邱明月 王新猛 唐松澤

摘要：為了分析野生動(dòng)植物案件的犯罪特征與隱形犯罪規(guī)律，填補(bǔ)關(guān)聯(lián)規(guī)則分析在野生動(dòng)植物案件中的應(yīng)用空白，本文基于關(guān)聯(lián)規(guī)則的數(shù)據(jù)挖掘方法對(duì)典型的野生動(dòng)植物案件的犯罪行為進(jìn)行分析。通過(guò)分析森林公安信息化案件的相關(guān)因素與犯罪行為之間的關(guān)聯(lián)特征等，為森林公安信息化建設(shè)提供數(shù)據(jù)參考與建議。

關(guān)鍵字：關(guān)聯(lián)規(guī)則；野生動(dòng)植物案件；Apriori；數(shù)據(jù)挖掘

中圖分類(lèi)號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2018）29-0029-03

1 研究背景

隨著世界人口的增長(zhǎng)，資源的承載能力越來(lái)越弱，資源的利用和保護(hù)的矛盾日益尖銳，導(dǎo)致人類(lèi)與自然的沖突呈多發(fā)態(tài)勢(shì)。野生動(dòng)植物的非法貿(mào)易日益猖獗，嚴(yán)重破壞了野生動(dòng)植物資源，且嚴(yán)重影響到生物多樣性和資源安全。隨著信息化發(fā)展，野生動(dòng)植物犯罪行為也開(kāi)始呈現(xiàn)出信息化和多樣化態(tài)勢(shì)。在大數(shù)據(jù)時(shí)代，對(duì)于案件的犯罪行為分析與研判不僅可以基于以往的辦案經(jīng)驗(yàn)，還應(yīng)當(dāng)結(jié)合數(shù)據(jù)挖掘等大數(shù)據(jù)處理技術(shù)，對(duì)野生動(dòng)植物信息化案件進(jìn)行精準(zhǔn)分析，為打擊野生動(dòng)植物犯罪行為提供科學(xué)的參考。

關(guān)聯(lián)規(guī)則作為數(shù)據(jù)挖掘算法的一種，近年來(lái)被廣泛應(yīng)用于犯罪預(yù)防、打擊犯罪和警力部署等公安決策支持領(lǐng)域。閆密巧等基于某市110報(bào)警數(shù)據(jù)庫(kù)中的大量公交扒竊案件信息，對(duì)具有相似性的，特征明顯的警情進(jìn)行時(shí)空特征的關(guān)聯(lián)分析。由分析的規(guī)則得出，某路段的頻繁案發(fā)時(shí)間，以及作案較少的路段和時(shí)間段【1】。張亞洲通過(guò)梳理?yè)尳侔讣南嚓P(guān)特征，運(yùn)用Apriori算法對(duì)犯罪特征進(jìn)行關(guān)聯(lián)規(guī)則挖掘，分析歸納了某市搶劫犯罪行為的關(guān)聯(lián)特征【2】。許陽(yáng)泉通過(guò)改進(jìn)的Apriori算法，研究特定區(qū)域侵財(cái)類(lèi)犯罪案件特點(diǎn)。測(cè)試的結(jié)果表明，改進(jìn)的算法有明顯的優(yōu)勢(shì)，且驗(yàn)證了得到的關(guān)聯(lián)規(guī)則在實(shí)際公安工作中的可行性【3】。張浩明針對(duì)違法犯罪涉嫌人員的檔案內(nèi)容，對(duì)犯罪程度和客觀因素之間進(jìn)行關(guān)聯(lián)規(guī)則分析，并由數(shù)據(jù)仿真實(shí)驗(yàn)得出一定數(shù)量的關(guān)聯(lián)規(guī)則。馮卓慧通過(guò)采用約簡(jiǎn)算法和Apriori關(guān)聯(lián)算法對(duì)監(jiān)獄的刑釋人員進(jìn)行再犯罪的規(guī)律挖掘，并得出盜竊罪前科、年齡小、文化程度低和刑期短是再犯罪的主要特征【4】。由以上關(guān)聯(lián)規(guī)則在犯罪規(guī)律分析的應(yīng)用可以看出，關(guān)聯(lián)規(guī)則在犯罪預(yù)測(cè)，犯罪規(guī)律分析得到了科學(xué)有效的應(yīng)用，為相關(guān)部門(mén)提供了一定的決策支持【5】。在當(dāng)前研究文獻(xiàn)中，將數(shù)據(jù)挖掘算法應(yīng)用到野生動(dòng)植物案件的相關(guān)研究較少。本文基于典型的信息化野生動(dòng)植物案例，對(duì)野生動(dòng)植物案件的相關(guān)因素與犯罪行為進(jìn)行關(guān)聯(lián)規(guī)則挖掘，為森林公安提供可參考的辦案思路與建議。

