供給側(cè)結(jié)構(gòu)性改革背景下我國(guó)地方政府債務(wù)風(fēng)險(xiǎn)預(yù)警研究

淳偉德, 文 章, 陳 粘

(1.成都理工大學(xué) 管理科學(xué)學(xué)院,四川 成都 610059; 2.成都理工大學(xué) 商學(xué)院,四川 成都 610059)

1 引言

近年來(lái)，隨著歐美國(guó)家陸續(xù)爆發(fā)主權(quán)債務(wù)危機(jī)，“政府債務(wù)風(fēng)險(xiǎn)”已成為各國(guó)面臨的重大經(jīng)濟(jì)問(wèn)題。而在中國(guó)，根據(jù)國(guó)家審計(jì)署公布的數(shù)據(jù)顯示，從2010年至2018年財(cái)政赤字由6772.65億元上漲到37554.23億元，財(cái)政赤字率由0.0167上漲到0.417，財(cái)政依存度由0.075上漲到0.17，可以發(fā)現(xiàn)財(cái)政赤字、財(cái)政赤字率和財(cái)政依存度都呈現(xiàn)出顯著增長(zhǎng)趨勢(shì)，并且截至2018年末,全國(guó)地方政府債務(wù)余額已高達(dá)183862億元，因此債務(wù)風(fēng)險(xiǎn)已經(jīng)成為了我國(guó)地方政府信譽(yù)與經(jīng)濟(jì)穩(wěn)定發(fā)展的重要威脅[1]。尤其是在2015 年末，習(xí)近平總書(shū)記提出“供給側(cè)結(jié)構(gòu)性改革”這一舉措，其中的“三去一降一補(bǔ)”政策會(huì)直接對(duì)地方政府財(cái)政收入和支出造成顯著沖擊，進(jìn)而可能在短期內(nèi)加劇地方政府債務(wù)風(fēng)險(xiǎn)，如不立即對(duì)地方政府債務(wù)風(fēng)險(xiǎn)加以控制，勢(shì)必會(huì)阻礙我國(guó)經(jīng)濟(jì)的穩(wěn)定與繁榮[2,3]。因此，在供給側(cè)結(jié)構(gòu)性改革背景下，構(gòu)建適合于我國(guó)的地方政府債務(wù)風(fēng)險(xiǎn)預(yù)警模型，顯得十分迫切與必要。

然而，地方政府債務(wù)風(fēng)險(xiǎn)預(yù)警的關(guān)鍵在于構(gòu)建科學(xué)有效的債務(wù)風(fēng)險(xiǎn)預(yù)警模型?，F(xiàn)國(guó)內(nèi)外對(duì)債務(wù)風(fēng)險(xiǎn)預(yù)警研究經(jīng)歷了從 “離散控制法”到 “線性指數(shù)法”再到 “非線性先導(dǎo)法”的發(fā)展過(guò)程。雖然“離散控制法”、“線性指數(shù)法”在地方政府債務(wù)風(fēng)險(xiǎn)研究中取得了顯著成效，但是這些方法存在指標(biāo)選定主觀以及需假定政府債務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)與風(fēng)險(xiǎn)綜合值必須嚴(yán)格線性的缺陷，使得這些方法在地方政府債務(wù)風(fēng)險(xiǎn)預(yù)警中不具普適性[4,5]。有鑒于此，許多學(xué)者將“非線性先導(dǎo)法”引入到了地方政府債務(wù)風(fēng)險(xiǎn)研究領(lǐng)域，而常用的非線性方法為神經(jīng)網(wǎng)絡(luò)與SVM模型[6]。雖然神經(jīng)網(wǎng)絡(luò)模型在地方政府債務(wù)風(fēng)險(xiǎn)中具有較強(qiáng)的非線性擬合能力，但相較于SVM模型，神經(jīng)網(wǎng)絡(luò)模型存在局部最優(yōu)與需要大樣本的缺陷。因此，本文將基于SVM模型來(lái)對(duì)地方政府債務(wù)風(fēng)險(xiǎn)進(jìn)行預(yù)警研究。

