第五章 選民的一致與分裂投票
第三節 各種投票型態的分析
透過上述模型分析，驗證了選民採取一致或分裂投票的影響因素，惟如同本 文表5-2 的整理，不論一致投票或分裂投票，其中皆包含了各種不同的投票類型，
一致投票主要以國民黨及民進黨為主，但分裂投票的類型則甚多。為更進一步瞭 解選民對兩張選票的投票抉擇，本文將針對各種類型的一致或分裂投票進行模型 檢證。在樣本數的考量下，僅將主要政黨且樣本數較大的投票型態納入分析，包 括「國民黨一致投票」、「民進黨一致投票」、「政黨票投國民黨、候選人票投民進 黨」、「政黨票投民進黨、候選人票投國民黨」、「政黨票投新黨、候選人票投國民 黨」，以及「政黨票投台聯、候選人票投民進黨」等六種投票型態。
在研究方法上，由於依變數屬於「六分類」，在模型的選擇上，傳統的「多 項勝算對數模型」(Multinomial Logit Model，簡稱MNL)與「條件勝算對數模型」
(Conditional Logit Model，簡稱CL)皆必須符合「選項間彼此獨立」(independence of irrelevant alternatives，簡稱IIA)的假設。但台灣目前的政黨競爭存在著藍綠分 歧，國民黨與新黨屬於泛藍陣營，民進黨與台聯則屬於泛綠陣營，過去研究發現 選民的投票抉擇存在著藍綠之間的界線，以致選項之間難以符合相互獨立的假設 (Huang, Chen, and Chou 2008; Tsai 2008)。此外在方法上，也可能因為研究者「未 觀察到的解釋變數」(unobserved variables)，導致模型違反IIA的假定。61若研究 者知道哪幾個選項有相關，且各組相關的選項之間IIA仍然成立，便可將相關之 選項分組歸類後，採「群組式勝算對數模型」(Nested Logit Model，簡稱NL)。但 研究者通常並不確定如何分組最佳，而選項愈多，可能的組合方式也愈多（黃紀 2008b, 141），侷限了該模型的適用性，尤其本文欲分析的依變數多達六類，彼此 之間也難以進行組別的區分。
學界為了解決上述模型具有IIA的限制，陸續發展出「多項機率單元模型」
(Multinomial Probit Model，簡稱MNP)62與「混合勝算對數模型」(Mixed Logit
61 在選民投票模型中會違反 IIA 的假定有兩種常見的可能，一是「一般未觀察到的影響」(common unobserved attributes)，即某些自變數對選民的投票抉擇產生影響，卻因未被觀察到(unobserved) 無法納入模型中，導致模型誤差項彼此相關。其次是「隨機品味變異」(random taste variation)，
即未被觀察到的個人特質會對已觀察到之個人特質在如何抉擇上具有影響力，忽略它即可能違反 IIA 的假設。例如：忽略選民對各項議題立場在影響其投票抉擇上所佔的「權重」(weighting)。
另外一種可能是，未被觀察到之自變數對於選民投票抉擇的影響，會隨著不同選擇組合(choice sets)而異，稱之為「未觀察到的因果異質性」(unobserved heterogeneity) (Glasgow 2001, 118)。
62 有關 probit 一詞的起源、意義與翻譯，請參閱黃紀(2000b, 403-404)。
Model，簡稱MXL)。63其中，MNP雖然放寬了IIA的假定，但仍有誤差項呈常態 分佈的假定(Alvarez and Nagler 1998)。至於「混合勝算對數模型」不但仍然可將
「選民特徵變數」(chooser-specific variables，簡稱CSV)，與「選項特徵變數」
(alternative-specific variables，簡稱ASV)同時納入模型考量外，更重要的是它放 寬了選項之間彼此相互獨立(IIA)的假定，允許選項之間存在相關及變異數異質 性，並利用數據資料估算與檢定選項間的共變矩陣(covariance matrix)。若檢定結 果選項間彼此並非相互獨立，則透過隨機截距(random-intercepts)的設定，將選項 間的相關性納入考量，避免估計發生偏誤（Hole 2007; 黃紀 2008b, 144-145）。
