etet Вопросы природопользованияEnvironmental Management Issues 3034-3461 Индивидуальный предприниматель Подколзин М.М. 10.25726/u5037-0810-5157-o269 ENVIRONMENT AND TECHNOLOGIESОКРУЖАЮЩАЯ СРЕДА И ТЕХНОЛОГИИ Оценка системного риска через многослойные финансовые сети и динамику распространения шоков с применением методов перколяции и стохастического моделирования на реальных данныхAssessment of systemic risk through multilayer financial networks and the dynamics of shock propagation using percolation methods and stochastic modeling on real data Успаева Милана Гумкиевна mguspaeva@mail.ru Гачаев Ахмед Магомедович Gachaev-chr@mail.ru Чеченский государственный университет им. А.А. Кадырова, 364024, Чеченская Республика, г. Грозный, ул. А. Шерипова, 32 Грозненский государственный нефтяной технический университет им. акад. М.Д. Миллионщикова, 364051, Чеченская Республика, г. Грозный, пр-т Х. Исаева, 100 2025 30 08 2025 4819Вопросы природопользованияEnvironmental management issues30 40 В статье предлагается комплексный подход к количественной оценке системного риска на основе моделирования многослойной финансовой сети, объединяющей три ключевых канала распространения шоков: межбанковское кредитование, контрагентские риски по внебиржевым деривативам и заражение через общие активы. Эмпирической базой служит агрегированный и анонимизированный массив данных по 520 европейским финансовым институтам за 2019–2023 гг., включающим банки (в том числе G-SIBs), страховые компании и инвестиционные фонды. Для каждого слоя рассчитываются основные сетевые метрики (плотность, степень узлов, кластеризация, длина пути), после чего устойчивость системы анализируется с применением перколяционного моделирования при случайных и целевых шоках, а также стохастического агент-ориентированного моделирования в ряде макроэкономических стресс сценариев. Показано, что слой деривативов формирует наиболее плотную и кластеризованную ядро периферия структуру и обеспечивает наиболее быстрый канал распространения шоков; дефолт 1% наиболее центральных институтов способен инициировать каскад, охватывающий свыше трети системы. Наибольшее усиление интегральных индексов системного риска вызывают падение фондового рынка и расширение кредитных спредов, активирующие канал общих активов. Декомпозиционный анализ подтверждает диспропорционально высокий вклад глобальных системно значимых банков в совокупный системный риск при одновременной значимости риска стада со стороны большого числа средних банков и небанковских посредников. Полученные результаты демонстрируют необходимость сетевого и многослойного подхода к макропруденциальному регулированию.This paper develops a comprehensive framework for quantifying systemic risk based on a multilayer representation of the financial system that combines three key channels of contagion: interbank lending, over the-counter derivatives exposures and common asset holdings. The empirical analysis relies on an aggregated and anonymized dataset for 520 European financial institutions over 2019–2023, including global systemically important banks (G-SIBs), other banks, insurance companies and investment funds. For each layer we compute core network statistics (density, degree distribution, clustering coefficient, average path length) and then assess system resilience using percolation-based simulations of random and targeted shocks, complemented by stochastic agent-based modelling under several macroeconomic stress scenarios. The results show that the derivatives layer exhibits the highest density, clustering and core–periphery structure and thus acts as the fastest and most fragile channel of shock transmission; the default of only 1% of the most central institutions can trigger cascades involving more than one third of the system. The strongest increases in systemic-risk indices are generated by equity-market crashes and credit-spread spikes, which activate the common-asset channel. A decomposition by institution type reveals a disproportionately large contribution of G-SIBs to aggregate systemic risk, while also highlighting the relevance of herd risk stemming from numerous medium-sized banks and non bank intermediaries. Overall, the findings underscore the need for a multilayer network perspective in macroprudential policy design.systemic riskmultilayer financial networkspercolation analysisagent-based modellingderivatives marketinterbank lendingcommon asset holdingssystemically important banksmacroprudential regulationсистемный рискмногослойные финансовые сетиперколяционный анализагент ориентированное моделированиепроизводные финансовые инструментымежбанковское кредитованиеобщие активысистемно значимые банкимакропруденциальное регулирование issue-cover Андрейчиков А.В., Маслова К.А., Лелянова С.В. Сетевые модели управления рисками // Мир транспорта. 2014. Т. 12. № 3 (52). С. 162-174. Быков Я.А., Тарасюк М.В. Оценка числа категорий доступа многоуровневой сети на основе анализа рисков каскадирования // Труды СПИИРАН. 2007. № 4. С. 247-253. Дзюба С.А., Тишковец В.С., Щепелева М.А. Трансмиссия системного риска между банковскими системами стран азиатско-тихоокеанского региона и России // Финансы: теория и практика. 2023. Т. 27. № 5. С. 182-194. Ермаков С.А., Громовиков С.Ю., Болгов А.А., Москалева Е.А. Оценка и регулирование рисков сетей промышленного интернета вещей на разных этапах жизненного цикла систем в условиях отсутствия статистики ущерба // Информация и безопасность. 2021. Т. 24. № 1. С. 127-134. Калашников А.О., Аникина Е.В. Управление информационными рисками сложной сети на основе метода стохастического имитационного моделирования (часть 2) // Информация и безопасность. 2019. Т. 22. № 1. С. 14-21. Коновалов В.В., Караев А.Н., Мельничук М.В. Использование сетевого подхода при определении системных рисков и безопасности финансово-экономических систем // Транспортное дело России. 2012. № 6-2. С. 137-140. Котенко А.Г., Котенко Д.А. Анализ риска в инфотелекоммуникационной системе // Автоматика, связь, информатика. 2010. № 8. С. 16-18. Кочарян А.Г., Оганесян М.Г. Моделирование распространения возбуждений в случайных сетях // Вестник Национального политехнического университета Армении. Информационные технологии, электроника, радиотехника. 2020. № 2. С. 34-43. Немов Д.А., Герасимов И.В., Кузьмин С.А., Ли А.В. Методика статистической оценки пропускной способности компьютерных сетей на основе модели перколяции // Известия СПбГЭТУ ЛЭТИ . 2018. № 1. С. 25-30. Остапенко Г.А., Карпеев Д.О. Методическое и алгоритмическое обеспечение расчета рисков распределенных систем на основе параметров рисков их компонентов // Информация и безопасность. 2010. Т. 13. № 3. С. 373-380. Паринов А.В., Небольсин А.И., Лысиков В.С., Митченко Д.А., Бабаджанов Р.К., Остапенко А.А., Тихонова С.С. Риск/шанс-анализ процессов распространения контента в социальных сетях для коллективных обсуждений // Информация и безопасность. 2017. Т. 20. № 2. С. 217-230. Пустовойтов П.Е., Мохамед Эсаэс. Методика анализа многокомпонентных входных потоков в компьютерных сетях // Вестник Национального технического университета Харьковский политехнический институт. Серия: Информатика и моделирование. 2006. № 40. С. 157-164. Толстов В.Д., Шварцкопф Е.А., Деревянко В.Н., Белоножкин В.И., Воришек Й., Чопоров О.Н. Риск-моделирование с учетом динамики расширения информационной сети Facebook // Информация и безопасность. 2017. Т. 20. № 3. С. 382-391. Тырсин А.Н. О моделировании риска в многомерных стохастических системах // Обозрение прикладной и промышленной математики. 2015. Т. 22. № 1. С. 89-90. Чернов В.П., Тухватулин И.Х., Савинов А.С., Кочубеев Ю.В., Бендюковский М.П. Сравнительный анализ методов математического моделирования // Литейные процессы. 2002. № 2. С. 221-225.