一、逮捕社会危险性判断的现实困境

在我国刑事法律体系中，逮捕兼具“最严厉刑事强制措施”与“人权保障重要制度”的双重属性。一方面，作为国家追诉犯罪的必要手段，《刑事诉讼法》授权司法机关通过逮捕依法限制犯罪嫌疑人的人身自由，以确保诉讼程序顺利推进，体现其工具理性；另一方面，逮捕亦具有干预基本权利的属性，《宪法》第37条明确规定“任何公民，非经人民检察院批准或者决定或者人民法院决定，并由公安机关执行，不受逮捕”，将其置于公民基本权利保护的规范框架之中，要求其贯彻价值理性。正是这种制度内在的“二律背反”，构成了逮捕适用中权力与权利、效率与公正之间张力的根源。从历史演进来看，我国逮捕率自1982年至2010年间持续高于92%，2016年下降至86.4%，至2023年上半年已降至53.8%。尽管与发达国家10%~25%的审前羁押率相比仍有改善空间，但这一变化趋势表明，我国逮捕制度中的人权保障功能正逐步由规范走向实践、由理念融入操作。

毋庸讳言，长期以来，司法实践中逮捕社会危险性的判断存在流于形式或掺入法外因素的现象。如不少公安机关在提请检察机关批准逮捕时，仍以移送犯罪证据材料为核心，对逮捕社会危险性要件的说明往往止于笼统表述，如仅声明“具有社会危险性”或“具有逮捕必要”，而未结合具体案情展开充分论证。部分提请批准逮捕文书，仅在犯罪事实陈述之后附上一句“采取取保候审不足以防止社会危险性发生”，或机械罗列法定社会危险性情形，却未进行个性化、情境化的分析。更值得注意的是，一些非法定因素——如犯罪嫌疑人系“上访户”“外来人员”或“无固定职业”，在实践中常被用作判断社会危险性的实质依据，这显然超出了《刑事诉讼法》第81条所规定的五项法定情形范畴。可以说，实务操作中将逮捕的社会危险性要件简化为空洞的“形式用语”，弱化其独立判断功能，或者掺入办案人员个人主观认知的“法外因素”，必然导致判断结论失去足够的客观性和科学性。其后果是，逮捕审查工作的重心仍然停留在对犯罪构成和刑罚轻重的预判上，未能从根本上摆脱“构罪即捕”的传统思维定式。

随之而来的是“以捕促供”“以捕代侦”等异化现象在实践中的频发。逮捕措施被工具化，演变为办案机关与犯罪嫌疑人之间博弈的筹码，用以换取口供、认罪或所谓“立功”表现。这种做法不仅背离了逮捕作为程序保障措施的根本属性——即确保诉讼进行和防止新的社会危险，亦与《刑事诉讼法》的立法宗旨相冲突，后者旨在严格限定逮捕的适用，平衡追诉犯罪与保障人权之间的张力。当逮捕沦为侦查策略的一部分，其适用则偏离了司法裁量的规范框架，既损害犯罪嫌疑人的基本权利，也会削弱司法公信力和程序正当性。

为应对上述实践偏差，近年来刑事司法领域加强了对逮捕社会危险性判断的审查把关，对逮捕的适用愈加审慎。特别是最高人民检察院积极推动全面准确贯彻宽严相济刑事政策，对轻微犯罪落实依法少捕慎诉慎押的具体工作要求，逮捕社会危险性要件的适用得到进一步规范，取保候审、监视居住等非羁押性强制措施的适用比例显著上升，整体逮捕率呈下降趋势。如全国刑事案件不捕率从2019的22%上升至2023年的41%。这一转变体现出检察机关在控制审前羁押、保障犯罪嫌疑人人身权利方面所作的积极努力。在此背景下，构建统一、科学且符合司法实际的逮捕社会危险性量化评估模型显得尤为迫切。量化评估模型旨在从规范指引和实务经验中提炼社会危险性的核心影响因素，并借助实证分析和数学建模，实现逮捕社会危险性评估的科学化和客观化。

