下文是我昨日应邀在天津市公安局“公安大数据技术应用人才专题交流会”上所作的主题报告。

接受邀请时我想到了一个问题：近年来公安机关在大数据赋能方面做了大量工作，并获得了巨大收益，今后一段时间（比如5到10年）是延续现在的做法呢，还是寻求新的发展方向呢？

我们一般都讲大数据为一线警务赋能，或者换个角度讲，满足一线警务对大数据应用的需求，这样的讲法没错，但似乎不完整。我们很清楚，业务一线对大数据应用的关注点在于满足当前业务需求上，具有浓厚的实用主义色彩。当然不能简单地说业务一线这样的关注点有什么不对，这与他们的层级、站位、工作性质有关。但是，以全局的、发展的眼光去谋划和实施大数据战略，去解决业务一线不可能去想、也解决不了的问题一定是公安大数据战略中重要的组成部分。这就是我要提大数据赋能实战的发展方向的原因。这里的发展方向显然不是指单一的业务应用或有限的综合应用，涉及的内容应该更为基础、更具前瞻性、更有影响力。

如此，显然需要建立一些新的认识。我想到了这么几方面：一是不能只满足于应用大数据支撑眼前的业务工作，应该充分运用数据资源，对公安工作中大量基础性问题进行深入研究并形成成果；二是愈来愈复杂的工作状况使得工具化的技术建设和数据应用不足以支撑公安改革需求，需要通过大数据赋能从根本上积极地触动改革；三是目前的公安信息化总体架构存在不少值得改进的问题，需要从基础出发，打造、培育新的公安信息化核心框架。我想，这三方面认识或许有助于回答前面提出的问题。

当然，大数据赋能实战要有新的发展，就需要有能够提供支撑的人才队伍。我的认识基本上是两个方面：第一，对人才的需求要结构化、具体化，只有这样，培养和使用才有具体目标；第二，要有适合人才成长的氛围，即便有金子般的人才，也得“不埋没、有光照”。

这个报告就是基于上述认识的。约15000字的内容应该说涉及范围不小，由于时间受限，绝大多数观点只能点到为止，未及细讲，也就起个抛砖引玉的作用。

大数据赋能实战的优先发展方向与人才支撑

商建学

（天津，2024.7）

自“金盾工程”建设以来，特别是近几年大数据战略的实施，各级各地公安机关通过大数据赋能实战有效提升了一线业务工作的效率、精准性、协同性等，公安工作发生了重大、深远的变化，现在是时候考虑下一阶段怎么通过大数据赋能进一步提升公安工作水平的问题了。

通过数据应用支撑眼前正着手的具体业务，对公安机关而言从来都不是问题，因为这方面的需求和能力是深植于公安机关（或者广义地说是警务部门）的基因里的，有理由相信，这方面还会得到进一步的发展。我们真正面临的问题是大数据应用的深度，即通过大数据赋能对公安工作产生颠覆性影响。这种影响通过长期的积累（即所谓的潜移默化）也能看到，但潜移默化的效果显然满足不了公安工作跟上时代发展步伐的需求。我们需要以积极的作为更深入地研究、谋划、推进大数据战略，以期获得更好的成效。

因此，有两个问题可以深入讨论一下：一是当前和今后一个时期推进大数据赋能实战的优先发展方向有哪些？二是需要什么样的人才队伍来支撑大数据赋能实战？我将在以下的演讲中对这两个问题谈些看法，以供参考。

第一部分：大数据赋能实战的优先发展方向。

我们处在一个高度信息化并仍在高速发展的时期，社会运行形态凸现了因信息化而形成的如线上线下融合运行等特征；现行的社会治理模式已满足不了社会发展的需求，在信息化中产生的众多社会治理参与者和治理资源为创新社会治理提供了重要条件；国家和公众利益因信息化而有了新的定义和分属，以信息化为背景的法制建设不断完善；对大数据的应用提供了深入了解事物真相的途径，新的基于数据应用的能力使全社会的运行得到强力支撑；如此等等构成了一幅复杂的社会背景、时代背景。在这样的背景下，运用大数据赋能实战成为公安机关应对复杂社会状况、深化自身改革、构建适应现代社会治理模式的新警务模式的关键选择。

从2003年全面开展“金盾工程”以来，特别是近几年的公安大数据战略实施，在全国各地、各业务条线都能看到在大数据赋能下公安工作的巨大进步。不过，当我们不断为公安大数据应用的水平和成果欢呼时，还是要看到我们对大数据应用的认知通常集中在它的工具化作用上，带有明显的实用主义色彩，主要致力于解决当前一线业务中遇到的具体问题，我们其实应该调整一下站位，从高端应用、深度应用、全局性应用等不同的角度来研究探讨大数据赋能实战还能做些什么，还能获得什么样的提升。

