Local Government Debt Risk Assessment and Situation Analysis —Based on 2013-2021 Data

doi:10.16716/j.cnki.65-1030/f.2023.04.005

Abstract

Abstract:

Based on the development context of the history, current situation and future trend of local government debt formation, a local government debt risk assessment system was constructed from the four dimensions of debt situation, economic strength, financial strength and financial situation. The entropy method is used to assess the debt risk of 31 provinces, cities and autonomous regions in country from 2013 to 2021, and the situation interval is divided by the principle of the three-time standard deviation. The results show that Guangdong, Shanghai and other provinces and cities are in low-risk areas, most provinces and cities are in medium-risk areas, while a few provinces and autonomous regions such as Tibet and Qinghai have extremely high debt risks, and the government debt risk scores of most provinces, cities, and autonomous regions have been increasing year by year. In this regard, we should be highly vigilant against local debt risks, formulate different debt risk prevention and resolution measures at different levels, increase the intensity of financial transfer payments to economically underdeveloped areas, and strictly control new debts.

Key words: local government debt, local government debt risk, risk assessment system, risk situation, entropy method

摘要：

文章基于地方政府债务形成的历史、现状及未来走向这一发展脉络，从举债状况、经济实力、财政实力、金融状况4个维度构建地方政府债务风险评价指标体系，采用熵值法对我国31个省份2013—2021年地方政府债务风险进行评价，并根据三倍标准差原理划分警情区间和风险等级。结果显示：广东、上海等省市地方政府债务风险等级多为低，河北、陕西等省份地方政府债务风险等级多为中，西藏、青海等省份地方政府债务风险等级多为高、极高，且多数省份的地方政府债务风险得分呈逐年升高态势。对此，应高度警惕局部债务风险，分级制定不同的债务风险防范化解措施，加大对经济落后地区的财政转移支付力度，严控新债务。

关键词: 地方政府债务, 地方政府债务风险, 风险评价体系, 风险警情, 熵值法

CLC Number:

F812.7

ZHU Wenwei, CHEN Leilan, DENG Zuoyong. Local Government Debt Risk Assessment and Situation Analysis —Based on 2013-2021 Data[J]. Finance & Economics of Xinjiang, 2023, 0(4): 48-57.

朱文蔚, 陈蕾兰, 邓作勇. 地方政府债务风险评价及警情分析——基于我国31个省份2013—2021年数据[J]. 新疆财经, 2023, 0(4): 48-57.

Figures/Tables 5

指标分类	指标名称	指标说明	风险相关性	指标代码
举债状况	负债率	债务余额/GDP	正向	X₁
	债务率	债务余额/政府综合财力	正向	X₂
	人均债务	债务余额/总人口	正向	X₃
	债务增长率	反映债务增长情况	正向	X₄
经济实力	GDP增长率	反映经济发展潜力	负向	X₅
	固定资产投资增长率	反映经济发展潜力	负向	X₆
	产业结构	第三产业产值/GDP	负向	X₇
	研发经费投入强度	研发经费/GDP	负向	X₈
财政实力	财政收入占GDP的比重	一般公共预算收入/GDP	负向	X₉
	财政支出占GDP的比重	一般公共预算支出/GDP	正向	X₁₀
	政府性基金收入占财政收入的比重	政府性基金收入/一般公共预算收入	负向	X₁₁
	税收收入占财政收入的比重	税收收入/一般公共预算收入	负向	X₁₂
	财政自给率	一般公共预算收入/一般公共预算支出	负向	X₁₃
	财政赤字率	财政赤字额/GDP	正向	X₁₄
金融状况	商业银行不良贷款率	反映金融风险	正向	X₁₅
	存贷比	金融机构贷款余额/金融机构存款余额	正向	X₁₆
	金融发展规模	金融机构贷款余额/GDP	负向	X₁₇
	政府债务余额比例	地方政府债务余额/金融机构贷款余额	正向	X₁₈

