喬柱，劉伊生，茹建青

基于大數(shù)據(jù)的鐵路工程投標(biāo)企業(yè)異常行為預(yù)警研究

喬柱1，劉伊生1，茹建青2

(1. 北京交通大學(xué) 經(jīng)濟(jì)管理學(xué)院，北京 100044；2. 國家鐵路局 工程質(zhì)量監(jiān)督中心，北京 100891)

基于鐵路工程電子招投標(biāo)積累的海量數(shù)據(jù)，識別預(yù)警具有異常行為的鐵路工程投標(biāo)企業(yè)。運(yùn)用社團(tuán)結(jié)構(gòu)檢測分析識別具有抱團(tuán)行為的投標(biāo)企業(yè)；再通過函數(shù)擬合預(yù)測投標(biāo)企業(yè)中標(biāo)次數(shù)，根據(jù)實(shí)際值與預(yù)測值的標(biāo)準(zhǔn)殘差所落置信區(qū)間范圍，分析識別中標(biāo)次數(shù)異常的投標(biāo)企業(yè)；最后綜合分析2種方法的結(jié)果，構(gòu)建鐵路工程投標(biāo)企業(yè)異常行為分級預(yù)警模型，識別具有串圍標(biāo)嫌疑的企業(yè)并分級預(yù)警。研究結(jié)果表明：基于鐵路工程電子招投標(biāo)大數(shù)據(jù)，綜合社團(tuán)結(jié)構(gòu)檢測和函數(shù)擬合分析兩種方法，可以有效識別預(yù)警鐵路工程投標(biāo)企業(yè)的異常行為。

大數(shù)據(jù)；投標(biāo)企業(yè)；異常行為；預(yù)警

鐵路工程招投標(biāo)違法違規(guī)行為具有復(fù)雜性和隱蔽性，傳統(tǒng)監(jiān)管手段難以及時高效甄別投標(biāo)人不正當(dāng)競爭行為。隨著電子招投標(biāo)和大數(shù)據(jù)技術(shù)的推廣應(yīng)用，招投標(biāo)從傳統(tǒng)紙質(zhì)形式逐步進(jìn)入電子化、數(shù)據(jù)化時代，這為創(chuàng)新鐵路工程招投標(biāo)監(jiān)管提供了新途徑、新方法。近年來，國內(nèi)外在招投標(biāo)大數(shù)據(jù)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(shù)據(jù)技術(shù)可以創(chuàng)新招投標(biāo)監(jiān)管模式，提高監(jiān)管效率，并構(gòu)建基于大數(shù)據(jù)的招投標(biāo)監(jiān)管體系，探討運(yùn)用大數(shù)據(jù)分析反映招投標(biāo)主體違法違規(guī)行為的指標(biāo)[1-4]。第2階段，運(yùn)用大數(shù)據(jù)技術(shù)對某次具體招投標(biāo)數(shù)據(jù)分析，如借助計(jì)算機(jī)技術(shù)的硬件代碼、IP 地址、計(jì)價軟件代碼等提取技術(shù)，以及對投標(biāo)文件、投標(biāo)報(bào)價、工程量清單等進(jìn)行雷同性分析，識別判定投標(biāo)人串圍標(biāo)等不正當(dāng)行為，這些技術(shù)方法主要用于招投標(biāo)的事中事后監(jiān)管[5-9]。第3階段，結(jié)合招投標(biāo)長期數(shù)據(jù)，分析招投標(biāo)主體行為，研判招標(biāo)人招標(biāo)、評標(biāo)人評標(biāo)是否存在傾向性，投標(biāo)人是否存在串圍標(biāo)嫌疑[10-13]。鐵路工程建設(shè)周期長、工程量大、投資額高，招投標(biāo)過程中投標(biāo)人不正當(dāng)競爭行為尤為突出。投標(biāo)人通過違規(guī)手段謀取中標(biāo)的行為在投標(biāo)過程和投標(biāo)結(jié)果上均會呈現(xiàn)異常，投標(biāo)過程中的異常表現(xiàn)為抱團(tuán)行為，投標(biāo)結(jié)果上的異常表現(xiàn)為某投標(biāo)企業(yè)的中標(biāo)次數(shù)過高或過少。抱團(tuán)行為在投標(biāo)人構(gòu)成的社會網(wǎng)絡(luò)中呈現(xiàn)出社團(tuán)結(jié)構(gòu)，因此可用社團(tuán)結(jié)構(gòu)檢測方法分析；中標(biāo)次數(shù)異常通過構(gòu)造擬合函數(shù)預(yù)測，以預(yù)測值與實(shí)際值的殘差大小為分析依據(jù)。目前，投標(biāo)人異常行為研究從中標(biāo)次數(shù)方面的分析不多，主要集中在投標(biāo)人社團(tuán)結(jié)構(gòu)檢測上，且研究樣本數(shù)量較少，所用社團(tuán)結(jié)構(gòu)檢測方法大多未考慮投標(biāo)人間共同投標(biāo)次數(shù)，實(shí)際應(yīng)用中可能出現(xiàn)社團(tuán)結(jié)構(gòu)檢測無效的情況。因此，本文以鐵路工程投標(biāo)企業(yè)為研究對象，基于鐵路建設(shè)工程招投標(biāo)長期積累的數(shù)據(jù)，從抱團(tuán)行為和中標(biāo)次數(shù)2方面考慮，選用新的社團(tuán)結(jié)構(gòu)檢測方法識別社團(tuán)結(jié)構(gòu)，同時構(gòu)造擬合函數(shù)分析中標(biāo)次數(shù)，從而研判投標(biāo)企業(yè)異常行為，并構(gòu)建分級預(yù)警體系為有關(guān)監(jiān)管部門提供預(yù)警。

