【出处】《法学评论》2011年第6期
【摘要】通过对浙江省不同类型监狱1238个随机押犯样本的科学调查与统计分析，本研究合理提取了测量罪犯出监前重新犯罪风险11项预测因子，首次创建了罪犯出监前重新犯罪风险预测量表（RRPI）。量表可靠性较高，数据拟合度较好。量表总体正确判断比率达86.3％，对未重新犯罪观察对象的正确判断比率为92.9％，对重新犯罪观察对象的正确判断比率为67.2％。监狱行政机关可参照相关预测因子科学评估监狱对罪犯的教育改造质量；司法行政机关可参照预测结果科学管理社会中的重新犯罪风险。
【关键词】重新犯罪；风险；预测因子；预测量表
【写作年份】2011年


【正文】

　　基于降低刑释人员重新违法犯罪率之目的，本研究对浙江省不同类型监狱1238个随机在押犯样本进行了调查与统计分析。本研究基本采用问卷调查方式，分初犯组（未暴露组）与再犯组（暴露组）两组进行调查。调查结束后，我们首先采用多因素方差分析与二元Logistic回归分析对随机押犯样本进行了统计分析；其次，根据检验结果，按照P值小于0.05标准从年龄、本次服刑境遇、早年家庭依附、早年学校依附、生平遭遇、早年不良交往、反社会行为和反社会人格等8个测量模型中合理提取了测量罪犯出监前重新犯罪风险15项预测因子；再次，采用偏相关分析，从15项预测因子中剔除4项假相关因素，保留其余11项预测因子；最后，以11项预测因子作为自变量，“是否再犯”作为因变量创建罪犯出监前重新犯罪风险预测模型，建立罪犯出监前重新犯罪风险预测量表（RRPI）

　　一、研究目的

　　本研究目的在于降低刑满释放人员重新违法犯罪率。那么，应该采用什么样的方式才能促成降低刑释人员重新违法犯罪率目的之达成呢？2008年6月中央提出的“首要标准”将“确保监狱改造工作取得实效”作为促成降低刑释人员重新违法犯罪率目的达成之重要途径。我们认为，除此之外，还需司法行政机关科学管理社会中的重新犯罪风险。毋庸讳言，刑释人员的重新违法犯罪问题既同监狱改造质量相关，又与司法行政机关科学管理社会中的重新犯罪风险工作相关。

　　基于降低刑释人员重新违法犯罪率之目的，本研究在科学调查与统计分析基础上着力回答了重新犯罪风险究竟与哪些因素存在显著性关联这一问题，从而为监狱改造工作与司法行政机关安置帮教工作提供了一个可供参考的实践依据。更为重要的是，本研究还为监狱改造工作与司法行政机关管理重新犯罪风险工作提供了一个可供科学测量的质量评估标准。

　　二、研究步骤

　　为科学预测罪犯出监前重新犯罪风险，我们先从逐级年龄生平境遇犯罪理论视角制作预测罪犯出监前重新犯罪风险个案访谈提纲与调查问卷；[1]再对浙江省不同类别监狱在押罪犯进行随机抽样调查；之后，采用多因素方差分析与二元Logistic回归分析从8个测量模型中合理提取显著性水平小于0.05的相关因素作为预测因子；最后，将提取的预测因子作为自变量，“是否再犯”作为因变量创建罪犯出监前重新犯罪风险预测模型，建立罪犯出监前重新犯罪风险预测量表（RRPI）。

　　首先，从逐级年龄生平境遇犯罪理论视角制作预测罪犯出监前重新犯罪风险个案访谈提纲和调查问卷。2009年7月至10月我们根据个案访谈和调查问卷内容先后对浙江省第一监狱、第六监狱、乔司监狱在押罪犯进行了初步调查；其中，个案访谈100余人次，问卷调查550人次。通过对上述个案访谈记录和调查问卷的分析与归纳，我们对个案访谈提纲及调查问卷部分内容进行了修改与完善，继而制定出更为合理的调查问卷。该调查问卷共计143道题，具体包括年龄、本次服刑境遇、早年家庭依附、早年学校依附、生平遭遇、早年不良交往、反社会行为和反社会人格等8个测量模型所涵盖的各项测量指标。

