使用統計分析與機器學習推動法事實研究
——以槍砲案件確定判決的量刑為例

連孟琦、林雲貂、王道維*

要目

壹、前言：量刑改革應以量刑實況研究為基礎

貳、背景：量刑之數位化法事實研究

一、 法事實研究是對法現實進行的實證研究

二、 資訊時代下的數位化法事實研究

三、法學取向之法事實研究與事實型量刑資訊系統之差異處

(一) 資料來源的差異

(二) 量刑因子的差異

(三) 研究方法的差異

(四) 結果應用的不同

參、研究方法

一、研究資料範圍的選取(1)：地院判決

二、研究資料範圍的選取(2)：確定判決

[原始來源：政大法學評論185期，2026年6月，第249頁至此]

三、人工標註過程與方法

四、刑法第57條量刑審酌事項標註原則

五、統計分析與機器學習

肆、研究發現：統計分析部分

一、本研究範圍之上訴情況

二、地院判決與確定判決之刑期分布

三、地院與確定判決刑期之差異分析

四、法定加重減輕事由的適用比例

五、量刑審酌事項的適用比例

六、量刑因子之間的關聯性

七、想像競合與否對量刑的影響

八、司法院釋字第775號對量刑的影響

伍、研究發現：機器學習部分

一、模型預測的準確性與穩定性

二、量刑因子類型的比較

三、個別量刑因子的重要性

陸、結論

[原始來源：政大法學評論185期，2026年6月，第250頁至此]

摘  要

司法量刑是人民對司法體系信任度的重要影響因素，但目前國內相關的量刑實證研究仍多所缺乏。本研究主張，我國的量刑改革應重視「法學取向之法事實研究」。本文針對2018年至2020年間《槍砲彈藥刀械管制條例》第7條第4項、第8條第1項與第4項、第12條第4項之1,341件確定判決進行量化統計分析，發現量刑普遍集中於法定刑下限甚至更輕，累犯雖常見但影響力低，而「情堪憫恕」、「自首」與「犯罪後之態度」等減輕因子對刑度影響顯著，反應法官量刑偏向寬緩。以機器學習模型所預測的刑期與真實情形平均誤差僅4.42月，顯示此量刑模式具高度可預測性。此外，釋字第775號對累犯規定實務適用影響有限，亦反應對法律議題的理論興趣與實務落差。整體而言，本研究說明法事實研究對強化量刑理論與實務的重要價值。

 關鍵詞：量化研究、量刑理論、確定判決、槍砲彈藥刀械管制條例、統計模型

[原始來源：政大法學評論185期，2026年6月，第251頁至此]

壹、前言：量刑改革應以量刑實況研究為基礎

刑事審判主要目的在實現國家對被告之具體刑罰權，其中定罪與量刑構成刑事審判最重要的兩大部分。我國學理研究及審判實務，向來多集中於定罪，較少著墨於量刑。然而量刑這個刑事審判最後一哩路，卻是刑事司法能否獲得人民信賴至為關鍵的一步，其重要性不言可喻。我國2010年9月間因高雄地方法院一起性侵幼童案件判決，引發了社會大眾的強烈不滿，由網友自發組成的「正義聯盟」除了籌辦白玫瑰運動號召大眾於2010年9月25日齊聚凱達格蘭大道抗議遊行，也於2011年2月14日發表一份刑法妨害性自主罪章法院輕判之研究分析報告，結果顯示「法院針對妨害性自主罪輕判，絕非個案，而是整體現象」[1]。此次社會司改運動點燃司法院量刑改革的火苗[2]，司法院也因此開始建置量刑資訊系統，提供法官類似案件的量刑資訊，希望設法改善及減少量刑歧異的現象。自此之後，量刑成為司法院積極進行的改革重點。

到目前為止，司法院量刑改革提出的作為，包括建置量刑資訊系統、量刑趨勢建議系統、發布量刑參考要點及參考手冊等，似乎仍偏重於工具的建置（資訊系統）或提供抽象指示，而將「量刑資訊之統計分析」以及「量刑實務現況」列為「未來」如果成立量刑委員會之任務以及制定量刑準則之宜參酌事項。事實上，所有的改革本都應以掌握實際現況為基礎，而且也要結合本國的刑事法制，才能提出切實可行的改革方案。不論未來是否成立量刑委員會，量[原始來源：政大法學評論185期，2026年6月，第252頁至此]刑的實況研究都應該是我國應加強的重點，才能提供量刑改革的有力基礎[3]。

貳、背景：量刑之數位化法事實研究

一、     法事實研究是對法現實進行的實證研究

「法事實研究」（Rechtstatsachenforschung）這個德文概念，最早是德國法學博士Arthur Nussbaum於1912年所提出的，當時提出的背景是指摘德國法釋義學跟社會現實的落差，因此呼籲應進行法事實研究，對法律人所必要的新素材進行系統性的科學處理和相關知識的整合，並且Nussbaum博士主張，為了實現此目標，需要對法律教學內容進行重組，尤其是擴充法律學科的教材[4]。

在德國，法事實研究主要分為兩種研究路徑，一種是社會學取向的（soziologisch orientiert），社會學者把「法」（Recht）當作一種社會現象，進行實證分析和解釋，逐漸發展成一種法社會學（Rechtssoziologie）；另一種則是法學取向的（juristisch orientiert），法律學者致力於通過對法現實的相關研究來加強法學[原始來源：政大法學評論185期，2026年6月，第253頁至此]的現實關聯性[5]。後者這種法學取向的法事實研究，關注的是解決具體的法律制定以及法律應用問題，因此目標不在於發展成獨立學科或創建自身理論概念，而保持作為一種所謂「法學輔助科學」（juristische Hilfswissenschaft）的角色[6]。

法事實研究是以實證研究方法來探究法現實狀況，這個理念與國內主要由留美學者所推廣的「法實證研究」（Empirical Legal Studies）[7]^、[8]是相通的。較特別之處在於，不像美國的法實證研究，還要努力去回答「實然面知識如何產生應然面意義」的問題，設法讓法實證研究結果得以內化為以釋義學為主的主流法學知識核心[9]，德國的法事實研究，尤其是法學取向的法事實研究，從一開始發展背景以及主要的任務及目的，就是補充法釋義學的抽象論證，也就是說，法學取向的法事實研究，從一開始的研究問題設定，就是要檢討或修正法釋義學可能與現實不符的落差問題。正如德國法學教授Hermann Kantorowicz的名言：「沒有社會學的釋義學是空泛的，沒有釋義學的社會學是盲目的」（”Dogmatik ohne Soziologie ist leer, Soziologie ohne Dogmatik blind.“）[10]。法釋義學[原始來源：政大法學評論185期，2026年6月，第254頁至此]並非自我目的（Dogmatik stellt keinen Selbstzweck dar），而是必須在日常運作中，且面對一個既複雜又不斷變遷的環境下，不斷證明其合理化、調控以及減輕負擔的功能；它是否能達到這些功能，以及如何達到，最終只能通過系統性且經驗導向的研究來加以評估[11]。

在德國刑事法領域中，法事實研究主要是由隸屬於法律系，且本身也是法律人的犯罪學教授主持[12]，也因此，在德國的刑事法學教育中，能自然融入法事實研究的成果，而對法釋義學的解釋以及法律規範的制定及應用，提出較貼近社會現實的補充或修正。雖然德國「法事實研究」的概念，早在1977年我國刑法學巨擘林山田教授就已經為文引介，且呼籲是一個「亟待加強的法學研究」[13]，可惜四十多年來一直未被刑法學界重視。我國數十年來刑事法學界在大量引入德國法釋義學研究方法及成果之際，未能同時引入德國法學取向的法事實研究觀念及作法，恐怕是造成今日法律人被批評嚴重脫離社會現實的一大重要原因，因此本文追隨林山田教授，繼續呼籲亟待加強此法學研究！[原始來源：政大法學評論185期，2026年6月，第255頁至此]

二、     資訊時代下的數位化法事實研究

傳統的法事實實證研究，如果是以對法院裁判或相關卷證作為研究標的者，由於要依賴人力閱讀及分析法院裁判及相關卷證紙本，所耗費的人力與時間成本相當大，因此並不容易進行。這個問題在現今資訊時代下有機會可以突破，因為現今大多數文書都以數位化方式儲存，因此可透過資訊工具，尤其是AI、大數據及機器學習等新技術的輔助，只要使用少量人力，就有可能可以更快速準確地處理大量資訊。如能善加運用這些數位能力或AI工具，將能使我國原先落後不足的法事實研究，得到加速進展。

為了要充分發揮數位化的法事實研究，資料庫與搜尋引擎便是兩個最重要的基礎建設。除了司法院官方的「司法院裁判書查詢系統」[14]與法務部的「全國法規資料庫」[15]，也有民間公司如「法源法律網」[16]、「裁判家」[17]，「Lawsnote七法」[18]等，提供多元的法律文件資料庫並相關的檢索工具。而國立清華大學團隊開發出「JudgementsCrawler」[19]與「LawsCrawler」[20]，則可以快速且大量[原始來源：政大法學評論185期，2026年6月，第256頁至此]地從司法院裁判書網頁或全國法規資料庫擷取特定關鍵字或特定需求範圍的裁判書／法規全文[21]，從而更有效地進行量化法實證研究。若將這些工具再與文字標註系統結合，亦可繼續應用於裁判書語意標註或訓練法實證領域的AI模型，將司法實務、法學研究與AI應用三者作更緊密的結合，推動我國未來法事實／法實證研究進入下個階段[22]。

三、法學取向之法事實研究與事實型量刑資訊系統之差異處

前文提及，司法院自2010年起所提出的量刑改革方案，包括建置量刑資訊系統與量刑趨勢建議系統等等，雖然也是透過仍偏重於數位化的工具建置來提供法官量刑時的參考，甚至2020年起引入AI系統來作資料更新[23]，包括事實型與評價型的量刑資訊系統。但是[原始來源：政大法學評論185期，2026年6月，第257頁至此]筆者此處需要釐清，為何這樣的「量刑事實呈現」還是與本文所採取的「法學取向之法事實研究」有所不同。這可以分別從「資料來源」、「量刑因子」[24]、「研究方法」以及「應用場域」幾個面向來看。基於研究者對量刑的基本設想及出發點不同，往往也會導致實證研究方式及結果有不小差異。

