宇飞月
（中国人民公安大学，北京 100038）
随着全球互联时代的到来，数据信息资源已经成为了当今社会各行各业的核心资源，推动公安信息化、智能化、现代化建设已成为大势所趋。各级公安机关作为维护国家安全的重要力量，如能依托庞大的暴恐事件历史数据库，运用科学技术手段获取此类案事件形成和发生的潜在规律，进而采取相应的打击和预防措施，将有效减少暴恐事件的发生。
通过对大量原始事件的筛选、整理和对数据的统计、挖掘，运用情景链图构建法和关联数据挖掘技术，分别从定性分析和定量研究两个方面为暴恐事件的防控提供一条新思路，适应我国应对恐怖主义威胁的现实需求。
犯罪情景是由犯罪构成要素推动的、在时空轴上进行演变的动态过程。暴力恐怖犯罪是犯罪行为的一种，对其情景的研究方法可以由一般犯罪情景研究经验中类推得到。运用情景链图构建和典型案例分析方法，能够探究我国暴恐事件的一般演化规律。
（一）暴恐事件情景构成的关键要素
事件的构成要素及其取值的不同，是导致各类暴恐袭击情景存在差异的一项重要原因。各类构成要素在某一特定情景发生的情况下起到不同的作用，导致其重要性并不均等，主导构成要素对暴恐事件情景的产生和发展起着关键性作用。只有在研究和评估情景的全部节点上全部构成要素的现实意义的基础上，才能实现整个暴恐事件的情景分析。在实际应用中，可通过调整各要素的参数值来达到精确分析情景的目标，进而助力犯罪预测和防控的实现。因此，确定暴恐事件情景的关键性构成要素，是构建暴恐事件一般结构模型、实施情景路径推演的重要基础，这些要素的确定是否合理、正确将直接影响整个事件描述的结果。
全球恐怖主义数据库（GTD，Global Terrorism Database）是一个开源数据库，记录了近五十年时间里在世界各地发生的恐怖主义事件的详细信息。其中的每一条事件数据均包含了以下几类事件属性：事件编号、发生时间、发生地点、罪犯组、死亡人数和受伤人数、攻击目标、攻击手段、攻击武器。将以上八类数据信息的重要性进行考量，再按照犯罪情景要素的一般分类法进行整合，最终确定了时空要素、主体要素、攻击手段要素、目标要素作为关键要素。
（二）暴恐事件一般情景链图的模块化构建
情景构建是指把从事件中找到的关键情景因素分类，并在此基础上构建一个模型来表达事件。[1]在确定了暴恐事件情景构成的关键要素后，以关键要素之一时间为轴，进行模块化构建。按照Fink 提出的事件过程四阶段模型理论[2]，将暴恐事件情景分为萌芽阶段、潜伏阶段、袭击阶段和曝光阶段四个模块。以其他关键要素为切入点，对各发展阶段进行情景构建。
1.萌芽阶段情景构建。萌芽阶段，是暴恐分子在实施行动前计划、预谋、准备的时期，在此阶段可能有情报征兆着暴恐事件有发生的可能。作为事件主体要素的暴恐分子，在思想和行为上表现出侵犯性，不断推动情景发展。确定实施计划后，根据攻击手段的不同，暴恐团伙或个人通过各种渠道购买或者盗取袭击所需要的不同武器，并组织团伙或者自己学习使用该武器的使用方法；
根据攻击目标类型不同，暴恐分子有针对性地选择作案地点和时间，有些严密的暴恐行为还会指派专人进行踩点。一般来说，暴恐分子较易选择离自己所在辖区较近的、熟悉环境的脆弱点作案，但也不排除有组织、有计划的暴恐分子选择破坏力较大的其他地区作案。
2.潜伏阶段情景构建。潜伏阶段，是暴恐分子蓄势待发，寻找合适时机作案的过程，也是遏制暴恐事件继续发展的关键阶段。在潜伏期时，当作为主体要素的暴恐分子做好袭击准备，设法接近目标地点，却由于公安机关或其他人员威慑等因素，主观上可能会产生退缩的念头，放弃整个实施计划；
