地方政府專項債券的風險測度與預警研究

凌華 周會洋 沈云 潘俊

【摘 要】 發行地方政府專項債券是支持地區經濟發展的重要措施，防控地方政府專項債券違約風險對于穩定區域經濟增長具有重要意義。文章以Z省為研究對象，運用修正的KMV模型對該省2021、2022年地方政府專項債券的違約概率進行測算。結果表明：Z省專項債券的違約概率較低，專項債券風險處于可控范圍內。但隨著專項債券發行規模的不斷擴大，償債來源的逐漸緊縮，導致專項債券違約現象仍可能出現。為此，文章在測算出違約概率的基礎上，進一步計算Z省當年的安全發債規模及未來年度可承擔的專項債務規模，并基于此建立專項債券違約風險預警機制，試圖為有效防控專項債券風險提供參考。研究結論對防范專項債券違約風險、健全專項債券市場具有一定的借鑒意義。

【關鍵詞】 地方政府專項債券; 信用風險; KMV模型; 風險測度

一、引言

自我國2015年開始全面推行地方政府專項債券（以下簡稱“專項債券”）以來，其發行規模穩定增長，逐步成為有一定收益的公益項目的主要融資渠道，不僅是支持基礎設施補短板、穩投資的重要資金來源，也是規范引導地方政府債務顯性化的重要政策工具。尤其是2020年以來，受新冠肺炎疫情的影響，國內外經濟均受到極大沖擊。為了統籌推進疫情防控和經濟社會發展，我國采取了更加積極的財政政策，發行地方政府專項債券成為了穩定經濟增長的重要舉措之一。然而，隨著債券發行規模的擴大，地方政府的償債壓力也日益增長。財政部數據顯示，2019年末地方政府專項債務余額（9.44萬億元）大大超過了當年的政府性基金收入（8.45萬億元），說明其未來的償還風險較大?？紤]到多數地方政府性基金收入高度依賴土地出讓金，而在當前土地價格受到約束的狀況下，土地出讓收入的波動性較強，未必能夠達到專項債券的償還預期。因此，對于專項債券的違約風險，需要引起高度重視。當前黨和政府也高度重視地方政府債務風險狀況，2017年7月，習近平總書記在全國金融工作會議上強調，要嚴控地方政府債務增量，終身問責，倒查責任，防控金融風險。一旦地方政府當期財政無法償還已產生的債務，資不抵債的情形將使得地方政府信用風險大幅增加[1]，這可能導致地方政府在籌集資金進行城市建設時遇到一定的困難，造成地區發展緩慢、基礎設施配置不到位等問題。因此，如何正確評估專項債券違約概率，以實現提前預警，合理確定債券規模和定價，成為了當前工作的重點。

為了防范和化解可能出現的違約風險，本文針對如何測度專項債券的風險并實現監測預警等問題展開研究。首先，本文選擇并構建了專項債券信用風險測度模型;其次，以Z省為研究對象，測度其2021—2022年專項債券的違約概率，并推算出2020年其可發行的3年期專項債券本金及各期限債券一年利息之和的安全規模;最后，基于上述分析，提出如何構建專項債券的預警機制。本文的研究方法及結論，不僅能夠為Z省地方政府緩解專項債券違約風險提供有效借鑒，還有助于在特殊時期合理確定各期限專項債券的發行額度和定價，減輕地方政府短期內的償債壓力，同時也對其他地區專項債券的發行和風險防控工作具有一定的指導意義。

二、地方政府專項債券風險測度模型選擇及構建

（一）信用風險測度模型的選擇

根據已有文獻，目前用于信用風險測度的通用模型主要包括KMV、Credit Risk+、Credit Metrics等，本文選用KMV模型作為專項債券的信用風險測度模型主要從以下三個方面考慮。首先，KMV模型可以對單一資產的信用風險進行測度，而其他模型都更傾向于對投資組合進行信用風險的計量。其次，KMV模型對債券信用風險進行測度時，不需要大量隱藏的和歷史的數據支撐[2]，它假定被測度主體的資產價值或者資產價值的對數呈現正態分布，進而計算違約概率，而其他模型在測度過程中需要大量歷史數據來進行計量，需要較大的統計樣本量，這對于剛發行不久的我國地方政府債券適用性并不大。最后，KMV模型更加適用于債券信用風險違約概率和違約距離的測算，這符合本文對Z省發債規模測算的目的。

