پیش بینی وصول مطالبات غیرجاری از جمله چالش های کلیدی در مدیریت مالی مؤسسات مالی و اعتباری به شمار می آید. این مسأله نه تنها بر پایداری و سلامت مالی بانک ها تأثیرگذار است، بلکه به طور مستقیم بر توانایی آن ها در مدیریت ریسک و تعیین استراتژی های اعتباری مؤثر تأثیر می گذارد. پژوهش حاضر به منظور ارائه مدلی پیش بینی برای تعیین احتمال وصول مطالبات غیرجاری در قراردادهای با بدهی سررسید شده میان 30 تا 90 روز، از روش های مبتنی بر هوش مصنوعی استفاده کرده است. در این تحقیق، الگوریتم های یادگیری ماشین، شامل درخت تصمیم گیری، جنگل تصادفی و تحلیل های شفاف سازی مدل، به ویژه SHAP (SHapley Additive exPlanations)، برای تحلیل داده های مالی و پیش بینی وضعیت وصول مطالبات به کار رفته اند. نتایج تحلیل ها نشان می دهند که مدل های یادگیری ماشین با دقت قابل توجهی قادر به تفکیک و جداسازی قراردادهای خوددرمان شونده از دیگر قراردادها در آینده هستند.یافته ها نشان می دهند مدل های یادگیری ماشین توان بالایی در تفکیک قراردادهای خوددرمان شونده از دیگر موارد دارند. ابزار SHAP نیز در تحلیل ویژگی های مؤثر بر پیش بینی نقش کلیدی ایفا کرده است. این رویکرد می تواند به طور مؤثری در بهبود راهکارهای مدیریت ریسک اعتباری بانک ها به کار گرفته شود.
