论文部分内容阅读
【摘 要】 政府通过负债推动经济增长的同时引发了负债所带来的负面效应。要合理、有效防控负债风险，就必须正确评估地方政府债务风险。文章选择地方政府债务风险作为预测对象，采用欧式距离、皮尔森相关系数聚类重复分层方法确定债务风险评价指标，通过因子分析确定因子得分并标定临界值。以2010—2015年A省地方政府债务为样本，将其作为训练学习的对象，并利用机器学习算法对A省2016年地方政府债务风险进行预估。结果表明：机器学习算法在地方政府债务风险预警方面是有效的，可以进行应用。针对当前地方政府债务风险存在的问题，提出了风险预防的建议。
【关键词】 机器学习算法； 地方政府债务； 风险预测
【中图分类号】 F812.7 【文献标识码】 A 【文章编号】 1004-5937（2018）17-0077-05
自2011年初次开展债务审计工作以来，截至2016年末，全国法定限额内政府债务余额达到27.33万亿元，负债率为36.7%，低于主要市场经济国家和新兴经济体水平；地方政府债务余额15.32万亿元，地方财政赤字7 800亿元，数字庞大。不仅如此，地方政府对偿还责任、担保责任以及通过融资平台公司、政府投资基金等方式负有的债务，形成的潜在风险不容忽视。地方经济低迷，地方财政收入走低，基建支出呈刚性增长态势，财政收支结构不均衡。地方财政压力骤增。如果不能及时分散风险，必将影响地方经济的优质发展，因而其负效应不容忽视。
一、研究现状分析
地方政府债务问题日益凸显，因此许多学者就此展开研究，但到目前，关于我国地方政府债务的研究主要从风险的定义和界定、风险成因、风险防控建议等多方面多角度对地方政府债务进行了较为全面的综述。但对于定量分析则处于起步阶段，相关研究还停留在理论分析阶段，总的来说有以下不足之处：首先是学者对防控风险指标选取缺乏新意，在数据基础上简单借鉴国外已经成熟的风险警戒线划分地方政府债务风险等级，缺乏实用性。而造成各地债务风险的因素复杂，仅仅从债务相关指标上评价使地方政府债务等级，是不客观的。其次，地方政府债务风险评估体系没有形成一个自上而下与自下而上相结合完整的评估系统。最后，地方政府债务风险评价的标准没有一个统一的衡量标准。制度不完善、评价没有统一的口径和标准，再加上经济形势、体制等复杂因素，导致对风险的评估只是一种对现实的被动反映，存在滞后性。
另外，即使涉及运用预警指标进行实证分析，也是大约集中在三方面。首先，主要集中在以违约率作为标准。相关研究已经较为成熟。多数研究以KMV模型为基础，其特点就是将地方政府债务规模以地方政府债券或城投债作为替代，在此基础上提出修正的KMV模型，以此预测债务的违约风险，严重低估了地方政府债务规模，也使得计算出的地方政府债务违约风险存在严重偏差。其次，地方政府债务风险属于复杂非线性问题，单纯使用线性回归的方法并不能进行有效的分析[1]。最后，机器学习算法可以对未知情况做出有效预测，实用性强，可以很好地解决复杂非线性问题，而且机器学习算法在各领域应用广泛，但在地方政府债务方面并未有过多的涉及，只是停留在运用单一算法进行预测上，如BP神经网络、随机森林的方法。但无论单一算法多么优越，也无法适用于所有情况，而且我国地方政府债务在2011年才进行初级普查，样本容量有限，集成学习算法对小样本预测非常有效。
二、实证研究开展
（一）研究设计
1.模型設计
地方政府债务风险评估属于非线性问题，在机器学习算法中，BP、CART可以有效地解决这类问题，由于地方政府债务审计开展时间短，数据容量属于小样本预测问题，BP、CART是学习能力相对较弱的算法，适合利用集成算法优化，而集成算法有助于提升弱学习器的泛化能力，因此，采用这些机器学习算法建立预测模型。
2.样本与数据来源及概述
