邱凌峰，胡嘯峰，周 睿, 顧海碩，唐 正，鄭超慧，張學軍

(1.中國人民公安大學 信息技術與網(wǎng)絡安全學院，北京 102623；2.安全防范技術與風險評估公安部重點實驗室，北京 102623；3.清華大學 工程物理系，北京 100084；4.清華大學 公共安全研究院，北京 100084)

0 引言

2017年4月，中共中央、國務院決定在河北設立雄安新區(qū)，這是以習近平總書記為核心的黨中央作出的一項重大歷史性戰(zhàn)略選擇，是千年大計、國家大事。

隨著雄安新區(qū)的建設和發(fā)展，當?shù)氐娜丝诮Y構和周邊環(huán)境等將會發(fā)生巨大改變，并由此帶來一系列的社會安全問題[1]?！逗颖毙郯残聟^(qū)規(guī)劃綱要》(以下簡稱《綱要》)中明確提出，要構筑“現(xiàn)代化城市安全體系”，提高針對公共安全領域的突發(fā)事件的監(jiān)測預警和應急處置能力。作為突發(fā)事件中的第4大類，針對社會安全事件的預警和防控工作將是構筑“現(xiàn)代化城市安全體系”的一項重要內容。社會安全事件的誘發(fā)主體往往是人，具有較強不確定性，其安全風險是動態(tài)變化的，預測和預防的難度較大，因此，針對社會安全事件的預測預警研究十分必要。

盜竊犯罪是一個比重巨大，并且嚴重影響社會安全的世界性和歷史性的隱患，嚴重消耗著社會資源，是一類典型的社會安全事件。這一全國乃至全球普遍存在的犯罪形式，同樣也成為雄安新區(qū)必將要面對的社會安全風險。據(jù)全國數(shù)據(jù)統(tǒng)計，2013—2017年，檢察機關起訴的刑事犯罪嫌疑人中，盜竊犯罪達146.3萬人，排名第1，占比超過25%[2]。因此，針對盜竊犯罪的治理工作將有助于降低雄安新區(qū)面臨的社會安全風險，對保護人民財產安全、維持社會穩(wěn)定具有重要意義。在盜竊犯罪嫌疑人中，盜竊前科人員再犯罪問題突出，常反復作案，且作案手段隱蔽、高超，涉案金額往往較大。在盜竊案高發(fā)，而社會治安資源有限的情況下，針對盜竊前科人員進行預警，從而重點治理，能夠提高社會治安資源利用率，震懾其他盜竊人員，并降低盜竊犯罪風險。

本文利用脫密處理后的A市2012—2016年盜竊犯罪數(shù)據(jù)，基于多種機器學習模型，構建盜竊前科人員分類預測模型，并根據(jù)預測結果進一步挖掘盜竊人員的作案規(guī)律。A市與雄安新區(qū)同處華北平原腹地，城市間距離較近，交通便利，地貌、氣候、水文等地理環(huán)境具有很高的相似度。A市是我國北方的一線中心城市，經(jīng)濟、文化發(fā)達，人口高度密集，雄安新區(qū)的發(fā)展定位為未來的首都副中心，經(jīng)濟、文化、人口密度極可能達到與A市相當?shù)乃剑蔀榫┙蚣降貐^(qū)的核心城市區(qū)域，社會環(huán)境也具有相似性?；谧匀慌c社會環(huán)境的相似性，宏觀上可以推斷，2個城市整體的流動人口規(guī)模與密度、安全防范水平、重點人員跨地域作案動機、作案成本等多種風險要素也可能具有較高的相似性。因此，利用A市數(shù)據(jù)進行盜竊犯罪發(fā)生規(guī)律的研究，將有助于雄安新區(qū)在建立社會安全防控體系的過程中識別、歸納共性問題，有針對性地提出預防措施，完善警務、應急以及綜合治理系統(tǒng)的頂層設計方案。

在此基礎上，根據(jù)《綱要》的要求，針對研究過程中的數(shù)據(jù)應用、數(shù)據(jù)分析及研究結果中的數(shù)據(jù)挖掘規(guī)律，提出對雄安新區(qū)構建基于數(shù)據(jù)驅動的社會安全事件預測預警和綜合研判系統(tǒng)的思考及建議。

