美国众议院竞选资金决策的结构建模
《PLOS Complex Systems》:Structural modeling of campaign finance decisions in the U.S. House of Representatives
【字体:
大
中
小
】
时间:2026年05月14日
来源:PLOS Complex Systems
编辑推荐:
摘要
计算建模和量化现代政治竞选资金的驱动因素是研究人员、政策制定者以及公众共同关注的一个新兴领域。在美国众议院这样的联邦立法机构中,政党成员之间的竞选资金决策或“资金流动”是合法且普遍的做法,用于分配资源和影响力。利用联邦选举委员会(FEC)的广泛数据,我们将这些资金流动建
摘要
计算建模和量化现代政治竞选资金的驱动因素是研究人员、政策制定者以及公众共同关注的一个新兴领域。在美国众议院这样的联邦立法机构中,政党成员之间的竞选资金决策或“资金流动”是合法且普遍的做法,用于分配资源和影响力。利用联邦选举委员会(FEC)的广泛数据,我们将这些资金流动建模为复杂的网络,并用先前仅被定性讨论的外生因素(如资历、非协调的超级政治行动委员会(SuperPAC)支出以及众议院领导地位)来解释其形成机制。我们的研究结果表明,这些因素对两大政党都有显著且持久的影响。这些发现为关于国会任期限制以及超级政治行动委员会无限独立支出的作用的持续辩论提供了实证基础。
作者总结
美国的竞选资金研究通常关注个人捐赠、政治行动委员会和外部团体的贡献,但较少关注国会议员在同一政党内部如何相互支持。这些内部转移可以揭示政党如何分配资源、奖励影响力以及应对竞争性选举。在这项研究中,我们分析了2009年至2022年间美国众议院成员之间的竞选捐款情况。我们将这些捐款表示为有向网络,并使用统计网络模型来测试结构过程和成员特征与捐款模式之间的关系。我们发现两大政党之间存在明显差异:民主党的捐款网络相对稳定且集中,而共和党的网络变化更大,变得不那么集中且更加局部聚集。资历、领导地位和超级政治行动委员会的活动也与哪些成员更有可能给予或接受支持有关。这些发现表明,国会内的竞选资金分配并非随机,而是反映了政党政治的更广泛组织特征和不断变化的选举压力。
引言
特别是自美国最高法院作出“公民联合”(Citizens United)裁决以来,政治竞选资金的影响力和复杂性都在增加,并成为争议性话题。2023-2024年选举周期的国会候选人报告筹集了约38亿美元,这一历史最高总额与上一个周期相当,比2014年高出约60%。尽管没有定论,但政治观察家普遍认为,候选人筹集资金的能力是实现选举成功以及当选后获得立法影响力的前提条件。这一系统中一个日益重要但研究不足的方面是国会议员之间的资金贡献。自21世纪初以来,部分受2002年《两党竞选改革法案》推动,众议员越来越多地使用自己的竞选和领导委员会资金来支持党内同事的选举活动,既帮助竞争性竞选,也增强党内政治影响力。例如,在2021-2022年选举周期中,众议院共和党领袖凯文·麦卡锡的多数党委员会(Majority Committee PAC)筹集了约720万美元,并据报道向面临艰难连任挑战的共和党议员捐赠了400万美元,另外向全国共和党国会委员会(National Republican Congressional Committee)捐赠了700万美元,以支持该党2024年的竞选活动。通过领导委员会进行的此类捐款因其明确的目的和披露要求而备受关注,而来自个人竞选委员会或其他附属实体的捐款虽然同样需要按照FEC规定进行报告,但受到的公众关注较少。这些国会议员之间的内部捐款仅占总筹款的一小部分,但它们可以表明政党支持特定候选人及优先考虑竞争性竞选的策略。
引言(续)
自美国最高法院作出“公民联合”裁决以来,政治竞选资金的影响力和复杂性都在增加,并成为争议性话题。2023-2024年选举周期的国会候选人报告筹集了约38亿美元,这一历史最高总额与上一个周期相当,比2014年高出约60%。虽然尚未定论,但政治观察家普遍认为,候选人筹集资金的能力是实现选举成功以及当选后获得立法影响力的前提条件。这一系统中一个日益重要但研究不足的方面是国会议员之间的资金贡献。自21世纪初以来,部分受2002年《两党竞选改革法案》推动,众议员越来越多地使用自己的竞选和领导委员会资金来支持党内同事的选举活动,既帮助竞争性竞选,也增强党内政治影响力。例如,在2021-2022年选举周期中,众议院共和党领袖凯文·麦卡锡的多数党委员会筹集了约720万美元,并据报道向面临艰难连任挑战的共和党议员捐赠了400万美元,另外向全国共和党国会委员会捐赠了700万美元,以支持该党2024年的竞选活动。通过领导委员会进行的此类捐款因其明确的目的和披露要求而备受关注,而来自个人竞选委员会或其他附属实体的捐款虽然同样需要按照FEC规定进行报告,但受到的公众关注较少。这些国会议员之间的内部捐款仅占总筹款的一小部分,但它们可以表明政党支持特定候选人及优先考虑竞争性竞选的策略。
此外,先前的研究表明,现任议员和寻求领导职位的议员更有可能向处于竞争性或高优先级竞选中的其他议员捐款,以加强他们在党内的地位并提高获得委员会职位的机会。例如,在2003年当选为众议院少数党领袖之前的四年里,南希·佩洛西向其他众议院议员的竞选活动捐赠了近200万美元,超过了当时任何其他民主党人。虽然这类案例有详细记录,但对议员之间捐款结构和决定因素的系统分析仍然有限。大多数竞选资金研究集中在个人捐赠、政治行动委员会或外部团体的贡献上,留下了未解决的问题:议员是否将支持定向给予已经获得大量内部支持的议员;资源是集中在少数接收者手中还是更广泛地分配;以及捐款通常是单向的还是互惠的。除了这些党内策略外,超级政治行动委员会(SuperPACs)的兴起引入了一个主要的外部因素,影响议员如何分配竞选资金。超级政治行动委员会(正式名称为仅允许独立支出的委员会)可以筹集和支出无限金额来支持或反对候选人,但法律禁止它们与竞选活动直接协调。它们已成为联邦竞选资金的核心组成部分,其支出几乎实时公开。例如,在2020年选举周期中,国会领导基金报告在众议院竞选中支出超过1.4亿美元,而众议院多数党委员会支出超过1.6亿美元,主要用于支持脆弱的民主党现任议员和争夺竞争性共和党席位。