鄒秀清，莫國輝，劉楊倩宇，劉光成 ，陳紅艷

（1.江西財經大學旅游與城市管理學院，江西 南昌 330032；2.中國土地勘測規(guī)劃院，北京 100035）

地方政府土地財政風險評估及預警研究

鄒秀清1，莫國輝1，劉楊倩宇1，劉光成2，陳紅艷1

（1.江西財經大學旅游與城市管理學院，江西 南昌 330032；2.中國土地勘測規(guī)劃院，北京 100035）

研究目的：運用AHP-熵值法計算地方政府土地財政風險指標的綜合權重，評估江西省土地財政風險狀況；以地方政府土地財政風險指標綜合指數作為網絡輸入，土地財政風險狀態(tài)作為網絡輸出，構建RBF神經網絡預警模型，并對江西省土地財政的風險狀態(tài)進行學習模擬及預警分析。研究方法：AHP-熵值法； RBF神經網絡模型。研究結果：（1）2005—2014年，江西省土地財政總體風險在中警狀態(tài)波動。就風險子系統(tǒng)而言，江西省土地財政行政風險總體呈下降趨勢；經濟風險和社會風險在本研究時間段內基本處于中警狀態(tài)；生態(tài)風險警度從2005年的輕警突升到2006年的重警，隨后有所下降，但到2012年之后警度又回升至中警狀態(tài)。（2）RBF神經網絡模型擬合準確率高，穩(wěn)定性強，模擬結果符合江西省實際，能夠基本反映江西省土地財政風險的整體狀態(tài)。研究結論：2017—2019年江西省的土地財政風險預測位于中警狀態(tài)，亟需采取相應的防范措施規(guī)避和降低風險；RBF神經網絡模型是預警地方政府土地財政風險的有效方法之一，可為防范和化解地方政府土地財政風險提供理論依據和決策參考。

土地經濟；土地財政；風險評估；風險預警；AHP-熵值法；RBF神經網絡；江西省

1 引言

“土地財政”是中國20世紀90年代以來的一種特殊現象，指地方政府的可支配財力高度倚重土地及相關產業(yè)租稅費收入的一種財政模式[1]。該模式現已成為地方政府獲得土地出讓金等預算外財政收入以增加固定資產投資和彌補財政收支缺口的主要來源[2]。目前學術界對土地財政尚未有統(tǒng)一定義，但大都認同土地財政具有以下兩個基本特征：一是地方政府財政收入高度依賴土地相關收入，二是土地出讓金在土地財政收入中占比很高[3-6]。本文中的土地財政指的是地方政府高度依賴其轄區(qū)范圍內的土地出讓及其相關收入，以彌補地方政府財力不足的行為。

不可否認，“土地財政”在加快城市化進程、建設公共設施等方面發(fā)揮了重要作用，但是，土地財政也導致地方政府出于經濟利益，高度依賴土地出讓金收入的現象，進而產生了當下的“土地財政依賴綜合癥”[7]。高度的“土地財政依賴綜合癥”背后潛藏的是土地財政風險，如房價大幅度上漲，居民消費能力下降，加劇了社會不公；地方政府壟斷土地一級市場，低價征收農民土地獲得超額壟斷利潤，可能引起社會穩(wěn)定風險；在中國“人地矛盾”十分突出的背景下，大規(guī)模的土地財政造成耕地數量銳減、質量降低……在可出讓用地不足、現有土地出讓政策限制的影響下，極有可能造成地方政府土地出讓收入的不確定性和增長的不可持續(xù)性，從而引爆一系列的系統(tǒng)性問題?？梢?，土地財政與經濟發(fā)展、社會和諧、政治穩(wěn)定、生態(tài)平衡緊密相關，如果土地財政風險得不到及時預警與有效化解，將可能給中國社會經濟帶來巨大的系統(tǒng)風險。因此，對地方政府土地財政風險進行評估和預警研究，具有重要的理論和現實意義。

