基于隨機(jī)森林的第三方支付違規(guī)風(fēng)險預(yù)警研究

（復(fù)旦大學(xué) 管理學(xué)院，上海 200433）

作為互聯(lián)網(wǎng)時代支付產(chǎn)業(yè)的創(chuàng)新形式，第三方支付在我國金融服務(wù)業(yè)中扮演著重要的角色，對實體經(jīng)濟(jì)的轉(zhuǎn)型發(fā)展也發(fā)揮著越來越重要的作用。盡管監(jiān)管趨嚴(yán)，但第三方支付企業(yè)的各種違規(guī)行為屢禁不止，對支付產(chǎn)業(yè)生態(tài)產(chǎn)生嚴(yán)重的負(fù)面影響。隨著市場準(zhǔn)入限制的進(jìn)一步放開①2018 年博鰲亞洲論壇上，國家主席習(xí)近平在其主旨演講中宣布中國將大幅放寬包括金融業(yè)在內(nèi)的市場準(zhǔn)入，中國人民銀行行長易綱隨后表示已經(jīng)放開銀行卡清算機(jī)構(gòu)和非銀行支付機(jī)構(gòu)的市場準(zhǔn)入限制。，如何從根源上進(jìn)行風(fēng)險預(yù)警顯得尤為重要。因此，建立完善的第三方支付違規(guī)風(fēng)險預(yù)警機(jī)制，構(gòu)建科學(xué)的風(fēng)險評估指標(biāo)體系和評估方法，具有重要的理論和現(xiàn)實意義。

目前關(guān)于第三方支付風(fēng)險管控的相關(guān)研究主要集中在3 個方面。其一，第三方支付風(fēng)險的構(gòu)成。楊彪［1］總結(jié)了第三方支付的4 類風(fēng)險，包括金融系統(tǒng)性風(fēng)險、信息系統(tǒng)與操作風(fēng)險、市場環(huán)境風(fēng)險和市場退出潛在風(fēng)險，其中市場環(huán)境風(fēng)險的具體表現(xiàn)為惡性競爭、洗錢、套現(xiàn)、賭博等形式，市場退出潛在風(fēng)險包括未取得行政許可的機(jī)構(gòu)退出、取得了行政許可但因經(jīng)營不善而退出兩大類。胡娟［2］指出了第三方支付風(fēng)險的具體構(gòu)成，包括巨額沉淀資金風(fēng)險、洗錢風(fēng)險、信用卡套現(xiàn)風(fēng)險、消費者權(quán)益保護(hù)風(fēng)險等法律風(fēng)險，業(yè)務(wù)設(shè)施技術(shù)風(fēng)險以及跨境支付風(fēng)險。Yang 等［3］從用戶感知和接受度出發(fā)，指出支付平臺與用戶之間存在著信息不對稱風(fēng)險，尤其是績效風(fēng)險、財務(wù)風(fēng)險和隱私風(fēng)險會顯著影響支付平臺的接受度。其二，風(fēng)險監(jiān)管機(jī)制設(shè)計。針對互聯(lián)網(wǎng)金融的監(jiān)管難點，修永春［4］提出了三元監(jiān)管模式，并分析其分階段運(yùn)行機(jī)制。Xu 等［5］指出中國互聯(lián)網(wǎng)金融市場面臨的監(jiān)管挑戰(zhàn)，對目前存在的“自上而下”監(jiān)管方式的有效性展開探討。針對如何防范風(fēng)險，學(xué)者們從監(jiān)管體制、市場準(zhǔn)入和退出機(jī)制等方面提出了許多建議［67］。其三，風(fēng)險預(yù)警。關(guān)于信用風(fēng)險的影響因素方面，相關(guān)研究發(fā)現(xiàn)公司的發(fā)展前景、盈利能力、公司規(guī)模、財務(wù)杠桿等因素會影響企業(yè)的財務(wù)欺詐和信息披露違規(guī)［811］，投資者關(guān)系管理和內(nèi)部控制質(zhì)量對企業(yè)未來的違規(guī)傾向有顯著影響［12］。在信用風(fēng)險預(yù)測方面，Logistic 模型是最常用的風(fēng)險計量模型［1314］。最近幾年，數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)等新興工具在風(fēng)險預(yù)警中的應(yīng)用日受重視。涂艷和王翔宇［15］通過對比試驗研究，發(fā)現(xiàn)運(yùn)用機(jī)器學(xué)習(xí)來預(yù)測借款人違約行為的準(zhǔn)確率遠(yuǎn)高于傳統(tǒng)的回歸模型，特別是隨機(jī)森林算法的效果尤佳。林成德和彭國蘭［16］發(fā)現(xiàn)，通過隨機(jī)森林方法得到的指標(biāo)體系能更有效地反映企業(yè)的信用狀況。目前，隨機(jī)森林算法被廣泛應(yīng)用各個行業(yè)中企業(yè)信用風(fēng)險的評估中［1720］，而支持向量機(jī)等其他機(jī)器學(xué)習(xí)方法也受到越來越多的關(guān)注［21］。

總體而言，目前針對第三方支付違規(guī)風(fēng)險的研究方興未艾，系統(tǒng)深入的定量研究亟待開發(fā)。對于隨機(jī)森林算法在風(fēng)險預(yù)測模型中的應(yīng)用，既有研究大多只是直接將其應(yīng)用于某個具體行業(yè)，并未與傳統(tǒng)模型方法進(jìn)行充分的對比分析，也缺乏對指標(biāo)體系的詳細(xì)分析。在此背景下，本文將隨機(jī)森林模型方法應(yīng)用于第三方支付違規(guī)風(fēng)險的預(yù)警研究中，構(gòu)建預(yù)警指標(biāo)體系，給出預(yù)警機(jī)制及其具體實施方案。

