公安机关矛盾纠纷数据预警模型构建

李子玉

（中国人民公安大学 治安学院，北京 100038）

党的十八届四中全会提出建立健全社会矛盾预警机制以来，及时预警重大矛盾纠纷、规避社会风险成为基层社会治理研究的重要课题，学术界与实务界都对此进行了积极的探索。从理论研究来看，当前对于矛盾纠纷预警机制的研究主要集中在两方面：一是纠纷预警指标体系的设计［1］，二是针对矛盾纠纷的风险管理。如何有效利用大数据技术对矛盾纠纷背后的数据特点开展探讨，相关研究成果较少。从实践来看，矛盾纠纷预警工作侧重于宏观的机制设计、制度建设、组织安排等，对于大数据的认识与应用较少。目前，仅杭州、上海、深圳等经济技术发达的城市，在推进“智慧城市”“城市大脑”等智慧化建设的过程中，拓展辐射监测领域，尝试利用大数据对社会矛盾纠纷进行预警预测。但由于数据分析方式缺乏专业业务知识支撑与预警模型、关联信息采集不全面、特征关系分析不准确，大量数据的潜在价值没有被深入发掘，矛盾纠纷数据预警建设仍处于起步阶段，业务实战能力较低。此外，城市间、城乡间发展差异较大，大数据的应用技术与权限有限，总体上来说，当前矛盾纠纷预警机制普遍缺乏大数据思维与模型思维的支持，理论与实践上都处于探索阶段。

一、公安机关矛盾纠纷数据预警模型构建的价值

21世纪以来，随着计算机技术的迅速发展，公安机关对于业务工作中的基础数据采集已经比较完备。近年来，公安机关实施大数据警务战略，在公安业务工作中应用人工智能、数据挖掘等大数据技术，从这一角度而言，构建数据预警模型的本身就有着重要的时代意义。学界对于模型构建研究有多种观点，有的认为模型构建是通过对不同计算方法进行搭建设计以创新应用工具的行为；有的认为模型构建不仅是一种行为，更是一种思路，是提供一种关于问题的思维方式，即背景模型或思维模型是一个建立有关世界本质属性和运行规则基本概念的思维过程［2］。本文从宏观视角出发，认为模型构建是要沉淀出一种宏观的方法论，通过具有高度总结性的抽象表达，提供一种指导推理、解释、预测、探索等功能发挥的系统逻辑。在公安机关矛盾纠纷预警工作中进行模型构建，即提供一种系统设计的方法与思想，将公安业务、法律知识等要素融入计算机处理、大数据技术中，对矛盾纠纷相关要素及其关系进行分析、研判，以及时提示风险，发出警报。

（一）业务支撑，挖掘纠纷数据潜在价值

基层社会矛盾纠纷预警中长期存在业务知识与数据价值不对等的问题，矛盾纠纷数据预警模型的构建对解决这一问题，促进公安机关矛盾纠纷预警机制建设具有重要意义。传统的矛盾纠纷预警治理工作一般是基于工作人员的知识和经验开展的，然而，工作人员的能力与精力有限，难以关注到信息数据背后的潜在价值，达不到准确、及时的预警要求。尤其是在大数据时代，公安机关依靠人力难以对海量的内部基础数据与外部开源数据进行充分拓展分析。实践中，公安机关也并非完全依靠人力，有很多经济条件较好的城市公安机关通过“局企合作”等方式与大数据技术企业进行合作，研发相关的系统与工具。然而，承建公司在技术研发的过程中，未能深入了解公安业务知识与纠纷数据的时空特点，出现了数据提取随意性较大、提取要素不准确、关系分析不透彻等问题。在此条件下，公安机关搭建矛盾纠纷数据预警模型的优势显而易见，能够有效融合公安业务知识与矛盾纠纷治理特点，充分挖掘数据的潜在价值，实现数据治理的终极目标［3］。

