金澤剛

(同濟大學 法學院，上海 200092)

一、問題的提出

近些年，城市化發(fā)展催生了公共安全與犯罪問題。從“犯罪控制”到“犯罪治理”，人們對犯罪的多元認識在不斷深化。事實證明，犯罪治理不能總是跟著犯罪跑，而是要力爭將防線前移，提前預判，早防、早打、早治。而隨著信息化時代的到來，信息網絡技術催生了新型犯罪，使傳統(tǒng)犯罪向信息化“轉型”。相較于傳統(tǒng)犯罪預測的“人工主義”“經驗主義”，信息化犯罪預測更能挖掘容易被人忽略的細節(jié)，實現精準、智能評估。犯罪治理信息化對犯罪預測提出了更高的期待。人類與犯罪作斗爭的實踐證明，犯罪是多種因素交互影響的結果。犯罪雖然是一種社會運動，其規(guī)律具有復雜性，不同于自然運動的絕對規(guī)律性，但不可否認的是，犯罪規(guī)律仍然是客觀存在的，也是可能認識的。比利時統(tǒng)計學家Quetelet曾通過統(tǒng)計分析發(fā)現，在一定的社會中, 犯罪具有相對的穩(wěn)定性, 犯罪率以及犯罪形勢則具有相對固定的反復規(guī)律[1]。如此，犯罪預測就成為一種可能，并被運用于實踐之中。

具體說來，犯罪預測的基本內涵是通過運用一定的技術方法，結合已有的與犯罪相關的數據、資料等，研究犯罪的過往與現狀，探究犯罪發(fā)生、發(fā)展的規(guī)律，以推測未來整體的犯罪態(tài)勢以及個體的犯罪風險，并進行犯罪預警的過程。傳統(tǒng)犯罪預測，只能依靠小規(guī)模數據以及人工、啟發(fā)式探索，或簡單的數學計算作出預測判斷。因為數據較少，復雜程度也較低，此時的犯罪預測是低成本的，多局限于較小轄區(qū)范圍內。到了現代社會，各種數據的數量呈幾何倍數增長，犯罪預測分析開始借助計算機硬件設備和復雜的數據分析系統(tǒng)，使在犯罪行為發(fā)生之前預測犯罪成為可能。計算機基本能力包括自然語言處理、知識表示、自動推理、機器學習、計算機視覺以及機器人學等。這些能力均改變著當前的犯罪預測方式。例如，計算機的知識表示能力可以存儲犯罪預測所需要的數據，通過自動推理，運用存儲的數據來回答問題，便于得出犯罪預測結論；而機器學習更專注于算法，不需要編程，并在結合新數據時進行更改，在犯罪預測時即可基于算法所預設的基礎，重新組織已有的知識結構，不斷改善自身的性能，實現精準預測。隨著經濟高速增長，我國信息化技術發(fā)展已邁入新階段，新階段主要以物聯(lián)網和云計算為代表，這兩項技術掀起了計算機、通信、信息內容的監(jiān)測與控制的4C革命(1)在自動化系統(tǒng)中應用了現代計算機技術(Computer)、現代控制技術(Control)、現代通信技術 (Communication)及現代圖形顯示技術(CRT),即4C技術。4C電子產品是Computer計算機產品、Communication通信產品、Consumerelectronics數碼家電、COM網絡產品的簡稱。比傳統(tǒng)3C電子產品多出COM(網絡)類目。。

信息技術應用于犯罪預防，這既是犯罪學上對犯罪存在的價值形態(tài)、發(fā)展規(guī)律的研究和應用，也是將它們不斷轉化為數字、代碼的過程。在信息化語境下，犯罪預測本身的范式已發(fā)生變化，這種變化既屬于新技術的融入以及新的應用，也是犯罪預測應對新時代的必要改變?？傮w而言，信息化犯罪預測依賴信息技術功能在“未違法、未犯罪、未再犯罪”時對未來犯罪、可能犯罪的趨勢進行先知先覺式的預知、預判，使犯罪治理能夠提前介入、適時干預。在當今信息化浪潮引領下，犯罪預測不僅是西方發(fā)達國家犯罪治理的熱點問題，也是我國社會治理信息化的重要組成部分。

二、發(fā)達國家犯罪預測系統(tǒng)及其發(fā)展趨勢

在斯皮爾伯格2002年導演的科幻電影《少數派報告》中，警察可以預測犯罪細節(jié)，提前趕到現場，制止犯罪。雖然現在還沒有人做到精確預測未發(fā)生罪案的細節(jié)，但預測哪里會發(fā)生罪案、誰更有可能犯罪已被用在警方的執(zhí)法過程中。今天，通過智能攝像機掃描面部，利用基于AI的人臉識別技術進行預測分析，以提前預測罪犯，這一切都真實發(fā)生了。得益于科技的發(fā)展和進步，歐美發(fā)達國家犯罪預測系統(tǒng)起步較早，為我們提供了很多可資借鑒的經驗。

(一)美國犯罪預測系統(tǒng)

美國是犯罪預測領域的“先驅者”，20世紀初就十分重視警務裝備的現代化，并已基本形成一套跨區(qū)域、跨部門、跨行業(yè)的現代化信息數據共享、各體系協(xié)同作戰(zhàn)的警務信息體系。20世紀90年代，美國提出情報導向警務戰(zhàn)略，依托信息技術，由警察局主導預測系統(tǒng)研發(fā)及運用。1994年，紐約市警察局就推行了Computer Comparison Statistic系統(tǒng)(后簡稱Compstat系統(tǒng))，即比較統(tǒng)計數據模式。Compstat系統(tǒng)擺脫了依賴數據隨機收集和911報警電話的被動局面，開始依靠電腦建立犯罪數據庫，并進行深度分析。Compstat系統(tǒng)不僅僅需要建立信息網絡系統(tǒng)，還需要建立一套與之相適應的信息化工作體制和管理體制。據美國司法部調查顯示，2004年美國已有58.2%的警局已經或正在應用Compstat模式。Compstat模式的核心特色要素是四個基本的構成原則，即準確及時的情報、有效的戰(zhàn)略戰(zhàn)術、迅速的人員資源部署以及持續(xù)的后續(xù)追蹤評估行動。

美國洛杉磯和芝加哥警局使用的預測犯罪軟件系統(tǒng)是 PredPol，該軟件能通過官方渠道，從每個部門的記錄管理系統(tǒng)(RMS)中實時獲取提要來收集犯罪類型、位置和時間，從而為預測引擎提供反饋[2]。PredPol犯罪預測系統(tǒng)根據歷史犯罪活動統(tǒng)計數據，借助算法預測最可能發(fā)生犯罪案件的時間、地點和類型。其設計原理來源于地震預測軟件，認為犯罪會像地震一樣短時間內在原來發(fā)生犯罪案件的地點再次發(fā)生同類案件。該系統(tǒng)能夠每天為不同的值班和任務創(chuàng)建預測，極大地提高了出警效率。洛杉磯警察局的Foothill分局從2013年1月至2014年1月的預測犯罪數量下降了20%，并且在2014年2月13日實現了一整天無犯罪發(fā)生。阿罕布拉市警察局的報告說明，自2013年1月部署犯罪預測軟件以來，入室盜竊率下降了32%，車輛失竊率下降了20%。2014年5月被報告是該市歷史上犯罪率最低的一個月[3]。亞特蘭大警察局的兩個社區(qū)的犯罪總量于2013年7月分別下降了8%和9%；諾克羅斯警察局在2013年8月之后的短短4個月內涉盜竊和搶劫案件的數量下降了15%—30%；阿罕布拉市的盜竊和偷車案件數量在2013年1月之后分別下降了32%和20%，且該市的犯罪率于2014年5月降至歷史最低水平。到2015年年初，美國已經有60個警察局采用PredPol系統(tǒng)，且效果十分明顯[4]。

