AI与金融耦合系统脆弱性——基于复杂网络视角

Vulnerability of AI-Financial Coupling System—Based on the Perspective of Complex Networks

摘要: 人工智能正在逐步改变和融合金融生态，基于复杂网络视角，采用MST方法构建人工智能与金融耦合网络，研究耦合网络拓扑结构和系统脆弱性。研究表明：随着人工智能发展成熟，人工智能与金融行业耦合度“先升后降”；高脆弱性节点的数量和占比“先增后减”；高脆弱性金融企业数减少，而高脆弱性人工智能企业数增加，人工智能地位与影响力增强。脆弱性受资产规模的影响大于关联度，大型商业银行脆弱性冲击力强，但风险传染力弱，而中小型企业脆弱性冲击力弱，但风险传染力强。

Abstract: Artificial intelligence (AI) is gradually changing and integrating into the financial ecology. Based on the perspective of complex network, the MST method is used to construct an AI-financial coupling network, and the network topology and system vulnerability are studied. Research shows that with the development of AI, the industry coupling degree of AI-finance exhibits an “initially increases and then decreases” trend. Similarly, the number and proportion of high vulnerability nodes also initially increase and then decrease. The number of highly vulnerable financial enterprises decreases, while the number of highly vulnerable AI enterprises increases, and the status and influence of AI increases. Vulnerability is more affected by asset size than correlation. Large commercial banks have strong vulnerability impact but weak risk contagion, while small and medium-sized enterprises have weak vulnerability impact but strong risk contagion.

1. 引言

2020年，OpenAI发布的GPT-3以1750亿个参数量，成为了当时全球最大的语言模型。随后，在2022年11月推出了人工智能聊天机器人ChatGPT，在短短几天时间突破100万用户，且在两个月时间积累了超1亿活跃用户，迅速火遍全球，人工智能(AI)被推上新高度。在科技革命推动下，人工智能与金融业的联系日益紧密，科技赋能金融服务已常态化。科技企业也逐渐进入金融领域并开展金融服务，形成“既独立又融合、既互制又互促”的耦合发展关系。这种融合虽然推动了数字经济转型，但同时也暴露出耦合系统的脆弱性，如经济“脱实向虚”[1]和金融数据安全问题[2]等问题日益显现。人工智能与金融耦合发展在推动金融业与科技业紧密结合的同时，也带来了挑战。人工智能的“黑箱”特性[3]——即其决策过程对外界的不透明性，增加了金融与科技系统风险的复杂性；再加上传统监管难度提升和监管措施的滞后性，可能引发非理性的周期性波动风险，进而加剧系统脆弱性。因此，持续深入探讨人工智能与金融耦合系统的脆弱性及其演变趋势，及时发现和解决潜在问题，为经济高质量发展提供更坚实的保障。

回顾人工智能发展历程，1956年，约翰·麦卡锡(John McCarthy)在达特茅斯学院举办了一次具有里程碑意义的会议，正式标志着人工智能作为一个独立领域的诞生。从早期利用规则和符号到20世纪80年代探索神经网络，再到21世纪借助互联网和大数据技术，统计学习、机器学习及深度学习等技术的飞速发展，人工智能进入了一个全新的快速发展阶段[4]。如今，人工智能已渗透医疗、金融[5]、工业[6]等多领域，对社会经济影响显著。其中与金融的发展关系备受关注，熊彼特[7]最早强调金融对科技创新的核心支持作用，为企业家提供必要的资金支持以推动其创新行动。Perez [8]详细讨论了技术革命与金融资本之间的周期性关系，揭示了技术创新从初期的创新和投资热潮，到泡沫破裂和危机，再到调整和黄金时代，都伴随着金融资本的投资调整，推动了新技术的全面应用和经济的长期繁荣。张玉喜等[9]实证分析发现科技与金融生态系统共生对科技创新具有显著正效应，而贾军[10]得出科技金融生态系统共生度与整体技术创新之间存在U型关系，但与核心技术创新之间仅存在线性关系。金融确实对人工智能的发展有着不可忽视的促进作用，但人工智能同时也给金融体系带来新的发展和应用。由人工智能催生出的智能顾问、智能放贷、监测预警、智能客服等一系列与时俱进的创新金融服务，但同时也意识到人工智能在使用过程中存在一系列问题和风险[11] [12]。

