基于复杂网络分析法的银证关联度实证分析——以集合资管业务为例

■谷 任，陈炯旭

一、引言

随着现代金融业不断发展，许多金融机构通过资产互持、资产价值互相关联等关系连接在一起。这类金融机构之间的关联关系（interconnectedness）反映在金融网络中，使单个金融机构节点层面的负面冲击（如损失、破产或流动性不足）可能在网络中传导扩散，并最终可能形成系统性风险，严重危害整个经济社会的稳健运行。自美国次贷危机引发的全球金融危机发生以来，业界与学术界提出了“联系太紧而不能倒”（too interconnected to fail）的理念，强调系统重要性金融机构和关联性问题（Drehmann&Tarashev，2011）。与此同时，随着我国金融体制改革的不断深化，我国金融业分业经营模式正在发生改变，金融混业经营持续发展，金融业务综合化程度不断提高，银证等多种“混业”合作的快速发展使金融机构之间的联系更加复杂，为单一金融机构的风险通过各种渠道影响到其他金融机构提供了可能，也为我国系统性风险监管带来巨大挑战。在此背景下，准确度量银证网络中不同类型的金融机构之间的关联水平，有助于提高我国金融业的综合监管水平，对我国现行金融监管体制的改革与完善具有重要意义。

近年来，证券资产管理业务已成为行业创新的主要领域，其中作为主动资产管理业务重要组成部分的集合资产管理业务发展最为典型。通常券商集合资管业务资产多由银行或其他券商托管，然而由于券商集合资管业务具有“影子银行”特征，券商对其资产托管人的选择在一定程度上与集合资管业务背后隐藏的通道类业务关联方有关，因而由托管管理关系连接在一起的券商与银行网络也能反映债权债务关联，也属于我国金融网络的重要组成部分。当单个银行或券商受到负面冲击时，都可能在上述网络中传导扩散，危害金融系统的稳健运行。由于其隐蔽性常受到忽视，目前相关监管部门针对这类潜在风险的管理体系尚不完善。鉴于此，本文借助复杂网络分析法，利用券商集合资管业务托管数据构建银证网络，分析其关联特征及识别重要金融机构，具有现实意义。

目前国内外学者主要关注银行间的关联情况和系统重要性银行识别，对银证网络的关联情况涉及甚少。本文以券商资管业务下银行和证券之间的关联性作为研究对象，利用2005～2016年券商集合资产管理业务数据，构建银行与证券公司之间的网络，运用复杂网络中的社会网络分析法分析该网络的拓扑结构特征，以期揭示银行与证券公司之间网络结构层面的关联特征，并试图回答如下问题：（1）经过多年发展，该银证关系网络经历了一个怎样的动态演进过程？该问题的思考有利于从全局上把握该网络的基本情况与特点。（2）在宏观层面上，该银证关系网络有着怎样的机构关联性？该问题的解决有助于从整体上把握银行与证券机构之间的关联特征。（3）在微观层面上，各关联机构在该网络中扮演何种角色？该问题的解决为监管当局进行审慎有效的系统风险监管尤其是系统性重要金融机构的确定提供有效信息。

二、文献综述

由美国次贷危机引发的全球金融危机发生以来，金融系统性风险的研究受到各界广泛关注与重视，相关理论研究不仅详尽分析了系统性风险的度量与形成机制，更强调对系统中金融机构关联程度与重要金融机构的识别（梁琪等，2013）。

