社会安全风险视域下预测性侦查的风险与多元治理
2023-11-29   来源：马方 唐娜   

社会的发展经历了农业文明时代、工业文明时代和全球化时代三种历史形态。在农业文明时代，社会的发展目标是拓展领土和耕地以及增加人口数量，以国家为主体的领土安全、人口安全、政治安全、经济安全和军事安全等是社会安全的主要范畴。随着科学技术的发展、社会生产力的提高，社会发展进入工业文明时代，其社会安全的范畴也逐步纳入了科技安全、社会安全、文化安全。而全球化时代的到来，推进了国际间政治、经济以及文化的进一步交流，为世界提供了高度的安全，同时也使社会安全风险迅速波及世界各地，形成连锁反应。

全球化给世界带来了空前的物质繁荣和社会进步。从互联网到人工智能的发展，科技的更新换代为人们的生产生活带来了诸多便利，同时，新技术在违法犯罪领域的应用也使社会安全陷入更为多元复杂的困境。尤其是进入21世纪后，现代化进程改变了犯罪结构，催生了大量新型网络犯罪，人类社会面临的风险性不断增强。犯罪形势的变化迫使侦查工作从“被动应对”转向“主动防控”的模式，这也为预测性侦查的发展提供了契机。预测性侦查作为大数据侦查衍生出的由算法支撑的一个分支，在侦查工作中发挥的积极作用就是可以预测未知的犯罪。然而，预测性侦查的发展并非一帆风顺。预测性侦查既可能使侦查工作迎来曙光，也可能使侦查工作遭遇前所未有的风险。习近平总书记在党的二十大报告中明确指出：“坚持安全第一、预防为主，建立大安全大应急框架，完善公共安全体系，推动公共安全治理模式向事前预防转型。”基于此，本文将在社会安全风险的视域下，全面分析预测性侦查面临的风险，从数据层面、法律层面、技术层面实现对预测性侦查的多元治理，而不是局限于某一维度的传统单元治理。

侦查技术的每一次变革都会对公安工作产生重要影响。预测性侦查作为一项具有创新性的侦查行为，推动了公安工作从信息化侦查向大数据侦查迈进。虽然预测性侦查最大的优势是以数据分析、高危人员监控跟踪以及多发型热点犯罪案件的空间预警为代表的数据算法预测技术，但是它又超越了数据算法预测本身，有效促进了公安工作的发展。

（一）预测性侦查的内涵界定

预测性侦查的概念主要来源于英美法系国家常说的“预测性警务”。国外通常将其称之为“预测性警务”主要有两个原因：其一，英美法系国家的警察体制没有严格划分为司法警察和行政警察；其二，英美司法制度并没有严格按照线型诉讼阶段理论设定刑事诉讼程序，因此只要发现犯罪嫌疑人，可以立即开始侦查。从文献资料中发现，美国学者针对预测性警务应用系统、风险评估等方面进行了大量研究。埃里克·巴克（Erik Bakke）博士在其论文当中定义了预测性警务，他认为预测性警务是指应用分析技术来确定犯罪可能发生的位置和可能实施犯罪的人。它既指将执法资源分配到各部门认为最需要的地方的传统方法，也指现代预测性算法和代码。安德鲁（Andrew G. F.）教授将预测性警务定义为一种警务战略或战术，旨在开发、使用信息和高级分析为前瞻性犯罪预防提供信息。预测性警务比巡警对一个地区的预感更客观，它利用“大数据”的力量从随机行为中找出规律，预测警务已成为任何打击犯罪方法的通称，这些方法包括依赖信息技术(通常是犯罪地图数据和分析)、犯罪学理论、预测算法，并利用这些数据改善街头的犯罪镇压。简言之，预测性警务涉及计算机模型，该模型可以根据过去的犯罪统计数据和其他数据预测未来犯罪地点的区域。因此，预测性警务的创新之处在于，它侧重于预防“未来的犯罪”，而不是打击“过去的犯罪”。

我国学者关于预测性侦查这个概念尚无统一的定义，有学者提出预测性侦查是通过对网络数据资源进行规模化的采集、存储与管理，以各类算法模型为基础，通过对海量数据的计算和分析，依法对有证据证明即将实施或正在实施的犯罪案件或与犯罪相关的人员，采取的专门调查手段或强制性措施。也有学者将预测性侦查着眼于案件的预备阶段，其认为预测性侦查的实现在很大程度上依赖于大数据技术和人工智能技术，针对具有严重社会危害性或特定行为模式、行为规律的特定案件类型，如反恐、毒品犯罪、互联网传销、电信诈骗等，因此，预测性侦查应当建立在有效识别犯罪预备行为的基础之上。

