警务视角下的大数据思维原理与融入

熊建英

（江西警察学院 安全管理系，江西 南昌 330003）

一、大数据背景下警务变革

（一）公安信息化历程

在信息化发展的大背景下，公安工作划为四个阶段，即“传统警务、信息警务、数据警务、智慧警务”，相应的信息化发展历程也可划分为三个阶段（如图1所示），其中在IT阶段通过计算机信息系统大大提升了警务工作的效率；在DT阶段实现利用大数据汇聚开展警务情报分析研判工作；而在AI阶段，则更多的是基于大数据的预测促进警务发展。

图1 公安信息化发展阶段

IT阶段具有标记性的事件是2003年正式启动的“金盾工程”，该工程完成了公安信息网络基础设施的建设和架构、基础信息采集、警务工作信息化流转等，提高了社会资源共享、公安信息资源综合利用水平。在DT阶段，2013年通过云计算为公安大数据处理提供了存储、运算、展示的基础平台。2014年将大数据技术服务于公安实战，历经数年在数据资源共享、系统整合和信息深度应用上取得了实质性提升。有了云计算提供的算力支持，互联网、物联网等发展带来的大数据整合，为从大数据中获取大价值提供了技术保障，进一步推动了智慧警务的发展[1]。目前，公安部科技信息化局对大数据智能化建设推进方案进行了详细部署，用于指导多省市的大数据规划设计，形成全国统一战略。

（二）公安大数据应用有待提高

公安部门正面临各类监管数据呈几何增长和高频流动，这就使得公安人员在信息利用方面还有待提高[2][3]。

一是在数据资源采集方面。目前，很多网络数据都不能实现智能化的自动采集，也有不少民警对原始数据的敏感度不够，忽略数据质量，导致很多数据质量较低，无法保证完整性、一致性，为进一步价值挖掘带来困难。

二是在数据融合创新方面。目前，在数据处理过程中主要还是以查询、统计等传统分析方法为主，运用数据建模实现深度挖掘能力偏低，无法满足警务实战的需要。数据的运用需要民警办案经验、大数据、IT技术的融合，能否找到技术与业务的契合点，这就需要办案人员具有相应的思维能力。

三是在大数据应用方面。目前，很多民警在数据应用上数据思维能力不强，往往依靠传统经验开展个案的因果分析，不能应对新情况。而大数据时代，侦查治理需要从个体思维转向总体思维、因果思维转向相关思维、自然思维转向智能思维。

二、大数据思维概念

（一）数据理念

人们习惯按经验、感性思维对事物进行判断，这种思维方式不够严谨、理性，容易出错。香浓在信息论中将信息定义为一种对不确定的随机性的消除，而数据是信息的载体，如果获取的数据越多，对事物了解的维度也将越多，从而可以更好地消除不确定，做出准确的决策[4]。过去由于技术限制无法采集、存储、处理大量数据，只能进行数据抽样分析，认识事物会存在很大误差。而在大数据时代，可以方便、快捷、动态地获取研究对象相关的海量数据，为了更全面、立体、系统地认识事物，思考方式也应该从感性思维转向更理性的数据思维。

在利用大数据认识世界的同时，需要重构对数据的理解。首先，需要高质量的数据，因为收集数据的目的是要产生价值，大数据的大是反映事物的信息维度多，但并非数据越多越好，无用的数据只是垃圾。阿里首席数据运营师车品觉提出，盲目地收集不但不会给企业带来价值，也承担着数据收集与管理成本[5]48-53。其次，大数据需要管理和利用，大数据是真实世界的刻画，在力求数据真实的同时，收集的大数据要合理利用，从数据中挖掘有价值的规律，尊重数据，用数据作为管理决策的重要依据。最后，大数据需要构建一整套优良的数据驱动流程。

表3为两种运营模式下的运营时间对比。由表3可知，采用站站停运营模式时，13号线全线运营时间为82 min，因本线客流平均运距超过常规地铁，且直达客流较多，客流特征适应性较差。因此，有必要对快慢车组合运营进行研究。

（二）大数据思维由来

数据思维被认为是“企业管理的第一思维”。人的思维是对事物认识的高级阶段，是人脑活动的内在程序，是一种习惯性思考问题和处理问题的模式，涉及看问题的角度、问题分析的层次和方法，对人的行为模式产生直接影响。恩格斯曾经提出：每一个时代的理论思维，都是一种历史的产物，它在不同的时代具有不同的形式，同时具有完全不同的内容[6]。数据驱动方法从20世纪70年代开始起步，数据思维需要人们尊重事实、遵循理性、遵守逻辑、追求精确等，强调“数据胜于事实、用数据说话、数据产生价值”等观念[5]48-53。互联网出现后，可用的数据量剧增，数据驱动方法的优势越来越明显。由于各个领域数据不断向外扩展，使得数据开始出现交叉，各个维度的数据从点和线渐渐连成了网，数据之间关联性增强，也就形成了大数据[7]。而大数据思维则是大数据时代的产物，即具有数据思维的一般共性，也由于自身所特有的4V属性（如图2所示，即数量大、种类杂、速度快、价值密度低），在思维方式上呈现出独有的特征。《大数据时代》将大数据思维方式归结为三点：利用全体数据替代随机样本，允许数据的混杂性而不追求精确性，分析事物采用相关关系代替因果关系[8]。

