民眾對大罷免結果滿意度之因素分析：政黨認同還是施政問題

Author

M146020007 陳弘意

研究背景與動機

在 2025 年的臺灣社會中，政治與社會局勢正面臨高度的不確定性與對立。2024年的中央政府選舉，執政黨不完全執政的政治結構形成，造成行政與立法部門之間的衝突日益加劇，小至人事案、預算案的延宕與杯葛，大至以修法方式干預另一憲政機關的運作。種種事態衍生而來的就是各政黨支持者加上媒體的渲染之下的政黨之間的對立與政治極化現象也逐漸升高。尤其在立法院頻繁發生法案攻防、程序爭議與政治動員的背景下，社會輿論對政府治理能力與民主制度運作效率的質疑聲浪亦隨之增加。

此外，兩岸關係持續緊張、國際局勢變化快速，以及臺美經貿與關稅議題所帶來的經濟壓力，也使民眾對未來政治與經濟發展產生不安與不確定感。在此背景下，人們分別形成兩股勢力，一組支持現今中央政府的施政，與另一組支持扮演監督角色的立法院的種種表現產生不解與對立，從一開始的在公眾輿論上的發洩與不滿，到後來演變成大規模的罷免行動。支持罷免方從一般的市井小民，到上市櫃公司的董事長，都自發性的協助各區選民聯署，甚至是執政黨都在背後推波助瀾。最後有高達32名區域立委必須交由全體選民的「再考驗」，進行罷免投票。並且幾乎為國民黨的立法委員。

然而，值得注意的是，雖然此次2025的大罷免行動在政治與媒體上引發高度關注，各政黨與政治人物亦投入大量政治宣傳與社會動員，但最終結果卻呈現「無立委遭成功罷免」的情形。此一結果不僅反映臺灣民眾對罷免制度的態度，也可能反映出民眾對政府施政、政黨政治以及整體政治環境的評價。因此，究竟是哪些因素影響民眾對罷免結果的態度，便成為值得探討的重要問題。民眾是否因對現在的中央政府施政感到滿意，而傾向支持罷免那些佔執政對立面，並扮演監督角色的立法委員？抑或僅是基於政黨認同與政治立場，才是影響民眾對罷免態度的關鍵因素？此外，在近年經濟壓力與物價上漲的背景下，民眾對整體經濟環境的感受，是否也會進一步影響其政治態度與對罷免結果的評價？上述問題皆顯示，當前臺灣社會中的政治態度形成，可能同時受到經濟、政治與政黨因素的共同影響。

基此，本研究欲探討的研究如下：

一、民眾的政黨認同對大罷免結果的滿意度的關聯性。

二、民眾對國內的各類議題的關注(優先)程度與民眾對大罷免結果的態度有何關聯？

三、民眾對政府各類施政滿意度是否與民眾對罷免結果是否有關聯？

四、民眾對經濟議題感受與滿意/不滿意罷免的關聯性

資料來源

本研究使用以陳陸輝教授在2025年執行的「台灣選舉與民主化調查」四年期研究規劃（2/4）： 總統滿意度電訪及手機調查案–第五十二次。該計畫持續追蹤民眾對總統施政滿意度以及對各項重要政治議題的看法為研究主軸，時間以季來計算。

研究結合市話調查與手機調查等方式進行。電話調查日期自2025年9月10日起，至2025年9月15日，共6天，研究母體以電話及手機分類。電話樣本係以戶籍設於臺灣地區（不含金門、馬祖）年滿二十歲以上的成年公民作為此調查訪問的母群，受訪民眾僅限於住家民眾或住商混合的民眾。手機樣本以戶籍設於臺灣地區（不含金門、馬祖）年滿二十歲以上的成年公民作為此調查訪問的母群，受訪民眾僅限於只使用手機的民眾。

最終，市話調查完成716個成功樣本；手機調查完成514個成功樣本，共1230個樣本。問卷內容包含基本資料、總統施政滿意度、總統個人評價、議題立場、政黨偏好、政府與在野黨評價、政治人物情感等。挑選這份問卷是因為它是一份長期追蹤的問卷，有利於後續作跨年分、跨屆次的政府研究，並且「台灣選舉與民主化調查」這份以季為單位進行調查的研究，也能及時捕捉政府的信任度是否因國際、國內重大議題或事件受到影響。

文獻回顧

罷免

罷免作為直接民主的制度工具，其投票結果往往深受法定門檻與政黨結構的雙重制約。在《中華民國憲法》第17條即規定：「人民依法有選舉、罷免、創制、複決之權。」顯示我國保障人民參政權中「罷免」的權利地位非同小可。另外，在台灣的政黨政治脈絡中，自 2016 年《公職人員選舉罷免法》修法將通過門檻降低至原選舉區選舉人總數四分之一，同意大於不同意票即可通過罷免。罷免逐漸從「公民課責」工具演變為政黨間「策略性動員」的常規武器（Yueh, 2021)。

例如2020年國民黨籍高雄市長韓國瑜成為首位遭到罷免的直轄市市長，臺中第二選區的立法委員陳柏惟也在2021年遭到「報復性」的罷免，都能印證現今的罷免制度確實成為政黨動員的工具之一。