　　其次，对不同类别监狱在押罪犯进行随机抽样调查。2009年11月至2010年2月我们对浙江省第二监狱、第四监狱、第六监狱、乔司监狱和女子监狱在押罪犯分别进行了随机抽样。随机取样的基本方式是采用Excel格式rand (乱码）程序将监狱内所有在押罪犯电子档案打乱，然后按照5％的比例任意抽取。按照以上方式，我们共计抽取来自于前述不同监狱在押罪犯随机样本1395个；其中，女犯随机样本65个。2009年11月至2010年2月我们对来自于上述不同监狱的随机样本进行调查。调查分组进行，一组为本次犯罪为第一次犯罪的初犯组（未暴露组），另一组为本次犯罪为二次或二次以上犯罪的再犯组（暴露组）。根据抽样结果，初犯组样本数比例为样本总量的73.59％，再犯组为26.41％。进行调查前，我们请专业人员将调查目的、调查问卷答题说明、调查问卷题目等制成录音，录音时长大约50分钟。调查过程中，我们播放录音，被调查对象可根据录音做题；同时，我们还亲临调查现场，指导被调查对象答题。调查结束后，我们还给被调查对象发放了纪念品。

　　再次，对回收的样本进行统计与分析。每次调查结束后，我们均将所有回收样本的全部信息输入SPSS17. 0统计软件。待所有调查全部结束后，我们对数据进行了初步清理。经初步清理，回收调查问卷1310份，有效问卷1238份；其中，女犯有效问卷60份。数据清理完成后，我们采用多因素方差分析与Logis-tic回归分析对1238个随机押犯样本进了统计与分析。根据多因素方差分析与二元Logistic回归分析检验结果，按照P值小于0.05标准从8个测量模型中分别提取相关预测因子。

　　最后，将所提取的相关预测因子作为自变量，“是否再犯”作为因变量建立罪犯出监前重新犯罪风险二元Logistic回归模型；根据回归模型结果，创建罪犯出监重新犯罪风险预测量表（RRPI）。

　　三、研究方法

　　本研究基本采用了社会实证主义、分析归纳和数理统计诸方法渐次展开对罪犯出监前重新犯罪风险预测研究。 通过对狱内初犯与再犯状况的科学调查，本研究从逐级年龄生平境遇犯罪理论视角首次创建了罪犯出监前重新犯罪风险预测量表。事实上，犯罪学领域中科学调查的早期模态始于格鲁克夫妇于20世纪初对波士顿少年法庭所判决1000名少年罪犯的研究。犯罪学家一般认为，犯罪学领域中的科学调查就是将社会科学知识贡献于犯罪行为与社会政策领域中的研究。“[2]犯罪调查的目的就是确保成功地发现社会中的犯罪规律，就此而论，社会实证主义反对将观念用于现象的解释。[3]循着社会实证主义路径，本研究在反复调查与科学实验基础上从个体年龄、本次服刑境遇、早年家庭依附、早年学习依附、生平遭遇、早年不良交往反社会行为和反社会人格等八个方面提出测量罪犯出监前重新犯罪风险的相应假设。

　　本研究从经验层面基本采用了分析归纳的方法检验了假设是否成立。犯罪学研究领域中较早运用分析归纳法（Analytic Induction）检验假设是否成立者当推埃德温·萨瑟兰的学生阿尔夫雷德·林德斯密斯（Al-fred Lindesmith）。按照林德斯密斯的观点，假设应该适合于所界定领域中的每一个个案。具体地说，提出假设，然后将之适用于一个个案。如果假设同个案事实不符，则修改假设，或重新界定适用领域，然后再次适用。如此反复适用，直至得出一个与每一个案事实相符的假设。[4]萨瑟兰将这种科学调查的新方法适用于不同种类的犯罪事实，从而最终得出极具理论概括的”不同交往理论“。本研究首先从经验层面基本采用分析归纳的方法检验了所提出的相应假设；然后，对那些不适用于个案的相应假设进行修改，直至假设适用于具体的个案；最后，根据修正后的相应假设制成调查问卷。

　　本研究基本采用数理统计方法来构筑罪犯出监重新犯罪风险预测模型，建立罪犯出监前重新犯罪预测量表。首先，我们采用多因素方差分析与二元Logistic回归分析方法，按照显著性水平小于0.05标准从8个测量模型中分别提取预测罪犯出监前重新犯罪风险预测因子；其次，采用偏相关分析，剔除假相关变量；再次，采用二元Logistic回归分析法建立罪犯出监前重新犯罪风险预测模型，制成罪犯出监前重新犯罪风险预测量表；最后，采用交叉列表分析方法对预测结果的正确率进行了检验。

