以下为对论文“CAN RANKED-CHOICE VOTING ELECT THE LEAST POPULAR CANDIDATE?”(作者:David McCune 与 Jennifer Wilson)的一次详尽、逐章剖析式解构,内容覆盖元数据、逐节精读、图表逐一解读、模拟与实证结果分析、批判性视角与结论性综合,且在引用报告结论或推断处按要求添加页码溯源标识。总体目标是把论文中每一项重要论点、假设、计算与图表都拆开说明其含义、依据与局限。 1
一、元数据与总体概览(引言与报告概览)
标题与作者:论文题目为“CAN RANKED-CHOICE VOTING ELECT THE LEAST POPULAR CANDIDATE?”,作者为 David McCune 与 Jennifer Wilson,并附有摘要阐述研究目标与结论概要。 1
研究主题与范围:研究聚焦于三候选人选举中即时决选式排名投票(IRV,又称 instant runoff voting / alternative vote)是否以及在何种意义下会当选“最不受欢迎”或“最弱”候选人;为此作者采用四种“弱候选人”定义并结合解析性概率计算、蒙特卡洛仿真与真实选举数据分析来估计发生概率与情境。 1 2
核心结论(作者意图传达的主要信息):IRV 在原则上确实可能选出在不同合理定义下的“最弱”候选人,但在大多数模型和真实选举数据下这种情形相对罕见(多数情形下对应概率通常 ≤ 5%);只有在极端两极化的选民结构下概率才会显著增大(在某些空间模型中,对“最小社会效用”定义,概率可达约 20% 以上)。作者强调这不是全面否定 IRV,而是界定在何种选民结构下应担忧“弱候选人当选”的可能性。 1 2
二、逐节深度解读(逐章精读与剖析)
以下按照报告结构逐节分析并解释每节核心论点、支撑逻辑、关键数据及其意义。
摘要与引言(Sections: Abstract, 1. Introduction)
关键论点:论文提出并研究在三候选人大选中,IRV 会不会选出“最弱”候选人的概率问题,并明确考察四种弱候选人定义:Borda 最差者、Bucklin 最差者、最多最后名次票者、以及最小社会效用者。 1
研究方法:作者将使用解析方法(在 IAC / IC 两类无结构随机模型下导出极限概率)、蒙特卡洛仿真(多种一维与二维空间模型,含部分选民截断投票情形)以及实证检验(多个国家/地区的现实排名选票数据集)来综合评估。 1 6
意义:该研究把焦点从“选择最优候选人”转移到“避免选出最差候选人”的问题,弥补文献中对这一具体问题的空白。 2
定义与预备知识(Section 2. Preliminaries)
IRV 算法与三人情形特性:IRV 在三候选人时至多两轮;首轮若有多数则当选,否则剔除得票最少者并把票转移到次选人,最终剩余两人之一获多数当选;IRV 不可能选出首轮得票最少(plurality loser)或 Condorcet 败者(Condorcet loser)。该节举 Example 1 说明实际票转移过程与票数变动。 3
四种“弱候选人”定义(逐一定义并解释逻辑):
Borda 最差者:按位置计分(m=3 时:第一 2 分、第二 1 分、第三 0 分)累计得分最低者被视为 Borda loser;在部分截票(bullet votes)情形下作者采用三种 Borda 分配规则(平均 AVG、乐观 OM、悲观 PM)以处理未排名候选人的点数归属。 3 4
Bucklin 最差者:Bucklin 规则按先看第一名多数,若无则加上第二名计票,先超过半数者为胜;Bucklin 最差者为当宣布胜者时分数最小者(在三候选人且完整偏好下其定义与“最少一二名票数”相关)。 4
最多最后名票者(most last-place votes):在完整偏好下与 Bucklin 最差者在某些情形下重合;该定义衡量被大多数选为最后的候选人。 4
最小社会效用(minimal social utility):基于空间模型,给定选民与候选人在欧氏空间的位置,单个选民对候选人的效用定义为负欧氏距离,整体社会效用为所有选民效用之和的负值,最小社会效用者即对社会效用贡献最差者(仅在空间模型可测量)。 4
关键观察(单峰偏好情形的限制):若偏好是单峰(single-peaked)且投票完整,作者证明 IRV 不可能选出 Bucklin 最差者或最多最后名票者(命题 1),因单峰约束消除了某些极端分裂票格局。该证明通过构造单峰配置(Table 2)并检验票数关系实现。 5 6
模型与数据(Section 3. Models and Datasets)
