数据报告 | 企业信用大数据行业发展研究报告

中国信通院联合极光月狐大数据共同发布企业信用大数据行业报告，研究企业信用大数据平台的特色化发展

在全面推进社会信用体系建设的背景下，企业信用大数据行业生态逐步丰富，应用场景不断拓展。近日，中国信通院联合极光月狐大数据共同发布《企业信用大数据行业发展研究报告》，研究企业信用大数据平台差异化的发展路径以及各具特色的产品与服务体系。

前 言

市场经济首先是信用经济，健全的企业信用体系对促进国民经济循环高效畅通、构建新发展格局具有重要意义。建设完善的企业信用体系，有利于优化资源高效配置、保障供需有效衔接、营造良好营商环境。《社会信用体系建设规划纲要（2014—2020年）》、《关于推进社会信用体系建设高质量发展促进形成新发展格局的意见》等政策均明确指出社会信用体系建设的重要性。企业信用大数据作为一种技术手段，有利于帮助相关机构识别、评估企业信用风险。近年来，企业信用大数据行业生态逐步丰富，应用场景不断拓展，推动完善社会信用体系建设。

一方面，国家在信息保护和数据安全领域的一系列政策法规形成日趋规范的企业信用大数据产业监管体系，为平台业务有序发展提供明确指引。另一方面，新一代信息技术发展优化企业信用大数据类平台业务流程。目前，企业信用大数据类平台提供的服务覆盖了千行百业、个人及公共部门，企业信用大数据行业经济价值不断凸显。

目 录

一、企业信用大数据概述

（一）企业信用大数据相关概念

（二）世界主要国家企业信用大数据行业发展模式

（三）中国企业信用大数据行业发展历程

二、企业信用大数据类平台业务流程技术支撑

（一）定制化采集系统提升数据采集效率

（二）大数据处理系统升级优化数据处理流程

（三）数据存储方式变革释放数据开发潜能

（四）可视化技术赋能数据呈现方式多样化

（五）集群管理及数据安全技术保障系统安全

三、企业信用大数据行业生态与发展现状

（一）监管政策规范行业发展，进入壁垒日趋提高

（二）助力全覆盖征信系统建设，应用场景纵深拓展

（三）破局中小微融资难题，促进财政资源合理分配

（四）平台聚焦特色化发展，用户粘性不断攀升

（五）信用建设稳步推进，行业投资价值更加彰显

四、企业信用大数据行业发展趋势展望

（一）践行总体安全观，行业重点布局数据安全和信息保护

（二）立足新发展阶段，行业持续深度挖掘多元化应用场景

（三）聚焦信用体系建设，行业赋能产业链供应链安全稳定

图 目 录

图 1-1 企业信用大数据行业发展指数

图 1-2 中国企业信用大数据发展概况

图 1-3 头部企业信用大数据类平台行业覆盖率

图 1-4 2017-2021年中国市场主体数量

图 2-1 企业信用大数据类平台技术支撑组成

图 2-2  大数据技术体系及主要开源工具

图 2-3  数据平台技术演变

图 2-4  企业数据安全技术体系图

图 3-1  企业信用大数据产业应用场景

图 3-2 头部企业信用大数据类平台用户城市等级分布

图 3-3 人均启动次数月均值（次/日）

图 3-4 人均使用时长月均值（分钟/日）

图 3-5  行业投资价值概览

图 4-1  数据安全关键技术

一、企业信用大数据概述

（一）企业信用大数据相关概念

企业信用大数据是识别、评估信用风险，进行信用管理的技术手段，基于海量数据集合，利用大数据技术依法采集、处理、挖掘、呈现企业信用数据，提供多维度企业信用动态信息，具有较强的时效性。

在全面推进社会信用体系建设的背景下，一批聚焦企业信用信息服务的企业信用大数据类平台，对多维涉企数据进行结构化收集与加工，建立企业信用评估模型，刻画企业信用轨迹、描述企业信用状况、评价企业信用程度。“十四五”时期是我国工业经济向数字经济迈进的关键时期，全社会对企业透明度的需求进一步提升。企业信用大数据类平台作为央行官方征信渠道的重要补充，针对不同用户的多元化应用场景，推出一系列定制化解决方案，助力用户提高投融资决策、风险控制、企业洞察等方面能力，进一步完善社会信用体系建设。

（二）世界主要国家企业信用大数据行业发展模式

世界主要国家企业信用大数据行业呈现出三种不同的发展模式：

1.自由竞争的美国模式

美国征信业发展始于1841年，随着大数据的广泛应用衍生出企业信用大数据行业。在美国，征信机构以市场需求为导向提供信用信息产品及服务，各私营征信机构在政府和美联储的监管下自由竞争，逐渐形成了专注企业征信服务的邓白氏（Dun&Bradstreet）、标准普尔全球（S&P Global）和穆迪（Moody's）等巨头。1963年，邓白氏创建全球通用邓氏编码系统，极大简化了企业信息分类整理的流程，并在此基础上建立了全球企业数据系统，囊括了上亿家企业信息记录，用户可以通过企业编码实时跟踪企业经营活动、调取资信档案。此后美国企业信用大数据行业经历了大规模兼并重组，龙头企业的扩张带动平台服务范围延展。

