薛亚龙 罗珂岩 马 麒

（1 宁夏警官职业学院现代侦查技战法研究中心 宁夏 银川 750021；2 宁夏警官职业学院刑事司法系 宁夏 银川 750021）

1 引言

数据情报是循证决策的根据和支撑，循证决策的科学性是由数据情报质量的客观性和准确性所决定，所以数据情报与循证决策具有内在互相统一的辩证关系。循证决策既重视数据情报的数量和质量，又强调如何将数据情报转换为科学决策的“证据”，从而提升循证决策的科学性和高效性。“更好的数据情报是为了更好的决策”是循证决策最重要的核心原则[1]。然而，随着数据犯罪情势呈现动态性、智能性、融合性等生存与发展态势，造成在传统数据情报侦查决策过程中存在决策情报需求识别率低、跨领域数据整合多、全周期沉浸情报决策交互复杂等突出问题，致使案件容易出现情报决策错误或陷入情报决策僵局[2]。因此，引入数据情报侦查的循证决策方法研究范式不仅能够帮助侦查人员降低“情报失败”与“决策失败”的出现概率，消弭情报决策的认知偏差，而且还能够帮助其优化数据情报侦查预测的准确性，评估修正数据情报侦查行动的实施方案，及时掌握涉案数据犯罪情势生存与发展态势，从而实现数据情报侦查循证决策的应然价值和实然效果。

2 数据情报侦查循证决策的转型论证

数据情报侦查循证决策以数据情报为中心，构建数据情报对称的循证决策方式，通过采取开源数据挖掘与分析等算法，深度预测数据犯罪情势生存与发展态势，帮助侦查人员全面提升数据情报侦查决策的准确性和精确性。数据情报侦查循证决策不仅能够帮助侦查人员解决情报的“数据不对称”和战略决策的智慧管理问题，而且还能够帮助其实现对数据情报的平台设计、流程模型构建及数据情报的挖掘分析算法应用等应然价值，进而解决数据犯罪情势态势预测、犯罪嫌疑人追缉、潜在犯罪现场、被害人模型预警、侦查行动预案制定和实施等情报侦查决策问题，从而提升数据情报侦查循证决策的科学性、准确性和高效性。所以，与传统的数据情报侦查决策相比，数据情报侦查循证决策有着本质区别的价值优势。

2.1 优化情报决策，克服“情报失败”和“决策失败”现象

数据情报侦查循证决策是一个“知易行难”的系统动态过程，容易受到数据情报源、挖掘与分析算法及决策方式方法等复杂构成要素的影响和制约。这不仅决定侦查人员是否能够及时有效地提供科学客观的数据情报侦查决策，而且还决定了数据情报和侦查决策之间的关联强度。在传统数据情报侦查的决策过程中，主要存在两种“失败”现象：其一为“情报失败”，主要是由于数据情报的数据清洗、数据归约及数据频繁项目关联聚类等与数据挖掘分析存在反向异配属性问题而造成侦查决策出现错误；其二为“决策失败”，即指侦查决策质量取决于某些数据情报但其未被作为“证据”而被挖掘和利用。侦查人员可以利用数据情报侦查的循证决策对其及时进行检验和修正，进而实现和达到克服“情报失败”和“决策失败”的实际效果。

一方面，消除数据情报认知偏见，克服“情报失败”。为了克服数据情报侦查循证决策中的“情报失败”现象，其循证决策过程要实现“系统化”与“协同性”的互相平衡。在情报侦查决策需求、数据情报侦查规划和指导、数据情报源挖掘与分析等侦查决策过程中都会由于侦查人员的认知偏见而导致“情报失败”发生，所以数据情报侦查循证决策首先强调的就是将数据情报源转换为“系统化”的“科学证据”。毕竟具有“科学证据”的数据情报源是经过科学的不同数据算法对其进行挖掘与分析，并不是仅仅由侦查人员的个人决策经验所形成，促使其形成了数据情报侦查循证决策的数据基础。同时，侦查人员还会以“数据为中心”构建循证决策流程模型，既能够强调数据情报源汇集、数据频繁项目关联聚类及不同数据算法选择等流程过程，又能够重视不同情报侦查主体参与和循证决策方式方法等决策模式，更能通过数据情报源共享共建和情报侦查循证决策主体多元参与等实现消除数据情报认知偏见，从而达到克服“情报失败”的数据情报侦查循证决策实然效果。

另一方面，构建循证决策管理原则，规避“决策失败”行为。根据“决策失败”的形成依据不同，可将其具体分为过程决策失败和方案决策失败两部分[3]。为了规避“决策失败”的发生和出现，侦查人员可构建数据情报侦查循证决策的管理原则，即重视数据情报与合理平衡不同数据情报权重原则和引入反思性数据与动态调整数据原则。首先，侦查人员对不同碎片化的数据情报源进行决策弥合，便于其能够及时被数据转换和数据融合；其次，将数据与其他循证决策之外的相关数据综合反思考虑，评估和强化其数据权重加权的循证决策系数；最后，依据数据情报侦查循证决策的价值需求，及时对挖掘分析的数据进行检验和修正，使其成为数据情报侦查循证决策的动态调整数据，保持其循证决策过程的持续性、时效性和动态性。诚然，在数据情报侦查循证决策的应用过程中，侦查人员能够通过消除数据情报认知偏见和构建循证决策管理原则等措施或方法对其决策进行优化与修正，从而具有克服“情报失败”和“决策失败”现象的价值优势。

