美国的分裂、整合和宏观审慎监管

该程序的结果衡量了一个月内机构集中度在最高集中度值中的水平。它还表明中央机构是否是孤立的或是一个集团的一部分。例如，如果结果值较低，就意味着一个机构在中心地位上高于其他机构。相反，如果它们很高，则意味着可能属于同一部门的多个机构是系统连通性的重要贡献者。当集中度被解释为风险源时，意味着风险不是由单个机构驱动的，而是由一组机构驱动的。图5显示了相对进出中心度的结果以及传统的中间中心度度量。例如，它显示，在相关传出链接的前20%最高值中，机构（节点）是1994年的关联银行，2011年是三家关联房地产公司。因此，在这两个时期，只有少数机构在中心地位方面脱颖而出，其中我们统计了样本第一年的几家银行，以及最后的几家房地产公司。更广泛地说，我们观察到，在2007-2009年危机之后，在转向房地产和保险公司之前，在90年代初和银行业，流动性机构群而不是孤立的顶级机构。这一特征说明了这种代表性如何有助于记录和分析部门相关模式与机构特定模式。从相对的进入环节来看，在两次危机之间，主要接受者的集中度达到了最高水平，房地产公司占主导地位，保险公司在较低程度上占主导地位。房地产公司和银行的作用与之前图中的证据一致。

3和图4。图5也提供了新的见解，特别是反映了保险公司在危机爆发前几年的脆弱性。同样，该图更清楚地指出了2001年至2007年危机爆发前最脆弱机构的集中度。添加到图5中的第三个d测量依赖于中间性中心性。在网络表示中，对于具有中心位置的节点，采用二值中心性。居中是指一个节点在通过它的网络中其他两个节点之间的最小路径数。然而，值得注意的是，该度量是建立在无向链接的基础上的，因此在风险传播分析的背景下很难对其进行解释。因此，必须主要将其纳入作为基准。我们的结果表明，在由内外度中心性度量产生的模式与中间度中心性之间存在显著差异，强调了在构建此类度量时考虑链接方向的影响。我们还检测到相似之处。例如，在thr ee c案例中，所涵盖时期内最显著的变化对应于众所周知的财务事件。更具体地说，我们发现顶级机构集中在危机时期之外。这一特征与以下观点一致：金融风险是在平静时期积累起来的——这里的风险对应于联系的增加——并最终在再次积累之前变成系统的突然崩溃。中心性指标和金融事件之间的这种对应关系往往证实了顶级代表在分析金融网络和系统风险方面的相关性。3.2组成部分和社区在前面的章节中，我们根据部门类别对机构组进行了分析，这与事前信息相对应。

在随后的章节中，我们现在考虑一种替代（事后）方法，例如，根据特定算法识别的具有强大联系的机构被包括在【7，15】中所述的同一组中。更具体地说，我们考虑两种不同的方法。第一个依赖于特定组件的识别，即通过任何一对组件之间的至少一条链路连接的节点集。在我们的时间网络中，如果多个设置与组件结构中包含的至少一个节点连接，则它们被视为属于同一组件。提醒一下，如果股票市场回报时间序列之间存在统计依赖关系，那么在我们的上下文中，这两个节点是直接相连的，这两个节点与该月的股票市场回报时间序列相关。在这一分析中，股票市场价格中的同侪相互依存关系与10%的边际效应（检测显著联系的边际水平）一起使用。考虑到这种测量的软特性，我们可以从其在数据上的实现中检索到的最有用的信息与我们认为不属于最大组件的小集群的组成有关。这些集群由独立于1993年4月至2014年11月的全球图5：学位内、学位外和中间顶级部门的机构组成。圆圈s的大小表示在每个周期内，在前20%的最高值中，具有入度、出度和介数的机构的数量。系统，但仍以较小的相互依赖组连接。例如，1993年，最大的组件包括大约50个节点。我们可以检测到由两个或三个节点组成的小组件，使大约30个节点未连接或连接太弱，无法将其与其余节点进行同等考虑。第一个值得注意的观察结果如图。

