内容提要：预测性警务是欧盟公共安全治理转型中最值得关注的趋势。基于大数据的预测性警务的兴起，意味着刑事执法正在经历从因果关系走向相关性，从合理怀疑走向概率怀疑，从针对性监控走向大规模监控，从事后回应走向主动威慑的转变。本文探讨预测性警务技术对欧盟数据保护法律框架带来的挑战，对完善解决方案提出了初步建议。文章认为，欧盟数据保护法律框架对受预测性警务技术影响的人员提供的保护存在不确定性，欧洲法院的判例可能难以应对预测性警务技术带来的挑战。因此，需要强调目的限制原则，加强技术的透明度，通过认证和追踪提高数据的准确性，以弥补数据保护法律框架的不足。

   关键词：预测性警务；欧盟；数据保护；公共安全；犯罪预防

   作者简介：魏怡然，中南财经政法大学教师、中南财经政法大学法治发展与司法改革研究中心青年专家

   基金项目：本文受中南财经政法大学中央高校基本科研业务费专项资金资助（项目编号：2722019JCG090)。

   人工智能、大数据和机器学习技术的迅速发展及其在刑事执法领域的应用正在改变警察活动的固有模式。在内外安全危机的催化下，欧洲公共安全治理近年来向预防与控制倾斜，警察部门正转向以情报为主导的警务工作，结合数据驱动的决策来预防和调查犯罪。这种趋势意味着相关隐私和数据保护领域正在发生变化。本文首先分析欧洲警务的预测性转向和特征，然后分别探讨欧盟数据保护立法和欧洲法院判例法在面对基于大数据和机器学习技术的预测性警务时面临的挑战。鉴于欧盟现行数据保护框架和法院判例在保护受预测性警务影响的数据权利时存在不确定性，文章对完善解决方案提出了初步建议。

    一 预测性警务的概念、发展和影响

   近年来，欧洲的政治口号正在从“一个自由的欧洲”转向“一个有安全保障的欧洲”。建立安全联盟、打击恐怖主义和极端主义、打击有组织犯罪和非法移民等问题成为欧盟和欧洲各国的核心政治议题。在此情况下，欧盟将信息技术视为实现公共安全的关键。一方面，信息技术扩大了犯罪和恐怖主义的威胁性；另一方面，信息技术也为欧盟和成员国改善安全治理提供了重要的工具，使执法机关得以通过数据追踪甚至预测犯罪。通过监控，收集、分析、整合大量数据，对犯罪做出预判的预测性警务是当前欧洲警察部队的执法趋势之一，而该技术的适用和发展正在使欧洲执法当局的行动向先发制人的方向转变。

    (一) 预测性警务的概念

    预测性警务并没有统一的定义。威廉.布拉顿(William Bratton)等人将预测性警务界定为开发和使用信息与高级分析为前瞻性的犯罪预防提供信息的警务策略。可以将其理解为一种前瞻性思维，其设计逻辑可以追溯到19世纪边沁提出的“道德计算”。虽然是新兴技术，但预测性警务并不是一个全新的概念，而是大数据和人工智能技术革新带来的执法能力上质的转变。就目前的发展形势而言，预测性警务的作用是提供有关犯罪活动的地点和人员的补充资料，发现在执法和调查过程中可能遗漏的联系和模式。虽然其日益受到重视，但尚未取代现有的警务技术和战略。

   (二) 预测性警务在欧洲的应用和发展

    在欧盟层面，预测性警务技术的使用还处于起步阶段。但其预防功能在反恐中可能实现的价值受到许多欧盟机构的重视。欧盟反恐协调员和欧盟执法合作局(EUROPOL)就十分积极地推广预测性警务，期望这类技术能够对宣传极端主义思想的在线内容进行跟踪、收集、筛选和分析，在反恐和打击极端化方面发挥重要作用。

