李媛媛，張春蕾，方會琳

（河北工業(yè)大學經(jīng)濟管理學院，天津 300401）

一、引 言

在打好我國防范化解重大金融風險攻堅戰(zhàn)的背景下，重點防控的金融風險正在以新的特點和方式呈現(xiàn)并逐漸傳導至家庭，促使家庭金融風險成為金融穩(wěn)定與經(jīng)濟發(fā)展的先行性指標。然而，金融詐騙作為家庭金融風險的重要來源，做好防范工作能有效緩解家庭金融風險，切實維護家庭金融安全。360安全大腦發(fā)布的《2019年網(wǎng)絡詐騙趨勢研究報告》從受害者畫像維度出發(fā)，揭示了金融詐騙是舉報量最高的詐騙，也是導致詐騙受害者損失較高的詐騙。金融詐騙作為金融領(lǐng)域的主要犯罪活動給居民帶來諸多困擾，尤其在互聯(lián)網(wǎng)金融不斷發(fā)展的背景下，新型金融詐騙方式更是層出不窮。金融詐騙呈現(xiàn)受騙報案數(shù)量占比高、受騙損失金額高的特點，且不斷翻新的金融詐騙具有很強的投機性和針對性。金融詐騙頻發(fā)不僅使受害者造成巨額經(jīng)濟損失，增加家庭金融風險，也嚴重影響其心理健康。

中老年群體已成為金融詐騙的“重災區(qū)”，2017年《養(yǎng)老金融藍皮書》顯示：相較于其他年齡段，中老年群體更易在金融詐騙中受害。2019年發(fā)布的《中老年人反詐騙白皮書》顯示：平臺僅上半年受理的中老年人詐騙舉報量超過2萬次，其中，97%的中老年人曾遭受詐騙損失。中老年人需對金融詐騙行為保持高度警惕，避免落入詐騙“陷阱”，導致家庭金融財產(chǎn)受損。特別是在2020年新冠肺炎疫情期間，詐騙問題尤為突出，不僅導致居民遭受財產(chǎn)損失，而且擾亂了社會秩序。2020年360安全大腦發(fā)布的《新冠肺炎疫情期間網(wǎng)絡詐騙趨勢研究報告》顯示，獵網(wǎng)平臺共計收到用戶有效舉報3243例，舉報數(shù)量相比去年同期的2200例增長了47%。

金融詐騙犯罪活動已成為危害最大的經(jīng)濟犯罪活動之一，但作為家庭金融風險的重要體現(xiàn)，有關(guān)其風險防范的研究大多數(shù)基于施詐者視角，采用案例、定性分析方法對詐騙犯罪問題進行探究，雖為識別和檢測詐騙行為提供了現(xiàn)實依據(jù)，但仍不足以從根源上預防家庭金融風險。然而，積極的犯罪人和消極的被害人之間是相輔相成的伙伴關(guān)系，詐騙案件頻發(fā)不應僅歸因于犯罪分子的施詐行為，也應關(guān)注受害者方的致害因素。從實用角度看，犯罪預防的價值遠大于犯罪打擊（殷明，2017）[1]。因此，從受害方視角出發(fā)，探究各因素間的影響路徑及作用機制，借助大數(shù)據(jù)分析，建立中老年家庭金融風險早期預警模型，科學高效地預測金融風險發(fā)生率，識別哪些因素對我國中老年家庭金融風險產(chǎn)生重要影響？各因素間具有何種結(jié)構(gòu)層級關(guān)系？這不僅為中老年家庭金融風險防范提供了政策參考，也為金融反詐騙的開展與實施提供了全新視角與思路。

二、文獻回顧

（一）中老年家庭金融風險預警研究

金融詐騙作為中老年家庭金融風險的重要來源，其風險預警的研究大多數(shù)基于施詐者視角，傳統(tǒng)預警方式采用定性研究方法，從犯罪預防和犯罪偵查機制角度分析金融詐騙案件偵查、法律問題，以提出有效防范金融詐騙的對策措施。由于數(shù)據(jù)挖掘技術(shù)可以從海量數(shù)據(jù)庫中高效提取極具價值的信息并準確預測風險，該技術(shù)逐漸被應用到安全檢測、疾病診斷、保險詐騙等多個領(lǐng)域。決策樹、樸素貝葉斯、神經(jīng)網(wǎng)絡等數(shù)據(jù)挖掘技術(shù)被廣泛用來構(gòu)建預警模型，以防范各領(lǐng)域所識別出的風險。針對金融詐騙風險預警，涌現(xiàn)出了大量的研究成果。為了確定最具信息性的訓練神經(jīng)網(wǎng)絡模型，Viaene et al.（2005）探討了神經(jīng)網(wǎng)絡分類器的解釋能力，并將貝葉斯神經(jīng)網(wǎng)絡模型應用于保險索賠詐騙預警[2]。在信用卡詐騙風險預警中，研究學者設計了基于規(guī)則的過濾器、交易歷史數(shù)據(jù)庫和貝葉斯學習器的金融詐騙預警系統(tǒng)，并引入交易聚類策略對風險預警模型加以補充和完善（Panigrahi et al.，2009；Jha et al.，2012）[3][4]。Mahmoudi&Duman（2015）則首次研究了一種線性判別模型，將費雪判別函數(shù)應用在金融詐騙風險預警問題中[5]。Kim et al.（2019）對混合集成和深度學習方法進行了比較，以確定更為精確的金融詐騙風險預警模型[6]。隨著大數(shù)據(jù)技術(shù)不斷發(fā)展，我國學者采用基于距離、粗糙集和神經(jīng)網(wǎng)絡相結(jié)合、案例推理的方法進行詐騙風險檢測，并基于支持向量機、知識圖譜通聯(lián)特征等方法為金融詐騙案件分析及線索挖掘提供大數(shù)據(jù)技術(shù)支持（郭濤、李貴洋，2009；凡友榮等，2019）[7][8]。陳榮榮等（2020）在構(gòu)建信用卡交易詐騙預警模型時，將XGBoost算法與隨機森林和GBDT這兩個模型作對比實驗，發(fā)現(xiàn)采用XGBoost算法進行詐騙預測準確率更高[9]。

