`
168
BANK TIZIMIDA MUAMMOLI AKTIVLARNI BOSHQARISHDA SUN’IY
INTELLEKT VA ML TEXNOLOGIYALARINING SAMARADORLIGI
Xodjayev Husniddin Mukammilovich
ORCID: 0009-0009-5676-8143
https://doi.org/10.5281/zenodo.16435555
Bank sektorining transformatsiyasi sharoitida O‘zbekiston Respublikasida kredit
risklarini boshqarish samaradorligini oshirish zarurati dolzarb ahamiyat kasb etmoqda,
ayniqsa, muammoli qarzdorlik (non-performing loans, NPL) sohasida. Qarzdorlarning to‘lovga
qobiliyatini baholash tizimini isloh qilish, IFRS 9 standartlari va Basel III tavsiyalarini joriy
etish bo‘yicha ko‘rilayotgan choralariga qaramay, muddati o‘tgan qarzlar darajasi hanuzgacha
ayrim kredit tashkilotlarining, ayniqsa chakana va mikro moliyaviy segmentlarda, moliyaviy
barqarorligiga sezilarli bosim o‘tkazmoqda. O‘zbekiston Respublikasi Markaziy banki
ma’lumotlariga ko‘ra, so‘nggi yillarda umumiy kredit portfelida muammoli kreditlar ulushi
pasayish tendensiyasini namoyon qilmoqda, biroq bu ko‘rsatkich tashqi iqtisodiy silkinishlar
va kredit anderrayting jarayonlari sifatiga nisbatan yuqori sezuvchanlikni saqlab qolmoqda.
Mazkur kontekstda intellektual texnologiyalarni, xususan mashinali o‘rganish (Machine
Learning, ML) algoritmlarini joriy etish alohida ahamiyat kasb etadi. Bunday texnologiyalar
nafaqat defolt ehtimolini bashorat qilish aniqligini oshirish, balki kredit arizasi ko‘rib chiqilish
bosqichidayoq xavfli mijozlarni erta aniqlash imkonini beradi. An’anaviy statistik usullardan
farqli o‘laroq, ML modellar katta hajmdagi turli-tuman ma’lumotlardan murakkab
qonuniyatlarni aniqlash va o‘zgaruvchan bozor sharoitlariga moslashish qobiliyatiga ega
bo‘lib, bu rivojlanayotgan moliyaviy tizimlar, jumladan O‘zbekiston uchun ayniqsa muhimdir.
Ushbu tadqiqot doirasida muammoli kreditlarni bashorat qilish kontekstida turli
mashinali o‘rganish modellarining (Random Forest, Support Vector Machine, XGBoost)
samaradorligi tahliliga alohida e’tibor qaratiladi. Tahlil Fekadu va boshqalar (2022)
tomonidan olib borilgan ilmiy ishning empirik natijalariga asoslangan. Mazkur ishning
tanlanishiga uning yuqori metodologik aniqligi, natijalarning rivojlanayotgan mamlakatlar
iqtisodiy sharoitlariga mosligi hamda instituttsional va makroiqtisodiy jihatlar o‘xshashligini
inobatga olgan holda, xulosalarni O‘zbekiston bozoriga tatbiq etish imkoniyati sabab bo‘ldi.
Bundan tashqari, defolt ehtimoliga ta’sir qiluvchi omillar – qarz oluvchining yoshi, daromad
darajasi, ish staji va boshqa xususiyatlarning ahamiyat darajasini (feature importance)
izohlashga ham alohida e’tibor qaratilgan.
Mazkur tezisning asosiy maqsadi – O‘zbekiston tijorat banklarida muammoli
qarzdorlikni bashorat qilish va boshqarishda zamonaviy mashinali o‘rganish (Machine
Learning, ML) modellarini qo‘llash imkoniyatlarini asoslab berish, shuningdek, ushbu
modellarni amaldagi kredit risklarini boshqarish jarayonlariga moslashtirish va joriy etish
bo‘yicha amaliy tavsiyalar ishlab chiqishdan iboratdir.
