迈向更具韧性的农业企业：将农业环境信息整合到可解释的财务困境预测中

《Agriculture》：Toward More Resilient Agricultural Enterprises: Integrating Agricultural Environment Information into Explainable Financial Distress Prediction

　　

农业财务脆弱性既受到企业特定因素的影响，也受到企业所处农业系统的影响，这对仅基于企业层面财务指标的财务困境预测模型构成了挑战。本研究评估了逻辑回归（LR）、极端梯度提升（XGBoost）、轻量梯度提升机（LightGBM）和类别提升（CatBoost）的预测性能，考察国家层面农业环境特征是否能在传统财务指标之外改善预测，并运用Shapley加法解释（SHAP）分析预测因子的贡献。实证分析基于2019–2024年维谢格拉德集团（V4）国家农业企业的28,745条企业-年度观测值。加入农业环境变量后，预测性能出现了适度但一致的改善，将企业层面提升模型的AUC从约0.854–0.855提升至综合规格的0.864–0.865。三种梯度提升算法的表现均优于传统LR，但XGBoost、LightGBM和CatBoost之间的差异在统计上不显著。SHAP分析识别出流动性、杠杆、盈利能力和企业规模为主要预测因子，同时揭示了传统线性模型无法捕捉的非线性和阈值依赖关系。因此，将农业环境特征与可解释机器学习（ML）相结合，能够为农业财务困境提供更全面、透明且具有情境感知能力的早期预警系统。

**论文解读：迈向更具韧性的农业企业——将农业环境信息整合到可解释的财务困境预测中**

**一、研究背景与问题**

农业企业面临的气候变化、技术变革、地缘政治不稳定、融资成本上升以及全球贸易格局演变，正在深刻改变其经营环境。财务困境不仅威胁企业自身盈利，还可能扰乱农业生产、破坏价值链、限制投资能力，并最终削弱农业部门的韧性。传统财务困境预测模型主要依赖企业层面的财务指标，如流动性、盈利能力和杠杆率，但农业企业的财务脆弱性还受制于生物生产周期、商品价格波动、天气不确定性、投入成本变化以及对外部融资和公共支持的依赖。已有证据表明，农业韧性由更广泛的经济和制度因素驱动，单纯依靠会计信息无法全面描述财务韧性。然而，现有研究很少将国家层面可直接测量的农业环境特征纳入企业层面的财务困境预测框架，尤其是在统一的跨国可解释机器学习框架下。因此，本研究提出三个研究问题：其一，纳入国家层面农业环境信息是否能超越传统企业层面财务指标改善财务困境预测；其二，当同时考虑企业财务指标和农业环境变量时，先进的梯度提升算法是否优于传统逻辑回归；其三，哪些企业财务指标和农业环境特征对预测贡献最大，其影响在预测空间中如何变化。

**二、研究内容与结论**

研究人员基于ORBIS数据库，构建了涵盖维谢格拉德集团（V4）四国5749家农业企业、2019–2024年共28,745条企业-年度观测值的实证样本。预测变量在2019–2023年测量，财务困境在2020–2024年提前一年评估。研究比较了逻辑回归（LR）、极端梯度提升（XGBoost）、轻量梯度提升机（LightGBM）和类别提升（CatBoost）三种梯度提升算法，并运用Shapley加法解释（SHAP）分析预测因子的贡献。研究设置了三个层层递进的模型规格：M1仅包含企业层面财务指标（杠杆、流动性、资产收益率、企业规模、企业年龄）；M2进一步纳入农业环境变量（农业信贷、农业增加值、农业生产者价格指数、农业出口、化肥消费）；M3再加入国家固定效应。研究发现，加入农业环境变量使提升模型的AUC从约0.854–0.855提升至0.864–0.865，虽然增量适度但保持一致。三种梯度提升算法均显著优于传统LR，但三者之间差异不显著。SHAP分析表明，流动性、杠杆、盈利能力和企业规模是主要预测因子，且其影响呈现非线性和阈值依赖特征。

**三、关键技术方法**

研究人员使用了以下主要技术方法：（1）多准则财务困境分类方法，结合负权益、bonity指数（调整后流动资产与调整后流动负债之比）和简化流动性比率，并附加非正净利润条件，以避免依赖各国法律破产定义；（2）三类嵌套二元逻辑回归模型作为基准，逐步添加农业环境变量和国家固定效应；（3）三种梯度提升算法（XGBoost、LightGBM、CatBoost），采用预指定超参数、分层五折交叉验证选择提升轮数、类别权重处理类别不平衡；（4）多种性能评估指标，包括AUC、平衡准确率、召回率、精确率、F1分数和Matthews相关系数（MCC），并使用DeLong检验比较AUC差异；（5）SHAP分析，包括全局特征重要性、蜂群图和依赖图，用于解释最优模型的预测机制。

