基于犯罪大數據的社會治安精準防控

[摘要]數據之中蘊藏著社會發展與犯罪治理的規律，犯罪治理如何適應大數據浪潮成為在立體化治安防控中開展循數管理的關鍵。對此，我國應重視“犯罪大數據”問題，從把握大數據與小數據、理論與數據、相關與因果、工具理性與價值理性的關系出發解讀犯罪大數據，據此研判數據驅動下的治安防控精細化發展趨勢，提出犯罪的精準防控范疇，為大數據時代犯罪治理模式的升級開辟進化之路。作為日常性治理戰略的戰術延伸，精準防控是為解決犯罪治理的“短板問題”而提出的，在“人力+科技”“傳統+現代”治理技術的有機融合下，具有系統性、多層次、全方位、前瞻性、整合式的應用表現。

[關鍵詞]犯罪大數據；循數管理；社會治安防控；精準防控；犯罪治理模式

[作者簡介]單勇，同濟大學法學院副教授

本文系2014年度國家社科基金青年項目“基于犯罪熱點制圖的城市防衛空間研究”（項目編號：14CFX016）的階段性成果，并受同濟大學中央高校基本科研業務費資助。

一、問題：犯罪治理如何適應大數據浪潮

“數據表示的是過去，關注、表達的卻是未來。數據之中蘊藏著社會發展的規律。”{1}隨著《促進大數據發展的行動綱要》的發布，大數據上升為國家核心戰略，“數據治國”成為推進國家治理能力現代化的重要著力點。在治安防控領域，如何以數據文化推進犯罪治理，如何解讀“以信息化為引領”方略，怎樣借力“互聯網+”的增量效應和“大數據×”的乘數效應提升立體化社會治安防控的科學性，成為亟待深入探究的問題。

大數據浪潮孕育了尊重事實、推崇理性、強調精確的數據文化，數據文化推動了社會治理模式的轉變，也催生了社會科學研究范式的轉換，社會科學與計算科學、網絡科學相結合，向著“計算社會科學”和“網絡社會科學”轉變。大數據分析挑戰著傳統的科學研究方法論。圖靈獎得主詹姆斯·格雷認為大數據時代將形成數據密集型科學研究的“第四范式”。{2} 在社會治理研究如沐大數據春風的同時，社會科學界出現了“大數據有限論”“數字利維坦”等頗值得關注的反思觀點。

關于“大數據有限論”，有學者強調，“之所以出現‘大數據崇拜，不是數據擁有者有什么高明之處，而是人類監測手段出現了爆炸式增長”{3}；“大數據不能質疑，更不能取代各種非量化的人文社會研究”{4}。有學者認為，“無論如何精巧的大數據分析工具的使用，都不能代替生產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}。有學者指出，大數據重相關關系而輕因果關系，“在大數據庫中，由于數據量龐大，通常很容易得出統計意義上顯著的回歸系數，但這并不意味著兩個變量之間存在因果關系”{6}。“大數據檢測到的網絡聯系是一種弱聯系，不足以預測高風險的社會行為。”{7}

關于“數字利維坦”，有學者指出，“信息技術不僅孕育著走向數字民主的巨大機會，而且潛伏著滑向‘數字利維坦的現實風險”{8}。“數字利維坦”的風險在于，國家依靠信息技術的全面裝備，將公民置于徹底而富有成效的監控體系之下，而公民卻難以有效地運用信息技術來維護其公民權利，即無法通過數字民主來制衡國家的監控體系。{9}

大數據浪潮與“大數據有限論”“數字利維坦”形成了觀念上的沖突與對立，爭議的焦點是在社會治理中如何正確理解及科學運用大數據。面對觀念對沖、思潮起伏，犯罪治理如何適應大數據浪潮且不至于陷入盲目濫用、誤讀誤解、動輒泛化的數據陷阱，成為在“創新立體化社會治安防控體系”中開展循數管理的關鍵。對此，我國應正視和重視“犯罪大數據”問題，針對上述爭議觀點，從把握大數據與小數據、理論與數據、相關與因果、工具理性與價值理性的關系出發解讀犯罪大數據，據此研判數據驅動下的治安防控發展趨勢，并思考犯罪治理模式的進化之路。

