中國保險業系統性風險的評估與預警研究

摘 要：基于保險業系統性風險傳導機制和預警機制的理論分析，利用CoVaR方法評估保險業系統性風險，從微觀保險機構和宏觀經濟環境構建Attention-LSTM模型對保險業系統性風險進行預警分析。研究發現：當遭遇重大事件沖擊時，系統重要性保險機構對保險業的風險溢出增加；將金融壓力指數納入風險預警體系，其預測平均絕對誤差、均方根誤差和平均絕對百分比誤差分別降低8.59%、7.27%和4.55%；Attention-LSTM模型能捕捉風險間的關聯性和傳染性，在預測準確性、泛化能力和時間穩定性方面均優于傳統機器學習模型。鑒于此，應建立保險業風險分區管理體系，融合深度學習模型多維度構建保險業系統性風險預警機制。

關鍵詞： 保險業系統性風險；評估；預警；Attention-LSTM模型

中圖分類號：F842"" 文獻標識碼： A""" 文章編號：1003-7217（2025）02-0026-09

一、引 言

黨的二十大報告明確指出“我國發展進入戰略機遇和風險挑戰并存、不確定難預料因素增多的時期。”黨的二十屆三中全會通過的《中共中央關于進一步全面深化改革 推進中國式現代化的決定》多次提及“風險”，強調“建立風險早期糾正硬約束制度，筑牢有效防控系統性風險的金融穩定保障體系。”系統性風險不同于普通風險，其不僅損害了個別機構的穩定，同時對整個金融系統的抵抗力產生了不可估量的影響^[1]。保險業作為經濟的減震器和社會的穩定器，是現代經濟的重要產業和風險管理的重要手段，直接關系金融安全乃至國家安全，必須切實守住不發生系統性風險的底線。近年來，我國保險業向著集團化發展，保險機構傾向于選擇混業經營以增加市場份額，但隨著混業經營的發展，保險業風險傳染渠道增多，保險業系統性風險不斷醞釀積聚。因此，構建中國保險業系統性風險評估與預警機制，加強系統性風險的識別、監測和預警，對于促進保險業健康持續發展、維護金融安全、助力實體經濟發展都具有重要意義和深遠影響。

對于保險業系統性風險的評估與預警研究主要集中在兩個方面：一是從保險業整體視角進行評估與預警。保險業對宏觀經濟的實質風險貢獻度明顯高于銀行業^[2]，且保險業在系統性風險傳導鏈上，行業內的風險正在積聚^[3]。大部分學者聚焦于保險業與金融行業之間的風險關聯和風險溢出，主要利用主成分分析法^[4]、格蘭杰因果檢驗法^[5]對系統性風險進行評估，也有部分學者從行業內部誘發因素和行業間相互滲透傳染出發^[6]評估我國保險業系統性風險。保險業系統性風險預警模型有Logit預測模型^[7]和層次分析模型^[8]，該方法通過探究各經濟變量和危機之間的關聯，利用最優預警指標集來判斷系統性風險爆發的可能性，但存在人為設定閾值、受主觀因素影響較大的問題。二是從保險機構的風險溢出視角進行評估與預警。保險機構對保險業存在風險溢出^[9]，保險業系統性風險的形成與機構行為密切相關^[10]。目前較為成熟的保險業系統性風險評估方法有MES法^[11]、CoVaR法^[12]、SRISK法^[13]，研究表明三種評估方法具有一致性^[14]。關于預警研究主要集中在利用回歸模型^[15]、保險業整體杠桿率^[16]來預警保險業爆發風險的可能性，但沒有考慮外部重大事件沖擊對保險業系統性風險的影響。隨著金融科技運用于行業風險監測，有學者基于隨機森林算法，利用重復合成采樣技術，提出了保險業風險預警新思路^[17]。該類預警方法的特征是選取多個典型保險機構的風險指標，根據指標的影響方向構建風險預警得分系統輸出保險業的風險信號，但存在將連續風險變量離散化導致信息損失的問題。

