谭中明，陈文书，卜亚

（1.江苏大学财经学院，江苏 镇江 212013；2.江苏科技大学经管学院，江苏 镇江 212003）

科技强则国强，科技兴则国兴。2020年11月，“十四五”规划公布，提出数字强国、科技兴国战略，要求加快推动数字经济和实体经济深度融合。统筹发展与安全，维护网络、金融等重要基础设施安全，守住不发生系统性风险的底线依然是“十四五”规划和2035年远景目标的重要着力点之一。金融作为经济的核心命脉，在推动实体经济发展中不可或缺。数字中国建设背景下，新科技深度赋能金融业，数字金融快速发展，全面链接金融科技公司、传统金融机构、金融监管机构、其他关联公司以及数字金融投融资者等各大主体，一个以新科技为引擎、新金融业态为载体、金融科技公司为引领、传统金融机构为中心、金融资本为纽带、信用链、科技链、关系链相互耦合的数字金融生态圈已然形成。

然而，数字金融作为数字技术与金融服务的跨界融合，并没有改变金融的本质和风险属性。信用金融的内在脆弱性、隐秘性，数字科技的开放性、渗透性，以及网络关系的强涉众性、高度关联性，使数字金融蕴含多重风险，更容易产生业务、技术、数据、网络等风险的叠加，影响我国金融业的健康发展。央行发布的《金融科技发展规划（2022—2025）》（2022）提出要增强金融科技风险防范能力，蚂蚁科技集团被暂缓上市也彰显了监管层对数字金融创新和行业规范发展的重视。与我国数字金融产业的快速发展相比，我国对数字金融风险的量化识别和风险防范还有较大提升空间，在行业自律和金融监管方面还存在一定的滞后和不协调现象。因此，迫切需要加强对数字金融风险预警的研究，多角度强化管理，形成监管合力、多方协调的良好生态，以确保数字金融健康发展和金融体系安全稳定。

一、文献综述

国内外学者在数字金融风险的定性识别方面具有丰富的研究成果，认为金融科技的“破坏式创新”带来了更多不确定性（Arner，2016）[1]，各类风险的敏感性增加（FSB，2019）[2]，信用风险依然存在，市场风险的渗透性和传染力更强（蔚赵春等，2017）[3]，流动性风险、信息安全风险、操作风险、声誉风险等更加突出（Giudici，2018；曹允春等，2020）[4,5]，金融市场的外部性、垄断、公共物品缺失和信息不对称等问题引发市场失灵风险（陈科，2017）[6]，“赢家通吃”效应造成市场垄断（俞勇，2019）[7]，混业与跨界属性产生监管套利（Stulz，2019）[8]，“太大而不能倒”“太关联而不能倒”形成系统性风险（方意等，2021）[9]。

在风险的量化研究方面，学术界多从宏观层面识别系统性金融风险，如国内学者从外汇市场、银行业以及股票市场等不同维度构建金融压力指数，基于马尔科夫模型开展金融系统性风险预警研究（王春丽等，2014；吴宜勇，2016；刘超，2020）[10,11,12]，结合复杂网络模型分析我国金融系统内部的风险传染机制（宫晓莉等，2020）[13]，也有学者运用主成分分析法构建地区综合压力指数分析我国贫困地区的金融风险状态（马迪，2019）[14]，但都侧重于从整体上分析系统性金融风险，缺乏对数字金融这一新形态的风险量化研究。因此本文借鉴已有研究，针对数字金融的内在特征和风险属性，多主体、多层次、多维度选取指标，运用主成分分析法构建数字金融风险综合压力指数，并基于马尔科夫模型（MSB⁃VAR模型）对数字金融风险进行量化分析，以完善我国数字金融风险的实证研究，为改善数字经济环境和金融风险监管提供理论与决策支持。

