第十二届研讨会：大数据时代“预防警务”的概念、理论与实践
大数据时代“预防警务”的
概念、理论与实践
浙江警察学院 金 诚 蒋文荣
内容摘要：大数据时代下，实现对犯罪精准预测已经成为可能。预防警务是指运用大数据和云计算、机器学习及人工智能等先进技术，对社会治安状况和犯罪问题进行精准预测、及时预警和有效预控的警务模式。预测是基础，预警是核心，预控是关键；传统犯罪预防理论是预防警务的理论基础，互联网+犯罪预防理论进一步发展了预防警务；要坚持理论为基、技术为要，数据为先、开放共享，警民融合、借力共赢，全民参与、社会共治等原则和方法，让预防警务成为犯罪防控和社会治理的有效模式。
关键词：大数据 预防警务 犯罪预防
大数据一词最早是由维克多·迈尔、舍恩伯格、肯尼斯·库克耶在《大数据时代: 生活、工作与思维的大变革》一书中提出的一个全新概念[1]，大数据具有“4V+1C”的特征，即规模巨大（volume）、类型多样（variety）、快速化（velocity）、价值性（value），以及复杂度（complexity）[2]，大数据是难以在可接受的时间内，用传统数据库系统或常规应用软件处理的、巨量而复杂的数据集[3]。伴随着计算机和人工智能技术的发展，依托大规模数据处理和分析能力的迅猛提升，使得在社会治理和犯罪防控中实现精确预测和有效预防成为可能。这一可能，将对警务战略和运行机制带来一场深刻的变革。为此，本文提出“预防警务”概念，探讨如何围绕着“总体国家安全观”,运用大数据，实现对犯罪和治安问题的精准预测、及时预警和有效预控，以期构筑起能够有效应对风险社会的社会治安防控体系，实现犯罪防控和社会治理的有效模式。
一、预防警务概念的提出
（一）大数据与社会治理
2016年，国务院印发《促进大数据发展行动纲要》明确指出大数据将成为提升政府治理能力的新途径，提出要建立“用数据说话、用数据决策、用数据管理、用数据创新”的管理机制，推动政府管理理念和社会治理模式的进步。近年来，国外学术界和政府管理部门也发起了一项“大数据社会福祉”（Big data for social good）运动。与我国的目标相似，该运动也尝试将大数据技术与社会治理相结合，以数据驱动的方式应对现代社会中面临的一些复杂问题，增进社会福祉。在政府层面，华盛顿、伦敦、慕尼黑、纽约等做了不少探索，成功运用大数据为政府治理问题提供了支持。[4]
中央政法委书记孟建柱在今年的中央政法工作会议上强调要“主动拥抱现代科技，推动政法工作理念思路与时俱进”，通过“政法云”建设，创新政法工作的新模式。今年，浙江省公安厅在省委省政府的统一部署下，推出了“云上公安，智能防控”，将其作为浙江省公安工作的第一战略。正如阿里巴巴首席风险官邵晓峰所言“预防是最佳的社会治理，大数据的最大优势是提供了预测的模型。”大数据的核心是大计算，随着大数据和云计算技术的发展，大数据为科学和精确的预测和预防提供了前提条件，大数据的大规模应用也开创了社会治理的新路径。
（二）打击与预防之辩
长期以来，公安机关关于“打击和防范”之先后、优劣之争，从来没有停息过。在现代警务活动中，各国警察部门日益重视警务预防工作。长期以来，“打防结合，以防为主”，一直是我国公安机关坚持的基本方针。无论是犯罪防控的理论和实践，大家都认为打击与预防当然是犯罪防控不可偏废的两个方面。然而在实践中，公安机关普遍存在重打而轻防的问题。究其原因，一方面是在有限的警力编制、经费投人等条件制约下，警务资源会更多地投入到案件侦破、打击现行犯罪中，聚焦于破案率等显性考核指标，从而形成了热点聚焦和大案主导的反应式警务；另一方面，犯罪预防必须依赖于全社会的共同参与和综合治理，责任主体的分散化和考核指标的隐性化使得预防工作难以受到应有的重视。此外，作为犯罪预防重要组成部分的犯罪预测存在着技术局限，微观、具体层面的预测难以实现，对犯罪预测普遍存在“不可知”、“测不准”、“难验证”等负面认识。在案件高发的现实压力与有限资源的矛盾之间，警务资源的配置、勤务模式的调整等自然会更多地倾向于打击而非预防工作。[3]
