信用缺失環境下的農戶信用評估指標體系構建研究

楊勝剛，夏 唯，張 磊

（湖南大學 金融與統計學院，湖南 長沙 410079）＊

社會信用體系是市場經濟體制中的重要制度安排。黨的十六大提出“整頓和規范市場經濟秩序，健全現代市場經濟的社會信用體系”。黨的十七大提出“規范發展行業協會和市場中介組織，健全社會信用體系”。但是，到目前為止，國內仍然沒有統一完整的信用評估系統，而針對農戶信用評估指標體系的構建更是處于剛剛起步的階段。近幾年，隨著農村金融的發展，農戶的信貸行為日益增多，如何對農戶的信用狀況進行科學評估以判斷農戶的信貸能力，既是加快社會信用體系建設必須解決的現實問題，也是深化農村金融體制改革的重要理論問題，因此，構建一個完整的、行之有效的農戶信用評估指標體系具有重要的理論與現實意義。

一、文獻綜述

國內外（尤其是國內）關于農戶信用評估的文獻不多，數量很少。Luis R.Sanint（2001）提出了一個多期風險編程模型，證明了信用風險嚴重影響了一個農場流動性以及規避風險的效率［1］。黃傳森（2008）論證了如何有效地對農戶發放貸款，并且通過實際的調查證明了這些在當今的臺灣是如何做到的［2］。劉暢（2009）提出了采用概率神經網絡（PNN）的方法構建農戶信用評分體系［3］。胡愈應用模糊數學構建農戶信用等級的模糊綜合評價模型，利用不確定層次分析法確定指標權重，為農戶信用等級的評定提供了可行的方法［4］。由于單個評分模型有其自身的缺點，所以，有些作者采用兩種或多種模型來構建農戶信用評估指標體系。周振（2008）利用主成分分析法（PCA）歸納出對農戶信用評級有顯著影響的因子，并引入人工神經網絡進行農戶信用等級的評估，為農戶信用等級的評定提供了可行的方法［5］。楊宏玲（2011）提出了一種基于價值鏈風險分析與平衡積分卡方法的農戶信用評價指標體系［6］。

綜觀國內關于農戶信用評估指標體系的研究依然不夠深入，在運用單個模型進行數據處理時，往往會因為模型自身的缺陷而使得結果誤差較大，因此，以下擬采用組合模型的方法來構建農戶的信用評估指標體系，以減少單個模型結果的誤差。

二、模型選擇及原理分析

本文采用層次分析法和神經網絡模型來構建組合模型。層次分析法（簡稱AHP）便于管理人員的分析研究，但是主觀性比較強，精準度不高。神經網絡模型（簡稱ANN）屬于黑箱操作，前后指標層的因果關系不明確，但是模型會根據輸出結果的精準度來自行調整模型內部的運行過程，所以，精準度比較高，與層次分析法可以互補。

組合模型構建的第一步是通過層次分析法得到二級子指標的賦值和相應的權重。第二步是將選中的二級子指標作為神經網絡模型的輸入層，通過SPSS中的clementine軟件得到神經網絡模型的輸出層，也即農戶信用評估的結果。具體模式如圖1所示。

圖1 AHP－ANN組合模型流程圖

三、指標體系構建及實證研究

（一）指標的選取與賦值

按照層次分析法的原理，將指標設計為目標層——準則層——因素層。層次分析法旨在合理地確定農戶信用評估指標及相應的權重，最終確定農戶的信用狀況，因此，其目標層指標即為農戶的信用狀況。同時，眾多研究資料表明，許多金融機構都將借款人的信用狀況集中于“5C”之上，即傳統的“5C”分析法，這種方法之所以適用性廣泛，首先是因為它包含的品質、能力、資本、抵押、條件5個指標基本涵蓋了評價農戶信用狀況所需要的全部信息；其次，這些指標大都有標準的計量公式，相應的信息可以很容易獲取，因此，我們也選用“5C”分析法來確定準則層。最后，針對準則層中的每個指標賦予相應的二級子指標。

