论文查询

论文查询（精选7篇）

论文查询 篇1

（子查询、分组查询）

一、实验目的

使用SQL语言完成数据定义、数据查询、数据更新等功能。

二、实验要求

1.掌握使用SQL定义、删除和修改基本表。2.掌握使用SQL完成单表查询、多表查询。3.掌握连接查询和嵌套查询。

4.掌握使用SQL完成数据插入、数据修改、数据删除等功能。

三、实验内容

在“FLY飞翔公司数据库”数据库中，完成以下SQL查询实验。（以下的SQL查询实验可能会多种SQL命令描述方式，建议同学多思考、多尝试）

实验1 使用SQL命令，查询公司机构C1和C2中基本工资低于3000的员工信息。

提示：使用两个IN函数，其中一个IN函数是IN(“C1”, “C2”)，另外一个IN函数是嵌套SELECT语句

实验2使用SQL命令，查询公司机构C1和C2中基本工资低于3000的员工信息。

实验3使用SQL命令，查询显示基本工资大于2000，且不超过3000元的员工编号及其所在公司名称。

实验4使用SQL命令，查询显示查询供应商“兆海公司”未供应的商品类型名称。提示：使用NOT IN 函数实现

实验5使用SQL命令，查询显示员工的姓名，所属公司名称和工资收入（工资收入＝基本工资＋任务工资＋奖金-住房公积金－扣款）。提示：产生新字段要使用As

实验6使用SQL命令，分组统计供应了商品的供应商所提供的商品种类数量，显示供应商名称和商品种类数量。提示：使用COUNT函数 实验7使用SQL命令，分组统计每笔订单的净收益，显示订单编号和金额为200到500之间的净收益。（净收益＝（销售价格-购入价格）*数量*折扣）。

提示：group by是分组，having是判断，同学选做。

实验8使用SQL命令，查询与员工王芳签订过订单的零售商名称和订单编号，并将结果存在一个新表New_temp中。

提示： Select 零售商名称, 订单编号 Into New_temp 是将所选字段存入新表New_temp中。

实验9使用SQL命令，查询未与员工E3签订过订单的零售商名称和所在城市。提示：使用Not IN函数

论文查询 篇2

关键词：动态连续查询,查询索引,更新性能

0 引言

随着传感网、物联网、车联网等新兴信息技术的发展,产生了海量的实时流数据,如何建立流数据管理系统进而有效管理流数据是当前数据管理领域的研究热点之一[1]。在流数据管理系统中,流数据的有效监控是其主要功能之一[2]。连续查询是一种有效监控流数据的方法,其基本原理是将流数据的监控条件定义为查询,向流数据管理系统注册。之后,随着流数据的不断变化,系统连续地将匹配查询的数据结果返回给系统进行监控[3]。例如,在一个城市车联网交通管理系统中,需要对城市特定道路上的车辆密度状态的跟踪,可通过预先设定多个范围查询并注册到系统中来表示需要监控的区域。之后,系统实时接收车辆的GPS定位流数据,并随时间连续执行多个范围查询,统计不同区域内的车辆密度,为交通管理决策提供支撑信息[4]。

根据上述描述可知,在流数据管理系统中,多个连续查询需要随流数据的不断地被执行,故,如何高效执行连续查询一直以来是一个开放性问题[5]。在过去几十年中,大量研究工作关注利用索引来优化连续查询的执行过程,这些研究工作主要集中在两个方面: 面向流数据的索引和面向查询集合的索引。由于相对于流数据,查询集合数据规模较小且更新不频繁,查询索引能够避免昂贵的索引维护开销[6]。因此,查询索引是主流的连续查询的优化方法。查询索引主要分为两类: 基于网格的索引结构[7,8]和基于树的索引结构[9,10]。两类索引有各自的优缺点,基于网格的索引更新效率更高但空间开销巨大,而基于树的索引空间开销小但更新效率较差。

