金泽刚
(同济大学 法学院，上海 200092)
近些年，城市化发展催生了公共安全与犯罪问题。从“犯罪控制”到“犯罪治理”，人们对犯罪的多元认识在不断深化。事实证明，犯罪治理不能总是跟着犯罪跑，而是要力争将防线前移，提前预判，早防、早打、早治。而随着信息化时代的到来，信息网络技术催生了新型犯罪，使传统犯罪向信息化“转型”。相较于传统犯罪预测的“人工主义”“经验主义”，信息化犯罪预测更能挖掘容易被人忽略的细节，实现精准、智能评估。犯罪治理信息化对犯罪预测提出了更高的期待。人类与犯罪作斗争的实践证明，犯罪是多种因素交互影响的结果。犯罪虽然是一种社会运动，其规律具有复杂性，不同于自然运动的绝对规律性，但不可否认的是，犯罪规律仍然是客观存在的，也是可能认识的。比利时统计学家Quetelet曾通过统计分析发现，在一定的社会中, 犯罪具有相对的稳定性, 犯罪率以及犯罪形势则具有相对固定的反复规律[1]。如此，犯罪预测就成为一种可能，并被运用于实践之中。
具体说来，犯罪预测的基本内涵是通过运用一定的技术方法，结合已有的与犯罪相关的数据、资料等，研究犯罪的过往与现状，探究犯罪发生、发展的规律，以推测未来整体的犯罪态势以及个体的犯罪风险，并进行犯罪预警的过程。传统犯罪预测，只能依靠小规模数据以及人工、启发式探索，或简单的数学计算作出预测判断。因为数据较少，复杂程度也较低，此时的犯罪预测是低成本的，多局限于较小辖区范围内。到了现代社会，各种数据的数量呈几何倍数增长，犯罪预测分析开始借助计算机硬件设备和复杂的数据分析系统，使在犯罪行为发生之前预测犯罪成为可能。计算机基本能力包括自然语言处理、知识表示、自动推理、机器学习、计算机视觉以及机器人学等。这些能力均改变着当前的犯罪预测方式。例如，计算机的知识表示能力可以存储犯罪预测所需要的数据，通过自动推理，运用存储的数据来回答问题，便于得出犯罪预测结论；
而机器学习更专注于算法，不需要编程，并在结合新数据时进行更改，在犯罪预测时即可基于算法所预设的基础，重新组织已有的知识结构，不断改善自身的性能，实现精准预测。随着经济高速增长，我国信息化技术发展已迈入新阶段，新阶段主要以物联网和云计算为代表，这两项技术掀起了计算机、通信、信息内容的监测与控制的4C革命(1)在自动化系统中应用了现代计算机技术(Computer)、现代控制技术(Control)、现代通信技术 (Communication)及现代图形显示技术(CRT),即4C技术。4C电子产品是Computer计算机产品、Communication通信产品、Consumerelectronics数码家电、COM网络产品的简称。比传统3C电子产品多出COM(网络)类目。。
信息技术应用于犯罪预防，这既是犯罪学上对犯罪存在的价值形态、发展规律的研究和应用，也是将它们不断转化为数字、代码的过程。在信息化语境下，犯罪预测本身的范式已发生变化，这种变化既属于新技术的融入以及新的应用，也是犯罪预测应对新时代的必要改变。总体而言，信息化犯罪预测依赖信息技术功能在“未违法、未犯罪、未再犯罪”时对未来犯罪、可能犯罪的趋势进行先知先觉式的预知、预判，使犯罪治理能够提前介入、适时干预。在当今信息化浪潮引领下，犯罪预测不仅是西方发达国家犯罪治理的热点问题，也是我国社会治理信息化的重要组成部分。
在斯皮尔伯格2002年导演的科幻电影《少数派报告》中，警察可以预测犯罪细节，提前赶到现场，制止犯罪。虽然现在还没有人做到精确预测未发生罪案的细节，但预测哪里会发生罪案、谁更有可能犯罪已被用在警方的执法过程中。今天，通过智能摄像机扫描面部，利用基于AI的人脸识别技术进行预测分析，以提前预测罪犯，这一切都真实发生了。得益于科技的发展和进步，欧美发达国家犯罪预测系统起步较早，为我们提供了很多可资借鉴的经验。
(一)美国犯罪预测系统
美国是犯罪预测领域的“先驱者”，20世纪初就十分重视警务装备的现代化，并已基本形成一套跨区域、跨部门、跨行业的现代化信息数据共享、各体系协同作战的警务信息体系。20世纪90年代，美国提出情报导向警务战略，依托信息技术，由警察局主导预测系统研发及运用。1994年，纽约市警察局就推行了Computer Comparison Statistic系统(后简称Compstat系统)，即比较统计数据模式。Compstat系统摆脱了依赖数据随机收集和911报警电话的被动局面，开始依靠电脑建立犯罪数据库，并进行深度分析。Compstat系统不仅仅需要建立信息网络系统，还需要建立一套与之相适应的信息化工作体制和管理体制。据美国司法部调查显示，2004年美国已有58.2%的警局已经或正在应用Compstat模式。Compstat模式的核心特色要素是四个基本的构成原则，即准确及时的情报、有效的战略战术、迅速的人员资源部署以及持续的后续追踪评估行动。
美国洛杉矶和芝加哥警局使用的预测犯罪软件系统是 PredPol，该软件能通过官方渠道，从每个部门的记录管理系统(RMS)中实时获取提要来收集犯罪类型、位置和时间，从而为预测引擎提供反馈[2]。PredPol犯罪预测系统根据历史犯罪活动统计数据，借助算法预测最可能发生犯罪案件的时间、地点和类型。其设计原理来源于地震预测软件，认为犯罪会像地震一样短时间内在原来发生犯罪案件的地点再次发生同类案件。该系统能够每天为不同的值班和任务创建预测，极大地提高了出警效率。洛杉矶警察局的Foothill分局从2013年1月至2014年1月的预测犯罪数量下降了20%，并且在2014年2月13日实现了一整天无犯罪发生。阿罕布拉市警察局的报告说明，自2013年1月部署犯罪预测软件以来，入室盗窃率下降了32%，车辆失窃率下降了20%。2014年5月被报告是该市历史上犯罪率最低的一个月[3]。亚特兰大警察局的两个社区的犯罪总量于2013年7月分别下降了8%和9%；
