我国中老年家庭金融风险预警与因素层级研究——基于中国情境下的辨识与重构

李媛媛，张春蕾，方会琳

（河北工业大学经济管理学院，天津 300401）

一、引 言

在打好我国防范化解重大金融风险攻坚战的背景下，重点防控的金融风险正在以新的特点和方式呈现并逐渐传导至家庭，促使家庭金融风险成为金融稳定与经济发展的先行性指标。然而，金融诈骗作为家庭金融风险的重要来源，做好防范工作能有效缓解家庭金融风险，切实维护家庭金融安全。360安全大脑发布的《2019年网络诈骗趋势研究报告》从受害者画像维度出发，揭示了金融诈骗是举报量最高的诈骗，也是导致诈骗受害者损失较高的诈骗。金融诈骗作为金融领域的主要犯罪活动给居民带来诸多困扰，尤其在互联网金融不断发展的背景下，新型金融诈骗方式更是层出不穷。金融诈骗呈现受骗报案数量占比高、受骗损失金额高的特点，且不断翻新的金融诈骗具有很强的投机性和针对性。金融诈骗频发不仅使受害者造成巨额经济损失，增加家庭金融风险，也严重影响其心理健康。

中老年群体已成为金融诈骗的“重灾区”，2017年《养老金融蓝皮书》显示：相较于其他年龄段，中老年群体更易在金融诈骗中受害。2019年发布的《中老年人反诈骗白皮书》显示：平台仅上半年受理的中老年人诈骗举报量超过2万次，其中，97%的中老年人曾遭受诈骗损失。中老年人需对金融诈骗行为保持高度警惕，避免落入诈骗“陷阱”，导致家庭金融财产受损。特别是在2020年新冠肺炎疫情期间，诈骗问题尤为突出，不仅导致居民遭受财产损失，而且扰乱了社会秩序。2020年360安全大脑发布的《新冠肺炎疫情期间网络诈骗趋势研究报告》显示，猎网平台共计收到用户有效举报3243例，举报数量相比去年同期的2200例增长了47%。

金融诈骗犯罪活动已成为危害最大的经济犯罪活动之一，但作为家庭金融风险的重要体现，有关其风险防范的研究大多数基于施诈者视角，采用案例、定性分析方法对诈骗犯罪问题进行探究，虽为识别和检测诈骗行为提供了现实依据，但仍不足以从根源上预防家庭金融风险。然而，积极的犯罪人和消极的被害人之间是相辅相成的伙伴关系，诈骗案件频发不应仅归因于犯罪分子的施诈行为，也应关注受害者方的致害因素。从实用角度看，犯罪预防的价值远大于犯罪打击（殷明，2017）[1]。因此，从受害方视角出发，探究各因素间的影响路径及作用机制，借助大数据分析，建立中老年家庭金融风险早期预警模型，科学高效地预测金融风险发生率，识别哪些因素对我国中老年家庭金融风险产生重要影响？各因素间具有何种结构层级关系？这不仅为中老年家庭金融风险防范提供了政策参考，也为金融反诈骗的开展与实施提供了全新视角与思路。

