Home Artists Posts Import Register

Content

美國總統大選有一個政治術語,名叫「十月驚奇」(October Surprise)。由於大選在每隔四年的11月初舉行,「十月驚奇」顧名思義,就是在投票前一個月內出現、對大選結果影響顯著的事,其中媒體左右中間選民的力量尤為關鍵。但在今屆,最大的驚奇,似乎卻會在7月出現。為甚麼等不到/不用等到十月?這就是結構性的範式轉移。

嚴格意義上的「十月驚奇」,需要是一方精心策劃的戰略,等到在大選前夕,才就某一導向性議題,進行大規模的媒體宣傳,以求對選民的傾向,造成不能逆轉的影響。但慢慢發展下來,不少計算以外的突發事件,也有意無意間成了「十月驚奇」,各方都要學習因勢利導、借力打力,更考選舉策略師的功力。普林斯頓大學政治學者澤利澤(Julian Zelizer)在CNN撰文述及這概念,可作深度閱讀。

「十月驚奇」這概念在六十年代開始出現,當時現代通訊發展迅速,媒體對大選的影響力急升,從此逐漸被廣泛應用於大選分析,1980年卡特vs列根的選舉即為典型。那場選舉前夕,爆發伊朗人質危機,卡特聲望陷入低谷,列根團隊原應該高興,卻擔心卡特會在大選前夕,與伊朗政府就歸還人質達成協議,從而得分,贏得大選。美國一直有陰謀論認為,列根陣營當年一面通過媒體造勢,抨擊卡特營救人質不力,另一方面卻與伊朗秘密接觸,讓後者保證釋放人質的決定,只能在列根就任總統後才公布。陰謀論自然無法證實,但當年選舉期間,卡特政府持續的外交努力始終未有成效,列根勝出後,伊朗卻立即釋放人質,二者的巧合,始終讓人聯想。

然而,也不是每次在選舉年10月發生的突發事件,都能左右大局。例如1968年大選期間,美國深陷越戰泥沼,即將離職的民主黨總統詹森(Lyndon Johnson),為給黨友候選人韓福瑞(Hubert Humphrey)造勢,在10月尾突然宣布,即時對北越進行大規模轟炸,再隨即開始與北越和談。這聲明旨在讓共和黨候選人尼克遜措手不及,因為他一直承諾「上任後將立刻終結越戰」,以此作為政綱的最大賣點。最終Humphrey仍未能擊敗尼克遜,有分析指當時尼克遜的核心幕僚基辛格,已預見約翰遜的聲明只是虛張聲勢,自己卻開始與北越接觸,讓北越領導人「支撐到尼克遜當選後進行更有利的和談」,而民眾也不相信民主黨有能力終結越戰。諷刺的是,尼克遜上任後,也並未立刻終結越戰,不過米已成炊而已。

另一個較近期的例子,則是1992年大選的老布殊Vs克林頓。當年投票日前四日,爆出伊朗軍售醜聞,列根政府秘密向伊朗出售武器曝光,老布殊正是列根的副總統。醜聞對老布殊造成了一定負面影響,不過分析普遍認為,他過分注重海灣戰爭、忽視國內經濟形勢,加上獨立候選人佩羅特分票,才是敗選的最重要原因,「驚奇」出現前,早已敗局已定。後來老布殊的兒子小布殊也曾遭遇「十月驚奇」:2000年大選前夕,民主黨候選人戈爾陣營爆出他曾因醉駕被捕,引起嘩然,但小布殊立刻召開新聞發佈會解畫,危機處理得當,最終還是勝出。

自由派精英壟斷的美國主流媒體,曾積極要令特朗普失言醜聞成為「十月驚奇」,但結果卻有反效果。例如在2016年,特朗普多年前的侮辱女性錄音曝光,黨友紛紛割席,看似是重創;但想深一層,一個花花公子形象的富商有眾多女伴、玩女人,究竟在一般人心目中有多「驚奇」? 他這方面的說話,甘迺迪就說得更露骨。究竟在公開表態之外,有多少美國普通人真的不能接受?當然有,但主要都不是特朗普的選民,除了南部福音帶的親共和黨保守教徒,但他們對自由派的反感只有更甚。

說了這麼多,究竟在現代大選,「十月驚奇」的殺傷力還有幾何?Zelizer就認為,互聯網技術的普及、和隨之產生的網絡政治世界,會讓「十月驚奇」有更戲劇性的效果。須知傳統意義上的「十月驚奇」,都是由雙方團隊策劃、或因勢利導發動傳統媒體宣傳,因此儘管是「surprise」,本質上還是有組織、可預測的。但在互聯網時代,每個人都能通過網絡發揮「自媒體」作用,從信息挖掘到輿論渲染,每個網民的潛在影響力,已不亞於昔日的一整個競選團隊,而個別網民行為,自然比團隊組織更難預測,橫空出現的大新聞,很可能來自不知名網民。

此外,儘管美國大選是內政,但在全球政治高度交接的21世紀,「外國勢力」干預美國大選不再是天方夜譚,例如俄羅斯、中國黑客的參與,已經是遊戲一部份。外國勢力要影響本地媒體很難,但要在網絡世界製造「驚奇」,則容易得多。

*改編自沈旭暉《信報財經新聞》文章

▶️ 如果出現特朗普第二任期,烏克蘭、以色列、台海三大衝突熱點會被如何改變?
https://www.youtube.com/watch?v=54IOv0dWA6Y

Files

Comments

Elaine Yip

同意觀點分析 ~

cas idit

現在比以前更多難以預測的extreme events(複雜系統的特性,heavy tailed distribution, 如black swan event),即上文講的網民反應等,當然就算係economics都financial systems都係一啲例子。 此突顯AI的缺陷,因為AI需要足夠的training data sets先能作出有效的預測。而呢啲data sets因為沒有對extreme events 有足夠的採量,而難以預測這些Extreme events 的出現。 最後暫時還需依賴對既複雜系統的了解,了解其extreme events出現的原因,嘗試整返個唔係black box的model,先能更有效去預測和防備/harness extreme events的影響。