栾兴良 张宏扬

（中南财经政法大学刑事司法学院 湖北 武汉 430073）

1 引言

随着预测警务的快速发展，警察执法正从被动反应转向主动进攻，从事后介入转为同步响应，由物理现场切换至数据现场。围绕这些结构性变化可能引发的权利危机，理论上形成了技术的正当程序化与正当程序的技术化两种风险规制思路。此两种思路在逻辑进路上以技术引发的风险考察为起点，以技术设计阶段或技术驱动的执法过程的程序规制为重心，意在使执法法律关系的两造重回“平等武装”状态。两种思路总体上更关注技术及基于技术风险的程序规制，较少论及执法启动环节，尤其缺少对预测性执法适用传统执法启动程序的讨论。

预测警务是“系统预警+人工决策”的执法驱动模式。机器预警触发人工决策，为人工决策提供基础性辅助；人工决策则以机器预警为基础，结合其他手段决定是否启动执法。换言之，预测警务不是自动化决策警务，人的因素仍然占据主导地位。预测警务的这一运行结构和特点决定了关注该场景下的执法启动具有重要意义。首先，预测警务场景下的执法启动存在错误性启动、歧视性启动、滞后性启动及不予启动等失范现象，尤其前两者亟待规范。其次，无论执法的驱动机制为何，拧紧执法启动的阀门，可以从程序源头控制执法风险的产生。再次，执法启动的人工决策将“机器怀疑”转换为“人的怀疑”，使技术驱动的执法进入传统执法程序的框架，新兴技术与传统程序之间的张力可以得以某种程度地化解。最后，预测警务场景下的执法干预具有多样态特征，关注执法启动环节，有助于明晰各自适用的程序。基于上述考量，本文将立足技术与人工的双重维度讨论预测性执法启动的程序控制问题。

2 预测警务场景下执法启动失范的风险来源

目前学界对该问题的反思总体呈现技术导向的风格，相关成果主要集中于算法与数据及其对传统执法启动程序的冲击，对人工研判环节的独立地位、风险过滤功能重视不足，而基于人工研判环节的执法风险检讨更为有限。

2.1 系统预测环节

一是预测分析所倚赖的相关关系计算的天然不足。囿于设计成本及技术可实现性的限制，预测警务系统的设计者往往将复杂的犯罪发生机理与发生过程，简化为某类犯罪与数个相关因素的数理关系，其本质是去情景化的相关关系计算，因而不具有因果关系的必然性。换言之，预测模型输出的是违法犯罪活动发生的概率，而非确切的结果。这决定了预测分析向行动干预的直接转换必然导致部分的执法错误。此外，预测分析模型所倚赖的相关关系可能是偶然性或虚假性的数据联系，这一现象主要源自变量选取的随机性，某些看似相互独立的变量有可能同时受某一因素的影响而显现出相关性[1]。例如，警察往往存在于有犯罪发生的地区，然而警察的存在并非犯罪发生的成因，两者之所以在外观上具备相关性，是因为警察出于履职而频繁活动于犯罪发生的地区。由此观之，基于相关关系的预测分析很可能简单地将原本不具备相关性的事物联系起来，造成“假阳性”的系统预警，进而引起错误的执法。

二是预测警务所用数据的质量隐患。目前为止，“数据集对统计风险评估的有效性构成了深刻的、尚未解决的挑战。”[2]这些挑战主要表现为数据错误、数据过时与数据歧视。首先，警察部门普遍缺乏数据质量控制机制，数据错误常被“完整”地输入预测模型，进而引发错误预警。其次，违法犯罪发生的规律或模式存在时空变化，过时的数据难以反映出犯罪规律或犯罪模式的变化。例如，如果高危犯罪嫌疑人的作案规律存在季节性的变化，那么三个月前的数据对预测其近期可能实施的违法犯罪风险的作用则不大。目前警用数据的时效性还有待加强，基于过时数据的预测分析很可能与现实情况不符，进而导致错误的执法启动。最后，预测分析模型看似遵循其自身的计算理性，却由于“垃圾进，垃圾出”的效应、数据样本天然的权重差异及大数据的扩展属性，导致其预测分析结果存在偏见或歧视的必然性[3]。

