 형태를 지닌 사업장 2곳에 대한 추가 시뮬레이션을 수행하였다.

[사례 1] 동네 미용실(Hair Salon)

[사례 2] 소형 배달 전문 식당(Delivery-only Restaurant)

5. 모형의 실증적 강건성 및 범용성 검증

5.1 데이터 수집 및 전처리

본 연구의 실증 분석에 차용된 데이터셋은 특정 금융기관의 폐쇄적 데이터에 편중될 경우 발생할 수 있는 표본 선택 편의(Selection Bias)와 재현성(Reproducibility) 결여 문제를 원천 차단하기 위하여, 철저히 통제된 ‘실증적 모의 데이터(Simulated Empirical Dataset)’로 구축되었다. 구체적으로 소상공인시장진흥공단의 상권정보시스템 오픈 API와 코리아크레딧뷰로(KCB) 등 공적․민간 신용평가사가 공시한 거시 통계 분포(업종별 평균 업력, 잉여현금흐름 분산, 폐업률 추이 등)를 준거 기반(Ground Truth)으로 삼아, 몬테카를로 시뮬레이션(Monte Carlo Simulation) 을 통해 10만 개 횡단면․시계열 소상공인 단위(Firm-level)의 가상 결제 및 영업 궤적을 합성(Synthesis)해 냈다. 비정형 텍스트 감성 지표 및 공간 정보 역시 실수익률과 상관관계를 지니도록 Nelsen[11]의 코퓰러 함수(Copula Function)를 이용해 결합 확률 분포를 사상(Mapping)하였다. 이를 통해 연구 윤리를 엄격히 준수함과 동시에, 모형 훈련 과정에서의 과적합(Overfitting) 위험을 헤지하기 위해 5겹 교차 검증(5-Fold Cross-Validation) 및 OOT(Out-Of-Time) 샘플링 기법을 도입하여 계량경제학적 엄밀성을 강화하였다. 한편 온라인 평판 지수(Si)의 경우, 3.2절 ①에 제시한 KoBERT 기반 분류 절차는 실제 리뷰 코퍼스에 대한 적용을 전제로 설계된 것이나, 본 장의 검증에서는 연구 윤리 및 플랫폼 이용약관상의 제약으로 원문 리뷰를 직접 수집하지 아니하고, 공표된 업종별 평점 분포와 긍정 리뷰 비율 통계를 준거로 감성 점수를 합성하였다. 따라서 제5장에서 보고되는 Si의 설명력은 감성 분류기 자체의 분류 정확도가 아니라, 평판 정보가 가치평가에 기여하는 구조적 크기에 대한 추정으로 해석되어야 한다. 실제 코퍼스에 대한 파인튜닝 및 분류 성능(macro-F1)의 보고는 후속 연구의 과제이다. 다만 이러한 모의 데이터 기반 검증은 가정된 결합분포 하에서 모형 아키텍처의 내적 타당성 (Internal Validity)을 확인하는 절차이므로, 이하에 보고되는 성능 수치는 실제 금융기관 데이터에 대한 일반화 가능 성을 직접 보증하지 않는다. 본 연구는 결과 해석의 방점을 "제안 아키텍처의 작동 가능성 입증"에 두며, 실데이터 기반 외적 타당성 검증은 6.2절의 후속 과제로 명시한다.

구체적인 경계 조건은 두 가지이다. 첫째, 코퓰러 함수에 의한 결합분포 사상은 변수 간 의존구조를 단순화하므로, 실데이터에서 나타날 수 있는 비선형․국면전환적 의존성(예: 위기 시 상권지수와 현금흐름의 동반 급락)이 과소 반영될 수 있다. 둘째, 공표 통계의 분포 모수에 기초한 합성 과정은 꼬리 사건(tail event)을 과소 표집할 수 있어, 본 장의 성능 수치는 평상적 경기 국면에 대한 추정으로 한정하여 해석하여야 한다.

5.2 주요 변수의 기술통계량

모델 훈련에 앞서 구축된 실증 데이터셋의 기초 통계량은 <Table 5>와 같다. 분석 대상 소상공인의 평균 업력은 약 4.1년, 월평균 잉여현금흐름은 646.5만 원 수준이며, 온라인 평판 및 상권 지수와 같은 대안 지표들의 편차가 비교적 크게 나타나(표준편차 분포 참조), 변동성이 높은 소상공인의 실태를 반영하고 있다.

