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

तकनीकी सारांश: हाइब्रिड रीसैंपलिंग और स्टैकिंग एन्सेम्बल तकनीकों के साथ XAI-संचालित विश्लेषण के माध्यम से दिवालियापन भविष्यवाणी

समस्या विवरण
यह अध्ययन गंभीर रूप से असंतुलित वित्तीय डेटासेट के भीतर कॉर्पोरेट दिवालियापन की भविष्यवाणी करने की महत्वपूर्ण चुनौती को संबोधित करता है, जहाँ अल्पसंख्यक वर्ग (दिवालिया फर्मों) का हिस्सा कुल जनसंख्या का एक छोटा सा अंश (लक्ष्य डेटासेट में लगभग 3.23%) है। पारंपरिक मूल्यांकन मेट्रिक्स जैसे कि 'एक्यूरेसी' (सटीकता) ऐसे संदर्भों में भ्रामक होते हैं, क्योंकि वे अक्सर बहुसंख्यक वर्ग का पक्ष लेते हैं और वित्तीय संकट झेल रही फर्मों का पता लगाने में विफल रहते हैं। शोध पत्र का तर्क है कि दिवालियापन की भविष्यवाणी एक लागत-संवेदनशील निर्णय समस्या है जहाँ एक संकटग्रस्त फर्म को पहचानने में चूक करना (कम रिकॉल/स्मरण शक्ति) गलत अलार्म की तुलना में अधिक गंभीर परिणाम लेकर आता है। इसके अलावा, इस क्षेत्र को ऐसे मॉडलों की आवश्यकता है जो न केवल भविष्य बताने में सक्षम हों, बल्कि ऑडिटेबिलिटी, गवर्नेंस और नियामक अनुपालन के लिए व्याख्या योग्य (interpretable) भी हों।

कार्यप्रणाली
यह शोध UCI मशीन लर्निंग रिपॉजिटरी (6,819 फर्म अवलोकन, 95 प्रेडिक्टर्स) से ताइवानी दिवालियापन भविष्यवाणी डेटासेट का उपयोग करते हुए एक व्यापक, एंड-टू-एंड फ्रेमवर्क का उपयोग करता है। कार्यप्रणाली चार विशिष्ट चरणों में आगे बढ़ती है:

