CN109543897A - 地方政府债务风险动态评估及预测方法 - Google Patents
地方政府债务风险动态评估及预测方法 Download PDFInfo
- Publication number
- CN109543897A CN109543897A CN201811372970.9A CN201811372970A CN109543897A CN 109543897 A CN109543897 A CN 109543897A CN 201811372970 A CN201811372970 A CN 201811372970A CN 109543897 A CN109543897 A CN 109543897A
- Authority
- CN
- China
- Prior art keywords
- local government
- debt
- risk
- debt risk
- local
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004088 simulation Methods 0.000 claims abstract description 19
- 238000010586 diagram Methods 0.000 claims abstract description 13
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 238000013461 design Methods 0.000 claims abstract description 9
- 238000003860 storage Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 230000008859 change Effects 0.000 claims description 15
- 238000011160 research Methods 0.000 claims description 9
- 238000011161 development Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 238000012502 risk assessment Methods 0.000 claims description 5
- 238000010206 sensitivity analysis Methods 0.000 claims description 5
- 238000012550 audit Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000009826 distribution Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 5
- 230000002265 prevention Effects 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012954 risk control Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000013485 heteroscedasticity test Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003472 neutralizing effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种地方政府债务风险动态评估及预测方法。包括以下步骤：(1)分析地方政府债务风险系统结构及因果关系，包括社会经济子系统、地方政府债务规模子系统、地方政府债务风险度量子系统。(2)运用Vensim PLE软件构建地方政府债务风险系统。包括：①构建系统存量流量图；②定义变量函数关系。(3)对地方政府债务风险进行仿真模拟度量及风险敏感因素测试，包括：①选取地方政府；②收集和处理相关评价指标所涉及的数据；③进行参数估计及变量方程设计；④模型检验及仿真模拟。⑤风险影响因素敏感性测试。本发明对地方政府债务风险状况进行及时跟踪、反馈，从规模和结构上掌握债务风险分布与变化状况，为政府部门提供一种管控债务风险的工具。
Description
技术领域
本发明涉及地方政府债务风险防控领域，尤其涉及一种地方政府债务风险动态评估、风险影响因素测试及风险变化趋势预测的系统。
背景技术
地方政府债务问题研究重点主要集中在债务成因、债务管理、影响因素和风险预警等方面。关于地方政府债务风险及防范研究，国外的理论和实证研究主要集中在美国、巴西、哥伦比亚、新西兰、澳大利亚、南非等风险预警相对比较健全的国家。这些国家在地方政府风险的预警方式可归为两类：一类是利用地方财政监测系统对政府财政安全情况进行监控，从而控制政府债务危机的发生，比如美国俄亥俄州模式；二是通过限制地方政府债务风险指标来控制政府债务的规模，典型的有哥伦比亚“交通信号灯”、美国“地方财政监控计划及财政危机法”以及巴西“地方政府借款限制”等预警模式。而关于地方政府债务风险预警模型的研究主要有FR模型、STV模型、KLR信号灯模型和BP模型。
