王中原、唐世平：选举预测的科学方法——兼论政治学预测性研究的学科定位和发展前景

 

选举预测的科学方法

——兼论政治学预测性研究的学科定位和发展前景

 

王中原  唐世平^*

 

      

 

一、          引言

 

    预测是人类的基本认知活动^[1]，是根据既有信息判断和指导下一步战略规划与行动决策的思维和研究过程。预测未来是驱动科学探索和发现的不竭动力，也是撬动范式和方法创新的重要支点。作为社会科学预测性研究的关键领域，选举预测是带动政治学理论和方法创新的关键力量。对选举的精准预测不仅可以指导竞选活动，满足公众对选举结果的好奇心以及帮助外部国家预判选举结果并制定相应的外交战略，同时可以推进学科研究，提升政治学研究的应用价值。

选举预测最早开创于美国，随后发展到预测欧洲各主要国家的选举，近年来对发展中国家的选举预测也方兴未艾^[2]。科学的选举预测不仅包括民调，还包括意见聚合、模型构造、网络大数据、仿真模拟等不同范式。在西方，选举预测已经积聚了一大批跨学科的研究力量，并形成了相当规模的选举预测市场（election forecasting market），获得来自社会和官方的资金支持；同时，《国际预测研究期刊》（International Journal of Forecasting）、《选举研究》（Electoral Studies）等重要学术刊物相继发表了一系列选举预测的研究成果，《科学》杂志也专门刊发了选举预测的相关前沿研究^[3]。相比较，中国对选举研究特别是选举预测研究非常匮乏，公众和决策者对选举预测的认知通常还停留在民调阶段，该现状不仅不利于中国政治学学术研究的推进，并且会导致中国在相关外交决策和国际交往中的被动局面，甚至蒙受巨大损失（例如美国大选和马来西亚大选对中国的影响）。

政治学研究是否应该参与预测活动？什么是科学的预测？选举预测怎么做？选举预测的科学评判标准有哪些？如何理解“准确性”？如何科学地面对预测失败？首先，本文将从政治学预测性研究的视角出发，讨论科学预测的界定及其评判标准，据此对现有各类选举预测范式及其具体预测方法进行系统考察，分析各类方法的预测原理、预测效力和相对优劣势。其次，归纳选举预测研究的演进规律、困境局限、前沿领域以及突破方向；最后，本文将探究政治学预测性研究的学科定位和发展前景，及其与传统解释性研究的交互匹配。

                      

二、          政治学预测性研究

 

政治学研究乃至整个社会科学研究是否应该参与预测活动？一直是个充满争议的话题，其争议的内容涉及到政治学研究的根本任务、政治事件的可预测性、政治预测的准确率、以及预测的应用途径等。

首先，社会科学的研究任务基本可分为推断（inference）和预测（forecasting）两类。“推断”关注因果关系中的自变量（X）及其影响系数β和显著性，试图解释已经发生的事件或结果（Y）的影响因子和致因机制。对应地，“预测”则关注因果或相关关系中的输出（Y）, 意图根据已经掌握的各类信息和关联结构去预测未来可能出现的结果。长期以来，社会科学专注于“向后看”的描述分析、因果识别以及假设检验等，聚焦于解释已经发生的事件，对“向前看”的预测研究缺少激情和投入，甚至相当排斥。究其原因，一方面，大部分研究者认为社会科学的根本任务在于解释而非预测，预测意味着“干预”或“应对”，破坏了社会科学“价值中立”的标准；另一方面，预测性研究的科学方法薄弱、难度较大、风险极高，也让一部分学者望而却步。

其次，研究者们对政治事件和行为的可预测性充满质疑。一方面，人类社会是一个动态变化而非静态机械的复杂系统，有着多元交错的影响因素和作用机制，且受到不可观测要素和突发事情的影响，导致很多学者们认定人类活动本质上是不可预测的（intrinsically unpredictable）。例如，加文(Gavin)和 斯坦伯格(Steinberg)认为“我们无法在任何确定性程度上预知什么样的政策才是最好的政策”^[4]。另一方面，社会科学家的预测成绩较差，未能成功预测到诸多重大政治事件的发生，包括苏联解体、911恐怖袭击、阿拉伯之春、英国脱欧等“黑天鹅事件”，甚至有统计发现，历史上专家预测活动的准确性跟喝醉的黑猩猩掷飞镖差不多^[5]。2016年，特朗普当选美国总统，一时间关于选举预测的悲观声音甚嚣尘上，例如，《纽约时报》评论道，“今夜数据死了”、“民调无法从统计上计算出不可预估的和高深莫测的人性细节”^[6]。此外，预测本身是一项非常艰难的研究工作，需要严密精细的科学方法和客观审慎的科研态度，然而大量仅凭个体经验的预测不仅缺少科学方法支撑、频频出错，并且流于随意性和娱乐化[7]，失去了公众对预测活动的信任。

上述质疑和批评提醒政治学者必须对预测性研究保持审慎和谦卑，但绝不是我们放弃预测研究的理由。首先，预测结果和引导实践是社科研究的重要目标，即使历史研究和因果推断中也带有预测和指导未来的意涵，正如汤普森(Thompson)和德尔(Derr)所言，“好的解释可以预测”，进而佐证解释推断的可靠性^[8]。同时，预测可以驱动解释分析，推断和预测并非孤立的，更不是对立的，相反可以相互助益、互为补充^[9]。其次，我们应该将错误运用预测方法所产生的问题与预测本身的问题区分开来，预测失准说明我们目前的预测方法还存在诸多缺陷，需要进一步探索、精进和迭代，绝不是将“婴儿和洗澡水”一同丢弃。

