基于犯罪大数据的社会治安精准防控

[摘要]数据之中蕴藏着社会发展与犯罪治理的规律，犯罪治理如何适应大数据浪潮成为在立体化治安防控中开展循数管理的关键。对此，我国应重视“犯罪大数据”问题，从把握大数据与小数据、理论与数据、相关与因果、工具理性与价值理性的关系出发解读犯罪大数据，据此研判数据驱动下的治安防控精细化发展趋势，提出犯罪的精准防控范畴，为大数据时代犯罪治理模式的升级开辟进化之路。作为日常性治理战略的战术延伸，精准防控是为解决犯罪治理的“短板问题”而提出的，在“人力+科技”“传统+现代”治理技术的有机融合下，具有系统性、多层次、全方位、前瞻性、整合式的应用表现。

[关键词]犯罪大数据；循数管理；社会治安防控；精准防控；犯罪治理模式

[作者简介]单勇，同济大学法学院副教授

本文系2014年度国家社科基金青年项目“基于犯罪热点制图的城市防卫空间研究”（项目编号：14CFX016）的阶段性成果，并受同济大学中央高校基本科研业务费资助。

一、问题：犯罪治理如何适应大数据浪潮

“数据表示的是过去，关注、表达的却是未来。数据之中蕴藏着社会发展的规律。”{1}随着《促进大数据发展的行动纲要》的发布，大数据上升为国家核心战略，“数据治国”成为推进国家治理能力现代化的重要着力点。在治安防控领域，如何以数据文化推进犯罪治理，如何解读“以信息化为引领”方略，怎样借力“互联网+”的增量效应和“大数据×”的乘数效应提升立体化社会治安防控的科学性，成为亟待深入探究的问题。

大数据浪潮孕育了尊重事实、推崇理性、强调精确的数据文化，数据文化推动了社会治理模式的转变，也催生了社会科学研究范式的转换，社会科学与计算科学、网络科学相结合，向着“计算社会科学”和“网络社会科学”转变。大数据分析挑战着传统的科学研究方法论。图灵奖得主詹姆斯·格雷认为大数据时代将形成数据密集型科学研究的“第四范式”。{2} 在社会治理研究如沐大数据春风的同时，社会科学界出现了“大数据有限论”“数字利维坦”等颇值得关注的反思观点。

关于“大数据有限论”，有学者强调，“之所以出现‘大数据崇拜，不是数据拥有者有什么高明之处，而是人类监测手段出现了爆炸式增长”{3}；“大数据不能质疑，更不能取代各种非量化的人文社会研究”{4}。有学者认为，“无论如何精巧的大数据分析工具的使用，都不能代替生产工具的人的理性思考。‘武器的批判并不能取代‘批判的武器”{5}。有学者指出，大数据重相关关系而轻因果关系，“在大数据库中，由于数据量庞大，通常很容易得出统计意义上显著的回归系数，但这并不意味着两个变量之间存在因果关系”{6}。“大數据检测到的网络联系是一种弱联系，不足以预测高风险的社会行为。”{7}

关于“数字利维坦”，有学者指出，“信息技术不仅孕育着走向数字民主的巨大机会，而且潜伏着滑向‘数字利维坦的现实风险”{8}。“数字利维坦”的风险在于，国家依靠信息技术的全面装备，将公民置于彻底而富有成效的监控体系之下，而公民却难以有效地运用信息技术来维护其公民权利，即无法通过数字民主来制衡国家的监控体系。{9}

大数据浪潮与“大数据有限论”“数字利维坦”形成了观念上的冲突与对立，争议的焦点是在社会治理中如何正确理解及科学运用大数据。面对观念对冲、思潮起伏，犯罪治理如何适应大数据浪潮且不至于陷入盲目滥用、误读误解、动辄泛化的数据陷阱，成为在“创新立体化社会治安防控体系”中开展循数管理的关键。对此，我国应正视和重视“犯罪大数据”问题，针对上述争议观点，从把握大数据与小数据、理论与数据、相关与因果、工具理性与价值理性的关系出发解读犯罪大数据，据此研判数据驱动下的治安防控发展趋势，并思考犯罪治理模式的进化之路。