又由于金融數(shù)據(jù)分布不均衡性，使得傳統(tǒng)的SVM模型在風(fēng)險(xiǎn)預(yù)警時(shí)更偏向于少數(shù)類(lèi)樣本數(shù)據(jù)，從而降低了風(fēng)險(xiǎn)預(yù)警研究的準(zhǔn)確性。而針對(duì)不平衡數(shù)據(jù)的問(wèn)題，主要有欠采樣法和過(guò)采樣法，由于欠采樣是對(duì)部分多數(shù)類(lèi)樣本的刪除，可能造成分類(lèi)信息的缺失[7]；但SMOTE方法是基于隨機(jī)過(guò)采樣算法的一種改進(jìn)方案，克服了隨機(jī)過(guò)采樣采取簡(jiǎn)單復(fù)制樣本的策略來(lái)增加少數(shù)類(lèi)樣本而產(chǎn)生模型過(guò)擬合的問(wèn)題，即使得模型學(xué)習(xí)到的信息過(guò)于特別(specific)而不夠泛化(general)，其核心思想是對(duì)少數(shù)類(lèi)樣本進(jìn)行分析并根據(jù)少數(shù)類(lèi)樣本人工合成新樣本添加到數(shù)據(jù)集中，消除數(shù)據(jù)的不平衡[8]。因此，本文將構(gòu)建基于SMOTE方法的SVM預(yù)警模型，以期能夠提高對(duì)供給側(cè)結(jié)構(gòu)性改革背景下的地方政府債務(wù)風(fēng)險(xiǎn)進(jìn)行預(yù)警研究的準(zhǔn)確性。

迄今為止，國(guó)內(nèi)外許多學(xué)者對(duì)地方政府債務(wù)風(fēng)險(xiǎn)預(yù)警進(jìn)行了卓有成效的研究。世界銀行專(zhuān)家 Hana[9]提出的債務(wù)風(fēng)險(xiǎn)矩陣為政府性債務(wù)風(fēng)險(xiǎn)的預(yù)警研究和全面有效檢測(cè)奠定了理論基礎(chǔ)。Ma[10]通過(guò)對(duì)已有地方債務(wù)問(wèn)題研究進(jìn)行案例分析，為一個(gè)假想的發(fā)展中國(guó)家設(shè)計(jì)了一套示范性的地方政府債務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系。Gimzauskiene等[2]介紹地方政府債務(wù)限額的決定因素與適用方法，并說(shuō)明公共財(cái)政融資環(huán)境和成本顯著影響債務(wù)占財(cái)政收入份額的增長(zhǎng)。Miao[3]則認(rèn)為債務(wù)風(fēng)險(xiǎn)是由于地方政府的“權(quán)力、責(zé)任和利益”之間不平衡關(guān)系造成的。沈雨婷和金洪飛[11]指出其他國(guó)家對(duì)地方政府債務(wù)管控嚴(yán)格或者舉債制度完善，因此往往基于簡(jiǎn)單指標(biāo)的預(yù)警體系就足以反映債務(wù)風(fēng)險(xiǎn)的規(guī)模與結(jié)構(gòu)。由于受不同政治體制的影響，我國(guó)所面臨的地方政府債務(wù)問(wèn)題與國(guó)外存在較大差別。楊志安和寧宇之[12]采用層次分析法構(gòu)建債務(wù)預(yù)警模型，將我國(guó)的財(cái)政風(fēng)險(xiǎn)劃為四個(gè)影響因子，并賦予各因子各指標(biāo)相應(yīng)權(quán)重，綜合分析我國(guó)當(dāng)前財(cái)政風(fēng)險(xiǎn)。洪源和劉興琳[13]基于我國(guó)9個(gè)縣的數(shù)據(jù)樣本，利用粗糙集理論、BP神經(jīng)網(wǎng)絡(luò)給出地方政府債務(wù)風(fēng)險(xiǎn)預(yù)警系統(tǒng)。其采用非線性研究方法，克服了當(dāng)風(fēng)險(xiǎn)指標(biāo)與風(fēng)險(xiǎn)綜合值不存在線性關(guān)系所帶來(lái)的偏差。但李斌等[6]首次提出將SVM用于地方政府債務(wù)風(fēng)險(xiǎn)預(yù)警研究，綜合運(yùn)用TOPSIS法和德?tīng)柗品ù_定了樣本的債務(wù)風(fēng)險(xiǎn)綜合評(píng)價(jià)值，提出了基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化的地方政府債務(wù)風(fēng)險(xiǎn)預(yù)警模型并驗(yàn)證了其預(yù)測(cè)性能。雖然，他們對(duì)地方政府債務(wù)風(fēng)險(xiǎn)的研究都取得了較好成果，但是未考慮到數(shù)據(jù)非均衡對(duì)地方政府債務(wù)風(fēng)險(xiǎn)預(yù)警研究的影響，尤其是并未在供給側(cè)結(jié)構(gòu)性改革這一背景下對(duì)地方政府債務(wù)風(fēng)險(xiǎn)進(jìn)行預(yù)警研究。由此可見(jiàn)，與已有研究成果相比較本文具有明顯的創(chuàng)新性。