1 相關研究

在國內外相關研究中，基于數(shù)據(jù)主導的犯罪預測取得了良好的效果[3-4]。文獻[5]基于統(tǒng)計學的方法，利用犯罪人員的定罪歷史預測3種類型的累犯；文獻[6]基于隨機森林，利用定罪數(shù)量，年齡，犯罪類型，犯罪歷史的多樣性和藥物濫用等特征對患有精神障礙人員進行分類預測；文獻[7]基于樸素貝葉斯，利用發(fā)案的日期和地點，犯罪類型，罪犯ID和熟人等特征預測嫌疑人犯罪風險；文獻[8]通過罪犯、犯罪目標、犯罪環(huán)境3個因素預測犯罪發(fā)生的可能性；文獻[9]基于支持向量機，利用案件信息及受害者身份信息，預測犯罪嫌疑人的身份特征；文獻[10]基于改進的GA-BP神經(jīng)網(wǎng)絡，利用案件信息、人口及經(jīng)濟信息、土地利用信息等，對財產犯罪的時空分布進行預測；文獻[11]基于隨機森林，利用刑事案件中罪犯的特征，預測可能的犯罪嫌疑人。

已有研究為基于數(shù)據(jù)主導的犯罪預測提供了豐富的方法和思路，但是，這些研究利用的信息大多是在確定了嫌疑人身份后才能獲得的，如：年齡、犯罪歷史、熟人等。而在大多數(shù)情況下，盜竊事件發(fā)生后，嫌疑人的身份是未知的，能獲取的信息只有案發(fā)的時間、地點、盜竊手段和損失金額。針對該問題，本文基于多種機器學習方法，利用發(fā)案時間、發(fā)案地點、實施手段和損失金額作為特征，對盜竊人員進行分類預測。

2 實驗說明

本文首先從盜竊犯罪數(shù)據(jù)中提取出發(fā)案時間、發(fā)案地點、實施手段和損失金額作為特征，預處理后，按時間順序將數(shù)據(jù)集劃分為訓練集和測試集，然后利用測試集檢驗訓練好的模型，最后利用表現(xiàn)最優(yōu)的模型進行結果分析，具體流程如圖1所示。

圖1 盜竊前科人員預測流程Fig.1 Forecast flow chart for Larceny Ex-convict

2.1 數(shù)據(jù)集介紹及特征提取

本文選取A市2012—2016年的實際盜竊案數(shù)據(jù)進行盜竊前科人員的分類預測研究。其中數(shù)據(jù)集共包括7 772條案件信息，每條數(shù)據(jù)包含案件信息和案犯類型(初犯累犯慣犯)，按照盜竊事件發(fā)生后可獲得的信息維度，提取出“發(fā)案時間”、“發(fā)案地點”、“實施手段”和“損失金額”共4個特征，對盜竊人員的類型進行分類預測。

數(shù)據(jù)集中的盜竊前科人員為此次犯罪之前受過刑罰處罰的盜竊人員，類型包括初犯、累犯和慣犯3種。累犯是在此次犯罪之前已受過刑罰處罰的前科人員；初犯和慣犯為初次受到刑罰處罰的前科人員，其中，慣犯的歷次犯罪行為未被發(fā)現(xiàn)、處理和登記，也是初次受到刑罰處罰，慣犯的犯罪規(guī)律有可能與初犯和累犯存在差異。本文基于大量數(shù)據(jù)，挖掘規(guī)律性較強的盜竊犯罪特征，累犯數(shù)據(jù)的隨機性低于初犯和慣犯，再犯罪規(guī)律預期更為顯著，因此，對其作案規(guī)律的探索意義大于初犯和慣犯，本文在算法的性能評估中重點關注模型對累犯的預測精度。

因此，本文對盜竊前科人員作案規(guī)律的研究，包括了累犯、初犯、慣犯3種，但考慮到研究的現(xiàn)實意義與犯罪規(guī)律的魯棒性，對累犯進行重點挖掘。3.1節(jié)發(fā)現(xiàn)累犯的預測精度很高，而初犯和慣犯的精度較低，印證了上文的觀點，即累犯作案的規(guī)律性可能強于初犯與慣犯。

2.2 數(shù)據(jù)預處理

本文預處理工作是將“發(fā)案時間”、“發(fā)案地點”和“實施手段”的原有數(shù)據(jù)類型轉化為整型數(shù)據(jù)，從“簡要案情”中提取出損失金額，將初犯、累犯、慣犯分別標記為0，1，2，預處理后的數(shù)據(jù)樣式如表1所示。

