ساهم اثنين من أعضاء هيئة التدريس فى قسم التمويل والمصارف بكلية الاقتصاد في جامعة بنغازي فى نشر ورقه علميه بقاعده بيانات سكوبس Q1
حيث ساهمت الدكتوره اسماء الزوى والدكتور هانى رحومه من قسم التمويل والمصارف فى جامعه بنغازى فى نشر ورقه علميه بمجله اداره المخاطر والتمويل المصنفه Q1 بقاعده بيانات سكوبس حيث تناولت المقاله موضوع تقييم الاصول المرجحه بالمخاطر فى البنوك الاسلاميه باستخدام نماذج التكنولوجيا الماليه
حيث كان عنوان المقاله
Evaluation of Total Risk-Weighted Assets in Islamic Banking through Fintech Innovations
ونشرت المقاله فى مجله
Journal of Risk and financial management
.j. Risk Financial Manag. 2024, 17(7), 288; https://doi.org/10.3390/jrfm17070288
Scopus: Q1
https://www.mdpi.com/1911-8074/17/7/288
حيث بينت الدراسه بإن تقييم إجمالي الأصول المرجحة بالمخاطر في القطاع المصرفي له أهمية قصوى. فهو بمثابة عنصر أساسي للامتثال التنظيمي وإدارة المخاطر وكفاية رأس المال. ومن خلال تقييم إجمالي الأصول المرجحة بالمخاطر بدقة، يمكن للبنوك تلبية المتطلبات التنظيمية بشكل فعال وتخصيص موارد رأس المال بكفاءة وإدارة المخاطر بشكل استباقي. وعلاوة على ذلك، فإن التقييم الدقيق لإجمالي الأصول المرجحة بالمخاطر يدعم تقييم الأداء ويعزز ثقة المستثمرين في الاستقرار المالي للبنوك. تقدم هذه الدراسة تحليلات إحصائية وطرق التعلم الآلي لتحديد العوامل المؤثرة على إجمالي الأصول المرجحة بالمخاطر. وقد تم استخدام بيانات من البحرين والأردن وقطر والإمارات العربية المتحدة واليمن، تمتد من عام 2010 إلى عام 2021. وأُجريت اختبارات ونماذج إحصائية مختلفة، بما في ذلك المربعات الصغرى العادية والتأثير الثابت والتأثير العشوائي والارتباط وعامل التضخم المتباين واختبارات التسامح ونماذج التكنولوجيا المالية. أشارت النتائج إلى تأثيرات كبيرة لمعدل البطالة ومعدل التضخم واللوغاريتم الطبيعي لنسبة القروض إلى الأصول واللوغاريتم الطبيعي لإجمالي الأصول على LTRWAs في نماذج الانحدار. تم تقسيم مجموعة البيانات إلى مجموعة تدريب (90٪ من البيانات) ومجموعة اختبار (10٪ من البيانات) لتقييم القدرات التنبؤية لمختلف نماذج التكنولوجيا المالية، بما في ذلك نظام الاستدلال الضبابي القائم على الشبكة التكيفية (ANFIS)، ونظام الاستدلال الضبابي العصبي الهجين (HyFIS)، ونظام ضبابي مع نماذج الانحدار التدرجي الاستدلالي (FS.HGD)، وقواعد الاستدلال الضبابي مع نماذج طريقة الانحدار (FIR.DM). يعتمد اختيار النموذج الأمثل على تقييم أدائه وفقًا لمعايير خطأ محددة. تفوق نموذج HyFIS على النماذج الأخرى ذات الأخطاء الأقل في التنبؤ بـ LTRWAs. أكدت اختبارات t المستقلة وجود فروق ذات دلالة إحصائية بين LTRWA الأصلية والمتوقعة لجميع النماذج، حيث أظهر HyFIS تنبؤات أقرب. تقدم هذه الدراسة رؤى قيمة حول التنبؤ باستخدام تقنيات التعلم الآلي والإحصائية المتقدمة، استنادًا إلى مجموعة بيانات من بلدان متعددة وسنوات عديدة.
