基于AHP-FCE的农业种植生产基地征信评价模型

罗钛龙，潘守慧，祝清震,4，王志彬，王开义*

(1黑龙江八一农垦大学电气与信息学院，大庆 163319；2北京农业信息技术研究中心，北京 100097；3国家农业信息化工程技术研究中心，北京 100097；4西北农林科技大学机械与电子工程学院，咸阳 712100)

中国统计局2017年公布的数据显示，我国农业生产基地数量众多，但这些生产基地发展水平参差不齐，其中生产经营管理不规范是较为突出的问题，在一定程度上会引发农产品质量安全问题，对人们的健康安全构成潜在威胁[1-2]，同时也削弱了我国农产品在国内外市场上的竞争力[3-4]，以上问题已经引起了广大消费者和政府部门的重视。研究发现，对农业生产基地进行征信评价，可为消费者提供公正、客观的信息，优化社会公众的消费选择[5-7]，同时也可为企业展示形象、提高竞争力、扩大市场份额提供支撑，有助于提升农业生产基地的规范化管理水平和效益[8-9]，因此开展与农业生产基地相关的征信评价系统的算法研究具有重要意义。

迄今为止，征信评价方法大致经历了比率分析、统计分析和人工智能3个发展阶段。由于征信评价过程存在着模糊性，如信用数据的模糊性、信用等级边界的模糊性等，一些基于模糊集合理论的评价方法被逐渐引入到征信评价中[10]。近年来，国内外学者利用层次分析法(Analytic hierarchy process，AHP)[11]与模糊综合评价法(Fuzzy comprehensive evaluation method，FCE)[12-14]进行征信评价的研究较多[15-20]，如Li等[21]利用多层次模糊云模型改进了STSMEs融资信用综合评价方法；Oktay等[22]将模糊层次分析法用来作为抵押需求者可信度的评价模型，为银行提供贷款前提供了标准决策；Joshua等[23]利用模糊层次分析法确定了多标准决策系统中信用评分模型的指标权重。目前，在国内外学术界和产业界中，专门针对农业生产基地征信评价的研究尚处于起步阶段，相关文献报道较少，针对农业生产基地的征信评价主要依赖于农业领域专家的经验判断，迫切需要构建科学的面向农业生产基地的征信评价模型。

为使评价结果更加科学合理，本研究根据AHP和FCE的自身特点，利用层次结构和定性指标模糊判断的优势，将AHP与FCE相结合并将其应用于农业种植生产基地的征信评价，构建基于AHP-FCE的农业种植基地征信评价模型，并对2017年度北京市农业农村信息化示范基地中的种植生产基地进行模型验证与结果分析，以期达到通过模型评价的结果与通过农业部示范基地标准规范评价的结果相吻合的目的，为农业种植生产基地的征信评价提供理论依据与数据支持。

1 基于AHP-FCE的征信评价模型

本研究的AHP-FCE评价模型如图1所示。首先利用AHP构建农业种植生产基地层次结构模型并确定评价指标体系，然后定量描述模型中各层次的相对重要性，建立层次结构模型，再通过数学方法确定各层次中各因素的权重，形成判断矩阵，最后综合计算各层次因素相对总目标的权重并进行一致性检验，作为模糊评价的依据。利用FCE进行模糊综合评价，首先根据AHP得出的指标权重计算指标的模糊隶属度，再计算综合评分，通过建立评语等级、评分标准得出农业种植生产基地的评价结果。

本研究在利用AHP对复杂决策问题进行深入分析的基础上，利用较少的定量信息使决策的思维过程数学化的特点，为农业种植生产基地制定一套简便的决策方法，以达到让原本只有专家才能够评判的指标模型化，极大提高评价效率的目的。同时AHP以定量形式表达人们的主观判断，可以减少人为主观因素带来的弊端，可使评估结果更加可信。但是AHP所确定的指标中有部分指标的评价范围是模糊不清的，无法做到量化，所以本研究采用FCE模糊数学思想，以隶属度来描述模糊界限并降低模糊性，将不易定量表达的元素数量化，再对评价对象的利弊层次进行区分，比较评价结果与实际情况的差距。

1.1 基于AHP-FCE的指标权重确定方法

1.1.1 构建评价指标体系

若要进行客观公正评价，需对种植生产基地构建征信评价指标体系，包括评价要素、评价指标、评价方法、评价标准、评价权重和评价等级，通常可利用AHP构建一个由目标层、准则层、指标层组成的递阶层次模型(图2)。一般情况下，确定评价标准与相关参数的基本原则是尽可能保持科学性、核心性、可操作性、动态性，并与通常惯例相符[24]，如一些评价标准可根据实际统计的平均水平，并结合国际惯例、地区差异、行业差距等来确定[25]。