2 我國(guó)地方政府債務(wù)風(fēng)險(xiǎn)預(yù)警模型構(gòu)建

2.1 構(gòu)建地方政府債務(wù)風(fēng)險(xiǎn)預(yù)警模型

支持向量機(jī)(support vector machine，SVM)是由Vapnik和Lerner[4]首次提出的一種新的數(shù)據(jù)挖掘方法，具有結(jié)構(gòu)風(fēng)險(xiǎn)最小化能夠避免陷入局部最優(yōu)、所需樣本量較少操作簡(jiǎn)單以及基于少數(shù)支持向量避免了“維數(shù)災(zāi)難”的優(yōu)點(diǎn)，被廣泛應(yīng)用于風(fēng)險(xiǎn)預(yù)警研究。

可將構(gòu)建傳統(tǒng)SVM的地方政府債務(wù)風(fēng)險(xiǎn)預(yù)警模型轉(zhuǎn)化為如下形式的優(yōu)化問(wèn)題

(1)

s.t.ωTφ(xi)+b-yi≤ε+ξii=1,…,N

(2)

由于在現(xiàn)實(shí)的金融實(shí)踐中樣本數(shù)據(jù)是不均衡的，地方政府發(fā)生債務(wù)風(fēng)險(xiǎn)的是少數(shù)類(lèi)樣本。然而所需要關(guān)注的恰好就是這類(lèi)少數(shù)類(lèi)樣本，倘若不采取改進(jìn)措施，則會(huì)造成分類(lèi)超平面畸變，使其向著少數(shù)類(lèi)樣本偏移，從而大大降低風(fēng)險(xiǎn)預(yù)警研究的準(zhǔn)確性。結(jié)合Chawla等[14]提出SMOTE算法將SVM模型進(jìn)行改進(jìn)，并構(gòu)建SMOTE-SVM來(lái)對(duì)地方政府債務(wù)風(fēng)險(xiǎn)進(jìn)行預(yù)警研究。SMOTE方法通過(guò)對(duì)少數(shù)類(lèi)樣本過(guò)采樣來(lái)擴(kuò)展其樣本數(shù)量，具體步驟如下:

步驟5不斷重復(fù)步驟3至步驟4，直到生成的新的少數(shù)類(lèi)的樣本數(shù)量達(dá)到D,則終止樣本的生產(chǎn)，從而獲得新的少數(shù)類(lèi)樣本集合。

最后基于新構(gòu)成的少數(shù)類(lèi)樣本使得少數(shù)類(lèi)樣本和多數(shù)類(lèi)樣本在數(shù)量上達(dá)成了一致，這樣便消除了數(shù)據(jù)的不平衡，進(jìn)而將新構(gòu)成的訓(xùn)練樣本集合用于預(yù)警研究，從而完成SMOTE-SVM模型構(gòu)建，以提升對(duì)地方政府債務(wù)風(fēng)險(xiǎn)預(yù)警的準(zhǔn)確度。

2.2 構(gòu)建風(fēng)險(xiǎn)預(yù)警檢驗(yàn)?zāi)Ｐ?/h3>

為了能夠更加充分驗(yàn)證本文所構(gòu)建的SMOTE-SVM模型對(duì)地方政府債務(wù)風(fēng)險(xiǎn)預(yù)警研究的可靠性，我們將采用薛薇[15]提出的G-means和F-measure指標(biāo)對(duì)地方政府債務(wù)風(fēng)險(xiǎn)預(yù)警模型進(jìn)行評(píng)價(jià)。

假定|FP|和|FN|分別為將非債務(wù)風(fēng)險(xiǎn)樣本錯(cuò)劃為債務(wù)風(fēng)險(xiǎn)樣本和將債務(wù)風(fēng)險(xiǎn)樣本錯(cuò)劃為非債務(wù)風(fēng)險(xiǎn)樣本的數(shù)量，|TP|和|TN|分別為債務(wù)風(fēng)險(xiǎn)樣本和非債務(wù)風(fēng)險(xiǎn)樣本被正確分類(lèi)的數(shù)量，通常采用混淆矩陣來(lái)表示(見(jiàn)表1)。

表1 二分類(lèi)數(shù)據(jù)集的混淆矩陣

3 實(shí)證研究

3.1 特征指標(biāo)選取

由于地方政府債務(wù)風(fēng)險(xiǎn)本身作為一個(gè)非顯性的數(shù)據(jù)指標(biāo)，需要構(gòu)建指標(biāo)進(jìn)行債務(wù)風(fēng)險(xiǎn)描述，因此刻畫(huà)地方政府債務(wù)風(fēng)險(xiǎn)的特征指標(biāo)對(duì)預(yù)警模型的預(yù)測(cè)精度可能產(chǎn)生重大影響。本文在梳理了國(guó)內(nèi)相關(guān)文獻(xiàn)以及基于數(shù)據(jù)可得性的基礎(chǔ)上，借鑒洪源等[16]所提出“地方政府債務(wù)風(fēng)險(xiǎn)要著眼于債務(wù)全過(guò)程循環(huán)”和洪源等[5]所提出的 “風(fēng)險(xiǎn)鏈”的思想，將從舉借環(huán)節(jié)、使用環(huán)節(jié)、償還環(huán)節(jié)三個(gè)層次所構(gòu)成的20個(gè)年度數(shù)據(jù)指標(biāo)作為樣本的特征指標(biāo)。

