一審公訴案件受理分案的“簡繁分類”探索

關鍵詞 案件受理分案 線性回歸 SPSS “簡繁分類”

作者簡介：徐春陽，江蘇省高郵市人民檢察院第六檢察部副主任。

中圖分類號：D926.3 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A ? ? ? ? ? ? ? ? ? ? ? ?DOI：10.19387/j.cnki.1009-0592.2020.02.163

檢察辦案的分案機制是司法責任制改革的基礎內容之一，它一般是指檢察機關將受理的案件，按照一定的程序和規則，有順序地分配至案件承辦人。2017年10月1日正式運行的《最高人民檢察院機關案件承辦確定工作管理辦法（試行）》確定了采取隨機分案為主、指定分案為輔的原則進行。江蘇省人民檢察院制發的《江蘇省檢察機關案件分配管理辦法（試行）》同樣也明確了這一分案原則。該分案機制依托全國檢察機關統一業務應用系統（以下簡稱“統一業務應用系統”）在檢察辦案實踐中得到了有效實施，實現了改革的預期效果。但是在現有的分案實踐中也發現，統一業務應用系統欠缺案件難度系數標準，分案時僅考慮檢察官在案件數量上的均衡，將具體案件與列入分案的檢察官之間進行簡單的概率化對應，沒有設置體現案件難易程度的系數標準，系統無法自動識別案件難度。因此，也就無法做到在兼顧案件數量與工作量平衡的基礎上進行自動分案 。

一、檢察機關現行分案模式及評析

現行檢察機關案件分配以隨機輪案分案為主，指定分案為輔。《江蘇省檢察機關案件受理、分配、評查及業務信息填錄實施細則（試行）》對此又作出進一步細化規定：隨機分案是指依照案件分配方案，按照同一類別案件的受理順序，隨機均衡地將案件分配至輪案組內的檢察官或者檢察官辦案組。指定分案是指檢察長和分管院領導可以直接決定或者根據案件辦理部門申請，將相關案件指定檢察官或者檢察官辦案組。

（一）減少分案中人為因素，避免暗箱操作

案件管理部門成立之前，傳統分案模式是業務部門自行受理和自行分案，案件管理部門成立后，也只是由案件管理部門統一受理案件并統一分配至業務部門內勤處，分案仍按傳統模式進行。統一業務應用系統上線運行初期，也是案件管理部門受理案件后將案件分配至業務部門而非檢察官，業務部門仍按傳統模式進行二次分配。傳統分案模式隨意性大，給挑案選案留下了可操作空間，個別不愿辦理疑難復雜案件的檢察官可以通過內勤或部門負責人，將本應分到其名下的案件人為變更給其他人。傳統分案的人為因素較重，通過暗箱操作辦理“人情案”“關系案”“金錢案”的空間很大。統一業務系統進行隨機分案，案件管理部門受案后即隨機分案到人，全程留痕，能夠較大程度地減少分案環節中人為因素的控制，從受案源頭上防止司法腐敗現象的產生，提升司法公信力。

（二）實現分案公平，保證辦案數量的總體均衡

現行的分案操作實踐中，案件辦理部門由分管領導審定后，制定案件分配方案，包括辦案組織信息和輪案規則信息等，針對每一個參與輪案的檢察官都會設置規則N/M（N≤M），即每M輪分配N件案件。規則設定后，統一業務應用系統即會嚴格按照規則進行輪案，檢察官所分配案件數量實現所設定規則上的均衡。同時統一業務應用系統有輪案組輪案情況查詢功能，支持通過具體輪數或者一定區間輪數查詢案件序列的輪案情況及輪案原因。以及案件輪案情況查詢功能，系統支持以案件創建時間為序查看自動輪案過程和結果。統一業務系統實現了每個案件從受案到被具體分配到辦案單元的過程全程留痕，便于追溯，接受監督。

（三）僅關注案件數量上平衡，未實現案件“簡繁分類”

統一業務系統分案時，僅關注整體時間段內各檢察官辦案數量上的均衡，將具體案件與列入分案的檢察官之間進行簡單的概率化對應，系統無法智能識別具體案件的疑難復雜程度。檢察官辦理疑難復雜案件與辦理一般普通刑事案件耗費的精力和時間不同，比如同屬破壞社會主義市場經濟秩序犯罪，一件普通的銷售有害食品案件卷宗一般是兩冊，而一件非法吸收公眾存款的案件卷宗往往多達幾十冊甚至上百冊。在分案實踐中經常會出現檢察官短時間分配多個疑難復雜案件，導致檢察官之間出現忙閑不均的現象，而案件不論難易程度在統一業務系統分案時都算為一件案件。

