基于大數據的鐵路工程投標企業(yè)異常行為預警研究

喬柱，劉伊生，茹建青

基于大數據的鐵路工程投標企業(yè)異常行為預警研究

喬柱1，劉伊生1，茹建青2

(1. 北京交通大學 經濟管理學院，北京 100044；2. 國家鐵路局 工程質量監(jiān)督中心，北京 100891)

基于鐵路工程電子招投標積累的海量數據，識別預警具有異常行為的鐵路工程投標企業(yè)。運用社團結構檢測分析識別具有抱團行為的投標企業(yè)；再通過函數擬合預測投標企業(yè)中標次數，根據實際值與預測值的標準殘差所落置信區(qū)間范圍，分析識別中標次數異常的投標企業(yè)；最后綜合分析2種方法的結果，構建鐵路工程投標企業(yè)異常行為分級預警模型，識別具有串圍標嫌疑的企業(yè)并分級預警。研究結果表明：基于鐵路工程電子招投標大數據，綜合社團結構檢測和函數擬合分析兩種方法，可以有效識別預警鐵路工程投標企業(yè)的異常行為。

大數據；投標企業(yè)；異常行為；預警

鐵路工程招投標違法違規(guī)行為具有復雜性和隱蔽性，傳統(tǒng)監(jiān)管手段難以及時高效甄別投標人不正當競爭行為。隨著電子招投標和大數據技術的推廣應用，招投標從傳統(tǒng)紙質形式逐步進入電子化、數據化時代，這為創(chuàng)新鐵路工程招投標監(jiān)管提供了新途徑、新方法。近年來，國內外在招投標大數據監(jiān)管方面開展了一系列研究，大致可分為3階段：第1階段，從理論層面論述大數據技術可以創(chuàng)新招投標監(jiān)管模式，提高監(jiān)管效率，并構建基于大數據的招投標監(jiān)管體系，探討運用大數據分析反映招投標主體違法違規(guī)行為的指標[1-4]。第2階段，運用大數據技術對某次具體招投標數據分析，如借助計算機技術的硬件代碼、IP 地址、計價軟件代碼等提取技術，以及對投標文件、投標報價、工程量清單等進行雷同性分析，識別判定投標人串圍標等不正當行為，這些技術方法主要用于招投標的事中事后監(jiān)管[5-9]。第3階段，結合招投標長期數據，分析招投標主體行為，研判招標人招標、評標人評標是否存在傾向性，投標人是否存在串圍標嫌疑[10-13]。鐵路工程建設周期長、工程量大、投資額高，招投標過程中投標人不正當競爭行為尤為突出。投標人通過違規(guī)手段謀取中標的行為在投標過程和投標結果上均會呈現異常，投標過程中的異常表現為抱團行為，投標結果上的異常表現為某投標企業(yè)的中標次數過高或過少。抱團行為在投標人構成的社會網絡中呈現出社團結構，因此可用社團結構檢測方法分析；中標次數異常通過構造擬合函數預測，以預測值與實際值的殘差大小為分析依據。目前，投標人異常行為研究從中標次數方面的分析不多，主要集中在投標人社團結構檢測上，且研究樣本數量較少，所用社團結構檢測方法大多未考慮投標人間共同投標次數，實際應用中可能出現社團結構檢測無效的情況。因此，本文以鐵路工程投標企業(yè)為研究對象，基于鐵路建設工程招投標長期積累的數據，從抱團行為和中標次數2方面考慮，選用新的社團結構檢測方法識別社團結構，同時構造擬合函數分析中標次數，從而研判投標企業(yè)異常行為，并構建分級預警體系為有關監(jiān)管部門提供預警。

1 投標企業(yè)異常行為分析方法

1.1 社團結構檢測

串圍標企業(yè)在長期投標中會呈現抱團現象，以共同參加招標作為投標企業(yè)的連接關系，運用社團發(fā)現算法分析挖掘投標企業(yè)在招投標市場中形成的社團結構，可以客觀、較準確的找出暗藏抱團行為的投標企業(yè)，也就是具有串圍標嫌疑的企業(yè)[6]。

