基于復雜網絡的疫情沖擊對上證行業影響分析

劉建剛　陳蘆霞

摘要： 為探究新冠疫情對中國股票市場的影響，利用格蘭杰因果檢測，構建疫情爆發前、爆發期和疫情常態化控制三個階段的復雜網絡模型。分別從網絡拓撲結構、抗毀性能和節點重要性進行比較分析。發現疫情沖擊明顯改變了上證行業板塊結構關系，行業指數間聯動效應有所減弱；網絡攻擊仿真實驗顯示，面對破壞性更強的蓄意攻擊，第三階段抵抗能力更持久，其次是第一、二階段的網絡。疫情前后行業股票重要性排序發生了顯著變化，電子、社會服務、綜合和商貿零售行業在股市上逐漸處于中心主導位置；計算機、家用電器和通信行業成為股市網絡中信息傳輸效率的重要控制節點。疫情過程中，醫藥生物所受正向沖擊明顯，成為了市場中風險傳染的緩沖器。

關鍵詞： 復雜網絡；新冠疫情；動態結構變化；抗毀性

中圖分類號：?? N949? 文獻標識碼： A

The Impact of Epidemic on Shanghai Stock Exchange Industry Based on Complex Networks

LIU Jiangang， CHEN Luxia

（a. School of Science; b. Hunan Key Laboratory of Hunan Province for Statistical Learning and Intelligent ComputationHunan University of Technology and Business， Changsha 410205， China）

Abstract： In order to explore the impact of the Covid-19 epidemic on China′s stock market， the Granger causality test is used to construct a complex network model of three stages before the outbreak， the outbreak period and the normalized control of the epidemic. The comparative analysis is made from the network topology， survivability and node importance. It is found that the impact of the epidemic has significantly changed the structural relationship of the Shanghai Stock Exchange industry sectors， and the linkage effect between industry indices has weakened; the network attack simulation experiment shows that in the face of more destructive deliberate attacks， the third stage has a more durable resistance， followed by the first， second-stage network. Before and after the epidemic， the ranking of the importance of industry stocks has changed significantly. The electronics， social services， comprehensive and commercial retail industries have gradually taken an important position in the stock market; the computer， household appliances and communication industries have become important control nodes for information transmission efficiency in the stock market network. During the attack of the epidemic， the positive impact of medical biology was obvious， and it became a buffer for risk contagion in the market.

Keywords： complex networks; COVID-19; dynamic structural change; invulnerability

0 引言

新冠疫情作為一件重大突發公共衛生事件，對全球經濟的破壞力度不容小覷，中國作為世界第二大經濟體，遭受新冠疫情猛烈襲擊而產生的經濟劇烈波動也將對全球經濟局勢造成一定影響。疫情對中國經濟以及金融市場的影響成為了研究熱點。徐宏等[1]基于事件研究法實證分析爆發的新冠疫情對中國股市產生的影響，研究結果表明，疫情對股市負向沖擊力度大，呈現短期效應，并且對主板市場造成負面影響最深；另外投資者負面情緒的傳染效應極為明顯，造成股市整體狀態呈現下跌。周民軍等[2]運用事件研究法，在宏觀層面上分析新冠疫情對中國經濟運行、金融市場波動的影響，實證表明新冠疫情在醫藥、電子等行業產生積極影響，勞動密集型生產類行業的異常收益率則遭受脈沖式下降。目前，國內學者主要從宏觀角度研究疫情對整個金融市場的影響，而針對行業板塊的相互影響以及聯動變化的研究較少。

復雜網絡廣泛存在于自然與社會領域，隨著計算機技術的快速發展，復雜網絡理論逐步應用到充滿不確定性與復雜性的金融領域[34]，股票市場本質上也是一種復雜系統，越來越多的學者利用復雜網絡模型研究股票市場從而探究其內在波動規律。Onnela等[5]基于復雜網絡相關理論，采用紐約證券交易所477支股票的收益率數據構建股票關聯網絡，并進一步分析網絡拓撲結構不同的生長類型、簇的數目以及聚類系數等性質。Nobi A等[6]通過構建韓國股票市場閾值網絡，考察了2008年全球金融危機發生前、中、后三個階段對韓國股市網絡的影響，研究發現危機爆發時期的閾值網絡更寬，網絡聚類系數在標度范圍內服從冪律分布。Vrost T等[7]通過構建股票市場的格蘭杰因果網絡拓撲結構，探索金融危機在全球股市間的風險傳染效應，研究發現股市之間存在優先依附關系，風險溢出效應與網絡節點關聯度緊密相關。Zheng Q等[8]基于復雜網絡理論，構建全球156個股票市場的格蘭杰因果網絡，并分析所構建格蘭杰因果網絡的拓撲結構及其演化特征。趙軍產等[9]通過構建格蘭杰因果網絡，結合蒙特卡羅模擬算法分析在中美貿易戰影響下金融風險傳播情況，研究發現貿易戰爆發初期風險傳染力度最強，更容易造成股票行業指數“同漲同跌”的局面。

