地方政府土地财政风险评估及预警研究

邹秀清，莫国辉，刘杨倩宇，刘光成 ，陈红艳

（1.江西财经大学旅游与城市管理学院，江西 南昌 330032；2.中国土地勘测规划院，北京 100035）

地方政府土地财政风险评估及预警研究

邹秀清1，莫国辉1，刘杨倩宇1，刘光成2，陈红艳1

（1.江西财经大学旅游与城市管理学院，江西 南昌 330032；2.中国土地勘测规划院，北京 100035）

研究目的：运用AHP-熵值法计算地方政府土地财政风险指标的综合权重，评估江西省土地财政风险状况；以地方政府土地财政风险指标综合指数作为网络输入，土地财政风险状态作为网络输出，构建RBF神经网络预警模型，并对江西省土地财政的风险状态进行学习模拟及预警分析。研究方法：AHP-熵值法； RBF神经网络模型。研究结果：（1）2005—2014年，江西省土地财政总体风险在中警状态波动。就风险子系统而言，江西省土地财政行政风险总体呈下降趋势；经济风险和社会风险在本研究时间段内基本处于中警状态；生态风险警度从2005年的轻警突升到2006年的重警，随后有所下降，但到2012年之后警度又回升至中警状态。（2）RBF神经网络模型拟合准确率高，稳定性强，模拟结果符合江西省实际，能够基本反映江西省土地财政风险的整体状态。研究结论：2017—2019年江西省的土地财政风险预测位于中警状态，亟需采取相应的防范措施规避和降低风险；RBF神经网络模型是预警地方政府土地财政风险的有效方法之一，可为防范和化解地方政府土地财政风险提供理论依据和决策参考。

土地经济；土地财政；风险评估；风险预警；AHP-熵值法；RBF神经网络；江西省

1 引言

“土地财政”是中国20世纪90年代以来的一种特殊现象，指地方政府的可支配财力高度倚重土地及相关产业租税费收入的一种财政模式[1]。该模式现已成为地方政府获得土地出让金等预算外财政收入以增加固定资产投资和弥补财政收支缺口的主要来源[2]。目前学术界对土地财政尚未有统一定义，但大都认同土地财政具有以下两个基本特征：一是地方政府财政收入高度依赖土地相关收入，二是土地出让金在土地财政收入中占比很高[3-6]。本文中的土地财政指的是地方政府高度依赖其辖区范围内的土地出让及其相关收入，以弥补地方政府财力不足的行为。

不可否认，“土地财政”在加快城市化进程、建设公共设施等方面发挥了重要作用，但是，土地财政也导致地方政府出于经济利益，高度依赖土地出让金收入的现象，进而产生了当下的“土地财政依赖综合症”[7]。高度的“土地财政依赖综合症”背后潜藏的是土地财政风险，如房价大幅度上涨，居民消费能力下降，加剧了社会不公；地方政府垄断土地一级市场，低价征收农民土地获得超额垄断利润，可能引起社会稳定风险；在中国“人地矛盾”十分突出的背景下，大规模的土地财政造成耕地数量锐减、质量降低……在可出让用地不足、现有土地出让政策限制的影响下，极有可能造成地方政府土地出让收入的不确定性和增长的不可持续性，从而引爆一系列的系统性问题。可见，土地财政与经济发展、社会和谐、政治稳定、生态平衡紧密相关，如果土地财政风险得不到及时预警与有效化解，将可能给中国社会经济带来巨大的系统风险。因此，对地方政府土地财政风险进行评估和预警研究，具有重要的理论和现实意义。

地方政府土地财政风险评价及预警是指地方政府在面临财务困境时过度依赖土地出让收入[8]，对由此可能引发的社会、经济、行政和生态等风险进行评价、预测和警报，以达到提前预防和控制风险的目的。目前国内相关研究主要包括土地财政风险的理论[9]、指标体系[10]、形成机理[11]和研究方法[12]等内容，但未见公开文献对地方政府土地财政风险预警进行系统研究。在预测预警方法上，AHP评价法[13]、GARCH模型[14]、灰色GM（l，l）模型[15]、BP神经网络[16]、RBF神经网络[17]等方法在财政风险预警领域均有应用，但未见文献将之应用到中国地方政府土地财政风险预警研究中。

