在相互联系日益紧密的全球经济中，组织信任和有效使用数据的能力是创新、增长和竞争力的基础。
高质量的数据生态系统是变革和创新的驱动力，使组织能够发现并抓住新机遇。同时，低数据质量会导致效率低下，并使组织面临监管和声誉风险。
GLEIF 致力于优化 LEI 数据的质量、可靠性和可用性。自 2017 年以来，它发布了专门的月度报告，以透明的方式展示全球 LEI 系统达到的整体数据质量水平。
为了帮助更广泛的行业了解和认识 GLEIF 的数据质量举措，这一新的系列博客探讨了报告中包含的关键指标。
本月的博客将探讨二级理解，它回答了 "谁拥有谁？
第 1 级数据回答了 "谁是谁？"的问题，但在当今相互关联的金融世界中，透明度不仅仅是知道一家公司的名称或注册号，更重要的是了解公司背后真正的主人是谁。为了实现这一点，我们引入了二级数据来回答"谁拥有谁" 的 问题。
在全球 LEI 系统（GLEIS）中，二级数据不仅能识别直接和最终会计合并母公司，还能识别国际分支机构和投资基金，从而捕捉各种关系。
直接会计合并母公司是在其财务报表中合并一个实体的最底层公司。相比之下，最终会计合并母公司是没有母公司的最高级别公司。
GLEIF 通过月度报告跟踪并公布这一关系数据，为母公司关系报告的完整性提供透明度。母公司关系指标统计了至少有一个有效母公司实体（已发布或未按时年检）的 LEI 记录数，包括直接母公司、最终母公司和分支机构，但不包括报告异常。截至 2025 年 10 月，有 135,451 个 LEI 符合 "父实体关系 "指标。完整母公司信息显示了具有一套完整且经过验证的母公司详细信息的 LEI 记录数量，占同月 LEI 总数的 2,892,126 个，即 93.13%。
总之，这些指标清晰地反映了整个 GLEIS 对母公司和所有权关系披露和维护的全面程度，强化了 GLEIF 在全球金融生态系统中增强信任、问责和透明度的使命。这种可视性有助于监管机构、企业和分析师评估整个企业集团而非单个实体的风险，从而加强金融稳定性、合规性和负责任的投资行为。
当一个法定实体将自己报告为投资基金时，它被定义为一个集体投资计划，由多个投资者实益拥有，并由资产管理人或在某些情况下由基金本身代表他们进行管理。2025 年 10 月，在 GLEIS 中被列为投资基金的实体有 150,774 个，这些实体又分为三大类基金关系：
基金管理实体：负责基金章程、运营和风险管理的法定实体。
伞形结构：包含多个子基金的母实体，每个子基金都有不同的投资目标、投资者以及独立的资产和负债。
母基金-联接基金结构：一个或多个联接基金专门或几乎全部投资于一个母基金的结构。
加强第 2 级报告
为了加强作为 GLEIS 基础的数据透明度，GLEIF 致力于通过第 2 级报告不断提高关系数据的质量和完整性。
近期加强第 2 级报告的主要举措包括增加严格的数据质量检查和引入政策符合性标志 (PCF)。与此同时，GLEIF 正在探索使用人工智能 (AI) 来进一步提高关系数据提取的自动化和准确性：
作为 2025 年规则制定更新的一部分，自 11 月 13 日起，GLEIF 引入了新的数据质量检查，以进一步提高关系数据的准确性和一致性，这将反映在即将发布的报告和 DQ 面板中。这些检查旨在确保报告的实体间链接既符合逻辑，又符合既定的关系报告规则和数据质量标准。具体的检查包括：核实分支机构的总部地址与其总公司的法定地址是否一致，反之亦然；确认转移期间关系的注册状态是否一致；验证实体在其法定形式不允许合并其他实体的情况下是否合并了其他实体；确保实体在其法定形式意味着预计不会合并其他实体的情况下不报告母公司关系。
此外，一些现有的检查通过防止循环关系和确保所有直接母公司及其子 公司汇聚到同一最终母公司或同一报告例外，继续支持所报告的直接母公司链的 完整性。这可以验证非分支实体是否报告了完整而独特的父信息，并对例外情况进行了仔细管理，以避免与关系记录发生冲突，还可以确认当记录处于非活动状态时，子关系使用了正确的注册状态。
PCF于 2024 年 4 月推出，是一种简单的工具，用于确定每条 LEI 记录是否符合监管委员会（ROC）的政策。确定符合状态的一个标准是 2 级报告。如果第 2 级报告完整，则意味着法定实体已报告其直接和最终母公司的数据，或提供了不报告该数据的可接受理由之一。
符合要求的实体展示了对透明度和问责制的坚定承诺。它们经过核实的所有权信息能够更有效地监控交易，更清晰地了解公司结构。自推出以来，PCF 已帮助显著提高了 2 级数据质量--符合水平从 2024 年 4 月的 87.97% 提高到 2025 年 10 月的 89.62%。
GLEIF 还试行使用人工智能从非结构化年度报告中自动提取母子公司关系。这种方法利用大型语言模型 (LLM) 直接读取公司年报，生成结构化子公司列表，并通过多阶段验证流程对其进行完善。试点表明，人工智能驱动的提取既可行，又可与人工方法相媲美，能识别类似数量的实体，并经常捕捉到人工审核忽略的子公司。虽然人工智能的准确性仍在不断提高，但早期结果表明，在不久的将来，结合自动和人工方法可以提供最全面的覆盖范围。虽然这项工作仍处于早期阶段，但它凸显了人工智能补充现有数据验证和分析流程的潜力。
将数据转化为机遇
这些举措在确保 LEI 记录保持准确、可信和跨辖区互操作性方面共同发挥着不可或缺的作用。随着数据用户、法规制定者和机构越来越依赖于这些高质量的数据集，他们将有能力构建更智能的系统，提高合规自动化程度，并更深入地了解全球所有权结构--最终推动整个数字生态系统实现更高的信任度、问责制和创新性。
如果您希望对博文进行评论，请使用您的姓名来识别自己。您的姓名将显示在您的评论旁。不会公布电子邮件地址。请注意，访问讨论区或在其中发帖即表示您同意遵守GLEIF 博客政策条款，因此请仔细阅读该条款。
Zornitsa Manolova 是 Global Legal Entity Identifier Foundation (GLEIF) 数据质量管理和数据科学团队的领导者。自 2018 年 4 月起，她负责通过引入创新的数据分析方法来加强和改进既定的数据质量和数据治理框架。在此之前，Zornitsa 曾在普华永道法证部门负责管理国际金融调查的法证数据分析项目。她拥有德国马尔堡菲利普大学的计算机科学专业学位，主修机器学习。