目前国内关于地方债务风险和防范研究主要集中在三个方面。一是财政风险成因及管理措施；二是运用风险预警理论构建政府债务风险指标，在此基础上又可分为采用模糊评价法、灰色系统理论、KMV模型、因子分析法等定量方法对债务风险进行分析；三是对地方政府债务风险防范和解决措施的研究，可分为从公共风险控制角度防范，从税务治理角度防范，从地方债务融资平台防范。
可见，国内外对于地方政府债务风险评价的研究大多从静态视角分析地方政府债务风险，且存在研究对象单一、指标多重共线性、结论不稳健等问题，而地方政府债务风险应视为可持续性的动态问题，且其对绩效客观评价及动态预测尤为重要。地方政府债务风险复杂多变，各风险变量之间呈现多种非线性关系，且彼此构成多重反馈回路，与系统动力学复杂系统特征相吻合。
发明内容
本发明目的是解决现有技术存在的研究对象单一、指标多重共线性、结论不稳健等问题，突破现有技术的静态视角，提供一种地方政府债务风险动态评估方法，对地方政府债务风险状况进行及时跟踪、反馈，从规模和结构上掌握债务风险分布与预计的变化。
本发明运用系统动力学模型构建地方政府债务风险度量系统，从规模和结构上把握债务风险敏感因素及未来变化趋势，及时调整管控债务风险政策和力度，这对于化解地方债务风险、稳定金融市场、保障经济安全都具有重要意义。此外，本发明由国家自然科学基金项目(71471131)、高等学校创新团队建设规划项目(TD13-5018)支持。
本发明技术方案
地方政府债务风险动态评估及预测方法，包括以下步骤：
(1)分析地方政府债务风险系统结构及因果关系。
地方政府债务风险系统结构主要包括社会经济、地方政府债务规模、地方政府债务风险度量三个子系统，各子系统间相互关联、子系统内各要素彼此作用，构成不断循环的反馈结构。
地方政府债务风险度量子系统进行风险度量包括以下步骤：
①选取地方政府债务风险评价指标。
结合国际通用预警指标和我国经济增长的新常态，统筹地方政府债务规模与债务结构特点，风险评价指标初步设计包含债务状况、债务使用、债务偿还和经济实力四个方面共 11个债务风险评价指标体系，并根据指标与风险变化方向的关系，将债务风险评价指标分为同向指标和反向指标。
②确定地方政府债务风险评价指标阈值。
综合考虑我国政府财政体制和经济发展目标以及各个历史时期的经济变动和经济循环状况，充分参考国内外有关政府负债的研究文献且横向比较同类型省本级的相关指标，将地方政府债务风险评价指标阈值划分为:安全区、风险区和危机区。
③确定地方政府债务风险评价指标权重。
采用AHP法即层次分析法确定各指标的权重，构造地方政府债务风险评价指标的递阶层次结构，通过整理相关判断矩阵的数据，最终实现各风险评价指标权重的定量化。
④风险能量计算。
本发明借助“距”的概念和能量释放理论计算地方政府债务风险能量。
(2)运用Vensim PLE软件构建地方政府债务风险系统。
①构建系统存量流量图。
根据第一步骤地方政府债务风险系统的构成，利用VensimPLE软件构建地方政府债务风险能量的存量流量图，模拟各变量随时间变化的趋势。
②定义主要变量函数。
模型中包含2个状态变量，4个速率变量以及46个辅助变量，为使模型更加清晰，用影子变量表示模型中的原变量，然后进一步确定各主要变量函数关系。
(3)对地方政府债务风险能量进行仿真模拟。
①选取待评估地方政府。
②收集和处理相关评价指标所涉及数据。
通过国家统计局数据库等收集数据；通过MATLAB软件编程，采用灰色时间序列预测模型GM(1，1)对相关评价指标所涉及的原始数据进行初步预测。随着时间的推移，灰色时间序列预测模型中原始数据对预测数据的作用越来越小，因此建议预测时间长度为 3年。
③进行参数估计以及变量方程设计。
第1、地方政府债务风险系统模型初始参数设置为：起始时间和终止时间分别为待测评的初始年份和结束年份。
第2、模型中人口初始值为各省市待评估预测起初年份的年末常住人口数，政府债务规模初始值为各省市地方政府待评估预测年份年末负债累计值。
第3、一个地区人口变动受社会、经济和人口自身各方面因素的影响，包括人口自然变动和人口迁移变动；综合考虑两种人口变动情况，地方政府债务风险系统模型采用待评估预测年份年末常住人口的环比增长率作为人口变动的辅助变量。
第4、各地方审计署公告均显示，银行贷款是地方政府举债最主要的渠道，市政债券和BT债务的资金成本均围绕同期银行贷款利率确定；因此模型中借款利率采用待评估年份的同期银行贷款利率，同一年内进行多次调整的银行贷款利率，取其均值。
第5、各省市地方政府的每年应偿还金额＝年初债务余额+当年新增负债额-年末债务余额；其中每年年初债务余额采用该市的负债合计上年年末同期累计值，年末债务余额采用该市的负债合计年末累计值。
