:居視蝦的偵查情勢基于大數據、人工智能技術的興起，近年來有關大數據偵查的研究及應用均取得了突破性進展。研究成果方面，在中國知網以“大數據偵查”為關鍵詞搜索，2015年以來共有學術性論文1197篇，學位論文327篇（其中博士論文29篇、碩士論文298篇），在同時期偵查類研究文獻中排名第六位，占比4.68%；而應用方面，大數據應用衍生出的人臉識別、語音識別、大數據智能分析等技術在公安領域得到深度應用。［1］大數據及其相關技術已在偵查研究和實踐中不可或缺，但是正如有的學者總結：大數據的觀念直接映射到對大數據偵查的認知，將大數據的一般性特征簡單轉換為大數據偵查的特征，從而忽略了應用場景的改變，使大數據偵查的研究和應用出現了一些錯誤傾向。［2］事實上，大數據研究不僅包含大數據本身，還包括大數據技術與大數據思維的應用。在不同領域，大數據應用的具體路徑方法必然存在差異，需要融通契合點，才能有效發揮大數據的功能。偵查領域同大數據的應用契合點集中于偵查情勢，因為偵查方法、途徑、策略和技術措施的實施都必須以特定偵查環境為背景或平臺，而偵查環境中的諸要素便稱之為偵查情勢。偵查情勢內部各要素相互作用，使偵查情勢整體呈現運行狀態，而大數據不僅是海量數據的集合，還包含對數據的處理分析，以及在此基礎上衍生出的思維方法和決策方式等。故而以“大數據視域”總括大數據及其處理技術和應用類型，以“運行路徑”詮釋大數據在偵查情勢中的運用，重點梳理大數據視域下偵查情勢分析較之傳統模式的變化，借以糾正大數據偵查某些錯誤傾向，促進大數據思維和技術更好應用于偵查實踐。一、大數據與偵查情勢的概念特征及契合點分析2010年前后，大數據、云計算、物聯網等廣泛應用，開啟了第三次信息化浪潮，［3］作為新概念的大數據融合了傳統的信息采集、處理、存儲、分析理念，并在此基礎上借助云計算、物聯網等最新技術，創新了思維決策方式。偵查情勢是對偵查各項要素的總括，強調系統分析、宏觀調控，作為傳統偵查研究概念，卻飽含前瞻性的思維探索。大數據創新的思維決策方式同偵查情勢飽含的前瞻性思維相碰撞，即是大數據視域下偵查情勢概念分析的新起點。但是，大數據與偵查情勢畢竟屬于不同范疇，因此為更好發揮大數據在偵查情勢認定和分析中的作用，需要從概念角度梳理大數據和偵查情勢各自特點及應用契合點，從而避免不顧應用場景變化，將大數據觀念簡單照搬到大數據偵查，把大數據特征直接轉接至大數據偵查特征等錯誤傾向。（一）大數據概念的特征分析論及大數據概念，比較公認的是“4V”式概括，即Volume概指數據量巨大，Variety概指數據類型繁多，Velocity概指處理速度極快，Value概指價值密度較低，“4V”特點表征了大數據同傳統數據在構成理念上的四項創新。第一，大數據包含的數據量特別巨大，使大數據樣本具有了整體性和開放性的特征；第二，大數據內部數據類型繁多，使大數據樣本之間形成了關聯、因果、包含等各類關系；第三，大數據應用要求處理速度極快，從而基于快速生成的數據能夠得到實時分析結果；第四，大數據的價值密度比較低，所以需要建構相應的監控設備、存儲設備、網絡設備，乃至構建大型的電能和存儲空間來支撐大數據的運行。上述大數據構成理念上的四項創新，演繹出大數據思維方式的三種轉變，即由之前的通過分析樣本數據推斷全集數據到直接對全集數據短時間內迅速分析結果；由傳統的數據分析注重精確性轉變到大數據分析更為注重效率；由過去的以因果關系為核心架構轉變成追求分析關聯關系為主。大數據的上述特征為數據的構成、思維模式、技術方法提供了全新的視角，并且伴隨信息技術與各行業的深度融合、新技術和新應用的不斷涌現，大數據對社會發展的影響也日益廣泛，使各領域的研究都無法回避大數據視域的分析論證。