二、文献回顾

（一）中老年家庭金融风险预警研究

金融诈骗作为中老年家庭金融风险的重要来源，其风险预警的研究大多数基于施诈者视角，传统预警方式采用定性研究方法，从犯罪预防和犯罪侦查机制角度分析金融诈骗案件侦查、法律问题，以提出有效防范金融诈骗的对策措施。由于数据挖掘技术可以从海量数据库中高效提取极具价值的信息并准确预测风险，该技术逐渐被应用到安全检测、疾病诊断、保险诈骗等多个领域。决策树、朴素贝叶斯、神经网络等数据挖掘技术被广泛用来构建预警模型，以防范各领域所识别出的风险。针对金融诈骗风险预警，涌现出了大量的研究成果。为了确定最具信息性的训练神经网络模型，Viaene et al.（2005）探讨了神经网络分类器的解释能力，并将贝叶斯神经网络模型应用于保险索赔诈骗预警[2]。在信用卡诈骗风险预警中，研究学者设计了基于规则的过滤器、交易历史数据库和贝叶斯学习器的金融诈骗预警系统，并引入交易聚类策略对风险预警模型加以补充和完善（Panigrahi et al.，2009；Jha et al.，2012）[3][4]。Mahmoudi&Duman（2015）则首次研究了一种线性判别模型，将费雪判别函数应用在金融诈骗风险预警问题中[5]。Kim et al.（2019）对混合集成和深度学习方法进行了比较，以确定更为精确的金融诈骗风险预警模型[6]。随着大数据技术不断发展，我国学者采用基于距离、粗糙集和神经网络相结合、案例推理的方法进行诈骗风险检测，并基于支持向量机、知识图谱通联特征等方法为金融诈骗案件分析及线索挖掘提供大数据技术支持（郭涛、李贵洋，2009；凡友荣等，2019）[7][8]。陈荣荣等（2020）在构建信用卡交易诈骗预警模型时，将XGBoost算法与随机森林和GBDT这两个模型作对比实验，发现采用XGBoost算法进行诈骗预测准确率更高[9]。

（二）中老年家庭金融风险因素研究

中老年家庭金融风险的诱发是一个极为复杂的过程，受到诸多因素的共同影响，探究哪些因素影响中老年家庭金融风险尤为重要。回顾国内外学者的研究，中老年家庭金融诈骗风险主要表现在是否成为金融诈骗目标、是否遭受金融诈骗以及金融诈骗损失程度三个方面，且其影响因素综合体现在人口特征、能力状况、生活状态、生理健康、复杂心理以及财富水平六个维度。

学者最早关注人口统计因素，Lee&Soberon-Ferrer（1997）分析了年龄、性别、婚姻状况对中老年家庭金融诈骗风险的影响[10]。进一步学者们从行为金融学视角出发，对老年人的能力状况和生活状态展开研究。在能力状况方面，受教育程度高的低龄老年人更易受骗，但认知能力不仅可以降低老年人诈骗受害风险，而且对诈骗损失金额也有显著负向影响（Lichtenberg et al.，2015；Judges et al.，2017）[11][12]。社交能力作为素质能力的重要体现，其对金融诈骗风险的影响受到关注，Li et al.（2017）研究发现缺乏社交活动的老年人金融诈骗风险更高[13]。在生活状态方面，封建迷信和观念陈旧是老年人成为诈骗受害者的重要风险因素，生活独居的中老年人可能因易受劝导而增加金融诈骗风险（彭玉伟，2013；李媛媛、单承芸，2020）[14][15]。生理健康状况同样不容忽视，在接触诱导性广告时，由神经损伤或衰老引起的腹侧前额叶功能障碍患者可能因轻信广告而受骗；慢性疾病、日常生活能力对金融诈骗风险无明显影响（Asp et al.，2012；James et al.，2014）[16-17]。随着研究的不断深入，研究学者开始关注诈骗案件背后充斥的复杂心理因素。老年人的情绪体验对金融诈骗风险起到关键作用，孤独感越强、抑郁程度越高，金融诈骗受害可能性越大（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诈骗风险（饶育蕾等，2021；杨航等，2019）[20][21]。此外，家庭财富状况也是金融诈骗风险的重要因素，家庭收入水平的不同会对金融诈骗易感性产生异质性影响，积极参与金融市场的家庭所面临的金融诈骗风险越高（James et al.，2014；路晓蒙等，2020）[17][22]。

基于以上文献回顾，现有关于中老年家庭金融风险预警的相关研究更多侧重于从施诈者角度出发，采用风险预警模型识别家庭金融诈骗风险，并对金融诈骗犯罪予以打击，然而现有研究忽视了从受害方角度出发对金融诈骗进行预防才是有效降低家庭金融风险的关键。现有关于中老年家庭金融风险因素的相关研究更多关注单一因素是否对家庭金融风险产生直接影响，近年来开始逐步向多因素对家庭金融风险的间接影响转变，而且现有研究更多基于理论分析提出相关研究假设，并采用实证模型对此进行验证，其中国外研究侧重于采用回归分析方法，比如Probit模型、Logit模型，国内研究近年来由偏向具体案例研究向中介效应模型、调节效应模型逐步转变，但现有研究方法所关注的变量仍然有限，极易忽略潜在变量，且忽视了家庭金融风险影响因素间存在的交互作用关系，缺乏对各因素间层级结构关系的研究。

