面向行政處罰的智能決策系統開發及研究

金 玥

(陜西警官職業學院治安系，陜西 西安 710021)

0 引言

行政處罰是一種以制裁為主要內容的行政行為[1]，是由國家的法律、法規等確定的一種國家強制性制裁措施，涉及工商、財政、稅務、環保、交通、文教衛生[2]領域等。但是當面對違法者的違法行為時，合理的處罰量既帶來正確的示范效應，也能避免因過重的刑罰而造成的權力濫用。行政處罰的程序依據《中華人民共和國行政處罰法》包含三種情況，即簡易程序、一般程序以及聽證程序[3]。其中涉及行政處罰的有：處罰法定原則，處罰公正、公開原則，處罰與違法行為相適應的原則，處罰與教育相結合的原則，不免除民事責任、不取代刑事責任的原則以及救濟原則[4]。在國內，處罰裁量既受到國情影響，也會被執法者的知識水平、心理因素限制，所以智能化的處罰裁量亟待解決。

1 行政處罰的智能決策技術

行政處罰的智能決策技術，依賴于每種違法狀態和個人信息對應的處罰方案[5]，并且由機器智能地作出決策。這種映射關系是智能決策技術首要考慮的問題。該決策系統應具備自我學習的能力，由軟件與硬件組合，相比于傳統的人工智能方式，更依賴于數值計算。因此，可以采用集中式的管理體系，利用瀏覽器/服務器(browser/server,B/S)的模式運行整個系統。該智能決策系統流程如圖1所示。

圖1 系統流程圖

1.1 模糊神經網絡結構

分析推理模塊是主要的智能決策模塊。該模塊利用動態神經網絡的結構，處理過程是采集違法者的相關信息后，提取適當的信息特征，并將其導入知識庫中。結合神經網絡不斷進行模型訓練，直至作出合適的處罰裁量，輸出結果。處理流程如圖2所示。

圖2 處理流程示意圖

推理模塊基于高木和關野兩位學者提出的高木-關野(Takagi-Sugeno,TS)模糊模型[6]。其主要思想是將復雜的非線性系統問題簡單化處理成線段相近的各部分[7]。在本設計中，采用TS模糊模型將輸入量線性組合成復雜輸入量，輸出清晰化的裁量結果，從而滿足行政處罰的要求。模糊神經網絡結構如圖3所示。

圖3 模糊神經網絡結構圖

圖3中：第一層為與案例有關的信息因素[7]。這些輸入量可以歸納為4大類項目指標，輸入到神經網絡結構中。第二層是隸屬函數，其數學表達式如式(1)所示。第三層形容了模糊規則數，通過對樣本的學習，盡量使得學習的規則數最少、最重要。其中，第j個規則輸出的公式為式(2)，cj=(c1j,c2j,...,crj)為第j個徑向基函數(radial basis function,RBF)單元的中心。

(1)

(2)

RBF神經網絡的特征是神經元距離中心越近，其激活程度越高[8]，非常符合行政處罰中的情節因素判斷模式。

第四層是歸一化層。該層的節點應與模糊規則節點一致。它的第j個節點Nj的輸出為式(3)。第五層是輸出層。對于TS模糊模型，它的輸出量如式(4)所示。wk是第k個規則的連接方式，即輸出變量的權重乘積的加和，如式(5)所示。

(3)

(4)

(5)

1.2 算法設計

對于模糊神經網絡算子特征值的計算，影響處罰的因素分為4大類，分別是違法情節、違法結果、經濟條件和心理素質。其中，對于違法情節對處罰結果的因素權重分為沒有違法、1次違法、2～3次違法、4～5次違法以及5次以上違法。在違法情節中，還會細分成4小類，依次是違法記錄、違法動機、心理態度以及違法手段。違法結果對處罰結果的各因素權重分為輕微、較輕、中等、較重和嚴重。然后，對于經濟條件，分別從住宅水平、生活人口、年收支比和貸款情況進行考慮。最后，影響處罰的因素是心理素質。決定心理素質的因素有年齡、性別、婚姻情況、文化程度和個性性格。

以上4大類特征作為行政違法的算子的特征值，共涉及14個特征因素。智能決策支持系統會以這4種特征因素作為動態模糊神經網絡的輸入值。

在考慮神經網絡輸入量時，主要可以參照4類信息，即違法情節、違法后果、經濟條件以及違法者的心理素質。模糊神經網絡算法的主要設計是確定最優的網絡結構和參數，衡量的指標是泛化能力、時間復雜性以及空間復雜性[9]。依據誤差信息的優化，提升RBF神經網絡的泛化能力，通過建立滑動窗口機制并在線生成隱節點后，調節網絡參數，再將其在線合并和刪除，以實現算法。設置案例的輸入樣本為(xn,tn)。將該案例樣本滑動至滑動窗口，每個隱藏節點的輸出量如式(6)所示。

