数据挖掘技术在地方政府债务风险研究中的应用

何迪

摘 要： 为了科学、合理地对地方政府债务风险进行评价，提出基于数据挖掘技术的地方政府债务风险评价模型。首先建立地方政府债务风险评价的指标体系，采用灰色关联分析方法确定地方政府债务风险指标的关联系数；然后利用数据挖掘技术——神经网络自动处理数据的优点，建立地方政府债务风险评价模型；最后通过实证分析验证模型的可信度。实证结果表明，与参比地方政府债务风险评估模型相比，该模型提高了地方政府债务风险评价的准确性，加快了地方政府债务风险评价的速度，可以有效降低地方政府债务风险，具有一定的推荐价值。

关键词： 地方政府； 债务风险； 神经网络； 指标体系； 灰色关联分析法

中图分类号： TN711?34； TP181 文献标识码： A 文章编号： 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

随着我国经济的迅速发展，政府通过不断融资加快地方的经济建设，这样便形成了地方政府债务。据相关研究结果表明，现在地方政府均有不同规模的债务存在，此时地方政府债务风险就显现出来[1]。地方债务风险对社会稳定和国家经济安全带来负面影响，如何对地方债务风险进行准确评价，以便制定相应的债务风险预警措施，引起了政府部门的高度重视[2]。

地方债务风险评价可以划分两个阶段：人工评价阶段、计算机自动评价阶段[3]。人工评价阶段主要根据地方债务风险评价方面的专家对地方债务存在的潜在风险进行分析，然后对地方债务风险所处状态给出相应的值，最后根据值得到地方债务风险等级，该阶段主要依懒于专家对某个地方债务风险知识评价结果的好坏与知识的多少，而且与专家偏爱有关，使得地方债务风险评价结果具有一定的主观盲目性，经验成分比较重，评价结果不客观，可信度较低[4]。计算机自动评价阶段主要采用计算机技术、信息技术以及人工智能技术对地方债务风险进行评价，自动化程度高，评价速度快，而且评价结果更具客观性，主要有聚类分析、模糊理论等[5?7]。实际应用中，这些方法有一定的不足，就是地方债务风险评价指标太多，评价过程十分复杂，实用性较弱。为了减少地方债务风险评价指标，近些年有学者提出采用层次分析和主成分分析等方法对指标进行预处理，把一些不重要的指标去掉，但层次分析法和主成分分析法无法客观描述每一種指标对地方债务风险评价结果的重要程度。灰色关联分析是一种性能良好的因子处理方法，可以对地方债务风险评价指标进行分析，确定每一种指标对地方债务风险评价结果的重要程度。数据挖掘技术中的RBF神经网络具有良好的非线性拟合能力，可以对地方债务风险评价结果与指标之间的变化关系进行描述，为地方债务风险评价研究提供了一种新的工具[8]。

为了科学、合理地对地方政府债务风险进行评价，提出基于数据挖掘技术的地方政府债务风险评价模型，实证结果表明，该模型提高了地方政府债务风险评价的准确性，加快了地方政府债务风险评价的速度。

1 地方政府债务风险评价问题的描述

地方政府债务风险与很多种指标相关，不同指标对地方政府债务风险影响程度不同。设评价指标共有个，可以表示为，同时地方政府债务风险评价指标之间也存在一定影响，导致地方政府债务风险变化具有时变性、随机性，因此，地方政府债务风险评价可以描述为：

（1）

式中：为地方政府债务风险评价变化特点的拟合函数[9]。

要建立性能优异的地方政府债务风险评价模型，有两个关键问题需要解决：

（1） 设计最科学的地方政府债务风险评价指标体系，本研究选择灰色关联分析方法实现指标的构建；

（2） 设计能够准确描述地方政府债务风险值与评价指标之间联系的学习方法，在研究中采用RBF神经网络作为学习方法。

2 地方政府债务风险评价模型的具体设计与实现

2.1 设计地方债务风险评价的指标

地方政府是一个全国性的大问题，对一个地方政府债务风险进行评价，既要体现通用性，同时又要符合一个地方的实际情况，因此通常在对地方政府债务风险进行分析的基础上，选择一些描述债务风险的评价指标，具体如图1所示[10]。

2.2 灰色关联分析

从图1可知，地方政府债务风险评价的指标很多，它们对地方政府债务风险评价结果影响程度不一样，灰色关联分析可以判断两个指标之间的关系是否紧密，如果关系越紧密，那么表示两个指标之间的关联度越大，不然，两个指标之间的关联度越小。