这种大规模、可见的活动可能表明选举中的脆弱性或战略重要性,促使议员相应调整其捐款行为。尽管先前的研究探讨了超级政治行动委员会支出对选民和候选人信息传递的影响,但其与议员之间资金转移的关系尚未得到充分研究。捐赠者信号传递和分散式政党协调理论表明,尽管缺乏正式协调,外部支出仍可能影响党内的资源分配。然而,目前尚不清楚支持性和反对性超级政治行动委员会的支出是否具有相似的效果,或者这些反应是否因政党组织而异。据我们所知,很少有研究系统地探讨议员是否会根据针对自己或同党人的超级政治行动委员会支出改变其捐款或接受行为。受这些观察和差距的启发,本文提出对竞选资金数据进行定量网络分析,以研究美国众议院议员如何随时间向其他议员捐款。我们首先使用联邦选举委员会(FEC)的竞选资金数据构建了一组资金流动网络(MFNs)。每个MFN代表了2009-2022年两个选举周期内议员之间的捐款方向流动。我们选择这一时期是因为超级政治行动委员会作为一个实体直到2010年左右才合法化;因此,有足够的数据来研究它们与议员竞选资金策略的关联。对于每个选举周期,我们分别构建了民主党和共和党的资金流动网络。在这两个党派的网络中,所有435名当选的众议院议员都有代表,如果发送者在该周期内向接收者进行了竞选捐款,则在节点之间建立有向链接。尽管网络科学已被应用于政治科学,研究国际冲突、委员会影响力、联盟形成、利益集团活动和立法行为,但对候选人之间的竞选资金网络的关注较少。然而,绘制资金流动网络只是理解其结构的第一步。同样重要的是开发一个模型来解释网络形成和外生因素的非随机效应。为此,我们采用了指数随机图模型(ERGMs),这些模型指定了所有可能联系的联合概率分布。这些模型可以考虑节点级别的协变量,如资历和领导地位,但同样重要的是,还包括内生结构因素,如互惠性(捐款是否相互)、传递性(议员是否倾向于在小型、相互关联的群体内捐款)和度异质性(某些议员是否始终向许多其他议员捐款或接受捐款),这些因素无法仅通过个体特征来解释。这些因素可以表明资金流动是否受到战略协调、联盟建设或层级集中的影响,超出了个体属性所能解释的范围。该框架还允许系统地比较不同党派之间的差异,例如民主党和共和党在支持范围、层级集中程度或领导者作为捐赠者的程度上是否存在差异。利用这些模型,我们关注三个研究问题:
(1)众议院议员之间的捐款结构随时间如何变化,特别是在互惠性(相互联系)、传递性(群体聚集)和度异质性(捐款和接受的集中程度)方面?这些特征在民主党和共和党之间是否存在系统差异?
(2)具有较高内部地位的议员(如资历较深的议员和担任领导职位的议员,例如众议院议长和委员会主席)如何参与分配竞选资金,这些规律在民主党和共和党之间是否存在差异?
(3)从外部来看,受到超级政治行动委员会支出影响的议员是否更有可能向同党人捐款或接受捐款,这些效应如何取决于候选人的党派归属以及超级政治行动委员会的支出是支持还是反对候选人的议程?
现有政治科学研究描述了国会议员之间的竞选捐款,但尚未系统地考虑互惠性和传递性等内生网络结构以及共享州代表权等情境因素对这些决策的影响。我们的分析结合了这些因素,以研究竞选资金的内部转移如何将个人筹款与党的集体目标联系起来,并与独立支出相互作用,从而影响国会内的选举资源流动。
方法
我们的分析分为五个主要步骤:
(1)汇编和验证来自FEC的原始竞选资金数据;
(2)确定每个两年选举周期的当选众议院议员;
(3)通过他们的附属委员会提取议员之间的捐款;
(4)构建有向资金流动网络(MFNs);
(5)拟合和分析指数随机图模型(ERGMs),以评估外生和内生预测因素的作用。详细实施程序见S1方法。
数据来源和处理
我们使用联邦选举委员会(FEC)提供的2009-2022年七个两年选举周期的公开数据来分析美国众议院议员之间的竞选捐款。分析基于四个核心FEC数据集:候选人主文件(记录每个候选人的姓名、标识符、党派和主要竞选委员会);候选人-委员会关联文件(记录与每个候选人正式关联的所有政治委员会);委员会主文件(记录每个注册的政治委员会及其分类);以及委员会对候选人的捐款和独立支出文件(报告所有委员会对候选人的捐款和政治委员会的独立支出)。由于这些数据集是按每个选举周期单独发布的,我们共汇编和处理了28个文件。每个数据集都通过候选人和委员会标识符进行了交叉核对,以确保所有记录都指向相应周期内的有效、活跃实体。对于每个两年选举周期,我们接下来确定了通过常规大选产生的435个众议院席位,并将它们与在随后国会开始任职的获胜候选人匹配(例如,2020年大选的获胜者于2021年1月进入第117届国会)。我们关注每个周期结束时的当选议员,因为在该期间筹集和分配的竞选资金旨在支持即将到来的国会任期。当选成员是根据联邦选举委员会(FEC)的选举结果[35]确定的,并与美国众议院书记官发布的官方众议院名单[36]进行了核对。在大多数情况下,这两个来源列出的成员是相同的。当出现差异时——例如,当候选人去世、辞职或在就职前拒绝接受职位时——我们保留了最初赢得选举的候选人,而不是后来填补该职位的继任者,因为在特定选举周期内的筹款活动是针对当选候选人进行的,而不是针对他们的替代者。最后,我们通过“委员会对候选人的捐款”和“独立支出”文件,识别了一位国会议员通过其所属政治委员会向另一位议员的捐款情况,该文件记录了所有政治委员会对候选人的捐款以及所有支持或反对候选人的独立支出。根据FEC的规定,国会议员可以通过与其正式关联的委员会相互捐款,包括他们的主要或次要竞选委员会以及他们的领导政治行动委员会(Leadership PACs)[37]。这些委员会受到捐款限额和公开报告要求的约束,它们的关联关系在“候选人-委员会关联”文件中有明确规定。当一位议员与多个委员会有关联时,所有相关的委员会都被汇总到该议员名下。我们排除了一个代表以个人身份向另一个代表进行的捐款,因为数据集无法可靠地识别捐赠者的国会身份,且需要进行不确定的姓名匹配。此类个人捐款通常规模较小且具有象征性,而非战略性。基于这些原因,分析仅包括通过正式注册的政治委员会进行的经过验证的转账。数据编制和验证的详细程序在S1方法中提供。