三是预测警务系统的算法结构缺陷。一方面，预测警务系统的算法模型仅适用特定情形下特定犯罪的预测，其结构缺陷也会导致错误的系统预警。例如椭圆聚类算法将每个观察结果都进行平均加权，这一特性使其最终结果对输入数据非常敏感，这种敏感性有时可能导致预测分析的错误。再如随机森林算法所用数据和特征均是随机抽取的，其处理非平衡数据集时，占比较小的一部分数据被抽中的概率自然较低，由此训练出来的决策规则可靠性存疑。另一方面，在预测分析模型的设计阶段，犯罪相关因素的产生，无论源自算法对“喂养”数据的自动提取，抑或是对警务专业经验的提炼，都存在将执法歧视内化为算法结构的可能。在算法应用阶段，算法结构的组成因素决定了系统输入数据的类型，从而将执法歧视固化。即使机器学习算法，也难以摆脱“棘轮效应”的魔咒，实现对算法歧视进行自我剔除。就我国当前情境而言，预测警务算法可能会将传统执法中隐性的职业歧视、群体歧视或地区歧视等予以显性化、结构化，并转化为规模化的执法行动。

2.2 人工研判环节

一是人工研判缺位。预测警务模型输出的是违法犯罪活动发生的概率，而非确定的犯罪。实践中，预测警务系统的开发者或销售者往往会将其产品的准确性夸大，而系统预警成为警察拦截、盘查甚至抓捕的唯一决定因素，客观上增加了对执法对象适用限制人身或财产权利措施的可能性。为过滤低风险概率导致的错误执法风险，保护公民权利，来自人工的评估不可或缺。然而，当前我国预测警务实践中人工评估缺位的现象较为普遍。一方面，情报分析人员在惰性思维引导下会倾向于利用大数据情报与自己的直觉进行印证，并放弃考虑其真实性与可靠性。另一方面，受考核指标等外部环境的影响，需要较高认知闭合的情报分析人员，往往会产生为了追求执法指标而忽略其他可能性的情况，造成对输出结果研判的省略[4]。

二是研判过程无序。预测警务系统的设计以执法效率为优先导向，缺少对正当程序的关注，由此造成的技术“法律品格”的不足只能由人工研判环节予以弥补。但即使重视人工研判环节的警察部门，由于对其独立地位与价值认识不足，也会导致评估过程随意与无序。首先，研判主体的范围不确定。实践中，评估多由警务情报分析人员负责，而现场执法人员是否应承担研判任务，承担何种任务尚未形成统一认识。其次，研判内容不够明确。目前研判内容多限于现场因素，而对预测系统的技术因素关注不够。最后，评估的手段方法有待加强。在特定的预测场景下，有时研判手段无法辅助情报分析人员对违法犯罪发生的可能做出更明确的判断。例如，仅借助公共区域的视频监控很难判断被系统预警可能从事性交易的人是否与其开房的人在从事卖淫嫖娼行为。

3 现行预测警务场景下执法启动的风险过滤机制评价

尽管学界已经注意到，预测警务的本质是一种自动化预警与人工执法相互配合的主动型警务模式[5]，但鲜有文献对实践中执法启动的风险过滤机制进行梳理总结。本部分将对警务实践中典型的执法启动风险过滤机制进行考察评价，以资后续程序控制研究。

3.1 核对个人基础信息

预测警务场景下执法启动的对象是最有可能违法或犯罪的嫌疑人。这一群体的个人犯罪记录和个人户籍信息均可指向其所涉案件，成为警务人员核实系统预警信息的基准信息数据。

预测警务系统利用人脸比对等新兴技术对在逃人员进行人脸布控，待相关人员“触网”后发出预警。通常此类预警准确率较高，但为保证缉捕对象与案件对象的同一，警务情报分析人员会利用个人身份信息或犯罪记录对系统预警进行核实验证。例如，某地公安机关的在线警务系统对某人进行了人脸比对，结果发现其与所冒用身份的人脸相似度仅为17%，与某在逃人员相似度却高达95%。在系统预警后，警务情报研判人员对其进行了个人身份信息核实，确认其为在逃人员后向执法组发出抓捕指令，成功将其抓捕归案。