下文将系统梳理并比较既有的判断模式，阐明量化评估方法在契合刑事法内在逻辑方面的独特优势；进而，结合规范与实务筛选出关键变量；最终，依托大样本案例构建能够精准评估犯罪嫌疑人妨碍诉讼程序概率的风险预测模型，为逮捕社会危险性评估提供客观、统一的参考依据。通过引入量化评估工具，不仅可增强审查程序的透明性和可操作性，更有助于推动强制措施体系的理性适用，从而实质提升人权司法保障水平，有效防范冤错案件的发生。

二、逮捕社会危险性评估的模式比较与路径选择

在法治国家的普遍实践中，司法机关对犯罪嫌疑人是否批准或者决定逮捕，需综合考量法律规范和刑事政策的要求。由于各国在刑事立法传统、司法运作机制及社会文化背景等方面存在差异，逮捕必要性尤其是社会危险性的评估标准呈现多元化样态。从全球视野看，逮捕社会危险性的评估大致可归纳为两种模式：一是倚重司法者个体认知和经验积累的“经验判断模式”；二是依托统计工具和数学模型的“模型评估模式”。前者以我国司法实践为代表，长期依赖办案人员的经验直觉和常识判断；后者则以美国为典型，广泛运用精算评估和数据分析技术量化犯罪嫌疑人审前风险。

（一）经验判断模式的局限与流变

经验判断模式依其结构化程度，可进一步区分为“纯经验判断”与“指标判断”两种子类型。我国法规范层面已完成从纯经验判断向指标判断的转型。在2003年最高人民检察院颁布《审查逮捕证据参考标准（试行）》之前，社会危险性的评估，主要依赖于办案人员的个人经验和直觉判断，主观色彩显著。此后，《人民检察院审查逮捕质量标准（试行）》《逮捕社会危险性条件若干规定》等规范性文件陆续出台，逐步构建起具有一定结构性的逮捕社会危险性评估框架。

尽管如此，现行经验判断模式依然存在若干明显缺陷：第一，判断标准仍显单薄。例如，《人民检察院刑事诉讼规则》第86条所列举的不予逮捕情形，仅涵盖刑罚预期和犯罪嫌疑人身体状况等有限因素。第二，规范之间存在内在矛盾。如《刑事诉讼法》第81条第1款列举了五种具有社会危险性的情形，暗示不符合这些情形即无逮捕必要；但同条第3款却规定“对有证据证明有犯罪事实，可能判处徒刑以上刑罚，曾经故意犯罪或者身份不明的，应当予以逮捕”，两款在逻辑上难以贯通，反映出立法意图与司法标准之间的张力。第三，判断精度不足。既有的规范对应当或者不应当逮捕多采用定性枚举方式，难以实现对社会危险性“程度”的量化区分，更无法支持差异化的强制措施适用。第四，易受法外因素干扰。司法实践中，办案人员是否适用逮捕的决策，常受绩效考核等行政化管理机制影响。例如，某些办案人员会根据业务考评“不捕率”指标的完成情况人为放宽逮捕尺度，甚至形成“抓住就是管住”“构罪即捕”的路径依赖。

为破解经验判断模式的弊端，一些地方司法机关尝试对经验判断模式进行优化和结构化探索。例如，上海市闵行区人民检察院自2005年起参考英国的保释程序风险评估机制，创建了未成年人非羁押措施可行性评估制度，对公安机关提请批捕的未成年人刑事案件进行评估，综合考量未成年人的犯罪情况、个体情况、家庭环境、保障支持等内容，通过设置多项风险指标并赋分评估，对高风险犯罪嫌疑人逮捕，对中风险犯罪嫌疑人酌情处理，对低风险犯罪嫌疑人不予逮捕，实现风险分级和处遇分流。不难看出，上海市闵行区人民检察院开展的富有创新性的探索，通过引入风险评估机制，显著提升了社会危险性评估的结构化、精细化水平，体现了司法实务界对科学决策的迫切追求。这些探索实践，为构建科学合理的量化评估模型积累了宝贵经验。