网络构建
我们根据理论和实证考虑,为每个选举周期的民主党成员和共和党成员分别构建了有向资金流动网络(MFNs)。跨党派的捐款极为罕见——在几个周期中甚至不存在——而党内转账则是成员协调筹款、分配资源和组织选举支持的主要渠道[11,38,39]。按党派划分数据还可以提高跨周期的可比性,并减少由于极端稀疏性、几乎不相连的组件或不稳定的ERGM行为而可能出现的估计困难,如下文建模部分所讨论的[33,40–42]。因此,所有不同党派成员之间的捐款都被排除在外。观察到的少数跨党派捐款涉及后来改变党派归属的成员。在这些捐款发生时,这些成员仍然正式注册在他们原来的党派,并在数据集中相应地编码。此类跨党派捐款占所有记录的不到0.50%,不足以进行可靠的统计估计。尽管众议院允许候选人以独立身份参选,但在研究期间没有候选人以独立身份当选。第116届国会的两位成员——贾斯汀·阿马什(密歇根州)和保罗·米切尔(密歇根州)——最初以共和党成员身份当选,后来宣布成为独立候选人。他们在当选的那个周期被编码为共和党成员,且都没有以独立身份寻求或赢得连任。在应用这些排除规则后,我们将每个党派的MFN定义为一个有向图Gp = (Vp, Ep),其中Vp代表给定周期内来自党派p的所有当选众议院成员。如果代表i通过其所属委员会在该周期内向代表j捐款,则从节点i到节点j存在一条有向边。民主党和共和党网络共同涵盖了每个周期内的所有435名当选成员。为了保持跨党派和时间的一致性,所有成员(包括那些既没有捐款也没有接受捐款的成员)都被保留在相应的网络中作为节点。网络构建的详细程序,包括数据验证和聚合规则,在S1方法中提供。
指数随机图模型(ERGMs)
我们使用指数随机图模型(ERGMs)[34]来模拟资金流动网络(MFNs)中的联系形成。ERGMs指定了给定大小的所有可能网络的概率分布,观察到特定网络的概率取决于指定的结构和基于协变量的特征。形式上,观察到网络y的概率为:
\[ P(y) = \prod_{k=1}^{N} \frac{S(y)^k}{Z} \]
其中s(y)是表示模型中包含的网络特征的统计量向量,\(\theta\)是相应的参数向量,\(\alpha\)是一个归一化常数,确保所有可能网络的概率之和为一。每个项\(k\)对应于一个网络统计量\(s_k(y)\)及其参数\(\beta_k\),表示其与观察到y的概率之间的关联强度和方向。ERGM中的因素要么是外生的,来源于网络外部的属性;要么是内生的,由联系之间的结构依赖性定义(例如,互惠性、三元闭合和入度中心化)。在之前构建的MFNs中,一个外生因素的例子是州同质性,它测试来自同一州的两个众议院成员是否比来自不同州的成员更有可能交换捐款。这个项是外生的,因为它来源于节点属性而不是网络结构,并且是二元化的,因为它针对的是节点对。还包括节点级别的因素,例如代表的领导地位,它测试个人特征是否与捐款或接受捐款的可能性相关。本研究中的ERGMs包括了节点级别和二元化的项,无论是外生的还是内生的,以模拟所有七个选举周期中的资金流动网络的形成。类似于逻辑回归,每个系数\(\beta_k\)表示在模型中所有其他因素固定的条件下,与相应统计量\(s_k(y)\)增加一个单位变化相关的联系形成的对数几率的变化。正的系数值表明因素k的存在或更大程度增加了观察到联系的概率,而负的系数值表明该概率降低。例如,州同质性项的正估计意味着代表更有可能向同州的同党人捐款,而负估计则表明倾向于跨州捐款。因此,ERGM系数可以解释为联系形成的条件对数几率比,类似于逻辑回归参数。ERGMs在政治网络分析中变得越来越普遍[41,43,44]。许多这类研究考察了国际关系[45,46]和政策网络[47–49]。例如,Henry等人[49]使用ERGMs分析了政策信念和社会资本如何影响政策制定者之间的合作联系。在一个应用示例中,Desmarais和Cranmer(2012)引入了一种用于MLE不确定性的重采样方法和时间ERGM,并将其应用于美国参议院的共同提案网络[50]。尽管有这些进展,据我们所知,ERGMs尚未用于研究美国众议院内的捐款联系。
模型规格
所有模型都包括四个内生结构项:边(edges)、互惠性(mutual,gwesp(0.50))和入度中心化(gwidegree(0.50)),分别代表基线联系倾向、互惠性、三元闭合和入度中心化。每个项量化了一个特定的结构依赖性,影响联系的概率。下面,我们描述了每个项的解释及其对本研究中分析的资金流动网络(MFNs)的相关性。
- **边(edges)**:这个项作为模型的截距,表示在所有其他因素固定的条件下,两个随机选定的代表之间形成联系的基线对数几率。在实证应用中常见的强烈负系数表明网络较为稀疏,意味着观察到的联系数量远小于同等大小的随机图中的数量。由于在这种稀疏设置中边系数通常较大且为负,其对应的几率比远低于一;因此,其他系数是相对于这个较低的基线联系概率来解释的。
- **互惠性(mutual)**:这个项测试有向联系是否是相互的。在MFNs中,它衡量成员i向成员j的捐款是否增加了j向i捐款的概率。先前的研究表明,在领导权竞争或积极筹款者之间寻求加强联盟时,经常会发生互惠交换[51]。在这个模型中,互惠项的几率比(OR)低于1表示互惠的条件几率较低;一个方向的捐款减少了互惠捐款的条件几率。
- **三元闭合(gwesp(0.50))**:这个项测试当两个成员都与一个共同的第三方成员有关联时,他们是否更有可能形成联系。在MFNs中,它衡量拥有共同捐款伙伴的代表是否也更有可能交换捐款。gwesp(0.50)统计量(按几何权重计算的边共享伙伴,衰减率为0.50)量化了随着共享伙伴数量的增加,联系概率的增加情况,同时允许每个额外伙伴的边际效应呈几何级数下降[40]。在立法共同提案网络中也发现了类似的传递结构,其中共享伙伴与更高的联系形成概率相关[50]。
- **入度中心化(gwidegree(0.50)**:这个项通过增加某些成员从许多同党人那里收到捐款的配置的权重,来衡量入度分布中的集中程度(接收者中心化),随着入度的增加,边际影响逐渐减小[40,52]。在稀疏的有向网络中,这个项有助于表示传入联系的异质性。由于gwidegree是一个曲线项,其系数不能简单地用几率比单位进行一对一的解释;因此,我们定性地解释其方向和相对大小,并主要将其报告为结构控制变量,而不是独立的实质性效应。