舉借環(huán)節(jié)選取貿(mào)易開(kāi)放度、產(chǎn)業(yè)結(jié)構(gòu)升級(jí)、各省GDP占比、居民儲(chǔ)蓄水平、金融發(fā)展成熟度、債務(wù)率、債務(wù)負(fù)擔(dān)率、新增債務(wù)率等8個(gè)指標(biāo)，其中前四項(xiàng)指標(biāo)反應(yīng)地方經(jīng)濟(jì)發(fā)展?jié)摿Γc債務(wù)風(fēng)險(xiǎn)呈負(fù)相關(guān)。金融發(fā)展成熟度反應(yīng)該地方金融發(fā)展程度，地方金融發(fā)展越好其償債能力越強(qiáng)，因此其與債務(wù)風(fēng)險(xiǎn)呈負(fù)相關(guān)。而債務(wù)率、債務(wù)負(fù)擔(dān)率、新增債務(wù)率均與債務(wù)風(fēng)險(xiǎn)呈正相關(guān)。債務(wù)率反映了地方財(cái)政收入對(duì)債務(wù)的依存度，該值越高表明當(dāng)?shù)刎?cái)政對(duì)政府性債務(wù)依存度越高；債務(wù)負(fù)擔(dān)率反映該地方生產(chǎn)總值對(duì)于債務(wù)的依存度，是評(píng)估債務(wù)風(fēng)險(xiǎn)的重要依據(jù)；新增債務(wù)率為年末債務(wù)余額增加額占當(dāng)年可用財(cái)力增加額的比重，該值越高反映地方經(jīng)濟(jì)和債務(wù)規(guī)模就越失衡。

使用環(huán)節(jié)選取地方財(cái)政自給率、經(jīng)濟(jì)債務(wù)彈性、財(cái)政債務(wù)彈性等三個(gè)指標(biāo)，地方財(cái)政自給率與債務(wù)風(fēng)險(xiǎn)呈負(fù)相關(guān)關(guān)系，經(jīng)濟(jì)債務(wù)彈性、財(cái)政債務(wù)彈性均與債務(wù)風(fēng)險(xiǎn)呈正相關(guān)關(guān)系。地方財(cái)政自給率為一般預(yù)算收入占一般預(yù)算支出的比重，該指標(biāo)越低則代表該區(qū)域政府舉債意愿越強(qiáng)烈；經(jīng)濟(jì)債務(wù)彈性為年末債務(wù)余額增長(zhǎng)率與GDP增長(zhǎng)率的比值，反映該地方GDP對(duì)于債務(wù)的依存度；財(cái)政債務(wù)彈性為年末債務(wù)余額增長(zhǎng)率與一般預(yù)算收入增長(zhǎng)率的比值，反映地方債務(wù)增長(zhǎng)與財(cái)政收入增長(zhǎng)是否具有可持續(xù)性。

償還環(huán)節(jié)選取赤字率、剛性支出占比、土地出讓收入比、稅收征管能力、宏觀負(fù)稅水平、稅收收入占比、財(cái)政壓力、債務(wù)財(cái)政負(fù)擔(dān)率、人均債務(wù)水平等9項(xiàng)指標(biāo)，除稅收征管能力、宏觀負(fù)稅水平、稅收收入占比外，均與債務(wù)風(fēng)險(xiǎn)呈正相關(guān)。赤字率該值越大，則表明當(dāng)年一般預(yù)算支出越高于一般預(yù)算收入，其地方政府償債能力越弱；剛性支出占比該值越大，則地方剩余償債能力越弱；土地出讓收入比為地方一般預(yù)算收入中來(lái)源于土地出讓收入的比例，該值越大，表明其地方政府一般預(yù)算收入很大程度依靠其土地出讓收入；財(cái)政壓力是財(cái)政收入與財(cái)政支出需求之間持續(xù)緊張的狀態(tài)，該值越高表明財(cái)政收入更難以滿足財(cái)政支出需求；債務(wù)財(cái)政負(fù)擔(dān)率是年末債務(wù)余額與一般預(yù)算收入的比值，反映地方債務(wù)與預(yù)算收入是否平衡；人均債務(wù)水平為年末債務(wù)余額總額與年末常住人口總額的比值，反映地方人均承擔(dān)債務(wù)的額度。稅收征管能力為一般預(yù)算收入與一般預(yù)算支出的比值，宏觀負(fù)稅水平為稅收收入與GDP的比值，均反映地方政府的稅收征收和運(yùn)行情況，該值越高表明稅收征收運(yùn)行情況越好，則債務(wù)償還能力越強(qiáng)；稅收收入占比為稅收收入與一般預(yù)算收入的比值，反映地方稅收收入占一般預(yù)算收入的比例。

