![票据回头背书图数据库](https://www-cdn.yueshu.cn/yueshu-website/images/share/2026-09-30.png)

一张面额 1000 万元的电子商业承兑汇票，43 天里被背书转让了 6 次。每一次转让都合法：背书连续、签章有效、金额一致、被背书人名称与票据信息完整；两次背书之间的间隔从 3 天到 11 天不等，看上去像正常贸易结算的节奏。单独审核这条背书链条，常规校验手段挑不出任何毛病，但借助[图数据库](https://www.yueshu.com.cn/database)把票据流转中的所有实体与关联关系串联起来，就能发现，第 6 次背书的对象恰好是第 1 次背书的出票人 —— 这张票在 43 天里绕了一圈，回到了原点。《票据法》管的是背书是否连续、签章是否真实，但不管这张票是不是始终在自己人手里转圈。票据空转的识别难点，从来不在单次背书，而在 6 次背书连起来之后形成的闭环关系。

# 一、回头背书与票据空转的四种形态

**直连回头背书。** 甲把票背书给乙，乙很快又背回甲，或者甲与乙之间来回背书两三次。这种最直观，也是传统规则最容易覆盖的一种——只要在单笔交易里向前追一手，就能看出对方是出票人或前手。真正的难点是它被拆散后的形态。

**关联方闭环。** 甲背书给乙、乙给丙、丙给丁、丁再给甲，四个主体两两之间并非没有贸易往来的同一对，而是围绕同一实际控制人组建的多个壳公司。单次背书的直接上手都是不同主体，逐手追查看不出问题；只有把四个主体向上穿透到实控人层级，才会发现它们收敛到同一个点。**闭环的长度通常在 3 到 6 步之间——刚好超过人工逐手核查的耐心，又短到能在账期内转完。**

**票据池空转与滚票续命。** 一家企业没有足够的经营现金流兑付到期票据，于是开出一张新票贴现，用贴现款兑付上一张到期票，如此滚动。票据在纸面上是结算工具，实际承担了短期融资功能，且规模随每次滚动放大——一张 500 万元的票滚到年底可能变成 800 万元的敞口。这类结构的特征不在单个环，而在多个环的时间接力：前一环贴现完成、后一环随即开立，资金在链上从不停留。识别它的关键指标是票据规模与经营体量的比值——一家年营收 2000 万元的企业，滚动流转的票据规模持续维持在亿元级，这个组合本身就不成立。

**一票多贴。** 同一张票据在到期前被多次申请贴现，或者票据已被质押融资后又用于背书转让。这类手法依赖信息不对称——不同机构各自看到的都只是本机构那一手，票据的完整流转记录没有被交叉比对。

| 形态         | 核心操作               | 图上的形状       | 单笔贴现可见度 | 主要目的             |
| ------------ | ---------------------- | ---------------- | -------------- | -------------------- |
| 直连回头背书 | 双方来回背书           | 两点间的往返边   | 较高           | 制造虚假结算流水     |
| 关联方闭环   | 多家壳公司环绕流转     | 3-6 步闭合回路   | 不可见         | 虚增业务量、套取贴现 |
| 票据池空转   | 新票贴现兑付旧票       | 多环时间接力     | 不可见         | 延缓兑付、维持现金流 |
| 一票多贴     | 同一票据重复贴现或质押 | 票据节点入度异常 | 不可见         | 超额融资             |

# 二、为什么传统校验看不见环

票据业务现行的校验规则，几乎全部围绕票据本身和上一手关系展开。票据要素是否完整、背书是否连续、签章是否有效、金额与出票信息是否一致，这些校验保障的是这张票的法律有效性，而不是它的流转意图。贸易背景核查是一个例外，理论上它该管真实性，实际操作中通常停留在收取合同与发票复印件——而合同与发票恰恰是最容易配合票据造出来的一套文件。

阻碍更实质性的一条，是数据分散在两个互不相通的体系里。票据的流转记录完整存在于电票系统中，每一手背书都有时间戳，这一侧数据质量很高；但主体之间的关联关系——股权结构、实际控制人、共用地址与账户、法定代表人亲属关系——不存在于票据系统里。要判断第四手背书人与第一手出票人是同一实控人下的两家公司，必须跨系统取数，而现有的业务系统没有一个环节承担这项工作。于是每一手交易都是点对点的：本机构买入这张票，只需判断票是真的、承兑人信用可接受、贸易合同与发票齐全，业务即可推进。

| 维度         | 传统票据校验               | 图谱流转校验                     |
| ------------ | -------------------------- | -------------------------------- |
| 校验对象     | 本手背书的连续性与票据要素 | 全链路流转形状与主体关联         |
| 数据来源     | 票据要素、合同、发票       | 背书链+股权+贸易+物流+贴现资金   |
| 时间视角     | 以本手交易时点为主         | 跨多手、跨月度的时间序列         |
| 识别目标     | 票据法律有效性             | 流转真实性、主体独立性、融资意图 |
| 典型失效场景 | 关联方闭环、票据池空转     | 单点真实贸易下的正常票据周转     |

# 三、图数据库如何还原票据流转环

建模有三个关键决定。

**第一个决定：把票据本身建成节点，而不是边上的属性。** 如果按传统方式把票据理解为买卖双方之间的一笔业务，那么同一票号的多次背书就散落在多张业务表中，彼此之间没有关联——这是环识别失败的根源。把票号建成唯一节点，每一次背书作为一条带时间与金额的边，串起来的才是这张票真正的行程单。

**第二个决定：把主体向上归并到实际控制人层级。** 环在壳公司层级看不出来，在实控人层级一目了然。做法是把企业节点与自然人节点分别建模，用持股、任职、亲属、共用地址与共用账户等关系把多个企业节点连接起来，再以实控人为视角重看背书链——甲、乙、丙、丁四家公司的背书构成一条线，它们的实控人节点却可能只有一个，这时闭环立刻显形。**这一步是把法律上独立的多个主体，还原成经济上同一个主体。**

**第三个决定：背书序列必须做时间单调性校验。** 真实流转中，背书时间严格递增，且间隔符合贸易与结算的客观节奏。伪造的闭环经常在时间上露出破绽：两次背书间隔不到一小时、票据在夜间或节假日连续流转、背书时间早于票据出票时间。校验方式是按票号对背书边排序，检查时间戳是否单调、间隔分布是否偏离同类票据的正常区间。

票面金额 1000 万元以上、闭环长度在 6 步以内的票据，直接进核查队列。这类查询在关系数据库里要按票号做多次自连接，步数一多性能迅速劣化；在图上是沿边遍历，且可以用票号做起点条件，把搜索空间压到一个极小的子图上。

实控人收敛的判断，可以理解为在票据链的两端各做一次向上的多跳穿透，看两条路径是否汇聚到同一个节点。出票方的实控人路径与最终被背书方的实控人路径，如果三跳以内交汇，则四家、六家看似独立的公司其实是同一个决策主体。这个判断在人工核查里几乎无法完成——客户经理手上的资料只有本企业的营业执照与股权结构，看不到交易对手的上层结构，更不会去比对两条路径的汇聚点。

# 四、识别清单与一次完整推演

| 识别目标       | 图特征                       | 图算法               | 处置动作             |
| -------------- | ---------------------------- | -------------------- | -------------------- |
| 关联方闭环流转 | 背书链闭合、实控人收敛       | 环检测               | 拒绝贴现，报送核查   |
| 票据圈固定成员 | 长期互开互背的稠密子图       | 社区发现             | 名单化管理，限定额度 |
| 票据池枢纽     | 一家企业跨多个环的连接度     | 中介中心性、PageRank | 重点监控，穿透实控人 |
| 一票多贴       | 票据节点入度异常             | 入度统计、去重比对   | 冻结业务，追索资金   |
| 时间伪造       | 背书时间倒序或间隔异常       | 时序异常检测         | 退回补正，物流取证   |
| 贴现资金回流   | 贴现款回流至前手或出票方账户 | 路径聚合             | 认定自融，压缩授信   |

把一组真实比例的案例放进去跑。某集团实际控制 6 家关联企业，8 个月内开具并流转商业承兑汇票 47 张，累计票面金额 3.2 亿元。图谱校验的三条结果显示：47 张票据中有 39 张的背书链长度达到 3 步以上，其中 28 张构成闭环，平均闭环长度 4.3 步；闭环链上的 6 个主体经股权穿透后，实控人节点收敛为 1 个；这 47 张票据中最终申请贴现的 31 张，贴现款在 5 个工作日内经 4 个中间账户回流至该集团资金池账户，合计 2.8 亿元。三条特征同时成立，票据空转与自融的事实基本清晰。任一单张票据的贴业务都不会触发预警——异常存在于这 47 张票据构成的整体形状里。

# 五、悦数图数据库的核心能力支撑

针对票据流转分析需要把电票系统全量背书记录、企业股权关系、贸易发票与资金流水一起入图，并在万亿边规模上做实时环检测的场景，[悦数图数据库](https://www.yueshu.com.cn/what-is-graph)提供几个关键支撑：万亿边级分布式存储可容纳多年期全量票据流转记录与工商股权数据，使跨机构、跨年度的闭环识别有完整的比对基础；动态 Schema 支持新增数据源（物流、仓储、发票明细）不停机扩展模型，票据模型需要时即可扩展；CDC 实时同步让新发生的背书与贴现在秒级进入图谱，闭环在第二次背书时即可被察觉，而不是等到票据到期；内置环检测、社区发现、中心性等图算法开箱即用，无需自研分布式实现；Text2nGQL 让票据审核人员用自然语言就能查询某票号的完整背书链及其主体关联。



悦数图数据库可整合电票系统背书链、企业股权关联、贸易发票、物流与贴现资金流水等多源数据，把每一张票据作为可追踪节点建模，通过环检测、社区发现、中心性分析与时序一致性校验等图算法，识别关联企业之间的回头背书闭环、票据池空转与一票多贴等结构，帮助银行在背书连续性与票据要素合规之外，补上票据流转真实性这道防线。

票据回头背书：一张票在关联企业间空转，图数据库如何识别环状流转？

![信用证欺诈图数据库](https://www-cdn.yueshu.cn/yueshu-website/images/share/2026-09-29.png)

信用证制度有一块基石，叫独立抽象性原则：银行处理的是单据，不是货物，只要单证相符、单单相符，银行必须付款，至于货在不在、质量如何、合同有没有纠纷，一概不问，这个原则让国际贸易有了可流转的信用，也让一桩生意可以简化成三套文件的流转 —— 货物流走实物，单据流走纸面，资金流走账户，原则的反面同样成立：只要三套文件各自做得漂亮，货可以从头到尾不存在，信用证欺诈几乎全部从这条缝隙里长出来，而校验三流不一，本质上不是单纯审单，而是依托[图数据库](https://www.yueshu.com.cn/database)，把三套互不联通的系统记录放回同一张关系网络里对齐，识别虚假贸易背后隐藏的关联风险。

### 一、信用证欺诈的四种典型结构

**虚构贸易背景。** 关联企业之间互为买卖双方，虚构一笔国际或国内贸易，凭合同、发票、提单申请开证，开证后迅速承兑、贴现，把银行资金套出来投入别处，到期前再制造第二笔贸易滚动接续。钢贸危机中暴露的融资性贸易、走单不走货，就是这个结构的国内版本。这类结构每一笔单据都合规，异常在于贸易双方是关联方、贸易在闭环里循环。

**一货多押。** 同一批货物，同一份仓单或提单，在不同银行重复质押融资。货物不动，单据复制，一家银行的库存监管看不到另一家的质押记录。2014 年前后青岛港事件中，同一批金属重复质押的融资规模数百亿元，涉事企业正是利用了各银行之间仓储信息不互通。这类手法后来演化出变种：把仓单拆分成多份分单，每份对应不同银行；或者把一批货在海关监管库、保税区、内贸仓之间倒库，让每一站都产生一份新的库存凭证。

**单据造假。** 伪造提单、变造数量、倒签日期——货还没装船，提单先开出来；或过了信用证最迟装运期，把提单日期改到期限之前。这类造假瞄准的是银行只审单据表面的作业方式，假造得好就能顺利承兑。

**关联定价操纵。** 关联方之间高报进口价格或低报出口价格，放大单笔融资额，或者用价格差把资金沉淀在境外。单笔看是正常贸易定价，异常要在同一批交易对手的多次交易价格对比里才显现：同一种商品、同一时间段，该对手的成交价相对市场基准持续偏离两成以上，且偏离方向始终朝着放大融资额的一侧。价格本身有波动是正常的，**偏离的方向从不改变**才是异常。

| 手法         | 核心操作               | 图上的形状             | 单证审核可见度 |
| ------------ | ---------------------- | ---------------------- | -------------- |
| 虚构贸易背景 | 关联方互开、走单不走货 | 贸易关系成环、资金归集 | 不可见         |
| 一货多押     | 同一货物重复质押       | 仓单/提单节点入度异常  | 不可见         |
| 单据造假     | 伪造提单、倒签日期     | 单据时间与物流记录矛盾 | 部分可见       |
| 关联定价操纵 | 高报或低报价格         | 同对手多笔价格偏离分布 | 不可见         |

### 二、审单为什么审不出三流不一

银行审单的作业单元是一笔业务：审核这张信用证项下的单据是否与信用证条款一致、单据之间是否互相印证。这套流程有两个结构性天花板。

**审单核的是一致性，不是存在性。** 发票、箱单、提单互相印证，只能证明这套文件内部自洽，不能证明船真的开了、货真的在舱里。提单是真签发的，货没装；仓单是真的，货早被提走——文件本身可以全部真实。

**审单是静态逐笔的，欺诈是跨笔跨时间的。** 同一企业两年内与五家境外公司发生贸易，五家公司的注册地址相同、董事重合、资金最终汇入同一账户；同一批货物三个月内在三家银行出现。这些异常都不存在于任何一笔单据里，只存在于记录与记录的关系里。而三流数据恰好分散在三套系统：单据在银行信贷系统，物流与报关在海关和港口系统，资金在支付清算系统，行内还有一部分在核心系统——互相之间没有外键，自然也没有校验。

现行的一些补救手段也都停在单笔层面。发票联网核验能确认发票真伪，核不出这套发票对应的货被押了几次；报关单电子口岸核查能确认报关行为存在，核不出报关的货与仓单里的货是不是同一批；仓储监管能盯住本行质押项下的库存，盯不住同一仓库里为其他银行监管的货。**每个环节都在自己那一段里做了核验，但没有任何环节负责把三段接起来——缝隙不在任何一段内部，缝隙在段与段之间。**

| 维度         | 传统单证审核         | 图谱三流校验                       |
| ------------ | -------------------- | ---------------------------------- |
| 校验单元     | 单笔业务的单证一致性 | 跨笔、跨企业、跨时间的结构         |
| 数据来源     | 本笔信用证项下单据   | 单据+报关+物流+资金+工商多源入图   |
| 时间视角     | 静态时点审核         | 时间轴上的先后与重复               |
| 识别目标     | 单证相符             | 贸易真实性、货物唯一性、对手关联性 |
| 典型失效场景 | 走单不走货、一货多押 | 纯单点贸易、单家银行业务           |

### 三、图数据库如何把三流对齐

建模的关键决定有两个。第一个是把**货物批次和提单建为枢纽节点**，而不是把贸易对手建为中心。因为三流校验的核心问题是同一批货物的单据链是否完整且唯一：一份提单连接发货人、承运人、通知方、报关单、仓单、发票、信用证，如果这串连接里出现了两笔不同银行的质押，货物唯一性即被打破。传统建模把货物理解为贸易合同的一个字段，跨笔校验无从谈起。

第二个是把**时间放在边上做一致性校验**。三流不一是时间维度上的矛盾：提单日期晚于靠泊日期（倒签）、质押日期早于入库日期、报关日期晚于承兑日期。校验方式是对同一货物节点上的所有边做时间单调性检查——物理世界有先后，造出来的单据经常顾不上先后。