1 投標(biāo)企業(yè)異常行為分析方法

1.1 社團(tuán)結(jié)構(gòu)檢測

串圍標(biāo)企業(yè)在長期投標(biāo)中會呈現(xiàn)抱團(tuán)現(xiàn)象，以共同參加招標(biāo)作為投標(biāo)企業(yè)的連接關(guān)系，運(yùn)用社團(tuán)發(fā)現(xiàn)算法分析挖掘投標(biāo)企業(yè)在招投標(biāo)市場中形成的社團(tuán)結(jié)構(gòu)，可以客觀、較準(zhǔn)確的找出暗藏抱團(tuán)行為的投標(biāo)企業(yè)，也就是具有串圍標(biāo)嫌疑的企業(yè)[6]。

社團(tuán)結(jié)構(gòu)檢測可以運(yùn)用凝聚子群分析方法，建立在互惠性基礎(chǔ)上的凝聚子群主要是派系，派系是最基本的凝聚子群，根據(jù)關(guān)系是否存在方向，可以分為無向關(guān)系網(wǎng)絡(luò)中的派系、有向關(guān)系網(wǎng)絡(luò)中的派系；根據(jù)取值情況，可以分為二值關(guān)系網(wǎng)中的派系、多值關(guān)系網(wǎng)絡(luò)中的派系[14]。鐵路工程招投標(biāo)網(wǎng)絡(luò)可以用無向多值關(guān)系網(wǎng)絡(luò)展示，招投標(biāo)過程中，共同參與一個招標(biāo)項(xiàng)目的投標(biāo)人，每對投標(biāo)人的關(guān)系值記為1，當(dāng)其共同參與招標(biāo)的項(xiàng)目為時，這對投標(biāo)人的關(guān)系值記為。

隨著投標(biāo)次數(shù)增加，大部分鐵路工程投標(biāo)企業(yè)會在某次投標(biāo)中相遇，尤其成員數(shù)量不多的鐵路工程施工企業(yè)，體現(xiàn)在投標(biāo)企業(yè)關(guān)系網(wǎng)絡(luò)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(biāo)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(biāo)企業(yè)的社團(tuán)結(jié)構(gòu)，這樣的分析結(jié)果顯然沒有意義，也無法反映投標(biāo)企業(yè)的抱團(tuán)行為。為避免派系分析無效，可設(shè)定凝聚子群強(qiáng)度，當(dāng)2個投標(biāo)企業(yè)共同投標(biāo)次數(shù)大于某臨界值時，才認(rèn)為兩者之間存在網(wǎng)絡(luò)聯(lián)系，這種分析方法得到的派系叫做“層派系”?！皩优上怠笔侵敢粋€整體網(wǎng)中的子圖，該子圖中任何一對點(diǎn)之間的關(guān)系強(qiáng)度都不小于，并且在子圖外的任何一點(diǎn)到該子圖中的所有點(diǎn)的關(guān)系強(qiáng)度都小于。在研究無向多值關(guān)系網(wǎng)絡(luò)的凝聚子群時，首先要確定該子群的凝聚強(qiáng)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(xiàn)的子群的凝聚力就越強(qiáng)(弱)[14]。

