预测警务模式下的企业犯罪治理路径探索

程 晔 叶 花 吴佳鑫

犯罪预测的历史和警务工作的发展同样悠久，犯罪数据的收集和使用是警务工作的重要内容。各国的警察机构每天都在根据工作经验、线人线报、民众投诉进行犯罪预测，进而有针对性地调整警务工作方向，如在重要节假日适度增加酒吧等娱乐场所周边的夜间巡逻时间，其效果也得到了实践的检验。近年来，得益于信息技术的高速发展，预测警务重新回归前沿研究领域。然而，国外警务部门在掀起预测警务建设的浪潮后，也引发了一系列关于预测警务的争议，从而促使国内研究者不得不静下心来，认真思考我国预测警务的发展方向。

一、传统预测警务的发展方向及其争议

（一）传统预测警务的发展方向

传统预测警务的研究对象主要是以枪击、斗殴、抢劫、盗窃为主的街面犯罪，这是由国外警务工作以及犯罪学研究的重心所决定的。在以美国为代表的西方国家，枪支、种族、帮派等问题根植于社会土壤之中，街面暴力犯罪频发，因此警方以及犯罪学学者的视线集中在这些直接危害后果严重的自然犯罪上。预测警务也是基于这一背景，在街面犯罪频发的纽约、洛杉矶等地，由当地警务机构率先提出并实施的。现阶段，预测警务的研究方向主要包括犯罪时空预测和犯罪群体预测。

1.犯罪时空预测。预测警务最成熟的领域是利用时间和空间上的犯罪记录搭建地理空间模型，预测未来的犯罪热点。与其他数据相比，数字化地理信息更容易被收集和处理，从此类数据中可依据“近重复假设”等理论寻找出历史犯罪资料所蕴藏的空间规律，由此确定风险区域，预测潜在的犯罪。

早在20世纪90年代，美国纽约警方就运用地理信息系统（GIS）和计算机化统计（CompStat）预测和应对街面犯罪。2012年，洛杉矶警察局开始使用PredPol 公司设计的犯罪预测软件，通过分析过去的犯罪类型、地点和时间来确定未来最有可能发生犯罪的区域。这一做法很快扩散到美国其他地区的警务部门。比如，纽约警察局使用Azavea 公司研发的HunchLab 软件，用统计模型来预测潜在犯罪的地点和时间，帮助警务人员规划巡逻路线。①R.Richardson,J.Schultz,and K.Crawford,“Dirty Data,Bad Predictions: How Civil Rights Violations Impact Police Data,Predictive Policing Systems,and Justice”,N.Y.U.L.REV.ONLINE,94,192 (2019).目前，我国国内在该领域也有相应的跟进研究，比如浙江杭州警方会同同济大学依据2009—2015年的盗窃犯罪时空数据绘制了犯罪热点地图。②单勇：《基于热点稳定性的犯罪空间分布规律再认识》，《法制与社会发展》2016年第5 期。

2.犯罪群体预测。预测自然人的潜在犯罪危险性并不是什么新鲜事，在美国，犯罪风险评估早已嵌入到司法系统的运作中，比如法院作出判刑和缓刑、假释决定等。最为典型的是COMPAS（针对替代制裁的惩戒罪犯管理分析）这一广泛使用的风险评估工具。在司法实践中，使用狭义的人工智能也成为犯罪风险评估的一个重要组成部分，如洛杉矶司法部门使用机器学习技术开发的亲密伴侣暴力预测工具。③R.A.Berk,“Artificial Intelligence,Predictive Policing,and Risk Assessment for Law Enforcement”,Annual Review of Criminology,2021,No.4,pp.209 -237.

除了对潜在的犯罪嫌疑人进行预测外，犯罪群体预测还包括对潜在犯罪受害群体的预测。2013年，芝加哥警察局开展了一项旨在减少枪支暴力的预测警务计划试点，在伊利诺伊理工学院的帮助下建立了以社会关系网络为基础的潜在枪击案受害人预测模型，列出了多达426 人的潜在受害对象清单。警方并随即指派警力对潜在对象加以干预，以避免枪击案的发生。④S.Jessica,P.Hunt,and J.S.Hollywood,“Predictions put into practice: a quasi-experimental evaluation of Chicago's predictive policing pilot”,Journal of Experimental Criminology,Vol.12,No.3,2016,pp.1-25.

