基于復(fù)雜網(wǎng)絡(luò)理論的行業(yè)間風(fēng)險傳染研究

宋金彪 呂秀梅

摘? ?要：當(dāng)前我國經(jīng)濟下行壓力較大，行業(yè)間相互依賴程度高，精準(zhǔn)度量并及時預(yù)測行業(yè)間的風(fēng)險傳遞可有效防范系統(tǒng)性風(fēng)險。本文基于DCC-GARCH模型和廣義預(yù)測誤差方差分解法構(gòu)造了行業(yè)間風(fēng)險傳染網(wǎng)絡(luò)，并使用SIRS模型對我國31個行業(yè)進(jìn)行了風(fēng)險傳染模擬研究。結(jié)果發(fā)現(xiàn)：不同行業(yè)間的金融風(fēng)險傳染呈現(xiàn)多樣化特征，應(yīng)采取差異化的風(fēng)險管理策略;行業(yè)風(fēng)險傳染網(wǎng)絡(luò)呈現(xiàn)出無標(biāo)度特征，高節(jié)點度數(shù)行業(yè)在風(fēng)險傳染過程中具有較大影響力;在網(wǎng)絡(luò)穩(wěn)健性檢驗中，蓄意攻擊會對網(wǎng)絡(luò)產(chǎn)生更大破壞，為增強風(fēng)險傳染網(wǎng)絡(luò)的韌性，需要強化高度連通節(jié)點行業(yè)的風(fēng)險防控;SIRS風(fēng)險模擬結(jié)果顯示，在風(fēng)險傳染的過程中應(yīng)積極采取行業(yè)救助措施以促進(jìn)受影響行業(yè)的快速恢復(fù)。

關(guān)? 鍵? 詞：金融風(fēng)險;風(fēng)險傳染;行業(yè)風(fēng)險;復(fù)雜網(wǎng)絡(luò);SIRS模型

中圖分類號：F832? ? ? ?文獻(xiàn)標(biāo)識碼：A? ? ? ?文章編號：2096-2517（2024）03-0030-10

DOI：10.16620/j.cnki.jrjy.2024.03.003

一、引言

經(jīng)過三年疫情沖擊，當(dāng)前中國經(jīng)濟正處于恢復(fù)發(fā)展階段，但經(jīng)濟恢復(fù)是一個波浪式發(fā)展、曲折式前進(jìn)的過程，經(jīng)濟下行壓力不斷加大。2022年12月6日召開的中央政治局會議指出， 要有效防范化解重大經(jīng)濟金融風(fēng)險，守住不發(fā)生系統(tǒng)性風(fēng)險的底線。在當(dāng)今經(jīng)濟全球化的背景下，各機構(gòu)相互高度依賴，金融風(fēng)險多樣化、隱蔽化等特征顯著，容易形成跨行業(yè)、跨市場、跨境的風(fēng)險傳導(dǎo)。在金融市場中，單個行業(yè)的風(fēng)險事件可以通過信貸關(guān)系、供應(yīng)鏈、投資者情緒等多種渠道迅速蔓延至其他行業(yè)，形成“多米諾骨牌”效應(yīng)。行業(yè)間的風(fēng)險傳染不僅放大了初始風(fēng)險事件的影響， 還可能引發(fā)系統(tǒng)性風(fēng)險，影響到整個金融體系的穩(wěn)定。因此金融市場的風(fēng)險傳染問題備受關(guān)注。

面對金融市場中復(fù)雜的風(fēng)險傳染關(guān)系，眾多學(xué)者借助了復(fù)雜網(wǎng)絡(luò)方法進(jìn)行研究。復(fù)雜網(wǎng)絡(luò)方法最初源于歐拉對“哥尼斯堡七橋問題”的圖論研究，隨著網(wǎng)絡(luò)科學(xué)的快速發(fā)展，復(fù)雜網(wǎng)絡(luò)方法已經(jīng)廣泛應(yīng)用于金融市場的風(fēng)險傳染分析。作為一種常用于描述和分析現(xiàn)實世界中各種復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)和關(guān)系的有效工具，復(fù)雜網(wǎng)絡(luò)方法在研究行業(yè)風(fēng)險傳染時具有其獨特優(yōu)勢。與僅考慮線性關(guān)系的傳統(tǒng)研究方法相比，復(fù)雜網(wǎng)絡(luò)方法可以更好地描述各主體間的相互關(guān)系，可視化描述風(fēng)險傳染路徑[1]。以各個行業(yè)作為節(jié)點、行業(yè)間的復(fù)雜交互關(guān)系為邊構(gòu)建行業(yè)風(fēng)險傳染網(wǎng)絡(luò)，并結(jié)合可視化工具，可以直觀展示網(wǎng)絡(luò)結(jié)構(gòu)和風(fēng)險傳染路徑。 結(jié)合網(wǎng)絡(luò)拓?fù)浞治觯?還可以識別網(wǎng)絡(luò)中的關(guān)鍵行業(yè)節(jié)點和脆弱環(huán)節(jié)， 為制定有效的風(fēng)險防范策略提供科學(xué)依據(jù)。此外，還可通過模擬不同情境下的風(fēng)險傳染過程，以更深入地理解網(wǎng)絡(luò)在面對風(fēng)險時的反應(yīng)機制，以及不同調(diào)控策略對風(fēng)險傳播的影響。

鑒于金融市場上行業(yè)間風(fēng)險傳染的復(fù)雜性和潛在危害性，本文結(jié)合相關(guān)性方法和廣義方差分解方法構(gòu)造了多層網(wǎng)絡(luò)模型， 對我國金融市場上31個行業(yè)間風(fēng)險傳染狀況進(jìn)行了研究， 并結(jié)合SIRS模型進(jìn)行風(fēng)險傳染模擬。與以往研究相比，本文可能的貢獻(xiàn)在以下方面：第一，相較于以往局限于特定領(lǐng)域或少數(shù)行業(yè)的風(fēng)險傳染研究，本文結(jié)合復(fù)雜網(wǎng)絡(luò)方法對我國金融市場中31個行業(yè)整體進(jìn)行了分析。第二，本文結(jié)合行業(yè)相關(guān)性網(wǎng)絡(luò)和行業(yè)風(fēng)險溢出網(wǎng)絡(luò)構(gòu)造的多層網(wǎng)絡(luò)模型，綜合考慮了行業(yè)間的相關(guān)性和風(fēng)險溢出的方向性。第三，本文將SIRS模型與構(gòu)造的復(fù)雜網(wǎng)絡(luò)相結(jié)合， 對網(wǎng)絡(luò)中各行業(yè)間的風(fēng)險傳染進(jìn)行了動態(tài)模擬。