1.2 擬合函數(shù)分析

串圍標(biāo)等異常行為的最終目的是為獲得中標(biāo)或不法利潤，使原本最具競爭優(yōu)勢的承包商失去中標(biāo)機(jī)會，從而左右中標(biāo)結(jié)果，導(dǎo)致投標(biāo)企業(yè)的中標(biāo)次數(shù)過高或過少，因此通過分析中標(biāo)次數(shù)也能發(fā)現(xiàn)具有不正當(dāng)競爭嫌疑的投標(biāo)企業(yè)。

在正常的招投標(biāo)市場環(huán)境中，企業(yè)投標(biāo)次數(shù)越多，中標(biāo)次數(shù)也應(yīng)較多，中標(biāo)次數(shù)是投標(biāo)次數(shù)的單調(diào)遞增函數(shù)，基于招投標(biāo)數(shù)據(jù)做中標(biāo)次數(shù)與投標(biāo)次數(shù)的函數(shù)擬合分析，通過擬合出的回歸函數(shù)對投標(biāo)企業(yè)的中標(biāo)次數(shù)進(jìn)行預(yù)測，當(dāng)某投標(biāo)企業(yè)的中標(biāo)次數(shù)實(shí)際值與預(yù)測值殘差過大時，該企業(yè)具有串圍標(biāo)嫌疑。

2 投標(biāo)企業(yè)社團(tuán)結(jié)構(gòu)發(fā)現(xiàn)

2.1 投標(biāo)企業(yè)網(wǎng)絡(luò)關(guān)系建模

把鐵路工程投標(biāo)企業(yè)作為網(wǎng)絡(luò)節(jié)點(diǎn)，參加過同一個招標(biāo)項(xiàng)目的多家企業(yè)節(jié)點(diǎn)之間用邊相連，多次共同參加相同招標(biāo)項(xiàng)目可以看作節(jié)點(diǎn)的連接邊的權(quán)重。假設(shè)參與招投標(biāo)項(xiàng)目的企業(yè)總數(shù)為，則投標(biāo)企業(yè)的鄰接矩陣=(a)×n可規(guī)定如下。

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

2.2 投標(biāo)企業(yè)的社團(tuán)結(jié)構(gòu)

運(yùn)用UCINET軟件進(jìn)行分析。第1步：二值化處理，點(diǎn)擊“Dichotomize”功能鍵，將107階鄰接矩陣導(dǎo)入，在“Cut-Off Operator”選項(xiàng)上點(diǎn)擊“GE-Greater Than or Equal”，在“Cut-Off Value”選項(xiàng)上鍵入22，點(diǎn)擊“OK”獲得轉(zhuǎn)換后的數(shù)據(jù)。第2步：派系分析，點(diǎn)擊“Cliques”功能鍵，將轉(zhuǎn)換后的數(shù)據(jù)導(dǎo)入，投標(biāo)人最小規(guī)模為3，因此“Minimum size”選項(xiàng)值為3，點(diǎn)擊“OK”獲得如下40個派系，見表1。表1識別出的40個社團(tuán)結(jié)構(gòu)中共包含31個節(jié)點(diǎn)，表明這些企業(yè)在鐵路工程長期投標(biāo)過程中，呈現(xiàn)一種穩(wěn)定的社團(tuán)結(jié)構(gòu)，也就是“抱團(tuán)”行為，因此這些投標(biāo)企業(yè)有很大的串圍標(biāo)嫌疑。尤其是10號投標(biāo)企業(yè)在社團(tuán)發(fā)現(xiàn)結(jié)果中的40個社團(tuán)都存在，表明10號投標(biāo)企業(yè)的社團(tuán)結(jié)構(gòu)性非常強(qiáng)，串圍標(biāo)的嫌疑更大，應(yīng)作為重點(diǎn)監(jiān)督檢查對象。

表1 鐵路工程施工項(xiàng)目投標(biāo)企業(yè)社團(tuán)結(jié)構(gòu)成員組成表

3 投標(biāo)企業(yè)中標(biāo)次數(shù)與投標(biāo)次數(shù)擬合分析

3.1 擬合函數(shù)構(gòu)建

統(tǒng)計(jì)鐵路工程中每個投標(biāo)企業(yè)的投標(biāo)次數(shù)和中標(biāo)次數(shù)，將投標(biāo)企業(yè)的中標(biāo)次數(shù)作為因變量，投標(biāo)次數(shù)作為自標(biāo)量，運(yùn)用軟件Origin 9.0，分別進(jìn)行線性函數(shù)、多項(xiàng)式函數(shù)、指數(shù)函數(shù)擬合，擬合后的結(jié)果如圖1所示。

