本文利用新南威尔士州2012—2021年法律援助申请与刑事案件行政数据,采用随机森林驱动的双重机器学习方法识别法律援助拒绝的因果效应。研究发现,未获援助并转而聘请私人律师的被告,入狱概率较获得援助并由公职律师代理者低约8.1个百分点;其最高指控认罪概率下降、罚款概率上升,而入狱者的服刑期限可能更长。结果表明,公共与私人法律代理之间存在显著绩效差异,公共律师可能因预算约束和高工作负荷更依赖高效率的认罪协商。
报告标题: Legal aid eligibility and court outcomes: a design-based double-machine-learning approach(《法律援助资格与法院结果:一种基于设计的双重机器学习方法》)。
作者: Fabio I. Martinenghi。
发布机构与日期: 所给文本未明确列出工作论文所属机构、正式发布日期或版本信息,因此无法据原文确认。
研究主题: 澳大利亚新南威尔士州(NSW)严重刑事案件中,拒绝法律援助、从而迫使申请人聘请私人律师,与由公共法律援助律师代理相比,会如何影响定罪、监禁、认罪和罚款等法院结果。
报告的核心问题不是“有没有律师”,而是公共资助律师与私人律师之间是否存在绩效差异。研究样本中约98%的法律援助申请人最终获得律师代理,只有约2%自我辩护,因此研究重点是比较“获得法律援助并由公共律师代理”与“法律援助被拒、转而聘请私人律师”的差异。 作者的主要结论是:在控制申请人经济状况、家庭状况、案件及法院等因素后,拒绝法律援助使被告被监禁的概率下降约8.1个百分点;排除自我辩护者后,私人律师相对于公共律师带来的降幅约为9.7个百分点。
作者并未将这一结果简单解释为私人律师在所有维度都更优。拒绝援助虽然降低入狱概率,却可能使已经被判入狱者的刑期增加约5至6个月;同时,私人律师代理的被告更少对最高指控认罪、更多接受罚款。作者据此推测,公共律师由于预算约束和工作量较高,更倾向于通过认罪协商快速结案,而私人律师更可能坚持诉讼,从而降低入狱概率,但一旦败诉,刑期可能更长。
NSW法律援助机构成立于1979年,拥有超过1,600名员工、25个办公室、2个卫星办公室和243个定期外展地点。其服务既可由机构内部律师和大律师直接提供,也可通过较低于市场价格的协议费用,资助私人律师承办案件。
研究聚焦严重刑事犯罪,即澳大利亚所谓的“可公诉罪”(indictable offences),大致对应美国刑法中的重罪。严重刑事案件通常自动通过管辖权测试和实质性利益测试,因此在本研究环境下,真正决定是否提供援助的主要是经济状况测试。
经济状况测试包含三个层次:
此外,制度允许在申请人未通过标准阈值时基于“特殊情形”提供援助。考虑因素包括案件预计成本、案件类型、申请人的整体财务状况、拒绝援助是否会导致过度困难、筹资时间是否充足,以及是否合理要求申请人以资产抵押借款。
这意味着该制度并非纯粹机械的收入断点制度,而是“规则+标准”的混合制度。收入和资产规则提供了形式门槛,但工作人员仍可基于整体财务状况作出有限裁量,这正是作者认为传统回归不连续设计难以直接处理、而机器学习可以学习的部分。
案件由法院管辖区和法律援助办公室负责,而不是简单按照申请提交地点分配。内部公共律师之间的案件分配被描述为“近似随机”,但在法院未被法律援助办公室覆盖、办公室存在利益冲突或已达到承载能力时,案件可能交由panel lawyer,即接受公共资金的私人律师处理。
作者在首选样本中排除了panel lawyer,理由是私人panel律师可能自行选择案件,从而引入未观测的案件复杂度或律师专长差异;同时排除了“先获批后终止”的案件,以避免公共律师因客户不配合、行为不当等原因终止代理而造成处理组异质性。
研究将两个行政数据库合并:
研究考察七类案件结果:指控数量是否减少、最高严重程度指控是否不成立、是否入狱、无条件监禁时长、条件于入狱的监禁时长、是否对最高指控认罪,以及是否被罚款。