　　四、研究结果

　　调查问卷中我们预设了年龄、本次服刑境遇、早年家庭依附、早年学校依附、生平遭遇、早年不良交往、反社会行为、反社会人格等8个测量模型。为科学检测罪犯出监前重新犯罪风险究竟与哪些因素存在显著性关联，我们首先采用多因素方差分析方法对调查问卷所涵盖的8个测量模型进行了统计分析，并从不同测量模型中分别提取P值小于0.05相关因素作为预测因子；其次，我们还采用二元Logistic回归分析方法对所用模型进行了检验，以检测检验结果是否一致；最后，对两种不同方法得出的检验结果进行比较，取其结论相同的相关因素作为测量罪犯出监前重新犯罪风险的预测因子。兹就多因素方差分析与二元Logistic回归分析结果分述如下。

　　（一）年龄与重新犯罪风险

　　年龄测量模型涵盖年龄、刑期等2项测量指标。就年龄之于重新犯罪风险影响而言，我们主要考察了个体第一次犯罪逮捕年龄和第一次犯罪出监时年龄等2项因素；在刑期对重新犯罪影响方面，我们主要考察了个体第一次犯罪实际执行刑期等1项因素。根据年龄因素方差分析模型（Corrected Model）检验结果（F＝13.值＝0．000），各控制变量（自变量）和他们的交互作用对观测变量（因变量）产生显著性影响，说明所用模型具有统计学意义。根据年龄因素方差分析表，自变量”第一次犯罪出监年龄“(P值＝0.001)、”第一次犯罪实际执行刑期“（P值＝0.00）等2项因素对因变量”是否再犯“具有显著性影响；自变量”第一次犯罪逮捕年龄“（P值＝0. 188）对因变量不具有显著性影响。

　　为确保年龄因素方差分析模型检验结果的可靠性，我们采用二元Logistic回归分析方法对年龄测量模型进行了检测。经检测，年龄测量模型Cronbach' s a系数为0.774，说明所用模型信度较好；Nagelkerke R2为0.847，说明所用模型的拟合优度极佳。根据年龄测量模型检测结果，控制变量（自变量）”第一次犯罪逮捕年龄“(P值＝0. 000) 、”第一次犯罪出监时年龄“(P值＝0. 000) 、”第一次犯罪实际执行刑期“(P值＝0.000)等3项因素对因变量”是否再犯“均具有显著性影响，但自变量”第一次犯罪逮捕年龄“对因变量”是否再犯“影响力极小，其系数仅为-0.07。比较以上两种不同方法，其相同结论为自变量”第一次犯罪出监时年龄“、”第一次犯罪实际执行刑期“2项因素对因变量”是否再犯“具有显著性影响。考虑到二元Logistic回归模型中自变量”第一次犯罪逮捕年龄“对预测个体是否重新犯罪贡献率较低，同时出于”取其相同检验结果原则“之考量，我们仅取”第一次犯罪出监时年龄“、”第一次犯罪实际执行刑期“等2项因素作为测量罪犯出监前重新犯罪风险的预测因子。

　　（二）本次服刑境遇与重新犯罪风险

　　本次服刑境遇测量模型涵盖个体本次服刑中狱内行政奖励、行政处罚、技能培训、同社会成员交往等4项测量指标。行政奖励测量指标主要考察个体狱内行政奖励和综合考核加分情况；行政处罚测量指标主要考察个体狱内行政处罚和综合考核扣分情况；技能培训测量指标主要考察个体狱内获得技术等级证书情况；同社会成员交往测量指标主要考察个体狱内通信、会见和收到汇款包裹情况。根据本次服刑境遇因素方差分析模型（Corrected Model）检验结果（F＝2.107,P值＝0.004），所用模型具有统计学意义。根据本次服刑境遇因素方差分析表，自变量”狱内会见情况“（P值＝0.009）等1项因素对因变量”是否再犯“具有显著性影响；其余各项因素P值均大于0.05，对因变量不具有显著性影响。

　　本次服刑境遇测量模型二元Logistic回归分析检验结果为：Cronbach' s a系数为0.743，说明所用模型信度较好；Nagelkerke R2为0.039，说明所用模型拟合优度极差。根据二元Logistic回归分析检验结果，自变量”狱内扣分情况“(P值＝0.026),”狱内会见情况“(P值＝0.003)等2项因素对因变量”是否再犯“具有显著性影响；其余各项P值均大于0.05，对因变量不具显著性影响。比较前述两种不同方法之检验结果，我们仅取”狱内会见情况“等1项因素作为测量罪犯出监前重新犯罪风险的预测因子。