再次，我们需要明确什么可以预测，什么难以预测，以及预测什么？海因德曼(Hyndman)和雅典娜梭普洛斯（Athanasopoulos）指出，“可预测性”取决于三个限定条件：第一，对产生结果的影响因素我们理解多少？第二，目前拥有多少数据？第三，预测活动本身是否会改变预测对象的运行轨迹？^[10] 在此基础上，本文增设“预测手段和方法的科学丰富与否”作为第四个限定条件，并由此将政治事件分为三类：高度可预测、高度不可预测以及审慎的可预测（参见表1）。高度可预测的政治事件是我们对其变量关系和影响机制理解充分，数据的体量、可及性和质量都很高，预测活动不会影响预测对象的运行轨迹，同时预测的手段和方法丰富多元。高度不可预测的政治事件则恰恰相反，“黑天鹅事件”之所以极难预测是因为其缺少历史数据、对其致因机制知之甚少、同时缺乏科学的预测方法。介于两者，诸多政治事件属于“审慎可预测”的范畴，即我们对该类事件有一定的认知积累和理论基础，并掌握一定量的可靠数据，预测活动之于对象运行轨迹的影响基本可控，同时预测手段和方法处在不断丰富和发展当中，通常我们无法完全准确地预测此类事件，但也绝非无能为力，科学研究可以不断探索其预测力的边界，这也是政治学预测性研究应当专注攻克的领域，选举预测正是属于“审慎可预测”的范畴。

 

表1：可预测性的等级和限定条件

                  

最重要的，我们需要确立评判预测结果的科学标准，区别非科学的预测与科学的预测。大量依据预测者个体经验的非科学预测受制于人类认知能力、信息获取以及判断生成过程中的局限性。科学预测的目标是建立一套符合科学检验标准的预测方法，而非依赖运气或直觉^[11]。准确是预测的核心要旨，与媒体报道只给出某个确定的预测数值不同，科学预测提供的是某种可能结果的概率分布。同时，预测的好坏除了考察其准确性之外，还必须纳入超前性、解释性、透明性和可重复性等标准的综合考量，同时建立一套容错和纠错的科学机制，让失准的预测服务于之后的预测改进。

总之，预测性研究是政治学乃至整个社会科学发展相对滞后的学术领域，目前无论公众还是学者对该领域尚存在诸多质疑和误解，打消这些疑虑的关键在于发展出更加科学可靠的预测范式和方法。近年来，大数据、人工智能、博弈论、仿真模拟等方法的兴起为社会科学预测性研究提供了新的可能和契机^[12]。与此同时，伴随数据的指数级累积和可及性提升，计算机算法的突破，以及跨学科研究的兴盛，诸多“向前看”的定量预测方法也应运而生，并运用于政治学、经济学、社会学、国际关系、商业应用等领域，其中涵括选举、战争、族群冲突、革命叛乱、对外政策、决策网络等政治学预测议题^[13]。作为人类认知活动的基本模式和学术研究的重要领域，科学预测可以成为政治学探索和发展的学术前沿。依托政治学理论、知识和方法指导预测活动，通过预测驱动、丰富和优化政治学研究，将预测性研究与推断性研究相结合，有望提升政治学的整体研究水平和应用价值。

 

三、          选举预测的科学方法

 

选举是当代民主政治的核心事件，熊皮特认为“竞争性选举”是民主体制的最关键要素^[14]。一国的选举结果不仅将对其国内政治和治理产生重大影响，甚至会左右国际关系乃至世界格局，对民主国家选举结果的预测不仅能够推动政治学学术研究，而且可直接服务于外交和经贸决策。选举预测也是社会科学预测性研究中历史较为悠久、方法相对成熟的领域，经过80多年的积累，业已形成几大类经典的预测范式。然而，近年来，英国脱欧、美国大选、马来西亚选举等一系列投票黑天鹅事件的出现让学界和公众开始重新检视选举预测的信效度。同时，选举误判导致相关国家（包括中国）在政策应对和外交事务中的被动局面，使得革新选举预测方法更具必要性和紧迫性。

什么样的选举预测是科学的预测？如何构建选举预测的综合评判标准？当前选举预测方法有哪些，各自的优势和缺陷如何？选举预测的发展困境、前沿领域和突破方向为何？这些都呼唤政治学研究的学理探索。一方面，“预测已死”严重夸大了选举预测领域遇到的困难和瓶颈^[15]，另一方面，预测困难或失准并不是我们放弃预测探索的理由而应该是我们推动预测方法创新迭代的契机。