PredPol系統(tǒng)的運作基礎是城市內安裝的攝像頭以及聲音感應器，這些設備獲取的數據通過犯罪預測計算機算法，預測犯罪多發(fā)地點。在每次運算結束后會呈現一張犯罪熱點地圖(即通過運算得出在城市中哪些區(qū)域屬于犯罪多發(fā)地，隨時計算、隨時得出結果)，并可同步到警務人員的電子設備上。這一模式可以提高警務人員的工作效率，通過地面巡邏減少犯罪發(fā)生。不僅有地點范圍，PredPol系統(tǒng)還可分析人的危險程度。這種分析與預測的算法會將是否有犯罪史、居住地等信息作為考慮因素。PredPol系統(tǒng)得到的犯罪主體預測結果十分詳盡，包括排名前20的嫌疑人的基本信息，甚至可以具體到其實施犯罪的百分比。根據PredPol系統(tǒng)名單，警方可以提前對這些危險程度較高的人進行心理咨詢及治療，以降低其實施犯罪的概率。

在美國暴力犯罪最嚴重的城市之一田納西州的孟菲斯市還有一個犯罪預測系統(tǒng)，即Blue Crush系統(tǒng)，它是通過對已發(fā)生犯罪的時間、地點等歷史數據進行分析，來預測未來犯罪發(fā)生的時間、地點。該系統(tǒng)于2005年投入使用，系統(tǒng)預測得出的時間與地點為警察巡邏提供了重點街區(qū)，以便警察提早制定戰(zhàn)術，并在特定地點采取行動。該系統(tǒng)使用后，孟菲斯市的犯罪率顯著下降?！胺缸锒床旌皖A防解決方案”則由IBM公司研發(fā)，其基本模式是整合犯罪數據，分析、發(fā)現線索，預測犯罪高發(fā)區(qū)域，并進行相應的警務部署。犯罪數據包括案件報告、警務電話信息等。其獨特之處在于可以通過警方不同部門的協(xié)同工作，將多數犯罪控制在輕罪階段。在里士滿，警察局自2009年開始應用IBM的“犯罪洞察和預防解決方案”，之后的12個月里，該地區(qū)的暴力犯罪和殺人案件減少近30%[5]。

在公司領域，利用人工智能預測網絡攻擊的美國Cylance公司是估值10億美元以上的“獨角獸”，其人工智能反病毒軟件“CylanceProtect”可以有效預測網絡攻擊的發(fā)生。Ionita提出了一種利用數據挖掘進行網絡入侵檢測的多智能代理方法[6]。Kumar和Reddy基于人工智能技術，為無線網絡開發(fā)了一種獨特的基于代理的入侵檢測系統(tǒng)，該系統(tǒng)從不同的節(jié)點收集信息，并利用這些信息與進化的AIS 來檢測無線網絡的入侵，并用于網絡犯罪預防[7]。Barman和Khataniar進行了基于神經網絡系統(tǒng)的IDSS的開發(fā)，他們所提出的系統(tǒng)在發(fā)現DDOS攻擊時的檢測速度相較于其他系統(tǒng)至少要快20.5倍[8]。可見，美國的信息化犯罪預測水平居于世界最前沿。

(二)英國犯罪預測系統(tǒng)

英國比較有特色的犯罪預測系統(tǒng)為英國國家情報模式下的情報核心分析系統(tǒng)(ICAS)，該系統(tǒng)主要分為以下幾個環(huán)節(jié)：規(guī)劃和指導—收集—加工—分析—傳遞，其中第二個和第四個環(huán)節(jié)較為重要。情報收集環(huán)節(jié)采取國家情報模式，每個地方雖然設有情報部門，但由國家犯罪情報局統(tǒng)籌情報收集，協(xié)調統(tǒng)一，保證情報收集的完整性。對于情報分析環(huán)節(jié)，為了滿足情報分析工作量不斷增加的需要，英國政府投入了大量人力、財力。其中對專業(yè)人員的要求十分嚴苛，必須精通計算機技術、通信技術，掌握安全防控等相關知識，以適應犯罪形勢的諸多變化。此外，英國對情報分析結果應用得很充分，以警務情報產品推動警務工作的開展，形成了信息通暢、高標準化的警務管理機制。此外，還有一點比較特殊，即英國情報機構的跨境協(xié)調。在英國脫歐前，英國情報機構與歐盟存在廣泛的合作，英國情報機構可與歐洲警察署共享數據庫和信息、提供風險報告等。

英國警方在2018年提出了新的AI系統(tǒng)，即國家數據分析解決方案(NDAS)，它利用AI軟件分析數據評估個人持槍或刀犯罪的可能性，同時還可以評估個人成為犯罪受害者的概率。NDAS系統(tǒng)是在英國警務部門資金緊缺的背景下應運而生的，該系統(tǒng)可以監(jiān)視所有已知個人，并優(yōu)先追蹤急需注意的一小部分。該項目負責人伊恩·唐納利表示，這樣做的目的不是為了預防性地逮捕任何人，而是要為當地的治安和社會工作者提供支持。即針對被NDAS系統(tǒng)鎖定的最需要干預的人員，及時為他們提供咨詢服務、社會或醫(yī)療幫助，以避免他們真的犯罪。雖然其他國家警察也使用軟件測定犯罪臨界值，但NDAS的功能性在世界范圍內都遙遙領先。因為該軟件囊括了多達8支警察力量的數據庫，其中包括倫敦和大曼徹斯特地區(qū)警方的數據，這樣的數據庫集合在全世界范圍內是首例。根據警方的數據庫，該軟件已經能夠識別多達5萬人，而且已經發(fā)現1400個可以幫助預測犯罪的指標，例如一個人單獨犯罪或與他人共同犯罪的次數等。在這些統(tǒng)計數據的基礎上，該系統(tǒng)的自主學習功能還可以預測和評估某個人未來犯罪的風險，并分配一個危險系數，提示未來出現攻擊行為的可能性。

(三)德國、意大利犯罪預測系統(tǒng)

