面向高等教育机构财务可持续性的可解释人工智能评估与预测——基于HESA纵向财务数据的FSI构建、风险分类与异常识别

《AI》：XAI for Financial Sustainability Assessment and Prediction in Higher Education Institutions

　　

摘要：财务可持续性日益成为高等教育机构（HEIs）的重要关切。受公共经费减少、招生波动和成本上升影响，许多院校面临结构性财务压力。尽管院校收集的财务数据不断增加，可持续性评估仍常依赖回溯性会计比率，对未来模式洞察有限。本研究并非提出新的机器学习算法，而是在一个框架内整合并实证评估既有且互补的分析技术：财务关键绩效指标（KPI）工程、财务可持续性指数（FSI）、机器学习预测、相对可持续性分类、机构聚类、异常检测与可解释人工智能（XAI）。研究人员利用英国高等教育统计局（HESA）公开财务数据集构建包含2207个院校—年份观测的纵向数据集，并考察收入多元化、经费依赖、研究活动、增长和资本投资。监督预测在1880条纵向记录上采用防泄漏扩展窗口时间验证评估。在1387个样本外时间观测中，持续性基线表现最强，R²为0.868，平均绝对误差（MAE）为1.332，均方根误差（RMSE）为2.462。随机森林（RF）模型仍具强预测性，R²为0.852，MAE为1.587，RMSE为2.612，并在30个随机种子下表现稳定。时间维相对可持续性分类达到平均准确率0.842和宏平均F1（macro-F1）分数0.835。无监督分析识别出三类院校画像，孤立森林（Isolation Forest）标记111个财务上非典型的院校—年份观测。当剔除当年FSI后，XAI分析识别出学费依赖度、收入多元化、非限定性储备和场所成本是预测所依赖最多的指标。由于FSI为内部构建且分类类别为样本相对，该框架被呈现为用于可持续性筛查与基准比较的概念验证方法，而非经充分验证的财务困境预测器。

研究背景：高等教育机构（HEIs，提供高等教育服务的院校）的财务可持续性已成为战略治理问题。公共生均经费下降、招生波动、成本上升和学费依赖增强，使院校面临政策变化、人口趋势与经济事件带来的结构性脆弱性。财务问题不仅影响收支，也影响人员、教学和研究质量，因此具有预警价值的早期识别工具受到关注。然而，现有评估多依赖孤立会计比率、回溯性报告和静态基准，难以支持前瞻性决策；比率分析也难刻画收入多元化、支出结构、研究强度和投资行为之间的非线性互动。机器学习（ML，从数据中学习模式的预测方法）和可解释人工智能（XAI，用于解释模型预测依据的方法）为整合分析提供机会，但面向高等教育机构院校层面财务可持续性的集成且可解释框架仍较少。针对这一缺口，研究人员构建并实证评估一个集成框架，将KPI工程、FSI、预测、风险分类、聚类、异常检测和XAI纳入统一分析流程，以从回溯性比率分析转向前瞻性决策支持。其意义在于评估各组件在纵向院校层面数据中的增量作用，而非声称开发新的机器学习算法。

技术方法概括（不超过250字）：研究使用HESA Finance dataset（2015/16—2024/25），以UK Provider Reference Number（UKPRN，院校标识）和学年构建非平衡院校—年份面板，共2207个观测；监督样本包含1880条具有下一年FSI的记录，采用扩展窗口时间验证并形成1387条样本外预测，另设2024年留出集。关键技术包括KPI工程、FSI构建、RF预测与风险分类、K-Means聚类、Isolation Forest异常检测、RF特征重要性与置换重要性（Permutation Importance）XAI，并以主成分分析（PCA）仅作聚类可视化。

