Wie verändert sich die Zusammensetzung des Nationalrats?

Ein Showcase zu Abgeordnetendaten – basierend auf dem Open Data Angebot des Parlaments.

Personeller Wechsel im Nationalrat

Ein zentrales Merkmal der Demokratie ist, dass sie friedliche Machtwechsel ermöglicht. Niemand kann ein politisches Amt automatisch behalten. So wird sichergestellt, dass Macht nicht zu lange in den Händen derselben Personen konzentriert ist. Daher kommt es in Parlamenten nach Wahlen verstärkt zu personellen Wechseln.

Wie Wahlen zur personellen Veränderung im Nationalrat beitragen, sehen wir in dieser Grafik. Rund eine:r von drei Abgeordneten (62 von 183) wurde bei der Nationalratswahl 2019 neu ins Parlament gewählt. Die anderen Abgeordneten (121) waren schon am Ende der vorangegangenen Gesetzgebungsperiode – also vor der Wahl 2019 – im Nationalrat.

„Neu“ bedeutet hier, dass die Personen am letzten Tag der abgelaufenen Gesetzgebungsperiode nicht im Nationalrat vertreten waren – sie können aber zu einem früheren Zeitpunkt schon einmal Abgeordnete gewesen sein. Ein Beispiel dafür ist Werner Kogler, der 2017 mit dem Ausscheiden der Grünen aus dem Nationalrat sein Mandat verlor, 2019 aber wieder gewählt wurde.

Außerdem muss man berücksichtigen, dass kurz nach einer Wahl in der Regel einige gewählte Abgeordnete in Regierungsämter wechseln und ihren Sitz im Nationalrat zurücklegen (bis in die frühen 1980er-Jahre behielten Minister:innen oft ihr Mandat). Je nachdem, wer nachrückt, verändert sich das tatsächliche Ausmaß an personellem Wechsel. Wählt man also beispielsweise für die Nationalratswahl 2019 als Stichtag statt dem Beginn der Gesetzgebungsperiode am 23. Oktober 2019 vielmehr den 31. Jänner 2020 (also 24 Tage nach der Bildung der Bundesregierung aus ÖVP und Grünen), dann zählt man 65 neu gewählte Abgeordnete (statt 62 am Beginn der Gesetzgebungsperiode).

Es gibt viele Ursachen für die hier beobachteten Wechsel. Zum einen gibt es persönliche Gründe, warum sich Abgeordnete zurückziehen, etwa Gesundheit oder Alter. Manche Abgeordnete konzentrieren sich auch auf Aufgaben auf anderen politischen Ebenen (EU, Bundesland, Gemeinde) oder in anderen Institutionen (Bundesregierung). Selbst jene, die gerne wiedergewählt werden wollen, müssen zunächst bei der Erstellung der Wahlvorschläge der Parteien einen günstigen Listenplatz ergattern – was von der Unterstützung, die sie in der eigenen Partei erfahren, abhängt. Selbst ein aussichtsreicher Listenplatz kann aber zu wenig sein, wenn eine Partei bei einer Wahl starke Stimmenverluste erleidet. Umgekehrt führen Stimmengewinne automatisch dazu, dass neue Abgeordnete ins Parlament kommen. Je stärker die Stimmenverschiebungen ausfallen, desto höher ist der Anteil an neuen Abgeordneten im Nationalrat.

Barrierefreie Alternative zur Grafik / CSV, 0 KB

Die Anzahl wiedergewählter (121) und neu gewählter (62) Abgeordneter zum Nationalrat 2019. Mehr Details in der CSV-Datei.

Wie verändert sich der personelle Wechsel über die Zeit?

Beobachten wir den Wechsel seit 1949, dann können wir starke Veränderungen über die Zeit feststellen. 1949 war zum ersten Mal in der Zweiten Republik eine Partei des Dritten Lagers zu einer Wahl zugelassen (der Verband der Unabhängigen, VdU). Die Zahl der neuen Abgeordneten war aufgrund des Antretens dieser Partei dementsprechend hoch: 61 von 165, also mehr als ein Drittel (37 %).

