云金融视阈下互联网金融商业风险预警模式研究

彭颖 张友棠

【摘 要】 当下瞬息万变的互联网金融业务中，金融机构储存的数据日渐庞大，客户数据爆发式增长。为改善客户体验、提高系统运算与处理能力，云金融的概念应运而生。互联网金融企业面临风险包括政策法律风险、商业风险和技术风险三方面，其中商业风险与互联网金融企业开展的日常经济交易和事项息息相关，是云金融视阈下互联网金融企业从自身角度可以进行预警与防控的。文章深入分析了互联网金融企业商业风险所包含的市场风险、信誉风险以及操作风险，基于云金融视阈从风险预警管理视角出发，对互联网金融领域的商业风险进行研究，详细探讨了互联网金融商业风险的预警模式、预警指标体系构建、预警模型及预警结果分析，引导行业制定互联网金融领域风险预警管理机制，指导互联网金融企业在云金融环境下进行风险管理。

【关键词】 云金融； 互联网金融； 商业风险； 预警管理

【中图分类号】 F830 【文献标识码】 A 【文章编号】 1004-5937（2016）13-0103-06

一、引言

随着信息技术的不断发展，互联网以其自由、开放、免费、平等、交互以及合作等特点，依托云计算、社交网络以及搜索引擎等互联网工具进入了传统由少数精英控制的金融领域，降低了金融门槛，开辟了更加自由的资金融通渠道，促进了资金供给双方的信息交流。然而，在互联网金融企业迅猛发展的同时，由于互联网金融企业内部管理不规范、监管体系不健全，引发了合法性、规范性和安全性等方面的诸多问题。互联网金融企业面临的三大风险为政策法律风险、商业风险和技术风险，笔者认为政策法律风险属于系统风险范畴，技术风险主要基于技术选择与安全性的考虑，不在本文讨论之列。本文从云金融视阈出发，在对互联网金融商业风险详细解析的基础上，探讨了互联网金融商业风险的预警模式、预警指标体系构建、预警模型及预警结果分析，为实务中互联网商业风险的预警管理指明方向。

二、互联网金融商业风险解析

（一）互联网金融风险整体分析

依据《巴塞尔协议》关于全面风险管理的相关要求，借鉴国际有益经验，本文将互联网金融风险分为政策法律风险、商业风险和技术风险三大类，这三大类风险相互影响相互制约。其中，政策法律风险可细分为国家层面、行业层面和机构层面，商业风险可细分为市场风险、信誉风险和操作风险，技术风险可细分为安全风险和技术选择风险。如图1所示。

（二）基于业务平台层面的互联网金融商业风险解析

由上述分析可知，互联网金融分为三大平台，即业务平台、管理平台和协作平台。互联网金融资金需求的双方在业务平台上进行撮合成交；由国家层面的管理者、行业层面的管理者以及互联网金融企业内部的各个机构分别对互联网金融企业实施不同层面的监管，他们构成了互联网金融的管理平台；软硬件开发维护者和网络服务商则负责协助业务平台和管理平台的有效运营，其构成了互联网金融融资类业务的协作平台。在业务平台层面，资金融通的双方面临的主要是商业风险，包括市场风险、信誉风险和操作风险。

1.市场风险

互联网金融中的市场风险主要由利率风险和流动性风险两部分构成。互联网金融一方面受到诸如行业监管、行业竞争以及行业分化等的影响，另一方面受到央行货币政策的刺激，两方面因素共同导致利率风险的加剧。

互联网金融机构往往发挥资金周转的作用，沉淀资金可能在第三方中介处滞留两天至数周不等，缺乏有效的担保和监管，容易造成资金挪用，如果缺乏流动性管理，一旦资金链条断裂，将引发支付危机。此外，层出不穷的互联网金融业务平台上线，不具有用户优势的平台会借助提升利率、缩短投资期限等方式吸引投资者加盟，这无疑会引发平台的流动性风险，而且很多用户基于平台跑路消息的报道，对平台的投资只限于打新投资，无疑加剧了互联网金融的流动性风险。

2.信誉风险

信誉风险从发生信誉风险的主体来分类，主要分为自然人信贷风险和企业信贷风险两个部分。

（1）自然人信贷风险

自然人违约是由于自然人抗风险能力弱而引发的道德问题。自然人信贷风险产生于借款人经济情况的不确定性，特别是这种借贷用于生产经营上。互联网金融业务中很多涉及到自然人信贷范畴，由自然人承担相应的偿还义务，而自然人的消费习惯、经营情况、健康情况都可能引发还款风险。此外，自然人借款人的观念与道德问题，诸如主观上存在不良动机，没有还款规划而进行的借贷等。自然人借款人在满足自身利益的驱动下，缺乏自我约束能力，不遵守信用都会导致违约风险的产生。