由于技术进步和复杂性，系统表现出脆弱性，相互关系会导致级联故障发生系统风险。Manheim [13]在Bostrom [14]提出“脆弱世界假说”的基础上，指出当技术进步时，默认无干预情况下会导致灾难性风险，例如恶意的人工智能。随着人工智能和金融的密切互动和深度融合，对“科技–金融”复杂系统及其脆弱性进行了深入研究。复杂系统通常被认为是相互作用、相互依存的网络，这种观点对于理解它们的脆弱性特别有帮助[15]。因此复杂网络被广泛应用于金融系统的风险研究，特别是对于金融网络系统的脆弱性研究[16]-[18]。最小生成树(MST)是全部节点的连通路径最短的网络连通图，包含网络中所有节点且保持图连通最少的边，具有全局最小的权重和。在复杂网络中，MST提供了一种最优的连接方案，有助于减少网络的复杂性和冗余性，从而降低网络的连接成本、提高传输效率和稳定性。此外通过分析MST的结构和特性，可以找出网络中的关键节点和脆弱环节，并采取相应的措施进行加强和保护。张金林等[17]采用MST构建金融危机时期网络图，通过复杂网络理论对金融风险传染机制和路径进行研究。曹齐芳等[19]利用TENET网络方法分析了金融科技与传统金融主体之间的风险传染关系，并提出了关键性风险路径的识别方法。Chaudhry等[20]采用单变量极值理论(EVT)实证分析得出科技公司的尾部风险高于金融公司，应该对科技公司制定更严格的监管。王仁祥等[21]构建了金融与科技耦合网络模型，发现随着经济向高质量转型发展，金融与科技的行业耦合度呈上升趋势，耦合系统的脆弱性不断下降。

综合来看，尽管关于人工智能和金融系统各自的发展及其相互关系的研究已经有了相当的进展，金融系统的脆弱性研究也已相对成熟，但专门针对人工智能与金融耦合系统及其脆弱性的研究仍然相对较少，尤其是结合复杂网络理论进行研究的，更是凤毛麟角。本文在王仁祥[21]对金融与科技耦合脆弱性的基础上运用复杂网络和MST方法搭建精简的人工智能与金融耦合网络，并对人工智能与金融系统的耦合度和脆弱性进行讨论。主要贡献如下：

1) 相较于现有发现金融与科技的耦合度随经济向高质量转型发展呈上升趋势，本文对人工智能从崛起、发展到成熟三个时期的研究，发现人工智能与金融的耦合度呈现“先升后降”趋势；

2) 相较于现有仅将最大节点脆弱性作为整体脆弱性的局限性，本文综合考虑了脆弱性冲击力超过Upper Whisker值的高脆弱性节点，发现高脆弱性节点的数量和占比均呈现“先增后减”趋势，与行业耦合度趋势一致；

3) 相较于现有仅考虑企业资产规模对节点脆弱性冲击力的度量，本文综合考虑了节点度和企业规模的综合影响力，高连通度节点可以成倍扩大节点脆弱性冲击力；

4) 随着人工智能发展成熟，行业耦合度先升后降，人工智能行业逐渐形成完善且独立的体系，金融业高脆弱性节点数量减少，人工智能行业高脆弱性节点增多，人工智能的地位与影响力愈发强大。

2. 网络模型

2.1. 人工智能与金融耦合网络模型

建立复杂网络的链接有多种方法[22]，本文将人工智能和金融企业作为网络节点、各企业之间股票收益率相关性作为网络连边来构建耦合网络模型。用对数收益率计算股票收益率，则第i家企业的股票收益率为：

