分类经济预警机制研究
在我国经济预警理论的发展历程中，金融风险预警理论拥有了坚实的理论基础，学界据此构建分类金融风险预警机制。金融风险预警既包括宏观意义上的金融市场风险预警，也包括微观意义上的银行、证券公司、保险公司等相关行业风险预警，是经济风险预警的重要组成部分。
（1）商业银行风险预警研究
Demirguc-Kunt 和Detragiache（1998）基于国际货币基金组织（IMF）1980—1994年45 个国家相关数据，使用多元非线性模型预测银行业危机。Kaminsky（1999）以1970—1995年发生的100 余次金融危机为例，运用信号分析法研究货币危机预警中的有效指标。Alexander（1998）认为宏观数据、外部经济指标和国内经济指标在预测银行危机方面具有重要意义。部分国外学者根据商业银行金融风险的主要影响因素（资本充足性、资产质量、银行管理水平、银行盈利能力、资产流动性等）构建商业银行金融风险监测指标体系。Hooks（1992）和 Linda（1995）选取代表资产风险的不同指标研究不同指标体系对银行破产早期预警模型效果的影响，结果显示，就模型预警效果而言加权风险指标＞赫芬德尔指数和贷款/资产指数＞不包含反映资产风险指标，银行资产风险对商业银行金融风险预警具有重要作用。Barr（1993）和Siems（1994）在银行风险预警方面使用数据包络法，以银行效率指数代表银行的管理水平，并纳入银行风险预警模型中，使得银行风险预警拟合更高效、准确。
朱秀娟（2014）结合中国商业银行实际风险状况，将中国商业银行风险来源划分为六类：第一，宏观经济中的通胀或结构失衡等现象导致货币供求大幅变化，商业银行作为货币资金的投放和回笼机构受到严重影响；第二，基于商业银行的资金清算及资金缺口补偿功能，国际业务逆差及游资对其的冲击；第三，由于商业银行以高负债形式经营，库存资金充盈程度决定其风险状况；第四，信贷业务带来的风险；第五，商业银行为盈利性机构，其经营状况影响风险程度；第六，商业银行流动性程度制约其风险大小。许崇正、刘雪梅（2002）结合我国商业银行实际业务，探究商业银行主要经营业务代表指标，包括反映货币流通状况的指标体系（各层次货币供应量增长率、货币流动性比率、货币供应量M2 与GDP 的增长率之比）、反映资本风险状况的指标体系（资本充足率、核心资本充足率、同一借款户贷款余额比例、最大十家客户贷款比例）、反映信贷收支状况的指标体系（资产流动性比率、存款余额增长率、贷款余额增长率、短期资金贷款比例、中长期资金贷款比例）、反映国际业务状况的指标体系（经常项目逆差占GDP 比重、短期外债占外债余额之比、负债率、偿债率、最后清偿率、外汇余额存贷比例、外汇短期及中长期资金贷款比例、外汇借入资金比例、外汇借出资金比例、外汇不良贷款比例）、反映利率风险的指标体系、反映债券市场风险的指标体系（债务收益率的标准差、风险系数等）、反映流动性风险的指标体系（流动性风险比率、余额存贷比例、库存现金比例、拆入资金比例、拆出资金比例、借入资金比例、备付金比率、总偿付能力）、反映经营风险的指标体系（存款年平均成本率、负债成本率、应收利息率、贷款收息率、资产利润率、损益指标完成率），以求达到有效监控我国商业银行金融风险的目的。
范恒冬、吕娟（2011）结合中国金融风险特征，选取外部指标（宏观环境）和内部指标（微观现状）两大类经济指标构建商业银行金融风险预警指标体系。其中，外部指标包括宏观经济运行和国际业务往来两方面共5 项指标，内部指标包括商业银行资本风险、信贷收支状况、经营风险、流动性风险四方面共15项指标。之后依据中国人民银行及原银行业监督管理委员会的政策性文件划分预警体系各指标的安全区间，并采用主观赋权法和客观赋权法确定指标权重，进行商业银行金融风险评价。对我国2008—2010年的商业银行金融风险实证结果显示，尽管我国商业银行目前尚处于基本安全区域，但部分指标仍旧给出了风险信号。孙莹莹（2016）分析我国商业银行现有的金融风险预警指标体系。赵楷（2017）结合我国商业银行的主要金融风险来源，选取合适的指标对商业银行金融风险预警体系进行设计；利用AHP 层次分析法和模糊综合评价方法确定指标权重与综合得分；2012—2014年的实证结果表明我国商业银行金融发展稳定，整体风险平稳，个别指标异常。