在学术研究层面，不少学者仍主张通过对社会危险性基础事实进行类型化总结，构建以经验为核心的审查逻辑，提倡对社会危险性进行结构式的经验判断。例如，有学者提倡从经验事实出发，重新构建起以社会危险性审查为核心，以证据要件和刑罚要件为重要前提的社会危险性审查逻辑。另有学者通过分析最高人民检察院发布的典型案例，归纳实践中的常见误区和技术瓶颈，提出通过提高听证适用率以增强评估的可操作性。应当说，这些研究深化了对逮捕社会危险性要件的内涵理解，但在方法论上尚未充分吸纳数据科学和实证研究的最新成果，与司法实践中迅猛发展的量化探索存在一定脱节。未来研究有必要进一步弥合理论与实务之间的鸿沟，推动形成兼具理论自洽性与实践可操作性的评估体系。

（二）模型评估模式的兴起与发展

模型评估模式以指标体系的建立和数学模型的构建为核心，其方法论基础是通过大样本案例挖掘影响社会危险性的共性因子，进而基于统计规律建立预测公式，计算个体犯罪嫌疑人的风险值。该类方法发源于精算学在司法领域的应用，故又称“精算风险评估”。在比较法视野下，模型评估模式已在多个国家的司法实践中得到广泛应用。例如，美国的公共安全评估（PSA）工具通过分析九项关键因素来评估被告的审前风险；新西兰的罪犯风险评估系统则通过算法预测再犯可能性。这些域外经验表明，基于统计数据的风险评估模型能够有效提高司法决策的透明度和一致性。

当前，我国在法规范层面虽然尚未正式确立数据驱动的量化评估模式，但是司法机关越来越认识到量化评估的重要性。例如，最高人民检察院曾联合有关高校开展“降低羁押率的有效路径与社会危险性量化评估”课题研究，这在一定程度上表明最高司法机关对量化评估模型的探索持积极肯定态度。地方层面，如2021年河北省张家口市原阳县人民检察院研发了“社会危险性量化评估模型，”在模型中预设了涵盖法律规定以及嫌疑人社会背景、犯罪状况等多个方面的207项评估要素，通过对人身危险性、社会危害性和诉讼可控性等层面的各种风险因素及其作用力大小进行量化，参照风险位阶表，计算出犯罪嫌疑人妨碍诉讼顺利进行或者继续违法犯罪的概率，得出是否有逮捕必要的基本结论，推动评估从经验化向半定量化转变。由上可见，模型评估模式在司法实务中已有“用武之地”，初步表现出现代科技手段对传统司法实践难题的可解性。

在学术研究方面，晚近陆续有学者开始关注和研究逮捕社会危险性量化评估问题，并形成了若干有价值的研究方向。如有学者建议借助信息化完善社会危险性动态评价指标体系，推进社会危险性量化评估全流程适用，加强社会危险性量化评估公信力建设等，完善社会危险性量化评估机制建设。还有学者建议根据案件类型和社会危险性特征构建差异化子模型，进一步提升量化工具的准确性，通过提高模型的针对性来增强预测准确性等。这些研究成果对于模型评估模式的探索实践起到了积极推动作用，未来研究或应着力于扩大样本规模和多样性、增强模型的情境覆盖力和预测精度、采用人工智能技术提升模型决策过程的透明度和可理解性、加强模型在真实司法场景中的试点应用和反馈迭代，逐步形成兼具理论创新性与实践适用性的社会危险性量化评估体系。

