论文部分内容阅读
[摘要]本文针对执行法院的“执行难”现象提出了一个基于CBR的隐匿财产线索挖掘决策支持系统，通过构建一套被执行人特征属性的评价指标，利用已完结的执行案件构建历史案例库，计算当前执行案件和历史案例库中完结案件的综合相似度，得到目标案件和历史案件的相似度排序以推导出目标案件中被执行人的执行能力及其隐匿财产的可能性，从而辅助法院的执行工作，提高执行人员的工作效率。
[关键词]案例推理；隐匿财产；决策支持系统
中图分类号：TP311.52 文献标识码：A 文章编号：1674-1722（2021）13-0060-06
“执行难”一直是困扰司法机关树立权威的突出问题。随着互联网金融服务的发展，被执行人对其财产的转移也变得更加方便、快捷和隐蔽。我国大多数法院的传统执行方法是通过登门临柜的方式查人找物，这种传统模式不仅耗时耗力，对被执行人的行踪去向和其财产形式的覆盖面也极其有限。基于此，在进行案件执行机制改革的同时，利用新兴技术提高司法人员的执行工作效率，降低执行查控的成本成为当务之急。本文提出的基于CBR的隐匿财产线索挖掘决策支持系统正是这方面的尝试，该决策支持系统旨在通过案例推理的技术手段对被执行人的执行能力进行评估及预测其隐匿财产的可能性。
决策支持系统是为了辅助决策者解决非结构化或半结构化问题而产生的一种信息系统，目前被广泛应用于多个领域，在医疗行业，临床决策支持系统（clinical decision support system，CDSS）是辅助医务人员进行临床决策的新兴信息技术手段。Brandon等[1]通过将基因导向技术和临床决策支持系统结合的方法对病人的疾病风险进行预测和评估。厦门大学附属第一医院[2]利用BI决策支持系统对临床药品的使用量开展了信息化监测和管理。此外，DSS在工程技术领域也被广泛使用。刘仁涛等[3]使用三步筛选框架构建了一个应对突发水污染应急处置工程的决策支持系统。王建国等[4]基于用地属性的相似关系建立了一套城市用地开发强度的决策支持系统。曹卫星等[5]将web技术应用于小麦管理的决策支持系统。在经济金融方面，Bhattacharya和Xu等[6]基于本福特定律构建了一个基于人工神经网络的审计师决策支持系统。总而言之，随着计算机技术和人工智能的发展，DSS的设计思想正在被广泛普及和渗透到各行各業。
2016年3月，最高人民法院院长周强在的十二届全国人民代表大会上提出“加快建设智慧法院”的提议，执行工作的信息化成为了司法建设的一大目标。近年来，很多地方执行法院开始拥抱高科技，例如无锡市中级人民法院于2018年联合阿里巴巴研发了一套智能办公的执行查控系统，浙江法院的“智慧执行2.0”系统于2020年在全省全面上线。然而，纵观目前已投入使用的法院执行决策支持系统，其功能大多局限在对被执行人数据的获取和展示阶段，缺少对执行数据的深入挖掘和分析。而本文提出的基于CBR的隐匿财产线索挖掘决策支持系统正是基于这一现状而做出的尝试，本系统试图通过待处理案件和已完结执行案件的相似性来评估被执行人的执行力水平和其隐匿财产的可能性，从而提高执行人员的办公效率以达到节约司法资源的目的。
对于本文提出的隐匿财产线索挖掘系统而言，案例推理是该系统设计的核心。基于案例的推理（CBR）是目前被广泛应用的人工智能领域的一种重要技术。它的基本思想是，从案例库中选择和待解决问题最为相似的一个或多个案例，并通过对相似案例的解进行重用或修正，对新问题的决策进行指导。简而言之，CBR是一种使用过往经验来解决现存问题的方法。
CBR作为一种人工智能推理模型被广泛用于多个领域解决各种各样的问题。但是，通过检索查阅相关文献发现，目前在司法领域，学者们使用案例推理的研究较少，主要方向如下。在国外，Anandanpillai等[10]基于美国各州的住房歧视法律开发了一个基于案例推理的信息系统以判断是否有住房歧视的现象发生。Wah等[11]提出了一个基于CBR的虚拟法庭决策支持系统以实现其在法律案件中的应用。在国内，吕文学等[12]通过案例推理技术对工程争端的诉讼结果进行预测。具体而言，CBR在挖掘被执行人信息和隐匿财产线索这方面的应用还没有受到太大的关注。在“执行难”和“案多人少”的大背景下，对被执行人和其执行财产的相关信息仅限于照本宣科地获取和查询将无法满足人民群众日益增长的司法需求。利用CBR对海量执行数据进行去粗取精和深入的线索挖掘或许能成为优化执行资源以推动智慧法院进程的一大突破。
