利用網(wǎng)絡(luò)數(shù)據(jù)預(yù)測(cè)企業(yè)失信行為

周濤，李艷麗，李倩，陳端兵,3，謝文波,3，吳桐，曾途

1. 電子科技大學(xué)大數(shù)據(jù)研究中心，四川 成都 611731；2. 成都數(shù)聯(lián)銘品科技有限公司，四川 成都 610041；3. 成都數(shù)之聯(lián)科技有限公司，四川 成都 610041

1 引言

隨著互聯(lián)網(wǎng)、移動(dòng)互聯(lián)網(wǎng)、物聯(lián)網(wǎng)和各種遙感探測(cè)技術(shù)的發(fā)展，一個(gè)“一切都被記錄，一切都被分析”的數(shù)據(jù)化時(shí)代已經(jīng)到來(lái)[1]。大數(shù)據(jù)的技術(shù)發(fā)展與應(yīng)用實(shí)踐已經(jīng)為社會(huì)經(jīng)濟(jì)和人們的日常生活帶來(lái)了顯著的貢獻(xiàn)[2]。在醫(yī)療領(lǐng)域，大數(shù)據(jù)和人工智能被用于精準(zhǔn)識(shí)別醫(yī)療影像中早期的病灶，定位致病基因并開展相應(yīng)的靶向治療，實(shí)時(shí)監(jiān)測(cè)評(píng)估健康狀況，提前預(yù)警重大健康風(fēng)險(xiǎn)等[3]；在交通領(lǐng)域，海量數(shù)據(jù)和預(yù)測(cè)算法的結(jié)合能夠幫助人們進(jìn)行更高效的交通導(dǎo)航，盡可能減少擁堵時(shí)間[4]；在教育領(lǐng)域，對(duì)學(xué)生發(fā)展過程中學(xué)習(xí)和生活數(shù)據(jù)的分析可以幫助了解學(xué)生行為和學(xué)業(yè)表現(xiàn)之間的關(guān)系，從而設(shè)計(jì)更高效的個(gè)性化教育方案，提前對(duì)不利于學(xué)業(yè)發(fā)展的異常行為進(jìn)行干預(yù)[5]等。

在各種大數(shù)據(jù)研究對(duì)象和大數(shù)據(jù)應(yīng)用場(chǎng)景中，網(wǎng)絡(luò)大數(shù)據(jù)是獨(dú)具特色且受到廣泛關(guān)注的方向[6-7]。網(wǎng)絡(luò)科學(xué)是以網(wǎng)絡(luò)為研究對(duì)象的一門有數(shù)百年歷史的專業(yè)性很強(qiáng)的學(xué)科，又是眾多學(xué)科中不同研究對(duì)象的統(tǒng)一抽象的表達(dá)方式[8]。目前萬(wàn)維網(wǎng)具有超過萬(wàn)億 的統(tǒng)一資源定位符（uniform resource locator，URL），F(xiàn)acebook有10億個(gè)節(jié)點(diǎn)和千億條連邊，大腦神經(jīng)元網(wǎng)絡(luò)有數(shù)百億節(jié)點(diǎn)……如何分析挖掘大規(guī)模網(wǎng)絡(luò)中隱藏的信息，進(jìn)一步應(yīng)用于解決實(shí)際問題，已經(jīng)成為學(xué)術(shù)界和企業(yè)界亟待解決的重要挑戰(zhàn)。

金融網(wǎng)絡(luò)分析是網(wǎng)絡(luò)大數(shù)據(jù)在金融領(lǐng)域的應(yīng)用，因?yàn)槠淇梢姷木薮髢r(jià)值，最近受到了廣泛的關(guān)注[9-10]。真實(shí)的金融網(wǎng)絡(luò)包括金融機(jī)構(gòu)之間的業(yè)務(wù)關(guān)系網(wǎng)絡(luò)[11]、投資機(jī)構(gòu)和企業(yè)之間或投資機(jī)構(gòu)之間因共同投資而形成的投資關(guān)系網(wǎng)絡(luò)[12]等。這些網(wǎng)絡(luò)往往度分布范圍很廣，網(wǎng)絡(luò)連接總體上比較稀疏，網(wǎng)絡(luò)連接呈現(xiàn)負(fù)相關(guān)性（度大的節(jié)點(diǎn)傾向于和度小的節(jié)點(diǎn)相連），但度很大的若干節(jié)點(diǎn)之間表現(xiàn)出“富人俱樂部效應(yīng)”（即度最大的若干節(jié)點(diǎn)之間連接特別緊密）。金融網(wǎng)絡(luò)分析可以幫助人們盡早發(fā)現(xiàn)金融風(fēng)險(xiǎn)，提升抗擊重大風(fēng)險(xiǎn)的能力[13-14]。

