预测警务的理论基础与技术路径研究

李国军

（湖北警官学院治安管理系，湖北武汉430034）

预测警务的理论基础与技术路径研究

李国军

（湖北警官学院治安管理系，湖北武汉430034）

理性选择理论、日常活动理论、犯罪模式理论及环境犯罪学、犯罪地理学等犯罪学相关理论的发展奠定了犯罪预测的理论基础，统计科学、数据科学、计算科学和地理信息系统等技术进步提升了犯罪预测的可靠性和准确性，基于情报导向，警务部门以预测引领警务资源配置和勤务规划，强调更为积极主动的先发式干预以预防控制犯罪，逐步形成了“预测警务”策略，其有效性在多国警务实践中得到验证。我国警用地理信息系统和公安大情报系统包含了部分犯罪预测预警功能，一些地方公安机关近年来开展了以犯罪预测引领先发式警务工作的实践，取得了良好效果。预测警务契合我国公安工作实际需求，是推动情报导向警务战略深化发展的可行选择，其发展路径和经验为我国犯罪预防和警务创新提供了可资借鉴的参考。

犯罪分析；犯罪预测；犯罪预防；警务战略；警务改革；预测警务

一直以来，人们对于能否预测犯罪，如何检验犯罪预测的可靠性和准确性，以及预测结果的实际应用等问题存在诸多争议。近年来，在犯罪学相关理论发展的推动下，依托于警用地理信息技术、计算机统计、犯罪制图，特别是大数据技术等量化预测技术的进步，一些国家警务部门以犯罪预测引领警务工作，大大提高了警察干预和预防犯罪的效果，并在此基础上逐步发展形成了“预测警务（Predictive Policing）”这一新的警务策略。预测警务是犯罪学理论的发展、技术进步的推动和警务部门的实践共同努力的结果，代表了当前警务变革的新趋势，其发展路径和经验为我国犯罪预防和警务创新提供了可资借鉴的参考。

一、犯罪预测理论的发展：从“犯罪人”到“犯罪地点”的转向

犯罪通常被视为多种因素共同作用下的复杂社会现象，作为社会人的犯罪人个体间差异巨大，所处环境迥异，影响因素芜杂，犯罪因而被视为难以预测的随机行为。尽管在经验上可以预测犯罪的宏观变化趋势，但如果不能在微观层面上具体描述为可操作性的地域、时间、类型等，那么犯罪预测难以落地为具体的干预行动，因而影响了其在警务工作中的实际应用价值。与着眼于宏大叙事的犯罪学研究不同，微观视角的犯罪预测更为关注的不是犯罪的成因和一揽子解决方案，而是能否客观分析预测犯罪的特殊性——什么样的犯罪人会在特定时间和空间，对某些被害目标实施某种类型的侵害行为，如何客观分析这些犯罪类型、时空及被害条件，以及如何有效干预以防止其发生。理性选择理论（RationalChoice Theory）、日常活动理论（Routine Activity Theory）和犯罪模式理论（Crime Pattern Theory）等犯罪学理论的发展为犯罪预测的实现奠定了理论基础。

（一）理性选择理论

在传统犯罪威慑理论（Deterrence Theory）中，“惩罚—威慑”模型已暗含了犯罪人关于犯罪“成本—收益”考量的内容。在功利主义犯罪学思想中，贝卡利亚（Beccaria）提出了犯罪人会依据成本收益的理性计算做出选择的简单模型，边沁（Bentham）关于对犯罪惩罚的威慑功能论述，已蕴含了以惩罚威慑预防犯罪和成本收益分析的观点。贝克尔（Becker）强调犯罪人的行为理性，促成了犯罪经济学的产生和发展，波斯纳（Posner）的法经济学观点视犯罪为一种理性选择行为，是成本收益权衡之后的抉择。之后，威慑理论的实证研究拓展至多个方面，特别是关于警察威慑效应的研究。尽管这些研究尚存在局限，但研究表明，警察对犯罪的威慑效应显著存在，提高逮捕率会大大提高犯罪成本，进而产生威慑力。巡逻等勤务活动会威慑和预防犯罪的发生，特别是警察执勤增多对街头犯罪会产生强大的威慑效应。［1］尽管犯罪人同普通人一样，其决策在相当程度上是有限理性和机会主义的，［2］但这一理性选择的假设使警察预防犯罪成为可能的策略选择：犯罪行为并非完全随机而是基于犯罪人的理性选择，如果能够预测犯罪行为并实施针对性的警察干预，提升其犯罪成本，即使仅仅因为警察到场而增加了被逮捕的风险，犯罪人就有可能基于理性算计而放弃实施犯罪行为。