2 關(guān)聯(lián)規(guī)則

2.1關(guān)聯(lián)規(guī)則的基本概念

關(guān)聯(lián)規(guī)則是指從事務(wù)數(shù)據(jù)庫(kù)、關(guān)系數(shù)據(jù)庫(kù)和其他信息存儲(chǔ)中的大量數(shù)據(jù)的項(xiàng)集之間發(fā)現(xiàn)有趣的、頻繁出現(xiàn)的模式、關(guān)聯(lián)和相關(guān)性，即所謂的關(guān)聯(lián)規(guī)則。關(guān)聯(lián)規(guī)則主要反映事物之間的關(guān)聯(lián)性，即在大量的數(shù)據(jù)集中，發(fā)現(xiàn)數(shù)據(jù)中沒(méi)有直接體現(xiàn)的潛在關(guān)聯(lián)性或相關(guān)性。如果兩個(gè)事物之間存在關(guān)聯(lián)，就可以利用關(guān)聯(lián)分析通過(guò)一個(gè)事物來(lái)預(yù)測(cè)另外一個(gè)事物【6】。關(guān)聯(lián)規(guī)則常以[A→B]的形式表示，其中[A]與[B]是2個(gè)互斥的項(xiàng)集，常用的關(guān)聯(lián)規(guī)則度量包括支持度、置信度和提升度。

2.2 支持度、置信度和提升度

2.3 Apriori算法

Apriori算法是關(guān)聯(lián)規(guī)則中最經(jīng)典的挖掘算法，是Agrawal R、Imielinski.T等人在1994年第20屆大型數(shù)據(jù)庫(kù)國(guó)際會(huì)議上提出的【7】。該算法的實(shí)際運(yùn)算過(guò)程分為2個(gè)階段：首先識(shí)別出所有滿足最小支持度閾值的項(xiàng)集；然后根據(jù)滿足最小置信度閾值的項(xiàng)集來(lái)創(chuàng)建規(guī)則。

本文通過(guò)Apriori算法，對(duì)野生動(dòng)植物案件的犯罪行為進(jìn)行關(guān)聯(lián)規(guī)則分析，具體的算法流程如圖1所示。Apriori算法的主要實(shí)現(xiàn)步驟如下：

（1） 設(shè)定最小支持度和最小置信度，通過(guò)全掃描動(dòng)植物案件的數(shù)據(jù)庫(kù)， 對(duì)每個(gè)項(xiàng)進(jìn)行計(jì)數(shù)，產(chǎn)生候選項(xiàng)集C1。

（2） 判斷每個(gè)項(xiàng)集的支持度是否大于最小支持度，以此收集滿足最小支持度計(jì)數(shù)的項(xiàng)， 形成頻繁1-項(xiàng)集合并記作L1 ，否則將其視為第一次剪枝。

（3） 執(zhí)行L1 與自身的“連接”以產(chǎn)生候選2-項(xiàng)集合， 以產(chǎn)生L2的超集，記作C2。然后掃描C2的項(xiàng)集，如果某候選2-項(xiàng)（集）的1-項(xiàng)子（集）不在L1中， 則該候選2-項(xiàng)（集）也不可能是頻繁的， 將其從C2 中刪除， 實(shí)現(xiàn)第二次剪枝。

（4） 以L2 自身“連接”形成C3，如此下去，直到找到包含所有特征屬性項(xiàng)的頻繁k-項(xiàng)集合。最后，產(chǎn)生強(qiáng)關(guān)聯(lián)規(guī)則。

在上述的步驟（3）中，找出C2時(shí)用到的原理是：若某個(gè)項(xiàng)集是頻繁的，那么其所有子集也必定是頻繁的。所以，若某個(gè)項(xiàng)集的子集不是頻繁項(xiàng)集，則此項(xiàng)集也不可能是頻繁的，應(yīng)該被剪枝剔除。

