金融網絡中的風險傳染與防范：文獻綜述與最新進展

[中圖分類號]F830;F831;F832［文獻標志碼]A［文章編號]1672-4917（2025）03-0060-16

一、引言

金融穩定是宏觀經濟健康發展的重要保障。金融網絡視角重點考察金融機構間的關聯性以及由此產生的風險傳染性，能更精準識別風險傳染機制和更全面評估風險破壞程度，為宏觀審慎監管提供科學有效的方法論基礎。后疫情時代全球經濟復蘇的不均衡和貨幣政策的不協調，地緣政治沖突以及全球產業格局重塑，加劇了全球范圍內的經濟波動和金融動蕩，加之當前我國經濟復蘇基礎尚不穩固，地方政府債務風險、房地產行業信用風險化解壓力仍然較大，國內金融穩定面臨不少挑戰。加強風險管理和防范處置，在加強金融監管頂層設計的同時，也需要更加科學有效的風險識別、監測與防范的工具，特別是在金融機構的同業業務規模與日俱增、機構間關聯的復雜性越來越高、國內外各類風險相互交織的趨勢下，傳染性風險防范的重要性愈發凸顯。

金融機構之間通過何種形式建立關聯，這些關聯對風險傳染如何發揮作用？網絡結構如何影響風險傳染進而影響金融系統穩定性？不同機構對金融網絡穩定性/脆弱性的影響是否具有異質性？網絡結構又如何影響機構的風險行為，從而形成內生性風險？金融監管如何利用金融網絡來提高約束有效性，提升金融系統穩定性？本文對相關研究和前沿成果進行系統性梳理與分析①，按照金融網絡的構建、風險傳染機制、網絡內生性與風險傳染、風險識別與防范，追本溯源地總結研究特點、挖掘待研究空間，以期為相關金融網絡研究和現實風險識別與防范提供一定參考。

二、金融網絡的構建

（一）金融網絡的構建思路

金融網絡是由金融機構及其相互關系構成的復雜網絡，可以用圖來表示，節點表示各類金融機構，邊表示機構間的關系，包括借貸、持有股權、持有相同資產等關聯。用數學符號來定義：金融網絡 G = G （ N ，

），其中 表示 n 個機構的集合，矩陣 表示關系矩陣，其元素 表示機構 i 與機構 j 之間的關系，從風險的角度來講， 也意味著機構間的風險敞口。 在不同的關聯形式下具有不同的內涵，大致可以分為以下三類。

第一類是資產負債表的直接關聯，這種關聯產生于機構之間的直接交易合約，包括債權合約（存款、借貸、回購等）和股權合約（持股）等形式，一個機構的資產對應另一機構的負債（或所有者權益）。基于這種關聯的金融網絡是有向、有權重的，網絡的邊代表資金支付的流動方向和規模。在同業債權網絡中， 表示機構 i 對機構 j 的債權[1-4]；在股權網絡中， 表示機構 i 對機構 j 持有的股份[5-6]；而有些文獻將債權、股權，以及其他資產收益權等統稱為索取權（claims），在這類網絡中， 表示機構 對機構 j 的索取權[7-8]。

第二類關聯是資產組合的重疊，這種關聯源于機構持有共同資產，它是非常重要的間接關聯方式，因為當某一資產價格下降時，持有該資產的機構的資產負債表都會受到沖擊。這種關聯構建的網絡被稱為“機構一資產”二分網絡[9]，即網絡中包括兩類節點：機構和資產。機構與資產之間存在連接，而機構與機構之間、資產與資產之間不存在連接。

大部分文獻將金融機構間的上述兩類關聯簡化為單一關聯來構建金融網絡，這大大提高了模型構建的便捷性，但也忽視了不同類型關聯的異質性，比如在短期借款、長期借款、持股、資產組合重疊等不同的合約類型或關聯形式下，風險傳染的機制不盡相同。為此，一些學者嘗試建立多層網絡（multilayernetwork）模型，將不同關聯融合到一個模型中。可以將多層網絡正式定義為 ，它相較于單層網絡的定義增加了一個參數 ，表示網絡不同的層，每一層代表一種關聯類型，相應的關系矩陣用 進行區分，這樣可以在同一網絡框架下分析不同傳染機制間的互相影響[0-13]。

第三類關聯是相關關系，表現為資產收益或波動性的共變性。在這一類網絡中， 表示兩個機構之間的相關關系。常見思路是利用股票、指數、CDS 等的多元時間序列數據估計收益或波動性的相關關系，以此識別機構間或者市場間的關聯。用來估計相關性的常見方法主要有兩種：一是格蘭杰因果檢驗[14]，另一種更為廣泛使用的方法是預測誤差方差分解方法[15」，后者被國內學者廣泛運用于跨部門、跨市場或跨區域風險溢出效應或傳染[16-19]。這種方法構建的網絡雖然表明了機構或市場之間在統計意義上的風險關聯性，但無法提供風險傳染機制的解釋。

（二）實證研究中網絡關聯數據的估計策略

金融網絡與風險傳染的實證研究的第一步是獲取網絡數據，但在現實中由于商業機密以及信息披露要求等原因，機構之間的交易數據是很難獲得的，因此很難獲得真實、完整的網絡關聯數據。現有研究通常采用的策略是基于機構的市場交易數據或資產負債表信息來估計雙邊風險口，主要方法有三類。

第一類是基于交易數據構建金融網絡，直接使用機構的支付系統數據以及同業拆借市場、場外交易市場、CDS 等交易數據來構建雙邊風險敞口[20-24]。這類方法雖然可以直接獲得真實的數據，但只是銀行間風險敞口的一小部分，因此只適用于研究特定金融網絡的風險傳染。

第二類是根據特定資產的共變關系構建金融網絡。利用統計分析方法，通過股票、指數、CDS等的多元時間序列數據識別收益或波動性的共變性或相關關系，來推測機構或者市場之間的關聯關系。Billio 等（2012年）[25]通過股票收益之間的格蘭杰因果關系構建有向、無權重的金融網絡；Basu等（2019年）[26]引人糾偏Lasso VAR 模型來進一步優化，克服了雙變量格蘭杰因果檢驗方法無法估計機構間的間接聯系的缺陷；Bonaldi等（2015年）[27]利用自適應彈性網絡（adaptive elastic net）方法估計銀行融資成本的外溢性來構建銀行網絡。更為廣泛使用的是Diebold 和Yilmaz（2014年）[28]提出的預測誤差方差分解方法，他們利用股票市場的多元時間序列數據進行預測誤差的方差分解來構建有向、有權重的網絡。Barigozzi 和 Hallin（2017年）[29]、Demirer等（2018年）[30]、Ahelegbey等（2016年）[31]以及Moratis 和 Sakelaris（2021年）[32]在此基礎上分別引入了廣義動態因子模型（Generalized Dynamic Factor Model）、Lasso 模型、貝葉斯 VAR 模型，優化了多元時間序列估計的“維度災難”問題，從而將方差分解方法推廣到大型網絡的估計。

第三類是通過機構的資產負債表數據估計雙邊風險敞口。設矩陣 X 表示 N 個金融機構間的風險口矩陣， 表示機構 對機構 j 的債權， 和 分別表示機構 的同業資產和同業負債，滿足：

現實中，雖然金融機構間的雙邊口 是未知的，但單個機構的同業資產 和同業負債 數據是可以通過資產負債表獲得的。將（1）作為約束條件，并設定目標函數，可以求解出符合特定條件的關于 的解，即得機構之間的關系矩陣。設定的目標函數形式不同，不同方法仿真得到的網絡結構也不同。最常見的兩種思路是：

第一種思路是最大熵（maximum entropy）方法。Sheldon 和 Maurer（1998年）[3］最早借鑒信息論中熵（entropy）的概念來構建金融網絡，矩陣 X 的求解通過最大化矩陣 X 的熵得到。Upper 和Worms（2004年）[34]和 Elsinger等（2006年）[35對此進行了改進，以解決所估計的負債矩陣X的對角線不為零的問題 ① 。增加更多符合現實的約束條件可以使估計的雙邊風險敞口更加接近真實情況，van Lelyveld 和 Liedorp（2006年）[36]使用銀行報告的最大風險口等已知數據作為額外的約束條件，Mastrandrea等（2014年）[37]、Cimini等（2015年）[38]則增加了度（degree）和強度（strength）的共同限制，進一步提高了網絡構建的精確度。但由于最大熵方法假設銀行間頭寸盡可能均勻地分配給其他銀行，這會導致估計的網絡是完全連接網絡，這與現實不符合，基于這一仿真網絡進行的風險傳染評估也會低估系統性風險[39]。

鑒于此，第二種思路嘗試仿真出更加稀松的網絡。Mastromatteo 等（2012 年）[40]將風險口矩陣中為零的元素占比設定為一個特定的比例，并通過信息傳遞算法（message-passing algorithm）來確定矩陣中為零的元素，最后再用最大熵方法補齊非零元素。Anand 等（2015年）[41]提出的最小密度方法，在此基礎上融人了經濟學原理——銀行間關系的建立和維護是有成本的，將成本最小化作為目標函數，并將網絡的異配性（disassortative）——小銀行傾向于與更大的銀行建立連接作為補充約束條件，來求解銀行間頭寸的分布。