- **外生协变量**:在节点和二元级别都包括了外生协变量,以代表成员的制度地位、选举环境以及竞选财务系统内的财务联系。
- **州同质性(dyadic)**:这个二元变量如果两个成员代表同一个州的选区则等于1,否则等于0。它测试代表是否更有可能向来自自己州的代表捐款,因为共享州的成员通常利用重叠的捐赠网络、参加联合筹款活动并维持共同的政治联盟[38,53]。
- **资历(House Terms Served)(node)**:用于构建这个变量的数据来自The United States Project维护的国会-立法者数据集[54],该数据集提供了美国国会议员的权威历史记录,包括传记标识符、任期开始日期和完整的服役历史。选择这个来源是因为其覆盖范围全面、维护一致,并且国会记录与FEC候选人标识符之间有直接关联,使得能够可靠地将代表与其职业生涯数据匹配。每位代表的资历定义为他们在整个国会任期内的累计服务年限,截至所讨论的选举周期。这个计数包括连续和非连续的任期,无论他们何时开始服务。例如,在2021–2022周期中,一个在1955年首次任职并完成了27个任期(包括任何服务间隙)的成员的资历值为27。重要的是,这个定义在选举周期之间是不变的:资历始终代表在同一尺度上测量的累计职业生涯服务年限,仅随着成员随时间积累更多任期而有所不同。单独的发送者和接收者效应(SenioritySender和SeniorityReceiver)测试服务时间较长的成员是否更有可能捐款或接受捐款。先前的研究表明,资历较深的成员通常具有更大的筹款能力和制度可见性[16,50]。
- **领导地位(node)**:二元指标标识成员是否持有或将要持有领导职位,包括议长、党派领袖、党团或会议主席以及委员会主席或高级成员。领导职位是在每次大选后举行的党团选举中确定的,成员的当选机会通常取决于筹款表现和之前周期建立的关系[44,51]。领导者是从官方党团和委员会名单中确定的,并与国会档案来源进行了交叉核对,以确认时间和职位持有者。包括了两组变量。Leadership(Next)Sender和Leadership(Next)Receiver表示在下届国会(选举周期之后的国会)将担任领导职位的成员,而Leadership(Current)Sender和Leadership(Current)Receiver表示在同一届国会中担任这些职位的成员。“Next”指标测试的是后来成为领导者的成员在就职前是否做出了更多贡献,而“Current”指标测试的是现任领导者在任期间是贡献更多还是获得的贡献更少。由于许多领导者会连续任职,这两组指标具有高度相关性;因此,它们在不同的模型规格中分别进行估计。我们在结果部分报告了“Next”规格的结果,因为大部分资金再分配发生在领导职位选拔之前的周期。SuperPAC活动(节点):四个节点级别的协变量衡量了为某位代表独立支出的SuperPAC数量与其贡献活动之间的关联。根据FEC(联邦选举委员会)的定义,只有进行独立支出的委员会才被归类为SuperPAC,这与2010–09和2010–11年的咨询意见一致。支持与反对通过独立支出记录中的交易类型代码24E(支持)和24A(反对)来识别(详细信息见S1方法)。对于每个选举周期,我们统计了支持或反对每位代表的不同SuperPAC的数量。这些协变量分别测试了被更多SuperPAC支持的代表更有可能给予或接受贡献的情况,以及反对性支出的情况。这些变量评估了独立支出是否以影响内部资金分配的方式表明了选举实力或脆弱性[17,55–57]。在敏感性分析中,我们用总支出金额(以10万美元为单位)替换了SuperPAC的数量,以评估使用支出金额而非数量的稳健性。
模型变体:我们估计了三种ERGM规格(一个主模型和两个变体),它们在外生协变量的包含上有所不同(表1)。所有三个模型都包括上述四个内生结构项,并且每个模型还包括州同质性作为控制变量。
模型(1)作为主规格,纳入了代表服务的众议院任期和领导职位的因素。对于每个因素,我们分别估计了发送者和接收者的效应,因为成员给予贡献的可能性可能与接受贡献的可能性不同。模型(1)使用了下一个国会领导职位的规格(Leadership(Next)Sender和Leadership(Next)Receiver),测试贡献活动是否与在下一个国会获得领导职位有关。两个敏感性分析扩展了这个基线模型。模型(1a)用当前国会的规格(Leadership(Current)Sender和Leadership(Current)Receiver)替换了领导职位的协变量,测试现任领导者在给予和接受贡献方面是否与其他成员不同。模型(1b)保留了下一个国会领导职位的条款,但用每位代表的SuperPAC总支出金额替换了不同SuperPAC的数量,测试使用支出金额而非数量时结果的稳健性。除非另有说明,结果部分报告的是模型(1)的发现。在相关情况下,会明确引用模型(1a)和(1b)的结果,以评估主要发现的稳健性。
所有模型都是使用R语言中的ergm包和马尔可夫链蒙特卡洛最大似然估计(MCMLE)方法估计的。对于包含相互依赖项(如mutual、gwesp和gwidegree)的模型,需要使用MCMLE。该方法通过从ERGM所暗示的网络分布中抽取样本并计算最大化预期对数似然的参数来近似完整似然。使用ergm包为所有拟合模型计算了拟合优度(GOF)诊断。这些诊断将基于拟合参数模拟的网络与观察到的数据在关键辅助统计量上进行比较,包括入度、出度、测地距离和边共享伙伴。每个模型都使用了从拟合参数模拟的100个网络进行评估。在各个选举周期中,拟合模型能够很好地再现足够的统计量;虽然辅助分布中出现了一些偏差(例如,更高阶的共享伙伴数量),但观察到的统计量通常仍在模拟值的范围内[58]。我们区分了模型内的统计量——那些明确包含为参数估计所需的统计量——和辅助诊断量,后者表征了模型未直接约束的残余特征[59]。虽然我们的推断依赖于前者的稳定恢复,但为了透明度,我们在S1图中报告了后者。