4 相貌水準對得票率的影響

上一節, 我們討論了盡可能控制評審特性之後, 相貌水準的測量, 以及候 選人特性和相貌水準之間的關係。 這一節^,我們將以前面產生的相貌水準^, 探討它對候選人得票情形的影響。

首先^, 我們將候選人依相貌水準分組^, 初步觀察不同相貌水準候選人 的得票差異,表11分別列出其得票數和得票率。²⁵在得票數上,表11清楚 顯示^,越上層相貌水準區間內的候選人^,其得票數也越高。 相貌水準³分以 上的候選人,平均得票數為31,734票,相貌水準低於2的候選人,得票數則 只有18,905票,差距達12,829票。 在得票率方面,表11顯示,雖然相貌水 準在²和³之間^,以及相貌水準在³以上的候選人^,得票率並沒有明顯差異^, 但是兩者都比相貌水準在2以下者,得票率高出許多。 此外,相貌水準大於 3的候選人^,其得票率雖然與相貌水準在²與³之間的候選人相差無幾⁽甚

24北部指基隆以南、 苗栗以北,中部指台中以南、 雲林以北,南部指嘉義以南、 屏東以北, 東部指宜蘭、 花蓮、 台東^,外島指澎湖、 金馬。

25得票率指的是得票數除以選區總投票數^,而不是得票數除以選區選民總數。

表11:候選人相貌水準與得票情形

得票數 得票率

平均 標準差 平均 標準差 人數

˜λ ≥ 3 31,734 17,637 0.0839 0.0692 70 2≤ ˜λ < 3 24,874 19,954 0.0848 0.0996 255

˜λ < 2 18,905 20,189 0.0576 0.0753 61 總計 25,175 19,901 0.0803 0.0915 386

至還低了一點^,大約是^1/1000),但其標準差卻小了許多。 這表示相貌水準 大於3的候選人,比起相貌水準在2與3之間的候選人,其得票率更穩定地 較相貌水準小於2的候選人為高。

由表¹¹可知^,候選人的美貌程度與得票數及得票率間都具有某種正向 關係。 不過,如果相貌水準較高的候選人恰巧都於人口較多,且同選區參選 人數較少的選區參選^, 也會造成相貌水準較高候選人得票數較多的情況。

但是,人口較多的選區通常有較多立法委員席次,也會招來較多同選區的 競爭者,且事實上,選區有效票數與選區候選人數的相關係數是0.8878,兩 者間具有十分強烈的正向關係^,上述巧合發生的機會不大。

為了進一步控制其他可能影響得票情形的變數,以探討美貌的影響,我 們將得票率取自然對數(ln)之後進行迴歸分析。 由於公民數多寡不同,各 選區的有效票數也存在相當的差距 ⁽最高者為桃園縣選區的^736,843票^, 最低者為連江縣選區的4,451票,台灣本島內最低者為台東縣選區的61,988 票⁾。 「得票率」 是考量各選區選民人數多寡之下^, 描述候選人得票情形最 自然的設定,我們之所以決定以 「得票率的對數值」 作為被解釋變數,除了 因為得票率會隨選區候選人人數的多寡而有不同規模,以及候選人得票率 分佈範圍由最低的^0.01%到最高的^61.6%,得票率分佈範圍很大之外^, 也 因為以得票率作為被解釋變數得到的估計結果將有詮釋上的困難。 舉例而 言^,以得票率作為被解釋變數之下^, 假設我們得到相貌水準對得票率影響 的迴歸結果是,相貌水準提高一個單位將使得票率增加5%,此一影響的意 義與重要性將隨選區候選人人數的多寡而有相當的不同。 對於候選人人數 最多的台北市第二選區而言^{, 30}位候選人的平均得票率為^3.33%,得票率

增加^5%的影響是相當大的影響。 但是對於只有三位候選人^, 得票率平均

表^12: 相貌水準對得票率的影響¹

(1) (2) (3) (4) (5)

相貌水準 1.165 1.212 1.000 0.417 0.402

(5.670)^∗∗ (6.009)^∗∗ (4.036)^∗∗ (2.539)^∗ (2.421)^∗

選區虛擬變數 √ √ √ √

男性 −0.395 −0.118 −0.103

(1.513) (0.780) (0.681)

