A Multi-Input Approach for SME Default Using Explainable Deep Learning

في الآلية المعقدة للاقتصاد الحديث، تعمل الشركات الصغيرة والمتوسطة كتروس أساسية تبقي كل شيء في حالة دوران. فهي توظف الملايين، وتقود الابتكار، وتشكل العمود الفقري للثروة الوطنية. ومع ذلك، تواجه هذه الشركات مقامرة مستمرة وعالية المخاطر: خطر التخلف عن السداد، أو عدم القدرة على رد ديونها. بالنسبة للبنوك والمقرضين، فإن التنبؤ بالشركات التي قد تفشل قبل وقوع ذلك فعلياً هو مسأولية تتعلق بالاستقرار المالي. لعقود من الزمن، حاول الخبراء حل هذا اللغز باستخدام نماذج رياضية تنظر إلى البيانات المالية للشركة -أصولها، وديونها، وأرباحها- لتخمين مستقبلها. تعمل هذه الطرق التقليدية بشكل جيد إلى حد معقول، لكنها غالباً ما تعامل تاريخ الشركة كلقطة ثابتة في زمن واحد، متجاهلةً كيف تغيرت تلك الشركة على مر السنين. كما أنها تميل إلى إغفال تفاصيل حاسمة أخرى، مثل من يدير الشركة أو أين تقع، مع التركيز حصرياً تقريباً على الأرقام الموجودة في الدفاتر المحاسبية.

لقد طور فريق من الباحثين من جامعة نابولي "بارثينوبي" في إيطاليا طريقة جديدة للنظر إلى هذه المشكلة، طريقة تعامل العمل التجاري كقصة حية بدلاً من صورة فوتوغرافية ساكنة. فبدلاً من الاعتماد على صيغة واحدة جامدة، بنوا نظاماً حاسوبياً متطوراً قادراً على قراءة أنواع متعددة من المعلومات في آن واحد. صُمم هذا النظام، الذي يسمونه "الشبكة العصبية متعددة المدخلات"، لاستيعค์ ثلاثة تدفقات متميزة من البيانات: التاريخ المالي للشركة على مدار عدة سنوات، وخصائص القيادة والهيكل الإداري، والظروف الاقتصادية للمنطقة التي تعمل فيها. ومن خلال نسج هذه الخيوط المختلفة معاً، أنشأ الباحثون نموذجاً يمكنه رؤية الأنماط والارتباطات التي تغفلها الطرق القديمة. ويشير عملهم إلى أنه لفهم مخاطر فشل شركة ما حقاً، يجب النظر إلى مسارها الماضي، وقيادتها الحالية، ومحيطها، وليس فقط ميزانيتها العمومية.

اختبر الباحثون نهجهم الجديد باستخدام مجموعة بيانات ضخمة من الشركات الصغيرة والمتوسطة الإيطالية، غطت الفترة من 2013 إلى 2022. وقد ركزوا على الشركات القائمة التي عملت لمدة ثلاث سنوات على الأقل، مستبعدين المشروعات المتناهية الصغر لأن سجلاتها المالية غالباً ما تكون موجزة جداً أو هياكلها الإدارية بسيطة جداً بحيث لا توفر التاريخ التفصيلي اللازم لهذا النوع من التحليل. جمع الفريق معلومات عن آلاف الشركات، بما في ذلك أرباحها السنوية، وديونها، وأصولها، بالإضافة إلى تفاصيل حول أعضاء مجالس إدارتها، مثل أعمارهم، وجنسهم، وخبرتهم. كما دونوا المنطقة المحددة التي تتخذها كل شركة مقراً لها، مدركين أن الظروف الاقتصادية المحلية يمكن أن تؤثر على نجاح الأعمال.

لمعالجة هذه المعلومات المتنوعة، أنشأ الباحثون بنية رقمية تتكون من ثلاثة مسارات متخصصة، أو "شبكات فرعية"، تغذي وحدة اتخاذ قرار مركزية. صُمم المسار الأول للتعامل مع البيانات المالية التي تتغير كل عام. وبدلاً من مجرد النظر إلى أرقام السنة الأخيرة، يستخدم هذا الجزء نوعاً من الذكاء الاصطناعي يُعرف باسم شبكة "الذاكرة الطويلة قصيرة المدى" (Long Short-Term Memory). وتعد هذه التكنولوجيا جيدة بشكل خاص في تذكر التسلسلات؛ فهي تنظر إلى التاريخ المالي للشركة على مدار عدة سنوات لفهم توجهها، تماماً كما قد ينظر الطبيب إلى السجلات الصحية لمريض على مدى عقد من الزمن بدلاً من مجرد درجة حرارته في يوم واحد. ويعالج المسار الثاني بيانات الحوكمة، التي تصف الأشخاص المسؤولين. وبما أن فرق القيادة لا تتغير بوتيرة سريعة مثل الأرقام المالية، فإن هذا الجزء من النظام يعامل تلك المعلومات كمجموعة ثابتة من الحقائق حول هيكل الشركة. أما المسار الثالث فيتعامل مع البيانات الإقليمية، حيث يحول اسم المنطقة إلى رمز رقمي يسمح للنظام بتعلم كيفية تأثير المناطق الجغرافية المختلفة على مخاطر الأعمال.