二、文獻(xiàn)綜述

（一）風(fēng)險的測度

為精準(zhǔn)度量并解釋預(yù)測金融市場中的風(fēng)險傳染，現(xiàn)有研究已經(jīng)提出多種風(fēng)險測度指標(biāo)，主要包括CoVaR指標(biāo)、MES指標(biāo)、SRISK指標(biāo)。MES、SRISK等風(fēng)險測度方法通過測度單一機構(gòu)對金融系統(tǒng)風(fēng)險的貢獻(xiàn)來評估風(fēng)險大小，CoVaR方法則基于尾部依賴性，研究極端沖擊下機構(gòu)與系統(tǒng)的損益依存關(guān)系，以度量風(fēng)險[2]。郭衛(wèi)東（2013）使用MES指標(biāo)測度了中國14家上市商業(yè)銀行在不同期間各自對整個金融系統(tǒng)風(fēng)險的邊際貢獻(xiàn)程度[3]。梁琪等（2013）基于SRISK指標(biāo)對我國34家上市金融機構(gòu)的系統(tǒng)重要性進(jìn)行了分析[4]。張金清等（2021）則使用修正SRISK指標(biāo)對我國銀行業(yè)的系統(tǒng)性風(fēng)險大小進(jìn)行了測度[5]。王薇等（2018）基于動態(tài)CoVaR方法對我國部分上市銀行的風(fēng)險溢出進(jìn)行了測度，并對影響因素進(jìn)行了分析[6]。盡管這些風(fēng)險測度方法有效測度了某一行業(yè)或機構(gòu)的風(fēng)險水平，但這些方法在揭示金融體系風(fēng)險傳播的復(fù)雜性方面仍存在局限性[7]，如無法全面反映不同機構(gòu)之間的相互影響和系統(tǒng)性風(fēng)險傳播的情況等。

（二）研究方法

為深入理解金融市場中存在的復(fù)雜關(guān)系，研究者多結(jié)合復(fù)雜網(wǎng)絡(luò)方法進(jìn)行探究，研究發(fā)現(xiàn)網(wǎng)絡(luò)結(jié)構(gòu)對網(wǎng)絡(luò)穩(wěn)健性、 風(fēng)險傳染效應(yīng)具有顯著影響。李守偉等（2012）指出，與其他網(wǎng)絡(luò)結(jié)構(gòu)相比，無標(biāo)度網(wǎng)絡(luò)結(jié)構(gòu)在應(yīng)對風(fēng)險沖擊時具有更高的穩(wěn)定性[8]。但穩(wěn)定性并非絕對，石大龍等（2015）認(rèn)為無標(biāo)度網(wǎng)絡(luò)在面對目標(biāo)性沖擊下表現(xiàn)出極端脆弱性，一旦關(guān)鍵節(jié)點遭受沖擊，整個網(wǎng)絡(luò)會迅速崩潰[9]。龍劍友等（2022）實證研究發(fā)現(xiàn)在風(fēng)險傳染網(wǎng)絡(luò)中，網(wǎng)絡(luò)結(jié)構(gòu)的緊密程度與風(fēng)險傳染效應(yīng)的強度之間存在正相關(guān)關(guān)系，網(wǎng)絡(luò)結(jié)構(gòu)越緊密，風(fēng)險傳染效應(yīng)越強[1]。為構(gòu)造更為接近現(xiàn)實的網(wǎng)絡(luò)結(jié)構(gòu)，學(xué)者們提出了多種復(fù)雜網(wǎng)絡(luò)構(gòu)建方法， 主要包括Granger因果檢驗方法、相關(guān)性方法、廣義方差分解法等。Billio等（2012）使用Granger因果檢驗方法構(gòu)建了關(guān)聯(lián)性網(wǎng)絡(luò)，對風(fēng)險的傳遞路徑進(jìn)行了研究[10]。劉海飛等（2018）基于股票相關(guān)性構(gòu)建了我國股票市場網(wǎng)絡(luò)，對我國股票市場在面對風(fēng)險沖擊時的穩(wěn)定性進(jìn)行了測度[11]。然而，在構(gòu)建風(fēng)險傳染網(wǎng)絡(luò)時，由于需要考慮風(fēng)險傳染的方向性， 學(xué)者們多采用Diebold等（2012）、（2014）提出的廣義方差分解法[12-13]來構(gòu)造風(fēng)險溢出網(wǎng)絡(luò)。該方法不僅能揭示風(fēng)險在不同主體間的傳播路徑， 還能量化風(fēng)險溢出的強度和方向。 徐玉華等（2023） 使用廣義方差分解法構(gòu)造了碳市場與高耗能行業(yè)間的復(fù)雜網(wǎng)絡(luò)，研究發(fā)現(xiàn)碳市場處于風(fēng)險的凈接收方[14]。宮曉莉等（2020）構(gòu)造了貨幣市場、資本市場、外匯市場等市場之間的復(fù)雜網(wǎng)絡(luò)，實證研究發(fā)現(xiàn)房地產(chǎn)市場和外匯市場的凈溢出效應(yīng)顯著[15]。陳少凌等（2021）的研究則進(jìn)一步揭示了A股各行業(yè)間風(fēng)險溢出的復(fù)雜關(guān)聯(lián)結(jié)構(gòu)，并指出金融行業(yè)在其中承擔(dān)著風(fēng)險吸收的功能[16]。

綜上所述，現(xiàn)有基于復(fù)雜網(wǎng)絡(luò)方法進(jìn)行的相關(guān)研究取得了顯著成果， 但也存在一定的局限性。例如，借助復(fù)雜網(wǎng)絡(luò)進(jìn)行風(fēng)險傳染研究主要集中在銀行業(yè)、金融市場間等特定領(lǐng)域的風(fēng)險研究上，對不同行業(yè)之間的風(fēng)險傳染研究相對較少，而一個行業(yè)的風(fēng)險事件往往因為行業(yè)間的關(guān)聯(lián)間接對其他行業(yè)產(chǎn)生負(fù)面影響，進(jìn)而影響到整個金融市場的穩(wěn)定性。同時，現(xiàn)有研究在構(gòu)建風(fēng)險傳染網(wǎng)絡(luò)時，往往只考慮了相關(guān)性或風(fēng)險溢出的單一維度，未能全面反映金融市場的復(fù)雜性和動態(tài)性。鑒于此，本文構(gòu)造了行業(yè)相關(guān)性網(wǎng)絡(luò)和風(fēng)險溢出網(wǎng)絡(luò)，對我國行業(yè)間風(fēng)險傳染狀況進(jìn)行研究， 并使用SIRS模型對行業(yè)風(fēng)險傳染進(jìn)行動態(tài)模擬。