本文以A省地方政府为初始样本，A省债务规模增速快，截至2015年末，地方政府赤字达到2 855.36亿元，A省地方政府性债务余额由2010年1 900.2亿元迅速增加到4 962.9亿元，增长幅度高达161.18%。其中负有偿还责任的债务由2010年974.81亿元增加到2 929.27亿元，增长幅度高达200.5%，占比高达59%。政府内债激增到4 886.39亿元，增长幅度高达170.3%。A省政府逾期债务余额增长幅度高达439.5%，到2019年以后到期债务达到高峰，将会高达1 422亿元（见《A省及其下辖各市经济财政实力及债务分析》一文）。可以看出债务规模呈现激增态势；A省债务融资风险日益增长，由于A省地方政府的资金大多用于市政建设、基础设施建设等公共领域，投入可以占到债务总额的60%，而项目投资回收周期长、回报率低，增加了地方政府债务偿还风险。A省地方政府收入逐年减少、赤字逐年增加，对中央财政转移性支付依赖比较严重。近三年A省一般公共预算自给率分别为37.9%、37.9%和29.0%，财政自给率处于低水平状态。从债务资金来源来看，截至2014年，政府性债务资金来源主要是通过银行贷款、发行债券，占政府性债务资金总来源的50%。从举债主体来看，截至2014年，通过政府部门和机构融资平台公司融资比例高达66%，而不少融资平台资产负债率超过了警戒线，因此存在过度依赖融资平台的问题。由此看来，选用A省地方政府债务为样本是可行的。本文选取2010—2015年数据进行预测并评价A省2016年地方政府债务风险，评价机器学习算法是否适用于预测地方政府债务风险。本文数据来源于：（1）A省财政网、《中国财政年鉴》、《中国统计年鉴》、《中国国有资产监督年鉴》、部分学术论坛会议、相关学者的学术文献等；（2）国泰安、中经、中宏等数据库；（3）A省财政厅实地调研。
（二）实证结果及分析
1.指标选取及确定
（1）指标选取 评估地方政府债务风险首要工作是建立一套综合全面的地方政府债务风险指标体系。本文指标体系的选取主要以债务指标为核心，财政指标、宏观经济指标为补充，充分反映地方政府债务风险状况。指标筛选具有高度的概括性、互补性，经济意义明确，同时指标的临界值应该能够被确定。从实操性角度出发，剔除缺乏可靠性的数据，如：地方国有企业亏损率、地方金融机构不良资产率等；剔除缺乏评判标准的数据，如地方政府支出占比，赤字增长率等[2]。
（2）指标确定
在数据标准化处理后采用欧式距离、皮尔森相关系数聚类重复分层方法筛选指标。最后确定15个指标，即债务增长率、债务依存度、地方政府赤字率、债务负担率、财政收入占GDP、税收收入占比、赤字依存度占比、地方政府收支补偿系数、地方赤字负担率、或有债务占比、地方债务偿债率、外债占比、失业率、通货膨胀率、GDP增长率。
2.因子分析及因子得分
（1）因子分析
将15个指标进行因子分析，提取主成分。由于前三个因子占比高达93.022%，基本可以对15个因素进行概括，所以提取三个主要因子，进行因子矩阵，由于差别并不明显，所以对因子进行正交旋转，旋转后得出因子矩阵。其中，在因子1里，外债占比、或有债务占比等债务指结构指标载荷系数很高，分别达到0.987、0.858，将其归为债务结构风险因子；在因子2中，赤字依存度、债务依存度载荷系数为0.994、0.848，财政收入占比系数、地方政府收支补偿系数载荷为-0.772、-0.994，将其归为狭义债务风险因子；在因子3中，税收收入结构的载荷系数所占比重较大，为0.722，将其归为收入结构风险因子。根据3个主要因子的累计贡献率，影响A省地方政府债务风险要的因子次序为债务结构风险因子、狭义债务风险因子、收入结构风险因子，并计算因子得分，根据因子得分系数，得出旋转后因子得分函数：
（2）指标临界值确定及因子得分
确定指标的临界值，以地方政府经济现状为基础，参考国际标准惯例、类似地方政府经验数据，最终确定临界值，见表1[3]。将其分为三个区间：无风险、中风险和高风险。指标临界值的风险等级与因子得分转换见表2。根据各个因子的风险临界值得分，得到每年各个因子的风险等级，见表3。
