关于在刑事审判中确定基准刑的实证研究报告(二)
2010-09-30 10:19
|
来源：本院
三、线性回归分析法进行基准刑测算的可行性及工作流程介绍
1、线性回归分析用于基准刑及量刑情节研究的可行性。
首先，量刑问题可以提炼为数学中的多元线性回归问题。我们可以将量刑问题概括为：量刑过程是以一个常量（即基准刑）为基础，多种量刑情节以此基础按一定的比例进行加减运算，最后的结果就是刑期，即刑期（因变量）是由多个情节如未成年、自首、累犯等自变量决定的。用数学语言可以提炼为：一个变量（刑期）受多个变量（量刑情节）的影响，即多个因素影响一个变量。因变量Y与多个自变量X1，X2，X3。。。。。。有关，这就是多元线性回归问题。多元线性回归的数学模型为：
y=0+1X1+2X2+3X3+4X4+……pXP+
这就是多元线性回归的一般形式（P）。0称为回归常数，1，2，3。。。。。。p称为回归系数，y称为被解释变量（因变量），而X1，X2，X3。。。。。XP是P个可以精确测量并可控制的一般变量，称为解释变量（自变量）。是随机误差，我们常假定随机误差的平均值为零[1]。
第二，通过多个已知判例获得相关参数可以计算出回归常数与回归系数。对一个具体案件而言，假如有四种量刑情节：未满十八岁、自首、赔偿、累犯。我们用X1代表是否有未满十八岁情节，X2代表是否自首情节，X3代表是否赔偿情节，X4代表是否累犯情节。有这一情节则将变量值设为1，无此情节则将变量值设为0。1，2，3，4则分别代表这四种情节存在时对量刑的增减幅度。那么，在存在上述四种量刑情节的情况下，回归公式变成：
y=0+1X1+2X2+3X3+4X4=0+1+2+3+40+1+2+3+4
假如不存在赔偿情节，即X3=0，则回归公式为:
y=0+1X1+2X2+3X3+4X4=0+1+2+3+4 =0+1+2+4
对一个具体案件而言，影响量刑的若干情节变量X是否存在，是可以通过审阅案件判决书获得的，是已知的，Y代表刑期，从个案的判决书中也是可以获得的，也是已知的。因此，回归公式变成了包括回归常数和若干回归系数的方程。只要数据量符合要求，就可通过数学方法解出方程组，就可求出回归常数和回归系数。
第三，回归常数与基准刑的法律含义相吻合。在回归方程中，0是回归常数，在由量刑情节与刑期组成的回归方程中，0有一种非常重要的含义就是，它实际上等于X1，X2，X3。。。。。XP所有量刑情节都为零的情节下的刑期，即：Y=0+1X1+2X2+3X3+4X4+……pXP=0+
1+2+3+40+……p0=0 (即Y=0) 。而我们公认的基准刑的定义是“指排除各种法定和酌定情节，对某种仅抽象为一般既遂状态的犯罪构成的基本事实所判处的刑罚。”通俗地说就是在没有从重从轻情节的情节下（亦即所有情节因素为零）应当判处的刑期。此定义与Y=0时回归公式所表达的内含一致。因此，回归常数构成我们计算基准刑的重要基础。
综上，利用多个已判案例获取量刑情节，并用线性回归分析法计算出基准刑及量刑情节的增减幅度在理论上是可行的。
2、用SPSS软件进行基准刑实证研究的工作流程介绍。
SPSS全称为Statistical Package for the Social Science，即“社会科学统计软件包”，是世界上著名的最有影响的统计分析软件之一。SPSS虽名为社会科学统计软件包，实际上它在社会科学、自然科学的各个领域都发挥着巨大作用，已经广泛应用于经济学、生物学、教育学、心理学、医学以及体育、工业、农业、林业、商业和金融等各个领域，是目前世界上应用最为广泛的统计软件。北京大学法学院实证法务研究所主任、博士生导师白建军教授在《罪刑均衡实证研究》[2]一书中曾用此软件来研究刑法并量化罪行均衡原则，但沿用的是美国的量刑模式。武汉市中级人民法院也尝试用SPSS软件来分析故意伤害罪的量刑起点及量刑情节，但主要是研究量刑情节，且只涉及一个罪名，样本量只有20个。
我们在研究该课题时也选择使用了SPSS软件，并且主要使用的是线性回归分析法，将原本是手工计算的过程用电脑软件替代，最终求出基准刑。我们的工作流程主要是：
（1）案件录入。课题组调集辖区各法院2000年至2008年判决书，拣选出故意伤害、盗窃、抢劫、交通肇事、强奸五种类型犯罪案件的判决书5000余份，并根据不同罪名的特点编制量刑情节表，逐案进行量刑情节信息的录入。对于影响量刑的各种情节的设置，我们的原则是宁多勿缺，尽可能将与量刑有关的各种因素详细录入，避免缺失，影响分析结果。比如：交通肇事案件全部责任和主要责任，我们把它假设为两个对量刑有影响的情节进行录入。最后用分析结果来决定取舍，以保证不遗漏重要的量刑信息，尽可能使分析结果客观全面准确。