三、金融網絡中的風險傳染機制

（一）金融網絡中的風險傳染機制

外部沖擊會改變機構的資產負債表結構，并通過同業關聯引起其他機構資產負債表結構的變化。本文將金融網絡中的風險傳染機制歸納為三種：一是償付能力不足傳染。這種傳染主要發生在債務網絡中，如果某一機構 i 因受外生沖擊而出現償付能力不足，則機構 i 無法足額償付債權人 j 的債務，這時 j 的資產受損；如果機構 j 的資本無法吸收全部損失，則 j 也會出現償付能力不足進而對其債權人 k 違約。以此類推，這被稱為違約的級聯（cascade of default）[42]。

二是股權價值下降傳染。在股權網絡中，即使不發生債務違約，單個機構受到沖擊也會向其他機構傳導，當某一機構因外部沖擊或經營問題出現財務困境時，其股權價值會下降，持有該機構股權的機構的資產價值會受損，從而股權價值也會下降。這會導致兩個后果，一方面，該機構的總資產價值下降，其償債能力也會下降，進一步導致其股東和債權人償付能力的下降，從而形成償付能力不足的傳染[43-44]；另一方面，當企業價值跌到一定的臨界值時，經營企業所創造的收入將不能覆蓋資本回報、工資以及社保支出等成本，經營企業的所有者會實施破產，從而可能引發破產的傳染[45]。

三是資產價格傳染。資產價格傳染是一種間接傳染機制，主要發生在機構—資產二分網絡中。當某一種資產價格下降，共同持有該資產的機構都會受到沖擊，表現為資產組合價值的損失。當機構破產清算或出現流動性短缺而又無法從外部獲得流動性時，會變現其持有的資產。當出售資產規模足夠大時，則會導致該資產價格下降，持有該資產的機構的資產組合價值下降；若其他機構因此陷入財務危機，進而引發新一輪的資產拋售（fire-sale），將會導致資產價格的螺旋下降，進一步造成危機的傳染，這被稱為拋售的溢出效應。資產價格下降引發進一步的拋售還有其他方面原因，首先是信息不對稱，當市場參與者觀察到大量資產賣出后可能會推斷基本面發生了惡化，從而跟隨賣出。其次是金融機構為了滿足監管部門的流動性和資本要求，在按市價計價（mark-to-market）的會計制度下，當資產價格下降時，金融機構的資產組合價值會下降，其資本充足率也會下降，金融機構會調整其資產組合以滿足流動性和資本要求[46-49]。再次是主動的杠桿調整，當資產組合價值下降時，其負債權益比率會上升，銀行為了維持設定的杠桿比例，會變現部分資產償還債務，以降低杠桿水平［50-51]。

這三種機制本質上都是基于資產負債表關聯的風險傳染，在風險傳染發生時，金融機構的資產負債表之間會相互影響，所以這三種機制是相互交織、相互強化的[52]。比如，當機構因償付能力不足而違約時，信用評級可能會被調低[53」]，它通常很難從市場上獲得流動性，從而引發流動性風險，機構只能通過出售其資產來償付債務。反過來，資產拋售會加劇償付能力不足和股權價值下降造成的風險傳染[54-56]。

（二）風險傳染的均衡

機構間的關聯使得機構間的價值也是相互依賴的，金融網絡中無論通過何種機制傳染風險，都會伴隨著機構的企業價值動態變化，因此，風險傳染的均衡結果等同于所有金融機構的企業價值達到穩態。將這種價值依賴關系一般化表達為：

其中 是 n 維列向量， 表示機構 i 的企業（或市場）價值； 表示金融機構之間的關系矩陣。當機構 i 受到外生沖擊而產生損失時，其自身的企業價值下降1單位，與之關聯的機構 j 的企業價值下降 ，與機構 j 關聯的機構 k 的企業價值也會受損，以此類推。傳染停止后會得到一個均衡狀態，可用（2）式的均衡解 來表示。已有文獻中對風險傳染的均衡狀態的計算等同于求（2）式的解，歸納起來，常用方法主要有兩種迭代算法：清算向量（clearingvector）算法[57-58]和序列違約（sequential default）算法①[59]。

四、網絡結構與風險傳染的關系

網絡結構反映了節點之間關系的分布特征，常見的網絡結構可以分為三大類：一是規則網絡，網絡任意兩點間的連接概率是確定的。常見的規則網絡有完全連接網絡、環形網絡、星形網絡等。二是完全隨機網絡。任意兩個節點之間是否有聯系是隨機的，連接的概率服從二項分布或泊松分布。三是復雜網絡，介于規則網絡和完全隨機網絡之間。常見的復雜網絡包括小世界網絡、無標度網絡、核心—外圍網絡等[60]。金融網絡具有復雜網絡特征。

（一）網絡密度與風險傳染

在疾病傳染或者觀念傳播網絡中，網絡密度或平均度越大傳播性就越強，而金融網絡則不同，網絡密度與風險的傳染性之間存在非單調關系[61]。這是因為，金融網絡對于金融風險傳染存在兩個相反的作用機制，一是風險分擔，個別機構受到的沖擊能夠被金融網絡吸收，從而減輕單個機構所受沖擊；二是風險擴散，關聯性使其他機構會受到沖擊的外溢作用。兩種機制在不同的網絡結構中表現出不同的力量對比，因此，網絡密度與金融風險傳染之間關系是非單調的。早期文獻對特定網絡類型中風險傳染性的比較，從不同側面反映了這種非單調關系，比如，Allen和Gale（2000年）[62]、Cifuentes等（2005年）[63]都表明，完全連接網絡和無連接網絡中的風險傳染是最小的，而具有中等密度的網絡的風險傳染性會更高。相較于特定的網絡結構，隨機網絡可以更好地揭示風險傳染與網絡密度的連續關系，因為它可以通過設定任意兩個節點連接的概率來改變網絡結構。Nier等（2007年）[64]、Gai和Kapadia（2010年）[65]、Eliott 等（2014年）[6]利用隨機網絡進行模擬的結果表明，在密度非常小的網絡中，由于連接稀疏，單個機構受到沖擊不容易向其他機構傳導，網絡密度增大意味著沖擊傳染機率增加，若風險擴散效應強于風險分擔效應，網絡的風險傳染性將增加；當網絡密度繼續增加到一定程度后，金融網絡的風險分擔效應會超過風險擴散效應，這時風險的傳染性會下降。因此，風險傳染性的最大值出現在網絡密度適中的區間。

（二）網絡異質性與風險傳染

網絡密度只能從平均意義上的關系密集度來體現網絡的整體連通性，風險傳染與網絡結構的關系會受網絡其他特征影響。

1.度分布

現實中金融機構在選擇交易對手時具有一定的偏好，所以機構間關系的分布并不是均勻或隨機的，而是表現出較高的集中度，在金融網絡結構上表現為度分布的長尾特征，即少數節點擁有大量的連接，而大部分節點擁有較少的連接。基于各國實際的金融網絡考察發現，普遍存在兩種網絡結構符合這一分布特征，一是呈現冪律分布的無標度（scale-free）網絡[67-68]，二是核心—外圍（core-periphery）網絡[69-71]。在無標度網絡中，當沖擊發生在度較小的機構時，風險傳染性會更小，金融系統會更加穩定；但當沖擊發生在度較大的機構時，則會發生更大范圍的傳染，風險傳染與網絡密度是單調上升的關系[72-74]。當具有高中心度的節點傾向于與其他高中心度節點連接時，無標度網絡進一步演化成核心—外圍網絡。這一網絡結構中的風險傳染性取決于沖擊針對的目標，當沖擊發生在核心層機構時，度分布的集中性會增加風險傳染性和金融網絡脆弱性[75-76]

2.關系強度異質性

金融網絡是一個有向、有權重的網絡，邊的權重表示關系強度或者雙邊風險暴露程度。在相同的網絡密度下，不同的關系強度對風險傳染會有不同的影響。Nier等（2007年）[]、Sachs（2014 年）[78]、Eboli（2019年）[79 發現，當機構的同業資產占比增加到一定水平后，風險傳染水平會明顯增加，因為單個機構的損失更容易向其他機構傳導。Gai和Kapadia（2010年）[80]則認為，更大的風險暴露會削弱分散化網絡的風險分擔機制，從而導致更大的風險傳染概率。Ellott 等（2014年）[8提出，更大的關聯強度提高了風險傳染水平，使得網絡密度與風險傳染的關系曲線具有更高的峰度；但關聯強度增加帶來的一個好處是降低了發生初始破產的可能性。

3.個體異質性

現實中金融機構之間會表現出異質性，比如機構類型、所在區域、資產規模等方面的差異。Iori 等（2006年）[82]發現，相對于規模同質化網絡，規模異質化網絡的風險傳染性更高。Sachs（2014年）[83]的模擬結果表明，資產規模的分布集中于少數機構時，金融網絡的風險傳染性會增加。徐國祥等（2021年）[84]基于中國上市銀行網絡的研究發現，規模較大的銀行往往具有較高的關聯性，因而具有較大風險傳染乘數。當考慮到個體異質性時，聚類型網絡結構會減少風險的傳染性。這種網絡呈現群落結構特征——同一子群中的個體具有同質性（homophily），子群內部的成員相互聯系緊密，與子群外成員的聯系稀松。這種結構實際對整個網絡形成了分隔（segregation）作用，從而將風險傳染阻隔在子群內部，防止整個網絡被傳染[85-87]