德國犯罪預測系統(tǒng)中也相對成熟、知名的是區(qū)域犯罪預測，包括對場所、社區(qū)、城市中的犯罪現象進行預測，評估犯罪發(fā)生的趨勢，為犯罪治理提供前提。德國Precobs軟件是區(qū)域犯罪預測的“典范”，利用已發(fā)生犯罪的數據，分析位置、時間、事件、行為以及細節(jié)等，來查找“高風險”區(qū)域。該系統(tǒng)中犯罪區(qū)域預測大致包括如下步驟：一是通過對以往犯罪的觀察與分析，定義檢測重復犯罪的標準；二是計算在逆向分析中已經檢測到的近來重復數據出現的區(qū)域，并創(chuàng)建空間預測。通過逆向模擬測試標準和計算的區(qū)域，查看所選假設是否有效。當這些區(qū)域記錄了新的觸發(fā)要件時，將創(chuàng)建預測(警報)，以安排警察的執(zhí)法活動[9]85。

意大利的 KeyCrime 是一家軟件預測公司，其預測邏輯是：犯罪者有他們行動的一套范式，如果他們在某一地區(qū)進行了搶劫犯罪并且得手，他們更傾向于在該地點附近再次作案。KeyCrime 調用的是警方的犯罪嫌疑人數據，結合被搶劫的商店地點、攝像頭里拍攝的犯罪嫌疑人的動作、攜帶的武器，來分析這個罪犯的危險程度，更重要的是，分析他跟附近犯罪案件有沒有什么別的關系，如果有，他的下一宗犯罪可能發(fā)生在什么時間和區(qū)域[10]。

(四)日本犯罪預測系統(tǒng)

日本在2016年由京都警方從美國NEC公司引入預測性犯罪防御系統(tǒng)，通過大數據分析京都地區(qū)過去10年超過10萬件的街頭犯罪案件和性犯罪案件的發(fā)生時間和地點，預測下一個可能發(fā)生類似犯罪的地點。到了2018年，日本神奈川縣警方投入4800萬日元，對過去的110萬件犯罪案件進行數據挖掘和深度學習，預測犯罪可能發(fā)生的時間和地點，當事人的性別和年齡等。此外，日本東京警視廳也開發(fā)出一套名為Digital Police的手機軟件，供國民免費下載使用。軟件中介紹了在詐騙犯罪中經常出現的誘騙詞句，以提高國民的防騙意識。不僅如此，只要用手機定位，用戶所在區(qū)域的實時犯罪情況就會出現在首頁，包括搶劫等犯罪和可疑人員的信息。用戶還可以自主添加一些評論。將犯罪信息通過社交軟件形式公布，而且是采用可視化的手段，不僅可以提高公眾的警惕性，還可以提高公眾的參與度和公眾對警方工作的滿意度。在我國近年來的全民反詐行動中，這些措施完全可以參考。

日本的日立公司也自行研發(fā)了日立可視化犯罪預測分析系統(tǒng)(PCA)。這個系統(tǒng)不僅運用歷史犯罪數據，還搜尋地圖信息、天氣信息、交通信息、報警信息等來預測何時、何地可能發(fā)生犯罪行為。其中比較有特色的是充分利用社交媒體數據，且通過實踐證明，這一要素可使犯罪預測成功率得到顯著提高。由于社交推文中可能包含地點信息，因此系統(tǒng)通過LDA模型，可以篩選并提取可能發(fā)生犯罪的特殊地點信息，作為防控犯罪的依據。如此海量的數據，完全依靠機器學習，找出容易被人類忽略的可疑行為，不需要人來衡量哪些因素重要以及有多重要。而且PCA系統(tǒng)充分應用可視化技術，提高交互界面質量，以不同圖標代表不同犯罪類型，以數字百分比代表案件發(fā)生的可能性。這樣就更直觀地為系統(tǒng)用戶提供了犯罪預測分析的結果。

(五)以色列犯罪預測系統(tǒng)

以色列一家科技公司也研發(fā)了一款Faception軟件。該軟件可基于人臉識別技術進行個性分析預測，其核心也是計算機視覺和機器學習技術。通過收錄不同的分類，對視頻流、相機和線上線下數據庫中的臉部圖進行編碼，將個體與各種人格特征和類型進行匹配，以此對個體是否有犯罪傾向、是否為潛在的恐怖分子進行預測。面部分析系統(tǒng)不同于面部識別系統(tǒng)的簡單數據庫匹配，而是通過軟件識別有可能實施恐怖活動犯罪的人，即使這些人并沒有記錄在官方的數據庫中。在2015年巴黎恐怖襲擊事件后，Faception軟件對涉案的11名恐怖分子進行面部識別，在沒有檔案的情況下，將其中的9人都標記為潛在恐怖分子，顯示出了該軟件在預測潛在的恐怖分子方面具有較高的準確率。

相較于以往的犯罪預防偏重于經驗運用，近年來興起的大數據犯罪預測，運用統(tǒng)計學、心理學和計算機科學等方法，明顯提高了犯罪預測的準確度和科學性。走在信息化前列的上述國家，均實行信息化犯罪預測，開始使犯罪預測數字化、平臺化、體系化，這標志著犯罪預測呈現出新的發(fā)展趨勢，預測信息化進入新的階段。

一是從宏觀預測到微觀預測。犯罪預測的內容包括宏觀與微觀兩個方面。犯罪宏觀預測，需要對整體及個罪的犯罪率進行統(tǒng)計，分析犯罪率、犯罪主體、犯罪手段等整體上的變化趨勢及原因。在以上犯罪統(tǒng)計、分析的基礎上，對犯罪率的升降、犯罪區(qū)域、犯罪重點人群以及犯罪手段的變化作出科學預測，并提出行之有效的對策，為預防犯罪政策及措施的制定提供依據。比如，在犯罪治理過程中,相較于犯罪行為，應更加關注犯罪人。而域外一些國家在種類繁多的犯罪主體類別中,更加重視相對于強勢群體的弱勢人群。比如，相對于成年人的未成年人。弱勢群體是由于某些障礙及缺乏經濟、政治和社會機會而在社會上處于不利地位的人群[11]。在犯罪預測過程中，應將他們作為犯罪預測的重點人群進行單獨研究，把握其特點，加以識別和預測。這不僅有利于對少數重點人群的犯罪進行預防，而且對整個社會的治理以及刑事政策的制定都具有積極意義。

不過，當下宏觀預測已不是域外犯罪預測的主流趨勢，犯罪的發(fā)生和發(fā)展既有其一般規(guī)律，又有其特殊規(guī)律，進行犯罪微觀化的個體預測是現階段防控犯罪更有效的手段。犯罪個體預測是指掌握犯罪人的個人基本情況、思想品格與人格、心理素質等，具體分析犯罪的原因及條件，統(tǒng)計各類犯罪具有規(guī)律性的手段、時間及地點。在以上分析基礎上，及時對具體對象在已經形成或即將形成的某些條件下可能發(fā)生的犯罪行為以及犯罪手段、時間、地點作出預測。進行犯罪微觀預測的理論依據是犯罪的種類及其時空分布的規(guī)律性。時空因素是制約人類活動的環(huán)境基礎，隨著時空因素的改變，主觀情感、客觀行為也會發(fā)生相應的變化。總之，人類的一切精神活動和實踐行為都具有顯著的時間和空間屬性。犯罪作為人類反映其思想和精神活動的實踐行為，也相應地具有時空特性。從應用角度而言，有關這方面的研究有助于根據時間和空間因素，分析犯罪分布狀況、犯罪類型等特征，把握犯罪活動的時空規(guī)律；也有利于選擇適宜的時機和地點，采取正確的犯罪預防措施。當然，宏觀預測為微觀預測提供基礎和方向，微觀預測是具體目標。犯罪預測是先有宏觀預測，在此基礎上再實現微觀預測，二者并不能完全割裂開來。

