互联网金融系统性风险分析与度量研究

赵昕

[关键词]互联网；金融；系统性；风险；分析与展望

1 引言

随着P2P网贷行业的兴起，P2P在我国得到了较快的发展，但随着而来的风险问题逐渐引起了政府管理部门、企业和国内外学者的高度重视。

在金融危机爆发之前，对于系统性风险的度量主要沿着综合指数法和早期预警方法两条技术路线展开。在指标构建适当的前提下，早期预警方法预测系统性危机的效果较好。但是，其实现准确预警的前提条件是基于历史上的金融危机能够实现对系统性风险触警事件的准确定义。这使得该方法在尚未发生过真正意义上金融危机的发展中国家的应用受到限制。金融危机爆发之后，随着宏观审慎监管理念的提出，对于系统性风险的识别和评估方法的探讨也逐渐深入。一方面，对于系统性风险评估的数据不仅基于资产负债表的数据，而且针对债券市场和股票市场上高频和时效性较强的数据开发了一系列度量模型。另一方面，针对金融危机前较多围绕着宏观经济对金融体系影响的局限性，度量系统性风险的视角逐渐放开，更多地考虑金融体系内部关联性和传染性度量。

本文提出了一个针对互联网金融系统性风险的度量模型，该模型结合了综合指标法，以及压力测试法，通过构建指标体系来全面考察P2P网贷行业系统性风险的影响因素，并根据不同状态下的宏观因素来分别考虑在各种压力下P2P行业系统的稳定性，对互联网金融系统性风险管理具有重要的理论意义和实践价值。

2 文献综述

国内外许多学者对金融风险管理已经进行了深入研究，取得了一批重要的研究成果。Akerlof （1970）、Stiglitz和 Weiss（1981）认为由于信息的不对称性导致借贷市场的危机，从而引发逆向选择和道德风险的问题，如2008年美国金融次贷危机。Sunday Telegraph（2006）认为最大的问题是：不能有足够的资金去满足众多借款人与贷款人的要求及管理层的指责，有些网络借贷实行“零利率”，但这势必会引发平台的经营问题，成本无法得到补偿。同时，有些学者发觉了信息在风险把控问题上体现的尤为突出，Stiglitz（1981）出现代经济理论认为信息决定了借贷市场的成败，由于在进行借款人开发的过程中需要这些个人信息，甚至这些信息成为贷款人十分关心的问题，虽然这些信息的部门仅限于可信度高的部门如银行和信用管理机构，但问题是使个人隐私曝露在每一个可能的贷款人甚至是整个网络的使用者下，势必会产生信息暴露的风险，为不法分子供钻空子的可能。以上这些金融风险管理传统研究对互联网金融风险管理具有重要的借鉴意义。

在互联网金融风险管理方面，王艳、陈小辉、邢增艺（2009）认为网络融资存在放贷资金安全难以保证，利率水平超法律保护范围以及容易危及社会稳定等诸多问题。陈初（2010）、陈静俊（2011）认为网络借贷风险及对其的监管与引导，可能出现重要信息泄露的情况，贷款用途难以核实，不排除有借款者将借入资金进行高风险投资的可能。官大飚（2012）分析了我国 P2P 网络借贷运营过程中存在的诸如贷款资金链断裂引发信用风险、挪用第三方账户资金造成操作风险、资金诈骗导致声誉风险，以及可能弱化政府宏观调控政策效果等风险问题，并提出建立联席会议制度共同监管、建立网络借贷信用评价体系、建立 P2P 借贷资金第三方存管制度、建立P2P网络借贷资金监管体系和探索区域发展模式等P2P 网络借贷监管对策。张昭，朱峻萱，李安渝（2015）基于层次分析法构建了我国P2P 网贷行业综合评价体系，并在此基础上对网贷行业发展较快的的企业进行了实证分析，为该领域定量化指标体系的研究中打下了基础。

综上所述，现有的研究对互联网金融网贷的研究视角各异，不同国家的研究也反应出各国发展的特色。而针对互联网金融中P2P网贷行业系统性风险研究却很少，由于P2P 网贷行业系统性风险对整个行业有着至关重要的作用，并且是一个较为复杂的度量过程，涉及的影响因素较多，以上研究正是为 P2P 网贷行业系统性风险分析研究奠定了一定的基础。

