陳彥陶 仲天薦 王煜

摘 要：企業(yè)管理、運行風(fēng)險對事故的發(fā)生具有顯著的影響，但道路交通運輸企業(yè)風(fēng)險具有較強(qiáng)隱蔽性，對于道路交通運輸企業(yè)的監(jiān)管難以實現(xiàn)早發(fā)現(xiàn)、早預(yù)防。隨著大數(shù)據(jù)的發(fā)展，通過企業(yè)經(jīng)營特征數(shù)據(jù)形成企業(yè)畫像，進(jìn)一步進(jìn)行安全生產(chǎn)的風(fēng)險研判成為可行之路。文章基于企業(yè)經(jīng)營特征數(shù)據(jù)，首先利用因子分析法進(jìn)行特征提??；然后對提取的經(jīng)營因子進(jìn)行聚類分析，構(gòu)造了企業(yè)畫像標(biāo)簽?zāi)Ｐ?，劃分了不同企業(yè)的風(fēng)險類別，形成了一套交通運輸企業(yè)的風(fēng)險評價算法；最后利用實例數(shù)據(jù)證實了算法的有效性，該算法能較為直觀地反映企業(yè)的安全生產(chǎn)風(fēng)險情況，為實現(xiàn)企業(yè)精準(zhǔn)監(jiān)管提供有效的依據(jù)和手段。

關(guān)鍵詞：因子分析；聚類分析；企業(yè)畫像；風(fēng)險研判

中圖分類號：F259.22；U492.8文獻(xiàn)標(biāo)志碼：ADOI：10.13714/j.cnki.1002-3100.2023.10.025

Abstract： Enterprise management and operational risks have a significant impact on the occurrence of accidents， but road transportation enterprise risks are highly hidden， making it difficult to achieve "early detection， early prevention". With the development of big data， it is feasible to form a corporate image through business characteristic data and further conduct risk research and judgment on safety production. Based on the business characteristics data of enterprises， this paper first uses factor analysis to extract features. Then， cluster analysis is performed on the extracted business factors to construct a corporate portrait label model， which divides different enterprise risk categories， and forms a set of transportation enterprise risk evaluation algorithms. Finally， the effectiveness of the algorithm is confirmed by using example data. The algorithm can reflect the enterprise's safety production risk situation more intuitively， and provide an effective basis and means to realize the precise supervision of enterprises.

Key words： factor analysis; cluster analysis; corporate portrait; risk assessment

0 ? ?引 ? ?言

隨著我國經(jīng)濟(jì)的持續(xù)發(fā)展，道路交通運輸企業(yè)規(guī)模不斷擴(kuò)大，危險品運輸量和客運量持續(xù)增加，各類安全生產(chǎn)問題更加突顯。道路交通運輸企業(yè)的安全生產(chǎn)問題會嚴(yán)重威脅人民的財產(chǎn)和生命安全，因此要不斷提高道路交通運輸企業(yè)的安全防范要求[1]。

在研究中發(fā)現(xiàn)，當(dāng)前發(fā)生過嚴(yán)重生產(chǎn)安全事故的企業(yè)往往存在一些共性問題[2]，如企業(yè)的法定代表人不明確，生產(chǎn)項目存在違法發(fā)包、轉(zhuǎn)包等問題；受到各類行政處罰的交通運輸企業(yè)往往存在安全隱患[3-4]。為加強(qiáng)安全風(fēng)險防范，應(yīng)對安全生產(chǎn)高風(fēng)險企業(yè)進(jìn)行重點的安全監(jiān)管和風(fēng)險防控。但目前對道路交通運輸企業(yè)的監(jiān)管具有的一定滯后性，通常在事故發(fā)生后才采取相應(yīng)的處理措施，而此時已經(jīng)造成了人員傷亡和經(jīng)濟(jì)損失。隨著大數(shù)據(jù)的發(fā)展，通過企業(yè)經(jīng)營特征數(shù)據(jù)形成企業(yè)畫像，進(jìn)一步進(jìn)行安全生產(chǎn)的風(fēng)險研判，以實現(xiàn)對風(fēng)險的早發(fā)現(xiàn)、早預(yù)防。然而大數(shù)據(jù)具有體量大、數(shù)據(jù)密度低的特點，即交通運輸企業(yè)安全生產(chǎn)問題的影響因素眾多，隨著企業(yè)數(shù)量、企業(yè)經(jīng)營數(shù)據(jù)的指數(shù)級增長，如何科學(xué)高效地劃分出安全生產(chǎn)高風(fēng)險企業(yè)成了風(fēng)險防范的關(guān)鍵問題。