二、数字金融风险综合压力指数构建

（一）综合压力指标体系构建

数字金融的本质仍是金融，具有传统的信用风险、市场风险、操作风险和流动性风险。作为数字技术与金融生态的深度融合，数字金融又面临技术安全风险、信息泄露风险和数字鸿沟等特有风险。再加之网络空间的极大开放和多元互动，金融、技术和网络风险更易叠加衍化，催生出合作风险、组织缺陷风险和产品使用风险等衍生性风险。因此，本文从数字金融的关联主体和生态环境两大维度选取数字金融风险要素，涵盖互联网金融机构、银行业金融机构、非银行业金融机构、外围服务机构和外部环境5个方面，刻画数字金融在发展中蕴含的各种风险。

互联网金融机构作为数字金融的主要供给主体，经营网络支付、数字基金和智能投顾等新兴业务，是数字金融的主要创新主体。因此选取电子商务交易额增长率、网络支付交易额增长率、网络支付巨头市场份额占比衡量其风险状况。

银行业金融机构通过与科技公司合作或自建金融科技子公司，创新推出数字金融产品，是数字金融的核心主体。因此选取银行卡渗透率、离柜交易收益率、线上信贷利差、银行业景气指数衡量商业银行的数字化运营风险，以不良贷款率、资本充足率、拨备覆盖率反映商业银行的经营风险，以SHIBOR波动率、总资产/总资本表示市场风险，以此反映银行业金融机构在数字金融领域的发展状况和潜在风险。

非银行业金融机构作为衍生主体参与数字金融交易活动，为数字金融提供产品交易市场和资金流通渠道，所以本文选取上证综指波动率、5年期国债收益波动率和证券投资基金增长率反映债券市场的周期波动风险，从资金流通的角度刻画数字金融风险。

外围服务机构为数字金融交易提供必要的网络环境和技术支持，是数字金融不可或缺的生态主体。因此本文主要选取软件产品收益率、信息技术服务收益率和软件服务业景气指数体现数字金融的技术发展现状。只有技术投入增加、科技应用规范才能避免数字金融引发的信息安全和技术漏洞风险。

数字金融发展深受宏观环境的影响，经济增长速度、金融结构改革、科技创新氛围以及网络基础设施是数字金融依赖的生态环境，因此本文从经济环境、金融环境、科技环境和网络环境方面考虑了数字金融面临的外部因素，其中网络安全事件数和洗钱案件发生数反映了数字金融在网络安全上存在的风险。由此数字金融风险综合指标体系设置具体如表1所示。

表1 数字金融风险综合压力指标体系

（二）数据来源及处理

本文选取2011—2020年的月度数据作为研究样本，宏观数据来源于国家统计局、中国金融年鉴、中国统计年鉴，商业银行和互联网金融机构数据来源于Wind数据库，波动率指标以原始数据为样本基于GARCH（1,1）模型计算得到时变方差序列，部分缺失值采用指数平滑法得到。上述数字金融风险测度指标按照功能性质可分为正向指标、负向指标和适度指标。正向指标意味着指标值越大数字金融风险越大，如线上信贷利差、不良贷款率、波动率等指标；负向指标意味着指标值越大数字金融风险越小，如资本充足率、行业景气指数、软件产品收益率、R&D增长率等指标；适度指标是指该指标值具有一定的安全空间，在合适范围无风险，一旦超过某一阈值就会引发风险，如GDP增长率指标。为了避免不同指标对数字金融风险发出不同信号造成结果偏差和保持数据的可比性，需对指标进行标准化处理，具体方法如下：

适度指标标准化（适度区间为[q1，q2]）：

（三）综合压力指数合成

金融压力的概念最早由Illing and Liu（2003）[15]提出，是金融市场和金融机构预期损失的变化或不确定性施加于经济主体上的压力，数字金融压力指数覆盖多个参与主体，由基于市场表现的高频数据指标合成，可以反映一国或地区金融体系面临的新压力，对金融不稳定提供早期预警。本文运用主成分分析法对数字金融风险综合压力指数进行合成。

1.可行性检验。在合成指数之前，需对数据进行可行性分析，如表2所示。根据结果可知KMO统计量为0.745，Bartlett球形检验值中的Sig.值在1%的水平下显著为0，符合因子分析模型要求。