（二）国外预测警务引发的争议

在科技公司的大力推动下，预测警务似乎已然拉开了下一次警务革命的序幕。但近年来，欧美国家社会矛盾频发，警方作为矛盾处置的最前沿部门遭到了猛烈抨击，预测警务也成为反对者攻击的焦点，更有市民质疑预测警务是警方和科技公司合谋套取政府经费的幌子。此处暂且不论其背后的利益纠葛，单从客观角度分析，学界尽管整体上对预测警务持正面看法，但也指出当前预测警务存在着不少问题。

一是数据收集涉嫌侵犯隐私权。在数据隐私权日益受到重视的当下，大量收集犯罪数据显然会带来隐私和数据处理问题。云计算的流行导致警方掌握的犯罪数据信息不可避免地流向科技公司。以往警方以及科技公司普遍秉持秘密主义的行动原则，收集处理社会数据虽然游走在法律的边缘，但往往会被社会所忽视。然而，随着预测警务的普及，数据处理的合法性以及安全性已经成为警方必须出面解释的问题。同时，各国出于对国家数据安全的担忧，纷纷加紧了数据隐私权立法的进度。比如，欧盟在2016年制定了《通用数据保护条例》和《执法数据保护指令》，通过普通法与特别法相结合的立法方式，实现了对刑事执法数据处理的全面监管。⑤魏怡然：《预测警务与欧盟数据保护法律框架: 挑战、规制和局限》，《欧洲研究》2019年第5 期。在此趋势下，依赖于社会大数据的预测警务显然会受到法律限制。

此外，许多美国学者担忧预测警务违背了对隐私的期望，尤其是在合理怀疑和未经授权的搜查环节。美国最高法院认为第四修正案给予个人合理的隐私预期，警方建立合理怀疑的要求必须完全基于当事人个体小数据的使用。但预测警务的发展趋势是加强大数据应用，比如“推特”等平台的社交媒体数据。显然，基于大数据分析技术的预测警务对犯罪群体以及个人建立的合理怀疑存在着合宪性问题，警方基于预测分析结果而采取的诸如搜查等行为侵犯了公民的隐私权。①M.Browning,B.Arrigo,“Stop and Risk: Policing,Data,and the Digital Age of Discrimination”,American Journal of Criminal Justice,Vol.46,No.1,2020,pp.298-316.在数据隐私权管理更为严格的欧洲，海牙地区法院裁定荷兰警方使用的欺诈预测软件SyRI 侵犯了公民的隐私权，政府于2020年被迫停止使用SyRI。②I.Mugari,E.E.Obioha,“Predictive Policing and Crime Control in The United States of America and Europe: Trends in a Decade of Research and the Future of Predictive Policing”,Social Sciences,Vol.10,No.6,2021,pp.1-14.

二是污名化效应加剧社会不平等。美国前司法部长埃里克·霍尔德认为，风险评估可能会加剧美国刑事司法系统和社会中已经非常普遍的不合理和不公正的群体差距。③J.L.Skeem,C.Lowenkamp,“Risk,Race,&Recidivism: Predictive Bias and Disparate Impact”,DOI: info:doi/10.1111/1745-9125.12123.根据“标签理论”，预测警务的风险评估如果利用不当，往往会造成当事人乃至其所在的整个区域被污名化的风险。在街面犯罪高发的低收入地区，居民的“犯罪风险”要比那些生活在富裕社区的居民更高，因此警方会在贫困地区采取更为频繁的搜查、监控活动，而这种活动又会加深对这些贫困社区的歧视，导致该地区居民生活陷入困境，进而造成犯罪率上升，形成了一个持久的下行螺旋。事实上，比起贫困社区的街面犯罪，富裕社区的“白领犯罪”潜在的危害性其实更大，因此以街面犯罪为主的预测警务模式明显存在系统性不公。

这一现象在美国更为严重。预测警务的指向在很大程度上取决于它所使用的数据，在美国执法部门受到阶级和种族偏见影响的情况下，在警方带有偏见的观念和政策下产生的犯罪数据可能会扭曲算法的判断，“脏数据”进而扩散到整个刑事司法系统，甚至影响到与刑事司法无关的政治决策，如社区投资和发展。另一方面，预测警务的数据缺乏透明度和监督，又引发了人们对依赖警方数据的预测系统能否以公平公正的方式运行的严重担忧。更糟糕的是，美国警察多次在执法过程中杀害黑人引发了大规模抗议，进一步加深了社会民众对警察预算投向预测技术的顾虑。