同一提单号关联的质押银行数大于等于 2，直接进核查队列。这个查询在关系数据库里需要仓单表、质押表、银行表级联关联再加分组统计，在图上是一次沿边遍历。同理，虚构贸易背景的检测是环查询：A 卖给 B、B 卖给 C、C 卖回 A，四步以内的贸易闭环配合资金回流路径，基本可以判定为走单不走货。

倒签检测的思路类似，校验对象从单据之间换成了单据与物理世界之间。提单上写的装船日期，可以和船舶自动识别系统（AIS）的历史轨迹比对：该轮当天是否真的挂靠了提单载明的装货港、停泊时长是否够完成装货。仓单入库日期可以和港口理货记录、集装箱进场记录比对。物理世界的时间戳分散在各处且由不同主体生成，伪造全部环节的成本远高于伪造一套单据——这正是把物流时间引入图谱后，单据造假难度陡增的原因。

### 四、识别清单与一次完整推演

| 识别目标       | 图特征               | 图算法               | 处置动作           |
| -------------- | -------------------- | -------------------- | ------------------ |
| 一货多押       | 仓单/提单节点入度    | 入度统计、子图匹配   | 暂停放款，现场查货 |
| 虚构贸易闭环   | 贸易关系环、资金回流 | 环检测、路径聚合     | 冻结额度，穿透核查 |
| 关联对手网络   | 股权、董事、地址重合 | 实体解析、社区发现   | 合并授信，重定价格 |
| 倒签与时间矛盾 | 单据边的时间序列     | 时序异常检测         | 单据退回，物流取证 |
| 资金归集账户   | 汇聚度、跨链枢纽     | PageRank、中介中心性 | 监控账户，追索方向 |

把一个真实比例的案子放进去跑。某贸易公司以其名下 2.7 万吨钢材申请开证，仓单编号在图谱中 45 天内出现 3 次质押记录，涉及 3 家银行、融资合计 1.9 亿元——一货多押特征命中，入度 3。向上穿透，该批货物的上游供应商与该贸易公司共用一个注册地址，且两家公司法定代表人为夫妻关系——关联对手特征命中。资金流出方向：三笔融资款到账后平均 4.2 天汇入同一境外账户，该账户同时是另外 6 笔贸易融资的最终收款方——资金归集特征命中。时间轴上，仓单入库日期为 6 月 18 日，最早一笔质押登记却是 6 月 11 日，货还没入库就先质押了——时序矛盾命中。四类特征命中三项以上，按团伙级欺诈立案，单笔逐单审核永远不会把这四条线索凑到一起。

落地时还需要一套判定纪律，把恶意一货多押与正常的登记瑕疵分开。三种情况叠加才进高危处置：多次质押的间隔极短且金额接近货物评估全值；融资款快速流出且归集到同一账户；货物在此期间从未发生真实出入库。如果只是仓储系统编号规则不一致导致的重复登记、货主确有真实贸易背景、资金用于约定的采购支付，那更可能是数据质量问题，处置动作应是数据治理而不是冻结放款。**误把瑕疵当欺诈，伤的是贸易融资业务本身**——这类业务本来就在收缩，误伤的代价客户经理最清楚。

### 五、悦数图数据库的核心能力支撑

针对贸易融资三流校验需要整合行内单据、海关报关、港口物流、仓储监管、资金流水与工商股权等多源数据，并在全量业务规模上实时校验的场景，悦数图数据库提供几个关键支撑：万亿边级分布式存储可承载多年期全量贸易融资业务与外部数据，使跨行、跨年的一货多押有完整的比对基础；动态 Schema 支持报关单、提单、仓单等新数据源不停机入图；CDC 实时同步让新开证与新质押秒级进入图谱，重复质押在第二家银行进件时即可触发拦截，而不是风险暴露后倒查；内置环检测、社区发现、中心性等图算法开箱即用；Text2nGQL 让审单人员用自然语言即可查询某票货物的完整单据链与资金去向。

两个坑提前说。第一个是把三流校验做成单笔核对——逐笔核对三套单据字段一致，恰好落在欺诈者的舒适区里，结构性欺诈必须靠跨笔跨时间的图特征才能覆盖。第二个是只用行内数据建图——货物流与对手关联性这两块关键拼图都在行外，缺了它们，图建得再好也只是单据网络的自我循环。**三流校验的价值不在于核出哪张单是假的，而在于让同一批货物、同一组对手、同一条资金路径在所有银行面前只有一次出场机会。**



悦数图数据库可整合开证申请、信用证、发票、提单、仓单、报关、物流轨迹与资金流水等多源数据，把货物批次与提单建为枢纽节点，通过入度统计、环检测、时序一致性校验、社区发现与中心性分析等图算法，批量识别一货多押、虚构贸易背景、单据造假与关联闭环交易等信用证欺诈结构，帮助银行在单证相符之外补上贸易真实性这道防线。

信用证欺诈：货物流、单据流、资金流三流不一，图数据库如何校验？

![理赔团伙分图数据库](https://www-cdn.yueshu.cn/yueshu-website/images/share/2026-09-28.png)

同一张理赔案件，两套风控模型给出截然相反的结论。传统评分卡核验保单全部字段：被保险人 34 岁、保额 30 万、出险在投保后第 11 个月、三甲医院就诊、票据完整、诊断与用药匹配、无既往理赔记录，综合得分 0.08，判定低风险自动结案。基于[图数据库](https://www.yueshu.com.cn/database)的图谱模型处理的是同一份材料，但它关注的不是单据本身，而是案件背后关联的人物网络，输出 0.87，标记高风险转入人工核查。两个结果都不算错误，它们回答的是不同问题：评分卡判断这张单子单独看是否存在造假疑点，图数据库图谱模型判断这张单子依附于什么样的关系网络。对于团伙骗保而言，他们能把每一份报案材料包装得毫无破绽，却很难彻底抹去团伙成员之间的关联痕迹，这正是图数据库在反欺诈场景里的核心价值。

# 一、团伙骗保的四种结构，只有关系能看见

单案手法可以千变万化，但团伙的组织方式收敛得很快。把它们抽象出来，大致是四类结构，每一类在图上都有清晰的形状。

**同期同网型。** 一批互不相识的人，在同一段时间内集中投保、集中出险、集中理赔，背后的票据来自同一批机构，赔付资金最终流向同一组账户。每个人单独看都是正常客户，异常只存在于“同一时间、同一批机构、同一组账户”这三个重合上。这类结构在图上表现为一个高密度子图，社区发现算法一眼就能圈出来。

**环形互保型。** 投保人 A 为 B 投保、B 为 C 投保、C 又为 A 投保，形成闭环。闭环的用途是让每一份保单都看起来有独立的投保动机，同时让每个人的保单数量保持在风控阈值以下。环结构在关系表里几乎无法表达，因为判断它需要的是路径的起点和终点重合，而不是某几个字段的取值。

**中介聚合型。** 一个代理人、一个保险中介、一个“理赔黄牛”，同时连接着几十个彼此没有其他交集的投保人。这几十个人之间没有任何直接关系，只有这一个共同联系人，属于罕见但极具判别力的图特征：两个素不相识的人共享同一个代理人，这不奇怪；但如果还有同一家医院、同一个查勘员、同一个赔付账户、同一台设备，巧合的层数就超过了自然发生的可能。

**寄生型。** 最隐蔽的一类，不新建虚假业务，而是在真实业务里掺入少量虚假案件。一家确实在经营的修理厂、一家确实有门诊量的诊所、一个确实在带团的旅行社，真实单与虚假单混在一起，比例通常在百分之十到三十之间。这类结构在单案层面完全无法识别，因为虚假单复用了真实单的全部合规外观；只有用机构作为枢纽节点，统计其出险分布、伤情编码分布、赔付金额分布相对同业的偏离度，才会露出尾巴。

| 结构类型   | 图上的形状         | 核心异常信号                     | 单案层面可见度 |
| ---------- | ------------------ | -------------------------------- | -------------- |
| 同期同网型 | 高密度小社区       | 时间聚集、机构重合、资金同汇聚   | 极低           |
| 环形互保型 | 闭环回路           | 投保关系首尾相接、多份保单互指   | 不可见         |
| 中介聚合型 | 单一枢纽星型       | 共同代理人、共同查勘员、共同账户 | 低             |
| 寄生型     | 机构为中心的稠密簇 | 出险分布相对同业显著偏离         | 不可见         |

# 二、图特征从哪里来

给保单打团伙分，前提是先把图上的结构量化成可以进模型的数值。能用的图特征大致分五类，每一类回答一个不同的问题。

**局部结构特征回答“这个实体黏不黏人”。** 节点度（直接关联的实体数量）、聚类系数（邻居之间互相认识的比例）、三角形计数（参与了多少个三人闭环）。一份保单的被保险人如果同时是另外十几份保单的被保险人、投保人或受益人，度数会显著高于正常值——正常人的保险关系通常在一到三份之间。

**全局位置特征回答“它站在网络的什么位置”。** PageRank 衡量节点被多少重要节点指向，中介中心性衡量它在多少条最短路径上。一个代理商如果是多个互不相交社区之间的唯一桥梁，中介中心性会异常突出——他很可能就是那个把不同来源的案件拼装在一起的人。

**共同邻居与路径特征回答“两个实体凭什么连在一起”。** 两个投保人之间共享多少邻居、最短路径是几跳、路径上经过哪些类型的节点。素不相识的两人共享三家医院、两个查勘员、一个赔付账户，这个组合本身就是证据。

**重合度特征回答“他们是不是同一个人在操作”。** 设备指纹、登录 IP、手机号、银行卡、常用地址、甚至提交理赔的时间习惯。用 Jaccard 相似度量化重合程度，比布尔判断更稳健，也更容易设定阈值。

**二阶邻域污染度回答“他身边有多少坏人”。** 这是风控里最有效也最容易被忽略的一类特征：不看这个节点自己怎么样，而看它的邻居中有多少是被标记为高风险或已确认欺诈的实体。二阶邻域（邻居的邻居）的高风险占比，往往比节点自身的所有属性加起来都更能说明问题。

| 维度         | 单案特征                               | 图特征                               |
| ------------ | -------------------------------------- | ------------------------------------ |
| 数据来源     | 本案件字段、被保险人档案、历史理赔     | 跨案件的关系结构、实体重合、网络位置 |
| 回答的问题   | 这张单本身像不像假的                   | 这张单和谁一起出现、出现在哪个结构里 |
| 典型失效场景 | 单案合规的团伙骗保、票据真实的虚假案件 | 偶发的单点欺诈、无关联的独立案件     |
| 规模适应性   | 单条记录计算，成本固定                 | 依赖图遍历与算法，规模决定可行性     |
| 可解释性     | 字段权重，易于说明                     | 需要路径级证据链才能说明，否则是黑箱 |

# 三、团伙分怎么合成，以及为什么必须可拆解

有了特征，接下来是合成分数。这里最容易犯的错，是把图特征直接追加进原有评分卡，当成几十个新变量一起训练。结果是两个问题同时出现：一是双重计数，同一件事在单案特征和图特征里各算了一次，分数被放大；二是不可解释，一个 0.87 的分数背后是哪些关系在起作用，没人说得清，也就没法向调查员交代线索、向合规解释处置依据。

更稳妥的做法是分层合成。第一层是**关系密度类**，由节点度、聚类系数、共同邻居数构成，判断这个实体是否处在超常密度的关系中。第二层是**位置异常类**，由中介中心性、社区跨越数、PageRank 偏离度构成，判断它是否在结构中扮演了不该扮演的角色。第三层是**邻域污染类**，由一阶与二阶高风险邻居占比构成，判断它所处的关系环境是否已被污染。三类各自得出一个分量，再加权合成团伙分，并保留每个分量的贡献值。

保留贡献值的意义在于分数可以往下拆。同样输出 0.87，拆开可能是“二阶邻域污染度 0.9 + 关系密度 0.7 + 位置异常 0.3”，也可能是“位置异常 0.9 + 其余两项中等”——前者指向一个被团伙包裹的真实客户，处置上应当保留申诉通道；后者指向一个主动串联多方的组织者，处置上应当直接移送核查。**同一个分数，两种完全不同的处置。** 这也是为什么团伙分不能只输出一个数字。

# 四、图特征的计算路径

落在工程上，图特征抽取与算法调用是同一个遍历过程的两端。先用查询把候选集及其邻域取出来，再用算法在子图上计算结构与位置指标。判断“某个账户是否是多人共用的赔付出口”，用共同邻居和入度统计就够了；判断“这个社区是不是团伙”，需要社区发现；判断“谁是组织者”，需要中心性度量。

| 识别目标     | 图特征                     | 图算法              | 处置动作               |
| ------------ | -------------------------- | ------------------- | ---------------------- |
| 关系密度异常 | 节点度、聚类系数、三角计数 | 度统计、子图匹配    | 标记观察，纳入名单     |
| 团伙边界划分 | 社区归属、模块度           | 社区发现（Louvain） | 整社区立案移交         |
| 组织者定位   | 中介中心性、PageRank       | 中心性计算          | 优先核查，主犯方向     |
| 资金回流闭环 | 路径首尾重合               | 环检测              | 冻结、追偿             |
| 多案共犯识别 | 共同邻居、多角色频次       | 路径聚合、频次统计  | 提取证据链             |
| 邻域污染传导 | 一阶二阶高风险占比         | 邻域聚合、标签传播  | 分级提示，动态调整额度 |

把前面那张理赔单跑一遍，特征拆出来大致是这样：该被保险人在 90 天内出现在 6 家公司的 11 张保单中，关系密度分量 0.91；同一位“事故见证人”在 27 起案件的签字记录里出现过 9 次，共同邻居特征被触发；就医机构的同一科室、同一诊断编码在半年内出现 43 次，机构偏离度显著；赔付资金经过三层转出后汇聚到 3 个账户，与另外 14 起案件共享其中 2 个出口账户，二阶邻域高风险占比 0.83；投保时间集中在三个月内，与前一张保单间隔 6 天。五条特征里没有一条是靠单案字段能发现的，它们全部来自关系。

# 五、悦数图数据库的核心能力支撑

针对这类需要把全量保单、理赔记录、票据、代理人、赔付账户一起入图，并在万亿边规模上实时抽取图特征的场景，悦数图数据库提供几个关键支撑：万亿边规模的分布式存储可容纳历年全量业务数据与多源外部数据，使图特征有完整的网络基础而不是局部抽样；存算分离架构让批量入图与在线特征抽取互不干扰，模型服务的响应时间不随入图任务波动；内置图算法库直接提供社区发现、PageRank、中心性计算、环检测等算子，图特征无需自研分布式实现；动态 Schema 支持新增数据源（设备指纹、票据编号、就诊记录）不停机扩展模型；CDC 实时同步让新发生的投保与理赔在秒级进入图谱，使团伙分可以在核赔决策的窗口内给出，而不是次日批量计算。

悦数图数据库可整合投保、核保、理赔、医疗票据、代理人、赔付账户与设备环境等多源数据，把每一张保单放回它所在的关联网络中，通过节点度、共同邻居、社区归属、中心性、共同设备、二阶邻域污染度等图特征抽取，配合社区发现、PageRank、环检测、子图匹配等图算法，构建可拆解、可解释的理赔团伙风险分模型，让保险机构在案件维度之外获得关系维度的判别依据，把分散在各系统中的孤立案件重新聚合为团伙线索。

理赔团伙分：图数据库的图特征如何给每张保单打风险分？

![代理人自保件图数据库](https://www-cdn.yueshu.cn/yueshu-website/images/share/2026-09-24.png)

有两个数字，放在一起看会互相打架。某分公司上一年度新聘代理人 13 个月留存率只有 8%，也就是说十个人里活下来不到一个；但同期该团队保费收入增长了 40%，人均产能也创了三年新高。留存率极低说明队伍在快速失血，保费却高速增长说明业务在扩张——传统数据表无法穿透数据背后的隐性关联，而依托[**代理人自保件图数据库**](https://www.yueshu.com.cn/database)可精准拆解数据矛盾根源：除非这些保费根本不来自客户。把数据拆开看，答案就出来了：当年新增保费中，有 41% 的投保人是代理人本人或其直系亲属；新人在职期间人均自保件保费 2.6 万元，其中六成集中在入职后前三个月出单；这批保单在次年退保率达到 34%，远高于常规保单的 6%。留存率与增长率同时成立，是因为增长本来就是由那些会离开的人自己掏钱买出来的。自保件本身不是问题——代理人给自己和家人买保险完全合法，问题在于它被当成了转正、保级、拿奖励的工具。