In den folgenden Jahrzehnten war das Parteiensystem sehr stabil und somit fielen die Veränderungen im Nationalrat deutlich geringer aus. Nur rund eine:r von vier Abgeordneten kam bei den Wahlen in den 1950er- und 1960er-Jahren im Schnitt neu hinzu, in den 1970er- und 1980er-Jahren war es gar nur ein Fünftel.

Wir sehen in der Darstellung außerdem, dass die Zahl der Abgeordneten zwischen 1970 und 1971 steigt. Mit der Wahlrechtsreform 1970, die ein Zugeständnis an die FPÖ für ihre Unterstützung der SPÖ-Minderheitsregierung Bruno Kreiskys war, wurde auch die Zahl der Abgeordneten von 165 auf 183 erhöht. Dadurch erhöhte sich auch die Chance auf Wiederwahl für viele Abgeordnete.

Barrierefreie Alternative zur Grafik / CSV, 0 KB

Die Anzahl wiedergewählter und neu gewählter Abgeordneter zum Nationalrat von 1949 bis 2019. Mehr Details in der CSV-Datei.

Die ansonsten hohe Stabilität in der personellen Zusammensetzung des Nationalrats findet aber mit dem Erstarken der FPÖ und dem Aufkommen der Grünen ab 1986 ein Ende. Nach der Wahl 1994 sind erstmals mehr neu gewählte als wiedergewählte Abgeordnete im Nationalrat vertreten – bis heute ein Rekord.

In den letzten drei Jahrzehnten gibt es also verstärkt personelle Wechsel im Nationalrat. Dazu tragen neu in den Nationalrat einziehende Parteien (Liberales Forum, BZÖ, Team Stronach, NEOS, Liste Pilz) und wachsende Stimmenverschiebungen bei Wahlen bei (etwa 2002 nach dem Bruch der ersten schwarz-blauen Koalition unter Kanzler Schüssel oder 2019 nach vorgezogenen Neuwahlen und Wiedereinzug der Grünen). Im Mittel sind bei den Nationalratswahlen ab 1990 rund zwei von fünf Abgeordneten neu (38 %) – ein deutlicher Anstieg gegenüber früheren Jahrzehnten.

Wie schlagen sich Wahlgewinne und -verluste nieder?

Welche Rolle Stimmenverschiebungen für das Ausmaß personeller Wechsel haben, sehen wir in der dritten Grafik. Dazu werden die jeweils drei größten Mandatsgewinne und -verluste von Parteien in der Zweiten Republik ausgewählt (ausgenommen sind Ereignisse, zu denen Parteien neu in den Nationalrat einziehen oder aus dem Parlament ausscheiden – in diesen Fällen sind entweder nur neu gewählte oder gar keine Abgeordneten mehr vorhanden).

Eine interessante Ausnahme von dieser Regel bilden die Wahlen im Jahr 2002: Hier gingen den Stimmenverlusten der FPÖ innerparteiliche Konflikte voraus, die mit personellen Veränderungen verbunden waren. Daher waren trotz hoher Mandatsverluste (minus 34) viele der im November 2002 gewählten FPÖ-Abgeordneten neu im Nationalrat.

Bei den drei Fällen mit großen Stimmen- und Mandatsgewinnen (ÖVP 2002 und 2017, FPÖ 1990) ist hingegen mehr als die Hälfte der gewählten Abgeordneten neu – im Fall der FPÖ 1990 sind es gar drei von fünf. Einen derart großen Überhang neu gewählter Mandatar:innen gibt es aber selten, da natürlich bei großen Wahlerfolgen auch die Chancen etablierter Abgeordneter auf Wiederwahl gut stehen.

Barrierefreie Alternative zur Grafik / CSV, 0 KB

Die Balance zwischen neu- und wiedergewählten Abgeordneten an Beispielen von besonderen Verlusten/Gewinnen (siehe CSV-Datei).

Wie wurde es gemacht?

Welche Methodik wird angewandt?
Für diesen Showcase wird der Datensatz Parlamentarier:innen seit 1918 verwendet.

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

Name

Parlaments-ID (PAD)

Zahl der Mandate/Funktionen

Mandatsdauer (Start- und Enddatum)

Klub

Alle diese Informationen werden in einem Datensatz zusammengefasst, der pro Person und Mandatsdauer innerhalb einer Gesetzgebungsperiode eine Zeile hat.

