一种法院案件工作量评估方法

1.本发明属于数据处理领域，具体的涉及一种法院案件工作量评估方法。


背景技术：

2.近年来，“案多人少”已经是全中国法院运行面临的最大问题之一，并受多种因素的制约。而缓解这个问题的方案之一，就是对法官的案件工作量进行科学测算，并在科学测算的基上，进行有效的绩效考核与人员配置。法官工作量是司法改革中的一个重要的考虑因素，如果能够较好地评估法官的工作量，那么将对司法改革能够提供很多有效的帮助。
3.众所周知，法官面对的各类案件是有着明显的简单复杂之分，在各类案件中付出的体力脑力劳动也有着天渊之别，最初是以案件绝对数量来代表办案工作量的方法显然不够科学。所以，对案件工作量的评估引入了“案件权重”的思想，通过合理确定案件权重系数来科学考核法官工作量。
4.确定案件权重系数是指确定各案件相较于基准案件的相对工作量。由于案件类型复杂多样、各个法院办案程序千差万别，不同法院确定案件权重的方法也有不同，主要可分为俩种方法：第一种是主观经验法，即考核者(专家)凭自己以往的经验指定不同类型案件的工作量权重，但这种方法对考核者专业技能要求很高且不够客观，此外，此方法忽视了同类型案件之间工作量的差异；第二种方法是客观数量法，即通过分析利用以往的案件数据并通过一定的科学方法得出案件权重，它是案件权重测算的首选方法。其中颇具代表性的是上海方案，上海方案以庭审时间、笔录字数、审理天数、法律文书字数这四项指标为计算依据，用某一类案件各指标均值与全部案件各要素均值的比值，分别乘以0.25，再求和即可得出此类案件的权重系数。但上海方案中将四项指标权重均设为0.25，意味着四项指标对结果的影响程度相同，这显然是不合理的。
5.综上所述，现有的案件工作量评估方法存在的问题是：
6.(1)由专家人员凭借经验直接指定案件类型的权重系数，缺乏客观性且忽视了同类型案件之间工作量的差异；
7.(2)使用客观数量法来确定案件权重系数时，如何科学地确定指标权重系数有待解决。
8.因此，设计一种新的案件工作量评估方法是十分有必要的。