基于以上研究，本文從以下兩個方面進行補充和完善：第一，在研究框架上，從微觀保險機構和宏觀經濟環境構建保險業系統性風險預警體系。已有研究框架多局限于保險業內部單一視角，未能全面捕捉到宏觀經濟的關聯性和金融業風險的傳染性。本文基于系統性風險具有關聯性、傳染性和外溢性特征，綜合考慮微觀保險機構和宏觀經濟環境對保險業系統性風險的影響，基于CoVaR模型構建風險量化指標以反映保險機構風險，利用復合式系統性壓力指標法（CISS， composite indicator of systemic stress）構建連續性測度指標金融壓力指數以反映宏觀經濟風險，并將微觀風險量化指標和宏觀金融壓力指數融入保險業風險預警體系，從而提高風險預警精度。第二，在研究方法上，結合Attention-LSTM模型利用高頻數據對保險業系統性風險進行預測。已有研究多使用傳統模型和年度或月度數據，預警時間跨度較大，而使用日度數據可解決模型預測受到數據量限制的問題，有效解決傳統模型預測精度低的問題。長短期記憶神經網絡（LSTM，long short-term memory）模型在金融時序數據預測方面展現出顯著的優越性，能有效刻畫時間序列之間的相依、長記憶特性，但隨著序列長度的增長，LSTM的功能會被限制，而Attention機制會根據信息的重要性而對輸入進行選擇性學習，將Attention-LSTM模型應用到中國保險業系統性風險的預測，可提高預測性能，增強模型的預測效果、泛化能力和時間穩定性。綜上，本文在保險業系統性風險傳導機制和預警機制理論分析的基礎上，利用CoVaR方法評估保險業系統性風險，結合Attention-LSTM模型建立微觀保險機構和宏觀經濟環境雙重影響下的風險預警機制，以期為保險業系統性風險的監管和預警提供決策參考。

二、保險業系統性風險的理論分析

（一）保險業系統性風險的內涵

目前對于保險業系統性風險的內涵還未形成統一的定義。中國保監會《國內系統重要性保險機構監管暫行辦法》強調系統性風險由保險機構內部因素和保險業外部的不確定因素引起，將負面效應傳染至金融體系和實體經濟^[18]。Felix等從直接風險和間接風險維度對保險業系統性風險進行定義，前者是保險承保本身對整個金融系統的第一輪效應，后者是保險公司和保險集團受到沖擊后對更廣泛的金融系統造成第二輪風險威脅^[19]。鄒奕格和陸思婷將保險業系統性風險定義為保險業系統面對大規模沖擊時為保證發揮核心保障功能而應具有的償付能力的損失程度^[20]。

綜上，結合系統性風險的三個關鍵點——風險起因、風險傳染過程和風險結果，將保險業系統性風險界定為單個或多個保險機構由于自身經營不善或外部沖擊產生風險，通過金融系統關聯性觸發傳染機制，將其負面效應傳染至金融體系和實體經濟，從而造成重大經濟損失。

（二）保險業系統性風險的傳導機制

保險業系統性風險的傳導機制是指保險機構或者某個行業發生風險而導致整個保險業甚至整個金融業和實體經濟面臨風險的傳染過程。保險業的傳導性主要體現在保險機構和外部環境兩個維度，保險業系統性風險傳導機制如圖1所示。

由圖1可得風險傳導機制主要包括：一是保險機構內部危機對系統性風險的觸發作用。在股東層面，保險公司的股東利用相對少量的資金投入就能撬動大額資產，導致其易產生道德風險和冒險動機，以致保險機構發生風險；在投保人層面，投保人在保險機構產生的監督成本遠遠大于行使監督職能獲得的回報，同時政府的隱形擔保更是削弱了投保人的監督意愿，使得保險機構產生內部無法消化的風險，最后機構的風險外溢至整個金融系統。二是外部沖擊對保險業系統性風險的增加作用，此時保險業是外部沖擊的受害者和承擔者。金融環境惡化帶來的風險會在保險業內擴散并增加，風險的反向傳遞性和破壞性不斷擴大，風險蔓延至貨幣市場、債券市場、股票市場、金融部門和外匯市場等，對整個金融體系和實體經濟部門產生更大的風險。

（三）保險業系統性風險的預警機制

風險預警機制就是對驅動因子進行分析，結合技術手段，達到對風險預判的目的。宏觀經濟環境的變化和微觀保險機構產生的風險都可能會引發保險業系統性風險，因此構建微觀保險機構和宏觀經濟環境雙重影響下的中國保險業系統性風險預警機制如圖2所示。

由圖2可得保險業系統性風險預警機制涵蓋微觀保險機構和宏觀經濟環境兩個維度：從微觀保險機構維度基于CoVaR模型構建保險業風險量化指標，從宏觀經濟環境維度基于復合式系統性壓力指標法構建衡量宏觀經濟風險的金融壓力指數。綜合考慮微觀保險機構和宏觀經濟環境對保險業系統性風險的影響，將Attention-LSTM模型作為預警模型，融合保險業風險量化指標SymbolDA@CoVaRsys，t和金融壓力指數對保險業系統性風險進行預警。