(6)

在計算誤差信號和樣本到數據中心的距離判斷后，分配新的隱藏節點，設置預定的訓練次數；然后，每次檢查是否有冗余節點；最后，將冗余節點在線合并和刪除，完成整個操作。

算法設計流程如圖4所示。

圖4 算法設計流程圖

2 系統開發的過程模型

2.1 案例推理理論基礎

在分析模糊神經網絡模型后，闡述系統中較為重要的案例推理模塊。案例推理是根據記憶理論發展出的心理學模型[10]，是人類三種思維(直覺、邏輯、創造性思維)的一種綜合表現形式。當遇到一個新事物，人們不僅看到具體問題，還會產生聯想，然后把事物歸類，從中找出以往處理過類似問題的經驗，經過一定的修正處理去解決新事物。對于簡單問題，案例的檢索和匹配主要是形象思維的過程。而對于復雜問題，往往難以通過簡單匹配檢索到相似的實例。此時，人們會將問題分解，使每個子問題能映射到一個相似案例，或從不同角度出發，尋找不同方面的類似問題，最后運用邏輯思維和創造性思維把匹配的子案例聯系起來，形成解決當前問題的新方法。

2.2 檢驗策略

案例推理的過程模型是一個記憶和聯想的過程，通過分析行政中對應輸入消息的案例信息，分析當時的違法情景，考慮違法者的情況和相關的證據鏈條組成處理的基礎。案例推理流程如圖5所示。

圖5 案例推理流程圖

檢索相近或相同的案例，是基礎、重要的步驟。這是后續判斷的依據。然后結合之前案例的解釋和建議，以及與之前參考案例的不同點，得出修正方案。違法者獲得行政處罰后，依據違法者對行政處罰結果的反應，對案例推理進行效果評估，調整成功后也將其存儲在案例庫中。

3 系統實現及分析

3.1 模型訓練

為了驗證動態模糊神經網絡組成的推理模塊的正確性以及有效性，采用某市級行政執法管理的案件樣本作為輸入量，采用在該城市的商品集散地市場環境，針對其中行政處罰的擺攤占道的違法問題的20組數據作為參考樣本。處罰樣本數據如表2所示。

表2 處罰樣本數據

根據輸入的數據變量樣本訓練模型，并對決策支持系統作歸一化處理。通過訓練處理，保持規則數的穩定性。RBF單元的分布情況如表3所示。

表3 RBF單元的分布情況

3.2 試驗結果分析

為了對整體的試驗效果進行分析，考量基于神經網絡的智能決策支持系統和實現行政處罰裁量的正確度，以總結違法情節上行政處罰的關系以及對社會的危害結果上的行政處罰力度的輸出。在利用真實案例訓練出推理模型后，基于不同違法情節的輸入，觀察行政處罰的幅度變化。表4是違法情節的變化輸入值。表5是危害程度數據輸入值。

表4 違法情節數據輸入值

表5 危害程度數據輸入值

綜合上述因素的影響，利用基于RBF神經網路的智能決策支持系統所作出的行政處罰裁量基本符合現實的情況，可以滿足基本的行政處罰功能，減少執法環節中的人工成本。但該方法欠缺之處是訓練數據過少，容易造成誤差，且對違法者的信息收集較少。行政處罰幅度輸出曲線如圖6所示。

圖6 行政處罰幅度輸出曲線

由圖6(a)可知，違法情節越嚴重，通過決策支持系統的判斷，違法者受到的處罰力度越大。同樣地，如圖6(b)所示，違法者的行政違法行為造成的社會危害結果越大，社會反響越強烈，受到的行政處罰幅度也會越大。

4 結論

經過多年的法制建設與社會進步，傳統的行政處罰方式越來越不易實現，而且目前存在許多弊端，例如低下的效率、不公正的處罰等。這些執法行為都造成可能出現的錯誤。利用人工智能進行行政處罰，將神經網絡算法融合到行政法律領域，設計出推理模塊；根據4類輸入量，依靠動態模糊神經網絡訓練模型，輸出處罰的解決方案。為了增加整個決策支持系統的健壯性和較快的收斂速度，采用滑動窗口機制實現上述需求。在后續的研究中，將增加數據的集成性。在案例內容不可使用時，提升自我修復能力，保證處罰的方式更加合理。該研究對現實中的法治建設具有積極的意義。