当前国内外学者大多基于资本市场数据，使用金融机构股票收益率相关系数（Adrain&Markus，2011）、主成分分析（Billio et al.，2012）、条件风险价值（CoVaR）（肖璞等，2012）、边际期望损失（MES）（范小云等，2011）、Granger因果网络模型（王丽珍和康超，2017）等方法识别金融机构关联程度。然而上述方法存在的不足之处在于，首先相关研究多以资本市场数据为基础，要求上市银行样本多、时间跨度长（Huang et al.，2009）；但根据我国国情，采用资本市场数据受限于上市金融机构数目和上市时间长短，降低了方法的适应性。其次，资本市场数据的使用存在两个重要的假设前提：一是假设资本市场满足有效市场假说，意味着金融机构的股票价格等市场数据能够充分反映企业风险情况，但事实上国内现有大量研究发现，我国资本市场基本处于弱式有效（杨昀，2013），限制了该方法的有效性；二是假设股票价格等市场数据服从正态分布，而实际上股票价格等具有明显的厚尾特征，使得该方法的结果可能产生偏误。最后，CoVaR、MES方法仅关注单个金融机构对整个系统的风险贡献，相关系数和主成分只测算了金融机构间的局部关联水平，这些方法都忽视了金融网络的宏观结构特征，在相互关联的金融系统中无法给出机构相应的地位和作用，故无法满足宏观审慎监管需求。

在上述研究背景下，网络分析法可有效弥补上述方法的不足，网络分析法主要利用金融机构之间的真实业务数据估计双边关联关系，结合复杂网络领域的理论知识可以判断其属于哪一类网络结构，大大提高宏观审慎管理的实用性和有效性。近年来基于金融复杂网络以识别金融机构关联程度和系统重要性节点的研究备受青睐。迄今为止学者们主要有如下两种思路：

一是利用金融市场提供的股票价格、年报的资产负债等数据展开对金融网络的实证分析。Diebold&Yilmaz（2014）基于方差分解方法，使用2007～2008年美国主要金融机构的股票收益率波动率数据构建加权有向网络模型，强调了金融机构间的关联关系研究在风险测量与管理中的重要作用。李守伟等（2011）使用上市银行年报中的资产负债数据，构建了一个银行有向网络模型，研究结果显示银行网络对于随机性攻击具有较高的稳定性，对于选择性攻击处于核心地位的银行具有较低的稳定性。龚柳元等（2012）以上市公司的长期银行借款为基本关系构建我国银行共同贷款网络，分析网络特征发现银行系统中各类银行地位的相应变化。苏明政和张庆君（2014）同样利用上市公司的银行贷款数据，分析了我国银行共同货款关系网络，发现网络具有明显的小世界特性。李政等（2016）使用2008～2015年我国上市金融机构股票价格，测试了银行、证券和保险之间的关联网络，研究发现我国金融机构的关联网络具有小世界现象和无标度等复杂网络性质。文风和汪洋（2017）借助广义差分分解法，利用我国上市银行的股价波动率数据构建关联性矩阵，发现系统具有小世界和无标度的网络特性。然而，由于这种思路主要通过金融市场数据推导出上市金融机构之间的相关性看法，因此无法探究机构之间的实际关联程度，实用性受到限制。

