情报研究│大数据时代下犯罪预测的应用与限制研究

内容摘要 :大数据时代改变着人们的生产生活方式,潜移默化地影响着社会的方方面面。大数据的预测功能可以应用在犯罪预测领域。基于大数据分析的预测警务 ,可以更高效地配置警力资源,更好地预防和打击犯罪。犯罪人预测 因其对个人隐私和自由的侵犯,对罪刑法定原则的背离和对社会公平正义的挑战 , 它的适用范围须严格限制 。受数据完备性、俄狄浦斯效应 、黑盒子理论等因素影响 , 我们对大数据时代下 犯罪预测的应用要保持审慎态度。
关键词 :大数据 ;预测警务;犯罪人预测
随着第五代移 动通信技术(5G) 、物联网络 (IoT) 、 云计算 (C l oud Compu t i ng) 、 人工智 能 ( AI )的发展, 人类步入了“ 大 数据 时代 ” 。2015年8月31日 , 国 务院 发布的《 促进大数据发展行动纲要 》 中对大数据进行如 下界定 , “ 大数据是以容量大 、 类型多 、 存取速度快 、 价值密度低为 主要特征的 数据集合 ,正快速发展为对数量巨大 、来源分散、格式多样的数据进行采集 、 存储和关联分析, 从中发现新知识、创造新价值 、提升新能力的新 一代信息 技术和服务业态” 。
大数据改变着人们的工作 、学习和社交方式 ,我们的生理数据 、实时定位 、 交易 记录 等都可以被即时记 录下来并进一步深入挖掘分析产生可利用的价值。基于大数据 ,电商平台可以根据以往的购物记录和浏 览商 品 情况推送我们下一个可能会购买的商品 ;社交软件 结合我们 的学习经历 、 兴趣爱好、手机定位等为我们推荐可能会认识 的朋 友;当然 , 我们也可以运用某些软件预测在什么时候能买到 价格低廉 的 机票 。同时 ,大数据也为理解和解 决人们所关 心 的 问 题提供了新的视角和可操作化工具并向传统的社会学、 经济学、 管理学 、 法学等理论体系发起冲击和挑战 。
古典刑法理论认为 , 刑法虽然 不是社会现代化 的推动者 ,但是刑 法需要通过调整自身的方式对现代化的挑战 予 以 回 应。学界 关于大数据时代个人信息保护问题、数据的财产属性问题、人工智能犯罪主体适格问题 、 数据依赖与垄断 问题等诸多 方面的探讨都体现了这种关切 。
传统犯罪治理的思维方式是逆向思维 ,强调演绎 ,即从犯罪现象倒 溯犯罪 原因 ,进而 有针对性地采取治 理措施 。大数据思维是正向思维 ,强调归纳 ,其指导下的犯罪 治理更多 地是探寻相关性关系的数据决策方式 。本文聚焦大数据时代下 犯罪预测问题, 主 张大力推进基于 大数据的预测警务活动 ,但对犯罪人预测功能的应用必须加以严格限制 。
一、 大数据时代下的预测
警务大数据的核心功能是预测 ,大数据技术的魅力 就表现在它能够迅速收集、 分析数量庞 杂的相 关数据并快速获取影响未来的信息能力 。[ 1] 2009 年美国甲型 H1N1流感爆发的前几周 , G oo gle公司的工程师们在《自然》杂志上发表了一篇论文 ,他们把本国 网 民检索最频繁的5000万条词组与2003到 2008五年间美国疾控中 心季节性流感传播时 期的 搜索 数据开 展比对 ,处理了4.5 亿个不 同 的数学模 型 , 试图找出某些特别 的检索词组搜索频率与流感传播规律之间 的 相互关系 。在得 到特 定 的数学模型后 , 他们判 断出流感的传播源头 , 成功预测 了 2009 年冬季流感 的 传播, 而这一预测 比 滞后 的 官方 数据来得更加及时 、 有效 。m 在美 国 《 时代》 杂志评 比 出 的 2 0 1 1年度50大最佳发明中 , 基于大数据 的 “ 出 警预测 ” 赫 然在 列 。这款 由 数学家、 人类学家 、刑事学家协同研发 的 程序 , 能够预测美国加利福尼亚州圣 克鲁兹的 哪些地区最大概率发 生犯 罪活动 以 及发生时间 。运用这个软件可 以让警 方提前做好准备,避免惨剧发生。