a priori 模型:IC(Impartial Culture)即每位选民独立从 6 种排名中均匀随机选择;IAC(Impartial Anonymous Culture)在给定选民数 V 下在所有可能配置上均匀抽取配置(等于在 6-simplex 上均匀取点并放大到 V)。作者在解析部分采用 V→∞ 的极限情形以计算精确概率(使用 Ehrhart 多项式或球面简单形体积分等方法)。 6 11
空间模型(Euclidean spatial models):作者设计多种一维与二维模型:
一维:UNI(标准正态单峰);BIM(σ)(双峰,两个中心 -1 与 +1,各标准差 σ,等权);WBI(σ)(加权双峰,60% 左、40% 右,允许偏斜)。随着 σ 下降选民更两极化(示例见 Figure 1)。 6 7 8
二维:通过轴向拼接一维模型得到 X × Y 模型(例如 UNI × BIM(0.5)),偏好基于欧氏距离排序。作者在模拟中使用 4001 个选民,并在部分模拟中以概率 0.35 给每个选民只投单一候选(bullet vote)以模仿美国实证数据的截票率。 6 7 13
真实数据集:作者使用 Australia(325 场单胜选举)、Scotland(1128 场,多数为多席选举)、Scot-condensed(将 Scotland 数据按党内首席候选人浓缩为单胜式)、USA(401 场,美国各地排名选举与 APA 数据)等集合;为处理多于三候选的现实选区,作者对每场采用 IRV 逐轮淘汰到剩余三人后再分析。作者还采用“按比例完成”方法对 bullet votes 进行补全以便与完整偏好模拟比较。 7 9
分析性解析结果(Section 4. Analytical Results)
目标与方法:在 IAC 与 IC 两个“无结构”模型下进行解析概率计算,限定为完整偏好情形并只考察 Borda loser、Bucklin loser、最多最后名票者(last-place)三种定义;IAC 使用 Ehrhart / Normaliz 计算限定体积;IC 使用球面简单形(spherical simplex)与积分方法(Gauss-Bonnet、Schläfli 公式与数值积分)得到极限概率近似。 10 11 12
IAC 的精确概率(命题 2):在三候选且完整票下,极限概率为——IRV 与 Borda loser 重合的概率为 4301 / 241920 ≈ 1.78%;IRV 与 Bucklin loser 重合概率为 115 / 2304 ≈ 4.99%;IRV 与最多 last-place 重合为 49 / 768 ≈ 6.38%。这些数值源自对满足相应不等式子区域在 6-simplex 中体积的精确计算。 11
IC 的近似概率(命题 3):在 IC 下(V→∞)作者得出 IRV 选 Borda loser 概率约 2.811%;IRV 选 Bucklin loser / 最多 last-place 概率约 7.178%(推导使用球面简单形面积和高维 Schläfli 积分,证明部分详见主文与附录)。11 12 30
含义:IAC 与 IC 两种无结构模型得出的“极限概率”不是同一数字,IC 给出的 Borda 概率略高(≈2.8%);Bucklin/last-place 在 IC 下更高(≈7%)说明当选前两名票非常接近且没有多数时,IRV 有更高概率通过票转移产生与 Bucklin/last-place 的不一致。 11 12
仿真方法与数值结果(Section 5)
仿真设计要点:每个模型进行 100,000 次独立仿真,V=4001,候选人3名;空间位置随机抽样并按欧氏距离构建排序;为探究截票效应,另行设置每位选民以概率 0.35 投 bullet vote;也测试 V=1001、3001 以验证规模敏感性并发现结果稳健。 13
Table 4 与代表性数值:作者在 Table 4 给出 8 个代表模型的结果样本(完整与部分票两组),例如:
完整票:UNI:最小效用 0.19%、Borda loser 1.74%、Bucklin/last-place 0%;BIM(0.5):最小效用 0.69%、Borda loser 8.86%、Bucklin/last-place 0%;BIM(0.5)×BIM(0.5):最小效用 2.70%、Borda loser 12.08%、Bucklin 2.15%、most last place 8.53%。这些数据表明在双峰强极化情形(特别是二维双峰×双峰)Borda 或 last-place 被 IRV 选中的概率可以显著上升。 14
