自愿披露、银行稳定性与AI增强法务会计：基于巴勒斯坦银行的探索性计量与机器学习研究

《Frontiers in Big Data》：Voluntary disclosure, banking stability, and AI-augmented forensic accounting: an exploratory econometric and machine-learning study of Palestinian banks

　　

摘要
引言：银行管理层与外部利益相关者之间的信息不对称（information asymmetry）是财务报表舞弊（financial-statement fraud）与银行不稳定性（banking instability）之间的常见关系。
方法：本研究将AI增强型法务会计（AI-augmented forensic accounting）框架与自愿披露（voluntary disclosure）、银行稳定性指标及探索性机器学习（machine learning, ML）方法相结合。研究人员利用巴勒斯坦交易所（Palestine Exchange）全部七家上市银行2019–2025年的面板数据（panel data），将固定效应回归（fixed-effects regression）与逻辑回归（Logistic Regression）、随机森林（Random Forest）、XGBoost、孤立森林（Isolation Forest）及基于SHAP的可解释性分析相整合。
结果：计量经济学结果表明，自愿披露与金融稳定性之间存在条件性而非统一的关系，且随银行规模、年龄和杠杆率而变化。此外，探索性机器学习分析表明，非线性方法有助于发现传统线性模型未能完全捕捉的异常银行–年度记录（bank-year records）和不稳定风险模式。SHAP分析增强了模型分类的可解释性，在此小样本中，集成方法在交叉验证中的表现优于逻辑回归。由于样本量较小且缺乏独立验证的舞弊标签，机器学习结果被视为探索性概念验证证据，而非经外部确认的预测结果。
讨论：总体而言，该研究展示了AI增强型法务会计如何在制度不稳定的银行环境中增强监管优先级排序、不稳定风险筛查以及异常观测值的专家评估，从而补充传统的计量经济学分析。

该研究由Razia B S、Jadallah N I、Zureigat Q、Khamis R和Awwad B S完成。研究聚焦于自愿披露、银行稳定性与AI增强型法务会计的交汇领域。银行管理层与外部利益相关者之间的信息不对称是财务报表舞弊与银行不稳定性的共同根源，它使外部人难以区分稳健银行与脆弱银行。自愿披露被视为缓解信息不对称的重要机制，但现有研究多假设其与稳定性存在线性正向关系。同时，自愿披露研究、银行稳定性研究和舞弊检测研究长期分离，缺乏整合框架。尤其在制度脆弱、监管资源有限的小型银行市场，披露实践不均衡，传统线性计量模型难以刻画披露–稳定性关系的条件性、非线性和交互依赖结构。因此，该研究以巴勒斯坦交易所（Palestine Exchange, PEX）全部七家上市银行为样本，探索如何利用人工智能和机器学习方法补充传统计量分析，构建统一的披露–稳定性–监管框架。

研究人员利用2019–2025年49个银行–年度（bank-year）观测的面板数据，手工编码构建11项自愿披露指数（Voluntary Disclosure Index, VDI），涵盖普惠金融、中小企业融资、网络安全、客户数据保护、性别多样性、绿色融资、管理层连续性等类别；以银行Z-score（Bank Z-score）和六项研究者构造的CAMELS代理指标衡量银行稳定性。实证策略包括双向固定效应面板回归，以及逻辑回归、随机森林、XGBoost、孤立森林和SHAP可解释性分析。结果表明，自愿披露与稳定性之间并非统一线性关系，而是随银行规模、年龄、杠杆等特征变化。机器学习集成模型在风险分类上优于逻辑回归，SHAP揭示出披露与杠杆等交互效应，孤立森林识别出若干异常银行–年度。研究最终提出一个五组件AI增强型法务会计框架，支持监管优先级排序、不稳定风险筛查和异常观测值的专业评估，是对传统计量分析的有效补充。

研究数据来自巴勒斯坦交易所全部七家上市银行（2019–2025）的年度报告和经审计财务报表，共49个银行–年度观测。关键方法包括：（1）手工编码11项自愿披露指数（VDI），各项目按0/1计分；（2）利用公开财务报表构建银行Z-score和CAMELS代理指标；（3）使用双向固定效应面板回归估计平均及条件关联，并通过交互项检验调节效应；（4）采用逻辑回归、随机森林和XGBoost进行三类别风险分类，使用分层五折交叉验证；（5）使用孤立森林进行无监督异常检测；（6）运用SHAP值进行模型解释与交互排序。诊断测试包括VIF、修正Wald检验、Wooldridge检验和Pesaran CD检验，并结合银行聚类稳健标准误。

研究结果部分保留原文小标题如下：

3.1 Descriptive patterns：描述性统计显示，VDI均值为0.683（标准差0.238），表明巴勒斯坦银行整体披露水平中等偏高，但披露项目选择差异较大；Z-score均值为30.08（范围15.40–78.89），说明部门总体稳健但银行间金融韧性差异明显。

