4、风险传播模型：SIR模型在风险传染中的应用、图论基础（节点、边、路径）、风险传播概率计算

好，咱们进入第四章。这一章可以说是整个风险传染链路追踪的「数学内核」。你想想看，风险是怎么从一个点扩散到整个系统的？它有没有规律可循？能不能量化？

我个人习惯，遇到这类问题先找现成的数学模型。流行病学里的SIR模型，就是个现成的宝贝。我在做金融风控系统时，第一次把SIR模型套用到资金链断裂的传播分析上，效果出奇的好。说白了，病毒传播和风险传染，底层逻辑是相通的。

4.1 SIR模型：从流行病到风险传染

SIR模型把人群分成三类：易感者（Susceptible）、感染者（Infected）和康复者（Recovered）。在风险场景里，我们可以这样映射：

• S（易感节点）：还没出问题，但有可能被传染风险的实体。比如一个健康的供应商，它上游的工厂暴雷了，它就可能被拖下水。
• I（感染节点）：已经出问题的实体。比如已经违约的借款方、已经宕机的服务器。
• R（康复节点）：要么扛过去了（风险化解），要么彻底隔离了（破产清算、下线）。

核心公式就三个微分方程，我写给你看：

dS/dt = -β * S * I
dI/dt = β * S * I - γ * I
dR/dt = γ * I

这里β是感染率，γ是康复率。嗯，要注意，在风险场景里，β往往比流行病模型里高得多——因为风险传导有「加速效应」。我在一个供应链金融项目里遇到过，一个核心企业出问题，β值几乎是普通传染病的3倍，因为恐慌情绪会加速风险扩散。

4.2 图论基础：节点、边、路径

光有模型还不够，你得把实体之间的关系画出来。图论就是干这个的。我每次做风险链路分析，第一件事就是把业务关系抽象成一张图。

节点（Node）：代表实体。可以是人、公司、账户、服务器、交易ID。在风控里，节点通常带有属性，比如信用评分、交易金额、地理位置。

边（Edge）：代表关系。有向边（A→B表示A向B转账）、无向边（A和B是同一控制人）、加权边（边的权重表示交易频率或金额）。

路径（Path）：风险传播的路线。最短路径、关键路径、所有路径——不同路径代表不同的风险传导可能性。

举个例子，我做过一个反洗钱系统，把账户作为节点，转账作为边。洗钱团伙往往形成「环状路径」——资金转一圈又回到源头。这种结构，用图论一眼就能看出来。

4.3 风险传播概率计算

这是最核心的部分。风险从节点A传到节点B，概率怎么算？我总结了一套实战方法：

第一步：定义基础传播概率

每条边都有一个基础传播概率P_base。这个值怎么来？

• 历史数据统计：过去100次类似事件中，有多少次成功传导了？
• 专家经验：业务人员给出的主观概率。
• 机器学习：用特征工程训练一个概率预测模型。

第二步：考虑衰减因子

风险不会无限传播下去。距离越远，概率越低。我一般用指数衰减：

P_transmit = P_base * e^(-λ * d)

其中d是路径长度（跳数），λ是衰减系数。λ越大，风险衰减越快。在金融网络中，λ通常取0.3~0.5，因为资金链断裂的传导速度很快。

第三步：多路径合并

如果A到B有多条路径，风险传播概率不是简单相加。我习惯用「最大概率法」或「概率并集」：

P_total = 1 - ∏(1 - P_i)

其中P_i是每条路径的传播概率。这个公式的含义是：只要有一条路径传过来了，就算感染。

4.4 知识体系图：SIR + 图论 + 概率计算

下面这张图，是我自己梳理的本章知识体系。你看一眼，就能明白这三块是怎么串起来的。

4.5 实战案例：一个简单的风险传播计算

假设我们有三个节点：A（核心企业）、B（一级供应商）、C（二级供应商）。A出问题了，风险往B和C传。

路径	基础概率P_base	距离d	衰减系数λ	传播概率P
A → B	0.7	1	0.4	0.7 * e^(-0.4*1) = 0.47
A → B → C	0.7 * 0.5	2	0.4	0.35 * e^(-0.4*2) = 0.16
A → C（直接）	0.3	1	0.4	0.3 * e^(-0.4*1) = 0.20

你看，A到C有两条路径：直接路径（概率0.20）和经过B的路径（概率0.16）。合并后：

P_total = 1 - (1-0.20)*(1-0.16) = 1 - 0.80*0.84 = 1 - 0.672 = 0.328

也就是说，C有32.8%的概率被传染。这个数字，就是风控系统需要关注的阈值。如果超过50%，我建议立即启动阻断机制。

好了，这一章的内容就这些。SIR模型给了我们动力学框架，图论给了我们拓扑结构，概率计算给了我们量化工具。三者结合，你就能对风险传染链路做到「看得见、算得清、防得住」。

---

公众号:蓝海资料掘金营，微信deep3321