三、模型構(gòu)建

（一）復(fù)雜網(wǎng)絡(luò)構(gòu)建

為深入研究行業(yè)間的風(fēng)險傳染，本文構(gòu)建了行業(yè)間風(fēng)險傳染網(wǎng)絡(luò)。網(wǎng)絡(luò)由節(jié)點和邊構(gòu)成，其中節(jié)點代表行業(yè)， 邊代表行業(yè)之間的風(fēng)險傳染關(guān)系。風(fēng)險傳染網(wǎng)絡(luò)包含兩個網(wǎng)絡(luò)層： 第一層是相關(guān)性網(wǎng)絡(luò)，第二層是風(fēng)險溢出網(wǎng)絡(luò)。其中，相關(guān)性網(wǎng)絡(luò)是基于行業(yè)相關(guān)系數(shù)矩陣構(gòu)造的。為測度不同行業(yè)間的相關(guān)性， 本文使用了DCC-GARCH模型來計算行業(yè)間的動態(tài)相關(guān)系數(shù)，計算步驟主要為估計單變量的GARCH模型、計算標(biāo)準(zhǔn)化殘差、計算條件相關(guān)系數(shù)和更新動態(tài)相關(guān)系數(shù)[17]。具體公式如下：

σ=ωi+αijε+βikσ （1）

其中，σ是時間點t的條件方差，ε是時間點t-j的殘差平方，ωi是常數(shù)項，αij和βik是GARCH模型的參數(shù)。

zt，i=（2）

其中，εt，i是時間點t的殘差。

ρt，ij=（3）

Dt，ij=（1-λ）·D+λ·zt-1，i·zt-1，j，D=∑zt，i·zt，j （4）

其中，λ是權(quán)重參數(shù)，Dt，ij是時間點t的條件相關(guān)系數(shù)估計值。

ρt，ij=（1-α）·t-1，ij+α·ρt，ij? （5）

其中，α是更新參數(shù)，t-1，ij是前一時間點的動態(tài)相關(guān)系數(shù)估計值。

風(fēng)險溢出網(wǎng)絡(luò)是基于廣義方差分解法測度出的風(fēng)險溢出指數(shù)構(gòu)造的，風(fēng)險溢出指數(shù)Sij（H）代表行業(yè)j對行業(yè)i的預(yù)測誤差方差的貢獻(xiàn)程度， 具體步驟如下：

假設(shè)測度前H步的風(fēng)險溢出指數(shù)為Sij（H）。

Sij（H）= （6）

其中，∑表示擾動向量t的協(xié)方差矩陣，σii是t的標(biāo)準(zhǔn)差，ej是選擇變量，ej的第j個元素是1，其余元素為0。Sij（H）表示行業(yè)j對行業(yè)i的風(fēng)險溢出。由元素Sij（H）構(gòu)成的N×N階風(fēng)險溢出矩陣GS代表不同行業(yè)之間的風(fēng)險溢出。

GS（H）=S11 S12 … S1N

S21 S22 … S2N

… … … …

SN1 SN2 … SNN （7）

并對風(fēng)險溢出指數(shù)進(jìn)行標(biāo)準(zhǔn)化，以確保在風(fēng)險溢出矩陣中，每一行中各元素值的總和為1。

ij（H） （8）

（二）網(wǎng)絡(luò)拓?fù)浞治?/p>

為了解行業(yè)間風(fēng)險傳染網(wǎng)絡(luò)的結(jié)構(gòu)特征和識別網(wǎng)絡(luò)中的關(guān)鍵節(jié)點，本文主要通過以下網(wǎng)絡(luò)拓?fù)渲笜?biāo)進(jìn)行分析。

（1）度（Degree）。節(jié)點的度表示與其相連的邊的數(shù)量。度高的節(jié)點通常表示該行業(yè)與其他行業(yè)有更多的直接聯(lián)系，如果高度節(jié)點受到風(fēng)險沖擊，可以將風(fēng)險傳遞給多個其他行業(yè)。

ki=∑j Aij （9）

其中，ki表示節(jié)點i的度數(shù)，Aij是節(jié)點i與節(jié)點j之間的連接。

（2）平均聚類系數(shù)（Average Clustering Coefficient）。平均聚類系數(shù)衡量整體網(wǎng)絡(luò)中節(jié)點之間形成緊密群體的程度。當(dāng)平均聚類系數(shù)較高時，網(wǎng)絡(luò)中的節(jié)點傾向于聚集在一起形成緊密的群體。 當(dāng)網(wǎng)絡(luò)聚類系數(shù)較低時，節(jié)點之間的連接分散，整個網(wǎng)絡(luò)的內(nèi)部結(jié)構(gòu)相對較為松散。

C=∑Ci，其中Ci= （10）

其中，Ci表示節(jié)點i的聚類系數(shù)，Ti是節(jié)點i的三角形數(shù)量，ki是節(jié)點i的度數(shù)。 聚類系數(shù)衡量節(jié)點與鄰居節(jié)點的連接緊密程度。聚類系數(shù)高代表該行業(yè)與其他行業(yè)形成了緊密的團體，風(fēng)險在這些行業(yè)之間的傳播更加迅速和集中。

（3）接近中心性（Closeness Centrality）。接近中心性表示節(jié)點與其他節(jié)點的平均最短路徑長度之間的關(guān)系。在風(fēng)險傳染網(wǎng)絡(luò)中，具有高接近中心性的節(jié)點更易受到風(fēng)險傳染。

CC（i）=? （11）

其中，d（i，j）是節(jié)點i到節(jié)點j的最短路徑長度。

（4）特征向量中心性（Eigenvector Centrality）。特征向量中心性考慮了節(jié)點及其鄰居節(jié)點的影響，節(jié)點與中心性高的節(jié)點相連可以增加節(jié)點自身的中心性。在風(fēng)險傳染網(wǎng)絡(luò)中，某行業(yè)的節(jié)點特征向量中心性高，代表著該行業(yè)在風(fēng)險傳染過程中起到重要的中介作用。