总目标	第一层指标及权重	第二层指标及权重	第二层指标在总目标中的权重
地方政府债务风险	举债状况（0.2585）	负债率（0.3027）	0.0783
		债务率（0.3807）	0.0984
		人均债务（0.2018）	0.0522
		债务增长率（0.1148）	0.0297
	经济实力（0.1547）	GDP增长率（0.2615）	0.0405
		固定资产投资增长率（0.5502）	0.0851
		产业结构（0.0917）	0.0142
		研发经费投入强度（0.0965）	0.0149
	财政实力（0.4369）	财政收入占GDP的比重（0.0456）	0.0199
		财政支出占GDP的比重（0.3409）	0.1489
		政府性基金收入占财政收入的比重（0.0801）	0.0350
		税收收入占财政收入的比重（0.0765）	0.0334
		财政自给率（0.0874）	0.0382
		财政赤字率（0.3695）	0.1615
	金融状况（0.1499）	商业银行不良贷款率（0.2704）	0.0405
		存贷比（0.1711）	0.0256
		金融发展规模（0.2493）	0.0464
		政府债务余额比例（0.3092）	0.0374

省份	2013年	2014年	2015年	2016年	2017年	2018年	2019年	2020年	2021年	9年平均	3年平均
北京	0.3150 （26）	0.2072 （30）	0.1967 （29）	0.1477 （31）	0.1692 （31）	0.1895 （29）	0.1746 （28）	0.1670 （29）	0.2067 （28）	0.1881 （29）	0.1970 （28）
天津	0.3155 （24）	0.2442 （24）	0.2364 （25）	0.2824 （21）	0.3292 （16）	0.3607 （13）	0.2989 （16）	0.3539 （14）	0.3786 （13）	0.3242 （15）	0.3519 （14）
河北	0.3406 （16）	0.2889 （18）	0.2792 （19）	0.2881 （19）	0.2929 （19）	0.3041 （16）	0.2726 （19）	0.3127 （16）	0.3515 （15）	0.3031 （18）	0.3204 （16）
山西	0.2985 （27）	0.3001 （16）	0.3105 （16）	0.3157 （16）	0.2872 （20）	0.2890 （19）	0.2473 （25）	0.2885 （23）	0.2894 （23）	0.2916 （20）	0.2618 （26）
内蒙古	0.4454 （4）	0.4176 （6）	0.5050 （2）	0.4444 （5）	0.5210 （2）	0.5393 （2）	0.4591 （6）	0.4907 （3）	0.4650 （6）	0.5119 （2）	0.4893 （4）
辽宁	0.3805 （8）	0.4191 （5）	0.4558 （5）	0.4728 （3）	0.4148 （8）	0.3937 （11）	0.3670 （11）	0.3485 （15）	0.3835 （11）	0.4534 （6）	0.3898 （12）
吉林	0.4038 （5）	0.3363 （11）	0.3418 （11）	0.3561 （10）	0.3958 （10）	0.4179 （10）	0.4843 （4）	0.3896 （11）	0.4194 （10）	0.3967 （11）	0.4528 （7）
黑龙江	0.3997 （6）	0.4003 （7）	0.3896 （8）	0.3659 （9）	0.3899 （11）	0.4378 （8）	0.4325 （8）	0.4606 （5）	0.4823 （3）	0.4287 （8）	0.4728 （6）
上海	0.3160 （23）	0.2441 （25）	0.1859 （31）	0.1716 （30）	0.1834 （30）	0.1798 （31）	0.1577 （31）	0.1532 （31）	0.1488 （31）	0.1759 （31）	0.1478 （31）
江苏	0.2956 （28）	0.2265 （28）	0.2305 （27）	0.2120 （28）	0.2239 （27）	0.2171 （27）	0.1976 （27）	0.2031 （27）	0.1985 （29）	0.2130 （27）	0.2030 （27）
浙江	0.2915 （29）	0.2419 （26）	0.2031 （28）	0.2319 （27）	0.2048 （28）	0.2011 （28）	0.1597 （30）	0.1668 （30）	0.1779 （30）	0.1957 （28）	0.1544 （30）
安徽	0.3288 （21）	0.2716 （20）	0.2862 （18）	0.2647 （25）	0.2683 （23）	0.2763 （23）	0.2594 （21）	0.2899 （22）	0.3036 （22）	0.2769 （22）	0.2769 （24）
福建	0.2795 （30）	0.2488 （23）	0.2666 （22）	0.2826 （20）	0.2726 （22）	0.2495 （26）	0.2490 （24）	0.2655 （26）	0.2748 （25）	0.2624 （26）	0.2691 （25）
