從因果到相關

摘要：為有效應對日益復雜的犯罪模式和海量數據帶來的挑戰，大數據背景下偵查思維正經歷一場深刻的變革。因果性偵查思維已經難以同步跟上犯罪模式的變化速度，其與現實情境之間出現“相位差”，正在向相關性思維轉變，強調從海量數據中發現潛在關聯，實現從數據洞察到決策行動的高效轉化。雖然相關性思維在處理復雜數據關系上展現出優勢，但因果性思維在確保偵查邏輯的嚴謹性和證據的完整性方面仍具有不可替代的價值。因此，大數據偵查思維應運而生，它巧妙地結合了兩種思維模式，既追求數據驅動的洞察力，又保證了推理的邏輯連貫性，不僅能夠提升偵查效率，促進偵查工作的現代化和智能化，還為實現數字化治理提供了新的視角和策略。

關鍵詞：大數據；偵查思維；因果性；相關性；數字化社會治理

中圖分類號：C91-0;D925.2文獻標識碼：A文章編號：2095-6916（2024）18-0050-05

From Causation to Correlation

—the Transformation of Investigative Thinking in the Context of Big Data

Shi Teng

（School of Criminal Justice， China University of Political Science and Law， Beijing 100088）

Abstract： In order to effectively respond to the challenges posed by increasingly complicated crime patterns and massive amounts of data， we are transforming investigative thinking in the context of big data. There is a “phase gap” between causal investigative thinking and real-life situations， meaning that existing modes of thinking are unable to catch the pace of the changes in crime patterns. Causal investigative thinking， therefore， is shifting towards a correlative one， which emphasizes the discovery of potential links from large amounts of data and the efficient transformation from data insight to decision-making action. Although correlation thinking shows advantages in dealing with complex data relationships， causal thinking is still of irreplaceable value in ensuring the rigor of investigative logic and the integrity of evidence. Consequently， big data investigative thinking has emerged， which skillfully combines the two modes of thinking， pursuing data-driven insights while ensuring logical coherence of reasoning. Big data investigative thinking G+atqiXS9QJqAoHly4zvxl4T5WlaL4F34L/3Qgr/ReI=not only enhances investigative efficiency and promotes the modernization and intelligence of investigation， but also provides new perspectives and strategies for the realization of digital governance.

Keywords： big data; investigative thinking; causation; correlation; digital social governance

置身信息時代，萬物的數據化進程激發出龐大的數據資源，大數據技術在打擊犯罪與社會治理中具有重大前景。隨著2012年聯合國發布《大數據政務白皮書》，指出大數據對于聯合國和各國政府都是一個歷史性機遇。我國2013年正式步入大數據時代［1］，2019年習近平總書記提出“要把大數據作為推動公安工作創新發展的大引擎”［2］，2024年公安部強調構建以“專業+機制+大數據”為基礎的新型警務運行模式，構建數字化偵查新模式［3］。可見，大數據對提升新質公安戰斗力，推動偵查工作高質量發展，推進警務工作現代化躍入新階段具有重要意義。

康德在《純粹理性批判》一書中認為，我們的認知結構（如時間和空間的概念）是先驗的，它們構成了我們理解世界的框架。這意味著我們如何感知和理解世界，以及隨后的實踐行為，都受制于這些先驗的認知框架。在偵查活動中，偵查破案過程就是認識過程［4］，認識是偵查主體對于被認識客體的能動反應，是通過偵查主體的思維活動實現的。偵查主體的思維分析能力決定其對犯罪的認識，同時影響偵查目的、偵查決策和偵查行為，從而在宏觀和微觀上指導偵查實踐。但隨著技術發展和犯罪演變，偵查主體的思維與偵查認識客體出現“相位差”在物理學和電子工程中，兩個周期信號之間的相位差表示它們在時間上的偏移量。。偵查思維的本質是回溯性的推理活動，其中因果關系和相關關系貫穿推理活動的全過程。故本文從因果關系與相關關系這一核心概念切入，通過論證因果性偵查思維演變的內在邏輯，進而重構大數據偵查思維，提出大數據偵查思維指導下的實踐路徑，這對充分發揮偵查思維對偵查工作的指導作用，開展智能警務和數字治理具有重要意義。

