自動化行政的裁量困境與解決路徑*

何揚陽

(西安交通大學 法學院，陜西 西安 710049)

0 引言

當人工智能引領的第四次工業革命來襲，行政行為與自動化的結合成為必然趨勢。自動化行政在實踐中得到了廣泛運用并展示出諸多優勢。然而，隨著“頂格罰款”之類裁量不當案例的出現[1]，很多學者認為，行政自動化系統不能處理裁量問題。早在2007年，時任馬里蘭大學法學教授希特倫就曾對行政裁量自動化持否定態度，明確表示“那些明確或含蓄地要求行政主體行使自由裁量權的事項不能被自動化”[2]。牛津大學副教授魯本同樣宣稱：“算法決策通常被認為不能行使自由裁量權，因為在確定性系統中沒有回旋的余地”[3]。在我國，亦有部分學者持類似意見，認為“行政裁量存在封閉性的趨勢”[4]。這些擔心的出發點可以理解，但總體而言與事實并不相符。他們將自動化裁量置于一個狹隘的框架內考慮，忽視了現行技術的支撐能力，對行政自動化系統給出了悲觀的定位，主張裁量問題是自動化決策系統的短板，應當大幅減少其適用范圍，因為行政行為中羈束行政所占比例甚少，絕大多數都是裁量行政[5]。 因而，澄清這一問題不僅直接關系到行政自動化系統的可適用范圍，也關系到其未來的發展前途。

1 自動化行政的運行機理及模式劃分

1.1 自動化行政的運行機理

自動化行政是行政與技術的耦合，通過使用自動化系統來取代或輔助人工判斷，從而標準化和規范化政府決策的過程。其運作機理可劃分為三個環節：規則構建、信息輸入、結果輸出，如圖1所示。

圖1 自動化行政的運行原理

規則構建為自動化行政提供了基本的運行邏輯，是最為關鍵的一環。在實踐中，支撐自動化行政的技術路徑具有多樣性，不同技術的規則構建方式有所差別。基于規則推理的專家系統是由知識工程師在法律專家的協助下完成構建的，其核心是搭建知識庫和推理機。知識工程師對法律專家的經驗知識進行提煉，形成計算機可理解的“if-then”規則，使自動化系統具備與人類專家相稱的性能[6]。基于案例推理的專家系統構建核心是構造案例庫，從案例中歸納出支持索引和相關性評估的方法[7]。基于機器學習等算法的自動化系統使用訓練數據建立模擬人腦思考的函數經驗模型，將法律規范與案件事實之間的對應關系進行函數擬合，形成決策系統的推理規則。

自動化行政運行的第二個環節是信息輸入。為了獲取盡可能充足的信息與數據，需要通過人工或自動識別等方式將有待決策的行政事實轉化為初始識別信息，并將獲取的信息輸入至計算機系統內等待處理。隨后自動化系統對初始信息進行分析、對比，以便系統能夠根據設定的規則自動判斷、篩選和處理相關申請。例如，沈陽市和平區政府啟用智能引領式服務機器人優化提升政務服務，行政相對人在辦理審批業務時，首先需通過刷錄身份證件或者點擊、掃描屏幕二維碼的方式將辦理事項所需資料上傳至系統內，自動化系統才能從后臺自動檢索行政相對人上傳的信息和資料是否符合“秒批”事項清單[8]。

最后，在結果輸出環節，系統依據構建好的運行規則對輸入信息進行運算處理，產生聯系并做出合理的決策，給出具體可操作的決策結果。這些結果包括批準、駁回、轉交、處罰等。系統可以自動將結果輸出到相關人員或部門進行后續處理，提高行政治理的效率和準確性。

1.2 自動化行政的模式劃分

不同的行政事項及行政構架對行政自動化水平有著不同層級的要求。為了更好地滿足實際需求，有必要對行政自動化模式做出劃分。根據自動化決策有無裁量能力，可以將其劃分為行政羈束自動化和行政裁量自動化。

