我國(guó)目前正處于一個(gè)產(chǎn)業(yè)結(jié)構(gòu)調(diào)整的階段，經(jīng)濟(jì)的下行已經(jīng)是不爭(zhēng)的事實(shí)。如何在下行的經(jīng)濟(jì)環(huán)境下，控制好金融風(fēng)險(xiǎn)，對(duì)于金融機(jī)構(gòu)是一個(gè)首先要解決的問題。
傳統(tǒng)的以銀行為代表的金融機(jī)構(gòu)，企業(yè)信用貸款過于依賴政府授信和國(guó)有企業(yè)，這種粗獷型的信用風(fēng)險(xiǎn)管理在經(jīng)濟(jì)結(jié)構(gòu)調(diào)整過程中的缺陷凸顯。一方面粗顆粒度的風(fēng)控體系無(wú)法防范住新形勢(shì)下的風(fēng)險(xiǎn)；另一方面，現(xiàn)有的風(fēng)控模型無(wú)法從眾多的貸款申請(qǐng)企業(yè)中篩選出優(yōu)質(zhì)客戶，實(shí)現(xiàn)普惠金融。
究其根本，貸款的主體變了，需要金融機(jī)構(gòu)的風(fēng)控體系也隨之改變。產(chǎn)業(yè)結(jié)構(gòu)的調(diào)整，傳統(tǒng)行業(yè)的轉(zhuǎn)型，勢(shì)必會(huì)造成一批舊的行業(yè)衰敗，而一批新的行業(yè)興起；而傳統(tǒng)行業(yè)的轉(zhuǎn)型，意味著原有軌跡的停滯；一個(gè)新行業(yè)的興起，一批企業(yè)的成長(zhǎng)，是需要時(shí)間的。在相當(dāng)長(zhǎng)的一段時(shí)間里，中小微企業(yè)，可能是整個(gè)經(jīng)濟(jì)的主體，這也是這一階段的特質(zhì)。不解決好這一問題，以銀行為代表的金融機(jī)構(gòu)，可能就無(wú)法完成在新的經(jīng)濟(jì)形勢(shì)下自身的轉(zhuǎn)型。
有鑒于此，我聯(lián)合了在信用貸款鏈條上各個(gè)環(huán)節(jié)的一線專家，共同推出本專題，希望能為小微、微小企業(yè)的普惠金融做出一點(diǎn)貢獻(xiàn)。
本專題是按照數(shù)據(jù)篇，反欺詐和征信篇，信貸模型篇三個(gè)環(huán)節(jié)來(lái)展開的。這也是我們實(shí)際業(yè)務(wù)流程里最主要的三個(gè)步驟，最后再以一個(gè)實(shí)際的例子作為結(jié)尾。
這篇專題雖然不長(zhǎng)，但每一篇都經(jīng)過了我跟各位專家的認(rèn)真思考和討論，耗時(shí)一月有余。還得到了很多業(yè)界專家的鼎力支持，在此特別感謝中智誠(chéng)CEO李萱先生，數(shù)聯(lián)銘品BBD CEO曾途先生，在整個(gè)專題的編寫過程中給予了大力的支持，在此表示衷心的感謝。
小微企業(yè)
關(guān)于何為小微企業(yè)，全球范圍內(nèi)并沒有統(tǒng)一的定義。已有的劃分標(biāo)準(zhǔn)通常是從雇員人數(shù)、資產(chǎn)總額、年?duì)I業(yè)額等幾個(gè)指標(biāo)進(jìn)行限定。工信部、國(guó)家統(tǒng)計(jì)局、發(fā)改委、財(cái)政部等四部委2011年曾出臺(tái)具體的劃分標(biāo)準(zhǔn)，是目前我國(guó)的國(guó)家標(biāo)準(zhǔn)。但一般的看法是該標(biāo)準(zhǔn)界定的微型企業(yè)的范圍偏大。比較合理的劃分標(biāo)準(zhǔn)為：雇員人數(shù)20人以下、資產(chǎn)總額500萬(wàn)以下、年?duì)I業(yè)額1000萬(wàn)以下為微型企業(yè)；雇員人數(shù)200人以下、資產(chǎn)總額5000萬(wàn)以下、年?duì)I業(yè)額1億以下的可以定義為小企業(yè)。這并非一個(gè)嚴(yán)格的界定標(biāo)準(zhǔn)，但實(shí)際工作中對(duì)目標(biāo)客戶還是要掌握一個(gè)大概的范圍。
