研究動機與目的
本研究在探討台灣民主化以來的選舉歷史時，傳統的政治學理與實務分析，多半建立在「藍綠對決」的雙首長制與兩黨制框架之下（吳玉山，2019）。在2015年時代力量成立以前，台灣的政治光譜主要由中國國民黨（泛藍）與民主進步黨（泛綠）所主導，其核心的政治分歧（Cleavage）高度集中於統獨意識形態與國家認同。在這樣的結構下，凡是未能明確歸類於泛藍或泛綠光譜內的選民，往往被學界與媒體粗略地統稱為「中間選民」（Middle Voters 或 Independent Voters）（盛杏湲，2016；Dalton, 2012）。
傳統上，這些「中間選民」被賦予了幾種截然不同的樣貌：他們可能是對政治冷感、缺乏政黨認同的邊緣群體；也可能是厭惡意識形態鬥爭、強調「選人不選黨」或「看政見投票」的理性經濟選民（Fiorina, 1981）。在過去的選戰中，藍綠兩大黨的基本盤呈現高度僵化，因此「得中間選民者得天下」成為選舉的鐵律。然而，隨著時代推移，這套以藍綠為兩極、中間選民為游離板塊的理論，已逐漸無法精準詮釋台灣當前的政治現實。
台灣政治地貌的劇烈變動，可追溯至2014年的太陽花學運。這場社會運動不僅打破了兩岸關係的既定發展軌跡，更釋放了青年世代對傳統代議政治與兩大黨的不滿。2015年「時代力量」的成立，標誌著第三勢力開始在體制內獲得實質的政治席次，成功吸引了一批具有進步價值、注重公平正義且拒絕被藍綠綁架的年輕選票（張佑宗，2017）。
隨後，2019年由台北市長柯文哲所創立的「台灣民眾黨」，進一步改變了第三勢力的本質與量能。民眾黨以「超越藍綠」、「國家治理」為號召，不僅吸收了原有的青年選票，更拓展至對藍綠惡鬥感到疲乏的都會中產階級。到了2024年的總統與立委大選，第三勢力迎來了歷史性的發展節點：民眾黨不僅在總統大選中斬獲數百萬票，更在立法院中取得了足以左右法案通過的「關鍵少數」席次（蔡佳泓、陳陸輝，2022）。至此，第三勢力已不再是附屬或過客，而是正式成為藍綠以外的第三個穩固政治板塊。
隨著第三勢力的壯大，一個關鍵的學術與實務問題浮上檯面：當今的「第三勢力」，是否就是由原有的「中間選民」所組成？所謂的第三勢力與所謂的中間選民，在政治光譜與心理認知上，到底有多遠的距離？這是本研究所要深入探討的部分。
研究資料來源與方法
本研究是採用次級資料分析，所分析的問卷資料來源如下：
資料來源：微笑小熊調查小棧 問卷編號：1479
問卷名稱：臺灣的頭家系列四：再次啟航
調查時間：2024.01.15～2024.02.13
受訪人數：926人「微笑小熊調查小棧」（SmilePoll）是設立在中山大學政治學研究所中，一個立場中立且非營利的學術性網路民調平台。該平台於 2012 年成立，並獲得教育部及國科會的肯定與支持，主要致力於推動開放的民意調查與開放資料的應用。由於是使用會員方式填答，因此在於問卷的研究提供另一種可能，讓問卷調查資料具有時間延伸性，讓受試者資料欄可以隨著不同問卷向右增加。
問卷樣本分析
本研究之有效樣本在年齡分佈上高度集中於 39歲以下（佔 61.77%），且居住地以北部地區（北北基桃）為主（佔 51.62%）。相較於內政部的人口統計資料，本樣本未能完全反映全台母體之年齡與地域結構。由於研究的限制，本研究僅能解釋此樣本在本研究主題中所呈現出來的結果，無法進行全國性的推論。
變數編碼
本研究利用此資料原始檔案進行挑選變數及重新編碼，並透過PCA分析後，進行後續解釋與與尋找各變數的潛在關連性。問卷重新編碼方式如下：
問卷編碼
1.學歷：專科以下編為低學歷，大學以上編為高學歷（V3r）
2.題目1「是否為中間選民」數值1編為「中間選民」、234編為「非中間選民」（V7r）
3.題目2「你收到選舉公報後，有沒有好好看過？」的12編為「看公報」、34編為「不看公報」（V8r）
4.題目6「統獨意識」的1編為「快統」、2編為「快獨」、3編為「後統」、4編為「後獨」、5編為「之後決定」、6編為「維持現狀」（V12r）
5.題目21 「總統票」的1編為「賴清德」、2編為「侯友宜」、3編為「柯文哲」、5編為「沒投總統」、6編為「沒投票權」（V43r）
6.題目28「政黨屬性」157編為「泛藍」、23編為「泛綠」、4編為「時力」、6編為「民眾黨」、90編為「其他黨」、9編為「沒投」（V51r）
資料分析與R Studio程式碼
首先先將此筆問卷資料讀入，共有926筆資料與56個變數。
建立mdl資料檔
以下針對各個變數進行編碼
學歷
在本研究中專科以下編碼為低學歷，大學以上編碼為高學歷。分析後發現高學歷占76.0%，低學歷占24.0%。
$ V3r <- rec (mdl$ V3, rec= "1:4=低學歷[低]; 5:6=高學歷[高]" , as.num= F)