综上所述，本文要研究的预测性侦查是基于社会安全风险视域下人们对社会公共安全的迫切需求来进行的。因此，本文对预测性侦查的概念界定为：预测性侦查是指法定侦查机关为了预测犯罪趋势、预测犯罪热点、识别高危人员等，所采取的以大数据技术为支撑，借助大数据平台实施的一切以预测为核心的相关侦查行为。

（二）预测性警务的演变

预测性侦查的兴起可以追溯至国外的预测性警务，而预测性警务最早起源于美国的刑事司法系统。欧内斯特·伯吉斯（Ernest Burgess）——芝加哥大学的社会学家，在1927年通过对假释累犯的研究，观察个人风险因素来预测被判假释的单个罪犯再次实施犯罪的可能性，这是美国刑事司法系统中的第一次犯罪预测实验。此后，预测性警务逐渐应用于欧美各个国家，而在我国的兴起和发展相对较晚。

1.预测性警务在国外的兴起和发展

第一，预测性警务在美国的兴起和发展。美国预测性警务的发展大致经历了三个阶段：从基于地点的财产犯罪预测（预测性警务1.0阶段）演变至基于地点的暴力犯罪预测（预测性警务2.0阶段），最后转变为基于犯罪高危人员的精准预测（预测性警务3.0阶段）。预测性警务向3.0的转变也意味着预测的重点从地点转移到了个人。其中，预测性警务1.0是以“数据驱动警务”为主导，通过收集的历史犯罪数据来预测可能发生财产犯罪的区域，在此类区域重点部署巡逻警力，增强巡逻频率，从而有效降低犯罪率。预测性警务2.0是以“计算机辅助热点警务”为主导，从本质上讲，基于地点的环境脆弱性助长了暴力犯罪，研究人员开发了一种被称为风险地形建模（RTM）的风险评估技术，有针对性地在特定时间集中警力在特定地点进行巡逻，以减少暴力犯罪的发生，其犯罪治理效果也非常显著。预测性警务3.0是以“大数据技术驱动”为主导，通过对历史犯罪数据、社会关系数据以及与犯罪倾向相关的其他因素进行分析与整合，对可能实施犯罪行为的嫌疑人和潜在的被害人进行识别、锁定和监视，实现对高危人员的精准防控，从而降低犯罪率。例如，芝加哥警察局根据历史犯罪记录确定一份谁最有可能被暴力犯罪所侵害的热点被害人名单，然后通过被侵害系数的高低进行排名，一旦被列入高危被害人名单，随后警察和社区负责人就会根据自身职能职责对其采取相应的防范措施。

第二，预测性警务在欧洲的兴起和发展。预测性警务在欧洲国家也深受欢迎。荷兰、德国、丹麦等国家都开始使用预测性警务工具，积极利用大数据技术开展预测性警务实践活动。自2014年以来，预测性警务在德国一直是一个非常热门的话题。由于德国联邦制导致的不同管辖权，德国在实现预测性警务方面有各种不同的个体解决方案，例如，巴伐利亚州和巴登-符腾堡州使用的是Precobs（犯罪前观察系统）、柏林使用KrimPro、黑森州的KLB行动（犯罪情况报告-执行）、下萨克森州使用PreMap（警察预测移动分析）以及北莱茵-威斯特法伦州的SKALA（犯罪分析和预测系统），其中，在德国运用最普遍的预测性警务模型是SKALA。从文献资料中发现，德国各州用于预测性警务的解决方案大多数都是基于对入室盗窃的预测。2013年，阿姆斯特丹警察局和阿姆斯特丹自由大学共同开发了犯罪预测系统（CAS，Criminal Anticipation System），通过对全国犯罪数据库中存储的犯罪地点、犯罪时间以及犯罪类型等历史数据的关联分析，实现对街面抢劫、入室盗窃等多发型侵财犯罪的早期感知和热点预测。CAS是荷兰预测性警务领域的最新发展。CAS通过对历史犯罪数据和其他输入变量，比如最近的高速公路入口数据、该地区已知的犯罪企业以及有关居民的其他社会人口问题等这些数据进行综合处理，可以预测出即将发生犯罪行为的犯罪地点。根据相关调查显示，预测性警务的实践可以提前预测到阿姆斯特丹地区约 60％的街面抢劫犯罪和40％左右的入室盗窃犯罪。

