Open Data Showcases - Parlamentarier:innen 30.08.2024

Frauen- und Männerthemen im Nationalrat?

Frauenthemen – Männerthemen? Wie die Geschlechterunterschiede im Anfrageverhalten erklärt werden können

In diesem Showcase untersuchen wir den Zusammenhang zwischen Anfrageverhalten, Ausschussmitgliedschaften und Geschlecht. Bei der Frage nach der Repräsentation von Frauen und Männern im Parlament geht es zunächst meistens um die Anzahl der weiblichen und männlichen Abgeordneten. Doch Geschlechterunterschiede zeigen sich auch in den thematischen Schwerpunkten der Tätigkeit von männlichen und weiblichen Abgeordneten.

Der Frauenanteil im Nationalrat ist von 1996 bis heute von knapp 26 Prozent auf über 40 Prozent gestiegen. Um die Vergleichbarkeit der Daten zu gewährleisten, wurde für diesen Showcase ein kürzerer Untersuchungszeitraum gewählt – von Oktober 2013 (Beginn der XXV. Gesetzgebungsperiode) bis zum Ende der ordentlichen Tagung im Juli 2023. Da die Abgeordneten im österreichischen Nationalrat bisher nur männlich oder weiblich als Geschlecht angegeben haben, sind die Abbildungen binärgeschlechtlich aufgeteilt.

Frauen stellen im Beobachtungszeitraum durchschnittlich 35 Prozent der Nationalratsabgeordneten, wobei etwa 31 Prozent aller gestellten schriftlichen Anfragen von weiblichen Abgeordneten stammen. Dabei fällt auf, dass weibliche Abgeordnete besonders häufig Anfragen zu den Themen Frauen und Gleichstellung sowie Familien und Generationen stellen, während männliche Abgeordnete überdurchschnittlich aktiv bei den Themen Landesverteidigung, Verkehr und Infrastruktur sowie Budget und Finanzen sind.

Barrierefreie Alternative zur Grafik / CSV, 980 BYTES

Woher kommen diese Unterschiede? Ein naheliegender Grund ist, dass Frauen und Männer im Nationalrat unterschiedliche thematische Spezialisierungen haben – oder zugewiesen bekommen. Diese wiederum können mit gesellschaftlich verankerten Rollenbildern oder (wahrgenommenen) Unterschieden in der direkten Betroffenheit zusammenhängen.

Wie sieht die Geschlechterverteilung in den Fachausschüssen aus?

Das wird in der zweiten Abbildung deutlich, welche die Geschlechterverteilung in den Fachausschüssen des Nationalrats darstellt. (Anm.: Jene Ausschüsse, die in der Regel keine Gesetzesinitiativen behandeln, scheinen nicht auf. Dazu zählen etwa der Ausschuss für Petitionen und Bürgerinitiativen oder der Unvereinbarkeitsausschuss). Da sich die Geschlechterverteilung in den Ausschüssen ändern kann, wurde für diese Abbildung ihr Mittelwert über drei Stichtage berechnet. Die Stichtage wurden auf den Zeitpunkt zwei Monate nach den Regierungsbildungen 2013, 2017 und 2020 gesetzt. Ab diesem Zeitpunkt ändert sich die Zusammensetzung der Ausschüsse bis zum Ende der Gesetzgebungsperiode nur mehr vereinzelt (zum Beispiel, wenn einzelne Abgeordnete vorzeitig aus dem Nationalrat ausscheiden).

Je nach inhaltlicher Zuständigkeit ist die Verteilung von Männern und Frauen auf die Ausschüsse sehr unterschiedlich. In den meisten Ausschüssen ist die Mehrheit der Mitglieder männlich – im Durchschnitt sind 33 % der Mitglieder Frauen – wobei hierbei auch die ungleiche Geschlechterverteilung der Nationalratssitze im Plenum berücksichtigt werden muss. Im Ausschuss für Familie und Jugend sind jedoch weibliche Abgeordnete in der Mehrheit, im Gleichbehandlungsausschuss stellen Frauen sogar mehr als drei Viertel der Mitglieder.

Vergleicht man die ersten beiden Abbildungen, so zeigen sich einige Parallelen: Beispielsweise werden sowohl schriftliche Anfragen zum Thema Frauen und Gleichbehandlung als auch der Gleichbehandlungsausschuss stark von weiblichen Abgeordneten dominiert. Im Gegensatz dazu sind sowohl der Verkehrsausschuss als auch das Thema Verkehr und Infrastruktur in schriftlichen Anfragen stark von männlichen Abgeordneten geprägt.

Barrierefreie Alternative zur Grafik / CSV, 1 KB

Daraus ergibt sich die Vermutung, dass die geschlechterspezifischen Unterschiede bei den Themen der schriftlichen Anfragen (Abbildung 1) auch daher rühren, dass sich weibliche und männliche Abgeordnete sehr unterschiedlich auf die einzelnen Fachausschüsse verteilen (Abbildung 2). Die inhaltliche Spezialisierung, die sich in der Ausschussmitgliedschaft ausdrückt, schlägt sich demnach auch im Anfrageverhalten nieder.

Thematischer Fokus von schriftlichen Anfragen nach Ausschussmitgliedschaft

Dass diese Annahme nicht ganz unplausibel ist, zeigt die dritte Abbildung. Sie stellt dar, wie viele schriftliche Anfragen zu den Themen Sicherheitswesen und Soziales von Abgeordneten aus bestimmten Ausschüssen gestellt werden. Diese beiden Themen wurden exemplarisch ausgewählt, da sie relativ viele Anfragen umfassen (siehe Showcase zum Themenfokus von Anfragen). Obwohl Anfragen zu diesen Themen prinzipiell von Mitgliedern aller Ausschüsse eingebracht werden, gibt es dennoch eindeutige Muster: So stellen Mitglieder des Ausschusses für innere Angelegenheiten deutlich mehr Anfragen zum Thema Sicherheitswesen als Abgeordnete, die in anderen Ausschüssen sitzen.

Gleiches gilt für das Thema Soziales: Anfragen zu diesem Thema kommen besonders zahlreich von Abgeordneten mit Sitz im Ausschuss für Arbeit und Soziales sowie von Mitgliedern des Gesundheitsausschusses. Abgeordnete, die Mitglied in einem bestimmten Ausschuss sind, stellen also vermehrt Anfragen zu den Themen dieses Ausschusses. Es ist jedoch zu beachten, dass viele Abgeordnete Mitglied in mehr als einem Ausschuss sind.

Barrierefreie Alternative zur Grafik / CSV, 928 BYTES

Ausschuss-Gap oder Gender-Gap: Was erklärt das Anfrageverhalten?

Nachdem wir nun festgestellt haben, dass das Geschlecht, das Anfrageverhalten und die Ausschussmitgliedschaft zusammenhängen, verbinden wir alle drei Faktoren. Abbildung 4 teilt die Abgeordneten in vier Gruppen ein: männliche und weibliche Abgeordnete, die dem für das jeweilige Thema relevanten Ausschuss angehören, sowie männliche und weibliche Abgeordnete, die nicht im thematisch relevanten Ausschuss sitzen. Für jede dieser vier Gruppen stellen wir dar, wie hoch der Anteil ihrer schriftlichen Anfragen ist, der sich mit dem jeweiligen Thema beschäftigt. Damit können wir unterscheiden, ob der Fokus auf ein bestimmtes Thema mit dem Geschlecht, der Ausschussmitgliedschaft oder beidem zusammenhängt. Zum Beispiel stellen männliche Mitglieder des Justizausschusses knapp 30% ihrer Anfragen zum Thema Justiz (siehe Abbildung 4).

