大數據背景下多發(fā)性侵財犯罪預警模式研究

鐘 政

(中國人民公安大學，北京100038)

一、大數據概述

目前理論界對于大數據并無統(tǒng)一的定義。麥肯錫咨詢公司在2011年5月發(fā)布的研究報告中對大數據進行了較為權威的闡述:大數據指的是大小超出常規(guī)的數據庫工具獲取、存儲、管理和分析能力的數據集。

(一)大數據的特點

隨著大數據的應用和發(fā)展，呈現出較為明顯的特點，業(yè)界常用4V進行概括。一是數據體量大(Volume)。數據的存儲已從TB級別躍升至ZB級別，互聯(lián)網一天產生的數據量可以裝滿1.68億張DVD光盤。二是數據類型多(Variety)。在數據量急劇增長的同時，數據類型也在不斷豐富，在結構化數據的基礎上衍生出半結構化數據和非結構化數據。三是處理速度快(Velocity)。強大的數據處理工具使得大數據的處理過程極其迅速，亞馬遜基于協(xié)同過濾技術的推薦算法，能在用戶點擊鼠標的瞬間向其推薦偏愛的商品。四是價值密度低(Value)。海量數據中只有微小的部分是有價值的，但只要通過正確地處理分析，仍能得到很高的價值回報。

(二)大數據的價值

大數據的核心價值是預測性分析。傳統(tǒng)的數據挖掘也在做類似的事情，但大數據分析由于數據的廣度和深度更足，因此所得出的預測性分析的結果也更精準。預測性分析的邏輯基礎是，隨著信息化的全面覆蓋，人們在日常的學習、工作和生活中都會相應地留下信息痕跡，通過對這些信息痕跡進行收集，然后科學地建立模型進行分析處理，最后輸出預測結果?！抖Y記·中庸》有云:凡事預則立，不預則廢。大數據的日趨成熟使得人們能對未來事物作出預測而提前準備，從而提高成功的幾率。

(三)大數據的應用

隨著大數據的不斷成熟，已開始運用于多個領域。目前主要以商業(yè)領域為主，一方面大數據加速了電子商務的發(fā)展，通過對消費者瀏覽記錄和購買記錄的數據進行分析處理，從而得出消費者的喜好并對其進行產品和服務的推薦，如亞馬遜的相關商品推薦。另一方面大數據革新了傳統(tǒng)零售的模式，如梅西百貨的實時定價機制，根據需求和庫存的情況，該公司基于SAS的系統(tǒng)對多達7300萬種貨品進行實時調價，減少貨物積壓的同時促進了商品的銷售。

與此同時，警務領域也開始嘗試運用大數據預測犯罪。美國創(chuàng)業(yè)公司PredPol基于地震后預測余震的原理，結合區(qū)域犯罪統(tǒng)計數據，構建犯罪預測系統(tǒng)，并成功預測了犯罪發(fā)生的概率及其發(fā)生的時段和區(qū)段。這套系統(tǒng)被美國洛杉磯和圣克魯茲的警方采用，使用預測系統(tǒng)的區(qū)域，盜竊罪和暴力犯罪分別下降了33%和21%。大數據作為新型預測工具，各國警方都開始致力于構建本土化的犯罪預測系統(tǒng)，目前國內在此領域的研究還較少。如何結合區(qū)域犯罪規(guī)律，構建犯罪預測系統(tǒng)，是大數據背景下公安工作未來的發(fā)展方向。

二、多發(fā)性侵財犯罪構建預警模式的必要性分析

侵財犯罪，即侵犯財產罪，是指故意非法占有、挪用、毀壞公私財物或者以毀壞公私財物等方法破壞生產經營的行為?！?〕多發(fā)性侵財犯罪并非法律術語，是公安機關在長期偵查實踐中針對工作需要所采用的集合概念，是指犯罪人以非法占有公私財物為目的，實施的對社會治安秩序構成嚴重影響且高發(fā)的盜竊、搶奪、搶劫以及詐騙犯罪行為的統(tǒng)稱?！?〕

傳統(tǒng)被動反應式的偵查模式已難以應對新時期多發(fā)性侵財犯罪高發(fā)案率的趨勢，為此亟須轉變思路，探索偵破多發(fā)性侵財犯罪的新舉措。而多發(fā)性侵財犯罪新時期所呈現出的諸多特點決定了運用大數據構建多發(fā)性侵財犯罪預警模式的必要性。

