基于内生网络的银行系统性风险研究

第3'卷第2期 2 0 18年3月
大连理工大学学报（社会科学版）
Journal o f D alian U niversity o f Technology (Social Sciences)
Vol. 3 9，No.2
Mar. 2 0 18
D O I:10.19525". issn1008-407x.2018.02.006
基于内生网络的银行系统性风险研究
马钱挺、何建敏、李守伟、隋新2
(1.东南大学经济管理学院，江苏南京211189; 2.南京财经大学金融学院，江苏南京210023)
摘要：通过刻画银行主体动态行为构建内生网络模型研究银行系统性风险。

基于银行资产负债表，分别从流动性资产更新、分红与投资、信用拆借以及违约清算等方面设定内生网络演化规则。

在内生网络模型基础上，分别从网络结构和银行主体行为两个方面深入探究其对系统性风险的影响。

研究结果表明：在网络结构方面，随着网络节点规模扩大，银行系统性风险显著增大，而网络节点异质性对系统性风险具有一定的抵御能力。

在银行主体行为方面，拆借对象选择比例提高和同业拆借利率降低都在一定程度上影响整个同业拆借过程进而增大银行系统性风险，而拆借对象转移概率变化对系统性风险影响较小。

关键词：内生网络；银行系统性风险；网络结构；银行主体行为
中图分类号：F830 文献标识码：A文章编号！ 1008-407X(2018)02-0032-08
_、弓
I言
银行是现代金融系统的重要组成部分，也是整个 经济系统平稳运行必不可少的金融中介。

然而银行危 机却时有发生，例如1995年美国巴林银行倒闭，在亚 洲、欧洲、美洲地区的金融市场引起强烈波动；2008年 法国兴业银行巨亏案导致整个欧洲金融震荡，并波及 全球股市。

在银行危机中影响最为深远的是银行系统 性风险，而系统性风险是一种复杂现象，它的传染效应 使得单个银行的风险很有可能演变成整个银行危机。

随着银行快速发展，银行同业拆借市场日趋成熟，流动 性充足的银行及时贷出资金获得较高收益，流动性不 足的银行及时借人资金保证支付，有利于银行自身利 润最大化。

但银行间通过不断拆借形成复杂的债权债 务关系，也为银行系统性风险发生提供了传染途径。

一家银行面临流动性问题或者偿还债务困难时，可能 会引发该银行破产或倒闭，进而有可能破坏与其他银行间债权债务关系，引发银行大规模倒闭，形成“多米 诺骨牌效应”，甚至引发大规模金融危机，影响社会稳 定。

因此，对银行系统性风险进行深人研究，为我国银 行系统性风险监管提供一定的理论基础和实践借鉴。

二、文献综述
近年来网络理论为研究社会经济系统提供了新的 视角，也得到了学者们的广泛关注[16]。

而对于银行经 济系统，学者们亦纷纷采用网络理论进行相关研究*20]。

目前基于外生网络研究较多，主要包括基于随机网络、无标度网络、小世界网络对银行系统性风险 研究 及 同网络结 系 性 影响 的比较分析。

I〇r i等*7]基于随机网络分析银行间拆借后 发现!间于同 时，间场 系
起到稳定作用；银行间处于异质情况下，银行间系统性 风险可能发生，银行间市场稳定作用仍然存在但比较模糊。

邓超和陈学军*]依据复杂网络的W a t t s级联动 力学理论，构建了基于随机网络的金融传染模型，研究 显示较大的网络连通度水平不仅为系统性风险发生提 供更多传播渠道，而且抵消了风险共享的能力。

万阳 松[9]101在无标度银行间网络模型基础上对银行主体行 为与系统性风险之间关系进行深人研究，研究显示银 行市场规模扩大到一定程度上有利于降低系统性风险，银行主体同时参与资金借人和拆出能有效分散自 身和其他银行间风险暴露。