二、基點：正解犯罪大數據

IBM（國際商業機器公司）和IDC（國際數據公司）將大數據的特點歸納為“4V”，即海量性（Volume）、多樣性（Variety）、快速性（Velocity）、真實性（Veracity，IBM的界定）或價值性（Value，IDC的界定）。在此基礎上，有學者提出，數據有測量、計算、記錄三種來源，大數據可理解為傳統的小數據（源自測量）加上現代的大記錄所產生的數據。“大數據是指人類有前所未有的能力來使用海量的數據，在其中發現新知識、創造新價值，從而為社會帶來‘大知識‘大科技‘大利潤和‘大智能等發展機遇。”{10} 因此，大數據之大，不僅在于大容量，更在于大價值。

作為大數據在治安防控領域的分支，“犯罪大數據是指能全面反映犯罪相關人、事、物的數量特征、時空分布特征，以及變化過程的海量、多源、異構數據。犯罪大數據具有多源異構、高維度、長時序的特征”{11}。犯罪大數據同樣具有“4V”特性，在思維、方法、類型、價值上與大數據一脈相承，但它是以犯罪及其防控為核心的數據，是犯罪及其防控信息的載體。經過數據整理與加工后，犯罪大數據能夠呈現出具有規律性的犯罪防控知識。

犯罪大數據的大價值主要體現于犯罪防控的創新實踐中。在國外，美國圣克魯斯警局較早運用大數據分析歷史案件，發現推測犯罪趨勢和犯罪模式；美國馬里蘭州運用軟件預測罪犯假釋或緩刑期間的再犯可能性，這種預測成為了法庭假釋審查的參考；南卡羅來納州警察運用IBM的數據分析工具探察犯罪模式，發現犯罪熱點，優化警力部署；洛杉磯警局與科研機構合作，基于過去80年的130萬個犯罪記錄開發出預測犯罪高發地點的軟件；在國內，信息警務異軍突起，犯罪大數據分析逐漸成為治安防控的重要支撐。山東省公安機關“警務云平臺”建設取得重大進展，截至2016年已收集460類369億條數據，存儲總量達到10P，每日處理數據達千億條；2013年北京市公安局懷柔分局與天津工業大學合作，研發出“犯罪數據分析和趨勢預測系統”，取得了良好的防控效果。

相對于犯罪大數據的豐富實踐，我國犯罪大數據的理論研究甚為滯后，這在客觀上制約了犯罪大數據在治安防控中的應用。為此，在全面體察上述實踐的基礎上，本文嘗試從以下五個方面解讀犯罪大數據：endprint

1.犯罪大數據不能簡單等同于公安大數據

公安機關與海量的線索、情報、信息打交道，并擁有人、車、案件、證據、戶籍管理、警力部署、警用地理信息等犯罪數據庫，因此有學者直接提出“公安大數據”{12}范疇。雖然公安機關是打擊和預防犯罪的重要力量，但犯罪治理的主體不應限于公安機關。從全局層面、系統角度來理解，法院掌握的已判決刑事案件數據、檢察機關掌握的提起公訴刑事案件數據、國家安全機關掌握的國家安全數據、司法部門掌握的罪犯矯治數據、政法委掌握的維穩及綜合治理數據、紀委掌握的反貪及廉政建設數據、政府其他機構掌握的城市公共安全數據、社會其他團體及公民個人（現代社會每個人都是互聯網數據記錄與傳輸的終端）掌握的與治安防控有關的數據均與公安大數據一樣，屬于犯罪大數據的范圍。可見，“犯罪大數據”比“公安大數據”涵蓋范圍更廣、視野更加開闊、內容更為豐富，“犯罪大數據”應成為研究大數據浪潮對犯罪防控影響的基石范疇。

2.犯罪大數據包括犯罪小數據

從類型上看，犯罪小數據亦是犯罪大數據的有機組成部分，源自測量的小數據與現代大記錄形成的數據共同組成了犯罪大數據。“大數據從類型上可分為結構化數據、半結構化數據和非結構化數據。”{13}結構化數據是防控機關內部系統中的信息，如Excel表格中案件情況的統計數據。從容量及數據來源上看，結構化數據屬于典型的犯罪小數據。半結構化數據包括Word文檔中的文字、網頁中的新聞、電郵等；非結構化數據是基于物聯網、手機等移動智能終端、車聯網等的傳感器所形成的視頻、圖片、地理位置、活動軌跡、網絡日志等數據。