社團結構檢測可以運用凝聚子群分析方法，建立在互惠性基礎上的凝聚子群主要是派系，派系是最基本的凝聚子群，根據關系是否存在方向，可以分為無向關系網絡中的派系、有向關系網絡中的派系；根據取值情況，可以分為二值關系網中的派系、多值關系網絡中的派系[14]。鐵路工程招投標網絡可以用無向多值關系網絡展示，招投標過程中，共同參與一個招標項目的投標人，每對投標人的關系值記為1，當其共同參與招標的項目為時，這對投標人的關系值記為。

隨著投標次數增加，大部分鐵路工程投標企業(yè)會在某次投標中相遇，尤其成員數量不多的鐵路工程施工企業(yè)，體現在投標企業(yè)關系網絡上，大部分值均會大于等于1，且值會越來越大。由于大部分投標企業(yè)都有發(fā)生聯(lián)系，派系分析時會得到一個包含大部分投標企業(yè)的社團結構，這樣的分析結果顯然沒有意義，也無法反映投標企業(yè)的抱團行為。為避免派系分析無效，可設定凝聚子群強度，當2個投標企業(yè)共同投標次數大于某臨界值時，才認為兩者之間存在網絡聯(lián)系，這種分析方法得到的派系叫做“層派系”。“層派系”是指一個整體網中的子圖，該子圖中任何一對點之間的關系強度都不小于，并且在子圖外的任何一點到該子圖中的所有點的關系強度都小于。在研究無向多值關系網絡的凝聚子群時，首先要確定該子群的凝聚強度，也就是要首先給出一個臨界值，該臨界值越大(小)，所發(fā)現的子群的凝聚力就越強(弱)[14]。

1.2 擬合函數分析

串圍標等異常行為的最終目的是為獲得中標或不法利潤，使原本最具競爭優(yōu)勢的承包商失去中標機會，從而左右中標結果，導致投標企業(yè)的中標次數過高或過少，因此通過分析中標次數也能發(fā)現具有不正當競爭嫌疑的投標企業(yè)。

在正常的招投標市場環(huán)境中，企業(yè)投標次數越多，中標次數也應較多，中標次數是投標次數的單調遞增函數，基于招投標數據做中標次數與投標次數的函數擬合分析，通過擬合出的回歸函數對投標企業(yè)的中標次數進行預測，當某投標企業(yè)的中標次數實際值與預測值殘差過大時，該企業(yè)具有串圍標嫌疑。

2 投標企業(yè)社團結構發(fā)現

2.1 投標企業(yè)網絡關系建模

把鐵路工程投標企業(yè)作為網絡節(jié)點，參加過同一個招標項目的多家企業(yè)節(jié)點之間用邊相連，多次共同參加相同招標項目可以看作節(jié)點的連接邊的權重。假設參與招投標項目的企業(yè)總數為，則投標企業(yè)的鄰接矩陣=(a)×n可規(guī)定如下。

對鐵路工程投標企業(yè)進行層派系分析時，凝聚強度的臨界值取平均每個投標企業(yè)參與投標的次數，且為整數，即：

2.2 投標企業(yè)的社團結構

運用UCINET軟件進行分析。第1步：二值化處理，點擊“Dichotomize”功能鍵，將107階鄰接矩陣導入，在“Cut-Off Operator”選項上點擊“GE-Greater Than or Equal”，在“Cut-Off Value”選項上鍵入22，點擊“OK”獲得轉換后的數據。第2步：派系分析，點擊“Cliques”功能鍵，將轉換后的數據導入，投標人最小規(guī)模為3，因此“Minimum size”選項值為3，點擊“OK”獲得如下40個派系，見表1。表1識別出的40個社團結構中共包含31個節(jié)點，表明這些企業(yè)在鐵路工程長期投標過程中，呈現一種穩(wěn)定的社團結構，也就是“抱團”行為，因此這些投標企業(yè)有很大的串圍標嫌疑。尤其是10號投標企業(yè)在社團發(fā)現結果中的40個社團都存在，表明10號投標企業(yè)的社團結構性非常強，串圍標的嫌疑更大，應作為重點監(jiān)督檢查對象。

