基于犯罪預(yù)測模型的疫情期間犯罪演變特征研究

鄭滋椀, 陳 鵬, 顧海碩, 劉 璐, 董齊芬

(1.浙江警察學(xué)院大數(shù)據(jù)與網(wǎng)絡(luò)安全研究院, 浙江杭州 310053;2.基于大數(shù)據(jù)架構(gòu)的公安信息化應(yīng)用公安部重點實驗室, 浙江杭州 310053;3.中國人民公安大學(xué)信息網(wǎng)絡(luò)安全學(xué)院, 北京 102600;4.復(fù)旦大學(xué)法學(xué)院, 上海 200433)

0 引言

近年來,新冠肺炎疫情對各國人民的生命健康安全造成了嚴(yán)重的威脅,并且徹底改變了人們的生活、工作方式,對社會、經(jīng)濟、政治、文化產(chǎn)生了巨大的影響[1-2]。 疫情在重塑社會形態(tài)的同時,也改變了犯罪者、受害者的行為模式以及犯罪產(chǎn)生的微觀、宏觀環(huán)境,對社會治安形勢造成了影響。 在重大疫情背景下,公安機關(guān)需要深入、全面評估重大疫情對社會治安形勢的影響,掌握犯罪的演變趨勢、過程和規(guī)律特征,從而為及時、科學(xué)調(diào)整治安防控策略、提高警務(wù)運行效能提供宏觀支撐。 因此,本文以某市為例,通過構(gòu)建時間序列犯罪預(yù)測模型,重點深入分析疫情對各類犯罪的影響,為治安防控策略制定提供決策支持。

疫情發(fā)生以來,許多學(xué)者已經(jīng)對全世界不同國家不同城市的不同類型犯罪演變趨勢和過程進行了深入的犯罪分析。 Nivette 等[3]通過對全世界23 個國家的27 個城市的入室盜竊、偷竊、汽車盜竊、搶劫、故意傷害等犯罪進行研究,發(fā)現(xiàn)這些犯罪在疫情發(fā)生后呈現(xiàn)顯著下降趨勢,但是不同城市不同類型犯罪具有一定的差異,并且居家隔離防控措施與犯罪下降存在一定的相關(guān)性。 Abrams[4]匯集了來自美國25 個大城市的數(shù)據(jù),發(fā)現(xiàn)毒品犯罪、盜竊、入室盜竊和大多數(shù)暴力犯罪的數(shù)量和其逮捕人數(shù)均迅速下降,其中匹茲堡、紐約、舊金山、費城、華盛頓特區(qū)和芝加哥等城市的總體犯罪率均至少下降了35%。這些研究表明疫情及其防控措施對犯罪具有顯著的抑制作用,即在疫情期間部分犯罪類型的演變趨勢呈現(xiàn)顯著的下降趨勢。

除了抑制作用,相關(guān)研究發(fā)現(xiàn)在疫情影響下部分犯罪類型,如網(wǎng)絡(luò)犯罪、殺人、親密伴侶暴力等嚴(yán)重犯罪,要么保持不變,要么有所增加[5],特別是與新冠肺炎相關(guān)的網(wǎng)絡(luò)犯罪活動急劇增加[6]。 如,Buil[7]分析了疫情封鎖措施對英國網(wǎng)絡(luò)犯罪和在線欺詐的短期影響,發(fā)現(xiàn)網(wǎng)絡(luò)犯罪有所增加,而且在實施最嚴(yán)格的兩個月內(nèi),發(fā)案數(shù)量非常大,特別是與在線購物和拍賣相關(guān)的欺詐以及針對社交媒體、電子郵件的黑客攻擊增幅最大。 Rashid[8]發(fā)現(xiàn)在疫情期間孟加拉共和國達卡的非法毒品交易大幅上升,比預(yù)期的犯罪數(shù)量高出75%。 Piquero 等[9]通過分析美國德克薩斯州達拉斯的家庭暴力數(shù)據(jù),發(fā)現(xiàn)在采取封鎖防控措施之后的2 周時間內(nèi)家庭暴力出現(xiàn)短期上升。 Abrams[4]發(fā)現(xiàn)美國25 個大城市中大多數(shù)城市的兇殺案和槍擊案沒有減少,并且非住宅盜竊和汽車盜竊案有所增加。 瑞典在采取疫情防控措施期間襲擊、扒竊和入室盜竊顯著下降,搶劫和毒品犯罪數(shù)量沒有明顯變化,故意破壞行為有所增加,大多數(shù)犯罪類型的減少幅度在5% ～20%之間,其中扒竊案降幅最大,與預(yù)期水平相比下降了59%[10]。因此,可以發(fā)現(xiàn)疫情對不同類型犯罪具有不同的影響,并且對不同區(qū)域的同類犯罪也可能具有不同的影響。