（二）中老年家庭金融風險因素研究

中老年家庭金融風險的誘發(fā)是一個極為復雜的過程，受到諸多因素的共同影響，探究哪些因素影響中老年家庭金融風險尤為重要。回顧國內(nèi)外學者的研究，中老年家庭金融詐騙風險主要表現(xiàn)在是否成為金融詐騙目標、是否遭受金融詐騙以及金融詐騙損失程度三個方面，且其影響因素綜合體現(xiàn)在人口特征、能力狀況、生活狀態(tài)、生理健康、復雜心理以及財富水平六個維度。

學者最早關(guān)注人口統(tǒng)計因素，Lee&Soberon-Ferrer（1997）分析了年齡、性別、婚姻狀況對中老年家庭金融詐騙風險的影響[10]。進一步學者們從行為金融學視角出發(fā)，對老年人的能力狀況和生活狀態(tài)展開研究。在能力狀況方面，受教育程度高的低齡老年人更易受騙，但認知能力不僅可以降低老年人詐騙受害風險，而且對詐騙損失金額也有顯著負向影響（Lichtenberg et al.，2015；Judges et al.，2017）[11][12]。社交能力作為素質(zhì)能力的重要體現(xiàn)，其對金融詐騙風險的影響受到關(guān)注，Li et al.（2017）研究發(fā)現(xiàn)缺乏社交活動的老年人金融詐騙風險更高[13]。在生活狀態(tài)方面，封建迷信和觀念陳舊是老年人成為詐騙受害者的重要風險因素，生活獨居的中老年人可能因易受勸導而增加金融詐騙風險（彭玉偉，2013；李媛媛、單承蕓，2020）[14][15]。生理健康狀況同樣不容忽視，在接觸誘導性廣告時，由神經(jīng)損傷或衰老引起的腹側(cè)前額葉功能障礙患者可能因輕信廣告而受騙；慢性疾病、日常生活能力對金融詐騙風險無明顯影響（Asp et al.，2012；James et al.，2014）[16-17]。隨著研究的不斷深入，研究學者開始關(guān)注詐騙案件背后充斥的復雜心理因素。老年人的情緒體驗對金融詐騙風險起到關(guān)鍵作用，孤獨感越強、抑郁程度越高，金融詐騙受害可能性越大（Alves&Wilson，2008；Lichtenberg et al.，2013）[18][19]；但幸福感和安全感可以有效降低金融詐騙風險（饒育蕾等，2021；楊航等，2019）[20][21]。此外，家庭財富狀況也是金融詐騙風險的重要因素，家庭收入水平的不同會對金融詐騙易感性產(chǎn)生異質(zhì)性影響，積極參與金融市場的家庭所面臨的金融詐騙風險越高（James et al.，2014；路曉蒙等，2020）[17][22]。

基于以上文獻回顧，現(xiàn)有關(guān)于中老年家庭金融風險預警的相關(guān)研究更多側(cè)重于從施詐者角度出發(fā)，采用風險預警模型識別家庭金融詐騙風險，并對金融詐騙犯罪予以打擊，然而現(xiàn)有研究忽視了從受害方角度出發(fā)對金融詐騙進行預防才是有效降低家庭金融風險的關(guān)鍵。現(xiàn)有關(guān)于中老年家庭金融風險因素的相關(guān)研究更多關(guān)注單一因素是否對家庭金融風險產(chǎn)生直接影響，近年來開始逐步向多因素對家庭金融風險的間接影響轉(zhuǎn)變，而且現(xiàn)有研究更多基于理論分析提出相關(guān)研究假設，并采用實證模型對此進行驗證，其中國外研究側(cè)重于采用回歸分析方法，比如Probit模型、Logit模型，國內(nèi)研究近年來由偏向具體案例研究向中介效應模型、調(diào)節(jié)效應模型逐步轉(zhuǎn)變，但現(xiàn)有研究方法所關(guān)注的變量仍然有限，極易忽略潛在變量，且忽視了家庭金融風險影響因素間存在的交互作用關(guān)系，缺乏對各因素間層級結(jié)構(gòu)關(guān)系的研究。