3.2 樣本選取

依據(jù)已有研究成果將我國(guó)劃分為四大經(jīng)濟(jì)區(qū)域，本文選取中部地區(qū)(山西省、安徽省、江西省、河南省、湖北省、湖南省)2010～2017年度數(shù)據(jù)為研究樣本。其原因主要是中部地區(qū)承東啟西，連接南北，是我國(guó)的人口大區(qū)、經(jīng)濟(jì)腹地和重要市場(chǎng)，在中國(guó)地域分工中扮演著重要角色；同時(shí)，這6個(gè)省份的經(jīng)濟(jì)發(fā)展?fàn)顩r較好，工業(yè)體系較為完善，具有較強(qiáng)的研究?jī)r(jià)值。此外，之所以選擇時(shí)間段為2010～2017年，是因?yàn)樵摃r(shí)間段內(nèi)國(guó)家提出了供給側(cè)結(jié)構(gòu)性改革這一舉措，可研究供給側(cè)結(jié)構(gòu)性改革前后地方政府債務(wù)的風(fēng)險(xiǎn)變化情況。

本文數(shù)據(jù)來(lái)源于國(guó)家統(tǒng)計(jì)局分省年度數(shù)據(jù)、各省份統(tǒng)計(jì)年鑒、各省份年度政府報(bào)告、各省份年度決算報(bào)告、各省份經(jīng)濟(jì)統(tǒng)計(jì)年鑒以及Wind數(shù)據(jù)庫(kù)。本文主要使用SPSS24軟件和MATLAB2014b軟件進(jìn)行數(shù)據(jù)整理和編程分析。

3.3 地方政府債務(wù)風(fēng)險(xiǎn)預(yù)警模型選取

對(duì)于地方政府債務(wù)風(fēng)險(xiǎn)預(yù)警的關(guān)鍵在于預(yù)警模型的選取，同時(shí)為了更加明確地展現(xiàn)出本文所構(gòu)建的SMOTE-SVM模型對(duì)地方政府債務(wù)風(fēng)險(xiǎn)預(yù)警性能優(yōu)越性，本文將SVM模型、SMOTE-Logit模型、SMOTE-BPNN模型、SMOTE-Distance模型分別與SMOTE-SVM模型的預(yù)測(cè)性進(jìn)行對(duì)比研究，以驗(yàn)證SMOTE-SVM模型對(duì)地方政府債務(wù)風(fēng)險(xiǎn)預(yù)警的有效性與可靠性(見(jiàn)表2)。

表2 模型性能評(píng)估

從表2的研究結(jié)果可以發(fā)現(xiàn)，SMOTE-SVM模型下的所有指標(biāo)幾乎都顯著大于基于SMOTE模型下的其他預(yù)測(cè)模型。其原因可能是，SMOTE-SVM模型從基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化的視角來(lái)解決數(shù)據(jù)分類(lèi)問(wèn)題，因而相較于SMOTE-Logit模型、SMOTE-BPNN模型、SMOTE-Distance模型能夠表現(xiàn)出更加優(yōu)越的預(yù)測(cè)性能。由此可見(jiàn)，SMOTE與SVM各自具備的優(yōu)勢(shì)決定了SMOTE-SVM 模型在預(yù)測(cè)地方政府債務(wù)風(fēng)險(xiǎn)上不僅優(yōu)于SVM 模型，而且還比SMOTE-Logit模型、SMOTE-BPNN模型、SMOTE-Distance具有更為優(yōu)越的預(yù)測(cè)性能。

