大数据背景下多发性侵财犯罪预警模式研究

钟 政

(中国人民公安大学，北京100038)

一、大数据概述

目前理论界对于大数据并无统一的定义。麦肯锡咨询公司在2011年5月发布的研究报告中对大数据进行了较为权威的阐述:大数据指的是大小超出常规的数据库工具获取、存储、管理和分析能力的数据集。

(一)大数据的特点

随着大数据的应用和发展，呈现出较为明显的特点，业界常用4V进行概括。一是数据体量大(Volume)。数据的存储已从TB级别跃升至ZB级别，互联网一天产生的数据量可以装满1.68亿张DVD光盘。二是数据类型多(Variety)。在数据量急剧增长的同时，数据类型也在不断丰富，在结构化数据的基础上衍生出半结构化数据和非结构化数据。三是处理速度快(Velocity)。强大的数据处理工具使得大数据的处理过程极其迅速，亚马逊基于协同过滤技术的推荐算法，能在用户点击鼠标的瞬间向其推荐偏爱的商品。四是价值密度低(Value)。海量数据中只有微小的部分是有价值的，但只要通过正确地处理分析，仍能得到很高的价值回报。

(二)大数据的价值

大数据的核心价值是预测性分析。传统的数据挖掘也在做类似的事情，但大数据分析由于数据的广度和深度更足，因此所得出的预测性分析的结果也更精准。预测性分析的逻辑基础是，随着信息化的全面覆盖，人们在日常的学习、工作和生活中都会相应地留下信息痕迹，通过对这些信息痕迹进行收集，然后科学地建立模型进行分析处理，最后输出预测结果。《礼记·中庸》有云:凡事预则立，不预则废。大数据的日趋成熟使得人们能对未来事物作出预测而提前准备，从而提高成功的几率。

(三)大数据的应用

随着大数据的不断成熟，已开始运用于多个领域。目前主要以商业领域为主，一方面大数据加速了电子商务的发展，通过对消费者浏览记录和购买记录的数据进行分析处理，从而得出消费者的喜好并对其进行产品和服务的推荐，如亚马逊的相关商品推荐。另一方面大数据革新了传统零售的模式，如梅西百货的实时定价机制，根据需求和库存的情况，该公司基于SAS的系统对多达7300万种货品进行实时调价，减少货物积压的同时促进了商品的销售。

与此同时，警务领域也开始尝试运用大数据预测犯罪。美国创业公司PredPol基于地震后预测余震的原理，结合区域犯罪统计数据，构建犯罪预测系统，并成功预测了犯罪发生的概率及其发生的时段和区段。这套系统被美国洛杉矶和圣克鲁兹的警方采用，使用预测系统的区域，盗窃罪和暴力犯罪分别下降了33%和21%。大数据作为新型预测工具，各国警方都开始致力于构建本土化的犯罪预测系统，目前国内在此领域的研究还较少。如何结合区域犯罪规律，构建犯罪预测系统，是大数据背景下公安工作未来的发展方向。

二、多发性侵财犯罪构建预警模式的必要性分析

侵财犯罪，即侵犯财产罪，是指故意非法占有、挪用、毁坏公私财物或者以毁坏公私财物等方法破坏生产经营的行为。〔1〕多发性侵财犯罪并非法律术语，是公安机关在长期侦查实践中针对工作需要所采用的集合概念，是指犯罪人以非法占有公私财物为目的，实施的对社会治安秩序构成严重影响且高发的盗窃、抢夺、抢劫以及诈骗犯罪行为的统称。〔2〕

传统被动反应式的侦查模式已难以应对新时期多发性侵财犯罪高发案率的趋势，为此亟须转变思路，探索侦破多发性侵财犯罪的新举措。而多发性侵财犯罪新时期所呈现出的诸多特点决定了运用大数据构建多发性侵财犯罪预警模式的必要性。

(一)发案率高

改革开放的不断深入，在给经济带来高速增长的同时也给社会治安带来了诸多困扰。尤其是进入21世纪以来，多发性侵财案件的发案率居高不下并且逐年上升。以盗窃案件和诈骗案件为例，2013年二者的立案数之和为518万件，而全年的立案总数为659万件，占到了78.6%。多发性侵财案件成为刑事案件的重要组成部分。并且在2009—2013年之间，侵财案件的立案数量逐年稳步增长，短短五年间，盗窃案件的立案数量由388万件增长到450万件，增长率为16.0%;诈骗案件的立案数量由38万件增长到67万件，增长率高达76.3%。多发性侵财犯罪的高发案率一方面严重掣肘着公安工作的开展，牵制了大量警力;另一方面严重破坏了社会稳定秩序，阻碍了社会经济的健康发展。

