Wird Redezeit gleich auf Männer und Frauen verteilt?

Geschlecht und Redezeit im Nationalrat: Wer gewählt ist, kommt auch zu Wort

2022 hat der Anteil an weiblichen Abgeordneten im österreichischen Nationalrat erstmals die 40-Prozent-Marke überschritten. Spiegelt sich das Geschlechterverhältnis auch in der Verteilung der Redezeit auf Männer und Frauen wider?

Um das zu untersuchen, wird das numerische Geschlechterverhältnis im Nationalrat verglichen – das ist die Anzahl von männlichen und weiblichen Abgeordneten – mit der Verteilung der Redezeit auf Männer und Frauen. Da sich die Zusammensetzung des Nationalrats laufend ändert, ist auch das Geschlechterverhältnis nicht auf Dauer fixiert. Um diese Schwankungen zu berücksichtigen, erheben wir den Frauenanteil im Nationalrat an allen Monatsersten im Beobachtungszeitraum. Wir ermitteln also die Anteile männlicher Abgeordneter und weiblicher Abgeordneten am 1. September 1996, am 1. Oktober 1996 usw. bis zum 1. Juli 2021 und berechnen damit Mittelwerte für die jeweiligen Auswertungszeiträume. Für dieselben Zeiträume summieren wir die Redezeit auf und berechnen, welcher Anteil auf männliche bzw. weibliche Abgeordnete entfällt.

Über die Parlaments-API werden alle Daten zu Plenarsitzungen des Nationalrats und Daten zu Abgeordneten zum Nationalrat als JSON-Files eingelesen.

Aus jedem JSON-File einer Sitzungsseite bzw. Personenseite werden dann für die Analyse relevante Informationen in einen Dataframe eingelesen. Dabei wird die hierarchische Datenstruktur (jede Sitzung beinhaltet mehrere Debatten, jede Debatte beinhaltet mehrere Reden) berücksichtigt:

Titel und Nummer der Plenarsitzung
ID und Art der Debatte
ID, Name, Geschlecht, Klub und Wortmeldungsart
Beginn und Ende der Rede

Im Reden-Dataframe wird die Sitzungsperiode der jeweiligen Rede identifiziert.
Ein Dataframe mit allen Monatsersten wird für den Zeitraum September 1996 bis Juli 2022 erstellt. Für jeden dieser Zeitpunkte wird die Anzahl der weiblichen und männlichen Abgeordneten insgesamt und pro Klub ermittelt.
Ein weiterer Dataframe (eine Zeile pro Auswertungszeitraum "Sitzungsperiode") wird erstellt, der die Redezeiten weiblicher und männlicher Abgeordneter und die Anteile männlicher und weiblicher Abgeordneten erfasst.
Auf diesem Dataframe basierend, können Grafiken zur Redezeitverteilung und Präsenz der Abgeordneten nach Geschlecht, sowohl insgesamt als auch pro Klub, erstellt werden.

########################################################
### Open Data Kooperation: univie & Parlament ##########
### Showcase 3: Redezeit nach Geschlecht ###############
### code by Laurenz Ennser-Jedenastik & Isabel Kiani ###
### Herbst 2022 ########################################
########################################################

#empty environment
rm(list = ls())

#load packages
##ACHTUNG: Wenn packages noch nicht installiert, diese 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 der Ergebnisse der Sitzungen des Nationalrats definieren
##ACHTUNG: Script ist so aufgebaut, dass es Daten zu Sitzungen und Daten zu Mandatar:innen aus verschiedenen Ordnern ausliest, die jeweils keine Unterordner haben dürfen!

#Sitzungen werden pro Gesetzgebungsperiode ausgelesen, da API zu Sitzungen keine Kombination von Gesetzgebugnsperioden zulässt.

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

#########
# XX #
#########
#Definition von API-URI und Body des API-Calls - API-URI ist für alle Abfragen von Sitzungen gleich
req <- request("https://www.parlament.gv.at/Filter/api/json/post?jsMode=EVAL&FBEZ=WFP_007&listeId=11070&showAll=true")
t1 <-
req %>%
req_body_raw('{"MODUS":["PLENAR"],"NRBRBV":["NR"], "GP":["XX"]}') %>%
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(NA, nrows1)
all.GPs <- rep(NA, nrows1)
all.numbers <- rep(NA, nrows1)
all.VHG <- rep(NA, nrows1)

for (i in 1:nrows1) {
all.urls[i] <- paste0(vorne, df1[["rows"]][[i]][[9]], hinten)
}

for (i in 1:nrows1) {
all.GPs[i] <- df1[["rows"]][[i]][[4]]
all.numbers[i] <- df1[["rows"]][[i]][[6]]
all.VHG[i] <- df1[["rows"]][[i]][[5]]
}

# get JSON-Content von Geschichtsseiten der Sitzungen
for (i in 1:nrows1){

download.file(all.urls[i], destfile = paste0(all.VHG[i], "_", all.GPs[i], "_", all.numbers[i],".json"))
}

##################
# XXI #
##################

#Definition Body des API-Calls
t1 <-
req %>%
req_body_raw('{"MODUS":["PLENAR"],"NRBRBV":["NR"], "GP":["XXI"]}') %>%
req_perform()

df1 <- t1 %>% resp_body_json()

for (i in 1:nrows1) {
all.urls[i] <- paste0(vorne, df1[["rows"]][[i]][[9]], hinten)
}

for (i in 1:nrows1) {
all.GPs[i] <- df1[["rows"]][[i]][[4]]
all.numbers[i] <- df1[["rows"]][[i]][[6]]
all.VHG[i] <- df1[["rows"]][[i]][[5]]
}

#get JSON-Content von Geschichtsseiten der Sitzungen
for (i in 1:nrows1){

download.file(all.urls[i], destfile = paste0(all.VHG[i], "_", all.GPs[i], "_", all.numbers[i],".json"))
}