从大数据战略的规划和发展角度出发，我们可能需要建立这么几方面认识：一是不能只满足于应用大数据支撑眼前的业务工作，应该充分运用数据资源，对公安工作中大量基础性问题进行深入研究并形成成果；二是愈来愈复杂的工作状况使得工具化的技术建设和数据应用不足以支撑公安改革需求，需要通过大数据赋能从根本上积极地触动改革；三是目前的公安信息化总体架构存在不少值得改进的问题，需要从基础出发，打造、培育新的公安信息化核心框架。

基于上述认识，以下若干大数据赋能实战的发展方向是值得关注的。

一、基于犯罪预测的警务

目前公安大数据应用总体上还处在以描述性应用为主的阶段，应用重点是努力用大数据将关注的人与事描述清楚，但公安机关对大数据的应用显然不能停留在这一阶段。大数据记录了社会形态，并且社会形态的演变是有惯性的，这使得预测社会形态的走向有了可能性。从警察的职责出发，我们最关注的社会形态变化就是犯罪行为的发生，并且，社会学、犯罪学的发展为犯罪行为研究提供了扎实的基础理论支撑。因此，犯罪预测自然应该成为公安大数据应用的重要方向。

较早利用大数据开展街区犯罪预测的是美国警方。20世纪90年代纽约警方提出了以compstat命名的警务模式，其特点是警方通过数据收集、分析研判、警务干预、遏止犯罪的流程，在信息技术的赋能下提前预测、主动应对街区犯罪。这种警务模式逐步在全美推广，著名咨询公司–兰德公司于2013年发表了一份约200页的以《预测警务》为题的综述报告，对美国警方预测警务模式作了全面的阐述。我国一些地方在这方面也进行了有益的探索。

基于犯罪预测的警务模式是建立在几个基本认识之上的：一是预测警务是一线警务，这意味着对预测结果需要作出实质性响应（这显然不同于现在各地各警种普遍在做的犯罪态势分析之类的工作）；二是预测结果是一种可能性判断，在作出响应前后都有可能无法评价其准确性，这意味着响应是有风险的；三是应该在足够大的时空范围内对预测警务进行整体评价。

在实践中有两个基本问题要解决。第一，要解决怎样认识和获取数据的问题。数据所包含的意义不一定是表面看到的那么简单、直接，比如依据法律实名登记的旅馆住宿信息，直观看到的是一个人的活动轨迹点，但还可能包含了生活状态变化信息。当一个从来只住快捷酒店的人住起了五星级酒店，我们可以问一系列问题：此人是突然发财了？还是生活态度改变了？还是别的什么原因？这条住宿信息的想象空间其实很大，会激发我们去获取更多相关信息并进行分析，这才是大数据的魅力所在。开展犯罪预测需要尽可能地获取与犯罪行为相关的各种要素的数据，这不是一件容易的事，我们知道，即便是已比较成熟的社会学、犯罪学，其主要成果也不是在高度信息化条件下形成的，这意味着数据与犯罪之间的映射关系很值得研究，至少要形成具有统计学意义的成果，这显然是一项需要精心规划和组织的基础性或关键性工作。第二，要解决通过大数据预测发生什么犯罪行为的问题。有时候我们知道该预测什么，这种情况下，要做的就是规划和收集数据，对其进行分析，以判断想要预测的犯罪事件是否将要发生或会发生成什么样。不过，我们其实常常不知道哪些犯罪行为可能会发生，这种情况下，相关的数据规划很难做，也不会有理想的分析模型、预警阈值等，不过还是有些办法来开展预测的，比如用能够获取的数据去描述习以为常的社会形态，以此为基础去捕捉变化了的数据，从分析数据异常着手分析社会形态的异常，也许就能够发现些什么。

仅实现对犯罪的预测是不够的，需要建立一套基于犯罪预测的警务流程（这就是一线警务的本质所在）。它们应该包括及时准确收集与犯罪活动相关的海量数据、基于理论基础和实践经验构建犯罪预测模型、利用模型对数据进行分析研判、确定警务战术、调度警力及其它资源、持续收集数据跟进及评估相关警务活动等。

基于犯罪预测的警务需要有不断迭代的发展过程，需要不断地、深入地研究哪些犯罪行为是可以通过哪些数据的异常变化反映出来；需要避免让一线产生总有“狼来了”的声音而不见“狼”的错觉，建立并及时修正相对于预测结果的警务干预机制；需要长期跟踪、不断调整预测模型，提高预测准确性，并不断修正对相关警务活动成效的评估评价。

构建基于犯罪预测的警务模式要实现的是从依靠经验向依靠数据的重大转变，是“情报信息主导警务”理念在大数据背景下的具体“落地”行为，是实现大数据赋能向高端发展的标志性应用，是警务模式从应对式向主动式的根本转型。如果有朝一日，公安机关将大数据广泛深入地用于预测犯罪，预测警务模式能够真正成形并发挥作用，那时我们才有信心说公安大数据应用进入到了成熟状态。

