مقدمة

من الحقائق العامة أن إدارة المخاطر في الأنظمة المالية، بالإضافة إلى الترتيبات الفعالة والآمنة في سلاسل التوريد، ضرورية لتحقيق الاستقرار. تعتبر الإدارة الحكيمة للمخاطر ضرورة للأنظمة المالية وشغلًا رئيسيًا للمنظمات الدولية ومعظم البنوك المركزية. في حالات سلاسل التوريد، تعد إدارة المخاطر التي تصاحب عولمة سلاسل التوريد أمرًا بالغ الأهمية في الاقتصاد العالمي ولتقليل الخسائر المدمرة. تتراجع الأساليب التقليدية بسبب التعقيد المتزايد للأنظمة المالية الدولية الناتج عن العولمة، والتكنولوجيا المتطورة، والأحداث الفريدة مثل الأزمة المالية العالمية في 2007/2008. من بين العوامل التي أدت إلى استخدام التقنيات التحليلية للبيانات والتعلم الآلي في هذا المجال: أثبت استخدام نماذج المخاطر الثابتة الاستدلالية عدم كفاءتها للتعامل مع البيانات غير الخطية والتحديات الجديدة، وبالتالي الحاجة إلى استكشاف إمكانية اعتماد أساليب متقدمة مثل التعلم الآلي، والتعلم العميق، وتوليفات التنبؤ.

يركز هذا الاستعراض الأدبي على مجالين رئيسيين: وهما إدارة المخاطر المالية، وثانيًا إدارة مخاطر سلاسل التوريد. في السياق الأوسع للتمويل، يبحث في الأساليب الحديثة لقياس المخاطر وتجميعها، مع التركيز على منهجيات التعلم الآلي والتعلم العميق لبناء نماذج تقدير المخاطر بما في ذلك قيمة الخطر (VaR) والعجز المتوقع (ES). تستكشف استراتيجية إدارة مخاطر سلاسل التوريد في التجارة الإلكترونية عبر الحدود (CBEC) القائمة على التمويل بضمان المخزون (IPF) المتعلقة بالتحكم في المخاطر مسألة كيف يحسن الاقتصاد الرقمي إدارة سلسلة التوريد (SCM). يجمع هذا الملخص المراجعي هذه الدراسات ويحدد الموضوعات الرئيسية الناتجة عن البحث في هذه المجالات، والتوافق والخلافات، وأوجه القصور في الأدبيات، والأساليب المستخدمة. يهدف هذا النهج إلى تقديم نظرة عامة شاملة عن الوضع الحالي في هذا المجال ومناقشة التوجهات لدراسات أخرى بناءً على الاتجاهات المدروسة. يتضمن الاستعراض موضوعات حول التقييم التقليدي للمخاطر المالية، واستخدام أساليب التعلم الآلي لإدارة المخاطر، واستخدام تقنيات التوليف لتحديد قيمة الخطر والعجز المتوقع المحسنين، وإدارة المخاطر في سياق التمويل بضمان المخزون القائم على التجارة الإلكترونية عبر الحدود، وأساليب التحكم قبل وبعد القرض، ونماذج اتخاذ القرار لمنصات التجارة الإلكترونية عبر الحدود، والمنهجيات المستخدمة، والإجماع والخلاف، وتوجهات البحث المستقبلية.

إدارة المخاطر المالية

يتطلب اتفاق بازل من الكيانات في الصناعة المالية تقييم والإفصاح عن مقاييس المخاطر بما في ذلك قيمة الخطر والعجز المتوقع. بسبب المشاكل التي ظهرت في السنوات الأخيرة من تطبيقه، خاصة خلال الأزمة المالية في 2007-2008، تم الآن تحويل التركيز من قيمة الخطر إلى العجز المتوقع، جزئيًا كمكمل مهم وكذلك في بعض الحالات كبديل. إن العجز المتوقع، الذي يحدد متوسط الخسارة التي تتجاوز قيمة الخطر، له أهمية كبيرة لكل من مديري المخاطر والجهات التنظيمية، خاصة بالنظر إلى اعتماد بازل III. تتمثل الأساليب العامة لتقدير قيمة الخطر في النهج غير البارامتري، والنهج البارامتري، والنهج شبه البارامتري. تحاكي المحاكاة التاريخية الخسائر والأرباح المحتملة باستخدام التوزيعات التجريبية، بينما تفترض نماذج GARCH توزيعًا مسبقًا. التقنيات شبه البارامترية هي نماذج CAViaR: نموذج القيمة المعرضة للخطر التراجعي الشرطي التلقائي. ومع ذلك، فإن الطرق التقليدية غير دقيقة وغير مستقرة ولا يمكن تعديلها بسهولة للبيانات غير الخطية الضخمة؛ كما أنها لا تعالج التبعيات الزمنية في البيانات بشكل صحيح، مما أدى إلى البحث عن نماذج التعلم الآلي وتطبيقها.