1.1.2 构造判断矩阵

判断矩阵表示相对于上一层次的某一指标与本层次有关指标之间相对重要性的比较。设有n个元素参与两两比较，则M=(aij)n x n称为成对比较矩阵，如式(1)所示，aij>0，aii=1，aji=1aij，其中i，j=1，2，3，…，n，aij的值表示第i行要素与第j列要素的相对重要性，而当第j列要素比第i行要素更为重要时，则采用表达式1aij，如得分为1表示两个要素同等重要，得分为9表示与第j列要素相比，第i行要素极为重要，相关的详细标准如表1所示。

(1)

表1 判断矩阵中元素的相对价值标准

对M按列归一化处理，如式(2)所示：

(2)

矩阵按行相加，得到矩阵的行向量δ=(ω1，…，ωi，…，ωn)T，其中ωi的计算公式如式(3)所示：

(3)

根据式(4)对向量δ=(ω1，ω2，ω3,…，ωn)T进行标准化处理，求得矩阵M的特征向量W=(ω1，ω2，ω3,…,ωn)T，即为该层各指标权重。

(4)

根据式(5)求得矩阵M的最大特征根λmax。

(5)

其中，(AW)i为矩阵M与W乘积向量的第i个元素。

1.1.3 一致性检验

一致性检验是为了确定上述矩阵的计算误差，若通过一致性检验，则说明构造的矩阵科学合理，计算结果较为准确，其检验具体详细步骤为：(1)计算一致性指标(Consistence index)CI=(λmax-n)(n-1)，其中n为判断矩阵的阶数；(2)计算一致性比率(Consistence rate)CR=CIRI，CR<0.1时，一般认为判断矩阵的一致性是可以接受的，否则，应对判断矩阵作适当的修正。其中，RI(Random index)为判断矩阵的随机一致性指标(表2)。

表2 n阶判断矩阵体的随机一致性指标

1.1.4 计算指标相对总目标权重

在确定准则层判断矩阵的一致性后，对指标层构造判断矩阵并作归一化处理，同理利用步骤式(2)—式(5)可得到指标层各指标的权重，根据权重数值可求得指标层相对目标层的权重Wi。以指标层中指标i的权重W3i为例，其所属准则层的指标权重为W2i，那么可得到指标i相对目标层的权重Wi=W2i×W3i，从而确定了指标体系内所有指标相对总指标体系所占的权重。

1.2 基于FCE的模糊综合评价方法

1.2.1 建立因素集

在基于AHP方法确定征信评价体系各指标权重的基础上，采用FCE方法完成评价。首先建立准则层的因素集T={C1，C2，C3,…，Cn}，则指标层的因素集为C1={I101，I102，I103,…，I10i}，C2={I201，I202，I203,…，I20i}，……，Cn={In01，In02，In03,…，In0i}。

1.2.2 建立评语集

结合行业特点制定相应的评级标准，并依照综合评分按由低到高的顺序依次划分为n个等级，记为V=[V1，V2，V3,…，Vn]，同时邀请行业专家制定相应的评语集参数v，记为v=[v1，v2，v3,…，vn]。

1.2.3 确定指标隶属度

(6)

(7)

其中，r(Si)+表示正向指标隶属度，r(Si)-表示负向指标隶属度，Pi表示指标实际值，[Smin-Smax]表示依据行业标准确定的指标区间。

对于定性的指标，邀请有经验的相关从业人员根据评语集参数对各指标进行计分，从而确定定性指标的隶属度。

1.2.4 建立模糊关系矩阵与综合评价

首先对各项指标进行量化分析，然后对不同级别评语进行模糊化处理，得出指标层的单因素评价矩阵RC。将指标的权重与矩阵RC相乘进行合成运算，如式(8)所示。

B=WI×RC

(8)

根据式(8)可得到集合T中各子集的综合评价矩阵。

R=(B1,B2,…,Bm)T

(9)

根据式(9)，结合求得的权重向量，得到准则层对于目标层的模糊综合评价结果。

E=WCR=(e1,e2,…,en)

(10)

E是T的一个隶属度的结果向量，而最终评价结果是E和V相乘得到的代数值。

Z=EV=(e1,e2,…,en)(v1,v2,…,vn)

(11)