技术实现要素：

9.发明目的：本发明提出了一种法院案件工作量评估方法，应用熵值法以及神经网络深度学习技术解决现有案件工作量评估方法的不足，使用主客观相结合的方式更加科学地评估法官的办案工作量，有助于缓解我国法院系统“案多人少”的矛盾。
10.技术方案：一种法院案件工作量评估方法，包括以下步骤：
11.(1)选取合适指标构建案件工作量指标体系；
12.(2)根据建立的工作量指标体系，收集相关原始案件数据；
13.(3)对收集到的原始数据进行预处理操作；
14.(4)为减少案件工作量评估中主观因素的影响，将通过步骤(3)处理后的数据，运用熵值法和法院案件工作量折算标准，计算主客观相结合的案件工作量权重系数；
15.(5)使用步骤(4)中得出的案件工作量权重系数作为模型输出，搭建基于bp神经网络的工作量评估模型；
16.(6)根据步骤(5)搭建的基于bp神经网络的工作量评估模型，计算模型输入指标的权重；
17.(7)根据步骤(6)得出的指标权重系数，将指标权重与数据加权求和计算出待评估案件的工作量权重系数。
18.作为优选，所述步骤(1)中的建立案件工作量指标体系的步骤包括：
19.(1.1)分析法院判案的整体流程，包括：庭前准备、开庭审理、结案归档；
20.(1.2)从三大判案流程中选取可量化的指标，选取的指标例如：裁判文书字数、庭审时间、开庭次数；
21.(1.3)从指标的通用性、是否易收集等角度进行分析，选取符合要求的指标构建案件工作量指标体系。
22.作为优选，所述步骤(3)中的数据预处理的步骤包括：首先去除工作量数据严重缺失的记录，这些数据会严重影响方法的准确性；其次，去除指标数据中值为负的或者不符合常理的记录，由于案件指标信息的度量一般是次数、字数、时间，故指标数据不可能为负值。
23.作为优选，所述步骤(4)中计算主客观相结合的案件工作量权重系数的步骤包括：
24.(4.1)对处理好的数据基于熵值法计算案件工作量权重系数y1；
25.(4.2)根据某地方法院的案件工作量折算标准，按照案件类型、案由等案件相关信息确定主观的案件工作量权重系数y2；
26.(4.3)将客观的案件工作量权重系数y1与主观的案件工作量权重系数y2进行加权求和得出主客观相结合的客观相结合的案件工作量权重系数y，目前采用的的权重比是1:1，故计算公式为
[0027][0028]
作为优选，所述步骤(4.1)中的运用熵值法评估案件工作量的步骤包括：
[0029]
(4.1.1)首先对数据进行归一化处理，消除物理量的影响，其计算公式为：
[0030][0031]
其中，x
ij
是第i个案件的第j个指标值(i＝1,2,
…
,n；j＝1,2,
…
,m)，假设选取了n个案件作为样本、设计了m个指标，x
min
为第j个指标值的最小值，x
max
为第j个指标值的最大值。
[0032]
随后，使用步骤(3)中处理好的数据，计算第j个指标下，第i个案件的贡献度p
ij
，其计算公式为：
[0033][0034]
(4.1.2)计算第j项指标的熵值ej，其计算公式为：
[0035][0036]
(4.1.3)计算差异性系数gj，其计算公式为：
[0037]gj
＝1-ej[0038]
(4.1.4)确定评价指标的权重系数wj，其计算公式为：
[0039][0040]
(4.1.5)选取基准案件(工作量权重系数为1)，设基准案件的综合评价分数为y
′
，计算待评估案件的工作量权重系数yi，其计算公式为：
[0041][0042]
作为优选，所述步骤(5)中的搭建基于bp神经网络的工作量评估模型的步骤包括：
[0043]
(5.1)设计输入/输出训练样本数据。首先，由于该神经网络模型选择sigmoid函数作为传输函数，故需要将输出数据(工作量数据)也作归一化处理，其计算公式如步骤(4.1.1)所示。随后，将步骤(4)中进行无量纲化处理后的指标数据与步骤(4)中得出的作为监督数据的案件工作量组合起来作为模型的样本数据，由此可以确定模型输入层神经单元个数为评价指标的个数，输出层神经单元个数为1。随后，选取其中的70％作为训练数据，30％作为模型验证数据；
[0044]
(5.2)现有理论已经证明，3层的前馈神经网络能以任意精度逼近任意连续函数，故设计网络拓扑结构为只包含一个隐藏层的三层bp神经网络，网络权值矩阵的初始值使用(0,1)之间的随机值赋值，设定模型精度以及循环最大次数等参数；
[0045]
(5.3)对网络进行训练，通过不断迭代训练测试和改变训练样本容量计算出最优参数，例如隐藏层单元的个数等，最终建立基于bp神经网络的案件工作量评估模型。
[0046]
作为优选，其特征在于：所述步骤(6)中的计算bp神经网络输入指标的权重的步骤包括：根据步骤(5)中搭建的达到网络精度要求的案件工作量评估模型，由输入层节点到隐藏层节点之间的连接权矩阵v，计算各输入层节点到所有隐藏层节点间连接权的绝对值之和，并归一化，得到m个指标的权重。具体公式如下：
[0047][0048]
作为优选，所述步骤(7)中的计算待评估案件的工作量权重系数的步骤包括：利用步骤(6)中得出的输入指标的权重结合输入数据，经加权求和后得出待评估案件的综合评价分数。然后，将待评估案件的综合评价分数除以基准案件(工作量权重系数为1)的综合评价分数，即可得出最终的待评估案件的工作量权重系数。
[0049]
有益效果：与现有技术相比，本发明具有如下显著优点：
[0050]
(1)主客观相结合，避免仅凭经验的指定配案；
[0051]
(2)科学合理，使用基于bp神经网络的案件工作量评估，科学地确定指标权重系数。
附图说明
[0052]
图1是本发明实施的方法总体流程图；
[0053]
图2是本发明实施的运用熵值法评估案件工作量的流程图；
[0054]
图3是所述的神经网络架构图。
具体实施方式
[0055]
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
[0056]
如图1所示，本发明实施例公开的一种法院案件工作量评估方法具体包括以下步骤：
[0057]
s1：选取合适指标构建案件工作量指标体系；
