日本的银行公司信贷网络。二部网络的分析

相似文件 换一批

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Bank-firm credit network in Japan. An analysis of a bipartite network》
---
作者：
Luca Marotta, Salvatore Miccich\\`e, Yoshi Fujiwara, Hiroshi Iyetomi,
  Hideaki Aoyama, Mauro Gallegati, Rosario N. Mantegna
---
最新提交年份：
2014
---
英文摘要：
  We present an analysis of the credit market of Japan. The analysis is performed by investigating the bipartite network of banks and firms which is obtained by setting a link between a bank and a firm when a credit relationship is present in a given time window. In our investigation we focus on a community detection algorithm which is identifying communities composed by both banks and firms. We show that the clusters obtained by directly working on the bipartite network carry information about the networked nature of the Japanese credit market. Our analysis is performed for each calendar year during the time period from 1980 to 2011. Specifically, we obtain communities of banks and networks for each of the 32 investigated years, and we introduce a method to track the time evolution of these communities on a statistical basis. We then characterize communities by detecting the simultaneous over-expression of attributes of firms and banks. Specifically, we consider as attributes the economic sector and the geographical location of firms and the type of banks. In our 32 year long analysis we detect a persistence of the over-expression of attributes of clusters of banks and firms together with a slow dynamics of changes from some specific attributes to new ones. Our empirical observations show that the credit market in Japan is a networked market where the type of banks, geographical location of firms and banks and economic sector of the firm play a role in shaping the credit relationships between banks and firms.
---
中文摘要：
我们对日本的信贷市场进行了分析。分析是通过调查银行和企业的二分网络来进行的，这是在给定的时间窗口内存在信用关系时，通过设置银行和企业之间的联系而获得的。在我们的调查中，我们重点研究了一种社区检测算法，该算法可以识别由银行和企业组成的社区。我们表明，通过直接在二部网络上工作获得的集群携带有关日本信贷市场网络化性质的信息。我们对1980年至2011年期间的每个日历年进行分析。具体来说，我们获得了32年调查中每一年的银行和网络社区，并介绍了一种方法，以统计为基础跟踪这些社区的时间演变。然后，我们通过检测企业和银行属性的同时过度表达来刻画社区。具体而言，我们将经济部门、公司地理位置和银行类型视为属性。在我们长达32年的分析中，我们发现银行和企业集群的属性持续过度表达，以及从某些特定属性到新属性的缓慢变化。我们的实证观察表明，日本的信贷市场是一个网络化的市场，银行类型、企业和银行的地理位置以及企业的经济部门在塑造银行和企业之间的信贷关系方面发挥着作用。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：General Finance        一般财务
分类描述：Development of general quantitative methodologies with applications in finance
通用定量方法的发展及其在金融中的应用
--
一级分类：Physics        物理学
二级分类：Physics and Society        物理学与社会
分类描述：Structure, dynamics and collective behavior of societies and groups (human or otherwise). Quantitative analysis of social networks and other complex networks. Physics and engineering of infrastructure and systems of broad societal impact (e.g., energy grids, transportation networks).
社会和团体（人类或其他）的结构、动态和集体行为。社会网络和其他复杂网络的定量分析。具有广泛社会影响的基础设施和系统（如能源网、运输网络）的物理和工程。
--

---
PDF下载：
--> Bank-firm_credit_network_in_Japan._An_analysis_of_a_bipartite_network.pdf (296.18 KB)

2022-5-6 15:32:48 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：公司信贷 Quantitative relationship Geographical observations

日本的银行企业信贷网络。巴勒莫大学巴勒莫分校卢卡·马洛塔和萨尔瓦托·米奇奇·迪菲西卡和奇米卡大学二部网络分析，科学研究院，第18版，I-90128，巴勒莫，意大利藤原义吉模拟研究学院，兵库大学，神户650-0047，日本新泻大学，日本新泻大学，伊伊伊托米数学系，新泻950-2181，日本青山大学科学研究生院，京都大学，京都606-8502，日本马泰利广场，巴黎理工大学社会经济科学研究所，8岁。60121匈牙利布达佩斯纳多尔9号H-1051中欧大学网络科学与经济系安科纳和巴勒莫大学希恩泽分校网络科学与经济系（日期：2021年8月25日）我们对日本信贷市场进行了分析。分析是通过调查银行和企业的双重工作来进行的，这是通过在给定的时间窗口内存在信贷关系时设置银行和企业之间的联系来获得的。在我们的调查中，我们关注的是一种社区检测算法，它可以识别由银行和企业组成的社区。我们表明，通过直接在二部网络上工作获得的集群携带有关日本信贷市场网络性质的信息。我们对1980年至2011年期间的每个日历年进行分析。具体而言，我们获得了32年调查中每一年的银行和网络社区，并引入了一种方法，在统计基础上跟踪这些社区的时间演变。然后，我们通过检测企业和银行属性的同时过度表达来描述社区。