隐匿财产线索挖掘的模型库主要储存的是辅助执行法官进行决策的模型，本文使用的是CBR模型，其具体的历史执行案例推理逻辑如图1所示，通过将待处理案件表示成目标案例，然后将其特征属性和历史案例库中的案例进行相似度计算，检索出和目标案例相似度高的历史案例，以相似历史案例的结案方式为决策依据，并结合实际情况进行修正，从而给出待处理案件的执行方案。
（一）隐匿财产线索挖掘决策支持系统的功能设计
本文的隐匿财产线索挖掘决策支持系统主要有执行法官和专家法官两类用户，其具体的用户需求如图2所示。
执行法官：执行法官是指对待处理案件具有执行权利的法官，执行法官通过该系统实现对个人信息的修改，对法官信息的维护，对执行案件信息进行筛选和查找，对历史案件案例库进行维护，构建执行任务并及时对任务信息进行维护，指定专家法官对待执行案件的特征属性进行评估并根据CBR模型运行结果对当前案件进行决策。 专家法官：专家法官是拥有办案经验，对被执行人的特征具有判断能力的法官，专家法官通过该系统实现对个人信息的修改，对待执行案件的特征属性进行打分评估，对执行案件的信息进行查找和筛选，浏览历史案件案例库和执行任务进程情况。
根据对隐匿财产线索挖掘系统的用户设定，结合计算机技术本文将该决策支持系统的功能划分为用户中心、执行案件管理、歷史执行案例库、法官管理和执行任务管理几个模块，具体功能架构图如图3所示。
（二）隐匿财产线索挖掘决策支持系统逻辑结构设计
基于CBR的隐匿财产线索挖掘决策支持系统的基本结构如图4所示，主要由模型库管理系统（MBMS）、知识库管理系统（KBMS）、数据库管理系统（DBMS）、知识库管理系统（KBMS）、人机交互子系统四部分组成。
隐匿财产线索挖掘的模型库主要储存的是辅助执行法官进行决策的模型，本文使用的是CBR模型，其具体的推理逻辑见图1，通过将待处理案件表示成目标案例，然后将其特征属性和历史案例库中的案例进行相似度计算，检索出和目标案例相似度高的历史案例，以相似历史案例的结案方式为决策依据，并结合实际情况进行修正，从而给出待处理案件的执行方案。
通过查阅资料发现，目前关于被执行人的特征评价体系尚未有一个权威的说法，笔者综合被执行人画像领域的研究[10]和于建等[11]提出的失信被执行人执行力模型，构建了一套被执行人特征属性的描述指标，见表1。
被执行人的历史案例库由已结案的典型执行案例来构建，其特征维度包括如上的为人评价、婚姻状况、财产状况、消费习惯、生活状况、关系网络、信用评价几方面，历史案例的输出解按照最高人民法院关于执行案件立案、结案若干问题的意见[13]和司法执行质效可分为执行完毕（强制执行完毕和非强制执行完毕）、终结执行、执行退出等三种类型，其具体含义见表2。
案例表示：历史案例由被执行人特征、结案方式二元组形式组成，具体从源数据表示成案例的逻辑如图5所示。
该决策支持系统通过模型库提供的案例推理算法可输出目标执行案件和历史完结案件的相似度排序表，执行法官可根据相似度高的历史案例的结案方式判断当前目标执行案例中被执行人执行力水平及其隐匿财产的可能性大小，其具体运行流程如图6所示的执行任务管理模块的IPO图：
基于CBR的隐匿财产线索挖掘系统的数据库一共由十三个系统表组成，各个系统表的属性、数据类型、主键和表与表之间的关系如图7所示。
基于CBR的隐匿财产线索挖掘决策支持系统主要包括用户中心、执行案件管理、历史案例库、法官管理和执行任务管理五个模块，执行法官登录该系统可通过添加执行任务的功能指定专家法官对某特定待处理执行案件的特征属性进行模糊语言评估，系统会通过案例推理计算出历史案例库中与目标案件基于为人评价、婚姻状况、财产状况、消费习惯、生活状况、关系网络、信用评价等七个特征维度相似度最高的历史案例，专家法官可以此为决策依据对当前待处理执行案件进行被执行人执行能力判断和隐匿财产可能性推导，从而提高执行人员的工作效率。
[1]Welch B M ， Kawamoto K . Clinical decision support for genetically guided personalized medicine： a systematic review[J]. Journal of the American Medical Informatics Association， 2013.
