4、关联交易网络构建：基于股权关系、人员任职、业务往来的网络建模，图数据库（Neo4j）基础

好，咱们进入第四讲。前面几章我们把关联交易的识别逻辑、数据清洗讲得差不多了。但说实话，光靠Excel或者关系型数据库，你很难看清那些错综复杂的利益链条。你想想看，A公司控股B，B的董事又是C的创始人，C又跟A有大量资金往来——这种网状结构，用传统表格去查，查到你怀疑人生。

所以这一章，我带你走进图的世界。咱们聊聊怎么用图数据库（Neo4j）来构建关联交易网络。我个人习惯把这一步叫做“把数据变成关系图谱”。

4.1 为什么非要用图？

先问个问题：你手头有1000家公司，每家公司有5个股东、3个高管，还有一堆上下游合同。你想查“张三通过哪些路径控制了李四的公司”？

用SQL写递归查询？能写，但性能会随着层级变深急剧下降。而且你很难直观地看到“路径”。

图数据库就不一样了。它把“公司”、“人”看作节点（Node），把“持股”、“任职”、“交易”看作关系（Relationship）。查询“张三到李四公司的路径”，就是一条简单的图遍历语句，毫秒级返回。

我在项目中遇到过一家集团企业，光子公司就200多家，交叉持股、循环持股特别多。用传统方式做关联方排查，审计团队花了三周。后来我用Neo4j重建了股权网络，半天就挖出了三条隐性控制链。嗯，这就是图的威力。

4.2 网络建模：三种核心关系

构建关联交易网络，我们主要关注三类关系。我把它们称为“铁三角”：

• 股权关系： 谁控股谁？持股比例多少？这是最硬的关系。
• 人员任职： 谁在谁那里当董事、监事、高管？这是“人”的纽带。
• 业务往来： 谁跟谁有采购、销售、资金拆借？这是交易本身。

你想想看，这三类关系叠加在一起，才能完整刻画一个关联交易网络。光有股权，可能只是资本运作；光有业务，可能是正常交易；但一旦股权+任职+业务同时出现，那基本就是关联交易的高危信号了。

4.3 图数据模型设计

在Neo4j里，我们通常这样设计节点和关系：

节点类型	标签（Label）	主要属性
公司	Company	name, credit_code, industry, registered_capital
自然人	Person	name, id_card, phone
交易	Transaction	amount, date, type, contract_no

关系类型设计：

关系类型	起点	终点	属性
HOLDS_SHARE	Person / Company	Company	ratio, amount
IS_DIRECTOR	Person	Company	position, start_date
HAS_TRANSACTION	Company	Company	amount, direction, date

我个人习惯给每个节点加一个唯一ID（比如统一社会信用代码或身份证号），这样后续做去重和合并会方便很多。避坑指南：我曾经因为没做ID归一化，导致同一个公司在图里出现了两个节点，查路径时死活查不到——后来排查了整整一天才发现是数据源里公司名称写法不一致。

4.4 Neo4j 基础操作：建库、建点、建关系

好，咱们动手。假设你已经装好了Neo4j（社区版免费，够用）。打开浏览器，进入Neo4j Browser，咱们开始写Cypher语句。

4.4.1 创建节点

// 创建公司节点
CREATE (c:Company {name: '蓝海集团', credit_code: '91110000MA12345678', industry: '制造业'});

// 创建自然人节点
CREATE (p:Person {name: '张三', id_card: '110101199001011234'});

4.4.2 创建关系

// 张三持股蓝海集团60%
MATCH (p:Person {name: '张三'})
MATCH (c:Company {name: '蓝海集团'})
CREATE (p)-[:HOLDS_SHARE {ratio: 0.6, amount: 60000000}]->(c);

// 张三担任蓝海集团董事
MATCH (p:Person {name: '张三'})
MATCH (c:Company {name: '蓝海集团'})
CREATE (p)-[:IS_DIRECTOR {position: '董事', start_date: '2020-01-01'}]->(c);

4.4.3 批量导入（实战推荐）

实际项目中，数据量动辄几十万条，一条条CREATE不现实。我建议用LOAD CSV或者APOC插件批量导入。下面是一个典型的CSV导入示例：

// 导入公司节点
LOAD CSV WITH HEADERS FROM 'file:///companies.csv' AS row
CREATE (c:Company {
  name: row.name,
  credit_code: row.credit_code,
  industry: row.industry
});

// 导入持股关系
LOAD CSV WITH HEADERS FROM 'file:///shareholdings.csv' AS row
MATCH (holder:Person {id_card: row.holder_id})
MATCH (company:Company {credit_code: row.company_code})
CREATE (holder)-[:HOLDS_SHARE {ratio: toFloat(row.ratio)}]->(company);

4.5 知识体系：关联交易网络构建全景

下面这张图，是我自己总结的关联交易网络构建的核心逻辑。你可以把它当作一个检查清单：

4.6 实战案例：快速查询隐性关联

假设我们已经建好了图。现在想查“张三通过哪些公司间接控制了蓝海集团”？

// 查询张三到蓝海集团的所有控制路径（深度不超过5层）
MATCH path = (p:Person {name: '张三'})-[:HOLDS_SHARE*1..5]->(c:Company {name: '蓝海集团'})
RETURN path;

这条语句会返回所有从张三出发，经过1到5层持股关系，最终到达蓝海集团的路径。结果会以图形化方式展示，非常直观。

再比如，你想查“哪些公司与蓝海集团既有股权关系，又有业务往来”？

// 查询同时存在持股和交易关系的公司
MATCH (c1:Company {name: '蓝海集团'})<-[:HOLDS_SHARE]-(holder)
MATCH (c1)-[:HAS_TRANSACTION]->(c2:Company)
WHERE holder = c2 OR holder <> c2
RETURN c1, holder, c2;

4.7 本章小结

这一章我们重点讲了：

• 为什么关联交易分析必须用图数据库——因为关系本身就是数据
• 三种核心关系：股权、任职、业务往来，缺一不可
• Neo4j的基本操作：建节点、建关系、批量导入
• 一个实战查询案例：隐性控制路径挖掘

说实话，图数据库的学习曲线并不陡。你只要理解了节点和关系这两个概念，剩下的就是多写Cypher语句。我个人建议你拿自己手头的数据试试，哪怕只有几十条记录，跑通一个路径查询，那种“原来如此”的感觉会让你彻底爱上图分析。

好，这一讲就到这里。下一讲我们会深入图算法，聊聊怎么用社区发现算法自动识别关联交易团伙——那才是真正的大杀器。

---

公众号:蓝海资料掘金营，微信deep3321