二是从金融机构具体业务联系出发，利用银行间同业拆借市场数据、大额支付结算系统数据等构建金融网络。国外在该领域取得了较丰富的成果，其中Nier et al.（2008）使用英国国内各银行资产负债表中的借贷信息构建风险传染模型，采用仿真模拟方法来判断银行间网络潜在的流动性风险传染范围，结果表明传染性违约是银行关联水平的非单调函数（non-monotonic）。当关联水平较低时，关联数目的增加使银行发生传染性违约的可能性越大，当关联水平达到一定高度时，关联数目的进一步增加则有利于风险的分散和消化。Minoiu&Reyes（2011）利用1978～2009年148个国家的跨国银行信贷数据，使用网络中心性、网络密度、网络聚类等社会网络分析指标讨论全球银行网络，发现整体网络相对不稳定，网络密度随着资本流变化而扩张或收缩。Bargigli et al.（2013）借助意大利中央银行对国内所有银行监管的报告数据，区分并检测了整个银行间市场内部的银行间隔夜拆借市场、回购市场等不同层次子市场的网络拓扑特征，发现整个银行间市场网络与隔夜拆借市场网络特征具有网络连接稀疏、网络密度低、平均路径长度较短、聚类系数小等特征，同时隔夜拆借市场与其他银行间子市场在网络特征方面存在较大差别，故认为以往研究仅从整个银行间市场角度分析网络特征、进行系统性风险的估计容易引起误导。Silva et al.（2015）采用社会网络分析法详细检测了巴西银行间市场的网络拓扑特征，证明了该网络体现出高度的非同类匹配型模式。与国外研究相比，国内有关金融复杂网络方面的研究起步较晚、成果不多。黄聪和贾彦东（2010）利用银行间支付结算数据对我国银行间网络结构特点进行了多维度描述，发现银行间网络是一个强连通的网络，存在明显的重要节点与局部团状结构共存的结构特征。刘超等（2014）选取2007～2009年金融危机前后上海银行间同业拆借利率报价中15家商业银行数据构建同业拆借网络，结果显示我国同业拆借市场具有典型的小世界和无标度特性。总之，与前一种思路相比，基于金融机构具体业务数据的研究，以一种更为客观的方式，通过分析金融机构业务结构来确定机构之间的风险关联性，解构真实网络的拓扑结构特征。然而，该领域现有国内外文献基本都是针对银行间借贷关联性进行讨论，极少涉及银行与其他类型金融机构（比如证券公司）之间具体业务数据建立的网络关联性，而由于券商集合资管业务具有“影子银行”特征，由托管管理关系连接在一起的券商与银行网络也属于我国金融网络的重要组成部分，鉴于此，本文在以往金融复杂网络研究基础上，沿用第二种思路，采用我国银行与证券部门之间存在集合资管计划的资产托管和管理数据，构建它们之间的有向加权复杂网络模型，全面分析该银证网络的演变趋势及关联特征，识别系统重要性的金融机构，对现有文献进行有益补充。

三、复杂网络分析法及银证网络构建

（一）复杂网络分析法

复杂网络是真实复杂系统的拓扑抽象描述，其中最主要的概念是网络（networks）。通常复杂网络指在一个包含大量组成单元或子系统的复杂系统内部，把组成单元抽象作为节点（nodes），将单元之间的相互关系抽象为边（links），并在一定规则之下连接在一起所形成的网络。复杂网络可应用于经济系统中，多层次的、互有联系的企业间合作关系即为复杂网络。在现代金融系统中，以银行、证券公司等金融机构为节点，金融机构通过互相持有资产形成连接关系而构成边，所形成的价值网络被称为金融网络（financial network）。

近年来复杂金融网络研究越来越热，用社会网络分析法分析网络中节点之间的关联性、寻找网络中重要节点是该类研究中的核心问题。在复杂网络中，“结构决定功能”作为源自系统科学的基本观点，强调了系统结构的拓扑特征决定了网络所拥有的特性。因此，研究者不仅关注系统内部某节点与其他节点之间具有的特定关联性，还在整体的角度关注系统的整体关联关系。相应地，比较重要的网络结构特性包括小世界效应（small-world effect）、无标度特性（scale-free property）、度分布不均匀导致的脆弱性特征（vulnerability）、层次结构特征（hierarchy structure）等。上述特征所常用的统计指标包括节点的度（degree）、聚类系数（clustering coefficient）、平均路径长度（average distance）、节点强度（vertex strength）等。

基于上述理论，本文将集合资产管理业务视为由管理人（主要是证券机构）、托管人（主要是银行机构）等不同金融机构基于资产的集合化和专业化管理形成的契约组合，由此产生了各金融机构之间的复杂网络。进一步，本文将集合资产管理业务中充当资产管理人的金融机构视为一类节点，充当资产托管人的金融机构视为另一类节点，将金融机构之间所存在的资金管理与托管关系视为边，从而构建出一个基于管理与托管资金量的加权二分银证网络，在此基础上，利用上述银证网络统计指标对网络中节点之间的关联性问题进行分析。

