中國保險業(yè)系統(tǒng)性風(fēng)險的評估與預(yù)警研究

摘 要：基于保險業(yè)系統(tǒng)性風(fēng)險傳導(dǎo)機(jī)制和預(yù)警機(jī)制的理論分析，利用CoVaR方法評估保險業(yè)系統(tǒng)性風(fēng)險，從微觀保險機(jī)構(gòu)和宏觀經(jīng)濟(jì)環(huán)境構(gòu)建Attention-LSTM模型對保險業(yè)系統(tǒng)性風(fēng)險進(jìn)行預(yù)警分析。研究發(fā)現(xiàn)：當(dāng)遭遇重大事件沖擊時，系統(tǒng)重要性保險機(jī)構(gòu)對保險業(yè)的風(fēng)險溢出增加；將金融壓力指數(shù)納入風(fēng)險預(yù)警體系，其預(yù)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(fēng)險間的關(guān)聯(lián)性和傳染性，在預(yù)測準(zhǔn)確性、泛化能力和時間穩(wěn)定性方面均優(yōu)于傳統(tǒng)機(jī)器學(xué)習(xí)模型。鑒于此，應(yīng)建立保險業(yè)風(fēng)險分區(qū)管理體系，融合深度學(xué)習(xí)模型多維度構(gòu)建保險業(yè)系統(tǒng)性風(fēng)險預(yù)警機(jī)制。

關(guān)鍵詞： 保險業(yè)系統(tǒng)性風(fēng)險；評估；預(yù)警；Attention-LSTM模型

中圖分類號：F842"" 文獻(xiàn)標(biāo)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(fā)展進(jìn)入戰(zhàn)略機(jī)遇和風(fēng)險挑戰(zhàn)并存、不確定難預(yù)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(guān)于進(jìn)一步全面深化改革 推進(jìn)中國式現(xiàn)代化的決定》多次提及“風(fēng)險”，強(qiáng)調(diào)“建立風(fēng)險早期糾正硬約束制度，筑牢有效防控系統(tǒng)性風(fēng)險的金融穩(wěn)定保障體系。”系統(tǒng)性風(fēng)險不同于普通風(fēng)險，其不僅損害了個別機(jī)構(gòu)的穩(wěn)定，同時對整個金融系統(tǒng)的抵抗力產(chǎn)生了不可估量的影響^[1]。保險業(yè)作為經(jīng)濟(jì)的減震器和社會的穩(wěn)定器，是現(xiàn)代經(jīng)濟(jì)的重要產(chǎn)業(yè)和風(fēng)險管理的重要手段，直接關(guān)系金融安全乃至國家安全，必須切實守住不發(fā)生系統(tǒng)性風(fēng)險的底線。近年來，我國保險業(yè)向著集團(tuán)化發(fā)展，保險機(jī)構(gòu)傾向于選擇混業(yè)經(jīng)營以增加市場份額，但隨著混業(yè)經(jīng)營的發(fā)展，保險業(yè)風(fēng)險傳染渠道增多，保險業(yè)系統(tǒng)性風(fēng)險不斷醞釀積聚。因此，構(gòu)建中國保險業(yè)系統(tǒng)性風(fēng)險評估與預(yù)警機(jī)制，加強(qiáng)系統(tǒng)性風(fēng)險的識別、監(jiān)測和預(yù)警，對于促進(jìn)保險業(yè)健康持續(xù)發(fā)展、維護(hù)金融安全、助力實體經(jīng)濟(jì)發(fā)展都具有重要意義和深遠(yuǎn)影響。

對于保險業(yè)系統(tǒng)性風(fēng)險的評估與預(yù)警研究主要集中在兩個方面：一是從保險業(yè)整體視角進(jìn)行評估與預(yù)警。保險業(yè)對宏觀經(jīng)濟(jì)的實質(zhì)風(fēng)險貢獻(xiàn)度明顯高于銀行業(yè)^[2]，且保險業(yè)在系統(tǒng)性風(fēng)險傳導(dǎo)鏈上，行業(yè)內(nèi)的風(fēng)險正在積聚^[3]。大部分學(xué)者聚焦于保險業(yè)與金融行業(yè)之間的風(fēng)險關(guān)聯(lián)和風(fēng)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(tǒng)性風(fēng)險進(jìn)行評估，也有部分學(xué)者從行業(yè)內(nèi)部誘發(fā)因素和行業(yè)間相互滲透傳染出發(fā)^[6]評估我國保險業(yè)系統(tǒng)性風(fēng)險。保險業(yè)系統(tǒng)性風(fēng)險預(yù)警模型有Logit預(yù)測模型^[7]和層次分析模型^[8]，該方法通過探究各經(jīng)濟(jì)變量和危機(jī)之間的關(guān)聯(lián)，利用最優(yōu)預(yù)警指標(biāo)集來判斷系統(tǒng)性風(fēng)險爆發(fā)的可能性，但存在人為設(shè)定閾值、受主觀因素影響較大的問題。二是從保險機(jī)構(gòu)的風(fēng)險溢出視角進(jìn)行評估與預(yù)警。保險機(jī)構(gòu)對保險業(yè)存在風(fēng)險溢出^[9]，保險業(yè)系統(tǒng)性風(fēng)險的形成與機(jī)構(gòu)行為密切相關(guān)^[10]。目前較為成熟的保險業(yè)系統(tǒng)性風(fēng)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(guān)于預(yù)警研究主要集中在利用回歸模型^[15]、保險業(yè)整體杠桿率^[16]來預(yù)警保險業(yè)爆發(fā)風(fēng)險的可能性，但沒有考慮外部重大事件沖擊對保險業(yè)系統(tǒng)性風(fēng)險的影響。隨著金融科技運用于行業(yè)風(fēng)險監(jiān)測，有學(xué)者基于隨機(jī)森林算法，利用重復(fù)合成采樣技術(shù)，提出了保險業(yè)風(fēng)險預(yù)警新思路^[17]。該類預(yù)警方法的特征是選取多個典型保險機(jī)構(gòu)的風(fēng)險指標(biāo)，根據(jù)指標(biāo)的影響方向構(gòu)建風(fēng)險預(yù)警得分系統(tǒng)輸出保險業(yè)的風(fēng)險信號，但存在將連續(xù)風(fēng)險變量離散化導(dǎo)致信息損失的問題。