诺克罗斯警察局在2013年8月之后的短短4个月内涉盗窃和抢劫案件的数量下降了15%—30%；
阿罕布拉市的盗窃和偷车案件数量在2013年1月之后分别下降了32%和20%，且该市的犯罪率于2014年5月降至历史最低水平。到2015年年初，美国已经有60个警察局采用PredPol系统，且效果十分明显[4]。
PredPol系统的运作基础是城市内安装的摄像头以及声音感应器，这些设备获取的数据通过犯罪预测计算机算法，预测犯罪多发地点。在每次运算结束后会呈现一张犯罪热点地图(即通过运算得出在城市中哪些区域属于犯罪多发地，随时计算、随时得出结果)，并可同步到警务人员的电子设备上。这一模式可以提高警务人员的工作效率，通过地面巡逻减少犯罪发生。不仅有地点范围，PredPol系统还可分析人的危险程度。这种分析与预测的算法会将是否有犯罪史、居住地等信息作为考虑因素。PredPol系统得到的犯罪主体预测结果十分详尽，包括排名前20的嫌疑人的基本信息，甚至可以具体到其实施犯罪的百分比。根据PredPol系统名单，警方可以提前对这些危险程度较高的人进行心理咨询及治疗，以降低其实施犯罪的概率。
在美国暴力犯罪最严重的城市之一田纳西州的孟菲斯市还有一个犯罪预测系统，即Blue Crush系统，它是通过对已发生犯罪的时间、地点等历史数据进行分析，来预测未来犯罪发生的时间、地点。该系统于2005年投入使用，系统预测得出的时间与地点为警察巡逻提供了重点街区，以便警察提早制定战术，并在特定地点采取行动。该系统使用后，孟菲斯市的犯罪率显著下降。“犯罪洞察和预防解决方案”则由IBM公司研发，其基本模式是整合犯罪数据，分析、发现线索，预测犯罪高发区域，并进行相应的警务部署。犯罪数据包括案件报告、警务电话信息等。其独特之处在于可以通过警方不同部门的协同工作，将多数犯罪控制在轻罪阶段。在里士满，警察局自2009年开始应用IBM的“犯罪洞察和预防解决方案”，之后的12个月里，该地区的暴力犯罪和杀人案件减少近30%[5]。
在公司领域，利用人工智能预测网络攻击的美国Cylance公司是估值10亿美元以上的“独角兽”，其人工智能反病毒软件“CylanceProtect”可以有效预测网络攻击的发生。Ionita提出了一种利用数据挖掘进行网络入侵检测的多智能代理方法[6]。Kumar和Reddy基于人工智能技术，为无线网络开发了一种独特的基于代理的入侵检测系统，该系统从不同的节点收集信息，并利用这些信息与进化的AIS 来检测无线网络的入侵，并用于网络犯罪预防[7]。Barman和Khataniar进行了基于神经网络系统的IDSS的开发，他们所提出的系统在发现DDOS攻击时的检测速度相较于其他系统至少要快20.5倍[8]。可见，美国的信息化犯罪预测水平居于世界最前沿。
(二)英国犯罪预测系统
英国比较有特色的犯罪预测系统为英国国家情报模式下的情报核心分析系统(ICAS)，该系统主要分为以下几个环节：规划和指导—收集—加工—分析—传递，其中第二个和第四个环节较为重要。情报收集环节采取国家情报模式，每个地方虽然设有情报部门，但由国家犯罪情报局统筹情报收集，协调统一，保证情报收集的完整性。对于情报分析环节，为了满足情报分析工作量不断增加的需要，英国政府投入了大量人力、财力。其中对专业人员的要求十分严苛，必须精通计算机技术、通信技术，掌握安全防控等相关知识，以适应犯罪形势的诸多变化。此外，英国对情报分析结果应用得很充分，以警务情报产品推动警务工作的开展，形成了信息通畅、高标准化的警务管理机制。此外，还有一点比较特殊，即英国情报机构的跨境协调。在英国脱欧前，英国情报机构与欧盟存在广泛的合作，英国情报机构可与欧洲警察署共享数据库和信息、提供风险报告等。
英国警方在2018年提出了新的AI系统，即国家数据分析解决方案(NDAS)，它利用AI软件分析数据评估个人持枪或刀犯罪的可能性，同时还可以评估个人成为犯罪受害者的概率。NDAS系统是在英国警务部门资金紧缺的背景下应运而生的，该系统可以监视所有已知个人，并优先追踪急需注意的一小部分。该项目负责人伊恩·唐纳利表示，这样做的目的不是为了预防性地逮捕任何人，而是要为当地的治安和社会工作者提供支持。即针对被NDAS系统锁定的最需要干预的人员，及时为他们提供咨询服务、社会或医疗帮助，以避免他们真的犯罪。虽然其他国家警察也使用软件测定犯罪临界值，但NDAS的功能性在世界范围内都遥遥领先。因为该软件囊括了多达8支警察力量的数据库，其中包括伦敦和大曼彻斯特地区警方的数据，这样的数据库集合在全世界范围内是首例。根据警方的数据库，该软件已经能够识别多达5万人，而且已经发现1400个可以帮助预测犯罪的指标，例如一个人单独犯罪或与他人共同犯罪的次数等。在这些统计数据的基础上，该系统的自主学习功能还可以预测和评估某个人未来犯罪的风险，并分配一个危险系数，提示未来出现攻击行为的可能性。
(三)德国、意大利犯罪预测系统
德国犯罪预测系统中也相对成熟、知名的是区域犯罪预测，包括对场所、社区、城市中的犯罪现象进行预测，评估犯罪发生的趋势，为犯罪治理提供前提。德国Precobs软件是区域犯罪预测的“典范”，利用已发生犯罪的数据，分析位置、时间、事件、行为以及细节等，来查找“高风险”区域。该系统中犯罪区域预测大致包括如下步骤：一是通过对以往犯罪的观察与分析，定义检测重复犯罪的标准；