# 一、自保件与增员泡沫的四种操作形态

**新人自购转正。** 大多数公司对新人设有转正门槛，常见形式是首季度保费达到一定额度。达不到就没有底薪、没有续期利益、无法继续展业。对一部分新人来说，最省事的达标方式就是给自己或家人买一份。首月保费 3 万元、佣金按 30% 计约 9000 元，实际支出两万出头，换来的是转正资格与继续留任的机会。这在个体层面是理性选择，在高频出现时就成了系统性问题。

**主管代垫与佣金回流。** 更隐蔽的形式是主管出资让下属出单——钱从主管账户转到新人或新人亲属账户，用新人名义投保，佣金发给新人后再回流给主管。这样新人完成了考核，主管拿到了增员奖与团队业绩，双方都受益。这类结构在图上的特征是：佣金发放对象与保费出资方不是同一人，资金形成闭环。

**虚假增员套取奖励。** 增员奖励通常是"每增一名有效人力奖励若干元"，且要求新人达成一定保费。于是出现凑人头的做法：让亲属、老客户、甚至不存在的人挂名入职，自己出单达标，领取奖励后离职。更极端的形态是"轮回入职"——同一个人离职后换一个身份（配偶、父母）再次入职，重复领取增员奖励与新人津贴。

**团队互买互退循环。** 同团队代理人之间互相投保、互相成为对方客户，完成各自的业绩考核，拿到佣金与奖励后，在犹豫期或次年集中退保。这种循环在单份保单上看完全正常——有投保人、有被保险人、有真实缴费；异常只存在于关系的循环结构与退保的时间一致性上。

| 形态           | 核心操作                     | 单份保单合规性 | 关键异常信号                       | 主要受益方                   |
| -------------- | ---------------------------- | -------------- | ---------------------------------- | ---------------------------- |
| 新人自购转正   | 为自己或家人投保以达标       | 完全合规       | 自保件占比高、集中于入职首季       | 新人（保资格）、团队（业绩） |
| 主管代垫与回佣 | 主管出资、新人出单、佣金回流 | 合规           | 出资人与佣金受领人分离、资金闭环   | 主管（增员奖、团队业绩）     |
| 虚假增员       | 凑人头领取增员奖励           | 合规           | 入职集中、留存极短、新人件即自保件 | 主管与推荐人                 |
| 互买互退循环   | 团队成员互相投保后集中退保   | 合规           | 关系闭环、退保时间聚集             | 团队全体                     |

# 二、为什么内部套利很难被发现

**考核只看总量，不看来源。** 保费、增员数、人均产能都是汇总指标，它们无法区分"来自客户的保费"与"来自代理人自己钱包的保费"。当一个团队的自保件占比从 15% 涨到 40%，汇总报表上看到的只是业绩增长，看不出结构变化。

**自保件在保单字段里没有特殊标记。** 投保人身份与代理人身份分别存在两个系统里：代理人档案在人力系统，保单在业务系统。除非专门做身份比对，否则"这张保单的投保人就是本公司代理人"这件事在业务系统里并不显式存在。亲属关系更是完全没有数据支撑。

**佣金与奖励的追回有时滞。** 佣金当期发放，退保却往往发生在一年甚至更久之后。等到退保数据出来，佣金早已结清、奖励早已兑现，追回在操作上困难、在制度上争议很大。这种时间错配使得套利几乎无风险。

**人力与业务数据不互通。** 组织架构、上下线关系、入职离职记录在人力系统里；出单、佣金、退保存在业务系统里。识别"某主管的增员中，有多少人在短期内离职且留有自保件"这类问题，需要跨系统关联，而在各自独立的系统里，这个查询无法提出。

| 对比维度   | 汇总报表与规则校验     | 图数据库关联图谱                         |
| ---------- | ---------------------- | ---------------------------------------- |
| 观察单元   | 团队与个人的汇总数字   | 代理人—亲属—保单—佣金—退保构成的关系网   |
| 身份比对   | 人力系统与业务系统分离 | 代理人身份作为节点属性，可直接判定自保件 |
| 资金闭环   | 不可见                 | 出资方与佣金受领方的关系路径可直接检出   |
| 增员质量   | 只看人数与留存率       | 增员链、轮回入职、亲属关联可一并呈现     |
| 退保归因   | 只能看整体退保率       | 可区分自保退保与客户退保，并按团队聚合   |
| 处置颗粒度 | 一刀切限制自保件       | 可对具体循环结构定向处置                 |

# 三、图谱怎么建：把代理人也当成客户

**建模的关键，是承认"代理人"与"投保人"这两个身份可能落在同一个节点上。** 图谱里自然人只有一个节点，他既是代理人（带入职时间、职级、所属团队、上线），也可能是投保人或被保险人（带与保单的关系）。这样"这张保单的投保人是不是本公司代理人"就变成节点属性判断，而不是跨系统的身份比对。

亲属关系需要单独处理。多数公司没有代理人亲属数据，可行的做法是通过投保时的受益人、联系电话、联系地址、缴费账户等要素推断关联强度：共用缴费账户、同一联系地址、互为受益人的组合，基本可以确定存在紧密关系；只有单一要素重合的标记为低置信度，不单独作为判定依据。

常用的节点包括自然人、代理人身份、保单、团队、佣金发放记录、退保记录、银行账户；边覆盖雇佣、上下线、亲属推断、投保、缴费、佣金支付、退保等类型，均带时间与金额属性。

这是最基础的一层，回答"这名代理人的保单里有多少投给了自己或家人"。更有价值的是叠加时间维度的查询：这些保单的出单时间是否集中在入职或考核节点的前后，退保时间是否聚集在离职后的一段窗口内。**时间聚集比数量占比更有判别力**——真实的员工保障需求在时间上应当是分散的，而套利行为天然具有节点特征：入职时集中出单，保级前集中补单，离职后集中退保。

# 四、图算法与识别信号清单

| 识别目标           | 图算法           | 判读方式                                             | 处置建议                       |
| ------------------ | ---------------- | ---------------------------------------------------- | ------------------------------ |
| 是否存在资金闭环   | 环检测           | 保费出资方与佣金受领方之间存在闭合路径               | 转入合规调查，核查真实投保意愿 |
| 团队是否系统性自保 | 社区发现         | 团队内部形成密集互投子图，对外客户关系稀疏           | 团队层面专项治理，而非处理个案 |
| 增员是否有真实价值 | 路径聚合         | 增员链上新人留存期短、自保件占比高、无外部客户       | 停发该链路增员奖励并追溯       |
| 是否轮回入职       | 实体解析与相似度 | 同一自然人以不同身份重复入职，或亲属关系高频伴随入职 | 建立黑名单与入职校验规则       |
| 退保是否异常       | 时序异常检测     | 自保件退保率显著高于同期客户保单，且集中在离职窗口   | 调整佣金与奖励的追回规则       |
| 谁在组织           | PageRank         | 连接多条增员链与多条资金闭环的节点                   | 列为重点人员，纳入考核问责     |

一次典型的命中推演：以某团队主管为起点展开三跳，图上出现 17 名下线、43 张保单、9 个银行账户、5 条资金闭环路径。这 17 名下线中有 11 人在职不足 6 个月，43 张保单里有 29 张的投保人是下线本人或其亲属，其中 18 张在离职后 90 天内退保。再沿佣金路径回溯，发现 9 个账户中有 4 个同时出现在"主管出资"与"佣金回流"两端。到这里结论已经很明确：这不是若干代理人各自为家人买保险，而是一条以增员奖励与佣金为目标的稳定通路。

需要注意的是，自保件不应被简单禁止。代理人给自己和家人配置保障，既是合理的个人需求，也是行业长期鼓励的从业者风险意识体现。具备判别力的是三个条件的叠加：**名义客户集中于代理人自身与亲属、佣金与奖励形成回流闭环、保单生命周期在离职或考核节点后集中终止**。只满足其中一条，属于正常现象；三条同时成立，才构成套利结构。

# 五、悦数图数据库的核心能力支撑

针对人力与业务数据分属不同系统、关系结构复杂、需要按团队与个人双向穿透的特点，悦数图数据库提供了几项关键支撑：万亿边规模可容纳全量代理人档案、组织架构、保单、佣金与退保记录，支持多年数据统一构图；动态 Schema 支持新增数据源（如考勤、培训、投诉记录）不停机扩展模型；内置图算法库直接提供环检测、社区发现、PageRank、时序异常检测与路径聚合等算子，无需自研；CDC 实时同步让新出单、新佣金、新退保在秒级内进入图谱，使异常在发生当期即可被感知；配合 Text2nGQL，合规与督导人员可以用自然语言查询某个团队的关系结构，不必先掌握图查询语言。

代理人自保件与增员泡沫之所以长期存在，是因为它恰好落在人力系统与业务系统的接缝处——**两个系统各自的数据都完整，但没有任何一方能看到"这个人既在我的队伍里，又是我的客户"**。图数据库的价值在于把这两个身份放到同一个节点上，让资金、保单、组织关系第一次可以被摆在同一个视野里审视。当结构变得可见，增长与留存这两个数字也就不会再互相打架。

悦数图数据库可整合代理人档案、组织架构、保单、佣金发放、退保记录与客户关系等多源数据，构建保险团队内部关联图谱，把代理人、亲属、上下线与保单之间的关系显式建模，通过循环检测、社区发现、时序异常检测与路径聚合等图算法，识别以套取佣金与增员奖励为目的的自保件循环、虚假增员与互买互退结构，帮助保险公司区分正常员工保障需求与系统性内部套利，降低费差损与虚增人力水分。

代理人自保件与增员泡沫：图数据库如何揭示保险团队的内部套利？

![健康险重复理赔图数据库](https://www-cdn.yueshu.cn/yueshu-website/images/share/2026-09-23.png)

算一笔账。某患者住院总费用 8 万元，医保统筹报销 4.6 万元，个人自付 3.4 万元。他在两家公司各买了一份百万医疗险，免赔额都已通过其他就医记录抵充，赔付比例 80%。当前行业缺乏[健康险重复理赔图数据库](https://www.yueshu.com.cn/database)关联校验能力，如果两家公司各自按"自付部分 3.4 万的 80%"全额赔付，他能拿到 2.72 万 × 2 = 5.44 万元——比自己实际掏的 3.4 万元还多出 2 万元。保险的本意是补偿损失，而当赔付金额超过实际支出时，生病就从一件倒霉事变成了一笔有正收益的生意。这不是假设出来的极端情形，而是费用补偿型健康险在设计上就存在的缝隙：理赔审核确认的是"这笔费用真实发生、单据真实、属于保险责任"，从来不问"这笔费用是不是已经在别处被赔过一次"。跨公司之间没有费用核销机制，同一张发票的复印件在两家公司的理赔系统里各自成立，互不知情。

# 一、健康险重复理赔的四种形态

**同一笔费用跨公司重复报销。** 最典型的一种。投保人在两家公司投保费用补偿型医疗险，住院后用同一套材料分头索赔。由于两家公司核赔系统不互通，且赔案之间不存在任何共享标识，重复在技术上无法被发现。部分消费者并不认为这是问题——"我交了两份保费，凭什么只赔一份"，这正是费用补偿原则在消费者认知层面最容易被误解的地方。

**医保已支付部分再向商业险索赔。** 医保统筹支付的部分不属于"个人自付"，本不应再由商业医疗险赔付。但理赔材料如果只提交总费用发票与费用清单，不提交医保结算单，审核人员很难区分哪些是统筹支付、哪些是自付。部分产品通过"区分有无医保"的费率设计间接处理，但核赔环节缺少刚性校验。

**拆分费用、分头索赔。** 把一次住院的费用拆解成门诊、药品、检查等多个部分，分别向不同公司索赔；或者同一疗程的多次就诊，用不同的诊断编码重复申报。这类手法的关键在于"看起来是不同费用"，只有把费用明细与就诊时间轴对齐，才能看出它们指向同一次治疗。

**冒名就医与出借医保卡。** 团伙化的一种：借用他人医保卡就医购药，再用自己的商业保单索赔；或者把他人的检查、治疗记在自己名下。这类行为的异常点在于就诊记录与本人的既往病史、年龄、性别特征不符。

| 形态           | 核心操作             | 单据层面         | 单家公司可见性   | 图上可见信号                 |
| -------------- | -------------------- | ---------------- | ---------------- | ---------------------------- |
| 跨公司重复报销 | 同一套材料分头索赔   | 真实有效         | 只看到本次索赔   | 同一费用凭证节点入度大于 1   |
| 医保已付再索赔 | 隐去医保结算单       | 材料真实但不完整 | 无法判断支付构成 | 凭证金额与自付金额不匹配     |
| 拆分费用索赔   | 一次治疗拆成多笔申报 | 单据各自真实     | 只看到其中一笔   | 就诊时间轴重合、诊断编码相似 |
| 冒名就医       | 借用他人身份就诊     | 就诊记录真实存在 | 无法比对本人病史 | 就诊特征与本人画像不符       |

# 二、为什么核赔环节查不出重复

**理赔审核确认的是真实性，不是唯一性。** 一份理赔案的审核链条是：单据是否真实、费用是否发生、是否属于保险责任、是否在保额与免赔额范围内。这套逻辑里没有"是否重复"这一项，因为"重复"是一个需要跨案件比对才能回答的问题，而核赔人员手上的只有这一个案子。

**费用凭证没有核销状态。** 发票、费用清单在报销完成后不会被标记"已赔付"，它只是一张纸或一份 PDF 的复印件。电子发票普及后，重复打印更加容易，而多数机构的理赔系统甚至没有对发票号码做全局唯一索引。

**医保与商业险数据不打通。** 医保结算数据掌握在医保部门，商业保险公司只能拿到客户提交的材料。客户不提交结算单，公司就不知道统筹支付了多少。近年部分地区推进了医保商保同步结算试点，但覆盖面与字段颗粒度仍不足以支撑逐案校验。

**跨公司信息共享滞后且保守。** 行业层面有反欺诈信息交换机制，但共享的多为已确认欺诈案件与黑名单，且滞后于理赔时效。实时共享投保与理赔明细涉及数据合规与商业竞争，推进难度较大。

| 对比维度   | 单案审核模式         | 图数据库关联图谱                 |
| ---------- | -------------------- | -------------------------------- |
| 审核对象   | 单起理赔案、单套材料 | 凭证、就诊、保单、账户构成的子图 |
| 重复判定   | 无判据，无法回答     | 凭证节点入度直接给出答案         |
| 支付构成   | 依赖客户提交材料     | 可融合医保结算数据交叉验证       |
| 身份校验   | 证件号单点匹配       | 多要素实体解析，识别同人多身份   |
| 发现时机   | 事后抽检或举报       | 核赔环节实时提示                 |
| 给付型险种 | 无法区分，易误伤     | 按险种属性差异化处理，避免误判   |

# 三、图谱怎么建：把费用凭证变成可连接的节点

**建模的第一件事，是把"费用凭证"从附件变成节点。** 在传统理赔系统里，发票是案件的附件，是不可检索的扫描件；在图谱里，每张发票、每次就诊、每笔医保结算都应该是独立节点，与理赔案件、被保险人、医疗机构之间建立带时间与金额属性的边。这样"同一张发票被几家公司的几起案件引用过"就变成一次简单的入度查询，而不是一次跨机构的数据比对。

节点通常包括：自然人、保单、理赔案件、就诊记录、费用凭证、医保结算记录、医疗机构、诊断编码、收款账户。边覆盖索赔、就诊、产生费用、结算支付、包含诊断等类型，均带时间戳与金额。

**实体解析是准确性的前提。** 跨公司数据要连起来，前提是确定"这是同一个人"。姓名加证件号在多数情况下够用，但遇到曾用名、证件换发、家庭成员代持保单时就会断裂。实践中建议用证件号、手机号、银行账号、联系地址、就诊卡号的组合做相似度匹配，高置信度连接直接建边，中低置信度连接标记为待核实，参与连通但不作为单独判据。

