中國地方政府債務風險指數研究

袁海霞 王新策[1]

要點

·隨著2014年《預算法》、國發43號文等相關地方債務風險防范政策的出臺和地方債務管理機制的不斷完善，我國地方政府顯性債務風險有所緩和，但隱性債務劇增以及部分地區負債水平過高帶來的結構性風險和區域性風險仍需關注。在這種背景下，有必要構建債務風險指數對全國省級地方政府債務風險情況和風險變化趨勢進行監測，以起到風險預警的作用。本文通過學習和研究各種風險評價方法，綜合它們的優缺點和可行性，選擇AHP方法來構造我國地方政府債務風險指數模型。

·首先，本文對AHP方法的理論進行了梳理和優化，解決了多指標間信息重疊的問題。然后，對2016年我國省級地方政府和重慶市區縣的地方政府債務風險指數進行估算。省級層面，寧夏、青海、貴州等省份債務風險較高，廣東、浙江、上海等省份風險較低。重慶市區縣層面，城口、巫山、武隆、巫溪等區縣債務風險較高，渝北區、兩江新區、九龍坡區等區縣債務風險較低。具體來看，地區的債務風險與財政實力有強相關性，負債率和債務率對經濟較差地區的債務風險有負面放大效應，債務余額如果不能匹配其經濟財政實力，則會加劇其債務風險。從結果和分析來看，該模型能夠客觀地反映各級地方政府的債務風險情況，并能合理地解釋不同地區之間債務風險差異的原因。最后，本文量化并驗證了由于隱性債務劇增導致整體風險顯著增加和局部區域風險分化加劇的情況。

引言

1994年分稅制改革后，中央收回了部分財權，但地方政府承擔著大量經濟建設等事權，財權與事權不匹配加劇了地方財政收支矛盾。另一方面，受到《預算法》的約束，地方政府無法通過自主發債進行融資。在此背景下，“融資平臺”應運而生。地方政府成立各類城市投資公司作為融資平臺，以此代替地方政府進行直接或間接融資，以彌補資金缺口。與此同時，以GDP為主導的績效考核機制與政府競爭模式，促使地方政府發展重規模輕質量的投資模式，粗放型的財政支出行為導致了地方融資平臺的快速生長。2008年金融危機后，在“四萬億”政策的推動下，截至2010年底，債務余額達到4.97萬億元，債務風險初步顯現。2011年后，地方融資平臺依托影子銀行，債務規模進一步擴張。截至2013年6月底，債務余額達到6.79萬億元，急劇攀升的地方政府債務也為金融體系帶來了潛在隱患。2014年，政府通過頒布新《預算法》與43號文（《國務院關于加強地方政府債務管理的意見》），對地方債務進行規范化的監督和管理。

自我國經濟進入新常態以來，經濟增速穩中趨緩，以“防風險”為基礎的“促改革”持續推進。中央經濟工作會議提出將防范化解重大風險列為2018年三大攻堅戰之首，4月2日中央財經委員會第一次會議首次提出“結構性去杠桿”，為“打好防范化解重大風險攻堅戰”劃定基本思路。2018年一季度以來，財政部及相關部門圍繞防范地方債務風險密集出臺多項政策，一方面延續了《預算法》與43號文的“開前門，堵后門”的監管框架，另一方面做好進一步縱深細化工作，對各類違法違規舉債行為“圍追堵截”，明確未來地方債務管理及改革思路，也體現了中央對地方債務問題的重視和監管決心。隨著相關防范政策密集出臺和管理機制不斷完善，地方政府顯性債務增幅有所緩和。據中誠信測算，2017年我國地方政府顯性債務規模約為16.47萬億元[2]，風險總體可控，債務率為80.5%，低于國際通行警戒標準，負債率為36.7%，低于歐盟60%的警戒線；但隱性債務持續惡化，地方政府通過PPP項目、政府購買服務、資管計劃、明股實債等方式變相舉債造成的隱性債務風險問題尤其突出。2016年我國地方政府整體隱性債務規模在26.5萬億～35.9萬億元之間，約為顯性債務的1.6～2.2倍，考慮隱性債務的負債率直接上升至68%～80%，高于歐盟60%警戒線。其中，區域性債務風險分化嚴重，負債率超過60%警戒線的省自治區依次為貴州、北京、青海、天津等；債務率方面，除海南、西藏以外，其余29個省、自治區、直轄市均超過100%警戒線，其中，天津、江蘇、北京、貴州、寧夏、湖北、遼寧負債率達到200%以上，天津更是高達312%。根據上述測算，我國地方政府債務風險總體可控，但隱性債務劇增以及部分地區負債水平過高帶來的結構性風險和區域性風險仍需關注。因此，構造地方政府債務區域風險指數十分必要，通過該指數準確監測全國各地區地方政府債務風險情況和風險變化趨勢，以便在危機初期及時采取防范措施控制債務風險的加劇和擴散。

