认罪认罚对逮捕的影响实证研究—基于300份裁判文书的统计分析

徐浩然

（福建师范大学 福建福州 350108）

2018 年10 月26 日，第十三届全国人民代表大会常务委员会第六次会议作出《关于修改<中华人民共和国刑事诉讼法>》的决定，将认罪认罚从宽制度和刑事速裁程序近几年的试点经验正式上升为法律，是我国刑事诉讼模式向“公力合作式”转型取得阶段性成果的权威标识。2019 年10 月24 日，中央“两高三部”共同发布《关于适用认罪认罚从宽制度的指导意见》（后称《指导意见》），从适用认罪认罚从宽制度的原则、范围、条件、对“从宽”的理解和把握、对各方诉讼参与人诉讼权力的保障等方面对认罪认罚从宽制度进行了较为系统、全面的规定，旨在提升司法机关对该制度理解上的规范性和适用上的准确性，其中，《指导意见》的第8条、19条、20条以及2018年新修订的《刑事诉讼法》第81 条第2 款的部分内容引起了笔者的关注，简言之，以上法条其明确：认罪认罚从宽制度中的“从宽”，包括实体上的从轻处理和程序上的从简处理；嫌疑人是否认罪认罚应作为其社会危险性评估的重要依据；对于认罪认罚的犯罪嫌疑人，应根据具体情形结合其社会危险性程度决定是否批准逮捕或逮捕之后是否变更强制措施；批准或决定逮捕应当将犯罪嫌疑人、被告人涉嫌犯罪的性质、情节，认罪认罚等情况，作为是否可能发生社会危险性的考虑因素。

从以上规定不难看出最高立法决策层意图将嫌疑人是否认罪认罚作为司法机关是否对其执行逮捕措施的重要考虑因素，以此达至尽量降低认罪认罚案件刑事羁押率的目标①，从而，一方面有助于在提升人权保障水平范畴落实认罪认罚制度之公正价值，一方面有助于切实贯彻宽严相济的刑事政策。在目前理论界对认罪认罚制度的既存研究中，学者们大都通过理论价值思辨［1］、对法律修改的评析等方式从认罪认罚制度的证明标准［2］、嫌疑人自愿性保障［3］、值班律师的职责和定位等方面进行探讨［4］，鲜有学者运用统计学方法对认罪认罚制度的程序性利益供给情况进行实证研究②。有鉴于此，本文拟在对2019年10月24日（《指导意见》颁行之后）以后我国上网的裁判文书进行科学抽样，通过人工阅读方式将裁判文书中的有用信息进行摘录，再运用SPSS16.0 软件的二分类Logistic 回归的统计方法③，厘清司法实践中嫌疑人认罪认罚与是否被逮捕之间关联之基础上，对统计结果背后的所蕴藏的深层次原由进行更为微观、细致的探讨，以期有所裨益④。

一、研究材料与研究方法

2014 年1 月1 日，最高人民法院发布：《最高人民法院关于人民法院在互联网公布裁判文书的规定》（后称《文书规定》），其明确生效的裁判文书除涉及国家秘密、未成年人犯罪、离婚诉讼或涉及未成年人抚养、监护等几种情形外，均应在互联网全面、及时、依法、规范地公布。依此规定，近年来除代表官方的“中国裁判文书网”以外，一些高校和科技公司也建立了自己的裁判文书检索网站，为此，笔者此次研究样本的来源为在“聚法案例网”上所收录的可在网络上自由下载并查看的生效的裁判文书。

（一）样本获取思路

首先，以“一致性”为根据，将裁判文书抽样范围确立为2019年11月1日以后生效的裁判文书。本文研究对象为嫌疑人认罪认罚对逮捕率的实际影响，所以根据统计学研究的“控制变量”原则，选取的裁判文书样本中所包含的与“认罪认罚”和“逮捕”这两个关键词有所关联的信息的生成应当尽量处于同一司法环境下，但由于我国各地区政治、经济、社会发展状况存在巨大差异，很难将司法环境这一抽象且宽泛的概念统一化，从而只能从全国通行要素入手尽量控制司法环境的一致性，而这一全国通行要素毫无疑问便是各大规范性法律文件。在《指导意见》颁行以前，虽然认罪认罚从宽制度已经被正式写入新刑事诉讼法，在其中第81条第2款也明确了司法机关应当将犯罪嫌疑人是否认罪认罚作为其社会危险性的重要考虑因素，但有学者实际调研发现，在认罪认罚制度和速裁程序试点结束之后，囿于新兴制度的完善性相对欠佳导致司法工作人员适用认罪认罚制度的积极性普遍有所下降［5］，但《指导意见》出台之后，其对于认罪认罚制度的各方内容进行了一个相对全面的完善［6］，司法机关对适用认罪认罚度的主动性也随之不断提升。2019年11月1日之后为《指导意见》的效力覆盖期，在此效力覆盖期内，司法机关对认罪认罚案件的处理（包括程序上和实体上）都基于相同且相对更加完整的规范性法律文件，由此在该日期之后上网的裁判文书无论在法律适用的一致性上还是制度运行的全面性上都相对优异，符合统计学研究样本选取的“一致性”要求。

