Международный опыт применения математико-статистических алгоритмов прогнозирования преступности

Исследование совокупного трафика твитов по сопоставлению с типологией преступлений [Bendler et al 2014] указывает, что, например, убийства демонстрируют специфические шаблоны твитов Шаблон -- определённая структура твит-сообщения. до того, как преступление было совершено. Анализ таких специфических шаблонов может повысить точность объяснения преступной деятельности в городских районах. В работе с данными Twitter предложен эмпирический подход для анализа взаимосвязи между интерактивным социальным взаимодействием пользователей и преступными инцидентами. Результаты исследования установили корреляцию данных, собранных и проанализированных из Twitter, с зафиксированными преступлениями, по факторам времени и местоположения в районах Сан-Франциско. Первичная модель предсказания преступлений, построенная на данных о часовом поле и местоположении, при добавлении данных

Twitter в алгоритм повысила точность прогнозирования. Таким образом, Twitter как дополнительный инструмент анализа общественной деятельности в городской местности оказался ценным дополнением для объяснения и прогнозирования преступных инцидентов.

Похожие результаты повышения точности прогнозирования при помощи анализа данных из Twitter продемонстрированы в исследовании, посвящённом использованию твитов с пространственно-временными метками для прогнозирования преступности [Gerber 2014]. Используя лингвистический анализ и статистическое моделирование для автоматического определения темы обсуждения в одном из крупных городов США, удалось повысить эффективность прогноза в среднем на 10%. Полученные массивы данных твитов добавили в модель прогнозирования преступности (стандартная модель, рассмотренная выше, основанная на оценке плотности ядра геотипология преступности), и в результате для 19 из 25 типов преступлений продемонстрировано повышение пика качества прогноза.

Потенциально развитие и реализация качественных предсказательных моделей преступности могут улучшить распределение всегда ограниченных правоохранительных ресурсов (полицейское патрулирование, временные затраты офицеров), что приведёт к сокращению затраченных усилий и уменьшению времени реагирования на преступления. Однако, несмотря на большое количество реализуемых алгоритмов на территории США, некоторые эксперты утверждают, что алгоритм не должен полагаться только на статистические методы, а комбинировать их с другими подходами. В пример приводится «Стратегия сокращения насилия в Чикаго» Официальный сайт программы, Национальная программа безопасного общества. URL: https:// nnscommunities.org/impact/city/chicago программа, идентифицирующая людей, которые рискуют стать либо преступниками, либо жертвами преступлений, а затем получает доступ к оказанным социальным услугам. Другим примером может служить инициатива полицейского департамента Пенсильвании: по мере запуска CrimeScan полицейский департамент стремится наладить отношения с сообществами с высоким уровнем преступности и обеспечить, чтобы большие данные использовались для решения проблем, а не просто для того, чтобы сменить фокус деятельности полиции.

Стратегия борьбы с преступностью в КНР состоит из четырёх элементов, которые, в свою очередь, основаны на анализе временных факторов событий совершения преступлений [Wang, Zhao 2016]. Первый элемент -- работа в местных сообществах для мобилизации ресурсов в области предупреждения противоправной деятельности и формирования партнёрства между полицией и обществом. Вторым элементом выступает сбор информации от граждан и об их непосредственном окружении с последующим построением прогнозов о возможных противоправных действиях в отдельных микрорайонах (использование методов превентивной (упреждающей) полицейской деятельности). Такие сведения фиксируются в электронной системе, которая выявляет вероятностные характеристики совершения преступления и сигнализирует (устанавливаются «красные флажки») о потенциальной возможности возникновения в определённом районе того или иного преступного деяния. Правоохранительные органы КНР исходят из того, что некоторые виды преступлений (например, кража со взломом) могут быть предсказаны на основе информации о составе населения и прошлых событиях.