从产业链看，美国企业信用大数据产业链上游第三方数据处理企业通过采集商业银行等授信机构的数据共享信息、征信公司的调查数据以及公共部门公开数据，将数据进行配对处理、筛选转化、加工清洗后提供给产业链中游企业信用大数据类平台。产业链中游企业信用大数据类平台通过信息整合，构建多维数据模型评估企业信用风险，在可视化的基础上，为产业链下游各应用场景提供一系列增值服务，主要包括：评级评估业务、管理咨询业务和技术咨询业务。

2.政府主导的法国模式

法国的征信业以政府为主体，征信机构通过公共信用信息系统进行企业信用信息采集。1982年法兰西银行创建法国企业信贷登记系统（FIBEN），要求商业银行等金融机构定期报送企业用户的信用信息，同时也会通过其他公开方式搜集企业信息。商业银行等金融机构在获得授权且承诺保密的前提下，可以借助该系统查询企业相关信息。

3.行业自律的日本模式

日本征信业采取以行业自律组织为主体的发展模式，征信机构主要有东京商工所（Tokyo ShokoReaserch Ltd.）、信用风险数据库协会（CRD）和帝国数据银行（TDB）等，涉企信用信息主要从自律组织内部征集，实行征信信息共享管理机制。近年来，日本征信机构也在不断推进大数据技术，以便快捷精准地分析评估企业资信情况。

（三）中国企业信用大数据行业发展历程

1.企业信用大数据行业逐渐形成“政府+市场”双驱动发展模式

1997年，中国人民银行筹建银行信贷登记咨询系统，为商业银行和其他金融机构提供查询服务的数据库，可全面反映借款企业信用情况。2005年，中国人民银行开始了以一级数据库为标志的“企业征信系统”的建设，与之前的系统相比，其收集信息的体量大幅增长，信息内涵更加丰富。2006年，中国人民银行设立的征信中心，负责企业信用信息系统建设、运营和维护，这标志着我国双驱动发展模式的“政府”侧基本健全。

2013年，国务院颁布《征信业管理条例》，我国企业征信业务监管开始实行备案制。2014年，“大数据”首次被写入《政府工作报告》，报告要求产业结构调整更加积极有为，设立新兴产业创业创新平台，在新一代移动通信、大数据等方面赶超先进，引领未来产业发展。国务院于同年印发《社会信用体系建设规划纲要（2014—2020年）》指出要“依托法人单位信息资源库，加快完善社会组织登记管理信息。健全社会组织信息公开制度，引导社会组织提升运作的公开性和透明性。”一系列相关政策的引导催生大量主打企业信用信息查询服务的企业信用大数据类平台，企查查、天眼查、启信宝等多家平台于2014年相继成立。2015年至今，企业信用大数据行业进入快速发展阶段。2017年，企业信用大数据行业经历市场出清，一些头部平台凭借其产品服务升级优化以及业务领域拓展确立了领先优势，根据企业信用大数据行业发展指数1，企查查、天眼查、启信宝、爱企查、企查猫等平台发展势头良好，全行业规模突破千亿元，这标志着我国双驱动发展模式的“市场”侧初步成形。

来源:首都科技发展战略研究院

图 1-1 企业信用大数据行业发展指数

我国企业信用大数据行业“政府+市场”双驱动的发展模式初具雏形。“政府”侧的中国人民银行征信中心负责信用信息基础数据库建设、运行和管理，向商业银行及有关方面提供信用信息服务，助力建设与我国国情相匹配的现代征信体系；“市场”侧的企业信用大数据行业推动企业信用信息服务发展，促进激活企业信用信息数据要素潜能。

来源:根据公开资料整理

图 1-2 中国企业信用大数据发展概况

2.企业信用大数据类平台发展特点

企业信用大数据类平台主要发展特点为持牌经营、技术支撑、定制化服务三大方面。首先，企业信用信息是企业发展的核心商密，受法律保护，企业信用大数据类平台以加工企业信用信息为主业，需要在政府监管下合规经营，官方备案、持牌经营是其第一个特点。其次，企业信用大数据类平台以大数据、云计算、人工智能等新一代信息技术为支撑，对企业信用信息进行深度挖掘，并在此过程中形成了具有平台特色的核心竞争力。最后，企业信用大数据类平台业务范围可广泛覆盖企业、个人和公共部门，各平台对不同用户群提供定制化服务，企业信用大数据类平台产品线的拓展，企业信用信息服务在各类场景中的覆盖率迅速攀升。调研数据显示，企查查在律法行业有较高用户覆盖率；天眼查在泛金融行业的用户覆盖率紧追企查查，在商务销售行业优势较为明显；启信宝在泛金融行业的用户覆盖率具有一定规模。

注:律法、泛金融、商务销售行业调研，样本量N=3000

来源:首都科技发展战略研究院

图 1-3 头部企业信用大数据类平台行业覆盖率

我国企业信用大数据行业不断发展壮大，在促进资本市场健康发展、帮助企业规范信用管理、提升各社会主体信用和法律意识等方面日益发挥突出作用。基础性的企业信用信息服务存在着广阔的发展空间，国家市场监督管理总局数据显示，2021年我国市场主体数量达1.54亿户，较2020年新设市场主体2887.2万户，然而新增主体的信用信息却存在较大缺失，涉企相关信用信息资源匮乏与巨大的信息使用需求之间的错配为企业信用大数据行业带来巨大的发展机遇。企业信用大数据类平台能够为用户提供企业信用信息查询服务、尽调风控解决方案和数据库对接等多种定制化服务，有效提升用户内部管理水平，优化商业决策。随着市场需求日益多元化演进，企业信用大数据类平台进一步扩展业务范围和增加业务深度的空间广阔。