基于以上研究，本文從以下兩個方面進(jìn)行補充和完善：第一，在研究框架上，從微觀保險機(jī)構(gòu)和宏觀經(jīng)濟(jì)環(huán)境構(gòu)建保險業(yè)系統(tǒng)性風(fēng)險預(yù)警體系。已有研究框架多局限于保險業(yè)內(nèi)部單一視角，未能全面捕捉到宏觀經(jīng)濟(jì)的關(guān)聯(lián)性和金融業(yè)風(fēng)險的傳染性。本文基于系統(tǒng)性風(fēng)險具有關(guān)聯(lián)性、傳染性和外溢性特征，綜合考慮微觀保險機(jī)構(gòu)和宏觀經(jīng)濟(jì)環(huán)境對保險業(yè)系統(tǒng)性風(fēng)險的影響，基于CoVaR模型構(gòu)建風(fēng)險量化指標(biāo)以反映保險機(jī)構(gòu)風(fēng)險，利用復(fù)合式系統(tǒng)性壓力指標(biāo)法（CISS， composite indicator of systemic stress）構(gòu)建連續(xù)性測度指標(biāo)金融壓力指數(shù)以反映宏觀經(jīng)濟(jì)風(fēng)險，并將微觀風(fēng)險量化指標(biāo)和宏觀金融壓力指數(shù)融入保險業(yè)風(fēng)險預(yù)警體系，從而提高風(fēng)險預(yù)警精度。第二，在研究方法上，結(jié)合Attention-LSTM模型利用高頻數(shù)據(jù)對保險業(yè)系統(tǒng)性風(fēng)險進(jìn)行預(yù)測。已有研究多使用傳統(tǒng)模型和年度或月度數(shù)據(jù)，預(yù)警時間跨度較大，而使用日度數(shù)據(jù)可解決模型預(yù)測受到數(shù)據(jù)量限制的問題，有效解決傳統(tǒng)模型預(yù)測精度低的問題。長短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM，long short-term memory）模型在金融時序數(shù)據(jù)預(yù)測方面展現(xiàn)出顯著的優(yōu)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(jī)制會根據(jù)信息的重要性而對輸入進(jìn)行選擇性學(xué)習(xí)，將Attention-LSTM模型應(yīng)用到中國保險業(yè)系統(tǒng)性風(fēng)險的預(yù)測，可提高預(yù)測性能，增強(qiáng)模型的預(yù)測效果、泛化能力和時間穩(wěn)定性。綜上，本文在保險業(yè)系統(tǒng)性風(fēng)險傳導(dǎo)機(jī)制和預(yù)警機(jī)制理論分析的基礎(chǔ)上，利用CoVaR方法評估保險業(yè)系統(tǒng)性風(fēng)險，結(jié)合Attention-LSTM模型建立微觀保險機(jī)構(gòu)和宏觀經(jīng)濟(jì)環(huán)境雙重影響下的風(fēng)險預(yù)警機(jī)制，以期為保險業(yè)系統(tǒng)性風(fēng)險的監(jiān)管和預(yù)警提供決策參考。

二、保險業(yè)系統(tǒng)性風(fēng)險的理論分析

（一）保險業(yè)系統(tǒng)性風(fēng)險的內(nèi)涵

目前對于保險業(yè)系統(tǒng)性風(fēng)險的內(nèi)涵還未形成統(tǒng)一的定義。中國保監(jiān)會《國內(nèi)系統(tǒng)重要性保險機(jī)構(gòu)監(jiān)管暫行辦法》強(qiáng)調(diào)系統(tǒng)性風(fēng)險由保險機(jī)構(gòu)內(nèi)部因素和保險業(yè)外部的不確定因素引起，將負(fù)面效應(yīng)傳染至金融體系和實體經(jīng)濟(jì)^[18]。Felix等從直接風(fēng)險和間接風(fēng)險維度對保險業(yè)系統(tǒng)性風(fēng)險進(jìn)行定義，前者是保險承保本身對整個金融系統(tǒng)的第一輪效應(yīng)，后者是保險公司和保險集團(tuán)受到?jīng)_擊后對更廣泛的金融系統(tǒng)造成第二輪風(fēng)險威脅^[19]。鄒奕格和陸思婷將保險業(yè)系統(tǒng)性風(fēng)險定義為保險業(yè)系統(tǒng)面對大規(guī)模沖擊時為保證發(fā)揮核心保障功能而應(yīng)具有的償付能力的損失程度^[20]。

