引言

防范化解系统性金融风险是当前我国金融工作的重中之重。随着一系列相关政策的出台，科学识别与监管保险业的系统性风险已刻不容缓。然而，在利率下行、风险累积的宏观背景下，保险机构通过再保险、共同资产持有等渠道形成的复杂网络关联，使得传统的个体风险评估方法无法有效防范类似美国国际集团（AIG）因风险传染而引发的系统性危机。学术界已开始运用复杂网络理论来探究金融系统性风险，但早期研究多集中于银行业，针对保险业的多层网络系统性风险研究相对匮乏。保险业具有再保险等独特的风险传导机制，其风险网络的拓扑结构与银行业存在本质差异，简单套用现有银行研究框架并不可取。为弥补研究空白，本文的核心贡献在于：第一，针对中国保险市场的特性与双边敞口数据的现实约束，构建了一个包含再保险和共同资产持有两个核心风险渠道的动态多层网络分析框架，以更精准、全面地刻画保险机构的系统性风险敞口。第二，对经典的DebtRank风险传染模型进行改进，引入基于压力情景的自动校准机制，有效解决了传统算法在部分网络环境中因结果“饱和”而丧失区分度的问题，提升了风险度量的精确性。本文余下部分的安排如下：首先进行文献综述，其次介绍研究设计与方法，随后展示实证结果与分析，并进行稳健性检验，最后总结全文并提出政策建议。

一、文献综述

复杂网络理论为理解金融系统内部复杂的关联结构与风险传染机制提供了全新的分析范式。近年来，国内学者在这一领域取得了丰硕的研究成果，为本研究奠定了坚实的理论基础。

（一）金融风险的单层网络研究及其局限

早期研究主要采用单层网络模型刻画金融机构间的特定关联。例如，李守伟等最早将复杂网络方法引入国内银行业研究，他们构建的银行间同业拆借网络呈现出典型的小世界特征，并识别出大型商业银行在网络中的核心地位，为监管部门锁定系统重要性银行提供了量化依据。此后，研究视角不断拓展。黄玮强等从信息溢出的角度构建风险传染网络，发现网络核心机构同时扮演着风险的主要传播者和承受者。刘立霞和李葵则将该方法应用于股票市场，发现股市网络的拓扑结构可作为系统性风险的“晴雨表”，其中金融、地产等板块对系统性风险的贡献度更高。

然而，单层网络模型存在其固有局限。现实中的金融机构之间往往存在同业拆借、交叉持股、共同资产持有等多种异质性关联，单层网络仅能捕捉其中一种关系，忽略了风险可能通过其他渠道并行或叠加传染，从而可能低估了系统的真实风险水平。

（二）多层网络：系统性风险研究的深化

为克服单层网络的局限性，多层网络理论应运而生。如吴宗柠等的综述所指出的，多层网络能够更全面地刻画复杂系统的内在结构，其关键特征在于不同网络层之间的相互依赖和作用。这一理论迅速被应用于金融风险研究。牛晓健和陈鑫煜在A股市场的研究中证实，多层网络能够识别出单层网络遗漏的高风险节点，显著提升了识别准确率。

在系统性风险度量方面，多层网络框架展现出巨大潜力。李守伟等构建了包含同业拆借、衍生品交易和共同资产的动态多层银行网络，发现不同网络层对系统性风险的贡献存在显著差异，并证实了综合性监管政策的必要性。宫晓莉等采用多种方法度量了不同类型金融机构的系统性风险，发现证券业的风险外溢效应最强，而银行业和保险业则面临较大的资本缺口问题。更有研究将实体经济纳入考量，李守伟等构建的银企多层网络模型揭示了金融与实体部门之间存在显著的风险反馈效应，且多层网络中的系统性风险呈现出非线性放大特征。