来源:国家市场监督管理总局

图 1-4 2017-2021年中国市场主体数量

3.企业信用大数据产业链概况

企业信用产业链上游是数据来源方和技术提供商，平台利用大数据技术，收集整合国家企业信用信息公示系统、中国裁判文书网、中国执行信息公开网、国家知识产权局、国家市场监督管理总局、国家知识产权局商标局、国家版权局、国家政务服务平台、企业发布财务报告等涉企信用信息资源，通过结构化处理和云计算得到可供平台进一步分析挖掘的结构化企业信息用信息资源库。

企业信用大数据产业链下游服务对象可以分为企业、个人、公共部门，分别对应平台的B端、C端、G端业务。企业信用大数据类平台根据用户需求，定制化地提供端到端的企业信用信息服务：对于企业用户而言，平台通过API接口等手段提供精准拓客、企业评级、尽职调查、风险控制、司法调查、舆情监控、供应链管理等场景的解决方案，辅助企业用户完善企业画像、信息交叉核验、寻找合作伙伴；对于个人用户而言，平台通过云平台综合多维度数据提供投融资、求职招聘、风险判定等场景的解决方案，为个人用户透视企业股权架构，规避企业识别过程中的信用风险；对于公共部门用户而言，平台既是央行官方征信渠道的重要补充，也是地方政府政策制定、社会信用体系建设、招商引资、筛选政策扶持对象、进行企业信用监管重要参考。

二、企业信用大数据类平台业务流程技术支撑

企业信用大数据类平台的关键技术支撑主要包括数据采集、数据处理、数据存储、数据呈现、运维监控在内的5个部分。

来源:根据公开资料整理

图 2-1企业信用大数据类平台技术支撑组成

企业信用大数据类平台利用相关技术开发实现支撑其业务的大数据系统，对涉企信用数据进行采集、处理、存储，然后基于现有数据及业务逻辑实现智能报表、企业画像、财务分析、信用评估、风险监控、资质认证等业务功能，并通过运维监控保障企业信用大数据产品和服务的持续稳定。

（一）定制化采集系统提升数据采集效率

企业信用大数据类平台除了会收集系统产生的日志以及业务数据库产生的数据，还需要从众多公开的数据源采集多维海量的涉企数据，数据采集源主要包括政府公开数据、企业官网数据、第三方机构数据和线下纸媒数据。企业信用大数据类平台往往会根据采集任务及业务需求搭建定制化的数据采集系统实现高效持续的数据采集，使用数据收集引擎实现对各来源数据的标准化输出，再根据需要将数据暂存到数据库中或直接交由大数据处理系统执行数据处理。

数据采集系统主要负责自动化的采集海量数据，同时保证采集工作的高效性、及时性及稳定性。数据采集系统技术实现常用的编程语言有Python、Java、Go等，其中主流解决方案是基于Python的Scrapy框架，针对不同的数据来源及数据类型使用批量采集或实时采集的形式，使用多线程或协程技术并引入分布式架构保证采集工作的高效率，开发模块化的中间件应对采集过程中可能遇到的各种情况，同时开发采集系统的监控与运维平台并基于对采集系统的日志分析实现采集系统的持续监控运维。

数据收集引擎主要负责动态地收集各种来源的数据，并在对数据进行解析、转换后输出数据，常用的数据收集引擎如Logstash、Flume等。在通过数据收集引擎完成数据的标准化输出后，企业信用大数据类平台一般会根据数据的来源以及用途，以离线同步或实时同步的形式将数据暂存到存储系统中，或者直接通过网络通讯将数据交由大数据处理系统进行数据处理操作。

（二）大数据处理系统升级优化数据处理流程

数据处理负责从采集到的数据中挖掘出关键信息，并在进行数据清洗后将数据存储到存储系统当中。当前大数据处理系统主要呈现云原生、低代码化的趋势。企业信用大数据类平台利用云原生思想，基于众多的大数据技术组件，结合批处理和流处理的分布式计算框架，实现了大数据处理系统整体架构。根据业务需求设计实现AI算法并将其部署在分布式计算框架上运行，提取采集到的关键信息，支撑后续业务。通过对统计、机器学习、流程处理等能力的模块化封装实现大数据处理系统的功能模块化。基于低代码思想搭建数据开发平台，降低数据开发门槛，提高大数据处理系统能力复用性的同时更好地为业务赋能。

来源:根据公开资料整理

图 2-2 大数据技术体系及主要开源工具

传统的大数据处理系统往往需要借助复杂的分布式计算框架，使用繁杂的大数据技术组件以云上部署的方式搭建大数据处理系统，存在成本偏高和效率偏低的问题。企业信用大数据类平台基于云原生思维，使用Docker+Kubernetes以开源堆栈的形式进行容器化部署，基于微服务架构设计大数据处理系统架构，以提高灵活性和可维护性，借助敏捷方法、DevOps思维实现系统的可持续迭代和运维自动化，利用云平台设施实现弹性伸缩、动态调度、优化资源利用率。在此基础上，企业信用大数据类平台将批处理或流处理的分布式计算框架以及关键的大数据技术组件部署在云端上，完成大数据处理系统整体架构的搭建。然后，企业信用大数据类平台基于业务需求设计实现相应的AI算法，并将其部署在分布式计算框架上运行。