企業(yè)畫像[5-6]是指將企業(yè)信息標(biāo)簽化，在真實數(shù)據(jù)集基礎(chǔ)上構(gòu)建的標(biāo)簽?zāi)Ｐ腕w系，通過對企業(yè)的經(jīng)營特征數(shù)據(jù)進(jìn)行挖掘，分析企業(yè)的安全生產(chǎn)風(fēng)險[7-8]。企業(yè)畫像技術(shù)為企業(yè)升級、政府監(jiān)管等提供了有效分析，學(xué)界目前已有許多學(xué)者對企業(yè)畫像進(jìn)行了研究。王雪（2017）構(gòu)建了一個基于企業(yè)畫像的公示數(shù)據(jù)查詢系統(tǒng)，有效滿足了用戶對多維度企業(yè)公示數(shù)據(jù)的查詢需求[9]。田娟等（2018）對大數(shù)據(jù)平臺的企業(yè)畫像研究文獻(xiàn)進(jìn)行了綜述，提出企業(yè)畫像構(gòu)建的難點在于海量數(shù)據(jù)的獲取和處理[10]。吳行惠等（2018）提出了基于質(zhì)監(jiān)標(biāo)準(zhǔn)的企業(yè)畫像，為企業(yè)產(chǎn)業(yè)升級提供了依據(jù)[11]。黃曉斌等（2020）提出了融合多源數(shù)據(jù)的方法來構(gòu)造企業(yè)畫像，用于描述企業(yè)的競爭對手[12]。黃家娥等（2022）提出了引入用戶畫像對企業(yè)進(jìn)行建模，從需求分析角度刻畫企業(yè)畫像[13]。企業(yè)信息數(shù)據(jù)上越來越透明化，如基礎(chǔ)工商信息、經(jīng)營風(fēng)險信息、法院失信記錄等，這確保了經(jīng)營特征數(shù)據(jù)的可行性和科學(xué)性。因此，在分析企業(yè)的安全生產(chǎn)風(fēng)險時，基于大數(shù)據(jù)的企業(yè)畫像技術(shù)能夠為安全生產(chǎn)風(fēng)險研判提供分析工具。

本文采用的企業(yè)經(jīng)營特征數(shù)據(jù)包括結(jié)構(gòu)化指標(biāo)數(shù)據(jù)和非結(jié)構(gòu)化指標(biāo)數(shù)據(jù)。經(jīng)營特征數(shù)據(jù)涉及的指標(biāo)可以分為四個一級指標(biāo)：行政處罰信息、違法轉(zhuǎn)包信息、企業(yè)規(guī)模信息、企業(yè)負(fù)責(zé)人信息。本文利用典型事故企業(yè)的經(jīng)營特征數(shù)據(jù)來分析安全生產(chǎn)風(fēng)險企業(yè)的共性問題，先利用因子分析法對企業(yè)經(jīng)營指標(biāo)數(shù)據(jù)進(jìn)行特征提取，后利用聚類分析法設(shè)定畫像標(biāo)簽，刻畫安全生產(chǎn)高風(fēng)險企業(yè)的畫像，直觀反映企業(yè)的安全生產(chǎn)風(fēng)險情況，為實現(xiàn)對企業(yè)精準(zhǔn)監(jiān)管提供有效的依據(jù)和手段。

1 ? ?基于企業(yè)外部數(shù)據(jù)的風(fēng)險研判算法

1.1 ? ?經(jīng)營因子選擇

縱觀國內(nèi)外研究現(xiàn)狀，企業(yè)生產(chǎn)安全事故的影響因素眾多，為更加科學(xué)地分析各種因素，本文對企業(yè)行政處罰信息、企業(yè)違法轉(zhuǎn)包信息、企業(yè)規(guī)模信息、企業(yè)負(fù)責(zé)人信息這四個一級指標(biāo)進(jìn)行分析歸納，研究刻畫企業(yè)安全生產(chǎn)風(fēng)險的具體經(jīng)營因子。