3.2 活动轨迹分析

犯罪嫌疑人的活动轨迹为警务人员核实违法犯罪嫌疑提供了信息参考。通过分析其乘坐的交通工具（飞机、铁路、车辆等），以及酒店旅馆的入住信息、网吧上网等相关信息，能够在一定程度上验证风险发生的可能。因此，对预警人员的活动轨迹进行分析，是现行执法启动错误风险过滤的方式之一。

以毒品交易犯罪为例，犯罪嫌疑人为了掩人耳目，往往采用转换交通工具的方式以躲避公安机关的打击。而一旦毒品交易进入实质性的运输毒品阶段，买卖双方绝不会触碰空运或铁路运输，而是选择没有安检环节的自驾运输。所以，重点锁定从“有去有回”到“有去无回”，从“空去空回”“陆去陆回”到“空去陆回”的异常变化能够有效推断出贩毒交易的进程阶段[6]，当犯罪嫌疑人触网产生预警后，警务人员可以通过分析其乘坐交通工具的信息，以核实毒品交易发生的可能。活动轨迹分析并不局限于毒品交易犯罪，结合不同类型的违法犯罪活动特征，有针对性地分析不同犯罪嫌疑人异常的活动轨迹，能够有效过滤预警信息的不确定性，进而采取恰当的执法干预行动。例如，在某地预测犯罪者的预测模型中，算法根据车主的前科信息等内容对其名下车辆进行犯罪风险评估，对于系统标注高风险的车辆，警务情报研判人员会调取一段时间内该车辆的行动轨迹进行分析研判，以核实和确定车主实施犯罪的可能性。经过二次研判认为车主实施了犯罪的，警务情报分析人员会通知沿路的治安卡口进行拦截盘查，进而实现对犯罪分子的精确打击。

3.3 视频监控核实

视频监控为警务人员及时启动执法提供了较为直观的依据，它可以实时记录出现在画面内的人、事、物，警务人员可以直接了解事物的实时活动情况及特征，发现其中的相关信息及规律，从而对预警信息进行实时的分析研判[7]。视频监控因其实时性在警务实践中具有不可替代的地位，而对视频监控有效核实是现行预测警务场景下执法启动风险过滤的主要机制之一。

以针对高风险盗窃人员的预测为例，在预测分析模型弹出预警信息之后，警务人员将基于视频监控锁定犯罪嫌疑人所处的地理位置及其活动轨迹，并予以实时监控。一旦发现犯罪嫌疑人存在异常行为（如在街边物色盗窃目标），并且具备作案倾向（如翻越栏杆接近盗窃目标）或正在实施犯罪（如破坏盗窃目标的防盗设备）时，警务人员便会迅速启动执法。在这一过程中，视频监控不仅辅助警务人员印证预警信息的真伪，还实现了对高危犯罪嫌疑人的实时锁定。

3.4 评价

一是现场指向性。现行执法启动风险过滤机制均指向与违法犯罪关联的物理现场，借助上述手段，警务人员实现了一定程度的临场性，从而将预警线索转为现场的调查核实，将“机器怀疑”转为“人的怀疑”。现场指向性为确立人工研判环节的独立程序地位与程序价值，为技术驱动的执法启动适用传统的启动程序提供了现实基础。

二是行为举证性。基于上一特征，现行执法启动风险过滤机制在调查核实的内容上不再依赖系统预警信息，而是着重从现场或与现场关联的数据获取证明某人或某团伙是否有违法犯罪嫌疑的证据。此类临场性证据的收集，一方面可对系统预警进行核验，另一方面也为执法启动决策提供了证据基础。

三是适用局限性。上述各类手段存在适用对象、适用条件和适用效果上的局限，例如，核对前科信息仅适用于查获有前科的犯罪嫌疑人的情形，于首犯则无效；视频监控核实手段以正常运行的视频监控系统为前提，而没有安装、安装不当或出现故障的视频监控均无法使用这一手段；此外，即使能直观反映现场情况的视频监控，也可能无法提供执法启动所需依据。