二是计算在逆向分析中已经检测到的近来重复数据出现的区域，并创建空间预测。通过逆向模拟测试标准和计算的区域，查看所选假设是否有效。当这些区域记录了新的触发要件时，将创建预测(警报)，以安排警察的执法活动[9]85。
意大利的 KeyCrime 是一家软件预测公司，其预测逻辑是：犯罪者有他们行动的一套范式，如果他们在某一地区进行了抢劫犯罪并且得手，他们更倾向于在该地点附近再次作案。KeyCrime 调用的是警方的犯罪嫌疑人数据，结合被抢劫的商店地点、摄像头里拍摄的犯罪嫌疑人的动作、携带的武器，来分析这个罪犯的危险程度，更重要的是，分析他跟附近犯罪案件有没有什么别的关系，如果有，他的下一宗犯罪可能发生在什么时间和区域[10]。
(四)日本犯罪预测系统
日本在2016年由京都警方从美国NEC公司引入预测性犯罪防御系统，通过大数据分析京都地区过去10年超过10万件的街头犯罪案件和性犯罪案件的发生时间和地点，预测下一个可能发生类似犯罪的地点。到了2018年，日本神奈川县警方投入4800万日元，对过去的110万件犯罪案件进行数据挖掘和深度学习，预测犯罪可能发生的时间和地点，当事人的性别和年龄等。此外，日本东京警视厅也开发出一套名为Digital Police的手机软件，供国民免费下载使用。软件中介绍了在诈骗犯罪中经常出现的诱骗词句，以提高国民的防骗意识。不仅如此，只要用手机定位，用户所在区域的实时犯罪情况就会出现在首页，包括抢劫等犯罪和可疑人员的信息。用户还可以自主添加一些评论。将犯罪信息通过社交软件形式公布，而且是采用可视化的手段，不仅可以提高公众的警惕性，还可以提高公众的参与度和公众对警方工作的满意度。在我国近年来的全民反诈行动中，这些措施完全可以参考。
日本的日立公司也自行研发了日立可视化犯罪预测分析系统(PCA)。这个系统不仅运用历史犯罪数据，还搜寻地图信息、天气信息、交通信息、报警信息等来预测何时、何地可能发生犯罪行为。其中比较有特色的是充分利用社交媒体数据，且通过实践证明，这一要素可使犯罪预测成功率得到显著提高。由于社交推文中可能包含地点信息，因此系统通过LDA模型，可以筛选并提取可能发生犯罪的特殊地点信息，作为防控犯罪的依据。如此海量的数据，完全依靠机器学习，找出容易被人类忽略的可疑行为，不需要人来衡量哪些因素重要以及有多重要。而且PCA系统充分应用可视化技术，提高交互界面质量，以不同图标代表不同犯罪类型，以数字百分比代表案件发生的可能性。这样就更直观地为系统用户提供了犯罪预测分析的结果。
(五)以色列犯罪预测系统
以色列一家科技公司也研发了一款Faception软件。该软件可基于人脸识别技术进行个性分析预测，其核心也是计算机视觉和机器学习技术。通过收录不同的分类，对视频流、相机和线上线下数据库中的脸部图进行编码，将个体与各种人格特征和类型进行匹配，以此对个体是否有犯罪倾向、是否为潜在的恐怖分子进行预测。面部分析系统不同于面部识别系统的简单数据库匹配，而是通过软件识别有可能实施恐怖活动犯罪的人，即使这些人并没有记录在官方的数据库中。在2015年巴黎恐怖袭击事件后，Faception软件对涉案的11名恐怖分子进行面部识别，在没有档案的情况下，将其中的9人都标记为潜在恐怖分子，显示出了该软件在预测潜在的恐怖分子方面具有较高的准确率。
相较于以往的犯罪预防偏重于经验运用，近年来兴起的大数据犯罪预测，运用统计学、心理学和计算机科学等方法，明显提高了犯罪预测的准确度和科学性。走在信息化前列的上述国家，均实行信息化犯罪预测，开始使犯罪预测数字化、平台化、体系化，这标志着犯罪预测呈现出新的发展趋势，预测信息化进入新的阶段。
一是从宏观预测到微观预测。犯罪预测的内容包括宏观与微观两个方面。犯罪宏观预测，需要对整体及个罪的犯罪率进行统计，分析犯罪率、犯罪主体、犯罪手段等整体上的变化趋势及原因。在以上犯罪统计、分析的基础上，对犯罪率的升降、犯罪区域、犯罪重点人群以及犯罪手段的变化作出科学预测，并提出行之有效的对策，为预防犯罪政策及措施的制定提供依据。比如，在犯罪治理过程中,相较于犯罪行为，应更加关注犯罪人。而域外一些国家在种类繁多的犯罪主体类别中,更加重视相对于强势群体的弱势人群。比如，相对于成年人的未成年人。弱势群体是由于某些障碍及缺乏经济、政治和社会机会而在社会上处于不利地位的人群[11]。在犯罪预测过程中，应将他们作为犯罪预测的重点人群进行单独研究，把握其特点，加以识别和预测。这不仅有利于对少数重点人群的犯罪进行预防，而且对整个社会的治理以及刑事政策的制定都具有积极意义。
不过，当下宏观预测已不是域外犯罪预测的主流趋势，犯罪的发生和发展既有其一般规律，又有其特殊规律，进行犯罪微观化的个体预测是现阶段防控犯罪更有效的手段。犯罪个体预测是指掌握犯罪人的个人基本情况、思想品格与人格、心理素质等，具体分析犯罪的原因及条件，统计各类犯罪具有规律性的手段、时间及地点。在以上分析基础上，及时对具体对象在已经形成或即将形成的某些条件下可能发生的犯罪行为以及犯罪手段、时间、地点作出预测。进行犯罪微观预测的理论依据是犯罪的种类及其时空分布的规律性。时空因素是制约人类活动的环境基础，随着时空因素的改变，主观情感、客观行为也会发生相应的变化。总之，人类的一切精神活动和实践行为都具有显著的时间和空间属性。犯罪作为人类反映其思想和精神活动的实践行为，也相应地具有时空特性。从应用角度而言，有关这方面的研究有助于根据时间和空间因素，分析犯罪分布状况、犯罪类型等特征，把握犯罪活动的时空规律；
