基于数据挖掘技术的社区矫正人员再犯风险评估

吴之欧　方　翌

(1.温州大学，浙江　温州，325399；2.贵州省社会科学院，贵州　贵阳　550002)



基于数据挖掘技术的社区矫正人员再犯风险评估

吴之欧1方翌2

(1.温州大学，浙江温州，325399；2.贵州省社会科学院，贵州贵阳550002)

降低矫正人员的再犯可能性一直是刑罚追求的社会管理目标之一，从这一层面理解，社区矫正人员再犯风险评估方法成为一种社会管理的工具。在当前京、沪、苏、浙等地均已基本建立起社区矫正人员信息数据库的基础上，有必要借助数据挖掘技术从已有的海量数据中挖掘隐含知识和规律，提升社区矫正人员再犯风险评估方法的科学性和效率性。

数据挖掘技术；社区矫正人员；再犯风险评估

社区矫正人员再犯风险评估是一个具有相当现实意义的课题。从字面上理解，社区矫正人员再犯风险评估是指相关负责部门对某一矫正人员在社区服刑期间再次实施违法犯罪行为的可能性进行评价，即对其人身危险性的测评，也可以简称为社区矫正风险评估(Risk Assessment of Community Correction)。从域外的相关经验来看，风险评估是社区矫正的一项基础工作，采取科学的评估方法可以提升矫正方案的针对性，根据评估结果和需求分析及时调整矫正项目的内容，有利于切实降低社区矫正人员再次犯罪的风险，对促进我国社区矫正工作的科学发展具有重大意义。

一、社区矫正人员再犯风险评估现状

为了节约司法资源，集中力量解决矫正疑难人员和疑难事件，我国的社区矫正工作中设立了分类管理和分级处遇机制，但具体工作中分类分级的依据较为简单粗糙，精准性和科学性明显不足。实践中，司法部门根据社区矫正人员的调查评估结果对其进行分类分级，但我国绝大多数地区的司法调查评估工作由矫正工作者个人完成，而不是专业评估机构依据相应的程序进行。同时，在社区矫正期间司法部门还会根据社区矫正人员的考核奖惩情况调整监管力度，但在具体的做法上不同地区并没有统一的标准，区域差异性十分明显。简言之，我国社区矫正人员再犯风险评估工作在整体上呈现出较为明显的理论研究与实践操作相脱节的现象，值得进一步研究。

(一)理论研究成果

总体上看，我国刑事法学界有关社区矫正风险评估的论著数量颇多，研究的时间跨度也较长。*参见吴宗宪，《论社区矫正中的危险控制》，载《中国司法》，2005(1)；刘诗嘉，《社区矫正评估对象选择及评估方法初探——一种刑事司法评估方法的运用》，载《犯罪与改造研究》，2006(3)；邬庆祥，《社区矫正风险的客观评估方法研究》，载《第十三次全国法治心理学学术研讨会暨首次两岸四地刑事司法心理研讨会论文集》，北京，2006；狄小华，《社区矫正评估研究》，载《政法学刊》，2007(6)；鲁兰，《浅议完善我国审前评估与风险评估制度——兼论关于社区矫正立法的建议》，载刘强等主编．《社区矫正理论与实务研究文集》，中国人民公安大学出版社，2009；于阳、刘晓梅，《完善我国社区矫正风险评估体系的思考——基于再犯危险的分析》，载《江苏警官学院学报》，2011(2)；冯卫国、王超，《中外社区矫正风险评估因素结构差异研究》，载《法学杂志》，2014(7)等。近10年来的学术研究在完成社区矫正风险评估的必要性等纯思辨性论证之后，开始从风险评估可行性的操作层面(包括但不限于评估状态、风险因素、评估阶段、评估项目等)对社区矫正风险评估的具体类型展开分析。上述研究的主要结论包括以下几个方面：1.社区矫正人员的再犯比率可以作为社区矫正工作质量评估的重要依据，社区矫正人员再犯风险评估应采取“统计为主，临床为辅”的评估模式；2.社区矫正人员再犯风险等于再犯社会危险性和再犯人身危险性的总和。其中，再犯社会危险性来自于环境中影响犯罪可能性高低之诸因素的聚合状态，而再犯人身危险性则来自于个体影响犯罪率高低之诸因素的聚合状态；3.社区矫正中应建立再犯风险评估体系，并在评估体系中适当增加动态评估因素。4.评估社区矫正人员再犯风险需要解决两个核心问题: 一是哪些因素影响会再犯可能性，即确定再犯风险预测因子；二是各项因素的权重，即确定不同风险预测因子的系数，筛选出关键风险预测因子。

