政府融资平台贷款的信用风险指标评价及实证研究

开篇：润墨网以专业的文秘视角，为您筛选了一篇政府融资平台贷款的信用风险指标评价及实证研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

*孙继伟：复旦大学经济学院政治经济学博士研究生；Email：；王波：南京理工大学经济管理学院管理科学与工程博士研究生；Email：；

摘要 关于政府融资平台贷款的信用风险是目前经济学界研究和探讨的热门话题。本文简要综述了政府融资平台的文献研究，分析其风险特征，并在此基础上尝试建立合适的信用风险预警评价指标体系；在风险评价方法的选择上，从人工智能方法的BP神经网络模型出发，脱离传统的以历史数据进行回归分析的Logistic评价模型，从财务视角对样本企业的信用风险预警指标进行量化估计，通过实证比较分析，得出研究结论，并提出相应的政策建议。

关键词 政府融资 信用风险 实证研究

一、 引言

（一） 历史沿革及背景

近年来，各地方政府为了促进当地经济发展、推进城市化进程，通过设立大量投融资平台的方式从银行借贷融资，用于城市基础设施等方面的建设。此类政府行为的历史背景是：早在1994年实行分税制改革以来，中央财政所占比重逐步提高，但是当初的改革只分了财权，未分事权，于是在实施过程中出现了财权层层上收、重心上移，事权层层下放、重心下移的局面，导致地方政府财力紧张，地方政府隐性债务不断增长。1994年出台的《预算法》第28条规定：地方各级预算按照量入为出、收支平衡的原则编制，不列赤字；除法律和国务院另有规定外，地方政府不得发行地方政府债。在这种背景下，近年来，为了促进地方经济发展、推进城市化进程，一些地方政府进行了投融资体制创新，相继建立了一些隶属于地方政府的投融资平台，将原属于财政拨款的项目拿到银行去贷款融资，以解决资金不足的问题。

所谓地方政府投融资平台，广义上讲实际包括地方政府组建的不同类型的城市建设投资公司、城建开发公司、城建资产经营公司等不同类型的公司，这些公司通过划拨土地、不动产、股权、规费、债券、税费返还等资产，组建一个资产和现金流大致可以达到融资标准的公司，必要时再辅之以财政补贴等作为还款承诺，融入的资金重点投入市政建设、公用事业等项目之中。2008年11月，中央政府为应对全球金融危机，开始实施积极财政政策和适度宽松的货币政策，地方政府投融资平台的作用迅速凸显；2009年3月24日，中国人民银行与中国银行业监督管理委员会联合《关于进一步加强信贷结构调整促进国民经济平稳较快发展的指导意见》提出：“支持有条件的地方政府组建投融资平台，发行企业债、中期票据等融资工具，拓宽中央政府投资项目的配套资金融资渠道”，被地方政府和商业银行视为是对地方政府投融资平台的支持和鼓励。也正是从这个时期开始，各地大量组建地方政府投融资平台，平台“遍地开花”，势如破竹。据监管部门的统计数据，2009年末，全国共有地方政府投融资平台3800家左右，管理总资产8万亿元，总负债规模5.26万亿元。随着时间的推移，这些平台类贷款的信用风险逐步显现，引起经济、学术界的高度关注。