本发明参照C-D生产函数，利用stata12.0对GDP、固定资产投资、劳动力进行多元线性回归分析，通过对数转换的方式得到变量间的函数关系。
④模型检验及仿真模拟。
为确保模型仿真结果与实际情况相符，本发明运用历史数据吻合度比对法对模型进行误差检验。
输入主要变量方程及处理后的数据，得到地方政府债务风险能量图、风险能量值及预计变化趋势。
⑤地方政府债务风险影响因素敏感性分析。
对全社会固定资产、人口增长率、财政收入、税收收入等经济影响因素进行上浮或下浮调整，通过对比仿真模拟找出地方政府债务比较敏感的影响因素。
(4)地方政府债务风险度量及预测结果。
根据系统仿真模拟地方政府债务风险能量及其变动情况，得出地方政府债务风险敏感的影响因素及其风险变化预测趋势，分析其变化原因并可据此提出优化地方政府债务风险管控的措施建议。
本发明的优点和有益效果：
本发明的有益效果主要表现在：地方政府债务风险复杂多变，各风险变量之间呈现多种非线性关系，且彼此构成多重反馈回路，因此本发明将地方政府债务风险视为可持续性的动态问题，与系统动力学复杂系统特征相吻合，将系统动力学运用在地方政府债务风险研究中，构建地方政府债务风险评价系统，对地方政府债务风险状况进行及时跟踪、反馈，从规模和结构上掌握债务风险分布与预计的变化，用系统的观念全盘考察地方政府债务风险的影响因素。本发明为政府部门提供了一种优化债务风险管控措施的依据，政府部门可及时做出预防政策以避免造成重大经济损失，这对于化解地方债务风险、稳定金融市场、保障经济安全都具有重要意义。
附图说明
图1本发明地方政府债务风险动态度量及预测说明图。
图2为地方政府债务社会经济子系统因果回路图。
图3为地方政府债务规模子系统因果回路图。
图4为本发明地方政府债务风险动态度量和预测的存量流量图。
图5为北京市政府债务风险能量仿真图。
图6为北京市政府债务风险影响因素变动仿真图。
具体实施方式
实施例1：
下面结合附图对本发明作进一步描述。
参照图1，地方政府债务风险动态评估及预测方法，包括以下步骤：
第一步，分析地方政府债务风险系统结构及因果关系。
地方政府债务风险系统由影响地方政府债务借入和偿还的内、外部系统构成，外部环境中对政府债务影响最大的是社会经济的发展，内部系统中对政府债务影响最大的是债务规模变化和债务风险大小两个方面，因此，地方政府债务风险系统主要包括社会经济、地方政府债务规模、地方政府债务风险度量三个子系统，各子系统间相互关联、子系统内各要素彼此作用，构成不断循环的反馈结构。
(1)社会经济子系统。
社会经济子系统是地方政府债务风险系统的外部环境系统，是政府债务不断运转的重要保证，它包括人口数量、社会劳动力、居民收入、财政收支、经济增长、全社会固定资产投资等方面。全社会固定资产投资和劳动力的增加会引起经济的增长，从而引起税收的增加，又进一步引起财政收入的增加。因此这里涉及到2条因果回路，1条是：总人口的增加会引起劳动力的增加，接着引起GDP的增加，又反馈引起劳动力的增加，接着引起总人口的增加。另1条是：全社会固定资产投资的增加，会引起GDP的增加，又相继会引起税收的增加、财政收入的增加、资金缺口的减小、财政支出的减小、偿还能力增大、全社会固定资产投资增大、GDP的增大。参照图2。
(2)地方政府债务规模子系统。
地方政府债务规模子系统是债务风险系统中枢，起到关键支撑作用。它包括政府当年年初债务额、当年借入债务额、借款利率、当年偿还债务额、年末债务余额等方面。当年借入债务额本金以及借款利率的增加会引起当年政府债务的增加，从而使政府债务规模加大，因此政府需要偿还的债务额增加，政府债务偿还后又使政府债务规模减少。这里涉及 1条因果回路，政府债务借入量的增大，会引起政府债务规模的增大，又相继引起政府债务偿还的增加，政府债务规模的减小。参照图3。
(3)地方政府债务风险度量子系统。
地方政府债务风险度量子系统可对各地区债务风险能量的大小进行直观地横向比较。本发明依据风险能量释放理论对该子系统进行构建，主要包括：评价指标选取、评价指标阈值确定和权重确定以及风险能量计算。我国地方政府债务水平的影响因素包括财政收支水平、债务负担情况、地区经济增长、地方财政体制等，根据以上因素对该子系统进行构建。
①选取地方政府债务风险评价指标。
结合国际惯例以及中国的国情和省情，为满足政府对各环节债务风险的监管需求，在选取地方政府债务风险评价指标的过程中明确以下六点原则：第一，债务指标的选取应有高度的概括性，能全面地反映地方政府债务风险状况；第二，所选指标能够准确、敏感地反映出地方政府债务风险变动；第三，指标体系中的定量指标要用精确的数值来表示，定性指标也要标准化、数值化；第四，剔除相关性较强指标，避免出现指标多元共线性问题；第五，各指标所涉及的数据易于查找和测量；第六，受偶然因素较大的指标不宜选。由于我国地方政府债务本质上并不存在经济上的违约风险，因此本发明不考虑违约风险指标。根据以上原则，结合国际通用预警指标和我国经济增长的新常态，统筹地方政府债务规模与债务结构特点，参考国内外文献，初步设计包含债务状况、债务使用、债务偿还、经济实力四个方面共11个指标的债务风险评价体系，并根据指标与风险变化方向的关系，将其分为同向指标和反向指标，见表1。