為了有效防范中老年家庭金融風險，本文立足受害方視角，基于CHARLS（2018）數(shù)據(jù)，采用XGBoost算法對家庭金融風險進行早期預警，并在識別中老年家庭金融風險影響因素的基礎上，運用解釋結(jié)構(gòu)模型（ISM）確定各影響因素間的結(jié)構(gòu)層級關(guān)系，從整體上把握各影響因素對家庭金融風險的作用機理和各因素間的交互作用機制。

三、數(shù)據(jù)來源與模型構(gòu)建

（一）數(shù)據(jù)來源

本文數(shù)據(jù)來源于中國健康與養(yǎng)老追蹤調(diào)查（China Health and Retirement Longitudinal Survey，CHARLS），該調(diào)查于2011、2013、2015和2018年分別在全國28個省的150個縣開展訪問。該數(shù)據(jù)庫樣本量于2018年全國追訪完成時，已覆蓋總計1.24萬戶家庭中近2萬名受訪者。在參考國際問卷設計經(jīng)驗的基礎上，CHALRS的問卷設計采用多階段抽樣的方式，各抽樣階段均采取PPS抽樣方法。此外，用地圖法制作村級抽樣框的電子繪圖軟件（CHALRS-GIS）技術(shù)也首次應用于該數(shù)據(jù)庫分析。CHARLS問卷內(nèi)容包括：個人基本信息，家庭基本信息以及社區(qū)基本情況等，該問卷的訪問應答率較高且其數(shù)據(jù)質(zhì)量在同類項目中居于前列，該數(shù)據(jù)在學術(shù)界得到認可且應用廣泛。

（二）研究思路

本文基于中國情境，遵循從因素辨識到模型重構(gòu)的邏輯思路，探索我國中老年家庭金融風險的影響因素，并分析各因素之間的結(jié)構(gòu)層級關(guān)系。首先，立足于文獻研究，篩選總結(jié)出影響中老年家庭金融風險的六類因素，從整體上把握家庭金融風險因素的相關(guān)研究。其次，基于2018年CHARLS數(shù)據(jù)，本文采用XGBoost算法對家庭金融風險進行預警，并提取影響中老年家庭金融風險的關(guān)鍵因素。最后，基于所提取的關(guān)鍵因素，進一步采用解釋結(jié)構(gòu)模型確定各因素之間的層級結(jié)構(gòu)，深入挖掘中老年家庭金融風險影響因素間的內(nèi)在機制。具體研究思路如圖1所示：

（三）XGBoost算法原理

由陳天奇設計的XGBoost（eXtreme Gradient Boosting）被稱為極限梯度提升算法，它以實現(xiàn)性能優(yōu)秀、運算快速為主要目標，致力于使提升樹突破自身的計算極限[23]。本文定義了中老年家庭金融風險預測模型的目標函數(shù)，如式（1）所示。其中：yi表示第i個樣本的類別標簽；y^i為模型的預測值；ft表示第t棵樹模型。由于在該模型中，優(yōu)化參數(shù)不是具體值，而是模型f(x)，故采用additive training的方式學習模型。每一次保留原來的模型不變的基礎上，加入一個新的函數(shù)，如式（2）所示：

由于預測值在每一次迭代中會加入一個新的函數(shù)f，其目的是使目標函數(shù)盡可能最大地降低。即目標是在最小化Obj時得到模型f(x)，但上述式（1）中的Obj中并沒有包含參數(shù)f(x)，所以經(jīng)過進一步整理，得到式（3）所示的新目標函數(shù)：

根據(jù)泰勒展開式，可將式（3）所示的目標函數(shù)展開為式（4）。據(jù)此可知，每個數(shù)據(jù)點在誤差函數(shù)上的一階導數(shù)gi和二階導數(shù)hi最終決定了目標函數(shù)，且c為常數(shù)項的集合。

正則化項Ω(ft)由式（5）給出，其中：γ是懲罰系數(shù)；T表示每棵樹的葉子節(jié)點數(shù)量；ω表示每棵樹的葉子節(jié)點的分數(shù)組成的集合。該正則項用于控制模型復雜度，以避免模型過擬合，增強其泛化能力。此外，進一步定義Gj=∑i∈Ijgi，Hj=∑i∈Ijhi，可將目標函數(shù)轉(zhuǎn)換為式（6）。

根據(jù)式（6）所示的目標函數(shù)，對ωj求導并令其導數(shù)為0，可得到最優(yōu)解。將此最優(yōu)解代入得到目標函數(shù)后，得到式（7）。其中，T為葉子節(jié)點的個數(shù)；λ和γ為比重系數(shù)，防止過擬合的產(chǎn)生。