在西方社会学定量研究模式的影响下，我国学术界有相当一部分研究机构和学者致力于定量实证研究，注重从已有的实证数据中提取模式规律，无论在数据的选择、研究的模式、还是风险因子的筛选，科学性和规范性都有长足的进步。具体表现在：1.首都师范大学、华东政法大学、上海政法学院、浙江警官职业学院等研究机构纷纷与地方司法局合作，开发了多种再犯风险评估工具，并推动这些评估工具在地方司法实践之中使用。*以浙江温州市为例，地方司法局与信息技术公司合作，开发了社区矫正移动信息管理系统，将管理主体(矫正工作者)与管理对象(矫正对象)共同纳入社区矫正移动信息管理平台，并在平台上实现了三种模式，即先进的网络系统与矫正工作对接的模式，管理主体与管理对象之间互动的模式，具体工作通过网络系统来操作的模式。 以社区矫正对象个人档案信息库为基础，以手机定位技术为载体，以规范工作程序、提高工作效率为目标，通过电子监管手段打造了一面无形的电子围墙，对矫正对象实施动态监管和考核。 基本形成覆盖全地区司法行政系统，集“区域监管、信息交互、警示告知、档案管理、考核管理”五大功能于一体的信息网络管理系统。2.采取统计学方法对再犯风险预测因子的种类和内容进行积极探索。有的学者将风险预测因子分为：犯罪前的基本情况、犯罪行为、服刑状况和释放后状况四种类型；有的学者对不同的风险预测因子进行排序；还有的学者认为再犯风险预测因子至少包括：以前定罪的情节、住宿、教育培训与就业、财物管理与收入、人际关系、生活方式与社会联系、使用毒品、酒精滥用、精神健康状况、思考与行为方式、态度等十一种。[1]可以说，这些研究拓宽了社区矫正风险评估问题的广度和深度，对研究成果的实用性，即有效衔接理论研究与实践操作方面进行了十分有益的探索。然而，不得不承认的是，上述多数研究仍局限在简单的“我认为”存在哪些风险预测因子与再犯相关，而缺少具体的“我发现”风险预测因子与再犯存在何种关系、存在多大关系。简言之，即缺乏足够的科学研究手段致使这类研究大部分流于形式，实际指导意义不大。

