ICE arrests, 2015–2026: Variation in targeting, method, and geography

作者: Chloe N. East, Caitlin Patler, Elizabeth Cox
来源: Proceedings of the National Academy of Sciences
主题: 经济理论 / 应用
相关性: 7/10
链接: https://doi.org/10.1073/pnas.2618096123

---

一、这篇论文属于什么学科、要解决什么

• 学科定位：本文属于公共政策与经济学的交叉领域，具体是移民政策实证研究。这个子领域的核心科学问题是：移民执法（如逮捕、拘留、遣返）的实际效果与官方宣称的目标是否一致？执法行为如何随政治周期、行政指令和地方实践而变化？该领域成熟度较高，已有大量基于行政数据的描述性研究，但受限于数据可得性和时效性，对最新政策变化的即时分析较少。
• 本文的位置：它针对的是美国移民和海关执法局（ICE）逮捕行为在2015-2026年间的变化这一具体问题。为什么现在做？因为2025年特朗普第二任期开始后，ICE逮捕量急剧上升，但公众叙事（“逮捕是为了保护公共安全，移除犯罪者”）与实际情况可能存在巨大偏差。本文利用最新、最全的行政数据（覆盖至2026年3月），系统量化了这一偏差，并分解了其背后的原因（执法策略变化 vs. 逮捕对象构成变化）。

二、关键术语扫盲

1. ICE (Immigration and Customs Enforcement)：美国移民和海关执法局，负责执行移民法，包括逮捕、拘留和遣返无合法身份或违反移民法的外国人。
2. 行政数据 (Administrative Data)：政府机构在日常运作中收集的记录，如逮捕记录、法院判决、监狱登记等。本文用的是ICE内部的逮捕数据库，记录了每次逮捕的时间、地点、被逮捕者是否有刑事定罪等。
3. 刑事定罪 (Criminal Conviction)：被法院正式判定犯有刑事罪行（如盗窃、贩毒、暴力犯罪）。与之相对的是“仅违反移民法”（如非法入境、逾期居留），后者不是刑事犯罪。
4. 逮捕量 (Arrest Volume)：特定时间段内ICE执行的逮捕总次数。本文关注的是逮捕量的时间趋势。
5. 定罪率 (Conviction Rate)：在被逮捕的人中，有刑事定罪记录的比例。这是衡量ICE是否真的在“逮捕罪犯”的关键指标。
6. 执法策略/方式 (Tactic / Method)：ICE逮捕的方式，例如：在监狱或法庭外逮捕（“针对性逮捕”）、在社区巡逻或突袭（“随机逮捕”）、通过与其他执法机构合作（如地方警察）逮捕。不同策略对应不同的逮捕对象构成。
7. 地理异质性 (Geographic Heterogeneity)：不同地区（州、城市、县）在ICE执法方式、逮捕对象构成上存在显著差异。例如，一些地方警察局与ICE合作密切，另一些则拒绝合作（“庇护城市”）。
8. 庇护城市/州 (Sanctuary City/State)：限制与联邦移民执法机构合作的地方司法管辖区，通常不主动向ICE报告无证移民信息，也不在地方执法中执行联邦移民法。
9. 公共安全叙事 (Public Safety Narrative)：官方和媒体常用的说法，即ICE逮捕的主要目的是移除有犯罪记录的外国人，从而保护美国公众安全。本文的核心就是检验这个叙事是否成立。
10. 特朗普总统任期 (Trump Presidency)：本文覆盖了特朗普第一任期（2017-2021）和第二任期（2025-）的开始阶段。这两个时期都以逮捕量激增为特征，但逮捕对象的构成可能不同。

三、这个领域的人在关心什么

这个领域的研究者追问的核心问题是：移民执法到底在做什么？它是否达到了宣称的目标？ 具体来说，他们关心： - 执法效果：逮捕和遣返是否真的降低了犯罪率？还是仅仅制造了恐惧，破坏了社区信任？ - 执法公平性：逮捕是否针对特定种族、国籍或社会阶层？是否存在选择性执法？ - 执法与政治：总统行政令、国会拨款、法院判决如何改变ICE的日常行为？地方与联邦的执法冲突（如庇护城市）如何影响整体执法格局？ - 数据与叙事：官方数据（如ICE的逮捕记录）与公众感知、媒体报道之间存在多大差距？