(一)發(fā)案率高

改革開放的不斷深入，在給經濟帶來高速增長的同時也給社會治安帶來了諸多困擾。尤其是進入21世紀以來，多發(fā)性侵財案件的發(fā)案率居高不下并且逐年上升。以盜竊案件和詐騙案件為例，2013年二者的立案數之和為518萬件，而全年的立案總數為659萬件，占到了78.6%。多發(fā)性侵財案件成為刑事案件的重要組成部分。并且在2009—2013年之間，侵財案件的立案數量逐年穩(wěn)步增長，短短五年間，盜竊案件的立案數量由388萬件增長到450萬件，增長率為16.0%;詐騙案件的立案數量由38萬件增長到67萬件，增長率高達76.3%。多發(fā)性侵財犯罪的高發(fā)案率一方面嚴重掣肘著公安工作的開展，牽制了大量警力;另一方面嚴重破壞了社會穩(wěn)定秩序，阻礙了社會經濟的健康發(fā)展。

圖1 刑事案件立案和多發(fā)性侵財案件立案圖

(二)預謀性強

多發(fā)性侵財犯罪的犯罪分子在犯罪主觀方面表現為直接故意，因此犯罪分子在實施犯罪的預備階段，都會進行一定的預謀。這種預謀性首先體現在犯罪對象的選擇上，如詐騙案件中犯罪分子一般會選擇四五十歲以上的中老年人作為犯罪對象，由于這部分人群年齡偏大、防范意識差，因此很容易遭受詐騙。其次體現在犯罪地點的選擇上，如在搶劫案件中犯罪分子一般會選擇在城區(qū)的廢舊車站、偏僻街巷以及城鄉(xiāng)接合部等地實施犯罪，這些地區(qū)由于人流量較小，因此作案成功率高并且易于逃竄。再次體現在犯罪時間的選擇上，如入室盜竊案件中犯罪分子一般會選擇在夜晚、凌晨或者節(jié)假日期間實施犯罪，在此期間被害人或者疏于防范或者離家外出，為犯罪分子創(chuàng)造了犯罪時機。

(三)流竄犯罪和團伙犯罪趨勢明顯

截至2013年年末，全國流動人口的總量為2.45億，超過總人口的1/6。由于城鄉(xiāng)二元化結構和區(qū)域經濟發(fā)展不均衡導致了全國流動人口不斷攀升，人口流動給社會帶來了諸多效應，其中一點就是流動人口所帶來的流竄犯罪問題日益嚴峻。借助于便捷的交通工具和規(guī)律的作案技巧，犯罪分子往返于多個城市之間奔襲作案，使得偵查人員難以獲取其作案軌跡進而偵查破案。

與此同時，多發(fā)性侵財犯罪的團伙趨勢也日益明顯。犯罪團伙多以籍貫為紐帶，通過傳幫帶的方式吸納新的犯罪成員，并且組織嚴密、分工明確，在多次犯罪過程中形成流程化的作案方式。作案時間短暫、現場遺留痕跡物證少以及逃竄速度快都給偵查工作帶來了困難和挑戰(zhàn)。如江西宜春籍入室盜竊團伙，近年來通過團伙作案，分工明確、相互配合，跨越多省實施盜竊，嚴重影響了社會治安穩(wěn)定。

(四)犯罪手段日益多樣化和智能化

日新月異的科技創(chuàng)新在給人們生活帶來便利的同時，也給犯罪分子翻新作案手段提供了溫床。盜竊案件中傳統(tǒng)的作案工具如撬棍、扳手、螺絲刀等隨著科技的發(fā)展已逐漸被更加便捷和高效的液壓鉗和解碼器等工具所替代。作案工具的不斷翻新只是犯罪手段多樣化的一部分，以電信詐騙為例，其犯罪手段早已從初期的中獎詐騙發(fā)展為囊括了銀行信息詐騙、木馬病毒詐騙等方式在內的數十種詐騙手段，使得偵查人員猝不及防。