破解小微企業(yè)貸困局：數(shù)據(jù)篇
一筆成功的貸款發(fā)放需要有多個(gè)環(huán)節(jié)的努力才能實(shí)施。數(shù)據(jù)，正是整個(gè)風(fēng)控鏈條中最前端的一個(gè)環(huán)節(jié)。我們首先來(lái)看一下，如何在數(shù)據(jù)層面上解決好小微企業(yè)的問題。（這里需要說(shuō)明的是，在數(shù)據(jù)交換市場(chǎng)遠(yuǎn)未成熟的今天，數(shù)據(jù)的獲取確實(shí)需要一些獨(dú)特的資源；目前的現(xiàn)狀是八仙過海，各有各的高招。所以，如何獲取數(shù)據(jù)，不屬于本篇討論的問題。）
小微企業(yè)的金融風(fēng)控都需要哪些數(shù)據(jù)？是傳統(tǒng)的結(jié)構(gòu)化數(shù)據(jù)，還是時(shí)髦的大數(shù)據(jù)？如何正確對(duì)待二者之間的關(guān)系，又如何來(lái)應(yīng)用這些數(shù)據(jù)，為小微企業(yè)畫像？這是本篇要闡述的問題。
傳統(tǒng)金融數(shù)據(jù)v.s互聯(lián)網(wǎng)數(shù)據(jù)
一般來(lái)說(shuō)，傳統(tǒng)金融風(fēng)控領(lǐng)域使用的數(shù)據(jù)多為結(jié)構(gòu)化數(shù)據(jù)；而由于業(yè)務(wù)的重心不同，面向的對(duì)象不同，互聯(lián)網(wǎng)金融所采用的數(shù)據(jù)除了結(jié)構(gòu)化數(shù)據(jù)以外，還采納了很多互聯(lián)網(wǎng)的非結(jié)構(gòu)化數(shù)據(jù)，這就是我們經(jīng)常所稱的“大數(shù)據(jù)”。
大數(shù)據(jù)較傳統(tǒng)的結(jié)構(gòu)化數(shù)據(jù)，具有體量大，種類雜，時(shí)效性好等特點(diǎn)。
從數(shù)據(jù)組織的角度來(lái)說(shuō)，傳統(tǒng)金融數(shù)據(jù)跟要預(yù)測(cè)的事件有著很強(qiáng)的因果關(guān)系，比如，信貸歷史違約記錄，它對(duì)預(yù)測(cè)企業(yè)是否再次違約具有比較強(qiáng)的關(guān)聯(lián)性；相反，大數(shù)據(jù)更多地集中在刻畫行為能力上，是描述行為的信息；至于這種情況，是否會(huì)直接導(dǎo)致企業(yè)違約，有多大影響力，還缺乏有力的實(shí)踐依據(jù)。換句話說(shuō)，企業(yè)的某種行為，還沒有建立起跟企業(yè)違約的直接邏輯關(guān)系。
所以說(shuō)，單純的大數(shù)據(jù)在整個(gè)金融風(fēng)控鏈條里所能發(fā)揮的作用還是有限的。這并不是否定大數(shù)據(jù)的手段，而是不要過分夸大其在這一環(huán)節(jié)中的作用。
客觀地講，在傳統(tǒng)金融風(fēng)控?cái)?shù)據(jù)中引入互聯(lián)網(wǎng)大數(shù)據(jù)，至少可以解決兩方面的問題，一是數(shù)據(jù)維度不足的問題；二是數(shù)據(jù)的時(shí)效性問題。
一、數(shù)據(jù)維度不全
量化風(fēng)險(xiǎn)評(píng)估需要將涉及到此風(fēng)險(xiǎn)的所有相關(guān)數(shù)據(jù)都包含進(jìn)來(lái)，通過模型進(jìn)行信用風(fēng)險(xiǎn)評(píng)估，計(jì)算出還款意愿和還款能力。評(píng)估采用的基本數(shù)據(jù)因素有年齡、收入、學(xué)歷、客戶資歷、行業(yè)、區(qū)域等，其占主要部分。信用因素包含如負(fù)債狀況、繳款記錄、理財(cái)方式；以及行為因素例如交易時(shí)間和頻率等。