表1地方政府债务风险评价指标体系
②确定地方政府债务风险评价指标阈值。
对于地方政府债务风险评价指标阈值的确定，遵循以下三点原则:第一，综合考虑我国政府财政体制和经济发展目标以及各个历史时期的经济变动和经济循环状况；第二，充分参考国内外有关政府负债的研究文献；第三，横向比较同类型省本级的相关指标。因此，本发明将政府评价指标阈值划分为:安全区、风险区、危机区，见表2。
表2地方政府债务风险评价指标体系阈值表
| 指标名称 | 代码 | 安全区 | 风险区 | 危机区 |
| 债务依存度 | R1 | (0,20％) | [20％,45％] | (45％,∞) |
| 债务负担率 | R2 | (0,12％) | [12％,25％] | (25％,∞) |
| 赤字率 | R3 | (0,1％) | [1％,3％] | (3％,∞) |
| GDP增速与债务增速比例 | R4 | (100％,∞) | [50％,100％] | (0,50％) |
| 负债成本 | R5 | (0,5.93％) | [5.93％,24％] | (24％,∞) |
| 地方财政偿债率 | R6 | (0,15％) | [15％,30％] | (30％,∞) |
| 地方财政负债率 | R7 | (0,20％) | [20％,50％] | (50％,∞) |
| 资产负债率 | R8 | (0,10％) | [10％,70％] | (70％,∞) |
| GDP增长率 | R9 | (7％,∞) | [0％,7％] | (-∞,0) |
| 财政支出占GDP比重 | R10 | (0,10％) | [10％,20％] | (20％,∞) |
| 财政收支变动率 | R11 | (100％,∞) | [50％,100％] | (0,50％) |
注：①指标R1、R3、R4、R6、R7、R8、R10、R11的阈值参考国内外权威文献确定；②指标R2、R9的阈值参考国际惯例确定；③指标R5自行分析确定。当前资料中没有负债成本指标的阈值划分，根据2013年12月地方政府债务审计报告，地方政府债务主要是由银行贷款、市政债券和BT债务构成(占70％以上)，而市政债券和BT债务的资金成本围绕同期银行贷款利率确定，因此本发明选取2006年-2015年中国人民银行发布的同期银行贷款利率的均值5.93％作为该指标阈值之一。此外根据我国法律规定，民间借贷年利率在24％以下的，属于“司法保护区”，因此将该指标的安全区、风险区、危机区确定为：(0，5.93％)、 [5.93％，24％]、(24％，∞)。
③确定地方政府债务风险评价指标权重。
首先，采用AHP法确定各指标的权重，构造地方政府债务风险评价指标的递阶层次结构，通过发放调查问卷，整理和计算32位风险评价专家对判断矩阵的评分数据，最终实现各风险评价指标权重的定量化，分析结果见表3。
表3基于AHP法的地方政府债务风险评价指标权重
| 指标 | R1 | R2 | R3 | R4 | R5 | R6 | R7 | R8 | R9 | R10 | R11 |
| 权重 | 0.078 | 0.081 | 0.077 | 0.119 | 0.114 | 0.089 | 0.091 | 0.083 | 0.093 | 0.088 | 0.087 |
④风险能量计算。
本发明借助“距”的概念和能量释放理论计算地方政府债务风险能量，通过计算评价指标对理想状态的距离，计算各地方政府债务风险能量，并根据AHP法结果确定的指标权重，得到加权平均下的债务风险能量。风险能量为0，系统安全，风险能量为1，系统处于危机状态，必须采用有效措施控制。
第二步，运用Vensim PLE软件构建地方政府债务风险系统。
(1)构建系统存量流量图。
根据前述地方政府债务风险系统的构成，利用VensimPLE软件构建地方政府债务风险能量的存量流量图，模拟各变量随时间变化的趋势，参照图4，模型从上到下依次是社会经济子系统、债务规模子系统、债务风险度量子系统，各子系统间相互关联，子系统内各变量构成多重反馈回路。前两个子系统均对地方政府债务风险衡量产生一定影响，因此将一些变量直接表示在地方政府债务风险度量子系统中。
(2)定义主要变量函数。
参照图4，其中包含2个状态变量，4个速率变量以及46个辅助变量，为使模型更加清晰，用影子变量表示模型中的原变量。模型中的主要变量方程如表4所示。
表4主要变量函数关系表
第三步，对地方政府债务风险能量进行仿真模拟。
(1)选取待评估地方政府。本发明以评估北京市地方政府债务风险能量为例。
(2)收集和处理相关评价指标所涉及数据。
收集评价指标所涉及的该地方政府债务数据。原始财政数据可通过国家统计局数据库、《中国统计年鉴》、《北京统计年鉴》等来查询，并使用excel对原始数据进行初步整理。
选取2006-2015年为原始数据，2016-2018为预测趋势。本发明可通过MATLAB软件编程，采用灰色时间序列预测模型GM(1，1)对原始数据进行预测。随着时间的推移，灰色预测模型中原始数据对预测数据的作用越来越小，因此本发明建议预测时间长度为3 年。
