美國警務大數據：實踐進展、風險議題與政策啟示

王超 宋向嶸

摘? ?要：作為提高執法和問責效率的一種手段，美國警務大數據推動警務實踐從傳統執法活動向現代情報活動轉變，但其在多大程度上改善了警務實踐效果仍是一個開放的經驗問題。文章探討了數據驅動警務實踐的歷史沿革，并從興起背景、數據特征、技術工具以及現實應用等方面闡述了美國警務大數據的實踐進展，考察了美國警務大數據實踐中的四個風險議題，并從數據質量控制、數據安全管理與數據分析技術三方面闡述了其帶來的政策啟示。

關鍵詞：警務大數據;實踐進展;風險議題;政策啟示

中圖分類號：D712.3;G203? ?文獻標識碼：A? ?DOI：10.11968/tsyqb.1003-6938.2019056

American Police Big Data：Practical Progress， Risk Issues and Policy Implications

Abstract As a means of improving the efficiency of law enforcement and accountability， the American police big data promotes the transformation of police practice from traditional law enforcement activities to modern intelligence activities， but to what extent it improves the effectiveness of police practice is still an open empirical issue. This paper discusses the historical evolution of data-driven police practice， and introduces the practical progress of big data in American police from the aspects of its rising background， data characteristics， technical tools and practical applications. The paper examines four risk issues in the practice of American police big data， and then expounds the policy enlightenment from three aspects： data quality control， data safety management and data analysis technology.

Key words police big data; practical progress; risk issues; policy implications

大數據的快速興起和廣泛應用為傳統的情報主導警務（intelligence-led policing）注入了新的活力，并正在重構全新的警務實踐模式。面對復雜多變的城市環境，大數據不僅拓展了警務運行的新思路，創新了犯罪預測的工具，促進了多警務一體化，而且提高了警務決策運行的有效性，發展了相關分析和多角度犯罪控制方法[1]。然而，迄今為止國內外警務系統能否有效利用大數據在實踐證據方面是不一致的[2]。現有研究更多基于“技術導向”和“資源視角”去強調政府大數據的開放性和共享性，圍繞警務大數據的變革性影響和應用價值進行學理闡釋或案例分析，缺乏基于“價值導向”和“風險視角”的警務大數據實踐中風險議題的歸納，以及聚焦于大數據本源風險防控的政策需求的考察。那么，警務大數據究竟在何種程度推動了警務實踐的進展？同時，警務大數據實踐過程帶來了哪些不可忽視的風險議題？而這些風險議題又給警務大數據發展帶來了哪些迫切的政策需求？這些問題的解答對推動警務大數據實踐的良性發展是必要和現實的。為此，本文通過對近年來美國警務大數據實踐的綜合考察來回應以上問題，也為公共安全數據管理理論框架完善和政策優化提供案例洞察和啟發性思考。

1? ?美國警務大數據的發展與實踐

1.1? ? 美國警務大數據的歷史沿革

1967年，美國總統執法與司法委員會在發布的《自由社會中犯罪的挑戰》（The Challenge of Crime in a Free Society）報告中，敦促警務部門在內的刑事司法系統迅速采用信息技術，以提高其執法的效率、效果和公平性。他們預言“只要我們能在適當的時間向有需求的警官提供適當的信息，我們就能在犯罪挑戰方面取得重大進展”[2]。20世紀60年代以來，美國警務主要是以隨機巡邏、快速反應和事后調查[3]為基本特征的執法模式。但后來人們愈發意識到，被動式的警務戰略對犯罪控制幾乎沒有影響[4]。在接下來的十年中，研究人員積極發展數學模型和拓展數據需求，以實現警務資源與犯罪時空數據的合理配置。這表明警務部門開始探索利用數據和計算等新的方式來提高警察的執法績效。然而，這一時期的數據太粗糙，存儲成本高，跨數據庫不可訪問，無法完全實現數據驅動的警務愿景。20世紀80年代早期，面對被動戰略在減少犯罪方面的無效證據，逐漸發展起來一種更積極主動的、以問題為導向的警務戰略，即“熱點警務”（hot spots policing）。尤其是1994年，CompStat——一個將犯罪和執法統計數據聯系起來的警務管理模式在紐約市出現[5]，意味著以數據驅動為顯著特征的美國警務新模式的初步形成。但是這種模式仍然是低效的，難以實現警務活動的犯罪預測、快速響應和信息實時共享。其中，“9·11”事件就被廣泛視為公共安全界情報共享失敗的一個案例，這推動了“情報主導警務”的進一步發展[6]。它促進聯邦、州和地方執法官員聯合起來改進刑事司法數據收集和信息共享的方式，加速了過去相互獨立的監視系統融合為“監視組合”，同時也推動了監視的擴大化和合法化[7]。2008年美國開始探索“預測警務”（predictive policing）這一新的執法理念，旨在以“先發制人”式的干預措施來實現警務活動的基本目標。其中，犯罪情報分析就是一種典型意義上的基于大數據的情報應用，是在預測模型中使用大數據技術以更高的分辨率和更高的精準度來預測和預防犯罪。自2012年美國政府正式啟動“大數據研究與發展倡議（Big Data Research and Development Initiative）”計劃以來，美國預測警務得到極大的重視與發展。同時，警務大數據在問題導向、警力資源優化配置、風險因素主動預測、警務決策科學等方面也表現出巨大的潛力。

