《Finance Research Letters》：Do Efficiency Scores Improve Financial Distress Prediction? Cross-Market Evidence
编辑推荐：
摘要本研究考察了基于前沿的效率指标结合可解释机器学习，是否能改善中国和美國截然不同的制度环境下的企业财务困境预测。使用 2015–2022 年的 12,000 个公司年度观测数据，我们在梯度提升分类器中将标准会计比率与行业特定的数据包络分析（DEA）得分和马奎斯特生产率指数相
摘要
本研究考察了基于前沿的效率指标结合可解释机器学习，是否能改善中国和美國截然不同的制度环境下的企业财务困境预测。使用 2015–2022 年的 12,000 个公司年度观测数据，我们在梯度提升分类器中将标准会计比率与行业特定的数据包络分析（DEA）得分和马奎斯特生产率指数相结合。纳入效率指标使中国样本外 AUC 从 0.79 增至 0.83，美国从 0.82 增至 0.84。在本研究的交错预测变量设计下，前一年 DEA 得分在资本密集型行业中提供了困境相关信息，早于当年比率最终确定。SHAP 解释在结构断点（特别是 COVID-19 冲击期间）下表现出比 LIME 更高的排序稳定性，并按平均绝对 SHAP 值将技术效率排第二。这些发现表明，基于 DEA 的信号可以为信贷分析师、投资组合经理和监管者提供可解释的早期预警信息，在透明度较低的市场中具有更大的增量价值。
引言
企业财务困境预测是金融稳定的核心（Altman, 1968），而 COVID-19 大流行凸显了这一点，2020 年全球违约率上升了 54%（Didier et al., 2021; Lohmann & M?llenhoff, 2023a）。机器学习分类器优于传统模型（Barboza et al., 2017），但缺乏透明度，而作为主要预测变量的会计比率仅在恶化显现后才记录困境。这些局限性共同造成了需要一种既能捕捉企业运营效率又保持可解释性的方法。
为解决这些局限性，本研究在跨市场环境中将 DEA 与可解释 AI 相结合。DEA 提供捕捉企业将投入转化为产出效率的非参数效率指标（Cielen et al., 2004）；在交错预测变量设计下，前一年效率可能包含尚未反映在同期比率中的困境相关信息（Premachandra et al., 2011）。SHAP 分解揭示了哪些效率和会计特征驱动个体预测（Lundberg & Lee, 2017）。
本研究对财务困境文献做出了三项贡献。首先，它将基于前沿的效率指标引入梯度提升分类器，并表明 DEA 和马奎斯特指标在标准比率之外增加了统计和经济上具有意义的预测能力。其次，通过比较 COVID-19 前后中国和美国的状况，它记录了前一年效率信号的增量信息性如何随披露质量和宏观经济条件而变化。第三，它在具有监管相关性的环境中评估了 SHAP 和 LIME，并表明 SHAP 为用于早期预警应用的模型提供了更稳定和透明的解释。
三个问题指导分析：
RQ2
在资本密集型行业的交错预测变量设计下，前一年效率指标是否提供了困境相关信息？
RQ3
效率 - 风险关系如何随策略和大流行时期而变化？
在整个研究中，我们使用“财务困境预测”作为框架；AUC 和时间主张在交错预测变量设计下解释。
章节摘要
财务困境预测与效率测量
财务困境预测已从判别分析（Altman, 1968）发展到机器学习分类器（Lohmann & M?llenhoff, 2023b）和 DEA 应用（Premachandra et al., 2011; Sueyoshi & Goto, 2009）。
可解释性与制度背景
监管框架日益要求可审计的自动化决策（Chen et al., 2025）。SHAP 和 LIME 提供局部特征归因，但对于当发生如 COVID-19 这样的结构断点时这些解释的稳定性知之甚少（Ariza-Garzon et al., 2020
数据来源与样本构建
我们组建了一个涵盖 2015–2022 年中国和美國上市非金融公司的非平衡面板。中国公司数据来源于中国股票市场与会计研究（CSMAR）数据库；美国数据来源于 Compustat。排除金融机构（SIC 6000–6999）。“表 4 中的‘非银行金融服务’指金融科技、资产管理和保险公司。
最终样本包含 12,000 个公司年度观测数据。在识别困境后
效率 - 困境关系（H1）
困境企业显示出显著低于非困境企业的技术效率，涵盖两国和时期（市场 - 时期单元内平均 TE 的双样本 t 检验，所有 p < 0.001；表 1）。COVID 后的绝对 TE 差距大于 COVID 前，中国（0.29 对 0.14）和美國（0.26 对 0.13）（图 1A）。这些比较描述了观察到的组间差异，并未识别选择、生存或支持机制。
增量预测能力（H2）
添加 DEA 得分提高了测试集 AUC 从
结论
基于 DEA 的效率得分结合可解释 AI 提高了困境预测的准确性和可解释性，将测试集 AUC 提升至 0.80 中段。在交错预测变量设计下，前一年效率在资本密集型行业中提供困境相关信息。成本导向行业显示出更强的效率 - 困境关联；科技行业更依赖规模和盈利能力。
COVID 后困境与非困境企业间的 TE 差距大于
作者声明
我们确认手稿 FRL-D-26-00404R2 是原创的，未在其他地方发表，且未在其他地方考虑。所有作者均批准了此轻微修订重投和对编辑的回复。我们没有竞争利益需要声明。
致谢
资助
本工作部分由中国国家自然科学基金支持（批准号 72071157）。
伦理审批
本研究不需要伦理审批，因为它利用了公开可用的数据。
CRediT 作者贡献声明
Aqsa Bilal Hussain: 写作 – 初稿，验证，方法论，形式分析，概念化。Sun Jingchun: 监督，资金获取。Bilal Hussain: 写作 – 审查 & 编辑，资源。Muhammad Shaique: 写作 – 审查 & 编辑。
Aqsa Bilal Hussain|Sun Jingchun|Bilal Hussain|Muhammad Shaique
管理科学与工程 西安交通大学，中华人民共和国