    在欧盟成员国层面，预测性警务深受欢迎。瑞士、德国和英国等国家都开始使用预测性警务工具。一方面，欧洲各国的警察部队纷纷从科技公司购买相关分析系统。例如，丹麦从美国大数据挖掘公司帕兰提尔科技(Palantir Technologies)购买了能够结合不同来源的信息进行识别和分析的POLINTEL平台；随后修改了有关个人数据保护的国内立法，为顺利使用预测性警务技术奠定了良好的基础。另一方面，欧洲各国的警察部队也自己投资、试验、开发或合作开发预测警务系统。荷兰阿姆斯特丹警察局(APD)就创建了刑事预判系统(Criminal Anticipation System，CAS)并在全国范围内推广。从功能上来看，这些预测性技术可以分为三类。

    (1) 预测映射

    预测映射的运行分为三个步骤：识别过去犯罪数据中的模式和相关性，预测可能发生犯罪事件的时间和地点，并将资源部署到可能发生犯罪事件的地区。其代表性技术是私人公司开发设计的“PredPol”，这也是现在全球范围内应用最广的预测性警务技术，已经在美国广泛适用。英国肯特的警察部队在2018年3月之前也使用了该技术。“PredPol”一般使用犯罪类型、地点和时间数据，其特点是通过历史犯罪数据来预测可能发生犯罪的时间和地点。

    (2) 预测评估

    预测评估是预测个人犯罪的可能性或可能出现的受害者，又被称为个体风险评估。这种技术的运行也分为三个步骤：通过网络分析探究过去犯罪活动的社交网络，使用机器学习和算法来识别可能的肇事者或受害者，再由执法机构采取探访、告知等事前干预措施。这类技术代表了预测性警务发展的第二个阶段，即从预测范围转向预测个人。其代表性技术是英国达勒姆警察部队和剑桥大学共同研发的系统危害评估风险工具(The Harm Assessment  Risk Tool，HART)。该系统是英国警察部队部署的首批预测算法模型之一，是通过机器学习进行危害评估的风险工具，根据犯罪历史、年龄和邮编等信息，预测被逮捕的个人再次犯罪的可能性。有数据显示，危害评估风险工具在评估中的预测准确率达到了62.9％。现阶段，这类技术在具体功能和精准度方面还有待完善。

    (3) 预测动机

    上述两种是学界和业界都广泛认可的预测性警务技术类型，其共同特点是使用犯罪数据，预测以前出现过的地区或是个人犯罪的情况。笔者认为，还有一类预测性警务技术可以称之为预测动机。这类技术已在实践中开始产生重要影响，代表了预测性警务新的发展趋势，典型的例子就是欧盟的乘客姓名记录系统(PNR System)。该系统的有效性建立在对航空乘客全面监控的基础之上。自2018年《乘客姓名记录指令》生效以来，在欧盟成员国起飞和降落的航班都要向目的地国家的主管当局通知每名乘客的详细信息，包括姓名、行程、如何购买机票、支付信息、预订代码和座位等。这些事无巨细的信息可以用来描述乘客的个性、生活细节、习惯和社会关系，通过全面细致地了解个人情况来分析该乘客与犯罪集团或恐怖组织是否存在联系。据此，警察部队可对有关人员进行特别检查、询问或逮捕，从而预防恐怖袭击或是避免严重犯罪的发生。在内部的乘客姓名记录系统之外，欧盟早前就与澳大利亚、加拿大和美国签订了乘客姓名记录协定，所有从欧盟前往这些国家的个人都要接受类似的检查。欧盟还有意向将这种仅限于航空乘客的预测性警务模式延展至海运和铁路运输，进一步扩大这类预测动机系统的应用范围。

    之所以将乘客姓名记录系统归类为“预测动机”，主要是因为较之前两种预测性警务技术，它在逻辑和数据使用上都更进一步，意味着预测性分析的目标正在扩大，内容更加细致深入。前两种预测性警务技术的逻辑是通过研究过去的犯罪模式、地点、时间和趋势，在统计的基础上预测未来可能发生的犯罪活动信息。乘客姓名记录系统特点之一是将从私营航空公司获取的数据包括在内，通过异构数据库的连接大幅度扩大了可用数据的范围，不限于警方原本的数据库，就范围而言更类似于大规模监控；特点之二是预测的目的是找出以前未被执法当局发现的、可能具有危险性的人物，不是监控已知个人而是发现新的可疑对象，亦不是分析行为而是分析动机。笔者认为，异构数据库的整合及对没有记录的个人进行动机分析与行为预测，带来的影响是执法监控范围的大规模扩大和刑事执法对预测性警务依赖性的大幅度增加，意味着警务模式本质上正在转变。这种预测是在根据刑法不能对可疑人员采取任何行动的情况下，以避免安全风险为理由，通过监控和算法识别个人来采取预防性措施。基于风险的侵入性措施，在没有法律要求的切实证据的情况下，用于控制没有犯罪行为的人，其预测动机的逻辑存在一定的道德和法律风险。

