基于犯罪人地域特征的共同犯罪網絡及影響因素研究

趙 迪，陳 鵬*，江 歡，李 海 成，苗 紅 斌

(1.中國人民公安大學信息網絡安全學院，北京 102600；2.北京工商大學電商與物流學院，北京 100048；3.北京市公安局，北京 100029)

0 引言

共同犯罪指二人以上共同參與和實施的犯罪情形[1]，具有團伙性質，比單人犯罪的危害性更大。近年來，部分學者針對不同類型犯罪人共同參與和實施犯罪活動這一現象的原因進行了深入分析，并提出相應的理論假設，其中具有代表性的為犯罪人的同質性假設[2]，即參與共同犯罪活動的犯罪人通常在年齡、種族、性別、社會或經濟地位等方面具有共同或相似的特點[3，4]，促使犯罪人之間形成彼此的心理或身份認同，進而建立社會聯系并形成犯罪上的合作關系。例如：McIllwain研究發現，犯罪人之間的人際關系是有組織犯罪活動的基礎[5]；Zhang等通過研究人口拐賣案件發現，人際關系網絡在人口拐賣犯罪活動中十分重要，犯罪人之間的親屬、種族等關系在維持其合作關系方面不可或缺[6]；Li等研究發現，中國販毒網絡中的犯罪人在人口特征和社會經濟地位方面具有高度的同質性，且性別占比的決定性影響很大[7]；Lantz等通過分析賓夕法尼亞州入室盜竊數據發現，犯罪人的年齡會顯著影響共同犯罪的發生[8]。

與犯罪人的社會特征相比，地域(籍貫)特征對犯罪人之間的社會聯系構成與維系十分重要，因為相同或相近的地域背景意味著個體之間的心理認知和文化認同更強[9]，更易形成人群的聚類效應，進而促使來自相同或相近地域的犯罪人之間形成共同犯罪合作關系[10，11]。部分學者從地域性特征角度研究了犯罪人的共同犯罪現象，發現地域屬性構成對犯罪人的共同犯罪行為具有重要影響。例如：黃忠良等在分析中國典型拐賣婦女犯罪團伙時，發現相同國籍或地域來源對犯罪人的共同犯罪行為具有正向影響[12]；Chen等基于北京市2010-2012年電動自行車盜竊犯罪數據，發現共同犯罪群體中超過一半的犯罪人有著相同的地域性背景[13]；朱冠宇等構建基于犯罪人地域特征的詐騙類共同犯罪關系網絡模型，發現參與共同犯罪的犯罪人具有很強的地域背景相似性[14]。

綜上，當前針對犯罪人地域特征的共同犯罪現象研究雖然已取得較為豐富的成果，但仍集中在犯罪人的地域特征統計以及共同犯罪組織關系分析等方面，對地域特征視角下犯罪人共同犯罪現象產生的原因尚缺乏深入探討。為此，本文利用北京市2006-2017年入室盜竊案件信息，通過構建基于犯罪人地域特征的共同犯罪網絡，開展犯罪人地域特征組成分析，探索其背后的影響因素，以期為進一步開展城市犯罪防控提供理論支撐。

1 數據與研究方法

1.1 數據來源

相比其他類型案件，入室盜竊案件的危害極為突出，極易衍生出搶劫、故意傷害等行為，是影響區域治安風險的主要因素之一[15，16]。此外，入室盜竊案件的犯罪人有相當比例為職業犯罪群體[17，18]，流竄性、團伙化以及反偵查意識較強，犯罪人通過分工方式實施共同犯罪的特征比較明顯。因此，本文選取北京市公安局2006-2017年已結案的入室盜竊案件信息(只有已結案的案件才會登記犯罪人信息)為研究數據，將其劃分為2006-2009年(29 867起案件)、2010-2013年(29 265起案件)、2014-2017年(25 369起案件)3個時段，以此分析犯罪人參與共同犯罪活動的變化過程。案件信息字段包括案件編號、發案時間、案件關聯的犯罪人身份證信息等，其中，案件編號為案件的唯一標識符，若一個案件編號同時關聯多個不同身份證編號的犯罪人，則表示這些犯罪人對應于同一個案件，即產生了共案(共同犯罪)關系。利用犯罪人身份證信息可解析出其所屬地域信息(原始戶籍地)，經數據篩選、清洗后分別得到上述3個時段擁有完整信息的犯罪人3 132名、2 092名、2 737名，分別來自29個、27個、29個省域。