**四、研究结果**

**（1）描述性统计与相关性分析**

研究显示，流动性（LIQ）在企业层面变量中变异性最高，表明企业短期财务状况存在显著异质性。国家层面农业指标在V4国家间表现出显著差异，反映了农业市场条件、融资可得性、生产强度和价格环境的不同。Mann–Whitney U检验表明，所有解释变量在非困境与困境企业之间存在显著差异（p<0.01）。Pearson相关分析显示，企业层面指标相关性较低，农业指标中CREDAG与AGVA（0.760）、AGEXP与FERT（-0.753）相关性较高，但VIF值均未超过10，因此保留所有变量。

**（2）逻辑回归基准结果**

在全部规格中，LEV、LIQ、ROA和SIZE均保持统计显著，表明企业财务特征构成农业财务困境预测的主要基础。AGE仅在纳入农业环境变量后变得显著。从M1到M2，McFadden伪R2从0.201增至0.215（相对增加约7.0%），表明农业环境变量提供了适度增量贡献。加入国家固定效应后（M3），企业财务指标系数保持稳定，但农业变量系数出现方向反转，这归因于M2混合了国家间差异与国内时间变化，而M3吸收了时间不变的跨国异质性。

**（3）机器学习性能比较**

所有提升算法在从M1到M2扩展预测变量集时预测性能均改善，但加入国家固定效应（M3）仅带来微小提升。CatBoost M3取得最高AUC（0.865，95% CI: 0.857–0.872），XGBoost M2取得最高精确率（0.609）、F1分数（0.699）和MCC（0.539）。DeLong检验显示，三种提升算法间AUC无显著差异，但每种提升算法均显著优于对应LR规格（p<0.001），支持H2中关于梯度提升优于LR的假设。

**（4）稳健性检验**

排除LEV后，农业环境变量仍持续改善预测性能，提升算法对LR的优势保持显著（p<0.001）。企业层面分组70/30分割验证了结果不受同一企业重复观测驱动。扩展窗口滚动时间验证中，提升模型平均AUC为0.836–0.839，高于LR的0.728–0.801。2024年最终保留集上，提升模型AUC收敛至0.787–0.788，仍普遍优于LR。国家内标准化和留一国家验证进一步确认了结果的跨国稳健性。

**（5）SHAP可解释性分析**

SHAP全局特征重要性显示，LIQ贡献最大，其次是LEV、ROA和SIZE。农业环境变量中，APPI、FERT和AGVA贡献较大，CREDAG和AGEXP贡献较弱。蜂群图显示LIQ和LEV的SHAP值离散度最大，表明其贡献在不同企业间高度异质性。依赖图揭示了非线性阈值关系：LIQ存在显著韧性阈值，超过必要短期偿债能力后额外流动性对降低困境概率的边际贡献递减；LEV超过一定暴露水平后负债的负面效应逐渐增强；ROA在零收益附近出现明显转折；企业规模较大时困境风险逐渐下降。

**五、讨论与结论总结**

讨论部分强调，梯度提升算法相对于LR的优势主要源于其利用更多信息的能力，而非算法特定的优化策略。农业环境变量与企业财务特征之间的非线性交互作用，是提升模型性能的关键。SHAP分析表明，财务脆弱性通过相互作用的财务机制涌现，而非孤立的会计比率，这解释了梯度提升算法为何优于传统线性模型。研究结果支持H1、H2（就梯度提升优于LR而言）和H3。研究结论指出，将农业环境变量纳入财务困境模型可提升预测性能，尽管企业财务特征仍是主要预测因子。农业信贷条件、生产者价格、部门重要性、生产强度和外部市场导向提供了额外信息。梯度提升算法优于传统LR，但XGBoost、LightGBM和CatBoost之间差异极小，表明未来进展更可能来自纳入更有意义的特定背景数据，而非改进算法本身。SHAP分析显示流动性、杠杆、盈利能力和企业规模为主导决定因素，且其贡献呈非线性和异质性特征。研究贡献在于推动财务困境预测从纯粹基于会计的框架向多维、情境感知和可解释的分析框架转变。实际意义包括：为企业管理者维持适当流动性、可持续杠杆和稳定盈利提供依据；为金融机构提供更透明的信用风险评估基础；为政策制定者将部门风险监测扩展到企业财务指标之外提供支持。局限性包括：样本局限于V4国家，财务困境采用会计标准而非实际破产事件，未纳入气候、补贴、管理等潜在相关变量，且国家层面变量间存在多重共线性。未来研究可整合环境、气候和技术因素，扩大至更多国家和更长观察期，并采用基于事件的破产数据验证框架。