張潤馳 杜亞斌 荊偉 孫明明

摘要：基于江蘇北部某地區(qū)2007—2015年18萬條真實農戶大樣本小額貸款記錄，結合當地及全國CPI、GDP、第一產業(yè)產值、地區(qū)農業(yè)生產資料價格指數等宏觀經濟指標，采用基于最大似然估計逐步進入法的Logistic模型，篩選對農戶違約概率影響較為顯著的指標，之后對各指標經濟含義進行了解釋并對模型進行穩(wěn)健性分析。研究發(fā)現：信用水平指標與農戶的真實違約情況關聯不顯著，意味著當地信貸機構對貸款農戶的貸前內部信用評級不能有效地預測農戶的信用風險；利率、性別、婚姻狀況、職業(yè)、教育等微觀指標對信用風險有較大影響；全國范圍的GDP和CPI、江蘇農業(yè)生產資料價格指數、滯后一期的當地第一產業(yè)GDP等宏觀指標也對信用風險具有預測作用； Logistic模型在不平衡數據集上，依然能保持較好的分類精度。

關鍵詞：農戶小額貸款；Logistic模型；違約影響因素；信用風險

中圖分類號：F323.9文獻標識碼：A 文章編號：1009-9107（2017）03-0067-09

引言

隨著我國經濟的不斷發(fā)展以及一系列支農、惠農政策的扶持，農戶的收入及生活水平不斷提高，擴大生產的積極性與消費需求日益增長。然而，盡管當前農戶對資金的需求在不斷提高，農戶信貸市場上卻存在著嚴重的資金供求不平衡問題：大量農戶希望通過貸款實現擴大生產或者消費，但農村地區(qū)的信貸機構由于難以識別借款農戶的真實還款能力與還款意愿，一般出于謹慎，采取“惜貸”策略，僅僅向資信水平十分優(yōu)越的農戶發(fā)放貸款。由此，一方面導致有貸款需求的農戶無法得到資金，不能進一步擴大生產或進行消費；另一方面也使得信貸機構積余了大量的閑置資金，資金利用率較低。存在這一現狀歸根結底的原因，在于農戶信貸過程中的信用風險難以衡量。

信用風險是指獲得信用支持的債務人不能遵照合約按時足額償還本金和利息的可能性。為降低信用風險管理成本提高貸款決策效率，現代信貸機構一般選擇以信用評估技術[12]對貸款人的信用風險進行預測與管理。最初，信用評估模型往往由外部評估機構開發(fā)，之后隨著現代商業(yè)銀行的不斷發(fā)展與壯大，各銀行構建自己內部的信用評估模型漸成為常態(tài)。巴塞爾協(xié)議II明確提出：在滿足某些最低條件和披露要求的前提下，有資格采用內部評級（IRB）法的銀行可以根據自己對風險要素的估計值決定對特定暴露的資本要求[3]。

就問題性質而言，信用評估在本質上是一種分類問題：根據待評估樣本的多維度屬性指標，設計合適的模型將樣本分為若干類。影響模型性能的因素主要有兩個：一是核心分類器的選擇，二是模型構建時的指標選取。現有較為成熟的分類器根據原理不同，大體可以分為基于傳統(tǒng)統(tǒng)計理論的分類器與基于數據挖掘技術的分類器兩類。前者主要包括線性回歸模型、Logistic模型、樸素貝葉斯（NB）、判別分析（DA）等[47]，后者有代表性的主要是人工神經網絡（ANN）、支持向量機（SVM）、決策樹、K最近鄰（K-NN）等[811]。

