互联网金融风险诱因和严重程度的识别

吴珂 谢晋雯

内容摘要：本文引入Altman-Z值评分模型对互联网金融风险进行深入刻画，采用定量方式计算了当前16家主要的上市互联网金融企业的风险水平，并根据计算结果针对性地提出控制风险的建议。本文研究结果可以丰富现有互联网金融行业风险识别及控制方法，同时从理论层面进一步完善了Z值评分模型在互联网金融风险识别上的应用。

关键词：互联网金融 风险识别 Z值评分模型

当前，金融行业与互联网行业的相互融合促进了互联网金融这一新兴概念的发展，但同时也带来了更大的监管压力。借助互联网的广泛传播性，金融行业的融贷业务可以在更大范围内开展，但因此也引入了大量信息不够公开的劣等客户，而互联网企业所开展的网络借贷、众筹等新型金融模式，存在大量审核不严格、法律支持不到位、信贷产品透明度较低的问题。简而言之，监管体系的缺位导致互联网金融行业的种种乱象，进而引发了系统性金融风险，这一类金融风险不同于传统的来自于银行、保险、信托等部门的风险，而是包含了网络信息风险、信用道德风险及法律风险的综合性风险。对互联网金融风险进行有效识别，必须要从其诱因入手，进而判断不同风险的严重程度，才能疏通互联网金融行业发展渠道，使之向更有利于国家经济发展的方向迈进。

文献综述

马慧子等（2016）研究了我国当前互联网金融发展的情况，认为现有的发展水平是一个动态衍变的过程，研究中还对我国互联网金融中存在的主要风险类别进行了分析，认为该行业主要包含的风险有信用风险、道德风险、信息科技风险和长尾风险，这是互联网技术与传染金融相互渗透而促发的风险类别。胡锦娟（2015）进一步对互联网风险的产生机理进行了分析，其研究表明，互联网本身的复杂性放大了传统金融风险，并滋生了新型的复合型风险，原因在于互联网的高信息吞吐量可以快速延伸负面信息的维度，使得金融风险的爆发期被进一步缩短，无法进行有效的调控和制约，且互联网金融产品的消费者具备无国界、涉众性、不确定性的特点，也使得互联网金融风险的蔓延更加难以防范。也有学者试从法学与金融学的角度入手试图化解这一问题，钱磊（2017）考虑了现有互联网金融行业中审慎监管和法律法规的缺失，从法律面临的困境入手，强调了改善互联网金融行业，化解互联网金融风险，必须依赖法律的支持。

从另一个角度而言，互联网金融发展中产生的大量风险也必然伴生大量额外收益，邹新颖（2017）从博弈经济学出发，构建了互联网金融的收益模型，该研究以余额宝为主要考察对象，分析了互联网金融风险与收益的伴生关系，认为互联网技术可以做到在化解风险的同时促进消费者的资金收入。刘芬华等（2016）也持有類似的观点，其研究从互联网金融的创新体征出发，认为金融模式和功能的创新可以改变传统金融中资本循环的周转规律，使得信息不对称问题得到进一步改善，进而化解互联网金融面临的泡沫风险衍生，创造更高收益。上述研究的核心观点均认为，化解风险有助于改善互联网金融行业所面临的风险，但现有研究中对于互联网金融风险的识别模型仍然比较匮乏，张小茜（2017）在文章中利用Altman-Z值评分对企业破产风险进行评估，并充分识别了相关风险的产生原因，这一方法也可以迁移到互联网风险的识别中，本文正是基于Z值评分模型构建了对于互联网金融风险的评估模型。

Z值评分模型的构建

Z值评分模型是一种广泛运用于测度企业破产风险的方法，衡量了某一企业距离破产之间的客观距离，同时也被视作企业面临的风险程度及稳定度的量化评估方法。具体而言，某一公司面临的Z值越大，所对应的风险级别越低；面临的Z值约小，所对应的风险级别越高。由于Z值评分模型具备多种变形形式，本文采用了ZETA信用评估等级模型，这一模型中包含5个有效变量，均来自企业的财务指标，即流动变量、杠杆变量、盈利变量、偿还变量及运营变量。构建Z值时首先需要进行样本选择，然后对不同财务指标分类到上述变量中，并对各个指标和变量进行一一对应，进而对统计模型进行估计，最后对模型进一步修改和优化，从而得到对某一企业的风险识别。