(1)行政羈束自動化

行政羈束自動化是指行政主體事先根據行政行為的要求及流程設置自動化程序，當行政主體或行政相對人的行為觸發該系統程序時，行政系統將待決事實與自有或共享的數據庫進行自動比對，根據構建好的規則進行分析處理并做出決策結果。在系統運行過程中，其所依據的法律規范在構成要件部分是清晰明確的、不存在不確定法律概念，在法律效果部分行政主體也沒有自由選擇和裁量的余地[9]。這些法律規范可以被相對輕松準確地提煉為“if-then”規則，由自動化系統識別并運行。

此種模式下，由于自動化系統在規則構建環節中預先決定了一系列確定的決策結果，系統只需要準確地識別出不同類型的法律事實，根據一一對應的關系應用規則執行推理，然后輸出結果即可。為了得到盡可能準確、標準的決策結果，行政羈束自動化在經典二值邏輯的指導下設計、構成與運作。換言之，行政羈束自動化基于具體的法律規范和相關規定，采用“是”或“否”的判斷方式給出明確的決策結果。典型的例子為各種“秒批”服務，如申領社保津貼、企業投資備案、異地就醫備案等。

(2)行政裁量自動化

在現實生活中，行政行為所依據的規則具體化程度較高、決策過程簡單的情況畢竟有限，更多的情況是，行政行為涉及的事實相當復雜，所對應的法律規范在構成要件、法律效果部分比較模糊，需要進行行政裁量。在此情況下，羈束行政的自動化模式就無法應對復雜問題帶來的挑戰，需要行政自動化系統像人類一樣行使裁量權。

裁量行政自動化要求計算機能夠根據具體情況對待解問題進行分析、權衡，給出裁量后的判斷結果。與前述羈束行政的自動化模式僅需要運用經典二值邏輯將事實與規則進行簡單匹配即可得出決策結果不同，裁量行政自動化面對的是在規范和事實方面具有模糊性的行政行為，決策主體需要根據具體情形作出“訂制”的結果。在這種情況下，0/1二元判斷下的傳統邏輯就無法處理“模糊性”導致的不確定性。這也意味著，繼續以經典二值邏輯作為裁量自動化的指導思維是不可行的。

2 自動化行政的裁量困境

行政裁量自動化的本質是將人類行政裁量的經驗和知識轉化為計算機程序和算法，從而實現智能化的決策。這種轉化是將人類的裁量過程進行形式化和抽象化的結果。因此，在一定程度上，自動化行政的裁量困境是人類執法過程中的裁量困境在計算機系統上的映射。對人類行政裁量進行分析，有助于更好地理解和把握自動化行政的裁量困境。

2.1 人類行政裁量的困境剖析

日本戰后最著名的行政法學者田中二郎博士曾指出，行政的精髓在于裁量[10]。這意味著，作為行政法上最為基本的概念范疇，裁量本身是行政行為、行政指導、行政計劃乃至委任立法等各個過程中皆不可或缺的一種行為方式、方法或形態，因而也是最難以把握的問題之一[11]。需要肯定的是，難以把握并不意味著無法做到，而是需要執法者耗費更多的精力重點關注。根據牛津大學社會法律研究中心主任丹尼斯·加利根教授提出的裁量分析模型來看，形成一個裁量決定有三個主要環節：查明事實、確定標準以及將標準運用于事實[12]。該理論對行政裁量的內部結構進行拆解，有助于進一步分析人類裁量困境的根本原因。

首先，查明事實是一個信息交互的過程。在這個過程中，執法人員需要將可見信息歸入到特定的概念和分類中。但是，客觀存在的界限不分明以及人類認知的局限性決定了查明事實本質上是一個模糊的過程。一方面，在現實生活中模糊性作為事物的基本特征廣泛存在，是常規現象而非例外情形[13]。這一點在時間或空間的邊緣區域表現得尤為強烈，例如瓜果初熟時的青黃相接和人類體型的高矮胖瘦等。另一方面，查明事實是執法者對已經發生的事件進行最大程度的還原，實際上是人的主觀認知過程，是證明主體運用經驗和邏輯對證據客體的反映[14]。但是受制于認知能力的局限性，人們只能通過認識感性表征的間接方法觀察客觀對象，無法獲得對“物自身”的根本認識[15]。