Третья составляющая -- вмешательство полиции, обеспечивающее предотвращение наступления последствий путём своевременного реагирования с использованием всех ресурсов (законодательных, технических, физического присутствия) непосредственно во время преступления. Таким образом, правоохранительные органы осуществляют контроль за текущими событиями и активными действиями стремятся нарушить цикл криминальной активности (в отношении длящихся или структурно сложных преступлений полиция реагирует на этапе подготовки преступления). Четвёртый элемент -- максимально активное, оперативное и своевременное полицейское реагирование после факта совершения преступления с целью скорейшего разрешения ситуации. Основная цель данного элемента стратегии состоит в повышении «цены» совершения преступления, направленного на недопущение совершения противоправных деяний в будущем. Иными словами, преступному сообществу транслируется сигнал, что полицейские департаменты не допустят не только факты совершения противоправных деяний, но и минимизируют их последствия (а также максимизируют цену совершения преступления для нарушителя).

Реализация такой стратегии требует формирования и поддержания единой базы данных -- Интегрированной платформы совместных операций (Integrated Joint Operations Platform Ma A. China uses an intrusive surveillance app to track its Muslim minority, with technology that could be exported to the rest of the world. Here's how it works. Business Insider. 11.05.2019. URL: https://www.businessinsider.com/how-ijop-works-china-surveillance-app-for-muslim-uighurs-2019-5). Платформа объединяет разнообразную информацию и данные о гражданах, включая финансово-банковские записи лиц, юридическое прошлое, полицейские отчёты, геолокацию, факты перемещения транспортных средств, данные контрольно-пропускных пунктов, а также данные с различных технических устройств, в том числе с камер видеонаблюдения с функцией распознавания лиц.

Технологии распознавания лиц используются в Китае в сочетании с алгоритмами искусственного интеллекта с целью уведомления полиции о потенциальных преступниках на основе различных моделей поведения. Например, исходя из анализа перемещений конкретного лица, штабквартира Cloud Walk5 в Гуанчжоу формирует отчёты о потенциальном риске совершения лицом противоправного деяния. Данная технология устанавливается на ключевых объектах критической инфраструктуры и отслеживает людей «с высоким уровнем риска» для оперативного предоставления информации полиции Burt C. Universal Beijing to use facial recognition throughout theme park as CloudWalk VP urges privacy balance. 20.11.2019. URL: https://www.biometricupdate.com/201911/universal-beijing-to-usefacial-recognition-throughout-theme-park-as-cloudwalk-vp-urges-privacy-balance Официальный сайт: http://www.cloudwalk.cn.

Китайская компания UniView Huang E. What do China's police collect on citizens in order to predict crime? Everything. Quartz.

20.11.2017. URL: https://qz.com/1133504/to-predict-crime-chinas-tracking-medical-histories-cafevisits-supermarket-membership-human-rights-watch-warns/ отслеживает людей, которые часто путешествуют в «чувствительные» страны (страны, с которыми у Китая напряжённые отношения), такие как Мьянма и Вьетнам, и автоматически маркируют их. UniView утверждает, что может помечать подозрительных субъектов с помощью поведенческого анализа и предупреждать полицию, если на камере наблюдения появился человек, находящийся в «чёрном списке».

Китайские власти стремятся использовать прогностические и оценочные алгоритмы по отслеживанию поведения граждан во многих регионах страны. В столице Чжэнчжоу провинции Хэнань активно применяются технологии распознавания лиц, в Циндао благодаря алгоритмам, анализирующим всё видео с камер наблюдения в городе в реальном времени, обеспечивается безопасность массовых мероприятий (отчёты свидетельствуют как о пресечении массовых беспорядков, так и об успешном задержании лиц, находящихся в розыске) Mozur P. Inside China's Dystopian Dreams: A.I., Shame and Lots of Cameras. The New York Times.

