基于聚類算法的公共資源交易風險智能分析系統研究

中圖分類號：TP311.13 文獻標志碼：A

文章編碼：1672-7274（2025）04-0046-03

Abstract： This article explores how to apply machine learning technology to improve the quality and efficiency ofrisk managementinpublicresource trading.Firstly，analyze thearchitecture designand key technologies oftherisk intelligentanalysis system basedonclusteringalgorithm，andclarifythe processofsystem implementation;Then，by constructing applicationscenarios and simulating test data to verifythe application and efectiveness ofthis system in risk assessment and early warning related to public resource trading.

Keywords：clustering algorithm; public resource trading; risk warning

本文探索了應用機器學習技術提高公共資源交易風險管理的質量與效率，研究了基于聚類算法的風險智能分析系統架構設計，并應用聚類算法對公共資源交易數據對象進行分類，進而探索潛在的風險模式與異常行為的實現過程，模擬測試數據驗證本系統在公共資源交易相關風險評估和預警中的應用和有效性，為公共資源交易風險智能分析開辟了新的路徑與方法。

系統架構設計和關鍵技術

1.1總體架構

系統運用Java與Python相結合的技術開發架構，采用分布式架構設計。系統主要功能模塊包含數據采集模塊、數據預處理模塊、聚類分析模塊、風險評估模塊以及可視化展示模塊和用戶管理等部分。

1.2數據處理流程設計

首先數據將通過數據采集模塊進入系統，然后經過預處理模塊進行清洗、轉化和歸一化處理。將處理后的數據進入特征提取模塊，提取出有效的風險特征維度數據。聚類分析模塊負責對特征數據進行分析計算，確定特征貢獻度，然后利用聚類算法進行風險聚類。最后，根據聚類結果，風險預警模塊判斷是否需要發出風險預警信息。數據處理流程如圖1所示。

1.3系統中采用的關鍵技術

常用的聚類算法有K-平均算法、近鄰傳播算法[1]、基于密度的DBSCAN算法等。本系統使用DBSCAN算法作為主要算法，DBSCAN算法采用無監督學習方法，不依賴于預定義的類別標簽，而是根據數據的內在特點將相似的數據點聚集在一起[2，并有效處理噪聲點和離群點，提升聚類結果的準確性。DBSCAN算法工作原理如下：

（1）參數設定。基于經驗設定鄰域半徑（eps）和最小樣本數（min_samples）的初始值，然后對假設數據進行嘗試，分析取得核心點數據，最后確定參數。

（2）初始化數據。標記所有數據點為未訪問狀態。選擇一個未訪問的數據點P。

（3）選擇數據點P，計算數據點之間的距離。通常使用歐氏距離公式，計算P與其他所有數據點的距離。

（4）判斷P的類型。判斷并標記P是噪聲點還是核心點。

（5）聚類過程。將所有在P的eps鄰域內的未訪問數據點加入聚類C并標記為已訪問。對于新加入聚類 C 的每個數據點 Q ，重復步驟（4）和（5），繼續擴展聚類C^[3] ，直到沒有新的數據點可以加入為止。

（6）重復步驟 （3）～（5） ，直到所有數據點都被訪問過。

2 系統的實現

2.1數據采集模塊

采集公共資源交易中的各類數據，涵蓋項目數據、評標數據、投標人數據、評標專家數據等。

2.2數據預處理模塊

對數據進行清洗、轉換、歸一化等預處理操作，以提高數據的質量和可用性。

2.3特征提取模塊

從預處理后的數據中提取有效的風險特征維度數據。

2.3.1投標價格相關特征

（1）投標價格分布特征：計算投標價格的均值、中位數、標準差等統計量，計算結果反映投標價格的集中趨勢和離散程度。例如，某投標人的投標價格明顯偏離均值或中位數，可標記為異常值。

（2）投標價格變化趨勢：對于具有多次投標經驗的投標人，分析其投標價格的變化趨勢，分析是否存在異常波動。

2.3.2投標人資質相關特征

（1）資質等級：根據投標人的資質等級，分析項目競爭力。

（2）業績情況：投標人中標項目數量、項目規模等。業績良好的投標人通常更有可能在招投標中表現出穩定的行為。

（3）投標人地理位置：考慮投標人的注冊地、辦

公地點等地理位置信息，分析是否存在地域性的不正當競爭行為。

（4）行業關聯度：分析投標人所屬的行業領域以及與招標項目的關聯程度，判斷其參與投標的合理性。

2.3.3投標文件相關特征

技術方案相似性：通過分析投標文件，查找實質性內容相同或呈現規律性差異的部分，檢查不同投標單位投標事項辦理人、項目管理人、項目保證金的一致性等[4]，計算投標方案相似度。

2.4聚類分析模塊

對提取后的特征數據進行聚類分析，可以發現不同類型的風險模式，如投標人串通投標、評標專家違規評標等。對于不同類型的風險模式，可以采取相應的風險防范措施。

（1）投標人串通投標行為識別。通過算法篩選發現具有某些特征的投標人群體。如果某個簇中的投標文件相似度高、投標報價規律性強、投標人之間關系密切等特征明顯、在投標過程中表現出異常行為等，那么這個簇中的投標人可能存在串標行為。