地方政府土地財政風險評價及預警是指地方政府在面臨財務困境時過度依賴土地出讓收入[8]，對由此可能引發(fā)的社會、經濟、行政和生態(tài)等風險進行評價、預測和警報，以達到提前預防和控制風險的目的。目前國內相關研究主要包括土地財政風險的理論[9]、指標體系[10]、形成機理[11]和研究方法[12]等內容，但未見公開文獻對地方政府土地財政風險預警進行系統(tǒng)研究。在預測預警方法上，AHP評價法[13]、GARCH模型[14]、灰色GM（l，l）模型[15]、BP神經網絡[16]、RBF神經網絡[17]等方法在財政風險預警領域均有應用，但未見文獻將之應用到中國地方政府土地財政風險預警研究中。

本文基于江西省2005—2014年土地財政相關數據，選用綜合體現主觀因素和客觀因素的AHP—熵值法[18-19]計算土地財政風險指標的綜合權重，進而評估了江西省歷年土地財政風險狀況；在此基礎上，采用RBF神經網絡模型對具有非線性特征且受到多種因素影響和制約的地方政府土地財政風險進行預警[20]，以期為防范和化解地方政府土地財政風險提供理論依據和決策參考。

2 研究區(qū)概況

江西省地處長江中游，是歷史悠久的農業(yè)大省。隨著社會經濟的迅猛發(fā)展，城市人口的不斷增多，江西省的建設用地需求量也日益劇增，2005—2014年江西省土地出讓收入和財政收入情況如圖1所示。

圖1 2005—2014年江西省土地出讓收入和財政收入情況Fig.1 Land leasing revenue and fiscal revenue of Jiangxi Province in 2005-2014

圖1顯示，2005年江西省土地出讓收入達151.0×108元，土地出讓收入占財政收入的35.4%；2014年江西省土地出讓收入達1013.9×108元，土地出讓收入占財政收入的37.8%。在本研究時間段內，江西省土地出讓收入與財政收入不斷上漲，土地出讓收入與財政收入的比例呈波動上升的趨勢。其中，2013年土地出讓收入占財政收入的比例最高（56.8%）；2008年的最?。?8.8%），平均每年占比接近40%?？梢?，江西省的財政收入對土地出讓收入依賴比較嚴重。

3 土地財政風險指標體系構建

目前許多學者對土地財政可能引發(fā)的風險進行了一定研究，但未形成較為統(tǒng)一、完善的理論和框架。本文在參考土地財政風險相關研究成果[9-11，21]的基礎上，根據土地財政風險來源，綜合社會、經濟、行政和生態(tài)等多種因素，并充分考慮這些風險指標之間存在的相互聯系或相互制約的影響關系來選取地方政府土地財政風險預警指標。通過整理江西省2005—2014年相關數據，根據指標選取的客觀性、科學性、動態(tài)性、實用性和可操作性等原則，結合江西省實際，同時考慮數據的可得性，對江西省土地財政風險主要評估及預警指標進行歸納和篩選，如表1所示。

新增建設用地面積和城鎮(zhèn)化率。研究表明，1990年代以來，城鎮(zhèn)土地開發(fā)是中國城市規(guī)模擴張的突出特征[22]，在快速城鎮(zhèn)化過程中土地財政扮演了重要的角色。一方面，土地財政促進了經濟增長[23-24]、加快公共設施建設[25]以及城市化進程[26-28]，另一方面城市規(guī)模的擴張又促使土地財政規(guī)模迅速增大。

失地農民增加量。中國城市擴張速度不斷加快，大量農地被征收變?yōu)榻ㄔO用地，失地農民數量不斷攀升。盡管失地農民得到了一定的補償，但是實際上國家所規(guī)定的征地補償標準過低，農民不能直接參與土地收益的分配，“土地財政”間接造成了農民利益受損[29]，甚至對部分農民未來的生計保障造成了威脅。

商品房平均價格增長率，即當前的商品房平均價格增長量除以上一年的商品房平均價格。一方面，土地財政拉高地價，通過價格傳導，造成房價快速上漲[30-32]；另一方面，土地財政助長了大眾對于房地產投資的熱情，造成房價過度上漲，許多富裕家庭通過投資炒房的方式，使得全社會貧富差距不斷拉大，影響社會穩(wěn)定。