这条语句回答的是：这张凭证被几起理赔案件引用过。正常情况下入度为 1，入度大于 1 即需核查是否为重复索赔。这里的难点不在查询本身，而在凭证的标准化——同一笔费用在不同机构可能以不同号码、不同拆分方式出现，因此需要用金额、就诊日期、机构编码做组合匹配，而不只依赖发票号。

**一个必须做的前置区分：给付型与补偿型。** 重疾险、寿险、意外身故伤残属于给付型，确诊即按保额给付，多份保单可以叠加赔付，这是合同约定的正当权益；医疗险属于费用补偿型，赔付以实际支出为上限，重复报销才构成渗漏。图谱里必须给每个险种打上属性标签，让重复识别只对补偿型生效，否则会把大量正常的多份重疾赔付误判为欺诈——这是健康险反欺诈最容易踩的坑。

# 四、图算法与识别信号清单

| 识别目标         | 图算法             | 判读方式                                         | 处置建议                         |
| ---------------- | ------------------ | ------------------------------------------------ | -------------------------------- |
| 同一凭证是否重复 | 入度统计与实体解析 | 凭证节点入度大于 1，或金额与日期高度相似的凭证群 | 核赔环节拦截并协调查证           |
| 支付构成是否真实 | 相似度计算         | 申报自付金额与医保结算记录不一致                 | 要求补充结算单，按统筹后金额重算 |
| 就诊是否拆分申报 | 时序图分析         | 多笔申报的就诊日期重合、诊断编码一致             | 合并计算赔付上限                 |
| 冒名就医         | 画像匹配           | 就诊特征与被保险人既往病史、年龄性别不符         | 启动调查，核对就诊人身份         |
| 团伙化操作       | 社区发现           | 多名被保险人的就诊集中在同一机构与同一账户       | 整片核查，涉及医保的移送         |
| 赔付是否超上限   | 路径聚合           | 沿被保险人聚合所有补偿型赔付，与实际自付总额比对 | 触发追回与后续保单核查           |

一次典型的命中推演：以某被保险人为起点展开两跳，图上出现 3 份医疗险保单、5 起理赔案件、11 张费用凭证、2 家医院。其中 4 张凭证的入度为 2，分别被两家公司的案件引用；进一步核对发现，这 4 张凭证对应的住院日期与医保结算单上的统筹支付金额为 2.8 万元，而两家公司申报的自付金额合计却超过了住院总费用。到这里结论很明确：不仅重复索赔，还把医保已支付部分计入了自付。

值得一提的是，多数医疗险条款里本就写有"其他保险分摊"约定——若被保险人拥有其他费用补偿型保险，各方按比例分摊赔付，合计不超过实际支出。这条条款几乎从未被真正执行过，原因不是保险公司不想执行，而是**执行它需要知道"其他公司赔了多少"，而这个数据拿不到**。图谱在这里的作用不是创造新规则，而是让既有条款第一次具备了可执行的数据基础：哪怕只在本公司范围内打通多份保单，也能先消除内部重复，再把分摊机制延伸到机构间协作场景。

# 五、悦数图数据库的核心能力支撑

针对健康险数据多源、凭证颗粒度细、核赔要实时的特点，[悦数图数据库](https://www.yueshu.com.cn/what-is-graph)提供了几项关键支撑：万亿边规模可容纳全量保单、理赔案件、就诊与费用凭证的关联关系，不做时间截断；动态 Schema 支持新增数据源（如医保结算明细、处方流转数据）不停机扩展模型；内置图算法库直接提供社区发现、PageRank、相似度计算、时序异常检测等算子，无需自研；CDC 实时同步让新发理赔在秒级内进入图谱，核赔当时即可看到凭证关联提示；配合 Text2nGQL，核赔与调查人员可以用自然语言查询某张凭证或某个被保险人的关联网络，不必先掌握图查询语言。

健康险重复理赔之所以普遍，不是因为核赔不认真，而是因为**"这笔钱赔过没有"这个问题，在单案视角下根本无法回答**。图数据库做的不是更严格的审核，而是给每张凭证、每次就诊一个可以被反复引用的身份，让它们在第二次出现时能被认出来。当凭证有了身份，重复就不再是靠运气发现的事。

悦数图数据库可整合保单、理赔案件、医疗费用凭证、医保结算记录、医疗机构与账户信息等多源数据，构建健康险反欺诈关联图谱，把费用凭证与理赔主体作为可连接的节点，通过凭证入度分析、社区发现、实体解析与时序异常检测等图算法，识别同一笔费用跨公司重复报销、医保已付部分再报商业险、拆分费用分头索赔等渗漏结构，帮助保险公司在核赔环节发现重复赔付，同时避免对给付型险种正常叠加赔付的误伤。

健康险重复理赔：跨公司投保记录如何用图数据库的关系串联？

![意外险骗保图数据库](https://www-cdn.yueshu.cn/yueshu-website/images/share/2026-09-22.png)

先算一道概率题。一个成年人一年内遭遇导致伤残的意外事故，概率大致在千分之二上下；如果这个人的配偶在同一年也遭遇同类事故，两个独立事件同时发生的概率是百万分之四。某保险公司在回溯一桩案件时发现，一个三人家庭在十四个月内产生了 4 起意外伤残理赔，涉及 6 家保险公司的 11 份保单，受益人集中在同两个人身上。按独立事件计算，这种事发生的概率不到十亿分之一 ——**它当然不是巧合**。但在理赔系统里，这 11 份保单分属 6 家公司、11 个承保系统、11 条互不相干的记录，没有任何一个环节能看到完整的 11。受益人这一栏在投保时被填成 "法定" 或一个人的名字，然后就沉进了保单的字段里，再也没有被当作一个可以拿来连接的主体。意外险骗保之所以屡屡得手，正是利用了这一点：**它不需要伪造得很高明，只需要分散得够开。**而破解这种 "分散"，靠的正是[**意外险骗保图数据库**](https://www.yueshu.com.cn/database)—— 把散落在各公司的保单、受益人、地址、电话、银行账户当作一个个节点，用关系把看似无关的记录连成一张网，让 "同一受益人背后挂着 11 份保单" 这样的异常，从数据孤岛里浮出来。

# 一、意外险骗保的四种典型手法

**短期密集投保。** 在数周内向多家公司投保高额意外险，保费支出相对赔付额微不足道，等待期一过就"出险"。这类手法的关键是分散——单家公司的保额都在核保免检线以下，累计起来却可能高达数百万。由于各公司核保信息不互通，除非主动做行业累计保额查询，否则没人知道这个人在别处还买了多少。

**受益人异常集中。** 被保险人是不同的人——配偶、父母、子女、甚至朋友——但受益人反复指向同一两个人。这在真实投保中并非不可能（家庭主投保人常指定配偶为受益人），但当被保险人与受益人之间不存在可解释的亲属或利益关系，且多份保单重复这一模式时，就需要警惕。更极端的情形是"被保险人不知情"：被保人签名由他人代签，保单由同一人出资购买。

**伤残鉴定套利。** 意外险赔付金额高度依赖伤残等级，而伤残等级由鉴定机构认定。同一家鉴定机构、同一批被鉴定人、相似的事故类型、集中在某一等级临界点上的结论——这种分布特征在正常业务里几乎不会出现。医疗记录与鉴定结论之间的不一致也是常见信号：诊断却为软组织挫伤，鉴定却给出十级伤残。

**旧伤新报与事故再造。** 把投保前就存在的损伤留到保单生效后报案，或对事故时间、地点、经过做技术性修改，使其落入保险责任范围。这类案件材料齐全、流程合规，单看挑不出毛病，异常只体现在时间线与损伤特征的一致性上。

| 手法         | 核心操作                               | 单份保单合规性 | 单家公司可见性     | 图上可见信号                                 |
| ------------ | -------------------------------------- | -------------- | ------------------ | -------------------------------------------- |
| 短期密集投保 | 数周内跨公司投保，单份保额压在免检线下 | 合规           | 只看到自己这一份   | 同一投保人时间窗内保单数量与累计保额异常     |
| 受益人集中   | 多个被保险人的受益人指向同一人         | 合规           | 只看到自己这一份   | 受益人节点入度异常高，且被保险人之间关联薄弱 |
| 伤残鉴定套利 | 集中鉴定机构、等级聚集在临界点         | 有鉴定报告     | 只看到自己这一案   | 鉴定机构节点连通大量相似案件，结论分布异常   |
| 旧伤新报     | 事故时间或责任归属做技术性修改         | 材料齐全       | 无法比对投保前记录 | 损伤特征在不同理赔案中重复出现               |

# 二、为什么这类骗保在核保环节看不见

**核保看的是这一份，不是这一堆。** 核保规则校验的是年龄、职业、健康状况、保额与收入匹配度、既往理赔史。这些信息都在"这一份保单"的上下文里，跨公司的投保行为不在视野之内。即便做了行业信息查询，通常查的也是理赔史与黑名单，而非"此刻正在生效的累计保额"。

**受益人是字段，不是主体。** 这是最根本的问题。在关系模型里，受益人挂在保单下，是保单的一个属性；要做"找出所有以某人为受益人的保单"，需要遍历全表并按字符串匹配姓名，姓名重名、同音不同字、曾用名都会让结果失真。实际上几乎没有公司会做这件事。

**理赔是第一次看到全貌的时候，但那时已经晚了。** 核赔环节能拿到医疗记录、事故证明、鉴定报告，理论上信息最全，但此时赔付义务已经成立，拒赔需要证据而非怀疑，成本极高。

**人工抽查覆盖率有限。** 反欺诈团队通常按金额或随机抽取案件做深度调查，覆盖率往往不足百分之几。骗保者的应对很简单：把单案金额控制在抽查阈值以下。

| 对比维度   | 传统核保与核赔         | 图数据库关联图谱                   |
| ---------- | ---------------------- | ---------------------------------- |
| 观察单元   | 单份保单、单起理赔     | 人、家庭、账户、机构构成的关联子图 |
| 受益人处理 | 保单附属字段，不可检索 | 独立节点，可做入度与出度分析       |
| 累计保额   | 仅本公司可见           | 跨公司数据融合后可实时累计         |
| 时序特征   | 静态快照               | 投保、出险、鉴定、理赔全时间轴     |
| 识别时机   | 理赔后抽查             | 核保与核赔环节实时提示             |
| 证据形态   | 怀疑为主，取证困难     | 结构路径可复核，指向明确           |

# 三、图谱怎么建：把受益人提升为枢纽节点

**建模的第一件事，是把受益人从字段变成节点。** 投保人、被保险人、受益人、代理人、鉴定机构、医疗机构、收款账户都作为独立节点，保单作为连接它们的事件节点。这样"同一个人在多少份保单里担任受益人""这些保单的被保险人之间是什么关系"就变成一次遍历，而不是一次全表扫描。

身份识别是这一步的难点。姓名匹配会引入大量误连，因此需要用多要素做实体对齐：证件号、手机号、银行账号、联系地址、设备指纹的组合匹配优于单一姓名；对无法确定的连接，标记为低置信度边，参与连通但不单独作为判定依据。

**时序约束同样是剪枝的关键。** 在遍历时限定"投保时间在出险时间之前 N 天内"，可以把大量历史路径排除掉，只保留与当前案件相关的时间邻近子图。意外伤害险的等待期通常只有几天到几十天，这个窗口恰好也是骗保行为最集中的区间，因此时间窗既是约束条件，也是识别信号本身。

# 四、图算法与识别信号清单

| 识别目标                 | 图算法                 | 判读方式                                                     | 处置建议                   |
| ------------------------ | ---------------------- | ------------------------------------------------------------ | -------------------------- |
| 受益人是否集中           | 入度统计与社区发现     | 受益人节点入度显著高于同类客户，且被保险人群体分散           | 触发人工核保与关系核实     |
| 投保是否密集             | 时序图异常检测         | 时间窗内新增保单数量与累计保额突然跃升                       | 核保环节要求补充财务告知   |
| 被保险人群体是否真实关联 | 联通子图与亲属关系推断 | 被保险人之间有亲属、雇佣或同址关系则正常；无关联却同受益人需警惕 | 核实投保意愿与签名真实性   |
| 鉴定结论是否异常         | 相似度计算与分布检验   | 同一机构结论集中在等级临界点、伤情描述高度重复               | 启动复勘与机构评估         |
| 谁在组织                 | PageRank               | 连接多份保单、多个被保险人、同一收款账户的核心节点           | 列入重点名单并关联历史案件 |
| 影响范围                 | 最短路径与联通子图     | 量化一次确认骗赔牵连的保单数量与累计保额                     | 决定是否移送与追偿范围     |

一次典型的命中推演：以某受益人为起点展开两跳，图上出现 11 份保单、7 名被保险人、3 家鉴定机构、2 个收款账户。7 名被保险人之间只有两对存在亲属关系，其余五人彼此无关联、不同址、不同职业，却都由同一代理人经手、都指定同一受益人、都在投保后 40 天内出险，且伤残结论全部落在十级。此时判定依据已经不是"某一份保单有问题"，而是"这组投保行为缺乏合理的社会关系解释"。

必须说明的是，结构异常不等于骗保。真实的建筑工人、货车司机、外卖骑手确实会短期购买多份意外险，他们的出险概率也确实高于平均值；一个家庭在同一代理人处分批投保同样常见。可靠的做法是把结构信号与行为证据叠加：投保动机是否可解释、被保险人是否知情、事故是否有客观证据、医疗与鉴定是否一致，四项中至少三项存疑才进入深度调查，避免把高风险职业客户简单地标签化。

# 五、悦数图数据库的核心能力支撑

针对人身险反欺诈多主体、强时序、跨机构的特点，悦数图数据库提供了几项关键支撑：万亿边规模可容纳全量历史保单、被保险人、受益人与机构的关联关系，不做时间截断；动态 Schema 支持新增数据源（如外部医疗记录、行业共享数据）不停机扩展模型；内置图算法库直接提供社区发现、PageRank、子图匹配、相似度计算、时序异常检测等算子，无需自研；CDC 实时同步让新投保与新发理赔在秒级内进入图谱，核保当时就能看到关联提示；配合 Text2nGQL，反欺诈调查人员可以用自然语言查询某个受益人的关联网络，不必先掌握图查询语言。

意外险骗保依赖的不是技术，而是**分散**——把 11 份保单拆到 6 家公司，让每一家都只看到一个不足为奇的片段。图数据库做的事情并不复杂：把这 11 份重新放回同一张图上，让受益人、时间窗、代理人、鉴定机构这些原本互不照面的要素同时出现在一个视野里。当分散失效，巧合就只能是巧合以外的东西。

悦数图数据库可整合保单、投保人、被保险人、受益人、代理人、医疗机构与伤残鉴定等多源数据，构建人身险反欺诈关联图谱，把受益人从保单附属字段提升为枢纽节点，通过时间窗密度统计、社区发现、子图匹配与时序异常检测等图算法，识别短期密集投保、受益人集中、伤残鉴定套利与旧伤新报等骗保结构，帮助保险公司在核保与核赔环节提前发现异常关联，降低赔付渗漏与合规风险。

意外险骗保：同一受益人短期多保单的巧合，图数据库如何识别？

![骗保团伙图数据库](https://www-cdn.yueshu.cn/yueshu-website/images/share/2026-09-21.png)

在保险公司的理赔系统里，一个人可以同时拥有五种互不相干的身份。张某在过去三年出现在 27 起车险事故中：第 1 起他是被追尾的受害者，第 9 起他是变道撞人的肇事方，第 14 起他是路边目击证人，第 19 起他是后排受伤乘客，第 23 起他是受损车辆的实际车主。这五条记录躺在五起不同案件里，归属五个不同的理赔号，由五个不同的查勘员经手。系统不会觉得这有什么问题 ——**它按案件建档，不按人建档**。一个人换一次身份，系统里就多一条全新记录，此前的 26 次出现对第 27 次没有任何提示作用。骗保团伙吃透的就是这件事：团伙成员轮换扮演肇事者、受害者、伤者、证人，让每一次出险在单点视角下都像第一次。而把这 27 次出现放到[**图数据库**](https://www.yueshu.com.cn/database)构建的[**知识图谱**](https://www.yueshu.com.cn/solutions/knowledge-graph)中，以人员、案件、车辆为**节点**，角色归属作为**关系边**形成一张**关联网络图**，事情立刻变得直白 —— 身份可以轮换，人这个**实体**不换；案件可以分散，**实体关系**不分散。