08.07.2018. URL: https://www.nytimes.com/2018/07/08/business/china-surveillance-technology.html. Более того, результативность мониторинга населения в районах с особым режимом легли в основу разработки и применения масштабного социального рейтинга на территории всей страны [Hoffman 2018]. Система социального рейтинга (Social Credit System) является масштабной инфраструктурой, включающей в себя множество доступных цифровых технологий, начиная от сбора и анализа данных городской инфраструктуры и заканчивая «чувствительными» персональными данными каждого лица Botsman R. Big data meets Big Brother as China moves to rate its citizens. The Wired. 21.10.2017. URL: https://www.wired.co.uk/article/chinese-government-social-credit-score-privacy-invasion. В данной статье мы не будем останавливаться на данной системе (и по причине недостатка достоверных данных, и по причине объёма, сложности самой системы, а также масштаба политических и правовых проблем её применения), лишь обратим внимание на развитие концепции отслеживания и мониторинга населения при помощи цифровых технологий для обеспечения безопасности государства и граждан.

Учитывая специфику политического устройства Китая, представляется сложным систематически проанализировать деятельность правоохранительных органов в сфере профилактики преступности в связи с недостатком открытых и достоверных сведений. На этом фоне отчёт международной неправительственной организации Human Rights Watch China: Big Data Fuels Crackdown in Minority Region. Human Rights Watch. 26.02.2018. URL: https://www.hrw.org/news/2018/02/26/china-big-data-fuels-crackdown-minority-region выглядит самым масштабным исследованием «прогностической политики» правительства Китая на примере округа Кашгар в Синьцзян-Уйгурском автономном районе КНР. Безусловно, опираться только на данные организации, которая систематически критикует Пекин, недостаточно, поэтому в рамках нашего исследования демонстрируется и общий стратегический подход китайских властей (как указано выше на примере национальной стратегии), так и конкретная информация по отдельным нюансам реализации прогностических алгоритмов (данные о компаниях-разработчиках алгоритмов; национальная платформа Cloud Police; изменения в ряде нормативно-правовых актов по вопросам оперирования данными). Таким образом, анализ примера Китая подкреплён не только информацией в СМИ, но и официальными источниками и данными исследований.

Вся информация в Синьцзян-Уйгурском автономном районе анализируется Интегрированной платформой совместных операций. Объём обрабатываемой информации платформой необычайно велик: (1) данные с камер видеонаблюдения с распознаванием лиц и инфракрасными датчиками; (2) данные уникальных идентификационных адресов компьютеров, смартфонов и других сетевых устройств; (3) информация об идентификационных номерах граждан и о данных транспортных средств; (4) данные из систем «управления посетителями» в различных социальных группах-сообществах; (5) информация о зарегистрированных правах собственности; (6) данные организаций здравоохранения и планирования семьи; (7) финансово-банковские данные и юридические документы; (8) информация от должностных лиц о любой необычной деятельности; (9) массовый сбор ДНК и биометрии у лиц в возрасте от 12 до 65 лет в определённых регионах (в отчёте указывается Синьцзянь).

Уведомления о закупках для Интегрированной платформы совместных операций показывают, что она тесно связана (в рамках соглашений о поставках и закупках) с компанией «Синьцзян-Лянхай Цанчжи» Информация о регистрационных данных компании URL: https://www.emis.com/php/company-

profNe/CN/Xinjiang_Uanhai_ChuangzhNnformation_Technology_Co_Ltd en_5358422.html. Эта фирма является дочерней компанией China Electronics Technology Group Corporation (CETC Официальный сайт компании URL: http://en.cetc.com.cn), крупного государственного подрядчика в Китае. На пресс-конференции в марте 2016 г. представители этой компании объявили о получении правительственного контракта на создание единой базы данных по всей стране, которая будет сопоставлять повседневное поведение граждан и фиксировать «необычные действия» для прогнозирования терроризма. Учитывая, что в Китае реализуется национальная программа цифровой системы идентификационных карточек гражданина (ключ доступа ко многим государственным и частным услугам, а также является идентификатором для обширных баз данных личной информации), формируется единая по стране правительственная система цифрового профиля гражданина с возможностями предиктивного анализа криминальной ситуации.

