去年，加州圣克鲁斯市的罪犯偷窃了160辆汽车，并实施了495起入室盗窃。对于一个拥有6万人口的城市来说，这大约是平均水平。其警察部队面临的挑战也是如此。自2001年以来，圣克鲁斯警察局（SCPD）在104名警官中裁掉了10名，尽管该市人口增长了5500人。该部门现在必须“少花钱多办事”，这几乎是美国所有警察部队的故事。但今年夏天，圣克鲁斯警察局打击犯罪的方式发生了变化。他们开始了一项为期六个月的实验，使用大量数据和一个复杂的算法来预测未来犯罪最有可能发生的时间和地点——以及如何提前部署警官来阻止它们。
这种方法被称为预测性警务，圣克鲁斯的实验代表了数据驱动的犯罪打击模式的飞跃。这种模式始于20世纪90年代的CompStat，该模式使用地图和统计数据来追踪犯罪。数据收集技术得到了改进，处理能力有所提高，警察部队也完善了其方法。在芝加哥，警官们与伊利诺伊理工学院的计算机科学家合作开发一种犯罪打击算法。在孟菲斯，一个名为Blue CRUSH（利用统计历史减少犯罪）的项目依赖于IBM创建的分析软件。在弗吉尼亚州里士满，警方通过采用沃尔玛和亚马逊用来预测人们购买习惯的消费者研究技术，已经成功降低了犯罪率。类似的技巧可以用来预测罪犯何时何地会采取行动。
圣克鲁斯的实验有所不同。30岁的数学家乔治·莫勒（George Mohler）基于地震学家预测地震及其余震的算法来设计实验的算法。该算法针对的是财产犯罪，包括入室盗窃、汽车盗窃和车辆盗窃，这些犯罪在圣克鲁斯今年上半年上升了25%。莫勒发现，这类犯罪往往会聚集并扩散，这与大地震后的余震相似。圣克鲁斯实验的范围很广。整个部门都在使用该软件。整个城镇都成为了其数据集。由于圣克鲁斯在统计学上非常平均，其实验结果几乎可以应用于任何地方。该项目于7月1日上线。一周后，我抵达这里，了解这个海滨小镇的警察部队是如何改变21世纪打击犯罪的方式的。
“原始警务”的日子已经一去不复返了，那时警局还能“向街上撒警力，希望运气好”。警车缓慢地转入林登街。周四中午刚过，我正乘坐副警长史蒂夫·克拉克（Steve Clark）的车，他正负责推广圣克鲁斯的预测警务项目。克拉克今年47岁，留着灰白的短发，说话带着悠闲的冲浪者口音。他在这里长大，在圣克鲁斯当了25年警察。
近一周以来，圣克鲁斯的60名巡逻警官一直依靠乔治·莫勒的软件指引他们前往“热点区域”，即发生入室盗窃和车辆盗窃风险最高的地区。该部门将城市分为五个区域，每个区域至少有一辆巡逻车执勤。在实验之前，警官们会自行决定在没有接到报警时将时间和精力集中在哪里。现在，他们将专注于巡逻热点区域，在每小时内对某个特定街区进行两到三次巡逻。警官们在每次换班前的点名会上领取他们的热点地图。克拉克告诉我，目标是“更聪明地进行基础警务工作”。“原始警务”的日子已经一去不复返了，那时警局还能“向街上撒警力，希望运气好”。
我手中拿着一叠纸，10张城市地图，每张地图上都标有一个不同的红色方框，代表今天的10个热点区域。它们出人意料地小，只有500英尺乘500英尺。每张地图上方都有一组统计数据：今天在该区域发生犯罪的概率，最有可能发生潜在犯罪的两个小时时段，以及犯罪是入室盗窃还是车辆盗窃的可能性（克拉克称之为“盗窃案”）。我翻阅这叠地图，找到了林登街，统计数据显示，今天在这里发生犯罪的概率为2.06%，发生犯罪的情况下，入室盗窃与车辆盗窃的概率为3:1。“这些是高概率时段，”克拉克指着地图上方的两个时间点说，分别是早上7点和中午。
我们经过一位女士，她牵着一对毛茸茸的马尔济斯犬。在一次停车时，两位退休老人，都戴着宽边帽，在午后的阳光下，他们探身透过警车摇下的车窗打招呼。大多数入室盗窃案都发生在白天，人们上班的时候，但我以为热点区域会在糟糕的社区里或附近。克拉克说，这是他很多警官白天通常不会经过的区域。“现在我开车沿着街道走，我在想，好的，我们来到了一个发生住宅入室盗窃可能性很高的区域。我看着前门。我看着前院。我留意着是否有关上的纱窗。这告诉我也许有人在里面。”
