有组织犯罪仍然是世界各国政府打击最困难的问题之一，作为黑手党等世界上最臭名昭著的犯罪组织所在地的意大利也不例外（Pinotti 2020）。有组织犯罪在政府软弱的地方蓬勃发展，并介入填补国家未能提供的执法和保护方面的空白（Isopi 等，2012）。在这些权力真空中，犯罪集团变得更加强大，并融入社区（De Feo et al. 2018）。除了传统的非法活动之外，它们还渗透经济、转移公共资金并破坏当地发展（Narciso 和 Barone 2012）。其后果是广泛的：它们扭曲市场，助长腐败，并使暴力升级（Sorrenti and Le Moglie 2020，Mocetti et al. 2019）。
在意大利，黑手党根深蒂固的存在产生了持久影响，特别是在地方政府，犯罪组织渗透到市政机构以控制公共资源并操纵选举。然而，事实证明，检测这种渗透是当局面临的最重大挑战之一。在一项新研究（Campedelli et al. 2024）中，我们提出机器学习可以帮助改变这一现状。
我们的研究利用机器学习来预测黑手党对地方政府的渗透，提供了一种工具，可以在国家正式发现犯罪活动之前识别出有风险的城市。这种创新方法有可能提高反黑手党政策的有效性，防止公共资金的滥用，并为容易遭受有组织犯罪的地方政府提供早期预警。
意大利政府早已认识到黑手党渗透到地方政治中的威胁，并相应制定了政策来解决这一问题。可以采取的最果断的行动之一是解散被发现受到有组织犯罪渗透的市政府。这一破坏性措施使中央政府能够恢复对黑手党破坏民主进程的地区的控制。然而，这种干预只有在黑手党渗透已经被识别出来之后才会进行，这个过程往往是缓慢的、反应性的，并且依赖于犯罪行为的明显证据。
由于腐败和洗钱等黑手党活动的秘密性，侦查有组织犯罪特别困难，几乎不会留下任何痕迹。调查通常依靠可观察的指标，例如暴力犯罪或腐败丑闻，来揭露黑手党的影响。这种反应性方法使得有组织犯罪在国家做出反应之前就站稳了脚跟。与此同时，黑手党侵占公共资源，扭曲地方治理，强化政治经济权力。
我们的研究旨在通过在渗透变得明显之前预测渗透来解决这个问题，在打击有组织犯罪方面从被动转变为主动。
为了预测黑手党的渗透，我们收集了 2001 年至 2020 年意大利地方选举和市政预算的数据。这些数据用于开发一个机器学习框架，可以预测黑手党参与地方政府的可能性。使用 XGBoost 算法开发的模型成为九种机器学习技术和 200 多种测试架构中最有效的模型。值得注意的是，最好的模型能够预测高达 96% 的样本外地方政府，意大利政府在检测前两年就已经确定这些地方政府已被有组织犯罪渗透。图 1 显示了三个不同年份的该指数，显示了区域间和区域内的显着异质性。
图1意大利黑手党渗透风险预测
这种预测工具对执法部门和政策制定者具有重大影响。它不仅可以帮助更快地识别被渗透的城市，还可以标记传统方法可能无法检测到的高风险城市。通过关注任何一年中被视为面临风险的前 5% 的城市，该模型成功预测了 89% 的被渗透政府。虽然其准确率约为 15%，这意味着六分之一的标记城市确实被渗透，但高召回率确保很少有被渗透的政府逃脱检测。
重要的是，模型误报可能仍然有价值。模型标记但尚未被国家确定的城市可能代表只是逃避检测的渗透案例。我们发现这些城市往往表现出与已确认渗透的城市相似的特征，例如经历与黑手党相关的暴力或对当地政客的袭击。这表明误报确实可能表明城市面临未来渗透的高风险。
该研究的另一个重要发现是公共支出与黑手党渗透之间的联系。有组织的犯罪集团渗透地方政府主要是为了攫取公共资源，我们发现欧盟转移支付等公共资金的流入会增加黑手党参与地方政治的风险。
在这里，我们重点关注 2007 年至 2013 年间欧盟结构性资金向意大利南部的支付情况，这段时期财政监督减少，地方政府公共资金大幅增加。图2显示了欧盟资金支出与地方政府受有组织犯罪渗透之间的高度相关性。
图 2 欧盟资金支出和有组织犯罪对地方政府的渗透（意大利南部）
我们使用地理间断差异方法，比较了区域边界两侧收到或未收到这些资金的城市。分析显示，接受欧盟资金的城市预计黑手党渗透的风险将增加 11 至 14 个百分点。值得注意的是，即使比较位于治疗区和控制区边界 5 公里以内的城市，这种效应也会出现。
这一发现提出了有关公共财政援助的意外后果的重要问题。虽然欧盟基金旨在促进经济增长和减少贫困地区的贫困，但它们也可能吸引犯罪组织的注意，这些犯罪组织试图利用监管薄弱并攫取公共资源来谋取私利。该研究的预测模型可以作为预警系统，使政策制定者能够更密切地监控高风险城市，并实施更有力的保障措施，以防止公共资金的滥用。
使用机器学习来预测黑手党渗透是打击有组织犯罪的重要一步。执法部门可以使用预测模型来领先于有组织犯罪，而不是仅仅依靠传统的调查方法（传统的调查方法通常会在犯罪活动扎根后将其揭露）。这种积极主动的方法有可能重塑政府应对黑手党渗透的方式，并可能导致及早采取干预措施，防止滥用公共资源并维护地方政府的诚信。
此外，该模型可以在面临类似有组织犯罪挑战的其他地区进行调整和应用。腐败和有组织犯罪与政治深深交织在一起的巴尔干、东欧和拉丁美洲国家可以从类似的机器学习工具中受益。
Campedelli、GM、G Daniele 和 M Le Moglie (2024)，黑手党、政治和机器预测，CEPR 讨论论文 19322。
De Feo、G、G De Luca 和 D Acemoglu (2018)，《弱国家：西西里黑手党的原因和后果》，VoxEU.org，3 月 2 日。
Isopi、A、O Olsson 和 A Dimico (2012)，《西西里黑手党的起源》，VoxEU.org，7 月 26 日。
Narciso、G 和 G Barone（2012 年），黑手党能否转移公共转移的分配？，VoxEU.org，5 月 5 日。
Mocetti、S、L Rizzica 和 L Mirenda（2019）The boss on board：黑手党渗透、公司绩效和地方经济增长，VoxEU.org，10 月 26 日。
Sorrenti, G 和 M Le Moglie（2020），当教父成为企业家：论合法经济中的有组织犯罪渗透，VoxEU.org，8 月 1 日。
Pinotti, P (2020)，举证责任：衡量和理解犯罪，VoxEU.org，8 月 1 日。