一 方法綜述與研究

自20世紀80年代以來，隨著全球各國政府債務積累的日益嚴重，國外學者開始研究政府債務風險問題。早期研究主要以地方政府財政和債務的數據為基礎，構造系統的指標體系[3]，用于檢測債務風險的變化趨勢。預警指標包括債務負擔率、償債率、逾期率、債務依存度、擔保債務比重等。在借鑒國外研究成果的基礎上，結合我國特有的政治體制、歷史背景，國內學者建立了符合我國國情的地方政府債務風險模型，包括基于新增債務的動態風險預警模型[4]，合成指數與層次分析法相結合的風險預警模型[5]等線性組合方法。最近幾年，隨著大數據、云計算和智能算法的普及，國內專家學者也開始通過數學統計模型和機器學習算法實現地方政府債務風險的測算和預警，并取得了豐富的成果；其中包括基于因子分析法的風險評估預警系統[6]、粗糙集理論與BP神經網絡相結合的風險預警系統[7]，基于改進后的模糊評價分析法[8]、灰色關聯法與BP神經網絡相結合的風險指數模型[9]，基于KMV模型的風險預警指數[10]等。

地方政府債務風險指數模型的構造思路是結合地方政府的宏觀經濟、財政實力和債務水平等情況給出地方政府債務一個定量的風險綜合評價值，模型的核心是評價方法。綜合上述已有研究成果和一些經典的評價方法，根據各評價方法所依據的理論，將它們分為五大類。

（一）指標評價方法

指標評價法，是出現較早的一種評價方法，它根據專家分析和歷史經驗選擇與風險最相關的單指標（或多指標的簡單線性組合）來評價風險。

（二）數學模型評價方法

層次分析法（Analytic Hierarchy Process，AHP），是由T.L.Saaty[11]提出的，一種定性與定量分析相結合的多層次結構模型。它是一種系統性的分析評價方法，通過分解、判斷和綜合的思維過程處理決策問題，既包含了主觀的邏輯判斷和分析（定性），又依靠客觀的精確計算和推演（定量）。

模糊綜合評判法（Fuzzy Comprehensive Evaluation，FCE），是由L. A. Zadeh[12]提出的，它以模糊數學為基礎，應用模糊關系合成的原理，將一些邊界不清、不易定量的因素定量化為一種綜合評價方法。

數據包絡分析法（Data Envelopment Analysis，DEA），是由A.Charnes和W.W.Cooper[13]等人提出，是以“相對效率”概念為基礎，根據多項投入指標和多項產出指標，利用線性規劃的方法，對具有可比性的同類型單位進行相對有效性評價的一種數量分析方法。

（三）基于統計的評價方法

TOPSIS法（Technique for Order Preference by Similarity to an Ideal Solution），是由C.L.Hwang和K.Yoon[14]年提出，根據有限個評價對象與理想化目標的接近程度進行排序的方法，是在現有的對象中進行相對優劣的評價。

主成分分析法（Principal Components Analysis，PCA），是由Karl Pearson[15]提出，利用降維的思想，把多指標轉化為少數幾個綜合指標（即主成分），其中每個主成分都能夠反映原始變量的大部分信息，且所含信息互不重復，用來解決數據多重共線性問題。

（四）機器學習等新型評價方法

人工神經網絡（Artificial Neural Network，ANN），是模擬生物神經網絡進行信息處理的一種數學模型，通過模擬大腦的學習機制實現對數據的預測或分類。所謂“學習”就是神經網絡系統受到外界刺激下調節自身系統以適應新環境的一個過程。從數學模型而言，就是通過不斷的訓練樣本（學習），調節模型參數使系統輸出更接近樣本輸出（誤差更?。┑倪^程。