表1 土地財政風險指標體系Tab.1 Land fiscal risk pre-warning index system

城鄉(xiāng)居民收入分化程度，即城鎮(zhèn)居民人均可支配收入與農村居民人均純收入的占比。收入分配不均是中國貧富差距不斷加大的主要原因，現行的土地制度使農村居民無法直接參與土地收益分配，進而造成農民收入過低；僅有的一部分失地農民，盡管可以得到土地財政的補償，但事實上，部分安置房作為小產權房不能直接入市，不能進一步分享城市發(fā)展過程中的土地財政“紅利”。因此，總體看來，土地財政盛宴之下的農村居民與城鎮(zhèn)居民的收入分配極易出現兩極分化，影響社會公平。

土地市場發(fā)育程度，即招拍掛出讓土地宗數占土地總出讓宗數的比重。這一指標體現的是土地市場的公平程度，高額土地出讓金是地方政府通過“招拍掛”等方式獲得的土地補償收入，招拍掛出讓土地宗數比重越大表示土地市場越公平合理，城市土地經營水平越高。

土地出讓收入依賴度和土地直接稅收收入占比。目前中國城鎮(zhèn)化進程以增量土地開發(fā)模式為主，但土地資源的有限性決定了土地出讓收入是難以持續(xù)的。另外，目前土地直接稅收額小、名目繁雜，且征稅成本高，對地方財政的貢獻很小。如果地方政府一味依靠出讓土地來增加財政收入彌補地方財政收入的不足，勢必影響當地經濟與社會的可持續(xù)發(fā)展。

赤字率和宏觀稅負。赤字率是衡量經濟風險中十分重要的指標之一。盡管當前中國采取平衡預算的編制方法以及轉移支付的形式彌補了地方政府賬面上的“窟窿”，但是地方政府財政收支的窘迫是不爭的事實。因此財政赤字率一定程度上可以反映土地財政經濟風險狀況。國家的稅負總體水平過低或過高會直接影響到經濟運行和社會穩(wěn)定，因而合理的宏觀稅負水平對于防范化解地方政府土地財政的經濟風險具有重要意義。

土地違法案件數、非法占地立案數和非法占地立案涉及耕地面積占比。土地違法案件的發(fā)生，反映了地方政府土地執(zhí)法與監(jiān)督的管理水平，以及政府自身非法占地的程度。土地審批權力的下放，地方政府未批先用、邊報邊批、侵占優(yōu)質農田等行為已造成耕地資源大量損失。制度安排形成的巨大利益為土地尋租和腐敗滋生提供了空間，在查處的違法案件中，地方政府違法占地的問題最為突出。非法占地必然引發(fā)社會和政府的矛盾及對立情緒，造成社會動蕩，損害黨和各級政府的公信力。

人均耕地面積、耕地占比和耕地減少率。耕地生態(tài)系統(tǒng)不僅具有生產生態(tài)系統(tǒng)產品的功能，而且具有支撐與維持人們賴以生存的自然環(huán)境的功能。因此，耕地面積占土地總面積的比重越大，越有利于降低生態(tài)風險。研究表明，土地財政造成耕地大量減少[23，33]，不僅威脅到了當代人糧食保障，也損害了人類賴以生存的環(huán)境和后代的衣食來源，嚴重影響環(huán)境的可持續(xù)發(fā)展。

4 地方政府土地財政風險評估

4.1 AHP—熵值法

在預警地方政府土地財政風險之前，需要評估土地財政風險狀況。AHP—熵值法既結合了專家意見，又可體現數據固有信息[14]，能夠有效將定性問題定量化并進行趨勢預測判斷。為此，本文采用AHP—熵值法對地方政府土地財政風險指標進行衡量和評估。其算法原理是采用熵值法的差異系數對AHP權重進行修正，得出綜合權重組合，計算公式為：