二、风险监测与防控

风险监测与防控是大数据赋能公安工作的极其重要又非常困难的方向，它与犯罪预测一样，也是公安机关大数据赋能向高端发展的标志性应用。

在大数据背景下，大家其实都想到了通过大数据应用对各类影响社会安定的风险进行评估、预警和防控，但在实践中远没有那么理想。

问题是要监测什么，也即收集、分析什么数据，获取哪方面结论？对这个问题的把握并不容易。与犯罪预测不同，社会风险监测往往指向性不很清晰，缺乏系统化的理论和实践经验支撑。因此，对社会风险的监测关键在于找到导致风险相关事件发生并造成损害的所有因素，将与它们相关的数据采集起来，对它们进行分析，观察它们的演变，从而判断风险何时演变成事件、损害可能会有多大、应该采取什么防控措施等。比如大型群体性活动安全风险监测，仅盯着现场的情况是远远不够的，需要关注活动参加人员构成、安保力量配置、场地监控、进出人流控制、危险品管控、交通组织、气象状况、反恐情报、应急救援准备情况、应急救援演练等。这些因素中任何一项出现问题，都有可能造成灾难性后果。因此，相关的数据都应该收集，并进行综合评估，这才有风险监测的意义，风险防控也就有了针对性。对绝大多数我们能想象到的风险，都可以列出一长串的影响因素清单，我们甚至无法判定清单是否足够长了。所以，在风险监测中对需要获取的数据类别、采样点、采样频率等的规划非常复杂，而要通过数据分析形成结论还需要理论及社会、业务经验等的支撑，让有关成果具有统计学意义上的科学性同样具有意义。

我们可以看一个实例，即最近发生的广东梅大高速公路路面塌陷事件。我们都知道，在多雨地区，沿山坡修建的公路是存在塌陷风险的（即是已知风险），站在研究风险监测与防控的角度，我们不禁想知道，在广东发生持续的暴雨后，是否有机构在对境内山区公路做相关的监测（比如监测山坡土壤含水量、滑坡先兆、路基变形等）？是否有机构采取了相关的防控措施（比如对行驶车辆采取控速度、控流量、控间距等措施，并将相关数据发送到导航软件上或进行短信、语音通报）？我们可以关注一下最终的调查结果。其实，从以往发生的灾难性事件事后调查报告中我们都可以发现一个相同的结论，即与灾难性事件相关的风险监测是不到位的，防控措施自然也是不到位的。所以，如何做到风险监测到位其实是项重大挑战。

当然，风险监测与防控中还存在一个问题，就是有可能存在我们根本不知道的风险，如何去监测？这是大数据应用要解决的问题。风险的存在如果最终造成了对社会的损害，它一定有个演变过程，只要能捕捉到演变的发生，就有可能发现风险，而这个演变是从正常态向异常态发展的，因此，运用大数据搞清社会正常态是什么，是有可能监测未知风险的。

实践中风险监测与相关事件早期预警往往被混肴，风险防控措施也相应地变成了事件处置措施。区分风险监测与事件早期预警的意义在于更清醒地认识风险存在的根源是什么，从根本上采取相应的防控措施。对风险的监测则往往不太可能从物理传感器中获取足够的信息，有很多数据要通过相应工作机制的运作去人为采集。这也说明，在风险监测与防控中对大数据的获取与应用要有更宽泛的思路，各类物理传感器能提供的数据仅是一部分，另外一部分数据则要靠正常的工作形态去获取。

由于对风险的判断是一种可能性判断，存在太多的不确定性，许多问题其实难以得到现成的答案，比如存在哪些风险、风险变为现实时会有哪些相关事件发生、哪些因素会影响相关事件的发展、相关事件会导致多大的损害、控制哪些因素能有效阻止风险变为现实等等。因此，对风险进行监测和防控需要相应的知识库支撑，并根据实践对知识库进行修正。知识库的组成至少需要以下几方面：一是风险、相关事件、影响因素、特征数据之间的映射关系，这种映射关系是构建风险模型、实现风险监测的基础。二是风险的评估指标。风险在成为现实之前毕竟只是可能性，然而对风险的防控是需要资源投入的，因此需要对风险一旦成为现实时可能带来的损失进行评估，从而确定风险的等级以及防控的代价。三是对风险演变的防控预案。如果确认了风险正在向现实演变，尤其是演变速度很快时，积极的防控不可或缺，防控什么、如何防控必须有清晰的思路，这时候防控预案的重要性就体现出来了（顺便提一下，各项业务的知识库应该是大数据赋能实战中需要关注的重点内容之一）。

风险监测与防控还应当考虑一体化体系化建设，因为在一个行业领域存在的风险有可能诱发其它行业领域的相关风险，在一个区域存在的风险可能蔓延或诱发其它区域形成同类风险，从而在更高的区域层级形成风险。所以，在风险监测与防控系统建设中需要有高的站位和整体性思路，从一体化、体系化角度推进建设。