为了确保模型的有效性,我们监测了退化情况,即概率质量在极端图上的集中或MCMC行为未能探索分布,这在最终报告的任何模型中都没有观察到[60,61]。我们的模型规格是理论驱动的:内生项控制了有向网络中众所周知的结构依赖性,而外生协变量直接对应于正在研究的假设。我们优先考虑在所有七个选举周期中保持一致的规格,以保持效应估计的跨周期可比性,这是我们分析设计的核心。尽管如此,我们仍然评估了旨在改善辅助GOF的其他结构规格,包括额外的基于度的项和没有相互依赖性的规格。在这些替代方案中,它们经常产生较差的MCMC混合或不稳定的MCMLE更新,因此不适合需要每个周期都进行可靠估计的比较分析。保留当前规格并不是基于实质性结果的选择,而是基于模型在所有七个周期中可靠收敛的要求。我们使用GOF诊断来验证模型是否充分恢复了其足够的统计量并且没有退化,而不是作为规格搜索的标准。这些敏感性检查的详细信息在S2表中报告。
为了总结各个选举周期的效应,我们使用R语言中的metafor包进行了随机效应元分析[62]。对于每个模型项,我们提取了七个周期中的估计对数几率和标准误差,作为独立随机效应模型的输入。采用随机效应框架是因为由于政治背景、成员构成和外部影响的差异,真实效应大小可能会在周期间变化[63]。对于每个项,元分析估计了汇总效应大小、标准误差、95%置信区间和p值。在结果部分,我们报告了带有95%置信区间的比值比(指数化系数)。完整的参数估计、标准误差和模型诊断在S5表至S10表中提供。数据构建和模型估计的详细程序在S1方法中提供。
伦理声明:本研究不涉及机构审查委员会定义的人类受试者研究。所有分析的数据都是来自联邦选举委员会的公开可用的竞选捐款记录。没有收集任何可识别的私人或敏感信息,研究遵守了所有关于使用公共数据的相关伦理标准。
我们分别为2009-2022年间的七个资金流动网络(MFNs)中的每个政党估计了模型(1)。表2按政党报告了汇总的比值比(OR);所有模型(1)的周期特定估计在S5表至S6表中报告。每个MFN代表一个成员在两年周期内对另一个成员的贡献,所有模型都是独立拟合的。图2显示了每个模型项按政党和周期的OR。涵盖所有选举周期的MFNs的汇总统计量在S1表中提供。
我们分别对2009-2022年间的七个资金流动网络(MFNs)中的每个政党估计了模型(1)。表2报告了模型(1)的汇总比值比(OR)。民主党和共和党的每个周期的未汇总估计在S5表至S6表中报告。使用了随机效应汇总。***、**和*分别表示在99%、95%和90%置信水平上显著不同于1的OR。
图2显示了2009年至2022年每个选举周期中模型(1)中所有项的估计比值比(OR),分别针对民主党和共和党。对于每个周期和政党,该图显示了结构特征(互惠性、三元闭合性和入度中心性)以及个体或外部因素(包括政党领导地位、任期(以众议院任期衡量)和SuperPAC参与度)的95%置信区间。注意:对于结构项,较高的OR表示更强的互惠性或三元闭合性,而较低的OR表示更大的贡献集中性。
我们检查了贡献网络的四个结构属性:边(贡献联系形成的频率)、互惠性(贡献是否倾向于被回报)、三元闭合性(共享贡献伙伴的成员是否更有可能相互贡献)和入度中心性(传入联系是否集中在少数接收者中)。在整个结果部分,“贡献”和“接收”指的是两个成员之间存在贡献联系(即是否进行了任何贡献)。对于三元闭合性和入度中心性,比值比的解释与简单协变量(如任期或领导地位)不同;我们报告它们是为了比较不同周期的方向和相对大小。边项意味着两个政党中的基线联系概率都非常低(见S5表至S6表),这与高度稀疏的网络一致。众议院成员之间的贡献联系在两个政党中都不频繁,且通常是单向的。在共和党中,互惠性——即收到贡献的成员给予回报的倾向——从2009-10年的0.70(95% CI:0.45–1.11)下降到2021-22年的0.03(95% CI:0.01–0.09),中间周期有所波动。在民主党中,互惠性始终较低,比值比在各个周期中的范围为0.13至0.34(见S5表至S6表中的周期级估计)。共和党中的贡献联系更有可能在局部相互连接的群体内形成——这是一种称为三元闭合性的结构属性,其中共享贡献伙伴的成员有更高的条件概率形成联系。这种倾向在两个政党中都存在,但在共和党中更为明显(汇总OR = 1.91,95% CI:1.63–2.23),而在民主党中则不那么明显(汇总OR = 1.36,95% CI:1.15–1.62)。入度中心性反映了传入贡献联系是否集中在少数接收者中。在共和党中,入度中心性总体上从2009-10年的OR = 3.90 × 10^-3(95% CI:2.60 × 10^-3–5.80 × 10^-3)减弱到2021-22年的OR = 1.08(95% CI:0.63–1.87),其中估计值在中间周期没有统计学上的差异。在民主党中,入度中心性在所有周期中都保持较强(OR始终远低于1),表明传入联系持续集中在少数接收者中。
在共和党中,互惠性总体上随时间下降,传入联系从集中在少数接收者转向更均匀的分布。共和党还表现出更强的三元闭合性。在民主党中,联系仍然不频繁且主要是单向的,传入联系持续集中在少数接收者中。任期和领导地位对内部贡献的影响:任期(以累计众议院任期衡量)在不同政党中显示出与给予和接收不同的关联。在民主党中,每个额外的任期都与更高的条件贡献几率相关(OR = 1.05,95% CI:1.04–1.06,p<0.001)和较低的接收几率相关(OR = 0.95,95% CI:0.93–0.97,p<0.001)。在共和党中,任期也与接收负相关(OR = 0.95,95% CI:0.93–0.96,p<0.001),但与贡献的汇总关联在统计上不显著(OR = 0.99,95% CI:0.96–0.96,p>0.05)。周期特定的发送者估计从2009-10年到2019-20年通常低于1,在2021-22年超过1,表明任期-给予关联随时间存在异质性。除了任期之外,领导地位——定义为在下一个国会中担任正式职位(议长、多数党或少数党领袖、党团或会议主席或委员会主席或高级成员)——与给予和接收强烈相关,特别是在共和党中。