(3)进行参数估计以及变量方程设计。
对模型进行假设说明：
1)该模型初始参数设置：起始时间为2006年，终止时间为2018年，仿真步长DT＝1(年)。
2)模型中人口初始值为北京市2006年年末常住人口数，政府债务规模初始值为北京市地方政府2006年年末负债累计值。
3)一个地区人口变动受社会、经济和人口自身等各方面因素的影响，包括人口自然变动和人口迁移变动。综合考虑两种人口变动情况，本模型采用年末常住人口的环比增长率作为人口变动的辅助变量。
4)各地方审计署公告均显示，银行贷款是地方政府举债最主要的渠道，市政债券和 BT债务的资金成本均围绕同期银行贷款利率确定。因此模型中借款利率采用2006年-2015 年同期银行贷款利率，同一年内进行多次调整的银行贷款利率，取其均值。
5)各省市地方政府的每年应偿还金额＝年初债务余额+当年新增负债额-年末债务余额。其中每年年初债务余额采用该市的负债合计上年年末同期累计值，年末债务余额采用该市的负债合计年末累计值。
我国的经济增长主要由固定资产的投入来决定，其次是劳动力的投入。为了避免模型中的异方差性，本发明参照C-D生产函数，利用stata12.0对GDP、固定资产投资、劳动力进行多元线性回归分析，通过对数转换的方式得到变量间的函数关系。
北京变量间的函数关系：
GDP＝0.000886435671201055X固定资产投资0.3724662×劳动力2.761072
同时，通过state12.0对财政收入、土地收入和税收进行多元线性回归分析，得到变量间的回归方程为：
北京财政收入＝1.350473税收收入-1.641144土地收入-2017464
(4)模型检验及仿真模拟。
为确保模型仿真结果与实际情况相符，本发明运用历史数据吻合度比对法对模型进行误差检验，被检验变量的相对误差≤10％，则认定该模型的仿真性能和预测精度较好。本发明模型的输出变量较多，所以选取模拟结果的人口、债务规模、GDP、财政收入4个变量进行检验，如表5所示。检验结果表明，仿真值与实际值之间虽然存在误差，但仿真值与实际值的变化趋势一致，且两者的绝对值误差不超过10％，因此可以证明，该模型系统适合进行地方政府债务风险系统的未来趋势分析和其影响因素的敏感性分析。
表5北京市误差检验结果
输入变量函数及数据后，对北京市地方政府债务风险能量进行仿真模拟，即可得到该地方政府债务风险能量值图、风险能量值及预计变化趋势，参照图5，分时间段来看，在2006-2010年，北京市的政府债务风险能量较高；在2011-2015年，北京市债务风险有下降趋势；在2016-2018年，此为风险预测年份，北京市政府债务风险能量整体走势比较稳定，有先下降后上升趋势，此预测结果与我国近三年经济发展态势相吻合。
(5)地方政府债务风险影响因素敏感性分析。
根据《中国统计年鉴》以及各地区的统计年鉴数据，各地区的固定资产投资、税收收入和土地收入等经济因素每年均持续增长。但随着我国供给侧结构性改革加快推进，近几年固定资产投资增速大幅回落，土地市场需求相对不足，全国土地收支规模出现“双降”现象，各地方政府经济增速放缓。因此本发明可进一步对模型中各经济因素变化趋势进行敏感性分析。对全社会固定资产、人口增长率、财政收入、税收收入等经济影响因素进行上浮或下浮调整，通过对比仿真模拟找出地方政府债务比较敏感的影响因素，参照图6，其中分别是对北京市固定资产减少10％，北京人口增加0.3％，北京土地收入减少10％，北京税收收入减少10％，北京财政支出增加10％。可得出以下结论：北京市税收收入与地方政府债务风险之间呈显著的反向关系；地方财政支出与地方政府债务风险之间呈显著同向关系；全社会固定资产投资和人口与地方政府债务风险之间呈反向关系；土地收入与地方政府债务风险之间呈同向关系。
第四步，地方政府债务风险度量及预测结果。
根据系统仿真模拟地方政府债务风险能量及其变动情况，得出地方政府债务风险敏感的影响因素及其风险变化预测趋势。结论如下：由仿真模拟可知，北京市政府债务风险能量围绕0.7范围波动，在2009年达到最高峰0.85，从2016年开始趋于平缓，总体债务水平较高，但在可控范围之内。从债务风险的影响因素来说，税收收入和财政支出是最敏感因素，全社会固定资产投资、人口和土地收入是较敏感因素，利率、年借入金额等其他因素敏感性较低。进一步分析其变化原因并可据此提出加快财税体制改革、完善人口流动制度等优化北京市地方政府债务风险管控的措施建议。
Claims (8)
1.地方政府债务风险动态评估及预测方法，其特征在于，所述风险评估及预测包括以下步骤：
(1)分析地方政府债务风险系统结构及因果关系；其中系统结构包括社会经济子系统、地方政府债务规模子系统、地方政府债务风险度量子系统；
其中的地方政府债务风险度量子系统的操作包括以下步骤：
①选取地方政府债务风险评价指标；
②确定地方政府债务风险评价指标阈值；
③确定地方政府债务风险评价指标权重；
④风险能量计算；
(2)结合步骤(1)运用Vensim PLE软件构建地方政府债务风险系统；
①构建系统存量流量图；
