图源摄图网

摘要：在农户风险持续暴露背景下, 立足中国土地产权管制与农村金融生态不完备情境, 本文依据宁夏、重庆、四川三省份农地经营权抵押融资试点地区入户调查数据, 运用机器学习方法识别农户信用风险, 并验证了该方法与传统模型相比的有效性, 在此基础上进一步采用CreditRisk+模型度量了农户信用风险损失. 调查统计显示, 农户农地经营权抵押贷款违约率较高, 为10%, 且以主动违约为主. 研究发现, 机器学习方法中的随机森林模型可有效识别信用风险关键因素和预测违约概率. 进一步地, 农户农地经营权抵押贷款信用风险损失和单笔贷款风险敞口较高, 且在极端事件冲击下损失增幅明显. 此外, 现有风险控制框架下增加农户被动性违约动机的考察, 有助于金融机构优化金融资本结构, 完善风险控制策略. 据此, 提出加快金融科技发展、完善农村征信体系、创新风险预警工具等建议.

关键词：农地经营权抵押贷款；农户信用风险；风险识别；损失度量；机器学习

一、研究背景与意义

长期以来, 信用风险一直是金融机构风险管理的核心内容. 针对农户农地经营权抵押（简称“农地抵押”）贷款信用风险开展研究既有助于金融机构合理制定贷款和承保政策、测量和监测损失敞口、合理配置风险准备金, 也可促进农地抵押贷款供给、缓解农户融资难题. 相较于其他常规贷款（例如：企业信贷以及农户小额信贷、一般涉农信贷）, 农地抵押贷款是以农地经营权为抵押物, 面向具有分散、收入不稳定、无充分抵押物、高交易成本等特征的大量信息薄弱的农户群体所提供的抵押担保贷款. 其收益低、交易成本高、抵押物的价值不稳定和处置难, 又难以通过贷后监督方式有效降低借款人道德风险, 导致农户违约频发. 理论上, 降低违约率的关键在于构建识别标准（关键指标体系）并在准确预测个体违约概率基础上进行合理评级, 进而有效度量风险损失, 并制定合理的风险监管措施. 然而, 从实践看, 首先, 目前大多数涉农金融机构面临信用评价体系不完整、信息冗余以及风险客户识别不足等问题, 且既有传统识别方法在高维、非线性数据分析中存在局限性. 而以数据为驱动的机器学习算法在处理高维度、非线性的复杂问题上具有巨大发展潜力, 模型训练速度较快, 且估计结果具有良好的渐进特征. 该方法被广泛应用于金融研究, 尤其是信用风险分析领域, 其相较传统数理统计模型预测更佳. 其次, 金融机构对农户作为弱势群体所受非预期性等系统性风险影响和农业生产中的诸多不可抗力因素所引发的被动违约行为等事实的忽视, 及以个体完全为主动违约的假定基础上建立的风险控制策略与信贷市场低适配性亦是违约率攀升的重要因素. 而如何分类识别并度量不同违约动机下引发的信用风险是合理配置风险资金, 科学监管风险的前提. 在此背景下,针对农地抵押贷款信用风险管理进行研究尤显必要.

二、主要内容

本文针对农地抵押贷款信用风险管理有效性, 重点研究以下问题: 第一, 在中国的信用制度、产权制度以及金融生态环境下, 农地抵押贷款信用风险是如何生成, 其表现是什么? 与常规贷款的信用风险有何区别? 第二, 以数据为驱动的机器学习方法是否可以与涉农贷款业务数据有效结合提高违约预测效果？以及是否有助于优化风险损失度量, 进而改善金融机构资本金配置效率？第三, 立足违约动机精准细分客户, 分类开展信用风险因素识别、损失度量分析是否有助于金融机构完善既有的风险控制策略？为解决前述问题, 本文立足中国土地产权情境和农村金融生态环境解析了农地经营权抵押贷款信用风险生成路径、特征及其表现形式, 并依据川、渝、宁三省份农地抵押试点地区入户调查数据, 采用机器学习方法分类识别了农户信用风险, 度量了其风险损失.

