DOI: https://doi.org/10.31893/multiscience.2026446
تاريخ النشر: 2026-01-18
المؤلف: Sauda Nerjaku وآخرون
الموضوع الرئيسي: التنبؤ بالضغوط المالية والإفلاس
نظرة عامة
تدرس هذه الدراسة فعالية تقنيات التعلم الآلي في التنبؤ بالقروض غير العاملة (NPLs) في ألبانيا، مع التأكيد على أهمية التنبؤ الدقيق من أجل الاستقرار المالي مع زيادة أنشطة الإقراض. باستخدام بيانات من بنك ألبانيا، تستخدم البحث خوارزميتين للتعلم تحت الإشراف – الغابة العشوائية (RF) وآلة الدعم الشعاعي (SVM) – للتنبؤ بنسبة NPL من 2017 إلى 2023 بناءً على سبعة مؤشرات مالية خاصة بالبنك. يتم تقييم أداء هذه النماذج باستخدام متوسط الخطأ التربيعي الجذري (RMSE) ومتوسط الخطأ المطلق (MAE)، مما يكشف أن نموذج RF تفوق باستمرار على SVM، محققًا أدنى RMSE قدره 0.011 وMAE قدره 0.009 بعد اختيار الميزات.
تسلط النتائج الرئيسية الضوء على احتياطيات خسائر القروض/إجمالي القروض وقروض البنك/إجمالي الأصول كأهم المؤشرات للتنبؤ بـ NPLs، بينما كانت المؤشرات الأخرى لها تأثير ضئيل. تؤكد الدراسة على أهمية اختيار الميزات في تعزيز دقة التنبؤ وتقليل تعقيد النموذج، مما يضع نموذج RF المبسط كأكثر الأدوات فعالية لتنبؤ NPL. تشير النتائج إلى تطبيقات عملية للمؤسسات المالية وبنك ألبانيا في تطوير أنظمة إنذار مبكر لتحديد القروض المحتملة المشكلة، مما يسهم في الاستقرار المالي. يتم تشجيع الأبحاث المستقبلية على دمج العوامل الاقتصادية الكلية، وتوسيع مجموعة البيانات، واستكشاف تقنيات التعلم الآلي المتقدمة لمزيد من التحقق وتعزيز النتائج.
مقدمة
تؤكد مقدمة ورقة البحث على الدور الحاسم للإقراض في البنوك التجارية والتحديات التي تطرحها القروض غير العاملة (NPLs)، والتي يمكن أن تعرض الاستقرار المالي والنمو الاقتصادي للخطر. ركز المنظمون الأوروبيون بشكل متزايد على NPLs، خاصة مع استمرار البنوك في إدارة تلك التي تراكمت خلال الأزمة المالية. في ألبانيا، يبرز الزيادة الملحوظة في طلبات القروض في عام 2024 أهمية منع التخلف عن السداد، حيث تؤثر NPLs مباشرة على الأداء الاقتصادي الوطني. على الرغم من الزيادة الطفيفة في NPLs وسط الطلب المتزايد على الائتمان، وصلت نسبة NPL إلى أدنى مستوى تاريخي قدره 4.2%، ويعزى ذلك إلى السياسات المصرفية الفعالة والاستقرار الاقتصادي.
تناقش الورقة أيضًا دمج التعلم الآلي (ML) والذكاء الاصطناعي (AI) في التنبؤ بالتخلف عن السداد، مع تسليط الضوء على دقتها الفائقة مقارنة بالطرق التقليدية. على وجه الخصوص، أظهر نموذج الغابة العشوائية (RF) أداءً تنبؤيًا استثنائيًا في دراسات مختلفة، متفوقًا على خوارزميات أخرى، بما في ذلك آلات الدعم الشعاعي (SVMs) والشبكات العصبية الاصطناعية (ANNs). الهدف الرئيسي من هذه البحث هو مقارنة فعالية RF وSVM في التنبؤ بنسبة NPL، مع إجراء تحليل لأهمية الميزات لتحديد العوامل الرئيسية التي تؤثر على أداء النموذج. تهدف هذه الدراسة إلى تقديم رؤى يمكن أن تعزز دقة التنبؤ وتوجه قرارات الإقراض للمؤسسات المالية والهيئات التنظيمية.
