單一選區（第一票）的投票抉擇分析

此次立法委員選舉，在單一選區部分劃分為73 個選區，每一位選民在其設 籍之選區中針對區域候選人進行投票抉擇，在多層模型結構上屬於標準「階層性」

的「套疊結構」，在這種雙層模型分析架構下，選民個人為第一層，即個體層次 的分析單位；選區環境則是第二層，屬總體層次的分析單位。

一、選民個體層次(Level-1 Model)

在選民個體層次部分，主要探討選民的人口特徵與心理態度對其投票抉擇的 影響。依據相關學理的探討與過去的研究發現，選民的省籍、政治世代，以及政 黨認同、候選人評價、統獨立場、對陳水扁的施政滿意度、台灣人或中國人的族 群認同，皆是影響台灣選民投票抉擇的重要因素。這些自變數可藉由TEDS2008L 之調查訪問資料中取得。筆者再依據資料型態進行整理，以「連續變數」或「虛 擬變數」的形式納入多層模型中進行分析。

模型中的依變數則是選民在單一選區中的投票對象。此次選舉，由於區域立 委改採單一選區相對多數決，有利於大黨。小黨在現實利益的考量下，被迫在諸

多選區放棄提名，或選擇與大黨協調提名，形成以國民黨及民進黨提名候選人為

少數單一選區提名參選，以及個別無黨籍人士的自行參選，導致許多單一選區的 候選人數雖多，但選票卻仍集中在國民黨與民進黨候選人的情形。依據中央選舉 委員會的選舉結果公告，在單一選區中，國民黨提名候選人總和得票率達 53.48%，民進黨則為 38.65%，兩黨合計獲得高達九成二以上的選票。在 73 個單 一選區中，兩黨更是囊括了 70 席。³⁸顯見，不論從選舉競爭過程或選舉結果來 看，本次在單一選區的選舉上，確實呈現國民黨與民進黨兩強競爭的態勢。若將 國民黨「禮讓」無盟，及民進黨「支持」台聯而未提名的選區候選人得票一併計 入，則兩黨總和得票率更高達94.83%。

表 4-1 是依據此次立委選舉之選舉公報上的候選人黨籍，針對TEDS2008L 受訪者所回答在選區候選人上的投票抉擇進行歸類。³⁹結果顯示，調查訪問與實 際的投票結果近似，在扣除「未投票」、「投廢票」及「無反應」後，分別有58.2%

及34.5%的受訪者表示其投給國民黨及民進黨，其餘政黨的得票比例皆相當低。

40在資料中雖然有28 位受訪者投給無黨團結聯盟，但其中有 23 位受訪者是投給 國民黨禮讓無盟在台中縣第2 選區的顏清標，以及台南縣第 2 選區的李和順。另 外，雖然有17 位受訪者投給台聯，但其中卻有 8 位受訪者是投給民進黨在台中 縣第4 選區未提名而支持台聯提名的高基讚。故若在將上述國民黨與民進黨禮讓 而未提名的選區納入考量後，在樣本中投給無黨團結聯盟或台聯等個別政黨皆僅 僅是個位數。若要以統計模型來估計選民投票抉擇的影響因素時，往往會因為特 定類別的人數過低，導致係數估計的結果發生偏誤。

家黨等。

38 另外三席中，有兩席是由國民黨禮讓給無盟參選的顏清標（台中縣第 2 選區）及林炳坤（澎 湖縣）當選，另一席則是由無黨籍的陳福海當選金門縣的立法委員。

39 由於本文的研究目的在同時兼顧以選區為單位之總體層次的變數，與以選民為單位之個體層 次變數一併納入多層模型分析，其中，平地或山地原住民選區在性質上並非單一選區，故無法納 入分析。另外，苗栗縣第2 選區僅有 1 位成功受訪者（遷徙緣故），在考量分析樣本過少的情況 下，亦將其排除在分析之外。

40 在選後的民意調查結果，往往會因為「樂隊花車效應」或「沈默螺旋」等因素，讓部分受訪 者未誠實回答，而傾向表示投給勝選的政黨或候選人，導致勝選一方的民調結果高於實際的選舉 結果，而敗選一方的民調結果低於實際的選舉結果。

表4-1 TEDS2008L 受訪者在單一選區的投票抉擇

以公報登記政黨歸類 依據禮讓選區重新歸併 個數 百分比 有效

百分比 個數 百分比 有效 百分比 未投票 607 23.3 --- 607 23.3 --- 國民黨 957 36.7 58.2 986 37.8 60.0 民進黨 567 21.7 34.5 575 22.0 35.0