进行指标对应时还需要注意到某些准则，包括函数的显著性、检验变量间的关联水平、预估变量间精确度，从而对变量进行小幅调整，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为运营资本与总资产的比值，X2为留存收益与总资产的比值，X3为税前利润与总资产的比值，X4为股权市值和总负债的比值，X5为销售收入和总资产的比值。该五个有效变量有其特定含义，X1作为企业运营投入的表征量，体现了企业资产与现金的转换能力，也可以被视为企业的贴现水平，企业在总资产中投入更少的运营资本，其对于债务的偿还能力就越差，潜在的债务违约风险也越高；X2作为留存收益的表征量，体现了企业在进行股利分配后的利润剩额，是对企业应收能力的最好说明，企业存留收益越低，可用于投入进一步发展的资金量越小，其潜在的破产风险越大；X3反映了税前利润水平，是公司利润的直接性指标，同样体现了公司盈利能力，从风险层面而言，X3越小，则说明企业潜在的经营风险越大；X4估测了企业的内部财务构成水平，是典型结构性指标，股东权益所对应的市场价值越低，则说明市场对于该企业权益的认可程度越低，反映了企业的真实价值较低，账面市值比接近于1，那么也具备更高的潜在经营风险；X5则是企业资产的周转率指标，用以分析企业现有资产的使用水平，企业的资产周转水平越低，其潜在的经营风险也越大。公式（1）中各个变量的权重是根据Altman（2000）的经典ZETA模型的相关论述所设置的，该模型还具备如表1所示的风险识别方法。

可以看到，当z值高于2.675时，说明相关企业的风险程度较低，财务状况较为稳健，z值低于1.81则说明企业的财务状况较差，风险程度较高。而在灰色区间内，说明企业财务状况存在不确定性，因而需要进一步观察企业的财务水平。

基于Z值评分模型的互联网金融企业风险识别

本文收集了我国16家主要的上市互联网金融企业的相关财务数据，企业的选取参考了中证互联网金融指数的构成，相关企业的数据来自Wind数据库和同花顺数据库，这16家企业为：东方财富、中国平安、同花顺、宜人贷、大智慧、中国信贷、瑞茂通、世联行、奥马电器、恒生电子、腾邦国际、新力金融、联想控股、昆仑外围、海立美达、怡亚通。企业的构成较为复杂，除传统互联网金融门户型企业外，大量制造业企业也入局互联网金融这一领域，但也从侧面证明了本研究的Z值评分是具有广泛价值和应用范围的。

本文首先根据2013-2017年16家公司的财务数据计算出互联网金融行业的财务数据均值，均值财务数据的描述性统计如表2所示。将表2中所述数据代入公式（1）进行Z值求解，根据参数意义分别替代模型中的各个变量，得出的2013-2017年互联网金融行业的相关参数如表3所示。

根据计算结果可以绘制出如图1所示的Z值走向图。如图1所示，总体上我国互联网金融行业风险水平处于一个逐步走高的过程中，表1的判别水平中已经说明，当Z值大于2.675时，行业的整体风险水平较低，我国互联网金融行业在2013、2014及2016三个年度达到了这一水平。当Z值小于1.81时，行业已经处于高风险区间，2017年度互联网金融行业正好处于这一区间，这也与实际情况相吻合。自2016年中国证券互联网金融指数首次低于上海证券交易所指数以来，互联网金融概念股票的表现逐渐走低，根源性的问题就在于互联网金融风险集中爆发，并在2017年产生了较强波动。整体趋势上而言，互联网金融在经历2013-2015年的高速发展后，其风险不断累积，推动整体财务数据出现结构性问题，如果不及时对现有风险进行规制，可能造成更大的不良影响。诱发互联网金融行业风险的核心因素究竟是什么？本文根据历年参数X1-X5与时期内均值的比例进一步分析这一问题，在对各个参数与均值进行求比计算后，再与Z值进行求比，该值即为风险贡献的ZETA值，是衡量参数对总体风险贡献的主要指数，该比值越接近于1，则表明对于风险值的偏离程度越小，影响程度越大。计算结果如表4所示。

