المؤشر المركب(S-SCORE) كأداة لتقييم الأداء المالي للمصرف التجاري العراقي(TPI) باستخدام الذكاء الاصطناعي
Abstract
يهدف هذا البحث إلى تحليل الأداء المالي لمصرف(TPI) – المصرف العراقي للتجارة – والتنبؤ به خلال المدة (2015–2024) بالاعتماد على المؤشر المركب(S-SCORE) وتقنيات الذكاء الاصطناعي، الذي يمثل أهمية البحث في كونه يسعى إلى توظيف الأساليب الكمية الحديثة في تقييم الكفاءة المالية للمصارف العراقية، وتطوير نموذج تنبؤي هجين يجمع بين الدقة الإحصائية والمرونة التكيفية لخوارزميات التعلم الآلي.
اعتمدت الدراسة منهجاً كمياً تجريبياً يقوم على تحليل ستة مؤشرات مالية فرعية هي: كفاية رأس المال (CAR)، والسيولة (LAR)، والكفاءة التشغيلية (CIR)، وجودة الأصول (NPL)، والعائد على الأصول (EAR)، ورأس المال العامل (CA)، لتكوين المؤشر المركب (S-SCORE)، ثم إدخال نتائجه في نموذج الشبكات العصبية الاصطناعية للتنبؤ بمستويات الأداء المالي المستقبلية للمصرف.
أظهرت النتائج أن الدمج بين نموذج S-SCORE وخوارزميات الذكاء الاصطناعي أدى إلى تحسين دقة التنبؤ بالأداء المالي مقارنة باستخدام المؤشر المركب منفرداً، كما بين التحليل الزمني للمؤشرات أن مصرف(TPI) يتمتع بمستوى جيد من الاستقرار المالي خلال المدة المدروسة، رغم تعرضه لتذبذبات ناتجة عن تغيرات بيئية واقتصادية، وأثبتت الدراسة أن متغيري كفاية رأس المال والعائد على الأصول كانا الأكثر تأثيراً في رفع مستوى الأداء المالي الكلي، في حين شكّل ارتفاع القروض المتعثّرة وتزايد المصروفات التشغيلية عوامل ضغط على كفاءة الأداء. توصي الدراسة بتبنّي المؤشر المركب(S-SCORE) كأداة معيارية رئيسة في نظم الرقابة الداخلية للمصارف العراقية، ودمجه ضمن نظم المعلومات الذكية لتعزيز قدرات التنبؤ واتخاذ القرار المالي الاستراتيجي.
Downloads
References
1- عبد الهادي، ناصر. (2021). التحليل المالي المتقدم في المصارف التجارية. بغداد: دار البحوث الجامعية.
2- عبد الرحمن، كمال. (2023). إدارة المخاطر الائتمانية في المصارف الإسلامية والعراقية. البصرة: دار النهضة العربية
1. Altman, E. I. (2017). Corporate Financial Distress and Bankruptcy: Predict and Avoid Bankruptcy, Analyze and Invest in Distressed Debt (3rd ed.). John Wiley & Sons.
2. Brigham, E. F., & Ehrhardt, M. C. (2017). Financial Management: Theory & Practice (15th ed.). Cengage Learning.
3. Gitman, L. J., & Zutter, C. J. (2020). Principles of Managerial Finance (15th ed.). Pearson.
4. Haykin, S. (2009). Neural Networks and Learning Machines (3rd ed.). Pearson.
5. Ross, S. A., Westerfield, R. W., & Jordan, B. D. (2019). Fundamentals of Corporate Finance (13th ed.). McGraw-Hill Education.
6. Alshater, M. M., Al-Faryan, M. A., & Alhabshi, S. M. (2023). Hybrid Predictive Models for Financial Performance Using AI and S-Score Frameworks. Journal of Intelligent Systems in Accounting, Finance and Management, 30(2), 150–162.
7. Alaameri, A., & Faihan, M. (2022). Evaluating Banking Stability Using Composite Financial Indicators: Evidence from Emerging Economies. International Journal of Banking and Finance, 45(3), 287–299.
8. Gumel, B. I. (2023). Operational Efficiency and Cost-to-Income Ratio Analysis in Commercial Banks. African Journal of Finance and Management, 17(1), 25–39.
9. Hauser, P. (2020). Credit Risk Management and Non-Performing Loans in Developing Banking Systems. Journal of Financial Regulation and Compliance, 28(1), 60–75.
10. Kliestik, T., Misankova, M., & Valaskova, K. (2018). Capital Adequacy and Financial Stability of Banking Sector. Journal of Economics and Management, 31(2), 85–98.
11. Nguyen, T. H. (2020). Revisiting the S-SCORE Model for Financial Stability Evaluation. Asian Economic and Financial Review, 10(2), 150–165.
12. Rabbani, M. R., & Ali, M. (2021). Artificial Neural Networks in Banking Risk Prediction: A Modern Approach. International Journal of Finance and Economics, 26(3), 430–442.
13. Sachs, J. (2016). Sustainable Finance and Global Economic Development. Global Policy Journal, 7(1), 40–55.
14. Tran, Q. T., & Nguyen, L. P. (2020). A Composite S-SCORE for Predicting Bank Performance. International Review of Financial Analysis, 71, 151–164.
15. Zhou, Y., Li, H., & Zhang, W. (2020). Neural Network Approaches for Predicting Financial Distress in Banks. Expert Systems with Applications, 160, 68–77.
16. Zorić, J., & Milićević, V. (2022). S-SCORE Model Adaptation for Emerging Markets. International Journal of Financial Studies, 10(1), 1–12.
17. Basel Committee on Banking Supervision. (2011). Basel III: A Global Regulatory Framework for More Resilient Banks and Banking Systems. Bank for International Settlements.
18. Basel Committee on Banking Supervision. (2019). Revisions to the Basel III Leverage Ratio Framework. BIS Publications.
19. OECD. (2020). Banking Sector Resilience in Emerging Economies: Policy Perspectives. Paris: Organisation for Economic Co-operation and Development.
20. World Bank. (2021). Iraq Economic Monitor: Banking Sector Reform and Stability. Washington, D.C.: The World Bank.
Published
Deprecated: Return type of Carbon\Traits\Date::createFromTimestamp($timestamp, $tz = null) should either be compatible with DateTime::createFromTimestamp(int|float $timestamp): static, or the #[\ReturnTypeWillChange] attribute should be used to temporarily suppress the notice in /home/iqserver/journals/kjeas.uowasit.edu.iq/lib/pkp/lib/vendor/nesbot/carbon/src/Carbon/Traits/Timestamp.php on line 29
2026-07-09