2.2 挖掘数据犯罪情势，消除情报决策的不确定性

数据犯罪情势是制约和影响数据情报侦查循证决策的决定性因素，而数据情报侦查循证决策是否科学准确及能否顺利实现决策应然价值均取决于侦查人员对数据犯罪情势的挖掘与判断。一般而言，侦查人员应准确获取感知各种主观型和客观型、动态型和静态型、前期型和后期型等不同类型的数据犯罪情势，确立准确的数据情报侦查循证决策目标，通过数据情报为案件确定侦查方向和选择侦查途径，进而帮助其实现数据情报侦查循证决策的应然价值。

数据犯罪情势具有典型的动态性、系统性、开放性等特点，为数据情报侦查循证决策的不确定性提供了“土壤”条件，而解决其不确定性核心在于对数据犯罪情势的挖掘与分析[5]。诚如迈克尔·汉德尔所言：决策时面临的不确定性是决策中的重大难题，而情报就像是“一面镜子”，可以帮助看清“对手手中的牌”，从而“掌握可以了解对手意图的最佳信息”[4]。在数据情报侦查循证决策过程中，首先，应高效挖掘和准确判断数据犯罪情势的发展态势。侦查人员能够对数据犯罪情势的生存和发展态势进行挖掘与分析，把握其不同构成要素之间的内在本质联系，揭示其发展规律和预测未来的发展态势，尤其能够及时判明哪些属于不利于数据情报侦查循证决策的数据犯罪情势及其来源、属性和反向异配关联关系等，从而为消除数据情报侦查循证决策的不确定性奠定基础和支撑[6]；其次，提供降低数据情报侦查循证决策不确定性的智能联动支持。数据情报侦查循证决策的一个重要功能是实现数据犯罪情势的挖掘与分析和循证决策的互相融合，将循证决策建立在与数据犯罪情势具有关联性的各种数理关系之上，使侦查人员所作的情报侦查决策不再是依靠自身的情报侦查经验或不同侦查部门之间的“孤岛数据”，形成一个既能向上衔接不同侦查部门又能向下融合不同数据挖掘算法平台，打破“孤岛数据”壁垒，实现循证决策平台设计与流程模型构建的一体化，从而为消除数据情报侦查循证决策的不确定性提供智能联动支持；最后，在数据情报侦查循证决策过程中，侦查人员依据挖掘出制约或影响其循证决策的各种不利数据情报，研究其产生原因、构成要素及发展态势，预测出可能存在或出现的各种情景和行为，有针对性地提出和制定各种与之相对应的数据情报侦查防控对策。侦查人员通过挖掘数据犯罪情势的生存与发展态势，分析数据犯罪情势的构成要素，评估数据犯罪情势价值等数据情报侦查循证决策的应用过程，为消除数据情报侦查循证决策的不确定性奠定了基础和提供了保障。

2.3 引入循证决策方法，提升数据情报侦查效能

在数据情报侦查循证决策的过程中，最显著的特点就是引入和采用循证决策方法，使其与其他数据情报侦查决策方法具有本质性的区别。依据循证决策的内涵属性、机制运行及过程方法等主要原理，侦查人员不仅能够综合应用多学科的知识挖掘跨领域的不同数据情报源，而且还能够高效解释数据犯罪情势并将浩繁的数据情报转换为决策使用的“科学证据”，使其具有提升数据情报侦查效能的价值作用。

一方面，侦查人员对各种数据情报的挖掘分析不仅仅是数据的解码，而且还包括对数据的权重加权阈值、数据节点的相似度系数及数据共同相邻系数等的挖掘与分析，故涉及的学科有侦查学、情报学、通信密码学、计算机科学及数据算法学等多种应用学科。同时，数据情报侦查循证决策还涉及更为多元的数据领域和情报层次，这也是由数据犯罪情势的动态性、开放性、系统性等所决定。显然，跨学科和跨领域的数据情报侦查循证决策方法能够弥补数据情报与循证决策之间的挖掘“鸿沟”，不仅能够消除和降低数据情报挖掘与运算的“融合盲区”，而且还具有提升数据情报侦查的工作效能。另一方面，在数据情报侦查循证决策的过程中，侦查人员还采取将数据情报与循证决策相结合的新型情报标准化字典和可视化技术的运算方法。新型情报标准化字典是将数据概率与语言概率互相融合应对，从而在数据情报侦查循证决策中消除或降低“也许”“可能”“大概”等模糊数据情报对循证决策的制约和影响。可见，新型情报标准化字典的主要价值在于通过海量数据样本的集成归约来统计数据情报源中存在数据模糊词的概率，赋予模糊数据词在统计学方面的决策“科学证据”属性[7]，促使数据情报侦查循证决策所依据的是相对客观的挖掘运算结果，而不是传统数据情报侦查决策中侦查人员的个人经验，全面提高了数据情报侦查决策的科学性和客观性。而可视化技术的运算方法则是将数据情报挖掘分析与循证决策之间的关联性通过可视化的直观图表示出来，主要包括数据图形、数据图表及数据象形图等。这不仅促使数据情报侦查的循证决策更加具有准确度和信任度，而且还促使其具有显著的高效性和客观性，这也是数据情报侦查循证决策的应然价值体现。