国内学者针对商业银行信贷风险的研究颇多。陈惠娟、加云岗（2018）运用hortonworks 大数据平台技术实现内部数据（如信贷业务数据、企业客户信息中心（ECIF）客户数据）和外部数据（如法院数据、被执行人数据、黑名单数据、抵押数据、新闻信息数据等）的有机结合，构建可实现全方位评估的信贷风险预警系统。葛青青（2015）利用主成分分析法从所选指标体系中提炼出12个主成分，运用支持向量机构建个人信贷信用风险预警机制模型。以合肥市某工商银行为例进行实证检验，结果表明，基于支持向量机模型的个人信贷信用风险预警机制模型准确率高达92.9%。隋剑雄、林琪（2004）从借款企业、信贷项目、银行内控和环境因素四个层面建立商业银行信贷风险预警指标体系，采用层次分析法和本征向量法建立风险预警模型，符合现代化银行发展趋势。
（2）保险风险预警研究
20 世纪六七十年代起，国外关于保险公司风险预警的研究由定性为主演变为定量为主。Trieschmann，Pinches（1973）以财险企业的财务困境为研究对象，采用多变量判别分析的方法，运用应收账款率、债券成本率、已付损失理算费用加已付签单费用/签单净保费、综合率、股票成本率等六个指标对财险企业财务风险状况进行预警研究。实证结果显示，多变量判别分析方法用于风险预警效果很好，正确预测率高达94%。Brockett，Cooper，Golden，Pitaktong（1994）利用人工神经网络模型分析财险公司的财务风险，实证结果表明使用人工神经网络模型方法模拟财险公司财务风险效果更好。
不仅国外相关领域研究持续发展，国内研究也有所突破。陈明霞（2009）通过专家咨询法建立具体社会保障基金风险预警指标体系，包括制度设计风险、管理风险、操作风险、道德风险四方面量化指标和非量化指标，通过层次分析法计算各指标权重建立预警评价模型，预判社会保障基金的不同风险状态等级：绿灯（正常状态）、黄灯（低度风险状态）、红灯（高度风险状态）、双红灯（危机状态）。王翠琴、薛惠元（2011）从制度设计风险（新农保目标替代率）、筹资风险（中央财政对新农保的年补贴数额占中央财政收入、中央财政支出的比重、地方财政对新农保的年补贴数额占地方财政收入、地方财政支出的比重）、基金保值增值风险（实际利率、实际投资收益率）、给付风险（养老金收入占当年基本生活消费支出比重）、管理风险（操作风险、基金挪用风险和养老金欺诈风险）和制度环境风险（政治风险、经济风险、灾害风险）等六大方面选择指标建立起了新农保风险预警指标体系，通过层次分析法确定各指标的权重，各指标的权重与其风险值相乘并求和即得到预警总风险值，值越大，表明新农保制度所面临的风险越大，并根据总风险值的大小用红灯（总风险值在 0.8 以上，风险较大）、黄灯（0.6～0.8，风险中等偏上）、绿灯（0.4～0.6，风险中等）、蓝灯（0.2～0.4，风险较小）、白灯（0.2 以下，风险很小）示警。盛国毅（2013）将BP 人工神经网络创造性地引入城镇职工基本养老保险基金风险预警系统，从基金征缴、基金投资运营、基金给付三个方面选择对应指标建立城镇职工基本养老保险基金风险预警指标体系，利用主成分分析法确定指标权重，并以2001—2010年十年间历史数据进行风险预警系统的仿真模拟，确定最优城镇职工基本养老保险基金风险预警系统。实证结果显示，城镇职工基本养老保险基金风险来源包括：基金收入（26.24%）、基金支出（13.8%）、投资运营（13.38%）、道德（24.39%）和制度设计（9.67%）。
丁劲光、徐齐玲（2016）以宁夏回族自治区为例，提出了存款保险风险评估预警机制：①预警过程：T 期内、外部环境状况→预警指标→预警处理→预警信号→T + t 期银行健康状况。②存款保险风险评估预警对象是中小法人金融机构。③预警指标体系包括宏观经济金融风险指标、中观经济金融风险指标和微观经济金融风险指标三大类风险预警层次，宏观经济、金融业系统风险、金融生态环境、资本风险、信用风险、盈利性风险、流动性风险等8 种风险类型，共23 项预警指标。根据综合评分的高低将金融机构的评估预警结果分为A（安全）、B（基本安全）、C（轻度风险）、D（风险）、E（严重风险）、F（危机）等六个等级，以判断各个地方法人金融机构经营状况的好坏。基于历史数据、专家意见和业界公认标准，并利用主成分分析法和专家赋值法，确定各预警指标的预警区间临界值以及权重赋值，并对指标数据进行综合度量。