我國地方政府債務風險預警系統研究

呂函枰，馬恩濤

(山東財經大學 財政稅務學院，山東 濟南 250014)

我國地方政府債務風險預警系統研究

呂函枰，馬恩濤

(山東財經大學 財政稅務學院，山東 濟南 250014)

鑒于我國當前地方政府債務的嚴峻形勢，對其構建行之有效的風險預警系統具有很強的現實意義。本文融合了灰色關聯分析(GCA)和BP神經網絡的優勢，構建出基于GCA-BP神經網絡的地方政府債務風險預警系統。選取我國30個省市區的2015年數據作為研究樣本，對各省市區債務風險狀況進行研究。結果顯示我國地方政府債務風險總體可控。最后從預警體系、債務信息披露體系、政府支出結構和科學設定政府債務限額四個方面給出針對性的政策建議。

財政風險；地方政府債務；風險預警系統；灰色關聯分析；BP神經網絡

一、問題的提出

近年來，為加快城鄉基礎設施建設、應對全球金融危機和自然災害、發展社會事業和促進經濟增長，我國地方政府通過舉借債務的方式籌集了大量建設資金。然而，地方政府債務在取得積極作用的同時也面臨著日益嚴峻的形勢，已成為懸在我國經濟頭上的一把“利刃”。2013年12月底審計署公布的債務審計結果顯示，地方政府負有償還責任的債務為108 859.170億元，負有擔保責任的債務為266 55.770億元，可能承擔救助責任的債務為433 93.720億元。數量巨大的地方政府債務，為地方政府帶來了嚴重的財政風險，引起了中央政府的高度重視。2014年，《國務院關于加強地方政府性債務管理的意見》(國發〔2014〕43號)要求建立“借、用、還”相統一的地方政府性債務管理機制；2016年11月，《關于印發地方政府性債務風險應急處置預案的通知》(國函〔2016〕88號)對政府性債務的應急處置機制要求做出了具體規劃。同時，財政部也相繼制定出一系列措施，對地方政府一般債務預算、專項債務預算、債務限額以及分配管理提出了具體的管理辦法。鑒于我國當前地方政府債務的嚴峻形勢，構建能夠適應我國國情的地方政府債務風險預警指標體系，找出影響其風險的關鍵因素，建立行之有效的債務風險預警系統，具有重要的理論意義和現實意義。

二、研究綜述

國外學者對于地方政府債務問題的研究主要圍繞著兩個方面來展開：一是從經濟發展的角度來探討地方政府債務增長的原因。二是從債務風險預警的角度來探討地方政府債務風險的規避。從經濟發展的角度來看，很多學者認為用于恢復和發展經濟的各種基礎設施建設是促進地方政府債務增長的主要原因。Green[1]通過分析稅收國家和債務國家的關系，發現向居民征稅與舉借債務具有替代性，若征稅減少則政府舉借債務增多。Temple[2]則從居民收入水平的角度考察了政府在公共基礎設施投資中是應該利用當前稅收收入還是應該利用市政債券。Mikesell和Mullins[3]甚至將政府債務的形成原因歸納為三個方面，即彌補某一財政年度的短期資金不足、為資本性建設項目融資和彌補財政赤字。當然，地方政府債務與經濟之間的關系還表現在：一方面，地方政府借債越多對未來地方經濟發展越具有較大的促進作用。另一方面，地方經濟總量積累越大，也為借債奠定越強的承載能力基礎[4]。從債務風險預警和防范的角度來看，世界銀行經濟學家Hana[5]在1998年所提出的財政風險矩陣即將政府債務風險根據其來源分為直接顯性負債、直接隱性負債、或有顯性負債和或有隱性負債。Smith[6]根據政府預期發債額運用計算機模擬仿真系統預測出相應的地方債務適度發行量，構建了地方政府債務仿真預警系統。與此同時，Ma[7]借鑒巴西的“地方政府借款限制”、美國的“地方財政監控計劃及財政危機法”以及哥倫比亞的“交通信號燈”系統，設計了一套示范性的地方債務風險預警系統。

我國地方政府性債務問題在一定程度上是經濟體制轉軌過程中地方經濟社會發展面臨的諸多困難和國民經濟運行的深層次矛盾在財政上的集中體現，其規模也與經濟發展水平高度相關。具體來看，地方政府債務形成原因包括：財政分權體制下的財權事權不對稱[8]、政府間財政轉移支付制度的不完善[9]、“政府代替市場”的投資行為和強烈的利益動機[10]、地方政府的政績競賽所帶來的特殊政治激勵[11]以及債務管理體制分散難以進行有效的債務風險量化管理[12]。

