陸涵之?| 論自動化行政的裁量構造

作者簡介：陸涵之，中國人民大學法學院憲法學與行政法學博士研究生。文章來源：《湖湘法學評論》2026年第1期，轉自湖湘法學評論公號。注釋及參考文獻已略，引用請以原文為準。

摘要

由法規范向算法編程的轉譯解讀內置了由“法規范—一般裁量—個案裁量”的裁量邏輯演繹可能，是自動化行政裁量的適法基點，也是回應諸如自動化行政是否與裁量存在齟齬甚至互不兼容等質疑的關鍵所在。在“五級劃分法”下，各級自動化行政的裁量作用領域與功能主義層面的行使主體均有區別。“人的裁量”可以作為“人為裁量”以及“自動化行政裁量”的上位概念，消除自動化行政裁量屬人性背離之憂慮。自動化行政算法兩端的基本裁量構造即為算法構建前的“一般裁量”與自動化行政運行過程中的“參數裁量”，這也是構造自動化行政裁量結構的方法論基礎。以行政過程論視角研究行政決策作出過程中自動化行政運行的各階段，可以發現在事實選取、要件裁量、效果裁量諸過程中均有與行政裁量的互動與交織，通過構建適當的人力介入審核之裁量義務矩陣，可以實現由“算法結果”至“裁量決定”的性質上升路徑。

一、引言

《法治政府建設實施綱要（2021—2025年）》將“全面建設數字法治政府”單列為一節，開啟了全面提升法治政府建設數字化水平的新征程。《國務院關于加強數字政府建設的指導意見》（國發〔2022〕14號）提出，至2025年完成政府履職數字化、智能化水平顯著提升的目標，至2035年基本建成整體協同、敏捷高效、智能精準、開放透明、公平普惠的數字政府。由此，推動“人工智能＋政務服務”的頂層設計勢在必行，數字決策的深度應用已成為數字政府建設的內在驅動力。數字行政在提升傳統行政效率、革新行政范式的同時，也面臨著傳統行政法學知識體系在數字技術語境下的解釋空檔。而隨著人工智能賦能數字政府時代的來臨，算法、人工智能、大數據等數字技術深刻地影響并形塑著現實社會中的行政裁量，與其說數字技術的應用是對傳統行政法學界裁量研究的沖擊，毋寧將之視為裁量研究的一個新增長點，或對目前已經步入理性對話階段的裁量論爭提供一個新的視角與領域。對此，唯有剖析自動化行政過程中的裁量問題，才能避免以“算法黑箱”等技術化傾向遮蔽自動化行政中裁量逾越、裁量濫用、裁量怠惰等問題，進而避免自動化行政違法現象陷入“責任逃逸”的窘境。

自“自動化行政”概念提出伊始，與之相伴相生的核心質疑便是，自動化行政有可能背離裁量的本質屬性、剝奪本來屬于人為決策范圍內的個案判斷。由此，如何在裁量存在的范疇內，不泯滅裁量屬人性的同時，將自動化行政這一方式或手段規范化，以期在滿足現代行政效率需求的同時，也能用裁量理論界定邊界、更好地保護相對人權益，便成了自動化行政裁量研究亟須解決的理論問題。自動化行政是否還有裁量的適用余地？自動化行政是否減損甚或泯滅了行政裁量？自動化行政給行政裁量帶來的究竟是裁量怠惰的風險還是優化裁量的可能？在行政過程論視角下，自動化行政與要件裁量、效果裁量又是如何交織的？對這些問題的解答既是規范自動化行政的基礎所在，也是提出具有可行性的自動化行政裁量合法性規制建議的前提。探究自動化行政裁量的體系構成的前提問題即為裁量悖論，意指消解人的裁量性、摒除人的主觀偏好和偏私，進而發展機器的深度學習能力，使得機器擁有裁量能力的一種邏輯困境。對裁量悖論的理解與認知直接影響自動化行政裁量的內涵與外延，甚至會動搖自動化行政裁量這一概念的命題真偽。

二、自動化行政裁量的類型化

自動化行政裁量與傳統的人為裁量本質上滿足的是同一需求、完成的是同一任務。傳統的“人為裁量”有其弊端，耗時耗力且難以避免主觀偏向。而自動化行政裁量對于人力、時間的節省并未背離傳統的裁量語境，且更便捷的裁量并不會顛覆傳統意義上人的判斷。主觀偏向是自動化行政下的裁量悖論需要重點闡述的問題。如果自動化行政裁量使得人類減損或者喪失了掌握裁量的能力與權力，那便是對傳統概念下裁量的沖擊甚至顛覆，進而會陷入裁量悖論困境。由此，需要對不同類型的自動化行政設備是否具有裁量功能及裁量所處的步驟進行分類，以細致地研究各級別自動化行政設備是否能實現裁量效果，進而回應有關裁量悖論的質疑。