其次，以“全面性”为根据，以划行政区随机抽样方式搜集研究样本。在社会科学领域进行实证研究不同于自然科学，迫于对研究对象能够产生影响的因素过于庞杂，研究者往往难以严格控制实验环境变量，特别是本文所采用的大样本文书信息筛查的研究方式，由此，实验者可能基于对该研究内容的先验性期望或认识偏差等原因在实验样本的选取过程中产生“实验者期望效应”⑤。诚然，此种效应对研究结论的影响是难以避免的，只能通过更加科学的实验方式尽量降低此种效应对最终实验结果的制约，由此，笔者首先决定用随机抽样的方式确定抽样样本总量为300 份，在聚法案例网页上通过“高级检索”按钮点击选择以下筛选项：（案由=刑事案件、文书类型=判决书、审判程序=一审、裁判时间=2019-11-1至今）一共检索出286970份裁判文书，有学者对于裁判文书的上网率做过专门研究，其认为对裁判文书上网率的计算应当用中国裁判文书网公布的裁判文书数量除以法院的结案量，由此，虽然此时的样本数量并不完全，但据此方法计算笔者所设检索条件下的裁判文书上网率也高达70.23%，并且样本数量总数有二十多万份，也可基本排除不上网的那部分裁判文书对研究结果产生的不利影响［7］，再按全国32个行政区域（不包括港、澳、台）裁判文书在全部裁判文书中的占比乘以300确定各地区抽样裁判文书数量。因为我国各行政区域之间的经济、社会等发展状况存在巨大差异，各地司法机关对认罪认罚制度的实施方式和侧重点必然有所区别，本研究涉及对我国认罪认罚制度在程序性利益供给方面实施情况的全局性探索，所以应尽量避免因抽样调查这一研究方法的偶然性本质对最终实验结果可能产生的影响。抽样具体情形如表1所示：

表1 2019年11月1日—2020年6月16日生效的裁判文书抽样分布情形

（二）样本内涵信息概述

按照上文所述方式抽取的300份裁判文书中，不存在重复或无效的裁判文书，通过阅读裁判文书和数据录入，统计发现文书总共涉及犯罪嫌疑人449 个，其中在审判以前被执行过逮捕的共有358 人，逮捕率为79.73%，略高于2019 年77.6%的平均值，但总体偏差不大，初步说明此次抽样获取的样本材料具有一定的代表性。

1.样本关键信息之选取。基于本文研究的问题，笔者将抽样的300 份裁判文书中的关键信息的选取确定为以下几部分内容：嫌疑人是否认罪认罚、嫌疑人是否为累犯、嫌疑人是否存在其他酌定量刑情节（自首、坦白、积极赔偿损失、退赃退赔、立功）、嫌疑人是否涉及严重犯罪（可能被判处10年以上有其徒刑）、嫌疑人是否为过失犯罪五项，具体分布情形如图1所示。

图1 300份裁判文书449名犯罪嫌疑人关键信息罗列（单位：人）

笔者之所以选取以上信息作为关键信息对象，原因如下：对“社会危险性”条件的解构。随着2012年修订的《刑事诉讼法》第79条（2018年刑事诉讼法第81条）将条文中“有必要逮捕”的文字表述予以删除，加之其后出台的一系列有关“社会危险性”的司法解释⑥，“逮捕必要性”已经与“社会危险性”渐渐画上了等号［8］。1988年《最高人民检察院一厅关于办理批捕案件的质量标准（试行）》（后称《质量标准》）第1 条第4 款，以及2015 年《最高人民检察院、公安部关于逮捕社会危险性条件若干问题的规定（试行）》（后称《危险性规定》）第5、6、7、8、9 条的规定细化并具体了刑事诉讼法典中关于逮捕条件的要求。

例如，《危险性规定》第5、7、8、9条均指向嫌疑人犯罪之后可能实施串供、毁灭证据、逃跑、自杀等犯罪行为以外的新的其他社会危害行为；第6条将犯罪嫌疑人具有危害国家、公共安全可能性以及曾经因危害国家、公共安全受过刑事或行政处罚界定为嫌疑人重大社会危险性之外在表现形式之一，这与推崇自由主义的英国思想家米尔提出的伤害原则不谋而合，申言之，即使嫌疑人现在或从前所涉罪名为狭义的危害国家、公共安全以外的其他犯罪，也存在危害其他不特定公共参与者安全的现实可能性，亦可将其犯罪行为归入公共危害范畴。综上所述，笔者犯罪嫌疑人的“社会危险性”要求解构为以下两重维度：其一，嫌疑人之再犯可能性；其二，嫌疑人所涉罪行之公共危害性。