(二)司法实践情况

从实践层面来看，根据司法部关于全国社区矫正的统计数据，截至2015年底各个省市地区累计接收社区服刑人员为2701891人，累计解除矫正的人员为2003945人，在册的社区服刑人员为697946人。社区服刑人员在矫正期间再犯罪的累计达到5098人，再犯罪率为0.19%。2014年社区服刑人员的再犯罪率为0.18%。*数据来源：司法部社区矫正管理局的《2014年全国社区矫正工作统计分析》和《2015年全国社区矫正工作统计分析》。从经验角度审视，不到0.2%的社区矫正人员重新犯罪率相对于官方层在2004年公布过的8%刑满释放人员重新犯罪率而言，*数据来源：新华网，《我国刑满释放人员重新犯罪率保持在 8%左右低水平》http://news.xinhuanet.com/newscenter/2004-10/25/content_2136935.htm 最后访问日期：2016年4月18日。自2004年以后，未见官方公布刑释人员重新犯罪率，但曾于1992年至2006年间在司法部预防犯罪研究所任职的北京师范大学刑事法律科学研究院吴忠宪教授表示在上世纪80年代中国重新犯罪率大概维持在7-8%，21世纪初期上升到了13—14%。中央司法警官学院刑法学教授翟中东则根据《邵雷同志在全国监狱局长座谈会上的讲话》中提及到2007年第三季度的一组数据推算，如果按照全国在押人员150万人为基数，全国监狱中被判刑2次以上的罪犯达到15.98%。详见：黄河著《重新犯罪率居高不下 刑释人员面临制度性歧视》，载《方圆》，2012(1)。显得非常低。但值得注意的是，社区矫正人员再犯罪率是以矫正期间作为统计标准，与刑满释放人员重新犯罪率的计算口径并不相同，因此，直接将这两个数据进行简单的比较，并不具有实质的意义。也正是因为认识到这个问题，各个地方司法部门也在积极探索有效预防和控制社区矫正人员再次犯罪的方法措施，其中比较有代表性的是，一部分有条件的地方司法局与高等院校、研究机构合作，共同研发风险评估工具，试图确定社区矫正人员再犯风险预测因子。*具体参考司法部、地区各级司法厅、司法局局的官方网站信息及相关学者的研究成果。例如：于阳、刘晓梅，《完善我国社区矫正风险评估体系的思考——基于再犯危险的分析》，载《江苏警官学院学报》，2011(2)；曾赟，《逐级年龄生平境遇犯罪理论的提出与证立——以重新犯罪风险测量为视角》，载《中国法学》，2011(6)；李光勇，《社区矫正人员重新犯罪风险评估与预防——基于上海市三个区的问卷调查》，载《中国人民公安大学学报(社会科学版)》，2013(5)等。例如北京市司法局的《北京市社区服刑人员综合状态指标体系》、上海市司法局的《社区矫正服刑人员风险测评表》、江苏司法厅的《江苏省社区矫正风险评估系统》以及浙江余杭区司法局的《社区矫正人员再犯风险评估软件系统(CIRAI)》等等。

结合司法部的数据统计和部分地方司法局的试点工作，可以看出，社区矫正人员再次犯罪情况在数据上表现令人满意，各地司法部门对这个问题仍然十分重视，努力探索控制再犯的有效方式。当前我国社区矫正风险评估必须面对的问题是：如何提升已有的风险评估量表的科学性？如何使用科学的研究方法对社区矫正人员的基本情况进行归类考察，以期更为精确地了解社区矫正人员的再犯风险、把握不同类型风险预测因子与再犯的关系，对营造社区矫正方案与社区矫正效果的良性互动提出更有针对性的意见。

二、社区矫正风险评估科学化的必要性

从域外法治发达国家的情况来看，社区矫正再犯风险评估已经开展相当长的时间。半个多世纪以来，美国、英国、加拿大等发达国家制定并采用经人群验证、较为通用的预测工具，如Static-99、SFS、RM2000、LSI-R、CPAI-2000、RNR、HCR-20等。*美国司法统计局网站(Bureau of Justice Statistics)、国家矫正研究所(National Institute of Corrections)按期公开缓刑率、假释率、重新监禁率等一系列重要数据，不定期地发布相关数据与再犯间交互关系的最新研究成果。http://www.bjs.gov/；http://nicic.gov.总体上看，这些评估工具强调风险评估的精准性、强调对动态因素的考量、强调个案管理和临床监控；[2]强调独立、严密及科学的研究方法、强调采取可以认知的标准进行综合评估。[3]随着国际学术交流的日益普及，域外这种科学的互动性研究模式对中国社区矫正工作的科学化进程产生了重要的影响。此外，我国刑事立法科学化及社区矫正工作信息化在客观层面共同促使系统的社区矫正人员再犯风险评估提上工作议程。