3 P2P行业系统性风险模型构建

本部分通过指标体系的构建，并结合着回归预测测度了整个行业系统性风险，同时，在测度风险的基础上，为行业的风险指数进行预警。模型充分结合了宏观因素，以及个体经营状况的影响，全面细致的剖析了整个行业的状况。

该模型从具体对象出发，考虑行业整体，从投资人群体，P2P网贷行业，借款方群体，风险投资方这四方面的资金流向来测量P2P网贷行业的整体系统性风险。由于P2P网贷行业最重要的就是平台流动性资产，这包括平台通过利差获得的利润，以及平台通过风险投资获得的资金。这些资金一方面要补贴平台的运营成本，主要包括获客成本，人力成本，日常开销等，另一方面将作为借款人违约而造成的坏账并对于出资人的垫付，通过模型计算，一旦资金出现短时间内的大量减少，那么就有理由认为P2P行业可能存在一定程度的系统性风险。

3.1 基本假设

由于不同平台经营模式各异，有些具有第三方资金托管平台，第三方担保机构等，但是这些做法并没有从根源上消除流动性风险，只是将风险进行转移，比如资金托管，这种说法通常只是一个噱头，实际的资金账户只不过是由平台在其他公司开设了第三方账户，仍对资金拥有控制权；而对于第三方担保，由于这些有资质的担保公司拥有较全用户信用数据，由其进行担保可以在一定程度上降低坏账率，减弱流动性风险，但是对于雇佣第三方担保需要支付一定的费用，所以从整体上看，平台并没有因此获益更多，所以在此模型中，可以简化考虑，把P2P网贷平台的定义扩大化，忽略第三方模式，将资金的中间过程全部当成P2P平台之间的流转，因此风险也就全部作用于之上P2P网贷平台之上。

由于要从某一天为基准来预测未来三十日的资金状况，包括未来三十日的投资量，实际还款量，运营成本，模型中需要确定宏观经济因子和加权后整个系统的经营因子，由于这些指标每天都会发生变化，应当选取当天的值来作为未来三十日的特征值，之所以这样做，一方面是因为对于特征量而言未来的情况是不可预知的，因而不能从当天既定的数值来预测后三十天的情况；其次，由于市场的滞后性，比如，当前一阶段的股票市场利好，往往会在下一阶段反映出P2P网贷行业的萧条，资金周转是需要时间的。基于此，我们选取时间周期始点的特征量的值是合意的。

在迭代过程中，每个周期的成交量，风投量，运营成本均与第一个周期的预测值相同。由于为了将风险效应放大，单纯的看三十天的效果并不明显，虽然有可能出现损失，但效果或许是微小的，因而增加迭代周期，也就是为了把这种可能存在的风险放大化。同时，预测模型只能预测一个周期，后续迭代周期的成交量等仍是未知的，但由于不能利用预测的结果再次进行预测，所以本研究粗略的将未来的迭代周期的未知资金量等同于第一个周期的估计值，因为该模型只要在数据充足的情况下，每天都可以执行一次，预测的结果也会随之更新，前一天的操作只是对该天的风险状况的度量，目的也就是为了将当天的风险效应放大，并不会影响到后一天的结果，因而，可以对周期资金状况进行复制。

3.2 模型建立

P2P网贷平台系统性风险建模分为以下九个步骤。

3.2.1确定整个P2P网贷平台体系经营状况加权值

在确定经营状况加权值的时候，需要对选定多家的平台，分别确定其个体经营风险值以及相应的平台体量（平台的历史成交量总和）。该数值在后续投资量的预测中频繁用到。具体计算公式如下：

3.2.2预测未来三十日成交总量

成交量指的是投资人向平台投入的资金，在预测后三十天的资金投入总量时我们选用计量中的多元线性回归模型进行预测。如上文所说，选取三年期存款利率，宏观经济一致性指数，上证股票指数，上证基金指数，上证企债指数，上证国债指数和经营状况加权值作为回归模型中的指标。利用测度日前T个时间周期（30天）作为模型的训练，并根据假设5.3.2，将当天的指标数值作为预测的输入来对未来三十日的投资量进行预测。通过训练可得如下线性模型。

