卫星地球观测数据在农业信用风险评估中的预测效能诊断:基于泰国水稻借款人的实证分析
《Forecasting》:Silent Modality Collapse and the Measurement of Fusion Gains: A Nationwide Out-of-Time Test of Earth Observation for Agricultural Default Forecasting
【字体:
大
中
小
】
时间:2026年10月24日
来源:Forecasting 4.2
摘要
卫星地球观测(EO)被广泛视为农业信用风险评估的替代数据源,然而相关融合分析的结果很少经过与生成这些数据的处理协议本身的对比验证。我们提出了三种低成本的方法:使用匹配的警报数量而非固定阈值、在拟合模型中消除某种观测方式的影响,以及诊断是否使用了融合后的数据分支。将这些方法应用于ST-CRAAN模型,该模型结合了11个通道的月度地球观测数据与借款人的财务变量,对2022年泰国1,496,721名水稻种植借款人进行了预测分析。诊断结果显示,某些观测方式在模型中出现了“沉默”现象(即对预测结果贡献极小)。具体表现为:权重衰减作用使初始时占比较高(0.0750)的输入核函数权重降到了7.0 × 10?8(约为初始值的10?6);将地球观测数据替换为其平均值后,模型的测试AUC仅降低了0.00000。进一步分析发现,这种现象实际上是观测数据所对应的数据分支权重严重下降导致的,而非权重衰减本身引起的。在保留该数据分支的情况下,通过测试五种模型框架和八种特征组合,并在多个随机种子设置下重新进行模型拟合,发现当地球观测数据与财务和空间变量结合使用时,所有模型的测试AUC均有所下降;而对于仅使用神经网络的模型框架,未见明显改进。即使仅将地球观测数据与子区域的还款历史信息结合使用,所有模型的测试AUC也会下降。按照借款人所在子区域和年份的实际违约率对借款人进行排序后,任何在该区域内固定的预测模型其AUC值都不超过0.67721;而所有神经网络模型的AUC值均低于这一水平,相差在0.029到0.031之间。在这一分析中以及整个年份范围内,对于拥有自己完整记录的贷款机构而言,地面观测数据并不能提升其对借款人违约情况的预测能力。关键问题在于数据的分辨率,而非模型架构本身。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号