（三）金融網絡的“相變”與最優網絡結構

網絡結構與風險傳染的關系在一定條件下會發生轉變，同一金融網絡在一定狀態下發揮著風險分擔作用，在超過某種臨界狀態后，則發揮著災難性的風險傳染作用。這種從最穩定狀態向最脆弱狀態的轉變，被稱為金融網絡的“相變”（phase transition）。Gai 和 Kapadia（2010年）[88]最早對金融網絡的相變進行理論分析，當網絡密度超過一定限度后，金融網絡會呈現“穩健但脆弱（robust-yet-fragile）”的特征：在密度較大的金融網絡中，連接的分散化起到風險分擔作用，發生風險傳染的概率很低，即金融系統是“穩健”的；而一旦發生風險傳染，金融網絡會發揮放大作用，造成大范圍傳染，即金融系統又是“脆弱”的。相變的發生主要依賴于沖擊的大小，Acemoglu等（2015年）[8]發現，當沖擊力度小時，它能夠被金融系統中的超額流動性吸收，網絡密度越大，則風險傳染性越小，因此，完全連接網絡的風險傳染性最小；但當沖擊力度超過一定限度后，網絡密度越大，則風險傳染范圍越大，此時，完全連接網絡的風險傳染性則是最大的，結構稀松的網絡中風險傳染性則是最小的。Cabrales等（2017年）[90]提供了一般性的理論分析，他們指出，網絡的風險傳染性與沖擊的分布特征有關。當沖擊的概率累積函數的凹凸性不變時（比如帕雷托分布），如果發生大沖擊的概率較小，則完全連接網絡的風險傳染性最小；如果發生大沖擊的概率很大，則星形網絡的風險傳染性最小。當沖擊分布函數的凹凸性發生變化時，具有中等水平的分割型或機構間風險暴露水平的網絡結構的風險傳染性最小。

由于金融網絡相變特性的存在，很難單純通過網絡結構與風險傳染的關系來推斷最優網絡結構的特征，不過一個共識性觀點是：最優網絡結構依賴于風險的分布特征。當發生大沖擊的概率極小時，完全連接網絡具有最好的風險抵御能力；而當風險的概率分布具有“肥尾”特征——即發生大沖擊的概率較大時，完全接連網絡會起到加劇風險傳染的作用，此時的最優結構是相對稀松的網絡，或者具有分隔特性的網絡[91-93]

五、網絡內生性與風險傳染

前文中關于金融風險傳染的文獻，通常假設網絡結構是外生給定的，沖擊也是外生的，但實際上金融風險的發生以及網絡形成在一定程度上是內生的，使得金融網絡的脆弱性具有內生性，主要體現在兩個方面。一是金融網絡會造成金融機構投資決策的扭曲，金融機構追求利潤最大化與社會福利最大化是與激勵不相容的，它們往往會選擇承擔更多風險和建立更相似的投資組合，造成金融網絡的脆弱性；二是金融機構的行為選擇會影響網絡的形成，使得現實的金融網絡結構偏離最優結構。

（一）金融網絡外部性對金融投資決策的扭曲

網絡會對金融機構的投資決策產生兩個主要的扭曲：一是過度承擔風險，二是機構的投資組合高度相關，這會導致發生初始破產以及風險傳染的概率增加。

1.過度承擔風險

造成這一扭曲的原因主要有兩個，一是金融網絡的外部性。機構的投資決策不僅會影響其自身的價值，而且間接地影響其交易對手的價值，以及其交易對手的交易對手的價值，等等。但機構決策只關注其自身利潤最大化，往往忽視其投資行為可能造成的社會成本，因此單個機構的風險投資比例會超出滿足社會福利最大化的水平[94-97]。二是金融網絡中的激勵扭曲。Shu（2022年）[98]提出了一種扭曲機制，當機構具有償付能力時，它要償還失敗機構的同業債務，這被稱為交叉補貼（crosssubsidies），實際上會減少機構的正面回報（upside payoffs，當自身投資項目成功時獲得的回報）；但機構破產時，在有限責任制度的保護下，它只需對自已的債務負有限責任，所以它的負面回報（downside payoffs，投資項目失敗時面臨的損失）是有限的。這種不對稱的扭曲會誘使金融機構在權衡風險和回報時，降低對項目投資成功率的關注，從而傾向于投資高收益高風險項目，而且網絡連接越密集，這種扭曲程度就越高。

2.機構投資組合的高度相關

資產組合的相關性會改變網絡結構與風險傳染的關系曲線，使得在相同網絡密度水平上會出現更高的傳染風險[99-100]。而機構間投資組合的高度相關具有內生性，其原因主要有三個，一是金融機構間博弈的策略互補。Elliott等（2021年）[101]提出“風險轉移（risk shifting）”機制——金融機構基于股權價值最大化，而非機構市場價值最大化來進行決策。在有限責任制下，金融機構股東有動機將損失轉嫁給債權人，這種風險轉移促使銀行選擇與其交易對手投資相似的實體企業，從而將資產組合的回報關聯起來。當交易對手破產時，它也會破產，破產損失則由外部債權人承擔，這樣可以增加預期股權價值。Jackson 和Pernoud（2019年）[102]則提出“風險匹配（risk matching）”機制，金融機構的價值是相互依存的，當與其相連的機構的投資組合能夠實現高收益時，該機構的價值也會提高，所以相互連接的機構的高收益的實現是互補的。Shu（2022年）[103]認為，金融網絡的不對稱扭曲也會激勵金融機構選擇與交易對手相似的資產組合，因為這樣可以降低安全機構對其他機構的交叉補貼。二是“太過連接而不能倒”的救助預期。Acharya和Yorulmazer（2007 年）[104]提出了金融系統“太多而不能倒（too-many-to-fail）”的問題，即如果有更多的銀行同時倒閉，就更可能引發違約連鎖反應，政府就有更大的激勵去救助。這會激勵銀行將其投資組合相關聯，因為如果它們同時破產，它們都更有可能得到救助。Farhi和 Tirole（2012年）[105]提出了類似的機制，只有當足夠數量的金融機構同時遭受沖擊時，政府才愿意承擔與救助相關的“固定成本”，這激勵銀行將它們的風險敞口關聯起來。Eisert 和Eufinger（2019年）[106]指出，銀行間變得相互關聯和投資相似資產組合，是因為這樣能使它們最優利用政府對其他銀行的擔保。三是信息傳染風險。Acharya和Yorulmazer（2008年）[107]提出，信息傳染會產生“羊群效應”：在信息不完全的環境中，銀行經營表現不佳時，投資者會推斷影響銀行經營的共同因素發生了不利的變化，因此投資者會要求提高利率水平，從而產生信息溢出效應。銀行為了降低信息傳染對其利潤的影響，會選擇與其他銀行高度相關的資產組合。

（二）網絡結構的內生性

金融網絡的形成本質上是金融機構基于收益與風險的權衡而決定是否建立連接（選擇交易對手或建立資產組合）的博弈均衡結果[108]。網絡形成的內生性加劇金融網絡脆弱性，一方面，金融網絡的外部性導致金融機構決策與社會福利最大化的激勵不相容，從而形成偏離最優形態的網絡結構，在現實中表現為核心—外圍結構；另一方面，沖擊發生時金融機構的行為會使金融網絡結構發生不利變化。

1.核心一外圍網絡的形成

研究表明，核心一外圍網絡結構并不符合最優網絡結構特征，反而是金融系統不穩定性的重要來源[109]，形成這一網絡結構的關鍵驅動力是金融中介的存在。市場上少數機構因為某些競爭優勢成為其他多數機構優先選擇的交易對手，其中心性也越來越高，從而成為金融網絡中的“核心”。市場上存在多種力量推動金融中介的形成，Wang（2016年）[110]認為OTC上核心機構的優勢在于其快速平衡庫存的效率；Farboodi（2023年）[1]則認為是銀行投資機會的不平等，具有高收益投資機會的銀行成為金融中介，不具備這些機會的銀行通過向中介機構提供資金來分享這些高收益的機會；Erol和Vohra（2022年）[12]認為是風險抵御能力的差異性，風險抵御能力強的機構會成為普通機構優先連接的對象，從而形成網絡的核心。另一個關鍵推動力是政府救助預期，Erol（2019 年）[13]提出，政府救助預期會產生網絡風險（network hazard），即在有政府救助預期的情況下，金融機構會忽視對交易對手的選擇，而更傾向于與具有更多信貸額度和投資機會的大機構成為交易對手，這會導致連接更加密集和集中，一旦大機構受到沖擊，將會造成系統性風險。Altinoglu和 Stiglitz（2023年）[14]進一步指出，由于政府只對系統重要性機構（SIFIs）進行救助，對這些機構產生了隱性擔保；而非系統性重要機構雖然沒有直接受益于政府的隱性擔保，但通過為SIFIs提供資金而建立連接，可以間接獲得這種擔保。這使得同業資金大量流向擁有更高風險和收益投資機會的機構，使SIFIs的規模和中心過于龐大，從而形成核心一外圍網絡的核心層。

