"تطوير نموذج الخسائر الائتمانية المتوقعة وفق معيار IFRS 9باستخدام البيانات الضخمة وخوارزميات الذكاء الاصطناعي التنبؤي لتحسين القياس والإفصاح – دراسة اختبارية على القطاع المصرفي المصري"

تهدف هذه الدراسة إلى معالجة القصور المفاهيمي والتطبيقي في نموذج الخسائر الائتمانية المتوقعة (ECL) المعتمد وفق معيار IFRS 9، من خلال تطوير نموذج محاسبي ذكي يعتمد على خوارزميات الذكاء الاصطناعي التنبئي، وتحليل البيانات السلوكية وغير المهيكلة، بما يُحقق تحسينًا جوهريًا في دقة القياس المحاسبي وشفافية الإفصاح المالي. اعتمد البحث منهجية مزدوجة، تضمنت بناء نموذج نظري تفسيري، وتنفيذه تجريبيًا من خلال استبيان تطبيقي على عينة من الخبراء والممارسين في القطاع المصرفي المصري. أظهرت نتائج الدراسة أن النموذج المقترح يتفوق على النموذج التقليدي في تقدير الخسائر بدقة أعلى، وتقديم إفصاحات معيارية قابلة للتفسير والمراجعة. كما أثبتت اختبارات PLS-SEM وتحليل الحساسية البنيوية أن فعالية النموذج ترتكز على تكامل وحداته التشغيلية، خاصة خوارزميات Explainable AI والبيانات السلوكية. ويوصي الباحث بتبني هذا النموذج تدريجيًا داخل البنوك المصرية، ودعوة الباحثين لتطوير نماذج مشابهة تربط بين الذكاء الاصطناعي والمحاسبة التقديرية والرقابية.
 
This study addresses the conceptual and practical deficiencies of the current Expected Credit Loss (ECL) model adopted under IFRS 9 by developing a smart accounting model that integrates predictive artificial intelligence algorithms and behavioral big data analytics. The proposed model aims to significantly improve both the accuracy of accounting measurement and the transparency of financial disclosure. A dual-method approach was employed, combining a theoretical interpretive framework with an empirical test using a structured questionnaire distributed to a purposive sample of experts and practitioners in the Egyptian banking sector. The findings demonstrate that the proposed model outperforms the conventional model in estimating credit losses more precisely and delivering explainable, standardized disclosures. Structural equation modeling (PLS-SEM) and sensitivity analysis revealed that the model’s effectiveness is driven by the integration of its operational components, particularly Explainable AI and behavioral data inputs. The study recommends a phased adoption of the model across Egyptian banks and encourages further research into AI-driven accounting and regulatory estimation models.