DOI: https://doi.org/10.5267/j.ijdns.2026.4.022
تاريخ النشر: 2026-01-01
المؤلف: Gihan M. Ali
الموضوع الرئيسي: التنبؤ بالضغوط المالية والإفلاس
نظرة عامة
تقدم هذه الدراسة إطار عمل لتعلم الآلة (ML) القابل للتفسير والذي يهدف إلى تعزيز تقييم مخاطر الائتمان في الإقراض من نظير إلى عمل (P2B)، وهو نموذج FinTech متزايد يسهل التمويل للمؤسسات الصغيرة والمتوسطة (SMEs). يعالج الإطار تحديات حاسمة مثل عدم التوازن في المعلومات وعدم توازن الفئات من خلال دمج Random Forest (RF) وLight Gradient Boosting Machine (LGBM) والمصنفات العميقة ضمن بنية تجميع التصويت الناعم. يستخدم النموذج مجموعة مضغوطة من 12 ميزة مستمدة من إفصاحات المقترضين، محققًا أداءً تنبؤيًا قدره ROC-AUC = 0.767، وهو ما يتجاوز خط الأساس لشبكة عصبية (ROC-AUC = 0.717). تحدد التحليلات المستندة إلى SHAP المتنبئين الرئيسيين، بما في ذلك أيام الاستحقاق، العائد الإجمالي السنوي، معدل السلفة، ومعدل الخصم، مما يعزز من قابلية تفسير النموذج.
تؤكد النتائج على إمكانية تحسين الميزات المستندة إلى الإفصاح لكل من الدقة التنبؤية والشفافية في تقييمات مخاطر الائتمان، مما يدعم اتخاذ قرارات أكثر قوة ومساءلة في بيئات الإقراض FinTech. لا يظهر نموذج التجميع فقط مقاييس أداء متفوقة، مثل الدقة (0.907) والخصوصية (0.915)، ولكنه يتماشى أيضًا مع التوقعات التنظيمية الناشئة بشأن الشفافية الخوارزمية. ومع ذلك، تعترف الدراسة بالقيود، بما في ذلك الاعتماد على بيانات من منصة واحدة مقرها المملكة المتحدة، Kriya، وتقترح مجالات للبحث المستقبلي، مثل التحقق عبر المنصات ودمج المؤشرات المالية الكلية لالتقاط طيف أوسع من عوامل المخاطر.
مقدمة
تناقش مقدمة ورقة البحث التأثير التحويلي للتكنولوجيا المالية (FinTech) على ممارسات الإقراض التقليدية، لا سيما من خلال الابتكارات مثل الإقراض من نظير إلى عمل (P2B). يمكّن هذا النموذج المؤسسات الصغيرة والمتوسطة (SMEs) من الوصول إلى التمويل من خلال بيع الفواتير غير المدفوعة على المنصات الرقمية، مما يتجاوز البنوك التقليدية ويعزز الشمول المالي. ومع ذلك، تظهر تحديات في توقع مخاطر الائتمان بسبب البيانات المتناثرة وغير المتجانسة المتاحة، مما يعقد تطبيق نماذج تعلم الآلة (ML) القياسية. تسلط الدراسة الضوء على فجوة في الأبحاث الحالية، التي تركزت بشكل أساسي على الإقراض من نظير إلى نظير (P2P)، وتؤكد على الحاجة إلى تقنيات الذكاء الاصطناعي القابل للتفسير المتقدمة (XAI) في سياق P2B.
يقترح المؤلفون نموذج تجميع تصويت غير متجانس جديد يدمج Random Forest وLight Gradient Boosting Machine والمصنفات العميقة لتحسين تقييم مخاطر الائتمان في الإقراض P2B. يعالج هذا النموذج عدم توازن الفئات ويعزز الدقة التنبؤية من خلال اختيار الميزات بدقة والتحقق باستخدام بيانات العالم الحقيقي من منصة Kriya. تظهر النتائج تحسينات كبيرة في مقاييس الأداء، بما في ذلك ROC-AUC قدره 0.767 ودقة قدرها 0.907، مقارنة بالنماذج الحالية. بالإضافة إلى ذلك، تحدد الدراسة المتنبئين الرئيسيين للعجز، مما يعزز من أهمية هيكل القرض في تقييم مخاطر الائتمان. بشكل عام، تسهم هذه الدراسة في أدبيات FinTech من خلال تقديم نموذج قوي وقابل للتفسير يتماشى مع أهداف التنمية المستدامة ويعزز من شفافية ممارسات الإقراض الرقمي.