本文基于江西省2005—2014年土地财政相关数据，选用综合体现主观因素和客观因素的AHP—熵值法[18-19]计算土地财政风险指标的综合权重，进而评估了江西省历年土地财政风险状况；在此基础上，采用RBF神经网络模型对具有非线性特征且受到多种因素影响和制约的地方政府土地财政风险进行预警[20]，以期为防范和化解地方政府土地财政风险提供理论依据和决策参考。

2 研究区概况

江西省地处长江中游，是历史悠久的农业大省。随着社会经济的迅猛发展，城市人口的不断增多，江西省的建设用地需求量也日益剧增，2005—2014年江西省土地出让收入和财政收入情况如图1所示。

图1 2005—2014年江西省土地出让收入和财政收入情况Fig.1 Land leasing revenue and fiscal revenue of Jiangxi Province in 2005-2014

图1显示，2005年江西省土地出让收入达151.0×108元，土地出让收入占财政收入的35.4%；2014年江西省土地出让收入达1013.9×108元，土地出让收入占财政收入的37.8%。在本研究时间段内，江西省土地出让收入与财政收入不断上涨，土地出让收入与财政收入的比例呈波动上升的趋势。其中，2013年土地出让收入占财政收入的比例最高（56.8%）；2008年的最小（18.8%），平均每年占比接近40%。可见，江西省的财政收入对土地出让收入依赖比较严重。

3 土地财政风险指标体系构建

目前许多学者对土地财政可能引发的风险进行了一定研究，但未形成较为统一、完善的理论和框架。本文在参考土地财政风险相关研究成果[9-11，21]的基础上，根据土地财政风险来源，综合社会、经济、行政和生态等多种因素，并充分考虑这些风险指标之间存在的相互联系或相互制约的影响关系来选取地方政府土地财政风险预警指标。通过整理江西省2005—2014年相关数据，根据指标选取的客观性、科学性、动态性、实用性和可操作性等原则，结合江西省实际，同时考虑数据的可得性，对江西省土地财政风险主要评估及预警指标进行归纳和筛选，如表1所示。

新增建设用地面积和城镇化率。研究表明，1990年代以来，城镇土地开发是中国城市规模扩张的突出特征[22]，在快速城镇化过程中土地财政扮演了重要的角色。一方面，土地财政促进了经济增长[23-24]、加快公共设施建设[25]以及城市化进程[26-28]，另一方面城市规模的扩张又促使土地财政规模迅速增大。

失地农民增加量。中国城市扩张速度不断加快，大量农地被征收变为建设用地，失地农民数量不断攀升。尽管失地农民得到了一定的补偿，但是实际上国家所规定的征地补偿标准过低，农民不能直接参与土地收益的分配，“土地财政”间接造成了农民利益受损[29]，甚至对部分农民未来的生计保障造成了威胁。

商品房平均价格增长率，即当前的商品房平均价格增长量除以上一年的商品房平均价格。一方面，土地财政拉高地价，通过价格传导，造成房价快速上涨[30-32]；另一方面，土地财政助长了大众对于房地产投资的热情，造成房价过度上涨，许多富裕家庭通过投资炒房的方式，使得全社会贫富差距不断拉大，影响社会稳定。

表1 土地财政风险指标体系Tab.1 Land fiscal risk pre-warning index system

城乡居民收入分化程度，即城镇居民人均可支配收入与农村居民人均纯收入的占比。收入分配不均是中国贫富差距不断加大的主要原因，现行的土地制度使农村居民无法直接参与土地收益分配，进而造成农民收入过低；仅有的一部分失地农民，尽管可以得到土地财政的补偿，但事实上，部分安置房作为小产权房不能直接入市，不能进一步分享城市发展过程中的土地财政“红利”。因此，总体看来，土地财政盛宴之下的农村居民与城镇居民的收入分配极易出现两极分化，影响社会公平。

土地市场发育程度，即招拍挂出让土地宗数占土地总出让宗数的比重。这一指标体现的是土地市场的公平程度，高额土地出让金是地方政府通过“招拍挂”等方式获得的土地补偿收入，招拍挂出让土地宗数比重越大表示土地市场越公平合理，城市土地经营水平越高。

土地出让收入依赖度和土地直接税收收入占比。目前中国城镇化进程以增量土地开发模式为主，但土地资源的有限性决定了土地出让收入是难以持续的。另外，目前土地直接税收额小、名目繁杂，且征税成本高，对地方财政的贡献很小。如果地方政府一味依靠出让土地来增加财政收入弥补地方财政收入的不足，势必影响当地经济与社会的可持续发展。

