DOI: https://doi.org/10.47738/jdmdc.v3i1.55
تاريخ النشر: 2026-02-16
المؤلف: Sheeba Armoogum
الموضوع الرئيسي: التنبؤ بالضغوط المالية والإفلاس
نظرة عامة
تقدم هذه الدراسة إطار عمل قائم على التعلم العميق للتنبؤ بموافقات القروض باستخدام شبكة عصبية اصطناعية (ANN) معززة بتحليل أهمية الميزات لتحسين القابلية للتفسير. استخدمت الدراسة مجموعة بيانات تتكون من 2000 طلب قرض، والتي خضعت لعمليات معالجة مسبقة من خلال التطبيع والترميز الأحادي. حقق نموذج ANN، المهيكل بثلاث طبقات مخفية (64-32-16 خلية عصبية) ويستخدم دالة تفعيل ReLU، مقاييس أداء ملحوظة: دقة 92%، دقة 0.91، استرجاع 0.93، ودرجة ROC-AUC تبلغ 0.95. حدد التحليل درجة الائتمان والدخل ومبلغ القرض كأهم المؤشرات للتنبؤ بموافقة القرض، مما يعكس المبادئ المعمول بها في تقييم مخاطر الائتمان.
تؤكد النتائج على قدرة النموذج على التقاط العلاقات غير الخطية المعقدة بين خصائص المتقدمين، وهي تحدٍ غالبًا ما تواجهه النماذج الإحصائية التقليدية. لا يعزز دمج تحليل أهمية الميزات فقط شفافية النموذج، بل يتماشى أيضًا مع مبادئ الذكاء الاصطناعي القابل للتفسير (XAI)، مما يضمن إمكانية التحقق من التنبؤات بواسطة الخبراء البشريين. بينما تعترف الدراسة بالقيود المتعلقة بجودة البيانات وقابلية تفسير التنبؤات الفردية، تقترح اتجاهات بحثية مستقبلية، بما في ذلك استخدام أطر تفسير متقدمة مثل SHAP وLIME، بالإضافة إلى نماذج تجميع هجينة لتعزيز قوة التنبؤ. بشكل عام، تسلط هذه الدراسة الضوء على إمكانيات نماذج ANN في تحويل عمليات تقييم القروض الآلية، مما يعزز اتخاذ قرارات أكثر عدلاً وكفاءة في المؤسسات المالية.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التأثير التحويلي للرقمنة على القطاع المالي، لا سيما في عمليات الإقراض وتقييم الائتمان. مع زيادة حجم طلبات القروض عبر الإنترنت، أثبتت طرق تقييم الائتمان اليدوية التقليدية عدم كفاءتها، مما أدى إلى عدم الاتساق والتحيزات. استجابةً لذلك، ظهرت تقنيات التعلم العميق (DL)، وبشكل خاص الشبكات العصبية الاصطناعية (ANNs)، كأدوات فعالة لالتقاط العلاقات المعقدة وغير الخطية في البيانات المالية. ومع ذلك، لا يزال هناك تحدٍ كبير: قابلية تفسير هذه النماذج، التي غالبًا ما تُعتبر “صناديق سوداء”، مما يعقد قبولها في البيئات المنظمة التي تعطي الأولوية للشفافية.
لمعالجة هذه المشكلة، تقترح الدراسة نموذجًا جديدًا للتنبؤ بموافقة القرض قائم على ANN يتضمن تحليل أهمية الميزات بالتبديل. يهدف هذا الدمج إلى تعزيز كل من دقة التنبؤ وقابلية التفسير، مما يسمح لأصحاب المصلحة بفهم تأثير خصائص المتقدمين المختلفة—مثل تاريخ الائتمان والدخل—على قرارات موافقة القرض. تم بناء النموذج مع عدة طبقات مخفية وتدريبه على بيانات معالجة مسبقًا، مما يضمن مقاييس أداء قوية مثل الدقة ودرجة F1. من خلال سد الفجوة بين الأداء التنبؤي العالي وشفافية النموذج، تسهم هذه الدراسة في النشر المسؤول للذكاء الاصطناعي في التحليلات المالية، مقدمة أداة دعم قرار قابلة للتوسع تتماشى مع المعايير التنظيمية والاعتبارات الأخلاقية.
مناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على فعالية نموذج الشبكة العصبية الاصطناعية (ANN) المقترح للتنبؤ بموافقة القرض، حيث حقق دقة مثيرة للإعجاب تبلغ 92%، بالإضافة إلى قيم دقة واسترجاع تبلغ 0.91 و0.93، على التوالي. تشير هذه النتائج إلى أن ANN تلتقط بنجاح العلاقات المعقدة وغير الخطية بين خصائص المتقدمين، متجاوزة النماذج التقليدية مثل الانحدار اللوجستي وأشجار القرار. كما تُظهر درجة ROC-AUC العالية التي تبلغ 0.95 قدرة النموذج التمييزية في التفريق بين المتقدمين المعتمدين وغير المعتمدين عبر مختلف العتبات. يكشف تحليل مصفوفة الالتباس عن كفاءة النموذج في تقليل الإيجابيات الكاذبة والسلبيات الكاذبة، وهو أمر حاسم في اتخاذ القرارات المالية لتخفيف المخاطر الاقتصادية.
