一个基于知识的神经网络,集成模糊的AHP和PCA用于中小企业信用风险评估
Tao Li1,2, Majid Khan Majahar Ali3
1Weifang University of Science and Technology, Weifang, 262700, China.
Scientific reports
|October 29, 2025
概括
本研究引入了一个基于知识的神经网络,以改善面临数据短缺的农业中小企业的信贷风险评估. 这种新的方法有效地整合了专家知识,在具有挑战性的金融环境中增强了人工智能应用.
科学领域:
- 农业经济学 农业经济学
- 人工智能的人工智能
- 金融风险管理 金融风险管理
背景情况:
- 对农业中小企业的信贷风险评估受到信息不对称和数据稀缺的阻碍.
- 传统的信用风险模型在这些特定环境中经常被证明是无效的.
- 需要先进的方法来应对这些挑战.
研究的目的:
- 开发和验证一种基于知识的新型神经网络,用于农业中小企业的信用风险评估.
- 克服数据稀缺性和信息不对称性所带来的局限性.
- 为金融机构提供一个运营决策支持工具.
主要方法:
- 一个双阶段模型,将模糊的分析层次过程 (模糊的AHP) 和主要组件分析 (PCA) 与神经网络相结合.
- 模糊的AHP量化了202个利益相关者的专家判断,并将其转化为培训标签的风险分数.
- 在训练神经网络以复制专家决策逻辑之前,PCA用于缩小维度.
主要成果:
- 模糊的AHP将"财务状况"和"发展规划"确定为最关键的风险主题.
- 基于知识的神经网络在一个独立的测试集上实现了极高的预测准确性.
- 获得了大约0.0100的根平均平方误差 (RMSE),表明模型性能高.
结论:
- 将专家知识与机器学习融合为数据稀缺环境中的信用风险评估提供了一种高度有效的方法.
- 开发的模型是农业中小企业的有价值的决策支持工具.
- 这项研究为AI应用在信息不对称的金融环境中提出了一个新的范式.