近年来,随着流数据应用的快速发展,连续查询优化面临新的挑战。过去,连续查询是静态的,查询一旦注册到流数据管理系统中后就不会变化,直到超时。而如今,在移动对象跟踪应用中,每个查询与一个移动对象相关联,由于移动对象会频繁改变查询请求,连续查询会动态地被频繁更新。例如,移动中的计程车会不断地发送不同范围值的连续范围查询给呼叫中心以发现周围的打车客户。故,当前面向连续查询的查询索引要求能处理动态的连续查询[11]。然而,传统的连续查询索引无论是基于网格的还是基于树的都没有考虑查询的动态性问题。针对上述问题,基于一种自适应数据的网格结构[12]和一种树结构KDB树[13],本文提出一种面向动态连续查询的混合查询索引结构,被称为GRID-KDB树。GRID-KDB树结合了自适应网格和KDB树的优点,能够适应动态连续查询所导致的索引频繁更新,并且比网格索引占有更低的空间开销。注意,本文连续查询类型是范围查询,应用于其他类型的查询方式是直接的。

1 相关工作

在过去的几十年中,大量的研究工作已经关注如何利用索引技术来处理连续查询。这些工作主要分为两类: 数据索引和查询索引。数据索引利用不同的索引结构直接索引流数据本身来获取连续查询结果。比如,R树[14]和TPR树[15]被用于索引移动对象的位置信息已支持当前和近未来连续查询。再如,一个自适应网格结构[12]被用于划分索引空间以存储移动对象的轨迹数据以支持连续查询。但是,频繁的流数据更新导致数据索引的高维护开销是一个亟待解决的问题。相对流数据,查询更新频率要低,查询索引能避免昂贵的索引维护操作。另外,由于查询结合比数据集合小得多,查询索引能常驻内存,能更快速地查询流数据[7]。

查询索引分为两大类: 基于树结构和基于网格结构。基于树结构的查询索引利用R树和它的变种来组织查询数据。比如,Prabhakar等提出了一种基于R*树的查询索引来监控移动对象[10]。但是,这类索引的中间索引节点存在重叠,导致多路从根节点到叶子节点的查询路径,进而影响海量流数据的查询性能。另外,树型结构的索引不适应频繁的数据更新。最近,一些无节点重叠问题的树型结构被用于索引连续查询,如KDB树[9]。但是,KDB树依然有更新开销大的问题。而基于网格的查询索引利用网格结构[7,8]划分索引空间为多个等尺度的网格单元来组织查询数据。相对树索引,网格索引有更好的更新性能,但是其空间开销非常巨大。

不同于已有的查询索引,本文提出的GRID-KDB树查询索引继承了树索引和网格索引的优点,实现高更新效率、低空间开销的新型索引结构。

2 GRID-KDB树结构构建

基于一种数据自适应的网格[12]和KDB树[13],设计GRIDKDB树索引以支持连续查询。GRID-KDB树的构建过程包含两个阶段: 网格构建和树构建。

2. 1 网格部分构建

在这个阶段,范围查询数据被平均分布到一组网格单元中。假设查询集合为Q,每个网格单元存储的最大查询数据数目为T。基于文献[12]中的数据索引自适应策略,当一个网格单元存储的查询数据索引数目超过T,该网格被进一步划分为g个等尺度的子网格单元,该过程递归执行,直到任意网格单元中的索引数目到不超过T为止。例如,图1 中,10 个查询数据被网格结构索引,T = 4,g = 4。一开始,所有数据在一个网格空间中,对网格空间进行划分,产生C1、C2、C3和C4四个子网格单元。10 个查询数据被插入到这四个网格中,当出现查询范围与多个网格单元有重叠时,将这些查询被划分,并插入多个网格中。例如,图1中的查询数据D4,被划分成四个子查询并分别插入到C1、C2、C3和C4中。接下来,由于C1中包含了6 个数据项,大于T,故C1被继续划分为C1,1、C1,2、C1,3、C1,4。由于再次划分后,任何网格单元中的索引数目都没有超过4,构建结束。

根据上述构建过程,可以看到为了利用网络来索引数据,网格单元和子网格单元需要被有效编码。由于所给出的网络索引是一个层次化的结构,故假设r为一个网格单元所在的层数,则一个网格单元编码能被表示CL1,L2,…,Lr,其中Li( i ∈ [1,r - 1])是包含该网格的双亲以及祖先网格的编码值,而Lr表示该网格所在层的编码。比如,在图1 中,子网格单元的编码C1,2的产生如下: 首先检查它的双亲所在层的编码为C1,也就是得到L1 =1,之后,它所在层的编码L2 的值被判断为2。

