吳碧文，周瑾，施麗霞，孟麗霞

（福州市市場監(jiān)管監(jiān)測服務中心，福建 福州 350001）

0 引 言

商事制度改革以來，營商環(huán)境不斷優(yōu)化，企業(yè)注冊登記更加高效便捷，市場準入條件放寬，企業(yè)登記成本大幅降低，市場主體數(shù)量不斷增加，創(chuàng)新創(chuàng)業(yè)活力得到有效示范，惠及了廣大群眾。但是在為企業(yè)提供這些便捷化服務的同時，也讓一些不法分子有機可乘，借機利用虛假身份、虛假地址、隱瞞重要信息等方式騙取企業(yè)登記，“被法人”“被地址”“被股東”等也一度成為網(wǎng)絡熱詞。虛假注冊問題的存在，直接影響優(yōu)化營商環(huán)境的推進，擾亂經(jīng)濟秩序，嚴重損害被侵權人合法權益。針對這些問題，各級市場監(jiān)管部門充分利用各種先進技術，在注冊前端采取人臉識別、指紋驗證、聯(lián)網(wǎng)核查、對接標準地址庫等技術對注冊人、注冊地址、代辦人等進行核驗，及時駁回虛假注冊申請，在一定程度上遏制了企業(yè)虛假注冊行為。但仍不乏一些比較隱蔽的虛假注冊行為既成事實而未被及時發(fā)現(xiàn)，如注冊地址真實存在但過度注冊，同一地址多家公司注冊、法人身份真實但同時注冊多家公司、新設立企業(yè)在短時間內(nèi)法人、高管全部變更等等。筆者在監(jiān)測工作中發(fā)現(xiàn)這些異常情況與企業(yè)虛假注冊關聯(lián)度較高，亟須利用大數(shù)據(jù)思維模式，對企業(yè)相關注冊登記、投訴舉報、監(jiān)督檢查、年報、輿情、醫(yī)社保繳交等組成的大數(shù)據(jù)進行充分挖掘，構建企業(yè)虛假注冊風險預警模型，進一步防范企業(yè)虛假注冊風險。

1 預警模型總體框架思路

基于福州市市場監(jiān)管預警平臺已經(jīng)收集的企業(yè)登記信息、變更信息、年報信息、出資信息、異常名錄等數(shù)據(jù)，結合近年來福州市企業(yè)虛假注冊案例數(shù)據(jù)，從注冊地址、代理注冊、企業(yè)主要人員、企業(yè)行為四個方面運用聚類分析和關聯(lián)分析法構建企業(yè)虛假注冊預警風險預警模型。

從注冊地址分析：企業(yè)登記秉承“形式審查”原則，對住所登記不斷簡化，從產(chǎn)權材料齊全到只需提供租賃材料，再到只需提交住所承諾書，再加上國內(nèi)經(jīng)營場所的租賃成本又居高不下，部分注冊人采用編造假的注冊地址、冒用他人地址等方式騙取企業(yè)注冊登記。導致部分注冊地址虛假或是不能真實反映企業(yè)實際情況。2019年，福建省某市一洗浴場所營業(yè)執(zhí)照被曝光，經(jīng)營場所地址為該市某部門的廁所。

從代理注冊分析，商事制度改革讓企業(yè)注冊登記更加便捷，《中華人民共和國市場主體登記管理條例》第十八條規(guī)定“申請人可以委托其他自然人或中介機構代其辦理市場主體登記”，在全民創(chuàng)業(yè)、萬眾創(chuàng)新的趨勢下，不少創(chuàng)業(yè)者為了節(jié)約時間成本，會選擇委托代辦人或中介機構注冊公司。監(jiān)測發(fā)現(xiàn)代辦人或中介機構經(jīng)常以“無須本人到場、0 資金、無地址、虛擬地址注冊公司”等進行宣傳，福州市近年來發(fā)現(xiàn)的170 家虛假注冊企業(yè)中就有133 家企業(yè)是由代辦人或中介機構代理注冊的，可見代辦企業(yè)存在虛假注冊風險比較高。