近年來，隨著上述分類器的漸漸成熟與流行，更多學者將研究重點轉移到我國農戶信貸發(fā)展現狀及其違約影響因素方面。王定祥等以全國15個省份較貧困地區(qū)的1 156戶暫時性貧困型農戶為研究對象，對貧困型農戶信貸需求和信貸行為進行了調查分析，發(fā)現當前農戶金融需求滿足率極低[12]；黃祖輝等以問卷調查的方式對820戶農戶的借貸行為進行考察，研究發(fā)現樣本地區(qū)大部分農戶對正規(guī)和非正規(guī)信貸的需求均以消費性為主[13]。楊勝剛等結合我國農戶信貸市場的實際情況，通過調查某農村信用社713個農戶的貸款記錄，挖掘出違約與否的影響因素，并進一步運用層次分析法（AHP）設計了一套包含5個準則層、17項指標的農戶信用評估體系[14]；楊宏玲等發(fā)現當前農村信貸機構在選擇農戶信用評價指標時，主要以傳統(tǒng)的“5C”或“4C”分析法為主，方法比較單一[15]。胡愈等從我國小額信貸的實踐理論出發(fā)，建立農戶信用等級評價的指標體系[16]，李巖等則基于山東省573戶農戶6年的貸款數據，全面系統(tǒng)地研究了農戶貸款行為的發(fā)展規(guī)律及其影響因素。結果表明：農戶性質、性別、區(qū)域、年齡、教育、家庭人口、家庭勞動力、家庭田地畝數均對農戶貸款行為有不同程度的影響[17]。魏嵐等以遼寧省300戶農戶的入戶調查資料為樣本數據，基于Logit模型建立了含10個指標的小額信貸風險評價模型，并對模型的擬合結果進行了檢驗[18]。

研究農戶小額貸款違約的影響因素，一方面，能夠幫助農村商業(yè)銀行、信用合作社等信貸機構進一步提升信用風險管理能力，降低不良貸款率，維持我國以銀行業(yè)為主的金融體系穩(wěn)定；另一方面，通過提升信貸機構對優(yōu)良借款農戶的甄別率，鼓勵信貸機構發(fā)放貸款，能夠緩解當前我國農戶融資難的問題，幫助并引導農戶擴大生產或增加消費，進一步提升農戶的生活水平，在提高農業(yè)產值之余，亦能擴大消費市場需求，緩解我國當前的產能過剩問題。因此，具有重要的研究意義。然而，上述現有的研究，要么單從理論角度出發(fā)，缺乏基于真實樣本的實證證據；要么僅根據單一農村商業(yè)銀行、信用合作社或調查問卷的小樣本農戶信貸數據展開研究，其結論的代表性及指導意義有待商榷。相比之下，本研究基于江蘇北部某農村地區(qū)2007-2015年18萬條真實農戶大樣本信貸記錄展開研究，相比于現有研究文獻所用的單一信貸機構在短期內的農戶信貸數據，本研究所選數據規(guī)模大、時間跨度長，因此研究結果更具可信性與現實指導意義。

一、研究數據

本文的研究數據來自直接隸屬于國務院的某金融監(jiān)管機構在江蘇北部某地區(qū)的農戶信貸數據庫。數據庫搜集了該地區(qū)自1997年1月至2016年3月共292 837條轄區(qū)內各農村商業(yè)銀行網點、信用合作社等貸款機構面向農戶發(fā)放貸款的歷史記錄。從數據集的規(guī)模、來源權威性、樣本完整性等角度而言，其研究價值均較大。此外，該地區(qū)在江蘇省內所占GDP比重較低，同時第一產業(yè)在該地區(qū)GDP中所占比重較高，因此比較適合針對農戶的相關研究。

我們首先對原始數據集進行樣本清洗，刪除存在缺失值的樣本。其次，由于1997—2006年、2016年到期的信貸記錄樣本數較少，且到期當年均不存在違約樣本，故我們進一步剔除上述期間到期的信貸記錄。另外，由于數據庫中存在部分農村、鄉(xiāng)鎮(zhèn)企業(yè)的貸款記錄，這些記錄的貸款數額一般較大，而我們無法根據脫敏后的數據庫樣本信息將普通農戶小額貸款與農村、鄉(xiāng)鎮(zhèn)企業(yè)貸款主體予以明確的區(qū)分。鑒于2010年財政部、稅務總局在《關于農村金融有關稅收政策的通知》中將農村小額貸款明確定義為借款金額為5萬元以下的農村地區(qū)貸款，本文將數據庫中實際貸款金額小于等于5萬元人民幣的貸款，劃分定義為普通農戶小額貸款，以便下文的研究。最后，對于教育程度、是否有手機或電話、婚姻狀況等非數值變量，我們根據該監(jiān)管機構提供的數據映射字典，分別對其進行數值化映射以便后續(xù)操作。經上述各項篩選、刪減、映射操作后，數據集中含有貸款到期日自2007年1月至2015年12月共180 008份樣本，其中違約樣本數135份。各樣本指標的含義及統(tǒng)計描述見表1。