2. 预测性警务在我国的兴起和发展

预测性警务在我国的兴起和应用相对较晚。2013年，我国公安机关首次使用预测警务系统，即北京市公安局怀柔分局正式投入使用的“犯罪数据分析及趋势预测系统”。该系统可以梳理历史刑事案件信息，也能够运用数据模型有效评估出某个特定领域可能会发生的犯罪行为。苏州市公安局苏州工业园区分局唯亭派出所自2014年以来，其工作模式也从“案后研判”转变为“案前预警”。该所通过犯罪预测系统分析相关数据，制定有针对性的侦查预防策略后，其辖区内刑事案件发案率下降了15%以上。广东省公安厅为推进“智慧新警务”建设，在2018年提出了“13847”规划。广州警方先后开发了智能视频警务云平台、刑事情报研判等系统，并且成立了广州市反诈中心，2018年上半年，反诈骗中心成功劝阻潜在受害者57614人，共为73450人挽回损失2.45亿元。温州市公安局搭建了“1+5+15+N”的作战机制，集实战引领、情报主导、数据驱动于一体，实现立体化、信息化、精准化的打防体系。目前，我国预测性警务主要应用于电信网络诈骗犯罪的侦查和预防。自2006年以来，诈骗案件逐年增多，其中，电信诈骗在2013年成为诈骗犯罪的主要类型。2014年，我国电信诈骗犯罪立案40余万起，每年几乎以30%的速度在高速增长，仅一年时间，电信诈骗给被害人造成的经济损失就高达107亿元。涉案金额较大、溯源困难、危害极大，且侦查成本高是当前电信诈骗犯罪的主要特点，因此，反电诈工作的重点已从事后侦查转向了事前预防，利用大数据技术对电信网络诈骗犯罪进行预警成为我国侦查工作的发展方向。

（三）预测性侦查的运行逻辑与实践价值

完整的预测性侦查模式应具备三个必备要素，即海量数据信息、智能信息处理技术和及时有效的警务行动响应，其内在的逻辑关系应体现在同一警务工作流程中，缺少其中的任何一项都不能被称为完整的预测性侦查模式。在社会安全风险的背景下，面对网络犯罪、有组织犯罪和恐怖主义犯罪等，被动的侦查机制无法达到预期的犯罪控制效果。恐怖主义的无差别袭击给社会造成的巨大负面影响无法快速消除，电信网络诈骗造成的高额经济损失也无法在短时间内填补。这意味着在应对现代化风险社会时，被动的侦查应对机制是薄弱的。而预测性侦查的出现，在一定程度上改变了传统侦查工作的被动应对局面。

1.预测性侦查的运行逻辑

在理论基础层面，预测性侦查作为以大数据技术为支撑，借助大数据平台来开展预测工作的一种侦查行为，其运行的理论依据必然是多源信息融合理论。多源信息融合理论是大数据领域中最为重要的基础理论之一，这意味着运用到的基础数据具有多源性和融合性，其价值主要体现在两个方面：一方面，基础数据的多源性有助于进一步挖掘数据的价值，提高数据分析的作用，避免数据信息出现漏洞与错误，帮助侦查人员提高决策的正确率；另一方面，基础数据的融合性促使与其相关的其他信息、资源之间的相互融合，使之与融合之前相比较产生更高的价值。因此，多源信息融合理论是预测性侦查得以发展的关键，其包含的相关性原理也使预测性侦查在数据挖掘时产生了更大的效能。

在预测方法层面，预测性侦查主要运用的是数据挖掘方法。数据挖掘方法是基于历史数据和相关风险要素的状态数据（实时数据），利用数据挖掘模型对犯罪行为发生的可能性及潜在的后果进行定量分析的一种社会安全风险分析方法。因此，预测性侦查的运行逻辑通常包括数据收集、数据分析、警务操作和犯罪响应四个阶段。在数据收集时，侦查人员需要考虑时间、地点和犯罪类型这三个重要变量。数据分析阶段可分为两个步骤进行：训练步骤和预测步骤。在训练步骤中，统计模型学习可用历史数据中的相关模式：它将相关指标的值与新犯罪事件的风险联系起来。在预测步骤中，实际预测是针对某个时间范围(例如，第二天、下一周等)进行的。通过基于指示符的当前值输出每个网格单元的风险百分比。由图1可见，经过训练的模型与历史数据和潜在的未来数据一起用于计算观察区域内犯罪发生的可能性，这是预测性侦查过程中最关键的部分，具体来说就是在“数据融合”之后进行“数据分析”，即在得出“预测”结论后采取相应的“警务操作”以“干预”现实中的犯罪，再通过“犯罪响应”的结果来“评估”预测结果的有效性，最后根据预测结果进一步调整“警务操作”和预测模型。考虑到现有的警力资源，通常会根据某个临界阈值选择风险最高的地区。然后，这些区域被绘制出来，通常按照风险值和犯罪类型进行颜色编码。