三、模型構建

（一）CoVaR模型

Adrian和Brunnermeier為彌補VaR模型無法衡量風險對金融機構傳染擴散的不足，提出條件風險價值模型（CoVaR），定義如下[21]：

P（Xj≤CoVaRj|iq|Xi=VaRiq）=q（1）

其中，CoVaRj|iq是當金融機構i的收益率為VaRiq時，金融機構j的風險值。該風險值包含無條件在險價值VaRjq和風險溢出價值ΔCoVaRj|iq兩部分：

CoVaRj|iq=VaRjq+ΔCoVaRj|iq（2）

將式（2）變換可得機構i發生危機時，對保險業的風險溢出為：

ΔCoVaRsys|iq=CoVaRsys|iq-CoVaRsys|i50%（3）

（二）DCC-GARCH模型

廣義動態條件相關系數（DCC-GARCH）模型可刻畫金融機構（市場）i和j的動態關聯性與溢出效應，也能反映序列的波動情況[22]。多變量DCC-GARCH模型如式（4）所示：

Rt=μt+εt

Ht=DtPtDt

Pt=（Q*t）-1Qt（Q*t）-1

Qt=（1-α-β）t+α（εt-1ε′t-1）+β Qt-1

Dt=diag（σ1，t，…，σi，t）

Q*t=diag（q11，t，q22，t，…，qnn，t）

qij，t=（1-α-β）ij+α（σit-nσjt-n）+βqij，t-1（4）

其中，Rt是t時刻的收益率，μt是收益率的條件均值向量，εt是殘差列向量，表示實際收益率和預期收益率之間的差異，在該模型中服從正態分布，其滿足條件均值方程εt=σt o zt，符號“ o ”表示Hadamard乘積（下同），zt是標準化殘差列向量，是向量εt標準后的結果。Pt為動態相關系數矩陣，Qt為協方差矩陣，其提供了關于不同資產收益率之間聯合波動性的完整信息。

qij，t為矩陣Qt的元素，表示的是收益率序列經過GARCH模型擬合得到的條件協方差。

Q*t是將矩陣Qt的對角元素取平方根后得到的對角矩陣。t為經過殘差標準化后的無條件協方差矩陣，即t=E［εt－1ε′t－1］。估計參數α和β滿足α≥0，β≥0，0lt;α+βlt;1，α反映序列對市場新信息沖擊的敏感程度，該值越大則表示序列對市場新信息沖擊反應越快;β反映前期樣本方差對后期波動影響衰減程度，該值越大說明金融序列未來波動受前期波動衰減速度越慢，α和β之和越接近于1代表收益率序列波動越持久。Ht是時變條件協方差矩陣，Dt為GARCH模型得到的標準差取對角項。由式（4）可得DCC-GARCH（1，1）模型下的動態相關系數為：

ρij，t=（1－α－β）ij+α（σit－nσjt－n）+βqij，t－1［（1－α－β）ij+βqij，t－1+ασ2i，t－n］1/2［（1－α－β）ij+βqij，t－1+ασ2j，t－n］1/2（5）

（三）LSTM模型

長短期記憶神經網絡（LSTM）模型的核心是記憶單元，其通過門限結構控制神經元狀態和信息流向[23]。若xt表示t時刻的輸入，ht表示t時刻的輸出，Wf，Wi，Wc，Wo，Uf，Ui，Uc，Uo為權重矩陣，bf，bi，bc，bo為偏置向量，σ為激活函數。對每個時間t計算it，將輸入門信息與權重矩陣相乘，再加上偏置量，產生需要更新的數據，計算出t，公式如下：

it=σ（Wixt+Uiht－1+bi）（6）

t=tanh（Wcxt+Ucht－1+bc）（7）

遺忘門對無用的信息進行遺忘。對每個時間t，計算ft，再將遺忘門的輸入信息與權重矩陣相乘，并加上偏置，進行狀態Ct的更新，公式如下：

ft=σ（Wfxt+Ufht－1+bf）（8）

Ct=itt+ftCt－1（9）

上述的記憶單元都更新完畢后，再計算輸出門的值，公式如下：

ot=σ（Woxt+Uoht－1+bo）（10）

ht=ottanh Ct（11）

（四）Attention-LSTM模型

加入Attention機制的LSTM模型。將經過LSTM層后的輸出ht輸入Attention層，計算輸入序列和目標序列的相關性。wt是權重矩陣，bt是注意力機制的偏置，得到Attention層的相似度：μt=tanh（wtht+bt）。再利用Softmax函數進行歸一化處理。vw是隨機初始化的注意力權重矩陣，得到歸一化后的權重αt為：