（二）日常活动理论

日常活动理论建立在理性选择假设上，认为犯罪人的行为遵循日常的时空模式，其行为模式因而具有一定的重复性和可预测性。［3］Felson认为犯罪得以成功实施，是“出现有动机的犯罪人、存在合适的侵害目标、缺乏有效的守护者”三个因素共同作用的结果。如果环境因素使得犯罪易于成功并避免受到惩罚，一定动机驱动下的犯罪人就会在特定的地点对合适的目标实施犯罪。基于“事件”的日常活动观点认为，如果将其应用于犯罪预防实践中，就要求警察预见和控制个体的行为以避免侵害结果发生，而不论个体身处何处，这在实践中极难操作。［4］而基于“地点”的观点则认为，更适当的做法是将警察部署于吸引犯罪人、犯罪风险较高的特定环境条件的地点。当然，地点本身并非犯罪产生的原因，仅仅为犯罪的实施提供了目标和机会，提高了某类犯罪发生的风险和可能。某些犯罪聚集度高的地点并非存在更多的侵害目标，或存在更多的潜在犯罪人，而是其环境条件较其他地点更易成功实施犯罪而吸引了更多的犯罪人到来。Brantingham提出了“环境背景（environmental backcloth）”以解释犯罪与其发生地点间的关系，进而促成了环境犯罪学的发展。［5］

（三）犯罪模式理论

犯罪模式理论融合了理性选择理论和日常活动理论，以解释犯罪在空间上的分布，认为犯罪人与其所处自然环境、社会环境的互动影响了其对犯罪目标的选择。自然与社会环境中存在人们活动的节点、路径和边界，与普通人一样，犯罪人依循相似的时空活动模式，并主要在一定范围路径所构成的“感知空间（awareness space）”内行动。在日常活动中，犯罪人会基于理性选择注意那些缺乏守护和管理的地点，犯罪则发生于与合适的侵害目标相作用的犯罪人感知空间中。因而，不同犯罪的时空分布既非随机也不相同，犯罪行为的发生遵循特定的模式。侵害目标引起犯罪人注意的方式影响了犯罪活动的时空分布，这主要表现为两种类型：犯罪制造地（crime generators）是那些与犯罪动机无关的原因而吸引大量人员聚集的地点。如商业区等地，在特定时间和地点造成人员和侵害目标的聚集，有利于某些犯罪的实施；犯罪吸引地（crime attractors）则是能为犯罪人提供机会的地点，这些地点有潜在被害人聚集，或其自身存在某些易受犯罪破坏的弱点。如酒吧等，因存在适于某些特定类型犯罪的机会，而吸引有犯罪意图的人前往，并可能成为其多次活动的节点。［6］

理性选择、日常活动和犯罪模式理论存在不同的局限，如理性选择理论可以较好地解释街头多发的财产型犯罪，但对社会关系型犯罪、突发性暴力犯罪等缺乏有说服力的解释；日常活动理论假设犯罪人已存在犯罪动机，并没有阐明这一动机是如何与环境交互作用而驱动犯罪实施的，也难以解释同一日常活动背景下不同个体间的行为差异；犯罪模式理论将犯罪与环境、地点的相互作用关系推进了一大步，较好解释了犯罪统计中某些犯罪在特定区域集中的“热点”现象，但同样对关系型犯罪和暴力犯罪缺乏解释力。尽管如此，这些理论研究将犯罪防控的重点从“人”转向“地点”，一方面促成了环境犯罪学、犯罪地理学的发展，产生了操作性强的情景犯罪预防理论、环境设计预防犯罪理论，并在犯罪预防实践中取得了良好效果；另一方面，促进了社区警务、问题导向警务变革，强调警察应与社区、公众一起，将犯罪预防聚焦于社区中的具体问题的解决，多角度预防和减少犯罪。

然而，基于地点的环境犯罪预防可能遭遇三个方面的问题：一是“道高一尺，魔高一丈”。环境并非一成不变，预防本身意味着对环境的改造。犯罪人与动态变化的环境因素处于实时互动之中，可以通过主动改变自身行为模式以适应环境变化，这导致某种有效的预防措施一段时期后失效；二是“防君子不防小人”。仅仅从环境、地点出发忽略了犯罪人的个体差异，某种预防措施可能对某些犯罪人有效，而对其他犯罪人无效；三是“防不胜防”。警务部门的预算和警力资源总是有限的，如果警务资源配置不合理，勤务规划聚焦不明，预防难以起到应有效果。固定模式的巡逻等勤务干预可能导致犯罪热点的转移，使犯罪热点控制变成“打地鼠”游戏，导致干预失效。