二是從經驗主義到數據主義。域外犯罪預測已很少有經驗預測的蹤影。從20世紀三四十年代開始，邁向現代化的國家就開始逐步完善通信網絡等設備，為之后建立現代化警務系統(tǒng)提供基礎框架，并開始重視數據的積累。比如美國國家信息中心19世紀末就存儲了上億個犯罪人員的詳細信息；英國某團隊在研發(fā)預測軟件時，從當地和國家的警方數據庫中收集了基礎單位非常宏大的數據，包括人們被禁止和被搜查的記錄以及犯罪記錄，數據涉及數百萬個體。到了20世紀80年代，電子信息技術迅猛發(fā)展，警務人員不再滿足于機械的書面定期報告，開始轉變思維方式，逐步構建起以動態(tài)數據為基礎的電子警務系統(tǒng)。以美國為代表的發(fā)達國家都已認識到，如果一個國家擁有足夠多的優(yōu)質數據和數據挖掘能力，那么相應的綜合國力也就得到了提升。這樣的認知代表著犯罪預測已經從經驗主義走向了數據主義。當然，數據主義是對經驗主義的繼承和發(fā)展，而不是全盤否定。數據主義的兩大主要階段為數據的采集和分析，數據采集階段雖然基本上沒有人類經驗的滲透，但是數據分析階段的算法模型等就不可避免地滲透著數據挖掘者的意圖。以前受技術限制，只能觀察和收集有限的犯罪數據，并以此為基礎，運用理性經驗歸納犯罪發(fā)生的一般規(guī)律，是一種知識驅動的經驗主義。在信息化條件日漸成熟之后，算法模型的建立仍然需要數理邏輯理論的支撐，其實質上是對大量數據的歸納, 具有傳統(tǒng)經驗主義的特征。只是當數據量足夠大時，對理論模型的依賴會越來越小，在特定“公式樹”的作用下，數據的自動化運算才能得出預測結論。

三、我國犯罪預測信息化轉型的基本問題

隨著“互聯(lián)網+”“智慧化+”深入社會生活的各個方面，我國犯罪預測的實踐也開始活躍起來。有的地方還實現了本土化的創(chuàng)新嘗試。如上海市奉賢區(qū)人民檢察院探索開發(fā)了“刑事犯罪風險預警與動態(tài)預測系統(tǒng)”，該系統(tǒng)以檢察環(huán)節(jié)執(zhí)法辦案數據為基礎,在科學構建指標體系、設置權重的基礎上,自動計算并動態(tài)評估特定區(qū)域的刑事犯罪風險等級,為預防打擊犯罪、網格化管理等提供決策支撐。然而，從我國城市犯罪治理的過程來看，犯罪預測總體上尚未形成系統(tǒng)化規(guī)模，未形成一個專門的犯罪治理環(huán)節(jié)，也未出現知名的犯罪預測系統(tǒng)，呈現的是不同領域、不同部門“自我預測”的零星松散態(tài)勢，犯罪治理更多只是依附于打擊犯罪的懲罰性措施。目前，我國的犯罪預測在犯罪治理體系中沒有發(fā)揮應有的作用，除受刑事政策、管理思維等因素的制約外，犯罪預測的信息化水平不高也是重要原因。我國犯罪預測亟待借力智慧城市建設，嵌入犯罪治理的全過程，特別是要在預測理念更新、預測理論應用與深化、預測基礎條件、數據收集分析及其整合利用等多方面實現信息化轉型發(fā)展。

(一)犯罪預測的理念更新

邁入高質量發(fā)展階段的犯罪治理應樹立整體性、長周期的治理觀，倡導精細化治理理念以及總結、固定典型案例的成功模式[12]。犯罪治理涵蓋“本體、過程與效果”等基本范疇，效果范疇之理念革新表現為建立科學的犯罪治理預測機制[13]。城市犯罪預測同樣是犯罪治理效果范疇的理念革新內容。伴隨著信息技術的發(fā)展，以犯罪預防為核心的犯罪治理策略，與數據技術、規(guī)律以及分析捆綁在一起，對特大城市犯罪預測理念的轉變提出了創(chuàng)新要求。

一方面，犯罪預測理念對“長周期”提出要求。囿于相關技術，傳統(tǒng)犯罪預測的實施受諸多因素制約，尤其是各種信息的收集能力有限，這就不難理解為什么傳統(tǒng)辦案機關只能將精力向“要案”及“要案偵查”傾斜。哪怕存在犯罪苗頭，對個體或團體進行犯罪預測，也僅限于預測短期行為或相對宏觀的層面。但隨著大數據技術的發(fā)展，以及規(guī)則體系、方法的更新，個體及團體的信息被監(jiān)控記錄、財務審計、上傳以及多元監(jiān)督等，使“長周期”數據供給機制構建成為可能。另一方面，犯罪預測理念對“精細化”提出要求。雖然數據信息有“長周期”供給基礎，但是這些數據信息在不同情形下難免存在瑕疵。例如，雖有算法用以整理各處收集的信息，但在整體上這些數據信息的“粗糙性”不可避免。受技術、人力等限制，傳統(tǒng)特大城市犯罪預測主要針對大范圍、宏觀方面進行，如預測特定區(qū)域范圍內總體犯罪率升降、犯罪手段變化等情況。大數據之下，犯罪預測也將開始向更微觀方面轉變，進而精準到特定個體與團體，這是“精細化”的必然要求。犯罪治理的思維由傳統(tǒng)犯罪分析的“偵查學”思維，向大數據犯罪分析的“犯罪學”思維轉變[14]102—107。

(二)犯罪預測理論的應用與深化

科學的犯罪治理與預測，離不開對數據及分析技術的創(chuàng)新，也需要對理論的清晰認知與深化解讀。一直以來，近重復理論與風險地形建模是犯罪預測主要模型，近重復理論旨在“識別和解釋某些犯罪表現出的在同一地點產生重復犯罪活動的現象”。該理論認為，一旦特定地點發(fā)生犯罪，統(tǒng)計學上該地點和附近區(qū)域發(fā)生犯罪的可能性就增大。在發(fā)生首次犯罪后的短時間內，附近環(huán)境將可能遭遇其他類似的犯罪事件[9]84—91。在財產類犯罪尤其是盜竊罪中，近重復理論在大多數情況下被驗證。相對應，信息化犯罪預測可以在這種理論的框架和規(guī)律中完成代碼式、數字化的轉化。犯罪預測常被西方學者稱為“舊把戲、新技術”，其中也反映了變與不變，變化的是技術的嵌入，不變的是理念的適用。風險地形建模則側重從社會、物理空間視角來作用于行為因素間的動態(tài)關系。風險地形建模大致流程包括給各個因素配值，每個因素形成單獨風險圖層，最后在GIS系統(tǒng)中將所有圖層匯集、組合，形成一個風險地形圖。風險越大，發(fā)生犯罪的概率也就越高[15]，由此應用于犯罪預測。在當前實踐中，該理念與模式主要依托數據技術與交互技術進行犯罪預測的優(yōu)化，不僅能用于財產型犯罪的預測，也能用于暴力型犯罪的預測。