图1 刑事案件立案和多发性侵财案件立案图

(二)预谋性强

多发性侵财犯罪的犯罪分子在犯罪主观方面表现为直接故意，因此犯罪分子在实施犯罪的预备阶段，都会进行一定的预谋。这种预谋性首先体现在犯罪对象的选择上，如诈骗案件中犯罪分子一般会选择四五十岁以上的中老年人作为犯罪对象，由于这部分人群年龄偏大、防范意识差，因此很容易遭受诈骗。其次体现在犯罪地点的选择上，如在抢劫案件中犯罪分子一般会选择在城区的废旧车站、偏僻街巷以及城乡接合部等地实施犯罪，这些地区由于人流量较小，因此作案成功率高并且易于逃窜。再次体现在犯罪时间的选择上，如入室盗窃案件中犯罪分子一般会选择在夜晚、凌晨或者节假日期间实施犯罪，在此期间被害人或者疏于防范或者离家外出，为犯罪分子创造了犯罪时机。

(三)流窜犯罪和团伙犯罪趋势明显

截至2013年年末，全国流动人口的总量为2.45亿，超过总人口的1/6。由于城乡二元化结构和区域经济发展不均衡导致了全国流动人口不断攀升，人口流动给社会带来了诸多效应，其中一点就是流动人口所带来的流窜犯罪问题日益严峻。借助于便捷的交通工具和规律的作案技巧，犯罪分子往返于多个城市之间奔袭作案，使得侦查人员难以获取其作案轨迹进而侦查破案。

与此同时，多发性侵财犯罪的团伙趋势也日益明显。犯罪团伙多以籍贯为纽带，通过传帮带的方式吸纳新的犯罪成员，并且组织严密、分工明确，在多次犯罪过程中形成流程化的作案方式。作案时间短暂、现场遗留痕迹物证少以及逃窜速度快都给侦查工作带来了困难和挑战。如江西宜春籍入室盗窃团伙，近年来通过团伙作案，分工明确、相互配合，跨越多省实施盗窃，严重影响了社会治安稳定。

(四)犯罪手段日益多样化和智能化

日新月异的科技创新在给人们生活带来便利的同时，也给犯罪分子翻新作案手段提供了温床。盗窃案件中传统的作案工具如撬棍、扳手、螺丝刀等随着科技的发展已逐渐被更加便捷和高效的液压钳和解码器等工具所替代。作案工具的不断翻新只是犯罪手段多样化的一部分，以电信诈骗为例，其犯罪手段早已从初期的中奖诈骗发展为囊括了银行信息诈骗、木马病毒诈骗等方式在内的数十种诈骗手段，使得侦查人员猝不及防。

随着互联网和智能手机的普及，多发性侵财犯罪的犯罪手段呈现出智能化的特点。据统计，截至2015年第一季度末，微信每月活跃用户已达到5.49亿。以微信为代表的社交软件和以支付宝为代表的支付平台的广泛使用，极大限度地丰富了犯罪分子的犯罪手段。犯罪分子通过微信来联络同案犯，通过淘宝来购买作案工具，通过支付宝来转移涉案资金等等，将其犯罪时空由现实空间转移到虚拟空间，增加了侦查人员查缉的难度。

新时期多发性侵财犯罪所呈现出的特点，一方面增大了侦破难度，高发案率以及犯罪手段的翻新使得侦查人员疲于应付，再加上基层警力不足，使得侦查工作捉襟见肘。因此，将侦查模式由被动反应式转为主动出击式显得尤为必要。另一方面，虽然充足的预谋降低了犯罪分子被抓捕的风险，但随着信息化渗透到生活的方方面面，犯罪分子不免会在现实空间或者虚拟空间遗留下犯罪痕迹。而大数据正是通过对数据进行收集分析处理从而达到预测性分析的目的，因此在大数据背景下构建多发性侵财犯罪预警模式是十分必要的。

三、多发性侵财犯罪构建预警模式的可行性分析

(一)物质交换原理在信息时代的发展

物质交换原理由法国侦查学家、法庭科学家埃蒙德·洛卡德在20世纪初提出，故也称洛卡德交换原理。〔3〕物质交换原理指出的，犯罪的过程实际上就是一个物质交换的过程，作案人作为一个物质实体在实施犯罪的过程中总是跟各种各样的物质实体发生接触和互换关系。物质交换原理作为刑事侦查学基础理论的核心内容之一，对侦查实践活动具有普遍的指导意义。

然而，大数据时代的到来，对传统的物质交换原理提出了挑战，人们的社会活动更多地通过互联网来实现，实体介质的缺少使得物质实体间的接触和互换难以发生。因此，一些学者创造性地提出了信息转移原理，弥补了信息时代下物质交换原理的不足。犯罪分子实施犯罪活动时，无论是实体空间还是虚拟空间都会相应地留下信息痕迹，而大数据工具正是通过对信息数据的分析处理来预测分析，因此，随着物质交换原理在信息时代的发展，构建多发性侵财犯罪的预警模式是可行的。