1.2? ? 美國警務大數據的興起背景

大數據驅動新一輪美國警務系統的改革與發展有其必然性。從警務實踐來看，財政約束、執法效率不足與問責制是促使美國警務采取大數據驅動的重要原因。首先，在2008年之后，金融危機導致的預算削減壓力，迫使美國多個地區社區警務的執法行動面臨停止。在執法資源有限的情況下，有效解決犯罪問題并合理控制成本就變得尤為重要;其次，對犯罪行為的情報需求刺激了可以滿足需求的信息技術的創新[8]。面對傳統執法低效的長期困境，大數據監測的大規模實施推動了美國警務部門以前所未有的廣度和深度去監測個體、組織和環境中的潛在風險。如，最大的預測性警務公司Predpol采用的算法中運用來自警務部門信息管理系統的犯罪地點、類型和時間數據，以預測可能的犯罪行為[9];再者，密蘇里州等地警察的執法暴行和種族歧視行為導致公眾對警察的不滿情緒日益高漲。數據驅動的警務有可能成為一種問責機制，以應對組織行為可能面臨的批評，其作用在于承諾減少自由裁量和執行更客觀的決策，并增加執法過程的透明度[7]。如監督人員可以跟蹤警員的績效指標，包括暴力率、受傷率、與少數群體的接觸率和投訴率，并將異常值標記出來[2]。因此，美國政府發布的《白宮警察數據倡議（2015）》（White House Police Data Initiative（2015））認為，數據驅動的警務是應對公眾對全國各地警察部門種族歧視行為指責的一種解毒劑。另外，社會媒體工具承載的大量數據正在改變政府機構與公眾以及新聞媒體之間的溝通模式。如警務部門可以借助Twitter來傳播犯罪和事件信息，并分享有關部門的活動或會議、交通更新和安全信息，甚至使用Twitter直接與公眾互動[10]。可以說，公開的警務數據有助于促進社區犯罪分析，產生創新性觀點，提高社區公眾對警察工作的理解，并減輕了信息回應的負擔[2]。

1.3? ? 美國警務大數據的數據特征

警務大數據體現了當前城市公共安全大數據多源海量異構的基本特征，即體量大、傳速快和多樣性。首先，警務大數據幾乎都是基于區域的全量數據進行的預測分析，涉及到數據采集、存儲和計算的體量都遠超于傳統數據規模。而且，各種傳感器和警用攝像頭等每天都實時產生海量數據，如100臺攝像機每天產生約1 TB的數據;其次，存儲技術的進步和高速無線網絡的融合意味著數據的高速傳輸。一方面傳感技術、云存儲技術的采用使得獲取數據的成本顯著降低，數據訪問更容易，使用更復雜更準確的模型去分析大型數據集成為可能[2];另一方面長期演進（Long Term Evolution，LTE）無線網絡技術對警務數據產生了變革性的影響，它提供高傳輸率和支持設備以每小時220英里的速度移動[11]。有了這些技術支持，警務部門就能夠部署更多的數據設備以實時收集和傳輸數據;再者，美國警務部門獲得了前所未有的新數據源，不僅包括社會個體數據、團伙數據、歷史犯罪數據、地理環境數據，還有網絡媒體數據以及私人購買數據等。正如成本下降促進了警察存儲和傳輸數據的能力一樣，數據標準的出現也促進了警察從多個來源融合數據的能力。美國警務大數據基本實現了整合不同機構的數據系統，促使警察能夠訪問和使用的數據大幅增加。如帕蘭蒂爾（Palantir）警務平臺集成了不同的數據源，甚至包括購買的私人收集的資料，使跨數據庫快速搜索成為可能。另外，社會媒體得到了普遍重視，成為警務部門分析人們習慣、觀點和行為的重要數據來源。除此之外，警務大數據還具有分辨率高、系統的可擴展性好以及價值密度低等特征。