$r_i\left(t\right)=\ln \left(p_i\left(t\right)\right)-\ln \left(p_i\left(t-1\right)\right)$ (1)

$p_i$ 为第i家企业的股票收盘价。用pearson相关系数表示任意两家企业i与j的相关系数，其计算方法如式(2)所示：

$pearso{n}_{ij}=\frac{E\left(r_i{r}_j\right)-E\left(r_i\right)E\left(r_j\right)}{\sqrt{E\left(r_i^2\right)-E^2\left(r_i\right)}\sqrt{E\left(r_j^2\right)-E^2\left(r_j\right)}}$ (2)

其中$E(•)$ 表示变量在T期内的期望值，也就是平均值，通过计算所有企业间的相关系数，我们能够得到一个相关系数矩阵P。基于矩阵P构建全连接的耦合网络，利用MST方法识别在系统中起着最关键链接作用的变量，绘制中心性网络来捕获系统的核心–外围结构。MST通过一定的过滤规则筛选出只包含最重要的相关性和信息，它直观地反映了系统中变量之间最简单的核心关系。本文选择使用Kruskal算法来生成最小生成树。根据Ji Qiang和Fan Ying [23]，我们将pearson相关系数转换为企业i与j之间的距离$d_{ij}$ 为：

$d_{ij}=\sqrt{2\left(1-pearso{n}_{ij}\right)}$ (3)

可以看出，企业之间的相关系数与它们之间的距离呈反比关系。具体来说，当两个企业之间的相关系数较大时，意味着它们之间的关联性较强，从而在耦合网络中表现为距离较近。为了量化这种关联性并构建网络，我们将企业间的距离$d_{ij}$ 视为权重。采用Kruskal算法按权重从小到大对所有企业间距离$d_{ij}$ 排序，从最小的距离$d_{ij}$ 开始，逐一尝试将这些边(即企业间的连接)添加到网络中，同时检查它是否会导致网络中形成“环”(即闭合的路径)，因为耦合网络通常被建模为无向图，且不允许存在环。通过这个过程，能够逐步构建一个能够反映人工智能与金融领域内企业间紧密关系的耦合网络。最终，这个网络将清晰地展示出哪些企业之间具有最强的关联性，从而揭示出人工智能与金融领域内的核心结构和关键连接。

2.2. 网络拓扑性质及节点重要性指标

度(Degree)是一个节点的基本属性，网络中节点i的度$K_i$ 表示该节点连接到网络中其他节点的数量。

网络的平均路径长度(Average Path Length, APL)用来衡量网络的紧凑性和连接效率。它定义为网络中任意两节点之间最短路径长度的平均值。换句话说，APL表示在网络中从一个节点到另一个节点所需经过的最少步骤的平均数，即：

$L=\frac{2}{N\left(N-1\right)}{\displaystyle \sum _{i>j}{l}_{ij}}$ (4)

其中N为网络的节点数，$l_{ij}$ 代表连接节点i与j之间的最短路径上的连边数，这也被称作两个节点间的测地距离或跳跃距离。网络的平均路径长度越小，意味着网络中的节点之间能够更快地相互通信和协作，从而提高了整个网络的连接性和传输效率。简而言之，一个具有较小平均路径长度的网络因为其较短的路径长度减少了信息传输的延迟和可能的干扰，使得网络更加可靠和易于管理。

介数中心性(Betweenness Centrality)是一种用于衡量网络中节点重要性的指标。它衡量了一个节点在网络中扮演中介角色的程度，即在网络中该节点在其他“节点对”之间的最短路径中出现的频率。介数中心性高的节点通常是网络中的关键枢纽，因为它们位于连接不同节点和子图之间的关键位置，可以促进信息流动和交流。节点i的介数中心性$B_i$ 为：

$B_i={\displaystyle \sum _{j,k\ne i}\frac{c_{jk}\left(i\right)}{c_{jk}}}$ (5)