表1 鐵路工程施工項目投標企業(yè)社團結構成員組成表

3 投標企業(yè)中標次數與投標次數擬合分析

3.1 擬合函數構建

統(tǒng)計鐵路工程中每個投標企業(yè)的投標次數和中標次數，將投標企業(yè)的中標次數作為因變量，投標次數作為自標量，運用軟件Origin 9.0，分別進行線性函數、多項式函數、指數函數擬合，擬合后的結果如圖1所示。

圖1 投標企業(yè)中標次數回歸函數

3.2 投標企業(yè)中標次數異常識別

回歸分析中實際值與預測值的標準化殘差服從標準正態(tài)分布，因此鐵路工程投標企業(yè)中標次數與投標次數的擬合函數的標準殘差服從標準正態(tài)分布[15]。投標企業(yè)標準殘差是否異常的判定涉及到置信度的選取問題，置信度是評估某要素可靠性的指標，置信度對應置信區(qū)間，當標準殘差落在置信區(qū)間外時，有理由認為該標準殘差處于異常范圍。置信度取值太高，會直接排除一些具有異常行為的投標企業(yè)，預警效果會大大折扣；置信度取值太低，會擴大異常行為的預警范圍，增加監(jiān)管部門排查異常行為的工作量。國家在《LED應用產品可靠性試驗的點估計和區(qū)間估計(指數分布)》(GB/T 36362—2018)指出，置信度通常用百分數概率表示，一般取60%，因此本文置信度取值60%，即標準殘差落在[-0.84,0.84]區(qū)間外的點均為需要預警的異常點。經計算，22家投標企業(yè)中標次數的標準殘差落在置信區(qū)間[-0.84,0.84]外，這些節(jié)點的標準殘差見表2。

結合圖1進一步分析，1，2，3，4，5，12，15，17，20，31，33和67投標企業(yè)的中標次數在擬合曲線之上，且距擬合曲線的縱向距離較遠，即中標次數遠高于擬合曲線的預測值，這些企業(yè)存在為中標而拉攏其他投標企業(yè)進行串圍標的嫌疑。9，18，20，23，29，36，43，62，64，65和82投標企業(yè)的中標次數在擬合曲線之下，且距擬合曲線的縱向距離較遠，即中標次數遠低于擬合曲線的預測值，中標次數過少甚至一直不中標，在優(yōu)勝劣汰的機制下會被淘汰出鐵路招投標市場，若其長期維持較低的中標次數且活躍于當地招投標市場，則其可能是串圍標參與者(非發(fā)起者)或專業(yè)陪標人。

表2 落在置信水平60%對應的置信區(qū)間外的節(jié)點標準殘差

4 投標企業(yè)異常行為分級預警

投標企業(yè)異常行為分級預警，可用于已招標項目監(jiān)督抽查的范圍篩選，選取具有異常行為的的投標企業(yè)參與的項目檢查；以及招投標過程中重點監(jiān)管對象識別，著重審查具有異常行為的投標企業(yè)，從而提高監(jiān)管效能。本文根據投標企業(yè)異常行為反映出的串圍標或陪標嫌疑程度，構建鐵路工程投標企業(yè)異常行為分級預警體系，預警分五級，用綠(Ⅰ級，無警)、藍(Ⅱ級，輕警)、黃(Ⅲ級，中警)、橙(Ⅳ級，重警)、紅(Ⅴ級，巨警)5色代表從低到高5種嫌疑程度。