　　（三）早年家庭依附与重新犯罪风险

　　早年家庭依附测量模型涵盖父母对孩子的看护、孩子对父母的信赖等2项测量指标。根据早年家庭依附因素方差分析模型（Corrected Model）检验结果（F ＝5.675,P值＝0.000），所用模型具有统计学意义。根据早年家庭依附因素方差分析表，自变量”父母是否了解孩子在外行踪“等1项因素对因变量”是否再犯“（P值＝0.000）具有显著性影响；其余各项对因变量不具有显著性影响。

　　早年家庭依附测量模型二元Logistic回归分析检验结果为：Cronbach'sa系数为0.732，说明所用模型信度较好；Nagelkerke R2为0.117，说明所用模型拟合优度较差。根据早年家庭依附测量模型二元Logistic回归分析检验结果，自变量”父母是否了解孩子在外行踪“（P值＝0.000）对因变量”是否再犯“具有显著性影响；其余各项对因变量不具有显著性影响，此结论与前述多因素方差分析检验结果一致。

　　（四）早年学校依附与重新犯罪风险

　　早年学校依附测量模型涵盖依恋学习、学校拒斥等2项测量指标。依恋学习测量指标主要考量了个体早年学习成绩等1项因素；学校拒斥测量指标主要考量老师给孩子贴上”不守规矩“、”常惹麻烦“标签等2项因素。根据早年学校依附因素方差分析模型（Corrected Model）检验结果（F＝1.909,P值＝0.004），所用模型具有统计学意义。根据早年学校依附因素方差分析表，自变量”学习成绩“(P值＝0.006)、”老师给孩子贴上‘常惹麻烦’“标签（P值＝0.007）等2项因素对因变量”是否再犯“具有显著性影响；自变量”老师给孩子贴上‘不守规矩’标签“对因变量不具有显著性影响。

　　早年学校依附测量模型二元Logistic回归分析检验结果为：Cronbach' s a系数为0.679，说明所用模型信度最小可以接受；Nagelkerke R2为0.029，说明所用模型拟合优度极差。根据早年学校依附测量模型二元Logistic回归分析检验结果，自变量”老师给孩子贴上‘常惹麻烦’标签“（P值＝0.000）对因变量”是否再犯“具有显著性影响；其余各项对因变量不具有显著性影响。比较前述两种不同方法之检验结果，我们仅取”老师给孩子贴上‘常惹麻烦’标签“等1项因素作为测量罪犯出监前重新犯罪风险的预测因子。

　　（五）生平遭遇与重新犯罪风险

　　生平遭遇测量模型涵盖早年家庭不幸事件（14周岁前）、成年早期家庭不幸事件（本次犯罪逮捕前2年）、成年家庭不幸事件（本次服刑出监前）、父母拒斥、低劣的家庭教育、低劣的文化程度、低劣的就业、不幸的婚姻等8项测量指标。由于自变量”捕前职业“、”捕前婚姻“为无序名义变量，因此，我们首先按照统计学一般原理对其进行了重新编码，然后采用多因素方差分析方法检测其与重新犯罪风险的关系。

　　根据生平遭遇（有序变量）因素方差分析模型（Corrected Model）检验结果（F＝2.663,P值＝0.000），所用模型具有统计学意义。自变量”成年早期家庭不幸事件“(P值＝0.007)、”成年家庭不幸事件“(P值＝0.002)、”低劣的文化程度“(P值＝0.001)等3项因素对因变量”是否再犯“具有显著性影响；其余自变量对因变量不具有显著性影响。根据生平遭遇（无序变量一捕前职业）因素方差分析模型检测结果（F ＝4.678,P值＝0.000），自变量是否失业（P值＝0.014）、是否是个体工商户（P值＝0.029）对因变量”是否再犯“具有显著性影响；其余各项对因变量不具有影响。根据生平遭遇（无序变量一捕前婚姻）因素方差分析模型检测结果（F＝2.324,P值＝0.098），所用模型不具有统计学意义。

