中研院以AI和數據分析 揭秘海賊團的犯罪祕辛
一窺海賊團的犯罪祕辛
「夥伴們，一起航向偉大的航道吧！」這是漫畫《海賊王（航海王）》的經典台詞，漫畫中未知多變的海洋世界吸引廣大冒險者，但你可曾想過，在現實世界中的「海賊」，他們的犯罪網絡又是怎樣的面貌？中央研究院「研之有物」專訪院內社會學研究所江彥生研究員，他長期研究人與人、社群與社群之間的網絡結構。這一次，江彥生將揭祕海上犯罪網絡，帶我們一窺海賊團如何在茫茫大海中從事非法勾當。
採訪撰文│劉韋佐
責任編輯│田偲妤
美術設計│蔡宛潔
事實上，茫茫大海並沒有這麼「茫」，海上活動看似難以捉摸，其實在船隻及人員的出海紀錄中，都留有蛛絲馬跡，這些紀錄也成為研究海上犯罪的重要資料庫，而偵破組織犯罪的關鍵線索，就在其中。
「任何形式的社會網絡我都非常好奇！」江彥生談起研究動機：「尤其是那些具有神祕色彩的地下組織，像是詐騙集團或恐怖組織。這些組織為了達成目的，需要保有隱密性，這樣的特質非常吸引社會學家一探究竟。」
在這樣的情境下，海巡署以前瞻的視野，看到檔案數位化及犯罪網絡分析，對未來執法的重要性，提供了江彥生「去識別化」的臺灣海上活動數據。藉由對這些數據的網絡分析研究，執法人員將能比過往更加掌握犯罪者的行為模式。
用數據布下天羅地網，揭露海賊行為模式
究竟「海賊們」和「一般漁民」的海上活動行為模式，有什麼不同之處呢？
首先，我們來看看手上握有的數據。海巡署提供的是 2016 至 2018 年的臺灣海上活動數據，當中涵蓋了超過 5 萬人的出海紀錄，包括犯罪事件、逮捕紀錄、港口管理系統和船舶註冊等資料。
江彥生以這些數據，繪製了一個由 53,009 個節點和 2,592,288 個加權鏈路（註）所組成的海上同航網絡。為了處理龐大的資料，特別採用「自助抽樣法」（俗稱拔靴法，bootstrap resampling）來估計犯罪者和非犯罪者同航網絡的結構特徵。
什麼是「自助抽樣法」呢？這是一種從龐大母群體中抽出代表性樣本，再透過隨機重複抽樣，來推論母群體真實分配的統計方法。
舉例來說，假設海賊世界中高高在上的天龍人首腦，想知道聖地馬力喬亞周遭海賊團的犯罪行為模式，是混在人群中趁機犯案？還是以地下組織祕密行動？
由於蒐集到的資料當中，有犯罪紀錄的人遠比無犯罪紀錄的良民少之又少，為了處理這種「非對稱」的資料，首腦決定先從所有資料中抽出一群可以測量的樣本，再從中隨機重複抽樣後放回，並將每次抽出的樣本統計量記錄下來，讓許許多多的樣本統計量排列成機率分配圖表，就可以推估海賊團可能會以什麼策略行動。
這個方法的好處是，不用知道母群體真實的情況，就可以推論出可能的分布樣貌，以現有的數據「自助式」驗證手上資訊的特性。就像被沼澤困住的孟喬森男爵（Baron Munchausen），與其呼喊救兵，不如靠自己的力量，抓住皮靴上的帶子，奮力從泥淖中拔出雙腳（bootstrap）。
「這是一次難得的合作！」江彥生指出本次研究的特殊性：「過往的研究大多聚焦在犯罪者本身的網絡分析，較少將犯罪者網絡與同一時空背景下的非犯罪者網絡進行比較。」
藉由自助抽樣法，我們掌握了廣大同航網絡的結構特徵，也能進一步了解，海上犯罪者的行為模式是傾向「魚目混珠」或「藏匿行蹤」。
線索一：魚目混珠或藏匿行蹤？
常看柯南的你一定知道，犯人通常不會大辣辣地讓人一眼識破，通常是混在人群中趁機犯案，或故意製造不在場證明，讓自己看起來無異於他人。這樣的「魚目混珠」策略是常見的犯罪手法。
但在海上犯罪的研究中，江彥生發現，大海的無邊無際反而讓犯罪者沒有混充一般漁民的必要。犯罪者只要在出海時不露出馬腳，一旦到了海上，就可以「藏匿行蹤」，從事非法勾當。
線索二：無懼風雨，也要一起出海？！
研究還發現，犯罪者不會跟外界（非犯罪者）有過多接觸，通常只會和內部成員聯繫，而成員之間的行動模式也傾向在短期內共同、密集出海。相較於看天氣決定是否出海的漁民，犯罪者無懼風雨的出航舉動顯得相當突兀。
換句話說，犯罪者的同航網絡有較強的凝聚度，假設 A 和 B 有連結、B 和 C 有連結、C 又和 D 有連結，那麼 D 就有可能和 A 有所連結。這樣封閉且緊密的內部網絡，讓外界不容易察覺犯罪行為。
線索三：誰是幕後主使？關注異常出海紀錄
犯罪集團成員之間經常有明確的分工，有人負責第一線的走私貨物運送，冒著容易被抓的高風險，但這些人通常是對集團內部所知不多的「車手」，就算被抓到也不容易曝露集團核心資訊。
