楊勝剛，夏 唯，張 磊

（湖南大學(xué) 金融與統(tǒng)計(jì)學(xué)院，湖南 長(zhǎng)沙 410079）＊

社會(huì)信用體系是市場(chǎng)經(jīng)濟(jì)體制中的重要制度安排。黨的十六大提出“整頓和規(guī)范市場(chǎng)經(jīng)濟(jì)秩序，健全現(xiàn)代市場(chǎng)經(jīng)濟(jì)的社會(huì)信用體系”。黨的十七大提出“規(guī)范發(fā)展行業(yè)協(xié)會(huì)和市場(chǎng)中介組織，健全社會(huì)信用體系”。但是，到目前為止，國(guó)內(nèi)仍然沒(méi)有統(tǒng)一完整的信用評(píng)估系統(tǒng)，而針對(duì)農(nóng)戶信用評(píng)估指標(biāo)體系的構(gòu)建更是處于剛剛起步的階段。近幾年，隨著農(nóng)村金融的發(fā)展，農(nóng)戶的信貸行為日益增多，如何對(duì)農(nóng)戶的信用狀況進(jìn)行科學(xué)評(píng)估以判斷農(nóng)戶的信貸能力，既是加快社會(huì)信用體系建設(shè)必須解決的現(xiàn)實(shí)問(wèn)題，也是深化農(nóng)村金融體制改革的重要理論問(wèn)題，因此，構(gòu)建一個(gè)完整的、行之有效的農(nóng)戶信用評(píng)估指標(biāo)體系具有重要的理論與現(xiàn)實(shí)意義。

一、文獻(xiàn)綜述

國(guó)內(nèi)外（尤其是國(guó)內(nèi)）關(guān)于農(nóng)戶信用評(píng)估的文獻(xiàn)不多，數(shù)量很少。Luis R.Sanint（2001）提出了一個(gè)多期風(fēng)險(xiǎn)編程模型，證明了信用風(fēng)險(xiǎn)嚴(yán)重影響了一個(gè)農(nóng)場(chǎng)流動(dòng)性以及規(guī)避風(fēng)險(xiǎn)的效率［1］。黃傳森（2008）論證了如何有效地對(duì)農(nóng)戶發(fā)放貸款，并且通過(guò)實(shí)際的調(diào)查證明了這些在當(dāng)今的臺(tái)灣是如何做到的［2］。劉暢（2009）提出了采用概率神經(jīng)網(wǎng)絡(luò)（PNN）的方法構(gòu)建農(nóng)戶信用評(píng)分體系［3］。胡愈應(yīng)用模糊數(shù)學(xué)構(gòu)建農(nóng)戶信用等級(jí)的模糊綜合評(píng)價(jià)模型，利用不確定層次分析法確定指標(biāo)權(quán)重，為農(nóng)戶信用等級(jí)的評(píng)定提供了可行的方法［4］。由于單個(gè)評(píng)分模型有其自身的缺點(diǎn)，所以，有些作者采用兩種或多種模型來(lái)構(gòu)建農(nóng)戶信用評(píng)估指標(biāo)體系。周振（2008）利用主成分分析法（PCA）歸納出對(duì)農(nóng)戶信用評(píng)級(jí)有顯著影響的因子，并引入人工神經(jīng)網(wǎng)絡(luò)進(jìn)行農(nóng)戶信用等級(jí)的評(píng)估，為農(nóng)戶信用等級(jí)的評(píng)定提供了可行的方法［5］。楊宏玲（2011）提出了一種基于價(jià)值鏈風(fēng)險(xiǎn)分析與平衡積分卡方法的農(nóng)戶信用評(píng)價(jià)指標(biāo)體系［6］。

綜觀國(guó)內(nèi)關(guān)于農(nóng)戶信用評(píng)估指標(biāo)體系的研究依然不夠深入，在運(yùn)用單個(gè)模型進(jìn)行數(shù)據(jù)處理時(shí)，往往會(huì)因?yàn)槟Ｐ妥陨淼娜毕荻沟媒Y(jié)果誤差較大，因此，以下擬采用組合模型的方法來(lái)構(gòu)建農(nóng)戶的信用評(píng)估指標(biāo)體系，以減少單個(gè)模型結(jié)果的誤差。

