# 03 選民模型 用真實資料估出每個村里的選民結構,再算每位候選人的預期得票。程式在 `packages/engine/src/voter.ts`(公式)與 `packages/engine/src/params.ts`(參數);選民群人數由資料管線 `data/pipeline/src/election_data/cells.py` 估計。 現在用到它的地方: - **選戰卡牌開局**(`packages/rogue/src/setup.ts`、`local.ts`):用模型算出各區、各里的預期得票,當成雙方的底盤。開局之後的變化都是牌面上的數字,規則不再碰模型。 - **校準與回測**(`apps/sim`):舊的十週引擎讓 AI 對打,調整每位候選人的魅力值與投票率倍率,讓全縣市得票接近真實結果,寫進 `calibration.json`(見下面「校準」)。 ## 地理層級 | 層級 | 用途 | |---|---| | 村里 | 模擬的最小單位,每個村里 30 個選民群 | | 鄉鎮市區(區) | 縣市長、立委選舉的地圖單位;樁腳強度以區為單位 | | 縣市 | 總統選舉的地圖單位(資料包以 `regionLevel: "county"` 建立,把縣市當成區) | ## 選民群 每個村里的成年人切成 5 個年齡層 × 6 個政黨傾向 = 30 個選民群(`protocol/src/area.ts` 的 `AGE_BANDS`、`LEANS`): | 維度 | 分類 | |---|---| | 年齡層 | 20–29、30–39、40–49、50–64、65 以上 | | 政黨傾向 | 甲黨核心、甲黨傾向、中間、乙黨傾向、乙黨核心、第三勢力傾向 | 甲、乙、第三勢力是模型裡的槽位(`a`、`b`、`c`,其他政黨是 `other`),由劇本對應到當年的真實政黨。 ### 人數怎麼估 1. 年齡:戶政的村里年齡人口。 2. 政黨傾向:該里歷屆選舉的得票比例。 3. 生態推論:用所有村里的年齡結構與政黨傾向做加權最小平方(加 ridge 收斂),估出各年齡層的傾向分布 P(傾向 | 年齡)。不需要調查資料。 4. 疊代比例調整(IPF):以 P(傾向 | 年齡) × 年齡人數當種子,調到同時符合該里的年齡人數與傾向比例。 村里另外帶有屬性(每千人宮廟數、人口密度、客家人口比例等),卡牌模式用來判斷地區特色(年輕人多、長輩多、宮廟多、客家庄…)。 ## 狀態 | 狀態 | 單位 | 意義 | 每週衰退 | |---|---|---|---| | 知名度 A | 選民群 × 候選人 | 知不知道這個人(0–1) | 2% | | 好感度 F | 選民群 × 候選人 | 喜不喜歡(−1–1) | 往基準回歸 10% | | 熱度 M | 選民群 × 候選人 | 支持者有多想去投票(0–1) | 15% | | 樁腳 K | 區 × 候選人 | 地方組織 | 5% | | 聲勢 S | 候選人 | 整體氣勢 | 25% | | 全國風向 | 政黨槽位 | 全國氣氛 | — | ## 投票公式(`computeVoteModel`) 選民群 g 對候選人 c 的偏好: ``` U(g,c) = βp · 政黨契合[c 的槽位][g 的傾向] + βf · F(g,c) + βk · K(g 所在的區, c) + βs · S(c) + βmood · 全國風向(c 的槽位) + 魅力(c) // 劇本裡的 appeal,由校準決定 − 2.5(候選人已退選) ``` 考慮集合:知名度太低的人大多不會被考慮,`w(g,c) = sigmoid((A − a0) / s)`。 選擇機率: ``` 誠實票 P(g,c) ∝ w · exp(U / τ) 策略票 P'(g,c) ∝ w · exp((U + βv · ln V(c)) / τ) // V = 被認知的勝選機率(最近一次公開民調) 實際 (1 − σ) · P + σ · P' // σ = 這個傾向的策略性選民比例(棄保) ``` 沒有民調時(例如卡牌開局)不計棄保。 投票率: ``` T(g) = 該里歷史投票率 × 劇本投票率倍率 × 年齡層係數 × (1 + κ · (熱度 − 熱度基準)) × 天氣係數 ``` 夾在 15%–97% 之間。年齡層係數以村里平均正規化成 1,保留該里的歷史投票率。 預期得票 = Σ 選民群人數 × T × P(`aggregate`)。舊引擎的投票日(`engine/src/election.ts`)再依這個期望值抽樣,分到各村里。 ## 參數(`DEFAULT_PARAMS`) | 參數 | 值 | 說明 | |---|---|---| | βp | 2.0 | 政黨契合 | | βf | 1.5 | 好感度 | | βk | 0.6 | 樁腳 | | βs | 0.4 | 聲勢 | | βmood | 1.0 | 全國風向 | | βv | 0.5 | 棄保 | | τ | 1.0 | 選擇溫度 | | a0, s | 0.3, 0.08 | 考慮集合的門檻與斜率 | | σ | 核心 0.05、傾向 0.25、中間與第三勢力 0.35 | 策略性選民比例 | | κ | 0.25 | 熱度對投票率的影響(熱度基準 0.3) | | 年齡層投票率 | 0.82、0.88、0.98、1.08、1.06 | 20 歲起五個年齡層 | | 廢票率 | 1.5% | | 政黨契合是槽位 × 傾向的表(例如甲黨對甲黨核心 1.0、對乙黨核心 −1.0、對中間 0),完整數字見 `params.ts`。 ## 校準 `node apps/sim/src/calibrate-local.ts --set <劇本組>`:讓舊引擎的 AI 對打,反覆調整每位候選人的魅力值(`appeal`)與全縣市投票率倍率(`turnoutScale`), 直到全縣市得票與投票率接近真實結果;「勢均力敵」劇本另外算一組 `evenAppeal`。各區、各里的誤差只當驗證,寫進 `data/build/scenarios/<劇本組>/calibration.json` 與報告。`packages/scenarios` 讀這個檔把校準值放進劇本,卡牌模式開局時用。 回測:`pnpm --filter @election2026/sim backtest`,拿區、里層級的結果和真實開票比較。