Alle politischen Mandate, die sich nicht auf ein Mandat im Nationalrat beziehen, werden eliminiert (z. B. Bundesministerin, Volksanwalt, Mitglied des Bundesrats, …).

Es werden alle Mandate vor 1945 entfernt. Aktive Mandate erhalten als Enddatum das Datum der Abfrage.

Auch Mandate mit Mandatsdauer von einem Tag werden für Analysezwecke ausgeschlossen (also nur das betreffende Ein-Tages-Mandat).

Danach werden neue Variablen im Datensatz erstellt, die anzeigen, ob die Mandatsdauer mit einem Start- bzw. Enddatum einer Gesetzgebungsperiode übereinstimmt (das passiert für die V. bis XXVII. GP je einmal für Beginn und Ende).

Aus diesen Variablen lässt sich für jeden GP-Wechsel ermitteln, ob ein Mandat am Ende einer GP und zu Beginn der nächstfolgenden GP vorhanden war (z. B. Ende der V. GP gekreuzt mit Beginn der VI. GP usw.).

Für eine Auswertung nach Klub geht man genauso vor, schränkt aber die Auswertung auf Abgeordnete eines bestimmten Klubs ein.
Wie sieht das R-Script aus?

########################################################
### Open Data Kooperation: univie & Parlament ##########
### Showcase 1: Wiederwahl von NR-Abgeordneten #########
### Code: Laurenz Ennser-Jedenastik & Isabel Kiani #####
### Herbst 2022 ########################################
########################################################

### empty environment
rm(list = ls())

#load packages
## ACHTUNG: Wenn packages noch nicht installiert sind, dies bitte mit install.packages(package) vorher installieren
library(httr)
library(jsonlite)
library(RJSONIO)
library(RCurl)
library(httr2)
library(purrr)
library(tidyr)
library(dplyr)
library(tibble)
library(rjson)

#Arbeitsumgebung für das Script und Speicherung von Ergebnissen des API-Calls
setwd("")

#Definition von API-URI und Body des API-Calls
req_sc1 <- request("https://www.parlament.gv.at/Filter/api/json/post?jsMode=EVAL&FBEZ=WFW_008&listeId=10008&pageNumber=-1")

t1 <- req_sc1 %>%
req_body_json(list(NRBR="NR", R_WF="FR", M="M", W="W", GP="ALLE"), auto_unbox = FALSE) %>% # Body API Call
req_perform()

df1 <- t1 %>% resp_body_json()

#Loop zur Umwandlung von relativen Links aus den Ergebnislisten des API-Calls (Filter) zu absoluten Links
nrows1 <- length(df1$rows)
vorne <- "https://www.parlament.gv.at"
hinten <- "?json=true"
all.urls <- rep("", nrows1)
all.pads <- rep(NA, nrows1)
for (i in 1:nrows1) {
all.urls[i] <- paste0(vorne, df1[["rows"]][[i]][[9]], hinten)
}

for (i in 1:nrows1) {
all.pads[i] <- df1[["rows"]][[i]][[1]]
}

#Schreibt Ergebnisliste des API-Calls (Filter) in File in WorkingDirectory [OPTIONAL]
#dfjson <- toJSON(df1)
#write(dfjson, file="showcase1_filterliste.json")

#definiere Workindirectory für die Detaildaten - zwingend notwending um Daten wieder einzulesen
setwd("")

# get JSON-Content von Detaildaten zu Abgeordneten
for (i in 1:nrows1){

download.file(all.urls[i], destfile = paste0("person_", all.pads[i], ".json"))
}

#############################
# END OF DATA COLLECTION #
#############################
#-------------------------------------
#############################
# START OF DATA ANALYSIS #
#############################

### Environment leeren
rm(list = ls())

### Notwendige Packages installieren bzw. laden
necessary.packages <- c("rjson")
new.packages <- necessary.packages[!(necessary.packages %in% installed.packages()[,"Package"])]
if(length(new.packages)) install.packages(new.packages)
library(rjson)
library(stringr)