（二） 平台风险研究文献综述

目前，关于政府融资平台的风险研究主要包括宏观经济环境、区域经济市场、平台经营风险以及对地方政府的财政风险的分析。巴曙松（2009）认为，近两年地方政府投融资平台已经成为国内增长最为活跃的负债主体，但是，过度的负债也造成了多元化风险。他分别从微观风险管理角度、财政运行的角度、国家宏观政策的角度，分析了融资平台的融资风险行为，指出目前地方投融资平台的财务状况、融资状况很不透明，隐含潜在信用风险；同时，大规模的地方投融资平台主导的信贷高速增长，不仅增加了财政的隐形负债，而且直接制约了宏观货币政策的调整空间。必须立即着手对融资平台进行规范化、市场化、透明化改革，其中银行应当推进更为审慎的对地方政府融资的风险管理举措。但是他没有具体分析平台贷款的微观风险的特征。贾康（2010）认为，我国尚未构建比较清晰的政策性融资体系和相关机制，所以地方融资存在着强烈的现实需要，但是必须承认确实有明显的矛盾和紊乱现象，需要通过机制创新和制度建设，把地方上紊乱的融资逐步引导到阳光融资的状态中去。他提出一个比较新颖的观点，地方政府举债可以引入市场评级的机制，由权威性的评级机构对地方政府的信用客观公正地打分，使地方政府融资平台接受市场环境的要素约束，接受更有力的公众监督。但是，文中没有涉及如何构建对地方政府的信用评级指标体系和评价模型。郑蓉等（2010）认为，风险最为严重的是地方融资平台的创新和演变，如2008 年在昆明发明的“银信政”金融创新产品，是由银行发行理财产品，通过信托公司投资于地方政府融资平台的股权或债权，同时政府向银行和信托公司出具回购的承诺函。由于该产品具有政府担保的“无风险套利”背景，产品在全国各地得到迅速复制和深入发展。但是从未来现金流入角度看，许多地方政府早已负债累累，一旦大批负债陆续到期，政府无力偿还债务，金融产品风险与政府的信用风险便同时显现，最终损害的是公众投资人的利益。此外，陈慧莉（2010）提出要建立有效的政绩考核与评价机制，关注政府对资源的使用效率；张晔明（2010）提出要防范土地财政风险和房地产泡沫的风险。龚璞（2010）则从完善制度角度出发，提出要全面清理各类融资平台，建立对地方政府融资的长期审计制度和债务预警制度，改变目前中央和地方的财政收入分配格局，甚至可以修改《预算法》，允许地方政府有举债权。

（三） 平台信用风险基本特征

政府融资平台的金融信用风险，诱因是多方面的。主要包括外部环境的政策风险、法律风险、地方政府信用等诸多非财务因素风险，以及平台公司内部存在的资本金来源不实、负债率过高、项目现金流不足、公司治理结构不健全等财务因素风险。其风险特征表现在：

1. 外部环境风险。从广义上讲，主要指国内外的宏观经济运行状况、国家的宏观调控政策、行业政策、货币政策以及金融市场动向产生的风险。狭义上讲，环境风险主要指区域经济的发展水平、区域资本市场的发育程度以及区域法律、法规的完善程度。如：区域经济发展水平会直接影响到地方政府收入水平，区域资本市场的发育程度会影响到企业融资环境，直接影响企业的融资成本，另外，如果一个地区的法律、法规较为完善，则会大大降低企业逃避债务的机会主义，提高企业偿还债务的意愿。

2. 地方政府信用风险。对地方政府的财政实力、政府信用风险进行分析，主要考虑地方政府投融资平台同地方政府的紧密关系，地方政府的财政状况直接影响到地方政府对投融资平台的支持力度，以及到期偿还资金的来源。为此，必须要考虑地方政府财政状况，包括地方政府财政收入和支出结构、财政显性和隐性债务水平等。

3. 平台类公司的财务风险。作为债务负担的现实载体，在中国政治、经济体制不发生重大变革的前提下，地方政府投融资平台应该是到期债务偿还的主体，为此，必须对其财务状况进行细致准确的分析，确定其对债务的保障能力，这是信用风险分析的基础内容。大多数的平台公司存在以下财务特征：

（1） 资本金来源不实，自身负债率过高。普遍存在着资本金不足、不实以及抽逃资本金的现象，一些地方政府甚至采取各种变通手段向平台注入不实资产进行“滥竽充数”。同时，平台公司的总体负债水平相当高，“小马拉大车”现象比较普遍，有的企业负债率甚至超过80%。

（2） 项目现金流不足，综合效益不高。平台公司大多对所投项目缺乏严格、科学的项目论证，缺乏举债的总体规划，容易造成资金使用上的浪费，导致公司的现金流不足，不足以覆盖银行债务。如城市广场、道路、污水处理、环境整治等市政基础设施项目，投资金额大、建设周期长，综合收益低，有的属于公益性质，靠地方财政兜底，而财政收入具有不稳定性。并且，由于平台公司的债务最终偿还主体及投资失误的责任主体界定不明晰，一旦发生还款困难，最终责任人是谁、地方政府是否会出面偿债，对银行和投资者而言其实并不十分确定。

（3） 公司治理结构不健全。一些地方政府投融资平台公司的法人治理结构很不健全，缺乏严格的管理规范。平台的高管人员大多是由原政府官员担任，缺乏必要的企业经营管理经验及风险防范常识，因此在投融资的过程中容易发生重大的决策失误。