（二）偵查情勢概念的特征分析偵查情勢是對案件偵查有意義的各種條件與狀況及其攜帶著的動態信息之間相互聯系、相互作用而形成的混沌體系。此概念中，對“案件偵查的意義”可以概括為幫助“偵查主體作出正確的方法選擇，并正確實施，及時根據反饋信息進行方法評價和修正，最終取得良好的偵查效果”。［4］偵查情勢作為混沌體系包含四個取向：.開放與內聚共存開放是指構成偵查情勢混沌體系的要素是不斷增加或減少的，如果將個體要素的變化設置臨界點，那么由臨界點組成的混沌體系邊界是不斷變化的，隨著偵查的推進某些要素會被剔除，某些要素會加入，因此體系邊界是開放的。而內聚是指所有進入混沌體系的要素，其運動方向指向案件真相和查辦結果兩個終極點，如果將混沌體系設想成一個橢圓，那么窠件真相和查辦結果便是橢圓的焦點，而橢圓內分布的點陣均指向兩個焦點之一。誠然，理想狀態是案件真相和查辦結果同一，混沌體系變成規則的圓形閉環，但正常情況下兩個焦點是存有距離的。混沌體系常態是閉合的橢圓形態，更有特殊情況下，兩個焦點出現相離和相悖，比如案件未破是結果與真相相離，冤錯案件則是結果與真相相悖，此時混沌體系無法閉合。另外，偵查情勢中的各要素因其構成有主體性和客體性之分，還有主觀和客觀的差異，以致偵查情勢每個要素都可能存在兩個相伴的運動方向，最終是兩個運動的合力指向橢圓焦點。.動態與靜態相生偵查情勢內容豐富，包含作案的目的、作案人的手段和反偵查措施、偵查員的能力素質、破案的物質基礎、科技手段、犯罪現場的地理環境、氣候條件等。這些內容從單一要素角度講是靜態的，抑或說，這些要素必須是確定并可以利用的，比如犯罪現場的地理環境，現場勘查中只有測算出具體的位置、距離、高度等數據才對偵查有意義。但是偵查過程中，一個內容要素會引發一系列結果進而涉及眾多其他內容要素，每一個結果也是由很多內容要素共同形成。從這個角度講，偵查情勢的各項內容一旦互相聯系便是動態的，在偵查情勢中動態與靜態相生，兩者相互依存又彼此制約。.因果與關聯同在偵查的實質是偵查機關及其所屬的偵查人員依據犯罪及其偵查的基本規律發掘、發現、識別、解析、判讀、固定、描述、展現犯罪行為發生、發展的因果聯系的活動過程。不過，偵查情勢中因果關系并不是完整存在于同一鏈條之上，而是被分割存在于眾多的關聯關系內，偵查的任務便是根據眾多關聯關系的碰撞比對分析，抽取指向案件真相的要素，厘清因果關系的鏈條。比如天氣的原因詮釋了作案人犯罪時間的選擇，而犯罪時間的認定又在被害人死亡時間的鑒定中得到證實，天氣、作案人、被害人、鑒定等要素中提取了關聯信息，組成了作案人為何選取某個時間殺害被害人的因果關系閉合鏈條，從這個例子中也可以看出因果關系和關聯關系實則是同根而生。.共性與個別相成偵查情勢類型可以劃分為典型的偵查情勢和個別的偵查情勢，前者關注同類型案件的共性特征，后者強調個案中戰術的運用和組織的方法，兩者相互補充。從傳統偵查角度而言，案件偵查圍繞何時、何地、何事、何物、何情、何故、何人等七個要素查證事實真相，與“七何”要素相關的信息組成典型偵查情勢的基本框架。但“七何”要素只是偵查主體感受到的主客觀要素，偵查情勢基本框架僅包含了部分場景要素，當面臨新的案件時無法含括個案偵查情勢的所有要素，而且兩者差異越大，偵查的偏離度就越高。理想狀態是基于偵查情勢的所有組成部分構筑偵查情勢典型化模型，不過在實踐中幾乎是不可能完成的任務。唯有盡可能多的搜集偵查情勢的相關要素，在此基礎上構建概率模型，使之達到有效應用的程度。（三）大數據與偵查情勢契合點分析.