表2 因子分析可行性检验结果

2.因子模型求解。运用SPSS20.0软件对24个风险压力变量进行主成分分析，得到如表3的结果。可以看出，前6个因子的特征值均大于1且累积贡献率达到86.476，对数字金融风险具有较强的解释力度，因此提取前6个因子较为恰当。

表3 主要因子特征值及累计贡献方差

3.公共因子命名。为了进一步明晰各公共因子的经济含义，对因子旋转成分矩阵进行分析和归类，得到各个因子包含的评价指标及其解释程度和特征根，如表4所示。可以看出，第一主成分对电子商务交易额增长率、资本充足率、不良贷款率等指标具有较大的载荷系数，主要反映了数字金融的市场风险，所以将因子1命名为“数字金融市场风险”。第二主成分对软件产品收益率、信息技术服务收益率、R&D增长率等指标具有较大的载荷系数，主要反映信息技术的发展，因此将因子2命名为“数字金融技术风险”。第三主成分对银行卡渗透率、离柜交易收益率、线上信贷利差等指标具有较大的载荷系数，体现了传统金融的创新程度，所以将因子3命名为“数字金融创新风险”。第四主成分对第三方支付规模增长率、上证综指波动率、5年期国债收益波动率等指标具有较大的载荷系数，这些指标反映了资本市场发展，故将因子4命名为“数字金融周期风险”。第五主成分对网络安全事件数、洗钱案件发生数具有较大的载荷系数，这类指标在一定程度上反映了互联网金融发展乱象和金融监管的缺失，因此将因子5命名为“数字金融监管风险”。第六主成分对GDP增长率、M2/GDP具有较大的载荷系数，这些指标反映了我国宏观经济运行，因此将因子6命名为“宏观经济运行风险”。

表4 公共因子命名

4.风险因子趋势分析。因子得分反映了公共因子及整体风险的波动特征，本文根据因子分析结果，绘制出我国数字金融风险及其6个风险因子2011—2020年的月度风险趋势图（图1），以反映数字金融整体风险以及各风险因子的波动情况。其中，F表示数字金融综合风险、F1表示数字金融市场风险、F2表示数字金融技术风险、F3表示数字金融创新风险、F4表示数字金融周期风险、F5表示数字金融监管风险、F6表示宏观经济运行风险。从图1可以看出，我国数字金融风险综合压力指数波动较大，风险阶段化特征明显，其中2014—2015年、2017下半年—2019年风险呈波动上升趋势，2011—2013年、2016—2017下半年风险呈波动下降趋势，2020年之后又有抬头倾向。在数字金融压力分指标上，数字金融市场风险一直处于高位，是数字金融的主要风险；数字金融技术风险前期缓慢上升并在2016年达到顶峰，随着风险暴露，监管趋严，风险有所回落；数字金融创新风险始终是波动上升趋势，反映了创新与风险之间相辅相成、相互关联的关系；数字金融周期风险整体较低，但在2016年经济增速放缓之后呈缓慢上升之势，受新冠疫情影响在2020年达到顶峰，随后有所回落，但仍处于高风险点；数字金融监管风险整体较低，但2015年互联网金融乱象丛生，2018年P2P暴雷事件频发，都给现行监管带来诸多挑战，监管风险呈现零散高点特征；宏观经济运行风险与数字金融周期风险走势大体一致，表明数字金融周期特征显著，其发展深受宏观经济的影响。

图1 数字金融风险及其6个风险因子得分趋势图

三、基于MSBVAR模型的实证检验

（一）模型设定

马尔科夫区制转移模型最早由Hamilton（1989）提出并引入到经济实证研究中，模型基本原理如下：

其中，S为区制状态，k为区制个数，Xi为外生变量，j为自回归阶数。状态变量S满足（一阶）马尔科夫过程：

即事件X t-1期的状态S只能依赖于当前状态，与之前的状态水平无关。其转换概率为P ij为事件X由t期状态j转变为t+1期状态i的概率。根据均值、截距、方差以及自回归参数是否依赖于状态变量，可将马尔科夫模型细分为MS(M)、MS(I)、MS(H)和MS(A)模型。

