數據挖掘技術在地方政府債務風險研究中的應用

何迪

摘 要： 為了科學、合理地對地方政府債務風險進行評價，提出基于數據挖掘技術的地方政府債務風險評價模型。首先建立地方政府債務風險評價的指標體系，采用灰色關聯分析方法確定地方政府債務風險指標的關聯系數；然后利用數據挖掘技術——神經網絡自動處理數據的優點，建立地方政府債務風險評價模型；最后通過實證分析驗證模型的可信度。實證結果表明，與參比地方政府債務風險評估模型相比，該模型提高了地方政府債務風險評價的準確性，加快了地方政府債務風險評價的速度，可以有效降低地方政府債務風險，具有一定的推薦價值。

關鍵詞： 地方政府； 債務風險； 神經網絡； 指標體系； 灰色關聯分析法

中圖分類號： TN711?34； TP181 文獻標識碼： A 文章編號： 1004?373X（2017）11?0099?04

Application of data mining technology in local government debt risk

HE Di

（Huludao Municipal Party School of the communist Party of China， Huludao 125000， China）

Abstract： In order to evaluate the local government debt risk scientifically and reasonably， a new local government debt risk evaluation model based on data mining technology is proposed. The index system of local government debt risk evaluation was established. The grey relational analysis method is used to determine the correlation coefficient of the local government debt risk index. The automatic data processing advantage of data mining technology （neural network） is used to establish the local government debt risk evaluation model. The reliability of the model was verified with empirical analysis. The empirical results show that， in comparison with other local government debt risk assessment models， the proposed model improves the accuracy of local government debt risk assessment， quickens the speed of the local government debt risk assessment， reduces the local government debt risk effectively， and has a certain recommended value.

Keywords： local government； debt risk； neural network； index system； grey relational analysis method

0 引 言

隨著我國經濟的迅速發展，政府通過不斷融資加快地方的經濟建設，這樣便形成了地方政府債務。據相關研究結果表明，現在地方政府均有不同規模的債務存在，此時地方政府債務風險就顯現出來[1]。地方債務風險對社會穩定和國家經濟安全帶來負面影響，如何對地方債務風險進行準確評價，以便制定相應的債務風險預警措施，引起了政府部門的高度重視[2]。

地方債務風險評價可以劃分兩個階段：人工評價階段、計算機自動評價階段[3]。人工評價階段主要根據地方債務風險評價方面的專家對地方債務存在的潛在風險進行分析，然后對地方債務風險所處狀態給出相應的值，最后根據值得到地方債務風險等級，該階段主要依懶于專家對某個地方債務風險知識評價結果的好壞與知識的多少，而且與專家偏愛有關，使得地方債務風險評價結果具有一定的主觀盲目性，經驗成分比較重，評價結果不客觀，可信度較低[4]。計算機自動評價階段主要采用計算機技術、信息技術以及人工智能技術對地方債務風險進行評價，自動化程度高，評價速度快，而且評價結果更具客觀性，主要有聚類分析、模糊理論等[5?7]。實際應用中，這些方法有一定的不足，就是地方債務風險評價指標太多，評價過程十分復雜，實用性較弱。為了減少地方債務風險評價指標，近些年有學者提出采用層次分析和主成分分析等方法對指標進行預處理，把一些不重要的指標去掉，但層次分析法和主成分分析法無法客觀描述每一種指標對地方債務風險評價結果的重要程度。灰色關聯分析是一種性能良好的因子處理方法，可以對地方債務風險評價指標進行分析，確定每一種指標對地方債務風險評價結果的重要程度。數據挖掘技術中的RBF神經網絡具有良好的非線性擬合能力，可以對地方債務風險評價結果與指標之間的變化關系進行描述，為地方債務風險評價研究提供了一種新的工具[8]。

為了科學、合理地對地方政府債務風險進行評價，提出基于數據挖掘技術的地方政府債務風險評價模型，實證結果表明，該模型提高了地方政府債務風險評價的準確性，加快了地方政府債務風險評價的速度。

