حين أصبح كشف الحساب سيرة ذاتية

في يونيو 2025، نشر مختبر الأبحاث المالية FinRegLab دراسة عن نحو 38 ألف قرض تجاري صغير أنشأها مقرضان تقنيان في الولايات المتحدة بين أغسطس 2015 ومايو 2024. لم يكن سؤال الباحثين إن كان صاحب المشروع رجلًا صالحًا أو صاحب حلم لامع، بل سؤالًا أشد تواضعًا وأهمية: إذا كان تاريخ الشخص الائتماني لا يقول كل شيء عن عمله، فماذا تقول حركة الحساب البنكي؟ في العينة كانت زيادة رصيد الحساب بمقدار انحراف معياري واحد، يعادل نحو 64 ألف دولار، مرتبطة بانخفاض احتمال التعثر بأكثر من نقطتين مئويتين لدى الشركات التي يقل عمرها عن خمس سنوات، مقابل قرابة نقطة مئوية واحدة لدى الشركات الأقدم. ليست هذه معادلة تمنح كل صاحب رصيد أكبر قرضًا، ولا برهانًا على أن رفع الأرصدة يمنع التعثر. إنها نتيجة ارتباط إحصائي مشروط بخصائص القروض وأصحابها. لكن أهميتها في مكان آخر: المعلومة نفسها كانت أكثر إفادة حين كان تاريخ المشروع أقصر.1

كأن التقرير كشف عيبًا قديمًا في مفهوم «الخبرة» الذي حملته المصارف إلى آلاتها. المشروع الجديد يطلب قرضًا ليكبر، فيُسأل عن سنوات عمله. وصاحبه يطلب أن يُقاس نجاح عمله، فيُستدعى تاريخ اقتراضه الشخصي. لا أحد يتعمد المفارقة بالضرورة. فالتاريخ الشخصي يحمل معلومة حقيقية عن سلوك السداد، وعمر المنشأة ينذر بمخاطر نجاة المشروع. المشكلة أن المؤشر الذي يفيد في المتوسط قد يخطئ في وصف الشخص الواقف أمامه. حين يعرف المصرف قليلًا عن الشركة الجديدة، يستخدم ما يعرفه عن صاحبها. وهكذا قد تتحول ندرة المعلومات عن المشروع إلى حكم سلبي على المشروع نفسه.

تقدم ورقة بحثية أخرى، أصدرها المكتب القومي الأميركي للبحوث الاقتصادية NBER في يناير 2025 ونُقحت في يونيو 2026، اختبارًا أكثر قربًا من صلب المسألة. عنوانها «تحديث الوصول إلى الائتمان لرواد الأعمال الأصغر سنًا: من FICO إلى التدفقات النقدية». يخلص مؤلفوها، في تحليل سببي ضمن بيئة الدراسة، إلى أن طلبات أصحاب المشروعات الأصغر سنًا نالت احتمالات موافقة أعلى عندما أدخل المقرض معلومات التدفقات النقدية لحساب النشاط الجاري في التقييم. وتتركز الاستفادة بين أصحاب الدرجات الائتمانية الشخصية المنخفضة والأصغر عمرًا، ولا يفسرها مجرد تساهل المقرض وارتفاع استعداده للمخاطرة. تلك صياغة أضيق وأهم من عنوان صحفي يقول إن «الذكاء الاصطناعي يمنح الجميع قروضًا أكثر». نتائج تجربة أو بيئة إقراض محددة ليست ترخيصًا لتوقع النتيجة في كل بنك وبلد وقطاع.2

لماذا يخسر رائد أعمال شاب أمام ملفه؟ لنتخيل شخصًا لا ننسبه إلى دراسة ولا نزعم أنه عميل حقيقي: بدأ ورشة تصميم صناعي منذ ثلاثة أعوام. يتلقى في الشهر الأول دفعة مقدمة عن مشروع، ويصرف في الثاني على المواد والمقاولين، ثم يسدد العميل في الرابع بقية العقد. قد يكون صافي دخله السنوي موجبًا وهامشه جيدًا، لكن عرضه على جدول «متوسط الراتب الشهري» سيشبه قراءة نبض عدّاء بعد كل خطوة، ثم الاستنتاج أنه لا يمتلك قلبًا منتظمًا. ما يتأخر ليس كل مرة دليلًا على العجز؛ قد يكون الزمن جزءًا من طريقة إنتاج الإيراد. ومع ذلك قد يكون التأخر نفسه علامة خطر في مشروع آخر. التشابه الحسابي لا يحسم اختلاف السبب.