2.沖擊過程中的信貸凍結

當沖擊發生時，金融機構會擔心危機蔓延而不再提供新的貸款，從而產生信貸凍結（credit freeze）。這意味著金融網絡中連接的斷開，對金融網絡結構形成破壞，從而使受沖擊的金融機構無法從同業市場上獲得流動性，進一步加劇風險的傳染。Anand等（2012年）[115]、Fique 和Page（2013年）[116]指出，同業拆借的短期性使得金融機構面臨債務滾動風險，某一金融機構的壞消息會使債權人拒絕續貸，這會使更多金融機構陷入財務困境，加劇了風險傳染。Acemoglu 等（2021年）[7]也提出，當金融機構的風險狀況惡化——對機構的沖擊的概率分布發生不利變化時，其潛在的債權人會因擔心負面沖擊造成該機構破產，從而拒絕向該機構提供融資。Di Maggio 和 Tahbaz-Salehi（2015 年）[8]則指出，即使是在有抵押的借貸網絡中也存在信貸凍結，由于交易摩擦的存在，金融機構之間的交易并非都是直接進行的，部分是通過金融中介來實現的，金融網絡中可通過中介機構最終投資到項目的資金總量上限被稱為中介容量（intermediation capacity）。抵押擔保可以解決中介機構投資決策的道德風險問題，通過提高抵押折扣率可以限制借款人過度承擔風險的激勵，因此，金融系統的中介容量取決于擔保物的總量以及在金融中介間的分布。在金融中介鏈條上，道德風險具有累積特性，擔保折扣會逐步增加進而減少了金融系統的中介能力，當中介鏈足夠長時，擔保物的總量以及分布不足以抵消代理問題，抵押物的流動性出現較小的變動，會導致金融系統中中介容量的下降，從而導致完全的信貸凍結。

六、系統性風險的防范

防范系統性風險是金融監管的基本目標。金融網絡與風險傳染研究，為識別和評估金融風險傳染機制及破壞程度提供了更加科學有效的方法論基礎，特別是在識別系統重要性與系統脆弱性機構、宏觀審慎要求以及危機救助等方面提供了重大啟發。

（一）系統重要性與系統脆弱性機構的識別

系統重要性金融機構（SIFIs）是指因規模較大、結構和業務復雜度較高、與其他金融機構關聯性較強，一旦發生重大風險事件而無法持續經營，將對金融體系和實體經濟產生大范圍不利影響的金融機構[19]識別系統重要性機構并制定針對性的監管標準，是防范系統性風險的重要舉措。金融網絡研究認為金融機構的系統重要性并不完全由其個體特征決定，與其他機構之間的關聯也是重要因素。不同于當前主流的SIFIs 識別方法，金融網絡文獻提出了諸多基于金融網絡信息的識別方法，主要包括兩大類，一是借用網絡中心性（centrality）指標，二是基于風險傳染程度的模擬測算。

網絡中心性反映個體在網絡中的影響力，中心性越大，其網絡影響力也越大。在金融網絡分析中常用到中心性指標包括度中心性（degree centrality）、中介中心性（betweennesscentrality）、接近中心性（closenescentrality）、特征向量中心性（eigenvector centrality）、PageRank 等指標，這些指標在一定程度上衡量了機構在受沖擊后對金融系統造成的傳染性。具有高中心性的金融機構具有更高的風險傳染性，在金融網絡中扮演“超級傳播者（super-spreaders）”角色[120-124]。雖然研究表明，用這些指標可以衡量機構的風險傳染性，但對于風險傳染機制以及對整個金融網絡的沖擊程度缺乏嚴謹的評估。

基于風險傳染過程及危害程度的指標，則評估了單個機構違約或破產對整個金融系統產生的外溢效應，主要有兩種思路：一種是基于違約概率的測算。Halaj 和 Kok（2013年）[125]提出了系統性概率指數（Systemic Probability Index，SPI），它反映了給定銀行的同業債務違約后蔓延到整個銀行系統的可能性。Soramaki和Cook（2013年）[126]基于吸收馬爾科夫過程提出了SinkRank 這一指標，它表示破產銀行與其他銀行的傳染距離，SinkRank值越大，則說明該銀行與其他銀行之間的傳染距離越小，在受沖擊后將風險傳染給其他機構的概率也就越大。Acemoglu 等（2015 年）[127]提出一個類似的概念——諧波距離（harmonicdistance），它也表示金融網絡中兩個機構的接近程度，這個距離由網絡距離和兩者之間的路徑上的同業債務規模決定，與其他機構之間的諧波距離最近的機構即系統重要性機構。

第二種思路是基于預期總損失的測算。范小云等（2012年）[128]提出，通過模擬破產導致整個銀行體系的資本損失是否能達到監管當局設定的某臨界值來確定其是否為系統重要性銀行。Battston等（2012年）[129]提出了DebtRank 指標，它表示一個機構破產后，對金融網絡造成的潛在經濟價值損失占整個金融網絡經濟價值的比重，其中，經濟價值指金融網絡中機構相互持有的資產總和；Bardoscia等（2015年）[130]在此基礎上進行了算法改進，以優化其可能低估預期總損失的問題。Cont等（2013年）[131]提出了傳染指數（contagion index），它表示給定機構破產后對整個金融網絡中所有機構造成的總預期損失。Glasserman和Young（2015年）[132]提出的節點深度（node depth）與之類似，它表示金融網絡中給定節點破產并通過金融網絡傳染后，一單位損失給其他機構造成的預期總損失。Demange（2018年）[133]提出威脅指數（threatindex），它表示機構減少一單位現金流導致整個金融系統中債務償付額的變動量，威脅指數越高，則機構違約的溢出效應越大。這一指標與節點深度的區別在于它同時考慮了償付能力不足的傳染和持有共同資產的沖擊，而且損失是用資本損失來衡量的；后者只考慮了償付能力不足傳染造成的總損失，損失是用資產損失來衡量的。

FSB對系統重要性機構的定義強調機構在金融網絡中的傳染性，即機構破產或違約對金融系統輸出的沖擊。系統脆弱性則反映了機構受到金融網絡沖擊的難易程度，它對金融系統的穩定同樣發揮著重要作用，對單個金融機構的監管應當兼顧機構的系統重要性與脆弱性[134]。在金融網絡研究中，對機構系統脆弱性指標的構建也可以分為基于網絡拓撲信息和基于網絡溢出效應兩種思路。

在基于網絡拓撲信息的指標中，Bonaldi等（2015年）[135]使用Katz中心性來衡量金融機構的系統脆弱性。Braverman 和 Minca（2018年）[136]基于持有共同資產構建的網絡提出了脆弱性指標，該指標用節點的加權入度來表示，邊的權重表示持有共同資產的機構賣出資產時造成的價格沖擊從而導致本機構持有資產價值下降的程度。Silva等（2017年）[137]通過網絡的路徑（path）來衡量單個機構易受傳染風險沖擊的程度。他們提出了沖擊敏感性（impact susceptibility）這一指標，其測算首先需要構建脆弱性矩陣 ① （20（vulnerabilitymatrix），機構i的沖擊敏感性可以通過脆弱性矩陣中所有其他機構到機構 i 的連通水平之和除以該機構的入度計算得到。它衡量了其他機構違約會導致該機構違約的潛在路徑的多少，不過單靠這一指標還不足以衡量機構的系統重要性，而使用機構在系統中的重要性作為權重計算得到的加權沖擊敏感性，則可以衡量該機構脆弱性對系統的重要意義。類似的還有 Moratis 和 Sakellaris（2021年）[138]提出的脆弱性分數（vulnerability score），他們通過對兩兩銀行間的CDS 價差進行貝葉斯VAR估計，來測算兩個銀行間的沖擊大小，然后用所有其他銀行對本銀行的沖擊大小之和計算得到脆弱性分數。

基于沖擊的網絡溢出效應的脆弱性指標，主要是通過測算來自其他機構的沖擊經網絡傳導后造成本機構權益損失的比重來構建。Greenwood等（2015年）[139]、Duarte 和 Eisenbach（2021年）[140]基于持有共同資產網絡，提出用機構由金融系統中資產拋售的溢出效應造成的權益損失占其資本的比重來衡量；

Bardoscia 等（2015年）[141]和 Batiston 等（2016年）[142]基于債權網絡，提出用其他機構違約對本機構造成的權益損失來衡量；方意（2016年）[143]則基于包含了銀行破產機制和拋售資產機制的資產負債表直接關聯網絡模型，提出了用每家銀行的傳染損失之和與其期初的權益之比來定義機構的脆弱性。

（二）宏觀審慎監管

宏觀審慎監管是防范系統性風險的重要支柱。以金融機構之間的關聯性為基本對象的金融網絡研究，為優化宏觀審慎監管提供了理論支持，特別是在限制風險口、優化金融網絡結構、改進壓力測試方法等方面提供了新思路。