Mashinali o‘rganish modellarini muammoli aktivlarni boshqarishda qo‘llash
samaradorligini tahlil qilish Fekadu va boshqalar (2022) tomonidan o‘tkazilgan tadqiqotda
olingan empirik ma’lumotlarga asoslanadi. Mazkur tadqiqotda uchta eng ko‘p qo‘llaniladigan
ML algoritmlari — Random Forest (RF), Support Vector Machine (SVM) va Extreme Gradient
Boosting (XGBoost) modellari o‘zaro taqqoslab tahlil qilingan. Tadqiqotda bank mijozlariga
`
169
oid ma’lumotlar to‘plami asos qilib olingan bo‘lib, u qarzdorlarning demografik, ijtimoiy-
iqtisodiy va kredit ko‘rsatkichlari, shuningdek, ularning majburiyatlarni bajarish holatini
(performing / non-performing) o‘z ichiga oladi.
Tadqiqot natijalarini O‘zbekiston bank sektori sharoitiga mos ravishda baholash
maqsadida quyidagi parametrlar ko‘rib chiqildi:
qarz oluvchining yoshi;
daromad darajasi;
ish staji;
ta’minot mavjudligi;
bandlik turi (davlat / xususiy sektor);
kredit muddati;
oldingi kredit tarixining mavjudligi.
Modellar aniqligini oshirish va sinf disbalansini bartaraf etish maqsadida oversampling
texnikasi, xususan SMOTE (Synthetic Minority Oversampling Technique) usuli qo‘llanildi. Bu
yondashuv modellarni defolt holatlariga nisbatan sezgirligini oshirishga xizmat qilib, natijada
yanada ishonchli prognoz natijalariga erishishga imkon berdi.
1-jadval
.
Mashinali o‘rganish modellarining aniqlik darajasini solishtirma tahlili
Ko‘rsatkich
Random Forest
SVM
XGBoost
Aniqlik – Accuracy (%)
87,2
82,6
91,8
Aniqlik (musbat sinf) – Precision
84,3
80,1
89,5
Sezuvchanlik – Recall
79,4
76,2
92,1
F1-ko‘rsatkich – F1-score
81,8
78,1
90,8
AUC-ROC
0,904
0,862
0,943
Manba: Fekadu va boshqalar (2022), tahlil formati asosida moslashtirilgan.
1-jadvaldan ko‘rinib turibdiki, XGBoost modeli barcha asosiy ko‘rsatkichlar bo‘yicha –
aniqlik (accuracy), sezuvchanlik (recall), F1-ko‘rsatkich va ROC egri chizig‘i ostidagi maydon
(AUC-ROC) – SVM va Random Forest modellaridan sezilarli ustunlikka ega. Ayniqsa, XGBoost
modelining defolt holatlariga yuqori sezuvchanligi ushbu modelni muammoli qarz
oluvchilarni erta aniqlashda ustun vosita sifatida ajratib ko‘rsatadi.
Xususiyatlar ahamiyatining tahlili shuni ko‘rsatdiki, qarzdorning yoshi, daromad
darajasi va ish staji eng yuqori bashorat qiluvchi omillar sifatida ajralib turadi. Bu esa
rivojlanayotgan bozorlar sharoitida ishlab chiqilgan modellarni O‘zbekiston bank sektorida
qo‘llash mumkinligini tasdiqlaydi. Chunki O‘zbekiston qarz oluvchilarining tarkibi o‘xshash
xususiyatlarga ega: moliyaviy savodxonligi o‘rtacha va past bo‘lgan, norasmiy bandlik darajasi
yuqori, kredit tarixiga kirish imkoniyati esa cheklangan.
E’tiborga molik jihati shundaki, XGBoost modeli nafaqat yuqori aniqlik ko‘rsatkichlariga
ega, balki tushuntiriladigan sun’iy intellekt (explainable AI) mexanizmlarini ham joriy etish
imkonini beradi (masalan, SHAP tahlili orqali). Bu esa ushbu modelni regulyatorlar va
banklarning ichki foydalanuvchilari (kredit tahlili bo‘limlari) uchun yanada shaffof qiladi.