3.实证结果及分析
（1）模型训练
本次研究中网络的训练和测试均通过Modeler 18.0 软件完成，参数设置为：（1）BP神经网络模型。多层感知器（MLP）；隐含层：1；中止规则：最大训练时间15分钟，最大训练周期数250，最低准确性90%；防止过度拟合集合：30；（2）BP神经网络-Bagging基学习器。BP神经网络，其参数设置如上；模型数量：10；最终结果规则：平均值。（3）CART分割方法。最小Gini指数；最大树深度，5；修剪策略：后剪枝；放大因子m：1.5；父分支中的最小记录数：2%；子分支中的最小记录数：1%；最小杂质改变：0.0001；（4）CART-Bagging基学习器。CART，其参数设置如上；模型数量：10；最终结果规则：平均值[4]。以2010—2014年的Z债务增长率、Z债务依存度、Z地方政府赤字率、Z债务负担率、Z财政收入占GDP、Z税收收入占比、Z赤字依存度占比、Z地方政府收支补偿系数、Z地方赤字负担率、Z或有债务占比、Z地方债务偿债率、Z外债占比、Z失业率、Z通货膨胀率、ZGDP增长率作为输入变量（表4、表5），2011—2015年的FAC1_1、FAC1_2、FAC1_3作为学习变量（表6），分别利用BP神经网络、CART、BP神经网络-Bagging、CART-Bagging进行学习。然后，利用学习好的模型预测，进行综合评价，得到最后的结果。
首先，對各个模型进行误差分析（准确率指的是预测数值所代表的风险等级与实际风险等级拟合程度）。具体做法如下：根据预测的因子得分，结合风险临界值区间，得到每年各个因子风险等级的预测结果，准确率即使预测风险等级的准确性与实际风险等级之比。结果表明，各个模型对F2风险等级和F3风险等级的拟合度较好，预测结果都达到了100%，各个模型对F1预测的准确率表现差异较大，其中，CART准确率最差，为40%，其次是BP和BP-Bagging，准确率为60%。准确率代表了模型的拟合程度，无法完全说明该模型预测结果是否准确。为此，本次通过多个模型建模预测，综合评价，结果较为可信。
（2）模型预警分析
由于2016年A省地方政府债务数据未公布，所以本次预测2016年的风险等级，输入变量见表7，预测结果见表8。
各个模型的预测结果以及综合评价结果表明（表8），易知各个模型对F3风险等级预测都为中风险，预测结果比较一致；各个模型对F2风险等级的预测结果中，有3个高风险，一个低风险，通过投票的方式，认为F2的风险等级为高风险；F1风险等级的预测结果中，有一个低风险，3个中风险，通过投票的方式，认为F1的风险等级为中风险；F风险等级的预测结果变化比较大，其中有2个高风险，一个低风险，一个中风险，无法进行投票选择。同时，计算各个模型每个因子得分的平均值，F1综合评价的因子得分为-0.448，风险等级为中风险；F2综合评价因子得分为0.341，风险等级高风险；F3综合评价的因子得分为-0.259，风险等级为中风险；F综合评价的因子得分为-0.136，风险等级为中风险。综上表明，2016年F1的风险等级为中风险，F2的风险等级为高风险，F3的风险等级为中风险，F的风险等级为中风险。因此，A省地方政府债务规模目前处于相对安全状态。
三、结论与政策建议
（一）结论
研究结果表明：机器学习算法在地方政府债务风险预警方面是有效的，可以进行应用。从债务整体而言，要不断调整债务结构，合理进行债务期限长短组合，规避时间过于集中井喷式爆发，有利于地方政府分散债务风险。就狭义债务风险和收入结构风险而言，稳定税收、激活财政收入的增加潜力，发挥国有企业在地方经济中的积极带头作用，提高企业核心竞争力，促进国有企业改革，以制度创新、技术创新、产品创新实现经济的高质量增长，促进地方财政收入增收。依托先进管理方式解决粗放管理存在的问题，引入大型项目营造良好经济环境。在财政支出方向，应实施动态化、全方位的监管，严格审批，尤其强化对地方政府融资平台的规范管理，提升自身财政综合实力，不断提升债务承受能力。 （二）地方政府债务风险防控政策建议