本文首先基于經(jīng)典風(fēng)險理論并結(jié)合第三方支付行業(yè)的特殊性，從企業(yè)基本特征和經(jīng)營行為兩個方面出發(fā)，用企業(yè)自身特征、企業(yè)發(fā)展特征、創(chuàng)新行為、投融行為、信用行為5 個維度的變量構(gòu)建了風(fēng)險預(yù)警指標(biāo)體系。在此基礎(chǔ)上，運(yùn)用隨機(jī)森林模型提出了違規(guī)風(fēng)險預(yù)警機(jī)制。然后，將樣本隨機(jī)劃分為訓(xùn)練集和測試集，并運(yùn)用十折交叉驗證（10 fold cross validation）評估隨機(jī)森林模型的準(zhǔn)確度。通過對比Logistic 回歸模型與隨機(jī)森林模型的結(jié)果，驗證了所提出的風(fēng)險預(yù)警機(jī)制的有效性。最后，根據(jù)模型預(yù)測效果及對變量的重要性分析，給出相應(yīng)的監(jiān)管建議。

與既有研究相比，本文的主要區(qū)別體現(xiàn)在兩個方面：一是研究對象的不同。本文選取目前備受關(guān)注的第三方支付企業(yè)進(jìn)行研究，由于支付牌照存在的特殊性以及行業(yè)本身存在的“互聯(lián)網(wǎng)+”特征，對牌照申請企業(yè)的資質(zhì)和信用風(fēng)險進(jìn)行正確合理的審視至關(guān)重要。二是研究方法的差異。通過將定性研究與機(jī)器學(xué)習(xí)算法相結(jié)合，本文提出了違規(guī)風(fēng)險預(yù)警機(jī)制，克服了傳統(tǒng)模型的局限性，提高了風(fēng)險預(yù)警的有效性。同時，本文在所提出的預(yù)警模型基礎(chǔ)上，進(jìn)一步提煉出重要變量并展開分析，對如何把控市場準(zhǔn)入機(jī)制、如何實施監(jiān)管進(jìn)行了詳細(xì)描述和研究。

一、風(fēng)險預(yù)警機(jī)制設(shè)計

構(gòu)建第三方支付的風(fēng)險預(yù)警指標(biāo)體系，根據(jù)隨機(jī)森林算法提出第三方支付違規(guī)風(fēng)險預(yù)警機(jī)制，以271 家持牌支付企業(yè)為樣本檢驗基于隨機(jī)森林的風(fēng)險預(yù)警機(jī)制的有效性。

（一）風(fēng)險預(yù)警指標(biāo)體系構(gòu)建

根據(jù)國內(nèi)外相關(guān)研究，企業(yè)特征對企業(yè)的違規(guī)風(fēng)險有重要的影響。例如，企業(yè)的發(fā)展前景、盈利能力、公司規(guī)模、財務(wù)杠桿等會對其財務(wù)欺詐問題和信息披露違規(guī)問題產(chǎn)生重要影響［69］；而企業(yè)違約信號、投資者關(guān)系管理和內(nèi)部控制質(zhì)量也會顯著影響企業(yè)未來的違規(guī)傾向［10］。需要指出的是，對于第三方支付行業(yè)，其獨特的行業(yè)特性蘊(yùn)含著相應(yīng)的風(fēng)險特征：一方面，第三方支付通過發(fā)放支付牌照的方式來認(rèn)定企業(yè)的經(jīng)營資格，企業(yè)自身特征（如類型、規(guī)模、媒體曝光度等）展示了企業(yè)的實力，但也暗示了相應(yīng)的風(fēng)險；另一方面，第三方支付行業(yè)具有顯著的“互聯(lián)網(wǎng)+”特征，在基礎(chǔ)業(yè)務(wù)的基礎(chǔ)上還有各種增值業(yè)務(wù)，而且大部分第三方支付企業(yè)都有技術(shù)背景，且備受資本熱捧②根據(jù)零壹財經(jīng)·零壹智庫發(fā)布的《2017 全球金融科技發(fā)展指數(shù)（GFI）與投融資年報》，2017 年支付行業(yè)獲得93 筆融資，總額約265 億元，是金融科技中4 個融資金額達(dá)到百億元的領(lǐng)域之一（另外3 個是借貸、汽車金融和互聯(lián)網(wǎng)保險）。。因此，在分析第三方支付企業(yè)的違規(guī)風(fēng)險時，應(yīng)特別關(guān)注其經(jīng)營行為，特別是企業(yè)創(chuàng)新、投融資及信用行為。

通過對研究樣本中的18 家違規(guī)企業(yè)的違規(guī)行為進(jìn)行跟蹤分析，本文發(fā)現(xiàn)第三方支付企業(yè)的違規(guī)行為主要來自于兩方面：一是企業(yè)自身條件未能滿足相關(guān)管理規(guī)定，或是業(yè)務(wù)不符合要求，或是在財務(wù)、數(shù)據(jù)等方面有違法行為；二是企業(yè)為了自身利益進(jìn)行挪用備付金、私自轉(zhuǎn)讓牌照等違規(guī)操作。

綜上所述，本文從企業(yè)特征和經(jīng)營行為兩個方面構(gòu)建第三方支付的風(fēng)險預(yù)警指標(biāo)體系，見表1，其中企業(yè)特征包括自身特征和發(fā)展特征，經(jīng)營行為包括創(chuàng)新行為、投融行為和信用行為。