其中，$c_{jk}$ 是从节点j代表到节点k的最短路径数量，$c_{jk}\left(i\right)$ 是从节点j到节点k的最短路径中经过节点i的路径数量。$c_{jk}\left(i\right)$ 越大，说明网络中i对j和k具有更强的中介调节作用。

为了量化评估人工智能行业和金融行业之间的紧密关联程度，我们定义了一个行业耦合度($S_{AF}$ )的指标。这个指标是通过计算人工智能行业和金融行业之间的连边数$e_{AF}$ ，并将其与整个网络系统中的总边数M进行相除而得到的，即：

$S_{AF}=\frac{e_{AF}}{M}$ (6)

行业耦合度$S_{AF}$ 是一个比例值，反映了人工智能行业和金融行业之间直接关联的程度。如果$S_{AF}$ 的值较高，那意味着这两个行业之间的连边数量较多，它们之间的关联紧密，反之则关联较为松散。这个指标为我们提供了一个直观的衡量标准，帮助我们更好地理解人工智能和金融行业之间的相互作用和融合程度。

3. 人工智能和金融耦合网络脆弱性评估模型

3.1. 节点脆弱性传染力指标

节点脆弱性传染力指的是一个节点在失效后，其失效状态在网络中传播和扩散的能力，主要关注的是节点失效后对相邻节点及更大范围内节点的连锁影响。网络效率是一个用来衡量网络整体传输性能的指标，反映了网络节点之间信息传播的平均有效性。根据Latora等[24]的研究，节点的脆弱性传播能力是通过评估移除该节点后网络效率的损失程度来衡量的，即节点$\theta$ 的脆弱性传染力指标($vu{l}_{con}^{\theta }$ )表示为：

$\nu u{l}_{con}^{\theta }=\frac{E\left(G\right)-E\left(G,\theta \right)}{E\left(G\right)}$ (7)

$E\left(G\right)=\frac{1}{N\left(N-1\right)}{\displaystyle \sum _{i\ne j\in G}\frac{1}{l_{ij}}}$ (8)

其中，$E\left(G\right)$ 是用来衡量耦合网络G在其完整且正常状态下的运行效率的指标，$E\left(G,\theta \right)$ 则表示移除节点$\theta$ (即企业倒闭)后整个网络效率的变化情况。$E\left(G\right)$ 与节点i与j之间的最短路径长度($l_{ij}$ )成反比，由此可见，网络的效率与其结构紧密程度直接相关。网络的平均最短路径越短，网络结构更紧密，意味着信息可以快速传输，网络效率高，这通常出现在高度连通的网络中。而核心位置高连通度的节点重要性更强，当移除该节点后，网络效率损失率就越高，表明节点的脆弱性传播能力越强。

3.2. 节点脆弱性影响力指标

节点脆弱性影响力指的是一个节点失效后对整个网络性能和功能的直接影响。主要关注的是节点失效对网络整体结构和运行效率的破坏程度。高节点度和大规模企业节点的市场影响力相对更大，可以反应网络整体结构和运行状况。为了精确量化网络中关键节点在面临潜在风险时的脆弱程度及其对整体网络的影响，节点脆弱性影响力指标综合考虑了两个关键因素：节点的连接强度(即节点度)以及节点企业在市场中的总市值占比。这两个关键因素反映了节点在网络结构中与其他节点的关联程度和重要性，以及在实际市场环境中的影响力和地位。当网络中的节点$\theta$ 面临脆弱性暴露时，它对整个网络稳定性和功能性的影响程度大小，即节点$\theta$ 的脆弱性影响力力指标：

$\nu u{l}_{inf}^{\theta }=K_{\theta }\cdot asset{s}_{\theta }/{\displaystyle \sum _{\theta =1}^{N}asset{s}_{\theta }}$ (9)

其中，$asset{s}_{\theta }$ 为企业$\theta$ 的总市值，高连通度节点可以成倍扩大节点脆弱性影响力。企业的总市值和节点度越大，当移除节点后，耦合系统稳定性受到的冲击越大，表明节点的脆弱性影响能力越强。

