ФРАДИН Н.И.

Научная статья
https://doi.org/10.24412/2220-2404-2026-8-21
УДК 332.1
     
ПРИМЕНЕНИЕ МЕТОДОВ ОБЪЯСНИМОГО ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ОБЕСПЕЧЕНИЯ ПРОЗРАЧНОСТИ РЕШЕНИЙ В ПРОЕКТНОМ ФИНАНСИРОВАНИИ ЖИЛИЩНОГО СТРОИТЕЛЬСТВА
Фрадин Н.И.
Воронежский филиал Российского экономического университета им. Г.В. Плеханова
Аннотация: Активное внедрение алгоритмов машинного обучения в контур принятия кредитных решений по проектному финансированию жилищного строительства (ПФ ЖС) наталкивается на серьёзное препятствие — недостаточную прозрачность таких моделей. Целью работы выступает формирование методических рекомендаций по использованию инструментов объяснимого искусственного интеллекта (XAI) для повышения прозрачности и доказательности решений, принимаемых российскими банками в данном сегменте. Методологическая база исследования включает критический разбор научных источников за 2020–2024 гг., изучение нормативных требований Банка России, а также материалы глубинных интервью с представителями кредитных организаций. Полученные результаты свидетельствуют: механическое применение распространённых XAI-методов (SHAP, LIME) без их настройки под особенности ПФ ЖС ведёт к неустойчивым и противоречащим логике интерпретациям, что обусловлено многомерностью и тесной связанностью факторов риска. В качестве решения предложен подход, базирующийся на группировке факторов, учёте причинно-следственных зависимостей и создании специализированных форматов отчётности для кредитных комитетов. Автор приходит к выводу, что объяснимый ИИ следует воспринимать не как вспомогательную надстройку, а как базовый элемент гибридной человеко-машинной архитектуры принятия решений. 
Ключевые слова: проектное финансирование, жилищное строительство, объяснимый искусственный интеллект, XAI, SHAP, LIME, кредитный риск, принятие решений, банковское регулирование.
Финансирование: инициативная работа. 

Original article

APPLICATION OF EXPLAINABLE ARTIFICIAL INTELLIGENCE METHODS TO ENSURE TRANSPARENCY OF DECISIONS IN PROJECT FINANCING OF HOUSING CONSTRUCTION
Nikita I. Fradin
Voronezh Branch of Plekhanov Russian University of Economics