在下一个街区，我们经过一个坐在车里吃着像快餐汉堡的男人。警车驶过时，他稍微缩进了座位里。“我们要绕回去看看‘汉堡侠’先生，”克拉克说。“通常你吃芝士汉堡，你会带进屋里在厨房吃，对吧？也许他正在拜访某人。也许他在等候作业。谁知道呢？但当你谈论概率时，就有可能那个家伙不属于这个社区。”
乔治·莫勒坐在圣克拉拉大学地下室办公室的电脑前。他穿着及膝短裤和一件带有婴儿蓝印花的纽扣衬衫，看起来不像教授，更像学生（或者独立摇滚歌手，他确实是一名——他在一个名为The Idyllists的乐队里弹贝斯）。莫勒调出了圣克鲁斯的犯罪统计数据。一串坐标，即单个犯罪的确切位置，从Excel电子表格的左侧一直延伸下来。每个坐标后面都有日期、时间和代码来标识事件——1表示入室盗窃，0表示车辆盗窃。总共有4300起犯罪，可追溯到2006年。
在过去十年中，财产犯罪下降了29%，暴力犯罪下降了39%。两者目前的水平都自1973年（全国系统性数据收集开始）以来最低。许多因素——人口老龄化、毒品泛滥的结束、监禁率的提高——都在下降中发挥了作用。但大多数犯罪学家将很大一部分功劳归于比较统计学的应用，这是纽约市前警察局长威廉·布拉顿（William Bratton）率先提出的。在布拉顿称之为CompStat的方法中，警察部门收集近期犯罪数据，进行地图标注，并根据这些地图进行巡逻。
“预测犯罪与预测天气无异。除了你无法改变天气。”莫勒受地震学启发的算法有所不同。在他的公式中，两起犯罪之间距离和时间也是一个数据点，因此它评估了主要“震动”的风险以及与第一次事件相关的“余震”的风险。“如果你有5000个事件，我们的模型实际上考虑的是大约5000个事件：5000乘以4999乘以4998，依此类推，”莫勒说。正是这个庞大的次级数据集有助于识别高概率区域，即“后续犯罪”最有可能发生的地方。在搬到圣克拉拉之前，莫勒通过在洛杉矶圣费尔南多谷的犯罪数据模拟运行，证明了他的算法可以奏效。莫勒和他在加州大学洛杉矶分校的同事发现，他们的地图成功预测的犯罪比CompStat使用的地图多20%到95%。
莫勒承认，地震类比并不直观。“一个是物理过程，一个是社会学过程，”他说。“它们在驱动因素上没有关系。但这些模型是灵活的，它们描述了广泛的传染性过程。”流行病学家使用地震学模型来预测疾病的传播，而这些模型在金融界也越来越普遍。“企业违约是会传染的，”莫勒说。“一个事件会引发一系列进一步的事件。基本上，任何时候一个事件增加了更多事件的可能性，都可以使用这类模型。”
算法是一系列逐步进行的计算，用于处理和分析大量数据。莫勒的算法利用圣克鲁斯过去入室盗窃的基本数据，尽管其他预测犯罪的算法可能会纳入星期几、节假日或天气。莫勒的算法很可能不会仅限于入室盗窃，但它是最适合的事件类型。“我们从最容易建模的东西开始，”他说。“这是最容易实现的目标。”
正如地震学家无法预测具体的地震一样，算法也无法阻止具体的入室盗窃。“你不能说‘这栋房子将于何时何地发生犯罪’，然后派警察去抓人，”莫勒说。“它使巡逻更有效率。你有一个整座城市需要覆盖，而犯罪在空间和时间上并非均匀分布。预测犯罪与预测天气无异。只是天气你无能为力。”
预测性警务通过零售业进入执法领域。2004年，沃尔玛分析了十年的销售点数据。该公司研究人员发现，除了其他事物之外，在飓风来临前，其顾客会囤积电池、瓶装水和手电筒。这并不意外。但同样的分析也揭示了一些不太明显的东西。“在恶劣天气来临前，草莓味波特煎饼的销量会飙升，”科琳·麦考伊（Colleen McCue）说，她是一名心理学家，2009年与洛杉矶警察局长查理·贝克（Charlie Beck）在执法杂志《警官》上合写了一篇题为《预测性警务：从沃尔玛和亚马逊那里我们能学到什么来应对经济衰退中的犯罪？》的文章。