綜上，結(jié)合系統(tǒng)性風(fēng)險的三個關(guān)鍵點——風(fēng)險起因、風(fēng)險傳染過程和風(fēng)險結(jié)果，將保險業(yè)系統(tǒng)性風(fēng)險界定為單個或多個保險機(jī)構(gòu)由于自身經(jīng)營不善或外部沖擊產(chǎn)生風(fēng)險，通過金融系統(tǒng)關(guān)聯(lián)性觸發(fā)傳染機(jī)制，將其負(fù)面效應(yīng)傳染至金融體系和實體經(jīng)濟(jì)，從而造成重大經(jīng)濟(jì)損失。

（二）保險業(yè)系統(tǒng)性風(fēng)險的傳導(dǎo)機(jī)制

保險業(yè)系統(tǒng)性風(fēng)險的傳導(dǎo)機(jī)制是指保險機(jī)構(gòu)或者某個行業(yè)發(fā)生風(fēng)險而導(dǎo)致整個保險業(yè)甚至整個金融業(yè)和實體經(jīng)濟(jì)面臨風(fēng)險的傳染過程。保險業(yè)的傳導(dǎo)性主要體現(xiàn)在保險機(jī)構(gòu)和外部環(huán)境兩個維度，保險業(yè)系統(tǒng)性風(fēng)險傳導(dǎo)機(jī)制如圖1所示。

由圖1可得風(fēng)險傳導(dǎo)機(jī)制主要包括：一是保險機(jī)構(gòu)內(nèi)部危機(jī)對系統(tǒng)性風(fēng)險的觸發(fā)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(chǎn)，導(dǎo)致其易產(chǎn)生道德風(fēng)險和冒險動機(jī)，以致保險機(jī)構(gòu)發(fā)生風(fēng)險；在投保人層面，投保人在保險機(jī)構(gòu)產(chǎn)生的監(jiān)督成本遠(yuǎn)遠(yuǎn)大于行使監(jiān)督職能獲得的回報，同時政府的隱形擔(dān)保更是削弱了投保人的監(jiān)督意愿，使得保險機(jī)構(gòu)產(chǎn)生內(nèi)部無法消化的風(fēng)險，最后機(jī)構(gòu)的風(fēng)險外溢至整個金融系統(tǒng)。二是外部沖擊對保險業(yè)系統(tǒng)性風(fēng)險的增加作用，此時保險業(yè)是外部沖擊的受害者和承擔(dān)者。金融環(huán)境惡化帶來的風(fēng)險會在保險業(yè)內(nèi)擴(kuò)散并增加，風(fēng)險的反向傳遞性和破壞性不斷擴(kuò)大，風(fēng)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(jīng)濟(jì)部門產(chǎn)生更大的風(fēng)險。

（三）保險業(yè)系統(tǒng)性風(fēng)險的預(yù)警機(jī)制

風(fēng)險預(yù)警機(jī)制就是對驅(qū)動因子進(jìn)行分析，結(jié)合技術(shù)手段，達(dá)到對風(fēng)險預(yù)判的目的。宏觀經(jīng)濟(jì)環(huán)境的變化和微觀保險機(jī)構(gòu)產(chǎn)生的風(fēng)險都可能會引發(fā)保險業(yè)系統(tǒng)性風(fēng)險，因此構(gòu)建微觀保險機(jī)構(gòu)和宏觀經(jīng)濟(jì)環(huán)境雙重影響下的中國保險業(yè)系統(tǒng)性風(fēng)險預(yù)警機(jī)制如圖2所示。

由圖2可得保險業(yè)系統(tǒng)性風(fēng)險預(yù)警機(jī)制涵蓋微觀保險機(jī)構(gòu)和宏觀經(jīng)濟(jì)環(huán)境兩個維度：從微觀保險機(jī)構(gòu)維度基于CoVaR模型構(gòu)建保險業(yè)風(fēng)險量化指標(biāo)，從宏觀經(jīng)濟(jì)環(huán)境維度基于復(fù)合式系統(tǒng)性壓力指標(biāo)法構(gòu)建衡量宏觀經(jīng)濟(jì)風(fēng)險的金融壓力指數(shù)。綜合考慮微觀保險機(jī)構(gòu)和宏觀經(jīng)濟(jì)環(huán)境對保險業(yè)系統(tǒng)性風(fēng)險的影響，將Attention-LSTM模型作為預(yù)警模型，融合保險業(yè)風(fēng)險量化指標(biāo)SymbolDA@CoVaRsys，t和金融壓力指數(shù)對保險業(yè)系統(tǒng)性風(fēng)險進(jìn)行預(yù)警。

三、模型構(gòu)建

（一）CoVaR模型

Adrian和Brunnermeier為彌補VaR模型無法衡量風(fēng)險對金融機(jī)構(gòu)傳染擴(kuò)散的不足，提出條件風(fēng)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(dāng)金融機(jī)構(gòu)i的收益率為VaRiq時，金融機(jī)構(gòu)j的風(fēng)險值。該風(fēng)險值包含無條件在險價值VaRjq和風(fēng)險溢出價值ΔCoVaRj|iq兩部分：

