Международный опыт применения математико-статистических алгоритмов прогнозирования преступности

Сфера обеспечения безопасности наполняется новыми элементами (например, кибербезопасность, информационная безопасность, безопасность компьютерных сетей и т.д.); расширяется арсенал средств обеспечения безопасности (технологии, а также технические и организационные средства, включая телекоммуникационные каналы для сбора, формирования, обработки, передачи или приёма информации об угрозах безопасности и мерах по её укреплению), которые значительно укрепляются за счёт использования цифровых технологий. В данной работе проводится анализ современных методов и технологий прогнозирования преступности, применяемых в области национальной безопасности. Достижения в сфере науки о данных (Data Science) и работы с большими данными (Big Data) заложили научную основу для развития интеллектуального анализа данных (Intellectual Analysis, Predictive Analysis), на основании которого сформировалось математико-статистическое прогнозирование общественно опасных преступных деяний (антитеррористические алгоритмы, алгоритмы прогнозирования деятельности организованной преступности/банд). Цель статьи заключается в выявлении основных тенденций и потенциальных выгод применения цифровых технологий, а также определение вызовов, стоящих перед государствами при использовании математико-статистических методов прогнозирования преступности. Посредством мета-анализа научных разработок и практического применения алгоритмов прогнозирования преступности в разных странах (США, Китай, Япония, Сингапур, Индия) демонстрируется разнообразие подходов в применении прогностических систем. В первой части статьи представлены методологические и технические аспекты применения алгоритмов. Вторая часть содержит обзор национальных практик использования алгоритмов прогнозирования преступности в Индии, Японии и Сингапуре. Третья и четвёртая части посвящены более детальному рассмотрению стратегий и практик применения алгоритмов в США и Китае соответственно. Выбор стран-кейсов Индии, Японии и Сингапура определяется высокими показателями в различных инновационных и технологических рейтингах стран мира. Китай и США имеют большие технологические экономики, располагающие наиболее развитыми цифровыми технологиями. В результате метаанализа выявлены риски и выгоды применения математико-статистических алгоритмов прогнозирования преступности, в числе которых: «милитаризация» гражданской сферы; игнорирование социальных, культурных и политических аспектов жизни обществ, из-за чего утрачивается точность статистического прогноза; использование исторических данных (зарегистрированные преступления) содержат изначально заложенные расовые, половые, конъектурные предрассудки; существующие подходы не учитывают личностные особенности субъекта, также процессы принятия решения о совершении противоправных действий; отсутствие государственного контроля за соблюдением баланса между использованием алгоритмов и соблюдением прав граждан.

1. Гохман В.В., Третьяченко Д.А. Восемь прорывных технологий и их связь с геопространством // ArcReview 2019. №2 (89). URL: https://www.dataplus.ru/news/arcreview/detail.php?ID=27212& SECTION_ID=1117

2. Ang R.P., Goh D.H. Predicting juvenile offending: A comparison of data mining methods // International Journal of Offender Therapy and Comparative Criminology. 2013. Vol. 57. No. 2. P. 191–207. https:// doi.org/10.1177/0306624X11431132

3. Bansal D., Bhambhu L. Execution of APRIORI Algorithm of Data Mining Directed Towards Tumultuous Crimes Concerning Women // International Journal of Advanced Research in Computer Science and Software Engineering. 2013. No. 3(9). 54 p.

4. Bendler J., Brandt T., Wagner S., Neumann D. Investigating Crime-To-Twitter Relationships in Urban Environments – Facilitating a Virtual Neighborhood Watch // Ecis. 2014. P. 1–16.

