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)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
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。自2024年的中央政府選舉後，執政黨民進黨的賴清德贏得了總統選舉延續執政，但民進黨卻失去了國會的多數，中國國民黨與台灣民眾黨在國會成為三黨不過半，分立政府的政治結構形成，造成行政與立法部門之間的衝突日益加劇。在國會小至行政機關提名人事案、預算案的延宕、否決，大至以修法方式干預另一憲政機關司法院的運作。
種種情況下最後導致各政黨支持者在媒體的渲染之下，彼此因為政黨認同的對立形成政治極化現象也逐漸升高。尤其在立法院頻繁發生爭議法案攻防、立法與修法程序爭議的背景下，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，也使民眾對台灣的政治與經濟發展產生不安與不確定感。在此背景下，台灣民眾分別形成兩股勢力，一組支持中央政府的施政，與另一組民眾支持國民黨、民眾黨「聲稱」代表民意多數在立法院「強力監督」政府的表現；彼此則互相產生不解與對立，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連署行動。支持罷免方從一般的市井小民，到上市櫃公司的董事長，都自發性的協助並號召各區選民聯署，甚至是執政黨都在背後推波助瀾。最後有高達32名區域立委通過了兩個階段的連署門檻，必須交由全體選民進行是否罷免的「再考驗」而進行罷免投票。並且全部都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，激起本研究欲探討究竟有那些因素與民眾對大罷免行動的表態有關聯呢?
基此，本研究欲探討的研究如下：
一、民眾對大罷免結果的態度，與政黨認同的關聯性。
二、民眾對政府各類施政滿意度，與民眾罷免結果滿意度是否有關聯？
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？
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
本研究將以「次級資料分析法」使用既有的統計資料對研究主題進行實證分析，資料來源為中研院SRDA資料庫中收錄，由陳陸輝教授在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。是一份很適合研究近期議題導致民眾對政府施政有何看法的問卷。
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，並將以R Studio作為資料分析的工具，對TEDS 2025這份研究問卷進行相關問卷題的挑選、研究與清理，並重新編碼以便進行研究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。
#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。
首先，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)。
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）。因此，這場大罷免行動本質上確實是政黨動員下的結果，也成功激起了民眾依其政黨認同，再受到與論、媒體的刺激與鼓舞，最後對罷免行為投下同意或反對票，作為政治表態的直接體現。
如上面的類別空間分布圖所示，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。雖然他們在圖上沒有與其他變數靠近，但我認為他們本身對於大罷免行動也是帶有立場的。如同張嘉玲 (2026)對於大罷免行動的研究觀察，他認為背後是政黨濫用導致制度正當性與信任流失，他強調當民眾察覺罷免的動機是基於政黨奪權與惡鬥，而非針對施政績效的考量時，制度的正當性與信任基礎便會崩解。
民進黨發起的這場大罷免行動，我認為包括對國民黨與民眾黨支持者，甚至中間選民來說，他們均認為罷免被政黨「工具化」與「武器化」，罷免行動從原本的制度化政治參與，逐漸演變為政黨的組織動員。最終，這促使選民透過投下高比例的「不同意票」進行集體反制，拒絕讓罷免成為政黨常態性的鬥爭工具，並以此為政黨惡鬥劃下底線(張嘉玲，2026)。
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度，與民眾罷免結果滿意度是否有關聯？
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。
以兩岸與外交政策為例，民眾對這兩個政策的滿意度高度受到地緣政治事件的洗禮。如陳陸輝（2023）在分析2020年蔡英文勝選連任總統的研究證實，當面臨中國「一國兩制台灣方案」與香港「反送中運動」等外部威脅時，民眾對外在威脅的認知與對現任政府對外強硬政策的正面評價，會直接轉化為高度的投票動能，成為形塑大選競爭結構的關鍵決定因素。本研究也肯認民眾對政府兩岸和外交政策的感受，會確實的影響選民的投票行為。