除了這些變量和因素，其實(shí)還有一些因素并沒有被考慮到現(xiàn)有的風(fēng)險(xiǎn)評(píng)估模型中。例如貸款者的身體健康情況、生活規(guī)律、是否參與賭博、是否參與民間借貸等，同信貸違約高度相關(guān)的信息沒有被考慮到信用風(fēng)險(xiǎn)評(píng)估當(dāng)中。
特別是用戶行為特征，幾乎很少的信貸評(píng)估模型會(huì)考慮用戶的行為。如果客戶在借款前，頻繁去澳門賭博、或參與民間高利貸、或有吸毒歷史、或者飆車、或者經(jīng)常半夜出入夜店等危險(xiǎn)區(qū)域、或經(jīng)常半夜使用App等。這些危險(xiǎn)行為因素都會(huì)對(duì)其信用風(fēng)險(xiǎn)產(chǎn)生影響，但這些因素原來(lái)并沒有被考慮到信用風(fēng)險(xiǎn)評(píng)估之中。
風(fēng)險(xiǎn)評(píng)估過程中，如果數(shù)據(jù)維度不全，高相關(guān)數(shù)據(jù)沒有被考慮進(jìn)來(lái)，對(duì)風(fēng)控模型是一個(gè)大的風(fēng)險(xiǎn)。信用風(fēng)險(xiǎn)評(píng)估模型缺少了重要風(fēng)險(xiǎn)因素的輸入，其評(píng)估結(jié)果的偏離度就會(huì)較大，評(píng)估結(jié)果失效的可能性就很大。
二、時(shí)效性
實(shí)時(shí)有效的數(shù)據(jù)對(duì)于風(fēng)險(xiǎn)評(píng)估結(jié)果影響也很大，數(shù)據(jù)是有時(shí)間價(jià)值的，滯后的數(shù)據(jù)會(huì)影響評(píng)估結(jié)果，不能反映實(shí)時(shí)風(fēng)險(xiǎn)變化情況。實(shí)時(shí)的數(shù)據(jù)錄入和動(dòng)態(tài)信用風(fēng)險(xiǎn)評(píng)估現(xiàn)在對(duì)銀行是一個(gè)巨大的挑戰(zhàn)，一個(gè)月進(jìn)行一次的風(fēng)險(xiǎn)評(píng)估并不能實(shí)時(shí)反映信用風(fēng)險(xiǎn)變化情況，銀行需要找到一個(gè)好的方法來(lái)建立動(dòng)態(tài)風(fēng)險(xiǎn)視圖，不僅僅是信用風(fēng)險(xiǎn)管理，其他的風(fēng)險(xiǎn)管理方法也要向?qū)崟r(shí)數(shù)據(jù)錄入和風(fēng)險(xiǎn)實(shí)時(shí)評(píng)價(jià)方向轉(zhuǎn)變。
客戶信貸信息分散和孤立，造成了外部風(fēng)險(xiǎn)來(lái)源的多樣化，銀行需要尋找一種方式來(lái)打破這種信息不對(duì)稱，購(gòu)買外部信貸數(shù)據(jù)可以解決這個(gè)問題，但信貸數(shù)據(jù)的覆蓋率也是一個(gè)較大的挑戰(zhàn)。
數(shù)據(jù)選擇的原則
在數(shù)據(jù)的選擇上面，一個(gè)是需要考慮數(shù)據(jù)的維度，另一個(gè)就是數(shù)據(jù)的數(shù)量。到底采用哪些維度的數(shù)據(jù)作為風(fēng)控變量？到底選擇多少數(shù)量的數(shù)據(jù)才能滿足一個(gè)風(fēng)控模型的準(zhǔn)確性？