我國學者根據我國特有的政治體制與歷史背景，構建了符合我國國情的地方政府債務風險預警系統。劉尚希和趙全厚[13]運用新增債務壓力事前預警研究，首次實現了地方政府性債務風險預警領域的動態預警。之后，學者們采用不同的研究方法嘗試建立完善的地方政府債務風險預警系統。主要方法有：基于因子分析法與K-均值聚類算法構建的“風險閾”預警模型[14]，基于Theil指數和AHP主客觀綜合權重賦值法構建的可拓預警模型[15]，基于因子分析法和HP濾波方法構建的債務風險測度模型[16]，基于粗糙集和BP神經網絡方法構建的非線性仿真預警系統[17]，運用TOPSIS法和德爾菲法同時利用支持向量構建的基于結構風險最小化的地方政府債務風險預警模型[18]等。

國內外學者從不同的角度分析了地方政府債務的形成機理，并運用不同的方法建立債務風險預警系統。本文在借鑒上述研究成果的基礎上，選取我國30個省市區2015年債務數據作為研究樣本，對可能引發債務風險的15項指標進行分類說明，并將所選變量歸結為經濟環境、財政環境、債務環境和居民負擔環境四種類型，構建起地方政府債務風險預警指標體系。然后利用灰色關聯分析(GCA)在約簡指標方面的優勢，篩選出對債務風險影響較大的關鍵指標，通過層次分析法(AHP)求得關鍵指標的主觀權重，并運用三倍標準差法劃分預警區間。同時結合國務院2016年11月14日下發的《國務院辦公廳關于印發地方政府性債務風險應急處置預案的通知》(國函〔2016〕88號)，將債務風險劃分為特大風險、重大風險、較大風險、一般風險以及無風險五個級別。進而借助BP神經網絡在非線性處理方面的優勢，對預警系統進行訓練，建立起基于GCA-BP神經網絡的我國地方政府債務風險預警系統。最后針對我國各省市區的債務風險狀況，給出防范和化解地方政府債務風險的政策建議。

三、指標體系與研究方法

(一)指標體系構建

本文在建立我國地方政府債務風險預警指標體系的過程中，遵循完備性、科學性、靈活性和可操作性的原則，同時借鑒國內外已有研究成果，將預警指標劃分為四類：經濟環境、財政環境、債務環境以及居民負擔環境，遴選出15項指標，具體指標名稱如表1所示，同時給出了各指標的經濟含義。

1.經濟環境指標

固定資產投資占比(X1)：固定資產投資相對于GDP的比值。政府舉借債務主要用于基礎設施建設，因而固定資產投資占比能夠間接反映政府舉債的原因。該指標數值越大，債務風險越大。

外貿依存度(X2)：對外貿易總額與GDP的比值。該指標能夠反映一個地區的對外貿易活躍程度對該地區經濟發展的影響和依賴程度。對外貿易活動越活躍，政府通過公共投資拉動需求的必要性越小，舉債需求越小。

失業率(X3)：該指標通過反映地區經濟運行狀況，間接影響償債能力。失業率越高，政府對失業人員救助的支出越多，財政負擔越重，債務風險越大。

赤字率(X4)：財政赤字與GDP的比值。通常來說，債務是彌補財政赤字的主要來源，因此赤字率越高，債務風險越大。

2.財政環境指標

財政自給率(X5)：財政收入占財政支出的比值。該指標反映財政收入和財政支出的彌補情況，財政自給率越低，債務風險越大。

財政收入穩定率(X6)：稅收收入占財政收入的比值。稅收收入靠國家強制力保證實施，是財政收入的主要來源，因而具有穩定性。該指標反映財政收入結構情況，數值越大財政收入越穩定，債務風險越小。

財政收入汲取率(X7)：財政收入占GDP的比值。該指標反映地方政府從經濟總量中汲取財政收入的能力，數值越大，表明政府汲取能力即償債能力越強，債務風險越小。

GDP增長率(X8)：當年GDP減去上年GDP后與當年GDP的比值。該指標能夠綜合反映地區經濟發展水平，直接顯示出地區經濟發展和債務狀況的經濟基礎，該指標數值越大，償債能力越強，債務風險越小。