2.预测性侦查的实践价值

近年来，公安部为预防案件发生，减少群众财产损失，推出了“国家反诈中心”App、96110预警劝阻热线等反诈工具，通过构建预警数据模型，分析发现潜在的受害者，进行电信网络诈骗犯罪“短信劝阻、电话劝阻、见面劝阻”的分级分类劝阻方式，实现精准预警、有效防范。为应对诈骗手段加速迭代变化的问题，公安部刑侦局坚持广泛宣传与精准宣传相结合，部署推动各地公安机关线上线下齐抓共管。对于精准预警的对象和诈骗案件的受害人，侦查人员会进行“二次宣传防范”，防止早期宣传防范和劝阻的效果随着时间的推移而减弱，从而增加群众被骗的风险，全面提高反诈劝阻的质量和劝阻效率。实践表明，预测性警务的兴起和发展为我国公安工作做出了巨大贡献，尤其是针对电信网络诈骗犯罪的精准防控和高效治理。例如，山西省公安机关深化打击电信网络诈骗犯罪综合治理，开展精准劝阻，切实守护群众财产安全。2023年1月至6月，全省破获电信网络诈骗犯罪案件数同比上升75%，抓获嫌疑人数同比上升71%，返还被骗资金1.38亿元。2022年12月，浙江诸暨市公安局陶铸派出所创建了企业微信号，该微信号会及时发出放贷前要求解冻款、认证款、手续费等诈骗行为的提醒。截至目前，该微信号已添加辖区内群众7万余人，阻止了电诈案件200余起。为保护人民群众的“钱袋子”，增强人民群众的反诈骗“免疫力”，银川市公安局建立了专业的反诈预警劝阻队伍，确保对预警指令的快速反应。2023年1月至4月，银川市共处置预警信息88.9万余条，见面劝阻1.3万余人，拦截案件2.6万余起，劝阻止付金额1.43亿元。

在预测性警务方面，欧美国家开发出的成熟的商业化软件在各国预测性警务实践中已得到广泛应用并取得了显著效果。不同软件所针对的犯罪类型、采用的预测模型和算法以及应用评估效果都存在些许差异。例如，PredPol（现为Geolitica）采用余震模型与机器学习算法，对财产类和暴力类犯罪进行预测，主要应用于美国洛杉矶、亚特兰大、圣克鲁斯等近60个城市，洛杉矶在使用PredPol后，犯罪数量平均降低7.4%。HunchLab (现为 ShotSpotterR MissionsTM)也采用的是机器学习方法，针对财产类、暴力类犯罪进行预测，主要应用于美国皮奥里亚、费城、林肯、纽约、新城堡、塔科马、皮尔斯等地，费城在使用了HunchLab之后，财产类犯罪明显下降。RTMDx采用风险地形建模的预测算法，可针对多种犯罪类型进行预测，应用于美国堪萨斯城、纽瓦克、大西洋城、纽约、纽黑文、泽西城等地，使用RTMDx之后，纽瓦克的枪支暴力犯罪下降了35%，科罗拉多斯普林斯的盗窃机动车犯罪减少33%。CAS采用神经网络模型算法，对财产类、暴力类犯罪进行预测，阿姆斯特丹预估该系统可准确预测15%的入室盗窃和33%的抢劫，但实际应用效果未知。PreCobs采用邻近重复模型预测算法，仅预测居住区入室盗窃犯罪，主要应用于德国巴伐利亚州、巴登-符腾堡州等6个州；瑞士的苏黎世、巴塞尔市、阿尔高州等，经过实验证明，德国纽伦堡和慕尼黑的犯罪率下降了14%，而严格控制的地区下降了近30%，苏黎世全市半年的入室盗窃下降了40%。

目前，我国的经济发展进入了新常态，社会发展依然面临着诸多不平衡、不协调的问题。虽然刑事案件的数量呈下降趋势，但诈骗案件呈现出了“案数下降、金额上升”的新特点，非法集资犯罪高发形成了新的社会安全风险，而安全风险呈现出的多层次、多方面状态不仅影响到了人民的生活也是社会治理面临的重大挑战。党的二十大报告指出：“坚持以人民为中心的发展思想。维护人民根本利益，增进民生福祉，不断实现发展为了人民、发展依靠人民、发展成果由人民共享，让现代化建设成果更多更公平惠及全体人民。”因此，消除社会安全风险，维护社会稳定是当务之急。预测性侦查作为新一代可能引发革新的侦查行为，其本质是一种预测未知犯罪的警务工具，具有前瞻性、相关性、技术性等诸多特征，为公安工作带来了诸多便利，也为消除社会安全风险做出了巨大贡献，但同时，也在预测价值、公民个人隐私以及算法模型层面存在着多重风险。

