農戶信用風險評價實證研究

王惠 王靜

摘要：現有農戶信用風險評價體系過分依賴指標權重，不能對農戶的信用等級進行動態評估，因此運用模糊聚類和模糊控制聯合模型，在不依靠權重值的情況下對農戶信用風險進行評估，針對該地區農戶信用風險特征，建立由教育程度、婚姻狀況等在內的14個指標組成的農戶信用等級評價指標體系，并基于模糊控制評價方法將農戶信用風險劃分為A、B、C、D、E等5個等級，根據陜西省西安市閻良區2015—2017年共955個農戶的實際調查數據進行實證分析。結果顯示，該地區的農戶信用風險等級水平主要還是集中在等級C，無論從內部特征、外部特征還是從總體上來看等級C的占比均呈下降趨勢，而等級B呈上升趨勢，說明農戶的信用等級不斷提高，信用度呈上升趨勢，信用風險水平降低，有利于該地區農戶融資，為以后的經濟發展提供了良好的資金保證。

關鍵詞：農戶信用風險;模糊控制;模糊聚類;估計

中圖分類號： F323.9文獻標志碼： A

文章編號：1002-1302（2020）08-0301-06

收稿日期：2019-04-08

基金項目：國家自然科學基金（編號：71873101）。

作者簡介：王?惠（1990—），女，吉林吉林人，博士研究生，主要從事農業金融研究。E-mail：wh_htgzy@126.com。

通信作者：王?靜，教授，博士生導師，主要從事金融工程、農業投資技術與策略研究。E-mail：wj66xyx@126.com。

促進農業農村產業發展，金融支持是關鍵因素之一[1]。在國家有關政策的支持下，銀行及信用合作社為農民提供多種金融產品，在一定程度上解決了農民的生產性和生活性貸款需求。但正規金融機構與農戶之間資金的供給與需求不對等，是我國農村金融市場發展中面臨的最大問題。我國農戶占總人口的64.71%，是涉農金融機構最多的客戶群體，想要更準確地控制農戶的信貸風險，對涉農金融機構進行正確支持和指導，就要對農戶進行準確且客觀的信用等級評定，由此才能更好地解決農戶信貸需求，促進農村金融市場和農村經濟的進一步健康發展[2]，此外還能為未來參與新型農業經營模式的農戶的信用風險研究提供基礎。現階段研究中，針對農戶信用評價較常用的研究方法有模糊綜合評價法、回歸分析法、神經網絡法等。如馬永杰等利用多元統計模型對農戶的信用風險進行研究，采用逐步判別法對在正規金融機構進行信貸行為的農戶的信用風險進行評價，發現該模型對農戶風險分類的判別率較高[3]。王穎等利用模糊綜合評價方法對農戶的信用進行評級，采用層次分析法對指標的權重進行確定，發現該模型在研究農戶信用風險方面是適用和科學的[4-5]。劉暢等利用神經網絡模型與傳統專家打分法相結合對農戶信貸風險進行評價，發現該方法的應用可以有效提高信貸機構防范農戶信貸風險的能力[6]。王靜等基于突變理論建立農戶信貸風險的評價模型[7]。譚民俊等建立模糊模式下的識別模型，利用不確定層次分析法對指標權重進行確定，并認為該方法在實際研究中具有一定的效果[8]。何軍峰等利用層次分析賦權法構建農戶信貸風險的評價模型[9-10]。蔡呈偉等利用熵權法建立農戶信貸評價模型，并證明了該模型的有效性[11]。李杰等利用相對熵的組合賦權法建立農戶信貸評價模型，并進行了實際應用[12]。上述模型均具有一定的科學性和適用性，在農戶信用評價方面取得了良好的效果，但仍存在一些不足，如層次分析法的本質是根據評價指標的得分進行排名，無法得知其實際狀況;模糊綜合評價方法雖然對邊界不清和存在模糊性質的問題具有良好的解決效果，但是不能解決農戶隨著周邊環境和市場變化等因素產生的信貸風險的動態性問題。上述模型在應用中均須確定信用風險評價指標的權重，因此指標權重的選取會對上述模型的應用效果產生巨大影響。在指標權重的確定中，大多數學者采用專家打分法的主觀賦權法或者利用決策矩陣信息的差異性進行客觀定權，雖然主觀賦權法能夠更加貼近實際對指標權重進行選取，但是缺乏客觀性，不能體現決策信息，而客觀賦權法雖然能夠體現決策信息，但是容易使得指標權重的選取脫離實際。針對上述模型的不足，本研究采用補償風險聚合算法（compensation risk aggregation algorithm，簡稱CRAA），該算法利用模糊聚類對農戶的信貸風險值依次進行補償，在對農戶信貸風險進行評價時消除其對指標權重的依賴。本研究以2015—2017年陜西省955個農戶的調查數據為樣本，對該模型的科學性和適用性進行檢驗，以期為農戶信貸風險評價研究提供一種新的思路。