然而，以打击和控制为主的反应式警务则面临边际效能困境。警务要求更短的反应时间和更高的见警率、破案率、嫌疑人抓获率，依赖于各项日常执法活动，响应公众求助但缺乏明确的焦点，在一定时期、一定区域内更多的警力资源投人对于整体警务效能提升的作用呈递减态势。传统犯罪预测基于低复杂度、小规模的历史犯罪数据，利用犯罪地图、犯罪热点分析、计算机比较统计等分析工具开展预测，[3]这与大数据和云计算条件下的犯罪预测，不可同日而语。
预防是社会治理的先手，但由于缺乏精确的预测技术和预警能力，致使预防常常成为一句空话。随着社会和警务大数据的巨量沉淀，特别是云计算能力的快速提高，使得对犯罪和治安隐患的预测和预警变得更为精准，更为有效，让预防的真正实现成为可能。可以说，大数据是实现预防警务的基础条件，警务预测是实施警务预防的重要基础和前提条件[5]。实施“数据驱动的警务预测”或“数据驱动的社会管理”，或将成为公安机关应对复杂治安形势、提升公安机关战斗力的重要手段。[6] 当前，各地公安机关正在探索与实践的“智慧警务”，是以互联网、物联网、云计算、智能引擎、视频技术、数据挖掘、知识管理等为技术支撑，以公安信息化为核心，通过互联化、物联化、智能化的方式，促进公安系统各个功能模块高度集成、协调运作，实现警务信息“强度整合、高度共享、深度应用”之目标的警务发展新理念和新模式，[7]也是有效实现预防警务的重要技术路径。
（三）预防警务的概念与内涵
大数据的核心就是实现预测，大数据拓展了犯罪预测的思维和方法，并改变了传统警务的运行模式。在此背景下，本文提出“预防警务”的概念，可谓天时、地利、人和。从语境上讲，“预防警务”的概念，与西方警务专家提出的“预测警务（Predictive Policing）”相近似[8]，但本文提出的“预防警务”，其内涵更为丰富。预防警务是指运用大数据和云计算、机器学习及人工智能等先进技术，对社会治安状况和犯罪问题进行精准预测、及时预警和有效预控的警务模式。此概念应包含三个基本要素：即预测、预警和预控，此三要素也可称之为预防警务的三个步骤，共同构成预防警务运行的基本流程。预测是预防警务的第一步，是预防警务的基础，它是指运用大数据和云计算，采取不同类型的数据模型及人工智能的手段，对舆情、民情、社情、案情、敌情等进行分析分析，提供科学而精准的预测；预警是预防警务的核心，它是指公安机关基于前期预测分析结果，对特定或不特定的社会组织和社会成员，精准投放提供预警信息，给出风险提醒，最大程度地提醒社会成员及安全保障职能单位，为他们提供风险信息，协助把控风险危机处置的最佳时机；预控则是预防警务的关键，它是指公安机关等安全保障职能单位基于获得的预警信息，启动应急和社会联动机制，对即将实施的犯罪活动或发生的案事件进行提前反应处置，以避免案事件发生或将其危害性降低至最小程度。根据社会治安和犯罪问题的危急程度，预测、预警和预控既可分步实施，也可同步进行。
二、预防警务的理论基础及其发展
（一）预防警务的理论基础
剑桥大学著名犯罪学家大卫·法林顿（David Farrington）教授认为，减少犯罪的主要方法可以分为发展性预防、社区预防、情境预防和刑事司法预防等四种。发展预防是旨在遏制个人潜在犯罪倾向增长，关注人类发展研究中发现的犯罪目标危害性因素和保护性因素，以达到犯罪预防的目的；社区预防是指在社区内干预能够影响违法行为发生的社会环境与组织机构，比如关注社区凝聚力和治安乱象等社区危险性因素和社会环境；情境预防是指以增加犯罪行为得逞的难度，以及提高实施犯罪的风险为目标的预防；刑事司法是指传统的具有威慑力、消除犯罪能力和改造犯罪的策略，是由执法和刑事司法机构执行实施的犯罪预防。[9] 犯罪预防理论是预防警务的理论基础，尤其是情境预防理论为预防警务提供了相对直接的理论依据。