기술통계량의 분포적 특성은 모형 설계에 직접 반영되었다. 첫째, 월평균 잉여현금흐름의 최소값이 음수(-150만 원)로 나타나는 것은 한계 상황의 사업자까지 표본에 포괄되어 있음을 의미하며, 이는 우량 차주 위주의 표본 절단(Truncation)에서 오는 낙관 편의를 방지한다. 둘째, 현금흐름 분포는 우측으로 긴 꼬리(Right-skewed)를 가지므로 학습 전 로그 변환과 상․하위 1% 윈저라이징(Winsorization)을 적용하여 극단치의 지렛대 효과를 통제하였다. 셋째, 온라인 평판 지수(Si)의 표준편차(0.72)는 5점 척도에서 충분한 변별력이 존재함을, 상권 입지 지수(Li)의 백분위 범위 (5.1~99.2)는 입지 조건의 이질성이 매우 큼을 보여주는데, 이는 소수의 정형 지표만으로는 포착되지 않는 개체 간 차이를 대안 지표가 흡수하고 있음을 시사한다. 모든 연속 변수는 학습 시 표준화(Standardization)를 거쳐 척도 차이에 따른 왜곡을 제거하였다.

5.3 머신러닝 기반 OOT(Out-Of-Time) 교차 검증 및 예측 성능

S-PACE 1.0의 시계열적 예측 강건성을 검증하기 위하 여, 특정 기간에 발생할 수 있는 과적합(Overfitting)을 원천 차단하는 OOT(Out-Of-Time) 롤링 윈도우 교차 검증을 실시하였다. 결제 궤적 데이터 10만 건(학습셋 70%, 테스 트셋 30%)을 시간순으로 분할하여 1년 후 사업 생존 확률을 분석한 결과는 아래와 같다.

기성 CB 평점을 독립변수로 활용하는 전통적 모형은 높은 수준의 예측 오차(RMSE 0.385)를 나타낸 반면, S-PACE 1.0 앙상블 모형은 거시 경제 환경 변화 속에서도 예측 오차를 0.15 미만으로 통제하며 AUC 0.887을 달성하 여 통계적으로 유의미한 성능 개선을 확인하였다.

모형 내부의 의사결정 블랙박스를 투명화하는 SHAP(SHapley Additive exPlanations) 기법을 통하여, Lundberg and Lee[9], 피처 기여도(Feature Contribution)를 분해한 결과, 온라인 평판 지수(Si)가 차주의 중장기적 생존력과 사업 가치 제고에 가장 지배적인 영향력(상대 기여율 28.4%)을 행사하는 것으로 판명되었다. 그 뒤를 이어 조업 연속성 지수(Oi, 22.1%) 및 상권 입지 지수(Li, 19.5%)가 차상위 핵심 변수로 지목되었다. 이는 전통적 금융권이 천착해 온 획일적인 연체 이력 데이터보다, 영업 현장의 조업 활력과 디지털 평판을 포괄하는 동태적 비정형 정보가 기층 차주의 내재적 펀더멘탈(Fundamental)을 설명하는 데 상대적으로 높은 설명력을 지님을 방증하는 결과이다[7].

5.4 성향 점수 매칭(Propensity Score Matching, PSM)을 통한 편의 통제

본 모형이 창출하는 포용 금융적 효과가 표본 선택 편의(Selection Bias)에 기인하지 않음을 계량적으로 논증하기 위해 PSM 방법론을 적용하였다 Rosenbaum and Rubin [14]. 전통적 심사에서 거절된 차주(통제집단)와 S-PACE 1.0을 통해 여신을 승인받은 차주(처치집단) 간의 업력, 초기 자본금 규모, 지역적 특성 등 공변량(Covariates)을 1:1 Nearest Neighbor 방식으로 매칭하였다.

엄밀한 통계 검정 결과, 대안 데이터 모형(S-PACE 1.0)에 의해 신규 자본을 수혈받은 처치집단의 사후 부실률(Ex-post Default Rate)이 공변량 통제 이후에도 통제집단과 비교하여 약 5.61%p 하회하는 유의미한 결과(t=-11.87) 가 산출되었다. 이는 본 모형이 기존 심사 체계의 리스크 선별력을 훼손하지 않으면서도 건전한 유동성 공급의 스펙트럼을 넓히는 ‘지속 가능한 포용 금융(Sustainable Financial Inclusion)’의 작동 가능성을 모의 데이터 환경에서 뒷받침하는 증거임을 시사한다.