3 Apriori算法在野生動(dòng)植物案件中的應(yīng)用

3.1數(shù)據(jù)處理

本文的數(shù)據(jù)來(lái)源是從各地森林公安機(jī)關(guān)收集的70份森林公安信息化破案材料。相關(guān)材料包含案例介紹、辦案過(guò)程中信息化手段應(yīng)用情況和案例點(diǎn)評(píng)等部分。本文從中提取有效信息，并對(duì)文本和相關(guān)信息進(jìn)行數(shù)值化處理，以便更好地將數(shù)據(jù)應(yīng)用到后續(xù)的關(guān)聯(lián)規(guī)則分析中。在去除無(wú)效數(shù)據(jù)，對(duì)相關(guān)數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理后，得到了整理后的數(shù)據(jù)。

本文從案件、人、物品、時(shí)間、空間這五個(gè)方面對(duì)森林公安信息化案件的相關(guān)變量進(jìn)行歸類(lèi)總結(jié)。按照案件（案件性質(zhì)、案件類(lèi)型、案件來(lái)源），人（犯罪嫌疑人個(gè)數(shù)、犯罪嫌疑人性別、年齡、文化程度、職業(yè)、民族、戶籍、有無(wú)外號(hào)、是否有前科劣跡、是否知曉其犯罪、作案動(dòng)機(jī)），物品（涉及野生動(dòng)物的種類(lèi)數(shù)、涉及野生動(dòng)物的種類(lèi)、對(duì)應(yīng)數(shù)量或質(zhì)量、對(duì)應(yīng)保護(hù)級(jí)別、有無(wú)對(duì)應(yīng)隱語(yǔ)、涉案金額、野生動(dòng)物來(lái)源），空間（上家所在地、野生動(dòng)物的去向、下家所在地、交易方式、聯(lián)絡(luò)方式、作案地點(diǎn)、發(fā)案地點(diǎn)），時(shí)間（發(fā)案時(shí)間、結(jié)案時(shí)間、破案時(shí)長(zhǎng)）這五大因素對(duì)所有案件的相關(guān)信息進(jìn)行梳理。

除了以上五大要素外，針對(duì)森林公安的信息化案件偵破手段，本文還對(duì)森林公安的破案方式進(jìn)行分析研究。具體的森林公安信息化偵破手段相關(guān)因素包括：確定嫌疑人身份、確定位置、抓獲嫌疑人方式、確定關(guān)系人方式、確定證據(jù)、警務(wù)綜合平臺(tái)、基礎(chǔ)信息平臺(tái)、大情報(bào)平臺(tái)、通訊設(shè)備監(jiān)控、通訊設(shè)備監(jiān)聽(tīng)、網(wǎng)上排查、監(jiān)控嫌疑人網(wǎng)絡(luò)通訊、監(jiān)控視頻、銀行記錄查詢、車(chē)輛查詢、秘密跟蹤、摸底排查、外圍偵查、蹲守、活動(dòng)軌跡分析、審訊、化妝偵查、現(xiàn)場(chǎng)勘查、邊控、網(wǎng)上追緝、陣地控制、巡線追蹤、秘密力量等。

根據(jù)以上相關(guān)因素對(duì)所有卷宗進(jìn)行梳理后，得到了大量的動(dòng)物、植物以及其他森林公安案件的相關(guān)數(shù)據(jù)。根據(jù)已破的野生動(dòng)植物信息化案件的各類(lèi)案件信息數(shù)據(jù)進(jìn)行梳理，截取部分?jǐn)?shù)據(jù)預(yù)覽如表1所示。

3.2 Apriori算法應(yīng)用結(jié)果分析

通過(guò)Apriori算法對(duì)整理后的森林公安信息化案例數(shù)據(jù)進(jìn)行分析挖掘。設(shè)定最小支持度為20%，最小置信度為60%。運(yùn)行關(guān)聯(lián)規(guī)則Apriori算法程序后，由置信度的值由高到低排列得到的部分實(shí)驗(yàn)結(jié)果如表2所示。