1.限制風險口

充足的資本和流動性是在外生沖擊發生時避免金融風險傳染的重要緩沖墊，資本要求和流動性要求作為宏觀審慎政策的重要工具，起到限制金融機構風險口的作用。在金融網絡視角下，資本要求、流動性要求的設定應該將機構的網絡影響力納人考量。Gauthier等（2012年）[144]最早提出了基于金融網絡的宏觀審慎資本要求的計算方法，這一資本要求應該按照其對系統性風險的貢獻度來確定。風險貢獻度基于金融網絡來計算，它考慮了機構的網絡關聯性、破產成本以及資產相關性等因素。Markose等（2012年）[145]指出，對具有更高特征向量中心性的“超級傳播者”征收資本附加稅，并以此建立第三方托管基金來救助受到沖擊的“超級傳播者”，可以減輕潛在的社會損失。Cont等（2013年）[146]認為，對傳染指數最高的機構提高資本要求可以更加有效防范系統性風險。Alter等（2014年）[147]比較了不同中心性指標后發現，根據特征向量中心性設定資本要求時，防范系統性風險的效果更優。Belhaj等（2020年）[148]提出，依據金融機構的網絡中心性對其資產端和負債端分別設定流動性要求和資本要求，能使金融機構的風險承擔達到最優水平，確保機構的違約風險低于監管設定的目標水平。

然而，限制金融機構的風險口也是有代價的，因為金融機構的核心功能是資金配置、支持實體經濟發展，所以監管對金融機構的投資進行限制，面臨降低風險與放棄有價值的投資之間的權衡。Erol 和Ordonez（2017年）[149]發現，當嚴監管超過一定限度后，網絡結構會崩潰，這會阻礙金融機構將資金投向生產性投資機會，因此最優的監管強度需要設定在一個合理水平，以實現社會福利（綜合考慮了投資收益和救助成本）的最大化。Babus 和 年）[150]則指出，對交易對手數量限制與金融網絡的效率和穩定性之間的關系是非線性的，當對交易對手數量的限制超過一定的限度后，會導致金融系統的效率和穩定性雙雙下降。因此，對網絡連接的最優限制取決于傳染概率以及社會為了減少將來風險的嚴重性而愿意犧牲正常時期的效率的偏好。Jackson 和 Permoud（2019年）[151]認為，當投資機會相關性處于中等水平時，實施投資限制的監管措施是最優的；而當相關性較低或較高時，都不需要實施投資限制，因為金融網絡中的風險傳染性較小。當實行投資限制時，也應該實行不對稱的限制，比如在核心—外圍網絡結構中，對核心層的部分銀行進行限制，而允許其他銀行自由投資，可以實現社會福利最大化。

2.優化金融網絡結構

相較而言，通過一定干預措施改變網絡結構可以降低系統性風險的社會成本。一種思路是通過改變網絡中的連接來改變網絡密度和度分布。Diem等（2020年）[152]和 Pichler等（2021年）[153]提出，在不改變其他監管約束的情況下，通過重新安排網絡連接可以得到系統性風險最小化的網絡結構。另一種思路是稅收手段。Poledna和 Thurmer（2016年）[154]以及Leduc 和 Thurner（2017年）[15]提出了一種系統性風險稅——基于對系統性風險的影響來實施有差別的金融交易稅，對于系統性風險小的鼓勵類交易可以免稅，對于系統性風險高的限制類交易征較高的稅，這樣可以重塑網絡結構，提升金融系統的韌性。Altinoglu 和Stiglitz（2023年）[156]提出，針對金融機構的風險分擔行為（同業資產）和風險承擔行為（同業以外的風險資產）征收不同的稅率，從而將社會福利損失和政府救助成本內部化，避免金融機構在投資決策階段過多承擔風險和規模過大，出現“過于連接而不能倒”或“過大而不能倒”的問題。

3.改進壓力測試方法

通過壓力測試評估可能發生的重大負面沖擊對金融系統穩健性的影響，已成為監管當局監測系統性風險的重要工具。主流的壓力測試方法是將單個機構的同業資產或負債規模作為機構間關聯性的指標，缺乏機構間具體關聯的信息，因此不足以準確評估風險傳染的路徑以及潛在危害程度，可能會低估壓力情景造成的系統性風險[157]。基于金融網絡的壓力測試，將風險傳染機制以及信用風險、流動性風險、市場風險以及破產損失等的網絡效應納入評估框架，從而更加全面地評估壓力情景對金融機構及金融系統穩定性的影響。在監管實務中，基于金融網絡框架的壓力測試方法也開始在部分國家得到應用①。在學界，學者們持續將更為豐富的風險傳染機制以及影響因素納入壓力測試框架中，以提高評估的準確性。Battiston等（2016年）[158]認為現有的壓力測試中的風險傳染是以違約為觸發條件的，在將 DebtRank指標融入后，即使沒有機構發生違約，宏觀沖擊也會通過機構資產價值下降這一機制傳染。Cont 和 Schaanning（2017年）[159]提出的壓力測試框架則引人了宏觀沖擊引發資產拋售的機制。Covi等（2021年）[160]在 Eisenberg和 Noe（2001年）[161]模型基礎上提出的 CoMap（Contagion Mapping）方法，進一步將信用風險、流動性風險以及資產拋售都納入測試框架。Montagna和Kok（2016年）[162]基于銀行間不同類型的金融關聯構建了多層網絡模型，借此分析了交易對手風險傳染、流動性風險傳染和資產拋售等傳染機制的交互作用。Farmer等（2020年）[163]使用更為宏觀的模型研究了違約傳染、價格傳染、融資傳染和流動性壓力等四種傳染機制及其交互作用，同時考慮了金融機構對沖擊的行為反應（利用資本緩沖來吸收損失的意愿）和異質性金融機構（包含了非銀行金融機構）對系統性風險的影響。

（三）危機救助

在金融風險發生后，通過向問題機構提供救助以恢復其流動性或償付能力，是避免風險進一步傳染以至危及整個金融系統的重要手段。救助分為由政府提供的公共救助（public bail-outs）和由金融機構提供的私人救助（private bail-ins），其形式主要包括注資、流動性支持、債務重組以及吸收合并等。

1.公共救助

政府通過提供流動性支持、注人資本等形式提供公共救助是有成本的，直接成本是救助所耗費的公共支出。受預算約束限制，政府救助需要考慮用最小的直接成本來實現最佳效果。最小成本救助策略的制定有賴于金融網絡結構特征。童牧和何奕（2012年）[164]認為，在流動性有限的情況下，相對均衡的救助要優于重點救助，應根據機構在第一輪沖擊中的有效沖擊規模來按比例分配所注入的流動性。Demange（2018年）[165]認為最小成本救助策略是對具有最大威脅指數的機構進行注資。Jackson和 Permoud（2020年）[16]進一步區分了不同網絡結構下的最小救助成本策略：在存在不相連的“環”的網絡中，應先救助那些償債缺口最小的機構；在核心—外圍網絡中，應先救助外圍的機構以恢復其對核心機構的償債能力，這樣可以發揮外圍機構的資本緩沖作用，從而降低直接救助核心機構的成本。Capponi等（2022年）[167]則提出，在存在“厄運循環（doomloop）” ② 的情況下，最佳的救助對象集合取決于它們在銀行間網絡中的位置和其持有本國主權債務的口，政府應該優先救助那些點深度更高和持有更多主權債務的銀行。公共救助的另一個成本是道德風險，政府救助會導致金融機構過度的風險投資[168-171]。但 Shu（2022年）[172]指出，如果政府救助規模限制在等于銀行間債務的風險口時，政府救助是可以減少銀行內生的系統性風險。

對于金融機構受到的沖擊，是否需要進行救助，通過何種形式救助，在很大程度上取決于沖擊大小和網絡結構。Jackson 和Pernoud（2019 年）[173]提出了一個如何在宏觀審慎監管、救助和放任自由這三種監管模式中選擇的分析框架，最優監管方式的選擇需要在降低風險與由此造成的投資收益下降之間進行權衡，這依賴于機構的網絡中心性以及金融機構投資機會相關性。如果預期收益下降相對于銀行的外部性較小，最優監管政策是實施宏觀審慎監管（以限制投資組合風險口的形式）；如果預期投資回報足夠高，那么最優監管政策是不對投資施加任何限制，而是在發生沖擊后對中心性足夠高的機構進行救助，并允許那些中心性不高的機構破產倒閉。當資產組合相關性處于中等水平時，實施投資限制的監管措施是最優的；

而當相關性較低或較高時，投資限制和救助都不需要，因為金融網絡中的風險傳染性較小。

2.私人救助

公共救助的代價是成本高昂，并且會產生道德風險。在一定的條件下，網絡外部性會激勵金融機構提供流動性支持、注資、并購等形式的私人救助，從而降低公共救助的概率和成本。Leitner（2005年）[174]Rogers 和Verart（2013年）[175]較早提出，由于風險傳染威脅的存在，機構之間有相互救助動機。當并購產生的救助成本低于破產造成的損失時，安全銀行有并購問題銀行的動機，不過這需要監管部門制定一定的機制促使機構進行合并救助。Kanik（2021年）[176]認為，在“自包含網絡（self-contained networks）”結構下，任何單一金融機構破產造成大部分的損失由其他金融機構承擔，而外部債權人只承擔了小部分，因此任一機構破產，對其他機構來說都是代價高昂的，此時機構會相互提供私人救助以阻止受沖擊的機構破產。然而，即使存在私人救助的激勵，也會存在搭便車的問題。Bemard 等（2022 年）[17]指出，只有當政府不救助危機銀行的“威脅”是可信的，金融機構才有激勵進行自愿救助；而只有當不救助所造成的總福利損失不超過救助的福利損失時，政府不救助的“威脅”才是可信的。這一條件由網絡結構決定：在松散的網絡結構中，違約機構所產生的溢出效應隨著沖擊的逐漸增大，不救助的可信度提高；而在稠密的網絡結構中，隨著沖擊的變大，違約機構造成的溢出效應越大，不救助造成的總福利損失會超過救助時的福利損失，政府不救助的可信度下降。歷次金融危機都不是靠私人救助來終結的，雖然存在私人救助的激勵，但由于協調時間較長（機構間的談判、內部決策流程），以及信息不對稱可能導致金融網絡中出現多重均衡，私人救助可能無法及時阻止金融風險的傳染，公共救助依然是不可或缺的。這也說明了“過大而不能倒”或“過于連接而不能倒”的問題依然是金融監管的難題。