式（1）中，ω為AHP—熵值法的綜合權重，wi為層次分析法的權重，gi為熵值法的差異系數。

4.2 計算綜合權重

根據AHP—熵值法的算法原理，采用熵值法的差異系數對AHP權重進行修正，得出江西省土地財政風險指標綜合權重（表2）。

表2 江西省土地財政風險指標綜合權重Tab.2 Synthetic weights of land fiscal risk pre-warning indexes in Jiangxi Province

4.3 確定綜合指數

式（2）中，ωi和pi分別為各指標的權重及得分，i的取值為指標的個數。土地財政風險綜合指數上限為 100，下限為0，計算結果見圖2。

為了全面反映和評價地方政府土地財政中的行政、經濟、社會和生態(tài)風險，須進一步確定預警綜合指數：

圖2 2005—2014年江西省土地財政風險警情綜合指數值Fig.2 Trend of synthetic indexes of land fiscal risk pre-warning in Jiangxi Province

4.4 土地財政風險指標灰色關聯度分析

在應用RBF神經網絡模型預警地方政府土地財政風險之前，課題組采用灰色關聯度分析驗證本文構建的土地財政風險指標體系的科學性和合理性。對原始數據進行均一化處理之后，應用Matlab軟件將土地財政風險綜合指數與16個江西省土地財政風險指標進行灰色關聯分析，結果顯示：灰色關聯度最高的指標為土地直接稅收收入，關聯度達0.94；最低的指標為城鄉(xiāng)居民收入分化程度，關聯度0.43；平均關聯度大于0.7，達三級精度水平。因此本文歸納和篩選的這16個指標與土地財政風險之間有很強的關聯度，符合土地財政風險評估及預警的統(tǒng)計要求。

4.5 土地財政風險評估

根據等分原理[34]，并參考風險劃分的相關研究[35]，本文設定4個土地財政風險指標的警情區(qū)間：無警、輕警、中警、重警，對應綜合指數區(qū)間分別為［0—25］，（25—50］，（50—75］，（75—100］。由圖2數據可評估出江西省2005—2014年土地財政風險狀態(tài)（表3）。

綜合圖2和表3可以分析2005—2014年江西省土地財政風險的動態(tài)變化：2005—2008年江西省土地財政總體風險呈下降勢態(tài)，但下降速度有限；2008年后警度回升，并一直保持在中警狀態(tài)。就各子風險系統(tǒng)而言，江西省土地財政行政風險從2005年的中警降至2013年的無警狀態(tài)，總體呈下降趨勢；其原因可能是國家對土地違法案件的嚴厲打擊，以及相關土地政策法規(guī)的健全完善。經濟風險和社會風險在本文時間段內基本處于中警狀態(tài)，說明江西省對土地財政的嚴重依賴造成較大的社會和經濟風險。生態(tài)風險警度從2005年的輕警突升到2006年的重警，隨后有所下降，但到2012年之后警度又回升至中警狀態(tài)。本文反映生態(tài)風險的兩個指標均與耕地直接相關，因此說明江西省土地財政的高度依賴可能是以嚴重破壞耕地為代價的。

表3 江西省2005—2014年土地財政風險狀態(tài)Tab.3 The situation of land fiscal risk in Jiangxi Province from 2005 to 2014

圖3 RBF神經網絡結構Fig.3 Neural network structure of RBF

5 地方政府土地財政風險預警

5.1 RBF神經網絡模型

RBF（Radial Basis Function）神經網絡是一種性能良好的三層前饋網絡[36]，其網絡結構見圖3所示。它具有極強的自適應性和泛化能力，能以任意精度逼近任一連續(xù)函數，且無局部極小點[37]。因此，可以快速挖掘和學習輸入樣本數據本身之間的聯系，然后找到地方政府土地財政各風險指標與土地財政風險狀態(tài)之間的非線性映射關系。

根據RBF神經網絡原理，將輸入的各風險指標的綜合指數XN，通過一個激活函數轉換到隱含層空間，并通過學習算法確定網絡權向量W= （W1，W2，…，WN）T∈Rn和閾值θ∈R1，由此，網絡的輸出模型為[38]：