江西	0.3481 （14）	0.3605 （9）	0.2693 （21）	0.3009 （18）	0.3016 （18）	0.2863 （21）	0.2575 （22）	0.3027 （18）	0.3229 （19）	0.3054 （17）	0.2797 （23）
山东	0.3154 （25）	0.2529 （22）	0.2346 （26）	0.2546 （26）	0.2634 （25）	0.2677 （24）	0.2880 （17）	0.2699 （25）	0.2812 （24）	0.2684 （23）	0.2957 （21）
河南	0.3322 （19）	0.2711 （21）	0.2749 （20）	0.2723 （23）	0.2677 （24）	0.2766 （22）	0.2509 （23）	0.2971 （20）	0.3364 （17）	0.2828 （21）	0.3063 （17）
湖北	0.3555 （13）	0.2400 （27）	0.2616 （23）	0.2738 （22）	0.2740 （21）	0.2565 （25）	0.2403 （26）	0.3763 （12）	0.2277 （26）	0.2665 （24）	0.3004 （19）
湖南	0.3442 （15）	0.3235 （13）	0.3152 （15）	0.3431 （14）	0.3468 （13）	0.3318 （15）	0.3001 （15）	0.3118 （17）	0.3303 （18）	0.3249 （14）	0.3056 （18）
广东	0.2691 （31）	0.2016 （31）	0.1946 （30）	0.1994 （29）	0.1882 （29）	0.1833 （30）	0.1602 （29）	0.1810 （28）	0.2175 （27）	0.1824 （30）	0.1810 （29）
广西	0.3397 （17）	0.3481 （10）	0.3339 （13）	0.3560 （11）	0.3609 （12）	0.3558 （14）	0.3420 （13）	0.3555 （13）	0.3680 （14）	0.3518 （13）	0.3540 （13）
海南	0.3391 （18）	0.3126 （15）	0.3174 （14）	0.3242 （15）	0.3442 （14）	0.4198 （9）	0.4410 （7）	0.4033 （9）	0.3798 （12）	0.3755 （12）	0.4140 （10）
重庆	0.3292 （20）	0.2167 （29）	0.2366 （24）	0.2659 （24）	0.2633 （26）	0.2919 （18）	0.2779 （18）	0.2868 （24）	0.3212 （20）	0.2633 （25）	0.2971 （20）
四川	0.3768 （9）	0.2974 （17）	0.3099 （17）	0.3133 （17）	0.3132 （17）	0.2873 （20）	0.2637 （20）	0.2962 （21）	0.3057 （21）	0.2959 （19）	0.2829 （22）
贵州	0.4550 （3）	0.5096 （1）	0.5008 （3）	0.4957 （2）	0.4832 （5）	0.4527 （7）	0.4624 （5）	0.4521 （6）	0.4689 （5）	0.4790 （4）	0.4753 （5）
云南	0.3613 （11）	0.4282 （4）	0.4142 （6）	0.4259 （7）	0.4253 （7）	0.3928 （12）	0.3662 （12）	0.3921 （10）	0.4450 （8）	0.4031 （10）	0.3988 （11）
西藏	0.4694 （2）	0.4709 （3）	0.4665 （4）	0.4538 （4）	0.4878 （4）	0.5049 （4）	0.5464 （2）	0.5446 （2）	0.6467 （2）	0.4948 （3）	0.6037 （2）
陕西	0.3251 （22）	0.3230 （14）	0.3406 （12）	0.3435 （13）	0.3303 （15）	0.3009 （17）	0.3046 （14）	0.2993 （19）	0.3370 （16）	0.3238 （16）	0.3328 （15）
甘肃	0.3811 （7）	0.2832 （19）	0.3424 （10）	0.3501 （12）	0.4903 （3）	0.4584 （6）	0.4242 （10）	0.4430 （7）	0.4730 （4）	0.4289 （7）	0.4426 （8）
青海	0.5340 （1）	0.5021 （2）	0.5335 （1）	0.5693 （1）	0.6149 （1）	0.6228 （1）	0.6465 （1）	0.7161 （1）	0.7121 （1）	0.6349 （1）	0.7354 （1）
宁夏	0.3611 （12）	0.3853 （8）	0.4071 （7）	0.4317 （6）	0.4564 （6）	0.5224 （3）	0.5177 （3）	0.4610 （4）	0.4634 （7）	0.4684 （5）	0.5043 （3）
新疆	0.3668 （10）	0.3272 （12）	0.3671 （9）	0.3891 （8）	0.3997 （9）	0.4900 （5）	0.4249 （9）	0.4406 （8）	0.4253 （9）	0.4101 （9）	0.4167 （9）