3 数据情报侦查循证决策的平台设计方案

数据情报侦查循证决策的平台设计是挖掘数据情报和落实其循证决策的行动指南，不仅涵盖数据情报侦查循证决策的决策流程、决策融合、决策任务及决策功能，而且还包含决策策略、决策目标及决策模式等重要组成部分。数据情报侦查循证决策的平台设计应该以决策需求、决策功能和决策任务为中心，并将其统一融入到数据情报侦查循证决策的过程应用中，从而帮助侦查人员实现数据情报侦查循证决策的应然价值和实然效果。基于此，笔者认为，数据情报侦查循证决策的平台设计应该包括决策价值需求、决策驱动流程、决策聚集融合、决策预测功能、决策应用模式和全面参与决策机制等6个循证决策模块（如图1）。

图1 数据情报侦查循证决策的平台设计方案

3.1 决策价值需求模块

为了获取科学准确的数据情报侦查循证决策，侦查人员必须提前对其进行需求阈值。依据数据情报侦查循证决策的应然价值和实然效果，可以将决策价值需求模块具体分为三个方面：第一，预设决策价值。侦查人员可依据案件不同数据犯罪情势的发展态势而对所获取和汇集的各种涉案数据进行关联性的挖掘与分析，对数据情报侦查循证决策的决策价值进行提前预设。第二，确定决策种类。为了提升数据情报侦查循证决策的科学性和高效性，侦查人员应该从有利于案件情报侦查开展的角度确定决策的种类，从而有利于侦查人员依据不同的决策种类采取与之相对应的数据情报侦查循证决策应用方法。第三，挖掘决策价值属性。只有将不同数据情报侦查循证决策中的决策价值属性进行挖掘，才能够有利于侦查人员采取科学有效的决策方法，从而为后续的数据情报侦查循证决策应用提供指引和预测。

3.2 决策驱动流程模块

决策驱动流程既是数据情报侦查循证决策的重要组成部分，又是数据情报挖掘分析与循证决策应用的支撑和保障，主要包括数据情报汇集、数据情报清洗、数据情报集成、数据情报归约、数据情报关联聚类、数据情报挖掘分析、数据情报检验和评估等。在决策驱动流程模块过程中，能够将侦查人员、决策价值需求、数据情报挖掘分析及循证决策方法等进行互相融合和互相联动。这不仅促使决策驱动流程能够随着数据犯罪情势的发展态势变化而变化，而且还能够快速高效满足决策价值的时效性和不同决策场景应用的指向性。显然，决策驱动流程模块具有将侦查人员的循证决策与数据情报挖掘分析流程互相融合和决策价值需求与决策目标实现互相联动的双重驱动特征。从决策驱动流程模块的平台设计价值而言，一方面，帮助侦查人员解决了数据情报汇集、数据情报清洗、数据情报归约等不同数据情报挖掘分析流程之间互相孤立等突出问题；另一方面，还将循证决策的原理引入到决策驱动的流程模块设计中，凸显循证决策的价值功能和优势，从而增强和奠定了数据情报侦查循证决策应用的客观性与准确性。

3.3 决策聚集融合模块

决策聚集融合主要是警民两大数据情报决策系统的融合。警民数据情报决策系统的聚集融合已成为开源数据驱动创新时代现代情报侦查决策工作的发展必然趋势[8]。决策聚集融合主要着力于不同数据情报侦查循证决策关联要素之间的互相支持，重点强调不同数据情报侦查中主体之间的互相融合，数据情报挖掘分析和循证决策之间的互相支撑，循证决策结果与不同数据情报侦查场景应用之间的互相融合等。鉴于循证决策中“科学证据”的应用机制和方法，笔者认为，侦查人员可构建基于跨区域跨部门的一体化决策指挥、数据情报源跨警民共建、数据情报挖掘分析应用警民共享、决策场景应用共商共用的决策聚集融合体系。显然，在决策聚集融合模块中，侦查人员应该增强警民数据情报决策的数据渗透式融合和决策战略性融合。这不仅能够强化数据情报决策的共建共享，而且还能够提高数据情报侦查循证决策的高效性，进而降低或消除数据情报侦查循证决策的误差率和偏差率。

3.4 决策预测功能模块

科学合理的数据情报侦查循证决策功能应该具有显著的预测性、层次性和动态性特征，使其面对不同决策种类价值应该具有不同的决策预测功能。决策预测功能主要是指侦查人员在动态复杂的数据犯罪情势中主动寻找和挖掘最佳的数据情报侦查循证决策，通过把握数据犯罪情势的生存与发展态势和循证决策的“科学证据”价值作用而保障其路径的准确性和精确性，从而为数据情报侦查循证决策提供科学合理的决策目标和决策场景应用。诚如情报学专家R.M.Clark所言：“真正的情报分析决策总是具有预测性”[9]。可见，决策预测功能是数据情报侦查循证决策平台设计的重要核心功能。依据数据情报源的类别形态和价值属性，可将决策预测功能的依据分为两个方面：一方面，连续性数据情报源。连续性数据情报源是建立在数据仓库中的历史数据和当前数据基础之上，属于趋势外推的延续性循证决策预测；另一方面，非连续性数据情报源。非连续性数据情报源主要是依据具有动态复杂性的未来更新数据，具体包括德尔菲法、数据序列矩阵挖掘法、决策树算法和数据博弈法等预测方法[10]。侦查人员通过决策预测功能模块不仅能够将历史数据、当前数据、更新数据等不同数据情报源进行互相融合和互相归约，而且还能够帮助其构建具有动态性的决策预测数据库，从而为数据情报侦查循证决策提供系统化的决策预测支撑。