（二）银证网络模型构建

本文利用集合资产管理业务管理与托管资金规模，构建一个银证加权二分网络的思路如下：首先把一个金融机构记作节点vi，那么基于集合资产管理业务的银证网络节点集可表示为V=（v1，v2，v3，…，vN），其中N为该网络中的金融机构总数，记为由于充当管理人的金融机构为一类节点（vi），充当托管人的金融机构为另一类节点（vj），若观察期内节点vi与节点vj之间有过管理-托管资产交易，则两个金融机构之间连一条边，记作eij=（vi，vj），其中i，j∈（1，2，3，…，N）。接着，由于银证网络是一个有向网络，故存在有向边，即对节点vi来说，边eji为节点vj指向节点vi的边，表示金融机构i对金融机构j的集合计划资金进行托管，而边eij为节点vi指向节点vj的边，表示金融机构i对金融机构j托管的资金进行投资管理。故以ex表示网络中第x条边，边集E记作E=（e1，e2，e3，…，eM），边数M记作M= ||E ，其中M表示管理-托管资产关系的关联总数。最后，由于各金融机构间的管理与托管的资金量不尽相同，甚至有较大差别，故引入“权”来表示各金融机构间的关联紧密程度，记作w。节点vi与节点vj之间“管理-托管”资产关系的权重表示为wij或wji，此处wij=wji，且权集记为W。最终基于集合资产管理业务的银证复杂网络可抽象为一个由节点集、边集和权集组成的有向且加权的复杂网络图，记为G={V，E，W}。

依照上述网络模型构建思路，本文利用Wind数据库，采集并使用了2005～2016年集合资产管理业务市场中仅涉及券商和银行参与的集合资产管理产品数据，由集合资产管理产品的管理人和托管人等金融机构作为银证网络中的节点，以各金融机构间的管理托管关系作为边，并把金融机构间管理托管的资产净值作为金融机构之间的边权，由此建立一个有向复杂加权网络，并在Python软件中进行可视化处理。

四、银证网络演进过程

图1展示了2005～2016年该银证加权复杂网络图及其演变过程。采用“节点与节点不重合”及“边长尽可能相等”的原则，网络中的点代表各金融机构，连接表示在网络所属时期内券商集合资管计划的托管或管理关系。位于网络图中央位置的三角形节点代表托管人，主要为银行，部分为证券公司；位于外围的圆形节点代表管理人，均为证券公司。

图1 2005～2016年银证加权复杂网络动态演进

由图1可见，该银证网络规模逐年递增，这一点与我国集合资产管理业务发展相对应，经历了萌芽期、试点期、常规发展期和快速成长期。1996年9月～2005年2月为萌芽期，券商资产管理业务始于1996年9月，至2003年已有70家券商从事资产管理业务，业务形式也逐渐从定向资产管理业务向集合资产管理业务发展，其后发生一系列证券公司违规事件及业务巨亏，使证监会在2004年启动综合治理，并在2004年至2005年2月期间短暂禁止了券商资管业务。在此阶段，基于集合资产管理业务的银证网络尚未成形。2005年3月广发证券成立“广发理财2号”集合资管计划是国内券商首支正式成立的集合资管计划，成为券商集合资产管理业务经过综合治理之后重获新生、全面发展的开端。在2005年3月至2008年试点期间，每年年均新发行集合资管产品数不超过15支。在2009～2011年常规发展期内，年均新发行集合资产管理计划不超过100支，在此期间机构节点间的连接开始增加，金融机构间的合作开始加强，网络逐渐成形发展，但由于券商资管业务投资范围受限以及集合资管计划实行行政审批制，使券商集合资管产品缺乏竞争力，银证网络发展缓慢。2012～2016年网络的资产规模、产品数量和参与金融机构数量快速大幅增加。在此阶段，网络看似更加密集，形态日渐复杂，银证网络处于快速成长期。该银证网络的快速发展意味着随着我国金融体制改革的不断深化，我国集合资产管理业务等银证“混业”合作的快速发展使得商业银行与证券公司之间的联系更加密切复杂，增加了单一金融机构在受到负面冲击时，金融风险在该网络中传导扩散的可能性，危害金融系统的稳健运行。

