人工智能（AI）在公共部门财务管理中的日益普及引发了关于可解释性、问责性、治理对齐和机构透明度的重大关切。现有的基于AI的财政分析方法通常强调预测能力，而与正式治理结构和公共部门监督要求的整合有限。本研究提出了一种以治理为中心的AI咨询框架，将AI辅助的财政分

　　人工智能（AI）在公共部门财务管理中的日益普及引发了关于可解释性、问责性、治理对齐和机构透明度的重大关切。现有的基于AI的财政分析方法通常强调预测能力，而与正式治理结构和公共部门监督要求的整合有限。本研究提出了一种以治理为中心的AI咨询框架，将AI辅助的财政分析直接嵌入机构预算、问责和面向治理的决策支持工作流程中。该框架不是将AI视为孤立的预测或自动化技术，而是将分析智能操作化，置于强调可解释性、可审计性、可追溯性和机构可用性的治理感知咨询结构中。该框架使用从沙特阿拉伯财政部官方预算绩效报告中获得的2023财年真实纵向公共部门财政记录进行评估。实验评估包括时间财政监测、异质预算条件下的鲁棒性分析，以及与常规描述性预算分析和独立AI财政分析程序的比较评估。实验使用了季度政府财政指标，包括收入、支出、赤字进展、债务积累、支出波动性以及多个报告区间的石油和非石油收入行为。研究结果表明，所提出的以治理为中心的框架保持了较强的时间分析一致性（81.9%），同时算法计算的可解释性支持得分为4.6/5，治理对齐指数为0.94，操作决策可用性指数为4.7/5（相对于常规统计基线（Logistic Regression）和独立AI分析方法）。相对于常规描述性预算分析的改进通过面向治理的机构比较单独报告。额外的验证研究表明，决策可用性指数和治理对齐指数提供了最强的预测贡献，而可追溯性指数和时间支持指数表现出最强的结构层面统计有效性证据。鲁棒性分析进一步显示，在涉及支出波动性、债务进展和收入结构变化的异质财政条件下，治理感知分析行为保持稳定。额外的统计验证证明了可追溯性指数和时间支持指数的经验支持，而其他治理指标表现出较弱的证据，应主要解释为治理支持指标而非主要预测驱动因素。研究结果表明，当得到可重复的面向治理分析程序支持时，治理感知分析操作化可以为基于公式的操作性财政风险分类提供超越独立AI模型的可测量价值。由于监督标签代表确定性的操作财政风险类别而非独立验证的财政异常，所报告的结果不应被解释为对真实世界财政异常检测或财务不当行为的直接验证。

　　**论文解读：以治理为中心的人工智能框架用于公共部门预算决策与财务风险管理**

　　随着经济不确定性、监管扩展和公众监督要求的增加，公共部门组织在预算管理中面临财政可持续性、问责性、透明度和循证决策的挑战。传统的财政管理系统主要依赖事后回顾和人工财务审查，难以在持续财政监测和早期支出风险识别方面保持同步。近年来，人工智能（AI）在金融风险管理、支出监测、预测和资源分配中的应用加速，但现有研究多聚焦于预测能力或运营自动化，忽略了与正式治理结构和机构监督要求的整合。当前AI在公共部门财务中的应用常作为孤立工具，缺乏可解释性、可审计性、可追溯性和机构可用性，且多数研究停留在理论或模拟层面，缺乏基于真实财政数据的经验验证。此外，现有AI治理和负责任AI研究虽强调可解释性和监管对齐，但未将这些原则操作化到实际公共部门财务决策支持工作流程中。因此，本研究旨在提出一个以治理为中心的AI咨询框架，将AI辅助分析直接嵌入治理感知的机构工作流程，以支持公共部门预算监测和财务风险评估。

　　研究人员使用沙特阿拉伯财政部2023财年的官方季度预算绩效报告中的纵向财政记录，构建了一个包含140个面板实体、803个观测值和43个预测特征的面板数据集。通过确定性治理导向标签协议生成操作财政风险标签（基于公式的异常类别），并采用Logistic回归作为统计基线，独立AI模型（随机森林）和所提出的治理中心AI模型（同样基于随机森林但包含治理感知变量）进行对比评估。实验设计包括三个主要部分：实验一比较常规描述性预算分析与治理中心AI框架在关键绩效指标上的差异；实验二评估治理中心框架在不同财政条件（如高支出波动性、债务进展等）下的鲁棒性；实验三通过交叉验证和比较分析，评估治理中心框架相对于统计基线和独立AI模型在时间分析一致性、可解释性、治理对齐和决策可用性方面的表现。

　　主要结论：治理中心AI框架实现了81.9%的时间分析一致性，算法计算的可解释性支持得分为4.6/5，治理对齐指数为0.94，操作决策可用性指数为4.7/5，均优于常规描述性预算分析和独立AI模型。额外验证显示，决策可用性指数和治理对齐指数提供了最强的预测贡献，而可追溯性指数和时间支持指数表现出最强的结构层面统计有效性。鲁棒性分析表明，在异质财政条件下治理感知分析行为保持稳定。该研究发表在《Electronics》。