自動化行政概念紛爭的焦點在于自動化的程度與其在整個決策作出過程中的定位，這也是研究行政裁量在自動化行政過程中是否存在以及如何嵌入的前提與基礎。而對于目前行政活動中層出不窮的自動化行政新現象、新方式，就其自動化行政的不同程度以及自動化程序所在的步驟為依據進行的分類，是深入分析其裁量有無以及性質的基本前提。畢竟，統一且簡明的話語體系是分析所有新興問題的根本與基礎。筆者以相關研究對于自動化行政在部分行政行為或行政環節中的區分為基礎，根據裁量在不同階段、不同層級的自動化行政中的作用進行如下分級（見表1）。

1．零至 二級 自動化行政的裁量樣態

零級自動化行政對應無自動化行政，即傳統的人工行政，沒有自動化行政的作用空間，自然不必過多論述。而一級自動化行政對應的自動化輔助行政與二級自動化行政對應的部分自動化行政在各階段的運行主體與裁量適用領域沒有區別，對兩者分類的標準為自動化程序或設備是否能夠單獨承擔某一流程或步驟的運行，即部分自動化行政可以由自動化系統單獨完成某一部分的行政程序，故若進一步研究對二級自動化行政裁量的規制問題，則需要與一級自動化行政進行區分，對此，可能需要引入針對某一步驟的事后審查。

在當前階段，行政主體運用自動化行政的行為多屬第一層級的自動化輔助行政和第二層級的部分自動化行政。在第二層級中，如果自動化行政僅僅涉及識別與輸入、輸出與實現兩個模塊，即在這兩個模塊或者其一中實現了自動化行政，而分析與決定依舊由人來完成，此時自動化行政過程中的裁量只可能涉及對數據的篩選，并不會涉及效果裁量階段。而倘若在分析與決定階段自動化行政也有所作用，則此時的裁量已經包含要件裁量與效果裁量。

2．第三級自動化行政的裁量機理

第三級自動化行政，即無學習能力的自動化行政，在決策作出之時，因羈束行為與裁量行為的區分，運行主體分別為人類以及自動化系統。諸如全自動化審批這類行政行為，其在分析與決定環節也實現了自動化，由此具備了向第三層級乃至第四層級躍進的可能。最明顯的表現即人工智能介入行政活動的部分不僅僅局限于證據的獲取、固定或者單純的數據計算，還介入了最終的決定或者決策階段，例如無人審批等行政實踐。第三層級的自動化行政系統在行政實踐中多應用于行政審批、社會信用體系建設等情形。但是，在此階段的人工智能運用暴露出部分“人工智障”的問題，從而引發有關裁量怠惰的討論與質疑。目前，機器的自我學習能力運用場景較為稀少，更多的自動化行政裁量停留在零級至三級，在此類情況下，自動化行政裁量的運作由人力設定程序、人為監控運行，在結果的閾值范圍內選取并作出裁量決定，若裁量結果只有唯一解，則推定唯一的裁量結果為裁量決定。在此情況下，自動化行政裁量是一種人為裁量的形式進階，并未突破人力掌控范圍，依舊是人為進行的裁量。即便承認此種狀態下的自動化行政裁量屬于傳統裁量的一種新型模式，也并未突破人為裁量的能力范疇。但還是應當注意到，自動化程序的介入會給傳統裁量的運作過程、邏輯機理帶來沖突和挑戰，并會引發例如信息壁壘、違背正當程序等一系列隱患，故不能繞開對這些情況下裁量的運作問題與解決路徑的深入研究。

而無論是算法前端設計編程層面將法語言轉換為算法語言，抑或是出現問題訴求之后對各方責任的界定與劃歸，現實中應當將算法運作中的裁量過程前置、后移至算法兩端，將事實層面的算法運行涵攝劃歸入邏輯層面的裁量理論，方能實現從算法兩端規制自動化行政裁量的需求。與此同時，也存在部分需要裁量運作的空間不能歸入算法兩端的情況，例如算法運行過程中的殘差調整。殘差調整雖然是在算法的整體運行過程中完成的，不似算法運行過程中的其他步驟一樣排斥人為因素，但是，依然可以將殘差調整納入裁量的理論框架。不同于算法前端一般裁量的實現，也不同于算法后端出現問題后的責任劃分證明義務，殘差調整是在算法運行過程中發生的，無法在邏輯層面擬制為算法兩端的裁量運作空間。細致地剖析殘差調整可以發現，面向優化算法程序的殘差調整旨在完善由法語言向算法語言轉譯的過程，其必然包含在一般裁量的邏輯框架之中；而面向個案的閾值區間的殘差調整則是一種一般裁量的具體形態。具言之，此種狀態下對于殘差區間內各結果的衡量與選擇，是一種一般裁量，是無法脫離人為主觀判斷的人為裁量，故也不會引發裁量悖論問題。

3．第四級自動化行政對人為裁量的擬合效果

第三級自動化行政與第四級自動化行政可合稱為完全自動化行政，但因不同設備具有學習能力有無之差異而須對其作出區分。第三級自動化行政的裁量表現形態僅為由法規范向算法語言轉譯的法律效果擬制以及要件裁量，而第四級自動化行政的裁量運用過程則會出現在效果裁量階段。第四層級完全自動化行政系統由人工智能構成，并能夠進行完全的自動化決策，借由學習能力不斷調整裁量基準的參數并提高運行適配性。學界對此類別的自動化行政的爭論最為激烈，有學者提出，可以將具有裁量能力的自動化行政視為輔助裁量，以避免其陷入裁量怠惰之境地。

