基于犯罪人地域特征的共同犯罪网络及影响因素研究

赵 迪，陈 鹏*，江 欢，李 海 成，苗 红 斌

(1.中国人民公安大学信息网络安全学院，北京 102600；2.北京工商大学电商与物流学院，北京 100048；3.北京市公安局，北京 100029)

0 引言

共同犯罪指二人以上共同参与和实施的犯罪情形[1]，具有团伙性质，比单人犯罪的危害性更大。近年来，部分学者针对不同类型犯罪人共同参与和实施犯罪活动这一现象的原因进行了深入分析，并提出相应的理论假设，其中具有代表性的为犯罪人的同质性假设[2]，即参与共同犯罪活动的犯罪人通常在年龄、种族、性别、社会或经济地位等方面具有共同或相似的特点[3，4]，促使犯罪人之间形成彼此的心理或身份认同，进而建立社会联系并形成犯罪上的合作关系。例如：McIllwain研究发现，犯罪人之间的人际关系是有组织犯罪活动的基础[5]；Zhang等通过研究人口拐卖案件发现，人际关系网络在人口拐卖犯罪活动中十分重要，犯罪人之间的亲属、种族等关系在维持其合作关系方面不可或缺[6]；Li等研究发现，中国贩毒网络中的犯罪人在人口特征和社会经济地位方面具有高度的同质性，且性别占比的决定性影响很大[7]；Lantz等通过分析宾夕法尼亚州入室盗窃数据发现，犯罪人的年龄会显著影响共同犯罪的发生[8]。

与犯罪人的社会特征相比，地域(籍贯)特征对犯罪人之间的社会联系构成与维系十分重要，因为相同或相近的地域背景意味着个体之间的心理认知和文化认同更强[9]，更易形成人群的聚类效应，进而促使来自相同或相近地域的犯罪人之间形成共同犯罪合作关系[10，11]。部分学者从地域性特征角度研究了犯罪人的共同犯罪现象，发现地域属性构成对犯罪人的共同犯罪行为具有重要影响。例如：黄忠良等在分析中国典型拐卖妇女犯罪团伙时，发现相同国籍或地域来源对犯罪人的共同犯罪行为具有正向影响[12]；Chen等基于北京市2010-2012年电动自行车盗窃犯罪数据，发现共同犯罪群体中超过一半的犯罪人有着相同的地域性背景[13]；朱冠宇等构建基于犯罪人地域特征的诈骗类共同犯罪关系网络模型，发现参与共同犯罪的犯罪人具有很强的地域背景相似性[14]。

综上，当前针对犯罪人地域特征的共同犯罪现象研究虽然已取得较为丰富的成果，但仍集中在犯罪人的地域特征统计以及共同犯罪组织关系分析等方面，对地域特征视角下犯罪人共同犯罪现象产生的原因尚缺乏深入探讨。为此，本文利用北京市2006-2017年入室盗窃案件信息，通过构建基于犯罪人地域特征的共同犯罪网络，开展犯罪人地域特征组成分析，探索其背后的影响因素，以期为进一步开展城市犯罪防控提供理论支撑。

1 数据与研究方法

1.1 数据来源

相比其他类型案件，入室盗窃案件的危害极为突出，极易衍生出抢劫、故意伤害等行为，是影响区域治安风险的主要因素之一[15，16]。此外，入室盗窃案件的犯罪人有相当比例为职业犯罪群体[17，18]，流窜性、团伙化以及反侦查意识较强，犯罪人通过分工方式实施共同犯罪的特征比较明显。因此，本文选取北京市公安局2006-2017年已结案的入室盗窃案件信息(只有已结案的案件才会登记犯罪人信息)为研究数据，将其划分为2006-2009年(29 867起案件)、2010-2013年(29 265起案件)、2014-2017年(25 369起案件)3个时段，以此分析犯罪人参与共同犯罪活动的变化过程。案件信息字段包括案件编号、发案时间、案件关联的犯罪人身份证信息等，其中，案件编号为案件的唯一标识符，若一个案件编号同时关联多个不同身份证编号的犯罪人，则表示这些犯罪人对应于同一个案件，即产生了共案(共同犯罪)关系。利用犯罪人身份证信息可解析出其所属地域信息(原始户籍地)，经数据筛选、清洗后分别得到上述3个时段拥有完整信息的犯罪人3 132名、2 092名、2 737名，分别来自29个、27个、29个省域。