CoVaRj|iq=VaRjq+ΔCoVaRj|iq（2）

將式（2）變換可得機(jī)構(gòu)i發(fā)生危機(jī)時，對保險業(yè)的風(fēng)險溢出為：

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

（二）DCC-GARCH模型

廣義動態(tài)條件相關(guān)系數(shù)（DCC-GARCH）模型可刻畫金融機(jī)構(gòu)（市場）i和j的動態(tài)關(guān)聯(lián)性與溢出效應(yīng)，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(yù)期收益率之間的差異，在該模型中服從正態(tài)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(biāo)準(zhǔn)化殘差列向量，是向量εt標(biāo)準(zhǔn)后的結(jié)果。Pt為動態(tài)相關(guān)系數(shù)矩陣，Qt為協(xié)方差矩陣，其提供了關(guān)于不同資產(chǎn)收益率之間聯(lián)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(jīng)過GARCH模型擬合得到的條件協(xié)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(jīng)過殘差標(biāo)準(zhǔn)化后的無條件協(xié)方差矩陣，即t=E［εt－1ε′t－1］。估計參數(shù)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(yīng)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(xié)方差矩陣，Dt為GARCH模型得到的標(biāo)準(zhǔn)差取對角項。由式（4）可得DCC-GARCH（1，1）模型下的動態(tài)相關(guān)系數(shù)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(jīng)網(wǎng)絡(luò)（LSTM）模型的核心是記憶單元，其通過門限結(jié)構(gòu)控制神經(jīng)元狀態(tài)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(quán)重矩陣，bf，bi，bc，bo為偏置向量，σ為激活函數(shù)。對每個時間t計算it，將輸入門信息與權(quán)重矩陣相乘，再加上偏置量，產(chǎn)生需要更新的數(shù)據(jù)，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(jìn)行遺忘。對每個時間t，計算ft，再將遺忘門的輸入信息與權(quán)重矩陣相乘，并加上偏置，進(jìn)行狀態(tài)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(jī)制的LSTM模型。將經(jīng)過LSTM層后的輸出ht輸入Attention層，計算輸入序列和目標(biāo)序列的相關(guān)性。wt是權(quán)重矩陣，bt是注意力機(jī)制的偏置，得到Attention層的相似度：μt=tanh（wtht+bt）。再利用Softmax函數(shù)進(jìn)行歸一化處理。vw是隨機(jī)初始化的注意力權(quán)重矩陣，得到歸一化后的權(quán)重αt為：

αt=exp（μTtvw）∑Tt=1exp（μTtvw）（12）

將LSTM模型的輸出數(shù)據(jù)進(jìn)行加權(quán)求和得到S，即不同權(quán)重與對應(yīng)隱藏層狀態(tài)乘積的累加和，最終得到各個變量被賦予不同關(guān)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(yè)系統(tǒng)性風(fēng)險評估研究

（一）中國保險業(yè)系統(tǒng)性風(fēng)險評估

防范系統(tǒng)性風(fēng)險的關(guān)鍵是研究不同機(jī)構(gòu)對整個行業(yè)的風(fēng)險溢出狀況[24]。目前我國有6家上市保險機(jī)構(gòu)①，中國人保和中國太平由于在香港上市，在會計準(zhǔn)則、財務(wù)報告要求、市場監(jiān)管環(huán)境、投資者結(jié)構(gòu)等方面都存在差異，故不作為研究對象。為準(zhǔn)確評估中國保險業(yè)系統(tǒng)性風(fēng)險以及風(fēng)險預(yù)警機(jī)制的預(yù)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(yè)務(wù)廣，總資產(chǎn)規(guī)模龐大，而中國太保和新華保險在壽險領(lǐng)域有深厚積累，占據(jù)市場重要地位。這四家保險機(jī)構(gòu)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(yè)風(fēng)險變化的重點對象。

選取共同交易日的收盤價，用更加平穩(wěn)的對數(shù)收益率乘100計算保險機(jī)構(gòu)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(yè)的收益率值為機(jī)構(gòu)收益率與市場占有率的加權(quán)值，即Rsys，t=∑4i=1wiRi，t。由于市場占有率wi是時變的，從行業(yè)層面為更準(zhǔn)確地反映保險業(yè)中保險機(jī)構(gòu)的平均地位和影響力，同時平滑短期市場波動帶來的不穩(wěn)定性，提升保險業(yè)收益率評估模型的穩(wěn)定性與準(zhǔn)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(xiàn)出“尖峰厚尾”的特征，選取t分布進(jìn)行擬合，利用DCC-GARCH（1，1）模型進(jìn)行估計，通過式（5）計算得到四家保險機(jī)構(gòu)與保險業(yè)的動態(tài)相關(guān)系數(shù)，四家保險機(jī)構(gòu)與整個保險業(yè)的收益率波動的相關(guān)性都在0.7以上。進(jìn)一步得到保險機(jī)構(gòu)i在t時刻對保險業(yè)的風(fēng)險溢出值SymbolDA@CoVaRi，t，2015年股市震蕩時和2019年底公共衛(wèi)生事件發(fā)生時該值出現(xiàn)較大波動，系統(tǒng)重要性保險機(jī)構(gòu)的風(fēng)險溢出值增加。將i/∑4i=1i作為權(quán)重，利用加權(quán)求和可得中國保險業(yè)系統(tǒng)性風(fēng)險量化指標(biāo)SymbolDA@CoVaRsys，t在實驗區(qū)間的變化，如圖3所示。