三、主要结论及政策建议

本文发现, 机器学习方法的引入可有效识别农户信用风险, 进而改善损失度量, 优化金融资本配置结构. 进一步地, 现阶段农户农地抵押贷款违约率较高, 并以主动违约为主, 且违约引发的风险损失和单笔贷款风险敞口较高, 易受极端事件冲击的影响. 此外, 增加被动性违约动机的考察有助于完善既有风险控制策略, 提高金融资本配置效率. 为有效识别风险客户, 提高金融机构对创新产品的风险定价与管理能力, 提升农村金融体系的系统韧性, 本文提出以下政策建议. 一是大力发展金融科技, 优化个体信用风险管理模型, 加快农村金融机构风险管理转型, 提高其风险识别、定价、监管以及危机管理效率. 二是完善个体尤其是农村居民群体的征信体系, 健全信用机制, 发展信用经济, 从根源上化解信用风险. 三是金融机构可根据关键风险因素, 完善农地抵押贷款信用风险识别和管理系统, 构建和完善农地金融早期风险预警系统, 也可借助深度学习等机器学习算法探索压力测试的新方法, 明确各关键风险点变化对农村金融机构信用风险的冲击程度, 并制定应急预案, 为更大范围内推广农地抵押贷款业务提供参考依据. 四是加快培育农地金融生态, 加速土地要素市场化流动, 促进其资产价值显化, 强化其风险补偿能力; 同时, 完善农业风险保障体系, 提高农业经营主体的抵抗风险能力.

四、边际贡献与未来拓展

相较于已有研究, 本文的主要贡献体现在三个方面.一是结合中国情境分类阐述了信用风险形成路径与表现形式, 为构建系统性信用风险识别预测与损失度量研究框架体系提供理论依据. 二是将机器学习模型应用于传统的风险识别计算中, 并验证了该方法与传统模型相比的有效性, 突破以往农地抵押信用风险研究方法的局限性, 并在改进关键特征筛选方式和解决数据非平衡性问题基础上, 进一步科学识别关键风险因素, 提高信用风险预测准确率, 优化损失度量精准性. 三是首次分类开展信用风险因素识别、损失度量分析, 以期为修正非对称信息状态下金融机构以往依据个体完全为主动违约假定基础上建立的风险控制策略提供支撑, 为实践中金融机构建立实用有效风险预警模型提供实证案例参考.

本文为将机器学习方法运用于农村金融研究领域奠定了基础, 希望后续有更多研究围绕农村金融业务及其数据特点, 改进现有的机器学习方法, 以提高模型的稳定性和精准性, 进而更有效地助力金融服务“三农”.

本文摘编自《系统工程理论与实践》2025年,第45卷,第2期论文《基于机器学习的农户农地经营权抵押贷款信用风险识别及其损失度量》（点击题目链接全文）；
作者：彭艳玲¹, 博士,副教授,硕士生导师,研究方向:金融风险管理；彭一杰（通信作者）^2,3, 博士,副教授,博士生导师,研究方向:金融工程与风险管理,人工智能；周红利⁴, 博士,研究方向:农村金融；汪寿阳^5,6,7,博士,研究员,博士生导师,研究方向:金融风险管理,经济预测；蒋远胜⁸，博士,教授,博士生导师,研究方向:农村金融与保险
       1. 西北农林科技大学 经济管理学院, 杨凌 712100;
       2. 北京大学 光华管理学院, 北京 100871;
       3. 北京大学 人工智能研究院, 北京 100871;
       4. 四川大学 经济学院, 成都 610065;
       5. 中国科学院 数学与系统科学研究院, 北京 100190;
       6. 中国科学院 预测科学研究中心, 北京 100190;
       7. 中国科学院大学 经济与管理学院, 北京 100190;
       8. 四川农业大学 经济学院, 成都 611130