目前，第四級的自動化行政裁量為裁量悖論的主要爭議領域，許多學者認為，完全的自動化行政執法有“信息專制”之虞，有可能剝奪原本屬于人為裁量范疇的個案裁量空間。但是，剝奪“人工裁量”空間，同時也意味著機器承擔了“人為裁量”的功能。此層級下的人工智能已經可以依托海量數據與關聯，依照人為構建的框架與模型進行深度學習，自我充實和細化裁量能力。具言之，從事實選取到要件裁量，第四級自動化行政裁量可以將事實要素與法律要件之間的聯系算法化，根據傳統人為的“等置涵攝”過程，擬制出事實與法律要件之間的吻合與否判斷；在效果裁量階段，第四級自動化行政裁量可以生成細致的“行為—結果—效果”圖表，在對人工輸入的海量案件學習之后，形成規律曲線，進而對新的需要機器給出裁量結果的案件，生成擬制人為的裁量結果。至于這種狀態下的自動化行政裁量是否超出了人的裁量能力范疇，從事實選取到要件裁量的過程來看，人工智能不過是在根據輸入的人為裁量案件不斷學習等置涵攝技能，并不斷貼近人為的判斷結果。而在效果裁量過程中，機器雖然能夠得出遠超人腦計算限度的效果曲線，但其產生的真正效果也不過是在新的案件輸入后，能夠借由曲線與函數得出人腦個案判斷的結果。所以在這樣的情形下，看似人工智能創造出了人力不可能實現的裁量過程，但其本質依然是擬制和模仿“人為裁量”的過程，并將結果盡可能與“人為裁量”擬合。

所以，此種情景下的自動化行政裁量并不會陷入裁量悖論，機器的裁量能力依舊只是盡可能貼合人的裁量能力，在任何案件中，人的裁量總是優先于機器裁量。換言之，機器裁量得出的結果可以經由人為判斷予以舍棄或者變更，而不會遭到任何質疑與反對，因為機器裁量本就是根據“人為裁量”的原理與模式得以建構，其目的也不過是無限貼近于“人為裁量”。

而在何種情境下，會有機器裁量替代甚至消除人為裁量的憂慮呢？唯有當人工智能的裁量能力超越“人為裁量”，或者人工智能的裁量位序與“人為裁量”持平且難以衡量時，才需通過規則與制度安排，使人工智能與“人為裁量”能夠并行不悖。在此情形下，人工智能的裁量能力才能得到真正的認可，其裁量結果也會被推定為裁量決定，如此才會產生裁量悖論以及裁量屬人性脫離的問題。但這種情景發生的前提為人工智能能夠突破人為程序創設新的規則，進行新的價值續造，即突破了人的價值預設。

接下來需要面對的問題是，人若能預設人工智能能夠脫離人的價值預設，那價值預設便形同虛設了。換言之，是否存在一些原則、一些認知，必須包含在人的價值預設之內？如此推演導致的結果為，人把價值創造的權利讓渡給人工智能，并在既有規則體系內允許這樣的結果發生，機器的裁量才會突破人的裁量預設，危及人的裁量能力與裁量權利。但在如此預設的情境下，此種突破便不可稱之為“危及”了，是人希望或者放任發生的裁量替代結果。

所以，在零級至第三級自動化行政裁量中，并無機器突破人的裁量能力之憂慮；在第四級自動化行政裁量中，無論是要件裁量還是效果裁量，均是對人為裁量的模仿，形式上雖有延伸之感，但在功能上依舊局限于人為裁量的能力范疇，而人預設人工智能能夠脫離人的價值預設更是無法存在的偽命題，且在此情形下，人的主體性地位不會實現也不能實現。職是之故，目前筆者所能夠預見且可能發生的自動化行政裁量不會陷于裁量悖論問題。

4．“人的裁量”與“人為裁量”

無論是何種層級的自動化行政，一旦自動化決策涉及人為裁量的步驟與空間，便有探討在此種自動化行政下之裁量問題的必要。而在傳統由人力完成的要件裁量與效果裁量層面均有自動化行政的作用空間，甚至在現實生活中此種自動化行政裁量已經初見端倪。例如健康碼和排污行政處罰，在要件裁量與結果裁量階段已經交由機器完成最后的結果輸出，此種完全自動化行政中傳統的人為裁量過程似乎被壓縮到算法程序設計之初的“一般裁量”階段。職是之故，對這種情況下自動化行政裁量的運用與邊界的研究，自然是傳統的“人為裁量”所不能替代的。