αt=exp（μTtvw）∑Tt=1exp（μTtvw）（12）

將LSTM模型的輸出數據進行加權求和得到S，即不同權重與對應隱藏層狀態乘積的累加和，最終得到各個變量被賦予不同關注度的Attention層的輸出Ft：

S=∑Tt=1（αtht）（13）

Ft=H（S，ht）（14）

四、中國保險業系統性風險評估研究

（一）中國保險業系統性風險評估

防范系統性風險的關鍵是研究不同機構對整個行業的風險溢出狀況[24]。目前我國有6家上市保險機構①，中國人保和中國太平由于在香港上市，在會計準則、財務報告要求、市場監管環境、投資者結構等方面都存在差異，故不作為研究對象。為準確評估中國保險業系統性風險以及風險預警機制的預測性能，選取2012年1月1日至2023年4月20日的中國人壽、中國平安、中國太保和新華保險作為研究對象，中國人壽和中國平安涵蓋業務廣，總資產規模龐大，而中國太保和新華保險在壽險領域有深厚積累，占據市場重要地位。這四家保險機構的市場影響力顯著，市場占有率大，總計在50%左右，可成為評估中國保險業風險變化的重點對象。

選取共同交易日的收盤價，用更加平穩的對數收益率乘100計算保險機構i在時刻t的日收益率Ri，t，以減小計算精度帶來的誤差，計算公式為：

Ri，t=100×（ln Pi，t－ln Pi，t－1）（15）

其中，Pi，t代表第i只股票在第t天的收盤價。整個保險業的收益率值為機構收益率與市場占有率的加權值，即Rsys，t=∑4i=1wiRi，t。由于市場占有率wi是時變的，從行業層面為更準確地反映保險業中保險機構的平均地位和影響力，同時平滑短期市場波動帶來的不穩定性，提升保險業收益率評估模型的穩定性與準確性，本文借鑒劉璐和王春慧的做法[25]，wi用市場占有率均值i替換。各個收益序列呈現出“尖峰厚尾”的特征，選取t分布進行擬合，利用DCC-GARCH（1，1）模型進行估計，通過式（5）計算得到四家保險機構與保險業的動態相關系數，四家保險機構與整個保險業的收益率波動的相關性都在0.7以上。進一步得到保險機構i在t時刻對保險業的風險溢出值SymbolDA@CoVaRi，t，2015年股市震蕩時和2019年底公共衛生事件發生時該值出現較大波動，系統重要性保險機構的風險溢出值增加。將i/∑4i=1i作為權重，利用加權求和可得中國保險業系統性風險量化指標SymbolDA@CoVaRsys，t在實驗區間的變化，如圖3所示。

從圖3可以看出，中國保險業系統性風險評估指標符合經濟歷史事件。2015年發生的股市震蕩導致系統性風險急劇上升，并達到頂峰；2016年第二代償付能力監管制度體系的實施使得風險發生小幅波動；2018年在中美貿易摩擦的影響下，保險業系統性風險上升；在2019年底發生的公共衛生事件沖擊下，保險業陷入高賠付、高投訴的旋渦，導致保險業系統性風險上升。

（二）重大事件對風險的影響分析

在重大事件的影響下，保險業系統性風險的關聯性、傳染性和外溢性顯著增加，其對保險業系統性風險產生的影響不容忽視。為分析不同性質事件對保險業系統性風險的影響，根據《中國保險報》評選出的保險業十大新聞②，篩選出與保險業系統性風險相聯系的重大事件，分別是2015年6月的股市震蕩、2016年1月的中國第二代償付能力監管制度體系的實施、2018年3月的中美貿易摩擦、2019年12月的公共衛生事件。按照事件的發生時間，將每個事件劃分為發生前、發生時、發生后3個階段，四件代表性事件的保險業風險變化狀況如圖4所示。

由圖4可知，股市震蕩時的保險業風險值高于其他事件的風險值，而第二代償付能力監管制度體系實施時的保險業風險值離散程度最大。原因在于股市震蕩導致資金流動性短缺，退保潮興起使得保險業風險增加；第二代償付能力監管制度體系的實施是對保險業進行的政策改革，導致不同業務類型的保險機構在適應新監管要求的過程中風險管理能力出現較大的差異，保險業風險值波動增大。

2015年6月，我國股票市場出現大幅波動，給保險業帶來了一定的不利影響③；2016年1月第二代償付能力監管制度體系實施后，2016年6月償付能力達標公司的數量占比達98%，資產占比達99%，未產生大幅風險外溢④；2018年中美貿易摩擦使得保險公司需要更長的時間應對低利率環境，企業經營承壓導致信用風險上升，匯率壓力影響保險公司國際化業務的推進；2019年12月發生的公共衛生事件使得保險業在為全社會提供風險保障的同時，保險機構的索賠壓力和經營壓力增大，另外保險業在疫情期間推出了許多特別舉措，如取消免賠額、理賠醫院、診療項目和等待期限制等⑤，這些舉措也增加了保險機構的經營壓力。