(一).        資料來源的差異

量刑資訊系統所使用的判決，僅有「地方法院判決」（下稱「地院判決」）而沒有說明原因。事實上，國內量刑實證研究也多直接以地院判決作為研究資料[25]，完全忽略了我國刑事訴訟有上訴制度的事實。根據我國的刑事訴訟上訴規定，被告或檢察官對量刑不滿都可以提起上訴，而且上訴是採覆審制，上訴法院可以重新認定犯罪事實，撤銷地院判決而自行改判。根據2017年至2021年高等法院刑事第二審案件終結情形顯示[26]，駁回上訴比率由2017年58.6%逐年降至2021年49.4%；其次為撤銷原判，占比約為四成；撤回上訴所占比率則介於7.6%至9.3%，可見對地院判決提起上訴[原始來源：政大法學評論185期，2026年6月，第258頁至此]案件中，其實有相當大的比例被高等法院撤銷或改判。因此，可以說，地院判決的量刑結果有很大比例只是「暫時性」的，並不能直接拿來作為回答「我國對某類犯罪量刑結果」的答案。

司法院事實型量刑資訊系統以地院判決作為研究資料，可能是因為事實型量刑資訊系統是從犯罪事實擷取量刑因子，而地院判決對於「犯罪事實」的記載較完整的緣故。但是如後所述，量刑因子不應直接從「犯罪事實」擷取，因此當資料蒐集目的是在探詢我國對某種犯罪的量刑狀況時，從法學取向之法事實研究的角度，應以「確定判決」為資料來源。僅對於某些犯罪類型，上訴比率極低時，才可以直接用地院判決作為研究資料，因為此時大部分的地院判決其實就是確定判決，而其結果與整體確定判決將非常類似。此外，由於國內過去對於撤銷原判的地院判決刑期與確定判決刑期之調整幅度並無相關研究，因此，本研究更進一步探討地院判決與確定判決的刑期差異，希望能以槍砲彈藥類型的案件作為量刑相關的實證研究範例。

因此，從本文所採的法學取向之法事實研究的角度，若想知道「我國法院對某種犯罪量定的刑度是多少以及考量的因子是甚麼」，並不認為地院判決可以代表我國的量刑情況，而應該以「確定判決」為對象才能呈現實際的「量刑結果」[27]。[原始來源：政大法學評論185期，2026年6月，第259頁至此]

(二).        量刑因子的差異

司法院的「事實型量刑資訊系統」[28]，其設計的理念是從「犯罪事實」找尋裁判書內相關的量刑因子，進而統計其量刑的結果供法官參考。但是這種看似隨機選擇的量刑因子，卻因不符我國量刑的法律適用及判決記載方式，而引起法官質疑其可參考性。以不能安全駕駛罪為例，就有法官質疑，事實型量刑資訊系統提供的「量刑因子」選項當中的「行為人駕駛動力交通工具種類」（機車、自小客貨車、大型客貨車等），犯罪態樣中之「被查獲地點」（直轄市、縣轄市或鄉鎮市，快速公路或高速公路），到底跟量刑時應考量的罪責程度有何關聯，其實並沒有任何說明；又如，以「酒精濃度區間值」作為選項，也有忽視查獲時之酒精濃度與人體代謝值有關，未必能直接連結行為人之惡性的問題[29]。簡言之，量刑資訊系統以犯罪事實作為比較基礎之設計，在建構的原理上雖然可以找到「類似事實」的裁判書，但並不表示法官對這些類似事實的量刑考量是一致的，甚至法官對某些事實可能在量刑時根本未加以考量。這可能也是過往量刑資訊系統被法官參考使用的情形不普遍的原因之一[30]。

此外，與事實有關的量刑因子設定也有不符實務現況之情形。以槍砲案件為例，我國實務上案件量最多的是持有輕型槍砲罪（槍砲彈藥刀械管制條例第8條第4項），當中尤其是以「持有非制式槍[原始來源：政大法學評論185期，2026年6月，第260頁至此]枝罪」占大宗，但是在量刑資訊系統中之「槍彈刀械零件數量」項下，竟然未提供「改造槍」的選項，似乎只能選取「其他」，由於不符合刑事實務現況，大大減損了實用性。

而本研究團隊所採取的法學取向研究方法，基本立場是，量刑是一種法律適用，法官的量刑是在實定法的框架下作成（包括法定刑及加重減輕的處斷刑規定），所考慮的量刑因子是跟行為的不法與罪責建構有關的因子；並且根據刑事訴訟法第310條的規定，有罪判決書應記載科刑時就刑法第57條或第58條規定事項所審酌之情形，因此，原則上，法官作成量刑決定所考慮的「量刑因子」，都會寫在判決理由的「量刑段落」，而不需要在判決書的犯罪事實中自行尋找與猜測。

從此基本立場出發，在本研究中，我們以「量刑因子」泛稱所有可能會影響量刑結果的因素。刑事案件的「量刑因子」主要包括法定加重減輕事由以及刑法第57條的量刑審酌事項。一般而言，法官在考量這些量刑因子在個案的適用性時，一定需要考慮相關案件的「犯罪事實」與其構成要件是否符合。但是本研究認為「犯罪事實」本身只是判斷哪些量刑因子可以適用的必要條件而非充分條件，並不適合跳過在個案整體背景下無條件即可認定對量刑的影響。在此基本立場下，本研究認為應考量不同罪名經常適用之法定加重減輕條文不同，以及所適用之刑法第57條本身之審酌事項也有不同。因此，若能對個別不同罪名的法條適用情形及量刑結果先進行分析，把對於該罪名最相關的因子列出，應可提高量刑資訊系統之可參考性及使用率。

最後，這裡必須強調，從犯罪事實設定量刑因子之研究方法仍有其意義，尤其是也可能用以找出法官「沒有寫在判決理由中，但實際對量刑結果有影響」的因子（例如是否有因為種族或區域而輕重歧異的情形），而必須在量刑改革中被檢討。[原始來源：政大法學評論185期，2026年6月，第261頁至此]

(三).        研究方法的差異

如前所述，司法院的「量刑資訊系統」設立的背景是要協助法官能夠從過往的判決中找到合適的資訊（如量刑因子或裁判書）作為其個案量刑的參考。但是為了避免直接影響法官對於個案的判斷或量刑，這個量刑系統從設計之初就只是提供「敘述統計」的結果。也就是說只能根據所輸入的篩選條件（如案件類型、年份、相關事實與加重減輕事由等），找出符合條件的裁判書，並將其刑期或罰金作一個統計圖表的呈現。系統也一併提供最高與最低刑期，還有平均刑期供法官參考。雖然這樣的敘述統計內容是法官量刑考量的基礎，但是本團隊認為所提供的資訊只能讓法官評估其個案的刑期大約落在哪個範圍，但是無法提供明確的相關因子比較或可能的理由，遠遠不足以協助法官作量刑上的評估。

本研究團隊所採取的法學取向研究方法認為，量刑研究不能停止於最基礎事實呈現的「敘述統計」，也應該加入注重量刑因子與量刑結果之間關聯性的「推論統計」。舉例來說，同樣都是法定減輕事由，依據刑法第59條的「情堪憫恕」條文與依據刑法第30條的「幫助犯」，哪一個對於量刑最後的量刑結果有最大的影響？而法官又是根據甚麼原因作這樣的考量？又如同刑法第57條中羅列的10款量刑審酌事項，被告的「動機與目的」與「犯罪後之態度」兩者，又是何者對量刑的考量影響較大？而這些考量因素之間是否有關聯性，以至於法官考量其中一個因素的時候是否常常也會同時考慮另一個，或刻意排除另一個？這樣的分析與評估，雖然也只是根據過往的裁判書內容來統計，顯示法律執行的「實然面」而非「應然面」，但是仍是第一線法官或法學研究者所應該注意的面向，才能有效的評估這樣的判斷是否符合罪刑相當的理由與立法者的期待。這些分析都不可能只從目前的量刑資訊系統所提供的資料能輕[原始來源：政大法學評論185期，2026年6月，第262頁至此]易得到。

此外，近年來也有越來越多機器學習（Machine Learning）或人工智慧（Artificial Intelligence）應用進入法學相關研究或司法實務領域[31]。機器學習在法事實研究中的重要性主要體現在其卓越的資料分析能力，能有效處理大量法律資料如判決書和案例分析[32]，提取有價值的資訊和模式[33]，幫助研究者瞭解法律的適用情況與趨勢[34]。當然，在司法實務面，透過AI預測模型，機器學習還能幫助法律專業人士預測訴訟結果及違法行為發生率，提供重要的法律戰略支援[35]。這些技術的應用範圍廣泛，能跨越不同法律領域，減少傳統人為偏見的影響（但是當然也可能有來自於原始資料或演算法的偏見[36]，只是比較容易檢驗排除），並揭示傳統分析方式可能忽[原始來源：政大法學評論185期，2026年6月，第263頁至此]視的潛在關聯，從而提高法律研究的創新性。因此本研究認為，基於裁判結果的法事實量刑相關研究應該更為積極地納入機器學習的研究方法，為法學研究與司法應用提供強大的資料分析能力。

(四).        結果應用的不同

最後，目前的量刑資訊系統固然可以提供初步的量刑區間的敘述統計結果，供法官就其個案來參考，但是嚴格來說，除此以外幾乎沒有其他功能。事實上，也因為資料數量的限制以及目前過多參數的篩選，許多情形可能無法從這些複雜的選項中得到足夠數量的裁判書來作為法官參考的基礎。

本研究團隊認為，量刑的研究本身就含有「預測」性質，因此希望能對未來的個案可以提供有效的量刑區間評估。就這個目標而言，推論統計與機器學習的運用已經逐漸成為重要的方法之一。過去研究顯示，已有多種模型可用於量刑預測，例如決策樹（Decision Tree）、隨機森林（Random Forest）、支持向量機（Support Vector Machine），以及近年流行的極限梯度提升（eXtreme Gradient Boosting, XGBoost）與深度神經網路（Deep Neural Network, DNN）等。以梯度提升樹的代表XGBoost為例，其透過結合多棵決策樹及逐步優化進行預測，可高效處理結構化數據且具備一定可解釋性。除了預測的功能以外，機器學習也能夠更為有效的協助找尋出類似考量的裁判來供法官參考，或者篩選出量刑判斷異常的判決作個案深入研究。這些都顯示出法事實研究應用於量刑議題，有機會提供更多的結果來讓法學研究者或司法實務工作者（法官、檢察官、律師等）對裁判書中的量刑過程提供更多有價值的研究結果。[原始來源：政大法學評論185期，2026年6月，第264頁至此]