情报主导警务是全球范围内第五次警务革命的主题 。让数据发声 ,运用大数据 开展情 报分 析进而合理调配警力资 源的预测警务 ,是预防和打击违法犯罪 、 保障社会公共安全、解决当下警力资源不足的新思路 。
( 一 )预防犯罪的需要
犯罪问题影响着国家经济增长、 社会发展和国际声誉,一个地区 犯罪 率的高低亦是影响公众社会安全感的主要因素。无论是对个人还是社会 ,预防犯罪行为的发生要比处罚已经发生的犯罪行为更有价值,更为重要 。
联合国的一项调査数据表明,刑事系统的费用比例占到了犯罪所造成代价的 40% — 5 0% , 而 这个 费用 随着犯罪 率的增加而增加 。根据法计量经济学研究 , 针对 已知 风险因 素采 取的预防性行 动花 费 比 监禁的支出 少 1 / 2 到 1 / 7 。从这个层面上来说 ,犯罪预防 是效果明显 、 费用较低 、 “ 性价 比 ”较高的犯罪治理措施 。
预测警务是指运用分析技术,特别是定量分析技术来提前确定警察需要 介入和干预的目标, 对公共安全加 以更严密的保护。预测警务属于罪前阶段的预防 ,之所以取得良好效果就在于该模式 基于 数据 分析的预测 合理配置警力 ,达到犯罪情境预防的目的 。例如根据数据分析的指引 ,在犯罪高发区 域增派警察加 强巡 逻会使犯罪的成本显著提高 ,使犯罪分子打消犯罪意图 。
( 二 ) 技术可行性分析 
人类祖先 早在几 千年前便开始用龟甲占卜的方法预测吉凶祸福 。随着社会发展 和人们认识水平的逐步提高 , 期间发明和经历了上百种预测法。现代 的预测方法根据预 测 客体 和 预测用途的不同而有所差别 ,较为常见的有模型法、线性回归分析法 、德尔菲 ( D e l p h i )法 、灰色系统理论分析法、 最小方差预测法等。
大数据时代最常用到的预测建模技术包括逻辑回归模型 、决策树 、 支持 向量机等 , 它们可以抽丝剥茧地解开 数据背后的内在关联 , 然后 运用 得到 的关联关系去预测未来, 推理未知 。 犯罪预测是犯罪预防的前提 。犯罪作 为 一种 社会现象 , 是可以被认识和 加 以 预防 的 。早在18 29 年比利时统计学 家凯特就运用 概率 论较为精准地预估 出 了1830年法国的犯罪行为 总数和罪行 种类。现代技术的 迅猛发展、对犯罪规律的认识不断深入为 犯罪预防研究提供了先进的技术手段和科学的研究方法 。
具体而言 ,各种可视化技术和机器学习算法常常被用来预测某一地区 的犯罪 分布 。操作流程是对原 始数据加 以 收集和整理之后 , 运用 机器 学 习算法把有效信息从大型 数据中 提 取出 来并发现数据 之间 隐藏 的 关系 。犯罪模式分析师们 再通过各种交互式可视化方法分析 这些被报 告和 发现的有价值的 犯罪信息 , 进而为 警方 提供前瞻性指导 。可视化可分为不同种类, 比如 犯罪热 点可视化 、 3 D 图像交互可视化、 犯罪类型可 视化 、犯罪频率可视化和 交互 式犯罪频率报告等 。
数据挖掘是对数据集进行剖析 , 从它们中间提取出有价值有意义的信息供进一 步使用 。犯罪 学 的理性 选择理论 ( R at i ona l Cho i c e The or y ) 和 日 常活动理论 ( R out i ne A c t i vi t y T he o ry ) 可 以 用 来指导犯罪 预测 。朴素贝 叶 斯理论是犯罪预 测系统里 最常用 到 的算法。国外有学者基于贝叶斯理论采用高斯混合模型和基于 K-均值方法 的 参数化模型 , 综合生成犯 罪数据集 , 利 用 交叉验证方法对预测系 统进行了 测 试, 结果表明 该系 统应用于犯罪 预测成 功率达到 8 3 % , 为预防和 打击犯罪提供了 帮助 。