三是预测警务的有效性受到质疑。尽管预测分析技术实现了从主观判断到大数据预测的质变，但犯罪作为人类最为复杂的行为，是环境、心理、文化等因素相互影响的综合产物。在犯罪发生机制彻底释明之前，寄希望于大数据等技术来实现精准的犯罪预测显然是不切实际的。此外，犯罪黑数的存在也证明了犯罪作为社会的阴暗面，其真实情况始终处于一个“黑匣子”状态，再精准的算法也无法在数据缺失的前提下进行预测。因此，犯罪预测的有效性始终面临一道不可跨越的门槛。

关于预测警务有效性的实证研究也证明了这点。尽管最先开展预测警务的洛杉矶PredPol 公司对预测警务的评估是正面的，但什里夫波特警察局在兰德公司的帮助下，于2012年开展了一项随机现场实验，以评估预测警务的实施情况。其结果并不令人满意：虽然预测警务的成本比标准分析低了6%至10%，但犯罪率没有出现明显下降。④T.Simone,F.Iapaolo,“Policing the future,disrupting urban policy today: Predictive policing,smart city,and urban policy in Memphis (TN)”,Urban Geography,Vol.43,No.3,2022,pp.448-469.除此以外，更多关于预测警务有效性的研究都表明其效果尚未达到统计学意义的水平。换句话说，当前学界关于预测警务的有效性尚无定论。

几乎所有的研究人员、警务人员，甚至预测警务的反对者，都同意预测警务未来可期，但同时也指出其在现阶段存在预测准确性不高、预测犯罪范围有限等问题。考虑到需要付出的高昂研发费用，预测警务的性价比成为实践中的争论焦点。在警务资源有限的大背景下，预测警务往往会挤占其他环节的经费预算。一些社区居民担忧预测警务是第三次警务革命，即警务现代化的重演：警方沉迷于技术决定论下的现代警务装备升级，忽视了在社区建立良好的警民关系，进而影响到社区警务的社会预防功能。对于经费充足的发达国家警务机构来说，预测警务无疑是下一次警务改革的突破口，相较于早期投入的收益比，他们更看重其未来潜在的巨大回报。因此，在现阶段，预测警务的有效性成了一个见仁见智的问题。

二、国内预测警务发展的新方向：企业犯罪治理

企业犯罪属于典型的法定犯罪，在不同国家司法制度下，治理的责任部门也不同。比如，美国税务犯罪是由美国国税局管辖，金融犯罪则是由美国特勤局、证监会等行政执法机构管辖。这些执法机构都有独立调查、取证、起诉的权力，并不依赖于地方警务系统。但这并不代表预测警务的方法对企业犯罪并不适用，预测分析技术在其他执法部门同样得到重视。2011年，美国国税局（IRS）成立了一个名为合规分析办公室的新部门，其目的是通过收集包括Facebook、Instagram 和Twitter 的信息在内的商业和公共数据，创建一个使用预测分析算法来减少欺诈的高级分析程序，以识别潜在的违规纳税人①V.R.McCarthy,Mary M.McCarthy,W.Ceccucci,“Introduction to predictive analytics”,In: Applying Predictive Analytics,Springer,Cham.https://doi.org/10.1007/978-3-030-83070-0_1.。

国外警务机构的工作重心是防范和打击街面犯罪，企业犯罪的管理职能分散在其他行政执法机关。相比之下，我国公安机关承担了一部分企业管理的职能，比如危险化工品企业的管理、单位内部安全保卫等。即使部分企业犯罪有专门的行政管理机构，比如税务、海关等部门，可一旦进入刑事程序，仍需要移送至公安机关进行侦查。在大数据等现代信息技术全面改造犯罪治理模式的趋势下，国内公安机关实施预测警务不可能撇开企业犯罪治理这一领域。

（一）合法性

2021年颁布实施的数据安全法为推动数据服务经济社会发展，在第五章赋予了国家机关为履行法定职责而依法依规收集、处理数据的权力以及数据安全保护义务。第35 条明确规定“公安机关、国家安全机关因依法维护国家安全或者侦查犯罪的需要调取数据，应当按照国家有关规定，经过严格的批准手续，依法进行，有关组织、个人应当予以配合”。这为公安机关收集相关数据，实施预测警务提供了合法性支撑。

