大数据环境下面向宏观经济风险的审计监测预警研究

第1章导论 1.1 研究背景及意义 当前我国经济发展已由高速增长阶段转向高质量发展阶段，在经济发展新常态环境下，各种风险挑战不断显现，经济高杠杆、地方政府隐性债务、影子银行体系膨胀、金融过度化、房地产泡沫、资产价格波动、汇率贬值、资本流动突然逆转等宏观经济风险隐患加剧。与此同时，国际形势正在发生深刻复杂的变化，大国战略博弈全面加剧，国际体系和国际秩序深度调整，外部环境不确定、不稳定因素显著增加。 诸多宏观经济风险引起了国家的足够重视。党的十九大报告中，“防范化解重大风险”被摆在打好三大攻坚战的首位。习近平总书记也反复强调，要“深刻认识和准确把握外部环境的深刻变化和我国改革发展稳定面临的新情况新问题新挑战，坚持底线思维，增强忧患意识，提高防控能力，着力防范化解重大风险”⑤。 从审计功能与经济安全方面来讲，审计机关和审计干部要当好国家财产的“看门人”和经济安全的“守护者”⑥，需全力推进审计全覆盖，切实发挥好审计常态化“经济体检”功能。值得注意的是，社会经济部门信息化的迅速发展，使得我国宏观经济信息进入大数据时代。目前，经济大数据信息已呈现出多源异构的复杂特征，宏观经济风险具有复杂网络的传染表现，传统审计监测无法满足大数据时代的现实需求。因此，有必要基于跨部门、跨机构、跨市场的视角全面审视宏观经济风险的生成、传染、放大与突变机制，构造从微观数据到宏观经济风险生成的一般机理，以突破传统研究范式的局限，以便在大数据环境下运用新的审计分析方法和新的数据获取、分析技术构建审计风险指标体系，提高宏观经济风险分析的监测预警与应对能力。 为此，本书基于审计大数据信息，提出新的宏观经济风险分析框架，构建审计数据指标体系，开发监测预警平台框架，优化数字化审计工作模式。**，本书拟基于审计大数据信息，以金融机构和微观企业为核心主体，构建微观智能网络，研究部门、行业、地域与市场之间的关联机制，把握当前宏观经济风险的微观形成机理和传导机制，提出我国宏观经济风险的分析框架。第二，本书拟进一步构建多源异构数据处理机制，开发大数据智能化的宏观经济风险监测预警平台，实现宏观经济风险把控全面化、宏观经济风险监测自动化与宏观经济风险预警精准化。第三，本书拟深入探究大数据环境下数字化审计组织模式与内部协调机制，进而为有效防范化解宏观经济风险提供重要的制度保障。 1.2 研究文献基础 为全面反映国内外研究状况及发展动态，我们从以下四个维度进行文献梳理：一是宏观经济风险形成与传导机理；二是宏观经济风险传统监测预警方法；三是大数据技术在风险监测预警领域的应用；四是大数据环境下数字化审计工作机制。 1.2.1 宏观经济风险形成与传导机理的相关研究 对宏观经济风险机理的研究一直是经济学研究的前沿领域之一。从基本假设出发建立不同经济行为主体之间的联系，模拟不同负面冲击发生时风险的扩散及爆发机制，是理论建模的核心思路。至今，这一领域已发展出很多不同的研究范式。我们将基于复杂金融网络方法、部门经济分析法、CCA（contingent claims analysis，或有权益分析）法、DSGE模型（dynamic stochastic general equilibrium model，动态随机一般均衡模型）以及审计理论等，阐述宏观经济风险研究的发展趋势。在此基础上，进一步梳理我国宏观经济风险指标构建研究的进展情况。 1.基于复杂金融网络的宏观经济风险研究 由于宏观经济风险涉及各部门之间的协调共变与溢出传染，因此需要寻找一种将这些部门置于同一个框架下的处理技术。网络分析法可以构建经济活动节点之间的连接结构模型，有助于识别由节点、连边或外部所触发风险的外部性以及对整个系统的影响，从而逐渐被应用于金融经济体系中系统性风险的研究。经济活动节点之间的关系通常具有强度和方向，因此一般都是有权有向网络，这要比普通的自然网络和社会网络更为复杂。在风险传染渠道方面，近年来的文献主要有三个研究途径。