此外，現有研究農戶貸款影響因素的相關文獻，大多僅基于單一農村商業(yè)銀行或信用合作社短期內的信貸樣本數據，在微觀層面展開研究，模型中一般并不加入宏觀經濟指標，因此也難以分析宏觀經濟因素對不同時期信用風險的影響?？紤]到本文的研究數據具有描述地區(qū)信貸總體特征、跨期長、數量大等特征，我們同時搜集了該地區(qū)2005—2015年，在借款年及還款年當年、滯后1期（1年）、2期（2年）、3期（3年）的地區(qū)GDP、地區(qū)第一產業(yè)GDP、地區(qū)CPI、地區(qū)農業(yè)生產資料價格指數以及全國GDP、全國第一產業(yè)GDP、全國CPI、M2等共計64（8×2×4）個宏觀經濟指標相關數據來自wind資訊，從而進一步研究相應的宏觀經濟因素與農戶小額貸款的違約狀況是否存在顯著的相關關系。

二、研究模型的構建及穩(wěn)健性分析

（一）模型構建

在研究信用評估問題時，一般以違約概率作為因變量展開研究，而考慮到普通的線性回歸模型不能保證因變量一定在[0，1]間分布，現有文獻一般采用Logistic模型。Logistic模型作為信用評估領域最經典的模型之一，相比于當前流行的各類基于人工智能、機器學習技術的分類模型，擁有適應性強、迭代迅速等優(yōu)勢，同時也兼具對樣本屬性指標的解釋性，故文本選擇基于Logistic模型展開實證研究。

設信用評估數據集共有n個樣本xi （i∈{1，2，…，n}），各樣本包含m個指標Aj （j∈{1，2，…，m}），則第i個樣本在第j個指標上的取值可表示為xij （i∈{1，2，…，n}，j∈{1，2，…，m}）。各樣本的類別標簽yi∈{0，1}（i∈{1，2，…，n}）.若yi=0，則表示其對應的xi 為信用較好的負類（negative）樣本；若yi=1，則表示其對應的xi為信用較差的正類（positive）樣本。在二分類問題中，Logistic方程的基本形式為：

之后以最小化分類誤差為目標，通過估計參數b0，b1，L，bm 完成模型構建。Logistic方程本質上衡量了各指標與信用水平的半線性函數關系。

使用SPSS 20.0統(tǒng)計軟件進行Logistic回歸分析?？紤]到備選指標中可能存在共線程度較高，或與違約概率相關性不強的變量，本文選擇基于最大似然估計（LR）的逐步進入法篩選變量，最終收斂步驟為18步，18步迭代后的模型分類結果如表2所示。模型中剩余的各顯著變量、其系數及顯著性檢驗結果見表3。

（二）穩(wěn)健性分析

進一步分析模型的穩(wěn)健性。一個首先值得注意的問題是：在本文研究所用數據集中，存在兩類樣本的數量極度不平衡的現象（即未違約的負類樣本數遠遠大于違約的正類樣本數），現有的相關研究表明：一些分類模型在面對不平衡樣本時，往往會更多地將正類樣本誤識別為負類樣本，從而導致模型的分類能力存在“多數類偏倚”[19]?，F有文獻提出了一些較為成熟的解決樣本不平衡問題的方法，從原理上而言，這些方法大體可以分為兩類：一類是根據少數類樣本和與其相似多數類樣本的多維指標分布特征，以一定算法生成新的少數類樣本，從而實現兩類樣本數量的均衡，這類方法具有代表性的主要有Oversamping[20]、SMOTE[21]、RAMBoost[22]、ADASYN[23]等；另一類方法則以現有少數類樣本的數量為基礎，在多數類樣本中根據一定算法抽取有代表性的樣本，實現兩類樣本的平衡，這類方法具有代表性的主要包括Subsamping[20]、CNNR[24]等。為驗證本文所用數據集的不平衡是否會影響模型的分類結果，我們用MATLAB分別編程實現上述各樣本不平衡處理算法，之后對比在使用上述各樣本不平衡處理算法按兩類樣本1∶1平衡化處理后，構建出的不同模型在分類性能上是否有顯著差異。