在國內(nèi),靳高風(fēng)等[11-12]從全國層面研究、總結(jié)了2020 ～2021 年在疫情影響下犯罪趨勢變化,發(fā)現(xiàn)疫情蔓延期間犯罪數(shù)量大幅減少,但是與疫情防控相關(guān)的犯罪行為有所增加,但隨著全國疫情防控的常態(tài)化,2021 年中國犯罪數(shù)量將趨于增長,網(wǎng)絡(luò)犯罪成為主要犯罪類型,詐騙犯罪數(shù)量可能會超過盜竊犯罪。 在市級層面,陳強勝[13]展現(xiàn)了疫情防控背景下廣州市犯罪形勢變化,發(fā)現(xiàn)犯罪總量呈下降趨勢,電信網(wǎng)絡(luò)詐騙等新型犯罪持續(xù)高發(fā)。 因此,可以初步發(fā)現(xiàn)雖然我國疫情發(fā)展與疫情防控策略與國外存在比較大的差異,但在犯罪演變趨勢方面依然存在著相似的規(guī)律特征。

犯罪演變趨勢受一系列社會、經(jīng)濟、文化、科技、政策等因素的影響,具有自身一定的規(guī)律特征。 預(yù)測犯罪趨勢已經(jīng)成為犯罪預(yù)測的重要內(nèi)容[14]。 劉美霖等[15]構(gòu)建了基于神經(jīng)網(wǎng)絡(luò)和時空自相關(guān)移動平均模型(STARMA)的時空序列混合犯罪預(yù)測模型,從而根據(jù)歷史犯罪數(shù)據(jù)預(yù)測未來發(fā)生犯罪的數(shù)量變化。 侯苗苗等[16]則構(gòu)建了SARIMA 時間序列犯罪預(yù)測模型,為犯罪打擊提供宏觀決策支持。 在針對具體案件類型上,屈茂輝等[17]建立了ARIMA時間序列預(yù)測模型,對我國財產(chǎn)犯罪人數(shù)預(yù)測研究起到良好借鑒作用。 陳鵬等[18]通過應(yīng)用ARIMA 模型和指數(shù)平滑模型對110 警情數(shù)據(jù)進行預(yù)測研究,發(fā)現(xiàn)ARIMA 模型在犯罪活動的短期預(yù)測分析方面明顯優(yōu)于指數(shù)平滑模型。 但是,單一模型的預(yù)測精度有限,對基層警務(wù)部門工作的指導(dǎo)意義不明顯?；诖?李衛(wèi)紅等[19]提出了改進的GA-BP 神經(jīng)網(wǎng)絡(luò)模型,利用某市2007 ～2012 年的財產(chǎn)犯罪時空數(shù)據(jù)驗證了該模型的可靠性。 涂小萌等[20]針對犯罪時間序列預(yù)測提出了ARIMA-LSSVM 混合模型,有效實現(xiàn)了對于犯罪數(shù)據(jù)的精準(zhǔn)預(yù)測。 因此,可以發(fā)現(xiàn)目前關(guān)于犯罪預(yù)測的研究中,已有不少學(xué)者應(yīng)用不同的模型和數(shù)理統(tǒng)計方法進行犯罪預(yù)測。

1 研究區(qū)域與數(shù)據(jù)

1.1 研究區(qū)域

研究區(qū)域為某地級市。 該市處于華東地區(qū)、長江三角洲地帶,下轄7 個縣(市、區(qū)),陸地面積約3 900 平方公里。 根據(jù)第七次人口普查數(shù)據(jù),截至2020 年11 月,常住人口約為540 萬,與2010 年第六次全國人口普查的450 萬人口相比,10 年共增加了90 萬人口,增長19.98%。 生產(chǎn)總值由2010 年的2 296 億增長至2020 年的5 509 億,10 年共增加3 213 億,增長140%。 該市近10 年來經(jīng)濟、社會穩(wěn)步發(fā)展,人均GDP 和收入不斷增長,同時人口數(shù)量呈現(xiàn)穩(wěn)步增長趨勢。

1.2 研究數(shù)據(jù)

