金融科技風險傳染效應的識別與防范研究

郭文偉 朱洪進 唐靖 羅勝濤 盧立曄

摘? ?要：為了研究金融科技風險在傳統金融行業以及傳統金融機構間的傳染路徑，本文以16家金融科技機構組成的金融科技行業和6個傳統金融行業為樣本數據，構建金融科技機構之間的關聯網絡，最后根據影響深度（風險溢出）和影響廣度（關聯網絡）識別出金融科技行業及其機構的風險傳染效應與影響路徑。研究表明：第一，金融科技行業的時變波動率最大，且與其他相關行業間存在明顯的風險傳染效應；第二，與國有銀行相比，其他非銀金融與金融科技行業間的風險傳染更大；第三，金融科技機構之間存在明顯的以業務為聚集的核心。因而建議：第一，采用縱向監管與行為監管相結合的方式，重點監管和防范金融科技行業的風險溢出；第二，通過打造有利于金融科技業態發展的監管沙盒機制，建立相對完善的行業和機構內部監管制度，提高金融風險監管效率。

關鍵詞：金融科技；風險傳染；關聯網絡

DOI：10.3969/j.issn.1003-9031.2023.05.002

中圖分類號：F830.9? ? ? ? ? ? 文獻標識碼：A? 文章編號：1003－9031（2023）05－0020－14

基金項目：本文系廣東省基礎與應用基礎研究基金“粵港澳大灣區創新要素流動對科技創新效率的影響機制研究”（2023A1515012445）；廣東省科技創新戰略專項資金（攀登計劃）一般項目“金融科技風險傳染效應與防范研究—基于動態復雜網絡視角”（pdjh2022b0206）階段性研究成果。

作者簡介：郭文偉（1979-），男，廣東汕頭人，管理學博士，廣東財經大學金融學院教授；

朱洪進（1988-），男，四川內江人，廣東財經大學金融學院碩士研究生；

唐 靖（1997-），女，四川廣安人，廣東財經大學金融學院碩士研究生；

羅勝濤（1999-），男，湖南益陽人，廣東財經大學金融學院碩士研究生；

盧立曄（1999-），男，廣東汕頭人，廣東財經大學金融學院碩士研究生。

一、引言

近年來，隨著科技與金融不斷融合，金融科技應運而生。金融科技對金融機構的發展、金融業務的拓寬以及金融市場的縱深發展都有著至關重要的作用，但也存在極大的風險隱患。金融科技風險在傳統金融行業以及傳統金融機構間的傳染路徑是怎樣的？政府該如何進一步監管金融科技風險？對這些問題進行深入研究有助于厘清金融科技風險的形成原因、傳染路徑及影響因素，本文利用金融科技機構相關股票的日度數據合成了金融科技行業指數，將其與已有的傳統金融行業指數結合，從微觀視角對金融科技風險傳染進行分析。通過構建關聯網絡來研究系統性金融科技風險，分析各個節點在風險相依性結構中的重要程度，從而識別出金融科技風險的形成機理與傳染路徑，為當下研究金融科技風險提供了新思路，為尋找與快速發展的金融科技相適應的監管方法提供了路徑。

二、文獻綜述

（一）金融科技風險的形成機理研究

金融科技的本質是金融，Gomber et al.（2017）指出金融科技是運用創新技術為金融服務從而提升效率的技術手段，因此傳統的金融風險類型并未發生改變；與之相反，金融科技的深度應用使其變得更加復雜和隱蔽。當前，完善新環境下傳統金融風險類型監管體系，防范風險交叉傳染與風險外溢顯得尤為重要，現有研究表明，金融科技的深度運用加劇了金融市場風險的形成。姜增明等（2019）研究表明，金融科技提高金融服務效率的同時，降低了客戶準入條件，加劇了信用風險的形成。劉春航（2021）認為金融科技的深度發展加大了商業銀行的流動性風險。鐘慧安（2018）認為我國對金融科技的監管還處于起步探索階段，容易形成監管套利，滋生規避監管的行為，造成操作風險。另外，Lee et al.（2018）提出金融科技的發展不僅存在傳統風險，也有底層信息技術等非金融因素引致的新型風險。如技術風險、數據安全風險、網絡安全風險等（Ioannis，2018；廖凡，2019；Li et al.，2016；Gai et al.，2018）。