隋聪等[10]57提出了一种构
收稿日期！2017-02-20;修回日期=2017-05-14
基金项目：国家自然科学基金项目！基于复杂网络与Multi-Agent融合的金融市场间风险溢出效应研究-71371051)国家自然科学基金项目：“基于金融关联超网络的银企风险传染及其控制研究-71671037);江苏省社会科学基金青年项目！基于内生网络模型的银行业系统性风险研究-15GLC003)
作者筒介：马钱挺（1991-)，男，江苏南通人，东南大学经济管理学院博士研究生，主要从事金融工程与风险管理研究，E-mail:mqt2626@sina.
com;何建敏（1956-)，男，江苏无锡人，教授，博士生导师，主要从事金融工程与风险管理研究；李守伟（1984-)，男，安徽蚌埠人，副教 授，博士生导师，主要从事金融工程与风险管理研究；隋新（1983-)，男，黑龙江肇东人，讲师，主要从事金融工程研究。

第2期
马钱挺，何建敏，李守伟，等：基于内生网络的银行系统性风险研究
造无标度网络的方法，研究发现集中度越高的网络由于传染而倒闭的银行数量越多；但当基础违约银行数量不多时，网络集中度越高情况下由于传染而倒闭的银行总资产越少；此外，在集中度高的网络中大银行倒 闭引发系统性风险可能性和影响力都大于集中度低的 网络；而小银行引发系统性风险可能性远低于大银行，但是小银行倒闭达到一定规模时，可以引发大银行传染倒闭。

G o d le w s k i等[11]在小世界联贷市场网络结构 基础上研究网络中心度的影响，研究显示小世界网络具有较高聚类系数和较短社会距离，这种网络结构增 强银行间社会资本、减少贷款利差并增加借款人财富。

许博和刘鲁[12]揭示了随机网络和无标度网络这两种不同网络结构下银行间市场系统性风险发生过程和演 化特征，分析了网络结构对于银行系统性风险的影响，指出无标度的银行系统结构会带来更大的系统性风险。

李守伟和何建敏*3]基于复杂网络理论，研究了银 行间市场随机网络、小世界网络和无标度网络中系统性风险特征及其差异，研究表明：随机性冲击与选择性 冲击造成的系统性风险与网络结构以及遭受冲击银行 数目密切相关;在这3种网络结构中无标度网络面对冲击时具有最高的稳定性。

由于外生网络事先假定银行网络节点之间连接符 合特定的网络结构，这具有一定的局限性。

因此，近年 来一些学者开始构建内生动态网络模型来研究银行经 济系统，如H a l a j和K o k*4+提出了银行网络内生形成 机制，进而研究市场参数和管理工具改变对银行网络结构和系统性风险的影响。

结果显示只有很小比例银 行网络中风险传染会减少银行系统平均偿债能力，大 部分银行网络其系统性风险发生的可能性可忽略不计。

B lu h m和K ra h n e n *(]通过银行最优决策和市场调节控制方式构建内生动态网络模型，进而研究各种 审慎政策下网络演化过程，同时利用S h a x1e y值分析 银行面临冲击时对系统性风险的影响以及相应的成本。

L u x*6]构建了 一个基于银行信用关系的动态网络 模型，最初随机地选择交易伙伴，然后通过一个初级强 化学习算法形成优惠关系，向经常发生拆借关系的银 行提供更加优惠的拆借利率，研究表明优惠利率的实施可以保证周边小银行的存活。

王宗尧和隋聪*1]基 于银行间拆借关系构建动态网络模型，进而研究银行 间资金流动与系统性风险之间的关系，并提出相应的 银行间风险传染预警策略。

现有内生网络相关文献仅从存款波动、同业拆借 等主体行为进行银行网络构建，而现实中银行主体行为不仅限于上述几种情况，有待进行更深人的研究。

对此，本文构建的模型考虑了流动性资产更新、分红与 投资、信用拆借以及违约清算等方面，这些都是银行曰 常经营过程中的主体行为。

本文构建的内生网络模型 与原有研究相比考虑了更多的银行主体行为，因此更符 合实际情况，更有利于从理论层面挖掘银行主体行为与 系统性风险之间的内在关联价值。

由于银行网络结构 对系统性风险有直接或间接的影响*°]57’*1]，银行主体 行为也对系统性风险起着重要作用*]1’*2]，本文分别从网络结 主体 为两个 面 系
性风险进行深人探讨。

