INTERAKTIVNĚ: Z malé účasti těží ANO, z vysoké Piráti? Najděte souvislosti

Exkluzivně aktualizováno  8:09
Výsledky voleb do Evropského parlamentu lze analyzovat z různých pohledů. Připravili jsme pro vás nástroj, s jehož pomocí můžete prozkoumat statistické souvislosti mezi složením obyvatel jednotlivých okresů a tím, jaké politiky volili.

Regiony s vyšší nezaměstnaností volí jinak než ty, kde je nezaměstnanost skoro na nule. V okresech s nízkou nezaměstnaností uspěly strany ODS a Piráti, zatímco tam, kde je nezaměstnanost vysoká, bodovalo ANO nebo SPD.

Korelace není kauzalita

Regiony s vyšší nezaměstnaností mají nižší volební účast. To ale samo o sobě neznamená, že nezaměstnaní nechodí k volbám.

Samozřejmě, že na základě sociodemografických dat a výsledků voleb na úrovni okresů (kam pro zjednodušení počítáme i hlavní město) nelze vyvozovat kauzální vztah. Čísla totiž neříkají nic o konkrétních voličích.

V následující příloze můžete sami najít různé souvislosti mezi tím, jak lidé volili v různých regionech. Můžete přepínat mezi statistickými ukazateli (nezaměstnanost, vzdělání, naděje dožití apod.), mezi hlasy pro jednotlivé politické strany a volební účastí v daném regionu.

Interaktivní mapy a grafy – najděte souvislosti

Interaktivní mapy a graf ukazují souvislosti mezi výsledky voleb a statistikami:

(Zdroj dat: Český statistický úřad, MapaExekuci.cz, Volby.iDNES.cz)

Jak vyhledávat souvislosti

Stručný návod k využití naší interaktivní přílohy

  • Označením regionu na mapě nebo v grafu se stejný region zároveň automaticky označí i všude jinde. Na počítači stačí najet myší, na mobilu klepnout.
  • Můžete přepínat mezi různými statistickými ukazateli.
  • První mapa odpovídá vybranému statistickému ukazateli.
  • Druhá mapa zobrazuje podíl hlasů nebo účast
  • Sloupcový graf zobrazuje vybraný statistický ukazatel. Barva sloupce odpovídá podílu hlasů vybraného kandidáta.
  • Můžete si také přepnout na bodový X-Y graf, který zobrazí na ploše všechny regiony. Vodorovná osa pak odpovídá hlasům, svislá osa vybranému ukazateli. Toto zobrazení je vhodné při posuzování korelace.
  • Textový popisek zobrazuje přesná data pro vybraný region.
  • Data o nezaměstnanosti jsou z dubna 2019 a vyjadřují „podíl nezaměstnaných osob na celkové pracovní síle“.
  • Nástroj si můžete otevřít v samostatném okně
  • Pokud se vám nástroj líbí, máme pro vás i verzi, kde můžete srovnávat všechna data se všemi daty

Všechny korelace mezi námi analyzovanými veličinami jsou zaznamenané v následující tabulce:

Korelace volebních výsledků (Eurovolby 2019) s demografickými údaji. Zelená...

Korelace volebních výsledků (Eurovolby 2019) s demografickými údaji. Zelená barva značí pozitivní korelaci, červená negativní, intenzita barvy sílu korelace. Zdroj: ČSÚ, MapaExekucí, Volby.iDNES.cz, Technet.cz

(Tabulku si můžete stáhnout v PDF. Zdrojová data v TSV a XLSX.)

Nejvýraznější korelace v naší analýze:

