互聯網金融風險誘因和嚴重程度的識別

吳珂 謝晉雯

內容摘要：本文引入Altman-Z值評分模型對互聯網金融風險進行深入刻畫，采用定量方式計算了當前16家主要的上市互聯網金融企業的風險水平，并根據計算結果針對性地提出控制風險的建議。本文研究結果可以豐富現有互聯網金融行業風險識別及控制方法，同時從理論層面進一步完善了Z值評分模型在互聯網金融風險識別上的應用。

關鍵詞：互聯網金融 風險識別 Z值評分模型

當前，金融行業與互聯網行業的相互融合促進了互聯網金融這一新興概念的發展，但同時也帶來了更大的監管壓力。借助互聯網的廣泛傳播性，金融行業的融貸業務可以在更大范圍內開展，但因此也引入了大量信息不夠公開的劣等客戶，而互聯網企業所開展的網絡借貸、眾籌等新型金融模式，存在大量審核不嚴格、法律支持不到位、信貸產品透明度較低的問題。簡而言之，監管體系的缺位導致互聯網金融行業的種種亂象，進而引發了系統性金融風險，這一類金融風險不同于傳統的來自于銀行、保險、信托等部門的風險，而是包含了網絡信息風險、信用道德風險及法律風險的綜合性風險。對互聯網金融風險進行有效識別，必須要從其誘因入手，進而判斷不同風險的嚴重程度，才能疏通互聯網金融行業發展渠道，使之向更有利于國家經濟發展的方向邁進。

文獻綜述

馬慧子等（2016）研究了我國當前互聯網金融發展的情況，認為現有的發展水平是一個動態衍變的過程，研究中還對我國互聯網金融中存在的主要風險類別進行了分析，認為該行業主要包含的風險有信用風險、道德風險、信息科技風險和長尾風險，這是互聯網技術與傳染金融相互滲透而促發的風險類別。胡錦娟（2015）進一步對互聯網風險的產生機理進行了分析，其研究表明，互聯網本身的復雜性放大了傳統金融風險，并滋生了新型的復合型風險，原因在于互聯網的高信息吞吐量可以快速延伸負面信息的維度，使得金融風險的爆發期被進一步縮短，無法進行有效的調控和制約，且互聯網金融產品的消費者具備無國界、涉眾性、不確定性的特點，也使得互聯網金融風險的蔓延更加難以防范。也有學者試從法學與金融學的角度入手試圖化解這一問題，錢磊（2017）考慮了現有互聯網金融行業中審慎監管和法律法規的缺失，從法律面臨的困境入手，強調了改善互聯網金融行業，化解互聯網金融風險，必須依賴法律的支持。

從另一個角度而言，互聯網金融發展中產生的大量風險也必然伴生大量額外收益，鄒新穎（2017）從博弈經濟學出發，構建了互聯網金融的收益模型，該研究以余額寶為主要考察對象，分析了互聯網金融風險與收益的伴生關系，認為互聯網技術可以做到在化解風險的同時促進消費者的資金收入。劉芬華等（2016）也持有類似的觀點，其研究從互聯網金融的創新體征出發，認為金融模式和功能的創新可以改變傳統金融中資本循環的周轉規律，使得信息不對稱問題得到進一步改善，進而化解互聯網金融面臨的泡沫風險衍生，創造更高收益。上述研究的核心觀點均認為，化解風險有助于改善互聯網金融行業所面臨的風險，但現有研究中對于互聯網金融風險的識別模型仍然比較匱乏，張小茜（2017）在文章中利用Altman-Z值評分對企業破產風險進行評估，并充分識別了相關風險的產生原因，這一方法也可以遷移到互聯網風險的識別中，本文正是基于Z值評分模型構建了對于互聯網金融風險的評估模型。

Z值評分模型的構建

Z值評分模型是一種廣泛運用于測度企業破產風險的方法，衡量了某一企業距離破產之間的客觀距離，同時也被視作企業面臨的風險程度及穩定度的量化評估方法。具體而言，某一公司面臨的Z值越大，所對應的風險級別越低；面臨的Z值約小，所對應的風險級別越高。由于Z值評分模型具備多種變形形式，本文采用了ZETA信用評估等級模型，這一模型中包含5個有效變量，均來自企業的財務指標，即流動變量、杠桿變量、盈利變量、償還變量及運營變量。構建Z值時首先需要進行樣本選擇，然后對不同財務指標分類到上述變量中，并對各個指標和變量進行一一對應，進而對統計模型進行估計，最后對模型進一步修改和優化，從而得到對某一企業的風險識別。