3.5 决策应用模式模块

决策应用模式是数据情报侦查循证决策实现的途径和方法，与决策价值需求、决策驱动流程、决策聚集融合和决策预测功能等具有内在统一的互相匹配属性。依据数据情报侦查循证决策的应然价值要求，决策应用模式需要构建侦查人员与循证决策之间的互相融合和联动系统，进而实现数据情报侦查循证决策的预测功能和价值。基于此，可将决策应用模式分为三个环节：首先，树立“数据情报+循证决策”理念。在“数据情报+循证决策”理念引领下，促使侦查人员全程参与到数据情报侦查的循证决策过程中，采用决策应用模式的平台设计，借鉴和引入不同数据情报挖掘与分析算法，构建虚拟和实体互相结合的决策应用模式平台；其次，利用智能数据情报挖掘技术。以“数据情报+智能算法+侦查智慧”为决策应用模式的运行范式，建立数据情报汇集、数据情报清洗、数据情报集成、数据情报归约和数据情报关联聚类等智能数据情报挖掘技术，并在侦查人员的侦查智慧支持和帮助下，构建决策应用模式的智能化平台设计，进而帮助其实现数据情报侦查循证决策的收敛性和聚集性；最后，将决策聚集与决策分类互相融合。借助于决策聚集融合模块的平台应用，将其与数据情报侦查的即时情报决策、动态情报决策、空间矩阵情报决策、预警层次情报决策、情报分析决策和情报实施决策等决策分类互相融合。此处侦查人员以各种数据情报源为载体，构建具有差异性的决策应用模式，从而实现数据情报侦查循证决策的“云”应用模式。

3.6 全面参与决策机制模块

为提升数据情报侦查循证决策中侦查人员的数据情报挖掘能力、决策价值需求预设能力、决策动态预警能力等循证决策能力，必然需要构建具有“融合”与“转型”功能价值的全面参与决策机制。“融合”是指在“大情报”和“大格局”的数据情报侦查思维引领下，将公安系统的数据情报侦查决策和社会中的民用数据情报决策真正实现决策聚集融合，进而破除不同数据情报决策系统互相孤立的困境；“转型”则是指回归数据情报侦查循证决策的内在本质功能价值，全面拓展数据情报侦查循证决策的新思维和新途径。显然，全面参与决策机制能够将社会民用数据情报决策优势和公安系统内部的情报侦查优势实现联动整合，形成包括积极数据情报侦查决策、活力对抗数据情报侦查决策、数据犯罪情势情报侦查决策等立体多层次的决策应用模式，从而提升数据情报侦查循证决策的整体综合能力。

4 数据情报侦查循证决策的流程模型构建

与传统的数据情报侦查决策过程相比较而言，数据情报侦查循证决策的流程模型构建具有典型的非线性属性。依据数据犯罪情势的动态性与复杂性、数据情报源挖掘分析的关联性与聚类性、循证决策方法的科学性与证据性等突出特征，数据情报侦查循证决策的流程模型构建思路为：以数据犯罪情势为基础，以涉案数据情报源为依据，以决策价值需求为目标驱动，采取不同数据挖掘分析运算技术和各种循证决策方法，为侦查人员提供不同案件数据情报侦查所需的各种决策服务产品。笔者认为，数据情报侦查循证决策的流程模型构建应该包括数据情报源汇集、决策目标与需求、数据采集与清洗、决策综合研判和决策服务产品等5个流程，且不同流程模型之间能够实现互相支持和互相联动，从而形成有机统一的数据情报侦查循证决策体系（如图2）。

图2 数据情报侦查循证决策流程模型构建

4.1 数据情报源汇集流程

在数据情报侦查循证决策的挖掘分析应用中，其数据情报源往往存在于社会生产与生活的各个行业领域之中，具有鲜明的动态性、海量性、复杂性等突出特征。不仅包括传统的数值型数据、符号型数据、文本型数据及图片型数据等数据情报源，而且还包括开源数据驱动创新时代的结构化数据、半结构化数据、非结构化数据及异构化数据等数据情报源[11]。显然，在数据情报源汇集流程过程中，侦查人员既要搜集与数据犯罪情势具有关联性的不同类别形态和结构属性的数据情报源，又要依据数据情报侦查循证决策的价值需求而即时拓展搜集数据情报源的途径和渠道。一方面，侦查人员需要采取现场勘查、摸底排队、侦查实验、并案侦查等侦查措施对实体犯罪数据及时进行寻找和搜集；另一方面，侦查人员还需要通过现代侦查技战法对各种社交网络数据、自媒体网络数据、旅游出行网络数据、通信游戏网络数据等虚拟网络数据进行搜集和获取，力争建立传统实体数据与虚拟网络数据互相融合的全方位、立体化数据情报源汇集途径，从而实现对云计算、区块链、物联网、传感网等数据情报源的全覆盖聚集融合。

