王惠 王靜

摘要：現(xiàn)有農(nóng)戶信用風(fēng)險評價體系過分依賴指標(biāo)權(quán)重，不能對農(nóng)戶的信用等級進(jìn)行動態(tài)評估，因此運用模糊聚類和模糊控制聯(lián)合模型，在不依靠權(quán)重值的情況下對農(nóng)戶信用風(fēng)險進(jìn)行評估，針對該地區(qū)農(nóng)戶信用風(fēng)險特征，建立由教育程度、婚姻狀況等在內(nèi)的14個指標(biāo)組成的農(nóng)戶信用等級評價指標(biāo)體系，并基于模糊控制評價方法將農(nóng)戶信用風(fēng)險劃分為A、B、C、D、E等5個等級，根據(jù)陜西省西安市閻良區(qū)2015—2017年共955個農(nóng)戶的實際調(diào)查數(shù)據(jù)進(jìn)行實證分析。結(jié)果顯示，該地區(qū)的農(nóng)戶信用風(fēng)險等級水平主要還是集中在等級C，無論從內(nèi)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(nóng)戶的信用等級不斷提高，信用度呈上升趨勢，信用風(fēng)險水平降低，有利于該地區(qū)農(nóng)戶融資，為以后的經(jīng)濟(jì)發(fā)展提供了良好的資金保證。

關(guān)鍵詞：農(nóng)戶信用風(fēng)險;模糊控制;模糊聚類;估計

中圖分類號： F323.9文獻(xiàn)標(biāo)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(xué)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(nóng)業(yè)金融研究。E-mail：wh_htgzy@126.com。

通信作者：王?靜，教授，博士生導(dǎo)師，主要從事金融工程、農(nóng)業(yè)投資技術(shù)與策略研究。E-mail：wj66xyx@126.com。