　　生平遭遇（有序变量）测量模型二元Logistic回归分析检验结果为：Cronbach' s a系数为0.681，说明所用模型信度最小可以接受；Nagelkerke R2为0.07，说明所用模型拟合优度极差。根据检验结果，自变量”成年家庭不幸事件（P值＝0.001）“、”父母给孩子贴上‘坏孩子’标签“（P值＝0.043）、”父母很少赞赏孩子（P道＝0.01）“、”捕前文化“（P值＝0.000）等4项因素对因变量”是否再犯“具有显著性影响；其余各自变量对因变量不具有显著性影响。生平遭遇（无序变量—捕前职业）二元Logistic回归分析结果表明，自变量”捕前职业“对因变量不具有显著性影响。生平遭遇（无序变量一捕前婚姻）二元Logistic回归分析结果表明，自变量”捕前婚姻“对因变量不具有显著性影响。比较前述两种不同方法，根据取其相同检验结果原则，我们仅取”成年家庭不幸事件“（本次服刑出监前）、”捕前文化“（本次犯罪逮捕前）等2项因素作为测量罪犯出监前重新犯罪风险的预测因子。

　　（六）早年不良交往与重新犯罪风险

　　早年不良交往测量模型涵盖同辈伙伴赞同违法模式、显明发展道路模式、隐秘发展道路模式、威权冲突笪路模式等4项测量指标，其所考量的内容包括个体早年同辈伙伴赞同攻击、赞同销赃、主动攻击、偷窃、文身、离家出走等。根据早年不良交往因素方差分析模型（Corrected Model）检验结果（F＝1.287,P值＝0.004），所用模型具有统计学意义。根据早年不良交往因素方差分析表，自变量”伙伴偷窃“（P值＝0.034）等1项因素对因变量”是否再犯“具有显著性影响；其余各项对因变量不具有显著性影响。

　　早年不良交往测量模型二元Logistic回归分析结果为：Cronbach' s a系数为0.723，说明所用模型信度较好；Nagelkerke R2为0.039，说明所用模型拟合优度极差。根据检验结果，自变量”赞同销赃“（P值＝0.004）、”伙伴偷窃“（P值＝0.02）等2项因素对因变量”是否再犯“具有显著性影响；其余各项对因变量不具有显著性影响。比较以上两种方法，根据取其相同检验结果原则，我们仅取”伙伴偷窃“等1项因素作为测量罪犯出监重新犯罪风险的预测因子。

　　（七）反社会行为与重新犯罪风险

　　反社会行为测量模型涵盖个体早年显明发展道路模式、隐秘发展道路模式、威权冲突道路模式、成年早期违法行为模式、成年早期犯罪行为模式、狱内违纪违规行为模式等6项测量指标。由于自变量”第一次犯罪类型“为无序名义变量，我们首先按照统计学一般原理对其进行了重新编码，然后采用多因素方差分析方法检测其与重新犯罪风险的关系。

　　根据反社会行为（有序变量）因素方差分析模型（Corrected Model）检验结果（F ＝3.416,P ＝0.000），所用模型具有统计学意义。根据反社会行为因素方差分析表，”偷窃“ (p值＝0.004)、”吸毒“(P值＝0.012)、”离家出走“(P值＝0.000)、行政处罚”(P值＝0.000)等4项因素对因变量“是否再犯”具有显著性影响；其余各项对因变量不具有显著性影响。根据反社会行为（无序变量一第一次犯罪类型）因素方差分析结果（F＝18.134,P值＝0.000），自变量“是否故意杀人”(P值＝0.000)、“是否故意伤害”(P值＝0.001)、“是否抢劫”(P值＝0.001)、“是否绑架”(P值＝0.028)、“是否盗窃”(P值＝0.000)、“是否贩卖、运输、制造毒品”(P值＝0.001)、“是否贪污或受贿”(P值＝0.019)等7项因素对因变量“是否再犯”具有显著性影响；其余各项对因变量不具有显著性影响。

　　反社会行为（有序变量）测量模型二元Logistic回归分析结果为：Cronbach' s a系数为0. 806，说明所用模型信度极好；Nagelkerke R2为0.09，说明所用模型拟合优度极差。根据反社会行为（有序变量）测量模型二元Logistic回归分析检验结果，自变量“偷窃”(P＝0.018)、“离家出走”(P值＝0.000)、“行政处罚”(P值＝0.000)等3项因素对因变量“是否再犯”具有显著性影响；其余各项对因变量不具有显著性影响。根据反社会行为（无序变量一第一次犯罪类型）二元Logistic回归分析结果，自变量“是否故意杀人”(P值＝0.000)、“是否故意伤害”(P值＝0.001)、“是否抢劫”(P值＝0.001)、“是否盗窃”(P值＝0.000)、“是否贩卖、运输、制造毒品”(P值＝0.001)、“是否贪污或受贿”(P值＝0.043)等6项因素对因变量“是否再犯”具有显著性影响；其余各项对因变量不具有显著性影响。比较以上两种方法，根据取其相同检验结果原则，我们仅取“偷窃”、“离家出走”、“行政处罚”、“成年早期犯罪行为模式”（“是否故意杀人”、“是否故意伤害”、“是否抢劫”、“是否盗窃”、“是否贩卖、运输、制造毒品”、“是否贪污或受贿”）等4项因素作为测量罪犯出监重新犯罪风险的预测因子。