4.2 决策目标与需求流程

科学合理的决策目标与需求是实现数据情报侦查循证决策应然价值的重要前提和保障，只有明确了决策目标与需求才能促使侦查人员对不同数据情报源及时展开科学准确有效的挖掘与分析。侦查人员在确定决策目标与需求的过程中，依据数据犯罪情势生存与发展态势趋势，必须明确或掌握决策的价值需求、决策的种类属性、决策的构成要素、决策的风险评估、决策的实施保障和决策的应用支援等相关决策条件因素，这样才能够促使所制定的决策目标与需求更加具有科学性、准确性和价值性。确定决策目标与需求的流程具有动态性和开放性的突出特点。侦查人员在制定的过程中还需要与决策综合研判中的人工决策分析、数据库决策分析和决策服务产品之间进行动态调整，从而确保其能够依据不同的决策价值需求进行及时的互相交互和互相修正[12]。

4.3 数据采集与清洗流程

数据采集与清洗是数据情报侦查循证决策流程模型构建的关键性工作，制约甚至决定着数据情报侦查循证决策结果的准确性和精确性。侦查人员在对数据情报源进行挖掘与分析过程中，一方面，不仅包括传统的数值型数据、符号型数据、文本型数据及图片型数据等数据情报源，而且还包括开源数据驱动创新时代的结构化数据、半结构化数据、非结构化数据及异构化数据等数据情报源，进而给其挖掘与分析增加了巨大的难度性和复杂性；另一方面，还有大量的冗余数据、重复数据、离群数据等异常数据被存储于该数据情报源中，严重制约或影响了对其挖掘与分析的精确度和客观性[13]。因此，只有对数据情报源采取数据提取、数据转换、数据融合、数据集成、数据归约、数据关联及数据聚类等系列数据采集与清洗技术之后，才能够帮助侦查人员挖掘获取到统一类别形态和结构属性标准的数据情报源。统一标准的数据情报源不仅能够提高对其进行挖掘与分析的准确度，而且还能够提升数据情报侦查循证决策结果的精确度。

4.4 决策综合研判流程

决策综合研判是数据情报侦查循证决策流程的重要环节，在该流程中侦查人员主要采取决策树算法、蚁群算法、卷积神经网络算法、分簇无线传感数据融合算法、并行聚类CLUBS算法及多目标决策时序数据算法等不同数据挖掘分析算法，结合其所提供的决策价值、决策保障、决策支援等决策目标与需求，构建决策要素分析、决策态势分析、决策关联分析及决策风险评估等人工决策分析模型。同时，侦查人员还依据所构建的决策案例数据库、决策预测数据库、数据时空数据库、决策模型数据库、决策需求数据库及决策矩阵数据库等各类不同决策分析数据库，帮助其充分挖掘隐藏着数据情报源中的各种关联性数理关系，从而实现对数据情报侦查循证决策的全面综合研判[14]。基于此，可将综合研判的决策分为战略情报决策、战役情报决策、战术情报决策三部分。其中，战略情报决策主要解决的是宏观层面关于数据情报侦查的循证决策，主要包括全国性方面的数据情报侦查循证决策的制定、预警、处置等；战役情报决策主要解决的是中观方面的数据情报侦查的循证决策，主要包括区域性数据犯罪情势的挖掘与分析、区域性数据犯罪行为的防控、区域性数据情报侦查循证决策的风险评估及区域性数据情报侦查循证决策的价值需求等；战术情报决策主要解决的是微观方面的个案数据犯罪情势的预警与应对、个案数据情报侦查循证决策的价值需求及个案数据情报侦查循证决策的应用等。

4.5 决策服务产品流程

数据情报侦查循证决策的服务对象主要是负责案件数据情报侦查的侦查人员，其主要功能是根据侦查人员对预防和打击数据犯罪情势的决策价值需求，向其及时提供所需的决策服务产品。从预防和打击数据犯罪情势的过程而言，案前主要向侦查人员提供有关数据犯罪情势产生的预警方面决策服务产品，案中主要提供有关数据犯罪情势的发展态势决策、关联聚类决策、打击应对决策等决策服务产品，案后主要提供打击数据犯罪情势的决策行动报告、案例分析和总结、衍生决策挖掘等决策服务产品。同时，在数据情报侦查循证决策的应用过程中，决策服务产品还能够与侦查人员进行及时有效的互相交互和互相检验。这不仅帮助侦查人员能够全面提高数据情报侦查循证决策价值需求预设的准确性和精确性，而且还促使其能够对决策服务产品进行及时有效的评估和修正。只有将所获决策服务产品进行实时的检验和反馈，才能促使侦查人员、数据情报挖掘分析、侦查循证决策等能够形成数据情报侦查循证决策的整体合力，从而增强了数据情报侦查循证决策应用的科学性和优质性。

5 数据情报侦查循证决策的应用方法探讨

在传统数据情报侦查决策过程中往往存在决策情报需求识别率低、跨领域数据整合多、全周期沉浸情报决策交互复杂等突出问题，造成海量复杂的各种开源数据难以被有效地挖掘与分析，严重制约或影响数据情报侦查决策的准确性和精确性，致使案件极易出现情报决策错误或陷入情报决策僵局。显然，在探讨数据情报侦查循证决策应用方法的过程中，不但需要考虑数据情报侦查循证决策的转型价值优势、平台设计方案及流程模型构建等，而且还要考虑其循证决策的差异性、决策收敛的准确性及多级决策的冗余度等相关关联因素，从而提升数据情报侦查循证决策应用的稳健性和融合性。