4 预测警务场景下执法启动的规制难点

学界关于该问题的讨论更多的是从人工决策的技术依赖、预测性执法对既有程序的冲击、算法对外透明度的不足及执法解释的事后救济方面展开。基于此，本文将分别立足于人类决策的特点与局限、既有程序的可适用性与缺陷、算法决策的双向透明度不足、执法环节的事中解释等维度进行阐述。

4.1 主观因素的影响差异

从执法启动决策的环节看，人工研判是预测分析向执法活动转换的中间环节，体现了人类对治安行政执法与刑事司法高度审慎的态度，这也是预测警务未被定位为自动化决策警务的关键所在。从执法启动的决策依据看，算法预测输出与人工研判共同构成对犯罪风险的评估。其中，后者因评价前者的功能定位而发挥着决定性作用。即使实践中有警务情报分析人员消极放弃人工研判，也仍然是其终局决定权的表现。从认知思维的维度来看，人工研判的本质是警务人员将机器的相关关系计算回归人的因果关系判断的过程，而这一过程主要受警务人员主观因素的影响。

首先，受“有限理性的限制”，人类个体作出的决策无法达到理性选择所描述的状态，即使警务人员摈弃偏见、尽职尽责地展开执法活动，充分利用一切可以利用的资源，发挥最大的主观努力，也无法完全避免错误的产生[8]。其次，由于不同警务人员的法律素养、技术认知水平、专业能力乃至固有偏见存在较大差异，面对同样的预测分析，可能作出不同的执法决策。以执法歧视为例，倘若警务情报分析人员对某一地域存在偏见，那么他自然更倾向于认同包含该地域歧视因素的预测分析结论，进而作出启动执法的决策的可能性也会增加。最后，预测警务场景下警务情报分析人员的一些隐性的主观心理难以被发掘，而且难以准确测量。在此情形下，警务人员的主观因素就成为规制执法启动风险的重要变量。

4.2 启动标准的规定不足

在预测警务模式下，随着执法介入违法犯罪时间节点的大幅前移，学界普遍认为立案程序呈现虚置化倾向[9]，强制措施的适用条件有所松动[10]。但如果人工研判环节具有独立程序地位的话，根据《公安机关办理刑事案件程序规定》第174条、《公安机关办理行政案件程序规定》第61条、《公安机关人民警察盘查规范》第4条之规定，系统预警可归入自行发现违法犯罪线索的情形，或划定可能的盘查对象的情形，人工研判则属于对违法犯罪线索的审查、对盘查对象违法犯罪嫌疑之确定，以及最终的执法启动决策的范畴。换言之，人工研判环节的临场性与举证性特征决定了预测警务场景下的执法启动，并未也无需突破既有的执法启动条件。

基于上述法教义学分析，本文需在既有执法启动程序框架下进行相关反思。首先，盘查是预测警务场景下最常见的执法类型之一，现行执法启动程序中有关盘查启动的条件和标准不够明确，无论对传统的盘查还是预测警务驱动的盘查都难以形成有效规制。例如，在某起有关卖淫嫖娼的预警执法中，预测算法模型将某名女性列为卖淫的高风险人员，在其“触网”后发出预警信息，警务情报分析人员利用视频监控核实到该女性与一名男性间隔十分钟先后进入酒店某房间，进而启动执法。在启动标准上，此案中的人工研判只是将“机器怀疑”转为“人的怀疑”，而非人的“合理怀疑”。其次，预测警务场景下的执法具有多种类型，有些类型的启动标准尚待细化。例如，预测警务下的通缉犯抓捕既不受刑事立案程序约束，亦不属于盘查启动程序的规制对象，相关启动标准有待厘清。最后，预测警务模式下系统输出的高风险分数或高风险等级不等于高度盖然性的证明标准，考虑到预测系统输出在紧急情形下可能成为启动执法的主要参考因素，因而亟须确立科学合理的风险概率标准。

4.3 算法决策的透明度低

预测算法决策在产权保护、数据保密与技术进化等多重因素的作用下形成了不可透明化和难以透明化的披露难题。从宏观层面而言，预测算法决策的低透明度会损害社会公众的信任，危及预测警务的正当性基础。算法决策过程是一个“黑箱”，很有可能使社会公众处于“黑暗”之中，他们并不知道什么时候、出于什么原因，可能就会出现在犯罪预测系统当中[11]。从微观层面而言，预测算法模型的低透明度会强化执法主体的技术依赖，损害执法对象陈述与申辩的能力，进一步加剧错误执法的风险。对内缺乏透明度会使执法人员无法理解和解释系统的预警信息而选择盲从，对外缺乏透明度则会阻碍执法对象的自我“脱罪”，导致其无从也无力证明算法错误。