金融科技風險的形成可分為內生和外生。內生性風險是金融科技系統內部的金融科技機構在受到外來沖擊后，金融機構自身主動性行為發生改變、機構間聚集產生了復雜的關聯性風險。方意等（2020）分別從創新技術層面和業務運營層面研究金融科技對內生風險的影響。主要是由于自身脆弱性、信息不對稱以及金融科技客戶的“長尾”特性導致的金融風險。郭娜（2019）認為傳統金融風險在金融科技部門內部集聚的同時，也會在金融科技部門之間通過擴散機制傳染放大，并且溢出到其他金融領域。王作功等（2019）認為金融科技的迅猛發展導致各種數據信息形成嚴重的不對稱性，這種不對稱的現象蘊藏較大的金融風險。周全和韓賀洋（2020）指出因為長尾客戶群體借貸存在較高的信用風險，金融科技平臺針對大量信用等級較差的長尾需求客戶群體，往往通過提高投資報酬率來覆蓋風險。外生性風險包括宏觀周期風險。一方面，毛茜和趙喜倉（2014）指出經濟市場環境影響金融科技的同時也受到金融科技發展的反向作用。揭紅蘭（2020）指出經濟實業的進步和創新技術的發展都受到國家政策優惠與經濟幫扶，這促進金融脫虛向實發展的同時也降低了宏觀經濟風險發生的概率。另一方面，異質性風險影響著金融科技的發展。王龑和史永東（2017）發現科技公司對金融體系的方向作用具有一定程度的門檻，科技公司的正向作用更容易被多元化和創新化的金融機構吸收，反之金融系統的內部風險將進一步增強。Duffey（2018）研究發現市場信息不對稱造成金融機構無法通過核心技術準確就科技企業的資產質量做出評估，以至于產生還貸風險。Geddes（2020）指出金融體制內部的金融科技發展同樣存在結構和功能性失衡的問題。

（二）金融科技對金融業風險的影響研究

首先，金融科技影響了金融行業商業模式。一是信息化。監管機構通過大數據搜集及分析降低金融風險，金融機構通過整理不同渠道獲得的數據對用戶進行授信評分，再結合監管機構的數據信息來完善貸款管理。薛瑩和胡堅（2020）研究發現，金融科技提升銀行效率，優化整個業務流程，降低其總體風險水平。二是普惠性。喬海曙等（2019）認為金融科技能夠降低金融服務的價格，使金融能夠服務更多人群。易憲容（2017）認為將新興技術使用在金融領域，產生新的商業模式和業務流程提升了傳統金融機構的效率。王小燕等（2019）通過實證分析發現金融科技能夠借助先進技術和大量數據研究作用于金融產品和服務上，以緩解金融市場信息不對稱，從而豐富融資工具、拓寬融資渠道，達到資源優化配置。其次，金融科技增加了金融業間風險的外溢性。金融科技的跨界化特性將放大中央與地方兩級監管模式下產生的多頭監管、協調不暢及監管邊界模糊的現象。楊東（2017）提出金融科技在為傳統金融行業帶來創新的同時也導致傳統監管法規無法適用于新型金融風險。何德旭等（2019）提出人工智能、大數據及互聯網的應用拓展了信息傳播的渠道，加強了信息傳播的效率，但同時也提高了出現系統性風險的概率。李繼尊（2017）和李廣子（2020）指出金融行業和科技行業的融合會導致兩者的高風險產生疊加效應。易憲容等（2019）指出金融科技的高風險表現為增強個體金融機構風險的同時更加大了系統性風險。李敏（2019）研究發現系統性風險的形成是金融科技市場急速擴大、信息不對等、機構獨立抗風險能力差和風險傳染路徑共同作用所導致的。