構成模式均呈現運動開放狀態大數據和偵查情勢都具有整體性和開放性的特征，而且內部各要素錯綜復雜，包含了各種關系，所以大數據意求包含所有數據，并且數據本身是不斷變化的；而偵查情勢也力求含括所有偵查信息屬于開放式的系統，同時系統內的信息是動態的。信息的本質也是數據，數據的有序排列便形成信息，在眾多偵查學教材編寫時，大數據視域下的數據概念尚未普及，因此多使用偵查信息而沒有使用偵查數據。如果彌合數據和信息的差異，以構成模式為視角，大數據同偵查情勢均呈現運動和開放的狀態。構成模式的相似性詮釋了大數據應用中對數據的處理、存儲、分析技術亦可應用于偵查情勢，借助大數據建立大系統思維，將幫助偵查人員更加準確地把握影響偵查情勢的各項要素，掌握偵查主動權。.內部要素均表征相近相聯關系傳統的數據分析追求解釋事物背后的發展機理，進而預測未來可能發生的事件。大數據視域下，因果關系并不那么重要，相反事件內部各要素的相關性成為主要追尋目標。偵查情勢是偵查方法和偵查措施使用的基礎，但偵查情勢并不期待通過分析成因獲取案件偵破的方法。偵查情勢更為關注的是案件發生的時間、空間外在環境、客觀現實及其他發展動態之間的相互聯系，以此角度推斷，偵查情勢認定和分析階段是最為適合應用大數據相關技術和思維方法。因為偵查的其他階段都無法脫離因果關系的鏈條，而偵查情勢的任務是認定偵查環境，分析偵查面臨的形勢，提供案件查辦的基礎，尚未進入因果關系證實階段。.目標取向均追求預測研判功能預測研判是大數據的核心功用，而偵查情勢分析的核心任務也包括預測整個情勢發展變化的趨勢，因此大數據相關技術可以用來提升偵查情勢分析時的預測能力。同時，大數據因其不是全部數據，預測的結果必然存有誤差，而偵查情勢分析時基于的是已被感知的主客觀要素，其自身被界定為“混沌”系統。混沌系統無法完全正確地找出某個事物所以這樣而不是那樣的全部原因和這些原因作用于事物的非常正確的量化關系，它求取的僅僅是近似值。［5］所以在目標取向上，大數據和偵查情勢都在追求盡力接近真相，而非真相本身。在整個偵查體系中，偵查情勢因為能夠接受預測研判形成的近似值，而成為大數據在偵查領域最為適用的應用環境。二、大數據對偵查情勢分析的作用探析偵查情勢自身具有的動態性、整體性、開放性、關聯性和能動性等特征使其處于運行狀態，此狀態下偵查情勢內部各要素互相影響，作用此消彼長，從而影響案件偵查。偵查中，不斷有主觀和客觀的要素加入或被排除，偵查人員勘驗現場的效果、對遺留證據的認知能力、自然條件對現場的破壞等均是偵查情勢處于運行狀態的動力源。動力源匯聚在偵查情勢形成兩股互相制衡的作用力，即推動案件查證到真相的力量和阻礙案件查辦到真相的力量。大數據的引入，雖然助長了偵查情勢中查辦真相的力量，但也并不代表大數據能夠影響到偵查情勢中的每一項要素。概括講，大數據主要通過提升偵查情勢中偵查主體的認知能力和辦案積極性，從而感知更多的案件信息用于偵查情勢分析，以此提升偵查主體開展偵查情勢分析的能力水平。（一）大數據有助于提升偵查主體的認知能力在偵查情勢的構成要素中，偵查主體作為推動案件查辦的主導力量是最為重要的。誠然，大數據時代偵查情勢各要素都受大數據影響，但是諸如客體、客觀方面要素的變化，只有被偵查主體感知才能影響偵查情勢的認定和分析。大數據對偵查主體的影響，體現在擴大偵查主體的知識觸角，激發偵查潛能，提升偵查主體對偵查情勢分析、利用和控制的能力。大數據以全部數據為視角，加之相應的數據處理技術，幫助偵查主體獲取更多的案件信息，進行更為全面的綜合分析，破除案件偽裝。大數據廣闊的信息把控能力還能幫助偵查主體更為有效地控制案件查辦要點，掌控偵查情勢。