困局與突破：大數據偵查發展路徑

曹智猛，陳剛

（中國人民公安大學 北京 100038）

自大數據偵查的概念誕生以來，眾多學者對其進行了大量的研究。王燃博士在其專著中詳盡地論述了大數據偵查的模式、思維和方法；程雷教授在《大數據偵查的法律控制》一文中提出應在偵查控制和數據控制的雙重路徑下對大數據偵查進行法律規制；還有諸多研究者圍繞著大數據偵查的實現條件、配套機制以及具體犯罪偵查中的運用展開討論，為后人的學習研究提供了豐碩的材料。但是，大數據偵查并非一種偵查方法，而是一個充實、復雜的體系。一個不可忽視的研究是，我們應明確其實際發展現狀、深入分析其發展制約因素，從更為宏觀的視角為大數據偵查的發展規劃路徑。

一、異變：大數據偵查的本質屬性

作為大數據時代的產物，大數據偵查推動了犯罪偵查由警力密集型勞動向數據密集型、科技密集型的轉變。與傳統偵查和信息化偵查相比，大數據偵查呈現以下本質特征：

（一）偵查載體的數據化

早在2008 年，大數據這一概念尚未出現之時，郝宏奎教授便在《論虛擬偵查》一文中提出了虛擬偵查并論證了其與實體偵查相互間的區別與聯系。大數據時代的到來賦予了虛擬偵查全新的面貌：“萬物皆可數據化”成為事實——人的一言一行都能被數據定格下來，搭建出一個與現實空間相平行、相對應的鏡像虛擬數據空間，每個人、每件事都能在數據空間找到其映射，從而很多與犯罪行為相關的線索和信息得以顯現。正是這樣一個數據空間，承載著大數據偵查實踐活動。

（二）偵查手段的智能化

大數據偵查首先需要滿足數據量夠“大”的條件。偵查中每個環節對于海量數據的處理是不可能僅靠偵查人員的人工工作完成的，無論是數據采集、數據清洗還是數據分析都需要依托相關智能化、專業化的大數據技術。偵查手段的智能化轉型，不僅提升了偵查工作的精準度和效率，也變革了傳統偵查中依托人力勞動、人海戰術的粗放模式，推動了偵查效能的釋放。

（三）偵查思維的相關性

相關性是大數據思維特征的精髓所在。通過海量計算，大數據偵查能探尋各要素之間的相關關系，為偵查提供有價值的線索及新的思維視角。此外，大數據的相關性讓犯罪預測更具提客觀性、科學性，犯罪預測由以往的主觀經驗式分析轉變為現在的科學數據化分析，并出現了越來越多的自動化、智能化大數據犯罪預測工具［1］。

二、現狀：大數據偵查初級階段之證成

任何事物都是逐步發展起來的，刑事偵查亦經歷了傳統偵查、業務信息驅動偵查、數據驅動偵查的歷程，各階段更迭存在交叉之處。學界對于目前處于大數據偵查或信息化偵查階段存有不同看法。單從數據的特質來看，目前在偵查中涉及到的數據已初步具備了齊全性、動態性和異構性，且能夠通過對元數據的智能化挖掘刻畫出詳盡的犯罪關系網絡并在犯罪預測中加以應用，這是信息化偵查所不能企及的深度。因此現階段的數據驅動型偵查屬于大數據偵查的范疇。筆者認為，我們目前處于大數據偵查的初級階段，其階段性特征如下：

（一）數據應用范式尚未形成

數據應用范式的形成是大數據偵查實踐趨于成熟的必要條件。目前尚未形成數據應用范式的原因主要在于數據質量阻礙和數據應用局限兩個方面：

1.數據質量阻礙。在質量方面，內外數據皆存在瑕疵。首先，內部數據實時性較差。為了支撐數據量，在警務大數據建設初期將各執法勤務部門在以往工作中收集的數據簡單堆疊，更新不及時、鮮活度低下。其次，外部數據難以直接利用。輻射到社會生活方方面面的外部數據類型繁多、標準不統一、制式不盡相同，甚至有錯誤數據，偵查機關在辦案過程中數據整合難度高、數據治理工作量巨大。基礎數據存在質量瑕疵，必然會影響大數據偵查的效率和精準度。

