تقييم المقاربات الكلاسيكية مقابل مقاربات لغة التعلّم الآلي (الذكاء الاصطناعي) في قياس شدة الضائقة المالية في المصارف أدلة (تقارير مالية) من مصرف الجمهورية ليب
DOI:
https://doi.org/10.65405/.v10i37.453الكلمات المفتاحية:
لضائقة المالية؛ درجة ألتمان المعيارية؛ غابة العزل لغة التعلم الآلي R (الذكاء الاصطناعي)؛ كشف الشذوذ؛ مصرف الجمهورية؛ القطاع المصرفي الليبي.الملخص
تُعد الصحة المالية للقطاع المصرفي ضرورية لمرونة الاقتصاد، خاصة في الاقتصادات الهشة مثل ليبيا. مصرف الجمهورية، وهو أكبر ممول حكومي في البلاد، يمثل ركناً أساسياً للاقتصاد الليبي، وقد عانى من مشاكل مزمنة في العقد الماضي. تؤكد نماذج التنبؤ بالضائقة التقليدية، مثل درجة-Z ألتمان، على وجود ضعف مزمن ولكنها غير فعالة في تحديد الشدة عندما تقع جميع الحالات في منطقة الضائقة. تقدم هذه الورقة تحليلاً مزدوج المنهج، باستخدام درجة-Z ألتمان بالاقتران مع خوارزمية تعلم آلي لكشف الشذوذ المسماة "غابة العزل- الذكاء الاصطناعي (Isolation Forest)"، من أجل الحكم على سلامة مصرف الجمهورية في الفترة ما بين 2018 و2022. تُظهر النتائج وجود ضغط مزمن في جميع السنوات، حيث أخفت السيولة الاحتياطية مؤقتاً نقاط الضعف الهيكلية في الملاءة المالية والربحية. قدرت طريقة كشف الشذوذ (غابة العزل- الذكاء الاصطناعي) أن عام 2018 كان عاماً شاذاً بسبب السيولة الأفضل، في حين أن عام 2020 استمر فيه سيناريو الضائقة. تم اكتشاف أن السيولة والربحية هما السببان الرئيسيان للضغط من خلال أهمية الميزة (feature importance)، مدعومةً بنسب القروض المتعثرة المرتفعة. يقدم البحث إسهامات منهجية من خلال تطبيق المقاربات التقليدية بالإضافة إلى مقاربات الذكاء الاصطناعي، فضلاً عن آثار عملية كبيرة لصانعي السياسات والجهات التنظيمية المهتمين بتعزيز أنظمة الإنذار المبكر في النظم المصرفية الهشة.
التنزيلات
المراجع
● AHMED, M., MAHMOOD, A. N., & HU, J. (2016). A SURVEY OF NETWORK ANOMALY DETECTION TECHNIQUES. JOURNAL OF NETWORK AND COMPUTER APPLICATIONS, 60, 19–31.
● ALTMAN, E. I. (1968). FINANCIAL RATIOS, DISCRIMINANT ANALYSIS AND THE PREDICTION OF CORPORATE BANKRUPTCY. JOURNAL OF FINANCE, 23(4), 589–609.
● ALTMAN, E. I., IWANICZ-DROZDOWSKA, M., LAITINEN, E. K., & SUVAS, A. (2017). FINANCIAL DISTRESS PREDICTION IN AN INTERNATIONAL CONTEXT: A REVIEW AND EMPIRICAL ANALYSIS OF ALTMAN’S Z-SCORE MODEL. JOURNAL OF INTERNATIONAL FINANCIAL MANAGEMENT & ACCOUNTING, 28(2), 131–171.
● BASEL COMMITTEE ON BANKING SUPERVISION (BCBS). (2011). BASEL III: A GLOBAL REGULATORY FRAMEWORK FOR MORE RESILIENT BANKS AND BANKING SYSTEMS. BANK FOR INTERNATIONAL SETTLEMENTS.
● CHANDOLA, V., BANERJEE, A., & KUMAR, V. (2009). ANOMALY DETECTION: A SURVEY. ACM COMPUTING SURVEYS, 41(3), 1–58.
