馬恩濤，呂函枰

(山東財經(jīng)大學財政稅務學院，山東濟南 250014)

基于GM－BP神經(jīng)網(wǎng)絡的地方政府債務風險預警系統(tǒng)研究
——以2015年重慶市38區(qū)縣樣本數(shù)據(jù)為例

馬恩濤，呂函枰

(山東財經(jīng)大學財政稅務學院，山東濟南 250014)

以2015年重慶市38個區(qū)縣的債務數(shù)據(jù)作為研究樣本，利用灰色關(guān)聯(lián)方法(GM)與BP神經(jīng)網(wǎng)絡兩種理論在非線性處理方面的優(yōu)勢，構(gòu)建了基于GM－BP神經(jīng)網(wǎng)絡的地方政府債務風險預警系統(tǒng)，并運用該預警系統(tǒng)對重慶市各區(qū)縣債務風險進行了實證分析。結(jié)果表明:2015年重慶市33個區(qū)縣債務風險處于綠色可控區(qū)，4個區(qū)縣(大渡口區(qū)、開縣、南川區(qū)、潼南區(qū))處于橙色預警區(qū)，1個區(qū)縣(城口縣)債務風險處于紅色風險區(qū)，重慶市地方政府債務風險總體可控；并且，與未經(jīng)約簡的BP神經(jīng)網(wǎng)絡預警系統(tǒng)相比，GM－BP神經(jīng)網(wǎng)絡預警系統(tǒng)的訓練時間更短，預警準確性更高，在結(jié)合預警地區(qū)的實際情況做出微調(diào)后，其更具有一定的普適性。

灰色關(guān)聯(lián)方法；BP神經(jīng)網(wǎng)絡；地方政府債務風險；預警系統(tǒng)

0 引 言

自2008年美國次貸危機發(fā)生以來，中國政府的債務問題越來越受到國內(nèi)外相關(guān)機構(gòu)和學者的重視。2016年5月10日，作為國際三大評級機構(gòu)之一的穆迪(Moody’s)認為中國債務占GDP的比重已經(jīng)增加至280%左右且面臨嚴峻的或有債務上升風險。而中國社科院李揚團隊編制的中國政府資產(chǎn)負債表顯示中國的整體債務增長過快:2008年到2014年中國經(jīng)濟整體債務占GDP的比重從170%上升至235.7%，6年上升了65.7個百分點；而中國實體部門債務占GDP比重從2008年的157%上升到2014年的217.3%。中國杠桿率增長過快，需保持高度警惕。

鑒于中國日益嚴峻的債務形勢，中國政府也開始高度重視地方政府債務風險問題。2014年，國務院印發(fā)《關(guān)于加強地方政府性債務管理的意見》(國發(fā)〔2014〕43號)，明確了全面規(guī)范地方政府性債務管理的制度設計和配套措施，標志著地方政府性債務管理進入全面改革的新時期。而2015年的“供給側(cè)”改革所提出的去杠桿也是在去產(chǎn)能和去庫存的基礎上，結(jié)合國家給予的債務置換政策，采取“五掛鉤、一甄別”的做法使地方政府的債務狀況不再惡化，從而有效防范、化解金融風險。

在防范政府債務風險的過程中，國外一些發(fā)達國家所建立的債務風險預警系統(tǒng)由于翔實的預警指標、科學的預警區(qū)間以及良好的實施效果而受到越來越多發(fā)展中國家的關(guān)注和模仿，因此如何結(jié)合中國政府債務特征構(gòu)建合理的地方政府債務風險預警系統(tǒng)進而正確認識中國地方政府債務風險狀況并對其進行提前預警就顯得尤為重要和緊迫。

1 文獻綜述

自20世紀80年代以來，隨著世界范圍內(nèi)政府債務積累的日益嚴重，國內(nèi)外學者開始研究債務風險問題。其中，不得不提到世界銀行專家Hana所做的貢獻。Hana[1]早在1998年所提出的財政風險矩陣即將政府債務根據(jù)其來源分為直接顯性債務、直接隱性債務、或有顯性債務和或有隱性債務，到現(xiàn)在還指導著我們的債務管理實踐。我國政府近幾年多次進行的政府債務統(tǒng)計，其統(tǒng)計口徑和范圍實際上就是借鑒了Hana的財政風險矩陣理論。Craig[2]把政府債務風險歸因于或有債務償還時間的隨機性和作為擔保的或有債務的潛在風險性。而Ricado等[3]以拉美國家政府債務危機為例，說明貨幣貶值同樣可能誘發(fā)政府債務問題。同樣，我國也存在政府債務風險問題。由于我國分稅制體制的實行，政府債務風險問題尤其是地方政府債務風險已經(jīng)嚴重威脅到中國經(jīng)濟的安全與穩(wěn)定[4]。就我國地方政府債務風險成因而言，陳睿[5]認為導致地方政府債務風險的原因是財稅體制不健全、政府過度舉債；而孫浩頡[6]不僅將地方債務風險分為財政類、金融類和社會類三類，還進一步指出地方政府債務風險是由財權(quán)事權(quán)不匹配、考核體制片面化以及管理不當造成的。