##################
# XXII #
##################

#Definition von Body des API-Calls
t1 <-
req %>%
req_body_raw('{"MODUS":["PLENAR"],"NRBRBV":["NR"], "GP":["XXII"]}') %>%
req_perform()

df1 <- t1 %>% resp_body_json()

for (i in 1:nrows1) {
all.urls[i] <- paste0(vorne, df1[["rows"]][[i]][[9]], hinten)
}

for (i in 1:nrows1) {
all.GPs[i] <- df1[["rows"]][[i]][[4]]
all.numbers[i] <- df1[["rows"]][[i]][[6]]
all.VHG[i] <- df1[["rows"]][[i]][[5]]
}

#get JSON-Content von Geschichtsseiten der Sitzungen
for (i in 1:nrows1){

download.file(all.urls[i], destfile = paste0(all.VHG[i], "_", all.GPs[i], "_", all.numbers[i],".json"))
}

##################
# XXIII #
##################

#Definition von Body des API-Calls
t1 <-
req %>%
req_body_raw('{"MODUS":["PLENAR"],"NRBRBV":["NR"], "GP":["XXIII"]}') %>%
req_perform()

df1 <- t1 %>% resp_body_json()

for (i in 1:nrows1) {
all.urls[i] <- paste0(vorne, df1[["rows"]][[i]][[9]], hinten)
}

for (i in 1:nrows1) {
all.GPs[i] <- df1[["rows"]][[i]][[4]]
all.numbers[i] <- df1[["rows"]][[i]][[6]]
all.VHG[i] <- df1[["rows"]][[i]][[5]]
}

#get JSON-Content von Geschichtsseiten der Sitzungen
for (i in 1:nrows1){

download.file(all.urls[i], destfile = paste0(all.VHG[i], "_", all.GPs[i], "_", all.numbers[i],".json"))
}

##################
# XXIV #
##################

#Definition von Body des API-Calls
t1 <-
req %>%
req_body_raw('{"MODUS":["PLENAR"],"NRBRBV":["NR"], "GP":["XXIV"]}') %>%
req_perform()

df1 <- t1 %>% resp_body_json()

for (i in 1:nrows1) {
all.urls[i] <- paste0(vorne, df1[["rows"]][[i]][[9]], hinten)
}

for (i in 1:nrows1) {
all.GPs[i] <- df1[["rows"]][[i]][[4]]
all.numbers[i] <- df1[["rows"]][[i]][[6]]
all.VHG[i] <- df1[["rows"]][[i]][[5]]
}

#get JSON-Content von Geschichtsseiten der Sitzungen
for (i in 1:nrows1){

download.file(all.urls[i], destfile = paste0(all.VHG[i], "_", all.GPs[i], "_", all.numbers[i],".json"))
}

##################
# XXV #
##################

#Definition von Body des API-Calls
t1 <-
req %>%
req_auth_basic(username = "shofer") %>%
req_body_raw('{"MODUS":["PLENAR"],"NRBRBV":["NR"], "GP":["XXV"]}') %>%
req_perform()

df1 <- t1 %>% resp_body_json()

for (i in 1:nrows1) {
all.urls[i] <- paste0(vorne, df1[["rows"]][[i]][[9]], hinten)
}

for (i in 1:nrows1) {
all.GPs[i] <- df1[["rows"]][[i]][[4]]
all.numbers[i] <- df1[["rows"]][[i]][[6]]
all.VHG[i] <- df1[["rows"]][[i]][[5]]
}

#get JSON-Content von Geschichtsseiten der Sitzungen
for (i in 1:nrows1){

download.file(all.urls[i], destfile = paste0(all.VHG[i], "_", all.GPs[i], "_", all.numbers[i],".json"))
}

##################
# XXVI #
##################
#Definition von Body des API-Calls
t1 <-
req %>%
req_body_raw('{"MODUS":["PLENAR"],"NRBRBV":["NR"], "GP":["XXVI"]}') %>%
req_perform()

df1 <- t1 %>% resp_body_json()

for (i in 1:nrows1) {
all.urls[i] <- paste0(vorne, df1[["rows"]][[i]][[9]], hinten)
}

for (i in 1:nrows1) {
all.GPs[i] <- df1[["rows"]][[i]][[4]]
all.numbers[i] <- df1[["rows"]][[i]][[6]]
all.VHG[i] <- df1[["rows"]][[i]][[5]]
}

#get JSON-Content von Geschichtsseiten der Sitzungen
for (i in 1:nrows1){

download.file(all.urls[i], destfile = paste0(all.VHG[i], "_", all.GPs[i], "_", all.numbers[i],".json"))
}

##################
# XXVII #
##################

#Definition von Body des API-Calls
t1 <-
req %>%
req_body_raw('{"MODUS":["PLENAR"],"NRBRBV":["NR"], "GP":["XXVII"]}') %>%
req_perform()

df1 <- t1 %>% resp_body_json()

for (i in 1:nrows1) {
all.urls[i] <- paste0(vorne, df1[["rows"]][[i]][[9]], hinten)
}

for (i in 1:nrows1) {
all.GPs[i] <- df1[["rows"]][[i]][[4]]
all.numbers[i] <- df1[["rows"]][[i]][[6]]
all.VHG[i] <- df1[["rows"]][[i]][[5]]
}

#get JSON-Content von Geschichtsseiten der Sitzungen
for (i in 1:nrows1){

download.file(all.urls[i], destfile = paste0(all.VHG[i], "_", all.GPs[i], "_", all.numbers[i],".json"))
}

#################
#Personenabfrage#
#################
#Personen müssen in eigener WorkingDirectory (Ordner) gespeichert werden, der keine Unterordner haben darf

#Definiere WorkingDirectory für Personendaten (darf aufgrund des Aufbaus des Scripts keine Unterordner haben und darf ausschließlich Personendaten enthalten)
setwd("")