一、因果性偵查思維轉型的內在邏輯

（一）因果性偵查思維的認知基礎

偵查是國家法定機關在辦理刑事案件過程中，為收集犯罪證據和查獲犯罪人而依法進行的專門性調查工作和有關強制性措施［5］。犯罪是偵查的前置條件，也就是說，犯罪是偵查的原因，偵查是犯罪的結果。犯罪活動是從原因（犯罪動機）到結果（犯罪后果）的先后進程，是多重因素作用下環環相扣的因果鏈條。偵查活動則是通過“回溯”推理的方式，逐步發現犯罪結果（犯罪后果）到原因（犯罪動機）這一“由果到因”的因果關系，最終發現犯罪的因果鏈條。因果性偵查思維是指在可認知數據有限的歷史時期，偵查活動依賴于偵查人員自身水平，因果關系為唯一認知犯罪過程的方式和觀念。

（二）因果性偵查思維的價值

1.激發偵查智慧

因果性偵查思維不斷地激發“人”的偵查智慧，實現偵查思維創新。偵查謀略是偵查主體自發創造的，運用奇謀良策的價值與能量往往難以衡量。正如唐代趙蕤所著的《反經》中有言“一策而轉危局。一語而退千軍，一計而平騷亂，數言而定國基”［6］。其中，因果性偵查思維依靠“人”作為認識主體。偵查活動的開展依托于偵查主體對犯罪的認識，只有“人”的思維能認識勘查現場以及證人證言證物，并將其轉化為犯罪規律，進而形成完整的證據鏈。沒有“人”的自主控制，“機器”無法獨立搜集整理海量線索和物證，確定偵查方向，組織偵查人員采取偵查措施。即使隨著人工智能的快速應用，人工智能可以輔助偵查人員完成部分偵查工作。前提是“人”作為認知主體主導這一偵查工作。

2.深厚的理論基礎

反復的偵查實踐中形成因果性偵查思維。偵查思維并非與生俱來，而是通過偵查實踐內化植入偵查主體的思維。偵查主體如果想將案件的結構、特征和運動變化規律內化成為因果性偵查思維，就需要一個能將案件和個體的精神世界鏈接的媒介，偵查實踐充當這個媒介。因果性偵查思維在反復的偵查實踐中得到發展和突破。隨著偵查內容的不斷豐富，偵查方法趨于多元化，以及偵查程序愈加嚴格，因果性偵查思維指導下的偵查活動遭受質疑，質疑催生因果性偵查思維在因果關系的框架內迭代進步。如“同一認定”原理，20世紀20年代蘇聯學者波塔波夫的論著中首次系統闡釋后［7］，“同一認定”的形式隨著時代變化不斷產生新的變體，但基本理論卻始終適應偵查活動。

（三）大數據時代因果性偵查思維轉型之必然性

1.相關關系賦能傳統犯罪偵查實現重大突破

傳統偵查活動中，偵查主體在認知上忽視相關關系。何謂相關關系，“大數據之父”舍恩伯格說；“相關關系的核心是量化兩個數據值之間的數理關系。相關關系強是指當一個數據值增加時，另一個數據值很有可能也會隨之增加。”［8］83其實相關關系在偵查活動中早有運用，比如并聯案件中，尋找案件之間的共同特征，通過一致或者相似的案件特征將這些案件化零為整，聚焦為一個案子完成偵破。2014年甘肅城關地區的系列盜竊案偵破過程中［9］，當地警方研判出一系列獨立的盜竊案件作案手法、受害人描述、現場遺留物證等多維度信息具有相關性，鎖定犯罪嫌疑人陳某，進而破獲了分布廣泛的20余起關聯案件。相關性分析是核心思維，它幫助警方超越了單個案件的局限，實現了對整個犯罪網絡的宏觀把握。