طرق
في هذه الدراسة، يهدف المؤلفون إلى التنبؤ بالقروض غير العاملة (NPL) في ألبانيا باستخدام سبعة متغيرات مستقلة خاصة بالبنك، كما هو موضح في الجدول 1. تستند الدراسة إلى نتائج من سيناي وآخرون (2022)، التي تشير إلى أن العوامل الخاصة بالبنك تؤثر بشكل كبير على مستويات NPL، أكثر من العوامل الاقتصادية الكلية، كما تدعمه الأبحاث من النابلسي (2022) وغفسي (2025). تتكون مجموعة البيانات من ملاحظات ربع سنوية من بنك ألبانيا تمتد من 2017 إلى 2023، ويمكن الوصول إليها على موقعهم الرسمي.
لتشكيل توقعات NPL، استخدم المؤلفون تقنيتين من تقنيات التعلم الآلي: الغابة العشوائية (RF) وآلات الدعم الشعاعي (SVM). تم تقييم أداء هذه النماذج باستخدام متوسط الخطأ التربيعي الجذري (RMSE) ومتوسط الخطأ المطلق (MAE) كمقاييس. يتم حساب RMSE باستخدام الصيغة \( \text{RMSE} = \sqrt{\frac{1}{n} \sum_{i=1}^{n} (y_i – \hat{y}_i)^2} \)، بينما يتم إعطاء MAE بواسطة \( \text{MAE} = \frac{1}{n} \sum_{i=1}^{n} |y_i – \hat{y}_i| \). تُعرف خوارزمية RF بمتانتها وقدرتها على إدارة مجموعات بيانات كبيرة مع ميزات متعددة، حيث تبني مجموعة من أشجار القرار لتعزيز دقة التنبؤ وتقليل الإفراط في التكيف. من ناحية أخرى، تستخدم SVM دالة نواة لرسم البيانات في فضاء عالي الأبعاد، مما يحسن الفصل بين الفئات عن طريق زيادة الهامش حول المتجهات الداعمة، مع توسيع الانحدار باستخدام المتجهات الداعمة (SVR) لهذا النهج لإنتاج مستمر من خلال دالة خسارة غير حساسة ε.
نتائج
في هذه الدراسة، تم تقييم أداء نموذجين تنبؤيين – الغابة العشوائية (RF) وآلة الدعم الشعاعي (SVM) – للتنبؤ بالقروض غير العاملة (NPL) باستخدام سبعة متغيرات إدخال. أشارت النتائج إلى أن نموذج RF تفوق على SVM، محققًا متوسط خطأ تربيعي جذري (RMSE) قدره حوالي 0.015 ومتوسط خطأ مطلق (MAE) قدره حوالي 0.012. كشف تحليل أهمية الميزات أن المتغيرات “احتياطيات خسائر القروض/إجمالي القروض” (X1) و”قروض البنك/إجمالي الأصول” (X4) كانت الأكثر أهمية في التنبؤ، بينما كانت “العائد على الأصول” (ROA) و”العائد على حقوق الملكية” (ROE) و”حقوق الملكية/إجمالي الأصول” (X6) لها تأثير ضئيل على أداء النموذج.
بعد استبعاد المتغيرات الأقل أهمية، أظهر نموذج RF المبسط أداءً محسّنًا، محققًا أدنى RMSE قدره حوالي 0.011 وMAE قدره حوالي 0.009، مما يؤكد أهمية اختيار الميزات في تعزيز دقة التنبؤ. أظهر نموذج SVM المعدل، الذي شمل فقط الميزات الأكثر صلة، تحسينات طفيفة ولكنه ظل أدنى من نموذج RF. بشكل عام، تؤكد النتائج فعالية نموذج RF المبسط في التنبؤ بـ NPLs، كما يتضح من ملاءمته الفائقة للقيم الفعلية وأعلى قيمة معدلة لـ \( R^2 \) بين النماذج المختبرة.
مناقشة
تخلص الدراسة إلى أن نموذج الغابة العشوائية (RF) يتفوق بشكل كبير على آلة الدعم الشعاعي (SVM) في التنبؤ بالقروض غير العاملة (NPLs) في ألبانيا، باستخدام مؤشرات مالية خاصة بالبنك. تشمل المحددات الرئيسية المحددة نسبة احتياطيات خسائر القروض إلى إجمالي القروض ونسبة قروض البنك إلى إجمالي الأصول، بينما أظهرت المتغيرات الأخرى تأثيرًا ضئيلًا. لا يؤدي تنفيذ اختيار الميزات إلى تبسيط النموذج فحسب، بل يعزز أيضًا دقته التنبؤية، مما يضع نموذج RF كأكثر نهج فعالية لهذه التحليل.