（二）指数平稳性检验

为保证时间序列的平稳性，避免出现伪回归，需要对F时间序列的残差项进行ADF平稳性检验，检验结果如表5所示，可以看出残差序列平稳，说明本研究构建的马尔科夫区制转移模型是合理可靠的。

表5 残差项平稳性检验结果

（三）参数设置

首先设定马尔科夫模型中的状态变量，从数字金融风险综合压力指数走势中可以发现在某些时点指数存在波峰和谷点，整个样本期内存在较大波动，因此结合我国数字金融的实际监管和发展形势，将区制设置为低风险和高风险两种状态，即区制状态变量为2。其次设定变量的滞后阶数，由VAR模型中的AIC、HQIC和SBIC信息准则确定最优滞后阶数，按照检验显著性少数服从多数的原则，从表6中可以看出最优滞后阶数为3。对于马尔科夫区制转移中的其他参数设定，参考Sims et al.（2008）[16]的做法。因此本文选择两区制三阶滞后的马尔科夫区制转移模型进行实证研究。

表6 信息准则判定

（四）模型求解

将上述变量和初始参数代入马尔科夫模型，并运用Matlab2018R求解，得到表7风险状态转移概率矩阵和图2数字金融风险状态转移平滑概率。

图2 数字金融风险状态转移平滑概率

从表7中可以看出，两种风险状态均具有一定的持续性，但低风险区制的“惯性”相对较大。也就是说如果t时刻处于低风险状态，那么t+1时刻有83%的可能性保持低风险，有17%的概率转化为高风险；而如果t时刻处于高风险状态，那么t+1时刻仅有53%的可能性保持高风险，有47%的概率转化为低风险。从持续时间上看，低风险的持续时间远高于高风险的持续时间，说明当前数字金融风险仍以中低风险为主，整体风险相对可控。这也与我国金融风险的实际特征相符，我国一直重视金融体系的稳定性建设，近几年更是反复强调防范化解重大风险尤其是系统性金融风险，推动互联网金融等领域的健康发展，所以在金融市场发生震荡时监管当局能够进行及时有效的管控，保证金融市场的安全和广大金融消费者的利益，所以数字金融风险持续处于高风险状态的概率相对较低。

表7 风险状态转移概率矩阵

从图2的风险状态平滑概率中可以看出，样本期内我国数字金融呈现高风险的时期较少且持续时间较短，主要集中在2012—2013年、2016年第四季度—2017年第一季度和2018年上半年。平滑概率图与数字金融风险综合压力指数所描述的风险变动趋势基本吻合，即当数字金融风险综合压力指数处于较高位置时对应的平滑概率图也有较大的概率出现高风险，具体如下。

2012—2013年是数字金融萌芽期。学术界普遍以余额宝的上线为标志，将2013年作为我国互联网金融元年，其实早在2010年前后就出现了网络金融，此时以银行业为主体发展电商业务，围绕电商开展供应链金融，如2010年9月，招商银行开展信用卡网上商城业务，推出“非常e购”，以互联网为依托改造业务模式，增加银行服务渠道；2012年前后，各大银行推出电子银行，展开电子支付价格战，以增加网银及手机收入应对利率市场化冲击；比特币疯狂炒作不断挑战金融监管底线；各家银行抢食网银蛋糕，纷纷发行网上理财产品；影子银行业务爆发；电商涉足金融领域，跨界风险明显增加。在此背景下，2012—2013年数字金融处于风险震荡期，存在高风险的“尖峰”。

2015年互联网金融乱象丛生，股市股指偏高、股指期货做空以及爆发“股灾”，三大板块股票暴跌，造成金融系统性风险积聚，导致2015年第三季度数字金融风险急速攀升，一直到2016年达到顶峰，之后虽在监管政策下有所缓解，但2016年我国处于经济下行期以及股市震荡期，整体经济环境和金融市场状况不容乐观，造成数字金融综合压力指数处于较高点。2018年国际层面中美贸易战打响，国内层面信用债大规模违约，P2P暴雷频发，监管当局出台“1+3+X”的监管体系，实行严监管，政府工作报告多次强调守住不发生系统性风险的底线，加速了网贷行业的清退，虽然在长期内能够促进数字金融健康发展，但短期大力度调整容易使风险集中，导致金融风险加大。

