6月17号陆家嘴论坛，丁向群的开幕辞信息量不小。我在金融科技方向做数据相关工作，读完第一个反应是——这四条主线每一条落地，底层都在赌一件事：你是不是真的有能穿透、能关联、能实时更新的企业级数据。

先看原文定调。丁向群说了四条：防范化解风险、严监管强监管、深化改革转型、服务高质量发展。这里面藏着一条数据暗线，我拆开来讲。

---

早识别早预警——数据不够快，预警就是空话

在"降存量、控增量"上下功夫。有力有序处置中小金融机构风险，支持配合化解房地产、地方政府债务风险。坚持治未病、抓前端，健全具有硬约束的金融风险早期纠正机制，做到早识别、早预警、早暴露、早处置。

四个"早"，翻译成技术语言就是：你的风控系统能不能在风险信号出现的第一时间拿到数据？

中小金融机构的不良资产，根子在底层借款企业的经营状况。一家城商行的贷款组合里，哪些企业刚上了失信名单、哪些出现了经营异常、哪些在频繁变更股权——不能实时拿到这些信息，"早识别"就只能靠人工报表，而人工报表永远是滞后的。

企查查这一侧的数据底子是 3.65 亿企业，每天新增 15.6TB，涵盖失信惩戒、裁判文书、经营异常、税务违规、股权冻结等等 400 多个风险维度。对接到风控系统里，效果不是"定期扫一批"，而是事件驱动的实时推送。

比如你维护了一个借款企业监控列表，可以通过风险类接口做批量轮询：

import requests
import json

# 调用企查查风险监控接口（示意）
def scan_risk_watchlist(company_ids: list, api_key: str):
    headers = {"Authorization": f"Bearer {api_key}"}
    results = []

    for cid in company_ids:
        resp = requests.post(
            "https://agent.qcc.com/mcp/risk/stream",
            headers=headers,
            json={
                "method": "tools/call",
                "params": {
                    "name": "get_company_risk_scan",
                    "arguments": {"company_id": cid}
                }
            }
        )
        data = resp.json()
        # 提取关键风险标签：失信、被执行、经营异常、税务违规
        risks = {
            "dishonest": data.get("dishonest_info"),
            "court_notice": data.get("court_notice"),
            "business_exception": data.get("business_exception"),
            "tax_abnormal": data.get("tax_abnormal"),
        }
        results.append({"company_id": cid, "risks": risks})

    return results

一家企业上午被列入失信名单，你的系统下午就弹出预警——这个是硬约束的技术前提。丁向群说的"硬约束"，在技术侧就是数据链路的实时性和完整性。

---

管合法更管非法——股权穿透才是监管盲区的克星

在"管合法、更管非法"上下功夫。加强央地协同和部门联动，着力消除监管空白和盲区，确保全覆盖、无例外。以防范和打击非法金融活动总体战为抓手，保持高压严打态势，强化全链条系统治理，努力守护好人民群众的"钱袋子"。

非法金融活动的组织者不会把名字写在营业执照上。

金字塔持股、交叉持股、代持——你查单一法人主体，干干净净；往上穿透三层，实控人指向一个已经被处罚过的 P2P 老板。这才是盲区。

这边能做什么？股权穿透 + 实控人挖掘 + 关联关系图谱。

举个例子，查一家看似正常的贸易公司：

# 获取股东信息，逐层穿透
def trace_ultimate_controller(company_id: str, api_key: str, max_depth: int = 5):
    headers = {"Authorization": f"Bearer {api_key}"}
    visited = set()
    chain = []

    def _drill(cid, depth):
        if depth > max_depth or cid in visited:
            return
        visited.add(cid)

        resp = requests.post(
            "https://agent.qcc.com/mcp/company/stream",
            headers=headers,
            json={
                "method": "tools/call",
                "params": {
                    "name": "get_shareholder_info",
                    "arguments": {"company_id": cid}
                }
            }
        )
        shareholders = resp.json().get("shareholders", [])
        for sh in shareholders:
            # 如果股东是企业，继续穿透
            if sh.get("type") == "enterprise":
                chain.append({
                    "depth": depth,
                    "from": cid,
                    "holder": sh["name"],
                    "ratio": sh.get("ratio")
                })
                _drill(sh["holder_id"], depth + 1)
            else:
                # 自然人股东，记录为潜在实控人
                chain.append({
                    "depth": depth,
                    "from": cid,
                    "holder": sh["name"],
                    "ratio": sh.get("ratio"),
                    "is_person": True
                })