盡管KMV模型早期主要應用于企業債務信用風險的測度，但考慮到地方政府債券信用風險的測量多為單一變量估計且發行時間短，歷史違約數據少，因此也符合KMV模型對信用風險測度的條件特質。通過對KMV模型的修正，其對于我國地方政府債券的信用風險測度也具有較強的適用性，目前該方法已被眾多學者用于我國單個或多個省份地方政府債券發行的信用風險進行測度，并對其政府發債規模和違約概率等展開研究[3-5]。基于上述分析，本文擬采用修正的KMV模型對Z省專項債券的信用風險進行測度與分析。

（二）修正的KMV模型的構建

KMV模型主要用來計量上市公司信用風險的違約概率，該模型的理論基礎是風險債務理論[6]和BS期權定價理論。在運用KMV模型對上市公司投資信用風險進行測度時，其所需數據大多為上市公司股票市場信息和相關財務數據，具有較強的可獲得性。此外，在經濟環境與市場變化趨勢的雙重影響下，這些數據的變化趨勢也較為明顯，因此KMV模型的測度結果與實際較為吻合[7]。模型的原理為：資產的市場價值是貸款的信用風險產生的關鍵因素，當負債到期時，如果負債總額低于公司資產市場價值，公司的股權價值為正，相反，如果負債總額高于公司資產市場價值，那么公司的股權失去價值，企業將會發生償債危機。KMV模型的構建主要分為三步。第一步，根據Black-Scholes期權定價公式，在獲取了公司債務總額、資產總值和無風險利率等數據后，計算出公司資產的市值的增長率和波動率。第二步，在掌握公司的負債狀況后，通過公式計算出貸款的違約點以及違約距離。第三步，企業的預期違約率（EDF）和違約距離之間存在一定的關系，通過對計算得出的違約距離進行處理可以獲得預期違約率的數值。

專項債券的信用風險可以類比為上市公司的債務風險，地方政府的可擔保政府性基金收入相當于上市公司的資產價值，待償還的專項債券規模等同于上市公司的債務總額，一旦地方政府的可擔保政府性基金收入低于應償還的專項債券總額時，地方政府就容易產生償還信用風險。因此只要對KMV模型進行改進，便可以利用KMV模型測度地方政府債券發行的信用風險。借鑒已有研究[8]，本文采用修正的KMV模型來對Z省地方政府專項債券發行的信用風險進行度量，基本模型為：

在該模型中：DD代表違約距離;P代表違約概率;N代表正態分布;T為年份;S為可擔保政府性基金收入;BT為地方政府在T年時應償還的專項債券額度;g是政府性基金收入的增長率;σ代表政府性基金收入的波動率。其中，g和σ的表達式如下：

經過上述對KMV模型的修正后，地方政府專項債券的信用風險大小通?？梢杂眠`約概率加以衡量。因此，本文以Z省為例，首先運用一階自回歸分析來預測Z省的政府性基金收入，并結合應償還的專項債券額度、政府性基金收入的增長率和波動率等指標，運用修正的KMV模型對其到期專項債券償還的違約概率及當地政府安全發債規模展開測算，以期對Z省地方政府可能面臨的專項債務風險做出預警。

三、Z省地方政府專項債券風險的識別與評估

地方政府債務風險一直以來都是學者關注的重點。已有文獻認為債務審計[9]、國家審計[10]、金融生態環境[11]、基礎設施投融資[12]等因素均會對政府債務造成影響，也有國外學者對債務的風險預警問題進行了研究[13-14]，如果地方政府的債務規模較大，超出警戒線，則可能無法償還已發行的專項債券，引發信用風險，進而阻礙城市發展。為此，本文將依據公開數據，從債券發行狀況以及債務管理兩大維度對Z省專項債券信用風險狀況進行初步識別和評估。選擇Z省作為本文研究對象的原因有三：首先，Z省地方政府債券發行工作一直處于全國領先位置，具有較為豐富的債券發行經驗;其次，Z省專項債券的發行規模相對于其他省份而言較大，對其進行信用風險的測度更具有代表性;最后，Z省綜合素質較強，各方面制度較為完善，相關債務信息的披露較為及時且完整，因此，以Z省作為本文的研究對象更具研究價值。