图2 大数据的4V特征

三、警务视角下的大数据思维原理

警务人员需要培养与之相适应的大数据思维习惯，下面从警务工作视角介绍大数据思维原理。

（一）数据核心原理

大数据思维下，“流程”核心转变为“数据”核心，这是当前IT产业的变革，计算框架转变为以大数据存储、计算为核心的范式，数据成为智能化的基础。公安信息化建设也向“数据核心”转变。过去公安信息系统依靠存储、数据库、应用三层传统的架构，按工作流程构建信息系统。现在则更关注数据整合利用，综合利用大数据、云计算、人工智能、物联网的新技术，在云的框架下实现大数据存储和计算。

（二）数据价值原理

大数据的意义在于“有用”，从数据中获取知识，基于大数据形成的决策可以为组织创造新的价值。而实现数据转换为价值需要把业务问题定义成一个可分析的数据问题，数学上是一个回归分析问题，是从自变量数据X中找到因变量数据Y之间的关联，实现从数据到价值的转变[5]48-53。例如，对某P2P网贷平台风险进行评估，希望得到价值风险值Y，就需要很多数据X来评估。这些可以被利用的数据包括P2P网站平台、公司工商信息、法律诉讼、网络舆情、政府公开信息等多维数据，将一套通过机器学习获得的或通过经验构建的计算规则运用于这些可被观察的数据，也就实现了从数据到价值的转换。

（三）全样本原理

从抽样中得到的结论往往是片面的，数据量越大，更能全面反映客观事实，得到的结论更接近事实。例如，以前想要知道某条路段的交通拥堵情况，可以抽样一周路面的车流量数据，再推断一般路面情况。但是，这个被抽样的数据不一定能代表整体，可能出现很多不确定性，有可能受其他路段临时管制影响、受天气影响等。但现在交管部门具有存储和处理大数据的能力，可以从年度、月度、周、天、时段等更多维度展示某一路段的交通特征，从更全面的样本观察规律和态势。甚至可以将交通信息在地图上进行动态展示，这些信息可以有效、有针对性地支撑交通管理决策的制定。

（四）关注效率原理

大数据的使用让关注精度转变为关注效率。大数据标志着人类在寻求量化和认识世界的道路上前进了一大步，过去很多不可计量、存储、分析和共享的信息都被数据化了，如声音、行为等。大数据思维有点像混沌思维，确定与不确定交织在一起，数据的规律具有高概率、高关联度的特征，这并不是一种精确的对应关系。例如，挖掘隐性吸毒人员时，如果某些人员出现异常行为，如出入特定场所、从事某些职业、与吸毒人员来往密切等，挖掘模型会计算出这些人员可能吸毒的概率。只要大数据分析指出可能性，公安机关便可以此为依据做出预警响应。

（五）关注相关性原理

大数据思维模式下，因果关系转变为关注相关性。关注相关关系，是指关注数据之间表现出来的关联性。很多时候可以利用大数据的强关联性替代因果性，从而快速找到解决问题的方法。例如，英国通过大数据缩小恐怖分子排查范围。恐怖分子破坏极大，也难以监控。很多学者都希望可以提前把他们筛选出来，但通过通信、资金往来的监控难以找到有效的筛选方法。而英国经济学家霍斯利通过大数据发现恐怖分子不买保险，他在传统的行为监测中添加了这个条件，把怀疑范围大大缩小，警方也根据这一线索抓获恐怖分子。不能说不买保险的人就是恐怖分子，但大数据表明恐怖分子与购买保险具有强相关性。从这一相关性出发，可以很快找到筛选的方法。大数据的相关性分析可以更快速找到解决问题方案，可以先知道结果，然后再倒推原因，逆向推理也可以建立逻辑关系因果链条。

（六）预测原理

预测是大数据的核心，计算机会将数学算法运用到海量数据上，从而预测事情发生的可能性。2002年电影《少数派报告》上映的时候，预测犯罪还是科幻电影里的情节。但是，到了大数据时代，现在越来越多的案例表明犯罪预测成为可能。在洛杉矶，警局就从历史大量案件的数据中挖掘特征和规律，来预测犯罪高发的地区，合理安排警察巡逻。这种大数据分析预测成功地降低了辖区内的犯罪率，预测警务也成为大数据警务的热门领域。