3.2.3预测未来三十日的风险投资量

由于风险投资也具有一定的时间序列的特性，同样按照上文阐述，直接影响风险投资量主要是平台的经营状况以及宏观经济的大形势，同时随着P2P网贷行业的走红，越来越多的风投开始青睐这个行业，所以看高整个行业的风投量是很合理的，在预测模型中，依然选用计量中的回归模型，原理同上，因而对于未来三十天风投量可得如下模型。

3.2.4计算未来三十日的运营成本

根据上文描述，可以根据历史的运营成本和平台总的流动性资产的对应情况采用指数小于1的幂函数进行拟合，同时，为了计算未来三十日成交量的总和，用月初的总流动性资产来估计这一个月的运营成本，所以有如下关系。

3.2.5坏账率的度量

经调研，以及查阅书籍文献资料，目前P2P网贷平台并没有一个坏账率的精确统计，各家平台只能给出一个的值，而且在统计的手段上也存在着真实性问题，所以当考虑整个体系时，先有一个行业基准的坏账率的估计值，并通过个体经营风险值对该参考值进行修正，得到每个平台相对准确的估计值。我们可以按照成交量的不同对个体坏账率进行加权，从而得到综合坏账率br。

对整个系统中不同平台的坏账率进行修正：

计算某一时间周期系统的整体修正值：

3.2.6计算三十日应归还量

由于坏账率的大小直接导致归还资金的数量，可以根据平台对于投资人群体累计待还金额与平均还款期限，算出平均每日待还，再用平均每日待还*30得到30日累计待还，即R30。根据平台的平均利率得到投资人群体投入的初始资金，再利用平台获得的利差，计算可以得到借款人三十日内应归还平台的款项数量，而实际的归还受限于平均坏账率，因而可以得到借款人群体三十日应归还金额。

3.2.7根据上述变量的确定，计算三十日后的流动性资产

由上文中的计算规则，以P2P网贷平台系统为中心，流入的资金流为正，流出的资金流为负，计算三十日后的平台系统总的流动性资金。

3.2.8多轮迭代放大风险效应

根据上文假设，迭代n个周期，每次迭代都会对值进行更新，最后计算出n次迭代后的平台当前的流动性资产。

3.2.9根据预警信号定级

通过n个时间周期（30天）的迭代，得到未来一段时间的流动性资产的预后，需要与当前的流动性进行对比。采取比值的方法，并对最终的结果进行风险定级，定级的结果如表1所示。

在数据充分的情况下，通过该模型的测算可以得到整个P2P网贷行业在某一个时间点的风险效应，风险值越高就越需要提高警惕，越有可能在短期内造成系统性风险的爆发。根据测算结果，政府可以出台具有针对性的应对措施，尽可能的将系统性风险的爆发遏制在摇篮之中。

4 情景模拟

本研究主要考虑两个因素的两种情况，对于宏观状况，分为良好和低迷；对于行业整体经营状况，分为良好与低迷。通过宏观情况及行业经营性情况等两个因素的两种情况，可以将实际情况划分为四种：

情景A：宏观状况良好，行业整体经营性情况良好；

情景B：宏观状况良好，行业整体经营性情况较差；

情景C：宏观状况低迷，行业整体经营性情况良好；

情景D：宏观状况低迷，行业整体经营性情况较差。

在情景模拟之前，根据参考资料和业内人士访谈得出各定量数据指标在现有宏观经济条件下所可能具备的最大值与最小值，在此基础上，按照现有指标下的实际数据最大值放大到；最小值缩小到；分别计算出放大比例与缩小比例。将两个比例分别于当下该指标实际数据相乘即得到在当前宏观经济条件下的行业最优仿真数据与最差仿真数据。经过该种处理方法，可以确保数据均为正数，且体现出了因为企业自身差异导致的排序，属于在现实条件下的合理仿真结果。

依据前节提出的模型进行情景模拟，模拟的结果如图1-4所示。

通过上图所示，当某一种情形确定的情况下，可以发现当前的流动性资产虽然在一定程度上影响了系统性风险的程度，但大体上变化趋势比较平缓，并不会导致系统发生骤变。同时很有趣的一点在于经营状况良好的时候整个系统是不存在风险的，且预警信号值呈下降趋势，反之，当经营性风险较大时，预警信号呈上升趋势，这个原因主要在于，运营成本是流动性资产的指数函数，所以在流动性资产的迭代过程中，并不是呈线性变化的。

