비재무 정보와 신용위험의 관계를 다룬 기존 연구는 신용평가 등급 공표가 일부 기업을 위주로 이루어짐에 따라그 영향에 대한 식별이 어려웠다. 본 연구는 기존의 신용등급을 머신러닝 모형을 통해 학습한 후, 조절 변수로 활용하여 통제한 후 다양한 비재무 정보와 부도거리로 측정된 신용위험의 관계를 분석하였다. 본 연구의 분석 결과는 다음과 같다. 첫째, 본 연구는 비자발적 상장 폐지 기업을 표본으로 기업의 ‘부실 확률’을 활용하여 분석하였으며, 그결과 학습된 머신러닝 모형이 이들 기업의 부실 패턴을 잘 설명함을 확인하여 측도의 정확성을 검토하였다. 둘째, 머신러닝 학습 데이터를 통제하여 분석한 결과 비재무 정보 중 ESG 성과의 지배구조(G) 성과가 기업의 부도 확률을 줄여주는 효과가 있는 것을 강건하게 확인하였다. 반면, 사회(S), 애널리스트 커버리지, 탄소배출 정보는 부도거리와 관계가 크게 유의하지 않았다. 본 연구의 주요 공헌점은 다음과 같다. 첫째, 본 연구는 머신러닝 모형을 바탕으로채권 발행기업 위주로 한정적으로 제공되던 신용평가 관련 분석을 다양한 표본 기업에 대해 확장할 수 있는 프레임워크를 제시하였다. 둘째, 본 연구는 기존 신용평가 영역의 재무 정보 외에도 지배구조(G) 등 일부 ESG 정보가 신용등급 평가에 고려될 만한 것으로 확인하였다. 셋째, 과거 분석이 부족하던 비자발적 상장폐지 기업과 재무 성과의관계를 연결해 신용위험 관점에서 분석 가능한 프레임워크를 제공하였다.