二、模型選擇及原理分析

本文采用層次分析法和神經(jīng)網(wǎng)絡(luò)模型來(lái)構(gòu)建組合模型。層次分析法（簡(jiǎn)稱AHP）便于管理人員的分析研究，但是主觀性比較強(qiáng)，精準(zhǔn)度不高。神經(jīng)網(wǎng)絡(luò)模型（簡(jiǎn)稱ANN）屬于黑箱操作，前后指標(biāo)層的因果關(guān)系不明確，但是模型會(huì)根據(jù)輸出結(jié)果的精準(zhǔn)度來(lái)自行調(diào)整模型內(nèi)部的運(yùn)行過(guò)程，所以，精準(zhǔn)度比較高，與層次分析法可以互補(bǔ)。

組合模型構(gòu)建的第一步是通過(guò)層次分析法得到二級(jí)子指標(biāo)的賦值和相應(yīng)的權(quán)重。第二步是將選中的二級(jí)子指標(biāo)作為神經(jīng)網(wǎng)絡(luò)模型的輸入層，通過(guò)SPSS中的clementine軟件得到神經(jīng)網(wǎng)絡(luò)模型的輸出層，也即農(nóng)戶信用評(píng)估的結(jié)果。具體模式如圖1所示。

圖1 AHP－ANN組合模型流程圖

三、指標(biāo)體系構(gòu)建及實(shí)證研究

（一）指標(biāo)的選取與賦值

按照層次分析法的原理，將指標(biāo)設(shè)計(jì)為目標(biāo)層——準(zhǔn)則層——因素層。層次分析法旨在合理地確定農(nóng)戶信用評(píng)估指標(biāo)及相應(yīng)的權(quán)重，最終確定農(nóng)戶的信用狀況，因此，其目標(biāo)層指標(biāo)即為農(nóng)戶的信用狀況。同時(shí)，眾多研究資料表明，許多金融機(jī)構(gòu)都將借款人的信用狀況集中于“5C”之上，即傳統(tǒng)的“5C”分析法，這種方法之所以適用性廣泛，首先是因?yàn)樗钠焚|(zhì)、能力、資本、抵押、條件5個(gè)指標(biāo)基本涵蓋了評(píng)價(jià)農(nóng)戶信用狀況所需要的全部信息；其次，這些指標(biāo)大都有標(biāo)準(zhǔn)的計(jì)量公式，相應(yīng)的信息可以很容易獲取，因此，我們也選用“5C”分析法來(lái)確定準(zhǔn)則層。最后，針對(duì)準(zhǔn)則層中的每個(gè)指標(biāo)賦予相應(yīng)的二級(jí)子指標(biāo)。

本文確立的農(nóng)戶信用評(píng)估指標(biāo)體系的二級(jí)子指標(biāo)中有少數(shù)的定性指標(biāo)，這也是由農(nóng)戶信用狀況的自身特征所決定的，這就使得我們無(wú)法對(duì)全部指標(biāo)進(jìn)行標(biāo)準(zhǔn)統(tǒng)一的衡量。為了解決這一問(wèn)題，參考已有學(xué)者的文獻(xiàn)，采用分檔評(píng)分法對(duì)這些二級(jí)指標(biāo)進(jìn)行賦值，以使得部分定性分析定量化。將各個(gè)指標(biāo)按照特征或數(shù)值的大小按從低到高的順序分為若干檔，按照百分制給每一檔賦予相應(yīng)的分?jǐn)?shù)，17個(gè)指標(biāo)的分值之和是100分。

構(gòu)建的目標(biāo)層——準(zhǔn)則層——因素層指標(biāo)體系見表1。

表1 農(nóng)戶信用評(píng)估指標(biāo)及賦值

（二）基于層次分析法的指標(biāo)權(quán)重的確定①

1.層次單排序

（1）一級(jí)判斷矩陣及指標(biāo)權(quán)重的確定。層次分析法中判斷矩陣的確定一般采用Seaty1－9標(biāo)度法，根據(jù)標(biāo)度法中相對(duì)重要程度的確定標(biāo)準(zhǔn)進(jìn)行專家賦值，從而得到能夠合理反映各個(gè)指標(biāo)相對(duì)重要程度的判斷矩陣。Seaty1－9標(biāo)度法如表2所示。