（三）金融科技風險的測度研究

隨著金融科技的廣泛應用，個體風險在相關聯企業間的傳染速度加快、規模增長，當風險聚集到一定程度便形成系統性風險。學術界針對金融科技風險的形成機制和傳染路徑進行了大量深入的研究，金融科技風險相關測度方法可分為以下三種。一是使用相關機構之間的尾部相關性來測度機構對金融系統的風險貢獻度。劉孟飛（2021）采用MES和CoVaR方法研究A股市場的銀行日度數據，發現它們在金融系統性風險中的占比，再使用金融科技手段測算出金融科技發展指數。此類方法能夠有效識別出風險的傳染方向，并且測度出整體的風險水平，但仍屬于微觀層面的測度方法，沒有考慮整個關聯網絡。二是基于金融機構的業務建立關聯網絡。歐陽紅兵等（2015）采用最小生成樹（MST）和平面極大過濾圖（PMFG）構建復雜網絡對銀行間同業拆借數據進行實證，成功識別了系統性風險的傳染路徑。雖然這類方法能夠通過研究機構間彼此的風險特征來刻畫金融機構系統性風險傳染的形成機制，但獲取此類數據相對困難且通常具有時滯性，同時間接因素的影響在很大程度上也被忽略了。三是采用CoVaR、主成分分析、方差分解和格蘭杰因果檢驗等方法對股票價格等高頻、實時的市場數據進行實證分析，構建起相關聯的風險網絡。H？覿rdle（2016）在CoVaR的基礎上建立以市場數據為研究對象的有向加權網絡的TENET模型，這類方法的優點在于該類市場數據容易獲取且質量高，同時涵蓋了市場上大部分復雜的因素，但無法對關聯網絡形成的內在機制進行有效的解釋。邵華明等（2017）通過建立復雜網絡模型對日度交易數據的穩定性進行測度后發現，研究周期內我國股票市場的網絡穩定性一直處于下降趨勢。胡穎毅等（2018）通過構建復雜網絡實證我國股市系統性風險得出，制造業對系統性風險的貢獻度是所有行業中最高的。曹齊芳和孔英（2021）采用TENET方法構建了金融科技企業、銀行和證券機構為主體的復雜網絡發現，金融科技企業內外部風險傳染性要強于銀行業與證券業。

三、實證模型的構建與說明

（一）系統性風險測度模型

在險價值（VaR）是指在一定置信水平下，金融資產在未來一定時間內可能發生的最大損失值，其表達式為：

（二）關聯網絡的測度模型

由于Vine Copula模型能充分刻畫高維隨機變量之間的非線性、非對稱相依結構特征，因此，本文采用Di？茁manna等（2013）提出的R-Vine Copula模型來分析我國金融市場、金融子行業、上市金融機構之間的關聯網絡特征。首先，基于上述邊緣分布函數AR（1）-GJR（1，1）-Guass來對金融機構的收益系列進行建模分析，并獲得每個序列的殘差；接著將各個序列的參數標準化后基于概率積分轉換法轉換成服從（0，1）分布的序列，這些序列將作為R-Vine Copula模型的輸入數據。最后采用基于MST-PRIM算法的最大生成樹方法來確定最佳的RVM矩陣（即R-Vine Copula 模型的樹結構）。

四、金融科技行業波動溢出風險測度

（一）樣本數據選擇與說明

本文選取了16個金融科技上市公司作為機構分析對象，同時選擇了6個金融子行業（國有銀行GYYH、股份制與城商行GFZYH、保險BX、證券ZQ、信托XT、其他非銀金融QTJR）與1個金融科技行業指數作為行業研究對象，對上述金融科技機構和金融科技行業日度樣本數據進行實證分析①。金融科技行業分類數據參考東方財富Choice數據庫中三級行業指數標準，金融科技機構及指數的成分股數據參考Wind互聯網金融和金融科技行業分類。研究時期統一為2014年1月27日至2022年3月25日。數據清洗后，最終樣本數為1800。取樣本日收盤價對數化的收益率作為研究所使用的數據。