2. 2 树部分构建

在完成网格索引构建过程中,一个查询数据根据网格单元或子网格单元的边界可能会被划分成多个子查询,如查询数据D4。这产生大量索引项并导致高空间开销。为了避免该问题,利用大尺度的网格单元,这样可减少查询数据被划分的可能。但这样会导致一个网格中索引数目的增加,查询效率随索引数目的线性增加,由于网格单元中的索引数据的传统组织结构是数组或链表[7]。故,本文利用KDB树组织每个网格单元中的查询数据以提高网格内的索引查询效率。选择KDB树的原因在于它四一种无节点重叠的树,因而可提供单路径查询。另外,KDB树已被成功用于构建连续查询索引[9]。KDB树包含两类节点: 中间节点和叶子节点。每个中间节点对应一个索引空间区域和最多M个索引项对应M个孩子节点。每个索引项包含一个孩子节点的索引区域和指向该孩子节点的指针。一个中间节点中的所有索引项的空间区域是不重叠的,且其组合是该节点的索引空间。每个叶子节点存储了最多m个数据项。文献[9]中的数据插入算法被利用来构建KDB树。

图2 解释了GRID-KDB树的树结构构建过程。在图2 中,10 个范围查询数据被索引到7 个网格单元之后,在C1,2中的D3、D5、D6 和D7 形成一棵KDB树。注意,根据文献[9]的插入算法,由于在建树过程中,D3 跨越了两个叶子节点,故叶子节点1 和叶子节点2 均存储D3。注意,图2 中除了C1,2以外,其他单元格中也产生KDB树,为了简单说明,没有给出。

3 GRID-KDB树查询和更新算法

基于构建的GRID-KDB树,提出相应的数据查询算法和索引更新算法。

3. 1 查询算法

假设在一个N维索引空间中,基于一组查询数据Q ,构建了一个GRID-KDB树,GK。对于一组特定时刻的流数据S ,利用GK,获得查询结果RS( Q) 。该连查询过程通过算法1 描述。

算法1 基于GRID-KDB树的查询

在算法1 中,某个时刻下,一个流数据集合通过GRID-KDB树索引,得到满足被索引的连续查询集的流数据。该查询过程主要分为三步:

第一步定位到包含s的网格单元。由于本文提出的网格是一种层次的网格结构,每个单元被编码为CL1,L2,…,Lr( 详见2. 1节网格部分构建) ,故需要O( r) 的时间开销定位网格单元;

第二步在第一步定位到的网格所包含的KDB树中查找包括s的叶子节点。该步骤的时间复杂度取决于该KDB树的高度。下面理论推导树高度H的值,假设该KDB树中存储了T个索引项,一个叶子节点中最大容量为m ,则KDB树的第H层叶子节点数目; 进一步假设KDB树的中间节点的容量为M ,则KDB树的第H - 1 层的中间节点数NUMH -1= NUMleaf/ M 。 依次类推,KDB树的第1 层的中间节点数NUM1= NUMleaf/ MH -1,由于第1 层的中间节点数为1,则,可知MH -1= NUMleaf,也就是。故,该步的时间开销为;

第三步在第二步中找到的叶子节点中,遍历查询结果。由于,每个叶子节点的最大容量为m,则该步时间开销为O( m) 。

综合上述理论分析,故针对一流数据集S的连续查询的时间开销为。

3. 2 更新算法

为来适应动态连续查询数据的实时变化,给出GIRD-KDB树的更新算法。假设GK为一个GIRD-KDB查询索引,q和q'分别为存储在GK中的原查询数据和它的更新查询数据。

算法2 GRID-KDB树的更新

根据算法2 可知,更新过程包含两个步骤: 1) 查找并删除原有的q; 2) 插入新的数据q'。在步骤1 中,假设q覆盖的网格数为| CS | ( 见算法2,S1) 和在一个网格单元的KDB树中覆盖的叶子节点数为| NS | ( 见算法2,S4) ,则步骤1 更新开销为2 ×| CS | × O( r) × | NS | ,其中O( r) 是定位到一个网格单元的时间开销,| NS | 是查找KDB树叶子节点的时间开销,2 表示一个查询操作和一个删除操作。在步骤2 中的更新开销类似步骤1( 区别是每次更新操作包括: 一个查询和一个插入) ,故步骤2的更新开销为2 ×| CS' | × O( r) ×| NS' | 。由于,GIRD-KDB树一次更新只涉及到整个索引的一部分网格单元,和网格单元中的KDB树,这样避免了传统基于树的索引的更新过程中,对整棵KDB树的更新,更新效率得以提高。