在隐私权的争议上，企业犯罪的相关数据主要以财务数据、企业经营数据为主，涉及自然人的数据一般是法院判决、行政处罚等合法公开的数据以及房屋、车辆产权变更、银行流水、股票证券交易记录等涉及财产权的数据，基本不涉及与自然人人身权利相关的数据。

在风险企业的处置上，不同于自然人犯罪，企业犯罪属于行政犯。行政机关的监管、指导对各国企业都是一种常态，风险评估只不过为行政机关开展监管指导提供了更为精准的决策依据，企业犯罪也较少涉及伦理道德争议。司法机关不可能在没有法律的支持下，跳过行政机关将风险评估结果直接作为定罪的依据。特别是近年来，“两高”多次强调优化营商环境的重要性，试点企业合规制度，探索将企业犯罪风险评估纳入企业合规不起诉制度中，尽可能避免企业因涉及案件而陷入经营困境。

（二）必要性

从社会危害性来看，企业犯罪已经取代其他犯罪成为影响社会稳定的重要因素。企业犯罪属于典型的白领犯罪，其危害程度高于以暴力犯罪为主的街面犯罪。国外有学者统计，大约49%的企业和25%的家庭是白领犯罪的受害者，而暴力犯罪的比率为1.06%，财产犯罪的比率为7.37%。②R.Richardson,J.Schultz,and K.Crawford,“Dirty Data,Bad Predictions: How Civil Rights Violations Impact Police Data,Predictive Policing Systems,and Justice”,N.Y.U.L.REV.ONLINE,94,192 (2019).街面犯罪的暴力性放大了其造成的直接危害，而企业犯罪潜藏于日常的经济活动中，隐蔽性强，但其间接危害性却不容忽视。以常见的非法集资罪为例，2020年全国共查处非法集资案件7500 余起，处置非法集资存量案件的三年攻坚战共办结案件1.1 万起，涉案金额3800 多亿元。③《处置非法集资部际联席会议：2020年全国查处非法集资案件7500 余起》，http://www.chinapeace.gov.cn/chinapeace/c100007/2021-04/23/content_12479474.shtml，访问日期：2022年2月18日。企业犯罪除了造成巨额的直接经济损失，更可怕的是其“水波效应”对社会稳定的危害。由于企业犯罪波及面广，其负面影响往往会波及关联企业及其员工，可能导致企业破产、员工失业，致使大量无业人员流散社会，犯罪率随之迅速上升。

对于执法机关而言，对传统企业犯罪治理模式的改革也是迫在眉睫。国内执法机关对企业犯罪的处置饱受非议，一些重特大经济案件频发更让原本就已十分紧张的警力更加捉襟见肘。以罚代管的粗暴治理严重挫伤了市场经济主体的活力，利益各方的明争暗斗犹如挥之不去的阴霾侵蚀着司法公平公正的理念。这其中，有企业犯罪案情复杂、执法机关能力不足的主观因素，也有地方保护主义、司法腐败等无法忽视的客观现实。破解这一顽瘴痼疾最有效的手段就是将企业犯罪治理数据化、透明化，尽可能挤压人为意志在经济案件办理中的灰色空间，用科学客观的风险评估取代模糊不清的主观判断，划清企业犯罪治理的优先级，在违法违规行为演变恶劣犯罪之前及时加以纠正，从而用积极主动的犯罪预防策略将企业犯罪的潜在危害降到最低。

（三）可行性

首先，在“天时”方面，警务模式的变革取决于社会发展水平。过去几十年，信息领域发生了前所未有的技术进步，计算机产业的崛起和通信技术的应用对各行各业都产生了不可估量的影响，金融、医疗、营销等行业需求推动了风险评估软件算法的研究，收集大量数据进行算法评估在技术上已经成熟，数据驱动的企业风险评估作为商业模式的重要环节已在各行各业得到广泛使用。

企业犯罪不同于街面犯罪，其犯罪动机主要是侵财，犯罪的时间和地点也脱离了传统犯罪地理学的研究范畴，且犯罪活动的实施也是通过法律行为而不是自然人的肢体行为实现的。以上特征决定了在企业犯罪中，自然人的主观随意性因素被压缩到了现有预测分析技术可以接受的范围内。企业经营过程中产生的一般是结构化数据，相较自然人产生的非结构化数据，更容易被系统批量处理，由此显著降低了犯罪预测的难度。