3.3. 耦合系统节点脆弱性综合评价

节点脆弱性是一个综合考虑节点传染力和影响力的概念。首先，节点脆弱性传染力因子是评估节点在网络中传播风险能力的关键指标。从网络效率的角度出发，评估了节点在遭遇问题或故障时在网络中传播脆弱性的速度和范围。其次，节点脆弱性影响力因子侧重于节点的连接度和所属企业的规模，探讨了不同节点在脆弱性传播过程中的差异化影响。连接度高的节点，其影响力更大，因为它们与网络中其他节点的联系更为紧密；而企业规模较大的节点，其影响力也相应增强，因为其在市场中的地位和资源更为丰富。本文从节点对系统可能造成的潜在风险角度出发，全面考察了节点的脆弱性及其对耦合系统的影响。我们将节点脆弱性被激发后可能对系统造成的潜在冲击定义为节点的脆弱性冲击力。这种冲击力大小不仅取决于节点自身的脆弱性程度，还受到其传染力和影响力的共同影响。因此，节点脆弱性冲击力是一个复杂且多维度的概念，可以表示为：

$v\left(\theta \right)=\frac{1}{1-\nu u{l}_{con}^{\theta }}vu{l}_{inf}^{\theta }$ (10)

4. 实验与结果分析

4.1. 数据处理

21世纪以来，人工智能进入了高速发展阶段。2011年，IBM的“沃森”计算机在智力竞赛节目《危险边缘》中战胜了人类选手，标志着人工智能进入了崛起时期。2016年，谷歌推出了智能助手Google Assistant，随后大量智能助手开始进入人们的生活，人工智能进入了应用与普及时期。到了2020年，OpenAI发布的GPT-3标志着大规模预训练模型的兴起，带来了语言模型领域的新突破，进一步推动了人工智能的发展，使其进入了拓展与升级时期。基于此，本文选择2011年1月至2023年12月作为研究区间，人工智能行业和金融行业的A股上市企业作为研究对象。其中人工智能企业指以AI技术为核心，专注于研发、应用和服务的企业；金融企业指专门从事金融活动的经济组织，其业务活动涉及资金的筹集、运用和管理，以及与之相关的金融服务，主要有银行、证券和保险等。将研究区间划分为AI崛起时期(2011年1月4日至2015年12月31日)、AI发展时期(2016年1月4日至2019年12月31日)和AI成熟时期(2020年1月2日至2023年12月29日)。通过CCER经济金融数据库共收集到210只各时期上市超过10个交易日的日度数据，其中AI崛起时期、AI发展时期和AI成熟时期分别包含117只、154只和210只股票。本文使用MATLAB软件进行编程计算和绘图。

4.2. 人工智能与金融耦合网络结构

随时间演变的人工智能与金融领域的耦合网络结构如图1所示。在这个网络中，蓝色节点代表人工智能行业的不同企业，而红色节点则代表金融行业的不同企业；节点的尺寸直接反映了其在网络中的连接程度(即节点度)，节点度越大，节点尺寸就越大。

Figure 1. Artificial intelligence and financial coupling network

图1. 人工智能与金融耦合网络

总体来看，大多数企业仅有较少的1到2条连边，只有极少数企业拥有较多紧密联系的企业。随着人工智能技术的不断进步，核心节点企业在市场中的数量日益增加，网络结构也随之得到了优化。这些节点间的连接并非随意建立，而是紧密关联于企业间的相关系数，反映了它们之间的业务合作、技术共享、投资纽带或其他协作形式。节点度，作为衡量企业在市场中吸引力和影响力的重要指标，其大小直接体现了企业与其他企业的关联紧密度。当某企业在特定时期内展现出强劲的发展势头、快速的科技进步以及卓越的协同能力时，它在网络中的吸引力会显著增强，从而吸引更多企业与其建立稳固的合作关系。相反，若一家企业的节点度在一段时间内持续下滑，这可能预示着其创新能力不足，市场吸引力逐渐减弱，进而面临被新兴优秀企业取代的风险。因此，节点度的变化不仅反映了企业在市场中的地位和影响力，也成为了衡量其创新能力和发展前景的重要参考。