台灣 2025 年的大罷免潮本質上是分裂政府下行政與立法僵局的場外延伸（Tedards, 2025）。雖然降低門檻旨在活化直接民主，但在高度政治極化的環境下，罷免往往引發反對陣營的「反動員（Counter-mobilization）」機制；當被罷免方成功將罷免案定調為政黨間的惡意清算時，支持陣營的「不同意票」動員效率往往能有效反制罷免方的攻勢，導致罷免投票因無法跨越門檻或不同意票過半而失敗（Tedards, 2025; Yueh, 2021）。

但本研究探討的(2025)大罷免行動，由在野黨發起的「反動員」機制有著諸多瑕疵。例如國民黨中央發起動員的民進黨立委罷免，最終都沒有成功進入投票門檻；在國民黨優勢選區募集不到連署門檻之外，甚至在多個選區爆發違法事件，如擅自抄錄黨員名冊進行連署，抑或是在送入選委會被指出「死者連署」的比例過高。因此，最終兩次的罷免投票結果只有32席國民黨區域立委與民眾黨的新竹市長高虹安進入罷免投票。

政黨傾向

政黨傾向與投票研究與選民行為息息相關，吳重禮、許文賓 (2003)將政黨認同定義為一種重要的心理成分，即對特定政黨的「歸屬感或者忠誠感」。這被視為政治行為者其「自我認同在政治世界的一種延展與擴張」。 並且，隨著成長過程與歷次傾向投票給同一政黨的政治經驗，增強這種政黨的心理認同。

劉正山、朱淑華 (2012)在《不中間的中間選民：以質性方法探討「中間選民」的研究》中，對名詞定義更為嚴謹，明確區分了「政黨認同」、「政黨傾向」與「政黨支持」三個層次：

首先將「政黨傾向」（partisan orientation）定義為一種較弱的認同狀態，也就是「在情感上有所偏好，但未達榮辱與共的程度」。

「政黨認同」（party identification）則是指對特定政黨產生「我群」的概念，並帶有「榮辱與共的情感連結」。

政黨支持（party support）指的是偏好（preferences），有政黨認同與政黨傾向的選民傾向支持某政黨。

綜上，我們可以肯認政黨傾向不只是是一種心理上的歸屬感，而是源自社會化與理性評估，具有心理依附功能，但可能因社會壓力而隱藏的政治偏好。

經濟投票

回溯型與前瞻型評估

經濟投票理論（Economic Voting Theory）的核心假設建立在民主問責的機制上，即選民會根據經濟表現來獎勵或懲罰執政者。文獻指出，這種評估可分為「回溯型投票（Retrospective Voting）」與「前瞻型投票（Prospective Voting）」（Fiorina, 1981; Lewis-Beck, 1988）。回溯型選民扮演「理性審判者」的角色，依據過去一段時間內政府處理經濟議題的實際成效（如通貨膨脹、失業率或經濟成長）決定是否讓執政黨連任。

然而，選民的抉擇不僅僅是向後看。前瞻型投票理論則強調，選民在面臨重大政策變更或外部經濟衝擊（例如經貿協定簽署、關稅體制變更）時，更傾向於評估不同政黨執政後可能帶來的未來經濟前景（吳親恩、林奕孜，2013）。當面臨高度不確定性的外部環境時，這種對「未來經濟穩定性」的預期，往往會超越對當前經濟現狀的不滿，使選民傾向支持能維持現狀、避免動盪的政治陣營（吳親恩、林奕孜，2013；Fiorina, 1981）。

個體荷包投票與總體社會型投票

在操作化經濟評估時，政治學界進一步將經濟投票區分為「個體荷包投票（Egocentric/Pocketbook Voting）」與「總體社會型投票（Sociotropic Voting）」（Lewis-Beck & Stegmaier, 2007）。前者指選民依據「自身或家庭」財務狀況的改善與否來投票；後者則指選民跨越一己之私，依據對「國家整體」宏觀經濟形勢的認知來做出抉擇。

政黨認同的過濾效應與經濟評估的「內因性」

近年來，經濟投票研究迎來了「修正主義（Revisionist）」的挑戰，學者指出經濟評估並非絕對客觀，而是高度受到政黨認同的「內因性（Endogeneity）」制約（Huang,2018）。亦即，選民並非先看到經濟數據才決定支持哪位候選人，而是先有了政黨偏好，再透過這層「政黨認同的濾鏡」去解讀經濟現狀。

黃紀（2018）利用2016年大選的定群追蹤電訪資料，證實選民的經濟評估具有高度的「內因性」（endogeneity）與「政黨偏差」（partisan bias）。研究發現，基於「動機性推理」（motivated reasoning），選民對客觀經濟的認知往往被政黨偏好所扭曲：執政黨支持者原先對經濟評價較佳，但在敗選後轉為悲觀；反之，在野黨支持者原先極力貶抑經濟表現，卻在勝選後對未來大幅看好。

