美国的大数据警务应用

王欣

20世纪90年代开始，发源于英美的“情报主导警务”“ComStat模式”事实上都可以看做是今天大数据警务的雏形，只不过那时可以利用的数据资源远远少于现在。近十年内，在热点警务、数据驱动警务的概念驱动下，不少软件工具被开发设计出来并应用在美国的警务工作中。以往，美国警察组织体系相对地方化、权力分散化，但在“9 ·11事件”后美国就开始注重信息数据的融合和共享，进行了多项立法，开发了多个项目，其中包括著名的融合中心来推动跨地方、跨部门的警务数据共享，以应对越来越严重的恐怖主义威胁和有组织犯罪。

洛杉矶警察局和纽约警察局是美国较大规模的警察局，城市经济发达，财政投入充足，警务信息技术也一直比较领先。尤其是洛杉矶警察局，紧邻美国软件开发的大本营——硅谷，拥有得天独厚的软件开发人才基础，在大数据警务方面走在了英美最前沿。PredPol【这是一款“预测性警务”（predictive policing）软件程序，它通过一套专有算法分析历史犯罪数据，然后计算出10～20个最有可能在警察下一次执勤时发生犯罪活动的地点。下简称PredPol】和帕兰提尔（Palantir）两个平台都是在洛杉矶警察局最先开发使用的，其中Predpol主要是热点警务，用于犯罪预测和合理调度分配警力资源，帕兰提尔则是一个整合多个平台、多种数据源、多地方数据库和视频监控、车牌感知等终端数据采集系统的超级智能搜索引擎，不仅仅用于犯罪侦查信息的检索，还能够主动预警具有风险的个人和高风险受害者，使警方可以提前行动。英国也开发了类似的其他软件平台，综合起来看，这些软件工具主要有以下三种大数据应用方式：犯罪热点预测，犯罪个体和受害者个体风险预测，基于大数据平台的信息融合、检索与挖掘。同时，政府在努力不断地拓宽数据来源，一方面大力促进政府部门间的数據共享与整合，另一方面加大信息采集设备的布设，增加监控摄像头、移动摄像头、车牌读取器以及其他物联网信息采集终端，最后努力通过立法、合作、购买等方式将交通、金融、商务、通信等私有数据纳入大数据警务体系。

PredPol全解析

PredPol是加州大学洛杉矶分校和圣塔 ·克拉罗大学的数学家和社会学家以及洛杉矶警局共同合作开发，美国有西雅图、亚特兰大等几十个城市都在使用PredPol预测帮派犯罪、毒品犯罪、枪支暴力、街面盗抢等犯罪活动。英国肯特警察局使用该工具预测毒品犯罪和抢劫。肯特警局不仅利用该工具派警，还会安排参与公共安全的市民志愿者和毒品干预人员前往该地区。基于PredPol的犯罪热点预测信息，警官可以结合预测地点的谷歌街景图像提高发现和阻止犯罪的能力。在使用中巡逻警官只须携带一个电子地图，地图上会指示出发生犯罪的热点地区，他们则按照地图指示开展巡逻。据开发者提供的研究报告显示，该软件能够有效地降低犯罪率，圣塔 ·科鲁兹警察局从2012年1月到6月，与前些年同期相比盗窃案件减少了 14%，洛杉矶警察局的福特希尔分局从2013年到2014年一年的犯罪率减少了20%，在其他地区也得到了类似的报告。

但是在警察局内部和外部对该软件有不少质疑的观点。有些警官认为，犯罪预测算法不过是告诉警官一些他们早就知道的知识。对于这种说法，软件的设计者布兰廷汉姆并不认同，他说：“犯罪热点的动态性是超乎想象的，城市里有良善之区，也有犯罪热点，没有这些犯罪预测工具的帮助，警察个人是很难准确判断的。”尽管与始于上世纪90年代的犯罪制图思想方法相同，但是与犯罪制图相比，PredPol基于更大的数据量，用更加复杂的数学方法去计算，该软件比简单的热点地图效果好得多，诸多科学实验已经证明了软件的有效性。然而批评者并不完全认可实验结果，他们认为应当在更多的城市进行更多更准确的实验，以检验其效果。事实上，犯罪预测并不是完全机械指挥基层警官的，在很多城市使用PredPol的警官并不会完全盲目唯犯罪预测地图是从，警官们仍然有很大的自由裁量权，仅仅依靠算法是不够的，警官们仍然需要足够了解自己的片区，根据需求自己作出调节。

