美国“预测性警务”的发展与困境（上）

李皛

一、初衷与萌芽

自20世纪70年代以来，西方发达国家普遍感受到单纯增加警力与加快对案件的响应速度对于维护社会治安和打击、预防犯罪的效果提升已面临显著瓶颈。为进一步提高警务工作的效率，英国警察当局率先提出了“情报主导警务”理念，并迅速传播到美国和其他西方国家。该理念的主旨为警察机关管理层应在尽可能全面掌握辖区执法环境各类情报数据并对之进行精确分析的基础上，更准确地设置任务优先级，并更高效地调动、部署、指挥警察力量以完成警务工作。

“情报主导警务”理念在一些西方国家警察机关得到贯彻后，社会各界对其有效性莫衷一是。但进入21世纪后，随着视频摄像头等各种接入互联网的警用信息采集设备得到广泛部署;应用先进计算机设备的各种自动化工作方法在警察机关日益普及;特别是与“大数据”相结合的人工智能越来越强大，开始具备了卓越的信息识别与分析能力，使得“情报主导警务”在信息化社会的功能升级——“预测性警务”率先在美国提出并得到应用。

早在20世纪70年代，美国国家司法研究所（National Institute of Justice，NIJ）就在“情报主导警务”理念指导下建立了犯罪制图研究中心（Crime Mapping Research Center），开展基于数据科学的犯罪分析与预测方面的研究。20世纪90年代中期，美国落基山国家执法和惩戒技术中心（National Law Enforcement and Corrections Technology Center—Rocky Mountain）開始研究与电子地图相结合的犯罪分析软件，构成了日后“预测性警务”赖以存在的人工智能工具的雏形。1997年，孟菲斯市成为美国国家司法研究所实施以数据科学为导向的《社区安全战略》的五个试点城市之一，孟菲斯警察局与孟菲斯大学犯罪学教授理查德·雅尼科夫斯基（Richard Janikowski）领导的团队合作，通过应用数据科学手段成功在三年内将该市强奸案报案数压低了约40%。2005年，孟菲斯警察局正式开始推行“预测性警务”项目“蓝色镇压”（Blue CRUSH）。同一时期，波士顿、里士满等地的警察部门也开始进行使用历史数据“预测”犯罪的初步尝试，并取得了较好的效果。不过，更具野心和影响力的“预测性警务”实践则在不久后由洛杉矶警察局展开。

在美国国家司法研究所的支持下，洛杉矶警察局开始“预测性警务”数学模型的深入探索，加利福尼亚大学洛杉矶分校等诸多研究机构参与其中。受到信息时代技术进步的鼓舞，部分人类学家和社会学家发展出了“社会物理学”学派。他们相信，人类社会的发展变化和人类本身的思想、行为，与自然界的其他组成部分一样遵循着一系列物理规律，只要掌握足够的信息，就能发现这些规律并对其进行预测乃至控制，这成为“预测性警务”能够实现的理论基础。与洛杉矶警察局合作的人类学家杰弗里·布兰廷汉（Jeffrey Brantingham）博士指出：“人类活动并不像我们想象的那样是随机的……从某种意义上讲，犯罪只是一个物理过程，只要我们能解释犯罪分子如何移动并遇到他们的受害者，我们就掌握了犯罪的全部。”

布兰廷汉博士与洛杉矶警察局合作发起了一个项目，试图使用最先进的数学方法对犯罪模式的基本动态进行建模和测量，并将之转化为实用的软件工具。警方将过去80年内的约1300万个犯罪数据输入大数据犯罪预测模型，利用庞大的数据集展示犯罪热点地区，并预测可能发生犯罪行为的地区。2008年，洛杉矶警察局局长威廉姆·布拉顿（William J. Bratton）公开赞扬了对“预测性警务”的应用和所取得的成效。2009年，美国国家司法研究所主任赞赏了洛杉矶警察局在应用“预测性警务”方面的前沿地位，并鼓励美国波士顿、芝加哥、华盛顿特区、纽约等地警察机关引入该理念和相应的技术工具与警务方法。2010年，布兰廷汉博士与洛杉矶警察局的合作项目发展出“预测警务”（公司名PredPol，取自英语“预测性警务”即“Predictive Policing”的缩写）公司，开始公开推广和出售其研发的“预测性警务”软件，并成为该领域最重要、最具影响力的供应商。这些软件通过特定的算法，通过输入某地区若干年的历史犯罪数据进行“训练”，之后可根据每天输入的有关犯罪类型、犯罪地点和犯罪时间的数据“预测”不同地点发生犯罪的可能性和程度，并以可视化的方式显示在电子地图上，与警官的GPS系统相连，从而实现警力的高效调动和部署。由于布兰廷汉博士与布拉顿局长的高调宣传与美国政府高层的鼓励，“预测性警务”得到美国社会各界的广泛关注，并在多个地区的警察和其他执法机构得到应用，进入了快速发展时期。