笔者基于嫌疑人之再犯可能性这一维度，决定选取裁判文书中：嫌疑人是否认罪认罚、嫌疑人是否存在酌定量刑情节、嫌疑人是否为累犯三项关键信息。因为，对于犯罪嫌疑人之再犯可能性的理解，不能狭义地局限在刑事犯罪范畴，根据2001年8月6日发布的《最高人民检察院、公安部关于依法适用逮捕措施的有关规定》（后称《逮捕规定》）第1条规定，“有证据证明犯罪事实”并不要求公安机关查清全部犯罪事实，说明此时即便证据链还不完整，但犯罪嫌疑人也实际处于被追诉状态中，并且这个被追诉状态的产生是基于侦查机关掌握的一定的证据材料，在此情形下，虽然未经法院依法判决不能确定其有罪，但在法律层面对其人身行为规制的严厉程度也理应与普通正常公众存有一个相对明显的区分，此时，伴随着被追诉状态的持续该犯罪嫌疑人的人身危险性边际效应相应降低，导致其“再犯可能性”这一维度所涵摄的禁止性“行为圈”由最初的刑事犯罪行为内缩为“逃避侦查”“干扰作证”“打击报复”等普通违法行为。而犯罪嫌疑人如果选择了认罪认罚、坦白、或积极退赃退赔取得被害人谅解，无论其心理上是否真心悔改，至少在法律层面上已经形成了一个既成法律事实，例如嫌疑人自愿认罪认罚之后司法机关需要将案件转入认罪认罚程序进行追诉，其工作重点由实体上的犯罪事实证明转化为审查确定犯罪嫌疑人认罪认罚之自愿性［9］、合法性、真实性、明智性、明知性，所以此时，嫌疑人其后也再无“隐匿证据”“串供”之必要。反之，作为具有累犯认定条件并可能被认定为累犯的犯罪嫌疑人，其由于其本身已前科累累，除逮捕之外很难有效抑制其再犯可能性。

笔者基于嫌疑人涉嫌犯罪之公共危害性性这一维度，决定选取裁判文书中：嫌疑人是否涉嫌严重犯罪（可能被判处10 年以上有期徒刑）、嫌疑人是否为过失犯罪两项关键信息。因为，在法律层面上最能反应一个人所犯罪行的公共危害程度的因素通常是两点：其一，客观上嫌疑人所涉嫌犯罪的罪行轻重；其二，主观上嫌疑人犯罪时的心理恶性程度。主观恶性一词是犯罪主观方面的概念，但有学者将其解读为：所谓主观恶性是通过犯罪客观方面产生的并由犯罪事实所表现的以伦理道德、政治否定性和刑法确性为统一规范特征的犯罪心理的反社会性，由此，客观上嫌疑人所犯罪行轻重以及主观上的心理状态都能有较为直观地体现嫌疑人内心的反社会特征，一旦该反社会性特征超出市民社会有效运转以及刑事诉讼顺利进行之需求所能容忍的边界极限，便不宜继续放任嫌疑人相对自由地继续参与社会生活，而应该适当限制其人身自由或将其羁押。

2.样本关键信息之描述。本次抽样调查所涉及的449 个犯罪嫌疑人，其中认罪认罚的218 人中，有135人被执行逮捕，逮捕率为61.9%，比整体逮捕率79.73整整低了17.83%，未认罪认罚的231人中，有223人被执行了逮捕，逮捕率为96.52%，高出总体16.79个百分点。

单从这一视角切入，可以很直观地看出犯罪嫌疑人是否认罪认罚对逮捕率的影响，相比于未认罪认罚的犯罪嫌疑人，认罪认罚的犯罪嫌疑人被执行逮捕措施的比例较低，直观数据对比甚至得出了断崖式的34.63%的差量，由此似乎可以简单地得出犯罪嫌疑人认罪认罚能有效降低逮捕羁押率的结论。但如此简单地仅仅通过两项数据之间的大小对比就得出如此肯定性结论缺乏必要的科学性和合理性，笔者在前文就已经指出，司法机关是否决定对犯罪嫌疑人实行逮捕，单就通过文义解释的方法从法律制度层面解读，就存在多重影响因素，并且，还有学者研究指出，对于司法机关是否适用逮捕还存在诸如嫌疑人户籍地所在、司法机关内部机构设置体系以及司法机关内部相关管理制度和逮捕政策改革等因素的影响［10］，所以，不能仅仅依据数据大小的对比结果就贸然得出结论，应当以此为契机，继续深挖表面的数据背后所隐藏的真实信息。