　　（八）反社会人格与重新犯罪风险

　　反社会人格测量模型涵盖否定责任、情感冷漠、攻击倾向、社会迷乱等4项测量指标。根据反社会人格因素方差分析模型（Corrected Model）检验结果（F ＝5.292,P＝0.000），所用模型具有统计学意义。根据反社会人格因素方差分析表，自变量“对自身遭遇的态度”(P值＝0.046)、“对自己犯罪行为的态度”(P值＝0.000)、“手段迷乱”(P值＝0.034)等3项因素对因变量“是否再犯”具有显著性影响；其余各项对因变量不具有显著性影响。

　　反社会人格测量模型二元Logistic回归分析结果为：Cronbach' s a系数为0.755，说明所用模型信度较好；Nagelkerke R2为0.09，说明所用模型拟合优度极差。根据检验结果，自变量“对自身遭遇的态度”(P值＝0.034)、“对自己犯罪行为的态度”(P值＝0.001)、“手段迷乱”(P值＝0.017)等3项因素对因变量“是否再犯”具有显著性影响；其余各项对因变量“是否再犯”不具有显著性影响。比较以上两种方法，其检验结果完全一致。

　　综合上述，本研究通过多因素方差分析与二元Logistic回归分析两种不同方法共提取了年龄；刑期；本次服刑中同社会成员交往；父母对孩子的看护、学校拒斥；成年家庭不幸事件；低劣的文化程度、同辈伙伴隐秘发展道路模式；早年隐秘发展道路模式、早年威权冲突道路模式；成年早期违法行为模式；成年早期犯罪行为模式；否定责任、情感冷漠；社会迷乱等11项因素作为测量罪犯出监前重新犯罪风险的预测因子。

　　五、预测量表（RRPI）的制成

　　罪犯出监前重新犯罪风险预测量表制成的依据是二元Logistic回归方程结果。为确保回归方程结果的可靠性，我们首先对上述15项预测因子与因变量之间的相关性进行了偏相关检验，从回归模型中剔除存在偏相关的预测因子；其次，将剩余的预测因子作为自变量，“是否再犯”作为因变量建立二元Logistic回归方程；再次，根据回归结果制成罪犯出监前重新犯罪风险预测表（RRPI）；最后，根据预测量表所计算出的概率值对预测结果进行了检验。

　　（一）偏相关检验

　　在建立回归方程前，我们选择自变量“第一次犯罪实际执行刑期”作为控制变量，对上述15项预测因子与因变量“是否再犯”的相关关系进行了偏相关分析，以检验其与因变量是否存在真正的相关性。经检验，自变量“早年学校拒斥强度”、“同辈伙伴隐秘发展道路模式”、“早年威权冲突道路模式”、“对自己犯罪行为的态度”等4项因素与因变量“是否再犯”存在偏相关，其偏相关系数分别为：0.099,0.074,0. 120,0. 095。由于其值几乎为0，说明上述4项预测因子与因变量存在偏相关关系，亦即它们与因变量不存在真正的相关关系。据此，我们将上述4项因子从预测模型中予以剔除，仅保留剩余的11项因素作为测量罪犯出监前重新犯罪风险的预测因子。

　　（二）预测量表的制成

　　我们将11项预测因子作为自变量，“是否再犯”作为因变量建立罪犯出监前重新犯罪风险二元Logistic回归模型，根据回归结果制作预测量表。根据多因素方差分析检验结果，F值＝30.759，明显大于1，说明量表具有相当可靠性；P值＝0.000，说明各控制变量对因变量“是否再犯”具有显著性影响。根据二元Logistic回归分析检验结果，Nagelkerke R2为0.606，说明量表拟合优度较好；Hosmer-Lemeshow检验值为0.168,明显大于0.05，说明数据拟合度较佳。据此，罪犯出监前重新犯罪风险预测量表具有相当可靠性，兹就检验结论分述如下：

