基于數據挖掘的扶貧對象精準識別研究

聶燕敏　封二英

【摘 要】貧困戶人員多、居住分散，資金需求具有小、急、頻等特征，造成貧困戶容易成為金融機構排斥對象。本文以貧困地區信用建設為突破口，利用大數據分析和挖掘技術對農戶的基本信用進行評級，根據信用等級及主要影響因素確定扶貧資金的額度，有針對性的定制金融產品。這樣一方面提高了金融機構扶貧的精準度，另一方面可以大大提升金融機構參與扶貧的積極性，使得農村金融生態環境越來越好。

【關鍵詞】大數據技術；金融扶貧；精準扶貧；信用評級

中圖分類號： F323.8 文獻標識碼： A 文章編號： 2095-2457（2018）08-0102-002

【Abstract】The number of poor households is scattered， and the demand for funds is small，urgent and frequent， which makes poor households easy to be excluded from financial institutions.This paper takes credit construction in poor areas as a breakthrough，uses large data analysis and mining technology to evaluate the basic credit of farmers， and determines the amount of the poverty alleviation funds according to the credit rating and the main factors，and there are targeted customized financial products.On the one hand， the precision of financial institutions' poverty alleviation is improved， on the other hand，the enthusiasm of financial institutions to participate in poverty alleviation can be greatly improved， and the rural financial ecological environment is getting better and better.

【Key words】Big data technology；Financial poverty alleviation；Precision poverty alleviation；Credit rating

0 引言

農村尤其是貧困地區，因市場機制不完善，貧困人口想順利得到正規金融產品的支持是很困難的。尤其是小額信貸這種比較適合貧困人口的金融產品，特別受人們的喜愛。根據調查顯示，曾經參加小額信貸的農戶明顯比沒有參加的農戶收入要高，這樣可以有效提升扶貧成效，使得貧困人口盡快脫貧。但是，由于農村征信體制不健全，個人信用檔案也不完善，部分貧困人口缺乏誠信意識，會有故意賴賬的傾向，這就使得金融機構對農戶和涉農企業的信用信息不能完全掌握，阻礙金融機構支持精準扶貧的積極性。因此，完善農村信用評級體系非常重要，要想充分調動金融機構參與金融扶貧的積極性，就要采取一系列措施，完善農村信用體制，凈化農村金融生態環境。一是要建立起完整的農村個人信用檔案，及時更新農戶的信息，定期對農戶的信用等級進行評級。二是要持續不間斷地跟蹤農戶貸款情況，降低農戶違約風險。三是建立長效的宣傳機制，在農村廣泛宣傳恪守信用的農戶和企業，并著力培育信用客戶。

1 數據挖掘技術在貧困戶信用評價中的可行性分析

利用數據挖掘技術進行精準扶貧過程中建檔立卡貧困戶的信用評價問題，主要分為以下幾個方面。

（1）通過調研河北省國家級貧困縣，搜集相關數據

選取某河北省國家級貧困縣為研究對象，通過走訪調研，搜集大量相關數據。數據包括：建檔立卡貧困戶錄入的數據，通過調查問卷的形式確保數據的真實性和完整性；農戶在金融扶貧中的歷史交易數據等。

（2）利用大數據技術對前期搜集到的數據進行整合

由于農村信息化建設還不太完善，所以需要把搜集到的數據進行有效地整合。由于數據量比較大，可以選用大數據技術進行并行處理數據，選用合適的數據挖掘軟件進行前期數據整合。

（3）使用屬性相關性的特征選擇算法確定影響金融扶貧信用評級的關鍵因素

通過定性分析，找出影響建檔立卡貧困戶信用風險的關鍵因素，如農戶年齡、現有住房、申請項目等。貧困人口的信貸風險影響因素對貸款償還效能和信用等級計算會產生不同程度的影響，利用屬性相關性的特征選擇算法，有助于識別重要因素，剔除非關鍵因素。金融機構就可以據此調整貸款發放政策，提高金融扶貧的精準度。

（4）利用數據挖掘分類算法，構建最優信用風險動態評級模型

為了實現金融扶貧的精準投放，首先要對建檔立卡貧困戶進行等級劃分，以便在此基礎上金融機構可以進一步調整自己的扶貧金融產品。對于不同等級的農戶進行不同額度的扶貧貸款的投放。通過不同數據挖掘分類算法建立信用風險評級模型，通過比較確定最優模型，并保證能根據數據的更新，對農戶的信用評級進行實時更新，實現動態信用評級。

