基于熵值法和功效系數法的互聯網保險公司財務風險預警研究

侯旭華 彭娟

摘?要：依據四家專業互聯網保險公司2017年報表數據，基于熵值法和功效系數法，考量互聯網保險公司財務風險預警。結果顯示：按照財務風險由小到大排名，依次為眾安保險、易安財險、泰康在線、安心財險;財務風險預警結果分別為輕警、輕警、輕警、中警。安心財險財務風險最大的原因在于其資產流動性較低，保費收入有限，綜合費用率高，虧損嚴重。鑒此，應降低應收保費，調整產品結構，拓寬保費收入來源，降低咨詢與技術服務費。

關鍵詞： 互聯網保險公司;財務風險;預警;熵值法;功效系數法

中圖分類號：F235.2???文獻標識碼：?A????文章編號：1003-7217（2019）05-0040-07

一、引?言

隨著我國互聯網的快速發展，傳統保險業與大數據、云計算、區塊鏈等技術不斷融合，互聯網保險應運而生。傳統保險業與“互聯網+”的結合為中國保險市場帶來了新的業務增長點，但也使其面臨與以往不同的各種挑戰。特別是對于專業互聯網保險公司，與傳統保險公司相比，呈現出銷量大、交易頻繁、單均保費低、碎片化、快速、去中介化、輕資產等特點，其特殊經營模式使得這些新型公司面臨著與傳統保險公司不同的財務風險。因此，如何建立互聯網保險公司預警機制，對互聯網保險公司持續健康發展具有重要的現實意義。

關于保險公司財務風險預警，目前國內外學者的研究范圍主要針對傳統保險公司。Patrick L等（2006）使用神經網絡方法中的學習向量量化法和反向傳播法對保險公司償付能力進行預測，結果發現神經網絡法的預測效果比傳統預警方法好[1]。Gulsun I等（2010）以1992—2006年45家非壽險公司的財務數據為基礎，分別使用Logit模型、判別和回歸分析三種方法預測這些公司的財務狀況，通過比較發現Logit模型具有較強的預測能力[2]。許敏敏等（2016）運用Z-score模型對部分財險公司在2011—2013年的財務狀況進行研究，將得到的Z值與實際情況進行驗證比對 [3]。閆春等（2018）搜集了57家壽險公司的報表數據，運用Pls-Logit模型對壽險公司的財務風險預警問題進行實證研究[4]。

就國內外研究現狀來看，熵值法和功效系數法尚未運用在保險領域，但在其他行業財務風險預警中得到推廣。Aziz等（2006）在對前人關于財務風險預警實證研究的成果進行統計分析后發現，基于熵值法的預警模型的精確度達到85%，明顯高于其它傳統預警方法[5]。Sven Sandow等（2007）發現當樣本數據難以充分獲取的情況下，熵值法能夠從有限信息中挖掘最大信息量，盡可能運用現有數據得出合理客觀的結論[6]。丁瓊等（2015）基于8家高速公路上市公司2012年財務數據，利用功效系數法分別計算各個公司預警指標得分，結果表明，該方法可靠性和操作性強[7]。李霞等（2016）以非營利組織為研究樣本，運用主成分分析法選取12個財務風險預警指標，采用功效系數法，計算出綜合功效得分[8]。Li-yan Sun等（2017）認為熵值法能有效克服人為因素帶來的主觀性，使指標權重的確定更具有說服力，并采用熵權TQPSIS方法建立了評價模型[9]。

綜上所述，目前關于保險公司財務風險預警研究的對象還是傳統保險公司，針對互聯網保險公司財務風險預警研究很少。傳統保險公司財務風險預警模型在logistic法、Logit法、神經網絡法、Z-score模型取得了一定成果，但熵值法和功效系數法尚未運用到保險領域。目前我國專業互聯網保險公司僅僅四家，樣本數量有限，傳統的實證模型無法適用，而熵值法對樣本數量要求不高，客觀性強。因此，本文基于互聯網保險經營特征設計財務風險預警指標體系，運用熵值法對指標進行篩選，進而采用功效系數法，判斷具體警情，并有針對性地提出財務風險預警建議，從而為互聯網保險公司財務風險管理提供理論參考和決策建議。

二、基于熵值法的互聯網保險公司財務風險預警指標的構建

（一）指標初始設計

互聯網保險公司財務風險主要體現在償付風險、資產流動性及其營運風險、資本風險、經營風險、盈利風險、現金流量風險、線上運營風險[10]，因此，本文從償付能力、資產質量、資本結構、經營能力、獲利能力、收益質量、線上運營能力這七個方面設計財務風險預警指標。具體指標見表1。