### 一、骗保团伙的四种组织形态

**黄牛与修理厂合谋。** 这是车险领域最常见也最难查的一种。黄牛负责组织事故、招揽"客户"，修理厂负责定损与维修，双方按赔付金额分成。典型手法是扩大损失：一起轻微剐蹭，进厂后报出七八项更换件，定损金额翻几倍。这类团伙的稳定性极高，因为修理厂有固定场所、有工商登记、有合作关系，比流动的黄牛更容易被追踪，也因此在图谱里往往是那个"连通很多案件"的枢纽节点。

**人伤碰瓷团伙。** 专门针对"人伤"赔付设计，因为人伤涉及医疗费、误工费、伤残赔偿金，金额弹性远大于车损。团伙成员轮流扮演伤者，同一批人在不同事故中反复"受伤"，就诊记录集中在少数几家医院或诊所，伤情描述高度相似。这类案件的单起金额未必惊人，但频次极高，累积渗漏可观。

**故意制造的二次事故与旧伤新报。** 把此前的事故损伤留着不修，等下一份保单生效后再报；或者在同一地点反复制造轻微碰撞。判断依据不在单次案件，而在时间线与损伤特征的一致性上。

**查勘员与内部人员勾结。** 这是危害最大也最隐蔽的一类。查勘员掌握定损权与现场认定权，一旦被渗透，虚假案件可以在流程内被"合法化"。这类案件在材料层面挑不出毛病，异常只体现在统计分布上：某个查勘员经手的案件，赔付金额、修理厂集中度、特定驾驶员出现频率都显著偏离同岗位均值。

| 组织形态           | 核心资源                 | 单案合规性         | 典型渗漏点               | 图上可见信号                                     |
| ------------------ | ------------------------ | ------------------ | ------------------------ | ------------------------------------------------ |
| 黄牛+修理厂合谋    | 固定修理场所、定损话语权 | 材料齐全、流程合规 | 扩大损失、虚报更换件     | 修理厂节点度数异常高，连通大量互不相关案件       |
| 人伤碰瓷团伙       | 流动的"伤者"、熟悉的诊所 | 有诊断证明         | 医疗费、误工费、伤残赔偿 | 同一批人在多案中重复出现且角色轮换               |
| 二次事故与旧伤新报 | 时间差、损伤特征一致性   | 事故真实存在       | 重复赔付、跨保单索赔     | 同一车辆损伤特征在多个理赔案中重复               |
| 内部查勘员勾结     | 定损权与流程权限         | 全流程合规         | 定损金额、责任认定       | 查勘员节点关联特定修理厂与驾驶员群，分布偏离均值 |

### 二、为什么规则引擎与黑名单拦不住

**建档单位是案件，而欺诈存在于人。** 保险核心系统的设计目标是"把每一起理赔处理完"，不是"识别跨案件的关联"。同一个人在不同案件里的记录，除非主动做主数据打通，否则就是若干条独立数据。即便做了客户主数据，骗保者也有对策：换手机号、换证件号、让亲属顶替，反正系统校验的是单个身份标识。

**黑名单是点对点的，而团伙是网状的。** 黑名单机制解决的是"这个人上次骗过我"，解决不了"这个人和那三个骗过我的人是同一个圈子的"。团伙的应对方式恰恰是让"黑名单上的人"退到幕后，用一批清白身份的人顶在前面。当黑名单命中率下降时，往往不是团伙消失了，而是它换了外壳。

**跨公司信息壁垒。** 同一批人在 A 公司骗完换 B 公司，单家机构的数据里看不到完整链条。行业层面虽有反欺诈信息平台，但共享的通常是已确认案件，滞后且颗粒度粗，难以支撑核赔环节的实时判断。

**人工核赔的经验不可复制。** 资深查勘员凭经验能认出"这张照片的角度不对""这个修理厂上个月刚出现过"，但这种判断依赖个人记忆，既无法量化，也无法覆盖全部案件，更无法在人员流动后留存。

| 对比维度 | 规则引擎与黑名单         | 图数据库关联图谱               |
| -------- | ------------------------ | ------------------------------ |
| 识别对象 | 单个案件、单个身份标识   | 人、车、机构构成的关联子图     |
| 换壳应对 | 换证件、换手机号即可规避 | 关系结构不变，换身份仍会被连通 |
| 团伙边界 | 无法界定                 | 社区发现直接给出团伙成员清单   |
| 时间跨度 | 通常只看近期案件         | 全量历史案件参与构图           |
| 经验沉淀 | 依赖个人，人走经验走     | 结构特征固化在图模型与算法中   |
| 核赔时效 | 事后抽查为主             | 核赔环节实时提示               |

### 三、图谱怎么建：把角色放在边上

**建模的关键决定，是把"角色"作为边的属性而不是节点的身份。** 如果按角色建节点——受害者节点、肇事者节点、证人节点——那么张某的五次出现仍然是五个独立节点，问题没有解决。正确做法是：人是唯一的节点，他与每起案件之间有一条边，边上写明他在这起案件中的角色、时间戳、涉及的车辆与金额。这样"同一个人在不同案件中担任不同角色"就变成了一次沿边遍历就能得到的事实。

常用的节点包括自然人、车辆、保单、理赔案件、修理厂、医疗机构、查勘员、地址与联系电话；边则覆盖出险关联、就诊、维修、定损、共乘、同址、通话等类型，每条边都带时间与金额属性。

**核心查询是"同人跨案多角色"。** 用 nGQL 表达大致如下：

```
GET SUBGRAPH FROM "PERSON:3205xxxx"
  BOTH 2 STEPS
  YIELD vertices AS v, edges AS e
  | FILTER count(DISTINCT e.case_id) >= 5
    AND count(DISTINCT e.role) >= 3
```

这条语句回答的问题是：这个人在多少起案件中出现过，扮演过几种角色。两个条件同时满足时，基本可以排除"运气不好"的解释。真实案件中更常见的是反向查询——从一家修理厂出发，看它连通的车辆、驾驶员、查勘员是否形成了远超正常经营范围的密集子图。

**弱信号的价值比想象中大。** 骗赔团伙会刻意切断强关联：不用同一手机号、不登记同一地址、不让两名成员在同一份材料上同时出现。但他们很难清理干净所有弱信号——一辆车曾在不同案件中搭载过不同伤者、两个人在某起旧案里留过同一联系电话、某个地址曾短暂登记为三名不同驾驶员的联系地。这些信号单独看都不足以立案，可在图上，它们是把分散子图缝合成一个团伙的关键针脚。建模时建议给每类边设定置信度权重，让强关联主导判定、弱信号负责连通，避免一刀切导致的误连与漏连。

### 四、图算法给团伙画像

| 识别目标       | 图算法       | 判读方式                                               | 处置建议                         |
| -------------- | ------------ | ------------------------------------------------------ | -------------------------------- |
| 团伙成员清单   | 社区发现     | 正常理赔网络的连通度很低；骗赔案件之间存在大量隐性连接 | 整片转反欺诈调查，而非逐案处理   |
| 谁在组织       | PageRank     | 度数高且连接不同子群的节点通常是黄牛或核心修理厂       | 列入重点名单，优先核查其经手案件 |
| 复用套路       | 子图匹配     | 匹配"同一批人+同一修理厂+同一诊所"的重复结构           | 沉淀为固定检测模式               |
| 伤者与就诊异常 | 相似度计算   | 不同案件中的伤情描述、就诊项目高度相似                 | 触发人伤复勘与医疗核查           |
| 行为突变       | 时序异常检测 | 某修理厂或某查勘员的案件量与赔付额突然跃升             | 提前介入现场查勘                 |
| 影响范围       | 联通子图     | 量化一起确认骗赔牵连的保单与金额                       | 决定追偿范围与是否移送           |

一次典型的命中推演：以某修理厂为起点展开三跳，图上出现 46 起理赔案件、31 名驾驶员、12 名伤者、3 名查勘员。这 31 名驾驶员在图谱中彼此无亲属、无雇佣、无同址关系，理论上不该有任何交集，但他们全都指向同一家修理厂，且其中 9 人在不同案件中互换过肇事与受害身份。再扩展一跳，发现 12 名伤者的就诊记录集中在两家诊所，伤情编码重复率超过七成。到这里结论已经不是"这家修理厂可疑"，而是"这是一个以修理厂为中心、有稳定伤者供给与查勘配合的骗赔网络"。处置上，逐案拒赔要打 46 场官司，而按团伙立案只需一次移送。

需要提醒的是，识别结果必须区分"团伙骗赔"与"高频出险的真实客户"。确实有人驾驶习惯不佳、确实有人在小型修理厂长期维修，仅凭度数高不能直接定性。可靠的做法是把结构证据与行为证据叠加：角色轮换、身份不相关却高度聚集、伤情重复、查勘员偏离度，四项中命中三项才进入调查流程，避免把高频客户误伤成骗保者。

### 五、悦数图数据库的核心能力支撑

针对保险反欺诈多源异构、跨案件跨度长、核赔环节要实时提示的特点，悦数图数据库提供了几项关键支撑：万亿边规模可容纳全量历史保单、理赔案件与人车机构关系，不做时间截断；存算分离架构让历史案件批量入图与在线核赔查询互不干扰；动态 Schema 支持新增数据源（如就诊记录、外部司法数据）不停机扩展模型；内置图算法库直接提供社区发现、PageRank、子图匹配、相似度计算、时序异常检测等算子，无需自研；CDC 实时同步让新发案件在秒级内进入图谱，核赔当时就能看到关联提示；配合 Text2nGQL，反欺诈调查人员可以用自然语言查询某家修理厂的关系网络，不必先掌握图查询语言。

骗保团伙真正的护身符不是伪造技术，而是保险系统"一案一档"的存储方式——它让同一个人可以合法地拥有五个身份、二十七次出场。图数据库做的不是识别某个案件造假，而是**把这二十七次出场重新放回同一个人身上**。当角色轮换、人员复用、机构聚集这三件事被同时看见，"巧合"这个词就失去了说服力。

悦数图数据库可整合保单、理赔案件、车辆、修理厂、医疗机构、查勘员与伤者等多源数据，构建保险反欺诈关联图谱，把以案件为单位孤立存储的理赔记录连成以人、车、机构为节点的网络，通过社区发现、PageRank、子图匹配与时序异常检测等图算法，识别职业黄牛、合谋修理厂与碰瓷团伙的复用结构，帮助保险公司在核赔环节提前发现团伙骗赔，降低赔付渗漏。

骗保团伙：同一家修理厂为何反复出现在事故现场？图数据库解谜

![收款码冒用图数据库](https://www-cdn.yueshu.cn/yueshu-website/images/share/2026-09-20.png)

一张收款码纸，只能贴在一个地方。这是物理世界的常识，也是收单风控长期默认的前提。但数字世界不遵守这个前提：某家连锁早餐店的静态收款码，在周一早上 7 点 12 分到 7 点 19 分的七分钟里，被 14 个不同城市的付款账户扫了 23 次，而这家店此刻只在苏州开门营业，店里的收银员手里还攥着那张塑封的码牌。同一时间，同一张码，在两个相距三千公里的地方同时被使用——这在物理上不可能，在支付系统里却完全合法。因为系统校验的是"码是否存在、是否有效、是否属于这个商户"，从来不问"扫它的这个人此刻应该站在哪里"。**收款码被冒用之所以难防，根源不是校验不够严，而是校验的对象选错了：查的是码，而不是这张码正在参与的那张关系网。**

### 一、收款码被冒用的四种典型形态

**静态码被翻拍与复制。** 这是最常见的一种。商户把收款码打印张贴在柜台，任何人用手机拍一张照片，就能在别处无限次使用。因为收款码本质是一串商户标识的编码，复制它不需要任何技术门槛，一张照片足矣。被复制的码通常流向两类用途：一是给远程诈骗收款，付款人扫的是"某家小超市"的码，钱实际进了诈骗链路；二是给赌博、色情等违规业务做资金通道，借用正规商户的外衣洗白入账。

**聚合支付子码被套用。** 连锁品牌、商圈市场通常由服务商批量开通子商户码。如果服务商风控松懈，或者内部人员违规操作，一个子码可以被反复下发给不同实际经营者使用。这类冒用的隐蔽性在于：从支付机构视角看，这笔交易在商户档案层面完全合规——有入网资料、有营业执照、有结算账户；真正的问题在于"实际用码的人"和"档案里的人"不是同一个，而这一层信息根本不在交易报文里。

**商户资料冒名入网。** 不法分子用他人身份证、营业执照复印件完成入网审核，拿到的是一张"干净"的码。这类码从第一天起就是为违规用途准备的，前几个月还会刻意模拟正常经营——小额、高频、白天营业时段、金额带零头，把可疑度压到阈值以下，等"养熟"之后再放量。冒名入网的识别难点是：单看任何一笔交易都正常，异常只体现在整体行为结构与真实经营场景的偏离上。

**码牌调包与终端侧篡改。** 商户店内码牌被偷偷替换，或者 POS 终端被改装后把交易上送到另一个商户号。这种手法在餐饮、零售门店偶有发生，往往要等商户对账时发现"今天的流水少了"才暴露，此时损失已经持续了数周。

四种形态的共同点是：**交易本身合法，异常藏在关系结构里**。

| 冒用形态     | 交易层面是否合规 | 商户档案层面             | 主要资金用途           | 可见信号                                        |
| ------------ | ---------------- | ------------------------ | ---------------------- | ----------------------------------------------- |
| 静态码翻拍   | 完全合规         | 真实商户，被动受害       | 远程诈骗收款、违规通道 | 付款地离散、非营业时段、付款人互不相识          |
| 聚合子码套用 | 完全合规         | 档案存在但实际经营者不符 | 套现、分账、规避费率   | 同一子码对应多个设备与结算去向                  |
| 冒名入网     | 完全合规         | 资料虚假或盗用           | 洗钱、赌博资金归集     | 养熟期后金额与频次突变、经营场景缺失            |
| 码牌调包     | 完全合规         | 真实商户，被动受害       | 截留营业款             | 同一门店出现两个活跃受理源、流水与 POS 对账不符 |

### 二、为什么异常入账在入账当时拦不住

**监测单元是"笔"，而异常存在于"网"。** 收单风控的主流做法是对单笔交易打分：金额是否超限、时段是否异常、付款账户是否黑名单、商户当日累计是否超标。这套逻辑对"大额可疑"有用，对冒用场景基本无效——冒用者恰恰是照着规则反着设计的，每笔金额都在阈值以下，时段刻意避开凌晨，付款账户都是全新白户。单笔视角下，23 笔分散在全国的交易每一笔都干净；只有在"这张码今天被哪些人扫了、这些人之间什么关系、他们此刻应该在哪"这个网络视角下，异常才浮出水面。

**关系数据的查询成本让人放弃实时。** 即便风控人员想做网络校验，在关系数据库里也要跨商户表、终端表、账户表、设备表、地理位置表做多表 JOIN，再叠加时间窗聚合。一次校验涉及五六张表、上亿行流水，实际耗时以分钟计，而一笔支付交易留给风控决策的时间通常不超过 200 毫秒。这不是优化能解决的问题，是数据模型的物理限制。