也有利于选择适宜的时机和地点，采取正确的犯罪预防措施。当然，宏观预测为微观预测提供基础和方向，微观预测是具体目标。犯罪预测是先有宏观预测，在此基础上再实现微观预测，二者并不能完全割裂开来。
二是从经验主义到数据主义。域外犯罪预测已很少有经验预测的踪影。从20世纪三四十年代开始，迈向现代化的国家就开始逐步完善通信网络等设备，为之后建立现代化警务系统提供基础框架，并开始重视数据的积累。比如美国国家信息中心19世纪末就存储了上亿个犯罪人员的详细信息；
英国某团队在研发预测软件时，从当地和国家的警方数据库中收集了基础单位非常宏大的数据，包括人们被禁止和被搜查的记录以及犯罪记录，数据涉及数百万个体。到了20世纪80年代，电子信息技术迅猛发展，警务人员不再满足于机械的书面定期报告，开始转变思维方式，逐步构建起以动态数据为基础的电子警务系统。以美国为代表的发达国家都已认识到，如果一个国家拥有足够多的优质数据和数据挖掘能力，那么相应的综合国力也就得到了提升。这样的认知代表着犯罪预测已经从经验主义走向了数据主义。当然，数据主义是对经验主义的继承和发展，而不是全盘否定。数据主义的两大主要阶段为数据的采集和分析，数据采集阶段虽然基本上没有人类经验的渗透，但是数据分析阶段的算法模型等就不可避免地渗透着数据挖掘者的意图。以前受技术限制，只能观察和收集有限的犯罪数据，并以此为基础，运用理性经验归纳犯罪发生的一般规律，是一种知识驱动的经验主义。在信息化条件日渐成熟之后，算法模型的建立仍然需要数理逻辑理论的支撑，其实质上是对大量数据的归纳, 具有传统经验主义的特征。只是当数据量足够大时，对理论模型的依赖会越来越小，在特定“公式树”的作用下，数据的自动化运算才能得出预测结论。
随着“互联网+”“智慧化+”深入社会生活的各个方面，我国犯罪预测的实践也开始活跃起来。有的地方还实现了本土化的创新尝试。如上海市奉贤区人民检察院探索开发了“刑事犯罪风险预警与动态预测系统”，该系统以检察环节执法办案数据为基础,在科学构建指标体系、设置权重的基础上,自动计算并动态评估特定区域的刑事犯罪风险等级,为预防打击犯罪、网格化管理等提供决策支撑。然而，从我国城市犯罪治理的过程来看，犯罪预测总体上尚未形成系统化规模，未形成一个专门的犯罪治理环节，也未出现知名的犯罪预测系统，呈现的是不同领域、不同部门“自我预测”的零星松散态势，犯罪治理更多只是依附于打击犯罪的惩罚性措施。目前，我国的犯罪预测在犯罪治理体系中没有发挥应有的作用，除受刑事政策、管理思维等因素的制约外，犯罪预测的信息化水平不高也是重要原因。我国犯罪预测亟待借力智慧城市建设，嵌入犯罪治理的全过程，特别是要在预测理念更新、预测理论应用与深化、预测基础条件、数据收集分析及其整合利用等多方面实现信息化转型发展。
(一)犯罪预测的理念更新
迈入高质量发展阶段的犯罪治理应树立整体性、长周期的治理观，倡导精细化治理理念以及总结、固定典型案例的成功模式[12]。犯罪治理涵盖“本体、过程与效果”等基本范畴，效果范畴之理念革新表现为建立科学的犯罪治理预测机制[13]。城市犯罪预测同样是犯罪治理效果范畴的理念革新内容。伴随着信息技术的发展，以犯罪预防为核心的犯罪治理策略，与数据技术、规律以及分析捆绑在一起，对特大城市犯罪预测理念的转变提出了创新要求。
一方面，犯罪预测理念对“长周期”提出要求。囿于相关技术，传统犯罪预测的实施受诸多因素制约，尤其是各种信息的收集能力有限，这就不难理解为什么传统办案机关只能将精力向“要案”及“要案侦查”倾斜。哪怕存在犯罪苗头，对个体或团体进行犯罪预测，也仅限于预测短期行为或相对宏观的层面。但随着大数据技术的发展，以及规则体系、方法的更新，个体及团体的信息被监控记录、财务审计、上传以及多元监督等，使“长周期”数据供给机制构建成为可能。另一方面，犯罪预测理念对“精细化”提出要求。虽然数据信息有“长周期”供给基础，但是这些数据信息在不同情形下难免存在瑕疵。例如，虽有算法用以整理各处收集的信息，但在整体上这些数据信息的“粗糙性”不可避免。受技术、人力等限制，传统特大城市犯罪预测主要针对大范围、宏观方面进行，如预测特定区域范围内总体犯罪率升降、犯罪手段变化等情况。大数据之下，犯罪预测也将开始向更微观方面转变，进而精准到特定个体与团体，这是“精细化”的必然要求。犯罪治理的思维由传统犯罪分析的“侦查学”思维，向大数据犯罪分析的“犯罪学”思维转变[14]102—107。
(二)犯罪预测理论的应用与深化
科学的犯罪治理与预测，离不开对数据及分析技术的创新，也需要对理论的清晰认知与深化解读。一直以来，近重复理论与风险地形建模是犯罪预测主要模型，近重复理论旨在“识别和解释某些犯罪表现出的在同一地点产生重复犯罪活动的现象”。该理论认为，一旦特定地点发生犯罪，统计学上该地点和附近区域发生犯罪的可能性就增大。在发生首次犯罪后的短时间内，附近环境将可能遭遇其他类似的犯罪事件[9]84—91。在财产类犯罪尤其是盗窃罪中，近重复理论在大多数情况下被验证。相对应，信息化犯罪预测可以在这种理论的框架和规律中完成代码式、数字化的转化。犯罪预测常被西方学者称为“旧把戏、新技术”，其中也反映了变与不变，变化的是技术的嵌入，不变的是理念的适用。风险地形建模则侧重从社会、物理空间视角来作用于行为因素间的动态关系。风险地形建模大致流程包括给各个因素配值，每个因素形成单独风险图层，最后在GIS系统中将所有图层汇集、组合，形成一个风险地形图。风险越大，发生犯罪的概率也就越高[15]，由此应用于犯罪预测。在当前实践中，该理念与模式主要依托数据技术与交互技术进行犯罪预测的优化，不仅能用于财产型犯罪的预测，也能用于暴力型犯罪的预测。