1.2 研究方法

1.2.1 基于地域特征的共同犯罪網絡構建 將犯罪人所屬戶籍地域抽象為網絡節點，令V={v1,v2,v3,…,vZ}表示所有地域的集合，Z表示地域數量，ti,j為不同地域犯罪人之間的共同犯罪次數(i=1,2,…,Z;j=1,2,…,Z)，則來自不同地域的犯罪人之間的共同犯罪網絡T如式(1)所示。犯罪人之間存在兩種共同犯罪關系：來自相同地域的犯罪人之間的共同犯罪關系(即同地域共同犯罪)和來自不同地域的犯罪人之間的共同犯罪關系(即跨地域共同犯罪)。利用收集到的入室盜竊犯罪數據中案件編號和犯罪人的所屬地域特征信息，即可根據式(1)構建2006-2017年不同時期北京市入室盜竊案件犯罪人共同犯罪網絡。考慮到數據規模且便于結果呈現和解釋，本文以省級行政區作為共同犯罪關系網絡的基本地域單元。

(1)

1.2.2 共同犯罪網絡整體特征分析 本文采用社會網絡分析(Social Network Analysis，SNA)中的網絡密度、聚集系數、中心性[19，20]對共同犯罪網絡整體特征進行分析。1)網絡密度(D,式(2))反映網絡中不同節點之間關系的密集程度，其值越大，表示網絡中所有節點之間的聯系越緊密。2)聚集系數(Ci,式(3))反映網絡中節點i和其他節點之間聚集的程度，對網絡中所有節點的聚集系數取均值即可得到網絡的平均聚集系數。3)中心性用于測量單個節點在整個網絡中的重要程度，本文主要應用點度中心性和接近中心性進行分析：點度中心性(CD(i),式(4))即與節點i直接相連的其他節點的數量及其權重之和，反映網絡中節點i與其他節點之間產生直接聯系的程度，節點的點度中心性越大，說明該節點的聯系范圍越大，參與度越高；接近中心性(CS(i),式(5))指節點i與網絡中其他節點的最短路徑之和，節點的接近中心性越大，說明該節點與其他節點之間的聯系越緊密，其重要程度越高。通過對以上指標進行分析可大致推測出共同犯罪關系網絡中關鍵性的“明星節點”[21-23]，即哪些地域的犯罪人群體在共同犯罪中比較重要和突出。

(2)

式中：M為網絡中所有節點之間實際存在的連接關系之和；Z為網絡中包含的節點總數。

(3)

式中：ki為與節點i產生連接關系的節點數量；Ei為與節點i有連接關系的ki個節點之間實際產生的連接關系之和。

(4)

式中：di,j表示節點i和j之間是否存在連接關系，若存在連接關系，則di,j=1，否則為0；λi,j為節點i和j之間的連接關系權重。

(5)