參、研究方法

一、研究資料範圍的選取(1)：地院判決

本研究所使用的確定判決，包括在地院第一審終結過後未再上訴，或是再上訴到高等法院或最高法院，最後改判或發回更審後定讞的判決。也因為這個緣故，本研究希望能儘量減少繫屬中的案件比例，因此需要將地院蒐集的判決日期往前推個幾年，無法以最新的判決書作研究對象。畢竟我們無法確定當事人或檢察官是否還會再上訴或是已上訴的判決是否仍在繫屬中而未定。這是法事實研究需要考慮的資料來源特色。

在這個限制下，本研究的地院判決的資料來源是司法院刑事廳委請統計處協助，針對所需之《槍砲彈藥刀械管制條例》（下稱《槍砲條例》）相關法條，進入統計處之資料庫搜索以一人一罪為主之案件。研究團隊以內容分析法進行行為客體及行為方式之綜合觀察，可發現判決書的篇數在不同法條之間的分布差異非常懸殊。舉例來說，像是第7條、第8條、及第12條，各條中之第2項「轉讓、出租、出借」的行為方式，以及各條之「未遂犯」的篇數都很少，無法做有意義的刑度統計分析。另外，各條中之第3項，也就是「意圖供自己或他人犯罪之用，而犯前兩項之罪」這種類型的判決，在本研究的統計區間內，案件數更是為零。以目前的資料可見，一人一罪之犯罪型態中是以「持有輕型槍砲或子彈」為大宗，占案件總數共約六成七。這也符合臺灣目前持有制式槍械較為少見，而是以改造槍械為主流之實務現況。

因此，為了讓研究的目的有一致性且可量化性，研究團隊初步選定範圍是《槍砲條例》第7條、第8條及第12條這三條案件（涉及重型槍砲、輕型槍砲及子彈等），在全國地院刑事第一審訴訟終[原始來源：政大法學評論185期，2026年6月，第265頁至此]結，案件中僅有一名被告且主文僅判決一罪之有罪判決，而案件的審議結案日期範圍是從2018年2月1日至2020年2月29日，共1,508篇判決。以上的審議結案日期的選擇是考量到《槍砲條例》曾於2017年6月修法通過，因此，選擇這個時間範圍比較不會受到新舊法不同的影響，此外，2019年2月22日大法官公布釋字第775號對累犯加重其刑的解釋[37]，我們蒐集前一年與後一年，作量刑的比較參考，主要是想瞭解此釋字公布後，對刑期是否有影響，從邏輯上看來，若法官對於累犯並不一律加重本刑的話，在此號解釋之後，應該會減少適用刑法第47條第1項加重其刑的規定，整體刑度應會降低。

本研究團隊透過人工方式進行標註和篩選，扣除非屬本次研究範圍85件（原住民案件[38]41件，少字案[39]6件，以及地院僅宣告徒刑或罰金之一之違法判決[40]及免刑判決及多人一罪等判決共計38件），得出1,423件屬於此三條文範圍的判決書。最後，考量到統[原始來源：政大法學評論185期，2026年6月，第266頁至此]計分析需要有一定數量的資料才能得到可靠的結果，本研究進一步篩選出第7條第4項、第8條第1項、第8條第4項與第12條第4項四個罪名，共計1,374篇地院判決作為本研究範圍內的地院判決，請見表一本研究範圍之統計數。

表一  本次研究範圍所蒐集的地院裁判書數量統計表

第7條第3項、第7條第5項、第8條第3項、第8條第6項與第12條第3項皆無相關裁判書，故不再列出。有加*的定罪法條為本文的研究對象。

二、研究資料範圍的選取(2)：確定判決

為進一步將司法院所提供之地院裁判書做上訴與否的確認，本研究採用Selenium（用於實現瀏覽器自動化需求的開源工具[41]）來[原始來源：政大法學評論185期，2026年6月，第267頁至此]模擬人類操作瀏覽器的行為，自動化搜尋表一中的地院判決是否上訴，並以Html Agility Pack套件[42]將各裁判書中的歷審判決資訊做下載。為求資料的有效性與一致性，本研究以2022年4月10日作為該判決上訴與否的確認。請見表二地院判決上訴結果統計表。

表二  地院判決上訴結果統計表

[原始來源：政大法學評論185期，2026年6月，第268頁至此]

三、人工標註過程與方法

本研究的人工標註過程主要是由四位法律背景的助理[46]於《槍砲條例》的7條第4項、第8條第1項、第8條第4項、第12條第4項進行判決書人工標註，總共分為三個階段：首先是試標註階段，隨機抽取40篇判決書給四位助理，根據標註結果來做一致性比對，並針對不一樣的部分做討論與調整，以此確認一致的標註原則。正式標註階段即為自己標註各自所分配的判決書，若有疑問可隨時提出討論，標註的結果在經過審查後會提出做討論，以此確認每位標註者的標註資料皆有符合標註原則的判斷。最後會將完成正式標註的資料隨機分配給其他標註者進行複閱，進一步檢查標註的正確性與一致性，以確保標註資料的嚴謹。

本研究的標註類型可分為選項式標註及語意式標註，選項式標註是要確認該判決書是否屬於一人一罪、是否屬於本次研究範圍，是否為想像競合、以及法定加重減輕事由是否適用。語意標註則是判斷刑法第57條所列出的量刑審酌事項有那些被考慮到，並且是否是對被告有利、不利或中性。法定加重減輕事由與量刑審酌事項皆與後續的量刑結果密切相關。

四、刑法第57條量刑審酌事項標註原則

科刑時就刑法第57條規定事項所審酌之情形，依據刑事訴訟法第310條第3款規定，法院應在有罪判決書之理由內記載之。所謂的審酌，參考訴訟上對於證據之審酌，是區分為對被告有利或不利之[原始來源：政大法學評論185期，2026年6月，第269頁至此]角度[47]，而且刑法第57條10款的內容都有可能對量刑結果有偏輕或偏重的影響，也就是對被告有利或不利的認定，因此，本研究認為，法官在量刑時，應在判決理由內表明對於哪些事項做了審酌，並且是做了何種評價方向（認為是對被告有利或不利）的審酌[48]。此外，司法院所頒布之《刑事案件量刑審酌事項參考手冊》[49]中，對於各款建議審酌事項中，也是區分「從重」與「從輕」量刑審酌事項，表明審檢辯學及政府代表與民間人士組成的焦點團體也贊同量刑時應有「評價方向」的概念，與本計畫的設計理念一致。只是目前實務上，大多數法官仍然沒有在判決內明確寫出評價方向，以至於有很多審酌事項根本無法檢驗法官到底是從重或從輕量刑，有待未來的司法實務加以改善。

由此基本立場出發，本研究將我國法院對刑法第57條量刑審酌事項的評價方向分為三類：對被告有利、對被告不利以及中性或不明確（無法辨別是有利或不利）。並且，標註的原則是以裁判書本身文字所呈現的評價方向為準，儘量不代入標註者的個人判斷。例如：「為防身之用而持有槍枝」，從標註者的主觀感受，可能認定是對被告有利之評價（因為並不是為了犯罪而持有），也可能認定為對被告不利（因為表示有可能拿來使用而傷人），討論結果還是要由判決文字本身前後文義觀察來決定。所依據的是法官描述時所使用的連接詞或語氣詞。例如「竟」或「僅因……即」等即屬於帶有負面評價之字句：「竟僅因於105年年底與人基於細故發生爭執，忌憚對方持有槍枝，為求自保、防身，即於106年年初逕向綽[原始來源：政大法學評論185期，2026年6月，第270頁至此]號『阿聰』之人購得扣案之改造手槍1枝」標註為「對被告不利」。又或「被告當時已遭人攻擊及眾人似有聚集上前圍毆之情境，被告持上開手槍僅朝地面射擊，而未朝人之身體部位開槍，可看出被告攜槍外出之動機，確僅係將之作為防身使用，並無傷人意圖，惡性尚非重大」標註為「對被告有利」。至於從裁判書文字本身看不出法官的意思，則標註為中性或不明確，例如「自述持上開槍、彈外出之目的係為防身之用」、「犯罪動機係因被告經營酒店與地方幫派發生糾紛，而收受槍、彈持以自保」、「被告自陳持有槍枝及子彈係用以防身之犯罪動機及目的」等。這樣的標註原則是避免由人工判別會代入個人主觀評價的落差，忠實顯示目前法官在裁判書中描述的心證與評價。

五、統計分析與機器學習

傳統的量化研究主要包括「敘述統計」與「推論統計」兩大類。敘述統計（Descriptive Statistics）主要用於對收集到的資料進行簡單的描述與總結。在本研究中，敘述統計主要是提供各類罪名的基本數量與刑期分布、各量刑因子（包括法定加重減輕事由與量刑審酌事項）出現的頻率、並分析符合某些特定要件（如是否有想像競合或考量釋字第775號的累犯情狀）之量刑結果有何不同，幫助研究者初步瞭解判決資料的基本特徵。推論統計（Inferential Statistics）則是透過統計模型與假設檢驗，使研究者可以從有限的樣本中得出關於整體資料的特徵。在本研究中，推論統計主要會用於研究各項量刑因子之間的關聯性，確認那些因素可能是法官會同時考慮而可能會互相影響的。至於各項量刑因子與量刑結果之間的關聯性，本研究將以機器學習而非推論統計作為主要的研究方法，因為推論統計的理論基礎是奠基於線性回歸，在可預測性上往往不如可以使用非線性函數模擬的機器學習更為直接且有說服力。[原始來源：政大法學評論185期，2026年6月，第271頁至此]

因此，本研究團隊使用所標註過的裁判書資料來訓練機器學習模型作量刑預測，藉此分析各量刑因子對於量刑結果的相對重要性。研究團隊先根據每個目標法條先以80：20的比例隨機切分為訓練資料與測試資料，確保最終評估時的測試資料與訓練資料完全獨立。但是隨機切分也有可能因為訓練資料與測試資料的樣態分布不一致而造成錯誤解讀，為了進一步針對訓練集做超參數調整及模型效能比較，我們將不同隨機切分的結果再作平均，以評估模型的穩定性與一致性。本研究的機器學習模型主要是採取可解釋性與效能同時都相當高的XGBoost [50]。XGBoost是一種基於決策樹的梯度提升機模型，其建模邏輯是反覆訓練一系列串聯的決策樹，每一棵新樹都學習修正前一迭代的預測誤差，最終將所有決策樹的預測加總以提高準確度。XGBoost的優點是能直接評估輸入因子的相對權重，且所需要的訓練資料數量無須非常龐大，只要不用於處理圖像或自然語言類型的資料，很適合應用於將判決書中的量刑判決因子進行相關特徵的編碼後訓練，並針對模型的輸入資料作量刑預測的結果。XGBoost模型的參數透過Grid Search優化，包括決策樹的數量、深度、學習率等，以達到驗證資料集上的最佳效果。