在样本所含的449 名犯罪嫌疑人中，其中所涉罪行为“危险驾驶罪”的犯罪嫌疑人有59 人，并且此59人的认罪认罚率和不逮捕率都为100%，在选择认罪认罚的218名嫌疑人中占比27.06%，占全部449名犯罪嫌疑人人数的13.14%，由于抽样的随机性误差和裁判文书并未完全公布上网等原因，该比例略低于2019年全国17.7%的平均水平，但此误差量尚在可接受范围内。

危险驾驶罪处罚的是行为犯，即犯罪嫌疑人处于几种危险情形下仍然驾驶机动车的行为，实践中主要针对“醉酒”驾车行为，由于没有造成相应危害后果，具有犯罪情节轻微、司法处置宽缓等特点［11］，由此司法机关很少对犯罪嫌疑人采取逮捕的强制措施，但偏偏涉及危险驾驶罪的犯罪嫌疑人选择认罪认罚和被适用刑事速裁程序的比例又相当之高⑦，质言之，危险驾驶犯罪与认罪认罚从宽制度在实践中已经形成了一种常态化的默契联动，即涉嫌危险驾驶的犯罪嫌疑人在大部分情况下都会选择认罪认罚和被适用刑事速裁程序，但是，由于该罪的社会危险性在我国刑法体系中与其他犯罪相比又过于微小，在此语境下，即便在认罪认罚从宽制度试点以前，司法机关也很少对此类犯罪嫌疑人采用逮捕的强制措施。所以，此59 个涉嫌危险驾驶的统计数据的特殊性较强，不宜将其一揽子算入没被逮捕的犯罪嫌疑人之中，不适合作为得出唯一结论的可靠依据。由此，如果将此59个未被逮捕的嫌疑人数据剔除，再分别计算嫌疑人认罪认罚与否的逮捕情况，可以发现，认罪认罚的犯罪嫌疑人的逮捕率由最初的61.90%陡增至84.90%，在此情形下，与不认罪认罚的犯罪嫌疑人的96.53%的逮捕率之间的差异也就大幅缩小了。

一言以蔽之，囿于逮捕措施本身构造之复杂性、影响因素之庞杂性、逮捕适用决定之裁量性、我国司法现状之特殊性等原由，通过单纯地对抽样数据大小的对比就得出结论，缺乏科学依据，虽然法学判断本应为价值判断而非真理判断，并且在法学领域的大数据研究的核心也是尊重经验真实、敬畏经验真实、在乎经验的代表性［12］，但既然选择了以科学实验为基准的实证研究，就不能仅仅依靠经验来描述数据表征，应该结合更加精密的计算机软件和统计学研究方式来解构数据，通过技术手段揭示暗植数据背后的深层次逻辑勾连，再用法学理论和经验事实来解释产生这种数据勾连背后的客观原由。

（三）统计分析方法

鉴于上文所述，本文拟结合计算机软件进行统计学分析，笔者数据录入选择运用EXCEL软件，数据分析采用SPSS16.0 统计软件，分析方法运用二分类Logistic 回归，根据本文研究的具体问题，笔者将从300 份裁判文书中提取的关键性内容作为自变量（解释变量），以犯罪嫌疑人是否被逮捕作为因变量（被解释变量），对各自变量之间所涵盖事实的存在与否进行赋值。例如，犯罪嫌疑人是否认罪认罚作为一个自变量，如果犯罪嫌疑人选择了认罪认罚，则将此数据赋值为0，反之则赋值为1，以此类推，总体赋值情形如表2所示，以二分类自变量的形式将总共449各犯罪嫌疑人的赋值情况以及逮捕情况全部录入，再运用二分类Logistic 回归的运算方式计算各自变量的动态变化情形与因变量之间的统计学关系。若最终软件输出的数据表格中的其中一项指标：P值小于0.05，则表示该结果具有统计学意义，换言之，该项关键信息（解释变量）对嫌疑人是否被采取逮捕的强制措施（被解释变量）之间存在正相关或负相关影响，正相关与负相关取决于笔者的赋值方向选择。例如，将嫌疑人符合累犯构成要件赋值为1（自变量），嫌疑人被逮捕也赋值为1（因变量），最后软件输出结果的P值小于0.05，说明嫌疑人可能构成累犯有助于嫌疑人被逮捕这个结果的实现，所以，研究最后最重要的软件指标依然是P值大小是否超出既定范围，此处不再赘述。