算法是预测警务系统的核心技术。警察部门欲要打破算法“黑箱”，就不可避免地对算法技术进行一定程度的披露，这可能损害预测警务系统企业的商业利益乃至知识产权。由此，企业的产权保护就成为预测算法披露的第一个阻碍因素，例如，在美国提供Beware软件的公司甚至不允许作为客户的警察部门知道其算法[12]。与此同时，警察部门则忧虑算法与数据的披露可能被违法犯罪分子用来躲避预测性执法，还可能造成广泛的法律争议，破坏社会公众对警察的信任关系。因此，警察部门的保守态度是预测算法披露的第二个阻碍因素。此外，某些算法的技术特点与功能特征排斥公开。例如，机器学习会不断地自我进化，以至于设计者都无法对其进行解释。综上所述，如何在算法披露与产权保护、犯罪打击、技术便利之间达致平衡，成为预测警务场景下执法启动的法律规制难点。

4.4 执法干预可解释性差

执法是基于事实与法律的行动。执法过程中，警务人员通过解释义务的履行来说明执法的事实、理由及依据。解释义务既可规范和约束警察权的行使，也有助于在争取执法对象认同的同时，实现执法的教育功能。解释义务不同于透明度，前者是问责机制中辩论层面的构成要素，后者属于信息层面的要求[13]。从两者的联系来看，透明度是解释的重要对象，也是解释的障碍所在。

执法干预的可解释性差主要源于技术因素。首先，技术存在不可解释的情况。随着人工智能在预测警务系统内的深入应用，即使对技术人员而言，系统预警的决策过程也变得难以回溯或追踪。相应地，执法者也无从解释作为执法启动依据的系统预警。其次，技术鸿沟限制执法解释的能力与效果。由于培训缺位或不足，执法者缺少对预测警务系统的技术认知，这限制了他们对预测驱动的执法做出合理解释的可能。退一步讲，即使执法者受到了良好的训练，能够将技术因素融入执法说理，解释的有效性还取决于执法对象的认知与理解能力。若执法对象不能就此进行有效的陈述与申辩，执法解释的意义将大打折扣。最后，立法的利益衡量造成技术解释的回避。由于需要平衡算法使用者的利益，算法决策的正当性解释在现行数据保护框架下较为缺乏[14]，而这也为执法者回避技术解释提供了立法空间。

5 构建预测警务场景下执法启动的控制程序

学界围绕算法嵌入执法过程中的风险规制已展开了很多有益的探讨，如有学者认为应重构执法程序中新的人权保障框架，调整现有执法程序规定以寻求执法权扩张的平衡[15]；还有学者认为，刑事诉讼法作为衔接实体法与司法实务的程序法，应将其中规定侦查启动和检察机关介入的时间节点适当前移[16]，而上述观点均属于“突破既有程序说”。基于上文对人工研判环节独立程序地位的法教义学解释，本文将在“适用既有程序说”下展开讨论。

5.1 完善人工研判程序

当预测分析为警务人员指出最有可能的违法或犯罪嫌疑人时，这本身并不会产生合理的怀疑，警务人员需要将它提供的信息与他们观察到的行动联系起来[17]。人工研判环节的不可或缺性决定其享有独立的程序地位，而临场性与举证性特征则彰显了其程序价值。在此基础上，人工研判环节在性质上可归入既有执法启动程序下的各类活动，相应地，可为既有执法启动程序所调整。同时考虑到预测警务特殊的运行结构，应对人工研判程序进行具体建构。

一是研判主体应由警务情报分析人员与一线执法人员共同组成。在“数据+行动”的执法运行机制中，警务情报分析人员是人工研判环节的主要实施者。警务情报分析人员既掌握预测警务系统的运行原理和专业知识，也具备检验预测分析的基本手段与方法，是发动和指挥执法行动的主要决策者。一线执法人员则具有丰富的现场执法经验，透过专业直觉与现场分析可以对警务情报分析人员的情报进行二次研判，进一步过滤风险预测之错误。