五、中國保險業系統性風險預警研究

（一）金融壓力指數構建

在我國金融自由化進程不斷加速和金融混業經營程度不斷深化的背景下，各市場間的風險共振對保險業系統性風險也有顯著影響。對于宏觀經濟風險的測量，常用的是指數法[26]。Illing和Liu提出的綜合性指標金融壓力指數一般由反映股票、債券、外匯等機構風險指標匯總編制而成，受到研究領域和金融監管機構的歡迎[27]，且金融壓力指數構建相對靈活，可對模型的風險指標、指標權重等進行調整。由于整個市場的關聯性，當一個市場產生風險的時候，與其相關性越強的市場受到的影響也就越大［28］，相關性強的機構應賦予更高的權重，故采用CISS法合成金融壓力指數。選取的指標見表1。

貨幣市場中選取的Shibor可反映貨幣政策松緊程度，TED利差可反映銀行的流動性風險和交易對手風險。債券市場的兩個指標可用來預測經濟衰退。股票市場選取的滬深300指數波動率可反映中國股票市場的系統性壓力[29]。金融部門選取的CMAX表明一年的移動時間窗口內的最大累積損失，CMAX越大，風險也就越大。外匯市場選取人民幣兌美元匯率波動率和人民幣兌歐元匯率波動率作為指標，匯率由宏觀經濟、金融和貿易因素綜合決定[30]。

使用累積分布函數CDF對基礎指標數據進行標準化，將數據轉換為（0，1）之間[31]。xi，j，［1］，xi，j，［2］，…，xi，j，［T］由第i個子市場中的第j個指標數據值xi，j，t（t=1，2，…，T）進行非降序排列得到，再采用式（16）經驗分布函數Fn（xi，j，t）將xi，j，t轉化為標準化指標zi，j，t：

zi，j，t=FT（xi，j，t）=

rT，xi，j，［r］≤xi，j，t≤xi，j，［r+1］，r=1，2，…，T－11，xi，j，tlt;xi，j，［T］（16）

標準化數據結合等權重法合成子市場壓力指數，用Si，t表示第i個子市場在時間t的壓力指數。使用CISS法合成金融壓力指數計算公式為FSIt=（Wt°St）Ct（Wt°St）T，其中，St=（S1，t，S2，t，…，S5，t），Wt=（0.2，0.2，…，0.2）為1×5的權重向量，5為選定的子市場個數。Ct為DCC-GARCH模型和代理指標得到的動態相關系數ρij，t組成的5×5矩陣，具體形式為：

Ct=1ρ12，tρ13，tρ14，tρ15，tρ21，t1ρ23，tρ24，tρ25，tρ31，tρ32，t1ρ34，tρ35，tρ41，tρ42，tρ43，t1ρ45，tρ51，tρ52，tρ53，tρ54，t1（17）

計算得到的金融壓力指數如圖5所示，圖5中顯示波動時間點與經濟事件沖擊時間點吻合。

為將金融壓力指數納入保險業系統性風險預警機制，需考察金融壓力指數對ΔCoVaRsys，t的預測能力。借鑒Karagianni等的研究步驟[32]，利用BSD和RESET方法得到的檢驗結果均在1%的水平上顯著，表明變量間存在顯著的非線性關系，進一步進行非線性格蘭杰因果檢驗，檢驗P值均小于0.05，故金融壓力指數與保險業系統性風險量化指標ΔCoVaRsys，t之間存在非線性因果關系，可將金融壓力指數納入風險預警機制，將非線性模型作為預警模型。金融壓力指數能反映宏觀經濟壓力的變化，將其納入風險預警機制意味著充分考慮了保險機構內部和宏觀經濟環境對保險業系統性風險的影響。為更直觀地對比影響效果，利用Attention-LSTM模型進行實證研究。

（二）Attention-LSTM模型構建

采用Attention-LSTM模型構建保險業系統性風險預警機制。將數據劃分為訓練集和測試集，劃分比例為3∶1，采用滑動窗口法對數據進行迭代預測。選取平均絕對誤差（mean absolute error， MAE）、均方根誤差（root mean square error， RMSE）和平均絕對百分比誤差（mean absolute percentage error，MAPE）進行預測性能評估。

Attention-LSTM模型的超參數有：（1）隱含層的神經元數量，選取區間為5～30，間隔為5進行選取，最終選取的隱藏層神經元個數為15；（2）批量大小，batch_size為60；（3）迭代次數50～200，每隔20進行選取；（4）LSTM層數為3，模型結構為輸入層、LSTM層、Attention層、全連接層和輸出層。