本文的研究揭示了银行间同业 拆借关系的微观行为，丰富了网络视角下系统性风险相 关理论基础，同时对于维持经济系统平稳运行、防范系 统性风险发生具有一定的理论指导意义和实践参考价值。

三、银行内生网络模型
1.银行资产负债表构建
本文假设银行z资产包括银行间贷款（T L J、投 资（T J J和流动性资产（L J，银行z负债包括银行间借款(T B J、储户存款(D J和资产净值#U。

我们依据 O+i等*2]27和 G e o rg*
表，如表1所示：
;]的研究构建银行资产负债
表1银行资产负债表
资产负债
银行间贷款（T L z)银行间借款（T£U
投资（凡）储户存款o z)
流动性资产（L z)资产净值(A.)其中，对于任意时刻《，T L a=%%
+—1 〇—1
T L -%L—S;T B8- %%、表示银行z /=%/=% /
借款者集合;为银行z债权者集合;为银行U从 银行Z所获得的贷款额度；乙为银行Z在8时刻投资 规模;和+分别表示银行间贷款期限及投资期限。

本文把银行间投资分为风险投资#z)和无风险投 资（0,即满足7z=7Z+G。

银行风险投资比例是根据其风险偏好程度决定的。

基于效用最大化原则[23]2218，银行z风险投资比例如下：
A z=m i n j^^,1j$[0,1] (1)
大连理工大学学报（社会科学版)
第39卷
其中，为银行z 风险投资比例;为投资预期收 益率;a 为预期收益率标准差；^为银行z
风险厌恶系 数，随机取自区间*_，‘《]。

2.流动性资产更新
为便于表述，用匕表示银行z 期间流动性，用込 代表银行z 期末流动性。

银行z 流动性变动影响因素 有：投资收益及到期投资本金回收、储户存款利息支 付、储户存款波动、银行间借贷利息及本金支付。

考虑 以上因素，银行z 流动性如下所示：
= ?8-1 % %
% (1 (，8t s )r ^] %
S ~1
~ 2d p D 8-1 % (D 8 — 3 z -1 ) % % % M l t -2 zts %
S = $
S
% Mz —<— % % B z 't -s 2z 't-s — % Mz — #)
z z < S — 1z!$-zs z $-z t <
其中，）8为风险投资收益率且其服从正态分布
N
(& a )) 2为无风险利率'dp 为储户存款利率;储户
存款波动满足D t = I D % +ffdp 槡3^ |，其中a p 是储
户存款演变参数，St "N
(0，1) '8为银行z 向银行z 收
取的银行贷款利率。

至此，银行z 资产净值为：
<-1
% % M z 't —s - D z S —1 z ，$-zt s
3.银行分红
当？8> 0且
A
分红。

此时需要考虑银行净利润、剩余流动性资金以 及分红比例等因素，则
t
时刻银行z 红利支付为：
DD t =Jax {0，min { NetP z h k ，L z —丌D t ，A t —(D t } 8
⑷
%
；8-s % % % M z
#)
/D t >((分红下限）时，银行进行
5.银行间同业拆借
此时，缺乏流动性的银行向具有充足流动性的银 行发出借款申请。