犯罪预防的严峻现实呼唤更为积极主动的警务变革，基于数据驱动的犯罪预测成为回应这一问题的可行策略选择。如果能提高犯罪预测的科学性、可靠性和准确性，警察就可能依据预测的结果动态实时地调整警力资源配置和勤务干预措施，更为主动地预防犯罪。以预测的时间跨度划分，长期预测涉及警务战略调整，中期预测涉及警务资源的重新配置，短期预测则仅仅需要战术层面的针对部署。［7］对警务实际工作而言，针对微观区域的短期预测对正常警务的干扰最小，便于战术性决策的调整实施，犯罪预测技术的进步成为实现这一思路的助推器。

二、犯罪预测技术的进步：从历史数据统计到大数据分析的转型

（一）传统犯罪分析与预测分析的区别

警察都会凭经验直觉对犯罪做出预测，一定区域内常住人口成分结构和就业情况的改变，季节更替，气象变化，建设项目的施工，新增商业娱乐场所的开放，甚至是公交线路的变化都会影响某些犯罪的变化。警务部门也往往会对重大突发公共安全事件做出应激式反应，大范围调整警力部署和勤务安排，以应对可能的连锁反应。质疑者认为，如果“风高放火，月黑杀人”的经验直觉都可以做出预测，那么大量的基础数据处理和复杂计算岂不是多此一举，将犯罪这一复杂社会现象通过数据分析和计算方法加以预测，这是不是巫师的水晶球披上了科学的新外衣？这些质疑的根本问题在于将经验与科学完全对立，忽略了“预报（forecasting）”与“预测（prediction）”的区别。预报基于历史数据的运算以描述变量的未来变化水平，更为客观、科学，误差分析是可能的，可重复检验并与个体偏差无关；预测是统合所有可用信息做出的人为判断，多凭直觉，更为主观，受个人偏好影响，无法进行误差分析，也不可重复。只是由于“犯罪预测”、“预测警务”已成为约定俗成的说法，实际使用中并未加以严格区分。［8］

犯罪预测的内容主要包括四个方面：犯罪类型与时空预测，犯罪人预测，再犯预测及被害人预测。传统犯罪分析通常包括统计分析、犯罪制图、人工制表比对，对重点地段、可疑人员的监控及情报分析等方法，主要基于历史犯罪数据和指向明确的情报，假设某些高发犯罪在一定时期内会继续保持上升趋势，并据此串并案件，确定热点地段、高危犯罪嫌疑人员和可能的被害人。传统分析所需要的数据规模较小，多局限于本辖区范围，主要依靠专家经验做出预测判断。预测分析则依靠更大体量的数据资料，既包括警方搜集积累的内部数据，也包括相关外部数据，注重对数据潜在价值的挖掘。预测分析并不排斥传统的分析方法，但其数学模型和算法更为复杂，人工计算难以实现，个人偏好导致的误差也更小。犯罪预测从经验走向科学，依托于统计科学、数据科学、计算科学，特别是信息技术和建立在地理信息系统基础上的犯罪分析技术等多种科学方法的引入和发展，主要有犯罪热点制图分析、回归分析、数据挖掘、时空分析等基于犯罪历史数据和地理信息的分析方法（见表1：常用预测分析方法）。［8］不同分析方法所需数据规模种类、过程和算法复杂程度不同，各有其适用范围和一定的局限性。统计方法、犯罪制图等方法近年来在我国已得到广泛应用，近重复（Near Repeat）分析和风险地域（RiskTerrain）分析分别代表基于事件和基于地理风险因素分析的两种不同思路，较有代表性。

表1　常用预测分析方法

（二）典型预测模型

1、近重复分析

近重复理论假设某些类型的犯罪会重复发生，前后发生的犯罪在地点上邻近，时间上接近。这一理论建立在对盗窃等犯罪的统计分析上，在最初犯罪发生后的短时期内，案发地和邻近区域往往会发生类似的犯罪，被害目标也往往被重复侵害。这一结论得到了许多实证研究的证实，甚至在跨国比较研究中发现，虽然文化背景和司法制度不同，入室盗窃犯罪都表现出相似的近重复规律，重复发案多集中于最初案发后的两周内和100米范围内。［9］另外研究发现，近重复现象随发案时间流逝快速衰减，大量的重复案件发生在案发后一周内，而后重复被害的风险随时间而衰退。［10］导致近重复现象的原因可能是案发地自身的弱点成为吸引不同犯罪人的明显旗帜，相邻房屋在很多方面有类似的特征和安全防范方面的弱点，因而成为犯罪人重复选择的目标。帮派活动也可能导致近重复现象，如盗窃团伙的成员会分享成功经验而在某些区域重复作案，帮派间的争斗可能导致后续报复性伤害、斗殴等活动的重复发生。Mohler等开发了“自激过程（self-excitingprocess）”算法，类似于地震发生后的余震计算模型。该算法先设定每个地图网格内的背景案件比率，假设发案后邻近网格区域内类似案件比率会暂时上升而更远区域则不会发案，分析计算每个网格区域内重复发案的可能性。此外，有的算法借鉴了传染病的蔓延规律，其他如ProMap则基于近期发案情况预测风险最高的区域。［8］这些算法在许多城市警务部门得到应用，实践证明近重复分析针对财产型犯罪较为准确可靠。