2 应用实例分析

为验证模型的有效性，选取北京慧田蔬菜种植专业合作社为模型验证对象，首先确定该农业种植生产基地对应的评价指标，通过AHP构造判断矩阵，计算得到每个指标的权重，根据权重向量对判断矩阵进行一致性检验。利用FCE确定指标具体量化分值，最终得出综合评分结果，并将评分结果与目前行业领域专家依据经验判断出的结果进行对比，从而验证该评价模型的可行性。

确定征信评价指标体系，应制定具有良好激励机制的信用信息征集制度。指标体系应包含多层评价因子，同时可对大量农业种植生产基地的数据进行统计特征的分析，以确定农业种植生产基地所具有的特征，如信用好的农业种植生产基地一般具有哪些特征，信用不好的农业种植生产基地一般具有哪些特征。按照农业种植生产基地征信评价指标之间的相互影响和隶属关系，构建层次结构模型(图3)。准则层由征信主体、生产经营、监督检查、质量检测、风险防控和公众反馈6部分构成，将准则层细化为具体的评价指标项，构成指标层。对各层指标项计算权重、计算量化分数，最终得出农业种植生产基地征信评价的结果。其中，准则层中各部分的选取依据如下。

(1)征信主体：以北京市农委(以下都简称农委)管理范围内的资格认证项目为准则，进行指标层的细化，如三品一标基地(无公害农产品认证基地、绿色农产品认证基地、有机农产品认证基地、标准化生产基地、标准化种养殖基地的简称)评定标准，农委项目完成情况等，挑选重点内容纳入到征信主体评价指标。

(2)生产经营：以农委监督的农业生产基地的上报信息为准则，按上报信息进行指标层细化，对上报频次、上报信息质量等内容纳入生产经营评价指标。

(3)监督检查：以农委监管框架内的执法项目为准则，对监督检查进行指标层的细化，如日常巡检及专项任务检查结果，对执法项目重要内容纳入监督检查评价指标。

(4)质量检测：以农委管理的检测机构的检测数据为准则，按检测项目进行指标层的细化，对重要的检测项目内容纳入质量检测评价指标。

(5)风险防控：评价该农业生产基地的风险值，按照一般、较大、重大、特大来区分事故的情况并纳入风险防控评价指标。

(6)公众反馈：针对公众服务平台、信用信息查询、黑名单公示、公众举报投诉等形式的重要内容纳入公众反馈评价指标。

为了清晰简明地描述模型验证过程，以北京慧田蔬菜种植专业合作社为例进行验证。首先对农业种植生产基地的准则层构造判断矩阵，并计算6项指标相对于目标层的权重(表3)。

通过归一化处理得到矩阵M的最大特征值为6.235，矩阵M对应的特征向量W=(0.328，0.328，0.164，0.060，0.060，0.060)T。准则层判断矩阵的一致性检验处理结果如下。

准则层有6个指标，n=6，查表2得RI=1.24；一致性指标CI=(λmax-n)(n-1)=(6.235-6)(6-1)=0.047，从而可得：CR=CIRI=0.0471.24=0.038<0.1，一致性检验通过。

本准则层的6项指标权重为W=(WC1，WC2，WC3，WC4，WC5)T=(0.328，0.328，0.164，0.060，0.060，0.060)T。

表3 准则层判断矩阵

同理上述过程，计算得出农业种植生产基地指标层各指标的权重(表4)。

表4 农业种植生产基地征信评价指标及其权重

结合农业种植生产基地的特点制定相应的评级标准，即依照农业种植生产基地综合评分的高低划分为V=[V1，V2，V3，V4，V5]=[(0,30)，(30，60)，(60，70)，(70，90)，(90，100)]五个等级,分别代表极差、较差、一般、良好、极好。一般取评分的中值作为评级参数向量,即评级参数向量为v=[v1，v2，v3,v4，v5]=[15，45，65，80，95]，如表5所示。

利用式(6)、式(7)，计算指标层中定量指标的隶属度并评级，如假设负向指标I601的隶属度为0.67，则对应的评级为V3，该等级的隶属度为1，其余4个等级的隶属度为0；邀请10名有经验的相关从业人员对指标层的定性指标进行评价，统计指标的评价等级频数(表6)。