從數據可用性上看，大數據的價值主要體現在傳統的小數據或結構化數據上。當前人類的數據約75%是非結構化數據和半結構化數據，這也是大記錄的表現形式。非結構化數據和半結構化數據要想體現出數據治理的價值，當前主要的處理方法還是把它們轉化為嚴整結構的小數據。{14}以往傳統的區域犯罪風險評估、基于犯罪地圖的熱點探測、實驗性防控項目跟蹤等量化研究很多都屬于小數據分析。“大數據無法取代以抽樣調查和實驗研究為代表的傳統的‘小數據研究，抽樣調查的樣本在特定情況下比某些‘大數據更具有代表性。從長遠來看，大數據不僅不會取代小數據，而且必須依靠小數據才能得到發展。”{15}因此，犯罪大數據并不排斥傳統的小數據分析，犯罪小數據與大數據是一種共生相依的關系。

3.“理論+數據”結合下的數據相對論

犯罪大數據分析以對犯罪規律的精準把握為目標，但這種分析并不是單純的客觀性分析，仍離不開主觀假設、理論思辨、經驗和偏好、既有知識積累、價值評判的影響。有了犯罪大數據也不意味著就能為決策者、研究者提供一個絕對真實的“鏡像世界”。大數據分析的推崇者以往每每列舉洛杉磯警局運用大數據預測犯罪的例子，但2015年洛杉磯犯罪率卻出現了13年以來各類犯罪的犯罪率齊升高的現象。這是否意味著犯罪大數據分析失靈或大數據泡沫破裂呢？

實際上，數據越多，分歧也可能越多，因為每一個不同的觀點，都能找到相應的數據來支持。“要將千變萬化的人類行為提煉歸納進一套相關性分析模型和數學公式里面，幾乎是不可能的。這就是大數據不可能宣告理論終結的原因所在。”{16} 數據是不能單靠自己“說話”的，還有賴于研究者的數據清理、分析、解釋工作。“不對原始數據進行調整就等于故意公布錯誤的信息。”{17}因此，犯罪大數據分析必須扎根在犯罪學基礎理論之上，并接受理論的指導，任何分析都是一半數據、一半理論；理論驅動與數據驅動之間是一種“海上明月共生潮”的珠聯璧合關系。

根據數據相對論的理解，數據永遠在追趕事實。數據僅記錄事實的一個側面。數據再大都不是事實，但它逼近事實。事實確實只有一個，但又千萬個棱面，任何一組數據，可能都只僅僅描繪了一個“面”。{18}研究者用數據描述事物不同棱面的過程就是解釋數據。可見，犯罪大數據分析是否科學有效不僅取決于犯罪數據的質量，更取決于研究者如何將犯罪學理論與犯罪數據有機結合，以既有理論、知識設計算法和程序，以量化分析探究犯罪規律、檢驗和修正犯罪學理論，從而改進犯罪治理模式。此外，有效的犯罪大數據分析能夠提升犯罪防控決策和實施活動的科學性，但并不意味著能直接帶來犯罪率的降低。畢竟，影響特定區域犯罪率的因素很多，即使犯罪大數據分析應用甚多，有時也無法對沖人口、城市化、經濟、社會結構等深層次原因的影響。

4.從相關到因果的犯罪規律探究

在大數據時代，“相關比因果更重要”的觀點甚為流行，基于相關關系的預測分析成為大數據的基本應用。犯罪原因一直是傳統犯罪學的核心議題。隨著大數據分析的流行，相關關系能夠取代因果關系、犯罪預測會架空犯罪原因研究嗎？

一般來說，大數據思維強調歸納，注重分析事物之間的相關關系；傳統犯罪學研究強調演繹思維，以解釋因果關系為目標。“大數據分析可以闡述關聯和概率，但歸納法具有無法確定因果關系的天然缺陷。科學的最終目的顯然不只是陳述概率或可能性，而是解釋因果關系和給出答案。”{19}在概率分析中，有時兩個風馬牛不相及的因素之間會存在顯著的回歸系數，這并不意味著變量之間有真實的因果關系。

