SIM NEW TAIPEI · 媒體簡報
1,032 個里、338 萬個虛擬選民,
同一套方法搬到第二座城市
孫文學校 AI 民意與數據研究中心、零問卷、只用政府公開資料,對 2026 新北市長選舉做出逐里預測——
賽前用時間戳封存,投票日開票對帳。這不是民意調查。
孫文學校 AI 民意與數據研究中心 · Wave 1:2026-08-14(投票日前 106 天)· 政治中立 · 獨立公民數據專案
ORIGIN · 緣起
緣起:先在台北跑通,才敢搬第二座城市
Sim Taipei 先用同一套方法在台北市 456 里跑了一整年,經過四次盲測、多輪回測驗證後,才把引擎原封不動搬到新北市——不是重新發明一套新北專用的算法,是同一套程式碼換掉城市參數。
先證明沒有動到台北
- 把引擎換成新北市參數(
--city 65000)重跑一次台北(--city 63000)
- 14 支腳本輸出檔逐格零差異,回測分數與凍結引擎滿精度逐位元相同——
src/ 與 taipei_* 的 git diff 為零
- 先過了這一關,才敢真的拿新北市的資料下去跑
Sim New Taipei(新北)
- 王牌:中選會村里層級歷次開票——1,032 里 × 8 場選舉可回測,規模比台北大 1.3 倍
- AI 的角色從第一天就降級——不是新北自己踩過坑,是直接繼承台北四次盲測換來的教訓(第 7 頁)
國際文獻同期也撞到同一面牆:arXiv:2412.15291 證明「大型語言模型會把群體差距放大 4–10 倍」——這條規律台北實測過,新北從第一天就寫進規則裡,沒有重踩一次。
WHAT IS THIS
30 秒看懂:這個專案做了什麼
1,032
預測顆粒度:新北市全部 1,032 個里(29 行政區)
338萬
合成選民:對回戶籍 20 歲以上人口,總計 3,381,092 人,一人不差
8 場
回測用的真實選舉(2018/2022 市長、2020/2024 總統)
- 把政府公開統計「拼」成一座數位新北:每個里各年齡、性別、學歷、婚姻的人數都對得回官方統計,再疊上逐里開票紀錄
- 用它對 2026 新北市長選舉做逐里預測,發布時以 git 時間戳存證、發布後不改;投票日前 10 天依選罷法 §53 停止發布與更新,開票後公開對帳
- 由孫文學校 AI 民意與數據研究中心獨立製作與維護,未受任何政黨、候選人或其代理人委託、贊助或資助
THE METHOD
方法只有一句話:地形 + 水位
新北 1,032 個里像一片高低不一的柱子。地形=每個里相對全市的政治傾向(抄 2024 總統大選的逐里開票);水位=當期民調量到的全市整體支持度。水位一動,1,032 根柱子同步升降;柱頂過了 50% 線,那個里就翻盤。跟台北同一個算法,連程式碼都是同一份。
先比過兩條路,選贏的那條
回測實跑比較過「人口組成+所得的校準回歸」vs「直接照抄上一場開票當地形」:後者誤差是前者的 1/3~1/6(2022 市長 0.0018 vs 0.0056、2024 總統 0.0010 vs 0.0068)。里與里之間的政治高低是地方派系、族群、產業長期沉積的結果,人口統計抓不住那些東西,上一場開票已經把它全部記錄下來了——所以前瞻預測採用照抄地形,回歸版仍全程算出來寫進 CSV 對照、不藏。
地形一樣穩
- 4 場獨立回測(照抄地形法),方向命中 77.6%~97.1%,3 場過勝利門檻(第 6 頁完整對照表)
- 民調只給 1 個數字,模型翻成 1,032 個——要用抽樣做到里級,得做約 103 萬份訪問,物理上不可能
- 候選人魅力、全國政治風向、突發事件全部混在「水位」一個數字裡,靠當期民調量測