在分析政府債務風險問題成因的基礎上，國內(nèi)外學者開始深入研究地方政府債務風險的防控，建立了一系列的地方政府債務風險預警系統(tǒng)。Smith[7]根據(jù)政府預期發(fā)債額運用計算機模擬仿真系統(tǒng)預測出相應的地方債務適度發(fā)行量，構(gòu)建了地方政府債務仿真預警系統(tǒng)。與此同時，Ma[8]借鑒巴西的“地方政府借款限制”、美國的“地方財政監(jiān)控計劃及財政危機法”以及哥倫比亞的“交通信號燈”系統(tǒng)，設計了一套示范性的地方債務風險預警系統(tǒng)。在借鑒國外研究成果的基礎上，根據(jù)我國特有的政治體制、歷史背景，國內(nèi)學者建立了符合我國國情的地方政府債務風險預警系統(tǒng)。劉尚希等[9]對新增債務壓力進行了事前預警研究，開創(chuàng)了地方政府性債務風險預警領域動態(tài)研究的先河。之后裴育等[10]對地方債務風險狀況進行描述，依據(jù)一定的標準量化了風險等級，并運用合成指數(shù)法和層次分析法構(gòu)建了地方政府債務風險預警模型。洪源等[11]選取我國2007－2009年東、中、西部地區(qū)9個縣的樣本數(shù)據(jù)，構(gòu)建了基于粗糙集－BP神經(jīng)網(wǎng)絡集成的地方政府債務風險非線性仿真預警系統(tǒng)。王振宇等[12]基于遼寧省的樣本數(shù)據(jù)運用層次分析法(AHP)構(gòu)建了一套可操作性、符合遼寧省省情的地方政府債務風險預警體系。朱文蔚等[13]采用因子分析法選取全國30個省市作為樣本，對地方政府性債務風險進行評估及預警。

由于地方政府債務風險預警系統(tǒng)是一個包含多指標的復雜評估系統(tǒng)，彼此間存在非線性關(guān)系，因此單純地采用因子分析法、聚類分析法等多元分析法準確度不高。而BP神經(jīng)網(wǎng)絡技術(shù)在靈活準確處理非線性數(shù)據(jù)方面具有獨特的優(yōu)勢，可以解決學者們在建立地方政府債務風險預警系統(tǒng)中所遇到的準確度不高的問題。國內(nèi)也有部分學者通過BP神經(jīng)網(wǎng)絡法對政府債務風險預警進行了研究，如邵偉鈺[14]以江蘇省2005年樣本數(shù)據(jù)為例，在聚類分析法、因子分析法的基礎上借助BP神經(jīng)網(wǎng)絡理論構(gòu)建地方政府債務風險預警模型。劉驊等[15]運用K—均值聚類算法，并借助BP神經(jīng)網(wǎng)絡建立地方政府融資平臺債務“風險閾”預警模型。

本文同樣在吸收BP神經(jīng)網(wǎng)絡處理信息不完整數(shù)據(jù)時所具有高容錯性優(yōu)勢的基礎上，通過引入能夠有效約簡指標的灰色關(guān)聯(lián)理論克服了其在建立地方債務風險預警系統(tǒng)中拓撲結(jié)構(gòu)復雜、學習效率低、收斂速度慢以及易陷入局部極小狀態(tài)的缺點，構(gòu)建出了基于GM－BP神經(jīng)網(wǎng)絡并符合我國國情、能準確評估地方政府債務風險的預警系統(tǒng)。

2 地方政府債務風險預警系統(tǒng)構(gòu)建

本文對地方政府債務風險預警系統(tǒng)的構(gòu)建遵循以下幾步:設計債務風險預警指標；劃分預警指標的風險區(qū)間；確定債務風險預警系統(tǒng)方法。