Z省作為全國經濟大省，2011—2018年GDP平均增長率為10.44%，2019年的地區生產總值達到99 631.52億元，總體經濟發展處于全國領先地位，且經濟發展勢頭良好。在經濟穩定發展的背景下，Z省財政收入增長情況樂觀，綜合財力規模較大，財政支出結構穩定。從專項債券的發行情況上看，Z省自2015年開始自主發行專項債，目前為止已經發行5年。發行的專項債券期限主要包含3年期債券、5年期債券、7年期債券和10年期債券，公開數據顯示，2015—2019年Z省專項債券發行規模近五年分別達到了963.31億元、2 182.82億元、1 756.48億元、1 755.7億元以及2 167.4億元。根據中國地方政府債券信息公開平臺的數據，Z省發債規模相對于其他省份來說偏高，但再結合專項債務限額分析，Z省近五年發行的專項債券規模及債務余額均低于專項債務限額，符合國家的要求。從專項債務率上看（專項債務余額/政府性基金收入），Z省近4年的平均專項債務率為81.2%，低于全國的平均水平。

另外，Z省在債務管控方面也進行了有效部署，保證債務風險在可控制范圍之內。Z省按照《財政部關于做好2015年地方政府債務限額管理工作的通知》，及時擬定年度限額方案，并對各市縣下達管理要求。2016年Z省政府出臺了《關于加強政府性債務管理的實施意見》，面向全省規定了加強政府性債務管理的總體要求、基礎管理、預算管理、存量債務處理、規?？刂啤⒐芾碡熑?、或有債務監管、風險防范等，標志著全省政府性債務管理制度基本思路和頂層設計基本形成。與此同時，Z省財政信息透明度較高，對債務信息的披露也很及時和完備。社會公眾可以從Z省財政廳官方網站獲取有關財政預算執行情況的報告及債務狀況等信息，并了解到Z省財政收支數據，公眾還能從統計部門官方網站了解Z省統計年鑒以及國民經濟和社會發展統計公報，這些信息的發布都較為完備和及時，能夠充分發揮社會監督的效應。

綜合上述分析，盡管Z省經濟基礎雄厚且具有豐富的債務管理經驗，但由于其專項債券發行規模較大，一旦到期無法還本付息，將致使地方政府產生專項債券信用危機，嚴重損害地方政府公信力。韋小泉[15]認為，我國專項債券償債機制存在償債風險識別不足的問題?？梢园l現，基于公開數據及相關文件，并不能準確地判斷地方政府所面臨的償債風險，從而也就無法解決償債風險識別不足的問題，更無法對地方政府的專項債務風險狀況進行精準把控。因此，為了防控專項債券違約風險，需要選擇并運用科學合理的方法對地方政府可能存在的信用風險進行測度，進而達到合理制定發行規模、提前預警專項債券風險的目的，以推動地方經濟健康穩定的發展。

四、Z省地方政府專項債券的違約風險測度

（一）相關參數預測

1.Z省政府經濟特征變量測算

本文選取Z省2010—2019年的政府性基金收入（S）和GDP為數據樣本，運用EViews 8對Z省GDP和政府性基金收入（S）進行對數化處理再進行一階自回歸分析，為下文預測Z省2020—2023年可用于償還專項債券的政府性基金收入打下基礎。

統計數據顯示，近10年來Z省GDP的變化趨勢與政府性基金收入（S）的變化程度基本一致（見圖1），均呈現上升趨勢，這說明其與政府性基金收入（S）可能存在協整關系。

考慮到GDP與S皆為時間序列數據及相互之間的內生性，且均滿足平穩序列或協整，因而可以建立VAR模型。為此，本文首先使用E-G兩步法進行協整檢驗，即對Ln GDP、Ln S的原序列以及Ln GDP與Ln S的一階、二階差分分別進行ADF檢驗，考察其是否滿足同階單整，檢驗結果如表1所示。Ln GDP與Ln S的原序列ADF統計值概率均大于0.05，其在5%的顯著性水平上接受原假設，因此存在單位根，非平穩;而Ln GDP與Ln S的一階差分序列和二階差分項Δ2（Ln GDP）與Δ2（Ln S）ADF統計值顯著性概率則均小于0.05，在5%的置信水平上拒絕原假設，因而不存在單位根，平穩。由此可見，GDP與S兩個變量均滿足一階、二階單整。

進一步的，對上述兩個變量進行回歸處理，提取殘差項et并對其進行無截距項無趨勢項的ADF檢驗，結果表明，在1%的顯著性水平上拒絕原假設，不存在單位根，滿足平穩序列，結果如表2所示。因此，變量GDP與S滿足協整關系，可以建立VAR模型。

