本节将基于上述构建的银行内生网络模型，仿真分析银行间传染风险特征。在进行仿真分析之前确定上述构建的内生网络模型中参数的取值。假设银行系统中有200家银行，并基于Lux ( 2015 ) A`s的研究，假设所有银行初始时的总资产来源于区间[10,200]上的参数为的截断帕累托分布。因为本文在对银行内生网络模型构建过程中，参考了Gatti等( 2009 ) , Riccetti等( 2013 , 2015 > 和LUX ( 2015 ) ，研究中对银行经营行为描述，如银行储户存款变化、贷款利率设定等。因此本文构建的模型中部分参数在上述文献中亦存在，进而借鉴它们的参数取值，设置本文模型参数取值为:T=1.2 , 8=0.9 , y=0.08刀=0.5 , cp=8=0.04 , M=0.3 , t.}=O.O l ,p=0.5 ,p,=0.01, }=0.02

(一)银行网络结构特征

图1揭示了银行系统在t=300和t=1 000时的网络结构，其中网络的节点是银行，网络的边表示的是银行间同业拆借关系。从图1可以看出:在t=300和t=1 000时绝大多数银行均向银行系统中的同一家银行进行同业拆借，而此银行是银行系统中的货币中心银行。这意味着:在银行系统演化过程中，本文构建的内生网络模型具有货币中心结构特征。同时可以看出图1中两个子图形状具有一定差异，原因在于本文构建的银行系统是动态变化的，而银行的储户存款变化、投资收益以及银行违约风险的存在，造成了银行在银行系统的地位随着时间演变是变化的，但在银行系统中始终涌现出货币中心结构特征。根据前面银行系统中同业拆借机制可知，流动性短缺银行在同业拆借时，为降低融资成本均向拆借利率低的银行进行同业拆借，而此使得提供同业拆借利率低的银行具有较多债务者，从而形成了货币中心结构。而在实际银行系统中，货币中心结构是存在的。如De}ryse和N}uyen( 2007 ) , I}rznar ( 2009 ) , Fernande、和Borges ( 2013 )分别研究发现比利时、克罗地亚和葡萄牙的银行网络具有货币中心的网络结构特征。

(二)银行间传染风险特征

基于上述内生网络模型，在此主要分析银行间传染风险特征。利用S刻画银行间传染风险效应，其中S表示的是100次模拟的累计违约银行数目的平均值。首先分析银行间同业拆借过程中，潜在交易对象选择比例M对传染风险效应的影响。在其他参数取值不变的情况下，改变M取值，得到图2所示的结果。从图2可以看出，在初始时期M的增加导致S的值在减少，但随着时间的推移S的值变大了。这意味着交易对象的增加在初始时期起到降低银行间传染风险效应的作用，但随着时间推移其加剧了银行间传染风险效应。导致上述现象的原因在于交易范围的增加使得流动性短缺的银行可以得到利率更低的贷款，减少了其融资的成本，改善了其财务状况。但也使得银行间同业拆借关联过于集中，导致大部分银行集中与少数几个银行进行同业拆借，而此不利于银行系统的稳定。

相对于无风险资产而言，风险资产的未来收益具有不确定性，而其可能造成银行投资巨大损失。一般高风险伴随着高收益，这促使银行进行风险资产投资。银行投资收益波动性越大，可能对银行产生不利影响，加剧银行间传染风险效应。由前面构建的内生网络模型可知参数e和二分别影响着银行投资规模的大小和银行投资收益的波动，而图3和图4则显示了它们对银行间传染风险的影响。由图3可知，银行投资规模越大银行间传染风险效应就越大。这是因为投资规模越大，将减少银行流动性资产规模，可能引发银行系统中流动性短缺，进而加剧银行违约风险。而由图4可知，银行间传染风险效应随着投资收益波动增加而加大。这意味着银行投资高风险资产时，可能加剧银行间传染风险效应，给银行系统稳定带来危害。

在其他参数不变的情况下，改变参数甲的取值，选取其为0.04 ,0.08和0.16。在上述3种不同的取值下，银行间传染风险效应如图5所示。由图5可知，S的值随着参数取值的增大而增大，这意味着增加参数甲将加剧银行间传染风险效应。在本文中假设银行遭受的流动性冲击是通过储户存款变化来刻画的，如式(1)所示。因此，参数甲的大小刻画了银行遭受流动性冲击程度。甲越大意味着银行遭受的流动性冲击就越大.进而造成图5所示的银行间传染风险效应。