الطرق
في قسم الطرق، تحقق الدراسة في تأثير تقنيات إعادة أخذ العينات واختيار الميزات على أداء نموذج التجميع المقترح لتوقع مخاطر الائتمان. تشمل التحليلات تقييمًا مقارنًا ضد نماذج مختلفة تعتمد على الانحدار ونماذج تعلم الآلة (ML)، باستخدام مقاييس أداء متعددة مثل ROC-AUC، وF1 score، والحساسية، والخصوصية، والدقة. تؤكد الدراسة على أهمية الميزات المختارة لتعزيز قابلية التفسير وتسهيل اتخاذ القرارات المستندة إلى البيانات، باستخدام قيم SHAP ومخططات الاعتماد الجزئي لتوضيح سلوك النموذج والعلاقات بين المتنبئين الرئيسيين ومخاطر الائتمان.
تكشف النتائج التجريبية أن نموذج التجميع المقترح يتفوق على المصنفات البديلة، محققًا أعلى ROC-AUC قدره $0.767 \pm 0.016$، إلى جانب استقرار F1 score ($0.111 \pm 0.008$) والحساسية ($0.373 \pm 0.023$). تشير هذه الأداء إلى الاستخدام الفعال لمتعلمين أساسيين متنوعين مع تقليل مخاطر الإفراط في التكيف. بالمقابل، أسفر أسلوب التصويت الموزون عن ROC-AUC أقل قليلاً قدره $0.765 \pm 0.017$ ولكنه حافظ على دقة قابلة للمقارنة ($0.907 \pm 0.003$). من بين النماذج الأخرى، أظهر AdaBoost حساسية تنافسية ($0.387 \pm 0.065$) ولكنه ضحى بالخصوصية والدقة، بينما أظهرت متغيرات Gradient Boosting (XGB وCAT) أداءً متوازنًا ولكنه أدنى مقارنة بالتجميع المقترح. أظهرت التجميعات المتجانسة مثل Bagging خصوصية عالية ($0.994 \pm 0.002$) ودقة ($0.980 \pm 0.001$) ولكنها افتقرت إلى الحساسية، مما يشير إلى عدم ملاءمتها لمجموعات البيانات غير المتوازنة. بشكل عام، يتم وضع نموذج التجميع المقترح كحل قوي لتوقع مخاطر الائتمان.
النتائج
تشير النتائج التجريبية إلى أن نموذج التجميع المقترح يتفوق بشكل كبير على معيار الشبكة العصبية الذي وضعه Corrales وآخرون (2024) في توقع العجز ضمن سياق تداول فواتير P2B. حقق التجميع ROC-AUC قدره 0.767 ودقة قدرها 0.907، متجاوزًا ROC-AUC للمعيار البالغ 0.717 ودقة 0.855. من الجدير بالذكر أن التجميع يعتمد فقط على ميزات مستوى المعاملة من منصة Kriya، بينما أدرج المعيار مؤشرات اقتصادية كلية. يشير هذا إلى أن الخصائص على مستوى الفاتورة، لا سيما معدل السلفة، والعائد الإجمالي السنوي، والاستحقاق، هي متنبئات حاسمة لجدارة ائتمان الشركات، وهو ما تؤكده تحليلات SHAP.
تكشف النتائج أيضًا عن وجود علاقة إيجابية بين العائد الإجمالي السنوي ومخاطر العجز، مما يدعم فرضية الاختيار الضار، بينما توجد علاقة سلبية بين معدل السلفة ومخاطر العجز، مما يتماشى مع الدراسات السابقة التي تشير إلى فحص أكثر صرامة للمقترضين للحصول على سلف أعلى. بالإضافة إلى ذلك، تسلط التحليلات الضوء على أهمية نوع التجارة، حيث ترتبط تداولات Whole Ledger بمخاطر عجز أقل. على الرغم من الأداء القوي للتجميع، لا تزال هناك تحديات في اكتشاف الأحداث النادرة، كما يتضح من انخفاض درجات الاسترجاع وF1. تقترح الدراسة أن البحث المستقبلي يمكن أن يستكشف التعلم الحساس للتكلفة وتقنيات إعادة أخذ العينات المتقدمة لتحسين اكتشاف الفئة الأقل. بشكل عام، تؤكد النتائج على فعالية نموذج التجميع غير المتجانس في الاستفادة من بيانات مستوى المعاملة لتقييم مخاطر الائتمان في أسواق P2B، بينما تقدم أيضًا رؤى حول أهمية ميزات معينة على مستوى الفاتورة في توقع العجز.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على الأهمية المتزايدة لتقييم مخاطر الائتمان في الإقراض من نظير إلى نظير (P2P) والإقراض من نظير إلى عمل (P2B)، لا سيما في سياق التمويل المستدام وتحقيق أهداف التنمية المستدامة (SDGs). يؤكد على أن منصات الإقراض من نظير إلى نظير لا تسهل فقط الشمول المالي للمقترضين المهمشين ولكنها تساهم أيضًا في التنمية الاقتصادية وتقليل الفقر. يستعرض القسم الأدبيات الحالية حول محددات مخاطر الائتمان، مشيرًا إلى أن عوامل مثل دخل المقترض، وتاريخ الائتمان، والظروف الاقتصادية الكلية تؤثر بشكل كبير على معدلات العجز. أظهرت الدراسات أن تقييمات المخاطر الخاصة بالمنصة وسمعة المقترض تلعب أدوارًا حاسمة في توقع العجز، حيث يتم استخدام منهجيات متقدمة مثل تعلم الآلة (ML) ونماذج التجميع بشكل متزايد لتعزيز دقة التوقع.
