Bankruptcy Prediction via Hybrid Resampling and Stacking Ensemble Techniques with Explainable Artificial Intelligence (XAI)-Driven Analysis

ملخص تقني: التنبؤ بالإفلاس عبر تقنيات إعادة أخذ العينات الهجينة وتجميع التراكم (Stacking Ensemble) مع تحليل مدفوع بالذكاء الاصطناعي القابل للتفسير (XAI)

بيان المشكلة
تتناول هذه الدراسة التحدي الحرج المتمثل في التنبؤ بالإفلاس للشركات ضمن مجموعات البيانات المالية غير المتوازنة بشدة، حيث تشكل الفئة الأقلية (الشركات المفلسة) جزءًا صغيرًا من إجمالي السكان (حوالي 3.23% في مجموعة البيانات المستهدفة). إن مقاييس التقييم التقليدية مثل "الدقة" (Accuracy) تكون مضللة في مثل هذه السياقات، حيث تميل غالبًا لصالح الفئة الأكثرية وتفشل في اكتشاف الشركات المتعثرة ماليًا. وتجادل الورقة بأن التنبؤ بالإفلاس هو مسألة قرار حساسة للتكلفة، حيث إن تفويت شركة متعثرة (انخفاض الاستدعاء/Recall) يحمل عواقب وخيمة أكبر من الإنذارات الكاذبة. علاوة على ذلك، يتطلب هذا المجال نماذج لا تقتصر على القدرة التنبؤية فحسب، بل تتسم أيضًا بالقابلية للتفسير لدعم التدقيق والحوكمة والامتثال التنظيمي.

المنهجية
تستخدم الدراسة إطار عمل شاملاً ومتكاملًا باستخدام مجموعة بيانات التنبؤ بالإفلاس التايوانية من مستودع (UCI Machine Learning Repository) (6,819 ملاحظة للشركات، و95 متغيرًا تنبئيًا). تمر المنهجية عبر أربع مراحل متميزة:

1. اختيار الميزات القائم على الإجماع: لتقليل فضاء المدخلات عالي الأبعاد (95 ميزة) وتعزيز المتانة، تم تطبيق خمس خوارزميات لاختيار الميزات وهي: تحسين الحوت (WOA)، وتحسين سرب الجسيمات (PSO)، وتحسين سرب السالپ (SSO)، وخوارزمية الخفاش (BA)، والمعلومات المتبادلة (MI). تم تطبيق قاعدة الاحتفاظ بالإجماع، حيث تم الاحتفاظ فقط بالمتغيرات التي حددتها خوارزميتان على الأقل من الخوارزميات الخمس. أدى ذلك إلى تقليص مجموعة الميزات إلى 23 متغيرًا قويًا، تشمل مقاييس تتعلق بالربحية، والرافعة المالية، والملاءة المالية، والكفاءة التشغيلية.
2. إعادة أخذ العينات الهجين: لمعالجة عدم توازن الفئات، تم تنفيذ ثلاث تقنيات هجينة لإعادة أخذ العينات على بيانات التدريب: SVM-SMOTE، وSMOTE-Tomek، وSMOTE-Edited Nearest Neighbors (SMOTE-ENN). استُخدمت هذه الطرق لتوليد توزيعات تدريب متوازنة مع محاولة الحفاظ على سلامة الفئة الأقلية.
3. بنية النموذج والتجميع (Stacking):
   • المتعلمات الأساسية (Base Learners): تم تقييم خمسة مصنفات تعلم آلي تجميعية: تعزيز التدرج (GB)، وتعزيز التدرج الشديد (XGB)، وتعزيز التدرج القائم على المدرجات (HGB)، وLightGBM (LGBM)، وAdaBoost (AB).
   • المتعلمات العليا (Meta-Learners): تم اختبار خمسة نماذج للتعلم العميق (DL): الشبكة العصبية المتكررة (RNN)، والذاكرة الطويلة قصيرة المدى (LSTM)، والوحدة المتكررة ذات البوابة (GRU)، والشبكة العصبية العميقة (DNN)، والمدرك متعدد الطبقات (MLP).
   • التجميع الهجين (Hybrid Stacking): تم بناء إطار عمل تجميعي حيث عملت المصنفات الخمسة للتعلم الآلي كمتعلمات أساسية، وعمل كل نموذج من نماذج التعلم العميق الخمسة كمتعلم علوي، مما أوجد 25 تكوينًا هجينًا فريدًا.
4. الذكاء الاصطناعي القابل للتفسير (XAI): تم تطبيق إطار عمل (SHAP) لتفسير مساهمات الميزات على النماذج الأفضل أداءً على المستويين العالمي والمحلي، لضمان توافق منطق اتخاذ القرار في النموذج مع النظرية الاقتصادية.