對(duì)于以上挖掘到的強(qiáng)關(guān)聯(lián)規(guī)則，需要對(duì)結(jié)果進(jìn)行分析。由表2的部分關(guān)聯(lián)規(guī)則結(jié)果可知，按置信度排名1和2的強(qiáng)關(guān)聯(lián)規(guī)則為：交易方式=3（面對(duì)面交易）→破案時(shí)長(zhǎng)=0（不到一個(gè)月）；交易方式=3（面對(duì)面交易）∩野生動(dòng)植物來(lái)源=1（從上家處獲?。瓢笗r(shí)長(zhǎng)=0（不到一個(gè)月）。這兩條規(guī)則的支持度均為22.7%，置信度均為65.5%，且規(guī)則提升度為4.2大于1。由提升度可知，交易方式為面對(duì)面交易和野生動(dòng)植物來(lái)源為上家對(duì)破案時(shí)長(zhǎng)小于1個(gè)月有促進(jìn)作用，即上家在與下家交易野生動(dòng)植物時(shí)，公安機(jī)關(guān)可以很快從面對(duì)面交易的過(guò)程中發(fā)現(xiàn)破案線索，獲得情報(bào)、了解作案地點(diǎn)后，便于當(dāng)場(chǎng)抓獲人（雙方犯罪嫌疑人）、物（直接證據(jù)—野生動(dòng)物）、事（雙方違法交易），快速偵破案件。

按置信度排名3和4的強(qiáng)關(guān)聯(lián)規(guī)則為：聯(lián)絡(luò)方式=1（網(wǎng)絡(luò)平臺(tái)）→破案時(shí)長(zhǎng)=1（大于一個(gè)月）；聯(lián)絡(luò)方式=1（網(wǎng)絡(luò)平臺(tái)）∩野生動(dòng)植物來(lái)源=1（從上家處獲?。瓢笗r(shí)長(zhǎng)=1（大于一個(gè)月）。這兩條規(guī)則的支持度均為21.1%，置信度均為62.7%，且規(guī)則提升度為3.9大于1。由提升度可知，聯(lián)絡(luò)方式為網(wǎng)絡(luò)平臺(tái)和野生動(dòng)植物來(lái)源為上家對(duì)破案時(shí)長(zhǎng)大于1個(gè)月有促進(jìn)作用，即上家在與下家交易野生動(dòng)植物時(shí)，由于網(wǎng)絡(luò)平臺(tái)具有一定隱蔽性，不利于公安機(jī)關(guān)發(fā)現(xiàn)破案線索，同時(shí)難以取得有效的電子證據(jù)，所以花費(fèi)的破案時(shí)間較長(zhǎng)。

按置信度排名5和6的強(qiáng)關(guān)聯(lián)規(guī)則為：交易方式=3（面對(duì)面交易）∩野生動(dòng)物去向=2（下家）∩野生動(dòng)植物來(lái)源=1（從上家處獲取）→破案時(shí)長(zhǎng)=0（不到一個(gè)月）；交易方式=3（面對(duì)面交易）∩野生動(dòng)物去向=2（下家）→破案時(shí)長(zhǎng)=0（不到一個(gè)月）。這兩條規(guī)則的支持度均為21.1%，置信度均為62.7%，且規(guī)則提升度為4.1大于1。與強(qiáng)關(guān)聯(lián)規(guī)則1和2類(lèi)似，在上家與下家進(jìn)行面對(duì)面交易時(shí)，公安機(jī)關(guān)可以迅速?gòu)纳霞遗c下家的交易細(xì)節(jié)中偵查線索，進(jìn)而快速對(duì)案件進(jìn)行偵破。

按置信度排名7和8的強(qiáng)關(guān)聯(lián)規(guī)則為：交易方式=1（利用快遞）→破案時(shí)長(zhǎng)=1（大于一個(gè)月）；交易方式=1（利用快遞）∩野生動(dòng)植物來(lái)源=1（從上家處獲?。瓢笗r(shí)長(zhǎng)=1（大于一個(gè)月）。這兩條強(qiáng)規(guī)則的支持度為26.1%，規(guī)則置信度為60.5%，規(guī)則提升度為3.5。因?yàn)樘嵘葹?.5大于1，所以交易方式為快遞交易且野生動(dòng)植物來(lái)源為上家對(duì)破案時(shí)長(zhǎng)大于1個(gè)月有促進(jìn)作用，即上家在與下家交易野生動(dòng)植物時(shí)，公安機(jī)關(guān)難以從快遞交易的過(guò)程中發(fā)現(xiàn)破案線索，所以花費(fèi)的破案時(shí)間較長(zhǎng)。這類(lèi)案件抓獲犯罪嫌疑人的方式以當(dāng)場(chǎng)抓獲人（單方犯罪嫌疑人）、物（直接證據(jù)—野生植物）為主，由于通常只抓獲單方犯罪嫌疑人，因此要抓獲上家需要進(jìn)一步偵查，相比于交易方式為面對(duì)面的，交易方式為快遞要耗費(fèi)更多的時(shí)間。

