EN中文

地球信息科学学报 >

2023 , Vol. 25 >Issue 4: 866 - 882

DOI: https://doi.org/10.12082/dqxxkx.2023.220808

犯罪时空预测

近10年来犯罪时空预测国内外研究与实践进展

  • 贺日兴 , 1, 2 ,
  • 陆宇梅 1, 2 ,
  • 姜超 , 3, 4, * ,
  • 邓悦 1, 2 ,
  • 李欣然 1, 2 ,
  • 时东 1, 2
展开
  • 1.首都师范大学资源环境与旅游学院，北京 100048
  • 2.首都师范大学三维数据获取与应用教育部重点实验室，北京 100048
  • 3.首都经济贸易大学城市经济与公共管理学院，北京 100070
  • 4.城市群系统演化与可持续发展的决策模拟研究北京市重点实验室，北京 100070
*姜超（1988—），男，河北衡水人，博士，讲师，硕士生导师，主要从事城市空间治理、犯罪地理、地理信息科学研究。E-mail:

贺日兴（1972—），男，江西安福人，博士，教授，主要从事犯罪地理和警用地理信息技术等研究。E-mail:

收稿日期: 2022-10-20

  修回日期: 2023-01-13

  网络出版日期: 2023-04-19

基金资助

国家重点研发计划项目(2022YFB3903600)

公安部科技强警基础工作专项(2021JC35)

国家自然科学基金青年项目(42001159)

首都师范大学校内专项(2255109)

首都经济贸易大学北京市属高校基本科研业务费专项资金(XRZ2022008)

收起

Progress in Research and Practice of Spatial-temporal Crime Prediction over the Past Decade

  • HE Rixing , 1, 2 ,
  • LU Yumei 1, 2 ,
  • JIANG Chao , 3, 4, * ,
  • DENG Yue 1, 2 ,
  • LI Xinran 1, 2 ,
  • SHI Dong 1, 2
Expand
  • 1. College of Resources Environment and Tourism, Capital Normal University, Beijing 100048, China
  • 2. Key Laboratory of 3D Information Acquisition and Application, MOE, Capital Normal University, Beijing 100048, China
  • 3. College of Urban Economics and Public Administration, Capital University of Economics and Business, Beijing 100070, China
  • 4. Beijing Key Laboratory of Megaregions Sustainable Development Modeling, Beijing 100070, China
*JIANG Chao, E-mail:

Received date: 2022-10-20

  Revised date: 2023-01-13

  Online published: 2023-04-19

Supported by

National Key R&D Program of China(2022YFB3903600)

Special Projects of Ministry of Public Security in Strengthening Basic Police Work(2021JC35)

National Natural Science Foundation of China(42001159)

Special Projects of Capital Normal University(2255109)

Fundamental Research Funds for the Municipal Universities of Beijing - Capital University of Economics and Business(XRZ2022008)

Fold

摘要

基于地点的犯罪时空预测由于不直接涉及个人数据，且可与警务巡逻和精准化治安防控策略有机结合，现已成为预测性警务领域的研究热点和主要实践方向。本文对2013年以来国内外犯罪时空预测的最新进展进行综述，主要工作包括： ① 总结了该领域研究在文献数量快速增加、研究主题日益多元、主要研究群体分布相对集中等方面的总体特征； ② 梳理了犯罪时空预测的目标主体、时间尺度、空间尺度、模型方法、精度评价、实践效果评估六大基本要素的新变化、新指标或新进展； ③ 介绍了常用犯罪时空预测软件及各国预测性警务实践； ④ 探讨了在实践应用的各个阶段所面临的伦理问题及挑战，以及各界为规避此问题做出的尝试； ⑤ 展望了犯罪时空预测后续研究重点。本研究为犯罪时空预测领域勾勒出一个较为全面和清晰的轮廓，可为国内犯罪地理、智慧警务、警用地理信息系统（PGIS）等相关领域的研究者和从业人员提供有益参考。

关键词： 犯罪预测; 时空尺度; 预测性警务; 主动型警务; 智慧警务; 伦理问题; 犯罪分析; 犯罪地理

本文引用格式

贺日兴 , 陆宇梅 , 姜超 , 邓悦 , 李欣然 , 时东 . 近10年来犯罪时空预测国内外研究与实践进展[J]. 地球信息科学学报, 2023 , 25(4) : 866 -882 . DOI: 10.12082/dqxxkx.2023.220808

Abstract

As a forward-looking and proactive policing mode, predictive policing has been a major innovation of modern policing reforms across the USA and European countries since it was proposed in 2008. As it does not involve the use of personal privacy data and can be integrated with police patrolling and precise crime prevention strategies, place -based spatial -temporal crime prediction has been a hot research topic and main component of policing practices. This research presents a systematic review of the progress of spatial-temporal crime prediction across the world since 2013 when the RAND Corporation released its special report on predictive policing. It contributes to the literature with the following five aspects: (1) summarizing the new trends in the field of spatiotemporal crime prediction studies in terms of the number of papers, research topics, leading scholars, and academic journals. The studies on spatial-temporal crime prediction have received extensive attention from various countries in recent years, and the research themes have shown a diversified trend. The most productive scholars are mainly from China and the USA, with the main focus on spatial-temporal crime prediction model development; (2) describing the new dynamics and progress of six basic components involved in the spatial-temporal crime prediction research, which are the prediction target, temporal scale, spatial scale, prediction method, performance evaluation measure, and practical evaluation. The four most widely studied types of crimes are theft, robbery, burglary, and motor vehicle theft. For burglary crime, the typical temporal unit for spatial-temporal prediction is 1-month; For the other three types of crime, the typical temporal unit is 1-day. For these four types of crime, the typical spatial unit is 200-meter grid. The top three models with the best prediction performance are random forest model, spatial-temporal neural network model, and Hawkes process model; (3) introducing several main commercial softwares for spatial-temporal crime prediction and global predictive policing practices; (4) investigating the relevant ethical issues and potential challenges that are embedded in each stage of practical applications, including data & algorithm biases, lack of transparency and countability mechanism; (5) prospecting future research directions in spatial-temporal crime prediction areas. This research provides a brief and panoramic image of the field of spatial-temporal crime prediction and can act as a reference for researchers and practitioners in relevant fields including crime geography, smart policing, and Policing Geographic Information System (PGIS).

Key words： crime prediction; spatial-temporal scale; predictive policing; proactive policing; smart policing; ethical issues; crime analysis; geography of crime

1 引言

犯罪时空预测是一种基于地点的（Place-based）犯罪预测，即：对未来一段时间内特定地点的犯罪空间分布情况进行预测[1-2]，通常会考虑犯罪案件之间的时间、空间乃至时空间的关联性或依赖性。与基于人的（Person-based）预测不同，犯罪时空预测并不涉及个人数据，且可与现有的警务巡逻和犯罪预防策略有机结合，因此已成为欧美国家预测性警务领域的研究热点和主要实践方向，并在世界范围内得到了迅速发展[3]。
近年来，部分学者对犯罪时空预测领域的进展进行了回顾和梳理，但大多是聚焦于单一或部分维度，尚未能较为全面地刻画出该领域新近的总体轮廓。当前，较有影响力的相关综述是兰德公司在美国国家司法研究所（NIJ）资助下于2013年完成的《预测性警务——犯罪预测在执法实践中的作用》[4]专题研究报告。该报告介绍了美国预测警务的早期发展历程、预测方法分类，并重点就犯罪时空预测方法及相关技术、实践应用情况及存在问题等进行了系统总结和评价。其后，Rummens等[5]对2007—2017年预测性警务相关的实证研究及其犯罪防控效果进行了综述，Kounadi等[6]从预测模型方法、性能评估指标、模型验证方式等方面对2000—2018年犯罪空间预测研究进行了回顾；Butt等[7]从预测模型技术、性能评估指标、潜在挑战、犯罪数据类型等方面对2010—2019年的犯罪时空热点探测和预测技术进行了系统性梳理；顾海硕等[8]专门针对犯罪时空预测方法及其基本原理做了较为全面的总结。总体来看，2013年以后的犯罪时空预测综述大多是围绕犯罪时空预测模型和技术的，而对于该领域研究主题的发展变化、犯罪预测典型时空尺度与犯罪类型、犯罪时空预测软件及其在世界各国的应用实践情况、犯罪时空预测中的伦理问题等都较少涉及。
2013年以来，犯罪时空预测研究与应用面临着诸多新的机遇与挑战。一方面，大数据、人工智能（AI）等技术的兴起与快速发展，为犯罪时空预测研究和应用注入了新活力。基于机器学习或深度学习、融合大数据和AI技术的犯罪预测成为新的热点方向，助推预测性警务在更多国家中得到广泛应用；另一方面，2013年在美国兴起的“黑命贵”运动引发了社会各界对种族歧视问题的空前关注。以美国为代表的预测性警务实践开始受到越来越多的有关合法性、种族偏见、个人隐私侵犯和伦理等方面的质疑与挑战[3,9-10]，并吸引了法学、犯罪学和社会学界研究人员对犯罪预测伦理问题的关注[11⇓-13]。
本文对2013年以来国内外犯罪时空预测研究与实践领域的新进展和新特点进行综述，以期为犯罪时空预测领域勾勒出一个较为全面和清晰的轮廓，为国内犯罪地理与犯罪分析、智慧警务、警用地理信息（PGIS）等相关领域的研究者和从业人员提供有益的参考。主要工作包括5个方面：① 总结了2013年以来该领域的研究进展及新特点；② 梳理了犯罪时空预测模型方法，总结了所涉及的主要犯罪类型、常用时空分析尺度、优势预测模型与典型预测精度评估指标，并介绍了代表性的实践效果评估情况；③ 介绍了常用犯罪时空预测软件及各国预测警务实践；④ 探讨了面临的伦理问题及挑战； ⑤ 展望了犯罪时空预测后续研究重点。

