A Multi-Input Approach for SME Default Using Explainable Deep Learning
यह शोध पत्र एक नवीन मल्टी-इनपुट डीप लर्निंग मॉडल प्रस्तुत करता है जो वित्तीय समय श्रृंखला, गवर्नेंस विशेषताओं और क्षेत्रीय डेटा को एकीकृत करता है ताकि शैपली वैल्यूज़ (Shapley values) के माध्यम से व्याख्यात्मकता बनाए रखते हुए SME डिफॉल्ट जोखिम की भविष्यवाणी करने में पारंपरिक तरीकों से बेहतर प्रदर्शन किया जा सके।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
एक आधुनिक अर्थव्यवस्था की जटिल मशीनरी में, लघु और मध्यम आकार के व्यवसाय उन आवश्यक गियरों की तरह कार्य करते हैं जो सब कुछ चालू रखते हैं। वे लाखों लोगों को रोजगार देते हैं, नवाचार को बढ़ावा देते हैं, और राष्ट्रीय संपत्ति की रीढ़ बनते हैं। फिर भी, इन कंपनियों को एक निरंतर, उच्च-दांव वाले जुए का सामना करना पड़ता है: डिफॉल्ट का जोखिम, या अपने ऋणों को वापस करने में असमर्थता। बैंकों और ऋणदाताओं के लिए, यह अनुमान लगाना कि कौन सा व्यवसाय वास्तव में विफल होने से पहले विफल हो सकता है, वित्तीय स्थिरता का मामला है। दशकों से, विशेषज्ञों ने इस पहेली को हल करने के लिए गणितीय मॉडल का उपयोग करके प्रयास किया है जो कंपनी के वित्तीय विवरणों—उसकी संपत्ति, ऋण और लाभ—को देखते हैं ताकि उसके भविष्य का अनुमान लगाया जा सके। ये पारंपरिक तरीके काफी हद तक काम करते हैं, लेकिन वे अक्सर एक कंपनी के इतिहास को समय के एक एकल स्नैपशॉट (तस्वीर) के रूप में देखते हैं, यह भूल जाते हैं कि वह कंपनी वर्षों में कैसे बदली है। वे अन्य महत्वपूर्ण विवरणों को भी अनदेखा करने की प्रवृत्ति रखते हैं, जैसे कि कंपनी को कौन चला रहा है या वह कहाँ स्थित है, और लगभग विशेष रूप से बहीखाते के आंकड़ों पर ध्यान केंद्रित करते हैं।
इटली के नेपल्स "पार्थेनोप" विश्वविद्यालय के शोधकर्ताओं की एक टीम ने इस समस्या को देखने का एक नया तरीका विकसित किया है, जो एक व्यवसाय को एक स्थिर तस्वीर के बजाय एक जीवित कहानी की तरह मानता है। एक एकल, कठोर सूत्र पर निर्भर रहने के बजाय, उन्होंने एक परिष्कृत कंप्यूटर प्रणाली बनाई है जो एक साथ कई प्रकार की जानकारी को पढ़ने में सक्षम है। यह प्रणाली, जिसे वे मल्टी-इनपुट न्यूरल नेटवर्क कहते हैं, तीन अलग-अलग डेटा धाराओं को पचाने के लिए डिज़ाइन की गई है: कई वर्षों का कंपनी का वित्तीय इतिहास, उसके नेतृत्व और प्रबंधन संरचना की विशेषताएं, और उस विशिष्ट क्षेत्र की आर्थिक स्थितियां जहां वह संचालित होता है। इन विभिन्न धागों को एक साथ बुनकर, शोधकर्ताओं ने एक ऐसा मॉडल बनाया जो उन पैटर्न और संबंधों को देख सकता है जिन्हें पुराने तरीके छोड़ देते हैं। उनका कार्य बताता है कि किसी व्यवसाय के विफल होने के जोखिम को वास्तव में समझने के लिए, आपको केवल उसके बैलेंस शीट को ही नहीं, बल्कि उसके अतीत के प्रक्षेपवक्र (ट्रैजेक्टरी), उसके वर्तमान नेतृत्व और उसके परिवेश को भी देखना होगा।