( 三 ) 预测警务的可借鉴经验 
2008年 , 在美国洛杉矶市时任警察局长威廉 布拉顿、美国司法援助局代理主任詹姆斯伯奇和国家司法委员 会代理主任克 里斯蒂娜 ?罗丝 等人 的大力倡导下 ,美国警界开始 推行 “ 预测警务 ” 这一新的执法理念。经过多年的发展,美国的预测警务在深入挖掘大数 据的 可利用 价 值,进行犯罪预测方面取得了标志性胜利 。
20世纪 7 0 年代末 80 年代初, 我 国 开始了 关于犯罪预测的研究 , 起步 相对较晚。近年来,各地区依 托大数据研发的 犯罪预测系统纷纷投入使用 并初 见成效 。北京市公安局怀柔分局 自 2013年4 月 起便开始运行的 “ 犯罪 数据分析和 趋势 预测 ” 是北京乃至全 国 首 个警情研判 系统。这套系统通过对以往犯罪 案件数据 的 整理, 套 入多 种预 测模型 ,对今后 某个时间段 、某个区域内可能发生犯罪的几率以及犯罪 的类型进行预测 。公安机关可以根据系统运算结果, 有针对性地调配人手,部署警力 。
据统计 ,该系统推行以来 , 该辖区抢劫案发生明显下降 。2 0 1 4 年 5月怀柔分局对预测系统进行了升级 ,升级后的数据收集来源增加 了 治安案件、 交 通事故等 , 进一步拓宽了预测范围 。苏州市公安局 苏州工业园区分局唯亭派出 所从 2014年开始使用 犯罪预测系统指导巡 防工作 ,侦查工作模式从 “ 案后研判 ” 调 整为 “ 案前预警” , 取得了良 好的安防效果 。据统计 ,该辖区侵财类违法犯罪警情逐年下降 , 下降幅度超过了 15% 。
二 、 大数据时代下的犯罪人预测
大数据技术同其他技术一样, 是伦理中立的 它在被加以运用去实 现更多 的 经济利益、 发挥更大的社会价值过 程中 并不自带判断是非好坏的审视功能 。大数据的蓬勃发展对社会准则 、 经济环境、 法律法规等将会产生什么影响 ,预期的变化都尚未明晰, 需要我们运用 正确的价值观去 衡量数据创 新所带来的利益与风险 。大数据时代下犯罪人预测在一定程度上侵犯 了个人隐私和自由 ,违背了罪刑法定原则 ,冲击了社会公平正义, 应在适用范围上加以严格限制 。
( 一 ) 犯罪人预测的设想与试水 
在斯皮尔伯格导演的科幻电影《 少数派报告 》中 ,当局 将能够预知未来、 预测犯罪细节的“ 先知 ” 们集合起来构建了一套 “ 犯罪预测系统 ” , 对即将发生或正在进行的 “ 罪行 ” 予以阻止, 虽然在影片 中该 系统 以失败告终 ,但是这套 “ 犯罪 预测系 统 ” 随着大数据时代的到来仿佛触手可及。
在美国 , 芝加哥瞥方掌握 了 更 多 数据之后 , 分 析预测 的 目 标从分析预测犯罪地点 “ 升 级 ” 到 犯罪 人预测上 , 在这份 备受争议的 犯罪 人热点名单上列出了临近街区 前二十名 最有 可能犯罪 的 嫌疑人名 字和照片,甚至具体到此人在多长时间内 可能犯罪 的 几率 。日本的商业战略专家盐野诚在 《大智能时代:智 能科技如何改变人类的经济、社会与生活》一书中 还提到 美 国 孟菲斯的例子 , 当地警察 已经引 进 了IBM 研发的预测分析软件 “ B l ue CRU SH ” 。将来, 警察可以用这个软件分析包括人类遗传基因在内的庞大数据, 如果事先知道具有某种基因的人犯罪的 可能性很高 , 就可以逮捕此人 ,甚至最终可以使这种基因不再出现在地球上。
C 0MPAS 人工 智能 算法从 2000 年初 就开始在 美 国 的 司法机构使用 ,目前已经修改到第四版,这个十分制的 “ 打分 ” 机制 被美 国 司 法部 用 于 判 断有过犯罪记录 的人未来犯罪 的几 率 , 各个州法官量刑或 者警察盘査疑犯的 时候 ,会把 C0MP AS 分数作为参考 。