江彥生認為，最需關注的是集團中扮演「溝通橋梁」的角色，他們能夠協調內部分工、獲取外部情報。透過分析犯罪者多次的同航紀錄，就有機會發現某些人的紀錄異常密集，進而推測出哪些人可能是集團幹部。未來若搭配 GPS 定位追蹤，也有助釐清海上犯罪生態。
「嫌疑犯」的現身，研究發現並非偶然！
然而，也有人質疑，當前的資料已清楚知道誰是犯罪者，對於那些逍遙法外的不法份子，又該如何確認他們也具有同樣的網絡特徵？
為此，江彥生除了比較犯罪者與非犯罪者的網絡特徵，還特別加入新角色「嫌疑犯」進行三方比較。嫌疑犯的定義是沒有犯罪紀錄，但同航紀錄顯示他們經常與犯罪者一同出海。
簡而言之，研究團隊將犯罪者、非犯罪者、嫌疑犯這三組人馬，各分成「經驗網絡」（研究組）與「隨機網絡」（對照組）來進行比較，以證明數據的可靠性及非偶然性。
經驗網絡是基於海巡署的資料內容，來確認海上犯罪者實際的同航情形。隨機網絡則是從包含犯罪者和非犯罪者的同航紀錄中，隨機抽取其中數據，然後打亂它們的連結結構。為了證明經驗網絡記錄的真實世界互動關係，並不是由隨機因素引起，我們需要以隨機網絡進行對照。
研究顯示，犯罪者和嫌疑犯之間的關聯性並非偶然，其經驗網絡與隨機網絡比較之後，皆具有統計上的顯著性。
具體而言，犯罪者與嫌疑犯的網絡特徵相似，兩者的齊同度（與相同屬性者同航）、凝聚度（眾多人一起出航的機率）都比非犯罪者高，代表海上犯罪者們傾向以匿蹤方式共同出航。
跟我們想像的海上犯罪有些出入的，還有犯罪型態。
江彥生在與海巡署人員交流的過程中得知，海上犯罪案件大多是走私貨物、倒廢油、炸魚等小型犯罪，預想中的販毒、偷渡等大型犯罪反而少見。這可能跟臺灣的刑度較高、被抓風險較大有關，犯罪者會更加嚴謹地控管成員活動，導致有關單位能掌握的資料相對有限。
「原本的計畫也想針對販毒進行深入研究」，江彥生回顧研究過程：「由於原始數據沒有細分不同的犯罪型態，只能進行比較有限的分析，但不失為一個好的研究開端。」
AI 與社會科學聯手！打擊並預防犯罪的最佳途徑
AI 的發展也是江彥生長期關注的議題。談到 AI 技術在辦案上的應用，江彥生指出：「執法人員的目標就是抓到犯人，因此 AI 的功能是計算大量數據，從中提取有用的資訊，協助執法人員可以更迅速地做出判斷和決策。」
要 AI 幫忙判斷誰是犯罪者的前提是，必須提供包括各種線索的資料，例如研究人員估計出的社會網絡結構特徵，可以讓 AI 分析出組織犯罪的行為模式，進而像電影《關鍵報告》般，預測未來的犯罪發生機率。
然而，江彥生也指出當前面臨的挑戰。如果犯罪者的數據樣本偏少，而普通人的數據樣本非常多，就會影響到 AI 做出的判斷結果。
例如在本次海巡署提供的資料中，只有約 700 筆資料屬於犯罪者，其他 4 萬多筆都是非犯罪者，如果要讓 AI 推測誰是犯罪者，AI 判斷為「非犯罪者」的正確率會比較高。因此，如何平衡兩者之間的數據比例，讓 AI 做出更精確的判斷，是使用 AI 執法時必須克服的難題。
此外，江彥生也提到，社會科學家對犯罪者的關注重點，和只想快速得知結論的 AI 應用有所不同，研究者試圖揭露的是犯罪行為的背後動機，而不僅僅是表面的數據和模式。
針對不同個案的長期追蹤調查，雖然不如 AI 直接預測來的有效率，卻有助於從根本制定預防犯罪的策略。若 AI 技術搭配社會科學的深度分析，應能建構出打擊犯罪、也預防犯罪的最佳途徑。
這次研究計畫透過網絡統計分析，揭示了臺灣海上犯罪的網絡結構特徵，讓海賊團的犯罪行為模式露出些許馬腳。未來也有擴展研究範圍的潛力，例如從臺灣周遭海域到整個東南亞地區，更廣泛、深入地揭露海上犯罪生態。
註：「鏈路」是指從一個節點到相鄰節點的一段物理線路，中間沒有其他的交換節點。「加權」是指改變某些數據值的比重。當研究人員發現某些群體的數據抽取過多或過少，便會進行加權，使統計結果能符合現實情況。
延伸閱讀
●Yen-Sheng Chiang, Yi-Chun Chang and Wei Weng (2023). “To blend in or hide out? A network analysis on maritime criminal co-voyages in Taiwan.” Journal of Quantitative Criminology, Volume 40, pp. 373–393.
●本文為中央研究院研之有物，以創用 CC 姓名標示–非商業性–禁止改作 4.0 國際 授權條款釋出。授權刊登於聯合新聞網「琅琅悅讀」頻道。原文為「海賊現身！揭祕臺灣海上犯罪網絡特徵與行為模式」，未經同意，請勿轉載。
留言