2.1 地方政府債務風險預警指標設計

基于完備性、科學性、可操作性以及靈活性的原則，借鑒國內(nèi)外研究成果，本文從系統(tǒng)論的思想出發(fā)，將影響地方政府債務風險的因素分為債務規(guī)模、宏觀經(jīng)濟環(huán)境、政府償債能力三個子系統(tǒng)，又將三個子系統(tǒng)分解為負債率、GDP增長率、公共預算收入增長率等九個指標。具體指標參見表1。

表1 地方政府債務風險預警指標設計

2.2 劃分預警指標的風險區(qū)間

建立風險預警系統(tǒng)的關(guān)鍵是對各預警指標設置相應的風險區(qū)間，本文參照國際上通用的警戒線設置，在借鑒國內(nèi)外已有研究成果并結(jié)合重慶市各區(qū)縣地方政府實際情況的基礎上，將各項指標風險區(qū)間劃分為“紅色風險區(qū)”“橙色預警區(qū)”和“綠色可控區(qū)”三個級別。同時，為了使各指標之間具有可比性與可觀測性，將指標賦予相應的風險指數(shù)，并對各指標區(qū)間的設置做了明確說明。具體設置見表2、表3。

表2 地方政府債務風險預警指標的風險區(qū)間

表3 地方政府債務風險預警指標風險區(qū)間的設置依據(jù)

2.3 建立地方政府債務風險預警系統(tǒng)方法

地方債務風險預警系統(tǒng)是包含多指標的綜合評價系統(tǒng)，常見的多元線性回歸分析不能準確評估結(jié)果，必須運用多指標進行綜合評價。本文采用新型人工智能方法，建立以灰色關(guān)聯(lián)方法(Grey Model)和BP神經(jīng)網(wǎng)絡兩種方法為核心的評估預測方法，構(gòu)建符合我國國情的地方債務風險預警系統(tǒng)。

2.3.1 BP神經(jīng)網(wǎng)絡方法的基本原理

BP(Back－Propagation)神經(jīng)網(wǎng)絡是人工神經(jīng)網(wǎng)絡(Artificial Neural Networks，ANN)的一種，由于該網(wǎng)絡具有計算量小、簡單易行、并行性強等優(yōu)點，是ANN中相對成熟且應用廣泛的一種人工智能算法。它是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡，即信號向前傳播，誤差反向傳播。通過神經(jīng)網(wǎng)絡訓練輸出的誤差來估計前導層的誤差，層層前導，周而復始，不斷學習訓練下去，從而獲得各層的誤差估計。在此過程中根據(jù)預測誤差反復調(diào)整網(wǎng)絡權(quán)值和閾值，從而使BP神經(jīng)網(wǎng)絡預測的誤差減小到可接受的程度。具體步驟如下:

①對數(shù)據(jù)進行歸一化處理，歸一于[－1，1]。

②網(wǎng)絡初始化。給定輸入輸出序列(X，Y)，隨機給定各連接層的權(quán)值ωij、ωjk和閾值a、b。定義輸入層、隱含層和輸出層的各神經(jīng)元節(jié)點數(shù)分別為n、l和m，給定學習速率和神經(jīng)元激勵函數(shù)。

③確定隱含層。計算隱含層輸出H的公式為:

④確定輸出層。計算輸出層O的公式為:

其中O為網(wǎng)絡預測輸出值。

⑤誤差計算。計算均方根誤差E的公式為:

其中Y為期望輸出值。

⑥權(quán)值更新。誤差反向傳播更新連接權(quán)值ωij、ωjk的計算公式為:

其中μ為學習速率。

⑦閾值更新。誤差反向傳播更新網(wǎng)絡節(jié)點閾值a、b:

⑧檢查是否達標，結(jié)束算法迭代，否則重復步驟③－⑦。

2.3.2 用灰色關(guān)聯(lián)法(GM)約簡預警指標

BP神經(jīng)網(wǎng)絡在實際的應用過程中，由于拓撲結(jié)構(gòu)復雜，存在學習效率低、收斂速度慢以及易陷入局部極小狀態(tài)的缺點。如果輸入過多的參數(shù)，往往會導致迭代次數(shù)過多，計算精度下降。因此，本文用灰色關(guān)聯(lián)法約簡預警系統(tǒng)指標，從而減少輸入?yún)?shù)，達到提高BP神經(jīng)網(wǎng)絡計算精度的目的。

灰色關(guān)聯(lián)法的計算步驟如下:

①建立各相關(guān)指標的原始數(shù)據(jù)矩陣xi。

其中xi(k)表示i因素在第k年的原始數(shù)據(jù)。

②求初值化變換矩陣x′i。

③求差序列Δ0i(k)。

④計算關(guān)聯(lián)系數(shù)ε0i(k)和灰色關(guān)聯(lián)度γ0i。

其中，φ為分辨系數(shù)，能夠提高關(guān)聯(lián)系數(shù)間的差異顯著性，φ∈(0，1)，一般取φ＝0.5。ε0i(k)衡量xi對x0的影響程度，稱之為xi與x0在k點處的關(guān)聯(lián)度。