　　1．第一次犯罪出监时年龄与重新犯罪风险负相关。第一次犯罪出监年龄系数为-0.842，说明个体出监时年龄越大，则其重新犯罪风险越低；反之，亦然。第一次犯罪出监年龄比数比exp（-0.842）（OR值）为0.431，说明在排除其他因子影响情况下个体出监时年龄每增加单位1，则其重新犯罪风险将相应减少56.9％2．第一次犯罪实际执行刑期与重新犯罪风险负相关。第一次犯罪实际执行刑期系数为-0.917，说明个体实际执行的刑期越长，则其重新犯罪风险越低；反之，亦然。第一次犯罪实际执行刑期比数比exp（-0.917）为0.401，说明在排除其他因子影响情况下个体第一次犯罪实际执行刑期每增加单位1，则其重新犯罪风险将相应减少59.9％。3．本次服刑中会见强度与重新犯罪风险负相关。本次服刑中会见强度系数为-0.04，说明会见强度越高，则其重新犯罪风险越低；反之，亦然。会见强度比数比exp （-0.04）为0.961，说明个体本次服刑中会见强度每增加单位1，则其重新犯罪风险将相应减少3.9％。4．早年家庭看护强度与重新犯罪风险负相关。早年家庭看护强度系数为-0.779，说明个体早年家庭看护强度越强，则其重新犯罪风险越低；反之，亦然。早年家庭看护强度比数比exp（-0.779）为0.459，说明在排除其他因子影响情况下个体早年家庭看护强度每增加单位1，则其重新犯罪风险将相应减少54.1％。5．成年家庭不幸事件与重新犯罪风险正相关。成年家庭不幸事件系数为0.989，说明个体成年遭遇家庭不幸事件越多，则其重新犯罪风险越高；反之，亦然。成年家庭不幸事件比数比exp（0.989）为2.689，说明在排除其他因子影响情况下个体成年时期遭遇家庭不幸事件每增加单位1，则其重新犯罪风险将相应增加168.9％。6．本次捕前文化程度与重新犯罪风险负相关。本次捕前文化程度系数为-0.072，说明个体捕前文化程度越高，则其重新犯罪风险越低；反之，亦然。本次捕前文化程度比数比exp（-0.072）为0.931，说明在排除其他因子影响情况下个体捕前文化程度每增加单位1，则其重新犯罪风险将减少6.9％。7．早年隐秘发展道路模式与重新犯罪风险正相关。早年隐秘发展道路模式系数为0.037，说明个体早年隐秘发展道路模式越强，则其重新犯罪风险越高；反之，亦然。早年隐秘发展道路模式比数比exp（0.037）为1.037，说明在排除其他因子影响情况下个体早年隐秘发展道路模式强度每增加单位1，则其重新犯罪风险将相应增加3.7％。8．成年早期违法行为模式与重新犯罪风险正相关。成年早期违法行为模式系数为0.463，说明个体成年早期违法行为模式越强，则其重新犯罪风险越高；反之，亦然。成年早期违法行为模式比数比exp（0.463）为1.588，说明在排除其他因子影响情况下个体成年早期违法行为模式发展强度每增加单位1，则其重新犯罪风险将相应增加41.2％。9．成年早期犯罪行为模式与重新犯罪风险显著相关。根据二元Logistic回归方程结果，个体第一次是否犯盗窃罪与重新犯罪风险正向关，第一次是否犯故意杀人罪，故意伤害罪，抢劫罪，走私、贩卖、运输、制造毒品罪与重新犯罪风险负相关。上述各因素比数比分别为2.252,0. 626,0. 639, 0.524,0. 409，说明在排除其他因子影响情况下个体第一次若犯盗窃罪，则其重新犯罪风险将增加相应125.2％；第一次若犯故意杀人罪，故意伤害罪，抢劫罪，走私、贩卖、运输、制造毒品罪，则其重新犯罪风险将相应分别减少37.4％,36.1％,47.6％,59. 1％ 。 10．否定责任强度与重新犯罪风险正相关。否定责任强度系数为0.086，说明个体否定责任强度越强，则其重新犯罪风险越高；反之，亦然。否定责任强度比数比exp（0.086）为1.09，说明在排除其他因子影响情况下个体否定责任强度每增加单位1，则其重新犯罪风险将相应增加9％。 11．手段迷乱强度与重新犯罪风险正相关。手段迷乱强度系数为0.451，说明个体手段迷乱强度越强，则其重新犯罪风险越高；反之，亦然。手段迷乱比数比exp(0.451)为1.570，说明在排除其他因子影响情况下个体手段迷乱强度每增加单位1，则其重新犯罪风险将相应增加57％。