表2 Seaty1－9標(biāo)度法

根據(jù)Seaty 1－9標(biāo)度法得到一級(jí)指標(biāo)層的判斷矩陣Aij。

第二步，對(duì)歸一化處理后的矩陣Bij進(jìn)行行求和得矩陣Cij，經(jīng)計(jì)算得：

該矩陣即為個(gè)人信用評(píng)估指標(biāo)體系一級(jí)指標(biāo)所對(duì)應(yīng)的權(quán)重矩陣。

第四步，對(duì)判斷矩陣進(jìn)行一致性檢驗(yàn)。判斷矩陣的一致性檢驗(yàn)的指標(biāo)為C.R.，其中

n為指標(biāo)個(gè)數(shù)，查表3，當(dāng)n＝5時(shí)，RI＝1.12，C.R.＝CI／RI＝0.0085／1.12＝0.0076＜0.1，說(shuō)明判斷矩陣Aij的一致性是可以接受的。

表3 隨機(jī)一致性指標(biāo)RI表

（2）二級(jí)判斷矩陣及指標(biāo)權(quán)重的確定。根據(jù)Seaty 1－9標(biāo)度法得到的品質(zhì)指標(biāo)、能力指標(biāo)、資本指標(biāo)、抵押指標(biāo)以及條件指標(biāo)專家賦值矩陣，分別表示為A1，A2，A3，A4，A5：

經(jīng)過(guò)上述歸一化處理以及行求和等步驟可以得到相應(yīng)的權(quán)重矩陣W1，W2，W3，W4，W5：

計(jì)算C.R.，五個(gè)矩陣的C.R.的值均小于0.1，所以，五個(gè)判斷矩陣均通過(guò)了一致性檢驗(yàn)。

2.層次綜合排序。層次單排序確定了一級(jí)指標(biāo)層對(duì)目標(biāo)層的指標(biāo)權(quán)重以及二級(jí)指標(biāo)層對(duì)一級(jí)指標(biāo)層的指標(biāo)權(quán)重，層次綜合排序也稱層次總排序，是根據(jù)層次單排序的結(jié)果確定二級(jí)指標(biāo)層對(duì)目標(biāo)層的指標(biāo)權(quán)重。

表4綜合了一級(jí)指標(biāo)層對(duì)目標(biāo)層的權(quán)重、二級(jí)指標(biāo)層對(duì)一級(jí)指標(biāo)層的權(quán)重以及二級(jí)指標(biāo)層對(duì)目標(biāo)層的權(quán)重。二級(jí)指標(biāo)層對(duì)目標(biāo)層的權(quán)重是表4的最后一列，這一列數(shù)值的加總和是1。從最后一列的數(shù)字中可以看出，年平均收入水平、家庭資產(chǎn)負(fù)債率、家庭收支結(jié)構(gòu)、過(guò)去的信貸歷史記錄、流動(dòng)資產(chǎn)、勞動(dòng)力人數(shù)占家庭人數(shù)比重、房產(chǎn)估價(jià)、健康狀況、務(wù)工行業(yè)發(fā)展前景9項(xiàng)指標(biāo)的權(quán)重值較高，都在4%以上，因此，將這9個(gè)指標(biāo)作為下一步神經(jīng)網(wǎng)絡(luò)模型的輸入層，最終確定農(nóng)戶的信用狀況。

表4 層次綜合排序結(jié)果

四、基于組合模型的農(nóng)戶信用評(píng)估指標(biāo)體系的構(gòu)建

（一）神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)的確定

設(shè)計(jì)一個(gè)三層次神經(jīng)網(wǎng)絡(luò)模型。

（1）輸入層的節(jié)點(diǎn)數(shù)是由指標(biāo)體系中指標(biāo)的個(gè)數(shù)來(lái)確定，通過(guò)層次分析法的計(jì)算，選定權(quán)重比例在4%以上的9個(gè)指標(biāo)作為神經(jīng)網(wǎng)絡(luò)模型的輸入層，并且將農(nóng)戶的信用評(píng)級(jí)設(shè)定為一、二、三、四級(jí)四個(gè)層次，依次對(duì)應(yīng)的信用評(píng)分區(qū)間為（90～100），（80～90），（70～80），（0～70），從一級(jí)到四級(jí)信用等級(jí)依次下降。