二是研判对象应包括技术指标与现场指标。前者主要包括预测警务系统适用的违法犯罪类型，系统预警的风险值或风险等级，预测分析的置信区间，“触网”的方式、时间与地点等技术指标，侧重考察预测分析的可靠性；后者主要包括预警对象的身份、行为、与同行人员之间的关系等现场指标，侧重检验预测分析的合理性。警务情报分析人员的研判对象包括前者与后者，而一线执法人员则主要研判后者。

三是研判方式应包括在线研判与现场研判。虽然在线研判可以完成对技术指标和现场指标的检验评价，但考虑到在线研判难以全面触及现场指标，故应在运行机制层面明确一线执法人员的现场研判责任。

四是丰富研判手段。即应根据预测警务系统适用的违法犯罪类型，构建多元分层分场景的研判分析手段，以能够有针对性地覆盖预测警务执法启动风险为宜。

5.2 细化执法启动标准

学界通常将执法对权利的干预性作为确立执法启动标准的主要因素，而将紧急性作为执法启动标准的辅助因素。预测警务驱动的执法介入违法犯罪的时间节点大幅提前，甚至可以对犯罪做出同步响应，此变化一方面为法益保护赢得了时机，另一方面也使执法的紧急性增强，进而对执法启动标准影响权重增加。基于上述论断并结合预测警务的运行实践，应将执法启动预警划分为“通缉犯预警”“刑事犯罪嫌疑人预警” “行政违法嫌疑人预警”三个具体类型，分别对应不同的证明标准，如表1所示。

一是通缉犯预警。这一预警类型主要基于人脸比对技术，通过将视频监控捕获到的人脸信息与公安数据库中的通缉犯进行比对，实现实时预警。鉴于被通缉的犯罪嫌疑人具有相当的社会危险性，这类预警通常会触发对预警对象的抓捕行动，并伴随刑事强制措施的适用。因此，通缉犯预警既符合执法紧急性标准，又符合权利干预标准。根据刑事诉讼法有关通缉和逮捕的规定，通缉的对象是应当逮捕但在逃的犯罪嫌疑人，也就是说，其犯罪嫌疑已被前期侦查所证明，故此类预测性执法的启动只需证明预警对象是否为通缉的对象，而无需证明其是否已涉嫌犯罪。在此已证条件下，查获犯罪嫌疑人的紧急性就处于优先地位。就启动标准而言，只要监控对象达到系统预设的报警阈值，执法人员即可启动抓捕。但当前人脸识别技术仍存在一定程度的错误率，为防止识别错误引起的错误抓捕，应对此类预测性执法建立严格的事后控制程序。具体而言，应构建4小时快速身份核验程序，经核验仍不能排除嫌疑的，可转为一般侦查程序处置。与此同时，应为预警对象向抓捕机关的监督部门及通缉令发布机关提出申诉提供便捷的途径。

二是刑事犯罪嫌疑人预警。该类预警的技术原理类似“热点名单”，即通过对重点人口的犯罪风险评估识别出高风险个体并实施预警，此类预警主要适用于“两抢一盗”类案件。该场景下执法启动的证明标准，重在防范侦查的事前介入，同时追求法益保护。一方面，受现代刑事法治理念的约束，预测性侦查不针对未然之罪，不惩处思想犯，这要求侦查不得事前介入。另一方面，预测性侦查介入犯罪的时间节点大幅前移，使得及时制止法益侵害或使其免受侵害成为可能。考虑到此情势下法益保护的紧迫性，警务人员需紧急启动侦查，而无暇对“需要追究刑事责任”做出理性判断，因此，应降低现行的立案程序标准，即只要人工研判环节确有证据证明“有犯罪事实”即可启动侦查。