2、风险地域分析

风险地域分析是在确定可能提升犯罪可能性的地理特征基础上，预测给定区域的犯罪风险。与基于历史犯罪数据统计分析方法不同，这一分析方法更适用于发案数少而社会互动因素较多的犯罪，甚至是某些地点选择有一定随机性的暴力犯罪。简单方法的风险地域分析基于GIS应用，分别分析给定地点内的每种风险因素，并将每种风险因素由独立的图层表现。将所有图层通过GIS叠加后生成复合的风险地域图，复合的风险因素与特定的犯罪相联系，风险值越高则该地发生犯罪的可能性就越大。复杂的空间预测分析方法需要统计比较不同犯罪与不同距离风险地点的关系，进而分析距风险点不同距离的网格区域的某类犯罪风险的可能性。［8］

（三）犯罪预测技术的未来发展

随着大数据、物联网技术在互联网、商业、医疗、城市安全等领域的广泛应用，犯罪预测可以使用的数据越来越庞杂，规模越来越大。大数据的本质是人的社会活动、社会关系的数据化反映，低价值密度的大数据蕴藏着可供挖掘的巨大潜在价值，大数据应用的重要方面就是对人的社会行为的预测能力。与通常的因果分析不同，大数据开辟了“相关性”分析的新方向，将注意力从复杂的犯罪成因分析转向相关因素分析，这意味着许多看起来与犯罪无关的数据也可用于犯罪分析，大大拓宽了犯罪分析的视野。如2013年湖南省郴州市公安局侦破了一起新中国成立以来该省最大的制贩毒案，外地牌照的货车行驶路线、异常的食品物资采购、异常用电量等相关数据成为案件侦查中的“相关性”异常因素，为侦查推进确定了方向。［11］警用大数据分析如果可以挖掘利用更为广阔的数据资源，相关性分析会大大提高犯罪预测预警的范围和自动化程度。可以预见，随着大数据技术的发展，未来对犯罪的准实时预测分析成为可能，可以避免预测滞后导致警察干预失效的问题。如上海外滩踩踏事件（2014年12月31日）发生后，百度研究院大数据实验室BDL（BigData Lab）对当时百度的定位数据、搜索数据进行了深度挖掘分析，研究表明，百度地图中相关地点的搜索请求数据和实际到达该地点人群数量具有极高的相关性，根据地图上相关地点搜索的请求量，至少可能提前几十分钟预测出人流量峰值的到来并提前加以预警。［12］个体的互联网数据特别是社交数据、情绪数据、个体偏好数据等有助于厘清其社会网络关系，分析其心理行为模式，使得个体犯罪人预测成为可能，被害预测将更为清晰准确，社会关系型犯罪、暴力恐怖犯罪的预测水平将大大提高。目前，基于社会网络分析的方法已在反恐情报分析中得到广泛应用。此外，互联网超越了传统的地理空间概念，犯罪人、被害人的网络行为模式都有别于其现实生活模式，通过网上选择被害目标，网下实施犯罪，或在网络虚拟空间中直接实施信息窃取、金融诈骗等犯罪，这给传统的基于实在“地点”的犯罪分析提出了新的挑战。未来犯罪预测研究将走向跨学科融合的道路，结合了犯罪学、数据科学、计算机科学等学科的计算犯罪学（Computational Criminology）研究方兴未艾，为基于互联网的犯罪防控开辟了新的方向。［13］

三、预测警务的实践经验：以预测引领先发干预式警务变革

（一）预测警务实践的域外经验

警务部门往往面临警力数量和预算增长难以应对犯罪增长的困境，如何在有限条件下更合理地调整警务运行机制，配置警务资源，同时显著提升犯罪防控的效果，是警务决策需要首先考虑的问题。在公众参与犯罪预防和警察参与社会服务方面，社区警务和问题导向警务效果显著，然而警务回归传统预防和打击犯罪目标的现实需求也愈发强烈。20世纪90年代美国纽约警局开始推行情报导向警务（Intelligence-LedPolicing）变革，情报信息成为警务决策中的核心因素，强调对犯罪行为的早期预警和干预。［14］基于早期人工标记制作犯罪地图的成功经验，1994年纽约警局开始运行CompStat（ComputerStatistics，计算机犯罪统计）项目，取得了巨大的成功，1998年全美警务部门开始推广“犯罪制图和数据驱动的管理”（CrimeMappingandData-DrivenManagement）。［15］在信息技术、地理信息技术发展的推动下，情报导向警务战略使得警务资源配置和勤务规划更为合理，警务工作聚焦性更强，成为许多国家的警务战略选择。