هنا يبرز الفرق بين ثلاثة أشياء يخلطها خطاب التقنية: حجم المال، وتوقيت وصوله، والقدرة على تخصيصه للسداد. حركة إيداع بقيمة مئة ألف ريال قد تكون مبيعات لا ربحًا، ودفعة عميل لا إيرادًا مكتسبًا بالكامل، وتحويلًا من حساب آخر لصاحبه لا نشاطًا تجاريًا جديدًا. والرصيد المرتفع قبل موعد الأجور والضرائب والموردين قد يكون رصيدًا عابرًا لا احتياطيًا متاحًا. أما دخل أقل لكنه متكرر ومصحوب بمخزون سيولة فقد يتيح خدمة دين أسلم. لا يوجد رقم واحد في كشف الحساب يستطيع حمل هذه المعاني كلها من دون سياق محاسبي وزمني.

يسمي الاقتصاديون بعض البيانات «صلبة» (Hard Information) لأنها تقبل الترميز والنقل والمقارنة داخل المؤسسة؛ ويسمون غيرها «لينة» (Soft Information) لأنها تتعلق بحكم محلي يصعب تحويله إلى خانة: موثوقية عميل رئيس، مهارة صاحب الورشة، طريقة تفاوضه مع المورد، وعمر عقود الشراء. في بحث نظري نشره Jeremy Stein عام 2002، ارتبطت قدرة المؤسسة على استعمال المعلومات اللينة ببنيتها التنظيمية ومدى إمكان نقل تلك المعلومات عبر طبقات القرار. الدرس ليس تمجيد الموظف الذي يعرف الجميع، فمعرفة البشر معرضة للمحاباة والانطباع الخاطئ. الدرس أن جعل المعلومة قابلة للحساب لا يجعلها بالضرورة مكتملة المعنى.3

ما الذي تغير تقنيًا؟ أصبح بالإمكان، بعد إتاحة الوصول المصرح به إلى بيانات الحساب، تحليل الإيداعات والسحوبات والأرصدة المتوسطة وأيام الشح وأوامر الدفع المرتجعة وحجم التذبذب. في السابق كانت مهمة استخراج هذه الأنماط من كشوف طويلة تستلزم وقتًا بشريًا، وقد تختزلها مؤسسات إلى مقاييس بسيطة. الآن تستطيع خوارزميات التصنيف استخراج خصائص تدفق نقدي (Cash-Flow Features) واستخدامها ضمن نموذج تنبؤ بالتعثر. وقد يستعمل المقرض تعلم الآلة (Machine Learning)، أو الانحدار اللوجستي (Logistic Regression)، أو قواعد سياسات ثابتة؛ ليست «قراءة كشف الحساب» مرادفًا لازمًا للذكاء الاصطناعي، وليست كل إضافة معلوماتية ابتكارًا في الخوارزمية.

في دراسة FinRegLab للشركات الصغيرة استُخدمت، إلى جانب الدرجة الائتمانية وعمر المنشأة، متغيرات مثل إيرادات الحساب وسحوباته، وتذبذب الأرصدة والإيداعات، وعدد المرات التي هبط فيها الرصيد أو لم تكفِ الأموال. وجد الباحثون أن مزيدًا من الأرصدة المستقرة والإيداعات يرتبط غالبًا بتعثر أقل، وأن ارتفاع بعض إشارات الضائقة يرتبط بتعثر أعلى. ظهرت فائدة نسبية أكبر لهذه المعلومات في الشركات الناشئة وبين أصحاب الدرجات الشخصية المنخفضة. وهذا لا يعني أن كل مشروع متقلب آمن؛ بل يعني أن الماضي الائتماني غير الكامل لا ينبغي أن يحتكر تفسير الحاضر.1