Warning in FUN(X[[i]], ...): NAs introduced by coercion
Warning in FUN(X[[i]], ...): NAs introduced by coercion
EDU (x) <numeric>
# total N=926 valid N=926 mean=4.79 sd=1.00
Value | N | Raw % | Valid % | Cum. %
--------------------------------------
1 | 5 | 0.54 | 0.54 | 0.54
2 | 20 | 2.16 | 2.16 | 2.70
3 | 106 | 11.45 | 11.45 | 14.15
4 | 91 | 9.83 | 9.83 | 23.97
5 | 513 | 55.40 | 55.40 | 79.37
6 | 191 | 20.63 | 20.63 | 100.00
<NA> | 0 | 0.00 | <NA> | <NA>
EDU (x) <categorical>
# total N=926 valid N=926 mean=1.76 sd=0.43
Value | N | Raw % | Valid % | Cum. %
---------------------------------------
低學歷 | 222 | 23.97 | 23.97 | 23.97
高學歷 | 704 | 76.03 | 76.03 | 100.00
<NA> | 0 | 0.00 | <NA> | <NA>
身份認同
將問卷中問題1的選項重新編碼，來將受試者分為中間選民與有政黨傾向。
問題1.「你覺得自己算不算是個不受黨派立場影響的選民？」
$ V7r <- rec (mdl$ V7, rec= "1:2=中間選民[是]; 3:4=有政黨傾向[不是]" , as.num= F)
Warning in FUN(X[[i]], ...): NAs introduced by coercion
Warning in FUN(X[[i]], ...): NAs introduced by coercion
你覺得自己算不算是個不受黨派立場影響的選民？ (x) <numeric>
# total N=926 valid N=926 mean=2.00 sd=1.01
Value | N | Raw % | Valid % | Cum. %
--------------------------------------
1 | 384 | 41.47 | 41.47 | 41.47
2 | 251 | 27.11 | 27.11 | 68.57
3 | 200 | 21.60 | 21.60 | 90.17
4 | 91 | 9.83 | 9.83 | 100.00
<NA> | 0 | 0.00 | <NA> | <NA>
你覺得自己算不算是個不受黨派立場影響的選民？ (x) <categorical>
# total N=926 valid N=926 mean=1.31 sd=0.46
Value | N | Raw % | Valid % | Cum. %
-------------------------------------------
中間選民 | 635 | 68.57 | 68.57 | 68.57
有政黨傾向 | 291 | 31.43 | 31.43 | 100.00
<NA> | 0 | 0.00 | <NA> | <NA>
將選項1「算是，我覺得自己是道地的中間選民」編碼為1「中間選民」，其他選項編碼為2「非中間選民」。依照數據分析中間選民佔68.6％、非中間選民佔31.4％。
政見關注
將問卷中問題2的選項重新編碼，來觀察受試者對於候選人政見關注程度，將受試者分為有「看公報」的關注候選人政見與「不看公報」的不關注候選人政見兩部分。
問題2.「你收到選舉公報後，有沒有好好看過？」
$ V8r <- rec (mdl$ V8, rec= "1:2=看公報[關注]; 3:4=不看公報[不關注]" , as.num= F)
Warning in FUN(X[[i]], ...): NAs introduced by coercion
Warning in FUN(X[[i]], ...): NAs introduced by coercion
你收到選舉公報後，有沒有好好看過？ (x) <numeric>
# total N=926 valid N=926 mean=2.25 sd=1.00
Value | N | Raw % | Valid % | Cum. %