本文確立的農戶信用評估指標體系的二級子指標中有少數的定性指標，這也是由農戶信用狀況的自身特征所決定的，這就使得我們無法對全部指標進行標準統一的衡量。為了解決這一問題，參考已有學者的文獻，采用分檔評分法對這些二級指標進行賦值，以使得部分定性分析定量化。將各個指標按照特征或數值的大小按從低到高的順序分為若干檔，按照百分制給每一檔賦予相應的分數，17個指標的分值之和是100分。

構建的目標層——準則層——因素層指標體系見表1。

表1 農戶信用評估指標及賦值

（二）基于層次分析法的指標權重的確定①

1.層次單排序

（1）一級判斷矩陣及指標權重的確定。層次分析法中判斷矩陣的確定一般采用Seaty1－9標度法，根據標度法中相對重要程度的確定標準進行專家賦值，從而得到能夠合理反映各個指標相對重要程度的判斷矩陣。Seaty1－9標度法如表2所示。

表2 Seaty1－9標度法

根據Seaty 1－9標度法得到一級指標層的判斷矩陣Aij。

第二步，對歸一化處理后的矩陣Bij進行行求和得矩陣Cij，經計算得：

該矩陣即為個人信用評估指標體系一級指標所對應的權重矩陣。

第四步，對判斷矩陣進行一致性檢驗。判斷矩陣的一致性檢驗的指標為C.R.，其中

n為指標個數，查表3，當n＝5時，RI＝1.12，C.R.＝CI／RI＝0.0085／1.12＝0.0076＜0.1，說明判斷矩陣Aij的一致性是可以接受的。

表3 隨機一致性指標RI表

（2）二級判斷矩陣及指標權重的確定。根據Seaty 1－9標度法得到的品質指標、能力指標、資本指標、抵押指標以及條件指標專家賦值矩陣，分別表示為A1，A2，A3，A4，A5：

經過上述歸一化處理以及行求和等步驟可以得到相應的權重矩陣W1，W2，W3，W4，W5：

計算C.R.，五個矩陣的C.R.的值均小于0.1，所以，五個判斷矩陣均通過了一致性檢驗。

2.層次綜合排序。層次單排序確定了一級指標層對目標層的指標權重以及二級指標層對一級指標層的指標權重，層次綜合排序也稱層次總排序，是根據層次單排序的結果確定二級指標層對目標層的指標權重。

表4綜合了一級指標層對目標層的權重、二級指標層對一級指標層的權重以及二級指標層對目標層的權重。二級指標層對目標層的權重是表4的最后一列，這一列數值的加總和是1。從最后一列的數字中可以看出，年平均收入水平、家庭資產負債率、家庭收支結構、過去的信貸歷史記錄、流動資產、勞動力人數占家庭人數比重、房產估價、健康狀況、務工行業發展前景9項指標的權重值較高，都在4%以上，因此，將這9個指標作為下一步神經網絡模型的輸入層，最終確定農戶的信用狀況。

表4 層次綜合排序結果

四、基于組合模型的農戶信用評估指標體系的構建

（一）神經網絡模型結構的確定

設計一個三層次神經網絡模型。

（1）輸入層的節點數是由指標體系中指標的個數來確定，通過層次分析法的計算，選定權重比例在4%以上的9個指標作為神經網絡模型的輸入層，并且將農戶的信用評級設定為一、二、三、四級四個層次，依次對應的信用評分區間為（90～100），（80～90），（70～80），（0～70），從一級到四級信用等級依次下降。