بالمقارنة مع النماذج الثابتة، يقدم التعلم الآلي نهجًا أكثر استقرارًا لتقدير الاعتماد المرن وغير الخطي بين المتغيرات في السلاسل الزمنية المالية. وقد شهد ذلك استخدام أساليب التعلم الآلي، وخاصة التعلم العميق، لتحسين تقديرات قيمة الخطر والعجز المتوقع. يتم تطبيق الانحدار الكمي (QR) في الغالب في هذه الحالة، ويتم تطبيق الكثير من خوارزميات التعلم الآلي، والتي تشمل QRSVM، و QRNN، و QRRF، و QRRNNs، و QRTCN ضمن الانحدار الكمي. ومع ذلك، هناك قيود محددة متأصلة في ممارسات التعلم الآلي التقليدية القائمة على الانحدار الكمي لتقدير العجز المتوقع: لا يمكن استنباط التعلم الآلي بشكل مباشر لأن العجز المتوقع ليس قابلاً للاستنباط. تمت معالجة ذلك في الأبحاث الحديثة التي أظهرت أنه في الواقع، يمكن استنباط كل من قيمة الخطر والعجز المتوقع بشكل مشترك. يعد انحدار التوقع (ER) نوعًا آخر من أساليب التنبؤ الاحتمالي لتوزيعات الخسائر، والتي يمكن تقديرها باستخدام المربعات الصغرى غير المتماثلة لإعطاء التوقعات، والتي تعتبر أكثر إفادة مقارنةً بالكميات من توزيع عائدات الأصول. ومع ذلك، فقد تم نشر أعمال محدودة للغاية حول بنيات التعلم العميق القائمة على انحدار التوقع، مما أدى إلى مزيد من التحقيق. يتم تقييم التنبؤ النقطي بناءً على متوسط العملية من خلال متوسط الخطأ المطلق، في حين يتم تقييم التنبؤ بالكثافة، الذي يهدف إلى توليد التوزيع الكامل للقيم المستقبلية، من خلال درجة الاحتمالية المصنفة المستمرة (CRPS). ومع ذلك، لاستكشاف المخاطر، فإن توزيع الذيل الأيسر لعوائد الأصول هو موضع الاهتمام، وبالتالي يتم استخدام LWCRPS للتقييم. وقد تحقق ذلك عن طريق تحويل التوزيعات الاحتمالية إلى دوال كمية مضلعة (SQF) حيث يمكن التعبير عن تكاملات LWCRPS في شكل مغلق للسماح لنماذج التعلم العميق بإخراج تنبؤات كثافة الذيل الأيسر.

تقتصر نماذج مخاطر التجميع على هياكلها التقليدية، وهي غير مجهزة جيدًا للتعامل مع مجموعات البيانات غير الخطية للغاية. نظرًا لقدرة التعلم، فإن أساليب التعلم الآلي قادرة على اكتشاف أنماط جديدة وتعديل نماذجها الحالية استجابة للبيئة الديناميكية. في حين أنه لا يمكن استنباط العجز المتوقع بشكل مباشر، وهي مشكلة رئيسية للإجراءات الكلاسيكية، فمن الممكن الحصول عليه من خلال دوال التسجيل المشتركة أو تقريب العجز المتوقع كدالة كمية من الخط المضلع. هناك مجال آخر يعتبر مهمًا في تقييم النموذج وهو الاختبار الخلفي والمقياس الرئيسي للدقة. يتم استخدام فحوصات المعايرة، ومقارنة الدرجات الأولية، وتحليل اتخاذ القرار متعدد المعايير للتحقق من موثوقية النماذج المستخدمة في الدراسة. يعتبر تقاطع النماذج المختلفة مفيدًا أيضًا لأن استخدام عوامل مختلفة وتجنب الاعتماد على نموذج معين يكون أكثر فاعلية. ومع ذلك، يصبح التجهيز الزائد مصدر قلق كبير إذا كانت هناك نماذج عديدة، وفي هذه الحالة يتم استخدام التنظيم.