Zunächst werfen wir einen Blick auf die Themen Justiz, Land- und Forstwirtschaft, Sicherheitswesen und Bildung. Ausschussmitglieder sind bei diesen vier Themen deutlich aktiver im Stellen von schriftlichen Anfragen als Nicht-Ausschussmitglieder – und das relativ unabhängig vom Geschlecht. Männliche wie weibliche Abgeordnete haben im jeweils relevanten Ausschuss (Justizausschuss, Ausschuss für Land- und Forstwirtschaft, Ausschuss für Inneres, Unterrichtsausschuss) einen starken Fokus auf die dort behandelten Themen (d. h. ein deutlich größerer Anteil ihrer schriftlichen Anfragen widmet sich diesen Themen). Hingegen stellen männliche wie weibliche Abgeordnete, die nicht in diesen Ausschüssen sitzen, ähnlich wenige Anfragen zu diesen Themen. Es besteht also kein signifikanter Unterschied zwischen den Geschlechtern (Gender-Gap), sondern vielmehr ein Unterschied in der Beteiligung an Ausschüssen (Ausschuss-Gap): Abgeordnete, die in Ausschüssen sitzen, stellen Anfragen zu den dort behandelten Themen, während Personen, die nicht in Ausschüssen sitzen, dies eher nicht tun.

Barrierefreie Alternative zur Grafik / CSV, 1 KB

Geschlecht und Ausschussmitgliedschaft als entscheidende Faktoren – der Gender-Ausschuss-Gap

Aus Abbildung 5 wird allerdings ersichtlich, dass es Themen gibt, bei denen ein Gender-Gap vorliegt, der nicht durch die Mitgliedschaft in Ausschüssen erklärt werden kann. So beschäftigen sich etwa weibliche Abgeordnete im Ausschuss für Arbeit und Soziales in ihren schriftlichen Anfragen etwas mehr mit dem Thema Soziales als ihre männlichen Kollegen im Ausschuss. Noch deutlicher ist dieser Unterschied bei den Themen Familien und Generationen sowie Frauen und Gleichbehandlung: Während männliche Ausschussmitglieder sich stärker auf das Thema fokussieren als (männliche wie weibliche) Abgeordnete, die nicht im Ausschuss sitzen, ist der thematische Fokus bei weiblichen Abgeordneten im Ausschuss nochmals größer. Umgekehrt verhält es sich beim Thema Landesverteidigung: Hier stellen männliche Ausschussmitglieder anteilsmäßig deutlich mehr Anfragen als weibliche.

Der Gleichbehandlungsausschuss sowie der Ausschuss für Familie und Jugend weisen einen deutlich höheren Frauenanteil auf, während im Landesverteidigungsausschuss überdurchschnittlich viele Männer vertreten sind (siehe Abbildung 2 oben). Dadurch werden die thematischen Gender-Gaps der Anzahl der Anfragen sogar noch größer: Weibliche Ausschussmitglieder sind etwa im Gleichbehandlungsausschuss klar in der Mehrheit und stellen auch anteilsmäßig mehr schriftliche Anfragen zu diesem Thema, im Landesverteidigungsausschuss ist es dementsprechend genau umgekehrt.

Barrierefreie Alternative zur Grafik / CSV, 1 KB

Die Abbildungen 4 und 5 zeichnen demnach ein differenziertes Bild: Ausschussmitgliedschaften erklären einen Teil der Geschlechterunterschiede im Themenfokus von schriftlichen Anfragen von Abgeordneten, da Geschlecht und Ausschussmitgliedschaft miteinander zusammenhängen. Bei einigen Themen (siehe Abbildung 5) bleibt jedoch ein Gender-Gap bestehen, selbst wenn die Ausschusszugehörigkeiten der Abgeordneten berücksichtigt werden.

Wie wurde es gemacht?

Welche Methodik wurde angewandt?
Für diesen Showcase wird der Datensatz zu parlamentarische Anfragen verwendet.

Über die Parlaments-API werden alle Anfragen als JSON-Files eingelesen; für jede Anfrage liegt ein JSON-File vor.
Aus jedem JSON-File (also für jede Anfrage) werden dann für die Analyse relevante Informationen ausgelesen:

Name des Abgeordneten

Fraktion

Personen-URL

Themen der Anfrage (bis zu fünf Themen)

Schlagwörter der Anfrage (bis zu fünf Schlagwörter)

EuroVoc-Schlagwörter

Einlangensdatum

Beantwortungsdatum

Titel der Anfrage

Zitierung

Gesetzgebungsperiode (GP)

Alle diese Informationen werden in einem Datensatz zusammengefasst, der pro Anfrage eine Zeile hat.

Für die Analyse werden mehrere Schritte unternommen:

Anfragen filtern:

Anfragen ohne Dokumenttyp "J" werden ausgeschlossen.
Anfragen, die an den Rechnungshof gerichtet sind, werden ausgeschlossen.

Ausschussmitgliedschaften:

Ausschussmitgliedschaften werden für jede Person, die eine Anfrage gestellt hat über eine API-Abfrage abgerufen und in einem separaten Datensatz gespeichert.
Die relevanten Ausschüsse werden ausgewählt, während besondere Ausschüsse und solche ohne gesetzgeberische Funktion ausgeschlossen werden.
Die Ausschussmitgliedschaften werden nach Datum gefiltert, sodass nur Daten bis 10.07.2023 berücksichtigt werden.

Zusammenführen der Datensätze:

Die Daten der Anfragen und der Ausschussmitgliedschaften werden zusammengeführt. Es wird überprüft, ob ein Abgeordneter zum Zeitpunkt der Anfrage Mitglied eines relevanten Ausschusses war.

Hinzufügen der Geschlechtsvariable:

Die Geschlechtsinformationen werden für jede Person über eine API-Abfrage abgerufen und den Anfragedaten hinzugefügt.
Fehlende Geschlechterinformationen werden manuell ergänzt.

Analyse der Anfragen nach Themen und Geschlecht:

Die Themen der Anfragen werden analysiert und nach Geschlecht der Abgeordneten aufgeschlüsselt.
Die Verteilung der Anfragen nach Themen und Geschlecht wird grafisch dargestellt.
Weitere Analysen werden durchgeführt, um die Häufigkeit bestimmter Themen über alle Ausschüsse und die Geschlechterverteilung in den Ausschüssen zu untersuchen.

Erstellen und Speichern von Grafiken:

Grafiken zur Verteilung der Themen nach Geschlecht und zur Geschlechterverteilung in den Ausschüssen werden erstellt und gespeichert.
Die Ergebnisse werden sowohl tabellarisch als auch grafisch dargestellt.
Wie sieht das R-Script aus?