忽視是出于相關關系的時代局限性。相關性偵查思維相較于因果性偵查思維缺乏邏輯上的嚴謹性，實務層面易造成冤假錯案，規范層面與現行法律無法調和。因為相關關系僅表明兩件事在統計上或表面上有所聯系，并不能自動證明其中一件是另一件的原因。呼格吉勒圖案［10］就是一樁基于相關關系進行偵查結果導致的冤假錯案。1996年內蒙古呼和浩特發生一起女子被強奸殺害案，呼格吉勒圖作為報案人之一，但警方卻認為兇手在案發地出現過，呼格吉勒圖也在那里出現了，就將他鎖定為嫌疑人。

但是，大數據技術彌補了相關性的時代局限性，為傳統犯罪的偵破開創新局面。公安機關所實施的“團圓”系統及行動提供了有力的實證。針對打擊拐賣婦女兒童這一傳統犯罪類型，自2016年“團圓”系統上線至2021年3月的五年間，利用大數據分析和比對技術，尋回新近失蹤兒童4 781名，找回率高達98.1%。公安機關2021年啟動的“團圓”行動中，半年時間內，找回歷年失蹤兒童2 609名［11］。

2.數字浪潮下新型犯罪催生偵查思維重塑

第一，犯罪空間虛擬化，因果性偵查思維難以適應。首先，犯罪地點從單一的“線下空間”拓展為“線上線下”的交互過程［12］。網絡詐騙、黑客攻擊、數字版權侵犯等新型犯罪層出不窮，這些犯罪行為不再受制于物理界限，可以瞬間跨越國界，難以定位犯罪發生的具體時空。其次，在實體犯罪中，因果關系相對直接，作案動機、行為實施和結果產生之間形成了一條較為清晰的因果鏈。但在虛擬空間中，因果關系變得更加復雜和間接。一次網絡攻擊可能源于遠程服務器，由自動化程序執行，其背后的操縱者身份不明，導致很難直接偵查出犯罪行為與犯罪人的對應關系。此外，虛擬空間中證據是分散的、碎片化的，甚至以數字形式存在，如IP地址、加密數據、數字簽名等，這些證據的獲取和解讀需要高度的技術能力和特定的工具，傳統的線性證據鏈分析方法難以應對。

第二，涉案數據海量化，相關性偵查思維彰顯優勢。網絡涉眾型經濟犯罪因其復雜性和規模龐大，確實給傳統的偵查手段帶來了前所未有的挑戰。這類犯罪往往涉及成千上萬的受害者，數以億計的資金流動，以及錯綜復雜的關系網絡，僅憑人力無法完成。然而，通過應用先進的數學建模和數據分析系統，執法部門能夠以一種前所未有的效率和精確度來處理這些海量數據。比如，通過構建犯罪團伙之間的聯系圖譜，可以直觀地揭示出核心成員、資金流轉路徑和關鍵節點。利用機器學習中的聚類技術，可以自動將相似的行為模式或資金流動歸類，幫助偵查人員迅速識別出潛在的犯罪集群或異常交易模式。

二、相關性與因果性并重的大數據偵查思維

（一）大數據偵查思維中相關性的探索

大數據（big date）是隨著計算機與互聯網的發展所伴生的產物。大數據思維，則是借助大數據相關技術，來解決客觀現實問題的大腦思維方式。大數據偵查思維依托于大數據技術的強大處理能力，強調從海量多源數據中提取、分析和挖掘信息，以數據驅動的方式指導偵查決策。它重視數據之間的相關性，利用預測性分析揭示犯罪趨勢，通過全面性分析拓寬偵查視野，并在法律和倫理框架內，實現對犯罪更精準、更高效的打擊與預防。大數據偵查思維是將先進的偵查技術融入傳統偵查思維，孕育出一種全新的認知和分析模式的偵查方法論。