由于研究區(qū)域犯罪類型眾多,按小類分一共有400 多類,并且不同類型的犯罪具有不同的發(fā)生數(shù)量、危害程度、影響范圍、形成機理,因此重點選取部分發(fā)生數(shù)量多、社會影響廣、危害程度高、人民群眾特別關(guān)心的犯罪類型作為研究對象。 為了全面、系統(tǒng)研究、評估疫情對社會治安形勢的影響,通過對相似犯罪類型進行梳理、歸納、合并,按照犯罪大類重新組合形成了10 種犯罪類型作為研究對象,具體包括盜竊、故意殺人、搶奪搶劫、故意傷害、詐騙、強奸猥褻、涉交通犯罪、涉毒犯罪、涉賭犯罪和涉黃犯罪。犯罪時間范圍為2016 年1 月至2021 年9 月,共69個月。 盜竊、詐騙等10 類犯罪一共337 460 起,每類犯罪涵蓋的具體犯罪行為及其占比如表1 所示。

表1 犯罪類型及描述性統(tǒng)計

2 犯罪預(yù)測模型構(gòu)建

為了更加準(zhǔn)確地預(yù)測犯罪演變趨勢,研究構(gòu)建了綜合多種時間序列預(yù)測模型的犯罪預(yù)測模型,以2016 年1 月至2020 年1 月(共49 個月)數(shù)據(jù)為訓(xùn)練集進行模型擬合,從而對2020 年2 月至2021 年9月(共20 個月)的疫情期間犯罪演變過程進行預(yù)測。 該預(yù)測模型綜合了4 種模型,分別是Prophet 模型(季節(jié)性預(yù)測和非季節(jié)性預(yù)測兩種)、基于最小二乘法的線性回歸模型、基于最小二乘法的二次線性回歸模型。 最后,通過訓(xùn)練過程中各模型的誤差,綜合4 種模型進行加權(quán)求和,得到加權(quán)求和后的預(yù)測趨勢。

其中,Prophet 是Facebook 于2017 年提出的模型[21],該算法綜合了時間序列分解和機器學(xué)習(xí)擬合,可以近乎自動地預(yù)測時間序列的走勢。 Prophet是一種加性模型,由趨勢項、周期項、節(jié)假日項以及殘差項組成:

其中,g(t)為趨勢項,即時序的非周期變化趨勢;s(t)為周期項,即時序的周期變化規(guī)律;h(t)為節(jié)假日項,綜合考慮節(jié)假日效應(yīng)對時序預(yù)測的影響;εt為殘差項。 Prophet 的趨勢項g(t)有兩種表達方式,一種是基于分段線性函數(shù),一種是基于邏輯回歸函數(shù),本文選用基于分段線性函數(shù)的方式:

其中k的初始化為k～Normal(0,v2),v為節(jié)假日的優(yōu)先級(默認(rèn)為10),當(dāng)v的值越大表示對模型的影響越大。

線性回歸模型的表達式為:

其中,errori為擬合階段模型i的誤差,權(quán)值wi即模型歸一化之后的權(quán)重。 預(yù)測時將權(quán)重wi與各模型的預(yù)測值相乘并對結(jié)果求和,即加權(quán)求和模型的預(yù)測值。

本文使用開源的Kats 庫實現(xiàn)上述算法,調(diào)用其model 模塊中的linear _model、quadratic _model、prophet,并使用WeightedAvgEnsemble 類進行綜合預(yù)測,該類將輸出各模型的預(yù)測結(jié)果并自動計算賦權(quán)后的綜合預(yù)測結(jié)果。

3 犯罪演變過程與特征

3.1 犯罪演變過程

根據(jù)犯罪預(yù)測模型,計算得到各類犯罪2020 年2 月至2021 年9 月的犯罪預(yù)測值,如圖1 灰色曲線所示。 灰色曲線代表了犯罪預(yù)測趨勢,表示在沒有疫情影響下,2020 年2 月至2021 年9 月各類犯罪可能的演變趨勢和過程。 圖1 每個子圖代表一類犯罪,縱坐標(biāo)表示犯罪數(shù)量,橫坐標(biāo)表示月份(如“1”為2016 年1 月,“49”為2020 年1 月)。 黑色曲線表示2016 年1 月至2021 年9 月犯罪實際值。 由于故意殺人犯罪每月在5 起之內(nèi)并且很多月份為0,因此不對故意殺人犯罪進行預(yù)測。

從圖1 可知,不同類型的犯罪具有不同的實際趨勢與預(yù)測趨勢。 其中,詐騙犯罪在疫情爆發(fā)前呈現(xiàn)不斷上漲趨勢,疫情發(fā)生后預(yù)測趨勢也是不斷上漲,但是疫情期間實際詐騙犯罪趨勢則是在灰色線下面,并且呈現(xiàn)不斷波動下降趨勢,犯罪預(yù)測值與實際值之間的距離越來越大。 這表明疫情防控與詐騙犯罪具有顯著的負(fù)相關(guān),并且逐漸加強。