########################################################
## Open Data Kooperation: univie & Parlament ##########
## Showcase 6: Anfragen: Ausschüse & Geschlecht #######
## code by Laurenz Ennser-Jedenastik & Daniel Bliem ###
### Kontakt: laurenz.ennser@univie.ac.at ###############
########################################################

# Leere die Arbeitsumgebung
rm(list = ls())

# Installieren und Laden der erforderlichen Pakete.
necessary.packages <- c("httr",
"jsonlite",
"RJSONIO",
"RCurl",
"httr2",
"purrr",
"tibble",
"rjson",
"tidyverse",
"gridExtra",
"officer",
"flextable",
"openxlsx",
"extrafont",
"lubridate",
"grid",
"stringr",
"scales",
"forcats",
"stringdist",
"progress")
new.packages <- necessary.packages[!(necessary.packages %in% installed.packages()[,"Package"])]

if(length(new.packages)) install.packages(new.packages)

#load packages
lapply(necessary.packages, library, character.only = TRUE)

# Herunterladen des 1. Datensatzes: Parlamentarische Anfragen
# Definieren der URL für die POST-Anfrage
req <- request("https://www.parlament.gv.at/Filter/api/filter/data/101?js=eval&showAll=true")

# Senden der POST-Anfrage mit definiertem Body
t1 <-
req %>%
req_body_raw('{
"NRBR": [
"NR"
],
"GP_CODE": [
"XXVII",
"XXVI",
"XXV",
"XXIV",
"XXIII",
"XXII",
"XXI",
"XX",
"XIX"
],
"VHG": [
"J_JPR_M"
],
"DOKTYP": [
"J"
]
}

') %>%
req_perform()

# Die Antwort in einen Datenframe laden
df1 <- t1 %>% resp_body_json()

# Eine Schleife erstellen, um herunterladbare URLs aus den relativen Links der JSON-Antwort zu erhalten
nrows1 <- length(df1$rows)
vorne <- "https://www.parlament.gv.at"
hinten <- "?json=true"
all.urls <- rep(NA, nrows1)
all.num <- rep(NA, nrows1)
all.type <- rep(NA, nrows1)
all.GP <- rep(NA,nrows1)

# Definieren des Arbeitsverzeichnisses, aus dem JSON Files gezogen werden
setwd("Pfad/zu/Ihrem/Arbeitsverzeichnis")

# Ladebalken erstellen
pb <- progress_bar$new(
format = " Downloading [:bar] :percent :elapsed",
total = nrows1, clear = FALSE, width = 60
)

# Iterieren durch die Reihen, um aus den Links herunterladbare URLs zu machen
for (i in 1:nrows1) {
all.urls[i] <- paste0(vorne, df1[["rows"]][[i]][[15]], hinten)
all.num[i] <- df1[["rows"]][[i]][[3]]
all.type[i] <- df1[["rows"]][[i]][[6]]
all.GP[i] <- df1[["rows"]][[i]][[1]]
suppressMessages( # Ausgabe während dem Download unterdrücken
download.file(all.urls[i], destfile = paste0(all.GP[i], "_", all.num[i], "_", all.type[i], ".json"), quiet = TRUE)
)
pb$tick() # Fortschrittsbalken aktualisieren
}

# Erstellen der leeren Variablen für den Dataframe
files.in.dir <- list.files(getwd())
files.in.dir <- files.in.dir[grep(".json", files.in.dir)] # Sicherstellen, dass nur JSON-Files in der Liste sind

df01 <- data.frame(name = rep(NA, length(files.in.dir))) # leeren Dataframe erzeugen
count.files <- length(files.in.dir)

# Funktion zur Ermittlung des Labels
get_label <- function(bubble) {
if (!is.null(bubble[["label"]])) {
return(bubble[["label"]])
} else {
return(NA)
}
}

# Iterieren durch alle Dateien im Verzeichnis und extrahieren der relevante Informationen für jedes Mitglied, die dann den erstellten leeren Variablen zugeordnet werden
for (i in 1:count.files) {
# Einlesen der JSON-Datei für jedes Mitglied
getfile <- fromJSON(file = files.in.dir[i])
# Extrahieren der Daten der JSON-Datei für jede Variable und speichern dieser im Dataframe
df01$name[i] <- getfile[["content"]][["names"]][[1]][["name"]]
df01$fraktion[i] <- getfile[["content"]][["names"]][[1]][["frak_code"]]
df01$person_url[i] <- getfile[["content"]][["names"]][[1]][["url"]]

topics <- vector("list", length = 5)
if (!is.null(getfile[["content"]][["topics"]]) && !is.null(getfile[["content"]][["topics"]][["data"]][["bubbles"]])) {
for (j in 1:length(getfile[["content"]][["topics"]][["data"]][["bubbles"]])) {
topics[[j]] <- get_label(getfile[["content"]][["topics"]][["data"]][["bubbles"]][[j]])
}
}

headwords <- vector("list", length = 5)
if (!is.null(getfile[["content"]][["headwords"]]) && !is.null(getfile[["content"]][["headwords"]][["data"]][["bubbles"]])) {
for (j in 1:length(getfile[["content"]][["headwords"]][["data"]][["bubbles"]])) {
headwords[[j]] <- get_label(getfile[["content"]][["headwords"]][["data"]][["bubbles"]][[j]])
}
}

df01$topic[i] <- if (!is.null(topics[[1]])) topics[[1]] else NA
df01$topic_2[i] <- if (length(topics) >= 2 && !is.null(topics[[2]])) topics[[2]] else NA
df01$topic_3[i] <- if (length(topics) >= 3 && !is.null(topics[[3]])) topics[[3]] else NA
df01$topic_4[i] <- if (length(topics) >= 4 && !is.null(topics[[4]])) topics[[4]] else NA
df01$topic_5[i] <- if (length(topics) >= 5 && !is.null(topics[[5]])) topics[[5]] else NA

df01$headword[i] <- if (!is.null(headwords[[1]])) headwords[[1]] else NA
df01$headword_2[i] <- if (length(headwords) >= 2 && !is.null(headwords[[2]])) headwords[[2]] else NA
df01$headword_3[i] <- if (length(headwords) >= 3 && !is.null(headwords[[3]])) headwords[[3]] else NA
df01$headword_4[i] <- if (length(headwords) >= 4 && !is.null(headwords[[4]])) headwords[[4]] else NA
df01$headword_5[i] <- if (length(headwords) >= 5 && !is.null(headwords[[5]])) headwords[[5]] else NA

if (!is.null(getfile) && !is.null(getfile[["content"]]) && !is.null(getfile[["content"]][["eurovoc"]]) &&
!is.null(getfile[["content"]][["eurovoc"]][["data"]]) && !is.null(getfile[["content"]][["eurovoc"]][["data"]][["bubbles"]][[1]])) {
df01$EuroVoc[i] <- getfile[["content"]][["eurovoc"]][["data"]][["bubbles"]][[1]][["label"]]
} else {
df01$EuroVoc[i] <- NA
}

if(!is.null(getfile[["content"]][["stages"]][[1]][["date"]])){
df01$einlangen[i] <- getfile[["content"]][["stages"]][[1]][["date"]]
} else{
df01$einlangen[i] <- getfile[["content"]][["phase"]][[1]][["stages"]][[1]][["date"]]
}

df01$titel[i] <- getfile[["content"]][["title"]]
df01$citation[i] <- getfile[["content"]][["zitation"]]
df01$GP[i] <- getfile[["content"]][["gp_code"]]
eingebracht_an_index <- NULL
if (!is.null(getfile[["content"]][["names"]])) {
for (j in 1:length(getfile[["content"]][["names"]])){
if (!is.null(getfile[["content"]][["names"]][[j]][["funktext"]]) &&
getfile[["content"]][["names"]][[j]][["funktext"]] == "Eingebracht an") {
eingebracht_an_index <- j
break
}
}
}

if (!is.null(eingebracht_an_index)) {
if (!is.null(getfile[["content"]][["names"]][[eingebracht_an_index]][["frak_code"]])) {
df01$person_2[i] <- getfile[["content"]][["names"]][[eingebracht_an_index]][["name"]]
df01$person_url_2[i] <- getfile[["content"]][["names"]][[eingebracht_an_index]][["url"]]
df01$frak_2[i] <- getfile[["content"]][["names"]][[eingebracht_an_index]][["frak_code"]]
} else {
df01$person_2[i] <- getfile[["content"]][["names"]][[eingebracht_an_index]][["name"]]
df01$person_url_2[i] <- getfile[["content"]][["names"]][[eingebracht_an_index]][["url"]]
df01$frak_2[i] <- NA
}
} else {
df01$person_2[i] <- NA
df01$person_url_2[i] <- NA
df01$frak_2[i] <- NA
}
}

