1.报告人：
陈灿（美国乔治亚州立大学安德鲁杨公共政策学院）
2.报告题目：
Can Machine Learning Better Predict Fiscal Stress in Local Governments?
3.报告时间：
2025年6月10日9:00-10:00
4.报告地点：
东北财经大学劝学楼220会议室
内容简介：
This research assesses whether machine learning (ML) techniques can improve the out-of-sample prediction of fiscal stress in local governments, using a comprehensive dataset covering economic, social, fiscal, demographic, political, geographic, and environmental variables for over 900 localities in New York from 2013 to 2022. Comparing the predictive performance of traditional logistic regression with several ML models—including random forests, gradient boosting, and neural networks—we find that ML methods significantly outperform traditional approaches in both accuracy and robustness. Our findings offer important implications for designing more effective early warning systems to assist fiscally distressed localities.
报告人简介：
陈灿博士，美国乔治亚州立大学安德鲁·杨公共政策学院（Andrew Young School of Public Studies, Georgia State University）终身教职副教授、博士生导师、基础设施财政和政策实验室主任、公共政策博士项目主任。曾担任美国ASPA交通政策和管理分会的主席，现任留美公共政策学会（CPSG）共同主席、美国预算和财政管理学会（ABFM）和美国交通经济和财政委员会（TRB）执行理事。其研究方向包括公共基础设施财政与融资、财政透明和预算参与等。陈灿博士已经在国际著名的学术出版商——帕尔格雷夫·麦克米伦（Palgrave Macmillan）出版一部学术专著，在国际著名的学术期刊发表研究论文近40篇并担任Public Finance and Management、Chinese Pubic Administration Review副主编，复旦公共行政评论国际主编，中大公共行政评论等期刊编委。
撰稿：姜彦驰 初审：郭劲光 复审：刘德海 终审：于文艳