（一）预测性侦查的前瞻性与价值风险

预测性侦查的不同在于其要求侦查人员运用大数据技术主动发现犯罪线索，而不是被动的等待案件发生后寻找犯罪嫌疑人。大数据的核心就是预测，预测性侦查中犯罪预测的结果为侦查机关预防犯罪指明了方向。预测性侦查的前瞻性主要体现在侦查研判结果上，无论是对于犯罪热点的预测还是高危人员的预测，都是通过对海量的数据信息进行分析、研判得出的结果。然而，具有前瞻性的预测结果在为侦查人员发现犯罪、做出决策提供依据的同时，预测性侦查在提高执法效率和配置警力资源方面的价值也受到了质疑。

预测性侦查在很大程度上是基于对过去犯罪数据的推断，然而，并非所有的犯罪都被报告和记录，并非所有的犯罪都包括在用于预测的犯罪数据库中。一方面，在收集数据的过程中存在人为误差。大部分数据收集的工作是由侦查人员完成的，最初收集时可能会出现错误。例如，侦查人员可能会记录下错误的犯罪现场地址，或者在计算机记录过程中出现数据输入错误，又或者在数据整合时可能会出现重复输入的错误。这意味着数据收集工作必须准确，并且必须有适当的程序来确保所有报告的犯罪都被录入系统。另一方面，预测性侦查所使用的数据缺乏完整性。数据的不完整性主要体现在：某些犯罪往往会持续向公安报警，如杀人、盗窃案件；而有些犯罪受害人往往选择不报警，或者极少数受害人会报警，如家庭暴力、性侵。在电信网络诈骗犯罪中也存在同样的问题，诈骗金额较大的案子，受害人通常会选择报警，而涉案金额较小的情况下（如被骗金额在千元以下）受害人通常不会报警，或者选择报警，但由于涉案金额小，无法立案。这就会导致一些社区民众对当前的警务实践感到失望，所以在犯罪行为发生后拒绝报警。因此，形成犯罪预测的数据可能会受到所收集的犯罪数据类型的限制，并且可能会因收集过程中的错误而进一步失真，导致预测结果的有效性受到质疑。

（二）预测性侦查的相关性与隐私风险 　　　

预测性侦查之所以能够在侦查工作中应用并取得一定成效，是因为其运行逻辑中应用的海量数据和算法模型关注的是相关关系。传统的侦查工作关注的是因果关系，通过勘查犯罪现场来认识犯罪行为，很难提前干预到犯罪行为的预备阶段。而预测性侦查则能够通过处理这些海量数据，进行二次挖掘之后，找出“人、事、地点”的相关性规律。例如，大数据可以通过立体式数据画像，分析出犯罪嫌疑人的性格特征和行为习惯，如通话规律、行踪轨迹、生活作息、人际关系等一系列的个人信息，从而有效地引导办案人员查找线索、搜集证据，并据此制定审讯策略。

然而，预测性侦查在数据收集和处理的过程中难免会侵害到公民的个人隐私权。完整的预测过程从自动收集数据、清理分析数据到确定犯罪嫌疑人，都可以在完全不接触信息提供者的条件下，在虚拟的数据空间进行信息提取和处理的操作，换言之，想要获取一个人的全部生活轨迹，只需要动几下鼠标就能做到。美国自建国以来，政府监控就一直困扰着美国人，使用私营部门的大数据技术来完善政府监控的确会引发公众不满，而现代商业背景下由大数据推动的预测性警务的兴起则进一步剥夺了美国民众的安全感。在实际情况中，警方使用大数据技术作为调查方法的确会干预到公众的隐私权。任何级别的监视在某种程度上都具有侵入性。即使没有实施拘留或逮捕等执法行为，仅仅是影响公众自由表达和行为的监视也可能具有侵入性，因为监视需要加强对个人的关注，窥探我们的隐私，在某些情况下，还需要配合警方的调查工作。而如今的社会现状是，我们生活在无处不在的监控摄像头底下，以及各类应用软件上精准的数据推送（如视频软件根据用户喜好推送相关视频，购物软件根据消费者的浏览记录或消费记录推送相关商品），又或者你在感兴趣的网站上注册之后，个人信息可能会被各种商业机构非法存储或扩散出去，这几乎让我们变成了“透明人”。因此，在这个获取个人信息易如反掌的时代，公民必然会对预测性侦查是否合理、合法以及数据是否会泄漏和盗用心存疑虑，也在一定程度上损害了公民与警方的关系以及对警方的信任。