大數據偵查思維體現了唯物辯證法對事物客觀、全面、整體、系統性的認識和把握［13］，它強調數據之間的相關性，而非因果關系。大數據思維的核心特點是追求相關關系。相關性是兩個集合或多個集合組成元素之間的“有序對”，或通俗來說，是一些對應關系：多一對應，一多對應，一一對應的關系［14］。而因果關系則是事物之間邏輯的遞進推演關系。因果關系和相關關系二者側重點不同，相關關系側重同時對應，因果關系則強調邏輯的前后。比如，以單身女性的家為犯罪現場（該女性并不抽煙，家中也沒有來過抽煙的人），現場勘查人員發現了“黃鶴樓”品牌的香煙煙蒂，偵查人員則推斷出犯罪人抽煙，因為人抽煙才會有煙蒂，犯罪現場發現煙蒂，說明犯罪人抽煙。這是基于因果關系進行的推斷。但是，如果偵查主體推斷出犯罪嫌疑人可能是湖北人，因為“黃鶴樓”是湖北生產的香煙。這一推斷就是基于相關關系，因為在偵查主體看來，很多湖北人都愛抽“黃鶴樓”品牌的香煙。

大數據背景下相關性擺脫了時代局限性。由于數據量的大幅增加和復雜性的提升，因果關系的尋找更為困難。案件的時效性和計算能力的限制促使偵查人員注重相關性，以便于迅速做出決策。數據的非線性和動態性支持通過相關性發現未被注意到的犯罪模式和案件聯系，不斷碰撞出新的偵查智慧。此外，預測能力的增強表明，即使在缺乏確切因果關系的情況下，相關性分析也能有效地建立預測模型。因果關系的不確定性和多領域應用的適用性也進一步支持了相關性分析的實用性。

（二）因果性在大數據偵查思維中的不可替代性

《大數據時代》一書里所說：知道“是什么”就夠了，沒必要知道“為什么”。在大數據時代，我們不必非得知道現象背后的原因，而是要讓數據自己“發聲”［8］83。大數據技術使得偵查人員能夠發現和利用數據之間的相關性，為犯罪偵查提供新的視角和線索。然而，這并不排除對因果關系的深入探究。因果性在偵查活動中發揮著獨有的作用，并與現行法律規則相適配。因果性遵循線性因果邏輯，從已知事實出發，逐步推導出犯罪的原因和過程。這種思維模式以證據為中心，強調物理證據如指紋、DNA、足跡等的收集和分析。偵查工作主要依靠人工審查和分析，偵查人員對證據和信息進行細致地篩選和解讀。現場勘查、證據收集、詢問和訊問等偵查措施都遵循法定的程序和步驟。

大數據偵查思維促使我們從因果邏輯轉向探索數據間的相關性，從追求數據的確定性到接受數據的容錯性，從依賴抽樣分析到采用全樣本數據的理解。首先，這種思維模式的轉變有助于實現對案件的全面性分析，提高偵查的細致度和準確性。其次，它還能使偵查工作更加動態，實時響應數據的變化。此外，預測是大數據的核心［15］，通過歷史數據分析進行犯罪預測，實現從被動應對到主動預防的轉變。

三、大數據偵查思維的實踐路徑創新

（一）數據量為認知基礎

1.相關性下的海量要求。在大數據偵查中，由于需要處理來自各種來源的海量數據，如社交媒體、金融交易、電信記錄、網絡流量、視頻監控等，大數據偵查中的數據往往會達到“TB”甚至是“PB”的海量級別［16］。而在同一層級的數據倉庫內，數據量無法進行統計。可見，大數據提供了全景式偵查的可能性。大數據時代，萬物數據化為全景式偵查提供了可能。全景式偵查思維意味著偵查活動試圖全面收集和分析與案件相關的所有信息。