表2 逮捕危险因素分析研究的变量与赋值

最后，由于笔者选取的自变量关键信息是基于我国刑事诉讼法对于逮捕适用条件的具体规定，所以该自变量因素与被解释变量（因变量）之间在理论上一定具有相关性，即便研究结果显示该项解释变量与被解释变量之间的P 值大于0.05，也只能说明司法实践中该制度运行态势脱离了立法者最初的目的，所以笔者不需要对本研究的统计变量进行均值、标准差、中位数、四分位数等数据运算，也不需要运用卡方检验方式对数据之间的正态分布情形进行比较，只需录入数据进行二分类Logistic回归分析即可。

二、统计结果

遵循表2所示赋值情形，将449名犯罪嫌疑人的相关信息情况录入SPSS16.0软件后，选择工具栏选项中的分析（Analyze）选项，再点击回归分析方法（Regression），再在回归分析方法选项中选择二分类Logistic（Binary Logistic），然后在主对话框选项中将被解释变量arrest（逮捕）送入Dependent（因变量）框中，将纳入模型的解释变量confession（认罪认罚）、recidivism（累犯）、severity（严重犯罪）、misstep（过失犯罪）、extenuatory（酌定量刑情节）纳入Covariates（自变量）框中，在自变量筛选选项一栏（Method对话框）一栏选择Forward：LR方法（基于最大似然估计的向前逐步回归法），因为此种方法的向前推进分析模式比较符合我国司法机关适用逮捕的强制措施的三段论推理方式，或者说更符合以现有证据和事实材料正向推导最后结论的法律逻辑。最后，在选项（option）部分勾选HosMer Lemeshow goodness-of-fit 用以检验本回归模型的拟合优度⑧，并给出OR 为95%的置信区间⑨，再点击OK选项进行最终分析，结果如下：

（一）模拟系数的Omibus测试

如表3所示，该表给出了本模型的模拟系数综合检验结果，其中Model一栏输出了Logistic回归模型中所有参数是否均为0的似然比检验结果，质言之，只要Model一栏中的Sig.系数（相当于前文所述的P值）小于0.05，则表明本次拟合的模型所纳入的变量中，至少有一个变量的OR值具有统计学意义，即模型具有统计学意义。表3 中的Model 一栏的Sig 系数无限接近于0，小于0.05，说明其中至少有一个变量的置信区间具有统计学意义，但是，并不知道是否是认罪认罚（confession）这一变量的置信区间具有统计学意义，需要继续观察其余表格综合判断。

表3 模型系数的omnibus测试

（二）Hosmer与Lemeshow测试

如表4所示，该表格是对于模型的拟合优度的检验，当表格中的Sig.（P值）不小于0.05时，表明当前录入数据已被模型充分提取，模型的拟合优度较高。表4中，Sig.（P值）数值为0.953，明显大于0.05，表明嫌疑人数据已被充分提取，该研究模型符合笔者预期。

表4 Homer与Lemeshow测试

（三）最终结果呈现

最后，在SPSS软件最终输出的最为重要的Variables in the Equation 一表中存在多种参数模型，其中大部分参数值对应的统计学结果对本次研究意义不大，所以笔者不将此表呈现在正文当中，而是将此表中的部分有用参数提取出来重新制作一个新的表格，如表5所示，以便更好地展示研究结果。

表5 与逮捕有关的法律因素展示

如表5 所示，笔者从SPSS 软件输出的Variables in the Equation 一表中提取了两个有用参数，其一是P（相关系数）值，其二是OR值（置信区间）。从该两项参数的取值中可得的结果具体如下：

首先，嫌疑人是否认罪认罚、涉嫌严重犯罪、存在酌定量刑情节与司法机关是否对其适用逮捕的强制措施具有相关性。如表5 所示，笔者在表中标记“*”的以上几个自变量的P 值均小于0.05，通常认为，只要P值小于0.05则表明该项解释变量与被解释变量之间的相互关系具有统计学意义，但不同自变量之间P 值取值的大小也存在差异，在笔者的统计学研究中，Confession（非认罪认罚）这一自变量的P值为无限接近于0，Severity（严重犯罪）的P值为0.01，Extenuatory（酌定情节）的P值为0.03，但在统计学上并不能由此得出Confession（非认罪认罚）这一自变量于因变量Arrest（逮捕）之间的相关性更显著的结论，以P 值与0.05 之间的大小对比为一个分界线，并以此为据，只能对自变量与因变量之间是否存在统计学关联（相互关系）进行定性，P值小于0.05说明有关联，大于0.05说明没有，但不能再深入地以P值之间的大小关系对比得出其他更微观的定量的结论。

其次，嫌疑人是否可能构成累犯、涉嫌过失犯罪与司法机关是否对其适用逮捕的强制措施没有统计学关联。Recidivism（累犯）和Misstep（过失犯罪）两项自变量的P值均大于0.05，说明至少从笔者抽样的300 份裁判文书涉及的449 名犯罪嫌疑人的相关数据看来，该两项法律因素与逮捕之间不存在统计学关联，理由如上，此处不再赘述。

