罷免聲起 眾院議長強生腹背受敵
世界日報World Journal.2024年4月17日 14:25

眾院共和黨議長強生(Mike Johnson)的職位和他提出的對外援助法案,正面臨雙重威脅。15日晚,他提出處理戰時援助外國盟友包括以色列、烏克蘭、台灣的複雜提案後,揚言罷免他的共和黨極右翼議員又多了一位,他的提案須先通過程序性投票,共和黨支持票數卻遠遠不足。

16日共和黨每周會議上,眾議員馬西(Thomas Massie)宣布同意眾議員格林(Marjorie Taylor Greene)罷黜強生計畫,並起立呼籲強生辭職。這表示,若民主黨選擇不出手相救,共和黨只需獲簡單多數,即可在半年內罷免第二位議長;眾院將在選舉年進一步陷入混亂,共和黨的眾院微弱控制岌岌可危。

但強生16日強硬回應表示,「我不會辭職。」他稱此罷免威脅非常「荒謬」,無助於眾院共和黨人推進議程;他還說,他視自己為「戰時議長」,「我們需要穩定領導」。

強生過去幾個月來一直延後就參院通過的950億元國家安全補充法案做出決定,該法案主要為以色列、烏克蘭和台灣提供軍援。強生15日的提案將參院對外援助計畫分成三項獨立的法案,每個國家一項,第四項包含保守派優先事項法案。實質細節仍待宣布。

美國廣播公司(ABC)報導,強生公布提案前曾與拜登總統交談。白宮官員表示,政府正等待詳細了解該計畫,再與民主黨討論如何推進。

強生曾表示,他的提案資金水準將與參院計畫類似。參院安全援助方案為烏克蘭提供約600億元、以色列140億元、為印太地區夥伴提供近50億元。

強生的做法引起黨內右翼更多不滿。格林可隨時觸發罷免動議,一旦提議即須在48小時內表決。若格林獲得逾兩票的共和黨票數罷免強生,強生就必須靠民主黨出手相助來保住議長職位。

去年10月前共和黨議長麥卡錫(Kevin McCarthy)遭罷免時,有八名共和黨人與所有民主黨人一起投下贊成票。

部分民主黨人私下表示,他們會救強生一把。眾院民主黨團主席艾吉拉(Pete Aguilar)16日被問及罷免議長動議時表示,「我們不喜歡混亂和功能障礙。」

更多世界日報報導
電動車二手價暴跌32% 更沒人願意買了
起飛不久出現異常 飛行員「彈出飛機」撞機尾導致自己跟乘客喪命
以伊被指「打假球」眾院自由黨團:援烏案休想混過關

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

正副議長 賄選

中國 馬祖 旅遊

蕭美琴 聽取 國安局

點名 台北市長

中國 兩岸

柯建銘 賴清德

中時新聞網
中時新聞網
TVBS新聞網
聯合新聞網
消遣閒聊事證不足 法官4理由打臉
台南市正副議長賄選案10名被告,一審全被判無罪引發譁然,台南地院刑一庭長莊政達29日列舉4大理由,強調檢察官並未提出具體、特定內容,足以證明邱莉莉等人有賄選、恐嚇情事;此外,邱莉莉經民進黨提名參選議長後,與被告等人聯繫掌握選舉情資的舉動也屬正常且無不法,難以作為對邱莉莉等人不利的認定。
  • 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