從圖3可以看出，中國保險業(yè)系統(tǒng)性風(fēng)險評估指標(biāo)符合經(jīng)濟(jì)歷史事件。2015年發(fā)生的股市震蕩導(dǎo)致系統(tǒng)性風(fēng)險急劇上升，并達(dá)到頂峰；2016年第二代償付能力監(jiān)管制度體系的實施使得風(fēng)險發(fā)生小幅波動；2018年在中美貿(mào)易摩擦的影響下，保險業(yè)系統(tǒng)性風(fēng)險上升；在2019年底發(fā)生的公共衛(wèi)生事件沖擊下，保險業(yè)陷入高賠付、高投訴的旋渦，導(dǎo)致保險業(yè)系統(tǒng)性風(fēng)險上升。

（二）重大事件對風(fēng)險的影響分析

在重大事件的影響下，保險業(yè)系統(tǒng)性風(fēng)險的關(guān)聯(lián)性、傳染性和外溢性顯著增加，其對保險業(yè)系統(tǒng)性風(fēng)險產(chǎn)生的影響不容忽視。為分析不同性質(zhì)事件對保險業(yè)系統(tǒng)性風(fēng)險的影響，根據(jù)《中國保險報》評選出的保險業(yè)十大新聞②，篩選出與保險業(yè)系統(tǒng)性風(fēng)險相聯(lián)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(jiān)管制度體系的實施、2018年3月的中美貿(mào)易摩擦、2019年12月的公共衛(wèi)生事件。按照事件的發(fā)生時間，將每個事件劃分為發(fā)生前、發(fā)生時、發(fā)生后3個階段，四件代表性事件的保險業(yè)風(fēng)險變化狀況如圖4所示。

由圖4可知，股市震蕩時的保險業(yè)風(fēng)險值高于其他事件的風(fēng)險值，而第二代償付能力監(jiān)管制度體系實施時的保險業(yè)風(fēng)險值離散程度最大。原因在于股市震蕩導(dǎo)致資金流動性短缺，退保潮興起使得保險業(yè)風(fēng)險增加；第二代償付能力監(jiān)管制度體系的實施是對保險業(yè)進(jìn)行的政策改革，導(dǎo)致不同業(yè)務(wù)類型的保險機(jī)構(gòu)在適應(yīng)新監(jiān)管要求的過程中風(fēng)險管理能力出現(xiàn)較大的差異，保險業(yè)風(fēng)險值波動增大。

2015年6月，我國股票市場出現(xiàn)大幅波動，給保險業(yè)帶來了一定的不利影響③；2016年1月第二代償付能力監(jiān)管制度體系實施后，2016年6月償付能力達(dá)標(biāo)公司的數(shù)量占比達(dá)98%，資產(chǎn)占比達(dá)99%，未產(chǎn)生大幅風(fēng)險外溢④；2018年中美貿(mào)易摩擦使得保險公司需要更長的時間應(yīng)對低利率環(huán)境，企業(yè)經(jīng)營承壓導(dǎo)致信用風(fēng)險上升，匯率壓力影響保險公司國際化業(yè)務(wù)的推進(jìn)；2019年12月發(fā)生的公共衛(wèi)生事件使得保險業(yè)在為全社會提供風(fēng)險保障的同時，保險機(jī)構(gòu)的索賠壓力和經(jīng)營壓力增大，另外保險業(yè)在疫情期間推出了許多特別舉措，如取消免賠額、理賠醫(yī)院、診療項目和等待期限制等⑤，這些舉措也增加了保險機(jī)構(gòu)的經(jīng)營壓力。

五、中國保險業(yè)系統(tǒng)性風(fēng)險預(yù)警研究

（一）金融壓力指數(shù)構(gòu)建

在我國金融自由化進(jìn)程不斷加速和金融混業(yè)經(jīng)營程度不斷深化的背景下，各市場間的風(fēng)險共振對保險業(yè)系統(tǒng)性風(fēng)險也有顯著影響。對于宏觀經(jīng)濟(jì)風(fēng)險的測量，常用的是指數(shù)法[26]。Illing和Liu提出的綜合性指標(biāo)金融壓力指數(shù)一般由反映股票、債券、外匯等機(jī)構(gòu)風(fēng)險指標(biāo)匯總編制而成，受到研究領(lǐng)域和金融監(jiān)管機(jī)構(gòu)的歡迎[27]，且金融壓力指數(shù)構(gòu)建相對靈活，可對模型的風(fēng)險指標(biāo)、指標(biāo)權(quán)重等進(jìn)行調(diào)整。由于整個市場的關(guān)聯(lián)性，當(dāng)一個市場產(chǎn)生風(fēng)險的時候，與其相關(guān)性越強(qiáng)的市場受到的影響也就越大［28］，相關(guān)性強(qiáng)的機(jī)構(gòu)應(yīng)賦予更高的權(quán)重，故采用CISS法合成金融壓力指數(shù)。選取的指標(biāo)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(fēng)險和交易對手風(fēng)險。債券市場的兩個指標(biāo)可用來預(yù)測經(jīng)濟(jì)衰退。股票市場選取的滬深300指數(shù)波動率可反映中國股票市場的系統(tǒng)性壓力[29]。金融部門選取的CMAX表明一年的移動時間窗口內(nèi)的最大累積損失，CMAX越大，風(fēng)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(biāo)，匯率由宏觀經(jīng)濟(jì)、金融和貿(mào)易因素綜合決定[30]。