2025年的時空背景與2020年不同，2020年蔡政府在面臨中國對香港的鎮壓與一國兩制的文攻武嚇下，以強硬的態度回擊，讓人民產生「安全化」的考量並信賴政府政策，讓蔡英文總統在當年以史上最高的817萬普選票順利連任。反之，賴政府在2025的兩岸政策在當時爭議不少，小則對兩岸的旅遊、學術交流審查加嚴、恢復軍事審判制度等，爭議最大莫過於中配亞亞因發表支持武統遭驅逐後，對全體中配的戶籍審查加強要求補繳喪失大陸戶籍等，否則會喪失台灣戶籍。這個案件讓政府政策不斷受到批評，尤其是國民黨與民眾黨的立法委員，因此可能在分布圖中呈現支持在野兩黨，與不滿意兩岸、不滿意外交的點距離得很近。
此外，地緣政治危機也會直接衝擊民眾的國防安全感。Chen（2025）針對2022年中共環台軍演後的民調分析發現，頻繁的外部軍事威脅顯著提高了台灣選民的國防與國家安全意識，民眾對國家安全防衛能力的評估與對軍方的政治信任度，已在後危機時代演變為選民評估執政表現與決定投票抉擇的重要依據。
本研究認為兩岸與國防政策與政黨傾向關係密切，且政黨對兩岸與國防政策的論述與差異本就是構成台灣政黨意識形態分歧的重要因素，因此不能斷定對這些政策不滿者，對罷免結果滿意有關。
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，本研究發現民眾對各類關注議題在圖上的位置，也是有著不小的差異，例如”轉型正義優先”與民進黨支持者較接近，“兩岸關係優先”則與國民黨支持者較為靠近。
但普遍來說，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。
經濟投票
回溯型與前瞻型評估
再探討民眾對經濟議題的感受，我們必須先回顧經濟投票理論（Economic Voting Theory）。
其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（Chi，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。
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。
傳統上，選民對經濟與民生政策表現不滿會引發「經濟投票」來懲罰執政黨。
在台灣政治高度分化（極化）的環境下，選民對政策表現的「不滿意」，往往會被對另一政黨的「厭惡感」所扭曲或放大。
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$q27r),
levels = c(1, 2, 3, 4),
labels = c("KMT", "DPP", "TPP", "不支持任一政黨"))變數說明如下：
依變項 Y(Q25rg)：1 代表滿意罷免結果，0 代表不滿意罷免結果。
自變項X(Q27rg)：1=KMT,2=DPP,3=TPP,4=都不支持
本研究因為想要了解國民黨(KMT)與民眾黨(DPP)支持者是否在對罷免結果滿意度上，還是有程度上的區別。尤其想要了解「不支持任一政黨」的民眾，面對罷免結果的具體態度為何，因此都將這些項目個別分開，沒有直接編為DPP vs.非DPP。
接下來，本研究會將DPP民進黨作為對照組，藉以對比其他政黨支持者，或是不支持任一政黨者，對罷免結果的滿意度的勝算比差異。
recall$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不支持任一政黨 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: 5tab_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 [不支持任一政黨] | 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)
迴歸分析結果（如表所示）顯示，受訪者的政黨傾向是預測民眾對大罷免結果滿意度的決定性核心因子（p < 0.001），且具備極高的詮釋實力（\(R^2 = 0.464\)），說明單單政黨身分認同就能解釋高達 46.4% 的大罷免滿意度變異。
相較於執政的民進黨支持者（對照組），其餘三個群體對於大罷免結果的滿意勝算，皆呈現出極度顯著且爆發性的正向攀升（均亮起三顆星星，p < 0.001），具體分析如下：
國民黨支持者滿意大罷免結果的勝算比（Odds Ratio）高達 62.904（p < 0.001）。這代表藍營支持者滿意大罷免結果的勝算，是民進黨支持者的 62.9 倍。對照預測機率圖更可清晰發現，民進黨支持者滿意罷免結果的機率僅約 10%，而國民黨支持者滿意罷免結果的預測機率則逼近90%左右。
台灣民眾黨支持者同樣跑出了極為顯著的三顆星星（p < 0.001），其勝算比高達 50.983，代表白營選民滿意罷免結果的勝算是綠營的 50.9 倍；在預測機率圖上，TPP支持者滿意罷免結果的預測機率亦超過87%，充分證實了藍白兩黨支持者有支持強度的差異，但基本上在反對罷免的立場上，展現出「在野同盟」的意味濃厚。