2 资料来源及方法

以Web of Science、IEEE和中国知网数据库作为主要资料来源，参照PRISMA指南[14]中的文献筛选方法，对2013—2021年犯罪时空预测相关文献进行筛选：
（1）文献检索。在Web of Science、IEEE数据库中使用crime prediction、crime forecasting、crime predict、crime forecast、spatiotemporal、predictive policing 6个关键词进行检索；在中国知网采用“犯罪预测”、“犯罪时空预测”和“预测性警务” 3个关键词按篇名、关键词和摘要进行检索，从各库中检索相关的SCI、SSCI、EI、CSCD、CSSCI、北大中文核心期刊文献和会议论文。删除重复文献后，共检索到文献2040篇，其中中文63篇、外文1977篇。
（2）文献粗筛。快速浏览篇名、关键词和摘要，排除非英文的外文文献后，按以下标准进行筛选：① 涉及犯罪预测；② 研究内容与时空相关。经剔除心理学、医学以及与犯罪者或受害者等人员预测相关的文献后，获得相关文献316篇，其中中文26篇、英文290篇。
（3）文献精选。对初筛文献进行通读，剔除研究区、犯罪类型或时空尺度不明确的方法类文献和初筛阶段未排除的主题不相关文献，最终获得文献243篇。其中：中文期刊论文21篇、英文文献222篇（期刊论文134篇，会议论文88篇）；从文献内容来看，综述类9篇、方法类196篇、实践应用类11篇、伦理类27篇。

3 犯罪时空预测研究概况

从文献数量看，2013年以来总体呈逐年递增的态势，且2018年文献数量骤增（图1），考虑到文献发表的滞后性，这可能与美国国家司法研究所（NIJ）于2016年发起“实时犯罪预测”挑战赛（https://nij.ojp.gov/funding/real-time-crime-forecasting-challenge-posting）后George Mohler[15⇓-17]、Mohammad AI Boni[18⇓-20]、YongJei Lee[21]等大赛获奖人及其团队的相关研究成果的陆续发表有关，也可能与2016年谷歌“阿尔法狗”击败世界围棋冠军事件引发的深度学习研究热潮有关[22,23]。
图1 2013—2021年犯罪时空预测领域分主题的文献数量变化

Fig. 1 Change in the number of papers on spatial-temporal crime prediction by topics from 2013 to 2021

从研究内容看，研究主题仍以犯罪时空预测方法研究为主，但呈现多元化趋势。犯罪预测应用实践及其效果评估[24⇓-26]、预测性警务伦理问题[9,11⇓ -13]得到了越来越多的关注。机器学习已经超越传统统计分析方法，成为犯罪时空预测的主流方法（图1）。针对犯罪时空预测方法的综述开始出现[5⇓⇓-8]，但还没有针对犯罪时空预测领域的全方位系统性综述。
从研究者群体看，对第一作者及通讯作者进行统计后可知，近一半的犯罪时空预测研究学者来自美国，主要在弗吉尼亚大学、罗格斯大学、辛辛那提大学、阿肯色大学；其次是中国，主要在中国人民公安大学、广州大学、武汉大学；印度学者发表的论文数量也较多（表1），但发表2篇及以上的作者较少且所在机构比较分散（图2）。
表1 2013—2021年犯罪时空预测领域的主要学者、国家、机构及期刊

Tab. 1 Leading scholars, countries, institutions and journals in the field of spatial-temporal crime prediction from 2013 to 2021 （篇）

主要学者 主要机构 主要国家 主要期刊（领域）
Lin Liu （7）
George Mohler（5）
Grant Drawve（4）
Andrew P. Wheeler（3）
Anneleen Rummens（3）
Joel M.Caplan（3）
Mohammad AI Boni（3）		 中国人民公安大学（9）
弗吉尼亚大学（6）
罗格斯大学（6）
辛辛那提大学（6）
广州大学（5）
阿肯色大学（4）
根特大学（4）
武汉大学（4）		 美国（68）
中国（51）
印度（32）
加拿大（10）
英国（9）
澳大利亚（8）		 ISPRS International Journal of Geo-Information（计算机科学、信息系统；地理、物理；遥感）（9）
IEEE Access（计算机科学、信息系统；工程、电气和电子；电信）（8）
Applied Spatial Analysis and Policy（环境研究；地理；区域和城市规划）（5）

注：此表根据第一作者和通讯作者进行统计，括号内数字表示文献数量。

图2 2013—2021年发表2篇及以上犯罪时空预测研究论文的学者及其所在机构分布

Fig. 2 Scholars who had published 2 or more papers on spatial-temporal crime prediction and their affiliated institutions from 2013 to 2021

从发表期刊看，刊发犯罪时空预测研究论文数量较多的期刊分别是《ISPRS International Journal of Geo-Information》《IEEE Access》和《Applied Spatial Analysis and Policy》，从Clarivate的期刊引用报告中期刊所属学科看，犯罪时空预测已得到地理、计算机科学、城市规划等不同学科学者的关注（表1）。

4 犯罪时空预测的模型与方法

4.1 犯罪时空预测的基本思路框架

开展犯罪时空预测时，通常需考虑时空预测的目标主体、时间尺度、空间尺度、模型与方法、精度评价、实践效果评估6大基本要素（图3）。其中，目标主体是指所要预测的犯罪类型和预测结果的呈现形式；不同的犯罪类型和预测结果呈现形式，会影响预测的时空分析单元、模型与方法、评估手段的选择；而不同的模型和方法，又影响预测精度评价指标的选择。
图3 犯罪时空预测研究的6大基本要素及结构关系

Fig. 3 The six components of spatial-temporal crime prediction studies and their structural relationships

4.2 犯罪时空预测涉及的主要犯罪类型

从犯罪类型看，被研究较多的是偷窃、抢劫、入室盗窃、盗窃机动车（图4）。这4种侵财类犯罪较为常见、多发，与社会经济因素及建成环境等因素密切相关，具有邻近重复的特点及较高的时空规律性，能更容易得到较好的预测效果，因而成为犯罪时空预测研究的首选。相比较而言，谋杀、斗殴、毒品犯罪、袭击等犯罪虽也得到了一些关注，但这些类型的犯罪受犯罪者自身因素的影响较大，具有偶发性、不稳性，预测效果往往不太理想，所以相关研究相对较少。
图4 2013—2021年犯罪时空预测研究涉及的主要犯罪类型及文献数量

Fig. 4 The number of papers involving major types of crime in spatial-temporal crime prediction studies from 2013 to 2021

4.3 犯罪时空预测的时空尺度

根据文献统计，在时空尺度明确的文献中，时间单元在1个月以内、空间分析单元在人口普查区以下的文献数量占比分别为56.1%、52.5%。对于 4种常见犯罪类型，偷窃、抢劫和盗窃机动车多采用1天作为预测的时间单元，但入室盗窃多使用1个月作为预测的时间尺度；在空间尺度方面，预测这 4种犯罪类型时多使用边长为200 m左右的网格（表2）。由此表明，受预测性警务动态化、精准化防控需求的牵引，以及海量犯罪数据、多源社会经济及建成环境等大数据支持下的精细化研究驱动，犯罪时空预测的分析单元呈现出向微观化发展的趋势，微观尺度的犯罪时空预测已成为当前主流。
表2 2013—2021年对4种犯罪类型进行预测时的常用时空尺度

Tab. 2 Typical spatial and temporal scales for predicting the four types of crime from 2013 to 2021

犯罪类型 时间尺度 空间尺度 常用时空尺度
偷窃 以天[27-28]为主 以边长200 m左右的网格为主[29⇓⇓-32]，最小边长为50 m[33-34]，最大边长为804 m[28] 天和小网格[28,32]
抢劫 以天[17,28]为主 以边长200 m左右的网格为主[30,32,35]，最小边长为10 m[36]，最大边长为804 m[28] 天和小网格[17,28]
入室盗窃 以1个月[21,37]为主 以边长200 m左右的网格为主[20,30,35]，最大边长为800 m[38] 1周至半年、小网格[38-39]
盗窃机动车 以天[19,32]为主 以边长200 m左右的网格为主[20,30,32] 天和小网格[17,32]

注：表中小网格指边长在1000 m以内的网格。

4.4 犯罪时空预测的模型与方法

4.4.1 模型概况与常用方法

参考Butt等[7]和Rummens等[5]的分类体系，将犯罪时空预测方法分为聚类、分类、回归、地理分析、邻近重复、深度学习6大类。对196篇方法类文献统计分析表明，2013年以来犯罪时空预测方法研究文献数量快速增加，分类、深度学习、回归、邻近重复是用得最多的4大类方法（图5（a））。2016年以前，以回归、邻近重复类方法为主，但2016年后，分类方法被广泛采用，深度学习类方法也在快速增加（图5）。
图5 2013—2021年犯罪时空预测文献中各类方法的数量占比及其年际变化

Fig. 5 The proportion of papers with various methods and its yearly variations in spatial-temporal crime prediction studies from 2013 to 2021