当前主流方法和已知局限： - 主流方法：利用ICE发布的汇总统计数据（如年度报告中的逮捕总数、定罪人数）进行时间序列分析。例如，Capps et al. (2018) 等研究曾用此类数据描述特朗普第一任期初期的逮捕趋势。 - 已知局限：汇总数据无法揭示逮捕对象的个体特征（如具体罪名、定罪历史）、逮捕方式（针对性 vs. 随机）和地理分布。因此，无法回答“逮捕量上升时，被逮捕的人是否真的更危险？”这个关键问题。本文的贡献在于使用了前所未有的、个体级别的行政数据（所有160万次逮捕记录），从而能够分解逮捕量变化背后的构成效应（conviction rate的变化）和策略效应（tactic的变化），绕开了汇总数据的信息损失。

四、数据问题

• 数据来源：美国移民和海关执法局（ICE）的内部行政数据库。这是该机构日常运作中自动生成的记录，并非为研究目的而收集。
• 数据形态：表格数据（结构化数据）。每一行代表一次逮捕事件，包含时间戳、地点、逮捕方式、被逮捕者的刑事定罪状态（有/无、罪名类型）等字段。维度：约160万行 × 若干列（具体列数未详述，但核心是时间、地点、定罪状态、逮捕方式）。
• 结构特征：时间序列（按月/年聚合） + 空间数据（地理编码到州/地区）。具有明显的层次结构：逮捕嵌套在地区内，地区嵌套在州内。时间上存在明显的政策冲击（总统就职）和趋势变化。
• Noise & 测量误差：
  • 测量误差：核心变量“刑事定罪”可能不完整或延迟更新（例如，逮捕时尚未判决，但后续定罪未录入）。作者承认这一局限，但认为主要结论（定罪率下降）足够稳健，因为下降幅度巨大，不可能完全由记录延迟解释。
  • 选择偏差：这是最关键的统计问题。数据只包含被逮捕的人，不包含未被逮捕的移民群体。因此，无法直接推断ICE的逮捕行为是否“有偏”（例如，是否更倾向于逮捕无犯罪记录的移民）。本文的分析是条件于逮捕事件的，即“在被逮捕的人中，有定罪的比例如何变化”，而不是“在全体移民中，有定罪的人被逮捕的概率如何变化”。这是一个重要的、但作者未明确点明的统计识别问题。
• Selection / Bias / 缺失：
  • 截断 (Truncation)：数据只覆盖2015年10月至2026年3月，无法分析更早或更晚的趋势。
  • 缺失：逮捕方式（tactic）变量可能存在缺失值，作者通过稳健性检验（如剔除缺失值后重新分析）来处理。
• 哪些是“漂亮的统计学问题”，哪些是“纯工程或纯领域难题”？
  • 漂亮的统计学问题：选择偏差——如何从“被逮捕者”的构成推断“ICE执法目标”的变化？这本质上是一个截断回归或样本选择模型问题（Heckman-type selection）。逮捕概率与定罪状态可能相关（例如，有犯罪记录的人更容易被逮捕），因此观察到的定罪率变化可能同时反映“逮捕目标变化”和“潜在移民人口构成变化”。作者通过分解“策略效应”和“构成效应”部分地处理了这个问题，但未使用正式的统计模型来纠正选择偏差。地理异质性——如何建模和解释不同地区逮捕方式与定罪率的联合分布？这是一个空间计量或多层次模型问题。
  • 纯领域难题：理解ICE内部的操作流程、不同总统行政令的具体影响、地方与联邦执法合作的法律细节。这些是政策分析师的领域，统计学家无需深究。