--------------------------------------
1 | 199 | 21.49 | 21.49 | 21.49
2 | 478 | 51.62 | 51.62 | 73.11
3 | 70 | 7.56 | 7.56 | 80.67
4 | 179 | 19.33 | 19.33 | 100.00
<NA> | 0 | 0.00 | <NA> | <NA>
你收到選舉公報後，有沒有好好看過？ (x) <categorical>
# total N=926 valid N=926 mean=1.73 sd=0.44
Value | N | Raw % | Valid % | Cum. %
-----------------------------------------
不看公報 | 249 | 26.89 | 26.89 | 26.89
看公報 | 677 | 73.11 | 73.11 | 100.00
<NA> | 0 | 0.00 | <NA> | <NA>
將選項1.2編碼為「看公報」的關注政見與「不看公報」的不關注政見。「看公報」關注政見者佔73.1％，「不看公報」不關注政見者佔26.9％。
統獨意識
將問卷中問題6的選項重新編碼，來觀察受試者統獨意識，來將受試者分為「快獨」的僅快獨立，「快統」的僅快統一，「後獨」的維持現狀，以後走向獨立，「後統」的維持現狀，以後走向統一，維持現狀，「之後決定」看情形再決定獨立或統一，「維持現狀」的永遠維持現狀。
問題6.「關於臺灣和中國（大陸）關係的走向，社會上有幾種不同的看法。你現在比較偏向哪一種？」
$ V12r <- rec (mdl$ V12, rec= "1=快統[儘快統一]; 2=快獨[儘快獨立]; 3=後統[之後統一];4=後獨[之後獨立];5=之後決定[之後決定];6=維持現狀[維持現狀]" , as.num= F)
Warning in FUN(X[[i]], ...): NAs introduced by coercion
Warning in FUN(X[[i]], ...): NAs introduced by coercion
Warning in FUN(X[[i]], ...): NAs introduced by coercion
Warning in FUN(X[[i]], ...): NAs introduced by coercion
Warning in FUN(X[[i]], ...): NAs introduced by coercion
Warning in FUN(X[[i]], ...): NAs introduced by coercion
關於臺灣和中國（大陸）關係的走向，社會上有幾種不同的看法。你現在比較偏向哪一種？ (x) <numeric>
# total N=926 valid N=926 mean=4.32 sd=1.25
Value | N | Raw % | Valid % | Cum. %
--------------------------------------
1 | 14 | 1.51 | 1.51 | 1.51
2 | 91 | 9.83 | 9.83 | 11.34
3 | 77 | 8.32 | 8.32 | 19.65
4 | 341 | 36.83 | 36.83 | 56.48
5 | 211 | 22.79 | 22.79 | 79.27
6 | 192 | 20.73 | 20.73 | 100.00
<NA> | 0 | 0.00 | <NA> | <NA>
關於臺灣和中國（大陸）關係的走向，社會上有幾種不同的看法。你現在比較偏向哪一種？ (x) <categorical>
# total N=926 valid N=926 mean=3.97 sd=1.85
Value | N | Raw % | Valid % | Cum. %
-----------------------------------------
之後決定 | 211 | 22.79 | 22.79 | 22.79
快統 | 14 | 1.51 | 1.51 | 24.30
快獨 | 91 | 9.83 | 9.83 | 34.13
後統 | 77 | 8.32 | 8.32 | 42.44
後獨 | 341 | 36.83 | 36.83 | 79.27
維持現狀 | 192 | 20.73 | 20.73 | 100.00
<NA> | 0 | 0.00 | <NA> | <NA>
分析後「快統」佔1.5％、「快獨」佔9.8％、「後統」佔8.3％、「後獨」佔36.8％、「之後決定」佔22.8％、「維持現狀」佔20.7％。