5.1 多级冗余循证决策算法

多级冗余循证决策算法是一种基于决策树算法的逼近离散函数值分类算法，首先对不同数据情报源采取数据预处理技术，然后利用决策树算法对其进行挖掘与分析，进而获取数据情报决策的挖掘结果[15]。依据多级冗余循证决策算法的价值优势和数据情报侦查的特殊需求，可将其具体分为以下步骤：第一，数据采集与预处理。侦查人员可以采取抗干扰性强和对删除与插入数据不敏感的CDC数据采集与预处理技术，先将整体数据情报源划分为数据段的样本数据，利用滑动运算窗口来计算和获取样本数据的哈希值。然后选择最小的哈希值为该样本数据的预设阈值，并继续使用滑动运算窗口通过数据迭代运算获取其他分段样本数据的哈希值。若所获数据的哈希值与分段样本数据的预设阈值相同，那么就将其标识为数据块连边；反之，则继续运算直到所有分段样本数据被挖掘分析结束为止。第二，确定数据决策模式。为了提升多级冗余循证决策算法智能检索决策的精确度和准确度，侦查人员可采取C4.5决策树算法来确定数据决策模式。先将经过数据采集与处理后的数据作为C4.5决策树算法的决策树节点并获取其数据决策的增益值，构建以数据决策增益值为循证决策的决策树仓库和获取不同决策树中决策的价值需求属性，即可形成和确定所需的数据决策模式。第三，多级冗余数据决策检索。侦查人员需以已确定的数据决策模式为依据，利用多级冗余决策的智能检索算法进行挖掘获取。例如，侦查人员可将所获取的数据决策模式用X=（X1，X2，...，Xn）来表示，其中Xn代表数据决策模式中的第n个数据决策；然后利用公式挖掘与分析所需的循证决策，其中F(n)表示对多级冗余决策的检索结果，Xn表示第n个数据决策，a表示多余或重复等冗余数据决策。第四，获取和确定所需循证决策结果。侦查人员将通过对多级冗余的数据决策进行插入或删除，并构建数据情报侦查循证决策的I/O索引表。对具有重复、离群等异常的多级冗余数据决策结果给予删除，剩余的即是所需的数据情报侦查循证决策结果。侦查人员采用多级冗余的循证决策算法不仅能够消除和降低数据情报侦查循证决策的价值需求匹配识别率，而且还能够提升其数据迭代运算和数据决策挖掘效率。

5.2 浮标矩阵智能循证决策算法

浮标矩阵智能循证决策算法主要是依据不同数据浮标矩阵和浮标坐标位置的分布式方案，通过对合理布放的数据浮标目标进行运算和挖掘，从而生成布放阵型的循证决策方案[16]。为了提升数据情报侦查循证决策结果的精确性，可将浮标矩阵智能循证决策算法具体分为以下步骤：第一，明确决策应用场景。明确决策应用场景不仅是浮标矩阵智能循证决策算法应用的前提条件，而且还是数据情报侦查循证决策价值需求是否实现的必然要求。侦查人员需要依据数据犯罪主体、数据犯罪时空、数据犯罪手段方式等数据犯罪情势的生存与态势发展变化趋势，将数据节点、数据相似度系数、数据权重加权阈值等作为数据情报侦查循证决策的浮标矩阵挖掘分析领域，帮助其能够在最少数据浮标矩阵的模型构建中快速明确和预设数据情报侦查循证决策的应用场景。第二，构建数据浮标的布放仿真模型。依据数据情报侦查循证决策的不同决策应用场景，侦查人员可将数据浮标布放的数据长度设为a，数据宽度设为b，数据布放的半径为r，使其被布放仿真矩阵的概率不低于Po。鉴于数据浮标布放仿真矩阵模型构建的不规则性特点，侦查人员可利用数据网格矩阵挖掘算法公式对其进行运算和挖掘，从而提高数据情报侦查循证决策应用场景的识别匹配率。第三，挖掘最少数据浮标和采取布阵设置算法。根据浮标矩阵智能循证决策算法的价值优势，侦查人员可先将获取最少浮标的总概率阈值设为Pm=1，初始阈值设为no=abPo/πr2，且所需的最少数据浮标概率为Pmax,n=f(n,x,y)。若Po＞Pmax,n，那么需要继续运算挖掘Pmax,n+1的数据浮标概率，直到满足Po＜Pmax为止（如图3）。第四，获取数据浮标布阵的优化决策方案。经过挖掘最少数据浮标和采取布阵设置算法获取到数据浮标的概率Pmax,n=f(n,x,y)之后，侦查人员可利用反向适应函数进行数据迭代运算挖掘。数据浮标布放的数据长度a和数据宽度b均以数据布放的半径r为中心，通过对数据浮标采取选择、保优、变异及交叉等布阵算法，挖掘与分析出不同数据浮标坐标（x，y）之间的决策关联性，从而获取到最优数据浮标布阵的智能数据情报侦查循证决策方案。