綜上，結合前面學者的討論，選民在罷免投票中的抉擇亦受到經濟投票與重大政策議題感受度的影響；或者由修正主義的觀點，會再加上藍綠意識形態的對立去影響選民的罷免投票行為，尤其他們可能傾向將總體經濟環境的惡化或國際局勢下帶來的經濟壓力，歸咎於執政黨/政府或與其站隊的政治人物。

因此，尤其以台灣的情況。當政府面臨外部經濟衝擊（如關稅爭議、物價波動或全球貿易體制變更）時，選民的投票抉擇會出現「追求穩定」與「宣洩不滿」的拉鋸。如果罷免被視為會加劇憲政不穩定或擴大政局動盪，中間選民與經濟選民可能會出於對經濟前景的擔憂，選擇在罷免投票中投下不同意票或選擇觀望（Tsai, 2012）。這種在經濟不確定性下追求「政治穩定」的集體心理，往往成為保護面臨罷免威脅之民意代表的防禦屏障，削弱了罷免運動的擴散效應。

挑選問卷題

本研究依據「台灣選舉與民主化調查」的訪員問卷中挑選的研究問卷題如下，希望藉由以期能夠這些列出的變項，透過後續的探索式資料分析，回答上述的研究問題。

library(here)
library(sjlabelled)

recall<- read_data("C:/Users/v106K/OneDrive/桌面/Data of 民意與政治行為/1141民意與政治行為/1142探索式資料分析/recall/TEDS2025-T_PA09.sav")

save(recall, file = "recall.rda", compress = TRUE)

library(sjmisc)
library(sjPlot)
#２.在以下幾個我們國家面對的問題中，您覺得賴清德總統應該最優先處理哪一個？是兩岸關係？教育政策？年金改革？經濟發展？司法改革？還是轉型正義？【若受訪者回答 90. 其他，請訪員詳實記錄在開放題紀錄表】

#01.兩岸關係 02.教育政策 03.年金改革 
#04.經濟發展 08.司法改革 14.轉型正義

frq(recall$q5)

recall$q5r <- rec(recall$q5, 
                     rec="1=1[兩岸關係優先];2=2[教育政策優先];3=3[年金改革優先];4=4[經濟發展優先];8=5[司法改革優先];14=6[轉型正義優先] ;else=NA")
frq(recall$q5r)
#３．請問您對賴清德在處理兩岸關係的表現滿不滿意（臺：咁唔滿意）？【訪員追問強弱度】

#01.非常滿意 02.有點滿意03.不太滿意 04.非常不滿意

#96.很 難 說 97.無 意 見 98.不 知 道 95.拒 答

frq(recall$q7)

recall$q7r <- rec(recall$q7, 
                     rec="1,2=1[滿意賴兩岸];3,4=2[不滿意賴兩岸] ;else=NA")
frq(recall$q7r)
#４．請問對他在外交方面的表現滿不滿意（臺：咁唔滿意）？【訪員追問強弱度】

#01.非常滿意 02.有點滿意03.不太滿意 04.非常不滿意

#96.很 難 說 97.無 意 見 98.不 知 道 95.拒 答

frq(recall$q8)

recall$q8r <- rec(recall$q8, 
                     rec="1,2=1[滿意賴外交];3,4=2[不滿意賴外交] ;else=NA")

frq(recall$q8r)
#５．那您對他在國防方面的表現滿不滿意（臺：咁唔滿意）？【訪員追問強弱度】

#01.非常滿意 02.有點滿意03.不太滿意 04.非常不滿意

#96.很 難 說 97.無 意 見 98.不 知 道 95.拒 答

frq(recall$q9)

recall$q9r <- rec(recall$q9, 
                     rec="1,2=1[滿意賴國防];3,4=2[不滿意賴國防] ;else=NA")

frq(recall$q9r)
#６．那您對他在促進（臺：推動）經濟發展的表現滿不滿意（臺：咁唔滿意）？【訪員追問強弱度】

#01.非常滿意 02.有點滿意03.不太滿意 04.非常不滿意

#96.很 難 說 97.無 意 見 98.不 知 道 95.拒 答

frq(recall$q10)

recall$q10r <- rec(recall$q10, 
                     rec="1,2=1[滿意賴經濟];3,4=2[不滿意賴經濟] ;else=NA")

frq(recall$q10r)
#７．那您對他在處理民生問題的表現滿不滿意（臺：咁唔滿意）？

#01.非常滿意 02.有點滿意03.不太滿意 04.非常不滿意

#96.很 難 說 97.無 意 見 98.不 知 道 95.拒 答

frq(recall$q11)

recall$q11r <- rec(recall$q11, 
                     rec="1,2=1[滿意賴民生];3,4=2[不滿意賴民生] ;else=NA")

frq(recall$q11r)
#１１．今年9月1日政府更換了經濟、衛生福利、運動、數位發展、國家發展等五個部會首長，請問您對這次的內閣改組滿不滿意（臺：咁唔滿意）？【訪員追問強弱度】