من الناحية العملية، تشير النتائج إلى أن المؤسسات المالية وبنك ألبانيا يمكن أن تستفيد من دمج نماذج قائمة على RF في أطر مراقبة المخاطر الخاصة بهم، مما يحسن أنظمة الإنذار المبكر للقروض المحتملة المشكلة ويساهم في الاستقرار المالي. ومع ذلك، تعترف الدراسة بالقيود، بما في ذلك اعتمادها على مجموعة ضيقة من المؤشرات الخاصة بالبنك على مدى زمني محدود (2017-2023). يجب أن تأخذ الأبحاث المستقبلية في الاعتبار دمج العوامل الاقتصادية الكلية، وتوسيع مجموعة البيانات، واستكشاف تقنيات التعلم الآلي المتقدمة مثل تعزيز التدرج أو الشبكات العصبية، جنبًا إلى جنب مع استخدام طرق التحقق المتبادل لتعزيز قوة وعمومية النتائج.
القيود
تقدم الدراسة عدة قيود، تركز بشكل أساسي على المؤشرات الخاصة بالبنك على مدى زمني محدود من 2017 إلى 2023 والاستخدام الحصري لخوارزميتين من التعلم الآلي: الغابة العشوائية وآلات الدعم الشعاعي (SVM). قد يحد هذا النطاق الضيق من شمولية النتائج. يمكن أن يؤدي دمج متغيرات اقتصادية كلية أوسع، وتوسيع التحليل على مدى فترات أطول، واستكشاف نماذج بديلة مثل تعزيز التدرج أو الشبكات العصبية إلى الحصول على رؤى أكثر دقة في تقييم مخاطر الائتمان.
بالإضافة إلى ذلك، قد لا تلتقط مقاييس التقييم المستخدمة – متوسط الخطأ التربيعي الجذري (RMSE) ومتوسط الخطأ المطلق (MAE) – أداء النموذج بشكل كامل. يجب أن تهدف الأبحاث المستقبلية إلى توسيع مجموعة البيانات، وتنفيذ تقنيات التحقق المتبادل، واستخدام مجموعة أوسع من مقاييس التقييم وطرق اختيار الميزات المتقدمة. ستؤدي هذه التحسينات إلى تحسين دقة التنبؤ وتوفير أدوات أكثر فعالية للمؤسسات المالية والهيئات التنظيمية في إدارة مخاطر الائتمان.
DOI: https://doi.org/10.31893/multiscience.2026446
Publication Date: 2026-01-18
Author(s): Sauda Nerjaku et al.
Primary Topic: Financial Distress and Bankruptcy Prediction
Overview
This study investigates the efficacy of machine learning techniques in predicting nonperforming loans (NPLs) in Albania, emphasizing the importance of accurate forecasting for financial stability as lending activities grow. Utilizing data from the Bank of Albania, the research employs two supervised learning algorithms—Random Forest (RF) and Support Vector Machine (SVM)—to predict the NPL ratio from 2017 to 2023 based on seven bank-specific financial indicators. The performance of these models is assessed using root mean squared error (RMSE) and mean absolute error (MAE), revealing that the RF model consistently outperformed the SVM, achieving the lowest RMSE of 0.011 and MAE of 0.009 after feature selection.
Key findings highlight Loan Loss Reserves/Total Loans and Bank Loans/Total Assets as the most significant predictors of NPLs, while other indicators had minimal impact. The study underscores the importance of feature selection in enhancing predictive accuracy and reducing model complexity, positioning the simplified RF model as the most effective tool for NPL prediction. The results suggest practical applications for financial institutions and the Bank of Albania in developing early warning systems to identify potential problem loans, thereby contributing to financial stability. Future research is encouraged to incorporate macroeconomic factors, extend the dataset, and explore advanced machine learning techniques to further validate and enhance the findings.
Introduction
The introduction of the research paper emphasizes the critical role of lending in retail banking and the challenges posed by nonperforming loans (NPLs), which can jeopardize financial stability and economic growth. European regulators have increasingly focused on NPLs, particularly as banks continue to manage those that accumulated during the financial crisis. In Albania, a notable increase in loan applications in 2024 underscores the importance of preventing defaults, as NPLs directly affect national economic performance. Despite a marginal rise in NPLs amid expanding credit demand, the NPL ratio has reached a historic low of 4.2%, attributed to effective banking policies and economic stability.
The paper further discusses the integration of machine learning (ML) and artificial intelligence (AI) in predicting loan defaults, highlighting their superior accuracy compared to traditional methods. Specifically, the random forest (RF) model has demonstrated exceptional predictive performance in various studies, outperforming other algorithms, including support vector machines (SVMs) and artificial neural networks (ANNs). The primary objective of this research is to compare the effectiveness of RF and SVM in forecasting the NPL ratio, while also conducting a feature importance analysis to identify key factors influencing model performance. This study aims to provide insights that can enhance predictive accuracy and inform lending decisions for financial institutions and regulatory bodies.