1?農戶信貸風險評價指標體系

1.1?構建指標體系

本研究在現有文獻的基礎上，結合中國特色農戶信用評價的主要特征及其內涵，參考國內如中國農業銀行等大型金融機構的農戶評級指標[13-14]，以國外標普、惠譽等權威信用評級機構的典型高頻評級指標為基礎[15-20]。依據指標的強代表性和可觀測性、反映信息含量大、能提出冗余信息等標準，篩選出最能表現我國農戶信貸風險特征的指標，并進一步利用R語言聚類算法和變異系數法對指標進行分類和篩選，使得所選指標能夠最大程度包含農戶的信貸風險信息，由此構建由家庭結構特征、償債能力、經營情況、信譽狀況等4個準則層（包括自身特征、收入狀況等14個指標在內）構成的農戶信用等級評價指標體系（表1）。

內部特征包含家庭結構特征和償債能力。第一，家庭結構特征主要包括4個方面：（1）自身特征，綜合農戶的健康狀況、年齡和性別對農戶信用風險的影響，衡量農戶的自身特征;（2）家庭勞動力數量，其對于農戶的信用風險有很大影響，勞動力越多，其家庭收入越高，越有利于農戶歸還貸款;（3）教育程度，教育程度高表示接受新事物快，經營能力強;（4）婚姻狀況，家庭內孩子的數量影響了農戶的家庭支出，孩子數量越多，家庭支出越大。第二，償債能力主要包括收入狀況、支出狀況、家庭負債情況和現有財產狀況。收入情況和支出狀況反映出農戶在未來償還貸款的能力，收入越高、支出越低表示農戶在未來歸還貸款的能力越大;現有財產狀況和家庭負債情況表示農戶過去經營的成果，一般現有財產越多、負債越低表示農戶過去的經營狀況很好，未來償還貸款的可能性就會越高。

外部特征包含經營情況和信譽狀況。第一，經營情況包括經營及種植能力、經營類型、土地面積和地區經濟狀況，該指標主要用來衡量農戶在未來的還款能力。根據經營類型的不同，經營及種植能力越強，土地面積越大，地區經濟越好，表示農戶的預期收入越多，未來的償債能力也就越強。第二，信譽狀況包含誠實守信程度和信貸歷史記錄2個方面，主要用來衡量農戶的過往信用情況，歷史信用越好表示未來歸還貸款的可能性越高。

1.2?數據來源和評價指標數據標準化

1.2.1?數據來源

本研究以2015—2017年陜西省西安市閻良區隨機抽取的共955農戶為評價對象，其中農戶信用評價原始數據來源于2015—2017年暑期筆者所在課題組采用抽樣調查方式獲得的隨機抽樣調查數據，3年共發放調查問卷1 000份，經回收問卷并審查，剔除填寫不完全及邏輯矛盾問卷，獲得有效問卷955份，達到進行模型分析的樣本量。