三是行政违法嫌疑人预警。此类预警的技术原理同刑事犯罪嫌疑人预警相似，通过对特定人群的违法风险评估识别并预警高风险个体，该类预警主要适用于“黄、赌、毒”类治安案件。公安机关办理行政案件始于受案程序，根据《公安机关办理行政案件程序规定》第60、61条的规定，公安机关对自行发现的违法行为，亦按照受案程序办理。预测性执法的启动与对自行发现的违法行为的查处极其相似，两者均源于执法者的人工决策，都具有主动性、临场性的特征。不同的是前者的人工决策由“机器怀疑”转化而来，后者则属于纯粹的人工决策。基于两者的相似性，可将执法启动错误的控制节点前移至盘查阶段。一方面，行政受案程序不同于刑事立案程序，不具备约束执法启动的功能。另一方面，控制节点前移既可防止行政执法的恣意，亦可控制盘查的启动，可更广泛地保护潜在的社会公众。因此，基于两者的不同，应为预测性执法人工研判环节的“人的怀疑”设定标准。

我国立法对盘查的规定较为笼统，缺少必要的限制性程序。基于这一现实，引入英美法系的“合理怀疑”标准有助于控制预测性执法的启动错误。“合理怀疑”要求“警察不能依据‘不成熟的、抽象的怀疑或者直觉’来采取行动，但是若执法官员能够指出某些具体的、可言说的事实并据此进行合理推论，以证明其实施的侵犯行为是正当的，则其怀疑就是合理的。”[18]由此，预测性执法的启动应达到以下证明标准：首先，孤证绝对否定。不得仅依据系统预警信息启动预测性执法。其次，有现场证据的印证。最后，系统预警未超时效。“模型预警是实时的，但由于预测性警务和资源管理的异步性，警察部门无法对预警信息做出同步反应”[19]，因而执法行动明显延迟的，应对系统预警的时效进行证明。

5.3 增强算法的双向透明度

目前学界关于“算法黑箱”存在两种截然相反的态度，多数派认为应当打破“算法黑箱”，少数派则认为作为事前的规制方式，算法透明不可行也无必要[20]。考虑到可解释人工智能技术的快速发展，以及预测警务算法的相对单一性，本文主张适度揭开“算法黑箱”。在算法透明度的方向维度，多数文献关注对外的透明度，而较少论及对内的透明度。例如，在布伦南司法中心诉纽约市警察局一案中，法院支持了原告要求被告披露预测警务内部算法及数据获取过程的诉讼请求，这一判决显示出增加预测警务透明度对获取社区信任的重要意义。但对外的单向透明度不足以解决预测性执法的“黑箱决策”问题，事实上，预测警务还存在对内透明度不足的问题。由此导致的执法人员的技术认知缺陷，不仅影响执法正当性解释义务的履行，还会使决策责任的天平向警务情报分析人员不当倾斜。因此，警察部门应增强算法的双向透明度，构建对内对外的双重透明运行机制。

具体而言，警察部门可在政府采购程序中明确算法披露要求，并在采购合同中对算法披露的具体内容、范围和方式等进行具体约定，同时明确技术系统应采用可解释性的人工智能算法。通过上述措施缓解算法披露与商业产权保护、算法的不可解释性之间的矛盾，为构建算法的双向透明度提供基本保障。在增加对内透明度层面，警察部门应加强对情报分析人员，尤其是现场执法人员的技术培训，使其理解、掌握预测警务系统的运行原理与运行风险，增强警务人员利用专业知识和经验识别、排除错误预警的能力。在增加对外算法透明度层面，一方面，警察部门应在采购合同约定的限度内，将预测警务系统的算法原理与数据来源纳入依申请的信息公开内容。另一方面，执法对象可以要求警察部门披露与之相关的信息，包括所用个人数据、系统预警信息及执法启动的证据等，以保障其救济权的行使。

5.4 健全执法解释的运行机制

“理论上，算法设计完成时，算法的可解释性程度就已可确定，而此时算法透明度可能仍接近于零，必须经由事后的披露、解释和说明工作满足透明度的要求。”[21]因而，执法主体向执法对象解释执法的事实、理由及依据是正当程序的应有之意。《中华人民共和国治安管理处罚法》第82条关于传唤的规定、第94条关于处罚的决定均对执法人员克以解释义务：“应当将传唤的原因和依据告知被传唤人”“应当告知……事实、理由及依据”；在刑事诉讼中，“犯罪嫌疑人有权及时获知被控告的罪名、案件情况以及所享有的诉讼权利。”基于上述规定，预测警务场景下的执法主体亦负有执法解释义务，只不过解释的范围是否涵盖算法决策值得商讨。例如，欧盟《警察执法数据保护指令》（EU2016/680）序言（26）指出，应使自然人了解与处理其个人数据有关的风险、规则、保障措施和权利；欧盟《可信赖人工智能的道德准则》规定，应就AI系统的功能和目的进行公开交流，在可能的范围内向直接和间接相关方解释决策。