与基于犯罪预测的警务不同，风险监测与防控需要持续、稳定的工作策略和行动，需要不断评估风险的演变，及时调整应对风险的资源配置和响应预案，科学平衡风险防控与其它工作的关系，总之，有大量工作要做。

三、基于互联网的警务

我们都知道互联网是公安机关大数据的主要来源，但我们千万不要忘记，互联网也是公安机关需要大数据赋能的主战场。当我们讲创新警务模式或更高层面的社会治理模式时，互联网是不可忽视的。

我们清楚地知道，大数据不仅仅为包括公安机关在内的政府机关赋能，也为社会机构和公众赋能，再加上不断出台的以社会信息化发展为背景的法律法规和各项政策，社会治理模式的创新、改革迫在眉睫。

互联网的发展应用对政府而言极具挑战性。这些挑战包括互联网平台对社会治理的影响、政府与互联网的运作机制的本质差异、互联网条件下公众对社会治理模式变革的需求等。舆情应对就是一个典型的例子，它是政府机关在互联网上遇到的最常见的挑战之一，到现在也没有真正找到应对这个挑战的好办法。在这件事情上，政府具有先天的弱势。当一个事件发生时，公众可以在自媒体上根据自己的认识迅速发表意见，但政府机关在未搞清事件真相之前显然不能随便表态，而搞清真相是需要时间的，所以政府对事件的响应速度总是滞后而让公众不满，也给了一些不良信息发展的机会。这样的挑战性例子在互联网上不难找到，而我们用传统的思路和方法是应对不了这类挑战的。

我们还要充分考虑互联网的一些特殊性。比如互联网上的数据虽然丰富，对公安机关来讲诱惑极大、价值颇高，不可不用，但互联网上数据有很多特殊性，包括以下几方面：一是一些数据的产生缺乏约束，二是不少数据存在明显的不确定性，三是数据会充分显现“长尾效应”，四是数据主体与内容会快速变化，五是数据不可避免地涉及隐私，六是“沉默多数”的意见难收集，等等。互联网数据的上述特殊性再加上数据类别、格式、数量等因素，使得公安机关要应用它们不可能是件简单的事，在对数据的鉴别、清洗、计算和应用等方面存在不少难题。

当我们在意改革社会治理模式时，要有个基本认识来支撑，这就是所有公众（包括社会机构、各类平台等）几乎都是“生活”在互联网上的。要把公众纳入治理主体的范畴、发挥他们的作用，一定要通过互联网。既然如此，面向服务管理公众的公安工作就必须与互联网充分融合。其实，基层治理需求、“最多跑一次”、政府数字化改革等已迫使我们将公安专网与互联网对接了。

我们注意到，互联网提供了将参与社会治理的各种力量（资源）整合在一起的手段，是实现社会治理现代化的关键工具或平台。近几年各地推进的“矛盾纠纷调解”、“访源治理”、“警源治理”等面向社会基层的治理工作，其数据基础和治理手段无不依赖于互联网，但现阶段依托互联网的社会治理资源整合显然是不足的，有很大的提升空间。

当我们不仅仅关注打击犯罪、提供政务服务，也关注防范犯罪、维护稳定平安时，不可忘记互联网是所有利益主体提出利益诉求、开展相关活动的重要场所，对社会公众的宣传、引导、帮助以及对一些不良问题的应对等基础性社会治理工作是离不开互联网的。

基于互联网的警务显然具有极为丰富的内容，也极具挑战性。我们知道，公安机关内部工作机制、业务流程与公众习惯、期望等之间是存在差异的，公安信息网与互联网也是存在差异的。所以，开展基于互联网的警务需要对公安机关内部的组织架构、业务机制与模式、信息化整体框架等作出与社会运作、公众行为模式、互联网特征相适应的调整。当然，这样做的话，公安机关在业务分割、信息网络安全管理、协同办事等方面要有与以往不同的考虑，或许可以考虑一下重新谋划公安信息化在公安专网与互联网上的布局，将涉及国家安全、警务秘密、内部管理等业务的信息化与服务管理社会公众业务的信息化区分开来，分别在公安专网与互联网部署，在应用中解决信息与网络安全问题。当然，更重要的是公安机关的思维模式也需要有针对性的改变。总的来说，我们需要构建适合互联网的公安工作生态和公安信息化建设生态。

四、多跨协同

大数据应用为实现公安机关各项工作的多跨协同带来了重大利好。一是视野宽了。通过数据看到了业务边界和边界以外的信息，即大数据带给我们以全局观。二是条件具备了。丰富的数据使得多跨协同具备了关键的信息基础，数据流可以载着业务流、管理流穿过各自边界，使得协同具备了形成意识、机制等的条件。所以，有了大数据应用，才好谈多跨协同。

从公安机关的情况看，目前可以看到的多跨协同主要分为两类，一类是以信息共享为基础，重在帮助相关方完成各自的事务；一类是通过使数据流畅通，实现各相关方对同一或关联事务的协同处理。这两类协同中，第一类比较容易实现；第二类是应该着力推动的。