促進(jìn)農(nóng)業(yè)農(nóng)村產(chǎn)業(yè)發(fā)展，金融支持是關(guān)鍵因素之一[1]。在國家有關(guān)政策的支持下，銀行及信用合作社為農(nóng)民提供多種金融產(chǎn)品，在一定程度上解決了農(nóng)民的生產(chǎn)性和生活性貸款需求。但正規(guī)金融機(jī)構(gòu)與農(nóng)戶之間資金的供給與需求不對等，是我國農(nóng)村金融市場發(fā)展中面臨的最大問題。我國農(nóng)戶占總?cè)丝诘?4.71%，是涉農(nóng)金融機(jī)構(gòu)最多的客戶群體，想要更準(zhǔn)確地控制農(nóng)戶的信貸風(fēng)險，對涉農(nóng)金融機(jī)構(gòu)進(jìn)行正確支持和指導(dǎo)，就要對農(nóng)戶進(jìn)行準(zhǔn)確且客觀的信用等級評定，由此才能更好地解決農(nóng)戶信貸需求，促進(jìn)農(nóng)村金融市場和農(nóng)村經(jīng)濟(jì)的進(jìn)一步健康發(fā)展[2]，此外還能為未來參與新型農(nóng)業(yè)經(jīng)營模式的農(nóng)戶的信用風(fēng)險研究提供基礎(chǔ)。現(xiàn)階段研究中，針對農(nóng)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(jīng)網(wǎng)絡(luò)法等。如馬永杰等利用多元統(tǒng)計模型對農(nóng)戶的信用風(fēng)險進(jìn)行研究，采用逐步判別法對在正規(guī)金融機(jī)構(gòu)進(jìn)行信貸行為的農(nóng)戶的信用風(fēng)險進(jìn)行評價，發(fā)現(xiàn)該模型對農(nóng)戶風(fēng)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(nóng)戶的信用進(jìn)行評級，采用層次分析法對指標(biāo)的權(quán)重進(jìn)行確定，發(fā)現(xiàn)該模型在研究農(nóng)戶信用風(fēng)險方面是適用和科學(xué)的[4-5]。劉暢等利用神經(jīng)網(wǎng)絡(luò)模型與傳統(tǒng)專家打分法相結(jié)合對農(nóng)戶信貸風(fēng)險進(jìn)行評價，發(fā)現(xiàn)該方法的應(yīng)用可以有效提高信貸機(jī)構(gòu)防范農(nóng)戶信貸風(fēng)險的能力[6]。王靜等基于突變理論建立農(nóng)戶信貸風(fēng)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(biāo)權(quán)重進(jìn)行確定，并認(rèn)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(quán)法構(gòu)建農(nóng)戶信貸風(fēng)險的評價模型[9-10]。蔡呈偉等利用熵權(quán)法建立農(nóng)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(quán)法建立農(nóng)戶信貸評價模型，并進(jìn)行了實際應(yīng)用[12]。上述模型均具有一定的科學(xué)性和適用性，在農(nóng)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(zhì)是根據(jù)評價指標(biāo)的得分進(jìn)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(zhì)的問題具有良好的解決效果，但是不能解決農(nóng)戶隨著周邊環(huán)境和市場變化等因素產(chǎn)生的信貸風(fēng)險的動態(tài)性問題。上述模型在應(yīng)用中均須確定信用風(fēng)險評價指標(biāo)的權(quán)重，因此指標(biāo)權(quán)重的選取會對上述模型的應(yīng)用效果產(chǎn)生巨大影響。在指標(biāo)權(quán)重的確定中，大多數(shù)學(xué)者采用專家打分法的主觀賦權(quán)法或者利用決策矩陣信息的差異性進(jìn)行客觀定權(quán)，雖然主觀賦權(quán)法能夠更加貼近實際對指標(biāo)權(quán)重進(jìn)行選取，但是缺乏客觀性，不能體現(xiàn)決策信息，而客觀賦權(quán)法雖然能夠體現(xiàn)決策信息，但是容易使得指標(biāo)權(quán)重的選取脫離實際。針對上述模型的不足，本研究采用補(bǔ)償風(fēng)險聚合算法（compensation risk aggregation algorithm，簡稱CRAA），該算法利用模糊聚類對農(nóng)戶的信貸風(fēng)險值依次進(jìn)行補(bǔ)償，在對農(nóng)戶信貸風(fēng)險進(jìn)行評價時消除其對指標(biāo)權(quán)重的依賴。本研究以2015—2017年陜西省955個農(nóng)戶的調(diào)查數(shù)據(jù)為樣本，對該模型的科學(xué)性和適用性進(jìn)行檢驗，以期為農(nóng)戶信貸風(fēng)險評價研究提供一種新的思路。

1?農(nóng)戶信貸風(fēng)險評價指標(biāo)體系

1.1?構(gòu)建指標(biāo)體系

本研究在現(xiàn)有文獻(xiàn)的基礎(chǔ)上，結(jié)合中國特色農(nóng)戶信用評價的主要特征及其內(nèi)涵，參考國內(nèi)如中國農(nóng)業(yè)銀行等大型金融機(jī)構(gòu)的農(nóng)戶評級指標(biāo)[13-14]，以國外標(biāo)普、惠譽(yù)等權(quán)威信用評級機(jī)構(gòu)的典型高頻評級指標(biāo)為基礎(chǔ)[15-20]。依據(jù)指標(biāo)的強(qiáng)代表性和可觀測性、反映信息含量大、能提出冗余信息等標(biāo)準(zhǔn)，篩選出最能表現(xiàn)我國農(nóng)戶信貸風(fēng)險特征的指標(biāo)，并進(jìn)一步利用R語言聚類算法和變異系數(shù)法對指標(biāo)進(jìn)行分類和篩選，使得所選指標(biāo)能夠最大程度包含農(nóng)戶的信貸風(fēng)險信息，由此構(gòu)建由家庭結(jié)構(gòu)特征、償債能力、經(jīng)營情況、信譽(yù)狀況等4個準(zhǔn)則層（包括自身特征、收入狀況等14個指標(biāo)在內(nèi)）構(gòu)成的農(nóng)戶信用等級評價指標(biāo)體系（表1）。