圖1 投標(biāo)企業(yè)中標(biāo)次數(shù)回歸函數(shù)

3.2 投標(biāo)企業(yè)中標(biāo)次數(shù)異常識別

回歸分析中實(shí)際值與預(yù)測值的標(biāo)準(zhǔn)化殘差服從標(biāo)準(zhǔn)正態(tài)分布，因此鐵路工程投標(biāo)企業(yè)中標(biāo)次數(shù)與投標(biāo)次數(shù)的擬合函數(shù)的標(biāo)準(zhǔn)殘差服從標(biāo)準(zhǔn)正態(tài)分布[15]。投標(biāo)企業(yè)標(biāo)準(zhǔn)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(biāo)，置信度對應(yīng)置信區(qū)間，當(dāng)標(biāo)準(zhǔn)殘差落在置信區(qū)間外時，有理由認(rèn)為該標(biāo)準(zhǔn)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(biāo)企業(yè)，預(yù)警效果會大大折扣；置信度取值太低，會擴(kuò)大異常行為的預(yù)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(yīng)用產(chǎn)品可靠性試驗(yàn)的點(diǎn)估計(jì)和區(qū)間估計(jì)(指數(shù)分布)》(GB/T 36362—2018)指出，置信度通常用百分?jǐn)?shù)概率表示，一般取60%，因此本文置信度取值60%，即標(biāo)準(zhǔn)殘差落在[-0.84,0.84]區(qū)間外的點(diǎn)均為需要預(yù)警的異常點(diǎn)。經(jīng)計(jì)算，22家投標(biāo)企業(yè)中標(biāo)次數(shù)的標(biāo)準(zhǔn)殘差落在置信區(qū)間[-0.84,0.84]外，這些節(jié)點(diǎn)的標(biāo)準(zhǔn)殘差見表2。

結(jié)合圖1進(jìn)一步分析，1，2，3，4，5，12，15，17，20，31，33和67投標(biāo)企業(yè)的中標(biāo)次數(shù)在擬合曲線之上，且距擬合曲線的縱向距離較遠(yuǎn)，即中標(biāo)次數(shù)遠(yuǎn)高于擬合曲線的預(yù)測值，這些企業(yè)存在為中標(biāo)而拉攏其他投標(biāo)企業(yè)進(jìn)行串圍標(biāo)的嫌疑。9，18，20，23，29，36，43，62，64，65和82投標(biāo)企業(yè)的中標(biāo)次數(shù)在擬合曲線之下，且距擬合曲線的縱向距離較遠(yuǎn)，即中標(biāo)次數(shù)遠(yuǎn)低于擬合曲線的預(yù)測值，中標(biāo)次數(shù)過少甚至一直不中標(biāo)，在優(yōu)勝劣汰的機(jī)制下會被淘汰出鐵路招投標(biāo)市場，若其長期維持較低的中標(biāo)次數(shù)且活躍于當(dāng)?shù)卣型稑?biāo)市場，則其可能是串圍標(biāo)參與者(非發(fā)起者)或?qū)I(yè)陪標(biāo)人。

表2 落在置信水平60%對應(yīng)的置信區(qū)間外的節(jié)點(diǎn)標(biāo)準(zhǔn)殘差

4 投標(biāo)企業(yè)異常行為分級預(yù)警

投標(biāo)企業(yè)異常行為分級預(yù)警，可用于已招標(biāo)項(xiàng)目監(jiān)督抽查的范圍篩選，選取具有異常行為的的投標(biāo)企業(yè)參與的項(xiàng)目檢查；以及招投標(biāo)過程中重點(diǎn)監(jiān)管對象識別，著重審查具有異常行為的投標(biāo)企業(yè)，從而提高監(jiān)管效能。本文根據(jù)投標(biāo)企業(yè)異常行為反映出的串圍標(biāo)或陪標(biāo)嫌疑程度，構(gòu)建鐵路工程投標(biāo)企業(yè)異常行為分級預(yù)警體系，預(yù)警分五級，用綠(Ⅰ級，無警)、藍(lán)(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(tuán)結(jié)構(gòu)視角下的分級預(yù)警

從社團(tuán)結(jié)構(gòu)發(fā)現(xiàn)的視角，可以通過統(tǒng)計(jì)社團(tuán)結(jié)構(gòu)中每個節(jié)點(diǎn)的重疊概率進(jìn)行分級預(yù)警，社團(tuán)結(jié)構(gòu)中每個節(jié)點(diǎn)的重疊概率見表3。