不過，同樣的犯罪預測理論在不同的國家或地區(qū)有不同的具體適用方式。一方面，這種適用理應被強調，即在預測理論中增加數字系統(tǒng)的創(chuàng)新構建，利用不同科學技術優(yōu)化預測精準度；另一方面，特大城市犯罪預測的過程也應是這些理論深化發(fā)展的過程。隨著人臉識別、深度學習、人工智能等技術的發(fā)展，犯罪預測理論也不斷擴展。2017年，上海交通大學的兩位研究者發(fā)布了一項題為“利用臉部照片自動推斷犯罪性”的研究(2)該研究應該是受到意大利犯罪學家龍勃羅梭(Lombroso)“天生犯罪人”理論的啟發(fā)。1870年，意大利醫(yī)生龍勃羅梭打開了死去的意大利罪犯維萊拉的頭顱，發(fā)現其頭顱枕骨部位有一個明顯的凹陷處，它的位置如同低等動物一樣。這一發(fā)現觸發(fā)了他的靈感，他由此提出“天生犯罪人”理論，認為犯罪人在體格方面異于非犯罪人，可以通過卡鉗等儀器測量發(fā)現。并認為犯罪人是一種返祖現象，具有許多低級原始人的特性，可被遺傳。該理論因否定犯罪的后天因素而顯得先天不足。但不可否認，它至今在犯罪學領域仍占有一席之地。，利用基于有監(jiān)督的機器學習的方法，根據人的臉部特征預測一個人是否有犯罪傾向，“準確率接近90%”。雖說該研究明顯存在一定的社會偏見，但也提供了一些新的研究視角，人的面部特征、行為姿勢、生活習慣等均成為犯罪預測需要深入研究的基點。尤其是各種理論的交叉、結合，更成為一種犯罪預測新趨勢。雖說僅看面部特征容易造成偏見，但如果結合風險地形、近重復理論、行為姿勢等，是否就能精準判斷呢？這同樣值得深入討論。另外，伴隨著網絡技術的發(fā)展，賭博類犯罪已由之前的線下方式向線上方式轉變。為逃避打擊，犯罪分子常將賭博網站服務器設在境外，不僅增強了隱蔽性，更讓信息收集存在“國界”?？梢姡k案機關在運用大數據技術進行城市犯罪預測的時候，不同主體的反預測手段也在發(fā)展。犯罪預測與反預測的關系也反映了犯罪預測理論的應用與深化。

(三)甄別可預測犯罪的基礎條件

誠然，不同犯罪類型的可預測性、預測必要性都存在不同，有的犯罪甚至很難預測。特別是一些極少發(fā)生的犯罪，預測難度大，也沒有太大的預測必要性。如我國刑法規(guī)定了丟失槍支不報罪，在對該類犯罪開展犯罪預測時，需要對槍支丟失的可能性進行預判，但就連犯罪行為人對槍支在何時會因保管不善而丟失都無法預測，又如何讓偵查機關準確預測槍支可能丟失的時間和地點？縱觀當前的犯罪預測實踐，至少存在以下幾個前提條件或者類型表現。

一是從犯罪主體來看，可預測的犯罪往往是屬于理性的犯罪。與理性的犯罪相對應，非理性的犯罪具有較強烈的感性色彩，是犯罪人在感情沖動支配下或情感冷漠情況下實施犯罪的情形。其非理性的特征表現在犯罪原因的情緒化、行為動作的冷酷化以及危害對象的非針對化。較為典型的是情緒性犯罪中的激情犯罪與應激犯罪。激情犯罪因行為人情緒爆發(fā)而突然實施犯罪行為，具有突發(fā)性、盲目性、臨時性而很難進行預測。相反，像一些影視劇里描述的殺人犯，平時的表現是沉默寡言，不急于使用暴力，但當其殺害被害人時，則充分暴露出內心陰暗、手段殘忍甚至變態(tài)的一面。從某種程度上講，這類殺人犯還是“理性”的，只不過是“冷酷的理性”，仍然具有可預測性。實踐中有必要加強對這類犯罪的有效預測。

二是從犯罪性質和類型來看，可預測的犯罪往往是常見多發(fā)的犯罪。這無疑與犯罪治理和犯罪預測的目的是一致的。對于極少案發(fā)、很少適用的罪名，預測意義不大。結合學者對常見犯罪的認識，根據全國各地的司法數據情況，一般可以將適用案件數占前50名的犯罪作為常見犯罪(刑法規(guī)定的罪名已接近500個)。2021年7月1日起實施的《關于常見犯罪的量刑指導意見(二)(試行)》規(guī)定了23種常見犯罪(3)它們是：交通肇事罪；危險駕駛罪；非法吸收公眾存款罪；集資詐騙罪；信用卡詐騙罪；合同詐騙罪；故意傷害罪；強奸罪；非法拘禁罪；搶劫罪；盜竊罪；詐騙罪；搶奪罪；職務侵占罪；敲詐勒索罪；妨害公務罪；聚眾斗毆罪；尋釁滋事罪；掩飾、隱瞞犯罪所得、犯罪所得收益罪；走私、販賣、運輸、制造毒品罪；非法持有毒品罪；容留他人吸毒罪；引誘、容留、介紹賣淫罪。。這就說明常見犯罪是不難確定的，預測也有必要性和可能性。實踐當中，盜竊和詐騙一直是我國最高發(fā)的犯罪類型，但隨著人們生活方式和財產形態(tài)的變化，盜竊和詐騙的犯罪數，在一定時期和地域可能呈現此消彼長的趨勢，預測也應該考慮相關因素的變化而得出相適應的結論。而近幾年，因立法規(guī)定了醉駕等危險駕駛類犯罪，結果僅僅幾年時間這類犯罪就超過了盜竊，成為數量最多的犯罪。這種變化與立法有直接關系，預測就要跟上。還有信息網絡發(fā)達導致網絡犯罪激增，這同樣與立法有關。隨著案例的不斷增多和積累，對它們的預測也會越來越具有現實性。

三是從預測的技術因素來看，預測需要充足的數據和信息。犯罪預測以數據分析結果為主要依據，一個較為精準的犯罪預測結果的獲取，不僅需要對犯罪行為本身的數據進行統(tǒng)計與分析，還需要對可能影響到犯罪的各種社會因素的相關數據展開分析。在傳統(tǒng)犯罪預測中，由于技術的局限性，我國主要收集與犯罪直接相關的數據，收集范圍狹窄，預測結果的可靠性、準確性都十分有限。在信息化條件下，犯罪預測對數據的依賴程度加劇，大量的歷史數據對形成完整的犯罪預測與評估鏈條尤為重要。這是今后犯罪預測必須重視的初始工作。