表1展示了不同时期人工智能与金融耦合网络的统计指标。对比不同时期数据指标，随着人工智能的发展，节点平均度逐渐增加到1.991，每家企业与平均不到两家企业紧密联系；网络平均路径、网络直径(网络中最长的一条路径)和网络总边数也都逐渐增加，这与我们不同时期节点数量增加有关。行业耦合度在三个时期分别为0.129、0.150和0.053，表示人工智能企业与金融企业连边总数占网络总连边数的比例。我们发现行业耦合度呈现“先升后降”的变化趋势，并且在AI成熟期(0.053)显著下降，这与AI发展时期(0.150)相比之下相差接近3倍。结合图1可以看出，在AI崛起时期和AI发展时期，人工智能企业与金融企业均存在紧密联系。在AI崛起时期处于最核心地位的企业是人工智能企业，这与现实中某一新兴科技崛起仅有极少甚至一家头部企业引导相符。此阶段企业需要金融机构的资金支持，所以人工智能企业与金融企业联系紧密。而在AI发展时期银行企业逐渐占据核心地位，这与现实金融机构更愿意投资一些拥有一定专利技术和发展前景的行业来降低风险[25]和企业研发升级与应用时期需要大量资金投入的情况相符，所以在此时期金融企业投资最为活跃，行业耦合度达到最高。到了AI成熟期，行业耦合度骤降，仅为0.053，人工智能企业和金融企业分别有自己的核心连接区域，这与现实中某一科技发展成熟后逐渐形成完善且相对独立的发展体系，与金融机构间投资逐渐减少的情况相符。

Table 1. Statistical indicators of AI and finance coupling network

表1. 人工智能与金融耦合网络统计指标

时期	平均路径长度	节点平均度	行业耦合度	网络直径	网络总边数
AI崛起时期	6.62	1.983	0.129	18	116
AI发展时期	7.46	1.987	0.150	22	153
AI成熟时期	9.62	1.991	0.053	24	209

表2展示了不同时期节点企业的度和介数中心性数据。随着人工智能的发展，企业间的连接逐渐增多，形成一定的网络结构。在AI崛起时期，高节点度(不小于6)企业仅有4家，占该时期企业总数3.42%；高介数中心性企业(不小于1000)有13家，占该时期企业总数11.11%。浙江东方、哈投股份、海通证券等虽然节点度很低，与之紧密联系的企业不多，但却具有较高的介数中心性，在耦合网络中位于重要的桥梁位置，促进资源、技术和知识的有效传播和交换，对于维持网络整体的连通性和功能稳定性至关重要；像东方电子这种既有高节点度又有高介数中心性的企业无疑是整个网络体系中的核心力量，不仅与其他企业建立了广泛的联系，还在信息传递、资源调配和决策影响等方面拥有显著的优势，对于网络的稳定性和效率具有至关重要的影响。在AI发展时期，高节点度企业有9家，占该时期企业总数5.84%；高介数中心性企业有19家，占该时期企业总数12.34%。同花顺、东吴证券、金证股份等低节点度高介数中心性的企业在耦合网络中有较好的位置；像东北证券和国金证券同时有高节点度和高介数中心性的企业是整个网络体系中的核心企业。在AI成熟时期，高节点度企业有10家，占该时期企业总数4.76%；高介数中心性企业有39家，占该时期企业总数18.57%。大智慧、山西证券、金证股份等低节点度高介数中心性的企业在耦合网络中有较好的位置；像东华软件、东北证券和陕国投A同时有高节点度和高介数中心性的企业是网络中的重要企业。

