这篇文档属于类型a，即报告单篇原创研究的学术论文。以下是根据要求生成的学术报告内容：

中国银行业系统性风险中的非系统重要性银行：基于网络分析的研究

作者与机构
本研究由Yong Li（中国政法大学商学院）完成，发表于Fractal and Fractional期刊（2023年10月，Volume 7, Issue 10）。论文标题为《The Importance of Non-Systemically Important Banks—A Network-Based Analysis for China’s Banking System》，重点关注中国银行业中非系统重要性银行（Non-SIBs）在系统性风险传播中的作用。

学术背景

研究领域与动机
本研究属于金融系统性风险与复杂网络交叉领域。2008年金融危机后，全球监管机构将“系统重要性金融机构（SIFIs）”列为重点监管对象，但传统识别方法（如规模指标法）存在局限性：仅关注单个银行对系统的风险贡献，而忽略银行间风险的“级联效应”（Cascade Effect）。中国银保监会2022年认定的19家系统重要性银行（SIBs）中，国有银行和股份制银行占主导，但近年包商银行等非SIBs的破产事件引发了公众恐慌。核心问题在于：非SIBs是否真的对系统性风险无影响？其风险溢出机制如何？

理论基础
研究基于以下核心概念：
1. 系统性风险测量：传统方法包括边际预期损失（MES）、CoVaR（条件在险价值）等，但低估了尾部风险的非线性特征。
2. 网络模型：将银行系统视为复杂网络，节点为银行，边为风险传染路径。作者采用广义条件在险价值（GCoVaR）改进传统CoVaR，更精准捕捉极端风险依赖关系。

研究流程与方法

1. 数据与样本

• 研究对象：54家中国上市银行（2019-2021年数据），包括国有银行、股份制银行、城商行和农商行（见附录A）。
  
• 数据来源：Wind数据库的股价数据，样本期为2021年6月至2023年6月。
  

2. 风险溢出效应建模

（1）边际分布拟合
采用ARMA-GARCH-GED模型拟合各银行收益率序列，解决金融数据的“尖峰厚尾”和波动聚集性问题。
（2）Copula模型构建
通过高斯Copula、t-Copula等拟合银行对的尾部依赖结构，选择AIC最优模型生成联合分布。
（3）GCoVaR计算
定义银行i对银行j的风险溢出强度（γj|i）：
$$ γ{j|i} = \frac{GCoVaR{j|i} - MCoVaR{j|i}}{MCoVaR{j|i}} $$
其中，GCoVaR条件于银行i处于极端风险（分位数α=0.025），MCoVaR条件于正常状态（α=0.5）。

3. 网络构建与分析

• 网络可视化：使用Python的NetworkX库绘制风险传染网络，节点大小表示加权度中心性（图1）。
  
• 关键中介识别：通过风险溢出强度γ和邻接信息熵（附录C）量化银行在网络中的枢纽作用。
  

主要结果

1. 非SIBs的风险溢出效应更强

• 典型案例：城商行CDB（总资产6524亿元）对民生银行（CMBC，SIB）的风险溢出强度γ高达51.84%，而其自身受系统性风险冲击的γi|index排名第二（图3）。
  
• 层级扩散现象：风险从农商行→城商行→股份制银行→国有银行逐级传导（表2-3）。例如，农商行CRC对城商行CHB的风险溢出γ为40.32%。
  

2. SIBs并非风险主要来源

• 国有银行（如工行、建行）对系统性风险的贡献排名靠后（工行γindex|i仅45.88%，排名第6）。
  
• 矛盾现象：部分SIBs（如招商银行）虽规模大，但因“大而不能倒”预期反而降低其引发系统性风险的概率。
  

3. 稳健性检验

通过邻接信息熵法验证GCoVaR结果一致性（图4），确认非SIBs（如南京银行NJB）的网络重要性被低估。

结论与价值

科学价值
1. 方法论创新：首次将GCoVaR与Copula结合，构建动态尾部风险网络，解决传统线性模型的低估问题。
2. 理论修正：提出非SIBs通过“关键中介”角色触发系统性风险，挑战了“仅关注SIBs”的监管范式。

应用建议
监管机构需识别“强风险溢出而不能倒（Too Connected to Fail）”的非SIBs，动态监控其业务关联度。例如，对CDB等城商行实施额外资本缓冲要求。

研究亮点

1. 新颖发现：非SIBs的风险传染能力可能超过SIBs，且其脆弱性更高。
   
2. 技术突破：GCoVaR算法开源（R/Python代码见附录B），支持后续研究复现。
   
3. 政策意义：为中国版“宏观审慎评估（MPA）”提供了非SIBs的监管抓手。
   

（报告全文约1800字，完整覆盖研究背景、方法、结果与结论）