在实践中，大数据赋能多跨协同往往面临一些具体问题，如技术体系与数据结构的异构、信息网络安全管理的差异、跨网跨级的信息化布局、多数据中心、数据汇聚的各种约束等，我们会发现让数据流畅通、各方能够完美地协同并不容易。这些问题其实并不好处理，即使是发生在公安机关内部各协同方之间的相关问题，这么多年过去了，也没有产生令人满意的解决结果，更不要说发生在公安机关与其它政府机关之间的协同问题了。

以“跨层级、跨地域、跨系统、跨部门、跨业务”为标志的多跨协同是发生在体制内的，即在公安机关内部、公安机关与其它党政机关之间实现。由于以互联网应用为代表的社会信息化的快速发展，社会运行形态发生了巨大变化，政府机关与社会机构和公众的沟通模式、社会治理模式也随之发生变化，有更多的社会主体参与治理。大数据不仅仅为公安机关打击犯罪、服务管理社会赋能，也在为整个社会的运行赋能，因此，多跨协同需要有新的内涵，政府机关与社会机构、公众间的协同将变得不可或缺。尤其在基层治理中，要将政府指导下的自治、共治模式健康发展起来，没有“跨体制”的协同是不可想象的，而这样的“跨体制”协同没有大数据的赋能是不可能实现的，因为整个社会都是在信息化高度发展的背景下运行的，离开了数据，我们会看不清事、找不到人、干不了活。

显然，我们有些事需要做。比如在各协同方之间构建具有良好的协同性、交互性等特征的协同计算架构，尤其是在公安机关内部的侦查办案、现场处置、大型活动安保等多警种、多区域、多层级参与的业务工作中，一个能有效支撑协同工作的技术架构是极为重要的；又如运用隐私计算分享各协同方的数据，充分满足各自对信息网络安全的需求，打消部分警种或其它政府部门、社会机构对敏感信息安全性的顾虑，保护各方的相关利益；再如用信息化平台将公安机关与社会机构、公众对接起来，在大数据赋能下培育自治、共治等治理模式的成形、发展，协同治理社会。

特别值得关注的是复杂警务活动（如安保、警卫、事件处置等）中跨技术体系的多模态数据融合应用。现在的公安工作涉及的信息类别众多，包括音视频、图片、文本、数据等，这些数据来源于警务通、无人机、无人艇、机器人、视频监控机、数字集群通讯终端及各种智能设备，由于来源和类别的不同，数据中包含了极为丰富的信息，当然也存在诸如各种模态的异构性、不同模态之间数据融合与表示方法的差异、融合后的数据量与高维度等需要解决的问题。目前对这些不同来源、不同类别数据的应用还是以相对独立的方式为主，应该将它们置于一致的应用框架中进行整合，按任务、按主题、跨设备开展融合应用，甚至可以想象构建一条公安数据链，各种来源的数据及其应用按统一的标准挂接到链上，一线民警按需将智能终端链接到数据链上，以获取更完整、准确、可靠的信息，支持自动识别、持续追踪、信息检索、警力协同、决策辅助等智能应用，提升公安工作的效能，这也是大数据赋能的本意。

上述事项需要有完整的规划，努力形成完整的技术体系。当然，仅在技术层面做工作是不够的，至少还应包括协同机制的确立、协同进程的监管、协同成效的评估评价等。

五、人工智能应用

大数据的发展引发了人工智能发展的突飞猛进，我们甚至无法预测明年的今天，人工智能会发展到什么程度。公安工作具有业务复杂、数据复杂、应用复杂等特点，是发挥人工智能优势的极好领域，是时候在公安工作中成规模地引入并发展人工智能应用了。

人工智能技术很复杂，比如生成式人工智能技术包括了多模态大模型的构建、训练数据的组织与标注、巨大算力的支撑等。对公安机关而言，我们对人工智能的兴趣除了如日中天的生成式人工智能（包括自然语言处理）外，还有诸如机器感知、专家系统、组合调度等。将人工智能引入公安工作中，我们需要做什么？总的来讲涉及到人工智能技术架构的搭建、人工智能训练数据的组织、应用场景的选择以及因人工智能引入带来的工作模式、机制的变革等，还有因人工智能的应用而需要考虑的公安信息化技术与应用体系的重构。当然，在技术层面，公安机关能够独立承担的工作有限，但我们仍有大量工作可做。

