‘예측 치안(Predictive Policing)’이란 치안 상황과 수요를 미리 예측해 맞춤형 치안 활동으로 범죄를 미연에 예방하자는 것이다. 이는 곧 잠재적 범죄활동을 파악하기 위해 치안 활동에 있어서 수학적·예측적 분석기법의 활용을 의미한다.
예측 치안 방식은 ▲범죄를 예측하는 방법 ▲범법자를 예측하는 방법 ▲가해자의 신원을 예측하는 방법 ▲범죄 피해자를 예측하는 방법 등 4가지 일반적 범주로 나뉜다.
따라서 예측 치안은 미래 범죄를 예방하거나 억제할 수 있는 최대한의 기회, 최고의 확률을 갖거나 자원을 최대한 효율적으로 활용하기 위해 경찰이 언제, 어디서, 어느 정도 순찰을 하거나 가시성을 유지해야 하는가에 관련한 경찰 전략에 Insight를 제공하기 위해 범죄가 발생한 시간, 장소(위치), 범죄의 특성에 관한 데이터를 활용한다.
이를 위해서는 당연히 분석될 수 있는 대량의 데이터로 구성되는 이들 요소를 고려함으로써 일종의 알고리즘이 생성되고, 이 알고리즘을 활용함으로 예측 치안의 속도를 높이는 등 자원의 효율적 활용은 물론이고 결과의 효과도 증대시킬 수 있다는 것이다.
물론 분석될 수 있는 편견이 없는 객관적인 데이터가 충분히 확보돼야 한다는 전제가 뒤따른다.
결국 예측 치안의 효과성은 데이터의 신뢰성에 좌우될 수밖에 없다. 만약에 데이터가 왜곡되거나 부적절하다면 경찰력의 낭비는 물론이고 인종적·계급적 갈등과 차별이라는 부작용을 초래하게 된다.
예측 치안의 효과에 대해서는 대체로 긍정적인 평가를 내놓고 있지만, 일각에서는 부정적으로 보기도 한다. 부정적 평가의 가장 큰 이유로 꼽히는 건 예측 치안을 위해 활용되는 데이터가 Data Censoring, Systematic Bias, Relevance가 경함이 있다면 데이터의 질은 심각하게 불충분하기 때문이라는 것이다.
여기서 Data Censoring은 특정 지역서의 범죄를 생략하는 데이터의 Implementation이고, 체계적 편견이란 데이터가 a Certain Number of Crime은 보여주지만, 범죄 발생 시간 등을 보여주지 않을 때 초래되며, Relevance는 예측 치안을 Drive하는 데이터의 유용성이다.
즉, 데이터가 왜곡되거나 각색되고, 체계적인 편견이 도사리거나 타당하지 않다면 예측 치안은 하지 않는 것보다 더 못할 수도 있다는 것이다.
이는 곧 환자의 병명이나 병의 원인을 잘못 파악하거나 오진하는 것에 다름이 없는 것과 마찬가지라고 할 수 있다. 이 같은 데이터의 결함은 곧 비효과적일 뿐 아니라 부정적이고 부정확하고 차별적인 치안이나 경찰활동을 야기한다는 것이다.
종합하자면 신뢰할 수 있고 타당한 데이터가 충분하다면, 예측 치안은 효과적일 뿐 아니라 효율적일 수도 있다는 것이다.
예측 치안에 대해 몇몇 인권단체를 중심으로 헌법으로 보장되는 무죄추정의 원칙이나 공정한 재판을 받을 권리를 포함하는 기본권을 Undermine하고, 차별을 재강화한다고 비판한다.
여기에 더해 아직은 법률에 어긋나는, 법률을 위반한 어떠한 범법행위도 하지 않았음에도 헌법이 보장하는 어떠한 자유와 권리를 제한당하고 침해당한다면 그것은 결코 정의가 아니라 오히려 부정의(Injustice)를 초래하는 것이라 비판한다.
여기에 어떤 데이터가 분석됐으며 어떻게 그 예측을 활용하는지와 관련된 경찰의 투명성 결여도 지적되곤 한다.
예측 치안의 의미와 그 목적이 그렇다 보니 일부 학계에서는 “범죄가 시작되기 전에 범죄를 중단시킬 수 있는” 혁명적인 혁신이라고 칭송되기도 한다. 물론 예측 치안이 칭송만 받는 것은 아니다.
형사사법 분야서 미국 최고의 민간 연구기관의 하나로 손꼽히는 Rand연구소는 “예측 치안 방법은 Crystal Ball이 아니라 미래를 예측할 수 없으며, 다만 범죄 위험성이 높은 위치와 사람을 파악할 수 있을 뿐”이라며 “가장 효과적인 예측 치안 접근은 범죄문제를 해결하기 위해 경찰과 지역사회의 보다 강력한 관계를 구축하는 보다 대규모의 사전적(Proactive) 전략의 요소여야 한다”고 충고한 바 있다.
[이윤호는?]
동국대 경찰행정학과 명예교수
고려사이버대 경찰학과 석좌교수