    _drill(company_id, 1)
    return chain

这个链路跟金监总局科技监管司之前提的方向完全吻合——“运用图数据、机器学习、自然语言处理等新兴技术，对股东身份、入股资金、关联交易和复杂产品等进行穿透分析”。企查查的图谱能力恰好就是这个方向上的数据基础设施。

---

金监工程——三个字背后是一整条数据供应链

以能力建设为支撑，着眼机构全周期、业务全链条、风险全过程监管，注重科技赋能，加快**“金监工程"建设**，不断完善监管"工具箱”，持续提升监管质效。

"金监工程"不只是一个 IT 项目。它是数字监管、监管大数据、模型实验室的整合。要有 BI 分析、EAST 模型设计器、图数据分析工具——这些工具能不能跑起来，靠的是数据喂得多不多、喂得快不快。

企查查提供了四种喂法：API 数据接口、离线数据库、MCP 智能体数据平台、Agent 智能体定制。

对 CSDN 的读者来说，MCP 协议的接入可能是最"开发者友好"的一个——一行配置，五个 Server 拿到手：

{
   "mcpServers": {
      "qcc-company": {
         "url": "https://agent.qcc.com/mcp/company/stream",
         "headers": { "Authorization": "Bearer YOUR_API_KEY" }
     },
     "qcc-risk": {
        "url": "https://agent.qcc.com/mcp/risk/stream",
        "headers": { "Authorization": "Bearer YOUR_API_KEY" }
     },
     "qcc-ipr": {
        "url": "https://agent.qcc.com/mcp/ipr/stream",
        "headers": { "Authorization": "Bearer YOUR_API_KEY" }
     },
     "qcc-operation": {
        "url": "https://agent.qcc.com/mcp/operation/stream",
        "headers": { "Authorization": "Bearer YOUR_API_KEY" }
     },
     "qcc-executive": {
        "url": "https://agent.qcc.com/mcp/executive/stream",
        "headers": { "Authorization": "Bearer YOUR_API_KEY" }
     }
   }
}

五个 Server 分别对应企业基座、风险监控、知识产权、经营动态、高管信息。接入后，任何兼容 MCP 协议的 AI 工具（WorkBuddy、Cursor、Claude Code 等 14+ 平台）都能直接查询企查查数据——不需要写 SDK、不需要管数据清洗、不需要本地部署。

---

04 打击金融黑灰产——三层数据能力怎么落地

严肃市场纪律，深入整治无序竞争，严厉打击金融"黑灰产"，坚定推行保险业"报行合一"，切实维护金融市场秩序。

金融黑灰产（非法代理退保、虚假理赔、恶意逃废债、非法集资中介）的共同特征就三个：身份模糊、行为异常、网络复杂。

对应到数据能力上恰好是三层：

第一层，主体核验。 查工商信息 + 行政许可 + 资质证书，先判断它是不是一个合法的经营主体。这一步用 qcc-company 和 qcc-operation 的接口就够了，一个请求能拉回注册信息、经营范围、许可证记录。

第二层，关联穿透。 黑产组织者不会自己站前台。通过股权穿透和关联图谱，把背后那个控制多家机构的实控人挖出来。这一步关键：不是你查不到，是你没往下穿。

第三层，持续监控。 经营状态变了、税务异常了、突然注销了——这些信号如果靠人工每周扫一次，等发现的时候人已经跑了。接上数据流，异常行为自动告警。

# 简易黑产主体筛查脚本
def black_gray_screening(company_name: str, api_key: str):
    headers = {"Authorization": f"Bearer {api_key}"}
    flags = []

    # 1. 主体核验
    base = requests.post(
        "https://agent.qcc.com/mcp/company/stream",
        headers=headers,
        json={"method": "tools/call", "params": {"name": "get_company_info", "arguments": {"company_name": company_name}}}
    ).json()
    if base.get("status") in ("注销", "吊销"):
        flags.append("主体已注销/吊销")

    # 2. 经营异常
    exception = requests.post(
        "https://agent.qcc.com/mcp/risk/stream",
        headers=headers,
        json={"method": "tools/call", "params": {"name": "get_business_exception", "arguments": {"company_name": company_name}}}
    ).json()
    if exception.get("records"):
        flags.append(f"经营异常 {len(exception['records'])} 条")