表1 數(shù)據(jù)樣式Table1 Data pattern

由于“發(fā)案時間”、“發(fā)案地點”和“實施手段”原有分類過多，導致模型預測準確性不高，本文根據(jù)數(shù)據(jù)類型特點，結合公安工作經(jīng)驗，對這3個特征進行歸類后，模型的分類預測精度明顯提升，參見3.1內容。

2.2.1 實施手段處理

實施手段指盜竊人員進行盜竊時使用的方法，如剪門掛鎖、順手牽羊等共90多種?？紤]不同類型的盜竊人員作案經(jīng)驗的不同，選擇的手段可能具有差異性，將“實施手段”分為4類。其中，“其他類”標記為“4”(該類型為記錄時無法確定具體使用的盜竊手段)；將有破壞行為的手段標記為“3”(包括通過破壞車、門、窗等破壞手段盜竊房屋或車內物品)；將有扒竊行為的手段標記為“1”；不包含破壞行為和扒竊行為的手段標記為“2”，如表2所示。

表2 實施手段分類Table 2 Classification of means

2.2.2 發(fā)案時間處理

原始數(shù)據(jù)中的發(fā)案時間精確到“年/月/日/時/分”，種類達到了幾千種，采用原始分類會導致分類準確性下降；現(xiàn)實中，失主發(fā)現(xiàn)物品被盜與案件發(fā)生的時間往往具有不一致性，采用原有發(fā)案時間也會對結果分析帶來一定的偏差。因此，本文將時間分析的尺度調整為1天中的4個時段，結果如表3所示。

表3 發(fā)案時間分類Table 3 Classification of duration

2.2.3 發(fā)案地點處理

發(fā)案地點指盜竊人員實施盜竊的地點，原始分類共90多種，如：地鐵站、商場、網(wǎng)吧和賓館等。根據(jù)公安實習經(jīng)驗，手法熟練的扒手往往會在人流量大的車站實施盜竊；有經(jīng)驗的盜竊人員知道網(wǎng)吧里上網(wǎng)的人戒備心較低，放在桌上的手機容易盜走。本文按照人流量大小、安保力量多少和市民在該地點所持的戒備心高低，將“發(fā)案地點”分為4類，結果如表4所示。

表4 發(fā)案地點分類Table 4 Classification of location

其中，大型公共場所包括汽車站、醫(yī)院等；商業(yè)地區(qū)包括商場、繁華街道等；休閑娛樂場所包括網(wǎng)吧、KTV等；住所包括賓館、居民小區(qū)等。

2.2.4 損失金額處理

損失金額指案件被盜物品的價值，其大小可能影響不同類型盜竊人員的選擇。原始數(shù)據(jù)中，簡要案情記錄了案件發(fā)生的經(jīng)過，其中包括丟棄的物品名稱和估價，主要分為3種類型：“包含丟失物品的估價”、“沒有估價但包含物品的品牌”、“沒有估價和品牌但有丟失物品名稱”，如：

1)丟失蘋果牌土豪金色6PLUS手機，價值5 000元。

2)丟失蘋果5手機。

3)丟失手機。

將上述3類數(shù)據(jù)標記為“1”、“0”、“2”，并采用正則表達式提取出金額或被盜物品的品牌。對類型“1”賦值“5000”；對類型“0”，提取出“蘋果5”，并與建立好的字典“蘋果5：4000”進行匹配，賦值“4000”；類型“2”屬于缺失值，由于數(shù)量較多，用類型“0”和“1”中的頻繁項進行插補，結果如表5所示。

表5 損失金額分類Table 5 Classification of loss of the victim

由于類型“2”具有較大的不確定性，針對該不確定性，本文進行了敏感性分析。統(tǒng)計發(fā)現(xiàn)，“損失金額”75%的值集中在3 000到60 000，在該區(qū)間內，以500為步長，對類型“2”進行賦值，每次賦值后都進行5折交叉驗證。根據(jù)結果顯示，交叉驗證準確率變化的標準差較小(0.003 3)，說明分類結果對類型“2”的賦值不敏感。