什么是选举预测？选举预测是指在选举正式结果出现之前预告选举结果^[16]，其具体任务一般分为预测总体得票率、预测席次或选举人团、预测输赢、以及预测政府组成方式等。通常精度越高，预测链条越长，相应预测的难度就越大，预测失误的风险也越高。选举预测可以追溯到19世纪下半叶的美国，早期因为统计方法、技术手段和数据信息的欠缺，大部分的预测活动主要依靠非科学的个人判断。20世纪中叶以来，随着研究方法和技术路线的革新，各种科学的量化预测方法相继出现，并处在不断精进和丰富当中。然而，大量非科学的预测手段依旧存在，其中包括通过政客、观察家或学者的个体经验判断进行预测；通过历史上与大选结果相近的同趋势小选区来预测；通过“征兆”预测，例如“倘若复活节在四月，民主党会赢”，姓氏最长的候选人当选，爱喝啤酒的候选人胜选，等等^[17]。这些预测方法虽然可能在某些选举中预测较准，但其缺乏科学依据，要么混淆了相关性与因果性的差异，要么受制于个体层面的主观偏见和认知偏差，不具备解释性、透明性和可重复性。选举预测不是拍脑袋、跳大神和赌运气，必须依赖科学的研究路径和预测机理。因此本文将讨论重点聚焦在科学的量化预测方法上^[18]，并将在确立选举预测的科学评判标准的基础上考察现有各类量化预测范式的原理和优劣。

 

（一）    选举预测的科学评判标准

评判选举预测成功与否需要一套系统客观的科学标准，准确性（accuracy）无疑是最重要的衡量指标。本文认为，除了“准确性”之外，社会科学预测性研究还须兼顾预测的超前性（lead time）、解释力、透明性、可重复性、中立性等，并根据具体预测目标和研究任务在不同标准之间做好综合权衡。

1.     如何认识准确性？

准确是选举预测最关键的目标，也是发挥预测功能最基本的要求。然而，社会科学定义的准确性与媒体和大众理解的准确性略有不同，评判的基准和方法也各异。首先，对于不同预测任务，可接受的准确性的标准存在差异，例如预测选举输赢与预测得票比率在准确性的精度要求不尽相同，媒体和大众更多关心谁输输赢，而社会科学更加追求预测的百分比精度。其次，预测的成败和统计学意义上的准确是两个不同的概念，科学的选举预测给出的是某个可能的结果、有关这个结果的概率分布以及预测的误差估计。第一，预测结果是一种可能性的分布而非固定不变的数值；第二，任何预测都存在偏误，统计学上已经发展出包括均方根误差（RMSE）、R-平方（R²）、平均绝对误差（MAE）、平均绝对百分误差（MAPE）在内的预测误差度量方法。^[19] 选举预测的特殊性在于，在实际预测中被公众和媒体认为是错误的输赢结果，很可能落在统计误差允许的范围之内，即统计学上准确。^[20] 再次，没有绝对的准确只有相对的准确，所有的预测范式和方法都具有局限性，受到不可观测和扰动因素的影响，并且受制于具体情境^[21]。所以，任何一种选举预测方法都无法达到百分百的完全准确，只能追求相较于此前的预测或者其他的预测方法更加准确。

2.     选举预测的综合评价指标

第一，平衡准确性与超前性。准确性是选举预测的必要但非充分条件，除了准确性之外，选举预测还须兼具超前性。通常来说，距离投票日越近，获得的信息越完全越前沿，出现突发事件的可概率较小，预测准确性随之越高。然而，选举预测的主要功能在于预判、应对乃至干预，这就要求保证足够的超前性，越超前越主动，以预留充裕的时间窗口研制对策。^[22] 随着选举日的逼近，预测的政策运用价值逐渐递减，选举当日的民调（特别是“出口民调”）除了提供媒体报道的噱头和满足人们预知结果的好奇心外，已不具太大政策应用价值。Lewis-Beck和Tien将选举预测方法分为“长视野”（long view）和“短视野”（short view）两类, 并认为依赖模型的长视野方法侧重“超前性”，以民调为代表的短视野方法注重“准确性”^[23]。因此，选举预测需要在准确性和超前性之间做出某种权衡，在保证政策价值的超前性下最大限度地提升准确性。

第二，平衡预测力和解释力。选举预测作为一项政治学学术研究，除了追求预测力之外，还必须兼顾其解释性，即通过预测可以驱动假设检验、机制解析和学理推断，提升人们对选举制度和选举行为的洞察。量化预测的模型设定、变量选取、数据运用不仅要满足预测精度的追求，同时其预测过程和结果必须具备学理上的可解释性。^[24] 一个高度复杂的预测模型可能具有超强的预测力，但如若无法从学理上对其变量、参数和模型构造进行解释，就会产生“预测黑箱”，无法获知其中间机制和理论意涵^[25]。例如，以机器学习为核心的预测方法，可以通过特征工程（feature engineering）来构造各种不同的特征变量以提升模型预测力，但过度复杂的模型往往会超出社会科学的解释范围，无法增进人们对选举的认知和理解。同时，一个过度复杂的预测模型，可能导致“维度灾难”和“过度拟合”问题（overfitting），较难泛化预测未来。因此，选举预测需要兼顾预测力和解释力，保持预测模型的精炼性和洞察力。

第三，平衡计算和判断。量化的选举预测致力于将数据（data）变成信息(information)进而变成知识(knowledge)，计算机算法可以让预测活动摆脱专家个体判断的偏误，提高预测的科学性和精准度。然而，纯粹技术驱动的预测也存在较大的风险，甚至带来灾难性后果^[26]。首先，量化选举预测在数据的收集和编码、变量的选取和测量、模型的建构和优化等阶段都少不了研究者的决断，需要理论和智识的指导。其次，计算机无法自动识别和处理数据中的“噪音”（noise）^[27]，需要人工判断介入。与个体论断不同的是，科学的预测需要科学的判断，需要公开透明地使用“研究者的自由度”（researcher degrees of freedom）。一方面，判断的标准和过程必然有理可依、有据可循，保证预测过程的透明性和预测结果的可重复性；另一方面，建立公共平台，公开相关的研究设计、数据处理过程、模型构造、评估结果等等，确立学术共同体认可的规范。总之，科学的预测应该综合科学的计算和科学的判断，将“知识驱动”与“数据驱动”相结合。

