程欣煒，岳中剛

(南京郵電大學(xué) 經(jīng)濟(jì)學(xué)院，江蘇 南京 210023)

一、 引 言

數(shù)字化、智能化、精準(zhǔn)化是未來農(nóng)業(yè)生產(chǎn)經(jīng)營的重要目標(biāo)?！吨腥A人民共和國國民經(jīng)濟(jì)和社會發(fā)展第十四個五年規(guī)劃和2035年遠(yuǎn)景目標(biāo)綱要》強(qiáng)調(diào)加快發(fā)展智慧農(nóng)業(yè)，推進(jìn)農(nóng)業(yè)生產(chǎn)經(jīng)營和管理服務(wù)數(shù)字化改造；2022年中央一號文件則明確提出推進(jìn)數(shù)字鄉(xiāng)村建設(shè)和智慧農(nóng)業(yè)發(fā)展，以數(shù)字技術(shù)賦能鄉(xiāng)村公共服務(wù)，拓展農(nóng)業(yè)農(nóng)村大數(shù)據(jù)應(yīng)用場景。然而，《中國農(nóng)業(yè)風(fēng)險管理發(fā)展報告(2021)》指出，近年來我國除自然風(fēng)險和市場風(fēng)險外的非傳統(tǒng)農(nóng)業(yè)風(fēng)險因素日益增多，農(nóng)業(yè)生產(chǎn)經(jīng)營應(yīng)對突發(fā)事件和短期風(fēng)險的監(jiān)測預(yù)警系統(tǒng)和手段集成較為滯后，導(dǎo)致農(nóng)業(yè)風(fēng)險防范的科技支撐力量有限、科技信息應(yīng)用不足。一方面，學(xué)界認(rèn)識到農(nóng)產(chǎn)品短期經(jīng)營風(fēng)險的識別和預(yù)測對事前風(fēng)險管理的積極意義，特別是對低收入農(nóng)戶的主動風(fēng)控意愿(陳新建和韋圓圓，2019)[1]和新型職業(yè)農(nóng)民的持續(xù)務(wù)農(nóng)意愿(沈瓊，2020)[2]具有關(guān)鍵性影響；而另一方面，尚燕和熊濤(2020)[3]采用東北三省和湖北省數(shù)據(jù)證實了異質(zhì)性農(nóng)業(yè)風(fēng)險的管理錯配，農(nóng)戶對市場經(jīng)營風(fēng)險的管理意愿遠(yuǎn)遠(yuǎn)高于自然風(fēng)險，但當(dāng)前的風(fēng)險識別和管理技術(shù)主要針對自然風(fēng)險，農(nóng)戶對市場經(jīng)營風(fēng)險的管理效率較低，亟須引入大數(shù)據(jù)來提升事故識別和損失程度的預(yù)測精度(丁少群等，2021)[4]。正如Mendras較早在LaFindesPaysans中指出農(nóng)戶對采納現(xiàn)代技術(shù)的審慎態(tài)度，國內(nèi)數(shù)據(jù)證實稟賦依賴下的農(nóng)業(yè)行為存在風(fēng)險中性(王志剛等，2005)[5]，即農(nóng)戶缺乏利用下一個種植周期的經(jīng)營預(yù)期來調(diào)整生產(chǎn)經(jīng)營行為的技術(shù)和能力；而當(dāng)冬歇過后盤點收入損失或比較成本超出心理閾值時，農(nóng)戶將轉(zhuǎn)向流出土地和非農(nóng)就業(yè)，從而造成下一個種植年的聚集性撂荒現(xiàn)象(謝花林和黃螢乾，2022)[6]。因此考慮到農(nóng)業(yè)經(jīng)營具有明確而穩(wěn)定的周期性特征，農(nóng)戶需要培養(yǎng)以種植年為單位的短期風(fēng)險結(jié)果認(rèn)知能力(包括營收、清庫和償債等三個方面)，并以風(fēng)險結(jié)果為基礎(chǔ)建立動態(tài)風(fēng)險決策機(jī)制(包括電商選擇和持續(xù)務(wù)農(nóng)等兩個方面)。

隨著通信技術(shù)發(fā)展和互聯(lián)網(wǎng)普及，農(nóng)產(chǎn)品電商發(fā)展在農(nóng)業(yè)經(jīng)營改善和農(nóng)戶福利提升方面的積極作用被廣泛證實。農(nóng)產(chǎn)品電商降低或消除了農(nóng)產(chǎn)品交易成本(Porter，2001)[7]，提升了家庭農(nóng)業(yè)收入和現(xiàn)金收入(Khanal等，2016)[8]，借助市場驅(qū)動電商資本下沉對農(nóng)戶增權(quán)賦能(周浪，2020)[9]。早在“十五”計劃中，中央就要求重視信息網(wǎng)絡(luò)技術(shù)在農(nóng)產(chǎn)品交易、農(nóng)業(yè)技術(shù)推廣等領(lǐng)域的積極應(yīng)用，2014年后農(nóng)村電商成為我國精準(zhǔn)扶貧十大工程之一，在脫貧攻堅階段獲得有效推廣；《數(shù)字鄉(xiāng)村發(fā)展行動計劃(2022—2025)》要求深化農(nóng)產(chǎn)品電商發(fā)展，并在專欄中強(qiáng)調(diào)了深入推進(jìn)“互聯(lián)網(wǎng)+”農(nóng)產(chǎn)品出村進(jìn)城工程的重要性。但作為新興的產(chǎn)銷模式，電商組織的供應(yīng)鏈更易受到市場沖擊(Dutta等，2019)[10]，新的風(fēng)險因素和防范需求被引入農(nóng)業(yè)生產(chǎn)經(jīng)營領(lǐng)域。從風(fēng)險主體角度看，農(nóng)產(chǎn)品電商打破了傳統(tǒng)農(nóng)業(yè)的議價體系并建立起渠道風(fēng)險更高的銷售模式，參與主體間博弈須借助監(jiān)管加以控制(Zhang和Wei，2022)[11]，因此其數(shù)據(jù)賦能具有基于數(shù)字成本的競爭性，成本分?jǐn)偨Y(jié)構(gòu)受競爭主體數(shù)據(jù)利用效率的影響，均傾向于分?jǐn)倲?shù)據(jù)利用效率較高的參與方的成本(肖迪等，2021)[12]。而從風(fēng)險感知角度看，農(nóng)戶對電商風(fēng)險的感知會明顯抑制線上銷售意愿(汪興東和劉雨虹，2021)[13]和電商創(chuàng)業(yè)意愿(王艷玲和張廣勝，2021)[14]，對數(shù)字技能較強(qiáng)的新生代農(nóng)戶影響顯著，生產(chǎn)資料市場風(fēng)險和網(wǎng)絡(luò)基礎(chǔ)設(shè)施建設(shè)則具有外生性(向麗和胡瓏瑛，2019)[15]；同時，強(qiáng)弱不均等的電商合作受感知關(guān)系風(fēng)險的顯著影響，而對感知績效風(fēng)險并不敏感(郝鴻等，2015)[16]，因此在營商風(fēng)險和規(guī)則馴化下，小農(nóng)戶更易退出電商市場并導(dǎo)致農(nóng)村資源流失(聶召英和王伊歡，2021)[17]。

電商環(huán)境下農(nóng)產(chǎn)品與工業(yè)品的經(jīng)營風(fēng)險存在類型結(jié)構(gòu)和感知需求上的本質(zhì)差異。以種植戶為例，農(nóng)產(chǎn)品電商的短期經(jīng)營風(fēng)險來自一個生產(chǎn)周期內(nèi)種植、加工、銷售和回款等多個經(jīng)營環(huán)節(jié)的風(fēng)險疊加，農(nóng)戶可以通過在全部或部分農(nóng)業(yè)經(jīng)營環(huán)節(jié)上退出電商參與而不影響其農(nóng)業(yè)經(jīng)營鏈條的完整性，也可以通過全部或部分退出農(nóng)業(yè)生產(chǎn)而不影響其電商參與活動的完整性，因此農(nóng)戶的異質(zhì)性風(fēng)險感知成為維持農(nóng)產(chǎn)品電商生態(tài)多樣性的關(guān)鍵因素，導(dǎo)致傳統(tǒng)的農(nóng)業(yè)經(jīng)營風(fēng)險預(yù)測方法失靈。但嵌入電商環(huán)境也為建立新模式下的風(fēng)險預(yù)警提供了堅實的數(shù)據(jù)和技術(shù)基礎(chǔ)：一是電商形成并記錄海量數(shù)據(jù)，具有反映和預(yù)測經(jīng)營績效的信息含量(廖理等，2021)[18]。Kamble等(2019)[19]對84項研究的元分析證實，數(shù)據(jù)驅(qū)動的電商農(nóng)業(yè)供應(yīng)鏈能夠解決產(chǎn)業(yè)化不足、管理低效、信息模糊等問題；Dutta等(2019)[10]則指出對電商數(shù)據(jù)的持續(xù)跟蹤能夠有效控制風(fēng)險。二是對電商大數(shù)據(jù)的非線性處理具備較為完善的技術(shù)條件，機(jī)器學(xué)習(xí)被廣泛運用于農(nóng)業(yè)經(jīng)營和風(fēng)險預(yù)測領(lǐng)域，特別是支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)的應(yīng)用(林明等，2013[20]；王騫，2011[21])，部分學(xué)者將電商大數(shù)據(jù)引入農(nóng)業(yè)分析，嘗試論證自然語言處理(謝星雨和余本功，2021[22]；岑詠華等，2021[23])和圖神經(jīng)網(wǎng)絡(luò)(胡春華等，2021)[24]對復(fù)雜電商數(shù)據(jù)的處理效果。