预测警务的思想源于数据驱动的管理和情报导向警务战略，犯罪预测技术的进步将情报导向警务的主动性、可靠性和精确性向前推动了一大步，并在警务实践中取得了良好效果。预测警务的实践应用则源于美国、英国、加拿大等国家若干城市警务部门与大学、科技公司等合作开展的小型实验性项目，这些项目的成功逐步引起了国家层面的关注和资助。洛杉矶警察局与加州大学洛杉矶分校、圣克鲁兹大学等开展合作，对入室盗窃等三类盗窃案件开展预测研究，并根据预测结果部署警力采取适当的干预行动。实验以盲测方式进行，并设置了控制组以对比实验效果，以避免出现“自我实现的预言”。实验结果令人满意，实验区域内盗窃犯罪显著下降。类似的还有孟菲斯警察局BlueCRUSH（CrimeReduction Utilizing Statistical History）项目，巴尔的摩警察局的Crash-Crime项目，明尼阿波利斯警察局的微型犯罪热区（Micro Crime Hot Spots）项目，多个警局运行的PredPol项目，以及加拿大温哥华警方的CRIME项目，英国伦敦警方与埃森哲（Accenture）公司合作的预测项目等。这些项目将犯罪预测分析与警务部门的主动干预更为紧密地结合起来，让警察能够在恰当的时间出现在恰当的地点，在高犯罪风险地点实施更为先发式的干预行为，对街头犯罪的控制成效显著。洛杉矶警察局在成功实验的基础上提出了预测警务的模型，2008年洛杉矶警察局开始与司法部司法援助办公室（Bureau of Justice Assistance）、国家司法研究院（National Institute of Justice，NIJ）紧密协作，共同探索预测警务的新理念及其在执法部门中的应用。这些努力促成NIJ于2009年11月在洛杉矶举办了首届预测警务研讨会，预测警务的概念及在政策、技术和应用引起了广泛关注。2011年NIJ又在罗德岛举办了第二届研讨会，各地警务部门对信息共享、分析能力，预测警务的成功经验与局限等展开了深入讨论，这一通过预测引领警察主动干预预防犯罪的警务策略得到警务部门的广泛接受，并引起了新闻媒体、人权保护组织、技术公司、其他联邦机构和军方的浓厚兴趣。在随后各地警务部门的实践中，预测技术和更为主动的警察干预行动得到了进一步发展。［8］

Perry等总结认为预测警务是“应用专门的定量分析技术以确定警察干预的目标，预防犯罪，或通过统计学的预报解释过去的犯罪问题。”其运行模式是基于数据搜集、犯罪预测分析、警察干预行动、干预效果评估四个阶段的周期性活动。［8］根据预测模型和算法的需要，内部数据与外部数据通过地理信息系统等平台加以融合处理，并进行可视化分析。犯罪预测分析的结果为警察勤务设计和各项干预行动的决策提供客观依据。根据预测风险水平和干预目标的不同，警察合理调配警力，动态调整巡逻、值守等勤务的时间、地点、频次，对高风险区域实施必要干预，对再犯风险较高的重点人员可实施特定的监控等干预，对被害风险较高的目标群体开展公告预警、特定目标保护等干预。干预措施可能现场抓获嫌疑人，或导致嫌疑人改变目标选择、改变活动时间和地点，结果反映为数据的变化，则新一周期的预测分析再度开始。这一新的警务策略可视为情报导向警务在新技术条件下的延伸，对犯罪的客观分析和数据驱动取代通常的经验判断，成为警务决策的主要依据。警察的干预行动和勤务设计不再是固定、滞后的，而是根据数据分析的结果动态调整，警务资源的配置更为合理，一定程度上缓解了警方资源不足与任务过载之间的矛盾。

（二）我国犯罪预测的发展

在我国犯罪预测领域，囿于数据源的封闭与不足，数学模型、量化分析手段和科学方法的欠缺，重宏观、整体而忽视微观、局部的视角局限等，使得犯罪预测目的错位，脱离实际需求，整体实用性不强，其相关研究也呈现某种“边缘化”和“萧条”态势。［16］这一局面近年来出现显著变化，几乎与西方国家预测警务变革同步，警用地理信息系统（PGIS）和公安“大情报”系统的建设运行成为近年来我国警务发展的助推剂。公安部将警用地理信息平台纳入了“金盾工程”重点建设，2007年9月，公安部启动“全国警用地理信息基础平台应用技术研究与规模应用示范”项目，统一组织研发了PGIS平台软件，在120个单位进行规模化地推广，项目于2011年底全面完成。PGIS紧密结合当地的警务工作实际，在实有人口管理、指挥调度、警力部署、警情分析、形事侦查、治安管理、智能化交通、大型活动安保、警卫勤务、情报分析等业务领域进行了广泛的应用推广，并取得显著的应用成效。［17］公安“大情报”系统以信息化应用为支撑、以情报信息研判为主要内容、以服务于警务决策为目标，已基本实现高发案件预警信息发布、辖区内行业、场所及人员监管、信息分析研判以发现再犯风险，地域性、职业性犯罪高危人群分析、重点人员管控、积分预警等功能。［18］