②定义主要变量函数；
(3)根据步骤(2)构建的地方政府债务风险系统对地方政府债务风险能量进行仿真模拟；
①选取待评估地方政府；
②收集和处理相关评价指标所涉及数据；
③进行参数估计以及变量方程设计；
④模型检验及仿真模拟；
⑤地方政府债务风险影响因素敏感性分析；
(4)地方政府债务风险度量及预测结果。
2.根据权利要求1所述的地方政府债务风险动态评估及预测方法，其特征在于，步骤(1)所述的地方政府债务风险系统结构中包括社会经济、债务规模、债务风险度量三个子系统，各子系统间相互关联、子系统内各要素彼此作用，构成不断循环的反馈结构。
3.根据权利要求1所述的地方政府债务风险动态评估及预测方法，其特征在于，步骤(1)所述的选取地方政府债务风险评价指标的方法是，地方政府债务风险评价指标是结合国际通用预警指标和我国经济增长的新常态，统筹地方政府债务规模与债务结构特点，选取了包含债务状况、债务使用、债务偿还和经济实力四个方面共11个债务风险评价指标体系，并根据指标与风险变化方向的关系，将债务风险评价指标分为同向指标和反向指标。
4.根据权利要求1所述的地方政府债务风险动态评估及预测方法，其特征在于，步骤(1)所述的确定地方政府债务风险评价指标阈值的方法是，地方政府债务风险评价指标阈值是综合考虑了我国政府财政体制和经济发展目标以及各个历史时期的经济变动和经济循环状况，充分参考国内外有关政府负债的研究文献且横向比较同类型省本级的相关指标，将地方政府债务风险评价指标阈值划分为:安全区、风险区和危机区。
5.根据权利要求1所述的地方政府债务风险动态评估及预测方法，其特征在于，步骤(1)所述的确定地方政府债务风险评价指标权重的方法是，地方政府债务风险评价指标采用了AHP法即层次分析法来确定各指标的权重，构造地方政府债务风险评价指标递阶层次结构，整理相关判断矩阵的数据，最终实现各风险评价指标权重的定量化。
6.根据权利要求1所述的地方政府债务风险动态评估及预测方法，其特征在于，步骤(2)所述的运用Vensim PLE软件构建地方政府债务风险系统的方法是，运用Vensim PLE软件构建地方政府债务风险系统模型，模拟各变量随时间变化的趋势；地方政府债务风险系统模型中包含2个状态变量，4个速率变量以及46个辅助变量，为使模型更加清晰，用影子变量表示模型中的原变量，并进一步确定各主要变量函数的关系。
7.根据权利要求1所述的地方政府债务风险动态评估及预测方法，其特征在于，步骤(3)所述的收集和处理相关评价指标所涉及数据是指，通过MATLAB软件编程，采用灰色时间序列预测模型GM(1，1)对相关评价指标所涉及的原始数据进行预测，随着时间的推移，灰色时间序列预测模型中原始数据对预测数据的作用越来越小，因此建议预测时间长度为3年。
8.根据权利要求1所述的地方政府债务风险动态评估及预测方法，其特征在于，步骤(3)所述的进行参数估计以及变量方程设计的具体步骤如下：
第1，地方政府债务风险系统模型初始参数设置：起始时间和终止时间分别为待测评的初始年份和结束年份；
第2，地方政府债务风险系统模型中人口初始值为各省市待评估预测年份年末常住人口数，政府债务规模初始值为各省市地方政府待评估起始年份的年末负债累计值；
第3，一个地区人口变动受社会、经济和人口自身各方面因素的影响，包括人口自然变动和人口迁移变动；综合考虑两种人口变动情况，地方政府债务风险系统模型采用待评估预测年份年末常住人口的环比增长率作为人口变动的辅助变量；
第4，各地方审计署公告均显示，银行贷款是地方政府举债最主要的渠道，市政债券和BT债务的资金成本均围绕同期银行贷款利率确定；因此地方政府债务风险系统模型中借款利率采用待评估年份的同期银行贷款利率，同一年内进行多次调整的银行贷款利率，取其均值；
第5，各省市地方政府的每年应偿还金额＝年初债务余额+当年新增负债额-年末债务余额；其中每年年初债务余额采用该市的负债合计上年年末同期累计值，年末债务余额采用该市的负债合计年末累计值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811372970.9A CN109543897A (zh) | 2018-11-19 | 2018-11-19 | 地方政府债务风险动态评估及预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811372970.9A CN109543897A (zh) | 2018-11-19 | 2018-11-19 | 地方政府债务风险动态评估及预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109543897A true CN109543897A (zh) | 2019-03-29 |
Family
ID=65847947
