این پژوهش با هدف طراحی و توسعه مدل اعتبارسنجی تعاملی در صنعت لیزینگ ایران انجام شده است تا اثر هم‌زمان مدت قرارداد و نرخ بازپرداخت بر ریسک اعتباری مشتریان با دقت بیشتری سنجیده شود. ضرورت این مطالعه از آنجا ناشی می‌شود که ادبیات رایج اعتبارسنجی، چه در قالب مدل‌های آماری نظیر لاجیت و رگرسیون‌های کلاسیک و چه در چارچوب کارت‌های امتیازدهی و روش‌های یادگیری ماشین، غالباً بر اثرات منفرد متغیرها تکیه دارد و کمتر به برهم‌کنش‌های ساختاری میان شاخص‌های قراردادی توجه کرده است؛ در حالی‌که تصمیمات اعتباری شرکت‌های لیزینگ به‌صورت عملی از ترکیب همزمان پارامترهای مدت و شدت بازپرداخت متاثر می‌شوند.مطالعه حاضر با رویکردی بومی و تطبیقی نسبت به مدل‌های معتبر جهانی، تلاش کرده است شکاف مزبور را پوشش دهد و چارچوبی ارائه کند که به‌طور مشخص بر ضریب تعاملی حاصل‌ضرب مدت قرارداد و نرخ بازپرداخت تمرکز دارد.پژوهش حاضر کاربردی و کمی است و داده‌های ۱۱۳۶ قرارداد لیزینگ فعال در شرکت‌های ایران‌خودرو، پارسیان، ملت و کارآفرین طی دوره ۱۳۹۸ تا ۱۴۰۲ را تحلیل می‌کند. پس از پاکسازی، اعتبارسنجی و کدگذاری متغیرها، ریسک اعتباری به‌صورت شاخصی از احتمال نکول و رفتار بازپرداخت عملیاتی‌سازی شد. روش تحلیل، رگرسیون چندگانه تعدیل‌شده است که علاوه بر اثرات اصلی مدت قرارداد و نرخ بازپرداخت، ضریب تعاملی آنها نیز به‌عنوان شاخص اثر مشترک وارد شد. افزون بر این، کنترل‌های لازم برای ویژگی‌های قراردادی و مشتریان در مدل منظور گردید تا برآوردها از سوگیری‌های متعارف مصون بمانند.
یافته‌ها نشان می‌دهد مدت قرارداد با ریسک اعتباری رابطه‌ای مثبت دارد و افزایش طول دوره به‌طور معنادار احتمال بروز رفتارهای پرریسک را تقویت می‌کند؛ در مقابل، نرخ بازپرداخت با ریسک اعتباری رابطه‌ای منفی دارد و شدت بالاتر پرداخت‌ها به کاهش ریسک منجر می‌شود. مهم‌تر آنکه ضریب تعامل میان این دو متغیر به‌طور معنادار منفی است (β₄ = −0.192، Sig=0.001 )و مدل توانسته است حدود ۶۱ درصد از واریانس ریسک اعتباری را توضیح دهد. این نتیجه به‌روشنی نشان می‌دهد که در قراردادهای بلندمدت،تعیین نرخ بازپرداخت بالا قادر است اثر افزایشی مدت بر ریسک را نه‌تنها جبران، بلکه به‌طور قابل‌ملاحظه‌ای کاهش دهد. به بیان دیگر، اثر ترکیبی «طول × شدت» دارای ماهیتی غیرخطی و سیاست‌پذیر است و استفاده از الگوهای تعاملی نسبت به ارزیابی جداگانه متغیرها، دقت پیش‌بینی نکول را افزایش می‌دهد.
از منظر مدیریتی، پیامدهای پژوهش حاکی از آن است که شرکت‌های لیزینگ باید در طراحی سبد محصولات اعتباری، قیمت‌گذاری ریسک و تخصیص منابع مالی، به تنظیم هم‌زمان مدت و نرخ بازپرداخت توجه کنند؛ به‌ویژه در قراردادهای با دوره‌های طولانی، سیاست نرخ‌های بازپرداخت قوی (به‌همراه ابزارهای انگیزشی و جریمه‌های رفتاری) می‌تواند پروفایل ریسک رابه‌نحو معناداری بهبود دهد. همچنین، پیاده‌سازی کارت‌های امتیازدهی با مؤلفه‌های تعاملی و بازتنظیم مقررات داخلی اعتبارسنجی بر مبنای نتایج این مدل، توصیه می‌شود. از حیث نوآوری، مدل تعاملی پیشنهادی خلأ مهمی را در ادبیات ایرانی پر می‌کند و با تکیه بر داده‌های واقعی صنعت، چارچوبی قابل‌انتقال برای بهبود دقت پیش‌بینی و تصمیم‌گیری اعتباری ارائه می‌دهد. در نهایت، پیشنهاد می‌شود مطالعات آتی با افزودن متغیرهای رفتاری، آزمون‌های پایداری در زیر‌بازارها و مقایسه با الگوریتم‌های پیشرفته یادگیری ماشین، ظرفیت تعمیم و کارایی مدل را بیش از پیش ارزیابی کنند.