周翔：逮捕审查判断中犯罪嫌疑人社会危险性的量化评估

内容提要：通过对2020年以来13万余份起诉书和不起诉书的机器学习，研究发现：我国司法人员在判断羁押必要性时，会评估犯罪嫌疑人的社会危险性，但相应评估侧重于罪行危险性因素，却忽略了人身危险性因素；引入量化评估方法，主要有利于改善仅依靠基本案情信息难以准确判断是否需要羁押的“复杂”案件的羁押必要性判断，量化方法有可能显著降低此类案件的羁押率。当前在判断羁押必要性时，办案人员主要依靠罪行危险性因素的主观综合判断，规范改革路径着力于规则细化和要件重构，但这无力化解社会危险性判断信息不足的问题。引入大数据建模方法，有助于系统统合零散的社会危险性判断信息。此外，可通过问卷、量表、数字化设备等方式扩充模型的训练数据，通过深化对社会危险性发生机制的理解，区分案由和社会危险性类型，构建多个子模型，以进一步提升量化工具的准确性。

关键词：逮捕；社会危险性；量化评估；羁押必要性审查

                       引 言

我国学界和实务界在羁押必要性审查的改革方向上已初步形成共识，即应当加强对犯罪嫌疑人社会危险性要件的审查，以降低羁押率。纵览国内已有做法，加强对社会危险性要件的审查主要有规范和实证两条路径。前者是不断细化适用羁押措施和非羁押措施的情形，并加强对社会危险性要件的阐释和要件关系重构。后者则采取定性和定量的方法，对犯罪嫌疑人的社会危险性作出相对实证的评估，以期提高审查的客观性。从实践情况看，各地也已经在加强社会危险性的量化评估工作。

虽然国内已提出多套量化评估方法和工具，并在北京、江苏无锡、江西萍乡、四川乐山等地的检察机关有所试验，但是，对这些方法和工具的质量以及降低羁押率的效果，目前尚未有文献作过实证分析。造成这类缺失的主要原因是，传统基于统计学的方法缺乏用于测量实践中社会危险性评估的现状、依据以及加强量化评估方法的效果的显性指标。以机器学习为代表的人工智能技术的兴起，为该领域的实证研究提供了新的发展契机。有鉴于此，本文利用算法和性能衡量等方法，对社会危险性要件的司法适用状况、评估依据和效果等，进行了相对系统的实证检验。本研究旨在分析，如果采取此种量化评估方法，其一，会对强制措施的类型判断产生何种实质性影响；其二，与规范改革路径相比，量化方法有何种优势；其三，如何实现两种路径的兼容。

一、研究假设和研究设计

（一）研究假设

1.研究假设一

值得验证的首要问题是，在我国当前的司法实践中，进行羁押判断时是否已经考虑了犯罪嫌疑人的社会危险性。虽然近年来开始强调社会危险性要件的审查，但该规范要求是否落实到了司法实践，在不同案件类型、地区落实的效果是否存在差异等，均缺乏实证检验。

由此提出假设一：在我国的司法实践中，羁押判断已经考虑了犯罪嫌疑人的社会危险性。如果实证检验发现，在案件基本事实、罪名等基础信息之外引入社会危险性评估信息，能够提升模型对现实中羁押判断过程的还原度，则说明假设一基本成立，即在我国的司法实践中，目前的羁押判断已经考虑了社会危险性的有关因素。

2.研究假设二

既有文献批判了一种社会危险性评估理念和方法，即把罪行危险性和社会危险性相等同，忽略了以“一贯表现”为代表的人身危险性评价。若司法实践中果真存在重罪行危险性、轻人身危险性的现象，这是一种社会危险性评价的偏废，一定程度上说明社会危险性评估方法在科学性方面有待提升。本文借鉴该分类法，提出侧重于罪行危险性因素和侧重于人身危险性因素的两类评估。罪行危险性因素衡量的是案件本身的性质和严重程度，包括案件类型、情节和轻重等方面；人身危险性因素衡量的是犯罪嫌疑人的特征，包括社会属性、案后表现等方面。

由此提出假设二：在我国司法实践中，当前主要根据罪行危险性因素而不是人身危险性因素来判断社会危险性。如果实证检验发现，罪行危险性相关因素构造的模型能够更好地拟合社会危险性值，则说明假设二基本成立，即当前的司法实践更加偏向于采用罪行危险性因素进行社会危险性判断。