THE DATA
原料全部公開可查——沒有爬蟲黑數據,沒有個資
| 來源 | 內容 | 角色 |
|---|
| 中選會 | 2014–2024 新北市村里層級逐場開票(8 場入模) | 地形+回測真值 |
| 內政部戶政 | 新北市村里級 年齡×性別×婚姻×教育 交叉統計 | 合成人口骨架 |
| 財政部 | 新北市 1,032 里綜所稅所得中位數(112 年度) | 結構特徵 |
| 內政部國土測繪 | 新北市村(里)界圖(TWD97 經緯度) | 里級地圖底圖 |
| SRDA 學術調查 | TSCS / TEDS 個體問卷(經授權,個體資料不對外提供) | 態度錨 |
| 具名正規民調 | 凱達格蘭、TVBS、震傳媒×山水、新台灣國策智庫、鉅聞天下 等 | 當期水位 |
「合成選民」不是編造,是拼圖
政府公布的是每個里各年齡層、各學歷「有多少人」的邊際總數。用統計方法(IPF)反覆按比例縮放,湊出同時符合所有邊際的完整人口表——1,032 里、121,647 個人口原型、總計 3,381,092 人,加總對回戶籍統計,一人不差。沒有任何一筆是真實個人的資料。
可重現:與台北共用同一套自動測試,demo 指令可在現場重跑全部回測。
TRACK RECORD
先講對過幾次帳:4 場獨立回測,3 場過勝利門檻
86.2%
2024 總統(地形取 2020):方向命中,Brier 0.0068(基準 69.0% / 0.0147)
90.3%
2020 總統:方向命中,Brier 0.0059
97.1%
2022 市長(地形取 2018):方向命中,Brier 0.0056
77.6%
2018 市長:方向命中,Brier 0.0068——四場中唯一沒過勝利門檻
- 勝利門檻兩條:誤差要比「全市均值」笨方法好一成以上,而且方向命中率不能比笨方法差。2018 市長那場沒過,誠實列出、沒有藏起來不講
- 誠實揭露:新北未加權誤差比台北差約 70%(0.0068 vs 0.0040),但幾乎全部住在人口極少的山區/海線里(烏來福山里三場都排最差、最低所得四分位誤差是最高四分位的 3.7 倍,都會區全不在最差 12 名內);改用得票加權後 0.0040 vs 台北 0.0038——在「有選票的地方」兩市預測力幾乎打平
- 里長場(783/1,032 里藍綠得票為 0)不適用現有計分方式,本專案不做里長預測
THE HONEST TWIST
AI 在新北扮演的角色:繼承台北的教訓,沒有重新測一次
- 台北那邊的原始構想是「用 AI 合成選民預測選舉」,但被自己的回測證偽了:嚴格盲測四次同向落敗,最好的 AI 輪詢誤差是「複製上一場開票」的 3.5 倍
- 新北從第一天就套用這條鐵則:0 次 LLM 呼叫——量化預測全部由開票地形、統計校準與民調完成,沒有另外拿新北的資料重跑一次「AI 猜票」的失敗實驗
- 省下的不只是時間:台北的四次盲測已經證明,AI 猜票的誤差比「複製上一場開票」的笨方法還大——沒有理由預期新北會有不同結果
國際文獻撞出同一面牆
arXiv:2412.15291(2024)以大樣本證明:LLM 模擬會把真實世界 4–11 個百分點的群體差距吹成 47.6 個百分點——放大 4 到 10 倍,與台北的實測互為印證。
兩市共用同一條鐵則
AI 只負責「相對方向」與質化敘事,不參與量化投票推估;絕對水位永遠由外部真值(民調、開票)錨定。
「會把自己做錯的事寫在網站上的人,他說對的那部分,你才敢用。」——台北的負結果逐字留在實驗日誌,新北直接繼承那個結論,而不是重踩一次坑。