二、基点：正解犯罪大数据

IBM（国际商业机器公司）和IDC（国际数据公司）将大数据的特点归纳为“4V”，即海量性（Volume）、多样性（Variety）、快速性（Velocity）、真实性（Veracity，IBM的界定）或价值性（Value，IDC的界定）。在此基础上，有学者提出，数据有测量、计算、记录三种来源，大数据可理解为传统的小数据（源自测量）加上现代的大记录所产生的数据。“大数据是指人类有前所未有的能力来使用海量的数据，在其中发现新知识、创造新价值，从而为社会带来‘大知识‘大科技‘大利润和‘大智能等发展机遇。”{10} 因此，大数据之大，不仅在于大容量，更在于大价值。

作为大数据在治安防控领域的分支，“犯罪大数据是指能全面反映犯罪相关人、事、物的数量特征、时空分布特征，以及变化过程的海量、多源、异构数据。犯罪大数据具有多源异构、高维度、长时序的特征”{11}。犯罪大数据同样具有“4V”特性，在思维、方法、类型、价值上与大数据一脉相承，但它是以犯罪及其防控为核心的数据，是犯罪及其防控信息的载体。经过数据整理与加工后，犯罪大数据能够呈现出具有规律性的犯罪防控知识。

犯罪大数据的大价值主要体现于犯罪防控的创新实践中。在国外，美国圣克鲁斯警局较早运用大数据分析历史案件，发现推测犯罪趋势和犯罪模式；美国马里兰州运用软件预测罪犯假释或缓刑期间的再犯可能性，这种预测成为了法庭假释审查的参考；南卡罗来纳州警察运用IBM的数据分析工具探察犯罪模式，发现犯罪热点，优化警力部署；洛杉矶警局与科研机构合作，基于过去80年的130万个犯罪记录开发出预测犯罪高发地点的软件；在国内，信息警务异军突起，犯罪大数据分析逐渐成为治安防控的重要支撑。山东省公安机关“警务云平台”建设取得重大进展，截至2016年已收集460类369亿条数据，存储总量达到10P，每日处理数据达千亿条；2013年北京市公安局怀柔分局与天津工业大学合作，研发出“犯罪数据分析和趋势预测系统”，取得了良好的防控效果。

相对于犯罪大数据的丰富实践，我国犯罪大数据的理论研究甚为滞后，这在客观上制约了犯罪大数据在治安防控中的应用。为此，在全面体察上述实践的基础上，本文尝试从以下五个方面解读犯罪大数据：endprint

1.犯罪大数据不能简单等同于公安大数据

公安机关与海量的线索、情报、信息打交道，并拥有人、车、案件、证据、户籍管理、警力部署、警用地理信息等犯罪数据库，因此有学者直接提出“公安大数据”{12}范畴。虽然公安机关是打击和预防犯罪的重要力量，但犯罪治理的主体不应限于公安机关。从全局层面、系统角度来理解，法院掌握的已判决刑事案件数据、检察机关掌握的提起公诉刑事案件数据、国家安全机关掌握的国家安全数据、司法部门掌握的罪犯矫治数据、政法委掌握的维稳及综合治理数据、纪委掌握的反贪及廉政建设数据、政府其他机构掌握的城市公共安全数据、社会其他团体及公民个人（现代社会每个人都是互联网数据记录与传输的终端）掌握的与治安防控有关的数据均与公安大数据一样，属于犯罪大数据的范围。可见，“犯罪大数据”比“公安大数据”涵盖范围更广、视野更加开阔、内容更为丰富，“犯罪大数据”应成为研究大数据浪潮对犯罪防控影响的基石范畴。

2.犯罪大数据包括犯罪小数据

从类型上看，犯罪小数据亦是犯罪大数据的有机组成部分，源自测量的小数据与现代大记录形成的数据共同组成了犯罪大数据。“大数据从类型上可分为结构化数据、半结构化数据和非结构化数据。”{13}结构化数据是防控机关内部系统中的信息，如Excel表格中案件情况的统计数据。从容量及数据来源上看，结构化数据属于典型的犯罪小数据。半结构化数据包括Word文档中的文字、网页中的新闻、电邮等；非结构化数据是基于物联网、手机等移动智能终端、车联网等的传感器所形成的视频、图片、地理位置、活动轨迹、网络日志等数据。