也由於MXL的應用比MNP更具彈性，64故被稱之為「廣義類別選擇模型」(general discrete choice model)(Glasgow 2001)。因此，本文即採用「混合勝算對數模型」
探討選民採取各種類型之一致與分裂投票的因素。
模型結果顯示（如表5-7），模型中共變矩陣的或然比(likelihood ratio，簡稱 LR)檢定 X2=26.931, df=10, p<0.05，正如預期拒絕了選項彼此間獨立的 IIA 假定。
63 之所以稱之為「『混合』勝算對數模型」(“mixed” logit)，主要是因為其設定功效模型(utility model) 中未觀察到的部分，是將MNL 中的 IID extreme value term 與另一型態的“g-distribution”進行結 合，形成「混合分佈」(mixing distribution)，以放寬對 IIA 的假定(Glasgow 2001, 119)。
64 MXL 在用運上要比 MNP 更具彈性，主要在於兩項優勢，一為 MNP 在無法觀察之隨機成分的
其中，選民的政黨認同仍是最主要的影響因素。相對於無政黨認同者，國民黨認 同者有顯著偏高的相對機率採取國民黨一致投票或國民黨與民進黨之間的分裂 投票。民進黨認同者則相反的有顯著偏高的相對機率採取民進黨一致投票，而非 國民黨一致投票或其他形式的分裂投票。台聯認同者則有顯著偏高的相對機率採 取政黨票投台聯、候選人票投民進黨的分裂投票。尤其在控制台聯選民是否「無 機會」一致投票的情況下，仍有如此顯著的影響結果，再度驗證了台聯認同者有 採取策略投票的傾向。至於新黨認同者在「無機會」一致投票下，確實有顯著偏 高的相對機率採取政黨票投新黨、候選人票投國民黨的分裂投票結果。
選民的統獨立場、族群認同與對陳水扁的施政滿意度，依舊顯著影響選民的 投票型態。尤其是傾向兩岸統一或維持現狀的選民，相對於傾向台灣獨立的選 民；以及自認中國人或都是的選民，相對於自認台灣人的選民，皆有顯著偏高的 相對機率選擇國民黨一致投票，或政黨票投新黨、候選人票投國民黨的類型，而 非民進黨一致投票。這結果不但符合台灣藍綠分歧的政黨競爭態勢，更有趣的 是，這些因素對於政黨票投新黨、候選人票投國民黨，與民進黨一致投票兩者之 間，有相對最高的解釋力，足見新黨認同者與民進黨認同者在政治光譜上的相對 距離最遠。對陳水扁施政滿意度愈高的民眾，有顯著愈高的相對機率選擇民進黨 一致投票，而非國民黨一致投票或其他類型的分類投票型態。
至於選民省籍背景的影響，見於大陸各省市人與本省閩南人之間的差異。大 陸各省市人相對於本省閩南人有顯著偏高的相對機率，選擇國民黨一致投票或政 黨票投新黨、候選人票投國民黨的投票型態，而非民進黨一致投票的類型。至於 本省客家人相對於本省閩南人，有顯著偏高的相對機率採取政黨票投民進黨、候 選人票投國民黨，而非民進黨一致投票的類型。也顯示出在客家屬性較強的單一 選區，國民黨候選人確實有穩固的選票優勢，讓政黨票投給民進黨的選民，在候 選人票轉而選擇投給國民黨候選人。
上述的模型分析結果驗證了，即便在控制政黨是否在單一選區提名，以致影 響選民有無機會一致投票的情況下，台灣選民的投票抉擇存在以國民黨及民進黨 為主之泛藍、泛綠兩大陣營間的競爭型態。而選民的政黨認同、統獨立場與族群 認同正是藍綠分歧的解釋變數。至於選民對陳水扁的施政滿意度也在此次立委選 舉發揮顯著的影響力，是此次民進黨之所以敗選的原因之一。
表5-7 選民投票抉擇型態之混合勝算對數模型
ln(KK∕DD) ln(KD∕DD) ln(DK∕DD) ln(NK∕DD) ln(TD∕DD)
選項特徵變數(ASV)β ˆ (s.e.) β ˆ (s.e.) β ˆ (s.e.) β ˆ (s.e.) β ˆ (s.e.)