復雜網絡構建方法與拓撲特征研究不斷豐富的同時，網絡的抗毀性、魯棒性也引起了學者們的注意，經實證研究結果顯示，重大突發事件和政策相關因素等對股市網絡的穩定性、安全性可能造成一定影響[1011]。目前，關于網絡抗毀性能測度分析很多；Albert R等 [12]探究發現一類非均衡有線網絡具有很高的容錯性，針對擁有眾多連邊的重要節點進行蓄意攻擊時，網絡攻擊生存能力會急劇下降。Wang H等 [13]提出了一種損害攻擊法，并將其對網絡的破壞程度與基于度的攻擊進行對比，研究表明多數真實網絡存在一個攻擊臨界點，在該臨界值之前損害攻擊對網絡破壞力度更大。Bellingeri M等 [14]通過對小世界網絡、無標度網絡以及真實網絡采用不同攻擊策略進行攻擊，研究表明攻擊策略的效率往往取決于網絡自身的拓撲結構。王梓行等 [15]基于復雜網絡冗余度的全局屬性來評估網絡節點重要性，針對復雜網絡抗毀性優化提供了一種有效的參考模型。綜合上述研究，本文將抗毀性研究運用于股票市場網絡，收集疫情發生前、中、后三個階段中國A股市場數據，采用格蘭杰因果檢測法構建復雜網絡，分別從網絡拓撲結構、抗毀性能和節點重要性探究新冠疫情對上證行業的影響，最后利用實證研究結果給出相關建議。

1 方法和數據

1.1 方法與步驟

1.1.1 格蘭杰因果檢驗方法

格蘭杰因果關系檢驗法是一種衡量平穩時間序列之間是否存在相互影響的有效方法，其基本原理為：對于兩個平穩的時間序列Xt和Yt構建帶有p、q階滯后項的自回歸模型[1617]：

1.2 數據描述與說明

申銀萬國股價系列指數作為一套覆蓋面廣、代表性強的風格系列指數，能夠迅速反應股市，且充分考慮滬深市場實際。本文采用申銀萬國一級31類行業股票指數的收盤價格數據，時間跨度為2018年6月20日至2021年11月26日，剔除周末以及法定節假日不交易的日期，一共837組數據。本文充分考慮新冠疫情爆發期間各類重大事件，時間節點分別選取2020年1月23日即武漢封城日，2020年4月17日即全國復工復產逐漸全覆蓋時間點；劃分3個研究階段：1） 新冠疫情爆發前， 2018年6月20日至2020年1月22日（391個交易日）；2） 疫情爆發期， 2020年1月23日至2020年4月16日（54個交易日）；3）疫情常態化控制階段，2020年4月17至2021年11月26日（392個交易日）；數據來源于Wind數據庫。

此外，針對于第二階段相較于第一、三階段數據量偏少仍然單獨劃分出來研究，一是基于本文選擇的分析方法結合實驗效果綜合考慮的結果；二是單獨劃分出來可以展現疫情直面沖擊的真實效果；在網絡構建效果層面呈現出一種短暫連續的動態變化效果；從研究內容角度起到了一種過渡與細化分析的作用。

2 實證分析

2.1 格蘭杰因果有向加權網絡構建與拓撲結構分析

首先將本文選取的申萬一級行業指數收盤價格進行對數收益率化，計算公式為

Rit=lnPit-lnPi（t-1）（8）

其中，Pit為第i個申萬一級行業指數在交易日t內的收盤價格。接著對31個經過對數收益率化的時間序列進行ADF檢驗，利用Eviews軟件計算，檢驗結果表明數據均為不含有時間趨勢項以及截距項的平穩時間序列。確保時間序列數據為平穩性數據后，進一步對31個行業信息數據兩兩之間進行格蘭杰因果關系檢驗，其中滯后項的選取參考AIC、SC和HQ信息準則，綜合各項檢驗值來確定最佳滯后階數，將在顯著性水平α=0.05下檢驗得到的F值作為網絡連邊之間的權重；最后通過Gephi軟件繪制出新冠疫情爆發前、中、后三個時期的格蘭杰因果有向加權網絡，如圖1所示。