(一)刑事立法科学化的要求

宽严相济刑事政策进一步落实以及刑事科学主义的日益扩张，表现在有关社区矫正刑事立法中对缓刑和假释的“科学化”和“效率化”适用提出了更高的要求。例如，2011年2月通过的刑法修正案(八)将适用缓刑和假释的实质条件由先前较为含糊的“不致再危害社会”修改为相对明确的“没有再犯罪的危险”。与普通人员的“初犯危险性”关注的内容不同，缓刑犯“再犯的危险”针对的是正在被追诉的犯罪嫌疑人再犯可能性问题，假释犯“再犯的危险”针对的是服刑人员的再犯可能性问题。又如，2011年11月通过的最高法《关于办理减刑、假释案件具体应用法律若干问题的规定》第15条明确指出: “办理假释案件，判断‘没有再犯罪的危险’，除符合《刑法》第 81 条规定的情形外，还应根据犯罪的具体情节、原判刑罚情况，在刑罚执行中的一贯表现，罪犯的年龄、身体状况、性格特征，假释后生活来源以及监管条件等因素综合考虑。”可以说，刑法修正案(八)及最高法的司法解释将“没有再犯罪的危险”的抽象判断细化为测量“犯罪与刑罚情况”、“刑罚执行中表现”、“罪犯的生理心理状况”、“狱外生活来源和监管条件”四类具体的条件，通过科学评估犯罪嫌疑人和服刑人员的“再犯罪的危险”，来提升缓刑与假释适用的操作性和效率性，满足预防再次犯罪的现实需求。

作为社区矫正工作操作规程和基本依据的《社区矫正实施办法》在刑法修正案及司法解释的基础上，将预防社区矫正人员再次犯罪的措施进一步具体化。例如，该办法第9条规定：“司法所应当为社区矫正人员制定矫正方案，在对社区矫正人员被判处的刑罚种类、犯罪情况、个性特征和生活环境等情况进行综合评估的基础上，制定有针对性的监管、教育及帮助措施。根据矫正方案的实施效果，适时予以调整。”从字面上理解，该办法要求在对社区矫正人员综合评估的基础上制定矫正方案，并根据实施情况调整具体的措施。也就是说，社区矫正人员的矫正方案和措施的制定和调整应该依据矫正人员的各项静态因素和动态因素的综合评估结果。除此之外，各个省市地区的工作细则、考核奖惩办法等操作性文件依据《社区矫正实施办法》的上述精神，也进一步强化了社区矫正管理工作中的“区别对待”原则，明确了应该根据矫正人员风险评估结果和其在监督管理期间考核情况采取分类管理。*以《浙江省社区矫正人员考核奖惩办法(试行)》(浙司(2013))为例，该办法第二十六条、第二十七条规定：“县级司法行政机关应当根据考核情况对社区矫正人员实施分类管理，司法所负责日常工作。管理等级分为严格管理和普通管理两类。”“社区矫正人员自到县级司法行政机关登记报到之日起三个月内，应当接受严格管理。三个月期满后，司法所根据社区矫正人员再犯风险评估结果和监督管理期间考核情况，经合议后提出的建议，报县级司法行政机关批准。”由此可见，采取科学的手段评估社区矫正人员“再犯罪的危险”，综合考虑静态因素和动态因素对风险的影响，将评估贯穿于整个社区矫正过程，根据评估结果及时调整矫正措施，是社区矫正工作顺利开展的重要一环。

(二)社区矫正的信息化进程

相较于多数域外法治发达国家，我国的社区矫正工作存在“人员复杂、任务繁重、条块交织、层多面广”等特点，因此有必要合理充分地使用先进的信息技术手段提升社区矫正具体工作的精细度和科学性，使社区矫正能切实有效地发挥出其独特的优势。

