Ergebnisse der Wahl zum Oberbürgermeister Jena, 2018

Jena hat jetzt einen FDP-Bürgermeister und alles wird besser.

erster Wahlgang

Stichwahl

Die Ergebnisse und Bilder stammen von der sogenannten "Statistikseite" der Stadt Jena.

Wenn man schon eine Weile in Jena lebt, wundert man sich evtl. über das Ergebnis. Dass unser lieber Schröter nach 12 Jahren abgewählt wurde, auch noch zugunsten eines FDP-Kandidaten, war schon überraschend. Mal sehen, ob es rechnerisch möglich ist, Hinweise auf den Sinneswandel der Bürger zu erhalten.

Vorbereitung der Daten

Die Zahlen pro Wahlkreis sind GEOJSON kodiert. Ein Python-Skript hohlt die Daten aus dem Netz und konvertiert das json-Zeug in einen pandas DataFrame. Das ist einfach ne Tabelle mit recht praktischen Funktionen zum Rechnen, Filtern und Anzeigen.

from collections import OrderedDict
import math
import pandas as pd
import numpy as np
from data import *

Hier wird die Tabelle des ersten Wahlgangs geladen:

bm1 = load_pandas_bmwahl("bm01")
bm1.head(5)  # zeigt die ersten 5 Zeilen

Um zu Prüfen, dass alles korrekt ist, vergleichen wir die akkumulierten Zahlen mit den Offiziellen von der Webseite.

bm1.sum()

Wahlberechtigte              85401
Wähler                       44946
ungültige Stimmen              210
gültige Stimmen              44736
Benjamin Koppe                6314
Martina Flämmich-Winckler     4999
Dr. Albrecht Schröter        10965
Denny Jankowski               3444
Denis Peisker                 3377
Dr. Thomas Nitzsche          12046
Dr. Heidrun Jänchen           2076
Sandro Dreßler                 918
Arne Petrich                   597
dtype: int64

Passt. Und die Tabelle zur Stichwahl:

bm2 = load_pandas_bmwahl("bm02")
bm2.sum()

Wahlberechtigte          85220
Wähler                   39775
ungültige Stimmen          294
gültige Stimmen          39481
Dr. Albrecht Schröter    14499
Dr. Thomas Nitzsche      24982
dtype: int64

Zur besseren Übersicht in den Tabellen werden die Spalten erstmal umbenannt:

bm1 = rename_bmwahl(bm1)
bm2 = rename_bmwahl(bm2)
bm1.head(3)

n = Anzahl Wahlberechtigte, nw = Anzahl Wähler, nu = Anzahl ungültige Stimmen und ng = Anzahl gültige Stimmen.

Es ist vielleicht nicht ganz fair, Bürgermeisterkandidaten in Parteien umzubenennen. In kleinen Kommunen ist die Parteizugehörigkeit evtl. nicht so entscheidend. Aber wenn man nicht in Jena wohnt, und somit die ganze Zeit den Wahlwerbeplakaten ausgesetzt ist, kann man mit den bürgerlichen Namen wahrscheinlich nicht so viel anfangen.

Schauen wir ans Ende der Tabelle, fallen die Briefwahlbezirke auf.

bm1.tail(20)

Die möchte ich gern erstmal entfernen und später separat betrachten. Dazu werden alle Spalten gefiltert in denen die Anzahl der Wähler gleich 0 ist (typisch für Briefwahlbezirke in allen Wahlstatistiken).

# Urnenwahlergebnisse (Wahlberechtigte ungleich 0)
bm1_urne = bm1[bm1["n"] != 0]
bm2_urne = bm2[bm2["n"] != 0]
# Briefwahlergebnisse (Wahlberechtigte gleich 0)
bm1_brief = bm1[bm1["n"] == 0]
bm2_brief = bm2[bm2["n"] == 0]

bm1_urne.tail(5)

Hier die Summen der Urnen- und Briefwahl im Vergleich:

dic = OrderedDict()
dic["Urne"] = bm1_urne.sum()
dic["Brief"] = bm1_brief.sum()
dic["Brief %"] = bm1_brief.sum() / bm1_urne.sum() * 100
pd.DataFrame(dic).round(2)

Mich interessiert jetzt natürlich vor Allem die Entwicklung der Wahlergebnisse von Albrecht Schröter (SPD) und Thomas Nitzsche (FDP) zwischen erstem und zweitem Wahlgang, deshalb füge ich noch ein paar errechnete Werte in die Tabelle ein:

def enrich_dataframe(bm1, bm2):
    # Ergebnisse 1. Wahlgang
    spd1 = bm1["SPD"]
    fdp1 = bm1["FDP"]
    # Ergebnisse Stichwahl
    spd2 = bm2["SPD"]
    fdp2 = bm2["FDP"]

    df = bm1.copy()
    # Speichere die Ergebnis der Stichwahl
    df["SPD2"] = spd2
    df["FDP2"] = fdp2
    # Stimmen-Entwicklung von 1. zu 2. Wahl
    df["SPD+"] = spd2 - spd1
    df["FDP+"] = fdp2 - fdp1
    # Vorsprung FDP vor SPD, jeweils 1. und 2. Wahl
    df["FDP1>"] = fdp1 - spd1
    df["FDP2>"] = fdp2 - spd2
    # Entwicklung des Vorsprungs der FDP vor SPD, von 1. zu 2. Wahl
    df["FDP>+"] = (fdp2 - spd2) - (fdp1 - spd1)
    return df

df = enrich_dataframe(bm1_urne, bm2_urne)
df.tail()