3.債務環境指標

負債率(X9)：年末地方政府債務余額占GDP的比值。該指標直接反映地方經濟對債務的承載能力，負債率越高，債務風險越大。

債務率(X10)：年末債務余額占政府綜合財力*政府綜合財力=地方公共預算收入+基金預算收入+轉移支付和稅收返還+地方國有資本經營收入-專項轉移支付，各項收入均包括上年結余以及下級的凈上解收入(下級上解收入-補助下級支出)。的比值。該指標反映了政府的償債能力，能夠反映出地方政府債務規模的合理性，債務率越高，債務風險越大。

償債率(X11)：地方政府還本付息額占綜合財力的比值。該指標反映地方政府綜合財力中用于還本付息的比重，償債率越高，債務風險越大。

或有債務占比(X12)：政府或有債務占債務總額的比重。該指標反映了地方政府性債務的潛在風險規模，地方政府的或有債務包括負有擔保責任的債務和可能承擔一定救助責任的債務，一旦或有債務轉化為直接負債，就會加重債務風險。

4.居民負擔環境指標

居民應債率(X13)：年末債務余額與居民儲蓄存款額的比值。該指標間接反映政府債務可能由居民儲蓄來清償的比值。居民應債率越高，地方政府債務的可持續籌資能力越弱。

居民償債率(X14)：人均還本付息額與人均居民收入的比值，該指標反映居民即期債務負擔情況，居民償債率越高，政府債務即期風險越大。

居民債務負擔率(X15)：人均債務余額與人均居民收入的比值，該指標間接反映政府債務可能由居民收入來清償的資金份額，居民債務負擔率越高，地方政府債務的可持續籌資能力越弱。

表1 地方政府債務風險預警指標體系

(二)研究方法

地方政府債務風險預警系統是一個包含多指標的綜合評價系統，彼此之間存在非線性聯系，常見的多元線性回歸分析如因子分析法、聚類分析法等準確度不高。因此，本文采用新型人工智能方法，巧妙利用灰色關聯分析在探究各因素之間關聯程度的優勢，用以約簡預警指標；發揮層次分析法在確定指標權重方面的作用，用以設定指標總體權重；鑒于三倍標準差法的嚴謹性，用以劃分預警指標風險區間；充分吸收BP神經網絡的計算量小、簡單易行以及并行性強等特點，用以對預警系統進行訓練。

四、預警系統的構建

本文根據中央審計署以及各省市區審計局發布的債務審計結果，選取我國30個省市區2015年數據作為研究樣本，通過將灰色關聯方法與BP神經網絡方法相結合，構建出符合我國國情的地方政府債務風險預警系統。數據來源于中國統計年鑒、財政年鑒等，具有較強的可信度。

(一)GCA精煉預警指標體系

借鑒曹明霞[19]的改進灰色關聯分析，利用參考序列和比較序列各時段對應斜率的比值,來求解灰色關聯度,其結果為-1到1之間的數，數值越接近于1,則灰色關聯度越大；反之,關聯度越小。本文建立的15項預警指標中，由于負債率反映年末債務余額占當年GDP的比值，能夠直接反映地方經濟對債務的承載能力，因而本文選取負債率(X9)作為參考序列。比較序列為：固定資產投資占比(X1)、外貿依存度(X2)、失業率(X3)、赤字率(X4)、財政自給率(X5)、財政收入穩定率(X6)、財政收入汲取率(X7)、GDP增長率(X8)、負債率(X9)、債務率(X10)、償債率(X11)、或有債務占比(X12)、居民應債率(X13)、居民償債率(X14)和居民債務負擔率(X15)。將調整好的序列輸入Matlab8.1軟件,求得樣本數據比較序列相對于參考序列的關聯度為：

X9(0)gt;X1(-0.063)gt;X8(-0.088)gt;X13(-0.097)gt;X6(-0.101)gt;X7(-0.105)gt;X10(-0.135)gt;X4(-0.156)gt;X11(-0.193)gt;X15(-0.201)gt;X5(-0.209)gt;X12(-0.218)gt;X3(-0.219)gt;X14(-0.232)gt;X2(-0.237)

(1)

相對于參考序列，固定資產投資占比(X1)關聯系數最大，而外貿依存度(X2)關聯系數最小，居民償債率(X14)、失業率(X3)和或有債務占比(X12)關聯系數較小，這四項屬于冗余指標，因而，剔除指標X2、X3、X12和X14，將剩余的11項關鍵指標作為基于GCA-BP神經網絡的地方政府債務風險預警指標體系。