總統票選擇
將問卷中問題21的選項重新編碼，來觀察受試者對於總統大選時總統票的選擇，將受試者分為投給「賴清德」、「侯友宜」、「柯文哲」、「沒投總統」與「沒投票權」。
題目21.「這次2024年1月13日的大選，你的總統票投給了哪一組候選人？」
$ V43r <- rec (mdl$ V43, rec= "1=賴清德[民]; 2=侯友宜[國]; 3=柯文哲[眾];5=沒投總統[無];6=沒投票權[沒]" , as.num= F)
Warning in FUN(X[[i]], ...): NAs introduced by coercion
Warning in FUN(X[[i]], ...): NAs introduced by coercion
Warning in FUN(X[[i]], ...): NAs introduced by coercion
Warning in FUN(X[[i]], ...): NAs introduced by coercion
Warning in FUN(X[[i]], ...): NAs introduced by coercion
這次2024年1月13日的大選，你的總統票投給了哪一組候選人？ (x) <numeric>
# total N=926 valid N=926 mean=2.57 sd=1.51
Value | N | Raw % | Valid % | Cum. %
--------------------------------------
1 | 310 | 33.48 | 33.48 | 33.48
2 | 181 | 19.55 | 19.55 | 53.02
3 | 246 | 26.57 | 26.57 | 79.59
5 | 166 | 17.93 | 17.93 | 97.52
6 | 23 | 2.48 | 2.48 | 100.00
<NA> | 0 | 0.00 | <NA> | <NA>
這次2024年1月13日的大選，你的總統票投給了哪一組候選人？ (x) <categorical>
# total N=926 valid N=926 mean=3.71 sd=1.18
Value | N | Raw % | Valid % | Cum. %
-----------------------------------------
沒投票權 | 23 | 2.48 | 2.48 | 2.48
沒投總統 | 166 | 17.93 | 17.93 | 20.41
侯友宜 | 181 | 19.55 | 19.55 | 39.96
柯文哲 | 246 | 26.57 | 26.57 | 66.52
賴清德 | 310 | 33.48 | 33.48 | 100.00
<NA> | 0 | 0.00 | <NA> | <NA>
依照受試者資料分析的結果，「沒投票權」佔2.5％、「沒投總統」佔17.9％、「侯友宜」佔19.6％、「柯文哲」佔26.6％、「賴清德」佔33.5％。
政治光譜
將問卷中問題28的選項重新編碼，來觀察受試者對於總統大選時政黨票的選擇當作受試者的政治光譜，將受試者分為投給國民黨、親民黨與新黨的編為「泛藍」，投給民進黨、台聯黨、基進黨的編為「泛綠」，因為要研究第三勢力與中間選民的距離，因此將投給第三勢力的時代力量編為「時力」與投給民眾黨的編為「民眾黨」，投給其他小黨的為「其他黨」與沒投政黨票的「沒投」。
問題28.這次大選的政黨票，你投給了哪一個政黨？
$ V51r <- rec (mdl$ V51, rec= "1,5,7=泛藍[藍]; 2,3=泛綠[綠]; 4=時力[時力];6=民眾黨[民眾黨];8,90=其他黨[其他黨]; 9,=沒投政黨[沒投]" , as.num= F)
Warning in FUN(X[[i]], ...): NAs introduced by coercion
Warning in FUN(X[[i]], ...): NAs introduced by coercion
Warning in FUN(X[[i]], ...): NAs introduced by coercion
Warning in FUN(X[[i]], ...): NAs introduced by coercion
Warning in FUN(X[[i]], ...): NAs introduced by coercion
Warning in FUN(X[[i]], ...): NAs introduced by coercion
這次大選的政黨票，你投給了哪一個政黨？ (x) <numeric>
