邱明月 王新猛 唐松澤

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

關鍵字：關聯(lián)規(guī)則；野生動植物案件；Apriori；數(shù)據(jù)挖掘

中圖分類號：TP311 文獻標識碼：A 文章編號：1009-3044（2018）29-0029-03

1 研究背景

隨著世界人口的增長，資源的承載能力越來越弱，資源的利用和保護的矛盾日益尖銳，導致人類與自然的沖突呈多發(fā)態(tài)勢。野生動植物的非法貿(mào)易日益猖獗，嚴重破壞了野生動植物資源，且嚴重影響到生物多樣性和資源安全。隨著信息化發(fā)展，野生動植物犯罪行為也開始呈現(xiàn)出信息化和多樣化態(tài)勢。在大數(shù)據(jù)時代，對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，還應當結合數(shù)據(jù)挖掘等大數(shù)據(jù)處理技術，對野生動植物信息化案件進行精準分析，為打擊野生動植物犯罪行為提供科學的參考。

關聯(lián)規(guī)則作為數(shù)據(jù)挖掘算法的一種，近年來被廣泛應用于犯罪預防、打擊犯罪和警力部署等公安決策支持領域。閆密巧等基于某市110報警數(shù)據(jù)庫中的大量公交扒竊案件信息，對具有相似性的，特征明顯的警情進行時空特征的關聯(lián)分析。由分析的規(guī)則得出，某路段的頻繁案發(fā)時間，以及作案較少的路段和時間段【1】。張亞洲通過梳理搶劫案件的相關特征，運用Apriori算法對犯罪特征進行關聯(lián)規(guī)則挖掘，分析歸納了某市搶劫犯罪行為的關聯(lián)特征【2】。許陽泉通過改進的Apriori算法，研究特定區(qū)域侵財類犯罪案件特點。測試的結果表明，改進的算法有明顯的優(yōu)勢，且驗證了得到的關聯(lián)規(guī)則在實際公安工作中的可行性【3】。張浩明針對違法犯罪涉嫌人員的檔案內(nèi)容，對犯罪程度和客觀因素之間進行關聯(lián)規(guī)則分析，并由數(shù)據(jù)仿真實驗得出一定數(shù)量的關聯(lián)規(guī)則。馮卓慧通過采用約簡算法和Apriori關聯(lián)算法對監(jiān)獄的刑釋人員進行再犯罪的規(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】。由以上關聯(lián)規(guī)則在犯罪規(guī)律分析的應用可以看出，關聯(lián)規(guī)則在犯罪預測，犯罪規(guī)律分析得到了科學有效的應用，為相關部門提供了一定的決策支持【5】。在當前研究文獻中，將數(shù)據(jù)挖掘算法應用到野生動植物案件的相關研究較少。本文基于典型的信息化野生動植物案例，對野生動植物案件的相關因素與犯罪行為進行關聯(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 關聯(lián)規(guī)則

2.1關聯(lián)規(guī)則的基本概念

關聯(lián)規(guī)則是指從事務數(shù)據(jù)庫、關系數(shù)據(jù)庫和其他信息存儲中的大量數(shù)據(jù)的項集之間發(fā)現(xiàn)有趣的、頻繁出現(xiàn)的模式、關聯(lián)和相關性，即所謂的關聯(lián)規(guī)則。關聯(lián)規(guī)則主要反映事物之間的關聯(lián)性，即在大量的數(shù)據(jù)集中，發(fā)現(xiàn)數(shù)據(jù)中沒有直接體現(xiàn)的潛在關聯(lián)性或相關性。如果兩個事物之間存在關聯(lián)，就可以利用關聯(lián)分析通過一個事物來預測另外一個事物【6】。關聯(lián)規(guī)則常以[A→B]的形式表示，其中[A]與[B]是2個互斥的項集，常用的關聯(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)庫國際會議上提出的【7】。該算法的實際運算過程分為2個階段：首先識別出所有滿足最小支持度閾值的項集；然后根據(jù)滿足最小置信度閾值的項集來創(chuàng)建規(guī)則。