原有風(fēng)控體系考察貸款對(duì)象主要有兩個(gè)方面，還款能力和還款意愿。傳統(tǒng)金融數(shù)據(jù)就不在這里詳述了，主要說(shuō)一下大數(shù)據(jù)的數(shù)據(jù)維度與數(shù)量。大數(shù)據(jù)所能補(bǔ)充的數(shù)據(jù)主要是行為數(shù)據(jù)和社交數(shù)據(jù)（對(duì)于小微企業(yè)而言，行為數(shù)據(jù)就是它的經(jīng)營(yíng)財(cái)務(wù)數(shù)據(jù)；而社交數(shù)據(jù)就是它的企業(yè)關(guān)聯(lián)數(shù)據(jù)）。實(shí)踐證明，這兩部分?jǐn)?shù)據(jù)對(duì)還款能力和還款意愿都有明顯的效果。一般來(lái)說(shuō)，行為數(shù)據(jù)對(duì)還款能力有一定的作用，在貸后的預(yù)警方面，已經(jīng)被證明是行之有效的；而社交數(shù)據(jù)，對(duì)還款意愿有一定的幫助。
應(yīng)該說(shuō)，傳統(tǒng)金融數(shù)據(jù)與互聯(lián)網(wǎng)大數(shù)據(jù)打通，可以更好，更及時(shí)地反映企業(yè)或個(gè)人的情況，以達(dá)到更好金融風(fēng)控的目的。
很多人有一個(gè)誤區(qū)，既然是大數(shù)據(jù)，那么一定是多多益善。這個(gè)認(rèn)識(shí)是錯(cuò)誤的，多數(shù)數(shù)據(jù)并沒有任何價(jià)值。互聯(lián)網(wǎng)女皇Mary Meeker在2012年報(bào)告中曾經(jīng)做了一個(gè)形象的比喻，大數(shù)據(jù)就是從一堆雜亂無(wú)章的稻草里去尋找一根針。多數(shù)數(shù)據(jù)都是產(chǎn)生不了任何價(jià)值的稻草；而大數(shù)據(jù)的魅力也在于此，它就是要從浩瀚的雜亂無(wú)章的數(shù)據(jù)里，尋找出有序的，有價(jià)值的東西來(lái)。
在同等數(shù)據(jù)價(jià)值的基礎(chǔ)上，當(dāng)然更全的維度，更大的數(shù)據(jù)量，才可能更好地刻畫和還原出事物的真相。
除此之外，數(shù)據(jù)的代表性和穩(wěn)定性也是很關(guān)鍵的問題。在實(shí)際模型設(shè)計(jì)過程中，一般都是先用一個(gè)種子數(shù)據(jù)庫(kù)來(lái)完成模型的設(shè)計(jì)和實(shí)現(xiàn)。這個(gè)時(shí)候，種子數(shù)據(jù)的選擇就至關(guān)重要。沒有足夠的代表性，就會(huì)使模型與實(shí)際目標(biāo)偏離，很難修正，甚至直接導(dǎo)致模型的失敗。
穩(wěn)定性其實(shí)跟代表性是相通的。所謂穩(wěn)定性就是某種情況或者某類數(shù)據(jù)在過程中會(huì)不斷重現(xiàn)。如果只是偶爾產(chǎn)生的數(shù)據(jù)，不可重復(fù)，那么是不穩(wěn)定的，也是不具代表性的。
代表性和穩(wěn)定性是刻畫數(shù)據(jù)質(zhì)量的兩個(gè)重要指標(biāo)。
數(shù)據(jù)的組織與應(yīng)用實(shí)例
談到對(duì)企業(yè)的畫像，數(shù)聯(lián)銘品（BBD）無(wú)疑是這一領(lǐng)域的佼佼者，他們有著自己的一套基于大數(shù)據(jù)的最佳實(shí)踐方案。
這套最佳實(shí)踐方案歸納起來(lái)就是三要素，企業(yè)行為數(shù)據(jù)庫(kù)、模塊化的風(fēng)險(xiǎn)畫像以及多種大數(shù)據(jù)算法。
一、企業(yè)行為數(shù)據(jù)庫(kù)
企業(yè)行為數(shù)據(jù)庫(kù)，顧名思義，就是企業(yè)的各種基本信息，包括：工商注冊(cè)信息、市場(chǎng)行業(yè)信息、法人治理（公司結(jié)構(gòu)，股權(quán)信息）、公司關(guān)聯(lián)方、風(fēng)險(xiǎn)管理、媒體數(shù)據(jù)（其在傳統(tǒng)及社交媒體上的信息）以及產(chǎn)權(quán)信息（專利，版權(quán)，商譽(yù)等）七個(gè)維度的信息。在此基礎(chǔ)上，在授權(quán)情況下還可以拿到包括稅務(wù)等在內(nèi)的多維度數(shù)據(jù)。