(四)犯罪預測精準數據收集策略

不同犯罪在發(fā)生前后伴隨不同的征兆和特征，無論是個體作案還是團伙作案，犯罪類型決定是否可預測，也決定該如何預測，或者說正因為從這些方面進行預測能實現精準的目的，才使這種預測成為可能。舉例說明：如企業(yè)涉嫌非法吸收公眾存款罪，在分析犯罪的行為、結構之后，不難看出犯罪是否與企業(yè)經營范圍、實際經營業(yè)務、往來交易記錄以及主要管理人的行為情況等因素有所關聯(lián)，那么對這些因素的測算，有助于更準確地得出結論。還有一些犯罪是以特殊主體為要件的，那么對于這類犯罪，其預測就可以限縮在個體以及相關個體的范圍內。從某種意義上講，對犯罪預測規(guī)律進行挖掘時，一定要對犯罪本身作類型分析，并且不斷歸納類型所涉及的因素，這是能夠融入算法、且能被計算的前提，也是精準挖掘數據信息的必經步驟。

面對現階段數據雜亂無章的狀況，要實現數據信息的精細化，需要研究影響犯罪的因素以及各因素之間的聯(lián)系。換言之，精準的犯罪預測勢必涉及多方面因素，并依賴大量數據，因而精準收集數據的策略很重要。如孔一教授在研究刑釋人員再犯風險評估時，就選取了51項相關因素,并量化后按同一標準確定為再犯預測因子[16]。當然，網絡數據的私密性以及真實性，都加大了對這些關鍵數據的收集難度?！艾F代犯罪治理理念應以多機構協(xié)作為主體,以大數據犯罪分析為路徑,以犯罪情境預防為主要策略?！盵14]102—107基于犯罪治理與預防目的，犯罪數據供給不僅需要公安機關積極作為，而且需要其他相關組織和人員共同協(xié)作，包括其他公權力機構、第三方技術組織、廣大知情群眾等。例如，市場監(jiān)督管理局出具的企業(yè)法定代表人、股東、行政處罰等數據信息；電信、移動等通信企業(yè)擁有的個體通話記錄；受害者可能通過各種渠道進行的投訴、吐槽等信息，都將成為特大城市犯罪預測的重要數據。一些中介服務機構也為犯罪預測數據收集提供了便利，如“企查查”就是一款企業(yè)信息查詢工具，立足于企業(yè)征信的相關信息整合，經過深度學習、特征抽取和使用圖構建技術，為用戶提供全面、可靠、透明的數據信息，這些信息對于公司企業(yè)的犯罪預測都是有價值的數據。

(五)數據信息智慧分析與交流機制

如前所述，美國的犯罪預測系統(tǒng)都是基于對數據信息的科學運用而有效的。美國的Compstat系統(tǒng)依靠電腦建立犯罪數據庫并進行深度分析，其主要有兩大內核：一為實現信息網絡和信息系統(tǒng)建設；二為與之相適應的信息化工作體制和管理體制[17]。PredPol犯罪預測系統(tǒng)則根據歷史犯罪活動統(tǒng)計數據，借助算法預測最可能發(fā)生犯罪的時間、地點和類型。除此之外，英國、日本、以色列等國的犯罪預測系統(tǒng)一直都是在圍繞犯罪危險數據信息評估系統(tǒng)和模式進行研發(fā)、創(chuàng)新。

這些都給我國語境下特大城市犯罪預測工作帶來啟示，如參考PredPol系統(tǒng)中算法與犯罪預測的結合，預測犯罪高發(fā)時間以及地點，為開展精準普法教育提供有利佐證。再如參考NDAS系統(tǒng)，提前預測有心理健康問題以及暴力傾向的人群，聯(lián)合社會組織提早介入，以實現真正的犯罪預防。一直以來，個體與團體信息的私密性、隱蔽性是阻礙犯罪預測的一道難題，犯罪行為的受害者或其他第三人的信息始終存在。在日本的PCA分析系統(tǒng)中有一特色做法，即利用社交功能來獲取犯罪危險信息。系統(tǒng)用戶在社交界面上可以獲得犯罪地點、犯罪類型以及犯罪可能性等。在我國司法實踐中，不少犯罪所涉及的眾多受害者的信息或碎片化的信息被第三人掌握，比較典型的如非法集資類、環(huán)境保護類犯罪。在這種條件下，就需要一個類似交流的系統(tǒng)將線索拼湊在一起。不同用戶可以在系統(tǒng)中表達自身的受害情景或有關犯罪的情報，然后，將這些數據導入預先設置的“公式樹”(4)編程需要代碼的編輯和表達，通過數字語言按照特定的指令邏輯，每一串成板塊的代碼語言對應一道公式，一串串代碼就組成了程序的自動化，也就形成了“公式樹”，可以簡單理解為眾多計算公式有規(guī)律地聚集在一起的形象表達。之中，最終篩選、提取所謂犯罪評估的關鍵信息。與用戶互動的數據篩選、提取過程，在現階段更多是內容的識別、鑒別過程，包括對用戶表達的犯罪地點、類型、可能性、證據、線索、情節(jié)等內容的鑒別。一方面，警務人員可以對“公式樹”進行初步設置；另一方面，人工智能因其自動學習功能，也能夠不斷自我完善“公式樹”結構。這也就意味著，這種“人工+機器”不斷完善模式，更有利于全面收集、分析數據，更容易找出可能被忽略的必要因素。當然，這種互動方式還具有數據驗證的功能，如一個信息能夠被不同用戶提及，這個信息的真實性也就越強，價值也就越大。

(六)犯罪數據整合利用的最大化

犯罪數據的整合利用是上述數據分析與交流的再延伸。數據分析離不開“公式樹”的構建，而公式創(chuàng)設又需考慮各項指標。各項指標聯(lián)系數據收集以及分析，這幾乎是理論與實務界的共識。誠如上文所述的英國數據分析NDAS方案，該軟件囊括了多達8支警察力量的數據庫，其中包括倫敦和大曼徹斯特地區(qū)警方的數據。該軟件已經能夠識別5萬人，而且已經發(fā)現1400個可以幫助預測犯罪的指標，例如一個人單獨犯罪或與他人共同犯罪的次數等。不少犯罪橫跨多地甚至跨越國界，過程冗雜，行為模式上既有組織性、又各自負責。對其進行預測，不僅需要同一區(qū)域范圍內行政機構內部的協(xié)調互助，也需要不同區(qū)域間對相關數據的共享管理，有可能還需要國際組織之間的溝通、交流。

現階段，司法實踐部門確實在適用一些數據評估系統(tǒng)，只是大多只限于針對自我管理的范圍，如鄉(xiāng)鎮(zhèn)街道配合網格化管理所開發(fā)的管控系統(tǒng)。個體或團體的跨區(qū)域違法犯罪活動經常是以碎片化的形態(tài)存在的，因此很難客觀地對犯罪發(fā)生的可能性作出精準評估，尤其是一些需要達到一定金額或條件才能認定犯罪的案件，以及那些前期需要進行數據、金額評估的犯罪。此外，小范圍的數據整合，往往因為樣本數量有限，而難以挖掘規(guī)律或者重復發(fā)現規(guī)律。這種情況下可以將一些區(qū)域的經驗以及通過計算所得的公式，通過申請修改，并入系統(tǒng)“公式樹”之中，再直接適用于其他區(qū)域，免去這些區(qū)域的收集、分析、歸納等重復勞動，此謂其一；其二，缺乏數據跨區(qū)域甚至全國性流通的機制，就難以讓數據所呈現的規(guī)律被最大化利用，如一些一線城市的犯罪規(guī)律可能比二線城市發(fā)現得早，如果有一個大范圍(如長三角城市群)統(tǒng)一的數據分享、交流機制，那么二線城市就有可能借助一線城市的預測經驗，將犯罪消滅在萌芽狀態(tài)。

