基于多源行政记录与外部评分的农业信贷决策预测研究：以北京农业企业与合作社为例

《Sustainability》：Do Agricultural Subsidy Profiles Signal Bank-Authorized Lending? A Two-Stage Interpretable Machine Learning Analysis of Credit Access and Allocation

　　

摘要

信息不对称制约了农业信贷的供给，但在实证分析中，还款与违约标签往往难以获取。本研究利用北京2970家农业企业与合作社的行政记录，并将其与银行授权的信贷数据相关联，考察多源补贴档案是否与已观察到的信贷决策存在关联。研究采用两阶段梯度提升树模型，比较了八项原始行政特征、一个外部提供的综合评分以及二者组合的表现；并通过沙普利加性解释方法（SHAP）提供条件性模型归因分析。结果显示，经济合作社和股份合作社均未观察到正的授权信贷额度。在其余实体类型中，组合模型对正的授权信贷预测准确，其ROC曲线下的面积（ROC-AUC）为0.97。仅使用原始行政特征对条件性授权信贷金额几乎不具备样本外预测价值，而加入外部提供的评分后则显著改善了预测效果。该框架支持在还款数据与申请流程数据不可用的情况下，对已观察到的信贷发放进行透明分析。