概率分析的上述局限也無法否定相關分析在犯罪原因研究中的獨特價值。盡管相關并非完全等同因果，但“相關性觀察是絕大多數犯罪原因研究的前期研究”{20}。犯罪原因的等級取決于同結果發生之間的聯系概率。概率越大，原因等級便越高。“研究者運用基于概率論的數理統計方法可從眾多因素中篩選出與犯罪存在較大概率的相關因素、排除無關因素，并精準把握特定變量影響犯罪發生的數量關系。”{21} 在分析過程中，歸納和演繹思維往往難以分割，“‘數據驅動科學必須把歸納和演繹結合起來。通過歸納性的大數據分析洞察情況，然后依據數據分析的結果提出假設，最后再用演繹法與數據分析相結合去驗證假設”{22}。可見，相關關系不但沒有取代因果關系，而且從相關性角度探究犯罪的因果關系構成了量化犯罪原因的可行進路。endprint

從相關到因果的研究進路不僅能夠預測犯罪、量化犯罪原因，還有助于揭示犯罪規律。“犯罪規律是指犯罪現象中客觀存在的本質聯系。犯罪規律首先是指犯罪的因果關系，又包括重復出現的各種犯罪相關性。在因果中心說和概率中心說的互補下，犯罪規律的范疇得以完善。”{23}因此，犯罪規律研究包括相關分析和因果分析。犯罪大數據分析不僅沒有架空犯罪原因研究，相反還從犯罪規律的層面為犯罪防控提供了堅實的理論支持。

5.工具理性與價值理性的交相輝映

從數據文化上看，犯罪大數據不能止步于工具理性，不能片面主張大數據分析對社會的精準控制，也不能僅強調“用數據決策、用數據管理、用數據創新”；更應彰顯價值理性，在法治框架下開展犯罪大數據分析，防范“數字利維坦”的出現，尤其是在牽涉公民權利時價值理性不能“失語”。

安東尼·吉登斯指出，“我們生活在一個福柯稱之為國家‘監控變得越來越廣泛和越來越明顯的社會。通過計算機和芯片技術的使用，對所屬人口信息的儲存和控制已成為國家權力的主要媒介。在國家監控活動得到極大發展的條件下，公民權利的維護很大程度上受到了限制”{24}。因此，犯罪大數據分析不僅要求防控機構必須依法開展（如防止出現公民賓館登記記錄泄露等數據泄密事件），還要求在數據開放理念下進行犯罪數據的開放（如刑事案件裁判文書的網上公開）、鼓勵“數據平民”的崛起。在英美等國，犯罪數據開放最典型的表現就是犯罪地圖的網上公開，通過犯罪地圖公開，為民眾安全生活提供行動參考、實現警察執法效果的可視化監督、以信息化助力警民互動。

三、趨勢：數據驅動的治安防控精細化轉向

我國在“十三五”規劃中首次提出“社會治理精細化”的新思路。在理論脈絡上，“精細化管理”源自企業管理的“勞動分工理論”，后被引入社會管理領域。“無論是傳統的官僚制階段，還是新公共管理階段，為了保證社會管理的高效率，實現政府的管理目的，必須要保證政府工作的精細化。”{25}

當前，我國治安防控的精細化程度有待加強。“我們的傳統文化中，推崇直覺、感性思維，習慣于對事物進行模糊的歸類，缺乏嚴謹、理性、體系化的實證研究。這種思維方式在公共安全工作中容易導致簡單化，日常管理粗枝大葉、大而化之，形成一筆‘糊涂賬”。{26} 對此，作為“數據治國”文化的實踐探索，犯罪大數據分析不是傳統意義上的“數目字管理”，而是基于“互聯網+”增量效應和“大數據×”乘數效應的犯罪的數據治理。這種數據治理從防控理念、數據基礎及技術條件上推動了治安防控的精細化轉向。