6是整个样本中几乎所有机构在最大组成部分的聚集，表示美国金融公司对机构的全球依赖性。然而，非关联或孤立机构的数量不容忽视，正如所代表的背景所示。在大多数情况下，也有一些机构聚集在非常小的群体中。2007-2009年的危机时期尤其令人感兴趣。2007年和2008年仅检测到一个大型组件，而前几年检测到两个、三个或四个小型组件，我们观察到美国行业的一体化程度不断提高。在此期间，最大组件在9 0达到其样本峰值（截至目前，总共约110个节点）。从那时起，一个碎片化过程一直持续到2014年，组件越来越多，连接的节点总数突然单调下降。图7结合了1993年4月、1997年4月、2004年4月、2005年54月、2009年4月、2013年4月的信息，提供了互补的见解。图6：每个条形图表示从1993年4月到2014年10月20日的组件大小。虚线背景图表示每月的机构总数。绿色附着在最大的组件上，红色附着在第二大组件上，以此类推。组件和部门。此练习有两个特点。首先，对比银行业提供的情况。一方面，该部门的大多数机构都是大型gest部门的一部分，只有极少数属于小型部门。另一方面，许多银行和保险公司似乎与世隔绝。其他部门的情况更加平衡。

经纪商和房地产公司在样本开始时主要整合在最大的组成部分中，而这些机构中不可忽视的一部分则转向小组成部分，或在后危机时期变得孤立。关于组分形成（和稳定性）的详细研究超出了本研究的范围，但该分析可能对未来的研究有兴趣。组件的分类与节点对之间至少存在一个链接有关。将节点聚集到相互作用实体的相关组中的更细微的方法依赖于社区结构的识别。社区是一组节点，它们之间的连接比与系统其余部分的连接更紧密。存在几种识别社区结构的算法。从1993年4月至2014年11月，我们根据Louvain93 97 20012009 2013年图7：每个部门的机构数量分解为最大组成部分的机构数量（浅色）、小组成部分的机构数量（浅色）和孤立机构数量（点浅色），进行了社区检测。算法。[16] 。划分的好坏由模块性来衡量。对于我们网络的无向版本（其中进行了社区检测），优化模块化可以解释为优化网络上的特定随机块模型和特定扩散过程【17】。最好的分区是最大化模块化的分区。在我们基于因果关系的网络中，机构分组为社区意味着它们的市场回报表现出强烈的时间依赖性。无花果

8报告了构成最大组成部分内社区的机构数量。我们记得，对这些社区的动态性质及其随时间变化的决定因素的详细分析超出了研究范围。然而，我们可以从这张图中做出一些一般性评论，例如社区的数量比部门的数量多，这表明两部分信息都不是多余的。此外，社区结构似乎随着时间的推移表现出很强的稳定性。例如，我们没有观察到与图8中所示的连接银行数量相同的向下倾斜模式。然而，我们确实观察到，在这段时间内有一个轻微的峰值ofhttp://perso.crans公司。org/aynaud/communities/2007-2009年危机，其特点是社区数量的急剧减少和机构acr oss社区总数中所包含的机构数量的增加，这意味着在此期间社区规模扩大。有趣的是，在图中可以观察到的模式。8与图6中讨论的非常相似，即2007-2009年危机期间的高度一体化和之后的更加分散，其特点是出现了许多机构集群。4/93 4/97 4/20014/20054/2009 4/2013years图8：从1993年4月到2014年10月，每个栏代表组成巨大组成部分中每个社区的机构数量。从下到上，最大的社区是绿色，第二大社区是红色，依此类推。3.3接口本节旨在通过结合机构联系及其基于行业的分类信息来补充先前的分析。为此，我们使用“部门接口”的概念。我们将链接定义为接口的一部分，如果它连接属于不同部门的两个节点（见图。

9). 在图10中，我们显示了最大组件内部门接口的比例。使用两种不同的背景色表示两个连续的阶段。Ingreen是一个单调增长的阶段，不同部门之间的联系比例一直在增长，直到2001年第一次危机，从1993年的35%左右上升到80%。在这一转折点之后，在粉红色中，部门间的联系比例趋于稳定，同时保持在80%左右。值得注意的是，上升模式并不是系统中链接数量减少的症状，因为所示值已标准化。为了说明结果的可靠性，显示了敏感性参数的不同值（5、7、10和15%）的测量结果。我们在部门接口中确定的模式说明了金融业的高度一体化，特别是部门之间存在的强大联系，可以追溯到2007-2009年危机发生之前很久。此外，它还表明，90年代各部门的整合水平要低得多，在这十年中，金融部门经历了几次大规模破产事件，如长期资本管理的失败，对实际经济的影响不如2000年的证券。我们能够识别回声的过渡阶段如图9所示：如果链接的两个连接节点属于不同的部门，则将其定义为接口的一部分。结果是，有学者报告存在类似的经济转型现象[18，19]。3.4 M-reach中心性（传染过程）与katzcentrality我们通过超越直接联系并考虑间接联系来完成对金融业的分析。