图3 挖掘最少数据浮标算法流程

5.3 结构语法循证决策算法

结构语法循证决策算法是一种基于随机森林N1+N2数据分类的循证决策应用方法，主要通过采取C4.5决策树算法而挖掘分析不同数据结构语法之间的分类决策树特征属性，进而获取到行之有效的循证决策结果[17]。从N1+N2数据结构语法的层级关系对实现数据情报侦查循证决策的应然价值而言，可将其具体应用分为四个步骤：第一，数据结构语法的获取与清洗。首先将汇集的数据划分为不同的N1+N2子数据结构语法库，再利用Python编程对不合格的数据给予数据清洗，然后将各种重复数据、冗余数据、异常数据等进行数据离群挖掘处理，并将经过获取与清洗后的不同数据结构语法存储于数据仓库之中[18]。第二，数据语义情报标识。侦查人员可采取C4.5决策树算法对N1+N2数据结构语法中的不同数据进行语义情报编码，促使其能够快速高效地挖掘与获取到不同数据语义情报之间的数据距离，从而实现对不同数据的数据语法与数据类别等挖掘分析的语义情报标识。第三，数据语法情报的关联挖掘。在数据语义情报标识的基础之上，侦查人员需要对N1+N2数据结构语法中的数据语法情报采取蚁群、聚类等不同的关联挖掘与分析，并进行多次反复的检验和修正，去除具有重复性、冗余性、离群性等异常的关联数理关系，构建“主谓、复指、定中、并列”4种数据语法关系的情报关联模型。这不仅能够确保侦查人员挖掘获取到客观准确的情报关联关系，而且还消除和降低了经验型数据情报侦查决策的制约或影响，全面保障了数据情报侦查循证决策结果的科学性和合理性。第四，形成数据情报侦查的循证决策。将已挖掘获取的数据语法情报关联数理关系和数据语法关系的情报关联模型进行互相融合和互相转换，形成数据情报侦查循证决策所需的数据语法决策集。侦查人员可以将所形成的数据语法决策集表示为T={(N1+N2)i,Ri}且(N1+N2)i∈Ri，其中Ri代表“主谓、复指、定中、并列”4种数据语法关系的情报关联模型。侦查人员依据数据语法决策集训练和组成数据情报侦查循证决策的分类器，再从数据语法决策集Tm和分类器Pm中选取5个数据情报决策特征子集进行循证决策的组合与重构，即可形成数据情报侦查的循证决策。结构语法循证决策算法的应用不仅能够降低对随机数据情报挖掘与分析的模糊性和不确定性，而且还能够提升数据情报侦查循证决策的准确性和精确性，从而有利于实现数据情报侦查循证决策的应然价值和实然效果。

5.4 PRF循证决策算法

PRF循证决策算法是一种基于数据分类器集成挖掘的决策森林算法，具有数据鲁棒性、分类精确性、快速高效性等突出特征。PRF循证决策算法的主要原理为根据数据权重加权系数与深度更低数据节点之间的正向同配属性关系，进而获取到精确性高和类别多样性的循证决策。依据PRF循证决策算法的运算价值优势，可将其在数据情报侦查循证决策中的应用具体分为以下步骤：第一，获取新的训练子集。侦查人员可先将所有涉案数据汇集为集合D，然后采取Bootstrap算法对其采样进而获取到新的训练子集Di，从而为数据情报侦查循证决策的类别多样性奠定基础。第二，构建决策树模型。侦查人员可采用C4.5算法对获取新的训练子集Di进行挖掘与分析，依据其数据基分类器的运算结果而构建数据情报侦查循证决策所需的决策树模型。同时，由于PRF循证决策算法在挖掘分析不同数据节点的属性阈值时均使用wifi代替fi对其分裂属性进行挖掘和预设，故侦查人员可将其数据节点属性wi的初始值预设为1。第三，更新数据节点属性阈值wi。为了提升数据情报侦查循证决策应用的准确性和精确性，侦查人员可根据挖掘获取的数据节点深度n对其属性阈值wi进行及时更新。例如，侦查人员可利用运算数据节点阈值的函数公式且n＞1进行挖掘和获取，从而提高数据情报侦查循证决策结果的客观性。第四，检验和修正循证决策结果。侦查人员可根据更新后数据节点属性阈值wi来构建数据情报侦查循证决策所需的决策树模型，然后寻找出与其情报价值需求预设具有正向同配属性关系的决策树枝，再将所挖掘获取的决策树枝进行互相融合和决策仓库构建，即可形成数据情报侦查所需的循证决策结果。同时，为了提高数据情报侦查循证决策应用的准确性和精确性，侦查人员还需要对所获取的循证决策结果及时进行检验和修正。如果循证决策结果帮助侦查人员能够实现数据情报侦查循证决策的应然价值和实然效果，那么PRF循证决策算法即可结束；反之，则需要从第二步重新开始运算和挖掘分析，直到满足循证决策结果条件或达到最高PRF循证决策算法次数上限为止。诚然，在PRF循证决策算法过程中，这不仅促使数据情报侦查的循证决策能够具有更高的数据鲁棒性和类别精确性，而且还能够全面提升其情报价值需求的识别匹配率和预测的精确度。

5.5 ER规则循证决策算法

ER规则循证决策算法是基于数据证据推理规则的一种集成学习算法，主要流程是通过数据汇集构建数据智能认知模型，然后利用其将对挖掘分析的数据认知结果作为决策的科学证据使用，再采取ER规则将不同科学证据进行互相转换和互相融合，最后构建数据循证决策模型并获取数据循证决策结果[19]（如图4）。