（2）企业信贷风险

自然人借款人与企业借款人的借款动机以及偿债能力影响因素都有着不同。一般来说，企业借款人主观上恶意拒绝按时清偿债务的可能性较小，而相比之下，其由于经济实力、经营状况、行业发展等原因造成的资金短缺更容易导致其违约。因此在评价信誉风险时，自然人的信用风险更侧重于评估其偿还意愿，而企业借款人的信用风险评估则更侧重于评估其偿还能力。

3.操作风险

互联网金融的操作风险是指在互联网金融活动中，由于人员缺陷、不当或失败的内部流程以及系统缺陷等导致直接或间接损失的可能性。当下，用户数据、交易数据、用户操作行为数据、文本数据等大数据系统交织于未经授权的访问、雇员欺诈、系统退化、服务提供商风险以及客户安全保护意识不足等交易行为中，操作风险正源于这些纷繁复杂的数据与行为的结合中。

按照操作风险的来源不同，可分为内部操作风险和外部操作风险两部分。内部操作风险是由于内部控制、绩效考评以及审计监管等多方面互联网金融企业内部因素引发的；外部操作风险是由于私人信息泄露、钓鱼网站盛行等外部因素而引发的。究其根本原因即大数据，一方面互联网金融企业无法很好地管理用户注册、交易过程中产生的大数据，另一方面能否合理保存各种数据也是当下互联网金融企业亟待解决的问题。

（三）互联网金融商业风险特征分析

一是风险扩散速度快，破坏力强。传统银行业务往往是通过纸质或银行内部系统进行操作，出现差错有时间进行查找、拦截并进行损失追回。而包含用户数据、交易数据、用户操作行为数据以及文本数据等众多数据的以云金融为载体的互联网金融业务，一旦出现差错或问题，很难立即纠正，且互联网金融业务运作速度非常快，等到发现问题想要拦截或追讨损失几乎是不可能的。

二是风险交叉传染。一方面，互联网金融业务平台包含融资类业务、支付类业务以及理财类业务，业务互相之间存在着交叉性；另一方面，互联网金融商业风险中的市场风险、信誉风险以及操作风险存在着多米诺骨牌效应，诸如市场风险会引发信誉风险进而从某种程度上影响操作风险。

三是风险的责任难以区分。互联网金融的办理过程常常会涉及到电信、电力、外包商等其他合作方，因此，一旦某一方出现服务中断、系统崩溃、客户信息泄密等情形，将直接给互联网金融企业造成损失，且很难区分责任。责任无法区分的直接后果是一旦出现损失，很难对相关方损失的赔付事宜进行确定。

三、互联网金融商业风险预警模式构建

（一）互联网金融商业风险预警思路设计

基于上述分析，在互联网金融商业风险的识别与评估过程中，并非所有的风险都能用定量的方法简单测评，对于定性的风险评估指标采用模糊综合评价的方法将其定量化，以测度互联网金融商业风险（包括的市场风险、信誉风险和操作风险）。根据选定的权重系数测度互联网金融商业风险的预警综合评分值，按照所设定的预警区域范围确定互联网金融风险预警的区域，进而选择互联网金融商业风险的应对策略。详见图2。

权重系数的选取就成为风险测度过程中的关键问题，一方面是分别测度市场风险、信誉风险和操作风险过程中各具体指标的权重系数的确定问题；另一方面是互联网金融商业风险预警评分值测度过程中市场风险、信誉风险和操作风险分别的权重系数确定问题。

通过权重系数的确定来衡量各指标的重要程度，本文主要采用专家咨询和经验判断法，由个人经验决策转向专家集体决策。在数据处理时，采用算术平均值代表评委的集中意见，然后通过归一化处理以确定权重，其计算公式为：

其中：n为评委的数量；m为评价指标总数；aj为第j个指标的权数平均值；aji为第i个评委给第j个指标权数的评分值。

（二）互联网金融商业风险预警指标体系

基于业务平台的互联网金融商业风险分为市场风险、信誉风险和操作风险三个维度，且各个维度的风险含义丰富，难以用单一的指标进行客观描述。为使评价指标更加准确，本文特采用主观与客观相结合的方法对互联网金融三个维度的商业风险进行设计。