Methods
In this study, the authors aim to predict nonperforming loans (NPL) in Albania using seven independent bank-specific variables, as outlined in Table 1. The research builds on findings from Sinay et al. (2022), which indicate that bank-specific factors significantly influence NPL levels, more so than macroeconomic factors, as supported by Alnabulsi (2022) and Gafsi (2025). The dataset comprises quarterly observations from the Bank of Albania spanning 2017 to 2023, accessible at their official website.
To model NPL predictions, the authors employed two machine learning techniques: Random Forest (RF) and Support Vector Machines (SVM). The performance of these models was evaluated using root mean square error (RMSE) and mean absolute error (MAE) as metrics. The RMSE is calculated using the formula \( \text{RMSE} = \sqrt{\frac{1}{n} \sum_{i=1}^{n} (y_i – \hat{y}_i)^2} \), while the MAE is given by \( \text{MAE} = \frac{1}{n} \sum_{i=1}^{n} |y_i – \hat{y}_i| \). The RF algorithm, known for its robustness and ability to manage large datasets with multiple features, constructs an ensemble of decision trees to enhance predictive accuracy and reduce overfitting. Conversely, SVM utilizes a kernel function to map data into a high-dimensional space, optimizing the separation between classes by maximizing the margin around support vectors, with Support Vector Regression (SVR) extending this approach to continuous outputs through an ε-insensitive loss function.
Results
In this study, the performance of two predictive models—random forest (RF) and support vector machine (SVM)—was evaluated for predicting nonperforming loans (NPL) using seven input variables. The results indicated that the RF model outperformed the SVM, achieving a root mean square error (RMSE) of approximately 0.015 and a mean absolute error (MAE) of about 0.012. Feature importance analysis revealed that the variables “loan loss reserves/total loans” (X1) and “bank loans/total assets” (X4) were the most significant predictors, while “return on assets” (ROA), “return on equity” (ROE), and “equity/total assets” (X6) had negligible impacts on model performance.
After excluding the less significant variables, the simplified RF model demonstrated improved performance, achieving the lowest RMSE of approximately 0.011 and MAE of about 0.009, thus confirming the importance of feature selection in enhancing predictive accuracy. The revised SVM model, which included only the most relevant features, showed slight improvements but remained inferior to the RF model. Overall, the findings underscore the effectiveness of the simplified RF model for predicting NPLs, as evidenced by its superior fit to actual values and the highest adjusted \( R^2 \) value among the models tested.
Discussion
The study concludes that the random forest (RF) model significantly outperforms the support vector machine (SVM) in predicting nonperforming loans (NPLs) in Albania, utilizing bank-specific financial indicators. Key determinants identified include the ratio of Loan Loss Reserves to Total Loans and the ratio of Bank Loans to Total Assets, while other variables showed minimal impact. The implementation of feature selection not only simplifies the model but also enhances its predictive accuracy, positioning the RF model as the most effective approach for this analysis.
From a practical standpoint, the findings suggest that financial institutions and the Bank of Albania could benefit from integrating RF-based models into their risk monitoring frameworks, thereby improving early warning systems for potential problem loans and contributing to financial stability. However, the study acknowledges limitations, including its reliance on a narrow set of bank-specific indicators over a limited timeframe (2017-2023). Future research should consider incorporating macroeconomic factors, expanding the dataset, and exploring advanced machine learning techniques such as gradient boosting or neural networks, alongside employing cross-validation methods to bolster the robustness and generalizability of the findings.
Limitations
The study presents several limitations, primarily its focus on bank-specific indicators over a limited timeframe from 2017 to 2023 and the exclusive use of two machine learning algorithms: random forest and support vector machines (SVM). This narrow scope may restrict the comprehensiveness of the findings. Incorporating broader macroeconomic variables, extending the analysis over longer periods, and exploring alternative models such as gradient boosting or neural networks could yield more nuanced insights into credit risk assessment.
Additionally, the evaluation metrics employed—root mean square error (RMSE) and mean absolute error (MAE)—may not fully capture the model’s performance. Future research should aim to broaden the dataset, implement cross-validation techniques, and utilize a wider array of evaluation metrics and advanced feature selection methods. Such enhancements would not only improve predictive accuracy but also provide more effective tools for financial institutions and regulators in managing credit risk.