表1 風(fēng)險預(yù)警指標(biāo)體系變量匯總

1.企業(yè)特征

企業(yè)自身特征包括企業(yè)類型和企業(yè)規(guī)模兩個變量。關(guān)于企業(yè)類型，本文將其分為“有限責(zé)任公司”和“股份有限公司”兩種，由于有限責(zé)任公司和股份有限公司在股東數(shù)量、注冊資本和組織機(jī)構(gòu)權(quán)限等方面有諸多不同，因而，本文認(rèn)為其將對企業(yè)行為產(chǎn)生影響。關(guān)于企業(yè)規(guī)模的重要性已引起國內(nèi)外研究的關(guān)注，本文按企業(yè)注冊資本金額將其分為4 類：小于5 千萬、5 千萬至1 億3 千萬、1 億3 千萬至8 億和大于8 億。

企業(yè)發(fā)展特征包括獲牌時間、媒體報道和投資方來源3 個變量。其中，獲牌時間系指企業(yè)從注冊成立至拿到牌照的時間。關(guān)于媒體報道對企業(yè)在資本市場表現(xiàn)的影響，已有研究發(fā)現(xiàn)媒體報道可以通過媒體信息治理和聲譽(yù)治理等多種路徑影響公司行為，比如，媒體監(jiān)督會提高被報道企業(yè)的公眾關(guān)注度和企業(yè)透明度，產(chǎn)生聚光燈效應(yīng)，影響企業(yè)行為［22］；越受媒體關(guān)注的企業(yè)，越樂意改善社會責(zé)任表現(xiàn)［2324］；媒體關(guān)注度不僅直接影響企業(yè)社會責(zé)任的履行，還會通過對其他利益相關(guān)者的影響給企業(yè)實施壓力，促使企業(yè)的自律行為［25］；一些學(xué)者認(rèn)為媒體作為外部監(jiān)督機(jī)制能夠發(fā)揮積極作用［2629］，而游家興和吳靜［30］研究發(fā)現(xiàn)新聞報道所傳遞出的媒體情緒會傳遞負(fù)面影響。因此，本文也將其作為模型輸入自變量，分析其對公司行為的影響。此外，根據(jù)權(quán)小鋒等［12］對于投資者關(guān)系管理的研究結(jié)果，本文加入投資方來源變量，并根據(jù)企業(yè)背景將其分為4類：無任何背景、有上市公司背景、有國資背景、同時有上市和國資背景。

2.經(jīng)營行為

創(chuàng)新行為包括資質(zhì)證書、注冊商標(biāo)、所獲專利和軟件著作4 個變量，這些變量反映了企業(yè)在知識產(chǎn)權(quán)、研發(fā)、創(chuàng)新方面的投入與成果，是企業(yè)經(jīng)營實力和競爭力的體現(xiàn)。

投融行為包括對外投資和融資歷史兩個變量。其中，對外投資的目的是獲得投資收益，但也有可能遭受經(jīng)濟(jì)損失。企業(yè)融資則從某種角度反映了企業(yè)信息披露違規(guī)的可能性。實際上，當(dāng)有較好的發(fā)展前景時，公司進(jìn)入資本市場融資的動力更強(qiáng)，此時公司的管理層往往不愿因犯錯而失去寶貴的融資機(jī)會，因此公司違規(guī)披露信息的可能性就比較低［10］。

信用行為包括工商變更、失信人信息、經(jīng)營異常、行政處罰和股權(quán)質(zhì)押5 個變量，這些變量分別反映了企業(yè)的經(jīng)營風(fēng)險和財務(wù)風(fēng)險。

（二）隨機(jī)森林預(yù)警過程

根據(jù)Breiman［31］提出的隨機(jī)森林算法框架，本文構(gòu)建了如圖1 所示的基于隨機(jī)森林的違規(guī)風(fēng)險預(yù)警機(jī)制。

圖1 基于隨機(jī)森林的風(fēng)險預(yù)警過程示意圖

風(fēng)險預(yù)警的具體過程如下③在Breiman［31］關(guān)于隨機(jī)森林算法框架的基礎(chǔ)上，本文構(gòu)建了風(fēng)險預(yù)警的指標(biāo)體系，并實際運(yùn)用了該算法框架，形成風(fēng)險預(yù)警過程。：

首先，對于每一家企業(yè)，運(yùn)用所構(gòu)建的預(yù)警指標(biāo)體系變量刻畫其特征x，作為隨機(jī)森林模型的輸入變量，因變量y為0 1 二值變量，分別代表企業(yè)有嚴(yán)重違規(guī)和無嚴(yán)重違規(guī)。

然后，從全集數(shù)據(jù)中隨機(jī)選取若干變量和若干樣本數(shù)據(jù)，將其劃分為n個子集，構(gòu)成n個訓(xùn)練集，以此來增加各個子分類模型的差異。

最后，隨機(jī)森林便對訓(xùn)練集中的數(shù)據(jù)開始“學(xué)習(xí)”過程?；诿總€訓(xùn)練集中的數(shù)據(jù)和變量，隨機(jī)森林模型對樣本數(shù)據(jù)信息不斷進(jìn)行提煉，通過遞歸的方式計算得到最優(yōu)的劃分特征以及特征的劃分節(jié)點，依次進(jìn)行根節(jié)點至葉節(jié)點的變量特征選擇，構(gòu)建出若干子決策樹，這些子決策樹共同構(gòu)成訓(xùn)練模型。