共和党领导者的贡献几率高于非领导者(OR = 2.11,95% CI:1.81–2.46,p<0.001),而接收几率较低(OR = 0.71,95% CI:0.66–0.77,p<0.001)。在民主党中,领导者平均也有更高的贡献几率(OR = 1.49,95% CI:1.07–2.06,p=0.02),但与接收的汇总关联不显著(OR = 0.96,95% CI:0.87–1.05,p>0.05)。一个关键问题是,成员是通过建立支持来获得领导职位的,还是领导者利用贡献在就职后维持影响力。为了解决这个问题,我们重新估计了模型(1a),并为发生贡献的同一届国会定义了领导地位,以便领导地位反映了贡献时的职位。虽然这不能确定因果关系,但结果显示,两党的领导者在有条件的情况下都有更高的贡献概率。共和党领导者的接受贡献的概率较低(OR = 0.63,95% CI: 0.49–0.82,p < 0.001),而贡献概率较高(OR = 2.26,95% CI: 1.74–2.93,p < 0.001)。民主党领导者的贡献概率较高(OR = 1.45,95% CI: 1.17–1.80,p < 0.001),在接受贡献方面没有显著差异(OR = 1.01,95% CI: 0.95–1.07,p > 0.05)。两种规格的完整结果分别报告在S7表和S8表中。作为补充的描述性分析,我们比较了不同领导地位下的中心性分布(图3A–B)。图3C展示了周期内的方向性:领导者经常向非领导者捐款,而非领导者向领导者捐款的情况很少见。下载:PNG(较大图像)、TIFF(原始图像)。图3. 领导者和非领导者的中心性分布及网络结构比较。(A)每个选举周期内领导者和非领导者的出度(顶部面板)和入度(底部面板)中心性分布的比较。使用单侧Mann-Whitney U检验,*、**和***分别表示在10%、5%和1%的水平上领导者和非领导者之间的中心性分布有显著差异。在每个箱线图中,异常值被排除在外, whiskers延伸到四分位数范围的1.5倍。这些显著性标记背后的详细统计测试结果在S3表中提供。(B)与(A)相同的数据,但分别显示了民主党(DEM)和共和党(REP)代表的中心性分布。与(A)类似,我们计算并报告了领导者和非领导者之间的出度和入度的显著差异,但分别针对每个政党。针对政党特定比较的统计测试在S3表中报告。(C)2013–2014周期共和党代表(左面板)和2019–2020周期民主党代表(右面板)之间的捐款网络示意图,当时他们各自控制着众议院。每个面板中的左图显示了领导者向非领导者的捐款,右图显示了非领导者向领导者的捐款。只有当节点是领导者时,才包括不参与捐款的节点(单个节点)。灰色节点代表非领导者,红色和蓝色节点代表领导者。https://doi.org/10.1371/journal.pcsy.0000104.g003
超级政治行动委员会(SuperPAC)活动对内部捐款的影响:受到更多不同超级政治行动委员会支持的议员——无论是支持的还是反对的——有较低的有条件捐款概率和较高的有条件接受概率。实质上,受到更多超级政治行动委员会支持的成员更有可能从同党人那里收到捐款,而不太可能向其他人捐款。对于民主党来说,每个额外的支持性超级政治行动委员会与捐款概率降低47%相关(OR = 0.53,95% CI: 0.32–0.87,p = 0.01)和接受概率增加25%相关(OR = 1.25,95% CI: 1.12–1.41,p < 0.001)。对于共和党来说,每个额外的支持性超级政治行动委员会与捐款概率降低24%相关(OR = 0.76,95% CI: 0.72–0.79,p < 0.001)和接受概率增加19%相关(OR = 1.19,95% CI: 1.14–1.24,p < 0.001)。同样,受到更多不同反对性超级政治行动委员会影响的共和党成员也有较低的捐款概率和较高的接受概率。对于民主党来说,每个额外的反对性超级政治行动委员会与捐款概率降低46%相关(OR = 0.54,95% CI: 0.38–0.77,p < 0.001)和接受概率增加41%相关(OR = 1.41,95% CI: 1.24–1.61,p < 0.001)。对于共和党来说,相应的估计值是捐款概率降低42%(OR = 0.58,95% CI: 0.42–0.79,p < 0.001)和接受概率增加31%(OR = 1.31,95% CI: 1.22–1.41,p < 0.001)。我们没有发现议员捐款或接受捐款的可能性与研究期间超级政治行动委员会活动的总体增加之间存在直接对应关系。事实上,即使在研究期间超级政治行动委员会活动保持高水平,最后一个周期的内部捐款率也略有下降。图4显示,在2009–2010年,每个党派的成员中只有大约16–17%收到了超级政治行动委员会的支持,但这一比例迅速增长,到2015–2016年共和党超过了80%,到2017–2018年民主党接近90%。从那时起,两个党派中超过一半的成员一直收到超级政治行动委员会的支持。图4B进一步区分了支持性和反对性支出。自2011–2012年以来,民主党始终有更多的超级政治行动委员会支持他们,而不是反对他们——这一差距在最近几个周期中有所扩大。相比之下,共和党在2009–2010年、2011–2012年和2019–2020年遇到的反对他们的超级政治行动委员会更多。下载:PNG(较大图像)、TIFF(原始图像)。图4. (A)每个周期中为民主党(DEM)和共和党(REP)代表进行独立支出的“超级”政治行动委员会(SuperPACs)的数量。每个条形图的顶部显示了每个党派的当选代表总数。误差条代表至少有一个超级政治行动委员会进行支出的代表比例的95%置信区间(CIs)(非零超级政治行动委员会计数)。使用双样本z检验比例,我们发现从2013–2014周期开始,民主党 and 共和党代表的非零超级政治行动委员会计数比例在99%置信水平上有显著差异(p < 0.01),用***表示。在其他两个周期中,90%置信水平或以上没有观察到显著差异。按党派和超级政治行动委员会计数的详细分解以及背后的z检验统计在S4表中提供。(B)超级政治行动委员会支出分为支持或反对候选人的支出。对于每个选举周期,分别显示了支持或反对民主党(DEM)和共和党(REP)代表的超级政治行动委员会的数量。不同的纹理区分了支持和反对支出。按支出类型和党派归属分层的相应表格数据在S4表中提供。https://doi.org/10.1371/journal.pcsy.0000104.g004