Для работы с большими объёмами данных в сфере общественной безопасности создаётся система «Полицейское облако» (Police Cloud Human Rights Watch, ноябрь 2017 г.: https://www.hrw.org/news/2017/11/19/china-pohce-bigdata-systems-violate-privacy-target-dissent). Эта система опирается на технологии больших данных (Big Data) для функционирования умного города (Smart City) [Yang 2019]. Она основана на алгоритме выявления отношений между событиями и людьми (их реакциями и поведением), «скрытых» от полиции, анализирует и информирует полицию о деятельности, которая может показаться необычной (потенциально противоправной). Огромные массивы информации «Полицейского облака» (согласно отчёту о городе Вэйхай в провинции Шаньдун, интегрируются 63 типа полицейских данных, 115 видов социальных данных, в том числе IP-адреса от телекоммуникационных компаний и учётные данные социальных сетей, а также 43 типа данных государственных ведомств и отраслей) в конечном итоге поступают в качестве кратких сведений на устройства сотрудников полиции с информацией о местоположении подозрительного субъекта и возможном правонарушении с целью превентивного предотвращения преступления.

Подобные технические и цифровые проекты реализуются параллельно с реформированием законодательства Китая. В последние годы власти издали ряд директив и нормативно-правовых актов в сферах сбора, интеграции, хранения и обмена данными для «улучшения социальной стабильности», включая: (1) создание единой системы интеллектуальных персональных данных с 2016 по 2020; (2) принятие принципов «Укрепления сбора базовой информации о полицейской деятельности» (2015) Уведомление о расширении использования больших данных и облачных вычислений в работе полиции. URL: http://www.xinhuanet.com//politics/2015-06/02/c_1115490346.htm; Уведомление об укреплении строительства систем социального обеспечения и контроля (2015) Использование технологических средств, облачных вычислений и больших данных для обеспечения социальной стабильности. URL: https://baike.baidu.com/item/^^in3S?±^7n^]^fв^

Жйійід. При этом в Китае отсутствует нормативно-правовая база о защите персональных данных, конфиденциальности и частной информации. Мало сведений о том, как и насколько безопасно хранятся данные, собранные для указанных систем, кто может получать или передавать их, при каких обстоятельствах они удаляются. Более того, отсутствует правовой способ узнать, какая информация содержится о гражданах в указанных системах, и, соответственно, нет способа защищать права и свободы, связанные с частными/персональными сведениями. Впрочем, нет и достоверных свидетельств об утечках данных такого рода.

Власти Китая целенаправленно поддерживают научно-исследовательские разработки в области цифровых технологий. Например, в июле 2017 г. был создан Национальный исследовательский институт в Урумчи с целью улучшения технического и аналитического оснащения региональных властей. Основной научной деятельностью называется изучение и обнаружение «скрытых инцидентов в области социального обеспечения». Осуществляемые в Китае исследования преступности посредством математико-статистического моделирования (создания алгоритмов прогнозирования) находят свое отражение в англоязычных публикациях в высокорейтинговых журналах.

В частности, исследование влияния временных и погодных факторов на имущественные преступления [Peng et al. 2011] выявило системную взаимосвязь влияния сезонных факторов на изменение динамики криминальной активности; было предложено создавать индексы сезонности преступности. Полученные результаты указывают, что значительное влияние на уровень грабежей оказывают временные переменные, но не погодные, в то время как на возникновение краж со взломом влияют не только временные переменные, но также продолжительность светового дня. Такие выводы используются как дополнительные переменные (информация о погодных условиях, учёт временных данных) для увеличения качества алгоритмического прогнозирования преступности.

Другое исследование содержит сравнение факторов имущественных преступлений (преступлений против собственности) и насильственных преступлений [Liu 2006]. Указывается, что имущественные преступления в течение последних двух с половиной десятилетий (во время интенсивной экономической модернизации Китая) увеличивались быстрее, чем насильственные преступления. Выявленные изменения динамики совершения преступлений стали основой для выделения статистически значимых предикторов для алгоритмов прогнозирования преступности.

Исследование специалистов Китайского университета в Гонконге установило, что теории когнитивного развития, социального контроля и социального обучения имеют статистическую значимость для прогнозирования вероятности преступного поведения среди маргинальной молодёжи [Ngai et al, 2005]. Значительное влияние на формирование преступного поведения оказывают следующие факторы: социальные проблемы, привязанность к труду, моральные убеждения и одобрение проступка индивида его друзьями. Менее значимы чувство разочарования и осознанное социальное неравенство. Данное исследование послужило основой для формирования «карты факторов» данных из социальных сетей, которые используются для прогностического анализа противоправных деяний.