表4展示了經上述6種算法分別處理后，Logistic模型分類能力的差異。從表4中可以明顯看出：在使用Oversampling算法之后，Logistic模型的分類性能急劇下降，總計分類正確百分比僅有50%，相當于隨機分類方法。SMOTE、CNNR、RAMOBoost、ADASYN、Subsampling5種算法，在總計百分比上不能比表2中直接使用Logistic模型情況下的分類性能更優(yōu)，兩類樣本獨立分類正確率差異并不大。此外，考慮到任何對原始樣本數據的壓縮、增添過程都是對原始樣本集所含信息的一種抽樣與扭曲，從挖掘客觀、真實數據集特征的角度出發(fā)，本文選擇不對不平衡樣本進行任何處理是有理有據的。

此外，最終被選中的各項顯著性指標，是否敏感于我們使用的LR逐步進入法？我們同時也對相同的樣本數據，分別采用基于條件參數估計、基于Wald方法的逐步進入法重新構建模型，發(fā)現在這兩種方法下，選擇的顯著性指標與表3的結果完全相同，從而表明本文構建的模型并不敏感于指標的逐步進入選擇方法，穩(wěn)健性較好。

三、實證結果分析

1.基準利率、浮動利率、實際利率指標。在Logistic模型中，因變量為各樣本的違約概率，事實上度量的亦是各樣本的信用風險。根據表3，我們首先發(fā)現基準利率、浮動利率、實際利率三個指標與信用風險呈較為顯著的相關關系。具體而言，基準利率指標與因變量的回歸系數為4.512，表明信用風險受借款時的基準貸款利率影響較大，當基準貸款利率較高時，借款人實際上面臨著相對更重的未來還款負擔，從而導致違約概率上升。而浮動利率則衡量了放貸機構在基準利率基礎上可調的利率區(qū)間，當浮動利率較高時，放貸機構有一定沖動通過提高利率浮動水平以獲得超額利潤，但事實上這一行為也增強了借款人的違約可能性。我們也發(fā)現實際利率與信用風險亦呈顯著的負相關關系，系數約為-0.216，這與常識及現有研究的一些結論相悖：違約概率應當與貸款利率正相關。對此筆者認為：對當前大多數農村信貸機構而言，由于貸款定價機制不健全，大多數貸款可能主要依據金融當局的基準利率附加一定比例的風險成本進行定價，因此實際利率可能與基準利率有較高的相關性。經計算，實際利率與基準利率的相關系數為0.43。我們同時嘗試在模型中不加入基準利率與浮動利率兩個指標，此時實際利率的回歸系數為0.057，對應的p值為0.006，依然保持顯著。正的系數與常識相符：實際利率越高，借款人的還款壓力越大，從而更易出現違約。

2.5級分類、信用水平指標。5級分類指標與信用風險在1%的顯著水平上顯著正相關，由此可以看出，該地區(qū)的農村商業(yè)銀行、信用合作社等信貸機構，已具備了一定的貸后信用風險管理能力。但信用水平這一貸前信用風險預測指標并未進入模型，我們同時計算出信用水平指標與是否違約的因變量間的Pearson相關系數為-0.008，其相關性較弱，表明當地信貸機構在貸前信用風險的管控上有待加強，其目前的貸前信用評估模型，并不能從貸款申請者之中有效識別出潛在的違約者。

3.性別、婚姻狀況、職業(yè)指標。就性別因素而言，男性借款人的信用風險普遍高于女性，且差異較為顯著?；橐鰻顩r及穩(wěn)定性也對違約概率有較大程度的影響。具體來說，導致離異借款人離異的原因，可能是好逸惡勞、家庭責任感不強等因素，由此可合理推測其還款能力或還款意愿也較弱，而有子女的借款者，可能因自身需要履行撫養(yǎng)義務導致還款能力較差，從而更易違約。對于借款人具體的身份或技能而言，退伍軍人一般具有較強的責任感與使命感，生產、服務、技術人員相比于一般農戶，可能更加注重自身的聲譽，因而違約風險相比于普通農民更低。

4.教育指標。值得注意的是，教育因素與信用風險是顯著正相關的，表面上看，接受教育的層次越高，則信用風險反而越大，這與我們預先的猜測相悖。然而，根據表1的描述性統(tǒng)計，該地區(qū)借款農戶的平均受教育水平均值為1.45，介于小學文化與初中文化之間，因此事實上整體樣本的受教育水平依然處于一個較低的水平。僅根據實證結果來看，小學文化水平的借款者違約概率反而低于初中文化水平的借款者，對此我們認為：在過去農村地區(qū)低層次的教育環(huán)境下，僅有小學文化的農戶相比接受了更高層次教育的農戶，可能更具鄉(xiāng)村環(huán)境中與生俱來的淳樸、踏實、勤勞、講信用等優(yōu)良精神，在貸款時量力而為，在貸款后勤勉奮斗，從而還款能力較高；還款時，在淳樸信用觀念的驅動下，恪守貸款合約義務，從而還款意愿較強，綜合使得低學歷的借款者違約概率較低。