（三）量化评估模型的合理性及选择依据

本文主张采用量化评估模型对逮捕社会危险性进行定性与定量相结合的综合判断，主要基于以下理论、方法论及实践层面的考量：

首先，从法理基础看，刑事法律的运作内在蕴含一套规制危害/危险行为的决策算法。该算法实质上表现为犯罪轻重与犯罪可能性、作案成功率、犯罪实际损失以及惩罚概率等多种变量之间的数量关系的权衡，最终形成是否干预公民基本权的判断。尽管妨碍作证、脱逃等行为未必均独立成罪，但仍属于广义上对司法秩序构成危险的行为。立法者对逮捕社会危险性要件的设置，正反映出这一底层逻辑。《刑事诉讼法》第81条所明确规定的五种具有社会危险性的情形，可区分为“妨碍诉讼型危险”与“人身危险型危险”，前者关联于犯罪嫌疑人对诉讼程序的潜在干扰，对应着犯罪实现的可能性和情节轻重；后者则更侧重于行为人的再犯危险和社会危害后果。这一区分背后，正是刑事立法对风险类型化和概率判断的体现。

其次，从方法论角度分析，“算法”不仅贯穿于刑事规范的构造之中，也深刻影响着司法行为的实际样态。法律的生命在于经验，更在于经验的可验证和可复制性。逮捕社会危险性的判断，不应仅依赖于不可见的直觉或未经检验的经验，而需通过可靠的数据、明确的指标和透明的计算模型加以支撑。从法律经济学的视角观察，个体行为——包括犯罪嫌疑人选择配合诉讼或脱逃——往往基于理性选择，即对其预期收益与成本的权衡。若能从历史数据中识别出显著影响逃跑或妨碍诉讼行为的关键变量，即能够构建出具有预测效力的风险评估模型，从而实现立法意图与司法实践在风险控制层面的统一。

最后，从实践层面考量，经验判断模式尤其是带有指标结构的形式，虽在一定程度上融入了类型化思维，但其本质仍依赖于办案人员的个体认知和道德直觉，判断过程呈“黑箱”特性，难以克服主观性和偶然性的缺陷。正如有学者所指出，经验和直觉作为事实推定的背景要素，虽难以完全摒弃，但其内在机制无法昭示，亦不能达到数学上的高度准确性。在刑事司法长期存在羁押偏好的背景下，完全倚赖经验判断容易导致逮捕社会危险性要件的虚置，甚至滑向“构罪即捕”的司法惯性。相比之下，量化评估模型通过引入统计学和数据科学方法，将判断依据从隐性经验转化为显性算法，它不仅能有效识别高风险犯罪嫌疑人的共同特征，还能通过逻辑回归分析等数学工具精确计算具体个体的风险值，从而显著提升社会危险性评估的客观性、一致性和可验证性。此外，量化评估模型还具有筛选和分流的政策功能：能够系统性地识别出真正具有社会危险性的犯罪嫌疑人，实现对逮捕必要性的精细区分，避免一概而论的处理方式，契合审慎适用羁押措施的司法理念，也有利于在诉讼保障与人权保障之间取得平衡。