1.2.2?評價指標標準化

本研究所含指標分為定性指標和定量指標，為使研究數據衡量標準統一，將數據按照定性指標和定量指標分別進行標準化處理。定量指標分為正向指標、負向指標2種，正向指標指隨著該指標值的增加農戶的信用風險變低，負向指標指隨著該指標值的增加農戶的信用風險增加。本研究所選指標類型見表2，并采用以下公式為正向指標和負向指標進行標準化處理[21]。

式中：令xij為第i個農戶第j項指標標準化后的數值，將農戶的原始數據表示為v，待評價農戶數量為n。

本研究通過對涉農金融機構的多位業務骨干和相關人士的訪談，結合十幾位相關領域的專家學者的意見，制定定性指標打分標準（表2）。

2?基于模糊聚類無權重值的農戶信用風險的原理與方法

2.1?模糊聚類

模糊聚類方法使用聚類中心作為每一類樣本指標的特征樣本，使用聚類中心作為該類樣本的模式樣本。對于一個分類合理的樣本來說，距離該類樣本聚類中心的距離越短，則該樣本與聚類中心的差距越小，由此可知，對于每一個分類合理的樣本，其與聚類中心的距離越短則表明該樣本越好。

為了更加清楚地描述樣本與聚類中心的距離，本研究選用海明距離來表示，即d（x，y）。設模糊子集A和B是論域U上的2個子集，則2個集合間的絕對海明距離為：

d（A，B）=∑ni=1|uA（xi）-uB（xi）|。（3）

其相對海明距離為：

σ（A，B）=1nd（A，B）=1n∑ni=1|uA（xi）-uB（xi）|。（4）

2.2?風險聚合方法

目前較常用的風險聚合方法有風險值求和法（sum）、最大風險值法（max）、S型函數法（Sigmoid）和風險質心法（Centroid，離散型）（表3）。

由表3可知，風險值求和法受風險數量的限制，最大風險值法受風險分布區域的限制，S型函數法受風險距離的限制，風險質心法受風險概率的限制，因此4類方法單一使用均不能滿足農戶信用風險具有的動態性和多樣性特性。結合風險聚合和風險補償的思想，須要對最大風險聚合方法進行改進，以適應農戶信用風險評級的需要。

2.3?補償風險聚合算法CRAA模型

將農戶信用風險值的集合作為CRAA的聚類樣本，定義Rt為風險集合的基值。根據海明距離的定義，將相對海明距離α定義為各風險到基值的平均距離，由此可得以下公式：

S=∑ni=1|Ri-Rt|;（5）

α=S/n。（6）

式中：S表示絕對海明距離。

2.4?風險補償

風險補償是指給與風險值增加或減少某一值，使得風險值與基值Rt之間的絕對海明距離S得以縮減。因此，采用風險補償的方法為對其相對海明距離α按比例對風險值進行補償Ra，風險值的取值區間為起始值Rb到結束值Re。為了不改變樣本的特性，風險補償后應滿足：（1）風險補償后，風險和值不變;（2）補償后風險Ra∈[Rb，Re]。

風險補償的具體算法為：根據公式（4）和公式（5）求出各風險值與基值的相對海明距離和絕對海明距離，再將所得結果按照由大到小的順序進行排序，建立風險序列合集。取序列號的中值，將大于和小于序列號中值的風險值按比例減少并增加風險補償值。

以共有m個風險值為例。當m為偶數時，序號中值介于m/2～（m/2+1）之間，對于第i個風險的補償值為：

Ra=m2+i-1αim2，i∈1，m2

m2-iαim2，i∈m2+1，m。（7）

當m為奇數時，序號中值（m+1）/2，則對于第i個風險值，其風險補償值為：

Ra=m2-iαim2-1，i∈1，m+12

0，i=m+12

i-m2αim2-1，i∈m+12，m。（8）

經過上述計算后，其補償的風險值之和仍然為0，且補償后的各風險絕對海明距離之和減少，使得補償后的風險值在區間[Rb，Re]內的分布更加趨近于風險基值Rt，符合風險補償原則。