表3 社團(tuán)結(jié)構(gòu)中每個節(jié)點(diǎn)的重疊概率

假定節(jié)點(diǎn)重疊概率在(0,20%]為Ⅰ級預(yù)警，在(20%,40%]為Ⅱ級預(yù)警，在(40%,60%]為Ⅲ級預(yù)警，在(60%,80%]為Ⅳ級預(yù)警，在(80%,100%]為Ⅴ級預(yù)警，社團(tuán)結(jié)構(gòu)視角下不同預(yù)警級別對應(yīng)的節(jié)點(diǎn)見表4。

表4 社團(tuán)結(jié)構(gòu)視角下不同預(yù)警級別對應(yīng)的節(jié)點(diǎn)

4.2 擬合函數(shù)視角下的分級預(yù)警

從函數(shù)擬合分析的視角，可以通過實(shí)際值與函數(shù)預(yù)測值的標(biāo)準(zhǔn)殘差所處不同置信水平區(qū)域?qū)?yīng)的置信區(qū)間范圍進(jìn)行分級預(yù)警，不同置信水平區(qū)域?qū)?yīng)的置信區(qū)間范圍見表5。

表5 不同置信水平區(qū)域?qū)?yīng)的置信區(qū)間范圍

假定節(jié)點(diǎn)的標(biāo)準(zhǔn)殘差落在[-1.04,-0.84) ∪(0.84,1.04]內(nèi)為Ⅰ級預(yù)警，在[-1.28,-1.04)∪(1.04, 1.28]為Ⅱ級預(yù)警，在[-1.65,-1.28)∪(1.28,1.65]為Ⅲ級預(yù)警，在[-2.58,-1.65)∪(1.65,2.58]為Ⅳ級預(yù)警，在[-3.9,-2.58)∪(2.58,3.9]為Ⅴ級預(yù)警。

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

進(jìn)一步分析投標(biāo)企業(yè)的中標(biāo)數(shù)據(jù)，發(fā)現(xiàn)一些企業(yè)投標(biāo)幾十次的情況下，中標(biāo)次數(shù)仍為0，該類企業(yè)作為專業(yè)陪標(biāo)人的嫌疑極大，但其標(biāo)準(zhǔn)殘差并未落在Ⅴ級預(yù)警的置信區(qū)間范圍內(nèi)。當(dāng)某節(jié)點(diǎn)的中標(biāo)次數(shù)為0，其標(biāo)準(zhǔn)殘差落在置信水平90%對應(yīng)的置信區(qū)間之外，可認(rèn)為該投標(biāo)企業(yè)存在極大陪標(biāo)嫌疑。經(jīng)計(jì)算，擬合函數(shù)分析中每個節(jié)點(diǎn)的殘差服從(0,3.29)的正態(tài)分布，其標(biāo)準(zhǔn)殘差服從(0,1)的標(biāo)準(zhǔn)正態(tài)分布，標(biāo)準(zhǔn)殘差是殘差除以其標(biāo)準(zhǔn)差后得到的數(shù)值。置信水平90%時，統(tǒng)計(jì)量=1.65，當(dāng)標(biāo)準(zhǔn)殘差s=1.65時，計(jì)算殘差=2.99，即=2.99，帶入擬合函數(shù)=Intercept+1*+2*2+3*3+4*4中，求得=46.68，即某投標(biāo)企業(yè)投標(biāo)不低于47次時，中標(biāo)次數(shù)仍為0，其標(biāo)準(zhǔn)化殘差s的值落在置信水平90%之外。節(jié)點(diǎn)36投標(biāo)63次，而中標(biāo)0次，該投標(biāo)企業(yè)極有可能存在陪標(biāo)嫌疑，將該投標(biāo)企業(yè)納入Ⅴ級預(yù)警。經(jīng)分析調(diào)整后，擬合函數(shù)視角下不同預(yù)警級別對應(yīng)的節(jié)點(diǎn)見表6。

表6 擬合函數(shù)視角下不同預(yù)警級別對應(yīng)的節(jié)點(diǎn)

4.3 綜合分級預(yù)警

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

第1步，對投標(biāo)企業(yè)進(jìn)行社團(tuán)結(jié)構(gòu)檢測，將識別的社團(tuán)結(jié)構(gòu)中重疊概率達(dá)到100%的節(jié)點(diǎn)直接納入Ⅴ級預(yù)警。

