Wahlergebnisse und Alter

library(tidyverse)

Warning message in system("timedatectl", intern = TRUE):
“running command 'timedatectl' had status 1”
── Attaching packages ─────────────────────────────────────── tidyverse 1.3.1 ──

✔ ggplot2 3.3.5     ✔ purrr   0.3.4
✔ tibble  3.1.6     ✔ dplyr   1.0.8
✔ tidyr   1.2.0     ✔ stringr 1.4.0
✔ readr   2.1.2     ✔ forcats 0.5.1

── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
✖ dplyr::filter() masks stats::filter()
✖ dplyr::lag()    masks stats::lag()

theme_set(theme_light())
options(repr.plot.res = 150)

data <- read_tsv("btw2021_wuerzburg_age.tsv")

Rows: 1755 Columns: 8
── Column specification ────────────────────────────────────────────────────────
Delimiter: "\t"
chr (2): Ort, Partei
dbl (5): Durchschnittsalter, Erststimmen, ErststimmenAnteil, Zweitstimmen, Z...
lgl (1): Stadt

ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

head(data)

A tibble: 6 × 8

Ort	Partei	Stadt	Durchschnittsalter	Erststimmen	ErststimmenAnteil	Zweitstimmen	ZweitstimmenAnteil
<chr>	<chr>	<lgl>	<dbl>	<dbl>	<dbl>	<dbl>	<dbl>
Altertheim	Alternative für Deutschland	FALSE	44.0	0	0	105	0.07749077
Bergtheim	Alternative für Deutschland	FALSE	42.4	0	0	180	0.07120253
Bieberehren	Alternative für Deutschland	FALSE	45.1	0	0	47	0.07742998
Eisingen	Alternative für Deutschland	FALSE	44.3	0	0	138	0.06442577
Erlabrunn	Alternative für Deutschland	FALSE	43.5	0	0	49	0.03895072
Estenfeld	Alternative für Deutschland	FALSE	44.5	0	0	197	0.05392828

Altersverteilung in den Ortschaften

data %>% select(Ort, Stadt, Durchschnittsalter) %>% unique %>% ggplot(aes(Stadt, Durchschnittsalter)) + geom_boxplot() + geom_jitter()

Das Durchschnittsalter auf dem Land liegt etwa zwischen 42.5 und 47.5 das in der Stadt zwischen 37.5 und 46. Unterschiede zwischen einzelnen Orten sind also nicht riesig aber doch erkennbar.

Die jüngsten und die ältesten Ortschaften sind:

data %>% select(Ort, Stadt, Durchschnittsalter) %>% unique %>% slice_min(n=5, Durchschnittsalter)
data %>% select(Ort, Stadt, Durchschnittsalter) %>% unique %>% slice_max(n=5, Durchschnittsalter)

A tibble: 5 × 3

Ort	Stadt	Durchschnittsalter
<chr>	<lgl>	<dbl>
Grombühl	TRUE	38.0
Altstadt	TRUE	39.1
Frauenland	TRUE	41.3
Zellerau	TRUE	41.8
Rottenbauer	TRUE	42.2

A tibble: 6 × 3

Ort	Stadt	Durchschnittsalter
<chr>	<lgl>	<dbl>
Margetshöchheim	FALSE	48.0
Markt Winterhausen	FALSE	47.3
Holzkirchen	FALSE	47.1
Stadt Röttingen	FALSE	47.0
Riedenheim	FALSE	46.6
Stadt Eibelstadt	FALSE	46.6

Korrelation zwischen Parteien (Zweitstimmen) und Alter

data %>%
    ggplot(aes(Durchschnittsalter, ZweitstimmenAnteil, color=Partei)) +
        geom_point() + facet_wrap(~Partei) + theme(legend.position="none")

Es ist schwer hier etwas zu erkennen, da so viele Parteien mit extrem wenigen Stimmen das Bild füllen. Eine Idee wäre es erstmal nur Datenpunkte von >=1% Stimmanteil zu betrachten.