暴力灰色綜合評價法（Grey Comprehensive Evaluation，GCE），是由鄧聚龍[16]提出，一種以灰色關聯分析理論為指導，基于專家評判的綜合性評價方法。

（五）組合評價方法

組合評價方法是將上述幾種方法組合使用的情況。每種方法都有自身的優點和缺點，其適用場合也并不完全相同，通過將具有同種性質的綜合評價方法組合在一起，就能夠使各種方法的缺點得到彌補，同時又具有各方法的優點。

二 模型方法選擇

我們將通過比較上述綜合評價方法的主要優點、主要缺點和可行性前提，來選擇合適的方法建立地方政府債務風險指數模型（見表1）。首先，地方政府債務風險指數是綜合了地方政府經濟、財政和債務等多維度指標的一個綜合性評價值，簡單的指標評價法無法實現這樣的效果。其次，地方政府債務風險指數除了用來量化債務的風險程度，還能從中挖掘風險成因，從而指導對債務風險的控制。PCA法對原數據進行降維，降維后的主成分指標是沒有可解釋意義的，該方法不能用于對債務風險成因的解釋。此外，當前比較流行的人工神經網絡等機器學習算法，其優秀的精確度是建立在大量的歷史數據和反復迭代訓練基礎上的。而本次風險指數的估算并不屬于第二次迭代過程，所以不適用。另外，DEA法無法解決數值為負的問題，而GDP增速等指標可能為負，因此該方法也無法適用。同時，組合方法是建立在多種評價方法的基礎上，應該在多種評價模型完成后再考慮。最后，剩下的AHP、FCE、TOPSIS和GCE四種評價方法中，FCE、TOPSIS和GCE的可行性前提是事先給出權重，而AHP通過元素間相互比較和定性轉定量的方式給出權重，很好地解決了這一問題。換句話說，AHP是另外三種評價方法的基礎，也是組合方法的基礎。因此，應該優先考慮AHP來構造地方政府債務風險指數模型。

表1 綜合評價方法比較

另外，由于AHP在處理各種復雜決策問題方面的實用性和有效性，在各個領域都受到了重視。它的應用遍及經濟計劃和管理、能源政策和分配、行為科學、軍事指揮、運輸、農業、教育、人才、醫療和環境等領域。該方法的學術研究也涉及核反應堆的選擇[17]、如何減少全球變暖的沖擊[18]、大學專業選擇[19]、檢驗軟件系統的質量[20]、海外制造工廠地點的選擇[21]和評估跨國石油管道經營風險[22]等研究課題?？偨Y上述AHP法適用的各類決策問題類型，地方政府債務風險指數所屬的類型是相對排名問題（見表2）。AHP方法在該領域已經有許多成熟的應用，類似問題包括大學專業選擇、高校排名等。因此，AHP方法構造地方政府債務風險指數模型具備適用性和可行性。

表2 AHP適用的決策問題類型

三 AHP方法基本原理與優化

AHP方法是一種定性和定量相結合的、系統化、層次化的分析方法。對于復雜的決策問題，AHP把總目標分為多個子目標，按總目標到各層子目標的邏輯順序將整個決策系統自上而下分解成一個樹狀結構，從而形成一個有序的遞階層次系統；通過指標間相對比較關系進行模糊定性量化，構造判斷矩陣，求得每一層各個指標對上一層目標的權重向量；最后對所有子目標問題進行匯總，采用加權和的方法逐階層歸并獲得總目標的最終權重向量，得到最底層每個指標對于最上層總目標的影響權重，并計算出總目標的最終評價結果。下面僅以三層結構模型為例解釋AHP方法的基本原理。

步驟一：建立層次結構模型

AHP方法處理系統的決策問題，首先要確定總目標和影響總目標的所有元素，再給出其結構模型。其層次結構如圖1所示，根據其性質可以分為三類：最高層（目標層），是決策問題的總目標，只包含一個元素O；中間層（準則層，可以包含多個準則層），是為了實現總目標而所涉及的各子目標，有子目標C₁，…，C_n；最底層（方案層），是實現各決策目標的方案，即影響元素。

圖1 三層遞階層次結構

步驟二：構造各層次的判斷矩陣

接下來需要確定每一層元素對于上一層作用關系元素的影響程度，即對于每個目標元素，其支配下層的元素應該分配多少權重，這里將通過判斷矩陣來計算具體權重。判斷矩陣通過該層所有元素之間兩兩相對重要程度比較來獲得，具體采用1～9標度方法（見表3）。