● BEAVER, W. H. (1966). FINANCIAL RATIOS AS PREDICTORS OF FAILURE. JOURNAL OF ACCOUNTING RESEARCH, 4, 71–111.
● CHARITOU, A., NEOPHYTOU, E., & CHARALAMBOUS, C. (2004). PREDICTING CORPORATE FAILURE: EMPIRICAL EVIDENCE FOR THE UK. EUROPEAN ACCOUNTING REVIEW, 13(3), 465–497.
● ČIHÁK, M., & HESSE, H. (2010). ISLAMIC BANKS AND FINANCIAL STABILITY: AN EMPIRICAL ANALYSIS. JOURNAL OF FINANCIAL SERVICES RESEARCH, 38(2–3), 95–113.
● DEMIRGÜÇ-KUNT, A., & DETRAGIACHE, E. (2002). DOES DEPOSIT INSURANCE INCREASE BANKING SYSTEM STABILITY? AN EMPIRICAL INVESTIGATION. JOURNAL OF MONETARY ECONOMICS, 49(7), 1373–1406.
● DIAMOND, D. W., & DYBVIG, P. H. (1983). BANK RUNS, DEPOSIT INSURANCE, AND LIQUIDITY. JOURNAL OF POLITICAL ECONOMY, 91(3), 401–419.
● GARCÍA, V., MARQUÉS, A. I., & SÁNCHEZ, J. S. (2019). EXPLORING THE SYNERGETIC EFFECTS OF SAMPLE TYPES AND SAMPLING STRATEGIES FOR FINANCIAL DISTRESS PREDICTION. INFORMATION FUSION, 47, 88–101.
● GRICE, J.S., DUGAN, M.T. (2001). THE LIMITATIONS OF BANKRUPTCY PREDICTION MODELS: SOME CAUTIONS FOR THE RESEARCHER. REVIEW OF QUANTITATIVE FINANCE AND ACCOUNTING 17, 151–166.
● HILLEGEIST, S. A., KEATING, E. K., CRAM, D. P., & LUNDSTEDT, K. G. (2004). ASSESSING THE PROBABILITY OF BANKRUPTCY. REVIEW OF ACCOUNTING STUDIES, 9(1), 5–34.
● INTERNATIONAL MONETARY FUND (IMF). (2023). LIBYA: FINANCIAL SECTOR ASSESSMENT. WASHINGTON, DC: IMF.
● KOU, G., YANG, P., PENG, Y., & XIAO, F. (2019). FINANCIAL SYSTEMIC RISK EARLY WARNING OF CHINESE BANKING SYSTEM: AN ENSEMBLE LEARNING APPROACH. PLOS ONE, 14(4), E0215129.
● LIU, F. T., TING, K. M., & ZHOU, Z. H. (2008). ISOLATION FOREST. IN PROCEEDINGS OF THE 2008 IEEE INTERNATIONAL CONFERENCE ON DATA MINING (PP. 413–422). IEEE.
● PLATT, H. D., & PLATT, M. B. (2002). PREDICTING CORPORATE FINANCIAL DISTRESS: REFLECTIONS ON CHOICE-BASED SAMPLE BIAS. JOURNAL OF ECONOMICS AND FINANCE, 26(2), 184–199.
● SHUMWAY, T. (2001). FORECASTING BANKRUPTCY MORE ACCURATELY: A SIMPLE HAZARD MODEL. THE JOURNAL OF BUSINESS, 74(1), 101–124.
● TSAI, C. F., & WU, J. W. (2008). USING NEURAL NETWORK ENSEMBLES FOR BANKRUPTCY PREDICTION AND CREDIT SCORING. EXPERT SYSTEMS WITH APPLICATIONS, 34(4), 2639–2649.
● WHITAKER, R. B. (1999). THE EARLY STAGES OF FINANCIAL DISTRESS. JOURNAL OF ECONOMICS AND FINANCE, 23(2), 123–132.
التنزيلات
منشور
إصدار
القسم
الرخصة
هذا العمل مرخص بموجب Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