2 0 1 6 年武筱林教授和 博士生张熙的 论文 《 基于面部 图 像的 自 动 犯罪 性概 率推断》 引 起 广泛 争议。他们 用机器扫 描 了 1 85 6 张 中 国 成年 男子 的 身 份证照 片 , 运用 机器学 习 算法和 图 像识别 技术来判断这个 人是 否罪犯 , 并称成功率高达 90% 。在论文中 还总结 了 这些罪犯的 面相特 点 :罪犯跟普通人相 比 , 他们面 部特征 更为 明 显 。Go og l e 和 普林斯顿大 学的 三位研 究人员 写 了 一篇 反驳文章, 名 为 《 相面 学 的新衣》 。他们在文章 中 批评武彼林等人的 研究方 法跟 1 5 0 年前的 意大利龙勃 罗 梭天生 犯罪 人理论类似 , 只 是使用 了 机器 学习 算 法。
( 二 ) 犯罪人预测的批判
中国眼下正处于 社会转型时期 ,大规模的社会变革实践与接踵而来的各种 风险 ,使得我国 正成为 典型的高风险社会 。有德国刑法学者主张, 为了应对 “ ‘ 世界风险社会’ 的新挑战” , 可以考虑 “ 刑法的延伸和去边界化 ” , 诸如 “ 实体刑法 中可罚 性的前移 ” 、 “ 预防性 监控观念 的 延伸 , 自 由 权利 保障 的 解除 ”等 。刘艳红教授指出 ,这些极端 的风险刑 法观 念, 意在将刑法作为 一种 社会控制 的工具而不仅仅是保障人权打击犯罪 的手段 , 这种 无边 界 的 刑法是滥用 的 刑 法, 会导致刑 法最终被消 解 , 其挑战的 不仅仅是刑法谦抑性 ,  是罪刑法定甚至 是整个刑 事法治进程和 人类社会法治进程。
1.侵犯个人隐私和自由
大数据时代 , 可量化的维度大大拓展,除了姓名 、电话、缴税记录等传统数字数据 , 人们 的生活习惯、 兴趣喜好甚至情绪情感都可以被量化和 记录下来。即 使存在网络匿名化和部分数据缺失 ,但是随着数据量的增加 ,匿名化会逐渐失效 。从模糊化的数据中交叉分析精确锁定目标已不是难事。
犯罪人预测首先要求政府对个人的数据进行全面收集, 比如个人的身体状况、教育背景 、 工作情况、 社会关系网等 , 而 这必 定会侵犯到公民的隐私。国家对社会秩序的 管控与 保障公民个体自由之间难免发生冲突, 这就需要在两者之间进行调和 ,寻找一个黄金 分割 点 。自由可以分为思想自由和行为自由 。思想自由是首要的 , 人之所以区别于动物 就在于我们的思想是多元化的 、多样性的 。姑且假设这种基于大数据平台 的 犯罪人预测是准确的 , 但是这种预测违背 了 人的 自 由 意志 ,也不承认人们基于自由意志改变未来选择的可能性 。刑法规范作为明文法 , 因其预测可能性 ,使国民能够预测到自己的行为性质以及自己的行为 是否会受到 刑罚制裁 ,即 “ 正确的预期 ” ,从而形成社会的可控性和 社会生活的稳定性 。
2.违反罪刑法定原则 
依据犯罪预测的结果对尚处于未然状态的“ 犯罪人” 施以刑罚 是错误的 , 即 使是出于防卫社会的目的 。这是斯皮尔 伯格通过电影《 少数派报告 》 想向人们传达 的 思想, 也是刑 事法律基本原 则对犯罪预测 的 价值观要求 。国家在进行社会管控过程中 的 威信树立 , 依赖于管理目的的正当性和管理手段的妥当性 。刑法作为 其他法律的 “ 保护法 ”,具有谦抑性 , 应严格控制刑罚的处罚范围 。即使出于保卫社会的目的 ,也不能动辄动用刑法 , 否则会使国家威信降低。
假设 《 少数派报告 》中 “ 先知 ” 们预测出的结果百分之百准确 ,“ 犯罪分子 ”正处于准备工具 ,制 造条件的预备阶段 ,但是在犯罪 阶段上 的预备 ,除了特 定的犯罪之外, 原则 上 是不可罚的 ,因为侵害法益 的 危险尚未成为具体的危险 。预备阶段尚不可罚 ,更遑论有 的 “ 犯罪 ”只存在于 “ 犯罪分子”的 “ 思想 ”里 。