赤字率和宏观税负。赤字率是衡量经济风险中十分重要的指标之一。尽管当前中国采取平衡预算的编制方法以及转移支付的形式弥补了地方政府账面上的“窟窿”，但是地方政府财政收支的窘迫是不争的事实。因此财政赤字率一定程度上可以反映土地财政经济风险状况。国家的税负总体水平过低或过高会直接影响到经济运行和社会稳定，因而合理的宏观税负水平对于防范化解地方政府土地财政的经济风险具有重要意义。

土地违法案件数、非法占地立案数和非法占地立案涉及耕地面积占比。土地违法案件的发生，反映了地方政府土地执法与监督的管理水平，以及政府自身非法占地的程度。土地审批权力的下放，地方政府未批先用、边报边批、侵占优质农田等行为已造成耕地资源大量损失。制度安排形成的巨大利益为土地寻租和腐败滋生提供了空间，在查处的违法案件中，地方政府违法占地的问题最为突出。非法占地必然引发社会和政府的矛盾及对立情绪，造成社会动荡，损害党和各级政府的公信力。

人均耕地面积、耕地占比和耕地减少率。耕地生态系统不仅具有生产生态系统产品的功能，而且具有支撑与维持人们赖以生存的自然环境的功能。因此，耕地面积占土地总面积的比重越大，越有利于降低生态风险。研究表明，土地财政造成耕地大量减少[23，33]，不仅威胁到了当代人粮食保障，也损害了人类赖以生存的环境和后代的衣食来源，严重影响环境的可持续发展。

4 地方政府土地财政风险评估

4.1 AHP—熵值法

在预警地方政府土地财政风险之前，需要评估土地财政风险状况。AHP—熵值法既结合了专家意见，又可体现数据固有信息[14]，能够有效将定性问题定量化并进行趋势预测判断。为此，本文采用AHP—熵值法对地方政府土地财政风险指标进行衡量和评估。其算法原理是采用熵值法的差异系数对AHP权重进行修正，得出综合权重组合，计算公式为：

式（1）中，ω为AHP—熵值法的综合权重，wi为层次分析法的权重，gi为熵值法的差异系数。

4.2 计算综合权重

根据AHP—熵值法的算法原理，采用熵值法的差异系数对AHP权重进行修正，得出江西省土地财政风险指标综合权重（表2）。

表2 江西省土地财政风险指标综合权重Tab.2 Synthetic weights of land fiscal risk pre-warning indexes in Jiangxi Province

4.3 确定综合指数

式（2）中，ωi和pi分别为各指标的权重及得分，i的取值为指标的个数。土地财政风险综合指数上限为 100，下限为0，计算结果见图2。

为了全面反映和评价地方政府土地财政中的行政、经济、社会和生态风险，须进一步确定预警综合指数：

图2 2005—2014年江西省土地财政风险警情综合指数值Fig.2 Trend of synthetic indexes of land fiscal risk pre-warning in Jiangxi Province

4.4 土地财政风险指标灰色关联度分析

在应用RBF神经网络模型预警地方政府土地财政风险之前，课题组采用灰色关联度分析验证本文构建的土地财政风险指标体系的科学性和合理性。对原始数据进行均一化处理之后，应用Matlab软件将土地财政风险综合指数与16个江西省土地财政风险指标进行灰色关联分析，结果显示：灰色关联度最高的指标为土地直接税收收入，关联度达0.94；最低的指标为城乡居民收入分化程度，关联度0.43；平均关联度大于0.7，达三级精度水平。因此本文归纳和筛选的这16个指标与土地财政风险之间有很强的关联度，符合土地财政风险评估及预警的统计要求。

4.5 土地财政风险评估

根据等分原理[34]，并参考风险划分的相关研究[35]，本文设定4个土地财政风险指标的警情区间：无警、轻警、中警、重警，对应综合指数区间分别为［0—25］，（25—50］，（50—75］，（75—100］。由图2数据可评估出江西省2005—2014年土地财政风险状态（表3）。