# Speichern des erstellten Dataframes
save(df01, file = "Ihr_Dateiname.RData")
# falls Laden der Daten notwendig ist: load("Pfad/zu/Ihrer/Datei.RData")

# Hinzufügen einer zusätzliche Jahresvariable, indem das Jahr aus dem "einlangen"-Datum extrahiert wird
df01$year <- format(as.Date(df01$einlangen, format = "%d.%m.%Y"), "%Y")
df01$year <- as.numeric(df01$year)

# Filtern des Untersuchungszeitraums: Bis zur Sommerpause 2023 (10.07.)
df01 <- df01 %>%
filter(as.Date(einlangen, format = "%d.%m.%Y") <= as.Date("2023-07-10"))

### Erstellen von 4 neuen Themen aus den Schlagwörtern, die das Thema "Inneres und Recht" aufteilen, da dieses zu umfangreich ist
# Weise den 4 neuen Kategorien die passenden Schlagwörter zu (aus allen Schlagwörtern, die im Thema "Inneres und Recht" vorkommen)
assign_IuR_category <- function(headwords) {
categories <- character(length(headwords))

for (i in seq_along(headwords)) {
if (headwords[i] %in% c("Bundesgesetzblatt", "Bundesländer", "Bundespräsident:in", "Bundesregierung III. Sonstiges", "Verwaltungsorganisation", "Verwaltungsreform", "Verwaltungsverfahren", "Volksanwaltschaft", "Vereinbarungen", "Öffentlicher Dienst")) {
categories[i] <- "Amtsführung und Verwaltung"
} else if (headwords[i] %in% c("Zivilrecht", "Völkerrecht", "Vereins- und Versammlungsrecht", "Rechtsanwälte und Notare", "Rechtsbereinigung", "Rechtspflege", "Personenstandsrecht", "Vermögenssicherung", "Verfassungs- und Verwaltungsgerichtsbarkeit", "Politische Parteien", "Bundesverfassung", "Strafrecht")) {
categories[i] <- "Justiz"
} else if (headwords[i] %in% c("Zivilschutz", "Sicherheitswesen", "Opferfürsorge und Opferschutz")) {
categories[i] <- "Sicherheitswesen"
} else if (headwords[i] %in% c("Ausländer:in", "Flüchtlinge", "Grenzen", "Menschenrechte", "Staatsbürger:in", "Volksgruppen", "Pässe und Ausweise")) {
categories[i] <- "Migration"
} else {
categories[i] <- NA
}
}

return(categories)
}

# Zuweisen der Kategorien zu den neuen Topic_IuR-Variablen
num_headword_cols <- 5

for (i in 1:num_headword_cols) {
headword_col <- ifelse(i == 1, "headword", paste("headword_", i, sep = ""))
new_topic_col <- paste("topic_IuR_", i, sep = "")

df01[new_topic_col] <- sapply(df01[headword_col], assign_IuR_category)
}

### Filtern der Anfragen auf nur solche Anfragen, welche an die Bundesregierung gerichtet wurden
# 1. Identifizieren durch Art des Dokuments: Anfragen, die nicht Dokumenttyp "J" haben
alle_doktyp_J <- all(substr(df01$citation, nchar(df01$citation), nchar(df01$citation)) == "J")

# Ergebnis
if (alle_doktyp_J) {
cat("Alle Doktyps sind J")
} else {
cat("Nicht alle Doktyps sind J")
}

# 2. Filtern der Anfragen, die an den Rechnungshof gerichtet sind (haben Wert NA als Rezipient:in)
df01 <- df01[!is.na(df01$person_2), ]

# Erneutes Speichern des Dataframes
save(df01, file = "Ihr_Dateiname.RData")

### Herunterladen des 2. Datensatzes: Ausschussmitgliedschaften
# Datensatz für Ausschussmitgliedschaften nach Person: Neue Variable, die nur Personen-ID zeigt, zum Herunterladen der entsprechenden JSON Files
df01 <- df01 %>%
mutate(person_id = str_extract(person_url, "\\d+"))

# Definieren des Arbeitsverzeichnisses, aus dem JSON Files gezogen werden
setwd("Pfad/zu/Ihrem/Arbeitsverzeichnis2")

# Liste von allen benötigten Personen-IDs (ohne XIX GP, da es für diese GP keine Ausschussdaten gibt)
pad_intern_list <- unique(df01$person_id[df01$GP != "XIX"])

# Herunterladen der JSON Files für jede Person
fetch_data <- function(pad_intern) {
base_url <- "https://www.parlament.gv.at/Filter/api/filter/data/250?js=eval&showAll=true&export=true"
post_body <- list(PAD_INTERN = list(pad_intern))
response <- POST(url = base_url, body = post_body, encode = "json")

if (status_code(response) == 200) {
# Speichere den Inhalt der Antwort (JSON-Daten) in einer Datei
content <- content(response, as = "text")
write(content, file = paste0(pad_intern, ".json"))
cat("JSON-Datei für PAD_INTERN", pad_intern, "heruntergeladen.\n")
} else {
cat("Fehler beim Herunterladen der Daten für PAD_INTERN", pad_intern, "\n")
}
}

# Iterieren dieser Funktion für jede PAD_INTERN-Nummer
for (pad_intern in pad_intern_list) {
fetch_data(pad_intern)
}

# Erstellen des leeren Dataframes
df02 <- data.frame(
person_pad = character(),
GP = character(),
position = character(),
ausschuss = character(),
NR = character(),
start_date = character(),
end_date = character(),
stringsAsFactors = FALSE # Strings als Zeichenfolgen, keine Faktoren
)

# Pfad zu den JSON Files festlegen
json_files_aus <- list.files(path = "Pfad/zu/Ihren/JSON/Dateien2", pattern = "\\.json$", full.names = TRUE)

# Daten mit Loop extrahieren und in Dataframe spielen
for (file in json_files_aus) {
# Lade JSON-Daten
json_data <- jsonlite::fromJSON(file)

if (!is.null(json_data$rows) && length(json_data$rows) > 0) {
rows_matrix <- json_data$rows

# Durchlaufe jede Zeile der Matrix
for (i in 1:nrow(rows_matrix)) {
# Extrahiere die spezifischen Werte aus der aktuellen Zeile der Matrix
row <- rows_matrix[i, ]
person_pad <- row[7]
GP <- row[1]
position <- row[3]
ausschuss <- gsub("\\s*\$[^)]+\$", "", row[4])
NR <- row[5]
date_info <- row[4]
# Beim Enddatum müssen laufende Ausschüsse berücksichtigt werden
if (grepl("\\s+-\\s+", date_info)) {
start_date <- gsub(".*\$(.*?)\\s*-\\s*.*", "\\1", date_info)
end_date <- gsub(".*-\\s*(.*?)\$", "\\1", date_info)
} else {
start_date <- gsub(".*\$(.*?)\$.*", "\\1", date_info)
end_date <- "10.07.2023" # Enddatum für den Fall, in dem end_date nicht angegeben ist
}

# Hinzufügen der extrahierten Werte als neue Zeile
new_row <- data.frame(person_pad, GP, position, ausschuss, NR, start_date, end_date, stringsAsFactors = FALSE)
df02 <- rbind(df02, new_row)
}