#01.非常滿意 02.有點滿意03.不太滿意 04.非常不滿意

#96.很 難 說 97.無 意 見 98.不 知 道 95.拒 答
frq(recall$q15)

recall$q15r <- rec(recall$q15, 
                     rec="1,2=1[滿意內閣改組];3,4=2[不滿意內閣改組] ;else=NA")
frq(recall$q15r)
#１６．請問您覺得臺灣現在的經濟狀況與半年前相比，是比較好（臺：卡好）、 比較不好（臺：卡壞），還是差不多？

#01.比 較 好 02.差 不 多 03.比較不好

#96.看 情 形 97.無 意 見 98.不 知 道 95.拒 答
frq(recall$q22)

recall$q22r <- rec(recall$q22, 
                     rec="1=1[經濟比前半年好];2=2[經濟差不多];3=3[經濟比前半年不好] ;else=NA")
frq(recall$q22r)
#１９．今年 7 月 26 日及 8 月 23 日有舉行兩次區域立委的罷免投票，請問您對罷免的結果滿不滿意（臺：咁唔滿意）？【訪員追問強弱度】

#01.非常滿意 02.有點滿意03.不太滿意 04.非常不滿意

#96.很 難 說 97.無 意 見 98.不 知 道 95.拒 答

frq(recall$q25)

recall$q25r <- rec(recall$q25, 
                     rec="1,2=1[滿意罷免結果];3,4=2[不滿意罷免結果] ;else=NA")
frq(recall$q25r)
#２０．關於臺灣和大陸的關係，有下面幾種不同的看法：1.儘快統一 2.儘快宣布獨立 3.維持現狀，以後走向統一 4.維持現狀，以後走向獨立 5.維持現狀，看情形再決定獨立或統一 6.永遠維持現狀。請問您比較偏向哪一種？

#01.儘快統一02.儘快宣布獨立 03.維持現狀，以後走向統一

#04.維持現狀，以後走向獨立 05.維持現狀，看情形再決定獨立或統一

#06.永遠維持現狀 90.其它______________________

#96.很 難 說 97.無 意 見 98.不 知 道 95.拒 答
frq(recall$q26)

recall$q26r <- rec(recall$q26, 
                     rec="1=1[儘快統一];2=2[儘快獨立];3=3[維持現狀後統一];4=4[維持現狀後獨立]; 5=5[維持現狀後看情形];6=6[維持現狀];else=NA")
frq(recall$q26r)
#２１．在國內的政黨之中，請問您認為您比較支持哪一個政黨？（回答「選人不選黨」者，請追問「非選舉時期」整體而言較支持哪一個政黨）

#01.國民黨 02.民進黨 03.新黨 04.親民黨 05.臺聯

#20.綠黨 21.時代力量 23.社民黨 35.台灣基進 38.台灣民眾黨

#06.都支持 07.都不支持 96.看情形 97.無意見 98.不知道

#95.拒答 90.其他_____
frq(recall$q27)

recall$q27r <- rec(recall$q27, 
                     rec="1=1[國民黨];2=2[民進黨];38=3[台灣民眾黨];7=4[不支持任何政黨] ;else=NA")
frq(recall$q27r)

save(recall, file = "recall.rda")

MCA探索分析

前面已將變數清理完全，再來本研究將以MCA探索式資料分析，透過多元類別圖探索受訪者的潛在意向，並將圖中呈現的各變項間的關聯進行分析。

# 安裝套件
library(FactoMineR)
library(factoextra)
library(ggplot2)
library(dplyr)
library(ggrepel)  

load("recall.rda")

# 篩選變數與因子型態轉換

recallforMCA <- recall %>%
  select(q5r, q7r, q8r, q9r, q10r, q11r, q15r, q22r, q25r, q26r, q27r)

# 排除缺失值
recallforMCA.nona <- na.omit(recallforMCA)

recallforMCA.nona <- recallforMCA.nona %>%
  mutate(across(everything(), ~factor(.)))

我這邊透過AI的協助，將變項改以中文的呈現，讓本研究在解析圖時，能更方便、直覺的進行閱讀與解析關聯。

# 1. q5r 最優先議題
levels(recallforMCA.nona$q5r) <- c("兩岸關係優先", "教育政策優先", "年金改革優先", "經濟發展優先", "司法改革優先", "轉型正義優先")

# 2. q7r 賴兩岸滿意度
levels(recallforMCA.nona$q7r) <- c("滿意賴兩岸", "不滿意賴兩岸")

# 3. q8r 賴外交滿意度
levels(recallforMCA.nona$q8r) <- c("滿意賴外交", "不滿意賴外交")

# 4. q9r 賴國防滿意度
levels(recallforMCA.nona$q9r) <- c("滿意賴國防", "不滿意賴國防")

# 5. q10r 賴經濟滿意度
levels(recallforMCA.nona$q10r) <- c("滿意賴經濟", "不滿意賴經濟")

# 6. q11r 賴民生滿意度
levels(recallforMCA.nona$q11r) <- c("滿意賴民生", "不滿意賴民生")

# 7. q15r 內閣改組滿意度
levels(recallforMCA.nona$q15r) <- c("滿意內閣改組", "不滿意內閣改組")

# 8. q22r 經濟狀況
levels(recallforMCA.nona$q22r) <- c("經濟比半年前好", "經濟差不多", "經濟比半年前差")

# 9. q26r 統獨立場
levels(recallforMCA.nona$q26r) <- c("儘快統一", "儘快獨立", "走向統一", "走向獨立", "看情形再決定", "永遠維持現狀")

# 10. 核心依變項：大罷免結果滿意度

levels(recallforMCA.nona$q25r) <- c("滿意罷免結果", "不滿意罷免結果")