4 实验结果与分析

4. 1 实验准备

为了评估GRID-KDB树的性能,建立其试验平台如表1所示。

数据集: 流数据和查询数据集通过一个人工数据仿真器产生。该仿真器仿真移动对象在二维空间中的随机移动,周期性产生移动对象的定位坐标数据; 在查询数据方面,随机产生不同尺度的正方形范围查询。

4. 2 空间开销评估

在该实验中,随机产生N个范围查询数据,比较GRID-KDB树与基于GRID的索引[7]和KDB树的空间开销。其中GRIDKDB树中的网格单元的最大索引容量为1000,KDB树的M =12,m = 21 ; 而GRID的参数参见文献[7]。实验结果如图3 所示,随着查询数据N的不断增加,GRID-KDB树索引大约只占GRID索引开销的十分之一。因为GRID索引是更加查询数据,划分出大量的小尺度的GRID单元,这造成大量单元格的空间开销,而GRID-KDB树用较大的GRID单元格结合单元格内的KDB树,避免了大量GRID单元格的产生。另外,GRID-KDB树的空间开销高于KDB树5% ,因为对于KDB树,GRID-KDB树的有额外的网格索引开销。

4. 3 更新性能评估

在该实验中,基于数目为50 000 的查询数据集Q ,分别建立GRID-KDB树和KDB树,并对两个建立的索引进行更新操作。一个更新操作可分为删除和插入两部分。通过更新带来的时间开销来衡量索引的更新性能。更新的数据规模占Q的百分比P是可变的从10% 到50% 。图4 中的实验结果显示,GRIDKDB树的更新效率高出KDB树70% 左右,这是因为KDB树的更新需要对整棵树进行查询和维护,导致大量的索引节点和数据的更新。而GRID-KDB本质上是一棵分布式的KDB树,更新操作只是涉及整个KDB树的一部分,大大降低了数据更新的时间开销。另外,GRID-KDB树的更新开销与GRID的相当,因为GRID更新中的定位到网格单元开销小,但每个网格中的大量数据是由多个线性链表组成,找到删除数据的开销较大; 而GRID-KDB树更新中的定位到树单元中的数据时执行多叉查询,定位开销相对小,但存在较高的节点分裂、合并开销。

4. 4 查询性能评估

在本试验中,检测KDB树、GRID和GRID-KDB树过滤流数据以得到连续查询结果的查询时间。与更新试验相同,首先基于查询数据Q ,建立KDB树、GRID和GRID-KDB树,然后,分别对N个流数据进行查询,N的取值范围是从100 到500 K。图5中的试验结果反映出GRID-KDB树的查询性能比KDB树高出25% 左右。其原因在于,GIRD-KDB树能首先以O( 1) 的时间效率定位到可能包含查询结果的网格单元,并继续在一棵KDB子树中查询,而KDB树需要对整棵树进行路由。另外,GRID-KDB也略好于GRID,其原因与更新开销中的原因相同。

5 结语

查询翅子树 篇3

两处的树上都没有标牌，两年来我始终不知道它叫什么名字，问过几个人，没有线索，我自己也一直懒得查。实际上以前也不是完全不想查，而是脑子里没有线索，估计查也是白费力气。这种植物的叶和果太奇特了，这回一定要知道它的名字。2009年12月3日晚上我在东春大酒店的住处，将笔记本电脑接上无线网卡，开始了漫无边际、多少有点靠运气的查询。经过半小时的努力，成功查到它的名字：截裂翅子树！

《中国植物志》80卷126册，如何查？虽然现在已有免费电子版，但没有一定的植物学知识，还真不好查。我的窍门是，先根据已有的知识进行大胆猜测。猜错了没关系，再重猜一下吗。根据果形木质蒴果并有５条棱，一开始猜是酢浆草科阳桃属，结果没查到。后来猜是梧桐科，非常运气，果然是这个科的翅子树属植物。

这个属在中国共有9个种。再根据叶形和果形，迅速确定就是截裂翅子树(Pterospermum truncatolobatum)。当然，查植物的名字并非每次都如意，查不到的情况也经常有。当我们不知道某种植物名时，有关它的任何一点点信息都是重要的，哪怕是土得掉渣的名字也决不能放过。在博物学中，“马太效应”是自然的，“见多识广”的说法一点不差。认识的植物多了，再碰到新植物，自然能够与以前的植物对比，迅速进行“聚类分析”，大致猜测到它所在的科或属。如果本来就底子薄，那就不好办，只有多问、多记了。