本文在選取經(jīng)營因子時，通過對應(yīng)急管理部發(fā)布的安全事故調(diào)查報告進(jìn)行分析，采用事故樹分析方法進(jìn)行多種致因分析，從調(diào)查報告中分析篩選安全生產(chǎn)風(fēng)險的經(jīng)營因子。對于第一方面——企業(yè)規(guī)模信息，本文選取企業(yè)參保人數(shù)、注冊資本、實繳資本、注冊資本到位率（實繳資本與注冊資本的比值）、成立年限、所屬省份這6個經(jīng)營因子進(jìn)行進(jìn)一步描述。對于第二方面——企業(yè)負(fù)責(zé)人信息，本文選取實際負(fù)責(zé)人和名義負(fù)責(zé)人不一致數(shù)、法院失信記錄數(shù)、企業(yè)法定代表人被限制消費的次數(shù)、法定代表人頻繁變更數(shù)這4個經(jīng)營因子進(jìn)行進(jìn)一步描述。對于第三方面——企業(yè)行政處罰信息，本文選取行政處罰數(shù)、行政處罰總金額、破產(chǎn)清算數(shù)、注冊資本異常這4個經(jīng)營因子進(jìn)行進(jìn)一步描述。對于第四方面——企業(yè)違法轉(zhuǎn)包信息，本文選取掛靠糾紛數(shù)、融資租賃合同糾紛數(shù)和承包經(jīng)營合同糾紛數(shù)進(jìn)行進(jìn)一步描述，這3個經(jīng)營因子常用于描述企業(yè)違法轉(zhuǎn)包、層層轉(zhuǎn)包的生產(chǎn)問題。

1.2 ? ?企業(yè)經(jīng)營特征提取及風(fēng)險研判方法

選取大量因子后，有些因子具有信息重復(fù)性，會引起某一個指標(biāo)權(quán)重過大，從而引起不合理的判斷和不合理的預(yù)警。本文采用因子分析法對企業(yè)經(jīng)營數(shù)據(jù)進(jìn)行特征提取。采用因子分析法的主要目的是將原始指標(biāo)綜合成較少的指標(biāo)，以這些指標(biāo)反映原始指標(biāo)的絕大部分信息。因子分析算法步驟如下。

步驟1：用定性分析和定量分析的方法選擇變量，因子分析法的前提條件是觀測變量之間有較強(qiáng)的相關(guān)性。步驟2：計算原始變量的相關(guān)系數(shù)矩陣。步驟3：提取公共因子，按照因子的累計方差貢獻(xiàn)率確定公共因子。步驟4：進(jìn)行因子旋轉(zhuǎn)，通過坐標(biāo)變換使每一個原始變量在盡可能少的因子之間有密切關(guān)聯(lián)。步驟5：計算因子的得分，求出各樣本的因子得分，最后將因子的得分作為下一步聚類分析的變量。

在風(fēng)險研判中，可以將相似的風(fēng)險因素歸為一類，進(jìn)而評估每一類風(fēng)險的可能性和嚴(yán)重程度。同時，在風(fēng)險研判中，很多時候并沒有足夠的先驗知識或已知標(biāo)簽，無監(jiān)督方法可以適用于這種情況。在無監(jiān)督方法中，聚類分析由于速度快、可解釋性好成為主流方法。本文采用系統(tǒng)聚類分析，假設(shè)數(shù)據(jù)集中有n個樣本，將所有單個樣本看作是多維樣本空間中向量的一個端點，用相似度或距離度計算各點之間的距離，組成類間距離矩陣，并將距離最近的兩類合并為一個新類，然后計算新類與當(dāng)前類之間的距離，將距離相近的類進(jìn)一步合并，依次進(jìn)行，直到數(shù)據(jù)完全合并為一個類別，并得到聚類圖。具體步驟如下。

步驟1：首先對樣本進(jìn)行標(biāo)準(zhǔn)變換，再計算樣本之間的距離，由樣本之間的距離構(gòu)成距離矩陣。步驟2：按樣本間距離矩陣的最小距離進(jìn)行聚類，將距離最近的樣本歸為一個新的類別。步驟3：利用離差平方和法定義類與類之間的距離。步驟4：計算新類與其他類之間的距離，再根據(jù)距離最近的規(guī)則進(jìn)行類與類的合并，直到所有樣本歸為一類。