當(dāng)需要對新的樣本數(shù)據(jù)進(jìn)行判定時，將該企業(yè)的特征變量輸入模型，每一棵子決策樹都能夠給出一個判定結(jié)果，模型基于多數(shù)原則輸出最終的判定結(jié)果：0 或1。

（三）預(yù)警機(jī)制有效性檢驗

1.數(shù)據(jù)來源及變量描述性統(tǒng)計分析

選取中國人民銀行官方網(wǎng)站公布的《支付業(yè)務(wù)許可證》獲取名單中的271 家企業(yè)為研究對象，通過天眼查、啟信寶收集到這些企業(yè)的相關(guān)信息進(jìn)行研究。這271 家企業(yè)的牌照類型覆蓋了央行所規(guī)定的三大類業(yè)務(wù)類型，可以代表整個第三方支付市場。同時，天眼查和啟信寶的數(shù)據(jù)來源于全國企業(yè)信用信息公示系統(tǒng)、中國法院裁判文書網(wǎng)、中國執(zhí)行信息公開網(wǎng)等100 多家官方網(wǎng)站，因此，研究對象的選擇具有代表性和普適性。

研究樣本分為兩類：嚴(yán)重違規(guī)（被注銷牌照）、無嚴(yán)重違規(guī)。在被注銷牌照的33 家企業(yè)中，將因為合并注銷的11 家企業(yè)和主動申請注銷的4 家企業(yè)重新劃分為無嚴(yán)重違規(guī)類別。核心被解釋變量“企業(yè)違規(guī)情況”為虛擬變量：若企業(yè)發(fā)生嚴(yán)重違規(guī)致被吊銷牌照取1，否則取0，見表2。核心解釋變量即表1 中所構(gòu)建的風(fēng)險預(yù)警指標(biāo)體系變量。

表2 研究樣本牌照情況

所有變量的描述性統(tǒng)計分析見表3?？梢钥吹剑唤忉屪兞康木捣浅＝咏?，這是因為原始數(shù)據(jù)中“有嚴(yán)重違規(guī)”的企業(yè)數(shù)量比起“無嚴(yán)重違規(guī)”太少，因此，本文在后面的分析中對數(shù)據(jù)先做了均衡處理。在企業(yè)特征變量中，從企業(yè)類型變量看，有限責(zé)任公司占多數(shù)。從獲牌時間和媒體報道看，樣本中所有企業(yè)這兩個變量差異非常大。在經(jīng)營行為變量中，不同企業(yè)注冊商標(biāo)數(shù)差別非常大，其余的創(chuàng)新行為特征變量差異相對小很多。從信用行為看，絕大多數(shù)企業(yè)均具有良好的信用資質(zhì)，體現(xiàn)為工商變更、失信人信息、經(jīng)營異常、行政處罰和股權(quán)質(zhì)押變量均值都比較小。

表3 變量的描述性統(tǒng)計分析

2.機(jī)制有效性檢驗

基于R 語言實現(xiàn)Logistic 回歸模型和隨機(jī)森林模型的構(gòu)建④由于原始數(shù)據(jù)中出現(xiàn)嚴(yán)重違規(guī)以致被吊銷牌照的數(shù)量比例較小，在隨機(jī)森林模型中首先使用SMOTE 算法對數(shù)據(jù)進(jìn)行預(yù)處理，實現(xiàn)不平衡數(shù)據(jù)的均衡化。SMOTE 算法處理后的數(shù)據(jù)中“無嚴(yán)重違規(guī)”和“嚴(yán)重違規(guī)”分別有360 個和378 個。。

首先是對所構(gòu)建指標(biāo)體系的有效性進(jìn)行檢驗。在隨機(jī)森林模型中，分別選取1 個、2 個、4 個、8 個和16 個變量放入模型，見表4，發(fā)現(xiàn)當(dāng)變量個數(shù)為16 個時模型整體的誤差最小，只有0.010。

同理，在進(jìn)行Logistic 回歸時，分別用4 種不同的變量組合構(gòu)建模型，來檢驗不同類別信息的預(yù)測能力。模型1 基于企業(yè)特征進(jìn)行判別；模型2 基于企業(yè)自身特征和信用行為；模型3 基于企業(yè)自身特征、發(fā)展特征和信用行為；模型4 則包括所有5 類信息變量。判別模型的相關(guān)擬合優(yōu)度指標(biāo)見表5，從表5 可以看到，模型4 的準(zhǔn)確率和AUC（area under ROC curve）值⑤AUC 值表示ROC（receiver operating characteristic）曲線下與坐標(biāo)軸圍成的面積，ROC 曲線的縱軸代表“真陽性率”，橫軸代表“假陽性率”。AUC 值越大，對應(yīng)的分類器效果越好。遠(yuǎn)高于其他3 個模型，赤池信息準(zhǔn)則（Akaike information criterion，AIC）值小于其他3 個模型，這表明包含所有變量的模型擬合效果最優(yōu)，進(jìn)一步表明應(yīng)該將所有變量都放入模型中。

在初步驗證了所構(gòu)建的風(fēng)險預(yù)警指標(biāo)體系的有效性后，就可以對模型預(yù)測度進(jìn)行比較。在評估模型準(zhǔn)確度時，本文通過十折交叉驗證驗證算法的準(zhǔn)確性。具體而言，將數(shù)據(jù)集分成10 份，輪流將其中9 份作為訓(xùn)練數(shù)據(jù)，1 份作為測試數(shù)據(jù)進(jìn)行試驗，最后將10 次結(jié)果正確率的平均值作為對算法精度的估計。