圖1直觀展現了上證股市各類行業板塊在這三個階段的整體關聯性以及行業指數間的聯動變化；疫情爆發前，網絡拓撲結構整體呈現出比較健碩的狀態，節點間的聯系較為緊密，基本上每個股市行業節點都擁有著一定比例的連邊，呈現穩定特征。2020年1月23日，武漢封城；由疫情帶來的諸多不確定性對各類行業板塊造成負面沖擊，一周內中國上證指數和深圳成指下跌幅度近10%；3月國際金融市場開始出現劇烈動蕩，中國股市遭受間接負向猛烈沖擊，滬深股市再次出現巨幅下跌，再創新低；上證股市的網絡稠密度急劇下降，拓撲結構變得十分稀疏；許多行業板塊被沖散成多個孤立的節點，可以看出新冠疫情對中國滬深股市幾乎產生全方位的攻擊，邊緣化行業板塊數目的增加反映出疫情風險仍帶來一定未知風險。隨著中國疫情防控政策的精準深入實施，疫情拐點很快出現；反映在股票市場上則是各類行業板塊之間的聯系也隨之重新建立，網絡稠密性逐漸明顯，但此時網絡中心節點開始發生顯著轉移，較為明顯的是計算機、通信和家用電器等行業股票在市場中不斷靠近中心位置。

進一步結合各類拓撲結構特征統計值來分析，由表1可知網絡稠密度極速下降后又加速回升，網絡密度由0.208降至0.025后又上升到0.058；側面顯示出重大風險沖擊對股市網絡穩定性有很大影響。疫情未發生前，網絡平均度高達6.226，平均路徑長度為1.939，各行業關聯性較強，銀行、非銀金融為股市行業的主導板塊。平均聚類系數可以反映行業間的“抱團”現象，其值越趨近于1，表明該節點與周圍節點的連接程度越高；疫情后期，各類行業板塊的聚集性有所下降，從0.334減至0.075，可見為降低危機時期所帶來的風險，行業間的信息傳遞在一定程度進行了有效過濾，行業在不斷加強自身的發展能力以及抗風險能力，從而防止過度依賴造成的連帶收益損失。

2.2 上證行業股票關聯網絡抗毀性分析

為進一步研究疫情對上證股市的影響，本文利用蓄意攻擊與隨機攻擊兩種模式對網絡進行瓦解直至網絡完全崩潰。蓄意攻擊是指在按照介數大小對節點進行重要性排序的基礎上，依次移除每個節點，對網絡進行攻擊；隨機攻擊則是通過隨機移除節點方式，破壞網絡節點之間的聯系。在仿真模擬實驗中，隨機攻擊采用蒙特卡洛模擬100次結果取平均值。

圖2、圖3分別繪制了3個時期全局網絡連通效率E和最大連通子圖規模S的變化情況?？梢钥闯龅诙A段即疫情爆發期，網絡極其脆弱，蓄意攻擊時網絡崩潰臨界值fo均在0.2～0.3之間；進一步來看，第二時期的E值幾乎總處于最低，S值波動下降速度最快。第一、三階段 fo處于0.65～0.75之間，盡管第三階段S值曲線在其他兩個時期上下波動，但網絡崩潰臨界值fo卻最大；這反映在疫情常態化控制階段，上證股市韌性得到回彈。面對隨機攻擊時，第一階段的E值、S值曲線總保持在最上方，3個時期fo均在0.95～1.00之間，可見網絡在面對隨機攻擊時抗毀性能更強。綜合來看，三個階段的行業關聯網絡抗毀能力強弱不一，面對外界攻擊，第三階段網絡擁有最持久的抵抗能力，網絡的連通性比較強??；第二階段的網絡更容易被瓦解，網絡連邊的關系顯得更為薄弱。