同時，基于大數據相關技術對大量的結構化、半結構化和非結構化數據進行處理，形成的實時分析能力和預測能力，幫助偵查主體抓住偵查情勢動態變化過程中呈現的空白點①空白點由偵查情勢要素錯位而形成，偵查主體抓住空白點可以推動案件偵破，作案人抓住空白點，將會加大案件查辦的阻力。，直擊要害突破偵查僵局進而主導整個偵查走向。總之,大數據幫助偵查主體增強在活力對抗方面的優勢，彌補偵查主體個人能力和業務知識的不足，及時修正錯誤，保持職業敏感度，更好地尋求偵查方法，使偵查情勢由錯綜復雜走向條理清晰，為破案打造良好基礎。（二）大數據有助于偵查主體感知更多的偵查情勢信息偵查情勢認定的本質是拓寬偵查人員認識及預測偵查情勢各方面因素的可能性，對偵查情勢和偵查人員這兩組因素進行聯接。［6］換言之，偵查情勢如同混沌體系，其間包含了已知和未知的要素，從偵查破案的角度審視偵查情勢，只有偵查情勢中被偵查主體感知到的已知部分才是案件偵破所能依靠的情勢。偵查的目標是查明案件真相并抓捕犯罪嫌疑人，偵查目標影射到偵查情勢就是在已知信息基礎上，分析調取并查證未知的信息，經過比對信息中包含的各類印證關系，最后形成指向性強、關系單一的簡單型偵查情勢。所以，回溯至案件偵查的起點，面對偵查情勢，偵查主體能夠感知的信息越多、越系統，那么對偵查情勢的認定就越準確，基于偵查情勢采取的偵查方法、偵查策略和偵查措施就越有效果。大數據視域下的偵查情勢，相對于傳統數據統計，拓展了偵查情勢所包含各項要素，同時運用大數據技術分析處理，增加了偵查主體能夠感知的信息量，幫助偵查主體從全新的高度認定偵查情勢。（三）大數據為偵查情勢分析提供了先進的方法偵查情勢的分析實質包含了認定和分析兩個步驟，偵查情勢的認定是對特定偵查環境的描述型表達，是偵查情勢中被偵查主體感知的因素之和，而偵查情勢分析是以正確偵查決策為目標，對情勢要素進行分析，選取合適的偵查方法并使之具體化。偵查情勢的認定和分析前后相繼，認定是分析的起點，分析是認定的深化，但整體而言，兩者屬于同一分析過程，故而統稱為“偵查情勢分析”。大數據視域下偵查情勢分析較之傳統模式是變革性的，主要表現在兩個方面：.分析對象由信息轉換為數據信息和數據是彼此聯系又相互區別的一對概念，信息由數據組成，系統化的數據便是信息。傳統偵查情勢分析的基本單元是信息（如圖1）,而大數據視域下偵查情勢分析的基礎是數據（如圖2）。數據被系統化為信息的過程中，人為剔除了大量被認為無用的數據，但這些被認為無用的數據只是偵查主體在進行小眾數據分析時暫未涉及，從大數據的角度審視則未必是無用數據。所以，大數據視域下以數據為基本單元的偵查情勢分析更為客觀準確。圖1信息為基本單元的偵查情勢分析示意圖圖2數據為基本單元的偵查情勢分析示意圖.分析方法引入智能化工具傳統的偵查情勢分析是偵查主體以信息統計為基礎開展（如圖3）,大數據視域下的偵查情勢分析仍然離不開偵查主體的價值判斷與分析決策，只是判斷與決策的基礎不再單純依靠信息統計，而是通過大數據技術對數據進行研判分析后，基于數據分析結果和諸多可視化的數據提示做出研判（如圖4）。因大數據視域下包含了眾多結構化數據，數量巨大且復雜，需要引入智能化工具輔助研判。智能化工具基于人工智能技術研發，與大數據幾乎相伴而生，人工智能需要數據實現其智能，如機器自學習，同時大數據技術還為人工智能提供強大的存儲能力和計算能力。但是大數據只能用于尋找結果，卻無法根據結果采取行動，人工智能則能夠執行認知功能，輔助完成對大數據處理結果的研判。因此，智能化工具的引入將大幅提升偵查主體對偵查情勢的認定和分析能力。