1.2 研究方法

1.2.1 基于地域特征的共同犯罪网络构建 将犯罪人所属户籍地域抽象为网络节点，令V={v1,v2,v3,…,vZ}表示所有地域的集合，Z表示地域数量，ti,j为不同地域犯罪人之间的共同犯罪次数(i=1,2,…,Z;j=1,2,…,Z)，则来自不同地域的犯罪人之间的共同犯罪网络T如式(1)所示。犯罪人之间存在两种共同犯罪关系：来自相同地域的犯罪人之间的共同犯罪关系(即同地域共同犯罪)和来自不同地域的犯罪人之间的共同犯罪关系(即跨地域共同犯罪)。利用收集到的入室盗窃犯罪数据中案件编号和犯罪人的所属地域特征信息，即可根据式(1)构建2006-2017年不同时期北京市入室盗窃案件犯罪人共同犯罪网络。考虑到数据规模且便于结果呈现和解释，本文以省级行政区作为共同犯罪关系网络的基本地域单元。

(1)

1.2.2 共同犯罪网络整体特征分析 本文采用社会网络分析(Social Network Analysis，SNA)中的网络密度、聚集系数、中心性[19，20]对共同犯罪网络整体特征进行分析。1)网络密度(D,式(2))反映网络中不同节点之间关系的密集程度，其值越大，表示网络中所有节点之间的联系越紧密。2)聚集系数(Ci,式(3))反映网络中节点i和其他节点之间聚集的程度，对网络中所有节点的聚集系数取均值即可得到网络的平均聚集系数。3)中心性用于测量单个节点在整个网络中的重要程度，本文主要应用点度中心性和接近中心性进行分析：点度中心性(CD(i),式(4))即与节点i直接相连的其他节点的数量及其权重之和，反映网络中节点i与其他节点之间产生直接联系的程度，节点的点度中心性越大，说明该节点的联系范围越大，参与度越高；接近中心性(CS(i),式(5))指节点i与网络中其他节点的最短路径之和，节点的接近中心性越大，说明该节点与其他节点之间的联系越紧密，其重要程度越高。通过对以上指标进行分析可大致推测出共同犯罪关系网络中关键性的“明星节点”[21-23]，即哪些地域的犯罪人群体在共同犯罪中比较重要和突出。

(2)

式中：M为网络中所有节点之间实际存在的连接关系之和；Z为网络中包含的节点总数。

(3)

式中：ki为与节点i产生连接关系的节点数量；Ei为与节点i有连接关系的ki个节点之间实际产生的连接关系之和。

(4)

式中：di,j表示节点i和j之间是否存在连接关系，若存在连接关系，则di,j=1，否则为0；λi,j为节点i和j之间的连接关系权重。

(5)

式中：pi,j为节点i与j之间的最短路径；γi,j为构成节点i与j之间最短路径的连接权重之和。

1.2.3 共同犯罪影响因素分析 为分析地域性因素在犯罪人共同犯罪形成过程中的作用效应，需进行网络数据间的回归分析。由于社会网络的数学表达为矩阵，因此本文采用二次指派程序(QAP)法[24]进行回归分析。首先对自变量矩阵和因变量矩阵的对应元素进行标准多元回归分析，并对因变量矩阵的各行和各列进行随机置换，计算随机置换后两个矩阵的回归系数，重复若干次计算，估计统计量的标准误差，确定回归方程[25]。对于每个回归系数，该程序能计算出全部随机置换次数中回归系数大于或等于第一步计算时得到的系数的随机置换所占比例，进而得到每个自变量矩阵在回归中的显著性水平。QAP回归的基本表达式为[26]：

Yi,j=β0+βkXi,j+εi,j

(6)