一是经济节点间的直接关联通道，如节点之间的债权债务关系、交易关系或者投入产出关系等。直接关联关系的存在便于构建显然的风险传导机制，并在此基础上进行网络建模和求解模型的唯一解（Eisenberg and Noe，2001；Afonso and Shin，2008）。二是关注存在资产共性和按市值计价会计准则的情况下出现的经济外部性（Greenwood et al.，2015），即当一个节点受到冲击时，会采取诸如出售资产的措施来满足VaR（value at risk，在险价值）或资本结构要求。在按市值计价会计准则下，市场价格的内生降低会对其他节点的资产负债表产生负面影响（Cifuentes et al.，2005）。三是对节点之间由于信息溢出产生的风险溢出效应或风险传染的研究。例如，当系统内的某个节点出现危机时，尽管部分节点与其并不存在直接联系，但由于“羊群效应”或者“投资者心理”的波动，另一节点产生风险联动效应（Diebold and Yilmaz，2014）。 由于经济节点间直接往来数据往往难以获得，很多研究缺乏对传染渠道差异的考虑，只关注节点间的关联性和网络构建方法、基于关联性构建的网络结构类型、不同网络拓扑结构对系统稳健性以及风险传染效率的影响等问题。 在金融经济网络的构建方法方面，网络分析法的研究思路根据数据类型以及数据可得性主要分为四类。**，可以直接获得经济节点间的往来个体数据，以此构建网络，进而对网络和网络中的节点进行分析。第二，经济节点间直接往来数据不可得，但行业间的总量数据或整体指数可以获得，则可以结合*大熵法来构造关联网络（Furfine，2003）。第三，不考虑节点间的直接往来数据，而是利用公开市场数据基于相似性构建网络，即首先计算节点之间的相关系数，随后按照一定的标准筛选冗余连边，构建主干网络。常用的方法有*小生成树（minimum spanning tree，MST）（Mantegna，1999）和平面极大过滤图（planar maximal filtering graph，PMFG）（Tumminello et al.，2005）等。第四，与第三种方法类似，但在冗余连边的筛选方法上利用公开市场数据，基于格兰杰因果检验、有向无环图及方差分解等计量方法，构建格兰杰因果关系网络或风险溢出网络（Billio et al.，2012；Diebold and Yilmaz，2014）。 在金融经济网络拓扑结构特征对系统性风险形成的影响研究方面，Allen和Gale（2000b）与Freixas等（2000）在早期的研究中强调了网络中节点关联性对风险分散的影响，并指出网络拓扑结构是影响金融机构风险恢复能力的关键影响因素。Bae等（2003）指出节点之间的过度互联会增加系统性风险，并可能导致大量的节点违约。Gai等（2011）则认为连通度和系统性风险之间存在非单调关系。Brunnermeier等（2009）也指出一个紧密联系的网络可以使节点风险得以通过网络转移到其他节点，从而通过风险的分散化减轻系统性风险。Imakubo和Soejima（2010）发现网络密度越高，风险传染循环越畅通，而某些参与者能起到缓冲器的作用。Mistrulli（2011）、Trapp和Wewel（2013）不仅观察到网络结构对冲击传播的反应不同，而且发现系统的脆弱性取决于*初受到影响的机构在网络中的位置。 Acemoglu等（2015）进一步发现在影响节点的负面冲击规模足够小时，连接更密集的网络会增强网络的稳定性。但网络连接的密集程度存在一定的阈值，一旦超过这一阈值，风险在网络中的传染效率将会大大提高，从而降低金融经济网络的稳定性。Battiston等（2012）研究发现，网络连通度与系统性风险之间的关系是驼峰型的，可以表示为在相对较低的连通度水平下，由于风险分担的作用，个体违约风险降低；而在较高的连通水平下，正面反馈循环使陷入困境的节点更容易发生风险。 