4.1 社團結構視角下的分級預警

從社團結構發(fā)現的視角，可以通過統(tǒng)計社團結構中每個節(jié)點的重疊概率進行分級預警，社團結構中每個節(jié)點的重疊概率見表3。

表3 社團結構中每個節(jié)點的重疊概率

假定節(jié)點重疊概率在(0,20%]為Ⅰ級預警，在(20%,40%]為Ⅱ級預警，在(40%,60%]為Ⅲ級預警，在(60%,80%]為Ⅳ級預警，在(80%,100%]為Ⅴ級預警，社團結構視角下不同預警級別對應的節(jié)點見表4。

表4 社團結構視角下不同預警級別對應的節(jié)點

4.2 擬合函數視角下的分級預警

從函數擬合分析的視角，可以通過實際值與函數預測值的標準殘差所處不同置信水平區(qū)域對應的置信區(qū)間范圍進行分級預警，不同置信水平區(qū)域對應的置信區(qū)間范圍見表5。

表5 不同置信水平區(qū)域對應的置信區(qū)間范圍

假定節(jié)點的標準殘差落在[-1.04,-0.84) ∪(0.84,1.04]內為Ⅰ級預警，在[-1.28,-1.04)∪(1.04, 1.28]為Ⅱ級預警，在[-1.65,-1.28)∪(1.28,1.65]為Ⅲ級預警，在[-2.58,-1.65)∪(1.65,2.58]為Ⅳ級預警，在[-3.9,-2.58)∪(2.58,3.9]為Ⅴ級預警。

對應表2分級預警時發(fā)現，節(jié)點15的標準殘差為4.22，超出置信區(qū)間最大的端點值3.9，而正常情況下的標準殘差落在[-3.9,3.9]區(qū)間外的概率一般認為是0，因此可判斷投標企業(yè)15極可能存在異常，直接將其納入Ⅴ級預警。

進一步分析投標企業(yè)的中標數據，發(fā)現一些企業(yè)投標幾十次的情況下，中標次數仍為0，該類企業(yè)作為專業(yè)陪標人的嫌疑極大，但其標準殘差并未落在Ⅴ級預警的置信區(qū)間范圍內。當某節(jié)點的中標次數為0，其標準殘差落在置信水平90%對應的置信區(qū)間之外，可認為該投標企業(yè)存在極大陪標嫌疑。經計算，擬合函數分析中每個節(jié)點的殘差服從(0,3.29)的正態(tài)分布，其標準殘差服從(0,1)的標準正態(tài)分布，標準殘差是殘差除以其標準差后得到的數值。置信水平90%時，統(tǒng)計量=1.65，當標準殘差s=1.65時，計算殘差=2.99，即=2.99，帶入擬合函數=Intercept+1*+2*2+3*3+4*4中，求得=46.68，即某投標企業(yè)投標不低于47次時，中標次數仍為0，其標準化殘差s的值落在置信水平90%之外。節(jié)點36投標63次，而中標0次，該投標企業(yè)極有可能存在陪標嫌疑，將該投標企業(yè)納入Ⅴ級預警。經分析調整后，擬合函數視角下不同預警級別對應的節(jié)點見表6。

表6 擬合函數視角下不同預警級別對應的節(jié)點

4.3 綜合分級預警

單純運用社團結構檢測或中標次數預測方法預警投標企業(yè)的異常行為，會出現一些預警盲點，具有串圍標或陪標高度嫌疑的投標企業(yè)不能被識別或被輕視。如，社團結構檢測雖識別出節(jié)點15和36是社團結構的組成部分，但其節(jié)點在識別出的社團結構中的重疊率較低，分別被納入Ⅰ級、Ⅱ級較低級別的預警中，而擬合函數視角下，節(jié)點15和36分別由于中標次數過高、幾十次投標而一直不中標等問題被識別納入到Ⅴ級預警中。再如，擬合函數視角下未識別出節(jié)點10的中標次數有異常，但社團檢測識別出的40個社團結構中都有投標企業(yè)10的出現，節(jié)點10在社團結構視角下被納入Ⅴ級預警。因此，綜合考慮兩種方法的分析預警結果，對鐵路工程投標企業(yè)異常行為進行綜合分級預警，步驟如下：