**清算与对账的滞后性。** 冒用造成的损失往往在 T+1 对账时才被发现：商户发现流水少了一块，支付机构发现某码的交易地理分布不对劲。但对账时钱已经结算走了，追回成本极高。更麻烦的是，冒用码一旦被标记，黑产手上还有几十张养熟的备用码，封一张换一张。

| 对比维度   | 规则引擎单笔监测             | 图数据库实时图谱                           |
| ---------- | ---------------------------- | ------------------------------------------ |
| 观察单元   | 单笔交易                     | 码、终端、付款人、设备、地理位置构成的子图 |
| 异常判据   | 阈值与黑名单                 | 拓扑结构偏离（离散度、聚集度、位置一致性） |
| 响应时机   | 准实时至 T+1                 | 入账当时（百毫秒级）                       |
| 跨码关联   | 无法识别同一团伙控制的多张码 | 通过共用设备、共用付款群、共用结算路径识别 |
| 误伤控制   | 阈值一松一紧反复震荡         | 结构证据链可复核，误判可回溯               |
| 对手适应性 | 规则公开后易被规避           | 结构特征难以逐项规避                       |

### 三、实时入账图谱怎么建

**建模的第一件事是把"地理位置"变成一等公民。** 传统收单数据里，位置只是交易报文的一个字段；在图谱里，位置要能参与判断——付款人的常驻地、商户的经营地、设备的历史出现地，三者之间的一致性或矛盾，正是识别冒用的核心信号。常用的节点包括六类：商户、收款码、受理终端、付款账户、设备指纹、地理位置；边则包括扫码支付、终端绑定、设备登录、账户关联、位置出现等，每条边都带时间戳与金额属性。

**实时性靠写入链路而非查询优化。** 冒用拦截的价值窗口只有入账那一瞬，因此图谱必须是流式的：交易发生时即写入节点与边，CDC 同步把新发生的入账在秒级内推入图谱，同时维护一张"码—近 N 分钟付款账户集合"的滑动窗口视图。这样当第 24 笔可疑入账到来时，图谱里已经有前 23 笔构成的完整上下文，可以直接判断这笔是否属于异常结构，而不必回头查历史库。

**核心查询是带时空约束的多跳遍历。** 以被冒用的码为起点，向付款账户、设备、位置扩展两到三跳，同时施加两个约束：时间上限定在最近的时间窗内，空间上要求付款位置与商户经营地的合理半径。

真正把遍历"削"成可实时完成规模的，是空间约束：一旦要求付款位置必须落在商户经营地合理范围内，绝大多数历史路径会被直接剪掉，剩下的才是需要与当前交易比对的有效上下文。这一步剪枝的效果，比任何索引优化都显著。

### 四、图算法给冒用打分

结构信号需要量化才能进决策。以下几类算法在收款码冒用识别中最常被组合使用：

| 识别目标             | 图算法         | 判读方式                                                     | 处置建议               |
| -------------------- | -------------- | ------------------------------------------------------------ | ---------------------- |
| 付款人群是否离散     | 社区发现       | 一个正常商户的付款人应有本地聚集性；冒用码的付款人彼此无连接、跨省分散 | 离散度超阈值转人工核查 |
| 谁在组织用码         | PageRank       | 找出连接多张码、多个付款群的核心账户                         | 列入重点观察名单       |
| 多码是否同源         | 联通子图       | 多张码通过共用设备或共用付款人连成一片                       | 整片降级或暂停结算     |
| 码与终端绑定是否异常 | 子图匹配       | 匹配"一码多终端"或"一终端多码"的可疑模式                     | 触发终端巡检           |
| 行为是否突变         | 时序图异常检测 | 对比养熟期与放量期的度数、金额分布变化                       | 放量期自动提高核查比例 |
| 损失影响面           | 最短路径       | 量化某张冒用码关联到的其他商户与账户数量                     | 决定处置范围与上报层级 |

一次典型的命中推演是这样的：某码在七天内的付款账户从日均 30 个涨到 240 个，付款人所在城市从集中在苏州变成覆盖 11 个省，社区发现显示这些付款人之间几乎无关联，却有 17 个账户共用 3 个设备指纹；进一步扩展两跳，发现这 3 个设备还连接着另外 9 张码，分属 6 个不同商户。此时结论已经不是"这张码可疑"，而是"有一个团伙在批量使用一组码"。这类结构一旦成形，处置成本极低——封一片比封一张有效得多。

需要注意的是，冒用识别必须给商户留申诉通道。静态码被翻拍时，商户本身是受害者，直接关停收款功能会误伤真实经营。更合理的做法是分层处置：轻度可疑保留收款、延迟结算；中度可疑限额并推送商户自查通知；确认冒用后暂停该码、为商户换发新码，并把设备与付款群特征沉淀成后续布控规则。

### 五、悦数图数据库的核心能力支撑

针对收单侧高频写入、实时判断、多源融合的场景特点，[悦数图数据库](https://www.yueshu.com.cn/)提供了几项关键支撑：万亿边规模足以容纳全量商户、码、终端与历史入账的关联关系；存算分离架构让批量入图与在线拦截查询互不干扰；CDC 实时同步把新发生的入账在秒级内推入图谱，支撑入账当时的决策；内置图算法库直接提供社区发现、PageRank、联通子图、子图匹配、时序异常检测等算子，无需自研；动态 Schema 支持新增数据源（如设备指纹、地理位置服务商）不停机扩展模型；配合 Text2nGQL，风控运营人员可以用自然语言查询某张码的关系网络，不必先掌握图查询语言。

收款码被冒用的本质，是一张物理上唯一的码在数字世界里被复制成了无限份，而风控仍然按"一份"来校验。图数据库解决的不是把码变得更难复制，而是让每一笔入账都带着它所属的那张关系网一起被审视——**付款的人该不该出现在这里，扫它的人是不是同一批，这张码是不是还连着别的码**。当这些问题能在入账当时的两百毫秒内被回答，异常入账就不再只能等 T+1 对账时发现。

悦数图数据库可整合商户档案、收款码、受理终端、付款账户、设备指纹与地理位置等多源数据，构建收单侧实时关联图谱，通过时间空间双重约束的多跳遍历与社区发现、异常检测等图算法，在入账发生的瞬间识别码被复制、终端被调包、商户被冒名入网的异常结构，把拦截动作从 T+1 对账提前到交易当时，帮助银行与支付机构降低套现、洗钱与商户侧连带风险。

企业收款码被冒用：异常入账如何靠图数据库实时图谱拦截？

![电诈资金链图数据库](https://www-cdn.yueshu.cn/yueshu-website/images/share/2026-09-18.png)

受害人按下确认键的那一刻，倒计时就开始了。第 0 分钟，18 万元从受害人账户转出，进入一张开户地在千里之外的个人卡——这张卡叫一级卡。第 47 秒，这笔钱被拆成 6 笔，分别转入 6 张二级卡。第 3 分钟，6 张二级卡各自再拆，资金散进 30 多张三级卡。第 12 分钟，其中一部分已经变成了某电商平台的充值订单和游戏点卡。第 30 分钟，剩余资金在三个不同城市的 ATM 被取现，或被换成虚拟币提走。整个过程不超过半小时，涉及的账户从 1 个变成上百个。反诈工作真正难的地方就在这里：不是事后查不清，而是**当时的三十分钟里，没人知道钱去了哪儿**。资金链追踪本质上是一场和时间赛跑的图遍历。

# 一、一级卡到N级卡：资金链的层级分工

电诈资金链之所以要分层，不是为了复杂，而是为了把风险逐级稀释，让每一层都看起来普通。

**一级卡（接款卡）**：直接接收受害人转账的账户，是整个链条唯一的入口。它的持有者通常是被买卖的"卡农"，开户时间新、交易历史少、所在地与受害人毫无关联。一级卡的核心特征是**只进不出或快进快出**，它不需要承担任何后续动作，收完钱立即拆分转出。

**二级卡（过渡卡）**：接收一级卡拆分后的资金，继续向下分散。这一层的作用是切断直接关联——从受害人账户到最终取现之间隔了多层之后，任何单家机构看到的都只是自己这一小段。

**三级卡及N级卡**：资金继续拆分、混同、跨机构流转。到第三级以后，资金往往已经与正常交易混在一起，单看账户流水几乎无法区分。

**末端（取现与消费化）**：资金最终通过 ATM 取现、POS 消费、购买购物卡与游戏点卡、充值虚拟货币等方式完成变现。一旦走到这一步，追回难度陡增。

各层级在功能与可见度上差别很大：

| 层级           | 主要功能                 | 资金停留时间     | 单笔金额特征       | 风控可见度                 |
| -------------- | ------------------------ | ---------------- | ------------------ | -------------------------- |
| 一级卡         | 接收受害人转账，立即拆分 | 数十秒至数分钟   | 与被骗金额等额入账 | 中，入账特征明显但窗口极短 |
| 二级卡         | 切断直接关联，继续分散   | 数分钟           | 拆分后小额多笔     | 低，需关联一级卡才能识别   |
| 三级至N级卡    | 混同、跨机构流转         | 数分钟至数十分钟 | 与正常交易难以区分 | 极低，单账户看不出异常     |
| 末端取现与消费 | 变现，切断资金流         | 变现即完成       | 消费化、小额化     | 极低，且多为不可逆         |

# 二、资金链为什么追不动

同样是查资金流向，电诈资金链比普通洗钱难追得多，原因有四条。

**扇出放大。** 每一级都在做拆分，一级 1 张、二级 6 张、三级 30 张、四级上百张，层级稍深一点就是指数级膨胀。人工排查时，追到第三级基本就失去了继续追的能力。

**时间极短。** 从入账到变现往往只有几十分钟。等受害人报案、民警录入、银行协查，黄金时间早已过去。这不是流程慢，而是传统协查的节奏天然跟不上资金链的速度。

**跨机构分散。** 资金链会刻意横跨多家银行与第三方支付，单家机构只能看到自己的那一段，看不到上下游。协查函往返本身就要消耗数小时甚至数天。

**消费化与不可逆。** 一旦资金变成点卡、虚拟币或取现，后续追踪的价值大幅下降。这也是为什么拦截必须前置——不是追得不够努力，而是追到后面已经没有可冻结的余额。

传统追踪方式与图谱穿透在这四点上差异明显：

| 对比维度     | 传统协查与规则追踪       | 图谱实时穿透                  |
| ------------ | ------------------------ | ----------------------------- |
| 驱动方式     | 人工发起、按机构逐段查询 | 入账即触发，沿边自动展开      |
| 响应速度     | 数小时至数天             | 秒级到分钟级                  |
| 跨机构能力   | 依赖协查函，断点严重     | 多源数据入图，一次遍历贯通    |
| 对扇出的处理 | 逐账户排查，三级以后失控 | 批量展开，按时间窗自动收敛    |
| 输出形态     | 一串待核账户             | 完整分流路径 + 可冻结层级建议 |

# 三、图数据库怎么做：建模与时间窗约束的遍历

**建模要点。** [电诈资金链图数据库](https://www.yueshu.com.cn/solutions/finance-risk)通常包含七类节点：受害人账户、各级涉案账户、商户与收款码、设备指纹与登录环境、取现网点与 ATM、虚拟币地址、自然人。关系边必须携带**时间戳、金额、渠道**三个属性，其中时间戳是核心——没有时间约束的遍历会返回大量"理论上连通、实际上无关"的路径。

**时间窗约束的多跳遍历。** 这是电诈追踪与一般关联查询最大的技术差别。普通多跳只问"这两个账户之间有没有路径"，电诈追踪要问的是"在受害人转账后的这个时间窗内，资金沿着哪些边、以什么顺序流过"。落到实现上，就是给每条边加上时间区间约束，并且要求**整条路径上的时间单调递增**。这能剔除掉绝大多数无效路径——同一张卡在案发前三个月与某账户的往来，与这次资金链无关。

**时间单调性带来的性能收益。** 加上时间约束之后，遍历不再是无方向的全图扩散，而是被时间轴"削"成一棵有向的树，剪枝效果非常明显。这也是为什么在万亿边规模下，电诈穿透仍能把响应压在秒级——图的规模不是瓶颈，遍历的约束条件才是。

# 四、图算法与拦截策略

**分流树与最窄路径。** 资金链展开后是一棵树，最有价值的判断往往不是"钱最终到哪"，而是"这条链上哪一段最值得拦"。用最大流/最窄路径的思路看，如果某一级的通道容量最窄，那么在那里拦截的性价比最高。实践中更常用的判据是**可冻结余额**：沿路径展开后按账户实时余额排序，优先冻结余额最大且尚未流出的层级。

**社区发现与卡池识别。** 电诈团伙通常同时运营多个卡池。用社区发现把涉案账户群拆分，同一社区内的账户往往属于同一团伙或同一批被买卖的四件套。识别卡池的价值在于预测——当一张新卡与已知卡池产生连接时，可以在它接收下一笔资金之前就打上标记。

**时间衰减与子图裁剪。** 涉案账户会逐渐老化停用，如果不做衰减，图谱会被历史噪音淹没。常见做法是给边加时间衰减权重，近 30 天的连接权重高，半年以前的逐步降低，保证算法始终关注活跃网络。

算法与拦截策略的对应关系可以整理成一张清单：

| 分析目标         | 图算法                     | 实际用途                             |
| ---------------- | -------------------------- | ------------------------------------ |
| 还原分流路径     | 时间窗约束多跳遍历         | 输出从一级卡到末端的完整链条         |
| 定位最优拦截点   | 最大流、最窄路径、余额排序 | 决定先冻哪一层，优先冻结余额最大层级 |
| 识别卡池与团伙   | 社区发现（Louvain）        | 把涉案账户归入同一团伙，提前标记新卡 |
| 找出关键中转账户 | PageRank、中介中心性       | 识别长期活跃的中转户，一冻断一片     |
| 控制图谱噪音     | 时间衰减、子图裁剪         | 让算法聚焦活跃网络，避免历史数据干扰 |
| 量化涉案规模     | 联通子图                   | 统计涉案账户数、累计流水与地域分布   |

**一场推演。** 某地反诈中心接到报案，受害人 20 分钟前转出 26 万元。系统以一级卡为起点，按 30 分钟时间窗做六跳穿透，2.7 秒后返回：一级卡已把资金拆给 7 张二级卡，二级卡再拆给 41 张三级卡，其中 12 张卡仍有余额，合计 9.4 万元；另有 6 笔资金已进入消费化环节。处置建议按余额排序，优先冻结 3 张余额合计 7.1 万元的三级卡。从接警到冻结指令下发不到 5 分钟。对照传统流程，同样的链条要追到第三级通常已经过去半天。

**一个必须说清楚的策略判断。** 末端卡好冻但没钱，一级卡有钱但难提前识别——真正可执行的最优解是**提前标记卡池**：不追求在受害人转账那一刻才反应，而是通过社区发现把可疑卡池提前圈出来，一旦池内账户发生入账立即触发核查。这把被动追踪变成了半主动布控，是图数据库在电诈场景里最有价值的用法。

# 五、悦数图数据库的核心能力支撑

针对电诈资金链这类时效要求极高、层级深、扇出大的场景，[悦数图数据库](https://www.yueshu.com.cn/database)提供了几项关键支撑：万亿边规模可容纳全量账户与历史流水；存算分离架构保证批量入图与在线穿透互不干扰；CDC 实时同步让新发生的转账秒级进入图谱，压缩发现延迟；原生图遍历引擎支持带时间窗与路径约束的多跳查询，六跳穿透仍能保持秒级响应；内置图算法库提供社区发现、PageRank、中介中心性、最短路径等算子，无需自研；动态 Schema 支持新增数据源（如虚拟币地址、商户收款码）不停机扩展。

电诈资金链真正可怕的不是层级多，而是快。当一笔钱在半小时内走完六层、散进上百个账户的时候，能不能拦住，取决于有没有一台能在那半小时里把整棵树展开的机器。图数据库在这件事上的位置很明确：它不是事后取证的工具，而是那三十分钟里唯一来得及反应的东西。

悦数图数据库可整合账户流水、商户收款、设备指纹与虚拟币地址等多源数据，构建电诈资金链关联图谱，通过时间窗约束的多跳遍历与社区发现、最大流等图算法，在黄金处置时间内还原从一级卡到N级卡的分流路径，帮助银行与反诈中心把冻结动作从末端提前到关键层级，显著提升资金拦截与追回效率。

电信诈骗资金链：从一级卡到N级卡的分流追踪，图数据库如何做到？

![地下钱庄图数据库](https://www-cdn.yueshu.cn/yueshu-website/images/share/2026-09-17.png)