相应地，这些银行划分为潜在债务银行f 8&0)和潜在债权银行(L t >0
)。

对于债务银行而言，每一个潜在债务银行随机选 择一定比例M 的潜在债权银行，并观察这些银行所能 提供的拆借利率。

由于信息不对称及降低交易成本等 原因，每一个潜在债务银行更倾向于向旧债权银行寻 求信用拆借。

但当新的潜在债权银行提供更优惠拆借
利率时，其又存在转向新的潜在债权银行进行拆借的 可能性。

潜在债权银行设定的利率及转向新债权银行 的概率分别如下所示*0]:
2：t = aA :t d a ('l :t )a
(7)
$ —J 1 —
l d
)/r #»，
3 2…F <2
0id
〇
其中，a >0，>0 '
Zt 表示由第：〃个潜在债权银行
设定的第Z 个潜在债务银行的利率J z t 代表第z 个潜
在债务银行杠杆率'
i d
和r ……分别为旧债权银行和新
债权银行设定的利率。

潜在债务银行基于上述交易伙伴选择机制，向流 动性
发出 款。

如 从第 个
权银行获得足够资金，将继续向其他具有额外流动性 的银行发出借款申请，直至其资金需求完全得到满足
或者银行系统中再无多余流动性可供分配为止。

对于债权银行而言，潜在债权银行z 可用于出借的资金额度为—!D
t
，
可批准的借款申请为：
0，
L 8 — (D o , " 0
M E p p t — < M ^T N
t ，
— (D t " M ^T N t
(9)
— D
z
，其他
其中，"z 代表向银行z 发出借款申请的银行集其中，N
t P
为银行z 净利润；N
t P
= A t — A t —1'
C
为净利润分红比例！为法定准备金占存款比例。

4.银行投资
分红
余
则 于 投 。

t 时 刻
银行u 投资规模如下所示：
= J
i n
{0t ，m a x {0，L t —D
D t —!D
t} }
(5)其中，为银行z 的投资机会，0= h t
+ff 1 ^ |
且 z 〜| N (作，，|) |，
〜N
(0，1)。

投资后，银行z 流动性资金更新为：?8=
L
8—D D t —
(6)
合;M T …t = % A
M t 为银行z 收到的总借款申请。

z
$" t
如果债权银行z 有充足的流动性，他将满足所有
借款银行的借款申请，否则债权银行z 将把潜在债务 银行按照资产净值从大到小排列，并依次分配其借款
资金，直至其再无多余流动性分配为止，对于没有拆借 到资金的潜在债务银行将会被新银行代替。

6.银行违约清算
在本文中，银行资产净值小于等于零[24]1636 ,或者 尽管银行z 资产净值大于零，但却无法获得足够外部
资金使其在随后模拟时刻具有非负流动性*5]，此时银
第2期
马钱挺，何建敏，李守伟，等：基于内生网络的银行系统性风险研究
•
35
•
被移出模拟系统，并 约清算。

债权银行，
由其债务银行^违约所产生的坏账为！
Bad U t =
%
OL :t VLR
9 "bad
(10)LR =
=m in {m a x {W 9t (
A 9t ? 0} / TL 9t ，1}
(11)t l ：t
=
=% % B 9t -/(1%r 9;—/)(12)
，炎^代表银行，的违约债务
集合;为
，对债务银行^的敞口信贷;L E a 为债务
^信贷损失率;为
f
时刻债务
^遭受的损
矢
':t =
%E
+L
:t
h L R :。

考虑到坏账，需要调整资产净值A ：〃t 和流动性资产L ：t 。

首先， 值
A
：〃t 进行调整，直接将相应的坏账B a ,〃t 从
:
值
A ：〃t。

次，
对流动性资产L ：t 进行调整，将违约债务银行已支付
利息和到期本金从L ：〃t 中扣除，并将债务银行违约给 债权者U 带来的损失从L ：t 中扣除。

四、仿真分析
1.参数取值
参考等[22+3°、G e 〇r g [23]2223 和 G a tti 等[24+637 的 研究，本文基 参 如下:假 系统中有
30°家 ，演化周期1°°°期；在模拟期初
同质，即初
同，300家 初
值为2,初始
储户存款为.初始现金流为1°;当某个 破产时，被新
替代，新
值为区间（0,2)内的
随机数。