为了有效防范中老年家庭金融风险，本文立足受害方视角，基于CHARLS（2018）数据，采用XGBoost算法对家庭金融风险进行早期预警，并在识别中老年家庭金融风险影响因素的基础上，运用解释结构模型（ISM）确定各影响因素间的结构层级关系，从整体上把握各影响因素对家庭金融风险的作用机理和各因素间的交互作用机制。

三、数据来源与模型构建

（一）数据来源

本文数据来源于中国健康与养老追踪调查（China Health and Retirement Longitudinal Survey，CHARLS），该调查于2011、2013、2015和2018年分别在全国28个省的150个县开展访问。该数据库样本量于2018年全国追访完成时，已覆盖总计1.24万户家庭中近2万名受访者。在参考国际问卷设计经验的基础上，CHALRS的问卷设计采用多阶段抽样的方式，各抽样阶段均采取PPS抽样方法。此外，用地图法制作村级抽样框的电子绘图软件（CHALRS-GIS）技术也首次应用于该数据库分析。CHARLS问卷内容包括：个人基本信息，家庭基本信息以及社区基本情况等，该问卷的访问应答率较高且其数据质量在同类项目中居于前列，该数据在学术界得到认可且应用广泛。

（二）研究思路

本文基于中国情境，遵循从因素辨识到模型重构的逻辑思路，探索我国中老年家庭金融风险的影响因素，并分析各因素之间的结构层级关系。首先，立足于文献研究，筛选总结出影响中老年家庭金融风险的六类因素，从整体上把握家庭金融风险因素的相关研究。其次，基于2018年CHARLS数据，本文采用XGBoost算法对家庭金融风险进行预警，并提取影响中老年家庭金融风险的关键因素。最后，基于所提取的关键因素，进一步采用解释结构模型确定各因素之间的层级结构，深入挖掘中老年家庭金融风险影响因素间的内在机制。具体研究思路如图1所示：

（三）XGBoost算法原理

由陈天奇设计的XGBoost（eXtreme Gradient Boosting）被称为极限梯度提升算法，它以实现性能优秀、运算快速为主要目标，致力于使提升树突破自身的计算极限[23]。本文定义了中老年家庭金融风险预测模型的目标函数，如式（1）所示。其中：yi表示第i个样本的类别标签；y^i为模型的预测值；ft表示第t棵树模型。由于在该模型中，优化参数不是具体值，而是模型f(x)，故采用additive training的方式学习模型。每一次保留原来的模型不变的基础上，加入一个新的函数，如式（2）所示：

由于预测值在每一次迭代中会加入一个新的函数f，其目的是使目标函数尽可能最大地降低。即目标是在最小化Obj时得到模型f(x)，但上述式（1）中的Obj中并没有包含参数f(x)，所以经过进一步整理，得到式（3）所示的新目标函数：

根据泰勒展开式，可将式（3）所示的目标函数展开为式（4）。据此可知，每个数据点在误差函数上的一阶导数gi和二阶导数hi最终决定了目标函数，且c为常数项的集合。

正则化项Ω(ft)由式（5）给出，其中：γ是惩罚系数；T表示每棵树的叶子节点数量；ω表示每棵树的叶子节点的分数组成的集合。该正则项用于控制模型复杂度，以避免模型过拟合，增强其泛化能力。此外，进一步定义Gj=∑i∈Ijgi，Hj=∑i∈Ijhi，可将目标函数转换为式（6）。

根据式（6）所示的目标函数，对ωj求导并令其导数为0，可得到最优解。将此最优解代入得到目标函数后，得到式（7）。其中，T为叶子节点的个数；λ和γ为比重系数，防止过拟合的产生。