（二）描述性統計分析及相關檢驗

通過對由16個金融科技機構組成的金融科技行業與6個傳統金融行業全時段的樣本數據進行了正態分布、平穩性檢驗。就峰度和偏度而言，國有銀行、股份制銀行、保險、證券、金融科技這五個子行業都存在“尖峰、右偏”特征，而信托、其他非銀金融這兩個子行業存在“尖峰、左偏”特征。而通過J-B檢驗和ADF檢驗結果，所有子行業均在1%的置信水平下為不服從正態分布的平穩序列。

（三）樣本的時變波動率

本文基于GJR（1，1）-SKT（V，？姿）模型分析金融科技子行業的日度收益率數據，估計出每個金融行業在邊緣分布下的各個參數值，進而測算出各金融行業的時變波動率來研究其系統性風險溢出。在整個研究周期內，金融各行業的時變波動率的變化趨勢基本相同，其中國有銀行和股份制銀行的時變波動率相對較小，而金融科技和其他非銀金融的時變波動率相對較大。而且在2015年金融各行業的時變波動率都達到了研究期內的最大值，當時我國股市正經歷了千股跌停連續熔斷的歷史性股災，各個行業自身風險較大。隨著股災的發生，國家提出了結構性去杠桿，出臺了一系列政策降低風險，金融各行業在隨后時變波動率都得到了不同程度的修復。同時，各行業的時變波動率從大到小依次是：金融科技（3.87）、其他非銀金融（3.85）、證券業（3.45）、保險業（3.38）、股份制銀行（3.36）、信托業（2.69）、國有銀行（1.23）。由此可知，國有銀行的時變波動率最小，行業穩定性相對最好，而金融科技行業時變波動率最大，行業穩定性相對最差。

（四）金融科技各機構之間的靜態相依結構特征

1.金融科技機構之間的靜態相依結構特征

對整個研究周期內16個金融科技機構構建金融科技機構間相依網絡，如圖1（a）所示。

從相依結構來看，節點6（中科金財）和節點2（恒寶股份）在整個網絡中處于中心地位。大部分金融科技機構主要以節點6為中心圍繞在一起。從業務層面上看，金融科技子機構之間的相依結構具有明顯的業務區分，并且機構之間的風險溢出主要通過中心節點相互連接而傳遞的。按照業務類型可以分為數據綜合服務類（①、②、⑤、{12}）、金融科技綜合服務類（③、④、⑥、⑨、⑩、{11}、{13}）、系統服務類（{14}、{15}）和證券服務類（⑦、⑧、{16}）。

從相依結構特征方面看，在數據服務類各機構中，除了恒寶股份與亞聯發展之間具有上尾和下尾對稱的非線性相依結構特征（F Copula），其余機構表現出上尾大、下尾小的非對稱相依結構特征（SBB8 Copula）；在金融科技綜合服務類機構中，中科金財和證通電子、中科金財與二三四五具有上尾大、下尾小的非對稱相依結構特征（SBB8 Copula），其余機構具有上尾和下尾對稱的線性相依結構特征（t Copula）。這說明中科金財在股價上漲時對于二三四五和證通電子的風險溢出明顯大于股價下降時對于它們的風險溢出，而中科金財對其他金融科技綜合服務類機構的風險溢出在股價上漲和下降時呈現對稱的線性關系；在系統服務類機構中，金證股份與恒生電子之間具有上尾和下尾對稱的非線性相依結構特征（F Copula），同時前者與中科金財之間具有的是上尾和下尾對稱的線性相依結構特征（t Copula）。這表現為金證股份在股價上漲和下跌時對于恒生電子的風險溢出呈現對稱的非線性關系；在證券服務類機構中，除了東方財富與同花順之間具有上尾和下尾對稱的非線性相依結構特征（F Copula），其余機構之間具有上下尾對稱的線性相依結構特征（t Copula），其中包括東方財富與中科金財。這表明東方財富在股價上漲和下跌時對于其他證券服務類機構的風險溢出呈現對稱關系，其中與同花順是線性對稱關系。