內(nèi)部特征包含家庭結(jié)構(gòu)特征和償債能力。第一，家庭結(jié)構(gòu)特征主要包括4個方面：（1）自身特征，綜合農(nóng)戶的健康狀況、年齡和性別對農(nóng)戶信用風(fēng)險的影響，衡量農(nóng)戶的自身特征;（2）家庭勞動力數(shù)量，其對于農(nóng)戶的信用風(fēng)險有很大影響，勞動力越多，其家庭收入越高，越有利于農(nóng)戶歸還貸款;（3）教育程度，教育程度高表示接受新事物快，經(jīng)營能力強(qiáng);（4）婚姻狀況，家庭內(nèi)孩子的數(shù)量影響了農(nóng)戶的家庭支出，孩子數(shù)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(fù)債情況和現(xiàn)有財產(chǎn)狀況。收入情況和支出狀況反映出農(nóng)戶在未來償還貸款的能力，收入越高、支出越低表示農(nóng)戶在未來歸還貸款的能力越大;現(xiàn)有財產(chǎn)狀況和家庭負(fù)債情況表示農(nóng)戶過去經(jīng)營的成果，一般現(xiàn)有財產(chǎn)越多、負(fù)債越低表示農(nóng)戶過去的經(jīng)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(jīng)營情況和信譽(yù)狀況。第一，經(jīng)營情況包括經(jīng)營及種植能力、經(jīng)營類型、土地面積和地區(qū)經(jīng)濟(jì)狀況，該指標(biāo)主要用來衡量農(nóng)戶在未來的還款能力。根據(jù)經(jīng)營類型的不同，經(jīng)營及種植能力越強(qiáng)，土地面積越大，地區(qū)經(jīng)濟(jì)越好，表示農(nóng)戶的預(yù)期收入越多，未來的償債能力也就越強(qiáng)。第二，信譽(yù)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(nóng)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(shù)據(jù)來源和評價指標(biāo)數(shù)據(jù)標(biāo)準(zhǔn)化

1.2.1?數(shù)據(jù)來源

本研究以2015—2017年陜西省西安市閻良區(qū)隨機(jī)抽取的共955農(nóng)戶為評價對象，其中農(nóng)戶信用評價原始數(shù)據(jù)來源于2015—2017年暑期筆者所在課題組采用抽樣調(diào)查方式獲得的隨機(jī)抽樣調(diào)查數(shù)據(jù)，3年共發(fā)放調(diào)查問卷1 000份，經(jīng)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(dá)到進(jìn)行模型分析的樣本量。

1.2.2?評價指標(biāo)標(biāo)準(zhǔn)化

本研究所含指標(biāo)分為定性指標(biāo)和定量指標(biāo)，為使研究數(shù)據(jù)衡量標(biāo)準(zhǔn)統(tǒng)一，將數(shù)據(jù)按照定性指標(biāo)和定量指標(biāo)分別進(jìn)行標(biāo)準(zhǔn)化處理。定量指標(biāo)分為正向指標(biāo)、負(fù)向指標(biāo)2種，正向指標(biāo)指隨著該指標(biāo)值的增加農(nóng)戶的信用風(fēng)險變低，負(fù)向指標(biāo)指隨著該指標(biāo)值的增加農(nóng)戶的信用風(fēng)險增加。本研究所選指標(biāo)類型見表2，并采用以下公式為正向指標(biāo)和負(fù)向指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理[21]。

式中：令xij為第i個農(nóng)戶第j項指標(biāo)標(biāo)準(zhǔn)化后的數(shù)值，將農(nóng)戶的原始數(shù)據(jù)表示為v，待評價農(nóng)戶數(shù)量為n。