（四）解釋結(jié)構(gòu)模型（ISM）構(gòu)建

為分析復雜社會經(jīng)濟系統(tǒng)結(jié)構(gòu)問題，1973年Warfield教授提出了解釋結(jié)構(gòu)模型（interpretation structural model，即ISM）[24]。借助實踐經(jīng)驗、專業(yè)知識及數(shù)學原理，該模型可將復雜的系統(tǒng)關(guān)系問題轉(zhuǎn)化為直觀的結(jié)構(gòu)層次模型，其基本思想是利用矩陣、有向圖與計算機技術(shù)對因素及其相互關(guān)系進行處理，在系統(tǒng)中建立遞階結(jié)構(gòu)模型，并輔之以文字解釋說明。對復雜化的系統(tǒng)問題以定性方法進行分析，對所研究問題構(gòu)成因素間的直接與間接關(guān)系進行分解，將影響因素劃分為不同層次結(jié)構(gòu)，構(gòu)建一個層級明晰的多級遞階結(jié)構(gòu)模型。在識別各因素間結(jié)構(gòu)關(guān)系的基礎上，找到解決問題的關(guān)鍵所在，尤其適用于系統(tǒng)性分析變量眾多且結(jié)構(gòu)不清晰的復雜關(guān)系。因此，可構(gòu)建解釋結(jié)構(gòu)模型分析中老年家庭金融風險影響因素之間的層級結(jié)構(gòu)，厘清各影響因素之間的關(guān)聯(lián)關(guān)系，識別金融詐騙風險最直接和最根本的影響因素，為深入探究我國中老年家庭金融風險影響因素交互機理及其作用機制提供理論基礎與現(xiàn)實依據(jù)。

四、中老年家庭金融風險預警分析

（一）數(shù)據(jù)預處理

為了研究我國中老年家庭金融風險的影響因素，本文選取2018年CHARLS數(shù)據(jù)庫中45歲及以上的中老年家庭作為研究對象，通過數(shù)據(jù)合并、缺失值和異常值、變量整合，對數(shù)據(jù)進行預處理。首先，數(shù)據(jù)合并。依據(jù)個體和家庭編碼，將個體和家庭信息、健康狀況和功能、認知和抑郁、醫(yī)療保健與保險、收入與支出、資產(chǎn)與住房情況等不同模塊數(shù)據(jù)匹配到同一個數(shù)據(jù)表中，對各模塊的多條數(shù)據(jù)記錄加以合并，匯總每名受訪者的相關(guān)數(shù)據(jù)信息，共得到19 817個樣本，5 512個特征變量。其次，缺失值及異常值處理。剔除與金融詐騙毫無關(guān)聯(lián)的無效變量，將文本類數(shù)據(jù)轉(zhuǎn)化為數(shù)值型，并對缺失值在10%內(nèi)的特征變量進行填充，其中數(shù)值型變量采用平均值填充，分類變量采用眾數(shù)填充；進一步將回答“不知道”或“拒絕回答”的異常樣本予以剔除。最后，變量整合。依據(jù)調(diào)查問卷各模塊問題的劃分，對樣本各特征變量進行數(shù)據(jù)整合之后，最終得到17 559個樣本，116個特征變量。本文的目標變量是中老年家庭金融風險，采用問卷中“過去，您是否有遭遇詐騙的經(jīng)歷”來衡量。如果受訪者回答是，即受訪者曾經(jīng)遭遇過金融詐騙經(jīng)歷，則說明其家庭存在金融風險。

（二）模型評估

1.模型評估指標

中老年家庭金融風險預警的實質(zhì)是預測受訪者是否存在金融詐騙經(jīng)歷，這是典型的二分類問題。對于二分類問題，引入如表1所示2×2的混淆矩陣，其中：TP為真陽性，實際為詐騙樣本且預測為詐騙；FP為假陽性，實際為正常樣本但預測為詐騙；FN為假陰性，實際為詐騙樣本但預測為正常；TN為真陰性，實際為正常樣本且預測為正常。

表1 二分類混淆矩陣

在現(xiàn)實數(shù)據(jù)中，遭遇金融詐騙的中老年家庭樣本（風險樣本）遠少于正常樣本，即數(shù)據(jù)分布不平衡，這將導致風險樣本誤判為正常樣本的概率遠高于正常樣本誤判的概率。由于本研究的最終目標是檢測識別出少數(shù)類的風險樣本，在采用準確率（ACC）、召回率（Recall）、F1值這三個基本指標判別模型預測結(jié)果的基礎上，還通過感受性曲線（ROC）下的面積AUC值綜合評估模型性能。

2.模型實現(xiàn)流程

本文運用Python3.7.1作為統(tǒng)計分析與模型預測的工具，數(shù)據(jù)處理采用pandas、numpy、sklearn.model_selection等模塊進行分析處理；模型訓練與預測采用xgboost模塊進行調(diào)試；為驗證模型泛化能力，進一步通過網(wǎng)格搜索和交叉驗證進行調(diào)參，采用sklearn.Grid SearchCV對各參數(shù)進行優(yōu)化以確定模型參數(shù)。