[0058]
s2：根据建立的工作量指标体系，收集相关原始案件数据；
[0059]
s3：对收集到的原始数据进行预处理操作；
[0060]
s4：为减少案件工作量评估中主观因素的影响，将使用步骤s3中处理后的数据，运用熵值法和法院案件工作量折算标准计算主客观相结合的案件工作量权重系数，此数据将作为下一步骤中神经网络模型的输出数据；
[0061]
s5：使用步骤s4中得出的案件工作量权重系数作为模型输出参数，搭建基于bp神经网络的工作量评估模型；
[0062]
s6：根据步骤s5搭建的基于bp神经网络的工作量评估模型，计算模型输入指标的权重；
[0063]
s7：使用步骤s6中得出的指标权重计算待评估案件的工作量权重系数。
[0064]
其中，所述步骤s1中的建立案件工作量指标体系具体包括以下步骤：
[0065]
s101：分析法院判案的整体流程，包括：庭前准备、开庭审理、结案归档；
[0066]
s102：从三大判案流程中选取可量化的指标；
[0067]
s103：从指标的通用性、是否易收集等角度进行分析，选取符合要求的指标构建案件工作量指标体系，选取的指标例如：裁判文书字数、庭审时间、开庭次数。
[0068]
其中，所述步骤s3中的数据预处理操作，具体包括以下步骤：首先去除工作量数据严重缺失的记录，这些数据会严重影响方法的准确性；其次，去除指标数据中值为负的或者不符合常理的记录，由于案件指标信息的度量一般是次数、字数、时间，故指标数据不可能为负值。
[0069]
其中，所述步骤s4中计算主客观相结合的案件工作量权重系数具体步骤包括：
[0070]
s401：如图2所示，对处理好的数据运用熵值法计算出客观的案件工作量权重系数x1的具体步骤包括：首先对数据进行归一化处理，消除物理量的影响，其计算公式为：
[0071][0072]
其中，x
ij
第i个案件的第j个指标值(i＝1,2,
…
,n；j＝1,2,
…
,m)，假设选取n个案件作为样本、设计了m个指标，x
min
为第j个指标值的最小值，x
max
为第j个指标值的最大值。随后，利用计算出的贡献度p
ij
，计算第j项指标的熵值ej，其计算公式为：
[0073]
[0074]
然后，再计算出差异性系数gj，其计算公式为：gj＝1-ej。如此，就可以确定评价指标的权重系数wj，其计算公式为：
[0075][0076]
最后，选取某个案件作为基准案件，基准案件的工作量权重系数为，设基准案件的综合评价分数为y
′
，则待评估案件的工作量权重系数yi可以通过公式
[0077]
求出；
[0078]
s402：尽管传统方法由专家人为指定案件权重系数主观性过大，但不可否认专家凭借多年判案经验对案件工作量的判断，故根据某地方法院的案件工作量折算标准，按照案件类型、案由等信息确定待评估案件的工作量权重系数，即确定主观的案件工作量权重系数x2；
[0079]
s403：将客观的案件工作量权重系数x1与主观的案件工作量权重系数x2进行加权求和得出主客观相结合的客观相结合的案件工作量权重系数y，目前采用的的权重比是1:1，故计算公式为
[0080][0081]
后续可能会根据实验结果的反馈对此权重比进行调整，以达到更好的实验效果。
[0082]
其中，所述步骤s5中的搭建基于bp神经网络的工作量评估模型具体包括以下步骤：
[0083]
s501：设计输入/输出训练样本数据。首先，由于该神经网络模型选择sigmoid函数作为传输函数，故需要将输出数据(工作量数据)也作归一化处理，其计算公式如步骤s401所示。随后，将步骤s4中进行无量纲化处理后的指标数据与步骤s4中得出的作为监督数据的案件工作量组合起来作为模型的样本数据，由此可以确定模型输入层神经单元个数为评价指标的个数m，输出层神经单元个数为1。随后，选取其中的40％样本数据集作为训练数据集，30％的数据作为模型测试数据集，30％作为模型验证数据集；
[0084]
s502：由于现有理论已经证明，3层的前馈神经网络能以任意精度逼近任意连续函数，故设计网络拓扑结构为只包含一个隐藏层的三层bp神经网络，搭建的神经网络模型如图3所示。其中，网络权值矩阵v和w的初始值使用(0,1)之间的随机值赋值，选取的网络训练算法为最小均方误差，输入数据为将影响因子与工作量成对提供到网络，并根据网络计算输出的实际工作量与期望输出的工作量之间的误差信号，通过逐层向后传播调整权值，使得实际工作量与期望输出的工作量之间误差越来越小。权值的调整算法通常采用梯度下降算法，即沿着误差曲面下降最快的方向调整权值。最后，设定网络停止训练的条件，设定模型精度以及循环最大次数等参数。模型的精度也就是误差的大小，将其设为0.05，即当模型的误差总和小于0.05时即可停止训练网络。循环最大次数，在本模型中设置为2000，即当模型训练的次数大于2000次时即可停止网络训练；
[0085]
s503：对网络进行训练，输入数据xi，经权值矩阵v加权求和后传入隐藏层，通过sigmoid函数的作用的输出数据，经权值矩阵w加权求和后，同样通过sigmoid函数的作用输出工作量估算数据effort，然后与真实工作量进行比较，根据最小均方误差方法不断调整权值矩阵v和w的值，直到满足停止条件。通过不断迭代训练测试和改变训练样本容量计算
出最优参数，例如隐藏层单元的个数等，最终建立基于bp神经网络的案件工作量评估模型。
[0086]
其中，所述步骤s6中的计算bp神经网络输入指标的权重的步骤包括：根据步骤s5中搭建的达到网络精度要求的案件工作量评估模型，由输入层节点到隐藏层节点之间的连接权矩阵v，计算各输入层节点到所有隐藏层节点间连接权的绝对值之和，并归一化，从而得到m个指标的权重，具体的计算公式为：
[0087]
其中，所述步骤s7中的计算待评估案件的工作量权重系数的步骤包括：与步骤s4中使用熵值法计算案件工作量权重系数的方法类似，首先利用步骤s6中得出的输入指标的权重结合待评估案件的指标数据信息，经加权求和后得出待评估案件的综合评价分数。随后，将待评估案件的综合评价分数除以基准案件(工作量权重系数为1)的综合评价分数，即可得出最终的待评估案件的工作量权重系数。