本文擬將金融網(wǎng)絡(luò)大數(shù)據(jù)分析技術(shù)應(yīng)用于預(yù)測(cè)企業(yè)失信行為。筆者認(rèn)為，定量刻畫企業(yè)信用水平，進(jìn)一步預(yù)測(cè)企業(yè)可能出現(xiàn)的各種失信行為，是建立信用社會(huì)、提升營(yíng)商環(huán)境中不可或缺的重要環(huán)節(jié)，可以作為商務(wù)合作、股權(quán)投資、擔(dān)保貸款、招商引資等業(yè)務(wù)的前置條件。傳統(tǒng)的分析方法多從企業(yè)規(guī)模、經(jīng)營(yíng)地、行業(yè)類別、注冊(cè)與實(shí)繳資本等特征屬性出發(fā)，預(yù)測(cè)結(jié)果往往并不準(zhǔn)確。最近大數(shù)據(jù)方法被廣泛應(yīng)用于企業(yè)征信領(lǐng)域，取得了大量、豐富且重要的成果[15-17]。但是，據(jù)筆者所知，目前尚沒有直接利用大規(guī)模企業(yè)間投資關(guān)系網(wǎng)絡(luò)來(lái)提升分析精確性的研究工作。本文采集清洗了大量數(shù)據(jù)，建立了包含400多萬(wàn)家企業(yè)的有向投資網(wǎng)絡(luò)，其中存在各類失信行為的企業(yè)占比6%左右。研究結(jié)果顯示，企業(yè)失信行為存在明顯的“網(wǎng)絡(luò)效應(yīng)”，即目標(biāo)企業(yè)的股東或者投資企業(yè)若存在失信行為，則目標(biāo)企業(yè)發(fā)生失信的風(fēng)險(xiǎn)遠(yuǎn)遠(yuǎn)大于平均值。基于以上分析，筆者實(shí)現(xiàn)了一個(gè)簡(jiǎn)單的失信行為預(yù)測(cè)算法，其精確性遠(yuǎn)遠(yuǎn)超過了不考慮網(wǎng)絡(luò)效應(yīng)的回歸方法。

2 數(shù)據(jù)描述和網(wǎng)絡(luò)分析

本文分析的數(shù)據(jù)采 自國(guó)家企業(yè)信用信息公示系統(tǒng)的公開數(shù)據(jù)，包括企業(yè)的基本信息（如企業(yè)類型、企業(yè)注冊(cè)資本、企業(yè)注冊(cè)地、企業(yè)所屬行業(yè)等）、工商變更等備案信息、各類行政處罰和其他失信行為公告等多項(xiàng)數(shù)據(jù)。表1給出了我國(guó)企業(yè)的行業(yè)分類信息。

本文分析的網(wǎng)絡(luò)數(shù)據(jù)集包括4020504家企業(yè)，其中有259760家企業(yè)存在至少一次失信行為（本文為了便于敘述，把各種行政處罰都?xì)w為失信行為），占比為6.46%。筆者建立了這些企業(yè)之間直接投資形成的有向網(wǎng)絡(luò)，其中每一個(gè)節(jié)點(diǎn)代表一家企業(yè)，如果企業(yè)i投資了企業(yè)j（i是j的股東），則用一條有向邊i-＞j表示。

圖1顯示了不同規(guī)模的4個(gè)有代表性的弱連通子圖，其中灰色節(jié)點(diǎn)為沒有失信行為的企業(yè)，黑色節(jié)點(diǎn)為有失信行為的企業(yè)。圖1中連邊的方向沒有表現(xiàn)出來(lái)。