大数据处理系统往往需要提供诸如机器学习、流程处理、数据格式转换、文本情感分析等能力辅助数据处理，企业信用大数据类平台结合Serverless的理念与云原生技术，将功能的实现代码封装成函数接口，大数据处理系统按需调用接口，这种功能模块化的系统设计方法极大地提升开发效率，降低了开发成本，同时为系统后期的使用及继续开发提供了便利。

大数据处理系统需要对后期的数据开发工作提供全方位的支持，从而实现数据价值的深度挖掘，而传统的数据开发工作大多通过直接调用种类繁多的大数据开源技术组件来进行，难以实现对业务需求的快速响应，因此数据开发的门槛亟需降低以加速数据与业务的融合。企业信用大数据类平台基于低代码的理念搭建数据开发平台，通过抽象大数据开发过程中常用的技术和流程，屏蔽数据开发任务的技术细节以及提供统一的集成开发界面降低开发门槛。与此同时，开发平台统一对各数据开发项目进行管理和资源整合，不仅可以提升数据开发流程的透明度和规范性，而且可以增强各组件在项目间的可复用性，大大降低数据的开发成本。

（三）数据存储方式变革释放数据开发潜能

在完成数据处理流程后，企业信用大数据类平台需要根据数据类型和自身业务需求，选择合适的数据存储方式，将数据存储起来支撑后续业务实现。

提供数据存储功能的软件系统起源于20世纪60年代的数据库，70年代出现的关系型数据库是沿用至今的数据存储计算系统，80年代末提出的专门面向数据分析决策的数据仓库理论则成为此后很长一段时间中发掘数据价值的主要工具和手段。2000年前后随着互联网的高速发展，数据量急剧增大，数据类型愈发复杂，数据处理需求不断提高，由此面向非结构化数据的NoSQL数据库系统，分布式存储计算架构成为主流，MPP架构也在此时开始流行。而随着2010年前后移动互联网推动大数据的进一步发展，对实时交互性的需求使得以Storm、Flink为代表的流处理框架应运而生，对庞杂的不同类型的数据进行统一存储使用的需求催生了数据湖的概念。随着云计算的深入应用，有着资源集约化和应用灵活性优势的云原生概念逐步产生，作为对大数据技术极度敏感的行业之一，企业信用大数据类平台的数据存储方案也开始向着云原生的方向不断发展，使用数据湖与数据仓库一体化的云原生湖仓用于数据存储。

来源:根据公开资料整理

图 2-3 数据平台技术演变

数据湖以集中方式存储各种类型的数据，提供弹性的容量和吞吐能力，能够覆盖广泛的数据源，计算与存储分离，支持多种计算与处理分析引擎直接对数据进行访问，但数据湖往往不支持事务处理，数据体系松散，性能优化度一般，不能保证数据质量。数据仓库则更适合结构化数据，计算与存储绑定，数据体系治理较为明晰，但数据仓库往往只向特定的计算与处理分析引擎开放访问，不适合非结构化数据存储。基于云原生思想，云原生湖仓将各种类型的数据统一起来，构建在数据湖低成本的数据存储架构上，同时集成数据仓库的数据处理和管理能力，支持多数据类型、计算存储分离、多类型工作负载，提供丰富的API支持。

（四）可视化技术赋能数据呈现方式多样化

可视化技术将碎片化的数据转换为具有特定结构的知识，对海量数据进行归纳总结，企业信用大数据类平台使用可视化技术为数据呈现赋能，将数据以更专业更全面的形式呈现给用户，为用户决策提供支持。企业信用大数据类平台一般通过网页、APP等途径为平台用户提供数据服务，通过数据查询分析工具为平台业务提供支持，可视化技术的发展带来了更多的数据呈现形式，为用户决策支持注入了更多助力。传统的可视化技术主要将数据以简单图表的形式呈现给用户，但近年来数据量的爆炸式增长和大数据技术的不断发展对可视化技术提出了新的挑战，各种可视化技术和大数据可视化平台不断涌现，助力数据呈现蓬勃发展。

专注于图结构数据的图分析技术为数据可视化呈现注入活力。图分析技术是专门针对图结构数据进行关联关系挖掘分析的一类技术，涉及到对图模型数据进行存储和查询的图数据库、对图模型数据应用图分析算法的图计算引擎、对图模型数据进行抽象以研究展示实体间关系的知识图谱等技术，通过在大数据系统中组合使用图计算引擎、图数据库和知识图谱，企业信用大数据类平台对实体间存在的未知关系进行探索和发掘，充分获取其中蕴含的图结构关联并可视化地呈现给用户。

大数据可视化工具为数据可视化呈现提供技术支持。大数据可视化工具提供了包括常规图表、文本可视化、网络图可视化、时空数据可视化、多维数据可视化在内的多种数据呈现形式。当前行业中常用的基于Web的可视化工具包括D3.js、ECharts等，它们为PC和移动设备提供了丰富的可视化技术支持，企业信用大数据类平台往往会使用它们实现面向用户的数据可视化呈现。此外，大数据可视化工具如Tableau、Qlikview、Kibana等，它们提供了低门槛的交互式界面、集成了机器学习与数据挖掘的功能模块、支持与动态数据和内存数据的实时连接，企业信用大数据类平台往往会将该类可视化工具部署在大数据系统中，为平台内部的数据监控与分析提供便捷的可视化技术支持。