综合来看，高节点度和高介数中心性企业中并没有大量出现大型企业(如国有大型银行)，更多的是中小企业，这与现实中小企业为生存更易寻找资金支持与商业合作情况相符；而大型企业往往不缺乏优质资金与资源，所以在耦合网络中表现普通且多数处于非核心位置。随着人工智能的发展，高节点度和高介数中心性的企业占比越来越高，企业间联系越来越紧密，重要企业不再拘泥于个别企业，逐渐形成更为稳健的系统，这与现实中某一新兴科技发展成熟后逐渐形成紧密联系且发展成熟稳固的行业体系情况相符。

Table 2. Degree and intermediate centrality of some nodes

表2. 部分节点的度和介数中心性

AI崛起时期			AI发展时期			AI成熟时期
企业	$K_i$	$B_i$	企业	$K_i$	$B_i$	企业	$K_i$	$B_i$
东方电子	36	5544	东北证券	23	8737	东华软件	16	13711
山西证券	4	3113	国金证券	11	6584	东北证券	11	13675
浙江东方	2	3075	同花顺	4	4817	大智慧	3	11618
哈投股份	2	3040	东吴证券	4	4521	国海证券	6	11532
光大证券	5	3020	恒生电子	8	4456	山西证券	2	10900
华泰证券	6	2566	光大证券	6	4346	航天信息	3	10854
海通证券	3	2161	金证股份	3	4328	金证股份	2	10710
四维图新	5	2096	国泰君安	7	3969	陕国投A	11	10331
中信证券	4	2034	太极股份	17	3107	长江证券	2	9360
中国太保	4	1797	中信证券	3	3012	中国人保	3	7510
招商银行	5	1564	中国人寿	2	2772	贵阳银行	9	5732
航天信息	5	1487	新华保险	2	2660	网宿科技	3	4154
光大银行	6	1094	中国太保	2	2546	神州泰岳	2	3610
恒生电子	7	783	中国平安	3	2447	巨人网络	5	3549

4.3. 人工智能与金融耦合系统脆弱性

图2绘制了不同时期人工智能与金融耦合系统节点的脆弱性冲击力$\left(v\left(\theta \right)\right)$ ，是对企业节点“连通度”和“资产”规模两大关键因素的综合考察。横轴为节点编号，不同时期企业节点数不同；纵轴为去除该节点后所引发的风险冲击大小，也可以理解为去除该节点后所引发的风险导致系统资产损失比例，这种损失比例直观地体现了节点对于整个系统稳定性的重要性。为了更精确地识别出系统中的高脆弱性节点企业，我们采用了Upper Whisker值作为判断标准。Upper Whisker值是一个统计学上的概念，通常用于描述数据集的上限边界。在图2中，红色部分特别标注出了那些脆弱性冲击力超过Upper Whisker值的企业节点，即高脆弱性节点企业。这些节点因为其在系统中的特殊位置和重要性，一旦受到冲击或发生故障，将可能对系统整体造成远超其他节点的风险影响。

在AI崛起时期，耦合系统中节点脆弱性冲击力前三企业为农业银行、招商银行、工商银行0.378、0.203、0.120，其中节点脆弱性冲击力大于Upper Whisker值(0.0283)的企业有18家，占比为15.38%。在AI发展时期，耦合系统中节点脆弱性冲击力前三企业为工商银行、中国平安、招商银行0.339、0.214、0.178，其中节点脆弱性冲击力大于Upper Whisker值(0.0176)的企业有25家，占比为16.23%。在AI成熟时期，耦合系统中节点脆弱性冲击力前三企业为农业银行、工商银行、招商银行0.245、0.176、0.122，其中节点脆弱性冲击力大于Upper Whisker值(0.0175)的企业有24家，占比为11.43%。虽然各时期最大节点脆弱性一直下降(0.378 > 0.339 > 0.245)，但从高脆弱性冲击力节点的数量(18家、25家、24家)及其占比(15.38%、16.23%、11.43%)综合来看，还是AI发展时期脆弱性冲击力更大一些，呈现“先增后减”趋势，且相比前两时期，AI成熟时期节点脆弱性冲击力下降明显。