（三）實證結果與分析

為直觀比較不同預警機制和不同模型對保險業系統性風險預測精度的影響，進行數據對比和模型對比實驗，實驗結果如下：

（1）考慮微觀保險機構風險溢出的預警機制。利用Attention-LSTM模型對保險業系統性風險衡量指標SymbolDA@CoVaRsys，t進行單變量預測，為說明模型的有效性，將Attention-LSTM模型與選定的模型進行對比，不同模型的測試集擬合效果如圖6所示。可以發現Attention-LSTM模型擬合效果較好，測試集的誤差較小，有較好的預測性能，對比LSTM模型、Attention-RNN模型、BP神經網絡和SVR模型，Attention-LSTM模型的學習誤差最小，LSTM模型的預測效果次之，學習誤差最大的是ARMA模型。因此，Attention-LSTM模型能夠充分挖掘變量間的信息，提高模型預測精度。

（2）考慮微觀保險機構和宏觀經濟環境雙重影響下的風險預警機制。將ΔCoVaRsys，t和金融壓力指數作為特征列進行多變量預測，隨著迭代次數的增加，訓練集和測試集的損失迅速下降，最后誤差趨于穩定，模型的擬合能力和泛化能力較好。將MAE1、RMSE1和MAPE1作為未加入金融壓力指數的保險機構內部預警機制的評價指標，MAE2、RMSE2和MPAE2作為加入金融壓力指數的微觀保險機構和宏觀經濟環境雙重影響下的風險預警機制評價指標。同時，為檢查模型的時間穩定性，選取2/3的數據即2015年1月4日至2023年4月20日間的數據進行檢驗，將MAE2.0、RMSE2.0和MPAE2.0作為該時間段的評價指標，結果見表2。

從表2可得，加入宏觀經濟環境影響因素后，Attention-LSTM模型的預測精度提高。通過縱向比較發現，加入金融壓力指數后，Attention-LSTM模型的MAE降低8.59%［=（0.128-0.117）/0.128］，RMSE降低7.27%［=（0.220-0.204）/0.220］，MAPE降低4.55%=［（0.044-0.042）/0.044］。通過橫向比較發現，Attention-LSTM的效果是最好的，它的MAE2、RMSE2、MAPE2都是最小的。由于LSTM模型對時序預測的優越性，預警效果僅次于Attention-LSTM模型；同時LSTM模型克服了Attention-RNN模型中存在的長期依賴問題，所以LSTM模型比Attention-RNN模型的預測效果好。通過縮短樣本以檢驗時間穩定性，結果表明Attention-LSTM模型仍是最優的，其次是LSTM模型，檢驗結果與分析結果一致，模型存在時間穩定性。綜上表明：考慮微觀保險機構和宏觀經濟環境雙重影響下的保險業系統性風險預警機制精度更高，Attention-LSTM作為預警模型最優。

六、結論與建議

防范化解保險業系統性風險是牢牢守住不發生系統性金融風險的重要抓手，構建中國保險業系統性風險評估與預警機制，對于完善保險業風險早期糾正約束制度，筑牢防控系統性風險的穩定保障體系具有重要意義。在保險業系統性風險傳導機制和預警機制理論分析的基礎上，利用CoVaR方法評估中國保險業系統性風險，從微觀保險機構和宏觀經濟環境構建Attention-LSTM模型對保險業系統性風險進行預警分析。研究發現：第一，重大事件沖擊會增大系統重要性保險機構對保險業的風險溢出，股市震蕩相比于其他事件對保險業風險的沖擊最大。第二，金融壓力指數不僅能反映宏觀經濟風險，而且能增強保險業系統性風險的非線性預測能力，將其納入風險預警體系后，其預測平均絕對誤差、均方根誤差和平均絕對百分比誤差分別降低8.59%、7.27%和4.55%。第三，相較于LSTM模型、Attention-RNN模型、BP神經網絡和SVR模型，Attention-LSTM模型作為預警模型更優。Attention-LSTM模型能捕捉風險間的關聯性和傳染性，在預測準確性、泛化能力和時間穩定性方面均優于傳統機器學習模型。基于以上結論，本文提出以下建議：

第一，在制定保險業系統性風險防控措施時，要充分考慮外部沖擊對保險業風險的影響，建立保險業風險分區管理體系。首先，根據不同地區、不同業務線的風險特征，建立“因事而異”的分區管理體系：對于高風險地區或業務線，可以采取更加嚴格的風險控制措施；對于低風險地區或業務線，則可以適度放寬風險管理標準，提高運營效率。其次，根據不同事件沖擊的性質和程度，建立“因時而異”的分區管理體系：保險公司需要動態調整風險管理策略，針對可能發生的重大外部沖擊制定詳細的應急預案，確保在發生重大外部沖擊時能夠迅速應對，有序有效防范化解保險業風險，將風險危害降到最低，保證整個金融業的穩定。