表3 AHP方法1～9相對標度

最高層與中間層的判斷矩陣，將元素C₁，…，C_n進行兩兩相對比較，根據表3相對標度得到判斷矩陣A。矩陣A對角線的元素為每個元素與自身相比較，結果為同樣重要，標度值為1。

步驟三：計算各層次權重向量

通過求出矩陣A的最大特征根λ_max以及其對應的特征向量W*，對其W*歸一化處理后就能獲得權重向量W=（w₁，w₂，…，w_n）T。比較普遍的近似解法有根法、和法和冪法。根法對判斷矩陣每行幾何平均數處理，歸一化后得到權重向量；和法先對判斷矩陣按列歸一化，再按行求和，最后進行歸一化得到權重向量；冪法是一種逐步迭代的方法，對任意一組初始向量用判斷矩陣進行重復映射，直到結果滿足一定的精確檢驗為止，最后構造出權重向量。三種方法相比較，冪法的迭代過程相對繁瑣，根法相對和法的計算步驟簡潔，因此我們選擇了根法。

根法計算步驟：

（1） 矩陣A每行元素連乘并開n次方，得到向量W*=（w*₁，w*₂，…，w*_n）T，其中；

（2）對W*進行歸一化處理，得到權重向量W=（w₁，w₂，…，w_n）T，其中；

（3）對A中每列元素求和，得到向量S=（s₁，s₂，…，s_n），其中；

（4）計算λ_max的值，。

步驟四：一致性檢驗與調整

所謂一致性是指判斷思維的邏輯一致性，如甲比丙重要得多，乙比丙稍微重要，則甲一定比乙重要。而對元素進行兩兩比較是一個主觀過程，很容易產生邏輯一致性的矛盾，因此需要一致性檢驗。矩陣一致性的數學定義是：

a_ija_jk=a_ik，?i，j，k=1，2，…，n

通過引入兩個指標來檢驗判斷矩陣的一致性程度，這兩個指標分別是一致性指標CI（Consistency Index）和一致性比率CR（Consistency Ratio）：

這里的平均隨機一致性RI（Random Index）是多次重復進行隨機判斷矩陣特征值的計算后取算術平均數得到的。在一致性檢驗中，CI越大矩陣A的不一致程度越嚴重，CI=0矩陣A完全一致。CR是用來檢驗可靠性的一致性檢驗指標，當CR＜0.1，認為判斷矩陣一致性可以接受；否則需要調整判斷矩陣中的值直到通過一致性檢驗為止。

步驟五：加權匯總結果

對第一層與第二層的權重W=（w₁，w₂，…，w_n）T和第二層所有子目標C_i與其支配的第三層元素的權重為V_i=（v_i1，v_i2，…，v_{i？？？m}）T，i=1，2，…，n 進行線性加總，得到最終總目標O的評價估值：

底層元素（P₁，P₂，…，P_m）T對于總目標O所分配的最終權重為（u₁，u₂，…，u_m）T，這里（P₁，P₂，…，P_m）T的值是經過歸一化處理后的值。

優化步驟：消除多重共線性

事實上，無論是AHP還是FCE、TOPSIS和GCE，都無法解決變量多重共線性問題。雖然PCA能很好地解決這一問題，但其降維后的主成分指標不能給具有實際意義的解釋（主成分空有信息而無實際含義），這樣就無法從風險指數中挖掘其債務風險的成因。為了解決AHP法多重共線性問題，我們先采用皮爾遜相關系數來測算數據指標間的相關系數矩陣，再根據結果和一定篩除原則對其中高線性相關指標進行剔除。

對于兩個連續變量（x₁，x₂，…，x_n）和（y₁，y₂，…，y_n）其Pearson相關系數計算公式為：

相關系數r的取值范圍表示存在不同程度線性關系：

具體的優化過程，首先計算所有底層元素（P₁，P₂，…，P_m）T相關系數矩陣r_ij（i，j=1，2，…，m）。對計算結果中高度線性相關的指標集｛0.8＜r_ij＜1｝進行分析和篩選，以消除指標間信息重疊問題。篩除原則：（1）優先考慮支配更多高度線性相關指標的子目標C_x，刪除該子目標C_x支配下高度線性相關指標中與其他指標系數相對值高的指標（例如高度線性相關指標i，j屬于C_s，k屬于C_t，則先刪除C_s中的指標）。（2）對于不同子目標下的高度線性相關指標，綜合數值和分屬子目標的實際意義進行刪減。