具体来看，使用最多的方法依次是：随机森林（RF，23篇）[16,40⇓-42]、风险地形建模（RTM，11篇）[43⇓⇓-46]、核密度估计（KDE，9篇）[36,47-48]、贝叶斯方法（Bayes，8篇）[49-50]、自回归整合移动平均模型（ARIMA，8篇）[51-52]、长短期记忆网络（LSTM，7篇）[53-54]和支持向量机（SVM，5篇）[55]。各类深度学习方法（如：卷积神经网络[56]、图卷积神经网络[57]、时空神经网络模型[27-28,58]）的使用频次虽不高（均小于5次），但都取得了较好的预测效果。
关于各类犯罪时空预测方法的基本原理、特点、优劣、适用场景、预测精度等，在相关方法综述文献[5⇓⇓-8,59]中已有介绍，本文就不再赘述。

4.4.2 模型精度评价常用指标

在预测模型精度评价方面，相关文献中使用最多的前5个指标分别为：均方根差（Root Mean Squared Error, RMSE, 37篇）、准确率（Accuracy, 35篇）、预测准确率指数（Prediction Accuracy Index, PAI, 24篇）、精准度（Precision, 23篇）和平均绝对值误差（Mean Absolute Error, MAE, 22篇）。其中，RMSE和MAE用于衡量预测值和真实值之间的平均绝对差异，易受异常值的影响，多用于回归任务；Accuracy表示正确预测的单元在所有单元中的占比，受研究区域内案发水平和案件空间集聚程度的影响较大，Precision表示在预测发生案件的空间单元中实际发生案件的单元数量占比，二者多用于分类任务；PAI在犯罪地理学界用得较多，它是采用面积标准化后的准确率指标，由命中率与预测面积占比的比值得到[60]（式（1））。
P A I = n / N × 100 a / A × 100
式中：n指预计会发生犯罪的地区的犯罪数量；N指研究区域内的犯罪数量；a指预计会发生犯罪的区域面积；A指研究区域的面积。
以PAI为基础，一些学者提出了更完善的精度评价指标。Levine[61]提出将RRI（Recapture Rate Index）和PAI一起使用来衡量准确率。Drawve和Wooditch[62]将PAI中面积的参数替换为道路长度和数量，并通过在美国小石城和芝加哥的实证研究证明调整后的PAI值比原始的PAI更有意义。Hunt[63]提出了预测效率指数（Prediction Efficiency Index, PEI），用PAI和最佳PAI的比值来量化模型的预测效率（式（2）），其值越大，表明模型预测性能越好。
P E I = P A I p P A I m = n N / a A n * N / a A
式中： P A I p指预测所得PAI； P A I m指当前数据的最佳PAI；n*指预测区内最大可预测的犯罪数量，其他参数与式（1）相同。

4.4.3 4类犯罪在不同时空尺度下的优势模型

针对犯罪时空预测研究中的4种常见犯罪类型，基于精度评价相关指标，整理出对4类犯罪在不同时空尺度上进行预测的效果最优模型（表3）。根据筛选出的194篇方法类文献，将时间尺度划分为微观（1个月以下）、中观（1个月至1年）、宏观（1年及以上） 3个层次，将空间尺度也划分为微观（小于既有功能分区的区域）、中观（采用既有功能分区，包括：人口普查区、社区、街区、邮政编码区、警区、交通分析区等）、宏观（区县市及以上区域） 3个层次。
表3 2013—2021年犯罪预测研究中4类犯罪在不同时空尺度下的优势模型

Tab. 3 The best performing models for four types of crime at different spatial-temporal scales in crime prediction studies from 2013 to 2021

犯罪类型 时间尺度 空间尺度 预测效果 模型方法 研究区
偷窃 微观
 微观 RMSE：0.0284[64] BP神经网络 美国芝加哥
PAI：37.9[65] 数据驱动的格林函数方法（DDGF）+自激点过程 美国芝加哥
微观 中观 RMSE：1.03[27] LSTM和时空图卷积网络（ST-GCN）相结合的方法 美国芝加哥
Precision：0.775[66] 随机森林 菲律宾马尼拉
抢劫 微观 微观 PAI：10.3[69] 时空协克里金算法 中国ZG市XT警区
微观 中观 RMSE：0.145[33] 随机森林 菲律宾马尼拉
宏观 微观 Precision：0.775[66] 随机森林 美国达拉斯
宏观 中观 PAI：40[67] 线性判别分析与K-近邻算法集成模型（LDAKNN） 中国江西省南昌市主城区
RMSE：0.4左右[68] 基于密度的聚类算法（DBSCAN） 美国达拉斯
入室盗窃 微观
 微观 PAI：15.3[69] 时空神经网络-门控循环单元（STNN-GRU） 美国波特兰
PAI：8 [17] 加入公平性的霍克斯过程 美国印第安纳波利斯
中观 微观 RMSE：2.264[37] 综合拉普拉斯近似框架 荷兰阿姆斯特丹20个社区
Precision：0.24左右[39] 逻辑回归与多层感知器（MLP）集成模型 比利时某城市
PAI：78.5[16] 旋转网格最大化（RGPM）+随机森林 美国波特兰
宏观 中观 PAI：17.5[69] 基于密度的聚类（DBSCAN） 美国达拉斯
盗窃机动车 微观 微观 Precision：0.863[70] 时空神经网络-门控循环单元（STNN-GRU） 美国波特兰
PAI：6[17] 加入公平性的霍克斯过程 美国印第安纳波利斯
中观 中观 PAI：10.3[69] 基于密度的聚类（DBSCAN） 美国达拉斯

注：关于时间和空间维度的宏观、中观、微观尺度划分标准详见4.4.3节正文。

（1）对于偷窃，神经网络[64]和自激点过程模型[65]在微观尺度具有最好的预测效果；时空神经网络[27]和随机森林[66]在中观尺度具有最好的预测效果。
（2）对于抢劫，时空协克里金[33]在微观尺度具有最好的预测效果；随机森林[66]在中观尺度具有最好的预测效果；随机森林[67]和聚类算法[68-69]在宏观尺度具有最好预测效果。
（3）对于入室盗窃，时空神经网络[70]和霍克斯过程模型[17]在微观尺度具有最好的预测效果；拉普拉斯近似[37]、神经网络[39]、随机森林[16]在中观尺度具有最好的预测效果；DBSCAN[69]在宏观尺度具有最好的预测效果。
（4）对于盗窃机动车，时空神经网络[70]和霍克斯过程模型[17]在微观尺度具有最好的预测效果；DBSCAN[69]在中观尺度具有最好的预测效果。

4.5 犯罪时空预测实践评估

当将犯罪时空预测结果用于指导警务实践时，特定警务策略的实施会对未来一段时间内犯罪时空预测模型的结果准确性产生影响。因此，所研究的犯罪时空预测模型能否对警方行动产生持续性的指导价值，有待进行实践评估。由于此类研究需要警方配合并持续投入各种资源，相关研究仍非常少。
目前关于犯罪时空预测实践评估的3个代表性研究表明：因实验区治安条件、实验方案设计、警方配合程度、警务干预策略等多方面的差异，所得出的结论也存在较大差异（表4）。在美国路易斯安那州什里夫波特的实地评估发现，基于多元逻辑回归模型的预测性警务实践与传统警务模式在减少财产犯罪上没有明显区别；而洛杉矶的实验则表明，基于传染型余震序列（ETAS）模型的犯罪时空预测能够显著地减少多类型的犯罪；美国费城的警务实验表明，基于HunchLab软件的预测性警务对财产类犯罪和暴力类犯罪均没有具有统计意义的显著影响，但不同具体警务策略所带来的犯罪数量降幅有明显差异，使用带标记警车对预测高发区域进行巡逻，预期能使财产类犯罪降低31%。
表4 2013—2021年预测性警务效果实地评估的3个代表性研究总结

Tab. 4 Summaries of three representative field experiments of predictive policing from 2013 to 2021

研究者 实验时间 实验地点 实验设计 预测模型/软件 犯罪类型 预测时空分析单元 实验效果评估结论
Hunt等[26] 2012.06.04—2012.12.21 美国路易斯安那州什里夫波特警察局 在3个指挥中心下共设计3个控制区和3个试验区： ① 指挥中心1包括2个试验区；② 指挥中心2包括1试验区和1控制区； ③ 指挥中心3包括2控制区 多元逻辑回归模型 居住区和商业区入室盗窃、盗窃机动车、盗窃机动车内财物 时间：每月
空间：犯罪风险概率为“中”（40%~60%）、“高”（60%以上）的122 m×122 m网格		 预测性警务实践在减少财产犯罪方面的作用与传统警务模式没有明显区别。但研究者并不确定这是由于模型本身缺陷，还是因当地犯罪率过低、各区警务工作差异所致
Mohler等[24] 2011.11.07— 2012.04.27
2012.03.31— 2012.09.14
2012.05.16— 2013.01.10		 美国洛杉矶的3个警区 由ETAS模型、警局犯罪分析师分别做出犯罪预测，确定最高发的20个或40个网格。随机决定当天采取何种预测结果，并在早晨点名时告知巡逻警察被选用的犯罪预测高发网格。 传染型余震序列（ETAS）模型 入室盗窃、盗窃机动车、盗窃机动车内财物 时间：每天
空间：150 m×150 m空间网格		 采用ETAS算法，每个预测区中警察巡逻时间每增加1000 min，犯罪数量预期减少1起。相当于在中等巡逻强度（每天每个预测区域31 min）下，可使每个警区每周的平均犯罪数量减少4.3起，降幅为7.4%。采用警局犯罪分析师的预测结果，无统计学显著差异
Ratcliffe等[25] 2015.06.01— 2015.08.25
2015.11.01— 2016.01.31		 美国费城 将20个警区随机分为4组：1组对照区，采用日常巡逻策略；3组干预区，警务策略分别是：仅告知警员预测高发区域、使用有标记警车巡逻预测高发区域、使用无标记车辆和便衣警员巡逻预测高发区域。 HunchLab软件 财产类犯罪
暴力类犯罪		 时间：每天8 h；财产类犯罪为 8:00—16:00，暴力类犯罪为 18:00—次日2:00
空间：每个警区内预测犯罪概率最高的3个网格（152 m×152 m）		 财产类犯罪：均无统计显著性影响，但使用标记警车区的犯罪数量平均降幅31%，其他干预区平均降幅不明显。暴力类犯罪：均无统计显著性影响，且各实验区犯罪数量的平均降幅也不明显
因实践评估研究数量少且研究结果无法相互印证，对犯罪时空预测的实践有效性进行第三方独立评估和严格审查，已成为警务部门、学术界和社会各界的共识[71-72]。