xi=∑Aijxj? （12）

其中，Aij是節(jié)點i與節(jié)點j之間的連接，λ是最大特征值。

（三）SIRS模型

為進(jìn)一步分析行業(yè)風(fēng)險傳染網(wǎng)絡(luò)中的風(fēng)險傳染過程， 本文使用SIRS模型①對復(fù)雜網(wǎng)絡(luò)中行業(yè)間的風(fēng)險傳染進(jìn)行模擬，以評估風(fēng)險在網(wǎng)絡(luò)中的風(fēng)險傳播特性[18-19]。在風(fēng)險傳染模擬過程中，網(wǎng)絡(luò)中的行業(yè)存在易感、感染、恢復(fù)、再次易感四種狀態(tài)。易感狀態(tài)（Susceptible）表示行業(yè)尚未受到風(fēng)險傳染的影響， 但在受到風(fēng)險沖擊后有可能轉(zhuǎn)變?yōu)楦腥緺顟B(tài)。感染狀態(tài)（Infectious）表示行業(yè)當(dāng)前正受到風(fēng)險傳染，并有可能將風(fēng)險傳播給其他行業(yè)。感染狀態(tài)的行業(yè)通過采取風(fēng)險控制措施在一段時間后可能會轉(zhuǎn)變?yōu)榛謴?fù)狀態(tài)?；謴?fù)狀態(tài)（Recovered）表示行業(yè)曾經(jīng)受到過風(fēng)險傳染但已經(jīng)恢復(fù)，并且在一段時間內(nèi)其再次受到相同風(fēng)險傳染的可能性極低，即具有一定的免疫力。再次易感狀態(tài)（Susceptible after Recovery）則表示在某些情況下，如新的風(fēng)險傳染、行業(yè)內(nèi)外部環(huán)境的改變，恢復(fù)的行業(yè)可能會因為免疫力的喪失而再次成為易感者，使其重新暴露于風(fēng)險傳染之中（見圖1）。

四、實證分析

本文實證分析部分?jǐn)?shù)據(jù)使用的是2018年12月至2023年6月的申萬一級行業(yè)中的31個行業(yè)指數(shù)數(shù)據(jù)。具體行業(yè)包括農(nóng)林牧漁、基礎(chǔ)化工、鋼鐵、有色金屬、電子、家用電器、食品飲料、紡織服飾、輕工制造、醫(yī)藥生物、公用事業(yè)、交通運輸、房地產(chǎn)、商貿(mào)零售、社會服務(wù)、綜合、建筑材料、建筑裝飾、電力設(shè)備、國防軍工、計算機、傳媒、通信、銀行、非銀金融、汽車、機械設(shè)備、煤炭、石油石化、環(huán)保、美容護(hù)理等行業(yè)。

（一）行業(yè)風(fēng)險分析

本文基于上述行業(yè)的對數(shù)收益率數(shù)據(jù)，使用廣義預(yù)測誤差方差分解法構(gòu)造出行業(yè)間風(fēng)險溢出矩陣[20]，并借鑒戴志鋒等（2022）[21]、宮曉麗（2020）等[15]的研究方法計算得到各行業(yè)的風(fēng)險溢出凈值，結(jié)果如表1所示。

從各行業(yè)的風(fēng)險傳染凈值（NTS）來看，風(fēng)險傳染凈值為正的行業(yè)包括有色金屬、交通運輸、房地產(chǎn)、綜合、計算機、汽車、石油石化，這些行業(yè)在風(fēng)險傳染網(wǎng)絡(luò)中為凈風(fēng)險溢出行業(yè)，而其他風(fēng)險傳染凈值為負(fù)的行業(yè)則為凈風(fēng)險輸入行業(yè)。在凈風(fēng)險輸出行業(yè)中，石油石化、汽車、計算機的風(fēng)險傳染凈值較大，是主要的風(fēng)險傳染行業(yè)。石油石化行業(yè)作為國民經(jīng)濟的基礎(chǔ)，其產(chǎn)業(yè)鏈長、關(guān)聯(lián)度高，且國際化程度高，使得該行業(yè)對外部沖擊的敏感性較強，一旦遭遇風(fēng)險，其影響將迅速傳導(dǎo)至其他行業(yè)。汽車行業(yè)則因其產(chǎn)業(yè)鏈復(fù)雜、需求波動大以及國際化程度高等特點，在遭遇風(fēng)險時同樣容易引發(fā)廣泛的行業(yè)影響。而計算機行業(yè)因其技術(shù)更新快、網(wǎng)絡(luò)安全風(fēng)險高和供應(yīng)鏈復(fù)雜等特性，在風(fēng)險發(fā)生時也容易產(chǎn)生較大的風(fēng)險溢出效應(yīng)。

在凈風(fēng)險輸入行業(yè)中，食品飲料、銀行、商貿(mào)零售等行業(yè)，受到其他行業(yè)的風(fēng)險傳染較多，是主要的風(fēng)險輸入行業(yè)。食品飲料行業(yè)因其對原材料供應(yīng)的依賴性和消費者需求的穩(wěn)定性，容易受到上游產(chǎn)業(yè)波動和宏觀經(jīng)濟變化的影響。銀行業(yè)作為金融中介，連接著資金的供需雙方，其穩(wěn)健性對維持市場參與者信心至關(guān)重要，因此一旦其他行業(yè)出現(xiàn)風(fēng)險，銀行往往成為風(fēng)險傳染的主要承受者。商貿(mào)零售行業(yè)則因其廣泛的銷售網(wǎng)絡(luò)和激烈的市場競爭，更容易受到市場波動、消費者偏好變化和上游供應(yīng)商問題的影響， 從而受到其他行業(yè)的風(fēng)險傳染較多。

（二）復(fù)雜網(wǎng)絡(luò)拓?fù)浞治?/p>

本文在風(fēng)險溢出矩陣分析的基礎(chǔ)上，結(jié)合行業(yè)相關(guān)系數(shù)矩陣，綜合考慮行業(yè)間的相關(guān)性和風(fēng)險溢出，構(gòu)造行業(yè)間風(fēng)險傳染網(wǎng)絡(luò)。在該多層網(wǎng)絡(luò)中，每個節(jié)點代表一個行業(yè)，每條線代表兩行業(yè)之間存在較強相關(guān)性并且存在一定強度的風(fēng)險溢出關(guān)系，箭頭代表風(fēng)險溢出方向。本文設(shè)置行業(yè)相關(guān)性閾值0.7，風(fēng)險傳染閾值0.01，在保持行業(yè)間較強相關(guān)性的同時，降低網(wǎng)絡(luò)中冗余連接[22]。圖2是構(gòu)造的風(fēng)險傳染網(wǎng)絡(luò)圖。

