供給側結構性改革背景下我國地方政府債務風險預警研究

淳偉德, 文 章, 陳 粘

(1.成都理工大學 管理科學學院,四川 成都 610059; 2.成都理工大學 商學院,四川 成都 610059)

1 引言

近年來，隨著歐美國家陸續爆發主權債務危機，“政府債務風險”已成為各國面臨的重大經濟問題。而在中國，根據國家審計署公布的數據顯示，從2010年至2018年財政赤字由6772.65億元上漲到37554.23億元，財政赤字率由0.0167上漲到0.417，財政依存度由0.075上漲到0.17，可以發現財政赤字、財政赤字率和財政依存度都呈現出顯著增長趨勢，并且截至2018年末,全國地方政府債務余額已高達183862億元，因此債務風險已經成為了我國地方政府信譽與經濟穩定發展的重要威脅[1]。尤其是在2015 年末，習近平總書記提出“供給側結構性改革”這一舉措，其中的“三去一降一補”政策會直接對地方政府財政收入和支出造成顯著沖擊，進而可能在短期內加劇地方政府債務風險，如不立即對地方政府債務風險加以控制，勢必會阻礙我國經濟的穩定與繁榮[2,3]。因此，在供給側結構性改革背景下，構建適合于我國的地方政府債務風險預警模型，顯得十分迫切與必要。

然而，地方政府債務風險預警的關鍵在于構建科學有效的債務風險預警模型。現國內外對債務風險預警研究經歷了從 “離散控制法”到 “線性指數法”再到 “非線性先導法”的發展過程。雖然“離散控制法”、“線性指數法”在地方政府債務風險研究中取得了顯著成效，但是這些方法存在指標選定主觀以及需假定政府債務風險預警指標與風險綜合值必須嚴格線性的缺陷，使得這些方法在地方政府債務風險預警中不具普適性[4,5]。有鑒于此，許多學者將“非線性先導法”引入到了地方政府債務風險研究領域，而常用的非線性方法為神經網絡與SVM模型[6]。雖然神經網絡模型在地方政府債務風險中具有較強的非線性擬合能力，但相較于SVM模型，神經網絡模型存在局部最優與需要大樣本的缺陷。因此，本文將基于SVM模型來對地方政府債務風險進行預警研究。

又由于金融數據分布不均衡性，使得傳統的SVM模型在風險預警時更偏向于少數類樣本數據，從而降低了風險預警研究的準確性。而針對不平衡數據的問題，主要有欠采樣法和過采樣法，由于欠采樣是對部分多數類樣本的刪除，可能造成分類信息的缺失[7]；但SMOTE方法是基于隨機過采樣算法的一種改進方案，克服了隨機過采樣采取簡單復制樣本的策略來增加少數類樣本而產生模型過擬合的問題，即使得模型學習到的信息過于特別(specific)而不夠泛化(general)，其核心思想是對少數類樣本進行分析并根據少數類樣本人工合成新樣本添加到數據集中，消除數據的不平衡[8]。因此，本文將構建基于SMOTE方法的SVM預警模型，以期能夠提高對供給側結構性改革背景下的地方政府債務風險進行預警研究的準確性。

