Помогают ли алгоритмы снизить преступность?

Все мы склонны следовать привычкам. Они отражают предпочтения, познания или комбинацию того и другого – или, как отмечает Чарльз Дахигг в своей книге «Сила привычки», простое повторение действия может породить рутину.

Мое собственное недавнее исследование показывает, что преступники не так уж сильно отличаются от законопослушных граждан, когда дело доходит до распорядка дня, что, возможно является следствием их опыта, определенных склонностей и веры в то, что они разработали идеальную стратегию. И полиция все чаще успешно применяет в своей практике популярный инструмент – алгоритмы.

Поскольку алгоритмы используют шаблоны данных для прогнозирования будущего поведения, они способны предсказать, кому какие фильмы могут понравиться на Netflix или какие книги человек может купить на Amazon. Но они также могут помочь правоохранительным органам бороться с преступностью. Некоторые алгоритмы рассчитывают будущий рецидив у заключенных. Другие лежат в основе инструментов прогнозирования полицейской деятельности, генерируя прогнозы преступности с целью оптимизации патрулирования.

Инвестиции в прогностическую аналитику приводят к перераспределению ресурсов (в том числе за счет различных стратегий полицейской деятельности и альтернативных приговоров) и, таким образом, изменяют вероятность ареста или задержания отдельных лиц. Поэтому важно понять, снижают ли алгоритмические инструменты преступность и не создают ли они при этом предубеждений против определенных групп.

По сути, самое сложное и хорошо известное программное обеспечение для прогнозирования эволюционировало из карт горячих точек. Эти программы действуют по следующему принципу: районы, где недавно зафиксирован всплеск преступности, с большей вероятностью покажут высокий уровень преступности в ближайшем будущем. Таким образом, для сдерживания максимального количества преступников правоохранительные органы должны сосредоточиться на этих областях.

Хотя исследователи показали, что эти статистические алгоритмы обладают большей прогностической способностью, чем среднее арифметическое, значительно сложнее доказать, что они действительно снижают преступность. Полиция, как правило, использует прогностическую полицейскую деятельность при высоком уровне преступности, и последующее ее снижение может отражать естественную убыль, не имеющую ничего общего с решением использовать алгоритмы. Полиция, ориентированная на конкретные районы, также может просто переместить преступность в другое место. Следовательно, для надлежащей оценки требуется лучший «контрфактуальный» сценарий: что произошло бы с преступностью без использования прогностической полицейской деятельности?

Что касается предвзятости, то вполне возможно, что прогностическая полицейская деятельность может исказить результаты работы правоохранительных органов. В более неблагополучных районах уровень преступности может быть выше, и как только будет введена прогностическая полиция – они будут патрулироваться интенсивней. Если ресурсы полиции останутся неизменными, у преступников в неблагополучных районах будет больше шансов столкнуться с полицейским патрулем, чем у преступников в более богатых районах. Этот результат справедлив для рецидивистов, способствовавших росту преступности и привлекших дополнительное патрулирование, однако сегодняшние впервые осужденные не увеличивают число ранее зафиксированных преступлений. Поскольку большинство алгоритмов прогностической полиции объединяют случаи преступлений, не отделяя закоренелых преступников от «дебютантов», по отношению к последним в неблагоприятных районах может присутствовать предвзятость.

Чтобы помочь решить вопросы эффективности и предвзятости, я оценил программное обеспечение для прогнозирования, используемое в Милане (Италия). Это позволило мне установить надлежащий контрафакт: по историческим причинам в Милане есть два полицейских управления, которые преследуют одни и те же цели, но только одно из них использует прогностическую полицейскую деятельность.

KeyCrime, программное обеспечение для прогнозирования, разработанное Марио Вентури и используемое в Милане, отличается от обычных инструментов для прогнозирования полиции тем, что оно фокусируется на аресте преступников, а не на их сдерживании (таким образом лишая преступников возможности просто пойти куда-нибудь еще) и отличает впервые осужденных от рецидивистов. Программное обеспечение использует информацию, собранную из отчетов жертв и камер видеонаблюдения, чтобы связать преступников с коммерческими ограблениями, а затем предсказывает, когда и где конкретный человек или группа нанесут следующий удар. Ключевые преступления генерируют индивидуальные прогнозы, что уменьшает риск предвзятости.

Результаты показывают, что анализ привычек рецидивистов более чем в два раза повышает вероятность их ареста. Воры, как правило, всегда действуют привычным образом, ориентируясь на определенный район и тип бизнеса, а также придерживаясь определенного времени суток. Так, например, некто ограбивший ювелирный магазин в девять часов утра, скорее всего, совершит повторный налет на другой ювелирный магазин в том же районе примерно в то же время. Поскольку совпадений, соответствующих прогнозам, не так много, программное обеспечение выделяет потенциальные цели, а полицейское управление организует патрулирование для поимки вора.

Микропрогнозирование, основанное на поведении отдельных преступных групп, доказало свою эффективность в борьбе с грабежами и в настоящее время распространяется на другие типы рецидивистов, такие как насильники и террористы. Еще предстоит выяснить, будет ли превентивная полицейская деятельность столь же успешной в привлечении этих преступников к ответственности, поскольку сокращение взаимодействия с жертвами и доступность видеозаписей с камер наблюдения могут затруднить установление связи между преступниками и инцидентами.

Расширение использования прогностической полицейской деятельности может привести к тому, что преступники изменят свои привычки и станут менее предсказуемыми. Но разработка более мощных алгоритмов и процессов сбора данных дает некоторые основания для оптимизма в среде полиции.

«Преступление чрезвычайно разоблачительно, – писала Агата Кристи. – Можно менять методы, вкусы и мышление по своему усмотрению – но ваша душа раскроется через ваши поступки». Судя по всему, на данный момент создание потенциала прогнозирования отдельных преступлений путем использования привычек преступников против них – выгодная инвестиция.

Джованни Мастробуони – председатель Коллегии Карло Альберто, профессор экономики Эссекского университета.

Copyright: Project Syndicate, 2022. www.project-syndicate.org