शोधकर्ताओं ने इतालवी लघु और मध्यम उद्यमों के एक विशाल डेटासेट का उपयोग करके अपने इस नए दृष्टिकोण का परीक्षण किया, जिसमें 2013 से 2022 की अवधि शामिल थी। उन्होंने स्थापित कंपनियों पर ध्यान केंद्रित किया जो कम से कम तीन वर्षों से व्यवसाय में थीं, बहुत छोटे सूक्ष्म उद्यमों को बाहर रखा क्योंकि उनके वित्तीय रिकॉर्ड अक्सर बहुत संक्षिप्त होते हैं या उनका प्रबंधन ढांचा इस प्रकार के विश्लेषण के लिए आवश्यक विस्तृत इतिहास प्रदान करने के लिए बहुत सरल होता है। टीम ने हजारों कंपनियों पर जानकारी एकत्र की, जिसमें उनका वार्षिक लाभ, ऋण और संपत्ति शामिल थी, साथ ही बोर्ड के सदस्यों के बारे में विवरण भी जुटाया, जैसे कि उनकी आयु, लिंग और अनुभव। उन्होंने प्रत्येक कंपनी के आधार वाले विशिष्ट क्षेत्र को भी नोट किया, यह पहचानते हुए कि स्थानीय आर्थिक स्थितियां व्यवसाय की सफलता को प्रभावित कर सकती हैं।
इस विविध जानकारी को संसाधित करने के लिए, शोधकर्ताओं ने एक डिजिटल आर्किटेक्चर का निर्माण किया जिसमें तीन विशेष पथ, या "सब-नेटवर्क" हैं, जो एक केंद्रीय निर्णय लेने वाली इकाई में फीड होते हैं। पहला पथ वित्तीय डेटा को संभालने के लिए डिज़ाइन किया गया था, जो हर साल बदलता है। केवल नवीनतम वर्ष के आंकड़ों को देखने के बजाय, इस भाग में सिस्टम एक प्रकार के कृत्रिम बुद्धिमत्ता का उपयोग करता है जिसे 'लॉन्ग शॉर्ट-टर्म मेमोरी' (Long Short-Term Memory) नेटवर्क कहा जाता है। यह तकनीक अनुक्रमों (सीक्वेंस) को याद रखने में विशेष रूप से अच्छी है; यह कई वर्षों में एक कंपनी के वित्तीय इतिहास को देखता है ताकि उसके रुझान को समझा जा सके, ठीक वैसे ही जैसे एक डॉक्टर केवल एक दिन के तापमान के बजाय एक दशक के मरीज के स्वास्थ्य रिकॉर्ड को देख सकता है। दूसरा पथ गवर्नेंस (शासन) डेटा को संसाधित करता है, जो उन लोगों का वर्णन करता है जो नियंत्रण में हैं। चूंकि नेतृत्व दल वित्तीय आंकड़ों की तुलना में उतनी बार नहीं बदलते, इसलिए इस भाग में सूचना को कंपनी की संरचना के बारे में तथ्यों के एक स्थिर सेट के रूप में माना जाता है। तीसरा पथ क्षेत्रीय डेटा को संभालता है, जो एक क्षेत्र के नाम को एक संख्यात्मक कोड में परिवर्तित करता है जिससे सिस्टम यह सीख सके कि विभिन्न भौगोलिक क्षेत्र व्यवसाय के जोखिम को कैसे प्रभावित करते हैं।
एक बार जब इन तीन सूचना धाराओं को संसाधित कर लिया जाता है, तो उन्हें कंपनी की एक एकल, एकीकृत तस्वीर में मिला दिया जाता है। इस संयुक्त दृश्य को फिर एक अंतिम परत (लेयर) को भेजा जाता है जो आने वाले वर्ष में कंपनी के डिफॉल्ट होने की संभावना की गणना करती है। शोधकर्ताओं ने अपने इस नए मल्टी-इनपुट सिस्टम की तुलना उद्योग में उपयोग किए जाने वाले तीन अन्य तरीकों के विरुद्ध की: लॉजिस्टिक रिग्रेशन नामक एक पारंपरिक सांख्यिकीय मॉडल, XGBoost नामक एक शक्तिशाली मशीन लर्निंग टूल, और एक मानक डीप लर्निंग मॉडल जो समय के अनुक्रमों को ध्यान में नहीं रखता है। उन्होंने इन मॉडलों का परीक्षण यह अनुमान लगाकर किया कि पिछले वर्ष उपलब्ध डेटा के आधार पर कौन सी कंपनियां 2021 और 2022 में विफल होंगी।