肆、研究發現：統計分析部分

本章呈現的是統計分析的研究結果。這裡要先說明的有兩點。首先，雖然本研究分別對地院判決與確定判決做了分析，但由於地院判決上訴後被撤銷改判的比例僅一成，導致地院判決與確定判決[原始來源：政大法學評論185期，2026年6月，第272頁至此]的刑期分布非常近似，因此，在二、三、部分將兩種判決分析併陳。其次，本次研究範圍的《槍砲條例》第7條、第8條及第12條，法律效果都是應併科罰金，而且罰金的金額都可達數百甚至數千萬元，但是實際上的判決結果，卻發現法院所判處之罰金遠遠低於法定罰金額度上限，以持有型犯罪為例，第7條第4項規定應併科之罰金為新臺幣1,000萬元以下，但約七成僅判處10萬元以下；第8條第4項規定應併科之罰金為新臺幣700萬元以下，但約九成僅判處10萬元以下；第12條第4項規定之罰金為新臺幣300萬元以下，約九成僅判處3萬元以下。如此低的罰金額度，著實令人懷疑處罰標準及目的為何？司法院量刑審酌事項參考手冊建議法院「關於併科罰金部分，宜注意審酌行為人資力及犯罪所得之利益。如所得之利益超過罰金最多額時，得於所得利益之範圍內酌量從重。」[51]這個幾乎只是照抄刑法第58條條文內容的參考標準，尤其是後段部分，在我國目前已有犯罪所得沒收規定的情況下，實應重新檢討，否則恐怕有違反重複評價禁止原則之虞[52]。至於審酌行為人資力部分，由於法院判決並未詳細寫出考量行為人之資力具體為何，因此無從檢驗。更重要的是，單純持有槍砲或子彈通常沒有涉及犯罪所得，因此，此部分似乎也不在此種犯罪類型的量刑審酌範圍內。那麼，法院實際上判處的超低額罰金，到底是根據甚麼標準而來？是否僅是為了符合應併科罰金的形式要求，而不是依罪責相當原則反應行為的不法內涵？這裡恐怕需要全面檢討《槍砲條例》的應併科罰金規定是否合理。[原始來源：政大法學評論185期，2026年6月，第273頁至此]

一、本研究範圍之上訴情況

以往的量刑研究絕大多是以地院判決為基礎，可能是因為地院的判決涵蓋了較完整的犯罪事實描述，可以對犯罪事實相關因子提供大量資料。但是本研究所採的法學取向之法事實研究方法，想找出的是實際上被告獲得的量刑結果，因此是以「確定判決」作為量刑研究的基礎。然而，我國目前並無確定判決資料庫，因此需要額外篩檢出確定判決，也就是從地院判決出發，先確定有多少地院判決上訴到高等或最高法院，並終局獲得確定，在過程中也藉機瞭解其中可能的原因與影響。

考量到不同法條之間的上訴比例和高等及最高法院[53]撤銷改判比例可能存在顯著差異的問題，本研究首先探討上訴比例及高等及最高法院撤銷改判在不同定罪法條中的比例（見表三）。本研究發現，在本次研究範圍的四個定罪法條中，上訴比例最高的是第8條第1項與第8條第4項，分別高達54.81%與47.38%，而第7條第4項卻不及前兩者的一半（第12條第4項更少）。但是第7條第4項所有上訴的14件判決中卻有10件被高院撤銷改判，撤銷改判比例（71.84%）遠高於其他法條。

表三 本研究範圍（確定判決）中各項定罪法條之上訴案件與被上級法院撤銷改判的件數（第2-4欄）。

[原始來源：政大法學評論185期，2026年6月，第274頁至此]

依據此三個基本資料，可以分別得到三個比例關係，從第5欄到第7欄分別是確定判決中上訴案件之比例（＝所有上訴案件之件數／本研究範圍之確定判決件數），上訴案件中撤銷改判之比例（＝上級法院撤銷改判件數／所有上訴案件之件數）以及確定判決中撤銷改判之比例（＝上級法院撤銷改判件數／本研究範圍之確定判決件數）。

 

而這些上訴判決中，究竟有多少是來自於被告上訴，多少來自檢察官上訴，本身的意義當然完全不同。表四即呈現，在上訴改判的148篇確定判決中，有8.11%是檢察官及被告均提起上訴，91.89%是僅被告提起上訴，但是並未出現僅有檢察官提起上訴但被告未提起上訴的案例。

表四  上訴案件撤銷改判判決的上訴人為被告或檢察官之比例

 [原始來源：政大法學評論185期，2026年6月，第275頁至此]

二、地院判決與確定判決之刑期分布

圖一、圖二、圖三展現本研究範圍的中三個較重的法條之宣告刑分布，分別對應第7條第4項（持有、寄藏或意圖販賣而陳列重型槍砲）、第8條第4項（持有、寄藏或意圖販賣而陳列輕型槍砲）以及第8條第1項（製造、販賣或運輸輕型槍砲）。可以很容易地發現，此三者之宣告刑都有雙高峰分布的情形：第7條第4項之法定刑為5年以上，15年以下有期徒刑[54]，而宣告刑較重的刑期約集中在5年至6年，較輕的刑期約集中在2年至3年；第8條第4項之法定刑為3年以上10年以下有期徒刑，而宣告刑較重的刑期約集中在3年至4年，較輕的刑期約集中在2年左右；第8條第1項之法定刑為處無期徒刑或5年以上有期徒刑，而宣告刑較重的刑期約集中在5年至5.5年，較輕的刑期約集中在2年左右。與各自原始法定刑上下限相比（圖一、圖二、圖三中以綠色外框呈現），較重刑期都明顯集中在法定刑下限附近，較輕刑期則已經在法定刑下限之下約二分之一處。後者顯然是因為法院適用了法定減輕刑罰規定調整了法定刑下限的緣故。[原始來源：政大法學評論185期，2026年6月，第276頁至此]

圖一  第7條第4項地院刑期與確定判決分布，總共有69件
（其中1件在確定判決為免刑）

圖二  第8條第1項地院刑期與確定判決分布，總共有107件

[原始來源：政大法學評論185期，2026年6月，第277頁至此]

圖三  第8條第4項地院刑期與確定判決分布，總共有921件
（其中4件在確定判決為免刑）

至於第12條第4項（持有、寄藏或意圖販賣而陳列子彈）的法定刑是2個月以上5年以下有期徒刑，宣告為6個月以下之短期自由刑者則占了九成七（地院268篇、確定判決269篇）。若單從宣告刑度觀察，完全牴觸了應儘量避免使用短期自由刑之刑罰論共識。一般談的短期自由刑是指6個月以下之有期徒刑，由於執行期間短暫，難以實施有效的刑事矯治計畫，而讓受刑人在監獄中與其他中或長刑期的受刑人雜處，反而造成更糟的影響，也就是這種短暫刑期，短得不足以使受刑人得到教化改善，但卻長得足以使受刑人近墨者黑，早已公認是一種弊多利少的刑罰手段[55]。在德國甚至直接在刑法總則明定，只有在例外情況下才可判處短期自由刑（德國刑[原始來源：政大法學評論185期，2026年6月，第278頁至此]法第47條第1項[56]），也曾有我國學者建議可將此條文內容增訂在我國刑法第57條之1[57]。不過在我國，為了避免短期自由刑之弊端，法院可另宣告「易科罰金」（刑法第41條第1項[58]）。由於第12條第4項持有、寄藏子彈罪符合「最重本刑為五年以下有期徒刑以下之罪」之要件，因此在槍砲案件之判決內也經常出現易科罰金之宣告。

總而言之，第7條第4項（持有、寄藏或意圖販賣而陳列重型槍砲）、第8條第4項（持有、寄藏或意圖販賣而陳列輕型槍砲）及第8條第1項（製造、販賣或運輸輕型槍砲）之宣告刑都有雙高峰分布之現象，較重刑期都明顯集中在法定刑下限附近，較輕刑期則已經在法定刑下限之下，顯然刑期是有偏輕的現象。對於刑期落在法定刑下限之下的情形，必須要檢驗法定減輕事由的適用，尤其是長期被詬病的刑法第59條是否有過度運用的問題，對此，請見以下四、之說明。至於第12條第4項（持有、寄藏或意圖販賣而陳列子彈）之宣告刑則幾乎全部都落在6個月以下。為了避免短期自由刑之弊，法院可同時宣告易科罰金，也就是被告可支付金錢代替入監服刑。在槍砲案件中，大多數法院均宣告以新臺幣1,000元折算一日[59]，換算起來，意指若被告有資力付18萬元，就可以不用服6個[原始來源：政大法學評論185期，2026年6月，第279頁至此]月刑期。從輕度刑期可搭配宣告緩刑或易科罰金、以及罰金也可搭配宣告易服勞役等法律規定及實務現況可知，若要完整探究法院之量刑結果，僅單純統計刑期及罰金多少恐怕並非充分的資訊，尤其是當被告及一般國民想要瞭解的刑罰結果是「要在監獄關多久」以及「要繳多少錢」時更是如此。根據本研究更進一步探討第12條第4項宣告6個月以下的有期徒刑，可易科罰金的比例為100%，可知若法院宣告徒刑並同時宣告緩刑或得易科罰金，實際效果極可能是「不用坐牢」。

三、地院與確定判決刑期之差異分析

除了地院判決被提起上訴與多少比例的上訴判決被撤銷改判，本研究所關心的另一個重點是，地院判決與確定判決的量刑結果是否有明顯的差距。若以圖一、圖二與圖三的整體刑期分布來看，兩者的差異似乎並不大。但是有一個約略的趨勢可以看出，似乎法定刑越重的案件（如第7條第4項與第8條第1項，兩者法定刑最低皆為5年以上），刑期受到調整的判決數量似乎也越多。

為了進一步研究高院的刑度與原始地院判決的刑度之間的關係，本研究以圖四的分布圖來呈現出所有有上訴的案件中（共計514件），其在地院的平均量刑分布與在高院的量刑分布有何差異。[原始來源：政大法學評論185期，2026年6月，第280頁至此]

圖四  所有上訴案件的地院判決與高院判決之間的刑期分布

 [原始來源：政大法學評論185期，2026年6月，第281頁至此]

a圖以盒鬚圖（Box Plot）[60]的方式表達出不同案件類型下，其刑期分布的平均值、中位數、四分位數、理論極大極小值以及異常值。右圖以散布圖的方式表達這些案件的刑期在兩個不同判決中的分布狀況，並且以斜直線的斜率代表不同定罪法條的線性回歸值，為有效呈現其分布，故將其分為兩張圖呈現，b圖為最低法定刑皆為5年以上有期徒刑之第7條第4項及第8條第1項之判決分布狀況；c圖為第8條第4項及第12條第4項之判決分布狀況。