圖1 犯罪實際趨勢與預(yù)測趨勢

與詐騙犯罪相同,涉交通犯罪疫情前犯罪趨勢和疫情后預(yù)測趨勢也是呈現(xiàn)不斷上漲趨勢,但是不同的是在疫情發(fā)生后涉交通犯罪突然大幅下降,由2021 年1 月的168 起下降至2 月的25 起,然后波動上升,逐漸慢慢靠近預(yù)測的犯罪趨勢。 可以說,疫情爆發(fā)初期疫情防控對涉交通犯罪具有顯著的影響,但隨著時間推移,影響效果越來越弱。

強奸猥褻犯罪在疫情爆發(fā)前呈現(xiàn)有規(guī)律的波動,每年出現(xiàn)一個高峰。 犯罪預(yù)測趨勢也是呈現(xiàn)相同的規(guī)律特征。 實際犯罪趨勢都在預(yù)測趨勢下面,并且2020 年實際犯罪趨勢沒有出現(xiàn)高峰,一直處在低位。 但是,2021 年實際犯罪趨勢跟疫情前趨勢一樣出現(xiàn)高峰,表明強奸猥褻犯罪逐漸恢復(fù)到疫情前的犯罪水平。

涉賭犯罪疫情爆發(fā)前趨勢呈現(xiàn)不規(guī)律波動,但整體上具有上升的趨勢。 在疫情發(fā)生后,涉賭犯罪并沒有像詐騙、強奸猥褻犯罪一樣馬上出現(xiàn)下降,并且雖然相對于2019 年,涉賭犯罪2020 年總數(shù)量下降了,但規(guī)律性不明顯,有些月份犯罪數(shù)量大于預(yù)測值。

盜竊犯罪預(yù)測趨勢基本在3 000 ～4 000 起之間波動,與疫情爆發(fā)前盜竊犯罪趨勢的波動基本相同。在疫情發(fā)生后,盜竊犯罪實際趨勢呈現(xiàn)突然下降趨勢,然后維持在一定的犯罪水平波動,表明疫情對此類犯罪具有顯著的并且持續(xù)的影響。

故意傷害與盜竊犯罪相似,其預(yù)測趨勢基本維持在300 起左右。 在疫情發(fā)生后,故意傷害犯罪也迅速減少,然后與涉交通犯罪相似,波動上升,逐漸慢慢靠近預(yù)測的犯罪趨勢。 黑色線與灰色線的距離沒有明顯減小,表明犯罪趨勢反彈程度并沒有涉交通犯罪那么強,其整體犯罪趨勢并沒有回到疫情前。

涉毒犯罪在疫情發(fā)生前圍繞每月200 起左右波動,整體上呈現(xiàn)一定程度的下降趨勢。 因此,灰色曲線表示的預(yù)測趨勢也呈現(xiàn)不斷下降的趨勢。 在疫情發(fā)生后,涉毒犯罪呈現(xiàn)下降趨勢,然后維持在一定的水平波動,并且與犯罪預(yù)測趨勢逐漸重合,表明疫情對其影響越來越小,是疫情之外的因素導(dǎo)致涉毒犯罪在低水平波動。

在疫情發(fā)生后的幾個月內(nèi),涉黃犯罪實際趨勢在預(yù)測趨勢下面,表明疫情對涉黃犯罪在疫情初期的幾個月內(nèi)有顯著的影響。 但是,隨后其快速反彈,并且犯罪實際值基本高于犯罪預(yù)測值,表明疫情對涉黃犯罪已經(jīng)沒有顯著的影響。

搶奪搶劫犯罪在整體上呈現(xiàn)不斷的下降趨勢。 實際犯罪趨勢基本都在預(yù)測犯罪趨勢之下,表明疫情一定程度加速了搶奪搶劫犯罪的下降。疫情期間,搶奪搶劫犯罪數(shù)量與故意殺人犯罪數(shù)量基本相同,每月犯罪數(shù)據(jù)在5 起之內(nèi)并且很多月份為0 起。

3.2 犯罪演變特征

通過比較犯罪實際趨勢和預(yù)測的疫情期間犯罪趨勢,可以發(fā)現(xiàn)在疫情前后,不同類型犯罪具有不同的演變趨勢和過程。 根據(jù)圖1 中各類犯罪的演變過程,在時間維度上,可以把犯罪演變的過程分為3 個階段:疫情爆發(fā)前、疫情爆發(fā)初期和常態(tài)化疫情防控期。 各類犯罪在疫情前、疫情初期、常態(tài)化防控期等不同時間階段在犯罪趨勢上具有一定的變化特征,形成了各階段不同的犯罪趨勢,如圖2 所示。

