基于机器学习的地方政府隐性债务风险先导预警模型

地方政府隐性债务已经成为系统性金融风险的潜在触发点,为了防范隐性债务风险,文章构建了地方政府隐性债务风险先导预警模型。使用修正的KMV模型测度隐性债务违约概率,依据违约概率设计预警模型输出指标,构建了包含17个指标的输入指标体系,使用多种机器学习方法对预警模型进行训练,选取最优方法构建先导预警模型。实证结果表明:使用随机森林方法可训练出最优的地方政府隐性债务风险先导预警模型,其准确率在91.94%~99.35%,具有较强的精确性和先导预警性。预警模型输入指标体系不仅可以预测隐性债务绝对风险等级,还可以预测隐性债务风险动态变化。进一步分析发现,地方政府隐性债务风险主要来源于隐性债务规模的快速扩张,而非地方政府偿债能力的弱化,其中以城投债、PPP项目以及地方国有企业的相关指标对隐性债务风险的预测能力最强。