综合图2和表3可以分析2005—2014年江西省土地财政风险的动态变化：2005—2008年江西省土地财政总体风险呈下降势态，但下降速度有限；2008年后警度回升，并一直保持在中警状态。就各子风险系统而言，江西省土地财政行政风险从2005年的中警降至2013年的无警状态，总体呈下降趋势；其原因可能是国家对土地违法案件的严厉打击，以及相关土地政策法规的健全完善。经济风险和社会风险在本文时间段内基本处于中警状态，说明江西省对土地财政的严重依赖造成较大的社会和经济风险。生态风险警度从2005年的轻警突升到2006年的重警，随后有所下降，但到2012年之后警度又回升至中警状态。本文反映生态风险的两个指标均与耕地直接相关，因此说明江西省土地财政的高度依赖可能是以严重破坏耕地为代价的。

表3 江西省2005—2014年土地财政风险状态Tab.3 The situation of land fiscal risk in Jiangxi Province from 2005 to 2014

图3 RBF神经网络结构Fig.3 Neural network structure of RBF

5 地方政府土地财政风险预警

5.1 RBF神经网络模型

RBF（Radial Basis Function）神经网络是一种性能良好的三层前馈网络[36]，其网络结构见图3所示。它具有极强的自适应性和泛化能力，能以任意精度逼近任一连续函数，且无局部极小点[37]。因此，可以快速挖掘和学习输入样本数据本身之间的联系，然后找到地方政府土地财政各风险指标与土地财政风险状态之间的非线性映射关系。

根据RBF神经网络原理，将输入的各风险指标的综合指数XN，通过一个激活函数转换到隐含层空间，并通过学习算法确定网络权向量W= （W1，W2，…，WN）T∈Rn和阈值θ∈R1，由此，网络的输出模型为[38]：

式（3）中，Yj为输出层中第j个输出年份的输出值。

RBF神经网络隐含层的径向基激活函数通常采用高斯函数，其表达式为：

由此可得RBF神经网络模型的输出，即地方政府土地财政风险预警模型为：

式（5）中，Yj为第j年土地财政风险的状态，Wi为网络权值，‖·‖为欧式范数，xn为第n个训练年份的数据，ci为隐含层节点的中心，σ为高斯函数的方差。

5.2 地方政府土地财政风险RBF模型的测试

根据RBF神经网络模型的工作原理，应用Matlab 2014a软件的newrbe函数和sim函数设计程序，以新增建设用地面积等16个江西省土地财政风险指标的综合指数作为输入样本，分别用X1，X2，…，X16表示；将江西省土地财政风险状态（无警、轻警、中警和重警）作为网络输出，并分别用Y1= （1，0，0，0）、Y2= （0，1，0，0）、Y3= （0，0，1，0）、Y4= （0，0，0，1）表示，由此构造一个单风险输出的RBF神经网络土地财政风险预警模型。

选择江西省前7组土地财政风险指标数据（2005—2011年）为训练样本，进行网络模拟与仿真，经实际训练，反复调试网络参数，得到模型的最佳训练误差值为1.5533e-32，该误差几乎为0，说明网络的输出能很好地逼近非线性函数Yj，即该RBF神经网络的地方政府土地财政风险预警模型具有极好的拟合能力。

为检验网络的实际预测效果，选取后3组土地财政风险的相关数据（2012—2014年）作为网络的测试集，检验结果见表4。

表4 网络测试结果Tab.4 The results of network test

由表3和表4可知，测试集3个年份土地财政风险状态全部预测成功，准确率达100%。由此表明，RBF神经网络模型可以对地方政府土地财政风险进行精确预测。

5.3 土地财政风险预警模型稳定性分析

为了避免由训练集和检验集的选取而造成的网络预测误差，本文另外设计了2组不同的训练集和检验集，以进一步测试RBF神经网络模型预测地方政府土地财政风险的准确性和稳定性。

设计一：等距选取4组样本数据（2005年、2008年、2011年和2014年）作为网络的测试集，剩下6组样本数据作为网络的训练集。

设计二：随机选取3组样本数据（2006年、2010年和2012年）作为网络的测试集，剩下7组样本数据作为网络的训练集。

结果显示，设计一的测试集只有2008年预测失败，其他全部预测成功，准确率为75%。分析其预测失败的原因，可能是训练样本数据大都集中在中警（0，0，1，0）状态，而处于轻警（0，1，0，0）状态的数据则相对不足，导致RBF网络未能得到足够的训练，以致网络把原本为轻警状态误判为中警。设计二的测试集全部预测成功，准确率为100%。综合分析以上预测结果可知，基于RBF神经网络的地方政府土地财政风险预警模型，对江西省土地财政风险预警时，总的误判个数为1个，误判率为10%，预测准确率达90%，进一步表明RBF神经网络模型具有较高的稳定性，可以很好地对地方政府土地财政风险进行预警。

