刑事速裁程序研究-样本数据、变量描述和研究方法

本研究采取分段抽样法，采集最高人民法院裁判文书网上速裁试点期间的12 666份裁判文书作为分析样本，从速裁效率、量刑均衡和被告人权利保护三个层面对试点成效进行多元统计分析。现将本研究使用的样本数据、变量描述和研究方法等分述如下。

（一）样本数据

本研究使用的数据样本来自最高人民法院的中国裁判文书网。为了全面了解刑事速裁程序的实际效果，在中国裁判文书网抽取速裁案例样本作为研究样本。为了获得覆盖18个试点城市和试点期间（2014—2016年）的代表性样本，本研究采取分段顺序随机抽样方法，从中国裁判文书网上的37 998个一审速裁裁判文书中抽取约三分之一的速裁裁判文书，[6]即12 666个刑事速裁程序案例作为研究样本。[7]该研究样本中的速裁裁判文书的时间跨度为2014年8月至2016年8月两年的试点期，[8]地域上覆盖试点的 14个省区的18个城市。研究样本分阶段的顺序抽样的具体方式为。

第一步，根据区域检索（以省级单位）的条件，得到38 000份在14个试点省份18个试点城市的裁判文书的全样本分布（图4-1）。

图4-1　网上速裁案例试点区域分布（N=38 000）

第二步，根据上述区域分布中案例数量依目标样本数（12 666）的比例进行顺序取样。例如，北京地区的取样总数（小数点之后采取四舍五入）应为：（4077/38 000）*12 666=1359。依次类推，取得试点地区应抽取的实际样本数（图4-2）。

图4-2　实际抽取研究样本数试点区域分布（N=12 666）

第三步，根据上述应抽取的样本总数的区域分布，按照每个地区的年度（2014年、2015年、2016年）的网上案例所占比重顺序抽取各地区的案例，以达到区域与时间分布的相对分散，体现样本时间和空间的均衡性（图4-3）。由于刑事速裁程序在2014年下半年才正式启动，实际审理的案例数量很少，该年度的速裁案件上网的裁判文书的案例更少，因此2014年度的案例在抽取的研究总样本比较少。2015年度和2016年度试点区域研究样本分布比较均衡。

图4-3　研究样本的试点区域和年度分布（N=12 666）

（二）变量描述

变量描述对于后文的统计性报告解释可以起到知识铺垫和结果印证的作用。缺乏好的描述，就无从构造有意义的解释。[9]根据裁判文书记载的信息来检验刑事速裁程序试点整体效果，需要对速裁裁判文书信息进行变量处理和对应取值。社会科学真正的创造力往往在于变量的操作化。[10]变量必须具有可测量性并与研究的问题或者假设高度相关。基于本研究中需要回答的三大类问题，对研究样本的变量描述信息按照因变量（被解释变量）和自变量（解释变量）分述如下。

1.因变量

（1）速裁效率。速裁效率在速裁案件中可通过诉讼在不同阶段上花费的时间来检验和评估。在速裁案件中从拘留日到判决日的诉讼期限，可以被划分为刑事拘留日至刑事逮捕日的预审期限、刑事逮捕日至刑事起诉日审前期限、刑事起诉日至判决日审判期限。这些诉讼期限都是在统计中被计算和观察的被解释变量。由于两高两部《速裁程序试点办法》没有对轻微刑事案件的拘留期限和侦查期限进行具体规定，其中涉及拘留期限、侦查期限和取保候审和监视居住的期限的法律依据仍然是2012年《刑事诉讼法》的相关规定。由于在速裁案件中，取保候审和监视居住合起来的案件占到38.5％，而取保候审的最长期限为1年，监视居住的期限可达到半年，因此速裁案件中凡是涉及犯罪嫌疑人和被告人替代性羁押措施的，刑事预审和审前期限都有较长的时间。表4-1、表4-2中都有比较清楚的体现。由于各地的速裁案件审理中使用格式文书，很多地区法院的速裁裁判文书中缺乏对于逮捕日期、起诉日期等具体期限的记录，速裁案件的拘留日、逮捕日、起诉日等相关的期限存在较多的缺失，因此并不是每个案件都要素齐全。比较而言，计算审判期限和诉讼期限需要的相关日期普遍较全，因此涉及这两个期限的数值相对信度较高，在统计中解释力度也较强，基本上可以满足对刑事速裁程序案件进行效率分析的要求。