从数据可用性上看，大数据的价值主要体现在传统的小数据或结构化数据上。当前人类的数据约75%是非结构化数据和半结构化数据，这也是大记录的表现形式。非结构化数据和半结构化数据要想体现出数据治理的价值，当前主要的处理方法还是把它们转化为严整结构的小数据。{14}以往传统的区域犯罪风险评估、基于犯罪地图的热点探测、实验性防控项目跟踪等量化研究很多都属于小数据分析。“大数据无法取代以抽样调查和实验研究为代表的传统的‘小数据研究，抽样调查的样本在特定情况下比某些‘大数据更具有代表性。从长远来看，大数据不仅不会取代小数据，而且必须依靠小数据才能得到发展。”{15}因此，犯罪大数据并不排斥传统的小数据分析，犯罪小数据与大数据是一种共生相依的关系。

3.“理论+数据”结合下的数据相对论

犯罪大数据分析以对犯罪规律的精准把握为目标，但这种分析并不是单纯的客观性分析，仍离不开主观假设、理论思辨、经验和偏好、既有知识积累、价值评判的影响。有了犯罪大数据也不意味着就能为决策者、研究者提供一个绝对真实的“镜像世界”。大数据分析的推崇者以往每每列举洛杉矶警局运用大数据预测犯罪的例子，但2015年洛杉矶犯罪率却出现了13年以来各类犯罪的犯罪率齐升高的现象。这是否意味着犯罪大数据分析失灵或大数据泡沫破裂呢？

实际上，数据越多，分歧也可能越多，因为每一个不同的观点，都能找到相应的数据来支持。“要将千变万化的人类行为提炼归纳进一套相关性分析模型和数学公式里面，几乎是不可能的。这就是大数据不可能宣告理论终结的原因所在。”{16} 数据是不能单靠自己“说话”的，还有赖于研究者的数据清理、分析、解释工作。“不对原始数据进行调整就等于故意公布错误的信息。”{17}因此，犯罪大数据分析必须扎根在犯罪学基础理论之上，并接受理论的指导，任何分析都是一半数据、一半理论；理论驱动与数据驱动之间是一种“海上明月共生潮”的珠联璧合关系。

根据数据相对论的理解，数据永远在追赶事实。数据仅记录事实的一个侧面。数据再大都不是事实，但它逼近事实。事实确实只有一个，但又千万个棱面，任何一组数据，可能都只仅仅描绘了一个“面”。{18}研究者用数据描述事物不同棱面的过程就是解释数据。可见，犯罪大数据分析是否科学有效不仅取决于犯罪数据的质量，更取决于研究者如何将犯罪学理论与犯罪数据有机结合，以既有理论、知识设计算法和程序，以量化分析探究犯罪规律、检验和修正犯罪学理论，从而改进犯罪治理模式。此外，有效的犯罪大数据分析能够提升犯罪防控决策和实施活动的科学性，但并不意味着能直接带来犯罪率的降低。毕竟，影响特定区域犯罪率的因素很多，即使犯罪大数据分析应用甚多，有时也无法对冲人口、城市化、经济、社会结构等深层次原因的影响。

4.从相关到因果的犯罪规律探究

在大数据时代，“相关比因果更重要”的观点甚为流行，基于相关关系的预测分析成为大数据的基本应用。犯罪原因一直是传统犯罪学的核心议题。随着大数据分析的流行，相关关系能够取代因果关系、犯罪预测会架空犯罪原因研究吗？

一般来说，大数据思维强调归纳，注重分析事物之间的相关关系；传统犯罪学研究强调演绎思维，以解释因果关系为目标。“大数据分析可以阐述关联和概率，但归纳法具有无法确定因果关系的天然缺陷。科学的最终目的显然不只是陈述概率或可能性，而是解释因果关系和给出答案。”{19}在概率分析中，有时两个风马牛不相及的因素之间会存在显著的回归系数，这并不意味着变量之间有真实的因果关系。