五、银证网络的整体关联性分析

本节重点观察2015～2016年的银证网络的各金融机构关联情况。

（一）度分布分析

银证网络中的节点vi的度（ki）指与节点vi有资金管理托管关联的所有其它金融机构总数目，即与节点vi有连接的总边数。网络中节点度分布（degree distribution）用分布函数来表示。对比2015年和2016年，整体网络平均度数和最高度数均有所下降，与近年来券商资管业务竞争日趋激烈、监管层强化集合资管业务监管有关。图2（a）显示2016年12月末银证网络模型的度分布，可知该度分布不符合泊松分布，故不属于小世界网络度分布。图2（b）显示在双对数坐标下的度概率分布不具有线性关系，但接近于幂律分布，即度数大的节点少，度数小的节点多，呈偏态分布，度大部分分布在最高值的右侧，体现出不均匀特征，非均匀分布在平均度的两侧。说明少数“中心”节点的金融机构对网络影响较大，甚至可以影响全局，其他大多数金融机构影响力相对较弱，故属于无标度网络情况。

图2 2016年银证网络度分布

（二）加权聚类系数分析

聚类系数是网络中三角形密集程度的一种量度。本文采用Holme&Kim（2002）提出的方法计算基于相似权的加权网络聚类系数。令表示节点vi及其邻近节点间三元组的加权聚类系数平均值，记为，其中w，w，w依次表示ijikjk为节点 vi和 vj间、节点 vi和 vk间、节点 vj和 vk间的相似权重；相似权wij为节点间集合资产管理产品的资产净值总和。Cw则表示对整个网络所有节点的加权聚类系数的平均值，即网络在近两年的加权聚类系数平均值都偏小，且2016年较2015年更小，说明网络不存在明显的群体结构（community structure）特征，网络中“券商-银行-券商”或“银行-券商-银行”连通三元组密集程度极低，网络是不完全连接的。这一发现与已往研究发现银行间网络的聚类系数较小的情况类似。进一步考察平均聚类系数C（k）分布，其实证结果再次表明度数大的节点没有形成聚类。此外，研究还发现该网络的网络密度不高且近年网络密度稍有下降，很多节点之间没有联系，网络是不完全连通且连通性较低。目前国内外学者们普遍认为网络连通程度对系统稳定性有着非单调性的影响（Nier et al.，2007），即在网络连通性低的情况下，若连通性小幅增强，会导致网络的风险传染性增强，而当连通性增长达到一定能够阈值，连通性的增强则能够消化这种传染性。由此可知，随着我国集合资产管理业务的不断发展，其银证网络连通性不断提高，网络的风险传染性也将不断增强。

（三）加权平均路径长度分析

假设dij为节点vi与节点vj的最短距离，且dij=1/wij。可知两节点间权值越大，管理托管关联越紧密，最短距离也越短。进一步使用调和平均数来计算最短距离，则金融机构i与金融机构k之间的最短距离可写为由此递推可得加权网络中任意两个节点之间的最短路径，最终得到网络的平均路径长度。本文采用链路置乱算法对原网络进行随机处理。在保持原网络中金融机构间的关联数不变、集合资产管理集合产品总数和产品资产净值分布不变的情况下，将原来的银证网络置乱成为随机网络，依次进行10000次随机化处理，分别得到9003个、9011个随机网络下的最短路径长度①限于篇幅，各年的加权最短路径散点分布图未给出，留存备索。。通常绝大部分随机网络的平均最短路径长度分布在1～1.5之间，2015年和2016年网络的平均最短路径分别为1.2354和1.1946，均属于上述范围之内。这表明集合资产产品总数和资产净值分布不变的情况下，银证网络具有较小的平均最短路径长度，且2016年网络有更短的路径长度，说明网络节点之间的连接越来越紧密，意味着信息传递得更多更快，风险更容易蔓延。