（四）解释结构模型（ISM）构建

为分析复杂社会经济系统结构问题，1973年Warfield教授提出了解释结构模型（interpretation structural model，即ISM）[24]。借助实践经验、专业知识及数学原理，该模型可将复杂的系统关系问题转化为直观的结构层次模型，其基本思想是利用矩阵、有向图与计算机技术对因素及其相互关系进行处理，在系统中建立递阶结构模型，并辅之以文字解释说明。对复杂化的系统问题以定性方法进行分析，对所研究问题构成因素间的直接与间接关系进行分解，将影响因素划分为不同层次结构，构建一个层级明晰的多级递阶结构模型。在识别各因素间结构关系的基础上，找到解决问题的关键所在，尤其适用于系统性分析变量众多且结构不清晰的复杂关系。因此，可构建解释结构模型分析中老年家庭金融风险影响因素之间的层级结构，厘清各影响因素之间的关联关系，识别金融诈骗风险最直接和最根本的影响因素，为深入探究我国中老年家庭金融风险影响因素交互机理及其作用机制提供理论基础与现实依据。

四、中老年家庭金融风险预警分析

（一）数据预处理

为了研究我国中老年家庭金融风险的影响因素，本文选取2018年CHARLS数据库中45岁及以上的中老年家庭作为研究对象，通过数据合并、缺失值和异常值、变量整合，对数据进行预处理。首先，数据合并。依据个体和家庭编码，将个体和家庭信息、健康状况和功能、认知和抑郁、医疗保健与保险、收入与支出、资产与住房情况等不同模块数据匹配到同一个数据表中，对各模块的多条数据记录加以合并，汇总每名受访者的相关数据信息，共得到19 817个样本，5 512个特征变量。其次，缺失值及异常值处理。剔除与金融诈骗毫无关联的无效变量，将文本类数据转化为数值型，并对缺失值在10%内的特征变量进行填充，其中数值型变量采用平均值填充，分类变量采用众数填充；进一步将回答“不知道”或“拒绝回答”的异常样本予以剔除。最后，变量整合。依据调查问卷各模块问题的划分，对样本各特征变量进行数据整合之后，最终得到17 559个样本，116个特征变量。本文的目标变量是中老年家庭金融风险，采用问卷中“过去，您是否有遭遇诈骗的经历”来衡量。如果受访者回答是，即受访者曾经遭遇过金融诈骗经历，则说明其家庭存在金融风险。

（二）模型评估

1.模型评估指标

中老年家庭金融风险预警的实质是预测受访者是否存在金融诈骗经历，这是典型的二分类问题。对于二分类问题，引入如表1所示2×2的混淆矩阵，其中：TP为真阳性，实际为诈骗样本且预测为诈骗；FP为假阳性，实际为正常样本但预测为诈骗；FN为假阴性，实际为诈骗样本但预测为正常；TN为真阴性，实际为正常样本且预测为正常。

表1 二分类混淆矩阵

在现实数据中，遭遇金融诈骗的中老年家庭样本（风险样本）远少于正常样本，即数据分布不平衡，这将导致风险样本误判为正常样本的概率远高于正常样本误判的概率。由于本研究的最终目标是检测识别出少数类的风险样本，在采用准确率（ACC）、召回率（Recall）、F1值这三个基本指标判别模型预测结果的基础上，还通过感受性曲线（ROC）下的面积AUC值综合评估模型性能。

2.模型实现流程

本文运用Python3.7.1作为统计分析与模型预测的工具，数据处理采用pandas、numpy、sklearn.model_selection等模块进行分析处理；模型训练与预测采用xgboost模块进行调试；为验证模型泛化能力，进一步通过网格搜索和交叉验证进行调参，采用sklearn.Grid SearchCV对各参数进行优化以确定模型参数。