2.5?風險聚合值求取

由于影響農戶信用風險估計的風險數量較多，為保證風險聚合前后的有效性，且風險聚合算法與風險數量無關。參考風險聚合規則，即2個低風險值的聚合后風險低，2個高風險值聚合后風險高[22-24]，高風險值與低風險值聚合后風險偏向中心位置。本研究采用改進后的最大風險聚合方法，取補償后最大風險Rmax和最小風險Rmin的平均值為最后的聚合風險值Rav，使其趨近于風險基值Rt。

3?農戶信用風險模糊控制評價方法

3.1?模糊評價矩陣的建立

3.1.1?模糊指標集與評語集的確定

根據傳統模糊數學的原理，建立模糊綜合評價方法。建立指標集和評語集。結合已有的研究成果[25-27]，采用五級評價法顯示不同的風險等級。其中，指標集為Z={Z1，Z2，Z3，Z4，Z5}={ A，B，C，D，E }={9，7，5，3，1}，其對應的評語集為V = {優秀，良好，一般，較差，差}。

3.1.2?模糊綜合評價矩陣的確立

由于在農戶風險評價模型建立過程中須要在模糊綜合模型的基礎上添加模糊聚類，同時根據理論經驗以及咨詢專家意見確定模糊綜合評價矩陣R= [Zi，j]，即

R=Z1，1Z1，2Z1，3…Z1，h

Z2，1Z2，2Z2，3…Z2，h

Zw，1Zw，2Zw，3…Zw，hw×h。（9）

其中：i=1，2，3，…，w;j =1，2，3，…，h。

3.2?風險聚合

由公式（5）和公式（6）可得每一行的相對海明距離的計算公式為

α=S/n=∑ni=1|Zi，j-Rt|n。（10）

判斷風險數的奇偶，再利用公式（7）或公式（8）對風險進行補償。其中，當風險數n為偶數時：

Zj =[Zj，1+α1]+…+[Zj，n/2+2（n-1）αn/2/n]+[Zj，n/2+1-2αn/2+1/n]+…+（Zj，n- αn）。 （11）

當風險數n為奇數時：

Zj=（Zj，1+α1）+…+[Zj，（n-1）/2+α（n-1）/2/（n-2） ]+Zj，（n+1）/2+[Zi，（n+3）/2+3α（n+3）/2/（n-2）]+…+[ Zj，n+n]αn/（n-2）]。 （12）

取得補償后的風險集合Zj的最大值和最小值，最后可求得聚合風險為

Rav，j=（max[Zj]+ min[Zj]）/2。（13）

模糊評價通常采用最大隸屬度原則，即選取Rav，j中的最大值作為該評價對象對該評價等級的隸屬度，其方法流程見圖1。

4?實證分析

本研究以2015—2017年陜西省西安市閻良區隨機抽取的共955農戶為評價對象，其中農戶信用評價原始數據來源于2015—2017年暑期筆者所在課題組采用抽樣調查方式獲得的隨機抽樣調查數據，3年共發放調查問卷1 000份，經回收問卷并審查，剔除填寫不完全及邏輯矛盾問卷，獲得有效問卷955份，達到進行模型分析的樣本量。

根據所建立的農戶信用評價指標體系及評價標準，根據理論經驗以及咨詢專家意見確定各個指標所對應的等級，得到模糊綜合評價矩陣。再利用模糊聚合及風險補償的方法確定最終的評價綜合指數。最終得到2015—2017年陜西省西安市閻良區農戶的信用風險等級評價結果（表4）。