2.因果性下的精準要求。大數據背景下，有觀點認為，由于數據量的大幅增加，對數據的精確性要求可以相對降低。然而，偵查工作對數據精確性的要求極高，偵查活動需要準確可靠的數據來確立證據和推導事實，錯誤的數據可能導致錯誤的偵查方向或冤假錯案。例如，亞利桑那州的一名男子被錯誤地指控謀殺，他把自己的汽車和一部舊電話借給了一位熟人，這位熟人后來因犯罪而被捕［17］。美國警方這起謀殺案件中，就是因為錯誤地將數據與人通過因果性進行鏈接，才導致冤假錯案。

（二）數據倉庫為偵查場域

數據倉庫作為偵查活動的底層數據池，承載著從不同來源收集的海量數據。數據倉庫是一個全主題面向的進行數據收集、數據分析和數據整理的物理框架［14］。在大數據偵查思維中，數據倉庫成為偵查人員探索犯罪線索和證據的關鍵平臺。

1.通過相關性精準鎖定。偵查人員可以通過設置“案發時間”“涉案地點”“涉案特征”和“涉案類型”等不同的維度，進行分類，也可以通過數據倉庫內的查詢功能，識別看似無關的數據集之間的關聯性。例如，通過分析銀行交易記錄、電話通信記錄和社交媒體活動，可以揭示犯罪嫌疑人的社交網絡和資金流動情況。通過對數百萬條銀行轉賬記錄的交叉比對，可以識別出異常的金融交易模式，破獲大型洗錢類案件。

2.通過因果性層次遞進。確認數據間的相關性后，再通過因果關系分析事件背后的動機和機制。因果性分析有助于偵查人員從表面現象深入到問題的本質，通過建立假設和驗證過程，逐步構建出完整的犯罪圖譜。如偵查人員通過分析毒品交易的地理分布和時間序列數據，可以推測特定地區毒品泛濫的原因。

（三）算法幫助實現數據處理

大數據驅動的偵查過程就是算法過程［18］，算法是基于行為規律的“數據化”規律延伸［12］。算法的底層邏輯與偵查思維具有一致性，算法是在大量的數據中找到符合指令的數據進行數據輸出，而偵查思維中要求在混亂無序的犯罪現場找到與案件相關的線索和證據。二者底層規律的一致性保證了大數據技術在與偵查融合時不會產生排斥反應。算法是大數據偵查的工具，算法分析則是大數據偵查思維的分析工具。

傳統人工無力分析海量數據，而專業的智能大數據算法具備這個能力。以月為單位的監控視頻中想要篩選出犯罪嫌疑人的相關數據，讓偵查人員手工逐幀分析無異于大海撈針（雖然在算法工具未能普及的時候，偵查人員只能這么做），這種“熬鷹”式的做法，不僅效率低下，錯誤率高，對偵查人員的身心都是巨大的傷害。但如果運用文本分析，人像識別，數據挖掘等先進的算法工具，則能高效完成數據的處理工作，釋放警力資源。

（四）數據可視化為最終形態

大數據偵查的目的是挖掘隱藏在數據背后的案件線索和犯罪證據，線索的發現和證據鏈條的形成是為了服務訴訟。一則，偵查人員通過經驗和直覺確定了案件真相，但沒有對案件真相進行相關性和因果性的數據鏈接（證據鏈不閉合），也只是完成了實質上的偵查工作，沒有完成形式上的工作，程序正義和實體正義一樣具有價值。二則，沒有證據的偵查活動在結果上來說是毫無意義的。所以，偵查人員需要在思維中深植數據可視化的觀念，具體的操作方法則是以“相關—因果”的鏈條呈現最終形態。

數據可視化使得量化數據間的因果關系成為可能。對于要經過檢驗和“非法排除”的證據，證據是否具備證明力和證明能力以及如何量化始終是世界各國都在探索的問題，但“相關—因果”的邏輯進路帶來的新的方向，通過數學中的統計方法可以對相關進行量化。因果關系一旦以不同變量之間的關系表達，就變成了變量之間的相關關系［19］。通過哲學中的因果律對因果進行量化，二者甚至不需要復雜的結合理論，數據的分別呈現或者是案例的應用都能讓法官對證明力和證明能力達到“自由心證”的認識。