} else {
cat("Keine Daten in 'rows' für Datei:", file, "\n")
}
}

# Filtern der Ausschüsse: Nur klassische Ausschüsse (kein U-Ausschuss, Unterausschuss, besonderer Ausschuss, Ausschuss im Bundesrat, ...)
df02 <- df02 %>%
filter(NR == "NR") %>%
filter(!grepl("unterausschuss|ständiger|unterausschuß|untersuchungsausschuss|besonderer|enquete", ausschuss, ignore.case = TRUE))

# Filtern der Rollen: Nur Mitglieder (da diese Funktion bestehen bleibt auch wenn eine andere dazukommt)
df02 <- df02 %>%
filter(position == "Mitglied")

# Auf neue Rechtschreibung korrigieren
df02$ausschuss <- gsub("(A|a)usschuß", "\\1usschuss", df02$ausschuss)

# Ausschüsse zusammenfassen, die die gleichen Materien behandeln
df02$ausschuss[df02$ausschuss == "Ausschuss für Wissenschaft und Forschung"] <- "Wissenschaftsausschuss"
df02$ausschuss[df02$ausschuss %in% c("Industrieausschuss", "Wirtschaftsausschuss", "Ausschuss für Wirtschaft und Industrie")] <- "Ausschuss für Wirtschaft, Industrie und Energie"
df02$ausschuss[df02$ausschuss == "Ausschuss für Forschung, Innovation und Technologie"] <- "Ausschuss für Forschung, Innovation und Digitalisierung"
df02$ausschuss[df02$ausschuss == "Ausschuss für Sportangelegenheiten"] <- "Sportausschuss"
df02$ausschuss[df02$ausschuss == "Bautenausschuss"] <- "Ausschuss für Bauten und Wohnen"
df02$ausschuss[df02$ausschuss == "Familienausschuss"] <- "Ausschuss für Familie und Jugend"

# Einschränken auf Untersuchungszeitraum (bis 10.07.2023)
df02$start_date <- as.Date(df02$start_date, format = "%d.%m.%Y")
df02 <- df02 %>%
filter(start_date <= "2023-07-10")

# Speichern des Dataframes
save(df02, file = "Ihr_Dateiname.RData")

### Fusionieren der Ausschussdaten von df02 zu df01
# Initialisieren von leeren Spalten für jeden Ausschuss im df01
for (committee_name in unique(df02$ausschuss)) {
df01[[committee_name]] <- "Nein"
}

# Erhöhen der Anzahl maximal angezeigter Spalten auf 60
rstudioapi::writeRStudioPreference("data_viewer_max_columns", 60L)

# Umformen der anderen Datumvariablen für Einheitlichkeit
df01$einlangen <- as.Date(df01$einlangen, format = "%d.%m.%Y")
df02$end_date <- as.Date(df02$end_date, format = "%d.%m.%Y")

# Loop über jede Zeile in df01, um Ausschussmitgliedschaften zu jedem Zeitpunkt der Abgeordneten zu überprüfen
for (i in 1:nrow(df01)) {
person <- df01$person_id[i]
time <- df01$einlangen[i]

for (j in 1:nrow(df02)) {
if (person == df02$person_pad[j] && time >= df02$start_date[j] && time <= df02$end_date[j]) {
committee_name <- df02$ausschuss[j]
df01[i, committee_name] <- "Ja"
}
}
}

### Herunterladen des 3. Datensatzes: für Personen (Geschlechtsvariable)
# Definieren der URL für die POST-Anfrage
reqpers <- request("https://www.parlament.gv.at/Filter/api/filter/data/10400?js=eval&showAll=true&export=true")

# Senden der POST-Anfrage mit definiertem Body
t3 <-
reqpers %>%
req_body_raw('{
"PERSART": [
"NR"
]
}
') %>%
req_perform()

# Laden der Antwort in einen Datenframe
df3 <- t3 %>% resp_body_json()

# Benötigte Variablen extrahieren
name_list <- lapply(df3$rows, function(x) x[[10]])
pad_list <- lapply(df3$rows, function(x) x[[3]])
pad_url_list <- lapply(df3$rows, function(x) x[[5]])
gender_list <- lapply(df3$rows, function(x) x[[6]])

# Erstellen eines Datenrahmens aus den extrahierten Informationen
df03 <- data.frame(
Name = unlist(name_list),
Geschlecht = unlist(gender_list),
pad_id = unlist(pad_list),
pad_url = unlist(pad_url_list)
)

# Neue Variable "Geschlecht" im df01 Dataframe erstellen und mit NA initialisieren
df01$Geschlecht <- NA

# Überspielen der Geschlechtsvariable auf df01
for (i in 1:nrow(df03)) {
current_pad_url <- df03$pad_url[i]

# Überprüfen, ob pad_url in df03 im df01 als person_url vorhanden ist
match_row <- which(df01$person_url == current_pad_url)

# Wenn ein entsprechender Eintrag gefunden wurde
if (length(match_row) > 0) {
# Übertrage das Geschlecht von df03 nach df01
df01$Geschlecht[match_row] <- df03$Geschlecht[i]
}
}

# Überprüfen, ob Abgeordnete ausgelassen wurden
na_rows_sex <- df01 %>% filter(is.na(Geschlecht))

# Fehlende ausbessern
names_to_change_W <- "Mag. Karin Miklautsch"
names_to_change_M <- c("Dr. Nikolaus Michalek", "Dr. Magnus Brunner, LL.M.", "Dr. Martin Polaschek")
df01$Geschlecht[df01$name %in% names_to_change_W] <- "W"
df01$Geschlecht[df01$name %in% names_to_change_M] <- "M"

# Ausschüsse entfernen, die keine Gesetzesinitiativen behandeln und somit nicht berücksichtigt werden
df01 <- df01[,-c(37, 44, 48, 49, 52, 53, 56)]

# Speichern von df03 und dem aktualisierten df01
save(df03, file = "Ihr_Dateiname.RData")
save(df01, file = "Ihr_Dateiname.RData")

####################
### AUSWERTUNGEN ###
####################

### Erstellung eines benutzerdefinierten Themes für die Grafiken
# Laden der Schriftart Lato (stellen Sie zuerst sicher, dass die Schriftart auf dem PC installiert ist)
font_import(paths = "Pfad/zu/Ihrer/Schriftart")
loadfonts(device = "win")

# Erstellen des Themes
custom_theme <- function() {
theme_minimal() +
theme(
plot.background = element_rect(fill = "white", color = NA),
panel.grid.major = element_line(color = alpha("gray", 0.25)),
panel.grid.minor = element_line(color = "white"),
panel.border = element_blank(),
plot.title = element_text(color = "#132843", size = 18, face = "bold", family = "Lato", margin = margin(b = 5), hjust = 0),
plot.subtitle = element_text(color = "#132843", size = 14, family = "Lato", margin = margin(b = 20), hjust = 0),
axis.title.x = element_text(face = "bold", family = "Lato", size = 15, margin = margin(t = 15)),
axis.title.y = element_text(face = "bold", family = "Lato", size = 15, margin = margin(r = 15)),
axis.text = element_text(family = "Lato", size = 12),
legend.text = element_text(family = "Lato", face = "bold", size = 12),
plot.margin = margin(1.2, 0.7, 0.7, 0.7, "cm"),
plot.title.position = "plot",
plot.caption.position = "plot",
plot.caption = element_text(size = 11)
)
}

# Erneutes definieren des Arbeitsverzeichnisses
setwd("Pfad/zu/Ihrem/Arbeitsverzeichnis")

### Analyse 1: Wie ändert sich die Häufigkeit der Themen von Anfragen nach Geschlecht?
# Filtern der NA-Werte aus der "topic" Variable und einschränken der Daten auf Untersuchungszeitraum
df01_filtered <- df01[!is.na(df01$topic), ]
df01_filtered <- df01_filtered %>%
filter(GP %in% c("XXV", "XXVI", "XXVII"))