本研究基于對江蘇省3755名穩(wěn)定參與電商的家庭梨果種植戶的調(diào)查結(jié)果，對比不同模型下電商大數(shù)據(jù)對農(nóng)產(chǎn)品短期經(jīng)營風(fēng)險的預(yù)測能力，證實電子臺賬數(shù)據(jù)具有識別下一年度農(nóng)產(chǎn)品經(jīng)營風(fēng)險結(jié)果和風(fēng)險決策的信息含量，并通過建立基于特征灰度的二維卷積神經(jīng)網(wǎng)絡(luò)揭示風(fēng)險預(yù)測的信息側(cè)重。研究的邊際貢獻(xiàn)在兩個方面：第一，從數(shù)據(jù)樣本角度看，研究采集農(nóng)戶電子臺賬數(shù)據(jù)并將行為信息結(jié)構(gòu)化，證實高頻電子臺賬數(shù)據(jù)較低頻經(jīng)營特征數(shù)據(jù)具備更高的風(fēng)險預(yù)測信息含量，突破以銷售反饋(王穎和阮夢黎，2018)[25]或金融借貸(徐鯤等，2021)[26]為數(shù)據(jù)基礎(chǔ)的簡單評估體系；第二，從研究方法角度看，研究發(fā)展了Dai等(2018)[27]認(rèn)為傳統(tǒng)預(yù)測模型并不適用于電商數(shù)據(jù)預(yù)測的結(jié)論，深入對比了線性預(yù)測、一維非線性機(jī)器學(xué)習(xí)和二維深度學(xué)習(xí)的風(fēng)險預(yù)測能力，借鑒計算機(jī)視覺的可解釋性理論，證實種植投入、電商交易和借貸保險等經(jīng)營行為具有不同預(yù)測信息含量且相互印證。

二、 理論分析與研究設(shè)計

(一) 理論分析

考慮到農(nóng)業(yè)在抗自然風(fēng)險和抗社會風(fēng)險的能力上具有天然的弱質(zhì)性，特別是小農(nóng)戶無法形成抵御市場風(fēng)險的強(qiáng)大力量(劉艷，1998)[28]，“安全第一”成為農(nóng)戶經(jīng)濟(jì)行為的拇指規(guī)則(Roumasset，1976)[29]，對農(nóng)業(yè)經(jīng)營風(fēng)險的準(zhǔn)確識別和預(yù)測將有效引導(dǎo)農(nóng)戶靈活調(diào)整產(chǎn)銷行為。如圖1所示，研究以“信息含量—粒度提升—模型選擇—信息貢獻(xiàn)”為思路建立農(nóng)產(chǎn)品短期經(jīng)營風(fēng)險預(yù)測理論框架，即在劃分和明確農(nóng)產(chǎn)品短期經(jīng)營風(fēng)險類型的基礎(chǔ)上，首先對比農(nóng)戶經(jīng)營數(shù)據(jù)和電子臺賬數(shù)據(jù)在風(fēng)險預(yù)測上的有效信息含量，其次借助農(nóng)產(chǎn)品電商的行為數(shù)據(jù)驗證機(jī)制將特征變量從年粒度細(xì)化至周粒度，接著對比三類模型的農(nóng)產(chǎn)品短期經(jīng)營風(fēng)險預(yù)測精確性和穩(wěn)健性，最后細(xì)分電子臺賬數(shù)據(jù)的信息維度并證實其信息貢獻(xiàn)和印證關(guān)系，從而科學(xué)構(gòu)建基于電商大數(shù)據(jù)的農(nóng)產(chǎn)品短期經(jīng)營風(fēng)險預(yù)測系統(tǒng)。

圖1 研究的理論框架

在電商環(huán)境下，農(nóng)產(chǎn)品短期經(jīng)營風(fēng)險可劃分為風(fēng)險結(jié)果和風(fēng)險決策兩個方面。就風(fēng)險結(jié)果而言，習(xí)近平總書記在2016年4月的農(nóng)村改革座談會上強(qiáng)調(diào)“農(nóng)民小康不小康，關(guān)鍵看收入”，當(dāng)農(nóng)業(yè)經(jīng)營的收入預(yù)期不明確時，賒購農(nóng)資農(nóng)具的資金風(fēng)險上升，農(nóng)戶將避免或縮減長期投入以便對下一年度的營商環(huán)境積極調(diào)整，因此連續(xù)虧損是評價農(nóng)產(chǎn)品短期經(jīng)營風(fēng)險的關(guān)鍵指標(biāo)；對于林果類農(nóng)產(chǎn)品種植戶而言，流通受阻會帶來清貨困難和果品降級。農(nóng)業(yè)農(nóng)村部《農(nóng)產(chǎn)品產(chǎn)地流通及“最先一公里”建設(shè)調(diào)研報告》指出，我國果蔬和薯類農(nóng)產(chǎn)品的產(chǎn)后損失率高達(dá)15%～25%，遠(yuǎn)低于發(fā)達(dá)國家的5%，造成每年近2億噸的農(nóng)產(chǎn)品浪費，特別是應(yīng)季農(nóng)產(chǎn)品的流通飽和給種植戶帶來巨大的經(jīng)營風(fēng)險；而已有研究較少在收入資金回籠滯后、銷售訂單兌現(xiàn)困難等受壓市場條件下探討農(nóng)戶融資可得性，農(nóng)戶在上一個生產(chǎn)經(jīng)營周期積累的還款壓力往往聚集在種植年年末，缺乏流動性和有效抵質(zhì)押品的普通農(nóng)戶很難融通到足夠資金來維護(hù)自身在農(nóng)村社會網(wǎng)絡(luò)中的必要信用。就風(fēng)險決策而言，傳統(tǒng)農(nóng)業(yè)經(jīng)營的風(fēng)險積累過程具有較強(qiáng)的隱蔽性，經(jīng)營慣性使農(nóng)戶較少在第一產(chǎn)業(yè)內(nèi)部調(diào)整就業(yè)結(jié)構(gòu)，因此已有研究主要關(guān)注兼業(yè)勞動和土地流轉(zhuǎn)決策，但電商環(huán)境下農(nóng)戶有機(jī)會在不脫離第一產(chǎn)業(yè)的條件下進(jìn)行就業(yè)細(xì)分，如選擇脫離種植而進(jìn)入通勤的農(nóng)業(yè)服務(wù)行業(yè)，或脫離直銷成為標(biāo)準(zhǔn)化電商供應(yīng)鏈的生產(chǎn)加工部門。

