前 言
利用大數據和信息化技術手段，深入挖掘政府部門涉企信息、企業生產經營信息以及網際網路數據中蘊含的風險信息，實施企業信用風險分類管理，是深化「網際網路+監管」，實現監管資源合理配置和有效利用的重要抓手，是有效解決企業風險高低不分、雙隨機監管針對性不強問題的切實舉措，是推進市場監管領域治理體系和治理能力現代化的創新實踐，對於推動實現市場監管科學化、精準化、高效化，具有十分重要的意義。
今年以來，國務院、國家市場監管總局相繼發布《關於在市場監管領域全面推行部門聯合「雙隨機、一公開」監管的意見》《關於加強和規範事中事後監管的指導意見》以及《關於在部分地區開展企業信用風險分類管理工作試點的通知》等重要文件，對推進企業信用分類分級監管提出了具體要求。
為貫徹落實上述文件精神，北京市市場監管局聚焦企業潛在失信風險，堅持問題導向，突出預警防控，按照三維矩陣分類、時空量能分級、指標動態監測的思路構建企業信用風險監管分類分級指標體系，探索開展差異化監管，著力提高日常監管的及時性、精準性和有效性。
主要特點
「廣」——海量歸集數據。依託網際網路+監管系統和企業信用信息公示系統，有針對性地歸集公示數據8800萬條；以風洞平臺為依託，整合涉企網際網路信息5500萬條，為開展分級分類監管分析奠定紮實的數據基礎。
「深」——深度挖掘數據背後隱藏和關聯的風險信息。一是按行業屬性、高風險經營行為等進行三維矩陣分類。目前企業行業屬性日趨模糊，跨行業、跨領域的經營普遍存在，簡單以行業進行分類不能滿足監管需要。二是按照時、空、量、能設置分級指標。時即單位時長（目前暫以三個月和一年兩個維度進行界定）；空即空間，指企業經營地址穩定性及所在商務樓宇；量即數量，比如確定單位時長內變更法定代表人或股東等主要登記事項次數；能即能量，參考活躍度、關聯度、單位時長內企業擴張速度及網際網路輿情熱度，按評分確定定向抽查優先級別。
「細」——精選特徵指標，建立細顆粒度分值。一是在篩選上千個企業原始基礎經營特徵行為的基礎上，最終形成北京企業信用風險分類分級指標體系，包括企業屬性等三個層級指標共計78個構成。二是從中優選出部分特徵指標，分別用於重點行業重點行為指徵等不同模型。三是參照國際國內通行的千分制進行評分和分類分級，以0至1000為基礎計分規則，形成細顆粒度分值。
「動」——對高風險行業和經營行為實施動態監測。在總結分析重點行業、重點領域監管執法案例的基礎上，針對不同高風險行業和經營行為，設置了異動指標（比如一年內某重點行業企業大量招聘相關從業人員說明存在擴張行為，涉眾風險將明顯增加），通過機器學習方法尋找指標間的關聯性，並在關聯的基礎上重新進行整合，起到放大器作用，大幅提高了監測敏感度。
工作方法
北京市企業信用風險分類分級監管指標體系的構建，借鑑了OECD（經濟合作與發展組織）國家治理指標體系的理念（監管質量與績效）和創建思路（準則+指標），並結合北京市市場監管領域工作實際，採用了「原則+指標」的構建方式。
明確六項原則。原則在指標體系構建中非常重要，發揮著啟動和指引功能，可以明確工作方向、指標選取邊界以及定量定性分析的方法，有助於在海量線索中選取貼近監管需求的關鍵性指標。一是整體性原則。指標設計、選擇、確定需要在現有能夠獲取的數據資源中既能客觀反映企業的整體狀況，又能反映需要監管的重點。二是預判性原則。要選取典型指標並加以關聯分析，發現企業潛在的經營風險以及可能連帶出現的監管風險。三是操作性原則。評分只有簡單直觀並明示潛在風險線索，得到一線監管人員共識，才能真正起到引導監管方向的作用。四是關聯性原則。單一指標很難準確揭示企業潛在風險，需要結合監管經驗與案例分析，發現不同指標間的關聯性，以此指向同一趨勢並通過定性研判，才能有助於發現潛在風險線索。五是參與性原則。企業網際網路軌跡數據以及第三方平臺數據參與指標體系，可以對監管執法等結果性指標體系起到互補和連結作用，使分類更側重前瞻性。六是單純負向原則。企業獲得獎勵次數或政府部門的扶持發展政策往往是可以加分的項目，但是正向指標有可能和負向指標相互幹擾，導致監管方向發生偏差。因此，有必要明確主要以負向指標進行監測預警，正向指標僅作為差異化監管的參考。
建立指標權重。在確定企業三級指標的基礎上，在大量案例和監管實際工作分析的基礎上，綜合考慮專家意見，確定各指標對企業風險的相對影響程度，構建形成指標間的兩兩比較矩陣，並通過一致性檢驗確定指標權重分配的合理性。
基於風險特徵構建模型。一是風險特徵識別。根據業務特點明確監管對象和監管事項，並梳理相應的違法行為特徵。比如，按照社會網絡理論，網絡中交往密切的節點由於面臨相似的外部環境以及相似的內在基因，在風險特徵上往往會表現出較強的同質性或者趨同的傾向。二是風險特徵處理。對不同渠道、不同來源的信息經過匯聚、處理後的風險特徵最後形成以企業的統一社會信用代碼為唯一標識的風險特徵主題庫。三是利用BP神經網絡等技術手段進行綜合評判，並進行反向驗證。截至目前，累計對2018年近20萬家已有抽查結果企業作為訓練集樣本訓練模型並進行結果反向驗證和校驗。結合兩年來的重點行業重點行為監測預警和定向抽查等工作實際，將三大類高風險行業或行為總計約4萬餘家企業作為測試集樣本測試驗證模型。
分類全量賦分。參照國際國內通行的千分制進行評分和分類分級，以0至1000為基礎計分規則，形成細顆粒度分值，並對全市164萬家企業全量賦分，根據不同分值，劃分區間，按高風險、中高風險、中等風險和低風險四級進行分類。
實證應用
在具體應用過程中，北京市市場監管局通過將企業信用風險分類分級評分對接監管實際業務，事前開展研判，事中開展抽查，事後將抽查結果回饋指標模型，力求打造業務流程和模型優化閉環。
有效防控風險。自2018年8月開始，在一些重點領域「打小打早」風險預警方面，針對該領域企業行為特徵，設置了一年內新設從事該領域經營企業、異地已發案關聯企業高管等指標，開展動態監測，每周匯總數據。對監測發現的異地在京新設立高風險關聯企業高管進行了約談，對疑似企業通報並提請有關監管部門認定後開展實地核查。2019年以來，重點領域新設涉嫌早小企業同比大幅下降，有效控制了新增風險。
提高隨機抽查效能。在整治某重點行業工作中，針對該行業企業行為特徵，結合一年內企業規模及擴張速度、網上招聘信息等設定了活躍度指標，並設定高活躍、中活躍、低活躍和不活躍四個等級，結合風險洞察平臺數據，從全市近3萬家企業中篩選出中活躍度以上企業開展定向抽查，在減少檢查企業數量的前提下，問題發現率大幅提高。
增強監管靶向性。2019年9月，北京市開展針對某侵害群眾利益經營行為抽查檢查，依託分類分級模型從全市中活躍度以上且暫未發生投訴的相關企業中，篩選出高風險評分的企業作為定向抽查對象，問題發現率遠高於未使用分類分級評分的抽查。
□北京市市場監管局