（五）集群管理及数据安全技术保障系统安全

企业信用大数据类平台基于大量的计算机软硬件及关键技术开发了支撑其主要业务的大数据系统，系统的稳定性和数据的安全性对平台来说尤为重要，但系统的高复杂度往往会导致系统稳定性及数据安全性难以有效保障。为应对该问题，企业信用大数据类平台在大数据系统中部署集群管理工具助力系统运维，使用数据安全技术保障数据安全。

大数据系统中常用的集群管理工具主要包括分布式协调工具、集群资源管理工具、集群部署及监控工具。Zookeeper是最常被使用的分布式协调工具，它是Hadoop和Hbase的重要组件，提供了包括配置维护、域名服务、分布式同步、组服务等在内的诸多功能，保证了集群的高可用性。集群资源管理一般基于适合自动化部署的开源系统配合集群资源管理器实现，其中一种常见的解决方案是“Kubernetes+Hadoop Yarn”。Kubernetes也称为K8s，是一个用于自动化部署、扩展和管理容器化应用程序的开源系统，Hadoop Yarn是一个通用资源管理系统和调度平台，为上层应用提供统一的资源管理和调度，可解决单点故障及单点压力过大的问题，实现资源管理与任务调度的解耦。常用的集群部署与监控工具有Cloudera Manager、Netdata、Ambari等。以Cloudera Manager为例，它提供了集群节点添加或删除、集群健康情况监控、集群问题诊断、Hadoop多组件整合等功能。多种集群管理工具的协同使用极大地提高了大数据系统的运维效率，降低了运维成本，保障了系统稳定运行。

在数据安全事件频发的当下，保障大数据系统的数据安全显得尤为重要，数据安全技术是保障数据安全的关键手段。访问控制、身份识别、数据加密、数据脱敏等传统的数据安全技术正积极向更加适应大数据场景的方向不断发展。

来源:根据公开资料整理

图 2-4 企业数据安全技术体系图

隐私计算作为保障数据安全流通的重要手段，主要分为多方安全计算和可信硬件两大流派。其中多方安全计算基于密码学理论，可以实现在无可信第三方的情况下安全地进行多方协同计算。可信硬件技术则依据对安全硬件的信赖，构建一个硬件安全区域，使数据仅在该安全区域内进行计算。此外，还有联邦学习、共享学习等通过技术手段平衡了安全性和性能的隐私保护技术，也为大数据系统中的机器学习和数据挖掘提供了新的解决思路。

零信任概念作为对传统网络边界保护方法的改进，其基本思想是在局域网络内外部均不设置安全区域或可信用户，将所有操作均视为不可信任。围绕零信任的概念、设计、实施，各界提出了多种解决方案，如轻量级零信任网络访问模型，所有网络访问均遵循最小资源原则，被广泛用在企业信用大数据类平台的大数据系统中。

三、企业信用大数据行业生态与发展现状

（一）监管政策规范行业发展，进入壁垒日趋提高

2022年3月29日，中共中央办公厅、国务院办公厅印发《关于推进社会信用体系建设高质量发展促进形成新发展格局的意见》指出要“扎实推进信用理念、信用制度、信用手段与国民经济体系各方面各环节深度融合，进一步发挥信用对提高资源配置效率、降低制度性交易成本、防范化解风险的重要作用，为提升国民经济体系整体效能、促进形成新发展格局提供支撑保障。”与此同时，一系列政策的出台致力于将大数据机遇转化为发展红利，以“大数据+实体经济”为抓手，加快推进数实融合向纵深发展。政策环境的支持为企业信用大数据行业的稳健发展提供有力的制度保障。

我国法律法规体系建设不断完善，大数据产业的监管日益规范和严格。《数据安全法》、《个人信息保护法》与《网络安全法》共同形成了数据治理和信息保护领域的“三驾马车”，为加快培育数据要素市场、规范数据处理、保障数据安全、保护个人信息权益奠定了坚实的法律基础。《促进大数据发展行动纲要》、《大数据产业发展规划（2016-2020年）》等政策相继出台，市场监管机制也随之明确，进而为依靠大数据技术底座的企业信用大数据行业发展奠定坚实的制度基础。

2018年，中国人民银行征信中心印发《金融信用信息基础数据库异常查询行为监测工作暂行规程》，旨在及时对潜在风险事项行为进行跟踪监测和预警，确保信用报告的合规查询，努力平衡好商业化应用所需的数据自由流动与信息主体权益保护之间的关系。严格的政策监管体系一是为企业信用大数据行业提供产业导向引领，鼓励行业内部良性竞争，规范企业信用大数据类平台有序发展。二是为企业信用大数据行业塑造了较高的政策准入壁垒，进入行业的企业信用大数据类平台只有凭借先进技术严格防控信息安全风险，完善合规产品与服务体系，才能推动自身高质量发展。三是为企业信用大数据行业提供行政执法纠偏机制，在加强顶层设计的同时积累实践经验，保障行业在正确的轨道和方向健康发展。

（二）助力全覆盖征信系统建设，应用场景纵深拓展

为贯彻习近平总书记关于建立覆盖全社会的征信系统2、加强社会信用体系建设3等重要指示，落实国务院常务会议4“引导社会力量参与信用建设，发展第三方征信服务”的会议精神，中国人民银行征信管理局致力于强化征信业顶层设计，深化“政府+市场”、“全国+地方”的双轮双层驱动征信发展模式，健全完善覆盖全社会的征信体系。