#Definiere API-URI und Body des API-Calls (beim Filter/API "Parlamentarier:innen ab 1918 ist Abfrage über alle GP mit GP="ALLE" möglich)
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]]
}

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

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

#########################
# Abschluss Data Mining #
#########################
#------------------------------
#########################
# Beginn Datenanalyse #
#########################

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

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

### Arbeitsverzeichnis setzen, in dem die Geschichtsseiten der Sitzungen gespeichert wurden
setwd("")

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

### Loop zum Erzeugen eines Dataframes: Sitzung x Debatte x Rede
df.reden <- data.frame()
for (h in 1:nfiles) {
file <- fromJSON(file = files.in.dir[h]) # JSON-File einlesen
for (i in 1:length(file$content[[2]]$past_debates)) {
df.debatte <- data.frame(gp = rep(file$content[[1]]$gp_code, length(file$content[[2]]$past_debates[[i]]$speeches)))
df.debatte$titel <- rep(file$content[[2]]$past_debates[[i]]$text, length(file$content[[2]]$past_debates[[i]]$speeches)) # Bezeichnung der Rede
df.debatte$sitzungsnr <- rep(file$content[[1]]$inr, length(file$content[[2]]$past_debates[[i]]$speeches)) # Sitzungsnummer
df.debatte$deb.id <- rep(file$content[[2]]$past_debates[[i]]$id, length(file$content[[2]]$past_debates[[i]]$speeches)) # ID der Debatte
df.debatte$deb.typ <- rep(file$content[[2]]$past_debates[[i]]$type, length(file$content[[2]]$past_debates[[i]]$speeches)) # Typ der Debatte (z.B. Dringliche Anfrage, Kurzdebatte, Normaldebatte etc.)
if (nrow(df.debatte) > 0) {
for (j in 1:nrow(df.debatte)) {
df.debatte$redenr[j] <- file$content[[2]]$past_debates[[i]]$speeches[[j]][1][[1]] # Nummer der Rede in Debatte
df.debatte$parlid[j] <- file$content[[2]]$past_debates[[i]]$speeches[[j]][4][[1]] # ID von Redner:in
df.debatte$name[j] <- file$content[[2]]$past_debates[[i]]$speeches[[j]][3][[1]] # Name von Redner:in
df.debatte$rolle[j] <- file$content[[2]]$past_debates[[i]]$speeches[[j]][6][[1]] # Rolle von Redner:in
df.debatte$startzeit[j] <- file$content[[2]]$past_debates[[i]]$starttime # Startzeit
if (!is.null(file$content[[2]]$past_debates[[i]]$speeches[[j]][8][[1]])) {
m <- file$content[[2]]$past_debates[[i]]$speeches[[j]][8][[1]] # Wenn vorhanden, auf Daten der spezifischen Rede zugreifen
} else {
m <- "00:00" # Wenn keine Daten vorhanden, dann als "00:00" bezeichnen
}
df.debatte$redezeit[j] <- (as.numeric(strsplit(m, ":")[[1]])[1]*60 + as.numeric(strsplit(m, ":")[[1]])[2]) / 60 # Redezeit in Rückgriff auf im vorherigen Schritt definiertes "m" berechnen

}
df.reden <- rbind(df.reden, df.debatte) #Beide Dataframes in einen übergreifenden zusammenfügen
}
}
}

### Erste Zeilen des Dataframes überprüfen:
head(df.reden, 10)

### Erzeuge Fraktionsvariable aus Namen
df.reden$fraktion <- str_sub(df.reden$name, -2, -2)

### Erzeuge GP- + Sitzung-Variable
df.reden$gp_sitzung <- paste(as.numeric(as.roman(df.reden$gp)), df.reden$sitzungsnr, sep="_")

### Erzeuge Datumsvariable
df.reden$datum <- as.Date(substr(df.reden$startzeit, 1, 10), "%Y-%m-%d")

### Daten zu Abgeordneten laden & verarbeiten
# Arbeitsverzeichnis definieren (i.e. wo alle JSON Files der Abgeordneten abgelegt sind)
setwd("")

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

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

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

### Loop zum Erstellen von IDs & Namen
df01$id <- NA
df01$name <- NA
for (i in which(df01$nofm >= 1)) {
file <- fromJSON(file = bio.files.in.dir[i])
df01$id[i] <- file$content$personInfo$pad_intern # ID von Nationalratsabgeordnetem/r
df01$name[i] <- file$meta$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, Zeitspanne, Startdatum, Enddatum, Klub, Klubzugehörigkeit
for (j in 1:length(dflist)) {
dflist[[j]]$mandate <- NA # leere Mandatsvariable erstellen
dflist[[j]]$timespan <- NA # leere Zeitspannenvariable erstellen
for (i in which(dflist[[j]]$nofm >= j)) {
file <- fromJSON(file = bio.files.in.dir[i])
dflist[[j]]$mandate[i] <- file$content$biografie$mandatefunktionen$mandate[[j]][1]$bez # Mandatsvariable befüllen
dflist[[j]]$timespan[i] <- file$content$biografie$mandatefunktionen$mandate[[j]]$zeitraum # Zeitspannenvariable befüllen
}
dflist[[j]]$start <- as.Date(substr(dflist[[j]]$timespan, 1, 10), "%d.%m.%Y") # Startdatum
dflist[[j]]$ende <- as.Date(substr(dflist[[j]]$timespan, 12, 21), "%d.%m.%Y") # Enddatum
dflist[[j]]$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.abg <- 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.abg, 10)

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

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

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

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

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

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

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

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

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

### Geschlechtsvariable an df.reden matchen:
df.abg$geschlecht[substr(df.abg$mandate, 1, 12)=="Abgeordneter"] <- "m"
df.abg$geschlecht[substr(df.abg$mandate, 1, 12)=="Abgeordnete "] <- "w"
df.reden$geschlecht <- df.abg$geschlecht[match(df.reden$parlid, df.abg$id)] # Geschlechtsinformation an Reden-Dataframe matchen
# NB: Einige Personen im df.reden-Dataframe haben fehlende Werte bei df.reden$geschlecht, weil sie keine NR-Abg. sind (und daher in df.abg nicht als weiblich oder männlich klassifiziert werden)
# Diese Personen sind für die Analyse allerdings irrelevant (weil eben keine NR-Abg.)