隨機(jī)森林與Logistic 模型預(yù)測對比結(jié)果見表6，由表6 可以看出：隨機(jī)森林模型的正確預(yù)測率遠(yuǎn)遠(yuǎn)高于Logistic 模型，Logistic 模型正確預(yù)測率只有80.33%，而隨機(jī)森林達(dá)到了99.01%，表明隨機(jī)森林模型對于評判相關(guān)企業(yè)是否會出現(xiàn)嚴(yán)重違規(guī)的準(zhǔn)確度高達(dá)99.01%。

除此之外，隨機(jī)森林模型的一類錯誤率和二類錯誤率都遠(yuǎn)低于Logistic 回歸，模型敏感度達(dá)到了100%，這意味著所有有嚴(yán)重違規(guī)行為的第三方支付企業(yè)都能被正確識別。模型精確度為98.02%，這表示在被模型預(yù)測為有嚴(yán)重違規(guī)行為的企業(yè)中，實際上確實有嚴(yán)重違規(guī)行為的企業(yè)比例為98.02%。通過驗證模型性能常用的指標(biāo)AUC 值來看，隨機(jī)森林模型的AUC 值遠(yuǎn)遠(yuǎn)高于Logistic 模型，也進(jìn)一步驗證了隨機(jī)森林模型預(yù)測精度更高。

表4 隨機(jī)森林模型中變量選擇的初步結(jié)果

表5 不同變量組合下Logistic 回歸模型擬合效果

表6 隨機(jī)森林模型與Logistic 模型結(jié)果對比

二、風(fēng)險預(yù)警機(jī)制應(yīng)用分析

在風(fēng)險預(yù)警機(jī)制的具體實施中，可以先通過關(guān)鍵指標(biāo)進(jìn)行初步評估，篩選出風(fēng)險較高的企業(yè)并預(yù)警。對通過關(guān)鍵指標(biāo)篩選標(biāo)準(zhǔn)的企業(yè)，則進(jìn)一步結(jié)合完整的指標(biāo)體系和模型進(jìn)行風(fēng)險評估。本節(jié)通過對指標(biāo)體系中的重要變量的分析，并結(jié)合典型案例，闡述了預(yù)警機(jī)制的具體應(yīng)用，并提出相應(yīng)的監(jiān)管政策建議。

（一）重要變量分析

根據(jù)平均精度降低度（mean decrease accuracy，MDA）和平均基尼指數(shù)降低度（mean decrease gini，MDG）兩個指標(biāo)可以識別重要變量。MDA 描述的是一個變量被隨機(jī)數(shù)替代后模型結(jié)果準(zhǔn)確度的降低程度，值越大表示該變量的重要性越高；MDG 描述的是一個變量對分類樹上每個節(jié)點分類效果的貢獻(xiàn)，值越大表示該變量的分類效果越好。運(yùn)算結(jié)果如圖2 所示，通過綜合對比分析，本文發(fā)現(xiàn)媒體報道、注冊商標(biāo)數(shù)以及獲牌時間是最重要的3 個變量。

圖2 指標(biāo)體系中所有特征重要性排序

進(jìn)一步，給出媒體報道、注冊商標(biāo)數(shù)以及獲牌時間這3 個變量在兩個類別（嚴(yán)重違規(guī)、無嚴(yán)重違規(guī)）中的分布，如圖3 所示。需要特別提醒的是，媒體報道、注冊商標(biāo)數(shù)這兩個變量目前恰恰是央行所忽略的。以下對各變量的重要性逐一進(jìn)行分析。

圖3 媒體報道、注冊商標(biāo)數(shù)和獲牌時間3 個變量類別分布圖

關(guān)于獲牌時間，該變量代表企業(yè)從注冊成立到取得牌照的時間?？梢钥闯?，被注銷牌照的企業(yè)的獲牌時間變量值普遍較低。企業(yè)在發(fā)展初期容易出現(xiàn)過度投資、盲目擴(kuò)張的問題，Cefis 和Marsili［32］指出企業(yè)生存機(jī)會隨著企業(yè)年齡和成長而增加。肖興志等［33］通過分析494 家企業(yè)在6 年觀測期的表現(xiàn)，發(fā)現(xiàn)有28.7%的企業(yè)選擇退出，平均生存年數(shù)僅為3.7 年，而且戰(zhàn)略性新興產(chǎn)業(yè)的退出風(fēng)險更大。事實上，該變量的重要性在央行目前的《支付業(yè)務(wù)許可證》申請要求里已有所體現(xiàn)：央行規(guī)定外資企業(yè)截至申請日，應(yīng)連續(xù)盈利2 年以上。不過，獲牌時間變量雖然對整個風(fēng)險預(yù)警機(jī)制的貢獻(xiàn)很大，但是從圖3（c）可以看到，只憑借這一個變量并不能達(dá)到很好的分類效果，在判別時仍需結(jié)合預(yù)警機(jī)制中的其他變量。