(二)AHP確定預警指標權重

本文運用AHP測算出各預警指標的主觀權重。首先根據設定好的關鍵預警指標體系建立層次結構模型，目標層為地方政府債務風險，準則層為經濟環境、財政環境、債務環境和居民負擔環境，方案層為11項關鍵預警指標。采用Saaty提出的1—9比率標度法并結合專家打分法，對準則層及方案層指標的重要性進行兩兩比較，構造出判斷矩陣，并通過一致性檢驗，確保測算權重的合理性，從而得出關鍵預警指標的主觀權重(如表2所示)。

表2 基于AHP關鍵預警指標主觀權重

(三)債務風險綜合評價值的測算與分析

測算債務風險綜合評價值的前提是對性質和衡量標準不同的樣本數據進行標準化處理。標準化方程為：

i=1,2,…,30

j=1,2,…，11

(2)

其中，i表示11項指標(用指標代碼表示)，j表示30個省市區，Xij表示第j個省市區的第i項指標的原始數值，Ri表示標準化后的指標數值。

債務風險綜合評價值可由公式(3)求得，結果如表3所示。

R=f(Ri)=∑ωi×Ri=ω1R1+ω4R4+ω5R5+ω6R6+ω7R7+ω8R8+ω9R9+ω10R10+ω11R11+ω13R13+ω15R15=0.176R1+0.035R4+0.748R5+0.161R6+0.034R7+0.027R8+0.080R9+0.161R10+0.161R11+0.072R13+0.018R15

(3)

其中，Ri為債務風險綜合評價值， ωi為各項關鍵預警指標的總體權重。

表3 各省市區債務風險綜合評價值

五、預警系統的應用分析

(一)劃分預警風險區間

建立風險預警系統的關鍵是劃分預警風險區間，即確定各指標風險狀態的臨界值。學者們通常采用的方法是借鑒國內外通用的警戒線或者遵循現有研究成果作為臨界值。這一方法具有很大的主觀性，由于選取的指標以及樣本數據不同，對臨界值的設定不一，加之有些指標沒有明確的可界定臨界值，因而這種方法確定的臨界值缺乏嚴謹性和科學性。

本文采用三倍標準差法確定預警區間。結合國務院下發的國函〔2016〕88號文件，將債務風險特征劃分為特大風險、重大風險、較大風險、一般風險以及無風險五個級別，并分別對應紅燈、黃燈、橙燈、綠燈和藍燈五種預警信號燈。對于經GCA精煉后的關鍵預警指標借助Excel軟件求得樣本均值和樣本標準差，將低于樣本均值減三倍標準差的區域確定為無風險區，大于樣本均值加三倍標準差的區域確定為特大風險區，每個預警區間間隔兩倍標準差，共劃分為5個預警區間，其結果如表4所示。

表4 地方政府債務風險預警區間

(二)預警系統的分析

根據求得的債務風險綜合評價值和劃分的預警區間，可得出我國30個省市區的債務風險預警標識，結果如表5所示。

表5 我國各省市區債務風險預警標識

由表5可知，我國30個省市區的債務風險預警狀態主要集中在一般風險、較大風險和重大風險三個區間，其中，北京、廣東、湖南、黑龍江和上海處于一般風險區間，遼寧、青海、寧夏、云南和貴州處于重大風險區間，其他省市區均處于較大風險區間，無省市區處于特大風險區間。預警結果表明，我國債務風險總體可控。但是處于重大風險區間的五個省市區尤其是貴州和云南，債務綜合評價值接近于特大風險區間警戒線，應引起當地政府的高度重視。

(三)BPNN對預警系統的訓練

BPNN的構建主要包含數據的歸一化處理、網絡初始化的設置、樣本的選取與訓練、神經網絡的測試與檢驗等。本文運用AMPL軟件，以樣本數據的預警指標作為輸入層節點，以債務風險綜合評價值作為輸出層節點，隱含層節點數由AMPL軟件在經過試算和迭代后確定。訓練函數選取收斂速度快且訓練精度較高的traingdx，它能夠提高神經網絡的泛化能力。設定訓練目標誤差為0.001，最大訓練次數為500，學習速率為0.010，其他參數為AMPL軟件LOQO求解程序中的默認值。