　　（三）预测结果的检验

　　根据罪犯出监前重新犯罪风险预测量表（RRPI），我们计算出1238个随机样本重新犯罪概率值。遵循二元Logistic回归分析方法的一般性原理，我们以概率值0.5作为是否重新犯罪的临界点，若个体重新犯罪概率值在0.5以上，则其出监后将会重新犯罪；若个体重新犯罪概率值在0.5以下，则其出监后将不会重新犯罪犯罪。以概率值0.5为分界线，根据罪犯出监前重新犯罪风险预测量表预测结果，将其划分为“否”（概率值＜0.5）与“是”（概率值≥0.5）两类。

　　为检验预测结果的准确度，我们对由1238个随机样本组成的观察组与根据预测量表计算出的预测结果进行交叉列表分析。根据交叉列表分析，观察组有效样本为1108个，未暴露组有效样本为821个，占总体比例74.1％；暴露组有效样本为287个，占总体比例25.9％。根据预测结果，未暴露组被正确预测将不会重新犯罪的比率为92.9％，被错误预测为将会重新犯罪的比率为7.1％；暴露组被正确预测将会重新犯罪的比率为67.2％，被错误预测为将不会重新犯罪的比率为32.8％。换言之，预测量表对于821名没有重新犯罪观察对象的正确预测判断率是92.9％，对于287名重新犯罪观察对象的正确判断率是67.2％，总体正确判断率是86.3％。

　　根据罪犯出监前重新犯罪风险预测量表预测结果，我们先将观察组划分为最低（概率值＜0.1）、低（概率值＜0.45）、中（概率值＜0.55）、高（概率值＜0.8）、最高（概率值≥0.8）五个类别；然后，对重新犯罪风险分类组与观察组进行交叉列表分析。预测结果表明，重新犯罪风险等级越高，则重新犯罪风险也就越高；反之亦然。根据罪犯出监前重新犯罪风险预测量表预测结果，最低风险组中未有二次或二次以上犯罪的比率占97.2％，有二次或二次以上犯罪的比率占2.8％；最高风险组中未有二次或二次以上犯罪的比率占6.6％，有二次或二次以上犯罪的比例占93.4％。监狱管理机关可根据预测结果为出监后个体户籍所在地（或工作地）司法行政机关、基层组织、群众自治组织的安置帮教工作提供一个合理化的建议，后者亦可参考个体出监前重新犯罪风险预测结果直接制定相应的安置帮教措施。

　　通过科学调查与统计分析，本研究提取了测量罪犯出监前重新犯罪风险11项预测因子，制成了罪犯出监前重新犯罪风险预测量表（RRPI）。监狱行政机关可参照预测结果评估监狱教育改造质量；司法行政机关亦可参照预测结果科学管理社会中的重新犯罪风险。随着监狱教育改造质量的提高与重新犯罪风险管理的科学化，我国刑释人员重新违法犯罪率亦将随之降低。




【作者简介】
曾贇，单位为浙江警官职业学院。


【注释】
[1]逐级年龄生平境遇犯罪理论包含以下三项核心命题:(1)个体生命历程中年龄转折的重要性；(2)个体年龄变化中社会事件的重要性；(3)行为与选择的重要性。
[2]Felix Frankfurter, Introduction to One Thousand Juvenile Delinquent(1934)，by Sheldon Glueck and Eleanor Glueck, Har-vard University Press, p12.
[3]将实证主义与一种先验的观念相融合实际将导致的后果是：那些待证的相互竞争的规律必然要求研究结果与研究者自己对这一问题的看法相一致。格特弗雷得逊（Gottfredson）与赫希（Hirschi）批评了20世纪实证主义所犯的一个主要错误，即混淆了人类规律与科学解释之间的不同。Michael Gottfredson, Travis Hirschi, A General Theory of Crime (1990) , Stanford,Calif.：Standford University Press, p.73.
[4]ohn H. Laub, Robert J. Sampson, The sutherland-Gluck Debate: On the Sociology of Criminological Knowledge, in The A-merican Journal of Sociology, Vol. 96，No. 6 (May, 1991)，p. 1417.