部分票(p=0.35 bullet):总体上 Borda 各变体与 Bucklin 的被选中概率往往下降,但对于“最小效用”在 BIM×BIM 的高两极化情形却大幅上升(示例:BIM×BIM 部分票下最小效用概率 21.2%)。这强调部分票截断会改变 IRV 在“社会效用”指标上的表现。 14
关键趋势(由 Figures 3、6、7 可视化):
在一维 BIM(σ) 模型中,随着 σ 减小(更两极化),Borda loser 被 IRV 选中的概率通常上升(尤其在某范围),最小社会效用被选中概率随极化也可能显著上升;而 WBI(带权不对称双峰)呈现不同的行为轨迹(见下文差异性讨论)。 15 22 23
部分票普遍使 Borda 类型失败概率下降,但在某些模型(如 BIM×BIM)部分票会提升最小社会效用被选中的概率。 14 15
三、图表与图片逐一深度解读(此处为关键环节)
说明:下文对论文中每一个主要图表与图片逐个描述、解读,并说明其如何支撑周围文本论点。为便于读者直观参照,文中同时以 markdown 格式嵌入作者给出的图片资源路径。
Figure 1(示例一维分布)——文件:images/10ba76...jpg?page=7
8
描述:四行两列的子图展示了 UNI、BIM(0.3)、BIM(0.5)、BIM(0.6)、WBI(0.5) 与 WBI(0.6) 的一维选民(与候选人)位置分布直方图。 8
解读与趋势:图中随 σ 减小,BIM 与 WBI 的双峰日益分离(两峰更加尖锐),从而体现选民更极化;WBI 与 BIM 的差别在于左右两峰高度不对称(WBI 左峰更高)。这直接支撑作者用 σ 控制极化强度的设定,并说明在极化情形下一些“中心挤压”或票位分裂情形容易出现,从而为后续 IRV 选中“弱候选人”的概率上升提供结构性原因。 8
Figure 2(二维模型示例)——文件:images/5f323f...jpg?page=8
9
描述:四个二维散点图示例(UNI×UNI、UNI×BIM(0.5)、BIM(0.5)×BIM(0.5)、BIM(0.6)×WBI(0.6))展示二维空间中选民分布特征。 9
解读:二维布局展示当不同轴使用不同一维模型拼接时,既能出现横向集中/纵向两极化的混合情形(UNI×BIM),也能出现完整两极的簇(BIM×BIM)。这些二维配置使得“中心”与“两翼”结构在两个维度上复合,从而放大可能导致中心候选人被早期淘汰(center squeeze)的事件概率。作者后续对二维模型的仿真结果(Figures 6,7)即基于这类构造。 9
Table 1 / Table 2 / Table 3(示例与通式配置)——文本内 HTML 表
Table 1(page 2)通过 19 选民的举例展示 IRV 两轮票转移与最终获胜情况(Example 1),并用于说明 IRV 在三候选下通常要么首轮获多数,要么通过一次转移决出胜者。该表被用作算法说明的基础实例。 3
Table 2(page 5)给出单峰偏好构造的通式子类(a1,a2,b1,b2,c1,c2),用于证明命题 1(在单峰偏好时 IRV 不会选 Bucklin loser 或最多最后名票者)。推理基于不等式比较与穷举淘汰情况。 6
Table 3(page 5)给出一般 3 候选偏好记号用于解析不等式陈述与后续解析计算的代数表示。 6
Figure 3(1D 空间模型结果)——文件:images/76fd86...jpg?page=14
15
描述:四幅子图显示 BIM(σ) 与 WBI(σ) 在完整与部分票情形下,不同 σ 值下 IRV 当选弱候选人各类定义的百分比(纵轴为百分比,横轴为 σ)。 15
解读(可直接映射到文本结论):
在 BIM(σ) 完整票图上,Borda loser 的被选中概率在 σ 较低时非常高(可达 ~18% 左右),随 σ 增大显著下降;最小社会效用概率在极小 σ 时也会上升,但幅度通常小于 Borda 的曲线;这表明在“一致对称双峰”且高度分裂时 Borda 指标更容易与 IRV 结果冲突。 15
在 WBI(σ)(带权不平衡双峰)情形,最小效用概率随 σ 增大先上升再下降,且 Borda 曲线较平缓,这反映了选民不对称人口权重会改变候选人“局部优势”对 Borda 分数的影响。 15
在部分票(bottom 行),BIM 的最小效用概率在极化时可大幅上升(见下一节二维 BIM×BIM),但 Borda 概率普遍下降,这说明截票会削弱 Borda 分差导致 Borda 失败情形的发生概率。 15