進(jìn)一步分析表2的結(jié)果可知，SMOTE-SVM模型中除了F-measure值略低于SVM模型外，G-means和AUC值都顯著地大于其他預(yù)警模型，從而表明SMOTE-SVM模型具有最優(yōu)的預(yù)警性能。尤其是SMOTE-SVM模型下的G-means值遠(yuǎn)大于其他預(yù)警模型，表明SMOTE-SVM模型對(duì)不平衡數(shù)據(jù)處理的有效性，也證明了SMOTE與SVM模型結(jié)合下的SMOTE-SVM模型能夠顯著提升對(duì)地方政府債務(wù)風(fēng)險(xiǎn)預(yù)警性能。又由于F-meansure值，主要考察的是對(duì)少數(shù)類(lèi)樣本預(yù)測(cè)準(zhǔn)確性，而在SMOTE-SVM模型下的F-measure略低于SVM模型，其原因可能是靈敏度和查準(zhǔn)率這兩個(gè)指標(biāo)之間具有一定的互斥性，不能完全滿足同時(shí)兼顧，并且SMOTE算法是通過(guò)合成少數(shù)類(lèi)樣本來(lái)達(dá)到兩類(lèi)樣本的均衡，而該算法無(wú)法克服非平衡數(shù)據(jù)集的數(shù)據(jù)分布問(wèn)題，進(jìn)而可能模糊正類(lèi)樣本和負(fù)類(lèi)樣本的邊界，導(dǎo)致SMOTE-SVM模型下的F-measure值略低于SVM模型，但從整體預(yù)測(cè)性能來(lái)看，SMOTE-SVM模型對(duì)地方政府債務(wù)風(fēng)險(xiǎn)預(yù)警性能仍是顯著優(yōu)于SVM模型，從而為供給側(cè)結(jié)構(gòu)性改革背景下開(kāi)展我國(guó)地方政府債務(wù)風(fēng)險(xiǎn)預(yù)警研究奠定了模型基礎(chǔ)。

3.4 基于SMOTE-SVM模型的地方政府債務(wù)風(fēng)險(xiǎn)預(yù)警研究

3.4.1 測(cè)試樣本數(shù)據(jù)說(shuō)明

通過(guò)上述研究可知，在測(cè)試集下，SMOTE-SVM模型表現(xiàn)出了更優(yōu)越的預(yù)測(cè)性能，因此本文將采用SMOTE-SVM模型對(duì)地方政府債務(wù)風(fēng)險(xiǎn)進(jìn)行預(yù)警研究?；跀?shù)據(jù)的可獲得性和指標(biāo)的代表性獲取了2010至2017年數(shù)據(jù)共為48個(gè)樣本。首先，通過(guò)主成分分析法(PCA)和二分類(lèi)方法處理樣本數(shù)據(jù)，計(jì)算得出地方政府債務(wù)風(fēng)險(xiǎn)綜合評(píng)價(jià)值(R)和風(fēng)險(xiǎn)閥值，當(dāng)R<0.5時(shí)，表示未發(fā)生債務(wù)風(fēng)險(xiǎn)，記為-1；當(dāng)R≥0.5時(shí)，表示發(fā)生債務(wù)風(fēng)險(xiǎn)，記為1；其次，將總樣本的75%作為訓(xùn)練集，得到最優(yōu)預(yù)警模型，并將樣本的25%作為測(cè)試集，進(jìn)行地方政府債務(wù)風(fēng)險(xiǎn)預(yù)警研究(見(jiàn)表3)。

表3 訓(xùn)練樣本的債務(wù)風(fēng)險(xiǎn)綜合評(píng)價(jià)結(jié)果

為準(zhǔn)確客觀地反映地方政府債務(wù)風(fēng)險(xiǎn)綜合值的狀態(tài)區(qū)間，有效避免人為劃分債務(wù)風(fēng)險(xiǎn)閥值所帶來(lái)的負(fù)面影響。從表3的地方政府債務(wù)風(fēng)險(xiǎn)綜合評(píng)價(jià)結(jié)果來(lái)看，在2010～2015年期間，共發(fā)生債務(wù)風(fēng)險(xiǎn)12次，占比33.3%，表明在2010～2015年期間該6個(gè)省份具有高概率發(fā)生債務(wù)風(fēng)險(xiǎn)，尤其以湖南省的債務(wù)問(wèn)題最為嚴(yán)重，出現(xiàn)了5次風(fēng)險(xiǎn)綜合值超過(guò)0.5的情況；債務(wù)情況最優(yōu)的是安徽省，均未發(fā)生債務(wù)風(fēng)險(xiǎn)。因此，構(gòu)建我國(guó)地方政府債務(wù)風(fēng)險(xiǎn)預(yù)警模型是十分必要的。

3.4.2 檢驗(yàn)樣本預(yù)測(cè)結(jié)果分析

通過(guò)上面分析可知，SMOTE-SVM模型對(duì)地方政府債務(wù)風(fēng)險(xiǎn)具備最優(yōu)的預(yù)警性能，并且得到了地方政府債務(wù)風(fēng)險(xiǎn)綜合評(píng)價(jià)結(jié)果，以此為基礎(chǔ)可采用SMOTE-SVM模型對(duì)地方政府債務(wù)風(fēng)險(xiǎn)進(jìn)行預(yù)警研究(見(jiàn)表4)。