從企業(yè)主要人員分析：企業(yè)注冊登記時，填報企業(yè)主要人員一般由法定代表人、股東、監(jiān)事組成，注冊登記時需要提供相關人員的身份證信息。部分企業(yè)進行注冊登記時借用他人身份證、用撿拾的身份證等虛假身份信息進行企業(yè)注冊登記，“被法人”“被股東”等虛假注冊事件不斷發(fā)生。

從企業(yè)行為分析：企業(yè)設立登記后應遵循中華人民共和國相關法律法規(guī)合法經(jīng)營，企業(yè)經(jīng)營過程中涉及一切活動均認定為企業(yè)行為，通過對企業(yè)行為跟蹤與監(jiān)測，發(fā)現(xiàn)企業(yè)頻繁變更、年報真實性等方面與企業(yè)虛假注冊關聯(lián)度較高。監(jiān)測發(fā)現(xiàn)虛假注冊公司福建某資本管理有限公司存續(xù)期間法人、董事等高管變更次數(shù)達10 次。

2 模型構建方法

2.1 企業(yè)虛假注冊數(shù)據(jù)處理與聚類分析

結合監(jiān)管經(jīng)驗，本文選取的監(jiān)測指標有：同一住所注冊企業(yè)數(shù)量、企業(yè)地址變更次數(shù)、企業(yè)注冊時法定代表人年齡、法定人董事等高管變更次數(shù)、法定代表人同時任職福州企業(yè)家數(shù)、未按規(guī)定期限公示年報次數(shù)、10 天內(nèi)集中注冊相似企業(yè)數(shù)量、列入經(jīng)營異常名錄次數(shù)以及是否代辦人代辦企業(yè)等。

本文選取的分析數(shù)據(jù)為2015—2021年立案查處和撤銷登記的170 家虛假注冊企業(yè)信息及本市近37 萬家企業(yè)基本登記信息、監(jiān)管信息、年報等數(shù)據(jù)。如表1所示。

表1 部分虛假注冊企業(yè)指標數(shù)據(jù)

2.1.1 數(shù)據(jù)標準化處理

z-score 方法是一種常見的將數(shù)據(jù)標準化處理的方法，處理后的數(shù)據(jù)處在同一數(shù)量級，數(shù)據(jù)之間具備可比性且符合正態(tài)分布，故本文采用此法：

2.1.2 K 均值聚類

（1）聚類算法。聚類分析常用聚類方法有：層次聚類法、K-Means 聚類法等。當我們有足夠的信息能夠定義聚類的初始值，即能夠指定合適的起始聚類時，適用于使用K-Means 聚類將觀測值按照相同的特征進行分組。本項目選用K-Means 聚類法，使用Minitab 軟件進行評估分析，在多個虛假注冊企業(yè)的各項指標中選出能夠代表企業(yè)虛假注冊普遍性的特征變量。

（2）算法的數(shù)學形式。聚類分析算法是按照各變量之間存在的差異性進行分析的，而變量間的差異性通過距離進行反映，距離越近，則表示相似性越明顯。距離量度方式有多種，本文選用歐式距離作為樣本之間距離的度量，數(shù)學定義為：

式中的x為樣本的特征項，c為樣本初始化的聚類中心，代表了樣本的數(shù)量。

（3）虛假注冊聚類分析。K-Means 聚類使用的是非分層過程對虛假注冊指標進行分組。因此，在聚類過程中，最初合并在一起的兩個觀測值還是可能被分割到不同的聚類去。為了使聚類結果更加準確，根據(jù)經(jīng)驗選定K-Means 聚類過程最適合聚類的有效起始點后，需要對所有觀測值進行多次聚類。依次選擇聚為3 類、4 類、5 類、6 類，對聚類結果進行比較，發(fā)現(xiàn)聚為3 類時，聚類效果最好。選擇聚類個數(shù)為3 個分類后，對標準化處理后的數(shù)據(jù)進行聚類分析，得到結果如表2所示。