五、方法与模型问题

• 分析方法：本文主要使用描述性统计分解和可视化。核心方法是：
  1. 时间趋势图：绘制每月逮捕总量和定罪率的时间序列，直观展示变化。
  2. 分解分析 (Decomposition)：将定罪率的总体变化分解为两部分：
     • 策略效应 (Tactic Effect)：由于ICE改变了逮捕方式（例如，从更多针对性逮捕转向更多随机逮捕），导致定罪率变化。
     • 构成效应 (Composition Effect)：即使在同一种逮捕方式下，被逮捕者的定罪率也发生了变化（例如，ICE在随机逮捕中更倾向于逮捕无犯罪记录的人）。 这类似于Oaxaca-Blinder分解或更简单的“固定权重”分解。作者通过计算“如果逮捕方式分布不变，定罪率会如何变化”来分离策略效应。
  3. 地理异质性分析：按州或地区分组，重复上述分析，展示不同地区的逮捕方式和定罪率变化模式。
• 关键假设：
  • 逮捕方式（tactic）是外生的，或至少可以被准确测量和分类。实际上，逮捕方式可能与逮捕对象的特征相关（例如，随机逮捕更可能抓到无犯罪记录的人），这会影响分解的准确性。
  • 刑事定罪记录是准确且完整的。如前所述，可能存在延迟或遗漏。
• 推断 / 计算手段：无正式统计推断。没有置信区间、假设检验或因果推断。所有结论都是基于描述性统计和图形展示。计算量很小，标准统计软件即可完成。
• 核心结论 + 不确定性量化：
  • 核心结论：ICE逮捕量激增时，被逮捕者中有刑事定罪的比例显著下降，这与“逮捕旨在保护公共安全”的叙事相悖。执法策略的转变（更多随机逮捕）是部分原因，但即使控制策略，定罪率也下降，说明ICE在每种策略下都逮捕了更多无犯罪记录的人。地理异质性显著。
  • 不确定性量化：完全没有。作者没有提供任何标准误、置信区间或敏感性分析。结论的可靠性完全依赖于数据的全面性和描述性模式的显著性（例如，定罪率下降幅度巨大，看起来不像是随机波动）。这是一个显著的统计方法学缺陷。

六、对统计学家的判断

1. 这篇文章作为科普读物质量如何？

   • 评分：4/5 星。
   • 理由：对不懂移民政策的统计学家来说，这是一篇极好的入门文章。它用清晰的语言、直观的图表和简单的分解，讲清楚了一个重要的公共政策问题。术语解释得当（虽然本文未专门解释，但行文足够清晰），大问题（“ICE的逮捕行为是否与公共安全叙事一致？”）被很好地阐述。读完能长见识，了解行政数据在政策分析中的力量与局限。扣一星是因为完全没有统计推断，对于一个统计学家来说，这感觉像是一篇“半成品”分析——它提出了一个有趣的问题并展示了模式，但未能量化这些模式的不确定性。

2. 这里面有没有统计学家会觉得有意思的东西？

   • 科学趣味性：高。这个问题本身非常有意思。它触及了“官方叙事 vs. 行政现实”这一普遍主题，并且使用了一个独特、大规模、高时效性的数据集。对于一个好奇的统计学家来说，了解ICE如何运作、逮捕数据如何产生、以及如何用简单的描述性分析挑战一个重要的公共叙事，本身就是一种智力上的满足。
   • 方法学空间：中等偏高。虽然本文的方法极其简单，但它暴露了一个非常漂亮的统计问题：如何从条件于选择（被捕）的数据中，推断出关于总体（移民）或选择过程（ICE执法）的因果或结构性结论？ 具体来说：
     • 选择偏差建模：本文的分解分析隐含地假设了逮捕方式（tactic）是外生的。但一个更严谨的统计模型会考虑逮捕方式与逮捕对象特征的联合内生性。例如，ICE在决定“随机巡逻”还是“针对性逮捕”时，可能已经基于对当地移民人口构成的了解。这可以形式化为一个带有内生选择变量的样本选择模型。
     • 地理异质性的多层次建模：不同地区的定罪率变化模式不同，这背后可能反映了地方政治（庇护城市 vs. 合作城市）、人口构成、犯罪率等协变量的影响。一个多层次贝叶斯模型可以系统地量化这些因素对逮捕方式和定罪率的贡献，并提供更稳健的推断。
     • 因果推断的潜力：虽然本文是描述性的，但数据的时间结构（政策冲击）为因果推断提供了可能性。例如，可以利用断点回归设计 (RDD) 或事件研究法 (Event Study) 来估计特朗普总统行政令对逮捕量和定罪率的因果效应。本文的数据集非常适合做这类分析。
   • 现实相关性：高。这种“行政数据 + 描述性分解”的模式在公共政策、犯罪学、公共卫生等领域非常普遍。统计学家经常遇到类似的数据结构：一个机构收集了其所有“处理”的记录（如逮捕、住院、停学），但缺乏关于“未处理”群体的信息。本文展示的问题（如何从处理记录推断处理过程的变化）是统计学家在合作中会反复遇到的经典问题。
   • 明确结论：很有意思，值得留意。虽然本文本身的方法学贡献有限，但它作为一个问题载体，为统计学家提供了丰富的思考素材。它完美地展示了“描述性分析可以揭示重要模式，但需要更严谨的统计方法来量化不确定性和处理选择偏差”。对于对公共政策或因果推断感兴趣的统计学家，这是一篇值得一读的“案例研究”。