1.4? ? 美國警務大數據的技術工具

為了在適當的時間將有關人員和地點等信息呈現在有需求的警察面前，警務大數據技術要支撐多源數據采集、傳輸、清洗和整合，建立數據挖掘分析模型，實現信息的聚類、關聯等分析，并以時空序列、熱點分布、關聯關系等可視化的形式展示。這里重點介紹警務大數據在數據采集和分析方面所應用的重要技術工具。

（1）數據采集技術工具。根據數據的來源不同，警務大數據技術大致可分為三類數據采集工具：一是自動采集物理環境數據的系統，即一系列用于實時信息訪問和大規模跟蹤的技術，包括各類攝像頭、自動車牌閱讀器、射頻識別、智能終端、傳感器等泛在網技術，實現對監測目標的信息采集與狀態識別，并通過云技術將數據傳送到遠端數據庫[12]。如自動車輛定位（AVL）系統是一種定期、頻繁地傳輸車輛位置信息的技術。而且，總統21世紀警務工作組建議執法部門擴大視頻采集程度，特別是利用隨身攜帶的攝像頭[2];二是警務部門主動搜集的數據，主要包括現場采集卡、點系統和社會媒體分析等。其中，點系統（point system）是一種量化警務形式，它在很大程度上是對傳統監測做法的量化概括。分析人員每天從巡邏隊、假釋合規部門、現場采集卡、交通引證、釋放拘押表格、犯罪和逮捕報告以及歷史犯罪數據中收集情報，以生成“慢性罪犯”列表，每個人都被賦予一個點值，并給出一個排名。另外，警務部門還將話語分析和情感分析應用到Twitter和Facebook等社交媒體數據中，以發現社會中持續或潛在的威脅[13];三是警務部門還通過信息化手段采集來自于其他行政系統的調查數據以及獲取涉及違法行為的網絡數據。

（2）數據分析技術工具。美國預測警務中的犯罪情報分析主要運用統計學的基本知識和技術方法，將犯罪數據與社會人口統計、時間、空間等數據進行關聯分析，來發現犯罪數據中的“非線性關系”[14]。也就是說，大數據方法不是依靠個人經驗，而是通過查看幾乎所有現有數據，并使用計算機算法識別可疑的活動模式，或者揭示犯罪嫌疑人之間未知的聯系[13]。當前，美國預測警務主要采用機器學習算法對采集的數據進行分析，匯聚概率、統計等多學科知識來實現犯罪預測的目標。在具體實踐中，警務部門與專業企業建立了深度合作關系。如成立于2004年的大數據分析公司Palantir已經發展成為執法和情報機構匯編和分析海量多源數據的主要平臺之一。Palantir平臺允許警察通過標記過程對結構或非結構的數據內容（如電子郵件、PDF和照片）進行可視化展示，鏈接對象和實體以識別新出現的關系，如人員、電話號碼、地址、執法報告以及呼叫服務數據等。同時，通過時空維度數據的社會網絡分析來展示不同時間段犯罪集群的分布變化已成為警務實踐的普遍手段。社會網絡分析的基本分析單位包括兩個人之間的聯系，其關系包括多種形式，如毒品交易關系、受害者與罪犯之間的通話記錄等。在具體執法活動過程中，這些技術工具可以組合使用，如將車牌識別系統與社會網絡分析結合，可用于發現與警察關注的目標汽車在時間和空間上相關聯的其他車輛[13]。