關(guān)于媒體報道對企業(yè)運(yùn)營的影響，一方面，媒體報道數(shù)量反映了企業(yè)的媒體關(guān)注度，這會對公司管理層產(chǎn)生壓力效應(yīng)［3435］；另一方面，頻繁在媒體曝光的公司更容易受到大眾的關(guān)注，知名度會影響到企業(yè)從事違規(guī)活動的可能性。此外，已有許多研究指出，新聞報道所傳遞出的媒體情緒會影響到企業(yè)行為。作為信息中介，媒體搜集、整理并傳播相關(guān)信息，不僅拓寬了企業(yè)的外部信息渠道，也加深了市場各方對公司的了解。本文中媒體報道變量在兩個類別中的分布如圖3（a）所示。與既往研究不同，本文發(fā)現(xiàn)違規(guī)企業(yè)的媒體報道變量分布在110～370 次。換言之，媒體報道數(shù)低于110 次或者高于370 次都傳遞了“企業(yè)不會違規(guī)”的正信號。通過對樣本中企業(yè)的新聞報道進(jìn)一步細(xì)分為“正面”和“負(fù)面”報道后，本文發(fā)現(xiàn)，對于新聞報道較多（新聞報道數(shù)高于370 次）的企業(yè)，其報道內(nèi)容中正面與負(fù)面比例相當(dāng)，或者正面報道所占比例遠(yuǎn)高于負(fù)面報道比例；而對于新聞報道數(shù)相對較低的企業(yè)，說明企業(yè)本身在媒體中的關(guān)注度就很低，相關(guān)的新聞報道幾乎都是各個媒體轉(zhuǎn)發(fā)的央行處罰新聞。從實際情況來看，大部分第三方支付企業(yè)規(guī)模并不大，在大眾和媒體中的知名度都不高。除了支付寶、銀聯(lián)、拉卡拉等少數(shù)大型企業(yè)，大多數(shù)第三方支付機(jī)構(gòu)的規(guī)模都很小，在新聞媒體中的活躍度很低，因此出現(xiàn)媒體報道時以負(fù)面新聞報道居多，所以媒體報道數(shù)低反而表明其負(fù)面新聞少，是一種正信號。如支付寶、銀聯(lián)等的大型第三方支付企業(yè)，這些企業(yè)在媒體上相對活躍許多，媒體報道數(shù)都非常高，佐證了媒體作為外部監(jiān)督機(jī)制能夠發(fā)揮積極作用。

關(guān)于企業(yè)擁有的注冊商標(biāo)數(shù)的重要性，從理論上講，商標(biāo)不僅是企業(yè)知識產(chǎn)權(quán)的組成部分，也是一項重要的無形資產(chǎn)，反映了企業(yè)技術(shù)創(chuàng)新的實力，它承載著企業(yè)的聲譽(yù)，幫助企業(yè)實現(xiàn)市場競爭優(yōu)勢［36］。實際上，隨著第三方支付產(chǎn)業(yè)競爭的加劇，支付企業(yè)呈現(xiàn)多樣化，包括銀聯(lián)系、電商系、社交系、移動運(yùn)營商及通信設(shè)備制造商、獨立第三方等，運(yùn)營模式也不斷創(chuàng)新，形成“支付+”生態(tài)體系。在第三方支付產(chǎn)業(yè)鏈競爭中，商標(biāo)所傳遞的信號作用越來越重要。從實際數(shù)據(jù)來看，合規(guī)企業(yè)的注冊商標(biāo)數(shù)遠(yuǎn)遠(yuǎn)高于違規(guī)企業(yè)，發(fā)生嚴(yán)重違規(guī)被注銷牌照的企業(yè)中，注冊商標(biāo)數(shù)幾乎都為0 或者只有個位數(shù)。本文的研究結(jié)果進(jìn)一步佐證了潘鎮(zhèn)和魯明泓［37］提出的注冊商標(biāo)的等級對中小企業(yè)的業(yè)績有著重要影響的結(jié)論。

重要性緊排在這3 個變量之后的是軟件著作和經(jīng)營異常兩個變量。軟件著作權(quán)作為知識產(chǎn)權(quán)的一部分，是企業(yè)重要的無形資產(chǎn)。一方面，軟件著作權(quán)代表了企業(yè)的科技實力，能夠提升企業(yè)信譽(yù)；另一方面，作為知識產(chǎn)權(quán)，擁有軟件著作權(quán)的企業(yè)能夠享受到國家的各種優(yōu)惠政策，對其長期發(fā)展及可持續(xù)經(jīng)營都有積極作用。更重要的是，對于互聯(lián)網(wǎng)企業(yè)來說，軟件著作權(quán)能在一定程度上反映其業(yè)務(wù)的豐富性及多樣性，可以提高用戶的支付體驗。

是否有經(jīng)營異常則代表了企業(yè)的征信情況，體現(xiàn)了企業(yè)的風(fēng)險信息。此外，工商變更次數(shù)的重要性也不容小覷，尤其是股東變更。李維安和李建標(biāo)［38］發(fā)現(xiàn)控股股東變動的次數(shù)與企業(yè)信用呈反向變動關(guān)系：股東變動的次數(shù)越多，企業(yè)信用下降的程度會越大。本文關(guān)于第三方支付行業(yè)的研究發(fā)現(xiàn)支持其結(jié)論。

關(guān)于企業(yè)注冊資本的重要性，雖然央行在《支付業(yè)務(wù)許可證》申請要求里有“企業(yè)應(yīng)有符合規(guī)定的注冊資本最低限額”的相關(guān)規(guī)定，但是實際上對企業(yè)違規(guī)經(jīng)營的影響并不大，本文認(rèn)為央行日后可適度調(diào)整該項規(guī)定。重點關(guān)注上文所提到的幾個變量，在此基礎(chǔ)上結(jié)合企業(yè)注冊資本等變量來綜合分析。