二、模塊化的企業(yè)風(fēng)險(xiǎn)畫像
在企業(yè)行為數(shù)據(jù)庫(kù)的基礎(chǔ)上，就可以提供企業(yè)風(fēng)險(xiǎn)全息畫像方案，全面刻畫企業(yè)風(fēng)險(xiǎn)DNA。企業(yè)的風(fēng)險(xiǎn)描述并不依賴單一模型，而是可以多維度完成企業(yè)風(fēng)險(xiǎn)特征刻畫，并解決上述傳統(tǒng)風(fēng)險(xiǎn)分析體系的缺點(diǎn)，而且可自由選擇定制風(fēng)險(xiǎn)畫像模塊。
模塊化的風(fēng)險(xiǎn)畫像降低了對(duì)財(cái)務(wù)報(bào)告的依賴性，尤其是對(duì)于中小企業(yè)群體，更多強(qiáng)調(diào)企業(yè)行為數(shù)據(jù)的捕捉與分析，利用大數(shù)據(jù)平臺(tái)多源異構(gòu)數(shù)據(jù)分析優(yōu)勢(shì)，充分利用非結(jié)構(gòu)化數(shù)據(jù)，降低對(duì)結(jié)構(gòu)化數(shù)據(jù)的依賴。
BBD的模塊風(fēng)險(xiǎn)畫像，有一個(gè)非常實(shí)用的功能，就是通過對(duì)企業(yè)基因圖譜分析，使得企業(yè)錯(cuò)綜復(fù)雜的關(guān)聯(lián)關(guān)系一目了然。
通過BBD專有的關(guān)聯(lián)方圖譜深度識(shí)別目標(biāo)企業(yè)與發(fā)生投資及管理行為關(guān)系的自然人(公司)的風(fēng)險(xiǎn)狀況，完善企業(yè)風(fēng)險(xiǎn)DNA刻畫。比如輕資產(chǎn)企業(yè)，很少有資產(chǎn)信息和抵押信息，通過BBD關(guān)聯(lián)方圖譜找到背后的投資方，投資方背書能力以及資產(chǎn)信息來(lái)作為企業(yè)資產(chǎn)信息的補(bǔ)充。該模塊還包括關(guān)聯(lián)企業(yè)緊密程度評(píng)價(jià)、關(guān)聯(lián)企業(yè)資信狀況及影響、管理層關(guān)聯(lián)企業(yè)任職情況、關(guān)聯(lián)方訴訟及失信情況等關(guān)聯(lián)方信息對(duì)企業(yè)風(fēng)險(xiǎn)進(jìn)行畫像
這一功能，使同一企業(yè)主擁有多家企業(yè)或者多家企業(yè)之間的顯隱性關(guān)聯(lián)關(guān)系一目了然，從而避免相互之間的風(fēng)險(xiǎn)轉(zhuǎn)移和傳遞。
在模塊化風(fēng)險(xiǎn)畫像中還有一個(gè)非常有用的功能，是BBD專有預(yù)警模塊。
該預(yù)警模塊體現(xiàn)模型的前瞻性和預(yù)見性，能夠識(shí)別企業(yè)早期的風(fēng)險(xiǎn)跡象，避免由于風(fēng)險(xiǎn)暴露的滯后性帶來(lái)更大損失。特別是業(yè)務(wù)快速增長(zhǎng)的企業(yè)，一旦風(fēng)險(xiǎn)爆發(fā)，其想扭轉(zhuǎn)局面，則需要較大的業(yè)務(wù)調(diào)整動(dòng)作和較長(zhǎng)的風(fēng)險(xiǎn)消化時(shí)間。因此，對(duì)該類型企業(yè)風(fēng)險(xiǎn)預(yù)警以捕捉前置信號(hào)為主要目標(biāo)，以在顯著風(fēng)險(xiǎn)暴露以前及時(shí)采用相應(yīng)風(fēng)險(xiǎn)管理措施。BBD的企業(yè)全息畫像根據(jù)大數(shù)據(jù)抓取的信息，既有通過財(cái)務(wù)關(guān)鍵指標(biāo)的變化趨勢(shì)，提前預(yù)判企業(yè)的風(fēng)險(xiǎn)趨勢(shì)，比如主營(yíng)業(yè)務(wù)收入變動(dòng)情況、現(xiàn)金流變動(dòng)情況等；也包括針對(duì)客戶非財(cái)務(wù)信息的異常變動(dòng)，比如工商信息異常(在特定時(shí)間段內(nèi)提高公司注冊(cè)資本額等)、股東變動(dòng)(短期內(nèi)頻繁變動(dòng)公司股東等)、重大人事變動(dòng)、訂單變動(dòng)情況等來(lái)預(yù)警企業(yè)的風(fēng)險(xiǎn)動(dòng)態(tài)