1.加强风险审计，完善政府评价体系
首先要加强债务审计监管，明确审计方式，将由上至下的审查和独立于政府的监督机构相结合，明确地方各级政府审计制度期限及范围。定期对各级政府、融资平台的地方政府债务进行审计，将其审计结果划分为不同等级进行不同频率审计，如果审计结果显示存在较高风险，在发出风险警报的同时根据风险的审计结果缩短审计期限，变为不定期审查。根据各省地方政府经济发展、债务存量等现实情况，因地制宜的选取预估指标、界定风险临界值并通过反复训练建立行之有效的预估模型，使其具备高敏感性、全面性、可操作性。其次在风险预估中，各级地方政府应利用大数据建立一体化政府债务信息共享监督平台，实行实时监督、管理，所有的债务投融资信息从审查时就录入数据库，形成全流程平台操作，并通过联网平台进行计算并发出警报。最后在风险预估后，根据得到的债务风险预估等级采取相应的措施。处于低风险时，常规监控，注重风险的变化和防范；处于中风险时，实时动态监控，积极化解风险，可按风险累计贡献率的高低次序对地方政府债务进行分流、分级化解风险[5]；处于高风险时，实时动态监控，积极化解现有债务存量，可以通过债权清理、重组等方式降低地方政府债务风险。严格控制债务增量、严格审批新增负债项目。增加信息有效性，解决信息不对称性，有效整合地方政府经济资源，增加地方政府可支配经济资源，从而提高资金使用效率。积极发挥政府职能的引导作用，因地制宜根据不同需求各地建立相关产业基金和引导基金融资。
完善政府评价体系从三方面入手，一是改变原有盲目追求政绩的观念。完善考核指标体系，将政府债务的举借、使用、偿还或提供担保等情况列入指标，如：化解现有债务存量额、资金使用率、新增债务率等相关指标。加入项目评价指标，包括借贷进度完成百分比、项目完成度、部门或地方承诺的资金或政策是否及时到位等指标考核体系，加入其他综合性指标，如地方人民生活幸福度、生态效应、社会保障程度、地方债务解决程度等。二是要建立责任追责制度，实行全方位、全流程监控，保证从项目调研、项目审批、项目运营各个环节的责任落实到各个责任人，做到每个环节追责明确，让追责制度落地生根，不再是一纸空谈。三是实行明确的奖惩制度。对按时偿还贷款、及时发现分析等情况，给予必要的奖励；对出现监督管理不力、项目偿债发生困难、造成重大经济损失或对产生严重影响的责任人，要追责给予处分。
2.约束融资平台，加强披露制度
出臺相应法律规范约束融资平台，有针对性地制定偿债准备金制度。地方政府不能发行债券而地方经济建设对资金有迫切的需求，使地方将眼光投向地方融资平台，而现有法律体制下并没有相关的法律可以进行约束，可以通过偿债准备金制度规避地方政府偿债峰年，分散风险。此外，坚决整改债务偿还来源单一的政府融资平台，通过完善平台治理结构、构建现代企业管理制度以及引进专业人才等措施来切实提高平台的运作质量。
我国各级政府普遍存在财务信息披露程度较低的现象，自2011年各地首次开展审计以来，各省各级公共平台上只能查询到部分年份、部分数据。我国应完善各级地方政府财务信息公开，形成地方政府债务报告、地方政府债务预估报告两种报告形式，地方政府应完善政府会计改革，健全政府债务统计报告制度。通过多方汇报和公共信息平台的方式加大披露程度，形成多方多角度监督，使各级政府重视地方政府债务，严格防控。
【参考文献】
[1] 卞萌.我国地方政府债务风险问题研究[D].济南：山东财经大学硕士学位论文，2004.
[2] 邵伟钰.地方政府债务风险预警体系研究[D].苏州：苏州大学博士学位论文，2008.
[3] 杜金向，陈墨畅，初美慧.地方政府投融资平台的债务特点及风险分析[J].会计之友，2017（11）：42-45.