其次，在“地利”方面，数据产业革命的浪潮同样传导到行政部门和司法部门，各地政府纷纷牵头成立大数据产业集团，热火朝天地开启了“智慧城市”建设。出于行政决策的需求，税收、工商、司法等政务数据以及通信、电力、物流等经济数据汇集到城市大数据平台，为公安机关治理企业犯罪打牢了数据基座。

最后，在“人和”方面，社会舆论近年来一直都存在加强企业监管的呼声。相较于自然犯罪，犯罪预测运用于企业犯罪领域的阻力较小。国内公安机关作为处置社会矛盾的最前沿，也敏锐地感知到大数据时代的犯罪治理趋势，专门组建了大数据部门，并要求各地公安机关组建“数据战队”开展“数据建模”练兵活动，为预测警务的实施提供了人才支撑。

三、企业犯罪预测平台的建设实践

在部分地区，随着条件的成熟，公安机关已经开始了相关探索。比如，江苏省宜兴市公安局为治理企业恶意逃废债务类犯罪而研发的企业恶意逃废风险预警防控平台，就充分利用整合的企业风险数据资源，基于“数据—行为”模型，通过大数据分析及模型运算，分析逃废债务预警企业的风险，及时将风险企业推送至属地派出所进行先期处置，最终由市级相关部门综合平台分析结果，并通过实地调研确定防控手段。这套企业犯罪治理机制的核心是企业恶意逃废风险预警防控平台，该平台具体包括“一库两平台”，即企业金融信息数据库、数据支撑平台和业务应用平台。下文以该机制的运作为例，就企业犯罪预测平台的建设问题进行探讨。

（一）企业金融信息数据库

企业金融信息数据库是所有平台建设的基石，其以规模企业为主体，以金融数据为核心，以市级信用平台企业数据为基础，以银行、公安、法院、检察院、人社等行业、政府部门和各乡镇政府实时调查更新的数据以及水、电、气公用服务第三方数据为支撑，以统一的社会风险代码制度为标准，建立起的一个可扩展、可集成、有统一数据模型、有多种用户视角的风险数据中心，能够对各部门的公共风险数据进行统一整合、重组，并形成企业库、个人库、事业单位和社会组织库及风险基准评价库的有机融合，从而实现风险数据从“分散存储”向“集中存储”的转变。

企业金融信息数据库包括元数据管理系统和数据管理系统。元数据管理系统是建立企业风险预警防控平台全部数据项的业务元数据与技术元数据，实现了元数据的管理与关联，具有元数据模型、元数据采集、元数据管理、元数据映射和元数据分析等功能。数据管理系统具有对各业务部门提供数据的质量、类别、数量和及时性等方面的统计查询功能，以及对数据的修改和删除功能。

（二）数据支撑平台

数据支撑平台包括数据归集管理系统和系统管理。数据归集管理系统具有数据采集、数据处理、异常数据管理、数据反馈和数据质量管理等功能，通过前置机、系统接口、人工报送、信息自动抓取等多种方式归集整合信用平台、政府单位、乡镇以及第三方掌握的企业金融信息，提供了企业风险数据采集、交换、处理、汇集、共享全流程的数据管理、质量管理、业务监控和归集分析等功能。该系统能够针对企业风险信息采集、处理和汇总情况，从完整性、准确性、一致性、合理性等方面进行综合监控和质量管理，提高数据质量。系统管理包括流程管理、接口服务、配置管理和日志审计等功能。

（三）业务应用平台

1.企业信息一户式查询系统。该系统可以通过企业名称、组织机构代码、社会信用统一代码、法定代表人进行简单查询、模糊查询和组合查询，并通过树形图展示企业财税能耗信息、资产变化信息、公检法信息、金融机构信息、信用数据、社保劳务、法定代表人信息以及其他信息。

2.企业风险指标库。该数据库将风险数据划分为数据指标以及行为指标两类，对各类企业风险指标进行管理和配置，对指标的使用、停用和版本进行管理，对指标参数的区间值进行修改和维护，对指标分值进行修改和维护，对指标运算进行修改和维护。具体的指标设置详见表1和表2。

