基于区块链与机器学习的农业供应链金融系统

张梦娜 王世文（苏州科技大学）

一、研究背景

2020年，新冠肺炎疫情影响着社会各个方面，包括农业生产、物流贸易等在内的整个农业产业链。首先，新冠肺炎疫情第一个冲击的是农业生产，部分春耕生产物资价格上涨，增加了农业投入成本。其次，农产品无论是出口还是内销，都出现了一定的困难。具体表现为蔬菜、水果等鲜活农产品及畜产品流通受阻；养殖业对饲料的消费减少，使种植业中的大豆、玉米价格也受到了影响。由于农产品具有季节性、不宜储藏等特点，其出口交易的减少会在短期内造成巨大损失。由此，国家出台了“农资综合补贴”等政策支持农业生产的技术升级和规模扩张，以满足疫情时期农业生产对基本材料的需求。农业产业开始关注规模效应，逐渐形成了高度专业化的商业模式。这种高度专业化、大规模的农业生产将不可避免地增加农业企业的资本需求，这将很容易导致许多农业企业产生巨额投资，而农产品具有附加值低的特征，这又会导致农业企业的投资回报率低。在金融领域，农业中小企业难以获得商业银行、信用合作社及小型贷款公司的贷款支持。近年来，区块链技术被证实能在解决信息问题上对中小型农业企业的信用风险评价起到一定的改进作用。随着大数据时代的来临，农业金融数字化已是大势所趋。因此，将区块链技术与农业金融相结合具有重要实践意义。

二、农业供应链金融系统中的区块链技术

（一）农业区块链的基本框架

区块链技术（BT）正成为当今最有前途的技术之一。它是点对点网络共享的分布式数据库，使用链接的区块序列来验证。由于其自身具有共识机制、不变性和可追溯性，通过消除信任相关的问题，提高了可见性和透明度。链上的每个事务都按照严格的时间顺序生成，确保相应的数据不会被篡改，并增强了可追溯性。基于其实施机制，区块链技术可以很好地解决供应链金融中的信用问题。依托区块链，可以在生产者（农民）、分销商、金融机构和消费者等之间建立共识网络，利用区块链及时更新供应链中的产品信息，实现利益相关者之间的信息透明度和低成本应用。

农业区块链系统主要由数据层、网络层、共识层、合同层和应用层组成，其中数据层包含的信息以对称二叉树的形式排列；网络层规定了区块链的网络模式、数据传输方式和安全验证机制；共识层是区块链实现信任机制的主要保证；合同层包含在本地法规和行业法规下运行的可编程合同，如智能合同；应用层主要是提供相应的应用服务，以满足制定者、卖方和消费者的不同需求。

（二）农业供应链金融系统中的区块链框架

当前，农业供应链融资中，信贷问题尤为严重。一方面，农民缺乏有效的抵押品，可抵押的房地产、设备等固定资产质量差，土地合同经营权抵押受诸多因素制约，难以进行抵押。另一方面，在传统供应链中，信息分散存储在各方，不利于信息整合，导致供应链中信息不对称的问题。

为了解决信贷问题，设想开发一个由区块链技术支持的供应链金融系统，它可以管理整个农业供应链，同时具有高标准的安全性和透明度。系统设计如图1所示。

图1 农业供应链金融区块链系统框架

在该系统中，收购商和农民签署标准化的电子订单，以智能合同形式添加到系统中，并被网络中相应权限下的节点识别。农民可以依靠智能合约，通过区块链系统请求与金融机构订单对应的融资。同时，农民可以购买农业保险或期货合同，以降低自然风险和市场风险。农业保险的第一受益人是金融机构。期货合约保证订单的履行率和回报。保险和期货部分与区块链系统相连，使金融机构可以立即获取农民购买保险和期货合约的实时信息。由于区块链的不变性和共识机制，保证了农业订单、保险、期货合同的真实性和可靠性，增加了金融机构发展信贷业务的信心。此外，由于可追溯性的存在，还可以搜索历史事务数据。金融机构可以利用以前的数据来评估制定者的信用状况，由于对区块链系统的信任，金融机构将向农民发放贷款。