（2）異常評標結果識別。通過算法分析專家評分的分布、離散程度等數據，分析專家評標分數與中標企業的相關性，識別出異常的評標結果，例如，專家對某個項目的評標結果與其他類似項目的評標結果差異較大，或者某個專家的評分與其他專家的評分差異較大[5，就可能存在專家與特定企業高度相關，需要進一步審查和分析。

（3）識別高風險招投標項目。使用聚類算法分析招投標項目的特征，如項目規模、技術難度、預算等數據，識別并標記高風險的項目。

2.5風險預警模塊

主要負責根據聚類分析結果構建風險指標體系，對公共資源交易中的風險進行評估和預警。

（1）建立串標行為風險預警機制。當新的投標數據進入系統時，通過計算這組數據與已有簇的距離，判斷其是否存在串標風險。如果新的投標數據與某個疑似串標簇的距離較近，那么可以發出風險預警，提醒監管部門進行重點關注。

（2）加強對評標專家的管理。系統對標記有異常評標行為的專家提示加強監督管理；系統標記專家與投標人關聯度，對關聯度高的專家采取回避措施。

（3）提高對高風險項目招投標監管。根據對交易項目的類型、規模、技術要求等數據的聚類分析結果，標記常規項目、高風險項目等。對于常規項目，可以采用簡化的交易流程和監管措施；對于高風險項目，可以加強技術審查和風險管理。

3 實驗與分析

3.1實驗場景

構建投標人異常行為場景，測試驗證基于聚類算法的公共資源交易風險智能分析系統在串標行為方面風險預警的有效性。

3.2構建數據集

假設有以下一組投標數據樣本，包含投標報價、企業資質等級、技術方案相似度、企業法人代表關聯度、響應時間等特征等，具體數據如表1所示。其后企業法人代表關聯度主要根據股權關系、共同參與項目數量等因素進行加權賦值。例如，兩個企業的法人代表完全相同，關聯度可設為100；如果兩個企業的法人代表不同，但存在控股與被控股關系，關聯度可設為80；如果存在一定的股權交叉但控股關系不明顯，關聯度設為40等。

3.3實驗數據的DBSCAN算法應用

（1）以第一個數據點A（160，2，85，60，42）為例，計算它與其他數據點的距離。按照經驗分析，假設給各特征分配權重，投標報價權重為0.3，企業資質等級權重為0.2，技術方案相似度權重為0.2，企業法人代表關聯度權重為0.2，響應時間權重為0.1。例如，計算數據點A（160，2，85，60，42）和B（155，2，82，80，42）的距離：

根據經驗設定eps為10（在投標報價、技術方案相似度、企業法人代表關聯度和響應時間四個維度上的綜合距離小于10），min_samples為2。判斷數據點A是否為核心點。如果周圍滿足距離條件的數據點數量不少于2，則數據點A是核心點，并開始創建一個聚類。

（2）擴展聚類。將與第一個數據點距離小于10的數據點加入同一個聚類。

對新加入聚類的數據點繼續判斷是否為核心點，并進一步擴展聚類。

（3）重復上述過程。選擇下一個未被訪問的數據點，重復上述步驟，直到所有數據點都被處理。

（4）結果分析。經過算法執行，得到了以下幾個聚類：

聚類1：包含數據點（160，2，85，60，42）、（155，2，82，80，42）（165，2，85，40，41）、（175，2，82，60，43）。這些企業在投標報價、企業資質等級、技術方案相似度、企業法人代表關聯度和響應時間等方面較為相似，可能存在串標嫌疑，系統預警，監管部門可以進行調查干預。

聚類2：包含數據點（200，1，90，0，35）、（210，1，92，10，3）。這兩個企業資質等級較高，技術方案相似度也高，可能代表另一類投標群體。

數據點（140，3，70，0，45）和（120，3，65，0，50）被標記為噪聲點，與項目中其他投標群體特征區別較大，或者可能存在異常投標行為，可以進一步分析其原因。

3.4測試結果分析

聚類1是可能存在串標行為的群體，系統進行風險預警。實驗結果表明，聚類算法能夠在復雜的數據中完成分類和聚類，同時將噪聲點識別出來，可以尋找到任意形狀的聚類，具有較高的可靠性和適用性，為公共資源交易過程的監管提供有力支撐。

4 結束語

綜上所述，公共資源交易風險智能分析系統通過對公共資源交易數據的分析和設計風險指標模型，驗證了采用聚類分析算法能夠顯著提高識別公共資源交易中的風險的效率。隨著機器學習技術的不斷發展，聚類算法會進一步提升性能和準確性，更好地服務于公共資源交易風險智能分析的需求。

參考文獻

[1]林杰.基于深度學習的目標檢測系統的研究與實現[D].北京：北京郵電大學，2021.

[2]宋亞統.機器學習算法評估實戰[M].北京：人民郵電出版社，2021.

[3]郭莉，吳晨，薛貴元.基于DBSCAN聚類的熱能發電大數據異常檢測模型[J]工業加熱，2023，52（1）：35-38.48.

[4]汪黎.基于聚類分析的串標審計模型建設研究[J].江漢石油職工大學學報，2021，34（4）：93-95.

[5]秦滔.大數據在公共資源交易領域監管中的應用探討[J].現代信息科技，2020，4（16）：110-112.

[6]葉國林，李欣剛，郭家文.基于銀商收單交易數據的異常檢測和根因探究[J].數字技術與應用，2024，42（1）：119-121.