概率分析的上述局限也无法否定相关分析在犯罪原因研究中的独特价值。尽管相关并非完全等同因果，但“相关性观察是绝大多数犯罪原因研究的前期研究”{20}。犯罪原因的等级取决于同结果发生之间的联系概率。概率越大，原因等级便越高。“研究者运用基于概率论的数理统计方法可从众多因素中筛选出与犯罪存在较大概率的相关因素、排除无关因素，并精准把握特定变量影响犯罪发生的數量关系。”{21} 在分析过程中，归纳和演绎思维往往难以分割，“‘数据驱动科学必须把归纳和演绎结合起来。通过归纳性的大数据分析洞察情况，然后依据数据分析的结果提出假设，最后再用演绎法与数据分析相结合去验证假设”{22}。可见，相关关系不但没有取代因果关系，而且从相关性角度探究犯罪的因果关系构成了量化犯罪原因的可行进路。endprint

从相关到因果的研究进路不仅能够预测犯罪、量化犯罪原因，还有助于揭示犯罪规律。“犯罪规律是指犯罪现象中客观存在的本质联系。犯罪规律首先是指犯罪的因果关系，又包括重复出现的各种犯罪相关性。在因果中心说和概率中心说的互补下，犯罪规律的范畴得以完善。”{23}因此，犯罪规律研究包括相关分析和因果分析。犯罪大数据分析不仅没有架空犯罪原因研究，相反还从犯罪规律的层面为犯罪防控提供了坚实的理论支持。

5.工具理性与价值理性的交相辉映

从数据文化上看，犯罪大数据不能止步于工具理性，不能片面主张大数据分析对社会的精准控制，也不能仅强调“用数据决策、用数据管理、用数据创新”；更应彰显价值理性，在法治框架下开展犯罪大数据分析，防范“数字利维坦”的出现，尤其是在牵涉公民权利时价值理性不能“失语”。

安东尼·吉登斯指出，“我们生活在一个福柯称之为国家‘监控变得越来越广泛和越来越明显的社会。通过计算机和芯片技术的使用，对所属人口信息的储存和控制已成为国家权力的主要媒介。在国家监控活动得到极大发展的条件下，公民权利的维护很大程度上受到了限制”{24}。因此，犯罪大数据分析不仅要求防控机构必须依法开展（如防止出现公民宾馆登记记录泄露等数据泄密事件），还要求在数据开放理念下进行犯罪数据的开放（如刑事案件裁判文书的网上公开）、鼓励“数据平民”的崛起。在英美等国，犯罪数据开放最典型的表现就是犯罪地图的网上公开，通过犯罪地图公开，为民众安全生活提供行动参考、实现警察执法效果的可视化监督、以信息化助力警民互动。

三、趋势：数据驱动的治安防控精细化转向

我国在“十三五”规划中首次提出“社会治理精细化”的新思路。在理论脉络上，“精细化管理”源自企业管理的“劳动分工理论”，后被引入社会管理领域。“无论是传统的官僚制阶段，还是新公共管理阶段，为了保证社会管理的高效率，实现政府的管理目的，必须要保证政府工作的精细化。”{25}

当前，我国治安防控的精细化程度有待加强。“我们的传统文化中，推崇直觉、感性思维，习惯于对事物进行模糊的归类，缺乏严谨、理性、体系化的实证研究。这种思维方式在公共安全工作中容易导致简单化，日常管理粗枝大叶、大而化之，形成一笔‘糊涂账”。{26} 对此，作为“数据治国”文化的实践探索，犯罪大数据分析不是传统意义上的“数目字管理”，而是基于“互联网+”增量效应和“大数据×”乘数效应的犯罪的数据治理。这种数据治理从防控理念、数据基础及技术条件上推动了治安防控的精细化转向。