由人工智能進行行政裁量，最初并不是為了超越“人為裁量”的能力范圍，其最本質的初衷與目的僅僅在于盡可能替代每個具體案件的“人為裁量”。但是不可否認，自動化行政裁量運用的結果在一定程度上的確可能超越“人為裁量”的能力空間，這并非指自動化行政裁量的批量快速處理能力，而是在個案層面的效果比較。換言之，自動化行政裁量在個案上的確能夠消除人為裁量的固有弊端，例如人情考量、人為疏漏等等，所以在此語境下討論的自動化行政裁量除了被迫為之，即由于現實批量處理需求之外，尚有其自身帶來的原生性特質的討論余地。

關于自動化行政裁量與“人為裁量”的區別，歸根結底從可供裁量的內容即裁量客體層面分析，兩者客體范圍必然一致，這是因為現實中能夠予以裁量并且需要裁量方能進行的步驟或者得出的結果是固定的。但是，自動化行政裁量不僅改變了原有“人為裁量”的形態，由此帶來的最為關鍵的新問題是，其與“人為裁量”的關系如何界定。這里并非指在裁量運行過程中兩種手段的區別與聯系，而是在邏輯層面，兩者所指究竟為何，是否存在將兩者對立考慮的前提？頗具辯證意義的一點是，人工智能所進行的裁量與所謂的“人為裁量”真的是處于對立面的兩個語詞嗎？

職是之故，有必要辨析“人的裁量”與“人為裁量”這兩個語詞。傳統語境下“人為裁量”與“人的裁量”似乎指向同一對象，均指人在行政行為與行政決策中的主觀能動作用，但是，引入人工智能之后，能夠統攝在人的裁量能力之下的自動化行政裁量與人的能動作用關系為何？所以，“人的裁量”這一概念應當受到更多重視。“人的裁量”意指裁量的權力依舊由人予以掌控，而機器或者人力都是裁量的不同形式，由此，應當對傳統語境下“人的裁量”予以擴大解釋，即“人的裁量”包括“人為裁量”與“自動化行政裁量”，即人工智能的裁量過程。

值得延伸思考的是，由人的主觀偏私以及現實批量快速處理需求應運而生的機器裁量是否真的可以稱之為“裁量”？雖然在裁量悖論的語境探討中，機器完成了傳統“人為裁量”的一部分程序，構成了“人的裁量”的局部。但是，機器本身具有裁量能力嗎？一樣的系統、一樣的參數、一樣的樣本、一樣的神經網絡系統，機器能夠得出的最終結果是唯一的。這與在無數個可能解中進行主觀選擇的“裁量”本身之語義相悖。由此可見，對于機器而言，所謂的“裁量能力”只能從功能主義視角加以分析解讀，否則便會陷入偽命題的邏輯怪圈。

三、算法兩端的裁量構造

自動化設備的核心是算法，算法的建構以及運行決定了自動化設備的功能及效果。由此，論證自動化行政是否能夠實現裁量效果的前提是對算法是否具有裁量功能進行分析。對此，可以從算法建構以及算法運行兩端分別探究。

1．算法具有裁量功能

算法行政面臨著合理性的詰難，有部分學者基于算法的“黑箱”特征與不透明性，對于是否可以檢視自動化行政中裁量的運用過程表示懷疑，認為自動化無法在裁量行政行為領域得以適用，也即裁量行為不能夠通過自動化的形式作出。在一定程度上，行政自動化運用程序前的裁量前置替代了本來應當在程序中進行的裁量過程，即將原本的個案裁量空間無限壓縮甚至摒棄。但是同時可以發現，此種觀點依然承認了裁量存在的空間，即在程序設計之前對于算法、參數、模型的設計即為裁量的運用領域。此外，只有將梳理好的行政裁量標準嵌入固定的程序，而后人工智能機器人方能作出初步處理決定，此種情形下傳統的裁量并未被消解，自動化行政構成了裁量形式過程的一個程序、一個步驟。

將自動化行政中的“裁量”與“裁量行政”中的“裁量”進行區分，并指出二者并非同一概念，也是學界的一種觀點，其目的在于試圖規避算法是否具備裁量能力這一問題。具言之，自動化行政過程中的“裁量”與傳統行政法中的“裁量行政”并非指向同一個語義，而是存在一定區別。裁量行政是指立法未作更加詳細的規定，而留給行政主體予以選擇并決策的空間，是立法權出于現實考量與權力分配對行政的尊讓，行政主體可以在這一空間中設定更為細化的裁量基準，補足立法上的空白空間，以消解其中的不確定性。而自動化行政中的裁量的含義更為廣泛且具象，從語義層面指的是一種選擇的空間，即在多種結果中選擇最終效果上為唯一解的過程，但從功能主義角度卻比裁量行政更為具象，指的是作為人的裁量的一種形式或者一部分過程的行政活動，具體因自動化行政所屬的層級不同而有不同地位。

筆者認為算法中亦有裁量行為，且以裁量視角檢視算法的邏輯與運行實有必要。換言之，數字化并不完全排斥裁量行為。首先，在數據的輸入階段，行政主體需要考慮裁量的條件，即需要確定把何種參數、何種算法設計入人工智能程序。其次，在處理階段，運用數學算法進行計算看似沒有裁量的直接運用空間，但這一部分恰恰是檢驗并調試自動化行政裁量程序的關鍵一步，在法效果上應當納入裁量范疇予以研究。最后，在輸出階段，經過法律擬制的個案裁量之后，可以將算法結果上升為裁量決定。由此，自動化行政中的裁量在實踐過程中主要分為兩部分，可通過對算法建構以及算法運行這兩部分中裁量運行與作用的分別檢視，透視自動化行政裁量結果生成以及行政主體裁量決定作出的過程與邏輯。