不过，同样的犯罪预测理论在不同的国家或地区有不同的具体适用方式。一方面，这种适用理应被强调，即在预测理论中增加数字系统的创新构建，利用不同科学技术优化预测精准度；
另一方面，特大城市犯罪预测的过程也应是这些理论深化发展的过程。随着人脸识别、深度学习、人工智能等技术的发展，犯罪预测理论也不断扩展。2017年，上海交通大学的两位研究者发布了一项题为“利用脸部照片自动推断犯罪性”的研究(2)该研究应该是受到意大利犯罪学家龙勃罗梭(Lombroso)“天生犯罪人”理论的启发。1870年，意大利医生龙勃罗梭打开了死去的意大利罪犯维莱拉的头颅，发现其头颅枕骨部位有一个明显的凹陷处，它的位置如同低等动物一样。这一发现触发了他的灵感，他由此提出“天生犯罪人”理论，认为犯罪人在体格方面异于非犯罪人，可以通过卡钳等仪器测量发现。并认为犯罪人是一种返祖现象，具有许多低级原始人的特性，可被遗传。该理论因否定犯罪的后天因素而显得先天不足。但不可否认，它至今在犯罪学领域仍占有一席之地。，利用基于有监督的机器学习的方法，根据人的脸部特征预测一个人是否有犯罪倾向，“准确率接近90%”。虽说该研究明显存在一定的社会偏见，但也提供了一些新的研究视角，人的面部特征、行为姿势、生活习惯等均成为犯罪预测需要深入研究的基点。尤其是各种理论的交叉、结合，更成为一种犯罪预测新趋势。虽说仅看面部特征容易造成偏见，但如果结合风险地形、近重复理论、行为姿势等，是否就能精准判断呢？这同样值得深入讨论。另外，伴随着网络技术的发展，赌博类犯罪已由之前的线下方式向线上方式转变。为逃避打击，犯罪分子常将赌博网站服务器设在境外，不仅增强了隐蔽性，更让信息收集存在“国界”。可见，办案机关在运用大数据技术进行城市犯罪预测的时候，不同主体的反预测手段也在发展。犯罪预测与反预测的关系也反映了犯罪预测理论的应用与深化。
(三)甄别可预测犯罪的基础条件
诚然，不同犯罪类型的可预测性、预测必要性都存在不同，有的犯罪甚至很难预测。特别是一些极少发生的犯罪，预测难度大，也没有太大的预测必要性。如我国刑法规定了丢失枪支不报罪，在对该类犯罪开展犯罪预测时，需要对枪支丢失的可能性进行预判，但就连犯罪行为人对枪支在何时会因保管不善而丢失都无法预测，又如何让侦查机关准确预测枪支可能丢失的时间和地点？纵观当前的犯罪预测实践，至少存在以下几个前提条件或者类型表现。
一是从犯罪主体来看，可预测的犯罪往往是属于理性的犯罪。与理性的犯罪相对应，非理性的犯罪具有较强烈的感性色彩，是犯罪人在感情冲动支配下或情感冷漠情况下实施犯罪的情形。其非理性的特征表现在犯罪原因的情绪化、行为动作的冷酷化以及危害对象的非针对化。较为典型的是情绪性犯罪中的激情犯罪与应激犯罪。激情犯罪因行为人情绪爆发而突然实施犯罪行为，具有突发性、盲目性、临时性而很难进行预测。相反，像一些影视剧里描述的杀人犯，平时的表现是沉默寡言，不急于使用暴力，但当其杀害被害人时，则充分暴露出内心阴暗、手段残忍甚至变态的一面。从某种程度上讲，这类杀人犯还是“理性”的，只不过是“冷酷的理性”，仍然具有可预测性。实践中有必要加强对这类犯罪的有效预测。
二是从犯罪性质和类型来看，可预测的犯罪往往是常见多发的犯罪。这无疑与犯罪治理和犯罪预测的目的是一致的。对于极少案发、很少适用的罪名，预测意义不大。结合学者对常见犯罪的认识，根据全国各地的司法数据情况，一般可以将适用案件数占前50名的犯罪作为常见犯罪(刑法规定的罪名已接近500个)。2021年7月1日起实施的《关于常见犯罪的量刑指导意见(二)(试行)》规定了23种常见犯罪(3)它们是：交通肇事罪；
危险驾驶罪；
非法吸收公众存款罪；
集资诈骗罪；
信用卡诈骗罪；
合同诈骗罪；
故意伤害罪；
强奸罪；
非法拘禁罪；
抢劫罪；
盗窃罪；
诈骗罪；
抢夺罪；
职务侵占罪；
敲诈勒索罪；
妨害公务罪；
聚众斗殴罪；
寻衅滋事罪；
掩饰、隐瞒犯罪所得、犯罪所得收益罪；
走私、贩卖、运输、制造毒品罪；
非法持有毒品罪；
容留他人吸毒罪；
引诱、容留、介绍卖淫罪。。这就说明常见犯罪是不难确定的，预测也有必要性和可能性。实践当中，盗窃和诈骗一直是我国最高发的犯罪类型，但随着人们生活方式和财产形态的变化，盗窃和诈骗的犯罪数，在一定时期和地域可能呈现此消彼长的趋势，预测也应该考虑相关因素的变化而得出相适应的结论。而近几年，因立法规定了醉驾等危险驾驶类犯罪，结果仅仅几年时间这类犯罪就超过了盗窃，成为数量最多的犯罪。这种变化与立法有直接关系，预测就要跟上。还有信息网络发达导致网络犯罪激增，这同样与立法有关。随着案例的不断增多和积累，对它们的预测也会越来越具有现实性。
三是从预测的技术因素来看，预测需要充足的数据和信息。犯罪预测以数据分析结果为主要依据，一个较为精准的犯罪预测结果的获取，不仅需要对犯罪行为本身的数据进行统计与分析，还需要对可能影响到犯罪的各种社会因素的相关数据展开分析。在传统犯罪预测中，由于技术的局限性，我国主要收集与犯罪直接相关的数据，收集范围狭窄，预测结果的可靠性、准确性都十分有限。在信息化条件下，犯罪预测对数据的依赖程度加剧，大量的历史数据对形成完整的犯罪预测与评估链条尤为重要。这是今后犯罪预测必须重视的初始工作。
(四)犯罪预测精准数据收集策略