Представленные примеры свидетельствуют, что правительство КНР не только на декларативном уровне заявляет о внедрении различных цифровых технологий, в том числе продвинутых алгоритмических систем, для обеспечения безопасности, но и активно тестирует их в разных регионах страны. Более того, стремление государства обеспечить максимальный контроль и безопасность проявляется и на политическом, и на юридическом, и на техническом уровнях с масштабной модернизацией инфраструктуры для сбора данных и научно-исследовательскими разработками.

* * *

Стремительное развитие цифровых технологий, достижения науки о данных, увеличение вычислительных мощностей, равно как и увеличение количества информации и данных, модернизация правоохранительных органов, качественные изменения их кадрового состава и наличие запроса на трансформацию сферы обеспечения безопасности создали область математико-статистических моделей алгоритмического прогнозирования преступности и обеспечили их внедрение на практике.

Геоинформационные системы (ГИС) получили активное применение и развитие не только на уровне «картографии», хотя цифровые карты используются повсеместно, но и в области прогнозирования преступности. Экспоненциальный рост количества методов сбора данных, объёма генерируемых и собираемых данных привёл к большему количеству усовершенствований как самих ГИС, так и производных продуктов в сфере определения местоположения. Пространственный анализ используется в отслеживании и прогнозировании за счёт широкого спектра геолокационных возможностей. Социальные сети и повседневные мобильные приложения превращаются в платформы, предлагая ещё больше данных, что создало условия для улучшения алгоритмов прогнозирования преступности.

Представленный обзор позволяет сформулировать ряд выгод для общества и государства от реализации алгоритмического подхода. Во-первых, совершенствование алгоритмических моделей позволяет установить каузальную связь между явлениями, выступающими в качестве факторов возникновения криминогенных ситуаций, и непосредственно криминогенными ситуациями. Во-вторых, преступность и определяющие её факторы рассматриваются как взаимодействующие системы, в связи с чем возможен системный подход к борьбе с преступностью в больших и сложных сообществах. В-третьих, выявление и эмпирическая валидизация факторов позволяет вводить новые характеристики при создании алгоритмов (например, коэффициент сезонности, коэффициент преступной активности/интенсивности преступности). Указанное, в свою очередь, позволяет проверять практическую результативность прогностических алгоритмов при их реальной апробации, а также своевременно корректировать данные алгоритмы. В-четвёртых, геопространственные маркеры («горячие точки») позволяют решать проблемы пространственно-временного распределения преступности (девиантности и делинквентности) и улучшать на этой основе региональное и городское планирование, а также корректировать стратегии полицейской деятельности (разумно распределять ресурсы полиции для предотвращения и своевременного пресечения преступности). Выделение демографических характеристик позволяет получать более качественные прогностические данные по возможным преступлениям с учетом конкретизации жертв и/или субъектов противоправного деяния.

Математико-статистические модели (алгоритмы) могут оказывать позитивное влияние на деятельность правоохранительных органов, сокращая ресурсные затраты, улучшая логистику, тактику и стратегию полицейской деятельности. Применение алгоритмов усиливает єЄ доказательную базу (Evidence Based Approach), снижает риски (как физические, так и ресурсные) и может быть использовано для расширения профилактики правонарушений.

Наряду с выгодами возникают и риски, в том числе (1) риски злоупотреблений, систематических ошибок в работе с данными (включая угрозу персональным данным), а также предвзятость алгоритмов;

алгоритмы могут утрачивать точность статистического расчета, так как основываются исключительно на геопространственном анализе и демографическом составе населения в отрыве от социальных, политических и культурных компонентов;

инструменты, построенные исключительно на данных полицейских департаментов за предшествующие периоды, прогнозируют не вероятность совершения преступлений, а результативность работы полиции. Иными словами, если массивы данных, на которых строится анализ, учитывают исключительно зарегистрированные полицией преступления, то результаты такого анализа охватывают лишь те преступления, которые потенциально может зарегистрировать полиция; (4) существующие техники и методики прогнозирования преступности обходят стороной личностные особенности субъекта и индивидуальные факторы преступной модели личности, а также анализ преступного поведения субъекта через призму принятия решения о совершении противоправного деяния.