[4] 柴明锐，程丹，张昌民，等.机器学习方法对砂砾岩岩屑成分的预测——以西北缘X723井百口泉组为例[J].西安石油大学学报（自然科学版），2017（5）：22-28.
[5] 曹润梅，石东伟.新预算法、预算质量与地方政府性债务[J].会计之友，2017（10）：65-66.
【关键词】 机器学习算法； 地方政府债务； 风险预测
【中图分类号】 F812.7 【文献标识码】 A 【文章编号】 1004-5937（2018）17-0077-05
自2011年初次开展债务审计工作以来，截至2016年末，全国法定限额内政府债务余额达到27.33万亿元，负债率为36.7%，低于主要市场经济国家和新兴经济体水平；地方政府债务余额15.32万亿元，地方财政赤字7 800亿元，数字庞大。不仅如此，地方政府对偿还责任、担保责任以及通过融资平台公司、政府投资基金等方式负有的债务，形成的潜在风险不容忽视。地方经济低迷，地方财政收入走低，基建支出呈刚性增长态势，财政收支结构不均衡。地方财政压力骤增。如果不能及时分散风险，必将影响地方经济的优质发展，因而其负效应不容忽视。
一、研究现状分析
地方政府债务问题日益凸显，因此许多学者就此展开研究，但到目前，关于我国地方政府债务的研究主要从风险的定义和界定、风险成因、风险防控建议等多方面多角度对地方政府债务进行了较为全面的综述。但对于定量分析则处于起步阶段，相关研究还停留在理论分析阶段，总的来说有以下不足之处：首先是学者对防控风险指标选取缺乏新意，在数据基础上简单借鉴国外已经成熟的风险警戒线划分地方政府债务风险等级，缺乏实用性。而造成各地债务风险的因素复杂，仅仅从债务相关指标上评价使地方政府债务等级，是不客观的。其次，地方政府债务风险评估体系没有形成一个自上而下与自下而上相结合完整的评估系统。最后，地方政府债务风险评价的标准没有一个统一的衡量标准。制度不完善、评价没有统一的口径和标准，再加上经济形势、体制等复杂因素，导致对风险的评估只是一种对现实的被动反映，存在滞后性。
另外，即使涉及运用预警指标进行实证分析，也是大约集中在三方面。首先，主要集中在以违约率作为标准。相关研究已经较为成熟。多数研究以KMV模型为基础，其特点就是将地方政府债务规模以地方政府债券或城投债作为替代，在此基础上提出修正的KMV模型，以此预测债务的违约风险，严重低估了地方政府债务规模，也使得计算出的地方政府债务违约风险存在严重偏差。其次，地方政府债务风险属于复杂非线性问题，单纯使用线性回归的方法并不能进行有效的分析[1]。最后，机器学习算法可以对未知情况做出有效预测，实用性强，可以很好地解决复杂非线性问题，而且机器学习算法在各领域应用广泛，但在地方政府债务方面并未有过多的涉及，只是停留在运用单一算法进行预测上，如BP神经网络、随机森林的方法。但无论单一算法多么优越，也无法适用于所有情况，而且我国地方政府债务在2011年才进行初级普查，样本容量有限，集成学习算法对小样本预测非常有效。
二、实证研究开展
（一）研究设计
1.模型設计
地方政府债务风险评估属于非线性问题，在机器学习算法中，BP、CART可以有效地解决这类问题，由于地方政府债务审计开展时间短，数据容量属于小样本预测问题，BP、CART是学习能力相对较弱的算法，适合利用集成算法优化，而集成算法有助于提升弱学习器的泛化能力，因此，采用这些机器学习算法建立预测模型。
2.样本与数据来源及概述