2.數據應用局限。在應用方面，大部分半結構化、非結構化數據在偵查領域尚未得以應用或應用不充分。一是半結構化、非結構化數據其本身的特點決定的。相比于結構化數據，非結構化數據的格式繁多、品質參差不齊，且能與半結構化數據交叉融合①，分析處理的難度和工作量更大。二是技術的原因，由于欠缺半結構化、非結構化數據的智能化挖掘分析技術，往往需要通過人工或圖像處理技術將之轉化為結構化數據再加以使用。隨著信息技術對生產、生活的滲透，半結構化、非結構化數據的體量及占比會持續上升，其偵查價值不容小覷，大數據偵查的發展還須充分應用半結構化、非結構化數據。

（二）結構要素尚未培育成熟

大數據偵查在控制和打擊犯罪中初露鋒芒，但是作為一套體系其結構要素尚未培育成熟，發展不均衡的現象依然突出，不利于大數據偵查整體性效能的發揮。

1.數據基礎失衡。（1）經濟差異下的地域性數據基礎失衡。社會經濟與科技是相互促進的正相關關系，依賴科技驅動的大數據偵查往往隨著經濟的地域性差異形成發展不均衡的樣態。首先是地區間的不均衡，主要表現為東部強西部弱。東部地區多省市大數據發展指數普遍較高［2］。以北京、長江三角地區和珠江三角地區為例，這些地區經濟高速發展、流動人口較多，其偵查機關在大數據偵查領域發展較快，無論數據來源還是技術支撐均處全國領先地位。其次是城鄉間的不均衡。現階段我國農村人口大量外流、視頻監控等智能安防設備覆蓋率較低，在數據體量上難以滿足大數據偵查的需求。雖然隨著“雪亮工程”的推進該現象正在逐漸改善，但相較于城市仍有較大差距。（2）體制原因下的結構性數據基礎失衡。由于我國“統一領導、分級管理、條塊結合、以塊為主”的公安工作體制，在大數據偵查的建設初期，各省市公安機關如火如荼各自開展。這種各地分別建設的發展模式有利于行業領先者之間智慧成果的交流與融合，能促進良性競爭；但其不可避免會產生“馬太效應”②：領先地區愈發精進，落后地區則與之相去懸殊，導致目前大數據偵查在我國各地的發展良莠不齊，而且會進一步加劇偵查資源的地方保護主義現象。

2.研究基礎薄弱。從研究主題來看，大數據偵查的研究主題相對集中為大數據偵查的理論、思維、模式以及公民個人隱私權方面。從研究成果來看，關于大數據偵查如何在某類案件中運用的研究居多——大數據偵查更多地體現為“術”，其體系性研究較為薄弱。從研究群體來看，大數據偵查的研究群體呈現較為單一，大多為公安和政法院校的師生，缺少來自以信息技術為學科背景的學術組成。“倘若只有偵查學研究背景的學術群體呼吁并投身于大數據偵查研究，那么研究將始終閉塞于單一學科領域而缺乏發展活力，唯有多學科交叉、科學技術推進才可能賦予大數據偵查研究鮮活的生命力。”［3］從與實踐的關系來看，當下的研究難有現實性突破和實踐意義，難以被實務部門轉化和運用。換言之，實踐支撐不足也是研究基礎薄弱的惡果。

3.技戰法發展存在結構性失衡。大數據偵查方法包括數據搜索、數據碰撞、數據挖掘、數據畫像、以及犯罪網絡分析等。筆者經調研發現，實務中運用最廣泛、技術最成熟的方法是數據搜索和數據碰撞。在一些大數據偵查發展較滯后的地區，甚至有偵查人員認為“大數據偵查即‘數據檢索+碰撞比對’”。實際上，業務信息主導的偵查模式已經誕生了數據搜索和數據碰撞的技戰法，其與大數據偵查中數據搜索和數據碰撞的主要區別在于數據的體量以及完成工作的自動化程度。隨著大數據時代的到來，數據挖掘、數據畫像以及犯罪網絡分析等技戰法才得以創制，雖然已取得顯著的研究以及實戰成果，但在偵查實務中的運用尚未完全成熟。因此數據挖掘、數據畫像等更高級的大數據偵查方法的發展和應用程度明顯低于數據搜索以及數據碰撞。

