詐騙犯罪中認(rèn)罪認(rèn)罰影響機(jī)制實(shí)證研究

王 超

(河北地質(zhì)大學(xué) 法政學(xué)院，河北 石家莊 050031)

詐騙案件是日常生活中的常發(fā)、多發(fā)案件，對(duì)普通百姓的生活影響較大。認(rèn)罪認(rèn)罰從寬制度是我國(guó)刑事訴訟法中的一項(xiàng)重要制度，它在分流刑事案件、減輕法院審判壓力等方面起著重要作用。2016年9月,全國(guó)人大常委會(huì)通過(guò)《關(guān)于授權(quán)最高人民法院、最高人民檢察院在部分地區(qū)開(kāi)展刑事案件認(rèn)罪認(rèn)罰從寬制度試點(diǎn)工作的決定》，我國(guó)認(rèn)罪認(rèn)罰從寬制度開(kāi)始步入法治化及體系化的試點(diǎn)過(guò)程。2016年11月，“兩院三部”(即最高人民法院、最高人民檢察院、公安部、國(guó)家安全部、司法部)發(fā)布了《關(guān)于在部分地區(qū)開(kāi)展刑事案件認(rèn)罪認(rèn)罰從寬制度試點(diǎn)工作的辦法》,對(duì)認(rèn)罪認(rèn)罰從寬制度的適用事項(xiàng)進(jìn)行了詳細(xì)規(guī)定[1]。2018年《刑事訴訟法》將“認(rèn)罪認(rèn)罰從寬”明確為刑事訴訟程序的一項(xiàng)原則，使該制度具有更強(qiáng)的生命力，并且成為我國(guó)刑事訴訟領(lǐng)域獨(dú)樹(shù)一幟的特色制度[2]。認(rèn)罪認(rèn)罰從寬制度自2016年設(shè)立并試行以來(lái)，在一審法院的案件審判工作中得到了廣泛適用。但在實(shí)踐中也存在諸多差異，包括地區(qū)適用差異。對(duì)該制度適用差異的研究大多表現(xiàn)在對(duì)其刑罰適用結(jié)果和二審程序中的差異等問(wèn)題上。而對(duì)該制度在某一罪名上從犯罪特征、刑罰適用等多個(gè)方面進(jìn)行深入剖析，并通過(guò)數(shù)據(jù)建模對(duì)適用刑罰和緩刑的結(jié)果進(jìn)行預(yù)測(cè)的研究相對(duì)較少。

本文以詐騙犯罪案件的一審刑事判決書(shū)為研究對(duì)象，通過(guò)數(shù)據(jù)挖掘、統(tǒng)計(jì)分析、預(yù)測(cè)建模等方法并進(jìn)行卡方檢驗(yàn)和t檢驗(yàn)，研究認(rèn)罪認(rèn)罰從寬與犯罪特征、刑罰特征、刑事程序等變量的交叉效能。通過(guò)多種變量對(duì)刑罰值的預(yù)測(cè)構(gòu)建線(xiàn)性回歸模型，對(duì)適用緩刑的預(yù)測(cè)構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，并進(jìn)行模型評(píng)估，研究影響認(rèn)罪認(rèn)罰制度的多個(gè)變量的重要程度，為我國(guó)司法實(shí)踐中對(duì)認(rèn)罪認(rèn)罰從寬制度的理性適用提供參考。

一、研究方法

主要從三個(gè)方面進(jìn)行分析，包括研究數(shù)據(jù)、研究變量和研究方法三個(gè)方面。

(一)研究數(shù)據(jù)

本研究使用的詐騙案例直接來(lái)自“聚法案例”數(shù)據(jù)庫(kù)的部分?jǐn)?shù)據(jù)，間接來(lái)自于中國(guó)裁判文書(shū)網(wǎng)上的法律文書(shū)。全網(wǎng)搜索，共檢索到2021年10月25日前的詐騙犯罪案例一審法院裁判文書(shū)287845篇。本研究隨機(jī)抽取其中的4000例法律文書(shū)進(jìn)行實(shí)證分析，所有案例的法律文書(shū)均為一審法院的刑事判決書(shū)，其中抽取適用認(rèn)罪認(rèn)罰從寬的判決書(shū)2000例、沒(méi)有適用認(rèn)罪認(rèn)罰從寬的判決書(shū)2000例，共計(jì)4000例法律文書(shū)。這樣抽樣的目的是為了保證數(shù)據(jù)的平衡，便于對(duì)比分析。