还有一些观点认为跟着犯罪热点去调度巡逻警官追着犯罪跑，并非真正的主动预防警务方法。辛辛那提大学的犯罪学教授约翰 ·艾克认为：“预测警务是今日警务的刀锋，但是这个刀锋已经钝了……如果某个地方在很长一段时间其犯罪问题都是可预测的，那么说明这个地方一定有什么根本上的问题。这个地方的管理者的失职使其变成了一个犯罪热点，那么管理者就有责任修正问题，而不是在这个地方巡逻、拦截盘查大量的无辜人员，干扰他们的生活。”

从技术上分析，PredPol也存在一些局限。该模型使用的是类似基于地震后的余震预测模型的算法，采用的是自预测的算法，将犯罪类型、犯罪地点和犯罪时间作为输入变量，输出对未来一小段时间内的犯罪类型、犯罪地点和犯罪时间的预测。因此，PredPol是基于过去的事件来预测未来事件，并不考虑环境变化的复杂因素，事实上人们日常行为模式和城市地理环境都会影响犯罪热点的分布。犯罪预测领域还有其他一些软件模型用于犯罪热点预测，例如美国罗格斯大学两位教授开发的风险区域模型（RTM）软件，这是一个中长期犯罪预测模型，将不同的因素叠加到地图层中以预测未来一段时间犯罪的变化。RTM可以和PredPol这样的短期预测地图共同使用。类似的工具还有MoRiLE模型（执法部门风险管理模型），该软件会考虑不同类型叠加起来造成的总体危害来指导警力资源的调配，包括对个人、对组织、社区的危害以及公众的期望和经济损失。

总之，尽管犯罪预测工具仍然在部分地区比较流行，但是并非大数据警务的主要方向，很多人对其功效仍然心存质疑。该软件在一定程度上忽视了基层巡逻警员的智慧，机械地按照计算机风险评估去调度警员巡逻路线，必然会导致一线警官本能的心理抵触，也容易被犯罪分子掌握规律使得预测失效。

帕兰提尔大数据融合与分析系统

与犯罪预测和个人风险评估工具相比，帕兰提尔才是真正的大数据工具。帕兰提尔公司是一家很有传奇色彩的公司，其创办者是来自硅谷的三位天才计算机工程师，而其公司和软件平台名称则来自指环王中的一个能够穿越时空看到一切的水晶球。2004年开始，该公司就开始为CIA服务，主要提供信息整合和分析的软件服务。自从2011年起，他们开始帮助洛杉矶警察局分析数据，该公司也与FBI合作，帕兰提尔并没有公开使用他们工具的警方用户有多少，但是很多国家安全机构以及著名的加州警局和纽约警局都曾经与该公司合作过，据说发现麦道夫的旁氏骗局和抓获本 ·拉登都有该软件的功劳。目前，这家名不见经传的公司正在默默地改变着美国警务的方式。

帕兰提尔首先是一个数据整合平台。与世界上所有组织一样，美国执法系统中存在着大量的、孤岛式的信息系统，加之美国警察组织的分散特点，更增加了数据整合的困难。帕兰提尔提供所有分析功能都是建立在数据整合的基础之上，目前该系统能够整合美国警方常见的案件管理数据、个人生物信息数据、逮捕数据、犯罪记录数据、机动车信息、帮派和嫌疑人等数据，还整合了来自其他政府部门和私有机构的一些数据。有了这样的整合，使用者可以通过一站式智能检索轻松地获取所需信息。根据德州大学奥斯汀分校社会学家莎拉 ·布莱恩的一份调研报告，该平台的使用和社交网络一样简单，只要在计算机键入该嫌疑人的名字和外貌特征，数据库就会给出可能的嫌犯，这些嫌疑人的年龄、描述、住址、帮派、机动车等信息都会出现在相关的区域。其中有些信息是在拦截盘查过程中记录的，不仅仅记录了当事人，也记录他的同行人员。