然而對農(nóng)產(chǎn)品經(jīng)營風(fēng)險的預(yù)測并非易事，主要存在三個難點：第一，傳統(tǒng)農(nóng)業(yè)調(diào)研成本高，往往以年為時間單位構(gòu)建基于特征觀測的農(nóng)戶經(jīng)營數(shù)據(jù)，造成當(dāng)年數(shù)據(jù)僅能評價當(dāng)年風(fēng)險結(jié)果而無法預(yù)測未來風(fēng)險，學(xué)界也尚未給出能夠用于預(yù)測農(nóng)業(yè)經(jīng)營風(fēng)險的指標(biāo)或模型。但農(nóng)產(chǎn)品電商形成并記錄的大量行為數(shù)據(jù)具有交叉驗證性，使農(nóng)產(chǎn)品經(jīng)營風(fēng)險的跨年短期預(yù)測成為可能。第二，由于農(nóng)業(yè)經(jīng)營周期長，多季產(chǎn)品經(jīng)營周期重疊復(fù)雜，金融行為能力與農(nóng)戶的非生產(chǎn)性稟賦相關(guān)，因此風(fēng)險預(yù)測難度遠(yuǎn)大于工業(yè)企業(yè)，傳統(tǒng)計量模型無法對非線性結(jié)構(gòu)的風(fēng)險模式進(jìn)行分類。而農(nóng)產(chǎn)品電商數(shù)據(jù)粒度更高，能夠?qū)r間維度和測度維度上的關(guān)聯(lián)性狀表現(xiàn)出來。第三，文獻(xiàn)揭示了農(nóng)戶的風(fēng)險感知對經(jīng)營行為的影響機(jī)制，因此將農(nóng)產(chǎn)品經(jīng)營風(fēng)險劃分為風(fēng)險結(jié)果和風(fēng)險決策后，對風(fēng)險決策的預(yù)測信息含量和模型適用的要求將明顯高于風(fēng)險結(jié)果。綜合以上分析，研究提出假說H1a和H1b：

對發(fā)達(dá)國家食品安全監(jiān)管實踐工作進(jìn)行分析發(fā)現(xiàn)，隨著職能責(zé)任制度的統(tǒng)一化，食品安全監(jiān)管效率也在提升。通過對中國現(xiàn)有國情進(jìn)行分析，借鑒美國國家經(jīng)驗，能達(dá)到管理主體的劃分，也能避免不同部門之間的扯皮。未來在食品安全監(jiān)管體系方面，若達(dá)到了職能的劃分和協(xié)調(diào)，在統(tǒng)一監(jiān)管方式下，能維護(hù)好食品的安全性，也能解決部門之間不協(xié)調(diào)的問題，促使食品安全的有效監(jiān)管，保證工作效率的穩(wěn)定提升。

H1a：基于行為的電子臺賬數(shù)據(jù)較基于特征的農(nóng)戶經(jīng)營數(shù)據(jù)更能準(zhǔn)確預(yù)測農(nóng)產(chǎn)品短期經(jīng)營風(fēng)險。

H1b：電子臺賬數(shù)據(jù)包含農(nóng)戶經(jīng)營數(shù)據(jù)中的短期風(fēng)險預(yù)測信息含量。

第一，如表3所示，連續(xù)虧損、流通受阻、還款困難和直銷退出具有較強(qiáng)的非線性可預(yù)測特征，假說H2a成立。一方面，采用五種非線性算法的預(yù)測正確率在前四項風(fēng)險指標(biāo)上分別較基礎(chǔ)預(yù)測增加11.18%、11.76%、8.41%和11.34%，說明農(nóng)產(chǎn)品短期經(jīng)營風(fēng)險具有較強(qiáng)的非線性可分性。臺賬數(shù)據(jù)包含了農(nóng)戶對風(fēng)險認(rèn)知的有效認(rèn)知并具備一種基于認(rèn)知延續(xù)性的經(jīng)營慣性，繼而在跨年度的經(jīng)營行為中表現(xiàn)出特定模式。這種模式不易被線性模型識別，但穩(wěn)定地指向跨生產(chǎn)周期的經(jīng)營風(fēng)險，消除或緩解農(nóng)戶的經(jīng)營風(fēng)險應(yīng)從優(yōu)化農(nóng)業(yè)經(jīng)營的微觀行為模式入手。另一方面，對種植退出的預(yù)測提升僅3.83%。梨果壽命較長，需4～5年坐果，而后進(jìn)入40～50年的盛果期，因此梨果等林果產(chǎn)品具有較強(qiáng)的種植連續(xù)性和品種穩(wěn)定性。將盛果期梨園承包出去并不是單純的農(nóng)地流轉(zhuǎn)，這意味著過去一段時期的種植投入能夠被合理補(bǔ)償，而承包者往往也是看中種植的連片規(guī)模效應(yīng)，而不會改變農(nóng)地用途；因此研究也意識到電子臺賬可能遺漏決定農(nóng)戶退出梨果種植的一些突發(fā)性因素，如農(nóng)業(yè)政策轉(zhuǎn)變、平臺資本注入和電商合作嵌入等外部激勵因素。

H2a：非線性機(jī)器學(xué)習(xí)對農(nóng)產(chǎn)品短期經(jīng)營風(fēng)險的精預(yù)測度高于線性計量方法。

H2b：基于計算機(jī)視覺的二維深度學(xué)習(xí)對農(nóng)產(chǎn)品短期經(jīng)營風(fēng)險的預(yù)測準(zhǔn)確性或穩(wěn)定性高于機(jī)器學(xué)習(xí)。

家道月嫂升級版轉(zhuǎn)型為彌月灣月子會所專護(hù)師，充分依托月子會所中專家團(tuán)隊的技術(shù)力量與實踐服務(wù)，鍛造出一支靈活多變的專業(yè)母嬰護(hù)理服務(wù)團(tuán)隊。目前，這些專護(hù)師成了明宏手上的特種部隊和秘密武器，原來上百人的月嫂隊伍在客戶家中“單兵作戰(zhàn)”，如今，經(jīng)過考核，家道家政精選部分人員到月子中心，也有月子會所派出專護(hù)師入住居民家庭，這樣的服務(wù)模式大大提升了公司的服務(wù)質(zhì)量與客戶滿意度。服務(wù)模式的改變，意味著市場的新拓展，同時，也出現(xiàn)了“新人難招”的新問題。

（1）加強(qiáng)信息化建設(shè)，打造“互聯(lián)網(wǎng)+納稅服務(wù)”新模式。一是強(qiáng)化技術(shù)支持。各個稅務(wù)相關(guān)單位應(yīng)當(dāng)重視信息化給稅務(wù)工作帶來的影響，不斷引進(jìn)信息技術(shù)人才以對現(xiàn)有稅務(wù)業(yè)務(wù)辦理流程進(jìn)行信息化改造、完善。同時也要加強(qiáng)稅務(wù)信息的集中與操作軟件的整合與完善，根據(jù)實際情況對操作軟件進(jìn)行新功能、新模塊的開發(fā)。除此之外，在軟件的實際應(yīng)用過程中也要劃分不同操作軟件的管理內(nèi)容，避免重復(fù)管理、浪費資源的情況出現(xiàn)。

H3：電子臺賬信息中的電商交易數(shù)據(jù)具有高于種植投入和借貸保險的風(fēng)險預(yù)測信息含量，且三類數(shù)據(jù)能夠相互印證而提升整體預(yù)測能力。

(二) 研究設(shè)計

基于上述理論分析框架，研究以年為時間單位采集農(nóng)戶經(jīng)營數(shù)據(jù)(FMD)，主要包含生產(chǎn)特征(ST)、電商特征(DT)和環(huán)境特征(HT)；以周為時間單位采集電子臺賬數(shù)據(jù)(ESB)，主要包含種植投入(PD)、電商交易(SD)和借貸保險(FD)。采用0～1二項變量表示農(nóng)產(chǎn)品短期經(jīng)營風(fēng)險(AER)并劃分為風(fēng)險結(jié)果和風(fēng)險決策，其中，風(fēng)險結(jié)果包括連續(xù)虧損(LK)、流通受阻(LS)和還款困難(HK)，風(fēng)險決策包括直銷退出(ZT)和種植退出(ST)。

1.農(nóng)戶經(jīng)營數(shù)據(jù)和電子臺賬數(shù)據(jù)的信息含量對比。以農(nóng)產(chǎn)品短期經(jīng)營風(fēng)險(AER)為因變量，逐步引入農(nóng)戶經(jīng)營數(shù)據(jù)(FMD)和電子臺賬數(shù)據(jù)(ESB)構(gòu)建二項logistic模型，如式(1)和式(2)所示。

綜上所述，對農(nóng)業(yè)經(jīng)濟(jì)供給側(cè)結(jié)構(gòu)性改革將是今后農(nóng)業(yè)發(fā)展的主要方向，需要充分關(guān)注和重視，對于農(nóng)業(yè)經(jīng)濟(jì)建設(shè)提供更為顯著的積極作用，實現(xiàn)農(nóng)業(yè)工作的可持續(xù)發(fā)展。

AERk=Sigmoid(β0+β1iFMDi+ε)>0.5

(1)

(2)