（4） 融资状况不透明，隐性负债高。不仅商业银行难以全面掌握，甚至有的地方政府自身也并不完全清楚下属投融资平台的总体负债和担保状况。值得注意的是，地方政府投融资平台所潜伏的风险还表现为很强的系统性风险，一旦宏观经济走势发生重大变化，尤其是土地价格如果下跌，那么地方政府投融资平台、地方财政以及商业银行所蕴藏的风险就会统统暴露出来。

（5） 财务透明度及可信度不高，银行内部信用评级难，降低了银行对贷款主体风险的识别能力。由于平台类公司的财务报表存在特殊性，财务数据普遍不准不实。例如，财政补贴是公司收入的重要组成部分，主营业务收入占总收入的比例较低，经营性净现金流量对债务保障能力有限，许多公司债务的偿还方式依赖于政府的财政补贴或专项基金等。在商业银行内部信用评级的方法选择上，现有信用评级模型一般以Logistic模型为主，是对历史数据的回归分析和量化评估，对一般商贸类、生产经营性企业适用性更强。而在政府融资平台中，基于以上特殊性，评级结果的相应指标往往存在更多的正负异常值，在平台公司财务指标的横向比较中，指标间的表现更加离散。

为此，可以确定的一个基本的判断是：现有的信用评级方法不适合此类“特殊行业”的评级，同时缺乏恰当的信用评级评价指标体系。本文研究，就是以新近大量涌现的政府投融资平台类贷款为特定研究对象，建立合适的信用风险预警评价指标体系，从人工智能方法的BP神经网络模型出发，利用神经网络模型具有良好的自学习、自适应、并行处理和非线形转换的能力，脱离传统的以历史数据为依据的评价模型，从财务视角对样本企业的信用风险预警指标进行量化估计，并与Logistic模型的信用风险预警结果比较分析，得出一定结论，最终给出合理的政策建议。

二、 基于BP神经网络模型的风险预警指标体系研究

（一） 风险预警评价结构框架

信用风险是金融机构面临的主要风险。商业银行信用风险评价是指商业银行在信用风险量化估计的基础上，研究其性质，分析其影响，寻求风险对策的行为,因此,量化估计是风险评价的前提。按照《巴塞尔协议》规定，商业银行可以根据评价主体的不同，将风险评价分为内部评价和外部评价，而内部信用评价的核心就是建立信用评级模型。一般可以将评级模型分为三大类：主观判断模型、统计模型和因果模型。主观判断模型主要依赖信贷专家的主观判断；统计模型根据是否需要估计参数分为参数和非参数两类统计模型，前者包括单变量和多变量分析，而后者如人工智能则是利用先进的计算机技术模仿人类的决策行为；因果模型是根据公司的资本结构指出公司的违约原因。主观判断模型主要使用典型调查表、专家判断、专家系统以及模糊逻辑系统等方法；参数统计模型常常使用回归分析、判别分析、Logistic模型、面板数据模型等方法；非参数统计模型主要使用决策树、神经网络、KNN等方法。

实践中，银行内部信用评级模块的构造，最常见的是主观判断模型和其他两种模型的类型结合使用。实证调查表明：统计技术中，以参数模型的多变量判别分析和Logistic模型应用比较广泛，而非参数模型如人工智能方法相对较新、较少。本文则是采用BP神经网络的人工智能方法，将平台类贷款的财务指标作为主要讨论对象，进行量化分析评估，系统的学习、测试样本来自某股份制银行的实证。

基本信用评级模型划分的总体结构框架如图1。

图1 基本信用评级模型划分的总体结构框架

（二） 构建平台风险预警评价指标体系

结合前文所述的信用风险基本特征，构建平台类贷款的风险预警评价指标体系，一级指标主要包括：宏观经济指标、中观经济指标、地方政府财政指标、平台公司财务指标等。

1. 宏观经济指标。宏观经济环境是任何形式的经济体赖以生存的基础，关注宏观经济运行的基本状况，把握宏观经济对行业、企业的周期影响，有助于准确判断企业的未来发展态势。宏观经济环境指标包括：整体宏观经济政策指标，如国内经济生产总值、国民经济收入增加值、固定资产投资的规模和增速、CPI、PPI等，对整体资本市场的运行状态和发育程度的分析指标，如直接融资比重、汇率、利率变动等。