  • vyšší volební účast v regionu posílila pozici Pirátů, ODS a koalice TOP 09 + STAN
  • nízká volební účast v regionu pomohla stranám ANO, SPD a KSČM
  • v regionech s vyšší předpokládanou délkou života byla vyšší volební účast
Naděje dožitíVolební účast
7838,06%
75,430,05%
75,329,71%
75,126,17%
75,828,14%
75,127,70%
75,726,50%
76,927,59%
75,629,17%
76,835,21%
77,438,89%
75,629,93%
75,626,39%
76,129,53%
75,126,06%
7628,87%
75,828,83%
75,526,24%
7529,00%
75,529,86%
75,425,93%
75,528,70%
77,130,64%
75,526,81%
76,426,58%
7526,85%
74,421,73%
74,723,08%
74,525,67%
73,619,50%
74,622,39%
72,918,85%
7425,78%
73,124,07%
72,819,12%
7320,56%
74,722,72%
74,323,44%
75,928,19%
75,729,28%
76,433,10%
77,132,86%
76,229,43%
76,629,42%
76,529,25%
75,327,83%
75,427,16%
76,529,80%
75,426,26%
76,330,34%
76,829,16%
76,529,90%
75,830,63%
76,828,35%
76,329,30%
76,229,80%
7732,16%
76,130,99%
74,825,16%
74,926,58%
75,827,84%
75,425,81%
74,322,33%
75,927,66%
74,524,88%
7525,98%
74,426,23%
74,528,53%
75,328,18%
74,726,96%
75,928,86%
73,721,39%
74,725,69%
73,420,04%
74,826,84%
74,724,08%
73,923,57%
  • v regionech s vyšším podílem věřících získala více hlasů KDU-ČSL
  • v regionech s vyšším počtem exekucí a vyšší nezaměstnaností byla nižší volební účast a uspěly zde více ANO a SPD

Třebe zmíněná korelace volebních výsledků s volební účastí je pozorováním po volbách. Může se tedy lišit od předbolebních předpovědí sociologů ohledně toho, jak účast ovlivní výsledek. Sociologové totiž pracují s daty získanými dotazováním lidí na „volební potenciál“ (kdybyste šli volit, koho byste volili?) a mohou tedy spekulovat ohledně toho, které strany by nejvíce vytěžily z vysoké volební účasti. My na druhou stranu analyzujeme pouze reálná volební data, a nemáme tedy žádné informace o tom, koho by volili ti, kteří zůstali doma. Naše pozorování „vysoká účast prospěla Pirátům“ je tak zkrácenou verzí „tam, kde byla vyšší účast, byl i vyšší podíl Pirátů na výsledku“, což ale neznamená, že ještě vyšší účast by nutně vedla k ještě lepšímu výsledku atd. Navíc je možné, že pro obě korelující veličiny existuje třetí, se kterou korelují obě, a která tak závislost vysvětluje lépe.

Korelační koeficient ukazuje souvislost, nikoli následek

Krátký exkurz do statistiky

Korelace je statistický termín, který matematicky vyjadřuje, nakolik spolu nějaké vlastnosti souvisí. Tato souvislost je ovšem trochu jiná, než jak obvykle o souvislostech uvažujeme.

Abychom si názorně ukázali, jak lze posuzovat korelaci mezi dvěma řadami čísel nebo dvěma různými parametry stejné „populace“, podíváme se na jednoduchý příklad. Máme tabulku se šesti fiktivními osobami. Pokud informace o těchto osobách naneseme na dvourozměrný graf, vidíme, že některé informace spolu souvisí (tzv. korelují), zatímco jiné nikoli. Míru korelace měříme Pearsonovým korelačním koeficientem.

Tabulka fiktivních osob a údajů o výšce, váze, věku a příjmu
Ukázkové korelace mezi hodnotami: váha a výška spolu v našem příkladu souvisí...

Ukázkové korelace mezi hodnotami: váha a výška spolu v našem příkladu souvisí velmi silně (ρ=0,81), tedy obecně platí „čím vyšší člověk, tím vyšší váha“. Příjem a výška spolu nesouvisí vůbec (ρ=0,03) a mezi příjmem a věkem je středně velká opačná souvislost (ρ=-0,59), tedy „čím starší člověk, tím nižší příjem“. Všimněte si, že ani vysoká korelace neznamená stoprocentní závislost jedné veličiny na druhé. (Rozklikněte pro zobrazení)

Je jasné, že korelace váhy a výšky asi nebude náhodná. Okamžitě nás napadne, jak spolu obě vlastnosti člověka souvisí. U jiných korelací ale takto jasná příčinná souvislost není. Kdyby třeba ze statistiky vyšlo, že výška příjmu koreluje s hmotností, znamenalo by to, že těžší lidé dostávají více peněz, nebo naopak že lépe placení lidé si mohou dovolit více utrácet za jídlo? Korelace neříká nic o mechanismu nebo příčině a následku, popisuje jen to, jak spolu souvisí dvě číselné řady. Někdy je taková znalost užitečná, jindy spíše zavádějící a matoucí.