第二，從微觀保險機構和宏觀經濟環境雙重維度構建保險業系統性風險預警機制。微觀維度要從保險機構內部出發建立完善的風險識別和評估機制，及時發現外部沖擊帶來的風險，特別是系統重要性保險機構要加強自身風險管理，提高對沖擊的抵御能力；宏觀維度要考慮重大事件對保險業系統性風險的影響，健全風險預警體系，保險業監管部門要重視與貨幣、股票、債券等多家監管部門的密切合作，注重風險防范的系統性、前瞻性和時效性，縮小風險監管盲區，避免因風險累積而對行業穩定造成沖擊。

第三，將深度學習模型等前沿技術納入保險業風險評估平臺和風險預警體系。利用前沿技術建立持續的監控機制與預警機制，通過數據分析、模型預測等方法對外部沖擊帶來的風險進行實時監測和反饋，及時發現潛在風險，跟蹤研判重點領域、重大事件風險并采取相應措施盡早做出防范，阻止風險蔓延，以保障我國保險業高質量發展。

注釋：

① 6家上市保險機構包括中國平安保險集團（簡稱中國平安）、中國人壽保險公司（簡稱中國人壽）、中國人民保險集團（簡稱中國人保）、中國太平洋保險集團（簡稱中國太保）、中國太平保險集團（簡稱中國太平）以及新華人壽保險股份有限公司（簡稱新華保險），中國人保和中國太平在香港上市。

②《中國保險報》評選的保險業十大新聞是在國家金融監督管理總局的指導下，由中國保險行業協會組織開展征集的榜單。

③ 資料來源于《中國保監會關于2015年上半年償付能力監管工作情況的通報》。

④ 資料來源見https：//www.gov.cn/xinwen/2016-10/26/content_5124423.htm。

⑤ 資料來源見https：//baijiahao.baidu.com/s？id=1656521954717 601128amp;wfr=spideramp;for=pc。

參考文獻：

［1］ 薛皓元.系統性金融風險應對中的基本權利保護[J].財經理論與實踐，2023，44（4）：137-145.

［2］ 周天蕓，楊子暉，余潔宜.機構關聯、風險溢出與中國金融系統性風險[J].統計研究，2014，31（11）：43-49.

［3］ 謝遠濤，蔣濤，楊娟.基于尾部依賴的保險業系統性風險度量[J].系統工程理論與實踐，2014，34（8）：1921-1931.

［4］ 朱南軍，周娜，鄧博文.中國國內系統重要性保險機構評估與分析——基于指標法與主成分分析法[J].保險研究，2018（11）：29-40.

［5］ Hua C， Cummins J D， Viswanathan K S， et al. Systemic risk and the interconnectedness between banks and insurers：an econometric analysis[J]. Journal of Risk and" Insurance， 2013，81（3）：623-652.

［6］ 徐華，魏孟欣，陳析.中國保險業系統性風險評估及影響因素研究[J].保險研究， 2016（11）：3-15.

［7］ Wang H， Chen X. A study of systemic financial risk prediction models in the insurance industry[J]. Applied Mathematics and Nonlinear Sciences， 2024， 9（1）：1-17.

［8］ 李斌，王穎慧，朱曉謙，等.保險業重要風險點的識別和演化分析——基于財務報告中披露的文本風險信息[J].系統工程理論與實踐， 2022， 42（2）：333-344.

［9］ Cummins J D ， Weiss M A .Systemic risk and the U.S. insurance sector[J].Journal of Risk and Insurance， 2014， 81（3）：489-528.

［10］王向楠，王超.保險系統性風險及其監管：文獻述評[J].金融評論，2018，10（2）：111-121，126.

［11］Acharya V V， Pedersen L H， Philippon T， et al. Measuring systemic risk[J]. The Review of Financial Studies， 2017，30（1）：2-47.

［12］Denkowska A， Wanat S. A dynamic MST-deltaCoVaR model of systemic risk in the European insurance sector[J]. Statistics in Transition New Series， 2021， 22（2）：173-188.

［13］童中文，魏歆七.中國金融機構系統重要性的度量[J].統計與決策，2017（8）：146-149.

［14］卓志，朱衡.保險業系統性風險研究前沿與動態[J].經濟學動態，2017（6）：109-120.

［15］徐華，羅婧文，朱佳欣.中國保險業系統性風險評估及預警研究[C]//陳秉正.2019中國保險與風險管理國際年會論文集.北京：清華大學出版社，2019：18.