麦考伊说，罪犯只是另一种消费者。大多数财产盗窃是机会犯罪，许多是由毒资需求驱动的。“如果毒品价格上涨，你就会看到更多的财产犯罪，”她说。“但我们在执法部门也有一些草莓味波特煎饼。”麦考伊在弗吉尼亚州里士满警察局担任了八年的犯罪分析师，是首批部署预测性警务技术的人之一。2003年，她分析了伊莎贝尔飓风过后的几周数据，发现在恶劣天气过后，随机枪击事件（里士满警方称之为“无差别射击”）的投诉有所增加。“没人真正知道为什么会发生，”她说。但知道它会发生，并能够确定风险最高的区域，该部门就可以做好准备。里士满警察局部署了警官到麦考伊确定的目标区域，随机枪击事件下降了47%。
在零售业，预测趋势的能力可以带来销售。在执法部门，它可以省钱。“对于每一起被阻止的犯罪，你都不必逮捕任何人，”麦考伊说，她负责的里士满定向举措意味着该部门可以在一个新年夜少部署50名警官，节省15,000美元的人员成本。“你不需要花费时间来处理和登记罪犯。你也不需要花费时间在审判前拘留他们，或者动用司法资源来审判他们，或者动用惩教资源来监禁他们。”
麦考伊说，零售商也花很多时间考虑空间。“你如何引导人们在商店里移动？你如何摆放货架上的商品？我们也在做类似的事情。我们正在问，坏人是如何在社区中移动的？我们如何部署我们的警务资源来不利于犯罪？”她说，有一天，警察将像Netflix或Amazon预测客户会喜欢什么电影或书籍一样，熟练地预测银行抢劫犯接下来会抢劫哪个分支。数据分析不仅包括特定消费者或罪犯的过去行为（“喜欢”），例如他们购买的书籍或入室盗窃的汽车，还包括其他类似购买者或坏人表现出的偏好。“仅凭知道存在某种关系，沃尔玛就可以确保他们的货架上有足够的波特煎饼来满足需求，”麦考伊说。一家大型商店不需要理解为什么人们会在风开始呼啸时渴望烤面包机零食，就像警察不需要理解为什么罪犯会开枪或偷车一样。他们只需要知道地点和时间。
在我们离开林登街之前，克拉克在他的车载电脑上记录了我们的巡逻。每一次签到都意味着更多的数据，在为期六个月的试用期后，记录的签到将帮助莫勒确定该项目有多有效。克拉克查询了“汉堡侠”的车牌，但没有任何结果。然后，他查看了热点地图，我们朝着一个本周以来都被标记为重点的立体停车场开去。“你可以看到类似这样的地方有多大的潜在汽车盗窃风险，”克拉克在我们蜿蜒驶向开放的楼顶时说。“你被孤立了。有很多出口。你带着背包上来，砸碎车窗，抢走钱包，然后离开。”
对预测性警务最常见的批评之一是，它不会告诉警察任何他们不知道的事情。克拉克说，在圣克鲁斯，一些警官周日至周三工作，而另一些警官则实行周三至周六的排班。白天有三个班次，警官们每四个月轮换一次班次。警官们不一定会与不在同一班次工作的同事交流，这可能导致部门集体知识出现断层。不可避免地，一些警员是新来的，对这个地区不熟悉，或者仅仅是不够警惕。对于退休警官的职业知识，并没有一个好的系统（或者根本没有系统）来记录。尽管他们的经验可能非常宝贵，但即使是最好的警官也无法像计算机那样处理信息。“人脑一次只能权衡三到四个变量，”洛杉矶警察局的一位警长肖恩·马林诺夫斯基（Sean Malinowski）说，他计划推出自己的预测性警务项目。而人类是有感情的，我们的感知很容易受到影响，计算机则是公正的。克拉克注意到他地图上的12点和14点。“这些高概率的时间窗口，通常不会被注意到，”他说。
下午过去了，晚班开始巡逻。无线电里的报警电话越来越多：我们响应了关于被盗汽车、公共卫生间袭击以及一名身穿粉色T恤、脚穿Hello Kitty人字拖的八岁女孩在海滩失踪（她很快就被找到了）的报告。我目睹的唯一一次逮捕是一名瘦骨嶙峋、身上有针孔的妇女，她因抢劫钱包而被捕。被抢的包属于一名大学生，他住在离海滨长廊几个街区的一家破旧的彼得潘汽车旅馆里。当警察登记抢劫犯时，我站在那里和孩子们聊天，他们是来自美国南部的基督徒，他们整个夏天都在加州海岸兜售软冰淇淋和T恤，传播福音。我试图解释我自己的使命：地图、统计数据、在犯罪发生前就将其阻止的努力。“听起来像《少数派报告》，”其中一个孩子说。
