陳雄智 陳 紅 胡文政

（陸軍勤務(wù)學(xué)院 重慶 401331）

1 引言

堅持科技強軍［1］、科技強審［2］是確保軍費精準(zhǔn)投向投量，促進戰(zhàn)斗力生成的首要抓手。當(dāng)前軍隊采購頻繁，圍標(biāo)串標(biāo)等合謀行為時有發(fā)生，導(dǎo)致軍費使用效益降低，且合謀手段復(fù)雜隱蔽，進一步增加了審計監(jiān)督難度。因此，如何快速識別合謀疑點，精準(zhǔn)定位審計線索，是提升軍隊招投標(biāo)審計質(zhì)效的關(guān)鍵。

以往研究成果中不乏對招投標(biāo)合謀行為審計的理論研究［3～6］，但采用科學(xué)計量的方法進行綜合分析的較少，結(jié)合信息技術(shù)手段解決合謀問題的更少，用科技引擎審計工作是當(dāng)務(wù)之急［7］。用戶畫像通常結(jié)合現(xiàn)代信息技術(shù)將用戶數(shù)據(jù)“標(biāo)簽化”，形成用戶模型，由虛擬轉(zhuǎn)向?qū)嶓w，從而提供針對性的服務(wù)［8］，可有效解決理論到實踐的問題，其高效精準(zhǔn)的特點可彌補傳統(tǒng)招投標(biāo)審計的不足。在畫像過程中，統(tǒng)計分析軟件SPSS、編程軟件Python 功能強大，能夠科學(xué)處理樣本數(shù)據(jù)和畫像可視化分析，在各行各業(yè)得到了廣泛應(yīng)用［9～12］。鑒于此，本文基于文獻計量法和問卷調(diào)查法，以2020-2023 年典型橫向合謀案例為研究樣本，構(gòu)建了合謀特征行為集；結(jié)合SPSS 信度效度分析法、KMO 和Bartlett 球形檢驗法篩選特征行為并標(biāo)簽化；采用最大方差旋轉(zhuǎn)法聚類分析標(biāo)簽，構(gòu)建了合謀畫像；通過畫像確定了招投標(biāo)審計重點，利用Python編程建立了審計數(shù)據(jù)分析模型，調(diào)用Wordcloud實現(xiàn)了畫像可視化；并通過案例驗證了該模型科學(xué)有效，達到了快速識別合謀疑點，主動定位審計線索的實踐目標(biāo)，有效解決了招投標(biāo)審計中各類合謀雜癥，提高了軍隊審計質(zhì)效。

2 用戶畫像技術(shù)在軍隊招投標(biāo)合謀行為審計中的應(yīng)用路徑

2.1 招投標(biāo)合謀行為分析與標(biāo)簽化

2.1.1 合謀行為分析

1）數(shù)據(jù)采集

為最大限度還原招投標(biāo)合謀畫像，確保數(shù)據(jù)真實可靠，本文數(shù)據(jù)均源自公開傳媒［13］。時間設(shè)定為2020-2023 年，檢索“招投標(biāo)”“合謀”關(guān)鍵詞，在CNKI 查詢到相關(guān)期刊論文352 篇；在中國裁判文書網(wǎng)檢索到已立案的法院卷宗文本135 份；在政府采購網(wǎng)查詢到189 條《政府采購嚴(yán)重違法失信行為記錄名單》；統(tǒng)計匯總以上數(shù)據(jù)，共計676條。

2）特征行為篩選

篩選出橫向合謀數(shù)據(jù)200 條，并分類統(tǒng)計具體行為，整理出特征行為集26條，見表1。

表1 橫向合謀特征行為匯總表

2.1.2 合謀行為用戶標(biāo)簽建立

1）特征行為標(biāo)簽篩選

利用李克特5 分量制設(shè)計問卷，累計發(fā)放600份，收回564 份，有效問卷513 份，使用SPSS 信度效度分析測量問卷的可靠性和合理性。問卷綜合信度為0.837（表2），說明問卷設(shè)計合理，數(shù)據(jù)可靠。由表3 可知，特征行為Cronbach's Alpha 值處在0.449～0.688 之間，平均相關(guān)系數(shù)為0.568（＞0.5），說明特征行為之間具有較強相關(guān)性。在表4中，第4、13、23項特征行為的α系數(shù)值（0.334/0.299/0.239）遠小于綜合Cronbach's Alpha 值（0.837），說明刪除該行為后，綜合Cronbach's Alpha 值提高，可信度上升，因此將這3項特征行為去除。

