美國“預測性警務”的發展與困境（上）

李皛

一、初衷與萌芽

自20世紀70年代以來，西方發達國家普遍感受到單純增加警力與加快對案件的響應速度對于維護社會治安和打擊、預防犯罪的效果提升已面臨顯著瓶頸。為進一步提高警務工作的效率，英國警察當局率先提出了“情報主導警務”理念，并迅速傳播到美國和其他西方國家。該理念的主旨為警察機關管理層應在盡可能全面掌握轄區執法環境各類情報數據并對之進行精確分析的基礎上，更準確地設置任務優先級，并更高效地調動、部署、指揮警察力量以完成警務工作。

“情報主導警務”理念在一些西方國家警察機關得到貫徹后，社會各界對其有效性莫衷一是。但進入21世紀后，隨著視頻攝像頭等各種接入互聯網的警用信息采集設備得到廣泛部署;應用先進計算機設備的各種自動化工作方法在警察機關日益普及;特別是與“大數據”相結合的人工智能越來越強大，開始具備了卓越的信息識別與分析能力，使得“情報主導警務”在信息化社會的功能升級——“預測性警務”率先在美國提出并得到應用。

早在20世紀70年代，美國國家司法研究所（National Institute of Justice，NIJ）就在“情報主導警務”理念指導下建立了犯罪制圖研究中心（Crime Mapping Research Center），開展基于數據科學的犯罪分析與預測方面的研究。20世紀90年代中期，美國落基山國家執法和懲戒技術中心（National Law Enforcement and Corrections Technology Center—Rocky Mountain）開始研究與電子地圖相結合的犯罪分析軟件，構成了日后“預測性警務”賴以存在的人工智能工具的雛形。1997年，孟菲斯市成為美國國家司法研究所實施以數據科學為導向的《社區安全戰略》的五個試點城市之一，孟菲斯警察局與孟菲斯大學犯罪學教授理查德·雅尼科夫斯基（Richard Janikowski）領導的團隊合作，通過應用數據科學手段成功在三年內將該市強奸案報案數壓低了約40%。2005年，孟菲斯警察局正式開始推行“預測性警務”項目“藍色鎮壓”（Blue CRUSH）。同一時期，波士頓、里士滿等地的警察部門也開始進行使用歷史數據“預測”犯罪的初步嘗試，并取得了較好的效果。不過，更具野心和影響力的“預測性警務”實踐則在不久后由洛杉磯警察局展開。

在美國國家司法研究所的支持下，洛杉磯警察局開始“預測性警務”數學模型的深入探索，加利福尼亞大學洛杉磯分校等諸多研究機構參與其中。受到信息時代技術進步的鼓舞，部分人類學家和社會學家發展出了“社會物理學”學派。他們相信，人類社會的發展變化和人類本身的思想、行為，與自然界的其他組成部分一樣遵循著一系列物理規律，只要掌握足夠的信息，就能發現這些規律并對其進行預測乃至控制，這成為“預測性警務”能夠實現的理論基礎。與洛杉磯警察局合作的人類學家杰弗里·布蘭廷漢（Jeffrey Brantingham）博士指出：“人類活動并不像我們想象的那樣是隨機的……從某種意義上講，犯罪只是一個物理過程，只要我們能解釋犯罪分子如何移動并遇到他們的受害者，我們就掌握了犯罪的全部。”

布蘭廷漢博士與洛杉磯警察局合作發起了一個項目，試圖使用最先進的數學方法對犯罪模式的基本動態進行建模和測量，并將之轉化為實用的軟件工具。警方將過去80年內的約1300萬個犯罪數據輸入大數據犯罪預測模型，利用龐大的數據集展示犯罪熱點地區，并預測可能發生犯罪行為的地區。2008年，洛杉磯警察局局長威廉姆·布拉頓（William J. Bratton）公開贊揚了對“預測性警務”的應用和所取得的成效。2009年，美國國家司法研究所主任贊賞了洛杉磯警察局在應用“預測性警務”方面的前沿地位，并鼓勵美國波士頓、芝加哥、華盛頓特區、紐約等地警察機關引入該理念和相應的技術工具與警務方法。2010年，布蘭廷漢博士與洛杉磯警察局的合作項目發展出“預測警務”（公司名PredPol，取自英語“預測性警務”即“Predictive Policing”的縮寫）公司，開始公開推廣和出售其研發的“預測性警務”軟件，并成為該領域最重要、最具影響力的供應商。這些軟件通過特定的算法，通過輸入某地區若干年的歷史犯罪數據進行“訓練”，之后可根據每天輸入的有關犯罪類型、犯罪地點和犯罪時間的數據“預測”不同地點發生犯罪的可能性和程度，并以可視化的方式顯示在電子地圖上，與警官的GPS系統相連，從而實現警力的高效調動和部署。由于布蘭廷漢博士與布拉頓局長的高調宣傳與美國政府高層的鼓勵，“預測性警務”得到美國社會各界的廣泛關注，并在多個地區的警察和其他執法機構得到應用，進入了快速發展時期。