本研究通過對涉農(nóng)金融機(jī)構(gòu)的多位業(yè)務(wù)骨干和相關(guān)人士的訪談，結(jié)合十幾位相關(guān)領(lǐng)域的專家學(xué)者的意見，制定定性指標(biāo)打分標(biāo)準(zhǔn)（表2）。

2?基于模糊聚類無權(quán)重值的農(nóng)戶信用風(fēng)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(biāo)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(shè)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(fēng)險聚合方法

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

由表3可知，風(fēng)險值求和法受風(fēng)險數(shù)量的限制，最大風(fēng)險值法受風(fēng)險分布區(qū)域的限制，S型函數(shù)法受風(fēng)險距離的限制，風(fēng)險質(zhì)心法受風(fēng)險概率的限制，因此4類方法單一使用均不能滿足農(nóng)戶信用風(fēng)險具有的動態(tài)性和多樣性特性。結(jié)合風(fēng)險聚合和風(fēng)險補(bǔ)償?shù)乃枷?，須要對最大風(fēng)險聚合方法進(jìn)行改進(jìn)，以適應(yīng)農(nóng)戶信用風(fēng)險評級的需要。

2.3?補(bǔ)償風(fēng)險聚合算法CRAA模型

將農(nóng)戶信用風(fēng)險值的集合作為CRAA的聚類樣本，定義Rt為風(fēng)險集合的基值。根據(jù)海明距離的定義，將相對海明距離α定義為各風(fēng)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(fēng)險補(bǔ)償

風(fēng)險補(bǔ)償是指給與風(fēng)險值增加或減少某一值，使得風(fēng)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(fēng)險補(bǔ)償?shù)姆椒閷ζ湎鄬Ｃ骶嚯xα按比例對風(fēng)險值進(jìn)行補(bǔ)償Ra，風(fēng)險值的取值區(qū)間為起始值Rb到結(jié)束值Re。為了不改變樣本的特性，風(fēng)險補(bǔ)償后應(yīng)滿足：（1）風(fēng)險補(bǔ)償后，風(fēng)險和值不變;（2）補(bǔ)償后風(fēng)險Ra∈[Rb，Re]。

風(fēng)險補(bǔ)償?shù)木唧w算法為：根據(jù)公式（4）和公式（5）求出各風(fēng)險值與基值的相對海明距離和絕對海明距離，再將所得結(jié)果按照由大到小的順序進(jìn)行排序，建立風(fēng)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(fēng)險值按比例減少并增加風(fēng)險補(bǔ)償值。

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

Ra=m2+i-1αim2，i∈1，m2

m2-iαim2，i∈m2+1，m。（7）

當(dāng)m為奇數(shù)時，序號中值（m+1）/2，則對于第i個風(fēng)險值，其風(fēng)險補(bǔ)償值為：

Ra=m2-iαim2-1，i∈1，m+12

0，i=m+12

i-m2αim2-1，i∈m+12，m。（8）

經(jīng)過上述計算后，其補(bǔ)償?shù)娘L(fēng)險值之和仍然為0，且補(bǔ)償后的各風(fēng)險絕對海明距離之和減少，使得補(bǔ)償后的風(fēng)險值在區(qū)間[Rb，Re]內(nèi)的分布更加趨近于風(fēng)險基值Rt，符合風(fēng)險補(bǔ)償原則。

2.5?風(fēng)險聚合值求取

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

3?農(nóng)戶信用風(fēng)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(biāo)集與評語集的確定