[2]郑解元，杨嘉永，甘丽敏，黄晓滨. 利用BI决策支持系统开展集采药品临床使用监测[J]. 中国医院药学杂志，2021，：1-5.
[3]刘仁涛，姜继平，史斌，刘洁，郭亮，王鹏.突发水污染应急处置技术方案动态生成模型及决策支持软件系统[J].环境科学学报，2017，37（02）：763-770.
[4]王建国，张愚.基于用地开发强度决策支持系统的大尺度城市空间形态优化控制[J].中国科学：技术科学，2016，46（06）：633-642.
[5]曹卫星，潘洁，朱艳，刘小军.基于生长模型与Web应用的小麦管理决策支持系统[J].农业工程学报，2007（01）：133-138.
[6] Bhattacharya S ， Xu D ， Kumar K . An ANN-based auditor decision support system using Benford’s law[J]. Decision Support Systems， 2011， 50（3）：576-584.
[7] Anandanpillai T ， Barta T A . A case-based reasoning system for housing discrimination law[J]. Expert Systems with Applications， 1999， 16（3）：315-324.
[8] Wah T K ， Muniandy M A . Courtroom Decision Support System Using Case based Reasoning[J]. Procedia Social & Behavioral Sciences， 2014， 129：489-495.
[9] 吕文学，杨权利.基于CBR-RBR的工程争端诉讼结果预测[J].计算机工程与应用，2013，49（23）：228-234.
[10]林杰，吴双胜，张振宇.隐匿涉案财物挖掘的被执行人多维画像系统研究[J/OL].系统科学学报，2021（03）：62-68[2021-03-15].http：//kns.cnki.net/kcms/detail/14.1333.N.20210127.1341.026.html.
[11] 于建岗，王淳，谢作樟.基于大数据的失信被执行人执行力评价模型[J].法制博览，2020（30）：183-184.
[关键词]案例推理；隐匿财产；决策支持系统
中图分类号：TP311.52 文献标识码：A 文章编号：1674-1722（2021）13-0060-06
一、问题提出
“执行难”一直是困扰司法机关树立权威的突出问题。随着互联网金融服务的发展，被执行人对其财产的转移也变得更加方便、快捷和隐蔽。我国大多数法院的传统执行方法是通过登门临柜的方式查人找物，这种传统模式不仅耗时耗力，对被执行人的行踪去向和其财产形式的覆盖面也极其有限。基于此，在进行案件执行机制改革的同时，利用新兴技术提高司法人员的执行工作效率，降低执行查控的成本成为当务之急。本文提出的基于CBR的隐匿财产线索挖掘决策支持系统正是这方面的尝试，该决策支持系统旨在通过案例推理的技术手段对被执行人的执行能力进行评估及预测其隐匿财产的可能性。
决策支持系统是为了辅助决策者解决非结构化或半结构化问题而产生的一种信息系统，目前被广泛应用于多个领域，在医疗行业，临床决策支持系统（clinical decision support system，CDSS）是辅助医务人员进行临床决策的新兴信息技术手段。Brandon等[1]通过将基因导向技术和临床决策支持系统结合的方法对病人的疾病风险进行预测和评估。厦门大学附属第一医院[2]利用BI决策支持系统对临床药品的使用量开展了信息化监测和管理。此外，DSS在工程技术领域也被广泛使用。刘仁涛等[3]使用三步筛选框架构建了一个应对突发水污染应急处置工程的决策支持系统。王建国等[4]基于用地属性的相似关系建立了一套城市用地开发强度的决策支持系统。曹卫星等[5]将web技术应用于小麦管理的决策支持系统。在经济金融方面，Bhattacharya和Xu等[6]基于本福特定律构建了一个基于人工神经网络的审计师决策支持系统。总而言之，随着计算机技术和人工智能的发展，DSS的设计思想正在被广泛普及和渗透到各行各業。