2．算法建構的一般裁量

在目前的自動化行政實踐中，部分地區對于闖紅燈者的人臉識別曝光這一行政行為已經實現了完全自動化，以此為例，對于這一自動化行政行為合法性與合理性的探討其實是對算法建構時一般裁量的研究。在算法確定以后，之后輸入系統的所有闖紅燈者的行為均被分解為代碼，由此，有學者認為，在算法確定后，自動化行政系統作出的行政行為實為羈束行政行為，不存在裁量空間。但是，對于某一具體的行政處罰，不應當人為地僅憑算法的確定與實施兩個步驟而將其割裂，換言之，即便認為算法實施過程為羈束行為，也能由此推導出算法構建的裁量行為應當受到約束且為唯一可能的約束對象，由此實際上承認了算法構建的一般裁量。申言之，上述定性上的劃分并不恰當，不應當割裂看待算法的前端與中端行為。但不可否認，這種觀點的確可以在一定程度上佐證算法建構中一般裁量的存在事實與存在必要，即在實際操作層面，此種一般裁量不可避免，且在依法行政原理之下，也有必要規范算法建構前的一般裁量。總之，從裁量的兩階段理論角度檢視算法的形成過程可以發現，在算法程序或模型建構之時，即存在將裁量基準翻譯為代碼語言的這一行為，此為一般裁量，應納入自動化行政裁量的討論范疇。

德國學界認為，自動化與裁量通過法律擬制其實互相交織。具體而言，算法的決定程序可以在法律上擬制為裁量基準的實施，而算法程序的設定即為一種裁量行為。但是，德國的立法實踐卻將完全自動化行政行為限于羈束行政行為。修改后的德國《聯邦行政程序法》完全而徹底地排除了全自動行政行為在不確定法律概念與裁量適用中的可能性。換言之，全自動行政行為僅僅可以在羈束行政行為中得以適用。或許，該立法存有的空間在于，若在其他步驟介入人工，即并非完全自動化行政行為，或許該法也承認在算法建構時的裁量可能，這在一定程度上其實也變相承認了自動處理程序設定過程中裁量空間的存在可能。

3．算法運行的參數裁量

進一步對算法建構與運行進行微觀分析后可以發現，算法本身的運行過程也并非全然不可檢視，對參數的調整即為具體裁量的運用空間。可以用數學模型拆分if-then專家模式下算法的運行過程：第一步是算式程序的準備，在此過程中，算式的設計者需要確定算式運行的條件以及運行過程中會用到的各個變量，即參數；第二步是算式的建立，簡言之，即將各個變量之間的數學關系運用公式予以解析，以期達到運用數學結構可以較為準確地得出恰當結果的目的，后續工作人員可以對算式中的參數進行調整以改變最終的算法結果；第三步是算式的求解過程，也就是將行政處罰等案件材料細化為具體的數據信息，從而確定算式的各環節輸出參數，在這一步得出的結果即為算法程序的最終結果，算法程序本身到此結束；但在算法運行過程中有一步與各流程互相交織，即算式分析，這是對算法的檢視與完善，通過對算法運行得出的結果進行數學分析以不斷調試算法運行過程中的參數，所以無法將這一環節定位為第四步，其在算法運行過程中的各環節均有體現；最后一步是算式檢驗，也即結合實際情況衡量算法結果的妥當與否，這一步與第四步看似過程相似，但其區別在于第四步面向的是既往案例結果的比對，也即為了完善算法程序，而這一步是在個案裁量中判斷算法裁量的結果是否妥當，是具體裁量的運作過程。由此可見，在整個對算法進行優化的過程中不可避免地存在裁量空間。

通過對第四級自動化行政中人工智能深度學習過程的算法基礎進行細致分解，可以發現回歸分析中對參數的調整也是裁量的運用范疇。回歸分析能夠預測數據的發展趨勢，即回歸方程y=a+bx描述了自變量x和因變量y的關系，公式中的y是根據既往數據形成的算法運行過后，算法基于整體代碼運算之后給出的對于某個自變量x的結果值，而這個估計值y與實際的數值，即既往案例的最終數據結果之間的差就是殘差。具體辦案的工作人員根據主觀的判斷與衡量進行調整，即計算多個自變量x下因變量y的范圍，即為個案中的參數裁量空間，放諸整個大數據分析的算法過程，即為樣本分析至數據庫之間“學習訓練”中的參數調整空間（見圖1）。