Table 4(样本仿真结果)——page 13(HTML)
描述:表格列举样本模型的完整票/部分票下 IRV 选中不同“最弱”定义的百分比;例如 BIM(0.5)×BIM(0.5) 在完整票下 Borda loser 为 12.08%、most last place 为 8.53%,在部分票下最小效用为 21.2% 等。 14
解读:该表直接量化了“极化(尤其是二维双峰×双峰)+部分截票”情形下 IRV 可能选择在社会效用上最差的候选人的高概率(20% 级别),强调了空间结构与截票交互的风险。 14
Figures 6 与 7(2D 空间模型完整 / 部分票)——page 21 与 22
22
23
描述:多个子图展示在二维拼接模型(UNI×BIM、BIM×BIM、WBI×WBI、BIM×WBI)随着 σ 变化 IRV 选中各类弱候选人的百分比。 22 23
解读:二维 BIM×BIM 在低 σ(强极化)时最小社会效用被选概率极高(20% 以上);与一维相比二维能够合成两个维度的极化,从而更容易出现中心候选被两翼分裂而早期被淘汰(center squeeze),导致 IRV 导向相对边缘或效用更差者。部分票时相同格局多数仍成立但数值会发生变化。 22 23
Figure 4 与 Figure 11(中心挤压可视示例)——page 16 与 26
17
27
描述:示例图(散点/直方)显示特定生成的 BIM(0.5) 或 BIM(0.6)×BIM(0.6) 选民与候选人配置,标注 IRV 胜者与其他候选人的位置。 17 27
解读:作者用这些示例直观展示“center squeeze”机制:若中间候选人 C 是最能代表中心的 Condorcet 候选人,但因在首轮被两个翼候选人分票而首轮得票最少被淘汰,则其支持转向其中一翼致使原先边缘候选(在 Borda 或社会效用上更差者)成为最后胜者。图示清晰地把空间位置、票分裂、淘汰顺序与最终胜者联系起来,从而把抽象数值概率与可解释的几何情形连结。 17 27
实证表格(Table 5、Table 6)与示例(Minneapolis 2021)
Table 5(page 15)汇总真实数据集中(Australia, Scotland, Scot-condensed, USA)在三候选化后 IRV 选中 Borda loser / Bucklin loser / most last place 的次数与百分比。举例:Scotland(1128)在按比例完成的 ballots 下 Borda loser 17 次(1.51%)、Bucklin loser 62 次(5.50%)、most last place 101 次(8.95%)。这些数字显示真实选举中弱候选被 IRV 当选的频率通常低,但在 Scotland 数据集中偏高,可能因数据本身多为多席选举被浓缩所致。 16
Example 3(Minneapolis 2021)详表(Table 6,page 15)说明一个真实案例中 IRV 胜者恰好是 Bucklin loser 与某 Borda 变体的 loser,并且该选举没有 Condorcet winner(循环偏好),因此任何方法在不同指标下可能都将某一候选标为“最弱”。这用例强调在缺乏 Condorcet winner 时“强/弱”界定本身的模糊性。 16 17
Figures 9 与 10(IRV 与 Plurality / Condorcet 的比较)——page 24 与 25
25
26
描述:多幅子图横向比较 IRV、Condorcet(minimax 作为无 Condorcet 时的替代)与 Plurality 在“最小社会效用”与“Borda loser”指标上的性能。 25 26
解读要点:
对于“最小社会效用”度量:Plurality 在多数模型中更差(选择最差效用者概率高),Condorcet 通常略好于 IRV,而在极化时 IRV 和 Condorcet 接近并优于 Plurality。部分票会使 IRV 与 Condorcet 的不良表现上升,但 Plurality 更差。 25
对于“Borda loser”度量:Condorcet 方法显著优于 IRV 与 Plurality(Condorcet 不可能选 Borda loser / Borda AVG loser),而在某些双峰 BIM 模型 Plurality 在 Borda 指标上反而表现优于 IRV(原因在于分裂票使得单一翼候选人成为牢靠的第一名,防止其成为 Borda 最差者)。这表明哪种方法“最好”取决于你最在意哪种“最坏”定义与哪个选民结构。 25 26