我们并非要去蹭当前这波人工智能的热度，而是在公安工作中确实存在着对人工智能的实际需求和应用场景，比如在以下几方面就值得下功夫：第一，利用人工智能培训新警。我们已在二十多年的公安信息化中积累了大量业务数据，广大民警在数十年公安工作中积累的经验、教训、智慧都积淀在这些数据中，人工智能为我们提供了充分利用这些数据资源开展新警培训的良好途径，可以大幅提升新警入警后的初始能力。第二，为每个一线民警配备得力的“智慧助手”。通过人工智能的应用，让每个一线民警在处理业务时能够得到来自全警智慧的支撑，在整体上提升一线民警的能力和水平。第三，使用人工智能发展“电脑神探”。利用电脑本身所具有的超级记忆、计算能力和人工智能在多维度、全视野、推理深度等方面的优势，再加上通过大量公安业务数据进行训练而获得的专业智慧，可以发挥人工智能在分析、侦破各类案件中的独特作用，提升打击犯罪的精准度和效率。第四，深化视频图像信息的应用。融合利用人脸、步态、动作（行为）特征、服饰等视频图像识别技术和自然语言处理技术，深度挖掘视频图像数据的巨大价值。我们希望能在所存储的或实时的视频图像信息中找到或追踪与类似“一个头发较少、长着山羊胡子、脸瘦瘦的、个子不高的、走路很快的男人”这样的描述相匹配的人；我们也希望能让电脑代替警务人员对数以千、万计的视频监控点进行不间断值机，自动、实时地对影响社会安定的事件发出预警信息。当然，我们还有更多的对视频图像信息应用的企望。第五，优化改善城市交通管理。随着城市规模的发展、交通主体的剧增，我们明显感觉到城市交通管理远未达到令人满意的状态，长期使用的交通管理模式看来遇到了瓶颈。从公安机关职责出发，需要从人工智能的应用中找寻出路，优化改善红绿灯控制、交通诱导等。第六，发展人工智能应用去应对那些利用人工智能进行的犯罪活动。人工智能一旦被用于违法犯罪，会对公安机关精准、高效判断信息的真伪、打击相关的犯罪带来严重挑战，应对这类问题的途径只有以机器对机器、以人工智能对人工智能。

公安机关在开展人工智能应用方面还能做很多事，下一个五年或十年，哪个地方能牢牢占据人工智能应用的领先地位，那个地方的公安工作一定会别具特色，甚至遥遥领先。

六、信息处理枢纽

大数据赋能实战中有些现象必定存在，如数据量和类别的急剧增长、应用需求和应用场景的不断扩张、应用模式的多样化、全局性业务态势分析需求的产生等等，我们还会面临通过大数据赋能完善公安信息化整体架构、推进公安体制机制改革等更大的课题，这些现象、课题对大数据处理提出了很高的要求，而这样的要求显然是单一业务平台或有限综合业务平台难以满足的，因而，我们会认识到，要很好地发挥大数据赋能实战，设区市以上公安机关非常需要一个信息处理枢纽。

这样一个枢纽要为一线业务提供信息服务、为全局性业务提供信息支撑、为决策者提供决策辅助、监测和评估业务运作状态、构建与应用业务知识体系、管理战略目标的达成等等。

有些事必须要由这样的枢纽来做才行。比如风险预测预警通常会超越单一业务的范畴，必须站在跨业务的角度来做。有些情况下，我们甚至不知道有风险，只能从异常状态中感知风险的存在。而要想知道一个区域（领域、机构）是否处于异常状态，首先得知道它的正常状态是怎样的，这种事如果不是基于全局性的大数据分析是做不到的。

这样的信息处理枢纽应该是公安机关的知识中枢、感知中枢、分析中枢、能力中枢、管理中枢，应该是整个公安信息化技术（应用）体系的核心，它将深刻影响公安业务信息化的架构，强力赋能公安一线业务，并对公安体制机制改革产生引领作用。当然，要实现这些功能并不容易，比如知识中枢的构建，需要对几十年公安工作形成的各类知识进行梳理，使其体系化、数字化，以知识库的形式成为知识中枢的核心，要实现这个目标有大量的工作要做。所以，信息处理枢纽的建设不单纯是技术性建设，而是在对公安工作进行全面梳理基础上的知识、技术、机制等的融合建设。我们不难想象它的建成能够对公安工作的发展产生多大的影响。

信息处理枢纽应该以实体化的形式存在并发挥作用。很显然，它的基础应该是在科信部门全力支撑下的技术性实体，而通过机制设计甚至组织架构设计使其成为一个技术与业务充分融合的实体一定是一个更好的选择。

上述这些优先发展方向存在一些共性特点，比如单一警种是没有足够能力推进的、依靠传统经验是不够的、决策者与执行者必须共同参与、许多基本问题的解决没有现成的答案、技术实现与工作机制运作需要充分融合等。

此外，大数据赋能实战中也存在许多约束条件，是我们应该关注的。比如政府机关、社会机构如果没有法律授权，意味着它不一定能够将其依据法定职责获取的数据分享给有需求的政府机关，因此，信息共享一直会是个难题；再如国家出台的一系列信息安全和保护个人隐私法律对数据收集与应用有很多的严格约束，怎样依法获取和使用数据对公安机关而言有大量的工作要做；又如公安工作面对的是社会人文问题，习俗、文化、道德、社会关系等对这类问题影响很大，而这些是无法直接用数据来表述的；还有如何通过大数据重新认知公安工作，推动公安工作改革转型，有大量的课题要研究，认识要提升，需要收集各类相关数据对公安体制机制进行深入剖析，从中发现问题、发现改革的需求，在此基础上开展深层次的数据应用，实现改革的目标。