# total N=926 valid N=926 mean=6.71 sd=14.46
Value | N | Raw % | Valid % | Cum. %
--------------------------------------
1 | 182 | 19.65 | 19.65 | 19.65
2 | 239 | 25.81 | 25.81 | 45.46
3 | 19 | 2.05 | 2.05 | 47.52
4 | 58 | 6.26 | 6.26 | 53.78
5 | 8 | 0.86 | 0.86 | 54.64
6 | 212 | 22.89 | 22.89 | 77.54
7 | 2 | 0.22 | 0.22 | 77.75
8 | 25 | 2.70 | 2.70 | 80.45
9 | 155 | 16.74 | 16.74 | 97.19
90 | 26 | 2.81 | 2.81 | 100.00
<NA> | 0 | 0.00 | <NA> | <NA>
這次大選的政黨票，你投給了哪一個政黨？ (x) <categorical>
# total N=926 valid N=926 mean=3.26 sd=1.64
Value | N | Raw % | Valid % | Cum. %
-----------------------------------------
民眾黨 | 212 | 22.89 | 22.89 | 22.89
沒投政黨 | 155 | 16.74 | 16.74 | 39.63
其他黨 | 51 | 5.51 | 5.51 | 45.14
泛綠 | 258 | 27.86 | 27.86 | 73.00
泛藍 | 192 | 20.73 | 20.73 | 93.74
時力 | 58 | 6.26 | 6.26 | 100.00
<NA> | 0 | 0.00 | <NA> | <NA>
其中投「民眾黨」佔22.9％、「時力」佔6.3％、「泛綠」佔27.9、「泛藍」佔20.7％、「其他黨」佔5.5％與「沒投政黨」佔16.7％。
完成以上編碼後，將本次重新編碼後的V3r、V7r、V8r、V12r、V43r、V51r加入進行MCA的分析。
MCA分析
第一模型維次分析
第一模型最主要取了V3r、V7r、V8r、V12r、V43r、V51r等重新編碼內容進行分析。分析結果如下：
Attaching package: 'dplyr'
The following objects are masked from 'package:stats':
filter, lag
The following objects are masked from 'package:base':
intersect, setdiff, setequal, union
Warning: package 'FactoMineR' was built under R version 4.5.3
Warning: package 'factoextra' was built under R version 4.5.3
Loading required package: ggplot2
Attaching package: 'ggplot2'
The following object is masked from 'package:sjPlot':
set_theme
Want to learn more? See two factoextra-related books at https://www.datanovia.com/en/product/practical-guide-to-principal-component-methods-in-r/
<- select (mdl,V3r,V7r,V8r,V12r,V43r,V51r)<- na.omit (mdlMCA)nrow (mdlMCA.nona) # 629
[1] "V3r" "V7r" "V8r" "V12r" "V43r" "V51r"
<- MCA (mdlMCA.nona, ncp= 5 , graph= F) fviz_screeplot (res, ncp= 10 ,title= "第一模型變數維次圖" )
各變數在各維次中所佔的解釋力
從各變數在各維次的解釋力分析，以第一、二、三維次解釋力較高，接下來會先針對第一二維次進行分析，看看各變項間是否存在著潛在關連性。
Warning: package 'corrplot' was built under R version 4.5.3