一方面，犯罪大数据应用倡导尊重事实、推崇理性、强调精确的精准防控理念。

“互联网时代也是一个数据技术时代。‘互联网与‘大数据结合到一起，将产生功能强大、影响持久的‘聚变效应。这种‘聚变效应波及国家治理活动。”{27}“公安机关掌握的犯罪数据一般在局域网内运行，从低安全性网络向高安全性网络单向流动，最后在公安的核心网络中汇集所有数据。”{28}目前，相关数据只有进入公安的局域网后才能进行犯罪数据的关联分析、碰撞对比、研判应用，从而在海量、多源、分散的犯罪大数据中找到犯罪规律。因此，犯罪大数据应用能够把数据优势转化为社会治理优势，变经验驱动的决策为数据驱动的决策，提高决策的预见性、精准性。当前，大数据分析逐渐从案件侦破环节扩展到犯罪风险动态监测及分析、治安专项行动评估、警力部署、智能安防、犯罪预测预警、防控决策等多个领域，“用数据说话、用数据决策、用数据创新”的犯罪精准防控理念影响甚广、渐入人心。“文化是制度之母”{29}，“数据治国”文化强调的精准防控理念构成了“完善社会治安综合治理体制机制”的重要价值目标。

另一方面，犯罪大数据为治安防控精细化转向提供了数据基础和技术条件。

“数据是科学的度量、知识的来源，没有数据，无论是学术的研究抑或是政策的制定，都将举步维艰。”{30}数据和信息是执法工作当中制定战略和决策的基础。犯罪大数据首先是容量大，互联网、物联网、移动互联网均是犯罪大数据产生的基础。犯罪大数据不仅包括公安机关所掌握的各类案件信息、人口户籍信息、指纹信息、警用地理信息、视频监控信息数据库，还包括防控参与主体拥有的数据库，如城市规划、金融机构、网络运营商（包括微信及QQ数据、百度人口密度实时分析数据、网络购物数据、网页浏览记录）、房产部门、快递公司、电信运营商等。

“大数据产业的战略意义不在于掌握庞大的数据信息，而是要提高对数据的‘加工能力，通过‘加工实现数据的‘增值。”{31}犯罪的相关性分析是犯罪大数据分析的基础技术，通过关联关系挖掘将公安机关与防控参与主体的数据有效整合起来，把人、房产、银行记录、出行轨迹、车辆信息、住宿信息、航班信息、快递信息与犯罪的关系链接起来，建立用于综合研判、量化评估的数学模型，从中挖掘与犯罪有关的人与人、人与事物之间的显性、隐性关系，进而实现犯罪评估与预测。以PGIS（警用地理信息系统）为例，研究者将犯罪的地理信息与城市空间信息联系起来，在可视化探测犯罪热点区域的基础上，运用空间回归模型，计算哪些空间因素对犯罪热点具有显著的影响，从而解释犯罪热点的空间成因，指导防控布局，对城市改造与规划提出防卫空间设计的建议。

随着人工智能的发展，犯罪大数据分析将越来越依赖于以机器学习和人工智能来实时监测、分析数据、推演未来。例如，人脸识别技术能够在重要卡口进行人脸监测、人脸跟踪及对比，对疑犯进行实时追踪；又如，智能视频监控技术能够在公共场所进行徘徊分析、拥挤预测，以预防突发性公共安全事件。犯罪大数据分析能够以IT和DT系统创造“智慧警察”，进而助力“智者见于未萌”愿景的实现。

四、回应：精准防控模式的提出

“任何重大技术革命的背后都有科学、哲学，甚至是世界观的巨大变化。”{32}伴随治安防控的精细化转向，犯罪大数据为精准防控提供了驱动力，精准防控构成了犯罪的日常性治理在大数据时代的延伸与发展，是在创新立体化社会治安防控中开展循数管理的关键。所谓精准防控，“是指在技术治理邏辑下，遵循计量犯罪学的研究模式，根植于犯罪大数据挖掘和分析，注重探测及干预高危地点、把握高发时间、对高危人群进行数据画像、体察罪犯出行特征、设计最佳出警路线、优化防控布局、设定治安缓冲区、分犯罪类型进行专题性风险评估等的日常性治理策略”{33}。精准防控模式的提出是对犯罪治理如何适应大数据浪潮问题的理论回应。关于精准防控的理解可从以下五个方面展开：endprint