2.3.3 構(gòu)建GM－BP神經(jīng)網(wǎng)絡模型

本文將灰色關(guān)聯(lián)方法與BP神經(jīng)網(wǎng)絡兩種人工智能方法糅合在一起，構(gòu)建地方政府債務風險預警系統(tǒng)。具體構(gòu)建思路如下:第一步，用灰色關(guān)聯(lián)法約簡預警指標，將九個指標通過灰色關(guān)聯(lián)方法排序，剔除對預警系統(tǒng)影響最小的冗余指標。第二步，剩余關(guān)聯(lián)度較大的指標作為BP神經(jīng)網(wǎng)絡的輸入節(jié)點，通過多次訓練學習確定隱含層節(jié)點，并且將綜合評價結(jié)果作為輸出節(jié)點。第三步，用樣本數(shù)據(jù)對GM－BP神經(jīng)網(wǎng)絡進行訓練和檢驗，從而構(gòu)建出符合要求的實用性地方債務風險預警系統(tǒng)，實現(xiàn)風險預警的目的。

3 地方政府債務風險預警系統(tǒng)的實證分析

3.1 灰色關(guān)聯(lián)分析

根據(jù)2013年12月30日審計署發(fā)布的《全國政府性債務審計結(jié)果》，我國省、市、縣和鄉(xiāng)鎮(zhèn)各級政府負有償還責任債務分別為17 780億元、48 434億元、39 573億元和3 070億元，分別占比16%、45%、36%和3%，市、縣政府債務總額合計占全國政府債務的81%，因此選取縣市區(qū)的數(shù)據(jù)樣本更具有代表性。本文選取了2015年重慶市38個區(qū)縣的數(shù)據(jù)作為樣本數(shù)據(jù)，考慮到數(shù)據(jù)的可獲得性，本文在“金融深化率”的求解過程中，采用了2014年的年末貸款余額與GDP的比值，其他數(shù)據(jù)均為2015年數(shù)據(jù)。數(shù)據(jù)來源于重慶市統(tǒng)計局、重慶市審計局網(wǎng)站，具有一定的可信度。

本文借鑒了曹明霞[16]的改進灰色關(guān)聯(lián)度模型，該關(guān)聯(lián)度能夠反映序列間的正負相關(guān)關(guān)系，其結(jié)果可以為－1到1之間的數(shù)。只與序列的形狀有關(guān)，與序列的相對位置無關(guān)。

運用Matlab8.1，編程計算樣本數(shù)據(jù)求得各指標的關(guān)聯(lián)度平均值如下:

排序得到:ε02＞ε01＞ε04＞ε03＞ε05＞ε06＞ε07＞ε08。

由以上結(jié)果可得，B8對地方政府債務的影響最小，屬于冗余指標，剔除B8“稅收收入占比”指標，選擇剩余8個指標B1、B2、B3、B4、B5、B6、B7、B9作為預警指標體系。

3.2 地方債務風險指數(shù)的測算與評估

BP神經(jīng)網(wǎng)絡是一個包含輸入層、隱含層和輸出層的完整系統(tǒng)。輸出層為已知量，是地方政府債務風險綜合評價值。本文運用層次分析法(Analytic Hierarchy Process)測算2015年重慶市38個區(qū)縣樣本數(shù)據(jù)的債務風險綜合評價值，以此作為BP神經(jīng)網(wǎng)絡輸出值的參照指標。

3.2.1 關(guān)鍵預警指標的統(tǒng)一量綱化處理

為了能準確比較各債務風險綜合評價值，鑒于各預警指標的性質(zhì)和衡量標準不同，需要對樣本數(shù)據(jù)進行統(tǒng)一量綱化處理。本文采用區(qū)間映射法，對每項指標設定相對應的風險指數(shù)區(qū)間，將樣本數(shù)據(jù)轉(zhuǎn)化為可操作性的指數(shù)值。即從風險較小的“綠色可控區(qū)”“橙色預警區(qū)”到風險較大的“紅色風險區(qū)”指數(shù)區(qū)間依次為[0，1]、(1，2]、(2，∞)。

假設Ri為剩余8項指標Bi經(jīng)處理后的指數(shù)值，則Ri可通過公式(1)確定:

其中，Bi為樣本值，Eu為該樣本值所處風險指數(shù)區(qū)間的上限，Ed為該樣本值所處風險指數(shù)區(qū)間的下限。

若樣本值所處風險指數(shù)區(qū)間無上限，則采用公式(2)計算Ri:

其中，Eu－1為相鄰風險指數(shù)區(qū)間的上限，Ed－1為相鄰風險指數(shù)區(qū)間的下限。

3.2.2 關(guān)鍵預警指標權(quán)重的確定

本文運用AHP法測算出各預警指標的主觀權(quán)重。最終的權(quán)重采用主客觀組合賦權(quán)的思路確定。本文運用yaahp層次分析法軟件輔助計算得出權(quán)重。首先對8個關(guān)鍵指標建立層次結(jié)構(gòu)模型，模型的層次結(jié)構(gòu)圖如圖1所示。采用專家打分法，對準則層及方案層指標運用1－9比率標度法進行兩兩比較，構(gòu)造判斷矩陣，并通過一致性檢驗，確保測算權(quán)重的合理性，從而得出關(guān)鍵指標的主觀權(quán)重(如表4)。

圖1 層次結(jié)構(gòu)圖

表4 基于AHP法關(guān)鍵預警指標確定政府債務風險主觀權(quán)重

3.2.3 樣本數(shù)據(jù)的債務風險綜合評價值的測算

樣本數(shù)據(jù)的綜合評價結(jié)果可由公式(3)得出:

公式(3)中，R為債務風險指數(shù)綜合評價值，Ri為關(guān)鍵指標經(jīng)處理后的指數(shù)值，ωi為各項關(guān)鍵指標的主觀權(quán)重，R值表示風險狀態(tài)為“綠色可控區(qū)”、“橙色預警區(qū)”和 “紅色風險區(qū)”的取值區(qū)間依次為R∈[0，1]、R∈(1，2]、R∈(2，∞)，見表5。

表5 38個樣本的債務風險指數(shù)和等級

續(xù)表5

3.3 運用BP神經(jīng)網(wǎng)絡訓練和檢驗

BP神經(jīng)網(wǎng)絡的輸入層節(jié)點是經(jīng)灰色關(guān)聯(lián)理論約簡后的剩余8項關(guān)鍵指標，輸出層節(jié)點是地方政府債務綜合評價值即R值。隱含層節(jié)點個數(shù)與輸入層節(jié)點和輸出層節(jié)點個數(shù)有關(guān)，往往需要通過多次試驗來確定。本文借助AMPL軟件編程求得隱含層個數(shù)。經(jīng)試驗，隱含層節(jié)點數(shù)為2時，匹配度為0.001 6，具有較高的準確率?；诒疚?8個樣本數(shù)據(jù)，最終確定輸入層節(jié)點數(shù)為8；隱含層節(jié)點數(shù)為2；輸出層節(jié)點數(shù)為1。

本文從38個樣本數(shù)據(jù)中隨機抽取5個樣本作為檢驗樣本，抽取的樣本地區(qū)分別為豐都縣、奉節(jié)縣、九龍坡區(qū)、梁平縣、綦江區(qū)。剩余的33個樣本數(shù)據(jù)作為訓練樣本。運用 Matlab8.1軟件中的神經(jīng)網(wǎng)絡工具箱(nntraintool)對設計好的GM－BP神經(jīng)網(wǎng)絡進行檢驗，對GM－BP神經(jīng)網(wǎng)絡的函數(shù)和參數(shù)設定如下:

(1)數(shù)據(jù)歸一化處理。由于各指標的衡量標準及性質(zhì)不同，樣本數(shù)據(jù)之間存在計量單位的差別，為避免因為數(shù)據(jù)數(shù)量級差別放大網(wǎng)絡預測誤差，因此對數(shù)據(jù)進行歸一化處理，將所有的數(shù)據(jù)都轉(zhuǎn)化為[－1，1]之間的數(shù)值。本文采用最大最小法，其函數(shù)形式為:xk＝(xk－xmin)/(xmax－xmin)。

(2)傳遞函數(shù)和訓練函數(shù)。由于本文的神經(jīng)網(wǎng)絡結(jié)構(gòu)為8－2－1，因此選取tansig函數(shù)和purelin函數(shù)分別作為隱含層和輸出層神經(jīng)元的傳遞函數(shù)。訓練函數(shù)采用trainlm函數(shù)，該函數(shù)收斂速度較快，能夠提高神經(jīng)網(wǎng)絡的泛化能力。