2013年1月司法部在《社区矫正实施办法》的框架下充分吸纳国家信息化建设规范的要求，印发了《社区矫正管理信息系统技术规范》与《社区矫正人员定位系统技术规范》两个规范。*参见新华网报道，http://news.xinhuanet.com/politics/2013-02/22/c_124377707.htm， 2016年5月3日访问。这两个规范不仅明确了我国社区矫正信息化建设和应用的总体要求和基本框架，还详细规定了社区矫正管理信息系统的基本功能要求，为研发社区矫正工作相关业务应用系统提供了依据。根据文件精神可知，我国将在全面建成各级社区矫正机构内部办公系统的基础上，逐步形成司法部社区矫正管理局(中心节点)——省级司法厅(局)社区矫正负责机构(中继枢纽节点)——地市级司法局社区矫正负责部门(最终节点)，自上而下的三级远程信息网络的社区矫正信息系统。事实上，这两个规范文件的出台在一定程度上加速了我国社区矫正信息化工作的进展，截至2015年底，全国范围内实行手机定位管理的社区服刑重点人员共计49.9万名。全国31个省(区、市)和新疆建设生产兵团，334个地(市)和2769个县(市、区)*已经开展信息化工作的地区分别占地(市、州)和县(市、区)建制数的96%和97%。均开展了社区矫正信息化工作，其中北京、天津、上海、江苏、广东等15个省(区、市)已经实现了省、市、县、乡四级联网，各省(区、市)司法厅(局)通过国家电子政务外网与司法部机关实行互联互通。此外，司法部还将社区矫正信息化基础较好的北京、江苏、安徽、江西、云南5个省(市)作为首批试点地区，通过各省(区、市)司法厅(局)的社区矫正数据与司法部机关实行互联互通，满足省际间实时交换的需要，同时也促进全国社区矫正信息的资源共享和交换。*资料来源：司法部社区矫正管理局《2015年全国社区矫正工作统计分析》。

就现有的信息化规模看，全国多地司法厅(局)已经初步建立社区矫正人员信息数据库，但问题在于，学术界和实践部门均未结合丰富的数据库内容开展社区矫正人员再犯风险评估研究，没有尝试从已有的海量数据中挖掘隐含的矫正人员再犯的规律和趋势，存在“数据丰富知识贫乏”的情况。这一方面是由于现有的再犯风险评估工具的精准性和科学性不足，另一方面也是因为学术界和实践部门的研究模式较为简单粗糙，未能将大数据分析方法引入到实证研究中来。然而可以预见的是，在社区矫正信息化进程日渐深入的大背景下，必然要求各地区司法厅(局)社区矫正机构将国家强制力所产生的信息科技优势转化为对犯罪防控能力，以创新来加强社区矫正队伍的快速反应。

(三)数据技术引入的有益借鉴

事实上，公安部门在实践中较早开始借助信息数据技术开展网格化管理、犯罪预警等多项工作试点，这些实践活动证明数据信息技术能有效增强司法部门防控犯罪能力，数据信息技术与司法行政机关的有效对接，能大力促进司法部门防控犯罪网络的不断完善，有效提升对犯罪现象的源头治理、事前预警和动态监控。且 数据信息技术能够有效提升犯罪防控措施的科学性。[4]通过数据信息技术研究影响犯罪的各类风险预测因子，探究犯罪的成因和防控措施，可以为提升犯罪防控措施的科学性提供重要数据支持和决策依据，增强防控再犯策略制定的前瞻性和先导性，对刑事司法的效率化、刑事政策的科学化都有非同寻常的意义。就国内现状而言，有必要在现有基础上运用数据挖掘技术对司法厅(局)中社区矫正人员的数据信息进行分析，仔细筛选影响社区矫正人员再犯的风险预测因子，进一步探索研究社区矫正人员再犯风险评估工具，发现其中的规律性、明确相关风险因子的依存度、提升再犯预测的准确率，增强社区矫正工作与数据信息技术的配合度。

三、社区矫正风险评估科学化途径——数据挖掘技术的应用

从理论上来说，个体人格因素和社会环境因素都会影响社区矫正人员再犯的风险因子。因此，在司法实践的风险评估中，需要把全部的个体人格因素(例如生理健康情况、心理精神状态)纳入考虑的范围，也需要把一些稳定的环境因素(例如家庭结构、婚姻状况、教育背景、职业情况、经济条件、不良行为等)纳入统计之中。随着各级司法厅(局)对社区矫正信息化的重视，多地司法(厅)局积累了种类繁多、容量巨大的社区矫正业务数据，这为数据挖掘技术在社区矫正工作领域的应用研究提供了契机，也迫切需要数据挖掘技术的深入应用。[5]

