본 연구는 가계부채가 지속적으로 증가하는 상황에서 2020년 가계금융복지조사 데이터를 활용하여 부채보유 가계의 특성을 파악하고 상환을 연체할 가능성이 높은 가계를 예측하였다. 소득계층별로 부채보유 가계를 유형화하였고, 선행연구에서 잘 다루어지지 않던 다양한 변수들을 활용함으로써 모형의 성능을 높였으며, 머신러닝의 대표적 방법인 의사결정나무 분석을 실시하였다는 점에서 기존의 연구들과 차별점을 가진다. 분석 결과, 소득이 증가할수록 연체 경험 비율과 주관적 부채부담 수준은 낮아지고 재무건전성은 양호해져, 저소득층의 취약성에 주목해야 할 필요성이 대두되었다. 또, 의사결정나무 분석 결과 소득계층을 막론하고 상환연체 가능성을 높이는 가장 중요한 변수는 주관적 부채부담이었으며 그 외의 변수는 소득계층에 따라 중요도가 상이한 것으로 나타났다. 저소득층과 중간소득층은 상환가능성과 DTA, 거주형태가 중요 변수였던 반면, 고소득층의 경우 신용카드 관련 대출 보유 여부, 상환가능성, 소비 목적 대출 여부가 중요하게 나타났다. 본 연구에서는 이상의 연구 결과를 바탕으로 다음과 같이 소득계층별 제언을 도출하였다. 우선, 금리 인상 등 외부 충격에 특히 취약한 저소득층의 경우 채무조정을 통해 부채부담을 완화하되, 이들이 부채의 굴레로부터 완전히 벗어나도록 하기 위해서는 신용상담 및 재무설계가 병행되어야 한다. 중간소득층 부채보유 가계의 경우 연체 위험으로부터 벗어날 수 있도록 자산형성을 중심으로 하는 재무건전성 강화가 지원되어야 할 것이다. 마지막으로 비교적 상환능력이 양호한 고소득층의 경우, 가구주 연령 및 직업, 신용카드 대출 여부 등의 특성을 고려하여 연체 가능성이 높은 일부 집단을 대상으로 모니터링이 필요하다.

At a time when household debt is on the rise, this study used the Household Financial and Welfare Survey to identify the characteristics of borrowing households and predict households that are likely to fall behind with debt redemption. It differs from previous studies in that it typified households by income level, utilized a variety of variables that were not used before to improve performance of the model, and conducted decision tree analysis, a representative method of machine learning. According to the results, as income increased, the ratio of delinquency experiences and subjective debt burdens decreased, while financial fitness became better, which raises the need to pay attention to the vulnerability of low-income households. In addition, according to the decision tree analysis, the most important variable that increases the possibility of debt delinquency, regardless of income class, was subjective debt burden. Other variables showed different importance depending on the income level. Redeemability, DTA(Debt to Asset Ratio) and residence types were important variables in low- and middle-income models, while credit card-related loans, redeemability, and consumption-purpose loans found to be important in high-income model. This study draws suggestions by income class as follows: First of all, low-income households, particularly vulnerable to external shocks such as benchmark interest rate hikes, should ease their debt burden through Debt Management, and credit counseling should be combined to help them completely escape from debt. For mid-income households, strengthening financial fitness centered on asset formation should be supported. Finally, in the case of high-income households, monitoring is necessary for some groups that are likely to be overdue, considering householders’ age, occupation, and whether they have a credit card loans.