根据对宁夏部分地方法人金融机构存款保险风险评估，一般处于“安全”“轻度风险”预警区间内，与人民银行监测情况基本一致。朱衡（2015）利用3δ原理和因子分析法评估、预警基本养老保险基金收支失衡风险，在预设定预警模型的基础上利用1989—2012年历史数据进行实证检验，将粗糙集与BP 神经网络模型组合，构建基本养老保险基金收支失衡预警模型，模型预警结果拟合程度较高，能良好地刻画基本养老保险基金的收支能力。廖晓瑜（2016）则运用BP 神经网络方法、指数平滑预测方法和系统动力学等方法，建立医疗保险基金预警体系，对上海城镇职工医疗保险基金的未来收支情况进行预测。结果显示，上海未来几年的城镇职工医疗保险基金都处于中警甚至重警的警度级别。
（3）证券风险预警研究
国外对商业银行、证券公司及企业的风险预警模型研究方法较为相似，多集中于多变量判别分析法、非参数判别分析法、概率回归模型（Probit，Logistic）、人工神经网络等。国内对证券公司风险预警系统的研究已经较为成熟，但多集中于财务风险方面。
肖湘平（2005）采用XML、WEB Service 等关键技术构建了财富证券公司风控系统，包括数据采集、风险监控、稽核审计、系统管理四大功能模块，为证券公司风险控制提供科学依据。南凤兰（2006）在完成中国证券公司风险预警指标筛选和数据处理工作后，运用层次分析法确定各指标权重及综合权重系数，利用灰色熵和模糊熵来判断本系统证券公司风险预警结果的可靠程度。实证结果表明，已经关闭或清算的证券公司风险较大，创新类证券公司风险较小。黄晓坤（2009）利用Logistic 回归模拟，选取流动资产比率、资产负债率、流动负债比率、流动比率、经纪业务比率作为证券公司风险预警指标体系，构建风险预警模型。以证券公司倒闭频发的广东省为例应用上述模型，实证结果显示该方法在证券公司风险预警方面具有一定的有效性，但受预警指标选择范围过窄的局限，仍存在完善空间。
一些学者根据系统构建中风险预警指标体系建立和处理的不同方式，以及预警信号产生方法的不同角度，构建了证券公司风险预警系统的两种应用模型——基于Logistic 回归模拟的信号判别法应用模型，及直接量化的信号提取法应用模型。张莉（2010）创新性地将宏观经济风险纳入证券公司风险预警系统中，构建新的证券公司风险预警系统创新应用模型。以广东省部分证券公司为例进行研究，结果表明新预警模型较之不考虑宏观经济风险的预警模型具有更高的准确率。姚德权、鲁志军（2013）选择系统风险与非系统风险两个一级指标，宏观经济风险、利率风险、汇率风险、证券市场风险、资本充足性、经济业务、自营业务、资产管理业务、证券承销业务九个二级指标以及十四个三级指标建立中国证券市场市场风险预警指标体系，并利用主成分分析法从中提取出六个主成分，运用改进后的Logistic 模型建立市场风险预警模型，风险预警准确率达80%；安全预警准确率达90%；总体准确率达88.57%，模型切实可行。方媛（2015）认为企业交易性证券投资风险主要源自证券发行主体、证券市场、我国的证券管理体制以及企业自身四个层面，据此选定销售净利率、净资产收益率、速动比率、权益比率、应收账款周转率、存货周转率、净利润增长率、总资产增长率和现金流动负债比率，利用主成分分析法及多元线性判定模型构建证券投资风险预警的多元线性判定模型，为企业投资部门风险管理人员提供决策依据。佘镜怀，生蕾（2017）基于我国证券市场的聚集效应、时变性和持续性等波动特征，利用ARCH 类模型构建我国证券市场波动风险预警VaR 模型，即基于GED 分布的EGARCH—M 模型，实证检验表明该模型可准确判定我国证券市场收益特征与风险特征。聂瑞华、石洪波（2018）以上市证券公司的风险预警为研究对象，建立基于贝叶斯网络的风险预警模型。作者首先建立上市证券公司风险预警指标体系，包括核心指标和其他指标两个一级指标，风险覆盖率、资本杠杆率、流动性覆盖率、净稳定资金率、净资本/净资产比率、净资本/负债比率、净资产/负债比率、自营权益类证券及其衍生品/净资本比率、自营非权益类证券及其衍生品/净资本比率九个二级指标，并参考证券协会要求确定预警线。随后分别使用贝叶斯网络方法以及支持向量机、随机森林和多项Logit模型建立风险预警模型并进行比较分析，实证结果显示，机器学习方法要优于多项分布Logit 模型，贝叶斯网络方法效果最优。