1 地方政府債務風險評價問題的描述

地方政府債務風險與很多種指標相關，不同指標對地方政府債務風險影響程度不同。設評價指標共有個，可以表示為，同時地方政府債務風險評價指標之間也存在一定影響，導致地方政府債務風險變化具有時變性、隨機性，因此，地方政府債務風險評價可以描述為：

（1）

式中：為地方政府債務風險評價變化特點的擬合函數[9]。

要建立性能優異的地方政府債務風險評價模型，有兩個關鍵問題需要解決：

（1） 設計最科學的地方政府債務風險評價指標體系，本研究選擇灰色關聯分析方法實現指標的構建；

（2） 設計能夠準確描述地方政府債務風險值與評價指標之間聯系的學習方法，在研究中采用RBF神經網絡作為學習方法。

2 地方政府債務風險評價模型的具體設計與實現

2.1 設計地方債務風險評價的指標

地方政府是一個全國性的大問題，對一個地方政府債務風險進行評價，既要體現通用性，同時又要符合一個地方的實際情況，因此通常在對地方政府債務風險進行分析的基礎上，選擇一些描述債務風險的評價指標，具體如圖1所示[10]。

2.2 灰色關聯分析

從圖1可知，地方政府債務風險評價的指標很多，它們對地方政府債務風險評價結果影響程度不一樣，灰色關聯分析可以判斷兩個指標之間的關系是否緊密，如果關系越緊密，那么表示兩個指標之間的關聯度越大，不然，兩個指標之間的關聯度越小。

（1） 設地方政府債務風險評價的母因子序列和子因子序列分別為：

（2）

（3）

式中表示樣本的數量。

圖1 債務風險評價的指標體系

對于個數據，它們的序列形成如下矩陣形式：

（4）

（2） 地方政府債務風險評價指標的量綱是不同的，為了保證灰色關聯分析結果的可靠性，對地方政府債務風險原始數據進行無量綱化處理，即：

（5）

（6）

那么式（4）的無量綱化結果為：

（7）

（3） 求序列的絕對差值[11]為：

（8）

所有絕對差值矩陣構成如下序列：

（9）

（4） 絕對差值矩陣中最大數和最小數分別如下：

（10）

（11）

（5） 計算關聯系數：

（12）

式中為分辨系數。

（6） 計算灰色關聯系數：

（13）

2.3 RBF神經網絡

RBF神經網絡是一種基于經驗風險最大原理的前饋神經網絡，有良好的非線性擬合能力，通常為三層結構，隱含層節點的激活函數選擇高斯函數，即：

（14）

RBF神經網絡的輸出層結果為：

（15）

設和分別為輸入數據和輸出數據；表示隱含層與輸出層神經元之間的權值，RBF神經網絡的學習過程分為兩個階段，具體為：

（1） 采用K?means聚類算法確定隱含層數據聚類中心。

（2） 采用有監督學習算法確定輸出層的權值。

2.4 數據挖掘技術的地方政府債務風險評價模型

基于數據挖掘技術的地方債務風險評價模型的工作原理為：首先根據相關研究建立地方政府債務風險評價指標體系；然后采用灰色關聯分析方法確定地方政府債務風險指標的影響程度，利用數據挖掘技術——神經網絡建立地方政府債務風險評價模型，具體如圖2所示。

3 地方政府債務風險評價的驗證分析

3.1 實驗對象

對圖1中的評價指標采用進行描述，地方政府債務風險等級劃分為5種，如表1所示。

選擇20個城市的政府債務風險作為實驗對象，由于篇幅有限，10個評價指標值沒有列出，只列出了地方政府債務風險的值，如圖3所示。

3.2 評價指標的灰色關聯分析

根據灰色關聯分析方法工作的步驟，計算10個原始的地方政府債務風險評價指標的關聯系數，得到的結果如表2所示。從表2可知，每一個地方政府債務風險評價指標的關聯系數值不相同，說明它們與地方政府債務風險之間的聯系程度各異，對各指標進行排序，選擇最大的6個關聯系數的指標值作為RBF輸入向量，建立地方政府債務風險評價模型。