作为敏感性分析,我们使用总超级政治行动委员会支出(缩放为100,000单位)而不是不同超级政治行动委员会的数量重新估计了模型(1b),并将各周期的估计值汇总在一起。基于支出的结果在方向上与主要规格一致。对于两个党派来说,更高的超级政治行动委员会支出与更高的接受概率相关(民主党:ORsupport = 1.07,95% CI: 1.065–1.073;ORoppose = 1.03,95% CI: 1.024–1.032;共和党:ORsupport = 1.05,95% CI: 1.04–1.07;ORoppose = 1.07,95% CI: 1.068–1.079)。更高的支出也与较低的捐款概率相关(民主党:ORsupport = 0.81,95% CI: 0.79–0.82;ORoppose = 0.99,95% CI: 0.987–0.993;共和党:ORsupport = 0.67,95% CI: 0.57–0.78;ORoppose = 0.94,95% CI: 0.937–0.948)。所有汇总的关联在统计上都是显著的(p < 0.001)。与主要规格一样,方向在各周期中是一致的,尽管幅度有所不同。这项分析的完整结果报告在S9表和S10表中。
我们对2009年至2022年众议院成员之间的竞选捐款分析显示,民主党和共和党在党内捐款组织方面存在持续差异。民主党的捐款仍然集中,资深成员和党派领导者更有可能向选举上处于弱势的同事捐款。相比之下,共和党的捐款结构随着时间的推移从最初集中转变为更加均匀地分布在接收者之间,并且更有可能发生在共享捐款伙伴的本地连接成员群体内部。这些差异出现在超级政治行动委员会和其他独立团体的外部支出急剧增加的时期,这与党派以不同方式适应不断变化的竞选财务环境是一致的。总的来说,这些发现将党内捐款网络与关于党派如何通过财务相互依赖来维持凝聚力的更广泛问题联系起来[64–66]。在实现我们的第一个研究目标时,我们发现,在研究初期,共和党的捐款集中在少数接收者手中。随着时间的推移,捐款在接收者之间变得更加均匀分布,互惠性普遍下降,表明接收者很少向捐赠者回捐。同时,向相同接收者捐款的捐赠者也更有可能相互捐款,表明捐赠者之间的局部聚集增加。这一变化与茶党派系候选人的加入和党内派系化的增加相吻合[67–69]。一种与茶党时代组织冲突的描述一致的情境解释是,对领导中心化捐款的依赖减少与意识形态一致的子群体之间的更多内部协调相吻合。从经验上看,接收者集中度的下降以及捐赠者聚集度的增强表明整体集中度降低[65]。这与一些关于保守派联盟结构的描述中提到的从更层次化的捐款组织方式转变是一致的[70]。我们将这些联系视为解释性的而非因果性的,但时间点与记录共和党联盟内部不对称极化和相关组织变化的学术研究一致[65,67]。相比之下,民主党的捐款在整个七个选举周期中始终集中,捐款集中在少数接收者手中。这种稳定性与证据一致,即民主党领导人和委员会主席协调捐款以支持在竞争性选举中的现任者,作为有组织的选举策略的一部分[17,64,71]。民主党内部的互惠性在整个周期中保持较低且相对稳定,这与捐款从选举上更有保障的成员流向面临竞争性挑战的成员一致。与共和党不同,民主党没有显示出向分散或局部聚集的捐款活动转变的迹象。集中度的持续存在表明,尽管民主党内部存在意识形态多样性,但党内捐款的主要特征在整个研究期间保持稳定。资深效应(通过总服务年限衡量)在两个党派之间有所不同。在民主党中,资深性与捐款呈正相关,与接收呈负相关,这与资深成员是初级同事的净捐赠者的结构一致[66,72]。在共和党中,资深效应平均较弱,并且在不同周期中变化更大。这与2010年后记录的对基于资深性的权威的挑战一致,包括茶党运动和自由党团体的出现[73,74]。在两个党派中,资深效应的适度大小也与国会筹款的更广泛变化一致。新成员越来越多地通过全国性的捐赠者网络筹集资金,包括超级政治行动委员会活动和数字筹款,减少了任期与筹款能力之间的机械联系[15,75]。在这种环境下,长期服务可能不像早期那样为筹款带来额外的优势,初级成员可能较少依赖资深同事的财务支持。领导地位的关联比资深性更强且更一致,特别是在共和党中。当领导地位在捐款期之前和期间测量时,相似的估计值表明未来的领导者在任职之前就已经以更高的比率捐款,这与领导地位是从高捐款者中选拔出来的结果一致[11,16]。这些发现与先前的研究一致,即政治上更有保障的成员在竞争性选举中向同党人捐款,作为党派选举策略的一部分[38,39,51,76–78]。在共和党中,领导地位的关联更强,与正式职位是捐款活动的更有信息量的相关因素一致,在这个党派中,资深性与捐款之间的关联较弱或不太稳定。相比之下,民主党的捐款在整个七个选举周期中始终集中,捐款集中在少数接收者手中。这种稳定性与证据一致,即民主党领导人和委员会主席协调捐款以支持在竞争性选举中的现任者,作为有组织的选举策略的一部分[17,64,71]。民主党内部的互惠性保持较低且相对稳定,这与捐款从选举上更有保障的成员流向面临竞争性挑战的成员一致。与共和党不同,民主党没有显示出向分散或局部聚集的捐款活动转变的迹象。集中度的持续存在表明,尽管民主党内部存在意识形态多样性,但党内捐款的主要特征在整个研究期间保持稳定。资深效应(通过总服务年限衡量)在两个党派之间有所不同。在民主党中,资深性与捐款呈正相关,与接收呈负相关,这与资深成员是初级同事的净捐赠者的结构一致[66,72]。在共和党中,资深效应平均较弱,并且在不同周期中变化更大。这与2010年后记录的对基于资深性的权威的挑战一致,包括茶党运动和自由党团体的出现[73,74]。在两个党派中,资深效应的适度大小也与国会筹款的更广泛变化一致。较新的成员可以通过全国性的捐赠者网络,包括超级政治行动委员会活动和数字筹款,越来越多地筹集资金,减少了任期与筹款能力之间的机械联系[15,75]。