隨著互聯(lián)網和智能手機的普及，多發(fā)性侵財犯罪的犯罪手段呈現出智能化的特點。據統(tǒng)計，截至2015年第一季度末，微信每月活躍用戶已達到5.49億。以微信為代表的社交軟件和以支付寶為代表的支付平臺的廣泛使用，極大限度地豐富了犯罪分子的犯罪手段。犯罪分子通過微信來聯(lián)絡同案犯，通過淘寶來購買作案工具，通過支付寶來轉移涉案資金等等，將其犯罪時空由現實空間轉移到虛擬空間，增加了偵查人員查緝的難度。

新時期多發(fā)性侵財犯罪所呈現出的特點，一方面增大了偵破難度，高發(fā)案率以及犯罪手段的翻新使得偵查人員疲于應付，再加上基層警力不足，使得偵查工作捉襟見肘。因此，將偵查模式由被動反應式轉為主動出擊式顯得尤為必要。另一方面，雖然充足的預謀降低了犯罪分子被抓捕的風險，但隨著信息化滲透到生活的方方面面，犯罪分子不免會在現實空間或者虛擬空間遺留下犯罪痕跡。而大數據正是通過對數據進行收集分析處理從而達到預測性分析的目的，因此在大數據背景下構建多發(fā)性侵財犯罪預警模式是十分必要的。

三、多發(fā)性侵財犯罪構建預警模式的可行性分析

(一)物質交換原理在信息時代的發(fā)展

物質交換原理由法國偵查學家、法庭科學家埃蒙德·洛卡德在20世紀初提出，故也稱洛卡德交換原理?！?〕物質交換原理指出的，犯罪的過程實際上就是一個物質交換的過程，作案人作為一個物質實體在實施犯罪的過程中總是跟各種各樣的物質實體發(fā)生接觸和互換關系。物質交換原理作為刑事偵查學基礎理論的核心內容之一，對偵查實踐活動具有普遍的指導意義。

然而，大數據時代的到來，對傳統(tǒng)的物質交換原理提出了挑戰(zhàn)，人們的社會活動更多地通過互聯(lián)網來實現，實體介質的缺少使得物質實體間的接觸和互換難以發(fā)生。因此，一些學者創(chuàng)造性地提出了信息轉移原理，彌補了信息時代下物質交換原理的不足。犯罪分子實施犯罪活動時，無論是實體空間還是虛擬空間都會相應地留下信息痕跡，而大數據工具正是通過對信息數據的分析處理來預測分析，因此，隨著物質交換原理在信息時代的發(fā)展，構建多發(fā)性侵財犯罪的預警模式是可行的。

(二)相關關系在大數據分析中的運用

相關關系的核心是量化兩個數據之間的數理關系。通過找到一個現象的良好關聯(lián)物，相關關系可以幫助我們捕捉現在和預測未來?！?〕多發(fā)性侵財犯罪的犯罪分子在實施犯罪時，其犯罪要素“人、事、物、時、空”所映射的社會活動之間，或多或少都會存在一定的關聯(lián)。如果僅憑偵查人員的實戰(zhàn)經驗來進行分析處理從而預判，不僅效率低下而且漏洞百出。然而，得益于科技的飛速發(fā)展，大數據處理工具能夠將這些犯罪要素所涉及的數據進行分析處理從而得出相關關系，不再需要人工選擇關聯(lián)物來進行逐一分析。并且較之人工研判，大數據的相關關系分析法更快速準確，而且不易受到人為因素的干擾。通過對相關關系的發(fā)掘，能夠讓人們更深入地了解事物之間的關系，而不是簡單地停留在經驗主義的認識上。隨著相關關系發(fā)掘在大數據中的廣泛應用，在大數據背景下構建多發(fā)性侵財犯罪預警模式是可行的。

四、大數據背景下多發(fā)性侵財犯罪預警模式工作流程

目前，大數據的預測性分析工具在商業(yè)上的應用如雨后春筍般出現，顛覆了傳統(tǒng)的商業(yè)模式，提升了商業(yè)效率。鑒于大數據技術的日趨成熟，結合對多發(fā)性侵財犯罪的分析，構建多發(fā)性侵財犯罪的預警模式是大數據在偵查領域應用的積極探索，其工作流程如下:

(一)數據采集，清洗過濾

目前公安內網所掌握的數據與社會數據和互聯(lián)網數據相比只能算是滄海一粟，因此構建多發(fā)性侵財犯罪預警模式的首要任務就是對散落的數據進行采集。公安數據包括旅館住宿人員數據、在逃人員數據、車輛出入卡口數據等，社會數據包括銀行交易數據、通信數據、出行數據等，而互聯(lián)網數據則包括社交網絡數據、即時通信數據、電子郵件數據等。因此要在保證公安內網數據安全保密的情況下，納入社會數據和互聯(lián)網數據一并采集。利用諸如MySQL、NoSQL工具對數據進行采集和存儲，以便后期進行聯(lián)機分析處理。

隨著數據采集量的激增，便會產生大量“垃圾”數據，這些數據在增加存儲成本的同時也會降低處理速度，因此需要對其進行清洗和過濾。對于重復和不完整的數據，如果采用傳統(tǒng)人工篩選的方式，將難以完成，而利用諸如ETL工具對數據進行清洗和過濾，將會大大節(jié)約時間成本。

(二)建立模型，分析數據

模型的搭建是大數據技術的重要環(huán)節(jié)。首先，錄入多發(fā)性侵財犯罪的歷史數據，大數據分析工具通過復雜算法發(fā)掘不同因素之間的相關關系。較之積分預警模式的人為估值，大數據分析所得出的相關關系更為精確客觀。其次，基于相關關系分析建立數據模型。目前較為主流的分布式系統(tǒng)基礎架構是Hadoop框架，許多互聯(lián)網公司都是在Hadoop框架的基礎上自定義大數據處理模型。同樣，公安系統(tǒng)也能根據多發(fā)性侵財犯罪的特點在Hadoop框架的基礎上自定義預警模型。再次，數據采集與預警模型連接，實現多發(fā)性侵財犯罪的實時預警。此環(huán)節(jié)所涉及的數據量和計算量都是巨大的，因此需要專業(yè)人員進行操作。

(三)人機交互，干預校正

多發(fā)性侵財犯罪預警模型與人的關系是相輔相成的。一方面預警模型有利于偵查人員排除人為因素的干擾，得到更為精確客觀的預測結果;另一方面，隨著時空因素的變換，也需要偵查人員對預警模型進行校對以適應不斷變化的犯罪形勢。

我國幅員遼闊，因此多發(fā)性侵財犯罪由于地域性的差異而呈現出不同的特點。除此之外，同一地域不同時節(jié)的犯罪特點也有所不同。這就要求偵查人員在借助多發(fā)性侵財犯罪預警模型工作的同時也要根據實時預警的處理結果來進行人機交互，調整系統(tǒng)的算法和結構，以實現多發(fā)性侵財犯罪的精確預警。通過定期的人機交互和干預校正，使得多發(fā)性侵財犯罪的預警模型能夠良性運作。

(四)輸出情報，實施預警

針對多發(fā)性侵財犯罪的特點，預警模型輸出的情報結果主要分為時段預警、區(qū)域預警和個案預警。首先是時段預警，即哪個時間段將要發(fā)生多發(fā)性侵財犯罪。通過給巡邏警察配備移動終端設備，以便及時接受預警結果，然后在此時間段增加巡邏警力和巡邏力度，遏制多發(fā)性侵財犯罪的發(fā)生。其次是區(qū)域預警，即哪個區(qū)域將要發(fā)生多發(fā)性侵財犯罪。借助于大數據預警模型，芝加哥警方將轄區(qū)劃分為22個警區(qū)進行區(qū)域預警，使得暴力犯罪下降了22%。再次是個案預警，通過實時數據的分析處理，定位到具體實施侵財犯罪的犯罪分子，然后部署警力，落地查控。

〔1〕趙秉志主編.當代刑法學〔M〕.北京:中國政法大學出版社，2009:619.

〔2〕李蕤.1995—2010年我國多發(fā)性侵財犯罪發(fā)展演變及偵防對策〔J〕.中國人民公安大學學報(社會科學版)，2012(2):117-124.

〔3〕劉品新.論犯罪過程中的信息轉移原理〔J〕.福建公安高等?？茖W校學報，2003(1):28-35.

〔4〕〔英〕維克托·邁爾·舍恩伯格.大數據時代〔M〕.浙江:浙江人民出版社，2013.