也許是聽課的時間短，無法全面地了解學(xué)校的課堂教學(xué)，但有一點是不可否定的：課堂里，師生之間那種平等的關(guān)系總是能讓人感覺到的，教師雖站在教室的前臺，但沒有命令、指責(zé)、批評等語言出現(xiàn)，教師就像是學(xué)生的伙伴，總是用那些平實的語言與學(xué)生進(jìn)行交流，或許這就是最值得借鑒的課堂教學(xué)文化。在平時的教學(xué)中，我們是不是真的做到這一點呢？還是一會兒婉轉(zhuǎn)溫情一會兒聲高八度，讓情緒控制課堂。

3.細(xì)分電子臺賬數(shù)據(jù)類別的預(yù)測能力對比。將電子臺賬數(shù)據(jù)劃分為種植投入、電商交易和借貸保險，采用逐一剔除變量組的分組預(yù)測和繪制梯度加權(quán)類激活映射圖兩種方法揭示三類數(shù)據(jù)在風(fēng)險預(yù)測上的作用差異。第一，分組預(yù)測構(gòu)建不含種植投入(NPD)、不含電商交易(NSD)和不含借貸保險(NFD)三組不完整數(shù)據(jù)集進(jìn)行風(fēng)險預(yù)測，并將預(yù)測結(jié)果與基于完整數(shù)據(jù)集的風(fēng)險預(yù)測結(jié)果進(jìn)行對比；缺少某一類數(shù)據(jù)的預(yù)測結(jié)果下降最明顯，則說明該類數(shù)據(jù)具有最強(qiáng)的預(yù)測能力，若同時使用三類數(shù)據(jù)的風(fēng)險預(yù)測結(jié)果明顯最優(yōu)，則說明三類數(shù)據(jù)具有相互印證的信息含量。第二，梯度加權(quán)類激活映射圖(Grad-CAM)借助計算機(jī)視覺對深度學(xué)習(xí)結(jié)果的解釋能力，將風(fēng)險預(yù)測中更為重要的像素(即“時間—測度”坐標(biāo)中的點)標(biāo)記為更大的權(quán)重，從而直觀反映出風(fēng)險模式的形成位置。

2.基于電子臺賬數(shù)據(jù)的預(yù)測方法對比。在確定電子臺賬數(shù)據(jù)具有風(fēng)險預(yù)測信息含量的基礎(chǔ)上，研究將數(shù)據(jù)集按2∶1∶1劃分為訓(xùn)練集、驗證集和測試集，分別構(gòu)建一維機(jī)器學(xué)習(xí)模型和二維深度學(xué)習(xí)模型進(jìn)行風(fēng)險預(yù)測能力的對比分析。其中，一維機(jī)器學(xué)習(xí)選用支持向量機(jī)(SVM)、隨機(jī)森林(RFC)、簡單神經(jīng)網(wǎng)絡(luò)(NN)、集成學(xué)習(xí)(AdaBoost)和極端梯度提升算法(XGBoost)等，將周粒度下的電子臺賬數(shù)據(jù)轉(zhuǎn)化為長向量引入模型；二維深度學(xué)習(xí)模型采用基于特征灰度的卷積神經(jīng)網(wǎng)絡(luò)(FG-CNN)，按測度對數(shù)據(jù)進(jìn)行歸一化并保持周粒度下電子臺賬數(shù)據(jù)的15×52矩陣形態(tài)，設(shè)置基于均方誤差的早停策略防止學(xué)習(xí)模型過擬合。研究從預(yù)測準(zhǔn)確性(預(yù)測精度)和穩(wěn)定性(AUC)等兩個方面評價上述預(yù)測方法。

三、 變量統(tǒng)計與基礎(chǔ)回歸

(一) 樣本采集與篩選

研究數(shù)據(jù)來自課題組對江蘇省梨果種植戶的調(diào)查，主要從以下4個方面篩選樣本農(nóng)戶：第一，樣本梨果種植戶為家庭經(jīng)營主體，且種植經(jīng)營梨園面積不超過100畝；第二，樣本農(nóng)戶以鮮果種植、加工和銷售為主要經(jīng)營范圍，鮮果及加工產(chǎn)品收入占家庭總收入的50%以上(不限制梨果產(chǎn)品占比)；第三，樣本梨果種植戶穩(wěn)定參與農(nóng)產(chǎn)品電商活動，電商收入占家庭收入10%以上；第四，剔除從事梨果種植和銷售不足3年的農(nóng)戶樣本。最終采集3755名梨果種植戶進(jìn)入模型，以年為采樣頻率記錄樣本農(nóng)戶的經(jīng)營特征，以周為采樣頻率記錄樣本農(nóng)戶的臺賬信息。研究以種植年(3月的第一個周一至來年3月的第一個周一的前一天)作為統(tǒng)計周期，2019年至2020年為農(nóng)戶經(jīng)營數(shù)據(jù)和電子臺賬數(shù)據(jù)的統(tǒng)計年度，2020年至2021年為經(jīng)營風(fēng)險結(jié)果和決策數(shù)據(jù)的統(tǒng)計年度，從而驗證對農(nóng)產(chǎn)品經(jīng)營風(fēng)險的跨年短期預(yù)測。

(二) 變量的描述性統(tǒng)計

就農(nóng)產(chǎn)品電商經(jīng)營風(fēng)險結(jié)果而言，在3755戶樣本梨果種植家庭中，32.01%(1202戶)存在連續(xù)4個月及以上銷售收入小于經(jīng)營支出的現(xiàn)象，記為連續(xù)虧損(LK)；22.31%(838戶)存在發(fā)貨或供貨延期超過4周及以上的現(xiàn)象，記為流通受阻(LS)；19.49%(732戶)存在年還款額超過年銷售總額(而非利潤額)的現(xiàn)象，記為還款困難(HK)。就農(nóng)產(chǎn)品電商經(jīng)營風(fēng)險決策而言，在3755戶樣本梨果種植家庭中，26.10%(980戶)退出電商直銷模式，記為直銷退出(ZT)；20.45%(768戶)退出梨果家庭種植，記為種植退出(ST)。考慮到梨果種植的連續(xù)性，轉(zhuǎn)換種植品種的可能性較小，轉(zhuǎn)出農(nóng)地而從事專門的農(nóng)業(yè)服務(wù)或脫離農(nóng)業(yè)生產(chǎn)的可能性較大。

農(nóng)戶經(jīng)營特征包含生產(chǎn)特征(農(nóng)業(yè)勞動人數(shù)、土地流入比重、是否兼業(yè)經(jīng)營)、電商特征(電商收入比重、電商投入攤銷、電商訂單比重)和環(huán)境特征(受災(zāi)減產(chǎn)比重、是否投保農(nóng)險、是否經(jīng)品牌認(rèn)證)。生產(chǎn)特征結(jié)果表明樣本家庭從事農(nóng)業(yè)勞動的平均人數(shù)為2.85人，49.03%的梨園為流入土地，77.44%的樣本家庭存在兼業(yè)經(jīng)營。電商特征結(jié)果表明電商收入比重最高可達(dá)90.00%，平均43.75%的電商投入尚未攤銷；同時樣本中也無純電商供貨經(jīng)營農(nóng)戶，參與電商活動的梨果種植戶均存在電商直銷行為和收入，為探討電商風(fēng)險下直銷模式的退出提供了數(shù)據(jù)基礎(chǔ)。環(huán)境特征結(jié)果表明農(nóng)戶平均受災(zāi)比重較低，但標(biāo)準(zhǔn)差達(dá)到23.74%，88.03%的樣本農(nóng)戶參與農(nóng)業(yè)保險；僅21.10%的農(nóng)戶能夠在直銷中使用獲得認(rèn)證的品牌。

手足搐搦癥是一種因人體內(nèi)部基礎(chǔ)性代謝生理機(jī)制失調(diào)而引致發(fā)生的綜合征類疾病,患者在發(fā)病過程中通常會形成和展現(xiàn)出基于腕關(guān)節(jié)部位和踝關(guān)節(jié)部位的劇烈屈曲癥狀或者是抽搐癥狀、同時會發(fā)生較為嚴(yán)重的驚厥癥狀和喉部痙攣癥狀,給患者實際生存質(zhì)量造成嚴(yán)重不良影響[4]。

