英国警方失踪人员风险评估中长期失踪(LTM)案件特征分析——基于随机森林的机器学习研究

《Sage Open》:Examining Long-Term Missing (LTM) Persons Cases to Advance the Study of the UK Police Missing Persons Risk Assessment

【字体: 大 中 小 】 时间:2026年09月23日 来源:Sage Open 2

编辑推荐:

  长期失踪(Long-Term Missing, LTM)案件在失踪人员研究中仍未得到充分探讨,尽管其具有重要的行动、保护与调查意义。本研究分析了一个包含4,746起失踪人员案件的英国警方数据集,其中237起案件超过28天未能结案,以考察19项警方风险评估要素中

  
长期失踪(Long-Term Missing, LTM)案件在失踪人员研究中仍未得到充分探讨,尽管其具有重要的行动、保护与调查意义。本研究分析了一个包含4,746起失踪人员案件的英国警方数据集,其中237起案件超过28天未能结案,以考察19项警方风险评估要素中哪些特征与LTM状态的相关性最强。研究人员采用随机森林(Random Forest)机器学习模型,并结合合成过采样技术以应对类别不平衡问题。分析识别出若干有助于区分LTM案件与已结案案件的特征,包括身体或精神健康问题、反常行为失踪、存在可识别的失踪原因、自杀风险,以及更为宽泛的案件特定“其他”因素。当与先前关于高风险分类和有害结局的研究相结合时,仅反常行为和自杀风险在所有三个类别中持续出现。相比之下,身体或精神健康问题、失踪原因及“其他”因素似乎与有害结局和LTM结局的相关性更强,而与高风险分类的相关性较弱。讨论部分探讨了这些发现是否表明某些形式的脆弱性可能更不明显、更具模糊性,或更难以转化为即时的行动风险类别。研究还讨论了将失踪人员风险评估视为一个潜在的分类–结局(classification–outcome)问题,并提出了一个框架,以帮助解释各种可能的排列组合。研究还概述了对警方决策、调查审查、循证实践及未来研究的意义。
# 长期失踪案件与英国警方失踪人员风险评估:机器学习视角下的特征识别与分类–结局框架

## 一、研究背景与问题提出

在英国,失踪人员被定义为“任何下落不明且在被找到并确认其安危之前均被视为失踪的人员”。这一宽泛定义给警方带来了巨大压力,失踪人员案件已成为警方资源与开支的最大需求来源之一。国家犯罪署(National Crime Agency, NCA)数据显示,2021/22年度警方共接到359,240次失踪人员相关呼叫,形成292,839份正式报告。虽然大多数案件在短期内得到解决,但仍有小部分案件长期无法结案,即长期失踪(Long-Term Missing, LTM)案件。截至2022年3月31日,英国共有5,295起LTM案件。

尽管LTM案件具有重要的行动、保护与调查意义,相关量化研究却十分有限。现有文献主要涉及警方响应与调查、风险评估与案件特征、失踪人员身份识别以及对家庭的影响,但鲜有研究专门探讨哪些风险评估因素与LTM状态相关。同时,英国警方的失踪人员风险评估(Risk Assessment, RA)采用19项风险因素(Risk Factor, RF)问题作为标准化检查清单,但已有研究表明高风险分级与有害结局之间可能存在脱节。在此背景下,本研究旨在回答三个问题:第一,19项RF问题中哪些与案件演变为LTM状态的相关性最强;第二,这些与LTM相关的RF问题是否与先前发现的高风险分类和有害结局相关因素一致,还是呈现出不同的风险特征;第三,这些模式揭示了初始风险评估、后续调查响应与未解决失踪结局之间存在何种关系。由于LTM案件量化研究有限,研究人员提出若干引导性命题而非因果假设,预期反常行为(RF2)、自杀风险(RF4)、身体或精神健康问题(RF10)、可识别的失踪原因(RF5)以及更广泛的“其他”因素(RF19)可能尤为重要。

## 二、研究设计与关键技术方法

本研究使用来自英国某地区警方的数据集,共包含4,746起失踪人员案件。其中237起案件超过28天未能结案,被归类为LTM案件。数据集由警方先行收集、整理并匿名化后提供,研究人员未参与该过程,也未接触任何可识别个人数据。研究采用随机森林(Random Forest, RF)机器学习方法,这是一种集成学习方法,通过组合多棵决策树的输出提高分类性能。为应对LTM案件占比不足5%的类别不平衡问题,研究人员使用合成少数类过采样技术(Synthetic Minority Over-Sampling Technique, SMOTE)生成合成样本,将训练数据中的LTM案件数量增至906起,使少数类与多数类比例约为1:5。模型以案件结局(LTM=1,已解决=0)为因变量,以19项RF问题、性别和初始风险分级为预测变量。超参数通过5折交叉验证和网格搜索优化,最终模型在独立的留出验证集(1,804起案件)上评估。模型性能指标包括精确率、召回率、F1分数、袋外(Out-of-Bag, OOB)分数、马修斯相关系数(Matthews Correlation Coefficient, MCC)和ROC-AUC。特征重要性通过基尼不纯度平均下降量计算,用于识别对区分LTM与已结案案件贡献最大的预测变量。