2016年3月，最高人民法院院长周强在的十二届全国人民代表大会上提出“加快建设智慧法院”的提议，执行工作的信息化成为了司法建设的一大目标。近年来，很多地方执行法院开始拥抱高科技，例如无锡市中级人民法院于2018年联合阿里巴巴研发了一套智能办公的执行查控系统，浙江法院的“智慧执行2.0”系统于2020年在全省全面上线。然而，纵观目前已投入使用的法院执行决策支持系统，其功能大多局限在对被执行人数据的获取和展示阶段，缺少对执行数据的深入挖掘和分析。而本文提出的基于CBR的隐匿财产线索挖掘决策支持系统正是基于这一现状而做出的尝试，本系统试图通过待处理案件和已完结执行案件的相似性来评估被执行人的执行力水平和其隐匿财产的可能性，从而提高执行人员的办公效率以达到节约司法资源的目的。
对于本文提出的隐匿财产线索挖掘系统而言，案例推理是该系统设计的核心。基于案例的推理（CBR）是目前被广泛应用的人工智能领域的一种重要技术。它的基本思想是，从案例库中选择和待解决问题最为相似的一个或多个案例，并通过对相似案例的解进行重用或修正，对新问题的决策进行指导。简而言之，CBR是一种使用过往经验来解决现存问题的方法。
CBR作为一种人工智能推理模型被广泛用于多个领域解决各种各样的问题。但是，通过检索查阅相关文献发现，目前在司法领域，学者们使用案例推理的研究较少，主要方向如下。在国外，Anandanpillai等[10]基于美国各州的住房歧视法律开发了一个基于案例推理的信息系统以判断是否有住房歧视的现象发生。Wah等[11]提出了一个基于CBR的虚拟法庭决策支持系统以实现其在法律案件中的应用。在国内，吕文学等[12]通过案例推理技术对工程争端的诉讼结果进行预测。具体而言，CBR在挖掘被执行人信息和隐匿财产线索这方面的应用还没有受到太大的关注。在“执行难”和“案多人少”的大背景下，对被执行人和其执行财产的相关信息仅限于照本宣科地获取和查询将无法满足人民群众日益增长的司法需求。利用CBR对海量执行数据进行去粗取精和深入的线索挖掘或许能成为优化执行资源以推动智慧法院进程的一大突破。
二、研究方法
隐匿财产线索挖掘的模型库主要储存的是辅助执行法官进行决策的模型，本文使用的是CBR模型，其具体的历史执行案例推理逻辑如图1所示，通过将待处理案件表示成目标案例，然后将其特征属性和历史案例库中的案例进行相似度计算，检索出和目标案例相似度高的历史案例，以相似历史案例的结案方式为决策依据，并结合实际情况进行修正，从而给出待处理案件的执行方案。
三、系统设计
（一）隐匿财产线索挖掘决策支持系统的功能设计
本文的隐匿财产线索挖掘决策支持系统主要有执行法官和专家法官两类用户，其具体的用户需求如图2所示。
执行法官：执行法官是指对待处理案件具有执行权利的法官，执行法官通过该系统实现对个人信息的修改，对法官信息的维护，对执行案件信息进行筛选和查找，对历史案件案例库进行维护，构建执行任务并及时对任务信息进行维护，指定专家法官对待执行案件的特征属性进行评估并根据CBR模型运行结果对当前案件进行决策。 专家法官：专家法官是拥有办案经验，对被执行人的特征具有判断能力的法官，专家法官通过该系统实现对个人信息的修改，对待执行案件的特征属性进行打分评估，对执行案件的信息进行查找和筛选，浏览历史案件案例库和执行任务进程情况。
根据对隐匿财产线索挖掘系统的用户设定，结合计算机技术本文将该决策支持系统的功能划分为用户中心、执行案件管理、歷史执行案例库、法官管理和执行任务管理几个模块，具体功能架构图如图3所示。
（二）隐匿财产线索挖掘决策支持系统逻辑结构设计
基于CBR的隐匿财产线索挖掘决策支持系统的基本结构如图4所示，主要由模型库管理系统（MBMS）、知识库管理系统（KBMS）、数据库管理系统（DBMS）、知识库管理系统（KBMS）、人机交互子系统四部分组成。
隐匿财产线索挖掘的模型库主要储存的是辅助执行法官进行决策的模型，本文使用的是CBR模型，其具体的推理逻辑见图1，通过将待处理案件表示成目标案例，然后将其特征属性和历史案例库中的案例进行相似度计算，检索出和目标案例相似度高的历史案例，以相似历史案例的结案方式为决策依据，并结合实际情况进行修正，从而给出待处理案件的执行方案。
通过查阅资料发现，目前关于被执行人的特征评价体系尚未有一个权威的说法，笔者综合被执行人画像领域的研究[10]和于建等[11]提出的失信被执行人执行力模型，构建了一套被执行人特征属性的描述指标，见表1。