概言之，量化评估模型不仅在方法论上与逮捕社会危险性评估的算法逻辑相契合，更能通过技术理性弥补经验判断的不足，推动逮捕审查机制向更加客观、公正和透明的方向发展。

三、社会危险性量化评估模型的构建与检验

（一）评估指标的筛选与体系确立

社会危险性量化评估模型的科学性和预测效能，首先取决于评估指标选择的合理性和全面性。本文在构建评估指标体系时，采取了分阶段筛选策略，兼顾法理正当性与技术可行性。

在初期的变量设置上，应尽可能全面列出可能影响社会危险性的因素，避免遗漏真正有意义的变量。综合考虑立法规定、司法实践并参酌域外有益法治经验，本文初步建立的变量集共包含35项变量（影响因素），分别是：居住地、真实年龄、教育背景、工作情况、个人实际收入、是否是在校生、是否有吸毒或赌博经历、前科记录、劳动教养记录、违法犯罪记录、妨碍诉讼记录、犯罪类型、罪行大小、社会危害性大小、是否共同犯罪、在共同犯罪中起到的实际作用、是否系犯意的发起者或幕后组织者、是否存在被害人过错、有无保证人、是否缴纳保证金、主观恶性大小、过失犯罪、犯罪手段、正当化事由、可能判处的刑罚、认罪认罚情况、赔礼道歉情况、赔偿损失情况、取得被害人及其家属谅解情况、抗拒抓捕、悔罪态度、退赃情况、自首情况、坦白情况、立功情况。申言之，这35项变量的选择，主要来源于以下三个途径：一是《刑事诉讼法》及相关司法解释中明示或隐含的社会危险性判断要素；二是司法实践中常见的社会危险性认定情形；三是参酌国外较为成熟的审前风险评估工具，如美国联邦审前风险评估量表（Federal Pretrial Risk Assessment Instrument）。这些变量覆盖了犯罪嫌疑人的行为特征、犯罪情节及事后表现等多个维度。

1.基于法理原则和统计准则的变量筛选。对于初步建立的包括35项变量的变量集，需严格遵循法治原则和统计科学要求进行筛选。这是一个基于法理正当性、统计可靠性及实践可用性的深度论证和优化过程，既是确保模型科学稳健、避免统计缺陷导致评估失真的必然要求，也是提升模型普适性、实现司法适用统一的现实需要。

首先，要立足无罪推定原则排除“退赃”“赔偿损失”“赔礼道歉”等带有“有罪推定”色彩的变量。因逮捕作为刑事强制措施，其适用必须严格遵循无罪推定原则。若将明显带有“事后悔罪”色彩的指标纳入以“程序危险性”为核心的社会危险性评估中，实质上是将本应独立的程序性判断与实体性悔罪表现不当地捆绑，混淆了两种不同的法律评价，可能导致“以悔罪换自由”或“以赔偿代风险判断”的实践谬误，侵蚀无罪推定的程序基石。

其次，要借助统计方法剔除存在多重共线性的变量。预测模型的有效性在很大程度上依赖于变量的独立性和贡献度的准确度量。若允许存在高度多重共线性的变量同时进入模型，将破坏参数估计的稳定性，不仅会导致回归系数估计失真及标准误膨胀，难以准确评估各变量的独立效应，更会严重削弱模型的解释力和稳定性，使得最终的风险系数难以准确反映各变量的独立贡献，丧失其对司法决策的参考价值。例如，“共同犯罪中的地位”与“是否共同犯罪”两个变量间存在逻辑上的多重共线性，若一并纳入模型，将导致估计偏误。

最后，要排除仅适用于特定犯罪类型的变量，以确保模型的普遍适用性。一个优秀的评估模型应能适用于绝大多数刑事案件。若纳入大量仅存在于特定罪名或特殊情境下的变量，将导致该模型对盗窃、诈骗等常见案件失去评估能力，或需要进行大量缺失值处理和情境假设，极大地限制了其应用范围。模型的价值在于从纷繁复杂的个案特征中抽象出共性的、可重复测量的风险因子，从而实现裁量标准的统一和公正。例如，考虑到正当化事由并不会在所有犯罪中都有存在的空间，如在故意伤害犯罪中，犯罪嫌疑人当然有进行正当防卫的可能，但在醉酒型危险驾驶犯罪中，行为人要实施正当防卫是难以想象的。

经上述筛选步骤，最终可保留19项变量，构成初步评估指标体系，具体包括：年龄、居住地、身体状况、是否是在校生、教育背景、违法犯罪记录、劳动教养记录、抗拒抓捕、立功情况、妨碍诉讼记录、是否吸毒或赌博、共同犯罪、过失犯罪、犯罪主观方面、社会危害性大小、赔偿损失情况、有无保证人、工作情况、和解。值得注意的是，虽然这19项变量对逮捕社会危险性评估的结果可能存在较高的影响因子，但并不意味着在筛选过程中排除掉的影响因素就完全没有相关性，而是说现有的刑事诉讼理念和统计学知识不足以支持其进入到评估模型中。例如，在“有无保证人”与“是否缴纳保证金”中，本文选择前者作为评估的变量，究其原因：一方面，犯罪嫌疑人能找到保证人，就意味着保证金有了“着落”；另一方面，除了缴纳保证金之外，保证人还能对犯罪嫌疑人不逃跑起到额外的心理约束作用。