最后，不认罪认罚的犯罪嫌疑人被逮捕的概率为认罪认罚的犯罪嫌疑人的13.71倍，置信区间为6.25 到30.09；涉嫌严重犯罪（可能被判处10 年以上有期徒刑）的犯罪嫌疑人被逮捕的概率比涉嫌其余犯罪的犯罪嫌疑人高34.7 倍，置信区间为4.65 到259.04；存在酌定量刑情节的犯罪嫌疑人被逮捕的概率为不存在的犯罪嫌疑人的0.36倍，置信区间为0.18到0.74。

笔者在SPSS 软件操作之时，之所以勾选OR（置信区间）选项，理由在于，此次抽样研究的样本总量仅为449 个，虽然符合社会科学实证研究300 个样本量的最低要求，但从客观上看，其样本的绝对数量还是过小，在此情况下，需要借助置信区间来反映样本数量大小对最后研究结果的影响程度，置信区间上限与下限之间的差值越大，说明该项数据的样本数量越小，产生该结果的偶然性相对较大。

小规模纳税人的科目设置参照《规定》，在“应交税费”科目下设置“应交增值税”、“转让金融商品应交增值税”、“代扣代交税金”明细科目，核算原理同上。

本研究中，Confession（认罪认罚）的置信区间的上下限之间的差数为23.84，相对可以接受，说明样本数量基本足够，但Severity（严重犯罪）的置信区间上限高达258.04，与下限4.65 之间的差数达到了254.39，说明样本数量极缺，该最终结果的呈现存在一定的偶然性。最后，Extenuatory（酌定情节）的OR 值为小数，从笔者的赋值取向来看，表明存在酌定量刑情节的犯罪嫌疑人反而更加容易被逮捕，这一结论出乎笔者意料，但其置信区间大小0.56也尚在可接受范围内。

三、发现与讨论

1966 年联合国《公民权利和政治权利公约》第9 条第3 款确立的“等待审判的人受监禁不应成为一般规则”早已被世界上大多数国家接受，并被直观地反映在域外大多数法治国家所遵循的逮捕的司法审查模式下，虽然我国也依循检察机关审查批捕模式，但其运行态势始终难以逃脱书面审查之窠臼［13］，Logistic二分类回归分析法虽然能够直观映现各自变量于因变量之显著性相关性程度，但无法揭示各自变量之间的内生关联关系，从而模糊了认罪认罚从宽制度与逮捕措施之间所暗含的充分与必要关系间的界限。有鉴于此，笔者将以上述统计学结果为基石，再结合我国独有的法治背景对表象的统计学结果进行具象的理论剖析。

（一）发现：认罪认罚制度对逮捕的实际影响甚微

统计学结果显示，嫌疑人选择认罪认罚对司法机关是否对其适用逮捕措施存在显著相关性，说明我国认罪认罚从宽制度改革在程序性权利供给范畴取得阶段性成果，有利于助推我国基本人权保障水平的提高［14］，但从2019年全年的司法实践情况看来，助推的实际效果依然不足。

2019 年，在认罪认罚从宽制度被正式写入刑事诉讼法典之后，在各地司法机关相对完整地实行认罪认罚制度的语境下，我国2019 年全年逮捕率为77.6%，相对于2018 年仅下降了0.3 个百分点，我国最近一次逮捕率大幅度下降是在2013年，2013年我国全年逮捕率为78.8%相对于2012年的87.9%下降了9.1 个百分点⑩，这主要得益于2012 年刑事诉讼法的修改，将逮捕措施的考虑因素具象为嫌疑人的社会危险性［15］，并就社会危险性因素的具体表现通过一系列司法解释予以说明，此后，从2013 年至2019 年7 年时间我国逮捕率便一直趋于高位稳定，波动值较小，说明SPSS 软件输出的不认罪认罚的嫌疑人被逮捕的概率比认罪认罚的高13.71倍的结果是建立在我国刑事案件不捕率起伏较小且及其低下的情况下，认罪认罚制度难以对我国目前逮捕措施适用的大环境产生实质性影响。表5中Misstep（过失犯罪）自变量与因变量之间不存在统计学关联（P值大于0.05）便是佐证，因为，按照常理，过失犯罪的嫌疑人相对于故意犯罪，其主观恶性理应较小，说明其社会危险性也相对较低，应该对逮捕措施的适用产生一定影响，实则不然。如图2 所示，笔者抽样的涉嫌过失犯罪的115名犯罪嫌疑人中，被执行逮捕措施的有85人，占比73.91%，涉嫌故意犯罪的334人中，被执行逮捕措施的273人，占比81.74%，其间差异仅为7.83个百分点。