### Liste aller Files im Arbeitsverzeichnis erstellen
files.in.dir <- list.files(getwd(""))

### Dataframe df01 erstellen (1 Zeile pro Person)
df01 <- as.data.frame(rep(NA, length(files.in.dir)))

### Loop zum Zählen der Mandate pro Person (1 Mandat = 1 Periode in einem öffentlichen Amt zB. Abgeordnete:r, Minister:in ...)
names(df01)[1] <- "nofm"
for (i in 1:length(files.in.dir)) {
getfile <- fromJSON(file = files.in.dir[i]) # JSON-File einlesen
df01$nofm[i] <- length(getfile$content$biografie$mandatefunktionen$mandate) # Anzahl der Mandate anhand der Länge der Mandatsvariable einlesen
}

### Loop zum Erstellen von IDs & Namen pro Zeile
df01$id <- NA
df01$name <- NA
for (i in which(df01$nofm >= 1)) {
getfile <- fromJSON(file = files.in.dir[i])
df01$id[i] <- getfile$content$personInfo$pad_intern # ID von Nationalratsabgeordnetem/r
df01$name[i] <- getfile$meta$title # Name von Nationalratsabgeordnetem/r
}

### Weitere Dataframes erstellen
df02 <- df01; df03 <- df01; df04 <- df01; df05 <- df01; df06 <- df01; df07 <- df01
df08 <- df01; df09 <- df01; df10 <- df01; df11 <- df01; df12 <- df01; df13 <- df01; df14 <- df01

### Liste von Dataframes erstellen
dflist <- list(df01, df02, df03, df04, df05, df06, df07, df08, df09, df10, df11, df12, df13, df14)

### Doppelter Loop: über Dataframes (j) & Zeilen in den Dataframes (i)
# zur Ermittlung von Mandaten, Zeitspannen, Startdatum, Enddatum, Klubzugehörigkeit
for (j in 1:length(dflist)) {
dflist[[j]]$mandate <- NA # leere Mandatsvariable erstellen
dflist[[j]]$zeitspanne <- NA # leere Zeitspannenvariable erstellen
for (i in which(dflist[[j]]$nofm >= j)) {
getfile <- fromJSON(file = files.in.dir[i])
dflist[[j]]$mandate[i] <- getfile$content$biografie$mandatefunktionen$mandate[[j]][1]$bez # Mandatsvariable befüllen
dflist[[j]]$zeitspanne[i] <- getfile$content$biografie$mandatefunktionen$mandate[[j]]$zeitraum # Zeitspannenvariable befüllen
}
dflist[[j]]$start <- as.Date(substr(dflist[[j]]$zeitspanne, 1, 10), "%d.%m.%Y") # Startdatum
dflist[[j]]$ende <- as.Date(substr(dflist[[j]]$zeitspanne, 12, 21), "%d.%m.%Y") # Enddatum
dflist[[j]]$comma.pos <- regexpr(",", dflist[[j]]$mandate) # Ermittlung der Kommastelle zur Identifikation der Fraktionsbezeichnung
dflist[[j]]$klub <- substr(dflist[[j]]$mandate, dflist[[j]]$comma.pos+2, nchar(dflist[[j]]$mandate)) # Klubzugehörigkeit durch Einspielen der Fraktionsbezeichnung aus dem vorhergehenden Schritt
dflist[[j]] <- dflist[[j]][, -which(names(dflist[[j]])=="comma.pos")] # Hilfsvariable für Kommastellenermittlung aus finalem Dataframe wieder entfernen
}

### Dataframes aus dflist in einen übergreifenden Dataframe zusammenfassen
df.all <- rbind(dflist[[1]], dflist[[2]], dflist[[3]], dflist[[4]], dflist[[5]], dflist[[6]], dflist[[7]],
dflist[[8]], dflist[[9]], dflist[[10]], dflist[[11]], dflist[[12]], dflist[[13]], dflist[[14]])