Figure 2. Vulnerability impact of nodes (enterprises)

图2. 节点(企业)脆弱性冲击力

在人工智能与金融耦合发展过程中，行业耦合度的动态变化以及由此带来的风险传播特性的演变对于理解行业间的风险传播、企业的脆弱性以及风险监管原则具有重要意义。首先，在人工智能发展的初期阶段，行业间的耦合度逐渐增强，金融业对人工智能的投资显著增加，两者之间的联系日益紧密。这一时期的紧密联系使得金融业在面对风险爆发时，其脆弱性影响力更为显著。这是因为金融业的资金和资源大量流向人工智能行业，一旦人工智能行业出现风险，这些风险很容易通过资金链、技术链等渠道传播到金融业，从而引发连锁反应。然而，随着人工智能技术的不断成熟和完善，它开始逐渐独立于金融业运行，两者之间的投资和联系也相应减少。这一变化使得人工智能行业在面对风险时具有更强的抵抗力，同时，行业间的风险传染也得以减弱，节点的脆弱性影响力也相应减小。这意味着，随着人工智能技术的成熟，其风险对金融业的影响逐渐降低。此外，具有高脆弱性冲击力节点大多为金融企业，尤其是国有大型商业银行；但随着人工智能发展成熟，高脆弱性冲击力节点中金融企业节点数量相对减少、人工智能企业节点数量相对增加，人工智能企业的地位和影响力愈发强大。结合网络结构和重要性指标来看，脆弱性冲击力大小受企业规模的影响更大，这与“太大而不能倒”的风险监管原则相符[26]，即规模较大的企业由于其重要性，一旦出现问题可能对整个系统造成严重影响，因此需要更加严格的监管。然而，尽管像农业银行这类国有大型商业银行拥有较高的脆弱性冲击力，但其度和介数中心性较小，在网络中处于非核心位置，因此风险传染力较弱；相反，中小型企业较高的节点度虽然可以一定程度上使得脆弱性冲击力成倍上升，但远小于资产规模差距悬殊的大型企业，故其风险爆发导致的系统资产损失较小，却因其高节点度和高介数中心性使得风险传染力较强。

5. 结论

随着人工智能技术的突飞猛进，我们借助复杂网络的分析方法，构建了一个融合人工智能与金融的耦合网络模型，并深入剖析了这一系统的脆弱性。以下是我们的主要发现与结论：第一、随着人工智能发展逐渐走向成熟，人工智能行业与金融业的行业耦合度呈现“先升后降”趋势，新兴科技发展过程离不开金融业资金支持，但随着科技发展成熟和企业成长完善，逐渐形成完善且相对独立的行业体系，与金融业的联系相对减少；第二、随着人工智能的发展，高脆弱性冲击力节点的数量和占比都呈现“先增后减”趋势，与行业耦合度变化趋势一致，因为在人工智能发展过程中，由于与金融业联系越密切且资金投入量大，发生风险时脆弱性冲击力较大，而在人工智能成熟期，行业体系完善且相对独立的人工智能业与金融业间投资和联系减少，脆弱性冲击力骤减；第三、随着人工智能发展成熟，金融业高脆弱性冲击力的企业数量相对减小，而人工智能行业高脆弱性冲击力的企业数量相对增加，人工智能企业的地位和影响力愈发强大；第四、脆弱性冲击力受企业资产规模影响力比企业关联度大，相对于的“太关联而不能倒”，传统“太大而不能倒”的风险监管原则更适用于人工智能与金融系统，中大型商业银行脆弱性冲击力强，节点度和介数中心性低，风险传染力弱，而中小型企业脆弱性冲击力弱，节点度和介数中心性高，处于网络核心位置，风险传染力强。

基金项目

国家自然科学基金资助项目(72071130)。