2. 中观经济环境指标。主要指区域经济环境指标，包括：当地资本市场的成熟度，资本市场发达地区，企业拥有更多的融资渠道，财务弹性较好，能够有效地降低自身的信用风险。预警指标如当地上市公司数量占全国比重、股票当年筹资额占全国比重、地区内企业直接融资规模、金融中介服务机构数量、地区金融从业人员数量占比等。还有法制建设水平，法治环境是构成地区信用环境的重要因素之一，完善的法治环境能够有效保护金融主体产权，遏制恶意信用欺诈和逃废债务行为的发生。预警指标如产权保护力度（知识产权及商标数量）、司法执行力度（如诉讼未执行比例）等。

值得注意的是，由于平台项目贷款的非流动性特征，地方政府投融资平台的资产流动性和收入水平受区域经济环境的影响较为显著。区域经济环境能直接影响到地方政府的财政收入水平，间接影响到投融资平台公司的收入水平。

3. 地方政府财政指标。主要包括：地方财政收入（总财政收入、一般预算内财政收入、地方可支配财政收入等）、地方财政支出（总支出、经常性支出的变动幅度、工资和养老金支出、负债利息支出等）、地方财政收支差额、地方政府的债务（地方政府直接显性负债、地方政府或有隐性负债等）。地方财政收入来源的稳定性，可以判断地方财政基本的状况和未来发展水平，只有稳定的地方财政和稳定的增长趋势，才能保证地方政府未来对地方基础设施投入的稳定增长。地方财政支出水平和结构以及地方财政收支差额，能够反映出地方政府的财政资金的运作能力和行政水平，同时也可以判断地方财政对基础设施的支持方式和可能的最大力度。对地方财政债务的分析，能够确定债务到期偿付的集中度，若债项到期日是地方政府债务偿还的集中期，则可以基本判断地方政府对投融资平台的支持将会大大降低，反之，预期会较好。

4. 平台公司财务指标。主要分为两类：定性指标和定量指标。定性分析指标如：公司经营模式、公司竞争地位、领导者素质、企业发展前景等，可以通过专家输入系统进行分析。定量指标一般以地方政府投融资平台近三年的财务数据为基础，确定相应财务分析指标，进行定量分析。在笔者前期对政府融资平台贷款研究中，曾运用主成分分析法，通过SPSS统计分析软件对样本企业的财务数据进行主成分分析，通过计算相关矩阵的特征值、特征值贡献率和累积贡献率，得出平台公司的经营规模、营运发展能力、政府担保能力、增长盈利能力、流动性能力等五项因素，构成该类公司风险综合评价过程中最主要的方面，其因素权重比例分别达到32.8%、21%、17%、8.7%、7.2%，前5个主成分包含原始数据的信息总量达到85%以上，基本代表了原来若干评价指标。本文在构建财务预警指标体系时，借鉴了前文研究结果，同时只考虑企业本身财务预警及其相关性，剔除政府担保能力因素，其他四项构成评价的二、三级指标类型如下：

表1 预警评价指标体系

（三） 平台风险预警评价方法

1. Logistic模型

早在1977年，Martin从1970―1977年间大约5700家美联储成员银行中界定出58家困境银行，选取总资产净利润率等8个指标，通过建立Logistic模型来预测公司的破产及违约概率。他还将Logistic模型与ZScore模型、ZETA模型预测能力进行了比较，结果发现Logistic模型要优于ZScore模型和ZETA模型。

目前商业银行内部信用评级方法中，一般运用Logistic模型，采用罗吉特函数，对历史数据进行回归，在得出各系数的估计值后，计算出客户违约概率。由于Logistic模型中因变量是二分类的，而不是连续的，其误差的分布不再是正态分布而是二项分布，因此Logistic回归系数的估计不再用最小二乘法，而用极大似然法。评级主要思路：一是以 “违约”概念为基础，二是以客户违约概率即违约可能性衡量客户信用风险水平，三是违约概率由信用评级模型测算得出，四是将违约概率划分为若干个区间，每个区间代表一个信用等级，客户信用等级越高，则表明其信用风险水平越低；客户信用等级越低，则表明其信用风险水平越高。