 

（二）    量化选举预测范式的类型和演进

 

确立了选举预测的综合评价体系有助于我们在社会科学的意义上评判不同选举预测路径的优劣势，那么现有的预测范式和方法具体有哪些呢？当前选举预测研究聚焦于欧美成熟的民主国家，其起始于对美国总统选举的预测，拓展到对国会和地方选举的预测，由此产生的各种预测方法也被逐渐应用到对英国、法国、德国、荷兰等国家以及欧盟议会的选举预测当中。近年来，选举预测方法在不断丰富的同时，也开始延展到对边缘国家、新兴民主国家甚至竞争性威权国家的选举预测当中^[28]。不同国家的政治体制不同、选举制度不同、经济社会环境不同，对选举预测带了诸多挑战，由此也进一步驱动了选举预测方法的推陈出新。

经过八十多年的积累，选举预测已经发展出一系列科学的量化预测方法，并随着计算社会科学的发展呈现出新的突破创新之势。选举预测不只限于民调，本文将当前的各种量化预测方法归纳划分为四大类：（1）意见聚合范式（Aggregators）；（2）模型范式（Models）；（3）综合不同方法的混合范式（Synthesizers）；（4）社交媒体大数据范式（Media-based Big Data）。每一类范式下又可细分为具体不同的预测方法，每种方法都各具比较优势，同时面临不同的问题和挑战。

 

1.     意见聚合范式

意见聚合预测范式通过测算调查对象对候选人/政党的支持意见或基于意见的支持行为来预测候选人的获选概率，包括民意调查（polls）、政治博彩市场 (prediction market)、群体智慧法（wisdom of crowds）、以及专家调查法(expert survey)等。虽然这些方法的数据来源和技术路线不尽相同，其共性在于根据抽样或特定分布来聚合不同个体的意见（或基于意见的客观行为），由此克服单个个体判断的偏误，获得更为可靠的预测结果。

首先，最为人熟知的当属选举民意调查，但与通常接触的媒体民调不同，社会科学预测对民调的运用更加复杂。其中，“简单民调”是基于某种选民分布结构的抽样民意调查，通过邮寄、电话、网络、入户等方式访问样本选民的投票意向，由此推测整体的投票趋向^[29]。然而，简单民调具有抽样调查本身的各种问题，包括拒访率过高、样本结构不科学、成本太高、样本过小、测量和设问方式不合理、未决定选民、倒戈选民等等^[30]，同时不同机构的民调通常带有各自的政治倾向性，即所谓的“机构效应”（polling house effects）^[31]，这些都可能导致民调的失准，也是近年民调预测表现欠佳、备受质疑的原因。

为了克服单一民调的弊端，研究者们尝试将不同来源的民调数据通过一定加权规则合成出“综合民调”，其目的在于让不同民调数据中的“机构效应”相互抵消，减少统计误差和噪音，趋近更加精准的投票估计^[32]。该方法近年来成为流行趋势^[33]，最具代表性当属奈特·希尔沃（Nate Silver）在“538网站”（FiveThirtyEight，538即美国总统大选选举人团的票数）做出的综合民调预测，其根据历史准确率、样本大小、时效性等来加权多个民调数据，在2012年美国大选中成功预测了所有50个州的胜负结果，类似方法最近也被运用到英国、法国和荷兰的议会选举预测当中。然而，该方法的风险是，如果所纳入的民调都系统性地朝同一个方向产生偏误时，便很难通过集合抵消，因此其在2016年美国大选中的预测表现一般。第三种民调方法可称为“民调映射”，即测算历史上选前某个特定时点的民调支持率与最终得票率的相关关系得到映射函数进而推算当届选举的结果，例如，根据美国劳动节（9月的第一个星期一）当日的民调数据来预测最终投票结果^[34]，该方法具有一定的预测力，但相关关系的稳定性无法保证，且缺乏因果机制的解释。

除民调外，选举预测界还发展出更多聚合意见的预测方法。其中，根据政治博彩市场的风向预测选举应用广泛，其准确率甚至超过部分民调^[35]。该方法的预测逻辑是选举投注是对选举有一定了解的民众根据判断做出的投资行为，相当于让其回答“您认为谁会胜选？”，因此可以作为投票结果的风向标。该方法在民调发明之前的1860年代就已出现，有统计显示博彩市场在1884到1940年之间的预测准确率达到73%^[36]。当代最知名的政治预测市场是带有学术研究性质的“爱荷华选举对赌市场”（Iowa Electronic Markets），每次大选中都会给给出自己的预测。第三种聚合意见的预测方法是“群体智慧法”，又称“公民预测法”（citizens forecasts），通过访问一定群体的选民“您认为谁会赢”而非“您会投给谁”来预测选举结果，这种“期望调查”（expectation surveys）相当于把个体的预测汇集起来，集合群体的智慧。研究显示群体预判在意见多元、决策独立、分散化以及可综合的条件下比个体的预判更加精准^[37]。第四种意见聚合方法为专家调查法，即通过访问一定代表性样本的选举专家来测算输赢概率。虽然单个专家或政客对选举结果的判断容易产生偏误，且缺少中立性、透明性和可重复性，但借助一些科学方法（例如德尔菲法、群体提案评估法）对专家群体进行意见调查通常具备一定的预测力^[38]。