表1 企业恶意逃废债风险数据指标

表2 企业恶意逃废债风险行为指标

3.企业风险评价报告系统。该系统基于“数据—模型—场景”要求，通过大数据分析及模型运算，提供企业风险得分和分区域的综合排名，生成企业的综合风险评估报告和乡镇金融状况分析报告。企业风险评估报告按照企业风险指标体系对金融数据进行组织、加工，以档案记录的方式全面反映企业的风险状况。乡镇金融状况分析报告是反映区域内企业经营的风险情况，分析面临的形势和存在的问题，为科学决策和施策提供借鉴和参考。该系统包括企业风险报告模板、企业风险报告生成、企业风险报告输出和企业风险报告管理等功能。

4.企业风险预警管理系统。该系统的作用在于根据预警数据测算的需要，设定预警指标，建立企业风险预警模型和规则，监控各类企业风险因素的变动趋势，同时通过多种分析手段对企业风险进行综合评判，并依据评判结果设置预警等级，对各类企业风险问题进行预警跟踪、提示和查询。

5.重点企业风险推送系统。该系统可对需要重点关注的企业或重点关注行业中的企业进行分类监管，将高风险企业推送至管理部门以形成风险联动应对，对高风险企业可能的违法犯罪行为采取事中控制和事后打击。这些企业的任何信息有更新或变动，都会主动提示到相关人员，并可以通过设定关注对象的详细企业风险信息数据项，定制需要的风险推送规则。

6.风险轨迹动态监控系统。该系统通过对企业的历史风险信息进行分析，刻画出企业风险变化的轨迹。风险异议处理审批系统可按照相关部门或企业提出的要求，对风险主体的企业风险档案数据库记录进行风险修复，并对相关的应用服务进行联动修复处理。

7.决策支持系统。该系统以图形化报表的方式展现各风险主体的风险信息、相互之间的关联信息以及各区域内风险企业的分布情况；能够支持“钻取式查询”，实现对指标的逐层细化、深化分析，并将采集的数据形象化、直观化、具体化。同时，还可以对各部门的企业风险信息归集进度、归集成效、归集质量等进行统计分析。

8.风险预警手机APP。这是在警务通系统客户端上开发的“企业风险预警防控”手机APP，它以VPN 拨号接入和手机硬件绑定等严格的访问控制手段来实现在手机上查询企业信息、企业风险报告、企业风险预警、重点企业风险推送以及风险申报处理审批等功能。

四、预测警务治理企业犯罪的瓶颈及完善对策

（一）尚需解决的瓶颈问题

1.适用范围存在局限。企业经营范围各有不同，经营方式千差万别，经营情况受市场影响而波动，用同一套模型判断各类企业是否存在犯罪风险无异于刻舟求剑。因此，相关的平台建设需要根据地方产业实际情况量身定制。以“企业恶意逃废风险预警防控平台”为例，宜兴的地方工业结构相对单一，处于规模以上工业前两位的电线电缆、铜加工行业合计占比达54.3%，排在第三位的化工行业占比为12.1%，这三类企业占当地工业总量的66.4%。相对单一的产业结构降低了数据指标积分模型构建的难度，加上当地政府在处置此类产业风险时积累了丰富的数据和经验，因此平台在构建模型方面更具针对性，预测准确率也得以提高。由此，在现阶段该平台的适用范围主要是产业结构相对稳定、单一的工业城市，适用对象局限于生产经营模式相对固定、有一定规模的加工制造企业，对从事第一产业以及第三产业的企业则无法有效判断其运行情况，在第二产业种类繁多、第三产业发达的大型城市需要另辟蹊径。

2.数据安全存在隐患。数据安全法第40 条规定“国家机关委托他人建设、维护电子政务系统，存储、加工政务数据，应当经过严格的批准程序，并应当监督受托方履行相应的数据安全保护义务。受托方应当依照法律、法规的规定和合同约定履行数据安全保护义务，不得擅自留存、使用、泄露或者向他人提供政务数据。”公安机关在处理数据时，承担着数据安全保护义务。在数据库的建设中，因其潜在的商业利益，往往成为不法人员的重点攻击和获取目标，包括开发企业操控数据库、截留挪用数据等风险隐患以及公安机关内部人员非法滥用数据等问题。由于相关企业深度参与平台建设，必然要接触到平台的核心项目，因而能够取得数据库的管理权限。这些数据一旦被不怀好意的企业所利用，后果不堪设想。此外，部分建设企业安全防护措施不到位，也可能成为不法分子的攻击目标，被当作入侵公安数据库的跳板。