（三）预测性侦查的技术性与算法风险

我国的预测技术大致经历了三个发展阶段：原始社会借助个人经验的预测阶段，集阴阳、五行、周易等于一体的古代传统预测阶段，以现代数学方法和计算机技术为基础的科学阶段。目前，预测性侦查主要是通过以大数据为基础的算法模型对犯罪行为进行预测，使用大规模数据的海量存储、采集和分析，同时结合互联网上的各种公开数据，运用技术化、智能化的设备对犯罪风险进行综合评估，实现了前瞻性预警和即时响应。值得注意的是，算法模型具有机器学习的能力，这将使预测过程变得较难掌控，而机器学习取决于数据，可以访问的数据的数量、质量以及输入系统的方式都会影响到学习的效果，进而影响到由算法生成的信息的有效性、准确性和实用性。

预测性侦查的吸引力很大程度上在于算法模型为公安机关做出决策提供了一个依据。然而，任何技术手段都有利有弊，算法模型也会面临相应的风险，除非算法过程拥有足够的透明度，并确保由算法生成的信息起到真正的作用。从目前实施的情况来看，预测性侦查的各个阶段都缺乏透明度，即使是像犯罪统计这样简单的事情。一方面，由于收集的数据信息量太大，使得对预测基础来源的透明度评估变得复杂。这就导致数据中的错误很难被发现，即使发现了错误也面临着如何修复的难题，此外，还有意想不到的个人或文化偏见可能会影响数据质量、评分系统、源代码，从而影响预测结果。另一方面，算法的本质进一步模糊了这个过程。除了技术人员，公安机关也会看到预测结果，但由于算法的复杂性，侦查人员中很少有人能理解其中的学习模式和数学原理。换言之，预测性侦查过程中所涉及的技术复杂性，使得除技术人员以外的外部人员几乎不可能确定程序的准确性、有效性或公平性。因此，即使公安机关可以看到这个系统是否有效，但他们无法看到这个系统是如何运作的。这种透明度的缺乏不仅仅是新技术的结果，也受到了算法模型专有性质的影响，导致整个系统都有建立在未知和不可知的数据库上的风险。

习近平总书记在党的二十大报告中明确指出：“必须坚定不移贯彻总体国家安全观，把维护国家安全贯穿党和国家工作各方面全过程，确保国家安全和社会稳定。”预测性侦查作为一项还未发展成熟的新生事物，随着技术的不断提升，将对定义、验证研究及其有效性进行评估。目前，预测性侦查正处于风口浪尖，既给公安工作带来了诸多发展机遇，也伴随着众多社会安全风险。因此，在预测性侦查的发展历程中，只有事先梳理其在实施过程中可能会面临的重大挑战，预先制定好相应的治理对策，坚持中国共产党的全面领导，充分发挥人民群众的力量，形成多元主体群防群治的治理格局，方可实现预测性侦查发展的行稳致远。

（一）重视数据治理，发挥预测性侦查的预测价值

任何数据驱动的警务系统的好坏都取决于所涉及的数据，如果数据收集、记录、分析或保留存在缺陷，则整个系统都会存在缺陷并受到质疑。为了应对预测性侦查在数据收集过程中存在的人为误差和数据不完整性的问题，侦查人员必须解决数据收集、数据匹配、数据仓库和数据清理中固有的错误，以证明预测技术是否可靠和准确，充分发挥预测性侦查的预测价值。对预测技术是否可靠和准确的有效性评估通常从两个方面入手：预测性分析的有效性（主要指做出了多少正确的预测分析或者预测结果遗漏了多少犯罪行为，以及实施预测性侦查之前的犯罪率与实施预测性侦查之后的犯罪率的对比）和相对于被预测性侦查取代的当前方法的成本。一方面，若预测技术能够为犯罪预测提供可靠和准确的决策依据，则可以使侦查活动更加高效、合法和公平。有学者认为，相对于有缺陷的调查方法而言，预测技术是一个更有效的替代方案，其能够以更低的经济成本和社会成本实现更安全的街道。而在电信网络诈骗这类没有犯罪现场的案件中，重点是对于高危人员的预测，那么数据的可靠性和准确性就显得尤为重要。另一方面，预测性侦查中使用到的算法模型相比较增加警力规模而言更便宜、更安全，通过提高对犯罪发生地点和时间的估计的准确性，就可以使公安工作更加有效和高效。