3.模型預測結(jié)果

在基于XGBoost模型預測中老年家庭金融風險的基礎上，本文進一步采用決策樹和隨機森林兩種模型進行預測結(jié)果的對比，以確保所選擇的模型具有良好的預測性能，也使得研究結(jié)果更具可靠性。準確率（ACC）、召回率（Recall）、F1值、ROC曲線下方的面積（AUC值）是二分類預測模型常用的評估指標，在使用相同數(shù)據(jù)集的情況下，對XGBoost模型、決策樹、隨機森林三種不同模型在訓練集和測試集上的評估指標進行比較，各模型的評估指標值如表2所示。

從表2可以看出，無論在訓練集還是測試集上，XGBoost模型的ACC、Recall、F1值均比其他兩個模型大，說明相較于決策樹和隨機森林，XGBoost模型的預測效果更好。圖2為XGBoost、隨機森林和決策樹的ROC曲線圖，曲線下方的面積為AUC值，其范圍介于0.5～1.0之間。當ROC曲線越向右上角凸起時，模型分類效果越好，此時，AUC的值越接近1。從圖中可以明顯地看出，XGBoost對應的曲線是最優(yōu)的，該模型的ROC曲線更向右上角凸，AUC值也最大，這也充分說明XGBoost模型的分類預測效果優(yōu)于其他兩個模型，不僅能夠更精確地判斷出中老年家庭存在金融風險的概率，而且也能更準確地進行中老年家庭金融風險預警。

表2 不同模型的評估指標值

（三）重要特征提取

根據(jù)“帕累托法則”，本文從用于構(gòu)造中老年家庭金融風險預警模型的116個特征變量中提取影響程度排名前35的重要特征變量，對其進行分類匯總并計算其重要度均值，結(jié)果如圖3所示。按照特征變量對模型的重要程度依次排序，前35個特征分別為抑郁程度、實物資產(chǎn)、滿意度、認知能力、社交活動、城鄉(xiāng)類型、家庭總負債、日常生活能力、孤獨感、養(yǎng)老金、家庭總收入、保健品支出、自評健康狀況、慢性病、年齡、房產(chǎn)數(shù)量、與子女同住、照顧父母、子女經(jīng)濟支持、金融資產(chǎn)、養(yǎng)老安排、親友經(jīng)濟交往、照料孫輩、婚姻狀態(tài)、自控能力、家庭總支出、性別、社會捐助支出、醫(yī)療保險、政府補助、睡眠質(zhì)量、人情禮金、教育程度、工作狀態(tài)、家庭儲蓄。

在上述因素中，基于中國健康與養(yǎng)老追蹤調(diào)查的經(jīng)驗數(shù)據(jù)，挖掘并辨識出具有中國文化情境的中老年人金融詐騙風險因素，諸如與子女同住、照顧父母、照料孫輩、子女經(jīng)濟支持所體現(xiàn)的中國家庭代際關(guān)系特征，親友經(jīng)濟交往、人情禮金所反映的中國人情社會關(guān)系特征，養(yǎng)老金、養(yǎng)老安排、醫(yī)療保險所呈現(xiàn)的中國社會保障關(guān)系特征。

五、中老年家庭金融風險因素層級分析

（一）建立鄰接矩陣

根據(jù)圖3呈現(xiàn)的特征變量提取結(jié)果，將所提取出的35個特征變量進行編碼，分別用Si（i=1-35）表示抑郁程度、實物資產(chǎn)、滿意度、認知能力、社交活動、城鄉(xiāng)類型、家庭總負債、日常生活能力、孤獨感、養(yǎng)老金、家庭總收入、保健品支出、自評健康狀況、慢性病、年齡、房產(chǎn)數(shù)量、與子女同住、照顧父母、子女經(jīng)濟支持、金融資產(chǎn)、養(yǎng)老安排、親友經(jīng)濟交往、照料孫輩、婚姻狀態(tài)、自控能力、家庭總支出、性別、社會捐助支出、醫(yī)療保險、政府補助、睡眠質(zhì)量、人情禮金、教育程度、工作狀態(tài)、家庭儲蓄。由9位專家學者和6名研究生構(gòu)成ISM實施小組，包括高校經(jīng)濟學、心理學、人口學領(lǐng)域研究的專家學者及碩博士研究生。采用矩陣問卷的形式，征詢小組成員意見，確定因素間直接影響，構(gòu)建鄰接矩陣N?；谶@35個影響我國中老年人金融詐騙的因素間存在的相互關(guān)系（若矩陣中行元素對列元素具有直接影響（不考慮間接影響）則記為1，否則記為0），得到中老年家庭金融風險影響因素的鄰接矩陣N（式8，由于因素較多，本文僅展示前15個因素）。