式（3）中，Yj為輸出層中第j個輸出年份的輸出值。

RBF神經網絡隱含層的徑向基激活函數通常采用高斯函數，其表達式為：

由此可得RBF神經網絡模型的輸出，即地方政府土地財政風險預警模型為：

式（5）中，Yj為第j年土地財政風險的狀態(tài)，Wi為網絡權值，‖·‖為歐式范數，xn為第n個訓練年份的數據，ci為隱含層節(jié)點的中心，σ為高斯函數的方差。

5.2 地方政府土地財政風險RBF模型的測試

根據RBF神經網絡模型的工作原理，應用Matlab 2014a軟件的newrbe函數和sim函數設計程序，以新增建設用地面積等16個江西省土地財政風險指標的綜合指數作為輸入樣本，分別用X1，X2，…，X16表示；將江西省土地財政風險狀態(tài)（無警、輕警、中警和重警）作為網絡輸出，并分別用Y1= （1，0，0，0）、Y2= （0，1，0，0）、Y3= （0，0，1，0）、Y4= （0，0，0，1）表示，由此構造一個單風險輸出的RBF神經網絡土地財政風險預警模型。

選擇江西省前7組土地財政風險指標數據（2005—2011年）為訓練樣本，進行網絡模擬與仿真，經實際訓練，反復調試網絡參數，得到模型的最佳訓練誤差值為1.5533e-32，該誤差幾乎為0，說明網絡的輸出能很好地逼近非線性函數Yj，即該RBF神經網絡的地方政府土地財政風險預警模型具有極好的擬合能力。

為檢驗網絡的實際預測效果，選取后3組土地財政風險的相關數據（2012—2014年）作為網絡的測試集，檢驗結果見表4。

表4 網絡測試結果Tab.4 The results of network test

由表3和表4可知，測試集3個年份土地財政風險狀態(tài)全部預測成功，準確率達100%。由此表明，RBF神經網絡模型可以對地方政府土地財政風險進行精確預測。

5.3 土地財政風險預警模型穩(wěn)定性分析

為了避免由訓練集和檢驗集的選取而造成的網絡預測誤差，本文另外設計了2組不同的訓練集和檢驗集，以進一步測試RBF神經網絡模型預測地方政府土地財政風險的準確性和穩(wěn)定性。

設計一：等距選取4組樣本數據（2005年、2008年、2011年和2014年）作為網絡的測試集，剩下6組樣本數據作為網絡的訓練集。

設計二：隨機選取3組樣本數據（2006年、2010年和2012年）作為網絡的測試集，剩下7組樣本數據作為網絡的訓練集。

結果顯示，設計一的測試集只有2008年預測失敗，其他全部預測成功，準確率為75%。分析其預測失敗的原因，可能是訓練樣本數據大都集中在中警（0，0，1，0）狀態(tài)，而處于輕警（0，1，0，0）狀態(tài)的數據則相對不足，導致RBF網絡未能得到足夠的訓練，以致網絡把原本為輕警狀態(tài)誤判為中警。設計二的測試集全部預測成功，準確率為100%。綜合分析以上預測結果可知，基于RBF神經網絡的地方政府土地財政風險預警模型，對江西省土地財政風險預警時，總的誤判個數為1個，誤判率為10%，預測準確率達90%，進一步表明RBF神經網絡模型具有較高的穩(wěn)定性，可以很好地對地方政府土地財政風險進行預警。

5.4 土地財政風險預警

應用已建立的RBF神經網絡預警模型，分別對江西省2017—2019年土地財政風險進行預警，其預警結果均為（0，0，1，0），即預測2017—2019年江西土地財政風險處于中警狀態(tài)。其結果表明：近10年來，江西省地方政府對土地財政的嚴重依賴未能得到根本性的轉變，并且在未來3年內仍會維持較高風險狀態(tài)。這與土地利用方式不合理、城市快速擴張、工業(yè)快速發(fā)展等因素有著重要聯系。