النتائج الرئيسية
قيمت الدراسة النماذج باستخدام الدقة، والاستدعاء، والنوعية (Specificity)، ومتوسط الهندسي (G-mean)، ومنحنى خصائص تشغيل المستقبِل (ROC-AUC). وتشمل النتائج الرئيسية ما يلي:

• تأثير إعادة أخذ العينات: حدد اختيار استراتيجية إعادة أخذ العينات سلوك النموذج بشكل كبير. فقد فضلت تقنيات SVM-SMOTE وSMOTE-Tomek تحقيق دقة ونوعية عالية (تحديد الشركات غير المفلسة بشكل صحيح)، بينما حققت تقنية SMOTE-ENN تفوقًا في اكتشاف الفئة الأقلية (الاستدعاء) وأداءً متوازنًا (G-mean).
• أداء النماذج المستقلة: من بين النماذج المستقلة، حقق مصنف GRU المدمج مع SMOTE-ENN أفضل توازن تنبؤي عام، حيث سجل استدعاءً قدره 0.8627، ومتوسطًا هندسيًا (G-mean) قدره 0.8517، وROC-AUC قدره 0.9431.
• أداء التجميع التراكمي (Stacking Ensemble): قدم إطار التجميع الهجين الذي يستخدم SMOTE-ENN مع (GB+XGB+HGB+LGBM+AB) كمتعلمات أساسية وLSTM كمتعلم علوي أقوى تسوية بين الحساسية والنوعية بين النماذج المجمعة (الاستدعاء: 0.7255، G-mean: 0.8254، ROC-AUC: 0.9270).
• مقارنة النماذج: بينما تفوقت مجموعات الأشجار التجميعية (خاصة LGBM) في الدقة والنوعية، إلا أن نماذج التعلم العميق (MLP, GRU, LSTM, RNN) تفوقت باستمرار على نماذج التعلم الآلي في الاستدعاء وG-mean، لا سيًا تحت نظام SMOTE-ENN.
• أهمية الميزات: حدد تحليل SHAP أن مؤشرات الرافعة المالية، والربحية، والملاءة المالية، والكفاءة التشغيلية (مثل الأرباح المحتجزة إلى إجمالي الأصول، والعائد على الأصول ROA، ونسبة الدين، ودوران إجمالي الأصول) هي أكثر المتنبئات تأثيرًا في مخاطر الإفلاس.

الأهمية والادعاءات
تزعم الورقة أن مساهمتها الأساسية تكمن في إثبات أن عدم توازن الفئات هو محدد مركزي لجدوى النموذج، وليس مجرد مشكلة معالجة مسبقة. وتؤكد الدراسة أن:

1. جدوى التعلم العميق: توفر بنيات التعلم العميق (تحديدًا GRU وLSTM) مكاسب جوهرية في اكتشاف فئة الإفلاس الأقلية حتى في سياق البيانات الجدولية المهيكلة، متفوقة على طرق التعزيز التقليدية في الاستدعاء.
2. أهمية استراتيجية إعادة أخذ العينات: لا توجد طريقة واحدة "مثلى" لإعادة أخذ العينات؛ فالخيار الأمثل يعتمد على الهدف التشغيلي. وقد ثبت أن SMOTE-ENN فعالة بشكل خاص لأنظمة الإنذار المبكر حيث تكون الأولوية لتقليل حالات الإفلاس المفقودة.
3. تكامل القابلية للتفسير: من خلال دمج SHAP، تثبت الدراسة أن النماذج تلتقط إشارات منطقية اقتصاديًا (الربحية والرافعة المالية) بدلاً من مجرد آثار إحصائية، مما يدعم نشر هذه النماذج في حوكمة مالية عالية المخاطر.
4. المعيارية: تضع الدراسة معيارًا قويًا باستخدام النسب المالية المهيكلة وحدها، مما يشير إلى أنه عند الجمع بين اختيار الميزات القائم على الإجماع، وإعادة أخذ العينات الهجينة، والذكاء الاصطناعي القابل للتفسير، تظل البيانات المحاسبية التقليدية غنية جدًا بالمعلومات للتنبؤ بالإفلاس.

تخلص المؤلفة إلى أنه بينما يطور إطار عملهم هذا المجال، يجب أن يركز العمل المستقبلي على دمج المسارات متعددة الفترات والبيانات النصية غير المهيكلة لتعزيز المتانة والقدرة على التعميم عبر البيئات التنظيمية والاقتصادية المختلفة.