3. 武器库匹配度

   • 无明显接口，纯科普阅读。本文的方法（描述性分解）与你的技术武器库（非参数统计、高维渐近、因果推断中的估计理论等）没有直接的技术重叠。你的核心工具（如高阶U统计量、半参数效率界）在这里用不上。但请注意，本文所揭示的“选择偏差”问题，正是你熟悉的因果推断领域可以大展拳脚的地方。如果你有兴趣，可以思考如何用工具变量或代理变量 (Proximal Causal Inference) 来纠正本文中的选择偏差——但这需要额外的数据或假设，超出了本文的范围。

4. 如果想进一步了解这个话题，下一步读什么？

   • 入门综述/科普：
     • 《The Deportation Machine: America's Long History of Expelling Immigrants》by Adam Goodman：一本关于美国遣返历史的通俗读物，提供了更广阔的背景。
     • 《Immigration and Crime: Assessing a Contentious Issue》by the National Academies of Sciences, Engineering, and Medicine：一份权威的综述报告，总结了移民与犯罪关系的学术证据。
   • 关键的奠基或代表论文：
     • Capps, R., et al. (2018). "Revving Up the Deportation Machinery: Enforcement and Pushback under Trump." Migration Policy Institute. 这是本文直接对话的早期研究，分析了特朗普第一任期初期的ICE执法变化。本文的数据和分解方法可以看作是对该研究的更新和深化。
     • Miles, T. J., & Cox, A. B. (2015). "Does Immigration Enforcement Reduce Crime? Evidence from Secure Communities." Journal of Law and Economics. 一篇经典的因果推断论文，利用准实验设计（Secure Communities项目的逐步实施）来估计移民执法对犯罪率的影响。这展示了如何用更严谨的统计方法回答本文提出的问题。
   • 可以动手玩的公开数据集：
     • TRAC Immigration (Transactional Records Access Clearinghouse)：锡拉丘兹大学的一个项目，通过《信息自由法》获取并公开ICE的逮捕、拘留和遣返数据。你可以下载类似本文使用的行政数据，尝试复现或扩展本文的分析，并加入你自己的统计模型（如多层次模型、断点回归）。

七、术语小抄

英文术语	中文	一句话解释
ICE	美国移民和海关执法局	负责逮捕、拘留和遣返违反移民法的外国人的联邦执法机构。
Administrative Data	行政数据	政府机构在日常运作中自动生成的记录，如逮捕记录、纳税记录。
Criminal Conviction	刑事定罪	被法院正式判定犯有刑事罪行（如盗窃、贩毒），区别于仅违反移民法。
Arrest Volume	逮捕量	特定时间段内ICE执行的逮捕总次数。
Conviction Rate	定罪率	在被逮捕的人中，有刑事定罪记录的比例。
Tactic / Method	执法策略/方式	ICE逮捕的方式，如针对性逮捕（在监狱外）或随机巡逻。
Geographic Heterogeneity	地理异质性	不同地区在执法方式、逮捕对象构成上存在显著差异。
Sanctuary City/State	庇护城市/州	限制与联邦移民执法机构合作的地方司法管辖区。
Public Safety Narrative	公共安全叙事	“ICE逮捕旨在移除犯罪者以保护公众安全”的官方说法。
Decomposition Analysis	分解分析	将总变化拆解为不同因素（如策略变化、构成变化）贡献的方法。
Selection Bias	选择偏差	由于数据只包含被逮捕的人，导致对全体移民或执法过程的推断有偏。
Oaxaca-Blinder Decomposition	Oaxaca-Blinder分解	一种经典的分解方法，常用于劳动经济学，将组间均值差异分解为特征效应和系数效应。

---

Maintained by 陈星宇 · Homepage · Source on GitHub

评论