研究结果：
4.1 描述性财务可持续性分析：通过构建FSI并分析其分布与时间趋势，结果显示多数院校—年份观测集中于较窄区间，FSI中位数为34.496，四分位距（IQR）为32.436—37.610，最大值为49.449；KPI相关分析用于判断指数是否由窄组高相关变量驱动，而非仅由收入或投资类指标驱动。
4.2 FSI对加权与方向假设的稳健性：通过比较等权基线与五种替代加权、归一化及方向规格，结果显示秩一致性较高，Spearman相关系数为0.858—0.943；风险三分位一致性低于秩一致性；最大变化来自反转员工成本比率和资本投资比率方向（S6的Cohen’s κ为0.588），说明方向假设对风险类别影响更明显，风险类别应解释为相对筛查位置。
4.3 下一年FSI预测：通过RF与持续性基线、历史均值、线性回归和岭回归在防泄漏时间验证下比较，结果显示持续性基线最强，MAE为1.332、RMSE为2.462、R²为0.868；RF仍强，MAE为1.587、RMSE为2.612、R²为0.852，并在30个随机种子下稳定；2024留出集上持续性仍最佳，RF的MAE为1.827、RMSE为2.635、R²为0.843；院校留出（provider-held-out）实验显示向完全未见院校泛化更困难，但持续性优势仍成立。
4.4 财务风险分类：通过训练集FSI分布的33rd和66th百分位定义高、中、低相对风险，并以RF分类预测下一年风险类别，结果显示平均准确率为0.842、宏平均F1为0.835；2024样本外留出集包含470个院校—年份观测。该分类为样本相对筛查信号，不等同于独立观测的财务困境、破产或院校失败。
4.5 机构聚类结果与分析：通过仅使用归一化KPI的K-Means聚类并以轮廓系数（silhouette score）选k，结果显示k=3最优，轮廓系数为0.3690，三类分别含142、1132和933个观测；30次随机初始化平均调整兰德指数（ARI）为0.9984，最小为0.9929，与KPI加FSI规格的ARI为0.9459。三类可解释为低依赖型、学费依赖型和研究导向/多元化型，后验平均FSI分别为37.764、32.502和37.557；资本投资比率均值0.044—0.061，不再用于区分聚类。
4.6 异常检测结果与分析：通过Isolation Forest在5%污染参数（contamination parameter）参考设置下检测异常，结果显示111个观测被标记为异常，约占5.03%；不同污染参数下异常集合呈嵌套关系，23个观测在所有五种规格下均被标记；111个异常中69个为低风险、18个为高风险。异常应视为需进一步审查的治理信号，而非财务困境的直接检测。
4.7 XAI分析结果：通过在2024留出集上计算置换重要性，并分别评估含当年FSI与不含当年FSI的模型，结果显示含FSI模型中当年FSI主导预测（平均重要性1.049），各单项KPI重要性均低于0.04；剔除FSI后，学费依赖度（0.756）和收入多元化（0.165）领先，非限定性储备、场所成本等亦较重要，资本投资贡献较低（平均重要性0.00698）。这些重要性反映预测依赖，而非方向性或因果效应。

讨论总结：研究显示，在防泄漏时间评估下，持续性基线优于RF和传统回归，说明院校财务可持续性具有显著年度持续性；RF仍具强预测性且对随机初始化稳定。框架价值不在于算法新颖性或超过持续性基准，而在于在同一纵向高等教育机构数据中实证评估哪些方面可预测、哪些画像稳定、哪些观测持续异常以及哪些财务指标支撑模型行为。XAI结果强调收入结构和财务韧性的重要性；聚类显示院校并非财务同质群体；异常检测多数并非高风险院校，提示异常可反映快速增长、异常投资、特殊收入结构或较强表现。FSI为内部构建，风险类别为样本相对位置，不能解释为外部验证的困境结果。英国学费冻结、通胀、养老金压力和国际生限制等提供背景解释，但研究未建立因果。局限包括仅使用HESA财务数据、未纳入学生结果、声誉、研究质量、人口和宏观条件，等权方案可能未完全反映指标相对重要性，2024留出集仅63个观测。未来需外部结果验证并纳入非财务、宏观和前瞻性指标。

研究结论部分翻译：本研究利用公开HESA财务数据组装并实证评估了一个基于人工智能的高等教育机构财务可持续性框架，整合财务KPI工程、FSI构建、机器学习预测、相对可持续性分类、机构聚类、异常检测和XAI等既有技术。在防泄漏时间评估下，持续性基线表现最强（R²=0.868），RF仍具强预测性（R²=0.852）并在30个随机种子下稳定；时间分类器平均准确率为0.842，宏平均F1为0.835。聚类、异常检测和XAI进一步揭示不同院校画像、非典型财务模式和有影响力的财务指标。因此，本研究的贡献在于在纵向高等教育机构情境中整合并实证评估互补分析技术，而非开发新的机器学习方法。该指数在秩意义上对替代加权和归一化选择较稳健，但员工成本和资本投资的方向假设对风险类别影响更明显。该框架应被视为相对可持续性评估与基准比较的概念验证方法，而非经验证的财务预测系统；FSI为内部构建，风险类别代表相对位置而非独立观测的财务困境结果。未来研究应以外部门结果验证框架，如持续赤字、流动性恶化、监管干预、合并或关闭，并纳入非财务和宏观经济指标，考察替代KPI加权方法。