WAVE 1 FORECAST · 2026-08-14 · T-106
第一波正式預測(已存證):李四川 53:蘇巧慧 47
53.2 : 46.8
兩人對決份額中央預測。格局是李四川(國民黨,藍白整合後代表)對蘇巧慧(民進黨)
464 / 568
1,032 個里裡,蘇巧慧領先 464 里、李四川領先 568 里
+3.2pt
蘇巧慧翻盤所需的水位移動——小於入錨民調彼此之間的分歧幅度(4.42pp)
409~626
單獨拿任一份入錨民調當水位,蘇巧慧過半的里數會在這個範圍內擺盪
| 情境 | 蘇全市 | 蘇過半 | 膠著 | 李明顯領先 |
|---|
| 中央(入錨民調中位數) | 46.77% | 464 里 | 324 里 | 417 里 |
| 民調誤差 −3pt / +3pt | 43.8 / 49.8% | 291 / 615 里 | 330 / 254 | 568 / 314 |
| 五五波(參考) | 50.0% | 625 里 | 246 里 | 311 里 |
- 這份領先不安全:翻轉只需水位 +3.2pp,而入錨 5 份民調的全距就有 4.42pp,其中 4 份指向李、1 份指向蘇——分歧幾乎全部住在水位那一格,地形反而很穩
- 誠實標註:7/24 之後沒有非政黨委託的新民調,水位是一個月前的資訊;兩筆政黨自委民調(民進黨內部 6/3、TVBS 受國民黨黨團委託 7/23)依規則不入錨,但寫出來不藏
FALSIFIABLE
預測寫死四條可證偽宣稱——錯了照寫
- ① 開票的兩人對決份額,李四川落在 50.2–56.2% 區間(=主情境 ±3pp 誤差帶)
- ② 主情境指向李四川當選,但差距僅 6.45pp、翻轉只需 3.2pp——不是安全宣稱;若蘇巧慧當選,失準的是水位而非地形
- ③ 里級方向:蘇巧慧最強在貢寮、蘆洲、坪林、三重一帶;最弱烏來、新店、永和
- ④ 蘇巧慧過半的里數落在 291–615 之間(±3pp 帶)
「唯一誠實的檢驗,是在結果揭曉前把預測釘死。」每一波隨 git commit 留時間戳,發布後不改;新波不覆蓋舊波,歷次全保留。出現新的非政黨委託民調就重跑水位、重畫地圖,以新的一波為準。
| 時間 | 事件 |
|---|
| 2026-08-14 | Wave 1 預測發布+存證(本簡報) |
| 9 月 | Wave 2:新民調入模重跑 |
| 10 月 | Wave 3:選前最後一波滾動更新 |
| ≤ 11-17 | 最終封存版 |
| 11-18 00:00 | 選罷法 §53 法定黑箱期開始:停止發布與更新 |
| 11-28 | 投票日。開票後解封,逐里公開對帳 |
LIMITS
它不能做什麼——界線先講清楚
- 需要當期民調當水位輸入。沒有民調,只能畫相對地形、定不了高度;7/24 之後沒有非政黨委託的新民調,是這一波的硬傷
- 市長這種「個人魅力戰」是模型的弱項——候選人因素蓋過人口結構,所以市長只做情境推演,不賣水晶球
- 山區與海線的里,預測可信度明顯較低:回測誤差最差 10%(103 個里)集中在瑞芳、平溪、金山、萬里等區,這些里人口常常只有幾百人,投票行為由地方派系、宗族、部落網絡主導,與人口結構、所得幾乎無關——對「誰當選」影響很小,對「地圖畫得準不準」影響較大
- 格局假設是兩人對決:民眾黨黃國昌已於 2026-05-31 宣布退出、轉為輔選李四川;若選戰結構改變(第三組人參選、藍白整合破局),本波預測全部作廢,需重新設定模型再發一波
- 它預測的是傾向比例與相對結構,不是「保證誰當選」;推估非預言,不保證任何未來選舉結果