因此，政府相關部門應采取積極措施降低土地財政帶來的風險，具體政策建議有：（1）加強建設用地集約利用，科學配置項目用地，盤活存量建設用地；（2）優(yōu)化調整地方政府的財政稅收結構，特別是土地直接稅收收入占財政收入的比重；（3）嚴格控制城鎮(zhèn)人口的增長和規(guī)范土地交易市場，抑制樓市的泡沫增長；（4）強化土地監(jiān)測系統(tǒng)的建設，通過實地踏勘和遙感等綜合手段，堅決打擊土地違法行為；（5）加強土地執(zhí)法力度，嚴格控制建設用地占用耕地；（6）積極推進地方特色經濟產業(yè)建設，增加地方政府收入的多樣性。

6 結論

2005—2008年江西省土地財政總體風險呈下降勢態(tài)，但2008年后警度隨即回升，并一直保持在中警狀態(tài)。就各子風險系統(tǒng)而言，江西省土地財政行政風險從2005年的中警降至2013年的無警狀態(tài)，總體呈下降趨勢；其原因可能是國家對土地違法案件的嚴厲打擊，以及相關土地政策法規(guī)的健全完善。經濟風險和社會風險在本研究時間段內基本處于中警狀態(tài)，說明江西省對土地財政的嚴重依賴造成較大的社會和經濟風險。生態(tài)風險警度從2005年的輕警突升到2006年的重警，隨后有所下降，但到2012年之后警度又回升至中警狀態(tài)。本文反映生態(tài)風險的兩個指標均與耕地直接相關，因此說明江西省土地財政的高度依賴可能是以嚴重破壞耕地為代價的。

本文以江西省地方政府土地財政風險指標綜合指數作為網絡輸入，土地財政風險狀態(tài)作為網絡輸出，構建了RBF神經網絡預警模型，并對江西省土地財政的風險狀態(tài)進行學習模擬與仿真預測。測試結果表明，RBF神經網絡模型擬合準確率高，穩(wěn)定性強，預測結果總體符合江西省實際，能夠基本反映江西省土地財政風險的整體狀態(tài)，說明RBF神經網絡模型是地方政府土地財政風險預警的有效方法之一。

通過本文已建立的RBF神經網絡模型，預測江西省2017—2019年土地財政風險均處于中警狀態(tài)，說明未來3年江西省地方政府將繼續(xù)面臨著較大的土地財政風險，亟需采取相關措施來防范，如科學制定長期的用地規(guī)劃，提高土地集約利用度；優(yōu)化調整政府的財政稅收結構；嚴格規(guī)范土地交易市場，保證市場交易公開透明；完善相關法律法規(guī)及監(jiān)測系統(tǒng)建設，加強土地執(zhí)法監(jiān)督；倡導地方發(fā)展多元化特色產業(yè)，提高地方政府收入的多樣性等。

本文存在預警指標體系考慮不夠周全、部分數據缺失或難以獲取等因素，可能會影響RBF模型對地方政府土地財政風險的成功預測，這些有待后續(xù)研究進一步完善。

（References）：

［1］ Ran Tao, Fubing Su, Mingxing Liu, et al. Land leasing and local public finance in China’s regional development: Evidence from prefecture-level cities［J］ . Urban Studies 2010，47（10）：2217 - 2236.

［2］ 汪勛杰. 地方政府土地財政風險評估與防范研究［D］ . 南京：南京農業(yè)大學，2014：3 - 4.

［3］ 崔藝紅. “土地財政”的法律終結［J］ . 中國物價，2008，（6）：36.

［4］ 陳志勇，陳莉莉. “土地財政”：緣由與出路［J］ . 財政研究，2010，（1）：29.

［5］ 邵繪春. “土地財政”的風險與對策研究［J］ . 安徽農業(yè)科學，2007，（13）：4006.

［6］ 婁成武，王玉波. 中國土地財政中的地方政府行為與負效應研究［J］ . 中國軟科學，2013，（6）：1.

［7］ 鄒秀清. “租稅互替”與地方政府的土地財政行為研究綜述［J］ . 現代經濟探討，2014，（7）：68 - 72.