3.模型预测结果

在基于XGBoost模型预测中老年家庭金融风险的基础上，本文进一步采用决策树和随机森林两种模型进行预测结果的对比，以确保所选择的模型具有良好的预测性能，也使得研究结果更具可靠性。准确率（ACC）、召回率（Recall）、F1值、ROC曲线下方的面积（AUC值）是二分类预测模型常用的评估指标，在使用相同数据集的情况下，对XGBoost模型、决策树、随机森林三种不同模型在训练集和测试集上的评估指标进行比较，各模型的评估指标值如表2所示。

从表2可以看出，无论在训练集还是测试集上，XGBoost模型的ACC、Recall、F1值均比其他两个模型大，说明相较于决策树和随机森林，XGBoost模型的预测效果更好。图2为XGBoost、随机森林和决策树的ROC曲线图，曲线下方的面积为AUC值，其范围介于0.5～1.0之间。当ROC曲线越向右上角凸起时，模型分类效果越好，此时，AUC的值越接近1。从图中可以明显地看出，XGBoost对应的曲线是最优的，该模型的ROC曲线更向右上角凸，AUC值也最大，这也充分说明XGBoost模型的分类预测效果优于其他两个模型，不仅能够更精确地判断出中老年家庭存在金融风险的概率，而且也能更准确地进行中老年家庭金融风险预警。

表2 不同模型的评估指标值

（三）重要特征提取

根据“帕累托法则”，本文从用于构造中老年家庭金融风险预警模型的116个特征变量中提取影响程度排名前35的重要特征变量，对其进行分类汇总并计算其重要度均值，结果如图3所示。按照特征变量对模型的重要程度依次排序，前35个特征分别为抑郁程度、实物资产、满意度、认知能力、社交活动、城乡类型、家庭总负债、日常生活能力、孤独感、养老金、家庭总收入、保健品支出、自评健康状况、慢性病、年龄、房产数量、与子女同住、照顾父母、子女经济支持、金融资产、养老安排、亲友经济交往、照料孙辈、婚姻状态、自控能力、家庭总支出、性别、社会捐助支出、医疗保险、政府补助、睡眠质量、人情礼金、教育程度、工作状态、家庭储蓄。

在上述因素中，基于中国健康与养老追踪调查的经验数据，挖掘并辨识出具有中国文化情境的中老年人金融诈骗风险因素，诸如与子女同住、照顾父母、照料孙辈、子女经济支持所体现的中国家庭代际关系特征，亲友经济交往、人情礼金所反映的中国人情社会关系特征，养老金、养老安排、医疗保险所呈现的中国社会保障关系特征。

五、中老年家庭金融风险因素层级分析

（一）建立邻接矩阵

根据图3呈现的特征变量提取结果，将所提取出的35个特征变量进行编码，分别用Si（i=1-35）表示抑郁程度、实物资产、满意度、认知能力、社交活动、城乡类型、家庭总负债、日常生活能力、孤独感、养老金、家庭总收入、保健品支出、自评健康状况、慢性病、年龄、房产数量、与子女同住、照顾父母、子女经济支持、金融资产、养老安排、亲友经济交往、照料孙辈、婚姻状态、自控能力、家庭总支出、性别、社会捐助支出、医疗保险、政府补助、睡眠质量、人情礼金、教育程度、工作状态、家庭储蓄。由9位专家学者和6名研究生构成ISM实施小组，包括高校经济学、心理学、人口学领域研究的专家学者及硕博士研究生。采用矩阵问卷的形式，征询小组成员意见，确定因素间直接影响，构建邻接矩阵N。基于这35个影响我国中老年人金融诈骗的因素间存在的相互关系（若矩阵中行元素对列元素具有直接影响（不考虑间接影响）则记为1，否则记为0），得到中老年家庭金融风险影响因素的邻接矩阵N（式8，由于因素较多，本文仅展示前15个因素）。