七、總結與展望

本文立足金融網絡視角，梳理網絡視角下風險傳染的研究脈絡，得出如下結論：首先，金融網絡結構是金融風險傳染的重要影響因素，兩者之間的關系是非單調性的。除網絡密度外，關系強度、度分布等其他網絡結構特征，以及個體異質性、風險分布特征、救助預期等因素也會影響兩者關系的表現形式。其次，金融網絡的風險傳染性具有內生性，體現為金融機構過度承擔風險，機構資產組合的相似性，核心—外圍網絡結構的形成，以及沖擊發生過程中的信貸凍結，都與金融機構在金融網絡中的博弈策略相關。最后，隨著對金融風險傳染機制、過程和危害程度的識別與評估方法體系日趨完善，以及網絡構造更加精準和接近現實，金融網絡研究對優化宏觀審慎監管框架的指導性越來越具有可操作性。比如，將基于金融網絡的系統重要性識別指標納入資本要求、流動性要求的設定，將金融網絡中的風險傳染機制引入壓力測試模型中，為更加科學有效防范系統性風險提供了富有建設意義的啟發。

金融網絡與風險傳染研究的現實價值和延展性為其創造了廣闊研究前景，一是開展更多可靠的實證研究。當前的研究策略以理論推導和仿真模擬研究為主，許多結論需要更多可靠的實證結果來驗證，一方面，可以運用大數據技術挖掘更多的雙邊風險口信息，從而構建更加真實的金融網絡；監管部門也可以整合金融市場交易數據，建立統一的金融網絡數據庫，在信息脫敏后供研究使用。另一方面，創新實證策略，通過合理的代理變量選擇以及實證模型設計，將網絡數據與個體數據結合起來相互印證。

二是構建更具解釋力的網絡理論模型。首先，模型可以放松一些假設，比如各類債務的償還優先級無差別、外生和靜態的網絡結構等，融人更多的經濟學理論，注重對資產負債表的結構及其調整背后的行為動機和經濟學原理的考察，正如新近的研究開始引入博弈論、道德風險等理論。其次，基于單一關系構建的金融網絡會忽視其他形式的金融關聯及相應的傳染機制，非常有必要整合多元化的關聯方式，構建多類型主體和關系的多層網絡模型。最后，最優網絡結構的探討，金融兼具資源配置和風險配置雙重屬性，現有文獻只關注金融網絡的風險傳染性一面，忽視了其資源配置的功能性一面。最優網絡結構的確定標準應該同時考慮風險傳染性和金融功能的效率，這需要對金融網絡模型中的社會福利以及最優網絡標準進行再認識、再評估。

三是注重金融與實體部門的關聯。已有文獻較少研究金融網絡與實體經濟的互動關系[178-180]，金融風險傳染會對實體經濟產生溢出效應，比如對企業、居民的行為以及產業鏈、利率、GDP等宏觀變量產生影響，進而改變金融機構面臨的風險環境，形成對金融網絡的反饋環。這就意味著沖擊也并不完全是外生的。又如，房地產信用風險、地方政府債務風險與金融風險的交叉聯動會產生什么樣的后果，如何防范等問題，都為未來研究創造了廣闊空間。

［參考文獻］

[1][6]Allen F，Gale D：“Financial Contagion”，Journal of Political Economy，Vol.108，No.1，200，pp.1-33.

[2]Freixas X，Parigi BM，Rochet J-C：“Systemic Risk，Interbank Relations，and Liquidity Provision by the Central Bank”，Journal of Money，Credit and Banking，Vol.32，No.3，2000，pp.611-638.

[3][72]GaiP，HaldaneA，KapadiaS：“Complexity，ConcentrationandContagion”，Journalof MonetaryEconomics，Vol.58，No.5，2011，pp.453-470.

[4][89][127]Acemoglu D，Ozdaglar A，Tahbaz-Salehi A：“Systemic Risk and Stability in Financial Networks”，AmericanEconomic Review，Vol.105，No.2，2015，pp.564-608.

[5][45][66][73][81][85][91]Eliot M，Golub B，JacksonMO：“Financial Networksand Contagion”，AmericanEconomic Review，Vol.104，No.10，2014，pp.3115-3153.

[6][94]Galeoti A，Ghiglino C：“Cross-Ownershipand Portfolio Choice”，Journalof Economic Theory，Vol.192，2021，p.105194.

[7][86][90][92]Cabrales A，Gotardi P，Vega-RedondoF：“Risk Sharing andContagion in Networks”，The ReviewofFinancial Studies，Vol.30，No.9，2017，pp.3086-3127.

[8][44][95][102][151][168][173]Jackson MO，PernoudA：“Optimal Regulation and Investment Incentives in FinancialNetworks”，SSRN，2019，http：//ssrn.com/abstract= 3311839.

[9][54]CaioliF，ShresthaM，MooreC，etal.：“StabilityAnalysisofFinancial Contagion duetoOverlapping Portfolios”，Journal of Banking amp; Finance，Vol.46，2014，pp.233-245.

[10]BargigliL，di IasioG，InfanteL，etal.“The Multiplex StructureofInterbank Networks”，QuantitativeFinance，Vol.15，No.4，2015，pp.673-691.

[11]Poledna S，Molina-BorboaJL，Martinez-Jaramill S，etal.：“The Multi-Layer Network Natureof Systemic Risk and ItsImplications for the Costs of Financial Crises”， Journal of Financial Stability，Vol.20，2015，pp.70-81.

[12][162]Montagna M，Kok C：“Multi-Layered Interbank ModelFor Assesing Systemic Risk”，European Central BankWorking Paper，2016，No.1944.

[13］馬錢挺、楊文珂、何建敏：《基于多層網絡的銀企系統性風險研究》，《中國管理科學》2021年第12期，第1—14頁。

[14][25][12O]BilioM，GetmanskyM，LoAW，etal.：“Econometric MeasuresofConnectednessand SystemicRisk intheFinance and Insurance Sectors”， Journal of Financial Economics，Vol. 104，No.3，2012， pp.535-559.

[15][28]DieboldFX，Yilmaz K：“Onthe Network Topologyof Variance Decompostions：Measuring theConnectedness ofFinancial Firms”，Journal of Econometrics，Vol.182，No.1，2014，pp.119-134.

[16］楊子暉、陳雨恬、謝銳楷：《我國金融機構系統性金融風險度量與跨部門風險溢出效應研究》，《金融研究》2018 年第10期，第19—37頁。

[17］何德旭、苗文龍、閆娟娟等：《全球系統性金融風險跨市場傳染效應分析》，《經濟研究》2021年第8期，第4—21頁。

[18］宮曉莉、劉建民、熊熊等：《經濟政策不確定性與國際金融網絡間的尾部風險傳染研究》，《中國管理科學》2023年第7期，第1—12頁。

[19］李志輝、朱明皓、李源等：《我國金融機構的系統性風險溢出研究；測度、渠道與防范對策》，《金融研究》2023 年第4期，第55—73頁。

[20][59]FurfineCH：“Interbank Exposures： Quantifying theRisk of Contagion”，Journalof Money，Credit and Banking，Vol.35，No.1，2003，pp.111-128.

[21]Demiralp S，PreslopskyB，WhitesellW：“Overnight Interbank Lan Markets”，JournalofEconomicsandBusine，Vol.58，No.1，2006，pp.67-83.

[22]Imakubo K，SoejimaY：“The TransactionNetwork inJapan’s Interbank Money Markets”，Monetaryand Economic Studies，Vol.28，2010，pp.107-150.

[23］黃聰、賈彥東：《金融網絡視角下的宏觀審慎管理——基于銀行間支付結算數據的實證分析》，《金融研究》2010 年第4期，第1—14頁。

[24][121][145]MarkoseS，GiansanteS，Shaghaghi AR：“‘Too InterconnectedtoFail’FinancialNetworkof USCDS Market：TopologicalFragility andSystemic Risk”，Journal of Economic Behavioramp; Organization，Vol.83，No.3，2012，pp.627-2019，https：//ssrn.com/abstract = 2 8 1 6 1 3 7

[27][135]BonaldiP，Hortags A，KastlJ：“An Empirical Analysisof Funding Costs Spiloversinthe Euro-Zone withApplication to Systemic Risk”，NBER Working Paper，2015，No.21462.

[29] BarigozziM，HallnM：“ANetwork AnalysisoftheVolatilityofHighDimensionalFinancialSeries”，JournaloftheRoyalStatistical Society Series C ： Appied Statistics，Vol.66，No.3，2017，pp.581-605.

