高金素梅撂話下星期一再排修《選罷法》 劉世芳:沒共識不要倉促立法
三立新聞網 setn.com.2024年7月4日 17:35

記者陳怡潔/台北報導

內政部長劉世芳。(圖/記者陳怡潔攝影)

立法院內政委員會今(4日)排審《公職人員選舉罷免法》部分條文修正草案,民進黨立委一大早發動甲動反擊,8點半前就佔領主席台,並爆發衝突。到了下午2時30分,召委高金素梅前往內政委員會要宣布轉移地方開會,卻被阻擋,最後移到群賢樓101。不過,內政委員會主秘無法過來,高金素梅只好在群賢樓101宣布散會,並撂話「星期一我會重新排案」。對此,內政部長劉世芳回應,社會沒有凝聚共識,突然要修法通過的話,會造成比較多歧見,下個禮拜要繼續,當然都尊重。

針對今天一整天無法審選罷法修法,劉世芳下午受訪指出,行政系統當然都會尊重立法院議事攻防,可以看得出來,有關選罷法,不管是哪一位委員,個別提的修正案,其實真的是沒有凝聚共識,今天一整天議事攻防集中在哪個地方開會、哪個地方沒有開會、誰有來、誰沒有來,沒有真正討論到說選罷法的相關內容,包括降低門檻、提高門檻,或者有沒有身分證影本,表示這其實是政治性非常強的法案,既然政治性非常強,朝野的黨團都沒有凝聚共識,跟內政部原來寫的報告一樣,社會沒有凝聚共識,突然要修法通過的話,會造成比較多歧見,下個禮拜當然都尊重,需要審查,還是會來。

劉世芳認為,提高門檻跟降低門檻在很多不同的政治攻防上所提的理由,因為無論怎樣,就個迴力標,要提高門檻,自己的比較不容易被罷免掉,但是敵方也不容易被你罷免掉;那要降低門檻的話,敵方很容易被罷免掉,但自己也很容易被罷免掉,所以這裡面沒有共識出來的話,是不是不要倉促立法通過。

至於選罷法關於原住民的部分修法,劉世芳表示,贊成不要採取遞補,可以讓原住民補選,原住民裡面有個要二分之一以上的話才可以補選,覺得可以比照區域立委。

另外,今天早上國民黨立法院黨團總召傅崐萁當面溝通,劉世芳說,她在想傅崐萁是不是把她當立委,因為傅崐萁叫她回去跟民進黨立法院黨團總召柯建銘講,她是來這邊備詢,沒有關係,至少她有表達立場,站在內政部立場,就是尊重。

更多三立新聞網報導
修選罷法受阻!撂話下星期一再來 高金素梅換開會場地宣布「散會」
國民黨控內政委員會主秘被囚禁!王鴻薇:已經完成報案,看警政署辦不辦
從內政委員會撤退!傅崐萁率藍委控綠「毆打徐巧芯」:國民黨沒既定立場
抓包違規!王美惠高分貝搜出國民黨私帶麥克風 民進黨立委笑翻

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

土地 涉貪

聲押 桃園

生日 桃檢聲 禁見

桃園 涉貪

土地 收賄

生日 涉貪

中天新聞網
太報
今日新聞NOWnews
CTWANT
鄭文燦涉貪500萬元交保!從政爭議一次看
海基會董事長、前桃園市長鄭文燦驚涉貪遭查辦,桃園地方法院今天(6日)下午裁定以500萬交保,限制住居、限制出境出海。回顧鄭文燦的政治生涯,一路走來,其實也爭議不斷。
  • 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