ولكي لا يقع القارئ في سحر الأرقام، ثمة قيد أساسي على تلك النتيجة. تضم عينة FinRegLab نحو 38 ألف قرض مُنح بالفعل. وهي تعلّمنا شيئًا عن التنبؤ بتعثر المقترضين الذين وصلوا إلى التمويل، ولا تمنحنا مباشرة إجابة قاطعة عن نتائج كل من رفض المقرضون تمويلهم. لا يصح أن نضرب تحسن دقة التنبؤ في عدد المواطنين ونعلن عدد «المحرومين الذين أنقذتهم الخوارزمية». التجربة ذاتها لم تضع المال في أيدي كل المرفوضين لتتابع حياتهم البديلة؛ ومن مسؤولية الباحث أن يعرف حدود نافذته وإن كانت تطل على منظر مغرٍ.1

في يوليو 2025، نشرت FinRegLab دراسة مختلفة عن إقراض المستهلكين قارنت بين نماذج تقليدية ونماذج تعلم آلة، وبين بيانات مكاتب الائتمان وبيانات التدفق النقدي والنماذج الهجينة. هنا يجب فصل ربحين كثيرًا ما يُجمعان خطأ في بيان واحد. فالتحول من الانحدار اللوجستي إلى تعلم الآلة، عند استخدام مجموعات بيانات كاملة، حقق تحسنًا يقارب 2% في مقياس التمييز الإحصائي ROC-AUC في أوضاع محددة. وفي محاكاة عند حد مخاطرة محافظ، رفعت بعض نماذج تعلم الآلة التي تستعمل بيانات المكاتب الائتمانية الموافقات قرابة 4% مقارنة بنظائرها التقليدية، مع تقليل نسبة الموافق عليهم ممن سيتعثرون بما لا يقل عن 9%. لكن مجرد إضافة التدفقات النقدية إلى بيانات الائتمان أدت إلى زيادات أضيق: نحو 0.3% إلى 0.7% في ROC-AUC، و0.6% إلى 1.6% في الموافقات بالمحاكاة عند حد محافظ. ليس الأربعة في المئة أثرًا منفردًا لإضافة كشف الحساب، وليست الموافقات المحاكاة قروضًا جرى صرفها لأشخاص حقيقيين.4

تقول الأرقام هنا شيئًا نادرًا في صناعة تعشق كلمة «ثوري»: إن بعض التحسينات نافعة وصغيرة في الوقت نفسه. يمكن لتحسن متواضع في قدرة النموذج على الفصل بين المتعثر وغير المتعثر أن يكون ذا شأن مالي في محافظ ضخمة، لكنه لا يصلح وحده برهانًا على شمول عادل. وقد تَحسُن دقة التنبؤ بمقدار، بينما تتغير نتيجة الموافقة لطالب معين بمقدار مختلف، أو لا تتغير إطلاقًا. بل إن الدراسة وجدت أن آثار الموافقة يمكن أن تصغر أو تصير سلبية عند حدود مخاطرة أعلى. لا يسأل الباحث الجيد «كم نقطة أضفنا إلى المؤشر؟» قبل أن يسأل «أي قرار تغير، ولمن، وبأي تكلفة؟».

غير أن الإيقاع غير المنتظم ليس بريئًا دائمًا. في دراسة عن أنماط التدفق النقدي للمشروعات الصغيرة عبر 25 مدينة أميركية، استخدم معهد JPMorgan Chase بيانات معاملات عالية التواتر، ووجد أن المنشآت ذات التدفقات غير المنتظمة كانت أكثر عرضة للخروج من السوق وأبطأ نموًا في الإيرادات؛ وأن أسوأ احتمالات البقاء كانت لدى من جمعوا بين عدم انتظام التدفقات وضعف الاحتياطي النقدي. بعض التقلب إذن يؤشر إلى هشاشة حقيقية، لا إلى سوء فهم إداري. ومن الظلم للمقرض وللمودعين أن نطالب النموذج بإنكار المخاطرة كلما تشبهت بعقبة اجتماعية.5

لكن الدراسة ذاتها فتحت بابًا بالغ الدقة: ليست الاضطرابات نوعًا واحدًا. هناك إيراد متباعد موسمي لكنه متوقع، وإيراد عشوائي يتضاءل، ومصروفات شديدة التذبذب، وفواتير تأتي في أسبوع لا تعرفه الإيرادات. الخطر قد يكون في نقص الاحتياطي، أو في تراجع الطلب، أو في عدم توافق موعد الفاتورة مع موعد التحصيل. حين يكتفي النموذج بمتغير «الانحراف المعياري للإيداعات»، يضع هذه الأمراض المختلفة في غرفة انتظار واحدة. والانحراف المعياري، مع ضرورته الإحصائية، لا يشرح بمفرده ما إذا كان الاضطراب ناتجًا عن دورة توريد مقصودة أو عن انهيار في المبيعات.