（二）技术赋能，有效针对纠纷形态新特点

社会转型期，利益结构复杂，矛盾纠纷数量急剧增加，种类错综复杂，公安机关纠纷预警治理逐步显露手段的局限性，传统的统计分析工具难以迅速识别、排查需要及时介入的矛盾纠纷类型与风险等级，以至于呈现被动的治理局面。此外，具有重大风险的矛盾纠纷，其矛盾根源往往错综复杂，隐蔽性较高，如果不能准确识别、破除问题根源，纠纷将会呈现反复的态势。随着互联网与新兴媒体的发展，社会矛盾常借微博、微信以及众多的短视频平台等网络渠道进行表达，助推了社会矛盾进一步发展与扩大［4］。这种矛盾纠纷的网络表达特点，极易引起部分网民的共鸣，或借题发挥，进而将事态进一步扩大。这些新形势、新特点都可以通过大数据技术进行准确解释与应对，数据采集技术可以动态监测网络信息数据，及时通过线上的方式对可能引起重大舆情的矛盾纠纷进行识别、介入与干预，并可以跟踪监测进行反馈，形成全生命周期的守护。数据挖掘技术从海量的数据中高效挖掘出符合风险指标特点的要素信息，通过数据分析工具迅速向上或者向下渗透分析，进行纵横比较，厘清各要素之间的关系，并及时发现隐蔽的矛盾根源。数据预警模型的实质就是利用大数据技术对具有重大风险的矛盾纠纷进行信息采集、风险研判，及时介入，减少和消除越轨行为，以确保社会治安稳定。

（三）专业预警，科学指导矛盾纠纷治理

矛盾纠纷数据预警模型的业务专业性将体现在这三方面：一是及时预警，迅速识别矛盾纠纷高发的重点类型、重点时空、重点人员等，快速反应，化风险于无形，同时识别可能由政策、环境带来的风险，破解当前公安机关矛盾纠纷化解的被动局面，积极预防，治早治小，有效维护社会稳定。二是分类预警，细分的思维模式将贯穿从数据采集、特征数据提取到风险预警的整个模型构建过程，对矛盾纠纷进行科学、合理、适度的类型化研究有助于迅速连接预警之后的行为模式选择，克服无序性处理行为带来的新的问题与风险，改善传统民警个人经验式的纠纷治理的困境，提高纠纷化解的质量与效率。三是分级预警，其基本的预警思路仍然是细分思维与类型化研究，通过识别风险要素特征，利用科学化、可视化的分析工具厘清要素之间以及要素与环境之间的关系特征，直击问题根源，研判风险等级，进行分级预警，科学指导警力投入。

二、矛盾纠纷数据预警的理论基础

数据预警是大数据时代发展而来的预报警示方式，通过数据监测、数据挖掘、数据分析等方式对采集的数据信息进行多维度比对发现异常，并对可能存在的风险发出预报与警示。早在1829年，法国就有了通过数据统计分析研究犯罪的先例，首次绘制了法国教育水平与暴力和财产犯罪相关性的地图，这就是数据预警的技术缘起［5］。随着数据挖掘技术与人工智能技术飞速发展，目前数据预警在公安领域的应用主要体现在犯罪预测、风险研究等方面，未来公安大数据智能化建设将进一步推进，数据预警会成为公安工作各项业务的得力助手。

随着全面深化改革进入攻坚期和深水区，社会矛盾集中凸显，2018年仅统计在册的经全国人民调解委员会调解的矛盾纠纷就多达953万件，已经涉及全国上千万个家庭，给公安机关维稳工作造成巨大压力。在这种形势下，利用大数据手段采集、挖掘矛盾纠纷相关数据，构建矛盾纠纷预警模型，可以提早监测防范矛盾纠纷高发的重点类型、重点区域、重点人员、重要时段等，进一步研判风险等级，有助于公安机关靠前一步及时介入化解矛盾纠纷，切实有效维护社会和谐稳定。建立矛盾纠纷数据预警模型在理论上是可行的，其理论基础如下：