此外，原先在 MCA 圖中的「都不支持任何政黨」的選民，在迴歸模型中相較於民進黨支持者，其滿意大罷免結果的勝算比高達 10.294（p < 0.001），達極顯著水準。從預測機率圖來看，中間選民滿意罷免結果的預測機率高達6成左右，代表這群宣稱「不支持任何政黨」的選民，其實內心中對大罷免行動有一定的看法，並且是傾向反對罷免的。
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，政黨傾向對大罷免結果的態度的呈現是至關重要的。國民黨（KMT）與台灣民眾黨（TPP）支持者以在野同盟合作，加上中間選民對執政黨以「罷免」作為政黨動員的反彈，並呼應張嘉玲（2026）與 Tedards（2025）的觀點，本研究證實，罷免已從傳統的「公民課責」工具，演變為分立政府體制下行政與立法僵局的彼此攻防的武器。
在經濟投票方面，本研究強烈支持了修正主義（Chi，2018）的「內因性」假說。MCA 圖顯示，「滿意/不滿意賴政府經濟表現」與政黨認同高度重疊，Q16的回溯型指標（半年前經濟比較）卻落在原點附近、解釋力極低。這說明台灣選民並非純然中立地依據經濟數據進行理性審判，而是先有了政黨偏好，再透過意識形態的濾鏡去解讀經濟現狀，進而決定對罷免結果的態度。
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。而兩岸與國防的政策與論述正是執政黨DPP與國民黨KMT的主要差異點，因此本研究認為在圖中，施政滿意度與罷免結果的滿意度有關，主要仍為政黨認同的差異。
總結來說，大罷免結果的呈現它是一場由「政黨認同」與民眾對「兩岸、國安不滿」的民意反映。選民即使面臨各類議題感受具有優先性之別。但從此次大罷免結果觀之，民眾仍以政黨濾鏡高度過濾政府的種種施政行為，並實質投影在投票行為與最終的罷免結果感受上，本研究亦透過MCA呈現出了高度的對立狀態。
參考資料
Choi, E. (2007). What’s in voters’ minds?: Economic conditions and identity issues in Korean and Taiwanese elections (Doctoral dissertation, The University of Texas at Austin). UT Electronic Theses and Dissertations. https://repositories.lib.utexas.edu/items/a07cd368-8b38-4d28-b6d4-51accf6c9082
Fiorina, M. P. (1981). Retrospective voting in American national elections. Yale University Press.
Lewis-Beck, M. S. (1988). Economics and elections: The major Western democracies. University of Michigan Press.
吳親恩、林奕孜（2013）。兩岸經貿開放、認同與投票選擇：2008年與2012年總統選舉的分析。選舉研究 .20（2)， (2013/11) Pp. 1-35.
黃紀.（2018）。Testing Partisan Effects on Economic Perceptions: A Panel Design Approach.選舉研究，25（2），89-115。DOI:10.6612/tjes.201811_25(2).0004
張嘉玲（2026）。2025台灣大罷免議題之形成與演變基於議題發展週期模型分析。科際整合月刊，11（1），90-109。
陳陸輝（2023）。外在威脅與選舉競爭：2020年總統選舉的分析。問題與研究，62（4），79-114。
Chen, T. (2025). Assessing public safety and trust in the Taiwanese military: An analysis of post-2022 China drills. Journal of Electoral Studies, 32(1), 79-128. https://doi.org/10.6612/tjes.202505_32(1).0003
Yueh, H. I. S. (2021). The uses of cuteness: Gender, identity politics, and elections in Taiwan (Taiwan Fellowship Research Report). National Central Library. https://taiwanfellowship.ncl.edu.tw/files/scholar_publish/2130-lxmpdclekksdylv.pdf
Tedards, B. (2025). Taiwan’s 2025 recalls: A civil society perspective (GTI Policy Backgrounder). Global Taiwan Institute. https://globaltaiwan.org/wp-content/uploads/2025/07/PB_BT_Taiwan2025Recalls_FINAL.pdf