上述各种预测方法都是通过科学规则来集合个体意见或基于意见的行为来预测选举，也是当前最为普遍、最受关注的预测范式。该范式一定程度上克服了个体判断的偏见、误区、不透明、不可重复等问题，具有较强的预测力，并且以其简单易懂、实时迅速、动态更新等优势长期占据预测市场和媒体报道的中心，仅民调一项在美国的市场规模就达180亿美元^[39]。然而，此类预测也具有较大的局限：第一，非理论驱动，意见聚合是某个时点上群体判断的一个截面，除了直观地反映大家的意向和预期之外，缺乏对变量关系和影响机制的解释，对从学理角度理解选举贡献较少。第二，受制于技术手段的局限，数据本身的代表性、测量的信度和效度、样本量等问题都会影响聚合范式的预测绩效，这也是导致此类方法在不同时期和不同国家的预测表现波动较大的原因之一。第三，难以估计投票率，意见聚合是通过样本支持率推测总体得票率，然而支持本身无法直接转化为选票，近年来投票率下降成为明显趋势，并且越来越成为决定选举的关键因素^[40]，对投票率的估计可以建立从支持率到投票结果之间的转化关系，提升预测的精准度，这方面意见聚合范式较为不足。上述这些问题都可能导致严重的预测偏差，也是近年来选举民调等意见聚合方法饱受质疑的原因。

 

2.     模型范式

 模型预测范式依据影响选民投票的某些关键影响因子来构建模型以预测选举结果，其中典型的模型方法包括“指数模型法”（index model）、“结构性因素模型法”(structuralist model)和“政治周期模型发”（election circle model）等，虽然模型构造不尽相同，但都是依托某种变量关系和影响机制来预测选举。

第一，指数模型方法是通过收集候选人的指标数据或对候选人能力的评估数据来构建候选人的潜力指数，进而预测其当选几率。该方法的预测逻辑是候选人的资质和能力是影响选民投票取向的关键因素，其背后的理论支撑是“选举的个人化”^[41]。一种方法是根据候选人的履历来建构其资质指数（bio-index），^[42] 例如，Armstrong和Graefe通过收集总统候选人的59个简历指标来合成候选人的资质指数、建立指数预测模型，发现该模型可以成功预测1896至2008年29次美国总统选举中的27次，准确率甚至超过民调和博彩市场^[43]。另一种方法是基于选民对候选人在关键领域或重大议题上的处理能力的评估来构建候选人的能力指数模型，据此预测选举结果^[44]，议题通常包括经济、就业、移民、反恐、福利等等，根据不同的选举年而变化。该方法预设了选民会围绕选举当年的重大事项展开投票（big-issue voting）。历史回测表明，该方法与政治博彩市场的预测力不相上下^[45]。指数模型法很好地“变量化”了候选人的资质和能力指标，在候选人本人因素日趋突显的新媒体时代具有一定的预测力，并对候选人提名过程具有指导价值。但是，该类方法忽略了选举研究中的其他理论（例如“政党认同”学说），即投票决策并非完全由候选人因素决定，选民的政党认同、政治社会化以及外在宏观政治经济因素等同样重要。

第二，结构性因素模型法是通过影响选举的关键结构性影响因子来构建回归预测模型，该方法最早流行于对美国总统选举的预测，后拓展到预测欧洲国家的议会选举。经常被纳入模型的预测因子包括经济变量（例如GDP增长、失业率等）^[46]和选民对在任者（incumbent）的政绩评估^[47]，等等。该类模型融合了政治学中的“经济投票”理论^[48]、“在任者优势”理论（incumbent advantages）、“回溯性投票”理论（retrospect voting）等等，其预测机理是选民会根据当下的宏观经济状况以及在任者的历史执政表现来决定投票取向。例如，一个经典的预测模型表达式为vote = f (incumbent popularity, economic growth)，即依据某个时点上（如美国选举年的七月底）的在任者受欢迎度和经济增长状况两个宏观结构性指标来预测选举。经过多年探索，此类模型通过改进对经济指标和在任者政绩指标的测量方法不断地更新迭代^[49]，发展出运用于不同国家不同选举制度的次模型，并被证明在总统制和在议会制下都具有一定的预测力^[50]。

第三，选举周期模型是根据历史上的选举结果来预测下一次的选举结果，其预设了同一个国家的同一种选举在时间上具有某种稳定的周期性规律，当届选举与此前的选举不是独立的，而是具有某种延续性。该预测方法对应的是“政治重组”的周期性理论（periodicity of realignments），该理论认为选民的政治倾向和对政党的偏好会随着一定的时间周期移转或回归，进而带来政治的重组和轮替，此类选举的周期性“钟摆”特征在以美国和英国为代表的成熟民主国家表现较为明显^[51]。基于选举的时间序列特征，学者们构建出预测未来选举的自回归模型。例如，Helmut Norpoth根据美国大选的周期变化规律构建出二阶自回归预测模型（VOTEt = 49.2 +0.525 VOTE_t-1 -0.474 VOTE_t-2），发现当届选举的结果可以根据上届选举和上上届选举的结果来预测^[52]，该模型准确地预测了2016年美国大选的输赢。除了总统制选举的预测之外，该方法也被运用到英国的议会制选举当中，并取得了不错的预测绩效^[53]。