تشمل أسئلة البحث الرئيسية في هذا المجال ما يلي: كان عزل المخاطر وتحديدها بدقة دائمًا مسألة تخمين، فإلى أي مدى يمكن لتطبيق أساليب التعلم الآلي أن يعزز دقة قياس تقديرات قياس المخاطر؟ هل مجموعة النماذج أكثر استصوابًا في توليفات التنبؤ من النماذج الفردية؟ هل يعزز اختيار عوامل الانكماش دقة توليفات التنبؤ؟ تتمثل أصالة الورقة في تقديم طريقة لتقدير العجز المتوقع من خلال التعلم الآلي القائم على الانحدار الكمي، وإنشاء هياكل تعلم عميق قائمة على انحدار التوقع للتوقعات الشرطية، واستخدام LWCRPS وSQF لتنبؤات كثافة الذيل الأيسر، واقتراح نهج توليف التنبؤ القائم على التنظيم.

إدارة مخاطر سلسلة التوريد

ظهرت التجارة الإلكترونية عبر الحدود بشكل أكثر قوة في عصر الإنترنت جنبًا إلى جنب مع العولمة، وكانت جانبًا متناميًا من التجارة الدولية. لقد هاجرت معظم المنظمات التقليدية إلى منصات التجارة الإلكترونية عبر الحدود. أصبحت التجارة الإلكترونية عبر الحدود ممكنة بفضل تطور سلسلة التوريد عبر الحدود، خاصة في حلول الخدمات اللوجستية للمستودعات الخارجية التي توفر تسليمًا سريعًا وسياسة إرجاع مريحة ولكنها تنطوي على تكاليف عالية لمراقبة المخزون. نظرًا لأنهم يشاركون فقط في النشاط التجاري ولديهم أصول ثابتة قليلة جدًا، فإنهم يواجهون صعوبات في الحصول على قروض من البنوك؛ مشاكل مالية. تحتوي منصات التجارة الإلكترونية عبر الحدود الآن على منتجات تمويل سلسلة التوريد مثل التمويل بضمان المخزون حيث يحصل مصدرو السلع على الائتمان من خلال رهن البضائع المخزنة في الخارج. على الرغم من أنه يمكّن منصات التجارة الإلكترونية عبر الحدود من تجديد المخزونات، إلا أنها تصبح أكثر عرضة للخطر لأن الرهونات الخارجية والسداد المتضمن في هذه العملية محاطة بمخاطر المعلومات وكذلك مخاطر أسعار الصرف.

تظهر مخاطر الائتمان والسوق عندما تقدم منصات التجارة الإلكترونية عبر الحدود خدمات التمويل بضمان المخزون لعملائها. يشير خطر الائتمان إلى حقيقة أن المصدرين قد يكونون في وضع يسمح لهم بالفشل في سداد القروض على أساس فشل المعلومات. تنسب مخاطر السوق إلى عدم اليقين الذي يتم من خلاله بيع البضائع المرهونة في الأسواق الأجنبية. تتمثل الطريقة التقليدية للسيطرة على مخاطر التمويل بضمان المخزون في تحديد معدل الرهن (PR) – النسبة بين مبلغ القرض المخصص وقيمة الضمان المرهون. يساعد الاقتصاد الرقمي أيضًا منصات التجارة الإلكترونية عبر الحدود في تطبيق تكنولوجيا البيانات الضخمة في التحكم في المخاطر بعد القرض للإشراف على الائتمان ومبيعات المنتجات لتقليل مخاطر الائتمان والسوق للمبيعات. يتمثل التحكم في المخاطر قبل منح القرض في تحديد معدل الرهن مع الأخذ في الاعتبار كمية وسعر الرهن، وسعر الصرف، بالإضافة إلى ائتمان المصدر. الإشراف على الائتمان هو المراحل التالية للتحكم في المخاطر بعد القرض والتي يتبعها الإشراف على أنشطة المصدر باستخدام البيانات الضخمة، والمساعدة في مبيعات المنتجات باستخدام التقنيات عبر الإنترنت مثل تحسين محركات البحث.