（4）供应链金融风险预警体系
供应链风险是指商业银行在对供应链企业进行融资过程中，由于事先无法预测的诸多不确定因素带来的影响可能会使供应链金融产品的实际收益与预期收益发生偏差，或者是资产不能收回从而遭受损失（彭杰，2014）。范方志、苏国强等（2017）结合互联网金融大数据的思维和数据挖掘方法，遵循“科学性、全面性、针对性和可操作性”原则，筛选出包括核心企业信用风险、中小企业自身业务风险、中小企业管理者信用风险、融资项目风险和宏观经济环境风险五方面的评价指标，以上5 个一级指标具体包括5 个二级指标和57 个三级指标，成功构建供应链金融的中小企业信用风险指标体系。之后，利用实际案例建立了供应链金融模式下中小企业信用风险的评价体系和评价模型，采用定性与定量的分析方法评价中小企业信用风险，发现中小企业的风险主要还是源于自身，因此要回归到金融服务实体经济这一本质要求来加强风险管理。胡海青等（2011）以供应链金融模式下的信用风险为研究对象，结合核心企业资信状况和供应链关系状况，构建包括行业状况、融资企业自身状况、核心企业资信状况及供应链关系状况4 个一级指标，企业基本素质、盈利能力、营运能力、成长能力、关系强度、关系久度等17 个二级指标和31 个三级指标在内的信用风险评估指标体系，并运用SVM 模型评估供应链金融模式下中小企业的信用风险。实证结果显示，基于 SVM 模型的信用风险评估体系比使用主成分分析和Logistic 回归方法建立的信用风险评估模型更具有效性和优越性。
基于互联网金融创新发展，商业银行与第三方B2B 平台相互合作的大背景，何昇轩、沈颂东（2016）以基于第三方B2B 平台的线上供应链金融为研究对象，有效识别线上供应链金融的宏观及行业风险、信用风险、供应链关系风险、质押物风险、操作风险、电银关系风险等，构建包括6 个一级指标、20 个二级指标以及77 个三级指标的线上供应链金融风险评价指标体系，遵循科学性、系统性、全面性、针对性和可操作性的原则，运用层次分析法和模糊综合评价对线上供应链金融风险进行定性与定量相结合的评估，银行和其他参与企业可据此采取针对性措施进行风险防控。马冬雪、赵一飞（2011）对第三方物流企业的供应链金融风险的预测则是从企业自身风险、银行风险、出质人风险、质物风险和环境风险等五类业务风险出发，仅选取发生频率和损失程度两个评估指标，采用模糊聚类分析方法对上述第三方物流企业的供应链金融风险进行测度，使风险防控更加科学化、准确化和高效化。
（5）互联网金融风险预警研究
E.C.Chaffee & G.C.Rapp（2014）认为互联网金融面临的风险包括传统金融风险、声誉风险、道德风险、信息风险等。Government Accountability Office（2012）以P2P 网络借贷为研究对象，研究其平台风险及监管措施。Reinhart、Lizond、Kaminsky 则首次明确提出了“信号法”（signal approach），即KLR 模型，以此对P2P 网络借贷模式风险预警进行信号分析研究。自2014年开始，学者开始利用互联网金融数据对风险预警模型开展初步的实证研究。
杨虎等（2014）结合互联网金融数据的规模性、多样性、高速性等特点，依据系统性原则、时效性原则、可操作性原则、科学性原则和弹性原则，建立涵盖数据收集、数据提取、数据分析和数据解释等以数据为中心的互联网金融风险分析的预警体系，实现利用数据中心的建设加快企业信息化，降低因管理问题导致的内部风险。朱智恒（2016）以最主要的P2P 网络借贷模式存在的风险为主要研究对象，探究互联网金融风险预警问题。
还有一些研究结合了大数据技术，例如，王璐（2016）结合大数据技术提出构建互联网金融风险预警系统的新原则，防范互联网金融风险。陈建华（2016）基于大数据背景，分析互联网金融的数据特征，提出如何构建互联网金融风险预警体系，对金融风险防范工作具有重要借鉴意义。张冰清（2020）认为互联网金融仍具有互联网本质，具有互联网一般特性（开放性、虚拟性），结合我国金融体系尚不成熟以及“互联网 + 金融”作为全新的行业发展业态尚未形成配套法律体系的背景，互联网环境下企业金融风险类型包括：信用风险、流动性风险、业务风险、法律风险及技术类风险等。唐正伟（2015）从风险的诱因、风险存在的形式以及风险的影响三个维度对P2P 借贷的潜在异化产品的风险、非法集资风险、市场风险、信用风险以及操作风险进行深入系统研究。以2008—2014年199 个P2P 平台数据为例，利用SPSS 统计软件进行回归分析，实证结果显示，P2P 借贷风险具有五个显著影响因素。P2P 借贷的平均年利率与其风险呈正向关系；P2P 借贷平台的注册资本金、网站域名创建时间、网站域名年龄与其风险呈反向关系；P2P 借贷平台所在地地处我国东部11 省份时，则P2P 借贷风险较低。
