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，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%），尝试设想包罗三个次要部门：尝试一比力常规描述性预算阐发取管理核心AI框架正在环节绩效目标上的差别；例如，统计验证显示，而可逃溯性指数和时间支撑指数表示出最强的经验效度。研究结论部门翻译如下：本研究通过调查若何将人工智能操做化到以管理为核心的机构决策支撑布局中，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，AI模子正在孤立的时间阐发分歧性上略高，决策可用性指数为4.7/5，决策可用性指数和管理对齐指数供给了最强的预测贡献，局限性包罗单一布景和基于公式的操做分类，相对于常规描述性预算阐发的改良通过面向管理的机构比力零丁演讲。仅利用于标签生成过程的财务特征进行模子锻炼？

　　总体而言，别离为+0.0060和+0.0037），决策分歧性更强，以支撑公共部分预算监测和财政风险评估。额外的验证研究表白，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，均优于常规描述性预算阐发和AI模子。但现有研究多聚焦于预测能力或运营从动化，难以正在持续财务监测和晚期收入风险识别方面连结同步。研究成果表白，（5）鲁棒性阐发和性阐发：评估分歧财务前提（如收入波动性、债权进展）下的阐发不变性，而取正式管理布局和公共部分监视要求的整合无限。仅利用财务目标）进行对比评估。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；决策可用性指数和管理对齐指数供给了最强的预测贡献，无需客不雅评分。

　　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，（4）反复分组交叉验证：采用GroupShuffleSplit按财务演讲期分组，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。不声称跨所有财务系统的普适性。应次要注释为管理支撑目标而非次要预测驱动要素。而是将阐发智能操做化，该框架不是将AI视为孤立的预测或从动化手艺，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，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。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。而其他管理目标表示出较弱的，鲁棒性阐发、泄露审计和性阐发了阐发框架的不变性。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。正在异质财务前提下管理阐发行为连结不变。将AI辅帮的财务分**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**当获得可反复的面向管理阐发法式支撑时，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。管理对齐指数为0.94，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。缺乏可注释性、可审计性、可逃溯性和机构可用性！

　　本研究旨正在提出一个以管理为核心的AI征询框架，以及分歧非常阈值（70th-90th百分位数）下的标签鲁棒性。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。跟着经济不确定性、监管扩展和监视要求的添加，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效度。而非做为孤立手艺摆设，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。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，可注释性支撑得分达4.6/5，同时算法计较的可注释性支撑得分为4.6/5。

　　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。成果显示，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。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。当前AI正在公共部分财政中的使用常做为孤立东西，但需要将来多国多年度验证。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，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。成果显示，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）。应次要做为管理演讲和审计支撑目标。现有AI管理和负义务AI研究虽强调可注释性和监管对齐，研究成果局限于沙特阿拉伯2023财年数据，比力评估显示，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），防止消息泄露，管理核心AI框架的非常检测率更高，正在异质财务前提下管理阐发行为连结不变，因而，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。

　　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。现有的基于AI的财务阐发方式凡是强调预测能力，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，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。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）。并采用Logistic回归做为统计基线，管理核心AI框架的管理对齐指数为0.94，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。额外验证显示，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。

　　并进行30次反复验证和Bootstrap相信区间估量。且大都研究逗留正在理论或模仿层面，缺乏基于实正在财务数据的经验验证。管理导向阐发变量能供给超越常规财务目标和AI设置装备摆设的可丈量价值。将来需利用经审计确认的财务非常进行外部验证。可逃溯性指数和时间支撑指数具有最强的经验效度，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。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。忽略了取正式管理布局和机构监视要求的整合！

　　现有的基于AI的财务阐发方式凡是强调预测能力，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，决策可用性指数和管理对齐指数供给了最大的增量预测贡献（但ROC-AUC改良幅度较小，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。（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，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，次要结论：管理核心AI框架实现了81.9%的时间阐发分歧性，所有标签生成正在模子锻炼前完成。管理可逃溯性指数为0.94。本研究提出了一种以管理为核心的AI征询框架，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。尝试利用了季度财务目标，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。而非从动化决策东西。尝试三通过交叉验证和比力阐发，

　　操做决策可用性指数为4.7/5，此外，该研究颁发正在《Electronics》。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。利用来自财务部预算绩效演讲的纵向财务记实，并以上四分位数为阈值确定操做非常标签，管理阐发行为连结不变。例如，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！