［8］ 昌忠澤. 土地財政隱藏的風險及相關的對策建議［J］ . 山東財政學院學報，2011，（1）：24 - 26.

［9］ 鄭威，徐鯤. 城鎮(zhèn)化進程中“土地財政”的風險治理［J］ . 中國土地，2015，（7）：6 - 9.

［10］ 李洋宇. 土地財政的風險分析及改革建議［J］ . 安徽農業(yè)科學，2013，（21）：9089 - 9090.

［11］ 程瑤. 制度經濟學視角下的土地財政［J］ . 經濟體制改革，2009，（1）：31 - 34.

［12］ 鄧建波，陳文寬. 基于面板數據的“土地財政”規(guī)模及其風險研究［J］ . 湖北農業(yè)科學，2012，（21）：4951 - 4955.

［13］ 楊志安，寧宇之. 中國財政風險預警系統(tǒng)的構建——基于AHP評價法的實證研究［J］ . 中國經濟問題，2014，（4）：30 - 37.

［14］ 尚海濤. 陜西省地方財政風險實證研究［D］ . 西安：西北大學，2010：121 - 123.

［15］ 舒成. 基層財政收支灰色預測模型及應用［J］ . 統(tǒng)計與決策，2010，（3）：49 - 50.

［16］ 張明喜，叢樹海. 我國財政風險非線性預警系統(tǒng)——基于BP神經網絡的研究［J］ . 經濟管理，2009，（5）：147 - 153.

［17］ 趙海華. 基于灰色RBF神經網絡的多因素財政收入預測模型［J］ . 統(tǒng)計與決策，2016，（13）：79 - 81.

［18］ 壽暉，張永安. 基于AHP—熵值法商業(yè)銀行體系風險指標預警研究——來自2003—2012年數據［J］ . 華東經濟管理，2013，（10）：44 - 49.

［19］ 陳海峰. 基于AHP—熵值法的稅源風險評估研究［D］ . 廈門：廈門大學，2014：16.

［20］ 劉磊，郭巖. 基于RBF神經網絡的物流企業(yè)財務風險預警評價［J］ . 財會月刊，2012，（9）：59 - 61.

［21］ 汝信，陸學藝，李培林. 2007年：中國社會形勢分析與預測［M］ . 北京：社會科學文獻出版社，2006，269 - 271.

［22］ Lin G C, Li X, Yang F F, et al. Strategizing urbanism in the era of neoliberalization: State power reshuffling, land development and municipal finance in urbanizing China［J］ . Urban Studies，2015，52（11）：1962 - 1982.

［23］ 杜雪君，黃忠華，吳次芳. 中國土地財政與經濟增長——基于省際面板數據的分析［J］ . 財貿經濟，2009，（1）：60 - 64.

［24］ 顧乃華，王小霞，陳雄輝. 我國土地財政的區(qū)域差異與成因——基于省際面板數據的實證研究［J］ . 產經評論，2011，（2）：103 -112.

［25］ Wang Q, Xu J X, Zhang Y. An Empirical Study of the Impact of Land Finance on housing prices［J］ . Advances in Applied Economicsamp; Finance，2012，2（1）.

［26］ 樊繼達. 治理土地財政：一個公共經濟分析框架［J］ . 國家行政學院學報，2011，（4）：43 - 48.

［27］ 張曉玲，詹運洲，蔡玉梅，等. 土地制度與政策:城市發(fā)展的重要助推器——對中國城市化發(fā)展實踐的觀察與思考［J］ . 城市規(guī)劃學刊，2011，（ 1）：25 - 29.

［28］ 劉守英. “土地財政”出路在于改變城市化動力機制［J］ . 農村經營管理，2011，（5）：27.

［29］ 邵源. 關于“土地財政”與財稅體制改革問題綜述［J］ . 經濟研究參考，2010，（24）：36 - 45.

［30］ 張雙長，李稻葵. “二次房改”的財政基礎分析——基于土地財政與房地產價格關系的視角［J］ . 財政研究，2010，（ 7）：5 - 11.