圖3傳統偵查分析示意圖圖4引入智能化工具后的偵查情勢分析示意圖三、大數據視域下偵查情勢運行的優化路徑闡釋大數據之于偵查情勢，在實踐應用層面的載體是大數據及其相關技術生成的一系列研究成果，由于大數據研判需要借助人工智能技術，因此這些研究成果被設計成各類含括了人工智能技術的大數據應用系統（簡稱“大數據智能化應用系統”），交付給偵查人員使用。探析大數據視域下偵查情勢運行的優化路徑，實則是分析智能化應用系統的優化路徑。結合大數據應用場景及對偵查情勢各要素的影響，集中闡述與偵查主體密切相關的幾項工作，借此呈現大數據視域下偵查情勢運行路徑優化的重點。（一）提升數據庫質量是優化大數據智能化應用系統的基礎伴隨信息化偵查的開展，偵查過程中獲取了大量的圖像、視頻、文本、語音等數據。上述數據的分類存儲構成了各類數據庫，加之金盾工程建設以來，公安各部門的數據庫積累取得很大成就。目前，從大數據角度審視，數據庫質量主要欠缺在數據聯通。首先，表現在各警種間單獨作戰，所依靠和形成的是自己的數據庫；其次，各地區、各層級間偵查辦案也基本呈現個體化狀態，彼此數據不融通；第三，公檢法司等政法各協同單位間的數據更是缺乏互聯性。因此提升數據庫質量，偵查機關需建成互通互聯、共建共享、綜合應用的統一大數據平臺，借此打破警種部門乃至區域間的“數據壁壘”。實現此目標的難點集中在偵查各單位①偵查各單位，包括基于各警種間、不同層級間、不同區域間形成的偵查部門，如基于警種形成的刑事犯罪偵查、經濟犯罪偵查等；基于行業形成的鐵路公安、森林公安等。彼此數據開源的不現實性，在目前階段，各偵查單位間數據開源會造成極大的安全隱患，而且管理成本高、難度大。此情形下，相對優化的思路是采取有限開源模式，并借助區塊鏈技術等確保數據融通安全。構思概述如下：首先建設公用數據平臺，直接存儲查閱非密可共享的數據，并設置涉密數據查詢端口；其次針對涉密數據密級設定相應的數據使用審批程序；第三借助區塊鏈技術確保數據查詢使用人員申報信息保密，同時對查詢時間、次數、事項建鏈留存，以備將來案件復查時使用；第四設置內卷信息存儲管理系統，只待重特大案件偵辦需要或重大冤假錯案復查時，按程序審批調取查閱。“有限開源”的方法雖然能夠緩解“數據壁壘”帶來的負面影響，但不是解決該項問題的最優路徑。換言之，“數據壁壘”的存在不是單純的技術因素導致的，更多的是體制原因。目前我國偵查權配置中，享有偵查權的主體包括公安機關、檢察機關、國家安全機關、軍隊保衛部門和監獄等。其中偵查權限最為廣泛的公安機關又根據查辦案件類型設立國內安全保衛、經濟犯罪偵查、刑事犯罪偵查和禁毒等部門。［7］諸多類型的偵查主體構成我國傳統的“條塊結合、以塊為主”的偵查權設置模式，該模式已被實踐證明，有助于偵查權的有效行使。只不過，伴隨大數據、人工智能等新科技手段應用于偵查，傳統以塊為主的偵查權設置，不利于大數據建設過程中人、財、物的統籌，間接影響了數據互通。鑒于此，為解決“數據壁壘”問題而論及的體制優化，首先要肯定偵查權設置的整體合理性，進而研析如何集中各偵查主體在大數據建設方面的人力、物力、財力，統一規劃建設、協調運行、共享互通。逐步建立統一的信息化數據采集、分析、管理機構及相應的考評制度，最終妥善解決數據壁壘問題，有效提升數據庫質量。（二）完善的知識圖譜是優化大數據智能化應用系統的關鍵大數據智能化應用系統包含各類查詢系統、辦案系統、分析系統、研判系統等，這些系統研發以大數據及相關技術應用為基礎，其中最為關鍵的是引入了人工智能技術。人工智能技術在實現對人類的思維意識、行為方式進行自主學習后，可以完成諸如語言圖像識別、信息收集反饋、自然語言處理等。大數據是人工智能的基礎，人工智能是大數據應用的重要載體，在構建偵查情勢的大數據智能化應用系統中，因為偵查情勢所涉及的數據量及類型過于復雜，便需要分類型完成計算機自主學習規則——知識圖譜的制定。知識圖譜是將實體的定義、構成、屬性等按不同維度梳理凝練出共