（2）輸出層的節點數m設定為2，一個節點表示農戶的信用評級，一個節點表示農戶的信用評分，從而更為清晰地看到農戶的信用狀況。

（3）隱含層節點數的設計是根據以往經驗而得的，我們通過反復試驗，發現當隱含層為13，學習率為0.9時，模型的結果最為平穩，因此，選取的隱含層數為13層。

（二）神經網絡模型的計算結果

（1）采用AHP－ANN組合模型，以9個指標作為輸入層的模型結果。選取713個樣本數據，其中575個樣本為訓練樣本，剩余的138個樣本為測試樣本。神經網絡模型具有很強的隨機性，在進行訓練樣本的選取時，每次抽取的結果不同，訓練的擬合優度也不相同，測試樣本的分析結果也不相同，因此，在隱含層為13，學習率為0.9的情況下反復操作10次，然后取其平均值，以減小由于隨機抽樣而導致的誤差。10次模型運行結果如表5所示。

表5 AHP－ANN模型運行結果

對10次運行結果取平均值，可以得到表6所示。

表6 AHP－ANN模型結果的平均值

表6說明，神經網絡模型在對訓練樣本的訓練精度為88.28%的情況下，對測試樣本的測試精度為81.81%，同時，對于信用評分這一輸出指標，模型對測試樣本的信用評分預測值與信用社統計的測試樣本的實際值之間的平均誤差為0.61，誤差的標準差為4.684。

（2）僅采用ANN模型，以全部指標作為輸入層的模型結果。為了與AHP－ANN方法作對比，將17個指標全部輸入神經網絡模型，通過反復驗證，選定隱含層為20層，相同的方法操作10次，得到如表7所示的結果。

同樣對10次運行結果取平均值，可得表8。

表7 ANN模型運行結果

表8 ANN模型運行結果的平均值

比較表6和表8可以看出，不采用層次分析法對指標進行篩選，而只采用神經網絡模型將所有指標作為輸入層變量得到的模型輸出結果差于采用AHP－ANN方法得到的輸出結果。具體表現在，僅采用ANN模型，在訓練樣本精度為87.97%的情況下，模型對測試樣本的測試精度僅為77.52%，對于信用評分誤差的均值和方差，前后兩種方法得出的結果沒有太大差別，而相比于信用評分這一指標來說，信用等級這一輸出指標更為重要，因為信用社對于評分為85和88的客戶設定為相同的信用等級，因此會給出相同的貸款限額。

（3）ANN模型與AHP－ANN模型結果的對比分析。通過AHP－ANN組合模型和ANN模型分別得到的以9個指標作為輸入層的農戶信用評級與信用評分表和以全部指標作為輸入層的農戶信用評級與信用評分表，整理這些表格，利用excel繪制兩種方法下農戶信用評分的預期值與期望值偏離程度圖（見圖2），以及農戶信用評級的預期值與期望值偏離程度圖（見圖3）。

圖2 信用評分預測值與期望值的偏離程度圖

圖2為根據信用評分的預測值與期望值的差值繪制而成的折線圖，與表6和表8中的結果相符，兩種模型下農戶信用評分的誤差均值與標準差沒有太大的差別。圖3為根據信用評級的預測值與期望值的差值繪制而成的折線圖，這里將信用評級中的一級賦值為1，二級賦值為2，三級賦值為3，四級賦值為4，與表6和表8中的結果一致，采用AHP－ANN組合模型所得到的農戶信用評級的預測值，無論在偏離頻率還是偏離程度上，都優于僅采用ANN模型所得到的輸出結果。

圖3 信用等級預測值與期望值的偏離程度圖

五、結論及建議

通過以上分析可以得到如下結論：采用層次分析法對指標進行篩選之后采用神經網絡模型對農戶的信用等級和信用評分進行預測，是一種行之有效的方法，它不僅能夠降低將所有指標作為神經網絡模型輸入層的數據冗余問題，大大降低了信用社調查農戶信息所耗用的時間和成本，并且能夠提高僅采用神經網絡模型所得到的結果的精準度。