3.2 Direct effects of disclosure on stability are inconsistent across indicators：七个独立的双向固定效应回归中，VDI与Z-score呈负相关但不显著；与盈利指标（E）显著正相关；与资本充足率（C）、资产质量（A）、管理效率（M）、流动性（L）和市场风险敏感性（S）的关联均不显著。模型R²从6.7%（流动性）到87.1%（资本充足率）不等，显示整体解释力差异较大。

3.3 The disclosure–stability relationship is conditional on bank characteristics：通过分别纳入银行规模、年龄、杠杆等交互项，研究发现VDI与杠杆的交互在Z-score模型中显著为正；与规模、年龄、杠杆的交互在资本充足率模型中显著为正；与规模在流动性模型中显著为正；与年龄在资产质量和盈利模型中显著为负。这表明披露–稳定性关系受银行特征系统性调节，而非统一斜率。

3.4 Economic significance, marginal effects, and robustness of the results：条件边际效应分析显示，点估计方向变化仅在置信区间排除零时才能解释为统计支持的方向改变。诊断测试未发现多重共线性、序列相关或横截面依赖，但存在异方差；采用银行聚类稳健标准误后，固定效应与稳健估计结果基本一致。研究强调结果属于初步、情境特定的关联。

4.1 Machine-learning implementation and validation procedure：分类性能方面，逻辑回归准确率为74.5%，随机森林为85.7%，XGBoost为89.4%，集成方法在交叉验证中优于逻辑回归。特征重要性排序为杠杆、资产质量、VDI、资本充足率、银行规模。SHAP交互排序中，VDI×杠杆最高，其次为VDI×规模、资产质量×杠杆等。孤立森林识别出五个高异常分数的银行–年度，其主要风险驱动因素包括低披露加高杠杆、弱资产质量、盈利不稳定、披露不一致和多风险指标叠加。

讨论部分指出，研究结果支持信息不对称理论和信号理论（Signaling Theory）的预期，但披露–稳定性关系并非线性一致正向，而是取决于银行特征。研究将传统计量分析与探索性机器学习及可解释AI结合，整合了自愿披露、银行稳定性和法务会计三个长期分离的文献领域。对银行监管者而言，该框架建议低成本渐进采用，利用已有披露和CAMELS数据配合开源集成与异常检测工具，并可通过区域数据共享增强统计效力。对法务会计师和审计师，要求其能够解读集成模型输出和SHAP解释，区分异常与数据质量问题，并把AI标记案件纳入既有调查流程。法律、伦理和监管层面强调系统应作为分诊和优先级工具而非自动违规判定，应注意对抗性学习风险，并遵守银行保密、数据保护和客户隐私法律。研究局限包括样本仅49个观测、无独立舞弊标签、目标变量由同期Z-score构造，因此不能视为前瞻预测。未来验证路线图包括扩大至跨国银行面板、对年度报告叙事进行文本挖掘，以及与监管机构合作获取真实监督或执法标签。

研究结论部分可翻译为：尽管财务报表异常筛查、银行稳定性测量和自愿披露在历史上形成了不同的研究分支，但它们都针对同一个根本信息问题，即银行内部人员所知与外部利益相关者所能核实信息之间的差异。因此，该研究利用2019–2025年巴勒斯坦交易所七家上市银行的面板数据得出结论：自愿披露与银行稳定性之间的关系并非统一，而是随银行规模、年龄和杠杆等银行特征在方向和幅度上发生变化。平均线性系数可能无法充分刻画披露–稳定性关系的条件性、非线性和交互依赖特征。逻辑回归、随机森林、XGBoost、孤立森林和SHAP可解释性的探索性应用进一步表明，机器学习方法可以增强传统计量分析；集成模型能够捕捉线性规格未能完全反映的不稳定风险模式和重要交互，异常检测和SHAP解释提供了与法务会计和银行监管相关的个案层面洞察。但由于分析仅基于49个银行–年度观测且缺乏已核实的舞弊或监管执法标签，这些结果应被视为探索性证据和实证支持的概念验证，而非舞弊检测的结论性证明或可直接部署的预测模型。该研究的主要贡献在于证明一个统一的AI增强型法务会计框架能够整合自愿披露指标、Z-score和CAMELS指标、面板数据计量、监督分类、无监督异常检测及可解释AI，从而发现披露不一致、条件稳定性关系、非线性风险模式和需要进一步审计或监管关注的异常银行–年度。然而，AI生成的分类和异常分数应作为预警和优先级排序工具，而非取代专业判断、文件核验和正式监管程序。研究成果的应用范围应限于巴勒斯坦上市银行部门及类似的小型或制度不稳定银行环境，在更大规模或制度不同的银行市场中须谨慎推广。