將30個省市區的樣本數據分為兩個部分： 25個訓練樣本和5個檢驗樣本(樣本均為隨機選擇)，同時為了驗證經灰色關聯分析約簡后的BP神經網絡(以下簡稱GCA-BPNN)比未經約簡的BP神經網絡(以下簡稱NO-GCA-BPNN)更具優越性，將輸入層節點分為兩個部分：GCA-BPNN下的11項關鍵預警指標和NO-GCA-BPNN下的15項預警指標，隱含層和輸出層節點數不變，運用AMPL軟件中的LOQO求解程序進行訓練和檢驗。

本文將隨機選取的5個檢驗樣本輸入訓練好的BP神經網絡中，分別設置GCA-BPNN下的11項關鍵預警指標和NO-GCA-BPNN下的15項預警指標作為輸入層節點,訓練求得網絡輸出，通過公式(1-|期望輸出-網絡輸出|/期望輸出)100%可以得到如表6和表7所示的檢驗結果以及對應的預警狀態和預警信號。

表6 GCA-BPNN的檢驗結果

表7 NO-GCA-BPNN的檢驗結果

通過表6和表7的對比發現，BP神經網絡的期望輸出和網絡輸出非常接近， GCA-BPNN的均方誤差為0.003，NO-GCA-BPNN的均方誤差僅為0.002，由此表明對債務風險的預警準確性較高。之所以NO-GCA-BPNN的均方誤差更小，是因為未經約簡的神經網絡輸入層有15個節點，而約簡后的網絡輸入層節點數為11，節點數越多，訓練效果越好。縱使如此，二者檢驗效果都在95%以上，表明本文建立的預警系統是行之有效的，而且具有較強的泛化能力。但是，GCA-BPNN也有其優越性，主要表現在兩個方面：一是迭代次數降低。預警指標體系龐雜，經GCA約簡后，剔除對地方政府債務風險影響較小的冗余指標，不僅精煉了預警指標體系，而且還大大減少了網絡訓練迭代次數。二是訓練速度加快。GCA-BPNN層次結構為11-1-1，加上訓練過程中的網絡閾值，共有14個變量，NO-GCA-BPNN共有18個變量。因此，在二者都有較高的預警準確性前提下，GCA-BPNN更具優越性。

六、結論和政策建議

本文在參考已有文獻的基礎上，通過分析地方政府債務風險的特性，篩選出15項預警指標，構建了地方政府債務風險預警指標體系。首先，運用灰色關聯分析剔除了對債務風險影響不大的4項冗余指標，精煉了預警指標體系，并運用層次分析法求出關鍵預警指標的總體權重，得出債務風險綜合評價值。其次，運用三倍標準差法求出預警風險區間的臨界值，并結合國函〔2016〕88號文件將地方政府債務風險狀況劃分為5個區間，避免了人為設定警戒線的主觀隨意性。最后，將求得的債務風險綜合評價值代入相對應的風險區間，對我國30個省市區的債務風險狀況進行分析。并運用構建好的BP神經網絡模型，對預警系統進行訓練。結果顯示，我國地方政府債務風險總體可控，5個省市區債務風險處于一般風險區間(北京、廣東、湖南、黑龍江和上海)；5個省市區處于重大風險區間(遼寧、青海、寧夏、云南和貴州)；其他20個省市區均處于較大風險區間；沒有省市區處于無風險區間和特大風險區間。個別債務風險較高的省市區，應引起相關地方政府的重視。同時，本文建立的基于GCA-BP神經網絡的地方政府債務風險預警系統具有很強的準確性和實用性。

為了更好地預防和規避地方政府債務風險，提出以下四個方面的政策建議：

第一，引入債務風險預警機制，積極響應地方政府債務風險應急處置預案。根據地方政府債務的現狀，選取對債務風險影響較大的預警指標，建立行之有效的地方政府債務風險預警系統。定期評估各地區政府債務風險情況，并采取行之有效的應對措施。建立健全債務風險應急處置工作機制，做好預警系統和應急處置預案的銜接和協調工作。對于通過預警系統檢測出的債務風險較高的省市區，要引起相關地方政府的高度重視，盡快建立相應的應急處置預案，及時規避可能引發的債務風險，從而有效避免地方債務問題的蔓延和惡化。

第二，建立債務信息披露體系和責任追究機制。摸清地方政府債務數，對債務情況包括債務的規模、來源、資金投向和償還期限等進行徹底審查并統一納入預算，實現對債務的全方位管理，提高政府債務透明度。同時，啟動責任追究機制，遵循“誰借債誰償還”的原則，對債務進行借、用、還相統一的全方位管理。增強地方政府相關領導人的責任意識和風險意識，將地方債務風險處置納入政績考核范圍，防范財政金融風險。