被执行人的历史案例库由已结案的典型执行案例来构建，其特征维度包括如上的为人评价、婚姻状况、财产状况、消费习惯、生活状况、关系网络、信用评价几方面，历史案例的输出解按照最高人民法院关于执行案件立案、结案若干问题的意见[13]和司法执行质效可分为执行完毕（强制执行完毕和非强制执行完毕）、终结执行、执行退出等三种类型，其具体含义见表2。
案例表示：历史案例由被执行人特征、结案方式二元组形式组成，具体从源数据表示成案例的逻辑如图5所示。
该决策支持系统通过模型库提供的案例推理算法可输出目标执行案件和历史完结案件的相似度排序表，执行法官可根据相似度高的历史案例的结案方式判断当前目标执行案例中被执行人执行力水平及其隐匿财产的可能性大小，其具体运行流程如图6所示的执行任务管理模块的IPO图：
基于CBR的隐匿财产线索挖掘系统的数据库一共由十三个系统表组成，各个系统表的属性、数据类型、主键和表与表之间的关系如图7所示。
四、结语
基于CBR的隐匿财产线索挖掘决策支持系统主要包括用户中心、执行案件管理、历史案例库、法官管理和执行任务管理五个模块，执行法官登录该系统可通过添加执行任务的功能指定专家法官对某特定待处理执行案件的特征属性进行模糊语言评估，系统会通过案例推理计算出历史案例库中与目标案件基于为人评价、婚姻状况、财产状况、消费习惯、生活状况、关系网络、信用评价等七个特征维度相似度最高的历史案例，专家法官可以此为决策依据对当前待处理执行案件进行被执行人执行能力判断和隐匿财产可能性推导，从而提高执行人员的工作效率。
参考文献：
[1]Welch B M ， Kawamoto K . Clinical decision support for genetically guided personalized medicine： a systematic review[J]. Journal of the American Medical Informatics Association， 2013.
[2]郑解元，杨嘉永，甘丽敏，黄晓滨. 利用BI决策支持系统开展集采药品临床使用监测[J]. 中国医院药学杂志，2021，：1-5.
[3]刘仁涛，姜继平，史斌，刘洁，郭亮，王鹏.突发水污染应急处置技术方案动态生成模型及决策支持软件系统[J].环境科学学报，2017，37（02）：763-770.
[4]王建国，张愚.基于用地开发强度决策支持系统的大尺度城市空间形态优化控制[J].中国科学：技术科学，2016，46（06）：633-642.
[5]曹卫星，潘洁，朱艳，刘小军.基于生长模型与Web应用的小麦管理决策支持系统[J].农业工程学报，2007（01）：133-138.
[6] Bhattacharya S ， Xu D ， Kumar K . An ANN-based auditor decision support system using Benford’s law[J]. Decision Support Systems， 2011， 50（3）：576-584.
[7] Anandanpillai T ， Barta T A . A case-based reasoning system for housing discrimination law[J]. Expert Systems with Applications， 1999， 16（3）：315-324.
[8] Wah T K ， Muniandy M A . Courtroom Decision Support System Using Case based Reasoning[J]. Procedia Social & Behavioral Sciences， 2014， 129：489-495.
[9] 吕文学，杨权利.基于CBR-RBR的工程争端诉讼结果预测[J].计算机工程与应用，2013，49（23）：228-234.
[10]林杰，吴双胜，张振宇.隐匿涉案财物挖掘的被执行人多维画像系统研究[J/OL].系统科学学报，2021（03）：62-68[2021-03-15].http：//kns.cnki.net/kcms/detail/14.1333.N.20210127.1341.026.html.
[11] 于建岗，王淳，谢作樟.基于大数据的失信被执行人执行力评价模型[J].法制博览，2020（30）：183-184.