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811372970.9A Pending CN109543897A (zh) | 2018-11-19 | 2018-11-19 | 地方政府债务风险动态评估及预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109543897A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112561671A (zh) * | 2020-12-23 | 2021-03-26 | 无锡航吴科技有限公司 | 一种融资平台债务置换竞价系统 |
| CN113569323A (zh) * | 2021-08-03 | 2021-10-29 | 清华大学 | 实现规划情景模拟的国土空间规划系统动力学建模方法 |
| CN113609706A (zh) * | 2021-08-25 | 2021-11-05 | 东北大学秦皇岛分校 | 调控政策对旅游业影响的仿真系统动力学模型及其实现方法 |
| CN113837481A (zh) * | 2021-09-29 | 2021-12-24 | 深圳柏谷智能科技有限公司 | 一种基于区块链的金融大数据管理系统 |
| CN113989014A (zh) * | 2021-10-09 | 2022-01-28 | 北京大数元科技发展有限公司 | 一种地方政府债风险评估方法、装置及存储介质 |
| CN114612018A (zh) * | 2022-05-11 | 2022-06-10 | 中国南方电网有限责任公司 | 一种内控风险监测方法、系统和可读存储介质 |
| CN114926267A (zh) * | 2022-05-28 | 2022-08-19 | 平安银行股份有限公司 | 风险数据处理方法、相关设备及介质 |
| WO2022193703A1 (zh) * | 2021-03-18 | 2022-09-22 | 天津大学 | 一种区域大气污染调控方案的评估系统及其评估方法 |
-
2018
- 2018-11-19 CN CN201811372970.9A patent/CN109543897A/zh active Pending
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112561671A (zh) * | 2020-12-23 | 2021-03-26 | 无锡航吴科技有限公司 | 一种融资平台债务置换竞价系统 |
| WO2022193703A1 (zh) * | 2021-03-18 | 2022-09-22 | 天津大学 | 一种区域大气污染调控方案的评估系统及其评估方法 |
| CN113569323A (zh) * | 2021-08-03 | 2021-10-29 | 清华大学 | 实现规划情景模拟的国土空间规划系统动力学建模方法 |
| CN113609706A (zh) * | 2021-08-25 | 2021-11-05 | 东北大学秦皇岛分校 | 调控政策对旅游业影响的仿真系统动力学模型及其实现方法 |
| CN113837481A (zh) * | 2021-09-29 | 2021-12-24 | 深圳柏谷智能科技有限公司 | 一种基于区块链的金融大数据管理系统 |
| CN113837481B (zh) * | 2021-09-29 | 2024-02-20 | 深圳市合绎信息科技有限公司 | 一种基于区块链的金融大数据管理系统 |
| CN113989014A (zh) * | 2021-10-09 | 2022-01-28 | 北京大数元科技发展有限公司 | 一种地方政府债风险评估方法、装置及存储介质 |
| CN114612018A (zh) * | 2022-05-11 | 2022-06-10 | 中国南方电网有限责任公司 | 一种内控风险监测方法、系统和可读存储介质 |
| CN114926267A (zh) * | 2022-05-28 | 2022-08-19 | 平安银行股份有限公司 | 风险数据处理方法、相关设备及介质 |
| CN114926267B (zh) * | 2022-05-28 | 2024-03-26 | 平安银行股份有限公司 | 风险数据处理方法、相关设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109543897A (zh) | 地方政府债务风险动态评估及预测方法 | |
| Naghdi et al. | Multi-objective optimization for allocation of surface water and groundwater resources | |
| Mir et al. | Neural network-based interval forecasting of construction material prices | |
| Kang et al. | Water environmental carrying capacity assessment of an industrial park | |