二、發展與成效

自孟菲斯和洛杉磯兩地警察局的開拓性嘗試以來，至少從執法部門的統計數據來看，“預測性警務”在美國警察機關的應用取得了令人鼓舞的成效。孟菲斯市自實施“藍色鎮壓”項目以來，與2006年的數據相比，到2010年10月當地犯罪率減少了31%、暴力犯罪率減少了15.4%、劫車率下降了75%、商業搶劫率下降了67%。洛杉磯市自應用大數據犯罪預測模型后的一年內，當地盜竊犯罪減少了33%、暴力犯罪減少了21%、侵財犯罪減少了12%。里士滿警察局則自2009年起采用了IBM公司提供的“犯罪洞察和預防解決方案”（IBM Crime Insight and Prevention Solution），在12個月內該地區的暴力犯罪和殺人案件減少近30%。在部署了“預測警務”公司提供的犯罪預測軟件后，亞特蘭大警察局所轄兩個社區的犯罪總量于2013年7月分別下降了8%和9%;諾克羅斯警察局轄區在2013年8月之后短短四個月內盜竊和搶劫案件數量降低了15%～30%;加利福尼亞州阿罕布拉的盜竊和偷車案件數量在2013年1月之后分別降低了32%和20%，并于2014年5月降至歷史最低水平。

美國警察機關及其合作伙伴仍在不斷尋求拓展各種“預測性警務”工具的有效性及其功能和適用范圍。洛杉磯警察局與數據分析公司“帕蘭提爾”（公司名Palantir，音譯）合作，設計了一款通過收集過去數年間的犯罪者信息，對市民的犯罪風險進行評分的軟件系統。部分犯罪學家相信，統計數據顯示極少數“重復犯罪者”犯下了絕大多數的刑事案件，故此類系統將對提升警務效率有極大幫助。2011年起，洛杉磯警察局利用這一系統部署了“激光”（LASER）行動，通過將該系統基于人員的犯罪預測與“預測警務”公司軟件基于地點的犯罪預測相結合，警方希望能“如激光般精準地瞄準特定地區的暴力犯罪分子和黑社會幫派，進行外科手術般的打擊”。根據對該局牛頓分局轄區從2006年1月到2012年6月的持續評估顯示，在部署“激光”行動后，當地暴力犯罪平均每月減少5.4起，兇殺案平均每月減少22.6%，且沒有跡象表明發生了犯罪轉移。芝加哥警察局則獲得了聯邦政府400萬美元的經費支持，與伊利諾伊理工學院合作，自2012年起使用與“激光”項目類似的技術部署了“戰略對象清單”（Strategic Subject List）行動，根據歷史犯罪記錄對市民犯罪或淪為犯罪受害者的風險進行量化評估并在0～500的區間內評分，據此確定警務工作重點。截至2017年，“戰略對象清單”的數據庫已包含約40萬人的評分，其中約29萬人因分數超過250而被標注為“高風險”。調查顯示，在2016年，該項目評分為500（最高風險等級）的人員中約1/3卷入了槍擊或謀殺案件;得分在429及以上的1400人卷入了芝加哥市當年約20%的涉槍暴力案件，顯示該行動在預測暴力犯罪方面較高的準確率。

2010年以后，隨著大數據時代的到來，美國警察機關有條件利用更為海量和多元化的數據以提升“預測性警務”的準確性和效率。在奧巴馬政府“21世紀警務工作隊”倡議的框架下，數據科學和信息技術對改善警察效能和提升社區安全方面的潛力得到進一步重視，美國一些暴力犯罪高發的大城市，如芝加哥，建立了使用各種軟件系統和專用工具處理來自城市各個角落的傳感器所收集的數據的技術中心，并通過“融合”中心機制與其他政府部門實現了數據共享。新的傳感器技術，如基于軍隊使用的狙擊手定位裝置的槍擊聲學感知系統（ShotSpotter）等得到迅速推廣。紐約市警察局部署了集成聯網攝像頭、環境傳感器、車牌讀取器、報警電話記錄系統、槍擊聲學感知系統等數據采集設備的“場域感知系統”（Domain Awareness system），用以支持基于名為“圖形化”（Patternizr）的機器學習算法的“預測性警務”應用，根據2017年的評估，經過為期24周的實驗，紐約總體犯罪指數下降了6%。

近年來，以神經卷積網絡為代表的機器學習算法發展日新月異，推動人臉識別、步態識別、表情識別等人工智能監控技術迅速成熟;微電子技術的進步使具備數據結構化功能的各種信息采集終端快速普及;在現代化國家，人們的日常生活越來越依賴互聯網中的數據流動，“預測性警務”的發展具備了前所未有的技術基礎和應用前景。然而在此背景下，美國的“預測性警務”不僅沒有持續高速發展的勢頭，反而面臨越來越多的爭議與質疑，逐漸陷入困境。（未完待續）

（責任編輯：馮苗苗）