DOI: https://doi.org/10.63282/3050-922x.ijeret-v7i1p121
تاريخ النشر: 2026-01-01
المؤلف: Ruhul Quddus Majumder
الموضوع الرئيسي: التنبؤ بالضغوط المالية والإفلاس
نظرة عامة
تقدم ورقة البحث إطارًا تنبؤيًا يهدف إلى تحسين إدارة السيولة، وتقييم مخاطر الائتمان، وتوقع التدفقات النقدية في الشركات التي تستخدم الحسابات المستحقة. من خلال الاستفادة من مجموعة بيانات مخاطر الائتمان المستمدة من سجلات الحسابات المستحقة التاريخية – بما في ذلك جداول الدفع، وجداول الشيخوخة، والمتغيرات السلوكية المالية – قام المؤلفون بتطوير نموذج تعلم عميق قائم على GRU. حقق هذا النموذج مقاييس أداء مثيرة للإعجاب، بما في ذلك دقة 98.67%، ودقة 97.69%، واسترجاع 96.95%، ودرجة F1 تبلغ 97.67%. بالمقارنة، أظهرت النماذج التقليدية مثل الشبكات العصبية، وأشجار القرار، وLGBM، وNaïve Bayes قدرات تنبؤية أقل، مما يبرز فعالية نموذج GRU في التقاط الاعتمادات الزمنية في بيانات الحسابات المستحقة.
تؤكد الخاتمة على أهمية تقييم مخاطر الائتمان في المؤسسات المالية، لا سيما فيما يتعلق بإدارة الحسابات المستحقة وتوقع التدفقات النقدية. يدعو المؤلفون إلى التحول من الإدارة المالية التفاعلية إلى التنبؤية، التي تسهلها قدرة نموذج GRU على تحديد الحسابات عالية المخاطر من خلال معالجة البيانات الشاملة وهندسة الميزات. تشمل اتجاهات البحث المستقبلية دمج النماذج الهجينة والطرق القابلة للتفسير للذكاء الاصطناعي (XAI) لتعزيز القابلية للتفسير والتكيف مع ظروف السوق المتغيرة. يحمل النموذج المقترح إمكانات كبيرة كأداة دعم قرار ضمن أنظمة ERP، مما يساهم في تقييم مخاطر الائتمان القابلة للتوسع والذكية في إدارة الحسابات المستحقة.
مقدمة
تسلط المقدمة الضوء على الدور الحاسم للحسابات المستحقة (AR) في تقييم سيولة الشركة واستقرارها التشغيلي، مع التأكيد على تأثيرها على دورات تحويل النقد، وتحسين رأس المال العامل، والربحية العامة. تفتقر طرق إدارة AR التقليدية إلى قدرات التنبؤ الديناميكية، والتي أصبحت ضرورية بشكل متزايد بسبب سلوكيات العملاء المتطورة، وعدم اليقين الاقتصادي، والمخاطر الخاصة بالقطاعات. وبالتالي، هناك اتجاه متزايد نحو دمج التحليلات المالية والتقنيات الحسابية المتقدمة لتعزيز أنظمة إدارة AR، لا سيما في توقع التدفقات النقدية، التي تتطلب دقة في التوقيت وموثوقية في المدفوعات الواردة.
تناقش هذه الفقرة أيضًا تأثير مخاطر الائتمان على توقعات التدفقات النقدية، خاصة في الصناعات المعتمدة على طلب العملاء. من خلال دمج مقاييس مالية مثل أيام المبيعات المستحقة (DSO)، وتاريخ الدفع، وحدود ائتمان العملاء في نماذج التوقع، يمكن للشركات توقع تغييرات التدفق النقدي بشكل أفضل. العلاقة بين تقييم مخاطر الائتمان وأداء AR تبرز الحاجة إلى استراتيجيات مالية مدفوعة بالبيانات، مما يمكّن من تخصيص رأس المال بشكل أكثر فعالية واتخاذ قرارات خزينة في الوقت المناسب. يُفترض أن تطبيق التعلم الآلي (ML) والتعلم العميق (DL) في تقييم مخاطر الائتمان في AR سيعزز بشكل كبير دقة توقع التدفقات النقدية وممارسات إدارة المخاطر. تتيح التحليلات التنبؤية للشركات تحديد الحسابات المستحقة عالية المخاطر وتحسين سياسات الائتمان، بينما تعمل تقنيات الذكاء الاصطناعي القابلة للتفسير على تحسين نتائج التوقع، مما يشير إلى تحول نحو التخطيط المالي الاستباقي والحساس للمخاطر في إدارة AR.
طرق
تتضمن منهجية البحث لتقييم مخاطر الائتمان باستخدام بيانات الحسابات المستحقة نهجًا منظمًا يبدأ بجمع مجموعة بيانات ذات صلة. تشمل خطوات المعالجة الأولية للبيانات إدارة القيم المفقودة، وإزالة السجلات المكررة، وتطبيق ترميز التسمية لتحويل المتغيرات الفئوية إلى تنسيقات عددية. بعد ذلك، يتم إجراء تطبيع البيانات لتوحيد الميزات المالية والسلوكية، وهو أمر حاسم لهندسة الميزات اللاحقة. تنتج هذه العملية مؤشرات معلوماتية مثل النسب، وقياسات الشيخوخة، ومتغيرات سلوك الدفع التي تعزز فهم مخاطر الائتمان والتدفق النقدي.