3.研究假设三

本研究还希望探讨引入社会危险性量化评估对整体羁押率的影响，即引入量化评估方法能否真正合理地降低整体羁押率。基于前期的研究成果和认知，笔者认为，社会危险性的量化评估主要作用于“复杂”案件，主要影响这部分案件犯罪嫌疑人是否羁押的判断结论。引入社会危险性量化评估工具，能够控制乃至降低的应当是这部分案件的羁押率。2018年刑事诉讼法第81条第3款、2023年《人民检察院、公安机关羁押必要性审查、评估工作规定》第17条、第18条，明确规定了应当予以逮捕的情形和不予羁押的情形，这些案件属于本研究所称的“简单”案件。剩余案件，即在适用相关规定时存在较大裁量空间的案件，就是本研究所称的“复杂”案件。有研究主张，我国应当参考审判程序的繁简分流改革，推定大多数轻罪案件犯罪嫌疑人妨碍诉讼的社会危险性较低，而把社会危险性调查集中于重罪案件。本研究有理由相信，社会危险性量化评估方法和工具的引入，如果有助于改善整体的羁押状况，也主要作用于“复杂”案件。

由此提出假设三：社会危险性量化评估的引入，将降低部分难于判断的“复杂”案件的羁押率。为检验这一假设，本研究首先定义和识别出“复杂”案件，并以“复杂”案件的实际羁押情况作为现状的对照组，以社会危险性量化评估信息为输入的模型所预测的羁押情况是预测的实验组。比较实验组的羁押率和对照组的羁押率之后，如果发现加入社会危险性量化评估信息之后的案件适用羁押措施的比例下降，则说明假设三成立，即社会危险性的量化评估有助于改善整体的羁押状况。

（二）变量设置

本研究的目的是检验哪些因素会影响司法人员的社会危险性评估，社会危险性评估能否影响犯罪嫌疑人的羁押状态。故而，变量的设置包括确定社会危险性评估的量化方法、量化结果所依据的影响因素、司法实践的羁押判断结果等三个方面。

1.社会危险性值的测量方法

国内既有的社会危险性量化评估方法设置了不同的社会危险性评估体系。高通在轻罪领域提出了五分法，张吉喜采取的也是五分法，而杨秀莉等人采取的是四分法，王贞会采取的是三分法。造成这些差异的原因可能是：（1）采集的数据语料不同，从而关注视角有差异。比如，张吉喜的研究主要关注取保后重新犯罪、有逃跑风险的风险细分类型。（2）得到指标的方式不同。比如，杨秀莉等人主要采取梳理、归纳业务经验的方式，其他人则是从具有显著相关性的变量中挖掘有价值的指标。

关键是如何实现以上多种因素的综合评价，即把以上指标合并进社会危险性的单一指标中。在国内开展社会危险性评估工作的困难在于，我国司法办案部门并未过多开示社会危险性的评估过程，也未全面记录社会危险性的评估结果。本研究通过归纳“集体经验做法”来实现变量的可操作化。在社会科学的量化研究中有一种“去量纲化操作”的方法，近年来该方法被引入法学研究，比如用于测量妨害公务罪的严重程度。本研究采取类似的去量纲化处理方法，实现了社会危险性评估的可量化操作。

限于检察机关对逮捕和不予逮捕的理由说理不足和公开程度不够，本研究只能采用不批准逮捕理由说明书中的“无社会危险性”理由信息作为“集体经验”的来源，将其中不予逮捕的理由按照降序排列，以理由出现的频次作为社会危险性计算公式的变量和权重依据。为此，共收集并获得154份不批准逮捕理由说明书。对这些文书所使用的理由进行提取，共涉及30个相关变量，并对这些变量依据在总体文书中被提及的次数占比进行降序排列。本研究认为，某个不批准逮捕的因素被提及的次数越多，该因素在社会危险性判断中就越发重要，该因素对应的权重也应当越大。同时，当数据具有不同的量纲和范围时，直接进行比较可能会产生误导，因此将数据归一化到相同的比例范围，可以确保数据之间的比较更加准确和可靠。本研究将对应的频次进行百分比归一化处理后，作为模型的权重系数。计算公式中的X根据案情进行赋值，例如当犯罪嫌疑人自动投案时，“自动投案”项X=0；犯罪嫌疑人未自动投案时，X=1。

表1 社会危险性评估的集体经验和影响因素权重计算

图片据此拟合出社会危险性值的测量公式：

Y=(0.127×图片)+(0.109×图片)+(0.101×图片)+(0.091×图片)+(0.089×图片)+(0.072×图片)+(0.070×图片)+(0.064×图片)+(0.058×图片)(0.042×图片)+(0.036×图片)+(0.020×图片)…+(0.002×图片)

基于以上公式，本研究对13万余个案件的数据库进行了社会危险性的数值测量。