（三）文献述评与研究缺口

综上所述，采用复杂网络尤其是多层网络来研究金融系统性风险已成为学界的主流趋势。现有研究为本文提供了宝贵的方法论借鉴。然而，一个明显的研究缺口在于：现有文献主要聚焦于银行业和股票市场，针对保险业的多层网络系统性风险研究相对不足。保险业作为金融体系的重要组成部分，其通过再保险、共同资产持有等独特渠道形成的复杂关联网络，在系统性风险的形成和传播中扮演着不可或缺的角色。本研究旨在弥补这一不足，系统地探究中国保险市场的系统重要性机构识别与风险度量问题，以期为相关领域的监管实践提供新的视角和工具。

二、研究设计与方法

（一）数据来源与样本选择

本研究数据来源于CSMAR数据库，涵盖了中国保险市场2019年至2023年的主要参与者。为了保证本研究的严谨性，我们对数据进行了如下处理：剔除在观测时点成立不足三年的公司；剔除构建双层网络所需核心财务字段存在缺失值的公司。最后，对通过筛选的样本进行标准化处理，包括对低比例缺失值采用年度截面中位数插补，以及采用IQR方法对异常值进行削平处理。经过上述流程，最终形成了一个包含1000个公司的年度观测值的面板数据集，每年样本机构数量在191至212家之间。

（二）双层网络构建方法

为全面刻画金融机构间的风险暴露的多样性，本研究借鉴相关研究，构建了一个包含两个异质性网络层的动态双层网络，以捕捉风险传染的不同渠道。

1. 再保险网络层：排序匹配算法

该网络层旨在捕捉保险业特有的直接风险转移关系。鉴于双边分保数据的不可得性，我们依据Anand等人的研究，采用基于排序的贪婪匹配算法重构网络。该算法的核心假设是市场上最大的风险供给方（分出方）会优先与最大的风险需求方（承接方）进行交易，能够有效生成一个符合市场集中度特性的稀疏有向网络。

2.共同资产网络层：偏相关与差异过滤

该网络层用于捕捉由“资产甩卖”引发的间接传染风险。为剔除市场共同因素导致的伪关联，我们采用“偏相关+差异过滤器”的混合方法。首先，计算投资组合的偏相关矩阵。其次，应用提出的差异过滤器算法，通过计算每条连接的统计显著性来判断其是否应被保留，从而生成一个既剔除了伪关联、又具有合理稀疏度的网络。本研究中，显著性水平设为0.05。

（三）风险度量：改进的DebtRank算法

1. 基础DebtRank模型

DebtRank算法由Battiston等提出，用于量化金融网络中的级联风险传染。该方法通过模拟初始冲击在网络中的递归传播过程，评估节点对系统性风险的贡献。传统DebtRank的迭代公式为，其中表示节点在时刻的受困程度，为节点对的敞口，为节点的资本缓冲。该算法已在多项实证研究中被证明能有效识别系统重要性机构。

2. 饱和问题与自动校准

在实际应用中，我们发现当网络敞口相对于节点资本过大时，DebtRank算法会出现“饱和”现象，几乎所有节点的快速收敛至1，导致无法区分不同节点的系统重要性。为诊断饱和风险，我们定义风险资本比率。当时，系统进入饱和状态，所有。

为解决这一问题，我们提出了一种自动校准方法，通过引入校准乘数，将网络权重调整至目标风险资本比率。具体地，计算，调整后权重为。在本研究中，我们将设为0.8，该值能在仿真实验中有效激活风险传导，同时避免网络饱和。

3. SIFI综合评分

为全面评估机构的系统重要性，我们构建了一个包含网络中心性（度中心性、PageRank等）、风险传染（DebtRank得分）和业务规模（总资产、已赚保费）三类共15个指标的综合评价体系为消除多重共线性并进行降维，我们采用主成分分析（PCA）方法。具体步骤为：对所有指标进行Z-score标准化；计算协方差矩阵并进行特征值分解；提取解释了超过40%方差的第一主成分（PC1）；最终将每个机构在PC1上投影的绝对值定义为其SIFI综合得分。