一方面，犯罪大數據應用倡導尊重事實、推崇理性、強調精確的精準防控理念。

“互聯網時代也是一個數據技術時代。‘互聯網與‘大數據結合到一起，將產生功能強大、影響持久的‘聚變效應。這種‘聚變效應波及國家治理活動。”{27}“公安機關掌握的犯罪數據一般在局域網內運行，從低安全性網絡向高安全性網絡單向流動，最后在公安的核心網絡中匯集所有數據。”{28}目前，相關數據只有進入公安的局域網后才能進行犯罪數據的關聯分析、碰撞對比、研判應用，從而在海量、多源、分散的犯罪大數據中找到犯罪規律。因此，犯罪大數據應用能夠把數據優勢轉化為社會治理優勢，變經驗驅動的決策為數據驅動的決策，提高決策的預見性、精準性。當前，大數據分析逐漸從案件偵破環節擴展到犯罪風險動態監測及分析、治安專項行動評估、警力部署、智能安防、犯罪預測預警、防控決策等多個領域，“用數據說話、用數據決策、用數據創新”的犯罪精準防控理念影響甚廣、漸入人心。“文化是制度之母”{29}，“數據治國”文化強調的精準防控理念構成了“完善社會治安綜合治理體制機制”的重要價值目標。

另一方面，犯罪大數據為治安防控精細化轉向提供了數據基礎和技術條件。

“數據是科學的度量、知識的來源，沒有數據，無論是學術的研究抑或是政策的制定，都將舉步維艱。”{30}數據和信息是執法工作當中制定戰略和決策的基礎。犯罪大數據首先是容量大，互聯網、物聯網、移動互聯網均是犯罪大數據產生的基礎。犯罪大數據不僅包括公安機關所掌握的各類案件信息、人口戶籍信息、指紋信息、警用地理信息、視頻監控信息數據庫，還包括防控參與主體擁有的數據庫，如城市規劃、金融機構、網絡運營商（包括微信及QQ數據、百度人口密度實時分析數據、網絡購物數據、網頁瀏覽記錄）、房產部門、快遞公司、電信運營商等。

“大數據產業的戰略意義不在于掌握龐大的數據信息，而是要提高對數據的‘加工能力，通過‘加工實現數據的‘增值。”{31}犯罪的相關性分析是犯罪大數據分析的基礎技術，通過關聯關系挖掘將公安機關與防控參與主體的數據有效整合起來，把人、房產、銀行記錄、出行軌跡、車輛信息、住宿信息、航班信息、快遞信息與犯罪的關系鏈接起來，建立用于綜合研判、量化評估的數學模型，從中挖掘與犯罪有關的人與人、人與事物之間的顯性、隱性關系，進而實現犯罪評估與預測。以PGIS（警用地理信息系統）為例，研究者將犯罪的地理信息與城市空間信息聯系起來，在可視化探測犯罪熱點區域的基礎上，運用空間回歸模型，計算哪些空間因素對犯罪熱點具有顯著的影響，從而解釋犯罪熱點的空間成因，指導防控布局，對城市改造與規劃提出防衛空間設計的建議。

隨著人工智能的發展，犯罪大數據分析將越來越依賴于以機器學習和人工智能來實時監測、分析數據、推演未來。例如，人臉識別技術能夠在重要卡口進行人臉監測、人臉跟蹤及對比，對疑犯進行實時追蹤；又如，智能視頻監控技術能夠在公共場所進行徘徊分析、擁擠預測，以預防突發性公共安全事件。犯罪大數據分析能夠以IT和DT系統創造“智慧警察”，進而助力“智者見于未萌”愿景的實現。

四、回應：精準防控模式的提出

“任何重大技術革命的背后都有科學、哲學，甚至是世界觀的巨大變化。”{32}伴隨治安防控的精細化轉向，犯罪大數據為精準防控提供了驅動力，精準防控構成了犯罪的日常性治理在大數據時代的延伸與發展，是在創新立體化社會治安防控中開展循數管理的關鍵。所謂精準防控，“是指在技術治理邏輯下，遵循計量犯罪學的研究模式，根植于犯罪大數據挖掘和分析，注重探測及干預高危地點、把握高發時間、對高危人群進行數據畫像、體察罪犯出行特征、設計最佳出警路線、優化防控布局、設定治安緩沖區、分犯罪類型進行專題性風險評估等的日常性治理策略”{33}。精準防控模式的提出是對犯罪治理如何適應大數據浪潮問題的理論回應。關于精準防控的理解可從以下五個方面展開：endprint