corrplot (res$ var$ cos2, is.corr= FALSE , tl.cex= .6 )
由上圖發現，第一維次主要的解釋變數為「賴清德」、「泛綠」、「泛藍」與「侯友宜」，因此將第一維次定義為政治光譜，第一維次的左邊為泛綠、右邊為泛藍；第二維次主要的解釋變數為看公報、不看公報、沒投政黨票、民眾黨；第三維次主要的泛藍、高學歷、低學歷。
本研究所要觀察的「中間選民」主要是在第三、五維次，但經由主成分分析發現解釋這兩個維次的解釋量偏少。代表把這些變數放入時，「中間選民」變得相對不明顯，似乎「中間選民」被其他變數給覆蓋，在後面的分析中將會調整變數的分析，觀察是否可以讓「中間選民」這個變數特性變得較為明顯。
plot (res, axes= c (1 , 2 ), new.plot= TRUE , col.var= "red" , col.ind= "brown" , col.ind.sup= "black" , col.quali.sup= "darkgreen" , col.quanti.sup= "blue" , label= c ("var" ), cex= 0.8 , selectMod = "cos2" , invisible= c ("var" , "quali.sup" ), xlim= c (- 1 , 1.5 ), title= "受訪者維次分佈" )
上圖為個變數在第一二維次的分布狀況，整體受訪者填答資料較偏向於第一二四象限。
變數類別關係圖
plot (res, axes= c (1 ,2 ), new.plot= TRUE , col.var= "red" , col.ind= "black" , col.ind.sup= "black" ,col.quali.sup= "darkgreen" , col.quanti.sup= "blue" ,label= c ("var" ), cex= 0.8 , selectMod = "cos2" ,invisible= c ("ind" , "quali.sup" ), autoLab = "yes" ,title= "第一模型變數類別關係圖" )
從上面變數類別關係圖與維次主成分分析圖來分析，第一維次主要成分為賴清德、泛綠、泛藍與侯友宜，且賴清德與泛綠在第一維次的左方，泛藍與侯友宜在第一維次的右方，因此將第一維次定義為傳統的藍綠政治光譜。
從變數類別關係圖來看，泛綠與賴清德貼近、泛藍與侯友宜貼近、民眾黨與柯文哲貼近，從這樣的結果分析此問卷受訪者填答意向符合邏輯。並且從第一維次來看，中間選民非常靠近第一維次的原點（略偏右），代表沒有明顯的政治光譜，符合其他相關研究的結果，而支持民眾黨的受訪者其政治光譜也是非常靠近第一維次的原點（略偏左），代表著民眾黨的支持者也沒有明顯的政治光譜。另外，支持時代力量的受訪者相對於中間選民與民眾黨，政治光譜是比較偏向綠色。
至於第二維次與第三維次的主成分分別為「泛藍」、「侯友宜」與「民眾黨」、「柯文哲」，因為在第一維次分析就發現政黨與候選人黏著度太高，而且先前提到「中間選民」變數在分析中消失了，因此經過幾次嘗試後，當將V43r（總統大選投給誰）移除後重新分析。
第二模型維次分析
第二模型為第一模型移除V43r編碼後維次分析，來觀察移除後「中間選民」是否會在各維次中成為重要主成分。
library (dplyr)library (FactoMineR)library (factoextra)<- select (mdl,V3r,V7r,V8r,V12r,V51r)<- na.omit (mdlMCA)nrow (mdlMCA.nona) # 629
[1] "V3r" "V7r" "V8r" "V12r" "V51r"
<- MCA (mdlMCA.nona, ncp= 5 , graph= F) fviz_screeplot (res, ncp= 10 ,title= "第二模型變數維次圖" )
重新分析後的各維次主成分分析圖如上圖。
各變數在各維次中所佔的解釋力
從各變數在各維次的解釋力分析，以第一、二維次解釋力較高，接下來會先針對第一二維次進行分析，看看各變項間是否存在著潛在關連性。
library (corrplot) corrplot (res$ var$ cos2, is.corr= FALSE , tl.cex= .6 )
在移除V43r後，「中間選民」變成第五維次的重要主成分之一，並且在第二維次也是主成分之一，相較先前的分析結果有明顯的差異。也就是移去總統候選人的變項後，在維次主成分分析圖「中間選民」較能凸顯在不同維次的影響，有可能是總統候選人的變項中，有某一變項遮蔽了「中間選民」的影響力。接下來將在第三模型進行變項調整，找出可能的影響的變項。