在相依性方面，整個金融科技機構相依結構中，相連的機構之間的相依性普遍較高，說明各機構之間均存在較高的關聯性。其中，相依性最大的是節點7與節點8的相依性（0.52），相依性最小的是節點6與節點10（0.23）。數據綜合服務類與金融科技綜合服務類通過恒寶股份和中科金財間的交叉業務緊密聯系；而金融科技綜合服務類和證券服務類通過中科金財與東方財富間的相關業務緊密聯系；同時金融科技綜合服務類與系統服務類通過中科金財與金證股份間的相關業務緊密聯系。其秩相關性在不同行業間也存在一定差異，如數據綜合服務類機構之間相關性均在0.3左右，而金融科技綜合服務類與證券服務類之間的相關性普遍在0.4上下。

從圖1（a）中可以看到，恒寶股份、中科金財、東方財富、金證股份處于相依網絡中心。因此，恒寶股份、中科金財、東方財富和金證股份分別為16家金融科技機構的風險傳染源，金融科技機構間的風險通過以上四個風險源機構與圍繞它們的其他機構之間進行傳染。

2.基于相依結構的金融科技機構之間因果關系分析

為進一步刻畫各金融科技機構之間的因果關系，本文對圖1（a）中相互連接的金融科技機構之間進行格蘭杰因果檢驗，結果如圖1（b）。圖1（b）中，使用箭頭指示格蘭杰因果關系，對應的百分數為置信水平?？傮w而言，金融科技機構間相依網絡的傳染方向如下：在以恒寶股份作為風險源的金融科技機構周圍，恒寶股份將風險傳染給亞聯發展、匯金股份將風險傳染給恒寶股份；以中科金財作為風險源的金融科技機構周圍，恒寶股份將風險傳染給二三四五、銀之杰和潤和軟件，恒寶股份與證通電子和潤和軟件之間的風險彼此傳染；以東方財富作為風險源的金融科技機構周圍，東方財富將風險傳染給同花順和大智慧；而金證股份和恒生電子之間通過檢驗并沒有發現明顯的因果關系。同時，四個金融科技機構風險源之間，金證股份和東方財富將風險傳染給中科金財。

（五）金融科技各機構之間的波動溢出測度結果

通過上文分析可知，金融科技公司中恒寶股份、中科金財、東方財富和金證股份分別在整個相依結構中起到中心樞紐或中介橋梁作用。因此，本文進一步結合DCC-GARCH模型和動態條件下在險價值法（CoVaR）來測度處于相依結構中心的金融科技機構與其相連的金融科技機構之間在99%分位點上的系統性風險溢出效應，結果如表1所示。

以恒寶股份為相依結構中心的數據綜合服務類風險溢出性如圖2所示。從圖中可以看到，所有的風險交換都是通過恒寶股份交換的，研究周期內的系統性風險溢出與溢入值大部分時間都在10%～50%之間，且處于波動頻繁，在2015年股災前后處于研究期的峰值。同時可以明顯的看出在研究周期內其三家金融科技公司對于恒寶股份的溢出都大于恒寶股份對于它們的溢入，且變化規律基本一致。

在研究周期內，恒寶股份對中科金財和匯金股份的風險溢出最大值和均值都小于它們對恒寶股份的溢入值，說明周期內恒寶股份受到這兩家公司溢入風險的最大值和總體風險均值都大于溢出風險；恒寶股份對中嘉博創和亞聯發展的風險溢出均值大于溢入值，但風險溢出的最大值小于溢入值，說明研究期內恒寶股份對該兩家公司溢出風險的最大值小于溢入風險，但溢出風險的總體均值大于溢入風險。通過表1可知整個研究周期內，恒寶股份對中科金財的系統性風險的溢出均值和極端值分別達到最大的11.56%和43.25%，而恒寶股份受到匯金股份的系統性風險溢入均值和極端值分別達到最大的13.50%和67.00%。整體來看，恒寶股份受到的溢入風險極端值明顯大于溢出風險的極端值。