NEUTRALITY & COMPLIANCE
政治中立怎麼證明?同一套規則,對兩邊都適用
- 非獨家:同一套 1,032 里底圖與方法,任何陣營都能取得——所以數字不會替任何人化妝。台北那組(456 里)已做成給兩陣營的對稱簡報,新北規則相同,兩陣營要,隨時能比照產出
- 政黨自委民調一律不入錨(本波刷掉民進黨內部、國民黨黨團委託各一筆),不管方向對誰有利,同一條規則對稱適用
- 孫文學校 AI 民意與數據研究中心獨立專案,未受任何政黨、候選人、競選團隊或其代理人委託、贊助或資助
選罷法 §53:四項自律規範
- 公開揭露頁常設(方法/母體/誤差/資料來源)
- 11/18 起黑箱期停止發布與更新,選後再對帳
- 用語去民調化:全站標示「結構傾向推估,非民意調查」
- 免責與責任分配:黑箱期發布、引述者責任自負
DISCLOSURE · 報導引用前必讀
揭露事項與引用規範
| 性質 | 結構傾向推估(非民意調查;未對任何人進行任何形式的調查訪問) |
| 負責單位 | 孫文學校 AI 民意與數據研究中心(Sun Yat-sen School AI Research Center)· 資料研究專案 |
| 經費來源 | 孫文學校 AI 民意與數據研究中心自主經費;未受政黨/候選人/其代理人委託、贊助或資助 |
| 方法 | 合成人口(IPF)+ 凍結地形(照抄上一場開票)+ 民調水位錨,與台北共用同一套引擎 |
| 母體 | 新北市 1,032 里戶籍 20 歲以上約 338 萬人(官方統計) |
| 回測誤差 | 4 場獨立回測方向命中 77.6–97.1%(3 場過勝利門檻);得票加權誤差 0.0040,與台北 0.0038 幾乎打平;完整數據見揭露頁 |
| 水位民調 | 引用之具名正規民調,樣本數/誤差以各原始發布為準 |
- 報導或引用本專案內容,請連同揭露頁連結一併附上:saomin.tw/sunyatsenschool/disclosure.html
- 引用預測數字時請標明「結構傾向推估」,勿以「民調」「支持率調查」稱之
- 2026-11-18 至 11-28 投票截止為法定黑箱期:期間發布、報導、散布、評論或引述選舉推估資料,依選罷法 §53/§110 可處 10 萬–200 萬元罰鍰,責任由行為人自負
- 本頁為工程/產品視角之合規說明,非法律意見
Q&A
記者最常問的四題,先答在這裡
Q:這是民調嗎?
不是。零抽樣、零電訪、零問卷。它是把「歷屆開票的地理結構」與「當期民調的全市水位」相乘的結構推估——民調是它的輸入,不是它的產出。
Q:準嗎?
已對過帳的部分:4 場獨立回測方向命中 77.6–97.1%,3 場過勝利門檻,得票加權後誤差與台北幾乎打平。沒對過帳的部分(新議題)我們直接說「一次都沒驗證過」。每個數字都講得出是哪一場、跟什麼比、怎麼算的。
Q:跟台北那份是同一個模型嗎?
是同一套程式碼,只換城市參數——已用 14 支腳本重跑台北驗證過逐位元零差異。不是為新北另外寫了一套邏輯。
Q:AI 在裡面扮演什麼角色?
0 次 LLM 呼叫。這條鐵則是台北四次盲測失敗換來的,新北直接繼承,沒有另外花時間重踩一次坑。
CLOSING
預測已經釘死。
11 月 28 日開票,我們對帳。
對了,你知道方法為什麼對;錯了,錯在哪一層我們照寫。
這個專案最值錢的不是模型,是一套敢公開對帳、還能複製到第二座城市的驗證流程。
孫文學校 AI 民意與數據研究中心 · saomin.tw/sunyatsenschool/disclosure.html · Wave 1:2026-08-14(投票日前 106 天)