從風(fēng)險傳染網(wǎng)絡(luò)圖來看， 研究范圍內(nèi)的31個行業(yè)間存在復(fù)雜的風(fēng)險傳染聯(lián)系，但結(jié)合網(wǎng)絡(luò)拓?fù)渲笜?biāo)（見表2）來看，網(wǎng)絡(luò)的平均聚類系數(shù)為0.2374，網(wǎng)絡(luò)中大部分節(jié)點之間的連接不是十分緊密，鄰居節(jié)點的連接相對較少。網(wǎng)絡(luò)中大多數(shù)節(jié)點的度數(shù)較小，但也存在少數(shù)節(jié)點的度數(shù)較大，網(wǎng)絡(luò)度分布符合無標(biāo)度特征[23]，因此本文所構(gòu)造的行業(yè)風(fēng)險溢出網(wǎng)絡(luò)為無標(biāo)度網(wǎng)絡(luò)。

網(wǎng)絡(luò)中機械設(shè)備、基礎(chǔ)化工、交通運輸?shù)刃袠I(yè)度數(shù)較高，是風(fēng)險傳染網(wǎng)絡(luò)中的關(guān)鍵節(jié)點。主要是因為這些行業(yè)的接近中心性和特征向量中心性均較高，易受風(fēng)險傳染影響，同時又在風(fēng)險傳染過程中起到了橋梁作用，能夠?qū)L(fēng)險擴散傳遞至其他行業(yè)。機械設(shè)備、基礎(chǔ)化工和交通運輸?shù)刃袠I(yè)成為風(fēng)險傳染的主要中介，主要源于其在產(chǎn)業(yè)鏈中的核心地位和樞紐作用。 機械設(shè)備行業(yè)位于產(chǎn)業(yè)鏈的中游，上游的原材料行業(yè)如鋼鐵、有色金屬等和下游的房地產(chǎn)、汽車等行業(yè)都與機械設(shè)備行業(yè)存在緊密聯(lián)系。一旦上游或下游行業(yè)出現(xiàn)風(fēng)險，機械設(shè)備行業(yè)都可能受到影響， 進(jìn)而將風(fēng)險傳遞給其他行業(yè)?；A(chǔ)化工行業(yè)同樣位于產(chǎn)業(yè)鏈的中游，其上游的石油、天然氣等能源行業(yè)以及下游的紡織服飾、建筑裝飾等行業(yè)都與基礎(chǔ)化工行業(yè)密切相關(guān)。當(dāng)能源價格波動或下游需求變化時，基礎(chǔ)化工行業(yè)都可能受到?jīng)_擊，進(jìn)而將風(fēng)險傳遞給其他行業(yè)。交通運輸行業(yè)作為連接產(chǎn)業(yè)鏈上下游的紐帶，無論是原材料的運輸還是成品的運送，都離不開交通運輸行業(yè)的支持[24]。因此，交通運輸行業(yè)的穩(wěn)定與否直接影響到整個產(chǎn)業(yè)鏈的運轉(zhuǎn)。 一旦交通運輸行業(yè)出現(xiàn)風(fēng)險，如運輸中斷、成本上升等，都可能對整個產(chǎn)業(yè)鏈造成沖擊。

商貿(mào)零售、房地產(chǎn)等行業(yè)在風(fēng)險傳染網(wǎng)絡(luò)中雖然度數(shù)較低，但其節(jié)點集聚系數(shù)較高，與其鄰居節(jié)點聯(lián)系緊密，形成了緊密的社團群體。結(jié)合行業(yè)風(fēng)險溢出凈值來看，商貿(mào)零售與紡織服飾等行業(yè)形成了風(fēng)險承擔(dān)群體，房地產(chǎn)與建筑裝飾、建筑材料則形成了風(fēng)險輸出群體。商貿(mào)零售與紡織服飾等行業(yè)之所以形成風(fēng)險承擔(dān)群體，是因為其經(jīng)營狀況高度依賴于市場需求，而市場需求受到經(jīng)濟環(huán)境、消費者信心及季節(jié)變化等多種因素的不確定影響。同時這些行業(yè)處于供應(yīng)鏈下游位置，其他環(huán)節(jié)出現(xiàn)問題都會最終對其造成風(fēng)險沖擊。 房地產(chǎn)與建筑裝飾、建筑材料等行業(yè)形成風(fēng)險輸出群體，主要源于房地產(chǎn)行業(yè)的高杠桿經(jīng)營模式[25]。這種模式在市場繁榮時可以帶來高收益，但在市場下行時會顯著增加企業(yè)的還款壓力，加大財務(wù)風(fēng)險。同時，由于房地產(chǎn)項目的開發(fā)周期長、資金需求大，資金鏈一旦出現(xiàn)問題，不僅影響房地產(chǎn)開發(fā)商，還會對建筑裝飾、建筑材料等相關(guān)行業(yè)產(chǎn)生負(fù)面影響。

（三）網(wǎng)絡(luò)穩(wěn)健性檢驗

為了測試網(wǎng)絡(luò)的穩(wěn)健性，分別使用隨機沖擊和蓄意沖擊對構(gòu)建的行業(yè)風(fēng)險傳染網(wǎng)絡(luò)進(jìn)行穩(wěn)健性檢驗。 隨機沖擊是在網(wǎng)絡(luò)中隨機選擇部分節(jié)點，并隨機刪除其連接關(guān)系， 以模擬系統(tǒng)的隨機擾動。蓄意沖擊則是有選擇性地攻擊網(wǎng)絡(luò)中的特定節(jié)點，以評估系統(tǒng)對于有針對性攻擊的抵抗力[26]。在本文風(fēng)險傳染網(wǎng)絡(luò)的隨機沖擊測試中，隨機選擇了5個節(jié)點并將其移除;在蓄意沖擊中則移除了網(wǎng)絡(luò)中具有較高節(jié)點中心性和重要性的5個行業(yè)。結(jié)果如表3所示。