式中：pi,j為節點i與j之間的最短路徑；γi,j為構成節點i與j之間最短路徑的連接權重之和。

1.2.3 共同犯罪影響因素分析 為分析地域性因素在犯罪人共同犯罪形成過程中的作用效應，需進行網絡數據間的回歸分析。由于社會網絡的數學表達為矩陣，因此本文采用二次指派程序(QAP)法[24]進行回歸分析。首先對自變量矩陣和因變量矩陣的對應元素進行標準多元回歸分析，并對因變量矩陣的各行和各列進行隨機置換，計算隨機置換后兩個矩陣的回歸系數，重復若干次計算，估計統計量的標準誤差，確定回歸方程[25]。對于每個回歸系數，該程序能計算出全部隨機置換次數中回歸系數大于或等于第一步計算時得到的系數的隨機置換所占比例，進而得到每個自變量矩陣在回歸中的顯著性水平。QAP回歸的基本表達式為[26]：

Yi,j=β0+βkXi,j+εi,j

(6)

式中：Yi,j為因變量；β0為常數項系數；βk為自變量系數；Xi,j為自變量；εi,j為誤差項。

2 結果分析

2.1 共同犯罪網絡特征分析

參考文獻[27]，構建2006-2017年不同階段北京市入室盜竊案件中犯罪人所形成的同地域和跨地域共同犯罪地理拓撲圖(圖1、圖2)。圖1中節點大小表示來自節點所代表省域的犯罪人參與實施的同地域共同犯罪次數；圖2中節點間的連線表示兩個不同地域的犯罪人之間存在共同犯罪關系，節點大小表示來自節點所代表省域犯罪人參與實施的跨地域共同犯罪次數?？梢钥闯觯?)2006-2017年參與同地域犯罪和跨地域犯罪的犯罪人地域分布變化不大，犯罪人戶籍地基本覆蓋全國大部分省域，表明參與北京市共同犯罪活動的犯罪人地域分布具有穩定性。2)2006-2017年各地域犯罪人之間所形成的同地域和跨地域共同犯罪呈明顯的非極化趨勢。其中，2006-2009年來自北京、河北、河南等地的犯罪人參與了較多的同地域和跨地域共同犯罪活動，遠高于其他省域的犯罪人，2010-2013年和2014-2017年參與同地域共同犯罪較多的僅有北京籍和河南籍犯罪人，且共同犯罪的次數也大幅下降，而參與跨地域共同犯罪的犯罪人仍主要來自北京、河北、河南等地，共同犯罪次數也呈明顯下降趨勢。3)2006-2009年省域間犯罪合作關系連線較為稀疏，而在2010-2013年和2014-2017年連線明顯增多，表明各地域犯罪人不再局限于少數合作對象，而是選擇與更多其他地域犯罪人實施共同犯罪。

圖1 相同地域犯罪人參與共同犯罪的數量地理拓撲圖Fig.1 Geographical topological diagram of co-offending quantity of criminals in same regions

圖2 不同地域犯罪人參與共同犯罪的關系網絡地理拓撲圖Fig.2 Geographical topological diagram of co-offending network of criminals in different regions

利用網絡密度、聚集系數等指標對2006-2017年犯罪人所形成的跨地域共同犯罪網絡進行分析(表1)，可以看出，不同地域犯罪人間形成的共同犯罪次數整體呈減少趨勢，網絡密度也逐年遞減，不同時期網絡的聚集系數和平均最短路徑的比值在2006-2009年最大，2010-2013年降低，2014-2017年略有上升，整體反映出跨地域共同犯罪合作關系呈弱化趨勢。

表1 不同地域犯罪人的共同犯罪關系網絡整體特征Table 1 Whole network indicator statistics of cross-area co-offending networks