（2）建立虚拟变量。由于SPSS软件系统只能识别数字，所以必须将有关量刑情节的定性描述转变为定量的描述，即将案件信息的定性描述数字化，建立虚拟变量。基本方法是：有某种情节设为1，没有则为0。如，有累犯情节设为1，无累犯情节设为0，未满18岁设为1，已满18岁则为0。对盗窃价值采用分档形式如250元为一档或500元、1000元为一档。盗窃次数、抢劫次数、强奸次数等则是将实际次数直接转换成虚拟数字1、2、3等。刑期的虚拟是将刑期换算成用阿拉伯数字表示的月份，如二年半虚拟成30，不足月的折算成小数。建立虚拟变量与信息录入一样是一项工程量很大，且需要耐心细致的工作。
值得注意的是，基准刑的测定是将对具体情节转换成虚拟变量再进行计算分析得出的结果。因此，基准刑的概念描述为“没有从重从轻情节”，并不能认为没有任何情节。完成基本犯罪构成形成既遂，本身就包含具体情节因素，否则，如果没有情节就没有事实描述，就不可能测定出基准刑。比如：盗窃案中将有退赃情节虚拟为1，无退赃情节虚拟为0，因此，0表示无退赃情节，而这本身就是一个量刑情节。同样，抢劫罪中的持械与非持械，伤害案中的赔偿与非赔偿等等都是两者之一必居其一的。因此，虚拟数字0并不能说没有情节。
（3）对样本进行筛选。根据不同的研究目的，对样本进行不同的筛选。经过我们的分析实践，筛选样本应当注意以下几点：首先，用于研究分析的样本案例应当尽可能选择量刑情节较少的案件为宜。因为我们的研究目标是确定基准刑，而不是量刑情节。根据审判经验，情节越简单，法官在量刑上的差异会越小，而情节越复杂，量刑差异会越大。也就是说情节越少，法官的量刑会更趋向统一。因此，选取情节简单的案件非常有助于我们准确找出代表法官统一认知并能反映法官内心确信的基准刑。这是一个至关重要的大方向，也是我们测定基准刑，进行样本筛选的首要原则。但是，随着情节的减少，样本量会急剧下降。这方面我们做过多次实验，不论是哪一种罪名，没有法定情节，或没有重大酌定情节的案例是非常少的。因此，为了维持一定的样本量，情节因素就不能太少，我们必需在样本量与量刑情节之间寻找平衡。第二，对主从犯和多人共同犯罪的案件应当慎重选择。我们通过对大量的主从犯案件的分析，发现有主犯情节的，SPSS线性回归分析结果量刑上一般都有很大的从重幅度。这种状况主要是由于在同案犯较多的情况下，为拉开量刑档次，导致主犯在基准刑之上有偏重处罚的倾向。而从犯的情况则更为复杂，根据我们的观察分析，目前对从犯的分类还完全不能满足对案件情节的描述。同样是一种类型的从犯，在其他情节基本一致的情况下，量刑上也会有很大的不同。有时作案中的一言一行，在量刑上会有很大差别。这是无法用情节信息来概括的，更何况判决书中一般没有确认是属于哪种从犯。且有些多人共同犯罪案件，虽未确定主从犯，情节极为相似，但量刑不同，我们也很难分辨出影响量刑的不同信息（实际上区别可能就在一举手一投足之间）。所以，为了尽可能避免录入信息时产生主观偏差，避免对信息的漏读或误读，测算出较为可靠的基准刑，一般情况下我们筛选掉了主从犯案件和三人以上（不包括三人）共同犯罪案件（除非为了维持样本量的需要），保留那些较纯净、较简单的案例供分析时使用。第三，在研究的样本中除了要保持一定的样本总量，对某一量刑情节也必须维持一定数量。样本总量越多越具有代表性和普遍性，减少偶然因素对量刑的影响。但是对某一量刑情节的数量也不能忽视，如果在样本中某一量刑情节的案例太少，会导致分析结果普遍意义缺乏，影响分析的精度。比如：对某罪名进行研究时200多个样本中，有累犯情节的只有四五个，我们应将删除与不删除的两种情况分别进行分析，作对比，看一看结果是否有很大差异。如果删除后发现对数据产生较大影响，则应当删除这些案例。从理论上讲删除这些少数案例对基准刑的测算更为有利。又如，自首情节在法律上有多种情形，但在经过多次筛选之后“视为自首”情形的案例就很少了，所以我们将其删除，只保留典型的自首情节的案例。再如亲属之间的盗窃行为或伤害行为，这样的情节对量刑会产生很大的影响，但案例数量又非常少，我们也将其删除。根本原因是我们的测算目标是基准刑，而不是量刑情节。总之，我们的样本应当尽可能体现普遍性减少特殊性，以提高计算结果的精确度。