在仿真分析 系统性 时，模拟10°次，
并计算平均每期
破 ，用来度量
系统性风。

参
见表2。

表2模型的基准参数值
参
描述
参值变化范围参
描述
参值变化范围银行投资期限10正整数存款准备金占存款比例
0.2(0 %1 )<间 期限9
正整T 投 收 率均值0.1正2 d p 存款利率0.0035正$b
投 收 率标0.7正$ d p 储户存款演变参数0. 2(正分红 ^
0.3(0 %1 )2无风险利率0. 005正投资机会均值服从的1 〇正#投资预期收益率
0. 1正#b
正态分布均值 1.2$投资预期收益率标 ：
0. 32
正投资机会均值服从的0.5正-系数
[0. 55,0. 7]正$b
正数正态分布标准差a
同 率参数
0.01正$i
投资机会标 ；
0.2正象 率参数100000正h
润分红比例[0.3，1]
(0 %1 ]
M
象选择比例
0.3
(0，1]
随机选取区间
2.网络结构与系统性风险
述参
值下，我们可以得到t =800和t =
1000两个时刻的银行网络结构图，如图1和图2所
示。

从 可以发现 网络 多个中心银
行，它们与 之间形 系，也就
是本文 的内生网络 多中心结构，而多中
心结 融系
是存在的，如
L u b l 〇y [26+实证研究
发现匈牙
系
是多中心结构。

由于网络结 系统性 生重要影
响[10+7,21+，因此，本文先从银行网络结构视角来对银 系统性 深入。

网络节点
与网络节
点 性属于网络结构研究范畴，网络节点 的不同可能导致网络结构的改变，网络节点
性
得
初
的网络结
所
，
要分别从网
络节点规模与网络节点异质性两个维度探究网络结构 系统性
的影响。

随着银行不断发展，
银行规模也在不断扩大。

由
•
36
•
大连理工大学学报（社会科学版"
第39卷
由于数据初
导致。

拟系 550期以后，网络节点同
破
略
力口；而网络节点异
破
大幅增加，
破
仍低于网络
点同 。

总体
，网络节点同质傾
破多于 ，
分为2
分为3
类之间差别较小。

整体而言，银行网络节点同
〖况系统性 高于
，这表明网络节点 性对系统性 的抵御能力。

比于
同 ，
初
同， 活动 较大的 断累积，形
[大
， 缺
时，它 力；充，这样缺乏流动性的 为无
到
倒闭，一定程度
系统性 。

3.银行主体行为与系统性
：
由于 主体行为对系统性风险起着重要作用[9+’[22]525 ,而拆借对象选择比例、同业拆借利率以及
象 率都是
过程中的主体行为，素的改
程度上可
改
的
1关
系，进而可
系统性
生
的影响，针对此，
本文分别从这3个角度 深入研究。

100
200
300
400
500
600
700
800
900 1000
时间
图3银行规模与系统性风险关系
由图3可知，在某一特定规模下模拟初期银行破 较 多 % 是 由 于 据 初 导 %
50 期，银行系统平 。

当网络节点规模为100家时，
破 于平稳，而当网络节点 为200家、300家、000家时，银行破 随着时间 略有增加。

总体
，随着网络节点
断扩大，银行间：债
务关系更加 ，这增加 间 。

一家银可能同时 多
务
，一旦这家银倒闭，便会把违约
迅 多银行，4
迅 延至整个
， 破 随着银行网络节点
大
大，系统性 也随之加大。

(2)网络节点
性与系统性
：
下面分析网络节点 性与系统性风险之间关
系。

网络节点同质是指
初
同，简记为同
，即200家
初
同；网络节点 是
指
初
同 ， 把 200 家
分 为 2
(
图2银行网络结构图（〖=1000)
于银行间市场新 的加入，
破原有银行网络结构，影响
的
间同 系，进而可 ‘
系 性 生
影 响 ，
要 分 析网络 点
系 性 的 影 响 。