（四）网络点强度分布分析

图3 2016年银证网络在双对数坐标下的点强度分布

假设相似权wij是节点间集合资产管理计划产品的资产净值总和，则加权网络中节点vi的强度Si（vertex strength）可表示为，即该节点 vi与其他所有节点涉及资产管理的全部产品资产净值的总和，可见权值越大则强度越大，表明金融机构之间的关系越紧密。图3描绘了在双对数坐标下对银证网络模型的点强度分布②横坐标为强度S的自然对数，纵坐标是强度S频率的自然对数。。网络点强度分布表现为先缓慢波动下降，再剧烈波动下降，说明大多数金融机构拥有较小的点强度，随着点强度增加，所对应的金融机构节点数呈指数下降。故分布曲线形态呈现类似幂律分布的特征，接近的幂函数形式的幂律指数为γ=1.2，且具有胖尾（heavy tail）性质，再次证明了网络具有无标度特征。

六、银证网络的层次结构分析

接着本文将通过银证网络的层次结构分析来识别出该网络的系统重要性金融机构。

（一）网络度数结构分析

首先，度数越高意味着关联关系数越多，与其合作的机构越多，在网络中的影响力越大。对比2015年和2016年的度分布基本统计特征（参见表1），得到网络层次结构情况如下：①网络中拥有较高度数的机构节点均以银行为主，度数超过（包含）20的相关机构节点主要为股份制银行。②两年中拥有较高度数的券商和银行节点总数都略有下降，如度数超过（包含）20的机构比例从2015年的8.41%下降为2016年的5%，说明网络中充当中枢位置的券商和银行节点数量略减。③两年里拥有中低度数的金融机构比重增加。度数低于20、关联数量不高的金融机构比例从2015年的91.59%上升到2016年的95%，其中更多拥有中低度数的股份制商业银行和城市商业银行参与网络。④整体看券商节点数目都在减少，高度数类券商节点数降幅（-33.33%）远大于低度数类券商降幅（-13.42%）。这可能与近年来监管层加强规范集合资管业务有关。与此同时，集合资管产品数量与资金规模却在不断增加，意味着银证网络中券商节点数及度数虽在减少，但节点之间的边权在增大，网络出现处于核心地位的券商节点集中的趋势。

图4 2016年12月末银证网络的入度和出度分布图

进一步观察入度分布和出度分布，由于入度表示其他金融机构节点指向某家金融机构节点的所有边的和，故入度越高的金融机构节点意味着接受更多的金融机构的托管资金。由图4（a）可知，入度数在5～31之间的入度概率呈均匀低值分布，其中涉及的金融机构全部为银行，说明不同银行托管人所关联的管理人数目差异很大。入度数最大的前五家金融机构包括中国工商银行、兴业银行、招商银行、宁波银行和民生银行，这些机构的入度数均值为24，其入度数和占全部入度数总和的44.44%，说明这些银行在网络中处于核心位置。在出度分布方面，由于出度指某金融机构节点指向其他金融机构节点的所有边的和，故出度数越高的金融机构节点意味着该金融机构对更多金融机构托管的资金进行管理。由图4（b）可知，出度数分布相对均匀，数值主要分布在1～8之间，频率为0.65，说明从事集合资产管理业务的券商所连接的托管人数目差别不大。此外，出度数最大的前五家券商包括国金证券、银河金汇资管、中信证券、广发资管和天风证券，它们的出度数均值为10.6，其出度数和占全部出度数总和的3.93%。说明这些机构的连接关系数相对较多，网络地位相对比较重要，属于系统重要性机构。

（二）网络异质性分析

复杂网络的异质性拓扑结构决定了网络中每个节点的重要程度是不同的，本文利用中心节点、邻近平均度和连边强度来理解银证网络的异质性。2016年网络中点强度最大的前五家金融机构依次为齐鲁资管、华泰资管、海通资管、财通资管、光大资管，而这些券商的连接关系在网络中具有较大权重。中心节点的存在再次体现了该网络属于无标度网络的重要特征。