5.擔保情況指標。未解決結清擔保債務這一指標也與信用風險負相關。然而傳統(tǒng)的信貸理論一般認為：擔保是一種或有債務，債務水平越高的借款人，違約的可能性越大。從農村信用借貸的微觀視角出發(fā)，我們猜測：首先，尋求擔保的借款人，往往偏好于選擇那些財力較強，且能被信貸機構認可的農戶作為擔保人。因此事實上，成為被信貸機構認可的擔保人，本身就是資信水平的一種象征；其次，擔保人一般在當地具有較好的聲譽，從維護自身聲譽角度出發(fā)，擔保人一般也會選擇履行其擔保債務責任；最后，在現實操作中，擔保人與借款人之間一般可能存在親戚或鄰里關系，構成一種隱蔽的“貸款團體”。在貸款時，團體成員間通過相互擔保的方式，提高貸款的成功率。而一旦某一成員出現還款困難，擔保人可以通過先墊付還款的方式，將該團體與信貸機構間的債務關系轉換為團體內部成員間的債務關系，從而同時保證了借款人與擔保人在信貸機構中的信用記錄不會惡化。

6.宏觀經濟指標。另外，我們關注選擇的宏觀經濟指標是否對當地總體信貸違約概率具有顯著影響。從表3可以看出，借款年全國GDP、借款年全國CPI、借款年江蘇農業(yè)生產資料價格指數、滯后一期的借款年當地第一產業(yè)GDP四個指標與當地平均違約概率顯著相關，四個指標項系數分別為-0.000 34、-0.21、0.716與1.101。

對于系數為負的借款年全國GDP、借款年全國CPI兩個指標，本文嘗試從農戶的生產收入角度予以分析。首先根據表1中“借款期限”一項，我們發(fā)現當地農戶借款期限一般較短，平均在1年左右（369.62天）。根據古典經濟學理論，當借款期間整體經濟形勢較好時，一般直接體現為生產擴大，GDP上升，進一步導致勞動者收入增加，消費需求增加。在農產品供應量增量不大的條件下（考慮到農產品與一般商品的生產過程不同，其生產周期一般較長，因此農產品供應量增量不大的假設是合理的），均衡價格上升，一般也伴隨著總體物價水平（CPI）上升，農戶因銷售農產品獲得的收入增加，從而在借款期內現金流較高，還款能力提升。

對于系數為正的借款年江蘇農業(yè)生產資料價格指數、滯后一期的借款年當地第一產業(yè)GDP兩個指標，我們嘗試從農戶生產決策的角度出發(fā)展開探討。對于借款年江蘇農業(yè)生產資料價格指數指標，由于農戶對生產資料（如種子、魚苗、化肥、除蟲除草藥劑等）的購買大多是剛性需求，而農產品銷售的收入一般有限，當借款年當地農業(yè)生產資料價格普遍上升時，農戶很可能因此被迫選擇貸款購買，從而維持生計。由于這一貸款行為完全是由剛性需求主導的，貸款動機背后并無預期收入增加作為還款資金支持，因此信用風險相比較大。對于借款年當地第一產業(yè)GDP這一指標，我們認為農戶在生產決策中，信息來源一般比較狹窄，決策主要依據自身經驗、他人建議及對當地“成功者”的觀察。當借款年當地第一產業(yè)產值較高時，農戶可能通過多種渠道認知了“今年形勢較好”這一事實，進而根據適應性預期理論，可能認為當前的良好形勢能在來年延續(xù)，從而決定貸款跟風擴大生產，由此因生產經營決策風險引致出信用風險。