Als nächstes werden die Wahlergebnisse in Prozent umgewandelt, um die Größe eines Wahlkreises zu egalisieren:

def calc_percent(bm):
    df = bm.copy()
    # Stimmen für Parteien in Prozent der gültigen Stimmen
    for col in bm.columns[4:]:
        df[col] = df[col] / df["ng"] * 100
    # gültige und ungültige Stimmen in Prozent der Wähler
    df["ng"] = df["ng"] / df["nw"] * 100
    df["nu"] = df["nu"] / df["nw"] * 100
    # Wähler in Prozent der Wahlberechtigten
    if max(df["n"]):
        df["nw"] = df["nw"] / df["n"] * 100
    return df
dfp = calc_percent(df)

dfp.head().round(2)

Was sagt der Durchschnitt

dfp.mean()

n         981.620690
nw         44.351009
nu          0.574870
ng         99.425130
CDU        14.745174
LINKE      11.139748
SPD        24.162081
AFD         9.022495
GRÜNE       6.904020
FDP        26.004642
πRATEN      4.322257
SANDRO      2.364029
ARNE        1.335556
SPD2       28.677370
FDP2       51.550047
SPD+        4.515288
FDP+       25.545405
FDP1>       1.842561
FDP2>      22.872677
FDP>+      21.030117
dtype: float64

• Durchschnittlich gibt es 982 Wähler pro Wahlkreis.
• Die durschnittliche Wahlbeteiligung im ersten Wahlgang betrug 44.4%.
• SPD und FDP liegen im ersten Wahlgang relativ gleich auf, mit durchschnittlich ~25%.
• Der Zuwachs der Stimmen vom ersten zum zweiten Wahlgang beträgt bei der SPD 4.5%, bei FDP 25.5%.
• FDP hat im ersten Wahlgang 1.8% Vorsprung vor SPD, im zweiten dann 22.9%.

Soweit die harten Fakten! Die Briefwahlbezirke sind, wie gesagt, nicht in der Rechnung, aber die Tendenz ist dort ähnlich.

Korrelation zwischen Wahlkreisen

Im Folgenden sehen wir die (Korrelation)[https://de.wikipedia.org/wiki/Korrelation] der einzelnen Spalten der Tabelle mit einander. Bei der gewählten Skala bedeutet 50 bis 100, "etwas" bis stark korrelierend und -50 bis -100 "etwas" bis stark anti-korrelierend. Eine hohe Korrelation zwischen zwei Parteien z.B. bedeutet, daß mehrere Wahlkreise in ihrem Verhalten ähnlich sind und entweder beide Parteien wählen oder beide Parteien nicht wählen. Eine Anti-korrelation sehen wir z.B. zwischen FDP und LINKE und zwischen GRÜNE und AFD. Wahlkreise die mehr grün wählten, wählten weniger blau, und umgedreht.

corr = dfp.corr()                      # zeige -1,1 als -100,100, 
                                                  # wenn nicht in bereich -49,49
corr.apply(lambda s: s.apply(lambda v: int(v*100) if abs(v)>.5 else ""))

Übrigens liegen die Korrelationswerte eigentlich im Bereich -1, 1. Wenn man das Quadrat zieht, erhält man die Aufklärung der Varianz. In unserem Fall etwa: Wieviel Prozent der Wahlkreise sind für die Korrelation verantwortlich. z.B. korreliert (logischerweise) SPD2 mit SPD* mit 0.71. 0.71² ist etwa 0.5 oder 50%. D.h. 50% der Wähler in den Wahlkreisen, sind für die Korrelation verantwortlich, in diesem Fall etwa: Haben den Schröter auch im zweiten Wahlgang gewählt, oder nicht gewählt. Mal kurz gezählt, in welchen Wahlkreise die SPD stärker als die FDP war:

num_spd1 = sum(1 for i in range(bm1_urne.shape[0]) if bm1_urne["SPD"][i] > bm1_urne["FDP"][i])
num_spd2 = sum(1 for i in range(bm2_urne.shape[0]) if bm2_urne["SPD"][i] > bm2_urne["FDP"][i])
print("SPD Wahlkreise %s in der 1. Wahl, %s in der 2. Wahl, macht %s%%" % (
    num_spd1, num_spd2, round(num_spd2 / num_spd1 * 100, 2)))

SPD Wahlkreise 35 in der 1. Wahl, 9 in der 2. Wahl, macht 25.71%

Interessant ist auch, daß die LINKE negativ mit der Anzahl der Wähler korrelliert, also je weniger Wahlbeteiligung desto stärker ist die LINKE - höö?

Warum war jetzt die FDP im zweiten Wahlgang so stark? Schauen wir womit der Zuwachs der FDP (FDP+) korreliert: CDU und AFD. Na super.

Wer hat die SPD im zweiten Wahlgang noch ein bisschen angeschoben (SPD+)? Die Linke. Und welche Wahlkreise haben dem Ausbau des FDP-Vorsprungs (FDP>+) entgegengewirkt, wenn auch nur marginal: Die grünen Wahlkreise.

Jetzt das selbe nochmal mit den Briefbezirken:

df = enrich_dataframe(bm1_brief, bm2_brief)
dfp = calc_percent(df)

dfp.corr().apply(lambda s: s.apply(lambda v: int(v*100) if abs(v)>.5 else ""))

Soso, Sandro Dreßler korreliert mit der AFD, Arne Petrich mit der Linken und die Piraten mit den Grünen.

Jetzt hat auch die FDP den Außenseiterbonus: negative Korrelation mit der Anzahl der Stimmen.