因此 ,基于预测结果的制裁属于 “ 处罚不当罚 ”行为 ,违反了罪刑法定 原则 。另外 , 从经济学上来说 , 区分犯罪的预备 、 中止、未遂与既遂, 是保持刑罚 边际威慑的一种形式。如果降低刑罚 适用标准,反而会降低刑 罚 的 威慑力 , 不利于打击犯罪 。
3.冲击社会公平正义
人人平等是现代刑事司 法制度 的 核心要义。美国 1 9 5 6 年格里芬诉伊利诺伊 州 ( G r i f f i n v . I l l i no i s ) —案中 , 最高法院大法官雨果 ?布莱 克 ( Hugo B la c k ) 把 “ 为 穷人, 富人 , 弱者和 强者提供平等 司法 ” 的 目 标称作 “ 整个司 法制度的 核心 目 标 ” 。1 983 年 , 比尔 登诉 乔治亚州 ( Be a rde n v. Ge or g i a )—案中 , 法院裁定 该州在被告 人失业时撤销 其缓刑 是违 反宪法 的 。该州引入了大量的实证研究,表明失业和 贫困 增加 了 再犯的风险 ,以他的失业为理由认为他有更高 的犯罪风险是正当的 。法院坚决驳回了这一论点 , 认为 不能基于贫穷 而把他列 为危险人物增加刑期 ,这样做只 不过是为 了 惩 罚 一个人的 贫困 。法律面前一律平 等 ,国家尊重和保障人权也 明 确写在我国 宪法第 1 3 条中 。
要设计一个预测犯罪人的系统首先需要机器学习算法的设计者判断 “ 什么样的人更容易犯罪 ”,然后 再把不同 原因分解开来搜集数据 。一个人犯罪 的可能性成千上万 ,而算法设计者将贫困 、家庭状况 、种族或民族、社会经济地位等维度输入进去 , 就好像 黑夜里我们更容易关注到的路灯下的路面 一样,本身 就带有偏见和歧视。从这个角 度说 , 犯罪人预测是显失 公平正义的,他们被预测是危险的 “ 犯罪人 ” 并据此受到 惩罚 ,不是 因 为他们做过什么 , 而是因为他们是谁,他们的家庭怎么样以及他们的口袋里有 多少钱 。
( 三 ) 犯罪人预测的适用限制 
基于大数据的“ 犯罪人 ”预测也并非一无是处 ,只要转变设计思维便可大放异彩。笔者 认为 “ 犯罪人 ”预测适用范围宜限定为被宣告犯罪 ,受到 刑罚处罚的犯罪分子。
关于服刑人员 再犯罪风险 的评估, 我国已有学者提出了较为完整的再犯罪预测的流程及预测模型。笔者认为 ,我们的设计思维应该从犯罪人预测转移到 改善犯罪 人境遇 、 减少 犯罪上 。从这个 层面来说,“ 犯罪人预测 ” 改成 “ 犯罪人关注和 改善 ” 比较妥当 。比如 , 大数据平台分析得出的结论是失业与盗窃犯再犯率呈现相关性, 那我们就应当加强罪犯的教育和职业技术培训 ,帮助他们顺利回归社会。
同时,笔者同意在某些特定犯罪领域适用犯罪人预测 , 比如 社会危害极大 、 再犯风险 极高的恐怖主义犯罪 。就具体适用而言; 一 是建立完善的 恐怖分子信息库;二是建立恐怖分子 再犯风险 评估体系;三是对刑满释放恐怖 分子进行后续跟踪追评 》对恐怖分子进行社会危险性评估亦被我国法律所认可。
三 、 大数据时代下犯罪预测的审慎
如天体运动方面,以拉普拉斯为代表的预测学派达到了相当精确地程度 ,他们 可以准确地 预测出某个时间太阳系中各个行星的位置 ,甚至可以预测 1000年之后的日食或月食。社会预测 领域却杂糅着大量不确定因素 ,阎耀军教授将量子论中的测不准概念迁移到社会预测学研究 ,提出测不准的几个因素, 具体包括社会预测客体因应行为 、人类个体的 主观随意性和非理性 、社会预测信息 的不完备性、预测期限内新因素介入 、 社会系统的非线性和随机性 。基于以上考虑 ,我们对大数据 时代下 犯罪 预测应保持审慎态度 。