(3)目標誤差、最大訓練次數(shù)和學習率。設定神經(jīng)網(wǎng)絡的目標誤差為0.001，最大訓練迭代次數(shù)為500，學習率為0.01。

借助AMPL軟件，將GM－BP神經(jīng)網(wǎng)絡根據(jù)既定函數(shù)和參數(shù)訓練38個樣本，結(jié)果表明，訓練得出的期望輸出與實際輸出相差不大，二者的均方誤差(mean square error)僅為0.0016，訓練效果較好，預警準確性較高。由8個關(guān)鍵指標構(gòu)建的GM－BP神經(jīng)網(wǎng)絡的迭代次數(shù)為116次。同時，為了驗證本文構(gòu)建的GM－BP神經(jīng)網(wǎng)絡的優(yōu)越性與實用性，將未經(jīng)灰色關(guān)聯(lián)方法約簡的9個指標作為輸入層節(jié)點，輸出層節(jié)點不變，依舊為地方債務風險綜合評價值R。運用AMPL軟件對未經(jīng)約簡的BP神經(jīng)網(wǎng)絡按照上述相同的函數(shù)、參數(shù)進行訓練，求得結(jié)果表明，未經(jīng)約簡的BP神經(jīng)網(wǎng)絡迭代次數(shù)需要335次，迭代次數(shù)明顯增多，增加了訓練時間，期望輸出與實際輸出的誤差值低于GM－BP神經(jīng)網(wǎng)絡。

將隨機選取的豐都縣、奉節(jié)縣、九龍坡區(qū)、梁平縣和綦江區(qū)5個樣本的8項關(guān)鍵指標輸入訓練好的GMBP神經(jīng)網(wǎng)絡中，得到如表6所示的樣本實際輸出值。同時將5個樣本的實際輸出與期望輸出值對比，求得檢驗效果([1－(期望輸出－實際輸出)/期望輸出]×100%)均在97%以上，抽取的五個樣本中四個樣本達到了100%匹配，預警仿真效果理想。從而說明本文設計的GM－BP神經(jīng)網(wǎng)絡預警系統(tǒng)是有效的，能夠發(fā)揮風險預警的功能。與此同時，將5個檢驗樣本輸入未經(jīng)約簡的地方政府債務風險預警系統(tǒng)中，得到表7所示的樣本實際輸出。未經(jīng)約簡的神經(jīng)網(wǎng)絡檢驗效果均低于97%，檢驗效果不如GM－BP神經(jīng)網(wǎng)絡。

表6 GM－BP神經(jīng)網(wǎng)絡檢驗結(jié)果

表7 未經(jīng)約簡的BP神經(jīng)網(wǎng)絡檢驗結(jié)果

從神經(jīng)網(wǎng)絡的訓練方面看，未經(jīng)約簡的神經(jīng)網(wǎng)絡需要經(jīng)過335次的迭代才能達到網(wǎng)絡收斂的穩(wěn)定性標準，而GM－BP神經(jīng)網(wǎng)絡只需要116次迭代就能達標。灰色關(guān)聯(lián)方法顯著提高了神經(jīng)網(wǎng)絡的訓練速度，縮短了訓練時間。從神經(jīng)網(wǎng)絡的檢驗方面看，GM－BP神經(jīng)網(wǎng)絡的準確性更高，實際輸出與期望輸出更接近，仿真效果更好。故本文構(gòu)建的GM－BP神經(jīng)網(wǎng)絡準確簡潔，不但節(jié)省了訓練時間，提高了神經(jīng)網(wǎng)絡的學習能力，而且約簡了預警系統(tǒng)的指標，提高了預警系統(tǒng)的準確性。

4 結(jié)論及政策建議

4.1 結(jié) 論

本文將灰色關(guān)聯(lián)理論與BP神經(jīng)網(wǎng)絡相結(jié)合，構(gòu)建出基于GM－BP神經(jīng)網(wǎng)絡的地方政府債務風險預警系統(tǒng)。選取重慶市2015年38個區(qū)縣的債務數(shù)據(jù)作為樣本數(shù)據(jù)，對風險預警系統(tǒng)進行了實證分析，結(jié)論如下:

第一，本文運用灰色關(guān)聯(lián)方法，對最初構(gòu)建的地方債務風險預警指標體系的三大子系統(tǒng)中9個指標進行關(guān)聯(lián)度排序，刪除關(guān)聯(lián)度最小的冗余指標，最終選取了負債率、償債率、債務率、GDP增長率、金融深化率、財政自給率、固定資產(chǎn)投資增長率、預算收入增長率8個關(guān)鍵指標，作為債務風險預警系統(tǒng)的指標體系。運用AHP法測算出2015年重慶市38個區(qū)縣的債務風險指數(shù)相應的風險評價等級。2015年重慶市33個區(qū)縣債務風險處于綠色可控區(qū)，4個區(qū)縣(大渡口區(qū)、開縣、南川區(qū)、潼南區(qū))處于橙色預警區(qū)，僅有城口縣債務風險處于紅色風險區(qū)。以上結(jié)果表明2015年重慶市各區(qū)縣風險總體可控，但個別區(qū)縣的債務風險較高，尤其是城口縣債務風險已達到紅色風險區(qū)，應引起重慶市各區(qū)縣政府的重視。

第二，運用灰色關(guān)聯(lián)方法約簡債務風險指標，將剩余的8項關(guān)鍵指標作為BP神經(jīng)網(wǎng)絡的輸入值，給定的地方政府債務風險綜合評價值R作為輸出值，對重慶市38個區(qū)縣的樣本數(shù)據(jù)和隨機選取的5個區(qū)縣的數(shù)據(jù)對GM－BP神經(jīng)網(wǎng)絡進行訓練和檢驗。檢驗結(jié)果表明，GM－BP神經(jīng)網(wǎng)絡的檢驗效果比未經(jīng)約簡的效果要好，迭代次數(shù)更少，訓練時間更短，預警準確性更高。

第三，該預警系統(tǒng)具有普適性。在今后我國的地方政府債務風險預警過程中，只要獲得這些地區(qū)的相關(guān)預警指標原始數(shù)據(jù)，并且根據(jù)債務數(shù)據(jù)所處的地區(qū)相應的調(diào)整指標區(qū)間，將原始數(shù)據(jù)輸入調(diào)整好的GM－BP神經(jīng)網(wǎng)絡債務風險預警系統(tǒng)中進行評估，便可得到所需的債務綜合評價值R以及相對應的預警區(qū)間。這樣做能夠避免因主觀隨意性對債務風險進行誤判，使評估更加客觀、科學，從而方便政府及時準確地對債務風險做出預測。

當然，本文所構(gòu)建的基于GM－BP神經(jīng)網(wǎng)絡的地方政府債務風險預警系統(tǒng)是參考了以往成熟的理論研究成果，并結(jié)合實際所選樣本數(shù)據(jù)設計得出的，可以說其是一個動態(tài)性的預警過程，所得出的債務風險結(jié)果也僅是經(jīng)過科學預警得出的參考值，因此需要我們今后進行定期研究并對預警系統(tǒng)進行修正。

4.2 政策建議

結(jié)合基于GM－BP神經(jīng)網(wǎng)絡的地方政府債務風險預警模型結(jié)果以及我國地方政府債務管理實踐，為更好地預防和規(guī)避我國地方政府債務風險，我們認為還應注意以下幾個方面:

首先，厘清各種性質(zhì)的地方性債務風險，建立更具針對性的、細化的預警指標體系。區(qū)分地方政府存在的直接、或有債務和顯性、隱性債務，根據(jù)不同地區(qū)的整體經(jīng)濟情況與債務狀況，建立能夠反映本地區(qū)實際情況的預警指標體系，從而實現(xiàn)地方政府債務風險的精準預警。

其次，開源節(jié)流，加快培育地方政府主體稅種，優(yōu)化地方政府支出結(jié)構(gòu)。除構(gòu)建地方政府債務風險預警系統(tǒng)外，要想降低財政風險，從根本上來說，還得依靠增收節(jié)支。營改增后我國地方主體稅種的缺失將增大地方政府債務風險，應加快選擇培育適合成為地方稅收主體來源的稅種。同時還應加強對預算的管理和監(jiān)管，建立健全全面規(guī)范、公開透明的預算制度以及債務信息披露體系，規(guī)范地方政府支出行為。

最后，建立與地方政府債務風險預警系統(tǒng)相配套的應急處置預案。定期評估各地區(qū)政府性債務風險情況，及時實施風險評估和預警。同時建立健全地方政府性債務風險應急處置工作機制，成立應急組織機構(gòu)，實現(xiàn)快速響應、分類施策、各司其職、協(xié)同聯(lián)動、穩(wěn)妥處置，做到預警系統(tǒng)和應急處置預案的銜接和協(xié)調(diào)。并在債務風險事件應急處置結(jié)束后，對債務風險事件應急處置情況進行評估，并根據(jù)評估結(jié)果，及時總結(jié)經(jīng)驗教訓，改進完善債務風險預警系統(tǒng)和應急處置預案。

[1]POLACKOVA H.Government Contingent Liability:A Hidden Fiscal Risk[M].Quarterly Magazine of the IMF，1998.