數(shù)據(jù)分布特征：

1.數(shù)據(jù)在認(rèn)罪認(rèn)罰變量上的分布情況。本研究抽取一審法院適用認(rèn)罪認(rèn)罰從寬的判決書(shū)和沒(méi)有適用認(rèn)罪認(rèn)罰從寬的判決書(shū)案例各2000例，共4000例，各占50%。

2.數(shù)據(jù)在各省(區(qū)、市)的分布情況。案例數(shù)據(jù)在各省(區(qū)、市)的分布上并不平衡，具體情況見(jiàn)表1。

表1 各省(區(qū)、市)的案例分布情況

上表顯示，各省(區(qū)、市)的認(rèn)罪認(rèn)罰適用案例分布較為分散，各省(區(qū)、市)均有案例，案例具有較強(qiáng)的代表性。

(二)研究變量

本研究對(duì)我國(guó)一審詐騙案例進(jìn)行分析，通過(guò)數(shù)據(jù)挖掘軟件進(jìn)行變量提取，主要分析了認(rèn)罪認(rèn)罰從寬、是否簽署具結(jié)書(shū)、賠償被害人、被害人諒解、自首、坦白、立功、緩刑、刑罰值、前科、從輕處罰、悔罪表現(xiàn)、被害人過(guò)錯(cuò)、共同犯罪、主犯、從犯、初犯、主觀惡性、地區(qū)差異等45個(gè)變量。研究中的變量大部分為二分類(lèi)變量，即“是”和“否”兩個(gè)選項(xiàng)；有一些變量為數(shù)值變量如刑罰值等。研究變量廣泛而多樣，分析出的結(jié)果具有很強(qiáng)的解釋力，能夠發(fā)現(xiàn)更多關(guān)于認(rèn)罪認(rèn)罰從寬適用中的差異問(wèn)題和特征。

地區(qū)分類(lèi)特征：我國(guó)各省、自治區(qū)、直轄市可按地區(qū)分成東部、中部、西部和東北部地區(qū)，其中東部地區(qū)是指北京、天津、河北、上海、江蘇、浙江、福建、山東、廣東、海南等省、自治區(qū)、直轄市；中部地區(qū)是指山西、安徽、江西、河南、湖北、湖南六省；西部地區(qū)是指內(nèi)蒙古、廣西、重慶、四川、貴州、云南、西藏、陜西、甘肅、青海、寧夏、新疆等省、自治區(qū)、直轄市；東北部地區(qū)是指遼寧、吉林和黑龍江三省。我國(guó)各省、自治區(qū)、直轄市的地區(qū)分類(lèi)見(jiàn)表2。本研究將各變量數(shù)值與地區(qū)分類(lèi)進(jìn)行兩變量或多變量的差異分析。

表2 我國(guó)各省(區(qū)、市)的區(qū)域分類(lèi)情況

(三)研究方法

本研究采用統(tǒng)計(jì)軟件對(duì)收集的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，使用描述性統(tǒng)計(jì)、頻率性統(tǒng)計(jì)、交叉表分析、方差分析、t檢驗(yàn)、線(xiàn)性回歸分析模型、神經(jīng)網(wǎng)絡(luò)模型等方法進(jìn)行分析。在對(duì)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析之前首先對(duì)數(shù)據(jù)進(jìn)行整理和預(yù)處理，包括數(shù)值提取、變量轉(zhuǎn)換、數(shù)值的標(biāo)準(zhǔn)化處理等操作。

對(duì)刑罰值的預(yù)處理需要說(shuō)明一下。裁判文書(shū)案例中的裁判結(jié)果為漢字，如“判決如下：判處有期徒刑三年，緩刑四年”，該刑罰為漢字，不能直接由計(jì)算機(jī)進(jìn)行統(tǒng)計(jì)分析，需要將其轉(zhuǎn)換為數(shù)值，轉(zhuǎn)換的方式為：分別提取刑罰值，將其設(shè)置為兩個(gè)變量；其中的刑罰值將“有期徒刑三年”中的“三年”轉(zhuǎn)換為月數(shù)值“36”。本研究案例中的拘役刑罰為1—6個(gè)月，直接轉(zhuǎn)換為有期徒刑的數(shù)值“1—6”。有期徒刑的6—11個(gè)月直接轉(zhuǎn)換為數(shù)值“6—11”。無(wú)期徒刑轉(zhuǎn)換為300個(gè)月，然后將轉(zhuǎn)換后的刑罰數(shù)據(jù)進(jìn)行匯總，匯總后數(shù)值大于300的均為無(wú)期徒刑。