四、估值/计量方法分析(此处论文非金融估值,但需解释概率方法与数学工具)
IAC 分析采用几何体积法(识别满足某组不等式的子单纯形、计算在 6-simplex 中的体积),并借助 Normaliz 软件进行 Ehrhart 多项式 / 体积计算以获得精确极限概率;该方法适用于 IAC 的“均匀配置”假设。 11
IC 分析使用球面简单形与高维不等式对应的球面区域面积计算(Gauss-Bonnet 与 Schläfli 公式用于多面体体积随角度变化之积分),往往需数值积分得到近似结果,作者给出推导步骤和部分中间结果(见 page 10–12 与 27–29 的长计算)。 11 12 28
蒙特卡洛仿真关键输入:选民/候选人配置分布(UNI/BIM/WBI)、选民数(4001)、是否允许 bullet(p=0.35)、欧氏距离偏好假设、在二维模型上两个轴独立拼接。作者针对每个模型做 100k 仿真以确保估计标准误小于 0.1% 级别(文本中说明结果对样本规模较稳健)。 13 6
五、风险因素与作者识别的限制(Risk Factors)
模型不足与数据偏差:
空间模型假设选民效用由欧氏距离给出并能映射为排名,这在现实政治议题上是近似的但并非总成立(例如非一维议题、战略投票等)。6
部分真实数据(Scotland)多数为多席 STV 格局,作者在把多席结果“缩减”到三候选人用于分析时会引入偏差(例如生成的三候选配置中截票率与分布与真实三候选直接竞选不同),作者也在文中指出这一点并使用 Scot-condensed 进行对照。 7 9
完成截票(proportional completion)是一种实现比较的策略,但该补全方法本身是一种假设,可能掩盖真实截票者的策略性或随机偏好结构,从而影响对完整偏好情形下概率的对比。作者在 Section 6 说明这一选择并同时分析实际未补全的数据以比较差异。 9 15
概率解释与事件罕见性:IC / IAC 的“极限概率”是 V→∞ 的结果,现实选民规模有限、候选数常多于 3,且选民偏好可能非独立同分布,因此这些理论概率应作为参照而非绝对预言。作者通过仿真(4001 选民)和实证数据来桥接理论与真实世界的差异。 11 13
六、批判性视角与细微差别(审慎评价)
优点:
论文方法学上组合了解析、仿真与实证三管齐下,增加结论的稳健性;并对四种“弱候选人”定义逐一考察,覆盖面广且对实际争论具有现实意义。 1 6
使用多种空间分布(UNI、BIM、WBI)与不同 σ 的扫描,系统性揭示了极化程度如何影响结果,且对截票进行了明确对照。 7 13
需要注意或可能的偏倚/限制:
三候选限制:研究限定在三候选情形以便解析与可视化,但现实中 >3 候选更为常见;作者处理方式是把多候选 IRV 执行到剩 3 名再分析,这一步虽模拟 IRV 过程但可能产生更高的截票率与不同的偏好共形,影响可比性(作者已指出)。 9
Borda 的截票处理(AVG/OM/PM)是合理的三种取法,但分别对应不同的主观假设——例如 Borda OM 偏向将未列候选视作次佳,这在现实中可能不被接受,故 Borda 相关结论需看具体假设。 4
社会效用定义为总距离的负和是一种常用且直观的度量,但并非唯一(如平方损失或阈值效用可能给出不同的最差候选人),作者在结论也建议拓展到其它社会效用指标以检验鲁棒性。 4 20
实证数据的“多席到三席”的重构,尤其在 Scotland 数据集中,可能高估 Bucklin/last-place 在实证中的发生率(作者也在文中指出 Scotland 出现较高概率很可能因数据为多席竞选所致)。 16
七、结论性综合(关键发现与建议)
总结关键数字与结论:
在 IAC 下(完整偏好,极限 V→∞):IRV 选 Borda loser 的概率 ≈ 1.78%;选 Bucklin loser 的概率 ≈ 4.99%;选 most last-place 的概率 ≈ 6.38%。 11
在 IC 下(近似)IRV 选 Borda loser 概率 ≈ 2.811%;选 Bucklin/most last-place ≈ 7.178%;这些数值说明在无空间结构的随机模型中 IRV 偶尔会产生“弱候选人当选”的结果,但概率并不高。 11 30
仿真(空间模型)结果显示:在常见(非极化)情形下,IRV 选中各种“最弱”定义的概率通常 ≤ 5%;但在极端两极化(尤其 BIM×BIM、σ 小)或在部分票截断存在时,IRV 选中“最小社会效用”者的概率可跃升到显著水平(在某些情形 ~20% 以上)。 14