# check:
head(df.all, 10)

### Alle Zeilen in df.all ohne Mandatsinformation entfernen
df.all <- df.all[!is.na(df.all$mandate), ]
nrow(df.all)

### Alle Zeilen in df.all entfernen, in denen das Mandat kein Nationalratsmandat ist (d.h. Bundesminister:innen, StSek, Bundesrät:innen, ...)
df.all$is.nrabg <- ifelse(regexpr("Abgeordnet", df.all$mandate)==-1, 0, 1) # Wenn der String "Abgeordner" nicht in der Mandatsvariable enthalten ist, dann mit 0 kodieren, wenn schon dann mit 1
df.all <- df.all[df.all$is.nrabg==1, ] # Nur Personen, die im vorhergehenden Schritt mit 1 kodiert werden (= NR-Abg.) im Dataframe inkludieren
df.all <- df.all[, -which(names(df.all)=="is.nrabg")] # Hilfsvariable für Ermittlung der Nationalratsabgeordneten aus finalem Datatframe wieder entfernen

### Alle Zeilen in df.all mit Startdatum vor dem 19.12.1945 entfernen (= Start der V. Legislaturperiode)
df.all <- df.all[df.all$start >= as.Date("19.12.1945", "%d.%m.%Y"), ]

### NA im Enddatum von derzeit aktiven Mitgliedern durch heutiges Datum ersetzen
df.all$ende[is.na(df.all$ende)] <- format(Sys.Date(), "%Y-%m-%d")

### Abgeordnete, die nur einen Tag im Amt sind, eliminieren
df.all$eintag <- 1
df.all$eintag[grep("-", df.all$zeitspanne)] <- 0 # Beobachtungen ohne "-" in der Zeitspannen-Variable finden (i.e. Abgeordnete für nur 1 Tag)
df.all <- df.all[df.all$eintag==0, ] # nur Abgeordnete, die mehr als nur einen Tag im Amt waren, im Dataframe inkludieren (?)

### Manuelle Korrektur: Mandatsperiode für 2 FP-Abgeordnete (IDs: 1803, 2866) um 1 Tag verkürzen (sind analog wie im vorherigen Schritt zu behandeln):
df.all$ende[df.all$id==1803 & substr(df.all$ende, 1, 4)=="1996"] <- df.all$ende[df.all$id==1803 & substr(df.all$ende, 1, 4)=="1996"] - 1
df.all$ende[df.all$id==2866 & substr(df.all$ende, 1, 4)=="1996"] <- df.all$ende[df.all$id==2866 & substr(df.all$ende, 1, 4)=="1996"] - 1

### Zweifach gezählte Abgeordnete eliminieren (KP-Abg. die ebenso mit "LB" als Klubzugehörigkeit gelistet werden)
df.all <- df.all[df.all$klub!="LB", ]

### df.all nach ID und Mandatnummer sortieren
df.all <- df.all[order(df.all$id, df.all$start), ]

### Klub-Variable aggregieren:
df.all$klub.agg <- ""
df.all$klub.agg[df.all$klub=="SPÖ"] <- "SP"
df.all$klub.agg[df.all$klub=="ÖVP"] <- "VP"
df.all$klub.agg[df.all$klub=="GRÜNE"] <- "GR"
df.all$klub.agg[df.all$klub=="BZÖ"] <- "FP"
df.all$klub.agg[df.all$klub=="F"] <- "FP"
df.all$klub.agg[df.all$klub=="F-BZÖ"] <- "FP"
df.all$klub.agg[df.all$klub=="FPÖ"] <- "FP"
df.all$klub.agg[df.all$klub=="WdU"] <- "FP"
df.all$klub.agg[df.all$klub=="VO"] <- "KP"
df.all$klub.agg[df.all$klub=="LB"] <- "KP"
df.all$klub.agg[df.all$klub=="KuL"] <- "KP"
df.all$klub.agg[df.all$klub=="KPÖ"] <- "KP"
df.all$klub.agg[df.all$klub=="NEOS-LIF"] <- "NEOS"
df.all$klub.agg[df.all$klub=="NEOS"] <- "NEOS"
df.all$klub.agg[df.all$klub=="JETZT"] <- "PILZ"
df.all$klub.agg[df.all$klub=="PILZ"] <- "PILZ"
df.all$klub.agg[df.all$klub=="STRONACH"] <- "STRONACH"
df.all$klub.agg[df.all$klub=="L"] <- "LF"
df.all$klub.agg[df.all$klub=="ohne Klubzugehörigkeit"] <- "ohne"