在建立VAR模型之前，DW檢驗結果顯示，在1%的顯著性情況下，dL=0.879，dU=1.32，dL

為了確定變量的滯后階數，基于分析信息準則AIC及SC，選取能使信息準則最小化的滯后期數作為模型的階數。從表3可知，模型在一階滯后時，AIC與SC值最小，因此構建一階滯后的VAR模型。

進一步數據處理的模型回歸結果如下：

若要對2020—2023年Z省的政府性基金收入值進行預測，首先需推算出2020—2023年Z省的GDP值。為此，本文選取了Z省1998—2019年的GDP數據，并采用二次指數平滑法，對該時間序列進行有效的估測。本文使用EViews 8的二次指數平滑進行試算，最終選定指數平滑權數α值為0.728，并據此預測出Z省2020—2023年GDP的值分別為106 668.475億元、113 702.03億元、120 735.585億元及127 769.14億元。但由于受到疫情的沖擊，2020年度的經濟增長趨勢未必能夠像往年一樣保持良好上升的態勢。因此，本文選擇進行保守預測，將2020—2023年GDP的預測值進行滯后一期處理，即2020年GDP預測值為2019年GDP實際值，2021年GDP預測值為上文2020年GDP預測值，以此類推，最終的Z省2020—2023年GDP預測值分別為99 631.52億元、106 668.475億元、113 702.03億元及120 735.585億元。

將上述GDP預測值帶入回歸方程6，推算出2020—2023年Z省政府性基金收入分別達到8 298.369億元、8 955.706億元、9 617.82億元和10 284.75億元。

2.政府性基金收入的增長率g和波動率σ

由于2021—2023年Z省地方政府專項債券的償還距離2019年的時間跨度分別為2年、3年及4年，因此，在式3和式4中分別取t=2，3，4，再結合Z省2010—2019年的政府性基金收入數值及2020—2023年政府性基金收入預測值，依據修正的KMV模型，計算得出Z省政府性基金收入的增長率和波動率：2021—2023年，政府性基金收入增長率（g）分別為0.098424、0.065616、0.049212;政府性基金收入波動率（σ）分別為0.067358、0.054998、0.047629。

3.可擔保政府性基金收入的測算

政府性基金收入有很多用途，除了用于償還專項債務之外，還需要投入到醫療衛生、保障就業、科教、基礎設施等項目，因此可用于償還專項債券的資金只占了政府性基金收入的一定比例。當地政府在確定專項債券的發行規模及定價時，既需要考慮當前的經濟形勢，也需要考慮未來政府是否有能力償還到期債務，因此，地方政府在確定專項債券的發行規模和定價時，已經考慮到未來償債的因素，所以，本文選取2015—2019年Z省政府發行專項債券的規模及利息占當年政府性基金的比例的平均值作為償債擔保比例，通過計算得出，該比例的數值為30.81%，出于謹慎性的考慮，本文將擔保比例擬定為30%。由于當前受疫情影響的程度較大，政府在應對疫情的同時還需要保證“六穩”“六?！闭吣繕说膶崿F，因此，政府很可能會加大財政支出的力度，基于此，本文將可用于償債的擔保比例進一步降低為25%。根據該比例，本文最終計算出Z省2021—2023年可用于專項債券償還擔保的政府性基金收入數值分別為2 238.927億元、2 404.455億元、2 571.188億元。

（二）專項債券違約概率的測度

由于2021年和2022年各自出現到期本息和分別為1 243.5269億元和1 199.0367億元的債券，將其與政府性基金收入增長率和政府性基金收入波動率等數據一并放入修正的KMV模型，計算得出2021年和2022年Z省面臨的違約距離分別為：

上述數據結果表明，Z省2021年與2022年地方政府專項債券違約的概率非常低，幾乎不存在專項債務違約風險。

五、地方政府專項債券風險預警機制的構建

盡管Z省地方政府專項債券的信用風險發生概率測算結果顯示為0，但該數值是在重重約束下計算出的，因此并不表示Z省專項債券的發行毫無風險。從全國范圍來看，考慮到當前我國發行地方政府債券的時間尚短，經驗仍有所欠缺，地方政府債券發行操作手法的不完善很可能導致違約風險的產生，而政府對經濟環境及財政收入的過度樂觀則會導致其盲目擴大發債規模，進一步引發償債風險。因此，仍需要采取恰當的方法建立風險預警機制，對專項債券的發行規模進行嚴格的管控，對專項債務風險進行有效防控。