（七）信息找人原理

大数据让人找信息转变为信息找人。在互联网的发展进程中先是人找信息，如通过搜索引擎找到自己所需的信息。但现在很多情况是网络根据用户偏好，将信息推送给相应的人，这也是智能交互时代的转变。“信息找人”就是通过大数据挖掘，把信息推荐给人。公安领域就是由案情到人的思维方式，通过大数据挖掘出案件线索，再落地到现实中的人。例如，通过监测互联网大数据发现涉恐线索，再将这些线索与涉恐人员、涉恐事件信息库比对，落实嫌疑人。

（八）机器懂人原理

大数据让人懂机器转变为机器懂人。以往操作计算机的是专业人员，而现在即使用户毫无计算机专业基础，仍然可以使用机器。在警务工作中，大数据应用不是抬高技术门槛，让用户望而却步，而是打造更适合用户的数字化环境。如警务平台要减少民警操作步骤，要设计更简洁清晰的操作界面，要适应警务人员的工作习惯。

四、警务工作中大数据思维的融入

在警务视角下，大数据思维是指通过数据化的整体性思维对数据资源、警务模式、犯罪治理、管理决策进行重新审视，以构建多源异构的大数据管理为基础，通过数据采集、整理、分析研判，从海量数据相关性中快速洞见情报信息，从多维信息中消除不确定性，从而让数据驱动警务运作的思维方式[2]。推进警务大数据深度应用关键要让大数据思维贯穿于案件侦查、社会治理等警务工作中。从不同的驱动角度分析思维与警务工作融合，典型类型如表1所示。

表1 警务工作中大数据的主要分析类型表

（一）侦查类分析

大数据侦查类分析是一种案件驱动的被动分析模式，这也是警务工作中最为常见的分析方法，适合于刑侦、经侦等案件侦查。基于大数据背景下的侦查分析，需要在办案过程中结合案件相关信息，依托各类应用系统进行查询、分析、比对等，从而获取或挖掘出案件线索，为案件侦查提供方向、思路和方法[9]。由于犯罪活动相关的信息与社会信息相交织，嫌疑人在案前、案中、案后的每一个行为都可能被现代电子产品所记录下来，关键线索信息也隐藏在各类数据中。通过对犯罪嫌疑人遗留在犯罪现场的痕迹物证的搜集，通过现场视频人像、DNA、指纹、被害人等信息关联出多种数据。利用大数据思维方法引导，从大数据相关性原理出发将侦查假设、逻辑推理与数据相结合，依托网络各类数据资源平台进行关联分析，利用大数据多维信息做证据的交叉验证，用信息找人原理，从数据痕迹确定嫌疑人身份和位置等（如图3所示）。

（二）治理类分析

图3 侦查类数据分析范例

大数据治理类分析是以数据驱动的主动分析模式，通过相关性分析、对关键元素进行统计分析，可以更有效、更智能、更精准地支持治理决策，适用于社会警务、治安防控等[10][11]。在社会治理方面，通过大数据技术提升公安机关社会治理的智能化水平，包括采用全样本原理分析事物整体规律、预测性原理感知风险隐患，主动实现风险预测、犯罪防范等。例如，在服务群众方面，采用机器懂人的思维原理，通过数据分析有效预测群众办事的热点时间、热点事务等，科学安排警力，优化服务流程。在交通管理方面，通过全样本原理和预测原理分析交通数据，可以预知交通流量、重点交通区域与拥堵情况，合理疏导。在社区治理方面，可以结合常驻人口和流动人口、发案时间与地点、作案特征等信息做相关性和预测性分析，从而优化小区安防，加强巡逻，加大安全宣传，预防犯罪发生（如图4所示）。

图4 治理类数据分析范例

（三）目标研判类分析

大数据目标研判性分析是一种以明确目标为驱动的数据主动分析模式。围绕某个对象搜集相关大数据，构建行为特征，通过机器学习建立智能预测模型，实现对目标行为的综合研判、预测、预警[12][13]。这类分析适用于监测重点人口、重点行业、某类犯罪活动等。例如，在重要节日安保方面，可以通过对各种流量数据进行监控，有针对性地加强安保巡逻，提前规避一些重大公共安全事件的发生。在重点人口管理方面通过大量行为数据分析，对异动风险进行预测预警。将行为数据与重点人员数据库相比对，如对涉稳群体的异常交通数据实时监测，对其行为趋势进行分析，研判风险级别，提前做好风险应对（如图5所示）。

图5 目标研判类数据分析范例

社会已经全面数字化、网络化，大数据虽然不是万能的，但在现代社会是不可或缺的。大数据思维原理可以归纳为：引用尽量全面的数据，从多维混杂的数据中进行相关性分析预测。大数据思维是一种可以贯穿人们工作生活，辅助处理问题的能力。从警务工作中数据分析的利用来看，传统的思维在改进，智能分析化程度在提高。随着大数据警务的发展，警务工作也从案件驱动更多转变为数据驱动、目标驱动；由被动分析转化为主动分析；由简单的查询，转为大数据关联分析、模型化智能分析。