在對犯罪人共同犯罪網絡進行整體特征分析的基礎上，進一步利用社會網絡分析中的中心性指標對不同地域犯罪人在跨地域共同犯罪活動中的重要程度進行分析，由于參與分析的地域較多，本文僅展示點度中心性和接近中心性排名前10的省域(表2)。1)從點度中心性看，當僅考慮不同地域的犯罪人之間是否存在共同犯罪關系時(不考慮權重)，點度中心性能反映出犯罪人在共同犯罪中合作對象的地域范圍。河南、北京籍犯罪人共同犯罪合作對象的地域范圍在2006-2017年基本保持不變，河北、四川、安徽籍犯罪人共同犯罪合作對象的地域范圍略有增加，黑龍江籍犯罪人合作對象的地域范圍從2006-2009年的15個省域增至2014-2017年的25個省域。當考慮不同地域犯罪人之間的跨地域共同犯罪次數(考慮權重)時，點度中心性可反映出犯罪人所參與的跨地域共同犯罪次數。從表2可見，2006-2017年河北籍犯罪人的點度中心性在各時期始終為最高，說明河北籍犯罪人在各時期參與北京的跨地域共同犯罪次數最多，表現最活躍；河南、黑龍江籍等犯罪人群體在不同時期的點度中心性排名略有上升，表明上述地區的犯罪人在共同犯罪中的活躍性也有所增加，而北京、安徽和山西籍等犯罪人的點度中心性排名逐漸下降，說明這些地區的犯罪人參與共同犯罪的活躍性逐年降低。2)從接近中心性看，2014-2017年河南、北京籍犯罪人在共同犯罪網絡中的接近中心性排名出現降低，結合網絡節點度的結果看，雖然這兩個省域的犯罪人在共同犯罪中其合作對象的地域范圍變化不大，但其重要性逐漸下降，而河北、黑龍江籍犯罪人群體的接近中心性排名逐漸上升，表明兩省域的犯罪人在跨地域共同犯罪活動中的重要性逐步增強。

表2 不同時期中心性統計前10位的地域Table 2 Statistics of the top 10 regional nodes based on degree centrality at different times

2.2 跨地域共同犯罪的對象特征分析

為進一步分析不同地域犯罪人在共同犯罪活動中的合作對象特征，統計出不同時期各地域犯罪人的數量及其參與的共同犯罪次數和跨地域共同犯罪占比(表3)?？梢钥闯?，不同時期來自各省域的犯罪人數量發生了較大變化，部分省域的犯罪人數量出現較大幅度的下降，如北京籍犯罪人數量從2006-2009年的775人降至2014-2017年的233人，降幅達69%，河南籍犯罪人數量降幅為30.5%，河北籍犯罪人數量降幅為33.6%；部分省域的犯罪人數量則出現較大幅度的上升，如四川籍犯罪人數量增幅為26.8%，湖南籍犯罪人數量增幅為346%，而云南籍犯罪人數量增幅高達1 500%。但從整體上看，除北京以外，河南、河北、四川等省域的犯罪人在共同犯罪活動中的核心地位未受明顯影響，其參與的共同犯罪次數在同時期均高于北京以外的其他地域犯罪人。另一方面，各地犯罪人所參與的共同犯罪活動中跨地域犯罪所占比重呈明顯的不均衡現象，具體表現為有些數量較多的同地域犯罪人其跨地域犯罪的比重卻相對較低，而有些數量較少的同地域犯罪人其跨地域犯罪比重卻相對較高。例如，2006-2017年四川籍參與共同犯罪活動的犯罪人數量分別為261人、290人、331人，其參與跨地域共同犯罪的比重分別為43%、46%、57%，而同一時期黑龍江籍犯罪人數量分別為119人、129人、135人，但其跨地域共同犯罪比重卻分別為54%、74%、81%，均明顯高于四川籍犯罪人。對于一些數量更少的同地域犯罪人，其參與跨地域共同犯罪的比重甚至更高，如天津籍犯罪人在2006-2017年3個時期參與共同犯罪的人數均為9人，但其參與跨地域共同犯罪的比重卻分別高達100%、88%、78%。

表3 各地域犯罪人數量、參與共同犯罪的數量和參與跨地域犯罪的數量Table 3 Number of regional criminals,co-offending and cross-area crimes