通过观察网络节点的邻近平均度随节点强度的变化趋势发现，点强度大的节点更容易连接度数大的节点，存在同类匹配连接（assortativity）。说明位于中心节点的银行与证券机构占据很大权重比例，在实际市场中对整个网络影响较大。进一步考察连边强度的异质性，对于某个度数为ki、强度为Si的节点vi，其权值分布差异性可用统计量yi度量，可定义为yi描述了节点vi的连边权值分布的离散程度，且间接依赖于节点vi的度ki。若所有的权值差异不大，则yi与1/ki成正比，即y（k）：1/ki；相反，若有一条边的权值起主导作用，则yi≈1。经统计后得到yi与1/ki的关系是一种介于yi≈1和y（k）：1/ki之间的中间状态，说明金融机构间的集合资管计划的资产净值分布差异较大，层次结构特征较明显，但未出现单个银行与证券的组合在整个网络中占绝对主导地位的情况。

表1 2015～2016年银证网络中度数超过（含）10的节点名单

七、结论和建议

本文开创性地聚焦于我国集合资管业务中的银证网络，利用券商集合资产管理具体业务数据构建网络，依次对与该业务相关的银证加权复杂网络的动态演进过程、网络整体关联性和层次结构特征三个方面进行分析，以期了解该银证网络的关联特征以及识别系统重要性金融机构，弥补现有研究不足，完善当前这类潜在风险的监管体系。研究最终得到以下结论：

第一，2005年至2016年该银证加权复杂网络经历了萌芽期、试点期、常规发展期和快速成长期。网络节点数随时间不断增长，网络规模逐年递增，使得网络更加密集，形态日渐复杂。该银证网络发展与我国集合资产管理业务发展一致，同时说明我国集合资产管理业务等银证“混业”合作的快速发展使得商业银行与证券公司之间的联系更加密切复杂，增加了单一金融机构在受到负面冲击时金融风险在该网络中传导扩散的可能性，危害金融系统的稳健运行。

第二，在整体关联性方面，首先本文发现与以往银行间网络同时具有“小世界”和“无标度”特性不同，银证网络的节点度分布接近幂律分布，故网络具有无标度特征，说明少数“中心”节点的金融机构对网络影响较大，甚至会影响全局，其他大多数金融机构影响力相对较弱。该网络不存在明显的群体结构特征且网络密度不高，说明该网络为不完全连通且连通性较低。由于该网络的低连通性，若连通性小幅增强，会导致网络的风险传染性增强，可知随着我国集合资产管理业务的不断发展，网络连通性不断提高，网络的风险传染性也将不断增强，在面临负面冲击时也会表现得更加脆弱。其次，该银证网络具有较小的平均最短路径长度，且有逐渐缩短的趋势，说明网络节点之间的连接越来越紧密，意味着信息传递得更多更快，风险更容易蔓延。最后，网络点强度分布也呈现类似幂律分布的特征，进一步证实了网络具备无标度网络的特征，与以往大多数对金融网络研究的结论一致。

第三，银证网络呈现明显的分层结构特征，位于中心节点的银行与证券机构占据很大权重比例，说明网络存在一些系统重要性金融机构。网络中拥有较高度数的机构节点主要为股份制银行，拥有最大连接度的前五家银行为中国工商银行、兴业银行、招商银行、宁波银行和民生银行。同时处于核心地位的券商节点愈发集中。拥有最大连接度的前五家券商为国金证券、银河金汇资管、中信证券、广发资管和天风证券。拥有最大边权的前五大券商为齐鲁资管、华泰资管、海通资管、财通资管、光大资管。这些银行与券商机构的连接关系数相对较多、边权大，意味着其网络地位比较重要，需要重点监管。此外，网络中存在同类匹配连接特征，说明少数中心节点机构对网络影响大，但未出现单个银行与证券的组合在整个网络中占绝对主导地位的情况。

由上可知，我国集合资产管理业务的银证网络具有无标度、不完全连通性、平均路径短、明显分层结构等重要性质。而无标度网络具有如下风险传染性质：当网络中心节点受到随机性冲击时，网络的抵御风险能力较强，但对于选择性冲击则具有脆弱性。因此在该网络中的那些具备连接关系数多、边权大的银行、证券类节点机构在网络中处于核心地位，影响较大，对于银证网络的风险传染起到至关重要的作用。