年齡

40–49歲 0.416 0.005 −0.066

(1.500) (0.027) (0.367)

50–59歲 0.821 0.199 0.141

(2.680)^∗∗ (1.024) (0.702)

60歲以上 −0.046 −0.043 −0.134

(0.099) (0.130) (0.397)

教育程度

高中職 0.773 0.593 0.543

(0.766) (1.132) (1.008)

專科 1.103 0.650 0.643

(1.041) (1.160) (1.114)

大學 1.554 0.737 0.674

(1.627) (1.567) (1.359)

碩士 2.119 0.871 0.775

(2.206)^∗ (1.835) (1.560)

博士 2.38 1.008 0.949

常數項 −6.784 −6.902 −8.181 −7.535 −6.627

(11.929)^∗∗ (12.658)^∗∗ (6.859)^∗∗ (12.243)^∗∗ (8.389)^∗∗

樣本數 386 386 386 386 386

R² 0.093 0.233 0.321 0.723 0.727

1被解釋變數為得票率的自然對數值, 括弧中為 t 值,^∗表示在 5% 的顯著水準下估計值顯著異於 0,

∗∗表示在1% 的顯著水準下估計值顯著異於0。

2同屬性與否依社會慣用的藍綠二分法。

3對照組為年齡 = 未滿 40 歲, 教育程度 = 國中以下, 所屬政黨 = 無黨籍及其他政黨。

4以各選區有效票數加權。

選人^,教育程度對得票率的影響與前一節所討論^,教育程度對相貌水準的 影響, 有類似次序性上升的現象。 不同的是, 此處教育程度對得票率的影 響^,只顯著地出現在碩士及博士學歷上。

此外^,政黨^,尤其是⁴個主要政黨^,在選舉中往往是關鍵性的力量^,28 在 討論得票率的決定因素時,政黨的影響力是不容忽視的。 因此,在表12的 欄(4)中,我們再加入4個主要政黨的虛擬變數,用意是將每名候選人背後 的政黨影響力單獨分離出來,同時我們也加入選區內同屬性候選人人數作 為解釋變數。 同屬性的定義是依社會慣用的藍綠之分。 此變數的目的在於 捕捉同黨候選人或同 「色」 候選人^, 在同一選區內相互爭食票源對得票率 造成的影響。 至於採取藍綠之分而非政黨之別的理由,主要是考量在當時 的時空環境下^,同 「色」 的候選人⁽譬如台聯候選人與民進黨候選人⁾似乎 有某種程度替代性。 由欄(4)中我們可以看出, 加入這5個與政黨有關的 變數後^, 欄 ⁽³⁾中原有變數的係數值皆大幅下降^, 年齡變數的係數的顯著 性甚至消失了。 R²從欄(3)的0.321大幅上升至欄(4)的0.723。4個政黨 虛擬變數的係數值都相當大,而且括弧中的^t值也透露出非常強烈的顯著 性^,這些結果都顯示主要政黨在選舉中具有十分強大的影響力。 其他條件 不變之下,由主要政黨提名的候選人,其得票率平均而言會比無黨籍及其 他政黨的候選人高出^2.5倍以上^,29因此政黨是獲得選票的重要關鍵。 而選 區同屬性候選人人數的係數,則如預期為−0.103,而且是顯著的。 若非如 此^,政黨在提名候選人時採取總量管制就沒有意義^, 更不必提跨政黨的總 量管制。³⁰ 至於我們關心的相貌水準, 其係數雖然與其他個人特性之係數 值一樣^, 因政黨相關變數的加入而明顯變小^, 但仍有^0.417, 且達到^5%的 顯著水準。 此外, 教育程度的係數值仍然有次序性上升的趨勢, 只有博士 學歷對得票率的正向影響在5%的水準之下仍然顯著,但碩士學歷的顯著