本研究對(duì)適用緩刑的案例進(jìn)行單獨(dú)變量分析，從裁判結(jié)果中直接提取是否適用緩刑作為一個(gè)獨(dú)立變量。本研究的樣本中，沒(méi)有適用死刑立即執(zhí)行和死刑緩期二年執(zhí)行的樣本，因此也不對(duì)其進(jìn)行分析。

二、詐騙犯罪案件中的犯罪特征因素分析

詐騙案例中，認(rèn)罪認(rèn)罰從寬適用存在犯罪變量與刑罰適用的諸多方面差異。犯罪特征差異主要分析認(rèn)罪認(rèn)罰從寬案例中在前科、共同犯罪、主犯、從犯、初犯、是否未成年犯、被害人傷害情況等方面的差異。采用交叉表分析，使用Pearson 卡方檢驗(yàn)方法進(jìn)行檢驗(yàn)。具體結(jié)果，見(jiàn)表3。

表3 犯罪特征的交叉表分析及卡方檢驗(yàn)結(jié)果

在詐騙案件中的認(rèn)罪認(rèn)罰案例與非認(rèn)罪認(rèn)罰案例中，各犯罪特征存在較大差異。其中在共同犯罪、從犯特征中存在顯著差異，達(dá)到了0.001的顯著性水平；在主犯、未成年犯特征中達(dá)到了0.01的顯著性水平；在前科、初犯、犯罪形態(tài)特征中不存在顯著差異。這表明，罪犯是否有前科并沒(méi)有影響認(rèn)罪認(rèn)罰的認(rèn)定；而在共同犯罪中，認(rèn)罪認(rèn)罰的數(shù)量和比例均比較小。這表明，在詐騙犯罪中，共犯中的犯罪人似乎更不容易認(rèn)罪認(rèn)罰，主犯中的認(rèn)罪認(rèn)罰比例更低?？梢?jiàn)，共犯中的主犯和從犯均更不容易認(rèn)罪認(rèn)罰。從犯罪形態(tài)看，詐騙案件中的犯罪既遂的數(shù)量都比較多，認(rèn)罪認(rèn)罰案件中的既遂數(shù)量低于無(wú)認(rèn)罪認(rèn)罰案件中的既遂數(shù)量。未成年犯數(shù)量偏少，數(shù)值可供參考。在認(rèn)罪認(rèn)罰案件中，未成年犯的數(shù)量要多于無(wú)認(rèn)罪認(rèn)罰案件中未成年犯的數(shù)量。也就是說(shuō)，在詐騙案件中，有更多的未成年犯愿意認(rèn)罪認(rèn)罰。

三、詐騙犯罪案件中的量刑影響因素分析

量刑影響因素主要包括量刑情節(jié)認(rèn)定差異和緩刑等因素的適用差異。

(一)量刑情節(jié)認(rèn)定差異

不同的量刑情節(jié)對(duì)認(rèn)定認(rèn)罪認(rèn)罰是有影響的。主要分析自首、坦白、立功、認(rèn)罪悔罪、賠償被害人、被害人諒解、被害人過(guò)錯(cuò)、犯罪人主觀惡性小、簽署認(rèn)罪認(rèn)罰具結(jié)書(shū)、是否從輕處罰、是否緩刑、犯罪事實(shí)清楚、證據(jù)確實(shí)充分等變量與認(rèn)罪認(rèn)罰制度的關(guān)系。采用交叉表分析，使用Pearson 卡方檢驗(yàn)方法進(jìn)行檢驗(yàn)。具體結(jié)果，見(jiàn)表4。