بالإضافة إلى ذلك، تؤكد الدراسة على أهمية القابلية للتفسير من خلال تحليل أهمية الميزات بالتبديل (PFI)، الذي يحدد درجة الائتمان والدخل كأهم المؤشرات لموافقة القرض. يتماشى هذا مع النظريات المعمول بها في إدارة مخاطر الائتمان، حيث تعكس درجة الائتمان العالية تاريخ سداد قوي ويشير الدخل المرتفع إلى الاستقرار المالي. تؤكد النتائج على قدرة ANN على تقديم ليس فقط تنبؤات دقيقة ولكن أيضًا عمليات اتخاذ قرارات شفافة، مما يعالج التحديات المزدوجة للأداء وقابلية التفسير في أنظمة تقييم القروض الآلية. بشكل عام، تسهم هذه الدراسة في تقدم الذكاء الاصطناعي المسؤول في المالية، داعية إلى نماذج تكون فعالة ومتوافقة مع المعايير الأخلاقية.
DOI: https://doi.org/10.47738/jdmdc.v3i1.55
Publication Date: 2026-02-16
Author(s): Sheeba Armoogum
Primary Topic: Financial Distress and Bankruptcy Prediction
Overview
This research presents a deep learning-based framework for predicting loan approvals using an Artificial Neural Network (ANN) enhanced by feature importance analysis to improve interpretability. The study utilized a dataset of 2,000 loan applications, which underwent preprocessing through normalization and one-hot encoding. The ANN model, structured with three hidden layers (64-32-16 neurons) and employing the ReLU activation function, achieved notable performance metrics: 92% accuracy, 0.91 precision, 0.93 recall, and a ROC-AUC score of 0.95. The analysis identified Credit Score, Income, and Loan Amount as the most significant predictors of loan approval, reflecting established principles in credit risk assessment.
The findings underscore the model’s ability to capture complex non-linear relationships among applicant attributes, a challenge often faced by traditional statistical models. The integration of feature importance analysis not only enhances the model’s transparency but also aligns with the principles of explainable AI (XAI), ensuring that predictions can be validated by human experts. While the study acknowledges limitations related to data quality and the interpretability of individual predictions, it suggests future research directions, including the use of advanced interpretability frameworks like SHAP and LIME, as well as hybrid ensemble models to bolster predictive robustness. Overall, this research highlights the potential of ANN models to transform automated loan evaluation processes, promoting fairer and more efficient decision-making in financial institutions.
Introduction
The introduction of this research paper highlights the transformative impact of digitalization on the financial sector, particularly in lending and credit evaluation processes. As the volume of online loan applications surges, traditional manual credit evaluation methods have proven inadequate, leading to inconsistencies and biases. In response, Deep Learning (DL) techniques, specifically Artificial Neural Networks (ANNs), have emerged as effective tools for capturing complex, nonlinear relationships in financial data. However, a significant challenge remains: the interpretability of these models, which are often viewed as “black boxes,” complicating their acceptance in regulated environments that prioritize transparency.
To address this issue, the study proposes a novel ANN-based loan approval prediction model that incorporates Permutation Feature Importance analysis. This integration aims to enhance both predictive accuracy and interpretability, allowing stakeholders to understand the influence of various applicant characteristics—such as credit history and income—on loan approval decisions. The model is constructed with multiple hidden layers and trained on preprocessed data, ensuring robust performance metrics like accuracy and F1-score. By bridging the gap between high predictive performance and model transparency, this research contributes to the responsible deployment of AI in financial analytics, offering a scalable decision-support tool that aligns with regulatory standards and ethical considerations.
Discussion
The discussion section of the research paper highlights the effectiveness of the proposed Artificial Neural Network (ANN) model for loan approval prediction, achieving an impressive accuracy of 92%, along with precision and recall values of 0.91 and 0.93, respectively. These results indicate that the ANN successfully captures complex, non-linear relationships among applicant attributes, surpassing traditional models like Logistic Regression and Decision Trees. The high ROC-AUC score of 0.95 further demonstrates the model’s discriminative capability in differentiating between approved and non-approved applicants across various thresholds. The confusion matrix analysis reveals the model’s proficiency in minimizing false positives and false negatives, which is crucial in financial decision-making to mitigate economic risks.
Additionally, the study emphasizes the importance of interpretability through Permutation Feature Importance (PFI) analysis, which identifies Credit Score and Income as the most significant predictors of loan approval. This aligns with established credit risk management theories, where a high credit score reflects a strong repayment history and higher income indicates financial stability. The findings underscore the ANN’s ability to provide not only accurate predictions but also transparent decision-making processes, thereby addressing the dual challenges of performance and interpretability in automated loan evaluation systems. Overall, the research contributes to the advancement of responsible AI in finance, advocating for models that are both effective and compliant with ethical standards.