1.從理論地位上看，精準防控是日常性治理戰略的戰術延伸

在綜合治理理論構架下，“運動式治罪”式微與“日常性治理”興起亦是不爭的事實。{34}作為整體意義上的防控理論，日常性治理傾向于針對結構性的犯罪原因，開展系統性、全局性、綜合性的防控戰略，如犯罪的社會治理、被害治理、刑事治理等；但結構性的犯罪原因往往無法在短期內根治或改變（如外來人口的城市融入、青年群體的就業、底層群體的社會失范、流動未成年人輟學等問題），這種宏觀層面的防控應用往往缺乏針對性與可操作性。因此，日常性治理戰略亟待向著更具可操作性、更易開展評估分析、應用價值更大的防控戰術延伸，而根植于犯罪大數據土壤的精準防控則為這種轉向指明了方向。

精準防控往往針對非結構性的犯罪條件，以犯罪數據為基礎，從海量、模糊數據中的細微信息和蛛絲馬跡中分析犯罪規律，開展犯罪風險量化評估，直接采取有針對性的預警預測及防控部署。以針對犯罪熱點的精準防控為例，精準防控以犯罪時空信息及城市相關因素信息為基礎，運用制圖技術探測犯罪熱點，以空間統計量化哪些因素影響犯罪熱點的形成，針對犯罪時空熱點及其影響因素開展地點警務。可見，精準防控是日常性治理向著循數治理的具體轉向，也是提升防控科學性和可操作性的理性延伸，還是改善防控績效的戰術選擇。

2.從治理目標上看，精準防控是為應對我國現階段犯罪治理的“短板問題”而提出的，不是對全能管控型治理模式的回歸，更不是要打造“數字利維坦”

“提高社會治理整體水平，關鍵要補齊短板。當前，要盡快補齊基層基礎、社會共治、科技運用、法治保障等四個方面存在的短板，把社會治理提高到新水平。”{35}犯罪治理適應大數據浪潮就屬于上述社會治理在科技運用上的短板問題，而精準防控通過犯罪大數據分析能夠提升犯罪治理的科學性，從而“補齊短板”。隨著公安機關的犯罪打擊力度不斷增強，犯罪黑數如同海綿一樣，從中擠出水分的力度日趨增大。基于大數據分析的精準防控就是減少犯罪黑數、改善犯罪預防能力的有效舉措。

精準防控所強調的精細化更多是指防控應對的精細化，而非僅是防控機構自身的精細化；精準防控不僅強調犯罪防控頂層設計的精細化，更關注基層基礎環節犯罪防控的精細化。在基層，過于精細的組織機構分工容易“導致組織流程破碎、管理思維弱化政府服務職能、條線過多降低基層整體效率、復雜系統削弱居民參與意愿”{36}，從而陷入社會治理的“碎片化”危機。正所謂“基礎不牢、地動山搖”，基層是立體化治安防控的基礎環節，也是精準防控的重中之重。犯罪大數據分析中的數據開放策略為基層開放性政府的建設提供了基本前提，以滿足公共安全服務的有效供給；犯罪制圖、統計分析、預測建模、視頻監控等技術的集成運用為犯罪在基層的整體性治理提供了技術支持；犯罪大數據分析促進了“傳統+現代”治理技術的有機融合，這為犯罪在基層的柔性治理和非正式控制提供了科技保障。

此外，精準防控雖然是一種技術治理，但離不開人文關懷和法治精神的指引。精準防控不是國家對社會的單向管控，而是國家和社會的雙向互動。精準防控不應僅是國家機器精密運作的體現，并非一味以效率為導向，而更注重公平和民眾滿意度，建立自下而上的治安議程產生機制，注重民眾的參與，不斷提升民眾的主體地位及滿足不同人群在治安防控中的差異化需求。