（2）量刑裁判。在速裁案件中，由于被告人自愿认罪且案件事实清楚、证据充分，因此法院裁判的重点是量刑，速裁案件的司法公正性主要表现在量刑裁判上。由于不同案件的情节变量的复杂性，刑事案件的量刑的公正性和均衡度是量刑研究中的难点。[11]为了检验裁判量刑的公正程度，根据两高两部《速裁程序试点办法》规定的速裁案件刑罚方式中的有期徒刑、拘役、罚金和缓刑来分别建构计算分析模型。在研究中，我们不仅要看裁判量刑是否被控制在法定的量刑幅度内，而且要看量刑裁判在不同试点城市是否均衡。这里需要说明的是，由于管制刑在本研究样本中仅有46个案件适用，占样本比仅仅为0.36％，其数量太小无法满足统计分析需要因此在本研究中没有纳入研究范围。就这个意义上，管制刑本身在司法实践中的价值已经式微，需要予以改革。[12]另外，附加刑中剥夺政治权利的案件在轻微刑事案件中也罕有适用，因此在本统计报告中没有显示。基于此，本研究报告主要涉及拘役、徒刑和罚金以及缓刑适用情况。在有期徒刑方面，速裁案件的量刑主要在1年以下有期徒刑。在统计数值上，徒刑、拘役在样本中按照实际判处的月份来计算，罚金则按照判决中计算的金额来计算，缓刑以缓刑的实际月份来计算。

（3）司法处遇。司法处遇，即犯罪嫌疑人和被告人在刑事司法活动中在人身自由和法律帮助方面受到的待遇，具体包括取保候审、监视居住、羁押和律师辩护等方面。在本研究中，司法处遇变量为交互性解释变量，即该类变量在研究的样本中既作为解释变量同时也作为被解释变量分别进行研究。司法处遇作为被解释变量，主要观察其在不同犯罪类别和不同试点城市中的差异性表现。例如，律师辩护在不同的速裁犯罪类别案件和试点城市中的概率如何，就需要将律师辩护作为虚拟的被解释变量进行计算和统计。在本样本研究中，司法处遇的相关变量的统计取值依次为：取保候审=1，非取保候审=0；监视居住=1，非监视居住=0；羁押=1，非羁押=0；律师辩护=1，非律师辩护=0。对这些变量作为虚拟变量与实际变量的统计分析采取不同的统计方式来解析，以揭示其在速裁司法实践中的统计偏差和显著性概率。

表4-1　罪名适用替代性羁押、律师辩护和缓刑

注：第2～6列单元格数值为百分比，即该项速裁案件数占第7列案件总观察数的百分比。例如，在总计6014件危险驾驶案例中，42.8％的案件有取保候审，0.2％的案件有监视居住，57.1％的案件有推定羁押，6.3％的案件有律师辩护，54.7％的案件判缓刑。

表4-2　试点城市适用替代性羁押、律师辩护和缓刑(www.xing528.com)

续表

注：第2～6列单元格数值为百分比，即该项速裁案件数占第7列案件总观察数的百分比。例如，在总计1359件发生在北京的速裁案例中，36％的案件有取保候审，0.1％的案件有监视居住，63.7％的案件有推定羁押，10.8％的案件有律师辩护，41.9％的案件判缓刑。

2.自变量

自变量也可看作是解释变量。对于上述被解释的因变量需要通过自变量数据的检验才能对其进行有效分析。根据速裁裁判文书记载的客观信息，本研究中的自变量主要限定为以下两类。

（1）司法处遇。犯罪嫌疑人和被告人在刑事司法过程中受到的待遇，虽然相对于司法效率和量刑裁判来说属于外生变量，但是同样对犯罪嫌疑人和被告人的案件诉讼进程和裁判量刑产生影响，其关联性影响的具体程度则可以通过统计分析揭示出来。例如，取保候审的案件对速裁案件的预审和起诉的效率就会产生比较大的影响，律师辩护可能对量刑产生较大影响，羁押可能对审前期限产生较大的影响，等等。在取值方面，将司法处遇作为解释性因变量来观察对其他被解释变量的影响方面的取值与上文所述的其作为虚拟因变量的取值方式相同。