但是，正如部分學者所擔憂的，在純粹基于學習既往案例數據的算法框架中，是否果真有針對個案的裁量空間的存在呢？在傳統“人為裁量”的運作過程中，人的意識認知是針對個案進行判斷的，而算法只是通過對既往數據的持續學習和比對，使結果無限趨近于人類分析之后的個案判斷結果。在if-then的專家模型算法編程下，如果工作人員沒有人工介入以調整參數，算法必然得出唯一結果，進而能夠存儲入數據庫。質言之，基于此數據庫之下的個案輸入只可能導致唯一結果，似有背離裁量之義，甚至會落入裁量怠惰之境。消除此種憂慮的路徑主要有兩種。其一為擴大殘差，即得出區間值，供行政機關工作人員進一步選擇，但也同時否定了具有裁量能力的完全自動化行政。其二為再次檢視人為裁量作出的過程，將機器作出的唯一結果擬制為經過海量比對之后的個案裁量。

由此，通過對算法兩端的裁量構建，可以借由算法建構以及運行的兩個環節論證出自動化行政的裁量基礎，但在自動化設備具體運行的過程中，行政裁量又是如何發揮作用的呢？

四、自動化行政過程中裁量的實現機制

論證自動化行政具有裁量功能以及可以實現裁量的方法論之后，可以借由行政過程論視角，從自動化行政具體歷經的步驟角度對裁量的實現機制予以分析，從而更細致地構建自動化行政中裁量的基本結構。

域外國家和地區對自動化決策過程的可視化已有諸多要求。不同于以“算法黑箱”遮蔽對自動化行政裁量的討論，從行政過程論視角可以發現，在事實選取、法律要件的判定、法律效果的決定與選擇等多方面，行政裁量均發揮了要件裁量、效果裁量等各種功能，也體現了羈束裁量、自由裁量的不同價值。當然，在此的事實選取、要件裁量以及效果裁量的劃分主要依照行政行為的作出過程所可能經歷的步驟。具體而言，裁量行為包括法規裁量行為以及便宜裁量行為，且都會經歷如下三個程序，即便未在形式上體現，也可在法律效果層面擬制。而對于諸如三級自動化行政行為等羈束自動化行政行為，則一般最多經歷事實選取、要件裁量兩個步驟。

1．事實選取

案件事實的認定過程中是否存在裁量余地？關于這個問題，學界討論相對較少，而是直接把焦點置于對法律要件的解釋上。自動化行政通過對事實的摘選讓我們意識到，在證據調查與事實確定中也有裁量存在的空間。對于具體案件，納入裁量運行程序的邏輯前提是行政主體對行為主體的確定，簡言之，就是判定是誰做了這件事情。從現實發生學的角度看，某一行為的主體以及案件的事實本身既然已經發生，就必然是客觀確定的。但從案件事實到法律事實中間不可避免地存在認識論上的鴻溝，換言之，可以被認定為最終定案根據的“事實”需要經過調查取證環節方可認定。故此處的“事實”其實為“法律事實”，區別于“現實事實”，是可以納入法律評價，即法規范適用過程的事實。法律事實是現實事實的擇取與精簡，篩除了無關法評價的部分事實，這便是裁量的運用余地。

現實中，某一案件的事實紛繁復雜，除了何人、何時、何地、做何事，還有許多沒有必要納入法評價流程的事實，諸如當事人的身高、表情，周邊的環境，等等，而此處的“沒有必要”也是案件事實認定中裁量空間的展現。可是行政主體是如何確定只調取某些證據就可以達到證明案件事實的目的的呢？實際上，在案件進入裁量系統之前，行政主體早已有大致判斷，已經基本明晰案件的爭議點以及與此相關的基本事實。以現實中最常見也是最簡單的闖紅燈抓拍為例，選取何種事實片段，為什么選取前輪壓線、車身過線、后輪過線三張照片便可以認定該車輛存在闖紅燈行為，抓拍的時間點又該如何確定，都是在涉及程序之初便要考慮的問題。當然，抓拍時間點的確定涉及一般裁量過程中的要件裁量階段下對法律效果的思考與衡量，即應當對機動車駕駛人員施加何種的注意義務。

明晰爭議焦點之后，行政主體方能選擇相關的法規范，進而對法律要件進行解釋。而此種裁量應為要件裁量還是效果裁量呢？這也涉及要件裁量與效果裁量究竟是裁量階段的二分，還是諸多裁量中最重要形態的定性問題。質言之，要件裁量與效果裁量在行政過程論視角下是對裁量的完全歸納，還是重要裁量形態的不完全列舉？這涉及對要件裁量以及效果裁量之京都學派與東京學派的經典之爭，在此不再贅述。

簡言之，事實選取，也即事實認定的方式中有裁量空間，此處的裁量可能是廣義上的選擇之意，但是不可否認人在面對現實情況時，將何種信息納入考量本身就經歷了選擇，而這種選擇，在自動化行政的語境下，更是在程序設置之初便由算法設計者進行了裁量與判斷，不應以“算法黑箱”予以遮蔽，而應通過行政裁量理論予以分析與規制。