省份	2013年	2014年	2015年	2016年	2017年	2018年	2019年	2020年	2021年	9年平均	3年平均
北京	0.3150 （26）	0.2072 （30）	0.1967 （29）	0.1477 （31）	0.1692 （31）	0.1895 （29）	0.1746 （28）	0.1670 （29）	0.2067 （28）	0.1881 （29）	0.1970 （28）
天津	0.3155 （24）	0.2442 （24）	0.2364 （25）	0.2824 （21）	0.3292 （16）	0.3607 （13）	0.2989 （16）	0.3539 （14）	0.3786 （13）	0.3242 （15）	0.3519 （14）
河北	0.3406 （16）	0.2889 （18）	0.2792 （19）	0.2881 （19）	0.2929 （19）	0.3041 （16）	0.2726 （19）	0.3127 （16）	0.3515 （15）	0.3031 （18）	0.3204 （16）
山西	0.2985 （27）	0.3001 （16）	0.3105 （16）	0.3157 （16）	0.2872 （20）	0.2890 （19）	0.2473 （25）	0.2885 （23）	0.2894 （23）	0.2916 （20）	0.2618 （26）
内蒙古	0.4454 （4）	0.4176 （6）	0.5050 （2）	0.4444 （5）	0.5210 （2）	0.5393 （2）	0.4591 （6）	0.4907 （3）	0.4650 （6）	0.5119 （2）	0.4893 （4）
辽宁	0.3805 （8）	0.4191 （5）	0.4558 （5）	0.4728 （3）	0.4148 （8）	0.3937 （11）	0.3670 （11）	0.3485 （15）	0.3835 （11）	0.4534 （6）	0.3898 （12）
吉林	0.4038 （5）	0.3363 （11）	0.3418 （11）	0.3561 （10）	0.3958 （10）	0.4179 （10）	0.4843 （4）	0.3896 （11）	0.4194 （10）	0.3967 （11）	0.4528 （7）
黑龙江	0.3997 （6）	0.4003 （7）	0.3896 （8）	0.3659 （9）	0.3899 （11）	0.4378 （8）	0.4325 （8）	0.4606 （5）	0.4823 （3）	0.4287 （8）	0.4728 （6）
上海	0.3160 （23）	0.2441 （25）	0.1859 （31）	0.1716 （30）	0.1834 （30）	0.1798 （31）	0.1577 （31）	0.1532 （31）	0.1488 （31）	0.1759 （31）	0.1478 （31）
江苏	0.2956 （28）	0.2265 （28）	0.2305 （27）	0.2120 （28）	0.2239 （27）	0.2171 （27）	0.1976 （27）	0.2031 （27）	0.1985 （29）	0.2130 （27）	0.2030 （27）
浙江	0.2915 （29）	0.2419 （26）	0.2031 （28）	0.2319 （27）	0.2048 （28）	0.2011 （28）	0.1597 （30）	0.1668 （30）	0.1779 （30）	0.1957 （28）	0.1544 （30）
安徽	0.3288 （21）	0.2716 （20）	0.2862 （18）	0.2647 （25）	0.2683 （23）	0.2763 （23）	0.2594 （21）	0.2899 （22）	0.3036 （22）	0.2769 （22）	0.2769 （24）
福建	0.2795 （30）	0.2488 （23）	0.2666 （22）	0.2826 （20）	0.2726 （22）	0.2495 （26）	0.2490 （24）	0.2655 （26）	0.2748 （25）	0.2624 （26）	0.2691 （25）
江西	0.3481 （14）	0.3605 （9）	0.2693 （21）	0.3009 （18）	0.3016 （18）	0.2863 （21）	0.2575 （22）	0.3027 （18）	0.3229 （19）	0.3054 （17）	0.2797 （23）
山东	0.3154 （25）	0.2529 （22）	0.2346 （26）	0.2546 （26）	0.2634 （25）	0.2677 （24）	0.2880 （17）	0.2699 （25）	0.2812 （24）	0.2684 （23）	0.2957 （21）