三、实证结果与分析

本章旨在展示研究的核心实证发现。首先分析双层网络的拓扑结构，其次度量系统性风险并识别系统重要性保险机构（SIFI），最后验证双层网络框架的必要性。

（一）网络拓扑结构特征

我们首先对2019年至2023年间构建的两层网络进行拓扑结构分析。表1汇总了各年度、各网络层的核心统计指标。

年份	网络层	节点数	边数	密度	平均聚类系数
2019	再保险	193	230	0.0062	0.0128
	共同资产	193	1073	0.0579	0.2547
2020	再保险	195	229	0.0061	0.0191
	共同资产	195	865	0.0457	0.2241
2021	再保险	191	218	0.0060	0.0057
	共同资产	191	916	0.0505	0.2076
2022	再保险	209	248	0.0057	0.0071
	共同资产	209	1174	0.0540	0.2277
2023	再保险	212	251	0.0056	0.0068
	共同资产	212	1908	0.0853	0.2999

从表1可以清晰地看出，两层网络展现出显著的异质性结构。再保险网络始终是高度稀疏的（密度≈0.006），符合其由少数核心机构主导的中心化市场结构。与之相比，共同资产网络则要稠密得多（密度在0.046到0.085之间），反映了机构在投资策略上存在广泛的、集群化的相似性。

值得关注的是共同资产网络的动态演化，其密度和聚类系数在2020-2021年出现小幅下降，而在2023年则显著上升。这可能表明，在宏观冲击初期，机构倾向于收缩风险敞口，而在后公共卫生事件时期不确定性增加的环境下，机构的“羊群效应”再度增强。图1从微观的度分布视角，直观地证实了这两层网络在结构上的巨大差异及其各自的演化路径。

（二）DebtRank风险度量与机构画像

我们应用了自适应校准的DebtRank算法，对2019-2023年的网络进行风险测算。图2直观地展示了样本机构在“传染性-脆弱性”二维风险空间中的分布及年度演变。

从图中可以看出，大部分机构位于低传染性区域，但少数机构表现出极高的传染性或脆弱性，成为系统性风险的关键节点。我们将机构划分为四类：I.高传染-高脆弱；II.高传染-低脆弱；III.低传染-低脆弱；IV.低传染-高脆弱。从动态演变来看，处于第一象限（高传染、高脆弱）的机构数量整体呈波动下降趋势，而处于第四象限（低传染、高脆弱）的机构数量，尤其在2023年出现了显著增加，这可能预示着系统中脆弱性机构的风险敞口正在扩大。

（三）SIFI识别与综合排名

最后，我们采用主成分分析（PCA）方法，对网络中心性、DebtRank得分和业务规模等多维度指标进行降维，构建了SIFI综合评分。图3展示了2022年度SIFI综合排名前列的机构。

四、稳健性检验

为确保本研究核心结论的可靠性，而非特定参数选择下的偶然产物，我们对模型进行了两方面的稳健性检验。

（一）参数敏感性分析

我们首先检验了SIFI排名对模型关键参数选择的稳定性。以2022年数据为例，每次仅变动一个关键参数，在预设的合理区间内重新运行完整的分析流程，并计算新排名与基准排名的斯皮尔曼等级相关系数（Spearman's Rank Correlation）。该系数值越接近1，表明排名对参数选择越不敏感，即模型越稳健。

共同资产网络显著性水平：用于控制差异过滤器的稀疏度。基准值为0.05，测试区间为{0.01,0.10,0.20}。

DebtRank目标风险资本比率：用于校准风险传染的强度。基准值为0.8，测试区间为{0.5,1.0,1.2}。

检验参数	测试值	与基准排名的斯皮尔曼相关系数	P值
共同资产网络显著性水平（基准：0.05）	0.01	1.0000	<0.001
	0.10	1.0000	<0.001
	0.20	1.0000	<0.001
DebtRank目标风险资本比率（基准：0.8）	0.50	0.9968	<0.001
	1.00	0.9991	<0.001
	1.20	0.9977	<0.001