1.5? ? 美國警務大數據的具體應用

（1）紐約警察局（NYPD）：區域感知系統。紐約市警察局成立于1845年，是目前美國最大和歷史最為悠久的警察局，負責紐約市5個區的警力部署及案件調查。紐約警察局所運用的區域感知系統（Domain Awareness System ，DAS）是大數據警務應用的典型例子。該系統采用先進的監測技術，整合了國防部的大量數據源，并將這些數據提供給一線警員用于制定預防犯罪的戰術。該系統包括音頻槍擊探測器和環境傳感器收集的大量數據，還有20億個車牌讀數、1億次傳票、5400萬次911電話、1500萬次投訴、1200萬份偵探報告、1100萬次逮捕、200萬份逮捕令和9000臺攝像機30天的視頻等[15]。警察通過DAS可以直接與911呼叫者聯系，而不是通過調度員作為中間人進行傳遞。警察還可以針對與其職責相關的問題定制警報，提取有關他們前往地點的歷史信息，以便提前了解有關限制令、精神健康問題和逮捕令等信息[2]。

（2）洛杉磯警察局（LAPD）：自動車牌閱讀器。洛杉磯的戰略提取和恢復計劃（LASER）項目始于2011年，由“智能警務倡議”資助。作為一項國家倡議，它鼓勵地方警察部門和研究人員使用循證和數據驅動的策略。其中，自動車牌閱讀器（ALPR）作為一種常規性監視工具，它讀取每個人的數據，而不僅僅是那些受到懷疑的人。安裝在巡邏車上的攝像頭和交叉路口的固定自動車牌閱讀器攝像頭為每輛通過其視線的汽車拍攝兩張照片，一張牌照照片和一張汽車車體照片，每秒可讀取多達50個牌照，并記錄日期和GPS坐標。ALPR數據可以為警方提供一張城市車輛分布的直觀地圖。ALPR系統讀取掃描結果，并將其與“熱門列表”進行比較，“熱門列表”是包含有關被盜車輛、違規停車和恐怖分子監視列表等信息的車牌數據。

（3）芝加哥警察局（CPD）：熱點名單。芝加哥警察局利用社會網絡分析產生一個備受爭議的主題清單，其中列出了被認為有可能成為暴力犯罪的受害者或犯罪者的群體。根據過去五年中是否與某個兇殺案受害者共同參與行動，芝加哥警方預測某個人成為兇殺受害者的可能性[2]。芝加哥警察局使用“熱點名單”來集中其預防性警務工作。計算機分析會權衡與此人相關的風險因素，如一個人的犯罪記錄表、他的逮捕令或假釋狀態、使用武器或毒品記錄，以及可能的暴力傷害等。在“熱點名單”上的人會被警告如果他從事犯罪活動，將導致法律后果。名單上的人還被告知，他們也有可能成為受害者，而不僅僅是犯罪者。但事實上，那些收到“定制通知”的人并不總是明顯的暴力犯罪者，這可能是他們與兇殺案受害者的社會聯系密切提高了警方對他們的風險評級。

2? ?美國警務大數據實踐中的風險議題

當前，公共部門的挑戰在于如何理解、管理和有效利用這些價值與風險并存的數據[16]。根據風險社會理論的觀點，由于現代性具有自反性（Reflexivity），大數據的出現也可視為一種新興風險[17]，其應用過程中伴隨著由數據本身所產生的本源性風險。2019年1月，世界經濟論壇（WEF）發布的《全球風險報告（2019）》（The Global Risks Report）顯示，網絡攻擊和數據泄露等技術性風險已成為全球五大風險之一。隨著大數據在當今社會活動中的不斷滲透，其越來越多地被用作公共決策和治理的基礎和依據，這一過程中由于警務大數據自身錯誤和扭曲等原因導致的后果可能非常嚴重，數據質量、隱私安全、價值爭議等問題已經成為大數據時代警務新的風險議題。