من هنا تنشأ مفارقة البيانات البديلة (Alternative Data): يأتي المقرض بمعلومات أقرب إلى واقع الشخص كي يتحرر من تعميمات الماضي، ثم قد يستخدمها ليعاقب التفاصيل الدقيقة في ذلك الواقع. يُعفى صاحب المشروع من شرط سجل ائتماني طويل، لكن يُطلب منه، عمليًا، أن يملك نمط حساب موظف حكومي: دخل شهري متقارب، ومصروفات قابلة للتنبؤ، وأيام قليلة تحت الضغط. إذا حدث ذلك فإن المؤسسة لم توسّع تعريف الجدارة، بل نقلت القالب القديم من سجل الديون إلى حركة الحساب. أصبح القيد أجمل تقنيًا لأنه يتحدث بلغة احتمالات بدل لغة شروط، إلا أنه قد يكون قيدًا على إيقاع العمل نفسه.

ولا ينبغي أن نخلط حياة العامل الحر بحياة المشروع التجاري. أحدهما قد يعيش من أعمال موسمية يبيع فيها ساعات أو إنتاجًا إبداعيًا؛ والآخر قد تكون لديه دورة تحصيل ومخزون وموردون ورواتب. في بيانات اقتصاد المنصات لدى JPMorgan Chase يظهر أن دخل العمل عبر التطبيقات قد يكون متقطعًا وكثيرًا ما يكون مكملًا لدخل آخر. إذا قُرئ حساب منصة واحدة بمعزل عن بقية الدخل والتزامات الأسرة فقد يخطئ التقدير مرتين: يبالغ في مخاطر من يعتمد على مصادر أخرى، أو يبالغ في أمان من يبدو نشيطًا على منصة بينما يحمل التزامات لا تظهر في النافذة المسموح بها.6

المشكلة الأعمق هي هندسة ما يغيب عن العينة. حساب واحد لا يعادل الحياة المالية. وقد يصدر عن صاحب النشاط حساب شخصي وآخر تجاري وحسابات لدى مؤسسات مختلفة. تحويل بين حساباته قد يظهر دخلًا مضاعفًا إذا جرى تجميعه بخطأ. ردّ مبلغ لعميل قد يُصنف نفقة عادية، بينما هو تصحيح لمعاملة سابقة. سحب نقدي قد يغيب عنه وصف المستفيد. ومَن يفضل التعامل النقدي أو يشارك حسابًا أسريًا قد يبدو فقير البيانات لا ضعيف القدرة. وكلما قيل إن النموذج «يقرأ الحساب كله»، وجب السؤال: أي حساب، وأي معاملات، وتحت أي صلاحية، وبأي جودة لتصنيفها؟

الخلل الآخر أن البيانات ذاتها لا تعني الشيء نفسه عبر الزمن. شهر رمضان قد يغيّر إيرادات نشاط غذائي وساعات عمله، وموسم الحج قد يضغط في أسابيع إيرادات خدمات لا تبيع بالوتيرة نفسها في بقية العام، ومشروع إنشاءات قد يشتري المواد قبل صرف مستخلصاته. هذه أمثلة تحليلية محتملة، لا نتائج منشورة عن مقترضين سعوديين. إذا تدرب نموذج على دورة كاملة ثم تلقى في التشغيل شهرًا منفردًا، فإنه لا يرى «نقص معلومات» فحسب؛ قد يرى الجزء الخاطئ من الدورة كأنه الكل. لا يكفي زيادة نافذة البيانات دائمًا؛ يجب تعريف الدورة الاقتصادية التي تريد النافذة تمثيلها.

وللتوقيت أثر أقوى مما توحي به عبارة «القدرة على السداد». القدرة ليست خاصية ساكنة للشخص، مثل الطول. إنها علاقة بين نقد متاح، والتزامات مستحقة، وموعد الدين الجديد. قد يكون مشروعان متساويين في الدخل السنوي وصافي الربح، لكن أحدهما يحصّل خلال سبعة أيام والآخر بعد تسعين يومًا. إذا كان القرض يبدأ أقساطه الشهر المقبل، فالمسألة ليست إن كان الثاني أقل أهلية أخلاقية، بل إن شكل القرض قد يكون أسوأ توافقًا مع دورة المشروع. حين يعدّ المقرض تاريخ التعثر منفصلًا عن جدول الاستحقاق والتسعير والضمانات، يظن أحيانًا أنه قاس شخصًا، بينما قاس جزءًا من التفاعل بين منتج وشخص.