從圖四我們可以發現以下幾個有趣的現象：

1.          可以發現高院的判決第7條第4項（持有、寄藏或意圖販賣而陳列重型槍砲）的案件中上訴的幾乎都是超過最低法定刑的5年。但是經過高院改判後，平均值與各樣中位數分布明顯比原地院判決減輕約10個月，少數案件甚至減輕多達24個月（2年）。

2.          第8條第1項（製造、販賣或運輸輕型槍砲）的案件，地院原始的判決就將近有一半是低於5年的法定刑，代表有減輕刑期。因此高院改判變輕的情形比較不明顯，無法在統計結果上看出。但是從散布圖可以看出比較多改判的反而是地院判決低於72個月（6年）的案件，有些甚至是高院改判變得較地院重，代表可能有原審適用法條不當被撤銷調整的結果[61]。

3.          第8條第4項（持有、寄藏或意圖販賣而陳列輕型槍砲）的案件在地院判決中都顯示出有相當大的極端異常值，可能代表這類案[原始來源：政大法學評論185期，2026年6月，第282頁至此]件的情形相當多樣而不容易有一致性的量刑原則。但是在上訴後，原來高於60個月（5年）的地院判決幾乎都被改判成低於5年，而原來大約在40個月（約6-7年）的地院判決也有相當比例（但並非全部）減輕到20-40個月（約2-6年）。

4.          第12條第4項（持有、寄藏或意圖販賣而陳列子彈）的案件雖然也有上訴後被減輕的情形，但由於減少極為有限甚至難以辨認，也很可能都可易科罰金，所以此處就不再討論也未列在圖四以例呈現其他定罪法條的結果。

以上的結果，整體而言可以看出，上訴到高院改判後的刑期大部分都是比地院輕的，這一點其實可以由我國的刑事訴訟規定的不利益變更禁止原則來說明。《刑事訴訟法》第370條第1項：「由被告上訴或為被告之利益而上訴者，第二審法院不得諭知較重於原審判決之刑。但因原審判決適用法條不當而撤銷之者，不在此限。」本條不利益變更禁止原則的設計是避免被告畏懼上訴且確保被告上訴自由權之行使。只有兩種情形為例外：一種是檢察官也提起上訴（也就是雙方皆上訴），另一種雖只有被告提起上訴，但上級審以原審適用法條不當因而撤銷原審判決時。由於只有這兩種情形下，上級法院才可以諭知較重於原判決之刑度，因此若僅比較所有有上訴判決（不論改判與否）的地院及確定判決刑度，不難想像可以看出整體刑度應該是會往下降的。

因此，本研究接著比對若單看有上訴改判的判決，相較於地院判決的結果，有上訴改判判決的刑期會比地院判決結果來的輕，是符合「不利益變更禁止」之規定。但是具體適用的情形又因為不同的犯罪型態與地院刑期而可能有所不同（此處暫時先假設其他量刑因素是隨機而暫不考慮）。約略來說，第7條第4項與第8條第4項都是屬於「持有、寄藏或意圖販賣而陳列」槍砲，高院法官傾向於將原先高於法定刑下限的地院判決改判減輕，但是對於第8條第1項[原始來源：政大法學評論185期，2026年6月，第283頁至此]（製造、販賣或運輸輕型槍砲）似乎傾向於將地院刑期略為調高。這可能因為相較於第4項「持有、寄藏或意圖販賣而陳列」之罪，第1項之罪較重，檢察官可能同時有上訴，因此上級法院可以將刑期上調。

但是此處需要強調的是，高等法院法官對於個別案件如何量刑或改判顯然不可能只憑罪名或地院的刑期來決定，而是需要全部重新考量犯罪事實、所適用的法條與量刑審酌事項。所以以上的統計分析只能說明整體判決的傾向，無法也不應該應用於任何個案的情形。以實證研究的角度而言，此時應該深入瞭解那些被改判的案件中，高院法官主要或常見的理由為何，需要進一步的檢視相關的卷證內容才行，不屬於本次量化研究的範圍。

四、法定加重減輕事由的適用比例

在司法實務上，有幾個關於刑期的概念須先予說明：「法定刑」是立法者對於各種犯罪的法律效果，預先規定一定的刑度上下限（例如有期徒刑5年以上10年以下），讓法官在此範圍內可以根據具體個案情狀來量刑。不過立法者基於刑罰目的及刑事政策之需要，也有明文規定法官可以加重、減輕、免除法定刑之具體事由，據以調整刑罰裁量的處斷範圍，稱為「處斷刑」。最後，法院再在法定刑、處斷刑範圍內，考量刑法第57條的量刑審酌事項，確定刑罰種類以及要科處的刑度而為宣告，才會具體形成「宣告刑」，也就是判決主文中記載的刑種及刑度[62]。若一個被告同時觸犯不同的罪名卻一併審理，則還有一個「定執行刑」來確定被告實際上需要被執行的刑期。但是本研究僅著重於一人一罪的判決，因此不討論「定執行刑」的問題。[原始來源：政大法學評論185期，2026年6月，第284頁至此]

在本研究之槍砲案件中，研究團隊根據研究範圍中進行人工標註的地院判決統計法定加重與法定減輕的事由，也就是確認那些加重減輕事由是最常被法官引用作為處斷刑的依據。這部分的研究並未加入高院的確定判決，原因在於習慣上高院法官也不會針對地院判決書中符合其心證的部分詳列各項因素，僅會就與地院判決的理據或心證認定有所不同處加以澄清或論述。因此高院的裁判書結構與法官撰寫的重點往往與地院判決有所不同，需要更為仔細地就個案情形來區別出相關因素，恐不容易按照本研究所採取的量化統計方式來作確認。但是表三已經顯示，在本次研究範圍的1,341件判決中，僅有148件是被高等及最高法院撤銷改判，比例僅約11%，所以此處以地院判決為主的法定加重減輕事由研究結論應該仍然對整體的研究範圍來說有相當的代表性，即使考慮這148篇中的少數在高等法院被調整了法定加重減輕事由，應該也不至於影響整體確定判決的結果。

表五顯示不同罪名的案件所引用的法定加重減輕事項之比例。我們首先可以看出，在本計畫研究之槍砲彈藥案件中，雖然有數種法定加重事由的適用可能，但法官最常引用的法定加重刑罰事由是刑法第47條第1項關於累犯得加重本刑之規定，其他條文之引用率則為0。從刑法規定的條文解讀，刑法第47條第1項規定：「受徒刑之執行完畢，或一部之執行而赦免後，五年以內故意再犯有期徒刑以上之罪者，為累犯，加重本刑至二分之一。」本條是「必」加重之規定，因此只要符合累犯之要件，法院就應加重本刑。加重其刑的計算方式規定在刑法第67條：「有期徒刑或罰金加減者，其最高度及最低度同加減之。」而且由於表五所統計罪名之法定刑均為有期徒刑併科罰金，因此，再依刑法第69條：「有兩種以上之主刑者，加減時併加減之」。

至於法定減輕事由，本研究發現最常被引用的是刑法第59條俗[原始來源：政大法學評論185期，2026年6月，第285頁至此]稱的情堪憫恕條款（142篇），第二及第三常適用的條文則是《槍砲條例》第18條第1項自首[63]（169篇）及第8條第6項有關空氣槍之罪[64]（82篇）。值得探討的是最常引用的刑法第59條：「犯罪之情狀顯可憫恕，認科以最低度刑仍嫌過重者，得酌量減輕其刑。」本條規定是「得」減刑而非「必」減刑，因此是由法官裁量決定是否要引用本條減刑。減刑的計算方式規定在刑法第73條：「酌量減輕其刑者，準用減輕其刑之規定。」再依刑法第66條：「有期徒刑、拘役、罰金減輕者，減輕其刑至二分之一。但同時有免除其刑之規定者，其減輕得減至三分之二。」這裡的「至」按照實務作法，指的是最多的意思，也就是第8條第4項原始法定刑是有期徒刑3年以上10年以下，最多可減至下限為1年半，上限為5年以下；原始罰金是併科700萬元以下罰金，最多可減至350萬元以下。

從較輕宣告刑之刑度高峰落在2年左右之情形可看出，實務上我國法院引用第59條裁量減刑的原因，很有可能是想同時依第74條宣告緩刑[65]，因為得宣告緩刑的前提是被告「受兩年以下有期徒刑、拘役或罰金的宣告」。如果這個猜測為真實[66]，代表在決定量[原始來源：政大法學評論185期，2026年6月，第286頁至此]刑階段，法官已經有考量後續執行階段的因素了。

表五  本研究所考量之所有法定加重減輕事由在不同罪名法條中之適用比例

 [原始來源：政大法學評論185期，2026年6月，第287頁至此]

[原始來源：政大法學評論185期，2026年6月，第288頁至此]

五、量刑審酌事項的適用比例

在依據法定加重或減輕事由調整法定刑的上下限幅度後，接下來法官應依據刑法第57條規定審酌一切情狀，決定最後的刑期。此處有幾點要先予說明，第一點，本條雖列出10種量刑審酌事項，但從條文文字「尤應注意」可知，這10款並非「列舉事項」，只是「例示事項」而已。因此，理論上，法院可以審酌10款以外之其他事項。不過，基於我國刑事法長期對於刑罰論之忽視，在司法實務上對於這10款事項本身如何適用，已經問題重重，且在槍砲彈藥的判決中也幾乎未見法官考慮這10款以外之其他事項者，因此，本研究原則上還是以這10款事項為基本範圍。第二點，對持有型之槍砲彈藥案件來說，法官一般都會在判決書中提及持有槍彈的時間長短或數量，有時也會加以若干評語（例如：持有時間長達3年之久，對社會治安之潛在危害性匪淺，所為應值非難[67]），這點其實可以歸入「所生危險或損害」的量刑審酌事項，不過在本研究中，則把時間及數量列為獨立的事項呈現。第三點，刑法第57條的10款未必在所有犯罪類型或個案中均會出現，而且並不具有相同重要性，因此本研究認為應該針對不同案件類型，找出最重要及最相關之因子研究，才是最有實益及效率之方式。例如本研究之槍砲彈藥案件，原則上沒有具體被害人[68]，因此，像是第7款犯罪行為人與被害人之關係，或其他案件也經常會考慮的是否與被害人達成和解或給付賠償等事項，在本研究中幾乎都沒有被法官提及。