1.3 ? ?企業(yè)風(fēng)險研判方法的具體流程

結(jié)合上述過程，本文構(gòu)建企業(yè)風(fēng)險研判方法。

數(shù)據(jù)采集和處理；從政府公開信息平臺、征信網(wǎng)站和企查查等平臺搜集數(shù)據(jù)，采用爬蟲技術(shù)采集數(shù)據(jù)，并進(jìn)行數(shù)據(jù)清洗和預(yù)處理；設(shè)定一級指標(biāo)，設(shè)定四個一級指標(biāo)企業(yè)規(guī)模、企業(yè)負(fù)責(zé)人信息、企業(yè)行政處罰信息、企業(yè)違法轉(zhuǎn)包信息；設(shè)定畫像因子，利用關(guān)聯(lián)分析、因子分析對數(shù)據(jù)進(jìn)行處理，進(jìn)而確定企業(yè)畫像的關(guān)鍵因子；計算無監(jiān)督學(xué)習(xí)下的畫像，利用聚類分析不同企業(yè)所屬的畫像類型，進(jìn)一步分析聚類中心，從而構(gòu)建預(yù)警體系。

2 ? ?風(fēng)險研判應(yīng)用

2.1 ? ?數(shù)據(jù)集

本文以企業(yè)風(fēng)險研判方法中的多類型為基礎(chǔ)，從公開信息中全面梳理69家發(fā)生過事故的企業(yè)的經(jīng)營特征數(shù)據(jù)作為實驗數(shù)據(jù)。其中事故企業(yè)的經(jīng)營范圍包括客運、危險品運輸?shù)?。文中所涉及?9家企業(yè)事故信息以應(yīng)急管理部公開發(fā)布的事故為數(shù)據(jù)核心，企業(yè)經(jīng)營特征數(shù)據(jù)源于政府網(wǎng)站，企查查、天眼查等數(shù)據(jù)平臺，以及征信網(wǎng)站。

根據(jù)前文介紹的方法，本文以69家企業(yè)自2015年來的各項企業(yè)經(jīng)營指標(biāo)數(shù)據(jù)為源數(shù)據(jù)，將69家企業(yè)表示為Xi，i=1，2，...，69，每家企業(yè)收集15個指標(biāo)數(shù)據(jù)（V1：實際負(fù)責(zé)人和名義負(fù)責(zé)人不一致數(shù)；V2：法院失信記錄數(shù)；V3：限制消費令次數(shù)；V4：掛靠糾紛次數(shù)；V5：行政處罰金額；V6：資金到位率；V7：注冊資本；V8：實繳資本；V9：注冊資本異常；V10：法定代表人變更數(shù)；V11：行政處罰數(shù)；V12：破產(chǎn)清算次數(shù)；V13：參保人數(shù)；V14：成立年限；V15：所屬省份）。

2.2 ? ?風(fēng)險研判分析

2.2.1 ? ?因子分析

本文利用主成分分析法求解因子載荷矩陣，從原始變量中構(gòu)造出少數(shù)幾個具有代表性的因子變量，并求解變量相關(guān)系數(shù)。由原始變量的相關(guān)系數(shù)矩陣計算得出法院失信數(shù)和掛靠糾紛次數(shù)、行政處罰金額的相關(guān)系數(shù)較高，相關(guān)系數(shù)分別為0.6和0.675；限制消費令次數(shù)和破產(chǎn)清算次數(shù)的相關(guān)系數(shù)比較高，相關(guān)系數(shù)為0.856；行政處罰金額和掛靠糾紛次數(shù)的相關(guān)系數(shù)比較高，相關(guān)系數(shù)為0.963。各變量之間存在較強(qiáng)的相關(guān)性，可以從中構(gòu)造出具有代表意義的因子變量。

此外，本文對數(shù)據(jù)進(jìn)行了KMO（Kaiser-Meyer-Olkin）和巴特利特檢驗以驗證因子分析的有效性，計算得到KMO的值為0.673，說明該數(shù)據(jù)適合進(jìn)行因子分析。巴特利特檢驗的顯著性小于0.05，因此拒絕原假設(shè)，說明所分析的變量之間具有相關(guān)性，適合進(jìn)行因子分析。