28事實上, 2004年立委選舉的區域立委與原住民立委部份,總共176名當選人之中,只

有11名不屬於4個主要政黨。

29由原始資料來看,無黨籍及其他政黨共149名候選人的平均得票率是3.35%,而4個主 要政黨共237名候選人的平均得票率為10.97%,差異相當明顯。

30「國親新等泛藍陣營 · · · 其勝選關鍵主要在於藍軍 『總量管制提名』 策略奏效。 相 對地,綠營提名卻犯了高額提名的冒進毛病,使得立委選舉結果不如預期。 · · · 至於親民

黨· · · ,若未與國民黨共採總量管制提名策略的話,其席次縮減幅度恐怕不只如此· · ·。」

(2004年¹²月¹²日^,《自由時報》⁾。

水準則下滑至^10%。

現任者已經在上次立委選舉中^,得到足夠的選票而當選^,因此現任者的 身份包裹了某些對選情有正面幫助的候選人特性,但除了其所包裹的對選 情有益、 欄 (4)已經控制的候選人個人特性之外,就現任者這個身份本身 而言, 是否還會影響候選人的得票率? 或者它純粹只是一個包含了欄(4) 所控制候選人特性的變數^? 假如它確實只是其他變數的代理變數^,那麼將 它加入表12的迴歸式之後,應該不會有顯著的係數,因為欄(4)的迴歸式 已捕捉了所有資料許可範圍內, 可能影響得票率的個人特性。 欄(5)為加 入現任變數後的結果,結果發現現任變數的係數為0.327,且達到5%的顯 著水準。 這表示^,撇開其所包裹的候選人個人特性不談^,現任者身份依然能 對得票率發生正面影響。 此影響可能來自現任者於任期當中累積的人脈、

知名度,以及基層實力等各種形式的政治資本。 此外,加入現任者這個變數 之後,相貌水準對得票率的影響仍然是正向而顯著的, 其係數大小僅略為

下降,仍為0.402,其他解釋變數的係數則都變小了。 選區同屬性候選人人

數的係數值只有些微改變^,所屬政黨虛擬變數的影響也變小^, 但都沒有改 變係數的顯著性。 顯著性發生變化的唯一變數是教育程度,博士項的顯著 性在5%的顯著水準之下消失了,但在10%顯著水準之下仍然是顯著的。

另外值得注意的是,在表12中,性別因素對得票率始終沒有顯著影響。

單就係數值來說, 若其他條件不變, 男性選候人的得票率相較於女性候選 人的得票率還稍微處於劣勢。 由原始資料出發^,男性候選人的平均得票率 是^8.05%,女性則為^7.95%,兩者的差距只有^1/1000。 得票數方面^,男性候 選人平均得票是24,247票,女性則為29,757票,平均而言女性候選人的得 票數較多。 在當選機率方面,男性候選人的當選機率是44.86%,女性則為

49.23%,就算扣除因婦女保障名額而當選的女性候選人後,³¹ 女性的當選

機率依然是較男性為高的^48.44%。 雖然種種跡象皆顯示^, 以選舉結果而 論^,在²⁰⁰⁴年的立委選舉中^,女性候選人相對於男性候選人並未處於不利 地位,但男女參選人數間確有懸殊的比例(男女候選人分別有321名及65

名,男女比為4.94:1),性別差異在參選與否的階段就已經表現出來。

31在2004年立法委員選舉的區域立委與原住民立委部份,僅有1名候選人(台南縣選區 的葉宜津⁾因憲法增修條文第四條第二項規定的婦女當選名額而當選。

綜合而言^,在考慮各種可能影響得票率之因素的過程中^,相貌水準項在 係數上始終保持一致的正向, 以及一貫的顯著性。 候選人的相貌水準, 即 美貌程度^, 的確對其得票率有不容忽視的影響。 若其他條件不變^, 以相貌 水準分配的標準差0.51為單位, 相貌水準每提高1個標準差, 得票率將提 高^20.5%。

另外^,我們也嘗試在如同表¹²欄 ⁽⁵⁾的模型設定中^, 再加入相貌水準 與性別變數的交乘項,以觀察美貌對得票率的影響是否存在性別差異。 結

另外^,我們也嘗試在如同表¹²欄 ⁽⁵⁾的模型設定中^, 再加入相貌水準 與性別變數的交乘項,以觀察美貌對得票率的影響是否存在性別差異。 結