由表4可知，2015年農戶信用風險內部特征評價中農戶主要集中在評價等級C，占比為81.13%。外部特征評價等級集中為C，占比為58.49%;評價為D的占比為33.33%。總體評價中占比較大的等級為C，占比為85.85%。2016年農戶信用風險中內部特征的評價等級主要集中在等級C，占比為82.52%，相比2015年略有提升。外部特征集中在等級C，占比為65.64%，比2015年提高了7.15%;等級為D的占比為29.14%，比2015年降低了4.19百分點，總體評價等級占比較多的為等級C，占整體的91.10%，比2015年提高了5.25百分點。2017年農戶內部特征的評價等級主要集中在等級C，占比為46.95%，農戶內部特征的評價等級為B的占比為34.73%，相對2015、2016年評價等級有所提升。外部特征集中在等級C，占比為73.95%，比2015、2016年風險等級有所提高。整體評價水平等級B的占比為33.44%;等級C的占比為62.38%。綜上分析可知，農戶的信用風險等級水平主要還是集中在等級C，但是無論從內部特征、外部特征還是總體上看等級C的占比均呈下降趨勢，而等級B呈上升趨勢，說明農戶的信用等級不斷提高，信用度不斷上升。

近年來，中國政府加強了對于農村地區的教育支持力度，促使受教育和高學歷農戶的數量逐年上升，教育水平的提升也提高了農戶的經營管理能力和新信息的接收能力。計劃生育的實施和義務教育階段學雜費減免政策的實施，使得農戶婚生子女數量下降，農戶對于子女教育支出減少。農戶加入合作社后，統一種植、統一經營，土地形成規模化生產，經濟效益有所提高。近年來，由于個人信用宣傳力度的加大，農戶個人信用意識逐步提升，使得個人信用歷史記錄較好。因此，農戶的內部特征和外部特征評價等級呈上升趨勢，總體信用風險評價等級也在提高，信用風險水平降低，有利于該地區農戶的融資，為以后的經濟發展提供了良好的資金保證。

5?結論與建議

為準確地控制農戶的信貸風險，正確對涉農金融機構進行支持和指導，就要對農戶進行準確且客觀的信用等級評定，由此才能更充分地解決農戶的信貸需求，促進農村金融市場和農村經濟的進一步健康發展。本研究針對已有研究中現有農戶信用評價模型依賴權重、不能充分體現農戶評價結果隨著農村市場經濟環境的變化情況，因而無法動態地對農戶的信用風險進行評價等問題，利用模糊綜合評價和無權重值的模糊聚類相結合的方法，建立農戶信用風險評價模型，從而實現分階段分層次評價，不依賴風險概率及權重，且評價指標體系可以根據地區和實際情況進行調整，使得農戶信用風險評價的研究更靈活、全面，增強了實用性和可操作性。

利用陜西省西安市閻良區2015—2017年共955個農戶的數據進行評價，充分證明了該模型的可應用性。對該地區農戶的信用風險進行評價，結果顯示，該地區農戶的信用風險水平處于中等偏上的水平，信用風險狀況良好。為了進一步提高該地區的農戶信用風險水平，應積極提高農戶的教育水平，促進土地的規模化，對農戶進行農業技術的系統性培訓，加大對農村經濟的支持力度，促使農戶整體信用水平提高，從而降低風險產生的可能性。

參考文獻：

[1]孟?櫻，王?靜. 農戶信貸需求和融資選擇偏好的影響因素分析——基于陜西省324戶農戶的調查[J]. 農村經濟，2017（3）：80-85.

[2]田祥宇，董小嬌. 農戶小額信貸融資困境與風險緩釋機制研究[J]. 宏觀經濟研究，2014，12（7）：21-33.

[3]馬永杰，孔?榮. 基于逐步判別分析方法的農戶正規融資信用風險度量研究[J]. 廣東農業科學，2011（20）：218-220.

[4]王?穎. 中國農戶小額信貸信用風險評估研究——基于模糊綜合評價模型[J]. 西南金融，2010（8）：60-62.