综上，模型预测范式相较于意见聚合范式具有几大优点：第一，预测模型纳入了变量关系，依托强有力的选举研究理论，具备较强的可解释性，可以增进对选举制度和行为的理解。第二，模型预测方法可以提前较长时间（甚至半年）得到预测结果，具有较强的政策运用价值。然而，模型预测范式也存在诸多问题：第一，只注重为数不多的几个指数指标或预测因子，对选民微观层面的数据运用较少，而选举研究表明投票活动除了受外在影响因素之外，选民自身的人口学特征、认同结构和社会化过程等都影响巨大。第二，模型方法生成的是一个静态稳定的预测结果，虽然可以提前数月完成，但却无法捕捉竞选过程的影响以及突发事件导致的波动^[54]。第三，虽然模型设定具有一定的理论依据，但不同模型在变量选取和测量方法上差异较大且缺乏共识^[55]，同时由于模型过于简约，无法检验不同模型之间的竞争性理论假设^[56]。总之，模型预测范式虽然总体预测表现不错，但也面临诸多挑战。

3.     混合范式

混合预测范式通过一定规则综合不同预测手段来优化选举预测效力，以期克服单一预测方法的局限^[57]，其基本预设是通过科学方法集合的预测结果比单个方法更加精准，具体可细分为“一阶混合方法”和“二阶混合方法”。

一阶混合方法通常是将“回归预测模型”与“选举民调”相结合^[58]，例如，一种经典的预测表达式为：

Vote = Structural weight _* [β₁ Government Approval +β₂ Economic Growth]

+ Polling weight _* [polls _t-x] +ε

即先依据在任政府的支持率和经济增长状况两个结构性预测变量来构建静态的模型，用以估计候选人的基准得票率，再通过竞选不同阶段的实时民调来捕捉静态模型之外的选情波动，最后将两种结果通过科学的加权规则进行集合加总，由此生成更加精准的预测结果。该方法综合了“模型范式”和“意见聚合范式”的优势，同时一定程度上弥补了民调和预测模型的弱点，因此可以提升预测的准确率。研究表明，该方法在英国、德国、爱尔兰等国家的选举预测中比单个静态模型或单个民调预测都更为准确^[59]，虽然民调和回归模型在不同国家对预测精准度的贡献率各有不同。

二阶混合方法更为复杂，试图对运用不同类型方法、来自多种途径的预测结果进行加权集合以提高预测精准度^[60]。该方法通常有两个步骤，第一步是综合同一类方法内部的不同预测数据（例如不同机构的民调）得到此方法的一个整合性预测结果，由此削弱单一预测主体可能存在的预测偏误。第二步再凭借一定的加权规则来集合各类方法的整合性预测结果，得到一个集总的预测，由此消弱单一预测方法可能存在的偏误。当前，最具影响力的是“PollyVote”方法，其集合了来自民调、博彩市场、专家调查、群体智慧、候选人指数、经济模型等不同方法的预测数据，通过上述两步加权方法得到一个集总性的预测结果，回测表明该预测方法比其他单个方法都更加接近真实结果。^[61]

混合预测范式具有诸多明显的优点：第一，其将基于结构性因素的基准预测与来自意见集合的动态预测结合起来，在提前数月得到基本盘结果的同时可根据选情实时修正更新。第二，将来自不同类型数据提供的预测信息集合起来，减弱单个方法或单个信息源预测可能存在的严重缺陷。然而，混合范式也具有一些不足：第一，存在系统性偏差的风险，特别是当被集合的多个预测源都朝同一个方向产生偏误时，其误差不仅不会被抵消甚至可能被放大（例如2016年美国大选）；（2）对不同预测方法的权重估计需要更加科学、透明的标准，同时该权重分布可能在不同国家存在较大差异，权重估计失误可能产生新的偏误；（3）纳入哪些不纳入哪些预测源，存在研究者的选择偏见，综合并不总是最好的选择。^[62] 同时如果预测错误，较难回溯检验哪个预测源出了问题。（4）综合的预测源越多，预测结果越难从政治学理论上予以解释。

 

4.     社交媒体大数据范式

社交媒体大数据预测范式通过收集社交媒体上网民关于选举的语言和行为数据，借助计算机算法预测政党或候选人的支持率。近年来，随着移动终端和社交网络的普及，人们在虚拟空间里积累了海量的行为和交往大数据，运用计算机技术挖掘社交网络数据以预测电影票房、产品销量、疾病爆发、信贷风险等已成为流行趋势，该方法也被逐渐运用到选举预测当中^[63]，并呈现出一定的预测潜力。

早期的大数据预测方法比较简单直接，通过收集社交网络（如tweet、facebook）上针对某政党或候选人的评论量、转发量、点赞数、好友数、粉丝数，以及热搜、维基百科浏览量等数据，来测量民众对政党/候选人的关注强度，进而推测其选举支持率^[64]。该方法被证明在某些选举中具有一定预测力，但整体预测精准度较弱且不稳定。关键原因在于，上述网络行为数据并不一定是关注度的准确测量指标，其中夹杂了大量“噪音”，包括机器自动推送（bots）、网络水军、黑公关等。同时网络关注热度无法直接转换为选票，受到投票资格和投票率的影响，且有正向和负向情感之分。为了克服这些缺陷，研究者们开始运用“自然语言处理技术”和无监督或半监督的机器学习方法对社交文本进行情感分析（sentiment analysis），试图探索网络意见表达（例如网民评论）的语意与情感取向，并通过不同网络信息源来聚合民意和舆情，借此推算选民对政党或候选人的支持率，其改进的预测效力有时堪比民意调查。^[65]