在考慮上述針對槍砲彈藥案件的特殊考量後，並透過對此類案[原始來源：政大法學評論185期，2026年6月，第289頁至此]件裁判書的詳細標註，本研究於表六列出幾個槍砲彈藥案件最常見的量刑審酌事項，包括犯罪後之態度、被告素行、所生危險與或損害、動機或目的、持有槍彈的時間、持有槍彈的類型或數量與不分類（其他量刑相關考量）。此處須說明的是，本研究判斷「持有槍彈的時間」或「持有槍彈的類型或數量」等因素時，並不是有先入為主的一個判斷標準，認定持有槍彈多久以上的時間是不利於被告，或是持有多少數量以下是有利於被告。本研究的標註方式，一如其他的量刑審酌事項，是直接考慮法官之判決文字是否有明顯表露出評價方向者（對被告有利或不利）。如果判決書的文字中並沒有清楚描述，就會被歸類於「中性或不明確」。從表六可明顯看出，法官幾乎只有對「犯罪後之態度」、「被告素行」及「犯罪所生之危險或損害」這三者有做出有利或不利的評價，比較能看得出對量刑的影響（也就是有提及且非中性的比例明顯比較高者）。其他各款，若非沒有被提及就是幾乎只單純列出而未作評價（歸類為中性），其實無法判斷是否對量刑有影響。

表六  量刑審酌事項之適用性與評價方向於各定罪法條中所占之比例

[原始來源：政大法學評論185期，2026年6月，第290頁至此]

 

而在對量刑比較多有評價判斷的三個因素當中（即「犯罪後之態度」、「被告素行」及「犯罪所生之危險或損害」），「犯罪後之態度」幾乎在各罪名中皆占有八成左右為對被告有利，比例相當高。同樣的，「犯罪所生之危險或損害」的因素中，顯然有過半是對於被告有利。以上這兩個因素可能可以解釋為何法官的量刑（不管是否有加重事由）幾乎皆以法定刑的下限為主。相較起來，「被告素行」這個因素雖然有至少一半以上甚至到八成的判決皆無提[原始來源：政大法學評論185期，2026年6月，第291頁至此]及，看似對量刑影響不大，但是法官若有提及則多數會有較為明確的價值判斷，對被告有利或不利的機率雷同，但在第7條第4項與第8條第4項（持有、寄藏或意圖販賣而陳列重刑或輕刑槍砲）中則較多為對被告不利。

在對量刑影響不大的因素當中，最常出現的是在「不分類（其他量刑考量）」的項目，舉例而言，如被告「自陳學歷為高中畢業，現從事販賣水果之工作，未婚、無子女，需照顧母親、外婆」、「現從事快遞業務、教育程度為高中肄業」、「已婚、育有一子之家庭生活狀況、高職肄業之智識程度」。這些描述完全看不出該因子是否及如何影響法官量刑決定，僅單純做描述性記載而無任何評價方向，因而在本研究中被標註為中性。

其實，刑法第57條可考慮之量刑審酌事項有一個很重要的共通要件是：該量刑因子與構成要件不法之間應具有內在關聯性[69]。我國刑法和德國刑法相同，都是行為刑法，而不是行為人刑法，因此，量刑是針對被告具體的某個犯罪行為而定，量刑審酌事項當然也應該跟具體犯罪行為有關才能被考慮。德國刑法第46條與我國刑法第57條內容與結構非常類似，其量刑事項中也有「行為人個人與經濟狀況」這一項。當中的「行為人個人狀況」所考慮的是例如被告的年齡（青少年因身心發展尚未成熟或老年人可能因體力衰退而較無法控制身體行動）或酗酒習慣（有飲酒習慣之人對酒精容受度會比不喝酒的人來得高）等等影響了犯罪行為的實現以及被告的可責性，所以可以影響量刑。而「行為人的經濟狀況」則尤其會在財產犯罪產生關聯，例如被告去大賣場竊盜，如果是因為被告突然被解僱，經濟突然陷入困境，是為了讓家中幼兒溫飽才去偷食物，那麼在量刑時就可以做對被告有利之考量。[原始來源：政大法學評論185期，2026年6月，第292頁至此]

對照我國司法院對槍砲彈藥案件提出之量刑審酌事項參考表，其實也有類似的關聯性考量，例如對「犯罪行為人之生活狀況」建議之從重量刑理由就列出「行為人於緩刑或假釋中再犯本條例之罪者」、「行為人以製造、運輸、販賣槍砲、彈藥、刀械為業者」，以及「行為人以討債為業，因討債而犯槍砲條例之罪者」這三點；對「犯罪行為人之智識程度」若建議之從重量刑，則列出「行為人擁有槍砲、彈藥、刀械之專門知識、經驗、技能（例如曾在兵工廠服役或是研究物理材料科技）而利用上開專門知識、經驗、技能犯槍砲條例之罪者」[70]。無論如何，法官如果要審酌某個事項，在判決理由中就必須清楚寫出審酌的原因及結果，單純做描述性記載並沒有履行法院進行審酌／審判的義務。尤其，對於被告個人狀況如果只是單純描述性記載，反而可能造成民眾誤解的反效果（因為學歷不高，所以輕判？），實應避免之。

六、量刑因子之間的關聯性

前文已經使用敘述統計的方式討論過本研究所專注的量刑因子（包括法定加重減輕事由與量刑審酌事項）之適用比例。接下來，本研究也反過來檢視這些與量刑結果相關的量刑因子「彼此之間」的關聯性（correlation）如何？例如是否可能在某些罪名的案件中，A因素與B因素雖然在邏輯上並無必然的關聯性，但是卻常常同時適用或同時不適用，造成表面上看不出來卻實質存在的關聯性。若是如此，即便這兩個因素在概念上互相獨立，但是在實務上卻可能代表有某個隱藏的因素是這兩者共同的原因，對於如何詮釋這些考量因素有重大的影響。此處我們可以藉由前兩節所研究的法定加重減輕事由與量刑審酌事項作為量刑因子來研究，透過推論統[原始來源：政大法學評論185期，2026年6月，第293頁至此]計的關聯性計算來找出之間可能的關係，希望可以更完整的呈現出司法實務上量刑考量背後的深層結構，而非僅是表面的考量因素強弱。

為了計算這些量刑因子之間的關聯性，本研究需要先對各裁判書的量刑因子做編碼。例如，如果某個法定加重（或減輕）事由有被法官認定為適用，則標記為＋1，反之則為0。若法官認為某個量刑審酌事項是對被告有利，則標記為＋1，不利則標記為1，而其餘（包含中性或不確定以及未提及）皆標記為0。然後針對同一個定罪法條中任意兩個量刑因子來作計算其關聯係數（r）：也就是因素A出現時，因素B也同時出現的機率有多少。若這個關聯性則稱之為低度相關，稱之為中度相關，而則稱之為高度相關。若為正值則代表這兩個因素較常一起出現，反之若為負值則代表這兩個因素較常不會一起出現。

不過此處需要說明的是，由於是否適用加重或減輕法條、以及量刑審酌事項是否被標註為對被告有利或不利，顯然是與量刑調整的方向有密切相關。因此我們在解讀這個相關係數時，除了可以視為「是否有哪些因素常同時出現或同時不出現」的機率，可能更可以理解為「是否有哪些深層原因使得法官會強化其加重或減輕量刑的考量」。當然，表面的統計數據並無法告訴我們對這類問題的直接答案，但是卻是以另一種方式來瞭解整體量刑評估的樣貌。[原始來源：政大法學評論185期，2026年6月，第294頁至此]

表七  不同定罪法條的案件，其量刑因子（包括法定加重減輕事由以及量刑審酌事項）之間的相關係數

 (a)、(b)、(c)與(d)分別是違反槍砲條例第7條第4項、第8條第1項、第8條第4項與第12條第4項。法定加重減輕事由當中，如果沒有在某定罪法條的[原始來源：政大法學評論185期，2026年6月，第295頁至此]判決中出現過的，就都被移除以簡化圖表，因此不同的罪名中列出的加重減輕事由[71]不盡相同。最後，計算所得的相關係中，屬於中度相關（0.3< r <0.7）的以淺底色標出，而較高的低度相關係數（r <0.3）也以斜體字表達，以方便比較。為了有效呈現，本圖表以簡稱表示各量刑因子。

從表七的相關係數，我們可以得出以下幾個發現：

1.          絕大多數的相關係數都是低於0.3，屬於低度相關。但有趣的是，具有中度關聯性的因素是出現於違反《槍砲條例》第7條第4項（持有、寄藏或意圖販賣而陳列重型槍砲）與《槍砲條例》第8條第1項（製造、販賣或運輸輕型槍砲）。而這兩個罪名的法定刑都為5年以上的重罪。其他兩個較輕的罪名所使用的量刑因子之間都沒有中度的關聯性。

2.          在《槍砲條例》第8條第1項中的法定加重（刑法第47條，累犯）與刑法第59條（情堪憫恕）或量刑審酌事項中的「被告素行」有較高的負關聯性（r <0）。這顯示當法官認定被告有累犯的情事時，也有蠻大的機率會認為不足以適用刑法第59條且認為被告素行不佳（有前科）。

3.          在第8條第1項的案件中，刑法第59條適用，《槍砲條例》第8條第6項（空氣槍）、量刑審酌事項的「動機目的」與「被告素行」四者之間有中度的關聯性，代表這三者減刑的原因往往會是同時考慮。而這一點在第7條第4項也有類似的結果，只是相關係數沒有那麼大，而重刑槍砲的案件中顯然不可能適用第8條第6項（空氣[原始來源：政大法學評論185期，2026年6月，第296頁至此]槍）的減刑。

4.          第7條第4項的案件中，很明顯可以看到量刑審酌事項中的槍砲「持有時間」與「類型數量」皆與刑法第59條的適用、量刑審酌事項中的「動機目的」與「犯後態度」有關，顯示法官對於這個重型槍械的量刑特別著重於數量（包括持有時間），並且將之作為減刑的理由。相較起來，同樣都是法定本刑5年以上的第8條第1項（製造、販賣或運輸輕型槍砲），或是其餘兩個較輕的罪名，就沒有對這個數量或時間有明顯的關聯。