# Zusammenfassen aller Themenvariablen in einen Wert
all_topics_combined <- c(
df01_filtered$topic,
df01_filtered$topic_2,
df01_filtered$topic_3,
df01_filtered$topic_4,
df01_filtered$topic_5,
df01_filtered$topic_IuR_1,
df01_filtered$topic_IuR_2,
df01_filtered$topic_IuR_3,
df01_filtered$topic_IuR_4,
df01_filtered$topic_IuR_5
)

# Erstellen eines Dataframes mit den relevanten Variablen (Topic, Geschlecht, GP)
df01_topics_mw <- data.frame(Topic = all_topics_combined, Geschlecht = df01_filtered$Geschlecht, GP = df01_filtered$GP)

# Filtern der NA-Werte und dem aufgeteilten "Inneres und Recht" - Thema
df01_topics_mw <- na.omit(df01_topics_mw)
df01_topics_mw <- df01_topics_mw %>%
filter(Topic != "Inneres und Recht")

# Gruppieren nach Thema und Geschlecht und Berechnen des Anteils an Anfragen weiblicher Abgeordneter pro Thema
df01_topics_mw_grouped <- df01_topics_mw %>%
group_by(Topic, Geschlecht) %>%
summarise(Anzahl = n()) %>%
mutate(Prozent = Anzahl / sum(Anzahl) * 100) %>%
arrange(desc(Geschlecht))

# Berechnen des Gesamtanteils Anfragen weiblicher Abgeordneter in Prozent
total_female_prop <- sum(df01_topics_mw_grouped$Anzahl[df01_topics_mw_grouped$Geschlecht == "W"]) / sum(df01_topics_mw_grouped$Anzahl) * 100

# Filtern und Berechnen der Daten nur für weibliche Anfragen für die Sortierung der Themen in der Grafik
df01_female_prop <- df01_topics_mw_grouped %>%
filter(Geschlecht == "W") %>%
group_by(Topic) %>%
summarise(avg_female_prop = mean(Prozent, na.rm = TRUE)) %>%
arrange(desc(avg_female_prop))

# Themen nach dem Durchschnitt des Frauenanteils sortieren
sorted_topics_f <- df01_female_prop$Topic
df01_topics_mw_grouped$Topic <- factor(df01_topics_mw_grouped$Topic, levels = rev(sorted_topics_f))

# Säulendiagramm erstellen
grafik01 <- ggplot(df01_topics_mw_grouped, aes(x = Topic, y = Prozent, fill = Geschlecht)) +
geom_bar(stat = "identity") +
labs(title = "Themen schriftlicher Anfragen nach Geschlecht",
subtitle = "Okt. 2013 – Jul. 2023",
x = "",
y = "",
caption = "Quelle: parlament.gv.at") +
scale_fill_manual(values = c("M" = "#132843", "W" = "#b8a552"),
breaks = c("W", "M"),
labels = c("Anfragen weiblicher NR-Abgeordneter", "Anfragen männlicher NR-Abgeordneter")) +
geom_hline(yintercept = total_female_prop, linetype = "dashed", color = "#f3efe3") + # Horizontale Linie für Gesamtanteil weiblicher Abgeordneter
annotate("text", x = 1, y = total_female_prop + 1, label = paste("Gesamtanteil Anfragen weibl. Abg.: ", round(total_female_prop, 0), "%"), color = "#f3efe3") +
custom_theme() +
theme(
legend.title = element_blank(),
legend.position = "bottom",
legend.box.margin = margin(l = -60, t = -20),
axis.text.y = element_text(vjust = 0.5, hjust = 1)
) +
coord_flip() +
scale_y_continuous(labels = function(x) paste0(x, "%"))

# Speichern der Grafik
ggsave("SC06_Grafik01.jpg", grafik01, width = 10, height = 7.5, units = "in", dpi = 300)

### Analyse 2: Wie ist die Geschlechterverteilung in den Ausschüssen?
# Geschlechtsvariable in df02 basierend auf df01 hinzufügen
match_indices_id <- match(df02$person_pad, df01$person_id)
df02$Geschlecht <- df01$Geschlecht[match_indices_id]

# Filtere Daten für die drei Zeitpunkte nach den Regierungsbildungen (jeweils 2 Monate danach)
df02$start_date <- as.Date(df02$start_date, format = "%d.%m.%Y")
df02$end_date <- as.Date(df02$end_date, format = "%d.%m.%Y")
selected_dates <- as.Date(c('16.02.2014', '18.02.2018', '07.03.2020'), format = "%d.%m.%Y")

# Erstelle eine neue Variable, die angibt, zu welchem der 3 Zeitpunkte die Ausschussmitgliedschaft war
df02$selected_timepoint <- apply(df02, 1, function(row) {
selected_idx <- which(row['start_date'] <= selected_dates & selected_dates <= row['end_date'])
if (length(selected_idx) > 0) {
return(selected_idx[1])
} else {
return(NA)
}
})

# Filtere Zeilen mit NA-Werten in der selected_timepoint Variable
df02_dates <- df02[complete.cases(df02$selected_timepoint), ]

# Gruppierung der Daten nach Ausschüssen, Geschlecht und ausgewähltem Zeitpunkt, Berechnung der Anzahl der Mitglieder
df02_grouped <- df02_dates %>%
group_by(ausschuss, Geschlecht, selected_timepoint) %>%
summarise(count = n()) %>%
ungroup() %>%
spread(Geschlecht, count, fill = 0)

# Berechnung des Verhältnisses männlicher zu weiblicher Mitglieder für die Sortierung
df02_grouped <- df02_grouped %>%
mutate(total = M + W) %>%
mutate(percent_M = (M / total) * 100,
percent_W = (W / total) * 100) %>%
group_by(ausschuss, selected_timepoint) %>%
summarise(avg_percent_W = mean(percent_W, na.rm = ),
avg_percent_M = mean(percent_M, na.rm = TRUE))

# Berechnung der Mittelwerte der drei Zeitpunkte
df02_grouped <- df02_grouped %>%
group_by(ausschuss) %>%
summarise(avg_percent_W_overall = mean(avg_percent_W, na.rm = TRUE),
avg_percent_M_overall = mean(avg_percent_M, na.rm = TRUE)) %>%
arrange(desc(avg_percent_M_overall))

# Erstellung des Datenrahmens für das Säulendiagramm
df02_plot <- rbind(
transform(df02_grouped, Geschlecht = "Männer"),
transform(df02_grouped, Geschlecht = "Frauen")
)

# Ausschüsse entfernen, die keine Gesetzesinitiativen behandeln und somit nicht berücksichtigt werden
df02_plot <- df02_plot %>%
filter(!(ausschuss %in% c("Geschäftsordnungsausschuss", "Immunitätsausschuss", "Unvereinbarkeitsausschuss", "Hauptausschuss", "Rechnungshofausschuss", "Volksanwaltschaftsausschuss", "Ausschuss für Petitionen und Bürgerinitiativen")))

# Berechnung des Durchschnitts der Frauenanteile für die Anzeige
durchschnitt_frauen <- mean(df02_plot$avg_percent_W_overall)