根據(jù)傳統(tǒng)模糊數(shù)學(xué)的原理，建立模糊綜合評價方法。建立指標(biāo)集和評語集。結(jié)合已有的研究成果[25-27]，采用五級評價法顯示不同的風(fēng)險等級。其中，指標(biāo)集為Z={Z1，Z2，Z3，Z4，Z5}={ A，B，C，D，E }={9，7，5，3，1}，其對應(yīng)的評語集為V = {優(yōu)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(nóng)戶風(fēng)險評價模型建立過程中須要在模糊綜合模型的基礎(chǔ)上添加模糊聚類，同時根據(jù)理論經(jīng)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(fēng)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(fēng)險數(shù)的奇偶，再利用公式（7）或公式（8）對風(fēng)險進(jìn)行補(bǔ)償。其中，當(dāng)風(fēng)險數(shù)n為偶數(shù)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(dāng)風(fēng)險數(shù)n為奇數(shù)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(bǔ)償后的風(fēng)險集合Zj的最大值和最小值，最后可求得聚合風(fēng)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(qū)隨機(jī)抽取的共955農(nóng)戶為評價對象，其中農(nóng)戶信用評價原始數(shù)據(jù)來源于2015—2017年暑期筆者所在課題組采用抽樣調(diào)查方式獲得的隨機(jī)抽樣調(diào)查數(shù)據(jù)，3年共發(fā)放調(diào)查問卷1 000份，經(jīng)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(dá)到進(jìn)行模型分析的樣本量。

根據(jù)所建立的農(nóng)戶信用評價指標(biāo)體系及評價標(biāo)準(zhǔn)，根據(jù)理論經(jīng)驗以及咨詢專家意見確定各個指標(biāo)所對應(yīng)的等級，得到模糊綜合評價矩陣。再利用模糊聚合及風(fēng)險補(bǔ)償?shù)姆椒ù_定最終的評價綜合指數(shù)。最終得到2015—2017年陜西省西安市閻良區(qū)農(nóng)戶的信用風(fēng)險等級評價結(jié)果（表4）。

由表4可知，2015年農(nóng)戶信用風(fēng)險內(nèi)部特征評價中農(nóng)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%?？傮w評價中占比較大的等級為C，占比為85.85%。2016年農(nóng)戶信用風(fēng)險中內(nèi)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(nóng)戶內(nèi)部特征的評價等級主要集中在等級C，占比為46.95%，農(nóng)戶內(nèi)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(fēng)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(nóng)戶的信用風(fēng)險等級水平主要還是集中在等級C，但是無論從內(nèi)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(nóng)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(qiáng)了對于農(nóng)村地區(qū)的教育支持力度，促使受教育和高學(xué)歷農(nóng)戶的數(shù)量逐年上升，教育水平的提升也提高了農(nóng)戶的經(jīng)營管理能力和新信息的接收能力。計劃生育的實施和義務(wù)教育階段學(xué)雜費減免政策的實施，使得農(nóng)戶婚生子女?dāng)?shù)量下降，農(nóng)戶對于子女教育支出減少。農(nóng)戶加入合作社后，統(tǒng)一種植、統(tǒng)一經(jīng)營，土地形成規(guī)?；a(chǎn)，經(jīng)濟(jì)效益有所提高。近年來，由于個人信用宣傳力度的加大，農(nóng)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(nóng)戶的內(nèi)部特征和外部特征評價等級呈上升趨勢，總體信用風(fēng)險評價等級也在提高，信用風(fēng)險水平降低，有利于該地區(qū)農(nóng)戶的融資，為以后的經(jīng)濟(jì)發(fā)展提供了良好的資金保證。

5?結(jié)論與建議

為準(zhǔn)確地控制農(nóng)戶的信貸風(fēng)險，正確對涉農(nóng)金融機(jī)構(gòu)進(jìn)行支持和指導(dǎo)，就要對農(nóng)戶進(jìn)行準(zhǔn)確且客觀的信用等級評定，由此才能更充分地解決農(nóng)戶的信貸需求，促進(jìn)農(nóng)村金融市場和農(nóng)村經(jīng)濟(jì)的進(jìn)一步健康發(fā)展。本研究針對已有研究中現(xiàn)有農(nóng)戶信用評價模型依賴權(quán)重、不能充分體現(xiàn)農(nóng)戶評價結(jié)果隨著農(nóng)村市場經(jīng)濟(jì)環(huán)境的變化情況，因而無法動態(tài)地對農(nóng)戶的信用風(fēng)險進(jìn)行評價等問題，利用模糊綜合評價和無權(quán)重值的模糊聚類相結(jié)合的方法，建立農(nóng)戶信用風(fēng)險評價模型，從而實現(xiàn)分階段分層次評價，不依賴風(fēng)險概率及權(quán)重，且評價指標(biāo)體系可以根據(jù)地區(qū)和實際情況進(jìn)行調(diào)整，使得農(nóng)戶信用風(fēng)險評價的研究更靈活、全面，增強(qiáng)了實用性和可操作性。

