DOI: https://doi.org/10.1007/s10791-026-09969-z
تاريخ النشر: 2026-02-12
المؤلف: Shuhua Tsao وآخرون
الموضوع الرئيسي: التنبؤ بالضغوط المالية والإفلاس
نظرة عامة
تتناول الدراسة التحديات المتزايدة التي تواجهها المنظمات في إدارة المخاطر المالية بسبب التغيرات التكنولوجية السريعة، والتشريعات المتطورة، وعدم اليقين الاقتصادي. غالبًا ما تكافح تقنيات إدارة المخاطر التقليدية مع تعقيدات البيانات في الوقت الحقيقي وتقلبات السوق. لمواجهة هذه القضايا، يقترح المؤلفون إطار عمل هجين لإدارة المخاطر المالية يدمج الذكاء الاصطناعي (AI) مع المنطق الضبابي. يهدف هذا الإطار إلى تعزيز دقة وموثوقية توقعات المخاطر المالية من خلال استخدام خوارزمية الغابة العشوائية (RF)، مع تحسين قابلية تفسير اتخاذ القرار من خلال الاستدلال الضبابي.
يستخدم نظام إدارة المخاطر المالية التكيفية المقترح (AFRMS) أشجار قرار متعددة تم إنشاؤها بواسطة خوارزمية RF، مع آلية تصويت لتصنيف المخاطر بشكل فعال. يسمح دمج المنطق الضبابي للنظام بإدارة عدم اليقين وتقليد التفكير البشري، مما يؤدي إلى تقييمات مخاطر دقيقة وقابلة للفهم. تُظهر التحقق التجريبي الواسع على مجموعات بيانات مالية كبيرة أداء النظام المتفوق في تحديد المخاطر المحتملة وتقديم دعم متقدم في اتخاذ القرار. وبالتالي، يعزز نظام AFRMS اتخاذ قرارات مستنيرة بشكل أفضل ويعزز ثقة أصحاب المصلحة في إدارة المخاطر المالية.
مقدمة
تؤكد مقدمة ورقة البحث على العلاقة الحيوية بين الإدارة المالية وإدارة المخاطر، لا سيما في سياق المؤسسات الحديثة المتأثرة بالتقدم في تكنولوجيا الإنترنت والذكاء الاصطناعي (AI). تركز الإدارة المالية على تحسين الأنشطة المالية، بينما تهدف إدارة المخاطر إلى تحديد وتخفيف المخاطر المحتملة. تسلط الورقة الضوء على الأهمية المتزايدة للوعي بالمخاطر المالية ودور الذكاء الاصطناعي في تعزيز توقع وإدارة المخاطر، مشيرة إلى أن تقنيات الذكاء الاصطناعي قد تحل قريبًا محل الأدوار التقليدية في المحاسبة على مستوى الدخول وتمكن المديرين ذوي المعرفة المحدودة في المحاسبة من اتخاذ قرارات مستنيرة.
تقترح الدراسة نظام إدارة المخاطر المالية التكيفية (AFRMS) الجديد الذي يدمج الذكاء الاصطناعي القائم على الغابة العشوائية مع نظام استدلال ضبابي من نوع سوغينو. يهدف هذا النموذج الهجين إلى تحسين تقييم المخاطر المالية من خلال تحديد وترتيب مؤشرات المخاطر المالية الرئيسية بشكل ديناميكي، والتي يتم تحويلها بعد ذلك إلى مدخلات ضبابية لتحسين قابلية التفسير. تم تصميم نظام AFRMS ليتكيف مع البيانات المالية في الوقت الحقيقي، مما يوازن بين القابلية للتنبؤ، والقدرة على التكيف، وقابلية التفسير – وهي سمات رئيسية غالبًا ما تتعارض في النماذج الحالية. تشمل المساهمات الرئيسية للورقة تطوير آلية قوية للتنبؤ بالمخاطر التكيفية تستفيد من الذكاء الاصطناعي والمنطق الضبابي، مما يوفر في النهاية تقييمات دقيقة وقابلة للتفسير للمخاطر لدعم اتخاذ قرارات أفضل وثقة أصحاب المصلحة.
النتائج
تشير نتائج التجارب إلى أن نظام النموذج العشوائي الضبابي التكيفي (AFRMS) يتفوق على كل من النماذج الضبابية فقط ونماذج الغابة العشوائية المستقلة من حيث الدقة، وتقليل الأخطاء، وتصنيف التهديدات. أظهر النموذج الهجين دقة محسنة ودرجات F1، مع ضمان كفاءة المعالجة، حتى مع تضمين بيانات إضافية.
علاوة على ذلك، سمح دمج المنطق الضبابي بتحويل مخرجات النموذج الاحتمالية إلى مستويات مخاطر بلغة مفهومة، مما يعزز قابلية التفسير وشفافية الأنظمة المعتمدة على البيانات. تشير النتائج إلى أن التعلم الجماعي المدمج مع الاستدلال الضبابي يتجاوز بشكل كبير أداء كل نهج فردي في سياق تقييم المخاطر المالية.
المناقشة
تستعرض قسم المناقشة في ورقة البحث دراسات متنوعة تستخدم الذكاء الاصطناعي (AI) والمنطق الضبابي في إدارة المخاطر المالية، مع تسليط الضوء على نقاط قوتها وقيودها. استخدم هو وآخرون تقنية اتخاذ القرار متعددة المعايير (MCDM) لإدارة التكاليف في الهندسة المدنية ولكن لاحظوا الحاجة إلى مزيد من التحقق. أظهر تشو وآخرون أن الذكاء الاصطناعي يمكن أن يعزز بشكل كبير دقة دعم القرار المالي، على الرغم من ظهور مخاوف بشأن أمان البيانات نتيجة الاعتماد على مقدمي خدمات الذكاء الاصطناعي. استكشفت دراسات أخرى، مثل تلك التي قام بها دينغ ولوا وآخرون، المنطق الضبابي والشبكات العصبية لتحسين تقييم المخاطر، مع التأكيد على تحديات متطلبات البيانات وتعقيد النموذج.