電子臺賬數(shù)據(jù)包含種植投入(固定資產(chǎn)采購、易耗品采購、雇傭勞動支出、機(jī)具租賃支出、倉儲管理支出)、電商交易(產(chǎn)品平均價格、產(chǎn)品銷售數(shù)量、二次購買率、電商退貨率、非銷售收入)和借貸保險(賒購金額、賒銷金額、信貸發(fā)生額、信貸還款額、保險賠付額)。種植投入結(jié)果表明樣本梨果種植戶在穩(wěn)定生產(chǎn)下的年均固定資產(chǎn)采購費用僅219.21元，遠(yuǎn)低于年均易耗品采購的1805.23元。考慮部分易耗品以賒購形式獲得，這一差距可能更大，同時雇傭勞動、機(jī)具租賃和倉儲管理的年均費用支出均在千元以上。電商交易結(jié)果表明樣本農(nóng)戶所售梨果的價格和銷量差異較大，在不確定包裝和物流成本時不能簡單認(rèn)為高售價和高銷量能夠帶來高利潤，新興電商直播使部分農(nóng)戶獲得廣告收入和直播打賞等非銷售收入，但在電商收入中僅占0.09%。借貸保險結(jié)果表明農(nóng)戶年均賒銷和賒購差額超過6萬元，信貸還款額低于信貸發(fā)生額，存在資金回籠困難。

耕作模式加速從以中介商需求為導(dǎo)向到以實際消費者為導(dǎo)向，更加注重糧食的安全性和營養(yǎng)價值，以實際消費者為導(dǎo)向的耕作模式強(qiáng)調(diào)了消費者最為關(guān)心和關(guān)注的食品需求，即安全性、營養(yǎng)價值和口感。

(三) 基礎(chǔ)回歸結(jié)果

研究將兩類數(shù)據(jù)分別引入logistic預(yù)測，表2結(jié)果表明假說H1b成立。以連續(xù)虧損、還款困難和種植退出為分類標(biāo)記，僅使用臺賬數(shù)據(jù)的預(yù)測正確率明顯高于僅使用特征數(shù)據(jù)的結(jié)果；其中，還款困難的預(yù)測結(jié)果顯示，同時引入兩類數(shù)據(jù)的預(yù)測正確率有可能低于僅使用臺賬數(shù)據(jù)結(jié)果。以流通受阻和直銷退出為分類標(biāo)記，僅使用統(tǒng)計數(shù)據(jù)的預(yù)測正確率略高于僅使用臺賬數(shù)據(jù)結(jié)果，使用兩類數(shù)據(jù)、僅使用特征數(shù)據(jù)和僅使用臺賬數(shù)據(jù)的預(yù)測結(jié)果差異極小，說明兩類數(shù)據(jù)在年匯總口徑下具有高度的可替代性。但采用“臺賬數(shù)據(jù)+logistic”的經(jīng)營風(fēng)險預(yù)測AUC均低于0.85，預(yù)測結(jié)果的穩(wěn)定性和真實性較低，研究進(jìn)一步引入非線性預(yù)測模型。

在不舍什么呢？小伊自嘲，不是好幾次都想推開那扇代表E的門，像什么都沒發(fā)生過一樣，繼續(xù)過著無拘無束的生活嗎？這或許是18年來上天第一次給你選擇命運的機(jī)會，繼續(xù)享受著作為DJ的日子，那不是這么久以來你的夢想嗎？不是不想擁有平凡而腐朽的生命嗎？不是早已經(jīng)決定要做自己最想做的事情，只為自己而活嗎？

(四) 線性預(yù)測結(jié)果

表1展示了農(nóng)戶經(jīng)營數(shù)據(jù)對農(nóng)業(yè)經(jīng)營風(fēng)險的影響結(jié)果，變量系數(shù)采用logistic模型估計；模型1至模型6以風(fēng)險結(jié)果(連續(xù)虧損、流通受阻和還款困難)為因變量，模型7至模型10以風(fēng)險決策(直銷退出和種植退出)為因變量。模型中絕大多數(shù)變量系數(shù)均未通過10%水平下的顯著性檢驗：第一，生產(chǎn)、電商和環(huán)境這三類特征片面解釋了農(nóng)產(chǎn)品經(jīng)營風(fēng)險。第二，將臺賬數(shù)據(jù)的年匯總值作為控制變量引入基礎(chǔ)模型，則除了農(nóng)險參保外，在不含控制變量的模型中具有顯著影響的各項變量系數(shù)將不再顯著，即引入臺賬數(shù)據(jù)擠出了農(nóng)戶經(jīng)營數(shù)據(jù)估計系數(shù)的顯著性，假說H1a成立。

表1 基礎(chǔ)回歸結(jié)果

表2 logistic預(yù)測正確率(%)

四、 基于一維機(jī)器學(xué)習(xí)的經(jīng)營風(fēng)險預(yù)測

(一) 模型選擇

這就意味著，韓妝的市場份額被這些新興進(jìn)口品所瓜分已是必然。不過，在上述專業(yè)人士看來，新的市場格局也給了韓妝新的機(jī)會，“特別是有創(chuàng)新能力的中小品牌?！?/p>

(二) 預(yù)測結(jié)果與分析

在明確農(nóng)產(chǎn)品短期經(jīng)營風(fēng)險預(yù)測的特征信息需求基礎(chǔ)上，采用線性計量模型處理電商大數(shù)據(jù)將表現(xiàn)出兩方面劣勢：一是高頻采樣數(shù)據(jù)存在偶發(fā)參數(shù)問題，預(yù)測模型失去測度上的擴(kuò)展性；二是遺漏非線性風(fēng)險模式，在離散分類的預(yù)測上強(qiáng)調(diào)無偏性和可解釋性，從而降低了預(yù)測精度。因此，非線性機(jī)器學(xué)習(xí)(ML)更適合預(yù)測農(nóng)產(chǎn)品短期經(jīng)營風(fēng)險，包括風(fēng)險結(jié)果和風(fēng)險決策；其中，風(fēng)險決策建立在不同農(nóng)戶對風(fēng)險結(jié)果的模糊感知和反饋基礎(chǔ)上，單一過程變量的調(diào)整并不能直接指向決策，必須通過農(nóng)戶在其他行為上所表現(xiàn)出的一致性風(fēng)險態(tài)度加以衡量。機(jī)器學(xué)習(xí)模型能夠有效識別電商大數(shù)據(jù)中由多個變量所形成的行為模式，并在異質(zhì)性風(fēng)險感知下進(jìn)行預(yù)測，從而提升預(yù)測的精準(zhǔn)性和穩(wěn)定性。但機(jī)器學(xué)習(xí)算法將多種測度壓縮為一個長向量進(jìn)入模型，向量內(nèi)元素獨立，當(dāng)風(fēng)險模式同時存在時間和測度兩個維度時，機(jī)器學(xué)習(xí)無法識別模式的空間不變性。將臺賬信息整理為“時間—測度”二維數(shù)據(jù)并按行執(zhí)行歸一化，可構(gòu)建基于特征灰度的卷積神經(jīng)網(wǎng)絡(luò)(FG-CNN)，借助計算機(jī)視覺理論模擬風(fēng)險模式在水平方向的平移不變性和在水平、非水平方向的拉伸不變性，從而提升預(yù)測精度。同時，卷積神經(jīng)網(wǎng)絡(luò)是具有較多隱藏層的深度學(xué)習(xí)模型，引入池化層后參數(shù)量減少、感知野增加，將提升復(fù)雜風(fēng)險決策(如種植退出)的預(yù)測穩(wěn)定性?；谏鲜龇治觯芯刻岢黾僬fH2a和H2b：

表3 基于五種機(jī)器學(xué)習(xí)方法的預(yù)測正確率(%)

第二，非線性機(jī)器學(xué)習(xí)模型的預(yù)測表現(xiàn)存在異質(zhì)性。SVM在前四項風(fēng)險指標(biāo)上的預(yù)測正確率較其他模型更高，將核函數(shù)由徑向基函數(shù)調(diào)整為多項式或線性核則預(yù)測精度下降；說明通過向高維空間進(jìn)行非線性映射可較為清晰地劃分農(nóng)產(chǎn)品經(jīng)營風(fēng)險的復(fù)雜分類邊界。而對于種植退出等易受即時激勵的復(fù)雜預(yù)測情境，SVM的表現(xiàn)稍遜于XGBoost，但調(diào)參耗時遠(yuǎn)遠(yuǎn)小于后者。考慮到直銷和供貨這兩種電商模式并無優(yōu)劣之分，對直銷退出等風(fēng)險決策的預(yù)測須將風(fēng)險結(jié)果和農(nóng)戶電商認(rèn)知習(xí)慣相結(jié)合。因此，預(yù)測風(fēng)險決策的難度遠(yuǎn)遠(yuǎn)高于預(yù)測風(fēng)險結(jié)果，這也是直銷退出的預(yù)測精度明顯低于三類風(fēng)險結(jié)果的重要原因，后文將驗證增加神經(jīng)網(wǎng)絡(luò)層數(shù)對預(yù)測結(jié)果的改善。