[5]吳俊杰，張?鍇. 農村青年信用戶評級模型研究——基于模糊綜合評價模型[J]. 金融理論與實踐，2011（5）.：45-48.

[6]劉?暢，方?靚，晏?江，等. 概率神經網絡在農戶信用評估中的應用[J]. 武漢金融，2009（11）：45-47.

[7]王?靜，朱滿紅. 基于突變理論的農戶小額信貸信用風險評價方法研究[J]. 金融理論與實踐，2011（7）：20-23.

[8]譚民俊，王?雄，岳意定. FPR-UTAHP評價方法在農戶小額信貸信用評級中的應用[J]. 系統工程，2007（5）：55-59.

[9]何軍峰. 基于AHP的農戶個人信用度評價[J]. 安徽農業科學，2011，39（29）：18320-18322.

[10]陳永明，周?龍，李雙紅.基于AHP和DEMATEL方法的農戶信用評級研究[J]. 征信，2012（5）：20-24.

[11]蔡呈偉，苗敬毅. 基于PROMETHEE法對農戶小額貸款的信用評價[J]. 物流工程與管理，2012（5）：146-148，111.

[12]李?杰，趙子銥，陳毅俊. 基于相對熵的組合賦權法在農戶信用評價中的應用[C]. 中國運籌學會企業運籌學分會會議論文集，2013.

[13]中國郵政儲蓄銀行農戶信用評級表[R]. 中國郵政儲蓄銀行，2009.

[14]中國農業銀行“三農”客戶信用等級評定管理辦法[S]. 2008.

[15]程?鑫，石洪波，董媛香. 基于MIC-MAC的農戶信用評價指標體系優化研究[J]. 數學的實踐與認識，2018，48（8）：17-25.

[16]李?燕. 經濟發展較落后地區農戶信用評價體系研究[J]. 農村金融研究，2017（1）：64-67.

[17]王?娟. 農戶信用評價在安徽省的探索與實踐[J]. 金融縱橫，2015（4）：88-94.

[18]吳貽軍，傅?泳，許?謙，等. 一種創新型的農戶信用評價方法——基于安徽省長豐縣農村信用體系建設的實證研究[J]. 征信，2017，35（7）：66-71.

[19]王樹娟，霍學喜，何學松.構建農村信用社農戶信用評級體系初探[J]. 金融理論與實踐，2005，12（10）：38-40.

[20]吳晶妹，張?穎，唐勤偉. 基于農戶信用特征的WUs三維信用評價模型研究[J]. 財貿經濟，2010，12（9）：22-28，63.

[21]Shi B F，Chi G T. A model for recognizing key factors and applications thereof to engineering[J]. Mathematical Problems in Engineering，2014（1）：1-9.

[22]石寶峰，遲國泰. 基于信息含量最大的綠色產業評價指標篩選模型及應用[J]. 系統工程理論與實踐，2014，34（7）：1799-1810.

[23]Weili H，Qun N，Hong C. Apply measurable risk to strengthen security of a role-based delegation supporting workflow system[C]//Proceedings of the 2009 IEEE International Symposium on Policies for Distributed Systems and Networks，2009：45-52.

[24]Chapin P，Skalka C，Wang X S. Risk assessment in distributed authorization[C]//Proceedings of the 2005 ACM Workshop on Formal Methods in Security Engineering，2005：33-41.

[25]Ni Q，Bertino E，Lobo J. Risk-based access control systems built on fuzzy inferences[C]//Proceedings of the 5th ACM Symposium on Information，Computer and Communication，2010：250-260.

[26]Cheng P C，Rohatgi P，Wagner G M，et al. Fuzzy multi-level security：an experiment on quantified risk-adaptive access control[C]//IEEE Symposium on Security and Privacy，2007：222-230.

[27]Hui W，Jing W，Shi B F. Model and application of green industry evaluation based on fuzzy control[J]. Journal of Intelligent & Fuzzy Systems，2015，29（6）：2489-2494.