其次，確定標準的過程是尋找事實對應的法律規范，并對規范進行判斷和解釋的過程。在這個過程中，執法者同樣需要面對大量的模糊性問題。凡觸及行政裁量的法律規范，大抵可以區分為兩類：一類對行政行為的內容、方式和程序等事項做出范圍性規定，允許行政主體在法定范圍內選擇處理方式和處理內容；另一類僅對相關問題進行原則性指導，允許行政主體自主采取相應措施，給與其更大的裁量空間。此二類法律規范均充斥著大量的不確定概念及模糊表述。事實上，為了支撐法律平滑和有效囊括復雜的生活狀態，法律語言常常必須模糊[16]。模糊性給法律制度的發展留下了空間，使得法律可能通過試錯來成長；同時也為執法者應對個案情況預留了必要的調整和修改空間[17]。在一定程度上，法律規范中的模糊性賦予了執法者更多的權力，也加大了執法者對其進行恰當正確的解釋和評估的困難。

最后，將標準運用于事實環節是建立在一定客觀基礎上的主觀選擇。這個過程根源于執法者對證據、事實等內在特征的有限認識，對法律規范等標準的有限理解，是人類直面模糊問題思考應對方式的重要階段。如果運用不當，會產生不合理的裁量結果，裁量結果最終或被確認違法、或被認定無效撤銷、或被判決變更。

綜上，人類的行政裁量之所以難以把握，其根源在于“模糊性”。在查明事實的過程中，所涉及的概念和分類往往是模糊的，從證據中推斷事實真相也會存在多種可能性和不確定性。同樣，在確定標準并適用標準時，模糊性也使得執法者在決策時面臨著諸多挑戰。

2.2 裁量困境在自動化行政場景下的表現

當行政裁量與自動化相結合，模糊性對人類裁量提出的挑戰在自動化行政場景下出現新的形式。與人類裁量問題中模糊性存在的領域相對應，行政裁量自動化中的模糊性集中反映在規則構建與信息輸入環節。在規則構建環節，法律規范中存在的不確定法律概念(模糊概念)帶來了自然語言向計算機語言轉換的困難；在信息輸入環節，初始事實信息中存在模糊性造成了有效信息甄別的難題。

2.2.1 規則構建環節：法律文本的語言轉換困境

規則構建在行政裁量自動化系統運行中舉足輕重。一個完備詳盡的決策知識庫是行政機關依法行使自由裁量權的基礎。行政裁量決策知識庫包含裁量基準庫、裁量對象信息庫、規范文書庫和歷史裁量庫、法律法規庫等。將上述法律文本由自然語言轉換為計算機語言并輸入儲存至系統內，是后續決策實現的關鍵一步[18]。但是法律文本中大量存在的不確定法律概念(模糊概念)，成為了自然語言向計算機語言轉換的障礙。

正如奧地利哲學家考夫曼和蘇格蘭法哲學家麥考密克指出的“法學其實不過是一門法律語言學”[19]，人們需要并且期望語言可以將法律的全部內涵精準而明確的表述出來，但理想并不能總是如愿。行政法作為與日常生活聯系最為緊密的部門法之一，尤其在涉及裁量問題時，其規范中存在的模糊表述和不確定法律概念俯拾皆是，諸如《行政處罰法》第49條：“發生重大傳染病疫情等突發事件，為了控制、減輕和消除突發事件引起的社會危害，行政機關對違反突發事件應對措施的行為，依法快速、從重處罰。”短短六十多字的條文中，充斥著“重大”“減輕”“快速”“從重處罰”等一系列模糊語詞。再如《食品安全法》第124條第1款第4項：“生產經營腐敗變質、油脂酸敗、霉變生蟲、污穢不潔、混有異物、摻假摻雜或者感官性狀異常的食品、食品添加劑”，其中也不乏存在“污穢不潔”“感官性狀異常”等模糊語詞表述。

美國語言學家布龍菲爾德指出：“一個詞是一個最小的自由形式。”如果將一個完整的法律條文看作一項最大自由形式，該條文中各個詞語是具有獨立意義的最小拆分形式，是人們對法律條文內容進行認知的起點。若要確保計算機具備適用法律的基礎能力，使其可以對法律條文進行正確“認識”，將帶有模糊詞語的法律規范轉譯為相應代碼，并通過編譯操作使之成為計算機可執行的二進制指令成為關鍵。