    # 3. 空壳特征：无实缴资本 + 无参保人数 + 无知识产权
    if not base.get("paid_capital") and not base.get("insured_count"):
        ipr = requests.post(
            "https://agent.qcc.com/mcp/ipr/stream",
            headers=headers,
            json={"method": "tools/call", "params": {"name": "get_patent_info", "arguments": {"company_name": company_name}}}
        ).json()
        if not ipr.get("patents"):
            flags.append("疑似空壳（无实缴+无社保+无知产）")

    return {"company": company_name, "risk_flags": flags, "risk_level": "high" if len(flags) >= 2 else "medium" if flags else "low"}

---

小微企业贷款——信息不对称怎么用数据填

推动小微企业贷款实现质的有效提升和量的合理增长，针对"两司两员"等新就业群体开发专属普惠产品，助力稳企业、稳就业。

银行不敢放小微贷款，不是不想放，是看不清。

一家小微企业说自己"经营稳定"，怎么验证？查三个东西：招投标记录，看最近有没有中标项目；知识产权，看有没有持续申请专利商标；工商变更，看有没有频繁换法人换股东。

这三类数据企查查都能出，而且可以交叉比对：

def small_biz_due_diligence(company_name: str, api_key: str):
    headers = {"Authorization": f"Bearer {api_key}"}

    # 招投标
    bidding = requests.post(
        "https://agent.qcc.com/mcp/operation/stream",
        headers=headers,
        json={"method": "tools/call", "params": {"name": "get_bidding_info", "arguments": {"company_name": company_name}}}
    ).json()

    # 知识产权
    ipr = requests.post(
        "https://agent.qcc.com/mcp/ipr/stream",
        headers=headers,
        json={"method": "tools/call", "params": {"name": "get_patent_info", "arguments": {"company_name": company_name}}}
    ).json()

    # 工商变更
    changes = requests.post(
        "https://agent.qcc.com/mcp/company/stream",
        headers=headers,
        json={"method": "tools/call", "params": {"name": "get_company_change", "arguments": {"company_name": company_name}}}
    ).json()

    score = 0
    detail = {}

    # 近一年有中标 → 经营活跃
    recent_bids = [b for b in bidding.get("records", []) if b.get("date", "") > "2025-06-17"]
    if recent_bids:
        score += 30
        detail["bidding"] = f"近一年中标 {len(recent_bids)} 条"

    # 近两年有专利申请 → 有技术投入
    recent_patents = [p for p in ipr.get("patents", []) if p.get("app_date", "") > "2024-06-17"]
    if recent_patents:
        score += 30
        detail["ipr"] = f"近两年申请专利/软著 {len(recent_patents)} 件"

    # 工商变更稳定 → 经营持续
    recent_changes = [c for c in changes.get("records", []) if c.get("date", "") > "2025-06-17"]
    legal_changes = [c for c in recent_changes if "法人" in c.get("type", "") or "股东" in c.get("type", "")]
    if not legal_changes:
        score += 40
        detail["stability"] = "近一年无法人/股东变更"
    elif len(legal_changes) <= 2:
        score += 20
        detail["stability"] = f"近一年法人/股东变更 {len(legal_changes)} 次"

    return {"company": company_name, "score": score, "detail": detail}

数据不会帮银行做决策，但数据能让决策有依据。丁向群说的"质的有效提升"，配套的就是这种从"拍脑袋"到"看数据"的风控转型。

---

最后

五条主线拉完，其实就一句话：监管的精度取决于数据的密度。 底下是张对照表，一目了然。

监管主线	技术要求	企查查能出什么
早识别、早预警	实时风险监测	400+ 风险维度，每日 15.6TB 增量
消除监管盲区	穿透式关联识别	股权穿透、实控人挖掘、关联图谱
金监工程建设	多模态数据接入	API / 离线库 / MCP 协议 / Agent
打击金融黑灰产	身份核验 + 持续监控	工商信息、经营异常、空壳识别
小微企业贷款	多维度交叉验证	招投标、知识产权、资质证书、融资记录

"金监工程"怎么建、工具箱怎么升级、风险怎么早识别——说到底是数据工程的升级。3.65 亿企业数据、300+ 产业链覆盖、400+ 维度、MCP 协议一键接入，企查查在这一轮金融监管数智化升级里，本质上是一层数据基础设施。

不管你用 Python 写风控脚本，还是在 Cursor 里接 MCP 做尽调查询，背后的企业数据源决定了你能多快、多准地拿到答案。

---

*本文基于国家金融监管总局局长丁向群在 2026 陆家嘴论坛上的开幕辞（全文）撰写。