（1） 设地方政府债务风险评价的母因子序列和子因子序列分别为：

（2）

（3）

式中表示样本的数量。

图1 债务风险评价的指标体系

对于个数据，它们的序列形成如下矩阵形式：

（4）

（2） 地方政府债务风险评价指标的量纲是不同的，为了保证灰色关联分析结果的可靠性，对地方政府债务风险原始数据进行无量纲化处理，即：

（5）

（6）

那么式（4）的无量纲化结果为：

（7）

（3） 求序列的绝对差值[11]为：

（8）

所有绝对差值矩阵构成如下序列：

（9）

（4） 绝对差值矩阵中最大数和最小数分别如下：

（10）

（11）

（5） 计算关联系数：

（12）

式中为分辨系数。

（6） 计算灰色关联系数：

（13）

2.3 RBF神经网络

RBF神经网络是一种基于经验风险最大原理的前馈神经网络，有良好的非线性拟合能力，通常为三层结构，隐含层节点的激活函数选择高斯函数，即：

（14）

RBF神经网络的输出层结果为：

（15）

设和分别为输入数据和输出数据；表示隐含层与输出层神经元之间的权值，RBF神经网络的学习过程分为两个阶段，具体为：

（1） 采用K?means聚类算法确定隐含层数据聚类中心。

（2） 采用有监督学习算法确定输出层的权值。

2.4 数据挖掘技术的地方政府债务风险评价模型

基于数据挖掘技术的地方债务风险评价模型的工作原理为：首先根据相关研究建立地方政府债务风险评价指标体系；然后采用灰色关联分析方法确定地方政府债务风险指标的影响程度，利用数据挖掘技术——神经网络建立地方政府债务风险评价模型，具体如图2所示。

3 地方政府债务风险评价的验证分析

3.1 实验对象

对图1中的评价指标采用进行描述，地方政府债务风险等级划分为5种，如表1所示。

选择20个城市的政府债务风险作为实验对象，由于篇幅有限，10个评价指标值没有列出，只列出了地方政府债务风险的值，如图3所示。

3.2 评价指标的灰色关联分析

根据灰色关联分析方法工作的步骤，计算10个原始的地方政府债务风险评价指标的关联系数，得到的结果如表2所示。从表2可知，每一个地方政府债务风险评价指标的关联系数值不相同，说明它们与地方政府债务风险之间的联系程度各异，对各指标进行排序，选择最大的6个关联系数的指标值作为RBF输入向量，建立地方政府债务风险评价模型。

3.3 结果分析

根据灰色关联分析的结果，删除原始样本中的其他指标数据，减少地方政府债务风险评价的参评指标数量，采用RBF神经网络建立地方政府债务风险评价模型，得到的评估结果如图4所示，从图4可以发现，地方政府债务风险的评价值与实际值的曲线拟合得很好，能够准确反映地方政府债务风险变化特点，估计精度高，实验结果证明，通过灰色关联分析法可以得到对地方政府债务风险影响程度高的指标，消除了无用指标对地方政府债务风险评价结果的干扰，使得地方政府债务风险评价结果更加可信。

选择文献[8]、文献[9]以及文献[12]的地方政府债务风险评价模型进行对比分析，统计它们的评价精度和训练时间，结果如表3所示。相对于参比地方政府债务风险评价模型，本文模型的地方政府债务风险评价精度相对更高，并且在一定程度上减少了评价执行时间，具有比较明显的优越性。

4 结 语

债务风险评价对于地方政府债务风险预警具有重要的指导作用，由于债务风险受到经济、地方政策、国家的法律等多种因素的影响，具有随机变化特点，而且指标与地方政府债务风险联系紧密程度不同，使得当前方法无法建立科学的地方政府债务风险评价模型。结合灰色关联分析方法和RBF神经网络的优点，提出基于数据挖掘技术的地方政府债务风险评价模型。应用实例研究结果表明，该模型采用灰色关联分析确定地方政府债务风险指标影响程度，去除了一些不重要的地方政府债务风险指标，使得地方政府债务风险评价指标数量减少，并采用RBF神经网络描述地方政府债务风险的随机变化特点，降低了地方政府债务风险评价的误差，提高了地方政府债务风险评价的准确性，使得地方政府债务风险评价结果更加可信，可以为地方政府债务风险预警提供有价值的参考消息，是一种有效的地方政府债务风险评价模型。

参考文献

[1] 李昊，迟国泰，路军伟.我国地方政府债务风险及其預警：问题及对策[J].经济经纬，2010（2）：126?129.

[2] 张博.全面深化改革背景下政府绩效评估制度的改进[J].理论探讨，2014（3）：155?156.

[3] 马骏，刘亚平.中国地方政府财政风险研究：“逆向软预算约束”理论的视角[J].学术研究，2005（11）：77?84.

[4] 孙芳城，李松涛.基于风险防范的地方政府债务会计体系研究[J].财政监督，2010（20）：5?8.

[5] 卫志民.中国地方政府性债务：风险、成因与防范[J].河南大学学报（社会科学版），2014（9）：25?31.

[6] 曹萍，周巧洪.公共选择理论视角下地方政府债务风险研究[J].财经问题研究，2015（8）：62?68.

[7] 何雪锋，何敏，王秀霞.基于熵权修正层次分析法的地方政府债务风险评估[J].财会通讯，2015（25）：77?80.

[8] 赵树宽，李婷婷.应用AHP模糊评价法对地方政府债务风险的评价研究[J].社会科学辑刊，2014（1）：122?125.

[9] 高英慧，高雷阜.基于混沌理论的地方政府债务风险预警管理研究[J].社会科学辑刊，2013（4）：42?46.

[10] 于之虹，郭志忠.基于数据挖掘理论的电力系统暂态稳定评估[J].电力系统自动化，2003，27（8）：45?48.

[11] 晏密英，桂卫华，阳春华.基于灰色关联和改进SVM的钴离子浓度预测研究[J].仪器仪表学报，2011，32（5）：961?967.

[12] 洪源，刘兴琳.地方政府债务风险非线性仿真预警系统的构建：基于粗糙集?BP神经网络方法集成的研究[J].山西财经大学学报，2012（3）：1?10.