敏感性分析结果表2表明，本研究识别的SIFI排名对关键参数的选择表现出极高水平的稳健性。在所有测试场景下，SIFI排名的斯皮尔曼相关系数均无限接近于1.0，且在统计上高度显著。这有力地证明，本研究的核心发现并非依赖于特定的参数设定，而是反映了中国保险市场内在的、稳定的网络结构特征。

（二）网络拓扑有效性检验

我们进一步检验了推断出的网络拓扑结构本身是否蕴含了超越宏观统计特征（如节点度数）的关键信息。我们设计了一个对比实验：在保持每个节点总连接数（度）不变的情况下，将真实的再保险网络连接进行随机化重排（即“配置模型”），然后在这个“半随机”的网络上重复风险传染模拟，并比较最终的违约机构数量。

冲击大小	Eta(η)	真实网络违约数量	随机网络违约数量	差异（真实-随机）
5%	0.0	13	13	0
5%	0.1	15	15	0
5%	0.2	17	17	0
10%	0.0	31	31	0
10%	0.1	34	34	0
10%	0.2	39	39	0
15%	0.0	45	45	0
15%	0.1	56	56	0
15%	0.2	69	69	0

表3的实验结果提供了一个非常重要的见解：在风险传导的初始阶段（模拟仅进行一轮），系统的脆弱性主要由节点的个体属性（如资本充足率、风险敞口）和网络的宏观统计特征如节点的连接数决定，而微观的、特定的连接模式即“谁精确地连接到谁”，在这一阶段尚未发挥出显著作用。这一发现为监管提供了一个更具成本效益的视角：在系统性风险的早期预警中，监控和管理机构的总风险敞口和核心连接度，可能比追踪每一条精确的双边关系更为关键和有效。

五、结论与政策建议

（一）主要研究发现

本研究基于2019-2023年中国保险市场数据，构建了一个包含再保险和共同资产持有两个异质性渠道的动态双层网络框架，并结合改进的DebtRank算法，对保险业的系统性风险进行了度量与分析。主要研究发现如下：

第一，双层网络框架揭示了异质性的风险传导渠道与动态演化特征。再保险网络结构稳定且高度稀疏，而共同资产网络则相对稠密，其关联度在后公共卫生事件时期显著增强，反映出市场行为如“羊群效应”对系统性风险关联的潜在放大作用。

第二，本研究识别出的系统重要性机构名单具有高度稳健性。SIFI综合排名清晰地指向了大型保险集团和头部寿财险公司，这与市场认知及监管重点高度一致。同时，稳健性检验表明，该排名结果对关键模型参数的选择不敏感，证明了结论的可靠性。

第三，网络微观连接模式在风险传导的初始阶段作用有限。一个创新性的发现是，在风险暴露的初期，系统的脆弱性更多地由机构的个体特征（资本、敞口）和网络的宏观统计特征（连接数）决定，而非精确的微观连接模式。这为监管聚焦于关键宏观指标提供了理论依据。

（二）政策建议

基于上述发现，为落实国家关于防范化解重大金融风险的要求，本研究提出以下政策建议：

第一，建议监管部门采用双层网络视角评估系统性风险。传统以规模为核心的单一指标已不足以全面刻画机构的风险贡献。监管部门应构建覆盖再保险、共同资产等多维度的风险监测体系，以更准确地识别和度量系统性风险的跨市场、跨行业传染。

第二，对SIFI机构实施差异化的宏观审慎监管。鉴于系统重要性高度集中的特征，建议监管部门对被识别出的SIFI特别是大型保险集团和头部寿险公司实施更为严格的资本充足、风险暴露和流动性管理要求，并对其关联交易进行穿透式监管，以有效控制风险源头。

