算法能否幫助減少犯罪？

喬凡尼·馬斯特羅博尼

我們往往在工作和生活的其他方面遵從習(xí)慣的指引。我一般清晨工作效率最高，而且討厭在晚飯后工作。我們的習(xí)慣，往往反映偏好、學(xué)習(xí)或者兩者的結(jié)合。

我本人近期的研究結(jié)果表明，在遵循習(xí)慣方面，犯罪分子與守法公民并沒有多大區(qū)別，這可能是經(jīng)驗、專業(yè)化傾向以及相信自己已經(jīng)制定了理想策略等要素所共同作用的結(jié)果。而且在算法這種越來越普遍的工具的協(xié)助下，警察部門也正在迎頭趕上。

因為算法利用數(shù)據(jù)模式來預(yù)測未來的行為，它們可以對某人可能在Netflix上喜歡的電影或她可能在亞馬遜上購買的書籍進(jìn)行預(yù)測，也可以協(xié)助執(zhí)法機(jī)構(gòu)打擊犯罪。有些算法可以計算犯人未來累犯的概率，還有些可以支持預(yù)測性警務(wù)工具。

最復(fù)雜、也最著名的預(yù)測性警務(wù)軟件，基本上源自熱點地圖。上述計劃的運作原則是：近期高犯罪率的地區(qū)，很可能擁有更高的短期犯罪率。因此，為遏制最大數(shù)量的犯罪分子，執(zhí)法機(jī)構(gòu)應(yīng)對這些區(qū)域予以重點關(guān)注。

盡管研究人員已經(jīng)證明，上述統(tǒng)計算法比單純的平均值具有更強(qiáng)的預(yù)測能力，但證明其實際發(fā)揮了減少犯罪的作用要困難得多。警務(wù)部門往往在犯罪率高企時采用預(yù)測性執(zhí)法，而其后的犯罪減少可能僅僅反映了與該決策無關(guān)的犯罪率自然下降。以區(qū)域為重點的警務(wù)執(zhí)法，也可能只是將犯罪轉(zhuǎn)移到其他地方。

因此，需要更好的反事實場景才能對效果進(jìn)行恰當(dāng)?shù)脑u估：如果不采用預(yù)測性警務(wù)管理，那么犯罪將會出現(xiàn)什么樣的狀況？

說到偏見問題，預(yù)測性警務(wù)執(zhí)法有可能扭曲執(zhí)法效果并非不可想象。相對貧困地區(qū)的犯罪率可能更高，而一旦引入預(yù)測性警務(wù)執(zhí)法，那么巡邏密度可能會增強(qiáng)。如果警務(wù)資源保持不變，那么貧困地區(qū)的犯罪分子相比相對富裕社區(qū)的犯罪分子，更有可能遭遇巡邏的警察。

為協(xié)助解決效率和偏見問題，我對意大利米蘭所采用的預(yù)測性警務(wù)執(zhí)法軟件進(jìn)行了評估。這讓我確立了一種恰當(dāng)?shù)姆词聦崰顩r：出于歷史原因，米蘭存在兩個目標(biāo)相同的警務(wù)部門，但其中只有一個使用預(yù)測性的警務(wù)執(zhí)法。

因為側(cè)重于逮捕并同時區(qū)分初犯和慣犯，由馬里奧·文圖里開發(fā)并在米蘭投入使用的預(yù)測性軟件關(guān)鍵犯罪（KeyCrime），采用從受害者報告和閉路電視攝像頭那里所收集的信息，將犯罪分子與商業(yè)搶劫聯(lián)系起來，而后預(yù)測特定的個人或團(tuán)體下一次將在何時何地發(fā)動襲擊。KeyCrime生成獨立預(yù)測，從而緩解偏見問題。

結(jié)果表明，分析慣犯的作案習(xí)慣，將使逮捕他們的可能性增加超過一倍。竊賊往往會隨著時間的推移而以類似的手法行事，瞄準(zhǔn)特定的社區(qū)及商業(yè)類型，以及堅持在一天中的特定時間犯罪。舉例而言，此前曾在上午9點搶劫珠寶店的人很有可能會在同一街區(qū)，而且大致在同一時間針對另一家珠寶店再次犯罪。該軟件可以凸顯潛在的未來目標(biāo)，而警務(wù)部門則組織巡邏來抓捕盜賊。

事實已經(jīng)證明，基于單個犯罪團(tuán)體行為的微觀預(yù)測，在打擊搶劫方面十分有效，因此，現(xiàn)在正被拓展到性犯罪和恐怖分子等其他類型的連環(huán)犯罪領(lǐng)域。雖然在更大范圍內(nèi)應(yīng)用預(yù)測性警務(wù)軟件可能迫使犯罪分子改變其習(xí)慣，從而降低可預(yù)測性，但更有效算法和數(shù)據(jù)搜集過程的發(fā)展，為警務(wù)部門提供了某些保持樂觀的理由。

“犯罪極為揭示人心，”阿加莎·克里斯蒂曾經(jīng)寫道，“你可以隨心所欲地改變方法、品味、習(xí)慣、思想態(tài)度，但你的行為揭示了你的靈魂?！本湍壳岸?，利用犯罪分子的習(xí)慣去建立預(yù)測個體犯罪的能力，似乎仍是一項不錯的投資。