结合上文中对各参数的定义，可以看到ZETA5是最为接近于1的值，说明该因素极大程度上诱发了风险的产生。该变量代表了企业的周转率水平，换言之，我国互联网金融行业普遍存在资金周转效率过低、无法有效使用资本进行运作的问题，目前的互联网金融概念刚刚兴起，入局该产业的企业往往带有此前主要经营项目的一些惯性思维，互联网公司在传播和资金吸纳方面具备较强能力，但缺乏有效的资金管理能力，而传统金融公司进行互联网金融架构时，无法有效同步运作线上和线下金融产品的资源，导致了风险累积。

ZETA4的值为1.108，也极为接近1，这说明企业的内部财务架构有较大问题，作为典型的结构性变量，ZETA4所诱发的结构性风险更胜于ZETA5引发的管理性风险，同时也说明现有互联网金融概念被过度高估，导致企业的账面市值比无法完全反映企业的真实价值，企业内部存在着实际的低资本使用情况，并影响到整体财务的有效性。ZETA1为1.126，是另一个互联网金融风险的主要诱因，现有企业的留存资本过低，导致了偿债能力不断下降，面临坏账时无法及时止损，造成更大风险，这也是新型金融产品的通病，由于审核和监管的缺位，导致了互联网金融产品坏账率显著提升，最终损害了投资人的利益。

互联网金融风险控制及建议

本文利用Altman-Z值评分模型分析了2013-2017年我国互联网金融行业的风险水平。在测定期内，互联网金融的风险水平不断走高，也印证了现有互联网金融企业发展所面临的困境，风险的逐步增高同时也造成了互联网金融行业财务表现的颓势。从风险水平角度而言，法律法规的缺失实质上纵容了风险的进一步扩散，同时行业所受的监管依然处于传统金融或互联网行业的监管模式之中，需要更为审慎的监管模式。

进一步，本文利用ZETA模型对风险的诱因进行了识别，并从变量构成角度分析了各个诱因的严重程度。具体而言，企业财务架构、资本结构和估值水平构成了互联网金融风险的主要产生因素，资本的运转速度过慢、留存比例过大，导致互联网金融企业并不能充分发挥金融产品的理财能力，同时市场一再高估互联网金融企业的实际价值，导致上市公司股价出现非理性波动，引发股东权益市场价值的异常波动。最为严峻的问题在于，企业本身的结构性问题会逐步累积为系统性金融风险，从而对其他产业造成不良影响。控制互联网金融风险，需要企业合理进行收益管理，强化公司内部对风险抵御的能力，在保障公司發展的同时充分考虑投资者的利益，合法开展股权市值管理，降低资本运作中产生的非理性波动。促进互联网金融的有效发展，离不开相关企业的合规经营和风险管控，只有稳定现有发展成果，才能进一步发挥互联网金融新型模式的潜在能力。

参考文献：

1.马慧子，王向荣，王宜笑.中国情境下互联网金融的内涵、特征与风险[J].商业经济研究，2016（21）

2.胡锦娟.我国互联网金融发展的产生机理、风险考量及监管重塑[J].商业经济研究，2015（20）

3.钱磊.互联网金融法律监管困境与对策[J].商业经济研究，2017（1）

4.刘芬华，吴非，李华民.互联网金融：创新金融体征、泡沫风险衍生与规制逻辑[J].经济学家，2016（6）

5.邹新颖.互联网金融风险收益的模型构建与实证[J].统计与决策，2017（14）

6.张小茜，孙璐佳.抵押品清单扩大、过度杠杆化与企业破产风险——动产抵押法律改革的“双刃剑”效应[J].中国工业经济，2017（7）