圖2 重大疫情影響下犯罪演變過程與特征

(1)疫情爆發(fā)前期。 各類犯罪具有自身內(nèi)在的演變趨勢,既存在上升趨勢,如,詐騙、強奸猥褻、涉交通犯罪、涉賭犯罪等;也存在下降趨勢,如,搶奪搶劫;又存在波動趨勢,如,涉黃犯罪。 其中,最顯著的變化是盜竊、搶奪搶劫犯罪呈現(xiàn)斷崖式下降。 這是因為近十年來視頻監(jiān)控系統(tǒng)的大范圍安裝與應(yīng)用,導(dǎo)致盜竊、搶奪搶劫案件破案率大幅上升,增加了犯罪成本,使犯罪發(fā)生轉(zhuǎn)移。 另外,就是詐騙犯罪呈現(xiàn)爆發(fā)性增長,這是因為近年來移動互聯(lián)網(wǎng)、互聯(lián)網(wǎng)金融的快速發(fā)展,為通信網(wǎng)絡(luò)詐騙創(chuàng)造了新的犯罪機會。 疫情前各類犯罪趨勢變化是一系列社會、經(jīng)濟、文化、科技、政策、警務(wù)等因素綜合作用的結(jié)果。

(2)疫情爆發(fā)初期。 在疫情爆發(fā)后,疫情及其防控措施成為了影響各類犯罪趨勢變化的最重要因素。 疫情因素疊加其他因素共同決定了各類犯罪的演變趨勢。 通過比較疫情期間各類犯罪實際值和預(yù)測值,可以發(fā)現(xiàn)除了涉賭犯罪,其余犯罪類型在疫情爆發(fā)后幾個月的實際趨勢都在預(yù)測曲線下面,表明疫情對這些類型犯罪產(chǎn)生了顯著的影響,這些犯罪類型呈現(xiàn)不同程度的下降趨勢。 同時,雖然呈現(xiàn)下降趨勢,但各類犯罪的下降幅度是不一樣的,即各類犯罪的占比有不同的變化趨勢,表明疫情對不同類型的犯罪具有不同程度的影響。 如,詐騙、涉交通犯罪、涉賭犯罪、涉黃犯罪的降幅比較小,而占比是增加的,這表明相對其他犯罪類型,它們降幅更低,疫情對其影響程度更小;而盜竊、搶奪搶劫、涉毒犯罪的降幅比較大,相對其他犯罪類型的占比是下降的,表明疫情對它們的影響程度更大。

(3)常態(tài)化疫情防控期。 隨著疫情逐漸穩(wěn)定以及人們慢慢適應(yīng)疫情防控,整個社會進入了常態(tài)化的疫情防控階段,社會經(jīng)濟、生活、工作逐漸恢復(fù)到疫情前水平。 相關(guān)研究表明,隨著疫情防控措施的常態(tài)化,犯罪率慢慢上升到疫情之前的水平[22]。 在本研究中,隨著疫情防控逐漸常態(tài)化,在疫情爆發(fā)初期呈現(xiàn)下降趨勢之后,各類犯罪呈現(xiàn)出了繼續(xù)下降、反彈或維持波動等3 種趨勢。 如,強奸猥褻、故意傷害、涉交通、涉黃等犯罪呈現(xiàn)出反彈趨勢,尤其涉交通犯罪幾乎反彈到預(yù)測趨勢附近,表明隨著疫情防控常態(tài)化,其犯罪抑制作用逐漸減弱,甚至消失。 詐騙、涉賭、搶奪搶劫、涉毒等犯罪依然呈現(xiàn)繼續(xù)下降趨勢,表明常態(tài)化疫情防控對這些犯罪依然具有一定程度的抑制作用,可能從根本上改變了這些犯罪產(chǎn)生的機會。 盜竊犯罪則基本維持不變,表明盜竊與疫情防控達到了一種平衡。

4 結(jié)語

犯罪演變過程與特征是經(jīng)濟、社會、政策、突發(fā)事件等一系列因素綜合作用的結(jié)果。 疫情及防控措施是在疫情背景下影響犯罪的重要因素之一。 本文以某市為例,全面梳理各類違法犯罪行為,通過構(gòu)建犯罪預(yù)測模型,深入研究各類犯罪在疫情影響下的演變過程與特征,從而全面評估疫情影響下的社會治安形勢變化。 相關(guān)研究對我國政府、公安機關(guān)在重大公共衛(wèi)生突發(fā)事件下開展犯罪分析,找出犯罪規(guī)律特征,科學(xué)制定犯罪防控策略具有一定的理論價值和實踐意義。