引入農(nóng)產(chǎn)品電商模式后，農(nóng)戶以更低的經(jīng)濟(jì)和社會成本參與區(qū)域內(nèi)農(nóng)產(chǎn)品供應(yīng)鏈各個環(huán)節(jié)，特別是對弱勢農(nóng)戶具有勞動激勵作用(程欣煒和岳中剛，2021)[30]。已有研究主要將傳統(tǒng)農(nóng)業(yè)經(jīng)營模式下的風(fēng)險識別集中在種植環(huán)節(jié)，強(qiáng)調(diào)自然風(fēng)險下的成本損失和產(chǎn)量損失，在保險實踐中表現(xiàn)為單位重量下的價格保險保費遠(yuǎn)低于收入保險，特定地區(qū)以少量鮮果品種為標(biāo)的的價格指數(shù)保險試點并未獲得全面推廣普及，鮮果種植實踐則仍以果樹產(chǎn)量和死亡保險為主，且對投保農(nóng)戶的種植規(guī)模有要求，小農(nóng)戶存在參保門檻。而事實上，農(nóng)戶經(jīng)營收入風(fēng)險主要在交易環(huán)節(jié)兌付，同時這一環(huán)節(jié)上的經(jīng)營損失無法獲得種植補(bǔ)貼和保險賠付，因此研究認(rèn)為電商環(huán)境下的農(nóng)業(yè)經(jīng)營數(shù)據(jù)存在種植投入、電商交易和借貸保險三個資金維度，農(nóng)產(chǎn)品電商通過擴(kuò)展農(nóng)戶銷售渠道提升農(nóng)戶應(yīng)對既有環(huán)境風(fēng)險下的控制能力，體現(xiàn)了農(nóng)戶家庭突破當(dāng)前資源稟賦和技術(shù)約束的行為意識和經(jīng)營水平，較種植投入等生產(chǎn)信息和借貸保險等金融信息更具根本性和預(yù)期性。同時，考慮到電商大數(shù)據(jù)是家庭農(nóng)業(yè)經(jīng)營能力在多個經(jīng)營行為層面的一致性體現(xiàn)，在測度上相互印證并形成特定行為模式，因而同時引入種植投入、電商交易和借貸保險三類數(shù)據(jù)的預(yù)測能力將優(yōu)于采用任意一類或兩類數(shù)據(jù)。由此，研究提出假說H3：

本節(jié)所采用的一維機(jī)器學(xué)習(xí)模型仍未充分利用臺賬信息在時間維度上的邏輯順序，即表3所采用的方法都是將樣本臺賬信息作為可任意旋轉(zhuǎn)的向量引入模型，每個時間點上的變量信息是獨立的，無法歸納出體現(xiàn)農(nóng)戶風(fēng)險認(rèn)知和行為習(xí)慣的序列模式。

五、 基于二維深度學(xué)習(xí)的經(jīng)營風(fēng)險預(yù)測

(一) 模型選擇

前述NN模型是包含2個隱藏層的全連接前饋神經(jīng)網(wǎng)絡(luò)，每個樣本特征均表示為一個(780,)的長向量，因此第一個隱藏層的每個神經(jīng)元都將與輸入層關(guān)聯(lián)，產(chǎn)生780個獨立的神經(jīng)連接；隨著隱藏層及其神經(jīng)元數(shù)量的增加，巨大的連接規(guī)模將顯著降低神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力，極易造成過擬合的情形。因此，Hinton等(2012)[37]認(rèn)為在使用小數(shù)據(jù)集訓(xùn)練復(fù)雜前饋神經(jīng)網(wǎng)絡(luò)時，可通過隨機(jī)省略特征檢測器(Feature Detectors)的方式避免過擬合，并在AlexNet的卷積神經(jīng)網(wǎng)絡(luò)中將dropout和全連接交替使用2次(Krizhevsky等，2017)[38]。就農(nóng)業(yè)生產(chǎn)的多維異質(zhì)性而言，產(chǎn)品、品種和產(chǎn)地對農(nóng)戶生產(chǎn)經(jīng)營行為習(xí)慣的影響較大，訓(xùn)練數(shù)據(jù)集規(guī)模并不隨采樣范圍的擴(kuò)大而無限增長；當(dāng)前3755個樣本均為江蘇省參與電商且具備臺賬記錄基礎(chǔ)的家庭梨果種植戶，考慮林果種植的穩(wěn)定性，采用dropout防止過擬合是構(gòu)建這一規(guī)模下神經(jīng)網(wǎng)絡(luò)的必要選擇。

如圖2所示，農(nóng)戶的經(jīng)營風(fēng)險模式并非表現(xiàn)為單一類型或連續(xù)類型，其風(fēng)險模式并不會出現(xiàn)在特定的采樣時間或變量上，而是在兩個維度上均相互抵消。因此，研究借鑒計算機(jī)視覺領(lǐng)域的二維卷積神經(jīng)網(wǎng)絡(luò)，將農(nóng)戶年度臺賬數(shù)據(jù)視為二維灰度圖像，嘗試捕捉風(fēng)險模式的平移不變性和拉伸不變性?；谔卣骰叶鹊木矸e神經(jīng)網(wǎng)絡(luò)(FG-CNN)采用有限像素的卷積核作為風(fēng)險模式的過濾器，而多個卷積核所形成的卷積核可以抽取不同類型的風(fēng)險模式；考慮經(jīng)過卷積運算的特征維度仍較高，一般交替引入若干池化層以減少參數(shù)量、增加感知野，最終由全連接層訓(xùn)練輸出。

圖2 分組展示的數(shù)據(jù)矩陣平均灰度圖說明：圖中展示以連續(xù)虧損和種植退出為分類變量進(jìn)行分組的不同分類下，15個臺賬變量與52周所形成的(15,52)數(shù)據(jù)矩陣的平均特征灰度，其中圖像灰度進(jìn)行了翻轉(zhuǎn)，顏色越淺表示歸一化后的變量數(shù)值越大

(二) 預(yù)測結(jié)果與分析

研究采用(3,3)卷積核構(gòu)建卷積網(wǎng)絡(luò)并設(shè)置2個50%的dropout層，同時在驗證集上建立基于均方誤差的早停策略防止學(xué)習(xí)模型過擬合。圖3和圖4分別展示了風(fēng)險結(jié)果和風(fēng)險決策的深度學(xué)習(xí)預(yù)測結(jié)果，并繪制ROC曲線(黑色實線)與前述五種機(jī)器學(xué)習(xí)方法進(jìn)行對比，基于特征灰度的卷積神經(jīng)網(wǎng)絡(luò)在預(yù)測準(zhǔn)確性和穩(wěn)定性上均超過一般機(jī)器學(xué)習(xí)方法，特別是對直銷退出(ZT)指標(biāo)的預(yù)測提升非常明顯，假說H2b成立。

研究引入SVM、RFC、NN、AdaBoost和XGBoost五種機(jī)器學(xué)習(xí)方法構(gòu)建一維非線性預(yù)測模型。其中，支持向量機(jī)(SVM)是通過尋找最優(yōu)分隔超平面對數(shù)據(jù)進(jìn)行劃分的算法，適合多變量、大樣本下的非線性分類，由Cortes和Vapnik(1995)[31]提出；隨機(jī)森林(RFC)是在裝袋法的基礎(chǔ)上隨機(jī)選擇分裂變量的集成算法，可以將多個弱學(xué)習(xí)器集成為強(qiáng)學(xué)習(xí)器，由Breiman(2001)[32]提出；簡單神經(jīng)網(wǎng)絡(luò)(NN)是引入少量隱藏層的感知機(jī)(Rosenblatt，1958)[33]，經(jīng)激活函數(shù)迭代后得到非線性分類結(jié)果，研究采用基于反向傳播算法(BP)的全連接神經(jīng)網(wǎng)絡(luò)(Rumelhart等，1986)[34]；自適應(yīng)提升(AdaBoost)是通過修正觀測值權(quán)重進(jìn)行序貫分類調(diào)整的集成算法，最早由Freund和Schapire(1996)[35]提出，后經(jīng)Chen和Guestrin(2016)[36]改進(jìn)的極端梯度提升算法(XGBoost)更好地適應(yīng)了大樣本下的隨機(jī)特征選擇。

