政黨支持的空間迴歸

一個地方的政黨支持意向，究竟是受其鄰近鄉鎮的影響較深，還是其社會經濟條件呢? Moran’s I可評量空間單元的相似度，若其值為正，則表示空間單元的屬性具有相似群聚，選取權重為Queen contiguity of first order，來計算2004年民進黨相對於國民黨的Moran's I，其值高達0.679，顯示相鄰近的區域具有高度相似的政黨投票意向，當權重為Queen contiguity of second order時，Moran’s I 值降至0.5446，仍是相當的具有高度相似性，因此到底選舉意向的空間延遲(spatial lag)將延續幾層鄰近區呢?下圖顯示當權重達到8th order時，空間延遲才停止，因此一區域對某政黨的支持氛圍可以影響7層鄰近鄉鎮!!不過這是整體平均下來的結果，而且Moran’s I沒有辦法考量地形與交通的阻絕，因此雖然某些鄉鎮相臨，但其居民並不經常往來，或是沒有考量行政區域的大小影響，因此雖然其為第7個鄰近單元，但因有便捷的路網，因此距離並不遙遠。這是Moran’s I的限制。

Global Moran’s I 看不出Autocorrelation的分布情形，因此用LISA來看2004年民進黨相對國民黨的分布，從第一鄰近到第四鄰近，雖然有部分差異，但還是可以看到明顯的壁壘分明，High-High區為民進黨支持度較高的地區，均集中在雲嘉南，而Low-Low區為國民黨支持度較高的地區，集中在竹苗、山地鄉與東部。不過，究竟是地區的氛圍造成這樣的現象，還是因為這些地區有特屬於這一區的社經及歷史條件，形成支持某一政黨傾向?

Regression

選取EDU456、Income92、AGRI89、INDUS89、Serveice89、NoMove89、Work89及NoWork作為迴歸之獨立變數，得到如下表之結果，顯示在未考慮空間自相關下，以上之8個社經變數，只能解釋24.83%的2004年民進黨相對國民黨的支持情形，其中有3個獨立變數達顯著水準:NoMove89、Work89及NoWork；五年內之未遷移人口比例越高，15~65工作人口比例越高的鄉鎮市，越傾向支持民進黨，而失業的人口比率越高，則傾向支持國民黨。

Spatial Regression Model
Y=ρWY+Xβ+ε

若考慮空間相關性，以Queen of 1st order作為權重，作spatial regression model，則可解釋67.38%(下表) 2004年民進黨相對國民黨的支持情形!而WY的係數ρ=0.8007，為一相當接近1的正值，代表相當強的空間延遲效果，代表支持民進黨的鄉鎮市其周圍的鄉鎮市亦是支持民進黨，反之亦然。再加入空間延遲變數後，僅剩下NoMove89及NoWork有達顯著水準，但其實並不表示其他的獨立變數不具有影響效果，因為這是Global model，所有數值都被平均了，因此某些地區的特性與另一地區的特性相反，經過加總(aggregate)之後，特性反而被隱匿了，因此只能說這是整體的平均特性，並不能用來推論個別鄉鎮市。

綜合上述Regression model及Spatial Regression model，影響鄉鎮市區2004年民進黨相對國民黨的支持情形，是多因子的混合模型，其中空間延遲變數較其他社經變數，更能描述依變數的變化，因此空間迴規模性比傳統的迴歸模型，更適宜來處理此類具有空間意涵的資料。

資料來源:中央選舉委員會

r97228024黃宜庭