# Grafik erstellen
grafik02 <- ggplot(df02_plot, aes(x = reorder(ausschuss, -avg_percent_M_overall), y = ifelse(Geschlecht == "Männer", avg_percent_M_overall, avg_percent_W_overall), fill = fct_rev(Geschlecht))) +
geom_bar(stat = "identity", position = "stack") +
scale_fill_manual(values = c("#132843","#b8a552"), name = "Geschlecht", labels = c("Männliche NR-Abgeordnete", "Weibliche NR-Abgeordnete")) +
geom_hline(yintercept = durchschnitt_frauen, linetype = "dashed", color = "#f3efe3") +
annotate("text", x = 1, y = durchschnitt_frauen + 1, label = paste("Durchschn. Anteil an weibl. Abg.:", round(durchschnitt_frauen, 0), "%"), color = "#f3efe3") +
labs(title = "Geschlechterverteilung in Ausschüssen",
subtitle = "Mittelwert Feb. 2014, Feb. 2018, Mär. 2020",
x = "",
y = "",
caption = "Quelle: parlament.gv.at") +
custom_theme() +
theme(
legend.title = element_blank(),
legend.position = "bottom",
legend.box.margin = margin(l = -20, t = -20),
axis.text.y = element_text(vjust = 0.5, hjust = 1)
) +
coord_flip() +
scale_y_continuous(labels = function(x) paste0(x, "%")) +
guides(fill = guide_legend(reverse = TRUE))

# Speichern der Grafik
ggsave("SC06_Grafik02.jpg", grafik02, width = 10, height = 7.5, units = "in", dpi = 300)

### Analyse 3: Themenhäufigkeit bestimmter Themen über alle Ausschüsse darstellen
# Auswählen der Themen
themen_g3 <- c("Sicherheitswesen", "Soziales")

# Erstellen eine leeren Liste, um die Daten für jedes Thema zu speichern
plot_data_list <- list()

# Iterieren durch die ausgewählten Themen
for (thema in themen_g3) {
# Filtern des DataFrames auf das aktuelle Thema und auf nur die Anfragen, bei denen der Anfragesteller im Ausschuss war
df01_plot3 <- df01_filtered %>%
pivot_longer(cols = grep("Ausschuss", names(.), ignore.case = TRUE), names_to = "Ausschuss", values_to = "Mitgliedschaft") %>%
filter((topic == thema | topic_2 == thema | topic_3 == thema | topic_4 == thema | topic_5 == thema |
topic_IuR_1 == thema | topic_IuR_2 == thema | topic_IuR_3 == thema | topic_IuR_4 == thema | topic_IuR_5 == thema) &
Mitgliedschaft == "Ja")

# Zählen der Anzahl der Anfragen pro Ausschuss
anzahl_anfragen <- df01_plot3 %>%
group_by(Ausschuss) %>%
summarise(Anzahl = n())

# Speichern die Daten in der Liste
plot_data_list[[thema]] <- anzahl_anfragen
}

# Die Daten der beiden Themen in einen gemeinsamen Dataframe geben
df01_combined <- bind_rows(plot_data_list, .id = "Thema")

# Erstellen des Balkendiagramms
grafik03 <- ggplot(df01_combined, aes(x = fct_rev(Ausschuss), y = Anzahl, fill = Thema)) +
geom_bar(stat = "identity", position = "dodge") +
labs(title = "Anzahl der Anfragen nach Ausschussmitgliedschaft\nfür die Themen Sicherheitswesen und Soziales",
subtitle = "Okt. 2013 – Jul. 2023",
x = "",
y = "",
caption = "Quelle: parlament.gv.at") +
custom_theme() +
coord_flip() +
scale_fill_manual(values = c("Sicherheitswesen" = "#3c5e62", "Soziales" = "#d9652e")) +
facet_grid(~Thema, scales = "free_x", space = "free_x", switch = "x",
labeller = labeller(Thema = c("Sicherheitswesen" = "Thema: Sicherheitswesen", "Soziales" = "Thema: Soziales"))) +
scale_y_continuous(breaks = seq(0, max(df01_combined$Anzahl), 500)) +
theme(
legend.title = element_blank(),
legend.position = "",
plot.title = element_text(lineheight = 1.2),
axis.text.y = element_text(vjust = 0.5, hjust = 1),
strip.text = element_text(size = 12),
strip.placement = "outside"
)

# Speichern der Grafik
ggsave("SC06_Grafik03.jpg", grafik03, width = 10, height = 7.5, units = "in", dpi = 300)

### Analyse 4/5: Gender Gap vs. Ausschuss Gap im Anfrageverhalten
# Auswählen der Themen und Zuordnen der dazugehörigen relevanten Ausschüsse
ausgewaehlte_themen <- c(
"Justiz", "Sicherheitswesen", "Gesundheit und Ernährung", "Soziales", "Wirtschaft", "Migration", "Klima, Umwelt und Energie",
"Verkehr und Infrastruktur", "Außenpolitik", "Bildung", "Arbeit", "Land- und Forstwirtschaft", "Familie und Generationen",
"Landesverteidigung", "Kultur", "Frauen und Gleichbehandlung", "Sport"
)

relevante_ausschuesse <- list(
"Justiz" = "Justizausschuss",
"Sicherheitswesen" = "Ausschuss für innere Angelegenheiten",
"Gesundheit und Ernährung" = "Gesundheitsausschuss",
"Soziales" = "Ausschuss für Arbeit und Soziales",
"Wirtschaft" = "Ausschuss für Wirtschaft, Industrie und Energie",
"Migration" = "Ausschuss für innere Angelegenheiten",
"Klima, Umwelt und Energie" = "Umweltausschuss",
"Verkehr und Infrastruktur" = "Verkehrsausschuss",
"Außenpolitik" = "Außenpolitischer Ausschuss",
"Bildung" = "Unterrichtsausschuss",
"Arbeit" = "Ausschuss für Arbeit und Soziales",
"Land- und Forstwirtschaft" = "Ausschuss für Land- und Forstwirtschaft",
"Familie und Generationen" = "Ausschuss für Familie und Jugend",
"Landesverteidigung" = "Landesverteidigungsausschuss",
"Kultur" = "Kulturausschuss",
"Frauen und Gleichbehandlung" = "Gleichbehandlungsausschuss",
"Sport" = "Sportausschuss"
)

# Funktion zur Erstellung der Balkengrafik für ausgewählte Themen
# 2 Listen von ausgewählten Themen erstellen (eine für "Musterthemen" und eine für "abweichende" Themen)
ausgewaehlte_themen_1 <- c(
"Justiz", "Land- und Forstwirtschaft", "Sicherheitswesen", "Bildung"
)

ausgewaehlte_themen_2 <- c(
"Soziales", "Familie und Generationen", "Landesverteidigung", "Frauen und Gleichbehandlung"
)
# Liste zum Speichern der Daten
plot5_data_list <- list()

# Neuer Dataframe, um den alten nicht zu überschreiben
df01_neu <- df01_filtered

# Loop zum Erstellen eines Datenframes mit den prozentuellen Themennennungen nach Geschlecht und Ausschuss in Anfragen für ausgewählte Themen
for (thema in ausgewaehlte_themen) {
df01_neu[thema] <- apply(df01_neu[, c("topic", "topic_2", "topic_3", "topic_4", "topic_5",
"topic_IuR_1", "topic_IuR_2", "topic_IuR_3", "topic_IuR_4", "topic_IuR_5")],
1, function(row) any(grepl(thema, row, ignore.case = TRUE)))
ausschuss_name <- relevante_ausschuesse[[thema]]
grouped_data <- df01_neu %>%
group_by(Geschlecht, Mitgliedschaft = get(ausschuss_name), Ausschuss = !!ausschuss_name) %>%
summarise(Anzahl = n(),
Anzahl_Thema = sum(get(thema), na.rm = TRUE),
Prozent = mean(get(thema), na.rm = TRUE) * 100)


plot5_data_list[[thema]] <- grouped_data
}

# Die Dataframes der verschiedenen Themen zu einem zusammenfügen
df01_combined5 <- bind_rows(plot5_data_list, .id = "Thema")