从具体数据的角度来看，当其它指标值不变，当前行业总流动性资产在100-160亿元间波动时，发现A条件下，行业系统性风险最低，其次是C、B、D。并且可以看出即使在宏观情况不乐观的情况下，由于经营状况良好，P2P网贷行业处于无风险的状态，而经营不好的情况下，P2P网贷行业会处于高风险区域。同时，A和C情境下，在经营乐观的情况下，由于流动性资产的增大导致系统运营成本的大规模增加，导致系统性风险随着流动资产增多反而增加。

未来三十日待还金额反应了P2P网贷系统的负债能力，金额越高伴随着系统性风险也就越高，反之同理。从上图也可以很好地看出，每一条线都随着待还金额的增长，风险预警信号值越低，从而风险度也就越高。同时，蓝色与红色两条直线的间距反应了经营状况的差异，蓝色与绿色直线反应了宏观状况的不同，所以很明显的发现经营状况的影响程度远大于宏观状况对于系统性风险的影响的，而且当经营状况不佳的时候，系统性风险就会处于一个十分高的状态，因而为了有效降低系统性风险最根本的还是应该从控制经营风险上做文章，尽可能削弱个体经营风险的影响力度。

从数据上来看，累计待还金额在160-220亿元之间波动时，四种情景下系统性风险都随着待还金额的增加而增大，其中同样的，在累计待还金额增加的过程中，整体系统性风险情况是A情境下最小，其次是C、B、D。

综合利率反应了P2P网贷平台的平均借款成本，综合利率越高，伴随着借款人的信用违约风险就会越高，当出现大量借款人因为过高的贷款利率而无力偿还时，就会出现大面积的违约现象，造成平台流动性问题，从而引发系统性风险。从上图几条曲线的趋势上看，风险预警信号都随着综合利率的提升而减小，也就是说风险在逐渐变大。与前两种情况不同的是，几条线的位置发生了改变，红色与绿色的相对位置进行了交替，所以对于综合利率的变化而言，宏观状况要比行业整体的经营性的影响力度更大。其次，之所以是曲线，主要是由于在计算过程中综合利率作为一个比例式导致其与风险预警信号为非线性关系。

坏账率是P2P网贷平台最为机密的数据，由于当下的P2P网贷行业存在信息不披露的问题，导致外界很难了解到真正的经营状况。但经专业人士透露，行业坏账率平均也要到十几个百分点，所以将坏账率控制在12%到24%变动是合理的。由上图可以看出，随着坏账率的提高风险预警信号下降，系统性风险升高，而且根据不同颜色线之间的间距可以看出经营性风险的影响机制同样要高于宏观状况的影响力度的。

根据具体数据来讲，坏账率在12%至24%范围内波动时，同样是宏观情况好时风险越小，最好的情景为A，其次为C、B、D。

5 结论与展望

本文从P2P行业的实际情况出发，提出了一个针对互联网金融系统性风险的度量模型，该模型结合了综合指标法，以及压力测试法，通过构建指标体系来全面考察P2P网贷行业系统性风险的影响因素，并根据不同状态下的宏观因素来分别考虑在各种压力下P2P行业系统的稳定性，对互联网金融系统性风险管理具有重要的理论意义和实践价值。

参考文献

[1] Akerl of， G.A.， （1980）， “A Theory of Social Custom， of Which Unemployment May Be One Consequence”， Quarterly Journal of Economics， Vol. 94， 749—775.

[2] Joseph E. Stiglitz，& Andrew Weiss. （1981）.Credit Rationing in Markets with Imperfect Information. The American Economic Review， Vol 71， Issue 3， 393-410.

[3] 官大飚. （2012）. 我国P2P网络借贷发展存在的风险及其监管对策.台湾农业探索， 5， 61-64.

[4] 张昭， 朱峻萱， &李安渝. （2015）. 我国 P2P 网贷行业综合评价体系研究.海南金融， 3， 009.

（编辑/周洋）