هنا ينبغي قلب السؤال من «ما احتمال أن يتعثر هذا العميل في القرض المعروض؟» إلى سؤالين منفصلين: «ما مقدار الخطر في نشاطه نفسه؟» و«ما مقدار الخطر الذي نضيفه حين نفرض عليه جدولًا لا يشبه دورة تحصيله؟». الثاني ليس حيلة لتجميل الجدارة. فقد يدفع المقرض ثمن المرونة أو يخسر سيولة حين يؤخر السداد، وقد تزيد الرسوم والتكلفة الكلية على المقترض. ولهذا لا يكفي اقتراح أقساط موسمية ثم إعلان انتصار العدالة. المطلوب قياس مخاطر المحفظة، وكلفة التمويل، والعبء الفعلي، واحتمال تجاوز المقترض قدرته عند صدمات الإيرادات. بيد أن تصميم المنتج نفسه متغير قابل للاختبار، لا قدرًا إلهيًا تبرأ منه الخوارزمية.

تقترح هذه المقالة مفهومًا تحليليًا أسميه «ملاءمة الإيقاع الائتماني» (Credit-Rhythm Fit). ليس مقياسًا تنظيميًا معتمدًا ولا نموذجًا دُرّب أو اختُبر. فكرته النظر إلى أربع طبقات منفصلة: قدرة النشاط الاقتصادية بعد التكاليف والالتزامات، وتوزيع وصول النقد زمنيًا لا مجموعه السنوي وحده، وهامش التحمل إذا تأخر عميل أو توقف موسم، وشكل القرض من حيث مواعيد الاستحقاق وآلية التحصيل. ثم تُختبر ما إذا كانت معرفة علاقة هذه الطبقات تحسن التنبؤ وتجعل عروض التمويل أكثر أمانًا من نموذج يختزل الدخل في انتظام شهري عام.

في الطبقة الأولى لا نساوي الإيداعات بالدخل الصافي؛ نستبعد التحويلات بين الحسابات، ونفرّق بين دفعات العملاء والتمويل الجديد، ونضع الالتزامات التشغيلية في محلها. في الثانية لا نعامل كل تذبذب كشيء واحد، بل نفصل الموسمية القابلة للتكرار عن التقلب غير المفسر وعن الاتجاه الهابط. في الثالثة نراقب «أيام الوسادة» النقدية، أي المدة التقريبية التي يستطيع فيها الاحتياطي تغطية مصروفات أساسية، مع اختبارات ضغط تحفظية للمدفوعات المتأخرة. وفي الرابعة نجرب، حيث تسمح العقود والضوابط، جدولًا متكيفًا مع تدفقات مثبتة ونقارنه بجدول ثابت. لا تتحول أي طبقة إلى وعد بالتمويل؛ القرار النهائي لا بد أن يحفظ قدرة المقترض على الفهم وألا يحول المرونة إلى تكلفة مخفية.

لو رسمنا مثالًا حسابيًا صريحًا، وليكن مشروع خدمات له متوسط فائض تشغيلي شهري قدره عشرون ألف ريال عبر سنة، لكن ستة أشهر من السنة تحمل معظم الفائض، وتوجد عليه التزامات ثابتة طوال الاثني عشر شهرًا. متوسط الفائض وحده لا يثبت إمكان دفع قسط شهري كبير؛ والتفاوت وحده لا يثبت استحالة التمويل. نحتاج إلى مواعيد المقبوضات، والاحتياطي، وطبيعة الالتزامات، وتكاليف التأخر، وإمكان إعادة مواءمة السداد من دون مخاطر أعلى. الأرقام هنا افتراضية للتوضيح؛ لا تدّعي تمثيل عميل سعودي أو نتيجة محاكاة فعلية. المقصود أن المتوسط يزيل ترتيب الأحداث، بينما الائتمان يتعثر في تواريخ محددة لا في متوسط سنة.