5.5 리스크 페널티(Risk Penalty) 민감도 분석

거시경제 변동이 평가 결과에 미치는 영향을 확인하기 위하여, 4.2절 베이커리 사례를 대상으로 리스크 페널티 (RP)를 0에서 0.30까지 변화시키는 민감도 분석을 수행하였다. RP의 구간은 상권 폐업률 분포에 대응시켜 평상 국면(0~0.05), 경기 둔화(0.10~0.15), 급격한 긴축․상권 충격 (0.25~0.30)의 세 시나리오로 설정하였다. 분석 결과 (<Table 8>), RP가 0.30까지 상승하는 극단 시나리오에서도 총가치 하락률은 20.5%에 그치는데, 이는 산식 구조상 리스크 조정이 무형 영업권 부분에만 선형으로 작용하고 유형자산가치(7,000만 원)가 하한(floor)으로 보전되기 때문이다. 즉 본 모형은 하방 시나리오에서 무형가치를 체감적으로 축소하되 담보 기반 평가의 보수성 이하로는 내려가지 않는 완충 구조를 갖는다. 다만 위기 국면에서는 RP 뿐 아니라 FCF와 지수 자체가 동반 하락할 수 있으므로, 본 민감도 분석은 부분균형적 성격을 가지며 복합 충격에 대한 완전한 검증은 실데이터 기반 후속 연구를 요한다.

6. 요약 및 결론

6.1 연구의 독창성

본 연구가 제시하는 S-PACE 1.0 아키텍처는 기존 신용 평가(CB) 체계 및 기술보증기관의 기술가치평가(TCB)가 수반하는 내재적 한계를 극복하기 위해 설계된 독창적인 평가 프레임워크이다. 본 장에서는 제안된 모형이 상용화된 대안신용평가(ACS)나 기존 문헌들의 모형을 단순 변형․모방한 것이 아니라, 완전히 독립적이고 고유한 알고리즘적 독창성을 지니고 있음을 명확히 입증한다.

Berg et al.[1] 등을 위시한 기존 대안신용평가 문헌들은 주로 정보 비대칭성을 해소하여 차주의 부도 확률 (Probability of Default)을 정교하게 추정하는 데 목적을 둔다. 그러나 S-PACE 1.0 모형은 차주 개인의 상환 성향을 넘어, 사업체 자체가 미래에 창출할 잉여현금흐름과 비재무적 브랜드 로열티를 결합하여 기업의 총유효가치(Total Enterprise Value)를 산출하는 것에 초점을 맞춘다. 이는 피처(Feature)의 확장을 넘어 골목상권을 독립적인 투자 자산으로 간주하는 평가 철학의 근본적인 전이를 의미한다.

기존의 핀테크 대안신용평가(예: 카카오뱅크, 토스 등) 는 주로 통신요금이나 공과금 납부 내역 등을 차용하여 ‘부도율(PD)’을 캘리브레이션(Calibration)하는 데 국한되어 있다. 반면, 본 연구의 S-PACE 1.0 모형은 전기사용량 분산과 노란우산공제 납부 일관성을 결합한 조업 연속성 지수(Oi), 앱 트래픽과 세금계산서 발행 주기를 연동한 디지털 경영 지수(Di), 그리고 (1 - 이직률) × 평균 근속 월수로 산출되는 인적자본 안정성(Hi) 이라는 전례 없는 복합 지표를 수학적으로 도출해 냈다. 이러한 지표의 조합과 정량적 수식 설계는 선행 연구나 기존 상용 모델에 존재하지 않는 본 연구만의 차별적 산물(Originality)이며, 타 모형을 표절하거나 단순 모방할 수 없는 구조적 특성을 지닌다.

다수의 신용평가 딥러닝 연구가 분류 알고리즘의 총정확도(Overall Accuracy) 혹은 AUC 극대화를 단일 목적함수로 상정하는 반면, 본 모형은 소상공인 여신 공급 과정에서 치명적인 ‘제1종 오류(불량 차주 오승인으로 인한 자본 손실)’를 통제하기 위해 ‘비대칭 비용 행렬(Asymmetric Cost Matrix)’을 알고리즘 내부 구조에 명시적으로 하드코딩(Hard-coding)하여 최적화하였다. 이러한 맞춤형 손실 함수 설계는 본 연구 결과물이 기존 문헌과 차별화되는 기술적 우위성을 지님을 시사한다.