第三，優化地方政府支出結構，實現地方財政的長期可持續發展。研究發現，債務風險較為嚴重的省市區其地方政府的財政償付能力偏弱，導致債務率偏高，因而應拓寬財源渠道，在依法加強稅收征管的前提下，盡快培育地方主體稅種。優化支出結構，堅持“量力而行、量入為出”原則，合理安排各項財政支出。積極采用PPP模式，吸引社會資本進入基礎設施建設中來，從而有效緩解財政壓力，實現地方財政的長期可持續發展。

第四，科學設定地方政府債務限額。根據財政部印發的《新增地方政府債務限額分配管理暫行辦法》(財預〔2017〕 35號)文件精神，中央政府應首先對各級地方政府債務狀況、財力狀況進行績效管理評估，根據各省市區的債務風險、財力狀況，科學設定地方政府債務限額。對于財政實力強、舉債空間大、債務風險低、債務管理績效好的地區多安排，而對于那些財政實力弱、舉債空間小、債務風險高、債務管理績效差的地區少安排或不安排。通過對新增地方政府債務限額的管理，規范地方政府債務，防范財政金融風險。

[1] Green，C. From“ Tax State” to “Debt State”[J].Journal of Evolutionary Economics，1993，3(1) : 23-43．

[2] Temple，J. The Debt/Tax Choice in the Financing of State and Local Capital Expenditures[J].Journal of Regional Science,1994, 34(4) : 529-548．

[3] Mikesell, J. L., Mullins, D. R．Reforming Budget Systems in Countries of the Former Soviet Union[J].Public Administration Review, 2001, 61(5)：57-75．

[4] Hildreth，W．B． Debt and the Local Economy: Problems in Benchmarking Local Government Debt Affordability[J].Public Budgeting amp; Finance，2002, 22 (4) : 99-113．

[5] Hana, H.P.Government Contingent Liabilities:A Hidden Fiscal Risk[J].Finance Developnment,1999, 36(1):1-36.

[6] Smith, C. Measuring and Forecasting Debt Capacity State of Oregon Experience[J].Government Finance Review,1998，(6)：52.

[7] Ma, J. Monitoring Fiscal Risks of Subnational Governments: Selected Country Experiences[M].London :Oxford University Press, 2003.263-270.

[8] 王俊.地方政府債務的風險成因、結構與預警實證[J].中國經濟問題,2015，(2):13-25.

[9] 楊雅琴.中國地方政府債務形成機制及風險——從財政聯邦主義視角對西部少數民族省份A的研究[J].經濟與管理研究,2012，(6):57-64.

[10] 于海峰,崔迪.防范與化解地方政府債務風險問題研究[J].財政研究,2010，(6):56-59.

[11] 呂健. 政績競賽、經濟轉型與地方政府債務增長[J].中國軟科學,2014，(8):17-28.

[12] 胡祖銓. 我國地方政府債務及風險研究[J]. 宏觀經濟管理,2017，(1):49-51.

[13] 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):22-32，41.

[14] 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].經濟學動態,2014，(8):63-69.

[15] 郭宇,莊亞明.地方政府性債務風險預警系統的構建[J].統計與決策,2014，(4):151-154.

[16] 繆小林,伏潤民.我國地方政府性債務風險生成與測度研究——基于西部某省的經驗數據[J].財貿經濟,2012，(1):17-24.

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

[18] 李斌,郭劍橋,何萬里. 一種新的地方政府債務風險預警系統設計與應用[J]. 數量經濟技術經濟研究,2016，(12):96-112.

[19] 曹明霞.灰色關聯度模型的正負性問題的研究及其改進[A].2006年灰色系統理論及其應用學術會議論文集[C].中國高等科學技術中心,2006.16-35.

(責任編輯：孟耀)

2017-06-06

國家社會科學基金項目“我國銀行業政府或有債務風險及其財政成本研究”(17AJY024)；山東省自然科學基金重點項目“山東省政府性債務控制及風險預警研究”(ZR2015GZ001);山東省社會科學規劃項目“比較視角下山東省PPP模式發展思路與對策研究”(15CGLJ13)

呂函枰(1992-)，女，山東煙臺人，碩士研究生，主要從事地方政府債務問題研究。E-mail：lhping6688@163.com

馬恩濤(1976-)，男，山東德州人，教授，博士，主要從事地方政府債務問題研究。E-mail：635415379@qq.com

F812.7

A

1008-4096(2017)06-0059-07