核心处理变量是“法律援助被拒或终止”,对照状态是“法律援助获批”。由于被拒者通常更富裕、资产更多、住房支出更高、残疾比例更低,简单比较两组结果会存在明显选择偏差;这些变量既影响是否被拒,也可能影响聘请律师的能力和案件结果。
作者采用Chernozhukov等人提出的双重机器学习(DML)互动回归模型(IRM)。其基本思路是同时估计:
DML使用随机森林捕捉收入、资产、家庭和案件变量之间可能高度非线性的关系,并通过正交化、交叉拟合和增强逆概率加权,降低过拟合和模型设定错误对因果估计的影响。
具体实施采用5折交叉拟合,重复10次;随机森林设置为500棵树、最小节点样本数为2、最大深度为5。 作者主要报告处理组平均处理效应(ATT),即对那些实际被拒援助的人,如果他们反事实地获得公共法律援助,其结果会如何不同。之所以重点关注ATT,是因为处理组规模明显小于对照组,较大的对照组更容易为处理组寻找具有相似倾向得分的匹配对象。
关键识别假设是:在控制行政数据中所有影响援助决定的变量后,援助是否被拒与潜在法院结果条件独立;每个申请人都有获得援助或被拒的正概率;并且不存在预算耗尽造成的跨个体竞争性挤出。作者认为,法律援助机构不允许以预期案件胜率进行“实质性筛选”,且申请表中用于决策的70多个因素都被纳入数据,因此条件独立假设在这一制度环境下具有一定可信度。
表1比较获得援助者与被拒或终止者的收入、资产、住房支出、残疾状况、受抚养人数、年龄和性别等变量。被拒或终止者平均收入更高、资产更多、住房支出更高、残疾比例更低,这些特征既提高被拒概率,也可能直接影响法院结果,说明原始组间比较存在选择偏差。 表1还显示,被拒者平均受抚养人数更多,这一因素反而可能降低被拒概率;年龄和女性比例在两组间较为接近。
对于高度零值化的收入、资产、住房支出和机动车变量,作者同时报告总体均值、非零比例和正值均值,以避免大量零值掩盖真实差异。
表2显示,法律援助组入狱率约58%,非法律援助组约43%;法律援助组平均无条件监禁时长约27个月,比非法律援助组高6个月。然而在已经入狱的人群中,法律援助组平均刑期约42个月,比私人律师或自我辩护组少约3个月。
这一“无条件刑期更长、条件刑期更短”的组合非常关键。它暗示私人律师可能更擅长让部分原本会被判短期监禁的人避免入狱,但对于最终仍然入狱的人,私人律师代理的案件可能更少通过认罪协商解决,因而刑期更长。需要注意,表2只是未经调整的描述性比较,不能直接解释为因果效应,因为两组经济状况和其他特征明显不同。
图1左侧Panel A包含所有观察值,包括零监禁时长,均值约2.11年、中位数约0.74年;右侧Panel B只包含正监禁时长,均值约3.88年、中位数约2.75年。 两个面板都呈现明显右偏分布:大量被告没有入狱或刑期较短,少数案件刑期极长,最高可延伸至40年左右。该分布结构解释了为什么作者把“是否入狱”和“入狱后刑期”分开估计,也解释了均值可能受到少数极端长刑期案件影响。
首选模型排除终止案件和panel lawyer,并加入法院固定效应。DML估计显示:
因此,作者的结论不是“私人律师减少总体刑罚时间”,而是私人律师主要改变了刑罚结果的结构:更多案件避免监禁,但被判入狱者可能服刑更久,且较少通过认罪协商快速结案。
排除自我辩护者后,研究将私人律师作为处理组、公共律师作为基准。结果显示,私人律师代理使入狱概率下降9.7个百分点,最高指控认罪概率下降5个百分点,且被罚款概率提高6.6个百分点。
作者特别强调,这些私人律师很可能并非私人市场中收费最高、经验最丰富的律师,因为他们服务的客户收入低到原本可能符合法律援助资格。如果律师质量随收费上升,则本研究估计的“公共律师与私人律师差距”可能只是相对于低收费私人律师的差距,因而是公共法律援助相对于完整私人市场表现差距的保守估计或下界。
将终止案件、panel lawyer和自我辩护者全部纳入后,拒绝或终止援助使入狱概率下降11.5个百分点,无条件监禁时间下降4.2个月,认罪概率下降3.6个百分点,罚款概率上升8.3个百分点。 但作者明确指出,关于指控减少、定罪比例和最高指控撤销等结果的全样本发现并不稳健,不能与入狱、认罪和罚款结果同等看待。