河南	0.3322 （19）	0.2711 （21）	0.2749 （20）	0.2723 （23）	0.2677 （24）	0.2766 （22）	0.2509 （23）	0.2971 （20）	0.3364 （17）	0.2828 （21）	0.3063 （17）
湖北	0.3555 （13）	0.2400 （27）	0.2616 （23）	0.2738 （22）	0.2740 （21）	0.2565 （25）	0.2403 （26）	0.3763 （12）	0.2277 （26）	0.2665 （24）	0.3004 （19）
湖南	0.3442 （15）	0.3235 （13）	0.3152 （15）	0.3431 （14）	0.3468 （13）	0.3318 （15）	0.3001 （15）	0.3118 （17）	0.3303 （18）	0.3249 （14）	0.3056 （18）
广东	0.2691 （31）	0.2016 （31）	0.1946 （30）	0.1994 （29）	0.1882 （29）	0.1833 （30）	0.1602 （29）	0.1810 （28）	0.2175 （27）	0.1824 （30）	0.1810 （29）
广西	0.3397 （17）	0.3481 （10）	0.3339 （13）	0.3560 （11）	0.3609 （12）	0.3558 （14）	0.3420 （13）	0.3555 （13）	0.3680 （14）	0.3518 （13）	0.3540 （13）
海南	0.3391 （18）	0.3126 （15）	0.3174 （14）	0.3242 （15）	0.3442 （14）	0.4198 （9）	0.4410 （7）	0.4033 （9）	0.3798 （12）	0.3755 （12）	0.4140 （10）
重庆	0.3292 （20）	0.2167 （29）	0.2366 （24）	0.2659 （24）	0.2633 （26）	0.2919 （18）	0.2779 （18）	0.2868 （24）	0.3212 （20）	0.2633 （25）	0.2971 （20）
四川	0.3768 （9）	0.2974 （17）	0.3099 （17）	0.3133 （17）	0.3132 （17）	0.2873 （20）	0.2637 （20）	0.2962 （21）	0.3057 （21）	0.2959 （19）	0.2829 （22）
贵州	0.4550 （3）	0.5096 （1）	0.5008 （3）	0.4957 （2）	0.4832 （5）	0.4527 （7）	0.4624 （5）	0.4521 （6）	0.4689 （5）	0.4790 （4）	0.4753 （5）
云南	0.3613 （11）	0.4282 （4）	0.4142 （6）	0.4259 （7）	0.4253 （7）	0.3928 （12）	0.3662 （12）	0.3921 （10）	0.4450 （8）	0.4031 （10）	0.3988 （11）
西藏	0.4694 （2）	0.4709 （3）	0.4665 （4）	0.4538 （4）	0.4878 （4）	0.5049 （4）	0.5464 （2）	0.5446 （2）	0.6467 （2）	0.4948 （3）	0.6037 （2）
陕西	0.3251 （22）	0.3230 （14）	0.3406 （12）	0.3435 （13）	0.3303 （15）	0.3009 （17）	0.3046 （14）	0.2993 （19）	0.3370 （16）	0.3238 （16）	0.3328 （15）
甘肃	0.3811 （7）	0.2832 （19）	0.3424 （10）	0.3501 （12）	0.4903 （3）	0.4584 （6）	0.4242 （10）	0.4430 （7）	0.4730 （4）	0.4289 （7）	0.4426 （8）
青海	0.5340 （1）	0.5021 （2）	0.5335 （1）	0.5693 （1）	0.6149 （1）	0.6228 （1）	0.6465 （1）	0.7161 （1）	0.7121 （1）	0.6349 （1）	0.7354 （1）
宁夏	0.3611 （12）	0.3853 （8）	0.4071 （7）	0.4317 （6）	0.4564 （6）	0.5224 （3）	0.5177 （3）	0.4610 （4）	0.4634 （7）	0.4684 （5）	0.5043 （3）
新疆	0.3668 （10）	0.3272 （12）	0.3671 （9）	0.3891 （8）	0.3997 （9）	0.4900 （5）	0.4249 （9）	0.4406 （8）	0.4253 （9）	0.4101 （9）	0.4167 （9）