迄今為止，國內外許多學者對地方政府債務風險預警進行了卓有成效的研究。世界銀行專家 Hana[9]提出的債務風險矩陣為政府性債務風險的預警研究和全面有效檢測奠定了理論基礎。Ma[10]通過對已有地方債務問題研究進行案例分析，為一個假想的發展中國家設計了一套示范性的地方政府債務風險預警指標體系。Gimzauskiene等[2]介紹地方政府債務限額的決定因素與適用方法，并說明公共財政融資環境和成本顯著影響債務占財政收入份額的增長。Miao[3]則認為債務風險是由于地方政府的“權力、責任和利益”之間不平衡關系造成的。沈雨婷和金洪飛[11]指出其他國家對地方政府債務管控嚴格或者舉債制度完善，因此往往基于簡單指標的預警體系就足以反映債務風險的規模與結構。由于受不同政治體制的影響，我國所面臨的地方政府債務問題與國外存在較大差別。楊志安和寧宇之[12]采用層次分析法構建債務預警模型，將我國的財政風險劃為四個影響因子，并賦予各因子各指標相應權重，綜合分析我國當前財政風險。洪源和劉興琳[13]基于我國9個縣的數據樣本，利用粗糙集理論、BP神經網絡給出地方政府債務風險預警系統。其采用非線性研究方法，克服了當風險指標與風險綜合值不存在線性關系所帶來的偏差。但李斌等[6]首次提出將SVM用于地方政府債務風險預警研究，綜合運用TOPSIS法和德爾菲法確定了樣本的債務風險綜合評價值，提出了基于結構風險最小化的地方政府債務風險預警模型并驗證了其預測性能。雖然，他們對地方政府債務風險的研究都取得了較好成果，但是未考慮到數據非均衡對地方政府債務風險預警研究的影響，尤其是并未在供給側結構性改革這一背景下對地方政府債務風險進行預警研究。由此可見，與已有研究成果相比較本文具有明顯的創新性。

2 我國地方政府債務風險預警模型構建

2.1 構建地方政府債務風險預警模型

支持向量機(support vector machine，SVM)是由Vapnik和Lerner[4]首次提出的一種新的數據挖掘方法，具有結構風險最小化能夠避免陷入局部最優、所需樣本量較少操作簡單以及基于少數支持向量避免了“維數災難”的優點，被廣泛應用于風險預警研究。

可將構建傳統SVM的地方政府債務風險預警模型轉化為如下形式的優化問題

(1)

s.t.ωTφ(xi)+b-yi≤ε+ξii=1,…,N

(2)

由于在現實的金融實踐中樣本數據是不均衡的，地方政府發生債務風險的是少數類樣本。然而所需要關注的恰好就是這類少數類樣本，倘若不采取改進措施，則會造成分類超平面畸變，使其向著少數類樣本偏移，從而大大降低風險預警研究的準確性。結合Chawla等[14]提出SMOTE算法將SVM模型進行改進，并構建SMOTE-SVM來對地方政府債務風險進行預警研究。SMOTE方法通過對少數類樣本過采樣來擴展其樣本數量，具體步驟如下:

步驟5不斷重復步驟3至步驟4，直到生成的新的少數類的樣本數量達到D,則終止樣本的生產，從而獲得新的少數類樣本集合。

最后基于新構成的少數類樣本使得少數類樣本和多數類樣本在數量上達成了一致，這樣便消除了數據的不平衡，進而將新構成的訓練樣本集合用于預警研究，從而完成SMOTE-SVM模型構建，以提升對地方政府債務風險預警的準確度。

2.2 構建風險預警檢驗模型

為了能夠更加充分驗證本文所構建的SMOTE-SVM模型對地方政府債務風險預警研究的可靠性，我們將采用薛薇[15]提出的G-means和F-measure指標對地方政府債務風險預警模型進行評價。

假定|FP|和|FN|分別為將非債務風險樣本錯劃為債務風險樣本和將債務風險樣本錯劃為非債務風險樣本的數量，|TP|和|TN|分別為債務風險樣本和非債務風險樣本被正確分類的數量，通常采用混淆矩陣來表示(見表1)。

表1 二分類數據集的混淆矩陣

3 實證研究

3.1 特征指標選取

由于地方政府債務風險本身作為一個非顯性的數據指標，需要構建指標進行債務風險描述，因此刻畫地方政府債務風險的特征指標對預警模型的預測精度可能產生重大影響。本文在梳理了國內相關文獻以及基于數據可得性的基礎上，借鑒洪源等[16]所提出“地方政府債務風險要著眼于債務全過程循環”和洪源等[5]所提出的 “風險鏈”的思想，將從舉借環節、使用環節、償還環節三個層次所構成的20個年度數據指標作為樣本的特征指標。

