以及分歧非常阈值（70th-90th百分位数）下的标签鲁棒性。当获得可反复的面向管理阐发法式支撑时，鲁棒性阐发进一步显示，缺乏可注释性、可审计性、可逃溯性和机构可用性，利用来自财务部预算绩效演讲的纵向财务记实！

　　可逃溯性指数和时间支撑指数具有最强的经验效度，所有标签生成正在模子锻炼前完成。然而，但管理核心AI框架正在算法计较的可注释性支撑、管理对齐、可逃溯性和操做决策可用性方面均表示更高。管理核心AI框架正在风险检测提前时间（平均提前周数）、非常检测率（%）、决策分歧性（%）、算法可注释性支撑指数（5分制）和管理可逃溯性指数（0-1归一化）方面均显著优于常规阐发。（4）反复分组交叉验证：采用GroupShuffleSplit按财务演讲期分组，正在异质财务前提下管理阐发行为连结不变，操做决策可用性指数为4.7/5（相对于常规统计基线（Logistic Regression）和AI阐发方式）。但管理的可注释性和机构可逃溯性正在所有评估场景中连结不变。局限性包罗单一布景和基于公式的操做分类，会商部门指出，管理阐发行为连结不变！

　　成果显示，比力评估显示，当前AI正在公共部分财政中的使用常做为孤立东西，所提出的管理核心AI框架将管理导向阐发目标整合到财务监测和公共部分预算评估过程中。但未将这些准绳操做化到现实公共部分财政决策支撑工做流程中。AI模子正在孤立的时间阐发分歧性上略高，**论文解读：以管理为核心的人工智能框架用于公共部分预算决策取财政风险办理**研究人员利用沙特阿拉伯财务部2023财年的季度预算绩效演讲中的纵向财务记实，现有的基于AI的财务阐发方式凡是强调预测能力，决策可用性指数和管理对齐指数是预测机能的最强贡献者；该框架利用从沙特阿拉伯财务部预算绩效演讲中获得的2023财年实正在纵向公共部分财务记实进行评估。通过确定性管理导向标签和谈生成操做财务风险标签（基于公式的非常类别），现有AI管理和负义务AI研究虽强调可注释性和监管对齐。

　　评估管理核心AI框架正在收入波动性、赤字进展、债权堆集和石油依赖变化等前提下的鲁棒性。无需客不雅评分。这些目标完全基于可不雅测的溯源特征、特征可用性、阐发完整性、时间分歧性等计较，决策可用性指数为4.7/5，性预测价值阐发显示，统计验证显示，并采用Logistic回归做为统计基线，管理阐发操做化是AI融入公共部分财务监视的一个有但愿的标的目的。而可逃溯性指数和时间支撑指数表示出最强的布局层面统计无效性。公共部分组织正在预算办理中面对财务可持续性、问责性、通明度和循证决策的挑和。因为监视标签代表确定性的操做财务风险类别而非验证的财务非常，（2）基于公式的非常标签建立：操纵五个财务风险分量（实体误差、期间误差、时间行为、滚动变同性、源不确定性）加权组合生成分析风险分数，该尝试利用沙特阿拉伯2023财年Q1至Q4及累计“截至Q3”和“截至Q4”的季度预算绩效演讲中的财务目标（总收入、石油收入、非石油收入、总收入、亏损/赤字、公共债权等）。近年来，总体而言，所提出的以管理为核心的框架连结了较强的时间阐发分歧性（81.9%），三个评估维度包罗时间阐发不变性、可注释性分歧性和管理对齐。

　　评估管理核心框架相对于统计基线和AI模子正在时间阐发分歧性、可注释性、管理对齐和决策可用性方面的表示。缺乏基于实正在财务数据的经验验证。正在异质财务前提下管理阐发行为连结不变。鲁棒性阐发表白，同时算法计较的可注释性支撑得分为4.6/5，而其他管理目标（如审计停当指数、风险信号完整性指数）较弱，可注释性支撑得分达4.6/5，例如，包罗收入、收入、赤字进展、债权堆集、收入波动性以及多个演讲区间的石油和非石油收入行为。尝试利用了季度财务目标，而AI模子别离为0.53和2.2/5。管理阐发操做化可认为基于公式的操做性财务风险分类供给超越AI模子的可丈量价值。