借鉴欧盟相关经验，我国应逐步完善执法主体对预测算法决策的解释规制。首先，针对一般情形与紧急情形分别规定解释的时间节点。一般情形下，执法解释应在临场执法时进行。紧急情形下，执法解释可在快速验证程序中完成。其次，解释主体为现场执法人员，必要时警务情报分析人员可参与解释。执法人员是临场执法与后续办案的主体，具有解释的便利性。当执法人员无法解释相关技术时，可申请警务情报分析人员代为解释。最后，解释内容应侧重对决策结果产生过程的阐释。基于算法决策的双阶构造，可以将算法解释权区分为以模型为中心的解释权模式和以具体决策结果为中心的解释权模式[22]。预测性执法启动本质上是由“人”发起的，故应确定以具体决策结果为中心的正当性解释义务，具体包括预警信息产生的原因及过程、预测分析的人工审查过程、执法干预启动的法律依据与证据。

5.5 构建分阶段分类别的问责机制

有学者提出，预测警务对警察问责的特殊挑战在于警员将决策本身的责任和问责制“外包”给技术逻辑工具，进而造成潜在的责任缺口[23]。因应这一挑战，关键需在确立人工研判环节独立程序地位的基础上细化问责机制。具体而言，应根据执法启动决策主体的组成并结合具体的执法情形构建适当的问责机制。

一是构建分阶段的问责机制。《公安机关人民警察执法过错责任追究规定》第5条规定，执法人员应当根据各自对执法过错所起的作用分别承担责任。依据该规定，应将预测警务下的执法启动，划分为预警信息研判阶段与后续的临场研判阶段，设立分阶段的问责机制。针对第一阶段的问责机制重在问责“不研判而下指令”“研判结果明显有违常识而下指令”的情形。考虑到这一阶段多采用非临场手段进行信息研判，研判手段存在局限性，故应适当提高这一阶段的追责门槛。针对第二阶段的问责机制重在问责“不研判而行动”“研判结果明显有违现场情形而继续行动”，同时还应建立对系统预警不作为的问责机制。

二是构建分类别的问责机制。不同场景下的执法启动对应不同的证明标准，相应地对执法者的要求亦不相同。鉴于警务人员履责的紧急性对其主观判断的影响，这里将三种类别的预警简化为“一般情形”与“紧急情形”。在一般情形下（违法犯罪嫌疑人预警），警务人员有相对充足的时间对系统预警与现场情形进行分析研判，故而应强化对两类失责情形的责任追究；尚不构成执法过错的，可通过绩效考核给予负面评价。在紧急情形下（通缉犯预警），警务人员只需证明预警对象身份信息的同一性即可，至于数据错误导致的预警错误应由数据维护单位担责。故紧急情形下的追责应侧重事后4小时快速验证程序的履行情况，同时应适当调高身份核验阶段的责任门槛。

6 余论

随着大数据、人工智能等新兴技术在警务领域的深度融合，由经验驱动的执法模式正被以数据驱动的预测执法模式所取代。执法启动驱动机制的切换似乎呈现出架空传统执法启动错误控制机制的样态，在新型的人机互动机制中塑造出某种程度的“机器自治”。而在未来，技术发展或许支持预测性执法实现完全的自动化决策，如ChatGPT等人工智能技术产物的出现正逐步印证着这一可能。但毋庸置疑的是，法律王国之内，工具理性永不得超越价值理性。因而在制度设计层面，预测警务执法的启动控制机制必须着眼于犯罪治理最大功效与制度内在价值承载最大化两者的兼得与平衡。与此同时，基于人的主体地位，动态地建构覆盖预测分析到执法启动全流程的程序控制机制是化解技术型警务治理风险的必由之路。