परिणामों ने दिखाया कि नया मल्टी-इनपुट दृष्टिकोण सबसे सटीक भविष्यवक्ता था। उन परीक्षणों में, जो यह देखने के लिए डिज़ाइन किए गए थे कि मॉडल कितनी अच्छी तरह से सफल होने वाली और विफल होने वाली कंपनियों के बीच अंतर कर सकते हैं, नया सिस्टम लगातार अन्यों से बेहतर प्रदर्शन करता रहा। इसने सही ढंग से पहचानने में उच्चतम स्कोर प्राप्त किया कि कौन सी कंपनियां जीवित रहेंगी और कौन सी विफल होंगी, और अन्य मॉडलों की तुलना में एक बेहतर संतुलन बनाया। जबकि पारंपरिक सांख्यिकीय मॉडल और मानक मशीन लर्निंग उपकरणों ने अधिक गलतियाँ कीं, नए सिस्टम ने नए डेटा के अनुकूल होने और 'ओवरफिटिंग' के सामान्य जाल से बचने में बेहतर क्षमता प्रदर्शित की, जहाँ एक मॉडल पिछले डेटा को इतनी पूर्णता से याद कर लेता है कि वह भविष्य की भविष्यवाणी करने में विफल रहता है।
केवल यह भविष्यवाणी करने के अलावा कि कौन विफल होगा, शोधकर्ता यह भी समझना चाहते थे कि उनका मॉडल अपने निर्णय क्यों ले रहा है। डीप लर्निंग सिस्टम की अक्सर "ब्लैक बॉक्स" के रूप में आलोचना की जाती है, जिसका अर्थ है कि उनका आंतरिक तर्क इतना जटिल है कि मनुष्य आसानी से यह नहीं समझा सकते कि वे किसी निष्कर्ष तक कैसे पहुंचे। इसे संबोधित करने के लिए, टीम ने 'शाप्ले वैल्यूज' (Shapley values) नामक एक तकनीक का उपयोग किया, जो एक निष्पक्षता कैलकुलेटर की तरह कार्य करता है और यह मापता है कि प्रत्येक सूचना ने अंतिम भविष्यवाणी में कितना योगदान दिया। उन्होंने पाया कि वित्तीय और आर्थिक संकेतक, जैसा कि अपेक्षित था, भविष्यवाणी के सबसे मजबूत चालक थे। हालांकि, विश्लेषण ने एक महत्वपूर्ण बात का खुलासा किया: कंपनी के गवर्नेंस (शासन) की विशेषताएं और उसका भौगोलिक स्थान भी एक महत्वपूर्ण, गैर-नगण्य भूमिका निभाते हैं। जबकि वित्तीय डेटा का भार सबसे अधिक था, मॉडल ने दिखाया कि नेतृत्व करने वाले लोगों या स्थानीय आर्थिक संदर्भ को अनदेखा करने से भविष्यवाणियां कम सटीक हो जाएंगी। उदाहरण के लिए, क्षेत्रीय डेटा अंतिम निर्णय में 20 प्रतिशत से कम योगदान देता था, लेकिन वह छोटा सा हिस्सा भी समग्र सटीकता में सुधार करने के लिए पर्याप्त सार्थक था।
यह अध्ययन इस बात की पुष्टि करता है कि जोखिम मूल्यांकन के लिए केवल एक दृष्टिकोण से व्यवसाय को देखना अब पर्याप्त नहीं है। वित्तीय इतिहास, नेतृत्व के विवरण और क्षेत्रीय संदर्भ को एक एकल, लचीली प्रणाली में एकीकृत करके, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो कॉर्पोरेट स्वास्थ्य का अधिक पूर्ण और विश्वसनीय दृश्य प्रदान करता है। उनका कार्य सुझाव देता है कि व्यवसाय की विफलता की भविष्यवाणी करने का भविष्य उन मॉडलों में निहित है जो विभिन्न प्रकार के डेटा को एक साथ संभाल सकते हैं, और सूचना के प्रत्येक अद्वितीय टुकड़े के विकास के तरीके का सम्मान करते हैं। हालांकि इस मॉडल का परीक्षण विशेष रूप से इतालवी कंपनियों पर किया गया था, लेकिन यह दृष्टिकोण इस बात का ब्लूप्रिंट प्रदान करता है कि दुनिया के अन्य हिस्सों में ऋणदाता और विश्लेषक उन व्यवसायों को बेहतर ढंग से कैसे समझ सकते हैं जिनका वे समर्थन करते हैं। उनके निष्कर्ष विफलता के जोखिम को समाप्त नहीं करते हैं, बल्कि वे इसे नेविगेट करने के लिए एक स्पष्ट, अधिक सूक्ष्म मानचित्र प्रदान करते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।