基于SVM模型的农村金融机构农户信用风险评价体系研究——以黑龙江省为例

目前,对农户信贷风险的评估方法很多,但大多采用专家主观判断法、统计判别分析法,主观性强,受样本数量限制。随着引入人工智能技术,出现了遗传算法、神经网络模型、支持向量机、随机森林等方法。在诸方法中,SVM是一种适用于少量样本的学习方法,可用于处理线性和非线性分类问题,尤其适用于农户信贷信息获取少而难的评估。文章运用农户信贷理论,以黑龙江省某农商行为主要研究对象,分析了农户贷款信用风险管理和评价体系现状,运用SVM模型和主成分分析构建了农户信用风险评价指标体系,并运用某农商行的数据进行了实证分析研究。得出结论:SVM模型在所有数据集上表现最好,其提取规则的准确性超越了传统的分类方法,可用作特征选择法的基础来确定违约风险重要的特征。

农户信用风险评价实证研究--基于改进型模糊聚类无权重值原理

现有农户信用风险评价体系过分依赖指标权重,不能对农户的信用等级进行动态评估,因此运用模糊聚类和模糊控制联合模型,在不依靠权重值的情况下对农户信用风险进行评估,针对该地区农户信用风险特征,建立由教育程度、婚姻状况等在内的14个指标组成的农户信用等级评价指标体系,并基于模糊控制评价方法将农户信用风险划分为A、B、C、D、E等5个等级,根据陕西省西安市阎良区2015—2017年共955个农户的实际调查数据进行实证分析。结果显示,该地区的农户信用风险等级水平主要还是集中在等级C,无论从内部特征、外部特征还是从总体上来看等级C的占比均呈下降趋势,而等级B呈上升趋势,说明农户的信用等级不断提高,信用度呈上升趋势,信用风险水平降低,有利于该地区农户融资,为以后的经济发展提供了良好的资金保证。

基于WU’s三维信用论的农户贷款信用风险研究——山东省实证分析

利用山东省的调查数据,依据WU’s三维信用理论,对农户信用风险进行识别与预测。结果表明,诚信度与践约度中户主受教育程度、获评项数、是否党员、干部或村民代表、家庭劳动力数量、家庭纯收入、家庭总资产、是否信用村与农户信用风险显著负相关,但选取合规度中的因素对农户信用风险的影响在统计上不显著。