當然，作為國家層面犯罪治理的重點單位，公安部及其下設單位日常進行的分析調研(各種調研報告)中一定包含了犯罪預測的內容，但因公開的資料有限，未發(fā)現有影響力的專門的犯罪預測理論成果，或者應用型操作系統(tǒng)。不過，當公安部出臺相關犯罪治理的政策性規(guī)定時，特別是中央政法委在組織相關部門研討、出臺犯罪治理的相關文件過程中，也離不開犯罪預測的內容。隨著信息化技術日趨發(fā)達，犯罪預測對于制定和執(zhí)行犯罪治理的指導性文件，實現犯罪治理的精準化和有效性必將具有越來越重要的意義。

四、預測示范：以交通類犯罪為例

現代社會由于汽車普及率越來越高，發(fā)生在交通領域、危害交通安全秩序的犯罪高發(fā)，這些犯罪在我國刑法中涉及十幾個罪名，但最常見的是交通肇事和危險駕駛兩類犯罪。近年來，危險駕駛犯罪更有超過盜竊罪，成為數量最多的犯罪。受到犯罪預測技術手段的局限，傳統(tǒng)犯罪預測中對交通類犯罪的預測主要通過現狀分析和經驗預測展開。例如，2013年公安部門相關負責人依據2012年的交通事故統(tǒng)計數據，從國家立法的完善、交通事故執(zhí)法力度的加強，以及人們交通安全意識有所增強這三個方面得出2013年交通事故發(fā)生數量和帶來損失有所下降的預測結論。該種預測具有宏觀指導意義，但由于未深入挖掘上述三個方面的相關因素，因此很難在此基礎上得出細化的犯罪預防和治理策略。也有專家依據機動車統(tǒng)計數量增加的現狀，預言我國道路交通安全狀況將繼續(xù)惡化，并據此提出逃逸行為單獨入刑、提高法定刑等立法或刑事政策的建議。

盡管根據宏觀預測建議，我國從《刑法修正案(八)》到《刑法修正案(九)》，逐步細化了危險駕駛罪的規(guī)定，加大了嚴重違反交通法規(guī)行為的處罰力度，但2016年我國道路交通事故萬人死亡人數仍在上升，直接財產損失也在不斷增加。僅依據宏觀建議而制定的犯罪預測策略并未對交通犯罪的治理起到實質性抑制作用。有必要對引發(fā)交通犯罪的相關因素加以細化，從微觀角度對交通犯罪行為加以預測。犯罪發(fā)生率是反應交通類犯罪總體趨勢的直觀性與必要性數據，因此，在收集數據時，犯罪發(fā)生率的統(tǒng)計不可或缺，但由于交通犯罪是由多方面因素造成的，因此利用信息化技術進行數據拓展和數據共享就顯得十分重要。具體而言，對交通類犯罪開展犯罪預測時，由于該類犯罪的多發(fā)性是由道路條件乏佳、交通安全設施欠缺、交通主體存在主觀過錯等因素共同作用的結果，因此在分析宏觀經濟、社會與交通發(fā)展狀況的基礎上，還需對機動車及駕駛人員、具體案件等相關數據進行統(tǒng)計分析。

從機動車與駕駛人員情況來看，據公安部統(tǒng)計，截至2022年3月底，全國機動車保有量達 4.02 億輛，其中汽車3.07億輛；機動車駕駛人 4.87 億人，其中汽車駕駛人4.50億人。2022年一季度全國新注冊登記機動車934萬輛，新領證駕駛人775.8萬人[18]。在此還應注意無人駕駛汽車的存在。2005年上海某高校成功研制了首輛城市無人駕駛汽車，至今已有多家企業(yè)的無人駕駛汽車試行上路，無人駕駛車輛的出現也成為影響交通類犯罪的變量。從交通類犯罪具體案件數據來看，近三年來，我國交通事故每年發(fā)生數量都在200000起以上，其中2020年為244674起，同比下降1.2%；交通事故直接財產損失為131360.6萬元，同比下降2.4%[19]。在數據共享與大數據統(tǒng)計背景下，大眾對上述具有代表性數據的獲取并不困難，但公安與交通執(zhí)法相關部門還可通過可視化技術和機器學習算法等信息化手段，更加精確地預測區(qū)域內的各種犯罪情形的分布。具體而言，信息化手段對交通類犯罪的預測主要表現在如下幾個方面。

第一，從宏觀角度預測交通類犯罪發(fā)展趨勢的要素及其相互關系。例如，從經濟發(fā)展因素、機動車與駕駛人員因素以及其他社會因素方面進行考察，交通類犯罪仍將是未來較長一段時間內最常見的犯罪類型。還可以根據前些年的交通犯罪態(tài)勢以及各種具體要素，分析它們與交通快速發(fā)展的客觀狀況是否具有一定的比例關系，并通過數據分析，發(fā)現其中哪些客觀因素影響最大。在經濟發(fā)展層面，經濟快速發(fā)展，但道路等交通基礎設施建設速度較慢，道路交通基礎設施建設的速度與經濟、交通(運輸)發(fā)展所需求的速度存在顯著沖突，這種沖突對交通類犯罪有多大影響。在社會因素層面，分析民眾道德水平變化、文明意識仍較薄弱、法制和交通安全意識有所加強等因素與交通類犯罪增加之間有什么關系。而在機動車與駕駛人員因素層面，機動車數量與駕駛人員數量逐年遞增，但駕駛行業(yè)機制靈活，規(guī)范不足，輕駕駛質量而重經濟效益情況突出，導致“職業(yè)馬路殺手”在短期內無法杜絕。上述客觀和主觀方面的因素相互交織，通過信息化手段對一定年限的數據進行科學分析，應該不難得出基礎性預測結論。從總體數據觀察，我國交通類犯罪仍呈上升趨勢，這種上升當然也有罪名增加的因素，但在穩(wěn)定的罪名體系下，預測的基礎因素和數據應該也比較穩(wěn)定，只要方法得當，預測結論還是可信的。