博物学的名实对应是一种技艺，要把公共知识再次转化成“个人知识”。个人知识是科学家、哲学家、经济学家波兰尼（Michael Polanyi，1891-1976年）首先倡导的一个概念，通常人们只在科学哲学和科学社会学的意义上使用它。再次读他的书，有个小发现，我感觉颇得意。名著是需要反复读的，带着不同的问题，会读出不同的内容。其实波兰尼在厚厚的大作《个体知识》中用相当的篇幅讲了植物学的内容，如第12章“识知生命”，识知对应的英文词是knowing。在我看来这正好可用“个人知识”来描述博物学的特点：先由个人知识转化为公共知识，然后再由公共知识转变为个人知识或者默会知识。

“个人知识”是个看起来矛盾的概念，但它非常重要，它揭示了知识的实际存在形式。我们甚至可以说得极端点，“公共知识”并不是知识，唯有个人知识才进入了生活世界，才是你的、我的具体知识。这个道理其实很简单，比如100多册的《中国植物志》，记录了３万多种植物，我敢说没有一个人能够认识其中的所有植物，能认识3000种的也不多。不能说植物志编出来了，出版了，那些知识都被大家理解了、掌握了。只有通过笨办法，一种一种地与实物对照，有时需要与多种实物对照，并且参照多方采集的标本，才能认识一种植物，掌握相关的知识。一个人掌握了、认识了一种植物，以后碰上这种植物，并非要按植物志检索表那样根、茎、叶、花、果扫描一遍才会认出来，而是以“格式塔”的方式，一下子从整体上认出来，就如同我们遇见并认出一个同事一样。一株植物，在个人的记忆中是一种整体图像，而不是琐碎的数据，只是在需要时，个人才把它转化为要供分析的数据。

合肥公积金查询个人账户查询 篇4

登陆合肥住房公积金管理中心网站后点击网站主页上的导航栏《网上查询》，可以进入网上查询页面，再点击《个人用户查询》进入个人用户登录页面。按登录页面提示，可以先输入本人身份证信息登录查询(15位身份证或18位身份证都可以)，初始密码为123456，登录成功后，点击左侧相应查询菜单可以进行相应查询;如果无法登录，有可能是职工个人身份证信息未申报，可以改用本人9位公积金个人帐号登录查询，不知本人公积金帐号可以咨询单位经办人;如果用本人9位公积金帐户还无法登录，可能是忘记登录查询密码，请与单位经办人联系。

(2)电话查询

合肥市住房公积金管理中心公积金查询电话：12329，可通过公积金帐号、15或18位身份证号、黄山卡卡号查询。 24小时自动语音查询：12329。

(3)现场查询

前往合肥住房公积金管理中心，在窗口办理个人账户查询业务。

(4)联名卡查询

深圳市养老保险查询个人账户查询 篇5

超龄养老保险费查询:进入>>>www.szsi.gov.cn/index_16264.htm

说明：需要输入个人身份证号及社保编号。

深圳市社会保险基金管理局

地址：深圳市福田区彩田南路2038号海天综合大厦十一楼

邮编:518026

电话：0755-83460066

所有街道社保机构联系方式：进入>>>www.szsi.gov.cn/sbjxxgk/contracttype/

社保热线：

拨打96888，根据系统的自动提示音进行相关的业务自动查询或人工咨询。

自动查询24小时为您开通，人工咨询服务时间为每周星期一至星期五上午8:30-12:00，下午14:00-18:00。

0号键: 人工咨询

政策法规、个人社保信息查询、社保缴费情况查询、制证信息查询、单位首次参保编号查询...