[2]BURNSIDE C.On Contingent Liabilities and the Likelihood of Fiscal Crises[M].Comparative Economic Studies，2002.

[3]MARTNER R，TROMBEN V.Public Debt Indicators In American Countries:Snowball Effect[J].Currency Mismatch and The O-riginal Sin Social Science Research Network，2004(4):56－90.

[4]巴曙松.地方債務問題應當如何化解[J].西南金融，2011(10):4－6.

[5]陳睿.我國地方債務危機的成因、影響及對策[J].商丘師范學院學報，2011(10):97－100.

[6]孫浩頡.關(guān)于地方政府性債務風險分析及管理建議[J].經(jīng)營管理，2015(1):80.

[7]CHARLE S.Measuring and Forecasting Debt Capacity State of Oregon Experience[J].Government Finance Review，2008(12):44－74.

[8]MA J.Monitoring Fiscal Risks of Subnational Governments:Selected Country Experiences[M].Oxford:Oxford University Press，2003.

[9]劉尚希，趙全厚.政府債務:風險狀況的初步分析[J].管理世界，2002(5):22－32.

[10]裴育，歐陽華生.我國地方政府債務風險預警理論分析[J].中國軟科學，2007(3):110－114.

[11]洪源，劉興琳.地方政府債務風險非線性仿真預警系統(tǒng)的構(gòu)建——基于粗糙集－BP神經(jīng)網(wǎng)絡方法集成的研究[J].山西財經(jīng)大學學報，2012(3):1－10.

[12]王振宇，連家明，郭艷嬌，等.我國地方政府性債務風險識別和預警體系研究——基于遼寧的樣本數(shù)據(jù)[J].財貿(mào)經(jīng)濟，2013 (7):17－28.

[13]朱文蔚，陳勇.我國地方政府性債務風險評估及預警研究[J].亞太經(jīng)濟，2015(1):31－36.

[14]邵偉鈺.地方政府債務風險預警體系研究[D].江蘇:蘇州大學，2008.

[15]劉驊，盧亞娟.地方政府融資平臺債務風險預警模型與實證研究[J].經(jīng)濟學動態(tài)，2014(8):63－69.

[16]曹明霞.灰色關(guān)聯(lián)度模型正負性問題的研究及其改進[J].系統(tǒng)工程與電子技術(shù)，2008(6):1086－1088.

[17]溫正.精通MATLAB智能算法[M].北京:清華大學出版社，2015.

[18]余勝威.MATLAB優(yōu)化算法案例分析與應用[M].北京:清華大學出版社，2014.

Local Government Debt Risk Warning System Based on GM－BP Neural Network——A Case Study of 2015 Sample Data from 38 Chongqing Districts and Counties

MA Entao，LV Hanping
(School of Finance and Taxation，Shandong University of Finance and Economics，Jinan250014，China)

With the 2015 debt data from 38 Chongqing districts and counties as sample and via the nonlinear processing advantages of grey correlation method and BP neural network，this paper constructs a GM－BP neural network－based local government debt risk warning system and empirically analyzes the debt risks of all Chongqing districts and counties by adopting this warning system.The results show that in 2015 the debt risks of 38 Chongqing districts and counties remain in the Green Zone with 4 districts and counties(Dadukou District，Kaixian County，Nanchuan District and Tongnan District)in the orange warning area and 1 county(Chengkou County)in the red risk area while Chongqing local government debt risks are overall controllable，and that compared with the unreduced BP neural network warning system，the GM－BP neural network debt risk warning system needs a shorter training time，has higher early warning accuracy，and presents a certain degree of universality if fine－tuned according to the actual situation of early warning areas.

grey correlation method；BP neural network；local government debt risk；warning system

F810.7

:A

:2095－929X(2017)02－0096－11

(責任編輯 時明芝)

2016－11－02

國家社會科學基金項目“我國地方政府融資平臺債務控制及其風險防范研究”(13BJY164)；山東省自然基金重點項目“山東省政府性債務控制及風險預警研究”(ZR2015GZ001)；濟南市社科規(guī)劃基金重點項目“濟南市政府與社會資本合作中的問題與對策研究”(JNSK16B04)。

馬恩濤，男，山東德州人，經(jīng)濟學博士，山東財經(jīng)大學財政稅務學院教授，研究方向:政府債務問題研究；呂函枰，女，山東煙臺人，山東財經(jīng)大學財政稅務學院碩士生，研究方向:政府債務問題研究，Email:lhping6688@163.com。