面向行政处罚的智能决策系统开发及研究

金 玥

(陕西警官职业学院治安系，陕西 西安 710021)

0 引言

行政处罚是一种以制裁为主要内容的行政行为[1]，是由国家的法律、法规等确定的一种国家强制性制裁措施，涉及工商、财政、税务、环保、交通、文教卫生[2]领域等。但是当面对违法者的违法行为时，合理的处罚量既带来正确的示范效应，也能避免因过重的刑罚而造成的权力滥用。行政处罚的程序依据《中华人民共和国行政处罚法》包含三种情况，即简易程序、一般程序以及听证程序[3]。其中涉及行政处罚的有：处罚法定原则，处罚公正、公开原则，处罚与违法行为相适应的原则，处罚与教育相结合的原则，不免除民事责任、不取代刑事责任的原则以及救济原则[4]。在国内，处罚裁量既受到国情影响，也会被执法者的知识水平、心理因素限制，所以智能化的处罚裁量亟待解决。

1 行政处罚的智能决策技术

行政处罚的智能决策技术，依赖于每种违法状态和个人信息对应的处罚方案[5]，并且由机器智能地作出决策。这种映射关系是智能决策技术首要考虑的问题。该决策系统应具备自我学习的能力，由软件与硬件组合，相比于传统的人工智能方式，更依赖于数值计算。因此，可以采用集中式的管理体系，利用浏览器/服务器(browser/server,B/S)的模式运行整个系统。该智能决策系统流程如图1所示。

图1 系统流程图

1.1 模糊神经网络结构

分析推理模块是主要的智能决策模块。该模块利用动态神经网络的结构，处理过程是采集违法者的相关信息后，提取适当的信息特征，并将其导入知识库中。结合神经网络不断进行模型训练，直至作出合适的处罚裁量，输出结果。处理流程如图2所示。

图2 处理流程示意图

推理模块基于高木和关野两位学者提出的高木-关野(Takagi-Sugeno,TS)模糊模型[6]。其主要思想是将复杂的非线性系统问题简单化处理成线段相近的各部分[7]。在本设计中，采用TS模糊模型将输入量线性组合成复杂输入量，输出清晰化的裁量结果，从而满足行政处罚的要求。模糊神经网络结构如图3所示。

图3 模糊神经网络结构图

图3中：第一层为与案例有关的信息因素[7]。这些输入量可以归纳为4大类项目指标，输入到神经网络结构中。第二层是隶属函数，其数学表达式如式(1)所示。第三层形容了模糊规则数，通过对样本的学习，尽量使得学习的规则数最少、最重要。其中，第j个规则输出的公式为式(2)，cj=(c1j,c2j,...,crj)为第j个径向基函数(radial basis function,RBF)单元的中心。

(1)

(2)

RBF神经网络的特征是神经元距离中心越近，其激活程度越高[8]，非常符合行政处罚中的情节因素判断模式。

第四层是归一化层。该层的节点应与模糊规则节点一致。它的第j个节点Nj的输出为式(3)。第五层是输出层。对于TS模糊模型，它的输出量如式(4)所示。wk是第k个规则的连接方式，即输出变量的权重乘积的加和，如式(5)所示。

(3)

(4)

(5)

1.2 算法设计

对于模糊神经网络算子特征值的计算，影响处罚的因素分为4大类，分别是违法情节、违法结果、经济条件和心理素质。其中，对于违法情节对处罚结果的因素权重分为没有违法、1次违法、2～3次违法、4～5次违法以及5次以上违法。在违法情节中，还会细分成4小类，依次是违法记录、违法动机、心理态度以及违法手段。违法结果对处罚结果的各因素权重分为轻微、较轻、中等、较重和严重。然后，对于经济条件，分别从住宅水平、生活人口、年收支比和贷款情况进行考虑。最后，影响处罚的因素是心理素质。决定心理素质的因素有年龄、性别、婚姻情况、文化程度和个性性格。

以上4大类特征作为行政违法的算子的特征值，共涉及14个特征因素。智能决策支持系统会以这4种特征因素作为动态模糊神经网络的输入值。

在考虑神经网络输入量时，主要可以参照4类信息，即违法情节、违法后果、经济条件以及违法者的心理素质。模糊神经网络算法的主要设计是确定最优的网络结构和参数，衡量的指标是泛化能力、时间复杂性以及空间复杂性[9]。依据误差信息的优化，提升RBF神经网络的泛化能力，通过建立滑动窗口机制并在线生成隐节点后，调节网络参数，再将其在线合并和删除，以实现算法。设置案例的输入样本为(xn,tn)。将该案例样本滑动至滑动窗口，每个隐藏节点的输出量如式(6)所示。