式中，WT為流域中下游年徑流變化的總量；WH為人為活動(dòng)對(duì)流域中下游年徑流變化的影響量；WC為氣候變化對(duì)流域上游年徑流變化的影響量；WN為背景值，W入河為流域入河徑流量；W山口為流域水文站的實(shí)測(cè)年徑流深；WHN為流域水文站的模擬值或預(yù)測(cè)值；ηH為人為活動(dòng)對(duì)流域中下游徑流變化影響的百分比；ηC為氣候變化對(duì)流域中下游徑流變化影響的百分比。

即便以有向網(wǎng)絡(luò)弱連通作為判據(jù)，該網(wǎng)絡(luò)也不是完全連通的網(wǎng)絡(luò)。圖1給出了所有弱連通子圖規(guī)模（節(jié)點(diǎn)數(shù)）的Zipf分布（關(guān)于Zipf分布的定義以及其與冪律分布和Heaps定律的關(guān)系，請(qǐng)參考文獻(xiàn)[18]）?？梢钥吹?，僅有一個(gè)超級(jí)連通圖規(guī)模在100萬(wàn)個(gè)節(jié)點(diǎn)以上，其余第二大連通圖規(guī)模只有不到10萬(wàn)個(gè)節(jié)點(diǎn)。絕大部分連通圖的規(guī)模都很小。筆者也在圖1中選擇了若干可以用可視化方法直接畫出來(lái)的規(guī)模較小的連通圖，方便讀者直觀地看到投資網(wǎng)絡(luò)的結(jié)構(gòu)（為了可視化效果，投資關(guān)系的方向在此處省略了）。后文為了便于敘述，將存在失信行為的企業(yè)簡(jiǎn)稱為失信企業(yè)，讀者要注意這并不是嚴(yán)格等同的概念。

表1 企業(yè)行業(yè)信息字段和內(nèi)容

圖1 按照弱連通圖規(guī)模排序得到的Z ipf分布

筆者猜測(cè)，企業(yè)失信行為在企業(yè)之間的投資網(wǎng)絡(luò)中具有明顯的“網(wǎng)絡(luò)效應(yīng)”。也就是說(shuō)，如果一個(gè)目標(biāo)企業(yè)的投資者（法人股東）或其投資對(duì)象（子公司、控股公司、參股公司等）存在失信行為，那么這個(gè)目標(biāo)企業(yè)存在失信行為的可能性也很大。為了方便、直觀地觀察上述網(wǎng)絡(luò)效應(yīng)，先考慮一種簡(jiǎn)單的情況，即將有向投資關(guān)系網(wǎng)絡(luò)轉(zhuǎn)化為無(wú)向網(wǎng)絡(luò)加以考慮，暫時(shí)忽略連邊的方向性。用P(B|m)表示所有鄰居中失信企業(yè)數(shù)目大于或等于m的企業(yè)是一個(gè)失信企業(yè)的概率。顯然，當(dāng)m=0時(shí)，P(B|0)=0.0646，就是整個(gè)數(shù)據(jù)集中失信企業(yè)的比例。圖2給出了P(B|m)隨m變化的曲線。該曲線上升的趨勢(shì)非常明顯，尤其在m比較小的時(shí)候（m很大的時(shí)候數(shù)據(jù)點(diǎn)很少，因此會(huì)出現(xiàn)一些波動(dòng)）。即便只知道“目標(biāo)企業(yè)的投資方和投資對(duì)象存在失信企業(yè)”這一信息（也就是m=1），該目標(biāo)企業(yè)是失信企業(yè)的概率就從P(B|0)=0.0646陡增到P(B|1)=0.1641。而如果一家企業(yè)鄰居中有3家或3家以上失信企業(yè)，它自己是失信企業(yè)的可能性會(huì)超過40%。筆者在圖2中還用虛線強(qiáng)調(diào)了一個(gè)值（虛線所示），即如果已知目標(biāo)企業(yè)的鄰居中沒有失信企業(yè)，則該目標(biāo)企業(yè)自身是失信企業(yè)的可能性是0.0474，比整個(gè)數(shù)據(jù)集中失信企業(yè)占比低了27%。