表4 不同量刑情節(jié)的卡方經(jīng)驗(yàn)結(jié)果

在詐騙案件中的認(rèn)罪認(rèn)罰案例與非認(rèn)罪認(rèn)罰案例中，各量刑情節(jié)存在較大差異。其中在自首、坦白、簽署認(rèn)罪認(rèn)罰具結(jié)書(shū)、是否緩刑方面存在顯著差異，差異達(dá)到了0.001的顯著性水平；在立功方面存在顯著差異，達(dá)到了0.01的顯著性水平；在認(rèn)罪悔罪、犯罪事實(shí)清楚方面達(dá)到了0.05的顯著性水平；在賠償被害人、被害人諒解、被害人過(guò)錯(cuò)、犯罪人主觀惡性小、是否從輕處罰、證據(jù)確實(shí)充分方面沒(méi)有達(dá)到統(tǒng)計(jì)學(xué)上的顯著性水平。

這表明，認(rèn)罪認(rèn)罰的犯罪人自首的數(shù)量和比例偏少，明顯低于沒(méi)有認(rèn)罪認(rèn)罰的犯罪人自首的比例。這似乎表明，部分自首的犯罪人更不愿意選擇認(rèn)罪認(rèn)罰。認(rèn)罪認(rèn)罰的犯罪人選擇坦白的數(shù)量和比例要低于沒(méi)有認(rèn)罪認(rèn)罰犯罪人的比例。這似乎也說(shuō)明，認(rèn)罪認(rèn)罰的犯罪人似乎更不愿意選擇坦白。認(rèn)罪認(rèn)罰案件中，立功的犯罪人數(shù)量和比例也偏低，要低于沒(méi)有認(rèn)罪認(rèn)罰犯罪人的比例。這表明，沒(méi)有立功表現(xiàn)的犯罪人似乎更愿意選擇認(rèn)罪認(rèn)罰。

在詐騙案件中，被害人有過(guò)錯(cuò)的比例非常低，是否認(rèn)罪認(rèn)罰并不存在差異。認(rèn)罪認(rèn)罰案件中，被告人選擇賠償被害人的比例略低于無(wú)認(rèn)罪認(rèn)罰案件中的比例。被害人諒解的比例要高于無(wú)認(rèn)罪認(rèn)罰案件中的比例?？梢?jiàn)，被害人諒解是影響認(rèn)罪認(rèn)罰的一個(gè)重要因素。

認(rèn)罪認(rèn)罰的犯罪人存在更多的悔罪表現(xiàn)，其悔罪比例也比較高。總體看，詐騙犯罪案件中簽署認(rèn)罪認(rèn)罰具結(jié)書(shū)的數(shù)量和比例均偏低，但認(rèn)罪認(rèn)罰的犯罪人簽署具結(jié)書(shū)的比例要明顯高于沒(méi)有認(rèn)罪認(rèn)罰犯罪人的比例。犯罪人主觀惡性小的比例都比較低。認(rèn)罪認(rèn)罰案件中的犯罪事實(shí)清楚的數(shù)量和比例要低于沒(méi)有認(rèn)罪認(rèn)罰案件中的比例。這似乎表明，在一部分犯罪事實(shí)并不太清楚的情況下，犯罪人也選擇了認(rèn)罪認(rèn)罰。在認(rèn)罪認(rèn)罰案件中，證據(jù)確定充分的比例略低于沒(méi)有認(rèn)罪認(rèn)罰的比例。這說(shuō)明，有個(gè)別詐騙犯罪案件在證據(jù)并不太確定充分的情況下，犯罪人也會(huì)選擇認(rèn)罪認(rèn)罰。

在詐騙犯罪案件中，有無(wú)認(rèn)罪認(rèn)罰的犯罪人都得到了一定程度的從輕處罰，二者沒(méi)有顯著差異。這一點(diǎn)也與司法實(shí)踐中的適用特征相符合。司法實(shí)踐中，認(rèn)罪認(rèn)罰案件的從寬處罰實(shí)際適用為從輕處罰，這極大地限縮了從寬處罰的空間，影響了認(rèn)罪認(rèn)罰從寬制度的適用效果。對(duì)此，第十三屆全國(guó)人大常委會(huì)第二十二次會(huì)議分組審議最高人民檢察院關(guān)于人民檢察院適用認(rèn)罪認(rèn)罰從寬制度情況的報(bào)告時(shí)，與會(huì)委員也指出，認(rèn)罪認(rèn)罰案件的從寬尺度，應(yīng)當(dāng)根據(jù)被追訴人認(rèn)罪認(rèn)罰的具體情況和相關(guān)法律規(guī)定來(lái)確定，不應(yīng)局限于從輕處罰[3]。