1.从理论地位上看，精准防控是日常性治理战略的战术延伸

在综合治理理论构架下，“运动式治罪”式微与“日常性治理”兴起亦是不争的事实。{34}作为整体意义上的防控理论，日常性治理倾向于针对结构性的犯罪原因，开展系统性、全局性、综合性的防控战略，如犯罪的社会治理、被害治理、刑事治理等；但结构性的犯罪原因往往无法在短期内根治或改变（如外来人口的城市融入、青年群体的就业、底层群体的社会失范、流动未成年人辍学等问题），这种宏观层面的防控应用往往缺乏针对性与可操作性。因此，日常性治理战略亟待向着更具可操作性、更易开展评估分析、应用价值更大的防控戰术延伸，而根植于犯罪大数据土壤的精准防控则为这种转向指明了方向。

精准防控往往针对非结构性的犯罪条件，以犯罪数据为基础，从海量、模糊数据中的细微信息和蛛丝马迹中分析犯罪规律，开展犯罪风险量化评估，直接采取有针对性的预警预测及防控部署。以针对犯罪热点的精准防控为例，精准防控以犯罪时空信息及城市相关因素信息为基础，运用制图技术探测犯罪热点，以空间统计量化哪些因素影响犯罪热点的形成，针对犯罪时空热点及其影响因素开展地点警务。可见，精准防控是日常性治理向着循数治理的具体转向，也是提升防控科学性和可操作性的理性延伸，还是改善防控绩效的战术选择。

2.从治理目标上看，精准防控是为应对我国现阶段犯罪治理的“短板问题”而提出的，不是对全能管控型治理模式的回归，更不是要打造“数字利维坦”

“提高社会治理整体水平，关键要补齐短板。当前，要尽快补齐基层基础、社会共治、科技运用、法治保障等四个方面存在的短板，把社会治理提高到新水平。”{35}犯罪治理适应大数据浪潮就属于上述社会治理在科技运用上的短板问题，而精准防控通过犯罪大数据分析能够提升犯罪治理的科学性，从而“补齐短板”。随着公安机关的犯罪打击力度不断增强，犯罪黑数如同海绵一样，从中挤出水分的力度日趋增大。基于大数据分析的精准防控就是减少犯罪黑数、改善犯罪预防能力的有效举措。

精准防控所强调的精细化更多是指防控应对的精细化，而非仅是防控机构自身的精细化；精准防控不仅强调犯罪防控顶层设计的精细化，更关注基层基础环节犯罪防控的精细化。在基层，过于精细的组织机构分工容易“导致组织流程破碎、管理思维弱化政府服务职能、条线过多降低基层整体效率、复杂系统削弱居民参与意愿”{36}，从而陷入社会治理的“碎片化”危机。正所谓“基础不牢、地动山摇”，基层是立体化治安防控的基础环节，也是精准防控的重中之重。犯罪大数据分析中的数据开放策略为基层开放性政府的建设提供了基本前提，以满足公共安全服务的有效供给；犯罪制图、统计分析、预测建模、视频监控等技术的集成运用为犯罪在基层的整体性治理提供了技术支持；犯罪大数据分析促进了“传统+现代”治理技术的有机融合，这为犯罪在基层的柔性治理和非正式控制提供了科技保障。

此外，精准防控虽然是一种技术治理，但离不开人文关怀和法治精神的指引。精准防控不是国家对社会的单向管控，而是国家和社会的双向互动。精准防控不应仅是国家机器精密运作的体现，并非一味以效率为导向，而更注重公平和民众满意度，建立自下而上的治安议程产生机制，注重民众的参与，不断提升民众的主体地位及满足不同人群在治安防控中的差异化需求。