警情区间	风险等级
$[μ + 1.96 σ, + ∞)$	极高
$[0.5525, + ∞)$	极高
$[μ + 1.28 σ, μ + 1.96 σ)$	高
$[0.4789,0.5525)$	高
$[μ - 1.28 σ, μ + 1.28 σ)$	中
$[0.2019,0.4789)$	中
$[μ - 1.96 σ, μ - 1.28 σ)$	低
$[0.1283,0.2019)$	低
$[- ∞, μ - 1.96 σ)$	无
$[- ∞, 0.1283)$	无

警情区间	风险等级
$[μ + 1.96 σ, + ∞)$	极高
$[0.5525, + ∞)$	极高
$[μ + 1.28 σ, μ + 1.96 σ)$	高
$[0.4789,0.5525)$	高
$[μ - 1.28 σ, μ + 1.28 σ)$	中
$[0.2019,0.4789)$	中
$[μ - 1.96 σ, μ - 1.28 σ)$	低
$[0.1283,0.2019)$	低
$[- ∞, μ - 1.96 σ)$	无
$[- ∞, 0.1283)$	无

省份	2013年	2014年	2015年	2016年	2017年	2018年	2019年	2020年	2021年	9年平均	3年平均
北京	中	中	低	低	低	低	低	低	中	低	低
天津	中	中	中	中	中	中	中	中	中	中	中
河北	中	中	中	中	中	中	中	中	中	中	中
山西	中	中	中	中	中	中	中	中	中	中	中
内蒙古	中	中	高	中	高	高	中	高	中	高	高
辽宁	中	中	中	中	中	中	中	中	中	中	中
吉林	中	中	中	中	中	中	高	中	中	中	中
黑龙江	中	中	中	中	中	中	中	中	高	中	中
上海	中	中	低	低	低	低	低	低	低	低	低
江苏	中	中	中	中	中	中	低	中	低	中	中
浙江	中	中	中	中	中	低	低	低	低	低	低
安徽	中	中	中	中	中	中	中	中	中	中	中
福建	中	中	中	中	中	中	中	中	中	中	中
江西	中	中	中	中	中	中	中	中	中	中	中
山东	中	中	中	中	中	中	中	中	中	中	中
河南	中	中	中	中	中	中	中	中	中	中	中
湖北	中	中	中	中	中	中	中	中	中	中	中
湖南	中	中	中	中	中	中	中	中	中	中	中
广东	中	低	低	低	低	低	低	低	中	低	低
广西	中	中	中	中	中	中	中	中	中	中	中
海南	中	中	中	中	中	中	中	中	中	中	中
重庆	中	中	中	中	中	中	中	中	中	中	中
四川	中	中	中	中	中	中	中	中	中	中	中
贵州	中	高	高	高	高	中	中	中	中	高	中
云南	中	中	中	中	中	中	中	中	中	中	中
西藏	中	中	中	中	高	高	高	高	极高	高	极高
陕西	中	中	中	中	中	中	中	中	中	中	中
甘肃	中	中	中	中	高	中	中	中	中	中	中
青海	高	高	高	极高	极高	极高	极高	极高	极高	极高	极高
宁夏	中	中	中	中	中	高	高	中	中	中	高
新疆	中	中	中	中	中	高	中	中	中	中	中