[30]DemirerM，DieboldFX，LiuL，etal.：“Estimating Global Bank Network Conectedness”，Journalof AppliedEconometrics，Vol.33，No.1，2018，pp.1-15.

[31] Ahelegbey D F， Billo M，Casarin R：“Sparse Graphical Vector Autoregression：A Bayesian Approach”，Annals ofEconomics and Statistics，No.123/124， 2016，pp.333-361.

[32][138]Moratis G，SakelarisP：“Measuring the Systemic ImportanceofBanks”，Journalof Financial Stability，Vol.54，2021，p.100878.

[33]SheldonG，Maurer M：“Interbank Lendingand SystemicRisk：An Empirical Analysis for Switzerland”，SuissJournalofEconomics and Statistics， Vol.134，No.4.2，1998， pp.685-704.

[34][69]Upper C，WormsA：“Estimating BilateralExposuresinthe German Interbank Market：Is Therea DangerofContagion？”，European Economic Review，Vol.48，No.4， 2004，pp.827-849.

[35]Elsinger H，LeharA，SummerM：“Risk Asessment for Banking Systems”，Management Science，Vol.52，No.9，2006，pp.1301-1314.

[36]vanLelyveldI，LiedorpF：“InterbankContagionintheDutchBanking Sector：ASensitivityAnalysis”，InternationalJoualof Central Banking，Vol.2，No.2，2006，pp.99-133.

[37]MastrandreaR，SquartiniT，Fagiolo G，etal.：“EnhancedReconstructionof Weighted Networks from StrengthsandDegrees”，New Journal of Physics，Vol.16，No.4，2014，p. 043022.

[38] CiminiG，Squartini T，GabrielliA，etal.：“Estimating Topological Propertiesof WeightedNetworksfromLimitedInformation”，Physical Review E ，Vol.92，No.4，2015，p.040802.

[39]MistruliE：“AssessingFinancial Contagion inthe Interbank Market：Maximum Entropy VersusObservedInterbankLending Patterns”， Journal of Banking amp; Finance，Vol.35，No.5，2011， pp.1114-1127.

[40] MastromattoI，ZarineliE，MarsiliM：“Reconstructionof Financial NetworksforRobust Estimationof Systemic Risk”，Journal of Statistical Mechanics：Theory and Experiment， Vol.2012，No.03，2012，p.P03011.

[41]Anand K，Bedard-Page G，Tradet V：“Stress Testingthe Canadian Banking System：A System-Wide Aproach”，FinancialSystem Review，Vol.15，No.4，2015，pp.625-636.

[42][55][57][161]EisenbergL，Noe TH：“Systemic Risk in Financial Systems”，Management Science，Vol.47，No.2，2001，pp.236-249.

[43]Gourieroux C，Heam J-C.，MonfortA：“Bilateral Exposures and Systemic Solvency Risk”，Canadian Journal of Economics/Revue canadienne d’ économique， Vol.45， No.4， 2012， pp.1273-1309.

[46][65][8O][88]GaiP，Kapadia S：“ContagioninFinancial Networks”，Procedingsofthe Royal SocietyA：Mathematical，Physical and Engineering Sciences， Vol. 466，No.2120，2010，pp.2401-2423.

[47][143］方意：《系統性風險的傳染渠道與度量研究——兼論宏觀審慎政策實施》，《管理世界》2016年第8期，第 32-（204 5 7 + 1 8 7 頁。

[48][159]ContR，SchanningE：“Fire Sales，Indirect Contagion and Systemic Stress Testing”，Norges Bank Working Paper，2017，No. 2.

[49]方意、黃麗靈：《系統性風險、拋售博弈與宏觀審慎政策》，《經濟研究》2019年第9期，第41—55頁。

[50][139]GreenwoodR，LandierA，ThesmarD：“Vulnerable Banks”，JourmalofFinancial Economics，Vol.115，No.3，2015，pp.471-485.

[51][140]DuarteF，EisenbachTM：“Fire-Sale Spiloversand Systemic Risk\"，The JournalofFinane，Vol.76，No.3，2021，pp.1251-1294.

[52][163]FarmerJD，KleijenuisAM，Nhai-WiliamsonP，etal.“Foundationsof System-WideFinancial Stres Ttingwith Heterogeneous Institutions”，Bank of England Working Paper，2020，No.861.

[53][132]GlassermanP，Young HP：“How Likelyis Contagionin Financial Networks？”，JourmalofBankingamp; Finance，Vol.50，2015，pp.383-399.ana Uontrol，voI.？1，No.O，zUu/，Pp.zU？？-zUOU.

[58][175]RogersL CG，VeraartLA M：“Failure and Rescue inan Interbank Network”，Management Science，Vol.59，No.4，2013， pp.882-898.

[60]Newman M E J： Networks. Second edition. Oxford： Oxford University Press，2018，pp.209-211+304-337.

[61]Jackson MO，PermoudA：“Systemic Risk in Financial Networks：A Survey”，Annual Reviewof Economics，Vol.13，No.1，2021，pp.171-202.

[63]CifuentesR，FerucciG，ShinHS：“LiqudityRiskandContagion”，Journalof theEuropean Economic Association，Vol.3，No.213，2005，pp.556-566.

[67] Boss M，Elsinger H，SummerM，etal.：“Network Topologyof the Interbank Market”，Quantitative Finance，Vol.4，No.6，2004， pp.677-684.

[68］李政、梁琪、涂曉楓：《我國上市金融機構關聯性研究——基于網絡分析法》，《金融研究》2016年第8期，第 95—110頁。

[70] Bech ML，AtalayE：“The Topologyof theFederal FundsMarket”，PhysicaA：Statistical Mechanics anditsAplications，Vol.389，No.22，2010，pp.5223-5246.

[71][122]CraigB，VonPeterG：“Interbank Tieringand Money Center Banks”，JournalofFinancial Intermediation，Vol.23，No.3，2014，pp.322-347.

[74]CaccioliF，Catanach TA，FarmerJD：“Heterogeneity，CorelationsandFinancial Contagion”，Advances inComplexSystems，Vol.15，No.supp02，2012，p.1250058.

[75][78]83]SachsA：“Completeness，InterconnectednessandDistributionofInterbankExposures：AParameterizedAnalysisofthe Stability of Financial Networks”， Quantitative Finance，Vol.14，No.9，2014，pp.1677-1692.

[76]GofmanM：“Eficiencyand StabilityofaFinancialArchitecturewithTo-Intercoected-to-FailInstitutions”，JoualfFinancial Economics， Vol.124，No.1，2017， pp.113-146.

[79]Eboli M：“AFlowNetwork Analysisof Direct Balance-Sheet Contagion in Financial Networks”，Journal of EconomicDynamics and Control， Vol.103， 2019， pp.205-233.

[82]Iori G，JafareyS，PadillaFG：“Systemic Risk ontheInterbank Market”，Journalof Economic Behavior amp;Organization，Vol.61，No.4，2006，pp.525-542.

[84］徐國祥、吳婷、王瑩：《基于共同沖擊和異質風險疊加傳導的風險傳染研究——來自中國上市銀行網絡的傳染模擬》，《金融研究》2021年第4期，第38—54頁。

[87］隋聰、王憲峰、王宗堯：《銀行間網絡連接傾向異質性與風險傳染》，《國際金融研究》2017年第7期，第44—53頁。

[93][176]Kanik Z：“From Lombard Stree to WallStret：SystemicRisk，Rescues，and Stability in Financial Networks”，SSRN，2021，https：//ssrn. com/abstract = 3 0 5 7 6 1 5 ：

[96]Acemoglu D，Ozdaglar AE，Tahbaz-Salehi A：“Systemic Risk in Endogenous Financial Networks”，Columbia BusineSchool Research Paper，2015，No.15-17.

[97][98][103][172]ShuC：“Endogenous Risk-Exposure and Systemic Instability”，USC-INET Research Paper，No.17-35.

[99]CabaleroRJ，SimsekA：“Fire Salesina ModelofComplexity：Fire Salesina ModelofComplexity”，TheJournalofFinance，Vol.68，No.6，2013，pp.2549-2587.

[100] CaccioliF，FarmerJD，FotiN，etal.：“Overlaping Portfolios，Contagion，andFinancial Stability”，Journalof EconomicDynamics and Control，Vol.51，2015，pp.50-63.

[101]EllottM，GeorgC-P，HazellJ：“SystemicRisk Shifting inFinancial Networks”，JournalofEconomic Theory，Vol.191，2021， p.105157.

[104] Acharya VV，YorulmazerT：“Too Many to Fail：An Analysis of Time-Inconsistency in Bank Closure Policies”，Journal ofFinancial Intermediation， Vol.16，No.1，2007，pp.1-31.

[105][169]FarhiE，Tirole J：“Colective Moral Hazard，Maturity Mismatch，and Systemic Bailouts”，American EconomicReview，Vol.102，No.1，2012，pp.60-93.

[106]EisertT，Eufinger C：“Interbank Networksand BackdorBailouts：Benefiting fromOther Banks’GovernmentGuarantees”，Management Science，Vol.65，No.8，2019， pp.3673-3693.