　　研究人员采用以下关键技术方法：（1）确定性治理指标生成：通过数学公式定义并计算可追溯性指数、可解释性指数、审计就绪指数、治理对齐指数、风险信号完整性指数、时间支持指数和决策可用性指数，这些指标完全基于可观测的溯源特征、特征可用性、分析完整性、时间一致性等计算，无需主观评分。（2）基于公式的异常标签构建：利用五个财政风险分量（实体偏差、时期偏差、时间行为、滚动变异性、源不确定性）加权组合生成综合风险分数，并以上四分位数为阈值确定操作异常标签，所有标签生成在模型训练前完成。（3）泄漏安全特征构建：排除直接参与标签公式的变量，仅使用独立于标签生成过程的财政特征进行模型训练。（4）重复分组交叉验证：采用GroupShuffleSplit按财政报告期分组，防止信息泄露，并进行30次重复验证和Bootstrap置信区间估计。（5）鲁棒性分析和敏感性分析：评估不同财政条件（如支出波动性、债务进展）下的分析稳定性，以及不同异常阈值（70th-90th百分位数）下的标签鲁棒性。

　　该实验使用沙特阿拉伯2023财年Q1至Q4及累计“截至Q3”和“截至Q4”的官方季度预算绩效报告中的财政指标（总收入、石油收入、非石油收入、总支出、盈余/赤字、公共债务等）。研究人员比较了常规描述性预算分析（基于回顾性报告和人工审查）与治理中心AI框架。结果显示，治理中心AI框架在风险检测提前时间（平均提前周数）、异常检测率（%）、决策一致性（%）、算法可解释性支持指数（5分制）和治理可追溯性指数（0-1归一化）方面均显著优于常规分析。例如，治理中心AI框架的异常检测率更高，决策一致性更强，可解释性支持得分达4.6/5，治理可追溯性指数为0.94。

　　研究人员从主要政府支出领域（如运营支出、基础设施资本支出、社会支出等）中选取不同财政动态的子集，评估治理中心AI框架在支出波动性、赤字进展、债务积累和石油依赖变化等条件下的鲁棒性。三个评估维度包括时间分析稳定性、可解释性一致性和治理对齐。结果显示，尽管高支出波动性和强债务进展的财政环境表现出更高的分析变异，但治理感知的可解释性和机构可追溯性在所有评估场景中保持稳定。决策可用性指数和治理对齐指数提供了最大的增量预测贡献（但ROC-AUC改进幅度较小，分别为+0.0060和+0.0037），而可追溯性指数和时间支持指数表现出最强的结构层面统计效度。

　　研究人员将治理中心AI框架与常规统计基线（Logistic回归）和独立AI模型（随机森林，仅使用财政指标）进行对比评估。所有配置使用相同的数据集、目标变量、训练-测试划分和验证协议。结果显示，独立AI模型在孤立的时间分析一致性上略高，但治理中心AI框架在算法计算的可解释性支持、治理对齐、可追溯性和操作决策可用性方面均表现更高。例如，治理中心AI框架的治理对齐指数为0.94，决策可用性指数为4.7/5，而独立AI模型分别为0.53和2.2/5。独立性预测价值分析显示，决策可用性指数和治理对齐指数是预测性能的最强贡献者；留一法消融分析进一步确认决策可用性指数在治理中心模型中最具影响力。统计验证显示，可追溯性指数和时间支持指数具有最强的经验效度证据，而其他治理指标（如审计就绪指数、风险信号完整性指数）证据较弱，应主要作为治理报告和审计支持指标。

　　讨论部分指出，嵌入治理约束的分析操作化提高了AI辅助财政监测的实用性和问责性，与近期文献强调的AI系统在组织治理结构中的整合价值一致。研究结果局限于沙特阿拉伯2023财年数据，不声称跨所有政府财政系统的普适性。鲁棒性分析表明，在异质财政条件下治理感知分析行为保持稳定，但需要未来多国多年度验证。研究结论部分翻译如下：本研究通过考察如何将人工智能操作化到以治理为中心的机构决策支持结构中，而非作为孤立技术部署，填补了公共部门财务管理中的一个重要空白。使用来自官方财政部预算绩效报告的纵向财政记录，所提出的治理中心AI框架将治理导向分析指标整合到财政监测和公共部门预算评估过程中。实验结果表明，治理感知分析操作化可以在保持强预测性能的同时融入财政监测工作流程。比较评估显示，治理导向分析变量能提供超越常规财政指标和独立AI配置的可测量价值。然而，额外验证表明治理指标贡献不均：决策可用性指数和治理对齐指数提供了最强的预测贡献，而可追溯性指数和时间支持指数表现出最强的经验效度。鲁棒性分析、泄漏审计和敏感性分析证实了分析框架的稳定性。本研究将治理感知分析框架视为整合AI与公共部门财政监测的机制，而非自动化决策工具。局限性包括单一政府背景和基于公式的操作分类，未来需使用经审计确认的财政异常进行外部验证。总体而言，治理感知分析操作化是AI融入公共部门财政监督的一个有希望的方向。