從風(fēng)險傳染網(wǎng)絡(luò)的離散度來看，原始網(wǎng)絡(luò)的離散度為-0.1554， 網(wǎng)絡(luò)中節(jié)點傾向于連接不同度數(shù)的節(jié)點，原始風(fēng)險傳染網(wǎng)絡(luò)具有典型的無標(biāo)度網(wǎng)絡(luò)特征。在隨機攻擊后，由于隨機攻擊會導(dǎo)致節(jié)點度分布的不均衡性減弱， 網(wǎng)絡(luò)的離散度略微上升到-0.1360。而在蓄意攻擊后，由于攻擊目標(biāo)是高度連通的節(jié)點， 從而極大影響了網(wǎng)絡(luò)的度分布特性，網(wǎng)絡(luò)的離散度顯著提升至0.2644。從風(fēng)險傳染網(wǎng)絡(luò)的平均聚類系數(shù)來看， 原始網(wǎng)絡(luò)的平均聚類系數(shù)為0.2374，網(wǎng)絡(luò)中節(jié)點間連接的緊密性較低。在隨機攻擊后，網(wǎng)絡(luò)的平均聚類系數(shù)上升到0.2846，這是因為部分節(jié)點的移除導(dǎo)致了網(wǎng)絡(luò)中產(chǎn)生了新的小聚類結(jié)構(gòu)。在蓄意攻擊后，因為攻擊針對的是度數(shù)較高的節(jié)點，導(dǎo)致網(wǎng)絡(luò)中的聚類結(jié)構(gòu)被破壞，網(wǎng)絡(luò)的平均聚類系數(shù)下降到0.1215。從風(fēng)險傳染網(wǎng)絡(luò)的飽和度指標(biāo)（飽和度指標(biāo)是指具有度數(shù)大于閾值的節(jié)點占網(wǎng)絡(luò)總節(jié)點數(shù)的比例）來看，原始網(wǎng)絡(luò)的飽和度指標(biāo)為0.2692。在隨機攻擊后，飽和度指標(biāo)下降至0.2083。 在蓄意攻擊后， 飽和度指標(biāo)下降至0.0454，因為蓄意攻擊僅針對高度連通的節(jié)點，同時由于無標(biāo)度網(wǎng)絡(luò)中這類行業(yè)節(jié)點數(shù)量有限，飽和度指標(biāo)下降顯著。從風(fēng)險傳染網(wǎng)絡(luò)的平均度來看，原始網(wǎng)絡(luò)的平均度為6.3077，網(wǎng)絡(luò)中節(jié)點的平均連接數(shù)較高。在隨機攻擊后，平均度下降至6，主要由于隨機攻擊導(dǎo)致節(jié)點的移除， 使得網(wǎng)絡(luò)中部分連接中斷。在蓄意攻擊后，平均度則降至3.454，由于蓄意攻擊主要針對高度連接的節(jié)點，因此導(dǎo)致網(wǎng)絡(luò)的平均度急劇減小。

總體來說，隨機攻擊和蓄意攻擊都會對網(wǎng)絡(luò)的穩(wěn)健性產(chǎn)生不同程度的影響。由于本文構(gòu)造出的行業(yè)風(fēng)險傳染網(wǎng)絡(luò)具有典型的無標(biāo)度網(wǎng)絡(luò)特征，因此針對高連通性的行業(yè)節(jié)點的蓄意風(fēng)險沖擊會更具破壞性，對網(wǎng)絡(luò)的穩(wěn)健性產(chǎn)生更大影響。

五、風(fēng)險傳染模擬

為進(jìn)一步分析風(fēng)險在復(fù)雜網(wǎng)絡(luò)中的傳染過程，本文在已構(gòu)造的行業(yè)間金融風(fēng)險傳染網(wǎng)絡(luò)的基礎(chǔ)上， 結(jié)合SIRS模型對不同行業(yè)間的風(fēng)險溢出進(jìn)行模擬。 本文構(gòu)造的金融風(fēng)險傳染網(wǎng)絡(luò)為無標(biāo)度網(wǎng)絡(luò)，并且網(wǎng)絡(luò)最終均衡水平只與網(wǎng)絡(luò)的特征參數(shù)有關(guān)，與網(wǎng)絡(luò)的初始狀況無關(guān)。同時，網(wǎng)絡(luò)參數(shù)變動僅對網(wǎng)絡(luò)中感染擴散的數(shù)值產(chǎn)生影響，擴散的基本特征不會改變。因此，SIRS模型參數(shù)選取和初始值設(shè)定參考了胡志浩等（2017）在中國金融無標(biāo)度網(wǎng)絡(luò)上SIRS仿真模擬中的設(shè)定[19]，將感染狀態(tài)行業(yè)比例設(shè)置為0.05，恢復(fù)狀態(tài)行業(yè)比例設(shè)置為0.1，傳染率設(shè)置為0.24，恢復(fù)率設(shè)置為0.18，免疫狀態(tài)喪失免疫的概率設(shè)置為0.2。 基于以上風(fēng)險傳染模擬設(shè)定，對31個行業(yè)進(jìn)行了風(fēng)險傳染模擬。具體結(jié)果如圖3所示。

在風(fēng)險傳染模擬的最初階段，大多數(shù)行業(yè)處于易感染狀態(tài)（S），只有少數(shù)行業(yè)出現(xiàn)了感染（I）和恢復(fù)（R）狀態(tài)。隨著時間推移，感染行業(yè)節(jié)點向其鄰居行業(yè)節(jié)點傳播風(fēng)險， 導(dǎo)致易感染行業(yè)數(shù)量減少，感染行業(yè)數(shù)量迅速增加并達(dá)到峰值。在風(fēng)險傳染模擬峰值后，感染行業(yè)數(shù)量逐漸下降，風(fēng)險傳播逐漸受到控制， 恢復(fù)狀態(tài)行業(yè)數(shù)量也逐漸達(dá)到峰值。同時，由于恢復(fù)狀態(tài)行業(yè)免疫喪失，重新轉(zhuǎn)變?yōu)橐赘腥緺顟B(tài)，恢復(fù)狀態(tài)行業(yè)數(shù)量開始下降。最終在第12次風(fēng)險傳染模擬后，處于感染者和康復(fù)者狀態(tài)的行業(yè)數(shù)量逐漸趨近于零，所有行業(yè)不再受到風(fēng)險傳染的影響，風(fēng)險傳染最終得到有效控制。

進(jìn)一步，將初始感染比例調(diào)整為0.4，來模擬市場發(fā)生系統(tǒng)性風(fēng)險， 大部分行業(yè)陷入風(fēng)險狀態(tài)。在這種情況下，通過調(diào)節(jié)行業(yè)恢復(fù)率（μ）、風(fēng)險傳染率（λ）、免疫喪失率（γ）來模擬不同的風(fēng)險管控措施對風(fēng)險傳染的影響。 本文選擇感染行業(yè)峰值、 峰值時間范圍、風(fēng)險傳染持續(xù)時間三個指標(biāo)來衡量風(fēng)險傳染程度。從風(fēng)險傳染模擬結(jié)果來看（見表4），通過降低傳染率、提高恢復(fù)率和降低免疫喪失率都可以降低風(fēng)險傳染水平。其中，提高恢復(fù)率是最為有效的措施，可以顯著降低感染行業(yè)峰值、縮短峰值的時間范圍、降低整體風(fēng)險傳染持續(xù)時間。降低傳染率和降低免疫喪失率也可以降低風(fēng)險傳染強度，減少持續(xù)時間，但效果相對較弱。