图2显示,处理组和对照组的倾向得分在约0至0.45区间有较明显重叠,且没有倾向得分接近0或1的观察值,支持共同支持假设。 但在0.45以上,存在一些被拒者却很不可能被拒的区域,重叠较差。作者删除倾向得分高于0.45的观察值后,主要结果仍基本一致,但承认该敏感性分析改变了目标人群,且由于样本选择,标准误并不完全具有常规有效性。
图3是随机森林的置换变量重要性图。最重要的变量是通过私人律师提交申请(private_sub),其重要性明显高于其他变量;随后是资产、总收入、净收入、现金、住房支出、就业收入和福利等。 这一结果说明,法律援助拒绝并不是单一收入断点决定的,而是私人提交方式、收入、资产和家庭财务状况共同作用的结果。作者还指出,前十个预测变量中收入相关变量有四个,而资产变量主要在第四位出现,暗示收入对拒绝决定的预测作用强于资产。
图4横轴为净可评估收入,纵轴为净资产,颜色越深表示预测拒绝概率越高。图形整体呈现明显的横向变暗:收入从较低水平升至约1,000至1,500澳元时,拒绝概率快速升高;纵向改变资产时颜色变化相对有限。 该图直观支持作者关于“收入比资产更重要”的判断,但应注意,部分区域可能超出样本实际密集分布范围,因此图中的预测不能全部理解为现实中有大量对应申请人。
图5和图6以两个已观测变量集合模拟“同等强度的未观测混杂”。横轴是混杂对处理变量的解释强度,纵轴是对结果变量的解释强度;右侧面板显示在不同混杂强度下,处理效应置信区间上界如何变化。
以私人提交变量为基准时,它对援助拒绝的预测能力较强,但对入狱结果额外解释能力很弱,因此即便该变量完全未被观测,估计的负向入狱效应仍大体保持统计显著。 以全部收入变量为基准时,其对结果变量的解释能力更强,但估计的“逆境程度”ρ约为0.014,接近零,意味着处理渠道和结果渠道之间的混杂相关性很弱。作者认为,只有假定一个既像收入变量一样强、又具有最大程度对抗性ρ=1的未观测混杂因素,才可能同时推翻效应符号和统计显著性;作者认为这种组合较不可信。
作者提出两个主要机制:
公共律师与私人律师的收入存在差距。2008/09年,公共与私人律师平均收入分别为86,700澳元和94,800澳元;公共与私人出庭律师平均收入分别为106,184澳元和361,850澳元。 同时,法律援助人均资金在过去十年下降约3%,法律援助支付给私人律师的费率与市场费率之间的差距扩大。
最重要的识别局限是,条件于已经入狱后估计刑期属于对处理后的变量进行条件化,可能产生碰撞偏差。因此“私人律师使已入狱者刑期增加5至6个月”应被视为相关性证据,因果解释弱于“降低入狱概率”的主结果。 另外,DML依赖“所有重要处理决定因素均已观察到”的条件独立假设;虽然作者进行了敏感性分析,但行政数据仍可能遗漏律师能力、案件复杂程度、被告合作程度等难以量化因素。
作者还尝试了以每周400澳元收入为断点的模糊回归不连续设计,但图E1显示400澳元处存在异常集中,二项检验p值为0.002,说明收入存在明显取整或报告聚集现象,连续性假设受到严重破坏,因此作者放弃RD,转而采用DML。 图E2进一步显示,收入在多个50澳元整数点均有尖峰,表明取整行为可能普遍存在,而400澳元附近尤为突出。
总体而言,这是一项将丰富行政数据与因果机器学习结合的研究。其最大贡献在于:在法律援助分配规则部分机械、部分依赖裁量,且不存在清晰有效断点的情况下,使用随机森林学习实际的援助分配机制,再利用DML估计公共和私人法律代理之间的结果差异。
最稳健的核心发现包括:
作者最终将其解释为法律援助制度中的“覆盖范围—单案质量”权衡:在固定预算下,扩大受助人数可能意味着公共律师每个案件可投入的时间减少;若将资源集中于较少数申请人,则可能提高单案服务质量,却会使更多贫困被告失去有效代理。 因此,报告并非主张简单削减公共法律援助,而是强调应通过提高公共律师薪酬、改善工作量和增加制度资金,缩小公共与私人法律服务之间的绩效差距。
2608.05211.pdf