Logistic函数形式如下：

p=11+e-s

s=c0+∑mi-kcixi（1）

其中，xi为信用风险评定中的影响变量，ci相应变量的技术系数。

对Logistic模型来说，p是s的连续增函数，s∈(-∞,∞)。并且

lims∞p=lims∞11+e-s=1

lims∞p=lims-∞11+e-s=0

对于某一公司来说，如果其Logistic回归值pi接近于0，则被判定为一类经营“差”的企业，更有可能陷入财务困境；如果其Logistic回归值pi接近于1，则被判定为一类经营“好”的企业，陷入财务困境的可能性小。

该评级方法的缺陷：一是数据有限，未能覆盖一个完整的经济周期；二是模型假设解释变量中存在着线性关系，而现实经济现象是非线性的，削弱了预测结果的准确程度，使得模型不能精确地描述经济现实；三是罗吉特分布公式中参数β常用极大似然估计，参数准确性受数据数量和质量的影响,需要持续改进。在政府融资平台类贷款中，上述缺点尤为明显。随着计算技术的发展，许多非参数、非线性模型得以开发，如神经网络在信用违约预测方面方兴未艾。

2.BP神经网络模型。

20世纪40年代，心理学家W.S.Mc Culloch和数理逻辑学家W.A.Pitts建立了神经网络数学模型，他们提出了神经元的形式化数学描述和网络结构方法，证明了单个神经元能执行逻辑功能，从而开创了人工神经网络研究的时代。六十年代，提出了更完善的神经网络模型，其中包括感知器和自适应线性元件等。之后,陆续有研究者提出了适应谐振理论、自组织映射、认知机网络等，以上研究为神经网络的发展奠定了基础。1982年，美国加州工学院物理学家J.J.Hopfield提出了Hopfield神经网络模型，引入了“计算能量”概念，给出了网络稳定性判断。1984年，他又提出了连续时间Hopfield神经网络模型，为神经计算机的研究做了开拓性的工作，开创了神经网络用于联想记忆和优化计算的新途径。1985年，有学者提出了波耳兹曼模型，在学习中采用统计热力学模拟退火技术，保证整个系统趋于全局稳定点。1986年进行认知微观结构的研究，提出了并行分布处理的理论。人工神经网络的研究受到西方国家一致的重视，美国国会甚至通过决议，将1990年1月5日开始的十年定为“脑的十年”，国际研究组织号召它的成员国将“脑的十年”变为全球行为。

人工神经网络（Artificial Neural Network，ANN）具有良好的自学习、自适应、并行处理和非线形转换的能力，是一种很好的评价方法。从模式识别角度看，银行风险预警评价是一个模式分类过程；从警兆指标、警情指标到警度之间的映射关系看，预警评价是一个函数逼近过程；从之间的噪声与报警准确处置方式来看，预警评价又是一个最优化过程。而模式识别、函数逼近、最优化处理正是ANN最擅长的应用领域，因此，ANN应用于银行风险预警评价是非常适合的。

（1） 模型结构。本文根据所评价的问题建立的BP 神经网络模型如图2。模型采用三层BP 神经网络，该网络包括三层：输入层、隐藏层和输出层，采用误差逆传播算法进行网络学习和运行。

图2 BP神经网络三层前馈模型

以Wk,j记做输入层与隐藏层神经元之间的权值，Wj,i记做隐藏层与输出层神经元之间的权值，输入层、隐藏层和输出层的激活函数分别是Ik、Hj和Oi。网络接受辅导学习算法的训练，即反向算法，这个算法实施极小化期望与实际输出误差，优化网络的权值。每个输出神经元i的误差是Erri=Ti-Oi，其中Ti是期望输出。改变权值Wj,i的权值更新公式如下：

Wj,iWj,i+ηHjErrig′(ini) （2）

其中，η是控制改变量系数（学习比率），g′是激活函数的一阶导数，而ini与等于ΣjWj,iHj更新权值Wj,k的公式类似：

Wk,jWk,j+ηIkΔj （3）

其中，输入数值Ik是第k个输入，而Δj=g′(inj)ΣiWj,iErrig′(ini)

算法迭代直到满足停止准则为止。

（2） 前层的归一化。由于神经网络的输入要求在［0，1］区间，因此，在网络学习训练前首先要将各评价指标的原始数据进行归一化，通过归一化确定样本中每一评价指标相对应的网络输入值。