图4 ER规则循证决策算法的流程模型

根据ER规则循证决策算法的原理，可将其在数据情报侦查循证决策过程中具体分为以下步骤：第一，循证决策的前期准备。侦查人员需要先利用不同的数据智能感知技术方法搜集与数据犯罪情势有关的各种结构型数据、非结构型数据、半结构型数据及异构型数据等数据情报源，然后将其汇集并采取数据清洗、数据集成、数据归约等预处理技术，并以此为基础构建数据情报侦查循证决策的智能认知模型。第二，进行ER规则数据融合。利用已构建的智能认知模型对汇集的不同数据情报源进行运算挖掘分析，使其结果形成所需的决策科学证据。此时侦查人员需要利用预设的ER规则对获取的决策科学证据进行数据融合，为后续循证决策模型的构建提供支撑和保障。一方面，侦查人员通过利用数据熵权运算可以对不同数据的数据相似度系数、数据相邻系数等数据的权重加权系数进行ER规则数据融合；另一方面，侦查人员还可以采取不同关联聚类算法对各种决策科学证据的关联数理关系进行挖掘与分析，通过所运算和挖掘的数据可靠系数进行ER规则的数据融合，从而提高ER规则数据融合的质量和效率。第三，构建循证决策模型。将通过ER规则数据融合获取的循证决策预测集作为构建循证决策模型的输入数据，然后利用其中的不同决策子集进行构建循证决策模型的指标矩阵标准化处理。例如，在循证决策模型K中选取具体循证决策P在数据情报侦查场景T应用过程中，侦查人员可将构建的循证决策模型表示为X=（X1j，X2j，...，XPj），其中Xij代表循证决策模型K中第i个样本循证决策的第j个循证决策，且{i=1,...,P;j=1,...,KT}。第四，形成循证决策结果。对已构建的循证决策模型进行决策的集成算法处理，所获得结果即为ER规则循证决策算法所需运算和挖掘的循证决策结果[20]。例如，侦查人员可将形成循证决策结果的过程表示为u=g(u(k),v)，其中g(u)代表循证决策的结果，v代表决策的集成算法处理。显然，在ER规则循证决策算法的应用过程中，不仅能够帮助侦查人员降低数据情报侦查循证决策挖掘的泛化偏差概率，而且还能够帮助其提高数据情报侦查循证决策的准确率。

5.6 色彩智能循证决策算法

色彩智能循证决策算法是在传统实体数据色彩挖掘分析基础上，结合关联算法、聚类算法、蚁群算法等现代智能数据算法而对不同数据色彩所进行的循证决策挖掘分析技术方法[21]。依据数据情报侦查循证决策的特殊价值需求和色彩智能循证决策算法的运算价值优势，可具体分为以下步骤（如图5）：第一，循证决策的样本汇集。侦查人员可采取调查访问、犯罪现场勘查、视频侦查、网络阵地控制等传统实体或现代虚拟情报侦查途径对不同数据情报源进行发现和获取，并对数据情报侦查的循证决策色彩意象进行挖掘与分析，以其结果形成和构建循证决策的样本数据。第二，循证决策的模型构建。数据情报侦查的循证决策色彩意象具有突出的模糊性，造成其与数据情报侦查循证决策的价值需求呈现出非线性的属性关系。为了挖掘获取到数据情报侦查循证的色彩意象与其价值需求之间准确客观的动态性映射关系，侦查人员可依据情报混沌理论采取人工神经网络等智能数据算法，构建数据情报侦查的循证决策训练子集，并根据数据色彩意象对其循证决策展开学习和训练等测试，从而提升其与循证决策价值需求之间的映射关系。第三，色彩循证决策的形成。此处需要侦查人员利用已构建的循证决策模型对不同数据情报侦查的决策色彩意象展开挖掘与分析，通过采取不同聚类算法帮助其将不同的决策色彩意象进行相近或相似的聚类划分，从而形成数据情报侦查的色彩循证决策。第四，色彩循证决策的评估和修正。侦查人员需要将已形成的色彩循证决策及时应用到数据情报侦查循证决策的预测和决策过程中，并对其与数据情报侦查循证决策的价值需求识别匹配率进行计算和调查。一方面，需要对已被应用的色彩循证决策进行互相对比和评估，提升数据情报侦查循证决策的客观性和可行性；另一方面，还需要对其进行及时有效的检验和修正，进而提高色彩智能循证决策算法的科学性和准确性。显然，在色彩智能循证决策算法的挖掘分析应用过程中，不仅能够帮助侦查人员降低“情报失败”与“决策失败”的出现概率，而且还能够帮助其及时检验和修正数据情报侦查循证决策的认知偏差。

图5 色彩智能循证决策算法的流程模型

6 结语

数据情报侦查的循证决策方法主要包括多级冗余循证决策算法、浮标矩阵智能循证决策算法、结构语法循证决策算法、PRF循证决策算法、ER规则循证决策算法和色彩智能循证决策算法等多种循证决策算法，且不同的数据情报侦查循证决策方法都有着不同的运算价值优势。这不仅能够帮助侦查人员降低“情报失败”与“决策失败”的出现概率，消弭情报决策的认知偏差，而且还能够帮助其优化数据情报侦查预测的准确性，评估修正数据情报侦查行动的实施方案，及时掌握涉案数据犯罪情势生存与发展态势，从而实现数据情报侦查循证决策的应然价值和实然效果。