（2）试点城市。就解释变量而言，试点城市相对于犯罪类别和司法处遇来说属于外生变量，但是由于在区域的犯罪控制政策以及实施速裁程序试点上存在地方性差异，因此其与速裁案件中被告人的权利保护、诉讼进程和量刑裁判也具有较强的关联性。例如，有的试点城市对危险驾驶罪一律判处实刑，有的城市则倾向判处非监禁刑；有的城市的取保候审控制很严，有的试点城市取保候审控制较松。这些地方性的刑事政策也可通过样本数据的研究反映出来。本研究将试点城市作为非常重要的解释变量，就是要观察在不同的速裁试点城市的刑事速裁程序在被告人的权利保护、诉讼进程和量刑裁判上的变异程度。表4-3是18个试点城市在刑事速裁程序在诉讼进程和量刑上的分布性描述。为了简化统计分析，在后文的多元回归统计分析表和报告中基于技术性需要选取9个具有地域代表性的试点城市：北京、上海、天津、沈阳、济南、福州、广州、武汉和西安，其余的9个试点城市作为多元回归统计的参照城市。本研究样本的文字报告中将重点报告9个代表性的检验城市。

表4-3　试点城市速裁期限和量刑

续表

注：第2～8列单元格数值中第1行为平均值/标准误，第2行括号中的数值是计算该平均值/标准误的样本观察数。最后第9列的观察数指的是分地区的速裁案件总数。期限缺失数据导致单元格样本观察数与最后第9列案件观察数不一致。

（三）研究方法

1.模型建构

在统计模型方面，选取危险驾驶等5类主要犯罪类别、5类主要犯罪类别以外的其他犯罪以及全部样本共7组模型分析。这种方式的优势是既突出重点，又照顾全面。不同的犯罪类别，表现出的社会危害程度和犯罪破坏的社会关系的程度不同，其对诉讼进程和裁判结果都会产生不同的影响。根据两高两部《速裁程序试点办法》规定，刑事速裁程序适用案件类别为危险驾驶罪等11类。根据样本统计，试点城市的速裁案件数的犯罪类别排在前五位分别是：危险驾驶、盗窃、毒品、交通肇事和诈骗类犯罪，这5类犯罪案件数在样本中占88％以上。这里需要指出的是，在本研究样本中，上述5类犯罪案件中，交通肇事案件和诈骗类案件的数量相对较小，因此其相关的解释力度会相对较弱。据此，本研究以上述5类主要犯罪作为分析模型，将其余犯罪类别的合并速裁案件作为参照分析组。由于犯罪类别的差异，罪名间因量刑上的差异以及审前羁押方式的不同，加上各地犯罪控制政策存在的区域化差异，不同的犯罪类别在速裁效率和裁判量刑方面表现出一定的差异。本样本的统计分析将通过统计计算，揭示出主要犯罪类别的速裁效率和量刑的具体差异程度。表4-4就是反映基于样本中犯罪类别划分的7类分析模型在诉讼进程和量刑裁判上的描述性差异。

表4-4　速裁犯罪分析模型的速裁期限与量刑

注：本表的计算基于排除替代性羁押导致的刑事拘留期限问题，因此排除取保候审和监视居住案件。第2～8列单元格数值中第1行为平均值/标准误，第2行括号中的数值是计算该平均值/标准误的样本观察数。最后第9列的观察数指的是分罪名的速裁案件总数。期限缺失数据导致单元格样本观察数与最后第9列案件观察数不一致。

2.统计方法

本研究利用Stata统计软件对刑事速裁程序的裁判文书中的期限和量刑以及相关的司法处遇进行多元回归和定量分析。在分析框架方面，主要是对速裁效率与速裁量刑的实际变量进行多元回归分析，以观察各类解释变量对被解释变量的影响程度；对司法处遇的变量进行Logistic分析，以观察各类解释变量对被解释变量的影响程度。对于各类期限通过时间点的跨度利用专业的软件来完成计算，并剔除极少部分的异常变量，因此可以保证速裁期限部分的数据准确可靠。根据部分实际变量的数据分布特点和多元回归分析的要求，在进行多元回归分析时对部分的实际变量如期限和量刑等进行对数转换，以使统计多元回归的被解释变量的数据满足相对正态分布的要求。

这里需要指出的是，由于部分样本数据在不同的变量中分布不均衡，部分被解释变量的观察样本数量偏低，存在解释信度偏低的问题，这主要集中在交通肇事和诈骗类犯罪的相关被解释变量的统计结果中。如果样本观察数过低，研究报告对该类被解释变量就不进行文字报告。考虑到系统化研究需要和统计文献的完整性，在多元回归的研究分析中仍然在图表中显示其结果，这可以全面反映这些数据和信息本身在司法实践中分布的实际差异。当然，这也符合统计分析中总是存在部分变量不具有统计显著性或解释性的客观情况。