第1步，對投標企業(yè)進行社團結構檢測，將識別的社團結構中重疊概率達到100%的節(jié)點直接納入Ⅴ級預警。

第2步，構建擬合函數分析節(jié)點標準殘差，將標準殘差落在[-3.9,3.9]之外的節(jié)點直接納入Ⅴ級預警；對中標次數為0的投標企業(yè)，將標準殘差落在[-1.65,1.65]之外的節(jié)點直接納入Ⅴ級預警。

第3步，不屬于上述第1和2步情形的節(jié)點，按照式(3)對每個節(jié)點打分，

經計算，每個節(jié)點對應的分值見表7所示。

表7 綜合情況下每個節(jié)點的分值

表8 綜合情況下不同預警級別對應的節(jié)點

5 結論

1) 基于鐵路工程電子招投標大數據，綜合社團結構檢測和函數擬合分析2種方法，可以有效識別預警鐵路工程投標企業(yè)的異常行為。在預警分析應用中，凝聚強度、置信度、權重系數與、調整系數等值，需要根據實際情況不斷優(yōu)化調整，以提升預警的準確性。

2) 節(jié)點1，10，15，17，23和36共6家投標企業(yè)屬于Ⅴ級紅色巨警，有關監(jiān)管部門應及時進行監(jiān)督檢查，分析投標文件、投標報價、工程量清單等內容，研判核實這些企業(yè)是否參與串圍標或陪標；節(jié)點9，11，29和64共4家企業(yè)屬于Ⅳ級橙色重警，應作為監(jiān)管部門重點抽查或標后評估對象；節(jié)點4，5，24，25，26，33和43共7家投標企業(yè)屬于Ⅲ級黃色中警，需要引起監(jiān)管部門的重點關注。上述這些投標企業(yè)在今后的投標過程中均需作為重點監(jiān)督對象，評標委員會也應給予重點審查，嚴防串圍標或陪標行為的發(fā)生。

3) 處于Ⅰ級和Ⅱ級預警的投標企業(yè)，監(jiān)管部門應保持跟蹤觀察，當其越級變?yōu)棰?，Ⅳ和Ⅴ級預警時，應及時檢查，以防不正當競爭行為發(fā)生。

[1] 宋建峰. 以大數據應用創(chuàng)新建設工程招投標監(jiān)管思路[J]. 招標采購管理, 2018(12): 27-29. SONG Jianfeng. Thoughts on bidding supervision of big data application innovation construction project[J]. Tendering & Purchasing Management, 2018(12): 27-29.

[2] 劉雪峰. 大數據提速招投標改革和管理升級[J]. 施工企業(yè)管理, 2016(8): 98-100. LIU Xuefeng. Research on big data speed-up bidding reform and management upgrade[J]. Construction Enterprise Management, 2016(8): 98-100.

[3] 張珺. 基于大數據分析改進公共資源交易監(jiān)管服務的思考[J]. 招標采購管理, 2016(3): 21-22, 25. ZHANG Jun. Thoughts on improving public resource transaction supervision service based on big data analysis [J]. Tendering & Purchasing Management, 2016(3): 21- 22, 25.

[4] 喬柱, 劉伊生. 大數據背景下我國電子招投標監(jiān)管研究[J]. 工程管理學報, 2019, 33(1): 1-5. QIAO Zhu, LIU Yisheng. Electronic bidding supervision under the background of big data[J]. Journal of Engineering Management, 2019, 33(1): 1-5.

[5] 程鐵信, 劉文濤, 王朝陽, 等. 工程招標中的圍標串標預警模型研究[J]. 天津大學學報(社會科學版), 2018, 20(1): 20-25. CHENG Tiexin, LIU Wentao, WANG Chaoyang, et al. Early warning model for together-conspired or colluded bidding behavior based on the similarity of projects bidding documents[J]. Journal of Tianjin University (Social Sciences), 2018, 20(1): 20-25.