2010年10月，一名持九毫米手枪的男子在五角大楼、海军陆战队征兵站和海军陆战队博物馆开枪（事件发生在深夜，无人受伤）。麦考伊与国土安全部合作起草了一份“狙击手偏好模型”，可以预测枪手下一步会攻击哪里。枪手专注于军事目标，这使得这项任务具有非同寻常的紧迫性。“我们在周五晚上让一位高级政府官员离开了健身房，”麦考伊说。“他为我们提供了数据，我们在周末创建了模型。”
在他们的模型中，麦考伊的团队依赖于两种类型的数据：先前的枪击事件，以及每个目标周围区域的地理空间信息，包括道路、地形甚至每个社区的社会经济状况。“你去哪里，你去常去的地方——这充分说明了你，”麦考伊说。仔细查看过去目标特征，可以让犯罪分析师识别可能面临风险的新区域，这在工作的被动性方面是一项关键技能。“犯罪和恐怖主义几乎就像是地毯下的一个气泡，”她说。“发生了坏事，你投入了很多资源，然后它就转移了。”目标是赶在转移之前。
麦考伊的软件和莫勒的软件一样，生成了未来袭击风险最高的区域地图。在麦考伊将地图发送给地方、州和联邦执法机构三天后，枪手再次袭击，向弗吉尼亚州伍德布里奇一家办公楼里的海岸警卫队征兵站开枪。尽管地点似乎与以前不同，但那栋办公楼位于麦考伊的高风险目标区域之一。北弗吉尼亚到处都是军事目标，但麦考伊的模型捕捉到了伍德布里奇办公楼后面的密林以及通往附近高速公路的便利通道。在海岸警卫队枪击事件后，枪手销声匿迹。直到六月中旬，他才再次出现，当时他在阿灵顿公墓被捕，就在五角大楼外面。“他在模型确定的最高风险区域之一被抓获，”麦考伊说。
了解罪犯想要什么，与了解零售店顾客想要什么没什么两样。了解一名连环狙击手想要什么，与了解一杯拿铁的消费者想要什么没什么两样。“当你选择咖啡店时，你可能不知道为什么，”麦考伊说。但星巴克知道。你想要好的停车位、方便的公共交通或步行即可到达。星巴克研究该地区的人口统计数据，以确保路过的人能够负担得起5美元的特色饮品，就像麦考伊在狙击手追捕中融入地理空间数据一样。如今，国防部也使用类似的方法来预测战区简易爆炸装置（IED）袭击的最高风险区域。“如果我要放置一个IED，我需要确保人们会经过那个区域，”麦考伊说。“我需要了解目标人群的日常活动。数学非常相似。”
克拉克说，当预测性警务于7月首次引入圣克鲁斯时，他的一些警官认为这听起来像是“巫术”。依靠数学来打击财产犯罪与许多警官对犯罪行为的看法背道而驰。“我认为有些人认为这是对其技能的侮辱。其他人则担心这会增加额外的工作，”克拉克说。但在一个小时的时段内，在500乘500英尺的热点区域内巡逻要求不高。这正是重点。在警务方面，小规模、有针对性的努力可以带来巨大的改变。在20世纪80年代末和90年代初，纽约市交通局专注于清除每辆地铁车上的涂鸦，并严厉打击逃票者。到1996年，地铁系统中的重罪减少了50%。到今年年底，洛杉矶警察局希望开始测试莫勒的算法。洛杉矶警察局的警长马林诺夫斯基说：“我们可能会在全市范围内进行几项实验，一些针对暴力犯罪，一些针对财产犯罪。”
与圣克鲁斯不同，洛杉矶的实验将像临床试验一样进行，设置对照区域，在这些区域对犯罪进行预测和追踪，但不会引入预测性警务方法。马林诺夫斯基说，他的部门正在密切关注圣克鲁斯的实验。结果虽然为时过早，但并非结论性的，但还是很有希望的。到7月底，财产犯罪比去年同期下降了27%，这是一个令人印象深刻的降幅，尤其是考虑到今年上半年财产犯罪上升了25%。更重要的是，有七名罪犯在热点区域被发现。
7月的一个下午，在立体停车场，两名女子在被发现在窥探汽车后被拘留。其中一人因持有冰毒而遭到通缉；另一人则携带毒品。8月下旬，在离林登街几个街区的地方，警官因可疑行为拦下了一名男子。搜查他时，他们发现了几天前附近发生的一起入室盗窃案的赃物。“这个人实际上戴着一件属于那起盗窃案受害者的戒指，”克拉克说。“而他却在我们划定的区域里闲逛。”
