王鴻薇「光速落跑」議員缺是否遞補? 落選頭吳崢曝「這原因」席次將出缺
菱傳媒.2022年12月2日 17:06

吳崢直言不能接受人民剛剛選出未來四年的代表,連就職都還沒就職,就要去立法院當立委。翻攝吳崢臉書

(菱傳媒/台北報導)台北市第三選區(松山、信義)立委補選明年1月8日舉行,國民黨已宣布徵召甫當選北市議員的王鴻薇參選,該選區的「落選頭」吳崢能否遞補引發各界討論。對此,吳崢直言不能接受人民剛剛選出未來四年的代表,連就職都還沒就職,就要去立法院當立委,「把個人的利益、政黨的利益放在市民的信任與託付之上」;而依法如果當選人未就任或辭職,該席次將直接出缺。

吳崢今年以無黨籍身分參選台北市議員未能如願當選,是該選區的「落選頭」,他今日(2日)下午在臉書表示,自己今天謝票時,許多支持者都來關心詢問如果王鴻薇議員選上立委,是不是他就可以遞補了?他直言對於王鴻薇急轉彎的態度,內心充滿訝異,也難以接受。

吳崢批,謝票都還沒謝完,居然有人這時候就公然表示自己不想當市議員了,想去立法院當立委,連就職都不知道會不會去,這不是擺明背棄對選民的承諾嗎?「怎麼有人會這麼輕視,這麼不把市民、市議會放在眼裡呢?」、「歷時一年、耗費大量社會資源的選舉剛剛結束,人民剛剛選出未來四年的代表,卻有人連就職都還沒就職,就已經在求職找下一份工作。把個人的利益、政黨的利益放在市民的信任與託付之上。」

吳崢強調,這樣把政治利益當成逐水草而居的機會主義者,他認為不值得市民託負更大的責任,也由衷不希望中山、北松山的市民,選出這樣的人做立法委員。

「既然當選了,就該在位子上好好做事,履行對市民的承諾與義務。」吳崢也質疑,王鴻薇在這次以「最好的選擇」作為競選主軸,後期還祭出「搶救」攻勢,向選民呼籲集中選票搶救她,把她留在議會,「如果一選上人就消失了,這樣算是最好的選擇嗎?如果根本無心留在議會,早就志不在此,那為什麼要號召選民搶救,把妳留在議會呢?到底把對選民的承諾當成什麼呢?」

至於是可遞補?吳崢指出,根據《選罷法》第74條,只有議員當選人被法院判決當選無效或褫奪公權,才會由落選人依得票數遞補,如果當選人只是未就任或辭職,「那麼該席次將直接出缺」,也就是說,王鴻薇如果當選立委,松山信義區就會再少1席議員,「從上屆的10名議員減少到剩下8名議員,不會遞補也不會另行舉辦補選」。

菱傳媒原始網址:王鴻薇「光速落跑」議員缺是否遞補? 落選頭吳崢曝「這原因」席次將出缺

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

陳耀祥 移送

立院 通過 電價

勞工 遊行

提升 勞工

日本 自民黨 訪團

台南 議長 涉賄

風傳媒
中廣新聞網
台視新聞網
TVBS新聞網
陳耀祥強調不延任「屆滿離職」 藍白聯手決議要另3名NCC委員比照宣示
國家通訊傳播委員會(NCC)繼任委員提名人選出爐,在野陣營對名單頗有意見,但依法若新任委員未能提任,將由原任委員延任至新任委員就職前1天。...
  • 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