同一分钟的两次动作：深圳某个体工商户账户收到人民币 86 万元，香港某账户向境外收款人付出等额外币。这两个账户分属两个完全独立的客户、两个不同的管辖区，在系统里没有任何一笔跨境汇款记录把它们连起来，各自的单笔交易也都符合规定。但一笔跨境资金交割已经完成了——钱从境内收进来，在境外付出去，中间没有一分钱真正跨越边境。这就是地下钱庄最核心的手法：对敲。它之所以长期难以被发现，不是因为隐蔽技巧多高明，而是因为监测的观察单元一直停留在"单笔交易"上，而地下钱庄的存在形态是"一组交易之间的对应关系"。看清对应关系，需要的是[图数据库](https://www.yueshu.com.cn/database)。

# 一、地下钱庄的三种典型运作模式

实际案件中，地下钱庄很少只用一种手法，但可以按主要形态分为三类。

**模式一：跨境对敲（最主流）。** 境内客户需要把人民币换成外币汇出，钱庄让客户把人民币打入境内指定账户，确认收款后，由钱庄在境外的关联账户向客户指定的境外收款人付出外币。资金两头收付、中间不跨境，靠的是钱庄在两地各自维持的资金池。对银行而言，境内这一侧看到的只是一次普通的人民币入账，境外那一侧根本不在视野内。

**模式二：分拆结售汇（俗称蚂蚁搬家）。** 利用个人年度便利化购汇额度，由钱庄组织大量人头，每人分多次、每次不超过额度上限购汇后汇往同一或关联境外账户。单看每个自然人，购汇金额、用途申报、频次都合规，问题只存在于"这群人是一伙的"这个事实里。

**模式三：虚假贸易背景下的资金跨境。** 通过虚构进出口合同、高报低报货值、构造转口贸易等方式，让资金以经常项目名义合法出入境。这类案件的单据往往成套、形式完备，银行单证审核很难挑出毛病，破绽通常出现在交易对手关系的重复性与货物流的缺失上。

三种模式的识别难点并不相同：

| 模式       | 资金形态                 | 单笔合规性   | 识别难点             | 可见的异常信号                             |
| ---------- | ------------------------ | ------------ | -------------------- | ------------------------------------------ |
| 跨境对敲   | 境内收人民币、境外付外币 | 单笔完全合规 | 境内境外两侧不可关联 | 账户收款后无对应贸易背景、对手方群体固定   |
| 分拆结售汇 | 多人小额购汇汇往同一境外 | 单笔完全合规 | 人头分散、额度内操作 | 收款方集中、操作时间聚集、设备或地址重合   |
| 虚假贸易   | 经常项目名义跨境         | 单据形式合规 | 单证审核难以证伪     | 交易对手重复、货物流缺失、金额与产能不匹配 |

# 二、钱庄网络的四个层级与三套隐身术

撇开具体手法，地下钱庄的组织结构相当稳定，通常分为四层。

**客户层**：有真实跨境资金需求的企业或个人，可能是出于规避额度、逃避税务，也可能是上游犯罪所得需要清洗。

**掮客与中介层**：对接客户需求、报价、安排账户的人。这一层往往同时服务多家钱庄，是网络里最活跃的连接点。

**账户层（人头户与钱骡）**：提供银行卡、身份证件、营业执照的群体。一个中型钱庄常年控制的账户数量常在数百个量级，且不断轮换。

**核心清算层**：钱庄的实际控制人、境内外资金池的管理者、与境外对手方对接的结算人。这一层人数最少，但控制着全部资金流的调度。

网络隐身主要靠三套办法。**账户轮换**，一个账户使用周期通常只有几周到几个月，被关注后立即弃用；**化整为零**，把大额资金拆成大量小额交易，让每一笔都落在常规监测阈值之下；**混同于正常贸易**，把非法资金与合法经营流水混在同一个账户里，使账户整体看起来就是一家正常经营的小企业。

这三套办法有一个共同指向：让单笔交易无法被证伪。既然单笔都合规，唯一能突破的角度就只剩下结构——把交易之间的对应关系还原出来。

传统监测与图谱识别在这件事上的差异可以这样对照：

| 对比维度   | 传统规则与名单式监测       | 图谱关联识别                         |
| ---------- | -------------------------- | ------------------------------------ |
| 观察单元   | 单笔交易、单个账户         | 交易之间的关系与账户群体             |
| 主要依据   | 金额阈值、频次、黑名单命中 | 结构相似性、时间耦合、社区归属       |
| 跨境关联   | 依赖报文与协查，滞后且被动 | 多源数据入图，一次遍历贯通两侧线索   |
| 对化整为零 | 失效，拆到阈值以下即隐身   | 有效，拆分不改变群体结构             |
| 对新账户   | 无历史即无结论             | 凭连接关系即可判定归属               |
| 输出形态   | 一条待核预警               | 一组账户、一张关系图、一条可复核路径 |

# 三、建模的关键：把交易本身也作为节点

地下钱庄图谱通常设置六类实体节点——自然人、企业、银行账户、设备指纹、IP 与登录环境、境外收款方；同时把"交易"单独建模成带时间、金额、币种、渠道属性的边或节点。之所以要这么做，是因为对敲识别的本质是**交易与交易之间的匹配**，而不是账户与账户之间的连接。若只建账户与账户的转账关系，对敲这种"两侧不相往来"的结构在图上根本不会相连，图再大也看不出来。

**识别模式一：镜像对手方匹配。** 这是打对敲的核心。逻辑是在滑动时间窗内（通常是数分钟到数小时），寻找一组境内账户的收款与境外账户的付款在金额区间、频率、方向上呈现稳定对应关系。落到图上，就是把境内收款账户与境外付款账户按"时间邻近 + 金额带一致 + 客户群体重合"三重条件做匹配，匹配度高的账户对进入人工核查队列。这个查询在关系数据库里要跨多张表做自连接再加窗口函数，实际几乎跑不动；在图上是一次带属性过滤的多跳遍历。

# 四、人头网、过渡账户与算法清单

对敲抓的是"对应关系"，另外两类问题则要回到账户群体本身。下面两种识别模式分别对应分拆结售汇与清算层账户。

**识别模式二：人头网的聚合。** 对付分拆结售汇，重点不是每个人购了多少，而是这些人为什么是一伙的。图上通常有几条强证据：同一设备指纹或同一 IP 段下的多个购汇主体、同一注册地址或同一联系电话的多个主体、资金最终汇向同一个或高度关联的境外收款方、操作时间高度聚集（比如集中在某个下午的十几分钟内）。把这四类证据叠加，人头网会自动浮出来。

**识别模式三：过渡账户与枢纽识别。** 钱庄控制的账户在资金流上有一个典型特征——**只做中转不做沉淀**，资金进来后极短时间内转出，账户余额长期接近于零，但累计流水巨大。这类账户在图上的位置也特殊：它们往往同时连接多个互不相邻的集群，是网络里的"桥"。用中介中心性（Betweenness）或 PageRank 排序，这批账户会自然排到前列；用社区发现把网络拆开后，跨社区连接的节点基本就是清算层的手。

三类识别模式与适配算法可以整理成一张建模清单：

| 识别目标         | 图谱上的判据                             | 适配算法               |
| ---------------- | ---------------------------------------- | ---------------------- |
| 对敲账户组       | 时间窗内金额带一致、方向相反、客户群重合 | 子图匹配、时间序列聚合 |
| 分拆结售汇人头网 | 设备/IP/地址重合，资金汇向同一境外收款方 | 联通子图、标签传播     |
| 过渡与清算账户   | 快进快出、余额近零、跨社区连接           | PageRank、中介中心性   |
| 网络整体规模     | 涉案账户数、累计流水、地域分布           | 社区发现（Louvain）    |
| 资金回流与闭环   | 资金绕行后回到起点                       | 环检测、最短路径       |

**一个实战推演。** 某分行在核查中发现一个账户月流水 2400 万元，但账户日均余额不足 3000 元，交易对手超过 400 个且互不关联。以该账户为起点做三跳遍历后返回：它连接着 6 个互不重叠的账户集群，每个集群内部成员高度分散、跨省分布；集群成员中有 31 人在此前一个季度内办理过购汇，其中 22 人的购汇资金汇往同一个境外收款方；有 9 个账户共用 3 个设备指纹。这三条组合起来指向的是典型的分拆结售汇网络，而非正常的贸易结算。后续协查证实了这一点。

需要强调的是，图谱输出的始终是**线索**而不是结论。地下钱庄类案件的最终认定要走完整的合规与司法程序，图谱负责的是把散落在数千笔交易中的结构性异常提前挑出来，让有限的核查人力用在最该看的地方。

# 五、悦数图数据库的核心能力支撑

针对地下钱庄这类跨币种、跨机构、时效性强的资金网络分析场景，悦数图数据库提供了几项关键支撑：万亿边规模可容纳全量账户、交易与历史流水；存算分离架构使批量入图与在线风控查询互不干扰；CDC 实时同步让新发生的交易在秒级内进入图谱，缩短发现延迟；内置图算法库提供社区发现、PageRank、中介中心性、环检测、最短路径等算子，无需自研分布式算法；动态 Schema 支持新增数据源（如报关单、物流单据）不停机扩展模型；配合 Text2nGQL，合规调查人员可用自然语言查询资金链路，不必先掌握图查询语言。

钱庄之所以隐蔽，是因为它把一笔完整的跨境交易拆成了两笔互不往来的本地交易，让监测永远只看到一半。图数据库做的是把这两半重新对上：当境内那笔收款和境外那笔付款在时间、金额、人群三个维度上严丝合缝地咬合在一起时，钱有没有跨境已经不重要了——对应关系本身就是答案。

悦数图数据库可整合账户流水、结售汇记录、设备指纹、IP 与工商股权等多源数据，构建地下钱庄关联图谱，通过多跳遍历、镜像对手方匹配与社区发现等算法识别对敲账户组、分拆结售汇人头网与过渡账户，帮助银行在合规要求下发现表面上单笔合规、结构上明显异常的资金网络。

地下钱庄图谱：跨境对敲与分拆结售汇，图数据库如何识别隐秘网络？

![跑分平台图数据库](https://www-cdn.yueshu.cn/yueshu-website/images/share/2026-09-16.png)

一条交易流水记录：23 点 47 分，5200 元，转入某储蓄卡，四分钟后全额转出到另一个账户。金额不大，时间不算异常，收款方是个人。如果只看这一条，它和无数笔日常转账没有区别，甚至连反洗钱系统的预警阈值都没有触碰到。但如果把这条流水放回它所在的网络——同一个收款账户在两周内接收过 380 笔类似金额的转账，付款人来自 61 个不同的城市，转出后又迅速汇入 7 个上游账户——这笔 5200 元就不再是一笔转账，而是跑分平台资金网络里的一个像素点。跑分黑产最擅长的就是把一整条资金链路拆成无数个看起来毫无意义的像素点，而[图数据库](https://www.yueshu.com.cn/database)要做的，就是把这些像素点重新拼回一张图。

# 一、一笔转账背后的四层链条

要理解跑分，先要理解它的分工。一条完整的跑分资金链路通常包含四层角色，每一层只跟相邻的上下层接触，跨层之间几乎不留直接证据。

**第一层：散客（付款方）。** 参与网络赌博、色情直播、虚假投资等活动的普通用户，按平台提示把资金转入指定的个人银行账户。他们往往不知道自己转进的账户属于谁，只关心充值到账。这一层数量最大、金额最碎，是整个网络最外层的"防线"。

**第二层：卡农（跑分客）。** 被"兼职刷流水，日结 200 元"这类招募信息吸引进来的普通人，出借或出租自己的银行卡、收款码、微信支付宝账号。他们按要求把收到的钱迅速转给上家，抽取万分之几到千分之几的佣金。这一层是网络的肉身载体，也是唯一能被银行直接看见的部分。

**第三层：码商与代理（卡头）。** 组织卡农、收购银行卡四件套、提供收款码池、按上家指令分配任务的人。一个码商往往同时管理几十到几百个卡农，掌握多张卡、多个收款账号，还会为不同上家提供"通道"。

**第四层：平台方与资金需求方。** 跑分平台的运营者，以及需要清洗资金的上游（赌博、诈骗、非法集资平台）。平台提供技术撮合与结算，按流水抽成。

四层结构里，风险与可见度恰好成反比：

| 层级           | 承担动作                       | 收益水平               | 风控可见度                     |
| -------------- | ------------------------------ | ---------------------- | ------------------------------ |
| 散客（付款方） | 按提示转账充值                 | 无（参与违法活动本身） | 中，但金额分散难聚合           |
| 卡农（跑分客） | 出借银行卡与收款码，收款后转出 | 万分之几至千分之几佣金 | 高，账户有直接异常流水         |
| 码商与代理     | 组织卡农、提供通道、结算佣金   | 千分之几至百分之几抽成 | 极低，不在任何业务字段中出现   |
| 平台方与需求方 | 技术撮合、资金结算、抽取分成   | 全链路最高             | 最低，服务器与账号均可随时更换 |

问题就出在这张表上：能被系统看见的是卡农，而真正组织犯罪的是上面两层。只打掉卡农，网络几天内就能补充新人，通道恢复正常。

# 二、跑分网络的四个结构性特征

跑分网络之所以难打，不是因为隐蔽技巧多高明，而是它的结构本身就对传统监测方式免疫。

**账户多而单笔小。** 一个中等规模跑分团伙常掌握数百到上千张银行卡。为规避大额交易监测，每张卡的日流水被刻意控制在数万元以内，单笔金额多在几千元区间，恰好落在银行的常规监测阈值之下。

**账户生命周期短。** 一张卡从激活到被冻结往往只有两到四周，之后迅速弃用并启用新卡。这导致基于历史数据积累的模型刚学到特征，样本就已经失效。

**跨机构分散。** 跑分网络天然横跨多家银行与第三方支付渠道。单家银行看到的是自己的账户有零星异常，看不到完整的资金链路，跨机构之间缺乏实时共享机制。

**成员流动频繁。** 卡农被招募、被发现、被替换的周期很快，但码商与平台这一层相对稳定。如果监测的目标是"账户"，看到的永远是流动的底层；如果目标是"网络结构"，才有可能触及稳定的上层。

**再看一组拆单算术。** 一个中等规模团伙若掌握 500 张卡，每张卡日均流水控制在 3 万元以内（单笔几千元），则单卡全天流水都不触发大额预警，但整个团伙单日过账规模可达 1500 万元，一个月就是数亿元。这意味着阈值监管面临的不是"漏报个别账户"，而是"整条通道在阈值以下运行"。凡是以单账户绝对金额为判断依据的规则，遇到这种结构性拆单都会失效——不是规则设得太松，而是观察单元选错了。

传统监测与图谱识别的差异可以这样对照：

| 对比维度       | 传统规则与模型监测         | 图谱关联识别                   |
| -------------- | -------------------------- | ------------------------------ |
| 观察单元       | 单笔交易、单个账户         | 账户群与关系网络               |
| 主要依据       | 金额、频次、时间、地域阈值 | 关系结构、路径、社区归属       |
| 跨行能力       | 依赖外部数据接入，时效差   | 多源数据统一入图，一次遍历穿透 |
| 对拆单的抵抗力 | 弱，拆到阈值以下即失效     | 强，拆单不改变网络结构         |
| 对新账户的识别 | 无历史即无结论             | 凭关系连接即可判定归属         |
| 输出结果       | 一条预警                   | 一张可解释的关系图与团伙名单   |

# 三、图数据库如何把像素点拼回一张图

**建模：先定义节点与边。** 跑分网络的图谱通常包含七类节点：自然人（卡农、码商、散客）、银行卡、支付账号（微信、支付宝、收款码）、商户、设备指纹、IP 与登录环境、平台账号。关系边则覆盖转账关系、登录关系、设备共用关系、上下线代理关系、同商户绑定关系。建模时有一个关键设计：**关系边必须带时间与金额属性**，因为跑分网络的判定高度依赖时间窗口内的行为聚合，而不是静态的拓扑连接。