بمجرد معالجة هذه التدفقات الثلاثة من المعلومات، يتم دمجها في صورة واحدة موحدة للشركة. ثم تُمرر هذه الرؤية المجمعة إلى طبقة نهائية تحسب احتمالية تخلف الشركة عن السداد في العام القادم. قارن الباحثون نظامهم الجديد متعدد المدخلات بثلاث طرق أخرى مستخدمة عادة في الصناعة: نموذج إحصائي تقليدي يُعرف باسم الانحدار اللوجستي، وأداة تعلم آلي قوية تسمى (XGBoost)، ونموذج تعلم عميق قياسي لا يأخذ التسلسلات الزمنية في الاعتبار. واختبروا هذه النماذج عبر مطالبتها بالتنبؤ بالشركات التي ستفشل في عامي 2021 و2022، بناءً على البيانات المتاحة في العام السابق.

أظهرت النتระ أن النهج الجديد متعدد المدخلات كان الأكثر دقة في التنبؤ. وفي الاختبارات المصممة لمعرفة مدى قدرة النماذج على التمييز بين الشركات التي ستنجو وتلك التي ستفشل، تفوق النظام الجديد باستمرار على غيره. فقد حقق أعلى الدرجات في تحديد الشركات التي ستنجو وتلك التي ستفشل بشكل صحيح، محققاً توازناً أفضل من النماذج الأخرى. وبينما ارتكبت النماذج الإحصائية التقليدية وأدوات التعلم الآلي القياسية المزيد من الأخطاء، أظهر النظام الجديد قدرة فائقة على التكيف مع البيانات الجديدة وتجنب الفخ الشائع المتمثل في "الفرط في التخصيص" (overfitting)، حيث يقوم النموذج بحفظ البيانات الماضية بدقة شديدة لدرجة تجعله يفشل في التنبؤ بالمستقبل.

بعيداً عن مجرد التنبؤ بمن سيفشل، أراد الباحثون فهم السبب الذي جعل نموذجهم يتخذ قراراته. غالباً ما تُنتقد أنظمة التعلم العميق بوصفها "صناديق سوداء"، مما يعني أن منطقها الداخلي معقد للغاية بحيث لا يمكن للبشر شرح كيفية وصولها إلى استنتاج ما بسهولة. ولمعالجة ذلك، استخدم الفريق تقنية "قيم شابلي" (Shapley values)، والتي تعمل كحاسبة للعدالة لقياس مدى مساهمة كل قطعة من المعلومات في التنبؤ النهائي. ووجدوا أن المؤشرات المالية والاقتصادية كانت، كما هو متوقع، أقوى الدوافع للتنبؤ. ومع ذلك، كشف التحليل عن أمر مهم: أن خصائص حوكمة الشركة وموقعها الجغرافي لعبت أيضاً دوراً مهماً وغير مهمل. وبينما حملت البيانات المالية الوزن الأكبر، أظهر النموذج أن تجاهل الأشخاص المسؤولين أو السياق الاقتصادي المحلي سيؤدي إلى تنبؤات أقل دقة. فالبيانات الإقليمية، على سبيل المثال، ساهمت بأقل من 20 في المائة في القرار النهائي، لكن هذه الكمية الصغيرة كانت لا تزال ذات مغزى كافٍ لتحسين الدقة الإجمالية.

تؤكد هذه الدراسة أن النظر إلى العمل التجاري من خلال عدسة واحدة لم يعد كافياً لتقييم المخاطر بدقة. فمن خلال دمج التاريخ المالي، وتفاصيل القيادة، والسياق الإقليمي في نظام واحد مرن، أنشأ الباحثون أداة تقدم رؤية أكثر اكتمالاً وموثوقية للصحة المؤسسية. ويشير عملهم إلى أن مستقبل التنبؤ بفشل الأعمال يكمن في النماذج التي يمكنها التعامل مع أنواع مختلفة من البيانات في وقت واحد، مع احترام الطريقة الفريدة التي يتطور بها كل جزء من المعلومات بمرور الوقت. ورغم أن النموذج قد اختُبر خصيصاً على الشركات الإيطالية، إلا أن هذا النهج يقدم مخططاً لكيف يمكن للمقرضين والمحللين في أماكن أخرى فهم الواقع المعقد للشركات التي يدعمونها بشكل أفضل. إن هذه النتائج لا تقضي على خطر الفشل، لكنها توفر خريطة أكثر وضوحاً ودقة للإبحار من خلاله.