Риски имеют два базовых источника. Первый связан с технологиями в основе применяемых алгоритмов. В частности, методологической ошибкой выступает применение специфических данных, то есть набора сведений, хранящихся в полиции, для которых характерны систематические искажения. Программное обеспечение по прогнозированию преступности предназначено для изучения и воспроизведения закономерностей, найденных в данных. Если в модели загружаются предвзятые данные, они воспроизводят и усиливают те же самые предубеждения. С целью повышения точности результатов целесообразно расширять источники получения данных. Полиция традиционно использует интеллектуальные и субъективные оценки для выявления и мониторинга лиц с высоким риском преступного поведения, тогда как актуальные оценки риска являются относительно стандартной практикой в других частях правоохранительной и судебной системы, например в исправительных учреждениях, судебных инстанциях и службах исполнения наказания. Кроме того, необходимо эмпирически проверить возможности выделения факторов (предикторов) субъективных предпосылок преступного поведения, учитывая достижения психологии преступного поведения. Современные научные исследования указывают, что для точности и соизмеримости с реальными показателями преступности алгоритмы должны быть гибкими в настройках. Соответственно, расширение факторов (предикторов) посредством учета субъективных (индивидуализированных) показателей субъекта-преступника, а также показателей компонентов личностного принятия решения о совершении преступления, во-первых, персонифицирует субъектный состав прогнозов, во-вторых, повысит их точность. Показательно, что последние исследования в значительной мере рассматривают возможности включения маркеров преступного поведения в математико-статистические модели. При должном уровне экспериментального подтверждения включение индексов субъективных характеристик преступников может значительно улучшить прогностические модели.

Второй источник рисков имеет отнюдь не технический характер. Речь идет о разработке этико-ценностных рамок регулирования алгоритмического прогнозирования. Алгоритмы внедряются в различных политических системах для предупреждения и профилактики преступности. С одной стороны, статистический и криминологический анализ, а также профилирование субъекта преступления являются инструментами, помогающими правоохранительным органам, а не заменяющими конкретных сотрудников. С другой стороны, присутствуют риски предвзятости, ангажированности как в работе с данными и над алгоритмами, так и непосредственно в рамках функционирования самой прогностической модели. Более того, отсутствие контроля (как политического, правового, так и социального) порождает нарушение баланса между прогнозированием преступлений и соблюдением прав граждан: вопросы информационной свободы, расово (или национально) ангажированного профилирования и сопутствующих практик дискриминации замалчиваются, остаются «в тени».

Отсутствие систематических нетехнических исследований алгоритмизации, во-первых, вызывает скепсис в отношении применения алгоритмов, а когда они применяются и об этом становится известно, возникает общественное недовольство. Во-вторых, без эмпирически обоснованных стратегий реализации политики внедрения прогностических алгоритмов прогнозирования преступности невозможна практическая апробация и верификация результативности такого элемента предупреждения преступности. В-третьих, без изучения социально-политических аспектов применения алгоритмов прогнозирования преступности потенциальный риск от реализации указанных стратегий может принести больше вреда, чем потенциальной выгоды.

Приведённые примеры не свидетельствуют о том, что «бездушные машины» (алгоритмы, дроны-убийцы, «искусственный интеллект») в обозримом будущем поработят (или освободят) человечество. Нет оснований опасаться или надеяться на реализацию антиутопического в духе «Особого мнения» Ф. Дика или, напротив, утопического сценария создания идеальных алгоритмов прогнозирования преступности в версии сериала «В поле зрения».