台聯 17 0.7 1.0 9 0.3 0.5

無黨團結聯盟 28 1.1 1.7 5 0.2 0.3 第三社會黨 3 0.1 0.2 3 0.1 0.2

客家黨 4 0.2 0.2 4 0.2 0.2

紅黨 2 0.1 0.1 2 0.1 0.1

台灣農民黨 1 0.0 0.1 1 0.0 0.1 大道慈悲濟世黨 1 0.0 0.1 1 0.0 0.1 民主自由黨 2 0.1 0.1 2 0.1 0.1 無黨籍 62 2.4 3.8 56 2.1 3.4 投廢票 40 1.5 --- 40 1.5 --- 無反應 319 12.2 --- 319 12.2 --- 總計 2610 100.0 100.0 2610 100.0 100.0

資料來源：TEDS2008L

本文在考量選區實際競選情形與統計分析方法的侷限下，將國民黨「禮讓」

無黨團結聯盟，以及民進黨「支持」台聯候選人，而未提名黨籍候選人參選的選 區，依其屬性進行重新調整與歸類，分別併入國民黨及民進黨。據此台中縣第2 選區、台南縣第2 選區與屏東縣第 1 選區，投給顏清標、李和順與蔡豪者併入國 民黨，台中縣第4 選區投給高基讚者併入民進黨。⁴¹至於投給其餘小黨或無黨籍 候選人者，在考量分析個數過低的情形下，排除在模型分析之外。因此，模型中 選民投票對象的依變數，即形成「投給國民黨」與「投給民進黨」的二分類。

根據上述選民個人背景及態度對投票抉擇的影響（自變數），以及選民之投 票抉擇的重新歸類處理（依變數），具以建構出第一層個體層次的模型如下：⁴²

41 國民黨在澎湖縣也「禮讓」無黨團結聯盟的林炳坤參選，但 TEDS2008L 沒有訪問澎湖縣選區，

故沒有澎湖縣的有效樣本。

42 第一層模型中未將新黨及台聯認同者，與其認同強弱度的交互作用納入，主要是因為資料中 認同新黨與台聯的樣本數過低（分別僅有16 及 21 位），容易導致估計結果發生偏誤。

log 1

二、選區總體層次(Level-2 Model)

在選區環境的總體層次部分，根據過去文獻以及本文理論所提出，選區經濟

三、合併後之多層模型(Combined Model)

在將上述影響選民投票抉擇之第一層的選民個體層次，與第二層的選區總體 層次相結合，即建構起選民投票抉擇之兩層模型如下：

ηij ＝γ00＋γ01(失業率)j＋γ02(農牧人口%)j＋γ03(2004 立委國親兩黨得票率)j

＋γ04(國民黨籍縣市長)j＋γ05(國民黨現任者)j＋γ06(民進黨現任者)j

＋γ10(第一世代)ij＋γ20(第二世代)ij

＋γ30(本省客家人)ij＋γ40(大陸各省市人)ij

＋γ50(認同國民黨)ij＋γ51(認同國民黨)ij*(國親新黨得票變異)j

＋γ60(認同民進黨)ij＋γ61(認同民進黨)ij*(民進黨得票變異)j

＋γ70(認同新黨)ij＋γ80(認同台聯)ij

＋γ90(認同國民黨＊強烈或普通認同)ij

＋γ100(認同民進黨＊強烈或普通認同)ij

＋γ110(傾向統一)ij＋γ120(維持現狀)ij＋γ130(自認中國人或都是)ij

＋γ140(對扁施政滿意度)ij＋γ150(對國民黨候選人評價)ij＋u0j

＋u5j*(認同國民黨)ij＋u6j*(認同民進黨)ij

其中，

γ

_s0，s=1~15，是指選民個體層次對其投票抉擇的影響力。

γ

_0t，t=1~6，

則是指選區總體層次對選民投票抉擇之「直接」影響力。至於

γ

₅₁及

γ

₆₁則表示選 區政黨版圖穩定性與選民政黨認同之間的交互作用，也就是選區政黨版圖穩定性 對選民投票抉擇的「間接」影響力。

表4-2 列出多層模型中個體及總體層次各項自變數的描述統計量。其中，共 有59 個單一選區、1,259 個選民樣本數納入模型分析。在個體層次的自變數中，

除了對陳水扁的施政滿意度以及對國民黨候選人的評價，是以0~10 的連續變數 納入模型外，其餘政治世代、省籍、政黨認同、統獨立場以及族群認同皆是以「虛 擬變數」納入模型。至於在總體層次的自變數方面，除了選區縣市長黨籍與候選 人現任者與否是「虛擬變數」外，其餘失業率、農牧人口百分比、2004 年立委 選舉得票率以及政黨得票穩定度，皆是以連續變數方式納入多層模型。