（二）樣本選取與指標數據的標準化處理

由于我國互聯網保險起步晚，專業互聯網保險公司目前僅有眾安保險、泰康在線、安心財險、易安財險四家（該排序不分先后）。因此，本文選取這四家專業互聯網保險公司2017年的年度報表數據作為研究樣本。根據表1中45項指標計算公式得出各項預警指標值，并根據各項預警指標的正逆向屬性對指標值進行無量綱化和標準化處理。其處理方法如下：

對各項預警指標值按照公式（1）、（2）進行無量綱化和歸一化處理，得到標準化處理后的數據，限于論文篇幅，這里不再列示。

（三）指標熵值的選取及權重計算

1.計算預警指標的熵值Ej，其計算公式為：

3.計算第j項指標熵權Wj，其計算公式為：

根據以上計算方法，將標準化處理后的數據代入公式（3）得到各指標的熵值Ej，然后按照公式（4）計算出各項指標對應的差異系數Gj，最后根據公式（5）計算得出各個指標的熵權值Wj。計算結果如表2所示。

（四）相關性分析與指標篩選

1.計算步驟。首先，將四家互聯網保險公司2017年的預警指標值輸入統計軟件SPSS.22進行相關性分析;然后，將相關性系數大于或等于0.9的預警指標篩選出來，與熵值法計算出的預警指標權重進行比較，在相關性較高的指標中保留權重較大的指標，剔除權重較小的指標。最后，對于相關系數小于0.9的指標，選擇權重大于該指標集合均值的指標[11]。

2.相關系數計算與指標篩選。

以償付能力指標相關系數計算與指標篩選為例，將四家互聯網保險公司2017年有關償付能力指標值輸入統計軟件SPSS.22進行相關性分析，具體分析結果見表3。

由表3可以看出，綜合償付能力充足率X1、核心償付能力充足率X2、綜合償付能力溢額率X4的相關系數都大于0.9，這三個指標的權重均較大，因此可全部保留。而認可資產負債率X3的相關系數小于0.9，且其權重小于該指標類的權重均值0.0255，因此，不能將該指標作為最后的預警指標，所以，償付能力指標經選取后留下了三個指標，它們分別是綜合償付能力充足率X1、核心償付能力充足率X2、綜合償付能力溢額率X4。具體情況見表4。

同理，將資產質量、資本結構、經營能力、獲利能力、收益質量、線上運營能力指標值輸入統計軟件SPSS.22進行相關性分析，這里不再列示。

（五）最終預警指標及其權重的確定

根據以上相關性分析，篩選出互聯網保險公司27個財務風險最終預警指標，并按式（3）（4）（5）求出指標權重，具體情況見表5。

三、基于功效系數法的互聯網保險公司財務風險預警分析

（一）財務風險預警指標分值的計算

傳統的功效系數法在計算指標得分時，基礎分和調整分的比值在任何情況下都是6∶4，缺乏針對性和靈敏度。為了彌補這一缺點，本文將基礎分與調整分的固定比值調整為浮動比例，將滿意值和不允許值兩檔標準值，增加為優秀值、良好值、平均值、較低值和較差值五檔標準值。具體計算公式如下：

單項預警指標功效系數=（指標實際值-本檔標準值）/（上檔標準值-本檔標準值） （6）

本檔基礎分值=單項預警指標權重×本檔標準系數 （7）

上檔基礎分值=單項預警指標權重×上檔標準系數 （8）

本檔調整分值=單項預警指標功效系數×（上檔基礎分值-本檔基礎分值）（9）

單項預警指標得分=本檔基礎分值+本檔調整分值（10）

其中標準值的確定是以具有互聯網保險業務的68家財險公司的報表數據為基礎計算各項指標值，參考了財政部發布的《金融企業績效評價方法》中介紹的分段簡單平均法。根據相關數據，按照公式（6）～（10）計算每個指標的單項得分值，見表6。

（二）互聯網保險公司財務風險預警結果

根據表6的計算結果，將單項指標的得分與其對應權重相乘得到各個公司的分項能力得分，并進行排名。將分項得分進行匯總得到各家公司的綜合能力分數，并進行綜合排名。具體結果見表7。