圖2 P(B/m)隨m的變化曲線

以上分析顯示，投資網(wǎng)絡(luò)模型對(duì)于分析企業(yè)失信行為而言是一個(gè)非常有效的工具。事實(shí)上，如同社交網(wǎng)絡(luò)上吸煙―戒煙[19]、肥胖―減肥[20]的網(wǎng)絡(luò)效應(yīng)（如果你身邊有很多煙鬼，那么你是煙鬼的可能性會(huì)大大增加；類似地，如果你的很多社交好友都在減肥，那么你減肥成功的可能性也會(huì)增大）一樣，企業(yè)失信行為也有明顯的網(wǎng)絡(luò)效應(yīng)，即目標(biāo)企業(yè)的投資方或者投資對(duì)象若存在失信行為，則目標(biāo)企業(yè)發(fā)生失信的風(fēng)險(xiǎn)會(huì)大大增加，而且隨著失信鄰居數(shù)目的增加，失信風(fēng)險(xiǎn)也快速增加。這種現(xiàn)象既可能來(lái)自投資關(guān)系本身的風(fēng)險(xiǎn)傳遞（如果目標(biāo)企業(yè)的投資對(duì)象出現(xiàn)了信貸違約，說(shuō)明該企業(yè)現(xiàn)金流出現(xiàn)了嚴(yán)重問題，那么目標(biāo)企業(yè)可能已經(jīng)為投資對(duì)象注入了現(xiàn)金，并且獲得期望投資收益的可能性很小，因此目標(biāo)企業(yè)自身也可能出現(xiàn)類似風(fēng)險(xiǎn)），也可能來(lái)自全行業(yè)的問題（例如環(huán)保標(biāo)準(zhǔn)上升后大量家具行業(yè)受到行政處罰，而這些同行業(yè)企業(yè)之間容易有產(chǎn)業(yè)鏈條上的投資關(guān)系）。

3 預(yù)測(cè)算法和預(yù)測(cè)結(jié)果

因?yàn)橛幸恍┢髽I(yè)基本信息數(shù)據(jù)不完備，為了和只用基本特征信息進(jìn)行分析的算法做對(duì)比，本文僅考慮基本信息完備的3207962家企業(yè)，其中有失信行為的企業(yè)有257163家。因?yàn)楸疚牡暮诵脑V求是揭示企業(yè)失信行為的網(wǎng)絡(luò)效應(yīng)，所以不采用和對(duì)比非常復(fù)雜的算法。筆者選擇了廣義線性回歸模型[21]，該模型擬合過程是并行的，計(jì)算速度非?？?，適用于本文擬處理的數(shù)百萬(wàn)規(guī)模企業(yè)。因?yàn)轭A(yù)測(cè)企業(yè)失信行為是一個(gè)典型的二分類問題，選用伯努 利分布作為廣義線性模型的函數(shù)族，故一個(gè)企業(yè)是失信企業(yè)的似然值可由以下計(jì)算式擬合：

E(x,w)=[1+exp(-wTx)]-1（1）其中，x為特征向量，w為特征權(quán)重向量。表2給出了本文使用的企業(yè)基本特征和網(wǎng)絡(luò)特征說(shuō)明，其中二階鄰居是指與目標(biāo)企業(yè)在無(wú)向圖中距離恰好為2的企業(yè)集合。企業(yè)基本特征中的離散型已轉(zhuǎn)化為多項(xiàng)2值特征——1 代表“是”，0 代表“否”。

本文實(shí)驗(yàn)中采用10次交叉驗(yàn)證，抽取9:1的數(shù)據(jù)作為訓(xùn)練集和測(cè)試集，通過10次實(shí)驗(yàn)求平均。每次實(shí)驗(yàn)根據(jù)訓(xùn)練集回歸模型擬合的參數(shù)，對(duì)測(cè)試集中所有企業(yè)存在失信行為的期望值打分，把風(fēng)險(xiǎn)最高的企業(yè)排在前面。如果風(fēng)險(xiǎn)最高的Top N個(gè)企業(yè)中失信企業(yè)有r個(gè)，就定義精確度為：

圖3給出了預(yù)測(cè)精確度隨N的變化曲線。圖3中，NOR表示使用全部的企業(yè)基本特征，S1表示使用網(wǎng)絡(luò)特征中的一階鄰居特征，S2表示使用網(wǎng)絡(luò)特征中的二階鄰居特征。ALL表示融合S1、S2和NOR的特征?？梢钥吹?，網(wǎng)絡(luò)特征中一階鄰居網(wǎng)絡(luò)特征較二階鄰居網(wǎng)絡(luò)特征預(yù)測(cè)效果更好，僅用企業(yè)基本特征不能很好地預(yù)測(cè)企業(yè)失信行為。如果結(jié)合了網(wǎng)絡(luò)特征，預(yù)測(cè)的精確度能夠被大幅度提升。其中預(yù)測(cè)出來(lái)失信風(fēng)險(xiǎn)最高的100家企業(yè)有70%以上有失信行為，前10000家企業(yè)40%左右有失信行為。