表4 地方政府債務(wù)風(fēng)險(xiǎn)預(yù)測(cè)值結(jié)果

從表4的地方政府債務(wù)風(fēng)險(xiǎn)預(yù)測(cè)值與測(cè)度值的對(duì)比分析可知，基于SMOTE-SVM模型下地方政府債務(wù)風(fēng)險(xiǎn)預(yù)測(cè)準(zhǔn)確率達(dá)到91.67%，而誤差均方差僅為0.0041,希爾不等系數(shù)也僅為0.0916，從而表明SMOTE-SVM模型能夠較準(zhǔn)確地對(duì)地方政府債務(wù)進(jìn)行風(fēng)險(xiǎn)預(yù)警研究。此外，結(jié)果中僅有湖南省2017年的風(fēng)險(xiǎn)預(yù)測(cè)值與風(fēng)險(xiǎn)測(cè)度值不一致，這是由于二分類(lèi)方法得到的風(fēng)險(xiǎn)狀態(tài)劃分界限為0.5，而該樣本的風(fēng)險(xiǎn)預(yù)測(cè)值(為0.4669)與測(cè)度值(為0.6090)，與風(fēng)險(xiǎn)狀態(tài)的界限值差距都不大；同時(shí)，還由于地方供給側(cè)結(jié)構(gòu)性改革的影響，使得2017年湖南地方政府債務(wù)總量呈現(xiàn)出了較大變化，導(dǎo)致對(duì)其地方政府債務(wù)風(fēng)險(xiǎn)預(yù)警出現(xiàn)了偏差。但從整體預(yù)警結(jié)果來(lái)看，本文所構(gòu)建的SMOTE-SVM模型能夠較準(zhǔn)確預(yù)測(cè)地方政府債務(wù)風(fēng)險(xiǎn)。

為了能夠更加直觀地展現(xiàn)出SMOTE-SVM模型對(duì)地方政府債務(wù)風(fēng)險(xiǎn)預(yù)警研究結(jié)果，本文還將地方政府債務(wù)風(fēng)險(xiǎn)預(yù)測(cè)值與測(cè)度值進(jìn)行對(duì)比分析。從圖1可以看出，SMOTE-SVM模型下的風(fēng)險(xiǎn)預(yù)測(cè)值和測(cè)度值具有較為一致的擬合度，因而在供給側(cè)結(jié)構(gòu)性改革背景下SMOTE-SVM模型能夠?qū)ξ覈?guó)地方政府債務(wù)風(fēng)險(xiǎn)進(jìn)行較準(zhǔn)確的預(yù)警研究。

圖1 測(cè)試樣本預(yù)測(cè)值和真實(shí)擬合情況

從表4的風(fēng)險(xiǎn)預(yù)測(cè)值結(jié)果可以發(fā)現(xiàn)，在供給側(cè)結(jié)構(gòu)性改革提出后的兩年中，除了山西省2017年債務(wù)風(fēng)險(xiǎn)綜合值超出閾值外，其余省份均為未出現(xiàn)風(fēng)險(xiǎn)狀態(tài)?？赡茉蚴?，山西省作為我國(guó)煤礦產(chǎn)出大省，而“去煤炭的庫(kù)存”又是“去庫(kù)存”重要手段之一，“供給側(cè)結(jié)構(gòu)改革”對(duì)煤炭產(chǎn)業(yè)而言，在一定程度上降低了產(chǎn)量，進(jìn)而降低地方政府財(cái)政收入，從而可能導(dǎo)致地方政府發(fā)生債務(wù)風(fēng)險(xiǎn)。但從整體地方政府債務(wù)風(fēng)險(xiǎn)預(yù)警結(jié)果來(lái)看，在供給側(cè)結(jié)構(gòu)性改革背景下，各地方政府債務(wù)并未發(fā)生債務(wù)危機(jī)，也表明中國(guó)政府所提出的“供給側(cè)結(jié)構(gòu)性改革”行之有效，更證明了SMOTE-SVM模型對(duì)地方政府債務(wù)風(fēng)險(xiǎn)預(yù)警研究的可靠性。