同理，根據圖3顯示的中科金財與相關金融科技公司的系統性風險溢出分析可知，研究周期內的系統性風險溢出和溢入基本都大于10%，且變化幅度都在10%～50%之間，波動頻率明顯，而中科金財與其余金融科技公司間的系統性溢出、溢入在2015年股災前后都處于研究周期中的較大值，且溢出、溢入值在研究期內的變化趨勢基本趨同。

從圖4可知，東方財富的系統性溢出、溢入的值都在10%～50%間波動，且在2015年股災前后達到研究周期內的峰值。東方財富對于同花順的溢出明顯大于溢入，而大智慧對于東方財富的溢出大部分時間大于溢入。整個研究周期內，東方財富對同花順的系統性風險的溢出均值和極端值分別達到最大的12.80%和50.20%；而東方財富受到同花順的系統性風險溢入均值是最大的，達到了12.54%，而東方財富受到大智慧的系統性溢出風險在研究周期內達到過最大的58.00%，整體來看，東方財富受到的溢入風險的極端值明顯小于溢出風險的極端值。

業務類型相近的金證股份與恒生電子的分析結果如圖5所示，恒生電子對于金證股份的溢出在5%～20%間波動，屬于所有公司中最低的，而金證股份對于恒生電子的系統性溢出則與其他公司的情況類似，維持在10%～50%間。同樣也是在2015年股災前后處于研究周期內相對最大值。分析周期內金證股份對恒生電子的風險溢入最大值和均值都大于金證股份受到恒生電子的風險溢出值，說明周期內金證股份對恒生電子溢出風險的最大值和總體風險均值都大于溢入風險。其中金證股份對恒生電子的系統性風險的溢出均值和極端值分別達到最大的11.85%和52.67%。

（六）金融科技行業與其他金融子行業之間的系統性風險溢出效應

金融科技行業不僅自身內部機構間存在著系統性風險的溢出和溢入，其與其他金融子行業之間也存在著系統性風險，因為彼此之間業務關系緊密，它們之間的風險傳染也對金融科技行業有著重要影響。

金融科技行業對國有銀行、股份制銀行和保險業的系統性風險溢出值明顯大于它們對金融科技行業的溢入值，且變化趨勢基本一致，都在0%～15%間波動。在2015年股災前后處于研究周期內的最大值。同時金融科技行業對證券業、信托業和其他非銀金融的系統性溢入值大部分時間大于溢出值，且相差值不大，都在5%-25%間波動，變化趨勢大體一致，在2015年股災前后同樣處于研究周期內的最大值。而系統性風險的波動率明顯小于其他金融子行業的是金融科技與國有銀行和股份制銀行之間的風險。

從表2中可以看出，在樣本周期內，金融科技受到證券業、信托業和其他非銀金融的系統性風險溢入最大值大于金融科技對這三個行業的溢出值，但系統性風險的溢入均值小于溢出值，說明研究期內金融科技行業受到這三個行業的系統性溢入風險的最大值大于溢出風險，但溢入風險的總體均值小于溢出風險；金融科技對國有銀行、股份制銀行和保險業的系統性風險溢出最大值和均值都大于金融科技受到這三個行業的溢入值，說明周期內金融科技行業對這三個行業的系統性溢出風險的最大值和總體風險均值都大于溢入風險。而這里面金融科技行業和證券業間的系統性風險溢出和溢入總體均值分別最大為8.95%和8.27%；金融科技受到其他非銀金融的系統性風險溢入的極端值最大為31.31%，金融科技對證券業的系統性風險溢出值的極端值最大為21.31%。

由此可見，金融科技行業受到金融子行業的溢入風險明顯小于對金融子行業的溢出風險，而其中受到國有銀行和信托業的溢入影響最小，前者是因為體量龐大，相對于起步階段的金融科技行業來說，穩定性要高，風險小，而后者是因為行業違規事件頻發，在嚴監管下退市公司過多，導致研究樣本過少，難以找到影響關系。在眾多子行業中，僅有其他非銀金融對金融科技的風險溢出是大于風險溢入的，但相差不大。