又或者因为目标地与预期不一致、武器不能正常使用等原因，导致其无法接近目标点或展开攻击，整个暴恐事件也不能实现。反之，当暴恐分子做好充足的心理、物理准备，并且设法到达或进入目标点的范围内，完成了潜伏期的全部工作，就进入了暴恐事件的下一个情景模块。
3.袭击阶段情景构建。袭击阶段，即恐怖分子实施了暴恐行动，并导致产生一系列后果的时期，这是暴恐事件最为复杂也是最为核心的模块。对于暴恐分子来说，实施行为就意味着其起始动作可能被发现或身份可能被识别，其行为能否继续也面临两种可能：一是暴恐行为或暴恐分子被民众、警察等采取一定方式镇压，暴恐事件直接进入曝光阶段；
二是暴恐行为或暴恐分子没有被识别，暴恐分子实施其预期的袭击全过程，造成恶劣影响，随后暴恐事件进入曝光阶段。
4.曝光阶段情景构建。曝光阶段，是暴恐行为已经完全得到实施，相关部门展开后续处置行为的时期。这一阶段的情景可简单概括为以下三类：第一类是暴恐分子在事发前已逃离现场，常见的袭击方式有安置炸弹、投毒等；
第二类是暴恐分子仍在现场，但其是否能够脱逃仍处未知，例如开放式场景投掷炸弹、纵火、刀斧砍杀等袭击行为；
第三类是暴恐分子作案后不逃脱，例如密闭空间引爆炸弹以及自杀式引爆炸弹等，此类行为的显著特点是暴恐分子主观上放弃自身生还的可能，表现出来的袭击行为往往更加残忍，甚至造成更多无辜人员的伤亡。
（三）基于情景链图的暴恐事件防控对策
通过对上述情景模块的构建，提出可预防暴恐事件、监测可疑人员、控制事态演变的节点：
萌芽阶段，可疑人员大量购买、盗取武器时。设法监测刀斧、生化试剂等犯罪大量购买的行为；
应特别注意枪支弹药等走私贩卖的行为，如有私藏此类武器的，应继续追踪其团伙其他异常行为。
潜伏阶段，成规模可疑人员集体行动时。通过实时查看监控摄像等手段，将行为可疑的团体控制在车站等密集场所外，一定概率上可以控制此类事件的发生。
袭击阶段，可疑人员准备采取行动时。袭击阶段开始时，暴恐分子会进行武器准备，例如取出爆炸物、刀斧等，并会逐步接近目标，这段过程需要耗费一定时间，当目标点的警察识别到此类行为或收到来自群众的反馈时，应在不惊动暴恐分子的同时进行跟踪，随时准备出击，并第一时间报告以增派警力。
在对暴恐事件情景的一般化模型进行构建的基础上，选用Apriori 关联算法对数据集进行分析，探究暴恐事件构成要素之间的潜在联系。将这些规则应用于未知的事件预测中，可以推断在某些因素已经具备的前提下，某个事件发生的可能性或者大概率造成的某种后果。
（一）数据预处理
对GTD 数据库中记载的我国暴恐事件的数据进行研究发现，对于时间较为久远的案例描述不够具体，且查阅其他文献能够找到的记载较为稀少。由于要素关联分析需要获取案件详细信息，选取记载内容较为明晰、样本重复率小的2008 年—2017 年数据进行深入研究。
将案件要素进行合并，最终确定攻击者人数、具体位置、攻击手段和死伤人数这四类关键属性作为关联分析的目标属性。对于GTD 中事件某项信息的取值为“未知”的，首先从权威报道、文献中查找，仍然查找不到的进行删除处理。
（二）建立事务数据表
在确定研究的目标属性后，对目标事件进行梳理，通过合并、结构化等方法，将信息缺失或冗余的数据进行筛除，整理得到上述四类属性皆俱的暴恐事件共计68 项，形成事务数据表。
（三）数据的概化处理