第二部分：大数据赋能实战的人才支撑。

我们知道，任何事务的发展，起决定作用的是人。二十多年的公安信息化建设确实培养了一批人才，这批人才较多集中在信息技术应用的方向上，这当然符合行业信息化发展规律。现在的问题是，我们感觉到信息化人才队伍的构成已经不能满足公安信息化新发展的要求，仅从上面提及的大数据赋能实战优先发展方向来看，公安机关显然需要以下几类人才来支撑下一阶段公安信息化发展。

一、需要有善于统筹谋划的人才。

面对大数据和复杂的公安工作，要做好公安信息化的统筹谋划并不容易，真正需要既懂公安工作，又懂信息技术应用，拥有公安工作全局观的人才。我们不缺懂公安业务工作的人才；懂信息技术应用的人才缺不缺？不好说；拥有公安工作全局观的人才缺不缺？更不好说。这里讲的懂技术应用与专业技术人员的懂技术应用不是一回事。我们需要的人才应该掌握相关信息技术的优势在哪里、能够解决什么样的业务问题、解决问题的成本和代价是否可控、对业务运作会产生什么影响、能否促进全局性平衡发展、技术的可持续发展前景如何等等。可以看出，这些问题不是单纯的技术问题，技术与业务在其中相互交织，要回答它们不是一件容易的事。

这样的人才要扮演好三个角色：一是需求提供者。他们要能够提供信息化建设的顶层需求，从而对整个信息化需求的梳理产生“纲举目张”的效应。二是建设组织者。信息化建设既有包括组网、开发软件等的技术性建设，也有工作机制建设，两者应是同步、交织进行的。他们必须自始至终参与信息化建设的组织领导，才能在由信息化平台承载的业务工作建设中拥有话语权。三是系统使用者。他们必须善于使用信息系统，才能发现工作中的问题，提出新的需求，构建和完善与信息化相适应的工作机制。

二、需要有善于搭建业务与技术之间桥梁的人才。

业务需求与技术实现之间通常是存在距离的。当一线民警对大数据应用提出旺盛的需求时，技术上的响应往往没有那么简单、高效，通常存在这么一些问题：一是需求的表达比较模糊，意图不确切、不肯定，无法在技术上直接响应；二是需求的表达局限于某个具体业务，缺乏对全局性工作的综合考虑；三是需求的实现需要过多的资源投入，存在各种困难；四是需求的实现方式受制于现有的信息化架构，在实施层面上受到约束；五是公安机关自身缺乏完成技术实现的力量，而企业可能对需求缺乏足够的认识。这些问题的存在具有普遍性，但并不能简单地说一线提出的需求本身有什么问题，而是从事一线工作的人与帮助实现需求的人面对的问题不同、站位不同、考虑的角度不同，因此需要公安机关内有相应的人去思考、解释、厘清所有这些问题，提出满足一线需求的技术实现方案，即需要有人去搭建业务与技术之间的桥梁。

三、需要有超强数据敏感性和分析能力的人才。

无论是一线业务中对大数据的应用，还是在更高层面开展基于大数据的综合业务态势分析等都需要有一大批人善于使用数据，尤其是后一类情况。我们需要有这样的人，不局限于具体的业务，而是能够从汇集的大量数据中看到问题、看到解决问题的途径、看到业务的发展趋势，能够提出有效的业务对策，并为信息化发展和业务发展提出建议。我们可以在金融、证券、审计、会计等行业看到这样的人，现在公安机关也需要这样的人。

这类人才对数据要有超强的职业敏感性和分析能力。除了信息技术方面应有的素质外，还应该具备以下素质：一是擅长对各类因素分类、归纳，能够在分析大量数据过程中，迅速理清思路，抓住关键，提炼结论；二是擅长处理文字材料并有良好的表达能力，能够写出主题明确、观点清晰、表述流畅、举证有力、归纳简练的数据分析报告，并且能够清晰地向决策者和行动部门阐述分析结论；三是拥有开放的思维习惯，善于从习惯性思维模式中跳出来，理性地、开放地分析各类数据；四是具有良好的团队意识和合作精神，善于与团队其他人交流、会商，不轻易排斥因数据资源、个体职业素质、分析技能、分析手段等因素差异而导致的不同结论；五是善于与行动部门（人员）协作，致力于将数据分析结果运用于具体业务工作，形成业务驱动力，并通过业务运作来评价数据分析本身；六是有足够的耐心，耐得住数据分析工作通常具有的单调沉闷，有恒心长期收集数据，不断分析研判，不断修正已有结论，即便是在相当长的时间内得不到决策者和行动部门的认可，也能持之以恒。