由Minitab 軟件生成的K-Means 分類結果表2可知，企業(yè)注冊分析分為3 類，其中第一類企業(yè)注冊風險的總數(shù)為54，占總樣本空間的31.7%；第二類企業(yè)注冊風險用戶的總數(shù)為27，占總樣本空間的15.8%；第三類用戶的總數(shù)為89，占總樣本空間的52.3%。第三類注冊企業(yè)的占比最高，根據(jù)初始值聚類分類結果得出當年注冊地址超過3 家企業(yè)注冊的企業(yè)數(shù)量，是否代辦人代辦企業(yè)，10 個工作日內(nèi)集中登記的相似企業(yè)數(shù)量，法人董事等高管變更3 次以上的企業(yè)數(shù)量，未報送企業(yè)年報的新設企業(yè)數(shù)量對聚類的結果影響比較大，說明這五個指標與虛假注冊企業(yè)的相關性強，是企業(yè)虛假注冊的普遍性特征。

表2 K-Means 分類結果

2.2 構建企業(yè)虛假注冊多元線性回歸模型

為了更好地描述虛假注冊企業(yè)指標間的關系，采用多元線性回歸方程驗證的形式?；诰垲惙治龅慕Y果，以“虛假注冊企業(yè)數(shù)量”作為被解釋變量，提煉各要素中的關鍵指標作為解釋變量，構建多元線性回歸模型，分析驗證企業(yè)虛假注冊行為與各指標存在的聯(lián)系，進而實現(xiàn)對虛假注冊企業(yè)及數(shù)量的預測分析。

2.2.1 模型構建

（1）變量定義。被解釋變量：虛假注冊企業(yè)數(shù)量。

解釋變量：當年所有企業(yè)中注冊地址超過3 家企業(yè)注冊的企業(yè)數(shù)量，代辦人代辦企業(yè)數(shù)量，10 個工作日內(nèi)集中登記的相似企業(yè)數(shù)量，法人、董事等高管變更3 次以上的企業(yè)數(shù)量，未報送企業(yè)年報的新設企業(yè)數(shù)量。如表3所示。

表3 企業(yè)虛假注冊相關數(shù)據(jù)（2015—2021年）

（2）模型的數(shù)學形式。設定虛假注冊企業(yè)與5 個解釋變量相關關系模型，樣本回歸模型為：

Y=++++++∈

3）模型運算。應用Minitab 對模型進行估算，估算結果為：

首先對模型進行方差分析，結果如表4至表6所示。

表4 方差分析

表6 系數(shù)

根據(jù)回歸結果表中的數(shù)據(jù)，模型估計的結果為：

表5 模型匯總

虛假注冊企業(yè)數(shù)量的殘差分析圖如圖1至圖4所示。

圖1 正態(tài)概率圖

圖2 擬合值

圖3 直方圖

圖4 觀測值順序

2.2.2 模型檢驗

（1）經(jīng)濟意義檢驗：模型估計結果說明，在假定其他變量不變的情況下，當年注冊地址超過3 家企業(yè)注冊的企業(yè)數(shù)量每增長1 個，虛假注冊企業(yè)數(shù)量就會增加0.005 273 家；在假定其他變量不變的情況下，代辦人代辦企業(yè)數(shù)量每增長1 個，虛假注冊企業(yè)數(shù)量就會增加0.000 360 家；在假定其他變量不變的情況下，10 個工作日內(nèi)集中登記的相似企業(yè)數(shù)量每增長1 個，虛假注冊企業(yè)數(shù)量就會增加0.000 432 家；在假定其他變量不變的情況下，法人董事等高管變更3 次以上的企業(yè)數(shù)量每增長1 個，虛假注冊企業(yè)數(shù)量就會增加0.015 302家；在假定其他變量不變的情況下，未報送企業(yè)年報的新設企業(yè)數(shù)量每增長1 個，虛假注冊企業(yè)數(shù)量就會增加0.003 507 家。