实证数据(Australia / USA / Scotland 等)总体显示 IRV 选中 Borda/Bucklin 最差者的实际频率很低(多数数据集 <5%),Scotland 偏高可归因于多席/数据重构问题;Minneapolis 2021 案例显示在无 Condorcet winner 的循环偏好情形,不同标准会把不同候选标为“最弱”。 16 17
综合判断:论文结论谨慎且有针对性——IRV 在理论上可以选出在某些合理定义下的“最弱”候选人,但频率在大多数现实或典型模型下低,且主要风险集中在特殊的结构性情形(强两极化、截票、无 Condorcet 情形或多席被缩减为三候选的人工场景)。作者建议未来工作扩展到 4+ 候选、替代社会效用度量、及更细致地研究战略投票与不同截票机制的影响。 1 14 20
八、对政策/实践的启示(简要)
如果担心 IRV 导致“最差”候选人当选,应特别关注选民极化程度(是否存在强两翼簇群)、候选人分布(是否可能出现“中间候选人被分裂支持而早期淘汰”)与截票率(高截票率会放大某些不良结果的概率);在这些情形下决策者应考虑额外规则(如鼓励完整排序、候选人合并或采用规避中心挤压的制度设计)或比较 Condorcet/其他规则对具体目标的表现。作者也表明 Condorcet 方法在 Borda 指标上通常更优,但在别的指标(如不选 plurality loser)上又存在权衡。 18 25 26
九、建议的后续研究方向(作者与我的补充)
扩展到 4+ 候选人情形的解析与仿真;研究战略投票(非誠實投票)对这些概率的影响;检验不同社会效用定义(如平方损失、阈值效用)对“最小效用候选人”识别的影响。作者在结论亦提出类似方向。 20
附:对主要图表的引用(用于快速查阅)
Figure 1(1D 模型示例): /images/10ba76aa2fbec4d4f3b0017d0f96df25c2a39637586424d81939d0421a6aa95e.jpg?page=7 8
Figure 2(2D 模型示例): /images/5f323f0f5638ef60d726113728037d2a5db54ed853e5239f5d1212b20e08b39f.jpg?page=8 9
Figure 3(1D 模拟结果): /images/76fd8668207ef19b216b5a8882321fa5e6a30979b07fc53e592d3e413c883237.jpg?page=14 15
Figure 4( center squeeze 示例): /images/a0bfed51e131729d9bc833b4e136d1ab8d90d8a8605a088b7e6f0f996debeac3.jpg?page=16 17
Figure 6 / 7(2D 模拟完整/部分票): /images/71aa686d934b401b60523b2e723bca0149d9a7cec1a6b9375ba10d36f0438b81.jpg?page=21, /images/83ce6ee00d6b2fb436672dfe226a9a373214870cf28687d3e56111ee3be987ba.jpg?page=22 22 23
Figure 8(条件概率图): /images/d17e023d541cfeafe4fc6ad5235b48d3c4500d3fa0dab563cd0c1e0b981f5d55.jpg?page=23 24
Figure 9 / 10(IRV vs Plurality/Condorcet): /images/69af398835dc0684fa4df2e2cd06040918c66ca135f1ee06940e8cddbd0f1e3a.jpg?page=24, /images/e6593e64fd8b0d50c4e88a9b3780e6e79d160ff084d2e0fb0c6a6891e3063d9b.jpg?page=25 25 26
Figure 11(2D 示例): /images/893b4890445032d9a45d136ef9f1ce44fe3ff397c5082f7854fe7538ab9a62f4.jpg?page=26 27
結尾语(总结性一句):
总的来说,作者系统性地量化并解释了 IRV 在多种弱候选人定义下选出“最弱”候选人的情形与概率分布,结论显示该事件在多数常见场景下罕见,但在高度极化(尤其二维极化)与部分投截交互情形下概率明显上升,研究为政策制定者和投票制度比较提供了明确的情境化风险视角。 1 14