不同犯罪在发生前后伴随不同的征兆和特征，无论是个体作案还是团伙作案，犯罪类型决定是否可预测，也决定该如何预测，或者说正因为从这些方面进行预测能实现精准的目的，才使这种预测成为可能。举例说明：如企业涉嫌非法吸收公众存款罪，在分析犯罪的行为、结构之后，不难看出犯罪是否与企业经营范围、实际经营业务、往来交易记录以及主要管理人的行为情况等因素有所关联，那么对这些因素的测算，有助于更准确地得出结论。还有一些犯罪是以特殊主体为要件的，那么对于这类犯罪，其预测就可以限缩在个体以及相关个体的范围内。从某种意义上讲，对犯罪预测规律进行挖掘时，一定要对犯罪本身作类型分析，并且不断归纳类型所涉及的因素，这是能够融入算法、且能被计算的前提，也是精准挖掘数据信息的必经步骤。
面对现阶段数据杂乱无章的状况，要实现数据信息的精细化，需要研究影响犯罪的因素以及各因素之间的联系。换言之，精准的犯罪预测势必涉及多方面因素，并依赖大量数据，因而精准收集数据的策略很重要。如孔一教授在研究刑释人员再犯风险评估时，就选取了51项相关因素,并量化后按同一标准确定为再犯预测因子[16]。当然，网络数据的私密性以及真实性，都加大了对这些关键数据的收集难度。“现代犯罪治理理念应以多机构协作为主体,以大数据犯罪分析为路径,以犯罪情境预防为主要策略。”[14]102—107基于犯罪治理与预防目的，犯罪数据供给不仅需要公安机关积极作为，而且需要其他相关组织和人员共同协作，包括其他公权力机构、第三方技术组织、广大知情群众等。例如，市场监督管理局出具的企业法定代表人、股东、行政处罚等数据信息；
电信、移动等通信企业拥有的个体通话记录；
受害者可能通过各种渠道进行的投诉、吐槽等信息，都将成为特大城市犯罪预测的重要数据。一些中介服务机构也为犯罪预测数据收集提供了便利，如“企查查”就是一款企业信息查询工具，立足于企业征信的相关信息整合，经过深度学习、特征抽取和使用图构建技术，为用户提供全面、可靠、透明的数据信息，这些信息对于公司企业的犯罪预测都是有价值的数据。
(五)数据信息智慧分析与交流机制
如前所述，美国的犯罪预测系统都是基于对数据信息的科学运用而有效的。美国的Compstat系统依靠电脑建立犯罪数据库并进行深度分析，其主要有两大内核：一为实现信息网络和信息系统建设；
二为与之相适应的信息化工作体制和管理体制[17]。PredPol犯罪预测系统则根据历史犯罪活动统计数据，借助算法预测最可能发生犯罪的时间、地点和类型。除此之外，英国、日本、以色列等国的犯罪预测系统一直都是在围绕犯罪危险数据信息评估系统和模式进行研发、创新。
这些都给我国语境下特大城市犯罪预测工作带来启示，如参考PredPol系统中算法与犯罪预测的结合，预测犯罪高发时间以及地点，为开展精准普法教育提供有利佐证。再如参考NDAS系统，提前预测有心理健康问题以及暴力倾向的人群，联合社会组织提早介入，以实现真正的犯罪预防。一直以来，个体与团体信息的私密性、隐蔽性是阻碍犯罪预测的一道难题，犯罪行为的受害者或其他第三人的信息始终存在。在日本的PCA分析系统中有一特色做法，即利用社交功能来获取犯罪危险信息。系统用户在社交界面上可以获得犯罪地点、犯罪类型以及犯罪可能性等。在我国司法实践中，不少犯罪所涉及的众多受害者的信息或碎片化的信息被第三人掌握，比较典型的如非法集资类、环境保护类犯罪。在这种条件下，就需要一个类似交流的系统将线索拼凑在一起。不同用户可以在系统中表达自身的受害情景或有关犯罪的情报，然后，将这些数据导入预先设置的“公式树”(4)编程需要代码的编辑和表达，通过数字语言按照特定的指令逻辑，每一串成板块的代码语言对应一道公式，一串串代码就组成了程序的自动化，也就形成了“公式树”，可以简单理解为众多计算公式有规律地聚集在一起的形象表达。之中，最终筛选、提取所谓犯罪评估的关键信息。与用户互动的数据筛选、提取过程，在现阶段更多是内容的识别、鉴别过程，包括对用户表达的犯罪地点、类型、可能性、证据、线索、情节等内容的鉴别。一方面，警务人员可以对“公式树”进行初步设置；
另一方面，人工智能因其自动学习功能，也能够不断自我完善“公式树”结构。这也就意味着，这种“人工+机器”不断完善模式，更有利于全面收集、分析数据，更容易找出可能被忽略的必要因素。当然，这种互动方式还具有数据验证的功能，如一个信息能够被不同用户提及，这个信息的真实性也就越强，价值也就越大。
(六)犯罪数据整合利用的最大化
犯罪数据的整合利用是上述数据分析与交流的再延伸。数据分析离不开“公式树”的构建，而公式创设又需考虑各项指标。各项指标联系数据收集以及分析，这几乎是理论与实务界的共识。诚如上文所述的英国数据分析NDAS方案，该软件囊括了多达8支警察力量的数据库，其中包括伦敦和大曼彻斯特地区警方的数据。该软件已经能够识别5万人，而且已经发现1400个可以帮助预测犯罪的指标，例如一个人单独犯罪或与他人共同犯罪的次数等。不少犯罪横跨多地甚至跨越国界，过程冗杂，行为模式上既有组织性、又各自负责。对其进行预测，不仅需要同一区域范围内行政机构内部的协调互助，也需要不同区域间对相关数据的共享管理，有可能还需要国际组织之间的沟通、交流。
现阶段，司法实践部门确实在适用一些数据评估系统，只是大多只限于针对自我管理的范围，如乡镇街道配合网格化管理所开发的管控系统。个体或团体的跨区域违法犯罪活动经常是以碎片化的形态存在的，因此很难客观地对犯罪发生的可能性作出精准评估，尤其是一些需要达到一定金额或条件才能认定犯罪的案件，以及那些前期需要进行数据、金额评估的犯罪。此外，小范围的数据整合，往往因为样本数量有限，而难以挖掘规律或者重复发现规律。这种情况下可以将一些区域的经验以及通过计算所得的公式，通过申请修改，并入系统“公式树”之中，再直接适用于其他区域，免去这些区域的收集、分析、归纳等重复劳动，此谓其一；