3.3 結果分析

根據灰色關聯分析的結果，刪除原始樣本中的其他指標數據，減少地方政府債務風險評價的參評指標數量，采用RBF神經網絡建立地方政府債務風險評價模型，得到的評估結果如圖4所示，從圖4可以發現，地方政府債務風險的評價值與實際值的曲線擬合得很好，能夠準確反映地方政府債務風險變化特點，估計精度高，實驗結果證明，通過灰色關聯分析法可以得到對地方政府債務風險影響程度高的指標，消除了無用指標對地方政府債務風險評價結果的干擾，使得地方政府債務風險評價結果更加可信。

選擇文獻[8]、文獻[9]以及文獻[12]的地方政府債務風險評價模型進行對比分析，統計它們的評價精度和訓練時間，結果如表3所示。相對于參比地方政府債務風險評價模型，本文模型的地方政府債務風險評價精度相對更高，并且在一定程度上減少了評價執行時間，具有比較明顯的優越性。

4 結 語

債務風險評價對于地方政府債務風險預警具有重要的指導作用，由于債務風險受到經濟、地方政策、國家的法律等多種因素的影響，具有隨機變化特點，而且指標與地方政府債務風險聯系緊密程度不同，使得當前方法無法建立科學的地方政府債務風險評價模型。結合灰色關聯分析方法和RBF神經網絡的優點，提出基于數據挖掘技術的地方政府債務風險評價模型。應用實例研究結果表明，該模型采用灰色關聯分析確定地方政府債務風險指標影響程度，去除了一些不重要的地方政府債務風險指標，使得地方政府債務風險評價指標數量減少，并采用RBF神經網絡描述地方政府債務風險的隨機變化特點，降低了地方政府債務風險評價的誤差，提高了地方政府債務風險評價的準確性，使得地方政府債務風險評價結果更加可信，可以為地方政府債務風險預警提供有價值的參考消息，是一種有效的地方政府債務風險評價模型。

參考文獻

[1] 李昊，遲國泰，路軍偉.我國地方政府債務風險及其預警：問題及對策[J].經濟經緯，2010（2）：126?129.

[2] 張博.全面深化改革背景下政府績效評估制度的改進[J].理論探討，2014（3）：155?156.

[3] 馬駿，劉亞平.中國地方政府財政風險研究：“逆向軟預算約束”理論的視角[J].學術研究，2005（11）：77?84.

[4] 孫芳城，李松濤.基于風險防范的地方政府債務會計體系研究[J].財政監督，2010（20）：5?8.

[5] 衛志民.中國地方政府性債務：風險、成因與防范[J].河南大學學報（社會科學版），2014（9）：25?31.

[6] 曹萍，周巧洪.公共選擇理論視角下地方政府債務風險研究[J].財經問題研究，2015（8）：62?68.

[7] 何雪鋒，何敏，王秀霞.基于熵權修正層次分析法的地方政府債務風險評估[J].財會通訊，2015（25）：77?80.

[8] 趙樹寬，李婷婷.應用AHP模糊評價法對地方政府債務風險的評價研究[J].社會科學輯刊，2014（1）：122?125.

[9] 高英慧，高雷阜.基于混沌理論的地方政府債務風險預警管理研究[J].社會科學輯刊，2013（4）：42?46.

[10] 于之虹，郭志忠.基于數據挖掘理論的電力系統暫態穩定評估[J].電力系統自動化，2003，27（8）：45?48.

[11] 晏密英，桂衛華，陽春華.基于灰色關聯和改進SVM的鈷離子濃度預測研究[J].儀器儀表學報，2011，32（5）：961?967.

[12] 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.