［16］高壘，劉臻，趙志娟.新形勢下的保險資金運用研究——基于去杠桿、消嵌套的視角[J].中國保險資產管理，2017（6）：57-70.

［17］謝荻帆.基于機器學習的保險業風險監測預警模型研究[J].金融監管研究，2023（5）：101-114.

［18］中國保險監督管理委員會.國內系統重要性保險機構監管暫行辦法[R].北京：中國保險監督管理委員會，2016.

［19］Felix H，Ralph S J K， Christian T. The economics， regulation， and systemic risk of insurance markets[M]. Oxford： Oxford University Press， 2016.

［20］鄒奕格，陸思婷.投資業務風險對保險業系統性風險的影響沖擊[J].保險研究，2020（9）：34-51.

［21］Adrian T， Brunnermeier M K. CoVaR[R]. Cambridge， MA： National Bureau of Economic Research，2011.

［22］李竹薇，劉森楠，李小鳳.互聯網金融與傳統金融之間的廣義動態風險溢出：基于Copula-ARMA-GARCH-CoVaR的實證研究[J].系統工程，2021，39（4）：126-138.

［23］Chen Y， Wang Y， Dong Z， et al.2-D regional short-term wind speed forecast based on CNN-LSTM deep learning model[J]. Energy Conversion and Management， 2021， 244（4）：114451.

［24］謝赤，董美鈺.金融機構ESG表現對系統性風險溢出作用研究[J].湖南大學學報（社會科學版），2024，38（5）：53-61.

［25］劉璐，王春慧.基于DCC-GARCH模型的中國保險業系統性風險研究[J].宏觀經濟研究，2016（9）：90-99.

［26］喻采平，彭紅霞，黃巖渠.雙傳染渠道下銀行系統性風險的測度研究[J].財經理論與實踐，2023，44（4）：42-49.

［27］Illing M， Liu Y. Measuring financial stress in a developed country： an application to Canada[J]. Journal of Financial Stability， 2006， 2（3）：243-265.

［28］胡春陽，馬亞明，馬金婭.重大事件沖擊下金融市場與實體經濟間雙向尾部風險溢出效應［J］.金融經濟學研究，2023，38（2）：3-19.

［29］徐國祥，李波.中國金融壓力指數的構建及動態傳導效應研究[J].統計研究，2017，34（4）：59-71.

［30］李勝旗，趙鑫鈺.跨國并購、人民幣匯率波動與企業經營風險[J].技術經濟，2023，42（4）：147-159.

［31］馬勇，黃科.金融壓力指數及其政策應用：基于中國的實證分析[J].金融監管研究，2019（7）：1-17.

［32］Karagianni S， Pempetzoglou M， Saraidaris A. Tax burden distribution and GDP growth： non-linear causality considerations in the USA[J]. International Review of Economics amp; Finance， 2013， 21（1）：186-194.

（責任編輯：厲亞）

Research on Systematic Risk Assessment and Early Warning in China’s Insurance Industry：Analysis Based on Attention-LSTM Model

SHI Rongrong1， YANG Ya2

（1．School of Economics and Management， Northwest University， Xi’an， Shaanxi 710127， China;

2.School of Mathematics， Northwest University， Xi’an， Shaanxi 710127， China）

Abstract：Based on the theoretical analysis of the systemic risk transmission mechanism and early warning mechanism in the insurance industry， this study uses CoVaR method to evaluate the systemic risk of the insurance industry， and constructs Attention-LSTM model from the micro insurance institution and macroeconomic environment" to carry out early warning analysis of the systemic risk in the insurance industry. The results indicate that when the insurance industry is hit by major events， systemically important insurance institutions have an increased risk spillover effect on the insurance industry. By incorporating the financial stress index into the risk warning system， the mean absolute error， root mean square error， and mean absolute percentage error of predictions are respectively reduced by 8.59%， 7.27%， and 4.55%. The Attention-LSTM model can capture the correlation and contagion between risks， and it outperforms traditional machine learning models in prediction accuracy， generalization ability， and time stability. In view of this， it is necessary to establish a risk zoning management system for the insurance industry， and integrate deep learning models to build a multidimensional systematic risk early warning mechanism in the insurance industry.

Key words：systemic risk of insurance industry; assessment; early warning; Attention-LSTM model

基金項目：" 國家社會科學基金后期資助項目（22FJYB064）；陜西省社會科學基金項目（2022D012）；陜西省教育廳重點科學研究計劃新型智庫項目（20JT067）

作者簡介： 師榮蓉（1985—），女，陜西西安人，博士，西北大學經濟管理學院副教授，研究方向：金融改革與發展、數量經濟學。