(二)地區(qū)差異

通過(guò)對(duì)地區(qū)分布與認(rèn)罪認(rèn)罰的交叉表分析，采用卡方檢驗(yàn)方法進(jìn)行檢驗(yàn)，結(jié)果發(fā)現(xiàn)，二者不存在統(tǒng)計(jì)學(xué)上的顯著性(P>0.05)。這表明，在認(rèn)罪認(rèn)罰案件和無(wú)認(rèn)罪認(rèn)罰案件中，在地區(qū)分布比例上并不存在顯著差異。具體情況，見(jiàn)表5。

表5 認(rèn)罪認(rèn)罰與地區(qū)的交叉表

以上數(shù)據(jù)表明，東部地區(qū)認(rèn)罪認(rèn)罰的案件數(shù)量最多，中部地區(qū)和西部地區(qū)認(rèn)罪認(rèn)罰的案件比例高于無(wú)認(rèn)罪認(rèn)罰案件的比例。東北部地區(qū)中是否認(rèn)罪認(rèn)罰的案件數(shù)量相差不大。總體看，認(rèn)罪認(rèn)罰案件的數(shù)量在東部地區(qū)、中部地區(qū)、西部地區(qū)和東北部地區(qū)的分布上并不均衡，呈依次下降趨勢(shì)。

(三)犯罪數(shù)額差異

通過(guò)對(duì)犯罪數(shù)額與認(rèn)罪認(rèn)罰的交叉表分析，采用卡方檢驗(yàn)方法進(jìn)行檢驗(yàn)，結(jié)果發(fā)現(xiàn)，二者不存在統(tǒng)計(jì)學(xué)上的顯著性(P>0.05)。這表明，在認(rèn)罪認(rèn)罰案件和無(wú)認(rèn)罪認(rèn)罰案件中，在犯罪數(shù)額上并不存在顯著差異。具體情況，見(jiàn)表6。

表6 認(rèn)罪認(rèn)罰與詐騙數(shù)額的交叉表

從詐騙案件的犯罪數(shù)額看，絕大部分案件中的犯罪數(shù)額較大，數(shù)額巨大的也占一定比例。數(shù)額特別巨大和數(shù)額較小的比例都偏低。在有無(wú)認(rèn)罪認(rèn)罰方面，犯罪數(shù)額并沒(méi)有對(duì)其產(chǎn)生影響。

四、詐騙案件中研究變量對(duì)刑罰結(jié)果影響的建模分析

對(duì)于詐騙犯罪案件，通過(guò)將犯罪因素、影響量刑因素作為輸入變量，將緩刑和刑罰值作為輸出變量，分別構(gòu)建神經(jīng)網(wǎng)絡(luò)模型和線(xiàn)性回歸模型，對(duì)刑罰進(jìn)行預(yù)測(cè)。預(yù)測(cè)結(jié)果顯示，構(gòu)建的模型具有很好的預(yù)測(cè)效果，顯示的預(yù)測(cè)變量重要性具有較好的實(shí)踐參考價(jià)值。

(一)t檢驗(yàn)結(jié)果

比較認(rèn)罪認(rèn)罰制度對(duì)刑罰值的影響，使用獨(dú)立樣本t檢驗(yàn)方法進(jìn)行檢驗(yàn)，檢驗(yàn)結(jié)果見(jiàn)表7。

表7 獨(dú)立樣本t檢驗(yàn)統(tǒng)計(jì)結(jié)果

檢驗(yàn)結(jié)果顯示，刑罰值在是否認(rèn)罪認(rèn)罰案件中變化不大。是否認(rèn)罪認(rèn)罰對(duì)刑罰(月數(shù))變量并不存在統(tǒng)計(jì)學(xué)上的顯示性差異(P>0.05)。這說(shuō)明，總體來(lái)看，在詐騙案件中，認(rèn)罪認(rèn)罰對(duì)最終的拘役和有期徒刑量刑的影響不大。另從對(duì)緩刑結(jié)果的預(yù)測(cè)分析看，認(rèn)罪認(rèn)罰主要是對(duì)緩刑結(jié)果影響較大。