（6）房地产风险预警研究
Adalid 和Detken（2006）以欧盟国家数据为例，通过VAR 方法证明了信贷资金供给量与房价之间的正相关关系。Tsoyu Calvin Lin 和Zong-Han Lin（2011）则以亚洲部分国家和地区为例，证明了房地产市场与股票市场之间的强相关性。Michael Koetter 和Tigran Poghosyan（2010）将房地产市场的波动与商业银行的稳定性相联系。Bouchouicha 和Ftiti（2012）不再研究房地产市场与某一金融领域的关系，将研究重点放在其与宏观经济变动之间的关系上，美国的实际数据表明二者存在强动态相关性。
国内学界也已经有了比较成熟的积累，周星（2009）基于房地产全过程提出房地产金融风险关键主体——房地产开发商、银行和消费者，并提炼出了金融风险预警指标，包括资产负债率、利率、房价收入比、空置率，认为上述指标足以反映房地产金融风险。王玲玲（2019）以柳州市为例，基于BP 神经网络并结合房地产金融的动态性、客观性和相关因素繁多的特点建立房地产金融风险预警模型。房地产金融风险预警指标选取11 个指标变量，包括房地产投资增长率、房地产开发投资总额/GDP 比率、房地产开发投资总额/全社会固定资产投资总额比率、房地产开发贷款余额/全部金融机构贷款余额比率、自有资金/房地产开发资金来源总量比率、房屋施工面积/房屋竣工面积比率、房屋销售面积/房屋竣工面积比率、房价收入比、房屋空置面积/房屋竣工面积比率、房价增长率/人均可支配收入增长率比率、商品房销售面积/批准预售面积比率。通过主成分分析，提取出三个成分构造预警模型，并通过荷载矩阵求解房地产金融风险得分。最后，采用3δ 方法应用确定评价和预报警报的五个区间：过冷、偏冷、正常、偏热和过热。李琴（2015）采用基于支持向量机（SVM）的回归分析模型构建重庆市房地产金融风险预警模型，预警指标包括涵盖公司偿债能力、公司盈利能力、资产运营能力、公司成长能力、公司财务结构等方面的供给15 个财务指标，最终风险等级分为四类：重度预警状态、轻度预警态度、低风险状态、安全状态。孙蕾（2016）以山东省近15年的房地产市场数据为研究对象，使用主成分分析法、灰色预测法等方法对其风险状况进行预测，实证结果表明其建立的房地产金融风险预警体系是可行的，主成分分析法、灰色预测法等方法用于风险预警是合理的。
（7）小额信贷领域风险预警研究
国内外针对小额贷款机构风险的研究较少。国内学者对于小额贷款机构的风险研究主要聚焦于定性研究。陈晓红（2004）认为小额贷款机构的风险来自申贷企业资金实力、技术实力和经营经验有限。包干宁（2008）与之持有相同观点。宋克玉（2009）通过实地调研发现，宁夏小额贷款公司面临的主要挑战是涉农贷款业务风险过于集中，需求市场有限及自然环境的变化将对其产生重大影响。蔡洋萍（2014）更为注重小额贷款公司只贷不存、服务对象的弱势群体性、贷款额度的微小性和专业高素质人员的欠缺性等原因，使其在具体运营和操作上面临信息查询难、贷款对象财务制度不规范、抵押担保评价难等信用风险，以及受贷款期限影响的贷款利率风险，业务流程不规范、员工素质不高等小额贷款公司操作风险。崔莲蓉（2015）认为我国小额贷款公司面临的主要挑战包括：信贷风险管理组织结构不完整，客户信用评价体系缺乏，信贷风险管理流程不科学，对客户信用评价缺乏科学性，信贷风险管理流程不科学，缺少必要的信贷风险预警体系等问题。胡冰婧和陈朝晖（2016）认为，受外部法律法规不完善和自身内部控制体系不健全等因素的影响，小额贷款公司将产生资产质量风险。张昊（2017）认为中国小额贷款公司面临资金来源风险和经营风险，包括融资渠道过于依赖银行业，地域不平衡、制度供给不足等问题。