### Referenzdaten für Start und Ende der Legislaturperioden definieren
stichtag_start <- as.Date(c("09.11.1949", "19.03.1953", "09.06.1956", "10.06.1959", "15.12.1962", "31.03.1966", # Vektor mit allen Startdaten erstellen:
"01.04.1970", "05.11.1971", "05.11.1975", "05.06.1979", "19.05.1983", "17.12.1986",
"05.11.1990", "07.11.1994", "15.01.1996", "29.10.1999", "20.12.2002", "30.10.2006",
"28.10.2008", "29.10.2013", "09.11.2017", "23.10.2019"), "%d.%m.%Y")
stichtag_ende <- as.Date(c("07.11.1949", "17.03.1953", "07.06.1956", "08.06.1959", "13.12.1962", "29.03.1966", # Vektor mit allen Enddaten erstellen
"30.03.1970", "03.11.1971", "03.11.1975", "03.06.1979", "18.05.1983", "16.12.1986",
"04.11.1990", "06.11.1994", "14.01.1996", "28.10.1999", "19.12.2002", "29.10.2006",
"27.10.2008", "28.10.2013", "08.11.2017", "22.10.2019"), "%d.%m.%Y")

### Namen der Legislaturperioden in einem Vektor zusammenfassen
GPs <- c("GP05", "GP06", "GP07", "GP08", "GP09", "GP10", "GP11", "GP12", "GP13", "GP14","GP15", "GP16", "GP17",
"GP18", "GP19", "GP20", "GP21", "GP22", "GP23", "GP24", "GP25", "GP26", "GP27")

### startGPxx & endeGPxx Variablen generieren, um Abgeordnete zu identifizieren, die zu Stichtagen am Start/Ende der Legislaturperiode anwesend waren
# Ende der Legislaturperiode:
for (i in 1:(length(GPs)-1)) {
df.all$newvar <- NA # leere Variable erstellen
names(df.all)[which(names(df.all)=="newvar")] <- paste("ende", GPs[i], sep="") # Bezeichnung der neuen Variable aus "ende" und zugehöriger Gesetzgebungsperiodennummer zusammensetzen
df.all[, which(names(df.all)==paste("ende", GPs[i], sep=""))] <- ifelse(df.all$ende < stichtag_ende[i] | df.all$start > stichtag_ende[i], 0, 1) # Wenn Abgeordnete:r vor dem Endstichtag aufgehört hat oder erst nach dem Endstichtag begonnen hat, dann mit 0 kennzeichnen sonst mit 1 -> zeigt, welche Abgeordneten am Ende der jeweiligen Gesetzgebungsperiode im Amt waren
}
# Start der Legislaturperiode:
for (i in 2:length(GPs)) {
df.all$newvar <- NA # leere Variable erstellen
names(df.all)[which(names(df.all)=="newvar")] <- paste("start", GPs[i], sep="") # Bezeichnung der neuen Variable aus "start" und zugehöriger Gesetzgebungsperiodennummer zusammensetzen
df.all[, which(names(df.all)==paste("start", GPs[i], sep=""))] <- ifelse(df.all$ende < stichtag_start[i-1] | df.all$start > stichtag_start[i-1], 0, 1) # Wenn Abgeordnete:r vor dem Startstichtag der vorhergehenden Gesetzgebungsperiode aufgehört hat oder nach dem Startstichtag der vorhergehenden Gesetzegbungsgperiode begonnen hat, dann mit 0 kennzeichnen sonst mit 1 -> zeigt, welche Abgeordneten zu Beginn der jeweiligen Gesetzgebungperiode im Amt waren
}

### Dataframe mit wiedergewählten & neuen Abgeordneten für jedes Startjahr einer Legislaturperiode erstellen
jahre <- as.numeric(substr(stichtag_start, 1, 4)) # Jahreszahl aus dem stichtag_start Vektor isolieren (?)
df.jahre <- data.frame(jahre) # Dataframe mit den Jahren erstellen
df.jahre$gp <- 6:27 # jeweilige Gesetzgebungsperiode Nummer zwischen GP06 und GP27 zuordnen
df.jahre$gp.roman <- as.roman(df.jahre$gp) # Nummer der Gesetzgebungsperode in römischen Zahlen darstellen
df.jahre$wiedergew <- 0 # leere Variable für wiedergewählte Abgeordnete erstellen
df.jahre$neu <- 0 # leere Variable für neue Abgeodnete erstellen