2.2.2 信息輸入環節：初始事實的信息甄別難題

裁量自動化系統完成規則構建進入到個案應用時，首先要經過信息輸入環節。信息輸入環節可以進一步拆解為：獲取初始案件信息和信息甄別。首先，需要將案件發生時的全部信息匯總形成初始信息并輸入裁量自動化系統內。此時，現實情況的復雜多樣決定了未經處理的初始案件信息必然是龐雜、無序、模糊不清的。其次，為了保障裁量自動化的正確運行，必須要對初始信息進行整合、甄別、去粗取精、去偽存真，使其轉向簡要、有序、清晰可用。

初始案件信息可以依靠人工或機器獲取。無論選取何種方式，獲取主體均不能親歷發生在過去的事件。因此，獲取本質上是借助“證據之鏡”對歷史事件進行重構，在此過程中初始信息不可避免地存在著模糊性。信息甄別要求行政主體理解復雜紛繁的事實情況，判斷出一個場景包含的信息中哪些事實與決策關聯程度較高且應當考慮、哪些無效或應予排除[20]。在此基礎上，將復雜模糊的生活事實與相關法律規范的要求進行關聯，抽取出真實、有效、相關聯的部分，剔除掉冗余、矛盾、有偏差的部分。在傳統的人工行政場景下，事實甄別往往結合了行政主體的情感、記憶、教育背景以及在實踐過程中積累的對法律要求的感知，其合理程度受個人的法律素養和社會的法律文化綜合決定。行政裁量自動化場景下，計算機承擔起完成以上處理過程的重擔。但是，相較于其優秀的計算測量能力，計算機在感知能力的表現較為遜色。諸如著名的“董明珠闖紅燈事件”，2018年寧波自動化人臉識別執法系統錯誤地將一輛公交車上的照片識別為董明珠女士，并認定其實施了闖紅燈的違法行為[21]。又如疫情期間各地頻發的“健康碼錯誤賦紅事件”，多地居民反映其在未經過疫區、未接觸新冠患者也未出現新冠癥狀的情況下，被健康碼系統錯誤地賦予了紅碼。還有最新的“谷歌版ChatGPT演示翻車事件”，2023年2月6日美國科技公司谷歌宣布推出人工智能聊天機器人巴德，與當下流行的ChatGPT展開競爭，并且于2天后公開演示巴德的新功能。在演示過程中，巴德錯誤地將歐洲南方天文臺甚大望遠鏡(VLT)于2004年拍攝的太陽系外行星的第一批照片認定為由詹姆斯韋伯望遠鏡拍攝[22]。

可見，模糊不清、復雜多樣的初始信息給裁量自動化在信息輸入環節帶來了事實甄別和有效信息選擇的困難。為保障自動化系統能夠做出合理裁量，要求其具備在模糊信息中抓取有效事物特征的能力。

3 模糊邏輯理論：支撐行政裁量自動化

人類具備在不精確、不完備的環境中交流、推理和做出合理決策的能力，因而能夠較好地處理廣泛存在的模糊性問題[23]。模糊邏輯作為對人類此種能力的一種形式化嘗試，是突破自動化決策模糊困境的一柄利刃。因此在面對存在大量模糊問題的行政裁量時應轉換思維，以模糊邏輯重構裁量問題，將人類處理復雜、模糊、不精確問題的能力“遷移”至計算機智能決策系統內。

自20世紀20年代，英國著名哲學家和數學家羅素在《社會改造原理》一書中首次提到模糊性[24]，再到美國加州大學的扎德教授在1965年發表了著名的論文《模糊集》為模糊邏輯理論揭開序幕[25]。直至今日，模糊邏輯理論歷經數十年發展在不同領域內被進一步挖掘、演化及應用，包括但不限于圖像分割、非線性系統控制、網絡系統安全等。事實證明模糊邏輯理論因其較強的包容性與科學性，得以在各個領域內進化，為各學科關鍵問題提供了更好的解決方案。本文將模糊邏輯理論引入裁量問題，在結合二者特征的基礎上提出了應對自動化行政裁量困境的新思路(如圖2所示)。