（一）信息转移原理

信息转移原理是物质交换原理在新时代的发展。物质交换原理是侦查学的著名理论，20世纪初由法国学者提出，强调犯罪过程必然伴随着物质转移的过程。随着科技发展，物质交换原理遇到了一些挑战，其中最重要的就是，物质交换原理更强调物质性的信息而忽视了意识性的信息［6］。物质交换原理随着时代的不断发展融入新的特征，丰富形成了信息转移原理。信息转移原理同样强调，犯罪过程必然存在信息转移，这种信息既包括了具体物质的变换，也包含了由内心意念外化的信息，在大数据时代，这些信息构成了数据的汪洋大海，为大数据的采集、挖掘与分析提供了可能。需要公安机关介入的矛盾纠纷必然存在着外化的表现形式，并可能或将会造成一定的影响，根据信息转移原理，这些矛盾纠纷发生全过程都必然伴随着信息与数据的转移与变化，通过对符合目标特征的数据进行采集，进行智能化关联关系分析，把控数据的潜在价值，理论上是可以及时监测矛盾纠纷的发展动态并做出预警的。

（二）情境犯罪预防理论

情境犯罪预防理论融合了理性选择理论、环境犯罪学、日常活动理论等内容，关注被害人和犯罪机会，通过控制犯罪因素、增加犯罪难度、减少犯罪回报来预防犯罪，随着实践的发展，逐步形成了增加犯罪难度（Increase the effort）、增大犯罪风险（Increase the risks）、减少犯罪收益（Reduce the rewards）、减少犯罪挑衅（Reduce provocation）、消除犯罪借口（Remove excuses）五大策略［7］。该理论强调犯罪受情境因素的影响，更适合于类罪研究，对具有重大风险的矛盾纠纷类型化预警研究具有重大意义。对社会稳定造成重大影响的矛盾纠纷，往往是在一定的政策、氛围、环境等情境的共同作用下发生的，并通过语言、肢体冲突、极端行为等外化形式予以实现，进而对安定有序的社会秩序造成影响。对发生情境的宏观与微观要素进行收集采集分析，可以得出关键特征，将其设置为主要监测指标可以达到预警的目的，并且可以从更高的层面理解矛盾纠纷错综复杂的根源。

三、公安机关矛盾纠纷数据预警模型构建的思维方法

无论是传统的矛盾纠纷排查化解工作，还是面向大数据时代的数据预警模型的构建，其背后体现的都是人的工作思维与方法的应用。运用什么样的思维方式指导工作，直接影响了工作的思路开展、过程推进、工作效率与工作效果等。就数据预警模型构建而言，思维方式甚至直接决定了预警模型的结构、特色与应用效果。以公安机关对已采集的内部基础人口数据的处理为例，由于公安机关内部大数据人才缺乏，实践中有不少公安机关向外部的大数据技术公司购买数据处理产品，然而在使用过程中常常会有力不从心的感觉。这是因为这些大数据技术公司在模型设计的过程中，缺乏业务思维指导，没有注入足够的公安业务知识，致使数据处理产品与公安工作的契合性降低。每一种矛盾纠纷预警的情境中必然都存在着一定的法律知识、公安业务知识等要素，缺乏了这些专业性的信息要素，整个数据预警模型的运行逻辑就不顺畅了。因此，思维方法是构建具有实战能力的矛盾纠纷数据预警模式的关键一环，本文认为指导数据预警模型构建的思维模式主要包括业务思维、细分思维、对比思维、溯源思维，每一种思维模式并不是独立作用的，而是彼此环环相扣，共同指导模型构建。