近20年以来，以美国乔治·梅森大学教授大卫·维斯勃德（David Weisburd）为代表的“地点犯罪学”学派，提出了“地点犯罪学”（Place Criminology）和“地点警务”(Place Policing)理论。该理论的发展和广泛应用，得益于犯罪地图热点（Crime Hotspot）描绘等计算机技术的发展，该理论将研究重点从传统的以“人”为中心转向为以“地点”为中心，开创了犯罪预防的新视野，进一步发展了情境犯罪预防理论。具体而言，以“地点”为视角的犯罪研究，受到三种互补理论的影响和支持，分别为理性选择理论、日常活动理论和环境学理论。理性选择理论假设“罪犯设法通过犯罪行为为自己获利，包括作出决定和选择”，然而有时在初始阶段时，这些选择和过程会受到时间、罪犯的认知能力、实用性等限制，从而使得罪犯表现出有限的而非合理的行为。这个观点结合日常活动理论，可用以解释犯罪活动中的犯罪行为。日常活动理论假设“在缺少一位有能力的守护者的情况下，当一个很可能犯罪的人在空间和时间上遇到一个合适的目标，那么犯罪行为自然发生”。当理性的罪犯在日常活动中遇到犯罪机会时，他们会作出是否行动的决定，因此，设想如果通过对引起犯罪机会的情况进行有效的控制，阻止被害人和罪犯在空间和时间上的会合，那么警察能够减少犯罪。[10]
如前所述，西方警务学者提出的预测警务（predictive policing）是应用专门的定量分析技术以确定警察干预的目标来实现预防犯罪，或通过统计学的预报解释过去的犯罪问题。[3]比如正在北美国家方兴未艾的热点警务（Hotspot Policing）或地点警务（Place Policing），就是预测警务的一大具体技术应用。大量的实证研究表明，在范围较小的地点聚集了大量的活动，这些犯罪地滋生了近一半的犯罪案件。如果警察将他们的注意力集中到这些不正常的犯罪地，那么许多犯罪问题能够有效得到更为有效地控制。通过对25项热点警务干预的测试分析，20项测试表明犯罪和骚乱问题有显着地减少。它支持热点警务在治理的地区内减少公民报警频率起的作用。当将犯罪转移和扩散的影响考虑在内时，犯罪预防作用就和热点一起了。现有的有效证明表明，热点警务干预措施更加倾向于导致犯罪控制的效益向周边地区扩散，而不会造成犯罪转移。[10]
归纳起来，传统犯罪预防有两条主要路径：一条是针对人的预防，即前述提及的发展预防、社区预防和刑事司法预防；另一条是针对地点、环境和条件的预防，主要是指情境预防。针对人的预防，主要是指对未成年人或青少年进行犯罪风险排查[11]，并开展有针对性的犯罪预防和干预，发展预防具有长期效应。以人为中心的犯罪成因极其复杂，还必须考虑一个国家和地区的经济增长、就业改善等外部因素[12]。本文所研究和探讨的预防警务，除了对地点、环境或者条件等情境因素进行分析外，更多地对潜在犯罪人的犯罪意图、动机和活动行为，依托网络社会发展而沉淀和实时产生的巨量数据，利用大数据分析和分析来对犯罪进行预测、预警和预控。此外，传统犯罪预防理论在指导网络时代犯罪预防时有着诸多的不适应，犯罪预防理论需要在传统犯罪预防理论的基础上有所新的发展，随着大数据、云计算、深度学习等技术在社会治理范畴的应用而逐步形成的技术预防，是防范预防理论的最新发展，也将是网络时代预防警务的主要理论。技术预防与情境预防等传统犯罪预防理论，共同构建了预防警务的理论框架。（详见图1）
图1：预防警务理论框架
（二）预防警务的理论发展
从全球范围来看，传统犯罪正在快速地向互联网+犯罪切换。最新数据表明，在我国，传统犯罪与互联网犯罪的比例为70%：30%，这个数据在美国是50%：50%，而在英国则达到30%：70%。从预测看，我国的互联网+犯罪的增速很快。网络空间的存在为网络犯罪提供了极佳的资源空间和运作平台。同时从犯罪成本、犯罪收益、犯罪机会、犯罪能力等犯罪本身的规律来说，网络空间对犯罪来说也同样具有相当的比较优势。二者的合力，可能会在未来导致犯罪类型从传统走向网络。在此情势之下，犯罪预防领域的研究有必要进行转向，将注意力从传统犯罪转向至互联网+犯罪。