# 11. q27r 政黨認同
levels(recallforMCA.nona$q27r) <- c("國民黨", "民進黨", "台灣民眾黨", "不支持任何政黨")
res <- MCA(recallforMCA.nona, ncp = 10, graph = FALSE)

res$dimdesc <- dimdesc(res, axes = 1:5)
write.infile(res$dimdesc, file ="MCAresults.txt", append = FALSE)
write.infile(res$eig,     file ="MCAresults.txt", append = TRUE)
write.infile(res$var,     file ="MCAresults.txt", append = TRUE)

開始輸出類別變數分析圖，這邊有使用AI的協助進行圖片的美化，並且將依變項加強標記。

# 1. 乾淨底圖
p_base <- fviz_mca_var(res, 
                       repel = FALSE,             
                       col.var = "contrib",      
                       gradient.cols = c("#2A4B7C", "#D49A17", "#B83B1D"),
                       pointsize = 3,             
                       labelsize = 0,             
                       stroke.var = 0.8
                       )

# 2. 撈出幾何空間座標與貢獻度數據
var_coords <- as.data.frame(res$var$coord)
var_coords$zh_label <- rownames(var_coords)
var_coords$contrib  <- res$var$contrib[,1] + res$var$contrib[,2] 

# 3. 標記誰是核心研究變項 (依變項：大罷免結果滿意度)
var_coords <- var_coords %>%
  mutate(is_target = ifelse(grepl("罷免結果", zh_label), TRUE, FALSE))

# 4. 使用 ggplot2 與 ggrepel 拼裝圖層
final_plot <- p_base +
  geom_text_repel(data = filter(var_coords, is_target == FALSE),
                  aes(x = `Dim 1`, y = `Dim 2`, label = zh_label, color = contrib),
                  size = 4.0,                 
                  fontface = "bold",
                  box.padding = 0.6,          
                  point.padding = 0.3,
                  max.overlaps = Inf,         
                  show.legend = FALSE) +
  
  geom_label_repel(data = filter(var_coords, is_target == TRUE),
                   aes(x = `Dim 1`, y = `Dim 2`, label = zh_label),
                   color = "#000000",          
                   fill = "#FFFFFF",           
                   size = 4.0,                  
                   fontface = "bold",         
                   label.padding = unit(0.2, "lines"),
                   label.size = 0.5,            
                   box.padding = 0.7,          
                   point.padding = 0.4,
                   max.overlaps = Inf) +
  #5.圖的生成
  labs(
    title = "影響民眾對大罷免結果滿意度之分析", 
    subtitle = "多重類別變數分析圖 (Dim 1 & 2)",
    x = "Dimension 1 (28.7%) - 藍綠與意識形態軸 (橫軸)",  
    y = "Dimension 2 (5.7%) - 制度與政經務實軸 (縱軸)",  
    color = "類別貢獻度"
  ) +                                          
  
  theme_bw(base_size = 14) +                   
  theme(
    plot.title = element_text(face = "bold", size = 15, hjust = 0.5, color = "#1A1A1A"),
    plot.subtitle = element_text(size = 11, hjust = 0.5, color = "#555555"),
    axis.title = element_text(face = "bold", size = 11),
    axis.text = element_text(color = "#333333"),
    panel.grid.major = element_line(color = "#ECECEC", linewidth = 0.5), 
    panel.grid.minor = element_blank(),
    legend.title = element_text(face = "bold", size = 11),
    legend.position = "right"
  )

# 6. 渲染輸出
print(final_plot)

研究發現

一、民眾對大罷免結果的態度，與政黨認同的關聯性。

民眾滿意罷免結果(即無任何一席立委遭到罷免)與不滿意罷免結果的態度，呈現高度的政黨分野，因為2025大罷免的主要罷免的對象均為國民黨立委。因此政黨認同為國民黨者，自然是對無任何一席立委遭到罷免的結果感到認同；而政黨認同為民進黨者則反之。如圖，Dimension 1 由左而右的呈現即是由政黨認同為國民黨、台灣民眾黨，到民進黨支持者的高度分立不滿意罷免結果。

當中比較特別的是政黨認同為「台灣民眾黨」的民眾，他們與國民黨支持者同為滿意罷免結果。民眾黨本屆(第十一屆)立委與黨主席、地方議員等，不僅曾聲援反對被罷免的國民黨立委，亦曾出席各類「反對罷免」的造勢活動。並且民眾黨立委在立法院的議案合作、輿論聲援方面，均傾向與國民黨合作，堪稱合作密切。在議案表決上若是沒有整合，亦常使用「棄權」等表態，讓有人數優勢的國民黨版法案通過。本屆立法院自開議以來，在國會與執政黨在議案的衝突事件屢見不鮮，新聞用語也常見「藍白聯手」、「藍白合作」，彷彿已將兩者歸於一體。因此，從這份資料的研究結果顯示，民眾黨支持者也滿意最終罷免這樣的結果。

