2.1 Post-hoc-Erklärungsverfahren: Lokale und globale Interpretierbarkeit
Die methodische Operationalisierung von Erklärbarkeit in der Kreditrisikomodellierung erfordert eine differenzierte Verknüpfung lokaler und globaler Interpretationsansätze, um hochdimensionale Klassifikatoren mit bankaufsichtlichen Vorgaben in Einklang zu bringen. Während traditionelle Scoring-Verfahren inhärent transparent sind, erzeugen komplexe Ensemble- und Deep-Learning-Architekturen eine Intransparenz, die den Einsatz modellagnostischer Post-hoc-Verfahren notwendig macht (Bussmann et al., 2022). Auf lokaler Ebene ermöglichen Verfahren wie Shapley Additive Explanations (SHAP) und Local Interpretable Model-agnostic Explanations (LIME) die exakte Zerlegung individueller Kreditentscheidungen in merkmalsbezogene Attributionswerte, wodurch Kreditablehnungen einzelfallbezogen begründbar werden (Kumar et al., 2025). Auf globaler Ebene wiederum aggregieren diese Methoden Merkmalswichtigkeiten über das gesamte Kreditportfolio hinweg, um systematische Muster und potenzielle Modellverzerrungen offenzulegen. Methodologisch genügt die bloße mathematische Annäherung jedoch nicht den Anforderungen an eine robuste Modellprüfung; vielmehr muss die Stabilität der Erklärungen gegen perturbationelle Störungen systematisch evaluiert werden (Chen et al., 2026). Indem globale Merkmalsinterdependenzen mit lokalen Attributionsprofilen trianguliert werden, entsteht ein methodisch fundiertes Validierungsdispositiv, das sowohl statistische Diskriminationsfähigkeit als auch regulatorisch geforderte Nachvollziehbarkeit gewährleistet. Dieses Verfahren bildet das Fundament für nachgelagerte Fairness- und Governance-Prüfungen im Kreditvergabeprozess.