تحدد الورقة فجوة حاسمة في المنهجيات الحالية، حيث غالبًا ما تفشل النماذج الإحصائية التقليدية في استيعاب الطبيعة الديناميكية للأسواق المالية، مما يؤدي إلى تقليل فعالية التنبؤ. بالمقابل، تقدم نماذج التعلم الآلي مثل آلات الدعم الشعاعي والغابات العشوائية دقة محسنة ولكن تفتقر إلى قابلية التفسير. يهدف نظام إدارة المخاطر المالية التكيفية المقترح (AFRMS) إلى سد هذه الفجوة من خلال دمج قدرات الذكاء الاصطناعي التنبؤية مع قابلية تفسير المنطق الضبابي. لا يعزز هذا النهج الهجين توقع وإدارة المخاطر فحسب، بل يوفر أيضًا أطر عمل أكثر وضوحًا في اتخاذ القرار، مما يعالج تعقيدات المشهد المالي الحديث. تم تصميم إطار عمل AFRMS ليتكيف مع تقلبات السوق مع ضمان ثقة أصحاب المصلحة من خلال تقييمات مخاطر شفافة.
DOI: https://doi.org/10.1007/s10791-026-09969-z
Publication Date: 2026-02-12
Author(s): Shuhua Tsao et al.
Primary Topic: Financial Distress and Bankruptcy Prediction
Overview
The study addresses the growing challenges organizations face in managing financial risks due to rapid technological changes, evolving regulations, and economic uncertainties. Traditional risk management techniques often struggle with the complexities of real-time data and market volatility. To tackle these issues, the authors propose a hybrid financial risk management framework that integrates artificial intelligence (AI) with fuzzy logic. This framework aims to enhance the accuracy and robustness of financial risk predictions by employing the Random Forest (RF) algorithm, while also improving the interpretability of decision-making through fuzzy reasoning.
The proposed Adaptive Financial Risk Management System (AFRMS) utilizes multiple decision trees generated by the RF algorithm, combined with a voting mechanism for effective risk classification. The incorporation of fuzzy logic allows the system to manage uncertainty and emulate human-like reasoning, resulting in risk assessments that are both precise and comprehensible. Extensive experimental validation on large financial datasets demonstrates the system’s superior performance in identifying potential risks and providing advanced decision support. Consequently, the AFRMS promotes better-informed decision-making and enhances stakeholder confidence in financial risk management.
Introduction
The introduction of the research paper emphasizes the critical interrelationship between financial management and risk management, particularly in the context of modern enterprises influenced by advancements in Internet technology and artificial intelligence (AI). Financial management focuses on optimizing financial activities, while risk management aims to identify and mitigate potential risks. The paper highlights the increasing importance of financial risk awareness and the role of AI in enhancing risk prediction and management, suggesting that AI technologies may soon replace traditional entry-level accounting roles and empower managers with limited accounting knowledge to make informed decisions.
The study proposes a novel Adaptive Financial Risk Management System (AFRMS) that integrates Random Forest-based feature intelligence with a Sugeno fuzzy inference system. This hybrid model aims to improve financial risk evaluation by dynamically identifying and ranking key financial risk indicators, which are then transformed into fuzzy inputs for enhanced interpretability. The AFRMS is designed to adapt to real-time financial data, balancing predictability, adaptability, and explainability—key attributes that are often at odds in existing models. The main contributions of the paper include the development of a robust, adaptive risk forecasting mechanism that leverages AI and fuzzy logic, ultimately providing accurate and interpretable risk assessments to support better decision-making and stakeholder trust.
Results
The results of the experiments indicate that the Adaptive Fuzzy Random Model System (AFRMS) outperforms both fuzzy-only and standalone Random Forest baselines in terms of accuracy, error reduction, and threat classification. The hybrid model demonstrated enhanced accuracy and F1-scores, while also ensuring processing efficiency, even with the inclusion of additional data.
Furthermore, the integration of fuzzy logic allowed for the transformation of probabilistic model outputs into comprehensible language risk levels, thereby enhancing the explainability and transparency of the data-driven systems. The findings suggest that ensemble learning combined with fuzzy reasoning significantly surpasses the performance of each individual approach in the context of financial risk evaluations.
Discussion
The discussion section of the research paper reviews various studies that utilize artificial intelligence (AI) and fuzzy logic in financial risk management, highlighting their strengths and limitations. Hu et al. employed a multi-criteria decision-making (MCDM) technique for cost management in civil engineering but noted the need for further validation. Zhou et al. demonstrated that AI can significantly enhance financial decision support accuracy, though concerns about data security arose from reliance on AI service providers. Other studies, such as those by Ding and Luo et al., explored fuzzy logic and neural networks to improve risk assessment, emphasizing the challenges of data requirements and model complexity.
The paper identifies a critical gap in existing methodologies, where traditional statistical models often fail to accommodate the dynamic nature of financial markets, leading to reduced predictive efficacy. In contrast, machine learning models like Support Vector Machines and Random Forests offer improved accuracy but lack interpretability. The proposed Adaptive Financial Risk Management System (AFRMS) aims to bridge this gap by integrating AI’s predictive capabilities with the interpretability of fuzzy logic. This hybrid approach not only enhances risk prediction and management but also provides clearer decision-making frameworks, thus addressing the complexities of modern financial landscapes. The AFRMS framework is designed to adapt to market fluctuations while ensuring stakeholder confidence through transparent risk assessments.