### Dataframe mit Anzahl an wiedergewählten und neugewählten Abgeordneten befüllen
for (i in 1:nrow(df.jahre)) {
df.jahre[i, c(which(names(df.jahre)=="wiedergew"), which(names(df.jahre)=="neu"))] <- table(df.all[[paste("ende", GPs[i], sep="")]], df.all[[paste("start", GPs[i+1], sep="")]])[4:3] # Aus der Kreuztabelle zwischen Abgeordneten am Ende und Start aufeinanderfolgender Gesetzgebungsperioden Ergebnis an vierter Stelle (= anwesend in beiden Gesetzgebungsperioden daher wiedergewählt) und Ergebnis an dritter Stelle (anwesend in nachfolgender Gesetzegbungsperiode aber nicht in vorhergehender, daher neu) in Dataframe einlesen
}

### Gesamtanzahl an Abgeordneten als check berechnen (sollten 165 bis 1970, 183 bis 1971 sein)
df.jahre$checksum <- df.jahre$wiedergew + df.jahre$neu

#####################
### AUSWERTUNGEN: ###
#####################

#Definiere WorkingDirectory für das Abspeichern von Grafiken [OPTIONAL]
#setwd("")

### GRAFIK: wiedergewählte und neu gewählte Abgeordnete zu Beginn jeder GP seit 1945
jpeg("SC1_grafik1.jpg", height = 10, width = 18, units = "cm", res=600)
par(mar=c(4, 10, 4, 2))
b1 <- barplot(c(121, 62), las=1, xlab="Abgeordnete",
col = c("indianred1", "darkseagreen3"), border = "white", font.main=1, beside = FALSE, horiz = TRUE,
main="Wiedergewählte (rot) und neu gewählte (grün) Abgeordnete\nzu Beginn jeder Gesetzgebungsperiode",
names.arg = c("Wiedergewählte Abg.", "Neue Abg."))
text(df.jahre$wiedergew[22] / 2, b1[1], df.jahre$wiedergew[22], cex=0.8)
text(df.jahre$neu[22] / 2, b1[2], df.jahre$neu[22], cex=0.8)
dev.off()

### GRAFIK: wiedergewählte und neu gewählte Abgeordnete zu Beginn jeder GP seit 1945
jpeg("SC1_grafik2.jpg", height = 14, width = 18, units = "cm", res=600)
b1 <- barplot(as.matrix(t(df.jahre[, c(4, 5)])), names.arg = df.jahre$jahre, las=2, ylim=c(0, 200), ylab="Abgeordnete",
col = c("indianred1", "darkseagreen3"), border = "white", font.main=1,
main="Wiedergewählte (rot) und neu gewählte (grün) Abgeordnete\nzu Beginn jeder Gesetzgebungsperiode")
text(b1, df.jahre$wiedergew / 2, df.jahre$wiedergew, cex=0.8)
text(b1, df.jahre$wiedergew + df.jahre$neu / 2, df.jahre$neu, cex=0.8)
mtext("NB: 1971 erfolgte eine Erhöhung der Mandatszahl von 165 auf 183.", 1, 4, cex=0.75)
dev.off()

### TABELLE exportieren:
write.table(df.jahre, "export_showcase1.csv", sep=";")

### Auswahl von 6 Fällen:
# Drei höchste Mandatsgewinne seit 1945: ÖVP 2002 (+ 27), ÖVP 2017 (+15), FPÖ 1990 (+15)
# Drei höchste Mandatsverluste seit 1945: ÖVP 1990 (-17), FPÖ 2019 (-20), FPÖ 2002 (-27)
# 1990 = Wechsel von GP17 auf GP18
# 2002 = Wechsel von GP21 auf GP22
# 2017 = Wechsel von GP25 auf GP26
# 2019 = Wechsel von GP26 auf GP27