2 金融精準扶貧信用評級實證分析

（1）金融扶貧過程中扶貧對象的信用評級指標體系構建

為了設計出科學合理、可操作性強的指標體系，充分體現金融扶貧過程中，各個金融機構資金的精準投放，通過將扶貧對象進行聚類，其中包括信用評級，并找到扶貧對象的貧困的主要原因，根據不同的原因和信用評級結果，金融機構可以設計出不同的金融產品，并且設置成不同的信用額度，這樣一方面保證了金融機構進行扶貧的積極性，也保證了扶貧對象對資金的需求，并且也能避免信用詐騙，使得農村金融的生態環境更好。

指標的選取要遵循一定的原則，主要包括可操作性、科學性、全面性、系統性等特點。因此，本文通過走訪扶貧辦及建檔立卡資料，參考金融機構對信用評級的指標，結合我省的實際情況，構建了適合評價我省金融扶貧過程中農戶信用評價指標體系（見表1）。

（2）關鍵指標選取及數據歸一化

首先通過發放調查問卷、走訪調研等方式獲取農戶的基本數據，并對原始數據進行數據預處理，獲得了原始數據。其次利用主成分分析法識別出最主要的影響因素，最終確定主要影響因素為：燃料、飲水、衛生、資產、住房、收入、學歷、教育、健康、勞動力狀況，將這些指標按照一定規則進行統一化得分處理，例如：飲水分為桶裝水、自來水、受保護的井水、不受保護的井水或泉水、江河湖泊水、其他水源分別得分為0，1，2，3，4，5分，并以農戶為單位，對一家的各個指標進行打分，最后得出整個家庭每個指標的平均得分。

（3）信用評級模型建立

由于我省農村信用體制還不太完善，而且有很多農戶都沒有信貸記錄，因此不能采取有監督的聚類算法。選用k-Means聚類算法，利用weka軟件對已經處理好的數據進行數據挖掘，使得他們的數據進行聚類，經過交叉驗證得出將數據聚為5類，結果如圖1所示。通過各個指標的分析，我們最終確定了五個類別分別對應的信用等級為I級、II級、III級、V級、VI級。

（4）最后得出信用評級結果，并分析影響評級結果的關鍵因素，對數據進行了相關性分析，找出貧困戶信用評級低的主要原因，根據不同的情況進行不同的幫扶措施。比如：如果因為家庭教育負擔重而導致貧困，則可以引薦金融機構發放助學貸款的形式。

（5）信用評級模型優化

由于農村信用體制不完善，信用記錄缺失，貧困人口大多數都是沒有貸款，即使有貸款也沒有完善的數據記錄，因此，選用了這種無監督的數據挖掘算法進行模型的建立，而模型的驗證及后續的優化，需要后期搜集更多的帶有標簽的數據集對模型進行驗證并優化。

3 結論

金融扶貧過程中進行信用評價是一個特別復雜的工程，因為它涉及的影響因素頗多，需要進行大量的調查和分析。而大數據挖掘技術，就是從各種類型的數據中快速獲得有價值信息的技術，是大數據采集、存儲、處理和呈現的有力武器，一般包括數據采集、數據預處理、數據分析及挖掘、數據展現和應用等方面，能夠客觀地對農戶信用進行評級。雖然國家沒有都會撥付大量經費用于財政扶貧、貸款貼息等，但與農村貧困人口的需求比是遠遠不夠的，因此，我們需要積極吸引金融機構參與到金融扶貧過程中，吸引社會資金進入農村，而農民又沒有抵押物，金融機構也不是慈善機構，因此，這就需要我們完善農村信用體系，大量開展小額信用貸款支持精準扶貧，這樣可以完善我國的信用體系，使得我們農村金融生態環境更好，為實現2020年我國全面進入小康社會奠定了基礎。

【參考文獻】

[1]付李濤.我國連片貧困地區金融扶貧問題研究[D].首都經濟貿易大學，2016.

[2]舒景慧.金融扶貧發展實踐探索[D].內蒙古大學，2016.

[3]盧施羽.陜西農村金融扶貧發展模式研究[D].西北農林科技大學，2016.

[4]金麗，張麗明.河北省農村金融扶貧的成效、問題及建議[J].貴州農業科學，2014，42（07）：215-219. [2017-10-08].

[5]劉靜.河北省農村金融扶貧問題研究[D].河北師范大學，2014.

[6]王鸞鳳，朱小梅，吳秋實. 農村金融扶貧的困境與對策——以湖北省為例[J].國家行政學院學報，2012，（06）：99-103.[2017-10-08].DOI：10.14063/j.cnki.1008-9314.2012.06.008.

[7]祝慧，莫光輝，于澤堃.農村精準扶貧的實踐困境與路徑創新探索[J].農業經濟，2017，（01）：9-11. [2017-10-08].