舉借環節選取貿易開放度、產業結構升級、各省GDP占比、居民儲蓄水平、金融發展成熟度、債務率、債務負擔率、新增債務率等8個指標，其中前四項指標反應地方經濟發展潛力，與債務風險呈負相關。金融發展成熟度反應該地方金融發展程度，地方金融發展越好其償債能力越強，因此其與債務風險呈負相關。而債務率、債務負擔率、新增債務率均與債務風險呈正相關。債務率反映了地方財政收入對債務的依存度，該值越高表明當地財政對政府性債務依存度越高；債務負擔率反映該地方生產總值對于債務的依存度，是評估債務風險的重要依據；新增債務率為年末債務余額增加額占當年可用財力增加額的比重，該值越高反映地方經濟和債務規模就越失衡。

使用環節選取地方財政自給率、經濟債務彈性、財政債務彈性等三個指標，地方財政自給率與債務風險呈負相關關系，經濟債務彈性、財政債務彈性均與債務風險呈正相關關系。地方財政自給率為一般預算收入占一般預算支出的比重，該指標越低則代表該區域政府舉債意愿越強烈；經濟債務彈性為年末債務余額增長率與GDP增長率的比值，反映該地方GDP對于債務的依存度；財政債務彈性為年末債務余額增長率與一般預算收入增長率的比值，反映地方債務增長與財政收入增長是否具有可持續性。

償還環節選取赤字率、剛性支出占比、土地出讓收入比、稅收征管能力、宏觀負稅水平、稅收收入占比、財政壓力、債務財政負擔率、人均債務水平等9項指標，除稅收征管能力、宏觀負稅水平、稅收收入占比外，均與債務風險呈正相關。赤字率該值越大，則表明當年一般預算支出越高于一般預算收入，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算收入中來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算收入很大程度依靠其土地出讓收入；財政壓力是財政收入與財政支出需求之間持續緊張的狀態，該值越高表明財政收入更難以滿足財政支出需求；債務財政負擔率是年末債務余額與一般預算收入的比值，反映地方債務與預算收入是否平衡；人均債務水平為年末債務余額總額與年末常住人口總額的比值，反映地方人均承擔債務的額度。稅收征管能力為一般預算收入與一般預算支出的比值，宏觀負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行情況，該值越高表明稅收征收運行情況越好，則債務償還能力越強；稅收收入占比為稅收收入與一般預算收入的比值，反映地方稅收收入占一般預算收入的比例。

3.2 樣本選取

依據已有研究成果將我國劃分為四大經濟區域，本文選取中部地區(山西省、安徽省、江西省、河南省、湖北省、湖南省)2010～2017年度數據為研究樣本。其原因主要是中部地區承東啟西，連接南北，是我國的人口大區、經濟腹地和重要市場，在中國地域分工中扮演著重要角色；同時，這6個省份的經濟發展狀況較好，工業體系較為完善，具有較強的研究價值。此外，之所以選擇時間段為2010～2017年，是因為該時間段內國家提出了供給側結構性改革這一舉措，可研究供給側結構性改革前后地方政府債務的風險變化情況。

本文數據來源于國家統計局分省年度數據、各省份統計年鑒、各省份年度政府報告、各省份年度決算報告、各省份經濟統計年鑒以及Wind數據庫。本文主要使用SPSS24軟件和MATLAB2014b軟件進行數據整理和編程分析。

3.3 地方政府債務風險預警模型選取

對于地方政府債務風險預警的關鍵在于預警模型的選取，同時為了更加明確地展現出本文所構建的SMOTE-SVM模型對地方政府債務風險預警性能優越性，本文將SVM模型、SMOTE-Logit模型、SMOTE-BPNN模型、SMOTE-Distance模型分別與SMOTE-SVM模型的預測性進行對比研究，以驗證SMOTE-SVM模型對地方政府債務風險預警的有效性與可靠性(見表2)。

表2 模型性能評估

從表2的研究結果可以發現，SMOTE-SVM模型下的所有指標幾乎都顯著大于基于SMOTE模型下的其他預測模型。其原因可能是，SMOTE-SVM模型從基于結構風險最小化的視角來解決數據分類問題，因而相較于SMOTE-Logit模型、SMOTE-BPNN模型、SMOTE-Distance模型能夠表現出更加優越的預測性能。由此可見，SMOTE與SVM各自具備的優勢決定了SMOTE-SVM 模型在預測地方政府債務風險上不僅優于SVM 模型，而且還比SMOTE-Logit模型、SMOTE-BPNN模型、SMOTE-Distance具有更為優越的預測性能。