4.6 犯罪时空预测主要要素的共现关联关系

通过构建犯罪时空预测主要要素的知识关系图谱（图6）可知：当所研究的犯罪类型为较为宽泛的一大类（如：暴力犯罪、财产犯罪）时，预测的时空单元往往是较为宏观的年、周、城市、国家等；当研究的犯罪为较为高发的某一具体类型（如：偷窃、入室盗窃、盗窃机动车等）时，预测的时空单元随之细化为较为微观的天和小尺度格网（以边长为200 m的格网为主）。随着KDE、RTM、决策树、随机森林、LSTM及其他深度学习方法的使用，犯罪时空预测的评价指标不再局限于由犯罪地理学者提出的PAI和PEI，也会采用准确率、精准度、召回率、F1得分等指标。该现象在进行微观时空尺度的犯罪时空预测时较为明显，可能是与较多计算机相关专业的学者开始关注犯罪时空预测有关。
图6 2013—2021年已发表文献中犯罪时空预测主要要素的知识关系图谱

Fig. 6 Knowledge relationship map of main components in spatial-temporal crime prediction studies from 2013 to 2021

5 犯罪时空预测软件及其在各国的应用实践

5.1 代表性犯罪时空预测商业化软件

在犯罪时空预测方面，欧美国家已开发出 Predpol、HunchLab、PreCobs等成熟的商业化软件，并在各国犯罪预测性警务实践中得到了广泛应用。不同软件所针对的犯罪类型、采用的预测模型和算法、时空分析单元、输入数据以及应用推广情况等都存在些许差异。国外一些代表性犯罪时空预测软件的特点和应用情况对比详见表5。当前，我国尚没有开发出具有自主知识产权的商业化犯罪时空预测软件，也未正式引入和推广应用国外的相关软件。
表5 2013—2021年间犯罪时空预测的代表性商业软件特点及应用情况

Tab. 5 Characteristics and applications of popular commercial software for spatiotemporal crime prediction from 2013 to 2021

软件名称 预测算法 适用犯罪类型 输入数据 时间步长 网格边长 应用推广情况 应用效果
PredPol
（现为Geolitica）		 余震模型与机器学习算法 财产类、暴力类犯罪 犯罪案件记录 一般为8 h 约150 m 美国洛杉矶、亚特兰大、圣克鲁斯等近60个城市；英国的伦敦、肯特郡、约克郡等地 使用PredPol后，能有效降低犯罪率[3,24,73]。洛杉矶实验后，犯罪数量平均降低7.4%[24]
HunchLab
(现为ShotSpotter® Missions™)		 机器学习算法 财产类、暴力类犯罪 辖区边界、犯罪案件记录、地理数据、时态数据 一般为 1小时至数小时 100~250 m 美国皮奥里亚、费城、林肯、纽约、新城堡、塔科马、皮尔斯等地 费城实验表明，可明显遏制财产类犯罪[25]。芝加哥测试表明，能促进减少暴力犯罪[74]
RTMDx 风险地形建模 多种犯罪类型 犯罪记录、地理空间数据等 一般为 6个月 建议为街道平均长度的一半 美国堪萨斯城、纽瓦克、大西洋城、纽约、纽黑文、泽西城等地 芝加哥：袭击和抢劫有明显减少。纽瓦克：枪支暴力减少35%。科罗拉多斯普林斯：盗窃机动车减少33%[75-76]
CAS 神经网络模型 财产类、暴力类犯罪 历史犯罪数据、社会经济数据、犯罪机会数据 8 h 125 m 荷兰全国[77] 阿姆斯特丹：可准确预测15%的入室盗窃和33%的抢劫，但实践应用效果未知[71]
PreCobs 邻近重复模型 仅居住区入室盗窃犯罪 历史犯罪数据、住宅类型 一般为1 d 250 m 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[71] 德国纽伦堡和慕尼黑：犯罪率下降了14%，严格控制的地区则下降了近30%[78-79]。苏黎世：全市半年的入室盗窃下降了40%[80]

注：数据根据文献、公司网站及互联网公开资料整理。

5.2 各国预测性警务应用实践

美国是预测性警务的倡导者和推动者。美国洛杉矶警察局（LAPD）于2008年首次提出了预测性警务。2009年，在美国洛杉矶召开了首届预测性警务研讨会；2011年7月美国加利福尼亚州圣克鲁斯警察局开展了首个预测性警务技术测试[3]，标志着预测性警务研究和创新实践的序幕正式拉开。根据“监控图集”（Atlas of Surveillance）网站公开信息统计，截至2021年底，美国有187个州、县或城市警察局通过采购Predpol、HunchLab、RTMDx等商业软件或自行开发等方式（图7（a）），建立了预测性警务应用系统。但在2018年和2019年一批警察机构与Predpol等公司签署服务合同后，近年来采用预测性警务的新增机构数量出现了减缓甚至停滞增长的趋势（图7（b）），这可能与当前美国预测性警务实践正遭受社会各界对其合法性、公平性、种族偏见、公民隐私侵犯等问题的质疑密切相关。
图7 2011—2021年美国实施预测性警务的机构统计

Fig. 7 Statistics of agencies adopting predictive policing in the U.S.A. from 2011 to 2021

荷兰是世界上第一个在全国范围内部署犯罪预测系统（Crime Anticipation System，CAS）的国家。该系统由阿姆斯特丹警察局研发，经过2013年的试点运行后，于2017年被推广至荷兰全国[77]。该系统可识别犯罪“热点区域”和“热点时间”，在入室盗窃、抢劫、偷窃（特别是扒窃）等特定类型的犯罪预测上取得了较好的效果[2]。
德国最早于2014年在巴伐利亚州慕尼黑、纽伦堡等地开展预测性警务探索，现已在巴登-符腾堡州、下萨克森州、黑森州等6个州推广应用。针对盗窃类犯罪，各州都组织开发有自己的犯罪预测系统，其中比较知名的是PreCobs[2]，该软件现已推广到德语系国家瑞士的苏黎世、巴塞尔州、阿尔高州等地[71]。
英国早期主要使用商业公司（如：Azevea、Palantir、PredPol）开发的犯罪预测软件，但之后由于成本高昂而停止使用[2]。目前，主要采用自行研发的犯罪预测系统，如：由英国伦敦大都会警察局与伦敦大学学院（UCL）共同研发的基于路网的犯罪预测系统。
我国开展过一些预测性警务探索，但尚没有真正实现业务化运行，这可能与国内外警务模式之间存在的较大差异有关。借鉴IBM公司在美国孟菲斯市开发Blue CRUSH（Criminal Reduction Utilizing Statistical History，利用统计历史数据减少犯罪）项目的成功经验，北京市怀柔公安分局于2013年开发了相关应用，实现了警力投量投向的时空引导[81]。江苏省苏州市公安局于2014年开发了一个类似于PredPol的犯罪预测系统，并在2个派出所内开展了试点，据相关报道称取得了不错的应用效果。然而，据了解，由于国内外警务模式的差异，系统运行与我国警务工作机制不相适应，相关系统后续均已停用。在国外，警察预防和打击犯罪的重要手段之一是州、县和城市警察巡逻，而在中国，社区巡逻工作通常是由派出所民警承担，每位民警所负责的警务责任区空间范围相对较小，责任民警对区内整体治安状况和犯罪热点较为熟悉。与责任民警的经验相比，当前大多数犯罪时空预测模型的预测效果并不理想，因此在实践中也就难以得到持续应用。
总之，以美国预测性警务模式为参考，国外很多国家开展了将犯罪时空预测与警务模式相结合的应用实践。我国虽然也较早地同步开展了相关尝试，但由于国内外警务模式之间存在较大差异，并缺乏必要的系统化研究跟进指导，犯罪时空预测结果与国内警务模式的契合程度并不紧密，导致相关实践应用的效果并不理想。