在这种情况下,长期服务可能不像早期那样为筹款带来额外的优势,初级成员可能较少依赖资深同事的财务支持。领导地位的关联比资深性更强且更一致,特别是在共和党中。当领导地位在捐款期之前和期间测量时,相似的估计值表明未来的领导者在任职之前就已经以更高的比率捐款,这与领导地位是从高捐款者中选拔出来的结果一致[11,16]。这些发现与先前的研究一致,即政治上更有保障的成员在竞争性选举中向同党人捐款,作为党派选举策略的一部分[38,39,51,76–78]。在共和党中,领导地位的关联更强,与正式职位是捐款活动的更有信息量的相关因素一致,在这个党派中,资深性与捐款之间的关联较弱或不太稳定。在民主党中,资深性与捐款更一致,因此领导地位增加了较少的额外关联。与我们第一个研究目标中不太集中的共和党网络结构一致,这些结果与领导者在更分散的系统中具有更高的捐款活动一致,而不意味着捐款是通过单一协调中心组织的[64]。最近周期中民主党领导地位的较弱和更可变的估计值与筹款环境中 caucus委员会和外部团体占更大份额的国会资源一致,减少了正式领导地位对直接成员间转移的边际相关性。我们的第三个目标研究了超级政治行动委员会活动与成员间捐款之间的关系。关联的方向在各周期中是一致的:受到更多超级政治行动委员会关注的成员倾向于收到更多捐款,并且向其他人捐款的次数较少,尽管效应大小在不同周期中有所不同。这与外部支出与选举风险相关一致:当超级政治行动委员会在选举中大量投资时,同党人更有可能将捐款定向给目标候选人,而不太可能将捐款分配给其他地方。这些发现通过将外部支出与党内转移联系起来,扩展了之前关于超级政治行动委员会影响的研究[19,25,79–84]。我们不声称因果关系,因为选举上的脆弱性可能会影响超级政治行动委员会的目标选择和党内捐款[57,85,86]。然而,估计值在各周期中的稳定方向与成员对外部支出相关信息的响应一致。有几种机制与这种关联相吻合:大量的外部支出可能会提高目标选区的关注度,政党参与者在确定竞选优先级时可能会使用公共支出信息,或者外部和内部参与者可能都对相同的竞争信号作出反应。尽管我们的研究设计无法区分这些途径,但不同选举周期中的一致性表明,外部支出的信息作用并不仅限于单次选举。尽管有《公民联合》(Citizens United)的相关裁决对协调行为进行了法律限制,这种关系仍然存在。外部支出具有非正式的信号传递功能:尽管存在协调禁令,但受到多个对立超级政治行动委员会(SuperPAC)关注的成员获得的党内捐款会显著增加。外部支出通常能识别出具有竞争性或高优先级的选区[17,20,23,87]。例如,在2020年,Spanberger的VA-07选区的外部支出约为840万美元(支持方330万美元,反对方756万美元),Valadao的CA-21选区的外部支出约为736万美元(支持方330万美元,反对方704万美元)[88,89]。这些结果表明,超级政治行动委员会的活动与竞争性选举期间党内捐款集中的区域有关[90]。即使在历史上的外部支出水平保持较高的情况下,最后一个选举周期的党内捐款率也略有下降,这更符合信号传递的解释,而不仅仅是简单的数量对应关系。总体而言,结果表明,“内部”转移和“外部”支出之间的界限在实践中比法律规定的要模糊得多:超级政治行动委员会的可见性创造了一个共享的信息环境,成员们可以观察到风险信号并将其纳入分配决策中。综合这三个研究目标的结果,我们发现民主党和共和党在组织成员间捐款方面存在系统性差异。在整个研究期间,民主党的捐款一直较为集中,主要流向少数几个受捐对象。这与一种层级结构相符,在这种结构中,资历越深,捐款活动越活跃,领导层会将资金从选举形势稳定的成员转向竞争性选区的成员。相比之下,共和党的捐款结构从类似的集中型向分散型转变,捐款分配更加均匀,且越来越多地集中在有共同捐款伙伴的成员之间。即使在共和党的整体集中程度下降的情况下,领导地位仍然是捐款活动的更强且更稳定的相关因素。在共和党中,资历效应较弱且不稳定,随着时间的推移,资历与捐款/接受捐款之间的关联也在减弱,这与新的成员通过数字平台和外部支出获得全国性捐赠网络的能力增强所带来的更广泛的变化是一致的[15,75]。最后,超级政治行动委员会的支出与较低的捐款率和较高的接受捐款率相关,这表明成员们会对与选举风险相关的公开可观察信号作出反应。虽然这些关联是描述性的而非因果关系的,但它们表明党内捐款网络会随时间变化,且两个政党对制度和财务压力的反应也不同。这项分析存在一些局限性,同时也为未来的研究指明了方向。首先,我们仅对成员间的捐款进行了建模,但没有纳入可能影响捐款决策的其他关系信息,如意识形态接近度、党团成员身份、委员会重叠或共同赞助关系。这种遗漏具有重要意义,因为它留下了一个核心的解释问题:我们观察到的关联是反映了为了最大化政党选举结果的战略性分配,还是意识形态的一致性,或者两者兼而有之。未来整合意识形态和关系数据的研究可以帮助区分这些机制。其次,众议院任期是根据每个选举周期累计服务的众议院任期来衡量的(见方法部分)。虽然这种定义在各个周期中是不变的,并且更符合预期的资历概念,但它仍然只是制度经验的代理指标,并不能反映对筹款可能有影响的非正式影响力或特定委员会内的资历。第三,不同成员的筹款能力差异很大。来自安全选区的代表可能会向竞争性选区的同党成员捐款,而多数党成员可能有更强的动机为优先选区提供资金[38,53,71,91]。由于众议院竞选活动主要依赖全国性的捐赠网络,而不仅仅是地区层面的捐款,未来的研究可以通过将成员层面的筹款总额与捐赠者的地理分布结合起来,开发出标准化的捐赠者基础广度衡量方法[15,38]。第四,我们没有将选举竞争力作为协变量纳入模型,因为它既可能影响党内转移,也可能受到党内转移的影响,因此将其视为未来研究的结果变量。最后,每个选举周期都被视为一个独立的横截面。层次化或时间序列的ERGM模型[40,92]、潜在空间模型或基于党派结构的框架可以更直接地表示跨周期的依赖性,并可能提高未来研究的拟合度和估计稳定性。这样的模型还可以测试我们在研究期间记录到的两党之间的组织差异是否在后续周期中持续存在、稳定下来或发生了逆转。支持信息 参考文献