表5 农业种植生产基地信用评级表

表6 评价等级频数

根据表6可以得到模糊关系矩阵。

根据式(8)得到准则层的单因素评价结果：BC1=WI101—111·RC1=(0.0971,0.2253,0.1554,0.2757,0.2465)。

同理得到BC2…BC6，从而可得总模糊关系矩阵R。

进而可得综合评价向量：E=WCR=(e1,e2,…,en)=(0.0318，0.1600，0.2164，0.2459，0.3459)，以及该农业种植生产基地征信评价分数：Z=EV=(e1,e2,…,en)·(v1,v2,…,vn)=74.2755分，评价结果为良好，信用等级为V4，说明该农业种植生产基地的信用较好。

以本研究模型验证的农业种植生产基地为例，对其评价结果进行分析。从准则层面来看，农业种植生产基地的征信主体属性在极好级别的隶属度为0.2465，在良好级别的隶属度为0.2757，根据最大隶属度原则，说明农业种植生产基地的征信主体属性为良好级别，具备标准化基地、有机农产品基地、绿色农产品基地、无公害农产品基地的认证资格，该结果符合2017年北京市农业农村信息化示范基地的评选标准；农业种植生产基地的生产经营属性在极好级别的隶属度为0.3516，在一般级别的隶属度为0.3094，根据隶属度最大原则，说明农业种植生产基地的生产经营属性为极好级别，生产经营的信息质量较高，符合该单位的生产实际情况；农业种植生产基地的监督检查属性在极好级别的隶属度为0.3703，在良好级别的隶属度为0.2502，根据最大隶属度原则，说明农业种植生产基地的监督检查属性在极好级别，在日常巡检及专项任务检查中成绩突出；农业种植生产基地的质量检测属性在极好级别的隶属度为0.2299，在良好级别的隶属度为0.5354，根据最大隶属度原则，说明农业种植生产基地的质量检测属性为良好级别；农业种植生产基地的风险防控属性在极好级别的隶属度为0.5450，在一般级别的隶属度为0.2125，根据最大隶属度原则，说明农业种植生产基地的风险防控属性为极好级别，出现事故的频率极低；农业种植生产基地的公众反馈属性在极好级别的隶属度为0.7062，在一般级别的隶属度为0.1008，根据最大隶属度原则，说明农业种植生产基地的公众反馈属性为极好级别，在公众心目中的地位较高，信用极好。

为验证本模型评价结果的准确性和有效性，将本研究模型计算出的评价结果与农业部示范基地标准规范评价的结果进行对比，发现结果趋于一致。

3 讨论与结论

目前针对农业种植生产基地领域的信用评价研究少见报道，与其相似的综合评价多见于银行信贷与物流领域。作者及其团队通过对大量农业种植生产基地数据的统计分析，总结出农业种植生产基地的自身特点，确定了农业种植生产基地在信用方面的特征，并构建了农业种植生产基地征信评价指标体系。在征信评价的过程中，利用AHP方法确定指标权重，其结果具有准确性、稳定性与可解释性。值得注意的是，征信评价指标体系越详细，对农业种植生产基地的信用评价越准确，但是可操作性必然降低，因此应在保证可操作性的条件下尽量细分评价指标。利用FCE进行综合评价，能够将模糊边界性的问题量化处理，如农业种植生产基地的生产水平、投入品使用情况等问题，都能给予科学客观的评价，最大限度地避开人为主观因素，使评价结果更为准确可信。

本研究构建的评价指标体系希望可以普遍适用于其他种类的农业种植生产基地，但目前尚未对其他类型的农业种植生产基地进行研究，作者将在接下来的研究中继续该项工作。目前，本研究尚未对其他地区的农业种植生产基地进行模型验证，仅对北京地区部分农业种植生产基地进行了验证，所以该模型还需要不断完善，并对其普遍适用性进行加强，以满足对多种类农业种植生产基地征信评价的需求。

由于征信指标体系中含有模糊因素的指标，如投入品质量及使用情况、标准化基地抽检、农产品质量追溯情况等，针对此问题，本研究首先利用AHP方法确定了各项指标的权重，然后利用FCE方法建立评语集，确定隶属度，构造模糊关系矩阵，对其进行量化计算，用严格的数学语言来表达和分析，最大限度地减少了人为主观因素带来的弊端，从而使农业种植生产基地的征信评价结果更为可靠并取得更好的实际效果。

本研究在分析了农业种植生产基地的特征、行业背景及标准的基础上，构建了以征信主体、生产经营、监督检查、质量检测、风险防控为准则，可适用于种植类型生产基地共计30余项具体指标的信用评价指标体系。该指标体系可为科学合理评价农业种植生产基地的信用状况提供支撑，其评价结果也可对农业种植生产基地规范化管理、改造和决策提供借鉴和实践基础。