### Erzeuge Vektor zu Tagungen (Tagung = Sitzungsperiode von September bis Juli, d.h. vom Ende einer bis zum Beginn der nächsten Sommerpause)
tagung <- paste(1996:2021, "/", substr(1997:2022, 3, 4), sep="")
tagung.start.ende <- as.Date(c("19.09.1996", "11.07.1997", "18.09.1997", "17.07.1998", "17.09.1998", "16.07.1999", "29.10.1999", "07.07.2000",
"05.09.2000", "06.07.2001", "26.09.2001", "11.07.2002", "19.09.2002", "10.07.2003", "02.09.2003", "09.07.2004",
"22.09.2004", "08.07.2005", "21.09.2005", "14.07.2006", "12.09.2006", "06.07.2007", "27.09.2007", "10.07.2008",
"12.09.2008", "10.07.2009", "01.09.2009", "09.07.2010", "22.09.2010", "08.07.2011", "13.09.2011", "06.07.2012",
"19.09.2012", "06.07.2013", "17.09.2013", "10.07.2014", "02.09.2014", "17.07.2015", "01.09.2015", "08.07.2016",
"13.09.2016", "13.07.2017", "20.09.2017", "05.07.2018", "07.09.2018", "03.07.2019", "19.09.2019", "09.07.2020",
"14.09.2020", "19.07.2021"), "%d.%m.%Y") ### nicht enthalten: 2021/22 mit Daten 22.09.2021 bis 08.07.2022
start.tagung <- tagung.start.ende[seq(1, 49, 2)] # Startdaten der Tagungen in eigenes Objekt einlesen
ende.tagung <- tagung.start.ende[seq(2, 50, 2)] # Enddaten der Tagungen in eigenes Objekt einlesen

### Tagungsvariable im Dataframe erzeugen, die Tagung des Rededatums ausweist
df.reden$tagung <- NA
for (i in 1:length(tagung)) {
df.reden$tagung[start.tagung[i] <= df.reden$datum & ende.tagung[i] >= df.reden$datum] <- tagung[i]
}

### Subset des Dataframes wählen (z.B. nur Normaldebatten ==> df.reden$type=="ND")
df.reden.sub <- df.reden[df.reden$rolle!="er" & df.reden$rolle!="rb" & df.reden$rolle!="rs", ]
df.reden.sub <- df.reden.sub[is.na(df.reden$geschlecht)==F, ]
# df.reden.sub <- df.reden[df.reden$type=="ND", ] ### nur Normaldebatten

### Vektor mit Monatsersten erzeugen
years <- rep(1996:2022, 12) # Jahre ab 1996 wiedergeben
years <- years[order(years)]
months <- rep(c("01", "02", "03", "04", "05", "06", "07", "08", "09", "10", "11", "12"), length(1996:2022)) # Monate für die Länge der Jahre wiedergeben
firsts <- as.Date(paste("01.", months, ".", years, sep=""), "%d.%m.%Y") # Ersten Tag des jeweiligen Monats im Jahr wiedergeben