但是，在圖片的左下角，有一個對類別貢獻度很高，卻與圖中的任何變項都有一定距離的「不支持任一政黨」。本研究對這群人充滿了好奇，因為在Q21詢問受訪者政黨認同時，在變數清理前有247人(20%)選擇「不支持任一政黨」，因此我選擇不剔除。

但在變數清理與MCA分析後的結果如圖，顯示他們彼此間也沒有共同聚焦的議題與傾向，因此他們對罷免結果的滿意度，有賴後續的迴歸分析觀察。

二、民眾對政府各類施政滿意與否是否與民眾對罷免結果是否有關聯？

民眾對於政府各類施政滿意與否的概念，本研究透過問卷中Q3~Q7訪問民眾對總統的兩岸、外交、國防、經濟、民生政策表現滿不滿意來進行探索式分析，並藉此分析各類施政滿意度與民眾滿意/不滿意罷免結果有無關聯。

分析結果呈現如圖，各類施政滿意度與民眾滿意/不滿意罷免結果有關聯，並且基本與政黨認同一致。亦即，國民黨與台灣民眾黨的支持者，對政府的各類施政如兩岸、外交、國防、經濟、民生均「不滿意」，而民進黨支持者則反之。尤其如圖顯示，滿意賴總統民生、經濟表現，與政黨認同為「民進黨」的支持者，在圖上幾乎重疊，也就是說他們幾乎是同一群人。因此，民眾對政府施政滿意/不滿意基本上與政黨認同一致，並且也與滿意/不滿意罷免結果相關。

三、民眾對國內的各類議題的關注(優先)程度與民眾對大罷免結果的態度有何關聯？

從挑選的問卷題中，Q2題目中詢問受訪者覺得總統應該處理那些議題，並列舉如”兩岸關係優先”, “教育政策優先”, “年金改革優先”, “經濟發展優先”, “司法改革優先”, “轉型正義優先”等項目，本研究想探索民眾對於這些議題優先程度的感受，是否與滿意/不滿意罷免結果有關聯。

而透過MCA的分析後顯示，民眾對於認為總統應處理的議題優先度，與滿意/不滿意罷免結果在圖上的點距很遠，類別貢獻度也不高，如”司法改革優先”、“年金改革優先”、“經濟發展優先”都在接近原點的位置；或者是對類別貢獻度都很低。因此我們可觀察出，民眾對於議題優先程度的感受與滿意/不滿意罷免結果較無關聯。

四、民眾對經濟議題感受與滿意/不滿意罷免的關聯性

探討有關民眾對經濟議題的感受，主要是想測試民眾在「大罷免」的態度上，是否有因為執政黨處理經濟議題的成效，產生經濟投票的行為，因此在問卷上，列出了Q6詢問受訪者對於政府經濟表現的滿意程度，以及Q16詢問受訪者台灣的經濟狀況與半年前相比如何。

民眾對台灣的經濟狀況相比於半年前的表現與不滿意罷免結果的感受，在MCA圖上都沒有一群接近的共同特徵，或者是離原點很近，解釋力太小，因此從圖上不能認為民眾對經濟狀況相比於半年前的反應與罷免結果的滿意度相關。

接下來，民眾認為滿意/不滿意賴政府的經濟表現，與滿意/不滿意罷免結果一樣形成一個高度對立的狀態，與民眾對於賴政府各類議題的執政感受類似；即滿意政府施政，就不滿意罷免結果，但不滿意政府施政，就滿意沒有任何一席國民黨立委遭到罷免的結果。因此，就如同前面文獻回顧，本研究認同如黃紀(2018)所述，選民的經濟投票行為高度受到政黨認同的「內因性（Endogeneity）」制約，它們是以帶有政黨濾鏡的角度檢視各類經濟議題，並不是純然以「中立」的角度檢視政府處理經濟議題的表現，來決定投票行為。

迴歸分析

接下來為了驗證真實性，筆者將使用二元勝算對數模型，檢驗前面探索到的結果是否具有統計上的顯著意義。

一、政黨認同與罷免結果滿意度關聯？

# 依變項：1 代表滿意罷免結果，0 代表不滿意罷免結果
recall$q25rg <- ifelse(as.numeric(recall$q25r) == 1, 1, 0)

# 自變項 Xrg：強制定義數字標籤
recall$q27rg <- factor(as.numeric(recall$q27r),
                       levels = c(1, 2, 3, 4),
                       labels = c("KMT", "DPP", "TPP", "都不支持"))

變數說明如下：

依變項 Y(Q25rg)：1 代表滿意罷免結果，0 代表不滿意罷免結果。

自變項X(Q27rg)：1=KMT,2=DPP,3=TPP,4=都不支持

本研究因為想要了解國民黨(KMT)與民眾黨(DPP)支持者是否在對罷免結果滿意度上，還是有程度上的區別。尤其想要了解「不支持任一政黨」的民眾，面對罷免結果的具體態度為何，因此都將這些項目個別分開，沒有直接編為DPP vs.非DPP。