6 犯罪时空预测的伦理问题研究

6.1 预测性警务面临的合法性与伦理问题挑战

近年来，关于预测性警务合法性、公平性、问责制等方面的质疑越来越多[11⇓-13]，给国外相关警务执法部门带来了空前压力。2016年8月31日，美国公民自由联盟（American Civil Liberties Union，ACLU）和16个民权隐私、种族正义和技术组织组成的联盟发表联合声明，指出预测性警务存在种族偏见、缺乏透明度和其他深层次缺陷[82]。2020年5月发生的黑人乔治·弗洛伊德（George Floyd）遭警察“跪杀”事件，进一步加剧了公众对预测性警务应用的不满[83]。2020年6月，美国首个尝试预测性警务计划的圣克鲁斯市成为第一个全面禁止使用犯罪预测技术的城市[84]，其他多个城市也陆续全面或部分停止使用基于人的预测性警务工具[85-86]。此外，2020年5月荷兰法院也判定禁止使用用于预测诈骗者的SyRI(System Risk Indication)系统[87]。

6.2 犯罪时空预测的相关伦理问题

基于地点的犯罪时空预测，虽然较少涉及滥用个人隐私数据[88]、破坏公民无罪推定原则[89]等问题，但在其实践业务的各个阶段均存在潜在的偏见或伦理问题（图8）。
图8 基于地点的预测性警务实践中存在的潜在偏见与伦理问题

Fig. 8 Potential bias and ethical issues in the practice of place-based predictive policing

6.2.1 有偏数据引发的公平性、种族偏见等系列问题

理想情况下，尽管存在犯罪黑数现象，警方的犯罪记录应是各个群体作案情况的同比例的、无偏的代表性反映。然而大量研究表明，警方掌握的犯罪数据中充斥着系统性偏见[3,90]。由于各区域的报案率、立案情况等存在差异，警方的历史犯罪数据既不是所有犯罪的全记录，也不是一个随机抽取的代表性样本[91]。少数族裔、有色人种和低收入阶层生活的社区，往往被部署了过多的警力资源，导致逮捕率和犯罪率相较其他地区会过高[92]。
近年来，一些学者尝试利用个体出行数据[93-94]、基于位置的社交网络数据[95-96]和手机信令记录[48,97]等大数据来表征人口流动特征，以提高犯罪时空预测准确度。但各类大数据在人群特征表达上的内在有偏性，将产生对特定群体（如地铁通勤族、特定年龄段群体）的歧视和不公平对待等新问题。

6.2.2 算法偏见和公平性问题

随着机器学习算法的流行，警察对特定群体的潜意识偏见会被无形地引入并固化到犯罪时空预测模型中，使“算法中立”只能是一种理想化的假设[72]。绝大多数模型会从训练数据中“学习”和识别潜在的模式，然后在新数据中寻找和再现这些模式。因此，其预测结果会继承输入数据中内含的任何偏见或歧视[98]，某些情况下甚至还会强化、放大这些偏见[91,99-100]。此外，预测模型使用者的个人或文化偏好，也会影响相关变量的选择、相关参数及影响因子分值的设置等，进而导致模型预测结果产生一定偏差[3]。
当将有偏的历史犯罪数据输入模型进行训练和预测后，可能会使预测性警务实现自证[72]，成为“自我实现的预言”[101]。当预测模型将部分地方确定为高风险区后，不仅会导致这些地方出现过度的警察巡逻，带来过高的逮捕率[91,102-103]，也可能会使执勤警察处于高度警戒状态，在“危险”意识驱动下误判某些行为的性质，做出不当应对、造成悲剧[104]。随着新的逮捕数据被输入模型进行下一轮预测，将会产生越来越有偏见的预测，进而加剧和放大这种不公平性和种族歧视，并形成了一个反馈循环[91,98]。

6.2.3 缺乏透明度和问责制

针对预测性警务，外界要求提高技术透明度和加强问责制建设的呼声越来越高[98,105]。很多预测算法具有专业性、技术复杂性和“黑箱”等特点，而商业预测软件具有专利保护，其内部运作机制通常不对外透露。这就导致外部人员无法知道警务部门和软件公司在构建预测性警务模型时收集使用了哪些数据和采用了何种统计分析方法，也无法评判其算法的准确性、有效性和公平性等。
预测软件“黑箱”运行的特点对警务决策的可解释性提出巨大挑战，部分警察也认为被由“黑箱”产生的结果来指挥工作与他们的义务及规范秩序存在冲突[106]。在“公平”和“无偏见”算法的幌子下，复杂的预测软件的使用使有偏见的警察行为合法化[91]，甚至成为规避被问责的理由。

6.3 伦理问题应对

近年来，预测性警务的政策制定者、预测软件开发人员和执法机构也在加强自我反省[2]，一系列有效解决种族偏见、合法性、公平性等问题的建议和成功实施预测性警务的行为准则被提出。例如，Furgson[3]分析了预测性警务的9方面缺陷和应对方法，提出了一个评估分析框架；Moses和Chan[105]分析了成功实施预测性警务四阶段任务的10个理想假设及其所面临的实际障碍和应注意的问题；Mohler等[70]将公平性引入点过程模型中，提出了一种平衡准确性和公平性的惩罚似然法，实现巡逻强度级别与人口统计数据的按比例匹配[70]；HunchLab（www.shotspotter.com/missions/）专门开发了定向巡逻功能，能跟踪警员花费的时间和使用的战术，以避免在特定区域过度巡逻问题。

7 结论与展望

7.1 结论

近年来，预测性警务作为一种数据驱动的前瞻式、主动型警务模式，在欧美国家中被广泛采用，支持其运行的重要技术基础之一是犯罪时空预测。通过对2013年以来世界范围内犯罪时空预测研究与实践应用情况进行梳理，可知：
（1）犯罪时空预测的研究文献快速增加，但主要集中在美、中两国；研究主题日益多元，除仍占主导的时空预测方法研究外，犯罪时空预测警务实践的伦理问题也得到了大量关注。
（2）偷窃、抢劫、入室盗窃、盗窃机动车是被研究最多的四类犯罪，入室盗窃犯罪预测的时间单元以1月为主，而其他三类犯罪预测的时间单元则以1天为主，四类犯罪预测的空间单元均普遍采用边长200米的网格。
（3）针对四类犯罪，在不同时空尺度上进行预测的优势模型有所差别，但总体来看，随机森林、时空神经网络、霍克斯过程模型是预测效果较好的3类模型，在同类型犯罪预测中取得了较高的PAI、RMSE或Precision值。
（4）预测性警务实践在经历快速扩张后进入了减缓甚至停滞阶段，犯罪时空预测中内含的数据偏见、算法偏见等导致警务行动的合法性和伦理问题受到了空前的关注，然而针对犯罪时空预测警务实践的全面、系统、科学评估工作却极其有限，同时与世界各地警务工作机制的结合模式也有待创新。

7.2 展望

总体来看，世界范围内的犯罪时空预测在模型方法和实践应用方面都积累了丰富的经验，已经从早年的技术狂热阶段进入到当前的相对理性反思阶段。展望未来，犯罪时空预测研究的根本目标仍然是：服务犯罪防控实践、为追求社会公平与正义提供科学工具。未来，需要重点加强以下几方面的工作：
（1）加强犯罪时空预测模型的优化与创新。随着计算科学的发展，具有更强预测能力的新模型不断出现，要及时地将其引入到犯罪时空预测之中，也可考虑将其与既有的多种模型进行优化组合。已有研究表明，在进行犯罪时空预测时，除考虑时空依赖性外，将执法行为与犯罪行为之间的交互过程也包含在模型中，可有效地提高模型预测效果[107]。因此，可研究提出能反映更加真实、多元社会-行为过程的犯罪时空预测模型，将犯罪案件记录数据的漏斗效应、各类环境或行为记录数据的有偏性、犯罪者行为与警务行动交互的外部性等多个实际过程考虑在内。针对不同的犯罪类型，加强对不同时空尺度下优势模型的理论与实证研究，为不同情景下的预测性警务应用提供最优模型支持。此外，在通用性模型中加入“本地化”环境因子，也可有效提高针对不同地区的犯罪时空预测模型效果。例如，在中国部分城市的犯罪预测中，可将“城中村”、“群防群治”等因素考虑在内。
（2）提高犯罪时空预测模型的可解释性。当前，基于深度学习框架的犯罪时空预测模型通常具有较高的预测精度，但也具有“黑箱”缺陷，使得在将其迁移至新环境中进行犯罪预测时会具有较大的不确定性。未来，要结合犯罪研究的领域知识，选取有解释力的特征变量以提高模型的可解释性；也可考虑在基于深度学习框架的犯罪时空预测模型中增加注意力机制，通过注意力权重来明确不同特征的相对重要性；还可考虑引入“加性解释模型”，评估不同特征对于模型结果的贡献程度等[108]。
（3）探索符合国内警务实践的“本地化”预测性警务模式。一方面，要加强研究者与警务工作人员的密切合作，避免照搬国外的预测模型算法和警务模式，探索将犯罪时空预测信息与国内警务实践相结合的“本地化”路径或模式。另一方面，适度扩大犯罪时空预测信息的服务面，推进警务工作的社会管理创新。通过信息定期交传、信息智能推送服务等方式，将犯罪时空预测预警信息向社区管理、交通出行、城建规划等相关主管部门或者周边居民主动推送，在服务其他行业的同时，创新“群防群治”工作模式，有针对性地发动群众提前做好犯罪预防及可疑犯罪线索的上报，最大化发挥犯罪时空预测信息效用。
（4）开展预测性警务的科学性、综合性效果评估。采用科学严谨的准实验设计，既要评估预测性警务的各类具体行动所产生的实际犯罪防控效果，也要研究犯罪预测的时空范围、结果形式、与警务人员的信息交传机制等因素对实际犯罪防控效果的影响。在进行实践评估时，除将犯罪防控效果作为测量标准外，还应纳入与实践偏见和伦理相关的评估准则，以更为全面地把握预测性警务实践的综合性效果。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Egbert S, Leese M. Criminal futures: Predictive policing and everyday police work[M]. Abingdon: Routledge, 2020. DOI:10.4324/9780429328732

DOI

[2]
Mugari I, Obioha E E. Predictive policing and crime control in the United States of America and Europe: trends in a decade of research and the future of predictive policing[J]. Social Sciences, 2021, 10(6):234. DOI:10.3390/socsci10060234

DOI

[3]
Ferguson A G. Policing predictive policing[J]. Washington University Law Review, 2017, 94(5):1115-1194.

