AI指标:基于72项AI词典对年报全文与MD&A做词频统计并构造多种指标,包括 LN(1+term_count)、AI density full(按全文长度归一化)与AI density ChEn(按中英文叙述长度归一化),以及专利类的 LnInvention/LnUtility/LnDesign 等.
以下为对论文“Does Firm-Level AI Adoption Improve Early-Warning of Corporate Financial Distress? Evidence from Chinese Non-Financial Firms”的逐字逐节、图表逐一剖析报告。分析覆盖元数据、逐章解读、所有重要表格与图像的可视化解读、方法学与估计细节、风险与稳健性检验、以及审慎批判性视角。为便于溯源,凡基于原文陈述的结论或推断,句末均标注了相应页码 [page::N]。
一、元数据与概览(引言与报告概览)
报告标题与作者:题目为“Does Firm-Level AI Adoption Improve Early-Warning of Corporate Financial Distress? Evidence from Chinese Non-Financial Firms”,作者包括 Frederik Rech、Fanchen Meng、Hussam Musa、Martin Šebeňa、Siele Jean Tuo 等,机构涵盖北京理工大学、深圳MSU-BIT、Matej Bel University、Hong Kong Baptist University、辽宁大学等。此信息来自封面作者段落。
为避免早期AI稀疏导致训练分布与测试不匹配及提前泄漏,作者提出“pruned training window with fixed test year”策略:固定测试年为2023;构造14个训练切片:训练区间为 [s_k, 2022],s_k 从2009逐年上移到2022,故最长为2009–2022,最短为2022–2022。该设计允许观察随训练历史长度变化性能的稳健性。
表2给出各模型“with AI”与“without AI”在平均分割上的性能指标(AUC, Accuracy, Recall等)。以XGBoost为例:with AI AUC=0.870 vs without AI AUC=0.861,Recall从0.707提高到0.755(真阳性数与假阳性数同时上升,显示权衡)。总体模式:AI变量普遍提升召回(识别困境公司)与G-Mean,而Accuracy与Specificity略降,表明更多“报警/假阳性”以换取更少漏报。
表2(部分数值示例以便量化理解):XGB with AI:AUC=0.870, Accuracy=0.825, Recall=0.755;XGB without AI:AUC=0.861, Accuracy=0.844, Recall=0.707;SVM with AI AUC=0.889 vs without 0.869等。该数值模式支持“AI提升召回但牺牲部分精确/特异性”的结论。
b. Split-wise动向(Fig.4)
作者绘制了各split上AUC、F1、G-Mean、Type I/II error随训练窗口缩短的点图与LOESS曲线(WithoutAI蓝,WithAI红)。结论性观察:AUC总体在高位稳定略有回落,F1在短窗口下下降更快,G-Mean同样在窗口缩短时下滑,但WithAI的Type II error在大部分split中保持较低且更稳定,而WithoutAI的Type II error随窗口缩短快速上升。也就是说,在数据稀疏/近期窗口下,AI变量较能稳定维持低漏报率。
Fig.4(原图):
c. 特征重要性与可解释性(SHAP 与稳定性)
全局SHAP(violin)与局部解释(两个示例)显示:传统财务变量仍为主导(尤其x03: EBIT/TotalAssets、x02: RetainedEarnings/TotalAssets、x05: OperatingRevenue/TotalAssets等),这些变量当值走弱时强烈推动模型朝“困境”方向。AI变量(AI density full/ChEn、AI_Level_MD&A、AI_Level)多数情形下对模型输出有“向健康类偏移”作用(即高AI指标倾向降低被判为困境的概率),因此被描述为“稳定器”。LnInvention、LnDesign等专利类指标贡献较小且不稳定。
SHAP全局与局部图(示例):
特征稳定性图(Fig.6)显示,按“出现在top6次数”与平均排名度量,AI density 型指标在多个模型/分割中稳定性靠近财务变量x01、x04、x05,且平均重要性可观;而专利类指标(LnDesign、LnUtility 等)频次与排名均靠后。