7.未進入模型指標。最后，我們也注意到貸款申請額度、實際貸款額度、擔保方式、年齡、是否有手機或電話、健康狀況、年收入、信用水平、借款期限等微觀指標由于顯著性不強，并未被納入模型。可能的原因是：在農戶小額貸款過程中，貸款的申請額度與實際貸款額度等指標不同個體間差異并不明顯，而健康狀況、年收入等指標由于信貸機構難以核實，因此其區(qū)分信用風險的作用有限。隨著電子通訊產品及通信費用的逐年降低，手機或電話已成為使用成本低廉的大眾化通訊工具，該指標的意義不再明顯。另外，還款年的各項宏觀經濟指標也未被納入模型，借款年的該地區(qū)的GDP、CPI、同期全國第一產業(yè)GDP、M2等指標及其滯后項也未納入模型。一般認為：還款年的經濟形勢、物價水平等因素可能會對借款人的還款意愿與還款能力造成影響，但本文的研究并未證實這一點，原因可能在于：借款農戶出于謹慎，往往未雨綢繆，在還款期之前一段時間即準備好了相應的應還賬款，從而受還款期整體經濟形勢的影響并不大。

四、結論及政策建議

本文基于江蘇北部某地區(qū)2007—2015年18萬條真實農戶大樣本信貸記錄，對影響當地農戶小額貸款違約與否的宏微觀因素展開研究。研究首先發(fā)現“信用水平”指標與農戶的真實違約情況關聯不顯著，意味著當地信貸機構對貸款農戶的內部信用評級不能有效地預測農戶的信用風險。之后，挖掘出利率、五級分類、性別、婚姻狀況、職業(yè)、教育、未解決結清擔保債務、借款年全國GDP、借款年全國CPI、借款年江蘇農業(yè)生產資料價格指數、滯后一期的借款年當地第一產業(yè)GDP等指標與農戶小額貸款信用風險有較為顯著的關聯性，可以作為當地信貸機構農戶小額貸款信用評估模型的指標。此外，驗證發(fā)現基于LR逐步進入法的Logistic模型，在兩類樣本不平衡性較大的數據集上，依然能保持較好的分類精度，具有較高的魯棒性。

最后，結合對實證結果的分析，我們?yōu)楫數剞r村信貸機構及金融監(jiān)管當局如何更好地管理信用風險提出如下幾點建議：

1.研究發(fā)現當地信貸機構的貸前信用評估模型并不能有效預測貸款申請農戶的真實信用風險。因此，當地信貸機構需要強化貸前內部信用評估體系的研發(fā)，構建性能較強的、符合當地實際信貸現狀的內部信用評估模型，同時加強傳統(tǒng)的非模型化信用評估方法和貸后管理。

2.在構建內部信用評估模型時，可以考慮在模型中加入全國GDP、全國CPI、江蘇農業(yè)生產資料價格指數、滯后一期的當地第一產業(yè)GDP等指標，結合現有的諸如微觀評估指標，從更全面的視角對貸款農戶信用水平進行深度評估。對金融監(jiān)管當局來說，亦可嘗試基于相應的宏觀經濟指標，對當地農戶信貸風險進行恰當的預測，從而及時向當地信貸機構提供預警。

3.鑒于農戶違約概率與借款時的基準貸款利率、浮動利率、實際利率關聯性較強，金融當局應當進一步推進利率市場化工作，逐漸放開利率市場管制，避免因過高的基準貸款利率限制，變相提升農戶貸款成本，因農戶還款能力下降導致違約概率上升。對于貸款機構，亦應從長遠角度出發(fā)，對不同信用水平的貸款農戶實施差別化貸款定價，對資信較好的農戶提供較低的實際貸款利率，構建長期的客戶合作關系，而不可“揠苗助長”，片面追求短期的利潤，以較高的貸款利率將真實信用水平較高的農戶拒之門外，反而吸引了信用風險較大的借款人，引致道德風險與逆向選擇問題。

4.考慮到金融知識對信用風險的顯著影響，建議當地金融監(jiān)管當局應積極與貸款機構合作開展農戶信用意識科普活動，讓更多有資金需求的農戶在了解小額貸款相關的金融知識之余，提高借款農戶的還款意愿。同時，可以結合大數據技術，構建當地農戶信用信息庫，一方面，為后續(xù)的信用評估模型構建提供數據樣本支持，另一方面，通過記錄歷史違約信息，構建違約懲戒機制，提高違約成本，激勵借款農戶提高自身的還款動力。此外，當地政府應當積極引導當地農戶科學進行生產決策，避免因扎堆跟風、盲目擴大生產導致農戶進行非理性貸款，從而降低信用風險。

參考文獻：

[1] Lessmann S，Baesens B，Seow H V，et al.Benchmarking Stateoftheart Classification Algorithms for Credit Scoring：An Update of Research[J].European Journal of Operational Research，2015，247（1）：132.