指标的归一化处理。风险预警指标体系中各项指标的衡量标准不一, 既有定量的又有定性的, 其性质和量纲也不同, 这就造成各指标之间的不可共度性, 因此, 首先要对指标值进行归一化处理，将它们转化为闭区间［ 0, 1］ 上的无量纲性指标值。可以将指标类型划分为极大值指标(越大越好) 和极小值指标(越小越好) 两种类型。

对于极大值指标, 归一化采用的隶属函数为：

x′ij=xij-mjMJ-mj （4）

对于极小值指标, 归一化采用的隶属函数为：

x′ij=Mj-xijMJ-mj （5）

式中xij为原始数据,MJ=maxi{xij}，mj=mini{xij}，x′ij∈［0,1］为归一化后的无量纲性指标。

（3） BPNN 网络训练学习。原始数据经过预处理后送归一化模块，归一化模块将根据输入信号按规则进行归一化，得到13个归一化值，然后，这些归一化值被送入模块。由以上分析可知，模块输入层的模糊神经元数为13，即输入信号x1、x2、x3…x13对应于13 个归一化值；输出神经元数为1，即输出量对应于银行风险预警评价；隐藏层的神经元数经学习过程调节后定为5个。

神经网络在国民经济和国防科技现代化建设中具有广阔的应用领域和应用前景。近几年人工神经网络模型开始应用于商业银行信用风险评价，无论从思想上，还是从技术上都是对传统评价方法的一种拓宽和突破，它解决了传统评估方法难以处理的高度非线性关系、缺少自适应能力、信息获取效率低等困难，为模型实用化奠定了基础。神经网络模型在银行信用风险评价的优点主要体现在：一是很容易建立输入和输出变量间非常复杂的非线性关系；二是不要求假设变量的概率分布；三是能够快速适应新信息、新环境；四是对具体问题不存在决定最优网络技术的正规程序，即连接输入和输出变量结点的层数。

由于政府融资平台信用风险识别比较复杂，各个因素之间相互影响，财务数据变异性大，呈现出复杂的非线性关系，人工神经网络为处理这类非线性问题提供了强有力的工具。

三、 实证研究

（一） 实验数据

本文利用某股份制银行南京分行的贷款数据资料进行贷款风险预警评价模型的实证研究，建模的贷款数据从银行的信贷数据库中随机抽取，共抽取78个样本资料，对平台类企业09年末经审计的财务报表数据采取逐步筛选、反复迭代的方法，其中48个样本财务数据资料齐全，具备一定的代表性，因此，以此作为分析对象。实验数据如附表一。在对实验数据进行量纲化、标准化处理时，考虑到资产负债率指标为逆向指标，取其倒数。

（二） 实验指标选择

在风险预警指标的选择上，考虑到样本数据以江苏地区，特别是南京地区的平台贷款为主，宏观、中观以及地方财政等外部环境特征基本一致，而此次实证研究目的主要是考察平台类财务指标的变化对不同模型分类的适应性，故根据银行信贷风险预警评价指标体系设计的原则，本文构建了包含4个准则层、13 项具体指标的指标体系，如图3。

图3 风险预警评价指标体系

（三） 实验方法

在BP神经网络的学习训练阶段，样本的期望值是已知的，它根据某股份制银行信贷系统中的已有的内部信用评级给定。48个样本数据中，企业的内部信用评级状况如下：

表2 内部信用评级分布

本文旨在揭示神经网络模型在政府融资平台类贷款风险预警中具有强大的模式识别、分类与优化处理作用，并非对企业的信用评级作出评判，因此，实验设计只将样本数量按照信用等级的不同区分为两类：所有的A级及以下企业分为一类，信用等级定义为“一般”，AA级，AA+及AAA级分为一类，信用等级定义为“好”。

实验采用4折交叉验证，即将48个样本平均分为4份，每份12个样本， 每次用其中三份作为训练样本，用另外一份进行验证。每份的样本分布见下表所示：

（四） 验证结果

本次实验是运用Matlab中BP神经网络工具模型和Weka中Logistic模型分别对样本进行计算和验证。其中：BP神经网络结构和算法必须谨慎选择参数，如每层内神经元个数和学习速率。本次实验经过多次迭代筛选，最终确定的参数设置如表5：