表2 預(yù)測(cè)模型中涉及的基礎(chǔ)特征及網(wǎng)絡(luò)特征

圖3 使用不同特征進(jìn)行組合時(shí)預(yù)測(cè)模型的精確度對(duì)比

4 結(jié)束語(yǔ)

本文采集了400多萬(wàn)家企業(yè)的真實(shí)數(shù)據(jù)，構(gòu)建了大規(guī)模的企業(yè)間投資網(wǎng)絡(luò)，揭示了企業(yè)失信行為顯著的網(wǎng)絡(luò)效應(yīng)，即目標(biāo)企業(yè)的投資方或者投資對(duì)象若存在失信行為，則目標(biāo)企業(yè)發(fā)生失信的風(fēng)險(xiǎn)會(huì)大大增加。進(jìn)一步的分析顯示，隨著失信鄰居數(shù)目的增加，失信風(fēng)險(xiǎn)也快速增加?；诖耍疚脑O(shè)計(jì)了一個(gè)簡(jiǎn)單的廣義線性回歸模型對(duì)企業(yè)失信行為進(jìn)行預(yù)測(cè)。算法結(jié)果顯示，網(wǎng)絡(luò)特征的加入可以大幅度提高僅采用文本特征的算法的精確度。結(jié)合網(wǎng)絡(luò)特征的算法可以在給出10000家最高失信風(fēng)險(xiǎn)企業(yè)的情況下做到40%的預(yù)測(cè)精確度。

企業(yè)征信是金融生態(tài)體系，甚至經(jīng)濟(jì)生態(tài)體系建設(shè)中至關(guān)重要的一環(huán)。本文僅僅是開展了初步的嘗試，就有效證明了大數(shù)據(jù)在金融征信領(lǐng)域的巨大應(yīng)用價(jià)值。事實(shí)上，企業(yè)投資關(guān)系網(wǎng)絡(luò)是應(yīng)用潛力非常廣泛的一類數(shù)據(jù)。舉例而言，通過投資關(guān)系網(wǎng)絡(luò)，可以發(fā)現(xiàn)一些異常的投資行為，例如通過多地、多次變更，形成企業(yè)A1全資控股A2，A2全資控股A3，…，As-1全資控股As，As全資控股A1這樣的長(zhǎng)度為s的企業(yè)投資有向環(huán)，利用這樣的有向環(huán)，企業(yè)A1可以把1億元注冊(cè)資本給A2，A2再給A3，以此類推，最終回到A1。資金沒有真正投入，但是每家企業(yè)的實(shí)繳注冊(cè)資本都增加了1億元。這些都是企業(yè)獲取虛假資質(zhì)、假造項(xiàng)目承接能力甚至非法集資常用的伎倆。這些重大金融經(jīng)濟(jì)風(fēng)險(xiǎn)問題轉(zhuǎn)變成了在一個(gè)幾千萬(wàn)個(gè)節(jié)點(diǎn)的企業(yè)投資關(guān)系網(wǎng)絡(luò)中發(fā)現(xiàn)有向環(huán)的典型的圖論問題。事實(shí)上，企業(yè)投資關(guān)系網(wǎng)絡(luò)的應(yīng)用還很多，本文的思路和方法還可以刻畫金融擔(dān)保圈的風(fēng)險(xiǎn)傳播，提高識(shí)別金融擔(dān)保圈中關(guān)鍵節(jié)點(diǎn)的準(zhǔn)確度[22]，提升大數(shù)據(jù)在打擊非法集資[23]、反洗錢[24]方面的效率和準(zhǔn)確度。本文研究?jī)?nèi)容僅僅是其萬(wàn)千應(yīng)用中的一角，希望能給金融管理工作者有益的啟發(fā)，并激發(fā)數(shù)據(jù)科學(xué)家和數(shù)據(jù)工程師投身于網(wǎng)絡(luò)大數(shù)據(jù)的研究和應(yīng)用中。