當然，收集到農戶的信用數據之后，如何選擇合理準確的信用評估模型來預測農戶的信用評分和信用等級是構建農戶信用評估指標體系的關鍵。本文選用層次分析法和神經網絡模型來構建組合模型，計算出的精準度為81.81%，有待于進一步提高。其中采用層次分析法確定判斷矩陣時采用專家打分法，這種方法有一定的主觀性。因此，可以將專家打分法與網上網下問卷調查法相結合，并且參考相關科研成果，共同確定相應的判斷矩陣，這樣將會大大降低層次分析法的主觀性，提高組合模型的精準度。此外，探索新的信用評估模型，使之具有層次分析法和神經網絡模型的優點，并且摒棄主觀性、黑箱操作等缺點，也是提高信用評估模型精準度的行之有效的方法。

此外，在確定農戶信用評級時，應該注重家庭流動資產、家庭收入、家庭資產負債率、家庭收支結構等一系列隱性擔保指標。因此，在構建農戶信用評估指標體系的同時，可以將這些隱性擔保指標獨立出來，形成一個隱性擔保指標體系，并且針對隱性擔保指標體系計算出相應的信用評分，將該信用評分與最終的農戶信用評分結合起來，共同作為評價農戶信用狀況的依據，形成農戶信貸的雙保險。

同時，在走訪信用社過程中，我們發現每個農村信用社都有一個單獨的信用評價體系，這就使得相同的農戶在不同的信用社有不同的信用評分和信用等級，同時造成了許多評估工作的重復進行。基于這種不足，我國應該制訂一套統一規范的農戶信用評估指標體系。

注釋：

① 層次分析法分為層次單排序和層次綜合排序兩步，在層次分析法的運用過程中，判斷矩陣的確定是最為關鍵的一步。為了盡可能提高判斷矩陣形成的科學性，在構造判斷矩陣時，本文不僅采用德爾菲法對判斷矩陣進行賦值，而且充分參考國內外個人信用評分的相關研究成果。由于一些研究成果是基于對大量樣本數據的統計分析和實證研究產生，因此，參考這些研究成果可以在一定程度上減小德爾菲法賦值的主觀性。

［1］Luis R.Sanint，Peter J.Barry.A programming analysis of farmers＇credit risks［J］.American Agricultural Economics Association，2001，（5）：321－325.

［2］Chuan－Hsin Huang.How to grant credit to farmers effectively：a managerial perspective［J］.Intemational Joumat of Management，2008，（25）：300－307.

［3］劉暢，方靚.概率神經網絡在農戶信用評估中的應用研究［J］.湖北社會科學，2009，（11）：85－89.

［4］胡愈，許紅蓮，王 雄.農戶小額信用貸款信用評級探究［J］.財經理論與實踐，2007，（1）：30－34.

［5］周振.構建農村信用社的農戶信用評估體系［J］.現代農業，2009，（6）：177－179.

［6］楊宏玲，郭高玲.基于BBC與價值鏈風險分析的農戶信用評價指標體系探析［J］.2011，（6）：63－66.

［7］吳沖.基于模糊神經網絡的商業銀行信用風險評估模型研究［J］.系統工程理論與實踐，2004，（11）：40－48.

［8］吳晶妹，張穎，唐勤偉.基于農戶信用特征的 WU′s三維信用評價模型研究［J］.財貿經濟，2010，（9）：21－25.

［9］虞小波.民間借貸信用風險的實證研究及其與商業信貸、FICO的比較［D］.中國科學技術大學，2009.

［10］溫濤，冉光和，王煜宇.農戶信用評估系統的設計與運用研究［J］.運籌與管理，2004，（8）：82－87.

［11］王樹娟，霍學喜.農村信用社農戶信用綜合評價模型［J］.財貿研究，2005，（5）：35－39.

［12］唐輝亮.農村信用社信用評估指標設計與運用［J］.經濟理論研究，2006，（7）：91－93.

［13］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）：60－63.