لكن تعقيد النموذج ليس فضيلة في ذاته. كل خاصية إضافية تحتاج دليلًا على أن منفعتها تتجاوز ضجيجها وعبء جمعها. والنماذج الأشد تعقيدًا قد تكبر فيها فجوة بين من يملك بيانات مصرفية طويلة ومصنفة بوضوح، وبين من لا يملكها إلا مجزأة. قد تنتج العدالة الموعودة امتيازًا جديدًا: امتياز القابلية للقراءة. ليس كل من لا نملك عنه بيانات غير جدير، وليس كل من ملأ خاناتنا بالأرقام أكثر استقامة. أحيانًا يكون الاستنتاج العلمي الصحيح من البيانات الناقصة هو الامتناع عن الجزم، أو طلب دليل مكمل، أو عرض خيار صغير آمن بدل منح درجة منخفضة متيقنة زيفًا.

ولذلك يصح تفكيك مفهوم الإنصاف هنا إلى ثلاث قضايا مختلفة. الأولى الإنصاف في التمثيل: هل لدينا ما يكفي لوصف دورة النشاط فعلًا، أم نعاقب من تخلف عن نمط جمع بياناتنا؟ الثانية الإنصاف في التقدير: إذا أعطينا أشخاصًا درجة الخطر نفسها، هل تتشابه معدلات تعثرهم فعليًا عبر أعمار الأنشطة وأنواع الدخل والمجموعات التي يسمح القانون بفحصها؟ والثالثة الإنصاف في القرار: عند خطر متقارب، هل تُعرض شروط قابلة للسداد وتفسير مفهوم وفرصة لتصحيح الخطأ، أم تتحول معلومة مجهولة المصدر إلى رفض محكم؟ لا يمكن لمؤشر عدالة واحد أن يغني عن هذه الطبقات، ولا ينبغي تقديم تعريف واحد للإنصاف بوصفه محل إجماع علمي.

ماذا يحدث عندما يقول نظام ائتماني للمقترض «مرفوض بسبب التذبذب»؟ هل يعني تذبذب المبيعات، أم الأرصدة، أم تاريخ العمليات، أم كثرة التحويلات بين حساباته؟ وهل كانت فترة القياس شهرين شاذين أم موسمًا كاملًا؟ وإذا صحح تصنيف تحويل مصرفي، هل يستطيع طلب إعادة تقييم؟ في الولايات المتحدة يلزم قانون تكافؤ الفرص الائتمانية ولوائحه التنفيذية Regulation B، المادة 1002.9 المقرضَ الخاضع بها بإبلاغ الأسباب الرئيسية المحددة عند اتخاذ إجراء ائتماني سلبي وفق مقتضيات الحالة؛ ولا تكفي عبارات عامة مثل «سياسة داخلية» حيث تتطلب اللائحة أسبابًا فعلية. من المهم ألا نعيد تدوير نشرات تفسيرية قديمة بوصفها قانونًا جاريًا: فقد سحب مكتب حماية المستهلك المالي في مايو 2025 منشوراته التفسيرية المتعلقة بإخطارات الرفض في نماذج الذكاء الاصطناعي والصيغ النموذجية، بينما بقيت متطلبات المادة التنظيمية نفسها قائمة. هذا إطار أميركي لا وصف لحكم سعودي.7

ولأن قابلية التفسير ليست قصة إنسان يفك شفرة صندوق أسود ثم ينام مطمئنًا، درست FinRegLab مع باحثين من ستانفورد أدوات تجارية ومفتوحة المصدر لتفسير النماذج والإنصاف في ائتمان المستهلك. تظهر أهمية هذا الأدب في التمييز بين «العوامل التي أثرت في نتيجة النموذج» و«الأسباب التي يفهمها العميل ويستطيع التحقق منها أو تصحيحها». قد يخبرنا تفسير محلي أن تقلب الرصيد دفع القرار إلى الأسفل، لكنه لا يقرر وحده إن كان التذبذب مسجلًا بدقة، أو ناتجًا عن موسم معتاد، أو قد عولج بعد ذلك، أو إن كان يستطيع العميل التصرف حياله أصلًا. الحساب الذي يُفسر للمهندس قد يبقى لغزًا لصاحبه.8