Co vyplývá a nevyplývá z korelací

Když jsme čtenářům tento nástroj pro srovnávání regionálních souvislostí poprvé představili po prezidentských volbách 2018, řada čtenářů si v diskuzi stěžovala, že se snažíme ukázat, že „Zemana volili ti méně vzdělaní“ apod. Nic takového ale naše mapy neukazují, a ani ukázat nemohou. Protože jsou data na úrovni okresů, nevypovídají nic o konkrétních voličích.

Stejně je to i tentokrát. To, že například v regionech s vyšším počtem lidí v exekuci volilo relativně více lidí SPD (a existuje tedy mírná korelace mezi výsledkem SPD a exekucemi), neznamená, že lidé v exekuci volí SPD. Korelace by zde mohla být, i kdyby žádný volič SPD nebyl v exekuci.

Omezení vyplývající z povahy dat

U každých statistik je potřeba znát zdroj dat i metodiku

Je důležité si uvědomovat, s jakými daty pracujeme, abychom tomu přizpůsobili závěry, které z dat vyvozujeme. V případě našeho nástroje na hledání korelací jsou to především tato omezení:

  • regiony, nikoli jednotlivci – korelace hledáme mezi okresy, tedy relativně velkými regiony (statisíce lidí), nikoli mezi jednotlivci (jako by tomu bylo třeba při předvolebním průzkumu sbírajícím data dotazováním lidí)
  • různé zdroje dat – výhodou našeho nástroje je, že kombinuje více zdrojů dat, to s sebou ale nese i možné zkreslení. Data ČSÚ se týkají všech lidí v regionu, zatímco volební výsledky se týkají voličů. Data také pocházejí z různých časových období, i když jsme vždy hledali nejnovější data.
  • korelace není kauzalita – jak už jsme připomínali mnohokrát, korelace na úrovni regionů může ukázat různé souvislosti, nevyplývá z ní ale korelace na úrovni jednotlivců. Některé rozdíly by třeba zmizely, kdybychom analyzovali zvlášť větší města a zvlášť menší obce, u regionů jsou tyto data dohromady
  • narativní omyl – protože analyzujeme více různých datových řad a máme na výběr, je snadné oblíbit si nějakou teorii a pak hledat, jak se nám tato teorie potvrzuje v datech; lepší postup by ale byl hledat jak data, která naši teorii potvrzují, tak i ta, která naši teorii vyvracejí

Užitečnější podle nás je přemýšlet o těchto regionálních korelacích právě v rámci regionu. Vidíme například dobře, jaké demografické charakteristiky měly vliv na volební účast v okresu:

  • vyšší nezaměstnanost  – nižší účast
  • větší podíl lidí v exekuci  – nižší účast
  • vyšší naděje dožití – vyšší účast

Nezaměstnanost a exekuce jsou pochopitelně ekonomicky provázané, a oba tyto jevy mají vliv na optimismus v regionu. Třeba v okrese Most je podíl lidí v exekuci 20 %, což je nejvíce v ČR. Nezaměstnanost je zde druhá nejvyšší v ČR. Předpokládaná délka dožití nejnižší v ČR (72,8 let). To všechno jsou čísla, která podporují pesimismus a tedy i nižší volební účast.

Hledání souvislostí v číslech je ale vždy ošemetné. Každý přistupujeme k analýze informací s určitými představami, a máme přirozenou tendenci hledat potvrzení svých stávajících názorů. Snadno tedy najdeme narativ, který bude souvislosti vysvětlovat tak, jak se nám to hodí. Doufáme ale, že náš nástroj pomůže zvědavým čtenářům prozkoumat zajímavé korelace, aniž z nich budou usuzovat na zjednodušený vztah příčiny a následku.

Zpět na interaktivní přílohu

Pokud bychom měli vybrat jednu lekci, která z našich korelací vyplývá, nemá nic společného se zjednodušujícími závěry typu „bohatí volili X“ nebo „méně vzdělaní lidé se bojí Y“. Mapa podle nás ukazuje rozdílnost regionů a vliv, kterou tato rozdílnost má na preference voličů. Tyto preference jsou ale výsledkem toho, jak lidé v daném regionu vnímají svou situaci a své priority. A je zjevné, že politici mají problém oslovit regiony, ve kterých má velká část obyvatel důvod k pesimismu.