（二）计算可达矩阵

可达矩阵用于呈现矩阵中两因素间的二元关系，找出因素之间可以通过某种路径到达的程度，以确定所有构成因素之间是否存在影响关系。基于布尔代数运算法则（逻辑乘取小，逻辑加取大，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。），将邻接矩阵N加上单位矩阵I并按照下列运算规则，进行多次矩阵间运算，得到可达矩阵M，当确保不产生新的间接关系时停止运算，即当(N+I)≠(N+I)2≠…≠(N+I)k-1≠(N+I)k=(N+I)k+1=M成立时为止。利用MATLAB进行迭代计算，当k=4时上式成立，即通过运算得到中老年家庭金融风险影响因素的可达矩阵M=(N+I)4。在可达矩阵M（式9）中（由于因素较多，本文仅展示前15个因素），若某一元素为1则表示所在行因素Si与所在列因素Sj之间存在可达路径，也就是说Si会影响Sj，但这种影响不再仅局限于直接影响，也包含通过某一个或多个中介因素所产生的间接影响。

可达矩阵M中，S1、S3和S9所在的行与列完全相同，可用A1代替；同理，将其他所在行与列完全相同的元素分别用Ai（i=2-7）代替，得到缩减可达矩阵M′（式10）。进一步将缩减可达矩阵M′，按照元素所在列中“1”值的多少由大到小进行排列，然后调整M′中对应的行和列，得到重排后的缩减可达矩阵M"（式11）。在M"的元素中，自左上向右下方可以依次划分出6个最大阶数的单位矩阵。

（三）构建解释结构模型

根据重排后的缩减可达矩阵M"，去掉反身关系（即因素自身影响关系）与传递关系（即间接影响关系），并还原所合并的因素，构建如图4所示的中老年家庭金融风险影响因素解释结构模型，分析各影响因素间的层级结构关系。

根据该模型的逻辑构成，在中老年人决策行为演化特征的基础上，融入代际家庭关系、人情社会关系、社会保障关系等极具中国文化情境的重要因素，将影响我国中老年家庭金融风险的影响因素划分为3个层级的递阶结构，从而重构了基于中国情境下的中老年家庭金融风险因素层级，具体包括浅层诱导因素、中层影响因素和深层根源因素（见图1）。

1.浅层诱导因素

浅层诱导因素作为影响中老年家庭金融风险的第一级因素，对中老年家庭金融风险产生最为直接的影响，其主要包括反映中老年人内在复杂心理特征的满意度、抑郁程度和孤独感，且三者之间存在相互影响。中老年人的满意度是新时代追求美好生活的重要目标，满意度高的中老年人则不易成为诈骗者关注的对象；处于抑郁和孤独状态的中老年人由于贪恋短暂的温暖，渴望被需要、被重视，易受诈骗信息引诱，从而增加中老年家庭金融风险；由于满意度、抑郁和孤独感作为中老年人情绪的表现形式，又会受到多重因素的共同影响，从而间接影响中老年家庭金融风险。

2.中层影响因素

中层影响因素包括社会保障、代际关系、社会互动、财富水平层面的因素，是影响中老年家庭金融风险较为主要的因素，包括第2、3、4级因素，也是涵盖因素最多的层级，其中既包含了养老金、医疗保险等具有中国特色的社会保障相关因素，子女与父母之间的代际经济支持、情感支持以及隔代生活关系等方面富有中国家庭文化的代际关系因素，社会互动情境下中国人情往来的社会关系，也包括了家庭收入、支出、资产等财富水平因素。该层级因素不仅受深层根源因素的影响，而且通过对浅层诱导因素对中老年家庭金融风险产生间接影响。

在第2级因素中，主要涉及社会保障、代际关系、社会互动，其受第3、4级因素共同影响的同时，还对浅层诱导因素产生直接影响。不同于发达国家的社会保障模式，中国基于当前的经济、社会环境，加之全球老龄化趋势不断加剧，选择了适合中国国情的社会保障模式，也更加关注中老年人社会保障问题。随着中老年人社会保障水平的逐步改善与提升，其家庭财富水平也做出了相应的调整，而且所拥有的社会保障水平越高其心理负担相对越低。在代际关系方面，西方所流传的代际关系属于“接力模式”，而中国所传承的代际关系属于“反馈模式”，即每一代都抚育下一代，而下一代成年后再赡养年老的上一代。代际关系中的经济支持直接受家庭收入水平的影响，而且中老年人的独居情况与其孤独心理息息相关，当中老年人不与子女同住时，其孤独感越强烈。社会互动体现了社会活动参与和亲友经济往来，这不仅直接影响个体心理状态，而且还受到家庭经济水平的制约。