References 32

[1]	哈维·S·罗森. 财政学[M]. 8版. 北京: 中国人民大学出版社, 2009.
[2]	HANA P B. Contingent government liabilities:a hidden risk for fiscal stability[J]. Journal of finance & development, 1999(36):1-39.
[3]	刘尚希, 赵全厚. 政府债务:风险状况的初步分析[J]. 管理世界, 2002(5):22-32+41.
[4]	李翀. 财政赤字观和我国政府债务的分析[J]. 学术研究, 2012(1):59-65.
[5]	贾晓俊, 顾莹博. 我国各省份地方债风险及预警实证研究[J]. 中央财经大学学报, 2017(3):16-24.
[6]	黄春元, 刘瑞. 地方政府债务、区域差异与空间溢出效应:基于空间计量模型的研究[J]. 中央财经大学学报, 2020(4):3-14.
[7]	马文涛, 马草原. 政府担保的介入、稳增长的约束与地方政府债务的膨胀陷阱[J]. 经济研究, 2018(5):72-87.
[8]	吉富星. 地方政府隐性债务的实质、规模与风险研究[J]. 财政研究, 2018(11):62-70.
[9]	徐军伟, 毛捷, 管星华. 地方政府隐性债务再认识:基于融资平台公司的精准界定和金融势能的视角[J]. 管理世界, 2020(9):37-59.
[10]	REINHART C M, ROGOFF K S. Growth in a time of debt[J]. American economic review, 2010(2):573-578.
[11]	PESCATORI A, SANDRI D, SIMON J. Debt and growth:is there a magic threshold?[Z]. IMF Working Papers, 2014.
[12]	EGERT B. Public debt,economic growth and nonlinear effects:myth or reality?[J]. Journal of macroeconomics, 2015(3):226-238.
[13]	洪源, 王群群, 苏知立. 地方政府债务风险非线性先导预警系统的构建与应用研究[J]. 数量经济技术经济研究, 2018(6):95-113.
[14]	马恩涛, 姜超. 基于AHP-TOPSIS法的我国地方政府债务风险测度研究[J]. 南开经济研究, 2022(6):47-68.
[15]	淳伟德, 文章. 我国地方政府债务风险度量研究:基于FA-AHP-Entropy Method-CA分析法[J]. 会计之友, 2021(5):28-36.
[16]	刁伟涛, 王楠. 我国各省地方政府偿债能力的空间格局和动态演进:一般债务和专项债务的分类评估[J]. 财经论丛, 2017(4):26-36.
[17]	SCHMIDT R. Early warning of debt rescheduling[J]. Journal of banking ＆ finance, 1984(2):357-370.
[18]	《地方政府债务》课题组. 我国地方政府债务警戒线探讨[J]. 中国经济问题, 2000(5):26-32.
[19]	刘迎秋. 论中国现阶段的赤字率和债务率及其警戒线[J]. 经济研究, 2001(8):3-14+95.
[20]	BRANCATI E, MACCHIAVELLI M. The information sensitivity of debt in good and bad times[J]. Journal of finan-cial economics, 2019(1):99-112.
[21]	沈雨婷, 金洪飞. 中国地方政府债务风险预警体系研究:基于层次分析法与熵值法分析[J]. 当代财经, 2019(6):34-46.
[22]	甘泉, 向妍. 新城镇化背景下地方政府债务风险预警研究[J]. 统计与决策, 2020(3):155-158.
[23]	何涌, 侯文浩. 地方政府债务风险预警研究:以T区政府为例[J]. 会计之友, 2021(22):73-78.
[24]	FRANKEL J A, ROSE A K. Currency crashes in emerging markets:an empirical treatment[J]. Journal of international economics, 1996(3):351-366.
[25]	CIARLONE A, TREBESCHI G. Designing an early warning system for debt crises[J]. Emerging markets review, 2005(4):376-395.
[26]	DAWOOD M, HORSEWOOD N, STROBEL F. Predicting sovereign debt crises:an early warning system approach[J]. Journal of financial stability, 2017(11):16-28.
[27]	WIJAYANTI R, RACHMANIRA S. Early warning system for government debt crisis in developing countries[J]. Journal of central banking theory and practice, 2020(s1):103-124.
[28]	夏诗园. 基于KMV模型的地方政府债务风险预警研究[J]. 金融评论, 2019(4):114-123+126.
[29]	刘铭, 乔桂明, 程然. 基于Logit模型的新兴经济体主权债务危机预警研究[J]. 国际金融研究, 2020(3):55-64.
[30]	苏振兴, 扈文秀, 夏元婷. 基于机器学习的地方政府隐性债务风险先导预警模型[J]. 统计与决策, 2022(7):20-25.
[31]	贺俊, 张震, 万红燕. 分权对地方政府债务的非线性影响研究[J]. 投资研究, 2021(2):20-35.
[32]	杨德平, 刘喜华. 经济预测与决策技术及MATLAB实现[M]. 北京: 机械工业出版社, 2019.