1. सहमति-आधारित विशेषता चयन (Consensus-Based Feature Selection): उच्च-आयामी इनपुट स्पेस (95 फीचर्स) को कम करने और मजबूती बढ़ाने के लिए, पांच फीचर चयन एल्गोरिदम लागू किए गए: व्हेल ऑप्टिमाइज़ेशन (WOA), पार्टिकल स्वार्म ऑप्टिमाइज़ेशन (PSO), साल्प स्वार्म ऑप्टिमाइज़ेशन (SSO), बैट एल्गोरिदम (BA), और म्यूचुअल इंफॉर्मेशन (MI)। एक सहमति प्रतिधारण नियम लागू किया गया, जिसमें केवल उन प्रेडिक्टर्स को रखा गया जिन्हें पांच में से कम से कम दो एल्गोरिदम द्वारा पहचाना गया था। इसने फीचर सेट को 23 मजबूत चरों तक कम कर दिया, जिसमें लाभप्रदता, लीवरेज, सॉल्वेंसी और परिचालन दक्षता से संबंधित मेट्रिक्स शामिल थे।
2. हाइब्रिड रीसैंपलिंग: क्लास इम्बैलेंस (वर्ग असंतुलन) को संबोधित करने के लिए, ट्रेनिंग डेटा पर तीन हाइब्रिड रीसैंपलिंग तकनीकें लागू की गईं: SVM-SMOTE, SMOTE-Tomek, और SMOTE-Edited Nearest Neighbors (SMOTE-ENN)। इन विधियों का उपयोग संतुलित ट्रेनिंग डिस्ट्रीब्यूशन बनाने के लिए किया गया जबकि अल्पसंख्यक वर्ग की अखंडता को बनाए रखने का प्रयास किया गया।
3. मॉडल आर्किटेक्चर और स्टैकिंग:
   • बेस लर्नर्स: पांच एन्सेम्बल मशीन लर्निंग क्लासिफायर का मूल्यांकन किया गया: ग्रेडिएंट बूस्टिंग (GB), एक्सट्रीम ग्रेडिएंट बूस्टिंग (XGB), हिस्टोग्राम-आधारित ग्रेडिएंट बूस्टिंग (HGB), लाइटजीबीएम (LGBM), और एडाबूस्ट (AB)।
   • मेटा-लर्नर्स: पांच डीप लर्निंग (DL) मॉडल्स का परीक्षण किया गया: रिकरेंट न्यूरल नेटवर्क (RNN), लॉन्ग शॉर्ट-टर्म मेमोरी (LSTM), गेटेड रिकरेंट यूनिट (GRU), डीप न्यूरल नेटवर्क (DNN), और मल्टी-लेयर पर्सेप्ट्रॉन (MLP)।
   • हाइब्रिड स्टैकिंग: एक स्टैकिंग एन्सेम्बल फ्रेमवर्क बनाया गया जहाँ पांच ML क्लासिफायर बेस लर्नर के रूप में कार्य करते हैं, और प्रत्येक पांच DL मॉडल मेटा-लर्नर के रूप में कार्य करता है, जिससे 25 अद्वितीय हाइब्रिड कॉन्फ़िगरेशन बनते हैं।
4. व्याख्यात्मक एआई (XAI): वैश्विक और स्थानीय स्तर पर फीचर योगदान की व्याख्या करने के लिए सर्वश्रेष्ठ प्रदर्शन करने वाले मॉडलों पर शाप्ले एडिटिव एक्सप्लेनेशन्स (SHAP) फ्रेमवर्क लागू किया गया, ताकि यह सुनिश्चित किया जा सके कि मॉडल का निर्णय तर्क आर्थिक सिद्धांत के अनुरूप हो।

प्रमुख परिणाम
अध्ययन ने एक्यूरेसी, रिकॉल, स्पेसिफिसिटी, जी-मीन (G-mean) और ROC-AUC का उपयोग करके मॉडलों का मूल्यांकन किया। मुख्य निष्कर्ष निम्नलिखित हैं:

• रीसैंपलिंग का प्रभाव: रीसैंपलिंग रणनीति का चुनाव मॉडल के व्यवहार को महत्वपूर्ण रूप से निर्धारित करता है। SVM-SMOTE और SMOTE-Tomek ने उच्च एक्यूरेसी और स्पेसिफिसिटी (गैर-दिवालिया फर्मों की सही पहचान) को प्राथमिकता दी, जबकि SMOTE-ENN ने बेहतर अल्पसंख्यक-वर्ग पहचान (रिकॉल) और संतुलित प्रदर्शन (जी-मीन) प्रदान किया।
• स्टैंडअलोन मॉडल प्रदर्शन: स्टैंडअलोन मॉडलों में, GRU क्लासिफायर और SMOTE-ENN के संयोजन ने समग्र भविष्य बताने वाला संतुलन प्राप्त किया, जिसमें 0.8627 का रिकॉल, 0.8517 का जी-मीन और 0.9431 का ROC-AUC दर्ज किया गया।
• स्टैकिंग एन्सेम्बल प्रदर्शन: हाइब्रिड स्टैकिंग एन्सेम्बल जिसमें SMOTE-ENN के साथ (GB+XGB+HGB+LGBM+AB) बेस लर्नर्स के रूप में और LSTM को मेटा-लर्नर के रूप में उपयोग किया गया, ने स्टैक्ड मॉडलों के बीच संवेदनशीलता (sensitivity) और विशिष्टता (specificity) के बीच सबसे मजबूत समझौता प्रदान किया (रिकॉल: 0.7255, जी-मीन: 0.8254, ROC-AUC: 0.9270)।
• मॉडल तुलना: जबकि ट्री-आधारित एन्सेम्बल (विशेष रूप से LGBM) एक्यूरेसी और स्पेसिफिसिटी में उत्कृष्ट थे, डीप लर्निंग मॉडल्स (MLP, GRU, LSTM, RNN) ने विशेष रूप से SMOTE-ENN शासन के तहत, रिकॉल और जी-मीन में मशीन लर्निंग मॉडल्स की तुलना में लगातार बेहतर प्रदर्शन किया।
• फीचर महत्व: SHAP विश्लेषण ने पहचाना कि लीवरेज, लाभप्रदता, सॉल्वेंसी और परिचालन दक्षता संकेतक (जैसे रिटेन्ड अर्निंग्स टू टोटल एसेट्स, ROA, डेट रेशियो, टोटल एसेट टर्नओवर) दिवालियापन जोखिम के सबसे प्रभावशाली प्रेडिक्टर्स हैं।

