在社会主义市场经济中，信用体系影响市场主体交易行为的正常运行，交易的任意一方不守信用都会破坏双方交易的等价交换关系，并由此导致交易成本的增加。由于我国社会信用体系建设尚未健全，权威的第三方信用评级机构数量较少，因此行业协会承担了大部分的企业信用服务机构的角色。2016年8月，商务部印发《关于进一步做好行业信用评价工作的意见》，提出要以行业组织为信用管理主体积极创新行业信用评价模式，并且充分发挥第三方信用机构的信用服务支撑作用，在自愿申报原则上调动会员企业参评的积极性主动性，从而降低企业市场信用风险。
企业一朝失信，麻烦便接踵而至，一旦有失信行为，不仅面临被评为D级纳税人的后果，更可能被纳入税收“黑名单”。若被评为D级，资格将受限。企业若因失信被评为D级，该企业纳税评估周期要被缩短，报送的各种资料也要被严格审核；还会被列入重点监控对象，提高监督检查频次；增值税专用发票领用要按辅导期一般纳税人政策办理，普通发票的领用实行交（验）旧供新、严格限量供应等等，给企业的日常经营带来不便。若被纳入税收“黑名单”，将面临联合惩戒。企业若被纳入税收“黑名单”，将被推送至法院、公安、工商等23个部门接受联合惩戒，这意味着该企业后续的种种行为都会受到限制，企业发展必然受到一定程度的影响。因此，如何利用金融数据来识别失信企业对良好的市场环境有重要意义，本文将给出Logistics 模型检验和网络数据预测两种方式识别企业失信行为。
1 Logistics 模型检验
理论表明：同业组织中企业发生失信行为的概率比综合型组织高出数倍，有可能是因为同行业组织及其成员企业之间更容易产生互相保护。由于样本中同业协会数量较多，可能会影响结果，因此两者的相关关系还需要在以后的研究中进一步探讨。其中成立时间超过10年的企业发生失信行为的概率更低，企业存活时间越长越具有诚信意识，因此未来信用监管工作需要注意划分不同年限的企业，实施有差别的分类指导。Logistics回归模型如下所示：
其中
是因变量，即样本企业i的失信行为。样本企业i只要在观察期内(2016年10月之前)发生了任意一种失信行为即被认为失信，设为1，反之设为0；TP是自变量，即第三方机构的参与。若样本企业i所在的行业协会引入了第三方专业机构进行企业信用评级则设为1，反之设为0；IN是自变量，即行业协会的产业结构，若是单一同业协会则设为1，综合型行业协会设为0；用企业特征控制住不同企业特征产生的影响，由于人员规模、经营规模等基本信息较少公开，选择样本企业i成立年限作为控制变量，用变量PE表示。
在证企业发生失信行为的概率与第三方评级机构介入等因素的关系时，可将企业失信行为分为以下三种类别：一是工商负面信息，国家工商总局全国企业信用信息公示系统查询。二是司法负面信息，全国法院失信被执行人名单信息公布与查询，直接体现企业信用问题。三是网络舆情负面信息，企业在互联网中的负面信息，包括企业经营问题、产品问题、劳动纠纷等。在观察期内发生过以上任何一种失信行为都被视为失信企业。第三方信用评级机构合作情况通过官网查询和电话访谈，对14个行业协会是否在企业信用评级过程中与第三方信用评级机构合作进行了逐一确认。研究结果发现：第三方专业机构的参与，保证了信用评级的制度基础，其成员企业发生失信行为的概率更低，即行业协会引人第三方专业信用机构会显著影响成员企业的失信行为的发生概率。
2 网络数据预测企业失信行为
随着互联网、移动互联网、物联网和各种遥感探测技术的发展，大数据时代已经悄然到来。在各种大数据研究对象和大数据应用场景中，网络大数据是独具特色且受到广泛关注的方向。网络科学是以网络为研究对象的一门有数百年历史的专业性很强的学科，又是众多学科中不同研究对象的统一抽象的表达方式。目前万维网具有超过万亿的统一资源定位符（uniform resource locator，URL），百度有10亿个节点和千亿条连边，大脑神经元网络有数百亿节点等等，如何对数据进行分析挖掘找到网络中隐藏的信息，进一步应用于解决实际问题，已经成为学术界和企业界亟待解决的重要挑战。