（一）业务思维

业务思维是指模型构建的全过程以业务建设为主线，接受业务知识指导，业务要素与信息数据相结合，以提升其业务能力与水平。公安机关矛盾纠纷治理工作涉及公安业务要素非常广泛，包括警察权威、警察工作职责、公安政策等基础理论要素，也包括类罪特征、行政手段、治安管理处罚裁量等法律要素，还包括打击犯罪与治安预防、教育与惩罚等政策原则要素。从公安业务思维的角度来看，矛盾纠纷的数据预警模型并不是一种临时性突发状况的数据收集与分析工作，而是一种长期性、复杂性的情报预警工作。业务思维对数据预警模型的指导，主要体现在以下几个方面：一是模型构建的整体思路要以公安业务为中心，不是所有的矛盾纠纷都需要公安机关的介入与处理，什么程度的矛盾纠纷才达到系统预警的标准，达到了什么等级的标准，这之间存在着一个度，这个度的判断需要以公安的业务特点为基准。总体而言，公安机关应该将大部分的警力投入对社会秩序、社会稳定、公共安全以及公民人身财产安全造成一定影响的矛盾纠纷中。二是数据采集过程，应根据保密工作的要求以及公安业务的需要，明确不同种类的矛盾纠纷预防情境中涉及的原始数据的采集范围与边界，这是一个人工自助与机器学习相结合的过程，但无论是哪一种，都要基于公安业务知识进行分析判断。三是业务知识是风险要素指标的判断基准，指标是对采集的原始数据进行筛选的标准［8］，而预警的前提是基于对事实数据的推理，即一项数据能否用于推理过程要看其是否符合一定的指标特征，而这一过程要以业务思维为指导，业务思维是矛盾纠纷数据预警模型构建的整体思路。

（二）细分思维

细分思维是数据分析最重要的思维，在数据分析的过程中，对指标进行单维度、多维度、交叉维度的拆解，以分析每一项数据特征值产生的原因，迅速有效识别数据价值，这是矛盾纠纷数据预警模型构建的基本思路。细分并不是问题解决的最后一步，而是为了更好地解决问题，指标拆解是根据维度进行的，为了更准确识别问题，维度的划分要从业务逻辑入手以克服随意性。当前公安机关内部基础数据采集已经比较完备，包括了人物、物品、账号、交易、案件来源等业务数据以及部分互联网数据，业务化类别数据越来越多，由于细分程度不够，海量的数据又乱又杂难以厘清，丧失了一部分的数据活力，呈现出有价值数据密度较低的局面。在矛盾纠纷数据预警模型构建的过程中，可以进行拆解的指标包括矛盾纠纷的主体、种类、发生场景、持续过程、宏观环境与政策等。通过对这些指标的细分，可以看到每一项指标的具体特征，这有助于准确描述矛盾纠纷事件更具体、更基础的特征。这也决定了细分思维对数据准确性的高要求，如果数据失真，一切细分过程都将失去意义。此外，数据的全面性也尤为重要，针对特殊种类的矛盾纠纷案件，宏观与微观环境的数据都可能形成特殊的关联性，因而不可忽视。

（三）对比思维

对比思维是将相近或者相反的数据进行对比，以发现数据的异同或者本质属性的思维模型。对比的方法至少要应用在两个及两个以上的要素之间，是发现线索、判断要素关联性的重要手段。大数据时代，对比工作可以通过计算机进行，通过数据碰撞发现不同数据项或者数据集的特点与关联特征，甚至可以分析出数据间的关联强度。对比的方法有很多种，包括横向指标对比、纵向指标对比、交叉对比、综合对比等，可以单要素对比、也可以多要素对比，可以是统计学上的数字间对比、也可以是要点思路的文字分析比对。在矛盾纠纷预警过程中，可开展不同时期的前后风险值对比，进行趋势预警；可分解到薄弱环节开展单项工作对比，进行类型预警；不同场域开展横向比较，进行区域预警。对比思维是矛盾纠纷数据预警模型构建的关键思路，尤其是在识别要素特征与关联性的问题上发挥着重要的作用。