在第3级因素中，包含实物资产、房产数量和金融资产，三者之间存在交互影响，而且主要受家庭总收入、家庭总支出、家庭总负债等家庭经济水平所决定。实物资产、房产和金融资产同属于家庭资产范畴，当增加其中一种资产的同时势必会影响另外两种资产的持有，因此三者相互影响，而且任何一种资产的持有都是基于家庭是否拥有足够的资金以配置各类资产。此外，伴随着中国式“以房养老”模式的不断演化，房产情况对中老年人金融诈骗的影响受到广泛关注。随着金融市场的发展，中老年家庭金融资产参与水平不断提升，但金融诈骗案件也频频发生，家庭金融风险有所增加。

在第4级因素中，主要涉及影响上级因素的家庭总收入、家庭总支出、家庭总负债、家庭储蓄和政府补助，这些因素不仅影响其资产配置情况，而且还受到下级因素的直接影响。其中，在家庭总支出中，中老年人的保健品支出和社会捐助支出对诈骗风险产生重要作用。其原因在于中老年人保健品支出越多会增加遭受保健品诈骗的风险，而社会捐助支出在一定程度上体现了中老年人有爱心，愿意将自己的资金用于救助他人，这极易被施诈者所利用。在其下级因素中，诸如教育程度、工作状态等素质能力水平会直接对家庭总收入产生影响，教育信号功能理论强调教育程度决定生产效率的高低，从而影响劳动者收入水平。此外，身体健康状况越差、所患慢性病种类越多，其所需要的医疗支出相应也会越多，从而影响家庭总支出水平。

3.深层根源因素

深层根源因素包括个体素质能力、身体状况、人口统计层面的特征，作为影响中老年家庭金融风险的底层因素，对其他因素的影响范围较广，包括第5、6级因素，这些因素直接影响或者通过层级间相互作用间接影响中老年家庭金融风险。

在第5级因素中，主要涵盖两个方面，包括认知能力、教育程度、自控能力和工作状态所综合反映的素质能力以及慢性病、生活能力、健康状况、睡眠质量所体现的身体状况。素质能力直接影响家庭财富水平，随着认知能力及教育程度的增加，中老年人工作选择的机会越广泛，其收入来源越多且金融资产配置的比例越高。与此同时，随着经济水平的提升，中老年人对其所处的生活状态较为满足，即满意度也会有所提升。身体状况中慢性病、生活能力、健康状况和睡眠质量四者相互影响，且受下级因素制约，尤其是年龄所带来的直接影响。随着年龄的增加，中老年人生活能力、睡眠质量及健康状况均有所下降，更容易患特定的老年疾病且易受保健品等药物诈骗。

在第6级因素中，城乡类型、年龄、性别、婚姻状况所反映的客观性人口统计因素作为最底层因素，对其他层级因素产生影响的同时，该层级因素对中老年家庭金融风险起到根源性作用。其中，城乡二元结构会导致教育、就业以及身体健康等方面存在明显差异，李翔和赵昕东（2020）研究发现，教育程度对中老年人的健康状况（ADL、LADL、心理健康）具有显著促进效应且存在性别和城乡区域差异[25]。年龄作为影响中老年家庭金融风险的重要因素，其最直观的影响是年龄对认知能力的影响。张文娟和李念（2020）基于混合效应的多层线性模型，分析了中国不同年龄段中老年人认知能力的衰退轨迹[26]。从性别和婚姻状况角度来看，相较于有配偶的中老年人，处于单身状态的个体更易遭受诈骗；女性相较于男性更为小心谨慎且偏好稳健型投资，从而其所面临的中老年家庭金融风险存在显著区别，同时由于性别的不同，中老年人患有慢性病种类和数目也有明显差异。

