本文将跨链桥活动纳入DeFi借贷风险模型,基于15个借贷协议、53个跨链桥和9条EVM兼容区块链的日度数据,采用固定效应面板回归与OLS模型分析桥接交易量、清算及跨链事件对TVL和总收入的影响。结果显示,跨链桥交易量对不同网络层级的影响具有显著异质性,L2更受益于跨链流动性,而以太坊主网可能面临资金迁移;新增桥接整合整体与TVL和收入下降相关,清算及桥黑客事件对收入的影响则因网络类型而异。研究建议在DeFi风险管理中引入跨链指标,并采用面向网络层级的风险参数。
报告标题:《Interoperability Effects: Extending DeFi Lending Risk Models to Multi-Chain Environments》
作者:Hasret Ozan Sevim
作者机构:意大利卡梅里诺大学,以及米兰天主教圣心大学
主题:跨链互操作性、区块链借贷协议、DeFi流动性与风险管理
研究期间:主要数据覆盖2022年10月24日至2025年1月1日;部分描述统计从2022年10月17日开始。
这篇报告的核心贡献,是把传统DeFi借贷风险模型中较少涉及的跨链桥活动纳入分析框架,并考察桥接交易量、桥接协议集成、桥接黑客事件以及新网络上线等因素,对借贷协议的总锁定价值(TVL)和总收入(Total Revenue,TR)产生的影响。作者并没有给出股票式的“买入/卖出”评级或价格目标,而是提出一种研究判断:多链环境下,借贷协议的风险不能只在单条链内部进行评估,而必须考虑跨链流动性、桥接风险和不同区块链层级之间的结构差异。
报告的主要结论包括:
作者首先将DeFi定义为建立在分布式账本和智能合约基础上的金融体系,强调其去中介化、透明化、可互操作和点对点交易等特点。自动化借贷市场通过智能合约实现存款、借款和资不抵债时的清算,其功能在一定程度上类似传统银行,但风险管理依赖程序化参数,例如抵押率、清算阈值、价格预言机和治理机制。
随着借贷协议部署到不同区块链,流动性、交易速度、手续费、安全性和最终结算机制产生差异。跨链桥因此成为连接不同区块链的重要基础设施,但也使风险从“单链风险”扩展为“跨链风险”。作者特别指出,桥接资产被盗、某条新链上线吸引流动性,或桥接交易量突然放大,都可能引起桥接资产脱锚,进一步造成抵押品价值下降、坏账和连锁清算。
其风险传导逻辑可以概括为:
这是报告最重要的理论叙事,即不同区块链上的借贷协议并非相互独立,而可能通过桥接资产形成金融传染网络。
作者认为,已有研究主要关注清算、TVL波动、借贷协议脆弱性、用户集中度以及单链或跨协议风险管理,但没有充分纳入跨链资产转移因素。因此,本研究提出的问题是:跨链资产转移量、桥接黑客、桥接集成和新的Layer-2网络上线,是否会对借贷环境的TVL和收入产生统计显著影响?
该研究问题具有较强现实意义,因为DeFi的风险管理对象已经不再是单一协议,而是“协议—区块链—桥接基础设施”构成的组合系统。
图1左侧展示早期以太坊DeFi生态,DEX、借贷和永续合约等应用集中在同一个以太坊环境中;右侧展示当前多分布式账本环境,不同网络之间通过Cross-Chain Bridges相互连接。
该图不是统计图,而是概念示意图。其意义在于说明研究对象发生了变化:早期风险主要集中于单链内部,而多链时代的关键问题变成了跨链依赖。桥接协议提供了流动性迁移和资产互通能力,同时也成为风险传播节点。图中不同链上的协议和资产通过双向箭头相连,暗示桥接流动可能既有资金流入,也有资金流出;但报告使用的主要变量是桥接总量,而非方向性流量,这也是其后续分析的重要局限。
图2以14日平均值展示2022年末至2024年末不同网络组的桥接交易量。红色虚线代表全部网络合计值,整体明显高于单一组别;以太坊主网、Layer-2和其他Layer-1的桥接量均呈现较大波动。
图中可以观察到:
该图支持作者关于桥接活动具有周期性和冲击性的判断。桥接量并非平稳增长,而是受市场行情、网络激励、协议迁移和风险事件影响明显。不过,图中只能显示相关性和同步变化,不能直接说明桥接量上升导致TVL上升或下降。
图3显示各网络组借贷协议的TVL变化。以太坊主网的TVL长期显著高于Layer-2和Alternative Layer-1,是整个样本的主要资金承载者;2024年以后总TVL有所恢复并在年底达到较高水平。