本文通過Apriori算法，對野生動植物案件的犯罪行為進行關聯(lián)規(guī)則分析，具體的算法流程如圖1所示。Apriori算法的主要實現(xiàn)步驟如下：

（1） 設定最小支持度和最小置信度，通過全掃描動植物案件的數(shù)據(jù)庫， 對每個項進行計數(shù)，產(chǎn)生候選項集C1。

（2） 判斷每個項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數(shù)的項， 形成頻繁1-項集合并記作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-項集合， 以產(chǎn)生L2的超集，記作C2。然后掃描C2的項集，如果某候選2-項（集）的1-項子（集）不在L1中， 則該候選2-項（集）也不可能是頻繁的， 將其從C2 中刪除， 實現(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的頻繁k-項集合。最后，產(chǎn)生強關聯(lián)規(guī)則。

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

3 Apriori算法在野生動植物案件中的應用

3.1數(shù)據(jù)處理

本文的數(shù)據(jù)來源是從各地森林公安機關收集的70份森林公安信息化破案材料。相關材料包含案例介紹、辦案過程中信息化手段應用情況和案例點評等部分。本文從中提取有效信息，并對文本和相關信息進行數(shù)值化處理，以便更好地將數(shù)據(jù)應用到后續(xù)的關聯(lián)規(guī)則分析中。在去除無效數(shù)據(jù)，對相關數(shù)據(jù)進行數(shù)據(jù)預處理后，得到了整理后的數(shù)據(jù)。

本文從案件、人、物品、時間、空間這五個方面對森林公安信息化案件的相關變量進行歸類總結。按照案件（案件性質(zhì)、案件類型、案件來源），人（犯罪嫌疑人個數(shù)、犯罪嫌疑人性別、年齡、文化程度、職業(yè)、民族、戶籍、有無外號、是否有前科劣跡、是否知曉其犯罪、作案動機），物品（涉及野生動物的種類數(shù)、涉及野生動物的種類、對應數(shù)量或質(zhì)量、對應保護級別、有無對應隱語、涉案金額、野生動物來源），空間（上家所在地、野生動物的去向、下家所在地、交易方式、聯(lián)絡方式、作案地點、發(fā)案地點），時間（發(fā)案時間、結案時間、破案時長）這五大因素對所有案件的相關信息進行梳理。

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

根據(jù)以上相關因素對所有卷宗進行梳理后，得到了大量的動物、植物以及其他森林公安案件的相關數(shù)據(jù)。根據(jù)已破的野生動植物信息化案件的各類案件信息數(shù)據(jù)進行梳理，截取部分數(shù)據(jù)預覽如表1所示。

3.2 Apriori算法應用結果分析

通過Apriori算法對整理后的森林公安信息化案例數(shù)據(jù)進行分析挖掘。設定最小支持度為20%，最小置信度為60%。運行關聯(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驗結果如表2所示。

對于以上挖掘到的強關聯(lián)規(guī)則，需要對結果進行分析。由表2的部分關聯(lián)規(guī)則結果可知，按置信度排名1和2的強關聯(lián)規(guī)則為：交易方式=3（面對面交易）→破案時長=0（不到一個月）；交易方式=3（面對面交易）∩野生動植物來源=1（從上家處獲取）→破案時長=0（不到一個月）。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，交易方式為面對面交易和野生動植物來源為上家對破案時長小于1個月有促進作用，即上家在與下家交易野生動植物時，公安機關可以很快從面對面交易的過程中發(fā)現(xiàn)破案線索，獲得情報、了解作案地點后，便于當場抓獲人（雙方犯罪嫌疑人）、物（直接證據(jù)—野生動物）、事（雙方違法交易），快速偵破案件。