当前我国处于经济转型期，外部经济环境错综复杂，金融系统性风险明显加大，从图2中我国多次处于风险高点可以验证。可见，马尔科夫区制转移模型能够较为准确地识别我国数字金融的风险拐点，并在风险压力较高时发生预警信号，说明本文构建的数字金融风险综合压力指数具有较好的监测和预警效果。

（五）风险预测检验

本研究通过原始数据结合ARIMA模型对我国2021—2023年的数据进行预测，并将其代入马尔科夫区制转移模型，预测结果见图2的后半部分。从图中可以看出，未来3年我国数字金融仍处于低风险状态，只在较少时段出现风险波动，主要在于：一方面，近年来我国逐步深化金融供给侧改革，通过强化监管体系，运用组合治理手段化解了部分显性风险，避免了金融风险“硬着陆”，有效遏制了系统性风险的滋生蔓延；另一方面，受中美关系的影响以及新冠疫情等突发事件的冲击，给我国经济带来增长压力，导致经济增长动能进一步减弱，金融风险隐患尚未得到根本上的消解。

四、结论与建议

（一）结论

本文根据2011—2020年的样本数据，运用主成分分析法构建数字金融风险综合压力指数，并基于马尔科夫区制转移模型对我国数字金融风险进行实证研究，得出以下结论：一是我国数字金融综合风险压力指数波动大，风险阶段化特征明显；二是低风险的持续时间远高于高风险的持续时间，当前数字金融风险仍以中低风险为主，整体风险相对可控；三是未来一段时间我国数字金融仍处于低风险状态，只在较少时段出现高风险波动，监管层仍需对高风险节点进行严密的跟踪监测，有效防范系统性风险。

（二）建议

1.应鼓励数字金融健康发展，培育良好生态环境。数字金融在科技加持下，既可以化解风险，也引致技术风险和创新风险，但是数字金融深度赋能传统金融，推动金融业的转型升级，促进经济健康发展，因此应完善支付体系，加强渠道建设，保障用户信息安全；加大数据共享，应用云计算，完善信用建设，规避信用风险；搭建多元化的消费场景，连接平台和渠道，整合数据资源，实现线上线下一体化，降低市场风险。

2.要建立长效风险预警机制，规范市场主体行为。金融科技公司应建立信息共享机制，增强经营能力和风控水平，提升技术应用能力，避免技术漏洞，有效识别风险，将风险扼杀在源头，避免风险扩散；银行业金融机构在开展金融业务时应精准识别数字金融参与主体的身份，依托身份验证和生物识别技术，准确高效识别用户，保障主体的安全性；非银行业金融机构应加强自我约束，建立和完善激励机制，自觉开展自我监督和自我防控，使风险内化，降低系统性风险；数字金融消费者要提高金融素养，增强风险意识，端正风险态度，防患于未然，有效降低数字金融风险带来的损失。

3.要加强对数字金融的监管，完善风险管控体系。一方面，引入监管沙盒，重构监管体系，协同“一行两会”、政府职能部门、地方金融自律协会、金融科技企业，建立多元机制、多元主体、多层规范的协同监管体系，各主体之间彼此联动，形成监管信息充分共享、主体之间互相监督、金融创新与风险有效平衡的监管网络。另一方面，明晰行业边界，严格市场准入，通过制定金融牌照获取规定，加大无牌经营的处罚力度，明确主体责任，规范行业健康发展，提高第三方平台的注册资本门槛，降低平台破产跑路风险，严格落实审核制度，下线没有金融牌照或者金融资质较差的企业，降低金融诈骗风险。

注释

①考虑到我国进入经济换挡期，经济发展由高速增长转变为以中低速为主的经济新常态，同时参考现有文献，将GDP增长率设定为6.5～8.5的适度范围。