第三，建立系统重要性机构名单的动态调整机制。鉴于金融网络的拓扑结构和风险状况会随外部环境动态演化，建议监管部门至少每年对SIFI进行一次重新评估，以确保监管重点与市场风险的实际情况相匹配，实现监管资源的有效配置。

（三）研究局限与未来方向

本研究亦存在一定的局限。首先，由于双边敞口数据的不可得性，本研究采用了网络推断方法，与真实网络拓扑仍可能存在偏差。其次，本研究构建的系统性风险指标旨在度量级联风险，而非预测机构的常规经营业绩。

未来的研究可从两方面拓展：一是在数据条件允许时，利用真实的双边敞口数据对推断网络进行验证，以提升模型的精确度。二是在现有模型基础上，融合更多宏观经济变量与机构个体风险指标，构建一个更为全面的风险评估框架，以更好地服务于国家防范化解重大金融风险的战略目标。

参考文献：

1. [1] 李守伟,何建敏,庄亚明,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(02):195-199.
2. [2] 吴宗柠,狄增如,樊瑛. 多层网络的结构与功能研究进展[J].电子科技大学学报,2021,50(01):106-120.
3. [3] 李守伟,王虎,刘晓星. 基于银行动态多层网络的系统性风险防控政策效果研究[J]. 管理工程学报,2022,36(04):164-176.
4. [4] 黄玮强,庄新田,姚爽. 基于信息溢出网络的金融机构风险传染研究[J]. 系统管理学报,2018,27(02):235-243.
5. [5] 刘立霞,李葵.复杂网络视角下的中国股市系统性风险研究——基于沪深300成分股数据[J]. 天津商业大学学报,2022,42(02):61-67.
6. [6] 牛晓健,陈鑫煜. 我国A股市场多层拓扑结构与稳定性研究——基于复杂网络分析方法[J]. 南大商学评论,2021(03):36-58.
7. [7] 宫晓莉,熊熊,张维. 我国金融机构系统性风险度量与外溢效应研究[J]. 管理世界,2020,36(08):65-83.
8. [8] 李守伟,王磊,刘晓星,等. 跨银行与企业部门的系统性风险研究[J]. 系统工程理论与实践,2020,40(10):2492-2504.
9. [9] Poledna S, Molina-Borboa J L, Martínez-Jaramillo S, et al. The multi-layer network nature of systemic risk and its implications for the costs of financial crises[J]. Journal of financial stability,2015,20:70-81.
10. [10] Montagna M, Kok C. Multi-layered interbank model for assessing systemic risk[J]. SSRN electronic journal,2016.
11. [11] Anand K, Craig B, von Peter G. Filling in the blanks: Network structure and interbank contagion[J]. Quantitative finance,2015,15(04):625-636.
12. [12] Tumminello M, Aste T, Di Matteo T, et al. A tool for filtering information in complex systems[J]. Proceedings of the national academy of sciences,2005,102(30):10421-10426.
13. [13] Serrano M Á, Boguñá M, Vespignani A. Extracting the multiscale backbone of complex weighted networks[J]. Proceedings of the national academy of sciences,2009,106(16):6483-6488.
14. [14] Battiston S, Puliga M, Kaushik R, et al. DebtRank: Too central to fail? Financial networks, the FED and systemic risk[J]. Scientific reports,2012,2(01):1-6.
15. [15] 黄岩渠,胡宗义,喻采平. 改进的DebtRank算法与系统重要性、系统脆弱性研究[J]. 系统工程理论与实践,2019,39(02):311-318.
16. [16] Bardoscia M, Battiston S, Caccioli F, et al. Pathways towards instability in financial networks[J]. Nature communications,2017,8(01):14416.
17. [17] Jolliffe I T, Cadima J. Principal component analysis: A review and recent developments[J]. Philosophical transactions of the royal society A: Mathematical, physical and engineering sciences,2016,374(2065):20150202.