在“五級劃分法”下，各個層級的自動化行政行為與人工智能的算法運用過程在信息與數據的收集、處理環節均有交織，考慮到自動化行政所生發的現實基礎，對于證據的捕獲與固定幾乎是各個層級的自動化行政都需要具備的流程。具言之，行政主體在具體的執法過程中，首先通過人工智能設備自動化地獲取信息，進而由設計好的算法程序在視頻音像或者輸入的案件數據中拆分、截取具體的違法行為，評估行為的違法情節，判定其違法程度，這便是自動化行政中的事實選取過程。不可忽略的是，在傳統“人為裁量”中看似不需要解讀的過程，在自動化行政裁量研究中卻必須給予更多關注，以免背離合法裁量的應有之意。在事實選取結束之后，人工智能會觸發響應并與其他數字系統進行通信，一般情況下，下一步案件信息就會進入立案系統。至此，自動化行政便完成了傳統上依靠人力治安巡邏來采集信息的執法過程。

由人工智能完成的事實選取優勢頗多，全天候監控下違法行為的發現率、捕獲率呈現越級增長，且證據的固定更加規范、有跡可循。執法過程中可能出現的信息盲點、不必要的爭論和質疑也將大大減少。同時，在第四級自動化行政中，由于具有自我學習能力，機器對證據的分析與固化不但具有流程上輸出結果的單向度能力，同時也可以在自我學習的過程中通過數據比對，發現證據中可能存在的瑕疵以及不同證據之間的瑕疵與矛盾，并及時告知行政工作人員。但同時應當注意到，系統的智能化程度越高，算法壟斷與隔閡便會越嚴重，即相對人從外部監督分析算法運行更難以實現，由此產生的信息不對稱甚至權利救濟問題也不容小覷。

2．要件裁量

首先要明確，此處應用“要件裁量”無意介入與不確定法律概念相關的學術爭議，也并非意指東京學派效果裁量說與京都學派要件裁量說的對應觀點，而僅僅對應行政活動過程中將事實的小前提與法律要件的大前提相對應的步驟，從而分析其中裁量的作用空間。對于自動化行政是否具有對事實要件進行個案權衡的能力，學界爭論較大，其實也展現了部分學者尚不支持“具有裁量能力的完全自動化行政”這一概念的觀點。否定論者普遍認為，要件裁量不能逃避對于不確定法律概念的解讀，自動化系統的個案權衡能力十分薄弱，即便可能通過人工干預實現對一些特殊情況的判斷，但這并非常態，不能由此證明自動化行政具有不確定法律概念的解釋能力。還有學者進一步指出，從法律到算法需要經過人工智能系統的單轉譯過程，此過程必然具有模糊的特征。

對此種觀點作出回應的基礎是深刻檢視自動化行政完成“人為裁量”功能下要件裁量步驟的過程。鑒于第一級至第四級自動化行政均能實現要件裁量的擬制效果，按照“舉重以明輕”的邏輯，應聚焦于第四級自動化行政設備中的要件裁量功能展開論述。對于第四級自動化行政設備而言，人工智能的深度學習可以作出類似人類對不確定法律概念的判斷，即便人工智能無法回答為什么如此解釋，其也可以通過海量數據給出可能的結果。此過程可經由法律語言向算法編程的轉換予以完成，并通過大量試驗予以完善。當然，不可否認若通過試錯予以完善算法，必然會存在發生要素選取錯誤的可能，但同時應當承認自動化行政要件裁量的優勢。自動化行政系統周密的邏輯推演可以排除人為主觀因素導致的要素選取與分析解讀層面的疏漏。

在域外不乏這樣的實例，如澳大利亞具有司法權與行政權嚴格分立的背景，故司法只能結論性地解釋成文法的法律含義以及參照授權的成文法判斷行政行為的有效性，即自動化系統中的法律規則必須按照司法批準的授權法規的結構進行編碼和應用。由此，在法律效果擬制層面實現了傳統零級自動化行政中要件裁量的作用效果。

與此同時，承認自動化行政的要件裁量可能，并不會滑向對裁量屬人性的背離。機器不會自動產生程序，而只能借由人工編寫的算法選取事實片段中的要素，納入流程進行處理并導出結果。要件裁量必須經專業人員從法規范語言翻譯成為算法編程，其中必須經由法學專家的解釋與說明，這一過程類似于將法規范細化為裁量基準的一般裁量，只是將裁量基準予以算法語言化。當然，從宏觀角度觀之，算法語言只能無比近似于裁量基準，其過程量值也只能擬合為裁量基準的過程要素；但是，從微觀角度而言，算法的回歸設計、梯度空間與殘值范圍能夠給予更為細化的裁量基準，這也是自動化行政對于裁量運行過程的可能裨益。

3．效果裁量

對于自動化行政是否會貶損效果裁量，抑或是否可以成為效果裁量的組成部分，學界兩派觀點同樣針鋒相對。否定論者認為，在自動化行政的過程中，行政主體依靠算法的決策來完成行政行為，從而背離了行政主體對行政決定種類以及效果的選擇，無法行使行政裁量權，也沒有裁量空間，更遑論對行政決定與行為的限度的選擇。在行政處罰中，這一點表現為對行政處罰種類以及檔次的選擇被消解。