本文以A省地方政府为初始样本，A省债务规模增速快，截至2015年末，地方政府赤字达到2 855.36亿元，A省地方政府性债务余额由2010年1 900.2亿元迅速增加到4 962.9亿元，增长幅度高达161.18%。其中负有偿还责任的债务由2010年974.81亿元增加到2 929.27亿元，增长幅度高达200.5%，占比高达59%。政府内债激增到4 886.39亿元，增长幅度高达170.3%。A省政府逾期债务余额增长幅度高达439.5%，到2019年以后到期债务达到高峰，将会高达1 422亿元（见《A省及其下辖各市经济财政实力及债务分析》一文）。可以看出债务规模呈现激增态势；A省债务融资风险日益增长，由于A省地方政府的资金大多用于市政建设、基础设施建设等公共领域，投入可以占到债务总额的60%，而项目投资回收周期长、回报率低，增加了地方政府债务偿还风险。A省地方政府收入逐年减少、赤字逐年增加，对中央财政转移性支付依赖比较严重。近三年A省一般公共预算自给率分别为37.9%、37.9%和29.0%，财政自给率处于低水平状态。从债务资金来源来看，截至2014年，政府性债务资金来源主要是通过银行贷款、发行债券，占政府性债务资金总来源的50%。从举债主体来看，截至2014年，通过政府部门和机构融资平台公司融资比例高达66%，而不少融资平台资产负债率超过了警戒线，因此存在过度依赖融资平台的问题。由此看来，选用A省地方政府债务为样本是可行的。本文选取2010—2015年数据进行预测并评价A省2016年地方政府债务风险，评价机器学习算法是否适用于预测地方政府债务风险。本文数据来源于：（1）A省财政网、《中国财政年鉴》、《中国统计年鉴》、《中国国有资产监督年鉴》、部分学术论坛会议、相关学者的学术文献等；（2）国泰安、中经、中宏等数据库；（3）A省财政厅实地调研。
（二）实证结果及分析
1.指标选取及确定
（1）指标选取 评估地方政府债务风险首要工作是建立一套综合全面的地方政府债务风险指标体系。本文指标体系的选取主要以债务指标为核心，财政指标、宏观经济指标为补充，充分反映地方政府债务风险状况。指标筛选具有高度的概括性、互补性，经济意义明确，同时指标的临界值应该能够被确定。从实操性角度出发，剔除缺乏可靠性的数据，如：地方国有企业亏损率、地方金融机构不良资产率等；剔除缺乏评判标准的数据，如地方政府支出占比，赤字增长率等[2]。
（2）指标确定
在数据标准化处理后采用欧式距离、皮尔森相关系数聚类重复分层方法筛选指标。最后确定15个指标，即债务增长率、债务依存度、地方政府赤字率、债务负担率、财政收入占GDP、税收收入占比、赤字依存度占比、地方政府收支补偿系数、地方赤字负担率、或有债务占比、地方债务偿债率、外债占比、失业率、通货膨胀率、GDP增长率。
2.因子分析及因子得分
（1）因子分析
将15个指标进行因子分析，提取主成分。由于前三个因子占比高达93.022%，基本可以对15个因素进行概括，所以提取三个主要因子，进行因子矩阵，由于差别并不明显，所以对因子进行正交旋转，旋转后得出因子矩阵。其中，在因子1里，外债占比、或有债务占比等债务指结构指标载荷系数很高，分别达到0.987、0.858，将其归为债务结构风险因子；在因子2中，赤字依存度、债务依存度载荷系数为0.994、0.848，财政收入占比系数、地方政府收支补偿系数载荷为-0.772、-0.994，将其归为狭义债务风险因子；在因子3中，税收收入结构的载荷系数所占比重较大，为0.722，将其归为收入结构风险因子。根据3个主要因子的累计贡献率，影响A省地方政府债务风险要的因子次序为债务结构风险因子、狭义债务风险因子、收入结构风险因子，并计算因子得分，根据因子得分系数，得出旋转后因子得分函数：
（2）指标临界值确定及因子得分
确定指标的临界值，以地方政府经济现状为基础，参考国际标准惯例、类似地方政府经验数据，最终确定临界值，见表1[3]。将其分为三个区间：无风险、中风险和高风险。指标临界值的风险等级与因子得分转换见表2。根据各个因子的风险临界值得分，得到每年各个因子的风险等级，见表3。
3.实证结果及分析
（1）模型训练