表4-2 多層模型中各項自變數之描述統計量【單一選區部分】

第一層自變數之描述統計（樣本數 i = 1,259）

變數名稱 平均數 標準差 最小值 最大值 變數處理 第一世代 0.26 0.44 0 1 虛擬 第二世代 0.49 0.50 0 1 虛擬 第三世代 0.24 0.43 0 1 虛擬 本省客家人 0.14 0.35 0 1 虛擬 本省閩南人 0.72 0.45 0 1 虛擬 大陸各省市人 0.13 0.34 0 1 虛擬 認同國民黨 0.52 0.50 0 1 虛擬 認同民進黨 0.30 0.46 0 1 虛擬 認同新黨 0.02 0.13 0 1 虛擬 認同台聯 0.01 0.11 0 1 虛擬 無政黨認同（中立） 0.15 0.36 0 1 虛擬 傾向統一 0.17 0.38 0 1 虛擬 維持現狀 0.58 0.49 0 1 虛擬 傾向獨立 0.25 0.43 0 1 虛擬 自認台灣人 0.47 0.50 0 1 虛擬 自認中國人或都是 0.53 0.50 0 1 虛擬 對扁的施政滿意度 2.94 2.70 0 10 連續 國民黨候選人評價 5.62 2.33 0 10 連續

第二層自變數之描述統計（選區數 j = 59）

變數名稱 平均數 標準差 最小值 最大值 變數處理 失業率 3.90 0.17 3.70 4.20 連續 農牧人口% 14.29 14.96 0.17 45.09 連續 2004 立委泛藍得票率 46.57 9.49 27.45 68.48 連續 國民黨籍縣市長 0.69 0.46 0 1 虛擬 國民黨現任者 0.81 0.39 0 1 虛擬 民進黨現任者 0.64 0.48 0 1 虛擬 國親新黨得票變異 13.61 6.13 4.21 34.90 連續 民進黨得票變異 19.93 7.06 9.82 39.37 連續

依據表4-3 之多層模型分析結果，當模型設定未放入任何總體或個體層次的 自變數時（即unconditional model，稱之為「無自變數模型」）：

第一層個體層次模型設定為：ηij ＝ β0j

第二層總體層次模型設定為：β0j ＝ γ00＋u0j ,

u

0j ~ N(0,

τ

₀₀)

其中，截距(γ00)是指跨不同選區選民投給國民黨相對於投給民進黨的平均相 對機率(average log-odds)，至於誤差項(u0j)則是指跨不同選區選民投給國民黨相對 於投給民進黨之平均相對機率的變異程度(variance)。而在第二層總體層次模型的 β0j中，截距(γ00)屬於「系統成分」(systematic component)，是常數並無變異可言，

故β0j的變異主要來自屬於「隨機成分」(random component)的誤差項(u0j)，即

τ

₀₀。

此外，在「階層線性模型」中可藉由對「組內相關係數」(intraclass correlation coefficient，簡稱

ICC

( )

ρ

)的檢定是否不等於 0，來說明採取多層分析的適當性。

當

ICC

( )

ρ

愈大，表示依變數在「組內」個體間的相關程度愈高。反之即表示「組 間」的差異性愈大，此時採取多層模型的分析才更具意義。⁴⁵但在「階層推廣線 性模型」中，由於模型中的依變數具有「變異異質性」的特性，並無法直接估算

( )

ICC ρ

，而在「勝算對數模型」(logistic model)中，其假設第一層模型的隨機成 分（即誤差項）是平均數為0，變異數為(

π

²/ 3)的「標準勝算對數分佈」(standard 與必要性(Luke 2004, 19; Rabe-Hesketh and Skrondal 2008, 58-59)。

logistic distribution)，故在「階層推廣線性模型」中，其

ICC

( )

ρ

=

σ

_u²₀/(

σ

_u²₀+

π

²/ 3) (HedeKer 2008, 255-256; Raudenbush and Bryk 2002, 298, 334)。經此估算表 4-3 的

「無自變數模型」之

ICC

( )

ρ

等於 0.1164，表示選區環境之總體層次對於選民的 投票抉擇佔有11.64%的變異量，⁴⁶也說明採取多層模型的適當性與必要性。

在「無自變數模型」中，不論是

τ

₀₀具統計上的顯著差異，或

ICC

( ) 0

ρ

> ， 皆初步支持本文所提出的論點。即選區間存在某總體層次間的特性，導致不同選 區選民會有不同的投票抉擇。在依據學理將總體層次與個體層次可能影響選民投 票抉擇的因素同時納入多層模型後（即conditional model，稱之為「完整變數模 型」），不但分析結果約略符合本文的預期，其模型方程式之誤差項(u0j)的變異程

在「無自變數模型」中，不論是

τ

₀₀具統計上的顯著差異，或

ICC

( ) 0

ρ

> ， 皆初步支持本文所提出的論點。即選區間存在某總體層次間的特性，導致不同選 區選民會有不同的投票抉擇。在依據學理將總體層次與個體層次可能影響選民投 票抉擇的因素同時納入多層模型後（即conditional model，稱之為「完整變數模 型」），不但分析結果約略符合本文的預期，其模型方程式之誤差項(u0j)的變異程

在文檔中 單一選區兩票制下台灣選民之投票行為---2008年立法委員選舉的多層分析 (頁 65-0)