（二）計算可達矩陣

可達矩陣用于呈現(xiàn)矩陣中兩因素間的二元關(guān)系，找出因素之間可以通過某種路徑到達的程度，以確定所有構(gòu)成因素之間是否存在影響關(guān)系。基于布爾代數(shù)運算法則（邏輯乘取小，邏輯加取大，即遵循：0+0=0；0+1=1；1+0=1；1+1=1；0×0=0；0×1=0；1×0=0；1×1=1。），將鄰接矩陣N加上單位矩陣I并按照下列運算規(guī)則，進行多次矩陣間運算，得到可達矩陣M，當確保不產(chǎn)生新的間接關(guān)系時停止運算，即當(N+I)≠(N+I)2≠…≠(N+I)k-1≠(N+I)k=(N+I)k+1=M成立時為止。利用MATLAB進行迭代計算，當k=4時上式成立，即通過運算得到中老年家庭金融風險影響因素的可達矩陣M=(N+I)4。在可達矩陣M（式9）中（由于因素較多，本文僅展示前15個因素），若某一元素為1則表示所在行因素Si與所在列因素Sj之間存在可達路徑，也就是說Si會影響Sj，但這種影響不再僅局限于直接影響，也包含通過某一個或多個中介因素所產(chǎn)生的間接影響。

可達矩陣M中，S1、S3和S9所在的行與列完全相同，可用A1代替；同理，將其他所在行與列完全相同的元素分別用Ai（i=2-7）代替，得到縮減可達矩陣M′（式10）。進一步將縮減可達矩陣M′，按照元素所在列中“1”值的多少由大到小進行排列，然后調(diào)整M′中對應的行和列，得到重排后的縮減可達矩陣M"（式11）。在M"的元素中，自左上向右下方可以依次劃分出6個最大階數(shù)的單位矩陣。

（三）構(gòu)建解釋結(jié)構(gòu)模型

根據(jù)重排后的縮減可達矩陣M"，去掉反身關(guān)系（即因素自身影響關(guān)系）與傳遞關(guān)系（即間接影響關(guān)系），并還原所合并的因素，構(gòu)建如圖4所示的中老年家庭金融風險影響因素解釋結(jié)構(gòu)模型，分析各影響因素間的層級結(jié)構(gòu)關(guān)系。

根據(jù)該模型的邏輯構(gòu)成，在中老年人決策行為演化特征的基礎上，融入代際家庭關(guān)系、人情社會關(guān)系、社會保障關(guān)系等極具中國文化情境的重要因素，將影響我國中老年家庭金融風險的影響因素劃分為3個層級的遞階結(jié)構(gòu)，從而重構(gòu)了基于中國情境下的中老年家庭金融風險因素層級，具體包括淺層誘導因素、中層影響因素和深層根源因素（見圖1）。

1.淺層誘導因素

淺層誘導因素作為影響中老年家庭金融風險的第一級因素，對中老年家庭金融風險產(chǎn)生最為直接的影響，其主要包括反映中老年人內(nèi)在復雜心理特征的滿意度、抑郁程度和孤獨感，且三者之間存在相互影響。中老年人的滿意度是新時代追求美好生活的重要目標，滿意度高的中老年人則不易成為詐騙者關(guān)注的對象；處于抑郁和孤獨狀態(tài)的中老年人由于貪戀短暫的溫暖，渴望被需要、被重視，易受詐騙信息引誘，從而增加中老年家庭金融風險；由于滿意度、抑郁和孤獨感作為中老年人情緒的表現(xiàn)形式，又會受到多重因素的共同影響，從而間接影響中老年家庭金融風險。

2.中層影響因素

中層影響因素包括社會保障、代際關(guān)系、社會互動、財富水平層面的因素，是影響中老年家庭金融風險較為主要的因素，包括第2、3、4級因素，也是涵蓋因素最多的層級，其中既包含了養(yǎng)老金、醫(yī)療保險等具有中國特色的社會保障相關(guān)因素，子女與父母之間的代際經(jīng)濟支持、情感支持以及隔代生活關(guān)系等方面富有中國家庭文化的代際關(guān)系因素，社會互動情境下中國人情往來的社會關(guān)系，也包括了家庭收入、支出、資產(chǎn)等財富水平因素。該層級因素不僅受深層根源因素的影響，而且通過對淺層誘導因素對中老年家庭金融風險產(chǎn)生間接影響。

在第2級因素中，主要涉及社會保障、代際關(guān)系、社會互動，其受第3、4級因素共同影響的同時，還對淺層誘導因素產(chǎn)生直接影響。不同于發(fā)達國家的社會保障模式，中國基于當前的經(jīng)濟、社會環(huán)境，加之全球老齡化趨勢不斷加劇，選擇了適合中國國情的社會保障模式，也更加關(guān)注中老年人社會保障問題。隨著中老年人社會保障水平的逐步改善與提升，其家庭財富水平也做出了相應的調(diào)整，而且所擁有的社會保障水平越高其心理負擔相對越低。在代際關(guān)系方面，西方所流傳的代際關(guān)系屬于“接力模式”，而中國所傳承的代際關(guān)系屬于“反饋模式”，即每一代都撫育下一代，而下一代成年后再贍養(yǎng)年老的上一代。代際關(guān)系中的經(jīng)濟支持直接受家庭收入水平的影響，而且中老年人的獨居情況與其孤獨心理息息相關(guān)，當中老年人不與子女同住時，其孤獨感越強烈。社會互動體現(xiàn)了社會活動參與和親友經(jīng)濟往來，這不僅直接影響個體心理狀態(tài)，而且還受到家庭經(jīng)濟水平的制約。