# Neue Variable, die Geschlecht und Ausschussmitgliedschaft kombiniert
df01_combined5 <- df01_combined5 %>%
mutate(Geschlecht_Mitgliedschaft = paste(Geschlecht, Mitgliedschaft, sep = "-"))

# Nach den davor ausgewählten Themen filtern
df01_plot4 <- df01_combined5 %>%
filter(Thema%in%ausgewaehlte_themen_1)

df01_plot5 <- df01_combined5 %>%
filter(Thema%in%ausgewaehlte_themen_2)

# Funktion, um "Thema:" vor die Facettentitel hinzuzufügen
custom_labeller <- function(variable, value) {
return(paste("Thema:", value))
}

# Erstellen der Übersichtsgrafik mit allen Themen
ggplot(df01_combined5, aes(x = Geschlecht, y = Prozent, fill = Mitgliedschaft)) +
geom_bar(stat = "identity", position = "dodge") +
facet_wrap(~Thema, scales = "free_x") +
labs(title = "Prozentsatz aller Anfragen zu Themen\nnach Geschlecht und Ausschussmitgliedschaft",
x = "",
y = "Prozentanteil an allen Anfragen dieser Gruppe",
caption = "Quelle: parlament.gv.at") +
custom_theme() +
scale_fill_manual(values = c("Ja" = "#132843", "Nein" = "#b8a552"),
labels = c("Im Ausschuss", "Nicht im Ausschuss")) +
scale_x_discrete(labels = c("M" = "Männlich", "W" = "Weiblich")) +
scale_y_continuous(labels = scales::percent_format(scale = 1, accuracy = 1)) +
theme(legend.position = "bottom",
legend.title = element_blank(),
legend.box.margin = margin(t = -20),
axis.text.x = element_text(size = 9),
axis.text.y = element_text(size = 10))

# Neue Variable zur grammatikalisch korrekten Beschriftung der Grafiken
df01_combined5 <- df01_combined5 %>%
mutate(Beschriftung = ifelse(str_detect(Ausschuss, "Ausschuss"),
str_replace(Ausschuss, "Ausschuss", "Ausschusses"),
ifelse(str_detect(Ausschuss, "ausschuss"),
str_replace(Ausschuss, "ausschuss", "ausschusses"),
Ausschuss)))

### Erstellen der Grafiken 4 und 5 mit den ausgewählten Themen
# Funktion zum Erstellen eines Plots für ein bestimmtes Thema
create_theme_plot <- function(df01_combined5, theme_name) {
theme_data <- subset(df01_combined5, Thema == theme_name)

max_percent <- 30

plot <- ggplot(theme_data, aes(x = fct_rev(Geschlecht_Mitgliedschaft), y = Prozent, fill = Geschlecht)) +
geom_bar(stat = "identity", position = "dodge") +
labs(title = paste("Thema:", theme_name),
x = "",
y = "Anteil des Themas an den Anfragen dieser Gruppe") +
custom_theme() +
scale_fill_manual(values = c("M" = "#132843", "W" = "#b8a552")) +
scale_x_discrete(labels = c(
"W-Nein" = "Andere weibliche NR-Abgeordnete",
"M-Nein" = "Andere männliche NR-Abgeordnete",
"W-Ja" = paste("Weibliche Mitglieder des\n", unique(theme_data$Beschriftung)),
"M-Ja" = paste("Männliche Mitglieder des\n", unique(theme_data$Beschriftung))
)) +
scale_y_continuous(labels = scales::percent_format(scale = 1, accuracy = 1), limits = c(0, max_percent)) +
theme(plot.margin = margin(1, 0.7, 0.7, 0, "cm"),
legend.position = "",
legend.title = element_blank(),
axis.text.x = element_text(size = 10),
axis.text.y = element_text(size = 10),
axis.title.x = element_text(size = 10, hjust = 1, margin = margin(t = 5)),
plot.title = element_text(size = 11, hjust = 0.5, margin = margin(t = 5, b = 5))) +
coord_flip()

return(plot)
}

# Erstellen der Einzelplots für jedes Thema
theme_plots_4 <- lapply(ausgewaehlte_themen_1, function(theme) {
create_theme_plot(df01_combined5, theme)
})

theme_plots_5 <- lapply(ausgewaehlte_themen_2, function(theme) {
create_theme_plot(df01_combined5, theme)
})

# Titel, Untertitel und Caption für die zusammengefassten Grafiken definieren
overall_title_4 <- textGrob("Prozentsatz aller Anfragen zu Themen\nnach Geschlecht und Ausschussmitgliedschaft: Ausschuss-Gap", x = 0.03, y = -0.15, hjust = 0, gp = gpar(fontsize = 18, fontface = "bold", col = "#132843"))
overall_title_5 <- textGrob("Prozentsatz aller Anfragen zu Themen\nnach Geschlecht und Ausschussmitgliedschaft: Gender-Ausschuss-Gap", x = 0.03, y = -0.15, hjust = 0, gp = gpar(fontsize = 18, fontface = "bold", col = "#132843"))
subtitle <- textGrob("Okt. 2013 – Jul. 2023", x = 0.03, y = 0.2, hjust = 0, gp = gpar(fontsize = 14, col = "#132843"))
subtitle_height <- unit(3.5, "lines")
caption <- textGrob("Quelle: parlament.gv.at", x = 0.97, hjust = 1, y = 1.5, gp = gpar(fontsize = 11))

# Grafiken zusammenführen
grob_plot_4 <- grid.arrange(grobs = theme_plots_4)
grob_plot_5 <- grid.arrange(grobs = theme_plots_5)

# Grafiken mit zuvor definiertem Titel, etc. zusammenführen
grafik04 <- grid.arrange(top = overall_title_4,
subtitle,
grob_plot_4,
bottom = caption,
heights = unit.c(subtitle_height, unit(1, "null")))

grafik05 <- grid.arrange(top = overall_title_5,
subtitle,
grob_plot_5,
bottom = caption,
heights = unit.c(subtitle_height, unit(1, "null")))

# Speichern der Grafiken
ggsave("SC06_Grafik04.jpg", grafik04, width = 10, height = 7.5, units = "in", dpi = 300)
ggsave("SC06_Grafik05.jpg", grafik05, width = 10, height = 7.5, units = "in", dpi = 300)

Kontakt Open Data

Wir freuen uns auf Ihre Anregungen!

Bei weiteren Fragen zum Open-Data-Angebot des Parlaments können Sie sich gerne unter ogd@parlament.gv.at an unsere Mitarbeiter:innen wenden

Themen

Parlament und Demokratie

Frauen- und Männerthemen im National­rat?

Frauenthemen – Männerthemen? Wie die Geschlechterunterschiede im Anfrageverhalten erklärt werden können

Wie sieht die Geschlechterverteilung in den Fachausschüssen aus?

Thematischer Fokus von schriftlichen Anfragen nach Ausschussmitgliedschaft

Ausschuss-Gap oder Gender-Gap: Was erklärt das Anfrageverhalten?

Geschlecht und Ausschussmitgliedschaft als entscheidende Faktoren – der Gender-Ausschuss-Gap

Wie wurde es gemacht?

Welche Methodik wurde angewandt?

Wie sieht das R-Script aus?

Kontakt Open Data

Themen

Frauen- und Männerthemen im Nationalrat?