互联网+犯罪具有非接触性、空间跨度大和链条长等显着特征，较之传统犯罪，其犯罪的环境和条件均已经发生很大的变化。经典犯罪学的理论建构与发展，多是基于对传统犯罪的观察与思考。虽然，互联网+犯罪在本质上与传统犯罪存在着很大的相似性，比如美国南佛罗里达大学乔治?威尔森?布罗斯（George Wilson Burruss）教授认为，网络犯罪与传统犯罪之间存在着诸多相似性，很多学者认为其只不过是传统犯罪向网络空间的迁移，譬如现实的盗窃与网路盗窃类似，都是使受害人的财务受损而已，因而所谓网络犯罪不过是“新瓶装旧酒”而已。因此，当然可以继续使用传统的犯罪学理论，譬如理性选择理论、犯罪亚文化理论等对网络犯罪进行解释和研究。[13]
但是在不少互联网犯罪领域，尤其是在大数据条件下，新形态下的互联网+犯罪很难再套用传统犯罪学理论加以解释。陈兴良教授认为，《刑法修正案（九）》之后，网络犯罪从此前的所谓计算机犯罪走向独立，与现实空间犯罪相比，网络犯罪既是传统犯罪的“网络异化”，又具有其自身的独立特点。网络犯罪的治理涉及多方面的问题，随着未来网络犯罪的上升，可能会形成新的网络证据学、网络刑法学及网络犯罪学。
在当前，传统犯罪之所以互联网+犯罪切换，本质上，并不是犯罪人行为发生了主动改变，而是整个人类生活的方式正在发生深刻的变化。网络作为一个工具空间与人们的现实生活、切身利益密切联系在一起，越来越多的交往交易行为都在其中完成，但毕竟不同于现实的实在空间。基于网络的虚拟性，个人必须依靠由有效的个人信息构成的虚拟主体进入上述的交往、交易及管理活动中。由此个人信息成为了网络空间中最重要的数据基础和核心资源。而诸多的网络犯罪正是出于对个人信息的非法侵害。武汉大学的皮勇教授深刻分析了网络空间中信息所占据的核心位置，他指出，在网络流动空间的大数据环境下，随着数据挖掘技术和数据利益的双重驱动，国家、特定单位或组织、网络服务供应者及公民个人，都可能成为侵犯公民个人信息的犯罪人，而公民个人由于必须让渡个人信息才能完成网络交易行为，且在侵权发生时无法有效维权，从而群体性地成为被侵害人。
面对网络犯罪的上述形势和特点，网络空间的治理成为一个极紧迫的问题，并且成为预防犯罪和预防警务的理论和实战的新战场。对于公民个人信息安全问题，皮勇认为，除了唤醒个人的信息安全包括意识和提升其保护能力外，更应建立完善的公民个人信息安全法律保护体系，并提升国家和社会的技术安全能力及保护能力。实务界人士还提出，应通过融合社会数据来提升公安机关把握犯罪规律、防控犯罪的能力，通过开放共享政府数据来主动抵制网络黑灰产业的扩张。阿里巴巴集团安全部总监胡冰先生在对网络黑灰产业的论述中，同样认为当前国内对网络犯罪的治理存在立案难、取证难、认定数额难和适用法律难等诸多司法实践困境，这些都急需立法、司法及行业管理等将“互联网”纳入其中进行创变。日前出台的六部委联合打击电信诈骗的通告，可以看作是一次具体的创变实践，即通过部门联动和大数据的预测，实现犯罪预防。
互联网技术缔造了一个新的以信息为核心的高度流动性的网络空间，其关键词至少包括“技术”、“流动性”、“多元性”。网络的流动性与多元性是多技术手段的后果，这两方面会在很大程度上颠覆传统犯罪学的犯罪人、受害人及犯罪情境的基本分析框架，使原有分析逻辑部分失效，或者因多因素的介入而高度复杂化，如此时的犯罪情境可能是一个复杂的网络环境，因而最终需要进行新的理论建构尝试。基于大数据的理论与方法的技术预防，将使其从更宏大的数据基础和行为范围内发现更新的犯罪规律，而多学科、多行业专家的团队合作将进一步推进其研究深度。说到底，这是与未来人类活动包括犯罪活动的方向相一致的。
所谓“魔高一尺，道高一丈”，借助技术包括网络技术而逐步形成的技术预防，其核心思想是通过利用各种安全防范技术及系统，掌握安全动态、监测安全风险、预警犯罪倾向，从而实现犯罪预控的一种犯罪预防思路，该预防思路的实践和运用，使得预防警务的理念与实践已然在发生深刻转变。视频技术的广泛应用，对预防警务实践的产生助力，使其对传统空间犯罪产生了较大的挤压效应。这既是犯罪类型转移的原因之一，同时，也预示了今后预防警务实践路径。
三、预防警务的实践
（一）理论为基，技术为要