[4]
Perry W L, McInnis B, Price C C, et al. Predictive policing: the role of crime forecasting in law enforcement operations[M]. Santa Monica, CA: RAND Corporation, 2013.

[5]
Rummens A, Pauwels L, Hardyns W. A scoping review of predictive analysis techniques for predicting criminal events[M]//Vermeulen G, Lievens E. Data protection and privacy under pressure. Antwerp: Maklu, 2017.

[6]
Kounadi O, Ristea A, Araujo A Jr, et al. A systematic review on spatial crime forecasting[J]. Crime Science, 2020, 9(1):7. DOI:10.1186/s40163-020-00116-7

DOI PMID

[7]
Butt U M, Letchmunan S, Hassan F H, et al. Spatio-temporal crime hotspot detection and prediction: a systematic literature review[J]. IEEE Access, 2020, 8:166553-166574. DOI:10.1109/ACCESS.2020.3022808

DOI

[8]
顾海硕, 陈鹏, 李慧波. 犯罪时空预测方法研究综述与展望[J]. 地球信息科学学报, 2021, 23(1):43-57.

DOI

[Gu H S, Chen P, Li H B. Overview and prospect for spatial-temporal prediction of crime[J]. Journal of Geo-information Science, 2021, 23(1):43-57.] DOI:10.12082/dqxxkx.2021.200247

DOI

[9]
Karppi T. “The computer said so”: On the ethics, effectiveness, and cultural techniques of predictive policing[J]. Social Media + Society, 2018, 4(2):205630511876829. DOI:10.1177/2056305118768296

DOI

[10]
Oosterloo S, Schie G V. The politics and biases of the Crime Anticipation System of the Dutch police[C]// International Workshop on Bias in Information, Algorithms, and Systems, 2018:30-41.

[11]
Spivak B L, Shepherd S M. Ethics, artificial intelligence, and risk assessment[J]. The Journal of the American Academy of Psychiatry and the Law, 2021, 49(3):335-337. DOI:10.29158/JAAPL.210066-21

DOI

[12]
Hirsh J. Predictive policing and civilian oversight: what will it take to get it right?[J]. IEEE Potentials, 2016, 35(5):19-22. DOI:10.1109/MPOT.2016.2569723

DOI

[13]
Asaro P M. AI ethics in predictive policing: from models of threat to an ethics of care[J]. IEEE Technology and Society Magazine, 2019, 38(2):40-53. DOI:10.1109/MTS.2019.2915154

DOI

[14]
Liberati A, Altman D G, Tetzlaff J, et al. The PRISMA statement for reporting systematic reviews and meta-analyses of studies that evaluate health care interventions: explanation and elaboration[J]. Journal of Clinical Epidemiology, 2009, 62(10):e1-e34. DOI:10.1016/j.jclinepi.2009.06.006

DOI

[15]
Mohler G, Brantingham P J. Privacy preserving, crowd sourced crime Hawkes processes[C]// 2018 International Workshop on Social Sensing (SocialSens). IEEE, 2018:14-19. DOI:10.1109/SocialSens.2018.00016

DOI

[16]
Mohler G, Porter M D. Rotational grid, PAI-maximizing crime forecasts[J]. Statistical Analysis and Data Mining, 2018, 11(5):227-236. DOI:10.1002/sam.11389

DOI

[17]
Mohler G, Raje R, Carter J, et al. A penalized likelihood method for balancing accuracy and fairness in predictive policing[C]// 2018 IEEE International Conference on Systems, Man, and Cybernetics (SMC). New York: ACM, 2018:2454-2459. DOI:10.1109/SMC.2018.00421

DOI

[18]
Boni M A, Gerber M S. Area-specific crime prediction models[C]// 2016 15th IEEE International Conference on Machine Learning and Applications (ICMLA). IEEE, 2016:671-676. DOI:10.1109/ICMLA.2016.0118

DOI

[19]
Boni M A, Gerber M S. Automatic optimization of localized kernel density estimation for hotspot policing[C]// 2016 15th IEEE International Conference on Machine Learning and Applications (ICMLA). IEEE, 2016:32-38. DOI:10.1109/ICMLA.2016.0015

DOI

[20]
Boni M A, Gerber M S. Predicting crime with routine activity patterns inferred from social media[C]// 2016 IEEE International Conference on Systems, Man, and Cybernetics (SMC). IEEE, 2016:1233-1238. DOI:10.1109/SMC.2016.7844410

DOI

[21]
Lee Y, SooHyun O, Eck J E. A theory-driven algorithm for real-time crime hot spot forecasting[J]. Police Quarterly, 2020, 23(2):174-201. DOI:10.1177/1098611119887809

DOI

[22]
Silver D, Schrittwieser J, Simonyan K, et al. Mastering the game of Go without human knowledge[J]. Nature, 2017, 550(7676):354-359. DOI:10.1038/nature24270

DOI

[23]
Silver D, Huang A, Maddison C J, et al. Mastering the game of Go with deep neural networks and tree search[J]. Nature, 2016, 529(7587):484-489. DOI:10.1038/nature16961

DOI

[24]
Mohler G O, Short M B, Malinowski S, et al. Randomized controlled field trials of predictive policing[J]. Journal of the American Statistical Association, 2015, 110(512):1399-1411. DOI:10.1080/01621459.2015.1077710

DOI

[25]
Ratcliffe J H, Taylor R B, Askey A P, et al. The Philadelphia predictive policing experiment[J]. Journal of Experimental Criminology, 2021, 17(1):15-41. DOI:10.1007/s11292-019-09400-2

DOI

[26]
Hunt P, Saunders J M, Hollywood J S. Evaluation of the Shreveport predictive policing experiment[M]. Santa Monica, CA: RAND Corporation, 2014.

[27]
Han X G, Hu X F, Wu H G, et al. Risk prediction of theft crimes in urban communities: An integrated model of LSTM and ST-GCN[J]. IEEE Access, 2020, 8:217222-217230. DOI:10.1109/ACCESS.2020.3041924

DOI

[28]
Esquivel N, Nicolis O, Peralta B, et al. Spatio-temporal prediction of Baltimore crime events using CLSTM neural networks[J]. IEEE Access, 2020, 8:209101-209112. DOI:10.1109/ACCESS.2020.3036715

DOI

[29]
Wang Z L, Liu L, Zhou H L, et al. Crime geographical displacement: testing its potential contribution to crime prediction[J]. ISPRS International Journal of Geo-Information, 2019, 8(9):383. DOI:10.3390/ijgi8090383

DOI

[30]
Gerber M S. Predicting crime using Twitter and kernel density estimation[J]. Decision Support Systems, 2014, 61:115-125. DOI:10.1016/j.dss.2014.02.003

DOI

[31]
Zhang Y, Siriaraya P, Kawai Y, et al. Predicting time and location of future crimes with recommendation methods[J]. Knowledge-Based Systems, 2020, 210:106503. DOI:10.1016/j.knosys.2020.106503

DOI

[32]
Ristea A, Boni M A, Resch B, et al. Spatial crime distribution and prediction for sporting events using social media[J]. International Journal of Geographical Information Science, 2020, 34(9):1708-1739. DOI:10.1080/13658816.2020.1719495

DOI

[33]
Yu H J, Liu L, Yang B, et al. Crime prediction with historical crime and movement data of potential offenders using a spatio-temporal cokriging method[J]. ISPRS International Journal of Geo-Information, 2020, 9(12):732. DOI:10.3390/ijgi9120732

DOI

[34]
Rummens A, Hardyns W. The effect of spatiotemporal resolution on predictive policing model performance[J]. International Journal of Forecasting, 2021, 37(1):125-133. DOI:10.1016/j.ijforecast.2020.03.006

DOI

[35]
Rummens A, Hardyns W, Pauwels L. The use of predictive analysis in spatiotemporal crime forecasting: building and testing a model in an urban context[J]. Applied Geography, 2017, 86:255-261. DOI:10.1016/j.apgeog.2017.06.011

DOI

[36]
徐冲, 柳林, 周素红. 基于临近相似性考虑的犯罪热点密度图预测准确性比较——以DP半岛街头抢劫犯罪为例[J]. 地理科学, 2016, 36(1):55-62.