第二，在宏觀預測基礎上，可借助可視化技術、計算機算法加強特定城市、特定路段、特定人員等微觀層面的預測，并從多個視角設定信息化預警措施。例如，通過可視化技術查看不同城市交通類犯罪案件的發(fā)生頻率，找出案件高發(fā)的特定時間段，并在未來特定時間段來臨之前，做好犯罪預警與犯罪治理活動的安排與部署。例如，對于酒駕犯罪，上海交警經常于深夜在某些高架橋下口處設點查酒駕，就是根據這些區(qū)域酒店密集、部分駕駛員可能喝酒等數據進行預測為前提的。還可以通過計算機算法對交通類犯罪案件中當事人的基本信息、案件發(fā)生的時間、地點、案件發(fā)生時的路況、天氣等信息進行學習整理，并針對上述能夠影響犯罪人實施交通類犯罪的信息數據建立算法模型，通過計算對交通類犯罪容易發(fā)生的時間、地點、人群、路況等進行預先測算與精確鎖定，并有針對性地制定相應的預警措施。例如，對某個時間段發(fā)生交通類犯罪頻率較高的路段采取定時監(jiān)控，對不同路段易發(fā)犯罪類型采取不同防范與制止手段。不同行政部門也可以通過預測制定不同的政策，以遏制或應對未來交通類犯罪的發(fā)生。如車輛管理部門可采取科學、嚴格的車輛運行與駕駛人培訓管理制度，從源頭降低交通違法犯罪的可能性。刑事立法方面，可完善監(jiān)管法律法規(guī)，轉換立法模式，加重畸輕的法定刑，發(fā)揮刑罰的威懾作用。道路交通管理部門可利用信息化技術輔佐警務部署，一般路面全天候監(jiān)控，特殊路面加強巡邏，科學調用警力。再比如，之前一些地方對于易發(fā)事故的長坡路段積累了很多交通事故預測經驗(5)2022年5月，四川宜賓市公路局在宜賓一鄉(xiāng)鎮(zhèn)道路上鋪設了近2公里長的超長減速帶。因為此前該路段經常發(fā)生交通事故，車輛在道路上要轉5個彎。這樣做雖然導致車輛行駛的舒適度差很多，但有利于預防交通事故。參見曹雪嬌：《四川一盤山公路設近2公里減速帶，公路局：此處常發(fā)事故》。https://baijiahao.baidu.com/s?id=1733051539125888548&wfr=spider&for=pc，訪問日期：2022年5月17日。。隨著信息技術的快速發(fā)展，對危險路段發(fā)生重大事故的預測更加可能和精準，至少可以通過危險路段的長度、彎度、坡度等數據測算，對車輛行駛提出最基本的駕駛要求(如車速)。對相應路段，除了增加視頻監(jiān)控外，還可以在路旁增加語音提醒，甚至直接與駕駛車輛自動鏈接，提醒駕駛人員謹慎駕駛。前些年，橋梁垮塌事件時有發(fā)生。根據相關數據，如橋梁結構狀況、使用年限、過橋車輛增多等進行算法分析，應該就可以作出提前預測和應對。再比如，對重大人員密集場所，在人員密集度等達到一定程度時，計算出一個臨界值(或者飽和度)，達到這個數值就標志著人員擁擠踩踏的可能性很大，這也是一種犯罪預測。如今，信息化技術特別是人工智能的發(fā)展，更是大大增加了對這類犯罪實施預測的可能性。

第三，針對特殊車輛交通犯罪的預測。無人駕駛車輛交通犯罪的預測也可以圍繞宏觀與微觀視角展開。在宏觀層面，伴隨無人駕駛車輛逐漸上路，以及已然發(fā)生的無人駕駛車輛交通事故(6)比如2018年3月，美國就發(fā)生了兩起自動駕駛汽車交通事故，即優(yōu)步測試車案和特斯拉案。，無人駕駛車輛涉及交通犯罪案件會成為未來一種新型的犯罪模式。針對以上預測以及無人駕駛車輛的特殊性質，需要盡早研究、修訂法律法規(guī)，明確法律責任的分配。例如，如何劃分無人駕駛車輛交通事故的民事、行政以及刑事責任的界限，事故責任承擔主體的確認，以及設計者、制造者、銷售者等主體間的具體責任分配等。在微觀層面，則要考慮車輛的生產、制造、銷售、使用的情況，通過加強行政監(jiān)管，嚴格行政許可制度，提高車輛生產、制造的準入門檻，以提升車輛質量與無人駕駛技術安全系數，減少因質量問題產生的交通事故。針對主要研發(fā)城市，可提前劃定無人駕駛汽車的專用測試道路，對這些道路進行特殊管理，通過加裝攝像頭、特殊警察亭等方式嚴密監(jiān)控。還有，在實施無人駕駛后，由于自動化等級不同，對可能存在的車輛操縱者的要求也不一定相同，這就對危險駕駛罪的適用提出了新的問題，比如構成醉駕的酒精濃度要求是不是與普通汽車駕駛員一樣等。這既是立法或者解釋法律的問題，也是犯罪預測需要考慮的問題。

如前所述，我國犯罪預測呈現出零星、碎片化的趨勢，對于具體犯罪而言，即使是宏觀預測，也是各自為政，既沒有專門的犯罪預測協(xié)調機構，更沒有形成國家層面整體的犯罪預測指導性意見或者報告(哪怕是年度的)。只是不同行業(yè)、不同地方或者不同實踐領域，可能在其他工作過程中涉及犯罪預測問題。這樣只能形成零散的、非主流的預測結論。而在微觀上，比較常見的是在辦案過程中，實行“頭痛醫(yī)頭、腳痛醫(yī)腳”的臨時性預測，或者突然性、應急性預測，缺少犯罪預測的關聯(lián)性、前瞻性，也就難以形成犯罪預測的理論體系，這些無疑將影響到犯罪信息化治理的整體效果，也與信息化治理本身的要求不甚協(xié)調。

五、結語

長期以來城市犯罪治理多停留在犯罪打擊層面，此時犯罪實害已然發(fā)生，任何打擊或補救都已經造成一定權益受損的成本。如今，伴隨著信息化技術的發(fā)展，新型技術的應用為促進犯罪的提前預防注入了新的動力。雖然傳統(tǒng)的人為經驗在預測實踐中依然具有實效，但由于不同辦案人員的經驗、能力等存在差異，依賴經驗所作的分析評估在客觀性、科學性和標準性上未必有足夠的說服力，同時人為經驗轉為程式的自動化方式，其準確度和實踐效能同樣值得進行不斷檢驗。對于犯罪預測結論而言，人的經驗和信息化技術，哪個更值得信賴永遠是個動態(tài)調整的過程。

犯罪預測的信息化還不可避免地會帶來價值沖突問題。如隨著信息化預測的容量與功能的發(fā)展，數據的收集能力也勢必得到強化，尤其是“個性化數據”會成為被收集和分析的對象，如除了人的身體隱私外，私密交往、通話記錄、購物情況、行車軌跡等個人的社會信息均有可能被系統(tǒng)獲得。再如，在網格化管理模式下，街道、社區(qū)利用手機拍照、定位等功能，對于社區(qū)戒毒、社區(qū)矯正等人員所在區(qū)域及行為痕跡等數據予以收集。這樣的行為是否越界？還有，犯罪預測的算法結論可能造成社會偏見。當數據不斷顯示某些地區(qū)或某類人群存在高概率犯罪時，那么人與系統(tǒng)都有可能產生偏見。警察辦案時會有傾向性，認為某類人群更易犯罪；而數字系統(tǒng)通過深度學習功能，也更易對特定區(qū)域或人群存在犯罪傾向進行預警。這些沖突或偏見反映了個體利益與公共利益的矛盾關系。歸根結底，我們的各項犯罪預測工作都必須在法治的軌道上運行。