A medida que la integración económica global se profundiza, el comercio de importación y exportación juega un papel cada vez más vital en la economía de China. Para mejorar la eficiencia regulatoria y lograr una supervisión crediticia científica y transparente, este estudio propone un modelo de evaluación de riesgo de crédito comercial basado en aprendizaje automático interpretable, incorporando preferencias de pérdida. Se identifican características clave de riesgo a través de un marco de interpretabilidad integral que combina SHapley Additive exPlanations (SHAP) y Local Interpretable Model-agnostic Explanations (LIME), formando un subconjunto óptimo de características. Utilizando Light Gradient Boosting Machine (LightGBM) como modelo base, se introduce una estrategia de ajuste de peso para reducir la costosa mala clasificación de empresas de alto riesgo, mejorando efectivamente su tasa de reconocimiento. Sin embargo, este ajuste conduce a una disminución en la precisión general. Para abordar este compromiso, se aplica un marco de conjunto Bagging, que restaura y mejora ligeramente la precisión mientras mantiene bajos los costos de mala clasificación. Los resultados experimentales demuestran que el marco de interpretabilidad mejora la transparencia y la aplicabilidad empresarial, la estrategia de ajuste de peso mejora la detección de empresas de alto riesgo, y Bagging equilibra el rendimiento general de clasificación. El método propuesto asegura una identificación confiable de empresas de alto riesgo mientras preserva la robustez general del modelo, proporcionando así un fuerte valor práctico para la evaluación del riesgo crediticio empresarial y la toma de decisiones.