(二)神經(jīng)網(wǎng)絡(luò)模型

通過(guò)構(gòu)建神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)各分析變量對(duì)詐騙案件中適用緩刑的影響程度(重要性)。人工神經(jīng)網(wǎng)絡(luò)是一種人腦的抽象計(jì)算模型， 一種模擬人腦思維的計(jì)算機(jī)建模方式。目前，人工神經(jīng)網(wǎng)絡(luò)在聚焦人工智能應(yīng)用領(lǐng)域的同時(shí)，也成為機(jī)器學(xué)習(xí)中解決數(shù)據(jù)預(yù)測(cè)問(wèn)題的重要黑箱方法。多層神經(jīng)網(wǎng)絡(luò)通常由輸入層、隱藏層和輸出層組成，它能夠解決更為復(fù)雜的回歸和分類(lèi)預(yù)測(cè)問(wèn)題[4]。本研究采用一個(gè)具有多輸入單輸出的三層BP神經(jīng)網(wǎng)絡(luò)作為評(píng)估模型。將犯罪特征、犯罪情節(jié)等多個(gè)影響因素指標(biāo)作為輸入變量，以是否適用緩刑作為輸出變量(即目標(biāo)變量)構(gòu)建神經(jīng)網(wǎng)絡(luò)模型進(jìn)行計(jì)算。輸入層有30個(gè)節(jié)點(diǎn)，輸出層有1個(gè)節(jié)點(diǎn)。中間有隱含層，采用模型默認(rèn)參數(shù)運(yùn)行該模型。結(jié)果顯示，模型的總體正確率為96.55%。總體看，預(yù)測(cè)效果較好。

預(yù)測(cè)緩刑的主要變量組成的神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)，見(jiàn)圖1。

圖1 預(yù)測(cè)緩刑的主要變量神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)模型中適用緩刑的主要預(yù)測(cè)變量的重要性，見(jiàn)表8。

表8 預(yù)測(cè)緩刑中主要變量的重要性

由表8可見(jiàn)，神經(jīng)網(wǎng)絡(luò)模型中適用緩刑的主要預(yù)測(cè)變量的重要性值，主要影響變量依次為：主觀惡性小、被害人諒解、自首、地區(qū)分類(lèi)、量刑建議、悔罪、辯護(hù)人、立功、初犯、認(rèn)罪認(rèn)罰。

神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)緩刑的主要變量的重要性，見(jiàn)圖2。

圖2 神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)緩刑的主要變量的重要性

(三)線(xiàn)性回歸模型

線(xiàn)性回歸模型是利用線(xiàn)性擬合的方式探尋數(shù)據(jù)背后的規(guī)律[5]。回歸分析在諸多行業(yè)和領(lǐng)域的數(shù)據(jù)分析應(yīng)用中發(fā)揮著極為重要的作用，常用的方法是線(xiàn)性回歸分析模型，當(dāng)輸出變量是數(shù)值變量時(shí)，采用線(xiàn)性回歸分析；當(dāng)輸出變量是多分類(lèi)變量時(shí)，采用的是多項(xiàng)Logistic回歸分析。通過(guò)構(gòu)建線(xiàn)性回歸模型預(yù)測(cè)各分析變量對(duì)詐騙案件中刑罰值的影響程度。本文采用的是線(xiàn)性回歸分析模型，因?yàn)轭A(yù)測(cè)變量雖多為分類(lèi)變量，但最終的預(yù)測(cè)結(jié)果刑罰值為數(shù)值變量。

通過(guò)構(gòu)建線(xiàn)性回歸分析模型，最后得出線(xiàn)性回歸模型的回歸方程式：刑罰月數(shù)=認(rèn)罪認(rèn)罰*-1.856+法院采信證據(jù)*0.07011+法院不予采信證據(jù)*-1.294+證據(jù)是否充足*-0.6686+賠償被害人*-0.1039+被害人諒解*-1.391+自首*-1.504+坦白*0.4973+立功*1.425+前科*-0.2963+從輕處罰*4.002+悔罪*-1.394+是否調(diào)解*1.002+是否簽署認(rèn)罪認(rèn)罰具結(jié)書(shū)*10.04+量刑建議*-0.7874+共同犯罪*0.9407+主犯*0.2951+從犯*-1.755+初犯*-1.368+未成年犯*3.902+辯護(hù)人*0.7668+犯罪形態(tài)*0.2333+主觀惡性小*-3.465+犯罪事實(shí)清楚*2.562+證據(jù)確實(shí)充分*-0.06185+被害人過(guò)錯(cuò)*-5.986+地區(qū)分類(lèi)*-0.8866+詐騙數(shù)額*3.312+2.259。