当下，公安机关虽然采用了一系列保障数据安全的软硬件，但是防护手段主要还是在传统的诸如安全准入、防火墙、安全网关、主机杀毒和安全加固上，而云计算的出现让网络边界、应用边界、数据边界变得模糊，以往基于边界防御的安全体系设计在云计算环境下将面临失效的风险，必须采用全新的思维，有针对性地为大数据平台建立新的安全防护体系。

3.缺乏助力独木难支。预测警务作为现代警务革命的前沿领域，研发难度高，单纯依靠公安机关进行技术攻关显然远远不够。国内司法部门的数字化建设主要还是以搭建数据库为主，深度应用数据建模、人工智能、机器学习等技术来开展犯罪预测应用的较少，数据分析应用、系统工具研发及模型战法提炼等方面的专业人才匮乏，既懂技术又懂业务的复合型高端人才更是寥寥无几，这也是当下公安机关技术应用、创新、发展举步维艰的最主要原因。不过，公安机关已经逐渐意识到这一问题，正不断通过外部人才招录引进、内部人才选拔培养等方式壮大人才队伍，但在短期内仍无法迅速填补数字化转型的空白。目前，尽管通过警企合作的方式取得了一定成效，但这种应急措施也存在明显的缺陷。其一是无法从根本上解决人才短缺问题。业务外包的方式虽然能解人才短缺一时之急，但不能起到人才培养的作用，甚至还出现了企业高薪“挖墙角”，内部专业人才流失的现象；其二是核心技术始终受制于人。由于工作性质的特殊性，公安机关无法直接购买市场上成熟的互联网数据服务，而是需要企业针对公安需求量身定制，这导致平台建设成本大幅提高。预测警务的成效也受企业研发实力的影响，大型公司技术水平高但合作难度大，小型公司则技术水平有限，达不到预测警务要求的门槛。

（二）完善对策

1.打造警校企三方合作小循环。针对预测警务的技术瓶颈以及后续维护问题，国外警务机构普遍采取警校企三方合作的方式。高校拥有实力雄厚的研发团队，了解前沿技术，但缺少实践经验及真实数据；企业掌握成熟的技术商业化模式，在运营维护上积累了丰富的经验；警务机构则掌握了大量基础业务数据，对数据转化为战斗力有着迫切的需求。警校企三方各有所需，相互之间可以取长补短、融合发展，共同推动国内预测警务的发展。

目前警、校之间的合作的方式有以下三种：一是平台研发。由于缺乏技术实力，公安机关面对预测警务项目建设的方案、架构、实施、硬件配置等问题时往往无从下手。与此同时，信息技术日新月异，如果一味闭门造车，很可能出现花费大量人力物力但“建成即落后”的尴尬局面。因此，公安机关可以引入高校实验室参与预测平台建设，聘请相关的专家担任科技顾问，从而在一定程度上避免重复建设以及开发架构不合理等问题，大大提高犯罪预测项目建设的先进性和实用性。同时，通过警、校共同承担的方式也能降低研发成本。此外，在涉密平台的建设上，高校比大部分企业有着更高的可靠性。二是人才培养。在培养方式上，既可以依托公安实战训练基地进行集中培训授课，也可以参加校内的专题专项培训。在培养内容上，一方面通过知识普训，让广大民警了解掌握数据建模的基础知识和基本工具；另一方面通过针对性培训，从情报、网安、大数据等专业民警和其他有需求的民警中，培养一批专家型、大师级人才，比如对民警进行平台架构、数据库结构等方面的培训，对情报民警进行数据挖掘、清洗等方面的培训。三是学术研究。大数据时代的到来，激发了广大民警在数据应用、系统设计方面的创新思维和创造热情，但由于缺乏科研环境，公安内部的大量实战成果无法转化为学术成果。高校也面临苦于缺少真实的数据实验，形成的学术成果说服性不强、不具备普遍性等问题。预测警务的建设为双方提供了一个合作的契机，可以立足双方共同需求商议确定研究课题，既可以是高校主导的学科专业研究方向，也可以是公安条线主导的科技强警、改革创新及基层技术革新等。在研究方式上，可以由公安提供实际数据和应用场景，由高校科研人员进行可行性分析及实验，通过互动交流、共同参与的方式，实现互利共赢。

