是否提高罷免門檻 各界正反意見大不同
中央廣播電台.2024年7月3日 11:46

立法院今(3)日上午召開公聽會,針對選罷法有關罷免門檻等議題進行討論。國民黨立委徐宇甄表示,2016年選罷法修法後,已經變成罷免比當選容易的畸形制度,因此提議提高罷免門檻。但也有學者提出不同意見,認為提高人民實現民意的門檻,令人匪夷所思。

立法院內政委員會3號上午舉行「公職人員選舉罷免法實務精進」公聽會,會中對於選罷法中,是否要修法提高罷免門檻,以及明確限制公職人員當選一年內,不得進行任何罷免行動程序,進行激烈討論。

提案委員、國民黨立委徐宇甄表示,罷免制度有機會讓民眾下架不適任的公職人員,但也要警惕不要成為政治鬥爭的籌碼。現行罷免門檻為有效同意票大於不同意票,且同意票數達原選區1/4選舉人數即通過,等於讓少數的民意去否決民意。徐宇甄說:『(原音)選舉是選賢與能,罷免是免除不適任的公職人員續任公職的一個手段,那單一選區要近半數的選票才能夠當選,但是現在卻只要1/4的門檻,就可以把它罷掉,形同讓少數的民意否決多數的民意,因此當選時票數較高,但是罷免時只要部分的人,1/4的人同意就可以通過,導致罷免亦成為政治報復的工具,顯然非常不合理。』

台北大學公行系教授劉嘉薇則認為,有關不得對就職未滿一年的公職人員提起罷免,立法原意應該是不得啟動罷免程序,包含連署等相關行動,法律上應該要去敘明清楚。

但陽明交通大學科法院教授林志潔表示,提高罷免門檻令人匪夷所思,從二月到現在,立院一連串違憲擴權疑慮行為,立委應該好好反省檢討,罷免是人民實現民意的方式,修法應回應民意的需求。林志潔說:『(原音)我們如果沒有任何的制度,可以來制止國會議員的濫權,卻反而要去提高人民實現民主的門檻。我必須說這真的很讓人民失望,也讓民主蒙羞。』

基隆市長罷免案、山海公民拆樑行動發言人李晏蓉則表示,選舉與罷免的投票率不同,要求罷免票與當選票相當是不合理的。另外限制公職人員當選一年內,不得啟動任何罷免程序,是否有限縮人民對於民主討論疑慮,修法前應審慎思考。

原始連結

更多中央廣播電臺新聞
藍營「護樑」欲罷免童子瑋 林右昌:恐讓拆樑力量更強大
民團重返立院外集會 濟南路3日管制車輛通行
藍營醞釀修法提高罷免門檻 卓揆:人民與民代契約不容破壞

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

阻擋 內委會

建設 引進 中資

侯友宜 停權

國民黨 囚禁 議事

澎湖 漁船

離島 建設 修法

中天新聞網
中天新聞網
中天新聞網
中天新聞網
面對罷免怎處理?郭正亮舉「這2人」當借鏡:謝國樑別硬碰硬
公民團體發起的罷免基隆市長謝國樑「拆樑」行動,目前傳出第2階段連署書已達到門檻,謝國樑今(1)日出席活動時被問到此問題時回應,「請大家放心」。對此,前立委郭正亮回顧過往案例,呼籲謝國樑「別和對手硬碰硬」。
  • 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