其二，缺乏数据跨区域甚至全国性流通的机制，就难以让数据所呈现的规律被最大化利用，如一些一线城市的犯罪规律可能比二线城市发现得早，如果有一个大范围(如长三角城市群)统一的数据分享、交流机制，那么二线城市就有可能借助一线城市的预测经验，将犯罪消灭在萌芽状态。
当然，作为国家层面犯罪治理的重点单位，公安部及其下设单位日常进行的分析调研(各种调研报告)中一定包含了犯罪预测的内容，但因公开的资料有限，未发现有影响力的专门的犯罪预测理论成果，或者应用型操作系统。不过，当公安部出台相关犯罪治理的政策性规定时，特别是中央政法委在组织相关部门研讨、出台犯罪治理的相关文件过程中，也离不开犯罪预测的内容。随着信息化技术日趋发达，犯罪预测对于制定和执行犯罪治理的指导性文件，实现犯罪治理的精准化和有效性必将具有越来越重要的意义。
现代社会由于汽车普及率越来越高，发生在交通领域、危害交通安全秩序的犯罪高发，这些犯罪在我国刑法中涉及十几个罪名，但最常见的是交通肇事和危险驾驶两类犯罪。近年来，危险驾驶犯罪更有超过盗窃罪，成为数量最多的犯罪。受到犯罪预测技术手段的局限，传统犯罪预测中对交通类犯罪的预测主要通过现状分析和经验预测展开。例如，2013年公安部门相关负责人依据2012年的交通事故统计数据，从国家立法的完善、交通事故执法力度的加强，以及人们交通安全意识有所增强这三个方面得出2013年交通事故发生数量和带来损失有所下降的预测结论。该种预测具有宏观指导意义，但由于未深入挖掘上述三个方面的相关因素，因此很难在此基础上得出细化的犯罪预防和治理策略。也有专家依据机动车统计数量增加的现状，预言我国道路交通安全状况将继续恶化，并据此提出逃逸行为单独入刑、提高法定刑等立法或刑事政策的建议。
尽管根据宏观预测建议，我国从《刑法修正案(八)》到《刑法修正案(九)》，逐步细化了危险驾驶罪的规定，加大了严重违反交通法规行为的处罚力度，但2016年我国道路交通事故万人死亡人数仍在上升，直接财产损失也在不断增加。仅依据宏观建议而制定的犯罪预测策略并未对交通犯罪的治理起到实质性抑制作用。有必要对引发交通犯罪的相关因素加以细化，从微观角度对交通犯罪行为加以预测。犯罪发生率是反应交通类犯罪总体趋势的直观性与必要性数据，因此，在收集数据时，犯罪发生率的统计不可或缺，但由于交通犯罪是由多方面因素造成的，因此利用信息化技术进行数据拓展和数据共享就显得十分重要。具体而言，对交通类犯罪开展犯罪预测时，由于该类犯罪的多发性是由道路条件乏佳、交通安全设施欠缺、交通主体存在主观过错等因素共同作用的结果，因此在分析宏观经济、社会与交通发展状况的基础上，还需对机动车及驾驶人员、具体案件等相关数据进行统计分析。
从机动车与驾驶人员情况来看，据公安部统计，截至2022年3月底，全国机动车保有量达 4.02 亿辆，其中汽车3.07亿辆；
机动车驾驶人 4.87 亿人，其中汽车驾驶人4.50亿人。2022年一季度全国新注册登记机动车934万辆，新领证驾驶人775.8万人[18]。在此还应注意无人驾驶汽车的存在。2005年上海某高校成功研制了首辆城市无人驾驶汽车，至今已有多家企业的无人驾驶汽车试行上路，无人驾驶车辆的出现也成为影响交通类犯罪的变量。从交通类犯罪具体案件数据来看，近三年来，我国交通事故每年发生数量都在200000起以上，其中2020年为244674起，同比下降1.2%；
交通事故直接财产损失为131360.6万元，同比下降2.4%[19]。在数据共享与大数据统计背景下，大众对上述具有代表性数据的获取并不困难，但公安与交通执法相关部门还可通过可视化技术和机器学习算法等信息化手段，更加精确地预测区域内的各种犯罪情形的分布。具体而言，信息化手段对交通类犯罪的预测主要表现在如下几个方面。
第一，从宏观角度预测交通类犯罪发展趋势的要素及其相互关系。例如，从经济发展因素、机动车与驾驶人员因素以及其他社会因素方面进行考察，交通类犯罪仍将是未来较长一段时间内最常见的犯罪类型。还可以根据前些年的交通犯罪态势以及各种具体要素，分析它们与交通快速发展的客观状况是否具有一定的比例关系，并通过数据分析，发现其中哪些客观因素影响最大。在经济发展层面，经济快速发展，但道路等交通基础设施建设速度较慢，道路交通基础设施建设的速度与经济、交通(运输)发展所需求的速度存在显著冲突，这种冲突对交通类犯罪有多大影响。在社会因素层面，分析民众道德水平变化、文明意识仍较薄弱、法制和交通安全意识有所加强等因素与交通类犯罪增加之间有什么关系。而在机动车与驾驶人员因素层面，机动车数量与驾驶人员数量逐年递增，但驾驶行业机制灵活，规范不足，轻驾驶质量而重经济效益情况突出，导致“职业马路杀手”在短期内无法杜绝。上述客观和主观方面的因素相互交织，通过信息化手段对一定年限的数据进行科学分析，应该不难得出基础性预测结论。从总体数据观察，我国交通类犯罪仍呈上升趋势，这种上升当然也有罪名增加的因素，但在稳定的罪名体系下，预测的基础因素和数据应该也比较稳定，只要方法得当，预测结论还是可信的。