大数据预测范式的优势在于：第一，相比其他方法更加实时快捷，能够每天甚至每小时及时更新，真正做到像天气一样的实时播报（nowcast）,即刻掌握选举舆情动态。第二，相比民调成本更低，信息源更加丰富，同时可以提供分析和解释的信息量也较大。第三，借助前沿的计算机处理技术，可以挖掘选民心理与投票行为的关系，且捕捉到线上动员的选举后果。然而，网络大数据预测的问题和挑战在于：第一，网络数据通常被诟病为无法代表全体选民意见的实际分布，社交网络上活跃的群体往往只是选民中的一部分（偏年轻、都市和教育程度高的群体），同时存在迫于政治正确较少发声的“害羞选民”（例如英国的“害羞的托利党人”），代表性偏差会影响预测效力，虽然已有学者通过加权算法弱化代表性问题。第二，网络语言属于自然语言，目前自然语言分析尚面临诸多困境，包括政治暗语和场景化语言的语义甄别、多语种语言采集和分析等，“信噪比”较低的数据会影响预测质量^[66]。第三，从网络情感到实际投票行为还有较长的距离，利用网络数据展开预测的前提是我们对一国选民的网络心理和行为特征拥有足够的理解，而非简单粗暴的“数据挖掘”。第四，社交媒体在不同国家选举中的使用率不同，很多发展中国家无法获取足量的网络数据做预测。同时，自从“剑桥分析”（Cambridge Analytica）利用脸书数据干预美国大选，社交媒体平台对数据开放和获取设置了更多障碍，这些都会影响大数据预测的发展。但是，计算机技术的突飞猛进和数据的指数级积累，以及大数据与因果推论的结合，都为大数据预测范式提供了良好的应用前景^[67]。

 

四、          选举预测方法的综合评估和突破方向

 

选举预测是选举研究以及整个政治学预测性研究的学术前沿，是引领政治学理论和方法创新的关键领域，经过80多年的探索和积累，已经发展出丰富多元的预测路径，并处在不断创新迭代当中。本文归纳出四大类科学的选举预测范式：意见聚合范式；模型范式；混合范式；大数据范式。每一类范式下又可细分出不同类型的预测方法，每种预测方法的技术路线、预测机理、数据基础和应用领域各有差异，同时在本文提出的选举预测综合评价体系的各个维度上，不同预测方法的表现力各有优劣（见表2）。

具体来说，混合范式在准确率上要高于意见聚合范式、模型范式和大数据范式，因为其综合了模型范式的稳态预测和意见聚合范式的动态预测，在可重复性和中立性也表现较好，但由于集合方式过于复杂而缺乏因果解释力；模型范式在超前性、解释力、可重复性、中立性和成本方面都占据相当优势，然而由于预测时间超前而不得不牺牲一部分准确性；意见聚合范式实时更新，保证了较高的准确性，但在超前性和解释力上较弱，同时调查类预测成本高昂；大数据预测范式结合前沿的计算机算法，具有较强的成本优势和跟踪预测能力，虽然目前在机制解释、因果识别和准确率上略有不足，但有望随着技术突破和理论引导得到提升。总之，预测方法的选择是基于不同预测目标和应用场景的综合权衡。

 

表2：不同选举预测方法的比较优劣势分析

注释：* 数目越多代表优势越显著

 

整体而言，现有的选举预测范式还存在一些共同缺陷，部分方法（例如民调）正遭遇发展瓶颈。首先，大部分选举预测方法缺少选举研究理论的系统指导，未能将“理论驱动”与“数据驱动”相结合，虽然模型方法纳入了一些有意义的预测变量，但其模型过度简约、理论依据过于单薄，在变量选取和模型构造方面缺少科学的比对和筛选过程，无法衡量不同变量的预测力差异以及竞争性的理论假设。其次，当前各类预测范式缺少对选民个体层面数据的有效运用，未能纳入对选举产生关键影响选民性别、年龄、族群、教育、收入、宗教、职业等因素，当前预测方法过度依赖有限的宏观结构性因素或候选人指标等，选民作为选举决策中最重要的能动主体（agent）却是缺失的。再次，未能充分将预测和推断相结合，社会科学预测性研究相较纯粹的数据挖掘预测的优势在于其能够将预测和推断有机结合，在预测结果的同时探索变量之间的因果关系和影响机制，致力于增进人们对选举制度和行为的理解，同时检验和优化选举研究理论，而目前的各类预测方法在该方面关注甚少。

从选举预测的演进历程来看，该领域呈现出以下几个发展趋势：第一，数据来源、技术手段和预测机理不断开拓创新，老方法不断朝精细化方向改进完成自我迭代，新方法旨在弥补老方法的短板和缺陷，不同预测方法相互竞争赶超，形成“百花齐放”的预测市场。第二，不同范式之间以及同一范式中的不同预测方法之间开始走向整合，各自发挥比较优势又相互助益，由此提升总体的预测效能。第三，选举预测越来越成为一个跨学科的研究领域，政治学、经济学、统计学、社会学、心理学、计算机技术甚至脑科学等不同学科交相融合，借助各自学科的理论和方法以及前沿的技术手段不断推进预测研究。