2.变量的类型化处理。为便于模型运算和结果解释，本文根据变量的属性特征及其在风险评估中的理论功能，对不同变量（分类变量、二分类变量、多分类变量）采取差异化的处理策略。例如，年龄变量被设置为分类变量（如划分为“35岁以上”与“35岁以下”），而非连续变量。此举主要出于避免缺失值干扰、增强模型稳健性及解释力的考虑，同时也有助于降低过拟合风险。又如，对于身体状况、就业状况、是否吸毒或赌博等变量，则处理为二分类变量。因为这类变量本质上具备“非此即彼”的二元属性，如就业状况仅可区分为“有固定工作”与“无固定工作”两种互斥状态，并无中间或其他情形存在，因此无需进一步细分。再如，教育背景、犯罪主观方面等变量则需作多分类处理。这是因为简单的二分无法充分捕捉其内涵的层次性和复杂性。以犯罪主观方面为例，应当根据行为人对行为及其结果的认知程度和心理态度进行精细划分，如区分直接故意、间接故意、过于自信的过失和疏忽大意的过失，以体现现代刑法的责任主义原则。

3.变量的显著性检验与最终确定。尽管前述筛选出的19项变量具有坚实的理论和规范依据，仍须通过实证数据进一步检验变量与社会危险性之间的统计学关联。本文采用单变量分析方法，分别考察每一个自变量与犯罪嫌疑人是否逃跑或妨碍诉讼（因变量）之间的统计关系。该过程可借助一个比喻加以说明：预测犯罪嫌疑人是否会发生社会危险性行为，犹如预测一名运动员的跑步成绩。经验上，可能影响成绩的因素众多，包括装备、天气、赛道条件、体能状况、心理状态及比赛策略等。然而，实证经验表明，某些因素即便发生显著变化，对最终结果的影响却可能微乎其微；真正关键的是其中少数具有显著预测力的变量。因此，要实现准确预测，必须识别出那些具有实际影响力的核心因素。单变量分析的核心目的正在于此，通过统计检验识别出与因变量具有显著关联的自变量，从而将无关或冗余变量从初步指标集中剔除，保留真正具有解释力的预测变量。在统计学上，这一过程依据的是变量对因变量的影响是否具备“显著性统计学意义”，通常以P值小于0.05作为判断标准。

本文试以G省F市S区人民检察院2018年6月至2022年12月期间办理的1097起审查逮捕案件为样本，运用卡方检验对19项变量进行单变量分析，结果显示：年龄、居住地、身体状况、教育背景、违法犯罪记录、是否吸毒或赌博、共同犯罪、过失犯罪、犯罪主观方面、社会危害性程度、有无保证人、工作情况、和解情况等13项变量在P＜0.05水平上显著。值得注意的是，一些在经验上被认为具有预测意义的变量（如“妨碍诉讼记录”），在统计上并未呈现显著相关性。这表明司法实践中的某些“常识性认知”未必得到实证支持，凸显了量化评估在克服经验偏见方面的重要价值。上述13项显著变量将作为后续建模的基础，它们不仅具有统计学意义上的预测力，也符合刑事诉讼法治的基本原理，能够在保障人权与维护诉讼秩序之间取得平衡。