4 結(jié)論與探討

本文通過(guò)分析全國(guó)森林公安信息化已破案例，對(duì)案例信息進(jìn)行數(shù)據(jù)處理，并運(yùn)用Aprior算法對(duì)森林公安信息化案件中的各類(lèi)因素進(jìn)行關(guān)聯(lián)分析，從而挖掘潛在的犯罪規(guī)律，對(duì)野生動(dòng)植物案件的相關(guān)犯罪行為進(jìn)行分析。通過(guò)以上研究，初步得出以下研究結(jié)論：

一是通過(guò)Aprior算法挖掘出的有效強(qiáng)規(guī)則發(fā)現(xiàn)，森林公安在基于面對(duì)面交易的野生動(dòng)植物案件中，在獲得相關(guān)情報(bào)后能夠快速偵破案件

二是在以網(wǎng)絡(luò)平臺(tái)為基礎(chǔ)的野生動(dòng)植物買(mǎi)賣(mài)案件中，由于網(wǎng)絡(luò)平臺(tái)的隱蔽性，不利于發(fā)現(xiàn)線索，導(dǎo)致破案時(shí)間較長(zhǎng)

三是在基于快遞交易的野生動(dòng)植物相關(guān)案件中，森林公安難以從快遞交易中發(fā)現(xiàn)有效線索，從而導(dǎo)致案件破獲時(shí)間較長(zhǎng)

所以，建議森林公安機(jī)關(guān)加大對(duì)網(wǎng)絡(luò)平臺(tái)以及快遞交易等野生動(dòng)植物買(mǎi)賣(mài)渠道的監(jiān)控，有效監(jiān)管以被動(dòng)化為主動(dòng)，提高對(duì)野生動(dòng)植物相關(guān)案件的偵破效率，從而有效打擊各類(lèi)破壞森林和野生動(dòng)植物資源的違法犯罪活動(dòng)，為保衛(wèi)生態(tài)建設(shè)做出貢獻(xiàn)。

參考文獻(xiàn)：

[1] 閆密巧，過(guò)仲陽(yáng)，任浙豪.基于聚類(lèi)關(guān)聯(lián)規(guī)則的公交扒竊犯罪時(shí)空分析[J].華東師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2017（03）：145-152.

[2] 張亞洲.改進(jìn)型Apriori算法在犯罪關(guān)聯(lián)分析中的應(yīng)用[J].無(wú)線互聯(lián)科技，2013（09）：148-149.

[3]許陽(yáng)泉.改進(jìn)型Apriori算法在犯罪關(guān)聯(lián)分析中的應(yīng)用[J].軟件導(dǎo)刊，2013，12（11）：68-70.

[4] 馮卓慧，馮前進(jìn).基于關(guān)聯(lián)規(guī)則的再犯罪特征分析[J].浙江理工大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2017，38（01）：57-60.

[5] 杜威，鄒先霞.增量關(guān)聯(lián)規(guī)則挖掘算法在犯罪行為中的應(yīng)用研究[J].中國(guó)人民公安大學(xué)學(xué)報(bào)（自然科學(xué)版），2011，17（02）：56-58.

[6] 白潔，田瑞麗，張學(xué)軍.Apriori 算法在用戶特性關(guān)聯(lián)分析中的應(yīng)用[J].計(jì)算機(jī)與網(wǎng)絡(luò)，2016，42（12）：70-72.

[7] 湯毅平.基于Apriori算法的重新犯罪關(guān)聯(lián)規(guī)則挖掘[J].指揮信息系統(tǒng)與技術(shù)，2016，7（03）：91-95.

【通聯(lián)編輯：光文玲】