4 結(jié)論及啟示

本文在供給側(cè)結(jié)構(gòu)性改革背景下，從地方政府債務(wù)運(yùn)行的舉借環(huán)節(jié)、使用環(huán)節(jié)、償還環(huán)節(jié)選取了具有代表性的風(fēng)險(xiǎn)預(yù)警指標(biāo)，并在此基礎(chǔ)上運(yùn)用主成分分析法(PCA)和二分類(lèi)的方法測(cè)算風(fēng)險(xiǎn)綜合值和風(fēng)險(xiǎn)閥值，建立基于SMOTE-SVM的地方政府債務(wù)風(fēng)險(xiǎn)預(yù)警模型；針對(duì)SMOTE-SVM預(yù)警模型的預(yù)測(cè)能力的優(yōu)劣，使用SVM、SMOTE-Logit、SMOTE-BPNN、SMOTE-Distance等模型進(jìn)行對(duì)比分析。實(shí)證結(jié)果表明，SMOTE-SVM預(yù)警模型能夠反映地方政府債務(wù)風(fēng)險(xiǎn)狀態(tài)變化的情況，同時(shí)與上述模型性能對(duì)比來(lái)看，無(wú)論是從模型的預(yù)測(cè)準(zhǔn)確性進(jìn)行分析，還是從綜合的預(yù)測(cè)能力評(píng)價(jià)指標(biāo)G-means、F-measure和AUC分析，SMOTE-SVM預(yù)警模型在預(yù)測(cè)地方政府債務(wù)風(fēng)險(xiǎn)狀態(tài)上都具有優(yōu)越的預(yù)測(cè)性能。

本文的研究表明，SMOTE與SVM相結(jié)合可以較好地監(jiān)測(cè)地方政府債務(wù)風(fēng)險(xiǎn)的變化，并且能有效地預(yù)測(cè)地方政府債務(wù)風(fēng)險(xiǎn)的狀態(tài)，進(jìn)而幫助地方政府風(fēng)險(xiǎn)監(jiān)管者和政策制定者及時(shí)準(zhǔn)確地前瞻性評(píng)估潛在發(fā)生地方政府債務(wù)風(fēng)險(xiǎn)的可能性，防范和化解債務(wù)風(fēng)險(xiǎn)，避免爆發(fā)地方政府債務(wù)危機(jī)。同時(shí)從研究結(jié)果可以看出在供給側(cè)結(jié)構(gòu)性改革提出后的兩年中，有3個(gè)省份在2016年、2017年的債務(wù)風(fēng)險(xiǎn)綜合值有較為明顯的增加，這一結(jié)論驗(yàn)證了張同功和白飛野[17]提出的短期內(nèi)供給側(cè)結(jié)構(gòu)性改革總體上對(duì)地方財(cái)政增加支出壓力，縮減收入項(xiàng)目和比率使收入減少，加劇財(cái)政收支不平衡，在當(dāng)前龐大的到期地方政府性債務(wù)下，無(wú)疑增加了地方政府債務(wù)風(fēng)險(xiǎn)的結(jié)論。但從長(zhǎng)期來(lái)看，將供給側(cè)結(jié)構(gòu)性改革各方面都落實(shí)到位，能夠有效地解決我國(guó)目前供需關(guān)系的錯(cuò)位，使我國(guó)經(jīng)濟(jì)實(shí)現(xiàn)持續(xù)增長(zhǎng)。

值得一提的是，在有效推進(jìn)供給側(cè)結(jié)構(gòu)性改革過(guò)程中，為防范地方政府債務(wù)風(fēng)險(xiǎn)增加，地方政府應(yīng)從以下幾個(gè)方面著手。首先，舉借環(huán)節(jié)中，調(diào)整官員政績(jī)考核機(jī)制，減少不必要的地方政府債務(wù)；應(yīng)根據(jù)各個(gè)地方政府財(cái)政實(shí)際能力設(shè)定最高舉債規(guī)模。其次，使用環(huán)節(jié)中，建立地方政府債務(wù)風(fēng)險(xiǎn)預(yù)警機(jī)制，有效地預(yù)測(cè)地方政府債務(wù)風(fēng)險(xiǎn)的狀態(tài)，幫助地方政府及時(shí)準(zhǔn)確地評(píng)估潛在發(fā)生債務(wù)風(fēng)險(xiǎn)的可能性；加強(qiáng)對(duì)受“補(bǔ)短板”政策保護(hù)企業(yè)綜合能力的測(cè)評(píng)，讓財(cái)政資金更好地發(fā)揮作用；建立完善的地方政府財(cái)政支出體系，確保每一筆債務(wù)資金的支出都是必要且有效的。最后，償還環(huán)節(jié)中，實(shí)時(shí)監(jiān)控地方政府的每一筆債務(wù)，按時(shí)歸還應(yīng)償還債務(wù)，不能按期歸還應(yīng)作相應(yīng)處理，充分保障地方政府的信譽(yù)；在保證“去產(chǎn)能”、“去庫(kù)存”、“降成本”的正常推進(jìn)下，要不斷擴(kuò)大地方政府財(cái)政資金來(lái)源，確保地方政府有足夠的償債能力。各地方政府只有加強(qiáng)對(duì)債務(wù)風(fēng)險(xiǎn)的監(jiān)控，讓其債務(wù)風(fēng)險(xiǎn)始終處于安全范圍內(nèi)，才能更好地為供給側(cè)結(jié)構(gòu)性改革保駕護(hù)航。