3.从表现形式上看，得益于犯罪大数据分析的强悍功能，精准防控具有系统性、多层次、全方位、前瞻性的应用表现

在犯罪侦破领域，基于视频监控搜索、数据交叉比对、罪犯出行轨迹分析等技术，精准防控为抓捕罪犯插上智慧的翅膀，提高了传统的人力走访、入户排查、案情分析效率。在犯罪空间领域，基于地理信息系统的制图技术，精准防控能够可视化探测犯罪热点区域，找到少数热点网格和热点路段，为地点警务的开展提供依据。在犯罪时间环节，借助时间序列等模型，精准防控能够测量出特定犯罪在某个月、一周中某些天、一天中某些时段的时间规律，把握犯罪的高发时间。在高危人群方面，借助互联网、物联网及监控记录，精准防控可对特定高危人群（如暴恐犯罪高危人群）进行数据画像，以了解该群体的生活特点、人际交往范围、行为方式，把握提前干预与危机处置的关键节点，以实现“挽狂澜于既倒、扶大厦之将倾”的犯罪预测。以反恐为例，通过处理包括银行转账、ATM 机的使用、电话通讯、购物、就医、保险等海量信息，鉴别出个别人的非正常行为，这对预防暴恐犯罪会起到很好的效果。根据犯罪时空分布特征的量化评估，精准防控倡导设计最佳出警路线、设定治安缓冲区、改进防卫空间方案等优化防控布局的具体举措。可见，精准防控是一种能够回溯过去、评估现实、吸收外来、预见未来的犯罪的数据治理策略。

4.从技术方法上看，精准防控是“人力+科技”“传统+现代”等治理技术的有机融合，推崇大数据分析并不意味着忽视摒弃传统中行之有效的犯罪治理手段

“时移而治，不易者乱”，精准防控战术的提出是对大数据浪潮的适应。虽然精准防控集成了基于地理信息系统的可视化分析、基于数学建模的犯罪风险评估及预测、犯罪数据的相关性分析、视频监控及人脸识别技术、基于物联网的智能安防等现代技术手段，但精准防控在基层或一线的执行仍取决于具体的人所实施的具体防控活动。传统意义上的治安巡逻、入户走访、抽检临检、人力盯防、隐患排查等防控手段仍不可或缺，不过基于大数据的现代技术手段大大提高了传统防控方式的效率。以犯罪制图为例，制图分析能够精确探测犯罪热点，在犯罪热点地图的指引下，警务巡逻更具针对性和有效性。因此，精准防控在方法上需集成运用“人力+科技”“传统+现代”等治理技术。

5.从实施条件上看，精准防控以信息整合、资源整合、决策机制整合为基础

“非知之艰，行之惟艰”，精准防控的有效开展亟待实现信息、资源、机制的大整合，从大整合中产生大价值。信息整合是通过数据分析技术打通数据壁垒、联通各种数据库，将分散在社会各领域的犯罪及治安信息收集、整理、挖掘、过滤、利用起来，为精准防控的实施提供坚实的数据基础和分析依据。资源整合是向社会延伸精准防控的触角，与网络运营商、软件运营商等数据拥有者无缝对接，以信息化技术动员、吸纳、聚合、组织社会力量，通过犯罪地图公开等数据开放形式助力精准被害预防，实现“互联网+”与“大数据×”下的高维度公共参与。决策机制整合是在精准防控中强调治安防控的“数据化决策”，以信息采集、风险评估、决策制定、政策仿真模拟、日常防控任务的信息化传递与反馈、专项行动治理效果的量化评价辅助防控决策，但同时不忽视防控经验、犯罪学理论在决策中的价值，从而在数据驱动、经验驱动、理论驱动的整合下不断提高防控决策的科学性。endprint

总之，精准防控的提出是将犯罪大数据与犯罪治理关联起来的产物，是立体化治安防控适应大数据浪潮的有益探索，也推动了犯罪治理模式的改进，更为犯罪治理的理论研究走向深入开放提出了新的重要议题。

注释：

{1}涂子沛.大数据（3.0升级版）[M].桂林：广西师范大学出版社，2015：1.

{2}J Gray，Tony Hey，“The Fourth Paradigm-Data-In tensive Scientific Discovery”，E-Science and Informa tion Management，2012，p. 1. 有学者指出，学术史上先后有四个范式。第一范式出现于文艺复兴以前，特征是崇尚经验主义，通过观察描述自然现象；第二范式出现于文艺复兴以后，关注理论，注重建造模型和‘概括；第三范式是计算科学，主要方法是通过计算机模拟复杂现象；第四范式的特征是数据探索，强调海量数据、数据挖掘和统计分析。参见Hey T， Tansley S， Tolle K. The fourth paradigm： data-intensive scientific discovery[M]. Redmond， WA： Microsoft research， 2009.

{3}潘绥铭.批判“大数据崇拜”[EB/OL].http：//www.aisixiang.com/data/93017.html.