帕兰提尔还是提供智能案件管理功能，并且提供案件情报分析等辅助调查功能。例如，系统能够自动根据案件中的内容进行信息匹配，串并不同地区不同警官侦办的案件。据莎拉 ·布莱恩描述，警方探员很容易通过帕兰提尔系统找到相关联的案件，一个探员能够使用“杰克、抢劫、男、五英尺11英寸高”这样的描述进行信息碰撞，从而使其他探员也能够了解有人在侦破这样的案件，为串并案件创造条件。系统还能通过数据碰撞挖掘侦破案件，例如当多个地区发生线缆被盗的案件时，系统可以在丢失线缆的地区查找重复出现的车牌，从而筛选出可疑车辆。

帕兰提尔也具有风险预测预警功能。与积分模型和热点警务的预测不同，帕兰提尔的预测是根据具体的个体行为和具体信息发布警告的。警官可以像在脸书上关注朋友一样订阅关注人员的动态信息，只要有敏感行为发生，警官就会在自己的手机上收到关于此人的警告信息。洛杉矶警局已经将装在警车上和街道上的摄像头都整合到帕兰提尔的系统里，摄像机能够读取车牌信息，并将时间和地理位置录入系统。例如，一个银行抢劫嫌疑人的车辆被摄像头捕捉到正在进入特定银行周边区域，警官就会收到一条警告。该系统还能帮助警察减少行动风险，例如，当警察打算搜查嫌疑人房屋时，他们可以先在平台上寻找相关信息，了解目标是否有枪支注册，相邻的住户是否有枪支，以及在该区域是否有通缉犯或者相关联的帮派存在，从而降低搜查带来的风险。

丰富的信息采集终端

大数据的特点包括使用海量数据和多种多样的数据来源。为增加数据量，英美警方使用各种方法加大信息采集力度，车牌识别、人脸识别等技术的应用范围迅速扩大，对视频内容的进一步提取与分析成为警方亟须解决的技术问题。洛杉矶警局在公共地区接入了闭路监控摄像头，警察巡逻车上安装了车牌读取器，最近还尝试使用搭载在飞机上的实时摄像头，来监视和记录城市的整体情况。2012年纽约警察局和微软合作开发了DAS系统（区域警报系统），该系统能够从监控摄像头、自动车牌识别系统、射频感应器等多个数据源，实时地分析潜在的威胁。2013年11月，正值波士顿爆炸案发生后的半年，纽约市警察局为了保障即将举办的纽约马拉松比赛，在马拉松沿线布置了几百个临时摄像头，用DAS实时分析捕捉到的信息。尽管该系统投入不菲，但是作为微软合作伙伴的纽约警察局，每年可以从微软销售给全国其他警察部门的该软件的利润中提取30%，而且这个系统带来的工作效率的提高将远远大于当初的投入。FBI提取了大量来自刑事记录中的相片信息，以及如员工背景审查等非刑事原因的记录中提取的相片，形成了一个海量的人脸检索、对比、识别系统，该系统可以用于在关键地理位置实现人像对比和案件调查。

大数据警务面临的挑战

大数据改变了传统警务的方式，带来了前所未有的效率与便捷，但是也引起了民权人士的担忧，一些人担心会生活在“数字暴政”之下。还有一些学者提出大数据警务改变了美国宪法第四修正案赋予的人权，即必须具备“合理怀疑”的前提下才能拦截盘查，然而现在警方无需获得任何许可即可通过大数据开展调查。尽管有着种种人权、伦理障碍，近些年迫于反恐壓力不断增大，政府也在不断赋予警察更多的数据获取权限。

除法律、伦理障碍之外，信息孤岛问题仍然是全方位开展大数据警务的最大障碍。美国为此也作出过大量的努力，促进国家层面的数据共享与融合。例如，成立了多级别多层次的信息融合中心，以促进地方、州和联邦的执法数据共享与交换。