優化版AHP方法的步驟流程：

圖2 優化版AHP邏輯流程

四 中國地方政府債務風險指數實證分析

按照圖2優化版AHP邏輯流程的思路，構建地方政府債務風險指數模型。

（一）樣本指標提取與篩選（消除指標多重共線性）

本次模型提取的樣本指標：GDP、GDP增長率、人均GDP、稅收收入占比、財政自給率、綜合財力、財政收入、政府債務余額、債務率和負債率。

為了對指標進行多重共性的測算和篩除，下面給出四組[包括省級地方債務（不含隱性）指標、省級地方債務（含隱性）指標、重慶區縣地方債務（不含隱性）指標和重慶區縣地方債務（含隱性）指標]相關系數矩陣的結果。

圖3 省級地方債務（不含隱性）指標相關系數矩陣

圖3與圖4中的GDP、財政收入和綜合財力之間的相關系數都超過0.9；圖5中的GDP、綜合財力、一般公共預算收入和顯性債務之間的相關系數都超過0.8，其中GDP與一般公共預算收入的相關系數甚至超過0.9；圖6中的GDP、綜合財力、一般公共預算收入之間的相關系數超過0.8，其中GDP與一般公共預算收入的相關系數甚至超過0.9。顯然，在這幾個高度顯性相關指標中，GDP與其余幾個指標的相關系數最高，可以剔除。

圖4 省級地方債務（含隱性）指標相關系數矩陣

圖5 重慶區縣地方債務（不含隱性）指標相關系數矩陣

圖6 重慶區縣地方債務（含隱性）指標相關系數矩陣

（二）建立層次結構

下面構造省級地方政府債務（不含隱性）風險指數模型。對指標進行分類，可以得到宏觀經濟、財政實力和債務水平三類指標，從而得到如下遞階層次結構：

圖7 省級地方政府債務（不含隱性）層次結構

（三）判斷矩陣與權重計算

根據中誠信國際研究院團隊的分析，完成了對圖7中所有判斷矩陣的估算。再運用Python和R對上述判斷矩陣進行近似解法（根法）求得權重向量并通過一致性檢驗，結果如表4所示。

表4 權重向量與一致性檢驗結果

（四）加權匯總

根據表4結果匯總得到風險指數公式：

Z=0.053×X₁+0.053×X₂+0.048×X₃+0.166×X₄+0.327×X₅+0.096×X₆ -0.028×X₇-0.164×X₈-0.067×X₉

其中，Z是風險指數，（X₁，X₂，…，X₉）分別是GDP增長率等9個指標歸一化的指標值。由于宏觀經濟和財政實力對債務風險指標起正面作用，而債務水平指標對債務風險起負面影響，因此，宏觀經濟和財政實力前面符號為正，債務水平為負。

風險指數Z取值范圍為[-0.258，0.742]，區間的左端點表示風險最大邊界，其含義是，沒有任何經濟和財政收入能力但債務水平最高；區間的右端點表示風險最小值的邊界，其含義是，經濟和財政情況最好而且沒有任何債務。為了實現風險指數越大債務風險越大的實際含義，通過映射函數Z'=-Z+0.742得到最終風險指數公式：

Z'=-0.053×X₁-0.053×X₂-0.048×X₃-0.166×X₄-0.327×X₅-0.096×X₆+0.028×X₇+0.164×X₈+0.067×X₉+0.742

（五）實例結果與分析

2016年我國省級地方政府債務風險指數的估算結果如下：

表5 2016年我國省級地方政府債務（不含隱性）風險指數

表6 2016年我國省級地方政府債務（含隱性）風險指數

從表5和表6的結果來看，債務風險指數高低的整體分布和地區的財政實力有關。風險指數最低的前幾個省份是財政實力最發達的廣東、浙江、江蘇、上海、山東和北京，而風險指數最高的是中西部財政實力較弱的省份。整體而言，依次從長三角、珠三角等東部沿海省份到中西部、東北三省，債務風險指數逐步上升。具體來看，綜合財力的正面影響效應最大，財政收入和人均GDP次之。我國各省份的GDP增長率、稅收收入占比和財政自給率的數值差異性較小，這些指標對最終指數結果影響不大。此外，債務規模對經濟較差的省份負面影響較大。例如，負債率最高的貴州、青海、云南、遼寧和寧夏剛好也是風險指數最高的幾個省份。債務率對經濟較差的省份也有負面放大效應。債務余額方面，該指標與地區的經濟發展程度高度正相關，即經濟發展程度和負債規模是成正比的。但貴州和遼寧有著與它們經濟能力不匹配的債務余額，導致它們處于重度債務風險區間。

