用于确定制裁对行政违法行为程度影响的神经网络方法 谢尔希·弗拉多夫、 维多利亚·维索茨卡、 泰蒂亚娜·沃洛沙尼夫斯卡、 叶夫亨·波多罗日尼、 伊霍尔·哈年科、 玛丽亚·纳扎尔克维奇、 瓦列里·霍沃罗夫、 伊琳娜·肖皮娜、 丹尼斯·热列布佐夫以及 阿尔捷姆·皮托梅茨

《Applied Sciences》：Neural Network Method for Determining Sanctions’ Impact on the Administrative Offence Level Serhii Vladov, Victoria Vysotska, Tetiana Voloshanivska, Yevhen Podorozhnii, Ihor Hanenko, Mariia Nazarkevych, Valerii Hovorov, Iryna Shopina, Denys Zherebtsov and Artem Pitomets

　　

摘要

为评估制裁在数据碎片化、噪声较多且时间序列较短的情况下对行政违规行为数量的影响，研究人员开发了一种基于神经网络模拟的回归方法。该方法通过检测概率、先前的违规程度、合规成本以及各类辅助背景因素，来量化并预测违规行为数量随制裁强度的变化趋势。所提出的框架融合了混合型MLP–LSTM神经网络、基于机器学习的正交因果估计方法、通过领域随机化生成的虚拟场景模拟、缺失数据的多元插补技术、偏差校正程序以及集成不确定性估计方法。这一成果为行政法领域提供了定量分析工具，有助于优化制裁政策、评估不同类型的政策效应，并为基于证据的法规制定和执法决策提供支持。在对比实验中，该方法的均方根误差为8…12%，预测准确率为93…96%，整体准确率为95%，精确度为94%，召回率为93%，F1分数为93.5%，其性能优于当前用于制裁效应建模的各种计量经济学、模拟分析、因果机器学习及预测机器学习方法。此外，非参数统计检验进一步证实，该模型在各项核心指标上均显著优于其他比较算法，这进一步证明了其在数据碎片化的行政数据环境下具有较强的实用价值与稳定性。