金融网络分析是网络大数据在金融领域的应用，因为其可见的巨大价值，最近受到了广泛的关注。真实的金融网络包括金融机构之间的业务关系网络、投资机构和企业之间或投资机构之间因共同投资而形成的投资关系网络等。这些网络往往度分布范围很广，网络连接总体上比较稀疏，网络连接呈现负相关性（度大的节点倾向于和度小的节点相连），但度很大的若干节点之间表现出“富人俱乐部效应”（即度最大的若干节点之间连接特别紧密）。金融网络分析可以帮助人们尽早发现金融风险，提升抗击重大风险的能力。
定量刻画企业信用水平，进一步预测企业可能出现的各种失信行为，是建立信用社会、提升营商环境中不可或缺的重要环节，可以作为商务合作、股权投资、担保贷款、招商引资等业务的前置条件。目前尚没有直接利用大规模企业间投资关系网络来提升分析精确性的研究工作但企业失信行为存在明显的“网络效应”，即目标企业的股东或者投资企业若存在失信行为，则目标企业发生失信的风险远远大于平均值。基于以上分析，可以实现一个简单的失信行为预测算法，其精确性远远超过了不考虑网络效应的回归方法。算法过程如下：
首先，采集数据。从国家企业信用信息公示系统的公开数据中选取，包括企业的基本信息（如企业类型、企业注册资本、企业注册地、企业所属行业等）、工商变更等备案信息、各类行政处罚和其他失信行为公告等多项数据。
其次，利用网络数据集建立企业之间直接投资形成的有向网络，其中每一个节点代表一家企业，如果企业i投资了企业j（i是j的股东），则用一条有向边i->j表示。该有向网络图为弱连通子图，其中灰色节点为没有失信行为的企业，黑色节点为有失信行为的企业。但是以有向网络弱连通作为判据，该网络也不是完全连通的网络。
企业失信行为在企业之间的投资网络中具有明显的“网络效应”。也就是说，如果一个目标企业的投资者（法人股东）或其投资对象（子公司、控股公司、参股公司等）存在失信行为，那么这个目标企业存在失信行为的可能性也很大。为了方便、直观地观察上述网络效应，先考虑一种简单的情况，即将有向投资关系网络转化为无向网络加以考虑，暂时忽略连边的方向性。以上分析表明：企业失信行为也有明显的网络效应，即目标企业的投资方或者投资对象若存在失信行为，则目标企业发生失信的风险会大大增加，而且随着失信邻居数目的增加，失信风险也快速增加。这种现象既可能来自投资关系本身的风险传递，也可能来自全行业的问题。
可以得出企业失信行为显著的网络效应，即目标企业的投资方或者投资对象若存在失信行为，则目标企业发生失信的风险会大大增加。进一步的分析显示，随着失信邻居数目的增加，失信风险也快速增加。结合网络特征的算法可以在给出10 000家最高失信风险企业的情况下做到40%的预测精确度，这样简单的预测企业失信行为的算法，其精确性远远超过了不考虑网络效应的回归方法。
结论
总之，随着网络的广泛性和流动性，信息收集和传递以及对失信者的集体惩罚存在困难，而通过识别失信企业的方式可弥补制度上的缺陷。我国市场经济处于高速发展时期，不同企业的失信行为存在怎样的差异，企业投资关系网络的应用还很多，其影响因素有何不同，这还需要在未来的研究做更为系统的探讨，本文的研究内容在应用层面还有许多不足之处，今后以期为我国社会信用体系的建设与完善提供理论支持。
参考文献
-
吴晶妹，朱文浩．基于行业协会的企业信用评级研究[J]．现代管理科学，2017(4)：9-11．
-
李信宏，邵立强，庄建华，等．信用评级[M]．北京：中国人民大学出版社，2006：5．
-
陈立娟．企业信用体系中的第三方[J]．理论月刊，2015(6)：159—163．
-
郑也夫．信任论[M]．北京：中国广播电视出版社，2001：137．
-
杜恂诚．20世纪二三十年代中国信用制度的演进[J]．中国社会科学，2002(4)：175—188．
-
罗晓光、孔维利．基于失信记录的区域企业诚信评价[J]．征信，2016(2)：18—21．
-
周涛、 李艳丽、李倩, 等. 利用网络数据预测企业失信行为[J]. 大数据, 2018, 4(5): 41-49.