性的知識描述，再用圖形進行可視化表示。就偵查情勢的應用場景而言，編寫知識圖譜就是要將偵查情勢的數據，從數據接收和處理過程、各類因素在偵查活動中的作用、動態系統中進行的靜態和動態分析、時序中進行的樹杈狀思維、信息的反饋、決策的修改等維度，按照系統模型的構造，凝練出共性知識，并轉化成計算機可以識別的結構化數據。目前大數據、人工智能在司法領域的應用中，制作知識圖譜是基礎性工作。［8］知識圖譜作為實務工作與大數據、人工智能應用的橋梁，將數據的處理分析和研判匯聚到一個應用平臺，實現了大數據和人工智能技術的具體化應用。構建知識圖譜需要通用技術、行業技術和模型技術的支撐，以上技術以數據和業務為基礎。歸結到偵查情勢，數據基礎是指偵查相關數據，業務基礎則針對行業技術而言，表現為各種模型、算法，一般是先有數據模型，然后是業務模型，最后才是算法,業務模型需要算法去實現，但實踐中很可能出現算法滯后于業務模型的情況。由于通用技術對基礎數據有依賴，行業技術對業務有依賴，所以完善知識圖譜需要優化模型參數，借助真實的偵查情勢數據調教數據模型，使其在后續應用過程中更加具體準確。大數據視域下的偵查情勢運行借助大數據技術和人工智能技術實現，其間涉及的具體技術不僅是數據庫和知識圖譜的構建及完善，諸如數據處理技術、流計算和圖計算技術、可視化技術等都發揮重要作用。但是有別于后幾項技術可以由專業人員獨力研發，數據庫和知識圖譜的構建和完善離不開偵查人員的參與及相關偵查部門的配合。偵查人員在數據庫和知識圖譜的建設中起著主導作用，也正是偵查人員的主導作用，使數據庫和知識圖譜因循了偵查的基本特征和偵查的方法策略措施等，從而有效解決了“將大數據的一般性特征簡單轉換為大數據偵查的特征”的錯誤傾向。鑒于數據庫和知識圖譜在系統構建中的基礎性和關鍵性作用，所以大數據視域下偵查情勢運行路徑的優化以兩者為關鍵詞論述，也借此闡述偵查人員需要重點關注的事項。U!大數據應用于偵查情勢的預測作用厘定U!大數據應用于偵查情勢的預測作用厘定“大數據的核心是預測”是最具顛覆和重構能力的大數據觀，［9］因此大數據應用于偵查情勢無法回避預測作用的分析。同時，偵查情勢作為偵查實施的要素平臺輻射偵查全過程，所以預測作用的厘定，其論述視角含括了多個偵查階段。（一）預測功能存疑分析大數據應用于偵查情勢預測，體現在以下幾個方面：典型偵查情勢分析時，對一定時期內案件性質相同、情節相似的案件進行分析對比，梳理出某類案件的偵查規律，探尋破案的方向；通過大數據分析同類案件的時空分布特點，不同區域案件的特殊規律，不同因素之間的關系，進而預測下一步工作的側重點；利用大數據分析，根據不同數據項對數據庫中存儲的各類犯罪人進行多元化研析，從中總結犯罪人的人格及不同犯罪人作案的時空分布特征，以此預測偵查重點對象。但是上述功能無法全部實現，比如在各偵查部門數據沒有實現互通互聯的情況下，大數據預測的準確度是存疑的。近年來，預測型偵查、事前偵查、宏觀偵查等偵查模式不斷被提及，將偵查的啟動提到了犯罪預備階段甚至犯罪實施之前，已經突破了現代刑事法治理念。“引入大數據技術為時代所需，但其也不能包治百病TIO］,更不能生搬硬套。所以，大數據應用于偵查情勢，需要融合兩者的契合點，依具體的應用場景和現實的技術能力發揮相應的作用，而不能拘泥于理論學說照搬應用模式，過分追求預測功能只會適得其