2.3 行業沖擊影響分析

為進一步了解新冠疫情爆發前后期間上證股市發展變化的潛在規律，本節對新冠疫情爆發前與疫情常態化控制兩個時期行業指數格蘭杰因果網絡的相關刻畫指標進行研究與分析，具體包括幾何位置中心性刻畫指標、信息傳輸控制能力刻畫指標以及關聯強度刻畫指標。

2.3.1 行業重要性以及信息傳輸效率分析

接近中心性反映節點在網絡中所占據位置的相對重要性；介數中心性近似衡量了行業節點在網絡中對信息流動的影響力。表2和表3分別統計了疫情爆發前和疫情常態化控制兩個時期行業節點接近中心性和介數中心性排名變化。

由表2知，疫情爆發前接近中心性最高的節點分別為銀行、非銀金融、輕工制造和煤炭。作為國民經濟運作樞紐的銀行業，其與非銀金融在股票市場中向來擁有主導地位；輕工制造業、煤炭行業是國家經濟的重要支柱，所以在網絡中處于中心位置。經歷疫情沖擊后的恢復階段，接近中心性最高的節點變成了電子、綜合、社會服務和商貿零售。其中電子、社會服務以及綜合行業的出強度均有所增加，說明其對外溢出效應增強；在社會服務方面，中國醫療、健康等相關服務在本次疫情防控期間更是得到了優越體現與發展，中國疫情防控的效率高且以人民為中心的發展理念得到深入貫徹落實，該類行業反映在股票市場中則是成為影響輻射力更廣的一類行業指數，由其中心性排名直接上升了26位亦可體現該效果；疫情期間，云辦公、云醫療和線上學習等方式廣泛流行，積極帶動了電子產業、綜合產業的發展，實體經濟上升空間明顯增大，促使該三類行業板塊股票價格上漲幅度明顯，在股市網絡上也不斷接近著中心位置；隨著線上電商銷售渠道滲透率提升，商貿零售業發展前景進一步打開，該行業板塊也開始成為網絡中與其他節點指數最為接近的節點。綜合來看，傳統制造業與高新技術產業存在一定的相互融合，共同作用于股市運行機制當中。

由表3知，疫情爆發前介數中心性排名前五的節點為銀行、非銀金融、紡織服飾、石油石化和煤炭。反映出在疫情爆發前，上述節點是網絡中的信息傳輸最短路徑所經過的高頻節點，在股票市場中表現為資金流動的主要行業節點。疫情常態化控制期，網絡中介數中心性最高的5個節點依次為家用電器、計算機、石油石化和基礎化工。其中計算機和通信排名依次上升了23和20位?？梢娛苄鹿谝咔橛绊?，上證股市的資金流通路徑更加傾向于傳統制造業和科技產業為主的股票。疫情期間的隔離政策和封閉式管理，無形之中加快推進IT產業線上遷移和云化等數字化進程，極大促進了計算機行業股票指數的上漲；云服務、大數據和人工智能等新一代信息技術的優勢進一步顯現，上游產業溢出效應增強，刺激了處于中游產業鏈的通信行業發展，反映在格蘭杰因果網絡上則是成為控制信息流動的重要節點，同時可以看出高新技術產業的發展韌性更強；因此計算機與通信行業節點介數中心性排名呈現大幅上升。觀察到家用電器行業節點的入強度增大，強度比值均減小，使得該行業更傾向于遭受外部沖擊影響，從而成為股市風險傳染路徑的流通節點。從整體排名變化幅度趨勢來看，疫情沖擊對網絡節點間信息流動與資金流向進行了較大幅度轉變，之前具有優勢的排名前十的行業大部分被置于優勢不太明顯的境地。

2.3.2 行業間關聯性波動分析

行業節點的出強度與入強度體現的是行業影響其他行業以及受其他行業影響能力的強弱。圖4繪制了不同時期上證股市中每個行業節點的出強度和入強度特征值。疫情爆發前，出、入強度最大的分別是銀行、非銀金融行業和煤炭。在遭受疫情沖擊后，出強度大的主要行業節點為計算機、建筑材料和房地產，入強度值大的則主要是國防軍工、建筑裝飾和家用電器。此外，醫藥生物、環保和食品飲料行業的出、入強度變化幅度波動也較為明顯；由此可見無論是傳統制造業或是高新技術產業等行業板塊的輸入、輸出影響力和風險耐受程度都發生了變動。