圖3 風(fēng)險結(jié)果預(yù)測的多方法對比

圖4 風(fēng)險決策預(yù)測的多方法對比

第一，除種植退出指標(biāo)外，二維卷積神經(jīng)網(wǎng)絡(luò)明顯提升了風(fēng)險結(jié)果和決策的預(yù)測精確度。如表4第5列所示，風(fēng)險決策中直銷退出指標(biāo)的預(yù)測精度提升非常明顯，測試集預(yù)測正確率達(dá)到93.68%，較表3中SVM預(yù)測正確率84.98%提升了8.70%，并遠(yuǎn)遠(yuǎn)高于其他機(jī)器學(xué)習(xí)模型。將表4第2列至第4列與表3進(jìn)行對比，三類風(fēng)險結(jié)果指標(biāo)的預(yù)測精度分別提升2.24%、1.39%和4.58%。一方面，表3中兩個隱藏層的前饋神經(jīng)網(wǎng)絡(luò)預(yù)測精度未超過其他學(xué)習(xí)算法，但增加神經(jīng)網(wǎng)絡(luò)的隱藏層數(shù)量明顯提升了訓(xùn)練效率，特別是在與農(nóng)戶經(jīng)營風(fēng)險認(rèn)知和行為習(xí)慣相關(guān)的風(fēng)險決策方面。說明二維深度學(xué)習(xí)能夠從農(nóng)產(chǎn)品經(jīng)營行為中學(xué)習(xí)到農(nóng)戶在風(fēng)險決策上的一致性認(rèn)知模式，從而增加對復(fù)雜結(jié)果的預(yù)測能力。另一方面，采用深度學(xué)習(xí)模型是將一維機(jī)器學(xué)習(xí)中長向量化的獨立變量轉(zhuǎn)化為具有時間邏輯的二維形態(tài)，并作為灰度圖進(jìn)行卷積處理，從而增加了有限感受野下的風(fēng)險模式識別。

表4 卷積神經(jīng)網(wǎng)絡(luò)預(yù)測正確率(%)

第二，采用深度學(xué)習(xí)預(yù)測風(fēng)險結(jié)果和決策時，樣本外預(yù)測精度較高，小規(guī)模樣本下的預(yù)測表現(xiàn)具有穩(wěn)定性。對比表4中驗證集和測試集的預(yù)測正確率可以看出，樣本外預(yù)測(測試集)的正確率并不低于驗證集，說明深度學(xué)習(xí)所識別的風(fēng)險模式具有通用性，不存在明顯的過擬合現(xiàn)象。從農(nóng)戶行為中識別出短期經(jīng)營風(fēng)險在時間維度上的通用模式，意味著風(fēng)險預(yù)測可能存在跨期一致性，通過在時間維度上累積臺賬信息所形成的農(nóng)戶行為面板數(shù)據(jù)能夠提升預(yù)測精度，從而對電商參與時間較短的同類農(nóng)戶建立更為有效的樣本外預(yù)測模型。圖3和圖4的ROC曲線也表明，二維深度學(xué)習(xí)的預(yù)測結(jié)果較一維機(jī)器學(xué)習(xí)更為穩(wěn)健，直銷退出指標(biāo)的深度學(xué)習(xí)AUC值為0.979，遠(yuǎn)高于SVM模型的0.918，說明二維預(yù)測在全部截斷值下的預(yù)測精度要優(yōu)于一維預(yù)測。

在此過程中，農(nóng)民科技教育中心應(yīng)該積極整合有利的科技教育培訓(xùn)資源，提升自身的管理工作水平，在當(dāng)?shù)卣囊龑?dǎo)和政策支持下，積極探索全新的農(nóng)民教育培訓(xùn)模式，樹立提高農(nóng)民科學(xué)文化素質(zhì)、更好服務(wù)農(nóng)民的教育培訓(xùn)理念，有效提高公益性農(nóng)民職業(yè)教育培訓(xùn)和農(nóng)業(yè)服務(wù)的頻率。

秦明月注意到這位毛夫人雖然強(qiáng)裝鎮(zhèn)定，但是其身體已經(jīng)在微微發(fā)抖，她似乎想努力笑一下，但是嘴角只是牽動了一下而已。秦明月見多了死者家屬看到親人死于非命時痛不欲生的表情，反而有些麻木了，更多的是一種冷靜到近乎殘酷的觀察與懷疑。在他的眼中，只要案子沒破，一切人物都是可以懷疑的。

第三，雖然表4第6列種植退出的測試集預(yù)測正確率為87.52%，低于XGBoost算法的88.07%和SVM的87.75%，但其ROC曲線在一維機(jī)器學(xué)習(xí)算法之外，AUC值0.936也略高于XGBoost的0.901和SVM的0.914。其一，早停機(jī)制所給出的截斷值并非全局最佳截斷值，當(dāng)相近輪次的正確率波動較大時，單一截斷位置的正確率具有較高的隨機(jī)性，其結(jié)果不如ROC曲線穩(wěn)??；其二，種植退出的測試集正確率明顯低于驗證集，而在取消早停策略的圖5中，樣本外誤差在輪次超過60后不降反升。說明臺賬信息具有較低的信噪比(Signal-Noise Ratio)，農(nóng)戶的種植退出并不一定發(fā)生在兩個種植年之間并易受外部激勵影響，因此跨年預(yù)測相當(dāng)于延長了其決策周期，忽略了即時信息對決策的短期影響，即時間維度上反向風(fēng)險信號的抵消弱化了決策的沖動性，從而造成一定程度的過擬合(Rasekhschaffe和Jones，2019)[39]。

圖5 取消早停策略的深度學(xué)習(xí)預(yù)測結(jié)果

(三) 三類行為信息預(yù)測能力差異分析

農(nóng)戶臺賬數(shù)據(jù)涉及種植投入、電商交易和借貸保險三個方面，考慮到三類變量的指標(biāo)內(nèi)涵、記錄方式和信息精度存在差異，研究采用兩種方法厘清不同行為信息對預(yù)測的貢獻(xiàn)差異：一是逐一剔除變量組進(jìn)行分組預(yù)測，預(yù)測精度下降越多則說明缺失的變量組對預(yù)測的貢獻(xiàn)越大；這一方法縮小了信息規(guī)模并進(jìn)一步降低了學(xué)習(xí)算法對判別信號的驗證能力，從而高估了單一變量組對預(yù)測的貢獻(xiàn)。二是借鑒計算機(jī)視覺的可解釋性理論，采用梯度加權(quán)類激活映射圖(Grad-CAM)定位算法感興趣的判別區(qū)域(Zhou等，2015[40]；Selvaraju等，2020[41])；該方法通過熱力圖展示預(yù)測權(quán)重較大的二維區(qū)域，有效避免數(shù)據(jù)缺失對算法訓(xùn)練的影響，能夠同時在時間和變量等兩個維度上展示更細(xì)粒度的判別依據(jù)。

第一，如表5所示，三類行為信息均對農(nóng)產(chǎn)品短期經(jīng)營風(fēng)險預(yù)測具有貢獻(xiàn)，其中電商交易數(shù)據(jù)的貢獻(xiàn)最大。剔除電商交易類變量后，連續(xù)虧損、流通受阻和還款困難的預(yù)測正確率分別下降15.66%、12.67%和14.59%，直銷退出的預(yù)測正確率下降達(dá)19.77%，說明電商交易信息直接體現(xiàn)了農(nóng)戶的新渠道嵌入水平，形成農(nóng)戶短期經(jīng)營預(yù)期。電商交易數(shù)據(jù)具有記錄優(yōu)勢，逐筆交易的電子存根便于實時匯總和量化分析，其采樣精度也遠(yuǎn)高于其他信息，可為后續(xù)研究構(gòu)建更為復(fù)雜的預(yù)測模型提供良好的數(shù)據(jù)基礎(chǔ)。同時，種植投入和借貸保險也具有不可忽視的貢獻(xiàn)，剔除相應(yīng)變量組均使風(fēng)險預(yù)測精度下降。因此，三類臺賬數(shù)據(jù)在復(fù)雜預(yù)測模型中具有相互印證作用，剔除任意一類數(shù)據(jù)都將大幅降低預(yù)測精度，假說H3成立；直銷退出指標(biāo)下的分組預(yù)測ROC曲線如圖6所示，其中全變量預(yù)測結(jié)果(DL)最優(yōu)，剔除電商交易數(shù)據(jù)的預(yù)測結(jié)果(NSD)最差，剔除借貸保險數(shù)據(jù)的預(yù)測結(jié)果(NFD)略差于剔除種植投入數(shù)據(jù)的預(yù)測結(jié)果(NPD)。