2.2.5 不平衡數(shù)據(jù)處理

原始數(shù)據(jù)中，初犯、累犯和慣犯的數(shù)量分別為：4 488，906和2 378條，具有一定的不平衡性，這容易導致模型對初犯和慣犯學習較好，而對累犯(盜竊前科人員)的預測效果不理想[12-14]，因此，本文利用SMOTE算法對累犯樣本進行采樣處理。

SMOTE算法[15]首先對少數(shù)類樣本進行分析，對其中的每1個樣本 ，以歐氏距離為標準計算其到所有少數(shù)類樣本的距離，并得到其K近鄰數(shù)據(jù)點，在此基礎上，根據(jù)原始數(shù)據(jù)樣本的不平衡比例，設置采樣比，從而確定采樣倍率。進而，對于每1個少數(shù)類樣本，從其K近鄰數(shù)據(jù)點中隨機選擇若干樣本，并分別與原始數(shù)據(jù)樣本按照如下式(1)生成新的樣本數(shù)據(jù)。

Χnew=Χ+rand(0,1)×|Χ-Χn|

(1)

式中：Χn為Χ的K近鄰數(shù)據(jù)點，Χnew為新的樣本數(shù)據(jù)。

利用SMOTE算法處理后，初犯、累犯和慣犯的數(shù)據(jù)量依次是4 488，2 721和2 378條，數(shù)據(jù)不平衡性得到了降低。

2.3 數(shù)據(jù)集劃分

數(shù)據(jù)集劃分考慮實戰(zhàn)應用的場景：歷史數(shù)據(jù)用于訓練模型，利用訓練好的模型對新數(shù)據(jù)進行分類預測，2者之間存在時序性。本文選取2012—2015年的數(shù)據(jù)作為訓練集(共9 172條，其中初犯4 367條，累犯2 538條，慣犯2 267條)，2016年的數(shù)據(jù)作為測試集(共415條，其中初犯121條，累犯183條，慣犯111條)。

2.4 模型評價指標

本文選取查準率(Precision)、查全率(Recall)和F1作為評價指標[16-17]。其中，累犯的查準率表示“預測為累犯的盜竊人員中有多少是真的累犯”；查全率表示“所有的累犯中有多少被正確預測”；當這2項指標難以直觀比較時，根據(jù)F1評價模型的預測精度，該值綜合了查準率和查全率，F(xiàn)1為1時，代表模型的綜合性能最好，為0時性能最差；3項指標的計算如式(2)～(4)所示。

Precision=TP/(TP+FP)

(2)

Recall=TP/(TP+FN)

(3)

F1=2×Precision×Recall/(Precision+Recall)

(4)

式中：TP表示被正確分類為正樣本數(shù)；FP表示被錯誤分類的負樣本數(shù)；FN表示被錯誤分類的正樣本數(shù)。

3 實驗結果及分析

3.1 不同機器學習算法的分類性能比較

由于建模的目標是預測盜竊前科人員，對比不同機器學習算法時只關注其對累犯的預測精度。利用python3.6中的Scikit-learn開源機器學習模型庫實現(xiàn)邏輯斯蒂[18]、支持向量機[19]、決策樹[20]、隨機森林[21]、K近鄰[22]和樸素貝葉斯[23]共6種機器學習模型的建立，并計算模型在測試集上對累犯的預測精度，結果如表6所示。

表6 不同算法對累犯預測精度的比較Table 6 Comparison of prediction accuracy of recidivism by different algorithms

由表6可知，隨機森林在預測累犯時性能最優(yōu)，3項指標均達到了0.85。決策樹和樸素貝葉斯模型有某1項指標較高，但綜合指標F1只有0.6左右。

利用sklearn.metrics模塊的classification_report功能計算隨機森林模型對3類盜竊前科人員的分類預測結果，如表7所示。

根據(jù)表7，特征歸類后隨機森林模型預測3類盜竊前科人員的F1分別為0.66，0.86和0.64，較歸類前提高了0.18，0.33和0.40，說明2.2節(jié)的歸類是合理的。對比發(fā)現(xiàn)，模型對累犯的預測精度明顯高于初犯、慣犯，說明2012—2016年間，盜竊前科人員作案可能具有穩(wěn)定性和明顯的規(guī)律性。

