勘災政治學 賴清德必修
中時新聞網.2024年10月7日 04:10

(圖/本報系資料照)

 山陀兒颱風造成新北的金山、萬里地區豪雨成災,淹水當天賴清德總統正在台南廟宇參拜,引發在野陣營抨擊,隔天趕緊安排北上勘災,避免民怨擴大。

 勘災是政治人物爭取選民好感與支持的最好機會,賴總統此次動作慢半拍,當然是因為接下來一、兩年沒有選舉,不必太著急,但有意競選2026新北市長的民進黨立委蘇巧慧,恐怕急到坐不住了,於是賴總統一抵達金山、萬里災區,陪同的除了當地立委廖先翔,蘇巧慧與她的潛在對手國民黨立委洪孟楷也緊緊跟隨在後。

 總統勘災表現不理想,造成政治災情最慘痛的例子,是2018年蔡英文前總統搭裝甲車巡視嘉義布袋水災那次,不只當場被災民嗆聲,也打擊她的政治形象,連帶影響民進黨在該年底的九合一選舉。選舉過後,蔡英文一改先前疏離的政治身段,努力下鄉與民眾搏感情,才能在2020總統大選扭轉頹勢。前總統馬英九也曾因勘災時,回災民一句「我不是來了嗎?」而挨批。

 勘災的基本動作除了快且及時,更要展現親民愛民的風範,前總統蔣經國就是教科書等級的身段,他不只在水深及腰的災區涉水勘災,甚至晚上在當地過夜,跟民眾一起睡在稻草地鋪上頭。美國東南部最近也發生颶風災害,總統候選人川普趕緊前往災區,殷殷垂詢民眾,並抨擊對手副總統賀錦麗救災不力,可見勘災政治學是政治人物的必修學分。

 賴清德一向給人嚴謹的印象,但當上總統以後,似乎有變成嚴格甚至嚴厲的趨勢。這次颱風他1日赴中央災害應變中心聽取防颱整備狀況,在視訊時6問花蓮縣長徐榛蔚撤村人數「是8千還是3千?」引發批評。其實賴清德當場不可能弄懂細節,應該表達關心就好,不必一直追問確實數字,才不會給人嚴苛、不信任下屬的印象。

 賴清德6日在金山、萬里勘災時,提到防災需要經費,希望明年度總預算案盡快通過,現場藍綠官員與民代當然沒人敢反對,問題是這次總預算案兩度在立法院被退回,牽涉複雜的朝野競合關係,在災區提起這樣的議題,難免給人借題發揮的印象。事實上金山、萬里這次的突發性暴雨,當地數十年罕見,比花錢治水更要緊的是加強大家的防災意識,避免民眾傷亡。

 這次颱風引發颱風假太寬鬆的爭議,下一次有可能縣市長會往加嚴方向調整。賴清德擔任台南市長期間對颱風假爭議體會頗深,應以總統高度檢討颱風假制度,以免縣市長患得患失,讓民眾曝露在災害風險裡。(作者為醫師)

最新選舉新聞

最新選舉新聞

多元觀點

不同視角的媒體報導

回應 祖國論

晚會 祖國

祖國論 嗆中

賴清德 致詞

晚會 巨蛋

金山 勘災

TVBS新聞網
太報
TVBS新聞網
中時新聞網
柯文哲通訊對話流出?鍾小平爆內容「鹹濕」:下週出大事
前台北市長、民眾黨主席柯文哲因京華城案遭裁定收押禁見,台北地檢署近期也積極偵辦此案,國民黨台北市議員鍾小平昨(5)日爆料,傳出柯文哲的手機已被破解,其中包含微信、LINE等軟體的對話內容「鹹濕」,涉及「追女生」,並預言下週可能會「出大事」。
  • 資料來源:網路溫度計自2017年至今約累積28億則以上文章的網路社群大數據資料庫,其內容涵蓋Facebook、YouTube、Instagram、Dcard、以及包含Yahoo奇摩新聞、聯合新聞網、中時新聞網、ETtoday新聞雲、LINE TODAY、蘋果日報、自由時報、三立新聞網等約350家媒體網站上與選舉相關之政黨、候選人公開資料。
  • 分析方式:本模型分析方式非採傳統抽樣之民意調查,係將蒐集之資料庫予以分析,無母體數、樣本數限制。本模型係運用大數據關鍵引擎,透過深度學習與AI人工智慧技術,使用斷字切詞(Word Segmentation)、語意分析(Semantic Analysis) 、即時情緒分析(Real-Time Sentiment Analysis)等技術,汲取網路上相關討論文章,將文章分為正面、負面、中立三種情緒,計算網路聲量。
  • 跨世代劃分標準:本預測模型判別跨世代之依據,係以不同世代使用者之網路社群行為模式差異區辨。以不同社群網站之使用者世代臉譜數據為基礎,計算跨世代在不同社群聲量上的權重,綜合計算後得到世代好感度數據。
  • 名詞解釋
    • 網路聲量:透過「KEYPO大數據關鍵引擎」,計算社群討論及新聞報導提及的文章則數,聲量越高代表討論越熱,能見度越高。
    • 好感度分數:綜合評估網路聲量與網友語意情緒,分析各熱門候選人的網友評價。各熱門候選人的情緒、聲量皆經過標準化分數處理,得出好感度分數,再進行各縣市候選人彼此的比較,評量不僅需要聲量高,而且是好評要高,負評要低。好感度分數範圍在0-100分之間,分數越高,表示整體網友對於該位候選人的好感程度越佳。
  • 其他說明
    • 調查單位及主持人:大數據股份有限公司
    • 辦理時間:即日起至2022年11月16日止,逐日更新好感度數據。
    • 抽樣方式:本預測模型非抽樣之民調調查
    • 母體數:無母體數,請參考上述大數據資料庫的內容涵蓋範圍
    • 樣本數及誤差值:本預測模型非採用小樣本抽樣之民意調查,不適用抽樣誤差值
    • 經費來源:Yahoo奇摩、大數據股份有限公司