2018年7月3日，中国人民银行征信管理局刊文《征信市场“政府+市场”双轮驱动的发展模式初步形成》指出，要“规范企业征信市场健康发展，推动企业征信机构备案,采集地方政府、行业协会、公用事业单位、上下游交易主体等掌握的各类企业信用信息，提供多元化的征信产品和服务，解决金融机构与中小企业信息不对称的问题，缓解中小企业融资难、融资贵，助力中小企业发展。”未来，企业信用大数据类平台可以受益于政府与企业之间的数据共享交流渠道，针对金融数据共享、政务数据共享、市场交易信息共享5等几大维度的数据信息，利用新一代信息技术建立数据库，打通数据孤岛，促进数据流转、简化信息输入与输出、有效进行信息分类整理。在中国人民银行《征信业管理条例》、《征信机构管理办法》、《征信业务管理办法》等规定的要求下，企业信用大数据类平台将进一步明确大数据征信全流程业务规则，与中国人民银行征信中心共同建设企业和个人征信系统，实现经济主体信用信息全覆盖。

传统征信服务停留在商业信息查询的层面上，征信机构将收集的信息整合并分发给用户，但整体上呈现碎片化、低效率的特征。随着产业生态的发展，未来征信的应用将不再局限于信贷领域。企业信用大数据类平台可以依靠其覆盖工商、经营、财税、投融资、知识产权、司法诉讼、舆情等多维度结构化信息和深度数据挖掘能力提供定制化、多场景企业信用信息服务。

涉企信用数据是企业信用大数据类平台开发设计各项产品与服务的“原料”，是平台能够持续发展的核心资源。各头部信用大数据类平台致力于加快数据源的获取与更新，基本实现工商、经营、财税、投融资、知识产权、司法诉讼、舆情监控等企业基础信息的覆盖，并力求在数据准确性、可靠性、维度丰富性和更新及时性等方面满足用户需求。

总体来看，企业信用大数据类平台可以广泛地服务于企业、个人以及公共部门。企业的应用场景主要涉及企业的拓客留客、信用评估、风险评估、舆情监控、供应链管理等，企业信用大数据技术平台实现了对企业各类隐含信息、商业关系的挖掘识别，为企业规避信用风险和寻找投资机会提供方向指引；个人基于求职、投资、购物的需求催生了多种应用场景；公共部门应用场景主要集中在补充央行官方征信征信渠道、企业资质审查、政务流程、经济运行监控和筛选政策扶持对象等。

来源:根据公开资料整理

图 3-1 企业信用大数据产业应用场景

（三）破局中小微融资难题，促进财政资源合理分配

企业信用大数据可以有效化解企业与银行之间的信息不对称，提高信贷审核审批效率，强化信贷风险管控能力。中小微企业受制于规模小、单次融资金额少、缺乏抵押物、信用风险大等客观条件，普遍面临“融资难、融资贵”问题。传统信贷业务依赖人工审核，流程繁琐、耗时长，抬升了银行借贷成本，导致银行“惜贷”。企业信用大数据类平台的服务可以补齐传统业务模式短板，基于多维度高质量的企业信用数据，提高金融机构尽职调查质效，支持银行开户申请、贷前准入、贷中审查及贷后管理等流程的高效线上服务，使银行在授信额度、贷款期限、利率水平等交易要素的设计更为精准，从而增强小微企业融资需求的可获得性。

2021年中央经济工作会议指出，“引导金融机构加大对实体经济特别是小微企业、科技创新、绿色发展的支持”、“加大对实体经济融资支持力度，促进中小微企业融资增量、扩面、降价。”企业信用大数据类平台通过受益所有人识别、企业对外投资分析、股权关系透视、异常交易主体甄别、关联方扫描等服务，为金融机构提供企业的全维度信用信息，识别“空壳企业”、“僵尸企业”，有力防范信贷风险，引导资金更多地流向政策扶持的优质中小微企业、个体工商户、新型农业经营主体，流向“专精特新”小巨人等重点领域和乡村振兴薄弱环节，切实提升金融服务实体经济效能。

在保证优质中小微企业获得信贷资金支持的基础上，企业信用大数据类平台可以促进财政资源的有效分配，达到“惠企”的财政目标。以申请政府补贴为例，企业信用大数据类平台在财政补贴与企业资质匹配环节通过大数据比对实现从“企业找补贴”到“补贴找企业”的转变，让惠企补贴精准到户，此外还可识别不符合申领标准的企业，及时联系误领企业退回补贴，具有严重冒领行为的企业还将被录入失信主体名单，从而有效遏止企业冒领、骗补等行为，避免国家财政遭受损失。精准惠企将有助于缓解企业资金周转压力、稳定企业经营、为企业转型升级和创新发展提供资金活水，强化企业生存能力与发展能力，激发市场主体活力，助力企业创造更大的经济与社会价值。

（四）平台聚焦特色化发展，用户粘性不断攀升

在政策利好、全社会信用体系建设逐步发展、大数据与实体经济深度融合发展的大背景下，企业信用大数据类平台凭借其技术水平和服务能力的积累寻求差异化发展，并形成了各具特色的产品与服务体系。几个企业信用大数据代表企业分别基于各自业务场景和服务客群推出了多样化的产品服务。