具体而言，我们将经济部门、企业地理位置和银行类型视为属性。在我们长达32年的分析中，我们发现银行和企业集群属性的过度表达持续存在，以及从某些特定属性到新属性的变化缓慢。我们的实证观察表明，日本的信贷市场是一个网络化市场，银行类型、企业和银行的地理位置以及企业的经济部门在塑造银行和企业之间的信贷关系方面发挥着作用。引言二部网络在复杂系统中很常见。经典的例子是演员和电影、董事会成员和公司、作者和科学论文等的网络。通常对两部分网络的调查是通过对两组顶点中的一个或两个顶点执行一个模式投影来完成的。这种方法在许多二部复杂系统的研究中非常成功。然而，单模式投影意味着一定程度的信息丢失，这可能会阻止，例如，涉及两个集合的节点之间直接关系的信息的表征。在本文中，我们研究了在日本证券交易所和柜台市场交易的银行和企业之间建立的信用关系的二分网络。具体而言，我们的目标是检测和描述1980年至2011年间日本信贷市场上存在的银行和企业社区。

我们的工作假设是，信贷市场是一个网络化市场[1]，即银行和企业之间存在的信贷关系受到银行和企业属性的影响。过去几年，几位作者[2-5]一直在考虑大型且密集的二部作品中的社区检测，这仍然是当前研究的主题[6,7]。对于单方网络，二方网络中的社区检测是通过使用不同的方法和不同的适应性度量来执行的。一个广泛使用的适应性度量是模块性[8]，即网络中连接相同社区顶点的链接分数减去相应配置模型中相同数量的预期值。模性在[8]中被引入到单方网络中，在[2-5]中被推广并适用于二方网络。基于模块化二部情形推广的算法[2–5]在推广类型上有所不同。它们在获得的社区类型方面也有所不同。具体而言，inGuimera等人[2]仅获得具有相同类型节点的社区。Murata[4]和Suzuki及Wakita[5]的算法也是如此，尽管在他们的例子中，可以获得特定类型节点的每个社区的一对多对应关系。Barber[3]的算法是唯一一个提供由两种类型的节点组成的社区，并在一个集合的一组节点和另一个集合的一组节点之间提供一对一的对应关系的算法。在本研究中，我们明确感兴趣的是调查银行集团与相关企业集团之间的一一对应关系。因此，我们决定使用巴伯算法[9]。几个复杂的系统可以被监控很长时间。

这些系统的分析和建模可以通过考虑整个时间段内观察到的网络连接和/或通过连续时间间隔（例如，每天、每周、每月或每年）分析网络来完成。在这里，我们通过调查32个不同的信用网络，对1980年至2011年间银行和企业之间的信用关系的二分网络进行了调查。每年，我们通过使用Barber\'s BRIM（二部递归诱导模块）算法获得信贷网络及其社区结构。当研究网络的时间演化性质时，重要的是要设置能够在存在与社区检测过程的统计性质相关的不确定性的情况下跟踪网络特定社区的时间演化的方法和程序。在此，我们提出了一种方法，能够跟踪在连续时间段获得的网络中检测到的社区的时间演化。该方法使用了一种统计测试，该测试与社区规模的异质性有关，因此适用于大型和小型社区。最后，我们根据银行和企业属性的过度表达，对不同年份获得的社区进行了描述，涉及（i）企业的区域位置，（ii）企业的经济部门，以及（iii）银行的类型。过度表达属性的统计验证是通过使用多假设检验校正程序的方法[10]进行的。我们对社区时间演化的统计验证程序使我们能够有效地跟踪社区随时间的演化。

通过我们的方法，我们发现了在日本已经存在多年的网络信用关系的层次[1]。这些信贷关系层次的特征是特定类型的银行、位于相同或密切相关地理区域的企业以及优先参与特定经济部门的企业。论文的结构如下。在门派里。我们简要地讨论我们的数据集。门派第三章讨论了日本信贷市场双边网络中的社区检测。门派IV介绍了用于跟踪网络中检测到的社区的时间演变的方法，并获得了连续时间段。门派第五部分介绍了多年来在各个社区和部门中对银行和企业属性过度表达的描述中获得的经验结果。我们得出结论。二、数据我们的数据集基于对日本证券交易所市场（东京、大阪、名古屋，按市场规模排序）和日本场外交易（OTC）市场中报价的公司的调查。这些数据是根据日经传媒营销有限公司（Nikkei Media Marketing，Inc.inTokyo）的财务报表和调查汇编而成，可在市场上买到[11]。其中包括从金融机构获得的每家公司的借款信息。具体而言，数据集报告了借款金额，并将其分为短期借款和长期借款。长期借款被视为所有超过1年的合同。我们考察了1980年至2011年这段时间，这段时间超过30年。分析每年进行一次，每个年度网络都是使用所考虑日历年的财务报表从数据集构建的。自1996年以来，数据集还包括OTC市场和/或JASDAQ（目前的OTC市场）。在其他研究中，场外市场的公司被排除在外，以关注上市公司。