选 网络 点
分别为100,200,300,000家，
参
分别计
算平均每期银行破产数，结果如图3所示。

------⑴100家银行
-----(2) 200家银行
…（3) 300家银行 -----(4) 400家银行
图4银行异质性与系统性风险关系由图0可见，模拟初期 破 较多，这同样是2类），包括00家大 160家 ；另外，把200 家 分 为 3
( 3
)，
20 家 大
行、60家
及120家 。

具体网络节点
性分 如表3所示。

分别计算3种
平
均 期
破 ， 结 如
0 所 示 。

表3网络节点异质性分类情况表
同
2
3200家
00家160家20 家60 家120 家初始资产净值
262602初始储户存款
820820168初现 ：10
3010302010
«5
一 _银〃E 3平均
f
产数
每
一期银行平均破产
数
第2期
马钱挺，何建敏，李守伟，等：基于内生网络的银行系统性风险研究
0.01 0.035 0.06 0.085 0.11 0.135 0.16 0.185 0.21 0.235
画业拆借利率参数
图6同业拆借利率与系统性风险关系
从图4可得，随着同业拆借利率参数逐渐变大，银 行平均破产数先显 略 力卩，这意味着随着同
率提高，银行系统性 显著降低;但随着同 率高于 值 续增大，则 系统性
略 力口。

当同 率很低时％ 多意 ，这样形 加
的
系 加间 ，系统性
较高。

随着同
率逐步提高，一定程度上可
间 ，自 或
间
， 低系 性。

同利率过高时，债务 高额借款利率，对债务银
言发生违约的可能性变大，其系统性 也随之加大。

(3)拆借对象转移概率与系统性风险
同
过程中，由于 称及降低
交易成本 ，每一个潜 务
旧的交 象
交易[24]1633 ,即倾向于向旧的交
象寻求。

新的潜在交
象可
优惠
率时，其又存在转向新的潜在交易对象进行拆 的可能性。

为了研究 象 率与系统性风 的关系，需要分析 象 率参数A 对系统性
的影响。

，
象 率参数A 与拆
象
率
P
成正
系。

象
、
率参数A 分别取不同的值，并分别计算不同A I
平均每期 破
，结果如图1所示。

由图1可知，随着
象转移概率参数A 从1
变化到1〇9，
平均破
加
于
，且
要 同
率的 大
系 性 的 影响。

为了研究同 率与系统性 的关系，分
析同 率参数《的
系统性
的影响。

本文参
，同 率参数《与同业率r 正。

通过对同
率参数a ：
同的值，并分别计算不同a 平均每期
破产
，结果如图6所示。

图5拆借对象选择比例与系统性风险关系
由图5可知，随着拆借对象选择比例从10%增加
到30\，银行平均破 显 大，其系统性
也
显著增大，而随着 象选择比例继续放大，每期银行平均破 于。

由此可知，在选择拆傕
较少时，随着 象选择比例增大，其系统性
也
显
大
，而当选择的
多时，继续放
大象选择比例 显著影响到系统性
t。

由于需要借款的 都会选择
率最低的‘借
，随着
象选择比例扩大，很多流动性 的银可
同一家
款，， 家
破时，由于与其发生 系的
较多％
多，因此发生系统性 的可能
性较高。

比例超过30%时，已经形
多
同 家
的 ， 时
比例 续大，
系
，
步加 大系 性。

(2)同业拆借利率与系统性风险
同
过程 ， 务
时， 选择最低 率的
，
务率的高低会影响到整个
同
过程％
可
影响到整个
系统性。

为此，
(1» 象选择比例与系统性风险同
过程中，缺乏流动性银行会随机
选择
比例M 的潜 ，并观 所的
率[24]1633，进而选择利率低的银冇。

改变比例M —定程度 影响到
的选择，从而影响到整个 同业拆借过程，进而可能影响到整个 系 性。

本文选 的
象选择比例中，比例M =0.1表示缺乏流动性银行在流动
性
随机选择10%的潜
，而比例
M
=1表示缺乏流动性
所
动性
出借款 。

分别计算不同 象选择比例，下
平均每期
破
，结果如图5所示。

04
2O 864C
0.5
.5.5.44
- 4- J
Z .2.2. 2. 2.
2.
2. r
每
一期银行平均破产数
每
一期银行平均破产
数
• 38•
大连理工大学学报（社会科学版"第39卷
图7拆借对象转移概率与系统性风险的关系
一直处于2.5与2.55之间，这表明拆借对象转移概率 的系统性风险影响较小。