ثم يتم تقسيم مجموعة البيانات المعالجة إلى مجموعات تدريب واختبار. يتم تطوير نموذج تصنيف قائم على وحدة تكرار البوابة (GRU) باستخدام بيانات التدريب لتحديد الأنماط المعاملاتية والزمنية داخل سجلات الحسابات المستحقة. يتم تقييم فعالية النموذج على مجموعة الاختبار من خلال مصفوفة أداء تشمل الدقة، والدقة، والاسترجاع، ودرجة F1. تعتبر نتائج هذه التحليل حاسمة لإظهار فعالية منهجيات تقييم مخاطر الائتمان وتوقع التدفقات النقدية المقترحة.
نتائج
تشير نتائج الدراسة إلى أن نموذج وحدة تكرار البوابة (GRU) المقترح يظهر أداءً استثنائيًا في توقع مخاطر الائتمان. تم إجراء الاختبار على جهاز كمبيوتر محمول مزود بمعالج Intel Core i7 وذاكرة RAM سعة 16 جيجابايت باستخدام Python 3 وإطار Keras القائم على TensorFlow 2.0، وحقق النموذج دقة 98.67%، ودقة 97.69%، واسترجاع 96.95%، ودرجة F1 تبلغ 97.67%. تبرز هذه المقاييس قدرة النموذج القوية في الكشف بدقة عن مخاطر الائتمان، مما يبرز موثوقيته للتطبيقات العملية في أنظمة تقييم المخاطر المالية.
تشير القيم العالية للدقة، والدقة، ودرجة F1 إلى أن نموذج GRU ليس فقط فعالًا في تحديد مخاطر الائتمان ولكن أيضًا موثوقًا لدمجه في السياقات المالية الواقعية. تؤكد النتائج، كما هو ملخص في الجدول II، على إمكانية استخدام النموذج في تحسين عمليات تصنيف مخاطر الائتمان.
مناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التحديات الكبيرة التي تطرحها المدفوعات المتأخرة وعجز الائتمان على السيولة التنظيمية وإدارة رأس المال العامل. تفشل طرق تقييم مخاطر الائتمان التقليدية، التي تعتمد غالبًا على النسب المالية الثابتة والتقييمات اليدوية، في التكيف مع سلوكيات العملاء المتطورة والاتجاهات السوقية. تعالج هذه الدراسة هذه القصور من خلال تقديم نموذج تنبؤي جديد قائم على وحدة تكرار البوابة (GRU) يستفيد من مجموعة بيانات متخصصة تشمل ميزات متنوعة مثل تاريخ الدفع، وشرائح الشيخوخة، والأنماط السلوكية. يظهر النموذج فعالية عالية في توقع تأخيرات الدفع وتحديد العملاء ذوي المخاطر العالية، محققًا مقاييس مثيرة للإعجاب بما في ذلك الدقة، والدقة، والاسترجاع، ودرجة F1.
تؤكد الورقة على الحاجة إلى نهج ديناميكي مدفوع بالبيانات لتقييم مخاطر الائتمان، متناقضة مع الطرق التقليدية التي تتجاهل سلوكيات الدفع الزمنية والاعتمادات على مستوى المعاملات. من خلال دمج هندسة الميزات المتقدمة ومقاييس التقييم القابلة للتفسير، لا يعزز النموذج المقترح تصنيف مخاطر الائتمان فحسب، بل يسهل أيضًا اتخاذ قرارات مالية استباقية. تشير النتائج إلى أن نموذج GRU يتفوق بشكل كبير على نماذج التعلم الآلي التقليدية من حيث التحليلات التنبؤية للحسابات المستحقة، مما يوفر أداة دعم قرار قوية للأقسام المالية. تشمل اتجاهات البحث المستقبلية دمج النماذج الهجينة والبيانات في الوقت الحقيقي لتحسين استجابة النموذج لظروف السوق، مما يعزز في النهاية التخطيط المالي وإدارة السيولة في الحسابات المستحقة.
DOI: https://doi.org/10.63282/3050-922x.ijeret-v7i1p121
Publication Date: 2026-01-01
Author(s): Ruhul Quddus Majumder
Primary Topic: Financial Distress and Bankruptcy Prediction
Overview
The research paper presents a predictive framework aimed at enhancing liquidity management, credit risk assessment, and cash flow forecasting in businesses that utilize accounts receivable. By leveraging a credit risk dataset derived from historical accounts receivable records—including payment timelines, aging schedules, and financial behavioral variables—the authors developed a GRU-based deep learning model. This model achieved impressive performance metrics, including 98.67% accuracy, 97.69% precision, 96.95% recall, and an F1-score of 97.67%. In comparison, traditional models such as Neural Networks, Decision Trees, LGBM, and Naïve Bayes demonstrated lower predictive capabilities, highlighting the GRU model’s effectiveness in capturing temporal dependencies in accounts receivable data.
