企業虛假注冊風險預警模型構建

吳碧文，周瑾，施麗霞，孟麗霞

（福州市市場監管監測服務中心，福建 福州 350001）

0 引 言

商事制度改革以來，營商環境不斷優化，企業注冊登記更加高效便捷，市場準入條件放寬，企業登記成本大幅降低，市場主體數量不斷增加，創新創業活力得到有效示范，惠及了廣大群眾。但是在為企業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登記，“被法人”“被地址”“被股東”等也一度成為網絡熱詞。虛假注冊問題的存在，直接影響優化營商環境的推進，擾亂經濟秩序，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、聯網核查、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現，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、新設立企業在短時間內法人、高管全部變更等等。筆者在監測工作中發現這些異常情況與企業虛假注冊關聯度較高，亟須利用大數據思維模式，對企業相關注冊登記、投訴舉報、監督檢查、年報、輿情、醫社保繳交等組成的大數據進行充分挖掘，構建企業虛假注冊風險預警模型，進一步防范企業虛假注冊風險。

1 預警模型總體框架思路

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

從注冊地址分析：企業登記秉承“形式審查”原則，對住所登記不斷簡化，從產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，再加上國內經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注冊登記。導致部分注冊地址虛假或是不能真實反映企業實際情況。2019年，福建省某市一洗浴場所營業執照被曝光，經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”，在全民創業、萬眾創新的趨勢下，不少創業者為了節約時間成本，會選擇委托代辦人或中介機構注冊公司。監測發現代辦人或中介機構經常以“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，福州市近年來發現的170 家虛假注冊企業中就有133 家企業是由代辦人或中介機構代理注冊的，可見代辦企業存在虛假注冊風險比較高。

從企業主要人員分析：企業注冊登記時，填報企業主要人員一般由法定代表人、股東、監事組成，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注冊登記，“被法人”“被股東”等虛假注冊事件不斷發生。

從企業行為分析：企業設立登記后應遵循中華人民共和國相關法律法規合法經營，企業經營過程中涉及一切活動均認定為企業行為，通過對企業行為跟蹤與監測，發現企業頻繁變更、年報真實性等方面與企業虛假注冊關聯度較高。監測發現虛假注冊公司福建某資本管理有限公司存續期間法人、董事等高管變更次數達10 次。

2 模型構建方法

2.1 企業虛假注冊數據處理與聚類分析

結合監管經驗，本文選取的監測指標有：同一住所注冊企業數量、企業地址變更次數、企業注冊時法定代表人年齡、法定人董事等高管變更次數、法定代表人同時任職福州企業家數、未按規定期限公示年報次數、10 天內集中注冊相似企業數量、列入經營異常名錄次數以及是否代辦人代辦企業等。

本文選取的分析數據為2015—2021年立案查處和撤銷登記的170 家虛假注冊企業信息及本市近37 萬家企業基本登記信息、監管信息、年報等數據。如表1所示。

表1 部分虛假注冊企業指標數據

2.1.1 數據標準化處理

z-score 方法是一種常見的將數據標準化處理的方法，處理后的數據處在同一數量級，數據之間具備可比性且符合正態分布，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的各項指標中選出能夠代表企業虛假注冊普遍性的特征變量。

（2）算法的數學形式。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，根據經驗選定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，發現聚為3 類時，聚類效果最好。選擇聚類個數為3 個分類后，對標準化處理后的數據進行聚類分析，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，企業注冊分析分為3 類，其中第一類企業注冊風險的總數為54，占總樣本空間的31.7%；第二類企業注冊風險用戶的總數為27，占總樣本空間的15.8%；第三類用戶的總數為89，占總樣本空間的52.3%。第三類注冊企業的占比最高，根據初始值聚類分類結果得出當年注冊地址超過3 家企業注冊的企業數量，是否代辦人代辦企業，10 個工作日內集中登記的相似企業數量，法人董事等高管變更3 次以上的企業數量，未報送企業年報的新設企業數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的相關性強，是企業虛假注冊的普遍性特征。

表2 K-Means 分類結果

2.2 構建企業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指標間的關系，采用多元線性回歸方程驗證的形式。基于聚類分析的結果，以“虛假注冊企業數量”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，分析驗證企業虛假注冊行為與各指標存在的聯系，進而實現對虛假注冊企業及數量的預測分析。

2.2.1 模型構建

（1）變量定義。被解釋變量：虛假注冊企業數量。

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

表3 企業虛假注冊相關數據（2015—2021年）

（2）模型的數學形式。設定虛假注冊企業與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

根據回歸結果表中的數據，模型估計的結果為：

表5 模型匯總

虛假注冊企業數量的殘差分析圖如圖1至圖4所示。

圖1 正態概率圖

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 家企業注冊的企業數量每增長1 個，虛假注冊企業數量就會增加0.005 273 家；在假定其他變量不變的情況下，代辦人代辦企業數量每增長1 個，虛假注冊企業數量就會增加0.000 360 家；在假定其他變量不變的情況下，10 個工作日內集中登記的相似企業數量每增長1 個，虛假注冊企業數量就會增加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 次以上的企業數量每增長1 個，虛假注冊企業數量就會增加0.015 302家；在假定其他變量不變的情況下，未報送企業年報的新設企業數量每增長1 個，虛假注冊企業數量就會增加0.003 507 家。

（2）統計檢驗：

1）擬合優度檢驗：由回歸結果得到＝1，修正的可決系數為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家企業注冊的企業數量”“代辦人代辦企業數量”“10個工作日內集中登記的相似企業數量”“法人董事等高管變更3 次以上的企業數量”“未報送企業年報的新設企業數量”對“虛假注冊企業數量”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 家企業注冊的企業數量”“代辦人代辦企業數量”“10個工作日內集中登記的相似企業數量”“法人董事等高管變更3 次以上的企業數量”“未報送企業年報的新設企業數量”對“虛假注冊企業數量”有顯著影響。

2.2.3 結果分析

根據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，發現各變量與虛假注冊企業數量具有顯著關系。經企業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

依據上述企業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進行評分，得到80 分以上的企業數量為0 家，60 分到80 分的企業為172 家，60 分以下的企業為67 378 家。依據評分結果，監管部門可對企業實施分類監管，并對172 家“疑似虛假注冊企業”進行重點檢查，提高監管靶向性和有效性。

3 結 論

本文基于福州市市場監管預警平臺歸集整合的企業相關數據，初步構建了企業虛假注冊風險預警模型，對虛假注冊風險企業進行預警，為市場監管提供參考，有利于提高監管效率，取得良好成效。但在實際應用中，反映企業虛假注冊的因素還有很多，如稅務繳交、員工醫社保繳交情況等，但囿于目前單位的數據協調與對接存在一定難度，未進行更深入的關聯分析。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管預警平臺二期建設，進一步做好相關數據歸集整合分析，并結合“疑似虛假注冊企業”的檢查結果，對指標模型進行不斷修正和完善，提高企業虛假注冊風險預警模型的準確性。