2.1? ? 數據質量問題：警務臟數據

大數據之所以具有巨大的價值是建立在其客觀中立的假設基礎之上。這些數據不受政治意識形態和社會制度的影響，數據質量反映了有關社會和經濟關系的固有真相，從而為政策和實踐提供了有力的實證證據[18]。然而，在許多司法管轄區，很多數據管理系統都是建立在有缺陷的、有種族偏見的，甚至是在一些非法行為和特殊政策期間產生的數據之上。這些警務實踐和特殊政策塑造了創建數據的環境和方法，從而增加了產生不準確或系統性偏差數據（“臟數據”）的風險[19]。如因偏見、腐敗等因素而產生的同意法令、備忘錄等數據帶有偏見性。生活在低收入、少數民族地區的個人，其“風險”被量化的概率比那些在更有利的社區（警察不通過點系統的監視）更高[7]。而且，大數據工具使用的信息也可能是被隱藏的警察自由裁量權的產物。如警務信息官員通過現場采集卡收集他們在街上遇到的人的信息，但是采集卡不太可能均勻或隨機的分布。一旦轉換成數據，這些信息即被認為是中立和客觀的，即使它們是警員個人自由裁量決定的產物[13]。

2.2? ? 數據風險問題：隱私與安全

在大數據環境中，社會組織和個體在日常生活中為越來越多的警務數據貢獻著力量。當前，美國預測警務將保護公民隱私作為其執法的前提，要求警方在收集和使用個人隱私數據時，必須遵守美國第四修正案（Fourth Amendment Law）及相關公民隱私權法案的規定[14]。但事實上大數據聚合和分析涉及的一個關鍵安全問題是，收集和處理大量有關組織和個人的敏感信息，以及知識產權、商業秘密和財務信息[20]。一方面，對于警務系統而言，電子數據庫構成了當代刑事司法運作的神經系統，但從這些數據庫中產生錯誤的風險并不小，廣泛的、相互聯系的電子信息集合的不準確性引起了社會對個人隱私的特別關注[21];另一方面，警察使用大數據挖掘作為調查方法可能會干涉普通公眾的隱私權，實時犯罪中心的權力和絕對集中的監視引起社會公眾對自身安全的普遍擔憂[22]。因此，當美國警方使用大數據挖掘的調查方法實際上干預了公眾的隱私權時，僅僅實施監視就可能抑制公眾自由表達、行動和非常規行為的能力，即使沒有實施拘留或逮捕等執法行為，監視也可能具有侵入性。

2.3? ? 數據價值問題：有效性的爭議

雖然已有實踐彰顯了警務大數據在提高執法效率和配置警務資源方面的巨大價值，但數據驅動將在多大程度上提高警務系統的效率并減少偏見，這仍是一個開放的經驗問題[7]。盡管技術不斷進步，但自1967年總統執法與司法委員會報告發布以來，暴力犯罪和財產犯罪的犯罪清除率仍然頑固地固定在45%左右[23]。目前，一些大數據分析系統不但沒有填補執法部門的技術空白，而且創造了新的制度需求[7]。對于數據的依賴也可能阻礙了警察根據常識進行預測判斷的能力。如根據歷史數據繪制的犯罪地圖可能會導致更多的人因居住在有色人種為主的社區而被捕。這些影響是技術本身的產物，即使使用它的警察部門有責任感也可能發生。預測性警務系統在多大程度上產生了這些歧視性結果，公眾和警察本身都不清楚[24]。也就是說，預測分析的使用有可能在技術上重新定義偏見并加深現有的不平等程度。而且，預測算法可能將使一些潛在偏見持續下去。如盡管白人和非裔美國人以同樣的程度使用大麻，但非裔美國人因持有大麻而被捕的可能性是白人的3.73倍，因為許多預測算法實際上依賴于先前的逮捕或定罪記錄[25]。而且，如果技術能夠消除警察判斷力的一些不良使用（如種族偏見），對其過度依賴也有可能削弱警察的正常判斷力，這包括警察掌握的社區事件狀況，而這些經驗性判斷并不依賴于數據采集。

2.4? ? 數據法律問題：公平與自由裁量權的標準

警務大數據對現有的警察活動的法律框架構成挑戰。執法部門使用大數據的法律含義跨越了刑事、憲法、行政和隱私法[9]。在法律層面，允許警方究竟在多大程度上挖掘大數據，應該由誰做出相關決定，以及應該如何監督大數據調查方法同樣是經驗性問題。隨著更多數據傳感器和分析平臺被納入執法行動中，警方越來越多地利用與案件沒有任何直接聯系的個人數據。這些創新所涉及的法律風險在很大程度上仍然沒有受到法律界的審查[21]。新技術通過降低成本和提高警察識別可疑人員的能力，改變了傳統監督的自由裁量權。自由裁量權的擴大引發了有關警察監督和處置公平的重要法律和政策問題，尤其是涉及到警察自由裁量權和問責制這些關鍵性問題。大數據工具似乎提供了對信息的客觀分析，但基于自由裁量權的人類決策可以在大數據中以隱藏的方式發揮重要作用。個體或組織使用大數據工具進行決策都會涉及到自由裁量權，如采用哪種數學模型，使用哪些數據，以及如何顯示這些數據等，他們還將決定如何和在何處應用大數據工具。