### Dataframe mit Monatsersten & Anzahl weiblicher & männlicher Abg. zu diesem Stichtag erzeugen
df.firsts <- data.frame(datum = firsts)
for (i in 1:length(firsts)) {
df.firsts$anzahl.m[i] <- table(df.abg$geschlecht[df.abg$start <= firsts[i] & df.abg$ende >= firsts[i]])[1] # Anzahl an männlichen Abgeordneten insgesamt für Monatsersten des jeweiligen Jahres
df.firsts$anzahl.w[i] <- table(df.abg$geschlecht[df.abg$start <= firsts[i] & df.abg$ende >= firsts[i]])[2] # Anzahl an weiblichen Abgeordneten insgesamt für Monatsersten des jeweiligen Jahres
df.firsts$anzahl.mSP[i] <- table(df.abg$geschlecht[df.abg$klub.agg=="SP" & df.abg$start <= firsts[i] & df.abg$ende >= firsts[i]])[1] # Anzahl an männlichen Abgeordneten einer konkreten Fraktion (in diesem Fall SPÖ) für Monatsersten des jeweiligen Jahres
df.firsts$anzahl.wSP[i] <- table(df.abg$geschlecht[df.abg$klub.agg=="SP" & df.abg$start <= firsts[i] & df.abg$ende >= firsts[i]])[2] # Anzahl an weiblichen Abgeordneten einer konkreten Fraktion (in diesem Fall SPÖ) für Monatsersten des jeweiligen Jahres
df.firsts$anzahl.mVP[i] <- table(df.abg$geschlecht[df.abg$klub.agg=="VP" & df.abg$start <= firsts[i] & df.abg$ende >= firsts[i]])[1]
df.firsts$anzahl.wVP[i] <- table(df.abg$geschlecht[df.abg$klub.agg=="VP" & df.abg$start <= firsts[i] & df.abg$ende >= firsts[i]])[2]
df.firsts$anzahl.mFP[i] <- table(df.abg$geschlecht[df.abg$klub.agg=="FP" & df.abg$start <= firsts[i] & df.abg$ende >= firsts[i]])[1]
df.firsts$anzahl.wFP[i] <- table(df.abg$geschlecht[df.abg$klub.agg=="FP" & df.abg$start <= firsts[i] & df.abg$ende >= firsts[i]])[2]
df.firsts$anzahl.mGR[i] <- table(df.abg$geschlecht[df.abg$klub.agg=="GR" & df.abg$start <= firsts[i] & df.abg$ende >= firsts[i]])[1]
df.firsts$anzahl.wGR[i] <- table(df.abg$geschlecht[df.abg$klub.agg=="GR" & df.abg$start <= firsts[i] & df.abg$ende >= firsts[i]])[2]
df.firsts$anzahl.mBZ[i] <- table(df.abg$geschlecht[df.abg$klub.agg=="BZ" & df.abg$start <= firsts[i] & df.abg$ende >= firsts[i]])[1]
df.firsts$anzahl.wBZ[i] <- table(df.abg$geschlecht[df.abg$klub.agg=="BZ" & df.abg$start <= firsts[i] & df.abg$ende >= firsts[i]])[2]
df.firsts$anzahl.mNE[i] <- table(df.abg$geschlecht[df.abg$klub.agg=="NEOS" & df.abg$start <= firsts[i] & df.abg$ende >= firsts[i]])[1]
df.firsts$anzahl.wNE[i] <- table(df.abg$geschlecht[df.abg$klub.agg=="NEOS" & df.abg$start <= firsts[i] & df.abg$ende >= firsts[i]])[2]
df.firsts$anzahl.mLF[i] <- table(df.abg$geschlecht[df.abg$klub.agg=="LF" & df.abg$start <= firsts[i] & df.abg$ende >= firsts[i]])[1]
df.firsts$anzahl.wLF[i] <- table(df.abg$geschlecht[df.abg$klub.agg=="LF" & df.abg$start <= firsts[i] & df.abg$ende >= firsts[i]])[2]
df.firsts$anzahl.mTS[i] <- table(df.abg$geschlecht[df.abg$klub.agg=="STRONACH" & df.abg$start <= firsts[i] & df.abg$ende >= firsts[i]])[1]
df.firsts$anzahl.wTS[i] <- table(df.abg$geschlecht[df.abg$klub.agg=="STRONACH" & df.abg$start <= firsts[i] & df.abg$ende >= firsts[i]])[2]
df.firsts$anzahl.mPI[i] <- table(df.abg$geschlecht[df.abg$klub.agg=="PILZ" & df.abg$start <= firsts[i] & df.abg$ende >= firsts[i]])[1]
df.firsts$anzahl.wPI[i] <- table(df.abg$geschlecht[df.abg$klub.agg=="PILZ" & df.abg$start <= firsts[i] & df.abg$ende >= firsts[i]])[2]
}
df.firsts$anteil.w <- df.firsts$anzahl.w / (df.firsts$anzahl.m + df.firsts$anzahl.w) ### Frauenanteil im NR am Stichtag
df.firsts$anteil.wSP <- df.firsts$anzahl.wSP / (df.firsts$anzahl.mSP + df.firsts$anzahl.wSP) # Frauenanteil SPÖ am Stichtag
df.firsts$anteil.wVP <- df.firsts$anzahl.wVP / (df.firsts$anzahl.mVP + df.firsts$anzahl.wVP) # Frauenanteil ÖVP am Stichtag
df.firsts$anteil.wFP <- df.firsts$anzahl.wFP / (df.firsts$anzahl.mFP + df.firsts$anzahl.wFP) # Frauenanteil FPÖ am Stichtag
df.firsts$anteil.wGR <- df.firsts$anzahl.wGR / (df.firsts$anzahl.mGR + df.firsts$anzahl.wGR) # Frauenanteil Grüne am Stichtag
df.firsts$anteil.wBZ <- df.firsts$anzahl.wBZ / (df.firsts$anzahl.mBZ + df.firsts$anzahl.wBZ) # Frauenanteil BZÖ am Stichtag
df.firsts$anteil.wNE <- df.firsts$anzahl.wNE / (df.firsts$anzahl.mNE + df.firsts$anzahl.wNE) # Frauenanteil Neos am Stichtag
df.firsts$anteil.wLF <- df.firsts$anzahl.wLF / (df.firsts$anzahl.mLF + df.firsts$anzahl.wLF) # Frauenanteil LIF am Stichtag
df.firsts$anteil.wTS <- df.firsts$anzahl.wTS / (df.firsts$anzahl.mTS + df.firsts$anzahl.wTS) # Frauenanteil Team Stronach am Stichtag
df.firsts$anteil.wPI <- df.firsts$anzahl.wPI / (df.firsts$anzahl.mPI + df.firsts$anzahl.wPI) # Frauenanteil Liste Pilz/Jetzt am Stichtag

# Tagungsvariable hinzu:
for (i in 1:length(tagung)) {
df.firsts$tagung[start.tagung[i] <= df.firsts$datum & ende.tagung[i] >= df.firsts$datum] <- tagung[i]
}

# Anteile der weiblichen/männlichen Abgeordneten pro Fraktion
anteile.w <- colMeans(df.firsts[which(names(df.firsts)=="anteil.w"):which(names(df.firsts)=="anteil.wPI")], na.rm=T)
anteile.m <- 1 - anteile.w