1号键：社会保障卡挂失业务

2号键：个人社保信息查询

3号键：政策法规和办事指南

4号键：投诉与举报受理

5号键：最新咨讯和热点问答

网址：www.szsi.gov.cn/

更多热门文章推荐：

1.深圳市养老保险个人账户查询

2.沈阳市中心养老保险个人信息查询

3.广东清远养老保险查询方法

4.深圳退休金计算方法

宽带回单查询分析系统 篇6

此系统的开发，能够验证宽带开通的具体时间，本月装机的具体数量等，一定程度上提高社区经理的工作效率，督促其更好的落实宽带当日通的原则，为客户提供更优质的服务。

2 该系统背景

社区宽带网主要有3种接入方式：ADSL、CableModem和LAN(以太网)技术。第一种方式是对传统电话线进行改造实现的宽带接入;第二种是利用现有的有线电视网，用户需增加一个有线调制解调器;第三种则是重铺线路，光纤到户、使用户独享带宽，该方式虽然成本较高，但可融合多种业务，如高速下载、高清晰实时通话、远程教学、智能小区等，联通宽带即使用这种模式.

伴随着互联网业务的发展，联通公司的宽带优势日益明显，但随之而来的，社区经理新装宽带的效率以及客户宽带问题的投诉日益凸显，不断给公司形象带来负面影响，宽带业务分流日益增多，预计每年流失客户增多，直接间接给公司带来的很大损失。

基于上述应用，积极开发验证拨号程序，同时开发保定公安局VPN专线和普通宽带专线程序，两者整合成功后将减少客户流失，树立公司服务品牌，有效的管理社区经理装机的真实情况，量化考核社区经理服务水平。

3 系统所属科学技术领域、主要内容、特点及应用推广情况

3.1 所属科学技术领域

软件开发环境与开发技术、通信技术其它学科、计算机软件与其他学科

3.2 主要科技内容

通过本系统系统的开发，能够验证宽带(公安局VPN专线、普通宽带专线、普通宽带拨号)开通的具体时间，本月装机的具体数量并统计记录等，一定程度上提高了社区经理的工作效率，督促其更好的落实宽带(公安局VPN专线、普通宽带专线、普通宽带拨号)当日通的原则，为客户提供更好更优质的服务。

3.3 技术经济指标

该系统的若成功研发，将宽带当日实际装通及时率大大提高，减少客户宽带投诉，并为客户宽带问题的反馈提供了更好的扩展平台，在保有和发展业务方面起到了积极地推动作用。

4 软件结构

4.1 宽带拨号结构

是基于客户端、服务器端，结合管理中心平台开发的一套完整的系统，客户端首先验证宽带拨号的正确性，然后附加一些基本信息发送给服务器端接收，管理中心平台通过提取服务器端采集的数据，进行分析统计查。

4.2 宽带专线结构

是基于http协议，通过网站获取专线IP地址及其它客户信息，并加盖服务器时间传送给服务器端接收。

4.3 软件性能

本软件经过多次测试以后，在正常装机的情况之下，能够提取客户端得到的信息及其它参数，并正常显示。

贿档查询实务探讨 篇7

当前，无论是在建设工程招投标中，还是药品器械采购中，都存在大量个人挂靠、借用他人资质参与投标的情况。中标后，挂靠者只需向被挂靠单位支付一定的管理费用，被挂靠单位不介入、不参与工程项目的具体实施和运作。一些挂靠者为获得非法利益或不正当利益，向国家工作人员行贿。此类行贿行为从刑法角度看是个人行贿（正是这种原因，使得当前录入到行贿犯罪查询系统的信息量比较狭隘，大多数是个人行贿，单位行贿的比较少），但这种行贿犯罪又不同于一般的个人行贿犯罪。为打击行贿犯罪，预防违法挂靠行为（特别是工程建设领域的挂靠，违反了《招标投标法》相关法律规定，是一种违法行为），对出借资质给他人的公司必须给予必要的威慑。建议对挂靠公司型的行贿人，不但要将行贿人本人的行贿犯罪信息录入到行贿犯罪档案系统中，而且要将被挂靠单位一同输入。如此，既有利于打击违规借用资质挂靠的行为，也可促使被挂靠公司加强对挂靠人的管理，防止行贿的发生。

根据建立行贿犯罪档案查询机制的动因，建议将对非国家工作人员行贿罪纳入行贿犯罪档案查询系统。既然一个曾经犯行贿罪的人可能再次行贿，那么曾经对非国家工作人员行贿的人，也很可能会对国家工作人员行贿。从这个层面上看，对非国家工作人员行贿的人，限制其参加某些经济活动，符合创设行贿犯罪档案查询机制的原意。对非国家工作人员行贿罪纳入行贿犯罪档案查询系统也符合公平正义的法治精神要求，并且具有可行性。由于对非国家工作人员行贿犯罪要经过检察机关公诉，检察机关可以详细地掌握相关信息，准确及时地将对非国家工作人员行贿犯罪信息录入到行贿犯罪档案查询系统中。