3? ?美國警務大數據風險議題的政策啟示

盡管精算量化的方法已存在于刑事司法系統中近一個世紀，但數據驅動的決策在最近幾十年才被系統地納入執法實踐[7]。隨著情報機構對大規模監視和大數據挖掘全球性討論的深入展開，如今規范警務大數據的應用勢在必行[26]。美國警務大數據風險議題的提出意味著，要更好地發揮警務大數據的價值，在追求數據分析技術進步的同時，不能忽視政策法律甚至倫理道德對警務大數據實踐的規制和指導。美國警務大數據風險議題盡管是源自美國實踐的特殊問題，但其在世界范圍內都不同程度地存在著，因此也可以看作是警務大數據應用的共性問題，這使得數據管理本身成為新的政策需求，對我國正在展開的相關實踐來說，同樣具有政策啟示意義。

3.1? ? 加強數據采集的源頭治理，防范人為因素導致的風險問題

（1）制定明確的數據采集規范，從源頭上保障數據采集質量。目前我國《網絡安全法》對數據采集有相關規定，但該法對警務數據信息采集權的規定并不明確[27]。在采集標準上，急需制定專門的數據采集規范，建立統一的數據采集、錄入和審核標準。在采集主體上，需要規定數據采集的主體范圍，并確立數據質量主體責任。除了政務部門的信息采集官員外，還要重新審視第三方參與數據采集與供給的相關規定[7]，加強行業自律審查，建立數據授權和保護機制。在采集內容上，明確數據采集需求和采集范圍之間的關聯。其中如何規定數據采集行為所涉及的公民隱私保護問題仍然是相關政策亟待回應的重點。

（2）規范數據采集與使用行為，防范數據采集使用過程中人為因素導致的風險問題。在數據采集與使用中，個體偏見、歧視、操作失范等人為因素會引發數據失真、數據使用不當等問題，影響執法的公正性與效率，但目前我國警務數據實踐尚缺乏對這一問題的足夠關注。除建立數據采集規范和相關標準之外，應在制度上加強警員的數據質量意識和數據素養培訓，對數據造假、數據欺詐等行為建立懲罰機制。同時，應建立數據使用方面的倫理規范，對警員的數據使用行為進行倫理審查。

3.2? ? 構建數據安全管理保障體系，加強數據管理系統的風險評估

（1）出臺專門的警務數據安全管理政策，彌補當前相關政策法規的不足。從現有實踐看，我國數據安全管理政策主要集中在科學數據公開共享、政務數據開放等方面，應結合警務數據安全管理的特殊性和具體需求，整合現有相關政策規定，構建一整套警務數據安全管理的政策和標準，并進行政策試點和實施效果評估。數據安全立法要加強不同生命周期階段的數據保護，明確數據的采集、傳輸、訪問權限和使用流程，實施對使用主體行為的績效考核。同時，制定數據安全風險的應急預案，開展數據安全應急演練。

（2）構建數據安全管理的技術支撐體系，利用大數據技術來增強數據管理的能力和水平。需要建立健全數據安全防護體系，加強警務大數據防攻擊、防泄漏、防竊取等安全防護技術手段建設，強化數據安全監測、預警、控制和應急處置能力。

（3）定期開展數據管理系統的風險評估。警務數據管理系統的安全性與其承載數據的安全息息相關。美國2012年發布的《網絡安全法案》和2013年發布的《聯邦信息安全管理修訂法案》都提出了通過持續監測政府信息系統的脆弱性，定期開展威脅評估和安全措施有效性評估，以確保政府網絡信息安全的思路[28]。其中，數據安全管理系統的評估主要是定期、持續地通過訪談、檢查等方法對數據的完整性、保密性以及災備能力等方面的保障措施進行風險評估，防范系統在軟件、硬件、協議等多方面存在的未知的漏洞隱患，并對發現隱患進行及時整改。