### Tagungs-Dataframe mit Redezeiten und Geschlechterverteilung über die Zeit
df.tagung <- data.frame(redezeit.gesamt = tapply(df.reden.sub$redezeit, df.reden.sub$tagung, sum)) / 60
df.tagung$redezeit.m <- tapply(df.reden.sub$redezeit[df.reden.sub$geschlecht=="m"], df.reden.sub$tagung[df.reden.sub$geschlecht=="m"], sum) / 60 # Redezeit männlicher Abgeordneter insgesamt
df.tagung$redezeit.w <- tapply(df.reden.sub$redezeit[df.reden.sub$geschlecht=="w"], df.reden.sub$tagung[df.reden.sub$geschlecht=="w"], sum) / 60 # Redezeit weiblicher Abgeordneter insgesamt
df.tagung$redezeit.SP <- tapply(df.reden.sub$redezeit[df.reden.sub$fraktion=="S"], df.reden.sub$tagung[df.reden.sub$fraktion=="S"], sum) / 60 # Insgesamte Redezeit für konkrete Fraktion (in diesem Fall SPÖ)
df.tagung$redezeit.SP.m <- tapply(df.reden.sub$redezeit[df.reden.sub$fraktion=="S" & df.reden.sub$geschlecht=="m"], df.reden.sub$tagung[df.reden.sub$fraktion=="S" & df.reden.sub$geschlecht=="m"], sum) / 60 # Redezeit männlicher Abgeordneter für konkrete Fraktion (in diesem Fall SPÖ)
df.tagung$redezeit.SP.w <- tapply(df.reden.sub$redezeit[df.reden.sub$fraktion=="S" & df.reden.sub$geschlecht=="w"], df.reden.sub$tagung[df.reden.sub$fraktion=="S" & df.reden.sub$geschlecht=="w"], sum) / 60 # Redezeit weiblicher Abgeordneter für konkrete Fraktion (in diesem Fall SPÖ)
df.tagung$redezeit.VP <- tapply(df.reden.sub$redezeit[df.reden.sub$fraktion=="V"], df.reden.sub$tagung[df.reden.sub$fraktion=="V"], sum) / 60
df.tagung$redezeit.VP.m <- tapply(df.reden.sub$redezeit[df.reden.sub$fraktion=="V" & df.reden.sub$geschlecht=="m"], df.reden.sub$tagung[df.reden.sub$fraktion=="V" & df.reden.sub$geschlecht=="m"], sum) / 60
df.tagung$redezeit.VP.w <- tapply(df.reden.sub$redezeit[df.reden.sub$fraktion=="V" & df.reden.sub$geschlecht=="w"], df.reden.sub$tagung[df.reden.sub$fraktion=="V" & df.reden.sub$geschlecht=="w"], sum) / 60
df.tagung$redezeit.FP <- tapply(df.reden.sub$redezeit[df.reden.sub$fraktion=="F"], df.reden.sub$tagung[df.reden.sub$fraktion=="F"], sum) / 60
df.tagung$redezeit.FP.m <- tapply(df.reden.sub$redezeit[df.reden.sub$fraktion=="F" & df.reden.sub$geschlecht=="m"], df.reden.sub$tagung[df.reden.sub$fraktion=="F" & df.reden.sub$geschlecht=="m"], sum) / 60
df.tagung$redezeit.FP.w <- tapply(df.reden.sub$redezeit[df.reden.sub$fraktion=="F" & df.reden.sub$geschlecht=="w"], df.reden.sub$tagung[df.reden.sub$fraktion=="F" & df.reden.sub$geschlecht=="w"], sum) / 60
df.tagung$redezeit.GR <- NA
df.tagung$redezeit.GR.m <- NA
df.tagung$redezeit.GR.w <- NA
df.tagung$redezeit.GR[-which(row.names(df.tagung)=="2018/19")] <- tapply(df.reden.sub$redezeit[df.reden.sub$fraktion=="G"], df.reden.sub$tagung[df.reden.sub$fraktion=="G"], sum) / 60
df.tagung$redezeit.GR.m[-which(row.names(df.tagung)=="2018/19")] <- tapply(df.reden.sub$redezeit[df.reden.sub$fraktion=="G" & df.reden.sub$geschlecht=="m"], df.reden.sub$tagung[df.reden.sub$fraktion=="G" & df.reden.sub$geschlecht=="m"], sum) / 60
df.tagung$redezeit.GR.w[-which(row.names(df.tagung)=="2018/19")] <- tapply(df.reden.sub$redezeit[df.reden.sub$fraktion=="G" & df.reden.sub$geschlecht=="w"], df.reden.sub$tagung[df.reden.sub$fraktion=="G" & df.reden.sub$geschlecht=="w"], sum) / 60
df.tagung$redezeit.BZ <- NA
df.tagung$redezeit.BZ.m <- NA
df.tagung$redezeit.BZ.w <- NA
df.tagung$redezeit.BZ[11:18] <- tapply(df.reden.sub$redezeit[df.reden.sub$fraktion=="B"], df.reden.sub$tagung[df.reden.sub$fraktion=="B"], sum) / 60
df.tagung$redezeit.BZ.m[11:18] <- tapply(df.reden.sub$redezeit[df.reden.sub$fraktion=="B" & df.reden.sub$geschlecht=="m"], df.reden.sub$tagung[df.reden.sub$fraktion=="B" & df.reden.sub$geschlecht=="m"], sum) / 60
df.tagung$redezeit.BZ.w[11:18] <- tapply(df.reden.sub$redezeit[df.reden.sub$fraktion=="B" & df.reden.sub$geschlecht=="w"], df.reden.sub$tagung[df.reden.sub$fraktion=="B" & df.reden.sub$geschlecht=="w"], sum) / 60
df.tagung$redezeit.NE[18:25] <- tapply(df.reden.sub$redezeit[df.reden.sub$fraktion=="N"], df.reden.sub$tagung[df.reden.sub$fraktion=="N"], sum) / 60
df.tagung$redezeit.NE.m[18:25] <- tapply(df.reden.sub$redezeit[df.reden.sub$fraktion=="N" & df.reden.sub$geschlecht=="m"], df.reden.sub$tagung[df.reden.sub$fraktion=="N" & df.reden.sub$geschlecht=="m"], sum) / 60
df.tagung$redezeit.NE.w[18:25] <- tapply(df.reden.sub$redezeit[df.reden.sub$fraktion=="N" & df.reden.sub$geschlecht=="w"], df.reden.sub$tagung[df.reden.sub$fraktion=="N" & df.reden.sub$geschlecht=="w"], sum) / 60
df.tagung$redezeit.gesamt.pc <- df.tagung$redezeit.w / df.tagung$redezeit.gesamt # Anteil Redezeit weiblicher Abgeordneter an Redezeit insgesamt
df.tagung$redezeit.SP.pc <- df.tagung$redezeit.SP.w / df.tagung$redezeit.SP # Anteil weiblicher Abgeordneter an Redezeit ihrer Fraktion (SPÖ)
df.tagung$redezeit.VP.pc <- df.tagung$redezeit.VP.w / df.tagung$redezeit.VP # Anteil weiblicher Abgeordneter an Redezeit ihrer Fraktion (ÖVP)
df.tagung$redezeit.FP.pc <- df.tagung$redezeit.FP.w / df.tagung$redezeit.FP # Anteil weiblicher Abgeordneter an Redezeit ihrer Fraktion (FPÖ)
df.tagung$redezeit.GR.pc <- df.tagung$redezeit.GR.w / df.tagung$redezeit.GR # Anteil weiblicher Abgeordneter an Redezeit ihrer Fraktion (Grüne)
df.tagung$redezeit.BZ.pc <- df.tagung$redezeit.BZ.w / df.tagung$redezeit.BZ # Anteil weiblicher Abgeordneter an Redezeit ihrer Fraktion (BZÖ)
df.tagung$redezeit.NE.pc <- df.tagung$redezeit.NE.w / df.tagung$redezeit.NE # Anteil weiblicher Abgeordneter an Redezeit ihrer Fraktion (Neos)
df.tagung$frauenanteilNR <- tapply(df.firsts$anteil.w, df.firsts$tagung, mean) # Durchschnittlicher Anteil weiblicher NR-Abg. insgesamt pro Tagung
df.tagung$frauenanteilSP <- tapply(df.firsts$anteil.wSP, df.firsts$tagung, mean) # Durchschnittlicher Anteil weiblicher NR-Abg. im SPÖ-Klub pro Tagung
df.tagung$frauenanteilVP <- tapply(df.firsts$anteil.wVP, df.firsts$tagung, mean) # Durchschnittlicher Anteil weiblicher NR-Abg. im ÖVP-Klub pro Tagung
df.tagung$frauenanteilFP <- tapply(df.firsts$anteil.wFP, df.firsts$tagung, mean) # Durchschnittlicher Anteil weiblicher NR-Abg. im FPÖ-Klub pro Tagung
df.tagung$frauenanteilGR <- tapply(df.firsts$anteil.wGR, df.firsts$tagung, mean) # Durchschnittlicher Anteil weiblicher NR-Abg. im Grünen Klub pro Tagung
df.tagung$frauenanteilBZ <- tapply(df.firsts$anteil.wBZ, df.firsts$tagung, mean) # Durchschnittlicher Anteil weiblicher NR-Abg. im BZÖ-Klub pro Tagung
df.tagung$frauenanteilNE <- tapply(df.firsts$anteil.wNE, df.firsts$tagung, mean) # Durchschnittlicher Anteil weiblicher NR-Abg. im Neos-Klub pro Tagung
df.tagung$frauenanteilTS <- tapply(df.firsts$anteil.wTS, df.firsts$tagung, mean) # Durchschnittlicher Anteil weiblicher NR-Abg. im Neos-Klub pro Tagung