( 一 ) “ 大 ” 数据完备性存疑 
数据完备性在一定程度上决定着社会预测 的 准确度。数据 的完备不仅包括信息 的完整,更重要的是收集数据的真实可靠性 。在小数据时代 ,采样 分析精确度与采样随机性正相关, 与样本数目的扩大关联性较小。大数据时代下 ,有条件采集所有数据而不必拘泥于采样分析 。但大数据是混杂的 ,有时候为了更大的数据量,了解大致的 发展趋势,人们愿意对精确性做出一定的让步,接受适量错误的存在,虽然存在即合理, 但是这个错误是需 要我们去正视和处理的问题。
首先 ,大数据难以涵盖所有的 “ 黑天鹅事件” , 势必会影响数据全面性 。再者采集数据 的真实可靠性仍需辩证看待 。徐英瑾教授 曾一针见血地指出 , 现代社会诚信缺失 ,网络 “ 水 军 ” 发布 的大量注水数据让某些特 定数 据 的 质量下降 , 即使庞大数量也无法平衡。就犯罪预测而言, 客观存在的犯罪 黑数影响着犯罪数据完备性,虽然在德国 、美国等西方国家通过自我报告 、被害调查等方式可以大 致估算出 犯罪黑数与犯罪明数 的 比 例 ,但是犯罪黑数的成因是多方面的 ,其复杂性决定了估算数据准确 与否无从验证。
( 二 ) 俄狄浦斯效应影响
《 俄狄浦斯王 》是古希腊悲剧大师 索克勒斯所著 ,从这个故事中我们得到 的启 示是 人 的 活动 结 果往往与 预言或者目的背道而驰。哲学家卡尔  波普把这种人们对未来的心理预期会影响未来的变化称为俄狄浦斯效应 。
影片 《 少数派报告 》 中警察约翰利用地心引力做类比 ,来解释对犯罪 的 事前打击并将 这些 “ 犯罪人 ”予以 逮捕或拘留是合乎情理的 。他把一个木球从 桌上滚到桌子的边沿 ,虽然木球被接住了 ,但是这个球在重力的作 用下掉到 地上是必然发生的 ,不能因为外力介入而中止否认木球落地的必然性。同样 ,即将发生的犯罪虽然因警察提前介入打击而停止,但不能否定 该罪行按照预测情形实行的必然性 。
这个类比显然是经不起推敲的 ,我们可以把它看成 “ 类推解释 ” 。因 为 犯罪预测本身可以影响被预测 事件的结果 ,当预测客体感知到预测 者的预测活动后他的因应行为会促使他调整自身 ,使先前的预测 结果 失灵 。即便 预测 客体没有感知 到预测 活动 ,他也会因受到各 种随机波动或介入因 素的影响而改变自身行为。哲学家约翰塞尔在《 心脑与科学 》一书给出了答案,任何人对我们行为的预测 都可以认为是 不成立的 ,这种不成立完全可以被证明 。如果有人预言我要去干这件事 ,我可以恰恰去干别的事情 。这跟冰块从山坡滑下来 ,小球从斜面上滚下来,行星按照自己的轨道行进是不一样的 ,它们没有选择的余地 , 而我们有选择的空间 。
( 三) 黑盒子理论
计算机系统的决策是基于程序明确设定的规则进行计算,是可以被溯源 、被解码和追踪的 。大数据算法往往超出我们的理解范围 ,人们只能输入数据集等待输出结果 。这期 间 机器是怎么识别的 , 连设计者也不能肯定 。这使得大数据有变为 黑盒子的风险 ,不公开 、不透明 、难以解释 。数据所揭示的相关 性, 只 让我们知道是什么 ,而不知道为什么 。因此 ,我们不能完全受其主导支配 , 将大数据结果奉为真理 , 而应当将大数据与小数据相 结合, 将数据分析与人工分析相结合,对得到的结果进行甄别 、筛选和交叉验证, 最终得 到较为 科学的分析结果。
大数据以惊人的力量引发了商业变革、管理变革 、研究方法变革 ,这个 “ 万能”概念似乎能一下解决许多问题。人们纷纷想抓住它作为研究问题、解决问题的法宝。对大数据的盲目迷恋和崇拜是十分危险的 ,对大数据时代下的 犯罪 预测我们应始终坚持理性地思考、保持审慎的态度 。
(0)

相关推荐