3.3? ? 強化數據分析技術的可靠性，促進警務決策在經驗與數據之間的平衡

（1）通過多主體合作來提升技術開發力度，增強數據分析結果的可靠性。技術創新有助于開發更為精準的犯罪預測模型，優化警務大數據挖掘的關聯分析，降低技術因素導致的風險問題，從而實現從低價值密度的海量數據中提取出滿足警務需求的情報信息。如大數據已經能夠測量出存在的種族偏見，而適當的預測算法設計可以避免偏見因素，或者調整數據來抵消其歧視效應[25]。我國警務部門應從政策上推動警務部門與科技型企業、學術機構以及社會組織的互動關系，共同開發更加精準的犯罪預測算法和理論模型，加強數據脫敏、數據審計、數據備份等，從而推進大數據預測的實施效果。另外，大數據分析算法在使用方法上應該是透明的，以增加算法的可信度和中立性[24]。

（2）探索組織決策在經驗和技術工具之間的平衡。現代警務活動不僅是大數據技術驅動的結果，而且還是多領域知識推動的復雜過程。警務人員不僅需要關注大數據分析的結果，而且還需要根據適當的經驗知識將分散在不同系統中的大數據與過程分析聯系起來，以便于提供支持證據和做出決策[29]。因此，在警務實踐中不能“唯數據導向”，數據并不完全是中立和客觀的，尤其是涉及道德和倫理問題時，需要從政策上處理好個體自由裁量權和技術工具使用之間的平衡問題。

4? ?結語

作為公共安全數據管理的一個應用領域，美國警務大數據在取得實踐進展的同時，其風險議題的提出顯示了制度建設對技術進步反應的滯后性，使數據管理政策成為警務大數據實踐的現實需求。這需要政策制定者在數據采集規范、數據安全管理以及技術研發支撐上予以相關政策內容的響應。毫無疑問，實現大數據價值與大數據本源風險之間的平衡是具有挑戰性的，需要合理考量技術理性與價值理性，綜合運用法律、政策、倫理、技術、標準、管理等手段進行治理。本文僅基于美國警務大數據實踐，側重從政策角度對這一具有共性的風險議題作了一般性回應與思考，還需要立足我國本土化實踐進展與風險議題的特殊性，通過頂層設計、部門協同和社會參與，進一步探討警務數據管理的制度安排問題，促進我國數據驅動的警務實踐的發展。

參考文獻：

[1]? Leng J，Li G.Big Data-driven Predictive Policing Innovation[C].2018 7th International Conference on Energy，Environment and Sustainable Development（ICEESD 2018）.Atlantis Press，2018.

[2]? Ridgeway G.Policing in the era of big data[J].Annual Review of Criminology，2018（1）：401-419.

[3]? Sherman L W.The rise of evidence-based policing：Targeting，testing，and tracking[J].Crime and justice，2013，42（1）：377-451.

[4]? Braga A A，Weisburd D.Policing problem places：Crime hot spots and effective prevention[M].Oxford University Press on Demand，2010.

[5]? Weisburd D，Mastrofski S D，McNally A M，et al.Reforming to preserve：Compstat and strategic problem solving in American policing[J].Criminology & Public Policy，2003，2（3）：421-456.

[6]? Ratcliffe J H.Intelligence-led policing[M].Routledge，2016.

[7]? Sarah Brayne.Big Data Surveillance：The Case of Policing[J].American Sociological Review，2017，82（5）：977-1008.

[8]? Ratcliffe J.Intelligence-led policing and the problems of turning rhetoric into practice[J].Policing & Society，2002，12（1）：53-66.

[9]? Brayne S.The Criminal Law and Law Enforcement Implications of Big Data[J].Annual Review of Law and Social Science，2018，14：293-308.

[10]? Heverin T，Zach L.Twitter for city police department information sharing[J].Proceedings of the American Society for Information Science and Technology，2010，47（1）：1-7.

[11]? Doumi T，Dolan M F，Tatesh S，et al.LTE for public safety networks[J].IEEE Communications Magazine，2013，51（2）：106-112.