該模型顯示，在詐騙案件中，認(rèn)罪認(rèn)罰并不是影響最后法院適用拘役和有期徒刑以上刑罰的最重要因素，而詐騙數(shù)額、共同犯罪、主犯、立功、坦白、是否有辯護(hù)人、是否未成年犯、犯罪形態(tài)(既遂、未遂)、法院采信證據(jù)、從輕處罰情節(jié)、犯罪事實(shí)清楚、是否調(diào)解、是否簽署具結(jié)書(shū)等因素對(duì)刑罰期限具有正向作用，數(shù)值越大，刑罰越重；其他因素如認(rèn)罪認(rèn)罰、從犯、初犯、被害人過(guò)錯(cuò)等因素對(duì)刑罰值具有負(fù)向作用，數(shù)值越大，刑罰越輕。

線(xiàn)性回歸模型中預(yù)測(cè)變量的重要性，見(jiàn)圖3。

圖3 線(xiàn)性回歸模型中預(yù)測(cè)變量的重要性

線(xiàn)性回歸模型中預(yù)測(cè)變量的重要性顯示，在詐騙案件中，比較重要的影響刑罰的因素包括：詐騙犯罪數(shù)額、是否簽署認(rèn)罪認(rèn)罰具結(jié)書(shū)、犯罪事實(shí)清楚、從輕處罰因素、悔罪、從犯、自首、認(rèn)罪認(rèn)罰、未成年犯、初犯等。其中影響最大的是詐騙犯罪數(shù)額。

(四)模型評(píng)估

綜合模型的評(píng)估結(jié)果，可以看出，評(píng)估模型很好，具有很高的置信度和準(zhǔn)確率，模型的評(píng)估效果，見(jiàn)表9。神經(jīng)網(wǎng)絡(luò)模型的正確率很高，達(dá)到了96.55%。線(xiàn)性回歸分析模型的結(jié)果顯示，模型預(yù)測(cè)的平均誤差為0.0。模型相對(duì)較好。因此，我們可以選擇神經(jīng)網(wǎng)絡(luò)模型和線(xiàn)性回歸分析模型作為對(duì)詐騙案件中的認(rèn)罪認(rèn)罰從寬適用的刑罰預(yù)測(cè)最終評(píng)估模型。

表9 評(píng)估模型結(jié)果(N=4000)

線(xiàn)性回歸模型的評(píng)估結(jié)果，見(jiàn)表10。

表10 線(xiàn)性回歸分析模型評(píng)估結(jié)果

五、研究結(jié)論

認(rèn)罪認(rèn)罰從寬制度是我國(guó)2018年《刑事訴訟法》新確定的一項(xiàng)重要制度，其在司法適用中存在諸多方面的差異。通過(guò)對(duì)4000例一審法院審判的詐騙案件進(jìn)行統(tǒng)計(jì)分析，可以發(fā)現(xiàn)，基層法院適用認(rèn)罪認(rèn)罰從寬時(shí)在犯罪特征如共犯、主犯等方面，在刑罰適用如緩刑、附加刑等方面存在多項(xiàng)差異；在量刑情節(jié)如自首、立功、悔罪表現(xiàn)、賠償被害人、被害人諒解等多個(gè)方面也存在差異。差異水平為P值小于0.05，甚至達(dá)到了P<0.001水平。一是犯罪特征方面。統(tǒng)計(jì)分析發(fā)現(xiàn)，共同犯罪、主犯、未成年犯等因素對(duì)認(rèn)罪認(rèn)罰具有重要影響。二是影響量刑情節(jié)因素方面：詐騙案件中，犯罪人自首、坦白、立功、是否認(rèn)罪悔罪、是否簽署認(rèn)罪認(rèn)罰具結(jié)書(shū)、是否適用緩刑方面存在顯著差異；詐騙數(shù)額是影響認(rèn)罪認(rèn)罰認(rèn)定的重要因素，其重要性遠(yuǎn)遠(yuǎn)大于其他因素。三是適用刑罰方面：在認(rèn)罪認(rèn)罰案件中，適用拘役和三年以下有期徒刑的比例都非常高。四是地區(qū)差異方面。東部地區(qū)認(rèn)定認(rèn)罪認(rèn)罰的案件數(shù)量和比例要高于其他地區(qū)。而中部、西部地區(qū)認(rèn)罪認(rèn)罰案件的比例要高于無(wú)認(rèn)罪認(rèn)罰案件的比例。這似乎表明，經(jīng)濟(jì)發(fā)達(dá)的東部地區(qū)在詐騙案件中更多適用認(rèn)罪認(rèn)罰從寬制度處理案件。