（三）科技驅動力難以滿足智慧偵查

大數據技術顯著釋放了偵查效能，極大減少了諸如摸底排隊、調查訪問等工作量。大數據偵查的高級形態應是集數據挖掘、人腦智慧和人工智能于一體的智慧偵查。但是現階段大數據偵查實踐存在算法支持不足、智能程度較低、運算能力欠缺等制約因素，難以滿足智慧偵查的需求。

1.技術的限制。近年來，各地公安機關對人工智能影響與介入執法辦案進行了大膽探索。部分走在前列的地區相繼推出各種智能執法辦案系統。如上海市的“206系統”，浙江省“政法機關一體化辦案系統”，貴州省的“一尺辦案”“數據鐵籠”以及“共享平臺”，江蘇省蘇州市的公檢法司“桌子結構”［4］。此類探索多側重于執法辦案以及偵查活動的程序性監督，而非應用于偵查辦案業務。原因在于程序性事務是例行的、固定的，而偵查活動復雜多變，基于目前算法的弱人工智能③無法對瞬息萬變的犯罪行為精準識別并做出有效反應。智慧偵查離不開數據挖掘，數據挖掘需要算法支持。目前以Apriori算法為代表的的關聯挖掘，盡管利用最小支持閾值和最小信任閾值可以幫助或減少挖掘無意義的規則，但其所獲得的許多關聯規則仍是無價值的［5］。算法是一種邏輯規則，改進算法意味著在保證輸出結果精準的前提下尋求更高效、更精妙的問題解決路徑。因此大數據偵查領域內的算法還需不斷優化升級。

2.設備的制約。運算能力是影響大數據偵查效率的關鍵要素之一，其取決于核心硬件設備的性能。相較于其他行業，大數據偵查雖發展較晚，但是具有后起優勢，其硬件設備比較先進，數據庫性能普遍較高，與大數據應用兼容良好，能適應智慧偵查。例如，我國基于動態人臉識別技術和大數據分析處理技術的“天網”系統，可實現每秒比對30 億次，1 秒鐘就能將全國人口排查一遍，2秒鐘便能將世界人口排查一遍④。但是大數據偵查有相當一部分工作是依托公共交通、銀行等社會部門的數據開展的，其數據庫建立較早，雖然內含海量歷史數據，但性能滯后、算力沒有多余空間。如將大數據偵查的挖掘模型掛入其中運行，輕則結果輸出緩慢，重則系統崩潰。落后的硬件設備會嚴重影響大數據偵查的效率，更難以適應智慧偵查。

概言之，目前處于大數據偵查初級階段。在對大數據偵查實際發展現狀充分認識的基礎上，進一步對其研究并分析其面臨的困境才能客觀準確、探索其發展路徑才能有現實價值。

三、大數據偵查的階段性瓶頸

（三）偵查思維出現“新的僵化”

偵查思維是一種貫穿于偵查全過程的認識活動，其在偵查實踐中起到指導作用。隨著大數據偵查日趨火熱，偵查思維受其影響產生變革，但逐漸涌現出了“新的僵化”思潮——唯數據論，直接導致了偵查思維與數據思維混同、大數據偵查與傳統偵查斷層的弊病。

1.數據思維與偵查思維定位不清。證明因果關系素來較為困難。大數據則能另辟蹊徑，直接探索事物之間的相關關系。自大數據走入公眾視野后，很多學者強調偵查人員應該沖破基于因果關系的傳統偵查思維而注重培養大數據相關性思維并將其應用于犯罪預測，個別研究者甚至指出基于因果邏輯的偵查假設是一種主觀的、片面的、耗時費力的經驗主義陳舊思維。這種認識是脫離大數據偵查實際現狀的跨越式發展思維誤區。誠然，在商業活動中，相關性能更快地帶來決策的優化以及利潤的增加。但是這種相關性能否直接植入偵查思維？筆者認為需要三思。偵查思維是建立于因果邏輯基礎上的“強相關關系”，在邏輯體系中可以用“推理”或“推導”來表達，如物質交換原理、同一認定原理；而數據思維更強調建立在機器計算基礎上的“弱相關性”，存在“黑箱效應”，缺乏縝密的邏輯體系，經不起因果關系的推敲和司法程序的檢驗，至多用“推測”來形容。無論大數據偵查模式是回溯型還是預測型⑤，“好的偵查假設是刑事偵查大數據應用的邏輯核心”［6］。因此，數據思維不能混同于偵查思維。

