论文标题：Credit Risk Assessment and Financial Decision Support Using Explainable Artificial Intelligence

论文链接：http://www.mdpi.com/2227-9091/12/10/164

期刊名： Risks

期刊主页：https://www.mdpi.com/journal/risks

一、引言

传统机器学习信用评分模型预测精度更高，但属于黑盒模型，无法向银行、监管机构、借款人解释授信决策逻辑，难以满足金融监管对算法可解释性、可问责性的硬性要求（如 GDPR）。现有文献大多单独研究模型预测或单独研究 XAI 解释工具，较少构建一套同时支持分类、回归、全局 + 局部解释的一体化信用风险决策框架。

本文的核心目标：构建一套融合可解释人工智能（XAI）的信用风险评估系统，在维持高预测性能的前提下，输出可理解的风险归因结论，为信贷业务提供金融决策支撑；研究同时覆盖贷款审批通过 / 拒绝两类场景的解释方案。

二、材料与方法

1. 数据集：使用两组真实信贷数据集。小样本集：1125 条样本，13 个特征；大样本集：32581 条样本，12 个借款人相关特征（收入、房屋权属、贷款利率、历史违约记录、信贷历史长度等），存在缺失值与类别不平衡（违约样本为少数类）。

预处理：缺失值均值填充，采用随机过采样解决类别不平衡问题，将正负样本调整至接近 1:1，防止模型忽视少数违约样本。

2.基础预测模型：选用决策树（Decision Tree）、随机森林（Random Forest）两类树模型；对比基准为逻辑回归、线性判别分析 LDA 等传统统计评分模型。

3. 可解释 AI 工具：

LIME：对单个预测结果进行局部解释，区分各特征对高/低风险预测的正负贡献；

SHAP（Shapley 值）：同时支持全局 + 局部归因；

通过结合局部解释与全局解释，研究既考察具体贷款申请的预测依据，也分析整个模型中各特征的重要性。

4. 整体系统架构：输入客户信贷资料→数据预处理→决策树 / 随机森林预测→LIME 局部解释 + SHAP 全局解释→输出风险结论与归因，支撑信贷审批决策。

三、分析与结果

1.模型预测效果：决策树准确率 0.90；随机森林表现最优，准确率 0.94。树模型可以捕捉变量间非线性关联，整体性能优于逻辑回归、LDA 等传统线性模型；在大小两组数据集上测试，模型性能保持稳定，剪枝与装袋方法有效缓解过拟合与偏差。

2.XAI 解释结果

•LIME：针对单笔贷款样本，区分各特征对高 / 低风险预测的正负贡献；

•SHAP 全局解释：量化全部特征整体重要性，识别核心驱动变量；依赖图展示特征之间的交互关系；决策图直观展示特征阈值如何决定风险分类；

•应用价值：模型不仅能判断是否违约，还能向业务人员解释：哪些指标推高违约风险、哪些指标降低风险；借款人也能看到需要优化哪些指标，提升自身信用资质。

3.对比结论：传统线性模型假设变量线性关系，无法捕捉复杂非线性模式；而本文框架兼顾高预测精度与透明度，满足监管对信贷算法可解释的要求。

挑战：

1.计算复杂性：SHAP、LIME 计算复杂度相对较高，在实时信贷审批场景，推理耗时会成为瓶颈，无法实现快速决策；

2.任务局限：本文仅采用二分类（违约 / 不违约），无法刻画多等级、精细化的信用风险分层；

3.数据与特征边界：仅使用基础借款人微观特征，未纳入宏观经济、社会经济指标；

4.隐私安全矛盾：XAI 会披露特征归因细节，存在客户敏感信息泄露风险；解释性输出和用户隐私保护存在冲突。

四、讨论

实证结果证明，随机森林搭配 LIME 与 SHAP 的 XAI 框架，可在不牺牲预测精度的前提下，为信贷决策提供全局与局部两层解释。SHAP 负责全局特征贡献解析，LIME 负责单笔申请个案解释，二者互补，解决黑盒模型决策不可溯源的痛点。 传统线性模型可解释但拟合能力弱；复杂集成模型预测强但不可解释，本文框架有效缓解 “预测精度 - 可解释性” 经典权衡。

五、结论与展望

本文搭建一套基于决策树、随机森林，结合 LIME 与 SHAP 的可解释信用风险评估框架。随机森林取得最高 0.94 的预测准确率，XAI 技术能够对模型分类、回归结果进行全局和局部归因。这套系统可辅助银行信贷审批，满足监管透明度要求，降低机构的合规风险；同时向申请人解释授信理由，帮助客户优化自身信用状况。但该方案仍面临计算复杂度、数据隐私、信息安全等现实落地障碍。

后续研究可以重点关注以下几点：提升解释效率，降低解释方法的计算成本，使其更适用于实时信贷决策；增强模型适应性，在更多数据集、金融机构和借贷场景中开展验证，评估模型的泛化能力；强化隐私与安全保护；拓展技术融合研究，探索可解释人工智能与区块链及其他新兴数字技术的结合，同时审慎评估其实际可行性；以及完善金融风险治理，将可解释性、模型验证、公平性和责任追溯纳入信用风险管理流程。

总之，这篇论文的核心是通过决策树、随机森林与 LIME、SHAP 的结合，尝试解决信用风险预测中的“模型预测准确，但决策依据不够透明”这一问题。它的主要价值在于为贷款审批提供可解释的决策支持；其进一步落地仍需要兼顾解释可靠性、客户隐私、计算效率与模型治理。

Nallakaruppan, M.K.; Chaturvedi, H.; Grover, V.; Balusamy, B.; Jaraut, P.; Bahadur, J.; Meena, V.P.; Hameed, I.A. Credit Risk Assessment and Financial Decision Support Using Explainable Artificial Intelligence. Risks 2024, 12, 164. https://doi.org/10.3390/risks12100164

期刊介绍

主编：Steven Haberman教授，英国伦敦大学，城市圣乔治学院

期刊专注于发表和传播保险和金融风险管理领域的文章。目前已被Scopus、ESCI (Web of Science)、EconLit, EconBiz, RePEc等数据库收录。

2025 Impact Factor: 1.8

2025 CiteScore: 4.5

Time to First Decision: 21.8 Days

Acceptance to Publication: 7.6 Days