###################
### DATENEXPORT ###
###################
#WorkinDirectory definieren, in der man die Auswertungen und beispielhaften Visualisierungen haben möchte
setwd("")

### Redezeit und Geschlechterverteilung pro Fraktion:
rede.frak.m <- tapply(df.reden.sub$redezeit[df.reden.sub$geschlecht=="m"], df.reden.sub$fraktion[df.reden.sub$geschlecht=="m"], sum) / tapply(df.reden.sub$redezeit, df.reden.sub$fraktion, sum) # Anteil Redezeit männlicher Abgeordneter aufgeschlüsselt nach Fraktionen
frak.names <- c("SP", "VP", "FP", "GR", "BZ", "Neos", "LF", "Team Stronach", "Pilz/Jetzt")
df.fraktion <- data.frame(abgeordnete.frauenanteil = anteile.w[-1], row.names = frak.names)
df.fraktion$abgeordnete.maenneranteil <- 1 - df.fraktion$abgeordnete.frauenanteil
df.fraktion$redezeit.frauenanteil <- 1 - rede.frak.m[c(8, 10, 3, 4, 2, 6, 5, 9, 7)]
df.fraktion$redezeit.maenneranteil <- 1 - df.fraktion$redezeit.frauenanteil
write.table(df.fraktion, file = "redezeit_geschlecht_fraktion_datenexport.csv", sep=";", col.names = NA)

### Frauenanteil an Abgeordneten und Redezeit pro Tagung (= im Zeitverlauf):
df.tagung.exp <- df.tagung[c(which(names(df.tagung)=="redezeit.gesamt.pc"),
which(names(df.tagung)=="frauenanteilNR"))]
names(df.tagung.exp) <- c("redezeit.frauenanteil", "abgeordnete.frauenanteil")
write.table(df.tagung.exp, file = "redezeit_geschlecht_tagung_datenexport.csv", sep=";", col.names = NA)

###############################
### AUSWERTUNGEN & GRAFIKEN ###
###############################

m1 <- matrix(NA, 2, 2) # Matrix für barplot-Grafik
m1[, 1] <- c(anteile.m[1], anteile.w[1]) # Anteil männlicher, dann weiblicher Abgeordneter
m1[, 2] <- tapply(df.reden.sub$redezeit, df.reden.sub$geschlecht, sum) / sum(df.reden.sub$redezeit, na.rm=T) # Anteil der Redezeit aufgeschlüsselt nach Geschlecht

df.reden.sub$fraktion2 <- df.reden.sub$fraktion
df.reden.sub$fraktion2[df.reden.sub$fraktion2=="J"] <- "P"

m2 <- matrix(NA, 2, 2 * (length(anteile.w)-1)) # Matrix für barplot-Grafik1
m2[1, seq(1, 18, 2)] <- anteile.m[-1]
m2[2, seq(1, 18, 2)] <- anteile.w[-1]
m2[1, seq(2, 18, 2)] <- rede.frak.m[c(8, 10, 3, 4, 2, 6, 5, 9, 7)]
m2[2, seq(2, 18, 2)] <- 1 - rede.frak.m[c(8, 10, 3, 4, 2, 6, 5, 9, 7)]