（四）溯源思维

溯源思维是指在矛盾纠纷数据预警模型构建过程中，要秉持发掘数据背后的隐藏逻辑关系的原则，追溯数据的详细记录，从根源上厘清矛盾纠纷，为预警及介入行动提供高效有序的指导。溯源思维的应用并不只是要查清数据的物理来源，更是要挖掘数据背后的关联逻辑。然而，溯源思维要合理，与对比思维和细分思维环环相扣，溯源过程要紧扣因果关系，做到有据溯源、有理溯源、有序溯源，不能盲目溯源，更不能无限溯源。矛盾纠纷发生情境的各要素背后的深层次关系是破解矛盾纠纷的关键，可以通过同类业务、相关政策、事件变化进行分析，拨开层层迷雾，从本源重新推导分析，从更深层次上把握矛盾纠纷发生的逻辑，直击解决问题的关键。当前社会矛盾纠纷高发，各地区在矛盾纠纷排查化解工作中投入大量人力、物力，然而一些具有重大风险的矛盾纠纷并不能在短期内彻底解决，甚至在较长时间内反复出现，究其原因就是矛盾纠纷的根源不明晰，矛盾的根源没有得到关注，再多的调解技巧与化解手段最多也只能实现浅层治理，无法根除矛盾。改革攻坚期利益结构复杂，要想从大量的纠纷信息数据中排查出隐藏线索并非易事，要实现这一过程，构建可以溯源的矛盾纠纷数据预警模型显得尤为重要。

四、公安机关矛盾纠纷数据预警模型构建流程

预警的过程就是对采集的数据进行识别、分析、判断并发出警示的过程。模型的构建则是对模型中各要素及相关关系进行抽象性的表达，以实现解决某个问题的业务需求。矛盾纠纷数据预警模型要解决的核心问题是对具有重大风险的矛盾纠纷的信息要素及时推送预警信号，并给出落地行动的指导建议，因此，以下构建流程都要以解决这个核心问题为导向进行设计。

（一）目标设置

目标、要素与关系是模型构建的关键，构建模型的第一步是要进行系统的目标体系设置，既包括模型要实现的整体目标，又包括每个流程要实现的具体目标。目标设计要遵循以业务为指导的根本原则。矛盾纠纷数据预警模型的整体目标的设立，有利于合理划分数据采集范围，准确构建要素特征，明确预警等级。当前公安机关矛盾纠纷治理的困境之一即矛盾纠纷治理工作与警务工作的边界不清，民警在工作中常常陷入法律与道德两难的境地，既影响了警务工作的效率，也未能处理好矛盾纠纷。因此，矛盾纠纷数据预警模型要实现的首要目标是准确识别预警公安机关需介入控制的矛盾纠纷类型与程度，即要明确哪些矛盾纠纷属于公安机关管辖的范畴，哪些矛盾纠纷的风险等级达到了公安机关可以且必须介入控制的程度。当前，公安机关矛盾纠纷管辖的范围仍有争议，从公安机关的性质来看，其具有法律赋予的武装性与强制性，这就决定了并非所有的矛盾纠纷都需要公安机关的介入，也并非所有的矛盾纠纷公安机关都可以介入。理论和实务界都对公安机关纠纷管辖范围进行了研究，但多是从历史的角度、法理的角度进行探讨，鲜有利用数据分析开展研究的。数据预警模型不仅具有预警功能，更能通过纠纷类型汇总、效果研判，科学分析以往矛盾纠纷管辖的范围，并在此基础上不断修正，为公安机关纠纷管辖的界定提供科学的依据。

（二）数据采集

数据采集不是要将所有人口基础信息与互联网数据全部纳入其中，海量的数据反而成为预警工作的压力。在数据采集之前，首先要明确数据采集的边界，了解信息数据与矛盾纠纷事件的关联性及关联强度，考量的关键是数据能否反映矛盾纠纷的性质、形态、程度等特点。数据边界的划定一定程度上依赖于过去的经验，除了通过访谈法、问卷法等调查方法对熟悉纠纷化解工作的民警进行经验调查以外，还可以汇总分析矛盾纠纷发生、演变及处理的历史数据，获得更多精准的跟踪指标。这些历史数据包括公安机关内部记录在案的因矛盾纠纷引发的刑事案件、治安案件以及经调解处理的相关案件数据，也包括通过开源数据渠道采集的对社会造成重大影响的矛盾纠纷数据。数据采集是大数据技术应用的基础，收集的数据越全面、越客观，数据处理的结果越可靠。为了更加准确地进行矛盾纠纷预警，应当尽可能全面地收集包括但不限于以下种类的数据信息：