图中还显示,Layer-2和Alternative Layer-1的TVL规模明显较小,但在2023年末以后出现阶段性增长。这种规模差异意味着回归结果不能只看系数大小,还要考虑样本基数。一个小网络的百分比变化可能很大,但绝对资金变化未必超过以太坊主网。
图4展示借贷协议的活跃用户数。Layer-2网络的用户数明显高于以太坊主网和Alternative Layer-1,尤其在2024年中出现显著峰值;以太坊主网的用户数量相对较低,但并不代表其资金规模较小。
该图与图3、图5共同形成报告的重要结构性发现:Layer-2可能承担更多零售和高频用户活动,而以太坊主网可能承载大型存款者。Layer-2较低的交易成本能够降低小额用户参与门槛,但也可能带来用户更加敏感、资金流动更快和风险偏好更高等特征。
图5显示存款量高度集中在以太坊主网,且在若干时间点出现突发性大额存款峰值。Layer-2和Alternative Layer-1的存款规模远低于以太坊主网。
这张图揭示了“用户数量”和“资金金额”之间的差异:Layer-2用户多,但平均每位用户的存款规模可能较低;以太坊主网用户少,却可能吸引大型资金。作者据此推断,不同网络应采用差异化的风险参数和流动性管理方案,而不能使用统一的借贷风险模型。
研究数据来源较为多样:
样本包括15个去中心化借贷协议和53个跨链桥,覆盖9条EVM兼容区块链,并分为三类:以太坊主网、其他Layer-1和以太坊Layer-2。
作者将变量进行对数转换,包括桥接交易量、清算量、提款量、收入、TVL、ETH价格和Gas价格。对数转换通常有三个作用:减弱极端值影响、使偏态分布更接近对称,以及将系数解释为近似弹性,即解释变量变化1%对应因变量的大约百分比变化。
报告还删除了The Graph查询结果中37个极端收入值,并声称最终每日样本为807个观测、没有缺失日期。 这一处理有助于避免异常数据主导回归,但也可能删去真实发生的极端收入事件,尤其是在黑客、清算或协议升级期间,因此需要谨慎解释。
作者使用固定效应面板回归和OLS回归。固定效应模型用于控制不同网络组或协议环境中不随时间变化的不可观测特征,例如基础用户群、治理传统或长期安全声誉。OLS则用于提供聚合结果和稳健性检查。
因变量为:
主要解释变量为:
控制变量包括:
作者使用交互项BridgeVolume×L2和BridgeVolume×AltL1,以以太坊主网为基准,识别桥接交易量在不同网络组中的额外影响。其逻辑是:桥接活动对主网的系数代表基础效应,而交互项反映Layer-2或Alternative Layer-1相对主网的差异。
Gas价格和APY均采用TVL加权处理,试图避免小网络或极端网络对整体指标产生不成比例的影响。
在TVL模型中,以太坊主网的BridgeVolume系数约为-0.06,意味着桥接交易量增加1%,主网TVL约下降0.06%,且具有统计显著性。Layer-2的总效应为-0.06+0.15=+0.09,即桥接量增加1%,Layer-2 TVL约上升0.09%。Alternative Layer-1的交互项为负但不显著。
这说明桥接交易对不同网络的经济含义不同:对于以太坊主网,桥接活动可能意味着资金被转移到成本更低的Layer-2;对于Layer-2,桥接活动则可能代表资金流入和用户迁移。
在TR模型中,主网BridgeVolume系数约为+0.14,说明桥接交易量增加与收入增加相关。Alternative Layer-1的总效应为约-0.13,而Layer-2的总效应接近零但略为正,报告文字称其为“barely positive”。清算变量对收入具有显著关系,但原文在“系数为正”和“清算增加导致收入下降0.02%”之间存在表述矛盾,提示表格中的符号或文字解释可能存在排版错误。
控制变量方面,CER、Withdraw、Stablecoin APY和FGI与TVL呈正相关;Integration与TVL呈负相关。收入模型中,BridgeHack、Withdraw、Stablecoin APY和FGI为正,ETH波动率为负,Mainnet和ETH APY则与收入呈负相关。
聚合TVL回归中,BridgeVolume不显著,作者认为这是符合预期的,因为桥接活动主要表现为生态内部不同链之间的资金重新分配,而不必然代表整个DeFi生态资金增加或减少。清算量则显著为负,清算增加1%与TVL下降约0.01%相关。
聚合TR模型中,BridgeVolume显著为正,报告称桥接或清算变量增加1%与收入增加约0.11%相关,但该句将BridgeVolume和Liquidation混用,存在明显文字错误。因此,读者应以表格实际系数为准,而不应完全依赖正文描述。