六、研究结论与对策建议

（一）研究结论

基于2018年CHARLS数据库，本文采用XGBoost算法，构建了我国中老年家庭金融风险预警模型，据此提取出了35个影响我国中老年家庭金融风险的重要因素，并通过ISM模型重构了中老年家庭金融风险影响因素的层级结构关系，将各因素划分为浅层诱导因素、中层影响因素和深层根源因素3个层级的递阶结构。通过研究发现：在我国中老年家庭金融风险因素中，满意度、抑郁程度和孤独感所代表的心理层面的因素作为浅层诱导因素，直接影响中老年家庭金融风险；中层影响因素不仅受深层因素的影响，而且还通过作用于浅层诱导因素而对中老年家庭金融风险产生间接影响；客观性人口特征是影响中老年家庭金融风险的深层因素，沿着“人口统计因素（城乡类型、年龄、性别、婚姻状况）”→“素质能力（认知能力、教育程度、自控能力、工作状态）和身体状况（慢性病、生活能力、健康状况、睡眠质量）”→“家庭财富状况（实物资产、房产数量、金融资产、家庭总收入、家庭总支出、家庭总负债、家庭储蓄、政府补助）”→社会保障（养老金、医疗保险、养老安排），代际关系（与子女同住、照顾父母、照料孙辈、子女经济支持），社会互动（社交活动、亲友经济交往、人情礼金）→“心理特征因素（满意度、抑郁程度、孤独感）”→“中老年家庭金融风险”逻辑传导关系，从根源上影响我国中老年家庭金融风险。

（二）对策建议

依据上述研究结论，提出有效防范中老年家庭金融风险的对策建议：

第一，增进情感交流，筑牢心理安全防线。作为负向情绪表现的孤独感和抑郁程度会使中老年人因心理防线弱而增加家庭金融风险。子女应多陪伴老年父母，注重增进与父母的情感交流，疏解其抑郁情绪，劝导父母警惕陌生来电及诈骗信息，有效防范中老年家庭金融风险；社区应多举办中老年人心理健康系列活动，鼓励中老年人多参与其中，避免陷入晚年孤独，尤其关爱独居老人，缓解其心理压力，从而提升其生活满意度，筑牢心理健康安全防线，增强抵御中老年家庭金融风险的心理意识。

第二，强化风险意识，建立家庭联系纽带。政府相关部门应提高中老年人的社会保障水平，不给诈骗分子留有可乘之机，尤其是确保老年人能安享晚年生活。中老年人自身应当加强亲友间的沟通交流、建立家庭联系纽带，老年群体作为金融诈骗的“重灾区”，子女应多与老年父母交流并针对典型诈骗案例提早给父母打“预防针”，避免中老年人因缺乏陪伴且判断能力低而易受施诈者诱导。社区应加强社区治理与监管水平，定期举办社区金融诈骗案例宣讲及防骗技巧讲座，降低社区整体金融诈骗发生率。此外，家庭财富水平高的中老年家庭是诈骗分子的施诈目标对象，该类型群体在日常投资、消费、信贷等过程中更应当增强风险意识，谨防诈骗，维护家庭金融安全。

第三，增强防范能力，推动品质生活建设。中老年人自身应增强防范意识，注意社交过程中的陌生人，提高识别中老年家庭金融风险的能力。面对“免费午餐”时，应加强自我控制能力，谨慎选择金融理财产品，避免因追求高额回报而遭受金融诈骗损失。金融机构应努力提高全民综合素养，尤其是金融素养水平的提升，在遇到不明网站或链接时需谨慎小心，确保网络信息安全。中老年人身体状况对中老年家庭金融风险所起到的作用也不容忽视，中老年人自身在提高能力素养的基础上，还应重视提升身体素质能力，特别是健康状况较差和日常生活困难的中老年人更应受到关爱与照顾，提升中老年人抵抗家庭金融风险的“免疫力”，以防落入金融诈骗陷阱。监管部门在加强诈骗案件治理水平的同时，还应关注城镇化进程所带来的家庭金融风险，政府应提高市场监管能力并加强诈骗犯罪打击力度，有效降低诈骗犯罪发生率，防范和化解家庭金融风险。