[2]Thomas L C，Edelman D B，Crook J N. Credit Scoring and its Applications[M].Philadelphia ：Siam，2002.

[3]Decamps J P，Rochet J C，Roger B. The Three Pillars of Basel II： Optimizing the Mix[J].Journal of Financial Intermediation，2004，13（2）：132155.

[4]Orgler Y E.A Credit Scoring Model for Commercial Loans[J].Journal of Money，Credit and Banking，1970，2（4）：435445.

[5]Steenackers A，Goovaerts M J.A Credit Scoring Model for Personal Loans[J].Insurance：Mathematics and Economics，1989，8（1）：3134.

[6]Leonard K J.Empirical Bayes Analysis of the Commercial Loan Evaluation Process[J].Statistics & Probability Letters，1993，18（4）：289296.

[7]Lessmanna S，Seowb H，Baesenscd B，et al. Benchmarking Stateoftheart Classification Algorithms for Credit Scoring：A Tenyear Update[C]//Credit Research Centre，Conference Archive，2013.

[8]Chuang C L，Huang S T.A Hybrid Neural Network Approach for Credit Scoring[J].Expert Systems，2011，28（2）：185196.

[9]Bellotti T，Crook J.Support Vector Machines for Credit Scoring and Discovery of Significant Features[J].Expert Systems With Applications，2009，36（2）：3 3023 308.

[10]龐素琳，鞏吉璋.C5.0分類算法及在銀行個人信用評級中的應用[J].系統(tǒng)工程理論與實踐，2009，29（12）：94104.

[11]Henley W E.Construction of a Knearestneighbour Creditscoring System[J].IMA Journal of Management Mathematics，1997，8（4）：305321.

[12]王定祥，田慶剛，李伶俐，等.貧困型農戶信貸需求與信貸行為實證研究[J].金融研究，2011（5）：124138.

[13]黃祖輝， 劉西川， 程恩江. 中國農戶的信貸需求：生產性抑或消費性——方法比較與實證分析[J].管理世界， 2007（3）：139148.

[14]楊勝剛，夏唯，張磊，等.信用缺失環(huán)境下的農戶信用評估指標體系構建研究[J].財經理論與實踐，2012，33（6）：712.

[15]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].科技管理研究，2011，31（6）：6366.

[16]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，2007，28（1）：3033.

[17]李巖，蘭慶高，趙翠霞.農戶貸款行為的發(fā)展規(guī)律及其影響因素——基于山東省573戶農戶6年追蹤數據[J].南開經濟研究，2014（1）：134145.

[18]魏嵐.農戶小額信貸風險評價體系研究[J].財經問題研究，2013（8）：125128.

[19]Batista G E，Prati R C，Monard M C.A Study of the Behavior of Several Methods for Balancing Machine Learning Training Data[J].ACM Sigkdd Explorations Newsletter，2004，6（1）：2029.

[20]Yap B W，Rani K A，Rahman H A A，et al.An Application of Oversampling，Undersampling， Bagging and Boosting in Handling Imbalanced Datasets[C]//Proceedings of the First International Conference on Advanced Data and Information Engineering （DaEng2013）.Springer Singapore，2014：1322.

[21]Chawla N V，Bowyer K W，Hall L O，et al.SMOTE：Synthetic Minority Oversampling Technique[J].Journal of Artificial Intelligence Research，2002，16（1）：321357.

[22]Chen S，He H，Garcia E A.RAMOBoost： Ranked Minority Oversampling in Boosting[J].IEEE Transactions on Neural Networks，2010，21（10）：1 6241 642.

[23]He H，Bai Y，Garcia E A，et al.ADASYN：Adaptive Synthetic Sampling Approach for Imbalanced Learning[C]//2008 IEEE International Joint Conference on Neural Networks （IEEE World Congress on Computational Intelligence）.IEEE，2008：1 3221 328.

[24]Gowda K C，Krishna G.The Condensed Nearest Neighbor Rule Using the Concept of Mutual Nearest Neighborhood[J].IEEE Transactions on Information Theory，1979，25（4）：488490.