第2步，構(gòu)建擬合函數(shù)分析節(jié)點(diǎn)標(biāo)準(zhǔn)殘差，將標(biāo)準(zhǔn)殘差落在[-3.9,3.9]之外的節(jié)點(diǎn)直接納入Ⅴ級預(yù)警；對中標(biāo)次數(shù)為0的投標(biāo)企業(yè)，將標(biāo)準(zhǔn)殘差落在[-1.65,1.65]之外的節(jié)點(diǎn)直接納入Ⅴ級預(yù)警。

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

經(jīng)計(jì)算，每個節(jié)點(diǎn)對應(yīng)的分值見表7所示。

表7 綜合情況下每個節(jié)點(diǎn)的分值

表8 綜合情況下不同預(yù)警級別對應(yīng)的節(jié)點(diǎn)

5 結(jié)論

1) 基于鐵路工程電子招投標(biāo)大數(shù)據(jù)，綜合社團(tuán)結(jié)構(gòu)檢測和函數(shù)擬合分析2種方法，可以有效識別預(yù)警鐵路工程投標(biāo)企業(yè)的異常行為。在預(yù)警分析應(yīng)用中，凝聚強(qiáng)度、置信度、權(quán)重系數(shù)與、調(diào)整系數(shù)等值，需要根據(jù)實(shí)際情況不斷優(yōu)化調(diào)整，以提升預(yù)警的準(zhǔn)確性。

2) 節(jié)點(diǎn)1，10，15，17，23和36共6家投標(biāo)企業(yè)屬于Ⅴ級紅色巨警，有關(guān)監(jiān)管部門應(yīng)及時進(jìn)行監(jiān)督檢查，分析投標(biāo)文件、投標(biāo)報(bào)價、工程量清單等內(nèi)容，研判核實(shí)這些企業(yè)是否參與串圍標(biāo)或陪標(biāo)；節(jié)點(diǎn)9，11，29和64共4家企業(yè)屬于Ⅳ級橙色重警，應(yīng)作為監(jiān)管部門重點(diǎn)抽查或標(biāo)后評估對象；節(jié)點(diǎn)4，5，24，25，26，33和43共7家投標(biāo)企業(yè)屬于Ⅲ級黃色中警，需要引起監(jiān)管部門的重點(diǎn)關(guān)注。上述這些投標(biāo)企業(yè)在今后的投標(biāo)過程中均需作為重點(diǎn)監(jiān)督對象，評標(biāo)委員會也應(yīng)給予重點(diǎn)審查，嚴(yán)防串圍標(biāo)或陪標(biāo)行為的發(fā)生。

3) 處于Ⅰ級和Ⅱ級預(yù)警的投標(biāo)企業(yè)，監(jiān)管部門應(yīng)保持跟蹤觀察，當(dāng)其越級變?yōu)棰螅艉廷跫夘A(yù)警時，應(yīng)及時檢查，以防不正當(dāng)競爭行為發(fā)生。

[1] 宋建峰. 以大數(shù)據(jù)應(yīng)用創(chuàng)新建設(shè)工程招投標(biāo)監(jiān)管思路[J]. 招標(biāo)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(shù)據(jù)提速招投標(biāo)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(shù)據(jù)分析改進(jìn)公共資源交易監(jiān)管服務(wù)的思考[J]. 招標(biāo)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(shù)據(jù)背景下我國電子招投標(biāo)監(jiān)管研究[J]. 工程管理學(xué)報(bào), 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(biāo)中的圍標(biāo)串標(biāo)預(yù)警模型研究[J]. 天津大學(xué)學(xué)報(bào)(社會科學(xué)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(fù)雜網(wǎng)絡(luò)的水務(wù)工程電子招投標(biāo)不正當(dāng)競爭分析[D]. 天津: 天津工業(yè)大學(xué), 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(guān)華濱, 等. 基于大數(shù)據(jù)的圍標(biāo)串標(biāo)行為識別關(guān)鍵技術(shù)研究[J]. 建筑市場與招標(biāo)投標(biāo), 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(shù)據(jù)挖掘技術(shù)在投標(biāo)報(bào)價評審中的應(yīng)用[J]. 貴州大學(xué)學(xué)報(bào)(社會科學(xué)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(wǎng)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(jì)特征和應(yīng)用[J]. 數(shù)理統(tǒng)計(jì)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(xué)基金資助項(xiàng)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(biāo)研究；E-mail：15510636872@126.com

(編輯 蔣學(xué)東)