基于以上分析，對不同省域的犯罪人數量進行0～1標準化后與其所參與的跨地域共同犯罪比重做散點圖并進行回歸分析(圖3)。由圖3可以看出，不同省域的犯罪人數量與其所參與的跨地域共同犯罪比重呈一定的負相關趨勢，即來自同一地域的犯罪人數量越多，其參與的跨地域共同犯罪的比例越低,表明犯罪人的地域分布對其參與共同犯罪可能存在一定影響。實際上，對于不同地域的犯罪人而言，同地域群體的數量差異意味著其社會關系結構的不同，尤其是對于大部分具有流動人口屬性的犯罪人，其進入目標城市后往往會面臨社會關系的重構，但在新的社會關系構建完成前會以原始地域形成的社會關系為主，所以，同鄉、同緣、同族的人群往往會成為其優先考慮的合作對象[9]。因此，如果來自某一地區的犯罪人數量較多，則意味著其成員能接觸到的同地域伙伴相對較多，進而形成同地域共同犯罪的可能性較大;反之，則與鄰近地域特別是數量較多的其他地域犯罪人群體合作會成為其替代性選擇[28]。

圖3 各省域犯罪人數量及其參與的跨地域共同犯罪比重散點圖及回歸結果Fig.3 Scatterplot and regression results of number of criminals in each province and proportion of their participation in cross-area co-offending

2.3 影響因素分析

進一步從地理角度分析共同犯罪活動中影響犯罪人選擇合作對象的因素。目標城市內不同地域人群之間的社會關系主要體現為鄉土、經濟、文化等形成的聯系，即鄉緣、地緣、族緣等[29-31]，這種以原始戶籍地域為紐帶的社會關系能滿足不同地域人群的情感歸屬、利益維護，幫助其融入城市社會生活[32-34]，有助于其形成心理和身份上的彼此認同而建立社會關系。因此，本文選擇不同地域之間的經濟相似性、文化相似性和地理距離等因素。其中，經濟相似性主要表示為犯罪人所屬地域之間的經濟關系，如果兩個區域屬于同一個經濟區或經濟帶，則兩區域間可能存在較強的聯系和互動；文化相似性表示為犯罪人所屬地域之間是否屬于同一地理文化區，較強的文化認同和心理認同更易形成社會聯系和共同犯罪合作關系；地理距離反映了不同區域之間的空間遠近，如果兩個區域之間的地理距離較大，則兩個區域的犯罪群體之間會存在較大的經濟背景差異和文化認同差異，其形成共同犯罪合作關系的可能性會較低。

根據《中共中央、國務院關于促進中部地區崛起的若干意見》《國務院發布關于西部大開發若干政策措施的實施意見》以及黨的十六大報告精神，我國的經濟區域主要分為東部(北京、天津、河北、上海、江蘇、浙江、福建、山東、廣東和海南)、中部(山西、安徽、江西、河南、湖北和湖南)、西部(內蒙古、廣西、重慶、四川、貴州、云南、西藏、陜西、甘肅、青海、寧夏和新疆)和東北(遼寧、吉林和黑龍江)四大地區。按照五行五方的理念[35]，我國文化區主要分為華北文化區(北京、天津、河北、山東、山西)、東北和內蒙古文化區(黑龍江、吉林、遼寧、內蒙古)、華東文化區(江蘇、浙江、上海、福建)、華中文化區(河南、安徽、湖北、湖南、江西)、華南文化區(廣東、海南、廣西)、西北文化區(陜西、甘肅、寧夏、青海、新疆)、西南文化區(四川、重慶、貴州、云南)和西藏文化區(西藏)八大地區。據此可構建經濟相似性和文化相似性自變量矩陣，若兩個省域屬于同一個經濟區域或文化區域，則在自變量矩陣中對應的位置為1，否則為0。省域間的地理距離以省會城市間的歐氏距離表示，則可構建相應的地理距離自變量矩陣。