比較不含隱性債務與含隱性債務的指數結果，其中變化最大的依次是北京、天津、江蘇、湖北和重慶。具體來看，債務率（隱性）和負債率（隱性）最高的省份同為北京、天津和江蘇，它們的隱性債務是顯性債務的3倍以上，遠遠高于其他省份。隱性債務劇增導致天津跌入風險重災區，而北京和江蘇的風險指數因此有明顯變化，分別增長了58%和94%。湖北和重慶的情況也不容樂觀，隱性債務比顯性債務增加了2倍左右，排名也明顯下降。

圖8 2016年全國省級地方政府債務風險指數分布

最后，整體比較不含隱性債務和含隱性債務風險指數分布結果，計算兩個結果風險指數的平均值和方差，前者的為0.45和0.31，后者的為0.51和0.24，隱性債務使各省份整體平均風險指數明顯增加，同時各省的風險差異性變小。從圖8可觀察到增加隱性債務后的風險指數分布明顯后移，并有向中間聚集的趨勢，表明整體的風險明顯上升，同時風險分布向中間集中。

2016年重慶市區縣地方政府債務風險指數估算如下。

表7 2016年重慶市區縣地方政府債務（不含隱性）風險指數

表8 2016年重慶市區縣地方政府債務（含隱性）風險指數

從表7和表8來分析2016年重慶市區縣地方政府債務風險指數，其結果和省級地方政府風險指數結果一致，綜合財力、人均GDP和財政收入幾乎決定了該風險指數的整體分布。GDP增長率、稅收收入占比和財政自給率因為數值差異較小對結果影響不大。此外，負債率和債務率對經濟較差地區的負面效應有放大效果。地區的債務余額如果和經濟實力不匹配則會加大其債務風險。

隱性債務方面，增加隱性債務后所有區縣的債務率幾乎翻了一番。其中最嚴重的是沙坪壩區，債務率由0.6直接增長到6.1，其風險指數排名從第六位直接降到中游位置，類似情況的還包括合川區和重慶經濟技術開發區。

圖9 2016年重慶區縣地方政府債務風險指數分布

最后，整體比較不含隱性債務和含隱性債務風險指數分布結果，從圖9可觀察到增加隱性債務后重慶市各區縣的整體風險明顯上升了，風險指數的平均值從0.49增至0.53。

五 結論

本文通過學習研究各種綜合評價方法，比較并評估它們之間的優缺點、可行性前提和適用性場景，最后選擇AHP方法來構造我國地方政府債務風險指數模型。通過梳理AHP方法的理論，結合風險指數的實際應用情況，對該方法進行了一定的優化。最后在此基礎上，對2016年我國省級地方政府和重慶區縣的地方政府債務風險指數進行估算。結論如下：

（1）地區的財政實力幾乎決定其風險指數的分布位置。具體而言，綜合財力對最終結果具有最強正相關性，財政收入和人均GDP次之，GDP增長率、財政自給率和稅收收入占比因數值的區分度不高對最終結果影響甚微。債務規模指標方面，負債率和債務率對經濟較差地區的負面效應有放大效果。這和指標的構造有關，負債率和債務率的分母是GDP和綜合財力，而經濟較差地區的GDP和綜合財力一般較差，導致這兩個指標值較大。債務余額一般與地區的經濟有一定相關性，如果地區的債務余額不能與其經濟發展相匹配，則會加大該地區的債務風險。

（2）無論是省級地方政府債務還是重慶區縣地方政府債務，隱性債務導致風險加劇的問題十分明顯。加上隱性債務后，各地方政府整體的債務風險指數明顯增加。省級地方政府債務風險指數的平均值從0.45增至0.51，重慶方面的平均值則從0.49增至0.53。局部情況則分化更加顯著，省級地方政府方面，情況最嚴重是北京、天津和江蘇，其隱性債務是顯性債務的3倍以上，直接導致它們的風險指數增長了50%～90%，排名顯著下滑。情況次之的湖北和重慶排名也明顯下降。重慶區縣方面，情況最嚴重的是沙坪壩區，債務率增長了10倍，風險指數增長65%，排名從第六跌至中游。類似的還有合川區和重慶經濟技術開發區。