图2 过失犯罪与故意犯罪嫌疑人的被逮捕率对比

由此说明，即便犯罪嫌疑人主观方面所持心理状态为过失，也不足以大幅度降低其在检察机关心目中的社会危险性程度，说明在我国刑事诉讼中犯罪嫌疑人的“出押”门槛相当之高，司法机关基本“够罪即捕”，我国高刑事羁押率的司法大环境难以在朝夕间改变。

（二）讨论：报应补偿为主，宽严相济为辅

司法机关在审查逮捕过程中对犯罪嫌疑人社会危险性的考虑，更倾向于以报应补偿立场为主导，所谓报应补偿，是指司法机关在审查逮捕时，以客观上嫌疑人所涉罪行对犯罪对象和犯罪客体的危害程度为最终决定因素，犯罪客体和对象所受损害越大，司法机关越容易对嫌疑人采取逮捕措施，而不以嫌疑人是否存在认罪认罚或其他酌定量刑情节作为嫌疑人社会危险性的主要考虑因素。

表6 115名过失犯罪嫌疑人罪名及逮捕率分布情况（单位：人）

根据我国《刑法》第133条规定，要构成交通肇事罪需要符合以下情形：一是死亡人或重伤3人以上，负事故主要责任；二是造成财产损失30万元以上，并负事故主要责任。三是有无证驾驶、严重超载、酒驾、毒驾、故意驾驶不符合安全标准机动车等情节，造成一人以上重伤负事故全部或主要责任的。由此可见，交通肇事罪虽然是纯正的过失犯，但其包含有过失致人死亡的内容［16］，除此之外还兼含犯罪嫌疑人的主观上的一系列危险驾驶行为，虽然对于不纯正的过失犯来说，同一个犯罪中的过失犯罪相对于故意犯罪来看，其主观恶性较小，但我国司法实践中交通肇事罪在整个过失犯罪数量体系中占比过于庞大，从报应补偿视角切入，其犯罪行为对被害人方造成了难以弥补的损害，此时，在评估嫌疑人社会危险性程度的司法机关视野中，其造成社会危害程度相对于危险驾驶、盗窃等轻微故意犯罪来说有过之而无不及，从而更倾向于对此类嫌疑人采取逮捕措施。

并且，从Severity（严重犯罪）指标和Extenuatory（酌定情节）指标输出结果可知：涉嫌严重犯罪的嫌疑人比其他嫌疑人的被逮捕概率高了整整34.7倍；存在酌定量刑情节的犯罪嫌疑人比不存在的被逮捕的概率更高，也从侧面印证了在我国司法机关对强制措施实施与否的裁量，不是秉持认罪认罚从宽制度所提倡的以嫌疑人本身的主观心理状态和客观法律行为为主导的宽严相济的司法精神。

一言以蔽之，诚然，统计学结果表明，嫌疑人选择认罪认罚的确有助于降低其被逮捕的风险，但此结论是建立在认罪认罚从宽制度与某些特定的轻微犯罪如危险驾驶罪在实践中相互绑定以及我国居高不下的刑事羁押率的基础之上，或许这与认罪认罚从宽这一新兴制度实行期限较短、各地司法机关对制度精神理解尚不透彻有关，但相对于检察机关在报应补偿立场操持下的强制措施裁量方式，认罪认罚从宽制度于降低逮捕风险之正相关价值便相形见绌。

四、结语

2019 年全年我国认罪认罚制度适用率为48.3%，但存在逐月上升趋势，12 月的适用率达到了83.1%，说明此制度体系在我国刑事诉讼中已经占据主流，所以，对该制度完善方向的探寻也应存在多层次格局，虽然结果显示其对逮捕确有正相关影响，但现实中司法机关对逮捕措施的适用始终难以跳出被“报应补偿”理念操持之窠臼，从实践来看，认罪认罚从宽制度对嫌疑人脱离逮捕风险的正相关供给实在太过微弱，反而嫌疑人所遭受的逮捕风险大小在其犯下罪行的那一刻就已基本尘埃落定，嫌疑人在犯下罪行之后很难通过认罪认罚、自首、立功等法律行为来降低被逮捕的风险。

由此，在司法体制及司法运行机制改革深入推行的当下，认罪认罚从宽制度作为当下及未来我国刑事诉讼体系运作的重要载体和核心内容，理应最大化发挥其独立价值和工具性价值，厘清和保障其对犯罪嫌疑人的实体性和程序性利益供给要求应该成为实务界和理论界关注的重点。在程序性利益场域，逮捕行为本身作为公民基本权利侵犯之强制措施［17］，其核心在于提高逮捕质量，而认罪认罚从宽作为一个有生命的制度体系，对其价值完善考量不能仅仅着眼于对诉讼效率的提高，还应该以其程序性利益供给效能为载体，影响检察机关对逮捕措施的具体裁量标准，希冀推动我国逮捕审查模式从报应式补偿转向综合式评估。