2.大數據偵查脫離傳統刑事偵查。偵查思維“新的僵化”直接導致了大數據偵查與傳統偵查出現斷層脫節現象。自2015年以來，各地公安機關都積極探索基于數據的大合成、大偵查機制，并在技術方面努力突破，但在實務中大數據偵查與傳統偵查出現了斷層：一是大數據偵查的新生力量普遍缺乏傳統偵查實踐的磨礪，刑事偵查的基本功不夠扎實，難以盤活海量的數據資源。長此以往大數據偵查難免淪為一種機械化的流程，一旦偵查過程中遇到卡殼、難以推進，嚴重影響偵查效率；二是涉毒、涉黑惡、涉槍等案件中，要打擊黑色鏈條、摧毀犯罪網絡無法離開情報的支撐，而這些職業化的犯罪嫌疑人反偵查意識很強，必須憑借傳統人力情報才能對案件有更加深入的認識、找到案件突破口。例如廣東省中山市公安局的“緝槍神探”數據挖掘模型，通過對自然語言中敏感詞匯的識別及過濾，進行頻度分析，得出有價值的線索［7］。但是這些敏感詞匯往往是暗語和行話，如“禿鷹”“燕尾”“母雞”“狗糧”等混雜在普通對話中，若脫離了傳統人力情報，則難以被有效識別。因此，現階段的大數據偵查不能陷入脫離傳統偵查的思維誤區。

（二）數據資源統籌困境

偵查資源的質量是指其準確率、可利用率、以及耦合度等屬性。相比于“整合”，統籌偵查資源更是一種從根源上解決偵查資源質量問題的途徑。僅憑借當前不同主題數據庫“物理相加”的方式，無法形成規模化、一體化的數據庫集成，也不能從根本上改善資源的質量。如果不能將所有的數據挖掘、分析等工作平滑地集成到統一數據處理中心，現有的各個實戰應用系統不能緊密耦合成為一個無縫的統一構架［8］，大數據偵查將受資源質量牽制而滯于初級階段，無法進階。

1.內部困境。從橫向來看，公安機關內部各自為政的現象不僅存在于地區間，也發生在部門間。刑偵、情報、網安、技偵等部門分別建設各自業務主題的大數據平臺，相互間資源割裂或互通程度低。各平臺由不同的競標企業開發，系統接口不一，數據規格不同，導致在平臺整合、數據共享上困難重重，存在資源浪費和重復勞動的現象［9］。因此，實務中基于數據資源共享的內部偵查協作往往依靠偵查人員的個人人際關系，以非正式、非官方的形式進行。雖然部分省地區已開始探索全警種范圍的數據庫以及網上作戰平臺，但在建設的過程中存在建設主體與應用主體脫節的現象：科信部門對于具體業務所需了解不夠深入，單純地匯總各數據源，偵查資源僅實現了簡單疊加，無法起到“1+1>2”的效果；而辦案部門在具體實戰中不知有哪些數據能夠應用以及如何應用。從縱向來看，受制度影響，偵查機關的數據資源權限大都呈倒金字塔狀，即數據權限與行政級別成正比關系，基層一線辦案部門的“數據獲得感”較差，與實戰需求有明顯沖突。由此可以看出，內部困境的成因更多地體現為結構性布局問題，大數據偵查的發展不僅需要技術上的支持和突破，而且也將對現行偵查工作機制形成較大的沖擊［10］。

2.外部困境。根據筆者調研發現，大數據偵查中的社會面數據存在獲取不暢等情況。在個案偵查中，雖然能以調取證據的方式從外部獲取數據，但辦理手續繁瑣、等待耗時長的弊病難免延誤戰機；調取數據不充分、社會主體配合積極性不高的問題導致難以深挖相關線索。由于法律依據缺位、出于私利考慮等因素，社會部門以及企業不敢或不愿為偵查機關開放數據。實務中，偵查機關以“借取”“購買”或“交換”等方式，拷貝或接口其他行業數據，取證行為的合法性經不起推敲。由于缺乏高效、合法的社會數據獲取途徑，很多觸網類犯罪難以實現真正意義上的大數據偵查。同時，地緣差異會導致不同地區偵查機關在統籌外部數據資源時難度不盡相同，如阿里巴巴集團、騰訊集團能與其當地公安機關建立良好的數據共享合作關系。