式中：Yi,j为因变量；β0为常数项系数；βk为自变量系数；Xi,j为自变量；εi,j为误差项。

2 结果分析

2.1 共同犯罪网络特征分析

参考文献[27]，构建2006-2017年不同阶段北京市入室盗窃案件中犯罪人所形成的同地域和跨地域共同犯罪地理拓扑图(图1、图2)。图1中节点大小表示来自节点所代表省域的犯罪人参与实施的同地域共同犯罪次数；图2中节点间的连线表示两个不同地域的犯罪人之间存在共同犯罪关系，节点大小表示来自节点所代表省域犯罪人参与实施的跨地域共同犯罪次数。可以看出：1)2006-2017年参与同地域犯罪和跨地域犯罪的犯罪人地域分布变化不大，犯罪人户籍地基本覆盖全国大部分省域，表明参与北京市共同犯罪活动的犯罪人地域分布具有稳定性。2)2006-2017年各地域犯罪人之间所形成的同地域和跨地域共同犯罪呈明显的非极化趋势。其中，2006-2009年来自北京、河北、河南等地的犯罪人参与了较多的同地域和跨地域共同犯罪活动，远高于其他省域的犯罪人，2010-2013年和2014-2017年参与同地域共同犯罪较多的仅有北京籍和河南籍犯罪人，且共同犯罪的次数也大幅下降，而参与跨地域共同犯罪的犯罪人仍主要来自北京、河北、河南等地，共同犯罪次数也呈明显下降趋势。3)2006-2009年省域间犯罪合作关系连线较为稀疏，而在2010-2013年和2014-2017年连线明显增多，表明各地域犯罪人不再局限于少数合作对象，而是选择与更多其他地域犯罪人实施共同犯罪。

图1 相同地域犯罪人参与共同犯罪的数量地理拓扑图Fig.1 Geographical topological diagram of co-offending quantity of criminals in same regions

图2 不同地域犯罪人参与共同犯罪的关系网络地理拓扑图Fig.2 Geographical topological diagram of co-offending network of criminals in different regions

利用网络密度、聚集系数等指标对2006-2017年犯罪人所形成的跨地域共同犯罪网络进行分析(表1)，可以看出，不同地域犯罪人间形成的共同犯罪次数整体呈减少趋势，网络密度也逐年递减，不同时期网络的聚集系数和平均最短路径的比值在2006-2009年最大，2010-2013年降低，2014-2017年略有上升，整体反映出跨地域共同犯罪合作关系呈弱化趋势。

表1 不同地域犯罪人的共同犯罪关系网络整体特征Table 1 Whole network indicator statistics of cross-area co-offending networks

在对犯罪人共同犯罪网络进行整体特征分析的基础上，进一步利用社会网络分析中的中心性指标对不同地域犯罪人在跨地域共同犯罪活动中的重要程度进行分析，由于参与分析的地域较多，本文仅展示点度中心性和接近中心性排名前10的省域(表2)。1)从点度中心性看，当仅考虑不同地域的犯罪人之间是否存在共同犯罪关系时(不考虑权重)，点度中心性能反映出犯罪人在共同犯罪中合作对象的地域范围。河南、北京籍犯罪人共同犯罪合作对象的地域范围在2006-2017年基本保持不变，河北、四川、安徽籍犯罪人共同犯罪合作对象的地域范围略有增加，黑龙江籍犯罪人合作对象的地域范围从2006-2009年的15个省域增至2014-2017年的25个省域。当考虑不同地域犯罪人之间的跨地域共同犯罪次数(考虑权重)时，点度中心性可反映出犯罪人所参与的跨地域共同犯罪次数。从表2可见，2006-2017年河北籍犯罪人的点度中心性在各时期始终为最高，说明河北籍犯罪人在各时期参与北京的跨地域共同犯罪次数最多，表现最活跃；河南、黑龙江籍等犯罪人群体在不同时期的点度中心性排名略有上升，表明上述地区的犯罪人在共同犯罪中的活跃性也有所增加，而北京、安徽和山西籍等犯罪人的点度中心性排名逐渐下降，说明这些地区的犯罪人参与共同犯罪的活跃性逐年降低。2)从接近中心性看，2014-2017年河南、北京籍犯罪人在共同犯罪网络中的接近中心性排名出现降低，结合网络节点度的结果看，虽然这两个省域的犯罪人在共同犯罪中其合作对象的地域范围变化不大，但其重要性逐渐下降，而河北、黑龙江籍犯罪人群体的接近中心性排名逐渐上升，表明两省域的犯罪人在跨地域共同犯罪活动中的重要性逐步增强。

表2 不同时期中心性统计前10位的地域Table 2 Statistics of the top 10 regional nodes based on degree centrality at different times