第二，在宏观预测基础上，可借助可视化技术、计算机算法加强特定城市、特定路段、特定人员等微观层面的预测，并从多个视角设定信息化预警措施。例如，通过可视化技术查看不同城市交通类犯罪案件的发生频率，找出案件高发的特定时间段，并在未来特定时间段来临之前，做好犯罪预警与犯罪治理活动的安排与部署。例如，对于酒驾犯罪，上海交警经常于深夜在某些高架桥下口处设点查酒驾，就是根据这些区域酒店密集、部分驾驶员可能喝酒等数据进行预测为前提的。还可以通过计算机算法对交通类犯罪案件中当事人的基本信息、案件发生的时间、地点、案件发生时的路况、天气等信息进行学习整理，并针对上述能够影响犯罪人实施交通类犯罪的信息数据建立算法模型，通过计算对交通类犯罪容易发生的时间、地点、人群、路况等进行预先测算与精确锁定，并有针对性地制定相应的预警措施。例如，对某个时间段发生交通类犯罪频率较高的路段采取定时监控，对不同路段易发犯罪类型采取不同防范与制止手段。不同行政部门也可以通过预测制定不同的政策，以遏制或应对未来交通类犯罪的发生。如车辆管理部门可采取科学、严格的车辆运行与驾驶人培训管理制度，从源头降低交通违法犯罪的可能性。刑事立法方面，可完善监管法律法规，转换立法模式，加重畸轻的法定刑，发挥刑罚的威慑作用。道路交通管理部门可利用信息化技术辅佐警务部署，一般路面全天候监控，特殊路面加强巡逻，科学调用警力。再比如，之前一些地方对于易发事故的长坡路段积累了很多交通事故预测经验(5)2022年5月，四川宜宾市公路局在宜宾一乡镇道路上铺设了近2公里长的超长减速带。因为此前该路段经常发生交通事故，车辆在道路上要转5个弯。这样做虽然导致车辆行驶的舒适度差很多，但有利于预防交通事故。参见曹雪娇：《四川一盘山公路设近2公里减速带，公路局：此处常发事故》。https://baijiahao.baidu.com/s?id=1733051539125888548&wfr=spider&for=pc，访问日期：2022年5月17日。。随着信息技术的快速发展，对危险路段发生重大事故的预测更加可能和精准，至少可以通过危险路段的长度、弯度、坡度等数据测算，对车辆行驶提出最基本的驾驶要求(如车速)。对相应路段，除了增加视频监控外，还可以在路旁增加语音提醒，甚至直接与驾驶车辆自动链接，提醒驾驶人员谨慎驾驶。前些年，桥梁垮塌事件时有发生。根据相关数据，如桥梁结构状况、使用年限、过桥车辆增多等进行算法分析，应该就可以作出提前预测和应对。再比如，对重大人员密集场所，在人员密集度等达到一定程度时，计算出一个临界值(或者饱和度)，达到这个数值就标志着人员拥挤踩踏的可能性很大，这也是一种犯罪预测。如今，信息化技术特别是人工智能的发展，更是大大增加了对这类犯罪实施预测的可能性。
第三，针对特殊车辆交通犯罪的预测。无人驾驶车辆交通犯罪的预测也可以围绕宏观与微观视角展开。在宏观层面，伴随无人驾驶车辆逐渐上路，以及已然发生的无人驾驶车辆交通事故(6)比如2018年3月，美国就发生了两起自动驾驶汽车交通事故，即优步测试车案和特斯拉案。，无人驾驶车辆涉及交通犯罪案件会成为未来一种新型的犯罪模式。针对以上预测以及无人驾驶车辆的特殊性质，需要尽早研究、修订法律法规，明确法律责任的分配。例如，如何划分无人驾驶车辆交通事故的民事、行政以及刑事责任的界限，事故责任承担主体的确认，以及设计者、制造者、销售者等主体间的具体责任分配等。在微观层面，则要考虑车辆的生产、制造、销售、使用的情况，通过加强行政监管，严格行政许可制度，提高车辆生产、制造的准入门槛，以提升车辆质量与无人驾驶技术安全系数，减少因质量问题产生的交通事故。针对主要研发城市，可提前划定无人驾驶汽车的专用测试道路，对这些道路进行特殊管理，通过加装摄像头、特殊警察亭等方式严密监控。还有，在实施无人驾驶后，由于自动化等级不同，对可能存在的车辆操纵者的要求也不一定相同，这就对危险驾驶罪的适用提出了新的问题，比如构成醉驾的酒精浓度要求是不是与普通汽车驾驶员一样等。这既是立法或者解释法律的问题，也是犯罪预测需要考虑的问题。
如前所述，我国犯罪预测呈现出零星、碎片化的趋势，对于具体犯罪而言，即使是宏观预测，也是各自为政，既没有专门的犯罪预测协调机构，更没有形成国家层面整体的犯罪预测指导性意见或者报告(哪怕是年度的)。只是不同行业、不同地方或者不同实践领域，可能在其他工作过程中涉及犯罪预测问题。这样只能形成零散的、非主流的预测结论。而在微观上，比较常见的是在办案过程中，实行“头痛医头、脚痛医脚”的临时性预测，或者突然性、应急性预测，缺少犯罪预测的关联性、前瞻性，也就难以形成犯罪预测的理论体系，这些无疑将影响到犯罪信息化治理的整体效果，也与信息化治理本身的要求不甚协调。
长期以来城市犯罪治理多停留在犯罪打击层面，此时犯罪实害已然发生，任何打击或补救都已经造成一定权益受损的成本。如今，伴随着信息化技术的发展，新型技术的应用为促进犯罪的提前预防注入了新的动力。虽然传统的人为经验在预测实践中依然具有实效，但由于不同办案人员的经验、能力等存在差异，依赖经验所作的分析评估在客观性、科学性和标准性上未必有足够的说服力，同时人为经验转为程式的自动化方式，其准确度和实践效能同样值得进行不断检验。对于犯罪预测结论而言，人的经验和信息化技术，哪个更值得信赖永远是个动态调整的过程。
犯罪预测的信息化还不可避免地会带来价值冲突问题。如随着信息化预测的容量与功能的发展，数据的收集能力也势必得到强化，尤其是“个性化数据”会成为被收集和分析的对象，如除了人的身体隐私外，私密交往、通话记录、购物情况、行车轨迹等个人的社会信息均有可能被系统获得。再如，在网格化管理模式下，街道、社区利用手机拍照、定位等功能，对于社区戒毒、社区矫正等人员所在区域及行为痕迹等数据予以收集。这样的行为是否越界？还有，犯罪预测的算法结论可能造成社会偏见。当数据不断显示某些地区或某类人群存在高概率犯罪时，那么人与系统都有可能产生偏见。警察办案时会有倾向性，认为某类人群更易犯罪；
而数字系统通过深度学习功能，也更易对特定区域或人群存在犯罪倾向进行预警。这些冲突或偏见反映了个体利益与公共利益的矛盾关系。归根结底，我们的各项犯罪预测工作都必须在法治的轨道上运行。