5.4 土地财政风险预警

应用已建立的RBF神经网络预警模型，分别对江西省2017—2019年土地财政风险进行预警，其预警结果均为（0，0，1，0），即预测2017—2019年江西土地财政风险处于中警状态。其结果表明：近10年来，江西省地方政府对土地财政的严重依赖未能得到根本性的转变，并且在未来3年内仍会维持较高风险状态。这与土地利用方式不合理、城市快速扩张、工业快速发展等因素有着重要联系。

因此，政府相关部门应采取积极措施降低土地财政带来的风险，具体政策建议有：（1）加强建设用地集约利用，科学配置项目用地，盘活存量建设用地；（2）优化调整地方政府的财政税收结构，特别是土地直接税收收入占财政收入的比重；（3）严格控制城镇人口的增长和规范土地交易市场，抑制楼市的泡沫增长；（4）强化土地监测系统的建设，通过实地踏勘和遥感等综合手段，坚决打击土地违法行为；（5）加强土地执法力度，严格控制建设用地占用耕地；（6）积极推进地方特色经济产业建设，增加地方政府收入的多样性。

6 结论

2005—2008年江西省土地财政总体风险呈下降势态，但2008年后警度随即回升，并一直保持在中警状态。就各子风险系统而言，江西省土地财政行政风险从2005年的中警降至2013年的无警状态，总体呈下降趋势；其原因可能是国家对土地违法案件的严厉打击，以及相关土地政策法规的健全完善。经济风险和社会风险在本研究时间段内基本处于中警状态，说明江西省对土地财政的严重依赖造成较大的社会和经济风险。生态风险警度从2005年的轻警突升到2006年的重警，随后有所下降，但到2012年之后警度又回升至中警状态。本文反映生态风险的两个指标均与耕地直接相关，因此说明江西省土地财政的高度依赖可能是以严重破坏耕地为代价的。

本文以江西省地方政府土地财政风险指标综合指数作为网络输入，土地财政风险状态作为网络输出，构建了RBF神经网络预警模型，并对江西省土地财政的风险状态进行学习模拟与仿真预测。测试结果表明，RBF神经网络模型拟合准确率高，稳定性强，预测结果总体符合江西省实际，能够基本反映江西省土地财政风险的整体状态，说明RBF神经网络模型是地方政府土地财政风险预警的有效方法之一。

通过本文已建立的RBF神经网络模型，预测江西省2017—2019年土地财政风险均处于中警状态，说明未来3年江西省地方政府将继续面临着较大的土地财政风险，亟需采取相关措施来防范，如科学制定长期的用地规划，提高土地集约利用度；优化调整政府的财政税收结构；严格规范土地交易市场，保证市场交易公开透明；完善相关法律法规及监测系统建设，加强土地执法监督；倡导地方发展多元化特色产业，提高地方政府收入的多样性等。

本文存在预警指标体系考虑不够周全、部分数据缺失或难以获取等因素，可能会影响RBF模型对地方政府土地财政风险的成功预测，这些有待后续研究进一步完善。

（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］ 汪勋杰. 地方政府土地财政风险评估与防范研究［D］ . 南京：南京农业大学，2014：3 - 4.

［3］ 崔艺红. “土地财政”的法律终结［J］ . 中国物价，2008，（6）：36.

［4］ 陈志勇，陈莉莉. “土地财政”：缘由与出路［J］ . 财政研究，2010，（1）：29.

［5］ 邵绘春. “土地财政”的风险与对策研究［J］ . 安徽农业科学，2007，（13）：4006.

［6］ 娄成武，王玉波. 中国土地财政中的地方政府行为与负效应研究［J］ . 中国软科学，2013，（6）：1.

［7］ 邹秀清. “租税互替”与地方政府的土地财政行为研究综述［J］ . 现代经济探讨，2014，（7）：68 - 72.

［8］ 昌忠泽. 土地财政隐藏的风险及相关的对策建议［J］ . 山东财政学院学报，2011，（1）：24 - 26.