在第3級因素中，包含實物資產(chǎn)、房產(chǎn)數(shù)量和金融資產(chǎn)，三者之間存在交互影響，而且主要受家庭總收入、家庭總支出、家庭總負債等家庭經(jīng)濟水平所決定。實物資產(chǎn)、房產(chǎn)和金融資產(chǎn)同屬于家庭資產(chǎn)范疇，當增加其中一種資產(chǎn)的同時勢必會影響另外兩種資產(chǎn)的持有，因此三者相互影響，而且任何一種資產(chǎn)的持有都是基于家庭是否擁有足夠的資金以配置各類資產(chǎn)。此外，伴隨著中國式“以房養(yǎng)老”模式的不斷演化，房產(chǎn)情況對中老年人金融詐騙的影響受到廣泛關(guān)注。隨著金融市場的發(fā)展，中老年家庭金融資產(chǎn)參與水平不斷提升，但金融詐騙案件也頻頻發(fā)生，家庭金融風險有所增加。

在第4級因素中，主要涉及影響上級因素的家庭總收入、家庭總支出、家庭總負債、家庭儲蓄和政府補助，這些因素不僅影響其資產(chǎn)配置情況，而且還受到下級因素的直接影響。其中，在家庭總支出中，中老年人的保健品支出和社會捐助支出對詐騙風險產(chǎn)生重要作用。其原因在于中老年人保健品支出越多會增加遭受保健品詐騙的風險，而社會捐助支出在一定程度上體現(xiàn)了中老年人有愛心，愿意將自己的資金用于救助他人，這極易被施詐者所利用。在其下級因素中，諸如教育程度、工作狀態(tài)等素質(zhì)能力水平會直接對家庭總收入產(chǎn)生影響，教育信號功能理論強調(diào)教育程度決定生產(chǎn)效率的高低，從而影響勞動者收入水平。此外，身體健康狀況越差、所患慢性病種類越多，其所需要的醫(yī)療支出相應也會越多，從而影響家庭總支出水平。

3.深層根源因素

深層根源因素包括個體素質(zhì)能力、身體狀況、人口統(tǒng)計層面的特征，作為影響中老年家庭金融風險的底層因素，對其他因素的影響范圍較廣，包括第5、6級因素，這些因素直接影響或者通過層級間相互作用間接影響中老年家庭金融風險。

在第5級因素中，主要涵蓋兩個方面，包括認知能力、教育程度、自控能力和工作狀態(tài)所綜合反映的素質(zhì)能力以及慢性病、生活能力、健康狀況、睡眠質(zhì)量所體現(xiàn)的身體狀況。素質(zhì)能力直接影響家庭財富水平，隨著認知能力及教育程度的增加，中老年人工作選擇的機會越廣泛，其收入來源越多且金融資產(chǎn)配置的比例越高。與此同時，隨著經(jīng)濟水平的提升，中老年人對其所處的生活狀態(tài)較為滿足，即滿意度也會有所提升。身體狀況中慢性病、生活能力、健康狀況和睡眠質(zhì)量四者相互影響，且受下級因素制約，尤其是年齡所帶來的直接影響。隨著年齡的增加，中老年人生活能力、睡眠質(zhì)量及健康狀況均有所下降，更容易患特定的老年疾病且易受保健品等藥物詐騙。

在第6級因素中，城鄉(xiāng)類型、年齡、性別、婚姻狀況所反映的客觀性人口統(tǒng)計因素作為最底層因素，對其他層級因素產(chǎn)生影響的同時，該層級因素對中老年家庭金融風險起到根源性作用。其中，城鄉(xiāng)二元結(jié)構(gòu)會導致教育、就業(yè)以及身體健康等方面存在明顯差異，李翔和趙昕東（2020）研究發(fā)現(xiàn)，教育程度對中老年人的健康狀況（ADL、LADL、心理健康）具有顯著促進效應且存在性別和城鄉(xiāng)區(qū)域差異[25]。年齡作為影響中老年家庭金融風險的重要因素，其最直觀的影響是年齡對認知能力的影響。張文娟和李念（2020）基于混合效應的多層線性模型，分析了中國不同年齡段中老年人認知能力的衰退軌跡[26]。從性別和婚姻狀況角度來看，相較于有配偶的中老年人，處于單身狀態(tài)的個體更易遭受詐騙；女性相較于男性更為小心謹慎且偏好穩(wěn)健型投資，從而其所面臨的中老年家庭金融風險存在顯著區(qū)別，同時由于性別的不同，中老年人患有慢性病種類和數(shù)目也有明顯差異。

