Maturity-aware credit governance in digital agricultural finance: leakage-free selective fusion for agri-food SME risk assessment
Ying Wei · Yanjiao Liao
提出成熟度感知的选择性融合框架DAF-XCredit，用于农业食品中小企业信贷风险评估。
融合贷款记录、历史先验与滞后农业数据，用SBA 7(a)贷款和USDA数据做时序
所选模型AUC达0.9497，校准误差低，但相对仅贷款模型AUC提升不显著。
可探索成熟度感知融合在动态信贷治理与可持续农业融资中的可解释性与公平性。
方法新颖、数据规模大且校准严谨，对农业数字信贷风控有直接参考价值，值得进入每日精选。
引言 数字农业贷款机构需要这样的风险估计：当贷款结果成熟缓慢、情境数据在不同时间可得时，这些估计仍然可信。本研究提出DAF-XCredit，一个面向农食中小企业信用风险评估的成熟度感知选择性融合框架。方法 DAF-XCredit在固定的5年核销目标下，将审批时的贷款记录与结果可观测的历史先验及滞后的农业情境相结合。对按时间顺序的折外基础分数进行校准，并由2014—2015年验证队列选择最终融合模型所使用的来源模块。实验使用2000—2019年批准的67,114笔美国小企业管理局7(a)农食贷款公开数据及关联的美国农业部数据。未触碰的2016—2019年测试队列包含12,339笔贷款。结果 在五个随机种子下，所选贷款加农业模型达到AUC为0.9497 ± 0.0004，召回率为0.6425 ± 0.0080，F1为0.4357 ± 0.0036，Brier分数为0.02356 ± 0.00005，等宽期望校准误差为0.00272 ± 0.00022。在受评估模型中，DAF-XCredit取得了最高的AUC、召回率和F1，以及最低的Brier分数和等宽校准误差，而M1和M5分别领先PR-AUC和KS。种子2026的DeLong检验发现，与仅贷款模型相比，AUC差异无统计学显著性（p = 0.254）。州—年聚类重抽样得到的校准斜率为0.990（95% CI 0.897-1.090），决策曲线显示在0.05—0.30阈值范围内具有正净收益。讨论 成熟度感知的来源选择、校准、SHAP分析、稳定性重抽样和子组审计为农业信用治理提供了一个可审计框架。该方法可支持面向可持续性的融资决策，但其本身并不确立可持续性结果。