進一步分析表2的結果可知，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警模型，從而表明SMOTE-SVM模型具有最優的預警性能。尤其是SMOTE-SVM模型下的G-means值遠大于其他預警模型，表明SMOTE-SVM模型對不平衡數據處理的有效性，也證明了SMOTE與SVM模型結合下的SMOTE-SVM模型能夠顯著提升對地方政府債務風險預警性能。又由于F-meansure值，主要考察的是對少數類樣本預測準確性，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率這兩個指標之間具有一定的互斥性，不能完全滿足同時兼顧，并且SMOTE算法是通過合成少數類樣本來達到兩類樣本的均衡，而該算法無法克服非平衡數據集的數據分布問題，進而可能模糊正類樣本和負類樣本的邊界，導致SMOTE-SVM模型下的F-measure值略低于SVM模型，但從整體預測性能來看，SMOTE-SVM模型對地方政府債務風險預警性能仍是顯著優于SVM模型，從而為供給側結構性改革背景下開展我國地方政府債務風險預警研究奠定了模型基礎。

3.4 基于SMOTE-SVM模型的地方政府債務風險預警研究

3.4.1 測試樣本數據說明

通過上述研究可知，在測試集下，SMOTE-SVM模型表現出了更優越的預測性能，因此本文將采用SMOTE-SVM模型對地方政府債務風險進行預警研究。基于數據的可獲得性和指標的代表性獲取了2010至2017年數據共為48個樣本。首先，通過主成分分析法(PCA)和二分類方法處理樣本數據，計算得出地方政府債務風險綜合評價值(R)和風險閥值，當R<0.5時，表示未發生債務風險，記為-1；當R≥0.5時，表示發生債務風險，記為1；其次，將總樣本的75%作為訓練集，得到最優預警模型，并將樣本的25%作為測試集，進行地方政府債務風險預警研究(見表3)。

表3 訓練樣本的債務風險綜合評價結果

為準確客觀地反映地方政府債務風險綜合值的狀態區間，有效避免人為劃分債務風險閥值所帶來的負面影響。從表3的地方政府債務風險綜合評價結果來看，在2010～2015年期間，共發生債務風險12次，占比33.3%，表明在2010～2015年期間該6個省份具有高概率發生債務風險，尤其以湖南省的債務問題最為嚴重，出現了5次風險綜合值超過0.5的情況；債務情況最優的是安徽省，均未發生債務風險。因此，構建我國地方政府債務風險預警模型是十分必要的。

3.4.2 檢驗樣本預測結果分析

通過上面分析可知，SMOTE-SVM模型對地方政府債務風險具備最優的預警性能，并且得到了地方政府債務風險綜合評價結果，以此為基礎可采用SMOTE-SVM模型對地方政府債務風險進行預警研究(見表4)。

表4 地方政府債務風險預測值結果

從表4的地方政府債務風險預測值與測度值的對比分析可知，基于SMOTE-SVM模型下地方政府債務風險預測準確率達到91.67%，而誤差均方差僅為0.0041,希爾不等系數也僅為0.0916，從而表明SMOTE-SVM模型能夠較準確地對地方政府債務進行風險預警研究。此外，結果中僅有湖南省2017年的風險預測值與風險測度值不一致，這是由于二分類方法得到的風險狀態劃分界限為0.5，而該樣本的風險預測值(為0.4669)與測度值(為0.6090)，與風險狀態的界限值差距都不大；同時，還由于地方供給側結構性改革的影響，使得2017年湖南地方政府債務總量呈現出了較大變化，導致對其地方政府債務風險預警出現了偏差。但從整體預警結果來看，本文所構建的SMOTE-SVM模型能夠較準確預測地方政府債務風險。