表5 BP神经网络函数及参数设置

平均正确率为0.70833。

综上，在政府融资平台信用风险预警分类的识别上，BP 神经网络模型比Logistic模型的准确率提高了8.3%。分析原因，主要在于政府融资平台贷款的财务数据、财务指标具有较大的变异，如经营性现金流、主营业务收入、净利润，甚至包括存货周转率、应收账款周转率等营运指标，每年都有很大的差距。它和一般有完善的公司治理结构的企业不同，盈利性、流动性相对弱化，政府的直接和隐性担保能力实际较强。在这种高度非线形关联的数据面前，BP神经网络模型天然存在着内在的风险识别优势，这和基于历史数据进行回归分析的Logistic模型有很大的区别。

四、 结论

银行信用风险的评估、预警、识别和防范是一个永恒的难题。假设政府融资平台可以作为一个特殊行业来进行分析的话，它有着与一般企事业单位截然不同的风险特征。在平台类公司的风险预警指标体系的构建上，对宏观、中观因素，本文仅仅以枚举的方式，列示了部分笔者认为的对风险预警存在重要影响的指标，并未穷尽。着重强调的是地方政府的财政实力及还款意愿，是平台类公司风险构成中最为特殊之处，也是未来化解平台类贷款风险的重要因素，需要在将来的工作中进一步加以分析研究。基于平台公司财务指标的特殊性，本文仅仅选择了一些简单的定量的财务指标进行分析，这些财务指标是通过SPSS等软件对其相关性进行检验，剔除非显著性差异而筛选获得的。实际操作中，还可以增加许多定性指标进行分析和判断，如采用专家分析法，将一些定性指标转化为定量指标，这样构建的财务指标体系将更加健全，对风险的预警分析更加接近实际，更具有参考价值。如在政府融资平台类贷款中，政府的担保能力实际上是银行融资、决策发放贷款的一个重要因素，如何在风险预警指标体系中选择合适指标，构建财务担保能力因素，是在未来研究过程中需要重点考虑的新的课题。

在政府融资平台的风险评价模型的选择上，本文的实证研究表明，BP神经网络模型对风险的分类和识别，比一般的Logistic模型具有更好的分辨率和准确性。这种结果的出现可以理解为是政府融资平台的财务指标的异常和特殊性所致。虽然此次实验存在一些不足，如样本数量不足够大，数据以江苏地区、特别是南京的政府融资平台公司为主，有一定的地区局限性，但是，实证表明，在银行信用风险量化评估、风险预警过程中，对企业财务数据失真、信息不透明的行业（如政府融资平台），BP神经网络模型对模型的识别能力更强，这是基于神经网络的自学习、自适应能力，它与以历史数据为回归依据的一般的模型特征有明显区别。相信在未来的银行信用风险预警研究过程中，以神经网络模型为代表的非参数人工智能方法将发挥越来越大的评价作用。

参考文献

Lee S.C，Lee E.T.,1974，“ Fuzzy sets and neural network”，J. Cybemetics， 14:83103.

Martin，D.,1977，“Early Warning of Bank Failure: A logit Regression Approach”，Journal of Banking and Finance，2，249276.

Shintanim，Linton O，2004, “Nonparametric Neural Network Estimation ofLyapunov Exponents and a Direct Test for Chaos”， Journal of Econometrics, 120(1)，1 33.

安国俊，2010，《地方政府融资平台风险与政府债务》，《中国金融》第7期43―44页。

巴曙松，2009，《地方政府投融资平台的发展及其风险评估》，《西南金融》第9期9―10页。

陈慧莉，2010，《地方融资平台风险防范研究》，《中国市场》第7期47页。

龚璞，2010，《浅谈地方政府融资平台债务风险的防范》，《中国经贸》第8期127―128页。

贾康，2010，《地方融资与政策性融资中的风险共担和风险规避机制》，《上海金融学院学报》第1期5―8页。

刘立峰等，2010，《地方政府融资研究》，《宏观经济研究》第6期6―11页。

王翼宁，2010，《我国地方政府融资平台的风险控制预警体系与市场化运作研究》，《现代管理科学》第11期33―34页。

郑蓉、张俊、干胜道，2010，《地方融资平台的风险与控制研究》，《西南民族大学学报》第8期143―144页。

张晔明，2010,《对现行地方政府融资平台的几点思考》，《银行家》第4期17―19页。

“本文中所涉及到的图表、公式、注解等请以PDF格式阅读”