## 三、研究结果

### 3.1 描述性统计结果

在全部4,746起案件中,男性占比56.0%,但在LTM案件中男性占63.7%,显示男性在长期失踪案件中比例过高。就风险分级而言,中等风险案件占LTM案件的70.9%,但这一比例低于中等风险在全部样本中的占比(83.1%);高风险案件转为LTM的比例为16%,标准风险案件在LTM中的占比从全样本的9.7%升至13.1%。在RF问题方面,RF1(年龄或体弱导致的脆弱性)在全部案件和LTM案件中均为最频繁记录的因素,但在LTM案件中占比略低(72.2%)。RF10(身体疾病或精神健康问题)在LTM案件中升至32.5%,显示该因素在长期失踪案件中的重要性增加。RF2(反常行为)和RF8(家庭/关系问题)在LTM案件中均占27%,RF5(有失踪原因)占27.8%,RF6(为离开做了准备)占16.5%。

### 3.2 机器学习特征重要性结果

特征重要性排序显示,对模型区分LTM与已结案案件贡献最大的前五个RF问题依次为:RF10(身体疾病或精神健康问题,重要性得分0.0725)、RF2(反常行为,0.0682)、RF19(其他未列因素,0.0632)、RF5(失踪原因,0.0615)和RF4(自杀风险,0.0596)。在风险分级方面,中等风险的重要性得分(0.0637)远高于高风险(0.0272)和标准风险(0.0214),这与大多数LTM案件被分级为中等风险有关。性别的重要性得分差异极小(女性0.0363,男性0.0331),表明性别对模型预测LTM状态的贡献有限。值得注意的是,尽管RF1在描述性统计中频繁出现,但其重要性得分较低(0.0544),表明该因素在区分LTM与已结案案件时贡献有限,可能反映了失踪人员群体中普遍存在的脆弱性特征而非LTM特有的标志。

### 3.3 跨分类与结局的模式比较

将本研究结果与先前三项主要研究(Doyle & Barnes, 2020; Phoenix & Francis, 2023; Sidebottom & Davies, 2024)进行横向比较后发现,仅两个RF问题在三个类别(高风险分类、有害结局、LTM状态)中一致出现:RF2(反常行为)和RF4(自杀风险)。这表明这两个因素在风险评估过程中可能作为显著的风险线索发挥作用。相比之下,RF5(失踪原因)、RF10(身体或精神健康问题)和RF19(其他因素)同时出现在有害结局和LTM结局中,但与高风险分类的关联较弱。这可能意味着这些脆弱性因素较难在初始评估阶段被识别为需要立即升级的威胁,或者它们涉及更模糊、累积性的风险。

## 四、讨论与结论

### 4.1 分类–结局框架的提出

研究提出一个包含15种风险分类与结局组合的解释框架。该框架将风险水平(标准、中等、高)与结局(长期/冷案、有害、非有害)结合,为每种组合提供可能的指示含义和实际意义。例如,高风险–长期/冷案组合可能表明分类正确但存在信息缺口;中等风险–有害结局可能提示风险被低估;标准风险–有害结局则可能意味着实际误分类。该框架强调,风险分类反映警方对初始信息的解释和响应方式,而结局反映案件随后的实际发展,两者结合才能更全面地评估风险评估过程的充分性。

### 4.2 理论贡献

研究将失踪人员风险评估定位在警方决策与结构化风险评估的交叉点,结合Halford(2024b)提出的警务决策框架(Decision-Making Framework for Policing, DMFP)进行解释。RF2和RF4这类显著风险线索可能更容易被警官识别并转化为操作性的风险分级,这涉及启发式判断或自然决策过程。而RF5和RF10这类与健康脆弱性或个人处境相关的因素可能需要更具调查性的决策方式,依赖理性分析和更系统的信息评估。这表明风险评估不仅是一份行政检查清单,而是一个不同风险线索可能激活不同判断模式的决策过程。

### 4.3 实践与政策含义

对于警务实践,研究发现提示应加强对RF2、RF4、RF5、RF10和RF19的深入询问、监督审查和分级理由记录。在初始报告阶段、监督审查阶段和持续调查阶段均可针对这些因素优化工作流程。15组合框架可作为事后审查和学习工具,而非新的分类工具,帮助识别误分类、信息缺失或评估不足等问题。在政策层面,研究引发了对高风险分级触发条件的思考:现有高风险分级可能更易于识别即时、外显和外部产生的威胁,而与有害或长期结局相关的某些脆弱性因素可能更模糊、累积或不易在初始报告时发现。任何政策调整都需谨慎考虑资源约束。

### 4.4 研究结论

本研究通过应用机器学习方法分析英国某警方的风险评估数据,填补了关于LTM案件风险特征的知识空白。分析识别出若干有助于区分LTM与已结案案件的特征,包括反常行为、自杀风险、可识别的失踪原因、身体或精神健康问题以及“其他”因素。仅反常行为和自杀风险在现有高风险分类、有害结局和LTM状态研究中一致出现。相比之下,与有害和LTM结局相关的因素(如失踪原因、健康问题和“其他”因素)在高风险分类中反映较少,这可能表明高风险分级更易于与即时、外显的威胁对齐,而某些与有害或未解决结局相关的脆弱性可能更模糊、累积或在初始报告时不易察觉。这些发现并不证明警方风险评估过程存在失败,也不证明个别案件被误分类,而是展示了将风险分类与案件结局结合审视的价值。研究提出的分类–结局框架为解释初始分级与后续轨迹之间的潜在错配提供了结构化途径,同时将此类错配视为审查的指示而非错误的确定性证据。未来研究应在其他警方服务中外部验证这些发现,并测试更广泛的人口学、时间、调查和情境变量是否改变已识别的模式。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号