The conclusion emphasizes the importance of credit risk assessment in financial institutions, particularly regarding the management of accounts receivable and cash flow forecasting. The authors advocate for a shift from reactive to predictive financial management, facilitated by the GRU model’s ability to identify high-risk accounts through comprehensive data preprocessing and feature engineering. Future research directions include the integration of hybrid ensemble models and explainable AI (XAI) methods to enhance interpretability and adaptability to changing market conditions. The proposed model holds significant potential as a decision-support tool within ERP systems, contributing to scalable and intelligent credit risk assessment in accounts receivable management.
Introduction
The introduction highlights the critical role of accounts receivable (AR) in assessing a company’s liquidity and operational stability, emphasizing its influence on cash conversion cycles, working capital optimization, and overall profitability. Traditional AR management methods lack dynamic forecasting capabilities, which are increasingly necessary due to evolving customer behaviors, economic uncertainties, and sector-specific risks. Consequently, there is a growing trend towards integrating financial analytics and advanced computational techniques to enhance AR management systems, particularly in cash flow forecasting, which requires precision in timing and certainty of incoming payments.
The section further discusses the impact of credit risk on cash flow projections, especially in industries reliant on customer demand. By incorporating financial metrics such as Days Sales Outstanding (DSO), payment history, and customer credit limits into forecasting models, firms can better anticipate cash flow changes. The relationship between credit risk assessment and AR performance underscores the need for data-driven financial strategies, enabling more effective capital allocation and timely treasury decisions. The application of machine learning (ML) and deep learning (DL) in AR credit risk assessment is posited to significantly enhance cash flow forecasting accuracy and risk management practices. Predictive analytics allows firms to identify risky receivables and optimize credit policies, while explainable AI techniques further improve forecasting outcomes, marking a shift towards proactive and risk-sensitive financial planning in AR management.
Methods
The research methodology for credit risk assessment utilizing accounts receivable data involves a structured approach that begins with the collection of a relevant dataset. Initial data pre-processing steps include managing missing values, eliminating duplicate records, and applying label encoding to transform categorical variables into numerical formats. Following this, data normalization is conducted to standardize financial and behavioral features, which is crucial for subsequent feature engineering. This process generates informative indicators such as ratios, aging measures, and payment behavior variables that enhance the understanding of credit and cash-flow risk.
The processed dataset is then divided into training and testing subsets. A Gated Recurrent Unit (GRU)-based classification model is developed using the training data to identify transactional and temporal patterns within the accounts receivable records. The model’s efficacy is evaluated on the test set through a performance matrix that includes accuracy, precision, recall, and F1 score. The results of this analysis are critical for demonstrating the effectiveness of the proposed credit risk assessment and cash flow forecasting methodologies.
Results
The results of the study indicate that the proposed Gated Recurrent Unit (GRU) model demonstrates exceptional performance in predicting credit risk. Conducted on a laptop with an Intel Core i7 CPU and 16GB of RAM using Python 3 and the Keras framework based on TensorFlow 2.0, the model achieved an accuracy of 98.67%, precision of 97.69%, recall of 96.95%, and an F1-score of 97.67%. These metrics highlight the model’s strong capability in accurately detecting credit risk, underscoring its reliability for practical applications in financial risk assessment systems.
The high values of accuracy, precision, and F1-score suggest that the GRU model is not only effective in identifying credit risk but also trustworthy for integration into real-world financial contexts. The results, as summarized in Table II, affirm the model’s potential utility in enhancing credit risk classification processes.
Discussion
The discussion section of the research paper highlights the significant challenges posed by delayed payments and credit defaults on organizational liquidity and working capital management. Traditional credit risk assessment methods, which often rely on static financial ratios and manual evaluations, fail to adapt to evolving customer behaviors and market trends. This study addresses these shortcomings by introducing a novel Gated Recurrent Unit (GRU)-based predictive model that leverages a specialized dataset encompassing various features such as payment history, aging buckets, and behavioral patterns. The model demonstrates high efficacy in predicting payment delays and identifying high-risk customers, achieving impressive metrics including accuracy, precision, recall, and F1 score.
The paper emphasizes the need for a dynamic, data-driven approach to credit risk assessment, contrasting it with conventional methods that overlook temporal payment behaviors and transaction-level dependencies. By integrating advanced feature engineering and explainable evaluation metrics, the proposed model not only enhances credit risk classification but also facilitates proactive financial decision-making. The findings suggest that the GRU model significantly outperforms traditional machine learning models in terms of predictive analytics for accounts receivable, thereby providing a robust decision-support tool for financial departments. Future research directions include the incorporation of hybrid ensemble models and real-time data to further refine the model’s responsiveness to market conditions, ultimately enhancing financial planning and liquidity management in accounts receivable.