علاوة على ذلك، تحدد الورقة فجوة في الأدبيات بشأن تطبيق التجميعات التصويتية غير المتجانسة في الإقراض P2B، والتي تهدف هذه الدراسة إلى معالجتها. من خلال تطوير إطار عمل قوي لتقييم مخاطر الائتمان يدمج خوارزميات متنوعة، بما في ذلك Random Forest (RF) وLight Gradient Boosting Machine (LGBM) والتعلم العميق (DL)، يسعى النموذج المقترح إلى تحسين الدقة التنبؤية مع الحفاظ على قابلية التفسير. تتضمن المنهجية نهجًا من مرحلتين يشمل إعداد البيانات وتطوير النموذج، باستخدام تقنيات مثل إعادة أخذ العينات لمعالجة عدم توازن الفئات وتوظيف التحقق المتقاطع الطبقي لتدريب النموذج. يتم وضع هذا الإطار الشامل لتعزيز الفهم وفعالية تقييم مخاطر الائتمان في مشهد FinTech المتطور.
DOI: https://doi.org/10.5267/j.ijdns.2026.4.022
Publication Date: 2026-01-01
Author(s): Gihan M. Ali
Primary Topic: Financial Distress and Bankruptcy Prediction
Overview
This study presents an explainable ensemble machine learning (ML) framework aimed at enhancing credit risk assessment in peer-to-business (P2B) lending, a growing FinTech model that facilitates financing for small and medium-sized enterprises (SMEs). The framework addresses critical challenges such as information asymmetry and class imbalance by integrating Random Forest (RF), Light Gradient Boosting Machine (LGBM), and deep learning classifiers within a soft-voting ensemble architecture. The model utilizes a compact set of 12 features derived from borrower disclosures, achieving a predictive performance of ROC-AUC = 0.767, which surpasses a neural network baseline (ROC-AUC = 0.717). SHAP-based analysis identifies key predictors, including Maturity Days, Annualised Gross Yield, Advance Rate, and Discount Rate, thereby enhancing the interpretability of the model.
The findings underscore the potential of disclosure-informed features to improve both predictive accuracy and transparency in credit risk assessments, thereby supporting more robust and accountable decision-making in FinTech lending environments. The ensemble model not only demonstrates superior performance metrics, such as accuracy (0.907) and specificity (0.915), but also aligns with emerging regulatory expectations for algorithmic transparency. However, the study acknowledges limitations, including the reliance on data from a single UK-based platform, Kriya, and suggests avenues for future research, such as cross-platform validation and the incorporation of macro-financial indicators to capture a broader spectrum of risk factors.
Introduction
The introduction of the research paper discusses the transformative impact of financial technology (FinTech) on traditional lending practices, particularly through innovations like peer-to-business (P2B) lending. This model enables small and medium-sized enterprises (SMEs) to access financing by selling unpaid invoices on digital platforms, thereby bypassing traditional banks and enhancing financial inclusion. However, challenges arise in credit risk prediction due to the sparse and heterogeneous data available, which complicates the application of standard machine learning (ML) models. The study highlights a gap in existing research, which has predominantly focused on peer-to-peer (P2P) lending, and emphasizes the need for advanced explainable artificial intelligence (XAI) techniques in the P2B context.
The authors propose a novel heterogeneous voting ensemble model that integrates Random Forest, Light Gradient Boosting Machine, and Deep Learning classifiers to improve credit risk assessment in P2B lending. This model addresses class imbalance and enhances predictive accuracy through rigorous feature selection and validation using real-world data from the Kriya platform. The results demonstrate significant improvements in performance metrics, including an ROC-AUC of 0.767 and accuracy of 0.907, compared to existing models. Additionally, the study identifies key predictors of default, reinforcing the importance of loan structure in credit risk assessment. Overall, this research contributes to the FinTech literature by providing a robust, interpretable model that aligns with sustainable development goals and enhances the transparency of digital lending practices.