Abstract: The active introduction of machine learning algorithms into the credit decision-making framework for project financing of housing construction (PF HC) faces a serious obstacle — the insufficient transparency of such models. The aim of this study is to develop methodological recommendations for the use of explainable artificial intelligence (XAI) tools to enhance the transparency and evidentiary quality of decisions made by Russian banks in this segment. The methodological basis of the research includes a critical review of scientific sources from 2020–2024, an analysis of the regulatory requirements of the Bank of Russia, as well as materials from in-depth interviews with representatives of credit institutions. The results obtained indicate that the mechanical application of common XAI methods (SHAP, LIME) without their adaptation to the specifics of PF HC leads to unstable and logically contradictory interpretations, which is due to the multidimensionality and close interconnectedness of risk factors. As a solution, an approach is proposed based on the grouping of factors, consideration of cause-and-effect relationships, and the development of specialized reporting formats for credit committees. The author concludes that explainable AI should be perceived not as an auxiliary add-on, but as a fundamental element of a hybrid human-machine decision-making architecture. 
Keywords: project financing, housing construction, explainable artificial intelligence, XAI, SHAP, LIME, credit risk, decision-making, banking regulation.
Funding: Independent work.
Список источников:
1. Банк России. Положение от 06.08.2015 № 483-П "О порядке рас-чета величины кредитного риска на основе внутренних рейтингов" (ред. от 2021 г.). - М., 2015.
2. Переверзева, В. В. Эффективная система проектного финансирования: принципы и практика / В. В. Переверзева // Известия Саратовского университета. Новая серия. Серия: Экономика. Управление. Право. - 2018. - Т. 18, № 2. - С. 134-140.  DOI: 10.18500/1994-2540-2018-18-2-134-140 EDN: XNAHVB
3. Переверзева, В. В. Механизм проектного финансирования при реали-зации инвестиционных проектов / В. В. Переверзева // Вестник Россий-ского экономического университета имени Г.В. Плеханова. - 2018. - № 3(99). - С. 24-32. EDN: XQKFID
4. Тихомиров, Д. В. Финансовая модель как инструмент принятия реше-ний в проектном финансировании / Д. В. Тихомиров // Известия Санкт-Петербургского государственного экономического университета. - 2018. - № 2(110). - С. 44-51. EDN: YWNEKC
5. Фрадин, Н. И. Применение искусственных нейронных сетей для оценки привлекательности сделки проектного финансирования застройщика для банка / Н. И. Фрадин, Е. И. Макаров // Инновации и инвестиции. - 2023. - № 10. - С. 488-492. EDN: IUEZNR
6. Gramegna, A. SHAP and LIME: An Evaluation of Discriminative Power in Credit Risk / A. Gramegna, P. Giudici // Frontiers in Artificial Intelligence. - 2021. - Vol. 4.  DOI: 10.3389/frai.2021.752558 EDN: VEOSDI
7. Explainable AI for Credit Assessment in Banks / P. E. De Lange, B. Mel-som, Ch. B. Vennerød, S. Westgaard // Journal of Risk and Financial Man-agement. - 2022. - Vol. 15, No. 12. - P. 556.  DOI: 10.3390/jrfm15120556 EDN: LMOOOY
8. Lundberg, S. M. A Unified Approach to Interpreting Model Predictions [Text] / S. M. Lundberg, S.-I. Lee // Advances in Neural Information Pro-cessing Systems 30 (NIPS 2017). - 2017. - P. 4765-4774.
9. Transparency, auditability, and explainability of machine learning models in credit scoring / M. Bücker, G. Szepannek, A. Gosiewska, P. Biecek // Journal of the Operational Research Society. - 2022. - Vol. 73, No. 1. - P. 70-90.  DOI: 10.1080/01605682.2021.1922098 EDN: PODWIW
10. Artificial Intelligence and Bank Credit Analysis: A Review [Text] // Cogent Economics & Finance. - 2022. - Vol. 10, № 1. -  DOI: 10.1080/23322039.2022.2023262
11. Machine learning-driven credit risk: a systemic review / Si. Shi, R. Tse, W. Luo [et al.] // Neural Computing & Applications. - 2022. - Vol. 34, No. 17. - P. 14327-14339.  DOI: 10.1007/s00521-022-07472-2 EDN: CTZBLQ
12. Wilson, H. J. Collaborative Intelligence: Humans and AI Are Joining Forces [Text] / H. J. Wilson, P. R. Daugherty // Harvard Business Review. - 2021. - Vol. 99, № 4. - P. 114-123.
References
1.    1. Bank of Russia. Regulation No. 483‑P dated 06.08.2015 “On the Procedure for Calculating the Amount of Credit Risk Based on Internal Ratings” (as amended in 2021). – Moscow, 2015.
2.    2. Pereverzeva, V. V. An Effective Project Financing System: Principles and Practice / V. V. Pereverzeva // Izvestiya of Saratov University. New Series. Series: Economics. Management. Right. - 2018. - Vol. 18, No. 2. - Pp. 134-140.  DOI: 10.18500/1994-2540-2018-18-2-134-140 EDN: XNAHVB
3.    3. Pereverzeva, V. V. The mechanism of project financing in the implementation of investment projects / V. V. Pereverzeva // Vestnik of the Plekhanov Russian University of Economics. – 2018. – No. 3(99). – Pp. 24-32. EDN: XQKFID
4.    4. Tikhomirov, D. V. Financial model as a decision‑making tool in project financing / D. V. Tikhomirov // Izvestia of the Saint Petersburg State Economic University. - 2018. - No. 2(110). - Pp. 44–51. EDN: YWNEKC
5.    5. Fradin, N. I. The use of artificial neural networks to assess the attractiveness of a developer’s project financing transaction for a bank / N. I. Fradin, E. I. Makarov // Innovations and Investments. - 2023. - No. 10. - Pp. 488–492. EDN: IUEZNR
6.    6. Gramegna, A. SHAP and LIME: an evaluation of discriminatory power and credit risk / A. Gramegna, P. Giudici / / Fondation pour l’Entreprise. - 2021. - Vol. 4. DOI: 10.3389 / spawning.2021.752558 EDN: VEOSDI
7.    7. AI pou Evalyasyon Kredi nan Bank / P. e. de Lange, B. mel-som, Ch. B. Vennerød, S. Westgaard / / Jounal Nan Risk ak finansye moun-agiman. – 2022. – Vol. 15, No. 12. – P. 556.  DOI: 10.3390 / jrfm15120556 EDN: LMOOOY
8.    8. Lundberg, S. M. yon Apwòch Inifye Pou Entèprete Prediksyon modèl [Tèks] / S. M. Lundberg, S. - I. Lee / / Avanse nan Sistèm Pro-cessing Enfòmasyon Neral 30 (NIPS 2017). – 2017. – P. 4765–4774.
9.    9. Transparans, oditabilite, ak eksplikasyon nan modèl aprantisaj machin nan nòt kredi / m. bücker, g. szepannek, a. Gosiewska, P. Biecek / / Journal of The Operational Research Society. - 2022. - Vol. 73, Nimewo 1. - Pp. 70–90.  DOI: 10.1080 / 01605682.2021.1922098 EDN: PODWIW
10.    10. Atifisyèl Entèlijans ak Bank Kredi Analiz: yon Revizyon [Tèks] / / Cogent Ekonomi & Finans. - 2022. - Vol. 10, № 1. - DOI: 10.1080/23322039.2022.2023262
11.    11. Aprantisaj machin kondwi risk kredi: yon revizyon sistemik / si. Shi, R. Tse, W. Luo [et al.] / / Neural Computing & Aplikasyon. - 2022. - Vol. 34, No. 17. - P. 14327-14339.  DOI: 10.1007/s00521-022-07472-2 EDN: CTZBLQ
12.    12. Wilson, H. J. Kolaborasyon Entèlijans: Moun ak ai ap Rantre nan fòs [ Tèks] / H. J. Wilson, P. R. Daugherty / / Harvard Revizyon Biznis. - 2021. - Vol. 99, № 4. - P. 114-123.

Информация об авторе: 
Фрадин Никита Ильич, Аспирант, Воронежский филиал Российского экономического университета им. Г.В. Плеханова, Воронеж, Россия, e-mail: nfradin@mail.ru, ORCID: 0009-0000-7931-7585
Nikita I. Fradin, PhD student, Voronezh Branch of Plekhanov Russian University of Economics, Voronezh, Russia