《算法霸权》第五章：效率权衡与逻辑漏洞 大数据时代的正义

本章讨论大数据预测模型在执法领域的应用及其带来的公平问题。

本章讨论大数据预测模型在执法领域的应用及其带来的公平问题。宾夕法尼亚州雷丁市因财政紧缩裁减警力，引入犯罪预测软件PredPol，根据历史犯罪数据按小时预测犯罪地点，一年后盗窃率明显下降，类似软件随后在亚特兰大、洛杉矶、纽约、费城等地广泛应用。

这类模型只关注地理位置、不关注种族，看似合理，但关键漏洞在于是否纳入轻微妨害罪数据。贫困社区轻微犯罪多、警力多，逮捕多又产生新数据，进一步证明增派警力的正当性，形成恶性循环；在种族隔离城市，地理位置成了种族的替代变量，模型结果仍体现种族偏差。这源于对"破窗理论"的误用——原理论主张警察应帮助社区维持自身秩序标准，而零容忍运动却强行施加管制。轻微犯罪本身规律性强，模型对这类犯罪预测最准，加剧了对贫困社区的锁定。

作者进一步指出，模型几乎只关注穷人：金融精英制造的巨额犯罪因权力庇护而不被追踪；纽约"拦截—搜身"行动中约85%被拦者为少数族裔，与暴力犯罪相关的仅0.1%，却因基数大而被当作有效，且每次逮捕都产生新数据为政策背书，联邦法官最终裁定其违宪。被捕者又进入再犯风险评估模型，模型假定关押越久越安全，却从不研究监禁本身对行为的影响——与亚马逊主动研究用户行为的"再犯"模型形成对照；私营监狱的利润动机也使系统回避此类研究。芝加哥的犯罪预测项目更列出约400名"最可能实施暴力"者名单，22岁的罗伯特·麦克丹尼尔仅因出身坏社区、交友广泛而被警告监控。作者认为，法律传统牺牲效率以保障公平，而算法偏重效率、无法为公平编码，导致产业化不公平；正义的关键是平等，信任、公平这类抽象概念难以量化，模型因而倾向于可计算的逮捕数量，使穷人受困于数字法网。