**多跳遍历：顺着资金链条走。** 反洗钱领域最典型的查询是"资金链路穿透"：从一笔可疑转账的收款账户出发，向上追溯三到五跳，看看资金最终汇聚到哪些账户。在关系数据库里，这需要多次自连接 JOIN，跳数一多性能立刻崩盘；在图数据库里，这是一次沿边遍历。

# 四、图算法怎么识别团伙与核心账户

多跳遍历解决的是"这笔钱去哪了"，图算法解决的是"这个网络有多大、谁在中间、钱从哪来"。五个算法在跑分识别中最常被组合使用：

| 图算法              | 在跑分识别中的作用                   | 典型输出                       |
| ------------------- | ------------------------------------ | ------------------------------ |
| 社区发现（Louvain） | 把转账高度内聚的账户自动划为同一团伙 | 跑分团伙划分，含卡农与码商     |
| PageRank            | 识别资金汇聚与分发的枢纽账户         | 码商主卡、平台结算卡           |
| 联通子图            | 量化单个网络的规模与影响面           | 涉案账户数、涉案金额、地域分布 |
| 环检测              | 发现资金自我循环的虚假流水           | 刷量走账、自融型跑分           |
| 最短路径            | 量化两个账户之间的关联紧密度         | 卡农与平台之间的层级距离       |

**团伙画像与核心账户判定。** 当社区发现把 400 多个账户聚成一个团伙时，图谱要回答的不只是"他们是一伙的"，还要回答"谁是核心"。通常的判断依据包括：账户被指控程度（作为收款方被引用的次数）、时间跨度（活跃周期长短）、关联账户数量、是否同时连接多个不同集群。一个同时连接三个跑分团伙、活跃超过半年的账户，其性质几乎可以确定为码商而非被利用的卡农。

**一个常被忽略的判定细节：时间窗聚合。** 跑分资金的特点是"快进快出"，同一账户在收到款项后的极短时间内转出，形成"过账不留存"的模式。若在图上按滑动时间窗聚合，会发现卡农账户的资金留存时间中位数往往在十分钟以内，而正常经营账户的留存时间通常以天计。这个指标单独看不够，但结合关系网络一起看，区分度相当高。

**团伙名单的落地形态。** 算法跑完的产出不是一堆账户号，而应当是一份可以直接使用的调查材料：团伙编号、包含账户数、核心账户及其角色判断（码商/卡农）、涉案金额区间、资金主要来源地与流向地、活跃时间区间、以及一条可复核的关联路径（通常是"某散客账户 → 某卡农账户 → 某码商主卡 → 平台结算账户"四跳）。有路径才有解释，有解释才能过合规审查，也才能作为后续司法证据的线索。

# 五、悦数图数据库的核心能力支撑

针对跑分这类高频、多源、实时性要求高的资金网络分析场景，悦数图数据库提供了几个关键支撑：万亿边规模可容纳全行账户与全量历史流水；存算分离架构使海量流水批量入图时不影响在线风控查询；CDC 实时同步让新发生的转账在秒级内进入图谱，避免"事前拦不住、事后追不回"；内置图算法库直接提供社区发现、PageRank、联通子图、最短路径等算子，无需自研；动态 Schema 支持新增数据源（如设备指纹、收款码）不停机扩展模型；配合 Text2nGQL，业务侧的调查人员可以用自然语言查询资金链路，不必先学图查询语言。


跑分黑产的核心竞争力不在于技术，而在于它把一个完整的犯罪过程拆得足够碎，让每一个参与者看起来都只是"帮朋友收了笔钱"。图数据库的价值恰恰在于重新聚合——把碎片的转账、分散的账户、临时的人头重新连成网络之后，那些刻意保持的距离感就消失了。识别跑分网络，本质上是一场"谁看得见结构"的较量。

悦数图数据库可整合银行卡流水、设备指纹、商户信息、账号登录与代理关系等多源数据，构建跑分黑产资金网络图谱，通过多跳遍历与社区发现、PageRank、环检测等图算法，把分散在数千个账户中的零星转账还原成完整的资金网络，帮助银行与支付机构在账户层面精准识别卡农与码商，从源头切断资金通道。

跑分平台拆解：兼职刷流水背后的黑产资金网络，图数据库怎么查？

![小微首贷户风控图数据库](https://www-cdn.yueshu.cn/yueshu-website/images/share/2026-09-15.png)

信贷系统里调出来的那份报告只有两行字：姓名、身份证号，下面写着"无信贷记录"。评分模型跑完返回一个空值，规则引擎没有任何一条命中，风控意见栏里能填的只有"建议人工尽调"。这是小微首贷户评审会上最常见的一幕——不是客户有问题，是系统里关于他的一切都是空白。偏偏首贷户占比又是普惠金融的硬考核指标，不做要被扣分，做了又没有抓手。首贷户风控的难点从来不是"敢不敢贷"，而是拿什么来评估一个从未被评估过的人。[悦数图数据库](https://www.yueshu.com.cn/database)讨论的就是这件事：在没有信贷记录的前提下，关联图谱能提供哪些真正可用的参考。

# 一、首贷户"评无可评"的四个真实原因

首贷户（首次从银行体系获得贷款的小微企业主）之所以难评，不是因为尽调做得不够细，而是传统风控依赖的四类信息在他身上同时缺位。

**征信空白是表象，不是核心。** 没有信用卡、没有房贷、没有既往贷款，征信报告自然空白。但征信空白本身不构成风险——一个经营了八年、年开票三千万的五金厂老板从未贷过款，只能说明他过去靠自有资金滚动，这在制造业里相当普遍。真正的麻烦在于，征信这条最省力的路径断掉之后，后面的评估全部要换一套材料。

**财务报表不可用。** 小微企业普遍两套账，报给银行的报表与真实经营之间往往隔着一层。没有信贷记录意味着连历史还款行为可以参考，报表又不可信，剩下的只有流水和个人账户——而个人账户恰恰是另一个问题。

**经营资金与个人资金混同。** 大量小微企业的收款走的是老板个人卡、微信、支付宝，货款、家庭开支、员工工资混在一条流水里。银行看到的不是企业经营，而是一个人的收支记录，靠流水倒推经营规模，误差大且容易被临时刷单做出来。

**缺少同行业可比样本。** 评分模型依赖同群体违约率做标定。首贷户在数据上属于"从未被观察过的群体"，模型既没有他的历史，也没有足够多的同类样本，输出结果的置信度天然偏低。

把这四类缺位摆在一起看，问题就清晰了：

| 信息维度       | 首贷户可得性 | 传统方式能否补齐   | 图谱可替代的来源                                 |
| -------------- | ------------ | ------------------ | ------------------------------------------------ |
| 征信与历史还款 | 空白         | 不能，需要时间积累 | 关联人（配偶、股东、实际控制人）的信贷与涉诉记录 |
| 财务真实性     | 报表不可信   | 部分，依赖现场尽调 | 税务开票、社保人数、水电用量、物流单据交叉验证   |
| 经营规模       | 流水混同难拆 | 难，人工拆分成本高 | 上下游交易对手数量与账期、采购频次、开票集中度   |
| 关联负担       | 完全未知     | 基本不能           | 名下其他企业、对外担保、股权出质、被执行信息     |
| 行业与区域风险 | 样本稀疏     | 依赖宏观判断       | 同商圈、同产业链企业的整体违约与经营趋势         |

# 二、传统风控模型在首贷户上的三重失效

多数银行面对首贷户时会退回到"人工尽调 + 经验判断"，这条路本身也跑不通，原因是三重失效叠加。

**评分卡无分可用。** 申请评分卡的输入变量里，征信类变量权重通常最高。当这一组变量全部缺失，模型要么直接拒绝（把所有首贷户一律挡在门外，与普惠考核冲突），要么按默认值兜底（等于把首贷户当作平均客户，风险敞口被系统性低估）。两种处理都不能接受。

**规则引擎无规则可命中。** 反欺诈规则多为"命中黑名单""短期多头申请""征信查询频繁"这类。首贷户不申请、不查询、不上黑名单，规则全部落空。结果是首贷户在反欺诈环节几乎零阻力通过——而零阻力恰恰是最容易被中介利用的通道。

**专家经验不可复制。** 老信贷员看厂、看库存、看工人状态确实有效，但一个人一天看不了几家，经验也无法沉淀为可复用的判断标准。当首贷户任务按户数下达到支行，人工尽调的产能天花板立刻暴露。

这三重失效指向同一个结论：首贷户需要的不是"更严格的审核"，而是**换一套信息源**——从"这个人过去的信用表现"换成"这个人在整个商业网络里的位置与关系"。

# 三、图数据库：从评这个人，到看他站在哪儿

关联图谱的核心思路很直白：一个人没有信贷记录，但他在商业社会里不可能没有关系。他有供应商、有客户、有员工、有同行、有家庭、有经营场所，这些关系散落在税务、社保、电力、物流、工商、司法等多个系统里。把这些关系连成一张图，首贷户就从"一个空白的人"变成"一个位置明确的节点"。

**替代数据入图。** 建模时通常包含六类节点：企业主个人、名下企业、上下游交易对手、经营场所（地址/园区）、设备与车辆、关联自然人（股东、配偶、亲属、财务负责人）。关系边则来自多源数据：工商登记的股权与任职关系、税务开票产生的供需关系、社保缴纳产生的雇佣关系、租赁合同产生的场所占用关系、司法与执行产生的担保与涉诉关系。一个人的信贷记录可以是零，但这六类节点之间的关系不可能为零。

**三类真正有用的参考结论。** 图谱能给出的不是"批或拒"的结论，而是三类在此之前完全看不到的参考。

第一类是**经营真实性**。税务开票、社保人数、水电用量、物流单据这四条线如果互相印证——开票增长、社保同步增加、用电量同向上升、物流频次匹配，经营是真实的；如果开票额高但社保只有两三人、用电量长期平稳，则高度疑似空壳或开票型走账。传统尽调靠信贷员一条条比对，图谱里这是一个多源交叉验证的自动判断。

第二类是**关联负担**。首贷户本人没有贷款，不代表他没有负担。通过股权与任职关系向外扩展两到三跳，可能发现他名下还有三家企业、其中一家已被执行、他为两家关联公司提供过担保、配偶名下有经营贷。这些负担在首贷申请里一个字都不会出现，但在图谱上它们是直接相连的边。

第三类是**网络位置与传导风险**。用 PageRank 看他在本地产业链里是否处于关键节点，用社区发现看他所在的商圈或产业集群整体经营状况如何，用最短路径量化某个核心客户出问题后对他的传导距离。位置本身不是风险，但位置决定了外部冲击传导到他身上的速度。

**多跳查询给出可解释的证据链。** 比如下面这类查询在关系数据库里需要五六张表级联 JOIN，在图数据库里是一次遍历：以申请人为起点，沿"任职-持股-担保-交易"关系扩展三跳，返回所有关联主体，过滤掉其中存在被执行、失信、经营异常的实体，并按关联强度排序。用 nGQL 表达大致如下，一次语句完成扩展、过滤与排序：

```
MATCH (p:Person)-[:HOLDS|OFFICE_AT|GUARANTEE|TRADES_WITH*1..3]-(n)
WHERE id(p) == "申请人ID" AND n.riskTag IS NOT NULL
RETURN n.name, n.riskTag, count(*) AS relStrength
ORDER BY relStrength DESC LIMIT 50
```

**一次真实的推演。** 某个申请 80 万经营贷的五金加工厂老板，征信空白、报表不具参考性。图谱从他出发扩展三跳后返回：他名下还有两家关联企业，其中一家半年前被列为被执行人；他为这两家企业分别提供过担保；他的主要客户集中在同一家贸易公司，开票占比 71%；他的经营地址上还注册了另外四家企业，其中两家已注销。这四条里，前两条指向隐性关联负担，第三条指向客户集中度过高，第四条指向地址异常聚集——没有一条出现在申请材料里。信贷员据此上门核实，客户承认其中一家关联公司确有纠纷，最终额度从 80 万压到 30 万并追加担保。

这个案例里图数据库没有"拒掉"任何人，它只是把原本要等三个月后才暴露的信息，提前到了审批当天。对首贷户群体来说，这恰恰是最合适的用法：不是用图谱把没记录的人挡在门外，而是用图谱给没记录的人补上一份可以被讨论的档案。

# 四、替代数据与图算法的实际产出

把常用替代数据、对应的图谱关系、能得出的风控结论和适配算法列出来，可以直接作为建模清单：

| 替代数据源   | 图谱中的关系表达                   | 能得出的判断                       | 适配图算法         |
| ------------ | ---------------------------------- | ---------------------------------- | ------------------ |
| 税务开票数据 | 企业与上下游的供需边，带金额与频次 | 经营真实性、客户集中度、账期健康度 | 社区发现、度中心性 |
| 社保与公积金 | 企业与员工的雇佣边                 | 实际用工规模，与财报/开票交叉验证  | 属性聚合           |
| 工商与股权   | 个人与企业的持股、任职边           | 隐性关联、壳公司识别、实控人穿透   | 多跳遍历、环检测   |
| 司法与执行   | 担保、涉诉、被执行边               | 隐性负债与代偿风险                 | 最短路径、子图匹配 |
| 经营场所     | 企业与地址、园区、仓库的占用边     | 同一地址多家企业、注册地址异常聚集 | 联通子图、标签传播 |
| 物流与仓储   | 货物运输、库存周转边               | 真实贸易背景，识别走单不走货       | 路径分析           |
| 同商圈企业群 | 同行业、同区域企业组成的关系网     | 区域性、行业性风险的传导暴露       | PageRank、社区发现 |

需要强调的是，图谱给出的是**参考**而不是判决。首贷户授信最终仍要结合额度、期限、担保方式综合决策。图谱的价值在于把决策依据从"空白"变成"若干条可核实的证据"，把风险从未知变成可度量——这对首贷户这种缺乏历史数据的群体，是唯一可行的路径。

# 五、悦数图数据库的核心能力支撑

针对首贷户这类多源替代数据的关联分析场景，悦数图数据库提供了从数据接入到算法输出的完整支撑：万亿边规模可容纳全国范围的企业关系与个人关系网络；存算分离架构使税务、社保、司法等多源数据批量入图时不影响在线查询；动态 Schema 让新增数据源不必停机重构模型；内置图算法库支持社区发现、PageRank、最短路径、联通子图等开箱即用，无需自研分布式算法；CDC 实时同步保证工商变更、新增执行信息能及时反映到图谱；配合 Text2nGQL，业务人员可以用自然语言查询关联关系，不必先学图查询语言。

# 六、首贷户图谱建设的落地路线图

建议分四阶段推进，每个阶段都有可验证的产出。

**第一阶段：单源数据建最小图。** 只用工商股权与司法执行两类公开数据，为存量小微客户建图，先验证一件事——图谱能否发现人工尽调遗漏的关联。用历史不良客户回溯检验命中率，这一步通常两周内可完成。

**第二阶段：接入税务与社保，做经营真实性校验。** 拿到客户授权后接入开票与社保数据，建立多源交叉验证规则，输出"开票-社保-用电"一致性指标，作为首贷审批的辅助参考项。

**第三阶段：图算法接入决策流程。** 把关联负担评分、网络位置指标做成可调用的服务，嵌入贷前审批环节，设置人工复核阈值，先"提示"后"拦截"，逐步积累阈值经验。

**第四阶段：贷后联动与样本回流。** 首贷户放款后的还款表现回流到图谱，用于标定各指标的权重——首贷户群体最大的价值其实在这里：今天没有记录的人，是明天的有记录样本，越早开始积累，后面的模型越准。

首贷户风控真正的困境不是风险高，而是看不见。当一个人的信贷档案是一片空白的时候，唯一能替他说话的，是他在这个商业网络里留下的那些关系。把这些关系连起来，空白就不再是无解——这既是普惠金融能真正扩面的前提，也是图数据库在这件事上给出的最实在的参考。

悦数图数据库可整合税务开票、社保缴纳、供应链上下游、物流仓储、经营地址与股东关联等替代数据，为没有信贷记录的首贷户构建关联图谱，通过多跳遍历与图算法给出经营真实性、关联负担与网络位置三类参考结论，帮助银行在提升首贷户占比的同时把不良控制在可接受区间。

文章

标签