三、多種大數(shù)據(jù)算法
近幾年來(lái)，企業(yè)信用風(fēng)險(xiǎn)度量的研究出現(xiàn)了結(jié)合模糊數(shù)學(xué)、粗糙集、支持向量機(jī)(SVM)、人工神經(jīng)網(wǎng)絡(luò)等學(xué)科新技術(shù)方法的度量信用風(fēng)險(xiǎn)潮流，出現(xiàn)了越來(lái)越多的新的方法。
目前，應(yīng)用于信用風(fēng)險(xiǎn)度量的新技術(shù)方法的學(xué)科主要有數(shù)學(xué)、統(tǒng)計(jì)和人工智能等。數(shù)學(xué)方法有粗糙集、模糊綜合評(píng)價(jià)法，統(tǒng)計(jì)方法有Logit模型、支持向量機(jī)，人工智能方法有人工神經(jīng)網(wǎng)絡(luò)、決策樹等方法應(yīng)用于信用風(fēng)險(xiǎn)度量的方法。
與傳統(tǒng)的統(tǒng)計(jì)方法相比，人工神經(jīng)網(wǎng)絡(luò)具有以下特點(diǎn):
1.具有自我組織與學(xué)習(xí)的能力；
2.可以描述輸人資料中變量間的非線性關(guān)系；
3.可以依據(jù)樣本和環(huán)境的變化進(jìn)行動(dòng)態(tài)的調(diào)整；
由于企業(yè)各項(xiàng)財(cái)務(wù)指標(biāo)與信用風(fēng)險(xiǎn)之間往往存在著非線性關(guān)系，因此人工神經(jīng)網(wǎng)絡(luò)比較適用于企業(yè)的風(fēng)險(xiǎn)評(píng)價(jià)。
傳統(tǒng)的數(shù)學(xué)或統(tǒng)計(jì)方法都是建立在精確的觀點(diǎn)假設(shè)基礎(chǔ)之上，但是在自然科學(xué)、社會(huì)科學(xué)和工程技術(shù)等領(lǐng)域，存在著很多模糊或不確定性；人類的認(rèn)知模式、思考方式、甚至推理邏輯也涉及許多非確定性。
因此利用傳統(tǒng)的方法無(wú)法解決這樣的不確定問題，而模糊數(shù)學(xué)是將數(shù)學(xué)的應(yīng)用范圍，從精確擴(kuò)大到模糊現(xiàn)象的領(lǐng)域，提出了隸屬函數(shù)理論，確定了某一事物在多大程度上屬于所講的概念，或者不屬于所講的概念，這樣描述模糊性問題比精確數(shù)學(xué)更為合理。同樣，企業(yè)風(fēng)險(xiǎn)刻畫也屬于模糊性問題，其風(fēng)險(xiǎn)狀態(tài)如何，用精確數(shù)學(xué)“是”或“非”的概念很難做出判斷，因此，應(yīng)用模糊分析法對(duì)企業(yè)風(fēng)險(xiǎn)狀況做出綜合評(píng)價(jià)比較科學(xué)。
以上就是數(shù)聯(lián)銘品的在企業(yè)大數(shù)據(jù)征信方面的最佳實(shí)踐。
數(shù)據(jù)，之于小微企業(yè)貸是至關(guān)重要的，是整個(gè)信貸模型的第一個(gè)環(huán)節(jié)。選擇什么樣的數(shù)據(jù)，如何處理好傳統(tǒng)金融數(shù)據(jù)和互聯(lián)網(wǎng)大數(shù)據(jù)的關(guān)系，直接影響到最后信貸模型的結(jié)果。一個(gè)正確的起點(diǎn)，加上一個(gè)正確的方向，是取得成功的堅(jiān)實(shí)基礎(chǔ)。
京公網(wǎng)安備 11010502049343號(hào)