守好数智化招投标安全底线

近年来，大数据、人工智能、区块链等数智技术加速向招投标领域渗透应用，推动招投标市场由电子化向数字化、智能化转型。2026年2月，国家发展改革委等八部门联合印发《关于加快招标投标领域人工智能推广应用的实施意见》，围绕招标投标交易全过程和管理重点环节，明确20个重点应用场景，推动招标投标和人工智能深度融合，改进招标投标范式，对提升服务和监管的数智化水平、规范招标投标市场秩序、优化市场营商环境、保障“阳光交易”、推进全国统一大市场建设具有重要意义。

然而，技术作为工具本身具有双面性，数智化转型为招投标“阳光交易”提供了强大的技术动能，但也带来了数据泄露、算法黑箱与模型投毒等新型安全风险。如果安全基座不稳，“阳光”之下的阴影可能比传统时代更加隐蔽、更难消弭，因此，安全不是数智化招投标的“附加项”，而是其底线命题。在招标投标领域数智化转型过程中，不仅应强化技术嵌入，也应筑牢安全制度底线，方能实现从“技术可用”到“制度可信”的跨越，真正护航招投标“阳光交易”，从而促进数字经济健康发展。

厘清风险类别与生成机理

人工智能在招投标领域的应用，主要基于对数据的收集、训练、分析和运用，当数据高度集聚、算法深度参与评审决策，安全风险的形式可能由显性的人为干预向隐蔽的技术性风险演化。因此，要厘清这些风险类型及其生成机理，方能针对性地构建防护体系。

第一，数据安全风险。数据是数智化招投标的核心生产要素，电子招投标平台天然具有数据的“集聚效应”。经营主体数量和交易数据规模持续增长，与此相对应，大量经营主体信息、投标报价明细、技术方案、资质证书等数据高度集中，数据安全风险亦随之增大。在数据泄露方面，平台化运营使分散于各交易环节的敏感信息高度集聚，外部攻击者一旦突破防护即可批量获取，内部人员违规访问的边际成本也因集中存储而显著降低。在数据投毒方面，训练数据是人工智能模型的认知基础，恶意竞争者通过向公开训练集注入虚假投标记录或伪造履约评价，可诱导模型形成对特定类型企业的系统性偏见。在数据滥用方面，跨部门数据共享与融合是大数据监管的基本措施，但若无明确的目的限定与脱敏机制，原始招投标数据可能在非授权场景下被超范围挖掘或使用，成为制度性隐私保护的灰色地带。

第二，算法安全风险。人工智能在招投标领域全链条应用，数智模型从辅助工具升级为评标决策的核心参与者，若存在内部安全缺陷，则可能对公平竞争的市场秩序产生系统性威胁。从算法黑箱看，模型内部决策逻辑不可解释、不可追溯，为人为操纵提供了可乘之机，系统设计者可能在模型中设置倾向性参数，借“模型输出”之名行人为干预之实，而外部审计难以查证。从算法歧视看，模型在学习历史训练数据过程中可能会固化数据的系统性偏见，招投标历史交易数据中的规模偏好、区域集中、行业惯性等结构性偏差可能被模型学习并固化，形成对某类企业的隐性歧视。从模型幻觉看，模型在训练中可能生成看似合理实则错误的内容，如对招投标领域专业知识的理解存在盲区，可能生成看似规范实则与现行法规相悖的条款表述。

第三，系统安全风险。由于数智化招投标高度依赖电子化平台与复杂技术生态，集中化的电子招投标平台一旦在关键节点遭受攻击，可能导致评标活动中断、评审数据丢失甚至被篡改，直接影响公共资源配置的正常秩序。在供应链环节，招投标数智化系统往往集成多类第三方组件、开源框架及云服务，一旦某一环节失守，安全风险可沿供应链逐级传导，引发系统性安全风险。

构建全周期安全防护体系

安全防护体系的构建，不能仅靠单一环节发力，结合人工智能应用模型的运行特征，可以从源头设计、数据训练、测试验证、部署运行和应急处置五个阶段构建覆盖模型全生命周期、贯通数据全链条的安全防护体系，推动“机器管招投标”在可控、可信、安全的轨道上平稳运行。