（2）輸出層的節(jié)點(diǎn)數(shù)m設(shè)定為2，一個(gè)節(jié)點(diǎn)表示農(nóng)戶的信用評(píng)級(jí)，一個(gè)節(jié)點(diǎn)表示農(nóng)戶的信用評(píng)分，從而更為清晰地看到農(nóng)戶的信用狀況。

（3）隱含層節(jié)點(diǎn)數(shù)的設(shè)計(jì)是根據(jù)以往經(jīng)驗(yàn)而得的，我們通過(guò)反復(fù)試驗(yàn)，發(fā)現(xiàn)當(dāng)隱含層為13，學(xué)習(xí)率為0.9時(shí)，模型的結(jié)果最為平穩(wěn)，因此，選取的隱含層數(shù)為13層。

（二）神經(jīng)網(wǎng)絡(luò)模型的計(jì)算結(jié)果

（1）采用AHP－ANN組合模型，以9個(gè)指標(biāo)作為輸入層的模型結(jié)果。選取713個(gè)樣本數(shù)據(jù)，其中575個(gè)樣本為訓(xùn)練樣本，剩余的138個(gè)樣本為測(cè)試樣本。神經(jīng)網(wǎng)絡(luò)模型具有很強(qiáng)的隨機(jī)性，在進(jìn)行訓(xùn)練樣本的選取時(shí)，每次抽取的結(jié)果不同，訓(xùn)練的擬合優(yōu)度也不相同，測(cè)試樣本的分析結(jié)果也不相同，因此，在隱含層為13，學(xué)習(xí)率為0.9的情況下反復(fù)操作10次，然后取其平均值，以減小由于隨機(jī)抽樣而導(dǎo)致的誤差。10次模型運(yùn)行結(jié)果如表5所示。

表5 AHP－ANN模型運(yùn)行結(jié)果

對(duì)10次運(yùn)行結(jié)果取平均值，可以得到表6所示。

表6 AHP－ANN模型結(jié)果的平均值

表6說(shuō)明，神經(jīng)網(wǎng)絡(luò)模型在對(duì)訓(xùn)練樣本的訓(xùn)練精度為88.28%的情況下，對(duì)測(cè)試樣本的測(cè)試精度為81.81%，同時(shí)，對(duì)于信用評(píng)分這一輸出指標(biāo)，模型對(duì)測(cè)試樣本的信用評(píng)分預(yù)測(cè)值與信用社統(tǒng)計(jì)的測(cè)試樣本的實(shí)際值之間的平均誤差為0.61，誤差的標(biāo)準(zhǔn)差為4.684。

（2）僅采用ANN模型，以全部指標(biāo)作為輸入層的模型結(jié)果。為了與AHP－ANN方法作對(duì)比，將17個(gè)指標(biāo)全部輸入神經(jīng)網(wǎng)絡(luò)模型，通過(guò)反復(fù)驗(yàn)證，選定隱含層為20層，相同的方法操作10次，得到如表7所示的結(jié)果。

同樣對(duì)10次運(yùn)行結(jié)果取平均值，可得表8。

表7 ANN模型運(yùn)行結(jié)果

表8 ANN模型運(yùn)行結(jié)果的平均值

比較表6和表8可以看出，不采用層次分析法對(duì)指標(biāo)進(jìn)行篩選，而只采用神經(jīng)網(wǎng)絡(luò)模型將所有指標(biāo)作為輸入層變量得到的模型輸出結(jié)果差于采用AHP－ANN方法得到的輸出結(jié)果。具體表現(xiàn)在，僅采用ANN模型，在訓(xùn)練樣本精度為87.97%的情況下，模型對(duì)測(cè)試樣本的測(cè)試精度僅為77.52%，對(duì)于信用評(píng)分誤差的均值和方差，前后兩種方法得出的結(jié)果沒(méi)有太大差別，而相比于信用評(píng)分這一指標(biāo)來(lái)說(shuō)，信用等級(jí)這一輸出指標(biāo)更為重要，因?yàn)樾庞蒙鐚?duì)于評(píng)分為85和88的客戶設(shè)定為相同的信用等級(jí)，因此會(huì)給出相同的貸款限額。