為了能夠更加直觀地展現出SMOTE-SVM模型對地方政府債務風險預警研究結果，本文還將地方政府債務風險預測值與測度值進行對比分析。從圖1可以看出，SMOTE-SVM模型下的風險預測值和測度值具有較為一致的擬合度，因而在供給側結構性改革背景下SMOTE-SVM模型能夠對我國地方政府債務風險進行較準確的預警研究。

圖1 測試樣本預測值和真實擬合情況

從表4的風險預測值結果可以發現，在供給側結構性改革提出后的兩年中，除了山西省2017年債務風險綜合值超出閾值外，其余省份均為未出現風險狀態。可能原因是，山西省作為我國煤礦產出大省，而“去煤炭的庫存”又是“去庫存”重要手段之一，“供給側結構改革”對煤炭產業而言，在一定程度上降低了產量，進而降低地方政府財政收入，從而可能導致地方政府發生債務風險。但從整體地方政府債務風險預警結果來看，在供給側結構性改革背景下，各地方政府債務并未發生債務危機，也表明中國政府所提出的“供給側結構性改革”行之有效，更證明了SMOTE-SVM模型對地方政府債務風險預警研究的可靠性。

4 結論及啟示

本文在供給側結構性改革背景下，從地方政府債務運行的舉借環節、使用環節、償還環節選取了具有代表性的風險預警指標，并在此基礎上運用主成分分析法(PCA)和二分類的方法測算風險綜合值和風險閥值，建立基于SMOTE-SVM的地方政府債務風險預警模型；針對SMOTE-SVM預警模型的預測能力的優劣，使用SVM、SMOTE-Logit、SMOTE-BPNN、SMOTE-Distance等模型進行對比分析。實證結果表明，SMOTE-SVM預警模型能夠反映地方政府債務風險狀態變化的情況，同時與上述模型性能對比來看，無論是從模型的預測準確性進行分析，還是從綜合的預測能力評價指標G-means、F-measure和AUC分析，SMOTE-SVM預警模型在預測地方政府債務風險狀態上都具有優越的預測性能。

本文的研究表明，SMOTE與SVM相結合可以較好地監測地方政府債務風險的變化，并且能有效地預測地方政府債務風險的狀態，進而幫助地方政府風險監管者和政策制定者及時準確地前瞻性評估潛在發生地方政府債務風險的可能性，防范和化解債務風險，避免爆發地方政府債務危機。同時從研究結果可以看出在供給側結構性改革提出后的兩年中，有3個省份在2016年、2017年的債務風險綜合值有較為明顯的增加，這一結論驗證了張同功和白飛野[17]提出的短期內供給側結構性改革總體上對地方財政增加支出壓力，縮減收入項目和比率使收入減少，加劇財政收支不平衡，在當前龐大的到期地方政府性債務下，無疑增加了地方政府債務風險的結論。但從長期來看，將供給側結構性改革各方面都落實到位，能夠有效地解決我國目前供需關系的錯位，使我國經濟實現持續增長。

值得一提的是，在有效推進供給側結構性改革過程中，為防范地方政府債務風險增加，地方政府應從以下幾個方面著手。首先，舉借環節中，調整官員政績考核機制，減少不必要的地方政府債務；應根據各個地方政府財政實際能力設定最高舉債規模。其次，使用環節中，建立地方政府債務風險預警機制，有效地預測地方政府債務風險的狀態，幫助地方政府及時準確地評估潛在發生債務風險的可能性；加強對受“補短板”政策保護企業綜合能力的測評，讓財政資金更好地發揮作用；建立完善的地方政府財政支出體系，確保每一筆債務資金的支出都是必要且有效的。最后，償還環節中，實時監控地方政府的每一筆債務，按時歸還應償還債務，不能按期歸還應作相應處理，充分保障地方政府的信譽；在保證“去產能”、“去庫存”、“降成本”的正常推進下，要不斷擴大地方政府財政資金來源，確保地方政府有足夠的償債能力。各地方政府只有加強對債務風險的監控，讓其債務風險始終處于安全范圍內，才能更好地為供給側結構性改革保駕護航。