[6] 孟令之. 基于復雜網絡的水務工程電子招投標不正當競爭分析[D]. 天津: 天津工業(yè)大學, 2018: 17-33. MENG Lingzhi. Analysis of unfair competition in electronic bidding of water engineering based on complex network[D]. Tianjin: Tianjin Polytechnic University, 2018: 17-33.

[7] Padhi S S, Wagner S M, Mohapatra P K J. Design of auction parameters to reduce the effect of collusion[J]. Decision Sciences, 2016, 47(6): 1016-1047.

[8] Dastidar K G, Mukherjee D. Corruption in delegated public procurement auctions[J]. European Journal of Political Economy, 2014(35): 122-127.

[9] Joshi S, Vora P L. Weak and strong multimarket bidding rings[J]. Economic Theory, 2013, 53(3): 657-696.

[10] 樊群, 殷靜, 關華濱, 等. 基于大數據的圍標串標行為識別關鍵技術研究[J]. 建筑市場與招標投標, 2016(6): 46-52. FAN Qun, YIN Jing, GUAN Huabin, et al. Research on key technologies of beacon stringing behavior recognition based on big data[J]. Construction Market and the Bidding, 2016(6): 46-52.

[11] Morselli C, Ouellet M. Network similarity and collusion[J]. Social Networks, 2018(55): 21-30.

[12] Reeves-Latour M, Morselli C. Bid-rigging networks and state-corporate crime in the construction industry[J]. Social Networks, 2017(51): 158-170.

[13] 劉智煥. 數據挖掘技術在投標報價評審中的應用[J]. 貴州大學學報(社會科學版), 2017, 35(6): 60-64. LIU Zhihuan. The application of data mining technology in the evaluation of bid quotation[J]. Journal of Guizhou University (Social Sciences), 2017, 35(6): 60-64.

[14] 劉軍. 整體網分析[M]. 上海: 格致出版社, 2014: 153- 165. LIU Jun. Lectures on whole network approach Lectures on whole network approach[M]. Shanghai: Troth & Wisdom Press, 2014: 153-165.

[15] 丁勇. 誤差絕對值的統(tǒng)計特征和應用[J]. 數理統(tǒng)計與管理, 2016, 35(1): 39-46. DING Yong. The statistical characteristic and application of the error absolute value[J]. Journal of Applied Statistics and Management, 2016, 35(1): 39-46.

Research on early warning of abnormal behavior of railway engineering bidding enterprises based on big data

QIAO Zhu1, LIU Yisheng1, RU Jianqing2

(1. School of Economics and Management, Beijing Jiaotong University, Beijing 100044, China;2. Engineering Quality Supervision Center, National Railway Administration of the People’s Republic of China, Beijing 100891, China)

Based on the accumulated data of railway engineering electronic bidding, the railway engineering bidding enterprises with abnormal behavior was identified and early warned. Firstly, this paper used the community structure detection to analyze and identify the bidding enterprises with group behavior. Secondly, by predicting the successful bid number of bidding enterprises by function fitting, and calculating the location of the standard residuals of actual value and predicted value for the confidence interval range, the bidding enterprise with the abnormal number of successful bids was analyzed and identified. Finally, considering the results of the two methods, and building an early classification warning model for the abnormal behavior of railway engineering bidding enterprises, enterprises under suspicion of together-conspired bidding and contacting bid was identified and early classification warned. The research shows that the railway project electronic bidding big data can effectively identify and early warn the railway engineering bidding enterprises with abnormal behavior, comprehensively using the two methods which includes community structure detection and function fitting analysis.

big data; bidding enterprise; abnormal behavior; early warning

10.19713/j.cnki.43-1423/u.T20190248

C931

A

1672 - 7029(2020)01 - 0250 - 08

2019-04-01

國家自然科學基金資助項目(71841022)

喬柱(1991-)，男，河南南陽人，博士研究生，從事鐵路工程招投標研究；E-mail：15510636872@126.com

(編輯 蔣學東)