使用累積分布函數(shù)CDF對基礎(chǔ)指標(biāo)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，將數(shù)據(jù)轉(zhuǎn)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(biāo)數(shù)據(jù)值xi，j，t（t=1，2，…，T）進(jìn)行非降序排列得到，再采用式（16）經(jīng)驗分布函數(shù)Fn（xi，j，t）將xi，j，t轉(zhuǎn)化為標(biāo)準(zhǔn)化指標(biāo)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(biāo)準(zhǔn)化數(shù)據(jù)結(jié)合等權(quán)重法合成子市場壓力指數(shù)，用Si，t表示第i個子市場在時間t的壓力指數(shù)。使用CISS法合成金融壓力指數(shù)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(quán)重向量，5為選定的子市場個數(shù)。Ct為DCC-GARCH模型和代理指標(biāo)得到的動態(tài)相關(guān)系數(shù)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(shù)如圖5所示，圖5中顯示波動時間點與經(jīng)濟(jì)事件沖擊時間點吻合。

為將金融壓力指數(shù)納入保險業(yè)系統(tǒng)性風(fēng)險預(yù)警機(jī)制，需考察金融壓力指數(shù)對ΔCoVaRsys，t的預(yù)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(jié)果均在1%的水平上顯著，表明變量間存在顯著的非線性關(guān)系，進(jìn)一步進(jìn)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(shù)與保險業(yè)系統(tǒng)性風(fēng)險量化指標(biāo)ΔCoVaRsys，t之間存在非線性因果關(guān)系，可將金融壓力指數(shù)納入風(fēng)險預(yù)警機(jī)制，將非線性模型作為預(yù)警模型。金融壓力指數(shù)能反映宏觀經(jīng)濟(jì)壓力的變化，將其納入風(fēng)險預(yù)警機(jī)制意味著充分考慮了保險機(jī)構(gòu)內(nèi)部和宏觀經(jīng)濟(jì)環(huán)境對保險業(yè)系統(tǒng)性風(fēng)險的影響。為更直觀地對比影響效果，利用Attention-LSTM模型進(jìn)行實證研究。

（二）Attention-LSTM模型構(gòu)建

采用Attention-LSTM模型構(gòu)建保險業(yè)系統(tǒng)性風(fēng)險預(yù)警機(jī)制。將數(shù)據(jù)劃分為訓(xùn)練集和測試集，劃分比例為3∶1，采用滑動窗口法對數(shù)據(jù)進(jìn)行迭代預(yù)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(jìn)行預(yù)測性能評估。

Attention-LSTM模型的超參數(shù)有：（1）隱含層的神經(jīng)元數(shù)量，選取區(qū)間為5～30，間隔為5進(jìn)行選取，最終選取的隱藏層神經(jīng)元個數(shù)為15；（2）批量大小，batch_size為60；（3）迭代次數(shù)50～200，每隔20進(jìn)行選取；（4）LSTM層數(shù)為3，模型結(jié)構(gòu)為輸入層、LSTM層、Attention層、全連接層和輸出層。

（三）實證結(jié)果與分析

為直觀比較不同預(yù)警機(jī)制和不同模型對保險業(yè)系統(tǒng)性風(fēng)險預(yù)測精度的影響，進(jìn)行數(shù)據(jù)對比和模型對比實驗，實驗結(jié)果如下：

（1）考慮微觀保險機(jī)構(gòu)風(fēng)險溢出的預(yù)警機(jī)制。利用Attention-LSTM模型對保險業(yè)系統(tǒng)性風(fēng)險衡量指標(biāo)SymbolDA@CoVaRsys，t進(jìn)行單變量預(yù)測，為說明模型的有效性，將Attention-LSTM模型與選定的模型進(jìn)行對比，不同模型的測試集擬合效果如圖6所示。可以發(fā)現(xiàn)Attention-LSTM模型擬合效果較好，測試集的誤差較小，有較好的預(yù)測性能，對比LSTM模型、Attention-RNN模型、BP神經(jīng)網(wǎng)絡(luò)和SVR模型，Attention-LSTM模型的學(xué)習(xí)誤差最小，LSTM模型的預(yù)測效果次之，學(xué)習(xí)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(yù)測精度。

（2）考慮微觀保險機(jī)構(gòu)和宏觀經(jīng)濟(jì)環(huán)境雙重影響下的風(fēng)險預(yù)警機(jī)制。將ΔCoVaRsys，t和金融壓力指數(shù)作為特征列進(jìn)行多變量預(yù)測，隨著迭代次數(shù)的增加，訓(xùn)練集和測試集的損失迅速下降，最后誤差趨于穩(wěn)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(shù)的保險機(jī)構(gòu)內(nèi)部預(yù)警機(jī)制的評價指標(biāo)，MAE2、RMSE2和MPAE2作為加入金融壓力指數(shù)的微觀保險機(jī)構(gòu)和宏觀經(jīng)濟(jì)環(huán)境雙重影響下的風(fēng)險預(yù)警機(jī)制評價指標(biāo)。同時，為檢查模型的時間穩(wěn)定性，選取2/3的數(shù)據(jù)即2015年1月4日至2023年4月20日間的數(shù)據(jù)進(jìn)行檢驗，將MAE2.0、RMSE2.0和MPAE2.0作為該時間段的評價指標(biāo)，結(jié)果見表2。