由于Apriori 算法希望的是完全的标称型数据，在输入数据前要先对其进行概化处理，对于数值型数据要完全离散化。将四类目标属性按照取值不同分别进行分类：事件的攻击人数属性（R）分为独狼式、团伙式；
事件的位置属性（P）分为一般公共场所、人员密集场所、军政场所、教育机构、交通工具；
事件的攻击手段属性（M）分为纵火焚烧、爆炸袭击、车辆撞击、手持武器；
事件的伤亡人数属性（I）分为无伤亡、一般伤亡（伤亡人数小于10）、较大伤亡（伤亡人数在10-30 之间）、重大伤亡（伤亡人数大于30）。根据该分类方法，用不同符号表示各目标属性的不同取值，得到暴恐事件概化信息表（如下表所示）。
（四）基于Weka 的关联规则挖掘实现
Weka 是一款使用Java 语言编写的数据挖掘机器学习软件，它是一套完整的数据处理工具、学习算法和评价方法[3]，在其Associate 标签页中已经包含了基于Apriori 算法的关联规则挖掘方案。使用该软件实现关联分析，主要步骤如下：一是数据的导入与转换。将暴恐事件概化信息表转化为CSV 格式，在“Preprocess”标签页将导入的CSV 格式数据转化为ARFF 格式数据，此时的数据就成为系统可以识别的格式。二是选择算法并进行参数设置。切换到Associate 标签页，选择Apriori 算法，设置参数为：最小支持度=0.1，最小置信度=0.9。运行程序。
选取其中有价值的、有现实意义的规则进行分析：
规则一：攻击者人数“独狼”、攻击手段“手持武器”（7）伤亡人数“一般数量伤亡”（7），置信度为100%。该规则表明，独狼式作案、攻击手段为手持武器进行武装攻击的，暴恐事件造成的伤亡人数通常为1 人以上10 人以下（含10 人），规则的可信度为100%。该规则启示我们，即使是在传统印象中最不具有杀伤力的独狼、手持武器的作案条件下，依然有很大概率出现一般数量的人员伤亡，同样应当给予足够的警力支持。
规则二：伤亡人数“重大伤亡”、攻击手段“手持武器”（7）攻击者人数“团伙”（7），置信度为100%。该规则表明，伤亡人数为30 人以上、攻击手段为手持武器进行武装攻击的，暴恐事件一般采取团伙作案的手段实施，规则的可信度为100%。该规则启示我们，对于伤亡较大的近战式暴恐事件，防点打击应放在对于犯罪团伙的控制上，通过已经发生的此类暴恐事件，持续挖掘背后的团伙势力，有助于防控未知风险。
规则三：攻击具体位置“军政场所”、攻击手段“手持武器”（10）攻击者人数“团伙”（9），置信度为90%。该规则表明，袭击的具体位置为军政场所、攻击手段为手持武器进行武装攻击的，暴恐事件一般采取团伙作案的手段实施，规则的可信度为90%。该规则启示我们，对于发生在军队、政府职能部门的近战式袭击，犯罪团伙应为重点防范与打击对象。
通过对大量有关暴恐事件的文献进行研究，以及对GTD 数据库进行获取和分析，发现我国关于暴恐事件的研究存在定量研究不系统、数据情报信息利用不充分、与公安实践工作的结合不紧密等问题，进而确定采用定性和定量分析相结合的方法开展研究。一方面，围绕我国暴恐事件情景构成的基础模型，通过对我国典型暴恐案例进行归纳、对比，分析暴恐活动构成的关键要素，模型结合典型历史案例，构建我国暴恐事件一般情景链图，并提出关键节点的针对性防控对策；
另一方面，筛选可用数据，运用关联挖掘技术，对暴恐事件构成要素取值间的关联规则进行探索，并结合分析结果提出预防暴恐活动的相关建议。