（三）外部依賴風險

警務服務外包是目前各地公安機關大數據偵查建設中的普遍現象。在實務中，大數據偵查活動大多是由偵查人員提出具體需求，再由合作企業技術人員開發大數據應用或設計數據模型，繼而開展偵查工作。偵查機關與社會企業是一個“甲方與乙方”的合作關系，社會企業能夠發揮專業特長，幫助偵查機關補足科技短板。但長此以往，地域性的財政差距會導致企業服務質量和水平的差異，同時其他弊端也日漸顯露。

1.數據安全問題。大數據偵查過于依賴社會企業，首先帶來的即數據安全問題。刑事偵查是一項嚴謹的司法活動，社會企業的直接參與已經對偵查主體的合法性提出了挑戰，且在整個過程中，企業技術人員與偵查人員接觸到同樣的敏感信息和數據，這必然會加劇數據泄露的風險，不符合公安工作的保密性要求。若僅僅依靠“職業道德”或“保密合同”去約束社會企業及其技術人員，是不能從根源上解決數據安全問題的，也是不負責的。此外，基于偵查體制，我國大數據警務的建設由各省、市公安機關獨立開展，與各地合作的企業良莠不齊。社會企業作為經濟實體，必然要承擔市場環境中的風險，這些企業一旦面臨資金困難或者破產停運，不僅會影響偵查機關的工作開展，數據安全更是無從保障。

2.與乙方合作效率低下。術業有專攻，社會企業的技術人員對刑事偵查一竅不通。為了保障其開發產品的實用性，偵查人員需先行向技術人員先提出需求，為使其充分領會意圖還需講解刑事偵查專業知識、描述偵查的邏輯框架。這一過程必然會消耗大量的時間，不利于偵查效率的提升。為了解決這種問題，以便于偵查人員自行開展大數據偵查工作，大部分合作企業搭建了簡易建模平臺，提前編寫了可供選擇組合的部分應用。但該方式非常機械化、工具化，依靠簡單的“托拉拽”拼湊出一個數據模型。這種常規性、模式性的偵查要素提取分析很難應付瞬息萬變的偵查工作。因此簡易建模平臺發揮的實際效用十分有限。大數據偵查工作最終依然陷入由偵查人員提需求、技術人員重新開發的怪圈。

四、大數據偵查的路徑規劃

（一）沖破思維僵局

大數據偵查思維既是大數據偵查建設的指引，也是大數據偵查的有機組成部分，二者互為因果［10］。因此，在大數據偵查初級階段，正確的思維先導能夠避免大數據偵查在發展的過程中走彎路。

1.明確大數據相關性的功能定位。大數據的相關性思維固然重要，但是犯罪偵查和司法證明素來要求嚴密的邏輯體系和充分的因果關系。嚴苛的司法程序不僅是為了查明事實，更是為了保障公民的合法權益。在大數據偵查的初級階段，無論是法律層面還是技術層面，僅憑借大數據的相關性無法滿足刑事偵查的邏輯嚴謹性需求。但是偵查思維是開放包容的，基于相關性的數據思維能為其提供新的參考。因此，應明確“知其然不知其所以然”這種結果主義的相關性在犯罪偵查中的功能定位，為偵查工作開辟新的視角。偵查人員可基于相關性去尋找因果關系，但并非所有的相關關系都能經受因果邏輯的檢驗。如果能找到因果解釋，則可以此為基礎進行傳統的證據調查，即保證大數據偵查輸出結果的可解釋性以符合司法證明的邏輯性，將“推測”落地為“推導”；若無法進行因果解釋，偵查人員也能以之為線索，開拓新的偵查途徑，尋找更多的線索和證據。另外，相關性可以為犯罪監控、犯罪預測提供支持。很多犯罪行為不便直接觀察，可以通過其在平行數據空間的相關變量加以關注。

