近10年来犯罪时空预测国内外研究与实践进展

贺日兴, 陆宇梅, 姜超, 邓悦, 李欣然, 时东

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

HE Rixing, LU Yumei, JIANG Chao, DENG Yue, LI Xinran, SHI Dong

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]