    (三) 预测性警务对刑事执法的影响

    预测性警务技术能够收集、分析大量数据，识别犯罪模式和预测风险。它有助于合理分配警力，节约成本，提高警察识别可疑人员的能力。该技术的适用正在改变刑事执法的结构和运行。

    (1) 从因果关系到相关性
    传统的警察执法行为中也包括预测，但主要是根据掌握的信息按照因果关系进行分析。预测性警务技术的不同之处是从数据中挖掘可疑信息，这意味着该技术是基于相关性在运行。虽然算法分析有助于发现人工排查遗漏的信息和提高效率，但这种方法的一个关键问题在于，使用预测性警务的目标是发现因果关系，但相关性本身并不能说明因果关系。因此，预测性警务算法得出的结论可能会较为草率。

    (2) 从合理怀疑到概率怀疑

    预测性警务技术的开发和逐渐广泛的适用，在技术层面上是因为大数据和机器学习，包括人工智能技术不断发展的必然结果；从实践层面上来看，则与自“9.11事件”以来世界各国对安全问题的高度关注密切相关。“9.11事件”后出现了先发制人这种完全不同的权力运行逻辑，各国希望能够对威胁采取提前行动。但在现实中，先发制人的逻辑针对的威胁很有可能尚未形成，具有不确定性，难以在现有信息基础上进行合理的逻辑推理和预判。在此情况下，预测性警务理论提供了一种看似科学的方法。这种方法假设可以从数据的模式中得出某些可靠的相关性，识别、锁定和跟踪那些极有可能犯下某些罪行的人，因此可以减少政治影响和主观判断，提供更理性、公正、可靠和合法的决策方式，增加先发制人的可能性。但是，大数据并不一定是对线下现实的准确表达，而是由其创建、收集、存储和解释的方式塑造的；算法并不总是科学的，其中也可能存在错误和偏见。概率怀疑不能完全确保其真实性和准确性，也难以保证在此基础上采取警务行动的合法性和合理性。

    (3) 从针对性监控到普遍监控
    一方面，为边境控制、移民和安全等不同目的而建立的不同执法数据库之间的相互操作性逐渐增强，这是欧盟当前安全战略的一个重要组成部分。另一方面，监控越来越关注于收集日常生活中产生的个人数据。这体现了从针对性监控向大规模监控发展的趋势。大规模监控提供的海量数据能够为预测性警务所用，通过包含尽可能多的信息的大型数据库产生有用和可靠的关联，以最终查明嫌疑犯和预防犯罪。然而，正如上文所言，这些技术本身也存在不确定性和缺陷，大规模监控的做法对公民的基本权利和整个社会构成许多风险。在不久的将来，随着无人机、人脸识别和具有预测能力的人工智能技术的进一步发展，监控可能会变得更具侵略性。在这种情况下，执法的重点会进一步向预防倾斜，重点从对具体犯罪行为做出反应转移到阻止那些被认为是具有危险性的人。

    (4) 从事后回应到事前控制

    传统上，刑事执法活动大多是被动的，执法部门在犯罪发生后进行调查。但是随着预测性警务技术的适用，刑事犯罪调查的目的和范围正在发生重大变化，更倾向于将数据分析用于预测目的，而不是回应或是解释目的，对某人是否会犯下刑事罪行的预测将越来越成为警方关注的对象。传统上，按照刑法的规定，是否受到刑事调查或逮捕都与实际行为有关。但随着执法重点从“犯罪后”转变为“犯罪前”，可能重要的不是触犯刑法的实际行为，而是警察参考预测性警务技术的分析后做出的判断。技术介入下执法模式的改变，可能会产生连锁效应，改变执法机构工作的重点和执法过程中的权利义务关系，甚至会挑战刑法中既有的规定和原则。