[107]Acharya VV，YorulmazerT：“Information Contagionand Bank Herding”，Journalof Money，Credit and Baning，Vol.40，No.1，2008，pp.215-231.

[108]BlumeL，EasleyD，Kleinberg J，etal.：“Network Formation inthe Presenceof ContagiousRisk”，ACM TransactionsonJournal：Macroeconomics，Vol.15，No.2，2023，pp.35-64.

[110] Wang C： “Core-Periphery Trading Networks”， SSRN，2016，https：//srn. com/abstract 2747117.

[111]Farboodi M：“Intermediationand VoluntaryExposure toCounterpartyRisk”，JournalofPolitical Economy，Vol.131，No.12，2023，pp.3267-3309.

[112]ErolS，VohraR：“Network formation and systemic risk”，European Economic Review，Vol.148，2O22，p.104213.

[113][171]Erol S：“Network Hazard and Bailouts”，SSRN，2019，https：//ssrn.com/abstract 3034406.

[115] Anand K，Gai P，Marsili M：“Rolover Risk，Network Structure and Systemic Financial Crises”，Journal of EconomicDynamics and Control，Vol.36，No.8，2012，pp.1088-1100.

[116] Fique J，Page F：“Rolover Risk and Endogenous Network Dynamics”，Computational Management Science，Vol.10，2013，pp.213-230.

[117] Acemoglu D，OzdaglarA，Siderius J，et al.：“Systemic Credit Freezes in Financial Lending Networks”，Mathematics andFinancial Economics，Vol.15，No.1，2021，pp.185-232.

[118]Di Maggo M，Tabaz-SalehiA：“Collteral Shortagesand IntermediationNetworks”，Columbia BusinessSchoolResearchPaper，2015，No.14-40.

[119] FSB：“Reducing the Moral Hazard Posed by Systemically Important Financial Institutions”，Financial Stability BoardReport，2010.

[123]Martinez-JaramillS，Alexandrova-KabadjovaB，Bravo-BenitezB，etal.：“AnEmpirical Studyof the MexicanBankingSystem’s Network and its Implicationsfor Systemic Risk\"，Journal of Eonomic Dynamics and Control， Vol.40，2014，pp242-265.

[124］歐陽紅兵、劉曉東：《基于網絡分析的金融機構系統重要性研究》，《管理世界》2014 年第8期，第171—172頁。

[125] Halaj G，Kok C：“Asessing Interbank Contagion Using Simulated Networks”， Computational Management Science，Vol.10，2013，pp.157-186.

[126]Soramaki K，Cook S：“SinkRank：An Algorithm for Identifying Systemicall Important Banks in Payment Systems”，Economics，Vol.7，No.1，2013，p.20130028.

[128] 范小云、王道平、劉瀾飚：《規模、關聯性與中國系統重要性銀行的衡量》，《金融研究》2012 年第 11期，第16—30 頁。

[129]Batiston S，Puliga M，Kaushik R，etal.：“DebtRank：Too Central toFail？Financial Networks，theFEDand SystemicRisk”，Scientific Reports，Vol.2，No.1，2012，pp.1-6.

[130][41]Bardoscia M，Batiston S，CaccioliF，etal.“DebtRank：A Microscopic FoundationforShock Propagation”，PLOSONE，Vol.10，No.6，2015，p.e0130406.

[131][146]Cont R，Moussa A，Santos EB： Network Structure and Systemic Risk in Banking Systems，FouqueJ-P，JALangsam，eds.//，Handbook on Systemic Risk1 edition， Cambridge University Press，2013，pp.327-368.

[13][165]Demange G：“Contagion in Financial Networks：A Threat Index”，Management Science，Vol.64，No.2，2018，pp.955-970.

[134]李政、劉淇、梁琪：《基于經濟金融關聯網絡的中國系統性風險防范研究》，《統計研究》2019 年第2期，第 23—37頁。

[136] Braverman A，Minca A：“Networks of Common Asst Holdings：Aggregation and Measures of Vulnerability”， Journal ofNetwork Theory in Finance，Vol.4，No.3，2018，pp.53-78.

[137]SilvaTC，Souza SRS，Tabak BM：“Monitoring VulnerabilityandImpact Difusionin Financial Networks”，JournalofEconomic Dynamics and Control，Vol. 76，2017，pp.109-135.

[142][157]158]Batiston S，CaldarelliG，D'Erico M，etal.：“Leveragingthe Network：A StressTest Framework BasedonDebtRank”，Statistics amp; Risk Modeling，Vol.33，No.3-4，2016，pp.117-138.

[144]Gauthier C，LeharA，Souisi M：“Macroprudential Capital Requirementsand Systemic Risk”，Journalof FinancialIntermediation，Vol.21，No.4，2012，pp.594-618.

[147]Alter A，Craig B，Raupach P：“Centrality-based Capital Allocations”，IMF Working Paper，2014，No.WP/14/237.

[148]BelhajM，BourlesR，DeroianF：“Prudential Regulation inFinancial Networks”，AMSE Working Paper，202o，No.halsh-02950881.

[149]ErolS，Ordonez G：“Network Reactions to Banking Regulations”，Journalof Monetary Economics，Vol.89，2017，pp.51-67.

[150] BabusA，HuT-W：“Endogenous IntermediationinOver-the-Counter Markets”，JournalofFinancial Economics，Vol.125，No.1，2017，pp.200-215.

[152] Diem C，PichlerA，Thurner S：“What is the Minimal Systemic Risk in Financial Exposure Networks？”，JournalofEconomic Dynamics and Control，Vol. 116，2020，p.103900.

[153] PichlerA，Poledna S，Thurner S：“Systemic Risk-Eficient Aset Allcations：MinimizationofSystemicRisk asa NetworkOptimization Problem”，Journal of Financial Stability，Vol.52，2021，p.100809.

[154] PolednaS，ThurnerS：“EliminationofSystemicRisk inFinancialNetworks byMeansofaSystemicRisk TransactionTax”，Quantitative Finance，Vol.16，No.10，2016，pp.1599-1613.

[155] Leduc MV，ThurnerS：“Incentivizing Resilience in Financial Networks”，Journal of Economic Dynamics and Control，Vol. 82，2017，pp.44-66.

[160] Covi G，Gorpe M Z，Kok C：“CoMap： Mapping Contagion in the Euro Area Banking Sector”，Journalof FinancialStability，Vol.53，2021，p.100814.

[164] 童牧、何奕：《復雜金融網絡中的系統性風險與流動性救助——基于中國大額支付系統的研究》，《金融研究》2012 年第9期，第20—33頁。

[166] JacksonMO，PernoudA：“Credit Freezes，Equilibrium Multiplicity，and Optimal Bailouts in Financial Networks”.arXive-prints，2020，arXiv-2012.

[167] Capponi A，CorellF，Stiglitz JE：“Optimal Bailouts and the Doom Loop with a Financial Network”，Journal of MonetaryEconomics，Vol.128，2022，pp.35-50.

[174] LeitnerY：“Financial Networks：Contagion，Commitment，andPrivate Sector Bailouts”，The JournalofFinane，Vol.60，No.6，2005，pp.2925-2953.

[177] BernardB，Capponi A，Stiglitz JE：“Bail-InsandBailouts：Incentives，Connectivity，and Systemic Stability”，JournalofPolitical Economy，Vol.130，No.7，2022，pp.1805-1859.

[178] Basco S，FeliceG，MerlevedeB，etal.：“Financial Crisesand the Global Supply Network：Evidence from MultinationalEnterprises”，NBER Working Paper，2023，No.31216.

[179] 楊子暉、王姝黛、梁方：《產業鏈結構新視角下的尾部風險跨行業傳染》，《經濟學》2023年第1期，第 212—227頁。

[180] Silva TC，Alexandre M da S，Tabak BM：“Bank Lending and Systemic Risk： A Financial-Real Sector Network Approachwith Feedback”，Journal of Financial Stability，Vol.38，2018，pp.98-118.

Risk Contagion and Prevention in Financial Networks： Literature Review and Recent Advances

WANG Zhigang'，LI Enyin2，HU Ningning （1.Data center，Chinese Academy of Fiscal Sciences，Beijing 1Oo142，China； 2.Graduate school，Chinese Academy of Fiscal Sciences，Beijing ，China）

Abstract：The perspective of financial networks can accurately identify risk contagion mechanisms and comprehensively evaluate the degree of risk destruction，providing ascientific and efective methodological basis for macro prudential supervision.This article systematically reviews the research on financial risk contagion from a network perspective，clarifying the recent progress in research on financial networks and risk contagion.Firstly， thefinancial network structure isan important influencing factor of financial risk contagion，and therelationship between the two is non monotonic.In addition to network density，factors such as relationship strength，degree distribution，individual heterogeneity，shock distribution，and rescue expectations can also afect the relationship between the two；Secondly，there is endogeneity between the behavior choies of financial institutions and the formation of networks，so therisk contagion in financial networks isnot entirely exogenous.Finally，the accomplishments of financial network research in exante macro-prudential regulation and ex post crisis rescue have increasingly provided guidance for optimizing the macro-prudential regulatory framework，while also opening up broader avenues for future research expansion.

Key words： financial network ；risk contagion ；network structure ；systemic risk ； macro-prudential regulation

（責任編輯 齊立瑤；責任編輯 劉永俊）