`
170
O‘zbekiston Respublikasida bank xizmatlari raqamlashtirilish jarayonlari faol
rivojlanayotgan, muammoli kreditlar (NPL) darajasi esa makroiqtisodiy va institutsional
silkinishlarga nisbatan sezuvchan bo‘lib qolayotgan sharoitda, bunday modellarni qo‘llash
nafaqat maqsadga muvofiq, balki strategik jihatdan muhim hisoblanadi. Mashinali o‘rganish
modellarini tatbiq etish orqali muammoli aktivlarni boshqarishning reaktiv yondashuvidan
proaktiv va oldini oluvchi (preventiv) risk-menejment modeliga o‘tish imkoniyati yuzaga
keladi. Bu esa “O‘zbekiston bank sektorini isloh qilish strategiyasi (2020–2025 yillar)”da
belgilangan maqsadlarga to‘liq mos keladi.
O‘zbekiston moliyaviy sektorining transformatsiyalashuvi va kredit risklarini samarali
boshqarishga bo‘lgan ehtiyoj ortib borayotgan sharoitida, mashinali o‘rganish (ML)
texnologiyalarini joriy etish istiqbolli yo‘nalish bo‘lib, bank tizimida muammoli qarzdorlikni
yuqori aniqlik bilan bashorat qilish va undan samarali foydalanish imkonini beradi.
O‘tkazilgan empirik tadqiqot tahlili shuni tasdiqladiki, mashinali o‘rganish (ML)
algoritmlarini, xususan XGBoost modelini qo‘llash an’anaviy modellar (Random Forest, SVM)
bilan solishtirganda aniqlik, sezuvchanlik va to‘liqlik ko‘rsatkichlari bo‘yicha yuqoriroq
natijalarga erishish imkonini beradi. Bu esa rivojlanayotgan bozorlar, jumladan O‘zbekiston
sharoitida ayniqsa dolzarbdir, chunki bunday algoritmlar mahalliy kredit portfellariga xos
bo‘lgan murakkab, to‘liq bo‘lmagan yoki sinflar muvozanati buzilgan ma’lumotlarga moslasha
oladi.
Xususiyatlar (priznaklar) ahamiyatining tahlili shuni ko‘rsatdiki, kreditning muammoli
toifaga o‘tish xavfini aniqlovchi asosiy omillar bu — qarz oluvchining yoshi, daromad darajasi
va ish staji hisoblanadi. Xorijiy tajriba asosida olingan ushbu xulosalar O‘zbekiston realiyalari
uchun yuqori darajada ekstrapolyatsiya qilinishi mumkin. Ayniqsa, chakana va
mikromoliyalashtirish segmentlarida, mijozlarning ijtimoiy-demografik xususiyatlariga
yuqori sezuvchanlik kuzatilayotgan sharoitda bu xulosalar amaliy ahamiyatga egadir.
References:
Используемая литература:
Foydalanilgan adabiyotlar:
1.
O‘zbekiston Respublikasining “Banklar va bank faoliyati to‘g‘risida”gi Qonuni (2023-yil
17-iyuldagi tahrirda).
2.
O‘zbekiston Respublikasi Prezidentining 2020-yil 12-maydagi PQ–4707-sonli qarori
“O‘zbekiston Respublikasi bank tizimini isloh qilish strategiyasi (2020–2025-yillar)
to‘g‘risida”.
3.
Basel Committee on Banking Supervision. Guidelines on Management of Non-
Performing Exposures and Forbearance. Bank for International Settlements, 2019.
4.
IFRS Foundation. IFRS 9 Financial Instruments. London: IFRS, 2022.
5.
Xodjayev X.M. (2023). Zamonaviy yondashuvlar asosida O‘zbekiston bank tizimida
kredit xavfini baholash. Finanslar va bank jurnali, №1, 44–51-betlar.
6.
Safarov U.K. (2024). O‘zbekiston bank amaliyotida intellektual tizimlarni joriy etish
istiqbollari. Davlat boshqaruvi akademiyasi ilmiy to‘plami, №1, 72–79-betlar.
`
171
7.
Maxkamova Sh.B. (2022). Banklarda raqamlashtirish va risk-menejment: muammolar va
istiqbollar. O‘zbekiston Bank-moliya akademiyasi axborotnomasi, №2, 61–68-betlar.