DOI

[Xu C, Liu L, Zhou S H. The comparison of predictive accuracy of crime hotspot density maps with the consideration of the near similarity: A case study of robberies at DP peninsula[J]. Scientia Geographica Sinica, 2016, 36(1):55-62.] DOI:10.13249/j.cnki.sgs.2016.01.007

DOI

[37]
Mahfoud M, Bernasco W, Bhulai S, et al. Forecasting spatio-temporal variation in residential burglary with the integrated Laplace approximation framework: Effects of crime generators, street networks, and prior crimes[J]. Journal of Quantitative Criminology, 2021, 37(4):835-862. DOI:10.1007/s10940-020-09469-3

DOI

[38]
Yu C H, Ding W, Morabito M, et al. Hierarchical spatio-temporal pattern discovery and predictive modeling[J]. IEEE Transactions on Knowledge and Data Engineering, 2016, 28(4):979-993. DOI:10.1109/TKDE.2015.2507570

DOI

[39]
Rummens A, Hardyns W. Comparison of near-repeat, machine learning and risk terrain modeling for making spatiotemporal predictions of crime[J]. Applied Spatial Analysis and Policy, 2020, 13(4):1035-1053. DOI:10.1007/s12061-020-09339-2

DOI

[40]
Rumi S K, Deng K, Salim F D. Crime event prediction with dynamic features[J]. EPJ Data Science, 2018, 7(1):43. DOI:10.1140/epjds/s13688-018-0171-7

DOI

[41]
柳林, 纪佳楷, 宋广文, 等. 基于犯罪空间分异和建成环境的公共场所侵财犯罪热点预测[J]. 地球信息科学学报, 2019, 21(11):1655-1668.

DOI

[Liu L, Ji J K, Song G W, et al. Hotspot prediction of public property crime based on spatial differentiation of crime and built environment[J]. Journal of Geo-information Science, 2019, 21(11):1655-1668.] DOI:10.12082/dqxxkx.2019.190358

DOI

[42]
柳林, 刘文娟, 廖薇薇, 等. 基于随机森林和时空核密度方法的不同周期犯罪热点预测对比[J]. 地理科学进展, 2018, 37(6):761-771.

DOI

[Liu L, Liu W J, Liao W W, et al. Comparison of random forest algorithm and space-time kernel density mapping for crime hotspot prediction[J]. Progress in Geography, 2018, 37(6):761-771.] DOI:10.18306/dlkxjz.2018.06.003

DOI

[43]
Ohyama T, Amemiya M. Applying crime prediction techniques to Japan: a comparison between risk terrain modeling and other methods[J]. European Journal on Criminal Policy and Research, 2018, 24(4):469-487. DOI:10.1007/s10610-018-9378-1

DOI

[44]
Caplan J M, Kennedy L W, Piza E L, et al. Using vulnerability and exposure to improve robbery prediction and target area selection[J]. Applied Spatial Analysis and Policy, 2020, 13(1):113-136. DOI:10.1007/s12061-019-09294-7

DOI

[45]
陈鹏, 林平, 孙菲菲, 等. 风险地形建模在犯罪风险评估中的应用[J]. 测绘与空间地理信息, 2017, 40(12):4-9.

[Chen P, Lin P, Sun F F, et al. The application of risk terrain model in risk assessment of crime[J]. Geomatics & Spatial Information Technology, 2017, 40(12):4-9.] DOI:10.3969/j.issn.1672-5867.2017.12.002

DOI

[46]
张宁, 王大为. 基于风险地形建模的毒品犯罪风险评估和警务预测[J]. 地理科学进展, 2018, 37(8):1131-1139.

DOI

[Zhang N, Wang D W. Drug-related crime risk assessment and predictive policing based on risk terrain modeling[J]. Progress in Geography, 2018, 37(8):1131-1139.] DOI:10.18306/dlkxjz.2018.08.012

DOI

[47]
Hu Y, Wang F, Guin C, et al. A spatio-temporal kernel density estimation framework for predictive crime hotspot mapping and evaluation[J]. Applied Geography, 2018, 99(10):89-97. DOI:10.1016/j.apgeog.2018.08.001

DOI

[48]
Malik A, Maciejewski R, Towers S, et al. Proactive spatiotemporal resource allocation and predictive visual analytics for community policing and law enforcement[J]. IEEE Transactions on Visualization and Computer Graphics, 2014, 20(12):1863-1872. DOI:10.1109/TVCG.2014.2346926

DOI

[49]
Zhou B B, Chen L B, Zhou F X, et al. ESCORT: Fine-grained urban crime risk inference leveraging heterogeneous open data[J]. IEEE Systems Journal, 2021, 15(3):4656-4667. DOI:10.1109/JSYST.2020.3023762

DOI

[50]
Hajela G, Chawla M, Rasool A. Crime hotspot prediction based on dynamic spatial analysis[J]. ETRI Journal, 2021, 43(6):1058-1080. DOI:10.4218/etrij.2020-0220

DOI

[51]
Butt U M, Letchmunan S, Hassan F H, et al. Spatio-temporal crime predictions by leveraging artificial intelligence for citizens security in smart cities[J]. IEEE Access, 2021, 9:47516-47529. DOI:10.1109/ACCESS.2021.3068306

DOI

[52]
Catlett C, Cesario E, Talia D, et al. Spatio-temporal crime predictions in smart cities: A data-driven approach and experiments[J]. Pervasive and Mobile Computing, 2019, 53:62-74. DOI:10.1016/j.pmcj.2019.01.003

DOI

[53]
Feng M C, Zheng J B, Ren J C, et al. Big data analytics and mining for effective visualization and trends forecasting of crime data[J]. IEEE Access, 2019, 7:106111-106123. DOI:10.1109/ACCESS.2019.2930410

DOI

[54]
沈寒蕾, 张虎, 张耀峰, 等. 基于长短期记忆模型的入室盗窃犯罪预测研究[J]. 统计与信息论坛, 2019, 34(11):107-115.

[Shen H L, Zhang H, Zhang Y F, et al. Prediction of burglary crime based on LSTM[J]. Statistics & Information Forum, 2019, 34(11):107-115.] DOI:10.3969/j.issn.1007-3116.2019.11.014

DOI

[55]
Bilen A, Özer A B. Cyber-attack method and perpetrator prediction using machine learning algorithms[J]. PeerJ Computer Science, 2021, 7:e475. DOI:10.7717/peerj-cs.475

DOI

[56]
Matereke T, Nyirenda C N, Ghaziasgar M. A comparative evaluation of spatio temporal deep learning techniques for crime prediction[C]// 2021 IEEE AFRICON. IEEE, 2021:1-6. DOI:10.1109/AFRICON51333.2021.9570858

DOI

[57]
Jin G Y, Wang Q, Zhu C C, et al. Addressing crime situation forecasting task with temporal graph convolutional neural network approach[C]// 2020 12th International Conference on Measuring Technology and Mechatronics Automation (ICMTMA). IEEE, 2020:474-478. DOI:10.1109/ICMTMA50254.2020.00108

DOI

[58]
Qian Y T, Pan L, Wu P, et al. GeST: a grid embedding based spatio-temporal correlation model for crime prediction[C]// 2020 IEEE Fifth International Conference on Data Science in Cyberspace (DSC). IEEE, 2020:1-7. DOI:10.1109/DSC50466.2020.00009

DOI

[59]
何巍. 基于机器学习的犯罪预测综述[J]. 科学技术与工程, 2019, 19(36):37-43.

[He W. An overview on crime prediction through machine learning[J]. Science Technology and Engineering, 2019, 19(36):37-43.] DOI:10.3969/j.issn.1671-1815.2019.36.003

DOI

[60]
Chainey S, Tompson L, Uhlig S. The utility of hotspot mapping for predicting spatial patterns of crime[J]. Security Journal, 2008, 21(1):4-28. DOI:10.1057/palgrave.sj.8350066

DOI

[61]
Levine N. The "hottest" part of a hotspot: comments on “the utility of hotspot mapping for predicting spatial patterns of crime”[J]. Security Journal, 2008, 21(4):295-302. DOI:10.1057/sj.2008.5

DOI

[62]
Drawve G, Wooditch A. A research note on the methodological and theoretical considerations for assessing crime forecasting accuracy with the predictive accuracy index[J]. Journal of Criminal Justice, 2019, 64:101625. DOI:10.1016/j.jcrimjus.2019.101625

DOI

[63]
Hunt J M. Do crime hot spots move? Exploring the effects of the modifiable areal unit problem and modifiable temporal unit problem on crime hot spot stability[D]. Washington, DC, USA: American University, 2016.

[64]
Zhang T Y, Ran Y B, Wei D. Application of grid management in spatio-temporal prediction of crime[C]// 2021 33rd Chinese Control and Decision Conference (CCDC). IEEE, 2021:2745-2749. DOI:10.1109/CCDC52312.2021.9602394

DOI

[65]
Kajita M, Kajita S. Crime prediction by data-driven Green’s function method[J]. International Journal of Forecasting, 2020, 36(2):480-488. DOI:10.1016/j.ijforecast.2019.06.005

DOI

[66]
Baculo M J C, Marzan C S, de Dios Bulos R, et al. Geospatial-temporal analysis and classification of criminal data in Manila[C]// 2017 2nd IEEE International Conference on Computational Intelligence and Applications (ICCIA). IEEE, 2017:6-11. DOI:10.1109/CIAPP.2017.8167050

DOI

[67]
Wheeler A P, Steenbeek W. Mapping the risk terrain for crime using machine learning[J]. Journal of Quantitative Criminology, 2021, 37(2):445-480. DOI:10.1007/s10940-020-09457-7

DOI

[68]
Zhang Q, Yuan P M, Zhou Q Y, et al. Mixed spatial-temporal characteristics based crime hot spots prediction[C]// 2016 IEEE 20th International Conference on Computer Supported Cooperative Work in Design (CSCWD). IEEE, 2016:97-101. DOI:10.1109/CSCWD.2016.7565970

DOI

[69]
Wheeler A P, Reuter S. Redrawing hot spots of crime in Dallas, Texas[J]. Police Quarterly, 2021, 24(2):159-184. DOI:10.1177/1098611120957948

DOI

[70]
Zhuang Y, Almeida M, Morabito M, et al. Crime hot spot forecasting: A recurrent model with spatial and temporal information[C]// 2017 IEEE International Conference on Big Knowledge (ICBK). IEEE, 2017:143-150. DOI:10.1109/ICBK.2017.3

DOI

[71]
Hardyns W, Rummens A. Predictive policing as a new tool for law enforcement? recent developments and challenges[J]. European Journal on Criminal Policy and Research, 2018, 24(3):201-218. DOI:10.1007/s10610-017-9361-2

DOI

[72]
Moses L B, Chan J. Algorithmic prediction in policing: assumptions, evaluation, and accountability[J]. Policing and Society, 2018, 28(7):806-822. DOI:10.1080/10439463.2016.1253695

DOI

[73]
Turner G, Brantingham J, Mohler G. Technology talk: Predictive policing in action in Atlanta, Georgia[EB/OL]. 2022-07-30. https://www.policechiefmagazine.org/predictive-policing-in-action-in-atlanta-georgia/.