六、結(jié)論與建議

（一）主要結(jié)論

本文基于動態(tài)相關(guān)系數(shù)和廣義預(yù)測誤差方差分解法構(gòu)建了我國金融市場上31個行業(yè)的風(fēng)險傳染網(wǎng)絡(luò)，并進(jìn)行了網(wǎng)絡(luò)拓?fù)浞治?、網(wǎng)絡(luò)穩(wěn)健性檢驗和風(fēng)險傳染模擬研究。研究發(fā)現(xiàn)，行業(yè)風(fēng)險傳染網(wǎng)絡(luò)呈現(xiàn)無標(biāo)度特征，各行業(yè)之間存在復(fù)雜多樣的風(fēng)險傳染關(guān)系;石油石化、汽車、計算機等行業(yè)表現(xiàn)出明顯的風(fēng)險輸出特征，是金融風(fēng)險傳染過程中的主要風(fēng)險傳染源;食品飲料、銀行、商貿(mào)零售等行業(yè)則表現(xiàn)為風(fēng)險輸入特征，受到其他行業(yè)風(fēng)險傳染的影響較多;機械設(shè)備、基礎(chǔ)化工、交通運輸?shù)刃袠I(yè)為風(fēng)險中介， 網(wǎng)絡(luò)中的風(fēng)險多通過這些行業(yè)進(jìn)行擴散;部分行業(yè)節(jié)點間聯(lián)系緊密， 形成了風(fēng)險輸出群體（或風(fēng)險承擔(dān)群體），易共同造成風(fēng)險沖擊（或承擔(dān)相同風(fēng)險）; 蓄意攻擊會對風(fēng)險傳染網(wǎng)絡(luò)的穩(wěn)健性造成顯著影響， 隨機攻擊對網(wǎng)絡(luò)穩(wěn)健性影響則較小;降低傳染率、提高恢復(fù)率和降低免疫喪失率均可以降低系統(tǒng)整體風(fēng)險傳染水平，其中提高恢復(fù)率作用效果最為顯著。

（二）相關(guān)建議

第一，實施差異化的風(fēng)險管理策略。不同類型的行業(yè)應(yīng)采取差異化的風(fēng)險管理策略以更有效地應(yīng)對潛在風(fēng)險。對于風(fēng)險輸出行業(yè)，除加強風(fēng)險評估和監(jiān)測外，還可借助大數(shù)據(jù)分析、人工智能模型等科技手段進(jìn)行風(fēng)險預(yù)測。同時，探索多樣化的風(fēng)險管理手段， 如使用金融衍生工具進(jìn)行風(fēng)險對沖，以有效降低自身風(fēng)險水平。 對于風(fēng)險輸入行業(yè)，除加強外部風(fēng)險的監(jiān)測外，還應(yīng)重點加強風(fēng)險溯源能力與風(fēng)險應(yīng)對能力。在風(fēng)險溯源方面，應(yīng)系統(tǒng)化采集和記錄供應(yīng)鏈信息，完善供應(yīng)鏈管理，可借助區(qū)塊鏈、物聯(lián)網(wǎng)等先進(jìn)技術(shù)提高風(fēng)險溯源的效率和準(zhǔn)確性。在風(fēng)險應(yīng)對方面，制定綜合性的風(fēng)險應(yīng)對策略，積極與內(nèi)外部利益相關(guān)者建立合作，共同應(yīng)對風(fēng)險。風(fēng)險傳染中介行業(yè)則需要促進(jìn)不同行業(yè)間的信息共享和合作，可建立跨行業(yè)的風(fēng)險傳染信息交流機制，以確保風(fēng)險信息的高效傳遞和風(fēng)險防范措施的迅速展開。

第二，增強網(wǎng)絡(luò)韌性，提高抗風(fēng)險沖擊能力。政府及相關(guān)部門應(yīng)加強對風(fēng)險傳染中介、風(fēng)險輸出、風(fēng)險輸入等關(guān)鍵行業(yè)節(jié)點的保護(hù)，提升對系統(tǒng)性金融風(fēng)險的防范和化解能力[27]。對于風(fēng)險輸出行業(yè)，則應(yīng)加強對資本充足率、 杠桿率等關(guān)鍵指標(biāo)的監(jiān)管，同時加強現(xiàn)場檢查和非現(xiàn)場檢查以確保其業(yè)務(wù)運營合規(guī)穩(wěn)健，降低風(fēng)險輸出的可能性;對于風(fēng)險傳染中介，可設(shè)立專門的監(jiān)測機構(gòu)，實時監(jiān)控其風(fēng)險傳播動態(tài)，并制定相應(yīng)的風(fēng)險隔離措施，以防止風(fēng)險進(jìn)一步擴散;對于風(fēng)險輸入行業(yè)，應(yīng)通過財政補貼、稅收優(yōu)惠等政策，支持風(fēng)險輸入行業(yè)的創(chuàng)新和發(fā)展，增強其抗風(fēng)險沖擊能力。此外，政府部門還應(yīng)積極推動建立行業(yè)間風(fēng)險共擔(dān)機制，如：鼓勵行業(yè)共同出資設(shè)立產(chǎn)業(yè)鏈風(fēng)險共擔(dān)基金，用于在風(fēng)險事件發(fā)生時為受影響行業(yè)提供資金援助，減輕其損失;推動行業(yè)間建立互助合作機制，如簽署風(fēng)險互助協(xié)議，共同應(yīng)對行業(yè)風(fēng)險挑戰(zhàn)。

第三，積極采取政策措施，提升行業(yè)恢復(fù)能力。在面對系統(tǒng)性風(fēng)險沖擊后，政府和相關(guān)部門應(yīng)重點關(guān)注提高行業(yè)恢復(fù)率的措施。如：為受影響行業(yè)提供貸款延期、利息減免等金融支持，以緩解行業(yè)的財務(wù)壓力;建立緊急資金支持機制，為受影響行業(yè)提供資金援助，以幫助其盡快恢復(fù)正常經(jīng)營;暫時性地減免企業(yè)所得稅、增值稅等稅費，或者給予稅收遞延政策，以減輕受影響行業(yè)的負(fù)擔(dān)。此外，降低傳染率和降低免疫喪失率的相關(guān)措施效果雖然不及提高行業(yè)恢復(fù)率，但也可以對降低風(fēng)險產(chǎn)生積極影響，因此在提高行業(yè)恢復(fù)率的同時，可結(jié)合風(fēng)險隔離措施，阻斷行業(yè)間的風(fēng)險傳染，降低傳染率。加強對已恢復(fù)行業(yè)的風(fēng)險監(jiān)測，降低免疫喪失率。

參考文獻(xiàn)：

[1]龍劍友，凌毓秀，謝赤.基于復(fù)雜網(wǎng)絡(luò)理論的房地產(chǎn)行業(yè)信用風(fēng)險傳染研究[J].系統(tǒng)工程學(xué)報，2022，37（3）：289-302.