四、需要有将复杂业务抽象化、模型化、数字化的人才。

近几年，公安机关在大数据应用中已经从早期比较单纯的描述性应用向基于模型进行数据筛选、分析的应用模式发展，为基于大数据的预测性应用、决策支持性应用等高端应用的发展打下了一定的基础。随着公安工作模式不断向数字化转型，将复杂业务进行抽象，构建易于数字化的业务模型，拓展大数据应用的模式对于下阶段公安工作的发展至关重要。

这项工作的难度很大，其成果在大数据赋能实战中将逐步处于关键地位，需要一批人才来从事这项工作。他们的任务是：研究并发展基于信息化的公安工作新理论，并将其用于指导业务建模，促使业务模型的科学性得到更普遍的认同；基于大数据开展统计分析，在基础理论不足的情况下保障业务模型在统计学意义上的科学性；研究业务模型、模型的参数与输入变量以及算法的相关问题，提高信息平台上依靠业务模型运行产生的输出的稳定性。

五、需要有善于寻找发现新技术应用场景的人才。

迄今为止，传统的、熟悉的业务场景基本上都有了信息化支撑，并在进一步完善，增加几类数据、算得快点，对业务难以产生质的影响。我们现在有了新问题：这么多数据、这么强的信息处理能力该怎么用？这个问题当然不是技术问题，而是业务问题，放到大数据应用的角度讲，就是应用场景问题。

在数据极为丰富、信息处理能力不断增强的现在和将来，我们或许应该强调“场景为王”。信息与信息处理资源会愈来愈丰富，信息化发展速度的快慢，最终要看能否善用资源。有了应用场景，就为资源的应用找到了方向，在业务创新上尤其是这样。我们需要把注意力更多地放在对业务工作的耕耘上，只有对业务工作研究得足够深入才有可能提出重要的特别是创新性的数据应用场景。在推进公安信息化建设中，我们不仅要强调技术驱动与问题驱动，还应对业务驱动加以重视，而数据应用场景设计正是业务驱动的重要切入口。

“场景为王”是符合大数据时代的信息化发展规律的，拥有数据还远不能拥有一切，想到在哪用、怎么用数据，那才与拥有一切近了很多。所以，我们需要有人去想。

六、需要有核心业务定制研发能力的人才。

我们知道，现在的公安信息化建设受到很多因素的制约，在绝大多数情况下，我们需要依据有关法律法规面向社会进行研发采购，但这样的建设模式在大数据时代是存在一定问题的，其中比较突出的问题有两点：一是大数据带来了建设与应用的不确定性，比如增加了一类新的数据，或根据实际应用情况需要调整业务模型，这种不确定性导致项目研发不断调整，因而在采购、验收、审计等方面产生一系列问题，比如以合同管理为基础、以财政预算的执行为约束的项目化运作无法完全做到合理合规；为实现“随需而动”需要社会力量投入时缺乏法律法规和资金的支持，需要自身力量投入时缺乏研发人才和相应人才管理机制的支持；等等。二是由于不可避免的合作企业对公安业务的深度介入，使得企业研发人员可以通过数据治理、模型构建、算法设计等技术性工作完全掌握公安工作中涉及的国家秘密和警务秘密，完全能够知道我们想干什么、对谁干、准备怎么干、干的结果是什么，这不是我们所希望的，而仅靠对企业研发人员的保密教育和安全监管是不足以解决我们的担心的。

显然，公安机关面临大数据应用项目建设中守法守规的问题和公安工作保密问题。要解决这两方面问题，公安机关在将项目的技术框架研发和非核心业务、非保密业务等的软件研发以及非关键性数据的治理依据法律法规公开招标，交由企业建设外，需要有一支自己的研发队伍，承担那些不可外包的包括核心业务、保密业务软件研发及关键性数据治理等在内的建设任务。

当然，为充分发挥大数据的赋能作用，公安机关还需要其它类型的人才，比如善于在业务工作中运用数据的人才，善于在核心平台上研发用于解决区域性问题、满足个性化需求软件模块的人才等。总的来讲，公安机关的工作特征，尤其是信息化高度发展的今天，使得对人才队伍状况永远不会感到满足的。当然，需要为人才的培育、成长创造良好的氛围。我们都听说过“是金子就会发光”的说法，这个说法其实值得商榷。要使金子发光，第一不要埋没它，第二要有光照着它。“不埋没、有光照”，这就是人才培养需要的氛围。我们期待随着大数据赋能实战的不断深化，一支公安机关独有的人才队伍快速成长起来，并发挥愈来愈重要的作用。

以上两部分内容既是当前实施大数据赋能实战中应该加以重点关注的，也是今后一个时期（五到十年内）应该取得明显进展的。相信有了这些进展，公安工作一定会发生颠覆性的变革，获得巨大的进步。

声明：本文来自网上行者的信息化杂议，版权归作者所有。文章内容仅代表作者独立观点，不代表士冗科技立场，转载目的在于传递更多信息。如有侵权，请联系 service@expshell.com。