文章提出B-Call模型，创新性整合立法者意识形态定位与投票凝聚力分析。该模型将点名投票视为随机变量，通过标准化偏差计算生成二维指标：第一维度捕捉左-右意识形态光谱位置，第二维度量化投票行为稳定性。基于美国、巴西和智利三国议会数据的实证验证表明，B-Call在意识形态维度与W-NOMINATE高度相关（平均Pearson相关系数＞0.9），在凝聚力维度与传统指数（RICE/UNITY）呈逻辑负相关。模型特别适用于碎片化政党系统，成功识别Justin Amash、Gabriel Boric等低凝聚力立法者的意识形态偏移。
立法行为测量长期存在两大学术分野：意识形态定位模型（如W-NOMINATE）将议员置于左-右连续体，凝聚力分析则聚焦党派投票一致性（如RICE指数）。传统方法在投票行为模棱两可或低凝聚力场景中面临测量局限。文章提出B-Call模型，首次将个体意识形态定位与投票凝聚力整合为二维指标，填补了立法行为综合分析的理论空白。
模型将点名投票定义为随机变量（反对=-1，弃权=0，赞成=1）。核心创新在于偏差标准化处理：计算每项投票j的平均值M_j后，根据左/右翼团体投票倾向定义符号函数f_j。转换后的指标u_ij收敛于正态分布，其均值d1i表示意识形态位置（负值左倾，正值右倾），标准差d2i表征投票凝聚力——低标准差对应高凝聚力行为。该设计突破传统模型需预设党派归属的局限，通过聚类算法自动划分左/右翼团体。
基于2003-2022年美、巴、智三国议会数据，B-Call第一维度与W-NOMINATE的Pearson相关系数达0.987（美国众议院）、0.918（巴西）、0.990（智利）。Spearman秩相关系数均超0.85，证实两者在立法者意识形态排序上高度一致。巴西部分年度出现较低相关（如2004年r=0.715），反映其高碎片化政党系统的测量挑战。
第二维度与传统凝聚力指数呈系统性负相关：美国民主党RICE指数相关系数为-0.848，智利右翼政党达-0.764。该现象符合理论预期——高党派凝聚力对应立法者投票的低标准差。巴西数据揭示聚合指标局限：PSDB党的RICE相关系数仅-0.032，反映30余政党碎片化系统中传统方法失效。
模型在投票波动场景展现独特优势：美国共和党议员Justin Amash（2018）被W-NOMINATE误标为温和派，B-Call结合低凝聚力指标(d2i=1.42)将其准确定位为极右翼。类似地，巴西议员Bolsonaro（2010）在传统模型中呈温和立场，而B-Call识别其实际保守本质与低凝聚力特征。
美国众议院（2003-2022）可视化显示：奥巴马时期两党意识形态差距缩小，特朗普时代共和党凝聚力下降。参议院中Bernie Sanders表现为极左翼低凝聚力议员，与高凝聚力的Joe Biden形成对比。巴西议会呈现"高碎片化-低凝聚力"特征，Bolsonaro任议员时位居极右翼且凝聚力最低。智利议会（2010后）左翼凝聚力显著下降，Gabriel Boric在2014-2017届期表现为最左倾且最低凝聚力议员。
B-Call作为首个整合意识形态与凝聚力的二维模型，突破传统方法在投票波动场景中的局限。其频数主义特性支持小样本分析，无需预设党派归属的特性特别适用于碎片化政体。未来可扩展至政党内部评估，为立法行为研究提供新范式。