| Wang et al. | Interval forecasting system for electricity load based on data pre-processing strategy and multi-objective optimization algorithm | |
| Enke et al. | A hybrid neuro-fuzzy model to forecast inflation | |
| CN103903452A (zh) | 交通流短时预测方法 | |
| CN105678481A (zh) | 一种基于随机森林模型的管线健康状态评估方法 | |
| Wang et al. | Supply-demand risk assessment and multi-scenario simulation of regional water-energy-food nexus: A case study of the Beijing-Tianjin-Hebei region | |
| CN112529327A (zh) | 一种用于构建商业地区建筑火灾风险预测等级模型的方法 | |
| Wang et al. | Integrated model framework for the evaluation and prediction of the water environmental carrying capacity in the Guangdong-Hong Kong-Macao Greater Bay Area | |
| Du et al. | Prediction of electricity consumption based on GM (1, Nr) model in Jiangsu province, China | |
| Jiang et al. | Comprehensive evaluation system for stability of multiple dams in a uranium tailings reservoir: based on the TOPSIS model and bow tie model | |
| Li et al. | Financial risk prediction for listed companies using IPSO-BP neural network | |
| Katranzhy et al. | Modelling the dynamics of the adequacy of bank’s regulatory capital | |
| CN107194536A (zh) | 一种项目投资的供电可靠性负效益评估方法及装置 | |
| Sun et al. | A new method for flood disaster resilience evaluation: A hidden markov model based on Bayesian belief network optimization | |
| Yan et al. | Evaluation of regional water resources carrying capacity in China based on variable weight model and grey-markov model: a case study of Anhui province | |
| CN112766814A (zh) | 一种信用风险压力测试模型的训练方法、装置及设备 | |
| CN116188198A (zh) | 供水管网运行状态诊断方法及计算机可读存储介质 | |
| Dong et al. | Anomaly identification of monitoring data and safety evaluation method of tailings dam | |
| CN105469157A (zh) | 路侧停车需求对停车费率敏感度的空间异质性分析方法 | |
| Shen et al. | An interval analysis scheme based on empirical error and MCMC to quantify uncertainty of wind speed | |
| CN109190830B (zh) | 基于经验分解和组合预测的能源需求预测方法 | |
| Malano et al. | Asset management modelling framework for irrigation and drainage systems: Principles and case study application |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190329 |