而在第二模型受訪者在第一二維次分佈圖，受訪者均勻散至四個象限。
plot (res, axes= c (1 , 2 ), new.plot= TRUE , col.var= "red" , col.ind= "brown" , col.ind.sup= "black" , col.quali.sup= "darkgreen" , col.quanti.sup= "blue" , label= c ("var" ), cex= 0.8 , selectMod = "cos2" , invisible= c ("var" , "quali.sup" ), xlim= c (- 1 , 1.5 ), title= "受訪者維次分佈" )
變數類別關係圖
第一維次主要成分為「後獨」、「泛綠」、「泛藍」，且「後獨」與「泛綠」在第一維次的左方，「泛藍」在第一維次的右方，因此將第一維次仍然定義為傳統的藍綠政治光譜。
第二維次主要成分為「看公報」、「不看公報」，且「看公報」在第二維次的下方，「不看公報」在第二維次的上方，因此將第二維次定義為受訪者是否在意候選人政見。在第二維次的部分，「中間選民」與「看公報」位子幾乎重疊，也許中間選民與對候選人的政見存在潛在關連。
「中間選民」在變數類別關係圖中，與「泛藍」、「泛綠」與第三勢力的「時代力量」距離很遠，存在潛在關係的機率不大。相對來說「民眾黨」與「中間選民」距離雖然沒有其他黨派來的遠，但也非十分靠近。也就是說「中間選民」並不等於第三勢力，也沒有其他政黨存有潛在關連的。
plot (res, axes= c (1 ,2 ), new.plot= TRUE , col.var= "red" , col.ind= "black" , col.ind.sup= "black" ,col.quali.sup= "darkgreen" , col.quanti.sup= "blue" ,label= c ("var" ), cex= 0.8 , selectMod = "cos2" ,invisible= c ("ind" , "quali.sup" ), autoLab = "yes" ,title= "第二模型變數類別關係圖" )
第三模型維次分析
由於要凸顯「中間選民」的投票行為是否受到「柯文哲」影響，本研究的第三模型是將第二模型中的V43r編碼加入，並移除V51r後進行分析。
library (dplyr)library (FactoMineR)library (factoextra)<- select (mdl,V3r,V7r,V8r,V12r,V43r)<- na.omit (mdlMCA)nrow (mdlMCA.nona) # 629
[1] "V3r" "V7r" "V8r" "V12r" "V43r"
<- MCA (mdlMCA.nona, ncp= 5 , graph= F) fviz_screeplot (res, ncp= 10 ,title= "第三模型變數維次圖" )
各變數在各維次中所佔的解釋力
從各變數在各維次的解釋力分析，以第一、二維次解釋力較高，接下來會先針對第一二維次進行分析，看看各變項間是否存在著潛在關連性。
library (corrplot) corrplot (res$ var$ cos2, is.corr= FALSE , tl.cex= .6 )
在將第二模型終將V43r編碼加入，並移除V51r後進行分析，發現中間選民在第二、五維次所佔的成分相較於第一模型也來得高。但沒有第二模型在第五維次出現所佔主成分比例來的明顯。也就是移除「柯文哲」比移除「民眾黨」對「中間選民」來的影響變化比較大。
而在第三模型受訪者在第一二維次分析也均勻散至四個象限。
plot (res, axes= c (1 , 2 ), new.plot= TRUE , col.var= "red" , col.ind= "brown" , col.ind.sup= "black" , col.quali.sup= "darkgreen" , col.quanti.sup= "blue" , label= c ("var" ), cex= 0.8 , selectMod = "cos2" , invisible= c ("var" , "quali.sup" ), xlim= c (- 1 , 1.5 ), title= "受訪者維次分佈" )
變數類別關係圖
在第一維次主要的解釋變數為「賴清德」、「後獨」、與「侯友宜」，因此將第一維次仍然定義為政治光譜，第一維次的左邊為泛綠、右邊為泛藍，且在第一維次中「柯文哲」與「中間選民」的潛在關連相近。