從表2可得，加入宏觀經(jīng)濟(jì)環(huán)境影響因素后，Attention-LSTM模型的預(yù)測精度提高。通過縱向比較發(fā)現(xiàn)，加入金融壓力指數(shù)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(fā)現(xiàn)，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(yù)測的優(yōu)越性，預(yù)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(yù)測效果好。通過縮短樣本以檢驗時間穩(wěn)定性，結(jié)果表明Attention-LSTM模型仍是最優(yōu)的，其次是LSTM模型，檢驗結(jié)果與分析結(jié)果一致，模型存在時間穩(wěn)定性。綜上表明：考慮微觀保險機(jī)構(gòu)和宏觀經(jīng)濟(jì)環(huán)境雙重影響下的保險業(yè)系統(tǒng)性風(fēng)險預(yù)警機(jī)制精度更高，Attention-LSTM作為預(yù)警模型最優(yōu)。

六、結(jié)論與建議

防范化解保險業(yè)系統(tǒng)性風(fēng)險是牢牢守住不發(fā)生系統(tǒng)性金融風(fēng)險的重要抓手，構(gòu)建中國保險業(yè)系統(tǒng)性風(fēng)險評估與預(yù)警機(jī)制，對于完善保險業(yè)風(fēng)險早期糾正約束制度，筑牢防控系統(tǒng)性風(fēng)險的穩(wěn)定保障體系具有重要意義。在保險業(yè)系統(tǒng)性風(fēng)險傳導(dǎo)機(jī)制和預(yù)警機(jī)制理論分析的基礎(chǔ)上，利用CoVaR方法評估中國保險業(yè)系統(tǒng)性風(fēng)險，從微觀保險機(jī)構(gòu)和宏觀經(jīng)濟(jì)環(huán)境構(gòu)建Attention-LSTM模型對保險業(yè)系統(tǒng)性風(fēng)險進(jìn)行預(yù)警分析。研究發(fā)現(xiàn)：第一，重大事件沖擊會增大系統(tǒng)重要性保險機(jī)構(gòu)對保險業(yè)的風(fēng)險溢出，股市震蕩相比于其他事件對保險業(yè)風(fēng)險的沖擊最大。第二，金融壓力指數(shù)不僅能反映宏觀經(jīng)濟(jì)風(fēng)險，而且能增強(qiáng)保險業(yè)系統(tǒng)性風(fēng)險的非線性預(yù)測能力，將其納入風(fēng)險預(yù)警體系后，其預(yù)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(jīng)網(wǎng)絡(luò)和SVR模型，Attention-LSTM模型作為預(yù)警模型更優(yōu)。Attention-LSTM模型能捕捉風(fēng)險間的關(guān)聯(lián)性和傳染性，在預(yù)測準(zhǔn)確性、泛化能力和時間穩(wěn)定性方面均優(yōu)于傳統(tǒng)機(jī)器學(xué)習(xí)模型。基于以上結(jié)論，本文提出以下建議：

第一，在制定保險業(yè)系統(tǒng)性風(fēng)險防控措施時，要充分考慮外部沖擊對保險業(yè)風(fēng)險的影響，建立保險業(yè)風(fēng)險分區(qū)管理體系。首先，根據(jù)不同地區(qū)、不同業(yè)務(wù)線的風(fēng)險特征，建立“因事而異”的分區(qū)管理體系：對于高風(fēng)險地區(qū)或業(yè)務(wù)線，可以采取更加嚴(yán)格的風(fēng)險控制措施；對于低風(fēng)險地區(qū)或業(yè)務(wù)線，則可以適度放寬風(fēng)險管理標(biāo)準(zhǔn)，提高運營效率。其次，根據(jù)不同事件沖擊的性質(zhì)和程度，建立“因時而異”的分區(qū)管理體系：保險公司需要動態(tài)調(diào)整風(fēng)險管理策略，針對可能發(fā)生的重大外部沖擊制定詳細(xì)的應(yīng)急預(yù)案，確保在發(fā)生重大外部沖擊時能夠迅速應(yīng)對，有序有效防范化解保險業(yè)風(fēng)險，將風(fēng)險危害降到最低，保證整個金融業(yè)的穩(wěn)定。

第二，從微觀保險機(jī)構(gòu)和宏觀經(jīng)濟(jì)環(huán)境雙重維度構(gòu)建保險業(yè)系統(tǒng)性風(fēng)險預(yù)警機(jī)制。微觀維度要從保險機(jī)構(gòu)內(nèi)部出發(fā)建立完善的風(fēng)險識別和評估機(jī)制，及時發(fā)現(xiàn)外部沖擊帶來的風(fēng)險，特別是系統(tǒng)重要性保險機(jī)構(gòu)要加強(qiáng)自身風(fēng)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(yè)系統(tǒng)性風(fēng)險的影響，健全風(fēng)險預(yù)警體系，保險業(yè)監(jiān)管部門要重視與貨幣、股票、債券等多家監(jiān)管部門的密切合作，注重風(fēng)險防范的系統(tǒng)性、前瞻性和時效性，縮小風(fēng)險監(jiān)管盲區(qū)，避免因風(fēng)險累積而對行業(yè)穩(wěn)定造成沖擊。