data %>%
    filter(ZweitstimmenAnteil > 0.01) %>%
    ggplot(aes(Durchschnittsalter, ZweitstimmenAnteil, color=Partei)) +
        geom_smooth(method="lm", color="grey", se=FALSE) +
        geom_point() + facet_wrap(~Partei) + theme(legend.position="none")

`geom_smooth()` using formula 'y ~ x'

Sowohl bei den Grünen als auch bei der CSU scheint ein Zusammenhang zwischen Alter und Stimmanteil zu bestehen. Allerdings in entgegengesetzte Richtung. Die Gerade dient nur der veranschaulichung. Es wurde nicht geprüft ob ein statistisch signifikanter Zusammenhang besteht.

Es könnte natürlich sein, dass der Unterschied eigentlich nicht auf das Alter sondern auf Stadt vs. Land zurückgeführt werden kann. Dies sehen wir uns mal genauer an.

data %>%
    filter(str_detect(Partei, "90|Union")) %>%
    mutate(Stadt = if_else(Stadt, "Stadt", "Land")) %>%
    ggplot(aes(Durchschnittsalter, ZweitstimmenAnteil, color=Partei)) +
        geom_smooth(method="lm", color="grey", se=FALSE) +
        geom_point() + facet_grid(Partei~Stadt) + theme(legend.position="none")

`geom_smooth()` using formula 'y ~ x'

Tatsächlich ist kein Alterszusammenhang auf dem Land zu erkennen. In der Stadt bleibt er jedoch erhalten.

Altersgewichtete Stimmen

data %>%
    group_by(Partei) %>%
    summarize(altersSchnitt = sum(Durchschnittsalter*Zweitstimmen)/sum(Zweitstimmen), stimmen=sum(Zweitstimmen)) %>%
    filter(!is.na(altersSchnitt)) %>%
    arrange(altersSchnitt)

A tibble: 26 × 3

Partei	altersSchnitt	stimmen
<chr>	<dbl>	<dbl>
Volt Deutschland	42.79627	670
Partei der Humanisten	42.80841	309
DIE LINKE	42.97140	7025
Marxistisch-Leninistische Partei Deutschlands	43.04074	27
BÜNDNIS 90/DIE GRÜNEN	43.08892	35635
Partei für Arbeit, Rechtsstaat, Tierschutz, Elitenförderung und basisdemokratische Initiative	43.20755	1431
Deutsche Kommunistische Partei	43.31026	39
V-Partei³ - Partei für Veränderung, Vegetarier und Veganer	43.35463	216
Team Todenhöfer – Die Gerechtigkeitspartei	43.51986	433
Die Urbane. Eine HipHop Partei	43.52932	133
Piratenpartei Deutschland	43.53368	665
Bündnis C - Christen für Deutschland	43.53680	125
Freie Demokratische Partei	43.56377	19230
Ökologisch-Demokratische Partei	43.67123	1095
PARTEI MENSCH UMWELT TIERSCHUTZ	43.75639	2096
Partei für Gesundheitsforschung	43.75923	233
Basisdemokratische Partei Deutschland	43.80394	2310
Sozialdemokratische Partei Deutschlands	43.85366	37078
DER DRITTE WEG	43.91406	64
Alternative für Deutschland	44.00020	12217
Christlich-Soziale Union in Bayern e.V.	44.01093	55956
FREIE WÄHLER	44.02186	6871
UNABHÄNGIGE für bürgernahe Demokratie	44.03778	405
Liberal-Konservative Reformer	44.21463	41
Bayernpartei	44.22975	279
Nationaldemokratische Partei Deutschlands	44.41316	114

Volt hat also im Schnitt die jüngsten Wähler und die NPD die ältesten. ⚠️ So kann man das nicht sagen. Volt könnte alle Stimmen von 80 jährigen Menschen bekommen haben die in Stadtteilen mit niedrigem Durchschnittsalter leben.