結合來看，疫情給大多數行業都產生了消極影響，尤其是以傳統生產方式為主的相關制造業。對比疫情前后，人類的生活方式以及消費結構均有所轉變。工作方式與教育方式出現的云辦公，線上課堂等以及線上直播帶貨的方式廣泛運用，促進了計算機以及電子行業向前發展，故計算機行業節點作為“格蘭杰因”的效應明顯增強。房地產銷售的減少加重了對電器消費以及建筑裝飾的抑制，電器消費在趨于飽和狀態背景下，更多需要突破電器智能創新難關，受疫情影響，對其消費更是產生不利影響，故其作為“格蘭杰果”效應變得明顯。

受疫情期間相關信息披露對弱勢有效市場的影響，股價波動對于利好、利空信息變得極為敏感，醫藥生物等三類行業股票指數在短時間內的信息流動變得更加頻繁，使得其與行業間的信息聯系構建變得極為不穩定；反映在格蘭杰因果網絡中上述行業成為了特殊的孤立節點。醫藥生物行業一直以來屬于國家重點發展項目、戰略新興產業；此次疫情防控調動大量醫藥物資需求量上漲，疫苗研發與疾病救治促使醫藥研發與制造投入比例大幅增加，直接刺激了醫藥概念相關股價上漲；進一步結合股價變化趨勢來看，醫藥生物行業股指在此次疫情中攀升趨勢明顯，上漲態勢持續較久，可見其受疫情的正向沖擊明顯，一定程度上成為上證股市中風險沖擊的緩沖器。同時醫藥衛生的急需保障和疫情防控的嚴格衛生要求也帶動了環保行業的發展。對于食品飲料行業，盡管在疫情爆發期，旅游業以及餐飲行業等的絕對低迷發展景氣對食品飲料行業造成巨幅沖擊。然而，“無接觸配送”、“無接觸點餐”卻是迎合了當下發展機遇，電商銷售前景不斷打開，作為剛需性行業的食品飲料業成功扭轉疫情不利局面。

3 結論與展望

本文以31類行業的股票價格指數為研究對象，采用格蘭杰因果檢測法構建上證股市有向加權網絡，旨在分析新冠疫情前后對中國上證行業的影響；結果表明，遭受新冠疫情沖擊后，中國上證股市結構關系發生明顯改變。從格蘭杰因果角度來看，不確定時期的經濟變量變得更加敏感，行業間的聯動效應有所減弱。網絡抗毀性仿真實驗結果表明，面對隨機攻擊，網絡的穩定性更強；而蓄意攻擊情況下，進行一番關系重塑的第三階段網絡抵抗能力更持久。根據接近中心性和介數中心性排名變化可知，電子、社會服務、綜合和商貿零售行業在股市上逐漸接近重要主導地位；計算機、家用電器和通信行業成為股市網絡中信息傳輸效率的重要控制節點。由行業間關聯性波動分析可知，疫情襲擊過程中，醫藥生物所受正向沖擊影響最為明顯，在股票市場中成為了抵御風險傳染的有效“緩沖器”。

綜合以上分析：疫情沖擊改變了上證股市行業板塊的結構，暴露出傳統制造業的一些短板，但疫情也刺激了數字產業的發展，對此政府可以進行適當政策調控，鼓勵拓寬數字技術在傳統行業板塊的應用。此外，基于復雜網絡方法，本文僅探究了疫情影響下股市內部元素之間的聯系與改變，缺少對不同股市間影響機制、股市預警等方面的內容分析，這也將成為下一步研究工作。

參考文獻：

[1]徐宏， 蒲紅霞. 新冠疫情對中國股票市場的影響——基于事件研究法的研究[J].金融論壇， 2021， 26（7）： 70－80.

XU H， PU H X. The impact of COVID－19 on Chinas stock market-based on event study[J].Finance Forum， 2021， 26（7）： 70－80.

[2]周民軍，曲彬，黃雯，等. 新冠肺炎疫情沖擊對我國產業發展和金融市場波動的影響——基于事件研究法和EGARCH模型的實證研究[J].華北金融， 2021，43（2）： 28－39，55.

ZHOU J M， QU B， HUAN W，et al. The impact of COVID－19 on Chinas industrial development and financial market volatility-based on event study and EGARCH model[J]. Huabei Finance， 2021，43（2）： 28－39，55.

[3]WANG X F， CHEN G. Complex networks： small-world， scale-free and beyond[J]. IEEE Circuits and Systems Magazine， 2003， 3（1）： 6－20.