第三，將深度學(xué)習(xí)模型等前沿技術(shù)納入保險業(yè)風(fēng)險評估平臺和風(fēng)險預(yù)警體系。利用前沿技術(shù)建立持續(xù)的監(jiān)控機(jī)制與預(yù)警機(jī)制，通過數(shù)據(jù)分析、模型預(yù)測等方法對外部沖擊帶來的風(fēng)險進(jìn)行實時監(jiān)測和反饋，及時發(fā)現(xiàn)潛在風(fēng)險，跟蹤研判重點領(lǐng)域、重大事件風(fēng)險并采取相應(yīng)措施盡早做出防范，阻止風(fēng)險蔓延，以保障我國保險業(yè)高質(zhì)量發(fā)展。

注釋：

① 6家上市保險機(jī)構(gòu)包括中國平安保險集團(tuán)（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(tuán)（簡稱中國人保）、中國太平洋保險集團(tuán)（簡稱中國太保）、中國太平保險集團(tuán)（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(yè)十大新聞是在國家金融監(jiān)督管理總局的指導(dǎo)下，由中國保險行業(yè)協(xié)會組織開展征集的榜單。

③ 資料來源于《中國保監(jiān)會關(guān)于2015年上半年償付能力監(jiān)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(xiàn)：

［1］ 薛皓元.系統(tǒng)性金融風(fēng)險應(yīng)對中的基本權(quán)利保護(hù)[J].財經(jīng)理論與實踐，2023，44（4）：137-145.

［2］ 周天蕓，楊子暉，余潔宜.機(jī)構(gòu)關(guān)聯(lián)、風(fēng)險溢出與中國金融系統(tǒng)性風(fēng)險[J].統(tǒng)計研究，2014，31（11）：43-49.

［3］ 謝遠(yuǎn)濤，蔣濤，楊娟.基于尾部依賴的保險業(yè)系統(tǒng)性風(fēng)險度量[J].系統(tǒng)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(nèi)系統(tǒng)重要性保險機(jī)構(gòu)評估與分析——基于指標(biāo)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(yè)系統(tǒng)性風(fēng)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(yè)重要風(fēng)險點的識別和演化分析——基于財務(wù)報告中披露的文本風(fēng)險信息[J].系統(tǒng)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(tǒng)性風(fēng)險及其監(jiān)管：文獻(xiàn)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(jī)構(gòu)系統(tǒng)重要性的度量[J].統(tǒng)計與決策，2017（8）：146-149.

［14］卓志，朱衡.保險業(yè)系統(tǒng)性風(fēng)險研究前沿與動態(tài)[J].經(jīng)濟(jì)學(xué)動態(tài)，2017（6）：109-120.

［15］徐華，羅婧文，朱佳欣.中國保險業(yè)系統(tǒng)性風(fēng)險評估及預(yù)警研究[C]//陳秉正.2019中國保險與風(fēng)險管理國際年會論文集.北京：清華大學(xué)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(chǎn)管理，2017（6）：57-70.

［17］謝荻帆.基于機(jī)器學(xué)習(xí)的保險業(yè)風(fēng)險監(jiān)測預(yù)警模型研究[J].金融監(jiān)管研究，2023（5）：101-114.

［18］中國保險監(jiān)督管理委員會.國內(nèi)系統(tǒng)重要性保險機(jī)構(gòu)監(jiān)管暫行辦法[R].北京：中國保險監(jiān)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(yè)務(wù)風(fēng)險對保險業(yè)系統(tǒng)性風(fēng)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(lián)網(wǎng)金融與傳統(tǒng)金融之間的廣義動態(tài)風(fēng)險溢出：基于Copula-ARMA-GARCH-CoVaR的實證研究[J].系統(tǒng)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(jī)構(gòu)ESG表現(xiàn)對系統(tǒng)性風(fēng)險溢出作用研究[J].湖南大學(xué)學(xué)報（社會科學(xué)版），2024，38（5）：53-61.

［25］劉璐，王春慧.基于DCC-GARCH模型的中國保險業(yè)系統(tǒng)性風(fēng)險研究[J].宏觀經(jīng)濟(jì)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(tǒng)性風(fēng)險的測度研究[J].財經(jīng)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(jīng)濟(jì)間雙向尾部風(fēng)險溢出效應(yīng)［J］.金融經(jīng)濟(jì)學(xué)研究，2023，38（2）：3-19.

［29］徐國祥，李波.中國金融壓力指數(shù)的構(gòu)建及動態(tài)傳導(dǎo)效應(yīng)研究[J].統(tǒng)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(yè)經(jīng)營風(fēng)險[J].技術(shù)經(jīng)濟(jì)，2023，42（4）：147-159.

［31］馬勇，黃科.金融壓力指數(shù)及其政策應(yīng)用：基于中國的實證分析[J].金融監(jiān)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(zé)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(xué)基金后期資助項目（22FJYB064）；陜西省社會科學(xué)基金項目（2022D012）；陜西省教育廳重點科學(xué)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(xué)經(jīng)濟(jì)管理學(xué)院副教授，研究方向：金融改革與發(fā)展、數(shù)量經(jīng)濟(jì)學(xué)。