（二）模型构建的方法论与算法实现

社会危险性的司法判断本质上是一个二元分类问题，其核心在于根据一系列预测变量，将犯罪嫌疑人区分为“具有社会危险性”与“不具有社会危险性”两类。这与医学诊断中根据症状和体征判断是否患病的逻辑相似，即基于多维信息进行综合性的风险分类。基于此，本文选用二元逻辑回归分析作为构建评估模型的核心工具。该方法广泛应用于处理因变量为二分类的预测问题，尤其适合司法场景中社会危险性的“有”或“无”判断。在数学本质上，逻辑回归通过Logit变换将线性组合的预测变量取值映射到〔0，1〕区间，从而求得特定事件发生的概率。其一般形式为：P=1/〔1+e^-（β0+β1X1+β2X2+…+βpXp）〕。其中，P为事件发生概率，β0为常数项，β1至β2为各变量的回归系数，X1至Xp为自变量取值。

本文将前述通过单变量分析筛选出的13个显著变量纳入模型。在数据分析前，需对变量进行赋值和编码。例如，将“有无逮捕必要性”编码为：有逮捕必要（Y=1），无逮捕必要（Y=0）；“犯罪主观方面”按罪过形式从轻到重赋值；“过失犯罪”记为1，“故意犯罪”记为0；“有吸毒或赌博经历”记为1，“无此类经历”记为0。此举旨在保证所有变量均可被量化处理，并确保系数方向与风险高低在解释上的一致性。

利用SPSS对样本数据进行二元逻辑回归分析，最终得到社会危险性评估模型如下：

P=1/{1+e^-［（-0.025）- 0.035X1-1.329X2-1.077X3+8.223X4+ 0.329X5 + 5.72X6 + 11.785X7 - 11.373X8 + 15.065X9-7.338X10-0.928X11-6.327X12-17.746X13］}。该模型中，P值表示犯罪嫌疑人发生妨碍诉讼或逃跑行为的预测概率；e为自然对数的底。经回归分析显示，模型整体预测准确率（Overal Percentage Correct）达到82.8%，科克斯-斯奈尔R方（Cox & Snell R2）为0.652，内格尔科R方（Nagelkerke R2）为0.647，表明模型具有较高的解释力和良好的拟合优度。回归系数的正负方向与司法实践经验基本吻合。例如，“违法犯罪记录”“社会危害性大小”等变量系数为正，表明其为风险升高因素；而“有保证人”“和解”等系数为负，表明其为保护性因素，显著降低社会危险性评级。

为初步验证模型的实际预测效能，本文选取了两件真实案例进行试算。在刘某某交通肇事案中，犯罪嫌疑人刘某某，26岁，身体健康，本科学历，无违法犯罪记录，有赌博习惯，有固定工作但无固定居所；案发后积极与被害人家属达成和解，提供保证人，不涉及共同犯罪。将变量赋值代入模型计算，风险系数P=0.3262，属于低风险等级（P<0.35），模型建议不予逮捕。该结论与办案机关经听证程序后作出的不批准逮捕决定相符，且后续诉讼中刘某某均能按时到案，无任何妨碍诉讼行为，证实了评估结果的准确性。在张某故意伤害案中，犯罪嫌疑人张某，49岁，健康状况不佳，初中学历，无违法犯罪记录，有赌博行为，无固定工作，虽有固定住所但未能提供保证人，系共同犯罪且张某为主犯，未与被害人达成和解。模型计算得出P=0.7729，属于高风险等级（P≥0.75），模型输出结论为有逮捕必要，与检察机关批准逮捕的决定一致。后续侦查中，张某确有串供、翻供等行为，进一步验证了模型预测的可靠性。这两起案例表明，模型在真实司法场景中具有较强的适用性和预测力，为其进一步推广提供了实证支持。

（三）风险分级与司法裁量转换

通过数学模型计算得到的风险系数（P值）是一个介于0到1之间的连续变量，其数值本身并不直接对应司法决策。为将定量预测结果转化为可供司法实务操作的分级标准，必须对风险系数进行合理的等级划分。在参考美国联邦司法部审前风险评估工具分级经验〔20〕的基础上，结合我国刑事诉讼对比例原则和人权保障的强调，本文将社会危险性风险划分为三个等级，并设定相应的阈值区间：