下一步提取公共因子，通過計算特征貢獻(xiàn)度如表1所示，分析得到前6個因子的累計方差貢獻(xiàn)率分別為27.791%、46.243%、59.192%、68.356%、76.259%、83.743%。前6個因子序號的特征根比較大，作用比較明顯，對解釋原始變量的貢獻(xiàn)比較大，第7個以后的因子特征根值比較小，對解釋原始變量的作用比較小，因此提取6個因子比較理想。

接下來計算因子得分，通過計算成分得分系數(shù)矩陣，第1因子主要解釋了法院失信記錄數(shù)、行政處罰數(shù)、注冊資本、實繳資本這四個指標(biāo)，四個指標(biāo)的成分得分分別為0.2、0.183、0.192、0.193。第2因子主要解釋了限制消費令數(shù)、注冊資本異常和破產(chǎn)清算這三個指標(biāo)，三個指標(biāo)的成分得分分別為0.353、0.314、0.365。第3因子主要解釋了掛靠糾紛數(shù)、行政處罰金額這兩個指標(biāo)，兩個指標(biāo)的成分得分分別為0.356、0.349。第4因子主要解釋了資金到位率、法定代表人變更數(shù)這兩個指標(biāo)，兩個指標(biāo)的成分得分分別為0.516、0.335。第5因子主要解釋了實際負(fù)責(zé)人和名義負(fù)責(zé)人不一致數(shù)這個指標(biāo)，指標(biāo)的成分得分分別為0.563。第6因子主要解釋了行政處罰數(shù)和法定代表人變更數(shù)這兩個指標(biāo)，兩個指標(biāo)的成分得分分別為0.439、0.435。

2.2.2 ? ?聚類分析

本文采用系統(tǒng)聚類的方法，類間距離采用離差平方和，開始時把每個樣本各看為一類，然后把最靠近的樣品聚為小類，再將已聚合的小類按其類間距離合并，不斷繼續(xù)下去。計算譜系圖，可以將69家企業(yè)大致分為4類：企業(yè)X54、X40、X28、X12、X48、X37可以聚為一類；企業(yè)X65、X25、X23、X61、X26、X38、X5、X4、X53、X6、X46、X15、X68、X3可以聚為一類；企業(yè)X20、X29、X22、X10、X39、X34、X7、X56、X2、X14、X67、X63、X41、X50、X69、X57、X58、X55、X33可以聚為一類，剩余的企業(yè)聚為一類。

接下來對聚類結(jié)果進(jìn)行分析，利用聚類算法將企業(yè)分為四大類。第一類企業(yè)的顯著特點是行政處罰次數(shù)頻繁。這類企業(yè)屢次違法違規(guī)，行政處罰次數(shù)多。典型案例為：28號企業(yè)的行政處罰數(shù)高達(dá)918次，處罰總金額為10 059萬元，多次交通等方面的行政處罰并未引起該企業(yè)的重視，在2019年已發(fā)生5次不同程度的事故，死亡1人。第二類企業(yè)的顯著特點是企業(yè)負(fù)責(zé)人存在問題。這類企業(yè)負(fù)責(zé)人存在多次法院失信記錄或?qū)嶋H負(fù)責(zé)人和名義負(fù)責(zé)人不一致的情況。典型案例為：第5號企業(yè)的法院失信記錄數(shù)高達(dá)89次，且存在實際負(fù)責(zé)人和名義負(fù)責(zé)人不一致的情況，該企業(yè)被某市交通運輸局通報為風(fēng)險隱患較高的企業(yè)。第三類企業(yè)的顯著特點是存在違法轉(zhuǎn)包、掛靠問題。這類企業(yè)存在違法發(fā)包、轉(zhuǎn)包的問題。典型案例為：第63號企業(yè)因多次掛靠經(jīng)營合同糾紛被起訴，且實繳資本為注冊資本的20%。該企業(yè)2020年發(fā)生一起交通事故，造成2人死亡，1人受傷。第四類企業(yè)的顯著特點是是規(guī)模較小且成立年限較短。這類企業(yè)是新成立或新建成的，生產(chǎn)經(jīng)營等方面需要進(jìn)行磨合，一旦疏于管理就容易發(fā)生事故。典型案例為：第27號企業(yè)成立的年限為6年，且企業(yè)規(guī)模比較小，注冊資本僅為10萬元。該企業(yè)在2019年出現(xiàn)過一次交通事故，造成3人死亡。