2.2 跨地域共同犯罪的对象特征分析

为进一步分析不同地域犯罪人在共同犯罪活动中的合作对象特征，统计出不同时期各地域犯罪人的数量及其参与的共同犯罪次数和跨地域共同犯罪占比(表3)。可以看出，不同时期来自各省域的犯罪人数量发生了较大变化，部分省域的犯罪人数量出现较大幅度的下降，如北京籍犯罪人数量从2006-2009年的775人降至2014-2017年的233人，降幅达69%，河南籍犯罪人数量降幅为30.5%，河北籍犯罪人数量降幅为33.6%；部分省域的犯罪人数量则出现较大幅度的上升，如四川籍犯罪人数量增幅为26.8%，湖南籍犯罪人数量增幅为346%，而云南籍犯罪人数量增幅高达1 500%。但从整体上看，除北京以外，河南、河北、四川等省域的犯罪人在共同犯罪活动中的核心地位未受明显影响，其参与的共同犯罪次数在同时期均高于北京以外的其他地域犯罪人。另一方面，各地犯罪人所参与的共同犯罪活动中跨地域犯罪所占比重呈明显的不均衡现象，具体表现为有些数量较多的同地域犯罪人其跨地域犯罪的比重却相对较低，而有些数量较少的同地域犯罪人其跨地域犯罪比重却相对较高。例如，2006-2017年四川籍参与共同犯罪活动的犯罪人数量分别为261人、290人、331人，其参与跨地域共同犯罪的比重分别为43%、46%、57%，而同一时期黑龙江籍犯罪人数量分别为119人、129人、135人，但其跨地域共同犯罪比重却分别为54%、74%、81%，均明显高于四川籍犯罪人。对于一些数量更少的同地域犯罪人，其参与跨地域共同犯罪的比重甚至更高，如天津籍犯罪人在2006-2017年3个时期参与共同犯罪的人数均为9人，但其参与跨地域共同犯罪的比重却分别高达100%、88%、78%。

表3 各地域犯罪人数量、参与共同犯罪的数量和参与跨地域犯罪的数量Table 3 Number of regional criminals,co-offending and cross-area crimes

基于以上分析，对不同省域的犯罪人数量进行0～1标准化后与其所参与的跨地域共同犯罪比重做散点图并进行回归分析(图3)。由图3可以看出，不同省域的犯罪人数量与其所参与的跨地域共同犯罪比重呈一定的负相关趋势，即来自同一地域的犯罪人数量越多，其参与的跨地域共同犯罪的比例越低,表明犯罪人的地域分布对其参与共同犯罪可能存在一定影响。实际上，对于不同地域的犯罪人而言，同地域群体的数量差异意味着其社会关系结构的不同，尤其是对于大部分具有流动人口属性的犯罪人，其进入目标城市后往往会面临社会关系的重构，但在新的社会关系构建完成前会以原始地域形成的社会关系为主，所以，同乡、同缘、同族的人群往往会成为其优先考虑的合作对象[9]。因此，如果来自某一地区的犯罪人数量较多，则意味着其成员能接触到的同地域伙伴相对较多，进而形成同地域共同犯罪的可能性较大;反之，则与邻近地域特别是数量较多的其他地域犯罪人群体合作会成为其替代性选择[28]。

图3 各省域犯罪人数量及其参与的跨地域共同犯罪比重散点图及回归结果Fig.3 Scatterplot and regression results of number of criminals in each province and proportion of their participation in cross-area co-offending

2.3 影响因素分析

进一步从地理角度分析共同犯罪活动中影响犯罪人选择合作对象的因素。目标城市内不同地域人群之间的社会关系主要体现为乡土、经济、文化等形成的联系，即乡缘、地缘、族缘等[29-31]，这种以原始户籍地域为纽带的社会关系能满足不同地域人群的情感归属、利益维护，帮助其融入城市社会生活[32-34]，有助于其形成心理和身份上的彼此认同而建立社会关系。因此，本文选择不同地域之间的经济相似性、文化相似性和地理距离等因素。其中，经济相似性主要表示为犯罪人所属地域之间的经济关系，如果两个区域属于同一个经济区或经济带，则两区域间可能存在较强的联系和互动；文化相似性表示为犯罪人所属地域之间是否属于同一地理文化区，较强的文化认同和心理认同更易形成社会联系和共同犯罪合作关系；地理距离反映了不同区域之间的空间远近，如果两个区域之间的地理距离较大，则两个区域的犯罪群体之间会存在较大的经济背景差异和文化认同差异，其形成共同犯罪合作关系的可能性会较低。

根据《中共中央、国务院关于促进中部地区崛起的若干意见》《国务院发布关于西部大开发若干政策措施的实施意见》以及党的十六大报告精神，我国的经济区域主要分为东部(北京、天津、河北、上海、江苏、浙江、福建、山东、广东和海南)、中部(山西、安徽、江西、河南、湖北和湖南)、西部(内蒙古、广西、重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏和新疆)和东北(辽宁、吉林和黑龙江)四大地区。按照五行五方的理念[35]，我国文化区主要分为华北文化区(北京、天津、河北、山东、山西)、东北和内蒙古文化区(黑龙江、吉林、辽宁、内蒙古)、华东文化区(江苏、浙江、上海、福建)、华中文化区(河南、安徽、湖北、湖南、江西)、华南文化区(广东、海南、广西)、西北文化区(陕西、甘肃、宁夏、青海、新疆)、西南文化区(四川、重庆、贵州、云南)和西藏文化区(西藏)八大地区。据此可构建经济相似性和文化相似性自变量矩阵，若两个省域属于同一个经济区域或文化区域，则在自变量矩阵中对应的位置为1，否则为0。省域间的地理距离以省会城市间的欧氏距离表示，则可构建相应的地理距离自变量矩阵。