五、結論與建議

第一，相較于其他金融行業，金融科技行業的時變波動率最大，穩定性相對最差，相對風險也最大，容易將風險傳染到其他相關行業。因此，在金融科技子行業和金融科技內部，分別對穩定性較差的子行業和機構進行重點防范。金融科技技術的創新導致相應的監管政策滯后，因此監管機構應該明確劃分監管范圍，以證監會和銀保監會開展金融科技業務進行縱向監管。對于一些兩不管的模糊邊界，積極運用多層次風險監管，并適宜采取行為監管。對一些未取得相關經營牌照卻開展相關業務、持牌機構與不具備資格的第三方合作等的金融機構進行嚴格處罰和管制。同時，金融科技發展的半自動化監管模式可以逐漸替代以行政人員為主的合規、指標監管模式，提高監管效率，觀察風險溢出路徑的變化，最終實現行為監管。

第二，金融科技行業對國有銀行的風險溢出和國有銀行對金融科技行業的風險溢入相對其他子行業來說都是最小的，金融科技行業與其他非銀金融間的風險溢出和溢入都是最大的。因此，要從彼此間的業務聯系上重點防范風險的傳染，發揮國有銀行在金融科技間風險傳染的穩定性，減小風險在彼此間的傳染。為了方便識別金融科技系統關鍵性機構，將其業務創新加入到沙盒測試，以便監管者迅速發現潛在的金融風險，并及時采取相關措施以防風險外溢。對此，監管機構可以參考國外一些成功案例，結合金融科技發展實踐，設計適合我國專業的測試與監管框架，并打造有利于金融科技業態發展的監管沙盒機制。

第三，通過構建相依網絡結構，可以發現金融科技機構之間存在明顯的以業務為集聚的核心。對于金融科技機構間的風險網絡，由于創新技術的特殊性，上下游公司間的聯系非常緊密，技術在相關機構間更新迭代的速度很快，而監管政策的制定相對滯后，金融科技發展促進金融業發展的同時，也要將其應用到金融監管中去。首先，通過對不同市場監管數據的整合，增強不同公司不同部門和監管當局對數據使用的一致性，減小監管鴻溝。利用統一的數據標準和轉換接口可以促進在不同平臺和不同市場的統一監管以及數據共享，使監管流程和體系更加合規；其次，為了及時識別潛在的金融科技整體風險和個體風險，監管當局采用大數據分析和數據可視化技術建立金融科技監測和預警機制；最后，基層部門要嚴格落實監管政策，提高風險防范意識，完善風險預案。

（責任編輯：夏凡）

參考文獻：

[1]Gomber P，Koch J A，Siering M.Digital Finance and FinTech：Current Research and Future Research Directions[J].Journal of Business Economics，2017，87（5）：537-580.

[2]姜增明，陳劍鋒，張超.金融科技賦能商業銀行風險管理轉型[J].當代經濟管理，2019，41（1）：85-90.

[3]劉春航.金融科技與銀行價值鏈重塑[J].金融監管研究，2021（1）：1-11.

[4]鐘慧安.金融科技發展與風險防范研究[J].金融發展研究，2018（3）：81-84.

[5]Lee I，Shin Y J.Fintech：Ecosystem，Business Models，Investment Decisions，and Challenges[J].Business Horizons，2018，61（1）：35-46.

[6]Ioannis A.Fintechand regtech：impact on regulators and banks[J].Journal of Economics and Business，2018（12）：7-25.

[7]廖凡.論金融科技的包容審慎監管[J].中外法學，2019，31（3）：797-816.

[8]Li Y，Dai W，Ming Z，et al..Privacy Protection for Preventing Data Over-Collection in Smart City[J].IEEE Transactions on Computers，2016，65（5）：1339-1350.

[9]Gai，Qiu，Sun.A Survey on FinTech[J].Journal of Network and Computer Applications，2018（103）：262-273.