（3）ANN模型與AHP－ANN模型結(jié)果的對(duì)比分析。通過(guò)AHP－ANN組合模型和ANN模型分別得到的以9個(gè)指標(biāo)作為輸入層的農(nóng)戶信用評(píng)級(jí)與信用評(píng)分表和以全部指標(biāo)作為輸入層的農(nóng)戶信用評(píng)級(jí)與信用評(píng)分表，整理這些表格，利用excel繪制兩種方法下農(nóng)戶信用評(píng)分的預(yù)期值與期望值偏離程度圖（見圖2），以及農(nóng)戶信用評(píng)級(jí)的預(yù)期值與期望值偏離程度圖（見圖3）。

圖2 信用評(píng)分預(yù)測(cè)值與期望值的偏離程度圖

圖2為根據(jù)信用評(píng)分的預(yù)測(cè)值與期望值的差值繪制而成的折線圖，與表6和表8中的結(jié)果相符，兩種模型下農(nóng)戶信用評(píng)分的誤差均值與標(biāo)準(zhǔn)差沒(méi)有太大的差別。圖3為根據(jù)信用評(píng)級(jí)的預(yù)測(cè)值與期望值的差值繪制而成的折線圖，這里將信用評(píng)級(jí)中的一級(jí)賦值為1，二級(jí)賦值為2，三級(jí)賦值為3，四級(jí)賦值為4，與表6和表8中的結(jié)果一致，采用AHP－ANN組合模型所得到的農(nóng)戶信用評(píng)級(jí)的預(yù)測(cè)值，無(wú)論在偏離頻率還是偏離程度上，都優(yōu)于僅采用ANN模型所得到的輸出結(jié)果。

圖3 信用等級(jí)預(yù)測(cè)值與期望值的偏離程度圖

五、結(jié)論及建議

通過(guò)以上分析可以得到如下結(jié)論：采用層次分析法對(duì)指標(biāo)進(jìn)行篩選之后采用神經(jīng)網(wǎng)絡(luò)模型對(duì)農(nóng)戶的信用等級(jí)和信用評(píng)分進(jìn)行預(yù)測(cè)，是一種行之有效的方法，它不僅能夠降低將所有指標(biāo)作為神經(jīng)網(wǎng)絡(luò)模型輸入層的數(shù)據(jù)冗余問(wèn)題，大大降低了信用社調(diào)查農(nóng)戶信息所耗用的時(shí)間和成本，并且能夠提高僅采用神經(jīng)網(wǎng)絡(luò)模型所得到的結(jié)果的精準(zhǔn)度。

當(dāng)然，收集到農(nóng)戶的信用數(shù)據(jù)之后，如何選擇合理準(zhǔn)確的信用評(píng)估模型來(lái)預(yù)測(cè)農(nóng)戶的信用評(píng)分和信用等級(jí)是構(gòu)建農(nóng)戶信用評(píng)估指標(biāo)體系的關(guān)鍵。本文選用層次分析法和神經(jīng)網(wǎng)絡(luò)模型來(lái)構(gòu)建組合模型，計(jì)算出的精準(zhǔn)度為81.81%，有待于進(jìn)一步提高。其中采用層次分析法確定判斷矩陣時(shí)采用專家打分法，這種方法有一定的主觀性。因此，可以將專家打分法與網(wǎng)上網(wǎng)下問(wèn)卷調(diào)查法相結(jié)合，并且參考相關(guān)科研成果，共同確定相應(yīng)的判斷矩陣，這樣將會(huì)大大降低層次分析法的主觀性，提高組合模型的精準(zhǔn)度。此外，探索新的信用評(píng)估模型，使之具有層次分析法和神經(jīng)網(wǎng)絡(luò)模型的優(yōu)點(diǎn)，并且摒棄主觀性、黑箱操作等缺點(diǎn)，也是提高信用評(píng)估模型精準(zhǔn)度的行之有效的方法。

此外，在確定農(nóng)戶信用評(píng)級(jí)時(shí)，應(yīng)該注重家庭流動(dòng)資產(chǎn)、家庭收入、家庭資產(chǎn)負(fù)債率、家庭收支結(jié)構(gòu)等一系列隱性擔(dān)保指標(biāo)。因此，在構(gòu)建農(nóng)戶信用評(píng)估指標(biāo)體系的同時(shí)，可以將這些隱性擔(dān)保指標(biāo)獨(dú)立出來(lái)，形成一個(gè)隱性擔(dān)保指標(biāo)體系，并且針對(duì)隱性擔(dān)保指標(biāo)體系計(jì)算出相應(yīng)的信用評(píng)分，將該信用評(píng)分與最終的農(nóng)戶信用評(píng)分結(jié)合起來(lái)，共同作為評(píng)價(jià)農(nóng)戶信用狀況的依據(jù)，形成農(nóng)戶信貸的雙保險(xiǎn)。