圖2 以模糊邏輯理論應對裁量困境的解決路徑

3.1 以模糊邏輯理論破解規則轉換困境

法律文本中大量存在的模糊概念給規則構建環節帶來困難。人類通過自然語言表達形成法律文本，計算機通過建模語言構建裁量規則。自然語言到建模語言需要經過恰當的轉換處理，不確定法律概念(模糊概念)成為橫架在二者間的阻礙。破解轉換難題的關鍵是：首先，給予模糊概念恰當合適的定義。為了達到這一目的，有必要適當讓渡精確性，以自然語言或人工語言的字句代替數值成為變量，即以語言變量取代或者輔助數值變量。其次，以模糊產生式規則刻畫變量間的關系。

3.1.1 以語言變量取代或者輔助數值變量

根據法律文本中變量的特征和具體場景，選擇合適的語言變量，并為每個語言變量設計好隸屬度函數，是實現規則構建語言轉換的第一步[26]。

語言變量是一種用自然語言中的詞語或短語來描述的變量，例如“高、中、低”“大、中、小”等。其可以提供一種近似的表征方法，將法律規范中那些復雜、模糊、非明晰的定義或概念用簡單或者較少的概念進行重新定義或表示[27]。語言變量通常與模糊集合相關聯，模糊集合中的元素表示了語言變量的隸屬度或程度[28]。例如，當評價一個人的“年齡”時，標簽“年輕”可以被認為是變量“年齡”的語言值。語言變量的值的總和構成了它的術語集，加上“很、不、非常”等語言算子的共同作用，原則上一個術語集內可以有無限多的元素，諸如“年輕、很年輕、不是很年輕、中年、年老、非常年老……”。其中，“年輕”可以表示為一個模糊集合，其中包含了所有年齡的可能取值，而每個具體的年齡都對應一個隸屬度值，表示其與“年輕”的符合程度。語言變量的值“年輕”雖然不如具體的年齡數值如“25”更加精確，但是前者能夠蘊含并體現出評價者多方位的感受，更佳利于相互溝通。

具體而言，確定模糊語言變量的步驟如下：首先，將帶有模糊概念的法律文本拆解為語詞集合，其中包含精確語詞和模糊語詞；其次，將模糊語詞分別作為合成問題Q，并將合成問題拆分為更低層級上的子問題Q1、Q2、Q3、…、Qn；最后，確定給定對象在各個原子問題中的隸屬度并且給出子問題之間的關系表達式，確定語言變量及其模糊集合。

以前文提及的《行政處罰法》第49條為例，首先需要對條款規定中的模糊概念進行表示，將“重大傳染病”作為一個合成問題，則“致死率”“病毒毒性”“傳播能力”可以作為拆分后的原子問題Q1、Q2及Q3。原子問題Q1、Q2及Q3的模糊集交集在模糊集合論的意義下用于定義合成問題Q，如式(1)所示：

重大傳染病=Q1∩Q2∩Q3=致死率∩病毒毒性∩傳播能力

(1)

其次，設定Q1、Q2、Q3及Q的回答集合為l、m、h(低、中、高)，如式(2)所示：

A1=A2=A3=A=l+m+h

(2)

并假設Q的關系如表1所示。最后，將表1所示的關系表轉化為有效的分枝調查表，完成對“重大傳染病”的定義。分枝調查表的構成需要結合對原子問題成本的計算結果進行設置，涉及的具體構建部分可由技術專家做出具體的可操作性轉化，茲不贅述。

表1 重大傳染病關系表

3.1.2 以模糊產生式規則刻畫變量間的簡單關系

在使用模糊語言變量對模糊概念進行表示后，仍需要將法律規范整體轉換為計算機可以理解的規則，即用模糊產生式規則表示法律規則。模糊產生式規則的一般形式為：

IF(模糊條件)→THEN(模糊結論)，CF置信度(0

模糊產生式規則是用于描述模糊關系的條件語句。與傳統的二值邏輯條件語句不同，模糊產生式規則的條件和結論都可以是模糊概念，可以更好地反映法律文本中的模糊性[29]。它通常由三部分組成：模糊條件部分、關系運算符和模糊結論部分。模糊條件部分表示輸入變量的狀態或屬性，通常是由一組語言變量組成，例如，在前述運用甘肅省環保處罰裁量系統時，考量的模糊條件包括“行為人的企業類型屬于微型企業、違法行為嚴重、持續時間較長”。關系運算符用于描述輸入變量與輸出變量之間的關系，通常是一組模糊邏輯運算符，例如“如果……則”等。模糊結論部分表示輸出變量的狀態或屬性，通常也是由一組語言變量組成，例如“處以警告、責令停產停業、暫扣許可證件、罰款一定金額”等。