表2 綜合Cronbach's Alpha系數(shù)表

表3 特征行為Cronbach's Alpha系數(shù)表

表4 相關(guān)系數(shù)表

2）特征標(biāo)簽體系建立

剔除第4、13、23 項后，得到23 條合謀特征行為，凝練相近特征行為，建立特征標(biāo)簽體系20 條，見表5。

表5 特征行為標(biāo)簽表

2.2 招投標(biāo)合謀行為用戶畫像

2.2.1 特征標(biāo)簽因子分析

對20 個特征標(biāo)簽降維，并進行KMO 和Bartlett球形檢驗，以檢驗樣本數(shù)據(jù)是否適合做因子分析（表6）。

表6 KMO和Bartlett球形檢驗

從檢驗結(jié)果來看，KMO 統(tǒng)計量值為0.763（＞0.5），Bartlett顯著性為0.009（<0.05），球形假設(shè)被拒絕，說明特征標(biāo)簽之間的相關(guān)性較強，適合做因子分析。設(shè)定“最大方差旋轉(zhuǎn)法”萃取因子，基于特征值大于1，提取4 個公因子，得到旋轉(zhuǎn)后的因子矩陣（表7）。

表7 旋轉(zhuǎn)后的因子矩陣

2.2.2 合謀畫像建立

根據(jù)最大方差旋轉(zhuǎn)法，旋轉(zhuǎn)后因子的特征值越大，對相應(yīng)合謀特征標(biāo)簽項的貢獻越大，且特征值越接近，其關(guān)聯(lián)度越高，可將其歸為一類。因此，據(jù)表7總結(jié)合謀畫像的類別如下。

類別1：“總報價趨同、分項報價趨同、哄抬報價”，可命名為“報價異?！?；

類別2：“MAC 一致、同一繳納賬號、計價鎖號相同、售后服務(wù)承諾相似、公章一致、筆跡相似、技術(shù)方案重合”，可命名為“資料雷同”；

類別3：“中標(biāo)率異常、第一候選人棄標(biāo)、拒簽合同、多家棄標(biāo)、開標(biāo)次數(shù)異?！保擅麨椤斑`規(guī)棄標(biāo)”；

類別4：“身份不符、身份重合、關(guān)系介紹、酬謝、掛靠”，可命名為“人員關(guān)系異常”；

綜上，將合謀畫像建立為四類：報價異常、資料雷同、違規(guī)棄標(biāo)、人員關(guān)系異常。

2.3 建立審計數(shù)據(jù)分析模型

2.3.1 創(chuàng)建數(shù)據(jù)庫

首先，審計人員結(jié)合評標(biāo)報告、投標(biāo)文件、“天眼查”、中國政府采購網(wǎng)等平臺獲取被審計單位數(shù)據(jù)資料［17］，創(chuàng)建“四表”數(shù)據(jù)庫：投標(biāo)單位信息表、報價表、企業(yè)架構(gòu)表、中標(biāo)相關(guān)信息表；然后，將各表中共同包含且名稱唯一的項目編號作為關(guān)聯(lián)主鍵，建立各表的關(guān)聯(lián)，整合招投標(biāo)信息。圖1 為招投標(biāo)信息的整合過程。

2.3.2 設(shè)定判斷邏輯

根據(jù)合謀畫像可知，審計人員應(yīng)著重比對不同投標(biāo)單位投標(biāo)文件的相似度，在投標(biāo)報價、標(biāo)書內(nèi)容、資質(zhì)條件、技術(shù)參數(shù)、關(guān)鍵電子信息比對上下足功夫；重點關(guān)注不同投標(biāo)主體的人際關(guān)系、經(jīng)濟往來等情況；設(shè)定判斷邏輯并建模，如表8所示。

表8 審計模型邏輯規(guī)則表

2.3.3 建立模型識別合謀疑點

根據(jù)表8 的判斷邏輯，編寫Python 語句建立審計數(shù)據(jù)分析模型，以發(fā)現(xiàn)合謀線索，詳細編碼見

http：//t.csdn.cn/d6Xwv。

from wordcloud import WordCloud

import matplotlib.pyplot as plt

import pandas as pd

import os

import Levenshtein as lv

plt.rcParams［“font.sans-serif”］=［“SimHei”］

plt.rcParams［“axes.unicode_minus”］=False

def price（self）：

#比較中標(biāo)價和1.3倍最小投標(biāo)價

mi=1000000000000

maxPri=self.t［‘中標(biāo)報價’］［0］#中標(biāo)價

for it in self.l：

mi = min（it［‘報價表’］［‘總報價’］。min（），mi）#最小投標(biāo)價

if maxPri ＞mi*1.3：

#self.cloud.append（‘報價異?！?/p>

self.cloud.append（‘哄抬報價’）

print（f‘中標(biāo)價：｛maxPri｝，最低價：｛mi｝’）

if__name__==‘__main__’：

path =‘A：\0_dev\P-Proj\PartTime\Work\SCU\數(shù)據(jù)庫\數(shù)據(jù)庫\投標(biāo)單位信息匯總表（項目編號關(guān)聯(lián)）\’