(6)

在计算误差信号和样本到数据中心的距离判断后，分配新的隐藏节点，设置预定的训练次数；然后，每次检查是否有冗余节点；最后，将冗余节点在线合并和删除，完成整个操作。

算法设计流程如图4所示。

图4 算法设计流程图

2 系统开发的过程模型

2.1 案例推理理论基础

在分析模糊神经网络模型后，阐述系统中较为重要的案例推理模块。案例推理是根据记忆理论发展出的心理学模型[10]，是人类三种思维(直觉、逻辑、创造性思维)的一种综合表现形式。当遇到一个新事物，人们不仅看到具体问题，还会产生联想，然后把事物归类，从中找出以往处理过类似问题的经验，经过一定的修正处理去解决新事物。对于简单问题，案例的检索和匹配主要是形象思维的过程。而对于复杂问题，往往难以通过简单匹配检索到相似的实例。此时，人们会将问题分解，使每个子问题能映射到一个相似案例，或从不同角度出发，寻找不同方面的类似问题，最后运用逻辑思维和创造性思维把匹配的子案例联系起来，形成解决当前问题的新方法。

2.2 检验策略

案例推理的过程模型是一个记忆和联想的过程，通过分析行政中对应输入消息的案例信息，分析当时的违法情景，考虑违法者的情况和相关的证据链条组成处理的基础。案例推理流程如图5所示。

图5 案例推理流程图

检索相近或相同的案例，是基础、重要的步骤。这是后续判断的依据。然后结合之前案例的解释和建议，以及与之前参考案例的不同点，得出修正方案。违法者获得行政处罚后，依据违法者对行政处罚结果的反应，对案例推理进行效果评估，调整成功后也将其存储在案例库中。

3 系统实现及分析

3.1 模型训练

为了验证动态模糊神经网络组成的推理模块的正确性以及有效性，采用某市级行政执法管理的案件样本作为输入量，采用在该城市的商品集散地市场环境，针对其中行政处罚的摆摊占道的违法问题的20组数据作为参考样本。处罚样本数据如表2所示。

表2 处罚样本数据

根据输入的数据变量样本训练模型，并对决策支持系统作归一化处理。通过训练处理，保持规则数的稳定性。RBF单元的分布情况如表3所示。

表3 RBF单元的分布情况

3.2 试验结果分析

为了对整体的试验效果进行分析，考量基于神经网络的智能决策支持系统和实现行政处罚裁量的正确度，以总结违法情节上行政处罚的关系以及对社会的危害结果上的行政处罚力度的输出。在利用真实案例训练出推理模型后，基于不同违法情节的输入，观察行政处罚的幅度变化。表4是违法情节的变化输入值。表5是危害程度数据输入值。

表4 违法情节数据输入值

表5 危害程度数据输入值

综合上述因素的影响，利用基于RBF神经网路的智能决策支持系统所作出的行政处罚裁量基本符合现实的情况，可以满足基本的行政处罚功能，减少执法环节中的人工成本。但该方法欠缺之处是训练数据过少，容易造成误差，且对违法者的信息收集较少。行政处罚幅度输出曲线如图6所示。

图6 行政处罚幅度输出曲线

由图6(a)可知，违法情节越严重，通过决策支持系统的判断，违法者受到的处罚力度越大。同样地，如图6(b)所示，违法者的行政违法行为造成的社会危害结果越大，社会反响越强烈，受到的行政处罚幅度也会越大。

4 结论

经过多年的法制建设与社会进步，传统的行政处罚方式越来越不易实现，而且目前存在许多弊端，例如低下的效率、不公正的处罚等。这些执法行为都造成可能出现的错误。利用人工智能进行行政处罚，将神经网络算法融合到行政法律领域，设计出推理模块；根据4类输入量，依靠动态模糊神经网络训练模型，输出处罚的解决方案。为了增加整个决策支持系统的健壮性和较快的收敛速度，采用滑动窗口机制实现上述需求。在后续的研究中，将增加数据的集成性。在案例内容不可使用时，提升自我修复能力，保证处罚的方式更加合理。该研究对现实中的法治建设具有积极的意义。