明确特殊案件信息录入主体

录入行贿犯罪查询系统的是“人民法院生效判决、裁定认定的行贿罪、单位行贿罪、对单位行贿罪、介绍贿赂罪等犯罪信息”。当立案侦查和生效判决的公诉部门属同一检察院时，当然由该检察机关录入。但是，当行贿犯罪案件的侦查部门和生效判决的公诉部门不隶属于同一检察院时，相关信息的录入主体并不明确。在查办受贿案件的实践中，经常出现指定管辖的情况。随着侦查一体化、检察一体化的完善和推广，指定管辖的职务犯罪案件将会日益增多，侦查部门和审查起诉部门不隶属于同一检察院的情况也将增多。被告人不服一审判决提起上诉，二审法院终审判决或指定其他法院审理的情况，也导致侦查部门和判决生效的法院不属同一县（市、区）区域。笔者认为，侦查部门所在院对整个案件情况比较熟悉，特别有些案件，除法院生效判决认定的行贿信息外，还有一些没有被认定为行贿、受贿的行为。根据高检院规定，这些行为也应当录入到行贿犯罪查询系统。被指定审理法院对应的同级检察院、或二审法院对应的同级检察院，其所关注的仅仅是构成犯罪的信息，对案件情况没有侦查部门熟悉。因此，建议明确受贿案件中的行贿、受贿犯罪信息，均由案件侦查部门所在检察院录入，相关审查起诉的检察院应当及时向侦查部门所在检察院移送裁判法律文书。

完善查询结果告知函

《工作规定》规定，“行贿犯罪档案查询告知函自出具之日起2个月内有效”，较好地解决了企业、个人在短时间内重复申请查询，耗时费力的问题。但是，笔者认为，设定2个月的有效期没有考虑到司法实践。最高人民检察院预防厅《关于抓紧做好行贿犯罪档案信息录入及相关工作信息报送的紧急通知》（[2012]高检预发2号）规定，“对行贿犯罪、行贿行为信息应在人民检察院撤销案件决定、不起诉决定之后10日内完成，在人民法院判决生效后15日内完成。”综合考察刑事诉讼法规定的立案侦查、审查起诉、审判的期限，一个贿赂案件从立案侦查到判决生效，一般要3个月左右的时间，因此，将查询结果告知函的有效期确定为3个月是适宜的。这样也充分体现了查询工作便利原则。同时，查询结果告知函上，应标注有效期。

行贿犯罪档案查询的效用，更多地是体现一种事前的诚信威慑力，告诫民众遵纪守法，以免被列入“黑名单”。行贿犯罪档案查询制度，重在提高潜在行贿者对行贿行为危害的认识，突出警示效果，实行“教育为主，限制为铺，教育大多数，限制极少数”的原则。如前所述，查询行贿犯罪档案结果告知函，并不能反映被查询人在被查询时段必然没有行贿犯罪的客观事实。建议明确查询结果只能限于参加政府采购、建设工程、信贷审批、招生录用等活动中的诚信证明作用，不得作为其他用途。特别是在纪委监察、检察机关、公安部门等根据线索对被查询人进行行贿犯罪、行贿行为调查时，被查询人不能用查询结果告知函进行抗辩，而得依法配合调查。相关部门亦不能因被查询人提供了无行贿犯罪记录的查询结果告知函，而对相关举报、线索不予调查。

行贿犯罪档案查询系统全国联网后，实现了查询的本地化。《工作规定》明确，“公司、企业对本公司、企业进行行贿犯罪档案查询的，由公司、企业住所地或者业务发生地人民检察院受理。个人对本人进行行贿犯罪档案查询的，由个人住所地人民检察院受理。”实践中，一些部门、机构往往要求业务发生地检察机关提供查詢结果，导致公司、企业参加非住所地工程招投标、政府采购等经济活动时，不得不到业务地申请查询，带来不便。建议在查询结果告知函上标明：“本查询结果来自全国行贿犯罪档案查询系统，在全国范围内均有效。”为方便有关人员核对信息，亦可在告知函上添加受理查询机关的咨询电话。

建立后发现行贿信息处置制度