以《行政處罰法》第49條的規則構建為例，說明模糊產生式規則的形成過程。全國人大常委會法工委行政法室處長張曉瑩在全國人大常委會組織的新修訂行政處罰法的集體采訪中表示，適用該條款應從三個方面進行考慮：一是事件屬于重大傳染病等突發事件的程度；二是違反突發事件應對措施的情形，包括違反控制、封鎖、劃定警戒區、交通管制等控制措施的行為，也包括囤積居奇、哄抬物價、制假售假、哄搶財物、干擾破壞應急處置工作等擾亂市場秩序、社會秩序的行為；三是“從重處罰”應該與控制、減輕和消除突發事件引起的社會危害相匹配，在法定的處罰幅度內選擇較重的處罰幅度[30]。根據上述三方面要求，可以將模糊產生式規則的構建步驟總結為如下幾步：

首先，確定該條款的模糊條件及模糊結論。本條款的模糊條件包括兩個部分：(1)發生的事件是否屬于、或者在多大程度上屬于突發事件；(2)違反突發事件應對措施的情形是否嚴重。本條款的模糊結論是：行政機關對違反突發事件應對措施的行為從重處罰。

其次，分別對模糊條件賦予不同程度的真值，針對各種情況匹配不同程度的結論，如表2所示。

表2 《行政處罰法》第49條的模糊產生式規則表

最后，將模糊產生式規則轉化為計算機可識別的形式。通常采用模糊推理引擎來實現這一步。例如，可以使用模糊控制器將輸入變量“重大傳染病疫情等突發事件”和“違反突發事件應對措施的行為”映射到輸出變量“處罰程度”，從而實現自動化裁量的規則構建[31]。

需要注意的是，在表達法律文本時，需要根據實際情況進行合理的抽象和概括，以保證模糊產生式規則的準確性和有效性。同時，也需要不斷完善和調整模糊集合和隸屬度函數，以適應實際應用中的各種情況。

3.2 以模糊邏輯理論破解信息甄別難題

現實情況的復雜多樣、獲取主體的不可親歷等原因，導致在信息輸入環節獲取的初始信息龐雜、無序、模糊不清。為保障行政裁量自動化順暢運行，必須對初始信息進行甄別處理。信息甄別要求自動化系統具備以下能力：從初始文本中尋找出與待決案件相關聯的重要信息、剔除無關信息，并將提取到的相關信息組合成邏輯緊湊連貫的內容。針對這一問題，模糊分類、模糊匹配可以有效提升自動化系統處理輸入信息的能力。

3.2.1 以模糊分類實現信息預處理

在行政裁量自動化中，輸入信息的準確性對后續處理結果至關重要。然而，經人工或自動化系統采集的初始信息往往包含模糊不清的部分，需要利用模糊分類對其預處理。模糊分類是指在模糊集合理論框架下對數據進行分類的過程。與傳統的分類方法相比，模糊分類可以處理一些具有不確定性或模糊性的數據，例如某些屬性的值可能不是唯一的或難以精確測量[32]。模糊分類可以將數據集劃分為多個模糊集合，并根據這些模糊集合的交叉程度將其歸類成具有相似特征的類別，為后續的自動化處理提供有力支持。

在行政裁量自動化中，通過模糊分類可以將輸入的龐雜信息初步歸類，減少錯誤匹配的可能和無關信息的干擾。例如，將輸入的涉及“食品安全”的文本歸為“食品安全類別”，將輸入的涉及“環境保護”的文本歸為“環保類別”，提高行政裁量自動化的準確性和效率。