本次研究中网络的训练和测试均通过Modeler 18.0 软件完成，参数设置为：（1）BP神经网络模型。多层感知器（MLP）；隐含层：1；中止规则：最大训练时间15分钟，最大训练周期数250，最低准确性90%；防止过度拟合集合：30；（2）BP神经网络-Bagging基学习器。BP神经网络，其参数设置如上；模型数量：10；最终结果规则：平均值。（3）CART分割方法。最小Gini指数；最大树深度，5；修剪策略：后剪枝；放大因子m：1.5；父分支中的最小记录数：2%；子分支中的最小记录数：1%；最小杂质改变：0.0001；（4）CART-Bagging基学习器。CART，其参数设置如上；模型数量：10；最终结果规则：平均值[4]。以2010—2014年的Z债务增长率、Z债务依存度、Z地方政府赤字率、Z债务负担率、Z财政收入占GDP、Z税收收入占比、Z赤字依存度占比、Z地方政府收支补偿系数、Z地方赤字负担率、Z或有债务占比、Z地方债务偿债率、Z外债占比、Z失业率、Z通货膨胀率、ZGDP增长率作为输入变量（表4、表5），2011—2015年的FAC1_1、FAC1_2、FAC1_3作为学习变量（表6），分别利用BP神经网络、CART、BP神经网络-Bagging、CART-Bagging进行学习。然后，利用学习好的模型预测，进行综合评价，得到最后的结果。
首先，對各个模型进行误差分析（准确率指的是预测数值所代表的风险等级与实际风险等级拟合程度）。具体做法如下：根据预测的因子得分，结合风险临界值区间，得到每年各个因子风险等级的预测结果，准确率即使预测风险等级的准确性与实际风险等级之比。结果表明，各个模型对F2风险等级和F3风险等级的拟合度较好，预测结果都达到了100%，各个模型对F1预测的准确率表现差异较大，其中，CART准确率最差，为40%，其次是BP和BP-Bagging，准确率为60%。准确率代表了模型的拟合程度，无法完全说明该模型预测结果是否准确。为此，本次通过多个模型建模预测，综合评价，结果较为可信。
（2）模型预警分析
由于2016年A省地方政府债务数据未公布，所以本次预测2016年的风险等级，输入变量见表7，预测结果见表8。
各个模型的预测结果以及综合评价结果表明（表8），易知各个模型对F3风险等级预测都为中风险，预测结果比较一致；各个模型对F2风险等级的预测结果中，有3个高风险，一个低风险，通过投票的方式，认为F2的风险等级为高风险；F1风险等级的预测结果中，有一个低风险，3个中风险，通过投票的方式，认为F1的风险等级为中风险；F风险等级的预测结果变化比较大，其中有2个高风险，一个低风险，一个中风险，无法进行投票选择。同时，计算各个模型每个因子得分的平均值，F1综合评价的因子得分为-0.448，风险等级为中风险；F2综合评价因子得分为0.341，风险等级高风险；F3综合评价的因子得分为-0.259，风险等级为中风险；F综合评价的因子得分为-0.136，风险等级为中风险。综上表明，2016年F1的风险等级为中风险，F2的风险等级为高风险，F3的风险等级为中风险，F的风险等级为中风险。因此，A省地方政府债务规模目前处于相对安全状态。
三、结论与政策建议
（一）结论
研究结果表明：机器学习算法在地方政府债务风险预警方面是有效的，可以进行应用。从债务整体而言，要不断调整债务结构，合理进行债务期限长短组合，规避时间过于集中井喷式爆发，有利于地方政府分散债务风险。就狭义债务风险和收入结构风险而言，稳定税收、激活财政收入的增加潜力，发挥国有企业在地方经济中的积极带头作用，提高企业核心竞争力，促进国有企业改革，以制度创新、技术创新、产品创新实现经济的高质量增长，促进地方财政收入增收。依托先进管理方式解决粗放管理存在的问题，引入大型项目营造良好经济环境。在财政支出方向，应实施动态化、全方位的监管，严格审批，尤其强化对地方政府融资平台的规范管理，提升自身财政综合实力，不断提升债务承受能力。 （二）地方政府债务风险防控政策建议
1.加强风险审计，完善政府评价体系