(一)几种具体的数据挖掘方法

笼统地讲，数据挖掘(Data Mining)是从众多数据中挖掘出知识，其最主要目的是确定数据的趋势和模式。[6]从统计的角度看，数据挖掘可以看作是用计算机技术自动探索、分析大量的复杂数据集。与以往的数据分析方法(例如数据查询、数据报表、联机应用分析等)进行比较，数据挖掘的优势在于结果未知的情况下，尝试性去探索、发现、挖掘新知识。在社区矫正风险评估工作中，有可能使用到以下几种具体的数据挖掘方法：[7]

1.聚类分析方法。该法针对一组未分类事件，根据一定规则合理划分事件集合，同时确定每个事件所在类别和孤立点。在社区矫正人员风险评估工作中，主要是用于分析矫正人员的涉案类别、教育背景、家庭状况等不同要素。具体而言，整理社区矫正人员的个人数据记录，包括矫正人员的基本情况、犯罪内容、犯罪情节，然后按照一定的规则进行归类，从海量数据库里分拣出具有相似特征的矫正人员，将他们单独形成特征类型的数据库。在类型数据库中找出该类矫正人员的大部分行为特征活动，帮助分析人员确定当前该类矫正人员再犯可能性大小。

2.决策树分析法。该法是利用树形结构来显示决策集合，经过对数据集进行分类，产生决策规则从而为措施方案的制定和调整提供参考。具体而言，用直观的图形化的样式分析社区矫正人员的前科背景、涉案类别、年龄阶段、文化程度等要素，将某一要素的信息增益作为属性选择的标准，在每一个非叶节点进行测试时获得关于该被测要素最大的类别信息。同时在建树过程中使用剪枝手段剪去被测要素数据中的噪音和孤立点，期望系统的熵值最小，生成的决策树平均深度较小，从而提高在未知数据上分类速度和准确率。

3.关联规则法。该技术主要用于获取不同要素之间的关联关系，例如违规类型与行为特征、人员类别与犯罪方式等等，通过整理、比较，得出有价值的知识，进而对某些特定要素之间的关联情况进行分析和预测。例如，某社区矫正人员于2014年7月10日在其所在的社区违反了报告义务，通过与2014年该社区全年违规案件的比对，推导出此矫正人员还有可能还参与了哪些违规行为，由此找出不同类型违规行为的相关性。

(二)社区矫正风险评估中的数据挖掘流程

众所周知，数据挖掘是一种使用半自动或自动化手段分析数据、提取或者挖掘知识的工具。在社区矫正人员再犯风险评估工作中运用数据挖掘技术，需要明确矫正人员在研究中的基础地位，一个完整的数据挖掘流程是围绕矫正人员来展开的。换言之，要科学有效地完成社区矫正风险评估中的数据挖掘工作，需要以矫正人员为中心，采取一系列步骤，从存储大量要素信息的社区矫正人员数据库中挖掘出有实际效果、先前未知、可以使用的知识，然后运用这些挖掘出来的知识做出合理判断或科学决策。具体而言， 社区矫正风险评估中一个完整的数据挖掘流程的各个步骤如下文所述：[8]

1.明确问题。明确数据挖掘要达到的目标是整个流程的第一步，即下面具体挖掘工作的前提步骤。虽然挖掘结果具有不可预知性，但是需要事先预见要探究的具体问题，例如，对于再犯风险评估问题，应该事先熟悉被测人员的基本情况、行为类型、背景材料等，大致估算不同类型矫正人员的总体风险，初步明确需要通过技术探求的几种风险因素。