وفي السعودية يضيف إطار المصرفية المفتوحة (Open Banking) الذي أعلنه البنك المركزي السعودي إمكانية مشاركة البيانات المالية بصورة آمنة مع مقدمي خدمات آخرين وفق إطار من الاستخدامات والقواعد والمعايير التقنية. هذه بنية تحتية مهمة لتصور تقييم يستند إلى حسابات أوسع، لكنها لا تعني أن كل مشاركة بيانات إذن مفتوح لبناء درجة ائتمانية؛ ولا تعني، بمجرد وجود واجهات تقنية، أن نموذجًا للتقييم صالح أو عادل للسوق المحلية. بين إمكان الوصول إلى البيانات وحق استخدامها لغرض معين وجودة الاستدلال المستخرج منها ثلاث مسائل يجب ألا تختصر إحداها الأخرى.9

قد يكون الاختبار السعودي الأكثر إفادة، إن أُنشئ مستقبلًا بموافقات مشروعة وضوابط حماية مناسبة، في عينات من الأعمال التي لا تنسجم مع دفتر الرواتب: خدمات المقاولات الصغيرة، تجارة المواسم، المشاريع الإبداعية، ورواد الأعمال ذوو سجلات الائتمان القصيرة. لا نفرض مسبقًا أن هؤلاء أفضل أو أسوأ من الموظفين، ولا أن إتاحة البيانات ستحسن العدالة حتمًا. نقارن نماذج خط أساس ائتمانية، ونماذج هجينة، وتصميمات مختلفة لمواعيد السداد، على بيانات منفصلة زمنيًا وقطاعيًا. نختبر أداءها خارج الفترة التي تعلمت منها، وعند تغير المواسم، ونُعلن فروق الموافقة والتعثر والتكلفة الفعلية وشكاوى التصنيف لا متوسط الدقة وحده. يجب أن تتولى الدراسة مؤسسات مخولة وأن تصون سرية الحسابات؛ هذا اقتراح بحثي لا إعلان عن تجربة أجريت.

ولكي لا يقع البحث في الحيلة المعروفة، لا تكفي مقارنة المقبولين الجدد بالمقبولين القدامى. يتغير مع العرض الجديد نوع من يتقدم، وحجم القروض، والتسعير، والتوقيت، والاقتصاد كله. تحتاج دراسة الأثر السببي إلى تصميم مناسب ومراجعة مستقلة، وقد تتطلب تجارب محكومة أو استراتيجيات مقارنة لا تضر بحقوق المتقدمين. كما يجب فصل جودة قرار الائتمان عن جودة منتج الائتمان: قد يقرر النظام أن مقترضًا قادر، ثم يرهقه قرض سيئ الجدولة. وكثيرًا ما يختفي خطأ التصميم خلف عبارة براقة اسمها «مخاطرة العميل».

يمكن كتابة لوحة قياس هذه التجربة بصورة بسيطة: ما نسبة التحسن في القدرة على التنبؤ بالتعثر خارج العينة؟ ما نسبة الشركات ذات السجل القصير التي تغير قرارها فعلًا، وما أداء قروضها لاحقًا؟ ما مقدار الفرق بين خطر متوقع وخطر متحقق عبر الفئات والقطاعات والمواسم؟ كم قرارًا بُني على معاملات مصنفة خطأ، وكم منها صُحح قبل صرف التمويل أو رفضه؟ هل تغيرت تكلفة الاقتراض الكلية وعبء الأقساط على المقترض؟ وما مقدار التأخر في السداد الذي ينتج عن جدولة القرض لا عن عجز نشاطه؟ هذه أسئلة تحول «الشمول المالي» من ملصق أخلاقي إلى ادعاءات قابلة للنفي.

وتوجد حجة مضادة لا تستحق السخرية: إن المقرض الذي يخسر أموال مودعين أو مستثمرين بسبب تحسين صورة صاحب مشروع لا يحسن خدمته، وإن إشارات عدم الانتظام التي ترتبط بالتعثر ليست تمييزًا خفيًا لمجرد أنها تؤلم من يقع تحتها. صحيح. ومن حق أي مؤسسة مسؤولة أن تزن خسارة الائتمان والتمويل والاحتيال والسيولة. لذلك لا أدعو إلى إزالة التذبذب من المعادلة، ولا إلى تحويل التعاطف إلى رأسمال رقابي. أدعو إلى تفكيك معنى التذبذب قبل تحويله إلى عقوبة سعرية أو قرار استبعاد، وإلى اختبار ما إذا كان تغيير توقيت القرض يعالج جزءًا من الخطر بأقل تكلفة من رفضه كله. قد تثبت التجربة أن فئة معينة لا تحتمل الدين أصلًا؛ والرفض الصادق والمفسر عندئذ خدمة، لا إخفاقًا في الشمول.