首先，由于基于集合资管业务的银证网络具备无标度网络、存在中心节点等特征，金融监管当局应识别出少数关键节点机构，通过重点对这些重要机构进行有效监督，降低个体风险传播扩散至整个网络的可能性和冲击幅度，维护金融系统的稳定与安全。其次，在继续积极发展券商集合资产管理业务以及券商基金托管业务的同时，应继续加强监管通道类业务，进一步研究无标度网络结构与风险传染之间的非单调关系，以优化具有更大连通性和弹性、较低复杂程度等微观特征的银证网络，以降低金融风险的传染性。

[1]范小云，王道平，方意.我国金融机构的系统性风险贡献测度与监管——基于边际风险贡献与杠杆率的研究[J].南开经济研究，2011，（4）：3～20.

[2]龚柳元，毛道维，张家慧.基于复杂网络的银行竞争行为研究[J].软科学，2012，26（6）：105～110.

[3]黄聪，贾彦东.金融网络视角下的宏观审慎管理——基于银行间支付结算数据的实证分析[J].金融研究，2010，（4）：1～14.

[4]李守伟，何建敏等.基于复杂网络的银行同业拆借市场稳定性研究[J].管理工程学报，2011，25（2）：195～199.

[5]李政，梁琪，涂晓枫.我国上市金融机构关联性研究——基于网络分析法[J].金融研究，2016，（8）：95～110.

[6]梁琪，李政，郝项超.我国系统重要性金融机构的识别与监管——基于系统性风险指数SRISK方法的分析[J].金融研究，2013，（9）：56～70.

[7]刘超，吴明文，马玉洁.基于复杂网络的同业拆借市场特性研究——以金融危机时期（2007～2009年）数据为例[J].财经理论与实践，2014，35（2）：9～15.

[8]苏明政，张庆君.基于复杂网络的我国银行共同贷款关系网络研究[J].财贸经济，2014，35（3）：59～67.

[9]王丽珍，康超.保险机构与其他金融机构系统关联性研究兼论保险机构的系统重要性[J].保险研究，2017，（1）：16～26.

[10]文风，汪洋.我国上市银行系统关联性研究——基于方差分解的网络拓扑分析[J].金融与经济，2017，（02）：64～70.

[11]肖璞，刘轶，杨苏梅.相互关联性、风险溢出与系统重要性银行识别[J].金融研究，2012，（12）：96～106.

[12]杨昀.股票市场有效性及其与实体经济关系的实证研究[J].财经理论与实践，2013，34（3）：64～67.

[13]Adrian T，Markus K B.CoVaR[R].Nber Working Paper Series No.17454，October 2011.

[14]Bargigli L，Iasio G D et al..The Multiplex Structure of Interbank Networks[J].SSRN Electronic Journal，2013，15（4）：673～691.

[15]Billio M，Getmansky M 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.

[16]Brownlees C T，Engle R et al..Volatility，Correlation and Tails for Systemic Risk Measurement[J].Social Science Electronic Publishing，2012：16～18.

[17]Diebold F X，Yılmaz K.On the Network Topology of Variance Decompositions:Measuring the Connectedness of Financial Firms[J].Journal of Econometrics，2014，182（1）：119～134.

[18]Drehmann M， Tarashev N.Systemic Importance:Some Simple Indicators[J].BIS Quarterly Review，2011.

[19]HolmeP，Kim B J.GrowingScale-free Networks with Tunable Clustering[J].Physical Review E Statistical Nonlinear&Soft Matter Physics，2002，65（2）：26～107.

[20]Huang X，Zhou H，Zhu H.A Framework for AssessingtheSystemicRisk ofMajorFinancial Institutions[J].Journal of Banking&Finance，2009，33（11）：2036～2049.

[21]Minoiu C，Reyes J A.A Network Analysis of Global Banking:1978～2009[R].IMF Working Papers WP/11/74，April 2011.

[22]Nier E，Yang J et al..Network Models and Financial Stability[J].Journal of Economic Dynamics and Control，2007，31（6）：2033～2060.

[23]Silva T C，Souza S R S D，Tabak B M.Network Structure Analysis of the Brazilian Interbank Market[R].Working Paper Series No.391，June 2015.