無機會一致投票（國民黨） -2.038 (1.975)
無機會一致投票（民進黨） -1.061 (1.192)
無機會一致投票（台聯） -0.413 (0.641)
選民特徵變數(CSV)
常數 1.677* (0.771) -0.574 (0.907) -0.034 (0.747) -4.018** (1.453) -2.818$ (1.483) 年齡層(60 歲以上=0)
20-39 歲 -0.883 (0.599) -0.074 (0.664) -0.796 (0.511) -0.250 (0.755) 1.891 (1.150) 40~59 歲 -0.717 (0.582) -0.864 (0.673) -1.219* (0.482) -0.290 (0.719) 1.227 (1.131) 省籍(本省閩南人=0)
本省客家人 0.341 (0.638) 0.162 (0.710) 0.607* (0.568) 0.482 (0.778) -0.559 (1.096) 大陸各省市人 1.935* (0.757) --- --- 1.046 (0.867) 2.702** (0.820) --- --- 政黨認同(中立=0)
國民黨 5.246*** (0.757) 4.599*** (0.818) 2.653** (0.885) 4.996*** (0.889) --- --- 民進黨 -4.521*** (0.615) -1.834** (0.596) -1.185** (0.596) -3.441** (1.201) -1.468** (0.535) 台聯 0.716 (1.431) --- --- 1.466 (1.402) --- --- 3.479** (1.042) 新黨 1.029 (1.309) --- --- --- --- 5.277***(1.430) --- --- 統獨立場(傾向獨立=0)
傾向統一 1.627* (0.744) 1.032 (0.836) 0.733 (0.686) 3.739** (1.239) --- --- 維持現狀 1.090* (0.462) 0.916$ (0.545) 0.242$ (0.410) 3.032** (1.074) 0.952$ (0.536) 族群認同(台灣人=0)
都是或中國人 2.073*** (0.436) 0.853$ (0.495) 0.732 (0.449) 2.721***(0.603) 0.010 (0.592) 對扁的施政滿意度(0~10) -0.717*** (0.102) -0.435*** (0.112) -0.267** (0.093) -0.737*** (0.132) -0.172 (0.124)
誤差項之「變異與共變」矩陣估計
整體模型：Log Likelihood = -634.24394
Wald test X2 =1733.424, df=51, p<0.001
變異與共變矩陣(Variance-Covariance Matrix)：LR test X2 =33.77, df=15, p<0.01 共變矩陣(Covariance across Alternatives)：LR test X2 = 26.931, df=10, p<0.05
資料來源：TEDS2008L。
註一：***表示 p<0.001；**表示 p<0.01；*表示 p<0.05；$表示 p<0.1。
註二：部分自變數之分析個數過少，以致估計值之標準誤(s.e.)過大，故未納入模型分析，並以(---)表示。
註三：「KK」表示兩票皆投國民黨；「DD」表示兩票皆投民進黨；「KD」表示政黨票投國民黨、候選人票投民進黨；「DK」表示政黨票投民進黨、候選人票投國民黨；
「NK」表示政黨票投新黨、候選人票投國民黨；「TD」表示政黨票投台聯、候選人票投民進黨。
第四節 小結
在 2008 年立委選舉中，選民首度有機會針對同一職位的選舉投下兩張選 票，台灣選民採取一致或分裂投票的分佈為何、哪些因素影響選民採取一致或分 裂投票的決定，是本章研究分析的重點。筆者利用TEDS2008L 的選後面訪資料，
藉由個體資料的交叉分析與模型建構，瞭解選民採取一致與分裂投票的各種型 態。同時透過蒐集選區總體層次的相關資訊，以多層模型的分析方法，將個體與 總體層次的各項變數同時納入分析，探索並釐清影響選民採取一致或分裂投票的 各項因素。基本的發現如下：
一、一致與分裂投票的型態
由於此次選舉呈現以國民黨及民進黨兩大政黨競爭的態勢，選民將兩張選票 一致投給國民黨的比例高達 47.6%，將兩張選票一致投給民進黨的比例也達 28.8%。若將少數一致投給其他政黨的選民也算入，則在此次選舉中，有高達 76.6%的選民採取一致投票，僅有 23.4%的選民因各種因素採取分裂投票。在採 取分裂投票的選民中，有部分選民是在得以選擇一致或分裂投票的情境下，「自 願」採取分裂投票，但也有部分選民因政黨未在單一選區提名候選人，導致「無 機會」採取一致投票。尤其在選前國民黨、新黨及無黨團結聯盟達成協議，新黨 在單一選區完全加入國民黨的提名作業，以國民黨名義登記參選，至於國民黨則 在4 個選區未提名以「禮讓」無盟參選人，致使許多泛藍支持者「無機會」採取 一致投票。在泛綠陣營方面，雖然民進黨與台聯並未在選前協調合作，但民進黨 在實際的選情的考量下，也在部分選區放棄提名，台聯更是只有在13 個選區中 提名，讓部分泛綠陣營的支持者也面臨「無機會」一致投票的情境。
本文透過各項交叉分析與模型建構的結果顯示，不論選民有無機會採取一致 投票，在台灣以統獨立場為主要分歧的藍綠政治光譜上，選民的分裂投票確實存
本文透過各項交叉分析與模型建構的結果顯示，不論選民有無機會採取一致 投票，在台灣以統獨立場為主要分歧的藍綠政治光譜上，選民的分裂投票確實存