وفي المقابل، لا تنقذنا الرومانسية القديمة عن «مدير بنك يعرف زبائنه». المدير قد يرى عملًا واعدًا في عيون أحدهم ويتجاهل عملًا أكثر انضباطًا لا يشبه عالمه. يستطيع القياس الموثق أن يقلل جزءًا من المزاج الشخصي والواسطة وأن يترك أثرًا قابلًا للفحص. المسألة إذن ليست اختيار البشر أو الآلات، وإنما توزيع عملهما: حسابات تلتقط الأنماط ولا تخلط السبب بالارتباط؛ وسياسات تحتكم إلى مخاطر معلنة؛ ومراجعة بشرية حقيقية للمعلومات الناقصة والنزاعات ذات الأثر؛ ومنتج مالي يمكن أن يتغير إذا اكتشفنا أن المشكلة كانت في تاريخ الاستحقاق.

قبل قرون كان التاجر يحمل إلى المقرض شهادة من يعرفونه. ثم صار تاريخ السداد وثيقته الأساسية. واليوم تُطلب حركة الحساب لتكتب الفصل الذي لم يكتبه التاريخ. في كل مرحلة تبدو الشهادة الجديدة أقرب إلى الحقيقة: من سمعة الشخص، إلى التزاماته، إلى تفاصيل دخله وصرفه. لكن الاقتراب من تفاصيل الحياة لا يعني امتلاك حق تأويلها كما نشاء. من يرى إيداعًا كبيرًا لا يرى بالضرورة ربحًا. ومن يرى شهرًا صامتًا لا يرى بالضرورة مشروعًا مات. ومن يرى أرقامًا منتظمة لا يرى بالضرورة التزامًا قابلًا للاستمرار.

التحول الذي يستحق الاحتفاء ليس أن البنك بات يعرف ماذا اشترى العميل يوم الخميس، أو كم مرة نزل رصيده عن حد معين. إنه أن البنك قد يصبح قادرًا على طرح سؤال ائتماني أدق من سؤال: هل تشبه حياتك حياة المقترض الذي أحببنا تمويله سابقًا؟. تلك بداية نضج في العلم، إذا ظل التقدير محكومًا بما يثبته الاختبار وبما يستطيع الإنسان الاعتراض عليه. أما إذا جعلنا كشف الحساب سيرة ذاتية نهائية، فسوف ننتهي إلى مفارقة أشد: نفتح لكل شخص نافذة جديدة كي نراه، ثم نُغلق الباب لأن حياته لم تُرتب نفسها على شكل جدول شهري.

1. FinRegLab، Sharpening the Focus: Using Cash-Flow Data to Underwrite Financially Constrained Businesses، يونيو 2025.
2. Christopher M. Hair وSabrina T. Howell وMark J. Johnson وSiena Matsumoto، Modernizing Access to Credit for Younger Entrepreneurs: From FICO to Cash Flow، NBER Working Paper 33367، يناير 2025، منقحة يونيو 2026. هذه ورقة عمل وليست بحثًا منشورًا في دورية محكّمة.
3. Jeremy C. Stein، Information Production and Capital Allocation: Decentralized versus Hierarchical Firms، The Journal of Finance، أكتوبر 2002.
4. FinRegLab، Advancing the Credit Ecosystem: Machine Learning & Cash Flow Data in Consumer Underwriting، يوليو 2025.
5. JPMorgan Chase Institute، Facing Uncertainty: Small Business Cash Flow Patterns in 25 US Cities.
6. JPMorgan Chase Institute، Paychecks, Paydays, and the Online Platform Economy.
7. مكتب الحماية المالية للمستهلك الأميركي، Regulation B §1002.9: Notifications؛ وWithdrawn guidance، بما في ذلك سحب تعميمَي 2022-03 و2023-03 في 12 مايو 2025.
8. FinRegLab، Machine Learning Explainability & Fairness: Insights from Consumer Lending، تحديث يوليو 2023.
9. البنك المركزي السعودي، Open Banking in Saudi Arabia.