2.協調大數據偵查與傳統偵查的關系。大數據偵查之所以能夠實現，是因為其載體是由現實空間通過網絡映射出的平行數據空間，這實際上就是偵查學基礎理論——同一認定原理的網絡化、數據化版本。換言之，大數據偵查是傳統刑事偵查在現代科技基礎上的分支，其本質是刑事偵查，因此大數據偵查的發展離不開傳統偵查的基礎理論支撐。傳統偵查學科凝結了古今中外刑事司法領域的哲學智慧，也是偵查人員必須具備的基本功。大數據偵查尚處初級階段，必須堅持與傳統偵查方式的融合互補，摒棄“模型包打天下”的思想。傳統偵查通過信息錄入的方式實現實體偵查資源向數據偵查資源的轉化；大數據偵查挖掘出的犯罪情報信息“必須與實體形態的偵查資源相印證，才能作為犯罪證據使用。”［11］如前文論述，部分案件在利用大數據偵查方法挖掘犯罪鏈條、分析犯罪網絡時離不開人力情報的支持。同理，對于部分非觸網類犯罪，如果傳統偵查模式能夠更快更好地破案，那么大數據偵查方法就不一定是最佳選擇。防止因大數據偵查的濫用而致使偵查人員過度依賴、思維僵化、喪失基本功，出現“高科技低能力”的狀態。

（二）5G浪潮中偵查機制的改革創新

5G 技術日趨成熟，萬物互聯的時代悄然來臨，全社會即將掀起一場全新的數據化革命。偵查機關若能順應時代潮流、把握契機，大數據偵查初級階段的許多問題會迎刃而解。例如目前社會部門數據庫普遍性能低下而影響大數據偵查效率的問題。5G 技術的普及必然會推動社會各部門數據庫硬件設備的迭代和軟件的升級，其運算能力將有質的飛躍，因此大數據偵查中建立的數據模型在掛入社會各部門數據庫后不必再因其算力有限而影響運行速度，從而大大提升偵查效率。因此，5G 時代與大數據偵查初級階段碰撞的過程中，偵查機關必須主動回應，改革創新偵查機制，才能把握先機，為大數據偵查的進一步發展培育出優渥的土壤。

1.積極推進全國統一性的大數據偵查云平臺建設。云計算是一種高效、安全、便捷、低成本的分布式計算、存貯技術。在5G 技術的高傳輸速率的加持下云計算如虎添翼，全國性的云端警務建設勢在必行。首先應促成建設全國性的公安大數據庫，這是突破現階段偵查資源質量瓶頸的基本條件。公安內部數據庫作為大數據偵查的第一資源池，其地位舉足輕重。實現數據的共享是大數據偵查發展的應有之義，其首要環節便是消除公安內部數據壁壘、打通偵查資源的流轉通道。因此，偵查機關應統籌規劃全國性、全警種的數據庫的建設，積極促進現有數據資源的高質量集成，而非各地區、各部門、各警種分別投入轟轟烈烈的建設浪潮中。其次，應在云端警務的基礎上開發大數據偵查平臺，囊括數據分析挖掘、情報研判等應用，所有的大數據偵查活動均在此平臺開展。

如圖1所示，此舉措最明顯的優勢在于能夠避免大數據應用的重復開發，節約大數據偵查的經濟成本、時間成本和人力成本。此外，整體化建設有利于數據規范的統一制定以及大數據偵查工作制度的完善。一方面能夠從根源上消除部門間數據壁壘、填平地域性資源鴻溝，調和偵查資源質、量不統一的矛盾，實現真正意義上的資源大融合；另一方面能夠將偵查人員從目前種類繁多的數據庫、數據挖掘應用、網上作戰平臺以及瑣碎的數據治理工作中解放出來，釋放偵查機關戰斗力。

