[论文解读] Party Polarization in Congress: A Network Science Approach

Andrew Scott Waugh, Liuyi Pei+3 more|arXiv (Cornell University)|Jul 20, 2009

Electoral Systems and Political Participation被引用 53

一句话总结

本文提出一种基于模块度的网络科学方法，用于衡量美国国会的极化程度，通过分析委员会投票模式来识别具有凝聚力的立法团体，而无需预设意识形态或政党结构。研究发现，模块度可预测多数党更替与个人连任成功，其中分裂性与团结性成为关键预测指标，为立法动态演变提供了早期预警系统。

ABSTRACT

We measure polarization in the United States Congress using the network science concept of modularity. Modularity provides a conceptually-clear measure of polarization that reveals both the number of relevant groups and the strength of inter-group divisions without making restrictive assumptions about the structure of the party system or the shape of legislator utilities. We show that party influence on Congressional blocs varies widely throughout history, and that existing measures underestimate polarization in periods with weak party structures. We demonstrate that modularity is a significant predictor of changes in majority party and that turnover is more prevalent at medium levels of modularity. We show that two variables related to modularity, called `divisiveness' and `solidarity,' are significant predictors of reelection success for individual House members. Our results suggest that modularity can serve as an early warning of changing group dynamics, which are reflected only later by changes in party labels.

研究动机与目标

• 解决传统极化测量方法在依赖意识形态或政党结构的严格假设方面存在的局限性。
• 开发一种基于实际投票模式而非空间意识形态模型的行为基础极化测量方法。
• 检验网络模块度是否能预测立法联盟的结构性变化，例如国会多数党的更替。
• 评估由模块度导出的指标——分裂性与团结性——对个人选举成功的预测能力。
• 证明模块度能够比政党标签或传统指标更早检测到新兴的群体动态。

提出的方法

• 将每位立法者建模为网络中的节点，节点间连线的权重基于其在委员会投票中的一致性。
• 使用邻接矩阵 A_ij = (1/b_ij) * Σ_k γ_ijk，其中 γ_ijk = 1 表示立法者 i 和 j 在法案 k 上投票一致。
• 应用模块度 Q 统计量以检测社区（即具有凝聚力的投票集团），并量化组间分离的强度。
• 引入两个导出指标：‘分裂性’（成员破坏群体凝聚力的程度）和‘团结性’（成员与其群体一致性的程度）。
• 采用统计模型检验分裂性与团结性是否能预测个人连任及多数党变更。
• 分析 1788 至 2002 年多个国会的委员会投票数据，运用网络科学检测随时间推移的结构性变化。

实验结果

研究问题

• RQ1 模块度能否作为立法机构中极化的稳健、无假设的测量指标？
• RQ2 在政党凝聚力较弱的时期，模块度与传统测量方法相比，其捕捉极化程度的能力如何？
• RQ3 模块度能否预测国会中未来多数党的更替？
• RQ4 分裂性与团结性在多大程度上能预测个别议员的连任成功？
• RQ5 模块度能否在政党标签或正式联盟发生变化之前，更早地检测到新兴的群体动态？

主要发现

• 模块度提供了一种概念清晰且无假设的极化测量方法，能够揭示具有凝聚力的投票集团数量以及组间分裂的强度。
• 在政党结构较弱的时期，现有极化测量方法低估了极化程度，而模块度能有效捕捉这些动态。
• 模块度是未来多数党更替的重要预测指标，且在中等模块度水平下，多数党更替更为频繁。
• 分裂性与团结性是美国众议院议员连任成功的显著预测指标，其中 94.79% 的同时具备团结性与分裂性的议员成功连任。
• 仅具分裂性但缺乏团结性的议员连任率为 49.18%，显著低于具备团结性但无分裂性的议员（91.67%）或同时具备两者的议员（94.79%）。
• 分裂性与团结性之间的交互作用与连任结果高度相关（r = 0.866），表明这两种特质共同强烈影响选举成功。