5. Besley T., Persson. T. The origins of state capacity: Property rights, taxation, and politics // American Economic Review. 2009. Vol. 99. No. 4. P. 1218–1244 https://doi.org/10.1257/aer.99.4.1218

6. Chu C.M., Ng K., Fong J., Teoh J. Assessing Youth Who Sexually Offended: The Predictive Validity Of The ERASOR, J-SOAP-II, and YLS/CMI // Non-Western Context. Sexual Abuse: Journal of Research and Treatment. 2012. Vol. 24. No. 2. P. 153–174. https://doi.org/10.1177/10790 63211404250

7. Cornish P. Technology, strategy and counterterrorism // International Affairs. 2010. Vol. 86. No. 4. P. 875–888 https://doi.org/10.1111/j.1468-2346.2010.00917.x

8. Ensign D., Friedler S.A., Neville S., Scheidegger C., Venkatasubramanian S. Runaway Feedback Loops in Predictive Policing // eprint arXiv. 2017. P. 1–12. Retrieved from http://arxiv.org/abs/ 1706.09847

9. Gerber M.S. Predicting crime using Twitter and kernel density estimation // Decision Support Systems. 2014. Vol. 61. No. 1. P. 115–125. https://doi.org/10.1016/j.dss.2014.02.003

10. Hecker S., Haklay M., Bowser A., Makuch Z., Vogel J., Bonn A. Citzen Science: Innovation in Open Science, Society and Policy // Citzen Science. London: UCL Press 2018. https://doi.org/10.14324/ 111.9781787352339

11. Hoffman S. Managing the State: Social Credit, Surveillance and the CCP’s Plan for China // AI, China, Russia, and the Global Order: Technological, Political, Global, and Creative. 2018. P. 42–47.

12. Liu J. Modernization and crime patterns in China // Journal of Criminal Justice. 2006. Vol. 34. No. 2. P. 119–130. https://doi.org/10.1016/j.jcrimjus.2006.01.009

13. Lum K., Isaac W. To predict and serve // Significance. 2016. Vol. 13. P. 14–19. https://doi.org/10.1111/ j.1740-9713.2016.00960.x

14. Mande U., Srinivas Y., Murthy J.V.R. An Intelligent Analysis of Crime Data Using Data Mining & Auto Correlation Models // International Journal of Engineering Research and Applications (IJERA). 2012. Vol. 2. No 4. P. 149–153. URL: https://www.ijera.com/papers/Vol2_issue4/ U24149153.pdf

15. Nakaya T., Yano K. Visualising crime clusters in a space-time cube: An exploratory data-analysis approach using space-time kernel density estimation and scan statistics // Transactions in GIS. 2010. Vol. 14. No. 3. P. 223–239. https://doi.org/10.1111/j.1467-9671.2010.01194.x

16. Ngai N.P., Cheung C.K. Predictors of the likelihood of delinquency: A study of marginal youth in Hong Kong, China // Youth and Society. 2005. Vol. 36. No. 4. P. 445–470. https://doi.org/10.1177/ 0044118X04265090

17. Peeters R., Widlak A. The digital cage: Administrative exclusion through information architecture – The case of the Dutch civil registry’s master data management system // Government Information Quarterly. 2018. Vol. 35. No. 2. P. 175–183 https://doi.org/10.1016/j.giq.2018.02.003

18. Peng C., Xueming S., Hongyong Y., Dengsheng L. Assessing temporal and weather influences on property crime in Beijing, China // Crime, Law and Social Change. 2011. Vol. 55. No. 1. P. 1–13. https://doi. org/10.1007/s10611-010-9264-3

19. Roy S., Shah A., Srikrishna B.N., Sundaresan S. Building State capacity for regulation in India // Working paper No. 237. National Institute of Public Finance and Policy New Delhi. In: Regulation in India: Design, Capacity, Performance / ed. by D. Kapur, M. Khosla. Oxford: Hart Publishing, forthcoming 2019.

20. Seo S., Chan H., Brantingham P.J., Leap J., Vayanos P., Tambe M., & Liu Y. Partially Generative Neural Networks for Gang Crime Classification with Partial Information // ACM Conference on Artificial Intelligence, Ethics, and Society. 2018. https://doi.org/10.1145/3278721.3278758

21. Tayal D.K., Jain A., Arora S., Agarwal S., Gupta T., Tyagi N. Crime detection and criminal identification in India using data mining techniques // AI and Society. 2014. Vol. 30. No. 1. P. 117–127. https://doi.org/10.1007/s00146-014-0539-6