虽然警、校合作能够切实提升预测警务的研发水平，但在犯罪预测系统的运行维护上还有赖于企业支持。随着警方业务数据量迅猛增长、系统平台硬件老化，部分系统工具会出现反应迟钝等现象，严重影响到日常工作。运营业务对技术水平、数据安全的要求较低，需要的是成熟稳定、随叫随到的支持服务。这类工作并不适合高校承担，却是企业的长项。企业的参与可以最大程度降低平台日常升级维护的成本，为公安预测警务项目的平稳运行提供可靠的后勤服务。在大数据人才紧缺的当下，公安机关可以通过严格规范筛选和招投标程序，在确保数据信息绝对安全的前提下，积极寻求运维外包合作企业，将社会化资源为我所用，保障公安数字化系统的运行能力。

部分省市公安机关在“警校企”共享共建、合作共赢方面已走在前列。比如，济南市公安局联合山东大学软件学院、山东警察学院情报系、市公安局IF（情报爱好者）联盟并会同大数据领域的开发公司成立了“DQB 大数据实验室”，研究适用于公安情报大数据应用的模型、算法、引擎和工具；淮安市公安局与3 家高新企业、两所本地高校共同组建了20 人的公安大数据技术保障专业团队；徐州市公安局联合曙光集团、中国矿业大学理学院共同筹建了“建模实验室”，对重点项目进行捆绑作业、联合攻关。

2.融入社会治理现代化大循环。针对街面犯罪频发这一美国社会的顽瘴痼疾，美国警方在预测警务上投入了大量人力、物力却反而激起了社会民众的不满，其根源便在于社会专项治理的局限性。在社会学界广受赞誉的美剧《火线》，从巴尔的摩市警局视角出发，通过一系列的案件将犯罪问题的矛头指向其背后的深层社会问题，比如码头工人参与走私、贩毒犯罪是由于巴尔的摩港口管理存在漏洞，这种管理上的松散则是由于市政府对航运业的轻视。一家经营良好的企业能够为社会闲散劳动力提供大量就业岗位，其治理水平直接影响到整个社会的运行态势，进而影响到犯罪率的高低。因此，企业犯罪的治理无法脱离国家治理体系和治理能力这一大框架，企业犯罪的治理水平与社会整体治理水平息息相关。

我国近年来一直都在推动企业犯罪的社会治理，在技术上提倡用大数据等技术感知社会态势、畅通沟通渠道、辅助科学决策，在政策上不断强调优化营商环境，建设社会信用体系，试点企业合规制度，引导企业合法经营。预测警务应用于企业犯罪治理无疑顺应了这一趋势。以犯罪风险评估为核心的预测警务模式为企业犯罪预防提供精准的数据支持，在企业出现犯罪苗头时及时引导企业迷途知返，避免其陷入犯罪泥潭。在社会治理现代化的时代背景下，预测警务的建设不应该孤立于整体框架之外，而是应当作为政府数字化转型的一部分，主动融入其他社会综合治理机制之中。比如在社会信用体系建设中，政务信用数据能够被企业犯罪风险预测平台纳入数据库，为相关部门建模比对、分析预警提供深度应用服务。

公安机关也不应仅满足于数据消费者的身份，还应当进一步发挥公安数字化建设应用领先的优势，密切与其他行政、司法机构之间的协作，向综合金融服务平台、市场监管平台、司法机关提供企业犯罪风险数据共享服务，建立自助式、智能化与网络化的企业风险数据查询、犯罪风险评价报告生成平台，提升企业犯罪的社会整体治理水平。比如在企业合规试点中，公安机关可以将企业犯罪风险评估数据提供给检察机关，作为评估企业合规整改效果的依据，以避免国外企业合规流程中的弊端。

公安机关还可以在行政管理工作中主动应用企业犯罪风险数据，依法主动公开信息，优化企业行政审批流程，把“黑盒决策”转化成“白盒决策”，从而消除公众对公权力的不信任感，提升政府在治理企业犯罪领域的社会公信力。比如，对企业犯罪风险较低、信用良好的优质企业提供“正反馈”，围绕公安机关职能中直接面向企业依申请办理的行政审批和公共服务事项，创造简化便捷的“绿色通道”和增值服务。对犯罪风险较高的企业，明确信用修复标准，引导企业不断提升合规管理水平，优化市场整体营商环境。