把资产负债表与网络连接分开
论文提出一个范围窄但影响大的问题：在真实银行间网络中观察到的系统性风险，有多少已由参与银行的资产负债表所隐含，又有多少来自“谁向谁借款”的具体格局？为回答这个问题，作者把在真实网络上测得的风险，与一个反事实情景生成的风险相比较。在这个反事实中，每家银行保留其资产负债表总量和交易对手数量，但双边连接被随机放置。
这个反事实是全文的关键工具。如果随机连接基准能重现观测风险，那么对当前目的而言，了解资产负债表就足够了。如果不能，那么具体的风险暴露配置就携带了资产负债表遗漏的信息。论文把它当作统计检验而非单次预测，因此比较的是观测值与一个期望值分布，而不是两个点估计。
保留分散化结构的最大熵基准
基准网络用可分离有向增强配置模型（SDECM）构建，这是一种最大熵方法。通俗地说，该模型在数据给定的固定约束下，寻找结构最少的一组网络：每家银行保留相同的借款和贷款交易对手数量，以及相同的银行间资产和负债总额，其余关于哪家银行与哪家交易的信息都被随机化。作者每年生成1000个这样的网络组成集合，因此期望风险带有标准差，而不是一个单一数值。
这一点很重要，因为更简单的随机基准会把风险暴露摊得过于均匀，使银行看起来比实际更分散。通过保留每家银行的分散化模式，零模型分离出了真实双边配置的贡献。作者把该基准比作政策分析中的反事实：它是在只有资产负债表变量起作用、连接格局随机时预期会出现的结果。
意大利隔夜数据与BankFocus推断的权益
观测风险在电子银行间存款市场（e-MID）上测量。这是一个无担保货币市场贷款交易平台，覆盖意大利全部国内隔夜存款市场，也对外国银行开放。样本从2005年第一季度到2012年第三季度，只保留隔夜贷款（约占总交易量的90%），并按年汇总。每笔贷款成为一条从贷款方指向借款方的有向加权连接。
平台数据不含银行权益，且银行是匿名的，因此作者用BankFocus中欧元区机构的资产负债表数据推断权益。在2005至2012年间2366家金融机构中，权益的对数与银行间资产和负债均值的对数呈强线性关系，平均Pearson相关系数为0.94，R²为0.88。作者再用拟合出的关系为每家e-MID银行赋予一个模拟权益值。这是推断步骤而非直接测量，它约束了传染模拟结果应如何解读。
总体风险在2009和2012年出现背离
在总体实验中，一个小冲击按各家银行权益的比例削减其净外部资产，作者用多轮DebtRank传染追踪由此产生的相对权益损失H。H从0（冲击不传播）趋向1−λ（所有银行都违约）。在传染动态早期，观测H通常落在期望值一个标准差以内，约10轮后系统接近收敛。
收敛值才出现有意思的分化。在2009年网络中，初始冲击为0.5%和1%时，观测系统性风险分别比期望低14.8%（3.3σ）和12.7%（3σ），但冲击为5%时差距缩小到3%（0.8σ）。2012年网络方向相反：冲击为0.5%、1%和5%时，观测H分别比期望高50%、25%和13%。按传播轮次平均，2009年观测风险比期望低15.3%（2.54σ），2012年相对权益损失则高出47.2%（1.28σ）。负向差距在大冲击下趋于消失，但2012年的超额仍存在，平均约12%（1.73σ）。
非线性DebtRank变体让违约概率随权益下降而上升，给出了一致的结果：2007、2008年尤其是2009年，在冲击不超过0.25时出现显著负偏差；2012年则在各种非线性和冲击参数下都出现大幅正偏差。作者结合当时事件解读这两个时期：雷曼违约似乎降低了连通性并提高了交易对手警惕，欧洲央行三年期再融资操作似乎改变了交易行为，并可能降低了风险厌恶。作者明确指出，其模型能检测偏差，但不能检验因果关系。
个体银行偏离其资产负债表风险
总体层面的一致并不适用于个体机构。作者测量每家银行的影响力（该银行首先违约时系统损失的相对权益）和脆弱性（另一家银行违约时它遭受的平均权益损失）。把观测值与基准对照，两个方向都出现明显偏差；按权益十分位分组平均会缩小偏差，但不会消除。2009年偏差聚集在对角线上方，意味着银行风险低于其资产负债表所暗示的水平；2012年则转为正值。
这一模式取决于传染模型。当估值函数高度非线性时偏差最大，此时即使很小的权益损失也会提高违约概率并改变风险暴露的价值。当模型接近违约传染时，精确的网络结构影响小得多：使用Furfine估值函数时，所有年份的偏差几乎不存在。作者由此认为，网络位置真正发挥作用的是困境传染，而非违约传染。
2005至2012年窗口支持什么
若干边界限定了结论。e-MID数据只是直接银行间风险暴露的代理，作者指出到2010年代中期无担保隔夜贷款几乎消失、被有担保交易取代，因此这些发现刻画的是2005至2012年的银行间市场，而非今天的市场。权益由横截面回归模拟，而非逐家银行观测。零模型假设匹配过程由纯随机性驱动，这是刻意保持不可知的选择，但也是一个实质性假设：如果银行根据违约风险选择交易对手，基准就会漏掉这一渠道，作者认为雷曼冲击后正是如此。
论文也无法为2009和2012年的时期建立因果关系。它的贡献是统计分解，而不是识别这些事件对网络形成的影响。
总体看资产负债表，个体看网络
论文最有用的区分在于两个分析层次。对总体系统性风险，基于资产负债表变量和分散化模式的最大熵框架在正常年份给出的估计与观测风险一致，这支持在缺乏详细双边数据时使用此类基准。对个体银行做压力测试，尤其是在系统性事件之后，资产负债表并不够：银行在网络中的位置可能使其风险显著高于或低于自身总量所暗示的水平。
最鲜明的比较是2009年与2012年的模型结果。2009年实际网络对应的风险低于资产负债表基准，2012年则更高，而且2012年的超额在较大的模拟冲击下仍然存在。在这组比较中，仅凭资产负债表信息，无法体现实际网络相对基准向哪个方向偏离。
本文引用的文献
Systemic risk in interbank networks: disentangling balance sheets and network effects
2005至2012年e-MID网络中观测到的总体系统性风险，与最大熵零模型下资产负债表隐含的风险总体一致，但在2009年（观测更低）和2012年（观测更高）显著背离；个体银行则可能因网络位置而比其资产负债表所暗示的风险更高或更低。