從以上簡要的關聯性分析，本研究發現法官在量刑時，對於法定刑較重的罪名（此處如第7條第4項與第8條第1項），只要符合減刑的條件，通常會同時羅列出更多相關的理由來強化其減刑幅度的合理性，因此會有較多的量刑因子彼此高度相關。反之，對於法定刑較輕的罪名（此處如第8條第4項與第12條第4項），就不會特別積極，也因此各量刑因子彼此間的關聯性都比較低。這個使用減刑因素的主觀態度也是本研究的主要發現之一

七、想像競合與否對量刑的影響

為更進一步探討想像競合與否及加重減輕法條對量刑差異的問題，本節針對判決書數目最多的違反《槍砲條例》第8條第4項（持有、寄藏或意圖販賣而陳列輕刑槍砲）的案件之量刑分布來作研究。也就是將量刑結果先區分為是否有考慮想像競合兩大類，再根據兩者所共同適用的法定加重減輕事由來細分比較。至於其他三個定罪法條，由於整體的數量比較少，若再區別是否有想像競合則可能不容易有統計上的意義，故於此處先行省略。

圖五顯示一個有趣的結果，就是不管是否適用想像競合，基本的量刑原則都是一樣的：若無減輕事由，多數落於最低法定刑的3年（36個月），但如果有減輕事由則幾乎多為直接砍半到18個月左[原始來源：政大法學評論185期，2026年6月，第297頁至此]右。但是還是可以看出，在法官認定構成持有槍砲與子彈想像競合的時候，平均刑期的確比單獨只有持有槍砲的情形更偏重一些，只是差異為6個月以內。

圖五  《槍砲條例》第8條第4項之想像競合與否所造成的量刑分布

a到d圖分別顯示在幾個數量較多的加重或減輕事由中，有適用想像競合（藍色）或未適用想像競合（紅色）在量刑分布上的差異。[原始來源：政大法學評論185期，2026年6月，第298頁至此]

八、司法院釋字第775號對量刑的影響

對於累犯不分情節輕重，一律加重本刑之規定，司法院大法官於2019年2月22日公布釋字第775號解釋，認為「惟其不分情節，基於累犯者有其特別惡性及對刑罰反應力薄弱等立法理由，一律加重最低本刑，於不符合刑法第59條所定要件之情形下，致生行為人所受之刑罰超過其所應負擔罪責之個案，其人身自由因此遭受過苛之侵害部分，對人民受憲法第8條保障之人身自由所為限制，不符憲法罪刑相當原則，牴觸憲法第23條比例原則。於此範圍內，有關機關應自本解釋公布之日起2年內，依本解釋意旨修正之。於修正前，為避免發生罪刑不相當之情形，法院就該個案應依本解釋意旨，裁量是否加重最低本刑」。對於此段文字，到底在實務上應該如何處理刑法第47條累犯加重規定，有學者從理論面向整理大法官數則協同／不同意見書，提出「一律適用」、「區分適用」、「限制區分適用」等不同可能性[72]，也對高等及最高法院的實務判決作分析[73]。而本計畫則從地院判決來研究此釋字公布後，對刑期是否有影響。研究的假設是：從邏輯上思考，若法官對於累犯並不一律加重本刑的話，在此號解釋之後，應該會減少適用刑法第47條第1項加重其刑的規定，那麼整體刑度應會降低。不過研究結果顯示，幾乎沒有影響。

為了比較釋字第775號所可能對累犯刑期帶來的影響，本研究的資料蒐集範圍特別區分出2019年2月22日釋字第775號公布之前一[原始來源：政大法學評論185期，2026年6月，第299頁至此]年（2018/02-2019/01）的案件與之後一年（2019/03-2020/02）的案件來作比較。2019年2月份的案件因為是釋憲公布的當月份，故先移除，避免因為判決撰寫的時間中法官的預期心理或接受訊息的時間差而造成的偏誤。此處我們仍以案件數目最多的第8條第4項為範例，將結果呈現在表八。但是，在本研究的標註過程卻發現仍有少數判決並未載明考量釋字第775號之意旨。

為了仔細評估適用刑法第47條的判決中，其量刑結果是否真的有產生比較明顯的加重處分，本研究先區分「非累犯」及「累犯」的判決，而有「累犯」的判決中再區分出「有適用」及「未適用」刑法第47條第1項加重其刑至二分之一之案件。從表八可以看出以下幾個現象：釋字第775號公布前或後，累犯之刑度幾乎沒有甚麼差別。整體刑度輕重的規律是：累犯且適用刑法第47條第1項加重本刑之平均刑度（約37個月，不管在釋字第775前後還是是否有提及）＞累犯且不適用刑法第47條第1項之平均刑度（約34個月）＞非累犯之平均刑度（約32個月）。但彼此間之差異也僅2、3月而已，仍在本研究的誤差範圍內。即使是累犯且適用刑法第47條第1項加重本刑之規定，平均刑度（約37個月）也只比法定刑下限（36個月）多了1個月而已，也就是在法定「加重其刑至二分之一」的範圍內所能加的最低幅度。因此整體而言，雖然釋字第775號解釋以及相關文獻上對累犯加重其刑規定有很多學理及法政策上之檢討，甚至也有應予刪除規定的建議等等，若從對實際宣告的刑期影響來看，至少在本研究範圍之槍砲案件中，在司法實務上可以說幾乎沒有任何影響。[原始來源：政大法學評論185期，2026年6月，第300頁至此]

表八  釋字第775號公布前後，第8條第4項非累犯及累犯之平均刑期對照

 

伍、研究發現：機器學習部分

機器學習作為一個量化研究工具，與一般的統計模型最大的不同是透過大量資料計算所得到的強大的非線性擬合能力，往往能夠更為有效地應用於資料分類或結果預測的應用上。本研究使用機器學習主要是藉由控制輸入的特徵（也就是量刑因子，包含法定加重減輕事由與量刑審酌事項），對其刑期進行預測再來反推那些因子才是相對重要的。

一、模型預測的準確性與穩定性

為了有效評估各量刑因子的相對重要性，本研究需要先建立一[原始來源：政大法學評論185期，2026年6月，第301頁至此]個可以有效準確預測刑期的機器學習模型。為了讓預測效果穩定且可靠，此處僅先就判決數量最多的罪名，也就是違反《槍砲條例》第8條第4項為主。如本文前述，模型是選用具有解釋力且不需太多資料就足以穩定的XGBoost。由於所預測的刑期為連續變數，因此在評估準確度時，本研究將以常用的平均絕對誤差（Mean Absoluter Error, MAE）來檢測，也就是平均而言，模型所預測的刑期與該案件真實的刑期之間的差距（以月為單位）。

在使用全部特徵（涵蓋法定加重減輕法條與量刑審酌事項）進行訓練，所得到的模型預測刑期之平均絕對誤差（MAE）為4.42個月。考慮第8條第4項的法定刑是3年（＝72個月）且主要是以雙峰的形式分布在12-60個月之間，MAE＝4.42月應該算是有相當的準確性。

圖六  隨機分割訓練資料與測試資料的交叉預測結果的
標準差與其對應的判決數量

[原始來源：政大法學評論185期，2026年6月，第302頁至此]

其次，由於每一次訓練與預測的所使用的資料不能混合，所以不同切分訓練／測試資料的方式也可能帶來不同的預測結果。本研究將所有的判決書資料均分為10份，每次取其中8份作為訓練資料，2份作為測試資料，因此這樣的搭配下總共有種分配方式。在這45種分配方式所各自訓練的模型中，每一份都有45/10×2＝9次被抽中來做測試資料。我們可以計算這9次交叉預測（每次使用不同的訓練資料）的結果彼此間的一致性來瞭解整體樣本的情形。

圖六表達出這個交叉預測下各樣本被多次預測後的標準差分布，每次的模型皆由不同的訓練資料來訓練。我們可以發現絕大多數的判決的標準差0.5（月）以內，說明整體的資料有一致性使得預測結果高度穩定。僅有極少數的判決在這交叉預測中展現標準差大於1個月。

二、量刑因子類型的比較

為進一步瞭解各模型在進行量刑預測時所依賴之核心判斷依據，我們首先比較以下三種輸入特徵所訓練的模型效果，分別是「法定加重減輕事由＋量刑審酌事項」、「僅使用法定加重減輕事由」、「僅使用量刑審酌事項」。前節已經說明如果使用所有的量刑因子，也就是「法定加重減輕事由＋量刑審酌事項」，所得到的MAE＝4.42月。但是如果「僅使用法定加重減輕事由」，我們亦可以得到MAE＝4.59月的結果。顯示即便只有使用法定加重減輕即可以相當好的重現原本模型的預測結果。反之，如果我們「僅使用量刑審酌事項」作為輸入的特徵，則會發現MAE＝8.26月，明顯增加不少。這代表法官在從法定刑到最後的宣告刑之間，很可能單單根據被告是否符合法定加重或減輕事由即可以相當程度的決定量刑結果（處斷刑）。刑法第57條所羅列的量刑審酌事項，至少在我們目[原始來源：政大法學評論185期，2026年6月，第303頁至此]前檢視的罪名，違反《槍砲條例》第8條第4項（製造、販賣、運輸輕型槍砲），影響是非常少的。不過對於其他案類或罪名，例如妨害性自主案件中是否與被害人和解，可能會是法官考量量刑的重要因素。那就需要針對不同罪名個別研究才能確認。

此外，我們也注意到，以上三種特徵組合模型的模型，所預測結果的標準差亦有不同。結果顯示，「僅使用法條」的模型在預測穩定性上表現最佳，其平均標準差（Mean of Std.）僅為0.2，表示各次交叉預測結果高度一致，甚至優於「法定加重減輕事由＋量刑審酌事項」的結果（Mean of Std.＝0.38）。相較之下，「僅使用量刑審酌事項」的模型不但有較大的誤差（如前所述的MAE＝8.26月），也出現最高的預測波動（Mean of Std.＝0.58）。這結果顯示，單單根據量刑審酌事項對被告的有利或不利資訊，會對模型預測結果帶來較高的不一致性（雖然平均的誤差會減少一點點）。這代表量刑審酌事項的使用，反而容易對於量刑結果帶來混淆，可能會是司法實務上需要更為注意的地方。以上的計算結果以表九呈現。

表九  違反《槍砲彈藥刀械管制條例》第8條第4項在各特徵組合下所訓練的模型之預測結果誤差MAE（表達模型準確度）與其交叉預測的標準差（表示模型穩定度）

[原始來源：政大法學評論185期，2026年6月，第304頁至此]