随着 象：概率提高，缺乏流动性的银行更有可 低利率的新 ，这样 低利率的新 多发生 系，一旦这家 倒闭，多银行带 ，其系统性 大。

象转移率很高时，缺乏流动性的 都 率最低的新 ，这样形成的 系，拒续增加系统性风险，即此时系统性 于 。

整体而言，低利率的新 与债务 发生拆系旧，的利率很低，此时即改 象转移概率，也未必存 低利率的新 ，系未发生大的改变，系统性 影响较小。

五、结论与建议
由2007年美国次贷危机引发的全球性金融危机使得系统性 出效应受到普遍关注，这也反映了部门对系统性 监管的重要性及其缺陷。

目前我国正不断深 融改革，扩大金融对外 ，国：与外 之间联系日 ，这些都为 系统性 发生 可能性。

1998年 发展 的倒闭则充分说明 国也存融。

，研究 系统性 ，特别是 融系 形
态下显得尤为重要和迫切。

对于 系统性 的研究，目前基于外生网络研究较多。

但由于外生网络事先假 网络节点之间连 特定的网络结构，，的局限性。

，本文基于 负债表 生动态网络模型分析 系统性 。

间市场看作 时间系统，分别从 动性 新、银行分红和投、银行间 及 约清算 面设定内生网络演化规则。

在内生网络模型基础上，分别从银 行网络结 主体行为两个方面深入探究 系性 的影响。

研究结果表明：在网络结 面，随着网络节点 大，银行破 显 大，其系统性也显 大;在相同网络节点数量下，网络节点同 的破 多于 ，表明 网络 点性对系统性 的抵御能力。

主体行为方面，象选择比例提高和同 率低都 程度上影响整个同 过程 大破 ，从 整个 系统性 大'昔
对象 率 系统性 影响较小。

网络结 主体行为 程度上都对银行
系统性 生重要影响。

深入 国现 ：量及 分布，理 ，平衡国大 与 间的业务发展关系；保持 1间同 率在合理范围内波动，合理优 应拆
借机制；建立全方位 监控体系，加强
证自身不破 收益最大化，这些都是相部门亟待解决的问题。

上述研究结 高 同场 力、 间金融市场 、确系统平 的理论参考价值和实践
指导意义。

参考文献：
[1]王治莹，李春发.加权超网络视角下生态产业结构演进研
究*+大连理工大学学报（社会科学版&2014,35(1): 8-12.
*]黄晓，胡汉辉，于斌斌，等.产业集群式转移的网络结构演 与变迁研究[8]大连理工大学学报（社会科学版），2015,36#):78-85.
*]蓝羽石，张杰勇.基于超网络理论的网络中心化C0IS R系统结构模型和分析方法[8].系统工程理论与实践，2016, 36(5)1239-1251.
[4] V IS M A R A S.Equity retention and social network theory
in equity crowdfunding[8]. Small Business Economics，2016,46(4):579-590.
[5] M O K K Y，S H EN G Q，Y A N G R8，t al.Investigating key
challenges in major public engineering projects by a net­w ork-theory based analysis of stakeholder concerns：a case study[8]. International 8ournal of Project Management，2017,35(1):78-94.
[6] Z H O U 8,X U W，GUO X，et al.A hierarchical network
modeling method for railway tunnels safety assessment[8].
Physica A:S ta tistical Mechanics and its A pplications，2017 (467)：226-239
.。