To je trend, který by měl vést k zamyšlení všechny. Hlavně ty, kteří mají tendenci soudit ostatní za to, jak „iracionálně“ se ve volbách rozhodovali nebo jak „nezodpovědně“ se zachovali, když volit nešli. Pohled na pestrobarevnou mapu by pro nás měl být připomínkou reality, která není černobílá.

Aktualizace: Doplnili jsme metodické poznámky.

Autoři:

Mohlo by vás zajímat: Černobyl

Černobylská havárie se stala 26. dubna 1986 v černobylské jaderné elektrárně na Ukrajině (tehdy část Sovětského svazu). Vzpomínka na tragédii v těchto dnech oživila televizní minisérie Černobyl.

Téma Černobyl v článcích Technet.cz:
Brzda místo plynu a plyn místo brzdy. To byl Černobyl
Havárie neskončí před rokem 2065. Černobyl polyká tuny vody a miliardy eur
Výbuch roztavil beton a tisícitunový poklop létal vzduchem. Černobyl 1986

Nejčtenější

Neudělejte chybu jako Ovčáček. Ověřovací kód nikdy nikomu neposílejte

Pro bezpečí na internetu je důležité nesdělovat soukromé ověřovací kódy, někdo...

Pokud vám přijde zpráva s potvrzujícím kódem, zacházejte s ní jako s tajemstvím. Nepište ji nikam, kam nepatří. Nikomu...

Jsou neskutečně levné a jedovaté. Čínské tonery do tiskáren obsazují trh

Jak vybrat náplň do tiskárny, aby do ní padla jako ulitá? Ne každá je vhodná a...

Především kvůli nízké ceně lidé riskují zdraví a kupují ultralevné tonery do laserových tiskáren od neznámých výrobců....

„Zapomenutý“ tank z ČKD. Neozbrojený prototyp přišel Němce draho

První prototyp tanku Praga V-8-H

Ve druhé polovině třicátých let vznikl v Československu prototyp středního tanku srovnatelného s německými tanky stejné...

Proč havarovaly Boeingy 737 Max? Firma spěchala a porušila vlastní zásady

Jak vznikly problémy, které vedly k havárii nejnovějších letadel Boeing 737 MAX

Nejnovější letadla Boeing 737 MAX 8 už tři měsíce nelétají. Při dvou jejich nehodách totiž zemřelo 346 lidí. Stopy...

Astronomové po půl století objevili ztracený lunární modul z Apolla 10

Lunární modul Apolla 10 nad Měsícem (foceno z velitelského modulu)

První mise, která přivezla lidi na jiné kosmické těleso, byla ta s označením Apollo 11. Cestu jí však vyšlapaly...

Další z rubriky

Ryby vidí tmu jinak. Český objev z hloubi moří se dostane do učebnic

Beztrnovka stříbřitá má na poměry hlubokomořských tvorů poměrně nenápadný...

Bioložka Zuzana Musilová z Přírodovědecké fakulty se s kolegy „potopila“ do oblasti, která je Čechům obvykle vzdálená:...

Dětem škodí obrazovky a displeje. Ale jinak, než si rodiče obvykle myslí

Jak všudypřítomné displeje ovlivňují výchovu dětí? (ilustrační fotografie)

Světová zdravotnická organizace vydala nová doporučení ohledně aktivit vhodných pro malé děti. Nejvíce pozornosti si...

Kočky rozumí, když na ně voláme. Jen je to většinou nezajímá

Kočky vám rozumí, ale ignorují vás

Kočičí inteligence je na rozdíl od té psí velmi málo prozkoumaná. Kočky totiž většinou odmítají s vědci spolupracovat....

Školní jídelny jsou zaostalé: Děti nedostávají dost jídla a živin, říká studie
Školní jídelny jsou zaostalé: Děti nedostávají dost jídla a živin, říká studie

Státní zdravotní ústav (SZÚ) informoval o tom, že stravování ve školách je zastaralé a skladba jídelníčku neodpovídá současnému způsobu života. Ze studií vyplývá, že ve školních jídelnách děti nedostávají stravu, která by odpovídala doporučení výživových hodnot a liší se i gramáž porcí. Proč tomu tak je?

Najdete na iDNES.cz