美国和欧洲的预测警务和犯罪控制：十年的研究趋势和预测警务的未来

 摘要：随着执法人员采用现代技术来预测犯罪活动，人们对预测警务系统有着重要的关注。大多数发达国家都实施了预测性警务，尽管人们对其有效性反应不一。虽然在它一开始，预测性警务涉及简单的启发式和算法，但在不断变化的技术环境中，它越来越复杂。本文基于文献调查，调查了过去十年（2010 年至 2020 年）的预测性警务。本文研究了不同国家是如何实施预测警务的， 同时也记录了预测警务的障碍。本文表明，尽管采用了预测软件应用，如预测、风险地形建模、狩猎实验室、地图、预测、犯罪预测系统和 Azevea，但有几个障碍阻碍了预测警务的有效性， 其中包括预测精度低、预测范围有限、预测警务软件成本高、数据输入缺陷和一些预测软件应用程序的偏见性。尽管存在这些挑战，但该论文揭示了大多数研究人员就预测算法在警务景观上的重要性达成了共识。

关键词：算法、犯罪分析、预防犯罪、警务技术、预测性警务

多年来，预防犯罪的战略一直在不断发展。历史上，犯罪管理战略主要集中于反动战术，即警务的重点是对犯罪事件作出反应。因此，警察的评价主要是基于警察对犯罪事件的反应以及他们如何设法解决报告的犯罪事件。然而，随着警务格局的发展，警务模式从反应式警务方式转变为主动式警务。因此，新的重点是要预防犯罪，而不是对犯罪作出反应。长期以来，有一种观点认为，预防犯罪比应对犯罪具有更大的价值(波特兰州立大学)重要的是，预防犯罪与积极性警务比反应性警务更密切。引入社区导向警务(COP)、问题导向警务(POP)、情报主导警务(ILP)和热点警务等预防犯罪策略，考虑到积极主动警务。近年来， 一种主动的数据驱动警务策略是预测性警务。总的来说，预测警务利用信息技术、数据和分析技术，以确定未来犯罪的可能地点和时间，或处于犯罪或成为犯罪受害者高风险的个人 。从本文中可以看出， 预测警务的统计预测分为两个广泛的地点categories 一 predictions 和个人预测。预测分析和机器学习的使用已经吸引了极大的关注，将预测警务与在众多就业部门快速推进的自动化数字创新联系起来。虽然可以认为，数据的收集和使用一直是警察工作的一个方面，但技术进步和警察数据可用性的增加导致从主要是反动的警察工作向更积极的警察转变。然而，需要强调的是，预测性警务并不是为了取代久经考验和测试的主动警务技术，如 POP、COP、循证警务和 ILP，而是基于这些主动警务模式的构建。改进传统的主动警务技术、机器学习和改进算法，使警察能够更准确地跟踪个人和地区，以预测何时、地点和谁可能犯罪。

全部内容在知识星球

本期编辑：SXS

如有侵权，请联系管理员删除

通过“情报学院”知识星球可以阅读该资料的全都内容👇