[10]方意，王羚睿，王煒，王晏如.金融科技領域的系統性風險：內生風險視角[J].中央財經大學學報，2020（2）：29-37.

[11]郭娜，彭玉婷，徐卉杉.我國系統性金融風險與“雙支柱”調控有效性研究——基于DSGE模型的分析[J].中央財經大學學報，2019（10）：30-40.

[12]王作功，李慧洋，孫璐璐.數字金融的發展與治理：從信息不對稱到數據不對稱[J].金融理論與實踐，2019（12）：25-30.

[13]周全，韓賀洋.金融科技發展及風險演進分析[J].科學管理研究，2020，38（6）：127-133.

[14]毛茜，趙喜倉.科技金融創新與我國經濟增長效應研究——基于科技型中小企業發展視角[J].科技進步與對策，2014，31（12）：23-26.

[15]揭紅蘭.科技金融、科技創新對區域經濟發展的傳導路徑與實證檢驗[J].統計與決策，2020，36（1）：66-71.

[16]王龑，史永東.科技金融反哺銀行業的異質性研究——來自區域性銀行的經驗證據[J].科學學研究，2017，35（12）：1821-1831.

[17]Duffey R，Saull J W.Managing Risk：Risk Assessment[J].Dynamic Events and Financial Risks，2018，10（3）：219-261.

[18]Geddes A，Schmidt T S.Integrating Finance into the Multi-level Perspective：Technology Niche-finance Regime Interactions and Financial Policy Interventions[J].Research Policy，2020，49（6）：103-115.

[19]薛瑩，胡堅.金融科技助推經濟高質量發展：理論邏輯、實踐基礎與路徑選擇[J].改革，2020（3）：53-62.

[20]喬海曙，黃薦軒.金融科技發展動力指數研究[J].金融論壇，2019，24（3）：64-80.

[21]易憲容.金融科技的內涵、實質及未來發展——基于金融理論的一般性分析[J].江海學刊，2017（2）：13-20.

[22]王小燕，張俊英，王醒男.金融科技、企業生命周期與技術創新——異質性特征、機制檢驗與政府監管績效評估[J].金融經濟學研究，2019，34（5）：93-108.

[23]楊東.防范金融科技帶來的金融風險[J].紅旗文稿，2017（16）：23-25.

[24]何德旭，余晶晶，韓陽陽.金融科技對貨幣政策的影響[J].中國金融，2019（24）：62-63.

[25]李繼尊.關于互聯網金融的思考[J].管理世界，2015（7）：1-7+16.

[26]李廣子.金融與科技的融合：含義、動因與風險[J].國際經濟評論，2020（3）：91-106+6.

[27]易憲容，鄭麗雅，何人可.金融科技合約關系的實質、運行機理及風險防范——基于現代金融理論的一般分析[J].社會科學，2019（5）：40-49.

[28]李敏.金融科技的系統性風險：監管挑戰及應對[J].證券市場導報，2019（2）：69-78.

[29]劉孟飛.金融科技與商業銀行系統性風險——基于對中國上市銀行的實證研究[J].武漢大學學報，2021，74（2）：119-134.

[30]歐陽紅兵，劉曉東.中國金融機構的系統重要性及系統性風險傳染機制分析——基于復雜網絡的視角[J].中國管理科學，2015，23（10）：30-37.

[31]Hardle W K，W Wang，L Yu.TENET：Tail-Event Driven NET-work Risk[J].Journal of Econometrics，2016，192（2）：499-513.

[32]邵華明，馬永談，朱濤.股票市場穩定性測度及其作用機制——基于復雜網絡模型視角的分析[J].財經科學，2017（5）：54-66.

[33]胡穎毅，周嘉偉.基于相互關聯性視角的我國金融體系系統性風險和體系內風險傳導的時變研究[J].南開經濟研究，2018（3）：117-135.

[34]曹齊芳，孔英.基于復雜網絡視角的金融科技風險傳染研究[J].金融監管研究，2021（2）：37-53.