接下來，本研究會將DPP民進黨作為對照組，藉以對比其他政黨支持者，或是不支持任一政黨者，對罷免結果的滿意度的勝算比差異。

recall$q27rg <- relevel(recall$q27rg, ref = "DPP")

mod_recall_rg_v3 <- glm(q25rg ~ q27rg,
                         family = binomial, 
                         data = recall)


summary(mod_recall_rg_v3)

Call:
glm(formula = q25rg ~ q27rg, family = binomial, data = recall)

Coefficients:
              Estimate Std. Error z value Pr(>|z|)    
(Intercept)    -1.7880     0.1629  -10.98   <2e-16 ***
q27rgKMT        4.1416     0.2805   14.77   <2e-16 ***
q27rgTPP        3.9315     0.3037   12.94   <2e-16 ***
q27rg都不支持   2.3316     0.2202   10.59   <2e-16 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 1228.64  on 906  degrees of freedom
Residual deviance:  761.66  on 903  degrees of freedom
  (323 observations deleted due to missingness)
AIC: 769.66

Number of Fisher Scoring iterations: 5
tab_model(mod_recall_rg_v3, 
          show.se = TRUE,        
          show.aic = TRUE,       
          show.r2 = TRUE,        
          p.style = "stars",       
          transform = "exp",     
          collapse.ci = FALSE,
          digits = 3, digits.p = 3,
          
          string.pred = "政黨傾向 (以 DPP 為對照組)",
          string.est = "勝算比 (Odds Ratio)", 
          string.ci = "95% 信賴區間",
          string.p = "P值"
)
  q25rg
政黨傾向 (以 DPP 為對照組) 勝算比 (Odds Ratio) std. Error 95% 信賴區間
(Intercept) 0.167 *** 0.027 0.120 – 0.228
q27rg [KMT] 62.904 *** 17.644 37.068 – 111.658
q27rg [TPP] 50.983 *** 15.485 28.824 – 95.250
q27rg [都不支持] 10.294 *** 2.267 6.738 – 15.991
Observations 907
R2 Tjur 0.464
AIC 769.661
* p<0.05   ** p<0.01   *** p<0.001 
plot_model(mod_recall_rg_v3, 
           type = "pred",        
           terms = "q27rg",       
           title = "政黨傾向對大罷免結果滿意度的預測機率 (以DPP為基準對照)",
           axis.title = c("政黨傾向 (q27rg)", "滿意大罷免結果的預測機率"),
           ci.level = 0.95,     
           show.values = TRUE,  
           value.offset = 0.4)

二、政府各類施政滿意與否是否與罷免結果滿意度關聯？

# 1. 依變項二元數值化 (1 = 滿意罷免結果, 0 = 不滿意罷免結果)
recallforMCA.nona$q25rg <- ifelse(as.numeric(recallforMCA.nona$q25r) == 1, 1, 0)


recallforMCA.nona$q7rg  <- relevel(recallforMCA.nona$q7r,  ref = "滿意賴兩岸")
recallforMCA.nona$q8rg  <- relevel(recallforMCA.nona$q8r,  ref = "滿意賴外交")
recallforMCA.nona$q9rg  <- relevel(recallforMCA.nona$q9r,  ref = "滿意賴國防")
recallforMCA.nona$q10rg <- relevel(recallforMCA.nona$q10r, ref = "滿意賴經濟")
recallforMCA.nona$q11rg <- relevel(recallforMCA.nona$q11r, ref = "滿意賴民生")

# 3. 建立多元邏輯斯迴歸
mod_recall_policy_rg <- glm(q25rg ~ q7rg + q8rg + q9rg + q10rg + q11rg,
                             family = binomial, 
                             data = recallforMCA.nona)

變數說明如下：

依變項 Y(Q25rg)：1 代表滿意罷免結果，0 代表不滿意罷免結果。

自變數XQ7rg(兩岸)、Q8rg(外交)、Q9rg(國防)、Q10rg(經濟)、Q11rg(民生)：

本研究欲針對民眾對「各類」施政滿意度，與罷免滿意度的對比，因此這邊藉由AI的協助，將前面做過的二元改為「多元邏輯斯迴歸」，並以各題中「滿意」賴總統各項施政做對照組，與各題「不滿意」賴總統施政的組別進行對比。藉此檢視在相互控制其餘政策評價之下，各項施政不滿對大罷免結果滿意度（Q25rg）的獨立預測實力。

plot_model(mod_recall_policy_rg, 
           type = "est",        
           title = "影響民眾對大罷免結果滿意度之五大施政分析 (Odds Ratios)",
           show.values = TRUE,  
           value.offset = 0.4,
           vline.color = "grey",
           axis.labels = c("不滿意賴民生表現", 
                           "不滿意賴經濟表現", 
                           "不滿意賴國防表現", 
                           "不滿意賴外交表現", 
                           "不滿意賴兩岸表現")
)