يهدف العمل إلى تحديد قضايا التحكم في المخاطر للتمويل بضمان المخزون القائم على التجارة الإلكترونية عبر الحدود، والتحقيق في التدابير المنصوص عليها في فترات ما قبل وما بعد القرض. باستخدام نماذج اتخاذ القرار الخاصة بـ "التحكم فقط في مخاطر ما قبل القرض" و "التحكم المشترك في مخاطر ما قبل وما بعد القرض"، فإنها تقيم مساهمة الاقتصاد الرقمي في التحكم في مخاطر القروض. كما أنها تبحث في استراتيجيات إدارة مخاطر الائتمان والسوق الأخرى في مرحلة ما بعد القرض لكل إخضاع لتكلفة ومستوى متساو من التحكم في المخاطر. تشمل أسئلة البحث الرئيسية ما يلي: هل من الممكن للدائن الحصول على المزيد من الفوائد من "التحكم المشترك في مخاطر ما قبل وما بعد القرض" أكثر من الحصول على "التحكم فقط في مخاطر ما قبل القرض"؟ وأي التحكم في المخاطر بعد القرض أفضل إذا كانت التكلفة متساوية؟ يتم تقديم سيناريوهات النموذج في "التحكم فقط في مخاطر ما قبل القرض" عندما تستخدم منصة التجارة الإلكترونية عبر الحدود فقط معدل الرهن و "التحكم في كل من مخاطر ما قبل وما بعد القرض" عندما تشتمل منصة التجارة الإلكترونية عبر الحدود على كل من معدل الرهن وتدابير ما بعد القرض. يتم اشتقاق نماذج القرار بمساعدة تقنيات التحسين وتشمل مقاييس معدل الرهن والتحكم في ما بعد القرض. وقد ثبت أن هذا يعزز إدارة المخاطر بشكل أفضل ويعزز اقتصاديات المنصة مقارنة بالنهج التقليدي. في حين أن معالجة التحكم قبل وبعد إنشاء الائتمان، والتي يُقترح أنها التحكم المثالي لمنصات التجارة الإلكترونية عبر الحدود، فإنه يوصى باستخدام التحكم في مخاطر السوق عندما يكون أرخص والميزانية محدودة؛ وإلا يجب إعطاء الأولوية للتحكم في مخاطر الائتمان.

المنهجيات المستخدمة

تتضمن هذه المنهجيات استخدام خوارزميات مثل التعلم الآلي والنمذجة الإحصائية وتقنيات التحسين وتكوين الخوارزميات الرياضية. التعلم الآلي لإدارة المخاطر هو استخدام أشجار القرار لإنشاء هياكل تعلم عميق لمقاييس المخاطر. تقوم نماذج التعلم العميق القائمة على انحدار التوقع (ER) برسم التوقعات الشرطية وأيضًا إنشاء قيمة الخطر والعجز المتوقع. تقوم نماذج التعلم العميق المستندة إلى LWCRPS بتقدير كثافات الذيل الأيسر مباشرة، ويظهر ما سبق أن هذه النماذج قادرة على إيجاد انحرافات ذات مغزى في الذيل الأيسر لكلا المتغيرين مع فترات تدريب واختبار قصيرة نسبيًا. تعتمد نماذج التعلم الآلي في تحديد العجز المتوقع على الانحدار الكمي من الانحدار الكمي ونهج تسجيل مشترك من حيث توزيع لابلاس غير المتماثل. لتقدير قيمة الخطر والعجز المتوقع، تطبق الدراسة تقنيات التنظيم التالية على إطار عمل جديد للتوليف. يتكون المتنبئون المستخدمون في التعلم الآلي من فترة الاحتفاظ بالأصول، والتنبؤ بتقلب الخطوة الواحدة، والعوائد المتأخرة.