在本研究中，我们调查数据库中存在的所有公司。数据库中的银行数量逐年变化。1980年为225，2001年之前基本保持不变，2011年降至166。公司数量从1980年的1414家增加到2006年的3034家，然后在2011年下降到2706家。随着OTC公司首次被纳入数据库，公司数量从1995年的1802家增加到1996年的2602家。同年，银行数量从219家增加到226家。两部分工作中的链接密度定义为观察到的链接数超过潜在链接数，平均从1980年的0.0867下降到2011年的0.0398。首次纳入OTC公司期间，链接密度的变化不太大。事实上，从1995年到1996年，连接密度从0.0721下降到0.0601。日本信贷市场之前已经通过考虑单模式投影网络[12]、由信贷网络的权重确定的特征值问题[13]和（如本文所述）在双边网络上直接检测到的社区[14]进行了分析。关于金融机构，商业银行包括长期、城市、地区（一级和二级）、信托银行、保险银行和ZF相关金融机构，包括信用协会，但不包括日本银行。我们注意到，破产银行包括在破产当年之前，银行的合并和收购过程是一致的，以确定幸存的银行。对于报价公司，在每个调查日历年活跃的公司都包括在内，即使他们在考虑的年份后来失败了。三、

二分网络中的社区检测在我们的二分网络中，当i和j之间存在信用关系（短和/或长）时，银行i和公司j之间存在链接。链接由二元变量描述（仅表示存在或不存在或信用关系），即在现有调查中，二分网络是一个未加权网络。网络中的社区（群集）检测是一种广泛使用的方法，用于发现网络中存在的经验规则，这些规则可能对系统的重要方面（如其内部结构、鲁棒性、恢复力等）具有参考价值。社区检测可以通过使用一系列不同算法、使用不同方法和能力度量来执行[15]。这里使用的社区检测算法是[3]中介绍的二分递归诱导模块（BRIM）算法。它是一种直接应用于二部网络的随机算法。iTunes将二部网络的模块性[8]作为划分过程的适应性度量。在我们的分析中，我们每年都会重复应用BRIM社区检测算法数次。具体来说，对于每一次运行中的每一个调查年度，我们应用算法100次，并执行20次独立运行。为了定量评估在每个日历年进行的20次独立运行中获得的分区之间的差异，我们评估了20次运行中所有分区对之间的调整后兰德指数（ARI）[16]。英菲格。1我们显示了调整后的Randindex的平均值作为日历年的函数。从每个日历年计算的20次独立运行中获得的190对不同分区的平均值。误差条是一个标准偏差。

1980年至1995年，调整后的土地指数接近于0.55，2000年至2011年期间增加到约0.8。调整后的Randindex值等于1表示两个比较分区完全重叠，而接近零表示节点随机分布到分区中。因此，从0.5到0.8的平均值表明不同的分区提供了不同的分区。然而，获得的不同分区在同一簇中保留了大量节点。此外，通过独立运行获得的分区的重叠程度在调查时间段的后半部分增加。为了说明在独立运行中获得的分区之间观察到的差异，在图2中，我们显示了每个调查年份的平均社区数（红色符号）的时间演变及其标准偏差。在图中，我们还显示了每年模块化程度最高的分区的社区数量（蓝色方形符号）。该图显示，随着时间的推移，社区的数量总体上逐渐增加。该图还显示了1995年至1996年间观察到的平均集群数量的突然变化。这一突然变化的原因是，从1996年开始，数据库包括OTC公司，因此包含了更大的一组公司。值得注意的是，尽管调整后的兰德指数（见图1）的平均值不受调查系统大小变化的影响。图1：在每个日历年的20次独立运行的RIM算法中获得的所有分区对之间计算的调整后兰德指数（ARI）的平均值。误差条表示一个标准偏差。四、

社区的时间演化使用第三节讨论的RIM算法检测到的社区是逐年获得的。因此，有必要将某一年检测到的社区与下一年检测到的社区进行适当的对比。社区的时间演化可以通过考虑t+1年的社区来检测。在t+1年的社区中，我们可以检测到t年给定社区中过度表达的元素。社区检测程序具有一定程度的随机性和简并性，与能力度量的微小差异有关，因此，一个元素在特定社区中的成员身份也可能只是因为偶然。因此，我们需要一种方法来检测连续两年的群落中相同成分的过度表达，该方法基于精心设计的统计程序，该程序对不同群落的大小异质性具有鲁棒性。此后，我们提出了这样一种方法。假设在t期有NTI社区，i=1，···，n，在t+1期有Nt+1其他社区，Ct+1j，j=1，··，Nt+1。对于t时期的所有社区，我们在t+1时期的所有NT+1社区中搜索，其中社区Ct+1J在t时期的社区中也存在过度代表的元素组成。图2：在时间间隔的每个日历年，通过将边缘算法应用于二部信用系统银行机构获得的聚类数的平均值（红色圆圈符号）1980-2011. 平均值是通过考虑使用随机初始条件对算法进行20次不同的独立运行所获得的最佳模块化划分中所服务的聚类数的平均值来获得的。误差条表示一个标准偏差。