为此，我们使用了[20]中的卡茨集中度测量方法，以及在实际应用中更为考虑的传染过程。Ka-tz中心度是用来理解每个节点重要性的度量。它通过直接和间接链路测量一个节点与网络其他节点的连接。每个直接和间接连接节点的权重是两个节点之间距离的函数。因此，连接越间接，即中间节点越多，距离越远，重量越轻。从形式上讲，距离是通过惩罚衰减因子来表征的。Katz中心度是特征向量中心度0.20.40.60.80.20.40.60.80.20.40.60.84/93 4/97 4/20014/20054/2009 4/2013Years0.20.40.60.8图10:1993年4月至2014年11月期间，巨型组件内部扇区接口的比例，用于检测重要链接的不同测试水平值。两种不同的背景色用于表示两个不同的阶段：绿色为单色递增阶段，粉色为0.8左右的稳定阶段。重要的是要注意，上升不是链接数量增加的结果，因为显示的值是标准化的。显示了灵敏度（即cuto ff）参数不同值的测量值。当网络稀疏或定向时，用于测量一级节点以外的中心性。通过应用渗流理论和计算m-reach中心度，实现了另一种直观的K-atz中心度方法。在传出链接的情况下，它建立在与Katz centralitymeasure非常相似的原则上，通过确定每个节点在其向s系统的其他部分传播感染或冲击（在我们的情况下是严重损失）的能力方面的影响力。

在我们的简单传染过程中，我们从一个被感染的节点开始作为初始种子，然后通过outgoinglinks计算被感染的节点数（见图11的顶部面板）。我们可以用以下示例来说明该算法。从一个具有三个传出链接的节点开始，第一步会感染三个节点。在第二步中，受感染的节点通过其传出的连接等方式将疾病传播给邻居。我们在第三次迭代时停止该过程，并计算受感染节点的总数。注意，传染过程将突出节点的结构角色。对于insta nc e，图1 1中的目标节点与网络弱连接，并具有先锋角色；然而，其与高中心枢纽的连接在结构上有助于全球连接。为了检测vulnerablenodes，我们采用了相同的程序，首先反转了网络中所有箭头的方向（参见图11的底部面板）。经过三个步骤后，受感染节点的数量越高，影响我们启动的机构股票市场价格的机构数量就越高。在传染过程中反转箭头的效果给出了每个节点更容易受到影响的机构的数量，然后描述了其脆弱程度。图11：感染过程。上图：感染过程中的步骤，以计算最大的影响者和易受感染的节点。下图：箭头方向，用于计算影响机构（左）和脆弱节点（右）。在图12中，我们将通过传染过程获得的结果与K atz中心性度量进行了比较。我们在第二次迭代中停止传染过程。对于这两个指标，我们统计了排名前20%的机构数量。

如前一节所述，前20%嵌入的值范围从给定月份的最高中心值到等于最高值80%的阈值。该程序在每个时期重复一次，以使流动性最强/易受攻击的机构长期流动。to p面板中的圆圈显示了每个部门对传染过程的影响。卡茨中心主义者就站在下面。对这两个子图的目视检查支持其信息内容的紧密性，因为整个样本的模式非常相似。然而，我们可以注意到一些差异。其中，我们可以举出2001年危机前银行业的作用，只有在使用卡茨中心性指标时，银行业才被定性为斯皮洛夫的实质推动者。转到影响节点，我们可以看到，这两个结果再次提供了类似的信息：（i）1993年至2001年，银行业的流动性很高，（ii）保险公司和银行随着时间的推移，已成为金融行业的关键传送器。图12:1993年4月至2014年11月，通过上部的传染过程，最具影响力和脆弱的节点，其次是卡茨中心性。圆圈s的大小代表样本最高值前20%中没有学位和学位的机构数量。3.5时间度量最近，网络科学的一个新研究方向旨在为动态系统开发特定的度量，而不是在时间演化网络的连续静态快照上应用标准度量。据此，我们建议在边和节点的时间序列上应用度量嵌入信息作为最后的练习。图13显示了时间和无定向度量。前者按部门计算，为前20%的中央机构之和。