以经济相似性、文化相似性、区域间空间距离3个矩阵作为自变量，以2006-2017年北京市入室盗窃案件犯罪人跨地域共同犯罪矩阵为因变量，进行QAP回归分析。其中因变量矩阵进行标准化处理，即矩阵中元素为某省域犯罪人选择另一省域犯罪人作为合作对象后的共同犯罪数量比重，结果如表4所示。可以看出，文化相似性和空间距离两个自变量具有一定的解释性，其中各省域之间的空间距离在P<0.01的水平下通过了显著性检验，其标准化回归系数为-0.206，说明其对犯罪人跨地域共同犯罪具有负向作用，即犯罪人原始所在地之间的地理距离越小，则两个地区的犯罪人产生的共同犯罪次数越多；各省域之间的文化关系在P<0.05的水平下通过显著性检验，其标准化回归系数为0.084，说明其对犯罪人跨地域共同犯罪关系有正向作用，即如果犯罪人所在的地域具有相似的文化特征，则产生共同犯罪的可能性更大。从回归系数的绝对值比较看，区域之间的空间距离相比文化关系更能影响犯罪人跨地域共同犯罪的形成。

表4 团伙类入室盗窃案件中犯罪人地域关系二次指派程序回归结果Table 4 QAP regression results of criminals′ regional relationship in gang burglary cases

3 结论

犯罪人共同参与犯罪活动的行为一定程度上能反映犯罪人之间的合作关系，而犯罪人的地域特征则能从地理层面上反映不同地理区域犯罪人群体之间的合作关系。本文利用北京市2006-2017年入室盗窃案件犯罪人数据，从地域特征角度建立犯罪人的共同犯罪网络模型，对不同地域的犯罪人在北京市的共同犯罪行为开展相应研究，结果表明：1)2006-2017年北京市入室盗窃案件共同犯罪群体主要来自北京、河北、河南、四川等地，其中河北籍犯罪人在各时期参与的共同犯罪数量最多;跨地域共同犯罪呈现弱化趋势，其中北京籍犯罪人在共同犯罪中的参与度逐渐下降，黑龙江籍犯罪人的参与度和活跃性快速上升。2)同地域犯罪人数量越多，则其形成跨地域共同犯罪的比重越低，反之则形成跨地域共同犯罪的比重越高，反映出犯罪人的地域分布对其共同犯罪的合作对象选择存在影响。3)不同地域犯罪人之间参与共同犯罪的行为受犯罪人所属地域文化相似性和空间距离影响，地域文化相似性越高或地理距离越小，则犯罪人之间形成共同犯罪的可能性越大，其中地理距离的影响更大。

当前，在一些人口较多的大型或超大型城市中，外来人口占比较高，其中不乏一些潜在的犯罪高危群体，其在城市日常工作生活中会形成复杂的联系，进而进化为共同犯罪关系，甚至有可能发展为规模较大的有组织犯罪。本文工作对公安机关的犯罪治理和防控具有一定的实践指导意义：在打击犯罪方面，需高度关注数量较多的隶属于同一地域的犯罪重点人群，及时发现其可能存在联系的其他地域的共同犯罪人；在犯罪防控方面，对潜在高危犯罪人群及其混杂的聚居、工作场所，可采取居住管理、从业人群登记等有效的管控措施，对其可能会建立的共同犯罪联系进行及时干扰和制止[14]。

本文虽然通过数据分析发现犯罪人的地域特征分布对其共同犯罪的合作对象选择存在一定影响，但对这种影响的机制分析尚不深入。国外研究表明，共同犯罪活动中犯罪人的地位并不平等，而是分为“主导者”和“参与者”[36]，其中经验越丰富的犯罪人扮演“主导者”的可能性越大。而同地域犯罪人的数量特征对其参与跨地域共同犯罪过程中的地位分配是否具有显著性影响，则对共同犯罪者选择合作对象具有重要意义，有待下一步重点研究。