一是内部基础业务数据。随着公安信息化的建设，公安机关在各业务部门的日常工作中积累了海量的基础信息数据，包括社会成员的身份信息、生物痕迹信息、交通通信信息等人口数据，也包括110警情、矛盾纠纷案卷信息、旅馆住宿信息、公共场所视频监控等公安业务数据。

二是互联网开源数据。随着社会发展，公民的表达与监督意识逐渐增强，在自媒体与互联网迅速发展的时代，社会公众通过线上网络平台发声越来越便捷，这也为公安机关获取开源情报提供了便利。具有重大风险的矛盾纠纷案事件往往与网络舆论情形有着密切的关系，舆论焦点的出现有可能是矛盾纠纷爆发的先兆，有可能预示矛盾纠纷的发展趋势。总之，在互联网时代，开源数据情报越来越丰富，公安机关应当充分利用互联网开源渠道收集矛盾纠纷预警数据。

三是行政部门相关数据。当前各地正在推行矛盾纠纷多元化解机制，纠纷化解的主体呈现多元化，因此，除了公安机关以外，政府、法院、检察院、综合执法、人民调解等部门均参与矛盾纠纷的化解，这些行政部门也存在一定数量的纠纷化解案事件信息。

四是企事业组织等其他相关社会数据。企事业等相关组织有一定形式的社会行为，同样会与社会公众产生关联，成为矛盾纠纷的当事人、第三方或者是见证者。

除了数据边界外，公安机关数据采集过程中仍要遵循保密原则。有些数据要在立案以后持有相关证明文书才有资格采集，不同地区的市县局的数据采集权限也不同，特别是涉及公安机关外部的数据时，必须保证数据的采集符合法律、政策等标准。

（三）数据预处理

数据预处理是指采集的数据在进行数据分析之前的预先治理过程。数据预处理是数据分析的基础，对海量数据进行处理的主要方式是数据挖掘，即从已知数据中找到特征数据，数据挖掘过程的进度很大程度上取决于原始数据的质量。由于数据采集的过程中遵循多多益善的原则，其中不乏一些弱关联、无关联甚至错误数据，数据过杂过乱反而有可能掩盖了真正有价值的数据，影响数据分析的进程与效果，故在数据分析以前对数据进行格式统一、去重、清洗、补全尤为重要。数据采集的渠道众多，数据形态多有不同，公安机关内部基础数据多为文本等结构化数据，但从互联网等开源情报渠道采集的数据则包含了文本、图片、视频、语音等不同格式，这些数据有可能是半结构化数据甚至可能是非结构化数据。除数据本身的格式差异外，当前国内公安机关使用的数据分析软件并不是由同一个公司生产的，国外分析软件使用频率也很高，这些分析软件导出的数据也并无统一标准，为了提高分析效率，应在数据分析之前对其进行处理，统一格式标准。此外，大数据的预处理还包括对数据的初步分类，制作数据目录，对采集的数据进行验证，防止数据说谎等。

（四）建立预警指标特征

预警指标体系是数据预警模型运行的关键，它是数据筛选的标准，也是数据分析的依据。预警指标体系包括两大部分：一是用以识别矛盾纠纷种类形态的要素指标，二是用以研判影响社会稳定的风险要素指标。要素关系的分析是预警指标建立的前提。预警指标体系建立，首先需导入矛盾纠纷历史数据，选择合适算法，发掘矛盾纠纷相关要素特征及要素关系。结合对民警的经验访谈、问卷调查结果，进一步确定反映矛盾纠纷种类、性质、程度、发展进程等相关内容的要素指标，校正数据处理的不足，以建立合理的预警指标体系。有学者通过研究总结了包括征地拆迁问题、收入差距问题、医患矛盾、腐败问题等在内的20项可能引起基层社会风险的因素①该研究确定的20项可能引起基层社会风险的因素包括：征地拆迁问题、社会差距问题、医患矛盾、腐败问题、行政执法混乱和行为不规范问题、社会保障问题、劳资矛盾突出问题、生态环境问题、进城民工问题、就业需求与失业问题、道德信仰危机问题、资源问题、社会治安问题、诚信问题、公共教育问题、金融风险问题、国有资产流失问题、负面心理效应的影响问题、通信与网络安全问题、财政预算软约束问题。详见施美萍、黄燕翔《建立健全基层社会矛盾的预警与化解机制探究——以Q市调查为样本》一文，载于《长春理工大学学报（社会科学版）》2015年第9期，第9-14页。，这些因素就可以成为数据分析的关键要素指标。此外，还需根据社会发展特点，归纳影响社会稳定的关键要素的特征，便于进行风险程度的识别，这个过程也可以通过专家访谈、对预警指标加权赋值来实现。矛盾纠纷相关要素特征与风险程度构成了矛盾纠纷发生发展前的重要前兆性信息，是数据预警的关键内容。

