基于BP 神經網絡的農業企業信用評價體系研究
——以黑龍江省安達市為例

□寧嘉辰

（東北農業大學經濟管理學院 黑龍江 哈爾濱 150030）

1 研究背景

1.1 研究的目的

我國農業企業自身存在的問題及銀行與企業間信息不對稱，導致出現了銀行“惜貸”和農村企業融資困難等問題。現有農村信用評價體系照搬公司指標體系，存在指標劃分模糊、敞口指標底層占比較大、大量定性指標無法判定等諸多問題。因此，開展農村企業信用體系建設對于緩解農村企業融資難題和推廣普惠金融具有積極作用。

1.2 研究的意義

為解決現有機制中存在的主要問題，完善現有的農村企業信用評價體制，創新運用云模型，將定性評價等級轉變為定量評價體系，豐富了農村企業的信用評價體系，彌補了相關評價體系評價方法的不足，具有較強的實踐性和可行性。

2 國內外研究現狀

2.1 農業企業信用制度現狀以及問題研究

劉麗亞（2019）[1]認為我國農業企業融資困難主要是受當前不健全的信用擔保機制的影響。農業企業盈利少，可供擔保物缺乏。同時，僅依靠正規途徑的融資不足以支持農村企業發展。

2.2 農村信用體系建設方法研究

郭長平和杜若華（2008）[2]歸納出黑龍江省農村信用評價體系的建設現狀，從構建相對健全的信貸體制、信息系統共享平臺、信貸服務體系等角度提出了解決對策。World Bank（2005）的研究表明，農村和金融機構是對信用信息進行風險分析的重要渠道，可以在此基礎上設計風險規避方案。

3 研究內容

3.1 探究農業企業信用評級體系的作用及機理

完善的農村信用體系對實現城鄉經濟協調發展、推進新農村建設、促進農村經濟發展具有重要作用。結合農業企業實際生產情況及當前信用評價過程中的問題，探究其應用機理。

3.2 選定銀行現有信用評級體系指標

針對銀行現有農業企業客戶信用評定的11 項指標，在充分搜集相關數據的基礎上，結合現實情況，使用層次分析法對現有的11 項影響信用評價體系指標的重要性進行排序。結合現實情況，選出需要研究和完善的指標。具體步驟如下。

（1）建立目標層。目標層為信用等級最高的農業企業。

（2）建立準則層。準則層分為融貸能力及對外擔保、農業災害應對能力、公司治理及管理層經驗、生態環境可持續發展、產品品牌優勢及質量監控、農業災害保險、產品市場地位及發展前景、農產品銷售及區域多元化、農產品運輸條件及產業化、使用金融工具、農業企業財務報表質量。

（3）獲得充分準確的數據。項目成員通過線上線下問卷調查、實地調研等形式，收集銀行工作人員、農業企業相關人員針對每個指標重要性的看法，將每個影響信用評價的指標分為5 個等級，即明顯不重要、稍微不重要、明顯重要、強烈重要、極端重要。

（4）構成比較矩陣。分析11 個指標明顯等級的百分比構成比較矩陣A，公式如下。

（5）求隨機一致性指標RI。在MATLAB 算法中輸入比較矩陣，得到11 個指標的RI，見表1。

表1 一致性指標數值

（6）一致性檢驗。CR=0.061 494＜0.1，CI=0.094 701，此對比矩陣一致性可以接受，檢驗通過。

由此可知，重要性最高的4 個指標依次為融貸能力及對外擔保、產品市場地位及發展前景、農業災害保險以及農業災害應對能力。

將農業災害保險以及災害應對能力這兩個尚不完備指標作為研究對象。為實現農業可持續發展，對上述指標進行完善。

3.3 完善選定的指標

（1）探究農業災害保險指標。增設以下指標。①保險公司給與借款人的賠付。②保險公司的勘測技術水平。在種植業保險產品中應用遙感、3S 等勘探技術，增強農業企業抗風險力。③保險產品的適合度。選取涉農信貸，保證保險評分的合理性。

（2）探究農業災害應對能力指標。量化基于云模型的農業災害應對能力檔次評定標準。研究模型敞口定性打分要明確農業災害應對能力模塊的評定標準，找到能夠更準確地評定農村企業農業災害應對能力等級的機制，完善打分檔次[3]，步驟如下。

建立農業企業農業災害實際應對能力評定的云模型。一檔為建立了完善的農業災害預防控制機制，近3 年內未發生農業災害。滿足一檔的農村企業經營數據為xi，分析云期望Ex，云期望Ex為云滴在論域空間分布的期望，是定性的點，即Ex=X。根據xi、Ex，分析出云的熵En，其中云的熵En為不確定性的度量，表示定性下的云滴離散程度和論域空間里云滴允許的取值范圍，公式如下。

根據方差S2和En，代入公式He=，分析出云的超熵He，用來表示云滴離散程度。將云的數字特征（Ex，En，He）代入正向云發生器以產生云滴。根據云滴圖分析出農業災害應對能力模塊一檔定性概念的定量值。重復以上步驟得出其余4 檔的定量值。正向云發生器見圖1。

（3）探究可持續發展指標。在土壤化肥殘留污染檢測方面，加強對土壤中化肥殘留污染的定量研究分析，并按相應指標分為“優”“中”“良”“差”4 級。在土壤復墾率方面，按照草地、林地、耕地、園地等具體土地復墾指標體系，針對地形、土地生產力、土壤質量以及土地配套設施4 個方向對土壤復墾率進行評價。若遇特殊情況，評級不達標準，可結合實際情況科學合理確定土地復墾質量控制指標。

3.4 完善的評價體系下企業融資情況

運用BP 神經網絡模型對完善后的農業企業信用評價體系進行評價，研究完善后的信用分數提升情況，找到滿足優化后的評價機制的農業企業[3]，步驟如下。

建立農村企業綜合能力與借貸信用的BP 神經網絡模型，通過分析得出待完善模塊的內容，將反映原有模塊數據及新增內容的農村企業數據細化并輸入網絡。歸一處理原指標數據xi得到，公式如下。

設置BP 神經網絡中最大訓練步數為1 000 步，學習速率0.1，最小均方誤差0.01，達到預期誤差限度時，停止神經網絡訓練。神經網絡擬合值良好時，輸入待預測的農村企業數據，得到預測結果。三層輸出網絡見圖2。

4 總結與模式推廣

當前信用評價體系無法在農業企業融資環節起到推動作用，為促進農業企業良好發展，避免出現“融資難”的問題，建立一個相對完善的農業企業信用評價體系勢在必行[4]。在現存信用評價體系基礎上，增設的指標以及完善的評級系統將對發展農業企業、促進產品多元化及農村產業升級具有重要作用。

輸入層 第一層隱含層 第二層隱含層 輸出層