首先要加强债务审计监管，明确审计方式，将由上至下的审查和独立于政府的监督机构相结合，明确地方各级政府审计制度期限及范围。定期对各级政府、融资平台的地方政府债务进行审计，将其审计结果划分为不同等级进行不同频率审计，如果审计结果显示存在较高风险，在发出风险警报的同时根据风险的审计结果缩短审计期限，变为不定期审查。根据各省地方政府经济发展、债务存量等现实情况，因地制宜的选取预估指标、界定风险临界值并通过反复训练建立行之有效的预估模型，使其具备高敏感性、全面性、可操作性。其次在风险预估中，各级地方政府应利用大数据建立一体化政府债务信息共享监督平台，实行实时监督、管理，所有的债务投融资信息从审查时就录入数据库，形成全流程平台操作，并通过联网平台进行计算并发出警报。最后在风险预估后，根据得到的债务风险预估等级采取相应的措施。处于低风险时，常规监控，注重风险的变化和防范；处于中风险时，实时动态监控，积极化解风险，可按风险累计贡献率的高低次序对地方政府债务进行分流、分级化解风险[5]；处于高风险时，实时动态监控，积极化解现有债务存量，可以通过债权清理、重组等方式降低地方政府债务风险。严格控制债务增量、严格审批新增负债项目。增加信息有效性，解决信息不对称性，有效整合地方政府经济资源，增加地方政府可支配经济资源，从而提高资金使用效率。积极发挥政府职能的引导作用，因地制宜根据不同需求各地建立相关产业基金和引导基金融资。
完善政府评价体系从三方面入手，一是改变原有盲目追求政绩的观念。完善考核指标体系，将政府债务的举借、使用、偿还或提供担保等情况列入指标，如：化解现有债务存量额、资金使用率、新增债务率等相关指标。加入项目评价指标，包括借贷进度完成百分比、项目完成度、部门或地方承诺的资金或政策是否及时到位等指标考核体系，加入其他综合性指标，如地方人民生活幸福度、生态效应、社会保障程度、地方债务解决程度等。二是要建立责任追责制度，实行全方位、全流程监控，保证从项目调研、项目审批、项目运营各个环节的责任落实到各个责任人，做到每个环节追责明确，让追责制度落地生根，不再是一纸空谈。三是实行明确的奖惩制度。对按时偿还贷款、及时发现分析等情况，给予必要的奖励；对出现监督管理不力、项目偿债发生困难、造成重大经济损失或对产生严重影响的责任人，要追责给予处分。
2.约束融资平台，加强披露制度
出臺相应法律规范约束融资平台，有针对性地制定偿债准备金制度。地方政府不能发行债券而地方经济建设对资金有迫切的需求，使地方将眼光投向地方融资平台，而现有法律体制下并没有相关的法律可以进行约束，可以通过偿债准备金制度规避地方政府偿债峰年，分散风险。此外，坚决整改债务偿还来源单一的政府融资平台，通过完善平台治理结构、构建现代企业管理制度以及引进专业人才等措施来切实提高平台的运作质量。
我国各级政府普遍存在财务信息披露程度较低的现象，自2011年各地首次开展审计以来，各省各级公共平台上只能查询到部分年份、部分数据。我国应完善各级地方政府财务信息公开，形成地方政府债务报告、地方政府债务预估报告两种报告形式，地方政府应完善政府会计改革，健全政府债务统计报告制度。通过多方汇报和公共信息平台的方式加大披露程度，形成多方多角度监督，使各级政府重视地方政府债务，严格防控。
【参考文献】
[1] 卞萌.我国地方政府债务风险问题研究[D].济南：山东财经大学硕士学位论文，2004.
[2] 邵伟钰.地方政府债务风险预警体系研究[D].苏州：苏州大学博士学位论文，2008.
[3] 杜金向，陈墨畅，初美慧.地方政府投融资平台的债务特点及风险分析[J].会计之友，2017（11）：42-45.
[4] 柴明锐，程丹，张昌民，等.机器学习方法对砂砾岩岩屑成分的预测——以西北缘X723井百口泉组为例[J].西安石油大学学报（自然科学版），2017（5）：22-28.
[5] 曹润梅，石东伟.新预算法、预算质量与地方政府性债务[J].会计之友，2017（10）：65-66.