在大数据时代，无论是传统犯罪，还互联网+的犯罪，我们面临最大的挑战，不是已经预知的犯罪，而是想不到的犯罪形态和突发性公共危机事件。预防警务是一种技术预防，但首先要解决好预防警务的理论基础问题。没有理论指导的技术预防，如大海航行无舵手，会迷失方向。任何先进技术，都只是一种手段，关键在于如何运用这些技术手段，来实现犯罪预防的目标。在当前，警务工作很流行“问题导向”的理念。“问题导向”本身并没有对错，关键是看如何通过系统性思维来采取“问题导向”的解决方案。简单的“问题导向”思维，缺乏整体性思考，事实上是不科学的。往往是旧的问题刚刚解决，又出现了新的问题，且新出现的问题比老问题还要严重。现代社会治理强调系统治理的理念，讲的也就是这个道理。所以，预防警务在实践中，一定要研究好其理论依据问题，要善于用理论思维和系统思维整体设计，明确在哪些领域、在哪些环节、针对哪些犯罪类型、防范哪些社会风险，从而科学预测、预警和预控工作，然而，才是技术手段的跟进和实现。
其次，技术是实现预防警务的重要条件。要通过研究技术也把握当下犯罪的新形态和新规律，也要通过大数据和云计算等人工智能技术，实现对犯罪和案事件的先知先觉。以网络犯罪的预防而言，就网络的多技术手段的使用来说，其基本构成了网络犯罪的最突出特性。因此，针对性研究其中的技术路径，才能充分把握由此所导致的复杂后果，包括警务和司法实践上的难题，比如犯罪侦查问题、司法证据问题等。此外，技术的问题需要技术的手段进行解决。就目前来看，如同很多学科的发展一样，犯罪预防也需要从小数据思维转向大数据的研究思路和技术理路，即从理论和方法两个方面都需要寻求大数据的启发和支持。
综上，数据时代的预防警务，必须要明确技术是为理念服务的，要善于运用大数据对当前的社会矛盾和社会风险进行系统分析和科学分析，学会用大数据分析新型犯罪的形成机制和规律，从而实现在理论指导下的技术预防。
（二）数据为先，开放共享
大数据是实现精确预测的前提。传统的犯罪预测是基于小数据的预测。传统警务模式中，警务预测基于知识、经验或直觉，其准确性、实效性不能得到充分保障，因而难以全面实施，[5]而当今犯罪预测则是基于大数据更精准的预测。无论是传统犯罪还是新型网络犯罪都是有规律可循的，只要建立自信，通过大数据的模型，就可以主动地发现犯罪的线索。
要实现大数据为先的目标，当前亟待解决的问题是公安机关内部的体制和机制问题，也就是管理的问题。各级公安机关首先要转变观念，以开放共享的理念，打破警种与警种之间，部门与部门之间的壁垒，转变之前以警种和地域为应用单位的小系统开发的模式，转变“各自为战、抢占地盘”的小农经济观念，转变大数据只是几个应用系统的简单整合的观念。要有效地实现预防警务，必须要实现最大范围的开放共享，整合数据，并且在不断应用和实践中，让大数据不断变大，实现数据的实时和在线。当前，浙江省公安厅正在开展“云上公安、智能防控”第一战略的“四朵云”建设，首先要解决的就是数据整合和如何共享的问题。阿里巴巴CTO王坚博士提出，大数据的核心就是“在线”，只有“在线”的大数据才能实现准确预测和先知先觉。[14]
（三）警民融合，借力双赢
在当前，各级公安机关普遍面临着案多人少，办案成本高，取证难等瓶颈，公安机关需要借力大数据以及人工智能等技术，发挥技术的优势，打击新型的网络犯罪。相比公安机关等政府部门，企业具有技术、人才以及资金的明显优势，尤其是在大数据和云计算等顶尖科技领域，技术资源和优势大多掌握在企业的手里。一方面，企业也需要通过寻找客户来运用这些技术，根据客户的反馈，来进一步完善这些技术；另一方面，公安机关也需要利用企业的资金和技术优势，在数据整合和系统开发领域加强合作，以实现预防警务所需要的精确预测、精准预警和有效预控。
在这方面，各地已经在政企合作方向开展了许多的尝试。比如，贵州省政府在利用和分析大数据解决社会治理有关问题方面，率先起步，确立了大数据产业发展的战略定位，制定了“多方参与，共同建设”的指导方针，构建了“政府＋企业”的模式，依托阿里云飞天平台构建了“云上贵州平台”。[15] 2016年，腾讯在苏州正式发布了“互联网+警务”七大解决方案。[16] 浙江省公安厅与阿里巴巴集团合作开展的“云上公安、智能防控”以及杭州市公安局开发的“城市大脑”项目，就是“警民融合、借力共赢”的经典案例。