# dataframe für alle 6 Fälle kreieren:
df.6cases <- data.frame(case = c("ÖVP 2002", "ÖVP 2017", "FPÖ 1990", "ÖVP 1990", "FPÖ 2019", "FPÖ 2002"))
df.6cases$mandatsplusminus <- c("+27 Mandate", "+15 Mandate", "+15 Mandate", "-17 Mandate", "-20 Mandate", "-27 Mandate")
df.6cases$wiedergew <- NA
df.6cases$neu <- NA

# wiedergewählte Abgeordnete ermitteln:
df.6cases$wiedergew[1] <- table(df.all$endeGP21[df.all$klub.agg=="VP"], df.all$startGP22[df.all$klub.agg=="VP"])[2, 2]
df.6cases$wiedergew[2] <- table(df.all$endeGP25[df.all$klub.agg=="VP"], df.all$startGP26[df.all$klub.agg=="VP"])[2, 2]
df.6cases$wiedergew[3] <- table(df.all$endeGP17[df.all$klub.agg=="FP"], df.all$startGP18[df.all$klub.agg=="FP"])[2, 2]
df.6cases$wiedergew[4] <- table(df.all$endeGP17[df.all$klub.agg=="VP"], df.all$startGP18[df.all$klub.agg=="VP"])[2, 2]
df.6cases$wiedergew[5] <- table(df.all$endeGP26[df.all$klub.agg=="FP"], df.all$startGP27[df.all$klub.agg=="FP"])[2, 2]
df.6cases$wiedergew[6] <- table(df.all$endeGP21[df.all$klub.agg=="FP"], df.all$startGP22[df.all$klub.agg=="FP"])[2, 2]

# neu gewählte Abgeordnete ermitteln:
df.6cases$neu[1] <- table(df.all$endeGP21[df.all$klub.agg=="VP"], df.all$startGP22[df.all$klub.agg=="VP"])[1, 2]
df.6cases$neu[2] <- table(df.all$endeGP25[df.all$klub.agg=="VP"], df.all$startGP26[df.all$klub.agg=="VP"])[1, 2]
df.6cases$neu[3] <- table(df.all$endeGP17[df.all$klub.agg=="FP"], df.all$startGP18[df.all$klub.agg=="FP"])[1, 2]
df.6cases$neu[4] <- table(df.all$endeGP17[df.all$klub.agg=="VP"], df.all$startGP18[df.all$klub.agg=="VP"])[1, 2]
df.6cases$neu[5] <- table(df.all$endeGP26[df.all$klub.agg=="FP"], df.all$startGP27[df.all$klub.agg=="FP"])[1, 2]
df.6cases$neu[6] <- table(df.all$endeGP21[df.all$klub.agg=="FP"], df.all$startGP22[df.all$klub.agg=="FP"])[1, 2]

### GRAFIK: wiedergewählte und neu gewählte Abgeordnete in 6 Fällen mit hohen Mandatsgewinnen bzw. -verlusten
jpeg("SC1_grafik3.jpg", height = 12, width = 20, units = "cm", res=600)
b2 <- barplot(t(as.matrix(df.6cases[, 3:4])), space = c(0, 0, 1, 0, 1, 0, 3, 0, 1, 0, 1, 0), beside = T, col = c("indianred1", "darkseagreen3"), border="white",
main="Wiedergewählte (rot) und neu gewählte (grün) Abgeordnete\nin 6 Fällen mit starken Mandatsgewinnen bzw. -verlusten",
names.arg = df.6cases$case, las=1)
text(b2[1, ], df.6cases$wiedergew / 2, df.6cases$wiedergew)
text(b2[2, ], df.6cases$neu / 2, df.6cases$neu)
axis(1, at=colMeans(b2), labels = df.6cases$mandatsplusminus, lwd=0, line = 1, cex.axis=0.8)
dev.off()

### Tabelle zur Grafik exportieren:
write.table(df.6cases, "export_showcase1_6faelle.csv", sep=";")

Wie verändert sich die Zusammensetzung des National­rats?

Personeller Wechsel im National­rat

Wie verändert sich der personelle Wechsel über die Zeit?

Wie schlagen sich Wahlgewinne und -verluste nieder?

Wie wurde es gemacht?

Welche Methodik wird angewandt?

Wie sieht das R-Script aus?

Wie verändert sich die Zusammensetzung des Nationalrats?

Personeller Wechsel im Nationalrat