在預(yù)測(cè)緩刑和刑罰值時(shí)進(jìn)行建模分析，結(jié)果發(fā)現(xiàn)：預(yù)測(cè)是否適用緩刑，預(yù)測(cè)準(zhǔn)確率均達(dá)到了96.55%以上。通過(guò)對(duì)適用刑罰進(jìn)行預(yù)測(cè)建模，使用線(xiàn)性回歸模型進(jìn)行預(yù)測(cè)，誤差也在很小水平。建模分析還給出了對(duì)預(yù)測(cè)認(rèn)罪認(rèn)罰案件中刑罰變量影響較大的變量程度值。實(shí)證研究結(jié)果顯示，在詐騙案件中的認(rèn)罪認(rèn)罰案例中，比較重要的影響刑罰的因素包括詐騙犯罪數(shù)額、是否簽署認(rèn)罪認(rèn)罰具結(jié)書(shū)、犯罪事實(shí)清楚、從輕處罰因素、悔罪、從犯、自首、認(rèn)罪認(rèn)罰、未成年犯、初犯等。其中影響最大的是詐騙犯罪數(shù)額。而對(duì)適用緩刑影響較大的因素是主觀惡性小、被害人諒解、自首、地區(qū)分類(lèi)、量刑建議、悔罪、辯護(hù)人、立功、初犯、認(rèn)罪認(rèn)罰。這一發(fā)現(xiàn)顯示，在對(duì)詐騙案件適用認(rèn)罪認(rèn)罰機(jī)制方面，理論和實(shí)踐中存在較大差異。理論上認(rèn)為相對(duì)重要的因素在實(shí)踐中卻并不一定是最為重要的因素。為此，一定要重視認(rèn)罪認(rèn)罰機(jī)制在司法實(shí)踐中的重要作用。為統(tǒng)一指導(dǎo)全國(guó)量刑建議，最高人民法院、最高人民檢察院應(yīng)盡快聯(lián)合制定適用于認(rèn)罪認(rèn)罰案件的量刑指南，修改、完善量刑協(xié)商程序的相關(guān)規(guī)范，明確不同階段認(rèn)罪認(rèn)罰的量刑減讓幅度,共同研究制定常見(jiàn)罪名量刑標(biāo)準(zhǔn)[6]。但也應(yīng)當(dāng)注意，實(shí)踐中案件的復(fù)雜程度遠(yuǎn)高于模型能夠描述的最大限度，簡(jiǎn)單的數(shù)學(xué)運(yùn)算難以得出公正的量刑。應(yīng)堅(jiān)持定性分析與定量分析并用，將規(guī)則與價(jià)值判斷相結(jié)合，將模型計(jì)算出的量刑結(jié)果根據(jù)案件具體情況進(jìn)行調(diào)整[7]。此外，推進(jìn)案件的類(lèi)案檢索和適用制度也有著非常重要的實(shí)踐價(jià)值。最高人民法院《關(guān)于統(tǒng)一法律適用加強(qiáng)類(lèi)案檢索的指導(dǎo)意見(jiàn)》中規(guī)定，承辦法官在處理某些待決案件過(guò)程中，應(yīng)當(dāng)采用諸多方法，檢索與其在基本事實(shí)、爭(zhēng)議焦點(diǎn)、法律適用問(wèn)題等方面具有相似性的案件，重點(diǎn)在于最高人民法院發(fā)布的指導(dǎo)性案例、典型案例以及本省高級(jí)法院、上一級(jí)法院和本院已裁判生效的案例等[8]。在實(shí)踐中，可將以上模型預(yù)測(cè)結(jié)果應(yīng)用在詐騙犯罪同類(lèi)案件中，通過(guò)建模影響因素與同類(lèi)案件的雙向迭代運(yùn)算，不斷提高模型的預(yù)測(cè)準(zhǔn)確率，從而實(shí)現(xiàn)同類(lèi)案件的精準(zhǔn)同類(lèi)裁判目標(biāo)。