### GRAFIK 1: Redezeit vs. Präsenz alle

jpeg("geschlecht_redezeit_grafik1.jpg", height = 12, width = 12, res=600, units = "cm") #Als jpg-Datei speichern
b1 <- barplot(m1, names.arg = c("Anteile an\nNR-Abg.", "Anteile an\nder Redezeit"), las=1, axes=F, # Balken beschriften
col=c("indianred1", "darkseagreen3"), border="white", xlim=c(0, 3.5)) # Befüllungsfarbe der Balken wählen
axis(2, las=1, at=seq(0, 1, 0.2), labels=paste(seq(0, 100, 20), "%", sep="")) # Einheiten der y-Achse definieren und in Prozent darstellen
text(b1, m1[1, ]/2, paste(round(m1[1, ]*100, 0), "%", sep="")) # Prozentsätze aus vorher definierter Matrix im Balkendiagramm anzeigen
text(b1, m1[1, ] + m1[2, ]/2, paste(round(m1[2, ]*100, 0), "%", sep=""))
legend(b1[2] + 0.5, 0.5, c("Frauen", "Männer"), fill=c("darkseagreen3", "indianred1"), bty="n", border=NA) # Legende definieren
dev.off()

### GRAFIK 2: Redezeit vs. Präsenz pro Fraktion
jpeg("geschlecht_redezeit_grafik2.jpg", height = 12, width = 24, res=600, units = "cm")
par(mar=c(6, 4, 1, 5))
b2 <- barplot(m2, axes=F, col=rep(c("indianred1", "darkseagreen3"), 8), border="white", space=c(0.8, 0.1), # Visuelle Aspekte des Balkendiagramms definieren
names.arg=rep(c("NR-Abg.", "Redezeit"), 9), las=2, cex.names = 0.7, xlim=c(0, 29)) # Beschriftungs-Subkategorien der Balken festlegen
axis(2, las=1, at=seq(0, 1, 0.2), labels=paste(seq(0, 100, 20), "%", sep="")) # Einheiten der y-Achse definieren und in Prozent darstellen
axis(1, at=tapply(b2, rep(1:9, 2)[order(rep(1:9, 2))], mean), labels=c("SPÖ", "ÖVP", "FPÖ", "Grüne", "BZÖ", "Neos", "LF", "TS", "Pilz"), lwd=0, line=3) # Balken beschriften
text(b2, m2[1, ]/2, paste(round(m2[1, ]*100, 0), "%", sep=""), cex=0.7) # Prozentsätze aus vorher definierter Matrix im Balkendiagramm anzeigen
text(b2, m2[1, ] + m2[2, ]/2, paste(round(m2[2, ]*100, 0), "%", sep=""), cex=0.7) # Prozentsätze aus vorher definierter Matrix im Balkendiagramm anzeigen
legend(b2[18] + 0.5, 0.5, c("Frauen", "Männer"), fill=c("darkseagreen3", "indianred1"), bty="n", border=NA) # Legende definieren
dev.off()

### GRAFIK 3: Redezeit und Frauenanteil im Zeitverlauf
jpeg("geschlecht_redezeit_grafik3.jpg", height = 12, width = 20, res=600, units = "cm")
par(mar=c(6, 4, 1, 5))
plot(NA, NA, xlim=c(1, nrow(df.tagung)), ylim=c(0, 0.4), axes=F, xlab="Tagung (September bis Juli)", ylab="") # Format für Liniendiagramm fixieren
abline(h=seq(0, 0.4, 0.1), lty=3, col="grey") # Horizontale Hilfslinien
points(df.tagung$frauenanteilNR, type="l", col="blue", lwd=2) # Frauenanteil im Nationalrat zeichnen
points(df.tagung$redezeit.gesamt.pc, type="l", col="red", lwd=2) # Redezeitanteil von weibl. NR-Abg.
axis(2, las=1, at=seq(0, 0.4, 0.1), labels = paste0(seq(0, 40, 10), "%")) # y-Achse
axis(1, lwd=0, at=1:nrow(df.tagung), labels = substr(row.names(df.tagung), 3, 8), las=2, line=-1) # x-Achse
text(16, min(df.tagung$redezeit.gesamt.pc), "Redezeitanteil\n(weibl. NR-Abg.)", cex=0.8, col="red", pos=1) # Beschriftung
text(15, 0.30, "Frauenanteil\nim NR", cex=0.8, col="blue", pos=3) # Beschriftung
dev.off()

Wird Redezeit gleich auf Männer und Frauen verteilt?

Geschlecht und Redezeit im Nationalrat: Wer gewählt ist, kommt auch zu Wort

Geschlechterverhältnis und Redezeitverteilung im Nationalrat, 1996–2021

Geschlechterverhältnis und Redezeitverteilung nach Klubs, 1996–2021

Frauenanteil im Nationalrat und Redezeitanteil weiblicher Abgeordneter

Wie wurde es gemacht?

Welche Methodik wurde angewandt?

Wie sieht das R-Script aus?

Wird Redezeit gleich auf Männer und Frauen verteilt?

Geschlecht und Redezeit im National­rat: Wer gewählt ist, kommt auch zu Wort

Geschlechterverhältnis und Redezeitverteilung im National­rat, 1996–2021

Geschlechterverhältnis und Redezeitverteilung nach Klubs, 1996–2021

Frauenanteil im National­rat und Redezeitanteil weiblicher Abgeordneter

Wie wurde es gemacht?

Welche Methodik wurde angewandt?

Wie sieht das R-Script aus?

Geschlecht und Redezeit im Nationalrat: Wer gewählt ist, kommt auch zu Wort

Geschlechterverhältnis und Redezeitverteilung im Nationalrat, 1996–2021

Frauenanteil im Nationalrat und Redezeitanteil weiblicher Abgeordneter