另一部分研究关注网络的连通性及网络异质性对风险传染的影响。Dasgupta（2001）研究了银行之间的联系如何成为传染的根源，并研究了储户在收到有关银行基本面的负面信号时的反应方式。Iori 等（2006）研究发现当银行网络异质性较高时，随着连接的增加，系统抵御风险的能力增强。Allen和Gale（2000b）认为金融网络的规模对系统性风险的传染起着重要作用。Tasca（2011）指出金融体系中异质性越高，金融系统中的风险越分散，因而金融机构和金融系统更有弹性也更稳定。Allen和Carletti（2011）进一步研究了网络异质性对风险传染的影响，指出异质性越高并不一定是金融机构的*佳选择，例如，银行的异质性很高时，银行系统由于完全风险分散，网络稳定度下降。Amini等（2016）基于金融网络的无标度特征，模拟构建了无标度网络，并以此分析了网络及其中节点在遭受外部冲击时的风险传染情况以及冲击下的系统稳健性。Acemoglu等（2015）通过比较完备网络和环形结构网络发现，虽然完备网络更稳定，但在极端情况下越紧密的连接会使系统越脆弱。 2.基于CCA方法的宏观经济风险研究 以CCA方法分析与管理宏观金融风险的发展历程并不很长，其核心方法是把各部门的权益和担保看作期权，并运用期权定价模型进行定价。*初，CCA方法主要被用于测算微观企业的偿债能力和违约风险。经过Gray等（2006，2008）的系列研究，CCA方法的适用范围由微观层面推广到宏观层面，由此建立起使用宏观资产负债数据量化分析宏观金融风险的理论体系，用以估算宏观经济的风险暴露。例如，Castren等（2009）运用CCA方法分析了欧元区的宏观金融风险，认清了宏观金融风险的源头及传染模式，全面分析了负面冲击在宏观金融中的传导过程及其对宏观经济、金融脆弱性的影响程度，国内学者在这方面的研究也有很多（范小云等，2013；吴恒煜等，2013；苟文均等，2016）。这种方法也广泛运用在经济各部门的风险测度层面，如主权部门的风险测度及其可持续探讨（Gray et al.，2008）、国家风险压力测试（Gapen et al.，2005）、企业部门脆弱性及其与国民经济的联动性（Gapen et al.，2004）。为进一步实现CCA方法的优化，后续研究从机构资产关联性（Saldías，2013）、风险相依性（Gray and Jobst，2010）、高阶矩（张立华和丁建臣，2016）以及引入宏观风险跳跃扩散假设（唐文进和苏帆，2017）等方面进行了扩展。 3.基于DSGE模型的宏观经济风险研究 利用DSGE模型研究宏观经济风险是当前宏观经济研究的主流，特别是与经济波动和金融系统相关的主题，这也是宏观金融研究领域近些年的热门。其研究方法是将金融市场因素嵌入动态随机一般均衡框架中，系统地研究某个外生冲击带来的经济波动。Gertler和Kiyotaki（2010）首次将金融中介纳入基准模型，模拟出金融中介的冲击及银行资本规模变动会通过信贷市场影响实际经济。Gertler和Karadi（2011）将金融部门引入DSGE模型，将金融加速器的作用效果以金融部门的*优行为的形式表现了出来，虽然其目的是研究美国直接介入购买证券的货币政策的效果，但开辟了加入研究金融部门问题的宏观研究模式。而后Brzoza-Brzezina等（2013）将抵押约束的金融摩擦和金融加速器的金融摩擦分别纳入标准DSGE框架，进行矩匹配、脉冲响应和会计资产负债表分析，得出结果是包含金融加速器的金融摩擦更能反映经验事实。这些研究基本上奠定了后续研究的基础，引出了后续一系列关于金融冲击和经济波动的研究（Nolan and Thoenissen，2009；王国静和田国强，2014）。当然，从实证研究检验金融风险所造成的经济波动的研究也有很多（Kaihatsu and Kurozumi，2014；Iacoviello，2015；Mimir，2016）。然而，这类研究都有共同的缺陷，即不能刻