[4]LI M， LIU R R， L L，et al. Percolation on complex networks： theory and application[J]. Physics Reports， 2021， 907： 1－68.

[5]ONNELA J P， KASKI K， KERTSZ J. Clustering and information in correlation based financial networks[J]. The European Physical Journal B， 2004， 38（2）： 353－362.

[6]NOBI A， MAENG S E， HA G G，et al. Effects of global financial crisis on network structure in a local stock market[J]. Physica A： Statistical Mechanics and Its Applications， 2014， 407： 135－143.

[7]VROST T， LYCSA ， BAUMHL E. Granger causality stock market networks： temporal proximity and preferential attachment[J]. Physica A： Statistical Mechanics and Its Applications， 2015， 427： 262－276.

[8]ZHENG Q， SONG L. Dynamic contagion of systemic risks on global main equity markets based on granger causality networks[J]. Discrete Dynamics in Nature and Society， 2018（2）：1－13.

[9]趙軍產，黃麒安，吳曉群，等.基于格蘭杰因果網絡的中美貿易戰對上證行業沖擊的研究[J].物理學報，2021，70（7）：325－333.

ZHAO J C， HUAN Q A，WU X Q，et al.The impcat of trade war on Shanghai stock exchange industry based on granger causality network[J]. Acta Physica Sinica，2021，70（7）：325－333.

[10] 黃軻，陳瑤雯，劉曙華，等.“黑天鵝”事件與中國金融市場波動傳遞的動態網絡[J].金融經濟學研究，2021，36（5）：31－47.

HUAN K， CHEN W Y， LIU S H， et al. “Black swan” events and dynamic network of volatility transmission in Chinas financial market[J.]Financial Economics Research， 2021，36（5）：31－47.

[11] 周方召，賈少卿.經濟政策不確定性、投資者情緒與中國股市波動[J].金融監管研究，2019，8（8）：101－114.

ZHOU F Z， JIA S Q. Economic policy uncertainty， investor sentiment and Chinas stock market volatility[J]. Financial Regulation Research， 2019，8（8）：101－114.

[12] ALBERT R， JEONG H， BARABSI A L. Error and attack tolerance of complex networks[J]. Nature， 2000， 406（6794）： 378－382.

[13] WANG H， HUANG J， XU X， et al. Damage attack on complex networks[J]. Physica A： Statistical Mechanics and Its Applications， 2014， 408： 134－148.

[14] BELLINGERI M， CASSI D， VINCENZI S. Efficiency of attack strategies on complex model and real-world networks[J]. Physica A： Statistical Mechanics and Its Applications， 2014， 414： 174－180.

[15] 王梓行，姜大立，漆磊，等.基于冗余度的復雜網絡抗毀性及節點重要度評估模型[J].復雜系統與復雜性科學，2020，17（3）：78－85.

WANG Z H， JIANG D L，QI L，et al. Complex network invulnerability and node importance evaluation model based on redundancy[J]. Complex Systems and Complexity Science， 2020，17（3）：78－85.

[16] GRANGER C W J. Investigating causal relations by econometric models and cross-spectral methods[J]. Econometrica： journal of the Econometric Society， 1969，37（3）： 424－438.

[17] SIGGIRIDOU E， KOUTLIS C， TSIMPIRIS A， et al. Evaluation of Granger causality measures for constructing networks from multivariate time series[J]. Entropy， 2019， 21（11）： 1080.

[18] FREEMAN L C. Centrality in social networks conceptual clarification[J]. Social Networks， 1978， 1（3）： 215－239.

[19] COSTA L F， RODRIGUES F A， TRAVIESO G， et al. Characterization of complex networks： a survey of measurements[J]. Advances in Physics， 2007， 56（1）： 167－242.

[20] 汪小帆， 李翔， 陳關榮. 網絡科學導論[M].北京：高等教育出版社，2012：161.

（責任編輯 耿金花）

收稿日期： 2022－08－14；修回日期：2022－10－10

基金項目： 湖南省教育廳科學研究項目（22B0612）

第一作者： 劉建剛（1984－），男，山東泰安人，博士，副教授，主要研究方向為多智能體系統分布式協同控制理論及其應用。

通信作者： 陳蘆霞（1998－），女，江西貴溪人，碩士研究生，主要研究方向為復雜網絡在金融、經濟領域的研究與應用。