随着我国市场经济的不断发展,地方政府在大规模举债发展地方经济的同时,也受到债务风险的威胁。地方政府性债务固然可以有效弥补地方政府财力不足,补充地方政府开发建设资金,充分保障民生公共性支出,但一旦累积的债务风险超过地方财政承受能力,信用链条就有可能断裂,爆发区域性财政风险,巨大的债务不仅使地方政府陷入财政困局和债务风险当中,还不可避免转化为区域性、系统性金融风险。为了能提前防范这种风险的发生,有必要对地方政府债务风险进行预测,及时了解地方政府的债务状况,并对地方政府导致债务风险发生的因素,进行及时规避,这对于地方政府财政的长期稳定具有十分重要的意义。国内在地方政府债务风险综合评价指标的构建研究上,往往带有主观判断,对地方政府债务风险缺乏客观评价。TOPSIS(Technique for Order Preference by Similarity to an Ideal Solution)逼近理想解法是一种多目标决策方法,适用于处理多目标决策问题。其原理简单,能同时进行多个对象的评价并对每个评价对象的优劣进行排序,计算快捷,结果分辨率高、评价客观,具有较好的合理性和适用性,实用价值较高。本文从地方政府债务指标、地方政府财政收支指标、地方经济发展状况指标和信用环境指标四方面构建地方政府债务风险指标体系,利用TOPSIS熵值法设计地方政府债务风险综合评价指标。在预警方法的选择上,考虑到我国地方政府债务风险数据透明度不高,获取的难度较大,样本量比较小,BP(Back Propagation)反向传播神经网络模型在小样本数据的训练上,效率不高,并且模型本身存在陷入局部最优和容易过拟合的缺点。GBDT(GradientBoost Decision Tree)迭代提升树是一个应用很广泛的算法,可以用来做分类、回归,在很多的数据上都有不错的效果,并且不存在BP神经网络的缺陷,用来作为地方政府债务风险的预警方法是可行的。本文把GBDT模型作为地方政府债务风险预警方法是GBDT算法在该领域的首次尝试。实证方面,本文根据我国31个省级行政区2014～2015年数据,随机划分训练集和测试集,运用GBDT模型训练地方政府债务风险预警模型,并与该领域常用的BP神经网络进行比较研究。从地方政府债务风险综合评价指标看,绝大多数省份的地方政府债务风险处于“中警”以上水平,地方政府债务风险提高是一个全国范围内的普遍现象,这与我国地方政府债务规模持续扩大的实际情况相符。从模型结果看,地方政府财政收支指标最能解释地方政府债务风险综合评价指标,合理的地方政府预算管理可以有效地防控地方政府债务风险。从模型比较结果看,GBDT模型克服了 BP神经网络的一些缺陷,性能明显优于BP神经网络,将其作为地方政府债务风险预警模型是可行、有效的。