महत्ता और दावे
शोध का दावा है कि इसका प्राथमिक योगदान यह प्रदर्शित करना है कि क्लास इम्बैलेंस मॉडल की उपयोगिता का एक केंद्रीय निर्धारक है, न कि केवल एक प्रीप्रोसेसिंग बाधा। अध्ययन का तर्क है कि:

1. डीप लर्निंग व्यवहार्यता: डीप लर्निंग आर्किटेक्चर (विशेष रूप से GRU और LSTM) संरचित टैबुलर सेटिंग में भी अल्पसंख्यक दिवालिया वर्ग का पता लगाने में पर्याप्त लाभ प्रदान करते हैं, जो रिकॉल के मामले में पारंपरिक बूस्टिंग विधियों से बेहतर हैं।
2. रीसैंपलिंग रणनीति मायने रखती है: कोई एक एकल "सर्वश्रेष्ठ" रीसंपलिंग विधि नहीं है; इष्टतम विकल्प परिचालन उद्देश्य पर निर्भर करता है। SMOTE-ENN को विशेष रूप से प्रारंभिक चेतावनी प्रणालियों के लिए प्रभावी दिखाया गया है जहाँ छूटी हुई दिवालियापन घटनाओं को न्यूनतम करना प्राथमिकता है।
3. व्याख्यात्मकता एकीकरण: SHAP को एकीकृत करके, अध्ययन यह सत्यापित करता है कि मॉडल आर्थिक रूप से तर्कसंगत संकेतों (लाभप्रदता और लीवरेज) को पकड़ते हैं, न कि केवल सांख्यिकीय आर्टिफैक्ट्स को, जिससे उच्च-स्तरीय वित्तीय गवर्नेंस में इन मॉडलों की तैनाती को समर्थन मिलता है।
4. बेंचमार्किंग: अध्ययन एक मजबूत बेंचमार्क स्थापित करता है जो केवल संरचित वित्तीय अनुपातों का उपयोग करता है, जो यह सुझाव देता है कि जब इसे सहमति-आधारित फीचर चयन, हाइब्रिड रीसैंपलिंग और XAI के साथ जोड़ा जाता है, तो पारंपरिक अकाउंटिंग डेटा दिवालियापन भविष्यवाणी के लिए अत्यधिक सूचनात्मक बना रहता है।

लेखक निष्कर्ष निकालते हैं कि हालांकि उनका फ्रेमवर्क इस क्षेत्र को आगे बढ़ाता है, भविष्य के कार्यों को विभिन्न नियामक और आर्थिक वातावरणों में मजबूती और सामान्यीकरण को और बढ़ाने के लिए मल्टी-पीरियड प्रक्षेपवक्र (trajectories) और असंरचित पाठ्य डेटा (unstructured textual data) को एकीकृत करने पर ध्यान केंद्रित करना चाहिए।