進行指標對應時還需要注意到某些準則，包括函數的顯著性、檢驗變量間的關聯水平、預估變量間精確度，從而對變量進行小幅調整，模型如下所示：

Z=1.2 X1+1.4 X2+3.3 X3+0.6 X4+0.999 X5 （1）

公式（1）中，X1為運營資本與總資產的比值，X2為留存收益與總資產的比值，X3為稅前利潤與總資產的比值，X4為股權市值和總負債的比值，X5為銷售收入和總資產的比值。該五個有效變量有其特定含義，X1作為企業運營投入的表征量，體現了企業資產與現金的轉換能力，也可以被視為企業的貼現水平，企業在總資產中投入更少的運營資本，其對于債務的償還能力就越差，潛在的債務違約風險也越高；X2作為留存收益的表征量，體現了企業在進行股利分配后的利潤剩額，是對企業應收能力的最好說明，企業存留收益越低，可用于投入進一步發展的資金量越小，其潛在的破產風險越大；X3反映了稅前利潤水平，是公司利潤的直接性指標，同樣體現了公司盈利能力，從風險層面而言，X3越小，則說明企業潛在的經營風險越大；X4估測了企業的內部財務構成水平，是典型結構性指標，股東權益所對應的市場價值越低，則說明市場對于該企業權益的認可程度越低，反映了企業的真實價值較低，賬面市值比接近于1，那么也具備更高的潛在經營風險；X5則是企業資產的周轉率指標，用以分析企業現有資產的使用水平，企業的資產周轉水平越低，其潛在的經營風險也越大。公式（1）中各個變量的權重是根據Altman（2000）的經典ZETA模型的相關論述所設置的，該模型還具備如表1所示的風險識別方法。

可以看到，當z值高于2.675時，說明相關企業的風險程度較低，財務狀況較為穩健，z值低于1.81則說明企業的財務狀況較差，風險程度較高。而在灰色區間內，說明企業財務狀況存在不確定性，因而需要進一步觀察企業的財務水平。

基于Z值評分模型的互聯網金融企業風險識別

本文收集了我國16家主要的上市互聯網金融企業的相關財務數據，企業的選取參考了中證互聯網金融指數的構成，相關企業的數據來自Wind數據庫和同花順數據庫，這16家企業為：東方財富、中國平安、同花順、宜人貸、大智慧、中國信貸、瑞茂通、世聯行、奧馬電器、恒生電子、騰邦國際、新力金融、聯想控股、昆侖外圍、海立美達、怡亞通。企業的構成較為復雜，除傳統互聯網金融門戶型企業外，大量制造業企業也入局互聯網金融這一領域，但也從側面證明了本研究的Z值評分是具有廣泛價值和應用范圍的。

本文首先根據2013-2017年16家公司的財務數據計算出互聯網金融行業的財務數據均值，均值財務數據的描述性統計如表2所示。將表2中所述數據代入公式（1）進行Z值求解，根據參數意義分別替代模型中的各個變量，得出的2013-2017年互聯網金融行業的相關參數如表3所示。

根據計算結果可以繪制出如圖1所示的Z值走向圖。如圖1所示，總體上我國互聯網金融行業風險水平處于一個逐步走高的過程中，表1的判別水平中已經說明，當Z值大于2.675時，行業的整體風險水平較低，我國互聯網金融行業在2013、2014及2016三個年度達到了這一水平。當Z值小于1.81時，行業已經處于高風險區間，2017年度互聯網金融行業正好處于這一區間，這也與實際情況相吻合。自2016年中國證券互聯網金融指數首次低于上海證券交易所指數以來，互聯網金融概念股票的表現逐漸走低，根源性的問題就在于互聯網金融風險集中爆發，并在2017年產生了較強波動。整體趨勢上而言，互聯網金融在經歷2013-2015年的高速發展后，其風險不斷累積，推動整體財務數據出現結構性問題，如果不及時對現有風險進行規制，可能造成更大的不良影響。誘發互聯網金融行業風險的核心因素究竟是什么？本文根據歷年參數X1-X5與時期內均值的比例進一步分析這一問題，在對各個參數與均值進行求比計算后，再與Z值進行求比，該值即為風險貢獻的ZETA值，是衡量參數對總體風險貢獻的主要指數，該比值越接近于1，則表明對于風險值的偏離程度越小，影響程度越大。計算結果如表4所示。