Важно другое. Алгоритмическое прогнозирование преступности это различные технологии обработки данных, внедрение которых (при наличии воли, эффективного государственного управления, кадров) уже сегодня даёт вполне ощутимые результаты и позволяет решать конкретные задачи обеспечения безопасности граждан. Успехи в этой области демонстрируют не только отдельные демократии, но и некоторые государства с режимными характеристиками, не позволяющими классифицировать их в качестве демократий. По мере совершенствования алгоритмов государства, не являющиеся технологическими лидерами, могут стать их покупателями, поскольку успешное обеспечение безопасности это фактор обеспечения легитимности в глазах избирателей (или селектората) и конкурентное преимущество на выборах. Вполне вероятна ситуация, когда алгоритмы и технические решения «под ключ» станут объектом экспортно-импортных операций в такой же мере, в какой сейчас ими являются любые программные продукты, компьютерная техника или «специальные средства», включая оружие. Иными словами, программные и технические средства, поддерживающие алгоритмы прогнозирования преступности, станут ещё одной составляющей международной конкуренции государств-поставщиков технологий.

С учётом масштабов и востребованности прогностической полицейской деятельности всё более актуальным становится политико-правовое регулирование применения алгоритмов прогнозирования. Его отсутствие или слабость порождают теневой характер апробации и доработки алгоритмов, их потенциальное использование для иных целей, нежели прогнозирование и предотвращение преступности. Вместо инструмента, который уже сейчас может работать на общественное благо, алгоритмы вызывают скорее обеспокоенность и недовольство отдельных общественных активистов и продолжают оставаться «чёрными ящиками».

Список литературы

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

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

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.

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.

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 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

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 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

Gerber M.S. Predicting crime using Twitter and kernel density estimation // Decision Support Systems.

Vol. 61. No. 1. P. 115-125. https://doi.org/10.1016/j.dss.2014.02.003 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

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.

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 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

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

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 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

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 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

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.

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 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

Tufekci Z. Social Movements and Governments in the Digital Age: Evaluating a Complex Landscape // Journal of International Affairs. 2014. Vol. 68. No. 1. P. 1--18. https://www.jstor.org/stable/24461703 Vohra N.N. National Security Concerns. India International Centre Quarterly // India International Centre Quarterly 2012. Vol. 38. No. 3/4. The Golden Thread: Essays in Honour of C.D. Deshmukh. P. 370--385. https://www.jstor.org/stable/41803992 Wang L., Zhao J.S. Contemporary police strategies of crime control in U.S. and China: a comparative study // Crime, Law and Social Change. 2016. Vol. 66. No. 5. P. 525--537. https://doi.org/10.1007/ s10611-016-9641-7

Wanna J. Opening government: Transparency and engagement in the information age // Opening Government: Transparency and Engagement in the Information Age. 2018. Canberra: ANU Press. https://doi.org/10.22459/og.04.2018.01

Yang Qiaomei. The smart city of Changsha, China // Smart City Emergence. 2019. P. 219--241. ISBN 9780128161692. https://doi.org/10.1016/B978-0-12-816169-2.00010-9.

References

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

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

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

Besley T., Persson T. (2009). The origins of state capacity: Property rights, taxation, and politics.

American Economic Review. Vol. 99. No. 4. P. 1218--1244. https://doi.org/10.1257/aer.99A1218 Chu C.M., Ng K., Fong J., Teoh J. (2012). Assessing Youth Who Sexually Offended: The Predictive Validity Of The ERASOR, J-SOAP-II, and YLS/CMI in a Non-Western Context. Sexual Abuse: Journal of Research and Treatment. Vol. 24. No. 2. P. 153-174. https://doi.org/10.1177/1079063211404250 Cornish P. (2010). Technology, strategy and counterterrorism. International Affairs. Vol. 86. No. 4.

