算法能否幫助減少犯罪？

喬凡尼·馬斯特羅博尼

我們往往在工作和生活的其他方面遵從習慣的指引。我一般清晨工作效率最高，而且討厭在晚飯后工作。我們的習慣，往往反映偏好、學習或者兩者的結合。

我本人近期的研究結果表明，在遵循習慣方面，犯罪分子與守法公民并沒有多大區別，這可能是經驗、專業化傾向以及相信自己已經制定了理想策略等要素所共同作用的結果。而且在算法這種越來越普遍的工具的協助下，警察部門也正在迎頭趕上。

因為算法利用數據模式來預測未來的行為，它們可以對某人可能在Netflix上喜歡的電影或她可能在亞馬遜上購買的書籍進行預測，也可以協助執法機構打擊犯罪。有些算法可以計算犯人未來累犯的概率，還有些可以支持預測性警務工具。

最復雜、也最著名的預測性警務軟件，基本上源自熱點地圖。上述計劃的運作原則是：近期高犯罪率的地區，很可能擁有更高的短期犯罪率。因此，為遏制最大數量的犯罪分子，執法機構應對這些區域予以重點關注。

盡管研究人員已經證明，上述統計算法比單純的平均值具有更強的預測能力，但證明其實際發揮了減少犯罪的作用要困難得多。警務部門往往在犯罪率高企時采用預測性執法，而其后的犯罪減少可能僅僅反映了與該決策無關的犯罪率自然下降。以區域為重點的警務執法，也可能只是將犯罪轉移到其他地方。

因此，需要更好的反事實場景才能對效果進行恰當的評估：如果不采用預測性警務管理，那么犯罪將會出現什么樣的狀況？

說到偏見問題，預測性警務執法有可能扭曲執法效果并非不可想象。相對貧困地區的犯罪率可能更高，而一旦引入預測性警務執法，那么巡邏密度可能會增強。如果警務資源保持不變，那么貧困地區的犯罪分子相比相對富裕社區的犯罪分子，更有可能遭遇巡邏的警察。

為協助解決效率和偏見問題，我對意大利米蘭所采用的預測性警務執法軟件進行了評估。這讓我確立了一種恰當的反事實狀況：出于歷史原因，米蘭存在兩個目標相同的警務部門，但其中只有一個使用預測性的警務執法。

因為側重于逮捕并同時區分初犯和慣犯，由馬里奧·文圖里開發并在米蘭投入使用的預測性軟件關鍵犯罪（KeyCrime），采用從受害者報告和閉路電視攝像頭那里所收集的信息，將犯罪分子與商業搶劫聯系起來，而后預測特定的個人或團體下一次將在何時何地發動襲擊。KeyCrime生成獨立預測，從而緩解偏見問題。

結果表明，分析慣犯的作案習慣，將使逮捕他們的可能性增加超過一倍。竊賊往往會隨著時間的推移而以類似的手法行事，瞄準特定的社區及商業類型，以及堅持在一天中的特定時間犯罪。舉例而言，此前曾在上午9點搶劫珠寶店的人很有可能會在同一街區，而且大致在同一時間針對另一家珠寶店再次犯罪。該軟件可以凸顯潛在的未來目標，而警務部門則組織巡邏來抓捕盜賊。

事實已經證明，基于單個犯罪團體行為的微觀預測，在打擊搶劫方面十分有效，因此，現在正被拓展到性犯罪和恐怖分子等其他類型的連環犯罪領域。雖然在更大范圍內應用預測性警務軟件可能迫使犯罪分子改變其習慣，從而降低可預測性，但更有效算法和數據搜集過程的發展，為警務部門提供了某些保持樂觀的理由。

“犯罪極為揭示人心，”阿加莎·克里斯蒂曾經寫道，“你可以隨心所欲地改變方法、品味、習慣、思想態度，但你的行為揭示了你的靈魂。”就目前而言，利用犯罪分子的習慣去建立預測個體犯罪的能力，似乎仍是一項不錯的投資。