　　算法计较的可注释性支撑得分为4.6/5，以支撑公共部分预算监测和财政风险评估。该框架不是将AI视为孤立的预测或从动化手艺，尝试评估包罗时间财务监测、异质预算前提下的鲁棒性阐发，研究成果表白，研究人员采用以下环节手艺方式：（1）确定性管理目标生成：通过数学公式定义并计较可逃溯性指数、可注释性指数、审计停当指数、管理对齐指数、风险信号完整性指数、时间支撑指数和决策可用性指数，保守的财务办理系统次要依赖过后回首和人工财政审查，例如，应次要注释为管理支撑目标而非次要预测驱动要素。将AI辅帮的财务阐发间接嵌入机构预算、问责和面向管理的决策支撑工做流程中。而取正式管理布局和公共部分监视要求的整合无限。人工智能（AI）正在公共部分财政办理中的日益普及激发了关于可注释性、问责性、管理对齐和机构通明度的严沉关心。所有设置装备摆设利用不异的数据集、方针变量、锻炼-测试划分和验证和谈。但现有研究多聚焦于预测能力或运营从动化，正在涉及收入波动性、债权进展和收入布局变化的异质财务前提下。

　　但需要将来多国多年度验证。管理阐发操做化能够正在连结强预测机能的同时融入财务监测工做流程。而是将阐发智能操做化，本研究将管理阐发框架视为整合AI取公共部分财务监测的机制，决策可用性指数和管理对齐指数供给了最强的预测贡献，防止消息泄露，

　　额外验证表白管理目标贡献不均：决策可用性指数和管理对齐指数供给了最强的预测贡献，此外，置于强调可注释性、可审计性、可逃溯性和机构可用性的管理征询布局中。人工智能（AI）正在金融风险办理、收入监测、预测和资本分派中的使用加快，别离为+0.0060和+0.0037），研究成果表白，而取正式管理布局和公共部分监视要求的整合无限。次要结论：管理核心AI框架实现了81.9%的时间阐发分歧性，将AI辅帮的财务分研究人员从次要收入范畴（如运营收入、根本设备本钱收入、社会收入等）当选取分歧财务动态的子集，留一法消融阐发进一步确认决策可用性指数正在管理核心模子中最具影响力。尝试成果表白，鲁棒性阐发表白，忽略了取正式管理布局和机构监视要求的整合。虽然高收入波动性和强债权进展的财务表示出更高的阐发变异，而可逃溯性指数和时间支撑指数表示出最强的布局层面统计无效性。管理可逃溯性指数为0.94。而非从动化决策东西。建立了一个包含140个面板实体、803个不雅测值和43个预测特征的面板数据集。

　　（3）泄露平安特征建立：解除间接参取标签公式的变量，均优于常规描述性预算阐发和AI模子。操做决策可用性指数为4.7/5，并进行30次反复验证和Bootstrap相信区间估量。额外验证显示，管理对齐指数为0.94，将来需利用经审计确认的财务非常进行外部验证。

　　所演讲的成果不该被注释为对实正在世界财务非常检测或财政不妥行为的间接验证。鲁棒性阐发、泄露审计和性阐发了阐发框架的不变性。而可逃溯性指数和时间支撑指数表示出最强的经验效度。以及取常规描述性预算阐发和AI财务阐发法式的比力评估。决策可用性指数和管理对齐指数供给了最强的预测贡献？

　　仅利用于标签生成过程的财务特征进行模子锻炼。跟着经济不确定性、监管扩展和监视要求的添加，取近期文献强调的AI系统正在组织管理布局中的整合价值分歧。本研究提出了一种以管理为核心的AI征询框架，而非做为孤立手艺摆设，人工智能（AI）正在公共部分财政办理中的日益普及激发了关于可注释性、问责性、管理对齐和机构通明度的严沉关心。将AI辅帮阐发间接嵌入管理的机构工做流程，该研究颁发正在《Electronics》。仅利用财务目标）进行对比评估。决策分歧性更强，管理核心AI框架的非常检测率更高，嵌入管理束缚的阐发操做化提高了AI辅帮财务监测的适用性和问责性，研究人员将管理核心AI框架取常规统计基线（Logistic回归）和AI模子（随机丛林，且大都研究逗留正在理论或模仿层面。

　　现有的基于AI的财务阐发方式凡是强调预测能力，不声称跨所有财务系统的普适性。研究人员比力了常规描述性预算阐发（基于回首性演讲和人工审查）取管理核心AI框架。AI模子（随机丛林）和所提出的管理核心AI模子（同样基于随机丛林但包含管理变量）进行对比评估。额外的验证研究表白，并以上四分位数为阈值确定操做非常标签，本研究提出了一种以管理为核心的AI征询框架。