3 ? ?結(jié) ? ?語

企業(yè)安全生產(chǎn)風(fēng)險研判分析可以通過企業(yè)經(jīng)營特征數(shù)據(jù)進(jìn)行描述。隨著大數(shù)據(jù)技術(shù)的發(fā)展，企業(yè)的各項特征指標(biāo)數(shù)據(jù)能得以記錄，各項外部數(shù)據(jù)能夠更好地刻畫企業(yè)的畫像，且能夠作為企業(yè)風(fēng)險研判分析的切入點。企業(yè)畫像技術(shù)能夠?qū)⑵髽I(yè)行為、屬性等數(shù)據(jù)抽象出標(biāo)簽化的企業(yè)質(zhì)量信息，以畫像的方式全方位展現(xiàn)企業(yè)的風(fēng)險程度。本文通過企業(yè)經(jīng)營特征數(shù)據(jù)來分析交通運輸企業(yè)安全生產(chǎn)高風(fēng)險企業(yè)的共性問題，先通過特征提取外部指標(biāo)數(shù)據(jù)，后進(jìn)行聚類分析的方法設(shè)定畫像標(biāo)簽，刻畫出高風(fēng)險項目企業(yè)的畫像，為監(jiān)管部門實現(xiàn)精準(zhǔn)風(fēng)險防控提供有效支撐。

參考文獻(xiàn)：

[1] 張道斌．化工園區(qū)企業(yè)安全風(fēng)險分級和預(yù)警方法[J]．現(xiàn)代化工，2022，42（S2）：12-15.

[2] 應(yīng)急管理部啟動硝化企業(yè)專項整治問題落實情況“回頭看”工作[J]．中國安全生產(chǎn)科學(xué)技術(shù)，2022，18（2）：197.

[3] 楊天姿，王鐵驪，彭恒明，等．小微企業(yè)生產(chǎn)安全事故應(yīng)急脆弱性評價[J]．中國安全科學(xué)學(xué)報，2021，31（12）：176-183.

[4] 應(yīng)急管理部部署加強(qiáng)年底安全風(fēng)險防范 通報四類生產(chǎn)安全高風(fēng)險項目企業(yè)[J]．安全與健康，2020（11）：50.

[5] 李鑫．化工企業(yè)生產(chǎn)安全風(fēng)險畫像技術(shù)應(yīng)用與研究[D]．青島：青島科技大學(xué)，2020.

[6] 艾留陽，張亞強(qiáng)，李顏．化工企業(yè)生產(chǎn)安全風(fēng)險畫像技術(shù)研究[J]．化工安全與環(huán)境，2022，35（30）：11-14.

[7] 丁行碩，李翔，謝乾．基于標(biāo)簽分層延深建模的企業(yè)畫像構(gòu)建方法[J]．計算機(jī)應(yīng)用，2022，42（4）：1170-1177.

[8] 關(guān)冬院．基于網(wǎng)絡(luò)公開數(shù)據(jù)的企業(yè)畫像方法初探[D]．昆明：云南大學(xué)，2019.

[9] 王雪．基于企業(yè)畫像的公示數(shù)據(jù)查詢系統(tǒng)設(shè)計與實現(xiàn)[D]．大連：大連海事大學(xué)，2017.

[10] ?田娟，朱定局，楊文翰．基于大數(shù)據(jù)平臺的企業(yè)畫像研究綜述[J]．計算機(jī)科學(xué)，2018，45（S2）：58-62.

[11] ?吳行惠，梁娜，王光昕，等．大數(shù)據(jù)在企業(yè)標(biāo)準(zhǔn)畫像中的應(yīng)用與研究[J]．標(biāo)準(zhǔn)科學(xué)，2018（7）：96-101.

[12] ?黃曉斌，張明鑫．融合多源數(shù)據(jù)的企業(yè)競爭對手畫像構(gòu)建[J]．現(xiàn)代情報，2020，40（11）：13-21，33.

[13] ?黃家娥，李靜，胡潛．基于企業(yè)畫像的行業(yè)信息精準(zhǔn)服務(wù)研究[J]．情報科學(xué)，2022，40（2）：99-104，112.