在第二維次是以「柯文哲」、「中間選民」與「政黨傾向」為主成分，在第二維次（Y軸）上方為有政黨傾向，下方為「柯文哲」與「中間選民」，因此將第二維次定義為是否有政黨傾向。從圖形看來「中間選民」的確是落於有政黨傾向的相反方向，而與「中間選民」同方向且維次最大解釋量是「柯文哲」。
綜合上述兩維次判斷「中間選民」與「柯文哲」似乎存在著潛在關係。
plot (res, axes= c (1 ,2 ), new.plot= TRUE , col.var= "red" , col.ind= "black" , col.ind.sup= "black" ,col.quali.sup= "darkgreen" , col.quanti.sup= "blue" ,label= c ("var" ), cex= 0.8 , selectMod = "cos2" ,invisible= c ("ind" , "quali.sup" ), autoLab = "yes" ,title= "第三模型變數類別關係圖" )
研究結果
中間選民的政治光譜
凡是未能明確歸類於泛藍或泛綠光譜內的選民，往往被學界與媒體粗略地統稱為「中間選民」（Middle Voters 或 Independent Voters）（盛杏湲，2016；Dalton, 2012）。從本研究的三種模型的情況下，第一維次均為傳統的政治光譜，在不同的變數增刪減後，發現中間選民在政治光譜部分，都是靠近第一維次的中間，也就是說沒有明顯的光譜顏色。從本研究得到的結果，中間選民在政治選擇上，心目中並沒有藍綠的差別，與其他相關研究文獻結果相同 。
中間選民與第三勢力部分，因為時代力量政治光譜明顯偏綠，因此與中間選民的距離相當遙遠。至於民眾黨雖然政治光譜在中間偏一點綠，但實際上與中間選民的中間偏一點藍還是有點距離。
綜合以上，中間選民在政治光譜上不論與藍綠或第三勢力還是有距離的。
中間選民在2024總統大選的選擇
「中間選民」可能是對政治冷感、缺乏政黨認同的邊緣群體；也可能是厭惡意識形態鬥爭、強調「選人不選黨」或「看政見投票」的理性經濟選民（Fiorina, 1981）。在本研究的第二模型變數類別關係圖的第二維次中，「中間選民」幾乎與「看公報」重疊，也就是說中間選民相較於政黨認同對候選人的政見比較在意 ，並且對於統獨的意向是屬於「之後決定」，符合Fiorina所提出來的理論，因此好的候選人會對中間選民來說更具有吸引力。
在第一模型中「中間選民」在各維次解釋的都不是重要的主成分，而且只僅出現在第二、五維次且所佔比例十分的低。在第二模型移去總統大選人選與第三模型移去政黨後，「中間選民」才在這兩個模型中的第二、五維次出現比重較重的成分。尤其在第二模型移除總統大選候選人後，「中間選民」在第五維次出現的重要主成分效應來得更加明顯。也就是說，中間選民有可能部分在政黨票投給民眾黨，有更大的比例是在總統票是投給柯文哲，因此選人的效應比選黨來得明顯 。就2024中央選舉結果來看，柯文哲的得票比例為26.46％，而民眾黨政黨票的得票比例為22.07％，而第一模型中「柯文哲」與民眾黨幾乎重疊來看，中間的4.39％應該就是中間選民的對這兩者間支持的差距了。
結論
在這份2024總統大選後的問卷調查，從這份樣本來分析可以看出來，中間選民依然是中間選民，在政治光譜上與藍綠的距離相當遙遠，而與第三勢力的時代力量也是。雖然民眾黨與中間選民較為接近，但可能是因為柯文哲的因素所造成，也就是說中間選民在選人不選黨的情況下，選擇了離藍綠光譜較遠的柯文哲，也部分中間選民在政黨票順便選擇了民眾黨。中間選民到底是因為什麼因素選了柯文哲，從第二模型得到推論可能是因為柯文哲競選政見吸引了中間選民，但本分問卷沒有政見相關的題目設計，未來可以針對這部分找相關問卷資料，或是設計相關問卷來進行研究，方可窺探中間選民內心中到底在想些什麼，到底是什麼可以吸引中間選民出來投票，目前在這個研究這還是在中間選民內心中無法探索出的一塊大陸。
參考文獻
中文文獻
吳玉山（2019）。〈台灣政治光譜的重組：藍綠之外的第三勢力〉。《政治科學論叢》，（80），1-34。
盛杏湲（2016）。〈誰是中間選民？台灣中間選民的變遷與政治影響〉。《台灣政治學刊》，20（2），55-102。
張佑宗（2017）。〈太陽花學運後的青年政治參與與政黨版圖重組〉。《台灣民主季刊》，14（1），45-82。
蔡佳泓、陳陸輝（2022）。〈第三政黨的發展與挑戰：台灣民眾黨的社會基礎與政治態度〉。《台灣民主季刊》，19（3），1-36。
英文文獻
Fiorina, M. P. (1981). Retrospective voting in American national elections . Yale University Press.