表7 隨機森林分類預測結果Table 7 Classification and prediction results of random forests

3.2 盜竊前科人員作案規(guī)律挖掘

根據(jù)表7中歸類后的預測精度，認為測試集中被正確分類的盜竊前科人員(尤其是累犯)的作案規(guī)律具有代表性。篩選出被正確分類的盜竊前科人員，統(tǒng)計其“發(fā)案時間”、“發(fā)案手段”、“地點”中各類型(類型“1”、“2”、“3”、“4”)占比及造成損失的均值，結果如表8所示。

表8 3類盜竊前科人員發(fā)案規(guī)律統(tǒng)計Table 8 Statistics on the law of three types of larceny ex-convict

注：手段1～4類型見表2；時間1～4類型見表3；地點1～4類型見表4；損失均值為損失金額的平均值。

由表8可知，累犯的作案規(guī)律與初犯、慣犯明顯不同。累犯造成的損失均值為5 885元，比初犯和慣犯都高了2 000多元；“實施手段”方面，累犯很少選擇破壞性的手段(類型“3”)且扒手較多；“發(fā)案地點”方面，累犯幾乎不會選擇大型公共場所和住所(類型“1”、“4”)，而初犯的選擇沒有明顯的偏好；“發(fā)案時間”方面，具有多次作案經(jīng)歷的累犯和慣犯幾乎都選擇下午時段(類型“3”)。綜上所述，相比于初犯和慣犯，累犯的作案規(guī)律更為顯著，對前科人員的作案規(guī)律挖掘更具有參考意義。根據(jù)累犯的作案規(guī)律，盜竊前科人員很可能偏好選擇下午時段和人流量大的地區(qū)實施盜竊，另外，扒竊案高發(fā)的地區(qū)也可能是盜竊前科人員作案的熱點地區(qū)。這一規(guī)律可以為雄安新區(qū)的治安巡邏區(qū)域劃分、防控力量布局等社會治安防控工作提供決策支持。

4 關于雄安新區(qū)構建基于數(shù)據(jù)驅動的社會安全事件預測預警和綜合研判系統(tǒng)的思考及建議

雄安新區(qū)的設立是我國重大的戰(zhàn)略選擇，需要結合先進的技術手段保障其長期、穩(wěn)定的安全發(fā)展。《綱要》中明確提出，“要利用信息智能等技術，構建全時全域、多維數(shù)據(jù)融合的城市安全監(jiān)控體系，形成人機結合的智能研判決策和響應能力”。本文利用多種機器學習算法，使用實際盜竊犯罪數(shù)據(jù)，對盜竊前科人員進行分類預測，進而根據(jù)預測結果進行分析，挖掘盜竊前科人員作案的時空熱點。該方法可以根據(jù)數(shù)據(jù)的變化不斷調整參數(shù)，以保證預測的準確性和穩(wěn)定性，是數(shù)據(jù)驅動下社會安全風險預測的一種嘗試。雄安新區(qū)的社會安全防控體系建設需要較長的迭代周期，其面臨的社會安全風險需要大量的人力、物力、財力支撐，警務資源、應急資源的合理化、集約化應用具有重要意義，本文的研究提供針對類似社會安全問題的規(guī)律挖掘框架，有助于自動化地發(fā)掘類似社會安全問題的發(fā)生規(guī)律，有助于針對性地部署和調整警務與應急資源，提高智能研判決策和響應能力，符合《綱要》的要求，也對應了雄安新區(qū)安全體系發(fā)展建設的獨特需求。

根據(jù)《綱要》的要求，雄安新區(qū)將要建設1套基于智能技術和多維數(shù)據(jù)的社會安全預測預警和綜合研判系統(tǒng)(以下簡稱“系統(tǒng)”)。結合研究過程中遇到的問題，本文針對該“系統(tǒng)”的前期建設和后期使用提出以下思考和建議。