综合上述，选举预测接下来的突破方向应该是将“理论驱动”与“数据驱动”相结合、将微观的个体预测变量与宏观的结构性预测变量相结合、将预测与推断相结合，通过跨学科的合作和借助前沿的技术手段推进预测范式的创新，并在预测实战中不断更新迭代预测模型，提升预测过程的透明性和预测结果的解释力。在这些方面，基于选举理论和计算机技术的微观仿真模拟方法将是有益的尝试^[68]。

此外，选举预测的若干前沿议题值得学界进一步探索: 第一，“预测选举预测”，即预测不同的选举预测方法在什么时候、在哪些条件下更加准确，这属于更高阶的预测活动（High-order prediction）^[69]。第二，提升运用不完全信息和低信噪比数据做预测的能力，选举预测无法等到拥有高质量的数据才去做预测，必须探索如何高效地收集清洗数据、识别有效信息、减少噪音并将信息转化为知识和预测力。第三，加大对发展中国家选举以及各国地方选举的研究和预测，新兴民主化国家的选举往往对区域性政治动荡、投资贸易摩擦、族群宗教冲突等产生重大影响，地方选举的波动性和情境性远高于国家选举，现有的各类预测方法盛行于成熟民主国家并聚焦在国家层面，可否泛化适用到新型选举当中？需要做哪些更新和矫正？值得学界的深入探究。

 

五、结论

 

“选举预测是一项高风险的工作，但却是一项值得探索的科学事业”^[70]。选举预测是社会科学预测性研究的关键议题，是政治学理论和方法创新的前沿领域，预测结果不仅可以满足人们预知未来的好奇心、推进政治学学术研究，同时可以指导决策实践。经过80多年来的探索和积累，学界已经发展出各类不同的预测路径，本文概括为四大类科学的预测范式：意见聚合范式；模型范式；混合范式；社交媒体大数据范式。这些预测范式及其具体的预测方法摆脱了非科学预测的随意性、不可解释性、不可重复性等问题，在准确性、超前性、解释力、可重复性、中立性和预测成本等评判标准上各具优势，为我们预测选举提供了丰富的路径和工具。

当前，整个选举预测领域呈现出多元化、交叉整合、跨学科的发展趋势。选举预测研究的演进和创新是政治学预测性研究发展的重要表征，也彰显出整个社会科学预测性研究的广阔前景。未来突破方向是将“理论驱动”与“数据驱动”相结合、将微观的个体预测变量与宏观的结构性预测变量相结合、将预测与推断相结合，以政治学为基础，通过跨学科的合作和借助前沿的技术手段推进预测范式的创新，并在预测实战中不断更新迭代。此外，如下几个前沿领域值得关注：第一，除了创新预测范式和方法之外，将考察不同方法的应用条件，即在什么样的条件下运用何种方法或方法组合更为有效，以预测选举预测；第二，加强处理非完全信息和低质量数据条件下的预测研究；第三，加强对转型民主国家和各国地方选举的研究预测，一方面可以管控政治风险，同时可为选举预测提供新的检验场。

“科学预测基于对现有信息的分析，对未来尚未发生的事件进行判断，是风险较大的研究工作”^[71]。选举预测对精度的要求远远超过其他领域，任何预测方法都可能犯错，虽然犯错不可避免，但科学预测对错误有着不同的认识和因应方式。首先，方法运用不当导致的问题与方法本身的问题应该区分开来，误差和错误应该区分开来。其次，需要建立一套检验预测结果的客观标准，科学预测预测的一种可能性及其分布，除了精确度之外，还需兼顾超前性、解释力、可重复性等。再次，失败的预测可以揭示我们知识和方法的短板，帮助我们甄别漏洞，驱动我们收集更优质的数据、优化变量选取和模型建构、反思选举理论，这种可被证伪性正是科学研究的重要特性，科学的预测是一种可以被检验、被反思、被改进的预测。最后，量化预测也会面临不可观测因素、过度拟合和样本外（out-of-example）等诸多局限性，需要保持谨慎和谦卑。

社会科学的基本研究任务可分为推断和预测两类。本研究强调对选举预测以及整个政治学预测性研究的重视并非旨在替代原有的解释性研究。相反，我们认为预测和推断是“双螺旋”式的共生成长关系：推断性研究可以为预测性研究提供理论和知识基础、开启预测的议题和领域、指引预测的数据收集、变量选取和模型建构、以及解释最终的预测结果；反过来，预测性研究可以检验和优化理论、驱动新的解释性研究、同时提升社会科学研究的政策应用价值，等等^[72]，两者共同服务于对人类复杂政治现象和政治行为的理解。

预测性研究是政治学乃至整个社会科学发展相对滞后的学术领域，中国政治学者在相关领域涉足更少。相比西方政府（特别是美国）对预测性研究的高度重视和资金扶持，中国在相关学术领域的投入非常之少。未来，大数据、人工智能、仿真模拟等方法的兴起为预测性研究提供了新的可能和契机，作为人类认知活动的基本模式和学术研究的重要领域，科学预测可以成为政治学探索的学科前沿。通过政治学理论、知识和方法指导预测活动，通过预测不断丰富、完善和优化政治学研究，将理论驱动与数据驱动相结合，将预测性研究与推断性研究相结合，致力于提升政治学的综合研究水平和应用价值。预测性研究呼唤政治学者特别是中国政治学者的参与和尝试，同时亟待学术界和政府的重视和投入。