Methods
In the Methods section, the research investigates the impact of resampling techniques and feature selection on the performance of a proposed ensemble model for predicting credit risk. The analysis includes a comparative evaluation against various regression-based and machine learning (ML) models, utilizing multiple performance metrics such as ROC-AUC, F1 score, sensitivity, specificity, and accuracy. The study emphasizes the importance of selected features to enhance interpretability and facilitate data-driven decision-making, employing SHAP values and partial dependence plots to elucidate the model’s behavior and the relationships between key predictors and credit risk.
The experimental results reveal that the proposed voting ensemble outperforms alternative classifiers, achieving the highest ROC-AUC of $0.767 \pm 0.016$, alongside stable F1 score ($0.111 \pm 0.008$) and sensitivity ($0.373 \pm 0.023$). This performance indicates effective utilization of diverse base learners while mitigating overfitting risks. In contrast, the Weighted Voting method yielded a slightly lower ROC-AUC of $0.765 \pm 0.017$ but maintained comparable accuracy ($0.907 \pm 0.003$). Among other models, AdaBoost exhibited competitive sensitivity ($0.387 \pm 0.065$) but compromised specificity and accuracy, while Gradient Boosting variants (XGB and CAT) demonstrated balanced yet inferior performance compared to the proposed ensemble. Homogeneous ensembles like Bagging showed high specificity ($0.994 \pm 0.002$) and accuracy ($0.980 \pm 0.001$) but lacked sensitivity, indicating their unsuitability for imbalanced datasets. Overall, the proposed voting ensemble is positioned as a robust solution for credit risk prediction.
Results
The empirical results indicate that the proposed voting ensemble model significantly outperforms the neural network benchmark established by Corrales et al. (2024) in predicting defaults within the P2B invoice trading context. The ensemble achieved an ROC-AUC of 0.767 and an accuracy of 0.907, surpassing the benchmark’s ROC-AUC of 0.717 and accuracy of 0.855. Notably, the ensemble relies solely on transaction-level features from the Kriya platform, while the benchmark incorporated macroeconomic indicators. This suggests that invoice-level attributes, particularly advance rate, annualized gross yield, and maturity, are critical predictors of firm creditworthiness, corroborated by SHAP analysis.
The findings also reveal a positive correlation between annualized gross yield and default risk, supporting the adverse selection hypothesis, while a negative relationship exists between advance rate and default risk, aligning with previous studies that indicate stricter borrower screening for higher advances. Additionally, the analysis highlights the significance of trade type, with Whole Ledger trades linked to lower default risk. Despite the ensemble’s robust performance, challenges remain in detecting rare events, as evidenced by relatively low recall and F1 scores. The study suggests that further research could explore cost-sensitive learning and advanced resampling techniques to improve minority class detection. Overall, the results underscore the effectiveness of a heterogeneous ensemble model in leveraging transaction-level data for credit risk assessment in P2B markets, while also providing insights into the importance of specific invoice-level features in default prediction.
Discussion
The discussion section of the research paper highlights the growing significance of credit risk assessment in peer-to-peer (P2P) and peer-to-business (P2B) lending, particularly in the context of sustainable finance and the achievement of Sustainable Development Goals (SDGs). It emphasizes that P2P lending platforms not only facilitate financial inclusion for marginalized borrowers but also contribute to economic development and poverty reduction. The section reviews existing literature on the determinants of credit risk, noting that factors such as borrower income, credit history, and macroeconomic conditions significantly influence default rates. Studies have shown that platform-specific risk assessments and borrower reputation play crucial roles in predicting defaults, with advanced methodologies like machine learning (ML) and ensemble models increasingly being employed to enhance prediction accuracy.
Moreover, the paper identifies a gap in the literature regarding the application of heterogeneous voting ensembles in P2B lending, which this study aims to address. By developing a robust credit risk assessment framework that integrates various algorithms, including Random Forest (RF), Light Gradient Boosting Machine (LGBM), and deep learning (DL), the proposed model seeks to improve predictive accuracy while maintaining interpretability. The methodology involves a two-phase approach encompassing data preparation and model development, utilizing techniques such as oversampling to address class imbalance and employing stratified cross-validation for model training. This comprehensive framework is positioned to advance the understanding and effectiveness of credit risk assessment in the evolving FinTech landscape.