（二）典型案例分析

關(guān)于媒體報道、注冊商標(biāo)數(shù)以及獲牌時間3 個變量重要性的實際案例代表見表7，其中SXLH 公司、CSSL公司和BJJG 公司為負(fù)面案例代表，YLSW 公司、GZYL 公司和JSGX 公司為正面案例代表⑥案例牌照信息來自中國人民銀行官網(wǎng)公布的各批非銀行支付機(jī)構(gòu)《支付業(yè)務(wù)許可證》續(xù)展決定，企業(yè)違規(guī)事實及注銷原因來自金融時報2017 年7 月2 日的報道，詳見http：//www.financialnews.com.cn/jg/dt/2017 07/t20170702_120213.html。。

表7 典型案例重要變量及其他特征變量對比

從表7 可以看到，與模型結(jié)論和前文分析一致，被注銷企業(yè)典型代表SXLH 公司、CSSL 公司和BJJG 公司從注冊成立至取得牌照的時間天數(shù)都在900～1800 天，相對合規(guī)企業(yè)較短；與此同時，媒體報道數(shù)普遍較低，新聞動態(tài)數(shù)量集中于110～370 條。所獲商標(biāo)數(shù)幾乎都為0 個，少數(shù)企業(yè)有注冊商標(biāo)但也為個位數(shù)，遠(yuǎn)遠(yuǎn)少于合規(guī)企業(yè)。

其中，SXLH 公司牌照注銷原因為支付業(yè)務(wù)設(shè)施不符合相關(guān)標(biāo)準(zhǔn)及安全要求，支付業(yè)務(wù)連續(xù)性風(fēng)險大。前文分析指出第三方支付產(chǎn)業(yè)鏈競爭中，商標(biāo)傳遞著重要信號，軟件著作權(quán)也對企業(yè)的長期持續(xù)發(fā)展有重要作用。從SXLH 公司的注冊商標(biāo)數(shù)和軟件著作數(shù)來看，公司對于業(yè)務(wù)創(chuàng)新及發(fā)展并不重視，在實際運(yùn)行中，公司將核心業(yè)務(wù)系統(tǒng)外包，且外包服務(wù)合同已過期。雖然公司2012 年就已獲得支付牌照，新聞報道數(shù)卻一直較少，這也進(jìn)一步傳遞了企業(yè)并不注重業(yè)務(wù)的拓展與長期發(fā)展的信號。

CSSL 公司與BJJG 公司也都在成立不久后就取得支付牌照，但從媒體報道數(shù)較低和注冊商標(biāo)的個數(shù)為0這兩個關(guān)鍵指標(biāo)，可以看出兩家企業(yè)同樣并不注重支付業(yè)務(wù)本身的運(yùn)營發(fā)展，與此同時，在關(guān)鍵指標(biāo)都遠(yuǎn)遠(yuǎn)低于其他企業(yè)的情況下，公司的工商變更次數(shù)卻相對較高，從實際運(yùn)行情況來看，兩家公司的確存在著未經(jīng)核準(zhǔn)擅自變更控股股東、擅自變更主要出資人、違規(guī)變更股權(quán)結(jié)構(gòu)等重大事項，這些都屬于變相轉(zhuǎn)讓《支付業(yè)務(wù)許可證》的行為，嚴(yán)重違反了央行的相關(guān)規(guī)定。

相比之下，對于合規(guī)企業(yè)，獲牌時間變量值都比較高，普遍在2000 天以上。媒體報道數(shù)則分兩個極端，要么非常高，要么很低（低于110 條），這些都與前文分析一致。從YLSW 公司與GZYL 公司來看，兩家企業(yè)受媒體關(guān)注度很高，注冊商標(biāo)數(shù)與軟件著作數(shù)都遠(yuǎn)遠(yuǎn)高于其他企業(yè)。實際運(yùn)營情況中，公司注冊了金融物管、科學(xué)儀器等支付業(yè)務(wù)相關(guān)的商標(biāo)，開發(fā)了諸如網(wǎng)絡(luò)賬戶管理軟件、發(fā)卡管理軟件、自助繳費軟件等許多軟件，以促進(jìn)保障第三方支付業(yè)務(wù)的順利開展與持續(xù)運(yùn)營。JSGX 公司則是合規(guī)企業(yè)中的另一類代表，業(yè)務(wù)比較集中單一，所以受媒體關(guān)注度較低，但同時也意味著企業(yè)的負(fù)面報道很少。雖然新聞報道少，但是注冊商標(biāo)、軟件著作等關(guān)鍵指標(biāo)依舊體現(xiàn)了企業(yè)為了保障支付業(yè)務(wù)正常運(yùn)行的投入與付出。這些案例都進(jìn)一步佐證了本文的研究結(jié)論。

（三）預(yù)警機(jī)制實施及風(fēng)險監(jiān)管建議

綜上所述，對于央行來說，目前對支付業(yè)務(wù)許可證的申請條件設(shè)置仍有待進(jìn)一步完善與優(yōu)化。目前關(guān)于支付牌照的申請考核條件中只對企業(yè)的注冊資本和獲牌時間做出明確規(guī)定⑦中國人民銀行關(guān)于支付業(yè)務(wù)許可證的申請條件要求詳見中國人民銀行官網(wǎng)：http：//www.pbc.gov.cn//tiaofasi/ 144941/144957/2845832/index.html。，而忽略了最重要的變量——媒體報道數(shù)和企業(yè)注冊商標(biāo)數(shù)，因而并不能對企業(yè)資質(zhì)進(jìn)行真正有效的篩選。因此，本文提出基于隨機(jī)森林的第三方支付違規(guī)風(fēng)險預(yù)警機(jī)制實施框架，如圖4 所示。