2.数据准备。包括： (1)数据选择。在司法局社区矫正管理机构的数据库中采集被测人员的各类信息，包括人格信息、背景信息和环境信息(如年龄、心理状况、犯罪类型、监禁年限等)，从中挑选可供遵循的高级别数据，做好数据上的选择。 (2)数据预处理。当收集完数据后，对不完整、有噪声(具有不正确的属性值)和不一致的数据进行清理(填写空缺值，识别和删除孤立点、解决属性命名的不一致和冗余等)，分析各类数据的质量，尽量减少数据集的大小，借助相关性分析去掉不相关的属性，选择要进行挖掘操作的具体方法，为进一步的分析作好充分的前期准备。(3)数据转换。数据转换主要是为了将原始数据的类型和值转换成统一的格式，方便后续分析。在社区矫正风险评估工作中，数据转换意味着整理社区矫正人员原始数据集并将其转换为结构化数据，例如，可以将定量数据(连续数据)通过划定界限的形式(如年龄可以分为4类：20岁以下、20-40岁、40-60岁、60岁以上)将其分类，使其转换为方便统计的结构化数据。

3.数据挖掘。得到经过转换的结构化数据之后，下一步就是进入核心的挖掘环节。具体来讲，将待刷新组群的静态因素(初始信息，指社区矫正人员的性别、犯罪类型、前科背景等静止不变的因子)的先验概率密度函数，通过贝叶斯决策技术，融入动态因素(观测数据，指社区矫正人员的工作/学习境况、社会亲和力、刑罚执行等动态变化因子)，获得组群的后验概率函数，完成观测数据在基础模型中的刷新。需要注意的是，为确保可靠性和有效性应该注重验证前期研究确定的动态因素(包括社区矫正人员反社会模式、社会支持度、成瘾性滥用程度、亲属关系以及休闲活动等)的不同影响。详见下图:

4．分析应用结果。解读和评价经过上面数据挖掘流程产生的结果，得出相关的结论：①通过技术手段可以量化不同风险预测因子对再犯可能性的影响；②明确动态因素对再犯风险评估的影响，定期评估社区矫正人员的认知变化、技能发展变化以及其再次犯罪的风险，将动态评估结果应用于监控矫正进程和变化；③根据风险评估结果调整矫正服务和监督的形式和数量，现阶段我国社区矫正项目种类繁多、数量庞大，但其中相当部分的项目并不能降低矫正人员的再犯行为，可以说是无效和无用的，因此有必要根据风险评估结果将矫正项目内容限制在那些能够减低再犯风险的。

[1] 翟中东.危险评估与控制：新刑罚学的主张[J].法律科学，2010(4):67-79.

[2] Andrews D.A. & Bonta J., Risk-Need-Responsivity Model for Offender Assessment and Rehabilitation in Ottawa: Public Safety Canada，2007.

[3] Edward J. Latessa. etc, What works (and Doesn’t) in Reducing Recidivism. 2013-Routledge.

[4] Flores, A., Lowenkamp C.T., Holsinger, A., & Latessa, E. (2006) Predicting outcome with the level of Service Inventory-Revised: The importance of implementation integrity. Journal of Criminal Justice.

[5] 胡可云，田凤占，黄厚宽.数据挖掘理论与应用[M]．北京：清华大学出版社.2008:35-50．

[6] Richard J. Roiger，Michael W. Geatz.数据挖掘教程[M].翁敬农，译.北京：清华大学出版社，2003：20-70.

[7] 张予.数据挖掘技术在高危人员犯罪信息挖掘的应用研究[D].南昌大学，2009:34-42.

[8] William Cheung and Osmar R．Zaiane, Incremental Mining of Frequent Patterns Without Candidate Generation or Support Constraint[J]．IEEE．2003:11-15．

[责任编辑：李桃]

2012年教育部青年课题“犯罪治理中的企业参与研究”(12YJC820114)；2016浙江省社科规划课题“社区矫正对象再犯风险评估——基于信息数据技术的运用”(16NDJC128YB)。

吴之欧，法学博士，温州大学法政学院副教授，主要研究方向：刑法学、刑事政策学;方翌，贵州省社会科学院科研处研究人员，主要研究方向：刑事政策学、环境法学。

D926.8

A

1002-6924(2016)07-082-087