以經濟相似性、文化相似性、區域間空間距離3個矩陣作為自變量，以2006-2017年北京市入室盜竊案件犯罪人跨地域共同犯罪矩陣為因變量，進行QAP回歸分析。其中因變量矩陣進行標準化處理，即矩陣中元素為某省域犯罪人選擇另一省域犯罪人作為合作對象后的共同犯罪數量比重，結果如表4所示?？梢钥闯?，文化相似性和空間距離兩個自變量具有一定的解釋性，其中各省域之間的空間距離在P<0.01的水平下通過了顯著性檢驗，其標準化回歸系數為-0.206，說明其對犯罪人跨地域共同犯罪具有負向作用，即犯罪人原始所在地之間的地理距離越小，則兩個地區的犯罪人產生的共同犯罪次數越多；各省域之間的文化關系在P<0.05的水平下通過顯著性檢驗，其標準化回歸系數為0.084，說明其對犯罪人跨地域共同犯罪關系有正向作用，即如果犯罪人所在的地域具有相似的文化特征，則產生共同犯罪的可能性更大。從回歸系數的絕對值比較看，區域之間的空間距離相比文化關系更能影響犯罪人跨地域共同犯罪的形成。

表4 團伙類入室盜竊案件中犯罪人地域關系二次指派程序回歸結果Table 4 QAP regression results of criminals′ regional relationship in gang burglary cases

3 結論

犯罪人共同參與犯罪活動的行為一定程度上能反映犯罪人之間的合作關系，而犯罪人的地域特征則能從地理層面上反映不同地理區域犯罪人群體之間的合作關系。本文利用北京市2006-2017年入室盜竊案件犯罪人數據，從地域特征角度建立犯罪人的共同犯罪網絡模型，對不同地域的犯罪人在北京市的共同犯罪行為開展相應研究，結果表明：1)2006-2017年北京市入室盜竊案件共同犯罪群體主要來自北京、河北、河南、四川等地，其中河北籍犯罪人在各時期參與的共同犯罪數量最多;跨地域共同犯罪呈現弱化趨勢，其中北京籍犯罪人在共同犯罪中的參與度逐漸下降，黑龍江籍犯罪人的參與度和活躍性快速上升。2)同地域犯罪人數量越多，則其形成跨地域共同犯罪的比重越低，反之則形成跨地域共同犯罪的比重越高，反映出犯罪人的地域分布對其共同犯罪的合作對象選擇存在影響。3)不同地域犯罪人之間參與共同犯罪的行為受犯罪人所屬地域文化相似性和空間距離影響，地域文化相似性越高或地理距離越小，則犯罪人之間形成共同犯罪的可能性越大，其中地理距離的影響更大。

當前，在一些人口較多的大型或超大型城市中，外來人口占比較高，其中不乏一些潛在的犯罪高危群體，其在城市日常工作生活中會形成復雜的聯系，進而進化為共同犯罪關系，甚至有可能發展為規模較大的有組織犯罪。本文工作對公安機關的犯罪治理和防控具有一定的實踐指導意義：在打擊犯罪方面，需高度關注數量較多的隸屬于同一地域的犯罪重點人群，及時發現其可能存在聯系的其他地域的共同犯罪人；在犯罪防控方面，對潛在高危犯罪人群及其混雜的聚居、工作場所，可采取居住管理、從業人群登記等有效的管控措施，對其可能會建立的共同犯罪聯系進行及時干擾和制止[14]。

本文雖然通過數據分析發現犯罪人的地域特征分布對其共同犯罪的合作對象選擇存在一定影響，但對這種影響的機制分析尚不深入。國外研究表明，共同犯罪活動中犯罪人的地位并不平等，而是分為“主導者”和“參與者”[36]，其中經驗越豐富的犯罪人扮演“主導者”的可能性越大。而同地域犯罪人的數量特征對其參與跨地域共同犯罪過程中的地位分配是否具有顯著性影響，則對共同犯罪者選擇合作對象具有重要意義，有待下一步重點研究。