其中，企查查在企业信用大数据查询的基础上推出“标找找”、“客找找”、“尽职调查”等SaaS产品，应用场景深入各商务领域，侧重于多场景细分化数据能力应用，为企业打造了全场景、全生态的SaaS服务，构建全生命周期管理系统，在多个维度实现了数据挖掘应用创新。天眼查的业务重心在于打造可信商业元宇宙，对现实商业世界进行互联网投射，为企业提供工商服务、财税服务、风险监控服务等公开数据解决方案。启信宝专注于B端企业信用信息查询业务，通过对企业股东、经营范围查询、失信人查询等帮助用户了解企业信息、洞察企业关联等。

各企业信用大数据类平台通过不断拓展服务覆盖群体，形成了一定的用户基础，用户粘性也在稳步提高。随着头部平台的差异化发展，在用户分布方面，各平台实现了不同的发展路径。企查查、启信宝、爱企查聚焦高净值专业用户，其用户分布在二线城市以上的占比均超60%；天眼查近年来专注于下沉市场，三线城市以下用户占比超50%。

来源:极光大数据，月狐数据

图 3-2头部企业信用大数据类平台用户城市等级分布

受益于各平台在产品和研发上的投入，用户可以在平台内获得广泛的企业资讯和具有针对性的数据服务，从人均与启动次数人均使用时长来看，各企业信用大数据类平台APP形成较高的用户粘性和用户活跃度，收获了用户的广泛认可。数据显示，各头部平台APP人均启动次数为2.18次/日，人均使用时长为4.71分钟/日。从2022年7月数据看，企查查和启信宝在人均启动次数上具有明显优势，企查猫和启信宝在人均使用时长上较其他平台更高。

来源:极光大数据，月狐数据

图 3-3 人均启动次数月均值（次/日）

来源:极光大数据，月狐数据

图 3-4人均使用时长月均值（分钟/日）

（五）信用建设稳步推进，行业投资价值更加彰显

近年来，随着国内社会信用体系建设的健全与完善，涉企信用信息大数据的价值得到了越来越多的重视。立足于企业、个人与公共部门的实际需求，企业信用大数据类平台在金融市场、商业运营、日常生活、政策监管等各种场景的应用价值有所显现，企业信用大数据类平台逐渐获得市场关注，得到了大量投资，行业投资价值愈发彰显，具体体现在企业信用大数据类平台商业模式、行业前景两个方面。

来源:根据公开资料整理

图 3-5 行业投资价值概览

从商业模式来看，基于目前形成的B端、C端、G端业务，未来企业信用大数据类平台盈利增长点将多样化发展，行业规模将逐渐扩大。随着各社会主体对企业的权属链条、法律诉讼以及舆情等相关领域风险隐患的关注度提升，企业信用大数据类平台的用户规模将逐渐扩大：B端业务方面，定制化业务市场潜力巨大，随着企业信用大数据类平台的技术迭代和数据挖掘能力的增强，平台服务的创新应用将为企业用户带来更多的商业机会和增长潜力。C端业务方面，大数据征信对于个人用户而言的重要性凸显，通过企业信用大数据类平台可以便捷地识别企业资信状况，有利于个人用户求职、投资、寻找合作伙伴等场景的风险规避，其付费意愿及能力也将逐渐增强。G端业务方面，企业信用大数据类平台将与政府、NGO等公共部门达成更多的合作，为公共部门用户提供政务流程优化、企业资格审查、企业信用监管、政策扶持对象筛选等优质服务、助力覆盖全社会主体的公共信用体系建设。

从行业前景来看，中国企业信用大数据类平台作为对央行官方征信渠道的补充，通过特色化、定制化的产品和服务吸引用户，行业前景广阔。各平台通过技术研发培育自己的核心技术，形成市场竞争的相对优势。随着大数据技术不断发展创新，企业信用大数据类平台的数据识别准确率、数据获取多源化水平、数据处理挖掘能力、数据安全性将会得到显著的提高，各平台的技术投入将会驱动数据分析和算法模型的创新，进而优化产品与服务体系。此外，各平台通过普惠式企业信用信息查询服务使得社会公众养成查询企业信用信息的习惯，这将进一步扩大用户覆盖范围、增强用户粘性。

四、企业信用大数据行业发展趋势展望

（一）践行总体安全观，行业重点布局数据安全和信息保护

企业信用大数据类平台的主业是获取、挖掘企业信用信息，评价涉企信用，海量敏感的市场主体信用信息是平台最重要的资产。随着总体国家安全观的深入贯彻，人们对涉企信用信息的保护意识不断增强。企业信用大数据类平台在业务流程各环节的数据安全管理和信息保护措施备受各方关注。企业信用大数据类平台完善信息安全保障体系，充分保护企业信用数据安全，是未来稳健发展的必由之路。一方面，企业信用大数据类平台要切实遵守网络安全和数据保护相关法律法规，严格按照政策标准合规经营。另一方面，平台要建立灾备系统，提升对敏感数据泄露、违法跨境数据流动等安全隐患的跟踪监测、分析响应与应急处突能力。

近年来，人工智能和深度学习被广泛应用，保证数据安全的相关技术得到进一步拓展延伸。中国信通院发布的《数据安全技术与产业发展研究报告》中提到六种数据安全关键技术，分别为数据加密技术、数据脱敏技术、数据识别技术、数据标记技术、数字水印技术和隐私计算技术。未来，企业信用大数据类平台应及时跟进数据安全和信息保护相关技术沿革，灵活适配并深度应用，提高自身数据安全保障能力，最终实现“数据不动价值动，数据可用不可见”。

