算法能否帮助减少犯罪？

乔凡尼·马斯特罗博尼

我们往往在工作和生活的其他方面遵从习惯的指引。我一般清晨工作效率最高，而且讨厌在晚饭后工作。我们的习惯，往往反映偏好、学习或者两者的结合。

我本人近期的研究结果表明，在遵循习惯方面，犯罪分子与守法公民并没有多大区别，这可能是经验、专业化倾向以及相信自己已经制定了理想策略等要素所共同作用的结果。而且在算法这种越来越普遍的工具的协助下，警察部门也正在迎头赶上。

因为算法利用数据模式来预测未来的行为，它们可以对某人可能在Netflix上喜欢的电影或她可能在亚马逊上购买的书籍进行预测，也可以协助执法机构打击犯罪。有些算法可以计算犯人未来累犯的概率，还有些可以支持预测性警务工具。

最复杂、也最着名的预测性警务软件，基本上源自热点地图。上述计划的运作原则是：近期高犯罪率的地区，很可能拥有更高的短期犯罪率。因此，为遏制最大数量的犯罪分子，执法机构应对这些区域予以重点关注。

尽管研究人员已经证明，上述统计算法比单纯的平均值具有更强的预测能力，但证明其实际发挥了减少犯罪的作用要困难得多。警务部门往往在犯罪率高企时采用预测性执法，而其后的犯罪减少可能仅仅反映了与该决策无关的犯罪率自然下降。以区域为重点的警务执法，也可能只是将犯罪转移到其他地方。

因此，需要更好的反事实场景才能对效果进行恰当的评估：如果不采用预测性警务管理，那幺犯罪将会出现什幺样的状况？

说到偏见问题，预测性警务执法有可能扭曲执法效果并非不可想象。相对贫困地区的犯罪率可能更高，而一旦引入预测性警务执法，那幺巡逻密度可能会增强。如果警务资源保持不变，那幺贫困地区的犯罪分子相比相对富裕社区的犯罪分子，更有可能遭遇巡逻的警察。

为协助解决效率和偏见问题，我对意大利米兰所采用的预测性警务执法软件进行了评估。这让我确立了一种恰当的反事实状况：出于历史原因，米兰存在两个目标相同的警务部门，但其中只有一个使用预测性的警务执法。

因为侧重于逮捕并同时区分初犯和惯犯，由马里奥·文图里开发并在米兰投入使用的预测性软件关键犯罪（KeyCrime），采用从受害者报告和闭路电视摄像头那里所收集的信息，将犯罪分子与商业抢劫联系起来，而后预测特定的个人或团体下一次将在何时何地发动袭击。KeyCrime生成独立预测，从而缓解偏见问题。

结果表明，分析惯犯的作案习惯，将使逮捕他们的可能性增加超过一倍。窃贼往往会随着时间的推移而以类似的手法行事，瞄准特定的社区及商业类型，以及坚持在一天中的特定时间犯罪。举例而言，此前曾在上午9点抢劫珠宝店的人很有可能会在同一街区，而且大致在同一时间针对另一家珠宝店再次犯罪。该软件可以凸显潜在的未来目标，而警务部门则组织巡逻来抓捕盗贼。

事实已经证明，基于单个犯罪团体行为的微观预测，在打击抢劫方面十分有效，因此，现在正被拓展到性犯罪和恐怖分子等其他类型的连环犯罪领域。虽然在更大范围内应用预测性警务软件可能迫使犯罪分子改变其习惯，从而降低可预测性，但更有效算法和数据搜集过程的发展，为警务部门提供了某些保持乐观的理由。

“犯罪极为揭示人心，”阿加莎·克里斯蒂曾经写道，“你可以随心所欲地改变方法、品味、习惯、思想态度，但你的行为揭示了你的灵魂。”就目前而言，利用犯罪分子的习惯去建立预测个体犯罪的能力，似乎仍是一项不错的投资。