二、发展与成效

自孟菲斯和洛杉矶两地警察局的开拓性尝试以来，至少从执法部门的统计数据来看，“预测性警务”在美国警察机关的应用取得了令人鼓舞的成效。孟菲斯市自实施“蓝色镇压”项目以来，与2006年的数据相比，到2010年10月当地犯罪率减少了31%、暴力犯罪率减少了15.4%、劫车率下降了75%、商业抢劫率下降了67%。洛杉矶市自应用大数据犯罪预测模型后的一年内，当地盗窃犯罪减少了33%、暴力犯罪减少了21%、侵财犯罪减少了12%。里士满警察局则自2009年起采用了IBM公司提供的“犯罪洞察和预防解决方案”（IBM Crime Insight and Prevention Solution），在12个月内该地区的暴力犯罪和杀人案件减少近30%。在部署了“预测警务”公司提供的犯罪预测软件后，亚特兰大警察局所辖两个社区的犯罪总量于2013年7月分别下降了8%和9%;诺克罗斯警察局辖区在2013年8月之后短短四个月内盗窃和抢劫案件数量降低了15%～30%;加利福尼亚州阿罕布拉的盗窃和偷车案件数量在2013年1月之后分别降低了32%和20%，并于2014年5月降至历史最低水平。

美国警察机关及其合作伙伴仍在不断寻求拓展各种“预测性警务”工具的有效性及其功能和适用范围。洛杉矶警察局与数据分析公司“帕兰提尔”（公司名Palantir，音译）合作，设计了一款通过收集过去数年间的犯罪者信息，对市民的犯罪风险进行评分的软件系统。部分犯罪学家相信，统计数据显示极少数“重复犯罪者”犯下了绝大多数的刑事案件，故此类系统将对提升警务效率有极大帮助。2011年起，洛杉矶警察局利用这一系统部署了“激光”（LASER）行动，通过将该系统基于人员的犯罪预测与“预测警务”公司软件基于地点的犯罪预测相结合，警方希望能“如激光般精准地瞄准特定地区的暴力犯罪分子和黑社会帮派，进行外科手术般的打击”。根据对该局牛顿分局辖区从2006年1月到2012年6月的持续评估显示，在部署“激光”行动后，当地暴力犯罪平均每月减少5.4起，凶杀案平均每月减少22.6%，且没有迹象表明发生了犯罪转移。芝加哥警察局则获得了联邦政府400万美元的经费支持，与伊利诺伊理工学院合作，自2012年起使用与“激光”项目类似的技术部署了“战略对象清单”（Strategic Subject List）行动，根据历史犯罪记录对市民犯罪或沦为犯罪受害者的风险进行量化评估并在0～500的区间内评分，据此确定警务工作重点。截至2017年，“战略对象清单”的数据库已包含约40万人的评分，其中约29万人因分数超过250而被标注为“高风险”。调查显示，在2016年，该项目评分为500（最高风险等级）的人员中约1/3卷入了枪击或谋杀案件;得分在429及以上的1400人卷入了芝加哥市当年约20%的涉枪暴力案件，显示该行动在预测暴力犯罪方面较高的准确率。

2010年以后，随着大数据时代的到来，美国警察机关有条件利用更为海量和多元化的数据以提升“预测性警务”的准确性和效率。在奥巴马政府“21世纪警务工作队”倡议的框架下，数据科学和信息技术对改善警察效能和提升社区安全方面的潜力得到进一步重视，美国一些暴力犯罪高发的大城市，如芝加哥，建立了使用各种软件系统和专用工具处理来自城市各个角落的传感器所收集的数据的技术中心，并通过“融合”中心机制与其他政府部门实现了数据共享。新的传感器技术，如基于军队使用的狙击手定位装置的枪击声学感知系统（ShotSpotter）等得到迅速推广。纽约市警察局部署了集成联网摄像头、环境传感器、车牌读取器、报警电话记录系统、枪击声学感知系统等数据采集设备的“场域感知系统”（Domain Awareness system），用以支持基于名为“图形化”（Patternizr）的机器学习算法的“预测性警务”应用，根据2017年的评估，经过为期24周的实验，纽约总体犯罪指数下降了6%。

近年来，以神经卷积网络为代表的机器学习算法发展日新月异，推动人脸识别、步态识别、表情识别等人工智能监控技术迅速成熟;微电子技术的进步使具备数据结构化功能的各种信息采集终端快速普及;在现代化国家，人们的日常生活越来越依赖互联网中的数据流动，“预测性警务”的发展具备了前所未有的技术基础和应用前景。然而在此背景下，美国的“预测性警务”不仅没有持续高速发展的势头，反而面临越来越多的争议与质疑，逐渐陷入困境。（未完待续）

（责任编辑：冯苗苗）