PGIS和大情报系统的建设运行使犯罪预测成为近年来关注的热点，相关研究主要集中于基于GIS的犯罪制图、犯罪热点分析、时空分布统计分析等方面，同时一些新的分析方法逐步引入犯罪分析和预测领域。如肖汉等采用层次分析法（Analytic Hierarchy Process）建立融合GIS的犯罪概率模型，确定时间距离、犯罪率、人口数量、警察、地理环境和被害人职业等6个因素为影响犯罪地点的因素，预测犯罪人最可能实施下一次犯罪的地点。［19］陈鹏等提出基于主体模拟（Agent Based Model）、具有信息反馈机制的时空犯罪热点预测模型，以模拟犯罪的时空变化，预测犯罪热点在时间和空间上的转移趋势。［20］一些地方公安机关已认识到预测对警务工作的引领作用，开展了有益的实践探索。如北京市公安局怀柔公安分局借鉴美国警方Blue CRUSH等犯罪预测项目的经验，与研究机构合作研发了犯罪预测系统软件，实现了警力投量投向的时空引导功能，解决了基层警务工作的盲目性和被动性问题。系统发掘利用海量数据的潜在价值，解决了大量基础数据沉睡“海底”，警务工作“库中有数”而“心中无数”的问题；突破了情报分析瓶颈，以科学预测方法提高情报预警能力。在实际运行中提高了破案率，降低了发案率，取得了显著成效。［21］苏州市公安局跨塘派出所于2014年3月开始运行犯罪预测系统，大大降低了辖区盗窃案件的发案率。［22］

另一方面，必须充分认识到，我国公安机关对预测分析重视还不够，预测分析结果的导向作用不明确，预测引导、先发干预的思维转型尚未形成。情报主要服务于案件侦破和治安管控，大量日常生成、积累数据和相关外部数据的潜在价值亟待挖掘开发。预测方法和技术远远不够成熟，犯罪预测可靠性和准确性水平尚待提高，对犯罪人预测、再犯预测、被害预测等方面的研究和应用明显不足，犯罪预测的领域亟须拓展，技术方法更待创新。

四、我国预测警务发展的可行路径

从快速反应警务、社区警务到情报导向警务，我国公安机关一向以自信开放的心态吸收借鉴国际警务发展的先进经验，积极拥抱新技术进步与警务变革的潮流。预测警务能否契合我国实际，成为下一波警务创新的方向，是冷静观察之后必须深入思考的问题。

（一）客观评价预测警务的价值和局限

在效果评价方面，影视作品和新闻报道将犯罪预测描述成未卜先知的万能系统，其局限性往往被有意忽视了。预测警务是对现有情报导向警务的深化推动，但也仅是犯罪防控体系中的一环，尚需不断修正完善。对其评估应综合考虑警力资源投入、经费投入、公众参与程度等因素，仅以发案率、破案率变化评估其效果有失偏颇，且发案率的变化并非单一因素作用的结果，如果脱离盲测、控制对照、历史分析等科学方法，评估时往往会放大其优点。评估预测的可靠性和精确性必须考虑预测时间跨度和地域范围，过长时间过大范围的预测对警方没有实际操作价值。在预测类别和技术方面，现有预测警务实践对盗窃等多发财产型案件的防控效果较好，对社会关系型犯罪、暴力犯罪等预测难度较大。预测技术方法尚在不断探索中，对大量非结构化、半结构化、低价值密度的社交网络数据和大量视频、音频等多媒体数据的采集、整合处理和价值挖掘还存在技术上的瓶颈。更重要的是，预测并非机器自我思考的结果，所有的预测方法都由人设计并需要一定程度的人工干预和决策，人的因素始终是最终的决定因素。忽视了人的决定性作用，机器崇拜必将导致严重后果，如吉林长春周喜军盗车杀婴案件（2013年3月4日）中的技术失灵，上海外滩踩踏事件（2014年12月31日）中的预测失效、反应迟钝。