圖1 一體化偵查云平臺建設模型

2.優化基于云端警務的內部偵查協作機制。大數據偵查中的協作更多地表現為數據資源的共享。將穩定完善的偵查協作機制納入統一的云端警務框架，保障大數據偵查協作行為的合法化、規范化，讓大數據偵查協作在可操控、可監督的程序規范內運行，做到有法可依、責任明晰，打消偵查資源持有主體的顧慮、杜絕建立在偵查人員個人人際關系基礎上的“關系協作”和“人脈偵查”等無監督、無管理、無法律依據的“三無”狀態。在云端警務運行偵查內部協作機制，一方面能夠在公安內網快速完成協作手續的流轉，有利于節省事前審批的時間，避免延誤戰機；另一方面能夠實現“一次協作、多個節點”的業務留痕，有利于大數據偵查的事后監督，保障大數據偵查協作的合法性并杜絕個別部門出于私利而不愿配合的現象。此外，共享理念也能夠在內部偵查協作機制中得以深化和落實：共享經濟與偵查協作具有相同的效用——提高資源的利用率，并使雙方需求得到滿足［12］。即偵查機關通過偵查信息的交流共享，各取所需，最終在滿足偵查機關信息數據需要的同時提升偵查效率［13］。

3.科學管理數據權限。在大數據偵查中，數據權限充當著偵查行為許可證的角色。數據權限的科學管理有利于保障偵查行為的合法性以及數據安全。科學管理數據權限應包括以下內容：一是數據權限分類管理機制。按照大數據偵查體系，數據權限可以分為業務資源類和監督管理類。業務資源類數據權限是指能夠獲取偵查實戰所需資源的數據權限；監督管理類權限是指通過審批、查詢對大數據偵查的合法性進行把關、并為大數據偵查實戰提供必需保障的數據權限。這種分類的意義在于通過對數據權限分類管理，科學合理配置數據資源的同時能夠完善對大數據偵查行為的內部監督。大數據偵查實踐中所謂“數據權限下沉”的呼聲，指的是業務資源類數據權限根據實際業務需求分配、向大數據偵查一線實戰部門靠攏，并非機械地按照行政級別由上至下呈金字塔狀分布；同理，監督管理類數據權限應根據崗位職能和職位職責配置。二是數據權限動態管理機制。數據權限的管理并非一定不易，而是個動態的過程。數據權限管理部門應與公安人事部門形成聯動，緊跟偵查人員崗位、職務的調整變更數據權限，防止出現“人走權限在”的數據安全隱患和“人來無權限”的工作阻礙現象；并通過系統定期監測，核查數據權限使用情況，以此為依據對偵查人員的數據權限進行調整，關停使用率不高的數據權限。三是高、低密級數據融合機制。數據的高質量融合能夠極大地提升犯罪情報研判質量和偵查效率，但同時應嚴格遵守相關法律和公安工作紀律。大數據偵查實踐中常需要技偵、網安、國保等部門的數據支撐，而這些部門的業務數據往往涉密，具有嚴格的法律控制和較高的啟動門檻。為充分釋放大數據偵查的效能，偵查機關需在現行法律框架內降低數據密級和權限對資源流通的限制。因此，高、低密級數據融合機制應以數據流單項傳輸的方式，由偵查人員將低密級數據以及嫌疑線索推送給涉密部門，涉密部門將低密級數據結合涉密信息二次挖掘、分析研判后的綜合情報產品以及驗證結果反饋給偵查部門。

圖2 高、低密級數據融合機制

如圖2 所示，高、低密級數據的融合發生在高密級數據池，整個封閉式數據融合的過程中高密級數據始終保持靜態，流轉的是情報和驗證結果。對于通過大數據偵查獲取的高敏感度信息管理可類比《刑事訴訟法》中對技術偵查手段的規定：涉及到國家秘密、商業秘密、個人隱私的內容需要嚴格保密，與案件無關的必須及時銷毀。該機制的創新具有現實意義，一方面能夠有效實現高、低密級數據的融合，提升偵查效能；另一方面保證了高密級數據的安全和偵查手段的合法性，能夠有效防止大數據偵查手段的濫用。