當前已有學者對地方政府債務風險的預警機制進行了研究，主要方法有兩種：一是通過模糊評價模型、因子分析等方法對地方政府債務風險狀況進行測算，從而建立起預警機制[16-18];二是利用修正的KMV模型對違約風險進行測算，通過測算得出的相關數據建立警戒線，最終構建起預警機制[19-20]。但已有文獻都是針對地方政府債券整體進行研究，根據2014年印發的《國務院關于加強地方政府性債務管理的意見》，地方政府債券共有一般債券和專項債券兩種，且二者在償還來源和盈利性上存在差異，針對地方政府債券整體的研究未必能夠準確代表專項債券的情況，因此，本文將立足于專項債券的實際情況，采取第二種方法，選取專項債券違約概率的臨界值，計算出Z省2023年可承擔的專項債券到期本息和，并結合其2021—2023年到期專項債務規模，測算出2020年Z省剩余可發行的3年期專項債券的本金及各期限專項債券一期的利息和，以期利用以上數據建立專項債券風險預警機制，安全平穩地推動地區經濟發展。

（一）違約概率臨界值

韓立巖等[21]研究指出，信用等級不低于標準普爾BBB-或穆迪Baa3的公司債券屬于信用風險較低的公司債券，而考慮到政府作為地方政府債券的發行方，能夠為地方政府債券的發行進行擔保，其信用等級高于公司債券，產生的信用風險理論上應比公司債券要低，所以地方政府債券的預期違約概率應維持在0.4%之內才為安全邊際。因此，本文選取0.4%作為Z省政府專項債券的違約風險的臨界違約概率。

（二）可承擔債務規模的測算

根據選取的0.4%違約概率可以計算2023年Z省可承擔的專項債券到期債務規模，具體如下：

（三）安全發債規模的測算

Z省于2015年開始發行專項債券，至今發行的專項債券期限主要包含3年期債券、5年期債券、7年期債券和10年期債券，由于10年期債券最后還本付息時間不在本文預測范圍之內，因此在前文的基礎上，本文著重統計了3年、5年和7年期專項債券情況。2020年與2021年到期的3年期、5年期和7年期債券均已發行，而2023年到期的5年期和7年期債券也分別于2018年和2016年發行，接下來本文將根據這些信息進行測算，具體見表4。其中，n為2020年發行的3年期專項債券本金，m為2020年發行的各期限專項債券的一年利息之和。

由于Z省地方政府2016年和2018年分別發行的7年期債券和5年期專項債券的到期本息和共計1 662.2579億元，據此測算可得，Z省2020年發行專項債券需要考慮：3年期專項債券的本金及各期限債券一期的利息和不得超過758.897億元。

（四）專項債券違約風險的預警機制

本文基于上述分析構建了如圖3所示的專項債券預警機制。修正的KMV模型能夠在一定程度上測度出專項債券違約概率，而0.4%為專項債券違約風險概率的臨界值，當測算出的違約概率超過0.4%時，即意味著該省的專項債券違約風險超過了警戒線，需要引起重視，地方政府應當合理安排當年的財政收支，盡量保證有充足的政府性基金收入來償還當期的專項債務，防范專項債券違約風險。

此外，利用上文分析得出的違約概率安全邊際并結合以往的專項債券發行狀況，能夠測算出未來期間的可承擔專項債券到期本息和。該數值代表了地方政府現有的可用于償還專項債券的財力下能夠承擔的債務規模，一旦當地政府所承擔的專項債務規模超過該值時，則需要關注專項債券的風險狀況，妥善安排當年的發行工作，防范專項債券違約現象的發生。而當年可發行的3年期專項債券的本金及各期限債券一期的利息和的安全規模也能夠通過計算得出，如果當期所發行的專項債券規模和利息超出安全規模，則在未來期間的專項債券違約風險可能會超出警戒值，需要引起注意。與此同時，當地政府能夠依據該數據合理安排當年的專項債券發行規模及定價，避免償債高峰期的出現，有效緩解地方政府的償債壓力，防控專項債券違約風險。

我國當前的政府性債務風險應急機制只能針對已觸及警戒線時所導致的債務風險，無法實現提前預警，而本文所采用的違約風險測度方法能夠及時對區域的專項債券違約概率進行測算，當地政府可以依據測算結果判斷違約可能性的大小，并依據此保證專項債務處于可控范圍內，實現提前預警。綜上所述，通過對專項債券違約概率臨界值、未來期間可承擔債務規模以及當期安全發債規模的明確，能夠建立起專項債券的風險預警機制，有效緩解專項債券風險，在一定程度上避免違約事件的發生，同時還能夠幫助地區政府結合給定的專項債務限額合理安排專項債券的發行規模和定價，有助于我國專項債券市場的建設與完善。