[2]楊子暉，陳雨恬，謝銳楷.我國金融機構(gòu)系統(tǒng)性金融風(fēng)險度量與跨部門風(fēng)險溢出效應(yīng)研究[J].金融研究，2018，（10）：19-37.

[3]郭衛(wèi)東.中國上市銀行的系統(tǒng)性風(fēng)險貢獻(xiàn)測度及其影響因素——基于MES方法的實證分析[J].金融論壇，2013， 18（2）：16-21，79.

[4]梁琪，李政，郝項超.我國系統(tǒng)重要性金融機構(gòu)的識別與監(jiān)管——基于系統(tǒng)性風(fēng)險指數(shù)SRISK方法的分析[J].金融研究，2013（9）：56-70.

[5]張金清，龔懿婷，孫大釗.我國銀行業(yè)系統(tǒng)性風(fēng)險防范研究——基于SRISK指標(biāo)的修正與測度[J].復(fù)旦學(xué)報（社會科學(xué)版），2021，63（2）：132-141.

[6]王薇，張勇，王運璽.基于動態(tài)CoVaR方法的銀行系統(tǒng)性風(fēng)險測度與金融監(jiān)管問題研究[J].金融理論與實踐，2018（12）：47-54.

[7]張衛(wèi)國.金融復(fù)雜系統(tǒng)的演化與控制研究[M].北京：科學(xué)出版社，2017.

[8]李守偉，何建敏.不同網(wǎng)絡(luò)結(jié)構(gòu)下銀行間傳染風(fēng)險研究[J].管理工程學(xué)報，2012，26（4）：71-76，99.

[9]石大龍，白雪梅.網(wǎng)絡(luò)結(jié)構(gòu)、危機傳染與系統(tǒng)性風(fēng)險[J].財經(jīng)問題研究，2015（4）：31-39.

[10]BILLIO M，GETMANSKY M，LO A W，et al.Econometric Measures of Connectedness and Systemic Risk in the Finance and Insurance Sectors[J].Journal of Financial Economics，2012，104（3）：535-559.

[11]劉海飛，柏巍，李冬昕，等.滬港通交易制度能提升中國股票市場穩(wěn)定性嗎？——基于復(fù)雜網(wǎng)絡(luò)的視角[J].管理科學(xué)學(xué)報，2018，21（1）：97-110.

[12]DIEBOLD F X，YILMAZ K.Better to Give than to Receive：Predictive Directional Measurement of Volatility Spillovers[J].International Journal of Forecasting，2012， 28（1）：57-66.

[13]DIEBOLD F X，YILMAZ K.On the Network Topology of Variance Decompositions：Measuring the Connectedness of Financial Firms[J].Journal of Econometrics，2014，182（1）：119-134.

[14]徐玉華，黃意強.碳市場對高耗能行業(yè)的風(fēng)險傳染研究[J].工業(yè)技術(shù)經(jīng)濟，2023，42（10）：128-138.

[15]宮曉莉，熊熊.波動溢出網(wǎng)絡(luò)視角的金融風(fēng)險傳染研究[J].金融研究，2020（5）：39-58.

[16]陳少凌，譚黎明，楊海生，等.我國金融行業(yè)的系統(tǒng)重要性研究——基于HD-TVP-VAR模型的復(fù)雜網(wǎng)絡(luò)分析[J].系統(tǒng)工程理論與實踐，2021，41（8）：1911-1925.

[17]袁薇，王培輝.保險公司系統(tǒng)性風(fēng)險溢出效應(yīng)研究——基于DCC-GARCH-CoVaR模型[J].財會月刊，2017（5）：114-118.

[18]中國人民銀行廣州分行課題組.基于復(fù)雜網(wǎng)絡(luò)傳染病模型的金融風(fēng)險防控研究[J].南方金融，2021（7）：29-39.

[19]胡志浩，李曉花.復(fù)雜金融網(wǎng)絡(luò)中的風(fēng)險傳染與救助策略——基于中國金融無標(biāo)度網(wǎng)絡(luò)上的SIRS模型[J].財貿(mào)經(jīng)濟，2017，38（4）：101-114.

[20]田新民，陳仁全.行業(yè)指數(shù)波動同步性、風(fēng)險溢出與傳染渠道研究——基于中國股票市場的經(jīng)驗證據(jù)[J].金融經(jīng)濟學(xué)研究，2024，39（2）：27-41.

[21]戴志鋒，朱皓陽，尹華.我國石油、黃金、房地產(chǎn)和金融部門間系統(tǒng)風(fēng)險動態(tài)溢出效應(yīng)研究[J].系統(tǒng)工程理論與實踐，2022，42（10）：2603-2616.

[22]李愷華，樊瑛.基于優(yōu)化閾值法的股票網(wǎng)絡(luò)構(gòu)建與重要節(jié)點判別[J].北京師范大學(xué)學(xué)報（自然科學(xué)版），2015， 51（6）：582-585.

[23]陳少煒，李旸.我國銀行體系的網(wǎng)絡(luò)結(jié)構(gòu)特征——基于復(fù)雜網(wǎng)絡(luò)的實證分析[J].經(jīng)濟問題，2016（8）：56-63.

[24]謝家智，何雯妤.現(xiàn)代產(chǎn)業(yè)鏈韌性評價及提升路徑[J].統(tǒng)計與信息論壇，2024，39（2）：15-28.

[25]鄒瀾，邱潮斌，李航，等.新發(fā)展模式過渡視角下的住房需求與供給[J].金融發(fā)展研究，2024（2）：3-15.

[26]金永紅，汪巍，奚玉芹.中國風(fēng)險投資網(wǎng)絡(luò)結(jié)構(gòu)特性及其演化[J].系統(tǒng)管理學(xué)報，2021，30（1）：40-53.

[27]王碧澄，夏球.系統(tǒng)性金融風(fēng)險的防范與化解及對商業(yè)銀行的建議[J].金融理論探索，2023（2）：35-41.

①SIRS模型是一種傳染病學(xué)模型，假設(shè)人口分為易感、感染、康復(fù)和免疫四個互相轉(zhuǎn)化的狀態(tài)，用于描述人群中傳染病的流行和傳播過程。

基金項目：國家社科基金項目“平衡效率和風(fēng)險的金融科技與監(jiān)管科技協(xié)同創(chuàng)新機制研究”（19XYJ022）

作者簡介：宋金彪（通訊作者），男，河北衡水人，研究方向為金融科技;呂秀梅，女，四川中江人，教授，碩士生導(dǎo)師，研究方向為金融科技。