4.積極溝通完善外部數據合作機制。從體量來看，相比于社會數據，公安內部數據猶如九牛一毛。我國是一個數據大國，擁有極為豐富的數據資源，且具有“集中力量辦大事”的制度優勢，大數據偵查的發展具備更多的便利條件［14］。隨著5G時代到來，智能穿戴設備、車聯網等愈發普及，數據即將面臨新一波的爆發式增長。憑借目前的個案式、地緣式外部數據獲取方式，大數據偵查的發展必然難以為繼。因此偵查機關應主動牽頭，與各社會部門、企事業單位積極溝通，廣辟數據來源、疏通外部數據獲取渠道，建立長效外部協作機制。應當注意的是，外部數據合作既非一味地將社會部門和企事業單位的原生數據納入公安數據庫，也不是單純地給大數據偵查平臺留有數據庫接口，“物理堆疊”的方式徒增警務云服務器的壓力和數據治理工作量。而是應該在合作機制構建初期與社會各部門共同參與制定數據規范，并參考智能前端設備算法，提高外部衍生數據的利用率，避免數據挖掘應用的重復開發。例如：利用云計算與邊緣計算相結合的技術，將算力不強的運算置于邊緣服務器，在減輕警務云的數據壓力的同時能夠直接利用外部偵查資源的數據挖掘產品。

（三）破除外部依賴

大數據偵查行為過度依賴社會力量不是長久之策。社會企業科技板塊的戰略價值在于協助公安機關建設高質量的內部大數據人才梯隊。精通犯罪偵查業務和前沿科技的復合型人才是大數據偵查實現從初級階段進化至高級形態的中流砥柱。公安內部人才培養可從以下兩個方面布局：一方面，當務之急是優化偵查人員獨立開展大數據偵查活動的水平。偵查機關應選拔出在偵查破案一線磨礪過、具備扎實刑偵基本功的偵查人員，在合作企業、高校師資力量的協助下加以培訓，以業務需求為目標引導偵查人員開拓、探索大數據在犯罪偵查中的應用和價值，逐步實現偵查人員獨立完成大數據偵查工作、社會企業僅提供技術支持和系統維護的定位轉變。另一方面，培養公安政法院校在校生是大數據偵查發展的戰略層面布局。公安教育領域應盡快加強查偵查學專業建設，公安院校在偵查學二級學科下開設大數據偵查方向，以推動偵查專業結構的改革［15］，積極搭建警、校、企三方合作平臺，創新校內、校外雙導師教學模式，深化學科的交叉融合，為廣大師生研究提供更為豐富的學術資源，促進大數據偵查的進一步發展。

五、結語

大數據偵查方興未艾，位于刑事偵查的前沿模塊。但其尚處于初級階段，受經濟、體制和布局的影響呈現出數據應用未形成范式、結構要素未培育成熟、科技動力不足的特征，并存在偵查思維僵化、資源統籌困難和外部依賴過高的發展瓶頸。當前研究者們和實踐部門所做的一切努力都是致力于推動大數據偵查早日發展到高級形態。但是大數據偵查是一個復雜的體系，在初級階段，技術上的攻克僅僅是基礎環節，正確引導大數據偵查思維、彌合內外數據鴻溝以及建設大數據偵查人才梯隊才是各偵查機關都需要面對的問題。

［注釋］：

①例如網絡社交媒體中較為流行的“表情包”就是一種典型的非結構化與半結構化數據交融的形式。

②馬太效應（Matthew Effect）是指強者愈強、弱者愈弱的現象，廣泛應用于社會心理學、教育、金融以及科學領域。馬太效應是社會學家和經濟學家們常用的術語，反映的社會現象是兩極分化嚴重。

③“弱人工智能”是指，在某一方面表現出智能，但是不具有與人類相當的智力水平和思維模式。弱人工智能其實并不具備思考的能力，而弱人工智能本質上也是統計學以及擬合函數等運算，實際上并不能真正地去推理問題，去解決問題，也沒有自己的世界觀、價值觀。

④詳情參見：中共云南省委政法委員會云南長安網《“天網”已應用全國16省市人臉識別技術助力安防》，http：//www.zfw.yn.gov.cn/gczs/201803/t20180323_731416.htm，最后瀏覽時間2020年5月10日。

⑤回溯型偵查模式是指針對已發生的犯罪行為，可在具體個案偵查中用大數據方法尋找相關線索、證據，也可以對大量的歷史犯罪數據進行整體化分析，尋找犯罪活動的內在規律。預測型偵查模式是通過大數據預測技術預測未來犯罪活動的發生，以及發現某些正在發生的隱蔽性犯罪的線索。