6.2 결론 및 한계점

본 연구는 고전적인 자본시장 논리 하에서 구조적으로 소외되어 온 기층 소상공인 집단을 대상으로, 파편화된 비정형 족적(Digital Footprint)을 재무적 영업권(Goodwill)으로 수리화하는 고도화된 가치평가 알고리즘(S-PACE 1.0) 을 정립하였다. 엄밀한 통계적 검정(PSM 매칭 등) 결과, 기성 담보 중심 체계가 포착하지 못하는 상권 입지 장악력과 조업의 연속성 지표가 실제 미래 채무 상환 확률을 유의하게 제고함을 논증하였다. 이는 "명시적 IP 부재 시 기업가치 평가는 불가하다" 는 기존 자본시장의 인식론적 통념에 대하여 반례를 제시하며, 데이터 주도형 신용 창출 (Data-driven Credit Creation) 메커니즘이 포용 금융의 실질적 근거가 될 수 있음을 계량적으로 확증한 결과이다.

본 연구는 소상공인 기업가치 평가 방법론을 고도화하 였으나, 학술적 엄밀성 제고를 위해 다음과 같은 한계점을 보완할 필요가 있다.

이러한 공공-민간 융합 데이터 파이프라인이 구축될 때, 수백만 영세 소상공인들은 주관적 호가에 의존하는 정보 비대칭 시장에서 벗어나 본연의 ‘연성 경쟁력’을 데이터로 증명받고 합리적인 기업가치와 자금 접근성을 보장받는 진정한 금융 포용(Financial Inclusion)을 실현할 수 있을 것이다.

이 밖에도, 본 모형의 내적 타당성(Internal Validity) 확보에도 불구하고, 향후 외적 타당성(External Validity)의 확장을 위해 다음과 같은 고도화가 요구된다. 첫째, 글로 벌 팬데믹이나 급격한 금리 인상(Monetary Tightening)과 같은 외생적 거시 충격(Macroeconomic Shock)이 도래할 경우, 상권 기반의 Li 지수가 급격히 형해화될 위험(Tail Risk)이 존재한다. 후속 연구에서는 이러한 체계적 위험 (Systematic Risk) 하에서도 특정 소상공인이 생존해 내는 ‘동태적 회복력(Dynamic Resilience)’을 새로운 패러미터로 모형에 편입하는 시계열 동학(Time-series Dynamics) 분석이 수반되어야 한다. 둘째, AI 앙상블 모형이 수반하는 ‘블랙박스(Black-box)’ 특성으로 인해 대출 거절 사유의 법적 소명 요건을 충족하기 어려운 바, 설명가능한 인공지 능(XAI)을 활용하여 규제 순응성(Regulatory Compliance) 을 내재화하는 후속 연구가 촉구된다.

끝으로, 시뮬레이션 방법론 자체의 확장이 요구된다. 본 연구는 몬테카를로 시뮬레이션과 코퓰러 함수를 통해 변수 간 결합확률분포를 사상하는 방식으로 모의 데이터를 구축하였으나, 이는 5.1절에서 밝힌 바와 같이 의존구조를 모수적으로 사전 지정한다는 제약을 내포한다. 즉 위기 국면에서 관측되는 비선형․국면전환적 의존성이나 꼬리 사건(tail event)은 연구자가 설정한 코퓰러 족(family)의 범위를 넘어서기 어렵다.

이와 관련하여 최근 대규모 언어모형(LLM) 기반 멀티에이전트 시뮬레이션이 경제주체의 이질적 선호와 상호작 용을 내생적으로 모사하는 방법론으로 활발히 도입되고 있다. 이를 본 모형에 적용할 경우, 소상공인(사업자)․소 비자․경쟁 점포․여신 심사자를 각각 자율적 의사결정 에이전트로 설정하여, 리뷰의 생성과 확산, 상권 내 경쟁과 진입․퇴출, 여신 승인에 따른 사업자의 투자 반응이 상호작용하는 과정을 사전 지정된 상관구조 없이 창발적으로 관측할 수 있다. 이는 행위자 이질성(agent heterogeneity)을 가정이 아닌 시뮬레이션 결과로 확보한다는 점에서, 합성 데이터에 기인하는 본 연구의 외적 타당성 (External Validity) 제약을 보완하는 유력한 경로가 된다.

아울러 5.5절의 리스크 페널티 민감도 분석이 FCF와 5 대 지수를 고정한 부분균형(partial equilibrium) 분석에 머물렀던 한계 또한, 멀티에이전트 기반 시뮬레이션을 통해 거시 충격 하에서 FCF․연성 경쟁력 지수․리스크 페널 티가 동시에 반응하는 복합 충격 시나리오로 확장될 수있다. 후속 연구에서는 실데이터 확보와 병행하여 이러한 에이전트 기반 검증 체계를 구축함으로써, S-PACE 1.0의 동태적 회복력(Dynamic Resilience) 파라미터를 실증적으로 정교화하고자 한다.