file=‘A：\0_dev\P-Proj\PartTime\Work\SCU\數(shù)據(jù)庫\數(shù)據(jù)庫\中標(biāo)候選人相關(guān)信息表.xlsx’

t=T（）

t.load（path，file）

t.run（）

t.show（）

pass

2.4 模型可視化

運行審計模型程序，調(diào)用Python 中的Wordcloud 軟件包對合謀畫像繪制標(biāo)簽云，以直觀展現(xiàn)審計模型分析出的可疑線索，方便審計人員一目了然知悉合謀疑點。其中，最大字體為4 類合謀畫像，較小字體為具體合謀行為。當(dāng)出現(xiàn)任意畫像，則說明投標(biāo)人存在至少一種合謀，審計人員可根據(jù)畫像提供的線索為切入點，開展下一步審計工作，見圖2～5。

圖2 畫像1-報價異常

圖3 畫像2-資料雷同

圖4 畫像3-人員關(guān)系異常

圖5 畫像4-違規(guī)棄標(biāo)

3 用戶畫像技術(shù)在軍隊招投標(biāo)合謀行為審計中的應(yīng)用實證

筆者以某審計中心開展的陸軍某部營區(qū)綜合整修決策咨詢項目為例進行驗證。收集該項目相關(guān)資料，構(gòu)建模型所需“四表”，輸入模型后運行。根據(jù)運行結(jié)果（圖6～7），可直接鎖定四個可疑點：一是哄抬報價，“中地”的中標(biāo)價（236200 元）與“晟遠”的最低投標(biāo)報價（16600 元）差距過大，遠超1.3倍，報價可能高于市場價；二是MAC 地址相同，“智誠”和“金羅盤”擬制的投標(biāo)文件很可能來自同一設(shè)備；三是中標(biāo)率異常，“智誠”和“金羅盤”中標(biāo)率極低，趨近于0，符合“專業(yè)陪標(biāo)戶”特征，而中標(biāo)單位“中地”極高，幾乎每投必中，符合圍標(biāo)特征；四是“智誠”和“金羅盤”存在相同法人，企業(yè)關(guān)系可能異常。根據(jù)模型提供線索，審計人員快速展開下步調(diào)查。由于“MAC 地址相同”符合《中華人民共和國招標(biāo)投標(biāo)法實施條例》第四十條第（一）項“不同投標(biāo)人的投標(biāo)文件由同一單位或個人編制的，視為投標(biāo)人串通投標(biāo)行為”，可初步判定“智誠”和“金羅盤”合謀圍標(biāo)，相同法人和中標(biāo)率異常為該斷定提供了輔助依據(jù)；重新按招標(biāo)方的需求計算價格，發(fā)現(xiàn)本標(biāo)市場價均低于18000 元，說明中標(biāo)人“中地”有意抬高報價；通過“天眼查”查詢企業(yè)關(guān)系，發(fā)現(xiàn)“智誠”為“金羅盤”分支機構(gòu)；以上證據(jù)證實了“智誠、金羅盤、中地”三方合謀圍標(biāo)；進一步審查，發(fā)現(xiàn)三方為專業(yè)圍標(biāo)團隊，通過抬高報價圍標(biāo)，為中標(biāo)戶“中地”提供利潤空間，非法謀利120 萬元；證據(jù)確鑿，審計人員依法移交相關(guān)部門處理，及時挽回了軍費損失。

圖6 運行結(jié)果

圖7 可視化結(jié)果

通過運用本模型，能夠快速發(fā)現(xiàn)招投標(biāo)合謀疑點，精準(zhǔn)定位審計線索，輔助審計人員確定審計重點，此案例驗證了模型的科學(xué)性和實用性。

4 結(jié)語

本文將用戶畫像技術(shù)引用到軍隊招投標(biāo)合謀行為審計中，通過SPSS 信度效度分析將同類型的合謀特征“標(biāo)簽化”，應(yīng)用最大方差旋轉(zhuǎn)法構(gòu)建了橫向合謀的四類畫像，編寫Python語句建立了審計數(shù)據(jù)分析模型以識別合謀線索，實現(xiàn)了畫像可視化，最后結(jié)合實例分析驗證了模型的科學(xué)有效。該模型可操作性強，在軍隊招投標(biāo)審計中使用，可以幫助審計人員快速鎖定合謀線索，找到審計突破口，對提高審計效率具有較強的實用價值，有利于促進軍隊審計信息化建設(shè)。