分类回归进一步显示:
这些结果说明,网络类型不仅改变桥接风险的强弱,也改变风险事件对协议收入的传导方式。
表1列出分析中的网络、借贷协议数量、桥接协议数量、网络上线日期及所属类别,数据源为DeFiLlama,截止日期为2025年1月1日。
其作用是明确样本框架,并将具体网络抽象为三种架构类别。该方法提升了统计样本量和可比性,但代价是牺牲了单条链层面的差异,最终结果应解释为“架构层面效应”,不能直接当作某一条具体区块链的表现结论。
表2汇总清理异常值后的原始数据,包含807个日观测,且没有缺失日期;37个极端协议收入值被剔除。 该表本应帮助读者了解变量的均值、标准差、最小值和最大值,但当前提供文本未展示具体数值,因此无法逐项复核变量波动程度。其主要信息是样本具有连续日频覆盖,并经过异常值处理。
表3提供TVL和TR两个面板模型的系数、标准误和显著性星号。报告依据该表得出桥接量在不同网络类别具有异质性影响的结论。 其价值在于控制网络类型的固定差异,但固定效应并不能自动解决反向因果。例如,TVL增长可能反过来吸引更多桥接交易。
表4使用Newey-West异方差和自相关稳健标准误,主要作为稳健性检验。 聚合模型中桥接量对TVL不显著,而清算对TVL显著为负,说明跨链活动的影响在把所有网络合并后会被抵消。
表5分别对主网、Alternative Layer-1和Layer-2进行TVL和收入回归,是识别网络异质性的关键表格。 该表支持Layer-2更受桥接活动推动、Alternative Layer-1表现更弱或更负面的结论,也显示清算和黑客事件对收入的影响并不一致。
表6显示所有方差膨胀因子(VIF)均低于5,作者据此认为不存在严重多重共线性。 这意味着解释变量之间没有明显的线性重复,但低VIF并不代表不存在内生性、遗漏变量或反向因果。
表7列出样本期内桥接黑客、桥接集成和网络主网上线事件,事件日期来自协议官方公告和DeFiLlama。 这些事件被转化为虚拟变量,用于捕捉结构性断点或离散冲击。但事件数量、事件间隔以及事件是否集中在某一市场阶段,会影响估计稳定性;提供文本未给出这些事件的完整数量和具体系数表内容。
作者对桥接黑客与收入正相关的解释是:黑客后,风险厌恶用户可能迅速去杠杆,触发清算,而清算费用短期内增加协议收入。 这一解释在机制上具有合理性,但它并不意味着黑客对协议是有益的,因为短期收入增加可能伴随TVL损失、声誉恶化和坏账风险。
报告明确承认研究结果属于探索性相关关系,而非因果关系。主要局限包括:
此外,报告的描述中存在几个需要审慎注意的内部问题。第一,引言称“2026年1月”跨链资产转移量超过1600亿美元,但研究数据和DeFiLlama访问日期均截至2025年1月1日,时间上存在不一致,可能是年份笔误或后续版本信息未同步。第二,关于清算对收入影响的符号解释前后不完全一致。第三,摘要称“桥接集成增加导致TVL和收入下降 across categories”,但分类回归和正文中对部分网络的集成变量并不总是显著,因此更准确的表述应是“总体呈负向关系,显著性和强度因网络而异”。
总体而言,该报告把跨链桥从单纯的技术基础设施提升为DeFi借贷风险模型中的核心金融变量。图2说明桥接活动具有高度波动性,图3和图5显示资金主要集中在以太坊主网,图4则表明Layer-2拥有更多活跃用户。将这些图表与回归结果结合,可以形成一个较为清晰的多链画像:以太坊主网偏大型资金和高价值存款,Layer-2偏零售用户和资金迁移,Alternative Layer-1则表现出更不稳定的桥接与收入关系。
作者最终并非主张桥接活动天然增加或减少风险,而是强调其效果取决于网络层级、用户构成、手续费、流动性目的地和协议收入机制。对风险管理而言,应当同时监测桥接交易量、桥接方向、桥接资产质量、桥接黑客事件、清算量、坏账和网络层级特征。报告最有价值的政策和实践含义,是建议借贷协议采用Layer-aware(分层感知)的风险参数,而不是对所有链使用统一抵押率、清算阈值和流动性假设。
但由于研究只能建立相关关系,且存在数据、内生性和指标局限,其结论更适合作为风险监测和模型扩展的初步证据,而不是严格的因果判断。未来若加入桥接净流入/净流出、事件研究、工具变量和坏账指标,才能更准确地识别跨链活动对DeFi借贷稳定性的真实影响。
2605.12508.pdf