3.從表現形式上看，得益于犯罪大數據分析的強悍功能，精準防控具有系統性、多層次、全方位、前瞻性的應用表現

在犯罪偵破領域，基于視頻監控搜索、數據交叉比對、罪犯出行軌跡分析等技術，精準防控為抓捕罪犯插上智慧的翅膀，提高了傳統的人力走訪、入戶排查、案情分析效率。在犯罪空間領域，基于地理信息系統的制圖技術，精準防控能夠可視化探測犯罪熱點區域，找到少數熱點網格和熱點路段，為地點警務的開展提供依據。在犯罪時間環節，借助時間序列等模型，精準防控能夠測量出特定犯罪在某個月、一周中某些天、一天中某些時段的時間規律，把握犯罪的高發時間。在高危人群方面，借助互聯網、物聯網及監控記錄，精準防控可對特定高危人群（如暴恐犯罪高危人群）進行數據畫像，以了解該群體的生活特點、人際交往范圍、行為方式，把握提前干預與危機處置的關鍵節點，以實現“挽狂瀾于既倒、扶大廈之將傾”的犯罪預測。以反恐為例，通過處理包括銀行轉賬、ATM 機的使用、電話通訊、購物、就醫、保險等海量信息，鑒別出個別人的非正常行為，這對預防暴恐犯罪會起到很好的效果。根據犯罪時空分布特征的量化評估，精準防控倡導設計最佳出警路線、設定治安緩沖區、改進防衛空間方案等優化防控布局的具體舉措。可見，精準防控是一種能夠回溯過去、評估現實、吸收外來、預見未來的犯罪的數據治理策略。

4.從技術方法上看，精準防控是“人力+科技”“傳統+現代”等治理技術的有機融合，推崇大數據分析并不意味著忽視摒棄傳統中行之有效的犯罪治理手段

“時移而治，不易者亂”，精準防控戰術的提出是對大數據浪潮的適應。雖然精準防控集成了基于地理信息系統的可視化分析、基于數學建模的犯罪風險評估及預測、犯罪數據的相關性分析、視頻監控及人臉識別技術、基于物聯網的智能安防等現代技術手段，但精準防控在基層或一線的執行仍取決于具體的人所實施的具體防控活動。傳統意義上的治安巡邏、入戶走訪、抽檢臨檢、人力盯防、隱患排查等防控手段仍不可或缺，不過基于大數據的現代技術手段大大提高了傳統防控方式的效率。以犯罪制圖為例，制圖分析能夠精確探測犯罪熱點，在犯罪熱點地圖的指引下，警務巡邏更具針對性和有效性。因此，精準防控在方法上需集成運用“人力+科技”“傳統+現代”等治理技術。

5.從實施條件上看，精準防控以信息整合、資源整合、決策機制整合為基礎

“非知之艱，行之惟艱”，精準防控的有效開展亟待實現信息、資源、機制的大整合，從大整合中產生大價值。信息整合是通過數據分析技術打通數據壁壘、聯通各種數據庫，將分散在社會各領域的犯罪及治安信息收集、整理、挖掘、過濾、利用起來，為精準防控的實施提供堅實的數據基礎和分析依據。資源整合是向社會延伸精準防控的觸角，與網絡運營商、軟件運營商等數據擁有者無縫對接，以信息化技術動員、吸納、聚合、組織社會力量，通過犯罪地圖公開等數據開放形式助力精準被害預防，實現“互聯網+”與“大數據×”下的高維度公共參與。決策機制整合是在精準防控中強調治安防控的“數據化決策”，以信息采集、風險評估、決策制定、政策仿真模擬、日常防控任務的信息化傳遞與反饋、專項行動治理效果的量化評價輔助防控決策，但同時不忽視防控經驗、犯罪學理論在決策中的價值，從而在數據驅動、經驗驅動、理論驅動的整合下不斷提高防控決策的科學性。endprint

總之，精準防控的提出是將犯罪大數據與犯罪治理關聯起來的產物，是立體化治安防控適應大數據浪潮的有益探索，也推動了犯罪治理模式的改進，更為犯罪治理的理論研究走向深入開放提出了新的重要議題。

注釋：

{1}涂子沛.大數據（3.0升級版）[M].桂林：廣西師范大學出版社，2015：1.

{2}J Gray，Tony Hey，“The Fourth Paradigm-Data-In tensive Scientific Discovery”，E-Science and Informa tion Management，2012，p. 1. 有學者指出，學術史上先后有四個范式。第一范式出現于文藝復興以前，特征是崇尚經驗主義，通過觀察描述自然現象；第二范式出現于文藝復興以后，關注理論，注重建造模型和‘概括；第三范式是計算科學，主要方法是通過計算機模擬復雜現象；第四范式的特征是數據探索，強調海量數據、數據挖掘和統計分析。參見Hey T， Tansley S， Tolle K. The fourth paradigm： data-intensive scientific discovery[M]. Redmond， WA： Microsoft research， 2009.