［31］ 王學龍，楊文. 中國的土地財政與房地產價格波動——基于國際比較的實證分析［J］ . 經濟評論，2012，（4）：88 - 96，144.

［32］ 唐在富. 中國土地財政基本理論研究——土地財政的起源、本質、風險與未來［J］ . 經濟經緯，2012，（2）：140 - 145.

［33］ Zheng H, Wang X, Cao S. The land finance model jeopardizes China’s sustainable development［J］ . Habitat International，2014，44：130 - 136.

［34］ 徐美，朱翔，劉春臘. 基于RBF的湖南省土地生態(tài)安全動態(tài)預警［J］ . 地理學報，2012，67（10）：1411 - 1422.

［35］ 李新然，吳晶晶. 基于RBF網絡的港口投資效益預警模型研究［J］ . 科研管理，2010，（1）：190 - 196.

［36］ 高奇. 基于CPM-RBF模型的區(qū)域土地生態(tài)安全預警研究［D］ . 北京：中國地質大學（北京），2015.

［37］ Binchini M, Frasconi P, Cori M. Learning without local minima in radial basis function net-works［J］ . IEEE Transactions on Neural Networks，1995，6（3）：749 - 755.

［38］ 李瑞，張悟移. 基于RBF神經網絡的物流業(yè)能源需求預測［J］ . 資源科學，2016，38（3）：450 - 460.

A Study on Risk Evaluation and Pre-warning of Local Government Land Finance

ZOU Xiu-qing1, MO Guo-hui1, LIU Yang-qianyu1, LIU Guang-cheng2, CHEN Hong-yan1
（1. College of Tourism and Urban Management, Jiangxi University of Finance and Economics, Nanchang 330032, China;2. China Land Surveying and Planning Institute, Beijing 100035, China）

The purposes of this study are 1) to evaluate the risk of land finance in Jiangxi Province by applying AHP-entropy method to calculate comprehensive weight of the local government land fiscal risk index; 2) to establish prewarming model based on RBF neural networks to simulate and analyze the situation of land fiscal risk in Jiangxi Province by taking the comprehensive index of local government land fiscal risk as the network input and the state of land fiscal risk as the output. The methods employed are AHP- entropy method and RBF neural networks. The results show that:1)In 2005-2014, the overall risk of land finance in Jiangxi Province fluctuated on moderate alarm. In terms of each risk subsystems, the administrative risk generally showed a slight downward trend. Economic and social risk stayed in moderate alarm basically during the study period. As for ecological risk, the warning degree jumped to heavy alarm in2006 from light alarm in 2005.Although it declined subsequently, warning degree rebounded to moderate alarm after 2012. 2) RBF neural networks model shows its high simulation accuracy and stability,and its prediction results are in accordance with actual situation of Jiangxi Province, which can reflect the overall state of land fiscal risk. It is predicted that the fiscal risk state of Jiangxi Province from 2017 to 2019 is still in the moderate alarm. In conclusion, the land fiscal risk of Jiangxi will stay in moderate alarm in the next three years. So effective measures should be taken to avoid and reduce the risk immediately. Besides, RBF neural networks model is one of the effective methods to predict the land fiscal risk of local governments, which can provide theoretical basis and decision reference for preventing and mitigating local governments land fiscal risk.

land economy; land finance; risk evaluation; risk pre-warning; AHP-entropy method; RBF neural networks;Jiangxi Province

F301.3

A

1001-8158（2017）09-0070-10

10.11994/zgtdkx.20171025.151350

2017-06-13；

2017-08-05

江西省自然科學基金項目（20171BAA208016）；國家社會科學基金重點項目（13AGL007）。

鄒秀清（1973-），男，江西廬山人，教授，博士生導師。主要研究方向為土地經濟與制度。E-mail: zxq888@263.net

莫國輝（1992-），男，廣東封開人，碩士研究生。主要研究方向為土地經濟。E-mail: 975125329@qq.com

（本文責編：戴晴）