基于数据挖掘的廉政预测系统

点赞:5523 浏览:19186 近期更新时间:2024-01-08 作者:网友分享原创网站原创

摘 要:本文探讨在廉政预测中应用数据挖掘技术的必要性和可行性,分析数据挖掘技术的各种主要算法及其在廉政数据分析中的应用前景,针对目前我国法律和工作的实际,设计了廉政评价数据挖掘系统的各个模块.

关 键 词:数据挖掘;廉政预测指标

中图分类号:TP311文献标识码:A文章编号:1674-7712(2014)02-0000-01

遏制腐败,推进廉政建设,是政府的使命.但是,没有测度量化,就不能有效管理,领域也不例外.对腐败程度进行一定的量化预测并且分析其产生的途径,有助于推进败工作,因而越来越受到重视.20世纪90年代以来,一些国际组织(以透明国际为代表)通过腐败预测指标来督促各国政府加强廉政工作.在此背景下,政府也重视并投入到廉政评价的建设中.

政府可以通过数据挖掘技术改进和丰富工作方式,主要的挖掘思路:通过数据挖掘方法,总结学习历史数据,建立排摸预测模型,针对公务人员主要指标的发现、提取、分析,实现对其进行评价,并且进行下一步行为的预测,完成败工作预排摸,为纪检监察部门的工作和提前处理提供重点名单.此系统的建成对整体把握腐败尺度和败度力度,预防“大老虎”的出现以及让民众满意政府的工作都有一定的决策支持的意义.

一、理论综述和应用前景

现在已经有给纪检监察部门开发的系统,单位的干部档案可以通过数据挖掘方法维护和分析,干部选拔任用的信息追踪也能做到.显然,数据挖掘技术必定有更深入的应用,比如,针对部分公务员的腐败堕落情形,存在着某些共性特点、规律,是否能通过数据挖掘发现,甚至建立一个模型,把当前的廉政指数测评出来,以及预测最有可能腐败变质的是哪样的干部,并且找出这样一个可疑点组合,避免更多的窝案大案,这样的应用才是经典的而且符合科学发展观的要求.其实有很成熟的这种测评模型思路,公务员的腐败大致上分为三种,一种是贪钱(行贿受贿、贪污公款等等),一种是贪色,再有一种是滥用职权,通过对三种案例历史数据的整理,每种腐败的形成模型就分别建立,分析各种腐败的关键因素(指标)、关联规则、相互之间的影响、指标权重,总体上针对各种腐败的信息挖掘系统就能够设计和实现.

基于数据挖掘的廉政预测系统参考属性评定
有关论文范文主题研究: 关于廉政建设的文章 大学生适用: 函授论文、自考毕业论文
相关参考文献下载数量: 55 写作解决问题: 写作参考
毕业论文开题报告: 文献综述、论文小结 职称论文适用: 期刊发表、初级职称
所属大学生专业类别: 写作参考 论文题目推荐度: 免费选题

对各种类别的指标用标准化的方法进行加总,可是不能把指标的聚中性反映出来,但是量度指标的聚中性和可加性有数据挖掘这个有效途径.数据挖掘是指从大量的结构化和非结构化数据中提取有用的信息的过程.数据挖掘源于数据库知识发现(KDD)技术,人们需要从海量信息中获得全面、准确、有效用的知识,因而这种技术得以形成和发展完善.政府廉政评价预测指标设计中存在同级指标可加性问题,利用海量数据挖掘可以解决,从而指标彼此相加的问题就从理论上解决了.不相交的次级指标集合在两个同级指标中进行合并时聚中向量具有可加性.因为指标聚中向量具有可加性,所以能精确地加减计算同级政府廉政评价预测指标,运用廉政评价预测指标最终得到所评估出的指数.从设计指标的目的来说,降低数据存储量和计算量,以及保证聚中度计算的精确性是关键,当指标聚类具有加和性就能满足.因此采用数据挖掘方法,各级政府廉政评价预测的科学性在整体上有所提高.


数据挖掘应用到工作中,估测挖掘出的一些线索、规则会很有意义,例如满足哪些具体条件,某类肯定会违纪违法的人群就能大致预测出来,而通过事前采取的预防措施,能够很好的避免腐败案件的发生.

二、算法应用和系统各模块

一个是否满足适应性的数据挖掘模型,所挖掘出来的结果的价值会受到直接影响,在公务人员活动的领域中,回归模型、分(聚)类方法、决策树模型、神经元算法、遗传算法(GA)、可视化方法等适应性很强,应用前景十分广阔.

三、结束语

通过对腐败案例进行机器学习(machinelearning),数据挖掘技术做到对公务人员从政轨迹进行总结.通过总结相关违纪违法途径、环节等的特点与规律,并与待处理数据进行对比,进而深入分析和处理数据,发现和获取新知识,从而对模型进行动态更新,为纪检等机关提供更多线索.