利用陜西省西安市閻良區(qū)2015—2017年共955個農(nóng)戶的數(shù)據(jù)進(jìn)行評價，充分證明了該模型的可應(yīng)用性。對該地區(qū)農(nóng)戶的信用風(fēng)險進(jìn)行評價，結(jié)果顯示，該地區(qū)農(nóng)戶的信用風(fēng)險水平處于中等偏上的水平，信用風(fēng)險狀況良好。為了進(jìn)一步提高該地區(qū)的農(nóng)戶信用風(fēng)險水平，應(yīng)積極提高農(nóng)戶的教育水平，促進(jìn)土地的規(guī)模化，對農(nóng)戶進(jìn)行農(nóng)業(yè)技術(shù)的系統(tǒng)性培訓(xùn)，加大對農(nóng)村經(jīng)濟(jì)的支持力度，促使農(nóng)戶整體信用水平提高，從而降低風(fēng)險產(chǎn)生的可能性。

參考文獻(xiàn)：

[1]孟?櫻，王?靜. 農(nóng)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(nóng)戶的調(diào)查[J]. 農(nóng)村經(jīng)濟(jì)，2017（3）：80-85.

[2]田祥宇，董小嬌. 農(nóng)戶小額信貸融資困境與風(fēng)險緩釋機(jī)制研究[J]. 宏觀經(jīng)濟(jì)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(nóng)戶正規(guī)融資信用風(fēng)險度量研究[J]. 廣東農(nóng)業(yè)科學(xué)，2011（20）：218-220.

[4]王?穎. 中國農(nóng)戶小額信貸信用風(fēng)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(nóng)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(jīng)網(wǎng)絡(luò)在農(nóng)戶信用評估中的應(yīng)用[J]. 武漢金融，2009（11）：45-47.

[7]王?靜，朱滿紅. 基于突變理論的農(nóng)戶小額信貸信用風(fēng)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(nóng)戶小額信貸信用評級中的應(yīng)用[J]. 系統(tǒng)工程，2007（5）：55-59.

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

[10]陳永明，周?龍，李雙紅.基于AHP和DEMATEL方法的農(nóng)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(nóng)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(quán)法在農(nóng)戶信用評價中的應(yīng)用[C]. 中國運籌學(xué)會企業(yè)運籌學(xué)分會會議論文集，2013.

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

[14]中國農(nóng)業(yè)銀行“三農(nóng)”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(nóng)戶信用評價指標(biāo)體系優(yōu)化研究[J]. 數(shù)學(xué)的實踐與認(rèn)識，2018，48（8）：17-25.

[16]李?燕. 經(jīng)濟(jì)發(fā)展較落后地區(qū)農(nóng)戶信用評價體系研究[J]. 農(nóng)村金融研究，2017（1）：64-67.

[17]王?娟. 農(nóng)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(chuàng)新型的農(nóng)戶信用評價方法——基于安徽省長豐縣農(nóng)村信用體系建設(shè)的實證研究[J]. 征信，2017，35（7）：66-71.

[19]王樹娟，霍學(xué)喜，何學(xué)松.構(gòu)建農(nóng)村信用社農(nóng)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(nóng)戶信用特征的WUs三維信用評價模型研究[J]. 財貿(mào)經(jīng)濟(jì)，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(chǎn)業(yè)評價指標(biāo)篩選模型及應(yīng)用[J]. 系統(tǒng)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.