筆者首先承認自動化行政中存在裁量的適用空間，但同時認為應當將自動化行政的輸出結果視為“人的裁量”中效果裁量的一個考量因素。換言之，雖然承認自動化行政在個案中所得出的算法結果具有效果裁量功能，但基于對自動化行政的合法性控制，仍需要行政主體將算法結果“上升”為裁量決定，否則便可能落入裁量怠惰之境地。當然，此處的“上升”過程并非指在事實層面對每一個案件都進行審查。畢竟，若苛求行政主體對每個案件都履行具體審查義務，自動化行政的核心優勢，即高效性，將幾近喪失。此處的“上升”僅指法律效果層面的擬制，即受個案對裁量義務的程度要求、相對人的人工處理請求權等多方面因素的影響，對不同層級裁量義務進行不同程度的人工介入選擇。由此，可構建適當的算法流程末端行政機關工作人員對算法結果進行事實層面審核之裁量義務矩陣，如表2所示。

人工智能系統依靠其深度學習的能力，分析并關聯大量的違法情節與決定結果，同時考量動機、有責性等主觀層面因素，對主觀因素以及客觀因素都有衡量，并由此建立算法模型，對具體輸入的個案進行選擇衡量并完成判斷，可通過前文已論述的運行過程中的參數裁量方式得以實現。自動化行政的效果裁量也并非個案的各自為戰，其依據剔除偏見數據的案例庫，給出不同于傳統“人為裁量”下僅依靠個案工作人員主觀判斷得出的結果，無論是需要經過事實審查的算法結果還是可以被直接推定為裁量決定的算法結果，都對同案同判、避免工作人員個人因素影響裁斷有著極大裨益，也能夠避免基層行政人員在政策執行過程中對決策者意圖的曲解，并由此實現參數裁量的具體功能。職是之故，我們不能因噎廢食般地因為建構的復雜性而放棄更具理性的評估。當然，通過上述人工介入分級機制，我們也能在最大程度上保證算法結果不會影響行政機關工作人員的效果裁量判斷。

具體而言，在零級、一級、二級自動化行政中，機器僅需依照算法既定的程序與步驟運行，依照在算法前端輸入的分級裁量基準，做簡單的選擇或者線性運算。換言之，機器并不獨立完成效果裁量，而是僅僅依照違法因素的選擇程序進行裁量結果的簡單導出，即便需要計算，也僅僅是初步的線性疊加，從而得出簡單的裁量結果，并不會涉及對不同效果裁量幅度的選擇難題。在線性疊加的過程中，諸如“一事不二罰”等原則也可直接作為編程程序寫入算法。最后的裁量決定有賴于行政主體依照機器給出的裁量結果予以作出。零級、一級、二級自動化行政在現實中往往適用于違法因素較簡單也較容易類型化的領域，如治安管理、交通違法等。

而在三級自動化行政中，機器可以根據算法運行得出裁量結果。不同于零級、一級、二級的自動化行政，部分自動化行政的裁量結果在事實層面已經可以等同于裁量決定。換言之，若經由行政主體完成最終決斷的正當程序，即可依據該裁量結果對外作出決定。此處需要額外注意事實上的等同與法效果上的等同，事實上的裁量結果與裁量決定的等同并不能剝奪裁量決定或者裁量結果單獨存在的意義，即便在正當程序原則之下，行政主體在事實層面并未分析某個裁量結果是否可以直接等同為裁量決定，依然必須承認在法效果上此步驟的不可省略性。此種自動化行政多用于環境治理等專業性較強的行政執法領域，如根據各裁量因子得出“情節輕微”的結果。

在第四級自動化行政中，機器不僅可以完成效果裁量，還可以通過海量數據的學習自我糾偏，從而不斷完善、充實裁量規則，尋求最優的裁量結果。第四級自動化行政準確性高且“擁有人類并不具備的實施有效監督的能力”。但目前的實踐運用中還未有第四級自動化行政裁量的實例，第四級自動化行政裁量的難題依舊棘手。在技術難題之外，可能更大的問題是倫理難題與法律難題，甚至這兩個難題才是技術無法真正落地的根本原因。

結語

自動化行政一方面滿足了現代社會對于數字政府高效便捷行政的期待，另一方面卻使得相對人因信息與技術鴻溝而不得不讓渡一部分程序權利甚至實體利益。算法構建前的“一般裁量”與自動化行政運行過程中的“參數裁量”可以回應對于“算法黑箱”的疑慮。面對純粹類案判斷不存在裁量的質疑，擴大殘差與輔助裁量的裁量結果之定位可以對裁量的屬人性背離加以限制。在行政過程論視角下，事實選取、要件裁量、效果裁量各階段均有自動化行政的適用余地，可構建適當的人力介入審核之裁量義務矩陣，以完成從“算法結果”向“裁量決定”上升的法效擬制回環。探析自動化行政的裁量構造是對自動化行政裁量進行合法性規制的前提，在此基礎上，執法密度失衡對裁量基準的沖擊以及如何確定司法審查標準以規制裁量逾越、濫用、怠惰等問題，在當前時代下仍需要呼吁行政法學者給予更多學術觀照。