来源:根据公开资料整理

图 4-1数据安全关键技术

（二）立足新发展阶段，行业持续深度挖掘多元化应用场景

构建以国内大循环为主体、国内国际双循环相互促进的新发展格局，要求市场在资源配置中发挥决定性作用。企业信用大数据类平台将立足新发展阶段，贯彻新发展理念，以供给侧结构性改革为主线畅通产业链，推动社会经济高质量发展，充分挖掘各行业各部门关于涉企信用信息的真实需求，回应潜在关切，深耕多元化的应用场景6。

从企业主体的应用场景看，企业信用大数据类平台可与互联网金融融合发展：互联网金融依靠用户的各种结构化的信息作为营销的来源和风控的依据，而企业信用大数据类平台恰好可以提供这些信息。企业信用大数据类平台可与互联网金融机构合作，将小微企业主个人的网络社交、网络消费等碎片化信息结构化、数据化，进一步丰富企业信用画像。使互联网金融机构更好地了解服务对象，对其进行信用风险评判，帮助互联网金融机构筑牢风险防火墙，完善自身资产运营和内控管理。例如，中国互联网金融协会建设中国供应链金融数字信息服务平台，对外提供中小微企业工商、税务、发票、司法等公共数据和多头网络借贷、仓储、物流等部分企业经营数据的查询服务。

从个人需求的应用场景看，企业信用大数据类平台可挖掘多样化生活场景：企业信用大数据类平台的应用场景已经衍生到衣食住行的方方面面，未来也将会在日常生活场景中不断延伸扩展。例如，教育行业大数据征信平台“三眼观学”对专业性强、组织架构繁杂的教育机构进行信用评级，可以为用户提供充分的机构资信判定和风险预警。

从公共部门主体的应用场景看，企业信用大数据类平台可着重服务于定向监管：2022年1月,经国务院同意,市场监管总局印发《关于推进企业信用风险分类管理进一步提升监管效能的意见》表明，企业信用大数据类平台能帮助政府研判企业信用风险状况，推进企业信用风险分类管理，在政府提升智能化监管能力方面发挥重要作用。例如，宝鸡市信用办与绿盾征信签订《关于共同推进宝鸡市社会信用体系建设战略合作协议》，为城市综合信用指数、信用信息记录、信用信息共享、信用服务产品等方面提供技术支持与服务保障。

（三）聚焦信用体系建设，行业赋能产业链供应链安全稳定

“十四五”时期，统一社会信用体系建设将助推企业信用大数据行业向有序化、社会化、数实融合化方向发展。

助力行业自身有序发展：工业和信息化部《“十四五”大数据产业发展规划》中明确指出，要激发中小企业创新活力和加强重点企业跟踪服务，最大程度地发挥企业的市场主体作用。一方面，企业信用大数据类平台可以相互学习、鼓励创新，共同推动企业信用大数据深度应用，实现大中小平台互为支撑、业务合理分配的有序布局，提高资源利用效率；另一方面，头部企业信用大数据类平台可以利用自身庞大的商业数据库发挥主体示范作用，持续提升自主创新、产品竞争和知识产权布局能力，利用资本市场做强做优。

与各类社会团体紧密连接推动平台持续创新：企业信用大数据行业将持续开发服务社会的应用场景，体现其公共服务的社会价值。一方面，企业信用大数据类平台可以发挥自身优势，打造大数据体验中心与实训基地，吸引专业人才、建立资源供需对接和创意孵化相关机制，促进“政产学研用”联合发掘问题、解决问题、优化调整以求保持平台创新活力；另一方面，各类社会团体可以通过平台实现信息共享、合作共建，形成开放型的连接生态，打破政府机构、平台、科研高校和社会组织的沟通壁垒。

打造“企业信用大数据类平台+产业链供应链”的融合模式7：《中共中央关于制定国民经济和社会发展第十四个五年规划和二〇三五年远景目标的建议》指出，产业链供应链的安全稳定是构建国民经济新发展格局的基础。企业信用大数据类平台可以依靠大数据技术整合各行业的仓储物流、资金流、信息流等产业链供应链核心数据，打造全产业链供应链清晰图景。一方面，有关部门可以通过这些核心数据实现对产业链供应链的监管，维护其安全稳定。另一方面，金融机构可以根据真实可靠的信用情况对不同行业、不同企业提供有针对性金融产品及服务，提高金融资源配置效率⁸。

[1] 企业信用大数据行业发展指数根据企业信用大数据类平台的用户规模、数据体量、产品体系、生态建设等维度的专家评估意见设计。

[2]  2016年中共中央政治局第三十七次集体学习

[3]  2017年全国金融工作会议

[4]  2018年6月6日国务院总理李克强主持召开的国务院常务会议

[5]  尹伊林,娄睿钊.我国信用信息共享机制的未来——大数据征信联盟[J].河南牧业经济学院学报,2017,30(06):26-32.

[6]  关伟,翟丽芳,吴晶妹.信用要素推进“双循环”新发展格局的机制研究——基于中国1995-2018年数据的实证分析[J].商业研究,2021(04):31-38.

[7]  “企业信用大数据类平台+产业链供应链”的融合模式，即整合企业信用大数据类平台的数据资源与产业链供应链实体资源匹配融合，推进合规发展与供应链金融，实现产业链供应链各环节共建共赢。

[8]  许浩.提升产业链供应链现代化水平路径研究[J].商业文化,2022(15):38-39.