对于定量指标，笔者结合相关学者的研究成果以及银行体系的定量指标进行计算；对于定性指标采用问卷调查的形式，结合模糊综合评价的方法得出相应的评分值。具体的指标详见表1。

（三）互联网金融商业风险预警模型构建

通过假设互联网金融商业风险中各变量之间都是相互影响、相互作用的，构建互联网金融商业风险结构方程模型，以检验以上指标互相之间的关系，互联网金融商业风险三维关系假设如下：

H1：市场风险的防控对互联网金融商业风险的预警防控有直接的正影响。

H2：信誉风险的防控对互联网金融商业风险的预警防控有直接的正影响。

H3：操作风险的防控对互联网金融商业风险的预警防控有直接的正影响。

H4：市场风险的防控和信誉风险的防控之间有直接的双向的正关系。

H5：市场风险的防控和操作风险的防控之间有直接的双向的正关系。

H6：信誉风险的防控和操作的防控之间有直接的双向的正关系。

H7：市场风险的防控所依赖的各要素不受信誉风险和操作风险防控的影响。

H8：操作风险的防控所依赖的各要素不受市场风险和信誉风险防控的影响。

H9：市场风险的防控所依赖的各要素不受信誉风险和操作风险防控的影响。

H10：除市场风险、信誉风险、操作风险之外的其他影响因素均作为残差项。

将衡量互联网金融商业风险的指标分为三类，一是互联网金融机构个体指标，包括财务健康状况和机构规模；二是互联网金融机构整体指标，包括资产规模、信贷质量、资产和负债匹配数量；三是互联网金融机构间指标，包括业务发展模式、产品种类、风险度量等。详见表2。

根据模型函数形式和基本的假设，得出结构方程模型设计如图3。

在模型中市场风险、信誉风险和操作风险作为三个外生潜变量分别由其各自所属的显变量来测量，互联网金融风险系统各变量之间是相互关联的，所以假定三个外生潜变量之间存在共变关系。互联网金融融资业务风险作为内生潜变量，由八个显变量y1，y2，…，y8来反映。全模型从图3可以反映出4个潜在变量、88个观测变量、89个误差项的相互影响关系。

四、互联网金融商业风险预警结果分析

（一）确定预警信号阈值

预警信号阈值是触发预警后续行动的临界值，阈值应综合数据模型、专家经验、历史数据经验以及同业信息来确定，同时需要考虑互联网金融融资平台自身的风险偏好、平台与客户的关系、监管部门对互联网金融融资平台的检查评估以及监管要求等因素。一旦风险表征值超过了预警信号阀值，就会触发预警流程，进入风险预警系统，定位其风险级别。

（二）互联网金融商业风险预警级别定位

根据对应项目评估的风险大小，将互联网融资风险分为“正常状态”“关注状态”“次级状态”“可疑状态”和“损失状态”五个等级，分别以“绿灯”“蓝灯”“黄灯”“橙灯”和“红灯”来表示。详见表3。

（三）互联网金融商业风险预警结果分析

当处于绿色信号灯范围内的情形时，互联网金融平台应该考虑与其开展相应的业务活动，不仅如此，为了增强互联网金融平台的效益，平台应该多吸收该类业务；当处于蓝色信号灯范围内的情形时，互联网金融平台可以考虑接受与其开展相应业务，而对那些已有的处于蓝灯状态的业务，可以考虑持有；当对于处于黄色信号灯范围内的情形时，互联网金融平台应根据自身公司战略以及客户征信水平，酌情考虑是否要与其开展业务，若存在已经发生的处于黄灯状况的业务，应及时作出调整和防范，或改变持有策略或考虑转出业务；当处于橙色信号灯范围内的情形时，互联网金融平台不应考虑为其借贷，若已发生的处于橙色信号灯状况的业务，应立即采取措施降低损失；当处于红色信号灯范围内的情形时，互联网金融平台应将其拉入黑名单，而对处于红灯状态的已有业务，则应采取强硬手段进行挽回，弥补损失，并进行不良征信评价。

【主要参考文献】

[1] 杨虎，易丹辉，肖宏伟，等.基于大数据分析的互联网金融风险预警研究[J].现代管理科学，2014（4）：3-5.

[2] 张淑安，齐美东.云金融融资模式：优势分析与绩效评价[J].经济研究导刊，2015（16）：99-101，124.

[3] 张玉明.小微企业互联网金融融资模式研究[J].会计之友，2014（18）：2-5.

[4] 孙淑萍.互联网金融风险控制[J].金融理论与实践，2014（11）：116-118.