农民购买生产原材料，及时上传数据至区块链系统。经共识机制确认后，交易在网络中传播。金融机构可以实时查看和监督资金的使用情况。物联网连接到区块链系统，物联网在增长过程中自动收集的产品数据可以存储在系统中，可由所有实体进行查询。在交付过程中，农民委托物流公司负责运输，同时通过物联网和区块链系统定位、监控产品。物流公司应将产品的最新情况上传至系统中。在处理器传播系统中的商品接收情况后，区块链系统会自动激活智能合约，处理器的银行账户会立即直接支付给金融机构。该支付过程完全由智能合同控制，无需手动操作，收据的确认是执行智能合同的触发点。政府还可以连接到该系统，来监控农业融资的整个过程。安全透明的实时信息为政府制定补充预算政策提供了数据支持。链中的所有利益相关者都参与并相互协调，以提高信息的透明度，降低各方风险。

三、基于机器学习的供应链信用风险评估建模

（一）样本采集及信用风险评价指标体系建设

1.样本收集

本文的样本数据来自Wind数据库。根据中国证监会监督管理委员会数据，本文选择农业中小企业（包括农、林、牧、渔业）作为农业供应链的核心企业进行研究。在选定的样本公司中，被中国证监会处罚或暂停交易等重大错误的样本为违约公司，标记为1，其他业绩良好的公司为正常公司，标记为0。

2.信用风险评价指标体系建设

研究信用风险的影响因素不局限于申请中小企业融资，还包括部分核心企业甚至各种供应链运行状况的核心企业、金融公司和供应链三个方面，具体指标如表1所示。偿债能力方面，主要借鉴衡量企业财务指标，如流动比率和速动比率等。获利能力则采用销售毛利率、销售净利率和总资产回报来衡量。运行能力则采用资产周转总额等来衡量企业资金运作情况。

表1 供应链 融资信用风险指标体系

（二）实验处理

1.数据预处理

样本选取40家中小型农业企业，其中违约公司8家，普通公司32家。普通公司的比例为80%，违约公司的比例为20%。正常实例与默认实例的比率是4∶1，因此采用smote平衡数据，它是一种从不平衡数据集构造分类器的方法。

2.模型拟合

（1）逻辑回归模型

ROC曲线能够查出任意界限值的识别能力。通过分别计算各个试验的ROC曲线下的面积（AUC）进行比较，AUC值越大，模型效果越好。表2显示了逻辑回归的混淆矩阵结果，表中可以看出逻辑回归模型的准确率和精确率表现良好。如图2所示，根据ROC曲线，计算AUC值为0.812。

表2 逻辑回归的混淆矩阵结果

图2 逻辑的ROC曲线

（2）支持向量机模型（SVM）

表3显示了支持向量机的混淆矩阵结果，表中可以看出支持向量机的准确率和精确度都优于逻辑回归模型。如图3所示，根据ROC曲线，计算AUC值为0.984，整体拟合效果和精确率优秀。

表3 SVM的混淆矩阵结果

图3 SVM的ROC曲线

（3）随机森林模型

表4显示了随机森林的混淆矩阵结果，表中可以看出随机森林的准确率和精确率与支持向量机模型大致相同。如图4所示，根据ROC曲线，计算AUC值为0.953，整体拟合效果良好。

表4 随机森林的ROC曲线结果

图4 随机曲线的ROC曲线

四、结论

本研究开发了农业区块链技术，并测试了逻辑回归、支持向量机和随机森林三种机器学习模型。其中，支持向量机模型具有较高的AUC值，模型分类正确的可能性较高，但随机森林的拟合结果更稳定。在没有先进的数据处理方法下，各模型拟合的精确率和AUC值都十分优异，充分证明了可行性。以上结果证明了不论是随机森林，还是SVM及逻辑回归模型，都可用于企业信用风险评估。其中，随机森林和SVM使用效果更佳。通过测试，机器学习将成为完善农业中小企业风险评价体系的有效解决方案。区块链作为一项基础技术，将在农业供应链金融中发挥支点和桥梁的作用，为进一步应用提供透明、安全、信息量高的供应链金融平台。