تتكون النمذجة الإحصائية والاقتصادية القياسية من نماذج المخاطر المعتادة مثل المحاكاة التاريخية ونماذج GARCH ونماذج CAViaR. يتم استخدام دوال التسجيل المشتركة لأن درجات Fissler & Ziegel (FZ) وبالتالي تركيزنا عليها، يمكن استخدامها نظرًا لأنه يمكن استنباط قيمة الخطر والعجز المتوقع بشكل مشترك. يتم تطبيق انحدار التوقع من أجل تحديد العلاقة بين التوقعات الشرطية والميزات على أنها منحنية. ترتبط تقنيات التحسين بتقليل دالة الخسارة. وتجدر الإشارة إلى أن تقنيات التدريب النموذجية، التي تتضمن تقليل دوال الخسارة، تشمل الخسارة الكمية (QL)، واللوغاريتم الاحتمالي غير المتماثل لـ لابلاس و LWCRPS. يتم استكشافها أيضًا في إطار عمل توليف التنبؤ، حيث تكون التقنيات المضمنة هي انحدارات LASSO و Ridge. يتم استخدام التعلم التمييزي لتحسين أوزان النموذج والغرض من طريقة LWCRPS هو SQF.

تتضمن الأطر النظرية تحديد خسارة التدريب لشبكات التعلم العميق لبنى التعلم العميق، وتحديد العلاقات الوظيفية بين التوقعات ومقاييس المخاطر، وتحديد الحلول ذات الشكل المغلق لتكاملات LWCRPS، وإعادة تعريف الصياغة الرياضية لقيمة الخطر والعجز المتوقع باستخدام منحنيات SQF. يتكون تقييم التصميم من أطر عمل الاختبار الخلفي عن طريق اختبارات المعايرة، ودوال التسجيل المشتركة، وتحليل اتخاذ القرار متعدد المعايير PROMETHEE II. فيما يتعلق بتوزيع مهارات معينة، يتم التقاط درجات المهارة بناءً على الخسارة الكمية ودرجات FZ المشتركة. تتم مقارنة أداء الأساليب المختلفة مقابل المحاكاة التاريخية وتمت معايرة النماذج باستخدام بيانات مؤشر الأسهم لـ DAX30 وFTSE100 وS&P500 وتقسيم البيانات بنسبة 75% للتدريب و25% للاختبار.

توظف نمذجة التمويل بضمان المخزون القائم على التجارة الإلكترونية عبر الحدود نماذج القرار لمنصات التجارة الإلكترونية عبر الحدود في إطار التحكم فقط في مخاطر ما قبل القرض والتحكم المشترك في مخاطر ما قبل وما بعد القرض. يتم استخدام تقنيات التحسين لتقدير معدلات الرهن ودرجة إدارة مخاطر الائتمان بعد القرض. بالمقارنة مع طريقة التقييم التقليدية، يتم إجراء تحليل نوعي وكمي لقياس دور الاقتصاد الرقمي في إدارة مخاطر القروض ويتم استخلاص الاستنتاجات النظرية بناءً على المحاكاة العددية.

مجالات التوليف والخلاف والاستيعاب

تتفق معلومات المصدرين مع إدارة المخاطر، وعيوب النماذج التقليدية، ودور البيانات الضخمة. يتم مشاركة هذا الرأي في أهمية قيمة الخطر والعجز المتوقع، واحتمالية توليف التنبؤ، وأهمية التحكم في المخاطر بعد القرض، ودور الاقتصاد الرقمي. يتفق الاثنان بشكل ملحوظ فيما يتعلق بالمفاضلات بين تدابير التحكم في المخاطر قبل وبعد القرض. لكن قضايا مثل أساليب التعلم الآلي الأفضل، وكيفية دمجها، ومقدار الأنواع المختلفة من المخاطر التي يجب السماح بها هي قضايا خلافية إلى حد ما. تتضمن بعض الفراغات المتوقعة عدم وجود اختبار خلفي فعال للطرق، وعدم وجود أساليب إبداعية لبناء هياكل التعلم الآلي، وغياب الدراسات متعددة الأوجه لتطبيق التقنيات الرقمية في مشاهد محددة لسلسلة التوريد.

