تشكل الشركات الصغيرة والمتوسطة (SMEs) العمود الفقري للاقتصادات العالمية، حيث تمثل غالبية الشركات في العديد من الدول. لكن هذه الشركات تواجه تحديات مالية أكبر وتتعرض لضغوط أكبر مما يجعلها عرضة للإفلاس. لذا، يُعتبر توقع إفلاس الشركات الصغيرة والمتوسطة أمرًا حيويًا ليس فقط للمؤسسات المالية ولكن أيضًا لصانعي السياسات والباحثين في المجال.

في السنوات الأخيرة، أحرزت تقنيات التعلم الآلي (ML) تقدمًا ملحوظًا في تحسين الأداء التنبؤي في مجالات مخاطر الائتمان. ومع بروز نماذج التعلم الآلي المعقدة، ظهرت مخاوف بشأن الشفافية والامتثال التنظيمي، نظرًا لصعوبة تفسير نتائج هذه النماذج.

تقدم هذه الدراسة استراتيجيات لفهم عمليات الإفلاس المحتملة للشركات الصغيرة والمتوسطة عن طريق تطبيق تقنيات الذكاء الاصطناعي القابلة للتفسير (XAI). تم تحليل بيانات تتعلق بـ 50,718 شركة صغيرة ومتوسطة إيطالية خلال الفترة ما بين 2015 و2024، ومقارنة النتائج باستخدام أساليب اقتصادية تقليدية مع عدة مصنفات تعتمد على التعلم الآلي.

أظهرت النتائج التجريبية أن نماذج التعلم الآلي كانت أكثر كفاءة في الأداء مقارنة بالنماذج التقليدية، خصوصًا في تحسين دقة التنبؤ. ومن أجل مواجهة تحديات التفسير، تم تقديم إطار عمل جديد يُدعى DEXiRE-EVO يجمع بين تحسين الأهداف المتعددة وطريقة تفسير CIU.

تظهر القواعد المستخرجة أن هناك أنماطاً اقتصادية مثيرة تتعلق بالمشاكل المالية، مثل ضعف قدرة السيولة الداخلية وتآكل رأس المال الداخلي والرفع المالي العالي، بالإضافة إلى عدم الكفاءة التشغيلية. كما تساهم الظروف الماكرو اقتصادية والخلل المالي المستمر في تحديد الشركات المعرضة للخطر.

بشكل عام، تظهر النتائج أن دمج تقنيات التعلم الآلي مع استخراج القواعد التطورية يمكن أن يُعزز من كلا من الأداء التنبؤي وقابلية التفسير في نمذجة مخاطر الائتمان، مما يدعم اتخاذ قرارات أكثر شفافية تعتمد على البيانات في البيئات المالية. كيف تنظرون إلى أهمية استخدام الذكاء الاصطناعي في تحسين الأداء المالي؟ شاركونا آراءكم في التعليقات.