中国PPP项目可融资性差吗?——基于集成LightGBM-Blending算法

可融资性是PPP可持续发展的前提和基础。针对PPP项目可融资性存在行业差异性高及评价类别型字段过多问题,为防止评估过程出现严重过拟合现象和因二次加工产生的误差,提出集成LightGBM-Blending算法。基于社会资本视角构建可融资性评估体系,借鉴集成思想按行业划分训练集,构建以LightGBM算法为基础的多基分类器,避免对类别特征进行二次处理,并通过网络爬虫爬取CPPPC项目数据进行模型训练及测试,设计Blending算法进行模型融合与优化。实验结果表明:相较于传统集成算法,集成LightGBM-Blending算法评估精确度更高,可有效解决高行业差异性等问题;Blending融合策略比其他赋权融合策略评估精度提升了5.76%;引入低样本行业和高特质化行业样本进行验证,测试结果中百分比误差为低、中区间样本占比约为79.5%和78.26%,该模型可有效应用于不同行业PPP可融资性评估,具有良好的泛化能力。

一种非平衡样本集的PPP可落地性评价算法研究

“落地难”问题已经成为中国PPP模式可持续、健康发展过程中亟待解决的重大问题。通过深入剖析PPP“落地难”形成机理,从政府和项目两个维度分析PPP可落地性评价特征。针对传统分类器识别非平衡样本集的缺陷,通过人工合成数据,并引入集成学习算法,构建SMOTE-Bagging算法进行模型训练,解决PPP可落地性评价中样本数据非平衡性及高噪声异质性。研究结果表明,针对非平衡样本集,SMOTE-Bagging在准确率、召回率、G-均值、F值等方面表现最优,分别达到90.91%、88.89%、83.15%和0.898;SMOTE-Bagging算法有效识别少数类样本的能力突出,可有效解决PPP可落地性评价中的现实问题。

非平衡样本集下公私合作(PPP)可融资性评价——基于改进边界样本自适应算法

可融资性难问题持续制约PPP健康发展,社会资本往往从项目本身和地方政府两个维度评价项目的可融资性。通过综合比较主流样本合成算法在合成样本的精细度以及分类器算法对非平衡样本集少数类样本的识别能力,针对我国财政部政府和社会资本合作中心库中PPP案例样本数据存在非平衡性及高噪声异质性问题,提出Borderline-SMOTE Bagging算法,按照不同领域对其中4组项目进行可融资性评价。结果表明:基于数据挖掘算法对PPP可融资性进行评价具备可行性;Borderline-SMOTE Bagging算法具备良好的样本分类能力和优秀的泛化能力,能有效降低因合成样本形成的噪音所带来的负面影响,且具备良好的少数类样本识别能力。最后结合实证过程遇到的问题,对未来PPP数据化发展,提出政府部门应增强PPP项目数据收集能力并逐步实现数据开放共享,借助大数据技术提升PPP项目管理效率和精准度等建议。