التطور في هذا المجال

ينتقل هذا المجال من مجال بسيط من النماذج الثابتة مع التعلم الآلي في إدارة المخاطر، ومزيد من التطور في مقاييس المخاطر، وإدارة المخاطر بعد القرض في تمويل سلسلة التوريد، والاقتصاد الرقمي والبيانات الضخمة، والتأكيد على التطبيق العملي والتنظيم، وتقييم النماذج وتوليفها. من الواضح وجود تحول في النماذج مع مزيد من الأهمية لتقنيات التعلم الآلي والهياكل المتطورة للتعلم العميق مثل الانحدار الكمي وانحدار التوقع. يوجد الآن اقتراح نحو إدارة المخاطر بعد القرض في تمويل سلسلة التوريد خاصة فيما يتعلق بالتجارة الإلكترونية عبر الحدود والاقتصاد الرقمي سريع النمو.

رؤى نقدية

 تشير الرؤى النقدية إلى وجود نقص في الابتكار للتغلب على قيود هذه النماذج وأنها تتطلب التعلم الآلي. يوفر التعلم الآلي مقاييس مخاطر أفضل وفي الوقت المناسب، ويعزز توليف التنبؤات التنبؤ بالمخاطر. تعد إدارة المخاطر بعد الإقراض أمرًا بالغ الأهمية لخط تمويل سلسلة التوريد. تعتبر التكنولوجيا أمرًا أساسيًا للأشكال الجديدة لإدارة المخاطر التي يجب أن تتناسب مع الهياكل الحالية للتنظيم والتطبيقات الفعلية. هناك دائمًا حلول وسط بين استراتيجيات إدارة ما قبل وما بعد القرض، وبين مخاطر الائتمان والسوق.

الخلاصة

تظهر المصادر أن هناك أساليب تعلم آلي جديدة لتقدير قيمة الخطر والعجز المتوقع، وأن توليفات التنبؤ يتم تعزيزها من خلال أساليب التنظيم، وأن منصات التجارة الإلكترونية عبر الحدود المدعومة بالاقتصاد الرقمي يمكنها تنفيذ إدارة المخاطر بعد القرض في التمويل بضمان المخزون القائم على التجارة الإلكترونية عبر الحدود. وقد أدى ذلك إلى تعزيز التنبؤ بالمخاطر بشكل كبير من خلال إدخال التعلم الآلي والتعلم العميق. يعد توليف التنبؤات أمرًا حيويًا، خاصة مع إجراءات الاختيار والتقليص لتحسين التنبؤات التي يتم إجراؤها. يعتبر التحكم المستدام في المخاطر بعد القرض المدعوم بالأدوات الرقمية جانبًا حيويًا من التمويل الحديث لسلسلة التوريد. وبالتالي، تتم أيضًا مناقشة القيود وتوجهات البحث المستقبلية، والتي تسلط الضوء على اتجاهات البحث المستقبلية مثل التمويل متعدد الفترات أو متعدد المنتجات. تدعم كلتا الورقتين الفرضية، المستمدة من قيود تمويل سلسلة التوريد الموسع والأساليب التقليدية لإدارة المخاطر المالية، بأن مجالات تمويل سلسلة التوريد وإدارة المخاطر المالية تنمو بسرعة بسبب التعلم الآلي والتقنيات الرقمية والبيانات الضخمة.

References

• Leng, A., Sun, M., & Shi, J. (2025). Risk control strategies for inventory pledge financing on cross-border e-commerce platforms empowered by the digital economy. Omega, 133, 103251. https://doi.org/10.1016/j.omega.2024.103251
• Wang, S., Wang, Q., Lu, H., Zhang, D., Xing, Q., & Wang, J. (2025). Probabilistic deep learning and forecast combination for financial risk management. Omega, 133, 103249. https://doi.org/10.1016/j.omega.2024.103249

 لدراسة ادارة المشاريع مع خبير ادارة المشاريع د. احمد السنوسي من هذا الرابط من هنا