按置信度排名3和4的強關聯(lián)規(guī)則為：聯(lián)絡方式=1（網(wǎng)絡平臺）→破案時長=1（大于一個月）；聯(lián)絡方式=1（網(wǎng)絡平臺）∩野生動植物來源=1（從上家處獲?。瓢笗r長=1（大于一個月）。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)絡方式為網(wǎng)絡平臺和野生動植物來源為上家對破案時長大于1個月有促進作用，即上家在與下家交易野生動植物時，由于網(wǎng)絡平臺具有一定隱蔽性，不利于公安機關發(fā)現(xiàn)破案線索，同時難以取得有效的電子證據(jù)，所以花費的破案時間較長。

按置信度排名5和6的強關聯(lián)規(guī)則為：交易方式=3（面對面交易）∩野生動物去向=2（下家）∩野生動植物來源=1（從上家處獲?。瓢笗r長=0（不到一個月）；交易方式=3（面對面交易）∩野生動物去向=2（下家）→破案時長=0（不到一個月）。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。與強關聯(lián)規(guī)則1和2類似，在上家與下家進行面對面交易時，公安機關可以迅速從上家與下家的交易細節(jié)中偵查線索，進而快速對案件進行偵破。

按置信度排名7和8的強關聯(lián)規(guī)則為：交易方式=1（利用快遞）→破案時長=1（大于一個月）；交易方式=1（利用快遞）∩野生動植物來源=1（從上家處獲?。瓢笗r長=1（大于一個月）。這兩條強規(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。因為提升度為3.5大于1，所以交易方式為快遞交易且野生動植物來源為上家對破案時長大于1個月有促進作用，即上家在與下家交易野生動植物時，公安機關難以從快遞交易的過程中發(fā)現(xiàn)破案線索，所以花費的破案時間較長。這類案件抓獲犯罪嫌疑人的方式以當場抓獲人（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一步偵查，相比于交易方式為面對面的，交易方式為快遞要耗費更多的時間。

4 結論與探討

本文通過分析全國森林公安信息化已破案例，對案例信息進行數(shù)據(jù)處理，并運用Aprior算法對森林公安信息化案件中的各類因素進行關聯(lián)分析，從而挖掘潛在的犯罪規(guī)律，對野生動植物案件的相關犯罪行為進行分析。通過以上研究，初步得出以下研究結論：

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

二是在以網(wǎng)絡平臺為基礎的野生動植物買賣案件中，由于網(wǎng)絡平臺的隱蔽性，不利于發(fā)現(xiàn)線索，導致破案時間較長

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

所以，建議森林公安機關加大對網(wǎng)絡平臺以及快遞交易等野生動植物買賣渠道的監(jiān)控，有效監(jiān)管以被動化為主動，提高對野生動植物相關案件的偵破效率，從而有效打擊各類破壞森林和野生動植物資源的違法犯罪活動，為保衛(wèi)生態(tài)建設做出貢獻。

參考文獻：

[1] 閆密巧，過仲陽，任浙豪.基于聚類關聯(lián)規(guī)則的公交扒竊犯罪時空分析[J].華東師范大學學報（自然科學版），2017（03）：145-152.

[2] 張亞洲.改進型Apriori算法在犯罪關聯(lián)分析中的應用[J].無線互聯(lián)科技，2013（09）：148-149.

[3]許陽泉.改進型Apriori算法在犯罪關聯(lián)分析中的應用[J].軟件導刊，2013，12（11）：68-70.

[4] 馮卓慧，馮前進.基于關聯(lián)規(guī)則的再犯罪特征分析[J].浙江理工大學學報（社會科學版），2017，38（01）：57-60.

[5] 杜威，鄒先霞.增量關聯(lián)規(guī)則挖掘算法在犯罪行為中的應用研究[J].中國人民公安大學學報（自然科學版），2011，17（02）：56-58.

[6] 白潔，田瑞麗，張學軍.Apriori 算法在用戶特性關聯(lián)分析中的應用[J].計算機與網(wǎng)絡，2016，42（12）：70-72.

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

【通聯(lián)編輯：光文玲】