［注释］：

①目前我国刑事羁押率依然在高位徘徊，据最高人民检察院新浪官方微博于2020年6月2日发布的《2019年全国检察机关主要办案数据（附问答）》一文显示，2019 年全国检察机关逮捕率为77.6%，同比降低0.3 个百分点，https：//card.weibo.com/article/m/show/id/2309404511308425855241？_wb_client_=1，最后访问日期：2020年6月13日。

②目前学界既存实证研究，也主要是从被追诉人知情权保障、法官作用、速裁程序实际试点效果、被告人上诉原由等方面进行，总体来说还是将目光放在认罪认罚制度本身之合理性和被追诉者实体性利益供给，忽略了程序上的“从简”处理这一方面。刘方权：《刑事速裁程序试点效果实证研究》，载《国家检察官学院学报》，2018年第2期；宋善铭：《认罪认罚从宽案件中法官作用的实证研究》，载《法律适用》，2019年第13期；曹波：《全国刑事速裁程序试点宏观状况实证研究》，载《河北法学》，2019年第4期

③Logistic 回归主要在计量经济学和流行病学中应用较多，与多重线性回归实际上由很多相同之处，是自变量二项分布的一种模型，科用于探索解释变量与被解释变量之间的逻辑联系。参见陶长琪：《计量经济学》，南京大学出版社，2011年版，第212～216页。

④由于目前既存实证研究大多基于中国裁判文书网上公布的裁判文书，由于裁判文书难以反应法庭全貌，所以以此为基准地大数据研究存在技术手段相对匮乏、缺乏学术深度以及创新性等问题。由此，笔者希望引入计算机科学方法，用SPSS软件对裁判文书法律大数据进行更为严谨、细致地分析。参见左卫民，王婵媛：《基于裁判文书网的大数据法律研究：反思与前瞻》，载《华东政法大学学报》，2020年第2期。

⑤一系列心理学实验表明，实验者在做实验时经常带有某种期望或偏向，被实验者捕捉到这种信号后，可能会按照与实验者期待或者偏爱相一致的方向作出反应，从而验证实验者的预期。换而言之，实验者期望被试身上发生的某种特殊反应，有时不过是实验者自己带有倾向性的期望所导致的结果。在这种情形下，心理学实验效度的影响被称为“实验者期望效应”（experimenter expectancy effect）。参见［美］罗杰·R 霍克（Roger·R·Hock）：《改变心理学的40 项研究》，白学军等译，中国人民大学出版社2015年版，第99页。

⑥例如《人民检察院刑事诉讼规则（试行）》第139～144 条；《人民检察院办理羁押必要性审查案件规定（试行）》；《暂予监外执行规定》第6条等。

⑦刘方权教授在《刑事速裁程序试点效果实证研究》一文中提到，其考察的三个基层法院适用速裁程序的案件中，“危险驾驶”案件占比77.3%，参见刘方权：《刑事速裁程序试点效果实证研究》，载《国家检察官学院学报》，2018 年第2期；根据“法纳刑辩”微信公众号发布的《认罪认罚案件大数据报告》一文数据显示，试点期间“危害公共安全类犯罪”占适用认罪认罚制度的所有犯罪类型的38.37%，而“危险驾驶类犯罪”又占“危害公共安全类犯罪”的86.90%，https：//mp.weixin.qq.com/s/WopV2USy_z_9QTe-oaNUw，最后访问日期：2020年6月20日。

⑧拟合优度（Goodness of Fit）是指回归直线对观测值的拟合程度。度量拟合优度的统计量是可决系数（亦称决定系数）R²。R²最大值为1，其越接近1，说明回复直线对观测值的拟合程度越好。它可以运用于金融等多种领域，基于所得观测值的基础上所作出的预测。换句话说，它是衡量如何将实际观测的数值进行模拟的相关预测。参见李子奈，叶阿忠：《高等计量经济学》，清华大学出版社，2000年第2版，第260～263页。

⑨在统计学中，一个概率样本的置信区间（Confidence interval）是对这个样本的某个总体参数的区间估计。置信区间展现的是这个参数的真实值由一定概率落在测量结果的周围的程度，其给出的是被测量参数的测量值的可信程度，即前面所要求的“一个概率”。参见王福保，叶润修，闵华玲：《概率论及数理统计》，同济大学出版社，1984年第1版，第47～48页。

⑩数据来源：《2014中国法律年鉴》，北京：中国法律年鉴社，2014年版，第164页。