فهرست نشریات علمی دسترسی آزاد ایران

پیش‌بینی وصول مطالبات غیرجاری از جمله چالش‌های کلیدی در مدیریت مالی مؤسسات مالی و اعتباری به شمار می‌آید. این مسأله نه تنها بر پایداری و سلامت مالی بانک‌ها تأثیرگذار است، بلکه به طور مستقیم بر توانایی آن‌ها در مدیریت ریسک و تعیین استراتژی‌های اعتباری مؤثر تأثیر می‌گذارد. پژوهش حاضر به‌منظور ارائه مدلی پیش‌بینی برای تعیین احتمال وصول مطالبات غیرجاری در قراردادهای با بدهی سررسید شده میان 30 تا 90 روز، از روش‌های مبتنی بر هوش مصنوعی استفاده کرده است. در این تحقیق، الگوریتم‌های یادگیری ماشین، شامل درخت تصمیم‌گیری، جنگل تصادفی و تحلیل‌های شفاف‌سازی مدل، به‌ویژه SHAP (SHapley Additive exPlanations)، برای تحلیل داده‌های مالی و پیش‌بینی وضعیت وصول مطالبات به کار رفته‌اند. نتایج تحلیل‌ها نشان می‌دهند که مدل‌های یادگیری ماشین با دقت قابل توجهی قادر به تفکیک و جداسازی قراردادهای خوددرمان شونده از دیگر قراردادها در آینده هستند.یافته‌ها نشان می‌دهند مدل‌های یادگیری ماشین توان بالایی در تفکیک قراردادهای خوددرمان ‌شونده از دیگر موارد دارند. ابزار SHAP نیز در تحلیل ویژگی‌های مؤثر بر پیش‌بینی نقش کلیدی ایفا کرده است. این رویکرد می‌تواند به‌طور مؤثری در بهبود راهکارهای مدیریت ریسک اعتباری بانک‌ها به‌کار گرفته شود.