تطوير نموذج هجيني مفسَّر قائم على الذكاء الإصطناعي والتعلّم العميق للتنبؤ المبكر بمخاطر التعثر الإئتماني في شركات التمويل السعودية: إطار تحليلي متكامل متوافق مع IFRS 9 والحوكمة التنظيمية

Read full text Summarise with VIRAT
Authors: عزت عزت يوسف العشري
Cited by: 0
References: 5

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

Abstract

يهدف هذا البحث إلى تطوير نموذج هجيني مفسَّر قائم على تقنيات الذكاء الإصطناعي (Artificial Intelligence – AI) والتعلّم العميق (Deep Learning – DL) لدعم التنبؤ المبكر بمخاطر التعثر الإئتماني في شركات التمويل العاملة في المملكة العربية السعودية، بما يتوافق مع متطلبات معيار التقارير المالية الدولية رقم 9 (International Financial Reporting Standard 9 – IFRS 9) والأطر التنظيمية المحلية ذات الصلة. تكمن الفجوة البحثية في محدودية الدراسات التطبيقية التي دمجت بين البيانات التركيبية واسعة النطاق، والنماذج الهجينة، وتقنيات الذكاء الإصطناعي القابل للتفسير (Explainable Artificial Intelligence – XAI)، ضمن إطار تنظيمي ومحاسبي متكامل يعكس خصوصية البيئة السعودية. اعتمدت الدراسة على بيانات تركيبية تمثيلية (Synthetic Representative Data) بلغ حجمها 1,000,000 سجل ائتماني تغطي الفترة (2019–2024)، وتمثل شركات تمويل متعددة المنتجات، متضمنة أكثر من 30 متغيرًا ماليًا وسلوكيًا وتاريخيًا. وقد تم توليد البيانات وفق توزيعات إحصائية تحاكي خصائص السوق السعودي، مع مراعاة متطلبات نظام حماية البيانات الشخصية (Personal Data Protection Law – PDPL). تم تطوير نموذج هجيني يجمع بين خوارزمية الغابات العشوائية (Random Forest) والشبكات العصبية العميقة (Deep Neural Networks – DNN)، مع توظيف تقنيات XAI لتعزيز قابلية التفسير، ومقارنته بالنماذج التقليدية مثل نموذج Altman Z-Score. وأظهرت النتائج تحسنًا في الأداء، حيث ارتفعت دقة التنبؤ (Accuracy) من 0.74 إلى 0.87، كما ارتفع مؤشر المساحة تحت المنحنى (Area Under the Curve – AUC) من 0.71 إلى 0.91، إلى جانب تحسن في مؤشرات الاسترجاع (Recall) وإحصائية كولموغوروف–سميرنوف (Kolmogorov–Smirnov Statistic – KS)، بما يعكس قدرة أعلى على اكتشاف حالات التعثر المبكر في ظل عدم توازن الفئات. تشير النتائج، ضمن إطار محاكاة تمثيلية، إلى أن النموذج المقترح قد يدعم قرارات مرحلة ما قبل المنح (Pre-Approval Stage)، ويعزز أنظمة الإنذار المبكر (Early Warning Systems)، ويسهم في الحد من انتقال العملاء بين مراحل المخاطر وفق IFRS 9 (Stage 1/2/3)، مما قد ينعكس إيجابيًا على إدارة القروض غير العاملة (Non-Performing Loans – NPL)، وتقدير الخسائر الإئتمانية المتوقعة (Expected Credit Loss – ECL)، وتقليل تكلفة المخاطر (Cost of Risk). وتؤكد الدراسة أهمية تحقيق توازن بين الدقة التنبؤية، وقابلية التفسير، والامتثال التنظيمي لضمان الاستخدام المسؤول لتقنيات الذكاء الإصطناعي في قطاع التمويل.

Fields of Study & Subjects

Financial Distress and Bankruptcy Prediction Credit Risk and Financial Regulations Forecasting Techniques and Applications

Publication details

Journal / source
مجلة العلوم الهندسية و تكنولوجيا المعلومات
Volume
10
Issue
1
Pages
65–88
Publication date
15 March 2026
Language
AR