勝算比圖如上，本研究藉此呈現出不滿意賴政府的兩岸及國防表現者，其對於罷免結果滿意顯著大於不滿意罷免結果的民眾。民眾若對「賴總統兩岸表現不滿意」，其滿意大罷免結果的勝算比（Odds Ratio）高達 4.57，且達到極顯著水準 (p < 0.001)。這表明在控制其他施政不滿後，對兩岸路線失望的選民，其滿意大罷免結果的勝算顯著暴增了 3.57 倍。此外，民眾若對「賴總統國防表現不滿意」，其滿意罷免結果的勝算比亦高達 3.27，同樣達到極顯著水準 (p < 0.001)。

這兩項發現本研究認為與政黨傾向關係密切，兩岸與國防政策本就是構成台灣政黨意識形態分歧的重要因素。因此這兩個政策勝算比高且統計顯著確實合理。但在外交表現、民生與經濟表現方面，則皆未達統計顯著水準（沒有星星），因此不能斷定對這些政策不滿者，對罷免結果滿意有關。

三、國內的各類議題的關注(優先)程度與罷免結果滿意度關聯？

# 依變項 Yrg：1 代表滿意罷免結果，0 代表不滿意罷免結果
recallforMCA.nona$q25rg <- ifelse(as.numeric(recallforMCA.nona$q25r) == 1, 1, 0)

# 自變項 Xrg：強迫轉為數值 Factor，讓後台對照組基準值完美等於 0
recallforMCA.nona$q5rg  <- factor(as.numeric(recallforMCA.nona$q5r))


mod_recall_issue_final <- glm(q25rg ~ q5rg,
                               family = binomial, 
                               data = recallforMCA.nona)


tab_model(mod_recall_issue_final, 
          show.se = TRUE, show.aic = TRUE, show.r2 = TRUE, p.style = "stars",       
          transform = "exp", collapse.ci = FALSE, digits = 3, digits.p = 3,
          string.pred = "議題優先順序 (以兩岸優先為對照組)",
          string.est = "勝算比 (Odds Ratio)", string.ci = "95% 信賴區間", string.p = "P值")
  q25rg
議題優先順序 (以兩岸優先為對照組) 勝算比 (Odds Ratio) std. Error 95% 信賴區間
(Intercept) 1.829 ** 0.355 1.258 – 2.699
q5rg [2] 0.596 0.211 0.297 – 1.195
q5rg [3] 0.888 0.435 0.345 – 2.407
q5rg [4] 0.896 0.206 0.568 – 1.400
q5rg [5] 0.883 0.249 0.508 – 1.535
q5rg [6] 0.182 * 0.127 0.039 – 0.649
Observations 582
R2 Tjur 0.015
AIC 781.709
* p<0.05   ** p<0.01   *** p<0.001

針對本題，本研究建立二元勝算對數模型（如上表），以檢驗受訪者所認定的「施政議題優先順序（q5rg）」是否能顯著預測其對大罷免結果的滿意度（q25rg）。本模型在統計基底上以數值 0（即認為兩岸關係優先的群體） 作為對照組。

迴歸分析結果顯示，選民所認定的議題優先認知，對於大罷免結果的滿意度幾乎不具備顯著的預測能力。相較於認為「兩岸關係最優先」的選民，其餘不論是認為「教育政策優先」、「年金改革優先」、「經濟發展優先」或「司法改革優先」的群體，其勝算比（Odds Ratio）皆未達統計顯著水準（p > 0.05）；只有「轉型正義優先」勉強達到顯著門檻。呼應本研究前述提及的研究發現，民眾對於議題優先程度的感受與滿意/不滿意罷免結果較無關聯。

結論

本研究強烈證實，政黨傾向（q27rg）對大罷免結果的態度的凝聚具有絕對性的制約力。國民黨（KMT）與台灣民眾黨（TPP）支持者在統計上展現出高度同質、極度滿意罷免結果的在野同盟姿態（勝算比分別高達 62.904 與 50.983，且均達 p < 0.001極顯著水準）；而「不支持任何政黨」的中立選民其滿意勝算亦達綠營的 10.294 倍。此發現不僅與 MCA 空間圖完美互證，更直觀反映出在野選民與中間民意在本次事件中，集體站在執政黨防守方對立面的社會現實。

在探討政府五大施政滿意度，與經濟投票行為中，本研究釐清了政策評價的在相互控制的狀態之下，唯有「不滿意兩岸表現」（OR = 4.57, p < 0.001）與「不滿意國防表現」（OR = 3.27, p < 0.001）對滿意罷免結果產生統計顯著；反之，民生、經濟表現的不滿意度與過去半年的經濟感受，在迴歸模型中均未達統計顯著水準。這有力地實證了黃紀（2018）對於「經濟投票行為」所述之「內因性理論」——台灣選民在面對大罷免風暴時，並非採取理性的經濟投票或中立的計算與考量，而是高度透過「政黨濾鏡」檢驗了經濟對經濟的感受。

總結來說，大罷免結果的呈現它是一場由「政黨認同」與「兩岸、國安不滿」的意識形態大總結。選民將平時被政黨濾鏡高度過濾後感受如經濟、國防等感受，實質投影在罷免結果的勝負感受上，透過MCA呈現出了高度的對立狀態。

參考資料