P. 875-888. https://doi.org/10.1111/j.1468-2346.2010.00917.x Ensign D., Friedler S.A., Neville S., Scheidegger C., Venkatasubramanian S. (2017). Runaway Feedback Loops in Predictive Policing. URL: http://arxiv.org/abs/1706.09847 Gerber M.S. (2014). Predicting crime using Twitter and kernel density estimation. Decision Support Systems. Vol. 61. No. 1. P. 115-125. https://doi.org/10.1016/j.dss.2014.02.003 Gokhman V.V., Tret'yachenko D.A. (2019) Vosem' proryvnykh tekhnologiy i ikh svyaz' s geoprostranstvom [Eight Disrupting Technologies and Their Connection to Geospace]. ArcReview. No. 2. URL: https:// www.dataplus.ru/news/arcreview/detail.php?ID = 27212&SECTION_ID = 1117 Hecker S., Haklay M., Bowser A., Makuch Z., Vogel J., Bonn A. (2018). Innovation in Open Science, Society and Policy. In: Citizen Science / ed. by S. Hecker, M. Haklay, A. Bowser, Z. Makuch, J. Vogel, A. Bonn. London: UCL Press. P. 1-26. https://doi.org/10.14324/111.9781787352339 Hoffman S. (2018) 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 / ed. by S. Ahmed. NSI Boston United States. P. 42-47.

Liu J. (2006). Modernization and crime patterns in China. Journal of Criminal Justice. Vol. 34. No. 2.

P. 119-130. https://doi.org/10.1016/j.jcrimjus.2006.01.009 Lum K., Isaac W. (2016). To predict and serve? Significance. Vol. 13. No. 5. P. 14-19. https://doi.org/ 10.1111/j.1740-9713.2016.00960.x

Mande U., Srinivas Y., Murthy J.V.R. (2012). An Intelligent Analysis of Crime Data Using Data Mining & Auto Correlation Models. International Journal of Engineering Research and Applications (IJERAJ. Vol. 2. No. 4. P. 149-153. URL: https://www.ijera.com/papers/Vol2_issue4/U24149153.pdf Nakaya T., Yano K. (2010). 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. Vol. 14. No. 3. P. 223-239. https://doi.org/10.1111/j.1467-9671.2010.01194.x Ngai N.P., Cheung C.K. (2005). Predictors of the likelihood of delinquency: A study of marginal youth in Hong Kong, China. Youth and Society. Vol. 36. No. 4. P. 445-470. https://doi.org/10.1177/ 0044118X04265090

Peeters R., Widlak A. (2018). The digital cage: Administrative exclusion through information architecture The case of the Dutch civil registry's master data management system. Government Information Quarterly. Vol. 35. No. 2. P. 175-183. https://doi.org/10.1016Zj.giq.2018.02.003 Peng C., Xueming S., Hongyong Y., Dengsheng L. (2011). Assessing temporal and weather influences on property crime in Beijing, China. Crime, Law and Social Change. Vol. 55. No. 1. P. 1-13. https:// doi.org/10.1007/s10611-010-9264-3

Roy S., Shah A., Srikrishna B.N., Sundaresan S. (2018). 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, 2019. Forthcoming.

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

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

Tufekci Z. (2014). Social Movements and Governments in the Digital Age: Evaluating a Complex Landscape. Journal of International Affairs. Vol. 68. No. 1. P. 1--18. https://doi.org/10.1017/CBO978 1107415324.004

Vohra N.N. (2012). National Security Concerns. India International Centre Quarterly. Vol. 38. No. 3/4, The Golden Thread: Essays in Honour of C.D. Deshmukh. P. 370--385. https://www.jstor.org/stable/ 41803992

Wang L., Zhao J.S. (2016). Contemporary police strategies of crime control in U.S. and China: a comparative study. Crime, Law and Social Change. Vol. 66. No. 5. P. 525--537. https://doi.org/ 10.1007/s10611-016-9641-7

Wanna J. (2018). Opening government: Transparency and engagement in the information age. In: Opening Government: Transparency and Engagement in the Information Age. Canberra: ANU Press. P. 3--26. https://doi.org/10.22459/og.04.2018.01

Yang Qiaomei. (2019). The smart city of Changsha, China. In: Anthopoulos L. (ed.) Smart City Emergence. Elsevier. 2019. P. 219-241. https://doi.org/10.1016/B978-0-12-816169-2.00010-9.

Размещено на Allbest.ru