圖4 風(fēng)險預(yù)警機(jī)制實施框架圖

基于所構(gòu)建的風(fēng)險預(yù)警機(jī)制，本文提出如下監(jiān)管建議：

（1）參考本文所設(shè)計的預(yù)警指標(biāo)體系，完善支付業(yè)務(wù)許可證的申請考核條件。除了企業(yè)注冊時間，還應(yīng)該將企業(yè)的媒體報道數(shù)、注冊商標(biāo)數(shù)、軟件著作數(shù)和經(jīng)營異常情況、工商變更次數(shù)、投資方來源、對外投資等變量都納入申請考核條件中，要求企業(yè)提交相關(guān)資料數(shù)據(jù)證明。

（2）在評判相關(guān)企業(yè)資質(zhì)時，首先應(yīng)重點關(guān)注企業(yè)的媒體報道數(shù)和注冊商標(biāo)數(shù)這兩個變量，對于媒體報道數(shù)在110～370 之間的企業(yè)，注冊商標(biāo)數(shù)非常低甚至接近于0的企業(yè)，應(yīng)設(shè)置預(yù)警，謹(jǐn)慎給予支付牌照或者直接拒絕。在此基礎(chǔ)上，再進(jìn)一步關(guān)注注冊時間、軟件著作數(shù)、經(jīng)營異常等信息。

（3）關(guān)于企業(yè)注冊資本的規(guī)定可以適度放寬，雖然央行在《支付業(yè)務(wù)許可證》申請要求里有相關(guān)規(guī)定：企業(yè)應(yīng)有符合規(guī)定的注冊資本最低限額，但是實際該變量對企業(yè)違規(guī)經(jīng)營的影響并不大。央行應(yīng)重點關(guān)注建議（2）所提到的幾個變量，在此基礎(chǔ)上結(jié)合企業(yè)注冊資本等變量來共同分析。

（4）對于媒體報道數(shù)和注冊商標(biāo)數(shù)達(dá)標(biāo)的企業(yè)，將風(fēng)險預(yù)警指標(biāo)體系中所有相關(guān)指標(biāo)量化后，運(yùn)用隨機(jī)森林模型對企業(yè)是否會違規(guī)做提前判定，根據(jù)模型預(yù)測結(jié)果，進(jìn)一步考慮斟酌。對于被判定違規(guī)的企業(yè)尤其應(yīng)該審慎考量，從而真正有效地實施對于企業(yè)的“健全的組織機(jī)構(gòu)、內(nèi)部控制制度和風(fēng)險管理措施”的申請要求。

三、結(jié)論

合理有效地監(jiān)管第三方支付，對支付產(chǎn)業(yè)生態(tài)的發(fā)展至關(guān)重要。尤其是隨著市場準(zhǔn)入限制的進(jìn)一步放開，數(shù)家機(jī)構(gòu)排隊申請第三方支付牌照的背景下，建立完善的違規(guī)風(fēng)險預(yù)警機(jī)制，完備牌照發(fā)放和監(jiān)管機(jī)制，能夠從根源上進(jìn)行風(fēng)險預(yù)警，促進(jìn)支付產(chǎn)業(yè)的健康發(fā)展。

本文首先基于經(jīng)典風(fēng)險理論并結(jié)合第三方支付行業(yè)的特殊性，構(gòu)建風(fēng)險預(yù)警指標(biāo)體系，進(jìn)而結(jié)合機(jī)器學(xué)習(xí)中的隨機(jī)森林算法，提出了基于隨機(jī)森林模型的風(fēng)險預(yù)警機(jī)制。隨后，以獲得支付牌照的271 家企業(yè)為樣本，通過對比傳統(tǒng)Logistic 回歸模型與隨機(jī)森林模型，發(fā)現(xiàn)Logistic 回歸模型在評估第三方支付企業(yè)違規(guī)行為時有明顯的局限性。而隨機(jī)森林模型判定的準(zhǔn)確率大大提高，且一類錯誤和二類錯誤比率都大幅降低（二類錯誤率為0）。這驗證了本文所提出的第三方支付違規(guī)風(fēng)險預(yù)警機(jī)制的有效性。

最后，通過分析每個特征變量在隨機(jī)森林模型中的貢獻(xiàn)程度，得到評價指標(biāo)重要性的度量值，評估各個屬性變量在分類中所起的作用。本文發(fā)現(xiàn)媒體報道和注冊商標(biāo)數(shù)是最重要的兩個變量，而這兩點在央行目前對申請牌照企業(yè)的考核條件中都沒有體現(xiàn)。關(guān)于目前申請審核條件中的企業(yè)的注冊資本要求，本文研究發(fā)現(xiàn)其重要程度相對較低，央行日后可適度放寬該項規(guī)定。

為了真正有效地對企業(yè)資質(zhì)進(jìn)行篩選，本文建議央行進(jìn)一步完善目前對于支付牌照的發(fā)放考核條件，在發(fā)放牌照時，將企業(yè)的媒體報道數(shù)、注冊商標(biāo)數(shù)、注冊時間、軟件著作數(shù)和經(jīng)營異常情況等都納入申請考核條件中，要求企業(yè)提交相關(guān)資料證明，首先觀察企業(yè)的媒體報道數(shù)和注冊商標(biāo)數(shù)是否滿足要求，進(jìn)而通過隨機(jī)森林模型來評估相關(guān)企業(yè)的違規(guī)風(fēng)險作為參考，從而降低整個支付行業(yè)的風(fēng)險。