(二)相关关系在大数据分析中的运用

相关关系的核心是量化两个数据之间的数理关系。通过找到一个现象的良好关联物，相关关系可以帮助我们捕捉现在和预测未来。〔4〕多发性侵财犯罪的犯罪分子在实施犯罪时，其犯罪要素“人、事、物、时、空”所映射的社会活动之间，或多或少都会存在一定的关联。如果仅凭侦查人员的实战经验来进行分析处理从而预判，不仅效率低下而且漏洞百出。然而，得益于科技的飞速发展，大数据处理工具能够将这些犯罪要素所涉及的数据进行分析处理从而得出相关关系，不再需要人工选择关联物来进行逐一分析。并且较之人工研判，大数据的相关关系分析法更快速准确，而且不易受到人为因素的干扰。通过对相关关系的发掘，能够让人们更深入地了解事物之间的关系，而不是简单地停留在经验主义的认识上。随着相关关系发掘在大数据中的广泛应用，在大数据背景下构建多发性侵财犯罪预警模式是可行的。

四、大数据背景下多发性侵财犯罪预警模式工作流程

目前，大数据的预测性分析工具在商业上的应用如雨后春笋般出现，颠覆了传统的商业模式，提升了商业效率。鉴于大数据技术的日趋成熟，结合对多发性侵财犯罪的分析，构建多发性侵财犯罪的预警模式是大数据在侦查领域应用的积极探索，其工作流程如下:

(一)数据采集，清洗过滤

目前公安内网所掌握的数据与社会数据和互联网数据相比只能算是沧海一粟，因此构建多发性侵财犯罪预警模式的首要任务就是对散落的数据进行采集。公安数据包括旅馆住宿人员数据、在逃人员数据、车辆出入卡口数据等，社会数据包括银行交易数据、通信数据、出行数据等，而互联网数据则包括社交网络数据、即时通信数据、电子邮件数据等。因此要在保证公安内网数据安全保密的情况下，纳入社会数据和互联网数据一并采集。利用诸如MySQL、NoSQL工具对数据进行采集和存储，以便后期进行联机分析处理。

随着数据采集量的激增，便会产生大量“垃圾”数据，这些数据在增加存储成本的同时也会降低处理速度，因此需要对其进行清洗和过滤。对于重复和不完整的数据，如果采用传统人工筛选的方式，将难以完成，而利用诸如ETL工具对数据进行清洗和过滤，将会大大节约时间成本。

(二)建立模型，分析数据

模型的搭建是大数据技术的重要环节。首先，录入多发性侵财犯罪的历史数据，大数据分析工具通过复杂算法发掘不同因素之间的相关关系。较之积分预警模式的人为估值，大数据分析所得出的相关关系更为精确客观。其次，基于相关关系分析建立数据模型。目前较为主流的分布式系统基础架构是Hadoop框架，许多互联网公司都是在Hadoop框架的基础上自定义大数据处理模型。同样，公安系统也能根据多发性侵财犯罪的特点在Hadoop框架的基础上自定义预警模型。再次，数据采集与预警模型连接，实现多发性侵财犯罪的实时预警。此环节所涉及的数据量和计算量都是巨大的，因此需要专业人员进行操作。

(三)人机交互，干预校正

多发性侵财犯罪预警模型与人的关系是相辅相成的。一方面预警模型有利于侦查人员排除人为因素的干扰，得到更为精确客观的预测结果;另一方面，随着时空因素的变换，也需要侦查人员对预警模型进行校对以适应不断变化的犯罪形势。

我国幅员辽阔，因此多发性侵财犯罪由于地域性的差异而呈现出不同的特点。除此之外，同一地域不同时节的犯罪特点也有所不同。这就要求侦查人员在借助多发性侵财犯罪预警模型工作的同时也要根据实时预警的处理结果来进行人机交互，调整系统的算法和结构，以实现多发性侵财犯罪的精确预警。通过定期的人机交互和干预校正，使得多发性侵财犯罪的预警模型能够良性运作。

(四)输出情报，实施预警

针对多发性侵财犯罪的特点，预警模型输出的情报结果主要分为时段预警、区域预警和个案预警。首先是时段预警，即哪个时间段将要发生多发性侵财犯罪。通过给巡逻警察配备移动终端设备，以便及时接受预警结果，然后在此时间段增加巡逻警力和巡逻力度，遏制多发性侵财犯罪的发生。其次是区域预警，即哪个区域将要发生多发性侵财犯罪。借助于大数据预警模型，芝加哥警方将辖区划分为22个警区进行区域预警，使得暴力犯罪下降了22%。再次是个案预警，通过实时数据的分析处理，定位到具体实施侵财犯罪的犯罪分子，然后部署警力，落地查控。

〔1〕赵秉志主编.当代刑法学〔M〕.北京:中国政法大学出版社，2009:619.

〔2〕李蕤.1995—2010年我国多发性侵财犯罪发展演变及侦防对策〔J〕.中国人民公安大学学报(社会科学版)，2012(2):117-124.

〔3〕刘品新.论犯罪过程中的信息转移原理〔J〕.福建公安高等专科学校学报，2003(1):28-35.

〔4〕〔英〕维克托·迈尔·舍恩伯格.大数据时代〔M〕.浙江:浙江人民出版社，2013.