六、研究結(jié)論與對策建議

（一）研究結(jié)論

基于2018年CHARLS數(shù)據(jù)庫，本文采用XGBoost算法，構(gòu)建了我國中老年家庭金融風險預警模型，據(jù)此提取出了35個影響我國中老年家庭金融風險的重要因素，并通過ISM模型重構(gòu)了中老年家庭金融風險影響因素的層級結(jié)構(gòu)關(guān)系，將各因素劃分為淺層誘導因素、中層影響因素和深層根源因素3個層級的遞階結(jié)構(gòu)。通過研究發(fā)現(xiàn)：在我國中老年家庭金融風險因素中，滿意度、抑郁程度和孤獨感所代表的心理層面的因素作為淺層誘導因素，直接影響中老年家庭金融風險；中層影響因素不僅受深層因素的影響，而且還通過作用于淺層誘導因素而對中老年家庭金融風險產(chǎn)生間接影響；客觀性人口特征是影響中老年家庭金融風險的深層因素，沿著“人口統(tǒng)計因素（城鄉(xiāng)類型、年齡、性別、婚姻狀況）”→“素質(zhì)能力（認知能力、教育程度、自控能力、工作狀態(tài)）和身體狀況（慢性病、生活能力、健康狀況、睡眠質(zhì)量）”→“家庭財富狀況（實物資產(chǎn)、房產(chǎn)數(shù)量、金融資產(chǎn)、家庭總收入、家庭總支出、家庭總負債、家庭儲蓄、政府補助）”→社會保障（養(yǎng)老金、醫(yī)療保險、養(yǎng)老安排），代際關(guān)系（與子女同住、照顧父母、照料孫輩、子女經(jīng)濟支持），社會互動（社交活動、親友經(jīng)濟交往、人情禮金）→“心理特征因素（滿意度、抑郁程度、孤獨感）”→“中老年家庭金融風險”邏輯傳導關(guān)系，從根源上影響我國中老年家庭金融風險。

（二）對策建議

依據(jù)上述研究結(jié)論，提出有效防范中老年家庭金融風險的對策建議：

第一，增進情感交流，筑牢心理安全防線。作為負向情緒表現(xiàn)的孤獨感和抑郁程度會使中老年人因心理防線弱而增加家庭金融風險。子女應多陪伴老年父母，注重增進與父母的情感交流，疏解其抑郁情緒，勸導父母警惕陌生來電及詐騙信息，有效防范中老年家庭金融風險；社區(qū)應多舉辦中老年人心理健康系列活動，鼓勵中老年人多參與其中，避免陷入晚年孤獨，尤其關(guān)愛獨居老人，緩解其心理壓力，從而提升其生活滿意度，筑牢心理健康安全防線，增強抵御中老年家庭金融風險的心理意識。

第二，強化風險意識，建立家庭聯(lián)系紐帶。政府相關(guān)部門應提高中老年人的社會保障水平，不給詐騙分子留有可乘之機，尤其是確保老年人能安享晚年生活。中老年人自身應當加強親友間的溝通交流、建立家庭聯(lián)系紐帶，老年群體作為金融詐騙的“重災區(qū)”，子女應多與老年父母交流并針對典型詐騙案例提早給父母打“預防針”，避免中老年人因缺乏陪伴且判斷能力低而易受施詐者誘導。社區(qū)應加強社區(qū)治理與監(jiān)管水平，定期舉辦社區(qū)金融詐騙案例宣講及防騙技巧講座，降低社區(qū)整體金融詐騙發(fā)生率。此外，家庭財富水平高的中老年家庭是詐騙分子的施詐目標對象，該類型群體在日常投資、消費、信貸等過程中更應當增強風險意識，謹防詐騙，維護家庭金融安全。

第三，增強防范能力，推動品質(zhì)生活建設。中老年人自身應增強防范意識，注意社交過程中的陌生人，提高識別中老年家庭金融風險的能力。面對“免費午餐”時，應加強自我控制能力，謹慎選擇金融理財產(chǎn)品，避免因追求高額回報而遭受金融詐騙損失。金融機構(gòu)應努力提高全民綜合素養(yǎng)，尤其是金融素養(yǎng)水平的提升，在遇到不明網(wǎng)站或鏈接時需謹慎小心，確保網(wǎng)絡信息安全。中老年人身體狀況對中老年家庭金融風險所起到的作用也不容忽視，中老年人自身在提高能力素養(yǎng)的基礎上，還應重視提升身體素質(zhì)能力，特別是健康狀況較差和日常生活困難的中老年人更應受到關(guān)愛與照顧，提升中老年人抵抗家庭金融風險的“免疫力”，以防落入金融詐騙陷阱。監(jiān)管部門在加強詐騙案件治理水平的同時，還應關(guān)注城鎮(zhèn)化進程所帶來的家庭金融風險，政府應提高市場監(jiān)管能力并加強詐騙犯罪打擊力度，有效降低詐騙犯罪發(fā)生率，防范和化解家庭金融風險。