（二）充分考虑我国国情特色和现实需求

预测警务在西方国家的发展，与其犯罪形势、人口结构特点、社会经济状况和治理方式等密不可分。在借鉴这一策略时，必须充分考虑我国的国情特色，特别是转型期社会矛盾多发的历史背景特殊性，城镇化进程的强烈震动，庞大的流动人口管理难度和季节性迁移特点，经济新常态下的形势变化，动态警务管理的紧迫要求等，唯技术移植论忽略了技术的适用背景和应用条件。此外，我国地区差别、城乡差异巨大，地区特色和现实需求也是必须考虑的方面。预测警务变革应适合本地实际，能够满足需求，对现有警务运行模式改造代价最小，能够实现现有警务资源的合理配置。重点是将预测分析、情报引导与基层民警的行动相集成，使之效能更高。一些数据规模需求不大，系统要求不高，算法简单的技术在实践中也能起到很好的作用，可以先试先行，而不应一开始就追求过高投入、过高复杂度的系统建设。

（三）树立开放理念和数据化思维

犯罪在传统认识中通常背负了诸多制度优劣和绩效评价之争，在这一压力下，一段时期以严打为代表的运动式治理成为常态手段，犯罪也因而成为“难言之秘”。党的十八届三中全会《决定》指出要“推进国家治理体系和治理能力现代化”，提出了要“创新社会治理体制”。犯罪治理也应创新体制，加强社会参与，增进良性互动，这要求公安机关要有更为开放的理念，增强犯罪预测的公共预警服务功能，争取社会力量的有力支持。数据保密、数据壁垒是各国警察部门的常见问题，这种封闭极大制约了相关研究的发展。公安机关应主动与研究机构合作，以更为开放的态度共同推动符合我国国情的犯罪预测理论发展和技术进步。开放要以数据共享应用为基础，数据化思维要求警务工作的数据化记录、表达和评价，实现所谓“数目字”管理和警务资源的合理化配置，避免个人喜好、主观臆断下的资源虚耗。预测警务运行的前提是可靠、精确的数据，如果数据收集、记录、分析、存储等环节存在缺陷，整个系统就会陷入问题。客观而言，犯罪统计中存在大量案发后未报案的隐案，已报案件中也存在立案不实的问题，隐案、未达立案标准和应予立案而未立案的情况都未能进入基础数据中，这导致大量有价值数据的流失。另一方面，我国的治安、刑事案件二分法仅仅是立案标准的不同，但对于犯罪分析都有同样重要的价值。类似的数据分隔应在统一的平台中加以融合，为预测分析提供全数据资料。此外，要特别加强基层公安民警的数据化思维和应用能力，避免因数据源头失真而导致预测偏差。

（四）重视数据权利保护与专业分析人才培养

预测警务实践中存在两个广受争议的问题：一是个人数据权利保护。大量的个人数据被搜集用于犯罪分析，其中既包括个人隐私数据，也包括一般性的社会活动数据。预测警务的运行必须平衡数据搜集利用与个人数据权利保护之间的关系，始终将数据安全放在首位。在相关立法尚不健全的情况下，更应该未雨绸缪，健全落实数据权利保护的相关制度；二是实践中的歧视性干预。预测并非基于传统意义上的证据而是基于数据，预测结果指向的人群往往具有地域、职业、社会关系或其他方面的共性特征，警方在犯罪分析中也有所谓“高危犯罪人群”的界定，这可能导致先发式干预措施在实践中的歧视性使用，引发一定范围的负面冲突和消极影响。此外，跨学科、复合型专业犯罪分析人才的匮乏是制约预测水平的瓶颈之一，应高度重视分析人才培养和队伍建设，发挥研究机构的智库作用和培训职能。这方面可借鉴国际犯罪分析师协会（InternationalAssociation of Crime Analysts，IACA）的做法，明确分析师资格条件，组织专业研究，制定培训标准并提供实践训练，建立分析人才训练培养的长效机制。

当前我国公安机关正在大力推进“四项建设”，信息技术和大数据应用受到了空前的重视。公安部领导多次强调，“要大力加强大数据时代公安基层基础工作”，坚持以信息化引领，切实做到“有效防控、准确预警、精确打击”；［23］反恐工作要积极运用大数据、云计算技术，做到“预警在先、预防在前、敌动我知、先发制敌。”［24］预测警务无疑是契合当前我国治安形势要求的可行路径，可以预见，适应我国国情特色，涵盖犯罪预测、治安预测、反恐预测等多个领域的预测警务理论研究和相关技术将不断发展创新，并在警务实践中发挥越来越重要的引领作用。

［1］陈屹立，陈刚.威慑效应的理论与实证研究：过去、现在与未来［J］.制度经济学研究，2009（3）：169-185.

［2］刘洋.理性犯罪人假设的法经济学分析［J］.中国城市经济，2010（9）：238-240.

［3］李希慧，廖梅.当代西方理性选择犯罪学思想介评［J］.公安学刊，2004（4）：42-45.

［4］Caplan JM.Mapping the Spatial Influence of Crime Correlates：A Comparison of Operationalization Schemes and Implications for Crime Analysis and Criminal Justice Practice［J］.CITYSCAPE，2011（3）：57-83.