［9］ 郑威，徐鲲. 城镇化进程中“土地财政”的风险治理［J］ . 中国土地，2015，（7）：6 - 9.

［10］ 李洋宇. 土地财政的风险分析及改革建议［J］ . 安徽农业科学，2013，（21）：9089 - 9090.

［11］ 程瑶. 制度经济学视角下的土地财政［J］ . 经济体制改革，2009，（1）：31 - 34.

［12］ 邓建波，陈文宽. 基于面板数据的“土地财政”规模及其风险研究［J］ . 湖北农业科学，2012，（21）：4951 - 4955.

［13］ 杨志安，宁宇之. 中国财政风险预警系统的构建——基于AHP评价法的实证研究［J］ . 中国经济问题，2014，（4）：30 - 37.

［14］ 尚海涛. 陕西省地方财政风险实证研究［D］ . 西安：西北大学，2010：121 - 123.

［15］ 舒成. 基层财政收支灰色预测模型及应用［J］ . 统计与决策，2010，（3）：49 - 50.

［16］ 张明喜，丛树海. 我国财政风险非线性预警系统——基于BP神经网络的研究［J］ . 经济管理，2009，（5）：147 - 153.

［17］ 赵海华. 基于灰色RBF神经网络的多因素财政收入预测模型［J］ . 统计与决策，2016，（13）：79 - 81.

［18］ 寿晖，张永安. 基于AHP—熵值法商业银行体系风险指标预警研究——来自2003—2012年数据［J］ . 华东经济管理，2013，（10）：44 - 49.

［19］ 陈海峰. 基于AHP—熵值法的税源风险评估研究［D］ . 厦门：厦门大学，2014：16.

［20］ 刘磊，郭岩. 基于RBF神经网络的物流企业财务风险预警评价［J］ . 财会月刊，2012，（9）：59 - 61.

［21］ 汝信，陆学艺，李培林. 2007年：中国社会形势分析与预测［M］ . 北京：社会科学文献出版社，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，黄忠华，吴次芳. 中国土地财政与经济增长——基于省际面板数据的分析［J］ . 财贸经济，2009，（1）：60 - 64.

［24］ 顾乃华，王小霞，陈雄辉. 我国土地财政的区域差异与成因——基于省际面板数据的实证研究［J］ . 产经评论，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］ 樊继达. 治理土地财政：一个公共经济分析框架［J］ . 国家行政学院学报，2011，（4）：43 - 48.

［27］ 张晓玲，詹运洲，蔡玉梅，等. 土地制度与政策:城市发展的重要助推器——对中国城市化发展实践的观察与思考［J］ . 城市规划学刊，2011，（ 1）：25 - 29.

［28］ 刘守英. “土地财政”出路在于改变城市化动力机制［J］ . 农村经营管理，2011，（5）：27.

［29］ 邵源. 关于“土地财政”与财税体制改革问题综述［J］ . 经济研究参考，2010，（24）：36 - 45.

［30］ 张双长，李稻葵. “二次房改”的财政基础分析——基于土地财政与房地产价格关系的视角［J］ . 财政研究，2010，（ 7）：5 - 11.

［31］ 王学龙，杨文. 中国的土地财政与房地产价格波动——基于国际比较的实证分析［J］ . 经济评论，2012，（4）：88 - 96，144.

［32］ 唐在富. 中国土地财政基本理论研究——土地财政的起源、本质、风险与未来［J］ . 经济经纬，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，刘春腊. 基于RBF的湖南省土地生态安全动态预警［J］ . 地理学报，2012，67（10）：1411 - 1422.

［35］ 李新然，吴晶晶. 基于RBF网络的港口投资效益预警模型研究［J］ . 科研管理，2010，（1）：190 - 196.

［36］ 高奇. 基于CPM-RBF模型的区域土地生态安全预警研究［D］ . 北京：中国地质大学（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，张悟移. 基于RBF神经网络的物流业能源需求预测［J］ . 资源科学，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

江西省自然科学基金项目（20171BAA208016）；国家社会科学基金重点项目（13AGL007）。

邹秀清（1973-），男，江西庐山人，教授，博士生导师。主要研究方向为土地经济与制度。E-mail: zxq888@263.net

莫国辉（1992-），男，广东封开人，硕士研究生。主要研究方向为土地经济。E-mail: 975125329@qq.com

（本文责编：戴晴）