同時(shí)，在走訪信用社過(guò)程中，我們發(fā)現(xiàn)每個(gè)農(nóng)村信用社都有一個(gè)單獨(dú)的信用評(píng)價(jià)體系，這就使得相同的農(nóng)戶在不同的信用社有不同的信用評(píng)分和信用等級(jí)，同時(shí)造成了許多評(píng)估工作的重復(fù)進(jìn)行?；谶@種不足，我國(guó)應(yīng)該制訂一套統(tǒng)一規(guī)范的農(nóng)戶信用評(píng)估指標(biāo)體系。

注釋：

① 層次分析法分為層次單排序和層次綜合排序兩步，在層次分析法的運(yùn)用過(guò)程中，判斷矩陣的確定是最為關(guān)鍵的一步。為了盡可能提高判斷矩陣形成的科學(xué)性，在構(gòu)造判斷矩陣時(shí)，本文不僅采用德爾菲法對(duì)判斷矩陣進(jìn)行賦值，而且充分參考國(guó)內(nèi)外個(gè)人信用評(píng)分的相關(guān)研究成果。由于一些研究成果是基于對(duì)大量樣本數(shù)據(jù)的統(tǒng)計(jì)分析和實(shí)證研究產(chǎn)生，因此，參考這些研究成果可以在一定程度上減小德爾菲法賦值的主觀性。

［1］Luis R.Sanint，Peter J.Barry.A programming analysis of farmers＇credit risks［J］.American Agricultural Economics Association，2001，（5）：321－325.

［2］Chuan－Hsin Huang.How to grant credit to farmers effectively：a managerial perspective［J］.Intemational Joumat of Management，2008，（25）：300－307.

［3］劉暢，方靚.概率神經(jīng)網(wǎng)絡(luò)在農(nóng)戶信用評(píng)估中的應(yīng)用研究［J］.湖北社會(huì)科學(xué)，2009，（11）：85－89.

［4］胡愈，許紅蓮，王 雄.農(nóng)戶小額信用貸款信用評(píng)級(jí)探究［J］.財(cái)經(jīng)理論與實(shí)踐，2007，（1）：30－34.

［5］周振.構(gòu)建農(nóng)村信用社的農(nóng)戶信用評(píng)估體系［J］.現(xiàn)代農(nóng)業(yè)，2009，（6）：177－179.

［6］楊宏玲，郭高玲.基于BBC與價(jià)值鏈風(fēng)險(xiǎn)分析的農(nóng)戶信用評(píng)價(jià)指標(biāo)體系探析［J］.2011，（6）：63－66.

［7］吳沖.基于模糊神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估模型研究［J］.系統(tǒng)工程理論與實(shí)踐，2004，（11）：40－48.

［8］吳晶妹，張穎，唐勤偉.基于農(nóng)戶信用特征的 WU′s三維信用評(píng)價(jià)模型研究［J］.財(cái)貿(mào)經(jīng)濟(jì)，2010，（9）：21－25.

［9］虞小波.民間借貸信用風(fēng)險(xiǎn)的實(shí)證研究及其與商業(yè)信貸、FICO的比較［D］.中國(guó)科學(xué)技術(shù)大學(xué)，2009.

［10］溫濤，冉光和，王煜宇.農(nóng)戶信用評(píng)估系統(tǒng)的設(shè)計(jì)與運(yùn)用研究［J］.運(yùn)籌與管理，2004，（8）：82－87.

［11］王樹娟，霍學(xué)喜.農(nóng)村信用社農(nóng)戶信用綜合評(píng)價(jià)模型［J］.財(cái)貿(mào)研究，2005，（5）：35－39.

［12］唐輝亮.農(nóng)村信用社信用評(píng)估指標(biāo)設(shè)計(jì)與運(yùn)用［J］.經(jīng)濟(jì)理論研究，2006，（7）：91－93.

［13］王穎.中國(guó)農(nóng)戶小額信貸信用風(fēng)險(xiǎn)評(píng)估研究——基于模糊綜合評(píng)價(jià)模型［J］.西南金融，2010，（8）：60－63.