[74]
Ferguson A G. Predictive policing theory[M]// The Cambridge handbook of policing in the United States. Cambridge: Cambridge University Press, 2019:491-510. DOI:10.1017/9781108354721.025

DOI

[75]
Caplan J M, Kennedy L W, Barnum J D, et al. Crime in context: Utilizing risk terrain modeling and conjunctive analysis of case configurations to explore the dynamics of criminogenic behavior settings[J]. Journal of Contemporary Criminal Justice, 2017, 33(2):133-151. DOI:10.1177/1043986216688814

DOI

[76]
Kennedy L W, Caplan J M, Piza E L, et al. Vulnerability and exposure to crime: applying risk terrain modeling to the study of assault in Chicago[J]. Applied Spatial Analysis and Policy, 2016, 9(4):529-548. DOI:10.1007/s12061-015-9165-z

DOI

[77]
Querbach M, Krom M, Jongejan A. Review of state of the art: Predictive policing[R]. Cutting Crime Impact, 2020.

[78]
IfmPt. PRECOBS-software for predicting crimes[EB/OL]. 2022-07-30. https://land-der-ideen.de/en/project/precobs-software-for-predicting-crimes-355.

[79]
Tieu A. PRECOBS app predicts crimes before they happen[EB/OL]. (2015-06-10)[2022-07-30] https://futurism.com/precobs-app-predicts-crimes-before-they-happen.

[80]
Thoma J. PRECOBS: Berlin will mit Software Einbrüche vorhersagen[EB/OL]. (2014-12-02)[2022-07-30]. https://www.golem.de/news/precobs-berlin-will-mit-software-einbrueche-vorhersagen-1412-110918.html.

[81]
阎耀军, 张明. 犯罪预测时空定位信息管理系统的构建[J]. 中国人民公安大学学报(社会科学版), 2013, 29(4):73-80.

[Yan Y J, Zhang M. Construction of information management system for predicting crime location in time and space[J]. Journal of People’s Public Security of China (Social Sciences Edition), 2013, 29(4):73-80.]

[82]
ACLU. Predictive policing today: a shared statement of civil rights concerns[EB/OL]. (2016-08-31)[2023-01-07]. http://civilrightsdocs.info/pdf/FINAL_JointStatementPredictivePolicing.pdf.

[83]
Castelvecchi D. Mathematicians urge colleagues to boycott police work in wake of killings[J]. Nature, 2020, 582(7813): 465. DOI:10.1038/d41586-020-01874-9

DOI

[84]
Guariglia M. Technology can't predict crime, it can only weaponize proximity to policing[R]. Electronic Frontier Foundation, 2020.

[85]
Haskins C. The Los Angeles police department says it is dumping a controversial predictive policing tool[EB/OL]. (2020-04-22)[2023-01-07]. https://www.buzzfeednews.com/article/carolinehaskins1/los-angeles-police-department-dumping-predpol-predictive.

[86]
Field S. Predictive policing: What is it and should it be used in 2020?[EB/OL]. (2020-12-30)[2023-01-07]. http://predictiontechnology.ucla.edu/predictive-policing-what-is-it-and-should-it-be-used-in-2020/.

[87]
Strikwerda L. Predictive policing: the risks associated with risk assessment[J]. The Police Journal: Theory, Practice and Principles, 2021, 94(3):422-436. DOI:10.1177/0032258x20947749

DOI

[88]
Siegel E. How to fight bias with predictive policing[EB/OL]. (2018-02-19)[2023-01-07]. https://blogs.scientificamerican.com/voices/how-to-fight-bias-with-predictive-policing/.

[89]
Norga A. 4 benefits and 4 drawbacks of predictive policing[EB/OL]. (2021-07-21)[2022-07-30]. https://www.liberties.eu/en/stories/predictive-policing/43679.

[90]
Levitt S D. The relationship between crime reporting and police: implications for the use of uniform crime reports[J]. Journal of Quantitative Criminology, 1998, 14(1):61-81. DOI:10.1023/A:1023096425367

DOI

[91]
Lum K, Isaac W. To predict and serve?[J]. Significance, 2016, 13(5):14-19. DOI:10.1111/j.1740-9713.2016.00960.x

DOI

[92]
Muñoz V, Vallejo M, Aedo J E. Machine learning models for predicting crime hotspots in Medellin city[C]// 2021 2nd Sustainable Cities Latin America Conference (SCLA). IEEE, 2021:1-6. DOI:10.1109/SCLA53004.2021.9540132

DOI

[93]
Bowen D A, Mercer Kollar L M, Wu D T, et al. Ability of crime, demographic and business data to forecast areas of increased violence[J]. International Journal of Injury Control and Safety Promotion, 2018, 25(4):443-448. DOI:10.1080/17457300.2018.1467461

DOI PMID

[94]
Orong M Y, Sison A M, Hernandez A A. Mitigating vulnerabilities through forecasting and crime trend analysis[C]// 2018 5th International Conference on Business and Industrial Research (ICBIR). IEEE, 2018:57-62. DOI:10.1109/ICBIR.2018.8391166

DOI

[95]
Lamari Y, Freskura B, Abdessamad A, et al. Predicting spatial crime occurrences through an efficient ensemble-learning model[J]. ISPRS International Journal of Geo-information, 2020, 9(11):645. DOI:10.3390/ijgi9110645

DOI

[96]
Kadar C, Maculan R, Feuerriegel S. Public decision support for low population density areas: An imbalance-aware hyper-ensemble for spatio-temporal crime prediction[J]. Decision Support Systems, 2019, 119:107-117. DOI:10.1016/j.dss.2019.03.001

DOI

[97]
Hälterlein J. Epistemologies of predictive policing: Mathematical social science, social physics and machine learning[J]. Big Data & Society, 2021, 8(1):205395172110031. DOI:10.1177/20539517211003118

DOI

[98]
Susser D. Predictive policing and the ethics of preemption[M]//Jones B, Mendieta E. The ethics of policing:New perspectives on law enforcement. New York, USA: New York University Press, 2021. DOI:10.18574/nyu/9781479803729.003.0013

DOI

[99]
Kutnowski M. The ethical dangers and merits of predictive policing[J]. Journal of Community Safety and Well-Being, 2017, 2(1):13. DOI:10.35502/jcswb.36

DOI

[100]
Shapiro A. Reform predictive policing[J]. Nature, 2017, 541(7638):458-460. DOI:10.1038/541458a

DOI

[101]
Chiao V. Fairness, accountability and transparency: Notes on algorithmic decision-making in criminal justice[J]. International Journal of Law in Context, 2019, 15(2):126-139. DOI:10.1017/s1744552319000077

DOI

[102]
Araújo A, Cacho N, Bezerra L, et al. Towards a crime hotspot detection framework for patrol planning[C]// 2018 IEEE 20th International Conference on High Performance Computing and Communications; IEEE 16th International Conference on Smart City; IEEE 4th International Conference on Data Science and Systems (HPCC/SmartCity/DSS). IEEE, 2018:1256-1263. DOI:10.1109/HPCC/SmartCity/DSS.2018.00211

DOI

[103]
Valdez S I, Hernández-Baena A. On the best-performed time window size for homicide count forecasting[C]// 2021 Mexican International Conference on Computer Science (ENC). IEE, 2021:1-8. DOI:10.1109/ENC53357.2021.9534830

DOI

[104]
Li J. Pitfalls of predictive policing: An ethical analysis[J]. Viterbi Conversations in Ethics, 2022, 5(3).

[105]
Chan J, Moses L B. Is big data challenging criminology?[J]. Theoretical Criminology, 2016, 20(1):21-39. DOI:10.1177/1362480615586614.

DOI

[106]
Ratcliffe J H, Taylor R B, Fisher R. Conflicts and congruencies between predictive policing and the patrol officer's craft[J]. Policing and Society, 2020, 30(6):639-655. DOI:10.1080/10439463.2019.1577844

DOI

[107]
Rotaru V, Huang Y, Li T, et al. Event-level prediction of urban crime reveals a signature of enforcement bias in US cities[J]. Nature Human Behaviour, 2022, 6(8):1056-1068. DOI:10.1038/s41562-022-01372-0

DOI

[108]
Zhang X, Liu L, Lan M X, et al. Interpretable machine learning models for crime prediction[J]. Computers, Environment and Urban Systems, 2022, 94:101789. DOI:10.1016/j.compenvurbsys.2022.101789

DOI

Options
文章导航

/

〈 〉