{3}潘綏銘.批判“大數據崇拜”[EB/OL].http：//www.aisixiang.com/data/93017.html.

{4}潘綏銘.生活是如何被篡改為數據的？——大數據套用到研究人類的“原罪”[J].新視野，2016（3）.

{5}梁玉成大數據不能替代理性思考[N].社會科學報，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]阿爾弗雷德·D.錢德勒、詹姆斯·W.科塔達著，萬巖等譯.信息改變了美國：驅動國家轉型的力量[M].上海：上海遠東出版社，2011：2.

{9}肖濱.信息技術在國家治理中的雙面性與非均衡性[J].學術研究，2009（11）.

{10}{14}涂子沛.數據之巔：大數據革命，歷史、現實與未來[M].北京：中信出版社，2014：258-259，270.

{11}李代超、吳升.面向不同主題的犯罪大數據可視化分析[J].地球信息科學學報，2014（5）.

{12}張華平.從Palantir看公安大數據應用[EB/OL].http：//mt.sohu.com/20160523/n450910580.shtml.

{13}王岑.大數據時代下的政府管理創新[J].中共福建省委黨校學報，2014（10）.

{15}唐文方.大數據與小數據：社會科學研究方法的探討[J].中山大學學報（社會科學版），2015（6）.

{16}{17}[美]馮啟思著，曲玉彬譯.對“偽大數據”說不：走出大數據分析與解讀的誤區[M].北京：中國人民大學出版社，2015：136，156.

{18}涂子沛.大數據時代，一個新的相對論時代[EB/OL].http：//www.zj.xinhuanet.com/kfkt/2016-04/01/c_1118506954.htm.

{19}鄭一卉.范式與方法：對大數據環境中社會科學研究的反思[J]. 新聞知識，2016（1）.

{20}{23}白建軍.關系犯罪學[M].北京：中國人民大學出版社，2005：357，359.

{21}單勇.犯罪熱點成因：基于空間相關性的解釋[J]. 中國法學，2016（2）.

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

{24}[英]安東尼·吉登斯著，熊美娟譯.階級分化、階級沖突與公民身份權利[J]. 公共行政評論，2008（6）.

{25}{36}王陽、葉敏.從“精細化管理”到“精準化治理”：社會治理的理念變革與政府實踐[J]. 新常態與大戰略——上海市社會科學界第十三屆學術年會文集（2015年度）：410，412-414.

{26}全國政法系統大連會議的12個金句[EB/OL].央廣網，http：//news.cnr.cn/native/gd/20150928/

t20150928_519992588.shtml.

{27}陳潭、楊孟.“互聯網+”與“大數據×”驅動下國家治理的權力嬗變[J]. 新疆師范大學學報（哲學社會科學版），2016（5）.

{28}深度解析大數據在公安領域的應用[EB/OL].http：//developer.51cto.com/art/201505/477710.htm.

{29}[美]塞繆爾·亨廷頓、勞倫斯·哈里森主編，程克雄譯.文化的重要作用——價值觀如何影響人類進步[M].北京：新華出版社，2002：2.

{30}陳潭等.大數據時代的國家治理[M].北京：中國社會科學出版社，2015：10.

{31}大數據：通過加工實現增值[EB/OL].http：//www.d1net.com/bigdata/news/342922.html.

{32}阿里研究院.互聯網+：從IT到DT[M].北京：機械工業出版社，2015：序2.

{33}單勇.基于熱點穩定性的犯罪空間分布規律再認識[J]. 法制與社會發展，2016（5）.

{34}單勇、侯銀萍.中國犯罪治理模式的文化研究——運動式治罪的式微與日常性治理的興起[J]. 吉林大學社會科學學報，2009（2）.

{35}孟建柱.防控風險補齊短板 為全面建成小康社會創造良好環境——學習貫徹習近平總書記關于政法工作指示重要[J]. 求是，2016（6）.

責任編輯：陳艷華

（本文發表于《中國特色社會主義研究》雜志2016年第6期）endprint