（五）数据建模

数据采集获得了丰富的数据，特征建立得到了预警指标体系，但要在丰富的数据中发现背后隐藏的线索与逻辑，还需要利用计算机算法对其进行数据建模，自动识别矛盾纠纷的相关特征，判断风险与危害等级并发出指示警报，完成矛盾纠纷风险预警过程。笔者认为，在建立整体预警模型之外，还应当根据当前公安工作的实际情况，考虑建立群体性事件预警与重大舆情预警两个子模型。

群体性事件预警子模型主要对易引发群体性事件的矛盾纠纷进行识别监测，并通过精准跟踪要素指标，着重识别有关的敏感动因、重点类型、重点区域、重点人群、重点时间。群体性事件的爆发将会对社会治安秩序和社会稳定造成重大冲击，当前国内对群体性事件的防控主要聚焦在事后处置层面，数据预警实践不足。有学者根据群体性事件的目的、特征和行动指向，将群体性事件分为维权行为、社会泄愤事件、社会骚乱、社会纠纷和有组织犯罪五类［9］，但无论是哪一类，都具备群体性事件的重要特性，即群体性与现场动态变化性，因此在对群体性事件研判预警时，除采取预防性监测措施外，要特别注意现场动态数据信息的收集。现场形势瞬息万变，来自现场的动态信息数据是指挥者的决策依据，数据预警系统通过对现场数据进行采集研判，准确把握现场动态，寻找群体性事件防范、控制的最佳时机。与此同时，子模型通过机器学习，对历史群体性事件的处置过程进行深度分析学习，在发出预警的同时提出介入时机、警力部署、行动指导等具体处理意见，可以在一定程度上克服以往群体性事件处置效果多依赖指挥员自身素养的局面。

重大舆情预警子模型，主要对易引发重大舆情的矛盾纠纷进行风险识别及预警，其突出的特点是动态监测与趋势预警。当前各地区基本上都已经建立了网络舆情监测系统，对区域内敏感词汇进行抓取与研判，但由于数据抓取过于机械、精准度低等原因，风险感知与预警的效果并不是很好，尤其在短视频监测方面还存在着技术短板。网络舆情背后的事实情况复杂，可能是多重矛盾与纠纷的复合，情况多变，因此子模型在设计上要突出溯源思维与动态检测功能。该子模型的构建并非要背弃原有检测平台标新立异，而是在原有网络舆情监测系统的基础上进行设计与搭建。主要设计内容包括：改进原有系统数据人工设置抓取指标的随意性、选择性与机械性的问题，以提高数据抓取的贴合性；打破数据壁垒，会同治安、刑侦、国安等业务部门及时进行线上与线下的风险研判，提高舆情监测预警的准确率。

（六）模型反馈与评估

矛盾纠纷数据预警模型的构建不是一蹴而就的，也不可能完备全部的要素而尽善尽美，要想使数据预警模型发挥越来越重要的作用，就要在构建前、构建中、构建后不断地进行评估与验证，在发展中完善。综合性验证与反馈评估系统的设计，除了人工设计改造以外，还需要深度融入机器学习，使模型本身建立一定程度的自我调节、自我修复、自我发展的功能。