[論文レビュー] Combining Intra-Risk and Contagion Risk for Enterprise Bankruptcy Prediction Using Graph Neural Networks

Yu Zhao, Shaopeng Wei+7 more|arXiv (Cornell University)|Feb 1, 2022

Financial Distress and Bankruptcy Prediction参考文献 65被引用数 8

ひとこと要約

本稿では、中小企業（SME）破産予測のためのグラフニューラルネットワークフレームワークであるComRiskを提案する。このモデルは、内部的な金融・法的指標（イントラリスク）と、企業知識グラフを介した外部的ネットワーク効果（伝染リスク）を統合的にモデル化する。統計的に有意なイントラリスクエンコーダーと、伝染リスクのモデリングにHyper-GNNとHeter-GNNを統合することで、新規のオープンソースSMEsDベンチマークデータセット上で最先端の性能を達成した。

ABSTRACT

Predicting the bankruptcy risk of small and medium-sized enterprises (SMEs) is an important step for financial institutions when making decisions about loans. Existing studies in both finance and AI research fields, however, tend to only consider either the intra-risk or contagion risk of enterprises, ignoring their interactions and combinatorial effects. This study for the first time considers both types of risk and their joint effects in bankruptcy prediction. Specifically, we first propose an enterprise intra-risk encoder based on statistically significant enterprise risk indicators for its intra-risk learning. Then, we propose an enterprise contagion risk encoder based on enterprise relation information from an enterprise knowledge graph for its contagion risk embedding. In particular, the contagion risk encoder includes both the newly proposed Hyper-Graph Neural Networks and Heterogeneous Graph Neural Networks, which can model contagion risk in two different aspects, i.e. common risk factors based on hyperedges and direct diffusion risk from neighbors, respectively. To evaluate the model, we collect real-world multi-sources data on SMEs and build a novel benchmark dataset called SMEsD. We provide open access to the dataset, which is expected to further promote research on financial risk analysis. Experiments on SMEsD against twelve state-of-the-art baselines demonstrate the effectiveness of the proposed model for bankruptcy prediction.

研究の動機と目的

• 既存の破産予測モデルがイントラリスクまたは伝染リスクのいずれかにのみ注目しており、両者の複合的影響を無視しているというギャップを解消すること。
• 企業の内部的リスク（例：財務状態、訴訟履歴）と、企業間関係を通じた外部的リスク拡散を統合的に捉える統一フレームワークの構築。
• 今後の研究を支援するため、中小企業の破産予測を目的とした新規のマルチソースで現実世界のデータを用いたベンチマークデータセット（SMEsD）の構築。
• ハイパーグラフと非均質グラフニューラルネットワークを組み合わせて複雑なリスク伝播をモデリングする有効性の検証。

提案手法

• 登録資本金、訴訟頻度、判決結果、事件期間など、企業の基本属性および訴訟データから導出された12個の統計的に有意な指標を用いて、イントラリスクエンコーダーを設計。
• 企業知識グラフ（EKG）を用いて伝染リスクエンコーダーを構築し、ハイパーグラフGNN（Hyper-GNN）でハイパーエッジ（例：同業界、同地域）をモデル化するとともに、非均質GNN（Heter-GNN）でペアワイズの非均質関係（例：仕入先・販売先、保証人・融資者）を捉える。
• 階層的リスクエンコーダーを採用し、ハイパーエッジの種別を区別し、リスク関連性に基づいて重みを割り当てる。
• 統一されたGNNアーキテクチャを用いてイントラリスクと伝染リスクの表現を統合し、内部的リスク要因とシステム的リスク要因の共同学習を可能にする。
• 企業プロフィール、法的記録、関係性ネットワークを含むマルチソースの現実世界データから構築された新規ベンチマークデータセットSMEsDを公開。

実験結果

リサーチクエスチョン

• RQ1 イントラリスクと伝染リスクを同時にモデリングすることで、単一のリスクタイプに注目するモデルと比較して、中小企業の破産予測精度が向上するか？
• RQ2 共通の業界や場所を共有するハイパーエッジ（例：同業界、同地域）と、サプライチェーンなど複雑な関係性を有する非均質関係が、企業ネットワーク内でのリスク伝播にどのように寄与するか？
• RQ3 訴訟および事業データから得られる統計的に有意なリスク指標を組み込むことで、予測性能がどの程度向上するか？
• RQ4 異なるGNNアーキテクチャ（Hyper-GNN対Heter-GNN）が、伝染リスクの異なる側面をどのようにモデリングに寄与するか？

主な発見

• 提案されたComRiskモデルは、SMEsDベンチマークで12の最先端ベースラインを上回る、最先端の性能を達成した。
• アブレーションスタディの結果、イントラリスクエンコーダーまたはHyper-GNN/Heter-GNNのいずれかのモジュールを削除すると性能が著しく低下し、両方のリスクタイプの重要性が確認された。
• 完全なアーキテクチャ（ComRisk）は最高のF1スコアとAUCを達成し、内部的リスクとシステム的リスクを統合的にモデリングする有効性を示した。
• Hyper-GNNは、同じ業界に属するグループ全体に共通するリスク要因を捉えることで、有意義な貢献をした。一方、Heter-GNNは、複雑な企業関係を通じた直接的リスク伝播をモデル化することで性能向上に寄与した。
• パラメータ解析の結果、入力次元が12で、訴訟リスク情報の次元が20の組み合わせで最適な性能が得られ、これはデータセットに含まれる訴訟属性の総数と一致した。