(相关资料图)
一般来说，创设大数据法律监督模型，难点并不在于技术，而在于异常监督点的识别和数据的获取，其中，数据获取需要先依托异常监督点来确定数据范围。因此，识别异常监督点在创设大数据法律监督模型中起到根本性作用。司法实践中，异常监督点的识别是检察官在办理案件、开展专项活动等工作中总结和提炼的，是数字检察工作机制中提出的“业务主导”的应有之义。但实践中，也存在部分检察官对于异常监督点的理解有方向性错误，没有从法律监督机关的职能定位出发，造成“耕了别人的田，荒了自己的地”的尴尬局面。
精准识别大数据法律监督模型的监督点，就是要找准大数据法律监督模型所依托的、具有普遍性的“小切口”。当前，应当主要围绕服务大局热点焦点、执法司法突出问题、社会治理薄弱地带、公共利益保护缺位等问题展开。笔者从各地在用的较为成熟的大数据模型入手，发现其监督点主要集中在行政执法、司法机关的突出问题，主要包括以下四个“小切口”。
一是违法履职切口。一种是行政、司法机关工作人员滥用职权，利用权力寻租空间为他人谋取不正当利益。如吸毒人员逃避强制戒毒类案监督模型，针对个别民警帮助吸毒人员伪造轻微刑事案件，以此使得吸毒人员被判处一年以下的短刑期，从而逃避被强制隔离两年戒毒的问题，对此，检察官可以调取吸毒人员被强制隔离戒毒前后或强制隔离戒毒期间存在自首的轻微刑事案件，通过数据分析，锁定帮助伪造假案的民警。另一种是行政、司法机关工作人员应为而不为，没有依法履行职务。如轻伤害类刑事案件下行监督模型，主要是针对一些轻伤害类案件，公安机关未对被害人作出伤情鉴定，直接对嫌疑人作出行政处罚的问题，检察机关可以调取公安机关的行政处罚数据，筛选出未作伤情鉴定的数据，通过进一步识别，发现被害人伤情已经满足轻伤二级以上伤情的案件，从而确定“以罚代刑”的监督线索。
二是以合法形式掩盖非法目的切口。一种是单从某一个案的数据来看，案件处理没有任何问题，但一旦归集大量数据，扩展数据量，就会发现其中存在的非法目的。如车辆保险诈骗类案监督模型，单看某一个案件，个案的证据能够证明相关车辆出现事故，经修理厂修理后，向相关保险公司索赔，获得相关收益，但如果调取大量类似判决的数据，就会发现大量诉讼可能都与一家修理厂有关，这可能就涉嫌一些民事法律监督案件线索，进而可能引申出涉嫌诈骗等刑事法律监督案件线索。另一种是因机构之间存在数据壁垒，出现以合法形式掩盖非法目的的情形，检察机关一旦打通数据壁垒，许多监督线索就能直接体现。如虚假网拍类案监督模型，就是筛选出被执行房屋存在长租、一次性交付租金、流拍等情形，后调取拍卖人和被拍卖人关系数据，进而锁定可能存在虚假拍卖的监督线索。
三是画像类追查切口。所谓画像类追查，即通过大量案件数据进行相关画像，从而识别追捕漏罪漏犯的刑事法律监督案件线索。司法实践中，涉税案件、知识产权案件、网络犯罪案件等均因涉及上下游信息而使得画像类模型（当案件上下游信息隐蔽、存在信息碎片时，检察机关将碎片拼合起来呈现完整链条画像）有了独特价值，也就成为此类犯罪全链条打击的重要抓手。如涉知识产权上下游犯罪类案监督，就是通过对此类案件中上游、下游以及负责运输、介绍的中间人等的身份信息、社交账号、金融账号等信息的收集，构建相关违法犯罪人员数据库，通过检索身份要素，实现批量犯罪线索，并有可能扩展到职务犯罪领域的监督。
四是监管真空切口。主要是指某个领域或某个社会治理问题涉及多个部门的职能交叉，造成“谁都不管”或者“各自为战，谁都管不好”的局面，单靠一个职能部门的力量，无法有效解决问题。检察机关通过数据融合，找准问题症结，联合各方力量共同发力，就会解决一些长期难以解决的问题。如耕地占用税征收大数据法律监督模型，涉及税务、国土资源局、公安等多个部门，每个部门如果单看各自的数据，难以发现根本性问题，但如果综合多方数据来看，就会发现相关部门未及时履职的监督线索，从而挖掘出监督盲区。
当然，上述四个切口并不是彼此孤立，有的情形下可能存在交叉，将四个切口单独列明，主要是可以提供给办案检察官一些抓手，从而在办理案件过程中，能够结合案情，以“四个切口”为基础，深入发掘异常监督点，为后续大数据法律监督模型的研发奠定坚实基础。
（作者单位：北京市人民检察院）
(责编：马昌、梁秋坪)
责任编辑：FRT136
社会