三、個別量刑因子的重要性

為了進一步研究各個量刑因子的相對重要性，本研究在使用所有法定加重減輕事由與量刑審酌事項作為模型輸入特徵後，排列出XGBoost所提供對各因素的權重。此處需要說明的是，此權重的概念與線性迴歸所計算的而得的關聯度有所不同，因為XGBosst是高度的非線性模擬函數，由許多層的決策樹所組成。此權重的計算方式是計算最後模擬結果中，每個特徵在每個決策樹中被使用作為節點的次數：越多者代表對預測結果有越高的重要性。

圖七呈現出將所有的量刑因子（包括「法定加重減輕事由」與「量刑審酌事項」）當作輸入特徵時，所得到的相對權重。可以發現權重最大的前三特徵為《刑法》第59條（情堪憫恕），其次是《槍砲條例》第18條第1項（自首），第三為第8條第6項（空氣槍）等等。在非法條要素中，「製造或持有槍彈型或數量」、「被告素行」、「犯罪後之態度」及「動機或目的」等等依次為前幾名的重要特徵。事實上，本研究還特別針對僅使用前五名的特徵來訓練新的模型，所得到的預測結果幾乎與原來的模型有相同的效果。值得注意的是，前幾名都是減輕的因素，而唯一加重的部分［如刑法第47條（累犯）］卻排名相當後面，在重要性上幾乎可以被忽略。這顯示我國槍砲彈藥的案件中（很可能也包含其他類型的案件），累犯無法實質上為量刑帶來加重的結果。這顯然與立法者或社會的期待大相逕庭，其原因很值得未來做進一步探究。 [原始來源：政大法學評論185期，2026年6月，第305頁至此]

圖七  在預測違反《槍砲條例》第8條第4項中的各項量刑因子之相對重要性。其餘未列出來的因素都是可以被忽略的

上述分析結果顯示，法定加重減輕事由相較於量刑審酌事項更具有穩定性與對量刑結果的解釋性。而在所有量刑因子中，刑法第59條（情堪憫恕）最為重要，其次是《槍砲條例》第18條第1項（自首），第三為第8條第6項（空氣槍）等。但是在個案的判斷上，單純使用法條仍然沒有足夠的彈性來做最後的確認，往往也需要結合審酌事項來呈現整體的方向。本研究雖然顯示量刑審酌事項的影響力相對較低，但顯示結合兩者的結果仍可提升模型整體效能，亦符合司法實務中將法律規範與個案酌情的量刑判斷邏輯。

陸、結  論

本團隊主張，我國的量刑改革應以量刑實況研究為基礎，尤其應注重「法學取向之法事實研究」，以檢討或修正法釋義學可能與[原始來源：政大法學評論185期，2026年6月，第306頁至此]現實不符的落差問題。在資訊時代下，更可利用資訊工具，尤其是AI、大數據及機器學習等新技術的輔助，進行「數位化之法事實研究」，加速補充我國不足的量刑實證研究，以促進符合現實的量刑改革。

本團隊以法學取向之法事實研究方法所進行之量刑實況研究，與目前司法院建置之事實型量刑資訊系統比較，有以下幾點差異：第一點，資料來源不同：量刑資訊系統以「地方法院判決」做量刑統計，忽略了我國有上訴制度之現實，並且，由於被告上訴受到不利益變更禁止原則之保障，上訴若被改判之刑度，整體而言傾向比地院判決為輕，因此，本研究是以「確定判決」做量刑統計，才能呈現被告所獲得之真實刑度。第二點，量刑因子的差異：量刑資訊系統設計的理念是從「犯罪事實」找尋裁判書內相關的量刑因子，但是這並不符合我國量刑的法律適用及判決記載方式，根據刑事訴訟法第310條第3款之規定，法院應在有罪判決之理由中記載科刑時就刑法第57條規定事項所審酌之情形。因此，本研究是從「判決書之理由」中擷取量刑因子。第三點，研究方法的差異：量刑資訊系統僅呈現最基礎事實的「敘述統計」，本研究則加入量刑因子之間關聯性的「推論統計」，從而可以回答這些量刑因子之間關聯性如何。第四點，結果應用的不同：本研究使用機器學習等新技術，除了嘗試量刑預測功能以外，未來也能更有效的協助找尋出類似考量的裁判來供法官參考，或者篩選出量刑判斷異常的判決作個案深入研究，充分展現出機器學習應用於法事實研究的潛力。

對於本研究範圍的《槍砲條例》第7條、第8條及第12條這三個條文罪名的統計分析，有以下幾點發現：

第一點，本研究雖然分別對地院判決與確定判決做了分析，但由於地院判決上訴後被撤銷改判的比例僅一成，導致地院判決與確定判決的刑期分布非常近似。其中，第7條第4項（持有、寄藏或意[原始來源：政大法學評論185期，2026年6月，第307頁至此]圖販賣而陳列重型槍砲）、第8條第4項（持有、寄藏或意圖販賣而陳列輕型槍砲）及第8條第1項（製造、販賣或運輸輕型槍砲）之宣告刑都有雙高峰分布之現象，較重刑期都明顯集中在法定刑下限附近，較輕刑期則已經在法定刑下限之下，顯然刑期是有偏輕的現象。至於第12條第4項（持有、寄藏或意圖販賣而陳列子彈）之宣告刑則幾乎全部都落在6個月以下，可易科罰金的比例為100%，幾乎是不用坐牢。

第二點，比較地院判決與確定判決之刑期差異，整體而言可以看出，上訴到高院改判後的刑期大部分都是比地院輕的，也就是符合不利益變更禁止原則的效果。這一點也更彰顯出，目前司法院量刑資訊系統以地院判決為統計對象，與被告實際所得刑期並不相符的問題。

第三點，關於法定加重減輕事由之適用，法官最常引用的法定加重刑罰事由是刑法第47條第1項關於累犯得加重本刑之規定，其他條文之引用率則為0。至於法定減輕事由，最常被引用的是刑法第59條俗稱的情堪憫恕條款，第二及第三常適用的條文則是《槍砲條例》第18條第1項自首及第8條第6項有關空氣槍之罪。其他條文之引用率也幾乎為0。

第四點，關於刑法第57條量刑審酌事項之適用比例，法官主要是對「犯罪後之態度」及「犯罪所生之危險或損害」有做出有利或不利的評價，比較能看得出對量刑的影響，尤其對這兩個審酌事項，法官的評價大部分是對被告有利，此或可解釋為何最終的刑期會偏輕；其他各款，若非沒有被提及就是幾乎只單純列出而未作評價（歸類為中性），無法判斷是否對量刑有影響。

第五點，關於量刑因子之間的關聯性，本研究發現法官在量刑時，對於法定刑較重的罪名（此處如第7條第4項與第8條第1項），只要符合減刑的條件，通常會同時羅列出更多相關的理由來強化其[原始來源：政大法學評論185期，2026年6月，第308頁至此]減刑幅度的合理性，因此會有較多的量刑因子彼此高度相關。反之，對於法定刑較輕的罪名（此處如第8條第4項與第12條第4項），就不會特別積極，也因此各量刑因子彼此間的關聯性都比較低。

第六點，不管是否適用想像競合，基本的量刑原則都是一樣的：若無減輕事由，多數落於最低法定刑的3年（36個月），但如果有減輕事由則幾乎多為直接砍半到18個月左右。不過，當法官認定構成持有槍砲與子彈想像競合的時候，平均刑期的確比單獨只有持有槍砲的情形更偏重一些，只是差異為6個月以內。

第七點，關於司法院釋字第775號對量刑的影響。整體而言，雖然釋字第775號解釋以及相關文獻上對累犯加重其刑規定有很多學理及法政策上之檢討，甚至也有應予刪除規定的建議等等，若從對實際宣告的刑期影響來看，至少在本研究範圍之槍砲案件中，在司法實務上可以說幾乎沒有任何影響。這一點發現顯示出，法學取向的法事實研究可以促使法釋義學研究者將時間及心力多放在對司法實務更有實際影響效用之研究，將能更有助使臺灣的司法朝向進步的方向邁進。

最後，本團隊也對判決數量最多的《槍砲條例》第8條第4項的案件，作機器學習的量刑預測。藉由具有解釋力的XGBoost演算法為基礎，可以發現模型預測刑期之平均絕對誤差僅為4.42個月，相較於其下限為3年的法定刑，應是有相當的準確性。加上本研究也利用資料隨機切割比較的結果，證實法官對此罪名的量刑有相當一致性，讓機器學習的結果有機會成為未來司法實務應用的可靠參考。最後，經由分析各量刑因子對量刑結果的影響權重，可以發現影響力最大的分別是刑法第59條（情堪憫恕）、《槍砲條例》第18 [原始來源：政大法學評論185期，2026年6月，第309頁至此]條第1項（自首）與第8條第6項（空氣槍）等因素。其餘如槍砲數量、犯罪後之態度或被告素行等量刑審酌事項與刑法第47條（累犯）的影響力，皆相對薄弱。這部分的研究亦可作為未來發展相關量刑理論或量刑委員會制定量刑準則時的參考。[原始來源：政大法學評論185期，2026年6月，第310頁至此]

 

 

Advancing Empirical Legal Research with Statistical Analysis and Machine Learning: An Empirical Study of Sentencing in Firearms Cases

Meng-Chi Lien, Yun-Tiao Lin, and Daw-Wei Wang*

Abstract

Sentencing practices significantly influence public trust in the judicial system, yet empirical research on sentencing in Taiwan remains scarce. This study argues that sentencing reform in Taiwan should prioritize “jurisprudential-oriented empirical legal research,” especially through quantitative statistical analysis of big data. Accordingly, this article conducts a quantitative empirical analysis of 1,341 finalized judgments from 2018 to 2020 under Articles 7(4), 8(1) and (4), and  [原始來源：政大法學評論185期，2026年6月，第311頁至此]12(4) of the Controlling Guns, Ammunition and Knives Act. The findings reveal that sentences generally cluster around the statutory minimum or are even lower. Although recidivism is common, its impact on sentencing is minimal. Conversely, mitigating factors such as “extenuating circumstances,” “voluntary surrender,” and “post-offense attitude” significantly influence sentencing, reflecting a general judicial tendency toward leniency. The XGBoost model used to predict sentence duration yielded an average error of only 4.42 months compared to actual sentences, indicating high predictive accuracy. Moreover, Judicial Yuan Interpretation No. 775 has had limited practical effect on the application of recidivism provisions, highlighting a gap between theoretical interest in legal topics and actual judicial practice. Overall, this study demonstrates the critical value of empirical legal research in strengthening both sentencing theory and practice.

 

Keywords:     Quantitative Research, Sentencing Theory, Finalized Judgments, Controlling Guns, Ammunition and Knives Act, Statistical Model. [原始來源：政大法學評論185期，2026年6月，第312頁至此]