低风险等级（0.0001≤P<0.35）：犯罪嫌疑人妨碍诉讼或脱逃的可能性极低。对此类犯罪嫌疑人原则上不应逮捕，应优先考虑适用取保候审等非羁押性强制措施。

中风险等级（0.35≤P<0.75）：犯罪嫌疑人存在一定的社会危险性，但程度尚不确定。建议启动听证程序，由检察官组织侦查机关、犯罪嫌疑人、辩护人等多方参与，结合在案证据和具体案情，综合判断有无逮捕必要。

高风险等级（0.75≤P≤0.9999）：犯罪嫌疑人具有高度的社会危险性，非羁押不足以防止发生《刑事诉讼法》第81条所列举之风险。若无其他相反证据或特别情节，一般应当予以逮捕。

需要特别说明的是，任何数学模型都存在一定的边际误差。当风险系数处于等级临界值附近（如P=0.749）时，应避免机械适用分类结果。此时，评估应回归司法理性，办案人员需结合全案情节、犯罪嫌疑人个人情况以及其他未纳入模型的潜在因素（如家庭支持状况、心理评估结果等）进行综合裁量。必要时，可通过听证程序听取各方意见，确保最终决定符合比例原则和程序正当性的要求。

上述风险分级机制在案例试算中得到了进一步验证。例如，在刘某某交通肇事案中，低风险分级直接支持了非羁押措施的应用；而在张某故意伤害案中，高风险分级则与逮捕决定高度一致。这种分级方式不仅实现了量化结果与司法裁量的有效衔接，还通过差异化处理强化了人权保障与诉讼效率的平衡。当然，模型的普适性和可靠性仍需通过更大规模的样本数据进行验证，包括采用留出法、交叉验证等方法进行模型效度检验，这也是后续研究需要深化的重点方向。

四、结语

逮捕社会危险性的判断，始终是刑事强制措施适用中的核心难题，也是平衡诉讼效率与人权保障的关键所在。本文以构建科学化、精细化的社会危险性评估模型为目标，通过融合法学规范分析和统计研究方法，初步建立了基于二元逻辑回归的量化评估模型，不仅从理论上论证了量化路径与刑事法治底层逻辑的契合性，也在实证层面实现了从经验主导到数据驱动的范式转变。

本文通过对1097起逮捕审查案件的实证分析，筛选出13项显著影响社会危险性的核心变量，并据此构建风险预测模型，将犯罪嫌疑人区分为低、中、高三个风险等级，分别对应不同的程序处理建议。模型在初步检验中显示出良好的预测效力和司法一致性，印证了量化工具在辅助司法裁量、增强决策透明性和稳定性方面的价值。当然，它并非意图取代办案人员的判断，而是通过提供客观、统一的参考依据，将裁量权约束在理性、可见的框架之内，从而防范“构罪即捕”的惯性思维。同时，也须清醒认识到，本研究仍存在一定局限，如样本来源仍较为单一，模型变量赋值依赖于部分主观判断，外推效度尚需跨地域、跨审级的更大规模验证。此外，如何将诸如“社会关系”“心理状态”等难以量化的因素纳入评估体系，以及如何防范算法模型潜藏的“技术黑箱”和公平性风险，皆是未来研究需要回应的问题。

展望未来，逮捕社会危险性的量化评估模型应朝着更加开放、多元和互动的方向发展。一方面，可引入机器学习等更先进的建模技术，融入更丰富的案件特征变量，并建立动态更新机制，使模型具备持续优化的能力；另一方面，应加强司法人工智能的伦理与规制研究，明确模型使用的程序性保障和权利救济机制，确保技术应用符合程序正义与权利保障的基本要求。本文所尝试的变量解析和模型构建，正是期盼为推动逮捕审查从经验迈向证据、从叙事转向分析提供一种新的可能路径。唯有在法治框架内稳步推进方法论创新，才能更好实现“以数据赋能司法，以技术巩固正义”的现代刑事司法愿景。