四、結束語

大數據時代的到來為偵查工作帶來了前所未有的機遇與挑戰。傳統的因果性偵查思維在面對海量數據時顯現出局限性，而相關性偵查思維的引入，結合大數據技術和算法的支持，為偵查工作開辟了新的路徑。

參考文獻：

［1］中國科學院文獻情報中心.大數據改變我們的生活［DB/OL］.（2013-04-02）［2024-07-18］.

https：//las.cas.cn/zhxw/202112/t20211202_6285497.html.

［2］習近平出席全國公安工作會議并發表重要講話［DB/OL］.中國政府網.（2019-05-08）［2024-07-18］.

https：//www.gov.cn/xinwen/2019-05/08/content_5389743.htm.

［3］公安部：大力推進偵查中心建設 構建數字化偵查新模式［DB/OL］.中國法院網.（2024-07-13）［2024-07-18］.

https：//www.chinacourt.org/article/detail/2024/07/id/8024970.shtml.

［4］王傳道.偵查學原理［M］.北京：中國政法大學出版社，2001：21.

［5］陳永生.偵查程序原理論［M］.北京：中國人民公安大學出版社，2003：21.

［6］陳潤華，柴宇球.謀略藝術教程［M］.北京：軍事科學出版社，2007：2.

［7］郝宏奎，楊立云.同一認定理論地位新探［J］.中國人民公安大學學報（社會科學版），2010（4）：1-8.

［8］維克托·邁爾-舍恩伯格，肯尼思·庫克耶.大數據時代：生活、工作與思維的大變革［M］.盛楊燕，周濤，譯.杭州：浙江人民出版社，2013.

［9］城關警方運用串并案方法成功偵破此系列案件［DB/OL］.大西北網.（2014-05-05）［2024-07-18］.

http：//m.dxbei.com/n/20140505/124049.html.

［10］18年后啟動再審宣告無罪的呼格吉勒圖案［DB/OL］.中國法院網.（2018-12-29）［2024-07-18］.

https：//www.chinacourt.org/article/detail/2018/12/id/363

8659.shtml.

［11］團圓行動半年記：人像與DNA比對并用，已尋回2609個失蹤孩子［DB/OL］.騰訊新聞網.（2021-08-26）［2024-07-18］.

https：//new.qq.com/rain/a/20210826A09N3Z00.

［12］倪春樂，王泊勛.大數據驅動的偵查思維創新與實踐邏輯［J］.中國人民公安大學學報（社會科學版），2023（2）：71-82.

［13］程科.經濟犯罪偵查中的大數據思維研究［J］.中國人民公安大學學報（社會科學版），2018（4）：39-46.

［14］齊磊磊.大數據經驗主義：如何看待理論、因果與規律［J］.哲學動態，2015（7）：89-95.

［15］欒興良.大數據偵查法治化研究［D］.武漢：中南財經政法大學，2022.

［16］王燃.大數據時代偵查模式的變革及其法律問題研究［J］.法制與社會發展，2018（5）：110-129.

［17］美3名少年因丟一部手機，縱火燒死一家五口！警方通過谷歌后臺數據抓住他們［DB/OL］.騰訊新聞網.（2024-03-18）［2024-07-18］.

https：//new.qq.com/rain/a/20240318A07BHB00.

［18］何軍.大數據與偵查模式變革研究［J］.中國人民公安大學學報（社會科學版），2015（1）：72-80.

［19］王天恩.大數據相關關系及其深層因果關系意蘊［J］.社會科學，2017（10）：115-122.

作者簡介：石騰（2000—），女，漢族，甘肅天水人，單位為中國政法大學刑事司法學院，研究方向為訴訟法學。

（責任編輯：趙良）