表5 分組預(yù)測結(jié)果

圖6 完整數(shù)據(jù)與分組剔除數(shù)據(jù)的預(yù)測結(jié)果對比

第二，圖7隨機(jī)展示出兩個直銷退出樣本的特征灰度圖a)和變量激活強(qiáng)度熱力圖b)。激活強(qiáng)度最高的區(qū)域在電商交易變量組，并在時間維度具有平移不變性，說明電商交易所形成的數(shù)據(jù)對風(fēng)險決策的預(yù)測貢獻(xiàn)最大。有效權(quán)重的激活區(qū)域并不是一個特定的點，而是在整體上表現(xiàn)出以激活強(qiáng)度最高(顏色最深)的區(qū)域為中心向四周非線性衰減的形態(tài)。同時，借貸保險數(shù)據(jù)在種植年年末具有較高的預(yù)測貢獻(xiàn)，激活中心位置對變量并不敏感；較為合理的解釋是，農(nóng)村金融的形式較為多樣，農(nóng)戶習(xí)慣于賒購賒銷和消費信貸等非現(xiàn)金收支的金融行為。但即便金融收支平衡，種植年年末也需要維護(hù)資金鏈以滿足多主體間的銷賬和還款，因此年末資金流動的價值明顯且農(nóng)戶無須細(xì)分資金收支的具體項目，例如賒銷資金回籠和農(nóng)業(yè)保險賠付在風(fēng)險預(yù)測視角下的作用是相同的。

圖7 梯度加權(quán)類激活映射圖

六、 結(jié)論與啟示

通過對江蘇省3755戶梨果種植戶的調(diào)查，獲取農(nóng)戶經(jīng)營數(shù)據(jù)和電子臺賬數(shù)據(jù)，對比分析線性模型、一維非線性機(jī)器學(xué)習(xí)模型和基于特征灰度的二維深度學(xué)習(xí)模型在預(yù)測農(nóng)產(chǎn)品短期經(jīng)營風(fēng)險結(jié)果和風(fēng)險決策上的差異。結(jié)果表明：第一，基于農(nóng)戶行為的電子臺賬數(shù)據(jù)較基于結(jié)果特征的農(nóng)戶經(jīng)營數(shù)據(jù)更具準(zhǔn)確預(yù)測農(nóng)產(chǎn)品短期經(jīng)營風(fēng)險的信息含量，同時采用兩類數(shù)據(jù)的風(fēng)險預(yù)測結(jié)果并不明顯優(yōu)于僅采用電子臺賬數(shù)據(jù)的風(fēng)險預(yù)測結(jié)果；第二，非線性機(jī)器學(xué)習(xí)方法較線性模型更能準(zhǔn)確預(yù)測農(nóng)產(chǎn)品電商經(jīng)營風(fēng)險，支持向量機(jī)和XGBoost方法具有明顯預(yù)測優(yōu)勢；第三，基于特征灰度的二維卷積神經(jīng)網(wǎng)絡(luò)提升了風(fēng)險結(jié)果和決策的預(yù)測精準(zhǔn)性和穩(wěn)定性；第四，分組預(yù)測和梯度加權(quán)類激活映射圖證實，電商交易信息具有最高的風(fēng)險預(yù)測能力，借貸保險信息次之，種植投入信息的預(yù)測能力最差，且三者在風(fēng)險預(yù)測中相互印證。

根據(jù)上述結(jié)論，研究得到以下四點啟示：第一，農(nóng)產(chǎn)品電子臺賬數(shù)據(jù)較傳統(tǒng)農(nóng)戶經(jīng)營特征數(shù)據(jù)更具預(yù)測風(fēng)險的信息含量，因此規(guī)范農(nóng)業(yè)經(jīng)營數(shù)據(jù)的電子化形成和數(shù)字化記錄是電商環(huán)境下提升農(nóng)戶經(jīng)營能力、優(yōu)化農(nóng)戶參與模式的重要手段，應(yīng)開發(fā)和完善農(nóng)業(yè)經(jīng)營臺賬管理系統(tǒng)，做到與農(nóng)產(chǎn)品電商過程高度適配，鼓勵各類電商服務(wù)主體嵌入數(shù)據(jù)平臺，形成可相互驗證的多維電商大數(shù)據(jù)。第二，機(jī)器學(xué)習(xí)方法在農(nóng)產(chǎn)品短期經(jīng)營風(fēng)險預(yù)測的準(zhǔn)確性和穩(wěn)定性上超過傳統(tǒng)線性預(yù)測模型，更適合處理高粒度下的電商大數(shù)據(jù)，且支持向量機(jī)和XGBoost等方法在不同風(fēng)險結(jié)果和風(fēng)險決策的預(yù)測上各具優(yōu)勢，因此在開發(fā)農(nóng)業(yè)電子臺賬平臺時，可引入多種基于機(jī)器學(xué)習(xí)的農(nóng)產(chǎn)品經(jīng)營風(fēng)險預(yù)測算法，對農(nóng)戶當(dāng)前的經(jīng)營狀況進(jìn)行實時預(yù)警，幫助農(nóng)戶及時調(diào)整經(jīng)營策略。第三，基于特征灰度的二維卷積神經(jīng)網(wǎng)絡(luò)在一維機(jī)器學(xué)習(xí)的預(yù)測結(jié)果基礎(chǔ)上又有大幅提升，但對算力的要求較高，適用于電商監(jiān)管部門和有條件的電商服務(wù)部門對參與電商經(jīng)營的農(nóng)戶進(jìn)行風(fēng)險識別和精準(zhǔn)畫像，同時應(yīng)引導(dǎo)建立和完善第三方農(nóng)業(yè)電商經(jīng)營咨詢機(jī)構(gòu)，吸引具備數(shù)字技能的農(nóng)戶向農(nóng)業(yè)服務(wù)業(yè)轉(zhuǎn)移，從事專門的農(nóng)業(yè)數(shù)字化管理和規(guī)劃服務(wù)，構(gòu)建科學(xué)的農(nóng)業(yè)資源托管模式。第四，種植投入、電商交易和借貸保險數(shù)據(jù)具有相互印證的風(fēng)險預(yù)測能力，農(nóng)業(yè)服務(wù)部門應(yīng)構(gòu)建自動化的電商大數(shù)據(jù)多維驗證機(jī)制，進(jìn)一步形成和完善微觀農(nóng)業(yè)數(shù)據(jù)要素利用場景，助力小農(nóng)戶以軟信息嵌入電商供應(yīng)鏈，從而突破固有資源稟賦限制。特別是當(dāng)前種植投入數(shù)據(jù)的采集手段粗糙，往往需要農(nóng)戶主動人為記錄，造成數(shù)據(jù)誤差大、預(yù)測能力弱，因此迫切需要加快農(nóng)村物聯(lián)網(wǎng)和云服務(wù)建設(shè)，為農(nóng)戶記錄和管理采購、運輸、倉儲等服務(wù)數(shù)據(jù)提供便利。

受限于數(shù)據(jù)質(zhì)量和采樣規(guī)模，研究仍存在兩個方面的不足：第一，為兼顧不同采樣渠道下的數(shù)據(jù)粒度而選取以周為統(tǒng)計頻率并不能充分體現(xiàn)電商數(shù)據(jù)的高頻性。日匯總數(shù)據(jù)、分時匯總數(shù)據(jù)和逐筆交易數(shù)據(jù)可能具有更高的預(yù)測信息含量，但更高的采樣頻率對預(yù)測模型的選取和調(diào)參提出了更高的要求。當(dāng)頻率足夠高且同步增量處理時，當(dāng)前模型通過固定時間維度而匯總行為信息的數(shù)據(jù)透視結(jié)構(gòu)將不再適用，仍須驗證農(nóng)產(chǎn)品短期經(jīng)營風(fēng)險是否由特定環(huán)境下的經(jīng)營行為觸發(fā)。第二，當(dāng)前由電子臺賬數(shù)據(jù)構(gòu)建的二維數(shù)據(jù)結(jié)構(gòu)僅包含單一種植周期，無法精準(zhǔn)識別農(nóng)戶的長期經(jīng)營慣性和風(fēng)險偏好，弱化了農(nóng)戶經(jīng)營脆弱性認(rèn)知和電商組織化合作的異質(zhì)性，因此在種植退出等復(fù)雜風(fēng)險決策上未表現(xiàn)出明顯的預(yù)測優(yōu)勢。而提升采樣頻率、疊加采樣周期將綜合識別種植年內(nèi)行為序列和種植年間行為差異，后續(xù)研究仍須進(jìn)一步驗證其信噪比變化對預(yù)測精確性和穩(wěn)定性的影響。