六、結論與啟示

基于修正的KMV模型，本文對Z省2021年和2022年已發行專項債券的違約風險發生概率進行了估計，研究結果顯示：Z省2021年和2022年可能發生的專項債券違約概率為0，專項債券的違約風險處于可控范圍內。此外，本文以0.4%為違約概率臨界值，測算出2023年Z省可承擔的專項債券到期債務規模為2 421.155億元、2020年Z省剩余可發行的3年期專項債券的本金及各期限專項債券一期的利息和不得超過758.897億元，并通過違約概率安全邊際、可承擔到期債務規模以及安全發債規模，建立了專項債券的違約風險預警機制。

由于受到疫情的影響，我國專項債券的發行再次提速，這使得本來已經顯現出苗頭的專項債券違約風險可能存在進一步加大的趨勢，因此，我們需要采取科學合理的方法對專項債券風險進行防控，實現提前預警。本文的研究結論對各省建立專項債券風險預警機制具有一定的指導意義，也為其防范和化解風險、保持債券市場的有效運行提供有益借鑒。

【參考文獻】

[1] 韓增華.中國地方政府債務風險的預算管理與分權體制完善[J].經濟體制改革，2011（4）：142-145.

[2] 張玲，楊貞柿，陳收.KMV模型在上市公司信用風險評價中的應用研究[J].系統工程，2004（11）：84-89.

[3] 蔣忠元.地方政府債券發行過程中的信用風險度量和發債規模研究——基于KMV模型分析江蘇省地方政府債券[J].經濟研究導刊，2011（19）：61-62.

[4] 陳玲，孟迪.基于KMV模型的地方政府債務風險管理研究——以福建省為例[J].長沙大學學報，2017（9）：56-64.

[5] 盧小溪.基于KMV模型的北京市地方政府債券安全發債規模研究[J].中國市場，2019（5）：38-39.

[6] MERTON R C.On the pricing of corporate debt： the risk structure of interest rates[J].The Journal of Finance，1974，29（2）：449-470.

[7] 楊秀云，蔣園園，段珍珍.KMV模型在我國商業銀行信用風險管理中的適用性分析及實證檢驗[J].財經理論與實踐，2016，37（1）：34-40.

[8] 曹萍.基于KMV模型的地方政府債券違約風險分析[J].證券市場導報，2015（8）：39-44.

[9] 陳文川，楊野，白佳明，等.債務審計對地方政府債務風險的影響——基于2008—2016年省級面板數據的實證檢驗[J].審計研究，2019（4）：29-38.

[10] 仲楊梅，張龍平.國家審計降低地方政府債務風險了嗎？[J].南京審計大學學報，2019，16（3）：1-10.

[11] 潘俊，王亮亮，沈曉峰.金融生態環境與地方政府債務融資成本——基于省級城投債數據的實證檢驗[J].會計研究，2015（6）：34-41.

[12] 潘俊，余一品，王亮亮，等.貨幣政策、發行主體差異與地方政府債券定價[J].會計研究，2019（12）：72-77.

[13] 潘俊，王禹，景雪峰，等.政府審計與地方政府債券發行定價[J].會計研究，2019（3）：44-50.

[14] 李升，楊武，凌波瀾.基礎設施投融資是否增加地方政府債務風險？[J].經濟社會體制比較，2018（6）：67-76.

[15] 韋小泉.優化我國地方政府專項債券償債機制的建議[J].中國財政，2019（24）：54-56.

[16] BOHN H.The behavior of US public debt and deficits[J].The Quarterly Journal of Economics，1998，

113（3）：949-963.

[17] MA J et al.Monitoring fiscal risks of subnational governments：selected country experiences[Z].The World Bank Other Operational Studies，2002：393.

[18] 朱文蔚，陳勇.我國地方政府性債務風險評估及預警研究[J].亞太經濟，2015（1）：31-36.

[19] 丁華，張婧泓.機器學習算法預估地方政府債務風險——以A省政府債務為例[J].會計之友，2018（17）：77-81.

[20] 李爽.地方政府債務風險預警模型構建及應用探析[J].會計之友，2019（16）：47-53.

[21] 韓立巖，鄭承利，羅雯，等.我國市政債券信用風險與發債規模研究[J].金融研究，2003（2）：85-94.