以交通違法類行政處罰為例，說明模糊分類如何對輸入的模糊信息進行處理。首先，行政主體或行政自動化系統需要根據案情記錄和相關證據材料，將違法行為的描述、違法時間、違法地點等相關文本輸入到信息系統中。其次，自動化系統會根據文本中的關鍵詞和語義信息，篩選出與違法行為相關的信息，例如“紅燈”“駕駛機動車通過”“交通管理處罰”等。最后，對篩選出來的相關信息進行模糊量化處理，根據不同的關聯程度，對信息進行打分和權重計算，例如將“違法行為”分為“直接違法行為”“間接違法行為”等不同的類別。

通過模糊分類的處理，可以將文本信息中的模糊性轉化為可量化的信息，并進行相應的判斷和決策。這種方式不僅提高了信息處理的準確性和效率，而且也可以幫助決策者更好地掌握實際情況，做出更明智的決策。

3.2.2 以模糊匹配進行信息再甄別

盡管模糊分類可以將輸入的信息劃分到不同的類別中，但是由于現實世界中存在大量復雜的情境和信息，計算機很難將所有的信息都準確地歸類到某個固定的類別中[33]。因此，模糊分類有時候也會存在誤判或分類不準確的情況。為了彌補模糊分類的不足，需要模糊匹配對已經分類的信息進行再次匹配和比對，以便自動化系統更加準確地實現信息甄別。

模糊匹配是指通過比較兩個或多個記錄，計算出它們屬于同一實體的可能性，找出與特定需求或主題相關信息的技術[34]。例如，在食品安全領域，模糊分類將輸入文本歸為“食品安全類別”后，模糊匹配進一步對文本中與食品生產、經營、銷售等方面相關的信息進行篩選甄別。在模糊產生式系統中，上述匹配并非是完全精確式匹配，而是蘊含著程度概念的匹配。通常模糊匹配會采用類似用“語義距離”的度量方式計算模糊數據對象間的差距，當匹配程度達到一定水平以后就算匹配成功，從而允許使用某條產生式規則。

模糊匹配通常可以從以下幾方面對輸入信息進行關鍵詞和特征匹配，從而實現信息甄別：

其一，案件事實和法律規定的匹配。系統可以通過提取案情中的關鍵詞和特征，匹配事實描述和相關法律規定。例如，在景磊訴成都市公安局交通管理局第四分局案中，自動化系統利用自然語言處理技術對“行為人駕駛案涉車輛未按照交通信號燈通行”進行解析，匹配相關法律規定，如《道路交通安全法》第26條、第90條等，判斷駕駛行為是否違反交通管理規定。

其二，相關證據的匹配和分析。系統可以利用模糊匹配對案件相關證據進行分析和匹配，如交通警察的執法記錄、當場口頭告知違法行為、簡易程序處罰決定書等。通過分析證據的內容和相關法律規定的要求，判斷證據是否真實可靠。

其三，類案聯系和類比推理。系統可以利用模糊匹配對類似案件進行比對和分析，通過類比推理確定相關信息的可能依據，框定處理范圍。

通過模糊匹配，行政裁量自動化系統可以對輸入的模糊信息進行全面深入的分析和處理，保障系統可以更加準確地分析、篩選和甄別案件事實，從而提高行政裁量的精度和效率。

4 結論

隨著智能化時代的快速發展，行政自動化得到了前所未有的技術和政策的雙重支持。裁量問題作為行政法中最廣泛的存在，是自動化行政亟需解決的重要問題。然而，行政裁量過程中廣泛存在的模糊性，不僅是人類執法者難以把握的根源，也是自動化行政向裁量自動化深入發展的桎梏。模糊邏輯打破了經典二值邏輯鑄就的藩籬，是直面模糊問題有力工具。將模糊邏輯理論引入行政自動化領域，在一定程度上回應了自動化行政的裁量困境，為行政裁量自動化的解決路徑提供理論支持。

事實上，在法律實踐中人們一直在無意識地運用模糊邏輯及模糊推理。將模糊邏輯理論系統拓展到法律領域并用來指導法律實踐仍處于探索初期，面臨著許多困難。因此，更需要法律人與技術專家通力合作，將這種人們“自發的意識”轉換為機器“自覺的行動”，以有效指導今后自動化行政的法律實踐。