［5］Ferguson AG.Predictive Policing and Reasonable Suspicion［J］. Emory Law Journal，2012（2）：259-325.

［6］Hiropoulos A，Porter J.Applying GIS to Crime Pattern Theory［J］. South African Crime Quarterly，2014（3）：17-26.

［7］Gorr W，Olligschlaeger A，Thompson Y.Short-term Forecasting of Crime［J］.International Journal of Forecasting，2003（3）：579-594.

［8］Perry W L，McInnis B，Price CC，et al.Predictive Policing：The Role of Crime Forecasting in Law Enforcement Operations［R］. National Instituteof Justice，Office of Justice Programs，U.S.Department of Justice.No.2010-IJ-CX-K007.Rand Corporation，2013.

［9］Johnson SD，Bernasco W，Bowers KJ，et al.Space-Time Patterns of Risk：A Cross National Assessment of Residential Burglary Victimization［J］.Journal of Quantitative Criminology，2007（3）：201-219.

［10］Johnson SD.Repeat Burglary Victimisation：A Tale of Two Theories［J］.Journal of Experimental Criminology，2008（3）215-240.

［11］张祥.养猪场里制毒，请老外做技师［N］.潇湘晨报，2013-02-28（A06）.

［12］云知秋.从LBS大数据背后分析外滩踩踏事故始末［EB/OL］http：//www.csdn.net/articlea/2015-01-22/15822272，2015-11-25.

［13］Valentine CL，Hay C，Beaveret KM，et al.Through a Computational lens：Using Dual Computer-criminology Degree Programs toAdvance Thestudyof CriminologyAndCriminal JusticePractice［J］.Security Informatics，2013（2）：1-7.

［14］梅建明.情报信息主导警务模式的起源、特征与意义［J］.警察技术，2007（6）：3-7.

［15］徐子沛.大数据：正在到来的数据革命［M］.桂林：广西师范大学出版社，2012：78-82.

［16］赵军.我国犯罪预测及其研究的现状、问题与发展趋势［J］.湖南大学学报（社会科学版），2011（3）：155-160.

［17］孙丕龙.全国警用地理信息系统的建设和应用［J］.地理信息世界，2014（1）：14-15.

［18］杜航.提升“大情报”服务侦查功效的方法与应用［J］.辽宁警专学报，2012（11）：26-30.

［19］肖汉，杜永慧，徐金泽等.融合GIS的犯罪概率模型及应用［J］.北京大学学报（自然科学版），2013（6）：1025-1030.

［20］陈鹏，疏学明，袁宏永等.时空犯罪热点预测模型研究［J］.系统仿真学报，2011（9）：1782-1786.

［21］阎耀军，张明.犯罪预测时空定位信息管理系统的构建［J］.中国人民公安大学学报（社会科学版），2013（4）：73-80.

［22］丁国锋.“大数据”给公安警务改革带来了什么［N］.法制日报，2014-10-09（4）.

［23］刘文韬.加强大数据时代公安基层基础工作，提高维护公共安全和服务人民群众能力水平［N］.湖南日报，2014-05-10（1）.

［24］公安部.充分发挥情报信息引领作用，努力做到暴恐活动可防可控［EB/OL］.http：//www.mps.gov.cn/n16/n1237/n1342/n80-3680/4919556.html，2015-11-25.

【责任编校：万向阳】

Research on Theoretical Basis and Technical Path of Predictive Policing

Li Guojun
（Hubei University of Police，Wuhan 430034，China）

Developmentof rational choice theory，routine activity theory，crime pattern theoryandenvironmentalcriminology，criminal geography and other criminology theories laid the theoretical foundation of crime forecasting.Advances intechnologyenhancethereliabilityandaccuracy ofcrime forecasting，suchasstatisticstheory，data science，computational science andgeographic informationsystemtechnology.BasedonIntelligence-led Policing，policedepartmentappliedcrime forecasting for resource allocation and service planning，emphasizing on more proactive intervention to prevent and control crime.Predictive Policing strategy emerged gradually，its effectiveness has been verified in multinational police practice. Our Police Geographic Information System and public security intelligence system contains some crime forecasting and warning functions，some local public security units carried out crime forecasting to proactive policing practices in recent years，andobtainedgood results.Predictive Policing isconsistentwith the actualdemandof ourpolicework，it willpromote theIntelligence-led Policing，its development path and experience provides referenceresources ofcrime prevention and policing innovation for us.

Crime Analysis；Crime Forecasting；Crime Prevention；Policing Strategy；Policing Innovation；Predictive Policing

D631

A

1673―2391（2016）05―0079―08

2016-09-20

李国军（1973—），男，汉族，河南长垣人，湖北警官学院讲师，主要研究方向为治安管理、警务指挥与战术。

2016年度湖北警官学院科研计划项目“预测警务理论基础与实现路径研究”（2016YB010）。