結合上文中對各參數的定義，可以看到ZETA5是最為接近于1的值，說明該因素極大程度上誘發了風險的產生。該變量代表了企業的周轉率水平，換言之，我國互聯網金融行業普遍存在資金周轉效率過低、無法有效使用資本進行運作的問題，目前的互聯網金融概念剛剛興起，入局該產業的企業往往帶有此前主要經營項目的一些慣性思維，互聯網公司在傳播和資金吸納方面具備較強能力，但缺乏有效的資金管理能力，而傳統金融公司進行互聯網金融架構時，無法有效同步運作線上和線下金融產品的資源，導致了風險累積。

ZETA4的值為1.108，也極為接近1，這說明企業的內部財務架構有較大問題，作為典型的結構性變量，ZETA4所誘發的結構性風險更勝于ZETA5引發的管理性風險，同時也說明現有互聯網金融概念被過度高估，導致企業的賬面市值比無法完全反映企業的真實價值，企業內部存在著實際的低資本使用情況，并影響到整體財務的有效性。ZETA1為1.126，是另一個互聯網金融風險的主要誘因，現有企業的留存資本過低，導致了償債能力不斷下降，面臨壞賬時無法及時止損，造成更大風險，這也是新型金融產品的通病，由于審核和監管的缺位，導致了互聯網金融產品壞賬率顯著提升，最終損害了投資人的利益。

互聯網金融風險控制及建議

本文利用Altman-Z值評分模型分析了2013-2017年我國互聯網金融行業的風險水平。在測定期內，互聯網金融的風險水平不斷走高，也印證了現有互聯網金融企業發展所面臨的困境，風險的逐步增高同時也造成了互聯網金融行業財務表現的頹勢。從風險水平角度而言，法律法規的缺失實質上縱容了風險的進一步擴散，同時行業所受的監管依然處于傳統金融或互聯網行業的監管模式之中，需要更為審慎的監管模式。

進一步，本文利用ZETA模型對風險的誘因進行了識別，并從變量構成角度分析了各個誘因的嚴重程度。具體而言，企業財務架構、資本結構和估值水平構成了互聯網金融風險的主要產生因素，資本的運轉速度過慢、留存比例過大，導致互聯網金融企業并不能充分發揮金融產品的理財能力，同時市場一再高估互聯網金融企業的實際價值，導致上市公司股價出現非理性波動，引發股東權益市場價值的異常波動。最為嚴峻的問題在于，企業本身的結構性問題會逐步累積為系統性金融風險，從而對其他產業造成不良影響。控制互聯網金融風險，需要企業合理進行收益管理，強化公司內部對風險抵御的能力，在保障公司發展的同時充分考慮投資者的利益，合法開展股權市值管理，降低資本運作中產生的非理性波動。促進互聯網金融的有效發展，離不開相關企業的合規經營和風險管控，只有穩定現有發展成果，才能進一步發揮互聯網金融新型模式的潛在能力。

參考文獻：

1.馬慧子，王向榮，王宜笑.中國情境下互聯網金融的內涵、特征與風險[J].商業經濟研究，2016（21）

2.胡錦娟.我國互聯網金融發展的產生機理、風險考量及監管重塑[J].商業經濟研究，2015（20）

3.錢磊.互聯網金融法律監管困境與對策[J].商業經濟研究，2017（1）

4.劉芬華，吳非，李華民.互聯網金融：創新金融體征、泡沫風險衍生與規制邏輯[J].經濟學家，2016（6）

5.鄒新穎.互聯網金融風險收益的模型構建與實證[J].統計與決策，2017（14）

6.張小茜，孫璐佳.抵押品清單擴大、過度杠桿化與企業破產風險——動產抵押法律改革的“雙刃劍”效應[J].中國工業經濟，2017（7）