1)制定統(tǒng)一的數(shù)據(jù)格式，保證數(shù)據(jù)的使用效率。隨著雄安新區(qū)建設的推進，“系統(tǒng)”將有大量數(shù)據(jù)接入，如人口數(shù)據(jù)、接警數(shù)據(jù)、天氣數(shù)據(jù)、金融數(shù)據(jù)和通信數(shù)據(jù)等，大規(guī)模的數(shù)據(jù)集可以為社會安全事件的準確預測提供基礎保障。但建設前期如果不注重統(tǒng)一數(shù)據(jù)格式，各類數(shù)據(jù)關聯(lián)和數(shù)據(jù)清洗工作會占用大量的時間和人力，嚴重降低數(shù)據(jù)的使用效率，導致“系統(tǒng)”后期使用的時效性大打折扣。以本文研究為例，本文使用數(shù)據(jù)中，存在著大量的缺失值與不規(guī)范問題，如：數(shù)據(jù)中對損失金額的描述為阿拉伯數(shù)字與繁體字混用，單位有“元”、“美元”、“美金”，利用正則表達式提取“損失金額”很難一步到位，需要將1個表格分為近30個表格，嚴重消耗時間和人力；對作案地點和作案手段進行非數(shù)值特征轉化時，發(fā)現(xiàn)同一類特征有多種的表示方法(最多可達8～10種)，將多種特征按規(guī)律進行分類后，模型對累犯的預測精度顯著提高。綜上所述，數(shù)據(jù)缺乏統(tǒng)一的格式，將對“系統(tǒng)”的工作效率產生較大的影響。因此，雄安新區(qū)在“系統(tǒng)”的前期建設時，應注重數(shù)據(jù)格式的統(tǒng)一(即數(shù)據(jù)類型、錄入格式等進行統(tǒng)一規(guī)范)，并通過大量訓練結果的反饋不斷地完善這一數(shù)據(jù)格式，將有利于數(shù)據(jù)融合和綜合應用，為“系統(tǒng)”的后期使用打下基礎。

2)實現(xiàn)數(shù)據(jù)實時接入，提高社會安全風險的動態(tài)感知能力。社會安全風險動態(tài)變化特征明顯，“系統(tǒng)”的數(shù)據(jù)接入也具有實時性要求。仍以本文研究為例，對預測結果的綜合研判后，發(fā)現(xiàn)累犯作案的時空熱點具有明顯規(guī)律性，這一規(guī)律很可能代表了盜竊前科人員的作案規(guī)律，按這一規(guī)律進行巡邏區(qū)域劃分和防控力量部署，將很可能壓縮盜竊前科人員的作案空間，降低其作案風險。同時，相關的防控工作也很可能影響盜竊前科人員的作案選擇，并由此帶來相關數(shù)據(jù)的變化。若能將相關數(shù)據(jù)實時輸入，“系統(tǒng)”就可以自動調整模型參數(shù)，并將新形成的規(guī)律反饋至有關部門，為相關治安防控策略的改變和部署提供決策支持。因此，雄安新區(qū)“系統(tǒng)”的后期使用時，應將新數(shù)據(jù)按一定的時間尺度進行接入，交付系統(tǒng)模型進行計算和綜合研判，相關部門可根據(jù)得出的規(guī)律進行防控策略的實時調整，以應對各類動態(tài)變化的社會安全風險。

5 結論

1)利用A市2012—2016年實際盜竊數(shù)據(jù)，提取“發(fā)案時間”、“發(fā)案地點”、“實施手段”和“損失金額”作為特征，通過特征工程和SMOTE算法對數(shù)據(jù)進行預處理，基于邏輯斯蒂、支持向量機、決策樹、隨機森林、K近鄰和樸素貝葉斯共6種機器學習模型，構建分類預測模型，對盜竊人員進行分類預測。結果顯示，隨機森林表現(xiàn)最優(yōu)，預測累犯的查準率、查全率和F1分別達到了0.86，0.85和0.86。

2)根據(jù)數(shù)據(jù)挖掘的結果，累犯的盜竊金額明顯高于初犯和慣犯；盜竊前科人員可能傾向于選擇下午時段和人流量大的地區(qū)實施盜竊。

3)提供針對類似社會安全問題的規(guī)律挖掘框架，有助于自動化地發(fā)掘類似社會安全問題的發(fā)生規(guī)律，有助于針對性地部署和調整警務與應急資源，為雄安新區(qū)基于智能技術和多維數(shù)據(jù)的社會安全預測預警和綜合研判系統(tǒng)建設提供方法支撐，同時，根據(jù)本文研究過程和研究結果，對該系統(tǒng)的建設提出“制定統(tǒng)一的數(shù)據(jù)格式”和“實現(xiàn)數(shù)據(jù)實時接入”2方面的思考及建議，為雄安新區(qū)的“現(xiàn)代化城市安全體系”建設提供參考借鑒。