（3）基于AHP方法的地方政府債務風險指數結果能夠很好地反映我國省級和市（區、縣）級地方政府債務風險情況，具有很好的參考價值。同時，通過該風險指數排名次序，我們能夠從數據指標層面對風險成因進行進一步的深度挖掘分析，具有一定的研究價值。另外，優化方案把GDP指標剔除了，該指標反映的是地區的綜合經濟發展程度。在實例分析中發現，該指標與綜合財力、財政收入和債務余額有一定的信息重疊，可以互相解釋。因此，優化方案具有良好的實用價值。最后，該方法也為以后通過FCE、DEA和TOPSIS等綜合評價方法構建地方債務風險指數模型提供了可行性前提。

---

[1]袁海霞，中誠信國際首席宏觀分析師、研究院宏觀金融研究部總經理；王新策，研究院宏觀金融研究部博士后研究員。

[2]根據全國各省份財政決算報告及中誠信國際測算。

[3]Ma J.，Monitoring Fiscal Risks of Subnational Governments：Selected Country Experiences，Oxford：Oxford University Press，2003；Charle S.，“Measuring and Forecasting Debt Capacity State of Oregon Experience，” Government Finance Review，2008（12）：44-74.

[4]劉尚希、趙全厚：《政府債務：風險狀況的初步分析》，《管理世界》2002年第5期。

[5]裴育、歐陽華生：《我國地方政府債務風險預警理論分析》，《中國軟科學》2007年第3期，第110～114頁。

[6]朱文蔚、陳勇：《我國地方政府債務風險評估及預警研究》，《亞太經濟》2015年第1期，第31～36頁。

[7]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神經網絡集成的研究》，《山西財經大學學報》2012年第3期。

[8]李龍：《我國地方政府債務風險預警與化解》，南開大學，博士論文，2012。

[9]謝征、陳光焱：《我國地方政府債務風險指數預警模型之構建》，《天津財經大學學報》2012年第7期。

[10]李臘生、耿曉媛、鄭杰：《我國地方政府債務風險評價》，《統計研究》2013年第10期。

[11]T. L. Saaty，The Analytical Hierarchy Process，McGraw-Hill，1980.

[12]L.A.Zadeh，Fuzzy Sets. Information and Control，1965，8：338-353.

[13]A.Charnes，W. W. Cooper and E. Rhodes，“Measuring the Efficiency of Decision-Making Units，”European Journal of Operational Research，1978，2：429-444.

[14]C. L. Hwang and K. Yoon，Multiple Attributes Decision Making Methods and Applications，Springer，Berlin，1981.

[15]K.Pearson，“On Lines and Planes of Closest Fit to Systems of Points in Space，” Philosophical Magazine，1901，2 （11）：559-572.

[16]J.L.Deng，“Control Problems of Grey Systems，” System ＆ Control Lett.，1982，1：288-294.

[17]Dey Prasanta Kumar，“Analytic Hierarchy Process Analyzes Risk of Operating Cross-Country Petroleum Pipelines in India，” Natural Hazards Review，2007，4 （4）：213-221.

[18]M.Berrittella，A. Certa，M. Enea，P. Zito，“An Analytic Hierarchy Process for the Evaluation of Transport Policies to Reduce Climate Change Impacts，” Fondazione Eni Enrico Mattei （Milano），2007.

[19]McCaffrey James，“Test Run：The Analytic Hierarchy Process，” MSDN Magazine，2007.

[20]Grandzol John R.，“Improving the Faculty Selection Process in Higher Education：A Case for the Analytic Hierarchy Process，” IR Applications，6，2007.

[21]Atthirawong Walailak，Bart McCarthy，“An Application of the Analytical Hierarchy Process to International Location Decision-Making，” in Gregory，Mike，Proceedings of the 7th Annual Cambridge International Manufacturing Symposium：Restructuring Global Manufacturing，Cambridge，England：University of Cambridge，pp. 1-18.

[22]Locatelli Giorgio，Mancini Mauro，“A Framework for the Selection of the Right Nuclear Power Plant，” International Journal of Production Research，2012，50（17）：4753-4766.