充分发挥预测性侦查的预测价值可以从以下三个方面入手：可靠的数据收集，不同警种部门、不同层级之间和其他单位的明确沟通以及侦查人员的应对战略。首先，提供可靠的数据收集很重要。毕竟，数据质量将显著影响犯罪预测的最终质量。因此，有必要对公安机关内部的数据质量和数据收集过程进行评估，以确保预测性侦查有效实施。其次，公安机关内部不同警种部门和不同层级之间的沟通需要明确。预测性侦查具有跨学科的特点：它需要公安机关内部各个部门之间的协作，以及与其他企业单位之间的合作。例如，公安机关内部应该打开数据共享通道，不同警钟、不同区域、不同部门之间实现资源互通。以及加强公安机关与互联网公司、电信公司、银行等第三方企业的合作。如果在办理案件的过程中需要其他行业部门提供涉案人员的相关信息，单位利益应向社会利益让步，配合公安机关的侦查工作，破除行业资源共享的壁垒，在合理合法的情况下，满足公安机关打击犯罪的需要。最后，公安机关对所提供的犯罪预测的应对策略也很重要。预测性侦查的长期目标是通过促进更有效地利用警务资源来降低犯罪率。要认识到这一点，处理犯罪预测的方式就非常重要。以电信网络诈骗为例，反诈中心的预警系统会实时检测异常通话并发出预警，通常采取发送短信提醒，以及侦查人员电话劝阻或上门劝阻等干预措施；对于受害人已经向诈骗账户转账的情况，反诈中心会将该受害人的银行卡识别为“受骗账户”，对其银行卡采取“保护性止付”等措施，防止受害人再次被骗进行转账。公安机关对于犯罪预测结果的应对策略会影响到预测性侦查的长期效力，因此，侦查人员和该领域的研究人员仍需要不断去探索更有效的应对方式。

（二）坚持法律治理，建立监督委员会以保护公民个人隐私

预测性侦查正在快速发展，事实上，预测技术的发展已经远远超过了围绕这一主题的法律或政策制定。一般而言，公安机关与第三方公司开展的警务合作很少受到公众监督。然而，预测技术的相关性致使预测性侦查缺乏强有力的法律规制和第三方法律监管机构的监管。如果仅仅依靠算法来解决信任问题，会有更大的风险。预测性侦查的实施需要经过合理性和合法性的审查，有不当行为时需要及时纠正，取得成功时需要总结经验。为此，想要预测性侦查长期有效的发展，就需要针对预测性侦查建立专门的监督委员会来重新检测数据收集和数据分析的合法性，其能够在一定程度上规避隐私风险。

如果第三方公司和公安机关目前掌握着这个数据库的“钥匙”，那么，这些“钥匙”应该交给谁就成了需要考虑的问题。就预测性侦查而言，监督需要一定程度的透明度，而这种透明度应面向公众。监督委员会皆由公安机关的办案部门来执行是不现实的。一是由于公安机关内部的自我监管可能会缺乏客观性；二是基于数据收集的技术具有复杂性，大多数侦查人员对此没有深入学习，知之甚少，使得自我监管具有挑战性。因此，要想监督委员会发挥最大效能，较为理想的监管方式应当是由公安机关成立专门的监督部门，组成人员包括侦查人员、了解算法模型的技术人员、互联网公司工作人员、银行职员，以及相当数量的公民等，公安机关履行主要监督职责。理由有以下几点：第一，有助于保障公民对于信息收集的知情权。目前我国对于公民知情权的法律规范尚不完善，《刑事诉讼法》第152条对于技术侦查措施的规定中只包括对个人隐私保密，未规定在技术侦查措施实施后告知犯罪嫌疑人的相关程序，而信息主体无从知悉信息被监控以及使用的事实。第二，有助于问责，防止侦查人员的不当行为。公民的参与有助于防止和纠正侦查人员滥用权力的行为，并保护公众免受秘密监控活动的影响。第三，当不当行为确实发生时，监督委员会能够为受害者提供救济措施。监督委员会有助于为预测性侦查划定可接受行为的界限，并确保执法机构没有侵害到个人权利。第四，有利于推动预测性侦查的革新。监督委员会的建立是为了在前期对整个预测流程进行审查，若存在问题或漏洞会提前发现并进行干预，因此，监督委员会的建立不仅可以改善预测性侦查实施过程中存在的缺陷，还有助于预测性侦查的推广和改革。第五，有利于增加公民与执法机构之间的信任。从长远来看，监督委员会在一定程度上能够保证预测性侦查实施的合法性和合理性，并确保执法机构公开信息主体的个人信息使用情况，因此，有助于增加公民对执法机构的信任感。