（2）統(tǒng)計檢驗：

1）擬合優(yōu)度檢驗：由回歸結果得到＝1，修正的可決系數(shù)為1，這說明模型對樣本的擬合很好。

2）檢驗：針對：＝＝＝＝＝0，給定顯著性水平＝0.05，在分布表中查出自由度為-1＝5 和－－1 ＝1 的臨界值F（5，1）＝57.240，得＝152 711.36 ＞F（5，1），所以拒絕原假設：＝＝＝＝＝＝0，說明回歸方程顯著，即“注冊地址超過3家企業(yè)注冊的企業(yè)數(shù)量”“代辦人代辦企業(yè)數(shù)量”“10個工作日內(nèi)集中登記的相似企業(yè)數(shù)量”“法人董事等高管變更3 次以上的企業(yè)數(shù)量”“未報送企業(yè)年報的新設企業(yè)數(shù)量”對“虛假注冊企業(yè)數(shù)量”有顯著影響。

3）檢驗：分別針對：β＝0（＝0，1，2，3，4，5），給定顯著性水平＝0.05，查分布表得自由度為＝2 臨界值t（－)＝4.303。由回歸結果的表可得，與、、、、、對應的統(tǒng)計量分別為-16.76、-11.02、21.16、4.83、151.31、23.42，其絕對值均大于t（），這說明分別都應該拒絕：β＝0（＝0，1，2，3，4，5），也就是說，當在其他解釋變量不變的情況下，解釋變量“年注冊地址超過3 家企業(yè)注冊的企業(yè)數(shù)量”“代辦人代辦企業(yè)數(shù)量”“10個工作日內(nèi)集中登記的相似企業(yè)數(shù)量”“法人董事等高管變更3 次以上的企業(yè)數(shù)量”“未報送企業(yè)年報的新設企業(yè)數(shù)量”對“虛假注冊企業(yè)數(shù)量”有顯著影響。

2.2.3 結果分析

根據(jù)多元線性回歸的基本方法，通過對初始線性回歸模型的驗證和分析，發(fā)現(xiàn)各變量與虛假注冊企業(yè)數(shù)量具有顯著關系。經(jīng)企業(yè)虛假注冊多元線性回歸模型的計算結果得到各指標的權值結果如表7所示。

表7 指標權值

依據(jù)上述企業(yè)虛假注冊風險預警模型指標與權值，對2022年全市所有注冊企業(yè)進行評分，得到80 分以上的企業(yè)數(shù)量為0 家，60 分到80 分的企業(yè)為172 家，60 分以下的企業(yè)為67 378 家。依據(jù)評分結果，監(jiān)管部門可對企業(yè)實施分類監(jiān)管，并對172 家“疑似虛假注冊企業(yè)”進行重點檢查，提高監(jiān)管靶向性和有效性。

3 結 論

本文基于福州市市場監(jiān)管預警平臺歸集整合的企業(yè)相關數(shù)據(jù)，初步構建了企業(yè)虛假注冊風險預警模型，對虛假注冊風險企業(yè)進行預警，為市場監(jiān)管提供參考，有利于提高監(jiān)管效率，取得良好成效。但在實際應用中，反映企業(yè)虛假注冊的因素還有很多，如稅務繳交、員工醫(yī)社保繳交情況等，但囿于目前單位的數(shù)據(jù)協(xié)調(diào)與對接存在一定難度，未進行更深入的關聯(lián)分析。同時，虛假注冊樣本量也比較有限，預警模型指標還有待進一步提升。下一步，我中心將基于福州市市場監(jiān)管預警平臺二期建設，進一步做好相關數(shù)據(jù)歸集整合分析，并結合“疑似虛假注冊企業(yè)”的檢查結果，對指標模型進行不斷修正和完善，提高企業(yè)虛假注冊風險預警模型的準確性。