本文將財務風險預警的警情劃分為五個級別，區間數字越小，警戒級別越高。預警得分在[0.8，1]區間表示無警，風險很小;預警得分在[0.6，0.8]區間表示輕警，屬于關注風險;預警得分在[0.4，0.6]表示中警，屬于較小風險;預警得分在[0.2，0.4]區間表示重警，屬于較大風險;預警得分在[0，0.2]區間，表示巨警，屬于重大風險。由表7的計算結果可知，2017年眾安保險、泰康在線、安心財險、易安財險的財務風險預警得分分別為0.7592、0.6176、0.5662、0.6603，參照以上警情劃分標準，眾安保險、泰康在線、安心財險、易安財險的財務風險預警結果分別為輕警、輕警、中警、輕警。

四、結論與建議

通過以上研究結果可以發現，按照財務風險由小到大排名依次為眾安保險、易安財險、泰康在線、安心財險。從表7可以看出，安心財險綜合排名最后，其主要原因在于其資產質量、經營能力和獲利能力都排名最后。基于此，應采取以下對策：

1.降低應收保費，提高資產的流動性。安心財險資產質量排名最后，因為其應收保費率最高，為24.66%，大大超過行業8%標準比率。因此，應充分收集客戶數據，建立客戶資信評分制度，加強客戶征信管理和應收保費的監控，形成對應收保費的事前防范和事中控制。充分利用人工智能在數據感知、搜集、分析、處理等方面的巨大優勢，使得這一技術成為對投保人的資金數據及相關參數進行模型分析的重要工具，進而形成對應收保費的全過程監控[12]?。

2.調整產品結構，拓寬保費收入來源。安心財險經營能力排名最后，其中一個重要原因是其產品結構單一，過度依賴保險期限較短的傳統車險業務，導致其保費收入在四家專業互聯網保險公司保費收入總額中僅占8.55%。因此，應盡量開發貼近消費者需求的具有強大市場競爭力的創新型產品，逐步向健康、消費以及航旅等生態產品轉移，開發結構復雜、高價值的長期壽險產品，從而提高保費可持續增長能力。

3.降低咨詢與技術服務費，提高獲利能力。安心財險獲利能力排名最后，主要原因是支付給第三方網絡平臺的咨詢與技術服務費居高不下，造成綜合費用率和綜合成本率分別高達131.92%和196.45%，虧損位居首位。數據顯示，2017年安心財險營業利潤率、凈資產利潤率分別為-90.77%、-39.68%。因此，對于第三方網絡平臺的選擇應從成本效益的角度考慮，以最小的成本獲得利益最大化。對于咨詢和服務費應反復協商與談判，加強與現有第三方平臺的合作深度和粘度，提高議價能力[13]。審慎探索投資、收購及業務合作的機會，達成戰略聯盟，完善利益共享機制。

參考文獻：

[1]?Patrick L，Brockett， Linda L， et al. A comparison of neural network statistical methods and variable choice for life insurers financial distress prediction[J].Journal of Risk and Insurance，2006，73（3）：397-419.

[2] Gulsun I， Umit G.Early warning model with statistical analysis procedures in Turkish insurance companies[J]. Nucleic Acids Research， 2010，24（7）：1238-1245.

[3] 許敏敏，王紫玥，徐徐.基于Z-score模型的財產保險公司財務預警模型研究[J].財務管理與資本運營，2016（5）：38-41.

[4] 閆春，王澤祎.基于Pls-Logit模型的壽險公司財務風險預警模型研究[J].技術與創新管理，2018（1）：102-110.

[5] Adnan Azia M， Dar H A. Predicting corporate bankruptcy： where we stand？[J].Journal of Corporate Governance，2006，6（1）：18-33.

[6] Sandow S， Zhou X. Data-efficient model building for financial applications： a semi-supervised learning approach[J].The Journal of Risk Finance，2007，8（2）：133-155.

[7] 丁瓊，孫美霖.概率權數功效系數評價模型改進及實證[J].統計與決策，2015（4）：93-95.

[8] 李霞，干勝道.基于主成分分析的非營利組織財務風險評價研究[J].湖北社會科學，2016（3）：104-108.

[9] San L， Miao C， Yang L. Ecological-economic efficiency evaluation of green technology innovation in strategic emerging industries based on entropy weighted TOPSIS method[J].Ecological Indicators，2017，73：554-558.

[10]王向楠.財產險業務線的系統性風險研究[J].保險研究，2018（9）：44-55.

[11]賈博婷，趙天威，祝志川.基于熵值修正G2賦權的綜合評價方法及實證[J].統計與決策，2019（8）：30-34.

[12]張旺，劉戟鋒.技術倫理學視域下的網絡安全規范路徑——以人工智能技術為例[J].湖湘論壇，2018（2）：130-136.

[13]侯旭華，劉洋芷.互聯網保險公司財務風險研究[J].財經理論與實踐，2017（6）：47-51.

（責任編輯：鐘?瑤）