（四）全民参与，社会共治
社会治理之所以优于社会管理，其最大的理念进步就是治理主体的多元化。社会治理需要公众参与，大数据更需要全民收集。大数据，并不如我们之前想象得那么神秘。大数据是来自于民，要用之于民。犯罪预防离不开社区和公众的积极参与，人民群众是预防警务的源头活水和力量源泉。预防警务是以数据分析、共享为基础。通过全民参与的“大数据”为纽带的预防警务，将进一步改善 “警察一社区”伙伴关系，进一步促成反应式警务、问题导警务和社区警务等不同警务战略的融合，更加合理地配置有限的警力资源而非相互排斥。总之，预防警务的核心就是效能警务，依托大数据的预防警务实现了将有限的警力资源，用在刀刃上，将公安机关的警务效能最大限度地发挥出来。
参考文献：
1、盛杨燕、周涛译, 维.迈.舍.肯.库., 大数据时代: 生活、工作与思维的大变革. 2013
浙江人民出版.
2、陶希东, 大数据时代中国社会治理创新的路径与战略选择. 南京社会科学,
2016(06): p. 85-90.
3、李国军, 论大数据驱动下的预测警务创新. 中国人民公安大学学报(社会科版),
2015(06): p. 3-8.
4、吴湛微、禹卫华, 大数据如何改善社会治理:国外“大数据社会福祉”运动的案例分析和
借鉴. 中国行政管理, 2016(01): p. 118-121.
5、彭知辉, 基于大数据的警务预测:局限性及其顺应之道. 中国人民公安大学学报(社会科
学版), 2016(02): p. 37-45.
6、冯冠筹, 大数据时代实施预测警务探究. 广东公安科技, 2014(01): p. 23-27.
7、张兆端, “智慧警务”:大数据时代的警务模式. 公安研究, 2014(06): p. 19-26.
8、Tilley, N., Crime Prevention. Criminal Justice Series. 2009: Willan Publishing.
9、国际犯罪学大师论犯罪控制科学. 违法与反社会行为的预防, ed. 大卫.法林顿. Vol. 1.
2012, 北京: 人民出版社. 293.
10、Anthony Braga, A.P., David Hureau, 热点警务对于犯罪的影响, in 警务工作评估系
统回顾研究，刘建宏, Editor. 2016, 人民出版社: 北京.
11、Farrington, B.C.W.D.P., ed. Preventing Crime: What Works for Children,
Offenders,Victims and Places. 2007, Springer.
12、Amanda Perry (Editor), C.M.E., David P. Farrington (Editor), ed. Reducing Crime:
The Effectiveness of Criminal Justice Interventions. Wiley Series in Psychology
of Crime, Policing and Law. 2005, Wiley. 256.
13、Thomas J. Holt, G.W.B., Adam M. Bossler., Police Cybercrime and Cyberterror.
2015: Carolina Academic Press.
14、王坚, 在线： 数据改变商业本质，计算重塑经济未来. 2016: 中信出版集团股份有限
公司.
15、李宇, “互联网+政务”解决社会治理问题——贵州省政府大数据应用经验的启示. 中
国党政干部论坛, 2015(06): p. 24-28.
16、贺骏. 腾讯发布“互联网+警务”七大解决方案. 2016年12月15日 [引用2017年8
月3日];
http://special.cpd.com.cn/n35887694/n35888803/c35948862/content.html.