（三）强化技术治理，公开算法决策以增强公众信任度

预测性侦查若想得到长久的发展和应用，那么数据公开和算法透明是必不可少的。算法公开是困难的，一方面，可能会涉及到商业秘密，商业机构以此为由拒绝公开；另一方面，非专业技术人员无法理解算法预测模型，即使公开也毫无意义和价值。但是，相比较侦查人员依靠经验做出的预判而言，预测性侦查能提供更具有准确性的结果正是因为强大的数据库和算法模型，如果不公开，则无法对算法的可靠性和准确性进行审查，进一步导致公众对预测性侦查有效性的质疑。

要确保算法的透明度，可以从以下三个方面入手：首先，创建一个独立的审计系统。侦查人员根据犯罪预测系统做出相应的执法行为后，若结果存在偏差，可能会对犯罪嫌疑人或其他民众造成不公正待遇，而创建一个独立的审计系统则可以进行审查以认定算法决策是否公正、合理。该系统应当包含完整的数据收集、数据分析和数据维护的过程，例如，该系统能够检查数据是否被收集、记录和输入，以及数据如何被收集、记录和输入，该审计系统还应当包括同行评审和算法的外部测试。当然，此审计系统需要由专业的数据分析人员进行操作，因为他们了解预测系统，能够看到所做的声明是否得到数据的支持。其次，公开发布相关指标，让公众判断预测性侦查是否实现了目标。审计系统需要创建一个通知机制来保存审计结果，并在适当的时候发布它们。而判断预测性侦查工作是否有效，就需要该系统提供一种评估标准。这个评估标准可以具有客观性，即为降低犯罪率而设定的目标，可以是具有主观性的，由指定的专业人员判断该计划是否达到了某些目标，也可以是具有比较性质的，即与犯罪分析师的预测相比较的目标集。无论选择哪种类型的评估标准，对于判断任何预测系统的有效性都是必要的。最后，在各级公安机关部门内建立培训计划。所有需要侦查人员审核和判断的事情都应该成为培训计划的一部分，即确保数据处理工作有效并得到遵守。需要注意的是，算法公开限定在一定范围内即可，全面深度透明是不现实的。一方面，算法的确会涉及到商业秘密。若是毫无限制地公开，会导致一些商业机构的专有技术外泄，造成公司利益严重损失；另一方面，揭示算法的预测过程是为了增强公众与执法机构的信任度。公众对于算法透明度问题的愤怒主要是由于政府秘密监控和无止境的数据挖掘，因此，公众需要的是执法机构对于公开算法的态度以及明确承担责任的问题。相较于算法模型的具体预测过程，公众更想了解的是为什么使用该算法模型，其中所涉及的数据是否可靠、公正，以及是否包含个人或文化偏见等。

在大数据技术方兴未艾的背景下，预测性侦查作为最具发展潜力的新一代侦查行为，被称为从传统侦查阶段迈向大数据驱动侦查阶段的先驱。以数据分析、监测跟踪高危人员以及多发型热点犯罪案件的空间预警为代表的数据算法预测技术蔚然成风，充分说明了预测性侦查的强大生命力。但是，从预测性侦查的运用原理上看，它是一把双刃剑，既可能划破技术黑暗的长空，为侦查工作带来光明，也可能使侦查工作遭遇前所未有的重大挑战。在预测性侦查快速发展的背景下，我国需要充分发挥预测性侦查的价值，建立监督委员会以保护公民个人隐私，公开算法决策以增强公众信任度等方面对预测性侦查进行多元治理。

目前，全球主要发达国家和地区积极推进预测性侦查的研究和实施，一些国家甚至开发了不同类型的犯罪预测系统，呈现出国家技术与法律规制的激烈竞争态势。我国在预测性侦查的实践层面，尤其是在电信网络诈骗犯罪中的侦防处于世界领先位置。在预测性侦查的风险治理方面，应当坚持中国共产党的全面领导。党的二十大报告明确提出：“坚持党中央对国家安全工作的集中统一领导，完善高效权威的国家安全领导体制。”同时，也要积极发挥私人部门、公民社会组织和人民群众的力量，政府、企业、人民群众应当携起手来，形成多方参与、多元主体齐抓共管的治理格局，以避免或减少政府一家独揽社会公共事务造成的弊端。