二、以線性回歸 方式進行刑事一審公訴案件的“簡繁分類” 探索

根據案件類別、卷宗冊數等因素，將案件分為“簡類”和“繁類”，分別設置不同的輪案組，將本部門的所有辦案人員均納入兩類輪案組，做到辦案中的繁簡搭配，這樣既保證了工作量的均衡性，也便于檢察官的業績考核。因此，筆者突破以往的只以案件卷宗冊數作為案件難易復雜程度的評價指標，以案件綜合情況作為出發點，以線性回歸方式評價案件難易程度，探尋案件“簡繁分類”。筆者根據案件管理部門受案實踐經驗，構建的測算模型，是依據受案時所能掌握的相關信息因素，通過測算計算公式，得出具體的案件難易程度評價指標。

（一）樣本選擇

1.數據來源

G檢察院是江蘇省的基層檢察院之一，本文選取了2019年1月1日至2019年10月30日，在這個區間段受理并審結的一審公訴案件630件，作為本文的研究基礎。

2.數據初步處理

針對受理案件時獲取的多種信息，進行技術處理，將其轉化為可以量化統計的因素。根據受案經驗及參考《江蘇省各設區市院/基層院“捕訴合一”檢察官考核標準》，并在廣泛征求檢察官意見的基礎上，確定如下要素。

（1）X1嫌疑人人數。基礎分1分，視人數多少按公式增加，若嫌疑人為A、B、C…N，則最終得分如下：

（A）1+（B）0.5+（C）0.4+（D）0.3+0.2？N-4）

（2）X2卷宗冊數。5卷以內按1分/卷計分，超過5卷的按公式計分：

（3）X3罪名系數：以江蘇省人民檢察院 《江蘇省各設區市院/基層院“捕訴合一”檢察官考核標準》為依據，多罪名的案件按照系數最高的罪名計分。

（4）Y案件辦理天數。案件辦理天數越長，檢察官工作量越大，案件辦理天數一定程度上能夠反映案件的難易程度。

3.數據篩選

每個自變量對因變量的影響能力不同，所以模型引入自變量的篩選是建立準確數據模型的重要步驟。筆者對以上數據進行初步處理后，以案件辦理天數作為因變量，以其他因素作為自變量。借助 SPSS（Statistical Package for SocialScience）軟件進行 Pearson 相關度分析，具體分析結果如下表：

經計算，嫌疑人人數、卷宗冊數、移送案由3個因素顯著水平均小于0.01，相關性顯著。其中嫌疑人人數與案件辦理天數弱相關，卷宗冊數與移送案由與案件辦理天數中等程度相關 。

（二）公式建立

根據相關性分析計算得出的與案件辦理天數相關的3個因素，運用 SPSS 軟件對 630個樣本進行學習，具體分析結果如下：

電腦自動生成案件辦理天數公式為：Y=-25.542+9.788X1+ 9.120X2+13.397X3。其中X1為嫌疑人人數，X2為卷宗冊數，X3為移送案由系數。

經公式驗證相關指數R為 0.564，R2為 0.318， 說明模型能在一定程度上擬合結果。但筆者所設想的案件辦理天數測算模型還比較粗糙，主要原因是本文選取的樣本數量不足，以及相關因素未能較好轉化為量化數據，未考慮適用認罪認罰從寬程序等因素對案件辦理天數的影響。如果能學習更多的樣本，并將適用認罪認罰從寬程序予以量化，或更有利于精準地衡量案件的難易程度，以及更為精準的測算案件的預期辦理天數。

三、結語

本文希望打破以案件數量為導向的分案思維，探索一條兼顧隨機性和簡繁分類的分案途徑。通過受案時能夠掌握的各種信息，統一業務應用系統對每個案件的辦理天數進行預先判斷，得出一個預計量，判斷案件難易程度。筆者所設想的模型僅是一個初步構想，存在不完善之處，比如筆者現有的研究數據較為局限，僅限于基層檢察院。希望在未來研究中，可以擴大研究范圍并結合確定的案件相關影響因素進行完善，以求能更為科學精準對案件難易程度進行評價。筆者也將會在未來的工作和學習中對這些不盡之處繼續研究，以求能探尋一種科學有效的“簡繁分類”隨機分案方法。

注釋：

劉國媛，聞洲.“大數據”條件下檢察分案機制之完善[J].人民檢察，2017（21）.

線性回歸是利用數理統計中回歸分析，來確定兩種或兩種以上變量間相互依賴的定量關系的一種統計分析方法。

一般認為相關系數|r|在0.8-1.0之間是極強相關;0.6-0.8之間是強相關;0.4-0.6之間是中等程度相關;0.2-0.4之間是弱相關;0.0-0.2之間則是極弱相關。

相關指數R用于表示自變量與因變量之間線性相關性的強弱程度，用來判斷是否具有線性相關性。R2是用于表示自變量對總偏差平方和的貢獻度，代表了實際值與預期值之間的偏差比例，R2越接近1，說明模型的擬合優度越高。