第一，人工智能应用源头设计应植入安全基因。数智化招投标的安全防线，要前置于人工智能应用源头设计阶段，防范敏感特征被随意纳入模型、数据采集范围过度扩张等安全风险。在持续深化公共资源交易平台整合共享的同时，应强化对招投标平台建设与算法模型立项的安全审查机制。一是建立算法安全影响评估的前置程序，在模型设计之初即明确禁止使用的特征类别，从源头阻断歧视性参数的嵌入。二是监管部门可发布“招投标算法负面清单”，严禁将企业所有制形式、注册地域等敏感属性作为评分因素，并限制报价离散度、投标频率等间接关联特征的过度使用。三是构建风险实时监测系统，对数据访问异常、模型输出偏离、网络流量突变等风险指标进行自动化监控与智能报警。

第二，数据训练应严防投毒与隐私泄露。训练数据是招投标人工智能模型的“水源地”，数据质量关乎算法决策的可靠性与公平性，一经污染，后续的评标打分、异常预警等环节的判断就可能产生系统性偏差。因此，应从数据采集、清洗到使用的全链条上设立严密防线。一是建立训练数据来源核验机制。对进入训练集的招投标历史数据实施强制性来源验证，包括投标记录、中标结果、履约评价、企业资质等，确保数据来源合法、可信。二是建立训练数据异常检测机制，对训练数据进行投毒扫描，识别并剔除重复提交的恶意样本、异常偏离的虚假评分记录以及不符合业务逻辑的伪造数据，从入口端保障训练数据集的纯净性与真实性。三是建立训练数据隐私泄露防范机制。针对跨区域专家抽取、供应商信用联合评估等需要多源数据融合的场景，采用联邦学习技术，使各参与方在不暴露本地原始数据的前提下完成联合建模，对评标专家个人信息、投标报价明细等高度敏感字段，在进入训练集前实施隐私处理或同态加密，防范训练数据被非授权获取后造成隐私数据泄露。

第三，模型在应用前须经过鲁棒性与公平性审查。招投标人工智能模型从开发到最终应用，必须通过独立、严格的安全测试，防止“带病上线”。鲁棒性指的是模型在遭受对抗攻击时的稳定性。招投标领域的对抗攻击可能表现为恶意投标方构造特殊投标文件，刻意触发模型误判，如通过异常报价模式“欺骗”围串标检测模型，使其将合谋报价判定为合理。因此，在模型上线前强制开展对抗性测试，识别并阻断潜在的系统性风险。公平性指的是模型应公平对待不同所有制、不同规模的企业主体，避免出现系统性评分偏差。应引入第三方专业测评机构，检测模型是否对中小企业、新进入者或某类所有制企业形成隐性歧视，通过穿透式审查为算法的可信度提供制度保障。

第四，实时监测模型运行过程中的异常行为，并建立介入机制。一是建立异常行为实时监测体系，对模型的输出分布、不同所有制与不同规模企业的评分均值等核心指标进行持续追踪，一旦监测到模型输出发生显著偏离，就及时报警，确保异常行为在第一时间被感知。二是嵌入可解释性工具。当模型触发告警或投标主体对评分结果提出异议时，系统须能够解释判定依据。例如，围串标检测模型应明确指出是IP地址雷同、报价规律异常一致还是技术方案高度相似。三是建立及时介入机制。当系统触发高级别报警或投标主体对算法输出的评分与判定提出异议时，应迅速启动人工接管程序，由评标委员会或指定专家组进行独立复核与裁定，坚持技术的辅助性定位原则，模型生成的结论不替代评标主体的自主判断。

第五，建立招投标安全风险应急响应机制。制定覆盖典型安全事件的分类分级应急预案，针对招投标领域高发的安全事件，分类明确处置流程与响应时限。一是投标文件泄露。一旦发现投标报价明细、技术方案等商业秘密遭到非授权获取，应立即启动紧急隔离措施，排查泄露源头，控制传播范围，通知受影响企业并协助其采取法律救济措施，及时恢复受影响的招投标活动秩序。二是评标系统入侵。当监测到评标平台遭受黑客攻击或恶意代码植入，应具备执行攻击阻断、恶意代码清除、数据完整性校验与备用系统切换的应急方案和技术通道，确保评标业务不中断、评审数据不丢失。通过完善的安全风险应急响应机制，做到对安全事件的快速发现、精准处置、及时恢复，为数智化赋能招标投标领域规范有序运行提供坚实可靠的安全保障。

（重庆工商大学重庆廉政与审计治理研究中心副主任、研究员 李鹏飞；本文第二作者为重庆工商大学法学与社会学学院 孟辰）