{4}潘绥铭.生活是如何被篡改为数据的？——大数据套用到研究人类的“原罪”[J].新视野，2016（3）.

{5}梁玉成大数据不能替代理性思考[N].社会科学报，2015-02-12.

{6}Marcus G， Davis E. Eight （No，Nine！） Problems With Big Data[N].The New York times. 2014. April 7.

{7}Gladwell M. Small Change： Why the revolution will not be tweeted[J]. The New Yorker. 2010. October 4.

{8}[美]阿尔弗雷德·D.钱德勒、詹姆斯·W.科塔达著，万岩等译.信息改变了美国：驱动国家转型的力量[M].上海：上海远东出版社，2011：2.

{9}肖滨.信息技术在国家治理中的双面性与非均衡性[J].学术研究，2009（11）.

{10}{14}涂子沛.数据之巅：大数据革命，历史、现实与未来[M].北京：中信出版社，2014：258-259，270.

{11}李代超、吴升.面向不同主题的犯罪大数据可视化分析[J].地球信息科学学报，2014（5）.

{12}张华平.从Palantir看公安大数据应用[EB/OL].http：//mt.sohu.com/20160523/n450910580.shtml.

{13}王岑.大数据时代下的政府管理创新[J].中共福建省委党校学报，2014（10）.

{15}唐文方.大数据与小数据：社会科学研究方法的探讨[J].中山大学学报（社会科学版），2015（6）.

{16}{17}[美]冯启思著，曲玉彬译.对“伪大数据”说不：走出大数据分析与解读的误区[M].北京：中国人民大学出版社，2015：136，156.

{18}涂子沛.大数据时代，一个新的相对论时代[EB/OL].http：//www.zj.xinhuanet.com/kfkt/2016-04/01/c_1118506954.htm.

{19}郑一卉.范式与方法：对大数据环境中社会科学研究的反思[J]. 新闻知识，2016（1）.

{20}{23}白建军.关系犯罪学[M].北京：中国人民大学出版社，2005：357，359.

{21}单勇.犯罪热点成因：基于空间相关性的解释[J]. 中国法学，2016（2）.

{22}Kitchin R.Big Data， new epistemologies and paradigm shifts[J]. Big Data & Society， 2014， 1（1）：1-12.

{24}[英]安东尼·吉登斯著，熊美娟译.阶级分化、阶级冲突与公民身份权利[J]. 公共行政评论，2008（6）.

{25}{36}王阳、叶敏.从“精细化管理”到“精准化治理”：社会治理的理念变革与政府实践[J]. 新常态与大战略——上海市社会科学界第十三届学术年会文集（2015年度）：410，412-414.

{26}全国政法系统大连会议的12个金句[EB/OL].央广网，http：//news.cnr.cn/native/gd/20150928/

t20150928_519992588.shtml.

{27}陳潭、杨孟.“互联网+”与“大数据×”驱动下国家治理的权力嬗变[J]. 新疆师范大学学报（哲学社会科学版），2016（5）.

{28}深度解析大数据在公安领域的应用[EB/OL].http：//developer.51cto.com/art/201505/477710.htm.

{29}[美]塞缪尔·亨廷顿、劳伦斯·哈里森主编，程克雄译.文化的重要作用——价值观如何影响人类进步[M].北京：新华出版社，2002：2.

{30}陈潭等.大数据时代的国家治理[M].北京：中国社会科学出版社，2015：10.

{31}大数据：通过加工实现增值[EB/OL].http：//www.d1net.com/bigdata/news/342922.html.

{32}阿里研究院.互联网+：从IT到DT[M].北京：机械工业出版社，2015：序2.

{33}单勇.基于热点稳定性的犯罪空间分布规律再认识[J]. 法制与社会发展，2016（5）.

{34}单勇、侯银萍.中国犯罪治理模式的文化研究——运动式治罪的式微与日常性治理的兴起[J]. 吉林大学社会科学学报，2009（2）.

{35}孟建柱.防控风险补齐短板 为全面建成小康社会创造良好环境——学习贯彻习近平总书记关于政法工作指示重要[J]. 求是，2016（6）.

责任编辑：陈艳华

（本文发表于《中国特色社会主义研究》杂志2016年第6期）endprint